스프레드시트 너머: 뉴트로픽에서 뇌파·음성·영상 분석하기

사람을 대상으로 한 연구 데이터는 대부분 깔끔한 스프레드시트로 시작하지 않습니다. 뇌파 기록, 인터뷰 음성 파일 한 폴더, 참가자를 찍은 웹캠 영상, 심박 CSV 같은 형태로 시작합니다. 여기서 결과까지 가는 보통의 경로에는 도구 네 개와 많은 연결 코드가 들어갑니다. 뇌파는 MNE, 음성은 Praat, 영상은 얼굴 추적 라이브러리, 통계는 R이나 SPSS로 처리합니다. 도구를 옮길 때마다 필터 설정이나 파일 버전을 놓칠 수 있습니다.

뉴트로픽은 이 신호들을 연구를 설계하고 원고를 쓰는 바로 그 작업 공간에서 직접 분석합니다. 측정값은 언어 모델이 짐작한 숫자가 아니라 결정적 도구가 계산합니다. 아래 스크린샷은 모든 계정이 열어 볼 수 있는 예시 프로젝트의 세션에서 가져왔습니다. 정답값을 알고 있는 샘플 기록으로 실행했습니다.

뇌파(EEG): 원시 채널부터 성분까지, 도구 일곱 개#

기록은 표(CSV 또는 XLSX)로 올립니다. 규칙은 간단합니다.

• 숫자 컬럼 하나가 채널 하나이고 단위는 µV입니다. 채널 이름을 10–20 체계(Fp1, Fz, Cz, Pz, O1 …)로 붙이면 토포맵과 비대칭 지표도 함께 나옵니다.
• time_s 컬럼이 있으면 표본율을 추정합니다. 없으면 메시지에 표본율을 적어 주세요.
• 선택 사항인 marker 컬럼에는 사건을 표시합니다. 0은 사건 없음, 양의 정수는 조건 코드입니다.

그러면 데이터 분석 스킬이 뇌파 도구를 이어서 실행합니다. 질문에 필요한 도구만 고르고, 각 단계를 채팅에 보여 줍니다.

• eeg_info: 채널, 표본율, 사건, 라인 노이즈를 보고합니다.
• eeg_preprocess: 50/60 Hz 노치를 자동으로 적용하고 1–40 Hz 대역통과 필터를 거칩니다. 평균 재참조는 선택 사항입니다. FastICA로 눈 깜박임을 제거하고 불량 구간을 표시한 뒤, 다음 단계에서 쓸 정제 CSV를 저장합니다.
• eeg_bandpower: 채널별 Welch 밴드파워, 개인 알파 피크, theta/beta 비, 반구 비대칭을 계산합니다.
• eeg_topomap: 밴드별 두피 분포를 그립니다.
• eeg_erp: 에폭 분할, 기저선 보정, 시행 기각, 조건별 평균을 처리합니다. N1/P2/N2/P3의 잠복기와 진폭, 차이파, SNR도 냅니다.
• eeg_erders: 과제 관련 파워 변화를 %로 계산합니다. ERD 최소, ERS 최대, C3/C4 편측화도 함께 냅니다.
• eeg_ssvep: CCA ρ와 PSD SNR로 자극 주파수를 검출합니다. 승자뿐 아니라 모든 후보 주파수의 값을 보고합니다.

/analyze eeg_oddball_erp_250hz.csv 는 청각 오드볼 기록이야(250 Hz; Fz, Cz, Pz, Oz; marker 1 = 표준, 2 = 표적). 마커 기준으로 에폭을 나누고 조건별로 평균한 뒤, 채널별 N1·P3 잠복기와 진폭, 표적−표준 차이파를 그림과 함께 보고해 줘.

안정 상태 기록이라면 같은 방식의 요청으로 전처리, 밴드파워, 토포그래피가 이어집니다. 전처리가 무엇을 걷어냈는지 보여 주므로 정제 과정을 직접 확인할 수 있습니다.

전두 알파 비대칭 값은 참조 방식에 따라 달라집니다. 그래서 에이전트는 비대칭 값마다 옆에 참조 방식을 적고, 안정 상태 기록 한 번으로 성격 특성을 해석하지 않습니다.

음성: 전사와 음성 특징, 로컬에서#

WAV, MP3, M4A, FLAC, OGG, AAC 파일을 올리면 됩니다. 음성 트랙이 있는 영상도 됩니다.

• 음성→텍스트 전사는 faster-whisper로 로컬에서 실행됩니다. 음성이 외부 전사 서비스로 나가지 않습니다. 타임스탬프가 붙은 구간, 감지된 언어와 그 확률, 단어 수, 발화 속도를 돌려줍니다.
• 음성·음향 특징으로는 F0(평균, 범위, 컨투어), 강도, jitter, shimmer, HNR, 포먼트 F1–F3, MFCC를 계산합니다.

/analyze speech_ko.wav 를 전사하고 음향 특징을 뽑아 줘: 피치 컨투어, 강도, jitter/shimmer/HNR, 포먼트, 발화 속도. 보고서로 정리해 줘.

영상과 이미지: 얼굴에서 표정, 자세, 심박까지#

MP4, MOV, WebM, AVI, MKV 영상이나 정지 이미지를 올리면 됩니다.

• 얼굴 표정 도구는 얼굴 행동 단위(AU01, AU06, AU12, AU25 …)를 시간에 따라 추적합니다. EMFACS 감정 판정과 머리 자세도 함께 냅니다.
• 자세 도구는 신체 랜드마크 33개로 관절 각도, 자세, 움직임을 계산합니다.
• rPPG는 얼굴 피부색의 미세한 변화로 심박수를 추정합니다. 공개된 알고리즘 세 가지(POS, CHROM, GREEN)를 모두 돌리고 방법마다 SNR을 보고합니다. 방법끼리 결과가 어긋나면 바로 보입니다.

AU 시계열과 맥파 스펙트럼까지 포함한 얼굴 영상 파이프라인 전체는 정신생리학 연구실을 위한 뉴트로픽에서 단계별로 볼 수 있습니다.

생체신호 CSV#

ECG, PPG, EDA, 호흡, RR 간격 내보내기 파일도 표입니다. ECG나 PPG로 심박수를, EDA로 SCR 수와 피부전도 수준을, 호흡률을, 또는 시간·주파수 영역 HRV(평균 RR, SDNN, RMSSD, pNN50)를 요청하면 됩니다. HRV와 EDA에는 전용 도구가 있습니다. 그림(예: 타코그램)과 보고서를 돌려주고, 보고서에는 기록 길이에 따른 주의점이 붙습니다.

그다음은 통계: 이유와 함께 고른 검정#

특징 추출이 끝이 아닌 경우가 대부분입니다. 보통은 조건이나 집단을 비교해야 합니다. 통계 스킬의 compare_groups 도구는 설계와 데이터를 보고 검정을 고르고, 왜 그 검정을 골랐는지 결정 기록(decision trace)으로 남깁니다.

• 설계를 식별합니다. 독립인지 대응인지, 두 집단인지 여러 집단인지, 일표본인지 봅니다.
• 가정을 점검합니다. 집단별 Shapiro–Wilk, Levene, 반복측정이면 Mauchly를 확인합니다.
• 정해진 규칙으로 검정을 고릅니다. 소표본(n < 50)에서 정규성이 위반되면 비모수 검정을 씁니다. 분산이 다르면 Welch를 씁니다. 순서형 결과에는 항상 비모수 검정을 씁니다.
• 효과크기와 신뢰구간을 보고하고, 사후검정을 실행하고, 기술통계 표와 박스/스트립 그림을 저장합니다.

선택지는 Student·Welch t, Mann–Whitney, 대응 t, Wilcoxon, 일원·Welch ANOVA(Tukey·Games–Howell), Kruskal–Wallis, 반복측정 ANOVA, Friedman입니다. 교차표는 chi_square가, 이원·혼합·ANCOVA 설계는 anova_design이 맡습니다.

/stats p3_by_participant.csv 에서 두 집단의 Pz P3 진폭을 비교해 줘. 가정을 점검해서 알맞은 검정을 고르고, 왜 그 검정인지 설명해 줘.

데이터가 치우쳐 있고 집단이 작으면 결정 기록에 그 사실이 적힙니다(예: "normality violated … n_min = 18 → non-parametric"). 그러면 돌리지 말았어야 할 t 검정 대신 Mann–Whitney U와 순위 이연 상관 효과크기를 받게 됩니다. 자세한 흐름은 스킬 가이드: /stats에 있습니다.

모든 숫자를 추적할 수 있습니다#

• 도구 호출마다 이름과 인자가 기록됩니다. 그림과 표에는 그것을 만든 코드가 함께 저장되고(산출물 패널의 { } 버튼), 정제한 데이터는 원본을 덮어쓰지 않고 새 파일로 저장됩니다.
• 분석 보고서는 도구 출력으로 작성됩니다. 보고서 문장에는 [n] 인용이 붙어, 각 숫자의 근거가 된 분석 단계나 데이터 파일을 가리킵니다.
• 원시 신호에서 정제, 특징, 검정, 원고까지 전 과정이 한 세션에 남습니다. 논문 초안을 쓸 때 /write로 바로 이어 갈 수 있습니다. 자세한 내용은 기본이 재현성을 참고하세요.

솔직한 한계#

• EEG 입력은 표입니다. EDF/BDF나 장비 고유 형식은 먼저 CSV로 변환해 주세요. ERP 성분 창은 고정입니다(N1 70–150 ms, P3 250–600 ms). 눈 깜박임 제거에는 전두 채널이 필요합니다. 별도 EOG 채널은 아직 쓰지 않습니다. 토포맵은 10–20 이름이 붙은 채널만 그립니다.
• rPPG는 고전 방법(POS, CHROM, GREEN)만 씁니다. 딥러닝 rPPG는 포함하지 않았고, 머리 움직임이 크거나 조명이 바뀌면 SNR이 떨어집니다.
• 행동 단위(AU)는 얼굴 랜드마크 블렌드셰이프로 근사한 0–1 값입니다. OpenFace 강도(0–5)와 척도가 다르고, AU06도 근사치입니다.
• 자세 각도는 2차원 투영값입니다.
• 측정값은 도구가 돌려준 값뿐입니다. 에이전트는 도구 값을 그대로 인용하고, 도구가 하지 못한 것(얼굴 미검출, 낮은 SNR, 불확실한 언어)은 그렇다고 분명히 말하도록 지시받습니다.

예시 프로젝트에서 이 세션들을 먼저 둘러보거나, 직접 기록을 첨부하고 무엇인지 설명해 보세요. 지원 형식과 옵션은 데이터 분석 문서에 정리돼 있습니다.