earticle

영어

This paper explored the design space of ambient information visualization by leveraging real-time task engagement prediction from EEG data. We collected 19-channel EEG signals from 25 adults in their 20s and 30s (13 male, 12 female) under rest and video-viewing conditions (natural scenery and debates). Repeated-measures ANOVA was used to examine frequency-band features by task type and cortical lobe, and feature sets were selected based on significant results and prior research. Personalized XGBoost models were then trained for each participant to classify task states with varying engagement demands on a per-second basis. The models achieved average f1-scores of 0.99 (2-class), 0.97 (3-class), and 0.94 (5-class). We also analyzed performance changes under constrained EEG channel and feature conditions to reflect practical use scenarios. Finally, we propose design guidelines for applying real-time task engagement to ambient visualization, focusing on information design, usage context, and personalized pipelines.

한국어

본 연구는 실시간 EEG 기반 태스크 집중 예측 정보를 활용하여 앰비언트 정보 시각화 디자인 가이드라인을 탐구하 는 것을 목적으로 한다. 20~30대 성인 25명(남 13명, 여 12명)을 대상으로 휴식 및 영상 시청(자연경관, 토론) 조건에서 19채널 EEG 데이터를 수집하였다. 반복측정 분산분석을 통해 태스크 유형과 뇌엽 위치별 주파수 밴드 차이를 검정하고, 유의한 결과와 선행연구를 바탕으로 특성 집합을 선정하였다. 참가자별 개인화된 XGBoost 모델 을 적용한 결과, 집중 요구 수준에 따른 상태 분류에서 평균 f1-score는 2-클래스 0.99, 3-클래스 0.97, 5-클래스 0.94로 높은 성능을 보였다. 또한 일상적 활용 상황을 고려하여 뇌파 채널 수와 피처 종류를 제약한 조건에서도 성 능 변화를 분석하였다. 마지막으로, 이러한 결과를 토대로 실시간 집중 예측 정보를 앰비언트 시각화에 적용하기 위 한 디자인 가이드라인(정보 디자인, 활용 맥락, 개인화 파이프라인 제공)을 제안하였다.