플러그앤플레이 P300 BCI를 위한 정보기하학 기반 분류

본 논문은 ERP 기반 BCI, 특히 P300 스펠러와 게임 인터페이스에서 사용자의 캘리브레이션 부담을 크게 낮추는 새로운 분류 프레임워크를 제안한다. 기존 BCI 시스템은 사용 전 별도의 캘리브레이션 단계가 필수였으며, 이는 사용성 저하와 데이터 효율성 문제를 야기한다. 저자들은 두 가지 핵심 요구사항을 제시한다. 첫째, 새로운 사용자가 첫 세션에 들어서도 어느 정도 이상의 정확도를 보장하는 ‘전반적 일반화’ 능력; 둘째, 세션 진행 중 빠르게 개인화된 최적 성능에 수렴하는 ‘빠른 적응’ 능력이다. 이를 위해 정보기하학의 개념을 도입한다. EEG 신호를 평균이 0인 다변량 정규분포로 가정하고, 각 시험(trial)을 공분산 행렬 Σ로 표현한다. 정보기하학에서 정의되는 피셔 정보 기반 리만 거리 δ_R(Σ₁,Σ₂)는 공분산 행렬 사이의 자연스러운 거리이며, 역변환 및 동등 변환에 대해 불변성을 가진다. 이 특성은 전처리 단계에서 흔히 적용되는 스케일링, 화이트닝, 공간 필터링 등을 자동으로 보정해 주어, 복잡한 전처리 파이프라인을 생략할 수 있게 한다. 하지만 전통적인 공분산 추정은 ERP와 같이 시간적 파형이 중요한 경우 정보를 충분히 반영하지 못한다. 이를 해결하기 위해 저자들은 ‘슈퍼 트라이얼’ 방식을 제안한다. 목표 클래스(보통 타깃)의 평균 ERP 파형 P₁을 사전에 계산하고, 각 시험 X_i와 P₁을 수직으로 결합해 2C×N 차원의 행렬 ˜X_i를 만든다. 이 행렬에 대해 샘플 공분산 ˜Σ_i를 계산하면, 블록 구조