토큰 기반 트랜스포머를 이용한 눈 감음 상태에서의 눈글 인식

다국어 초록 (Multilingual Abstract)

HCI has increasingly explored biosignals as intuitive input. Among them, EOG provides reliable information on eye movement and is suitable for eye-written character interfaces. However, most prior studies focused on eye-opened data, which depend on visual feedback and are easily affected by blink artefacts. This study addresses these limitations by proposing a transformer-based EOG model that operates stably under eye-closed conditions. The model uses an Improved Tokenizer to capture local temporal patterns without positional encoding and a Temporal Feature Fusion Network (TFFN) to integrate global temporal dependencies. Window Warping augmentation is also applied to increase data diversity and improve generalisation. Experiments show accuracies of 75.60%(10-fold) and 62.50%(LOSO), outperforming CNN, BiLSTM, and CCT models by 3.4–7.1%p. Ablation results confirm that both the tokenizer and TFFN significantly enhance local and global feature learning. These findings indicate that eye-written characters can be recognised without visual feedback, supporting the development of future real-time, user-independent, non-visual HCI systems.

목차 (Table of Contents)

• Ⅰ. 서론 1
• 1.1 연구 배경 1
• 1.2 연구 목표 3
• 1.3 논문 구성 5
• Ⅱ. 관련 연구 6
• 2.1 안구전도 6
• 2.2 안구전도 기반의 시선추적 기술 7
• 2.3 눈글 신호 분류 9
• 2.4 경량 합성곱 트랜스포머 11
• Ⅲ. 눈 감음 상태에서의 눈글 신호 분류 방법 13
• 3.1 데이터 상세 13
• 3.1.1 눈 감음 상태에서의 눈글 데이터 정보 14
• 3.1.2 눈 감음 상태에서의 눈글 데이터셋 15
• 3.2 눈 감음 상태에서 눈글 데이터 특성 18
• 3.3 눈 감음 상태에서의 눈글 분류 모델 21
• 3.3.1 데이터 증강 24
• 3.3.2 토크나이저 25
• 3.3.3 트랜스포머 인코더 : 시간적 특징 융합 네트워크 28
• Ⅳ. 실험 및 결과 분석 33
• 4.1 시계열 분류 모델 비교 평가 44
• 4.2 피실험자별 LOSO 평가 48
• 4.3 제안된 모듈의 성능 평가 51
• 4.4 토의 56
• Ⅴ. 결론 62
• 참고문헌 63
• Appendix 70