2024년, 대학교 4학년 때 진행했던 세미 프로젝트..! 

이걸로 대학 데이터 분석 경진대회 대상을 받았다 ㅎ

전공자들 사이에서 유일한 비전공자로 대상..! 뿌듯하긴 했지만 지금 이 결과물을 보았을때는... 참 창피하다..!

그래도 기록용으로 업로드!

📌 프로젝트 개요

• 진행 기간: 2024년 7월 ~ 2024년 8월
• 프로젝트 목적:
  KONEX 시장은 중소기업을 지원하는 제3시장으로 출범했지만, 낮은 유동성과 빠른 상장폐지율 등의 문제가 존재합니다.
  본 프로젝트에서는 KONEX 상장기업의 코스닥 이전상장 및 상장폐지를 예측하는 머신러닝 모델을 개발하여
  시장 안정성과 기업 성장 가능성을 평가하고, 투자 리스크를 줄이는 것을 목표로 합니다.

📊 데이터 준비 및 분석

🔹 (1) 사용 데이터

본 프로젝트에서는 재무 및 주가 데이터를 활용하여 KONEX 기업의 시장 동향을 분석했습니다.

• 사용 데이터 출처: 한국거래소(KRX)
• 데이터 범위: KONEX 출범(2013년 7월) ~ 2022년
• 사용한 주요 데이터 유형:
  • 📊 재무 데이터: 총매출액, 순이익, 부채비율, ROE 등
  • 📈 주가 데이터: 거래량, 시가총액, 변동성 등
  • 📌 상장폐지 데이터: KONEX 시장에서 상장폐지된 기업 목록

🔹 (2) 데이터 전처리

✅ 클래스 불균형 해결: SMOTE 방식의 오버샘플링 적용
✅ 데이터 분할: 80% 학습(Train) / 20% 테스트(Test)
✅ 결측치 처리: 재무 데이터의 누락된 값을 적절한 방식으로 보완

🔹 (3) 탐색적 데이터 분석 (EDA)

✅ 이전상장 기업 vs. 상장폐지 기업 비교

• 📈 이전상장 기업: 매출액 및 영업이익 증가, ROE 상승
• 📉 상장폐지 기업: 부채비율 200% 이상, 자본잠식 빈번

✅ 업종별 분석

• 정보통신업 및 과학기술업의 이전상장 비율이 높음
• 건설업에서는 상장폐지가 가장 많이 발생

✅ 주가 및 거래량 분석

• 이전상장 기업: 높은 거래량 유지
• 상장폐지 기업: 거래량 거의 없음, 주가 지속적 하락

🏗 모델링 방법 및 결과

🔹 (1) 머신러닝 모델링 기법

• 앙상블 학습 (Ensemble Learning)
  • CatBoost, XGBoost, RandomForest 등의 모델을 결합하여 최적의 예측 모델 생성
• 단일 모델 기반 학습
  • Decision Tree, KNN, Naïve Bayes, SVM 등 개별 모델 평가

🔹 (2) 모델 성능 비교

모델정확도 (Accuracy)FNR (오류율)

📌 결론: Ensemble Voting Model이 가장 높은 성능을 보이며, 상장폐지 기업을 예측하는 데 최적의 모델임! 🎯

🔍 결론 및 시사점

🎯 주요 변수 중요도

• ✅ 가장 중요한 변수: 평균 거래량(Avg Volume), 매출액 증가율, 부채비율
• ❌ 중요도가 낮은 변수: 평균 종가(Avg Close), 연차

🏆 프로젝트 성과

✅ KONEX 시장에서 기업의 코스닥 이전상장 및 상장폐지를 예측하는 유용한 모델을 개발
✅ 높은 정확도의 머신러닝 모델을 통해 투자 리스크를 낮추고, 기업 성장 가능성을 예측 가능

🔮 향후 연구 방향

📌 KONEX 데이터 부족 문제 해결 (추가 데이터 축적 필요)
📌 상장 시점을 고려한 시계열 분석 기법 추가
📌 다른 증권시장과의 비교 연구 진행

🔮 느낌점

- 일단 결측치가 너무 많았고, 애초에 데이터의 수가 너무 적었다. 그래서 어떤 방법으로 데이터 증강을 할지 고민했는데 결국 smote로 데이터를 증강했다. 증강하고 난 다음에는 파생변수를 어떻게 만들지에 대해서 고민이 많았다. 나는 정치외교학과이기 때문에 경제나 주식 시장 이런 것들에 문외한이었기 때문에 내 경영학과 짱친에게 커피 사주고 밥 사주며 물어가며 파생변수를 만들었던 것 같다.

그 다음 어려움은....! 너무 성능이 잘 나왔다는 것... 깨끗한 데이터들이었기도 하고 그래서 그럴 수 있겠다 싶었지만 전부 Accuracy가 90점이 넘는건... 생각하지도 못했다. 

하지만..? 포기하지 않구..ㅎ 성능을 더 잘 높일 수 있는 방법? 하면서 연계전공 수업시간에서 배운 머신러닝 앙상블을 떠올려서 그 기법을 적용했다. 결론은 앙상블 모델이 성능이 더 잘 나왔다는 것. 

대학원 입학 전 학부시절 치고는 나쁘지 않았던 것 같다. ㅎ

이건 내가 학부 시절 데이터분석에 관심이 있었을 때 잠깐 끄적여본거다. 그냥 추억겸... 예전의 내가 얼마나 허접했는지(?) 기억하기 위해서 새로 만든 이 블로그에 업로드 해보았다 ㅎㅎ

📊 서울시 신용카드 사용 추이와 사회적 요소의 연관성 분석

📌 프로젝트 개요

• 진행 기간: 2023년 8월 
• 사용 데이터: 2023년 당시 공공데이터포털에서 수집한 데이터
• 연구 목적: 서울시의 신용카드 사용 추이와 사회적 요소(지역, 성별, 연령) 간의 관계를 분석하여 가설을 검증

1️⃣ 연구 배경 및 목표

🏦 연구 배경

• 신용카드 사용량 증가와 경제 성장에 따른 사회적 변화의 연관성에 대한 궁금증
• 신용카드 사용 데이터가 소비 패턴을 설명하는 주요 지표가 될 수 있음

🎯 연구 목표

• 카드 사용량을 소비 패턴의 주요 지표로 간주하여 서울시 지역별 소비량 추이를 분석
• 여성의 경제적 지위 변화가 카드 사용 추이에 미치는 영향을 검증

2️⃣ 연구 가설

🏙️ 가설 1: 서울시 지역구별 카드 이용 건수 및 비용

🔹 가설 1-1: 카드 이용 건수가 가장 많은 지역구는 강남구일 것이다.

🔹 가설 1-2: 카드 이용 건수가 많은 지역구(강남구)의 카드 이용 건수와 비용은 비례할 것이다.

👩‍💼 가설 2: 카드 이용과 여성 경제권의 관계

🔹 가설 2-1: 여성 인구가 많은 지역구에서 미용 관련 비용이 높을 것이다.

🔹 가설 2-2: 연령이 증가할수록 경제적 주도권을 가진 여성의 카드 사용 비중이 높아질 것이다.

3️⃣ 가설 검증 및 분석 결과

📌 가설 1-1: 카드 이용 건수가 가장 많은 지역구는 강남구일 것이다. ❌ (기각)

• 결과: 카드 이용 건수가 가장 많은 지역은 마포구로 나타남
• 강남구는 카드 이용 건수 기준 5위(320건)를 기록
• ➡️ 카드 이용 건수가 가장 많은 지역구는 강남구라는 가설은 기각됨

📌 가설 1-2: 카드 이용 건수가 많은 지역구는 강남구이며, 카드 이용 건수와 비용이 비례할 것이다. ❌ (기각)

• 결과:
  • 강남구와 마포구의 카드 이용 금액이 다른 지역보다 높음
  • 그러나 카드 이용 건수와 이용 비용은 반비례 관계를 보임

• ➡️ 카드 이용 건수와 비용이 비례한다는 가설은 기각됨

📌 가설 2-1: 여성 인구가 많은 지역구의 미용 비용이 높을 것이다. ❌ (기각)

• 결과:
  • 여성 비율이 높은 지역: 구로구, 서초구
  • 미용 관련 지출이 많은 지역: 용산구, 은평구

• ➡️ 여성 비율과 미용 관련 지출 사이에 유의미한 상관관계가 없음

📌 가설 2-2: 연령이 증가할수록 경제적 주도권은 여성이 가질 것이다. 🟡 (보류)

• 결과:
  • 30대~50대 연령층에서 여성의 카드 소비 비율이 높음
  • 그러나 전체적으로 남성의 카드 소비 금액이 더 높게 나타남
• ➡️ 여성의 경제적 주도권을 카드 소비 금액만으로 판단하기에는 한계가 있음 → 가설 보류

4️⃣ 최종 결론

• 데이터 기반 분석을 통해 설정한 가설 중 모두 기각되거나 보류됨
• 카드 이용량과 소비 패턴을 분석하는 과정에서 지역, 성별, 연령별 소비 패턴이 예상과 다르게 나타남
• 추가적인 변수와 데이터를 고려하여 보다 정교한 분석이 필요함

5️⃣ 한계점 및 향후 연구 방향

🔍 한계점

• 분석 대상이 서울시 데이터에 한정되어 있어 전국적인 소비 패턴을 반영하기 어려움
• 신용카드 데이터만 활용하여 현금, 간편결제 등 다른 지불 수단을 고려하지 않음
• 여성의 경제적 주도권을 단순히 카드 소비로만 판단하는 데 한계가 있음

🚀 향후 연구 방향

• 더 많은 변수를 고려한 다차원 분석 (예: 소득 수준, 가계 소비 패턴 등)
• 지역별 소비 트렌드와 라이프스타일에 대한 심층 조사
• 추가적인 데이터 수집을 통한 가설 보완 및 재검증

🔗 참고 자료

• 데이터 출처: 공공데이터포털

스트레스를 측정하는 방법으로 주관적 설문만이 아니라 객관적인 생리적 지표를 함께 활용할 수 있는지, 그리고 심리와 생리 반응이 어떻게 연결되는지에 대한 찾아보다 이 논문을 발견했다.
이 논문은 스트레스에 대한 심리적 반응과 생리적 반응(심박변이도) 간의 상관관계를 탐색한 연구이다.

🎯 연구 목적

• 스트레스에 대한 심리 반응과 생리 반응(HRV) 간의 상관관계 분석
• 기존 연구들이 심리-생리 반응을 개별적으로 다룬 한계를 극복
• 심리 반응 유형별로 생리적 특성이 어떻게 다른지 규명

📚 이론적 배경

스트레스의 정의

일반적 정의: 문제 해결이 어려울 때 나타나는 불안, 불쾌한 신체 반응, 심리적·생리적 긴장 상태

스트레스 개념의 3가지 관점

관점설명주요 이론가

일반 적응 증후군(GAS)

① 경고기 → ② 저항기 → ③  탈진기

경고기: 위협을 인지하면 투쟁-도피(fight or flight) 반응 발생
저항기: 스트레스 요인에 맞서 몸이 저항
탈진기: 저항이 오래 지속되면 신체가 소진

스트레스 반응 유형

반응 유형특징

선행 연구 요약

연구자주요 결과

🔬 연구 방법

참가자

• 대상: 대전시 소재 연구소 재직 성인 남녀 33명
• 평균 연령: 39.9세
• 학력: 대학원 이상
• 제외 기준: 정신과·신경과 병력, 심혈관계 질환
• 윤리: IRB 승인 (2017-1493-004)

측정 도구

1. 스트레스 반응 척도 (SRI)

도구: Koh et al. (2001)의 SRI (Stress Response Inventory)

구성: 총 39문항, 7개 요인

요인영문명정상 범위본 연구 평균

신뢰도: 전체 Cronbach α = .97 (하위 요인 .76~.91)

2. 심박변이도 (HRV) 지표

지표의미설명

스트레스 유발 자극

방법: TSST (Trier Social Stress Test) 수정 활용

절차:
1. 영어 지문 읽기 (5분)
2. 발표 (5분)

사용 지문: Heidegger (1977)의 「기술에 관한 질문」 발췌

제시 방식: 2m 떨어진 40인치 TV로 영어 지문 텍스트 제시

실험 절차

입실 및 안내 → 참여 동의
         ↓
SRI로 일상 스트레스 평가
         ↓
심전도 전극 부착 및 안정기
         ↓
기저선 측정 (Baseline, 5분)
         ↓
스트레스 자극 (영어 지문 발표)
         ↓
스트레스 경험 평가 (7점 척도)
         ↓
회복기 측정 (Recovery, 5분)

측정 장비

• 기기: Biopac MP150 + AcqKnowledge 4.3.1
• 신호: 심전도(ECG), 샘플링 250Hz

분석 방법

소프트웨어: SPSS 21.0

생리 지표 계산:

• Stress Response: 회복기 평균 - 기저선 평균
• Stress Recovery: 회복기 평균 - 스트레스 자극 시 평균

통계 분석:

• 정규분포 요인(피로): Pearson 상관분석
• 비정규분포 요인(나머지 6개): Spearman 상관분석

📊 연구 결과

스트레스 자극에 대한 심리 반응

• 스트레스 경험: 31명 (96.7%)
• 스트레스 비경험: 2명 (3.3%)
• 스트레스 강도 평균: 4.7점 / 7점 (SD=1.24)

심리 반응과 생리 반응의 상관분석

심리 요인SDNNRMSSDLF/HF ratio

핵심 발견:

• RMSSD가 가장 일관된 상관관계 보임
• 긴장, 우울, 피로, 좌절 → RMSSD와 정적 상관
• 공격성 → SDNN, RMSSD, LF/HF 모두와 정적 상관
• 신체화, 분노 → HRV와 유의한 상관 없음

결과 해석

1. 공격성 반응

• 교감 + 부교감 동시 활성화
• SDNN↑, RMSSD↑, LF/HF↑
• 주의 집중 상황과 유사한 패턴

2. 긴장, 우울, 피로, 좌절 반응

• 부교감신경 활성화 증가
• RMSSD↑
• 미주신경 중심의 부교감 활성도 증가

3. 신체화, 분노 반응

• HRV와 유의한 상관 없음
• 다른 생리적 메커니즘 관여 가능성

💡 논의

HRV 지표의 의미

지표증가의 의미감소의 의미

기존 연구와의 비교

일반적인 급성 스트레스 반응:

• LF↑, HF↓ → LF/HF↑ (교감신경 우세)

본 연구의 특이점:

• 인지 과제에서는 HF↑ (부교감 활성화) 가능
• 복합적 자율신경 반응 확인

이론적 함의

✅ 심리 반응이 생리 반응에 따라 다르게 나타남

• 공격성: 교감 + 부교감 활성 모두↑
• 긴장/우울/피로/좌절: 부교감만↑

✅ RMSSD가 감정 상태의 민감한 생리적 지표

• 다양한 심리 반응과 일관된 상관관계
• 부교감신경계 활성화 수준을 잘 반영

⚠️ 연구의 한계

1. 단일 회기 실험
   • 반복 측정 필요
   • 다양한 스트레스 자극 필요
2. 제한된 참가자
   • 33명의 특정 직업군 (연구소 재직자)
   • 일반화 가능성 제한
3. 인지 스트레스 중심
   • TSST 기반 프로토콜로 확장 필요
   • 다양한 유형의 스트레스원 필요

🎓 결론 및 제언

주요 결론

1. 심리 반응과 생리 반응은 상관관계 존재
   • 특히 RMSSD가 핵심 지표
2. 반응 유형별로 생리적 특성 다름
   • 공격성: 복합적 자율신경 활성
   • 기타: 부교감신경 중심 반응
3. 객관적 스트레스 측정 가능성
   • HRV를 활용한 생리적 스트레스 평가

향후 연구 방향

✅ 방법론적 개선

• 다양한 스트레스 자극 활용
• 반복 측정을 통한 신뢰도 향상
• 더 큰 표본 규모

✅ 측정 지표 확장

• 코티졸, EEG 등 추가 생리 지표
• 행동 관찰 데이터 통합

✅ 응용 연구

• 스트레스 관리 프로그램 개발
• 실시간 스트레스 모니터링 시스템
• 개인 맞춤형 스트레스 중재

느낀점

이 논문을 읽으면서 가장 흥미로웠던 점은 ‘공격성’이 다른 심리 반응들과 완전히 다른 생리적 패턴을 보인다는 사실이었다. 긴장, 우울, 피로, 좌절은 모두 부교감신경 활성만 증가하는 흐름이었는데, 공격성만은 교감과 부교감이 동시에 반응한다. 즉, 공격성은 단순한 부정 감정이 아니라 몸이 즉각적인 행동을 준비하는 과정이라는 의미로 읽힌다.

또 하나 인상적이었던 부분은 심리와 생리의 불일치다. 신체화나 분노처럼 스스로는 강한 스트레스를 느끼지만 정작 HRV 지표와는 유의미하게 연결되지 않는 반응들이 있었다. 이 지점이 꽤 중요하다. 결국 “내가 느끼는 스트레스”와 “몸이 실제로 반응하는 스트레스”가 서로 다를 수 있고, 그래서 설문만으로 스트레스를 판단하는 방식은 분명 한계가 있다는 논문의 주장에 설득력이 생긴다.

물론 아쉬운 부분도 있다. 일단 참여자가 33명으로 적고, 모두 연구소 재직자(30~50대, 고학력자)라는 점에서 일반화 가능성이 낮다. 그리고 스트레스 과제가 ‘영어 지문 발표’라는 단일 인지 스트레스 상황에 국한되어 있다는 점도 아쉽다. 대인 관계 스트레스나 신체적 스트레스, 감정적 충격 상황에서도 같은 패턴이 나타날지는 여전히 궁금한 부분이다.

그럼에도 이 연구는 실용적인 힌트를 많이 준다. HRV를 기반으로 실시간 스트레스 변화를 감지하는 기술 개발이 충분히 가능해 보인다. 스마트워치에서 RMSSD가 급격히 떨어지면 호흡이나 명상을 추천해주는 식의 기능도 쉽게 상상된다. 나아가 직장 환경에서 비침습적으로 스트레스 수준을 파악해 업무 조정이나 휴식 전략을 세우는 데도 응용할 수 있을 것이다.

흥미롭게도, 이전에 살펴봤던 감정노동자 연구와도 연결된다. 감정노동 연구가 타인의 감정 자극(고객의 분노)에 대한 반응을 다뤘다면, 이 연구는 인지 부담으로 인한 개인 내부의 스트레스 반응에 초점이 맞춰져 있다. 두 연구가 서로 다른 맥락을 다루지만, HRV라는 공통된 생리적 지표로 정서적 부담을 측정할 수 있다는 점은 동일하다.

마지막으로 윤리적 측면도 빼놓을 수 없다. HRV 측정이 일상화되면 개인의 감정 상태가 사실상 실시간으로 추적되는 시대가 열릴 수 있다. 이는 편리함과 동시에 감시·통제의 위험을 내포한다. 기술이 앞서가는 만큼, 데이터 활용 기준과 프라이버시 보호에 대한 사회적 장치가 반드시 필요할 것이다.

종합하면, 이 연구는 심리적 경험과 생리적 변화의 관계를 정량적으로 보여주며, 더 객관적인 스트레스 평가 체계가 가능하다는 점을 잘 보여준다. 앞으로 더 다양한 상황과 인구집단을 다룬 후속 연구가 이어진다면, HRV 뿐만 아니라 다양한 생체 지표를 활용한 스트레스 측정이 가능할 것 같다.

Reference

장은혜, 김아영, 유한영. (2018). 스트레스 심리 반응 유형에 따른 심박변이도 특성. 감성과학 (Sci. Emot. Sensib.), 21(1), 71-82. DOI: 10.14695/KJSOS.2018.21.1.71

이 논문은 불면증 및 수면장애 환자를 위한 비약물 치료법으로서 음악치료의 효과성과 AI 기술을 융합한 개인 맞춤형 치료 시스템의 가능성을 다룬 연구이다.

논문: 경희대학교 아트퓨전디자인대학원 실용음악학과 CHEN XINYUE 석사 학위 논문

현대인의 수면장애가 증가하는 상황에서, 약물에 의존하지 않고도 효과적인 치료가 가능한지, 그리고 AI 기술이 이를 어떻게 향상시킬 수 있는지에 대한 궁금증으로 이 논문을 읽게 되었다.

🎯 연구 목적

• 불면증 및 수면장애 환자 증가에 따른 비약물 치료법인 음악치료의 효과성 검증
• AI 기술을 융합하여 개인 맞춤형 치료와 실시간 피드백 제공이 가능한 시스템 발전 가능성 고찰
• 음악이 생리·심리적 경로를 통해 질병 치료에 미치는 영향 분석

💤 수면장애의 이해

수면장애의 주요 유형 (ICSD-3 기준)

유형설명

불면증의 진단 및 평가

주관적 진단

• 문진, ISI, PSQI, AIS 등 설문 활용

객관적 진단

• 수면다원검사(PSG)
• 다중 수면 잠복기 검사(MSLT)

불면증의 치료 방법

약물 치료

• 비벤조다이아제핀 (졸피뎀 등)
• 벤조다이아제핀, 멜라토닌 작용제, 항우울제, 오렉신 길항제 등

비약물 치료

• 인지행동치료(CBT-I)
• 명상(MBCT)
• 수면교육, 침술
• 음악치료 (Music therapy): 불면증 개선을 위한 심리·신체 이완 효과 입증

🎵 음악치료의 이해

음악치료의 정의

음악치료는 음악을 활용해 환자의 신체적, 정서적, 인지적 기능을 향상시키는 실증 기반의 치료이다. 미국 음악치료협회(AMTA)에 따르면, 자격을 갖춘 음악치료사가 개별 환자 맞춤 계획을 수립하여 실행한다.

음악치료의 의학적 배경

• 음악은 대뇌피질, 변연계, 자율신경계를 자극하여 긴장을 완화하고 수면 유도
• 코르티솔 저하, 심박수 감소 등 생리적 효과를 동반
• 음파 진동을 통해 뇌파, 심장박동률, 호흡주파수에 직접적인 영향

음악치료의 불면증 치료 효과

✅ 장점

• 심리적 안정감 제공
• 수면 유도 환경 조성
• 낮은 부작용, 장기적 접근 가능성
• 환자 선호 및 문화적 배경을 고려한 맞춤형 음악 처방 가능

⚠️ 주의사항

• 잔잔한 클래식, 자연 소리 등 이완 유도 음악 권장
• 헤비메탈, 격정적 음악은 불면증 환자에 비권장
• 음악은 다른 치료법과 병행 가능

📚 음악치료의 역사적 발전

시대특징

주요 음악치료 학파

• Nordoff-Robbins
• Psychodynamic
• Orff-Schulwerk
• Guided Imagery
• Developmental, Behavioral, Transactional 등

📊 음악치료의 실증적 효과

임상 연구 결과

• 성인 불면증 환자: 30일간 수면 전 음악 청취 → PSQI 개선
• 노인 환자: 자기 전 음악치료 그룹이 운동 대비 각성시간 단축
• 음악 개입 시간과 수면 질 간의 정적 상관관계 확인

작용 메커니즘

• 자율신경계 안정화와 뇌파 조절 유도
• 세로토닌 분비 촉진
• 심박수 안정, 혈압 감소
• 수면에 필요한 이완 반응 유도

음악치료의 우세

✅ 비약물적이며 비침습적

• 비용 효과성이 뛰어남
• 정서 안정, 스트레스 감소, 인지 기능 향상, 통증 완화 등 전신적 효과
• 불면증뿐만 아니라 치매, 통증, 정서장애 등 다양한 분야에 적용 가능

🤖 AI 기술과 음악치료의 융합

AI 기술 활용 방식

기술활용 방식

국내외 주요 사례

• SleepGAN (ICASSP 2022): 사용자 맞춤형 수면 유도 음악 생성 모델
• CBT-I + 음악치료 결합: 인지행동치료와 음악치료 병행 시 불면증 치료 효과 상승
• 모바일 앱 + 웨어러블 기기: 실시간 수면 모니터링과 음악 제공을 통합한 시스템 가능성

🎼 음악치료 설계 전략

개인화 치료 접근

• 사용자의 생활 패턴, 선호 음악, 수면 문제 유형에 따라 음악 추천
• AI는 대량의 사용자 데이터를 분석해 개인 최적화 모델 구축 가능

수면 유도 음악의 조건

요소권장 수치

AI 기반 음악치료 시스템 구조

사용자 상태 입력 (HRV, 설문 등)
         ↓
AI 기반 감정/수면 상태 분석
         ↓
맞춤형 음악 선택 or 생성
         ↓
실시간 청취 + 효과 피드백
         ↓
반복 학습을 통한 추천 개선

⚠️ 현재 한계 및 향후 발전 방향

한계점

1. 임상적 검증 부족
   • AI 시스템의 효과에 대한 표준화된 검증 부족
2. 데이터 품질 문제
   • 음악 감정 데이터셋의 질과 양 부족
3. 개인차 반영의 어려움
   • 개인 감성 차이로 인한 객관적 기준 설정 어려움

향후 연구 방향

✅ 단기 과제

• AI 모델 학습용 고품질 데이터셋 구축
• 감정 인식-음악 추천 연계 기술 강화

✅ 장기 과제

• 의료기기 인증 가능한 임상 시스템 개발
• AI+CBT+음악치료 융합형 플랫폼 연구 확대
• 웨어러블 기반 개인 맞춤 수면치료 시스템 실현

🎓 종합 결론

음악치료는 수면장애 및 불면증 치료에서 효율적이고 안전한 비약물 대안이다. AI 기술을 접목하면 정량화된 평가, 실시간 피드백, 개인 맞춤형 치료가 가능해진다.

향후 기술 발전과 융합 연구가 지속된다면, 웨어러블 기반 개인 맞춤 수면치료 시스템 실현이 유력하다.

느낀점

이 논문을 읽으면서 가장 인상 깊었던 점은 음악이 단순한 감상의 대상이 아니라 치료 도구로 활용될 수 있다는 과학적 근거였다. 특히 음악이 뇌파, 심박수, 호흡에 직접적인 영향을 미친다는 생리학적 메커니즘이 명확히 제시된 점이 흥미로웠다.

약물 치료의 한계를 생각해보면, 음악치료의 가치가 더욱 명확해진다. 수면제는 의존성, 내성, 부작용 등의 문제가 있지만, 음악치료는 비침습적이고 부작용이 거의 없다. 장기적으로 안전하게 사용할 수 있다는 점에서 만성 불면증 환자들에게 특히 유용할 것 같다.

AI 기술과의 융합 가능성도 매우 고무적이다. SleepGAN과 같은 딥러닝 모델이 개인 맞춤형 수면 유도 음악을 실시간으로 생성할 수 있다는 점은, 미래의 수면 관리가 완전히 개인화될 수 있음을 시사한다. 웨어러블 기기로 실시간 생체신호를 측정하고, AI가 그에 맞는 음악을 즉시 생성해준다면, 진정한 의미의 '개인 맞춤형 치료'가 가능해질 것이다.

하지만 동시에 몇 가지 우려되는 점도 있다. 첫째, 음악의 효과는 개인의 문화적 배경, 음악적 선호도, 심리 상태에 따라 크게 달라질 수 있는데, 이를 어떻게 표준화하고 객관화할 것인가? 둘째, AI가 생성한 음악이 과연 인간 작곡가나 치료사가 만든 음악만큼의 '감성'과 '치유력'을 가질 수 있을까?

특히 논문에서 지적한 데이터셋의 질과 양 부족 문제는 심각해 보인다. AI 모델의 성능은 학습 데이터에 크게 의존하는데, 감정과 음악의 관계를 정확히 라벨링한 고품질 데이터를 대량으로 구축하는 것은 쉽지 않을 것이다. 또한 임상적 효과를 검증하기 위한 표준화된 프로토콜이 아직 부족하다는 점도 실용화의 큰 장벽이다.

그럼에도 불구하고 이 연구가 제시하는 융합적 접근은 매우 의미 있다고 생각한다. CBT-I(인지행동치료) + 음악치료 + AI 기술의 결합은 단일 치료법의 한계를 넘어 시너지 효과를 낼 수 있다. 특히 COVID-19 이후 원격의료와 디지털 헬스케어의 중요성이 커진 상황에서, 모바일 앱과 웨어러블 기반의 음악치료 시스템은 접근성과 편의성 측면에서 큰 강점을 가질 것이다.

마지막으로, 이 논문을 통해 기술과 예술의 융합이 얼마나 강력한 치료 도구가 될 수 있는지 다시 한번 깨달았다. 음악은 수천 년 동안 인류와 함께해온 예술이고, AI는 21세기의 첨단 기술이다. 이 둘이 만나 인간의 건강과 웰빙을 증진시킬 수 있다면, 그것이야말로 진정한 의미의 '기술의 인간화'가 아닐까?

앞으로 더 많은 임상 연구와 기술 개발이 이루어져, 불면증으로 고통받는 수많은 사람들이 약물 없이도 편안한 수면을 취할 수 있는 날이 오기를 기대한다. 🌙✨

Reference

인공지능 기반 음악치료를 통한 수면장애 및 불면증 치료 현황과 발전 방향 연구(2023). CHEN XINYUE. 경희대학교 아트퓨전디자인대학원 실용음악학과 석사 학위 논문.

이 논문은 인공지능이 음악치료 분야에 어떻게 통합될 수 있는지, 그리고 이를 통해 개인 맞춤형 치료와 확장 가능한 영향력을 어떻게 실현할 수 있는지를 다루었다.

논문: ARTIFICIAL INTELLIGENCE IN MUSIC THERAPY: A NEW ERA OF PERSONALIZED CARE AND SCALABLE IMPACTS (2025)

저자: Petra Kern, PhD, MT-BC, MTA, DMtG (Music Therapy Consulting)

음악치료가 전통적인 임상 현장에서 어떻게 기술과 융합할 수 있을지, 그리고 AI가 치료사를 대체하는 것이 아니라 어떻게 협력자가 될 수 있는지에 대한 궁금증으로 이 논문을 읽게 되었다.

🎯 핵심 메시지

AI는 단순한 도구를 넘어 창의적 협력자로 진화하고 있으며, 음악치료 분야에서 개인 맞춤형 치료와 확장 가능한 영향력을 실현할 수 있는 핵심 기술이다. 다만 윤리적 기준과 인간 중심 접근을 견지하는 것이 필수적이다.

🤖 AI의 진화와 의료 분야 활용

AI의 창조적 능력

• 음악 작곡, 시 창작, 개인 맞춤형 학습 조정 가능
• 생성형 AI(ChatGPT 등): 데이터 기반 텍스트 생성, 창의적 협력자로 진화
• 자율 AI: 스스로 학습하고 작동하는 차세대 AI
  

  

의료 분야에서의 AI 활용

분야활용 내용

AI 활용의 이점

✅ 정확성 및 효율성 향상

• 임상의 의사결정 지원
• 환자 참여도 및 치료 결과 향상

✅ 접근성 확대

• 소외 계층에 대한 의료 서비스 접근성 개선
• 원격 진료 및 모니터링

⚠️ 윤리적 고려사항

• 데이터 프라이버시 보호
• 알고리즘 편향 문제
• 과도한 의존 방지
• 임상적 한계 인식

🎵 음악치료에서의 AI 활용

현재 상황

음악치료 분야에서 AI 활용은 아직 초기 단계이지만, 다음과 같은 잠재력을 지니고 있다:

• 접근성 향상
• 포용적 치료 환경 조성
• 개인 맞춤형 개입 가능
• 창의성과 치료 참여도 증진

생성형 AI의 활용 사례

활용 영역구체적 예시

📊 음악치료 실무에 AI 통합하기

치료 과정별 AI 도구 활용

도구 유형계획 (Planning)실행 (Implementing)평가 (Evaluating)

연구 사례

1. ChatGPT 활용 사례
   • 노래 가사 창작, 이야기 생성, 개인화된 플레이리스트 제공
2. Stegemann 등의 연구
   • AI가 행정업무 자동화, 클라이언트 반응 분석에 효과적
3. Sun 등의 연구
   • 치료사와의 공동 설계를 통해 AI 도구가 임상목표에 더 부합

💡 사례 연구: AI 기반 e북 'Pippin the Piano'

프로젝트 개요

활용 AI 도구

• ChatGPT (텍스트)
• DALL-E (이미지)
• MusicGen (음악)
• Canva (디자인)

특징

• 다문화적 이야기, 이미지, 음악, 동영상이 결합된 e북
• 각 페이지별 음악중재 가이드 수록
• 추적용 문서 포함

임상 활용 목표

✅ 문해력 향상
✅ 스토리 참여 촉진
✅ 문화적 상상력 자극

현장 적용 결과

• 대상: 노스캐롤라이나 유아 통합교실
• 방식: 온라인 세션
• 참여: 5명의 아동
• 결과: 긍정적 반응 확인

🎓 AI 시대 음악치료사를 위한 핵심 역량

역량세부 내용

💼 AI 기반 음악치료의 새로운 직무

역할주요 업무가능 기관

🎓 결론

인공지능은 인간 창의성과 기술 발전의 교차점에서 음악치료의 가능성을 확대한다. 윤리적 틀과 인간 중심 접근을 견지하며 AI를 통합함으로써 치료의 질을 높이고, 새로운 시대에 걸맞은 치료사가 될 수 있다.

핵심 원칙

• AI는 치료사를 대체하는 것이 아니라 보완하는 도구
• 인간 중심 가치 유지
• 윤리적 기준 준수
• 지속적인 학습과 발전

느낀점

이 논문을 읽으면서 가장 인상 깊었던 점은 AI를 "창의적 협력자"로 정의한 관점이다. 많은 사람들이 AI를 두려워하거나 일자리를 빼앗아갈 경쟁자로 보는 반면, 이 논문은 AI를 치료사의 역량을 확장시키는 파트너로 제시한다. 특히 음악치료라는 인간의 감성과 공감이 핵심인 분야에서 이런 접근은 매우 의미 있다고 생각한다.

'Pippin the Piano' 프로젝트는 AI 활용의 실제 가능성을 보여주는 훌륭한 사례였다. ChatGPT로 스토리를 만들고, DALL-E로 이미지를 생성하며, MusicGen으로 음악을 작곡하여 하나의 통합된 치료 도구를 만들어낸 것은, 과거에는 상상하기 어려웠던 창작 방식이다. 이제 치료사는 프로그래머나 디자이너, 작곡가가 아니어도 이 모든 것을 혼자 할 수 있다는 점이 놀랍다.

하지만 동시에 윤리적 우려도 무시할 수 없다. 논문에서도 지적했듯이 데이터 프라이버시, 알고리즘 편향, 과도한 의존 등의 문제는 음악치료 분야에서도 마찬가지로 중요하다. 특히 취약한 환자군(아동, 장애인, 정신질환자 등)을 대상으로 할 때, AI가 생성한 콘텐츠나 추천이 부적절하거나 해로울 수 있다는 점은 항상 염두에 두어야 한다.

새로운 직무 기회에 대한 제시도 흥미로웠다. 원격 음악치료사, 기술 컨설턴트, 디지털 치료 연구자 등 AI 시대에 맞는 새로운 역할들이 생겨나고 있다는 것은, 음악치료사들이 단순히 기술에 적응하는 것을 넘어 능동적으로 기술을 활용하고 주도할 수 있음을 의미한다. 이는 전문직으로서의 음악치료의 외연을 확장하는 긍정적인 변화다.

개인적으로 가장 공감했던 부분은 "8가지 핵심 역량"이다. 디지털 리터러시, 데이터 해석 능력, 윤리적 판단력 등은 이제 음악치료사에게 선택이 아닌 필수 역량이 되었다. 음악치료 교육 과정도 이러한 변화를 반영해 AI 관련 교육을 포함해야 할 것이다. 단순히 기술을 사용하는 법을 배우는 것이 아니라, 그 기술이 왜 필요한지, 언제 사용해야 하고 언제 사용하지 말아야 하는지에 대한 비판적 사고력이 중요하다.

한 가지 우려되는 점은 기술 격차(digital divide) 문제다. AI 도구와 웨어러블 기기를 활용한 첨단 음악치료는 경제적·기술적 여건이 되는 환자들에게만 혜택이 돌아갈 수 있다. 이는 오히려 의료 불평등을 심화시킬 위험이 있다. 따라서 AI 음악치료의 발전과 함께 접근성 확보를 위한 정책적 노력도 병행되어야 한다.

결론적으로, 이 논문은 AI가 음악치료의 미래를 어떻게 변화시킬 수 있는지에 대한 낙관적이면서도 현실적인 전망을 제시한다. AI는 분명 강력한 도구지만, 결국 치료의 핵심은 인간 치료사와 환자 사이의 관계다. 기술은 그 관계를 더 풍요롭게 만드는 수단일 뿐, 그 자체가 목적이 되어서는 안 된다.

앞으로 음악치료사들이 AI를 현명하게 활용하여, 더 많은 사람들에게 더 나은 치료를 제공할 수 있기를 기대한다. 그리고 그 과정에서 인간의 따뜻함과 공감, 창의성이라는 본질적 가치를 잃지 않기를 바란다.

Reference

Petra Kern, PhD, MT-BC, MTA, DMtG. (2025). ARTIFICIAL INTELLIGENCE IN MUSIC THERAPY: A NEW ERA OF PERSONALIZED CARE AND SCALABLE IMPACTS. Music Therapy Consulting.