게임은 교육과 의료를 포함한 다양한 분야에 적용되어 왔으며, 그에 따라 각 분야에 특화된 다수의 새로운 게임들이 등장하였다. 따라서 각 유형의 게임에 적합한 플레이어를 확보하기 위해서는 사용자 행동을 이해하는 것이 핵심적이다. 본 연구는 게임 사용자들의 뇌파(EEG)를 측정하고 게임 사용 빈도를 분류함으로써 게임 개발을 개선하는 데 유용한 통찰을 제공한다. 이를 위해 다중모달 모바일 뇌-신체 영상화(multimodal mobile brain-body imaging, MOBI) 데이터셋을 사용하였고, 게임 사용 빈도는 “자주(often)”와 “가끔(sometimes)”으로 범주화하였다. 적절한 분류 정확도를 달성하기 위해, 전두엽(AF)과 측두엽(TP)을 위한 전용 채널을 갖춘 새로운 이중모달 Transformer 아키텍처를 제안한다. 이 구조에서는 합성곱 층, 자기어텐션(self-attention) 메커니즘, 교차어텐션(cross-attention) 메커니즘을 하나의 통합 모델로 결합한다. AF와 TP 채널을 구분하도록 설계된 본 모델은 뇌 영역 간에 기능적 차이를 보이며, 채널 간 상관관계를 보다 상세히 분석할 수 있게 한다. 제안된 모델은 5-폴드 교차검증(five-fold cross-validation, CV)과 피험자 1인 제외 교차검증(leave-one-subject-out cross-validation, LOSO CV)으로 평가되었으며, 각각 88.86%와 85.11%의 분류 정확도를 나타낸다. 게임 플레이 빈도를 효과적으로 분류함으로써, 본 방법론은 목표 지향적 참여를 위한 유용한 통찰을 제공하고, 플레이어 확보를 위한 맞춤형 게임을 개발 및 설계하는 전략적 노력에 기여한다.

다수의 기술이 2D 신호에 대한 센서 대역폭의 한계를 극복하기 위해 개발되어 왔다 [1]. 희소 신호의 기초에 입각하여 정보를 기록하는 데 필요한 측정 횟수를 줄여주는 매력적인 기법인 압축 센싱이 있음에도 불구하고 [2], [3], 비희소 신호로 작업하는 경우 나이퀴스트 주파수(Nyquist frequency)를 초과하는 영역의 정보를 기록하는 일은 여전히 어렵다. 이러한 제약을 바탕으로, 본 논문은 강도(intensity) 형태가 아니라 복소 형식의 응집성(coherent) 신호가 지니는 물리적 대역폭을 활용하는 데 초점을 둔다. 그 결과로 얻어지는 이 방법은 홀로그래픽 다중화(holographic multiplexing)와 샘플링 방식(sampling scheme) 최적화를 결합하여 나이퀴스트 주파수 범위를 초과하는 영역에서 2D 응집성 신호로부터 정보를 획득한다. 이 논문을 이해하기 위한 전제 조건은 기본 대수(basic algebra)와 푸리에 변환(Fourier transform)에 대한 지식이다. 홀로그래피에 대한 친숙함 또한 유익하다.