뇌파 기반의 정서 측정을 통한 뇌-컴퓨터 인터페이스의 BIM 설계 적용에 관한 연구
ⓒ 2025. KIEAE all rights reserved.
Abstract
Advancements in human-centered architectural design underscore the need for objective methods to evaluate how built environments influence cognitive and emotional states. Traditional approaches rely on subjective surveys, which limit reproducibility and data accuracy. This study explores the potential of brain-computer interface (BCI) technology—specifically EEG signal analysis—to quantitatively assess how environmental variables such as lighting, color, and spatial layout affect users’ attention, arousal, and emotional valence.
A comprehensive literature review was conducted to investigate BCI integration within the architectural context, focusing on three main domains: (1) BCI-based environmental response measurement techniques, including EEG applications in spatial and visual stimulus analysis; (2) biomimetic robotic control systems responsive to cognitive-affective states; and (3) future directions for combining BCI with design automation tools like BIM. To validate the applicability, a pilot experiment was carried out using EEG-based response analysis under controlled visual stimuli representing “calm” and “anxious” spaces. Valence and arousal metrics were derived through frequency-domain EEG analysis and statistically evaluated with respect to gender differences.
Results confirm that real-time EEG analysis can quantify emotional responses to architectural stimuli and be applied as input for BIM-based adaptive design. Gender-specific emotional differences were also reflected in system behavior. These findings support the potential of BCI technologies to enable responsive, personalized, and emotionally intelligent built environments.
Keywords:
Brain-Computer Interface (BCI), Electroencephalography (EEG), Building Information Modeling (BIM)키워드:
뇌-컴퓨터 인터페이스, 뇌파, 빌딩 정보 모델링1. 서론
1.1. 연구의 배경 및 목적
최근 건축환경 설계에서 인간 중심 접근이 단순히 설계 트렌드를 넘어, 공간의 성능과 가치를 평가하는 주요 기준으로 자리잡고 있다[1~3]. 스마트빌딩, 의료 공간, 복지시설 등 다양한 공간에서 단순한 공간 구성이나 기능배치를 넘어, 사용자의 신체적‧정서적 반응을 고려한 공간 조성이 강조되고 있으며, 이는 건강, 쾌적성, 정서 안정성과 같은 가치가 공간 설계의 핵심 변수로 다루어지고 있음을 보여준다. 이에 따라 공간의 물리적 특성과 사용자의 인지적‧정서적 반응 간의 연계성을 분석하려는 시도가 이루어지고 있으며[1,2], 이는 기존의 물리 중심 평가를 넘어서 사용자 경험 기반의 정량적 설계로 나아가는 패러다임 전환을 예고하고 있다. 이와 같은 맥락에서 뇌-컴퓨터 인터페이스(Brain-Computer Interface, BCI)는 인간의 뇌파(EEG) 신호를 통해 사용자 상태를 실시간으로 파악하고, 이를 건축환경 평가나 개선에 활용할 수 있는 핵심 기술로 주목받고 있다[1]. 기존에는 사용자 경험을 설문이나 인터뷰와 같은 간접적 방법으로 추정하는 경우가 많았으나, 최근 생체신호 기반 계측 기술의 발달로 BCI 기술을 활용하면 사용자의 생리적‧심리적 반응을 보다 직접적이며 정량적으로 파악할 수 있다. 예를 들어, 건축환경 요소(조도, 색채, 음환경, 공간 구획 등)가 사용자 주의집중, 스트레스, 편안함 등에 미치는 영향을 실증적으로 검토하는 것이 가능해진다[2].
최근, BCI 기술은 공간 자극에 따른 뇌파 반응을 해석하여 사용자 상태를 평가할 수 있을 뿐만 아니라, 인간의 뇌신호를 설계 및 제어 과정에 통합하는 방안이 모색되고 있다. BCI 데이터를 기반으로 최적의 조도 및 색온도를 자동으로 설정하거나, 뇌파 반응을 감지하여 환경 매개변수를 조절하는 로봇이 연구되고 있다[3]. 이는 건축환경 설계의 패러다임이 효율성이나 미학적 측면을 넘어, 사용자의 심리적 안정과 건강 증진이라는 목표를 달성하고 있음을 보여주는 중요한 변화이다. 그러나 기존 연구들은 사용자 반응을 계측하고 해석하는 데 그치며, 설계에 실시간으로 연동하는 프로세스까지 구현한 경우는 드물다.
이와 같은 상황에서 본 연구는 뇌파 기반 사용자 정서 반응을 실시간으로 측정하고, 이를 건축설계의 파라미터에 직접 연동하여 공간이 자동 조정되는 흐름을 구현한 실증 연구로서, 기존 연구와의 분명한 차별성을 가진다. 단순한 실험-해석을 넘어, BCI 데이터를 BIM (Building Information Modeling) 설계에 연동한 동적 설계 연계 프로세스를 제안 및 구현함으로써, HCI (Human-Computer Interaction) 기반의 사용자 중심 건축환경 설계 가능성을 구체화하였다.
따라서, 본 연구의 목적은 BCI를 활용한 건축환경 측정 및 제어 기술 관련 연구동향을 조사하고, 소규모 파일럿 테스트를 통해 실시간 설계 연동 기술의 적용 가능성과 한계를 검토하는 데 있다. 또한 BIM과 연계된 BCI 프레임워크를 제안하여 향후 건축환경 설계 및 관리에서의 BCI 기술 접목의 가치와 발전 방향을 제시하는 데 있다.
1.2. 연구의 방법 및 범위
본 연구는 방법은 Fig. 1.과 같다.
Research flowchart
첫째, 건축환경에서 BCI 기술을 적용한 연구 동향을 파악하고 체계적으로 범주화하였다. 건축환경 요소와 뇌파 신호 간의 상관성 분석, 로봇을 활용한 자동화 제어 기술, 그리고 BCI 규약 및 미래전망의 세 가지 대분류로 나누어 대표 연구들을 검토하였다.
둘째, 선행연구의 기술 동향을 기반으로 환경 매개변수 조작–뇌파 측정–사용자 반응 분석의 프로토콜을 파일럿 테스트로 구축하였다. 실험은 ‘안정–불안’ 정서 상태를 유도하는 이미지를 시각 자극으로 사용하였으며, 20인의 대학생(남자 10인, 여자 10인)을 대상으로 Emotiv EPOC+ 뇌파 장비를 활용하여 데이터를 수집하였다. 수집된 뇌파 데이터는 MATLAB 및 EEGLAB을 사용하여 전처리되었고, Arousal-Valence 모델을 기반으로 정서 상태를 분석하였다.
셋째, 분석된 뇌파 데이터를 기반으로 Revit과 Dynamo를 활용하여 BIM 모델의 설계 파라미터(천창 면적)를 실시간으로 조정하는 자동화 설계 체계를 구현하였다. 이 과정에서는 선행 통계분석에서 확인된 성별 간 정서 반응 차이를 반영하여 파라미터 조정 로직을 구성하였다.
2. 건설분야에 접목 가능한 BCI 연구동향
2장에서는 BCI 기술을 활용하여 건축환경을 측정한 연구들의 동향을 파악하고, 이를 체계적으로 범주화하였다. 이를 위해 건축환경에서 BCI 기술을 적용한 분야를 대분류 3개, 소분류 3개로 구분하고 각 범주별로 대표 연구들을 Table 1.과 같이 검토하였다. 대분류는 건축환경 요소와 뇌파 신호 간의 상관성 분석, 로봇을 활용한 자동화 제어 기술, 그리고 BCI 규약 및 미래전망으로 나누어진다.
Research trends in measuring built environments using BCI (Brain-Computer Interface)
2.1. BCI 기반 건축환경 측정 기술 동향
BCI를 기반으로 건축환경을 측정하는 기술은 사용자의 실시간 뇌파 반응을 통해 공간 특성이 사용자의 정서 및 인지 상태에 어떤 영향을 주는지 파악하고, 이를 건축환경 설계와 평가에 적용하는 시도들로 구성된다. 기존의 연구는 크게 세 가지의 측면에서 진행되고 있다. 첫째, 색채나 천장높이와 같은 실내 환경 요인이 사용자의 회복감과 편안함 등과 같은 정서 및 인지 상태에 미치는 영향을 뇌파를 통해 분석하는 연구들이 있다[1~3]. 특히, BIM을 바탕으로 하여 거주자의 상태 평가와 연계하여 맞춤형 건축환경 구성 방안을 제시하기도 하였다[3]. 이러한 방법은 주관적인 설문 중심의 기존 방법에서 벗어나 뇌파라는 정량적 방법을 활용함으로써 의사결정의 신뢰도와 과학적 근거를 강화하는 데 기여한다. 둘째, 파사드, 마감재, 쉘터 설계기준과 같은 건축환경 디자인 요소가 사용자의 주의 집중도와 감성적 반응에 미치는 영향을 뇌파를 통해 파악하는 연구가 활발하게 수행되고 있다[4~7]. 그중 실내건축 전공자를 대상으로 설계 활동 중 EEG를 측정하여, CAD, 핸드드로잉, 모형 제작 등 도구에 따라 전두엽 활성도와 주의 집중도에 유의한 차이가 나타남을 확인하였다. 이는 설계 도구가 인지적 처리에 영향을 미친다는 점을 보여주며, 향후 맞춤형 설계지원 BCI 개발의 기초자료로 활용될 수 있음을 시사하였다[7]. 이와 같은 흐름은 최근 Construction 5.01) 개념에 기반한 BCI–BIM 융합 설계 방식의 등장으로 확장되고 있다[8]. 이 방식은 EEG 기반 인지‧정서 반응을 실시간으로 분석하여 공간을 자동 조정하며, 스마트 주거 환경의 구현 가능성을 평가하였다. 특히, 비침습 센서 기반 상태 분류–BIM 연동 제어 구조는 스마트홈, 고령자 주거 등 다양한 공간에 적용 가능함을 보여주었다[3]. 또한 이는 설계 의사결정 과정에서 사용자 중심의 판단 근거를 마련하고, 인간 친화적인 공간 구현의 실현 가능성을 높이는 데 기여한다. 셋째, 뇌파 측정과 VR (Virtual Reality) 및 시뮬레이션 기술을 결합하여 실제 시공 전에 다양한 설계안들을 가상 환경에서 검증하는 방법이 주목받고 있다[9~11]. 예를 들어, 산후조리원의 창면적비[9]나 지하도로의 주행환경[10], 실내 빛환경[11] 등을 가상현실을 기반으로 구현하고 뇌파를 측정함으로써 실제 물리적인 환경을 구축하기 전 사용자의 경험을 최적화하는 것이 가능하다. 상기 연구들은 BCI 기술이 건축환경 설계의 입력 데이터로 활용될 수 있음을 시사한다.
2.2. 로봇 자동화 제어 기술 동향
BCI 기술은 건축환경의 측정뿐 아니라, 사용자의 인지적‧정서적 상태에 반응하는 자동화 제어 시스템의 구현을 위한 로봇 제어 분야에서도 적극적으로 연구되고 있다. 먼저, 로봇제어 기술과 관련한 연구로는 로봇이 지형을 스캔하고 적합한 재료를 선택하여 구조물을 구축하도록 하는 기술[12], 적외선 측정 센서를 통해 파이프라인의 형태를 인식하고 이를 기반으로 로봇이 자율적으로 이동하며 상태를 점검하는 기술 연구 등이 있다[13]. 또한, 사용자의 집중도를 기반으로 가상 및 현실에서 동시에 객체를 제어하는 시스템 개발 연구도 진행된 바 있다[14]. 신호처리 및 알고리즘 개발 영역에서는 모스부호 기반의 눈 깜빡임 신호 시스템을 통한 언어 소통 연구[15]와 SSVEP와 근전도(EMG)의 통합을 통해 BCI의 명령 오류를 감소시키거나[16], 잔여 밀집 신경망을 활용한 운동 이미지 디코딩을 통해 다중 의도 예측의 정확도를 향상시키려는 연구가 있다[17]. 앞서 살펴본 연구들은 인간과 로봇 간의 상호작용에 필요한 데이터의 정밀도를 높이고자 하는 목표를 달성하고 있다. 마지막으로 BCI기술과 로봇의 통합 연구는 다중 의도 예측, 다기능 시스템 구축, 인터랙티브 아트 등 다양한 방향으로도 발전하고 있다. 다중 의도 예측 분야에서는 신경망을 활용하여 사용자의 복수 의도를 인식하는 모델이 제안되었으며[18], 다기능 시스템 구축에 CNN 기법을 적용하거나[19], BCI를 이용해 사용자의 뇌파 반응을 실시간으로 감지하고 이를 예술적 표현으로 연결하는 연구가 진행되고 있다[20].
2.3. BCI 프로토콜 및 미래 전망
BCI 기술은 표준화된 프로토콜 개발과 미래 적용 가능성에 대한 연구 또한 핵심적인 관심사로 부상하고 있다. 첫째, BCI 프로토콜은 시스템의 표준화, 평가 방법론 등을 포함한 다양한 측면에서 발전하고 있으며, 그 중에서도 표준화된 사용자 교육 프로토콜의 부재가 기술 간의 비교와 재현을 어렵게 만드는 요인으로 지적되어 이를 해결하기 위한 표준화의 필요성이 대두되고 있다[23]. 또한, BCI 시스템의 성능을 높이고 사용자 경험의 질을 높이기 위해 증강현실(AR)과의 결합을 통한 실사용성 평가 방법론이 연구되고 있다[23]. BCI와 3D 디자인 및 제조 기술의 융합은 사용자의 뇌 신호를 기반으로 한 직관적인 설계 및 생산을 가능하게 한다[22]. 이와 같은 기술적 흐름은 ‘Neuron’ 시스템에서도 나타나는데[24], EEG 기반 감성 데이터를 실시간으로 설계에 반영하는 Grasshopper 기반 BCI 도구를 개발하였으며, 감정 반응을 설계 변수로 전환하는 워크플로우를 구현하여 실무 활용 가능성을 보여주었다[24]. 한편, EEG 기반 수동형 BCI 시스템을 활용해 실시간 인지 부하에 따라 학습 속도를 조절하는 적응형 시스템도 제안되었으며, 사용자 동기가 효과에 중요한 영향을 미치는 것으로 나타났다[25]. 이 외로 상상된 3D 형상을 EEG 신호로 분류하는 작업에 실시간 피드백을 제공함으로써 사용자 학습 성능을 향상시키는 연구도 등장하고 있다. 대표적으로 실시간 시각 피드백을 제공하는 BCI 시스템을 통해, 사용자가 상상한 도형(큐브, 구, 원뿔 등)의 분류 정확도를 높였으며, 이는 향후 뇌 기반 디자인 훈련 및 인터페이스 기술 발전에 중요한 기반이 될 수 있음을 시사하였다[26]. 둘째, 보안과 프라이버시 문제 역시 중요한 사회적 이슈로 부각되어 클라우드 환경에서 뇌파신호 보호 기법[27], BCI-모니터링 시스템 특성 연구[28], 정치‧철학적 고찰을 통한 사회적으로 수용 가능한 기술 개발 방향을 모색한 연구[29] 등이 등장하였다. 마지막으로 BCI와 딥러닝, 그리고 설명 가능한 AI를 결합한 사례[30], 뇌파 신호 기반 BCI 시스템에서 머신러닝 알고리즘을 활용하여 운동 영상 신호를 분류하고 사용자의 인증 및 제어의 신뢰성을 향상시키는 연구[31] 등 실생활에서의 적용 방안에 대한 연구가 다양하게 수행되고 있으며[32], 이는 향후 건축환경에서 개인 맞춤형 서비스와 스마트한 환경관리 시스템 구축을 가능하게 할 것으로 기대된다.
위와 같은 건설분야에 접목 가능한 BCI의 연구동향을 파악한 결과, BCI기술은 공간의 질을 높이고, 사용자 경험에 기반한 설계 자동화, 그리고 로봇과의 융합을 통한 환경 적응성 증대 등과 같이 다양한 분야에서의 발전이 가능할 것으로 예상된다. 특히 뇌파 분석을 통해 공간 요소의 변화를 실증적으로 파악함으로써, 기존의 주관적 설문조사에 비해 설계 과정 전반에 걸쳐 신뢰도 높은 의사결정이 가능할 것으로 기대된다. 이에 본 연구에서는 선행연구의 기술 동향을 기반으로 뇌파 측정–사용자 감정 분석-환경 매개변수 조작의 프로토콜을 파일럿 테스트로 구축하고, 이를 통해 실험 설계 과정에서의 주요 고려사항과 한계 요인을 사전에 도출하고자 하였다.
3. BCI 설계와 뇌파 데이터 수집
3.1. BCI 시스템 프로토콜 설계
본 연구에서는 사용자 데이터를 수집하고, 분석한 뒤 BIM 모델에 파라미터 조정할 수 있는 BCI–BIM 연계 시스템을 제안한다. 제안되는 BCI시스템의 작동 방법의 절차는 Fig. 2.에 나타내며, 상세 내용은 다음과 같다.
BCI system proposal
첫 번째, 데이터 수집 단계는 사용자의 객체 식별로부터 시작된다. 사용자가 식별하는 객체에는 초기 설계 이미지나 BIM 데이터가 포함된다. 이 같은 객체들은 길이, 높이, 너비 등과 같은 설계 파라미터 단위로 분류되어 데이터베이스에 저장된다. 이 데이터베이스는 사용자에게 처음 제시된 원본 객체와 감정 반응에 따라 조정된 변환 객체 간의 속성 변화 관계를 추적할 수 있는 구조로 설계되어 있다. 이를 통해 감정 반응이 어떤 설계 변경으로 이어졌는지를 기록하고, 이후 반복 실험이나 설계 피드백에 활용할 수 있도록 한다(단, 본 연구는 파일럿 테스트이므로 제한된 표본과 가상 환경 자극에 기반하여 시스템을 구축하였으므로, 이 데이터베이스가 사용자 피드백에는 활용되지 않았으며 설계 파라미터 조정을 위한 일방향성으로만 활용되었음을 밝힌다.).
동시에, 신호 수집 단계에서는 뇌파 장비를 통해 사용자의 뇌파 데이터를 획득한다. 이는 사용자의 감정 상태를 측정하여 이를 설계 파라미터에 반영하는데 활용된다.
두 번째, 신호 처리 단계에서는 수집된 뇌파 데이터를 정제하고 설계 연동이 가능한 형태로 가공하는 작업이 이루어진다. 먼저 전처리 과정에서는 아티팩트 제거, 필터링, 기준선 보정(Baseline Correction) 등을 통해 잡음과 노이즈를 제거하여 데이터의 정확성을 높이기 위한 보정 작업이 이루어진다.
그 후, 전처리가 완료된 뇌파 데이터는 파라미터화 과정을 거치며, 설계에 동적으로 연결 가능한 정량적 수치로 변환된다. 이를 통해 사용자의 뇌파 데이터와 설계 요소 간의 상호작용이 가능해진다.
세 번째는 성능평가 단계이다. 설계 결과에 대한 뇌파 데이터의 긍정적 감정 수치와 부정적 감정 수치를 분석하고 이를 학습하여 반복적으로 개선한다. 이처럼 반복된 절차를 통해 사용자의 상호작용 및 감정 반응에 기반하여 설계 논리를 지속적으로 정제할 수 있다. 다만, 본 연구에서는 파일럿 테스트에 해당하므로, 해당 단계에서는 시스템이 생성한 각 파라미터가 BIM 모델 내에서 정확히 전달되고 적용되었는지를 검증하는 수준에서 성능 평가를 수행하였다.
최종 단계에서는 생성 파라미터(Generative Parameters)가 사용자 감정 데이터와 객체 변환 데이터를 기반으로 생성된다. 이렇게 생성된 파라미터는 설계 파이프라인에 통합되어 사용자의 감정 상태에 맞춘 설계가 가능해진다.
3.2. 데이터 수집을 위한 실험 수행
본 실험의 목적은 뇌파 기반 감정 측정을 통해 건축환경의 물리적 특성이 정서 상태에 미치는 영향을 정량적으로 분석하고, 이를 BCI 시스템과 연계해 사용자 반응 중심의 설계 적용 가능성을 검토하는 데 있다. 이는 주관적 평가를 넘어 생리신호 기반의 설계 반영 체계를 모색하는 시도로 볼 수 있다.
본 절에서는 가상 환경에서 공간 자극이 뇌파 반응에 미치는 영향을 분석하기 위해 ‘안정–불안’ 정서 상태를 유도하는 대비된 공간 이미지(Test A, Test B)를 구성하였다. 자극 환경은 1인칭 시점을 기반으로 인간이 실제 환경에 준하는 몰입 경험을 제공할 수 있도록 설계되었으며, 건축 환경 요소가 잘 반영될 수 있도록 주거건물 내 건축 설계 형상 및 빛 환경요소를 종합적으로 고려하여 구성하였다.
인간이 가상으로 구현된 공간에서 느끼는 감정을 극대화하기 위해, 불안을 느낄 수 있는 공간에 대한 시각적 이미지를 Table 2.와 같이 프롬프트를 통해 DALL·E로 생성(Test B)한 후, StableDiffusion의 ControlNet을 사용해서 생성된 이미지의 선을 추출하여, 안정감 있는 공간 분위기를 생성(Test A)하였다.
Prompt for generating the image
생성된 이미지를 분석해보면, Test A는 따뜻한 색조, 자연광, 부드러운 질감을 통해 편안하고 밝은 분위기를 전달하며, Test B는 어두운 색감, 인공광, 거친 재료감을 통해 폐쇄적이고 차가운 분위기를 유도하도록 구성되었다. 두 자극은 동일한 공간 구성을 바탕으로 하지만, 조명 조건과 재료 색감의 대비를 통해 정서적 인상에 뚜렷한 차이를 유발하도록 설계하였다.
실험 대상자는 20인의 20대 대학생으로 구성하였으며, 남자 10인, 여자 10인으로 구성하였다. 성별 비율을 고려한 구성은 안정감 및 불안감에 대한 정서 반응이 성별에 따라 차이를 보일 가능성을 반영한 것이다[28]. 실험은 2024년 10월 10일부터 10월 17일까지 진행하였으며, 사전에는 모든 참여자에게 연구의 목적, 절차 등에 대한 충분한 설명을 제공하였다.
본 실험의 방법과 순서는 다음과 같다.
첫 번째, 뇌파 측정장비를 착용한다. 본 실험에서는 Emotiv EPOC+ 뇌파 장비를 활용하였다. 동시에 Emotiv Pro 소프트웨어를 통해 뇌파의 수집 및 모니터링을 수행한다.
두 번째, 편안한 착석 자세로 5분간 실험 환경에 적응하는 시간을 가졌으며, 이는 불필요한 신체 움직임으로 인한 노이즈를 최소화하고 뇌파 데이터의 신뢰도를 확보하기 위한 절차이다.
세 번째, 피실험자의 베이스라인(배경뇌파)를 측정하기 위해 검은 화면을 60초 동안 응시하게 한다.
넷째, 본 실험의 주요 자극인 Test A 이미지(안정감 유도 자극)를 모니터를 통해 총 10회 노출하였으며, 각 이미지의 노출 시간은 10초로 설정하였다. 각 자극 사이에는 검은 화면을 10초간 제시하여 시각 자극 간 정서 상태의 초기화를 유도하였다.
다섯째, 동일한 방식으로 Test B 이미지(불안감 유도 자극)를 10회 노출하였다. 자극 이미지의 구성 예시와 생성 과정은 각각 Fig. 3.과 Fig. 4.에 제시되어 있다.
Experiment image
Experimental image creation process
3.3. 데이터 전처리 및 분석 방법
본 연구에서는 실험 이미지가 유발하는 감정 상태를 분석하기 위하여 Arousal-Valence 모델2)을 사용하였다[38]. 본 모델은 Russell(1980)이 제안한 이론으로, 감정 상태를 각성도(arousal)와 정서 극성(valence)의 두 축을 기반으로 2차원 공간에 위치시키는 방식이다. Arousal은 자극에 대한 심리적‧생리적 각성 수준을 의미하며, 감정 반응의 강도(intensity)를 나타낸다. 높은 Arousal은 긴장, 흥분, 놀람, 분노 등 에너지가 높은 상태를 의미하며, 낮은 Arousal은 졸림, 안정, 이완 등과 같이 에너지가 낮은 상태를 지칭한다. 반면 Valence는 자극이 유발하는 정서의 방향성, 즉 긍정적 또는 부정적인 정도를 의미한다. 기쁨, 만족, 안도감 등 긍정적인 감정은 높은 Valence로, 슬픔, 불안, 혐오 등 부정적인 감정은 낮은 Valence로 표현된다. Arousal–Valence 모델은 감정 반응의 방향성과 강도를 동시에 고려함으로써, 주관적 정서를 보다 체계적이고 객관적으로 평가할 수 있는 분석틀을 제공한다[34~36].
본 연구에서는 다음과 같은 수식을 활용하여 Arousal (Eq. 1), Valence (Eq. 2)를 도출한다. 여기서 AF3과 AF4는 전두엽(Anterior Frontal)에 위치한 좌측과 우측의 채널을 의미하며, α (알파파)와 β (베타파)는 각각 8-12Hz, 13-30Hz의 대역을 뜻한다.
| (Eq. 1) |
| (Eq. 2) |
수집된 뇌파 데이터는 MATLAB R2023a 및 EEGLAB toolbox를 사용하여 전처리되었으며, 고속 푸리에 변환(Fast Fourier Transform, FFT)을 통해 주파수 영역별로 추출하였다. 또한, 개인차 보정을 위해 베이스라인 측정값을 기준으로 정규화를 실시하였다.
또한 본 연구에서는 알파파와 베타파의 상대적 파워 값을 산출하여 통계 분석에 활용하였다. 나아가 전처리 과정을 통해 뇌파 데이터의 신뢰성을 확보하고 정량적 분석이 가능한 형태로 변환하였다.
최종적으로, 사분위 범위(Interquartile Range; IQR) 기법을 활용하여 6개의 극단값을 식별하고 제거하였다. 사분위 범위는 데이터 분포에서 제1사분위수(Q1, 하위 25%)와 제3사분위수(Q3, 상위 75%) 사이의 범위를 나타내며, 데이터의 중간 50%를 포함하는 범위이다. 극단값은 Q1-1.5×IQR, Q3+1.5×IQR 범위를 벗어난 값으로 정의되며, 1.5×IQR은 극단값을 판별하기 위한 임계치로 사용된다. 제거된 값은 모두 사분위 기준 범위를 초과하는 값으로 나타났다. 위와 같은 극단값들은 대부분의 데이터에서 관찰된 패턴과 일치하지 않기 때문에 참가자의 비정상적인 반응 또는 측정 오류일 가능성이 높다. 따라서 극단값을 제거함으로써 데이터의 일관성을 유지하고자 하였다.
3.4. 데이터 분석 결과
전처리가 완료된 20명의 뇌파 데이터를 IBM SPSS Statistics v.27를 활용하여 Table 3.과 같이 분석하였다.
Differences between males and females in EEG-based valence and arousal values
Test A (안정감 유도 자극)에 대한 실험 결과로 Valence 값은 남성(M=-0.021, SD=0.260)이 여성(M=0.136, SD=0.387)보다 유의미(t=-2.312, p=0.023, d=-0.480)하게 낮은 값을 보였다. 이는 Test A 자극에 대해 여성이 남성보다 더 긍정적인 감정 상태를 경험했음을 시사한다. 반면, Arousal은 남성(M=0.195, SD=0.210)이 여성(M=-0.707, SD=0.694)보다 유의미(t=8.459, p<0.001, d=1.783)하게 높은 값을 보였다. 이는 Test A 자극에서 남성이 자극에 대해 더 높은 각성 상태를 경험했음을 의미한다.
Test B (불안감 유도 자극)에 대한 실험 결과로 남성(M=-0.191, SD=0.591)이 여성(M=-0.666, SD=0.356)보다 유의미(t=4.840, p<0.001, d=0.969)하게 높은 값을 나타냈다. 이는 Test B 자극에 대해 남성이 여성보다 덜 부정적인 감정을 경험했음을 나타낸다. Arousal은 남성(M=0.158, SD=0.403)이 여성(M=-0.396, SD=0.816)보다 유의미(t=4.233, p<0.001, d=0.866)하게 높은 값을 보였다. 이는 Test B 자극에서도 남성이 여성보다 더 높은 각성 반응을 보였음을 시사한다.
종합적으로 분석해보면, 공간의 불안을 표현한 이미지인 Test B에서 여성 참가자는 더 부정적인 감정을 경험하였고, 전체 자극 조건(Test A 및 Test B)에서 남성 참가자는 일관되게 더 높은 Arousal(각성도)을 보였다.
자극별 Valence–Arousal 좌표를 성별로 재구성하여 시각적으로 표현한 것은 Fig. 5., Fig. 6.과 같다. Test A의 경우 대부분의 데이터가 원점(0, 0) 근처에 분포하여 감정 반응이 크지 않고 중립적 상태에 머물렀음을 보여준다. 반면, Test B에서는 많은 데이터가 2사분면(부정적 감정, 높은 각성)에 분포하며, 일부는 4사분면(긍정적, 낮은 각성)으로 나타난다.
Valence-Arousal scatter plot for male participants
Valence-Arousal scatter plot for female participants
전체적으로 Test A는 Test B보다 더 높은 Valence와 중간 수준 이상의 Arousal 분포를 보이며, 이는 보다 긍정적이고 활성화된 정서 상태를 유발한 자극으로 해석된다. Test B는 부정적인 감정과 높은 각성을 유발하는 경우가 많았으나, 일부 결과에서는 긍정적 정서 반응이 낮은 각성과 함께 나타나는 패턴도 관찰되었다.
여성 참가자의 경우, Test A에서 낮은 각성 상태(Low Arousal)가 두드러지며, Valence 값은 다수의 포인트가 긍정적 정서(4사분면)이거나 일부 부정적 정서(3사분면) 영역에 분포되었다. 이는 Test A 자극이 여성에게 평온함, 안정감 등 저자극성 긍정 반응을 유도했음을 시사한다. 반면, Test B 자극에 대한 여성 참가자의 뇌파 반응은 대부분 3사분면(부정적 감정–낮은 각성)에 집중되어 있었다. 이는 Test B 자극이 스트레스, 긴장감, 또는 불안과 같은 강렬한 자극보다는, 무기력, 불쾌감 등의 부정적 감정을 유발했음을 의미한다.
상기 결과는 부정적 감정이 반드시 높은 각성과 연결되지 않음을 보여주는 사례로, 감정 상태의 정교한 분류 및 성별 기반 반응 차이에 대한 후속 연구의 필요성을 시사한다. 더 나아가 향후 BCI 기반 감정 인식 시스템 설계 시, 성별에 따른 정서 처리 특성을 반영한 맞춤형 피드백 알고리즘이 요구될 것으로 판단된다.
4. BCI 실행 및 검증
4장에서는 BCI를 BIM 모델에 직접 적용하여, 수집된 뇌파 데이터를 기반으로 실시간 감정 반응에 따라 설계 파라미터를 조정하는 자동화 설계 체계의 구현 과정을 기술한다. 특히 성별에 따른 정서 반응 차이를 반영하기 위한 감정 임계값 설정, 효과크기 기반 가중 치 적용, 그리고 BIM 모델 내 반영 메커니즘을 중심으로 구체적인 설계 로직을 제시하였다.
4.1. BIM 모델 구축
BCI 기반 감정 적응형 설계를 실현하기 위해 Revit 소프트웨어와 Dynamo를 통해 뇌파로부터 추출한 Valence 값을 설계 변수에 반영할 수 있도록 프로세스를 구성하였다.
BIM 모델은 실험에 사용된 Test A 및 Test B 자극 이미지와 유사한 실내 공간을 기반으로 Fig. 7.과 같이 구성되었으며, 감정 반응이 민감하게 반영될 수 있는 설계 요소로 천창 면적을 선택하여 핵심 조정 변수로 설정하였다. 전체 프로세스는 Fig. 8.과 같이 구성되며 세부적인 내용은 다음과 같다. 첫째, 뇌파 측정 결과를 정리한 Excel 데이터를 Dynamo에서 불러온다. 둘째, 실험 참가자의 Valence 값이 Revit 내 Family 파라미터와 매핑되어 ‘SetParameterByName’ 노드를 통해 해당 값을 자동 삽입된다. 셋째, 사용자 성별에 따라 차등 적용되는 가중 계수를 곱하여, Valence 기반의 설계 파라미터 변화량을 계산한다. 마지막으로, 계산된 파라미터는 실시간으로 Revit 모델에 반영되며, 설계 변경은 Revit 뷰 상에서 즉시 시각화된다.
BIM Model
BCI automation design process through Dynamo
4.2. BIM 모델 파라미터 조정
본 절에서는 뇌파 기반 정서 지표인 Valence 값을 실시간 건축환경 제어 파라미터로 변환하는 프레임워크를 제안한다. 이를 위해 측정된 생리신호를 정량적으로 해석하고, 해당 값을 BIM 모델의 설계 변수와 자동 연동하는 시스템을 구축하였다.
특히, 선행 연구[33]에서 확인된 성별 간 정서 반응의 차이를 고려하여, 동일한 Valence 값이라 하더라도 성별에 따라 상이한 상대적 정서 상태를 나타낼 수 있음을 반영하였다.
이를 기반으로, 실험 조건별 평균 Valence 값을 기준점으로 활용하여 성별에 따라 차등화된 네 단계의 정서 상태 구간을 정의하였다. 본 연구에서는 ‘극도 불안’, ‘불안’, ‘중립’, ‘편안’의 네 가지 정서 상태를 임의로 설정하고, Table 4.와 같이 각 상태별 임계값을 성별에 따라 상이하게 설정하였다. 예를 들어, '불안' 상태에 해당하는 실험(Test B)에서 남성 평균 Valence는 -0.191, 여성은 -0.666으로 유의미한 차이를 보였으며(p<0.001), 이를 바탕으로 ‘극도 불안’은 평균보다 0.5배 표준편차 이상 낮은 값(남성≤-0.49, 여성≤-0.85)으로 정의하였다. 반대로 ‘편안’ 상태는 ‘안정’ 상태에 해당하는 Valence 평균 이상(남성>-0.02, 여성>0.14)으로 설정하고, 나머지 구간은 정규 분포 기반 비율에 따라 '불안' 및 '중립'으로 구분하였다.
Differences between males and females in EEG-based valence and arousal values
각 정서 상태는 BIM 모델 내 설계 변수인 ‘크기지수’ 및 천창 면적 과 연동된다. 연동 기준은 ‘불안 상태에서의 공간 개방성 증대가 정서 완화에 기여한다’는 이론[37]에 기반하며, 정서 상태에 따라 다음과 같은 설계 전략이 적용되었다. ‘극도 불안’ 및 ‘불안’ 상태에는 상대적으로 천창에 큰 파라미터 값을 할당하여 공간의 개방성을 확대하고, ‘편안’ 상태에는 천창에 축소된 값을 적용한다. ‘중립’ 상태는 기준값(예: 1.0/4.0m2)으로 설정된다.
제안된 정서 기반 파라미터 조정 방식은 자동화 생성 디자인 툴인 Autodesk Dynamo를 활용하여 Fig. 8.과 같이 구현하였다. 구현된 시스템은 BCI 데이터(Valence)를 입력받아, 성별 특화 4단계 분류 기준에 따라 현재 정서 상태를 분류하고, 해당 상태에 대응하는 파라미터 값을 BIM 모델의 객체 속성인 천창의 크기로 전달한다. Fig. 9.는 Dynamo 상에서 구현된 천창(Open 범위) 생성 알고리즘의 전체 처리 과정을 다섯 단계로 구성해 시각화한 것이다. 제시된 다섯 단계에 따른 입력, 조건, 반복, 출력의 처리 흐름을 시각화하여 천창 면적을 자동 생성 및 조정하는 알고리즘의 전체 과정을 보여준다. 첫째, BIM 모델 내 천장 요소를 인식하여 위치 및 형상 정보를 추출하고, 이를 바탕으로 Open 범위 적용 대상 면적을 결정한다. 둘째, 사용자 입력값 또는 난수 기반 자동 생성 방식을 통해 사각형 형태의 Open 범위를 정의하며, 각 변의 길이는 500mm 단위로 조합되어 반복 알고리즘을 통해 다양한 대안을 도출할 수 있도록 설계한다. 셋째, 입력된 Open 범위를 기반으로 실제 천장에 적용할 사각형 형상을 생성하고, 해당 영역은 Dynamo 상에서 시각적으로 출력한다. 넷째, 생성된 각 Open 형상의 면적을 계산하며, 해당 수치는 이후 Valence 기반 파라미터 조정을 위한 정량적 기준으로 활용된다. 마지막으로, 최종 산정된 Open 형상을 BIM 모델에 구현하여 천장 면적의 시각적 변화를 제공한다. 이때 각 형상은 실시간으로 갱신되며, 사용자의 정서 반응(Valence)에 따른 반응형 환경 설계와 연동될 수 있게 구성되어 있다.
BCI automation design process through Dynamo
이로 인해 실시간으로 공간 형태가 조정되며, 일련의 처리 과정에 따른 BIM 모델의 형상 변화는 Table 4.에 함께 표현하였다.
5. 결론
본 연구는 실험–계측–디자인 연동이라는 새로운 운영방식(operational logic)의 프레임워크를 실제 환경에서 시연한 실증 연구로서, 건축설계에 뇌파 기반 BCI 기술을 통합함으로써 사용자의 정서적 반응을 실시간으로 감지하고 설계변수에 반영할 수 있는 가능성을 탐색하였다는 점에서 학술적 의의가 있다. 특히, 건축환경 요소가 사용자에게 미치는 정서적‧인지적 영향을 분석하고, 사용자의 뇌파 반응을 건축환경 설계에 실시간 연동하는 시스템의 구현 가능성을 파일럿 테스트를 통해 탐색하였다. 이를 통해, 보다 정량적이고 사용자 중심적인 건축환경 설계의 실현 가능성을 검증하였다.
본 연구의 의의는 다음 세 가지로 요약된다.
첫째, 선행연구 검토와 기술 동향 분석을 통해 BCI 기술이 단순한 감정 인식을 넘어, 로봇 자동화 제어, VR 시뮬레이션, 로봇과의 융합을 통해 건축 설계‧시공‧관리 전반에까지 활용 가능성이 있음을 확인하였다.
둘째, 뇌파 기반의 정량 분석을 통해 기존의 주관적 설문이나 간접 지표 중심의 건축환경 평가 방식에 과학적 대안을 제시하였다. 이를 통해 건축적 자극이 사용자 경험(예: 주의 집중도, 각성도, 불안감 등)에 미치는 영향을 보다 객관적·직접적으로 측정할 수 있었으며, 뇌파측정을 통해 설계 의사결정의 신뢰성을 향상시킬 수 있는 가능성을 보여주었다.
셋째, EEG 데이터를 수집‧분석하는 데 그치지 않고, 해당 데이터를 설계 변수에 즉각 반영하여 공간 형태가 자동 조정되는 설계 흐름을 구현했다는 점에서 기존 BCI 관련 연구들과 분명한 차별성을 가진다. 이를 위해 BCI 시스템과 BIM 모델을 연동하여 사용자의 정서 상태에 따라 공간 형태가 실시간으로 조정되는 자동화 설계 프로세스를 구현함으로써, 기능‧미학 중심의 기존 설계에서 벗어나 정서 반응 기반의 사용자 중심 설계 패러다임을 제시하였다.
다만, 본 연구는 다음과 같은 한계를 가진다. 우선, 뇌파 기반 정서 상태를 반영하여 설계 파라미터를 조정하는 일방향성 기반 자동화 구현에 집중되었으며, 조정된 설계가 실제로 사용자의 감정 상태를 긍정적으로 변화시켰는지를 확인하는 피드백 단계는 포함되어 있지 않다. 그러나 이는 단순한 제약이라기보다는, 향후 사용자 정서 변화에 반응하고 다시 설계를 조정하는 인터랙티브 설계 시스템 구축을 위한 기술적‧개념적 전단계로서의 의미를 가진다. 향후 연구에서는 동일 사용자를 대상으로 한 설계 변경 전후의 뇌파 비교, 또는 반복 노출에 따른 정서 반응 변화 분석을 통해 ‘설계 변경 → 정서 개선’ 간의 실증적 인과관계를 규명할 필요가 있다. 본 연구에서 구현한 실시간 연동 프로토타입은 EEG 기반 정서 반응을 기반으로 설계 파라미터를 조정한다는 점에서 기술적 진전을 이루었지만, 실제로 사용자가 체감하는 감정 상태 변화의 정합성 또는 긍정적 체험으로 이어졌는지를 판단하기에는 제한이 있다. 정서 반응의 객관적 계측과 주관적 체험 사이의 간극은 여전히 존재하며, 본 연구는 그 간극을 기술적으로 해소하려는 초기적 시도에 불과하다.
또한, 본 연구는 제한된 표본 규모와 가상환경 기반의 실험이라는 한계를 지닌다. 실험에 사용된 정서 임계값(Valence 기준)은 20대 대학생 집단의 정서 반응 분포에 기반하여 도출된 상대적 구간 값으로, 다양한 연령대나 문화적 배경, 공간 자극 조건에서도 동일하게 적용할 수 있는 보편적 기준으로 일반화하기에는 한계가 있다. 이에 따라 본 연구에서는 이를 특정 실험 맥락에서의 상대적 기준으로 해석하였으며, 향후 다양한 사용자군과 공간 환경을 반영한 반복 실험을 통해 해당 기준의 외적 타당성과 적용 가능성을 체계적으로 검증할 필요가 있다. 특히 향후에는 연령, 성별, 문화적 배경에 따른 생리적 반응 편차를 고려한 정규화 연구가 필요하며, 이는 실시간 BCI 기반 감정 피드백 시스템의 신뢰도 확보를 위한 중요한 기술적 기반이 될 수 있다.
또한, 본 연구에서 사용한 Emotiv EPOC+ 장비는 저가용 EEG 기기로, 고해상도 장비 대비 시계열 해상도 및 신호 정밀도에 제약이 존재한다. 이에 따라 미세한 뇌파 패턴이나 심층적인 신경 네트워크 분석에는 한계가 있으며, 본 실험 결과 역시 이러한 장비 특성을 감안하여 해석할 필요가 있다. 향후 연구에서는 보다 고해상도의 전문 EEG 장비를 활용하거나, 심박변이도(HRV), 피부전도도(EDA), 호흡률 등 복합 생체신호를 활용한 다중 감성 모델과의 통합도 후속 연구 방향으로 제안될 수 있다.
결론적으로, 본 연구는 뇌파 기반 감정 측정을 통해 사용자 정서 상태를 실시간으로 파악하고, 이를 설계 파라미터에 직접 반영하는 BCI–BIM 연계 설계 프로세스를 구현함으로써, 건축환경 설계의 새로운 방향성을 제시하였다. 이는 공간이 수동적인 배경이 아닌, 사용자의 감정과 인지 상태에 반응하며 상호작용하는 ‘정서 적응형 건축환경’ 개념의 실현 가능성을 보여준 실증적 사례로, 향후 인간 중심 스마트 공간의 구현과 감정 기반 공간 설계 패러다임 확장에 핵심적인 이론적‧기술적 토대를 제공할 수 있을 것으로 기대된다. 또한 본 연구는 건축설계–사용자 정서 반응–실시간 피드백이라는 연계 구조를 HCI 관점에서 접근함으로써, 인간–공간 간 상호작용을 실시간 생체신호 기반으로 연결하는 새로운 설계 패러다임의 가능성을 보여주었다. 향후 정서 상태 변화에 따라 공간이 능동적으로 반응하는 인터랙티브 설계 시스템 구축을 위한 기술적‧개념적 전단계로 해석할 수 있으며, 이와 같은 점에서 학문적 의의가 있다.
Acknowledgments
본 연구는 과학기술정보통신부 한국건설기술연구원 연구운영비지원(주요사업)사업으로 수행되었습니다(과제번호 20250290-001, 뇌-컴퓨터 인터페이스 기반 설계 및 로보틱스 제어기술 개발).
Notes
References
-
김시은, 하미경, 실내공간의 색채와 천장높이가 사용자의 회복감에 미치는 영향에 관한 뇌파(EEG) 분석-교육시설 실내 공용공간을 중심으로, 대한건축학회논문집, 제38권 제2호, 2022, pp.63-74.
S.E. Kim, M.K. Ha, An EEG analysis of the effects of color and ceiling height on the perceived restorativeness of users - Focused on indoor common spaces of educational facilities -, Journal of the Architectural Institute of Korea, 38(2), 2022, pp.63-74. -
이진숙 외 3인, 실내 거주공간의 적용 색채에 따른 인체 생리반응 분석, 한국색채학회논문집, 제28권 제1호, 2014, pp.96-105.
J.S. Lee et al., An analysis of human physiological responses to apply color to the indoor living space, Journal of Korea Society of Color Studies, 28(1), 2014, pp.96-105. [ https://doi.org/10.17289/jkscs.28.1.201402.96 ]
-
A. Almusaed et al., Construction 5.0 and sustainable neuro-responsive habitats: Integrating the brain–computer interface and building information modeling in smart residential spaces, Sustainability, 16(21), 2024, 9393.
[https://doi.org/10.3390/su16219393]
-
김상희, 이정호, 카페 파사드의 선호도에 따른 시각적 주의집중 및 뇌파 주의집중도 분석, 한국실내디자인학회논문집, 제25권 제3호, 2016.
S.H. Kim, J.H. Lee, A study on the visual concentration and EEG concentration on cafe facade, Journal of the Korean Institute of Interior Design, 25(3), 2016. [ https://doi.org/10.14774/JKIID.2016.25.3.060 ]
-
서지은, 이곡숙, 마감재와 조명의 인터랙션에 의한 감성 활성화 디자인기법 연구, 대한건축학회 논문집-계획계, 제29권 제11호, 2013, pp.95-102.
J.E. Seo, G.S. Lee, A study on the emotion activation design methods through interaction of finishing materials and lighting, Journal of the Architectural Institute of Korea, 29(11), 2013, pp.95-102. -
송복섭, 개인용 쉘터 설계기준 작성을 위한 뇌파분석 실험연구, 대한건축학회논문집, 제37권 제5호, 2021, pp.13-20.
B.S. Shong, An EEG experiment research for preparing personal shelter design criteria, Journal of the Architectural Institute of Korea, 37(5), 2021, pp.13-20. -
Y. Şekerci et al., Neurocognitive responses to spatial design behaviors and tools among interior architecture students: A pilot study, Scientific Reports, 14(1), 2024, 4454.
[https://doi.org/10.1038/s41598-024-55182-7]
-
Marinelli, M. (2023). From Industry 4.0 to Construction 5.0: Exploring the path towards human–robot collaboration in construction. Systems, 11(3), 152.
[https://doi.org/10.3390/systems11030152]
-
김상희, 이권형, 추승연, EEG-VR을 활용한 산후조리원 개별실의 창면적비에 대한 뇌파의 이완-각성 반응 분석, 대한건축학회논문집, 제37권 제3호, 2021, pp.63-74.
S.H. Kim, K.H. Lee, S.Y. Choo, Analysis of EEG relaxation-arousal reaction to the window-to-wall ratio of individual rooms of a postpartum care center using EEG-VR, Journal of the Architectural Institute of Korea, 37(3), 2021, pp.63-74. -
박상현, 이진각, 고상운, VISSIM과 VR 시뮬레이터를 활용한 지하도로 주행행태 분석방안 연구, 디지털콘텐츠학회논문지, 제23권 제12호, 2022, pp.2507-2516.
S.H. Park, J.K. Lee, S.U. Ko, A study on the analysis of underground road behavior using VISSIM and VR simulator, Journal of Digital Contents Society, 23(12), 2022, pp.2507-2516. [ https://doi.org/10.9728/dcs.2022.23.12.2507 ]
-
김영진, 신동준, 김주연, EEG 실험을 통한 실내공간 조명연출에 대한 뇌파 특성에 관한 연구, 한국공간디자인학회 논문집, 제14권 제2호, 2019, pp.71-79.
Y.J. Kim, D.J. Shin, J.Y. Kim, A study on the characteristics on brain wave of indoor space lighting by EEG experiment, Journal of Korea Institute of Spatial Design, 14(2), 2019, pp.71-79. [ https://doi.org/10.35216/kisd.2019.14.2.71 ]
-
C. Cheng, J.H. Hou, Biomimetic robotic construction process an approach for adapting mass irregular-shaped natural materials, 2016.
[https://doi.org/10.52842/conf.ecaade.2016.1.133]
-
신대정 외 3인, 생체 모방 로봇을 이용한 관로 모니터링 시스템의 구현, 정보처리학회논문지A, 제17-A권 제1호, 2010, pp.33-44.
D.J. Shin et al., Implementation of pipeline monitoring system using bio-memetic robots, KIPS Transactions: Part A, 17A(1), 2010, pp.33-44. [ https://doi.org/10.3745/KIPSTA.2010.17A.1.033 ]
-
심재연, 민준식, 뇌파를 이용한 현실과 가상 오브젝트 제어시스템 설계, 한국게임학회 논문지, 제21권 제1호, 2021, pp.91-98.
J.Y. Shim, J.S. Min, Design of reality object and virtual object control system using EEG, Journal of Korea Game Society, 21(1), 2021, pp.91-98. [ https://doi.org/10.7583/JKGS.2021.21.1.91 ]
-
박정훈, 양연모, BCI 시스템에서 언어 소통 불편 해소를 위한 모스부호 기반 눈 깜박임 입력 기법, 전자공학회논문지, 제56권 제9호, 2019, pp.96-101.
J.H. Park, Y.M. Yang, On the scheme of morse code-based blink signal keyboard for the mitigation of language communication inconvenience in BCI, Journal of the Institute of Electronics and Information Engineers, 56(9), 2019, pp.96-101. [ https://doi.org/10.5573/ieie.2019.56.9.96 ]
-
채민성, 박상인, 문성철, 뇌-컴퓨터 인터랙션 오탐 저감을 위한 뇌파-턱 근전도 통합 신호 제어 프로토콜 개발, 대한인간공학회지, 제41권 제3호, 2022, pp.237-249.
M.S. Chae, S.I. Park, S.C. Mun, Development of SSVEP command protocol combined with EMG characterized by jaw-clenching to reduce false alarms in brain-computer interaction, Journal of the Ergonomics Society of Korea, 41(3), 2022, pp.237-249. [ https://doi.org/10.5143/JESK.2022.41.3.237 ]
-
데니퍼마나, 천세원, 최계원, Residual dense network를 이용하는 Motor imagery 디코딩 연구, 정보과학회논문지, 제49권 제5호, 2022, pp.380-387.
P. Deny, S.W. Cheon, K.W. Choi, Motor imagery decoding with residual dense network, Journal of KIISE, 49(5), 2022, pp.380-387. [ https://doi.org/10.5626/JOK.2022.49.5.380 ]
-
최우성, 염홍기, 단일 인공신경망 모델을 이용한 다중의도 예측 뇌-컴퓨터 인터페이스, 한국지능시스템학회 논문지, 제31권 제3호, 2021, pp.206-212.
W.S. Choi, H.G. Yeom, A brain-computer interface predicting multi-intention using an artificial neural network, Journal of Korean Institute of Intelligent Systems, 31(3), 2021, pp.206-212. [ https://doi.org/10.5391/JKIIS.2021.31.3.206 ]
-
최우성, 염홍기, 컨볼루션 신경망을 활용한 다중의도 뇌-컴퓨터 인터페이스, 제어로봇시스템학회논문지, 제29권 제1호, 2023, pp.29-34.
W.S. Choi, H.G. Yeom, Multi-functional brain-computer interface using convolutional neural networks, Journal of Institute of Control, Robotics and Systems, 29(1), 2023, pp.29-34. [ https://doi.org/10.5302/J.ICROS.2023.22.0175 ]
-
박연숙, 뇌와 컴퓨터 상호작용을 응용한 인터렉티브 아트 연구, 한국과학예술융합학회, 제40권 제3호, 2022, pp.135-151.
Y.S. Park, A study on interactive art applying BCI (Brain-Computer Interaction), The Korean Society of Science & Art, 40(3), 2022, pp.135-151. [ https://doi.org/10.17548/ksaf.2022.06.30.135 ]
-
J. Mladenović, Standardization of protocol design for user training in EEG-based brain–computer interface, Journal of Neural Engineering, 18(1), 2021, 011003.
[https://doi.org/10.1088/1741-2552/abcc7d]
-
P. Ranzo, C. Scarpitti, Brain–computer interfaces and 3d design manufacturing in a postdigital scenario, Brain-Apparatus Communication: A Journal of Bacomics, 1(1), 2022, pp.89-106.
[https://doi.org/10.1080/27706710.2022.2122732]
-
A. Dillen et al., Evaluating the real-world usability of BCI control systems with augmented reality: A user study protocol, Frontiers in Human Neuroscience, 18, 2024, 1448584.
[https://doi.org/10.3389/fnhum.2024.1448584]
-
T.B. Xu, S. Kalantari, Visual flow-based programming plugin for brain–computer interface in computer-aided design, Automation in Construction, 166, 2024, 105610.
[https://doi.org/10.1016/j.autcon.2024.105610]
-
N. Beauchemin et al., Enhancing learning experiences: EEG-based passive BCI system adapts learning speed to cognitive load in real-time, with motivation as catalyst, Frontiers in Human Neuroscience, 18, 2024, 1416683.
[https://doi.org/10.3389/fnhum.2024.1416683]
-
A. Korik et al., Real-time feedback improves imagined 3D primitive object classification from EEG, Brain-Computer Interfaces, 11(1–2), 2024, pp.61-85.
[https://doi.org/10.1080/2326263X.2024.2334558]
-
조권, 이동혁, 박남제, 클라우드 환경을 위한 Privacy-preserving BCI 기반의 뇌파신호 보안기법 설계, 정보과학회논문지, 제45권 제1호, 2018, pp.45-52.
K. Cho, D.H. Lee, N.J. Park, Design of EEG signal security scheme based on privacy-preserving BCI for a cloud environment, Journal of KIISE, 45(1), 2018, pp.45-52. [ https://doi.org/10.5626/JOK.2018.45.1.45 ]
-
김형주 외 6인, EM 시뮬레이션을 이용한 BCI-모니터링 프로브 시스템의 특성에 관한 연구, 한국전자파학회논문지, 제34권 제6호, 2023, pp.466-476.
H.J. Kim et al., Characteristics of BCI-monitoring probe system using electro-magnetic field simulation, The Journal of Korean Institute of Electromagnetic Engineering and Science, 34(6), 2023, pp.466-476. [ https://doi.org/10.5515/KJKIEES.2023.34.6.466 ]
-
정진화, 뇌-컴퓨터 인터페이스(BCI)와 인간의 조건에 대한 정치철학적 고찰, OUGHTOPIA, 제37권 제3호, 2023, pp.5-41.
J.W. Chung, A study of the brain-computer interface and the human condition based on a political philosophy, OUGHTOPIA, 37(3), 2023, pp.5-41. [ https://doi.org/10.32355/OUGHTOPIA.2023.02.37.3.5 ]
-
정재윤 외 6인, 뇌-컴퓨터 인터페이스(BCI)와 인공지능: 딥러닝 및 설명가능 AI, ie 매거진, 제28권 제4호, 2021, pp.30-38.
J.Y. Jung et al., Brain-Computer Interface (BCI) and artificial intelligence: Deep learning and explainable AI, ie Magazine, 28(4), 2021, pp.30-38. -
S. Syed Ranflammal, H. Ujjay Singh, Enhanced motor imagery classification through channel selection and machine learning algorithms for BCI applications, Journal of Soft Computing Paradigm, 6, 2024, pp.227-238.
[https://doi.org/10.36548/jscp.2024.3.001]
-
염홍기, 실생활 사용을 위한 뇌-컴퓨터 인터페이스 연구동향, 제어로봇시스템학회 논문지, 제25권 제9호, 2019, pp.858-862.
H.G. Yeom, Current trends in brain-computer interfaces for real-life use, Journal of Institute of Control, Robotics and Systems, 25(9), 2019, pp.858-862. [ https://doi.org/10.5302/J.ICROS.2019.19.0143 ]
-
K.I. Oliver, D. DelRosario, J.S. Stevens, Sex differences in the neurobiology of fear and anxiety. In Current Topics in Behavioral Neurosciences, Berlin, Springer, 2024.
[https://doi.org/10.1007/7854_2024_536]
-
A. Apicella et al., Reproducible assessment of valence and arousal based on an eeg wearable device, 2022 IEEE International Conference on Metrology for Extended Reality, Artificial Intelligence and Neural Engineering (MetroXRAINE), 2022, pp.661-666.
[https://doi.org/10.1109/MetroXRAINE54828.2022.9967651]
-
I.O. Joudeh, A.M. Cretu, S. Bouchard, Optimizable ensemble regression for arousal and valence predictions from visual features, Engineering Proceedings, 58(1), 2023, 3.
[https://doi.org/10.3390/ecsa-10-16009]
-
A.D. Marimpis, S.I. Dimitriadis, R. Goebel, A multiplex connectivity map of valence-arousal emotional model, IEEE Access, 8, 2020, pp.170928-170938.
[https://doi.org/10.1109/ACCESS.2020.3025370]
-
P. Presti et al., Measuring arousal and valence generated by the dynamic experience of architectural forms in virtual environments, Scientific Reports, 12, 2022, 13376.
[https://doi.org/10.1038/s41598-022-17689-9]
-
Russell, J. A. (1980). A circumplex model of affect. Journal of personality and social psychology, 39(6), 1161.
[https://doi.org/10.1037/h0077714]
