[Review] Short: Integrated Sensing Platform for Detecting Social Isolation and Loneliness In the Elderly Community

0. Abstract

Social isolation is an objective absence or paucity of contacts and interactions between a person and a social network. Loneliness is a subjective feeling of being alone, separated, or apart from others. These two highly correlated mental health concerns significantly increase the elderly’s risk of premature death from all causes, a risk that may rival those of smoking, obesity, and physical inactiv ity. In this work, we propose an integrated design for technology usage to tackle the aforementioned mental healthcare concerns involving the elderly community. The technology infrastructure is an Internet-of-Things (IoT) monitoring system aiming to detect social isolation and promptly predict the risk of loneliness. With our system, interventions can be developed to maintain the mental well-being of the elderly, a salient need due to the social disruptions incurred by COVID-19

 

- 노년층의 사회적 고립과 외로움은 흡연이나 비만만큼 건강에 치명적인 영향을 주는 문제임

- 이를 해결하기 위해 사물인터넷 기반 감지 시스템을 설계해 노인의 일상 데이터를 자동으로 모니터링함

- 시스템은 고립 상태를 감지하고 외로움 위험을 미리 예측할 수 있음.

- 이를 통해 외로움을 예방하고 노인의 정신건강을 유지할 개입이 가능함

 

1. Short Background

- 노년층의 사회적 고립과 고독은 심리적, 신체적 건강에 심각한 영향을 미치는 주요 문제

- 이 두 요인은 흡연 비만 운동 부족과 비슷한 수준으로 조기 사망 위험을 높이는 요인으로 알려져 있음.

- 특히 코로나 팬데믹 이후 사회적 단절이 심화되면서 노인의 고독 문제는 전 세계적으로 증가함

- 따라서 기술  기반 접근을 통해 노인의 사회적 상태를 실시간으로 감지하고 고독 위험을 조기에 예측 및 개입 시스템 개발 필요

 

2. Methods

- 노인의 외로움과 사회적 고립을 비침습적인 센서로 감지할 수 있는지를 검증

- 장기적으로 외로움을 예측하고, 조기 개입 가능성을 탐색

 

관련 연구 

- 기존 사회심리학 연구에서는 노인의 외로움과 사회적 관계를 평가하기 위해 다음 세 가지 척도를 사용함.

UCLA Loneliness Scale	개인이 느끼는 주관적 외로움 정도를 20개 문항으로 측정하는 가장 널리 쓰이는 척도	- 20–34: 낮은 외로움- 35–49: 중간 외로움- 50–64: 중등도 이상- 65–80: 매우 높은 외로움
Lubben Social Network Scale (LSNS)	사회적 관계망의 크기와 빈도를 측정 (친구·가족과의 접촉 정도)	- 0–11: 사회적 고립 위험 있음- 12–30: 고립 위험 없음
Duke Social Support Index (DSSI)	사회적 지지 수준을 평가 (가족·이웃·친구로부터 정서적 지원)	세부 점수는 연구마다 상이

- 이 연구에서는 UCLA , Lubben 척도를 함께 사용해 실제 외로움 정도를 설정하고 센서데이터가 얼마나 정확히 반영하는지 확인

- 이전 연구들에서는 다양한 센서 데이터가 외로움·고립 상태를 추정하는 데 활용되었음.

 

• GPS 센서: 외출 빈도나 이동 거리 추적
• Contact Sensor: 문, 냉장고, 욕실 사용 등 ‘활동량’ 간접 측정
• PIR 센서 (적외선 센서): 움직임 감지
• Wearable Device (웨어러블): 수면·활동·심박 측정
• Light / Gas Sensor: 조명·가스 사용량으로 환경 변화 추정
• 전력/수도 사용량 센서: 전기·물 사용량으로 일상활동 감지

- 날씨, 습도, 등등 사람의 감정과 외로움 수준에도 직접적인 영향을 미칠수 있다는 것도 언급함.

- 결국 해당 연구에서는 선행 연구들을 종합적으로 검토한 뒤 4가지 핵심 요인을 집중적으로 추적하기로 함.

 

• 이동성
• 활동 수준
• 수면의 질
• 주변 환경 

 

데이터 분석 단계

- 미국 노인 3000~4700명을 대상으로 한 전국 규모의 사회·건강 조사 데이터 NSHAP를 이용함 

- UCLA Loneliness Scale (외로움 척도)가 포함되어 있어 외로움 점수를 정답으로 사용

- 변수는 사회적 고립과 외로움에 영향을 줄 수 있는 요인들을 매개변수와 조절변수로 구분 아래와 같이 나옴.

매개변수 (10개)	체중, 혈압, 심박수, 수면질, 활동량, 이동성 등	외로움이 건강에 영향을 미치는 경로
조절변수 (4개)	나이, 성별, 사회경제 수준(SES), 인종	외로움의 영향력을 조절하는 요인

 

- 외로움 점수를 예측하기 위해 4가지 머신러닝 모델( RF, MLP, SVR, IF )을 비교함

- 데이터 전처리는 모든 변수는 0~1범위로 정규화 하였으며 10-fold cross validation을 사용함.

- 평가 지표는 다음과 같음

• EV (Explained Variance) – 모델이 변화폭을 얼마나 잘 설명하는가
• R² (결정계수) – 예측 정확도 (1에 가까울수록 좋음)
• MSE (평균제곱오차) – 예측 오차 (낮을수록 좋음)

- 결론적으로 RF 모델이 가장 높은 성능을 냈으며, 가장 중요한 변수는 수축기 혈압의 변화와 체중 변화임.

- 해당 변수를 기반으로 센서 시스템 설계 단계로 넘어갈때 참고 하였음.

 

센서 시스템 설계 단계

체중	Withings Body+	외로움과 체중 변화 감시
혈압/심박수	스마트워치 (Fitbit/Withings Move)	심혈관 상태 측정
수면 질	Withings Sleep Mat	수면 패턴 자동 감지
활동량	Tile Mate BLE Tag	이동/활동 수준 추적
환경	온습도 센서	외부 환경이 감정에 미치는 영향 파악

- 다음과 같이 센서수집 모듈을 이용해 센서 데이터를 수집함.

- 또한 우울감을 측정할수 없으니 노인들이 쉽게 쓸수 있는 태블릿 앱에 UCLA 평가 설문를 내장 시킴

- 해당 시스템 설계는 노인 친화적 설계와 전력 효율성, 개인정보 보호, 데이터 흐름을 고려하여 설계함.

 

3. Results

3-1 모델 성능 비교

- 외로움 점수를 에측하기 위해 Random Forest (RF), Multi-Layer Perceptron (MLP), Support Vector Regression (SVR), Isolation Forest (IF) 모델을 비교 분석함.

1차 (2005–06)	EV	0.9040	0.8585	0.0161	0.8188
	R²	0.9037	0.8435	0.0104	0.8137
	MSE	5.31	8.66	54.68	10.19
2차 (2010–11)	EV	0.7571	0.6458	0.0087	0.5400
	R²	0.7560	0.6251	-0.0027	0.5342
	MSE	10.57	16.42	43.77	20.24
3차 (2015–16)	EV	0.8019	0.7230	0.0303	0.6557
	R²	0.8013	0.6779	0.0179	0.6516
	MSE	9.46	15.38	46.80	16.50

 

- RF(Random Forest)가 모든 라운드에서 가장 높은 R²(>0.75) 와 낮은 MSE를 기록함.

- IF(Isolation Forest)는 예측 성능이 매우 낮아 외로움 예측에는 적합하지 않음.

- RF는 복잡한 변수 간 상호작용을 잘 포착해, 외로움 감지에 가장 적합한 모델로 평가됨.

 

 

3-2 주요 변수 중요도

- RF 모델의 변수 중요도 분석 결과, 체중(Weight)과 수축기 혈압(SBP) 변화가 외로움 점수 변화와 가장 높은 상관관계를 보임.

- 그 외에도 심박수 변화, 활동량, 수면 패턴 등이 뒤를 이음.

 

 

- 외로움은 신체적 변화(체중 혈압) 및 활동성 저하와 유의한 상관관계를 보임

- 체중 감소나 혈압 상승 등은 사회적 고립이나 정서적 단절과 관련될 수 있음.

 

3-3. 변수 안정성 분석

- Ridge Regression을 통해 각 변수의 개수 변화를 분석함.

- 결과적으로 심혈관지표는 개인간의 차이가 있지만 체중은 영향력이 낮지만 변동성이 작고 안정적임

- 즉 체중은 외로움 에측에 일관적으로 작용하는 핵심 변수로 확인됨

 

3-4 종합 해석

- RF 모델 결과를 통해, 외로움은 단순한 심리상태가 아니라 신체 생리적 변화(특히 혈압, 체중)와 밀접히 연관된 현상임이 드러남.

-

- 이 결과를 기반으로 체중계, 스마트워치, 수면센서 등의 IoT 센서 시스템 설계에 반영함

- 환경적 요인(온도, 습도, 이동성 저하)도 감정 상태에 영향을 미치므로 멀티센서 융합형 감지 시스템의 필요성이 강조됨.

 

4. Conclusion 

- 본 연구는 노인의 외로움 및 사회적 고립을 비침습적으로 IoT 센서 기반으로 감지할 수있는 가능성을 제시함.

- NSHAP를 분석한 결과 체중과 수축기 혈압의 변화가 외로움 수준과 밀접한 상관을 보였음.

- 머신러닝 분석 결과 RF 모델이 가장 높은 에측 성능을 보였으며, 외로움의 에측 핵심 지표를 이용해 노인의 생활 환경 내에서 자동으로 작동하는 센서 시스템을 설계함.

- 연구는 기술 기반의 정량적 외로움 감지 모델을 제시함으로써 정신건강 관리 및 조기 개입 시스템 구축에 기여할 수 있음을 보여줌

 

5. Discussion

- 본 연구의 IoT 기반 외로움 감지 시스템은 병원, 요양시설, 독거노인 가정 등에서 비침습적이고 연속적인 모니터링 도구로 활용

- 사용된 NSHAP 데이터는 설문 기반 데이터이므로,센서 데이터와 완전히 일치하는 실시간 측정값은 포함되지 않음.

- 표본 규모가 크지만, 문화적·지역적 다양성(예: 한국·일본 등)에 대한 반영은 제한적

- 외로움은 복합적 요인(심리·환경·사회적 관계 등)에 의해 발생하므로, 단일 센서로 완전한 예측을 수행하기는 어려움