주파수 진폭 교란을 활용한 EEG 데이터 증강 기법

본 논문은 EEG 기반 뇌‑컴퓨터 인터페이스(BCI) 시스템에서 딥러닝 모델이 요구하는 대규모 학습 데이터를 확보하기 어려운 문제를 해결하고자, 주파수 영역에서 진폭에 가우시안 잡음을 추가하는 새로운 데이터 증강 방법을 제안한다. 기존의 시간 영역 잡음 추가 방식은 EEG의 저신호‑대‑잡음비와 비정상성 때문에 신호의 핵심 특성을 손상시킬 위험이 있다. 이를 극복하기 위해 저자는 먼저 짧은 시간 푸리에 변환(STFT)을 적용해 각 채널의 복소수 스펙트럼 Z(f,τ)=A(f,τ)·e^{jφ(f,τ)}를 얻는다. 여기서 A는 진폭, φ는 위상이다. 이후 진폭 A에 평균 μ=0, 표준편차 σ를 갖는 가우시안 잡음 N(μ,σ²)을 더해 교란된 진폭 A' = A + N을 만든다. 위상은 그대로 유지하고, 교란된 진폭과 원래 위상을 결합해 새로운 복소수 스펙트럼 Z'(f,τ)=A'·e^{jφ}를 만든 뒤 역 STFT를 수행해 시간 영역의 증강 샘플 x'(t)를 복원한다. 이 과정을 모든 채널에 독립적으로 적용해 라벨은 변하지 않는 새로운 학습 샘플을 생성한다. 제안된 증강 기법은 Shallow ConvNet 구조에 그대로 적용되었다. Shallow ConvNet은 1‑D 시간 컨볼루션(커널 (1,11), 25개) → 2‑D 공간 컨볼루션(커널 (22,1), 25개) → 평균 풀링 → 전역 컨볼루션 → Softmax 로 구성된다. 활성화 함수는 ELU, 배치 정규화와 0.5 드롭아웃을 사용해 과적합을 방지한다. 실험은 두 가지 데이터셋에서 수행되었다. 첫 번째는 BCI Competition IV 2a 데이터셋으로, 9명의 피험자, 22채널, 4개의 운동 이미지(좌핸드, 우핸드, 발, 혀) 클래스를 포함한다. 각 피험자당 첫 번째 세션 288개를 학습, 두 번째 세션 288개를 테스트에 사용하였다. 학습은 80%를 훈련, 20%를 검증으로 나누고, 배치 크기 64, 2000 iteration, Adam(learning rate 0.001)으로 진행하였다. 증강 파라미터 σ를 0.0001, 0.0005, 0.001, 0.002, 0.005, 0.01로 변동시켜 성능을 평가했으며, σ=0.001일 때 최고 정확도 76.3%를 기록했다. 이는 원본 Shallow ConvNet(74%)보다 2.3%p 향상된 결과이며, 정밀도·재현율·F1·AUC에서도 일관된 개선을 보였다. 특히 발과 혀 클래스에서 오분류 비율이 크게 감소하였다. 두 번째 실험은 저자들이 자체 수집한 로컬 P300 데이터셋이다. 64채널, 1000 Hz 샘플링, 2클래스(타깃 이미지 vs 비타깃)로 구성되며, 각 클래스당 320개의 학습 샘플과 80개의 테스트 샘플을 사용하였다. 동일한 증강 파라미터(σ=0.01)와 모델 설정으로 학습했을 때, 정확도가 85.0%에서 88.75%로 상승했으며, ROC 곡선과 AUC(0.91→0.93)에서도 증강 효과가 확인되었다. 결과적으로, 주파수 진폭에 가우시안 잡음을 추가하는 데이터 증강은 EEG 신호의 핵심 정보를 보존하면서 다양성을 확보한다는 장점을 가진다. 이는 기존 ConvNet 기반 EEG 분류 파이프라인에 손쉽게 적용 가능하며, 표준편차 σ를 적절히 조절하면 과도한 왜곡 없이 성능을 최적화할 수 있다. 향후 연구 방향으로는 다른 딥러닝 아키텍처와의 결합, 다채널 상관성을 고려한 복합 잡음 모델, 실시간 BCI 시스템에의 적용 및 온라인 학습 시나리오에서의 효율성 검증이 제시된다.