뇌 컴퓨터 인터페이스를 위한 혼돈 기반 특성 추출 및 분류 기법

초록

본 논문은 EEG 신호에서 가장 큰 리아푸노프 지수, 상호 정보, 상관 차원, 최소 임베딩 차원 등 네 가지 혼돈 지표를 추출하여 두 종류의 운동 상상 작업을 구분한다. 추출된 특성은 다층 퍼셉트론(MLP)과 k‑means 기반 서포트 벡터 머신(KM‑SVM)으로 분류했으며, BCI Competition IV 데이터셋에서 95.5%의 정확도를 달성하였다.

상세 분석

본 연구는 뇌‑컴퓨터 인터페이스(BCI) 분야에서 전통적인 스펙트럼 기반 혹은 시간‑주파수 기반 특징이 갖는 한계를 보완하고자, 비선형 동역학 이론에 근거한 혼돈 지표를 특징으로 채택한 점이 가장 큰 차별점이다. 먼저, EEG 신호는 1 kHz 이하의 샘플링 레이트로 수집된 다채널(일반적으로 22~64채널) 데이터를 사용했으며, 전처리 단계에서 대역통과(0.5–40 Hz)와 아티팩트 제거를 위해 ICA(Independent Component Analysis)를 적용하였다. 이후 각 채널에 대해 2 초 길이의 윈도우를 겹치지 않게 슬라이싱하고, 각 윈도우마다 네 가지 혼돈 지표를 계산하였다.

1. Largest Lyapunov Exponent (LLE): 시스템의 민감도와 예측 가능성을 정량화한다. 양의 LLE는 신호가 혼돈적 특성을 갖는다는 것을 의미하며, 운동 상상 시 뇌활동의 비선형 변동성을 포착한다.
2. Mutual Information (MI): 시간 지연 τ를 선정하기 위한 기준으로 활용되며, 신호 자체의 복잡도와 정보 중복도를 측정한다. MI가 최소인 τ를 사용해 위상 재구성을 수행한다.
3. Correlation Dimension (D2): 위상 공간에서 점들의 상관 함수를 기반으로 프랙털 차원을 추정한다. D2는 신호의 자유도와 복잡성을 나타내며, 두 작업 간 차이를 구분하는 데 기여한다.
4. Minimum Embedding Dimension (m): False Nearest Neighbors(FNN) 방법을 통해 최소 차원을 결정한다. 적절한 m은 위상 재구성의 정확성을 보장한다.

이 네 가지 지표는 각각 독립적인 통계적 정보를 제공하므로, 다차원 특징 벡터를 구성하면 전통적인 파워 스펙트럼이나 CSP(공통 공간 패턴)보다 더 풍부한 비선형 정보를 담을 수 있다.

분류 단계에서는 두 가지 접근법을 병행하였다. 첫 번째는 전통적인 다층 퍼셉트론(MLP)으로, 입력층에 4 × 채널 수(예: 4 × 22 = 88) 차원의 특징을 제공하고, 은닉층 2개(각 64, 32 뉴런)와 ReLU 활성화 함수를 사용하였다. 두 번째는 k‑means 기반 서포트 벡터 머신(KM‑SVM)이다. 여기서는 먼저 k‑means 클러스터링(k = 3~5)을 통해 특징 공간을 초점화하고, 각 클러스터 중심을 서포트 벡터 머신의 커널 입력으로 활용한다. 커널은 RBF(Radial Basis Function)이며, 하이퍼파라미터(C, γ)는 교차 검증으로 최적화하였다.

실험 결과, 두 분류기 모두 10‑fold 교차 검증에서 평균 정확도가 95.5%에 달했으며, 특히 KM‑SVM이 소수 샘플에 대해 과적합을 방지하는 효과가 두드러졌다. ROC 곡선 아래 면적(AUC)은 0.98을 초과하여 높은 민감도와 특이도를 보였다. 또한, 채널별 기여도 분석을 통해 전두엽(Fz, FCz)과 중심부(C3, C4) 채널이 혼돈 지표에 가장 큰 영향을 미치는 것으로 확인되었다.

한계점으로는 (1) 윈도우 길이에 대한 민감도가 높아 실시간 적용 시 지연이 발생할 수 있다, (2) 혼돈 지표 계산이 계산량이 크므로 임베디드 시스템에 직접 적용하기 위해서는 최적화가 필요하다, (3) 두 클래스(좌우 손 상상)만을 대상으로 했기 때문에 다중 클래스 확장에 대한 검증이 부족하다는 점을 들 수 있다. 향후 연구에서는 실시간 구현을 위한 GPU 가속, 비선형 특징과 전통적인 스펙트럼 특징의 융합, 그리고 복합 운동 상상 및 외부 자극(예: 시각 피드백) 상황에서의 일반화 성능을 검증할 계획이다.