문제
호흡 방식이 뇌 기능에 영향을 준다는 연구는 있었지만, 대부분 행동 지표만 봤고 뇌파 수준에서 구강 호흡과 비강 호흡이 어떻게 다른지는 분명하지 않았습니다. 구강 호흡의 부작용이 산소(O₂) 공급 부족 때문인지, 그렇다면 산소를 추가로 공급해 완화할 수 있는지를 EEG로 확인하고자 했습니다.
접근
피험자 20명이 비강 호흡 · 구강 호흡 · 구강 호흡 + O₂ 공급 세 조건에서 휴식(눈 감음/뜸)과 작업기억 과제(1-back, 2-back)를 수행하는 동안 EEG를 측정했습니다. 각 블록은 5분씩 무작위 순서로 진행하고, 블록 사이에 1분 휴식을 두었습니다.
- 측정 — EEG 32채널, EOG 2채널, ECG 1채널, 250 Hz 샘플링
- 전처리 — 0.5–50 Hz 대역통과 필터, EOG 영향 구간 제거
- 특징 — 5개 주파수 대역(δ·θ·α·β·γ)의 상대 스펙트럼 파워 × 32채널 = 160차원 벡터
파이프라인
LDA로 160차원 특징에서 판별에 유효한 성분을 뽑고, Random Forest의 다수결로 호흡 방식을 판정합니다(LDARF).
- 전처리 — 대역통과 필터링과 아티팩트 구간 제거
- 특징 추출 — 채널별 5대역 상대 파워
- 차원 축소 — LDA
- 분류 — Random Forest 다수결
- 검증 — 10-fold CV를 50회 반복해 총 500개 분류기로 평가
분류기는 눈을 감은 휴식 상태의 비강/구강 호흡 데이터로만 학습하고, 산소 공급 조건과 작업기억 과제 데이터에는 학습된 분류기를 그대로 적용했습니다.
결과
| 항목 | 결과 |
|---|---|
| 비강 vs 구강 분류 정확도 (10-fold CV) | 0.984 |
| AUC | 0.991 |
| 구강 + O₂ 공급 시 정확도 | 98% → 50%로 하락 |
| 구강 + O₂를 “비강”으로 판정한 비율 | 1-back 67%, 2-back 75% |
γ파를 제외해도 결과가 같아 근육 아티팩트의 영향이 아님을 확인했습니다. 산소를 공급하면 구강 호흡의 뇌파가 비강 호흡과 구분되지 않게 되었고, 산소 요구가 큰 과제일수록 그 경향이 강했습니다. 즉 두 호흡 방식을 가르는 핵심 차이는 O₂ 공급량이었습니다.
Hong, Yong-Gi et al., “Identification of Breathing Patterns through EEG Signal Analysis Using Machine Learning”, Brain Sciences 11(3):293, 2021.
배운 점
분류기의 정확도를 결과로 쓰기보다, 학습된 분류기를 “측정 도구”로 사용한 것이 이 연구의 핵심이었습니다. 정확도가 98%에서 50%로 떨어진 것이 실패가 아니라, 산소 공급이 뇌파를 비강 호흡 쪽으로 옮겼다는 증거가 됐습니다.
또 γ파를 빼고 다시 돌려본 것처럼, 높은 정확도가 나왔을 때 그것이 신호 때문인지 아티팩트 때문인지를 먼저 의심하는 절차가 결론의 신뢰도를 결정한다는 것을 배웠습니다.