EEG 원시 데이터로 상상 운동을 예측하는 딥 ConvNet

초록

본 연구는 109명의 피험자를 대상으로 원시 EEG 신호만을 이용해 좌우 손 움직임을 상상하는 과제를 예측하는 주제 독립 모델을 구축하였다. 3개의 컨볼루션‑맥스풀링 레이어와 배치 정규화·드롭아웃을 결합한 심층 ConvNet을 설계하고, Adam, SGDM, RMSprop 최적화 기법을 비교하였다. 전통적인 스펙트럼 특징을 사용한 다층 퍼셉트론(MLP)과 대비했을 때, ConvNet은 79.16%의 정확도를 달성하며 기존 방법을 능가하였다.

상세 분석

이 논문은 EEG 기반 뇌‑컴퓨터 인터페이스(BCI) 분야에서 원시 시계열 데이터를 그대로 입력으로 활용할 수 있는 딥러닝 파이프라인을 제시한다는 점에서 의미가 크다. 먼저 64채널, 160 Hz로 샘플링된 EEGMMI 데이터셋을 사용했으며, 30 Hz 이상의 고역통과 필터만 적용해 최소한의 전처리에 머물렀다. 이는 ConvNet이 데이터 자체에서 공간‑시간적 특징을 자동으로 추출하도록 설계된 의도와 일치한다.

네트워크 구조는 첫 번째 2‑D 컨볼루션 레이어가 전극 배열의 공간적 관계를 보존하도록 설계되었으며, 이후 두 개의 전통적인 1‑D 컨볼루션 레이어와 풀링 레이어가 이어진다. 각 컨볼루션 뒤에 배치 정규화와 ReLU 활성화가 적용되어 내부 공변량 이동을 감소시키고 학습 안정성을 높였다. 마지막에는 0.5 비율의 드롭아웃 레이어와 두 개의 완전 연결 레이어가 배치되어 과적합을 방지한다.

학습 최적화 측면에서는 Adam, SGDM(모멘텀 0.9), RMSprop을 동일한 초기 학습률(0.001)과 학습률 감소 스케줄(10 epoch마다 0.1배) 하에 비교하였다. 결과적으로 Adam과 SGDM이 RMSprop보다 높은 정확도를 보였으며, 특히 Adam이 79.16%의 최고 성능을 기록했다. 이는 적응적 모멘트와 2차 모멘트 추정이 EEG와 같이 잡음이 많은 시계열 데이터에 대해 더 효율적인 파라미터 업데이트를 제공함을 시사한다.

대조 실험으로, 전통적인 Welch 방법으로 추출한 알파대역(8‑12 Hz) 파워 스펙트럼을 입력 특징으로 사용한 MLP(두 개 은닉층, 각각 100·75노드, tanh 활성화)를 학습시켰다. 이 모델은 거의 학습이 이루어지지 않아 예측 성능이 현저히 낮았다. 이는 손수 설계된 스펙트럼 특징이 EEG의 복합적인 비선형 패턴을 충분히 포착하지 못한다는 점을 강조한다.

또한 논문은 주제 독립(subject‑independent) 설정을 채택했는데, 이는 피험자 간 변동성이 큰 EEG 데이터를 일반화 가능한 모델로 학습한다는 어려움을 포함한다. 109명의 대규모 피험자를 사용함으로써 기존 연구(대체로 20명 이하)보다 훨씬 강건한 일반화 능력을 검증하였다.

전체적으로 이 연구는 (1) 최소 전처리만으로 원시 EEG를 ConvNet에 직접 투입 가능함, (2) 배치 정규화·드롭아웃·Adam 최적화가 EEG‑CNN 성능을 크게 끌어올림, (3) 전통적인 스펙트럼 기반 MLP보다 심층 컨볼루션 구조가 주제 독립 BCI 과제에 적합함을 실증하였다. 향후 연구에서는 더 깊은 네트워크, 시간‑주파수 윈도우링, 혹은 멀티모달(EEG+MEG) 입력을 결합해 성능을 더욱 향상시킬 여지가 있다.