뇌파 기반 인증의 대규모 다중 세션 평가

초록

본 연구는 345명의 피험자와 6,007개의 세션으로 구성된 공개 EEG 데이터셋(PEERS)을 활용해, 다중 세션·다중 디바이스 환경에서 뇌파 기반 인증 성능을 종합적으로 평가한다. 손수 만든 특징(PSD·AR)과 최신 딥러닝 기반 메트릭 학습(SoftTriple, ArcFace, Triplet, LiftedStructure, SupCon) 방법을 비교한 결과, 딥러닝이 오류율을 최대 2배 낮추는 것으로 나타났다. 인증 오류는 시간 경과에 따라 증가(1일 6.7% → 1년 14.3%)하며, 이는 등록 템플릿을 주기적으로 갱신해야 함을 시사한다. 채널 수를 93→14→7→4로 감소시켜도 오류 상승이 제한적이어서, 의료용 고가 장비에서 저가 소비자용 장비로 전환이 가능함을 보여준다. 산업 표준과 비교했을 때 현재 성능은 아직 기준에 못 미치지만, 훈련 데이터 규모 확대 시 개선 가능성이 제시된다. 연구 코드는 오픈소스로 공개되어 재현성을 확보한다.

상세 분석

이 논문은 뇌파 기반 바이오메트릭스가 실제 서비스에 적용되기 위해 반드시 넘어야 할 두 가지 핵심 과제—‘영속성(permanence)’과 ‘확장성(scalability)’—에 초점을 맞추었다. 기존 연구가 55명 이하, 6~270세션 수준의 제한된 데이터에 의존한 반면, 저자들은 10년간 수집된 PEERS 데이터셋을 활용해 피험자당 평균 17세션, 총 6,007세션을 분석함으로써 장기적인 변동성을 정량화했다.

전처리 단계에서는 서로 다른 3종 헤드셋(129‑채널 GSN, 129‑채널 HydroCel, 128‑채널 BioSemi)의 채널 구성을 93채널 국제 10‑20 시스템에 매핑하고, 공통 평균 참조(CAR), 1‑50 Hz 밴드패스, 50 Hz 노치 필터, 로버스트 정규화를 적용해 신호 품질을 표준화했다. 이 과정은 다중 디바이스 간 신호 차이를 최소화하고, 이후 특징 추출기의 일반화 능력을 높이는 데 기여한다.

특징 추출은 두 갈래로 나뉜다. 전통적인 PSD와 AR 기반 손수 만든 특징은 계산 비용이 낮고 해석이 용이하지만, 세션 간 변동성을 충분히 포착하지 못한다. 반면, 딥러닝 기반 메트릭 학습은 입력을 고차원 임베딩 공간에 매핑해 동일 피험자 샘플은 가깝게, 타인 샘플은 멀게 배치한다. 저자는 SoftTripleLoss와 ArcFaceLoss 같은 소프트맥스 기반 손실과 Triplet, LiftedStructure, SupCon 같은 거리 기반 손실을 모두 실험했으며, 특히 SoftTriple과 SupCon이 가장 낮은 EER(≈6.7%)을 기록했다. 이는 대규모 라벨링된 데이터가 충분히 확보될 경우, 거리 기반 손실보다 클래스 중심 손실이 더 견고한 임베딩을 학습한다는 점을 시사한다.

시간에 따른 오류 증가 분석에서는 1일 후 EER 6.7%에서 1년 후 14.3%로 거의 두 배가 됨을 보고했다. 이는 EEG 신호가 개인의 생리·심리 상태, 환경 노이즈, 헤드셋 착용 방식 등에 민감하게 반응한다는 기존 문헌과 일치한다. 저자는 이러한 ‘드리프트’를 완화하기 위해 성공적인 로그인 후 템플릿을 업데이트하는 ‘동적 등록’ 전략을 제안한다.

채널 수 감소 실험에서는 의료용 93채널을 14채널(일반적인 소비자용 EEG), 7채널, 4채널로 순차 축소했으며, EER 상승폭이 1~2% 수준에 머물렀다. 이는 핵심 뇌파 패턴이 상대적으로 적은 채널에서도 충분히 포착될 수 있음을 의미한다. 따라서 비용·착용감 측면에서 저가 헤드셋으로의 전환이 실현 가능하다.

마지막으로 국제 바이오메트릭 표준(NIST, ISO/IEC)과 비교했을 때, 현재 연구의 FRR은 산업 수준(≤1%)을 크게 초과한다. 그러나 훈련 피험자 수와 세션 수가 로그 형태로 오류 감소에 기여한다는 분석 결과는, 데이터 규모를 더욱 확대하면 기준에 근접할 수 있음을 암시한다.

전반적으로 이 논문은 대규모 다중 세션·다중 디바이스 환경에서 뇌파 인증의 한계와 가능성을 정량적으로 제시하고, 딥러닝 기반 메트릭 학습이 실용적인 성능 향상의 핵심임을 입증한다. 오픈소스 코드와 데이터 공개는 향후 연구 재현성과 확장성을 크게 높일 것으로 기대된다.