지하철 플랫폼 자살 예방을 위한 AI 시스템

실제 지하철 감시 카메라 영상을 사용하여 훈련된 AI 시스템은 자살 시도를 할 가능성이 있는 사람을 몇 분 전에 식별할 수 있다고 주장합니다. 플랫폼 가장자리에서 서성거리는 것, 터널을 반복적으로 보는 것 등과 같은 행동을 추적합니다.

기계학습 기반의 승강장 상황 감시 시스템은 수년 전부터 시험돼 왔습니다. 대개 YOLO(You Only Look Once) 계열 영상 인식 기술을 활용해 승객의 추락 가능성, 범죄 발생, 승강장 과밀 등을 파악합니다. 과밀을 감지하면 운영자가 출입을 조절하고 대응할 수 있습니다.

2024년 논문 ‘Train Station Pedestrian Monitoring Pilot Study Using an Artificial Intelligence Approach’에서 YOLOV7가 플랫폼의 승객을 식별하는 단계. 출처

지난 3~5년 사이 영국, 캐나다, 네덜란드 등에서 철도 자살 시도나 사망 사례가 증가하면서, 철도와 지하철 승강장에서 자살 위험과 관련된 관찰 가능한 행동을 파악하는 기계학습 시스템에 대한 관심이 커졌습니다. 이러한 평가는 단일 행동이 아니라 여러 행동과 상황 요인을 함께 고려합니다.

STARR 프로젝트를 위한 데이터셋의 예시 데이터. 출처

이러한 프로젝트는 아직까지 통일된 방법론이나 공통 접근 방식을 채택하지 못했습니다. 이러한 시스템의 방법은끊임없이 발전하고 있으며, 심리학적 및 정신과학적 지식도 이러한 종류의 AI 감시 시스템에 대한 통찰력을 제공합니다.

최근 기술

지금, 캐나다의 새로운 연구는 자살 위험 평가(Suicide Risk Assessment, SRA)로 알려진 이 연구 분야의 공식화를 제안합니다.

몬트리올 교통 당국과 협력하여 연구자들은 66건의 실제 자살 시도에 대한 영상을 얻을 수 있었습니다.

새로운 논문에서 두 개의 프레임에서 출력 예측을 보여주는 이미지. 출처

실제 사례를 담은 자료가 제한적이어서 위험 사례와 대조 사례 사이의 클래스 불균형을 인위적으로 보정해야 했습니다. 그럼에도 일정한 규모의 실제 자료는 드뭅니다. 향후 세계 각지의 교통 당국이 참여하면 여러 국가의 사례를 포함한 데이터셋을 만들 수 있겠지만, 영상이 매우 민감하기 때문에 쉽지 않습니다.

이니셔티브는 다양한 태스크를 하나의 스키마로 통합한 최초의 시도이며, 메트로 플랫폼 자살 시나리오에 대한 새로운 벤치마크를 제공합니다.

저자들은 다음과 같이 말합니다:

‘다른 접근 방식과 달리, 우리의 형식은 분리된 하위 태스크에 집중하거나 의도를 직접 추론하는 대신, 누적된 증거를 통해 자살 위험을 평가합니다. ‘

‘이 작업은 자살 위험 평가를 하나의 태스크로 공식화하고 완전한 운영 파이프라인을 벤치마크로 제공함으로써, 83.2%의 ROC-AUC를 달성하여 자살 위험 평가의 복잡성을 강조하고 사회적 목적을 위한 해석 가능한 AI 시스템에 대한 새로운 연구 방향을 열어줍니다.’

새로운 논문은 AI 기반 비디오 감시를 통한 자살 위험 평가: 메트로역에서 예방을 위한 해석 가능한 프레임워크라는 제목을 가지고 있으며, Université TÉLUQ, Polytechnique Montréal, Université du Québec à Montréal의 4명의 저자에 의해 작성되었습니다.

방법

저자들의 프레임워크는 실시간 감시 비디오 피드를 분석하여 추적된 각 승객에 대한 지속적으로 업데이트되는 자살 위험 점수를 생성합니다.

승객의 자살 위험을 추정하는 시스템 파이프라인.

플랫폼은 의미 있는 영역으로 나누어지며, 반복되는 서성거림과 같은 행동 패턴을 감지할 수 있습니다.

최종적으로 시스템은 이러한 공간적 패턴을 관찰된 행동과 결합하여 각 승객에 대한 개별 자살 위험 평가를 생성합니다.

연구진은 사전 학습된 YOLOX를 사람 검출기에 사용했고, ByteTrack으로 여러 사람을 추적했습니다.

각 사람의 관절과 2차원 신체 핵심점을 추정하는 데에는 사전 학습된 HRNet 모델을 사용합니다. 추정 결과를 바탕으로 사람을 감싸는 경계 상자를 정합니다.

이 연구에서 사용한 HRNet 관절 추정의 예시. 출처

승강장 영상에서 얻은 자세와 이동 경로는 누적 이동 지도에 반영됩니다. 시스템은 이전에 제안된 STARR 프레임워크를 활용해 세 가지 행동, 즉 터널 쪽 보기(LookTunnel), 걷기(Walk), 서 있기(Stand)를 인식합니다.

승객의 신체 자세를 추정하는 STARR 프레임워크의 예시. 출처

주변 환경을 고려하기 위해 연구팀은 수작업으로 표시한 승강장 이미지로 학습한 YOLOv8n 의미 분할 모델을 이용해 승강장을 구역으로 나눴습니다.

승강장을 벽 근처, 노란 선 근처, 터널에 인접한 끝 구역으로 나누는 의미 분할 과정. 이 구역은 승객의 움직임과 위험 관련 행동을 분석할 공간적 맥락을 제공한다.

분할 지도는 승강장 경계를 추정하고 벽 근처, 안전선에 해당하는 노란 선 근처, 터널 입구에 가까운 승강장 끝의 세 구역을 정의합니다. 이 구역을 통해 벽과 노란 선 사이의 반복 이동, 승강장 끝 구역으로의 진입 등 위험과 관련될 수 있는 움직임을 파악합니다. 연구자들은 승강장에 물건을 남겨두는 행동도 관련 신호라고 언급했지만, 이번 시스템에는 포함하지 못해 향후 과제로 남겼습니다.

플랫폼 위험 지도

프레임워크는 단일 개인의 행동만을 의존하지 않고, 여러 알려진 위험 사례의 궤적 히트맵을 결합하여 플랫폼 전체의 ‘위치 위험 히트맵’을 생성합니다.

여러 위험 사례 승객의 이동 경로를 결합해 만든 승강장 위치 위험 지도. 오래 머물거나 반복적으로 오가는 행동이 나타나는 구역이 더 두드러진다.

반복적으로 점유되는 영역은 더 높은 위험 지역으로 나타나며, 일시적 또는 빈번하지 않은 방문과 관련된 위치는 더 낮은 위험 지역으로 남습니다.

최종 위험 점수는 8개의 지표에 기반하며, 궤적 히트맵에서 파생된 위치 위험 점수, 노란 선상에서 보행 또는 서 있는지 여부, 노란 선을 건너는 횟수, 노란 선에 머무르는 총 시간, 노란 선에 머무르는 가장 긴 연속 시간, 벽과 노란 선 사이를 반복적으로 이동하는 횟수, 터널을 향한 반복적인 방향, 터널 인접 지역에 대한 진입 여부 등입니다.

이러한 행동과 공간 지표를 XGBoost 모델로 결합해 각 승객의 위험 추정치를 계속 갱신합니다.

데이터 및 테스트

테스트는 Société de transport de Montréal(STM)이 제공한 감시 영상으로 구성되며, 실제 자살 시도 이전에 녹화된 66개의 5분 녹화와 같은 카메라에서 녹화된 56개의 대조 녹화가 포함됩니다.

심리학 및 자살 행동 전문가의 도움으로, 각 승객은 위험하거나 대조군 시나리오에 나타나는지 여부에 따라 주석이 달렸으며, 256명의 개인이 생성되었습니다. 그 중 66명은 자살 시도와 관련이 있으며, 190명은 대조군에 할당되었습니다.

정보 누출을 방지하기 위해, 동일한 녹화에서 추출된 모든 개인은 동일한 데이터 분할에 할당되며, 75%의 데이터는 훈련에 사용되고 25%는 테스트에 예약되며, 위험 및 대조 사례 간의 균형을 유지합니다.

XGBoost 분류기는 300번의 부스팅 반복으로 훈련되며, 학습률은 0.05로 설정되며, 훈련 인스턴스와 특징에 대한 서브샘플링을 통해 일반화를 개선합니다. 데이터셋에는 대조 사례보다 위험 사례가 훨씬 적기 때문에, 훈련 과정에서 소수 클래스에 추가적인 가중치를 할당합니다.

성능은 주로 수신자 조작 특성 곡선 아래 면적(ROC-AUC)을 사용하여 평가되며, 시스템이 위험 및 대조 개인을 구별하는 효과를 측정합니다.

추가 지표에는 민감도, 특이도, 거짓 양성률, 거짓 음성률이 포함됩니다. 잠재적으로 위험한 상황을 조기에 식별하기 위해 의도적으로 낮은 판정 임계값을 적용했습니다.

네 가지 시스템 구성에서의 ROC-AUC, 민감도, 특이도, 오경보율과 미탐지율 비교. 수작업으로 확인한 정답 대신 자동 탐지·추적·행동 인식을 사용했을 때의 성능 변화를 보여준다.

전체 자동화된 시스템은 0.832의 ROC-AUC를 달성했습니다. 자동 감지 및 추적 구성 요소를 지상 진리 주석으로 대체하면 성능이 0.919로 향상됩니다.

활동 인식 모듈만 대체하면 ROC-AUC가 0.893으로 상승합니다. 모든 입력이 지상 진리 주석에서 제공되는 경우최고 점수인 0.924를 달성합니다. 이는 감지, 추적 및 다운스트림 지표 추출이 현재 파이프라인의 주요 오류 원인임을 시사합니다.

훈련된 XGBoost 모델의 분석 결과, 노란 선과 직접 상호 작용하는 것이 가장 강력한 예측자 중 하나였으며, 노란 선을 건너는 횟수와 플랫폼 영역 사이를 반복적으로 이동하는 것이 뒤를 이었습니다.

노란 선에 머무르는 시간과 위치 위험 점수도 크게 기여했으며, 터널을 향한 주의와 플랫폼의먼 쪽 영역에 대한 진입도 추가적인 신호를 제공했습니다.

사례별 결과에서는 나중에 자살 시도와 관련된 사람에게 높은 위험 점수가, 주변의 대조군 승객에게는 훨씬 낮은 점수가 부여됐습니다.

감시 영상의 두 사례에 대한 위험 예측과 승강장 내 체류 및 이동을 나타내는 양옆의 히트맵.

한 사례에서는 노란 선 위에서 오래 머물고 위치 위험 지도가 높은 위험으로 분류한 구역에 있었던 사람의 점수가 0.98이었습니다. 다른 사례의 위험 대상자는 0.92였지만, 근처의 대조군 승객 점수는 훨씬 낮았습니다. 저자들은 단일 행동이 아니라 여러 지표가 누적돼 이런 차이가 나타난다고 설명합니다.

저자들은 다음과 같이 결론을 내립니다:

‘성능 외에도, 우리의 연구는 해석 가능성을 강조하며, 위험 평가가 확립된 행동 및 공간적 위험 요인과 일치하는 직관적인 지표에 의해 주도됨을 보여줍니다. ‘

‘이 제안된 프레임워크는 AI 기반 감시 시스템과 자살 예방에 대한 상호 학제적 연구 사이의 유의미한 다리를 놓습니다.’

결론

개인적으로, 이런 AI 논문이 일부 대중의 격렬한 반발을 부르지 않는다는 점은 드물게 반갑습니다.

실제로, 이 시나리오에서 개인의 머리가 차지하는 픽셀의 양과 전체 사람이 차지하는 화면 공간이 매우 작아, 개인이 터널을 자주 보는지 여부를판단하기가 매우 어렵습니다.

이러한 프로젝트에서 항상처럼, 이는 해상도와 자원에 대한 문제입니다. 더 많은 카메라와 더 자주 플랫폼을 커버하는 카메라가 있다면, 일부 프레임워크를 개발하여 시선 방향을 평가할 수 있습니다.

현재 작업은 전체 신체의 방향을 평가하여 주제가 터널을보고 있는지 여부를 신호하는 것을 의존합니다.

결국, 이는 예산 문제입니다. 모든 플랫폼에 장벽과 게이트가 설치된다면, 자해의 기회는 사라질 것입니다.

확실히, 감시를 늘리는 것이 더 저렴한 옵션이며, 자해의 특징적인 징후를 조기에 식별하면 비극이 발생하기 전에 직접적인 개입을 할 수 있습니다.

최초로 2026년 6월 9일에 게시되었습니다.