주제별 모델에 타인 데이터 융합으로 SSVEP BCI 성능 향상

초록

본 연구는 SSVEP 기반 뇌‑컴퓨터 인터페이스(BCI)의 정확도와 정보전송률(ITR)을 높이기 위해, 개별 피험자 전용 모델에 다른 피험자들의 데이터를 활용한 주제‑독립 정보를 결합하는 새로운 CCA 기반 방법을 제안한다. 공개된 35인 피험자 데이터셋을 이용해 기존 TRCA 및 확장 CCA와 비교했을 때, 제안 방법은 특히 0.3 초 이상의 짧은 윈도우와 제한된 학습 블록·전극 수 상황에서 우수한 성능을 보였다.

상세 분석

본 논문은 SSVEP 기반 BCI에서 흔히 사용되는 주제‑특정 모델(subject‑specific model)의 한계를 인식하고, 타 피험자들의 데이터를 활용한 주제‑독립 정보(subject‑independent information)를 어떻게 효율적으로 통합할 수 있는지를 탐구한다. 핵심 아이디어는 Canonical Correlation Analysis(CCA)를 기반으로 하여, 특정 피험자에 대한 모델을 학습할 때 다른 피험자들의 훈련 데이터를 하이퍼파라미터 최적화에 이용하는 것이다. 기존 CCA는 각 주파수 자극에 대한 전극 신호와 사전 정의된 사인‑코사인 기준 신호 사이의 상관관계를 최대화하는 방식으로 분류를 수행한다. 그러나 하이퍼파라미터(예: 주파수 가중치, 전극 선택, 윈도우 길이 등)가 피험자마다 크게 달라 성능 변동이 심했다. 논문은 이러한 변동을 감소시키기 위해, 다수 피험자 데이터셋을 이용해 전역적인 파라미터 탐색을 수행하고, 그 결과를 개별 피험자 모델에 적용한다.

또한, Ensemble‑CCA라는 변형을 도입해 여러 CCA 모델을 결합함으로써, 기존의 Ensemble‑TRCA와 공정한 비교가 가능하도록 설계하였다. Ensemble‑TRCA는 여러 독립적인 TRCA 모델을 평균하거나 가중합하여 성능을 향상시키는 기법인데, 동일한 구조의 Ensemble‑CCA를 구현함으로써 두 방법 간의 구조적 차이를 최소화하고, 순수히 알고리즘적 차이에 의한 성능 차이를 평가한다.

실험은 35명의 피험자를 포함한 공개 SSVEP 벤치마크 데이터셋을 사용했으며, 12개의 시각 자극 주파수(8.0 ~ 15.8 Hz)와 4개의 전극(Oz, O1, O2, POz)을 대상으로 0.1 ~ 1.0 초의 다양한 윈도우 길이에서 분류 정확도와 ITR을 측정했다. 결과는 다음과 같다. 첫째, 제안된 Subject‑Independent CCA는 전체 평균 정확도와 ITR 모두 기존 TRCA와 확장 CCA를 능가했으며, 특히 0.3 초 이상의 윈도우에서 통계적으로 유의미한 차이를 보였다. 둘째, 학습 블록 수가 제한적(예: 1~2 블록)하거나 전극 수가 감소했을 때도, 주제‑독립 정보를 활용한 모델은 여전히 높은 정확도를 유지했다. 셋째, Ensemble‑CCA는 단일 모델 대비 약 1–2 %의 정확도 향상을 제공했으며, 이는 Ensemble‑TRCA와 비교했을 때 비슷하거나 약간 우수한 수준이었다.

이러한 결과는 주제‑독립 정보를 활용함으로써 개별 피험자에 대한 데이터 부족 문제를 완화하고, 실시간 BCI 시스템에서 짧은 응답 시간과 적은 전극 구성을 요구하는 상황에서도 안정적인 성능을 확보할 수 있음을 시사한다. 또한, 하이퍼파라미터 최적화를 전역 데이터에 기반해 수행함으로써, 기존에 피험자마다 별도로 튜닝해야 했던 복잡성을 크게 감소시킨다.

한계점으로는, 현재 제안된 방법이 주로 전극 선택과 윈도우 길이 같은 저차원 파라미터에 초점을 맞추었으며, 딥러닝 기반의 비선형 특징 추출과 결합했을 때의 시너지 효과는 검증되지 않았다. 또한, 데이터셋이 35명에 국한되어 있어, 보다 다양한 인구통계학적 특성을 가진 대규모 데이터에서의 일반화 가능성은 추가 검증이 필요하다. 향후 연구에서는 다중 모달(예: EEG‑fNIRS) 데이터와 결합하거나, 온라인 적응형 하이퍼파라미터 업데이트 메커니즘을 도입해 실시간 환경에서의 적용성을 높이는 방향이 기대된다.