아직 생성된 이미지가 없습니다. 위에서 EEG 파일을 업로드하세요.
EEG 데이터를 올리면 여기 그래프가 표시됩니다.
STEP 1
가장 먼저 원본 EEG 신호를 깨끗하게 다듬는 과정을 거칩니다.
1) 보간(Interpolation)으로 끊긴 신호를 잇고,
2) 노치 필터(Notch Filter)로 60Hz 전원 노이즈를 지우며,
3) 대역 통과 필터(Bandpass Filter)로 뇌파 유효 범위(1~50Hz) 외의 잡음을 제거하여 순수한 뇌파만 남깁니다.
STEP 2
정제된 전두엽 EEG에서 처음 15초(안정화 구간)는 제외하고, 그 다음 1분을 3초씩 잘라 총 20구간으로 나눕니다. 각 구간마다 θ(4–7Hz), α(8–12Hz), β(13–30Hz) 세 밴드의 파워를 계산해요.
STEP 3
앞쪽 10구간 평균을 P₀, 뒤쪽 10구간 평균을 P₁로 두고 ΔP = P₁ - P₀ 를 구해요. 플러스면 ↑, 마이너스면 ↓로 보고, 세 리듬 가운데 |ΔP|가 가장 큰 리듬이 이번 트리의 기본 분위기를 결정합니다. (예: θ↑ → 감성, α↑ → 안정, β↑ → 활력)
STEP 4
θ·α·β의 방향 조합(예: θ↑+α↑, α↓+β↑)을 보고 미리 정해둔 이미지 키워드를 붙여서 하나의 프롬프트로 만드는 구조예요. 그래서 뇌파가 감성 쪽으로 가면 candlelight, warm glow 같은 말들이, 각성 쪽이면 vivid, energetic 같은 말들이 들어가요.
STEP 5
분석된 EEG 데이터를 바탕으로 만들어진 프롬프트를 사용해,
생성형 AI가 당신만의 EEG 크리스마스 트리 이미지를 만들어냅니다.
이때 사용되는 모델은
FLUX.1 Schnell (Black Forest Labs)
이에요.
이 모델은 Stable Diffusion 3 계열의 고속 이미지 생성 버전으로,
텍스트 프롬프트를 빠르고 안정적으로 해석해 감성적인 색감과 조명 표현에 강점을 보여요.
이 서비스는 EEG 리듬의 기본적인 의미(θ·α·β)와, 생성형 모델의 data-to-text 아이디어를 결합해 “뇌파 → 언어 → 이미지”로 이어지는 창의적 시각화 과정을 구현했어요.
Klimesch (1999), Brain Research Reviews — α(알파)는 안정·이완, θ(세타)는 감정·기억과 관련된 활성으로 해석된다는 연구 결과를 참고했어요. 이 정의를 토대로 각 리듬의 변화 방향을 이미지의 감정 톤에 매핑했습니다.
Barry & Clarke (2009), International Journal of Psychophysiology — 전두엽 β 파워가 집중과 각성 수준을 반영한다는 연구를 참고해, β가 상승하면 ‘활력’, ‘에너지’, ‘빛감’ 같은 단어가 프롬프트에 반영되도록 설계했습니다.
Pfurtscheller & Lopes da Silva (1999), Clinical Neurophysiology — EEG에서 시간 구간별 변화량(Δ파워)을 보는 접근법을 차용해, 앞 30초와 뒤 30초를 비교하는 구조로 단순화했습니다.
Gatt & Krahmer (2018), Journal of Artificial Intelligence Research — 수치 데이터를 문장으로 요약하는 data-to-text generation 개념을 응용하여, 뇌파의 패턴을 “감성 단어 조합” 형태의 프롬프트로 자동 생성했어요.
요약하자면, EEG 연구에서 얻은 리듬-감정 관계를 그대로 옮기되,
“앞·뒤 변화량 → 단어 선택 → 이미지 생성”으로 번역하는 작은 알고리즘이에요.
그래서 결과물은 의학적 진단이 아닌, 뇌파의 정서적 색깔을 시각적으로 표현한 예술적 트리입니다.
다른 EEG로 다시 만들어보고 싶나요?
위쪽 업로드 영역에서 새 CSV/EDF 파일을 올리면, 위의 원리 그대로 다시 분석해서 트리를 만듭니다.