Global e-Business Association

Current Issue

The e-Business Studies - Vol. 17 , No. 6

[ e-Business Technology/Policy ]
The e-Business Studies - Vol. 17, No. 6, pp.157-173
Abbreviation: The e-Business Studies
ISSN: 1229-9936 (Print) 2466-1716 (Online)
Print publication date Dec 2016
Final publication date 30 Dec 2016
Received 03 Dec 2016 Revised 16 Dec 2016 Accepted 21 Dec 2016
DOI: https://doi.org/10.20462/tebs.2016.12.17.6.157

라이프스타일이 모바일 헬스 앱 소비에 미치는 영향에 관한 연구
신용재** ; 서우종***
**인하대학교 일반대학원 글로벌 e거버넌스 전공 연구교수 (yjidea@inha.ac.kr)
***인하대학교 일반대학원 글로벌 e거버넌스 전공 교수 (wjsuh@inha.ac.kr)

A Study on the Effects of Lifestyle on Health Applications
Yong Jae Shin** ; Woojong Suh***
**Research Professor, Program of Global eGovernance, Inha University (yjidea@inha.ac.kr)
***Professor, Program of Global eGovernance, Inha University (wjsuh@inha.ac.kr)
Correspondence to : *** Professor, Program of Global eGovernance, Inha University (Corresponding Author, wjsuh@inha.ac.kr)

Funding Information ▼

초록

스마트폰 등장 이래로 모바일 기술과 관련 시장은 급속도로 성장해왔다. 특히, 모바일 헬스 산업은 향후 가장 유망한 산업분야 중 하나로 주목받고 있다. 따라서 본 연구에서는 헬스 앱 소비에 소비자들의 라이프스타일이 미치는 영향을 분석하고자 하였다. 본 연구에서 사용된 라이프스타일 변수는 운동, 음주, 흡연, 음주, 비만도 지수를 비롯한 건강관련 변수들과 모바일 폰 사용시간, 대중교통 유형 등과 같은 일반적인 라이프스타일 변수들로 구성되었으며, 총 20개가 사용되었다. 분석과정은 1단계 규칙유도기법, 2단계 로지스틱 회귀분석, 3단계 인공신경망과 같이 총 3단계를 거쳐 진행되었다. 분석결과, 헬스 앱 소비에 미치는 라이프스타일 변수로는 총 6개가 유의적인 것으로 나타났고, 그것들의 중요도는 비만도 지수, 모바일 폰 사용시간, 수면시간, 몸매유지, 아침식사, 건강비용 지출의 순으로 나타났다. 또한 이러한 변수의 중요도 순위에 대한 검증예측력은 74.8%로 나타났다. 이와 같은 연구결과는 모바일 헬스 서비스 제공자가 앱 기반 서비스를 기획하거나 마케팅 전략을 수립할 때 유용하게 활용될 수 있을 것으로 기대된다.

Abstract

Since the advent of mobile phones, mobile technologies and the related service markets have been growing rapidly. In particular, the mobile health industry has recently been recognized as one of the most promising industries. Therefore, this study analyzed the influence of consumers' lifestyle on health application (briefly app) consumption. This study employs twenty lifestyle variables consisting of health related variables such as exercise, drinking, smoking, obesity index and general lifestyle variables such as mobile phone use time and public transportation type. The analysis was performed through three steps based on the following techniques: rule induction technique, logistic regression analysis, and artificial neural network. The results showed that health app consumption was significantly impacted by six lifestyle variables, whose order of importance was as follows: obesity index, mobile phone use time, sleeping time, body shape, breakfast, and health expenditure. In addition, the test predictive power of these variables was 74.8%. The results of this research are expected to be useful for mobile health service providers to design new app-based services or develop marketing strategies for their services.


Keywords: Health App, Lifestyle, Rule Induction Techniques, Logistic Regression, Neural Network
키워드: 헬스 앱, 라이프스타일, 규칙유도기법, 로지스틱 회귀분석, 인공신경망


Contests
ABSTRACT
Ⅰ. Introduction
Ⅱ. Mobile Health App & Lifestyle
Ⅲ. Analysis Methods
Ⅳ. Research Procedure and Data
Ⅴ. Research Results
Ⅵ. Conclusion
References
국문초록


Ⅰ. Introduction

스마트폰의 등장 이후 모바일 애플리케이션 시장은 급속도로 빠르게 성장해나가고 있다. 스마트폰뿐만 아니라 스마트 워치와 같은 웨어러블 기기들의 발전도 기존과 다른 새로운 서비스의 등장을 가속화시키고 있다. 이러한 맥락에서, 최근 모바일 헬스 산업은 향후 가장 유망한 산업 분야 중 하나로 예측되고 있는 가운데, 헬스관련 애플리케이션(이하, 헬스 앱)의 다운로드 수는 전 세계적으로 2012년 4,400만 건에서 2016년 1억 4,200만 건으로 급증할 것으로 예상되고 있다(Gordon et al., 2013).

이와 같은 헬스 앱 활용의 세계적인 증가 추세는 사용자의 건강상태를 정확하게 측정하고 데이터를 실시간으로 전달 및 저장할 수 있는 신기술 때문에 진료 프로세스의 혁신적인 개선이 가능해졌을 뿐만 아니라 선진화, 고령화가 심화됨에 따라 건강에 대한 사회적, 개인적 관심도가 크게 높아지고 있는 현상에서 기인한 것으로 보인다(Gordon et al., 2013). 특히, 한국의 경우, 초고령화 및 만성질환자 증가가 급속하게 진행되고 사회적 취약계층에 대한 의료서비스 개선이 강하게 요구되고 있는데, 이에 대한 효과적인 대응 수단과 관련하여 헬스 앱에 대한 관심과 기대가 더욱 커지고 있다(Park, Jong Jin et al.,2014; Cho, Jae Hee, 2014; Shin, Hyun-jeong et al., 2015).

이와 같은 헬스 앱의 중요성에 대한 인식의 증가는 사회과학적, 공학적 관점 모두에서 관련 연구들을 촉진시켜 오고 있다. 우선, 사회과학적 관점에 기반한 연구들을 살펴보면 다음과 같다. Shin, Hyun-jeong et al.(2015)은 건강 관련 애플리케이션의 현황과 개선 방안에 대한 연구를 통해, 헬스 앱의 기능이 다양한 형태로 확장되어 가고있는 상황에서, 이에 대한 분류체계를 마련하고 장애인이나 고령자들이 편리하게 사용될 수 있도록 접근성의 확보해야 한다고 주장하였다 Prak, Dong Jin et al.(2015)은 헬스 앱의 효능감과 만족도, 지속적 사용의도가 웨어러블 기기의 수용에 미치는 영향에 대해 연구하였고, Cho, Jae Hee(2014)는 헬스 앱의 지속적인 이용에 대한 인지적, 사회적 요인들에 대한 연구를 수행하였다. 이외에도 헬스 앱의 발전 방향과 지속적인 사용 및 사용자 편의성 향상, 그리고 수용의도 등에 관한 연구가 진행되어 왔다(Wang, Bo Ram et al., 2011; Kim, You Jin, 2012; Lee, Mi Yeon, 2013).

한편, 공학적 관점에 기반한 연구들을 살펴보면 다음과 같다. Park, Jong Jin et al.(2014)은 정신건강 관리용 모바일 헬스케어 앱 개발에 대한 연구를 진행하였고, Heo, Sung Uk et al.(2013)은 스마트 TV기반의 웰니스 서비스를 제공할 수 있는 건강관리시스템에 관한 연구를 진행하였다. 뿐만 아니라 Cho, Kuoung Lae et al.(2013)은 개인 건강 정보를 스마트폰으로 실시간 모니터링 할 수 있는 시스템에 대한 설계 및 구현에 대한 연구를 진행하였다. 이와 같이 공학 분야에서도 특성 건강분야나 특정 기술을 이용한 헬스케어 시스템 또는 앱에 대한 연구가 지속적으로 이루어지고 있음을 알 수 있다.

이러한 기존 연구들을 바탕으로 볼 때, 헬스 앱은 개인의 건강과 관련된 서비스로서 향후 다양한 서비스 모델로 발전될 수 있는 가능성이 매우 큰 분야이다. 하지만 그 동안 사회과학 분야에서 진행되어온 연구들은 주로 소비자 행동 기반의 연구들로서 헬스 앱 활용에 대한 효능감, 만족도, 지속사용의도 등과 같은 사용 경험에 대한 인지적 요인들에 초점을 맞추어 왔다. 따라서 이러한 연구들은 헬스 앱 기능의 확대 및 새로운 기능을 탑재한 서비스의 출시에 필요한 정보나 단서들을 제공하는 데에는 한계를 가진다. 이와 같은 한계점을 보완하기 위해서는 헬스 앱 사용자의 사용 목적과 관련된 변수들을 파악하는 것이 중요하다. 일반적으로 헬스 앱은 건강관리를 목적으로 사용되는 것이다. 이에 따라 헬스 앱 사용에 영향을 미치는 변수는 사용자의 건강에 미치는 개인적인 특성들이 고려되는 것이 바람직하다. 그런데 개인 건강에 영향을 미치는 개인적인 특성들은 라이프스타일이라는 개념을 통해 효과적으로 찾아볼 수 있다. Adler(1969)은 라이프스타일을 개인의 독특한 생활방식이라고 정의하였고, Engel et al.(1991)은 시간과 돈을 소비하는 유형이라고 설명하였다. 이와 같은 라이프스타일의 정의에 기반하여 헬스 앱 사용자의 독특한 생활방식을 파악하는 것은 사용자의 생활 전반에서 헬스 앱 사용의 목적에 부합되는 변수를 획득하여 사용자의 특성을 정의할 수 있게 한다. 또한 이러한 변수는 사용자의 목적에 부합되는 요소이므로 새로운 기능이나 서비스로 발전할 수 있는 가능성을 내재하고 있어 헬스 앱이 다양한 서비스로 확대되는 데에도 기여할 수 있을 것이다.

따라서 본 연구는 헬스 앱 사용자들의 라이프스타일 특성을 발견하는 데 그 목적을 두고 수행되었다. 이를 위해 우선 문헌연구를 통해 헬스 앱을 정의하고, 문헌연구들을 통해 라이프스타일 변수들을 파악하였다. 그리고 파악된 라이프스타일 변수들을 활용하여 규칙유도기법, 로지스틱 회귀분석 그리고 인공신경망과 같은 기법들로 구성된 연구 절차를 단계적으로 실시하였다. 이러한 과정을 거쳐, 본 연구에서는 헬스 앱 사용에 영향을 미치는 주요 변수들과 그 변수들의 중요도에 대한 분석 결과를 제시하고자 한다. 이러한 연구결과는 향후 헬스 앱의 서비스 기능 향상 및 새로운 헬스 앱 서비스 기획에 유용한 정보로 활용될 수 있을 것으로 기대한다.

본 연구의 구성은 다음과 같다. II절에서는 문헌연구를 통해 모바일 헬스 앱 및 라이프스타일과 관련된 주요 개념들을 분석한다. III절에는 본 연구의 연구 절차를 구성하고 있는 규칙유도기법, 로지스틱 회귀분석, 인공신경망 기법에 대해 설명한다. IV절에서는 연구절차 및 자료를 설명하고, V절에서는 분석결과를 제시한다. 끝으로, VI절에서는 본 연구의 시사점과 한계점에 논의한다.


Ⅱ. Mobile Health App and Lifestyle
1. Mobile Health App

모바일 헬스 앱은 모바일 기기를 이용하여 질환 및 건강을 관리할 수 있는 모바일 애플리케이션을 의미한다. 한국의 식약처의 경우에는 헬스 앱을 <Table 1>과 같이 모바일 의료용 앱과 건강관련 앱으로 구분하고 있는데, 의료기기 법 제2조를 충족하는 모바일 의료용 앱은 의료기기에 해당된다. 이러한 모바일 의료기기 앱은 다음과 같이 크게 3가지로 분류된다. 1) 의료기기를 원격으로 제어하거나 의료기기에서 측정된 데이터 등을 전송받아 표시, 저장, 분석하는 앱, 2) 모바일 플랫폼에 전극, 센서 등의 결합품을 부착 또는 추가하여 모바일 플랫폼을 의료기기로 사용하는 앱, 3) 환자 맞춤형 분석을 통해 진단하거나 치료법을 제공하는 기능을 가진 앱으로 구분된다.

<Table 1> 
Definition of Mobile Medical App and Health-Related App
Mobile Medical App Health-Related App
사용목적이 의료기기 법 제2조(정의)에 부합하는 모바일앱
<의료기기 법 제2조(정의)>
1. 질병의 진단치료경감처치 또는 예방의 목적으로 사용되는 제품
2. 상해 또는 장애의 진단・치료・경강 또는 보정의 목적으로 사용되는 제품
3. 구조 또는 기능의 검사・대체 또는 변형의 목적으로 사용되는 제품
4. 임신조절의 목적으로 사용되는 제품
건강・보건・의료・피트니스 관련 모바일 앱 중 사용목적이 의료기기법 제2조(정의)에 부합하지 않는 모바일 앱
Source: Ministry of Food and Drug Safety(2014). Mobile Healthcare App Safety Management Guidelines; Shin, Hyun-jeong et al.(2015).

한편, 모바일 의료용 앱 구분에 해당하지 않은 건강관련 앱은 다음과 같이 3가지로 분류된다. 1) 일반적인 의료정보를 제공하거나 환자 맞춤형 진단, 치료법을 제공하지 않고 자가 건강관리를 돕는 앱, 2) 환자정보관리, 전자기록시스템 등 의료기기관 업무를 자동화하여 보조하는 앱, 3) 의료인과 환자의 문진을 위한 화상지원과 같은 통신 시스템을 제공하기 위한 앱으로 구분된다.

이러한 모바일 의료용 앱과 건강관련 앱을 포함하는 헬스 앱 산업은 지속적으로 성장하고 있는 추세를 나타내고 있다. BBC Research(2014)에 따르면, 헬스 앱 시장은 매년 59.4% 성장해 2018년 215억 달러로 성장할 것으로 예상된다. [Figure 1]에서와 같이 모바일 헬스 영역 중 만성질환 관리과 건강 및 피트니스는 전체 중 60%를 차지하고 있다. 이러한 두 영역의 헬스 앱은 전문가 대상의 모바일 의료용 앱이 아닌 일반인이 사용하는 건강관련 앱이 상당 부분을 차지하고 있다. 미국의 경우 피트니스 관련 스마트폰 앱의 성장속도 역시 다른 앱의 성장 속도에 비해 87% 더 빠른 증가세를 보이고 있으며, 식이를 포함한 피트니스 관련 스마트폰 앱 사용자 수는 2013년 약 5570만명에 이르고 있다(Kantar Media, 2013).


[Figure 1] 
Classification of Healthcare App

Source: Research 2 guidance(2014) mHealth App Developer Economics.



2. Health and Lifestyle

라이프스타일은 연구 분야나 학자마다 조금씩 다른 정의를 내리고 있다. 경영학분야에서는 Lazer(1963)는 사회의 시스템적인 개념으로 특색 있는 생활양식이라 하였고, Adler(1969)는 개인이 사회생활을 할 때 개인이 선택하게 되는 독특한 방식이라 하였다. Engel et al.(1990)은 생활 혹은 시간과 돈을 소비하는 유형이라고 하면서 그것은 소비행동에 영향을 주는 중요한 인적 특성이며 개인이 문화, 사회단체, 준거집단 그리고 가족 등으로부터 영향을 받아 습득한 것이지만 구체적으로는 개인의 가치체계로 정의하였다. 또한 Reynolds et al.(1977)은 복잡하고 따양해진 소비자의 생활전체를 분석하기 위해서는 그 생활을 의생활, 식생활, 주생활 등과 같이 유형별로 나누어 보는 것이 타당하다고 주장하였고, Chaiy Seoil(1992)는 의식주 생활, 쇼핑행태, 문화생활, 성격유형규정, 사회적 가치관 등으로 나누어 라이프스타일유형을 구분하였다.

이후의 연구들은 소비대상이나 기술 등에 따라 라이프스타일을 재유형화 하거나 새로운 개념들을 도입하여 연구를 진행하였다. 이를 통해, 건강과 관련된 라이프스타일도 하나의 라이프스타 유형으로 분류되었다(Lee, Ji Young, 2005; Zins, 1998; Kim Jin Tak et al 2002). Lee, Ji Young(2005)는 건강라이프스타일은 라이프스타일 중에서 개인이 질병을 예방하고 건강을 유지하며, 건강증진에 도움이 되는 행동양식이라고 정의하였고, Zins(1998)은 호텔 선택에 영향을 미치는 라이프스탈일 연구를 위해 라이프스타일의 척도를 여가형, 업무형, 건강 및 환경형, 사회형, 폐쇄형, 가지중심형의 6가의 유형으로 구분하였다. 이 연구를 기반으로 Kim, Jin Tak et al.(2002)은 개인가치, 라이프스타일, 호텔 선택 속성 및 만족간의 관계에 관한 연구를 진행하면서 라이프스타일유형 중에서 건강지향성을 사용하면서 심신단련, 규칙적 운동, 사색적 생활, 규칙/안전 생활을 측정항목으로 제시하였다. 이러한 건강 라이프스타일은 여러 소비 분야에 밀접한 관련을 가지는 것뿐만 아니라 보건의료 분야에서도 건강 관련 소비와 이에 영향을 미치는 요인을 알아보기 위한 도구로써 중요한 요인이라고 하였다(Kang, Myung-geun, 2001).

건강 라이프스타일은 특히 의료 보건 분야에서는 질병관리위해 사용된 중요한 변수이다. 의료 보건분야에서 변수로 사용되는 건강 라이프스타일 개념은 경영학분야에서 사용해온 개념적인 변수와 달리 실제 건강 생활과 관련하여 측정된 변수들이 주를 이루고 있다. 예를 들어 Chiuve et al.(2006)은 건강식생활습관에 영향을 미치는 라이프스타일을 찾기 위해 성별, 나이, 사회경제적 지위, 교육, 운동 활동, 흡연 그리고 건강 지불의사를 이용하였다. Haug et al.(2009)는 청소년들의 비만에 미치는 영향을 분석하기 위해 아침식사소비, 운동 활동, 흡연, 음주의의 변수를 사용하였고 비만도의 측정은 신체질량질수(Body Mass Index: BMI)를 이용하였다. 또한 Stengel(2003)은 비만과 만성신장질환에 영향을 미치는 라이프스타일 요인을 획득하기 위해, 나이, 성별, 인종, 신체질량지수, 흡연, 운동 활동 등의 변수를 사용하였다. 이렇듯 의학 분야에서 사용되는 건강라이프스타일 변수는 건강에 영향을 미치는 운동, 흡연, 음주, 식사, 신체질량지수, 나이 그리고 건강의 관심 정도나 지불 의사 등으로 연구의 목적에 따라 조금씩 상이하였으나 일반적으로 건강 라이프스타일 변수가 상당수 사용되어 왔다.


Ⅲ. Analysis Methods
1. Rule Induction Technique

규칙유도기법는 노드(node)라고 불리는 마디로 구성된 하향식 나무구조이다. 여기서 마디는 그 기능에 따라 뿌리노드(root node), 자식노드(child node), 부모노드(parent node), 끝노드(terminal node), 중간노드(internal node), 그리고 가지(link)로 나눠진다. 앞서 언급된 하향식 구조는 즉, 뿌리노드로부터 시작하여 각 가지가 끝노드에 이를 때가지 자식노드를 생성해 나감으로써 완성되는 형태를 의미한다(Agrawal and Swami, 1993).

규칙유도기법에서 종속변수에 해당되는 목표변수로 설정되는 자료는 범주형과 연속형 모두 사용이 가능하며, 범주형 자료의 경우 CHAID(Chi-squared Automatic Interaction Detection), CART(Classification And Regression Trees), QUEST, C5.0가 모두가 사용될 수 있으나 목표변수가 연속형 자료일 경우 회귀나무라고도 불리는 CHAID와 CART만 사용될 수 있다(Huh, Myung Hoe and Lee, Yonggoo, 2008).

규칙유도기법의 장단점을 살펴보면, 도출된 규칙이 나무모양으로 나타나 해석이 용이하다는 장점을 가지고 있다. 또한 분석에서 사용되는 자료의 변환이 필요하지 않으며, 결측 데이터의 처리가 용이하다. 반면, 노드의 분할 선택은 관찰 값들의 절대크기가 아닌 관찰 값들의 실제 크기 순서에 따라 결정되어 모형이 데이터 변화에 민감하고 작은 데이터의 변화에도 다른 분할이 이루어지기도 한다. 연속형 변수의 경우 이를 비연속적인 값으로 취급하여 분석이 이루어지기 때문에 분리의 경계점 근방에서 오류가 일어날 가능성이 크다(Shmueli et al., 2006; Lee, Keunkno and Lee, Hongchul, 2003).

그럼에도 규칙유도기법는 주어진 자료의 규칙을 획득하여 미래의 사건을 예측하고자하는 경우, 매우 많은 수의 독립변수 중에서 종속변수에 큰 영향을 미치는 변수들을 한정짓고자 하는 경우 등과 같이 분석결과의 해석 용이성과 다양한 자료의 활용 가능성이라는 장점을 통해 다양한 분야에서 사용이 가능하다(Kim, Jinhwa et al., 2008).

2. Logistic Regression Analysis

로지스틱 회귀분석(Logistic Regression Analysis)은 종속변수가 이분형 변수(Binary variable) 일 때 사용되며, 일반적인 회귀분석에서는 정규분포는 따르는 것과 달리 이항분포를 따르게 된다. 본 연구에서 사용된 종속변수는 헬스 앱 사용여부에 대한 것으로 1과 0의 값을 갖는 이분형 자료이다. 따라서 로지스틱 회귀분석을 이용하여 분석이 가능하다(Lee, Hak-sik and Lim, Ji-hoon, 2013).

로지스틱 회귀분석에서는 본 연구의 사건(event)인 헬스 앱 사용여부가 발생하는지 안하는지를 직접 예측하는 것이 아니라, 헬스 앱 사용할 확률을 예측한다. 따라서 종속변수 값은 0과 1사이의 값을 갖게된다. 독립변수와 종속변수의 관계를 단순회귀분석과 다중회귀분석은 선형(linear)을 가정하는 데 반해, 로지스틱 회귀분석은 종속변수가 이분형의 범주형자료인 독립변수와의 관계는 비선형(nonlinear)을 보이게 된다. 이것을 선형화하여 회귀분석을 실시하기 위해 종속변수에 자연로그를 취하는 로짓변환(logit transformation)이 실시된 후 계수를 추정한다. 따라서 이 분석은 로짓분석(logit analysis)라고도 불린다(Kang, Byung Seo and Kim, Gye Soo, 2011; Lee, Hak-sik and Lim Ji-hoon, 2013).

3. Artificial Neural Network

인공신경망(artificial neural network)은 입력변수들 간 그리고 입력변수와 출력변수 간의 복잡한 관계를 파악할 수 있는 매우 유연한 방법이다. 이는 인간의 두뇌구조를 모방한 지도학습 방법으로써 여러 개의 뉴런들이 상호 연결되어 입력값에 대한 최적의 출력값을 예측한다. 반면, 선형회귀모형의 경우 독립변수에 해당하는 입력변수와 종속변수에 해당하는 출력변수 사이의 관계는 선형관계를 가정하며, 분석을 위해 입력변수는 여러 가지 다른 형태로 변환된다. 반면, 인공신경망은 분석 시 모형의 조건을 상세하게 지정할 필요가 없으며, 모형으로부터 도출되는 관계는 데이터로부터 학습을 통해 획득된다(Kang, Byung Suh and Kim, Gye Soo, 2011).

인공신경망은 입력층(input layer), 은닉층(hidden layer), 출력층(output layer)으로 총 3개의 층으로 구성되며, 일반적으로 사용되는 모형은 다층인식모형(Multiple Layer Perception: MLP)이다. 입력층은 단순히 입력값을 받아들이는 노드이며, 은닉층은 입력층으로부터 전달되는 값들의 선형결합을 비선형함수로 처리하여 출력층이나 또 다른 은닉층에 전달한다. 마지막으로 출력층은 분류모형에서는 그룹의 수만큼 출력노드가 생산된다. 이러한 단계를 거쳐 도출된 인공신경망의 최종 결과는 입력변수의 가중치를 통해 의사결정을 지원한다(Kang, Byung Suh and Kim, Gye Soo, 2011).

인공신경망의 장점은 입력변수들 사이의 비선형 조합이 가능하여 예측성과가 높으며, 노이즈가 많은 복잡하고 다양한 자료에 대해서도 해를 찾아준다. 반면, 분류와 예측결과만을 제공하여 모델의 분류가 어떻게 이루어졌는지 명확하게 설명하기 어렵다는 단점을 가지고 있다(Kao and Chiu, 2001).


Ⅳ. Research Procedure and Data
1. Research Procedure

본 연구의 목표는 헬스 앱 소비자의 라이프스타일이 헬스 앱 사용에 미치는 영향을 분석하는 것이다. 이를 위해 본 연구에서는 문헌연구를 통해 총 20개의 라이프스타일 변수들을 선정하였고, 이러한 변수들을 대상으로 규칙유도기법, 로지스틱회귀모형, 그리고 인공신경망 기법들로 구성된 절차를 통해 분석을 진행하였다(Figure 2 참조).


[Figure 2] 
Research Procedure

각각의 절차에 대한 구체적인 설명은 다음과 같다. 첫 번째 단계의 분석 방법은 데이터마이닝 기법인 규칙유도기법이다. 이 방법은 나무 형태의 결과를 제공하기 때문에 해석이 용이하며, 다수의 변수가 분석에 사용될 때 우선순위 결정에 활용할 수 있다. 하지만 예측력은 낮게 나타난다는 단점을 가지고 있다. 본 연구는 312개의 적은 수의 표본과 20개의 많은 변수들이 사용되고 있어 규칙유도기법으로부터 도출되는 규칙은 낮은 예측력과 안정성에 문제가 발생될 가능성이 크다. 따라서 1단계 규칙유도기법 분석은 많은 수의 독립변수 중에서 종속변수에 크게 영향을 미치는 변수들을 한정짓기 위한 방안으로 사용하였다. 이러한 과정을 거쳐 획득된 독립변수들을 2단계와 3단계 분석에 사용함으로써 예측력의 하락과 연구모형 검증력 과대의 오류를 최소화시키고자 하였다.

두 번째 단계인 로지스틱 회귀분석은 종속변수가 이분형 변수일 때 사용되는 방법으로서 1단계에서 획득된 변수의 유의성을 검증하는데 유용하게 사용될 수 있는 방법이다. 이 단계에서는 1단계로부터 도출된 모바일 앱 사용에 유의적인 영향을 미치는 것으로 변수들을 대상으로 이것들의 유의성을 다시 한 번 검증하기 위해 수행하였다. 그리고 마지막 3단계인 인공신경망 분석에서는 2단계에서와 마찬가지로 1단계에서 획득된 변수들을 인공신경망 분석의 입력변수로 투입하여 분석을 수행하였다. 3단계 인공신경망 분석의 결과를 통해, 1단계 규칙유도기법보다 변수에 대한 검증 예측력이 얼마나 향상되었는지도 비교할 수 있었다. 또한, 인공신경망 분석 결과에서 제공해주는 변수에 대한 가중치 정보는 확정된 변수들의 중요도를 의미하는 정보이므로, 최종적으로 확정된 변수들에 대해서 중요도를 부여할 수 있었다.

3. Data Collection

<Table 2>는 변 연구에서 사용된 라이프스타일 변수와 그에 대한 설명이다. <Table 2>에서 No.1~No.11 그리고 No. 21 만성질환은 문헌연구를 통해 획득된 건강 라이프스타일 변수이고 나머지 변수는 인구통계학적 변수 및 일반 라이프스타일 변수들이다.

<Table 2> 
Explanation of Variables
No Variable Explanation No Variable Explanation
1 흡연 하루 흡연량 11 아침식사 규칙적인 아침식사
2 하루 음주량 12 야식 일주일 야식횟수
3 몸매유지 몸매유지 관심정도 13 자가용 하루 운전시간
4 건강검진 주기적인건강검진 14 대중교통 버스, 지하철, 자전거
5 수면시간 하루 수면시간 15 모바일 폰 모바일 폰 사용 시간
6 건강비용 한 달 건강비용지출 정도 16 야근 일주일 야근 횟수
7 신체질량지수 몸무게/(키(M)^2) 17 성별 여/남
8 건강상태 본인의 건강 상태 정도 18 연령 20~60대이상
9 건강관심 건강에 대한 관심정도 19 소득 월 평균 소득
10 운동 일주일 운동 횟수 20 헬스 앱 건강관련 앱 사용여부
21 만성질환 1. 고혈압 2.당뇨 3.천식 4.심혈관질환 5.관절염 6.고지혈증 7.뇌졸중 8.우울증

본 연구에서 수집된 자료는 설문지를 이용하여 획득된 자료이며 이에 대한 특성은 <Table 3>에서 보여주고 있다. 분석에 사용된 최종 응답자는 312명으로 이중에서 헬스 앱을 사용한다고 응답한 인원은 전체의 33.7%에 해당되는 105명이었다. 또한 전체 응답자 중 남성은 153명, 여성은 158명 이었고, 연령은 50대가 29.5%로 가장 높게 나타났으며, 다음으로 높게 나타난 응답자의 연령은 20대 26% 81명, 40대 25% 78명의 순으로 나타났다. 비만정도를 나타내는 신체질량지수 평균은 0.225이고 남자는 0.239, 여자는 0.210으로 남성이 좀 더 높게 나타났으며, 만성질환자라고 답한 인원은 76명으로 전체의 24.4%였다.

<Table 3> 
Sample Characteristics
Characteristics Types/Categories Count Percentage
Number of Sample Respondents 312 100%
Health App User User 105 33.70%
Non-User 207 66.30%
Gender Male 153 49.20%
Female 158 50.80%
Age 20's 81 26.00%
30's 46 14.70%
40's 78 25.00%
50's 92 29.50%
60's 15 4.80%
BMI Average 0.225
Average(M) 0.239
Average(F) 0.21
Chronic disease Chronic disease 76 24.40%
Non-chronic disease 235 75.60%

<Table 4>는 전체 응답자 중 헬스 앱 사용자에 대한 응답 자료이다. 헬스 앱을 사용한다고 응답한 인원 중 남성은 55명, 여성은 50명이었으며, 20대가 전체 응답자 중 38.1%로 가장 많이 사용하고 있었고 다음은 40대 28.6%, 50대가 16.2%로 나타났다. 신체질량지수는 남성 평균 0.239, 여성 평균 0.226였으며, 만성질환자는 전체 중에서 21명으로 나타났다.

<Table 4> 
Characteristics of Healthcare App User
Characteristics Types/Categories Count Percentage
Gender Male 55 52.38%
Female 50 47.62%
Age 20's 40 38.10%
30's 16 15.20%
40's 30 28.60%
50's 17 16.20%
60's 2 1.90%
BMI Average 0.2208
Average(M) 0.2385
Average(F) 0.2259
Chronic disease Chronic disease 21 20%
Non-chronic disease 84 80%
Total 105 100%


Ⅴ. Research Results
1. Results of Rule Induction Technique

규칙유도기법는 분석에 사용되는 자료의 형태에 따라 사용 가능한 알고리즘은 여러 가지가 있다. 본 연구에서는 범주형 자료와 연속형 자료 모두를 사용할 수 있고 분리기준은 불순도를 나타내는 지니측도(Gini Measure)을 사용하는 CART(Classification And Regression Trees) 알고리즘을 채택하였다. 이 분석을 위해 사용한 통계프로그램은 PASW Statistics 18을 이용하였다.

사용된 독립변수는 규칙적인 식사, 야식 횟수, 규칙적인 운동, 교통수단, 흡연여부, 음주 횟수, 모바일 폰 사용량, 야근 횟수, 몸매유지, 주기적 건강검진여부, 수면시간, 성별, 연령, 소득, 건강비용지출, 신체질량지수, 건강관심정도, 건강상태, 만성질환 여부, 총 20개가 포함되었고 종속변수는 헬스 앱 사용여부가 사용되었다.

타당성검사를 위해 훈련자료와 검증자료는 각각 5대 5로 분할하여 사용하였고 모형의 최적화를 위하여 나무의 깊이와 상하위 노드의 케이스 수의 설정은 5회에 사전 분석의 결과 범위와 헬스 앱 사용여부수와 독립변수의 수를 고려하여 결정하였다. 이에 따라 최대 의사결정 나무의 깊이는 5, 상위노드의 최소케이스는 10개, 하위노드의 최소케이스는 5개로 한정하여 분석을 진행하였다. 분석은 총 10회에 걸쳐 진행하여 검증자료를 이용한 종속변수에 대한 예측력이 가장 높은 규칙을 분석결과로 사용하였다. 10회에 걸친 분석에서 훈련데이터를 이용한 종속변수에 대한 예측력 범위는 72.9%~84.1%, 평균 예측력은 78.3%였고, 검증데이터를 이용한 예측력 범위는 58.5%~71%, 평균 예측력은 64.36%로 나타났다.

<Table 5>는 규칙유도기법 분석의 결과를 나타내는 나무표이다. 분석결과 전체 노드수는 13개, 터미널 노드수는 7개 그리고 깊이는 4로 나타났다. 분석에서 획득된 변수는 모바일 폰 사용시간, 몸매유지, 수면시간, 신체질량지수, 건강비용, 규칙적인 아침식사를 포함한 총 6개로 나타났고, 이중에서 헬스 앱 사용에 가장 크게 영향을 미치는 변수는 1순위는 모바일 폰 사용시간, 2순위는 몸매유지과 규칙적인 수면시간, 3순위는 신체질량지수와 건강비용 지출정도 마지막 4순위는 규칙적인 아침식사의 순으로 나타났다.

<Table 5> 
Tree Table of Rule Induction Technique
Node .00 1.00 Total Prediction Parent node First independent variable
N % N % N % Variable Improving Split value
0 99 .6 56 .4 155 1.0 .00
1 72 .8 24 .3 96 .6 .00 0 모바일 폰 .041 <= 3.500
2 27 .5 32 .5 59 .4 .00 0 모바일 폰 .041 > 3.500
3* 22 .8 4 .2 26 .2 .00 1 몸매유지 .021 <= 2.500
4 50 .7 20 .3 70 .5 .00 1 몸매유지 .021 > 2.500
5 14 .4 21 .6 35 .2 1.00 2 수면시간 .037 <= 3.500
6* 13 .5 11 .5 24 .2 .00 2 수면시간 .037 > 3.500
7* 15 .8 3 .2 18 .1 .00 4 BMI .016 <= .2026
8* 35 .7 17 .3 52 .3 .00 4 BMI .016 > .2026
9* 3 .5 3 .5 6 .0 .00 5 건강비용 .021 <= 1.000
10 11 .4 18 .6 29 .2 1.00 5 건강비용 .021 > 1.000
11* 6 .3 17 .7 23 .1 1.00 10 아침식사 .008 <= 4.500
12* 5 .8 1 .2 6 .0 .00 10 아침식사 .008 > 4.500
*= Terminal Node

[Figure 3]은 규칙유도기법 결과를 트리형태로 나타낸 것이다. [Figure 3]을 기반으로 도출된 전체의 터미널노드 중에서 헬스 앱 사용자에 대한 규칙을 살펴보면 다음과 같다. 모바일 폰 사용량이 150분 초과하면서, 수면시간이 7시간 이하이고 건강비용에 대한 지출이 드물지만 있으면서, 아침식사는 매일은 아니지만 챙겨먹는 편이라고 응답한 사람이 헬스 앱을 사용할 확률이 73.9%로 나타났다.


[Figure 3] 
Result of Rule Induction Technique

2. Results of Logistics Regression Analysis

2단계 로지스틱 회귀분석은 1단계 규칙유도기법분석을 통해 획득된 6개의 변수를 독립변수로 이용하였고 사용된 통계프로그램은 PASW Statistic 18 이다. 로지스틱 회귀분석을 실시하기 전 종속변수 헬스 앱 사용 여부를 포함한 총 7개의 변수를 대상으로 상관관계분석을 실시하였다. 분석결과 <Table 6>과 같이 변수들 간의 상관관계가 0.7 이하로 나타나 다중공선성 문제가 심각하지 않은 것으로 나타났다.

<Table 6> 
Result of Correlation Analysis
Health app Mobile phone Maintain shape Health Expenses BMI Breakfast Sleep time
Health app 1 .304 .144 .074 .072 -.138 -.178
Mobile phone .304 1 .077 -.072 -.147 -.125 -.106
Maintain shape .144 .077 1 .139 -.099 .149 .052
Health Expenses .074 -.072 .139 1 .091 .117 -.081
BMI .072 -.147 -.099 .091 1 .012 -.130
Breakfast -.138 -.125 .149 .117 .012 1 .149
Sleeptime -.178 -.106 .052 -.081 -.130 .149 1

<Table 7>은 로지스틱 회귀분석의 결과를 보여주고 있다. 로지스틱 회귀분석의 모형의 설명력과 적합성 측정을 위해 우도값 검정(likelihood value test)과 Hosmer & Lemeshow 검정을 실시한 결과, 우도값은 -2 log likelihood=341.404, Cox & Snell R Square=.149, Nagelkerke R 제곱=.207로 나타났으며, Hosmer & Lemeshow 검정결과 Chi-square는 12.236, 유의확률=.141(Sig.>0.05)로 나타났다. 이러한 결과는 1차 규칙유도기법 결과를 통해 획득된 변수로 분석된 연구 모형은 적합한 것으로 나타난 것이다.

<Table 7> 
Result of Logistic Regression
B S.E, Wals D.F. P value Exp(B)
Mobile phone .529 .111 22.629 1 .000*** 1.697
Maintain shape .374 .145 6.640 1 .010** 1.453
Health Expenses .156 .116 1.813 1 .178 1.169
BMI 7.473 3.968 3.547 1 .060* 1759.768
Breakfast -.198 .094 4.453 1 .035** .821
Sleeptime -.340 .175 3.763 1 .052* .712
Constant -3.886 1.347 8.323 1 .004 .021
Model Summary -2 Log likelihood : 341.404 Cox&Snell의 R-square : .149
Nagelkerke R-square : .207
Hosmer & Lemeshow test Chi-square : 12.236 df. : 8 Sig. : .141
*p<0.10
**p<0.05
***p<0.01

2단계 로지스틱 회귀분석 결과 모바일 폰 사용시간(β=.529, Sig.<0.001), 몸매유지 관심정도(β=.374, Sig.<0.01), 신체질량지수(β=7.473, Sig.<0.10), 규칙적인 아침식사(β=-.198, Sig.<0.05), 수면시간(β=-.340, Sig.<0.10)으로 분석에 사용된 전체 독립변수 6개 중에서 건강비용 지불정도는 유의하지 않은 것으로 나타났다. 또한 아침식사와 수면시간은 음(-)의 계수로 나타나 아침식사가 규칙적이지 않으면서 수면시간이 적을수록 헬스 앱 사용에 더 영향을 미친다는 결과가 획득되었다.

3. Results of Artificial Neural Network

인공신경망 분석에서는 1단계 규칙유도기법 분석을 통해 획득된 6개의 독립변수를 입력하여 헬스앱에 영향을 미치는 변수의 중요도를 알아보고자 하였다. 사용된 모형은 [Figure 4] 와 같이 입력층, 은닉층 그리고 출력층으로 이루어진 다층인식모형(MLP: Multiple Layer Perception)을 이용하였다. 입력층은 6개의 독립변수로 구성되고 출력층은 목표변수가 0과 1로 이루어진 이분형 자료이므로 2개로 이루어졌다. 인공신경망의 경우 입력변수의 수가 많아지면 은닉층의 노드 수가 늘어가 연결강도가 약해져 예측력에 부정적인 영향을 미치게 된다. 따라서 1단계 규칙유도기법를 통해 획득된 6개의 변수를 입력층에 입력하여 분석을 진행하였다.


[Figure 4] 
Result of Artificial Neural Network Diagram

인공신경망 분석은 총 10회에 걸려 진행하였다. 분석결과는 이 중에서 검증 예측력이 가장 높게 나타난 것을 이용하였다. 훈련데이터를 이용한 예측력의 범위는 66.2%~74.1%로 평균 예측력 70.7%, 검증 데이터를 이용한 예측력의 범위는 63.8%~74.8%로 나타났으며, 평균 검증 예측력은 70.51로 나타났다. 분석과정의 1단계인 규칙유도기법 CART의 평균 검증예측력 64.36%보다 더 높은 예측력을 나타냈다.

<Table 8>은 헬스 앱에 영향을 미치는 변수의 중요도를 나타내고 있다. 6개의 입력변수들 중 가장 크게 영향을 미치는 변수는 신체질량지수(BMI)가 0.272, 다음은 휴대폰 사용 시간 0.232, 수면시간 0.211, 몸매유지 0.14가 중요도 0.1이상의 값을 나타냈고 아침식사는 0.096 건강비용은 0.048로 나타났다. Huh Myoung Heo and Lee Yonggoo(2008)에 따르면, 중요도가 0.1이상을 나타내는 변수는 종속변수에 영향을 미치는 변수로 해석할 수 있다고 하였다. 따라서 6개의 변수 중 헬스 앱에 영향을 미치는 변수는 신체질량지수, 모바일 폰 사용시간, 수면시간 그리고 몸매유지로 볼 수 있다. 또한 상대적 중요도는 가장 크게 영향을 미치는 변수를 1로 두고 나머지 변수들 간의 중요도의 차이를 살펴볼 수 있다. 이에 다르면 신체질량지수는 1, 모바일 폰 사용시간 0.851, 수면시간 0.774 몸매유지는 0.515로 나타났다.

<Table 8> 
Importance Result of Artificial Neural network
Importance Normalization Importance
BMI .272 1.000
Mobile phone .232 .851
Sleep time .211 .774
Maintain shape .140 .515
Breakfast .096 .353
Health Expenses .048 .177


Ⅵ. Conclusion

본 연구에서는 헬스 앱 사용에 어떠한 라이프스타일이 영향을 미치는지에 대해 분석해 보았다. 본 연구에서 사용된 라이프스타일 변수는 크게 건강 라이프스타일(식사, 운동, 음주, 흡연 등)과 일반 라이프스타일(야근, 교통, 모바일 폰 사용 등)로 구분되며, 종속변수인 헬스 앱을 포함하여 총 21개의 변수가 사용되었다. 분석 방법은 규칙유도기법, 로지스틱스 회귀분석 그리고 인공신경망을 단계적으로 이용하여 헬스 앱 사용에 대한 변수의 예측력을 높일수 있도록 구성하였다.

단계별 분석결과를 살펴보면, 1단계 규칙유도기법 분석에서 헬스 앱에 영향을 미치는 변수는 모바일 폰 사용시간, 몸매유지, 규칙적인 수면시간, 신체질량지수, 건강비용 지출 정도 그리고 규칙적인 아침식사로 나타났으며, 검증자료 이용한 평균 예측력은 64.36%였다. 1단계에서 획득된 총 6개의 변수를 독립변수로 하여 2단계 로지스틱 회귀분석을 실시한 결과 6개의 변수 중에서 건강비용 지출정도를 제외한 5개의 변수가 유의한 것으로 나타났다. 마지막으로 1단계에서 획득된 6개의 변수를 입력변수로 사용하여 인공신경망을 분석한 결과 헬스 앱에 미치는 변수의 중요도는 신체질량지수, 모바일 폰 사용시간, 규칙적인 수면시간, 몸매유지에 대한 관심정도, 규칙적인 아침식사의 순으로 나타났다. 이러한 결과를 통해, 2단계 로지스틱 회귀분석의 결과와 마찬가지로 건강비용의 지출정도가 제외된 것을 확인할 수 있었다. 검증자료를 이용한 평균 예측력은 70.51%로 규칙유도기법 예측력 64.36%보다 향상된 것으로 나타났다. 최종적으로 선정된 5개의 변수들을 보면, 모바일 폰 사용시간을 제외한 나머지 변수들은 모두 건강 라이프스타일과 관련된 것들이었다. 따라서 헬스 앱의 사용에 영향을 미치는 라이프스타일 특성은 일반적인 라이프스타일보다 건강과 관련된 특성이 훨씬 강하다는 점을 확인할 수 있었다.

이와 같은 연구의 결과는 다음과 같은 시사점을 제공할 수 있다. 첫째, 기존 헬스 앱의 서비스 확대 및 새로운 서비스의 출시에 기여할 수 있다. 예를 들어 몸매유지를 위한 앱이 출시되었을 때 단지 운동과 체형에 대한 관리에 대한 정보와 기능뿐만 아니라 수면과 아침식사 관리 등 식이요법 등의 정보를 제공하는 새로운 기능을 탑재함으로써 기존의 출시된 서비스보다 더 향상된 서비스를 제공할 수 있을 것이다. 이는 결국 헬스 앱 사용자의 사용량의 증대 및 만족도의 향상으로 이어질 수 있다. 또한 본 연구의 결과는 새로운 헬스 앱 서비스를 기획하는 데 유용한 정보로 활용됨으로써, 새로운 서비스 출시에 도움을 줄 수도 있을 것으로 기대된다. 뿐만 아니라 앞으로 확대되어질 모바일 헬스, 유비쿼터스 헬스 등과 같은 치료를 목적으로 하는 모바일 의료용 앱 종류에 대해서도 본 연구결과는 사용자의 편의나 만족도를 향상시킬 목적으로 활용이 가능할 것으로 기대된다.

둘째, 본 연구의 결과는 건강과 관련된 오프라인 서비스에서 헬스 앱을 도입하고자 할 때 도움이 될 수 있다. 헬스 앱은 주로 건강과 관련된 행위를 돕기 위한 목적으로 사용된다. 이러한 건강과 관련된 행위들은 일반적으로 공원, 운동장, 피트니스센터 그리고 병원 등과 같은 오프라인에서 이루어질 수밖에 없다. 이렇게 볼 때 헬스 앱은 건강을 위해 이루어지는 행위에 대한 주된 수단이 아니라 이를 지원하는 보조수단이 될 수밖에 없다. 이것은 헬스 앱 출시 및 운영의 주체가 온라인 또는 앱의 개발 업체가 아니라 건강관련된 서비스 업체들이 될 것이라는 것을 예상하게 한다. 따라서 본 연구 결과는 헬스 앱 자체 기능의 향상 및 새로운 서비스 출시에 기여하는 것뿐만 아니라 건강 관련된 오프라인 서비스의 성과를 향상시키기 위한 방안으로 헬스 앱을 도입하고자 할 때도 유용하게 활용될 수 있을 것이다.

하지만 본 연구는 다음과 같은 한계점을 가지고 있다. 첫째, 본 연구는 수집된 자료의 수로 인한 한계점을 가지고 있다. 본 연구의 분석 방법 중 규칙유도기법과 인공신경망의 경우 결과의 오차를 낮추고 정확도를 높이기 위해 훈련데이터와 검증데이터로 나누어 분석을 하였다. 일반적으로 데이터마이닝 기법을 적용하는 경우, 훈련데이터는 모형 적합을 위한 용도로 사용되고, 모형 적합이 이루어진 이후에는 검증데이터를 이용하여 분석하고 그 결과를 최종 결과로 활용하게 된다. 이와 같이 훈련데이터와 검증데이터로 분할되어 분석이 진행되기 때문에 분석할 때마다 결과는 미미하게 달라질 수 있다(Huh, Myung Hoe and Lee, Yonggoo, 2008). 그러나 본 연구에서와 같이 자료의 규모가 크지 않은 경우에는 분석결과의 차이가 더 크게 발생되는 한계를 가지게 된다. 둘째, 본 연구는 연령별 사용자 라이프스타일 특성을 설명하고 있지 못하였다. 헬스 앱은 모바일 의료 또는 유비쿼터스 헬스를 포함하는 분야이다. 이 분야는 산업 파급효과뿐만 아니라 취약계층에 대한 의료제공 측면에서 사회적으로도 중요한 의미를 가진다. 그러나 본 연구는 이 분야에 대한 산업이 성숙하지 못하여 사회적 취약계층을 포함한 잠재 고객들에 대해 다양한 연령대에 걸쳐 충분한 자료를 확보하는 데 어려움이 있었다. 셋째, 본 연구의 분석에서 헬스 앱의 유형까지는 고려되지 못하였다. 헬스 앱은 의료용과 이를 제외한 건강관련 앱으로 구분될 수 있는데 건강 관련 앱의 경우 세부적으로 더 다양한 형태로 구분이 가능하다. 하지만 이 역시 수집된 자료 수의 한계와 의료용 앱의 일반화가 이루어지지 않았기 때문에 헬스 앱의 구분에 따른 심층적인 분석은 수행하지 못하였다.

이와 같은 연구의 한계점들을 고려할 때, 향후에는 다양한 연령 계층의 잠재고객들에 대한 자료를 확보하여 보다 심층적인 분석을 하고자 한다. 또한, 사회적 취약 계층과 그렇지 않은 계층의 사용자를 구분하여 분석함으로써 타깃 고객유형별로 의미 있는 시사점을 도출해보고자 한다. 그리고 향후 연구에서는 헬스 앱의 사용 목적 및 유형도 고려하여 분석하고, 이를 통해 헬스 앱 유형별로 맞춤화거나 차별화된 시사점을 도출해보고자 한다.


Acknowledgments

* This work was supported by INHA UNIVERSITY Research Grant.

* 이 논문은 인하대학교의 지원에 의하여 연구되었음.


References
1. Agrawal, R., T. Imieliński, and A. Swami, (1993), “Mining association rules between sets of items in large databases”, In Acm sigmod record, 22(2), p207-216, ACM.
2. BBC Research, (2014), “Mobile Health(mHealth) Technologies and Global Markets”, BBC Research Report, Mar. 2014.
3. Seoil, Chaiy, (1992), “Systematic Analysis of Korean Lifestyle”, Journal of Consumer Studies, 3(1), p46-63.
4. Chiuve, S. E., M. L. McCullough, F. M. Sacks, and E. B. Rimm, (2006), Healthy lifestyle factors in the primary prevention of coronary heart disease among men benefits among users and nonusers of lipid-lowering and antihypertensive medications, Circulation, 114(2), p160-167.
5. Cho, Jae Hee, (2014), “The Investigation of Factors of Determining Continuous Use of Health Apps on mobile phones Application of Extended Technology Acceptance Model”, Journal of Public Relations, 18(1), p212-241.
6. Cho, Kyoung-Lae, Sang-Yoon Kim, Jung-Han Kim, Am-Suk Oh, Gwan-Hyung Kim, Jae-Hwan, Jean, and Sung-In Kang, (2013), “u-Healthcare Monitoring System Design using by mobile phone based on Bluetooth Health Device Profile”, Journal of the Korea Institute of Information and Communication Engineering, 17(6), p1365-1369.
7. Engel, J. F., R. D. Blackwell, and D. T. Kollat, “Consumer Behaviour, 4th ed., The Dryden Press.
8. Gordon, D., Colin Konschak, M. B. A., D. Levin, and W. H. Morris, mHEALTH.
9. Haug, E., M. Rasmussen, O. Samdal, R. Iannotti, C. Kelly, A. Borraccino, and O. Ercan, (2009), Overw eight in school-aged children and its relationship with demographic and lifestyle factors: results from the WHO-Collaborative Health Behaviour in School-aged Children (HBSC) study, International Journal of Public Health, 54(2), p167-179.
10. Huh, Myung Hoe, Yonggoo Lee, (2008), Data Mining Modeling and Cases, Hannarae.
11. Heo, Sung-Uk, Sung-In Kang, Oh-Hyun Kwon, Sung-Wook Choi, and Am-Suk Oh, (2013), “A Study on Health Management System Based on Smart TV for Wellness Service”, Journal of the Korea Institute of Information and Communication Engineering, 17(11), p2615-2620.
12. Kang, Byung Suh, Gye Soo Suh, (2011), SPSS 17.0 Social Science Statistic Analysis, Hannarae.
13. Kang, Myung-geun, (2001), The influence of health lifestyle on health care utilization, Ph.D Thesis, Yeonsei University.
14. Kantar Media’s 2013 MARS Online Behavior Study”, Kantar Media, (2013).
15. Kao, L. J., C. C. Chiu, (2001), “Mining the Customer Credit by using the neural network model with classification and regression tree approach”, IFSAWorld Congress and 20th NAFIPS International Conference, 2, p923-928.
16. Kim, Jin-Tak, Gue-Sup Kim, and Ki-Yu Kong, (2002), The Relationships among Personal Value, Lifest yle, Hotel Selection Attribute and Satisfaction, Korean Journal of Tourism Research, 17(2), p125-142.
17. Kim, You-Jin, (2012), “Exploratory Study on Acceptance Intention of Mobile Devices and Applications for Healthcare Services”, Journal of the Korea Contents Association, 12(9), p369-379.
18. Kim, Jinwha, Ki-Cahn Nam, and Sang Jong Lee, (2008), “Forecasting of Customer’s Purchasing Intention Using Support Vector Machine”, Information Systems Review, 10(2), p137-158.
19. Lazer, W., (1963), Lifestyle Concepts and Marketing, In Toward Scientific Marketing, Chicago, American Marketing Association, p130.
20. Lee, Hak-sik, Ji-hoon Lim, (2013), Statistical Package for the Social Sciences 18.0, JyphyunjJae Publishing Co.
21. Lee, Ji Young, (2005), “A Study on Well-being Behaviors in Korea -In relation with perception of well-being and lifestyle-”, Ph.D Thesis, Sungshin Women's University.
22. Lee, Keunkno, Hongchul Lee, (2003), A Study on the Combined Decision Tree(C4.5) and Neural Network Algorithm for Classification of Mobile Telecommunication Customer, Journal of Intelligence and Information Systems, 9(1), p139-155.
23. Lee, Mi Yeo, Ji Hyun Kang Kang, and Ik Ki Jeon, (2013), “A Study on The Effect of Smart Phone Fitness Application(App)`s Service Quality on Satisfaction after use, Trust, Immersion and Willingness to Continue to Use”, The Korean Journal of Physical Education-Humanities and social sciences, 52(2), p379-396.
24. Liu, C., Q. Zhu, K. A. Holroyd, and E. K. Seng, (2011), “Status and trends of mobile-health applications for iOS devices: A developer's perspective”, Journal of Systems and Software, 84(11), p2022-2033.
25. Luxton, D. D., R. A. McCann, N. E. Bush, M. C. Mishkind, and G. M. Reger, (2011), mHealth for mental health: Integrating mobile phone technology in behavioral healthcare, Professional Psychology: Research and Practice, 42(6), p505-512.
26. Ministry of Food and Drug Safety, (2014), Mobile Healthcare App Safety Management Guidelines.
27. Park, Dong-Jin, Joung-Hwa Choi, and Do-Jin Kim, (2015), “The Influence of Health Apps Efficacy, Satisfaction and Continued Use Intention on Wearable Device Adoption : A Convergence Perspective”, Journal of Digital Convergence, 13(7), p137-145.
28. Park, Jong-Jin, Gyoo-Seok Choi, Jeong-Lae Kim, In-Kyoo Park, Jeong-Jin Kang, and Byeong-Ki Son, (2014), “Development of Mobile Healthcare App for Mental Health Management –Focused on Anger M anagement-”, The Journal of The Institute of Internet, Broadcasting and Communication, 14(6), p13-18.
29. Research 2 guidance, (2014), mHealth App Developer Economics 2014.
30. Reynolds, F. D., M. R. Crask, and W. D. Wells, (1977), The modern feminine Lifestyle, The Journal of Marketing, p38-45.
31. Shin, Hyun-jeong, Hyo-jung Lee, Jun-su Park, Hee-ryung Jo, Min-ju Na, Sun-hee Cha, Dong-wook Kim, and Chun-Woong Park, (2015), “The Investigational Study on Health-Related Mobile Application Software and Its Improvement”, Regulatory Research on Food, Drug and Cosmetic, 10(1), p1-9.
32. Stengel, B., M. E. Tarver–Carr, N. R. Powe, M. S. Eberhardt, and F. L. Brancati, (2003), Lifestyle factors, obesity and the risk of chronic kidney disease, Epidemiology, 14(4), p479-487.
33. Wang, Bo-Ram, Ji-Yun Park, and In-Young Choi, (2011), “Influencing Factors for the Adoption of mobile phone Healthcare Application”, Journal of the Korea Contents Association, 11(10), p396-404.
34. Zins, A. H., (1998), “Leisure traveler choice models of theme hotels using psychographics", Journal of Travel research, 36(4), p3-15.