다중 모달 생리학적 신호 기반 운전자 행동 분류: SHAP 기반 엘리트 특징 선택과 하이브리드 그라디언트 부스팅

본 연구에서는 다중 모달 생리학적 신호로부터 운전 행동을 해석 가능하고 확장 가능한 프레임워크를 제안합니다. 우리는 동기화된 뇌파 (EEG), 근전도 (EMG), 및 전도성 피부 반응 (GSR) 신호를 포함하는 다중 모달 생리학적 운전 행동 대규모 데이터셋을 활용합니다. 우리의 접근법은 엄격한 전처리 과정을 거쳐, 시간 영역, 주파수 영역, 및 유도된 생리학적 지표를 대상으로 하는 도메인 특화 특징 추출 파이프라인을 적용합니다. 고차원성 문제를 해결하기 위해 SHAP 기반 엘리트 특징 선택을 수행하여 계산 과하를 줄이면서 예측력을 유지하며 상위 250 개의 특징만 유지합니다. 극단적 그라디언트 부스팅 (XGBoost) 과 가벼운 그라디언트 부스팅 머신 (LightGBM) 모델의 하이퍼파라미터 최적화는 Optuna 를 통한 베이지안 최적화를 통해 수행됩니다. 마지막으로, 두 그라디언트 부스팅 프레임워크의 보완적 강점을 활용하기 위해 가중치 소프트-보팅 앙상블을 구성합니다. 결과는 제안된 앙상블이 테스트 정확도를 80.91% 와 매크로-F1 점수를 0.79 로 달성하여 단일 모달 베이스라인 및 전통적인 머신러닝 모델에 비해 현저히 우수한 성능을 보인다는 것을 보여줍니다. 회귀 분석은 다중 모달 융합의 필요성을 입증하며, 가장 좋은 단일 모달 (EEG) 대비 8% 의 성능 향상을 확인합니다. SHAP 분석은 모델의 생리학적 타당성을 추가로 검증하여 EEG 가 예측 중량 대부분을 담당하고 GSR 과 EMG 특징이 고 각성 및 모터 집약적 조작에 대한 중요한 구별 신호를 제공한다는 것을 보여줍니다.