DeepBrain 개인 맞춤형 EEG 인터랙션을 위한 주의 메커니즘과 임베디드 LSTM 학습

본 논문은 “마음으로 로봇을 제어한다”는 궁극적인 목표를 달성하기 위해, 저가형 EEG 헤드셋을 활용한 실용적인 뇌‑컴퓨터 인터페이스(BCI) 시스템을 설계·구현하였다. 서론에서는 기존 고가 EEG 장치(Emotiv EPOC+)와 저가 장치(Brainlink)의 가격 차이를 도표로 제시하고, 고가 장치가 제공하는 다채널·다파형 정보와 달리 저가 장치는 두 가지 파형(High/Low)만을 제공한다는 점을 강조한다. 이러한 제약에도 불구하고, 고령자·운동 제한이 있는 사용자가 일상적인 가사 작업을 로봇에게 맡길 수 있는 저비용, 저전력 솔루션의 필요성을 제시한다. 관련 연구에서는 착용형 EEG 디바이스와 RNN 기반 신호 처리 방법을 정리한다. 특히 LSTM의 장기 기억 구조와 Stacked LSTM, Attention 메커니즘, 다차원 LSTM 등에 대한 선행 연구를 언급하며, 기존 연구가 주로 실험실 환경에서 다채널 데이터를 사용하거나 단일 행동(전진)만을 제어한다는 한계를 지적한다. 시스템 개요에서는 두 개의 주요 서브시스템을 소개한다. 첫 번째는 EEG 신호 수집·전처리 모듈로, Brainlink 헤드셋을 블루투스로 연결해 256 Hz 샘플링을 수행한다. 전처리 단계에서는 잡음 제거를 위해 0.5–45 Hz 밴드패스 필터와 이동 평균 기반 이상치 보정, 그리고 정규화를 적용한다. 두 번째는 신경망 기반 EEG 해석 모듈로, 전처리된 시계열을 1초 윈도우로 나누어 Stacked LSTM에 입력한다. 모델 설계는 다음과 같다. 입력 시퀀스(256 × 1) → 3층 Stacked LSTM(각 128 유닛) → 시간 차원 Self‑Attention → 전역 평균 풀링 → Fully‑Connected(64) → Softmax(4). Attention 레이어는 각 시점의 중요도를 학습해, 집중‑이완 전이 구간에서의 미세 변화를 강조한다. 개인화 단계에서는 사전 학습된 모델을 사용자의 소량 데이터(≈5 분)로 미세 조정한다. 이때 전체 파라미터가 아닌 Attention 가중치와 최종 분류 층만 업데이트함으로써 학습 시간을 2배 이하로 단축하고, 사용자별 전극 접촉 차이를 보정한다. 실험 설계는 두 가지 환경(조용한 실내, 소음이 섞인 가정)에서 진행되었다. 피험자는 40~70세 남·여 각각 3명씩 총 6명이며, 각 피험자는 ‘집중’, ‘이완’, ‘집중→이완’, ‘이완→집중’ 네 가지 상태를 200회씩 수행한다. 데이터는 180 초 길이의 연속 기록으로 구성되며, 라벨은 one‑hot 인코딩한다. 비교 모델로는 1층 LSTM, CNN‑LSTM, SVM 기반 전통적인 특징 추출기(파워 스펙트럼, 엔트로피) 등을 사용한다. 성능 평가는 정확도, F1‑score, 추론 지연(latency), 에너지 소비를 기준으로 한다. DeepBrain은 평균 정확도 93.2%와 F1‑score 0.91을 기록했으며, 가장 높은 정확도를 보인 모델은 기존 1층 LSTM(85.4%)보다 8% 이상 향상되었다. 추론 지연은 Jetson TX2 보드에서 12 ms 이하로 실시간 제어에 충분했으며, 전력 소모는 1.8 W 수준으로 기존 CNN‑LSTM(2.6 W)보다 30% 절감되었다. 개인화 후에는 정확도가 추가로 2~3% 상승하고, 전이 구간 오분류율이 15%에서 5% 이하로 감소했다. 논의에서는 저가형 2채널 EEG가 제공하는 제한된 스펙트럼 정보에도 불구하고, 시계열 모델과 Attention을 결합함으로써 충분한 분류 성능을 얻을 수 있음을 강조한다. 또한, 시스템이 로봇 제어 명령(전진, 후진, 좌우 회전, 정지) 네 가지를 매핑해 실제 가정용 로봇(TX2 기반 NAO 대체 모델)에서 성공적으로 시연되었음을 언급한다. 한계점으로는 채널 수가 적어 복합 감정(불안, 기쁨 등) 구분이 어려움, 데이터 라벨링이 주관적이며 전극 접촉 불량 시 신호 품질 저하, 그리고 현재 4가지 상태만 지원한다는 점을 들었다. 향후 연구 방향은 (1) 다채널 저가형 EEG(예: OpenBCI)와 결합해 공간적 특징을 보강, (2) Transformer 기반 시계열 모델 도입으로 장기 의존성 및 멀티헤드 Attention 강화, (3) 실시간 피드백 루프를 통한 사용자의 뇌파 자가 조절 훈련, (4) 명령어 집합을 확대해 복합적인 가사 작업(물건 집기, 문 열기 등) 수행 가능하도록 시스템을 확장하는 것이다. 최종적으로는 저비용, 저전력, 개인 맞춤형 BCI 솔루션을 통해 고령자와 신체 제한이 있는 사용자가 일상 생활에서 자율성을 회복하도록 돕는 것이 목표이다.