AI·과학기술 단백질 설계 AI 2026-09-03

실제 센서 데이터 전에 합성 시계열로 무엇을 검증할 수 있을까

다중 센서 합성 시계열이 개발 시험에 필요한 이유와 충실도·다양성·유용성·개인정보 평가 기준, 실제 자료를 대신하지 못하는 한계를 설명합니다.

여러 합성 센서 파형이 충실도·다양성·유용성 평가 단계를 통과하는 비임상적 과학 개념도

실제 센서 데이터를 모으기 전에 프로그램부터 시험해야 할 때가 있습니다. 여러 기기의 시간이 맞는지, 중간에 신호가 끊기면 어떻게 보이는지, 분석 코드가 이상값을 처리하는지 확인하려면 반복해서 사용할 입력 자료가 필요합니다. 이때 합성 시계열은 실제 사람의 기록을 대신하는 증거가 아니라, 개발 과정에서 일부러 다양한 조건을 만들어 보는 시험 재료가 됩니다.

합성 시계열은 무엇인가

시계열은 시간 순서에 따라 쌓인 값입니다. 심전도처럼 짧은 간격의 파형도 있고, 하루 활동량처럼 긴 구간을 요약한 값도 있습니다. 여러 신호를 동시에 다루면 각 신호의 표본화 속도와 단위, 결측 구간까지 함께 표현해야 합니다.

합성 시계열은 실제 관측 자료의 구조나 규칙을 참고해 인공적으로 만든 값입니다. 실제 사람의 과거 기록을 그대로 복사하는 것과는 다릅니다. 잘 설계하면 결측, 잡음, 센서 분리, 사건 전후 구간처럼 개발자가 반복해서 시험하고 싶은 상황을 만들 수 있습니다. 하지만 합성 자료가 그럴듯해 보인다는 이유만으로 실제 생활에서 같은 변화가 나타난다고 말할 수는 없습니다.

한 가지 생성 방법이 항상 좋은 것은 아니다

의료 웨어러블 시계열 증강 방법을 비교한 PLOS ONE 연구는 방법을 random transformation, pattern mixing, generative model의 세 계열로 정리하고 12개 방법을 여러 데이터셋에서 비교했습니다. 비교 결과에서는 비교적 단순한 random transformation 계열이 일관된 향상을 보인 경우가 많았습니다.

여기서 중요한 점은 복잡한 생성모델이 언제나 더 좋은 답은 아니라는 것입니다. 잡음을 더하거나 시간축을 조금 변형하는 단순한 방법도 특정 과제에서는 도움이 될 수 있습니다. 반대로 원래 신호의 물리적 의미를 깨뜨리는 변형은 데이터 수만 늘리고 모델 성능을 왜곡할 수 있습니다. 어떤 방법이 적절한지는 신호 종류와 사용 목적, 비교 기준을 함께 놓고 확인해야 합니다.

여러 센서를 함께 만들 때 생기는 어려움

웨어러블 센서 합성에 관한 2025년 프리프린트는 여러 신호 사이의 일관성, 긴 시간에 걸친 변화, 조건을 지정한 생성이 주요 과제라고 설명합니다. 한 신호씩 따로 보면 자연스러워도 같은 시점의 다른 신호와 관계가 어긋날 수 있습니다. 짧은 구간에서는 비슷해 보여도 긴 흐름이 반복되거나 무너질 수도 있습니다.

이 자료는 아직 프리프린트이므로 동료평가를 마친 확정적 기준으로 다루지 않습니다. 다만 다중 센서 합성에서 무엇을 시험해야 하는지 질문을 만드는 데 유용합니다. 개별 파형의 모양만 볼 것이 아니라 신호 사이의 시간 관계, 조건 변화, 실제 자료를 대상으로 한 후속 과제 성능까지 살펴야 한다는 문제를 제기합니다.

닮음, 다양성, 유용성은 서로 다른 질문이다

TSGBench는 생성 시계열을 평가할 때 다양성, 충실도, 유용성을 구분합니다. 충실도는 합성 자료가 실제 자료의 특징과 얼마나 닮았는지 묻습니다. 다양성은 몇 가지 모양만 반복하지 않는지 살핍니다. 유용성은 합성 자료로 학습하거나 시험한 결과가 실제 과제에서 도움이 되는지를 봅니다.

하나의 점수로 세 질문을 대신할 수는 없습니다. 평균과 분포가 비슷해도 시간 순서가 어색할 수 있고, 파형이 자연스러워도 학습 자료로는 도움이 되지 않을 수 있습니다. 일부 지표만 골라 보면 특정 생성 방법이 실제보다 좋아 보일 가능성도 있습니다.

종단 데이터에는 추가 조건이 붙는다

합성 종단 환자 데이터에 관한 체계적 문헌고찰은 시간 구조, 서로 다른 변수 유형, 결측, 불균형을 핵심 과제로 정리했습니다. 검토된 39개 방법 중 이 네 가지를 모두 다룬 방법은 4개였습니다. 자료의 닮음, 분석 효용, 개인정보를 함께 평가한 연구는 소수였고 표준화된 비교 기준도 부족했습니다.

이 결과는 합성 데이터가 개인정보 문제를 자동으로 해결한다는 생각에도 경계를 줍니다. 생성 과정과 원자료의 관계, 작은 집단에서의 재식별 가능성, 실제 데이터 일부가 그대로 남는지 등을 별도로 평가해야 합니다. 실제 개인정보를 사용하지 않은 순수 시뮬레이션과 실제 자료로 학습한 생성모델도 같은 이름으로 묶어서는 안 됩니다.

다시 만들 수 있어야 비교할 수 있다

합성 자료는 결과 파일만 공개하는 것보다 생성 조건을 함께 남기는 편이 유용합니다. Google Research의 Data Cards는 데이터 출처, 수집·주석 방법, 의도된 사용, 평가 방식, 성능에 영향을 주는 결정을 구조화해 기록하도록 제안합니다.

DataDreamer는 LLM 기반 합성 데이터라는 다른 분야의 도구이지만, 실행 기록과 재현 가능한 흐름, 데이터·모델 카드를 남긴다는 점에서 참고할 만합니다. 이 사례가 센서 시계열의 품질을 보증하는 것은 아닙니다. 합성 과정을 다시 실행하고 비교할 수 있게 만드는 별도의 설계 원칙으로 읽어야 합니다.

공개 도구가 맡을 수 있는 역할

multisensor_synap 저장소는 다중 센서 합성 데이터 개발 스토리의 출발점입니다. 공개 도구의 가치는 실제 아동이나 사용자의 자료 없이도 시간 정렬, 결측, 잡음, 분석 흐름을 반복 시험할 수 있게 하는 데 있습니다. 구체적인 기능과 실행 결과는 글을 갱신할 때마다 확인된 버전에 맞춰 설명해야 합니다.

합성 자료로 코드 오류를 찾고 분석 절차를 비교할 수는 있습니다. 그러나 실제 환경에서 센서가 얼마나 정확한지, 특정 행동과 신호가 어떤 관계인지, 모델이 사람에게 유효한 판단을 내리는지는 별도의 실제 자료와 연구 설계가 필요합니다. 합성 데이터는 그 검증을 대신하지 않습니다.

이 글은 다중 센서 합성 시계열을 개발 시험에 사용하는 이유와 평가 기준을 설명합니다. 합성 신호를 실제 사람의 생리 상태로 해석하거나 진단·예측 근거로 사용하지 않습니다.