손목밴드 바이오센서로 건설 현장 작업자의 위험 인지 실시간 평가

초록

**
본 연구는 손목형 웨어러블 바이오센서에서 측정한 전기피부반응(EDA) 데이터를 활용해 건설 현장 작업자의 위험 인지를 연속적으로 예측하는 프레임워크를 제시한다. 8명의 현장 작업자를 대상으로 실시간 EDA를 수집하고, 잡음 제거·톤·펄스 성분 분해 후 11개의 시계·주파수 특징을 추출하였다. K‑최근접 이웃(KNN) 분류기가 76.9% 정확도로 가장 높은 성능을 보였으며, 이는 비침습적 방법으로 위험 인지를 모니터링할 수 있음을 입증한다.

**

상세 분석

**
이 논문은 건설 현장 안전 관리에서 작업자의 위험 인지를 객관적으로 파악하기 위한 새로운 접근법을 제시한다. 기존의 설문·인터뷰 기반 방법은 사후적이며 응답자의 기억 오류와 사회적 바이어스에 취약하고, 실시간 변화를 포착하지 못한다는 한계가 있다. 저자들은 이러한 문제를 해결하고자, 교감신경계 활성과 직접 연관된 전기피부반응(EDA)을 측정할 수 있는 손목형 바이오센서를 활용하였다.

데이터 수집 단계에서는 8명의 남성 작업자를 선정하고, 현장 작업 중 착용한 웨어러블에서 10초 이동 윈도우(9초 중첩)로 EDA 신호를 기록하였다. 동시에 작업 영상 촬영을 통해 각 활동을 저위험·고위험으로 라벨링했으며, 라벨링 불일치 시 해당 데이터를 제외함으로써 라벨 신뢰성을 확보하였다.

신호 전처리에서는 0.05 Hz 차단 주파수의 2차 고역 필터와 이동 평균 필터를 적용해 저주파·고주파 잡음을 제거하였다. 이후 convex optimization 기반 방법으로 EDA를 톤(EDL)과 펄스(EDR) 성분으로 분해하였다. 특징 추출에서는 EDR의 순간 반응을 반영하는 표준편차, 중앙값, 적분, 평균 전력, RMS 등 8개의 시계열 특징과, EDL·EDR의 주파수 대역(0.1–0.4 Hz)별 스펙트럼 파워 3개를 포함한 총 11개의 특징을 도출하였다.

분류 모델로는 의사결정트리(DT), 로지스틱 회귀(LR), 가우시안 서포트 벡터 머신(GSVM), K‑최근접 이웃(KNN), 배깅 트리(BT), 서브스페이스 KNN(SKNN) 등 6가지 알고리즘을 시험하였다. 데이터 불균형 문제를 해결하기 위해 다수 클래스를 무작위 언더샘플링하여 클래스 균형을 맞춘 뒤, 80:20 비율로 20회 반복 교차 검증을 수행하였다. 결과적으로 KNN이 76.9%의 정확도와 75.4%·79.9%의 정밀도·재현율을 기록하며 가장 우수한 성능을 보였다. 파라메트릭 모델(LR, GSVM)은 특징 차원이 제한적이어서 경계 학습에 어려움을 겪은 것으로 해석된다.

한계점으로는 표본 수가 적고, 라벨링이 주관적 영상 분석에 의존했으며, EDA 외 다른 생리 신호(PPG, 체온 등)를 포함하지 않은 점을 들 수 있다. 향후 연구에서는 더 큰 규모의 현장 데이터를 확보하고, 멀티모달 센서 융합 및 윈도우 크기 최적화를 통해 모델 정확도를 향상시킬 필요가 있다.

**