수면의 건축(architecture)에 대한 정확한 평가는 수면장애를 진단하고 관리하는 데 핵심적이며, 이는 전 세계적 건강과 웰빙에 중대한 영향을 미친다. 다원수면검사(polysomnography, PSG)는 임상적 표준(gold standard)으로 남아 있으나, 내재된 침습성, 높은 비용, 그리고 운영상의 복잡성으로 인해 일상적 또는 가정 기반 모니터링에서의 활용이 제한된다. 최근의 발전에 따르면 호흡수 및 주기 규칙성(cycle regularity)과 같은 호흡 역학(respiratory dynamics)의 미세한 변동은 서로 다른 수면 단계와 의미 있는 상관관계를 보이며, 유용한 비침습성 바이오마커로 기능할 수 있다. 본 연구에서는 단일 수면 에피소드 동안 수집된 호흡 음성(respiratory audio)을 기반으로 수면 단계 분포를 추정하는 프레임워크를 제안하며, 구체적으로 Wake(각성), Light(N1+N2), Deep(N3), REM에 대한 분포를 산출한다. 제안된 프레임워크는 세 가지 주요 구성요소로 이루어진다: (1) 미세 조정된 Transformer 기반 아키텍처를 사용하여 호흡 음성에서 서로 다른 호흡 주기를 식별하는 분할(segmentation) 모듈, (2) 분할된 호흡 패턴으로부터 통계적, 스펙트럼적, 분포적(distributional) 기술자(descriptors)로 이루어진 일련의 특징을 도출하는 특징 추출(feature extraction) 모듈, (3) 각 수면 단계에 소요된 시간 비율(proportion)을 예측하는 단계별 회귀(regression) 모델이다. 공공 PSG-Audio 데이터셋(287명; 1인당 평균 5.3시간)에서, 피험자 단위 교차검증을 사용한 실험을 통해 본 접근법의 효과가 입증되었다. 분할 모델은 호흡수 및 주기 지속시간(cycle duration)을 예측하는 데 있어 RMSE와 MAE를 낮추었으며, 고전적인 신호처리 기반(baselines)과 비교해 성능이 우수하였다. 수면 단계 비율 예측의 경우, 제안 방법은 모든 단계에서 유리한 RMSE와 MAE를 보였고, TabPFN 모델이 일관되게 최상의 결과를 제공하였다. 해석 가능한 호흡 특징을 정량화하고 의도적으로 블랙박스 end-to-end 모델링을 회피함으로써, 본 시스템은 수동적 오디오를 이용한 투명하고 비접촉적(contact-free) 수면 모니터링을 지원할 수 있을 것으로 기대된다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.