▲ 왼쪽부터 진창균 석사, 김한울 교수, 지도교수 김성은, 나영서 학부생

서울과학기술대학교 인공지능응용학과 김성은 교수 연구팀이 김한울 교수와의 공동 연구를 통해 뇌파(EEG) 신호만으로 사용자의 감정을 정밀하게 인식하는 딥러닝 기술을 개발하고, 해당 연구 결과가 계측 및 측정 분야의 세계적 권위지인 IEEE Transactions on Instrumentation and Measurement (JCR 상위 8.2%)에 게재 승인되었다.

이번 연구는 진창균 석사과정과 김한울 교수가 공동 제1저자로 연구를 주도했으며, 나영서 학부생이 공동 저자로 참여해 의미를 더했다. 연구팀은 뇌파 기반 감정 인식 분야의 대표적인 난제로 꼽히는 ‘불확실한 감정 레이블(Label Noise) 문제’와 ‘개인 간 신호 변동성(Inter-subject Variability) 문제’를 동시에 해결할 수 있는 딥러닝 구조를 제안하였다.  

연구팀이 제안한 모델인 ‘MILFNet(Multiple Instance Learning-d FastSlow Network)’은 다중 인스턴스 학습(Multiple Instance Learning) 기반 구조를 도입해 레이블 노이즈에 강인한 학습을 강인한 학습을 가능하게 했으며, FastSlow 이중 경로 설계를 통해 시간적 특성이 다른 뇌파 패턴을 효과적으로 포착하도록 설계되었다.

또한, ‘이중 단계 멀티태스크 오토인코더(Two-phase Multitask Autoencoder)’를 함께 적용해 개인마다 상이한 뇌파 특성을 공통된 특징 공간으로 정렬함으로써, 새로운 사용자에 대해서도 별도의 개인 보정(calibration)이나 파인튜닝 없이 높은 정확도를 유지하는 범용 모델을 구현했다.

성능 평가 결과, 연구팀은 대표적 뇌파 감정 인식 벤치마크 데이터셋인 SEED에서 97.25%의 정확도를 기록하며 기존 최고 성능(SOTA)을 갱신했다. 또한, SEED-IV와 Dreamer 데이터셋에서도 최고 성능을 달성해, 다양한 환경에서도 안정적인 일반화 성능을 입증했다. 이번 연구는 뇌파 기반 감정 인식 기술을 단순 분류 문제를 넘어, 신뢰성 있는 계측 시스템의 관점에서 확장했다는 점에서 학술적 의미가 크다.

• ▲ MILFNet 모델 구조도

연구팀은 이번 기술이 향후 실시간 정서 상태 모니터링, 웨어러블 기반 정신건강 관리 시스템, 개인 맞춤형 인터랙션 플랫폼 등 다양한 분야에 적용될 수 있을 것으로 기대하고 있다.

김성은 교수는 "이번 연구는 기존 뇌파 기반 감정 인식 기술이 가진 개인 간 신호 변동성의 한계를 극복하고, 보다 정밀하고 범용적인 감정 분석 솔루션을 제시했다는 점에서 큰 의의가 있다"라며 "향후 실제 환경에서 활용 가능한 정서 인식 기술로 발전시켜 나가겠다"고 밝혔다.