베이지안 네트워크 기반 운전자 감정 모듈 구축

초록

본 논문은 운전자 행동 모델(DBM)의 정서·인지 부문을 위해 베이지안 네트워크(BN)를 활용하여 정신적 부하와 활성 피로를 추정한다. 실험실 시뮬레이터에서 수집한 생리·인구통계 데이터를 바탕으로 BN 구조를 설계하고, MCMC 기반 베이지안 추론으로 사후 확률을 계산한다. 결과는 연령이 피로와 부하에 보호적 영향을 주며, 성별은 큰 영향을 미치지 않음을 보여준다.

상세 분석

이 연구는 운전자 행동 모델(DBM) 내 정서·인지 모듈을 정량화하기 위해 베이지안 네트워크(BN)를 채택한 점이 가장 큰 특징이다. 먼저, BER‑THA 프로젝트에서 수집된 17명의 실험 데이터를 기반으로 성별, 연령, BMI와 같은 인구통계 변수와 심박 변동성(RR‑SD, SD‑DD), 평균 심박수(MHR), 저·고주파 비율(RLH), 호흡수(MNB) 등 5가지 생리학적 지표를 정의하였다. 정신적 부하(ML)와 활성 피로(AF)는 각각 이진 변수로 전처리했으며, 베이지안 로지스틱 회귀(BLR)를 통해 사전 확률을 추정한다.

BN 구조는 DAG 형태로, ML·AF가 직접 MHR, SD‑DD, RLH에 영향을 미치고, 이들 변수가 다시 MHR·SD‑DD를 매개로 RLH에, 최종적으로 SR‑T와 MNB에 전이되는 계층적 인과관계를 반영한다. 각 연속 변수는 베이지안 회귀 모델(BRM)로 가정했으며, 평균은 인구통계 변수와 상위 부모 변수들의 선형 결합으로 표현한다. 사전 분포는 비정보적 정규(μ=0, σ²=25)와 표준편차는 균등(0,30)으로 설정해 데이터에 의한 학습을 극대화하였다.

추론 단계에서는 JAGS와 MCMC를 이용해 사후 분포 π(θ|D)를 샘플링하고, 이를 통해 사후 예측 분포 f(y|D)를 근사한다. 결과 시각화는 성별·연령·BMI(고정) 조건에서 SR‑T와 MNB 값에 따른 AF·ML 조합의 평균 사후 확률을 제시한다. 예시로 20세 여성, BMI 22, 호흡수 20인 경우 정신적 부하 확률이 0.72로 높은 편임을 보여준다.

통계적 해석에 따르면 연령이 증가할수록 피로와 부하 발생 확률이 감소하는 보호 효과가 관찰됐으며, 성별 차이는 유의미하지 않았다. 이는 기존 연구와 일치하거나, 작은 표본(17명) 때문에 통계적 파워가 제한될 수 있음을 시사한다. 또한, 변수 간 인과관계가 복잡하게 얽혀 있어 단순 상관분석보다 BN이 제공하는 조건부 확률 추정이 실시간 운전자 상태 모니터링에 유리함을 강조한다.

한계점으로는 표본 규모가 작아 일반화에 제약이 있고, 생리학적 변수만을 사용했기 때문에 시각·음성·운전 행동 데이터와 결합하면 모델 정확도가 크게 향상될 가능성이 있다. 향후 연구에서는 더 큰 데이터셋과 멀티모달 센서(얼굴 표정, 눈 깜박임, 차량 제어 신호 등)를 통합해 BN 구조를 확장하고, 실시간 추론을 위한 경량화 알고리즘(예: 변분 추론) 적용을 검토할 필요가 있다.

전반적으로 이 논문은 베이지안 네트워크를 활용해 운전자의 정신적 상태를 정량화하고, 조건부 확률 기반 위험 경고 시스템 설계에 기여할 수 있음을 실증적으로 보여준다.