뇌신호 분류를 위한 쌍거리 학습과 제한된 데이터 활용

본 논문은 제한된 수의 EEG 관측치를 활용해 조현병(스키조프레니아) 진단을 수행하는 새로운 방법론을 제시한다. 연구 배경으로는 EEG가 비침습적이며 시간 해상도가 높아 정신질환 연구에 유용하지만, 고차원·다변량 특성 및 피험자 수 제한으로 인해 기존 머신러닝·딥러닝 접근법이 충분히 일반화되지 못한다는 점을 들었다. 이를 극복하기 위해 저자들은 두 가지 주요 아이디어를 결합한다. 첫째, 시암쌍 신경망(Siamese Neural Network, SNN)을 이용해 관측치 자체가 아니라 관측치 쌍(pairwise)으로 학습 데이터를 확장한다. 이는 데이터 양을 제곱적으로 늘려 소규모 데이터에서도 효과적인 특징 학습을 가능하게 한다. 둘째, EEG 신호를 짧은 시간 푸리에 변환(DSTFT)으로 변환해 시간‑주파수 스펙트럼 이미지를 만든 뒤, 이 이미지를 합성곱 신경망에 입력해 채널별 스펙트럼 패턴을 자동으로 추출한다. 구체적인 파이프라인은 다음과 같다. (1) 1분 길이의 눈을 감은 휴식 상태 EEG를 128 Hz로 수집하고, 16채널(10‑20 시스템) 각각에 대해 2초 창을 사용해 DSTFT를 수행한다. 이 과정에서 0.5 Hz 이하의 저주파수까지 포착한다. (2) 얻어진 스펙트럼 이미지를 두 개의 합성곱 층과 하나의 전결합 층으로 구성된 베이스 네트워크(Base Network, BN)에 입력한다. 합성곱 층은 ReLU 활성화, 전결합 층은 Softmax를 사용해 출력 벡터를