다중클래스 운동 상상 BCI를 위한 발산 기반 정류성 최적화 프레임워크

초록

**
본 논문은 EEG 기반 다중클래스 운동 상상 BCI에서 비정상성(Non‑stationarity)으로 인한 성능 저하를 완화하기 위해, Joint Approximate Diagonalization(JAD)을 이용한 정보이론적 발산(framework)을 제안한다. 제안 방법은 클래스 간 판별력을 높이면서 각 클래스 내부의 정류성을 동시에 보존하도록 서브스페이스를 최적화한다. 정규화 파라미터 λ를 포함한 목표 함수를 직교 매니폴드 상에서 그래디언트 하강법으로 최적화하고, 공개 데이터셋(BCI Competition IV, dataset IIa)에서 기존 OVR‑CSP 및 일반 JAD 대비 평균 정확도가 향상됨을 실험적으로 확인하였다.

**

상세 분석

**
이 연구는 EEG 신호의 비정상성이 다중클래스 BCI에서 특징 분포를 왜곡시켜 분류 정확도를 저하시킨다는 점에 주목한다. 기존의 CSP 기반 방법은 이진 클래스에 최적화돼 있었으며, 다중클래스 상황에서는 One‑Versus‑Rest(OVR) 전략이나 쌍별 이진 분류 등 여러 변형이 제안됐지만, 정류성 보장은 충분히 다루어지지 않았다. 논문은 두 가지 주요 기여를 제시한다. 첫째, JAD를 활용해 K개의 클래스 공분산 행렬을 동시에 대각화함으로써 정보이론적 KL 발산을 최소화한다. 여기서 목표 함수 F(V)는 각 클래스의 변환 공분산과 그 대각 행렬 사이의 KL 발산을 가중치 p_c와 함께 합산한 형태이며, V는 직교 행렬 R과 화이트닝 변환 W의 곱으로 표현된다. 둘째, 정류성 제약을 정규화 항 G(V)와 결합해 전체 손실 Δ(V) = (1‑λ)·J(R) + λ·J_s(Id_R) 로 정의한다. J(R)는 기존 JAD의 발산 최소화 항이고, J_s는 각 트라이얼 공분산과 클래스 평균 공분산 사이의 KL 발산을 이용해 세션 내부 정류성을 강제한다. λ는 정류성 강화 정도를 조절하는 하이퍼파라미터이며, 교차 검증을 통해 최적값을 선택한다.

최적화는 직교 매니폴드 상에서 R을 업데이트하는 Riemannian gradient descent 방식으로 수행된다. 초기화는 무작위 직교 행렬이며, 라인 서치를 통해 스텝 사이즈를 결정한다. 수렴 기준은 목표 함수 변화가 미미해질 때까지 반복한다. 최종적으로 V = (R·W)^T 를 얻고, 정보이론적 필터 선택 기준(예: Mutual Information)으로 상위 d개의 필터를 선택한다.

실험에서는 9명의 피험자에 대해 4클래스(좌/우 손, 발, 혀) motor imagery 데이터를 사용했으며, 0.5‑3.5 s 구간의 8‑30 Hz 밴드패스 필터링 후 8개의 필터를 선택했다. 비교 대상은 전통적인 OVR‑CSP와 일반 JAD이며, 제안 방법인 DivOVR‑WS와 DivJAD‑WS가 각각 OVR‑CSP와 JAD보다 평균 정확도에서 1.7 %~3.9 % 정도 향상된 것으로 보고된다. 또한 교차 검증과 테스트 세트 간 성능 차이가 1.5 %~3 % 수준에 머물러 과적합 위험이 낮음을 확인했다.

알고리즘 복잡도 측면에서는 직교 매니폴드 상의 그래디언트 계산과 라인 서치가 주요 비용이지만, 초기화에 따라 수렴 속도가 달라질 수 있다. 논문은 초기화 전략을 OVR‑CSP에서 얻은 직교 행렬로 설정하면 수렴이 빠르고 안정적이라고 제안한다.

전반적으로 이 연구는 다중클래스 BCI에서 정류성을 명시적으로 고려한 정보이론적 최적화 프레임워크를 제시함으로써, 기존 방법들의 한계를 보완하고 실제 적용 가능성을 높였다. 향후 연구에서는 실시간 구현, 다른 비정상성 유형(예: 세션 간 드리프트) 및 딥러닝 기반 특징 추출과의 결합을 탐색할 여지가 있다.

**