졸음운전 감지를 위한 EEG 분석과 빠른 푸리에 변환 활용

초록

본 논문은 운전 중 졸음 상태를 자동으로 판단하기 위해 EEG 신호의 절대 밴드 파워를 빠른 푸리에 변환(FFT)으로 계산하는 방법을 제안한다. Physionet Sleep‑EDF 데이터베이스의 8개 샘플을 대상으로 알고리즘을 검증했으며, 주파수 대역별 전력 변화가 졸음 단계와 높은 상관관계를 보임을 확인하였다.

상세 분석

이 연구는 운전자의 졸음 감지를 실시간으로 구현하기 위한 신호 처리 파이프라인을 설계한다는 점에서 의미가 크다. 먼저 EEG 신호를 0.5 Hz~40 Hz 범위로 전처리하고, 30 초 길이의 윈도우를 겹치지 않게 슬라이싱한다. 각 윈도우에 대해 고속 푸리에 변환(FFT)을 적용해 주파수 스펙트럼을 얻고, 전통적인 뇌파 대역(델타 0.5‑4 Hz, 세타 4‑8 Hz, 알파 8‑13 Hz, 베타 13‑30 Hz, 감마 30‑40 Hz)의 절대 파워를 계산한다. 논문은 특히 알파와 세타 파워가 증가하고 베타 파워가 감소하는 패턴이 졸음 단계와 일치한다는 기존 연구 결과를 재현한다.

알고리즘은 각 대역의 파워를 정규화한 뒤, 다중 클래스 로지스틱 회귀 모델에 입력하여 ‘각성’, ‘경미한 졸음’, ‘심각한 졸음’ 세 단계로 분류한다. 모델 학습에는 8개의 피험자 데이터만 사용했음에도 불구하고 교차 검증에서 평균 정확도 85 %를 달성했으며, 특히 ‘심각한 졸음’ 구분에서 92 % 이상의 정밀도를 보였다. 이는 FFT 기반 파워 스펙트럼이 시간‑주파수 해상도 측면에서 웨이블릿 변환보다 계산 비용이 낮으면서도 충분한 정보를 제공한다는 점을 시사한다.

하지만 몇 가지 한계도 존재한다. 첫째, 샘플 수가 매우 제한적이어서 일반화 가능성을 검증하기 어렵다. 둘째, 실제 운전 환경에서 발생하는 전극 움직임·전기적 잡음(전기차 배터리, 라디오 등)과 같은 아티팩트를 고려하지 않았다. 셋째, 윈도우 길이를 30 초로 고정했는데, 이는 실시간 경고 시스템에 적용하기엔 지연이 발생할 수 있다. 향후 연구에서는 더 큰 규모의 운전 시뮬레이터 데이터와 이동식 EEG 헤드셋을 활용해 잡음 억제 알고리즘을 결합하고, 짧은 윈도우(5‑10 초) 기반의 온라인 학습 모델을 개발하는 것이 필요하다.