EEG 기반 뇌컴퓨터 인터페이스를 위한 새로운 두 특징 다중프랙탈 누적량과 예측 복잡도

초록

본 논문에서는 전기뇌파(EEG) 기반 뇌‑컴퓨터 인터페이스(BCI) 설계에 적용할 수 있는 두 가지 새로운 특징을 제안한다. 첫 번째 특징은 신호의 규칙성을 측정하는 다중프랙탈 누적량이며, 두 번째 특징은 과거 데이터를 기반으로 미래를 예측하는 난이도를 나타내는 예측 복잡도이다. 두 특징의 성능을 운동 상상 과제를 수행한 EEG 데이터에 대해 평가했으며, 기존 BCI 분야에서 가장 널리 사용되는 밴드 파워 특징과도 비교하였다. 13명의 피험자 데이터를 이용해 밴드 파워, 다중프랙탈 누적량, 예측 복잡도 각각 및 이들의 결합을 테스트한 결과, 새로운 특징들을 단독으로 혹은 세 특징을 함께 사용할 때 분류 정확도가 향상되는 것을 확인하였다.

상세 분석

이 연구는 BCI 성능 향상을 위한 특징 추출 방법론에 새로운 패러다임을 제시한다는 점에서 학술적·실용적 의의가 크다. 기존에 주로 사용되어 온 밴드 파워(Band‑Power) 특징은 주파수 영역에서 에너지 분포를 요약함으로써 뇌 활동을 간단히 표현한다. 그러나 이러한 통계적 요약은 신호의 비선형성이나 복합적인 시간‑스케일 구조를 충분히 포착하지 못한다는 한계가 있다. 저자들은 이를 보완하기 위해 다중프랙탈 분석을 도입하였다. 다중프랙탈 누적량은 웨이브릿 변환을 기반으로 스케일별 순간값을 계산하고, 이 순간값들의 누적 통계량을 통해 신호의 다중스케일 복잡성을 정량화한다. 특히, 누적량은 전통적인 프랙탈 차원보다 더 풍부한 정보를 제공하며, 뇌파의 미세한 변동성까지 감지할 수 있다.

두 번째로 제안된 예측 복잡도는 정보이론적 관점에서 정의된다. 과거 관측값들의 조건부 확률 분포를 추정하고, 이를 이용해 미래 샘플을 예측하는 데 필요한 최소 정보량을 측정한다. 복잡도가 낮으면 신호가 비교적 규칙적이며 예측이 용이함을 의미하고, 높은 복잡도는 비선형적·비정상적 동역학이 강하게 작용함을 시사한다. 이러한 특성은 운동 상상과 같이 뇌의 의도적 변화를 포착하는 데 유용할 것으로 기대된다.

실험 설계는 13명의 피험자로부터 수집된 2‑class(좌/우 손 상상) EEG 데이터를 사용했으며, 각 피험자별로 10‑fold 교차검증을 수행하였다. 특징 추출 후에는 선형 판별 분석(LDA)과 서포트 벡터 머신(SVM) 등 전형적인 분류기를 적용했으며, 성능 평가는 정확도와 평균 F1 점수를 기준으로 했다. 결과는 세 가지 특징을 개별적으로 사용할 때보다 모두 결합했을 때 평균 정확도가 약 3~5% 상승함을 보여준다. 특히, 다중프랙탈 누적량은 일부 피험자에서 밴드 파워보다 높은 분류 기여도를 보였으며, 예측 복잡도는 신호의 잡음 수준이 낮은 경우에 유의미한 향상을 제공했다.

하지만 몇 가지 제한점도 존재한다. 첫째, 다중프랙탈 분석은 파라미터 선택(예: 웨이브릿 종류, 스케일 범위)에 민감하여 최적화 과정이 필요하다. 둘째, 예측 복잡도 계산을 위해 확률 밀도 함수를 추정하는 과정이 계산 비용이 크며, 실시간 BCI 시스템에 적용하려면 효율적인 근사 방법이 요구된다. 셋째, 실험에 사용된 데이터는 비교적 제한된 과제(운동 상상)와 채널 수(32채널)로 구성되어 있어, 다른 인지 과제나 고밀도 EEG에 대한 일반화 가능성을 추가 검증해야 한다.

향후 연구 방향으로는 (1) 파라미터 자동 튜닝 및 차원 축소 기법을 결합해 실시간 적용성을 높이는 방안, (2) 딥러닝 기반의 특징 학습과 제안된 두 특징을 융합하여 하이브리드 모델을 구축하는 전략, (3) 다양한 BCI 패러다임(예: 시각 피드백, 언어 상상) 및 임상 환경(예: 마비 환자)에서의 검증을 통해 실용성을 확대하는 것이 제시된다. 이러한 연구가 진행된다면, 다중프랙탈 누적량과 예측 복잡도는 기존의 스펙트럼 기반 특징을 보완하는 강력한 도구로 자리매김할 가능성이 크다.