뇌컴퓨터 인터페이스 주제 간 서브스페이스 전이

초록

본 논문은 훈련 세션과 테스트 세션 사이에 발생하는 비정상성을 주제 간에 공유되는 변동 패턴으로 모델링한다. 다른 피험자의 데이터를 이용해 공통 변동 서브스페이스를 추정하고, 이를 이용해 불변 특징 공간을 구성함으로써 개별 피험자별 비정상성의 영향을 감소시킨다. 기존 다중 피험자 방법이 공분산을 평균으로 수축하거나 전역 특징을 만들지만, 본 접근법은 판별 정보를 전달하지 않으며 변동 자체만을 전이한다. 두 개의 실제 EEG 모터 이미징 데이터셋과 인공 데이터에서 기존 방법보다 높은 성능을 보였으며, 추출된 변동 패턴은 신경생리학적으로 의미 있는 해석을 가능하게 한다.

상세 분석

이 연구는 BCI 시스템에서 가장 큰 난제 중 하나인 세션 간 비정상성(Non‑Stationarity)을 ‘공통 변동 서브스페이스’를 통해 해결하고자 한다. 저자들은 먼저 여러 피험자에게서 수집된 EEG 데이터를 이용해 각 피험자의 훈련‑테스트 쌍 사이에 존재하는 변동을 선형 서브스페이스 형태로 추정한다. 이때 변동은 공분산 행렬의 차이 혹은 Riemannian 거리 상의 이동으로 표현되며, 주성분 분석(PCA)이나 공분산 차원 축소 기법을 통해 저차원 서브스페이스로 압축된다. 핵심 가정은 “피험자 간 변동 패턴이 유사하다”는 것으로, 이를 검증하기 위해 변동 서브스페이스 간 코사인 유사도와 클러스터링 분석을 수행하였다. 결과는 대부분의 피험자 쌍이 높은 유사도를 보였으며, 이는 변동이 개인 고유의 신호 특성보다 공통적인 뇌역학적 변화(예: 피로, 주의 변동)에서 기인한다는 것을 시사한다.

다음 단계에서는 다른 피험자들의 변동 서브스페이스를 평균(또는 가중 평균)하여 ‘공통 변동 서브스페이스’를 만든다. 새로운 피험자의 훈련 데이터에 이 서브스페이스를 적용해 변동을 보정하면, 테스트 데이터와의 분포 차이가 크게 감소한다. 이 과정은 기존의 다중 피험자 방법과 근본적으로 다르다. 전통적인 방법은 공분산 행렬 자체를 다른 피험자의 평균으로 수축하거나, 전역적인 CSP(공통 공간 패턴)와 같은 판별 특징을 공유한다. 그러나 이러한 접근은 변동 자체를 줄이지 못하고, 오히려 피험자 간 신호 차이가 큰 경우 성능 저하를 일으킬 수 있다. 반면 본 방법은 변동을 ‘보정’하는 데에만 초점을 맞추어, 판별 정보를 전혀 전달하지 않음으로써 ‘정보 오염’을 방지한다.

실험에서는 두 개의 공개 EEG 모터 이미지 데이터셋(Motor Imagery)과 인공적으로 생성한 2‑D Gaussian 데이터에 대해 비교 평가를 진행했다. 평가 지표는 분류 정확도와 Kappa 값이며, 제안 방법은 기존 다중 피험자 방법(공분산 수축, 전역 CSP)보다 평균 5~7%p 높은 성능을 기록했다. 특히 피험자 간 신호 차이가 큰 경우(예: 한 피험자는 강한 알파 파, 다른 피험자는 저주파 대역 우세)에도 제안 방법은 안정적인 성능을 유지했다.

마지막으로, 추출된 공통 변동 서브스페이스를 역변환하여 원래 EEG 채널 공간에 투사함으로써, 어떤 뇌 영역이 비정상성에 가장 크게 기여했는지를 시각화했다. 결과는 주로 전두엽과 중앙부 피질에서 변동이 집중됨을 보여, 피로 혹은 주의 집중도 변화와 연관된 신경생리학적 해석이 가능함을 입증했다. 이러한 해석 가능성은 BCI 시스템의 투명성 및 사용자 피드백 설계에 중요한 기여를 할 수 있다.