2D와 3D 영상 시청이 EEG에 미치는 영향과 분류 성능 향상

초록

본 연구는 8명의 정상 성인을 대상으로 2D와 3D 영상을 시청할 때 나타나는 뇌파 변화를 EEG로 기록하고, 짧은 시간 푸리에 변환(STFT) 기반 파워 스펙트럼 밀도(PSD)를 이용해 δ와 θ 밴드의 특징을 추출하였다. 추출된 특징을 부분 최소 제곱 회귀(PLSR)와 서포트 벡터 머신(SVM)으로 분류하여, 채널 조합에 따라 2D와 3D 시청 상태를 높은 정확도로 구분할 수 있음을 보였다.

상세 분석

본 논문은 2D·3D 영상 시청이 인간의 뇌파에 미치는 차별적 효과를 정량화하고, 이를 기계학습 기반 분류기로 전환하는 전 과정을 체계적으로 제시한다. 실험 설계는 9 초의 이완, 14 초 영상 시청, 9 초 휴식이라는 3단계 파라다임을 15회 반복하여 신호‑노이즈 비를 향상시켰으며, 2D와 3D 조건을 동일한 영상과 시청 거리(130 cm)로 통제하였다. EEG는 21채널 10‑20 시스템을 사용해 512 Hz로 샘플링했으며, 50 Hz 전원 노이즈 제거를 위한 notch 필터와 1‑55 Hz 대역의 3차 zero‑phase Butterworth 필터를 적용해 전처리 품질을 확보하였다.

시간‑주파수 분석에는 Hanning 윈도우(길이 512 샘플)와 1‑샘플 오버랩을 적용한 STFT를 사용해 PSD를 계산했으며, 각 밴드(δ, θ, α, β, γ)의 전체 파워 대비 비율을 정규화하였다. 차이값(2D‑3D)이 2배 이상인 채널·밴드만을 후보로 선정한 결과, δ와 θ 밴드가 가장 큰 구분력을 보였고, γ 밴드는 차이가 미미해 제외하였다.

특징 추출 단계에서는 4 초 에포크(3.5 초 오버랩)를 15회 반복해 총 630개의 0.5 초 세그먼트를 확보했으며, 각 에포크마다 δ·θ 밴드의 PSD 값을 21채널에 대해 2 × 21 × 15 형태의 피처 행렬로 구성하였다. 분류 모델은 PLSR과 SVM 두 가지를 적용했으며, 채널 조합을 최적화함으로써 정확도 향상을 입증했다. 특히, 전두·두정·후두 영역의 특정 채널(예: Fz, Cz, Pz 등)이 2D와 3D 구분에 핵심적인 역할을 함을 확인하였다.

하지만 연구에는 몇 가지 한계가 존재한다. 첫째, 표본 수가 8명으로 제한적이며, 연령·성별·시청 경험 등의 변이성을 충분히 반영하지 못한다. 둘째, 영상 길이가 14 초로 짧아 장시간 시청에 따른 피로 누적 효과를 평가하기 어렵다. 셋째, γ 밴드를 제외한 이유가 통계적 검증보다는 관찰적 판단에 머물러 있어, 고주파 대역의 잠재적 의미를 놓쳤을 가능성이 있다. 마지막으로, PLSR과 SVM 외에 딥러닝 기반 시계열 모델을 적용하지 않아, 비선형 복합 패턴 탐지 능력이 제한될 수 있다. 향후 연구에서는 표본 확대, 다양한 영상 콘텐츠·길이 적용, 그리고 CNN‑LSTM 등 복합 모델을 도입해 분류 성능과 일반화를 동시에 추구할 필요가 있다.