Physiologically Grounded Driver Behavior Classification: SHAP-Driven Elite Feature Selection and Hybrid Gradient Boosting for Multimodal Physiological Signals

기술적 요약: 생리학적 기반 운전자 행동 분류

문제 제기
도로 교통 부상은 전 세계적으로 중요한 공중보건 문제이며, 사고의 약 94%가 주의 산만, 피로, 부주의와 같은 인간 요인에 기인합니다. 기존의 운전자 모니터링 시스템은 차량 운동학 (예: 조향 변이, 차선 이탈) 이나 비전 기반 기술 (예: 안구 추적) 에 의존하지만, 이러한 방법들은 인지적 실패의 결과물을 포착할 뿐 근본적인 생리학적 과정을 파악하지는 못합니다. 뇌파 (EEG) 는 신경 활동의 밀리초 단위의 시간 해상도를 제공하지만, 실제 환경에서 제한된 공간 해상도와 잡음에 대한 취약성을 겪습니다. 또한, 딥러닝 접근법은 유망하지만 해석 가능성이 부족하고 방대한 양의 레이블이 지정된 데이터를 필요로 하여, 안전이 중요한 자원이 제한된 시나리오에서의 배포를 방해합니다. 따라서 고도의 정확성과 투명성으로 운전 행동을 해독하기 위해 뇌파 (EEG), 근전도 (EMG), 그리고 피부 전도도 (GSR) 와 같은 다중 모달 생리학적 신호를 활용하는 해석 가능하고 확장 가능한 프레임워크가 필요합니다.

방법론
본 연구는 30 명의 참가자가 시뮬레이션 운전 과제를 수행하는 동안 동기화된 64 채널 EEG, 4 채널 EMG, 단일 채널 GSR 신호를 포함하는 다중 모달 생리학적 운전 행동 (MPDB) 데이터셋을 활용하는 프레임워크를 제안합니다. 방법론은 다음 네 가지 주요 단계로 구성됩니다:

1. 전처리 및 동기화:

   • 신호 처리: 원시 신호 (초기 1000 Hz) 는 500 Hz 로 다운샘플링되었습니다. EEG 데이터는 대역 통과 필터링 (0.5–40 Hz), Infomax 알고리즘을 사용한 독립 성분 분석 (ICA) 을 통한 아티팩트 제거, 그리고 비뇌성 채널의 배제를 거쳐 59 개의 사용 가능한 EEG 채널로 처리되었습니다. EMG 신호는 전원선 간섭을 제거하기 위해 노치 필터링을 적용한 후 (20–240 Hz) 필터링되었고, GSR 은 (0.1–35 Hz) 필터링되었습니다.
   • 세그먼테이션: 이벤트는 이벤트 시작 시점을 기준으로 $t = -0.5$s 에서 $t = +1.5$s 까지 2.0 초의 윈도우를 사용하여 추출되었습니다.
   • 융합: 엄격한 이벤트 ID 검증을 통한 하이브리드 교차 모달 매칭을 통해 다중 모달 정렬이 이루어졌으며, 이어 기저선 보정과 채널 축 연결이 수행되었습니다.

2. 특징 추출:
   도메인 특화 파이프라인을 통해 503 개의 초기 특징이 추출되었으며, 다음과 같이 분류되었습니다:

   • 시간 영역: 선 길이 (LL), 미분값의 분산, 최대 절대 변화.
   • 주파수 영역: 웨일치 (Welch) 방법을 통해 특정 대역 (EEG 의 경우 델타, 세타, 알파, 베타, 감마; EMG 의 경우 저, 중, 고) 에 대해 추정된 전력 스펙트럼 밀도 (PSD).
   • 유도 지수: EEG 알파/세타 비율 및 EMG 비대칭 지수와 같은 글로벌 지표.

3. SHAP 기반 엘리트 특징 선택:
   고차원성 문제를 해결하고 과적합을 방지하기 위해 SHAP (SHapley Additive exPlanations) 기반 전략이 채택되었습니다. 보조 XGBoost 모델을 사용하여 모든 샘플과 클래스에 대한 글로벌 특징 중요도를 계산했습니다. 상위 250 개의 특징을 유지하여 차원을 약 50% 감소시키면서도 모델의 예측 능력을 81% 유지했습니다. 이 선택 과정은 정보 누출을 방지하기 위해 훈련 데이터에서만 수행되었습니다.

4. 하이브리드 앙상블 학습:
   최종 분류는 XGBoost 와 LightGBM 모델의 가중치 소프트 투표 앙상블을 활용했습니다. 두 모델의 하이퍼파라미터는 매크로-F1 점수를 목적 함수로 하여 베이지안 최적화 (Optuna 프레임워크를 통해) 를 사용하여 최적화되었습니다. 최적의 앙상블 가중치는 XGBoost 에 대해 $\alpha = 0.35$, LightGBM 에 대해 $0.65$로 결정되었습니다. 클래스 불균형은 클래스 빈도에 반비례하는 균형 잡힌 샘플 가중치를 사용하여 처리되었습니다.

주요 기여

• 강건한 파이프라인: MPDB 데이터셋을 위한 ICA 기반 아티팩트 제거, 다중 모달 동기화, 스트리밍 처리를 통합한 전처리 및 특징 추출 파이프라인 개발.
• SHAP 주도 선택: 차원을 크게 줄이면서도 모델의 효율성과 해석 가능성을 향상시키는 SHAP 기반 엘리트 특징 선택 접근법 구현.
• 하이브리드 앙상블 프레임워크: 베이지안 방법으로 최적화된 XGBoost 와 LightGBM 을 결합한 최첨단 앙상블 생성으로, 다중 모달 생리학적 데이터에 특화됨.
• 해석 가능성: 특징 중요도를 확립된 신경생리학적 마커와 연결하여 모델의 생리학적 타당성을 검증하기 위한 SHAP 값을 활용한 포괄적 분석.

결과
제안된 프레임워크는 네 가지 운전 행동 클래스 (브레이크, 변경 (차선 변경), 스로틀, 회전) 에 대해 홀드아웃 테스트 세트 ($n = 3,577$) 에서 평가되었습니다.

• 성능: 앙상블은 테스트 정확도 80.91% 및 매크로-F1 점수 0.79를 달성했습니다.
• 비교: 이는 랜덤 포레스트 (72.99% 정확도), KNN (64.91%), SVM (53.56%), 로지스틱 회귀 (56.05%) 를 포함한 기존 머신러닝 베이스라인을 크게 능가했습니다.
• 애블레이션 연구:
  • 다중 모달의 필요성: 전체 다중 모달 접근법은 최상의 단일 모달 모델 (EEG 전용, 72.85%) 보다 8% 의 정확도 향상을 보였습니다.
  • 모달 시너지: EEG 와 EMG 의 쌍별 융합은 76.15% 의 정확도를 달성하여 강력한 인지 - 운동 시너지를 나타냈으나, GSR 을 포함한 전체 융합은 추가적인 4.7% 의 향상을 제공했습니다.
  • 클래스 성능: 모델은 브레이크 (F1: 0.83) 와 회전 (F1: 0.81) 행동에서 가장 높은 신뢰도를 보였습니다. 스로틀 클래스는 급격한 기동과 비교하여 미묘한 생리학적 발현으로 인해 가장 어려운 클래스였습니다 (F1: 0.69).
• 해석 가능성: SHAP 분석은 EEG 가 예측 가중치의 대부분 (75.2%) 을 기여했으며, 이어 EMG (19.4%) 와 GSR (5.4%) 이 뒤를 이음을 밝혔습니다. 그러나 특정 고영향 특징으로는 브레이킹에 중요한 GSR 위상 성분과 회전에 중요한 EMG 비대칭성이 포함되어, 모달들의 상호 보완적 성격을 검증했습니다.

의의
본 논문은 다중 모달 운전자 행동 인식을 위한 엔드 투 엔드 딥러닝에 대한 실용적이고 투명한 대안을 제시한다고 주장합니다. 생리학적 지식을 반영한 특징 공학과 설명 가능한 트리 기반 앙상블 학습을 결합함으로써, 이 프레임워크는 딥 신경망의 '블랙박스' 한계 없이 높은 정확도를 달성합니다. 결과는 단일 생리학적 스트림으로는 동적 운전 사건의 복잡성을 포착하기에 부족하므로, 다중 모달 융합이 견고한 운전자 모니터링에 필수적임을 검증합니다. 본 연구는 MPDB 데이터셋에서 새로운 최첨단 베이스라인을 확립하여, 정교하게 설계된 특징과 최적화된 그래디언트 부스팅의 결합이 복잡한 딥러닝 아키텍처를 능가하거나 이에 필적하면서도 안전이 중요한 응용 분야에 필요한 결정적 해석 가능성을 제공함을 보여줍니다.