스마트폰 센서 기반 운전자 식별 신경망 모델

초록

본 논문은 스마트폰에 내장된 가속도계와 자이로스코프 데이터를 활용해 운전자를 실시간으로 식별하는 시스템을 제안한다. 데이터 수집·전처리·특징 추출·MLP 기반 분류의 4단계 구조로 구성되며, 통계적 특징을 이용한 MLP 모델이 96%의 최고 정확도를 달성한다. 프라이버시를 침해하지 않으며, 향후 보험·교통 정책 등에 적용 가능성을 제시한다.

상세 분석

본 연구는 운전자 식별을 위해 별도의 차량 내 장치가 아닌 일반 스마트폰만을 이용한다는 점에서 실용성이 높다. 데이터 수집 단계에서는 가속도계와 자이로스코프의 3축 데이터를 일정 주기로 기록하고, 운전 중 스마트폰이 고정된 위치에 있다고 가정한다. 전처리 과정에서 잡음 제거를 위해 저역통과 필터를 적용하고, 결측값은 선형 보간법으로 복구한다. 특히 정지 상태(속도≈0) 데이터를 삭제함으로써 주행 중에만 의미 있는 동적 패턴을 추출하도록 설계하였다.

데이터는 일정 길이의 윈도우(예: 5초)로 슬라이딩 분할한 뒤, 각 윈도우에서 평균, 표준편차, 최대·최소값, RMS, 스펙트럼 엔트로피 등 20여 개의 통계적 특징을 추출한다. 이러한 특징은 운전자의 가속·감속 습관, 코너링 패턴, 급정거 빈도 등을 정량화한다. 특징 차원은 표준화(z‑score) 후, 차원 축소 없이 그대로 MLP(다층 퍼셉트론) 입력으로 사용한다.

MLP는 입력층‑은닉층‑출력층 구조이며, 은닉층은 ReLU 활성화와 드롭아웃(0.5)으로 과적합을 방지한다. 학습은 Adam 옵티마이저와 교차 엔트로피 손실 함수를 사용하고, 200 epoch 동안 조기 종료 기준을 적용한다. 비교 실험으로 SVM, KNN, 랜덤 포레스트, CNN 등을 테스트했으며, MLP가 96% 정확도로 가장 우수했다. 이는 통계적 특징이 비교적 선형에 가깝게 구분 가능함을 시사한다.

하지만 데이터셋 규모가 제한적(10명·각 30분)이며, 스마트폰 위치 변화, 도로 환경(도시·고속도로), 차량 종류 등에 대한 일반화 검증이 부족하다. 또한, 실시간 처리 비용과 배터리 소모에 대한 분석이 부재하다. 향후 연구에서는 더 다양한 운전자·차량·노면 조건을 포함한 대규모 데이터베이스 구축, 딥러닝 기반 시계열 모델(LSTM, Transformer) 도입, 온디바이스 추론 최적화 등을 통해 실용성을 높일 필요가 있다.