다중파동 기반 시간‑주파수 조건부 그랜저 인과성으로 강화된 컨볼루션 신경망을 이용한 운동 상상 EEG 디코딩

초록

**
본 논문은 다중파동 함수와 정규화 정방향 회귀(ROFR)를 이용해 고해상도 시간‑주파수 조건부 그랜저 인과성(TF‑CGC) 지도를 추출하고, 이를 이미지 형태로 변환한 뒤 스페이셜·템포럴 컨볼루션과 크롭·부스팅 기법을 결합한 강화 ConvNet에 입력한다. BCI Competition‑IV 2a 데이터셋에서 기존 최고 성능 대비 평균 정확도를 12.15 % 상승시키고, 피험자 간 변동성을 74 % 감소시켰다.

**

상세 분석

**
이 연구는 세 가지 핵심 기술을 통합한다. 첫째, 비정상 EEG 신호를 다중파동 기반 TVARX 모델로 파라미터화하고, 정규화 정방향 회귀(ROFR) 알고리즘을 통해 과적합을 방지하면서도 모델 차수를 최소화한다. 이를 통해 시간‑변화하는 스펙트럼 인과성을 고해상도로 추정할 수 있다. 둘째, Geweke의 스펙트럼 인과성 정의를 TV‑ARX에 적용해 조건부 그랜저 인과성(TF‑CGC)을 구하고, 알파 대역(8‑13 Hz)에서 채널 간 인과성 변화를 이미지화한다. 이 ‘인과성 이미지’는 시간, 주파수, 전극 위치 정보를 동시에 보존한다는 점에서 기존 CSP·밴드파워와 차별화된다. 셋째, 이러한 이미지들을 입력으로 하는 강화된 ConvNet을 설계한다. 공간·시간 2‑D 컨볼루션으로 지역적·전역적 패턴을 학습하고, 데이터 크롭(cropping)과 부스팅(boosting) 전략으로 학습 샘플을 다양화·강화한다. 네트워크는 다중 스케일 특징을 자동 추출해 MI(좌우 손) 구분에 최적화된다. 실험 결과, 제안 방법은 BCI Competition‑IV 2a의 이진 분류에서 평균 정확도가 84 % 수준(기존 최고 71 % 대비 +12.15 %)이며, 피험자 간 표준편차가 0.12에서 0.03으로 74 % 감소한다. 이는 인과성 기반 특징이 개인 차이를 크게 완화함을 의미한다. 또한, 모델 복잡도와 학습 시간은 기존 딥러닝 기반 MI‑BCI보다 효율적이며, ROFR을 통한 파라미터 선택이 과적합 위험을 낮춘다. 한계점으로는 알파 대역에만 초점을 맞춘 점, 다중 클래스(예: 4‑class) 확장 검증 부족, 그리고 실시간 적용을 위한 연산량 평가가 부족한 점을 들 수 있다. 향후 연구는 다중 주파수 대역 통합, 온라인 적응형 업데이트, 그리고 다른 인과성 지표(예: 위상‑동기화)와의 결합을 통해 실용성을 높일 수 있다.

**