뇌파 기반 청음 품질 인식: 방향성·인과 정보 흐름 분석

본 연구는 청음 품질이 시간에 따라 변하는 상황에서 인간 피험자의 뇌파(EEG) 데이터를 이용해 대뇌 기능적 연결성을 정량화하고, 청음 품질 인지를 위한 새로운 정보 이론적 지표를 제안한다. 1. **연구 배경 및 목적** 청음 품질을 평가하는 전통적인 주관적 테스트(MUSHRA 등)는 개인의 문화적·심리적 편향에 크게 좌우된다. 반면 EEG는 청각 자극에 대한 뇌의 직접적인 반응을 포착하므로, 객관적인 품질 인식 측정이 가능하다. 그러나 EEG 신호 간의 상호작용을 단순 상관관계나 상호정보량(MI)만으로는 방향성·인과성을 파악하기 어렵다. 따라서 본 논문은 방향성·인과 정보를 제공하는 여러 정보량(DI₁, DI₂, TE)과 새로운 양방향 인과 정보(CBI)를 비교·평가한다. 2. **EEG 실험 설계** - **피험자 및 장비**: 128채널 Biosemi ActiveTwo 시스템을 사용해 256 Hz로 기록. - **청음 자극**: 44.1 kHz·16 bit 원음에 스칼라 양자화와 주파수 차단 두 종류의 왜곡을 적용, Q1(고품질)부터 Q3(저품질)까지 5초 블록이 교차하는 30 초 시퀀스를 제작. - **ROI 정의**: 128채널을 8개의 ROI(전전두, 전두, 좌·우 측두, 두정, 후두 등)로 그룹화, 각 ROI는 9~12개의 전극을 포함한다. 3. **정보 이론적 프레임워크** - **Massey‑directed information(DI₁)**: 피드백이 있는 채널에서 입력이 출력에 미치는 정보를 H(Yⁿ)−H(Yⁿ‖Xⁿ) 로 정의하고, KL‑divergence 형태로 표현한다. - **Kamitake‑directed information(DI₂)**: 미래 출력 Yₙ₊₁까지 고려해 I(Xₙ;Yₙ₊₁|Xₙ₋₁,Yₙ) 로 정의, DI₁과는 조건부 의존성의 차이가 있다. - **Transfer entropy(TE)**: Schreiber가 제안한 인과적 정보 흐름 측정치로, I(Yₙ;Xₙ₋₁|Yₙ₋₁) 로 표현된다. Gaussian 가정 하에서는 Granger causality와 동등함이 알려져 있다. - **CBI(새 제안)**: 두 ROI 사이의 직접 연결성을 평가하면서, 다중접속 채널(MAC) with feedback의 조건부 분포와 실제 관측 분포 사이의 KL‑divergence를 계산한다. 수식적으로 CBI = DI₁ + DI₂ − 중복 정보 항목 형태이며, 양방향 정보를 동시에 고려한다. 4. **분석 방법** 각 ROI 쌍에 대해 위 네 가지 지표를 시간별로 추정하고, 고품질 구간(Q1)과 저품질 구간(Q3)에서 평균값을 비교한다. 통계적 유의성은 부트스트랩 및 퍼뮤테이션 테스트로 검증하였다. 또한, 인공적으로 생성한 합성 EEG 데이터(다중접속 채널 시뮬레이션)를 이용해 CBI의 샘플 효율성과 잡음에 대한 강인성을 평가하였다. 5. **주요 결과** - **CBI가 가장 높은 구분 성능**: ROC 곡선 아래 면적(AUC) 기준으로 CBI가 DI₁, DI₂, TE보다 10~15% 높은 값을 기록하였다. 특히 전전두↔두정, 좌측 측두↔후두 영역 사이에서 품질 변화에 따른 정보 흐름 차이가 크게 나타났다. - **DI₁·DI₂·TE의 제한**: 이들 지표는 피드백 효과와 다중 경로 상호작용을 충분히 반영하지 못해, 일부 ROI 쌍에서는 품질 구분이 통계적으로 유의하지 않았다. - **합성 데이터 검증**: CBI는 잡음 수준이 증가해도 안정적인 추정값을 유지했으며, 샘플 수가 500 ms 이하인 짧은 구간에서도 의미 있는 차이를 감지했다. 6. **의의 및 향후 연구** CBI는 뇌의 복합 네트워크에서 양방향 피드백을 동시에 고려함으로써, 청음 품질 인지와 관련된 고차원 인지·주의 메커니즘을 더 정확히 포착한다. 이는 실시간 청음 품질 모니터링, 청각 보조기기(예: 보청기)에서 사용자 피드백을 자동으로 조정하는 시스템에 적용 가능성을 시사한다. 향후 연구에서는 비선형 다변량 모델링, 딥러닝 기반 확률분포 추정, 그리고 다양한 청각 자극(음악, 언어 등)으로 확장할 계획이다. 7. **결론** 본 논문은 EEG 기반 기능적 연결성 분석에 방향성·인과 정보량을 적용하고, 기존 지표들의 한계를 극복하는 새로운 CBI 지표를 제안하였다. 실험 결과 CBI가 청음 품질 구분에 가장 효과적이며, 뇌의 다중 경로 피드백 구조를 반영한다는 점에서 정보 이론과 신경공학의 융합 연구에 중요한 기여를 한다.