단기(Short term) HRV 분석은 정신적 스트레스를 평가하기 위해 널리 조사가 되었다는데
초단기(Ultra short term) HRV 분석의 타당성은 아직 불분명하기 때문에 이 논문에서는 정신적 스트레스를 자동으로 감지하는 능력을 잃지 않으면서 HRV 발췌를 어느 정도 단축할 수 있는지 탐색하는 방법을 제안하는 내용이다.
(단기는 보통 5분 정도의 짧은 기간 동안 HRV를 측정한 결과, 초단기는 5분 미만의 또는 매우 짧은 기간(수초~1분) 동안 HRV를 측정한 결과 / 초단기는 웨어러블 기기에서 빠르게 상태를 평가할 때를 예로 들 수 있음)
연구 방법
심전도(ECG)는 대학 시험 및 휴식 기간 동안 건강한 피험자 42명으로부터 획득
-> 다양한 길이(예: 30초, 1분, 2분, 3분, 5분)의 HRV 발췌에서 23개의 특징 추출
-> 휴식 단계와 스트레스 단계 사이의 유의미한 차이는 다양한 시간 척도에서 비모수적 통계 테스트를 사용하여 조사
-> 각각의 UST(Ultra short term)에서 추출된 특징은 휴식 및 스트레스 단계 동안 Spearman의 순위 상관 분석 및 Bland-Altman 플롯을 통해 벤치마크로 가정된 ST(short term) HRV 특징과 비교
-> 데이터 기반 기계 학습 접근 방식을 사용하여 정신 스트레스 감지를 목표로 하는 모델을 ST HRV 기능을 사용하여 훈련, 검증 및 테스트하고 UST HRV 기능에 대해 평가
배경
언어 학업 시험 중 정신적 스트레스를 조사했는데, 교감미주신경 적대감이 강조된다.
또한, 스트레스는 판단과 의사결정에 영향을 미치며 인간의 성과를 저하시킨다.
기존에 피부 갈바닉 반응(Galvanic Skin Response), 혈압(BP), 뇌전도(Electroencephalogram), 호흡수(Respiration Rate), 심전도(Electrocardiogram), 심박변이도(Heart Rate Variability) 등 여러 생리학적 신호가 있지만, 현재 HRV는 정신적 스트레스를 평가하기 위해 가장 많이 조사된 방법이고, HRV는 심박수만 측정하는 것보다 스트레스를 더 민감하게 측정한다.
(HRV는 RR과 밀접하게 관련있음. HRV는 ECG에서 연속 피크 사이의 간격 변화(RR)를 설명하여 시간, 주파수 및 비선형 영역에서 분석 가능, HR은 1분동안 심장박동 수를 나타내는 반면, HRV는 각 심장박동 사이의 시간 간격, 즉 RR의 간격의 변동성을 분석함 -> HRV는 HR보다 스트레스나 자율신경계의 변화를 더 민감하게 감지할 수 있음)
HRV 분석은 24시간 명목 기록(장기 HRV 분석으로 정의됨), 5분 기록(단기 HRV 분석으로 정의됨) 또는 더 짧은 기록에서 수행될 수 있고, 본 논문에서는 초단기 HRV 분석을 5분 이내의 HRV 발췌 부분에 대해 수행되는 분석으로 정의한다.
실제로 e-health 모니터링에서 기존의 5분 녹화가 적합하지 않을 수 있지만, UST HRV를 통해 개인의 스트레스 수준을 지속적이고 실시간으로 모니터링 할 수 있다. 이는 일부 상황이나 직업(외과 의사, 비행기 조종사 등)에 중요하다.
-> BUT 5분으로 줄이면서 수많은 문제가 발생했는데, UST를 사용하여 단기 HRV 특징을 추정하는데 사용되는 엄격한 방법이 부족하다는 것이다.
-> 이전 연구에서도 UST가 ST를 훌륭하게 대체할 수 있는 방법론인지 조사되지 않았고, 한 연구만 엄격한 방법으로 UST의 타당성을 조사하였는데 오로지 2개의 시간 영역 HRV 기능만 고려했다.
연구 목적
정신적 스트레스를 탐지하기 위한 UST 특징의 타당성을 평가하기 위해 엄격한 방법으로 제안하려 한다.
논문의 목적은 ST 분석에서 UST 분석으로 이동할 때 정신적 스트레스를 자동으로 감지하기 위해 HRV 기능을 어느 정도 신뢰할 수 있고, 정확한지 보여주는 것
또한, 제안된 방법은 UST HRV 분석을 사용하여 건강 관리 부작용 감지 등 다른 응용 프로그램에도 적합 가능하다.
※ 알코올, 카페인 및 차가 HRV 특성을 변경하는 것으로 나타났기 때문에 참가자들은 24시간동안 알코올 섭취를 자제하고 차와 커피 섭취량을 최대 2잔으로 제한받았다.
※ 참가자들은 심장병, 전신성 고혈압, 대사 장애 또는 HRV에 잠재적으로 영향을 줄 수 있는 기타 질병의 병력이 없어야 한다.
※ 참가자들은 비만이 아니며, 실험 전 24시간 동안 약물, 알코올을 섭취하지 않았다.
HRV 분석
전체 R-R 간격 중 정상-정상(NN) 간격으로 분류된 비율을 NN/RR 비율로 계산했다.
이소성 박동(심장 이상 박동) 교정 방법이 적용되지 않고, 각 대상자에게 여러 R-R 구간이 있을 때, NN/RR 비율은 충분한 품질을 가진 시간 창을 식별하는 데 사용되고, 이 비율이 특정 임계값보다 낮은 시간 창은 제외된다.
-> NN/RR 비율: R-R 간격 중에서 정상적인 박동 간격(NN)이 차지하는 비율, 전체 R-R 간격 중에서 몇 퍼센트가 정상 박동 간격인지를 나타낸다.
-> 이소성 박동 교정: 심장의 비정상 박동(이소성 박동)을 교정하지 않은 상태에서, 여러 구간의 R-R 간격 데이터를 이용해 분석을 진행한다.
-> NN/RR 비율을 이용한 품질 평가: 여러 시간 창(측정 구간) 중에서 NN/RR 비율이 특정 임계값보다 낮은 구간은 품질이 낮다고 판단하고, 분석에서 제외한다. 이는 정상적인 심장 박동 간격이 너무 적은 구간은 데이터의 신뢰도가 떨어질 수 있음을 의미한다.
※ 90%의 임계값이 선택되고, 임계값보다 낮은 구간은 없기 때문에 제외하지 않았다.
※ 5분동안 NN의 중앙 부분(왼쪽)에서 UST HRV 특징을 추출함
※ NN의 가장 짧은 유의미한 길이에 대해 반복되고, 가장 짧은 NN은 서로 다른 위치에서 중복되지 않고 추출함
동일한 5분 간격의 데이터를 나중에 더 짧은 NN 간격으로 추출하여 UST HRV를 계산했다(5분 간격->3분 간격->...->30초 간격 이런 식인가봄)
첫 번째 데이터 추출은 5분 구간의 중앙(뾰족 튀어나온 부분)에서 이루어졌고, 특별한 근거없이 임의적으로 선택했다.
중앙 부분 외에도, 5분 구간 내의 다른 위치에서 NN 간격을 추출하여 적절성을 평가했다.
이러한 분석은 통계적으로 유의미하고 상관관계가 높은 가장 짧은 구간을 기준으로 했다. 즉, 데이터를 여러 구간에서 추출한 후 통계적으로 신뢰할 수 있는 짧은 구간을 찾아내 그 구간만을 사용해 분석을 반복했다.
(요약: 처음에 5분 구간의 중앙 데이터를 추출했으나, 이 선택의 임의성을 확인하기 위해 5분 구간 내의 다른 위치에서도 데이터를 추출하여 비교했고, 통계적으로 가장 유의미한 짧은 구간을 찾아 분석했다.)
여기서!
5분 구간 내의 중앙 위치와 다른 위치를 비교하는 이유는?
처음에는 중앙 부분에서 임의 데이터를 추출했지만 특별한 근거가 없기 때문에 5분 구간 내의 다른 위치도 추출하여 각 구간에서 나온 HRV 특성을 통계적으로 비교하는 것이다. 비교 과정에서 상관관계 분석 및 p-value 같은 통계적 방법을 사용할 수 있다.
중앙에서 추출한 데이터가 다른 위치에서 추출한 데이터와 유의미한 차이가 없다면 -> 중앙 선택 적절
(중앙에서 추출한 데이터나 다른 구간 데이터나 차이가 없다는 것이니까 중앙 데이터를 써도 똑같다는 의미)
다른 구간에서 더 유의미한 HRV 결과가 나온다면 -> 중앙 선택이 최적의 선택이 아님
HRV 분석은 Kubios 소프트웨어로 분석
비선형 특징은 Nonlinear Heart Rate Variability features for real-life stress detection. Case study: students under stress due to university examination(Paolo Melillo, 2011) 이 논문 참고했다는데 글 새로 파서 정리해볼게요잉
스펙트럼 분석은 FFT, AR 등 비모수적 방법으로 분류되는 방법으로 수행할 수 있다.
(FFT는 계산 비용이 저렴하지만 짧은 데이터 발췌할 땐 스펙트럼 분해능이 좋지 않고, 누출되는 등 한계가 있음, AR은 더 나은 해상도의 스펙트럼을 독립적인 구성요소로 나눌 수 있어서 더 좋음)
-> 이 논문에서 자기회귀(AR)모형을 이용하여 전력 스펙트럼으로부터 주파수 영역 특징을 추출했다.
주요 HRV 지표 설명
- MeanNN: 정상 심장 박동 간격(즉, 정상적인 R-R 간격, NN)의 평균.
- StdNN: 정상 심장 박동 간격(NN)의 표준 편차. 이는 심장 박동 간 변동성을 나타냅니다.
- MeanHR: 평균 심박수(Heart Rate), 일반적으로 1분당 심장 박동 수(bpm)로 나타냅니다.
- StdHR: 심박수의 표준 편차. 심박수가 얼마나 변동하는지를 나타냅니다.
- RMSSD: 연속적인 R-R 간격 차이의 제곱 평균 제곱근. 단기적인 HRV 변동을 나타내며, 부교감신경계 활동의 지표로 사용됩니다.
- NN50: 연속적인 R-R 간격 중, 50ms 이상 차이가 나는 두 간격의 개수. 부교감신경계 활성도를 평가하는 지표입니다.
- pNN50: NN50을 전체 R-R 간격 수로 나눈 비율. NN50과 비슷하게 부교감신경계 활동을 나타냅니다.
- LF (Low Frequency): 저주파 성분(0.04-0.15 Hz)의 파워. 교감신경과 부교감신경 활동을 모두 반영합니다.
- HF (High Frequency): 고주파 성분(0.15-0.4 Hz)의 파워. 주로 부교감신경계 활동을 반영합니다.
- LF/HF: 저주파(LF)와 고주파(HF) 파워의 비율. 자율신경계의 균형을 나타내는 지표로, 교감신경계와 부교감신경계의 상대적 활성도를 평가합니다.
- TotPow (Total Power): 전체 주파수 대역에서 HRV의 총 파워. 심박 변동의 전반적인 크기를 나타냅니다.
- SD1: Poincaré 플롯에서 단기 변동을 나타내는 지표. 부교감신경계 활동을 반영합니다.
- SD2: Poincaré 플롯에서 장기 변동을 나타내는 지표. 장기적 자율신경계 활동의 균형을 반영합니다.
- ApEn (Approximate Entropy): HRV의 복잡성을 측정하는 지표. 값이 낮을수록 규칙적이고, 높을수록 복잡합니다.
- SampEn (Sample Entropy): ApEn과 유사하지만 데이터 길이에 덜 민감한 HRV 복잡성 측정 지표.
- D2: 심박 동적계의 차원을 나타내는 지표. 시스템의 복잡성을 분석하는 비선형 지표.
- dfa1: HRV의 단기적 자기상관 특성을 측정하는 지표.
- dfa2: HRV의 장기적 자기상관 특성을 측정하는 지표.
- RPImean (Recurrence Period Density Entropy mean): 재발주기 밀도의 평균 엔트로피로, HRV의 패턴 복잡성을 나타냅니다.
- RPImax (Recurrence Period Density Entropy max): 재발주기 밀도의 최대 엔트로피.
- REC (Recurrence): HRV 시계열의 재발 패턴을 나타내는 비선형 지표.
- RPadet (Determinism): HRV 시계열에서 결정론적인 패턴의 비율을 나타냅니다.
- ShanEn (Shannon Entropy): HRV 데이터의 복잡성을 측정하는 지표로, 정보 이론적 엔트로피를 활용합니다.
- 고주파(HF): 주로 부교감신경계의 활동을 반영합니다.
- 저주파(LF): 교감신경계와 부교감신경계 모두를 반영하지만, 특히 교감신경계와 관련이 있습니다.
- LF/HF 비율: 교감신경계와 부교감신경계의 균형을 나타내는 지표로, 스트레스 수준을 평가하는 데 유용합니다.
예로 들어 5 min에서 감소했다면?
RMSSD, HF, pNN50, SD1 등의 지표가 감소하면, 이는 부교감신경계 활성이 줄어들고, 교감신경계가 더 활발해졌을 가능성이 높다. 이는 스트레스, 긴장 또는 자율신경계의 불균형을 반영할 수 있다.
LF/HF 비율이 증가했다면, 이는 교감신경계의 상대적 우위가 커졌다는 것을 의미하며, 스트레스가 높아졌거나 이완 상태가 감소할 가능성이 높다.
(HF 고주파가 부교감과 관련있으니 증가했다는 것은 부교감이 낮아지고 교감이 증가했다는 것을 의미)
복잡성 지표인 ApEn, SampEn, ShanEn 등이 감소하면, 심박수 변동의 규칙성이 커지고, 시스템의 복잡성이 줄어들어 심장 활동이 덜 유연해졌을 가능성이 있다.
따라서, 이 지표들이 5분 구간에서 감소했다면, 자율신경계가 스트레스에 반응하거나, 이완 상태에서 멀어졌을 가능성을 나타낸다.
HRV 특성은 다양한 방법으로 계산되지만, 초단기(Ultra Short) 구간에서는 충분한 데이터를 얻기 어려운 경우가 있다. 특히 스펙트럼 분석은 저주파(LF)의 하한 주파수의 파장보다 최소 10배 긴 기록에서 수행하는 것을 권장한다. 즉, 저주파 파워(LF)를 분석하려면 최소 2분 이상의 기록이 필요하다.
-> 초단기(1분 이하) 구간에서는 LF와 같은 저주파 성분을 충분히 분석하기 어렵다.
비선형 특성에 관한 연구도 부족한 상태이다. 또한, HRV의 복잡도를 나타내는 지표를 근사 엔트로피(ApEn)라고 하는데, 데이터가 3분 이하로 짧아지면 샘플 수가 충분하지 않아 ApEn 값을 신뢰할 수 없다. 데이터의 길이가 30초로 줄어들면 대부분의 비선형 특성들은 샘플이 부족해 계산할 수 없다.
-> 데이터 길이가 짧아질수록 비선형 HRV 특성 분석의 신뢰도가 떨어진다.
UST HRV와 ST HRV 일관성 평가
1. Trend Analysis(추세 분석)
HRV 특성의 중간값이 시간 구간(5분, 3분, ..., 30초)마다 증가 또는 감소하는지 평가한다.
Wilcoxon 검정의 p값이 모든 시간 구간에 0.05 미만으로 스트레스와 휴식 구간간의 차이가 통계적으로 유의미하고, UST HRV의 중간값 변화가 ST HRV의 특성과 일치하면 특정 HRV 특징이 시간 구간에서 동일한 동작을 유지한다고 할 수 있다.
2. Correlation Analysis and Bland-Altman Plots(상관관계 분석 및 Bland-Altman 플롯)
UST HRV 특성이 ST HRV 특성과 얼마나 일치하는지 평가한다.
상관계수가 높더라도 평균 또는 표준편차의 차이로 인한 편향을 고려해야 한다. -> BA 방법으로 95% 신뢰구간 계산한다.
BA 플롯에서는 5분 구간 데이터를 X축에 놓고, 5분과 UST HRV 특성간의 중간값 차이를 편향으로 계산했다.
여기서!
윌콕스 검정은 뭘까?
일표본/대응표본 T검정에서 정규성 가정이 만족되지 않을 때 사용하는 비모수 검정법
(정규성, 등분산성, 독립성 가정 중 하나라도 만족하지 못하면 비모수 검정법 사용함)
일표본/대응표본 T검정과는 달리 중앙값에 관한 결과를 얻을 수 있음
Wilcoxon의 검정 결과 해석은 p값, 효과의 방향과 크기를 해석해야 한다.
윌콕스 검정은 각 데이터의 순위를 비교하므로, 차이가 발생하는 방향과 크기도 해석의 중요한 부분이다.
만약 한 그룹의 순위가 다른 그룹보다 높다면, 두 그룹 간의 차이가 크다고 해석할 수 있다.
Bland-Altman 플롯은 뭘까?
두 그룹간의 일치도를 시각적으로 평가하는 방법이다.
상관관계 분석은 연관성만 평가하지만 BA 플롯은 두 그룹값 사이의 차이를 분석하여 일치도를 평가한다.
BA 플롯은 각 쌍의 측정값의 평균을 가로축에, 그 차이를 세로축에 표시한다.
측정값간 차이가 대부분 포함되는 95% 일치 범위를 계산하여 두 그룹 간 차이의 분포를 나타낸다.
-> 두 그룹간의 차이가 일정하게 작은지, 또는 차이가 커지는 패턴이 있는지 확인 가능
-> 주로 두 가지 측정 방법의 대체 가능성을 평가할 때 사용
-> 두 방법간에 편향이 존재하는지, 한 방법이 다른 방법보다 일관되게 더 높거나 낮은 값으 측정하는지 확인 가능, 차이가 데이터의 크기에 따라 변하는지 시각적으로 확인 가능
사용된 머신러닝 방법
1. SVM(서포트 벡터 머신): 커널 기반의 머신러닝 기법으로 선형적 또는 비선형적으로 분리 가능한 데이터 분류 가능
2. MLP(다층 퍼셉트론): 인공 신경망으로 여러 층에 걸쳐 노드(처리 요소)가 배치되어 있으며, 비선형 데이터 처리 가능
3. IBK(K-최근접 이웃): 새로운 데이터가 주어졌을 때, 훈련 데이터에서 가장 가까운 K개의 이웃으 찾아 그 주변에서 가장 많이 나타내는 클래스에 따라 라벨 할당하는 방식
4. C4.5: 결정 트리 알고리즘으로, 훈련 데이터를 기반으로 트리를 구성하며, 정보 엔트로피 개념을 사용하여 분기 결정
5. LDA(선형 판별 분석): 입력된 특징들의 선형 결합을 찾아 두 클래스를 잘 분리할 수 있는 방법 제공
이 논문에서는
MLP: learning rate(학습 속도) 0.3에서 0.9까지 조정, momentum(모멘텀) 0.2에서 1까지 조정, 훈련 데이터 수 100에서 2000까지, hidden layers(은닉층)은 1개, 각 은닉층에서 3개의 유닛 사용함
SVM: polynomial kernel(다항식 커널 함수) 사용, 커널의 degree(차수)는 1에서 5까지 조정
IBK: K값(최근접 이웃 수): 1, 3, 5로 설정
C4.5: 가지치기를 위한 신뢰도(CF)를 0.05에서 0.5까지 조정, ML(각 리프 노드의 최소 인스턴스 수)를 2에서 20까지 조정
(모든 알고리즘의 매개변수는 25명의 데이터를 포함한 폴더에서 훈련을 통해 조정됨)
모델 훈련 및 검증
Weka 플랫폼을 통해 진행됐다.
모델을 검증할 때 폴더1( 25명의 데이터를 포함한 폴더)을 이용하여 k겺 교차 검증 기법 사용했다.
(높은 정확도를 달성하고, 편향을 줄이기 위해서는 적절한 k값을 선택하는 것이 중요함. 일반적으로 각 fold에 적어도 10번의 이벤트 발생이 포함되도록 k값을 선택하는 것이 권장됨)
-> 3겹 교차 검증을 사용하여 모델을 검증했는데, 이는 데이터를 3개로 나누어 한 번에 하나의 데이터셋을 검증에 사용하고, 나머지를 훈련에 사용하는 방식이다.
이진 분류 성능 평가를 위해 민감도와 특이도를 동시에 평가하는 AUC(Area under the Curve)를 사용했다.
폴더2 (17명의 데이터)에서 ST HRV 특징을 사용해 다시 테스트를 하였다.
즉, 폴더1에서 3겹 교차 검증을 통해 모델의 성능을 평가하여 가장 높은 AUC를 갖는 모델이 최종 선택되었고, 이후 폴더2에서 ST HRV 데이터로 성능을 추가로 평가하여, 시간 척도에 따른 성능 변화를 관찰했다.
3분, 2분, 1분의 구간에서 시간 영역 HRV 특징들은 상당히 높은 상관계수를 가진다.
그러나 30초 구간에서는 StdNN, StdHR과 같은 지표들이 상관계수가 달라진다.
주파수 영역 HRV 특징들은 각 시간 척도에서 높은 상관 관계를 보였고, 휴식 상태와 스트레스 상태 모두에서 유사했다.
일반적으로 휴식 상태에서 HRV 특징들의 상관관계가 스트레스 상태일 때보다 낮았다. 이는 스트레스 상태에서 HRV의 동적 변화가 더 억제되어 나타난 결과로 보인다.
(심박 변동성이 억제된다는 것은 자율 신경계의 균형이 깨져서 심장의 활동이 정상적인 리듬에서 벗어난다는 것을 의미함)
왜 스트레스 상태에서 5분 측정과 상관계수가 더 높은가?
스트레스 상태에서는 시간이 짧아도 심박 변동성(HRV)의 패턴이 뚜렷하게 나타난다. 5분간의 HRV 데이터는 스트레스 상태에서 더 안정적으로 변동이 적은(R과 R의 거리가 짧은) 상태를 반영하기 때문에 짧은 구간에서의 HRV 데이터와 유사한 패턴을 보일 가능성이 크다.
그러나 휴식상태에서는 자율 신경계의 균형이 잡혀 있고, 심박 변동성이 크기 때문에(R과 R의 거리가 넓은) 5분 측정에서는 복잡하고 다양한 패턴을 보이지만 시간이 짧을수록 그 변동을 충분히 반영하기 어렵다.
이 논문에서 6가지 HRV 특징(MeanNN, StdNN, MeanHR, StdHR, HF, SD2)이 짧은 HRV 특징의 대체 지표로 선택되었고,
중복성 분석을 통해 최종적으로 선택된 서로 상관되지 않는 특징은 MeanNN, StdHR, HF였다.
각각의 기계 학습 방법은 세 가지 HRV 특징(MeanNN, StdHR, HF)로 folder1에서 훈련 및 검증되었다.
folder2를 사용해 ST HRV 특징을 이용해 모델을 테스트하였다.
IBK 분류기는 AUC(곡선 아래 영역)에서 99%, 민감도 88%, 특이도 100%, **정확도 94%**의 성능을 보여 가장 좋은 결과를 냈다. 따라서 이 모델이 정신적 스트레스를 자동으로 감지하는 모델로 선택되었다.
UST HRV 특징에 대한 테스트로는 folder2에서 UST HRV 특징(1분, 3분 구간)을 이용해 추가로 테스트되었다.
3분 시간 척도에서는 AUC가 97%로 가장 높은 성능을 보였다.
1분 구간에서도 좋은 성능을 유지했으며, 이후 5분 NN 데이터 시리즈에서 연속된 1분 구간으로 성능 변화를 분석했다.
-> IBK 분류기는 가장 높은 성능을 보여 최종 선택되었으며, 짧은 시간 구간(1분~3분)에서도 높은 정확도와 일관된 성능을 나타냈고, 스트레스 감지에 있어 짧은 HRV 특징들을 사용하는 것이 효과적임을 확인했다.
DISCUSSION
현재 5분 길이의 HRV 기록이 건강한 피험자에서 정신적 스트레스를 감지하기에 적절한 옵션으로 여겨지고 있다. 그러나 일상적인 웨어러블 기기들이 정신적 스트레스 수준을 즉시 평가할 수 있는 가능성에 대한 관심이 증가하면서, 5분보다 짧은 RR(HRV 특징 등) 간격의 사용에 대한 과학적 관심이 높아지고 있는 추세이다.
시간 영역 HRV 특징(MeanNN, StdNN, MeanHR, StdHR)은 5분에서 30초까지 모든 시간 척도에서 일관된 행동을 보였고, 스트레스와 휴식 상태 간에 유의미한 차이를 보였다.
주파수 영역 HRV 특징 중 HF는 1분 구간에서도 좋은 대리 지표로 확인되었으나, LF는 2분 이상이 필요하다는 결과가 도출되었다.
비선형 HRV 특징은 3분 이하에서는 유용성이 떨어지며, 고유의 동적 패턴을 충분히 반영하기 어렵다는 결과를 보였다.
1분과 3분 구간의 HRV 특징이 스트레스 감지에서 좋은 성능을 보였고, 비선형 HRV 특징의 유용성은 3분 이상의 데이터에서만 확인되었다.
-> 이 연구에서는 모든 UST HRV 특징이 ST HRV 특징의 좋은 대체 변수라는 아님을 보여준다.
-> 실제 MeanNN, StdNN, MeanHR, StdHR, HF, SD2 이 6개의 특징은 모든 길이의 데이터 조각(즉, 5분에서 1분까지)에서 일관성을 보였기 때문에 다양한 시간 범위에서 안정적인 패턴을 나타내며 신뢰할 수 있는 변수라고 할 수 있다.
-> IBK 기반의 자동 분류기는 3분 HRV 분석을 사용하여 매우 높은 성능으로 스트레스를 감지할 수 있으며, 1분 HRV 조각을 사용할 경우에도 상대적으로 좋은 성능을 보였다. 3분 조각에서는 민감도 94%, 특이도 94%, 정확도 94%를 달성했으며, 1분 조각에서는 민감도 82%, 특이도 94%, 정확도 88%를 달성했다.
논문 전문: extension://bfdogplmndidlpjfhoijckpakkdjkkil/pdf/viewer.html?file=file%3A%2F%2F%2FC%3A%2FUsers%2Fbionics%2FDownloads%2Fs12911-019-0742-y%2520.pdf