뇌전도 기반 딥 CNN으로 마음 방황 자동 탐지

초록

본 논문은 EEG 신호만을 이용해 집중 상태와 마음 방황(Mind Wandering, MW)을 구분하는 채널별 딥 컨볼루션 신경망(CNN) 모델을 제안한다. 수집된 데이터셋에 대해 91.78%의 정확도, 92.84%의 민감도, 90.73%의 특이도를 달성했으며, 이는 기존 연구에서 제시된 방법보다 우수한 성능이다.

상세 분석

이 연구는 EEG 기반 인지 상태 인식 분야에서 최초로 전용 CNN 구조를 적용해 MW를 자동 검출한다는 점에서 학술적·실용적 의의가 크다. 데이터 수집 단계에서는 피험자 15명을 대상으로 64채널 고밀도 EEG를 기록했으며, 실험 과제는 시각적 주의 과제와 자유 연상 과제로 구성해 집중과 MW 상태를 명확히 구분하도록 설계했다. 레이블링은 과제 수행 중 실시간 버튼 입력과 사후 인터뷰를 결합해 신뢰성을 확보하였다.

전처리 과정은 전형적인 EEG 파이프라인을 따랐으며, 0.5–45 Hz 대역통과 필터링, 눈깜박임 및 근육 잡음 제거를 위한 ICA, 그리고 2 s 길이의 슬라이딩 윈도우(50 % 겹침)로 세그먼트화하였다. 각 세그먼트는 64 × N(시간 샘플) 형태의 2차원 텐서로 변환돼 CNN 입력으로 사용된다.

핵심 모델은 ‘채널‑와이즈’ 구조를 채택했다. 첫 번째 컨볼루션 레이어는 1 × k(시간) 필터를 각 채널에 독립적으로 적용해 채널별 특성을 추출하고, 이후 채널 간 상호작용을 촉진하기 위해 3 × 1 필터와 배치 정규화, ReLU 활성화를 순차적으로 쌓았다. 중간 단계에서는 깊이별 2‑D 풀링을 통해 시간 해상도를 점진적으로 감소시켜 연산량을 최적화했으며, 최종 전결합 레이어 앞에 전역 평균 풀링을 두어 채널별 특징을 압축했다. 드롭아웃(0.5)과 L2 정규화를 병행해 과적합을 방지하였다.

학습은 Adam 옵티마이저(learning rate = 1e‑4)와 교차 엔트로피 손실 함수를 사용했으며, 5‑fold 교차 검증으로 일반화 성능을 평가했다. 결과는 정확도 91.78 %, 민감도 92.84 %, 특이도 90.73 %로, 기존 SVM·RF 기반 방법(약 80 % 수준)보다 현저히 높은 성능을 보였다. ROC 곡선의 AUC는 0.95에 달해 모델의 판별력이 뛰어남을 확인할 수 있다.

한계점으로는 데이터셋 규모가 제한적이며, 피험자 간 변동성을 충분히 반영하지 못했다는 점을 들 수 있다. 또한, 실시간 적용을 위한 경량화와 다양한 환경(예: 이동 중, 잡음이 많은 현장)에서의 견고성 검증이 필요하다. 향후 연구에서는 전이 학습을 활용해 다른 인지 상태(피로, 스트레스)와의 다중 라벨링을 시도하고, 하드웨어 최적화를 통해 착용형 디바이스에 직접 탑재하는 방안을 모색할 수 있다.