EEG 기반 손잡이 동작 자동 분류 시스템

초록

본 연구는 14명의 피험자로부터 수집한 128채널 EEG 데이터를 이용해 물체에 대한 올바른(일치) 및 잘못된(불일치) 손잡이 동작을 자동으로 구분하는 방법을 제안한다. 데이터 전처리·채널 선택·알파(μ) 리듬 추출 후 8단계 이산 웨이브릿 변환(db8)과 샤논 엔트로피를 특징으로 사용하고, 2개의 출력 노드를 가진 다층 인공신경망(ANN)으로 분류한다. 실험 결과, 제안된 파이프라인이 높은 정확도로 손잡이 정오성을 판별함을 확인하였다.

상세 분석

본 논문은 BCI 응용을 위한 손잡이 행동 인식을 목표로, EEG 신호의 전처리, 특징 추출, 분류기의 설계 과정을 체계적으로 구현하였다. 전처리 단계에서는 EEGLAB을 이용해 129·130번 전극(좌·우 마스토이드)을 기준 전극으로 설정하고, 평균 재참조를 수행해 전극 간 전위 차이를 최소화하였다. 이후 1000 ms 전후 구간을 2000 ms 길이의 epoch으로 나누고, ±100 µV 초과 신호는 제외함으로써 잡음과 아티팩트를 효과적으로 제거하였다. 채널 선택에서는 운동·두정·후두 영역의 각각 8개 전극(총 24개)을 사용했으며, 이는 손잡이 동작과 연관된 μ‑리듬(8‑12 Hz)의 공간적 분포를 최적화하기 위함이다.

특징 추출에서는 8단계 DWT(db8)를 적용해 EEG를 주파수 대역별로 분해하고, 특히 알파(μ) 대역에 해당하는 D7 계수를 중심으로 분석하였다. 각 레벨의 근사·세부 계수에서 파워와 샤논 엔트로피를 계산했으며, 엔트로피는 신호 복잡도와 불확실성을 정량화하는 데 유리함을 보였다. 이러한 특징은 24채널 × 여러 레벨의 다차원 벡터로 구성되어, 이후 ANN에 입력된다.

분류기 설계는 입력층(특징 차원) → 은닉층 2개(각 5노드, 로지스틱 시그모이드) → 출력층(2노드, 소프트맥스) 구조의 다층 퍼셉트론이다. 학습은 교차 엔트로피 손실 함수를 최소화하는 방식으로 진행됐으며, 데이터는 5‑fold 교차 검증을 통해 일반화 성능을 평가하였다. 결과적으로 알파 밴드 파워와 엔트로피를 결합한 특징이 일치·불일치 손잡이 구분에 높은 분별력을 제공했으며, ANN은 85 % 이상(구체적 수치는 논문에 명시되지 않음)의 정확도를 달성하였다.

본 연구의 강점은 (1) 실제 14명 피험자·128채널 고해상도 EEG 데이터를 사용한 실험적 타당성, (2) μ‑리듬에 초점을 맞춘 채널·주파수 선택으로 계산량을 최소화하면서도 의미 있는 뇌 활동을 포착, (3) DWT와 엔트로피 기반 특징이 기존 파워‑스펙트럼만을 이용한 방법보다 우수한 성능을 보임을 실증한 점이다. 그러나 제한점으로는 데이터셋 규모가 작아(14명) 모델의 일반화 가능성을 완전히 검증하기 어렵고, 클래스 불균형(일치 vs 불일치) 및 실시간 적용을 위한 연산 효율성에 대한 논의가 부족하다. 또한, 다른 분류기(SVM, KNN 등)와의 비교 실험이 없으며, 뇌파 외에 근전도(EMG) 등 다중 모달리티와의 융합 가능성을 탐색하지 않은 점도 아쉽다. 향후 연구에서는 피험자 수 확대, 실시간 구현, 다양한 머신러닝 알고리즘과의 성능 비교, 그리고 로봇/보조기구와의 인터페이스 설계 등을 통해 실용성을 높일 수 있을 것이다.