Galaxy Watch와 같은 소비자용 웨어러블 기기의 광범위한 도입은 광용적맥파(photoplethysmography, PPG) 센서를 통해 핵심 심혈관 지표를 연속적이고 비침습적으로 측정할 수 있게 하면서 개인 건강 모니터링에 혁신을 가져왔다. 그러나 기존 데이터셋은 주로 연구용 기기에 의존하고 있어 실제 환경에서 소비자용 웨어러블의 적용 가능성을 제한한다. 이러한 공백을 해소하기 위해 본 연구는 24명의 참여자로부터 수집한 데이터셋 GalaxyPPG를 제시한다. Galaxy Watch 5와 Empatica E4로부터 손목 착용 PPG 신호를 포함하며, Polar H10로부터 가슴 착용 ECG 데이터를 함께 포함한다. 신호는 준자연적 환경에서 다양한 활동 동안 수집되었으며, 운동이나 스트레스를 유발하는 활동 하에서 소비자용 웨어러블의 감지 성능에 대한 통찰을 제공한다. 본 데이터셋은 다양한 신체 활동에서의 HR(심박수) 추적과 스트레스 탐지를 위한 HRV(심박변이도) 모니터링 등 PPG 신호의 응용을 발전시키는 것을 목적으로 한다. 또한, Samsung Galaxy Watch를 사용한 데이터 수집 및 분석을 위한 오픈소스 툴킷을 제공하여 재현성을 높이고 이 툴킷을 활용한 후속 연구를 촉진한다.

스마트폰은 사용자 상호작용과 이동성 등과 같은 인간의 행동 및 맥락 데이터를 눈에 띄지 않게 포착할 수 있다. 현재까지는 스마트폰 센서 데이터가 주로 상관 분석을 통해 행동에 대한 통찰을 얻는 데 사용되어 왔다. 이 글은 잘 알려진 매칭(matching) 방법들을 검토함으로써 스마트폰 센서 데이터를 이용한 인간 행동의 인과 분석에 관한 튜토리얼을 제공한다. 매칭 방법을 활용하는 인과 추론 파이프라인의 핵심 단계들은 전화 사용과 신체활동 간의 인과 관계를 파악하는 구체적 시나리오를 통해 설명한다. 또한 스마트폰 센서 데이터를 사용하여 인간의 행동에 관한 인과 추론을 수행할 때 고려해야 할 여러 실무적 사항들이 논의된다.

디지털 치료제(DTx)의 도입과 함께, 모바일 및 웨어러블 기기를 위한 의료기기 소프트웨어(SaMD)의 개발은 최근 몇 년간 상당한 주목을 받아왔다. 무작위 임상시험과 같은 기존의 DTx 평가는 주로 DTx 제품의 유효성을 검증하는 데 초점이 맞추어져 있다. 효능을 넘어 DTx의 참여(engagement)와 행동 순응도(behavioral adherence)를 더 깊이 이해하기 위해서는, 현장 배치(field deployment) 동안 모바일 및 웨어러블 기기에서 수집되는 방대한 맥락 및 상호작용 데이터를 분석에 필요로 할 것이다. 본 연구에서는 데이터 기반 DTx 분석(data-driven DTx analytics)의 전체 흐름을 검토하여, 연구자와 실무자들이 DTx 데이터셋을 탐색하고, DTx 사용과 관련된 맥락적 패턴을 조사하며, DTx 참여와 행동 순응도 사이의 (인과적) 관계를 정립할 수 있도록 돕는다. 데이터 기반 분석의 핵심 구성요소에 대한 이러한 검토는 모바일 센서 및 상호작용 데이터셋을 분석하는 데 있어 새로운 연구 방향을 제시하며, 기존 DTx의 수용성(receptivity)을 반복적으로 향상시키는 데 기여한다.

최근 산업 및 학술 연구는 응용프로그램 인터페이스(Application Programming Interfaces, APIs)와 센서를 통해 사용자 상호작용, 맥락, 그리고 장치 시스템 데이터를 수집함으로써 스마트폰 기반의 데이터 구동 분석에 집중해 왔다. Android 운영 체제는 제3자 개발자가 이러한 모바일 사용 및 센서 데이터 수집을 할 수 있도록 다양한 APIs를 제공한다. 사용 통계 API(Usage Statistics API, US API)와 접근성 서비스 API(Accessibility Service API, AS API)는 앱 사용 데이터 수집을 위한 대표적인 Android API이며, 앱 사용 이력과 사용자 상호작용 유형과 같은 세분화된 상호작용 데이터를 수집할 수 있으므로 다양한 연구 목적에 활용된다. 또한 다른 센서 API들은 AS/US API와 함께 사용자의 맥락 및 장치 상태 데이터 수집을 돕는다. 본 검토는 AS/US APIs를 활용한 모바일 사용 및 센서 데이터 구동 연구를 연구 목적과 데이터 유형을 기준으로 범주화하여 조사한다. 이 논문에서는 조사된 연구들을 다음과 같이 분류하였다: 5개 주제와 21개 하위 주제, 그리고 4계층의 계층적 데이터 분류 구조. 이는 데이터 활용의 경향을 파악하고 연구 목적에 따른 데이터 수집에 대한 통찰을 도출할 수 있게 한다. 모바일 사용 및 센서 데이터 구동 분석 연구의 몇 가지 한계와 향후 연구 방향에 대해서도 논의되는데, 여기에는 연구에 대한 Android API 버전 변경의 영향, 개인정보 보호 및 데이터 품질 이슈, 그리고 표준화된 데이터 유형 체계로 재현성 위험을 완화하는 방안 등이 포함된다.

Galaxy Watch와 같은 소비자용 웨어러블 기기의 광범위한 도입은 광용적맥파(photoplethysmography, PPG) 센서를 통해 핵심 심혈관 지표를 연속적이고 비침습적으로 측정할 수 있게 하면서 개인 건강 모니터링에 혁신을 가져왔다. 그러나 기존 데이터셋은 주로 연구용 기기에 의존하고 있어 실제 환경에서 소비자용 웨어러블의 적용 가능성을 제한한다. 이러한 공백을 해소하기 위해 본 연구는 24명의 참여자로부터 수집한 데이터셋 GalaxyPPG를 제시한다. Galaxy Watch 5와 Empatica E4로부터 손목 착용 PPG 신호를 포함하며, Polar H10로부터 가슴 착용 ECG 데이터를 함께 포함한다. 신호는 준자연적 환경에서 다양한 활동 동안 수집되었으며, 운동이나 스트레스를 유발하는 활동 하에서 소비자용 웨어러블의 감지 성능에 대한 통찰을 제공한다. 본 데이터셋은 다양한 신체 활동에서의 HR(심박수) 추적과 스트레스 탐지를 위한 HRV(심박변이도) 모니터링 등 PPG 신호의 응용을 발전시키는 것을 목적으로 한다. 또한, Samsung Galaxy Watch를 사용한 데이터 수집 및 분석을 위한 오픈소스 툴킷을 제공하여 재현성을 높이고 이 툴킷을 활용한 후속 연구를 촉진한다.

스마트폰은 사용자 상호작용과 이동성 등과 같은 인간의 행동 및 맥락 데이터를 눈에 띄지 않게 포착할 수 있다. 현재까지는 스마트폰 센서 데이터가 주로 상관 분석을 통해 행동에 대한 통찰을 얻는 데 사용되어 왔다. 이 글은 잘 알려진 매칭(matching) 방법들을 검토함으로써 스마트폰 센서 데이터를 이용한 인간 행동의 인과 분석에 관한 튜토리얼을 제공한다. 매칭 방법을 활용하는 인과 추론 파이프라인의 핵심 단계들은 전화 사용과 신체활동 간의 인과 관계를 파악하는 구체적 시나리오를 통해 설명한다. 또한 스마트폰 센서 데이터를 사용하여 인간의 행동에 관한 인과 추론을 수행할 때 고려해야 할 여러 실무적 사항들이 논의된다.

디지털 치료제(DTx)의 도입과 함께, 모바일 및 웨어러블 기기를 위한 의료기기 소프트웨어(SaMD)의 개발은 최근 몇 년간 상당한 주목을 받아왔다. 무작위 임상시험과 같은 기존의 DTx 평가는 주로 DTx 제품의 유효성을 검증하는 데 초점이 맞추어져 있다. 효능을 넘어 DTx의 참여(engagement)와 행동 순응도(behavioral adherence)를 더 깊이 이해하기 위해서는, 현장 배치(field deployment) 동안 모바일 및 웨어러블 기기에서 수집되는 방대한 맥락 및 상호작용 데이터를 분석에 필요로 할 것이다. 본 연구에서는 데이터 기반 DTx 분석(data-driven DTx analytics)의 전체 흐름을 검토하여, 연구자와 실무자들이 DTx 데이터셋을 탐색하고, DTx 사용과 관련된 맥락적 패턴을 조사하며, DTx 참여와 행동 순응도 사이의 (인과적) 관계를 정립할 수 있도록 돕는다. 데이터 기반 분석의 핵심 구성요소에 대한 이러한 검토는 모바일 센서 및 상호작용 데이터셋을 분석하는 데 있어 새로운 연구 방향을 제시하며, 기존 DTx의 수용성(receptivity)을 반복적으로 향상시키는 데 기여한다.

최근 산업 및 학술 연구는 응용프로그램 인터페이스(Application Programming Interfaces, APIs)와 센서를 통해 사용자 상호작용, 맥락, 그리고 장치 시스템 데이터를 수집함으로써 스마트폰 기반의 데이터 구동 분석에 집중해 왔다. Android 운영 체제는 제3자 개발자가 이러한 모바일 사용 및 센서 데이터 수집을 할 수 있도록 다양한 APIs를 제공한다. 사용 통계 API(Usage Statistics API, US API)와 접근성 서비스 API(Accessibility Service API, AS API)는 앱 사용 데이터 수집을 위한 대표적인 Android API이며, 앱 사용 이력과 사용자 상호작용 유형과 같은 세분화된 상호작용 데이터를 수집할 수 있으므로 다양한 연구 목적에 활용된다. 또한 다른 센서 API들은 AS/US API와 함께 사용자의 맥락 및 장치 상태 데이터 수집을 돕는다. 본 검토는 AS/US APIs를 활용한 모바일 사용 및 센서 데이터 구동 연구를 연구 목적과 데이터 유형을 기준으로 범주화하여 조사한다. 이 논문에서는 조사된 연구들을 다음과 같이 분류하였다: 5개 주제와 21개 하위 주제, 그리고 4계층의 계층적 데이터 분류 구조. 이는 데이터 활용의 경향을 파악하고 연구 목적에 따른 데이터 수집에 대한 통찰을 도출할 수 있게 한다. 모바일 사용 및 센서 데이터 구동 분석 연구의 몇 가지 한계와 향후 연구 방향에 대해서도 논의되는데, 여기에는 연구에 대한 Android API 버전 변경의 영향, 개인정보 보호 및 데이터 품질 이슈, 그리고 표준화된 데이터 유형 체계로 재현성 위험을 완화하는 방안 등이 포함된다.

유비쿼터스 및 웨어러블 센싱, 그리고 HCI 연구의 발전은 스트레스 모니터링을 보다 대중적으로 접근 가능하게 하여 개인화된 스트레스 관리 기술의 개발을 가능하게 했다. 그러나 스트레스는 주관적이고 맥락 의존적인 경험이어서 효과적인 개입 설계를 어렵게 만든다. 선행연구는 종종 스트레스 감지 또는 개입을 개별적으로 다루며, 이러한 구성요소들이 어떻게 연결되고 실제 사용에서 어떻게 평가되는지에 대한 통합적 관점을 제공하지 못하는 경우가 많다. 이 공백을 해소하기 위해, 우리는 2,152편의 논문에 대한 체계적 문헌고찰을 수행하고, 스트레스 추적이 개입으로 이어지는 52편의 실증 연구를 선정하였다. 세 가지 스트레스 구성요소(주관적 스트레스, 정신-생리적 스트레스, 노출 스트레스)에 기반한 틀을 사용하여 스트레스에 대한 정의가 감지 지표, 개입 설계 및 시점, 그리고 평가 방법에 어떻게 영향을 미치는지 분석하였다. 그 결과 스트레스 개념화는 시스템 설계에 강하게 영향을 미침을 확인하였으며, 감지, 개입, 평가를 연결하는 개념적 틀을 제안하여 향후 사용자 중심의 스트레스 관리 기술을 안내하고자 한다.

감정노동자 집단의 대표격인 콜 에이전트(call agents)는 제한된 자율성 아래에서 감정을 관리해야 하지만, 직장 내 스트레스 감지(workplace stress sensing)는 주로 지식 노동(knowledge work)에 초점이 맞춰져 왔다. 본 연구는 감정노동의 과업-정렬(task-aligned) 순환, 즉 고객 상호작용(customer interaction, CI)과 비(非)고객 상호작용(non-customer interaction, nCI)을 교대로 수행하는 과정이 스트레스를 어떻게 형성하며, 그 양상이 데이터에서는 어떻게 나타나는지를 질문한다. 우리는 전문 콜 에이전트를 대상으로 한 한 달간의 현장(in-the-wild) 기반 형성적(formative) 혼합방법 연구를 수행하여, 구조화된 작업 로그(task logs), 환경 및 행동 신호, 통화(call)별 스트레스에 대한 자기보고(per-call stress self-reports)를 수집하였고, 이후 반구조화 인터뷰를 진행하였다. 새 센서 양식으로서 작업 로그를 주요 감지 신호로 포함하였으며, 모델링에서는 CI 경계를 존중하여 작업 관련 특성을 추출하였다. 그 결과, 단 5분 윈도잉(windowing) 접근은 멀티모달 센서를 이용한 과업-정렬 윈도잉(task-aligned windowing)과 비교 가능했으며, 작업 관련 특성(task-related features)은 모든 일반화된 모델에서 가장 중요한 요소로 간주되었다. 개인화 모델은 더 나아가 성능을 개선했고, 중요성이 다양한 데이터 출처로 이동함으로써 준비(preparation) 패턴에서의 개인차를 드러냈다. 인터뷰는 이러한 결과를 지지하면서, 핵심 모델링 과제들을 밝혀내고, 반자동화된 자기추적(semi-automated self-tracking)의 잠재적 이점을 부각하였다. 우리는 업무 패턴에 적합한 전환점(breakpoints)에서 개입 타이밍을 조정하는 데 대한 시사점과, 감정노동자를 위한 스트레스 지원을 윤리적으로 제공하는 방안에 대해 논의한다.

가족 정보학은 가족 중심의 건강 데이터를 모니터링하고 추적하기 위해 개발되어 왔으나, 가족 정보학이 가족들이 자신의 사회적 행동과 정서적 역학을 성찰하는 데 어떻게 기여할 수 있는지에 대해서는 이해의 공백이 남아 있다. 본 연구는 일상적인 가족 상호작용에서 발생하는 사회-정서 데이터를 오디오, 비디오 및 생리 센서를 사용하여 수집하고 시각화하는 시스템인 SELaD로써 이 공백을 다룬다. 17개 가족(n = 51)을 대상으로 한 준자연주의적 연구에서, 본 데이터가 성찰을 어떻게 촉진하는지 조사하였다. 연구 결과, 가족들이 공유한 역사와 양호한 의사소통에 대한 기대를 회상함으로써 대화 역학과 정서적 영향에 대한 이해를 심화하기 위해 다중양식(multimodal) 데이터에 대해 협력적으로 해석하는 과정을 우리가 ‘관계적 성찰(relational reflection)’이라고 명명하였다. 이 과정은 가족들이 교차참조하고 조정할 수 있는 다수의 출처로부터의 정서 데이터에 의해 특히 풍부해졌다. 본 연구는 SELaD를 기술 탐색(technology probe)으로 제시하고, 관계적 성찰이라는 개념을 경험적으로 정초함으로써 이를 향후 성찰적 기술을 설계하기 위한 기반으로 자리매김한다.