개인화된 감정 인식을 위한 실시간 바이오센서 기반 베이스라인 구축

본 논문은 ‘개인화된 감정 인식 베이스라인 구축’을 목표로, 소수의 휴대용 바이오센서를 이용해 실험 환경을 설계하고, 사용자의 피드백을 반영한 적응형 자극 선택 메커니즘을 제안한다. 연구는 2015년 2~3분기에 진행되었으며, Intel 소속 연구원인 Varvara Kollia와 Noureddin Tayebi가 공동 저술하였다. **1. 서론**에서는 최근 센서 기술의 발전으로 인간‑기계 상호작용에서 감정 인식이 가능해졌음을 언급한다. ECG, EMG, 체온, GSR, PPG, EEG 등 다양한 바이오시그널이 감정과 상관관계가 있음에도 불구하고, 실생활 적용 시 감정 정의의 모호성, 개인 차이, 환경 변수 등으로 어려움을 겪는다. 따라서 본 연구는 ‘개인화’와 ‘감정 상태를 상태(state)로 취급’한다는 두 가지 접근법을 채택한다. **2. 문제 정의**에서는 두 단계의 목표를 설정한다. 첫 번째는 ‘그라운드 트루스’ 문제로, 통제된 실험 환경에서 사전에 정의된 감정을 유도하고 해당 감정 라벨을 확보해 개인별 베이스라인 모델을 학습한다. 두 번째는 ‘실생활 예측’ 문제로, 동일한 정적 상황에서 실시간 바이오시그널을 입력받아 학습된 베이스라인 모델로 감정을 추정하고, 가능한 경우 사용자의 자체 보고와 비교한다. **3. 센서 구성**에서는 실험에 사용된 장비를 상세히 설명한다. Zephyr 바이오하니스(ECG 기반 심박 측정)와 자체 제작 GSR·SKT 장치를 동시에 착용하여 심박, HRV, HR%, 호흡률, 피부 전도도, 피부 온도 6가지 신호를 수집한다. EEG·EMG는 사용하지 않아 착용 편의성을 높였으며, 두 장치 간 시간 동기화와 샘플링 레이트 차이를 보간·보정하는 절차를 기술한다. **4. 목표 감정**은 총 6가지로 정의된다. 부정적 감정(슬픔/분노, 공포, 혐오)과 긍정적 감정(경외, 만족, 즐거움)으로 구분하며, 각 감정은 명확한 행동·생리적 특징을 기반으로 선정하였다. 감정 라벨은 실험 전 사전 정의된 ‘감정 클립’에 의해 유도되고, 실험 후 사용자가 직접 라벨을 확인·수정한다. **5. 실험 설계**는 크게 세 부분으로 나뉜다. - *5.1 자극 선택*: 유튜브에서 공개된 영상 클립을 감정별로 수집한다. 인기 영상이지만 ‘놀람’ 요소를 위해 가장 인기 있는 클립은 제외하고, 감정 유발 효과가 높은 것으로 판단되는 영상을 선정한다. 부정적 감정은 역사적 사건·비극적 뉴스 등을, 긍정적 감정은 자연 풍경·코미디·음악 등을 활용한다. - *5.2 자극‑랭킹*: 각 세션 종료 시 사용자는 1~10점 척도로 각 클립의 감정 유발 효과를 평가한다. 또한 실제 유발된 감정을 자유 서술하고, 클립 길이·특정 구간에 대한 의견을 제공한다. 이 피드백은 다음 세션의 클립 선택에 반영되어 ‘적응형 자극 선택’이 구현된다. - *5.3 프로토콜*: 한 피험자를 대상으로 60~70분 길이의 세션을 2~3개의 감정이 연속적으로 흐르도록 구성한다. 부정적 감정 클립은 짧게, 긍정적 감정 클립은 길게 배치해 피험자의 피로도를 관리한다. 각 클립 재생 전후 30초 정도의 안정화 구간을 두어 바이오시그널이 정상화되도록 한다. **6. 데이터 처리 및 모델링**에서는 수집된 시계열 데이터를 5초 윈도우로 나누어 평균·표준편차·피크·주파수 영역 특징을 추출한다. 총 20여 개의 피처가 생성되며, 차원 축소 없이 랜덤 포레스트(RF) 분류기에 입력한다. 모델은 5‑fold 교차 검증으로 평가했으며, 전체 정확도는 85%에 달한다. 변수 중요도 분석 결과, HRV·심박·GSR이 상위 3위에 올랐으며, SKT는 상대적으로 낮은 기여도를 보였다. **7. 결과 및 논의**에서는 85% 정확도가 ‘실험실 수준’에 근접함을 강조한다. 또한, 적은 수의 피처만으로도 높은 성능을 얻을 수 있음을 입증해 웨어러블 적용 가능성을 시사한다. 그러나 피험자 수가 1명에 불과하고, 감정 라벨이 주관적 보고에 의존한다는 한계가 있다. 또한, 실시간 스트리밍 상황에서 발생할 수 있는 센서 노이즈와 데이터 손실에 대한 대비가 부족하다. **8. 결론 및 향후 연구**에서는 개인화된 감정 베이스라인 구축이 가능함을 확인했으며, 적응형 자극 선택 메커니즘이 데이터 효율성을 높인다는 점을 강조한다. 향후 다중 피험자 연구, 온라인 학습 기반 실시간 감정 추정, 추가 센서(가속도·환경 센서) 통합, 그리고 감정 라벨링 자동화 등을 통해 시스템을 확장할 계획이다.