NDPAI: Neuroscience-Derived Predictive Active Inference for Calibrated Cross-Subject Wearable Stress Detection

기술 요약: 보정된 피험자 간 웨어러블 스트레스 탐지를 위한 NDPAI

문제 정의
지속적인 웨어러블 스트레스 모니터링은 현재 문헌에서 세 가지 지속적인 구조적 한계에 직면해 있다: (1) 개인 간 생리적 변동성으로 인한 엄격한 피험자 제외(leave-one-subject-out, LOSO) 평가 하에서의 취약한 교차 피험자 일반화 성능, (2) 대부분의 분류기가 신뢰도나 분포 외(out-of-distribution, OOD) 입력을 알리는 메커니즘 없이 점 추정치만을 제공하는 원칙적인 불확실성 정량화의 부재, (3) 스트레스를 지속적인 심리생리적 상태가 아닌 윈도우 단위의 이벤트로 취급하는 문제. 또한, 기존의 생성적 접근 방식은 종종 추론을 향후 행동 선택과 결합하는 원칙적인 메커니즘이 부족하며, 엄격한 LOSO 조건 하의 연속적인 생리적 모니터링에 능동적 추론(active inference) 프레임워크—특히 이중 경로 라우팅을 동반한 기대 자유 에너지(Expected Free Energy, EFE) 최소화—를 적용한 선행 연구는 없다.

방법론
본 논문은 자유 에너지 원리(Free Energy Principle, FEP)와 이중 프로세스 인지 신경과학에 근거한 생성적 프레임워크인 NDPAI(Neuroscience-Derived Predictive Active Inference) 아키텍처를 제안한다. 이 시스템은 WESAD 다중 모드 벤치마크(15명의 참가자, ECG 및 EDA 신호)를 기반으로 작동하며, R-피크 검출이나 스펙트럼 분해 없이 전압 수준 통계(평균, 분산, 범위 및 1차 차분)에서 유도된 12차원 특징 벡터를 사용한다.

NDPAI의 핵심은 생물학적으로 동기화된 이중 경로 설계이다:

1. 생성 모델: 훈련 데이터에 적합된 클래스 조건부 다변량 가우시안 모델(대각 공분산 포함)을 사용하여 숨겨진 정서 상태(기저 상태, 스트레스, 즐거움)에 따른 생리적 관측의 가능도(likelihood)를 나타낸다.
2. VFE 게이트형 라우팅: 각 관측 윈도우에 대해 변분 자유 에너지(Variational Free Energy, VFE) 점수가 계산된다. 이 점수는 모델 내재적 "놀라움(surprise)" 신호 역할을 한다.
   • 편도체 경로 (빠름): VFE가 훈련 유도 임계값 미만인 경우, 해당 윈도우는 단일 단계 EFE 최소화 경로로 라우팅된다. 이 경로는 인식론적(epistemic) 항(불확실성 감소 항)을 억제하며, 계획 지평(planning horizon) $H=1$로 작동한다.
   • 피질 경로 (심층적): VFE가 임계값을 초과하는 경우, 해당 윈도우는 더 깊은 불확실성 분석을 허용하는 능동적 인식론적 항을 포함한 다단계($H=2$) EFE 최소화를 수행하는 느린 경로로 라우팅된다.
3. 행동 선택: 판별적 분류기와 달리, NDPAI는 방향성 모니터링 권고 사항인 유지(Maintain), 강화(Escalate), 또는 *완화(De-escalate)*를 출력한다. 이는 EFE를 최소화함으로써 도출되며, 선호 상태로부터의 발산(실용적 가치)과 예상되는 정보 획득(인식론적 가치) 사이의 균형을 맞춘다. 본 구현에서는 균등 선호 사전 확률(uniform preference prior)을 사용하여 행동 선택이 주로 모호성 최소화에 의해 주도되도록 하였다.
4. 보정: 대각 가우시안 사후 확률의 내재적 과잉 확신을 교정하기 위해 사후적 leave-one-fold-out (LOO) 온도 스케일링이 적용된다.

주요 기여

1. 해당 분야의 첫 번째 능동적 추론 적용: NDPAI는 WESAD 벤치마크 하의 엄격한 LOSO 교차 검증에서 EFE 기반 능동적 추론과 이중 경로 라우팅을 적용한 최초의 아키텍처이다.
2. 우수한 확률 보정: LOO 온도 스케일링을 통해 NDPAI는 기대 보정 오차(Expected Calibration Error, ECE)를 0.319에서 0.056으로 감소시켰다. 이는 선도적인 판별적 베이스라인인 XGBoost(ECE = 0.128)보다 우수한 성능을 보이며, 보정된 확률적 출력이 생성적 접근 방식의 주요 강점임을 입증하였다.
3. 계산 효율성을 갖춘 경쟁력 있는 정확도: NDPAI(이중 경로)는 평균 균형 정확도 60.3%를 달alog성, 쌍체 윌콕슨 검정(paired Wilcoxon testing) 결과 XGBoost(64.4%)와 통계적으로 유사한 성능을 보였다. 결정적으로, VFE 게이트형 라우팅은 EFE 계산 비용을 77% 절감하였다(단 3.4%의 윈도우만이 심층 피질 처리를 필요로 함).
4. 해석 가능한 행동 출력: NDPI는 표준 판별적 베이스라인에는 없는, 임상적으로 해석 가능한 방향성 권고 사항(유지, 강화, 완화)을 생성한다.
5. 정직한 경험적 설명: 본 연구는 VFE가 피험자 수준의 OOD 탐지기로서 실패함(AUC = 0.417, 우연 수준 미만)과, 데이터 수준의 신호 제한(평탄한 EDA 역학)으로 인해 모든 모델에서 우연 수준에 가까운 성능을 보이는 "어려운 피험자"(S2, S8, S14)의 존재를 포함하여 아키텍처의 한계를 명시적으로 기록하였다.

결과

• 정확도: NDPAI 이중 경로(60.33%)는 XGBoost(64.35%) 및 로지스틱 회귀(62.88%)와 통계적으로 구별할 수 없을 정도로 유사한 성능을 보였다. 또한 단일 경로 절제 모델(편도체 전용: 46.68%, 피질 전용: 46.32%)보다 유의미하게 높은 성능을 기록했다.
• 보정: 사후 온도 스케일링은 NDPAI의 ECE를 0.056으로 개선하였으며, 이는 XGBoost의 0.128보다 현저히 낮다.
• 라우팅 효율성: 라우팅 메커니즘은 96.6%의 윈도우를 계산 효율적인 편도체 경로로 성공적으로 유도하여, 피질 전용 구성 대비 총 EFE 비용을 77% 절감하였다.
• 실패 분석: 피험자 S2, S8, S14는 모든 모델에서 일관되게 실패하였다(균형 정확도 ~36-43%). 분석 결과, 이들 피험자의 EDA 신호는 미미한 위상 변화를 보여, 교감 신경 각성 신호를 정보가 없는 상태로 만들었음이 밝혀졌다. 이는 모델의 결함이 아닌 데이터 수준의 한계임을 확인시켜 준다.
• OOD 탐지: VFE는 피험자 수준의 분포 변화를 탐지하는 데 실패했으나(AUC 0.417), 사후 엔트로피는 중간 수준의 AUC(0.722)를 달성했고, XGBoost의 불확실성은 0.889를 달성했다.

의의 및 주장
본 논문은 능동적 추론이 생리적 컴퓨팅을 위한 실행 가능한 추론 패러다임임을 주장하며, 자유 에너지 원리에 기반한 생성적 아키텍처가 정확도 면에서 판별적 분류기와 대등하면서도 다음과 같은 뚜렷한 장점을 제공함을 입증한다: 잘 보정된 확률적 예측, 해석 가능한 행동 중심 출력, 그리고 적응형 계산 할당.

그러나 저자들은 현재 기술 수준에 대해 겸허한 태도를 유지한다. 그들은 ND-PAI가 실제 배포 가능한 제품이라기보다 **개념 증명(proof of concept)**임을 명시한다. 본 연구는 현재 구현이 단순화된 대각 가우시안 가능도에 의존하고 있어 피험자 수준의 이상 탐지에 한계가 있음을 인정한다. 저자들은 "어려운 피験자"의 실패가 단순히 알고리즘적 오류가 아니라, 생리적으로 이례적인 개인들에게서 나타나는 EDA 기반 모니터링의 구조적 제약임을 강조한다. 본 연구의 의의는 능동적 추론이 우수한 보정 및 해석 가능성을 유지하면서도 교차 피로 인식에 있어 경쟁력 있는 성능을 제공할 수 있음을 입증하는 데 있으며, 이러한 장점이 실제 임상적 제약 속에서도 유지될지는 향후 실제 하드웨어 및 이질적인 인구 집단에서의 검증이 필요하다.