MotionAge: A Deep Learning Framework for Biological Age Prediction from Wearable Activity

Motivation

• Known: 기존 biological age 추정 연구는 epigenetic clock(Horvath, Hannum), BioAge, PhenoAge, GrimAge와 같이 clinical 및 molecular 데이터를 기반으로 하며, 최근에는 organ-specific aging clock이나 EHR/LLM 기반 접근도 등장했다. 또한 웨어러블 데이터를 활용해 chronological age를 예측하거나 unsupervised digital biomarker를 구축하는 연구도 존재한다.
• Gap: 기존 clinical 기반 biological age 지표는 비용이 크고 sparse하게 관측되어 정적인 건강 상태만 반영하며, 웨어러블 기반 접근들은 주로 chronological age 예측이나 unsupervised biomarker 구축에 그쳐 mortality risk와의 직접적 calibration 및 established benchmark와의 체계적 비교가 부족하다.
• Why: 고빈도 웨어러블 데이터로부터 mortality-calibrated biological age를 직접 학습할 수 있다면, 실시간·연속적이며 확장 가능한 노화 모니터링이 가능해져 조기 위험군 식별과 개인 맞춤형 예방·중재 전략 수립에 기여할 수 있다.
• Approach: 비정형·간헐적으로 관측되는 웨어러블 activity 시계열을 wear-aware masking과 hierarchical aggregation으로 처리하고, 이를 GRU 또는 Transformer 기반 sequence encoder에 입력하여 5년 mortality risk를 예측한 뒤, sex-specific inverse calibration으로 biological age를 산출한다.

Achievement

Figure 1. MotionAge framework. Wearable activity is aggregated into 5-minute epochs with wear-aware intensity xe, covera

1. Wear-aware 전처리 파이프라인 제안: minute-level non-wear를 Choi algorithm으로 식별하고, 5분 epoch 단위로 wear-aware activity intensity와 wearing coverage mask를 계산해 관측 신뢰도를 명시적으로 인코딩함.
2. Masked temporal pooling을 통한 강건한 표현 학습: coverage mask를 이용한 reliability-weighted pooling으로 저품질 관측 구간의 영향을 최소화하면서도 시계열의 시간적 구조를 보존함.
3. Mortality-calibrated biological age 정의: 예측된 mortality risk를 sex-specific inverse mapping을 통해 해석 가능한 age 척도로 변환하여 age acceleration 지표를 도출함.
4. NHANES 데이터 적용을 통한 실증적 개선: chronological age 및 기존 established benchmark 대비 mortality discrimination 성능이 향상됨을 확인함.

How

Figure 1. MotionAge framework. Wearable activity is aggregated into 5-minute epochs with wear-aware intensity xe, covera

• minute-level wear indicator wt를 Choi algorithm으로 산출하고 5분 epoch로 집계하여 wear-aware activity summary xe와 coverage mask me(threshold τ=0.2) 계산
• 고정 길이 window를 슬라이딩하여 participant-level sequence 구성, 전체 coverage가 낮은 window는 제외(τ=0.3 기준 언급)하되 window 내 저coverage epoch는 제거하지 않고 reliability 신호로 pooling 단계에 전달
• GRU 또는 Transformer encoder로 hidden representation h1,...,hT 생성 후 masked temporal pooling으로 coverage 가중 평균 h 산출
• 정적 covariate는 별도 MLP gϕ(s)로 인코딩하며, late-fusion(concatenation) 또는 residual fusion(zwear+zstatic) 방식으로 결합
• 최종 scalar logit을 sigmoid로 변환해 5년 mortality risk 확률 추정, class-weighted binary cross-entropy로 학습, window-level 예측을 participant-level로 평균 집계
• 학습 데이터에서 sex-specific chronological age와 mortality risk 관계를 추정하고, 이를 역함수로 이용해 MotionAge 및 age acceleration(MotionAge - chronological age) 산출

Originality

• 기존 biological age 연구가 clinical/molecular 데이터 또는 chronological age 예측에 집중한 것과 달리, 고빈도 웨어러블 activity 데이터에서 mortality risk를 직접 학습하고 이를 age scale로 calibration하는 end-to-end 프레임워크를 제안함
• non-wear 및 irregular observation을 노이즈로 취급해 제거하는 대신, 관측 신뢰도를 모델 표현의 일부로 통합하는 wear-aware masking/aggregation 전략을 고안함
• 정적 covariate와 시계열 표현을 late-fusion 또는 residual fusion으로 결합하는 유연한 아키텍처 설계

Limitation & Further Study

• Appendix에 상세 내용이 미루어져 있어 본문만으로는 hyperparameter 선택(window length, τ 값 등)의 근거와 민감도 분석이 불충분함
• NHANES accelerometer 데이터 한 코호트에만 적용되어 다른 웨어러블 기기(Fitbit, Apple Watch 등)나 인구집단에 대한 일반화 가능성 검증이 부족함
• 5년 mortality risk라는 단일 outcome에 calibration이 의존하므로, 질병별 morbidity나 기능적 쇠퇴 등 다른 aging 관련 outcome에 대한 타당성 검증이 필요함
• GRU와 Transformer 비교, late-fusion과 residual fusion 비교에 대한 정량적 ablation 결과가 발췌문에서 명확히 제시되지 않아 설계 선택의 우수성 근거가 제한적임
• 후속 연구로 종단(longitudinal) 데이터를 활용한 age acceleration의 예측 타당성 검증, 다양한 웨어러블 플랫폼 간 이식성 검증이 필요함

Evaluation

총평: 웨어러블 데이터의 관측 신뢰도를 명시적으로 모델링하여 mortality-calibrated biological age를 직접 학습한다는 아이디어는 실용적이고 시의적절하나, 단일 코호트 검증과 상세 실험 근거의 제한으로 추가 검증이 필요한 초기 단계의 연구로 판단된다.