EEG 기반 심층 CNN을 이용한 마음 방황 자동 탐지

본 논문은 일상 생활 및 작업 수행 중 발생하는 마음 방황(Mind Wandering, MW)의 부정적 영향을 최소화하기 위해, EEG 신호만을 이용해 실시간으로 MW를 자동 탐지하는 딥러닝 기반 시스템을 제안한다. 서론에서는 MW가 창의성 증진과는 별개로 오류 증가, 생산성 저하, 정서적 장애와 연관될 수 있음을 언급하고, 기존 연구들이 주로 눈동자 움직임, 동공 직경, fMRI 등 다른 생리 신호에 의존했으며, EEG 기반 연구는 아직 일관된 결과를 도출하지 못하고 있음을 지적한다. 이러한 배경에서 저자는 원시 EEG 데이터를 직접 입력으로 사용해 특징을 자동 추출하는 CNN 모델을 설계하였다. 데이터는 Grandchamp 등(202X)이 공개한 64채널 EEG 데이터셋을 활용했으며, 두 명의 피험자(여성 25세, 남성 31세)가 호흡 카운팅 과제 중 MW 발생 시 버튼을 눌러 라벨링하였다. 각 세션은 20분 길이이며, 총 10세션을 수행해 약 200분의 연속 신호를 확보했다. 신호는 0.5–50 Hz 대역통과 필터링 후 Z‑score 정규화되었고, MW 라벨은 버튼 눌림 전 10초 구간에서 EEG 변화가 두드러지는 8초 구간을 선택해 475개의 MW 샘플과 동일 수량의 집중 상태(FS) 샘플을 추출했다. CNN 아키텍처는 12계층으로 구성된다. 첫 번째 컨볼루션 레이어는 1×11 커널로 시간 축에서 로컬 패턴을 포착하고, 20개의 필터를 출력한다. 두 번째 레이어는 64×1 커널로 모든 채널을 동시에 처리해 공간적 상관관계를 학습한다. 이후 1×2, 1×4, 1×4, 1×3 크기의 Max‑Pooling 레이어가 순차적으로 적용돼 차원을 축소하고, 과적합 방지를 위해 마지막 풀링 뒤에 Dropout(0.2)을 삽입하였다. 완전 연결층은 100‑50‑2 유닛으로 구성되며, Softmax를 통해 두 클래스 확률을 산출한다. 활성화 함수는 ReLU, 손실은 Cross‑Entropy, 최적화는 Adam(learning rate 미제시)으로 진행하였다. 학습은 10‑fold 교차 검증을 사용했으며, 각 fold마다 100 epoch을 수행했다. 결과적으로 전체 데이터에 대해 91.78% 정확도, 92.84% 민감도, 90.73% 특이도를 기록했다. 시간 윈도우 길이 실험에서는 8초가 가장 높은 정확도를 보였으며, 5초와 2초는 각각 86.63%와 78.52%에 그쳐 충분한 신호 정보를 제공하지 못함을 확인했다. 피험자별 일반화 실험에서는 남성 데이터만으로 학습한 모델을 여성 데이터에 적용했을 때 67.63%, 반대 경우 65.26%의 정확도를 보였으며, 두 피험자를 혼합한 데이터로 학습·테스트했을 때 81.84%의 정확도를 얻었다. 이는 개인별 뇌파 패턴 차이가 크며, 모델의 일반화를 위해 다양한 피험자와 상황을 포함한 데이터가 필요함을 시사한다. 결론에서는 EEG만을 이용한 최초의 CNN 기반 MW 탐지 모델을 제시했으며, 전처리 단계 없이 원시 신호로부터 자동으로 특징을 학습함으로써 실시간 적용 가능성을 강조한다. 그러나 피험자 수가 제한적이고 라벨링이 주관적이며, 모델 구조가 경험적 설계에 의존한다는 한계가 있다. 향후 연구 방향으로는 데이터셋 확대, 멀티모달 융합, 다른 딥러닝 아키텍처와의 비교, 그리고 모델 해석성을 높이는 방법론을 제시한다.