뇌컴퓨터 인터페이스 전이 학습 다중 피험자 세션을 위한 통합 프레임워크와 새로운 회귀 방법

초록

본 논문은 뇌‑컴퓨터 인터페이스(BCI)에서 피험자·세션 간 데이터 분포 차이를 극복하기 위해, 임의의 피처 공간에 적용 가능한 일반적인 전이 학습 프레임워크를 제시한다. 기존의 도메인 적응 방식과 달리, 가중치 분포를 확률적 사전으로 모델링하는 규칙 적응 접근을 확장하고, EEG 특성에 맞춘 고차원 회귀 추정 기법을 도입한다. 실험은 운동 이미지 과제의 피험자‑대‑피험자 전이와 ALS 환자의 세션‑대‑세션 전이 두 경우에서 수행되었으며, 제안 방법이 기존 대비 유의미하게 높은 정확도를 달성함을 보였다.

상세 분석

논문은 BCI에서 흔히 발생하는 비정상성(non‑stationarity) 문제를 두 가지 관점—도메인 적응(domain adaptation)과 규칙 적응(rule adaptation)—으로 구분한다. 기존 연구들은 주로 공통의 불변 공간을 찾는 도메인 적응에 집중했으며, CSP 기반 선형 필터링, 공분산 행렬 거리 측정, 정규화된 CSP, 정적 서브스페이스 분석 등 다양한 방법을 제안했다. 그러나 이러한 접근은 피험자마다 혹은 세션마다 다른 변동성을 충분히 반영하지 못한다는 한계가 있다.

이에 저자들은 가중치 벡터 wₛ를 다변량 정규분포 N(μ,Σ)에서 샘플링된 랜덤 변수로 가정하고, 다중 피험자·세션 데이터를 동시에 최적화함으로써 μ와 Σ를 사전으로 학습한다. 이는 다중 작업 학습(multitask learning)의 일종으로, 각 작업(피험자 혹은 세션)의 가중치가 공통 평균 μ와 공분산 Σ에 의해 강하게 얽혀 있음을 의미한다. 손실 함수는 최소제곱 오차와 정규화 항 Ω(wₛ;μ,Σ)으로 구성되며, Ω는 사전 확률의 음로그우도로 해석된다.

핵심 기여는 두 가지이다. 첫째, 기존의 규칙 적응 모델을 확장하여 고차원 피처(EEG 로그‑밴드파워)에도 적용 가능한 일반 프레임워크를 제시했다. 여기서 피처 차원 d는 전극 수 E와 밴드 수 F의 곱으로 매우 크지만, 공분산 Σ를 효율적으로 추정하기 위해 저차원 구조(예: 대각선 혹은 저랭크 근사)를 활용한다. 둘째, EEG 신호의 특성을 고려한 새로운 회귀 추정 방법을 도입했다. 이는 가중치 사전이 실제 EEG 데이터의 공간적·주파수적 상관관계를 반영하도록 설계되어, 기존의 단순 리지 회귀보다 과적합을 억제하고 전이 성능을 향상시킨다.

실험에서는 (1) 9명의 피험자를 대상으로 한 좌우 손 운동 이미지 과제에서, 한 피험자를 제외한 나머지 데이터로 μ와 Σ를 학습한 뒤, 제외된 피험자에 대해 최소한의 샘플만으로 높은 분류 정확도를 달성했다. (2) ALS 환자 한 명의 여러 세션 데이터를 이용해 세션‑대‑세션 전이를 수행했으며, 제안 방법이 기존의 CSP 기반 전이 및 공분산 이동 방법보다 평균 정확도가 5~7%p 상승했다. 특히, 노이즈가 큰 세션이나 성능이 낮은 피험자를 자동으로 낮은 가중치로 억제하는 메커니즘이 효과적으로 작동함을 확인했다.

이러한 결과는 BCI 시스템에서 초기 캘리브레이션 시간을 크게 단축하고, 장기 사용 시 모델의 안정성을 보장할 수 있음을 시사한다. 또한, 프레임워크가 피처 공간에 독립적이므로, 시간‑주파수 분석, 그래프 기반 피처, 혹은 딥러닝으로 추출된 임베딩 등 다양한 형태의 BCI 피처에도 그대로 적용 가능하다.