[논문 리뷰] Mental State Recognition via Wearable EEG

Pouya Bashivan, Irina Rish외 1명|arXiv (Cornell University)|2016. 02. 02.

EEG and Brain-Computer Interfaces참고 문헌 10인용 수 47

한 줄 요약

이 연구는 지침적(논리적)이 아닌 오락적(정서적) 비디오 자극에 의해 유도된 다양한 정서 상태를 인식하는 데에 저비용 웨어러블 뇌파 측정 장치를 사용하는 것이 가능한지 조사한다. 서포트 벡터 머신(SVMs), 희소 로지스틱 회귀, 딥 베이즈 네트워크를 활용하여 저자들은 웨어러블 뇌파가 이러한 인지 상태를 상당히 구분할 수 있음을 입증하며, 경각심, 정신 건강 및 생산성 모니터링과 같은 실제 응용 분야에서의 잠재력을 부각시킨다.

ABSTRACT

The increasing quality and affordability of consumer electroencephalogram (EEG) headsets make them attractive for situations where medical grade devices are impractical. Predicting and tracking cognitive states is possible for tasks that were previously not conducive to EEG monitoring. For instance, monitoring operators for states inappropriate to the task (e.g. drowsy drivers), tracking mental health (e.g. anxiety) and productivity (e.g. tiredness) are among possible applications for the technology. Consumer grade EEG headsets are affordable and relatively easy to use, but they lack the resolution and quality of signal that can be achieved using medical grade EEG devices. Thus, the key questions remain: to what extent are wearable EEG devices capable of mental state recognition, and what kind of mental states can be accurately recognized with these devices? In this work, we examined responses to two different types of input: instructional (logical) versus recreational (emotional) videos, using a range of machine-learning methods. We tried SVMs, sparse logistic regression, and Deep Belief Networks, to discriminate between the states of mind induced by different types of video input, that can be roughly labeled as logical vs. emotional. Our results demonstrate a significant potential of wearable EEG devices in differentiating cognitive states between situations with large contextual but subtle apparent differences.

연구 동기 및 목표

• 소비자용 웨어러블 뇌파 장치가 미세한 인지 상태의 차이를 인식하는 데에 얼마나 능력이 있는지 평가하기 위해.
• 웨어러블 뇌파가 지침적(논리적) 비디오 콘텐츠와 오락적(정서적) 비디오 콘텐츠에 의해 유도된 정서 상태를 효과적으로 구분할 수 있는지 조사하기 위해.
• 다양한 기계 학습 모델—서포트 벡터 머신(SVMs), 희소 로지스틱 회귀, 딥 베이즈 네트워크—의 성능을 평가하여 이러한 정서 상태를 분류하는 데에 사용하기 위해.
• 비임상 환경에서 실시간으로 인지 상태를 모니터링하는 데에 웨어러블 뇌파의 실용적 타당성을 규명하기 위해.
• 일상적인 상황에서 졸림, 불안 또는 피로를 감지하는 데에 저비용 뇌파 시스템의 잠재력을 탐색하기 위해.

제안 방법

• 참가자들은 지침적(논리적) 비디오 자극과 오락적(정서적) 비디오 자극을 시청하는 동안 소비자용 뇌파 헤드셋을 착용하였다.
• 뇌파 신호는 사전 처리되어 비디오 자극에 대응하는 시간에 맞춘 에포크로 분할되었다.
• 뇌파 데이터에서 관련 신경 패턴을 포착하기 위해 특징 추출이 수행되었다.
• 세 가지 기계 학습 모델—서포트 벡터 머신(SVMs), 희소 로지스틱 회귀, 딥 베이즈 네트워크—가 뇌파 특징을 기반으로 정서 상태를 분류하도록 훈련되었다.
• 분류 정확도와 통계적 유의성 검증을 통해 모델 성능이 평가되었다.
• 연구는 주로 논리적(이해, 집중)과 정서적(관여, 정서 반응)이라는 두 가지 광범위한 정서 상태를 구분하는 데에 집중하였다.

실험 결과

연구 질문

• RQ1 소비자용 웨어러블 뇌파 장치는 논리적으로 구성된 비디오 콘텐츠와 정서적으로 영향을 주는 비디오 콘텐츠에 의해 유도된 정서 상태를 감지하고 구분할 수 있는가?
• RQ2 서포트 벡터 머신(SVMs), 희소 로지스틱 회귀, 딥 베이즈 네트워크와 같은 다양한 기계 학습 모델이 저품질 뇌파 신호를 사용하여 이러한 인지 상태를 어떻게 분류하는가?
• RQ3 자극의 미세한 맥락적 차이가 웨어러블 장치를 통해 측정 가능한 뇌파 패턴의 변화를 유도할 정도로 얼마나 유의미한가?
• RQ4 비의료적 실생활 환경에서 실시간 정서 상태 모니터링을 위한 저비용 뇌파 시스템의 실용적 타당성은 어떠한가?
• RQ5 논리적 정서 상태와 정서적 정서 상태 간의 전환과 유의미하게 관련된 특정 뇌파 신호 특징이 웨어러블 뇌파 데이터에서 안정적으로 관찰되는가?

주요 결과

• 이 연구는 웨어러블 뇌파 장치가 지침적 비디오와 오락적 비디오에 의해 유도된 정서 상태를 성공적으로 구분할 수 있음을 입증한다.
• 모든 세 가지 기계 학습 모델—서포트 벡터 머신(SVMs), 희소 로지스틱 회귀, 딥 베이즈 네트워크—가 통계적으로 유의미한 분류 성능를 달성하였다.
• 결과는 낮은 신호 품질에도 불구하고 웨어러블 뇌파 시스템이 명백한 인지 상태와 관련된 의미 있는 신경 패턴을 감지할 수 있음을 시사한다.
• 분류 성능 결과는 소비자용 뇌파 하드웨어를 통해 미세하지만 맥락적으로 의미 있는 정서적 관여의 차이를 포착할 수 있음을 시사한다.
• 연구 결과는 실생활 환경에서 졸림, 정서적 스트레스 또는 인지적 피로를 모니터링하는 데에 웨어러블 뇌파의 잠재력이 있음을 지지한다.
• 이 연구는 기계 학습이 노이즈가 많고 해상도가 낮은 뇌파 데이터에서 분류 가능한 특징을 효과적으로 추출하여 높은 신뢰도로 정서 상태를 분류할 수 있음을 확인한다.