본 연구는 최첨단 기반 EEG 모델인 LaBraM을 대학원 강의실에서 수집한 실제 스트레스 분류 데이터셋에 미세 조정하여 대규모 EEG 모델(LEM)의 효능을 평가했습니다. 기존 연구들이 주로 통제된 임상 환경의 데이터를 사용하여 LEM을 평가한 것과 달리, 본 연구는 실제 환경에서의 적용 가능성을 평가했습니다. 18명의 대학원생을 대상으로 수업 시간 동안 기록된 휴지기 EEG 데이터를 사용하여 정상 및 고조된 스트레스 상태를 구분하는 2진 분류기를 훈련했습니다. 최고 성능을 보인 미세 조정 모델은 5초 창을 사용하여 90.47%의 균형 정확도를 달성하여 정확도와 추론 효율 면에서 기존 스트레스 분류기를 크게 능가했습니다. 또한 무작위 데이터 셔플링 및 감소된 채널 수 하에서 미세 조정된 LEM의 강건성을 평가했습니다. 이러한 결과는 LEM이 실제 EEG 데이터를 효과적으로 처리할 수 있음을 보여주며, 모델 중심 설계에서 데이터 중심 설계로 초점을 전환함으로써 뇌-컴퓨터 인터페이스 응용 분야에 혁명을 일으킬 가능성을 강조합니다.
