This research thesis developed an EEG smart helmet to assess the feasibility of intention-based unsafe act monitoring in nuclear power plant. To identify implicit intention of operator behaviors, two deception experiment paradigms were established: face recognition test and deceptive error intention task. Faces were categorized based on familiarity whilst the error interactions are differentiated based on intention. Participants were instructed to conceal certain known faces (probe), and also informed to falsely report about self-aware errors. Then, the unintended and intended errors, and probe and unknown faces were classified using machine learning pipelines. For practical implementation for nuclear operators, EEG smart helmet was constructed in consideration of usability and utility. Flat or spiked, and dry electrodes were adopted to collect psychophysiological data; electrodes were located in frontal and temporal lobes to analyze necessary neural signatures; and wireless connection via Bluetooth was employed for mobility.
Event-related potential (ERP) waveforms depicted in face recognition test for both instruments was significant (p < 0.05) in N250 and N400. Classification and prediction results were average 70~80%. Similarly, the ERP components in deceptive error intention task for both devices had statistical significance between unintended and intended errors for ERN, N400, and P600. Despite the high accuracy in validation and prediction steps, the mean AUC scores were less than 0.5 ~ 0.6. Overall, the EEG smart helmet’s performance in comparison to the MUSE 2 was successful as it differentiated concealed known and unknown individual, and falsely reported recognized errors; however, test predictions had underperformed precision and recall scores. To be applied in realistic environment, the experiment needs to be proven with actual operators in NPP and fabricated EEG smart helmet should be adjusted for better signal quality.
본 논문은 원자력 발전소 내 의도 기반 불안전 행동 모니터링의 타당성을 평가하기 위한 EEG 스마트 헬멧을 개발했다. 운전원 행동에 내포된 의도를 식별하기 위해 얼굴 인식 테스트와 의도적 거짓 오류 보고 작업 두 가지의 거짓말 탐지 패러다임을 설정했다. 얼굴은 친숙함에 따라 분류되었고, 발생한 오류는 의도에 따라 구분됐다. 참가자들은 친숙한 얼굴 중 일부를 숨기도록 지시받았고, 인지된 오류에 대해서는 거짓으로 보고하도록 안내되었다. 그 후, 기계 학습 파이프라인을 사용하여 의도하지 않은 오류와 의도한 오류, 친숙한 얼굴과 알 수 없는 얼굴을 분류했다. 원자력 운영 환경에서 실질적으로 적용하기 위해 뇌파 스마트 헬멧은 제품의 사용성과 실용성을 고려하여 제작되었다. 정신생리학적 데이터를 수집하기 위해 평평하거나 뾰족한 형태의 건식 전극이 사용되었다. 전극은 필요한 신경 신호를 분석하기 위해 전두엽과 측두엽에 위치했다. 이동성을 위해 블루투스를 통해 무선 통신으로 데이터를 전송했다.
실험 결과, N250 및 N400에서 두 기기 모두 얼굴 인식 테스트에서 묘사된 사건유발전위(ERP) 파형이 통계적으로 유의미했다(p <0.05). 분류 및 예측 결과는 평균 70~80%였다. 마찬가지로, 두 장치에 대한 의도적 거짓 오류 보고 과제의 ERP 구성 요소는 ERN, N400 및 P600에 대해 의도하지 않은 오류와 의도된 오류 사이에 통계적으로 유의한 결과를 냈다. 검증 및 예측 단계의 높은 정확도에도 불구하고 평균 AUC 점수는 0.5 ~ 0.6 미만이었다. 전반적으로 MUSE 2와 비교한 EEG 스마트 헬멧의 성능은 은폐된 친숙한 개인과 모르는 개인을 구별하고 인식된 오류와 인식되지 않은 오류를 성공적으로 분류했다. 그러나 예측 정밀도와 재현율 성능은 현저히 낮았다. 따라서, 실제 환경에 적용하기 위해서는 원전 운전원과 실험을 통해 검증이 필요하며, 제작된 EEG 스마트 헬멧은 더 나은 신호 품질을 위해 조정되어야 한다.
