최종 정리: EEG 알파파 분석과 머신러닝을 활용한 눈 뜸·감음 상태 분류

데이터: PhysioNet EEG Motor Movement/Imagery Dataset v1.0.0, 참가자 S001~S020의 R01(눈 뜬 안정), R02(눈 감은 안정)
채널: O1, O2 (뒤통수, 시각 피질 위)
라이브러리: mne 1.13.2, numpy 2.5.3, scipy 1.18.1, matplotlib 3.11.2, scikit-learn 1.9.1, pandas 3.0.5
모든 수치는 이 저장소의 코드를 실제로 실행해 얻은 값이다. 재현 방법은 저장소의 README.md에 있다.

1. 생성된 그래프와 표

0단계: 데이터 확인

파일	내용
`step0_subject_check.csv`	참가자·파일별 샘플링 주파수, 채널 수, 길이, 포함 여부

1단계: 주파수 대역별 파워 (원본 전체 길이, Welch 4초 Hann 창, 50% 겹침)

파일	내용
`step1_S001_band_power_O1_O2.csv`	S001 예비 분석: O1·O2 대역별 절대·상대 파워 비교표
`step1_S001_band_power_bar.png`	S001 대역별 절대·상대 파워 막대그래프
`step1_S001_alpha_relative_O1_O2.png`	S001 O1·O2 알파 상대 파워 비교
`step1_S001_psd_curves.png`	S001 눈 뜸·감음 PSD 곡선
`step1_all_subjects_band_power.csv`	20명 × 채널 × 상태 × 대역 원자료
`step1_group_band_power_summary.csv`	20명 요약 (평균, 표준편차, 증가한 사람 수, 윌콕슨 검정)
`step1_subject_alpha_change.csv`	참가자별 알파 변화
`step1_group_band_power_bar.png`	20명 대역별 파워 (절대: 중앙값·사분위 범위·로그 눈금, 상대: 평균 ± SD)
`step1_group_alpha_relative_O1_O2.png`	참가자별 알파 상대 파워 변화 (선으로 연결)
`step1_group_psd_curves.png`	20명 평균 PSD 곡선 (로그 평균 ± 1 SD)

2단계: 전처리 (1~40Hz FIR 영위상 필터, 4초 구간, 겹침 없음)

파일	내용
`step2_S001_filter_psd_comparison.png`, `step2_group_filter_psd_comparison.png`	필터 전후 PSD 비교 (S001 / 20명)
`step2_S001_filter_waveform_example.png`	필터 전후 O1 파형 예시
`step2_filter_power_check.csv`, `step2_filter_power_summary.csv`	필터 전후 범위별 파워와 비율
`step2_epoch_counts.csv`	참가자·상태별 구간 수
`step2_epoch_info.csv`, `step2_large_amplitude_epochs.csv`	구간별 진폭 범위, 진폭이 유난히 큰 구간

3단계: 머신러닝용 데이터

파일	내용
`step3_features.csv`	구간 600개 × 특성 (라벨: 눈 뜸 0, 눈 감음 1)
`step3_feature_sets.csv`	특성 집합 A(4개), B(16개), C(16개) 정의
`step3_calibration_values.csv`	세트 C의 참가자별 개인 볼륨 (눈 뜸 처음 20초 평균)
`step3_alpha_feature_summary.csv`	라벨별 알파 특성 평균 ± SD
`step3_alpha_feature_scatter.png`	O1 알파 특성 산점도 (S001 / 20명 보정 전 / 보정 후)

4단계: 모델

파일	내용
`step4_model_settings.csv`	로지스틱 회귀(표준화 Pipeline)와 랜덤 포레스트 설정
`step4_feature_importance.csv`, `step4_feature_importance.png`	특성 중요도 (해석 전용)

5단계: 성능 평가

파일	내용
`step5_S001_comparison.csv`	S001 비교표: 모델 2개 × 특성 집합 2개 (층화 5-fold)
`step5_group20_comparison.csv`	20명 비교표: 모델 2개 × 특성 집합 3개 (참가자 단위 교차검증)
`step5_all_results.csv`	모든 평가 방식의 평균 ± 표준편차
`step5_fold_scores.csv`, `step5_predictions.csv`	fold별 점수, 구간별 예측
`step5_confusion_matrices.csv`	혼동행렬 수치 (교차검증 전체 예측 합산)
`step5_S001_confusion_matrices.png`, `step5_group20_confusion_matrices.png`	혼동행렬 그래프
`step5_group20_per_subject_accuracy.csv`, `.png`	참가자별 정확도
`step5_accuracy_comparison.png`	평가 방식 × 특성 집합별 정확도

자기평가

파일	내용
`selfcheck_results.csv`	누출 점검, 순열 검정, 시드 민감도, C와 B 짝 비교, 실패 참가자 분석

2. 주요 결과 수치

2-1. 참가자 포함

S001~S020 20명 모두 포함했다. 모두 160Hz, 64채널, S001과 같은 채널 이름이었고 길이는 60초 이상이었다.
제외한 참가자는 없다. S014 R01만 60.0초이고 나머지 파일은 61.0초이다.

2-2. 알파파 (1단계, 원본 전체 길이)

	S001 (예비)	20명
O1 알파 상대 파워 (눈 뜸 → 감음)	0.151 → 0.676	평균 0.180 → 0.466
O2 알파 상대 파워	0.140 → 0.630	평균 0.175 → 0.462
O1 알파 절대 파워 증가 배수	14.39배	중앙값 3.68배 (범위 1.25~23.3)
O2 알파 절대 파워 증가 배수	14.12배	중앙값 3.94배 (범위 1.16~27.1)
알파가 증가한 사람	-	O1·O2 모두 20명 중 20명 (윌콕슨 p = 0.000002)
눈 감음 알파 봉우리 주파수	10.00 Hz	중앙값 10.50 Hz (범위 8.50~12.50)

S001은 20명 중 반응이 큰 편이었다. 한 명의 결과만 보면 효과를 과대평가할 수 있다.
사람마다 전체 신호 크기(1~30Hz 파워)가 최대 22배 차이 났다. 한 사람 안에서는 대역끼리 함께 커지거나 작아졌다 (순위 상관 r = 0.80~0.91).

2-3. 전처리 (2단계)

필터 후 남은 파워 비율 (중앙값): 1~40Hz 0.995, 알파 0.997, 1Hz 미만 0.233, 40Hz 초과 0.137. 60Hz 전원 잡음은 0.0001 미만으로 줄었다.
구간 수: 참가자 20명 모두 상태별 15개. 전체 600개 (눈 뜸 300, 눈 감음 300).

2-4. 분류 성능 (5단계, fold 평균 ± 표준편차, 양성 = 눈 감음)

(a) S001 예비 분석: 층화 5-fold, 구간 30개 (fold당 6개)

특성 집합	모델	Accuracy	Precision	Recall	F1
A (알파)	로지스틱 회귀	1.000 ± 0.000	1.000 ± 0.000	1.000 ± 0.000	1.000 ± 0.000
A (알파)	랜덤 포레스트	1.000 ± 0.000	1.000 ± 0.000	1.000 ± 0.000	1.000 ± 0.000
B (4대역)	로지스틱 회귀	0.967 ± 0.074	0.950 ± 0.112	1.000 ± 0.000	0.971 ± 0.064
B (4대역)	랜덤 포레스트	1.000 ± 0.000	1.000 ± 0.000	1.000 ± 0.000	1.000 ± 0.000

(b) 20명 일반화 평가: 참가자 단위 교차검증 (LeaveOneGroupOut, 20 fold, 평가 구간 400개)

특성 집합	모델	Accuracy	Precision	Recall	F1
A (알파)	로지스틱 회귀	0.758 ± 0.184	0.770 ± 0.320	0.675 ± 0.361	0.677 ± 0.321
A (알파)	랜덤 포레스트	0.720 ± 0.162	0.702 ± 0.240	0.690 ± 0.349	0.659 ± 0.284
B (4대역)	로지스틱 회귀	0.745 ± 0.195	0.716 ± 0.355	0.700 ± 0.364	0.677 ± 0.328
B (4대역)	랜덤 포레스트	0.750 ± 0.172	0.712 ± 0.295	0.735 ± 0.368	0.687 ± 0.313
C (4대역 + 볼륨 보정)	로지스틱 회귀	0.810 ± 0.143	0.860 ± 0.159	0.775 ± 0.301	0.769 ± 0.234
C (4대역 + 볼륨 보정)	랜덤 포레스트	0.788 ± 0.156	0.791 ± 0.240	0.750 ± 0.340	0.729 ± 0.289

(c) 참고: 20명 구간을 참가자 구분 없이 섞은 층화 5-fold (같은 400개 구간) - Accuracy: A 로지스틱 회귀 0.768 ± 0.027, A 랜덤 포레스트 0.772 ± 0.043, B 로지스틱 회귀 0.765 ± 0.027, B 랜덤 포레스트 0.798 ± 0.020

참가자 단위 교차검증에서 참가자별 정확도 (세트 C, 로지스틱 회귀, 각 20구간) - 1.00: S004, S010, S017 - 0.60 이하: S006 (0.60), S012 (0.60), S019 (0.50) - 이 세 사람은 1단계에서 알파 증가 배수가 1.25~1.79배로 가장 작은 축이었다.

3. 결과 해석에 필요한 과학적 근거

알파파와 시각 입력. 알파파(약 8~13Hz)는 깨어 있고 편안하게 눈을 감은 상태에서 뒤통수(후두엽)에서 가장 크게 나타난다. 1929년 한스 베르거가 처음 보고했고, 눈을 뜨면 알파파가 줄어드는 현상을 "알파 차단(alpha blocking)" 또는 "베르거 효과"라고 부른다. 이 프로젝트의 O1·O2 결과(20명 모두 증가, 봉우리 약 10Hz)는 이 현상과 일치한다.
알파파가 생기는 원리 (알려진 설명). 알파 리듬은 시상(thalamus)과 대뇌 피질 사이의 신경 회로가 리드미컬하게 동기화되어 생기는 것으로 알려져 있다. 눈을 뜨면 시각 정보가 들어오고 시각 피질의 신경세포들이 각자 다른 정보를 처리한다. 그러면 동기화가 깨지면서 알파 진폭이 줄어든다(사건 관련 비동기화). 알파파를 "시각 정보가 없을 때 쉬는 상태" 또는 "불필요한 정보를 억제하는 상태"의 신호로 해석하는 가설들이 있다.
개인차. 알파파의 세기와 봉우리 주파수(개인 알파 주파수)는 사람마다 차이가 크다. 알파 세기는 유전의 영향을 크게 받는 특성으로 보고되어 있고, 원래 알파파가 약한 사람도 있다. 이 데이터에서는 알파 증가 배수가 1.16~27.1배로 퍼져 있었다. 증가가 작은 참가자일수록 분류 정확도가 낮았다 (세트 B 로지스틱 회귀 r = 0.70, 세트 C 로지스틱 회귀 r = 0.52).
뇌가 아닌 요인 (개인 볼륨). 두피·두개골 두께, 전극 접촉 상태 같은 요인은 모든 대역의 파워를 함께 키우거나 줄인다. 상대 파워와 세트 C의 보정은 이 차이를 줄이는 방법이다. 보정 후 O1 알파 특성의 산점도에서 눈 뜸 구간이 0 근처로 모였다 (step3_alpha_feature_scatter.png).
1명 예비 분류와 여러 명 일반화 평가의 차이.
S001 안에서 교차검증하면, 학습한 구간과 평가한 구간이 같은 사람, 같은 날, 같은 전극 상태에서 나온다. 모델은 "이 사람의 눈 뜸·감음"만 구분하면 되므로 정확도가 1.000에 가깝다.
참가자 단위 교차검증은 학습에 한 번도 쓰지 않은 사람을 맞혀야 한다. 개인 볼륨과 알파 반응성 차이 때문에 정확도가 0.72~0.81로 내려갔고, 참가자마다 0.45~1.00으로 크게 달랐다.
참가자를 섞은 5-fold (c)는 평균 정확도가 0.765~0.798로 (b)와 비슷했다. 하지만 fold 간 표준편차가 0.020~0.043으로 매우 작아서, 특정 참가자에서 거의 우연 수준으로 실패한다는 사실(S006, S012, S019)이 드러나지 않았다. 처음 보는 사람에 대한 성능은 반드시 (b) 방식으로 평가해야 한다.

4. 자기평가 결과 (`selfcheck.py`)

점검	결과
세트 C 보정값이 보정 구간으로만 계산됐는가	다시 계산한 값과 차이 1.0e-9 (CSV 반올림 수준) → 정상
평가 구간에 보정 구간이 섞였는가	0개 → 정상
참가자 단위 fold의 평가 참가자	fold마다 1명, 학습 참가자와 겹치지 않음 (코드에서 assert로 확인) → 정상
표준화가 학습 데이터로만 기준을 잡는가	스케일러 평균 = 학습 데이터 평균 (4단계에서 확인) → 정상
우연 수준 점검 (라벨 순열 200회)	A 로지스틱 회귀 0.758 vs 순열 평균 0.499 (최대 0.560). C 로지스틱 회귀 0.810 vs 순열 평균 0.500 (최대 0.570). 둘 다 p = 0.005 (순열 200회로 얻을 수 있는 가장 작은 p)
세트 C가 B보다 나은가 (참가자별 짝 비교)	로지스틱 회귀: +0.065, 좋아짐 10명 / 같음 6명 / 나빠짐 4명, 윌콕슨 p = 0.055. 랜덤 포레스트: +0.038, 9/5/6명, p = 0.189. 좋아지는 경향은 있지만 20명으로는 통계적으로 뚜렷하다고 말할 수 없다.
한 클래스만 예측한 fold	참가자 단위 평가에서 조합별 1~4개 fold. 이 fold들의 precision은 0으로 처리되어 평균 precision과 표준편차에 영향을 준다. 합산 혼동행렬도 함께 볼 것
무작위 설정 민감도	S001 분할 시드 0~9: 정확도 0.967~1.000. 20명 랜덤 포레스트 나무 시드 0~4: B 0.735~0.745, C 0.780~0.792

5. 한계

1~5단계의 S001 결과는 참가자 1명의 데이터이므로, 학습하지 않은 참가자에게 일반화된다고 주장할 수 없다. 실제로 20명 참가자 단위 평가에서는 정확도가 1.000에서 0.72~0.81로 떨어졌다.
구간 수가 적어서 성능 수치가 불안정할 수 있다. S001은 구간 30개(fold당 6개)라 구간 1개 차이가 정확도 0.167 차이가 된다. 20명 평가도 참가자당 20구간이고, fold 간 표준편차가 0.14~0.20으로 크다.
눈 뜸·감음 데이터가 서로 다른 녹화(Run 1, Run 2)에서 왔다. 그래서 모델이 눈 상태가 아니라 녹화 사이의 차이(시간 경과, 전극 상태 변화, 피로 등)를 학습했을 가능성을 배제할 수 없다.
세트 C에는 추가 한계가 있다. 보정 구간(눈 뜸 처음 20초)과 평가에 쓴 눈 뜸 구간이 같은 녹화(Run 1)에서 왔다. 그래서 보정 후 눈 뜸 값이 0 근처로 모이는 데에는 "같은 녹화"라는 이점이 일부 포함되어 있을 수 있고, 보정 효과가 실제보다 크게 보였을 수 있다. 또 C와 B의 차이는 통계적으로 뚜렷하지 않았다 (p = 0.055, 0.189).
채널은 O1·O2 두 개만 썼다. 대역 경계도 모든 사람에게 똑같이 8~13Hz로 고정해서, 알파 봉우리가 12.5Hz인 사람(S016)은 알파 일부가 베타로 계산됐을 수 있다.
잡음 구간을 따로 제거하지 않았다. 진폭이 유난히 큰 구간 3개(600개 중)는 기록만 해 두었다.
참가자 20명은 한 데이터셋의 일부이다. 나이·성별 같은 참가자 정보는 분석에 반영하지 않았다.

6. 후속 탐구 방향

녹화 차이 검증: 이 데이터셋의 다른 Run(R03~R14)에 있는 휴식(T0) 구간을 추가 평가용 눈 뜸 데이터로 쓴다. Run 1에서 학습한 모델이 다른 녹화의 눈 뜸 구간도 눈 뜸으로 맞히는지 확인하면, 녹화 차이를 학습했는지 점검할 수 있다. 단, T0 구간의 정확한 지시 내용은 데이터셋 설명에서 먼저 확인해야 한다.
보정 방법 개선: 세트 C의 보정 구간을 평가 구간과 다른 녹화에서 가져오는 방식으로 보정 효과를 다시 확인한다. 참가자 수를 109명 전체로 늘려 C와 B의 차이가 통계적으로 뚜렷한지 검정한다.
개인 알파 주파수 대역: 각 사람의 알파 봉우리 주파수를 중심으로 대역을 정해(예: 봉우리 ± 2Hz) 고정 대역과 비교한다.
잡음 제거: 눈 깜빡임 등 잡음을 ICA 등으로 제거한 뒤 성능 변화를 본다.
채널 확장: Oz, P3, P4, Pz 등 다른 후두·두정 채널을 추가해 특성 수와 성능의 관계를 본다.
반응이 약한 사람 분석: S006, S012, S019처럼 알파 반응이 약한 사람의 특징을 따로 분석해서, 이런 사람에게 맞는 다른 특성(예: 베타·세타 변화)이 있는지 찾아본다.