차량 주행 환경에서 무선 건식 전극 EEG와 유선 습식 전극 EEG 시스템의 신호품질 비교

1. 서 론

심박수, 피부전도도, 뇌전도(electroencephalography, EEG) 같은 생리신호는 인간의 심리적 상태와 행동을 정량적으로 분석할 수 있는 유용한 도구로 활용되고 있다^(1~5). 최근에는 소음 · 진동 분야에서도 이러한 생리신호 기반 분석 기법이 활발히 도입되며, 관련 연구가 꾸준히 증가하고 있다. 예를 들어, 소음과 진동이 인체의 생리적 · 심리적 반응에 미치는 영향을 규명하기 위해 심박수, 피부전도도, EEG 등을 활용한 실험적 연구들이 수행되고 있으며, 이를 통해 스트레스 반응, 자율신경계 반응, 감각 인지 기능 등 다양한 측면에서 소음 · 진동의 영향을 다각도로 분석하고 있다^(6~13). 이러한 생리신호 기반 접근은 인간-환경 또는 인간-기계 간 상호작용을 보다 정밀하게 이해하고, 소음 · 진동의 부정적 영향을 완화하며, 전반적인 소음 · 진동 품질 향상을 위한 근거를 제공한다는 점에서 중요한 의의를 지닌다. 특히 자동차 산업에서는 이러한 기술이 차량 사운드의 품질 평가, 운전자의 감정 상태 모니터링, 탑승자의 멀미 반응 분석 등 다양한 응용 분야로 확장되고 있으며, 연구 및 산업적 관심이 집중되고 있다^(14~19). 이와 같이, EEG는 감성 평가 및 차량 관련 응용에서 핵심적인 생리신호로 자리매김하고 있으며, 소음 및 진동의 인지적 · 정서적 품질을 평가하는 효과적인 수단으로 그 활용 가능성이 주목받고 있다.

EEG는 전극을 통해 두피에서 전기적 활동을 측정하는 기술이다⁽²⁰⁾. EEG는 사용되는 전극의 종류에 따라 건식 EEG와 습식 EEG로 구분되며, 각각 고유의 장단점을 가진다⁽²¹⁾. 습식 EEG는 전도성 젤이나 페이스트를 사용하여 전극과 두피 간의 접촉 저항을 낮춤으로써 높은 신호 대 잡음비(signal-to-noise ratio, SNR)를 제공하며, 안정적이고 정확한 데이터 수집이 가능하다. 그러나, 젤의 준비와 세척 과정이 번거로울 뿐만 아니라, 장시간 사용 시 젤이 마르면서 신호 품질이 저하될 가능성이 있다. 반면, 건식 EEG는 전도성 젤 없이 전극 자체만으로 신호를 측정하는 방식으로, 간편한 착용과 빠른 준비 과정이 특징이다. 이러한 장점으로 인해 이동 환경이나 실시간 응용 분야에서 유리한 선택지가 될 수 있다. 하지만, 건식 EEG는 두피와의 접촉 저항이 상대적으로 높아 외부 환경, 특히 진동과 움직임에 민감하여 신호 품질이 저하될 가능성이 있는 한계를 가진다.

차량 주행 환경은 이러한 EEG 시스템의 실효성을 평가하기에 매우 어려운 조건이다. 주행 중 발생하는 움직임과 진동은 EEG 신호 품질에 부정적인 영향을 미칠 가능성이 크며, 이는 데이터의 정확성과 안정성을 저하시킬 수 있다. 또한, 사용자 편의성과 실시간 데이터 수집의 효율성 역시 고려해야 한다. 기존의 습식 EEG 시스템은 높은 신호 품질을 제공하지만, 복잡한 준비 과정과 젤 유지의 어려움으로 인해 이동성이 중요한 주행 환경에서는 실용성이 제한될 수 있다. 반면, 건식 EEG는 간편한 사용과 신속한 준비 과정 덕분에 주행 환경에서 높은 실용성을 보일 수 있지만, 외부 요인에 따른 신호 품질 저하라는 단점을 보완해야 한다. 따라서, 차량 주행 환경에서 건식 EEG와 습식 EEG 중 어느 방식이 신호 품질, 사용자 편의성, 데이터의 실시간 안정성 측면에서 더 적합한지를 검증하는 것은 중요한 과제이다.

이 연구에서는 동적인 차량 주행 환경에서 두 시스템의 신호 품질을 평가함으로써, 차량 주행 조건에서 뇌전도 측정에 적합한 시스템을 검토하고자 한다. 이 논문의 구성은 다음과 같다. 2장에서는 건식과 습식 EEG에 관련된 선행 연구를 기술하며, 두 시스템의 특성과 장단점을 살펴본다. 3장에서는 실험 조건과 EEG 데이터의 측정 및 전처리를 포함한 실험 방법을 기술한다. 4장에서는 실험 결과를 분석하며, 5장에서는 실험 결과에 대한 논의를 통해 두 시스템의 실용성과 한계를 검토하고 향후 연구 방향을 제시한다. 마지막으로, 6장에서는 이 연구의 결론을 기술한다.

2. 관련 연구

EEG 측정 시스템에서 건식 전극과 습식 전극의 비교는 움직임이 큰 조건에서 두 시스템의 적합성을 평가하는 데 중요한 연구 주제로 다루어져 왔다. Yeung et al.는 건식 전극(폼 기반 및 스프링-로드형)과 습식 전극을 걷기, 자전거 타기 등 일상적인 움직임이 수반되는 활동 중 비교한 연구에서, 건식 전극이 착용 편의성과 간편성에서 우위를 보이며 습식 전극과 유사한 신호 품질을 제공할 수 있음을 시사하였다⁽²²⁾. 그러나, 건식 전극은 움직임 중 더 높은 아티팩트(artifact) 발생 경향을 보이며, 이러한 아티팩트는 신호 품질을 저하시킬 가능성이 있다고 보고되었다. 또한, Oliveira et al.은 앉은 상태와 걷는 상태와 같은 움직임 조건에서 EEG 시스템의 성능을 평가하였다⁽²³⁾. 연구 결과, 건식 전극은 앉아 있는 상태에서는 습식 전극과 유사한 신호 품질을 유지할 수 있었으나, 걷는 동안 더 많은 움직임 관련 아티팩트를 생성한 것으로 나타났다. 이 연구에서는 건식 전극이 간편한 착용성과 빠른 준비 과정을 통해 동적 환경에서 실용적인 대안이 될 가능성을 시사하는 동시에, 움직임으로 인한 노이즈를 보완하기 위한 추가적인 기술 개선이 필요함을 제안하였다. Zander et al.은 차량 시뮬레이션 환경에서 건식 EEG 시스템을 평가하였으며⁽²⁴⁾, 차량 자체의 전자 간섭보다는 운전자 움직임에 따른 신호 품질 저하가 더 크다고 보고하였다. 이들은 건식 EEG의 빠른 설치와 실시간 사용 가능성을 강조하면서도, 장시간 사용 시 전극과 두피 간의 압력과 마찰로 인해 착용자의 불편감 증가라는 한계를 함께 언급하였다. Hinrichs et al.은 실내 정적 환경에서 건식 및 습식 EEG의 시지각 자극 반응과 휴식 상태 신호 품질을 비교한 결과, 델타와 세타 대역에서는 건식 전극이 높은 값을 보였지만 알파 및 베타파는 유사한 수준임을 보고하였다⁽²⁵⁾. Kam et al.은 시각 자극과 인지 과제를 활용한 실험실 환경에서 두 시스템의 사건 관련 전위(event-related potentials, ERP), 분류 정확도, 스펙트럼 분석 결과가 대부분 유사함을 보였으며⁽²⁶⁾, ERP 기반 측정에서 유의한 상관관계를 확인하였다. Ehrhardt et al.은 인지 반응과 연결성 분석을 포함한 연구에서 건식 EEG도 신뢰할 수 있는 분석 수단이 될 수 있음을 제시했지만, 낮은 SNR 한계를 함께 보고하였다⁽²⁷⁾. Mathewson et al.은 고임피던스 건식 전극의 경우 단일 시도에서의 노이즈가 커지며 통계적 검출력 감소 가능성을 보고하였다⁽²⁸⁾.

이처럼 선행 연구들은 건식 EEG 전극이 동적 환경에서 실용적으로 활용될 수 있는 가능성을 보여주었으나⁽²⁹⁾, 움직임에 의해 유발되는 아티팩트를 효과적으로 제어하기 위해서는 후처리 기법의 고도화 및 하드웨어 설계 개선이 여전히 필요한 것으로 보고되고 있다^(30,31). 그러나 실제 차량 주행 조건에서 건식 전극과 습식 전극 기반 EEG 시스템을 동일한 조건에서 비교한 연구는 상대적으로 부족한 실정이다. 이 연구는 기존 연구에서 상대적으로 다루어지지 않았던 실제 주행 조건(정차, 일상 주행, 다이나믹 주행 등)에서 건식 및 습식 EEG 시스템의 신호 품질을 비교하고, 물리적 진동과 움직임으로 인한 노이즈가 EEG 측정에 미치는 영향을 정성적으로 검토하였다. Table 1은 기존 주요 연구들과 이 연구를 비교한 것으로, EEG 시스템의 적용 조건, 분석 항목, 주요 결과 및 한계점을 나타낸다^(22~28). 이를 통해 이 연구의 연구적 위치와 차별적인 기여를 보다 명확하게 이해할 수 있도록 하였다. 특히, 눈 감기 및 뜨기 조건을 실험 설계에 포함함으로써, 생리적 반응과 물리적 아티팩트의 영향을 구분하고자 하였다. 이 연구는 탐색적 수준의 분석을 통해 향후 차량 환경에서의 EEG 시스템 적용 가능성 및 신호 안정성에 대한 기초적 근거를 마련하고자 하며, 관련 분야의 후속 연구 설계를 위한 이론적 · 실험적 참조점을 제공하는 데 그 의의가 있다.

Table 1

Comparison of previous studies and this study

3. 실험 방법

3.1 실험 조건

이 연구는 주행 조건에 따른 뇌파 신호 품질을 비교 · 분석하기 위해, 총 네 가지 주행 조건을 설정하여 실험을 수행하였다. 주행 조건은 (1) 주행 전 차량 외부 대기 상태, (2) 주행 전 차량 내부 대기 상태, (3) 일상적인 주행(regular driving), (4) 다이나믹 주행(dynamic driving)으로 구분하였다. 일상 주행 조건은 차속 50 km/h 범위에서 주행하며, 종방향 가속도 변동폭이 약 0.12 g 수준인 소규모 가속 · 감속 패턴이 반복되는 비교적 안정된 주행 상황을 나타낸다. 반면, 다이나믹 주행 조건은 급격한 가속 · 감속 및 선회가 포함된 주행으로, 종방향 가속도 변동폭이 약 0.26 g 수준까지 증가하는 보다 동적인 움직임 환경을 제공하였다. Fig. 1은 일상 주행과 다이나믹 주행 조건에서 측정된 차량 속도, 종방향(longitudinal) 및 횡방향(lateral) 가속도, 그리고 모터 토크 변화를 나타낸다. 또한, 뇌파 측정 시 알파파(alpha wave)파워 증가 양상을 확인하기 위해, 각 주행 조건에서 눈 감기(eyes closed) 및 눈 뜨기(eyes open) 상태를 추가하여 실험을 설계하였다. 각 세션은 약 1분간의 안정(resting) 상태를 유지하며 EEG 신호를 기록하였으며, 총 16개의 세션(2 EEG 시스템 × 4 주행 조건 × 2 눈 상태 조건)으로 구성되었다.

Fig. 1

Vehicle dynamic characteristics during driving: vehicle speed, longitudinal acceleration, lateral acceleration, and motor torque

3.2 실험 과정

실험은 30대 건강한 여성을 대상으로 진행되었으며, 피험자는 EEG 측정과 관련된 의료적 이상이 없는 것을 사전에 확인하였다. 실험 목적과 절차에 대한 충분한 설명을 들은 후, 피험자는 실험 당일 건강 상태에 이상이 없는 것을 확인하고 자발적으로 실험에 참여하였다. 실험은 전기차(EV6 23MY, KIA)를 이용하여 서울 시내의 실제 도로 환경에서 수행되었으며, 3.1절에서 기술한 각 주행 조건에 따라 EEG 데이터를 수집하였다. 실험에 사용된 주행 경로는 Fig. 2와 같다. 피험자는 차량 2열 좌측 좌석에 착석하였으며, 우측 좌석에는 실험 진행자가 동승하였다. 주행 중 피험자는 일상적인 자연스러운 자세로 앉아 있었으며, 별도의 비운전 과업(non-driving related task, NDRT)은 수행하지 않았다. 실험 진행자는 각 실험 세션 사이에 피험자가 충분한 휴식을 취할 수 있도록 하였으며, 피험자는 모든 주행 단계에서 안정적인 착석 상태를 유지하였다. 각 주행 조건에서는 약 1분간 안정 상태를 유지하며 뇌파 신호가 기록되었다.

Fig. 2

Driving course layout for EEG signal acquisition during real-road experiments

3.3 EEG 데이터 측정

이 실험에서는 건식 EEG 시스템(DSI-24, wearable sensing, USA)과 습식 EEG 시스템(BioSemi ActiveTwo system, BioSemi, Netherlands)을 사용하였다. DSI-24는 24채널 측정이 가능한 무선 건식 EEG시스템으로, 간편한 착용성과 높은 이동성을 특징으로 한다. 2025년 1월 기준 Google scholar 검색 결과, 관련 연구가 561편 보고되어 있으며, 이는 CGX 시스템(458편)과 비교하여 가장 많이 활용된 고급형 건식 EEG 시스템 중 하나에 해당한다. BioSemi ActiveTwo 시스템은 32채널 측정이 가능한 유선 습식 EEG 시스템으로, 높은 신호 대 잡음비(signal-to-noise ratio, SNR)를 제공한다. 해당 시스템은 Google scholar 기준 11 600편 이상의 논문에서 인용되어, 국제적으로 연구에 가장 많이 활용되는 3대 EEG 시스템 중 하나로 평가된다. 특히, 능동 전극(active electrode)을 채택하여 이동 환경에서 발생할 수 있는 잡음에 강한 특성을 보인다. 두 시스템 간의 객관적인 신호 품질 비교를 위해, 동일한 공통 전극을 기준으로 데이터를 분석하였다. 공통 전극은 Fp1, Fp2, F7, F3, Fz, F4, F8, C3, Cz, C4, P3, P4, O1, O2 위치에 배치되었으며, 전극 배치에 대한 세부 사항은 Fig. 3과 같다. Fig. 4는 각 EEG 시스템의 착용 모습을 나타낸다.

Fig. 3

Electrode placement map showing the common electrode positions (highlighted in red) used for EEG data measurement

Fig. 4

Setup of EEG measurement systems

3.4 EEG 데이터 처리

실험을 통해 측정된 EEG 데이터는 다운 샘플링(downsampling), 밴드 패스 필터링(band-pass filtering), 에포킹(epoching)의 전처리 과정을 거쳤다. 먼저, 건식 EEG 데이터는 300 Hz로, 습식 EEG 데이터는 512 Hz로 다운 샘플링하였다. 이후, 4 Hz ~ 30 Hz 대역 통과 필터링을 적용하여 저주파 드리프트와 고주파 노이즈를 제거하였다. 이 범위는 세타(4 Hz ~ 8 Hz), 알파(8 Hz ~ 13 Hz), 베타(13 Hz ~ 30 Hz) 등 주행 중 인지 부하, 집중도, 감정 상태 변화를 반영하는 핵심 주파수 대역을 포함하며^(32,33), 이러한 주파수는 주행 중 운전자의 인지 및 주의 분산(distraction) 분석 등에도 널리 활용된다^(34,35). 반면, 델타(1 Hz ~ 4 Hz)는 주로 수면, 이완, 무의식 상태와 관련되며^(36,37), 이 실험의 인지 기반 주행 환경과는 직접적인 연관성이 낮아 제외하였다. 마지막으로 공통 평균기준(common average reference, CAR)를 통해 공통 잡음을 제거하였다. CAR는 EEG 분석에서 모든 전극에 공통적으로 나타나는 잡음을 줄이기 위해 사용되는 신호 처리 기법이다. 이 방법은 모든 전극의 평균 신호를 계산한 후, 각 전극의 신호에서 이를 빼 줌으로써 공통 잡음(예: 전기적 간섭)이나 뇌 활동과 무관한 신호 성분을 효과적으로 줄일 수 있다. 정제된 EEG 데이터는 각 1분 구간에서 시작과 끝의 1초를 제외한 후, 2초 길이의 에포크(epoch)로 분할하였으며, 1초 간격으로 중첩(overlap)하여 총 57개의 에포크를 생성하였다. 이 중 아티팩트가 검출된 에포크는 분석에서 제외하였으며, 제외된 에포크의 수와 각 EEG 시스템 및 주행 조건 별 분포는 Table 2, Table 3에 요약되어 있다. 이후, 잔여 에포크에 대해 4 Hz ~ 30 Hz 범위의 파워 스펙트럼 밀도(power spectral density, PSD)를 계산하였으며, 신호 강도는 30 Hz까지 계산하였다. 보다 구체적인 분석 결과와 해석은 4장에서 자세히 기술한다.

Table 2

Artifact detection results under different experimental conditions without applying CAR

Table 3

Artifact detection results under different experimental conditions with applying CAR

4. 실험 결과

4.1 아티팩트 검출 비교

(1) 주행 전 조건(차량 외부 및 내부)

차량 외부 및 내부 대기 상태에서 두 EEG 시스템의 데이터를 분석한 결과, Fig. 5 및 Fig. 6에 제시된 바와 같이, 일반적으로 뇌파의 생리적 범위로 간주되는 ±70 µV를 초과하는 신호를 기준으로 아티팩트를 검출하였다. 이 임계값은 안구 운동, 근전도 활동 등 생리적 잡음에 의해 발생하는 고진폭 아티팩트를 효과적으로 제거하기 위한 목적으로 설정되었으며, 선행 연구들에서도 유사한 범위(±70 µV ~ 100 µV)의 역치(threshold)가 널리 사용되고 있다^(38,39). Fig. 5는 주행 전 차량 외부에서 측정한 EEG 파형이고 Fig. 6은 주행 전 차량 내부에서 측정한 결과이다. 아티팩트가 검출된 포인트는 그래프에서 빨간색 원으로 표시하였다. 눈 뜨기 조건에서 역치를 벗어나는 시점은 주로 눈 깜빡임에 의한 아티팩트로 인해 발생하였으며, 이러한 현상은 대부분 전두엽(frontal) 전극(Fp1, Fp2, F3, F7)에서 관찰되었다. 두 장비 모두 눈 깜빡임에 의한 아티팩트를 유사하게 검출하였으며, 주행이 이루어지지 않은 조건에서는 두 시스템의 잡음 검출 결과가 전반적으로 일치하는 경향을 보였다.

Fig. 5

EEG waveforms under the outside the vehicle before driving condition. Red circles indicate artifacts exceeding the threshold

Fig. 6

EEG waveforms under the inside the vehicle before driving condition Red circles indicate artifacts exceeding the threshold

(2) 일상 주행 및 다이나믹 주행

일상 주행과 다이나믹 주행 조건에서 두 EEG 시스템의 데이터 품질을 비교한 결과, Fig. 7, Fig. 8과 같이 건식 EEG와 습식 EEG 간에 품질 차이가 관찰되었다. Fig. 7, Fig. 8은 각각 일상 주행과 다이나믹 주행에서 측정한 EEG 파형을 나타낸다. 건식 EEG의 경우, 눈을 감고 있는 환경에서도 다수의 아티팩트가 관찰되었으나, 습식 EEG에서는 역치를 초과하는 구간이 관찰되지 않았다. 특히, 주행 전 조건과 비교했을 때, 건식 EEG의 노이즈 검출 횟수가 증가하였다. 더불어, 아티팩트가 관찰된 전극의 위치가 전두엽에 국한되지 않고 다양한 위치에서 발생하는 것으로 보아, 이는 차량 진동 시 건식 전극과 두피 간 접촉 부위의 임피던스가 갑작스럽게 변화하여 발생한 것으로 추정된다. 이러한 결과는 건식 EEG가 차량 진동에 더 민감하게 반응함을 시사한다.

Fig. 7

EEG waveforms under the EEG waveforms under the regular driving condition. Red circles indicate artifacts exceeding the threshold

Fig. 8

EEG waveforms under the EEG waveforms under the dynamic driving condition. Red circles indicate artifacts exceeding the threshold

다음으로, CAR를 적용한 후 두 데이터의 품질을 비교하였다. Fig. 9, Fig. 10은 CAR 적용 후 각각 일상 주행과 다이나믹 주행 조건의 뇌파 데이터를 나타낸다. CAR 시행 후, 습식 EEG는 아티팩트가 효과적으로 제거되는 것으로 나타났으나, 건식 EEG는 여전히 다수의 아티팩트가 남아 있는 것으로 확인되었다. 이는 습식 EEG의 경우 모든 채널에 공통적인 노이즈가 유입되는 반면, 건식 EEG는 특정 채널들에서 국소적으로 노이즈가 발생하기 때문으로 추정된다. 특히, 습식 EEG에서 관찰된 아티팩트는 주로 케이블의 흔들림에 의한 것으로, 대부분의 채널에 공통적으로 삽입되는 특징을 보였다.

Fig. 9

EEG waveforms after applying CAR under regular driving conditions. Red circles indicate artifacts exceeding the threshold

Fig. 10

EEG waveforms after applying CAR under dynamic driving conditions. Red circles indicate artifacts exceeding the threshold

Table 2, Table 3은 실험 조건 별 아티팩트 검출 횟수를 비교한 결과를 나타낸다. Table 2는 CAR 미적용 시의 결과를, Table 3은 CAR 적용 후의 결과를 보여준다. 여기서, 샘플(sample) 수는 역치를 초과하는 시간 샘플(time sample)의 수를 의미하며, 에포크 수는 2초 에포크 내에 역치를 초과하는 샘플이 1개라도 포함될 경우 이를 카운트하여 나타낸 것이다. 습식 EEG 장비는 다운 샘플링 후 512 Hz, 건식 EEG 장비는 300 Hz의 샘플링 레이트를 가지지만, 건식 EEG 장비에서 더 많은 아티팩트가 검출되었다. CAR를 적용한 결과, 두 장비 모두에서 아티팩트 검출 횟수가 감소하였다. 그러나 습식 EEG 데이터의 노이즈는 모두 제거된 반면, 건식 EEG는 일부 노이즈 성분이 여전히 남아 있는 것으로 확인되었다. 특히, 다이나믹 주행 환경에서는 건식 EEG의 아티팩트가 크게 증가하였다. 급가속과 급감속, 멀미를 유발하는 주행, 승차감 및 로드 노이즈를 평가하는 노면의 주행 등 가혹한 주행 조건에서는 건식 EEG의 아티팩트 발생 수치가 더욱 증가할 것으로 예상된다.

4.2 PSD 특징 비교

이 연구에서는 EEG 신호의 주파수 특성을 정량적으로 분석하기 위해 주기도법(periodogram) 기반의 PSD를 적용하였다. 70 µV를 초과한 에포크는 아티팩트로 간주하여 제외한 후, 아티팩트를 제거한 데이터를 기반으로 PSD를 계산하였다. 이를 통해 네 가지 실험 조건별로 두 EEG 측정 시스템의 결과를 비교하였다. 각 세션의 전처리된 신호는 2초(epoch length) 구간으로 분절하였으며, 각 에포크에 대해 고속 푸리에 변환(fast Fourier transform, FFT)을 수행하였다. 변환된 스펙트럼은 에포크 길이로 정규화한 후, 복소수 스펙트럼의 크기 제곱을 취하여 periodogram을 산출하였다. 이후 Fp1, Fp2, F7, F3, Fz, F4, F8, C3, Cz, C4, P3, P4, O1, O2의 총 14개 채널과 모든 에포크에 대해 산출된 periodogram을 평균하여 최종 PSD를 도출하였다. Fig. 11, Fig. 12와 같이 PSD 분석 결과, 두 시스템 모두 눈을 감은 경우 알파파(8 Hz ~ 12 Hz)의 파워가 크게 증가하는 특징이 관찰되었다. 또한, 주행 전 야외 및 차량 안에서 측정한 경우, 두 시스템의 PSD 결과는 큰 차이를 보이지 않았다. 그러나 주행 환경에서는 건식 EEG 장비에서 원시 데이터(raw data) 모니터링 시 확인되지 않았던 저주파 대역의 잡음이 강하게 발생하였다. 이러한 현상은 주행 조건(일상 주행, 다이나믹 주행)에 상관없이 일관된 패턴으로 관찰되었다.

Fig. 11

Power spectral density of EEG data under before driving conditions

Fig. 12

Power spectral density of EEG data under driving conditions

5. 논 의

이 연구는 차량 주행 환경에서 무선 건식 EEG와 능동 전극을 사용하는 유선 습식 EEG 시스템의 신호 품질을 비교 분석하여, 두 시스템의 실용성과 한계를 평가하였다. 건식 EEG는 착용의 편의성과 이동성을 제공하지만, 주행 환경에서 아티팩트 발생 빈도가 습식 EEG에 비해 유의미하게 높은 것으로 나타났다. 특히 다이나믹 주행 환경에서 건식 EEG는 차량 진동에 의해 전극과 두피 간 접촉 임피던스가 변화함으로써 발생하는 아티팩트가 전두엽을 포함한 다양한 채널에서 관찰되었다. 이는 건식 EEG가 진동 및 외부 움직임에 민감하게 반응한다는 것을 보여준다. 따라서 차량 내 사용을 위해서는 아티팩트 최소화를 위한 전극 설계 및 데이터 보정 기술이 필요하다.

CAR을 적용한 후 두 시스템 모두에서 아티팩트 검출 횟수가 감소하였지만, 습식 EEG는 아티팩트가 거의 완전히 제거된 반면, 건식 EEG는 일부 노이즈 성분이 여전히 남아 있는 것으로 나타났다. 이는 건식 EEG의 노이즈가 국소적인 채널에서 발생하는 반면, 습식 EEG의 노이즈는 모든 채널에 공통적으로 발생하는 특성을 가지기 때문일 가능성이 있다. CAR 적용 이후에도 건식 EEG 데이터의 추가적인 보정 기법이 요구된다.

PSD 분석 결과, 두 시스템 모두에서 눈을 감은 조건에서 알파파의 파워가 뚜렷하게 증가하는 양상이 관찰되었다. 이는 시각 자극이 차단됨에 따라 후두엽(occipital lobe)을 중심으로 알파파가 강하게 나타나는 생리학적 반응으로, 베르거 효과(Berger effect)로 불린다⁽⁴⁰⁾. 눈을 감으면 시각 입력이 급격히 줄어들면서 뇌는 안정된 각성 상태(relaxed wakefulness)로 전환되고, 이에 따라 알파파의 동기화(synchronization)가 강화된다. 이러한 반응은 EEG 측정에서 일반적으로 관찰되는 정상적인 생리 반응이며, 이 연구에서도 실험 조건 전반에서 일관되게 확인되었다. 그러나 이러한 생리적 변화와는 별개로, 주행 조건에서는 특히 건식 EEG 시스템에서 원시 신호를 모니터링할 때 명확히 나타나지 않았던 저주파 대역의 잡음이 추가적으로 관찰되었다. 이는 차량의 진동이나 움직임으로 인해 전극과 두피 사이의 물리적 접촉이 불안정해지면서 발생하는 기계적 노이즈로 해석될 수 있다.

차량 주행 환경에서 EEG 측정 시스템을 선택할 때, 데이터 품질과 사용자 편의성을 모두 고려해야 한다. 건식 EEG는 간편한 착용과 높은 이동성을 제공하며, 전도성 젤이 필요하지 않아 준비 과정이 간소화된다는 장점이 있다. 이러한 특성은 실시간 데이터 수집과 휴대성이 요구되는 환경에서 유리하다. 그러나 전극과 두피 간 접촉 저항이 높아 신호 품질이 저하될 가능성이 있으며, 노이즈와 아티팩트에 민감하다. 특히, 동적 환경에서는 신호 대 잡음비가 낮아 정밀한 측정에 한계가 있으며, 아티팩트 처리와 노이즈 보완을 위한 기술적 개선이 필요하다. 반면, 습식 EEG는 높은 신호 대 잡음비를 제공하며, 아티팩트 제거와 신호 안정성에서 우수한 성능을 보인다. 특히 능동 전극을 채용한 습식 EEG는 전극에서 신호를 즉각 증폭하여 잡음을 줄이고 신호 대 잡음비를 향상시키는 장점이 있다. 이는 저주파 드리프트와 고주파 잡음의 영향을 최소화하여 동적 조건에서도 신뢰성 있는 데이터를 수집할 수 있게 한다. 그러나 전도성 젤 사용으로 인해 착용 과정이 번거롭고, 장시간 사용 시 젤이 마르면서 신호 품질이 저하될 수 있다. 또한, 이동성과 실시간 응용에는 제한이 있다.

결론적으로, 무선 건식 EEG 시스템은 실시간 응용성과 높은 이동성이 요구되는 환경에서 활용에 유리하며, 유선 습식 EEG 시스템은 동적 조건에서도 신뢰도 높은 데이터 수집이 가능하다는 점에서 강점을 가진다. 이에 따라 자동차 분야에서 EEG를 활용하는 경우, 정차 상태에서의 NVH(noise, vibration, and harshness) 평가, 작동음(operational sound) 및 전장음(warning sound) 분석, 자연의 소리 및 오디오 시스템 평가 등 정적인 조건에서는 건식 EEG 시스템이 적합하다 할 수 있다. 반면, 엔진 사운드 평가, 주행 중 NVH 및 승차감 분석, 탑승객의 감정 및 수면 상태 모니터링, 멀미 연구 등 동적인 차량 주행 환경에서는 능동 전극이 탑재된 습식 EEG 시스템이 보다 안정적이고 적절한 선택으로 판단된다.

이 연구는 다음과 같은 한계를 갖는다. 이 연구는 무선 건식 EEG 시스템과 유선 습식 EEG 시스템 간의 신호 품질을 비교한 탐색적 시도로서, 실제 차량 주행 환경에서 EEG 시스템의 적용 가능성과 신호 안정성에 대한 기초 자료를 제공하는 데 그 의의가 있다. 그러나 30대 여성 1인을 대상으로 수행된 단일 사례 연구이기 때문에, EEG 신호의 개인차를 충분히 반영하기 어렵다는 한계가 존재한다. EEG는 개인 간 뿐만 아니라 동일 개인 내에서도 시간적 변동성이 큰 생리 신호이므로, 이 연구 결과의 일반화에는 신중한 해석이 필요하다. 향후 연구에서는 피험자 수를 확대하고, 반복 실험을 통해 개인 내 변동성(intra-subject variability) 및 개인 간 변동성(inter-subject variability)을 체계적으로 고려한 실험 설계를 적용할 계획이다.

신호 전처리 측면에서도 한계가 존재한다. 이 연구에서는 CAR 기법을 적용하여 전체 전극의 평균값을 참조 전위로 사용함으로써 공통 잡음을 제거하였다. CAR는 다채널 EEG 분석에서 간단하고 효율적인 방식으로 널리 사용되지만, 특정 전극에서 발생하는 국지적 고진폭 잡음에는 상대적으로 민감하지 못하다는 한계가 있다. 이러한 점을 보완하기 위해 향후 연구에서는 독립 성분 분석(independent component analysis, ICA)을 포함하여, MARA(multiple artifact rejection algorithm), ASR(artifact subspace reconstruction) 등 자동화된 아티팩트 제거 기법을 병행 적용함으로써 전처리의 정밀도와 신뢰성을 높일 예정이다.

또한, 이 연구에서는 장비 별 기본 설정에 따라 측정 시스템 별 다른 샘플링 주파수로 데이터를 분석하였다. 이로 인해 시스템 간 비교의 정량적 일관성에 일정한 제약이 존재하며, 향후 연구에서는 동일한 주파수로 리샘플링(resampling)하여 데이터 처리의 일관성과 정확성을 확보할 계획이다. 아울러, Fig. 5 ~ Fig. 10에 나타난 일부 아티팩트는 ±70 µV의 임계값을 초과하지 않는 짧고 과도적인(transient) 잡음이거나, 분할된 에포크 내에서 발생한 일시적인 신호 변동으로 인해 검출되지 않았을 가능성이 있다. 이 연구는 고진폭 중심의 단일 임계값 기반 자동 검출 방식을 적용하였기에, 저진폭 또는 고주파 성분의 아티팩트는 일부 잔류했을 가능성이 있으며, 이는 향후 ICA 기반의 신호 분리 기법 및 다중 기준 기반 자동화 검출 알고리즘을 도입함으로써 개선이 가능할 것으로 판단된다.

또한, 이 연구는 통계적 유의성 검정 없이 건식 및 습식 EEG 시스템 간 신호 품질 차이를 기술적으로 비교한 탐색적 연구에 해당한다. 피험자 수가 제한적이고 반복 측정 기반의 통계 분석이 수행되지 않았기 때문에, 이 연구에서 제시한 신호 품질 차이는 경향성 중심의 해석으로 이해되어야 한다. 향후 연구에서는 피험자 수를 확대하고 각 주행 조건에 대해 반복 측정을 실시하여, 신호 품질 차이에 대한 통계적 유의성 검정을 수행함으로써 비교 결과의 신뢰성과 일반화를 확보할 계획이다.

마지막으로, 이 연구에서 언급한 습식 EEG의 높은 신호 대 잡음비는 아티팩트 검출 결과와 시각적 신호 관찰에 기반한 해석에 해당하며, 향후 연구에서는 실제 SNR 계산을 통해 이를 정량적으로 입증할 예정이다.

6. 결 론

이 연구에서는 차량 주행 환경에서 무선 건식 EEG 시스템과 능동 전극을 채용한 유선 습식 EEG 시스템 간의 신호 품질을 비교하고, 각 시스템의 장단점 및 주행 조건별 적합성을 평가하였다. 전기차 기반의 실도로 주행 실험을 통해, 주행 전 차량 내부 및 외부, 일상 주행, 그리고 다이나믹 주행의 네 가지 조건에서 EEG 데이터를 수집하고 분석하였다. 건식 EEG 시스템은 착용이 간편하고 이동성이 우수하여 실시간 응용에 적합한 장점을 보였으나, 주행 중에는 아티팩트와 저주파 잡음에 민감하게 반응하여 특히 다이나믹 조건에서 신호 품질 저하가 두드러지게 나타났다. 반면, 능동 전극을 적용한 습식 EEG 시스템은 아티팩트 억제 및 신호 안정성 측면에서 우수한 성능을 보였으며, 차량 진동과 움직임이 포함된 환경에서도 높은 신뢰도의 데이터를 제공하는 것으로 나타났다. 다만, 착용의 복잡성과 제한된 이동성은 실용성 측면에서 단점으로 작용하였다. 이러한 결과를 종합하면, 정차 상태 중 차량 내부에서 이루어지는 오디오 평가나 차량 사운드 분석과 같이 비교적 정적인 조건에서는 건식 EEG 시스템이 적합하다. 반면, 차량이 주행 중일 때 수행되는 NVH 평가, 승차감 분석, 탑승자의 감정 및 수면 상태 모니터링, 멀미 연구 등과 같은 동적 조건에서는 습식 EEG 시스템이 보다 안정적이고 신뢰할 수 있는 선택으로 판단된다. 향후 연구에서는 다양한 주행 조건과 사용자 집단을 고려한 확장된 실험 설계를 통해 EEG 시스템의 적용 가능성을 더욱 폭넓게 검토할 필요가 있다. 또한, 아티팩트 문제를 해결하기 위한 기술적 개선이 필요할 것이다. 이 연구는 차량 환경에서 EEG 기반 생체신호 측정을 활용하는 경우, 연구 목적과 조건에 부합하는 시스템을 합리적으로 선택할 수 있는 실질적인 기준을 제공한다는 점에서 학술적 및 실용적 의의를 지닌다.

References

• Shu, L., Xie, Y., Yang, M., Li, Z., Li, Z. et al., 2018, A Review of Emotion Recognition using Physiological Signals, Sensors, Vol. 18, No. 7, 2074. [https://doi.org/10.3390/s18072074]
• Koelstra, S., Muhl, C., Soleymani, M., Lee, J.-S., Yazdani, A. et al., 2011, DEAP: A Database for Emotion Analysis using Physiological Signals, IEEE Transactions on Affective Computing, Vol. 3, No. 1, pp. 18~31. [https://doi.org/10.1109/T-AFFC.2011.15]
• Szwoch, W., 2015, Emotion Recognition using Physiological Signals, Proceedings of the Multimedia, Interaction, Design and Innvovation, pp. 1~8. [https://doi.org/10.1145/2814464.2814479]
• Jeong, E., Ryu, J., Shin, J.-H., Kwon, G. H., Jo, G. and Lee, J.-Y., 2018, High Oxygen Exchange to Music Indicates Auditory Distractibility in Acquired Brain Injury: An fNIRS Study with a Vector-based Phase Analysis, Scientific Reports, Vol. 8, Article No. 16737. [https://doi.org/10.1038/s41598-018-35172-2]
• Egger, M., Ley, M. and Hanke, S., 2019, Emotion Recognition from Physiological Signal Analysis: A Review, Electronic Notes in Theoretical Computer Science, Vol. 343, pp. 35~55. [https://doi.org/10.1016/j.entcs.2019.04.009]
• Gomez, P. and Danuser, B., 2004, Affective and Physiological Responses to Environmental Noises and Music, International Journal of Psychophysiology, Vol. 53, No. 2, pp. 91~103. [https://doi.org/10.1016/j.ijpsycho.2004.02.002]
• Park, S. H. and Lee, P. J., 2017, Effects of Floor Impact Noise on Psychophysiological Responses, Building and Environment, Vol. 116, pp. 173~181. [https://doi.org/10.1016/j.buildenv.2017.02.005]
• Park, S. H., Lee, P. J. and Jeong, J. H., 2018, Effects of Noise Sensitivity on Psychophysiological Responses to Building Noise, Building and Environment, Vol. 136, pp. 302~311. [https://doi.org/10.1016/j.buildenv.2018.03.061]
• Song, M.-J. and Shin, H., 2011, A Study on the Characteristics of Electroencephalogram for the Evaluating Words of Soundscape Sound Source When Visual Information is Suggested, Transactions of the Korean Society for Noise and Vibration Engineering, Vol. 21, No. 7, pp. 629~636. [https://doi.org/10.5050/KSNVE.2011.21.7.629]
• Smith, M. G., Croy, I., Ögren, M., Hammar, O., Lindberg, E. and Waye, K. P., 2017, Physiological Effects of Railway Vibration and Noise on Sleep, Journal of the Acoustical Society of America, Vol. 141, No. 5, pp. 3262~3269. [https://doi.org/10.1121/1.4983302]
• Morris, B. H., Philbin, M. K. and Bose, C., 2000, Physiological Effects of Sound on the Newborn, Journal of Perinatology, Vol. 20, pp. S55~S60. [https://doi.org/10.1038/sj.jp.7200451]
• Fan, Y., Liang, J., Cao, X., Pang, L. and Zhang, J., 2022, Effects of Noise Exposure and Mental Workload on Physiological Responses during Task Execution, International Journal of Environmental Research and Public Health, Vol. 19, No. 19, 12434. [https://doi.org/10.3390/ijerph191912434]
• Cheon, J., Hong, Y. J., Shin, H. J. and Jeong, E., 2024, Measurements of Physiological Responses to Noise-induced Stress: A Scoping Review, Journal of the Acoustical Society of Korea, Vol. 43, No. 6, pp. 686~700.
• Shin, T.-J., Lee, Y.-J. and Lee, S. K., 2012, Sound Quality Evaluation of Turn-signal of a Passenger Vehicle Based on Brain Signal, Transactions of the Korean Society for Noise and Vibration Engineering, Vol. 22, No. 11, pp. 1137~1143. [https://doi.org/10.5050/KSNVE.2012.22.11.1137]
• Lee, Y. J., Shin, T. J. and Lee, S. K., 2013, Sound Quality Analysis of a Passenger Car Based on Electroencephalography, Journal of Mechanical Science and Technology, Vol. 27, No. 2, pp. 319~325. [https://doi.org/10.1007/s12206-012-1248-z]
• Lee, S. M. and Lee, S. K., 2013, Psychoacoustical Analysis and Application of Electroencephalography(EEG) to the Sound Quality Analysis for Acceleration Sound of a Passenger Car, Transactions of the Korean Society for Noise and Vibration Engineering, Vol. 23, No. 3, pp. 258~266. [https://doi.org/10.5050/KSNVE.2013.23.3.258]
• Lee, S. M. and Lee, S. K., 2014, Objective Evaluation of Human Perception of Automotive Sound Based on Physiological Signal of Human Brain, International Journal of Automotive Technology, Vol. 15, No. 2, pp. 273~282. [https://doi.org/10.1007/s12239-014-0028-4]
• Zepf, S., Hernandez, J., Schmitt, A., Minker, W. and Picard, R. W., 2020, Driver Emotion Recognition for Intelligent Vehicles: A Survey, ACM Computing Surveys, Vol. 53, No. 3, pp. 1~30. [https://doi.org/10.1145/3388790]
• Zhang, L.-L., Wang, Z.-Q., Qi, R.-R., Pan, L.-L., Li, M. and Cai, Y.-L., 2016, Motion Sickness: Current Knowledge and Recent Advances, CNS Neuroscience & Therapeutics, Vol. 22, No. 1, pp. 15~24. [https://doi.org/10.1111/cns.12468]
• Teplan, M., 2002, Fundamentals of EEG Measurement, Measurement Science Review, Vol. 2, No. 2, pp. 1~11.
• Cooper, R., Osselton, J. W. and Shaw, J. C., 2014, EEG Technology, 2nd Edition, Butterworth-Heinemann, Oxford, United Kingdom.
• Yeung, A., Garudadri, H., Van Toen, C., Mercier, P., Balkan, O. et al., 2015, Comparison of Foam-based and Spring-loaded Dry EEG Electrodes with Wet Electrodes in Resting and Moving Conditions, Proceedings of the 37th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), pp. 7131~7134. [https://doi.org/10.1109/EMBC.2015.7320036]
• Oliveira, A. S., Schlink, B. R., Hairston, W. D., König, P. and Ferris, D. P., 2016, Proposing Metrics for Benchmarking Novel EEG Technologies Towards Real-world Measurements, Frontiers in Human Neuroscience, Vol. 10, p. 188. [https://doi.org/10.3389/fnhum.2016.00188]
• Zander, T. O., Andreeseen, L. M., Berg, A., Bleuel, M., Pawlitzki, J. et al., 2017, Evaluation of a Dry EEG System for Application of Passive Brain-computer Interfaces in Autonomous Driving, Frontiers in Human Neuroscience, Vol. 11, Article 78, pp. 1~16. [https://doi.org/10.3389/fnhum.2017.00078]
• Hinrichs, H., Scholz, M., Baum, A. K., Kam, J. W. Y., Knight, R. T. et al., 2020, Comparison between a Wireless Dry Electrode EEG System with a Conventional Wired Wet Electrode EEG System for Clinical Applications, Scientific Reports, Vol. 10, p. 5218. [https://doi.org/10.1038/s41598-020-62154-0]
• Kam, J. W., Griffin, S., Shen, A., Patel, S., Hinrichs, H. et al., 2019, Systematic Comparison between a Wireless EEG System with Dry Electrodes and a Wired EEG System with Wet Electrodes, NeuroImage, Vol. 184, pp. 119~129. [https://doi.org/10.1016/j.neuroimage.2018.09.012]
• Ehrhardt, N. M., Niehoff, C., Oßwald, A.-C., Antonenko, D., Lucchese, G. et al., 2024, Comparison of Dry and Wet Electroencephalography for the Assessment of Cognitive Evoked Potentials and Sensor-level Connectivity, Frontiers in Neuroscience, Vol. 18, pp. 1441799. [https://doi.org/10.3389/fnins.2024.1441799]
• Mathewson, K. E., Harrison, T. J. and Kizuk, S. A., 2017, High and Dry? Comparing Active Dry EEG Electrodes to Active and Passive Wet Electrodes, Psychophysiology, Vol. 54, No. 1, pp. 74~82. [https://doi.org/10.1111/psyp.12536]
• Sultana, M., Jain, O., Halder, S., Matran-Fernandez, A., Nawaz, R. et al., 2024, Evaluating Dry EEG Technology Out of the Lab, Proceedings of the IEEE International Conference on Metrology for eXtended Reality, Artificial Intelligence and Neural Engineering (MetroXRAINE), IEEE, pp. 752~757. [https://doi.org/10.1109/MetroXRAINE62247.2024.10797021]
• Chen, Y.-H., Beeck, M. O., Vanderheyden, L., Carrette, E., Mihajlović, V. et al., 2014, Soft, Comfortable Polymer Dry Electrodes for High Quality ECG and EEG Recording, Sensors, Vol. 14, No. 12, pp. 23758~23780. [https://doi.org/10.3390/s141223758]
• Shad, E. H. T., Molinas, M. and Ytterdal, T., 2020, Impedance and Noise of Passive and Active Dry EEG Electrodes: A Review, IEEE Sensors Journal, Vol. 20, No. 24, pp. 14565~14577. [https://doi.org/10.1109/JSEN.2020.3012394]
• Angelidis, A., Van der Does, W., Schakel, L. and Putman, P., 2016, Frontal EEG Theta/Beta Ratio as an Electrophysiological Marker for Attentional Control and its Test-retest Reliability, Biological Psychology, Vol. 121, pp. 49~52. [https://doi.org/10.1016/j.biopsycho.2016.09.008]
• Lohani, M., Payne, B. R. and Strayer, D. L., 2019, A Review of Psychophysiological Measures to Assess Cognitive States in Real-world Driving, Frontiers in Human Neuroscience, Vol. 13, p. 57. [https://doi.org/10.3389/fnhum.2019.00057]
• Wang, Y.-K., Jung, T.-P. and Lin, C.-T., 2015, EEG-based Attention Tracking during Distracted Driving, IEEE Transactions on Neural Systems and Rehabilitation Engineering, Vol. 23, No. 6, pp. 1085~1094. [https://doi.org/10.1109/TNSRE.2015.2415520]
• Li, G., Yan, W., Li, S., Qu, X., Chu, W. and Cao, D., 2021, A Temporal-spatial Deep Learning Approach for Driver Distraction Detection Based on EEG Signals, IEEE Transactions on Automation Science and Engineering, Vol. 19, No. 4, pp. 2665~2677. [https://doi.org/10.1109/TASE.2021.3088897]
• Amzica, F. and Steriade, M., 1998, Electrophysiological Correlates of Sleep Delta Waves, Electroencephalography and Clinical Neurophysiology, Vol. 107, No. 2, pp. 69~83. [https://doi.org/10.1016/S0013-4694(98)00051-0]
• Kemp, B., Zwinderman, A. H., Tuk, B., Kamphuisen, H. A. and Oberye, J. J., 2000, Analysis of a Sleep-dependent Neuronal Feedback Loop: The Slow-wave Microcontinuity of the EEG, IEEE Transactions on Biomedical Engineering, Vol. 47, No. 9, pp. 1185~1194. [https://doi.org/10.1109/10.867928]
• Nolan, H., Whelan, R. and Reilly, R. B., 2010, FASTER: Fully Automated Statistical Thresholding for EEG Artifact Rejection, Journal of Neuroscience Methods, Vol. 192, No. 1, pp. 152~162. [https://doi.org/10.1016/j.jneumeth.2010.07.015]
• Urigüen, J. A. and Garcia-Zapirain, B., 2015, EEG Artifact Removal-State-of-the-art and Guidelines, Journal of Neural Engineering, Vol. 12, No. 3, 031001. [https://doi.org/10.1088/1741-2560/12/3/031001]
• Kirschfeld, K., 2005, The Physical Basis of Alpha Waves in the Electroencephalogram and the Origin of the ‘Berger Effect’, Biological Cybernetics, Vol. 92, pp. 177~185. [https://doi.org/10.1007/s00422-005-0547-1]