다중 클래스 CSP와 적응형 학습 신경 퍼지 시스템을 이용한 EEG 기반 뇌‑컴퓨터 인터페이스 향상

초록

본 논문은 EEG 신호의 아티팩트 제거와 잡음 억제를 위한 사전 처리, Joint Approximate Diagonalization을 이용한 다중 클래스 CSP 확장, 그리고 비정상성을 다루는 Self‑Regulated Interval Type‑2 Neuro‑Fuzzy Inference System(SRIT2NFIS)의 다중 클래스 적용을 제안한다. BCI Competition IV 데이터셋 2a에 대한 실험 결과, 기존 다중 클래스 방법들에 비해 정확도가 크게 향상됨을 보였다.

상세 분석

이 연구는 EEG 기반 BCI 시스템에서 두 가지 핵심 문제, 즉 신호의 비정상성(Non‑stationarity)과 잡음·아티팩트에 초점을 맞춘다. 첫 단계에서는 각 트라이얼의 공분산 행렬에 대해 Frobenius norm을 계산하고, Z‑score 기반 임계값을 적용해 이상치(trial)를 제거한다. 이는 CSP 필터를 계산할 때 사용되는 평균 공분산 행렬이 왜곡되는 것을 방지하고, 고유값·고유벡터의 안정성을 높인다.
다중 클래스 CSP 구현에는 기존의 One‑vs‑Rest이나 Pair‑Wise 방식 대신 Joint Approximate Diagonalization(JAD)을 채택한다. 논문에서는 Liyanage et al. (2010)의 Fast Frobenius Diagonalization(FFDIA‑G) 알고리즘을 사용해 모든 클래스의 평균 공분산을 동시에 대각화한다. 이렇게 얻어진 공통 공간 변환 행렬 W는 각 클래스별로 대각화된 D_i를 생성하며, 정보 이론 기반 특성 선택(상호 정보 최대화)을 통해 최적의 공간 필터를 추출한다.
분류기 부분에서는 Self‑Regulated Interval Type‑2 Neuro‑Fuzzy Inference System(SRIT2NFIS)을 다중 클래스에 확장한다. SRIT2NFIS는 TSK 형태의 5‑계층 신경 퍼지 네트워크이며, Gaussian 멤버십 함수를 불확실한 평균과 고정 분산으로 모델링한다. 학습 과정에서 규칙(rule)과 파라미터가 데이터 흐름에 따라 자동으로 추가·삭제·조정되므로, 세션 간 변동이나 짧은 학습 데이터에 강인한 성능을 보인다.
실험은 BCI Competition IV의 2a 데이터셋(4가지 운동 이미지, 9명 피험자)을 사용했으며, 제안 방법은 기존 JAD‑CSP, ICA‑CSP, 그리고 정적 타입‑1 퍼지 분류기 대비 평균 정확도 5~7%p 향상을 달성했다. 특히, 아티팩트 제거 전후의 고유값 분포 변화를 시각화해 전처리 단계가 필터 품질에 미치는 긍정적 영향을 정량적으로 입증하였다. 전체적으로, 잡음 억제, 다중 클래스 공통 공간 학습, 비정상성 적응형 퍼지 분류기의 세 축을 결합함으로써 다중 클래스 BCI 성능을 크게 끌어올린 점이 주요 기여이다.