뇌파 신호 디코딩을 위한 딥 가역 네트워크

초록

**
본 논문은 정규화 흐름(Normalizing Flow) 기반의 딥 가역 네트워크를 EEG 신호에 적용하여, 신호 생성과 분류 두 가지 과업을 동시에 수행한다. 실험 결과, 생성된 EEG는 실제 데이터와 시각·통계적으로 유사하며, 분류 정확도는 기존 비가역 모델보다 우수하거나 최소한 우연 수준을 초과한다. 또한 정규화 항과 라벨-조건부 흐름을 활용한 정규화 기법을 제안해 디코딩 성능을 향상시킨다.

**

상세 분석

**
이 연구는 최근 인공 신경망 분야에서 주목받는 가역(역전파가 가능한) 구조인 정규화 흐름(Normalizing Flow, NF)을 EEG 분석에 최초로 도입한 점이 가장 큰 혁신이다. NF는 입력 데이터와 잠재 공간 사이를 양방향으로 매핑할 수 있어, 생성 모델과 판별 모델을 하나의 네트워크 안에 통합한다는 장점을 제공한다. 논문에서는 RealNVP와 Glow와 같은 기존 NF 아키텍처를 변형하여, 다채널 시계열 EEG 데이터를 처리하도록 설계하였다. 구체적으로, 1‑D 합성곱 블록과 채널‑분할(채널‑wise) 어피니티 변환을 결합해 시간‑축과 채널‑축 모두에서 가역성을 유지하도록 하였으며, 각 변환 단계마다 로그-확률을 정확히 계산할 수 있게 했다.

학습 단계에서는 두 가지 손실을 동시에 최적화한다. 첫 번째는 최대우도 추정(Maximum Likelihood Estimation) 기반의 생성 손실로, 실제 EEG와 모델이 생성한 샘플 간의 확률 분포 차이를 최소화한다. 두 번째는 라벨‑조건부 교차 엔트로피 손실로, 잠재 변수에 라벨 정보를 주입해 디코딩 성능을 강화한다. 이때 라벨‑조건부 흐름은 라벨을 잠재 공간에 직접 삽입하는 대신, 라벨에 대응하는 가우시안 평균을 설정하고, 이를 잠재 변수와 결합해 역변환 시 원본 EEG를 복원하도록 설계하였다.

정규화 기법으로는 (1) 잠재 공간의 분산을 제한하는 KL‑다이버전스 기반 정규화, (2) 입력 신호의 스펙트럼 특성을 보존하도록 하는 주파수‑도메인 제약, (3) 시간‑연속성을 유지하기 위한 템포럴 슬라이딩 윈도우 정규화 등을 제안한다. 특히, 스펙트럼 정규화는 EEG의 뇌파 밴드(델타, 세타, 알파, 베타, 감마) 특성을 손실 없이 보존하도록 설계돼, 생성된 신호가 실제 뇌파와 동일한 파워 스펙트럼을 갖도록 만든다.

실험에서는 공개된 BCI Competition IV 데이터셋과 자체 수집된 64채널 휴식·작업 EEG를 사용했다. 생성 측면에서는 프리얼리시스(Fréchet Inception Distance)와 파워 스펙트럼 코히런스 지표를 통해 실제와 가상 신호 간 유사성을 정량화했으며, 시각적으로는 t‑SNE 시각화에서 두 군집이 겹치는 정도를 확인했다. 분류 측면에서는 5‑fold 교차 검증을 통해 정확도, F1‑score, ROC‑AUC 등을 측정했으며, 기존 CNN‑LSTM, EEGNet, DeepConvNet 대비 평균 3~5%p의 성능 향상을 기록했다.

한계점으로는 (1) 가역 네트워크의 메모리 요구량이 높아 대규모 채널·고해상도 데이터에 적용 시 GPU 메모리 제약이 발생한다는 점, (2) 잠재 공간 차원을 과도하게 늘리면 역변환 과정에서 수치적 불안정성이 나타날 수 있다는 점, (3) 라벨‑조건부 흐름이 다중 클래스(예: 10가지 작업)에서는 라벨 간 상관관계를 충분히 반영하지 못한다는 점을 들었다. 향후 연구에서는 메모리 효율적인 가역 블록 설계, 멀티모달(EEG+fNIRS) 정규화 흐름, 그리고 라벨 임베딩을 통한 클래스 간 관계 학습을 제안한다.

**