특징은 언제 설정되나요?
사용자가 Schema 단계에서 변수 유형을 선택하면, 자동으로 생성됩니다. 데이터 유형에 따라 사용할 수 있는 분석 기능이 자동으로 연결되는 구조입니다.
특징 유형은 무엇을 의미하나요?
특징은 데이터에서 어떤 정보를 추출할 것인지 정의하는 분석 단위입니다. 변수 유형이 어떤 변수 데이터를 사용할지를 결정했다면, 특징 유형은 그 데이터로 무엇을 분석할지 선택하는 거죠.특징의 종류는 무엇인가요?
각 변수 유형별로 사용할 수 있는 주요 특징과, 해당 특징이 어떤 상황에서 사용되는지 간단히 살펴보겠습니다.Text (변수 유형 = Input, Document)
| 특징 | 개념 | 활용 예시 |
|---|---|---|
| Textual Emotion | 텍스트에 나타난 감성 | 사용자 리뷰의 긍정/부정 반응 분석 |
| Keyword / Topic | 텍스트의 핵심 주제와 주요 관심사 | 고객 피드백에서 반복되는 문제나 관심사 파악 |
| Intent | 문장에 담긴 목적이나 의도 | 문의나 리뷰가 불만 혹은 요청인지 구분 |
| Summary | 전체 내용의 핵심 요약 | 인터뷰나 리뷰 내용을 빠르게 이해 |
Text 특징별 출력 예시
- Textual emotion: 어휘에서 나타난 “Neutral / Happiness / Sadness / Surprise / Anger / Disgust / Fear”의 비율
- Keyword: 주요 키워드 3개와 각 키워드의 등장 비율
Face (변수 유형 = Image, Video)
| 특징 | 개념 | 활용 예시 |
|---|---|---|
| Face Bbox | 화면 내 얼굴이 위치한 영역 | 광고 시청 중 얼굴 인식 여부 및 시청 참여도 확인 |
| Face Landmark | 얼굴의 형태와 움직임을 나타내는 주요 좌표 지점 | 콘텐츠 시청 중 표정 변화 흐름 분석 |
| Face Action Unit | 얼굴 근육의 움직임 단위별 변화 정도 | 웃음이나 찡그림 같은 구체적인 감성 반응 포착 |
| Face Expression | 얼굴 표정을 통해 나타나는 감성 | 콘텐츠 구간별 감성 변화 분석 |
Face 특징별 출력 예시
- Face bbox: X 좌표, Y 좌표, Width, Height, Confidence
- 업로드한 영상/이미지에 검출된 결과를 시각적으로 확인 가능 (혹은 json 파일로 다운로드 가능)
- Face Landmark: Mediapipe에서 제공하는 인덱스 번호, X 좌표, Y 좌표, Z 좌표
- 업로드한 영상/이미지에 검출된 결과를 시각적으로 확인 가능 (혹은 json 파일로 다운로드 가능)
- Face Action Unit: AU 코드 이름, Intensity
- 영상의 경우, 시간에 따른 AU별 Intensity 변화 추이 그래프 제공
- Face Expression:
- 범주형 감성: 얼굴 표정에서 나타난 “Neutral / Happiness / Sadness / Surprise / Anger / Disgust / Fear”의 비율
- 차원형 감성: 얼굴 표정에서 나타난 “Arousal / Valence” 값의 정도 (-1 ~ +1 범위)
- 영상의 경우, 시간에 따른 범주형 감성과 차원형 감성의 변화 추이 그래프 제공
Pose (변수 유형 = Image, Video)
| 특징 | 개념 | 활용 예시 |
|---|---|---|
| Body Bbox | 화면 내 신체가 위치한 영역 | 사용자의 움직임이나 활동성 확인 |
| Body Landmark | 신체 주요 부위의 위치와 자세 정보 | 자세 변화 기반 몰입도 및 행동 패턴 분석 |
| Body Joint | 관절의 움직임과 각도 변화 | 특정 행동(고개 끄덕임, 몸 기울임 등) 빈도 분석 |
| Body Emotion | 신체 움직임을 통해 추정되는 감성 | 몸짓을 통한 감성 상태 파악 |
Pose 특징별 출력 예시
- Body Bbox: X 좌표, Y 좌표, Width, Height, Confidence
- 업로드한 영상/이미지에 검출된 결과를 시각적으로 확인 가능 (혹은 json 파일로 다운로드 가능)
- Body Landmark: Mediapipe에서 제공하는 인덱스 번호, X 좌표, Y 좌표, Z 좌표
- 업로드한 영상/이미지에 검출된 결과를 시각적으로 확인 가능 (혹은 json 파일로 다운로드 가능)
- Body Joint:
- 팔 부위 움직임 강도 (왼쪽/오른쪽 팔꿈치, 왼쪽/오른쪽 어깨)
- 하체 부위 움직임 강도 (왼쪽/오른쪽 무릎, 왼쪽/오른쪽 발목)
- 골반 부위 움직임 강도 (왼쪽/오른쪽 골반)
- 몸통 부위 움직임 강도 (왼쪽/오른쪽 척추)
- 목 부위 움직임 강도 (왼쪽/오른쪽 목)
- 영상의 경우, 시간에 따른 지표별 Intensity 변화 추이 그래프 제공
- Body Emotion: 포즈에서 나타난 “Neutral / Happiness / Sadness / Surprise / Anger / Disgust / Fear”의 비율
- 영상의 경우, 시간에 따른 감성 변화 추이 그래프 제공
Voice (변수 유형 = Video, Audio)
| 특징 | 개념 | 활용 예시 |
|---|---|---|
| Pitch | 음성의 높낮이 | 긴장 또는 흥분 상태 변화 감지 |
| Energy | 음성의 강도(크기) | 발화 강도를 통한 감성 강도 분석 |
| Speech Rate | 말하는 속도 | 말하는 속도로 긴장도 또는 집중도 파악 |
| Tone | 음성의 억양과 말투의 특성 | 고객 응대 시 말투의 친절도 및 감성 분석 |
| Vocal Emotion | 음성에서 나타나는 감성 | 대화에서의 고객 감성 분석 |
Voice 특징별 출력 예시
- Pitch: 시간별 음성의 주파수 변화
- Energy: 시간별 음성의 파워 변화
- Speech Rate: 시간 구간별 초당 음절 수
- Tone: 시간 구간별 톤 확률 분포 (Calm / Warm / Tense / Energetic)
- Vocal Emotion: 시간 구간별 음성의 “Neutral / Happiness / Sadness / Surprise / Anger / Disgust / Fear”의 비율
STT 기반 Text (변수 유형 = Video, Audio)
| 특징 | 개념 | 활용 예시 |
|---|---|---|
| Textual Emotion | 음성을 텍스트로 변환한 내용에서 나타나는 감성 | 음성 인터뷰에서 감성 변화 분석 |
| Keyword / Topic | 발화 내용의 핵심 주제와 키워드 | 인터뷰 내용에서 핵심 주제 자동 추출 |
| Intent | 발화에 담긴 의도 | 발화 내용에서 요구사항 또는 문제 의도 파악 |
| Summary | 발화 내용 요약 | 음성 회의 내용을 빠르게 요약 |
Text 특징별 출력 예시
- Textual emotion: 어휘에서 나타난 “Neutral / Happiness / Sadness / Surprise / Anger / Disgust / Fear”의 비율
- Keyword: 주요 키워드 3개와 각 키워드의 등장 비율
rPPG (변수 유형 = Video)
| 특징 | 개념 | 활용 예시 |
|---|---|---|
| BPM | 분당 심박수 | 특정 콘텐츠에서 심박 상승 구간 확인 |
| HRV (time domain) | 시간 기준 심박 간격의 변동성 | 집중 상태 vs 이완 상태 구분 |
| Stress Index | 생리 신호를 기반으로 한 스트레스 수준 | 사용자 경험 중 스트레스 발생 구간 탐지 |
| Arousal Level | 생리적 각성 정도 | 자극에 대한 생리적 반응 강도 측정 |
rPPG 특징별 출력 예시
- BPM: 시간에 따른 심박수 변화
- HRV (time domain): 시간 구간별 HRV 지표들의 값 추이
- SDNN: 전체 측정 구간에서 심박 간 간격(RR interval)의 표준편차로 전반적인 심박 변동성과 자율신경계 전체 활성 수준을 나타내는 지표
- RMSSD: 연속된 심박 간 간격 차이의 제곱 평균의 제곱근으로 단기적인 심박 변동성과 부교감신경 활성(이완 상태)을 반영하는 지표
- pNN50: 연속된 심박 간 간격 차이가 50ms 이상인 비율로 단기 변동성과 부교감신경 활성 수준을 나타내는 지표
- Stress Index: 시간 구간별 자율신경계 스트레스 정도
- Arousal Level: 시간 구간별 각성 수준 점수와 평균적인 Dominant 상태 (High/Medium/Low)
EEG (변수 유형 = EEG)
| 특징 | 개념 | 활용 예시 |
|---|---|---|
| Frequency Bands | 뇌파의 주파수 대역별 활동 상태 | 학슴/휴식 상태 구분 및 상태 변화 분석 |
| Power Spectral Density | 주파수별 신호 에너지 분포 | 특정 자극에 대한 뇌 반응 강도 분석 |
| Engagement Index | 몰입 및 참여 수준 | 콘텐츠 또는 교육에 대한 몰입도 평가 |
| Cognitive Load | 인지적 부담 정도 | 과제 난이도에 따른 인지 부담 평가 |
| Attention Level | 집중 상태의 정도 | 집중 유지 시간 및 구간 분석 |
EEG 특징별 출력 예시
- Frequency Bands: 전극 채널별 Delta / Theta / Alpha / Beta / Gamma의 상대적인 파워
- 시간에 따른 추이 그래프 제공
- Power Spectral Density: 전극 채널에 따른 주파수별 파워 값
- 시간에 따른 추이 그래프 제공
- Engagement Index: 시간 구간별 몰입 수치
- Cognitive Load: 시간 구간별 인지 부하 수준(High/Medium/Low)과 점수
- Attention Level: 시간 구간별 집중 수준(High/Medium/Low)과 점수
Heart (변수 유형 = PPG, ECG)
| 특징 | 개념 | 활용 예시 |
|---|---|---|
| BPM | 분당 심박수 | 감성 변화에 따른 심박 반응 분석 |
| HRV (time domain) | 시간 기반 심박 변동성 | 스트레스 및 회복 상태 평가 |
| HRV (freq domain) | 주파수 기반 심박 변동성 | 자율신경계 균형 상태 분석 |
| Stress Index | 심박 패턴을 통한 스트레스 수준 | 특정 상황에서의 스트레스 반응 측정 |
| Arousal Level | 생리적 각성 정도 | 자극에 대한 생리적 활성도 평가 |
Heart 특징별 출력 예시
- BPM: 시간에 따른 심박수 변화
- HRV (time domain): 시간 구간별 시간 관련 HRV 지표들의 값 추이
- SDNN: 전체 측정 구간에서 심박 간 간격(RR interval)의 표준편차로 전반적인 심박 변동성과 자율신경계 전체 활성 수준을 나타내는 지표
- RMSSD: 연속된 심박 간 간격 차이의 제곱 평균의 제곱근으로 단기적인 심박 변동성과 부교감신경 활성(이완 상태)을 반영하는 지표
- pNN50: 연속된 심박 간 간격 차이가 50ms 이상인 비율로 단기 변동성과 부교감신경 활성 수준을 나타내는 지표
- HRV (freq domain): 시간 구간별 주파수 관련 HRV 지표들의 값 추이
- LF (ln): 저주파 영역(0.04~0.15Hz)의 심박 변동성 (자연로그 변환)
- 교감·부교감신경을 함께 반영하나, 주로 교감신경을 나타냄
- HF (ln): 고주파 영역(0.15~0.4Hz)의 심박 변동성 (자연로그 변환)
- 부교감신경(이완·회복 상태)을 반영하는 지표
- Total Power (ln): 전체 주파수 영역에서의 심박 변동성 총량 (자연로그 변환)
- 자율신경계 전체 활성 수준을 의미하는 지표
- LF (%): 전체 변동성 중 저주파(LF)가 차지하는 비율로 교감신경 활성의 상대적 비중을 나타내는 지표
- HF (%): 전체 변동성 중 고주파(HF)가 차지하는 비율로 부교감신경 활성의 상대적 비중을 나타내는 지표
- LF/HF: 저주파와 고주파의 비율로 교감신경과 부교감신경 간의 균형 상태를 나타내는 지표
- Coherence Ratio: 심박 변동성이 특정 주파수에서 얼마나 규칙적으로 나타나는지를 보여주며 심박·호흡·자율신경 간 동기화(안정성)를 나타내는 지표
- LF (ln): 저주파 영역(0.04~0.15Hz)의 심박 변동성 (자연로그 변환)
- Stress Index: 시간 구간별 자율신경계 스트레스 정도
- Arousal Level: 시간 구간별 각성 수준 점수와 평균적인 Dominant 상태 (High/Medium/Low)
Respiration (변수 유형 = RSP)
| 특징 | 개념 | 활용 예시 |
|---|---|---|
| Breathing Rate | 호흡 속도 | 긴장 상태에서 호흡 변화 분석 |
| Breathing Variability | 호흡 패턴의 변동성(불규칙성) | 안정 vs 불안 상태 구분 |
| Relaxation Index | 이완 상태의 정도 | 명상/휴식 콘텐츠 효과 평가 |
Respiration 특징별 출력 예시
- Breathing Rate: 분당 호흡 횟수
- 시간 구간별 호흡 횟수 변화 추이
- Breathing Variability: 시간 구간별 호흡 간격의 변동성 정도
- Relaxation Index: 호흡 패턴을 기반으로 계산한 시간 구간별 이완 정도
특징은 어떻게 활용되나요?
선택한 특징은 Data 단계에서 실제로 사용됩니다.- Schema 단계에서 변수 타입과 특징을 설정합니다.
- Data 단계에서 해당 구조에 맞게 데이터를 업로드합니다.
- 업로드된 데이터에서 선택한 특징을 추출할지 선택할 수 있습니다.
- 분석 결과는 Findings에 반영되어 시각화 및 리포트로 제공됩니다.
데이터 특징을 분석하는 자세한 방법과 그 결과가 궁금하시다면 Data 페이지를 확인해주세요.
크레딧 안내
각 특징을 추출하는 과정에서 크레딧이 소모되며, 특징마다 소모되는 크레딧이 상이합니다. 각 특징별 크레딧 소모량은 크레딧 정책 및 사용 안내 페이지에서 확인하세요.이제 리서치 의도에 맞는 특징을 선택해, 데이터 속에 숨겨진 반응과 흐름을 직접 확인해보세요! 같은 데이터도 어떤 지표를 선택하느냐에 따라 더 깊고 다양한 인사이트로 확장됩니다.