CNN 기반 시선 방향 예측으로 자폐 진단 지원

본 논문은 자폐 스펙트럼 장애(ASD) 조기 진단에 있어 기존의 금본위 진단 도구가 갖는 시간·인력·비용 부담을 경감시키기 위해, 웹캠 기반의 저비용 시선 방향 인식 시스템을 제안한다. 연구 배경으로는 ASD 아동이 사회적 장면보다 기하학적 장면을 선호한다는 시선 패턴이 조기 바이오마커로 활용될 수 있다는 선행 연구들을 제시한다. 기존 눈추적 시스템은 고가의 하드웨어, 복잡한 캘리브레이션, 머리 고정 등 아동에게 부적합한 제약이 많아 실용성이 떨어진다. 이러한 문제점을 해결하고자 저자들은 얼굴·눈 검출 단계에서 LBP와 Haar 특징을 이용한 Viola‑Jones 캐스케이드를 적용해 실시간으로 눈 영역을 추출한다. 검출된 양쪽 눈을 하나의 정사각형 이미지로 합성하고, 72×72 픽셀 이진 이미지 형태로 변환한다. CNN 모델은 LeNet‑5 구조를 변형한 것으로, 두 개의 5×5 컨볼루션 레이어와 2×2 서브샘플링(풀링) 레이어를 거쳐 전결합층(120노드)과 최종 3클래스(좌, 우, 불명) 출력층을 갖는다. 파라미터 수는 약 60 K에 불과해 학습·추론 모두 가볍다. 구현은 Caffe 프레임워크를 사용했으며, 학습 데이터는 실험실에서 표준 웹캠으로 촬영한 30명의 성인(연령 22‑35세) 영상을 기반으로 한다. 프레임 추출 후 420장의 원본 이미지를 회전·좌우반전·노이즈 추가 등으로 데이터 증강하여 총 66 750장의 학습 샘플을 확보했다. 데이터는 80 %를 학습, 20 %를 테스트에 사용했으며, 5‑fold 교차검증을 통해 모델의 일반화 성능을 평가했다. 실험 결과, 전체 테스트에서는 96.01 %의 정확도를 기록했으며, 5‑fold 교차검증 평균 정확도는 89.54 %였다. 혼동 행렬을 보면 ‘불명’ 클래스가 좌·우 클래스에 비해 오분류 비율이 다소 높아 눈 영역이 명확히 구분되지 않을 때 발생한다는 점을 알 수 있다. 실시간 성능은 평균 90 ms(프레임당)로, 일반 데스크톱 PC에서도 실시간 스트리밍 분석이 가능함을 보여준다. 논문의 주요 기여는 다음과 같다. 첫째, 고가의 눈추적 장비 없이 웹캠만으로 시선 방향을 실시간 분류할 수 있는 경량 시스템을 구현했다. 둘째, LBP·Haar 기반 검출과 LeNet 변형 CNN을 결합해 96 % 이상의 높은 정확도를 달성했다. 셋째, 데이터 증강을 통해 제한된 원본 데이터에서도 충분한 학습 효과를 얻었다. 하지만 몇 가지 한계점도 존재한다. 데이터가 성인에 국한되어 있어 아동, 특히 ASD 아동의 특수한 눈동자 움직임과 머리 움직임에 대한 일반화가 보장되지 않는다. 또한 시선 방향을 세 가지 고정 클래스만으로 구분하므로, 연속적인 시선 각도나 시선 궤적을 분석하는 정밀도는 낮다. 향후 연구에서는 아동 데이터를 다량 확보하고, 다중 클래스·연속 각도 예측 모델을 도입해 시선 패턴을 정량화하는 것이 필요하다. 또한, 다양한 조명·배경 환경에서의 견고성을 검증하고, 모바일 기기나 임베디드 시스템에 이식함으로써 실제 현장 스크리닝 도구로서의 활용 가능성을 확대할 수 있다. 결론적으로, 이 연구는 저비용, 실시간, 접근성 높은 시선 방향 인식 기술을 통해 ASD 조기 스크리닝을 지원하는 실용적인 플랫폼을 제시한다. 향후 아동 대상 데이터와 환경 다양성을 반영한 확장이 이루어진다면, 전 세계적으로 자폐 진단 접근성을 크게 향상시킬 수 있을 것으로 기대된다.