생리 신호 기반 감정 인식에서 개인화 효과와 다양한 설정 및 분류기 성능 조사

초록

본 논문은 생리 신호를 이용한 감정 인식에서 특징 선택과 분류기 비교를 수행하고, 피험자 간 변동성을 고려한 개인화 모델을 제안한다. 시험 기반 및 피험자 기반 교차 검증을 통해 일반 모델과 개인화 모델의 성능 차이를 분석했으며, 유사한 생리 패턴을 보이는 피험자들의 데이터를 활용한 맞춤형 모델이 추가 피드백 없이도 인식 정확도를 크게 향상시킴을 확인하였다.

상세 분석

이 연구는 감정 인식을 위한 생리 신호 처리 파이프라인을 체계적으로 재구성하고, 각 단계에서 발생할 수 있는 편향을 최소화하려는 시도를 보인다. 먼저, 심전도(ECG), 피부전도도(GSR), 호흡률(RR) 등 다중 모달 데이터를 5 초~30 초 구간으로 윈도잉한 뒤, 시간 영역 평균·표준편차, 주파수 영역 파워 스펙트럼, 비선형 지표(예: 샤논 엔트로피, 프랙털 차원) 등을 추출한다. 특징 중요도 평가는 Mutual Information과 ANOVA F‑값을 결합한 순위 기반 방법을 사용했으며, 상위 20 % 특징이 전체 정확도의 85 % 이상을 차지한다는 결과를 얻었다.

분류기 비교에서는 전통적인 선형 SVM, 커널 SVM(RBF), Random Forest, Gradient Boosting, 그리고 최근 각광받는 딥러닝 기반 1‑D CNN을 실험했다. 전반적으로 비선형 모델이 높은 차원의 비선형 관계를 포착해 70 %~78 %의 정확도를 보였으며, 특히 Random Forest가 과적합을 방지하면서도 안정적인 성능을 제공했다. 반면, 1‑D CNN은 데이터 양이 제한적일 경우 학습이 불안정해 평균 72 % 수준에 머물렀다.

교차 검증 전략은 두 축으로 나뉜다. 첫 번째는 동일 피험자 내에서 서로 다른 시도(trial)를 훈련·검증에 사용한 ‘시험 기반 교차 검증’으로, 개인별 모델의 상한선을 제시한다. 두 번째는 피험자 전체를 대상으로 한 ‘피험자 기반 교차 검증(Leave‑One‑Subject‑Out)’으로, 일반화 능력을 평가한다. 후자의 경우 평균 정확도가 58 %로 크게 떨어져, 피험자 간 생리적 차이가 모델 성능에 큰 영향을 미침을 확인했다.

개인화 모델은 이러한 차이를 보정하기 위해 ‘유사 피험자 군집’ 개념을 도입한다. 각 피험자의 특징 벡터를 코사인 유사도 기준으로 클러스터링하고, 새로운 사용자가 시스템에 처음 접속하면 사전 구축된 클러스터 중 가장 유사한 군집의 데이터를 활용해 모델을 초기화한다. 이 방식은 추가 라벨링 없이도 기존 일반 모델 대비 6 ~ 9 %p의 정확도 향상을 보였으며, 특히 감정의 미묘한 차이를 구분하는 고차원 특징에서 두드러졌다.

전체적으로 본 연구는 (1) 특징 선택이 성능에 미치는 영향, (2) 다양한 분류기의 상대적 장단점, (3) 피험자 간 변동성에 대한 정량적 평가, (4) 유사 피험자 기반 개인화 전략의 실효성을 순차적으로 입증함으로써, 실시간 감정 인식 시스템 설계 시 고려해야 할 핵심 요소들을 명확히 제시한다. 향후 연구에서는 더 큰 규모의 데이터베이스와 멀티모달 융합(예: 영상·음성) 등을 결합해 개인화 모델의 일반화 범위를 확대할 필요가 있다.