텐서 완성으로 복원한 EEG, BCI 성능 향상

초록

본 논문은 손상·노이즈가 포함된 EEG 데이터를 텐서 완성 기법으로 복원하여, 모터 이미지 BCI 시스템의 분류 정확도를 높이는 방법을 제안한다. 무작위 결측과 채널 단위 결측 두 상황을 실험하고, 최신 텐서 완성 알고리즘 4종과 단순 보간법을 비교한다. 무작위 결측에서는 모든 텐서 완성 기법이 보간보다 우수했으며, 채널 결측에서는 텐서 완성이 손실된 채널을 효과적으로 재구성해 정확도를 크게 회복시켰다.

상세 분석

이 연구는 EEG와 같은 고차원 시계열 데이터를 ‘시간 × 채널 × 시도’ 형태의 3차 텐서로 모델링하고, 결측값을 텐서 분해 기반 완성 문제로 전환한다는 점에서 혁신적이다. 텐서 완성은 저차원 핵심 텐서(코어 텐서)와 각 모드의 팩터 행렬을 추정해 전체 텐서를 재구성한다. 논문에서는 CP‑ALS, Tucker‑ALS, HaLRTC, SiLRTC‑TV 등 네 가지 최신 알고리즘을 선택했으며, 각각의 최적화 목표와 정규화 방식이 다름을 명시한다. 예를 들어, HaLRTC는 여러 모드의 핵노름을 동시에 최소화해 저계수(rank) 텐서를 찾고, SiLRTC‑TV는 총변동(total variation) 정규화를 도입해 공간‑시간 연속성을 보존한다.

실험 설계는 두 단계로 나뉜다. 첫 번째는 인공적으로 결측을 삽입해 복원 정확도(RMSE, PSNR)를 측정하는 재구성 실험이며, 두 번째는 복원된 데이터를 실제 BCI 분류 파이프라인에 투입해 클래스 정확도(accuracy)를 평가한다. 무작위 결측 비율을 10 %50 %로 변화시켰을 때, 모든 텐서 완성 기법이 선형 보간보다 평균 512 % 높은 정확도를 보였다. 특히 Tucker‑ALS는 코어 텐서의 차원을 적절히 조절함으로써 과적합을 방지하고, 높은 결측 비율에서도 안정적인 복원을 달성했다.

채널 결측(예: 특정 전극이 완전히 손실된 경우)에서는 구조적 결측이므로 복원 난이도가 크게 증가한다. 이때 HaLRTC와 SiLRTC‑TV가 채널 간 상관관계를 효과적으로 활용해 결측 채널을 재구성했으며, CP‑ALS는 순위 선택이 민감해 성능이 다소 떨어졌다. 복원된 데이터로 훈련된 CSP + LDA 분류기는 원본(결측 없는) 데이터 대비 약 8 % 감소한 정확도를 보였지만, 단순 보간 대비 15 % 이상 향상되었다. 이는 텐서 완성이 채널 간 공간적 연관성을 보존함을 의미한다.

또한 논문은 계산 복잡도와 실시간 적용 가능성을 논의한다. Tucker‑ALS와 HaRLC는 반복 횟수가 적고 GPU 가속 시 1 초 이내에 64 × 22 × 1000 텐서를 복원할 수 있어, 온라인 BCI 캘리브레이션 단계에 적용 가능함을 시사한다. 반면 SiLRTC‑TV는 TV 정규화 연산이 무거워 배치 처리에 적합하다는 한계가 있다.

전반적으로 이 연구는 텐서 완성 기법이 EEG 결측 복원에 강력한 도구임을 실증하고, 특히 채널 손실 상황에서 BCI 시스템의 실용성을 크게 높일 수 있음을 입증한다. 향후 연구에서는 비선형 텐서 모델(예: Tensor‑Train)이나 딥러닝 기반 텐서 자동인코더와의 비교, 그리고 실시간 피드백 루프에의 통합이 기대된다.