운전 중 개인 맞춤형 스트레스 감지를 위한 다중작업 신경망

초록

본 논문은 웨어러블 센서에서 얻은 심박수와 피부전도 데이터를 이용해 운전 중 스트레스를 실시간으로 감지하는 방법을 제안한다. 개인별 차이를 반영하기 위해 각 운전자를 하나의 태스크로 보는 다중작업 학습(MTL) 구조를 채택했으며, 하드 파라미터 공유와 개인 전용 레이어를 결합한 신경망을 설계하였다. MIT 실험 운전 데이터와 트럭 운전 시뮬레이터 데이터를 대상으로 실험한 결과, 기존 로지스틱 회귀·SVM 대비 F‑Score와 Kappa 지표에서 유의하게 향상된 성능을 보였다.

상세 분석

이 연구는 스트레스가 자율신경계에 미치는 생리학적 변화를 활용해 운전 상황에서의 스트레스를 자동으로 분류하고자 한다. 데이터는 두 가지 출처로 구성된다. 첫 번째는 MIT Driver Stress 데이터셋으로, 실제 도로 주행 중 17명의 운전자를 1~1.5시간 동안 녹음한 다중 생체 신호(EMG, ECG, GSR 등) 중에서 손목 GSR와 심박수(HR)만을 선택하였다. 신호는 15.5 Hz로 다운샘플링하고, 마커 신호를 이용해 ‘휴식·도시·고속도로’ 전환 시점을 라벨링하였다. 두 번째는 19명의 전문 트럭 운전자를 대상으로 한 시뮬레이터 실험으로, 10 Hz로 측정된 피부전도와 1 Hz PPG 기반 심박수를 10 Hz로 보간해 사용하였다. 고스트레스 상황은 트리어 사회 스트레스 테스트(TSST)에서 차용한 연산 과제(역산)로 유도하였다.

특징 추출은 30 초 윈도우(15 초 겹침) 단위로 수행되었다. 심박수에서는 평균, 표준편차, 최소·최대·범위, RMSSD, SD 차이 등 7가지 통계량을, 피부전도에서는 평균·표준편차·최소·최대·범위·피크 수·피크 진폭·왜도·첨도 등 9가지 통계량을 계산해 총 16개의 피처 벡터를 만든다. 각 피처는 개인별 베이스라인 평균으로 정규화하여 개인 간 기저 차이를 보정하였다.

모델은 하드 파라미터 공유 방식의 다중작업 신경망(MT‑NN)으로 설계되었다. 입력층 뒤에 200개의 뉴런을 갖는 공유 전결합 레이어와 ELU 활성함수를 두고, 각 운전자를 위한 50뉴런의 전용 레이어를 추가했다. 전용 레이어는 각각 시그모이드 출력과 이진 교차 엔트로피 손실을 갖는다. L2 정규화와 검증 기반 조기 종료(Early Stopping)로 과적합을 방지했으며, 최적화는 Adam 옵티마이저를 사용하였다. 비교 모델로는 전통적인 로지스틱 회귀(LR), 선형·RBF 커널 SVM, 그리고 개인 독립형 2‑layer 신경망(ST‑NN)이 사용되었다.

실험 결과, MIT 데이터에서는 MT‑NN이 평균 F‑Score 0.965 ± 0.023, Kappa 0.879 ± 0.080을 기록해 기존 모델들을 모두 앞섰다. 특히 ST‑NN에 비해 표준편차가 감소해 개인별 성능 편차가 줄어든 것이 눈에 띈다. 시뮬레이터 데이터에서도 MT‑NN이 F‑Score 0.922 ± 0.137, Kappa 0.891 ± 0.184로 가장 높은 안정성을 보였다. 다만 MIT 데이터 라벨이 ‘마커 기반’으로 간접 생성된 점과 시뮬레이터 실험의 짧은 지속시간·소규모 샘플이 결과 해석에 제한을 준다.

논문은 향후 한 데이터셋에서 학습된 표현을 다른 데이터셋에 전이(Transfer Learning)하거나, 원시 시계열에 직접 적용 가능한 1‑D 컨볼루션·리커런트 레이어 기반 모델을 탐색할 계획이라고 제시한다. 또한 실제 운전 환경에서 주관적 설문과의 상관관계를 검증하는 실증 연구가 필요함을 강조한다.