[기술 요약] 운전을 진단 도구로 활용: 주행 영상을 이용한 고령 운전자의 시나리오 기반 인지 능력 평가

1. 문제 정의 (Problem Statement)

• 기존 진단의 한계: 치매 및 경도인지장애(MCI)의 조기 진단은 매우 중요하지만, 현재의 임상적 방법(MRI, PET 스캔, 신경심리 검사 등)은 비용이 많이 들고, 시간이 오래 걸리며, 환자의 병원 방문이 필수적이라는 제약이 있습니다.
• 데이터 활용의 공백: 기존의 주행 데이터 기반 연구들은 주로 주행 거리, 목적지 수 등 '집계된 통계치(Aggregated statistics)'에 의존했습니다. 이는 특정 상황(예: 복잡한 교차로)에서 발생하는 미세하고 맥락적인 행동 변화를 포착하는 데 한계가 있습니다.
• 연구 목표: 자연스러운 주행 환경(Naturalistic driving)에서 수집된 영상을 활용하여, 인지 저하를 나타내는 '디지털 지문(Digital fingerprints)'을 추출하고, 이를 통해 비침습적이고 확장 가능한 인지 상태 모니터링 프레임워크를 구축하고자 합니다.

2. 연구 방법론 (Methodology)

본 논문은 시나리오 기반 인지 평가 프레임워크를 제안하며, 크게 5단계의 파이프라인으로 구성됩니다.

1. 데이터 전처리 (Data Pre-processing): RWRAD 데이터셋에서 수집된 원시 주행 영상 중 유효한 데이터를 필터링하고, 가장 빈번하게 통행하는 경로(OMR)를 기준으로 정렬하여 시나리오별 일관성을 확보합니다.
2. 비디오-벡터 변환 (Video-to-vector Generation): 사전 학습된 **대규모 비전 모델(Large Vision Model, 예: ResNet-v2 기반 Vision Transformer)**을 사용하여 각 영상 세그먼트를 고차원 특징 벡터로 인코딩합니다.
3. 차원 축소 (Dimensionality Reduction): PCA를 사용하여 고차원 벡터를 저차원 공간($Z_k$)으로 투영함으로써, 인지 상태(정상 vs. 경도 치매)에 따른 특징 공간의 군집화를 관찰합니다.
4. 거리 기반 시나리오 랭킹 (Distance-based Scenario Ranking):
   • 각 시나리오별로 '정상군'과 'MD(경도 치매)군'의 특징 벡터 중심점(Centroid) 사이의 유클리드 거리를 계산합니다.
   • 두 그룹 간의 거리가 가장 먼 **'가장 대조적인 시나리오(Most contrastive scenario, $S_{cT}$)'**와 거리가 가장 가까운 시나리오를 식별합니다. 이는 인지 부하(Cognitive load)가 높은 상황이 인지 저하를 더 잘 드러낼 것이라는 가설에 기반합니다.
5. 시나리오 검증 및 모델 테스트 (Scenario Validation & Testing):
   • 선택된 시나리오를 바탕으로 Random Forest(RF) 분류기를 학습시킵니다.
   • DLS(Driver-level Separation): 모델의 일반화 성능을 검증하기 위해, 학습에 사용되지 않은 새로운 운전자의 데이터를 테스트하는 'Leave-k-drivers-out' 교차 검증 방식을 채택합니다.

3. 주요 기여 (Key Contributions)

• 새로운 프레임워크 제안: 단순 주행 통계가 아닌, 비전 모델을 이용해 특정 주행 상황(Scenario)의 시각적 패턴을 분석하는 혁신적인 접근법을 제시했습니다.
• 시나리오 랭킹 전략: 인지 부하와 행동 패턴의 상관관계를 이용하여, 인지 상태를 가장 잘 구분할 수 있는 최적의 주행 시나리오를 자동으로 찾아내는 전략을 도입했습니다.
• 강력한 일반화 성능 입증: 새로운 운전자(Unseen subjects)에 대해서도 높은 정확도를 보임으로써, 실제 환경에서의 적용 가능성을 증명했습니다.

4. 연구 결과 (Results)

• 시나리오별 성능 차이: 고속도로 주행(Interstate)보다 고속도로 인터체인지(Freeway-interchange, 합류 및 분기 구간) 시나리오에서 훨씬 높은 성능을 보였습니다.
  • Freeway-interchange: 정확도 71.03%, F1-score 0.7662 (Random sampling 기준)
  • Interstate: 정확도 55.12%, F1-score 0.5368
• 최고 성능 달성: DLS(운전자 수준 분리) 방식을 적용했을 때, 정확도 72.32%, F1-score 0.80이라는 높은 수치를 기록했습니다.
• 벤치마크 비교:
  • 기존의 인구통계/주행/수면 데이터를 결합한 머신러닝 모델(Joshi et al.)보다 우수한 성능을 보였습니다.
  • MRI, PET 등 고가의 의료 영상 기반 임상 모델(LA-GMF 등)과 비교해도 F1-score 측면에서 유의미한 우위(+12.91%)를 점했습니다.
• 오분류 분석: 인지 점수(COGSTAT, MoCA)가 중간 단계인 '전이 영역(Transition region)'에서 오분류율이 높게 나타났는데, 이는 모델이 정상과 초기 인지 저하 사이의 미세한 경계를 학습하는 과정에서 발생하는 자연스러운 현상임을 확인했습니다.

5. 연구의 의의 (Significance)

• 비침습적/저비용 진단: 고가의 의료 장비 없이 차량에 설치된 카메라와 기존의 비전 AI 기술만으로 인지 건강을 모니터링할 수 있는 길을 열었습니다.
• 수동적 모니터링(Passive Monitoring): 운전자가 별도의 검사를 수행할 필요 없이, 일상적인 주행 행동을 통해 지속적이고 자동화된 인지 건강 스크리닝이 가능합니다.
• 조기 발견의 가능성: 복잡한 주행 상황에서의 미세한 시각적 행동 변화를 포착함으로써, 치매의 초기 단계인 MCI를 조기에 발견하여 적절한 의료적 개입을 가능하게 합니다.