WearBCI Dataset: Understanding and Benchmarking Real-World Wearable Brain-Computer Interfaces Signals

1. 문제 정의 (Problem)

• 배경: 뇌 - 컴퓨터 인터페이스 (BCI) 는 인간 - 컴퓨터 상호작용, 의료 진단, 신경 재활 분야에서 중요한 역할을 하지만, 기존 시스템은 고가의 장비와 복잡한 전극 설치로 인해 일상생활에서의 장기 사용이 어렵습니다.
• 현황: 이를 해결하기 위해 비침습적이고 휴대 가능한 웨어러블 BCI 가 등장했으나, 실제 환경 (Real-world) 에서는 **운동 아티팩트 (Motion Artifacts)**로 인한 신호 품질 저하가 치명적인 문제입니다.
  • 얼굴 및 두피 근육의 EMG 신호 중첩, 전극의 미세한 이동으로 인한 피부 접촉 불안정, 임피던스 증가 및 전압 점프 등이 발생합니다.
• 한계: 기존 웨어러블 BCI 데이터셋은 대부분 정적인 실험실 환경 (앉아 있거나 휴식 중) 에서 수집되어, 신체 움직임이나 환경적 변수가 포함된 실제 상황에서의 성능 평가에 한계가 있습니다.

2. 방법론 (Methodology)

이 논문은 이러한 격차를 해소하기 위해 WearBCI라는 새로운 멀티모달 데이터셋을 제안하고 이를 기반으로 한 벤치마크 평가를 수행했습니다.

가. 데이터셋 수집 (WearBCI Dataset)

• 참가자: 36 명의 건강한 성인 (18-26 세, 성비 균형).
• 장비:
  • EEG: OpenBCI Cyton 보드 사용, 8 개 건조 전극 (Fp1, Fp2, P7, P8, T3, T4, O1, O2) 배치.
  • IMU: 머리, 손목, 발목에 총 5 개 장착.
  • 비디오: 이고센트릭 (Egocentric) 카메라 (내시점 영상).
• 실험 프로토콜 (3 단계 운동 강도):
  1. 정적 (Static): 앉아 있는 상태 (눈 뜨기/감기).
  2. 신체 움직임 (Body Movements): 머리 흔들기, 고개 끄덕임, 눈 움직임, 팔 뻗기, 타이핑 등 5 가지 동작.
  3. 보행 (Walking): 2, 3, 4 km/h 속도로 걷기.
  4. 내비게이션 (Navigation): 실내에서 문 열기, 인사하기, 장애물 회피, 복도 이동, 포스터 읽기, 문 두드리기 등 6 가지 자연스러운 작업 수행.
• 동기화: NTP 를 사용하여 EEG(250Hz), IMU(100Hz), 비디오(30fps) 데이터를 시간 동기화.

나. 분석 및 벤치마크

• 신호 분석: 시간 영역 특성, 전력 스펙트럼 밀도 (PSD), 뇌 영역별 토포그래픽 맵을 통해 운동 강도에 따른 EEG 신호 왜곡을 분석.
• 기존 기법 평가: 6 가지 대표적인 EEG 신호 향상 (Denoising) 기법을 벤치마크.
  • 전통적 방법: ICA(독립 성분 분석), EMD(경험적 모드 분해), ASR(아티팩트 부분 공간 재구성).
  • 딥러닝 모델: GAN 기반 (GCTNet), Transformer 기반 (EEGDNet), Diffusion 기반 (EEGDfus).
• 평가 지표: 가중치 PSD 거리 ($D_{PSD}$), 알파 피크 일관성, EMG 지수, 뇌 성분 비율 (Brain IC Ratio).

다. 사례 연구 (Case Studies)

1. 교차 모달 신호 향상: IMU 데이터를 활용하여 운동 아티팩트를 추정하고 EEG 신호에서 제거하는 선형 회귀 모델 적용.
2. 다차원 행동 이해: EEG, IMU, 비디오 데이터를 융합하여 LLM(대형 언어 모델) 을 통해 인간의 행동 (장면, 동작, 인지 상태) 을 해석.

3. 주요 기여 (Key Contributions)

1. 최초의 멀티모달 웨어러블 BCI 데이터셋: 36 명의 참가자로부터 수집된 동기화된 EEG, IMU, 이고센트릭 비디오 데이터를 포함하며, 다양한 운동 역학 (정적, 신체 움직임, 보행, 내비게이션) 을 포괄합니다.
2. 체계적인 벤치마크: 운동 아티팩트가 EEG 신호 품질에 미치는 영향을 정량화하고, 기존 및 최신 신호 향상 기법의 성능을 다양한 운동 조건에서 평가했습니다.
3. 새로운 응용 가능성 제시:
   • IMU 를 활용한 교차 모달 신호 향상 기법의 유효성 입증.
   • 멀티모달 데이터를 통한 다차원 인간 행동 이해 (인지, 행동, 장면 인식) 가능성 탐구.

4. 주요 결과 (Results)

• 운동과 신호 품질의 상관관계: 운동 강도가 증가할수록 EEG 와 IMU 신호의 변동성 (STD) 이 증가하며, 이는 전극 접촉 변화와 두피 근육 활성화와 직접적인 연관이 있음이 확인되었습니다.
• 스펙트럼 왜곡: 정적 상태에서는 알파 파 (8-13Hz) 가 명확했으나, 운동 시 광대역 (Broadband) 스펙트럼 상승이 관찰되었습니다. 특히 갑작스러운 동작 (장애물 회피, 인사 등) 이 부드러운 동작보다 더 심각한 왜곡을 유발했습니다.
• 벤치마크 평가 결과:
  • 전통적 방법 (ICA, ASR 등): 운동 강도가 증가할수록 성능이 급격히 저하되었습니다. (예: ICA 의 $D_{PSD}$가 정적 대비 내비게이션 조건에서 16.1 에서 50.6 으로 급증).
  • 딥러닝 모델: 스펙트럼 왜곡 ($D_{PSD}$) 은 효과적으로 줄였으나, **신경 신호까지 과도하게 제거 (Over-cleaning)**하여 뇌 성분 비율 (Brain IC Ratio) 이 낮아지는 문제가 발생했습니다.
• 사례 연구 결과:
  • IMU 기반 향상: 단순한 선형 회귀 모델을 통해 운동 아티팩트를 제거한 결과, 기존 전통적 방법보다 스펙트럼 왜곡을 줄이고 신경 신호 보존율을 높였습니다.
  • 멀티모달 행동 이해: 단일 모달리티보다 융합 (Fusion) 시 행동 이해 정확도가 크게 향상되었습니다. 특히 'Optimized Fusion' 전략은 전체 BERTScore 0.86 을 기록하며, 비디오가 장면 인식에, IMU 가 동작 인식에, EEG 가 인지 상태 파악에 각각 기여함을 입증했습니다.

5. 의의 및 결론 (Significance)

• 실제 환경 적용의 길: WearBCI 데이터셋은 웨어러블 BCI 시스템이 일상생활에서 직면하는 운동 아티팩트 문제를 해결하기 위한 필수적인 벤치마크 자원입니다.
• 기술적 통찰: 기존 선형 통계 기반 방법론은 복잡한 실제 운동 환경에 적합하지 않으며, 딥러닝 기반 방법은 신경 신호 보존과 아티팩트 제거 간의 균형 (Trade-off) 을 맞추는 새로운 접근이 필요함을 시사합니다.
• 미래 방향: 멀티모달 센서 (IMU, 비디오 등) 를 활용한 신호 향상 및 행동 분석은 알츠하이머 환자 등 특정 집단을 위한 개인화된 중재 및 보다 견고한 웨어러블 BCI 시스템 개발의 기반이 될 것입니다.

이 논문은 웨어러블 BCI 의 실용화를 위한 데이터 기반 연구의 새로운 표준을 제시하며, 신호 처리 기술과 인간 행동 이해의 융합을 촉진합니다.