Barely depictive: Predicting imagery vividness relative to perception with EEGNet

이 연구는 EEGNet 기반의 확률적 딥러닝 모델을 통해 시각적 심상 (VMI) 이 지각 (VP) 에 비해 상대적으로 약하지만 '거의 묘사적 (barely depictive)' 수준임을 규명하고, 두 과정을 공유된 신경 - 행동적 척도에서 정량화하는 새로운 프레임워크를 제시합니다.

핵심

이 연구는 **"우리가 무언가를 '생각할 때'와 '실제로 볼 때', 우리 뇌가 얼마나 다르게 반응하는가?"**를 과학적으로 측정하려는 흥미로운 시도입니다.

특히, **"상상하는 이미지가 실제 눈으로 보는 것보다 얼마나 더 희미한가?"**를 숫자로 딱 잘라 설명해 줍니다.

이 복잡한 연구 내용을 누구나 이해할 수 있도록, **'뇌 속의 사진관'**과 **'AI 감식관'**이라는 비유로 설명해 드릴게요.

---

1. 연구의 핵심: "상상은 왜 그렇게 흐릿할까?"

우리는 종종 "상상해 봐!"라고 할 때, 눈앞에 그림이 선명하게 떠오르는 것처럼 느낍니다. 하지만 과학자들은 오랫동안 의문을 가졌습니다.

• "실제 눈으로 보는 것 (지각)"과 "머릿속으로 그리는 것 (상상)"은 정말 비슷할까?
• 만약 비슷하다면, 상상이 실제보다 얼마나 더 '약한' 버전일까?

이 연구는 **"상상은 실제의 100% 가 아니라, 아주 희미한 10% 정도의 그림일지도 모른다"**는 가설을 검증했습니다.

2. 실험 방법: "AI 감식관"을 훈련시키다

연구진은 34 명의 참가자를 모아서 두 가지 일을 시켰습니다.

1. 실제 보기 (지각): 모니터에 고양이와 딸기 사진을 보여줍니다. 이때 사진의 선명도를 조절했습니다. (완벽한 선명도부터 아주 흐릿한 것, 심지어 아무것도 없는 검은 화면까지 5 단계로 나눴습니다.)
2. 상상하기 (상상): 소리를 듣고, 눈앞에 아무것도 없는 상태에서 그 고양이와 딸기를 머릿속으로 그려보라고 했습니다.

여기서 핵심은 'AI 감식관 (EEGNet)'입니다.
연구진은 참가자들의 머리에 전극을 붙여 뇌파 (EEG) 를 측정했습니다. 그리고 실제 사진을 볼 때의 뇌파 패턴을 AI 에게 가르쳤습니다.

• "이 뇌파 패턴은 '완벽한 선명도'야."
• "이 뇌파 패턴은 '아주 흐릿한' 거야."
• "이 뇌파 패턴은 '아무것도 없음'이야."

AI 는 이 뇌파 패턴을 학습해서, "뇌파만 봐도 이 사람이 보고 있는 이미지가 얼마나 선명한지"를 맞출 수 있게 훈련되었습니다.

3. 놀라운 결과: "상상은 '아무것도 없음'과 비슷했다"

훈련된 AI 감식관이 이제 참가자들의 '상상' 뇌파를 분석해 보았습니다. 결과는 어땠을까요?

• 비유: 만약 실제 사진을 보는 뇌파가 **'고화질 4K TV'**라면, 상상의 뇌파는 **'거의 화면이 꺼진 듯한 아주 희미한 신호'**였습니다.
• 결과: AI 가 예측한 상상의 선명도는, 실제 가장 흐릿한 사진 (Level 2) 보다는 오히려 더 희미했습니다. 하지만 '아무것도 없는 검은 화면 (Level 1)'보다는 약간 더 신호가 있었습니다.

즉, 머릿속의 이미지는 **"완전한 공백 (아무것도 없음) 과 실제 흐릿한 그림 사이"**에 위치한다는 뜻입니다.
연구진은 이를 **" Barely Depictive (거의 묘사되지 않음)"**라고 표현했습니다. 우리가 "상상했다"고 느끼지만, 뇌의 초기 시각 영역에서는 실제로는 거의 아무것도 보이지 않는 것과 비슷하다는 것입니다.

4. 재미있는 모순: "뇌는 희미한데, 왜 사람들은 '선명하다'고 말할까?"

이게 가장 재미있는 부분입니다.

• 뇌파 (AI 가 본 것): "상상은 거의 안 보이는 수준이야."
• 사람의 말 (보고서): "나는 아주 선명하게 봤어!" (대부분의 참가자가 5 점 만점에 3~4 점 정도를 줌)

왜 이렇게 차이가 날까요? 연구진은 몇 가지 가설을 세웠습니다.

• 비유: 마치 **'어두운 방에서 손전등을 비추는 것'**과 같습니다. 뇌의 신호는 아주 약한 불빛 (상상) 이지만, 사람들은 그 불빛을 보고 "오, 내가 무언가를 봤다!"라고 과장해서 표현할 수 있습니다.
• 혹은, 우리가 "상상"이라고 부르는 것이 뇌의 초기 시각 영역이 보내는 신호가 아니라, 기억이나 개념을 떠올리는 다른 뇌 영역의 활동일 수도 있습니다.

5. 이 연구가 왜 중요한가?

이 연구는 단순히 "상상이 약하다"는 것을 넘어, **아포탄시아 (Aphantasia, 상상력이 전혀 없는 상태)**를 이해하는 데 큰 도움을 줍니다.

• 과거의 생각: "상상력이 없는 사람들은 뇌가 고장 난 거야."
• 이 연구의 시사점: "아니, 상상이 없는 사람들은 뇌가 보내는 진짜 신호 (희미한 불빛) 를 있는 그대로 정확하게 보고 있는 것일지도 몰라. 반면, 상상이 선명하다고 느끼는 사람들은 그 희미한 신호를 과장해서 해석하고 있을지도 몰라."

요약

이 연구는 **"머릿속의 그림은 실제 눈으로 보는 것보다 훨씬 더 희미하고, 거의 보이지 않는 수준"**임을 뇌파와 AI 를 통해 증명했습니다. 마치 **실제 사진 (고화질)**과 상상 (거의 검은 화면) 사이의 차이를 숫자로 정확히 재어낸 셈입니다.

우리가 "상상했다"고 느낄 때, 우리 뇌의 초기 시각 영역에서는 실제로는 거의 아무것도 일어나지 않았을 수도 있다는 것이 이 연구가 던지는 가장 큰 메시지입니다.

기술 요약

논문 요약: EEGNet 을 활용한 시각적 정신 이미지 (VMI) 와 지각 (VP) 의 생생도 비교

1. 연구 배경 및 문제 제기 (Problem)

• 핵심 문제: 시각적 정신 이미지 (Visual Mental Imagery, VMI) 는 시각적 지각 (Visual Perception, VP) 의 '약화된 형태'로 간주되지만, 두 과정이 신경 수준에서 얼마나 다른지, 그리고 VMI 의 생생도 (vividness) 가 VP 대비 정확히 어느 정도인지 정량화하는 방법은 명확하지 않았습니다.
• 한계점: 기존 연구들은 주로 주관적 보고 (질문지 등) 에 의존하여 VMI 의 생생도를 측정했으나, 이는 내성적 편향을 포함하며 신경 활동과 약한 상관관계만 보였습니다. 또한, VMI 와 VP 를 동일한 척도에서 비교할 수 있는 객관적인 신경 지표가 부재했습니다.
• 연구 목표: 신경 수준에서 VMI 와 VP 의 생생도를 공유된 척도 (neural-behavioural scale) 로 정량화하고, VMI 가 VP 대비 '얼마나 약한지'를 확률론적 딥러닝 기법을 통해 규명하는 것입니다.

2. 방법론 (Methodology)

가. 실험 설계 및 참가자

• 참가자: 34 명 (18-23 세).
• 자극: 고양이와 딸기 이미지 두 가지.
• 생생도 조작: 지각 (VP) 과제에서 이미지의 공간적 선명도 (sharpness, Gaussian blur) 와 밝기 대비 (luminance contrast) 를 조작하여 5 단계 (1: 없음/배경, 2-4: 중간 생생도, 5: 원본) 로 조작했습니다.
• 과제:
  1. 지각 (VP) 과제: 다양한 생생도 수준의 이미지를 보고, 5 단계 중 가장 일치하는 것을 선택.
  2. 상상 (VMI) 과제: 소리 단서를 듣고 해당 이미지를 상상한 후, 동일한 5 단계 척도로 생생도 평가.
  • 두 과제는 시간, 지시어, 응답 형식을 최대한 동일하게 설계하여 비교 가능성을 높였습니다.

나. 데이터 수집 및 전처리

• 장비: 64 채널 EEG (BioSemi ActiveTwo), 512 Hz 샘플링.
• 전처리: 나쁜 채널 제거 (RANSAC), 아티팩트 제거 (ICA/PICARD), 0.142 Hz 대역 통과 필터링, 01000 ms 구간 epoched.
• 관심 영역 (ROI): 초기 시각 영역 (EVA) 과 인접한 8 개의 후두부 전극 (O1, O2, Oz, PO3, PO4, PO7, PO8, POz) 사용.

다. 모델 아키텍처 (EEGNet)

• 모델: 뇌 - 컴퓨터 인터페이스 (BCI) 용으로 설계된 경량 합성곱 신경망 (CNN) 인 EEGNet 사용.
• 입력: 단일 트라이얼 EEG 시계열 데이터 (8 채널 × 128 샘플, 1 초 구간).
• 학습 전략:
  • Leave-One-Subject-Out (LOSO) 교차 검증: 33 명으로 학습하고 1 명을 테스트하는 방식을 모든 참가자에 대해 반복하여 참가자 간 일반화 능력 검증.
  • 학습 목표: VP 데이터로 생생도 (5 클래스 또는 3 클래스) 를 분류하는 모델을 훈련.
• 출력:
  1. 이산 예측 (Discrete): 가장 높은 확률을 가진 클래스.
  2. 기대 생생도 (Expected Vividness): 확률 분포를 기반으로 가중 평균한 연속적 값 (불확실성을 고려한 생생도 점수).

라. 검증 절차

1. VP 내 검증: 훈련된 모델이 VP 데이터에서 생생도를 얼마나 잘 분류하는지 확인.
2. 미학습 VP 데이터 일반화: 학습에 사용되지 않은 생생도 단계 (예: 3 클래스 모델이 학습한 1, 2, 5 단계에 대해 3, 4 단계 예측) 에 적용하여 모델이 생생도의 '서열 (ordinality)'을 학습했는지 확인.
3. VMI 적용: VP 데이터로 훈련된 모델을 VMI 데이터에 적용하여, VMI 가 VP 생생도 척도상 어디에 위치하는지 예측.
4. 주관적 보고와의 비교: 모델이 예측한 신경 생생도와 참가자가 보고한 주관적 생생도 간의 상관관계 분석.

3. 주요 결과 (Key Results)

가. 지각 (VP) 과의 분류 성능

• 5 클래스 모델: 평균 정확도 44.32% (우연 수준 20% 대비 유의미하게 높음, $p < 0.001$). 모든 참가자가 우연 수준 이상을 기록.
• 3 클래스 모델: 평균 정확도 69.31% (우연 수준 33% 대비).
• 서열 학습: 모델은 인접한 생생도 단계 간에 혼동이 발생했으나, 명확한 생생도 순서 (1 < 2 < 3 < 4 < 5) 를 잘 학습했음을 '기대 생생도' 값의 순차적 증가로 확인.

나. VMI 의 신경적 생생도 (핵심 발견)

• VP 대비 VMI 위치: VMI 시의 기대 생생도는 배경 화면 (Baseline, Class 1) 보다는 높았으나, 가장 낮은 생생도의 지각 자극 (Class 2) 보다는 현저히 낮았습니다.
• 정량화: VMI 의 신경적 생생도는 원본 이미지 (Class 5) 대비 약 38~46% 낮았으며, 배경 화면 대비는 약 5~6% 만 높았습니다.
• 결론: VMI 는 '거의 그림처럼 (barely depictive)' 존재하지만, 실제 지각에 비해 그 강도가 매우 약함을 신경 수준에서 입증했습니다.

다. 주관적 보고와의 관계

• 불일치: 대부분의 참가자는 주관적으로 "생생한 이미지"를 보고했으나, 신경 모델이 예측한 VMI 생생도는 매우 낮았습니다.
• 상관관계:
  • 전체 샘플에서는 예측 생생도와 보고 생생도 간 유의한 상관관계가 없었습니다.
  • 단, 생생도가 매우 낮다고 보고한 3 명 (아판타시아 의심군) 을 제외하면, 나머지 91% 의 참가자에서 약한~중간 정도의 정적 상관관계 ($\rho \approx 0.31 \sim 0.42$) 가 나타났습니다.
  • 이는 신경적 생생도가 주관적 경험과 완전히 무관하지는 않으나, 주관적 보고가 실제 신경 신호보다 과대평가될 수 있음을 시사합니다.

4. 주요 기여 (Key Contributions)

1. 신경 - 행동적 공유 척도 개발: VMI 와 VP 를 동일한 신경 기반 척도 (neural-behavioural scale) 상에서 정량적으로 비교할 수 있는 새로운 확률론적 딥러닝 프레임워크를 제시했습니다.
2. VMI 의 'barely depictive' 특성 입증: VMI 가 지각과 유사한 신경 패턴을 공유하지만, 그 강도가 지각 자극의 최소 수준보다도 약하다는 것을 객관적인 EEG 데이터를 통해 증명했습니다.
3. 생생도 조작의 성공: 저수준 시각 특징 (선명도, 대비) 을 조작하여 생생도를 객관화하고, 이를 신경 신호로 성공적으로 디코딩하여 VMI 에 적용하는 방법을 확립했습니다.
4. 아판타시아 및 개인차 연구에 대한 함의: 주관적 보고와 신경 신호 간의 괴리를 설명하며, 아판타시아 (상상력 결핍) 연구에서 신경 기반 측정의 중요성을 강조했습니다.

5. 의의 및 결론 (Significance)

• 이론적 의의: VMI 가 단순히 '약한 지각'이 아니라, 초기 시각 영역 (EVA) 에서 매우 미약하게 활성화되는 'barely depictive'한 과정임을 신경 수준에서 규명했습니다. 이는 Kosslyn 등의 기존 이론을 지지하면서도 정량적인 근거를 제공합니다.
• 방법론적 의의: 주관적 보고의 한계를 극복하고, 신경 데이터를 기반으로 한 객관적인 생생도 측정 도구를 제시했습니다. 이는 향후 아판타시아 진단, 환각 연구, 그리고 다양한 감각 영역 (청각 등) 으로 확장 가능한 프레임워크입니다.
• 실용적 함의: 개인의 상상력 능력을 평가할 때, 단순히 "이미지가 선명하다"는 주관적 보고만 믿기보다, 신경 신호를 통해 실제 지각 대비 얼마나 약한지 측정하는 것이 더 정확한 개인차 분석에 도움이 될 수 있음을 시사합니다.

요약: 이 연구는 EEGNet 을 활용하여 시각적 지각 데이터를 학습시킨 뒤 이를 상상 (VMI) 데이터에 적용함으로써, VMI 가 실제 지각에 비해 신경 수준에서 매우 약하게 (barely) 표현됨을 증명했습니다. 또한, 주관적 생생도 보고와 신경적 생생도 예측 간에는 약한 상관관계만 존재하여, 인간의 상상력 경험이 실제 신경 활성화보다 과대평가될 수 있음을 발견했습니다.