본 논문에서는 산업현장에서 운반작업자의 육체적 정신적 피로에 따른 안전사고를 줄이기 위하여 EEG(Electro Encephalo Graphy)와 EMG(Electromyography) 생체신호를 기반으로 정신적, 육체적 피로를 판별할 수 있는 머신러닝 기법을 제안한다.
이를 위해 먼저 운반작업자의 심리상태와 육체상태에 대한 피로여부를 분류하기 위하여 수집된 EEG 및 EMG 생체신호에 대하여 피로여부 결과를 라벨링하여 단일 데이터셋과 복합 데이터셋을 각각 구성한다. 또한 구성된 데이터셋들을 기반으로 다양한 머신러닝 기법을 적용하여 피로분류 모델을 학습하고 평가한다.
세부적으로 k-NN(K-Nearest Neighbor), SVM(Support Vector Machine), LSTM(Long Short Term Memory), DNN(Deep Neural Network) 및 CNN(Convolutional neural network)과 같은 머신러닝 기법을 활용하여 단일 EEG 데이터셋, 단일 EMG 데이터셋, 그리고 복합 데이터셋에 대해 학습하고 학습된 모델을 생체신호의 복합 피로 기준에 따라 피로판별 성능을 평가하였다. 성능 실험 평가 결과, 단일 EEG 데이터셋으로 학습한 모델의 정확도는 0.69에서 0.74로 나타났으며 단일 EMG 데이터셋으로 학습한 모델의 정확도는 0.74에서 0.80으로 나타났다. 복합 데이터셋으로 학습한 모델의 정확도는 0.74에서 0.93으로 더 높게 나타났으며 이는 육체적 피로와 정신적 피로를 종합적으로 고려한 피로판별에는 복합 데이터셋으로 학습한 모델의 정확도가 더 우수함을 알 수 있었다.
또한, 본 연구를 통해 개발한 COFA(COmplex biological-signals FAtigue detection) 모델은 관련 연구를 통해 조사된 다른 알고리즘 및 머신러닝 모델과 비교하여 더 높은 정확도인 0.98을 보였으며 정밀도(Precision)와 재현율(Recall) 역시 높은 성능을 나타냈다. 따라서 본 연구에서 제안된 복합 데이터셋 구성과 COFA 모델을 활용하면 신체 및 정신적 피로도를 종합적으로 고려한 높은 정확도의 피로판별이 가능하며 이 기법을 통해 산업 재해 및 안전사고 감소에 유용하게 활용될 것으로 기대한다.