MAR(Mouth Aspect Ratio), EAR(Eye Aspect Ratio)는 얼굴 랜드마크 기반으로 정의된 비율형 특징 → 값 자체가 0-1 사이로 비교적 제한적이며 졸음 탐지 등의 응용에서 절댓값 임계치로 활용되는 경우가 많음

• EAR의 경우 특정 임계값 이하로 떨어지면 눈 깜빡임 또는 감김 상태로 간주하는 식으로 사용되는 경우가 많음

→ 이러한 특성 때문에 이 피처들을 정규화할지 여부는 논의의 여지

하지만 딥러닝은 패턴을 학습하고, 절댓값 의미가 적기 때문에 스케일링을 해도 상관 없음. 오히려 전체적 균형을 위해 하는 게 좋음

일부 피처만 정규화하면 가중치 학습이 한쪽으로 치우쳐 전체적인 학습 성능이 저하될 우려가 있음

특히 MAR/EAR 처럼 값 범위가 0 ~ 0.3 정도인 피처와, 정규화되어 0 ~ 1 범위를 갖는 피처를 함께 넣으면, 초기 가중치가 동일하다는 가정 하에 상대적으로 큰 범위의 값이 모델 출력에 더 크게 기여할 가능성이 높음. 그 결과, 작은 값 범위의 MAR/EAR 신호가 모델에 충분히 반영되지 못하거나, 반대로 가중치를 키우는 과정에서 다른 피처에 과민한 반응을 일으킬 수 있음

신경망에서 각 feature는 다음처럼 처리됨

$x_i$ : 입력값, $w_i$ : 가중치

학습은 오차에 따라 $w_i$를 업데이트하는데, 이 때 입력값 $x_i$의 크기가 클수록 $w_i$의 변화량도 커짐

즉, 값이 큰 피처는 자동적으로 모델의 학습 과정에서 더 큰 영향력을 가지게 됨

• Real-Time Driver Drowsiness Detection and Classification on Embedded Systems Using Machine Learning Algorithms

• Efficient Machine Learning-Based Drowsiness Detection for Enhanced Driving Safety: Real-Time Implementation