본문 바로가기
KERD
논문KCI 등재

EEG를 활용한 머신러닝 기반의 인지부하 예측모형 성능 비교

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

류지헌|정무석
대한사고개발학회 (The Korean Association For Thinking Development)|2022.12|사고개발 (Korean Journal of Thinking Development)|제18권 제3호|pp. 111-129

0

조회

0

다운로드

2

인용

0

참고문헌

키워드

인공지능인지부하EEG머신러닝딥러닝Deep LearningMachine Learning랜덤 포레스트Random ForestCognitive Load

초록

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 경우에는 비교적 낮은 성능을 보였으나, 혼합데이터에 대해서는 랜덤 포레스트 예측모형과 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.

Abstract

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.

참고문헌 (41)

  1. 김연주, "동영상 학습 구간별 회상된 인지부하와 학습자 생리심리반응의 관계 분석", 석사, pp.2017
  2. 김준, "이러닝 적용을 위한 뇌파기반 인지부하 측정", 인지과학, 20(2), pp.125~154 (2009), 한국인지과학회[DOI]
  3. 김창식, "머신러닝 및 딥러닝 연구동향 분석: 토픽모델링을 중심으로", (사)디지털산업정보학회 논문지, 15(2), pp.19~28 (2019), (사)디지털산업정보학회
  4. 박혜정, "동영상 학습 환경에서 인지부하의 변화 및 학습성과와의 상관관계", 교육정보미디어연구, 25(4), pp.797~826 (2019), 한국교육정보미디어학회[DOI]
  5. 서용희, "공간능력 과제 해결 시 사전지식과 요소 상호작용성 수준에 따른 내재적 인지부하의 차이", 석사, pp.2018
  6. 신주현, "컴퓨팅 사고력 교육과 문제 해결 과정에서의 인지부하 변화", 한국정보기술학회논문지, 13(4), pp.121~129 (2015), 한국정보기술학회[DOI]
  7. 안성만, "딥러닝의 모형과 응용사례", 지능정보연구, 22(2), pp.127~142 (2016), 한국지능정보시스템학회
  8. 유진은, "랜덤 포레스트: 의사결정나무의 대안으로서의 데이터 마이닝 기법", 교육평가연구, 28(2), pp.427~448 (2015), 한국교육평가학회
  9. 이선아, "뇌파를 이용한 학습자의 인지학습활동 분석", 교육공학연구, 37(3), pp.649~679 (2021), 한국교육공학회[DOI]
  10. 이한수, "전이학습 기반의 합성곱 신경망을 이용한 다중클래스 분류에 관한 연구", 한국지능시스템학회 논문지, 28(6), pp.531~537 (2018), 한국지능시스템학회
  11. 이현우, "인적학습자원관리 전략이 학업성취에 미치는 영향: 교수설계적 인지부하에 의한 메타인지의 조절된 매개효과", 교육정보미디어연구, 25(4), pp.853~872 (2019), 한국교육정보미디어학회[DOI]
  12. 임성민, "가상현실 수업시뮬레이션에서 정서 판단을 위한 EEG 기반의 심층신경망 모형개발", 교육정보미디어연구, 27(1), pp.29~52 (2021), 한국교육정보미디어학회[DOI]
  13. Bashivan, P., "Learning representations from EEG with deep recurrent-convolutional neural networks", ~ (2015)
  14. Belsare, S, "Performance Comparison of Different EEG Analysis Techniques Based on Deep Learning Approaches", 2021 International Conference on Emerging Smart Computing and Informatics (ESCI), pp.490~493 (2021), IEEE
  15. Boring, M. J., "Continuous decoding of cognitive load from electroencephalography reveals task-general and task-specific correlates", Journal of Neural Engineering, 17(5), pp.056016~ (2020)
  16. Multi-Tasking, "SIMKAP–Simultankapazität", pp.2008, Bratfisch, O.
  17. Breiman, L., "Random forests", Machine Learning, 45(1), pp.5~32 (2001)
  18. Chakladar, D. D., "EEG-based mental workload estimation using deep BLSTM-LSTM network and evolutionary algorithm", Biomedical Signal Processing and Control, 60, pp.101989~ (2020)
  19. Dai, Z., "Mental workload classification in finback tasks based on single trial EEG", Chinese Journal of Scientific Instrument, 38(6), pp.1335~1344 (2017)
  20. "Emotiv"[URL]
  21. Friedman, N., "EEG-based prediction of cognitive load in intelligence tests", Frontiers in Human Neuroscience, 13, pp.191~ (2019)
  22. Gass, S. M., "Stimulated recall methodology in second language research" (2013), Routledge
  23. Gómez, L. C., "Studying the generalisability of cognitive load measured with EEG", Biomedical Signal Processing and Control, 70, pp.103032~ (2021)
  24. Hamada, M., "A systematic review for human EEG brain signals based emotion classification, feature extraction, brain condition, group comparison", Journal of medical systems, 42(9), pp.1~25 (2018)
  25. Hosseini, M. P., "A Review on machine learning for EEG Signal processing in bioengineering", IEEE reviews in biomedical engineering, 14, pp.204~218 (2020)
  26. James, G., "An introduction to statistical learning" (2013), Springer
  27. Jayaram, V., "Transfer learning in brain-computer interfaces", IEEE Computational Intelligence Magazine, 11(1), pp.20~31 (2016)
  28. Kalyuga, S., "Cognitive load measurement and application", pp.59~74 (2017), Routledge
  29. Kwak, Y., "Multilevel feature fusion with 3d convolutional neural network for eeg-based workload estimation", IEEE Access, 8, pp.16009~16021 (2020)
  30. LeCun, Y., "Shape, contour and grouping in computer vision", pp.319~345 (1999), Springer
  31. Lever, J., "Points of significance: model selection and overfitting", Nature Methods, 13(9), pp.703~705 (2016)
  32. Li, J., "Hierarchical convolutional neural networks for EEG-based emotion recognition", Cognitive Computation, 10(2), pp.368~380 (2018)
  33. Liaw, A., "Classification and regression by randomForest", R News, 2(3), pp.18~22 (2002)
  34. Mohamed, S., "Towards automated quality assessment measure for EEG signals", Neurocomputing, 237, pp.281~290 (2017)
  35. Ozdemir, R. A., "Cortical activity modulations underlying age-related performance differences during posture-cognition dual tasking", Experimental Brain Research, 234(11), pp.3321~3334 (2016)
  36. Schapkin, S. A., "EEG correlates of cognitive load in a multiple choice reaction task", Acta Neurobiol Exp, 80, pp.76~89 (2020)
  37. Seeck, M., "The standardized EEG electrode array of the IFCN", Clinical Neurophysiology, 128(10), pp.2070~2077 (2017)
  38. Tamanna, T., "The science of emotional intelligence" (2021), IntechOpen
  39. Woods, D. L., "Improving digit span assessment of short-term verbal memory", Journal of Clinical and Experimental Neuropsychology, 33(1), pp.101~111 (2011)
  40. Xie, B., "Review and reappraisal of modeling and predicting mental workload in single- and multi-task environments", Work and Stress, 14, pp.74~99 (2000)
  41. Yoo, J. E., "Exploration of predictors for Korean teacher job satisfaction via a machine learning technique", Frontiers in Psychology, 11, pp.441~ (2020)

관련 논문AI추천

이러닝 적용을 위한 뇌파기반 인지부하 측정김준, 송기상한국인지과학회 · 인지과학2009 · 제20권 제2호모바일 EEG의 교육적 활용 및 도구적 타당성에 대한 체계적 문헌고찰박유이, 안솔뫼, 이지현한국교육공학회 · 교육공학연구2022 · 제38권 제4호XAI 기법을 활용한 학습자의 인지 상태 해석 및 생체 지표 도출김봉현, 홍서빈한국융합학회 · 미래기술융합논문지2025 · 제4권 제4호인지부하의 정도에 따른 뇌신경생리학적 변화권주희, 김도원, 김의진, 김정희, 임창환대한의용생체공학회 · 의공학회지2022 · 제43권 제1호준 지도학습 알고리즘을 이용한 뇌파 감정 분석을 위한 학습데이터 선택 방법에 관한 연구김진헌, 윤종섭한국전기전자학회 · 전기전자학회논문지2018 · 제22권 제3호학습자의 전문성 수준과 과제난이도가 인지부하요인 및 과제수행에 미치는 영향류지헌한국교육정보미디어학회 · 교육정보미디어연구2009 · 제15권 제4호

이 간행물의 다른 논문 (4건)

인지 스타일과 창의력김영채pp. 1-36성적예측에 반영된 숙달목표와 수행목표의 차이 분석강이철, 석보영pp. 37-60초등학교 고학년이 지각한 부모의 양육태도가 삶의 만족도에 미치는 영향: 정서문제의 매개효과최희정, 유계환pp. 61-85Research on Influencing Factors of Continuance Usage Intention to "Study with Me" Live Streaming무취령, 왕경수, 가로pp. 87-110
원문 보기