Southern Power Grid Portable AI Brain Fatigue Monitor: 안전모에 붙인 29.5g 뇌파 장치로 현장 작업자 피로를 실시간 감지
중국남방전력망 계열 연구원이 건식 전극 EEG와 장치 안 CNN+LSTM으로 29.5g 뇌피로 모니터를 만들어 안전모에 붙였습니다. 작업자 109명 중 96.7%가 착용 불편이 없다고 답했고 14개 생산팀에 배치했습니다. 처리 흐름, 신호 품질 규칙, 12주 파일럿을 붙였습니다.
중국남방전력망 계열 연구원은 29.5g짜리 뇌파 장치를 안전모에 붙여 현장에서 작업자 피로를 바로 판정하게 했습니다. 옮겨 올 점은 모델 구조보다 작업자가 벗지 않는 착용감, 그리고 현장 데이터로 모델을 세 번 고친 반복 구조입니다. 시작하려면 신호 품질 규칙과 라벨 기준, 노사 합의부터 갖춰야 합니다.
요약
Southern Power Grid Energy Development Institute(이하 연구원)는 광저우에 있는 China Southern Power Grid(중국남방전력망) 계열 연구기관입니다. 2026 Gartner Eye on Innovation Awards 전력·유틸리티 부문에 제출·소개된 사례집에 따르면 연구원은 현장 안전을 사고 전에 다루려 했습니다. 사고가 나면 책임을 따지는 데 드는 비용이 컸습니다. 반면 기존 안전 장비는 값이 비싸고 다루기 복잡해 모든 작업자에게 나눠 주기 어려웠습니다. 연구원은 세 가지 기술을 묶어 무게 29.5g의 뇌피로 모니터를 만들었습니다. 젤 없이 두피에 닿는 건식 전극 EEG(뇌파 측정), 서버가 아니라 기기 안에서 모델을 돌리는 edge AI, 미리 학습한 모델을 적은 현장 데이터로 다시 맞추는 transfer learning(전이학습)입니다. 판정 모델은 CNN+LSTM 조합이며 장치는 안전모에 3초 안에 붙습니다. 개발은 하드웨어·AI·데이터 담당을 한 팀으로 묶어 진행했습니다.
보고된 성과는 착용 반응, 배치 규모, 모델 개선으로 나뉩니다. 작업자 109명 가운데 96.7%가 착용이 거슬리지 않는다고 답했고 97.2%는 계속 쓰겠다고 했습니다. 장치는 전력 순시와 변전 작업에 걸쳐 6개 단위 조직, 14개 생산팀에 배치됐습니다. 수집 규모는 310인회(같은 사람의 반복 측정을 따로 센 연인원)와 실제 EEG 3,100만으로 적혀 있는데, 3,100만의 단위는 사례집에 없습니다. 연구원은 현장 피드백으로 알고리즘을 세 번 고쳐 피로 탐지 정확도를 12% 높였다고 밝혔고 이 12%가 상대값인지 %p인지도 적혀 있지 않습니다. 성과를 이어 보면 순서가 드러납니다. 작업자가 장치를 벗지 않아야 현장 데이터가 쌓이고 데이터가 쌓여야 모델을 고칠 수 있습니다. 아래에서는 이 순환을 이루는 다섯 가지 메커니즘을 풀고 한국 제조 현장에 옮길 때 필요한 기술·실행 디테일을 붙입니다.
핵심 메커니즘
Dry-electrode EEG on Helmet: 젤 없이 안전모에 붙이는 뇌파 센서
무엇인가. 전도성 젤을 바르지 않는 건식 전극으로 뇌파를 재는 센서를 작업자가 이미 쓰는 안전모에 붙이는 방식입니다. 어떻게 작동하나. 전극이 두피의 미세한 전위 변화를 읽으면 장치가 이를 증폭해 디지털 신호로 바꾸고 모델 입력으로 넘깁니다. 연구실 EEG는 대개 젤을 바른 습식 전극 캡을 써서 신호는 깨끗하지만 준비와 뒷정리가 번거롭습니다. 건식 전극은 준비가 거의 없는 대신 접촉이 불안정하고 움직임 잡음에 약합니다. 웨어러블 피로 감시 연구를 정리한 2024년 리뷰도 근육·움직임 잡음과 전극 밀림을 주요 과제로 꼽습니다. 언제 쓰나. 안전모 착용이 의무이고 교대마다 장비를 받고 반납하는 현장에 맞습니다. 땀이나 머리카락 때문에 접촉이 자주 끊기는 작업, 안전모를 수시로 벗는 작업에서는 데이터 공백이 커집니다. 사례집의 예. 무게 29.5g, 부착 3초 이내, 109명 중 96.7% 불편 없음이 이 설계의 결과입니다. 작은 예시(가상 예시). 변전소 야간 순시조가 교대 시작 때 안전모 뒤쪽 클립에 장치를 끼우고 교대가 끝나면 충전 거치대에 반납합니다.
CNN+LSTM on the Edge: 장치 안에서 뇌파 구간과 추세를 함께 읽기
무엇인가. CNN(합성곱 신경망)이 짧은 뇌파 구간 안의 패턴을 읽고 LSTM(장단기 기억 신경망)이 구간이 이어지는 시간 흐름을 읽는 조합을, 서버가 아닌 장치 안에서 돌리는 구조입니다. 어떻게 작동하나. 뇌파를 몇 초 단위로 자르면 CNN이 구간마다 주파수와 파형 특징을 뽑습니다. LSTM은 최근 여러 구간을 이어 보며 피로가 쌓이는 추세를 판단하고 피로 단계를 냅니다. 장치에서 판정하면 통신이 약한 변전소나 선로에서도 지연이 없고 원시 뇌파를 밖으로 보내지 않아도 됩니다. 사례집은 구성 요소만 밝히고 층 수나 입력 길이 같은 세부 구조는 밝히지 않았습니다. 언제 쓰나. 판정이 몇 초에서 몇 분 안에 필요하고 네트워크를 믿기 어려울 때 씁니다. 장치의 연산 능력과 배터리가 모델을 감당하지 못하면 모델을 줄이는 경량화가 먼저입니다. 작은 예시(가상 예시). 4초 구간 15개(1분)를 이어 본 점수가 3분 연속 ‘주의’ 단계에 머물면 장치가 진동으로 알립니다.
Transfer Learning: 적은 현장 데이터로 모델을 현장에 맞추기
무엇인가. 다른 데이터로 미리 학습한 모델을 가져와 현장 데이터로 일부만 다시 학습하는 방법입니다. 어떻게 작동하나. 사전 학습 모델은 뇌파에서 피로와 관련된 일반적인 특징을 이미 알고 있습니다. 현장 EEG로 뒷부분 층만 미세조정하면 현장 장비의 잡음, 전극 위치, 작업 조건에 맞는 모델이 됩니다. 뇌파는 사람마다, 장비마다 차이가 커서 현장 데이터만으로 처음부터 학습하면 데이터가 쌓일 때까지 오래 걸립니다. 언제 쓰나. 현장 라벨 데이터가 적은 초기에 씁니다. 사전 학습 데이터의 장비나 전극 위치가 현장과 크게 다르면 특징이 잘 옮겨 오지 않습니다. 사례집의 예. 전이학습을 핵심 기술로 들었고 사전 학습에 쓴 데이터는 밝히지 않았습니다. 작은 예시(가상 예시). 공개 각성도 EEG 데이터로 학습한 모델을 첫 2주 현장 데이터로 미세조정해 첫 배포판을 만듭니다.
Field Feedback Loop: 현장 반응으로 알고리즘을 세 번 고치기
무엇인가. 배치하고 데이터와 피드백을 모으고 다시 학습해 재배치하는 반복입니다. 어떻게 작동하나. 장치가 현장 EEG와 판정 결과를 기록하면 작업자와 관리자가 그 판정이 맞았는지 알려 줍니다. 틀린 구간은 새 라벨이 되고 재학습한 새 버전이 현장에 다시 깔립니다. 연구원은 이 반복을 세 번 돌려 탐지 정확도 12% 향상을 보고했습니다. 언제 쓰나. 장치가 이미 현장에 깔려 데이터가 계속 들어올 때 효과가 큽니다. 무엇을 ‘피로’로 볼지 라벨 기준이 없으면 반복할수록 기준이 흔들립니다. 작은 예시(가상 예시). 매 교대 끝에 작업자가 졸림 정도를 1~9로 답하고 그 답과 장치 판정이 크게 어긋난 구간만 골라 다음 재학습에 넣습니다.
Cross-functional Team: 하드웨어·AI·데이터를 한 팀에
무엇인가. 장치 설계, 모델, 데이터 수집을 부서별로 나누지 않고 한 팀이 함께 맡는 방식입니다. 어떻게 작동하나. 무게와 전극 위치 같은 하드웨어 선택이 신호 품질을 정하고 신호 품질이 모델 정확도를 정합니다. 한 팀이면 모델 쪽 요구가 다음 하드웨어 시안에 바로 반영되고 현장 데이터의 문제도 곧바로 장치 설계로 돌아갑니다. 사례집은 이 팀 구성이 빠른 개발과 배치를 가능하게 했다고 적었습니다. 언제 쓰나. 하드웨어와 모델이 맞물린 웨어러블·센서 과제에 맞습니다. 이미 검증된 기성 장비를 사서 쓰는 과제라면 데이터·모델 담당 중심으로 꾸려도 됩니다.
통념과 다른 주장
흔히 이렇게 봅니다뇌파 측정은 연구실이나 병원 장비라서 비싸고 준비가 번거롭습니다. 현장 안전에 쓰기는 어렵다고 봅니다.
연구원은 이렇게 봅니다가볍고 싸게 만들어 안전모에 붙이면 뇌파 측정도 현장 안전 도구가 됩니다. 한 임원은 이를 "from a lab technology into a real-time, wearable safety tool"로 바꾼 일이라고 표현했습니다.
근거장치는 29.5g이고 3초 안에 붙습니다. 작업자 109명 중 96.7%가 불편이 없다고 했고 97.2%가 계속 쓰겠다고 했으며 14개 생산팀에 배치됐습니다.
사례 재구성
남방전력망 에너지발전연구원: 안전모 부착 뇌피로 모니터
| 구분 | 내용 |
|---|---|
| 상황 | 사고 뒤 책임 비용이 큰데, 기존 안전 장비는 비싸고 복잡해 예방형 관리를 넓히기 어려웠음 |
| 한 일 | 건식 전극 EEG, CNN+LSTM edge AI, 전이학습을 묶은 29.5g 장치 개발. 안전모에 3초 이내 부착. 하드웨어·AI·데이터 한 팀 |
| 결과 | 109명 중 96.7% 착용 불편 없음, 97.2% 계속 착용 의향. 6개 단위 조직·14개 생산팀 배치. 310인회, 실제 EEG 3,100만(단위 미기재) 수집. 3회 개선으로 탐지 정확도 12% 향상(상대값·%p 미기재) |
| 연결 | Dry-electrode EEG on Helmet(착용 수용성), CNN+LSTM on the Edge(현장 판정), Transfer Learning과 Field Feedback Loop(개선), Cross-functional Team(속도) |
기술 디테일: 안전모 뇌피로 모니터를 만들거나 들여오려면
아래 설정값과 필드명은 실제로 돌릴 때 필요한 것을 정리한 가상 예시입니다. 연구원의 실제 설정이 아닙니다.
장치 안 처리 순서를 정하려면(CNN+LSTM on the Edge) 다섯 단계로 나눕니다. 먼저 전극 접촉 상태를 확인하고 0.5~40Hz 대역 통과 필터로 전원 잡음과 느린 흔들림을 걷어 냅니다. 진폭이 ±100µV를 넘는 구간은 움직임 잡음으로 보고 버립니다. 남은 신호를 4초 창, 2초 겹침으로 자른 뒤 θ(4~8Hz)·α(8~13Hz)·β(13~30Hz) 대역 파워나 스펙트로그램을 CNN 입력으로 씁니다. LSTM은 최근 15~30개 구간을 받아 0~1 사이 피로 점수를 냅니다. 장치에 올리려면 int8 양자화로 모델을 수백 KB 수준으로 줄이고 판정 한 번의 배터리 소모를 교대 8시간 기준으로 계산해 둡니다.
출력을 구조화하려면 장치가 서버로 보내는 기록을 아래처럼 고정합니다. 원시 뇌파는 장치 안에만 두고 점수와 상태만 올립니다.
{"device_id": "HM-0142", "worker_key": "w_7f3a", "ts": "2026-11-03T02:14:08+09:00", "window_sec": 4, "signal_quality": "good", "fatigue_score": 0.71, "level": "caution", "model_version": "v3.1", "alert_sent": true}worker_key는 실명이 아닌 가명 키이고 실명과의 대응표는 안전팀만 엽니다. level은 normal·caution·stop 3단계로 두고 caution이 3분 이어지면 진동 알림, stop이면 반장 단말로 휴식 요청을 보냅니다. model_version을 매 기록에 남겨야 개선 전후를 버전별로 비교할 수 있습니다.
접촉 불량을 피로로 오판하지 않으려면(Dry-electrode EEG on Helmet) signal_quality를 판정 앞에 둡니다. good일 때만 점수를 내고 poor이면 판정을 보류하고 재부착 안내 진동을 보냅니다. off는 미착용으로 집계하고 ‘피로 없음’으로 처리하지 않습니다. 교대별 good 시간 비율을 따로 집계하면 장치 문제와 착용 습관 문제를 가를 수 있습니다.
전이학습과 라벨을 준비하려면(Transfer Learning, Field Feedback Loop) 사전 학습에는 SEED-VIG 같은 공개 각성도 EEG 데이터를 후보로 두고 현장 장치로 첫 2주 데이터를 모아 뒷부분 층만 미세조정합니다. 사람 사이 차이를 줄이려면 교대 시작 때 2분간 눈을 감고 쉬는 기준 뇌파를 재서 개인 기준선으로 씁니다. 라벨은 세 가지를 겹쳐 씁니다. 교대 전후의 KSS(카롤린스카 졸림 척도, 1~9점) 자가 응답, 3분짜리 PVT(정신운동 각성 검사) 반응 시간, 근무 경과 시간입니다. 세 라벨이 서로 어긋나는 구간은 학습에서 빼고 따로 검토합니다.
정확도 개선을 보고하려면 같은 사람이 학습과 평가에 함께 들어가지 않도록 사람 단위로 나누는 leave-subject-out 평가를 씁니다. 지표는 민감도(실제 피로 구간을 잡은 비율)와 시간당 오경보 수를 함께 적고 개선 폭은 상대값과 %p를 구분해 표기합니다. 버전마다 평가 인원, 측정 시간, 지표 두 개를 한 줄로 남기면 ‘3회 개선’의 내용을 누구나 다시 확인할 수 있습니다.
개인정보를 다루려면 뇌파는 건강 상태를 드러낼 수 있는 생체 정보이므로, 한국에서는 개인정보 보호법상 민감정보로 보고 별도 동의를 받는 쪽으로 설계합니다. 원시 뇌파는 장치에서 지우고 서버 보관 기간과 열람 권한을 규정에 적습니다. 피로 점수를 인사평가나 징계에 쓰지 않는다는 조항도 넣습니다.
현업 실행 디테일: 누가, 언제, 무엇을
한국 대기업 제조 현장의 AX 조직이 이 사례를 자기 과제로 옮기는 방법을 정리했습니다. 역할, 일정, 기준은 모두 가상 예시입니다.
| 역할 | 담당 | 할 일 |
|---|---|---|
| 과제 책임 | 안전환경팀장 | 대상 작업 선정, 진행 여부 판정 |
| 현장 운영 | 대상 공정 반장 2명 | 착용 관리, 알림 뒤 휴식 조치, 피드백 수집 |
| 데이터·모델 | AX팀 ML 엔지니어 1~2명 | 처리 파이프라인, 라벨, 재학습, 평가 |
| 장치 | 웨어러블 협력사 또는 사내 하드웨어 담당 | 안전모 호환, 배터리, 펌웨어 배포 |
| 동의·규정 | 노사협의회, 법무·개인정보 담당 | 동의서, 데이터 사용 범위, 인사평가 미사용 조항 |
시작 전 준비물은 다섯 가지입니다. 대상 작업 목록(야간 교대, 고소 작업, 크레인·지게차 운전처럼 피로가 사고로 이어지기 쉬운 작업), 현장에서 쓰는 안전모 모델과 부착 위치, 장치 20~30대, 교대 일정표, 지난 2~3년 아차사고 기록입니다.
| 기간 | 할 일 | 산출물 |
|---|---|---|
| 1~2주 | 노사 설명회, 동의서 확정, 대상 2개 조 선정 | 동의서, 데이터 사용 규정 |
| 3~4주 | 실험실과 현장에서 장치 접촉·배터리 시험 | signal_quality 기준표 |
| 5~8주 | 2개 조 착용, 교대마다 KSS·PVT 수집 | 착용 로그, 라벨 데이터 |
| 7~10주 | 1·2차 재학습과 버전별 평가 | 버전별 평가표 |
| 11~12주 | 착용 반응 설문, 진행 여부 판정 | 판정 보고서 |
작업자·반장에게 물을 질문도 미리 정합니다. 장치가 작업 중에 걸리거나 흘러내린 적이 있는가? 알림이 왔을 때 실제로 피곤했는가? 알림 뒤 쉴 수 있었는가? 이 데이터가 평가에 쓰일까 걱정되는가? 다음 달에도 쓰겠는가?
**진행 판정 기준(가상 예시)**은 네 가지입니다. 착용 불편 없음 응답 90% 이상(연구원 사례 96.7%를 참고한 문턱), 교대당 good 신호 시간 80% 이상, 시간당 오경보 0.5회 이하, 알림 뒤 휴식 조치 이행률 70% 이상입니다. 넷 중 셋을 넘기면 대상 공정을 넓히고 착용 반응이 문턱 아래면 모델보다 장치 착용감을 먼저 고칩니다.
어디에 먼저 쓰나. 한국 제조 기업에서는 사고 비용이 크고 피로가 원인이 되기 쉬운 작업부터 시작하는 편이 좋습니다. 야간 설비 보전, 크레인 운전, 화학 공정 교대 근무가 그런 작업입니다. 첫 과제의 목표는 정확도 숫자가 아니라 작업자가 계속 쓰는지와 알림 뒤 실제로 쉬는지 확인하는 데 둡니다. 연구원이 착용 반응을 성과의 맨 앞에 둔 것도 같은 순서입니다. 노조와 데이터 사용 범위를 먼저 합의하고 피로 점수는 개인 평가가 아니라 교대 편성과 휴식 규정을 고치는 근거로만 씁니다. 이 순서를 지키면 같은 장치로 협력사 작업자 안전 관리까지 넓힐 수 있습니다.
원문 사례
| 항목 | 사례집 기재 |
|---|---|
| 기관 | Southern Power Grid Energy Development Institute (중국 광저우, 중국남방전력망 계열) |
| 사례명 | Portable AI Brain Fatigue Monitor |
| 출처 | Gartner 2026 Eye on Innovation Awards for Power & Utilities 제출·소개 사례 (수상 여부는 공개 자료로 확인 못 함) |
| 해결하려던 문제 | 사고 뒤 책임 비용이 높고 기존 안전 장비는 비싸고 복잡해 널리 보급하기 어려움 |
| 핵심 기술 | 건식 전극 EEG, CNN+LSTM edge AI, 전이학습 / 분류: AI, Edge Computing |
| 장치 | 29.5g, 안전모에 3초 이내 부착, 낮은 비용 |
| 개발 조직 | 하드웨어·AI·데이터 전담 융합팀 |
| 착용 반응 | 109명 중 96.7% 불편 없음, 97.2% 계속 착용 의향 |
| 배치 규모 | 전력 순시·변전 작업, 6개 단위 조직, 14개 생산팀 |
| 데이터 | 310인회, 실제 EEG 31,000,000 (단위 미기재) |
| 모델 개선 | 현장 피드백으로 3회 개선, 피로 탐지 정확도 12% 향상 (상대값·%p 미기재) |
핵심 개념
- EEG
- 두피에 댄 전극으로 뇌의 전기 활동을 재는 방법. 피로해지면 특정 주파수 대역의 세기가 바뀌는 성질을 씁니다.
- 건식 전극
- 젤 없이 두피에 바로 닿는 전극. 준비가 빠른 대신 접촉이 불안정하고 움직임 잡음에 약합니다.
- Edge Computing
- 데이터를 서버로 보내지 않고 만든 기기 안에서 처리하는 방식. 통신이 약한 현장에서 지연을 줄이고 원시 데이터를 밖에 두지 않습니다.
- 인회 (person-times)
- 같은 사람이 여러 번 측정되면 횟수만큼 세는 연인원 단위. 참가자 수와 다릅니다.
- KSS
- Karolinska Sleepiness Scale. 지금 얼마나 졸린지 1~9점으로 답하는 자가 평가 척도.
- PVT
- Psychomotor Vigilance Task. 화면 신호에 버튼을 누르는 반응 시간으로 각성 수준을 재는 검사.
- leave-subject-out
- 평가 대상자를 학습에서 빼고 모델을 시험하는 방법. 처음 보는 사람에게도 통하는지 확인합니다.
내 메모
TODO: 내 생각 추가
근거: 사용자가 제공한 Gartner 2026 Eye on Innovation Awards Greater China 사례 자료(전력·유틸리티, Southern Power Grid Energy Development Institute 『Portable AI Brain Fatigue Monitor』, 슬라이드 53). 요약·메커니즘의 사례 내용·통념과 다른 주장·사례 재구성·원문 사례 표는 이 자료의 사실을 AX Review가 다시 정리했습니다. 이 장치를 다룬 회사 보도자료나 언론 보도는 공개 자료에서 추가로 확인하지 못했습니다. 건식 전극의 잡음·전극 밀림 과제는 Kakhia 외, 『Fatigue Monitoring Using Wearables and AI: Trends, Challenges, and Future Opportunities』(arXiv:2412.16847, 2024)를 참고했습니다. 기술·현업 디테일, JSON 예시, 일정·판정 기준, 인포그래픽과 표는 실제로 돌릴 때 필요한 것으로 새로 작성했으며 그 안의 필드명과 숫자는 가상 예시입니다. 시상 부문 안내는 Gartner Eye on Innovation Awards 전력·유틸리티 페이지(https://www.gartner.com/en/about/awards/eye-on-innovation/power-utilities)에서 볼 수 있습니다.