뇌 기계 인터페이스를 위한 진화적 딥러닝 분류기 최적화

초록

본 연구는 진화 알고리즘을 이용해 2550개의 EEG 통계 특징 중 핵심 특징을 선택하고, 인공신경망(MLP) 구조와 하이퍼파라미터를 동시에 최적화한다. 선택된 특징으로 주의 상태, 감정, 그리고 생각한 숫자를 예측하는 세 가지 과제를 수행했으며, LSTM 기반 적응형 부스팅 모델이 각각 84.44 %, 97.06 %, 9.94 %의 정확도를 보였다. 진화적으로 최적화된 MLP는 비부스팅 상태에서 79.81 %, 96.11 %, 27.07 %를 기록했고, 부스팅을 적용한 DEvo MLP는 31.35 %까지 향상되었다. 특히 DEvo MLP는 학습·추론 속도가 크게 빠른 장점을 가진다. 데이터는 Muse 헤드밴드(4전극)와 MindBigData digits 데이터셋을 사용했다.

상세 분석

이 논문은 EEG 기반 뇌‑기계 인터페이스(BCI) 분야에서 특징 선택과 신경망 설계라는 두 핵심 문제를 하나의 진화적 프레임워크로 통합한다는 점에서 혁신적이다. 먼저 2550개의 통계적 EEG 특징을 전처리 단계에서 전부 사용하고, 차세대 진화 알고리즘(예: 차등 진화, DE)으로 특징 서브셋을 탐색한다. 이 과정에서 적합도 함수는 분류 정확도와 모델 복잡도(특징 수, 파라미터 수)를 동시에 고려해 과적합을 방지한다. 선택된 특징을 기반으로 MLP의 레이어 수, 뉴런 수, 활성화 함수, 학습률 등 하이퍼파라미터를 동일한 진화 과정에서 최적화한다. 이렇게 얻어진 ‘DEvo MLP’는 전통적인 그리드 서치나 베이지안 최적화와 비교해 탐색 공간을 효율적으로 커버하며, 특히 제한된 전극(4채널)으로도 높은 성능을 끌어낸다.

실험은 세 가지 서로 다른 인지·감정 과제로 구성된다. 첫 번째는 주의 집중(Attention) 상태를 2‑class로 구분, 두 번째는 감정(긍정/부정) 2‑class, 세 번째는 피험자가 생각한 0‑9 숫자를 추정하는 10‑class 문제다. LSTM 기반 모델에 Adaptive Boosting(Adaboost)을 적용했을 때, 주의와 감정 과제에서 각각 84.44 %와 97.06 %라는 높은 정확도를 달성했지만, 숫자 추정에서는 9.94 %에 머물렀다. 이는 시계열 특성을 활용한 LSTM이 복잡한 다중 클래스 문제에서 충분히 일반화되지 못했음을 시사한다. 반면 DEvo MLP는 비부스팅 상태에서도 79.81 %·96.11 %·27.07 %를 기록했고, 부스팅을 적용한 경우 숫자 추정 정확도가 31.35 %로 크게 상승했다. 이는 진화적으로 최적화된 구조가 제한된 전극 데이터에서도 충분히 표현력을 확보한다는 증거다.

또한 학습 시간과 메모리 사용량을 비교했을 때, DEvo MLP는 LSTM·Adaboost 조합에 비해 5‑10배 빠른 학습 속도와 적은 메모리 요구량을 보였다. 이는 실시간 BCI 시스템에 적용하기에 매우 유리한 특성이다. 데이터 수집 측면에서는 Muse 헤드밴드(전극 TP9, AF7, AF8, TP10)와 MindBigData digits 데이터셋(전극 TP9, FP1, FP2, TP10)을 사용했으며, 저비용 장비만으로도 충분한 신호 품질을 확보할 수 있음을 입증한다.

전체적으로 이 연구는 (1) 진화적 특징 선택과 신경망 설계의 통합, (2) 저채널 EEG에서도 높은 분류 성능, (3) 부스팅과 결합한 MLP의 효율적 활용이라는 세 가지 주요 기여를 제공한다. 향후 연구에서는 더 많은 전극을 포함한 다중채널 데이터, 다른 진화 전략(예: 유전 프로그래밍) 및 실시간 피드백 루프와의 연계가 기대된다.