깊은 잠·얕은 잠 분석에 활용되는 최신 수면 모니터링 기술

1. 다중생체신호 기반 웨어러블 모니터링 (Multimodal Sensing)

수면 상태를 분석하기 위한 가장 기본적 접근은 다중 생체신호를 동시에 측정하는 방식이다. 여기에는 가속도계(accelerometer), 광혈류측정기(photoplethysmography, PPG), 심전도(ECG), 호흡센서 등이 포함된다. 예컨대 손목형 기기에서는 가속도계와 PPG 센서가 기본적으로 탑재되는 경우가 많으며, 움직임 계측 + 혈관 맥파 변화 정보를 합쳐 수면 단계를 추정하는 방식이 일반적이다.
가속도계 기반 분석은 활동량 변화(움직임 없음 시 수면, 움직임 많을 시 각성 등)를 추론하는 액티그래피(actigraphy) 방식의 연장선상이며, 과거부터 장기 수면 관찰에 많이 쓰여왔다. 다만 액티그래피만으로는 깊은 잠과 얕은 잠을 구분하기 어려우며, 각성이나 조용한 깨어있음을 과잉 수면으로 오인할 가능성도 있다. 이러한 한계를 보완하기 위해 PPG나 ECG와 결합된 방식이 최근 주류가 되고 있다.
예를 들어, PPG 신호에서 얻는 심박수 변동성(Heart Rate Variability, HRV)은 수면 단계에 따라 유의미하게 달라지며, 이를 움직임 정보와 함께 분석하면 웨어러블 기기에서도 비교적 높은 정확도로 수면 단계를 구분할 수 있다는 연구가 있다.

이처럼 다중생체신호 기반 웨어러블 모니터링은 사용자 착용 편의성, 장기 관찰 가능성 등을 고려하면서도 깊은 잠·얕은 잠 구분을 위한 핵심 기반이 된다.

 

2. 단일채널 뇌파 기반 모니터링 (Wearable EEG / Single-Channel EEG)

실험실에서의 수면 분석 기준인 다중채널 뇌파(EEG), 안구운동(EOG), 근전도(EMG) 등 복합 계측을 간소화하려는 움직임이 최근 활발하다. 특히 웨어러블 EEG (wEEG) 장치를 머리 이마, 귀, 목 등에 부착해 단일 또는 소수 뇌파 채널로 깊은 잠과 얕은 잠을 구분하는 기술이 주목받고 있다.

단일채널 EEG 기반 분석의 장점은 뇌파 신호가 수면의 미세 구조, 특히 깊은 잠(N3, slow-wave sleep)에 대한 직관적 정보를 담고 있다는 점이다. 과거보다 센서 미니어처화, 전극 접촉 기술 개선, 노이즈 억제 알고리즘 등이 발전하면서 착용감과 신뢰성도 개선되고 있다.

그러나 단일채널 EEG 방식도 한계가 있다. PSG(다중채널) 대비 수면 단계 판정의 일관성 문제, 전극 접촉 오류, 착용자 움직임에 의한 아티팩트(잡음) 문제가 남아 있다. 실제로 메타분석에서는 wEEG와 PSG 간의 일치도가 중등도에서 강한 수준이라는 보고가 있으며, 특히 깊은 잠과 얕은 잠을 구분하는 능력은 장치 설계나 알고리즘에 따라 차이가 발생한다는 지적이 있다.

종합하면, 단일채널 EEG 기반 웨어러블 모니터링은 뇌파 기반 정밀도 장점을 살리면서도 착용 부담을 낮춘 미래 지향적 접근이다.

 

3. 딥러닝 기반 수면단계 분류 알고리즘 (Deep Learning Sleep Staging)

하드웨어 센서가 확보된 뒤에는 해당 센서의 데이터를 어떻게 해석할 것인가가 핵심이다. 이 영역에서 딥러닝 기반 수면단계 분류(Automatic Sleep Stage Classification, ASSC) 기술이 최근 빠르게 발전하고 있다. 
딥러닝 모델은 전통적인 방식에서 수동으로 신호 특성(feature)을 설계하던 과정을 생략하고, 원시(raw) 신호나 시간-주파수 변환된 스펙트로그램(spectrogram)을 그대로 입력받아 수면 단계를 예측할 수 있다.
예를 들어, PPG 기반만을 입력으로 받아 깊은 잠 / 얕은 잠 / REM / 각성 등을 분류하는 딥러닝 모델이 개발된 바 있다. 이 방식은 전처리 및 특성 추출 부담을 줄이면서도 상당한 정확도를 보여주고 있다. 
최근의 모델 발전 방향 중 하나는 **도메인 일반화(generalization)**을 높이는 것이다. 예컨대 SleepPPG-Net2 같은 모델은 다양한 데이터 소스 간 특성 차이를 줄이는 훈련 전략을 도입해, 개인이나 장치 차이에도 보다 안정적으로 작동하는 성능을 보였다. 
또한 연산 효율을 고려한 경량 모델 경로도 주목받고 있다. 실시간(on-the-fly) 수면 판정 알고리즘이 심박수 변화나 RR 간격 등을 이용해 실시간으로 깊은 잠 여부를 판단하는 연구도 존재하며, 스마트워치 수준의 연산 자원에서도 동작 가능한 구조가 제안되고 있다.
이처럼 딥러닝 기반 수면단계 분류 알고리즘은 센서 기술과 병행하여 깊은 잠과 얕은 잠을 보다 정확히 판별할 수 있게 하는 핵심 소프트웨어 기반 기술이다.

 

4. 비접촉 및 레이더 / Wi-Fi 기반 모니터링 (Contactless Sensing / Radar & RF)

전통적으로 센서 착용이 필요 없는 방식, 즉 비접촉 모니터링(contactless sensing) 기술도 최근 주목받는다. 이는 수면 중 사용자의 움직임이나 심장 · 호흡 신호를 전파(radio, radar), Wi-Fi 채널 상태, 초광대역(UWB) 레이더, 또는 센서 없는 침대 매트리스 센서 등을 통해 간접적으로 측정하는 방식을 말한다.
예를 들어, Wi-Fi 신호의 채널 상태 정보(Channel State Information, CSI)를 활용하여 사람의 가슴 움직임이나 호흡 변화를 추정하고, 이를 바탕으로 수면 단계 변화를 예측하는 연구가 보고된 바 있다. 
또한 초광대역 레이더(UWB radar) 기술을 이용해 신체 미세 움직임, 호흡 변동 등을 감지하고 이를 수면 상태와 연관 짓는 방식도 제안되고 있다. 신호 반사 및 위상 변화를 분석하여 깊은 잠과 얕은 잠을 구분하는 시도가 일부 연구에서 이루어지고 있다. 
비접촉 방식은 착용의 부담을 줄이고 자연스러운 수면 환경을 보존할 수 있다는 장점이 있다. 다만 신호 강도, 노이즈, 주변 환경 간섭, 프라이버시 우려 등이 기술적 과제로 남는다. 또한 현재는 가정용 보조 기술 수준이며, 임상 수준의 깊은 잠 / 얕은 잠 정확도에서는 아직 한계가 존재한다는 평가가 많다. 
향후 이러한 비접촉 기술이 더욱 정교해지고 딥러닝 분석과 결합된다면, 착용 없이도 깊은 잠과 얕은 잠의 질을 실시간으로 모니터링하는 시대가 가능할 것이다.