EEG를 활용한 머신러닝 기반의 인지부하 예측모형 성능 비교

A Comparison of Machine Learning with EEG based Cognitive Load Prediction Model

이 연구는 학습자의 지각하는 인지부하 정도를 측정하기 위한 모형을 개발하기 위한 기초연구이다. 인지부하는 학습자의 사고과정에서 발생하는 중요한 인지활동의 결과이다. 따라서 이러한 인지부하를 정밀하게 측정하기 위한 방법으로 뇌파의 활용에 대한 관심이 높다. 또한 뇌파를 활용한 학습자의 인지부하 수준을 예측할 수 있다면 학습활동에 대한 곤란한 수준 등을 사전에 예측할 수도 있을 것이다. 이러한 연구목적을 위해서 뇌파를 활용한 인지부하 예측모형의 성능을 비교함으로써 효과적인 방법을 탐색하고자 했다. 이 연구에서는 과제난이도의 수준과 머신러닝 기법(랜덤 포레스트, 합성곱신경망, 순환신경망)을 비교했다. 이 연구에서는 공개데이터(참가자=48명)와 표집데이터(참가자=38명)를 적용했다. 과제난이도 수준을 높고 낮음으로 구분했으며, 인공지능 기법에 따른 성능을 비교하였다. 연구결과에 따르면 랜덤 포레스트의 예측모형이 높은 성능을 보였다. 순환신경망 기반의 예측모형은 한 가지 데이터세트를 사용하는 경우 에는 비교적 낮은 성능을 보였으나, 혼합데이터에 대해서는 랜덤 포레스트 예측 모형과 유사한 수준의 성능을 보였다. 이 연구를 통하여 학습 과정 중 학습자의 인지부하 수준을 실시간으로 추적하는 방법을 확인하고, 더욱 일반화된 예측모형을 개발할 때 사용하기 적합한 인공지능 기법을 확인할 수 있었다. 특히 랜덤 포레스트가 개발에 사용되는 자원이 비교적 적음에도 과제난이도 수준의 분류에 높은 성능을 보였다. 그리고 순환신경망이 데이터세트를 결합한 대단위 데이터에 대해 높은 성능을 보였다는 점에 주목할 수 있다. 이 연구의 결과를 통해서 인지부하의 측정기법을 어떻게 활용할 것인지에 대한 적용방안을 서술했다. 또한 이 연구의 한계점을 제시하였다.

This study aims to develop a machine learning-based prediction model that predicts learners' cognitive load through EEG. The performance of the prediction model for cognitive load induction methods to machine learning techniques has been compared. We applied two datasets for performing different tasks and compared three prediction models based on Random Forest, CNN, and LSTM. The participants in the first dataset were 48, and the participants in the second were 38. Both tasks were classified into low/high cognitive load conditions. The absence of task performance classified the cognitive load condition of the first dataset, and the second task was classified by task difficulty. In both, the case of using one dataset and the case of using both datasets, the prediction model based on Random Forest showed higher performance than others. In addition, the recurrent neural network-based prediction model showed relatively low performance when using one dataset but showed similar levels of performance to the Random Forest prediction model when using both datasets