뇌파 기반 스트레스 상태 분류 및 응용에 관한 연구

Abstract

과학기술의 발달로 인해 시설은 많은 부분이 자동화되었고, 이로 인해 수작업으로 이루어지던 많은 작업을 대신하여 감시 및 제어와 같은 일들을 소수의 인원이 처리하게 됨에 따라, 한 사람의 작업자로 인한 실수나 오작동으로 발생한 사고가 막대한 물적, 인적 손실을 초래할 수 있다. 산업재해의 대다수는 작업자의 불안전 행동에서 발생한다고 알려져 있으며, Mcsween에 따르면 10년간 듀퐁사에서 발생한 부상의 76%가 불안전 행동에 의해 발생하였다. 불안전 행동을 일으키는 요소에는 피로, 수면부족, 스트레스, 육체적 결함 등이 있으며, 작업자의 부적절한 신체적·정신적 상태는 작업자의 스트레스가 발생의 원인이 된다.

뇌파는 뇌의 활동을 간접적으로 알 수 있는 전기적 신호이다. 뇌파는 EEG(Electro- encephalographic)와 ECoG(electrocorticographic) 등의 방법으로 얻을 수 있다. ECoG는 뇌의 대뇌 피질에 직접 전극을 붙여 뇌파를 측정하는 방법으로, 가장 깨끗한 뇌파신호를 얻을 수 있는 방법이나, 전극을 이식함에 있어 수술적 방법이 필요하다는 단점이 있다. EEG는 머리의 두개골 밖의 두피에 전극을 붙여 뇌파를 측정하는 방법으로, 뇌파 신호의 정확도는 비교적 떨어지지만, 수술적 방법이 필요 없기 때문에 비교적 인체에 적용하는데 부담이 적다. 뇌파기반의 작업자 모니터링에는 비교적 적용에 부담이 적은 EEG를 이용하여 뇌파를 얻는 것이 적합하다.

본 논문에서는 뇌파 기반 작업자 안전 기술을 제안한다. 인공지능 기반 뇌파신호 활용 작업자의 안전관리 연구에서 사용하는 실험데이터는 감정 상태 분류를 위한 공개 뇌파 데이터셋인 DEAP(Database for Emotion Analysis using Physiological Signals)를 사용하며, 작업자 상태의 스트레스 상태와 정상 상태를 라벨링하기 위해서는 Bastos-Filho 외 4명이 사용한 분류기준을 사용한다. 상태 분류를 위한 특징으로는 통계적 특징, PSD(Power Spectrum, Density), HOC(Higher-Order Crossing)특징을 사용한다. 특징 선택 알고리즘으로는 PCA(Principle Component Analysis) 및 유전알고리즘을 사용하고, 최종적으로 인공지능 알고리즘을 이용해서 분류를 수행한다. 본 논문에서는 제안의 효용성을 확인하기 위해 PCA를 이용한 특징 선택 방법과 유전알고리즘을 이용한 방법을 비교한다. 실험 결과, 유전알고리즘 기반 방법은 PCA의 65.3%에 비해 분류 정확도가 71.76%로 6.46%더 높은 성능을 보였다. 또한 개별 학습 SVM을 이용한 분류 알고리즘과 유전알고리즘을 이용한 방법 사이에서 분류 정확도를 비교한 결과 각각 77.51%와 71.76%로, 개별학습 SVM을 사용하였을 때 분류 성능이 더 높았다.

마지막으로 인적오류 사고예방을 위해 작업자에 적용할 수 있는 뇌파측정기를 제안하였으며, 인공지능 알고리즘을 통해 분류된 스트레스 여부 결과를 통해 작업자의 위험도를 계산해내는 작업자 상태 지표를 제안하였다.