중력 인식: 딥러닝과 LLM으로 보는 인간의 중력 적응 메커니즘

초록

본 논문은 두 단계의 계산 모델을 제시한다. 첫 번째는 중력 부하에 따른 EEG 주파수 변화를 예측하는 경량 MLP이며, 두 번째는 HRV·EDA·운동 행동을 연속적으로 추정하는 독립 Gaussian Process 군이다. 파라미터를 파라볼릭 비행 문헌에서 추출한 앵커 포인트로 보강하고, Claude 3.5 Sonnet을 이용해 각 부하 상황에서의 주관적 인식 서술을 생성한다. 정량적 모델과 생성형 서술이 일관성을 보이며, 중력 변화가 뇌·신체 전반에 미치는 영향을 통합적으로 조명한다.

상세 분석

이 연구는 인간의 중력 인식 메커니즘을 정량적·정성적으로 동시에 해석하려는 시도로, 두 개의 독립적인 서브모델을 구축한다. 첫 번째 서브모델은 다층 퍼셉트론(MLP)으로, 입력 변수는 중력 가속도(g), 실험 단계(상승·정점·하강), 피험자 연령·성별 등 메타데이터이며, 출력은 알파(8‑12 Hz), 베타(13‑30 Hz), 세타(4‑7 Hz) 등 주요 EEG 밴드의 파워 스펙트럼 변화이다. 모델은 3‑layer 구조(입력‑숨김‑출력)와 ReLU 활성화 함수를 사용하고, L2 정규화와 Adam 옵티마이저로 과적합을 억제한다. 학습 데이터는 파라볼릭 비행 실험에서 보고된 평균 EEG 변화값을 ‘앵커 포인트’로 삼아, 선형 보간과 가우시안 노이즈를 추가해 연속적인 학습 샘플을 생성한 뒤, 10‑fold 교차 검증을 통해 평균 절대 오차(MAE) 0.07 µV²를 달성했다.

두 번째 서브모델은 독립적인 Gaussian Process(GP) 군으로, 각각 HRV(시간·주파수 도메인 지표), EDA(피부 전도도), 운동 행동(가속도계 기반 보행 주기) 등을 모델링한다. 각 GP는 RBF 커널을 기본으로 하며, 하이퍼파라미터는 최대우도 추정(Maximum Likelihood Estimation)으로 최적화한다. 이 접근법은 데이터가 희소하고 비선형 관계가 복잡한 생리학적 변수들을 부드러운 연속 함수로 변환하는 데 유리하다. 특히, HRV의 SDNN과 RMSSD는 중력 부하가 증가함에 따라 비선형적으로 감소하고, EDA는 0 g에서 최소, 1.8 g에서 최대값을 보이는 ‘U‑shape’ 패턴을 정확히 재현한다.

정량 모델을 보강하기 위해 연구팀은 Claude 3.5 Sonnet(Large Language Model)을 활용해 ‘주관적 인식 서술’을 생성했다. 입력 프롬프트는 각 부하 상황별로 MLP와 GP가 출력한 생리적 파라미터(예: 알파 파워 12.3 µV², HRV RMSSD 42 ms 등)와 함께 ‘당신은 현재 어느 정도의 각성 상태이며, 중력 변화가 인지에 미치는 영향을 서술하라’는 지시문을 포함한다. LLM은 인간의 내러티브 스타일을 모방해, 0 g에서는 ‘부유감과 경계감이 혼재’, 0.38 g(화성)에서는 ‘중력 저항감이 약해져 움직임이 부드러워짐’, 1.8 g에서는 ‘신체 압박과 높은 각성으로 인해 집중력이 급증’이라는 식의 서술을 생성한다.

핵심 인사이트는 다음과 같다. 첫째, EEG 주파수 변화는 중력 부하와 비선형적으로 연관되며, 특히 알파·베타 감소는 고중력에서 각성 상승을, 세타 증가는 저중력에서 내적 집중을 의미한다. 둘째, HRV와 EDA는 중력 부하에 대한 자율신경계 반응을 정량적으로 포착하며, GP 기반 모델링이 데이터 희소성을 극복한다는 점에서 유용하다. 셋째, LLM이 생성한 서술은 정량 모델이 예측한 생리적 상태와 높은 일관성을 보이며, ‘주관적 인식’이라는 정성적 차원을 정량적 파라미터와 연결하는 새로운 방법론을 제시한다. 마지막으로, 이 통합 프레임워크는 우주 비행, 저중력 탐사, 고중력 훈련 등 다양한 시나리오에서 인간 성능을 사전에 예측하고, 맞춤형 생리·인지 모니터링 시스템을 설계하는 기반이 될 수 있다.