머리 움직임으로 감정과 특성 식별하기

본 논문은 인간의 머리 움직임이 개인의 정서 상태와 생활·건강 특성을 반영한다는 가설을 검증하기 위해, 착용형 센서 eSense를 이용한 실험적 데이터를 기반으로 시스템‑레벨 분석을 수행한다. 연구는 크게 네 단계로 구성된다. 첫 번째 단계는 데이터 수집으로, 46명의 피험자를 대상으로 각자 eSense 디바이스를 착용하게 한 뒤, 다섯 개의 감정 유도 영상을 순차적으로 시청하도록 하여 ‘행복’, ‘슬픔’, ‘놀람’, ‘공포’, ‘분노’ 등 다섯 가지 감정을 독립적으로 유발하였다. 영상 시청 중에는 3축 가속도와 3축 자이로스코프 데이터를 초당 샘플링하여, 머리의 이동량과 회전량을 실시간으로 기록하였다. 영상 시청이 끝난 뒤에는 설문지를 통해 14가지 인간 특성(예: 종교 실천, 흡연 여부, 가족력 등)을 조사하고, 이를 정답 라벨로 활용하였다. 두 번째 단계는 데이터 전처리 및 특징 추출이다. 원시 6차원 신호는 평균, 표준편차, 최대·최소값 등 기본 통계량을 계산하고, 각 축의 제곱합을 루트 씌워 이동량(translation magnitude)과 회전량(rotation magnitude)이라는 두 개의 복합 지표로 차원을 축소하였다. 이렇게 변환된 2차원 특징 벡터는 감정·특성 구분에 충분히 정보를 담고 있음을 사전 실험을 통해 확인하였다. 세 번째 단계에서는 머신러닝 모델 탐색을 위해 Auto‑Weka를 활용하였다. Auto‑Weka는 주어진 학습 데이터에 대해 다양한 분류·회귀 알고리즘과 하이퍼파라미터 조합을 자동으로 시험하고, 교차 검증 성능을 기준으로 최적 모델을 선택한다. 연구팀은 각 특성마다 별도의 이진 분류 모델을, 감정 인식에는 다중 클래스 분류 모델을 구축하였다. 실험 결과, 가장 높은 성능을 보인 알고리즘은 랜덤 포레스트와 서포트 벡터 머신(SVM)이며, 평균 정확도는 감정 인식에서 82%, 특성 인식에서 78%에 달했다. 특히, 회전량의 변동성이 ‘행복’과 ‘슬픔’ 구분에, 이동량의 평균이 ‘흡연 여부’와 같은 생활 습관 특성에 크게 기여한다는 특징 중요도 분석 결과가 눈에 띈다. 네 번째 단계는 실시간 시스템 구현이다. Android 기반 데이터 수집 앱과 Java 기반 데스크톱 애플리케이션을 연동해, 영상 재생·설문 조사와 센서 데이터 수집을 동시에 진행하였다. 각 데이터 포인트는 타임스탬프를 기준으로 동기화되며, 1초 윈도우 단위로 특징을 계산해 사전 학습된 모델에 입력한다. 모델 추론 결과는 즉시 사용자 인터페이스에 표시되어, 현재 감정 상태와 주요 특성(예: 흡연 여부, 종교 실천 여부) 정보를 피드백한다. 논문은 또한 기존 연구와의 차별성을 강조한다. 이전 연구들은 주로 얼굴 표정, 음성, 전신 움직임을 이용해 감정을 분류했으며, 머리 움직임만을 이용한 정서·특성 인식은 거의 시도되지 않았다. 본 연구는 머리 움직임이라는 제한된 신호에서도 충분한 구분력을 확보했으며, 저비용 착용형 디바이스만으로도 실시간 감정·특성 인식이 가능함을 입증하였다. 하지만 몇 가지 한계점도 존재한다. 첫째, 피험자 수가 46명으로 제한적이며, 연령·성별·문화적 다양성이 충분히 반영되지 않았다. 둘째, 감정 유도 영상에 대한 개인 차이와 실험실 환경 외부 요인(소음, 조명 등)이 데이터에 영향을 미칠 가능성이 있다. 셋째, 머리 움직임만으로 복합 감정이나 미세한 정서 변화를 구분하는 데는 한계가 있다. 향후 연구에서는 더 큰 규모와 다문화 데이터셋을 구축하고, 심박수, 피부전도도 등 추가 바이오센서를 결합해 멀티모달 인식을 시도할 계획이다. 또한, LSTM·Transformer와 같은 딥러닝 기반 시계열 모델을 적용해 특징 자동 추출 및 성능 향상을 도모한다. 결론적으로, 본 논문은 머리 움직임 데이터가 인간의 감정과 생활·건강 특성을 식별하는 데 유용한 정보를 제공한다는 것을 실험적으로 증명했으며, 저비용·실시간 시스템 구현 가능성을 제시함으로써 인간‑컴퓨터 상호작용 및 퍼스널 헬스케어 분야에 새로운 연구 방향을 제시한다.