뇌파 기반 드론 스웜 제어: 시각 이미지 패러다임의 가능성

초록

본 연구는 64채널 EEG를 이용해 시각 이미지(paradigm)로 ‘Hovering’, ‘Splitting’, ‘Dispersing’, ‘Aggregating’ 네 가지 드론 스웜 명령을 구분한다. 7명의 피험자를 대상으로 200회(각 클래스 50회) 실험을 진행했으며, CSP‑LDA 기반 5‑fold 교차검증 결과 평균 정확도 36.7 % (±4.6 %)를 얻어 4‑class 우연 정확도(25 %)보다 유의하게 높았다. 비록 정확도가 아직 낮지만, EEG 신호만으로 고수준 스웜 제어가 가능함을 시연했으며, 향후 딥러닝 적용 및 명령 수 확대를 통해 실용성을 높일 계획이다.

상세 분석

이 논문은 비침습적 뇌‑컴퓨터 인터페이스(BCI)를 활용해 다중 드론(스웜) 제어를 시도한 최초 사례 중 하나로 평가할 수 있다. 실험 설계는 시각 이미지(paradigm)를 사용해 네 가지 고수준 스웜 명령을 정의했으며, 이는 기존 BCI 연구에서 주로 사용되는 운동 이미지(MI)나 SSVEP와는 차별화된 접근이다. 64채널 Ag/AgCl 전극을 10‑20 체계에 따라 배치하고, 1 kHz 샘플링·60 Hz 노치 필터를 적용해 고품질 EEG를 확보했다. 전처리 단계에서는 8‑30 Hz 대역(μ‑β 밴드)을 2차 Butterworth zero‑phase 필터로 통과시켜 시각 이미지와 연관된 리듬을 강조하였다. 이후 각 트라이얼을 4 s 구간으로 epoch하고, 공통 공간 패턴(CSP) 알고리즘을 통해 전극 간 차별적 공간 정보를 추출했다. CSP에서 앞·뒤 3개의 특성(로그 분산)을 선택해 총 6개의 피처를 구성하고, 이를 선형 판별 분석(LDA)에 입력해 4‑class를 one‑vs‑rest 방식으로 분류하였다. 5‑fold 교차검증을 적용해 과적합을 방지했으며, 전체 피험자 평균 정확도는 36.7 %로, 우연 정확도(25 %)보다 통계적으로 유의미하게 높았다. 특히 피험자 5는 41.3 %의 최고 성능을 보였으나, 피험자 3은 28.4 %에 머물며 시각 이미지 수행 능력 차이가 결과에 영향을 미쳤음을 시사한다. 이는 시각 이미지 과제 자체가 피험자마다 인지 부하와 상상 능력에 크게 좌우된다는 점을 보여준다. 논문은 현재 사용한 기본 머신러닝 파이프라인이 제한적임을 인정하고, 향후 딥러닝 기반 특징 추출 및 시계열 모델링(예: CNN‑LSTM)으로 정확도를 크게 향상시킬 가능성을 제시한다. 또한, 실시간 피드백 루프와 실제 물리적 드론 스웜을 연결하는 실험 환경 구축이 필요하다고 강조한다. 전반적으로 EEG 기반 스웜 제어의 가능성을 입증했지만, 명령 수 확대, 실시간 처리, 사용자 피로도 감소 등 실용화 단계에서 해결해야 할 과제가 다수 남아 있다.