최근 발표된 연구에서 뇌전도(EEG) 신호를 기반으로 정신적 스트레스를 감지하는 새로운 인공지능(AI) 모델 'I2RiMA'(Intra-Inter Riemannian Manifold Attention Network)가 개발되어 주목받고 있습니다. 이 모델은 기존 방법론의 한계를 극복하고 스트레스 감지 정확도를 크게 높여, 개인 맞춤형 정신 건강 관리의 가능성을 열었습니다.
기존 뇌파 기반 스트레스 감지 기술은 개인마다, 그리고 뇌파의 특정 주파수 대역마다 스트레스 반응 패턴이 다르게 나타나는 '피험자 의존성'과 '주파수 특이성' 문제로 인해 어려움을 겪어왔습니다. 특히, 기존 리만(Riemannian) 기법은 주로 시간 영역에서 공간 공분산(spatial covariance)을 모델링하여 고수준 인지 상태 디코딩에 중요한 신경 진동(neural oscillations)을 간과하는 경향이 있었습니다. 또한, 표준 시간 토큰화(temporal tokenization) 방식은 여러 시간 조각(slice) 간의 시간적 일관성(temporal coherence)을 단편화시키는 문제도 있었습니다. I2RiMA는 이러한 한계를 극복하기 위해 각 주파수 지점(frequency point)에서 독립적으로 공간 공분산 행렬을 구성하고 이를 SPD(Symmetric Positive Definite) 접선 공간(tangent space)에 매핑하여 채널별 기하학적 구조와 주파수별 식별 정보를 보존합니다. 또한, 주파수 클러스터 통합(frequency cluster aggregation)을 통해 정보성 스펙트럼 구성 요소를 선택하고, '인트라-인터 슬라이스 어텐션 모듈'(intra-inter slice attention module)을 도입하여 지역적 슬라이스 수준의 스펙트럼 역동성과 뇌파 시퀀스 전반의 전역적 시간적 맥락을 통합합니다. 이 모델은 1.60M의 적은 파라미터와 31.95M의 FLOPs로 효율성을 유지하면서도, 세 가지 데이터셋에 대한 실험에서 기존 최첨단(state-of-the-art) 기준 모델들보다 일관되게 우수한 성능을 보였으며, 최대 82.78%의 균형 정확도(balanced accuracy)를 달성했습니다.
I2RiMA의 개발은 뇌파 신호 분석을 통한 정신 건강 모니터링 및 진단 기술 발전에 중요한 이정표가 될 수 있습니다. 특히, 개인의 미묘한 스트레스 변화를 더욱 정확하게 감지할 수 있게 됨으로써, 우울증, 불안 장애 등 정신 건강 문제의 조기 진단 및 예방에 기여할 잠재력을 가집니다. 이는 웨어러블 기기나 스마트 헬스케어 시스템에 통합되어 사용자에게 실시간 스트레스 수준을 제공하고, 필요시 적절한 개입을 유도하는 데 활용될 수 있습니다. 궁극적으로는 개인의 삶의 질을 향상시키고 사회 전반의 정신 건강 증진에 긍정적인 영향을 미칠 것으로 기대됩니다.