PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2512.20620v3cs.HC

심층 학습 해석 가능성 맵을 활용하여 사이버멀미 불편감과 일관되게 연관된 EEG 패턴 규명

Uncovering EEG Patterns Consistently Associated with Cybersickness Discomfort Using Deep Learning Interpretability Maps

가상현실(VR) 헤드 마운트 디스플레이를 사용할 때 사이버멀미(cybersickness)라 불리는 멀미와 유사한 불편한 감각이 발생할 수 있습니다. 사이버멀미는 VR 기술의 폭넓은 활용을 저해하는 요인입니다. 뇌전도(EEG)로 기록된 뇌 활동은 비침습적으로 사이버멀미 및 이로 인한 불편감을 감지하는 데 활용될 수 있습니다. 이를 완화하기 위한 개입을 수행하려면 전체 뇌 데이터에서 사이버멀미 불편감과 관련된 유의미한 신호를 추출할 수 있는 머신러닝 알고리즘이 필요합니다. 본 연구에서는 신경망과 해석 가능성 맵(interpretability maps) 기반의 프레임워크를 구축하여, EEG 데이터에서 사이버멀미 관련 불편감을 분류(classification)하는 데 가장 유용한 특징이 무엇인지 규명했습니다. 두 개의 서로 다른 청각 사건 관련 전위(ERP) 사이버멀미 사용자 연구에서 수집된 뇌 데이터를 활용하여, 불편감 분류에 가장 중요한 시공간적 EEG 특징(센서 위치 및 시간 단계)을 추출했습니다. 첫 번째 데이터셋(n=29)의 경우, 여러 무작위 시드에 걸쳐 세 가지 서로 다른 신경망으로 프레임워크를 120회 실행한 결과, 모델(model)들은 사이버멀미 불편감을 겪는 대상자의 EEG 데이터인지를 판별하는 데 좌측 전두엽, 정중앙, 우측 두정엽 부위의 두피 위치가 가장 유용하다고 일관되게 지목했습니다. 두 번째 데이터셋(n=36)에서도 유사한 위치가 특정되었으며, 이는 시간, VR 자극, 참가자 표본 전반에 걸쳐 본 연구 결과의 데이터셋 간 일반화 가능성을 보여줍니다. 추출된 ERP 시간 윈도우의 초기 구간인 자극 제시 후 약 80~260밀리초 사이는 두 데이터셋 모두에서 모델 분류에 중요한 구간으로 표시되었습니다. 이러한 결과는 향후 EEG를 활용한 사이버멀미 관련(및 잠재적으로 다른 유형의) 불편감 분류에 어떤 특징들을 활용할 수 있는지 명확히 밝히는 데 기여합니다. 프로젝트 웹페이지: https://eeg-discomfort-nnilc.github.io/.