Hyperparameter Optimization Strategies for Improving DNN based Depression Risk Prediction

본 연구는 웨어러블 기기로 수집한 생체정보와 PHQ‑9 설문 데이터를 활용한 DNN 기반 우울증 위험 예측 모델의 하이퍼파라미터를 최적화해 예측 성능을 높이는 방안을 제안한다. 데이터 전처리를 통해 품질을 향상하고 클래스 불균형을 보완하였으며, 전통적인 머신러닝 모델들과 DNN의 성능을 비교했다. 실험 결과, DNN 모델이 F1-score 0.8953, ROC-AUC 0.77로 가장 우수한 성능을 보였으며, 특히 MinMaxScaler, Nadam 옵티마이저, 6개 은닉층 구조의 조합이 최적의 설정으로 확인되었다. 이는 웨어러블 생체정보에 내재한 비선형적이고 계층적인 패턴을 DNN 모델이 비교 모델보다 효과적으로 학습함을 시사한다. 본 연구는 웨어러블 데이터를 활용한 우울증 조기 선별 및 지속 모니터링 시스템 구축의 실효성을 실증적으로 제시한다.