뇌파 기반 의도 인식을 위한 계단형·병렬형 합성곱·순환 신경망

초록

**
본 논문은 원시 EEG 스트림을 2차원 메시 형태로 변환한 뒤, 공간‑시간 특징을 동시에 학습하는 두 가지 딥러닝 모델(계단형·병렬형 CNN‑RNN)을 제안한다. 108명·3,145,160 레코드의 대규모 MI‑EEG 데이터셋에서 98.3% 수준의 높은 정확도를 달성했으며, 교차 피험자 검증에서 기존 방법 대비 약 18% 향상된 성능을 보였다. 또한 제한된 채널 수의 실제 BCI 환경에서도 93% 인식률을 기록하였다.

**

상세 분석

**
이 연구는 EEG 신호의 저신호대비잡음비와 채널 결손 문제를 직접적인 전처리 없이 해결하려는 시도로 시작한다. 저자들은 1차원 시계열 전극 데이터를 전극 배치 정보를 활용해 2D 메쉬 형태로 매핑함으로써 물리적으로 인접한 전극 간의 공간적 상관관계를 보존한다. 이 과정에서 결손 전극은 0패딩으로 처리하고, 비제로 값에 대해서는 Z‑score 정규화를 적용해 신호 스케일을 통일한다.

두 모델의 핵심 차이는 특징 추출 흐름에 있다. 계단형(Cascade) 모델은 먼저 각 메쉬에 3개의 3×3 커널을 갖는 2D‑CNN을 적용해 128개의 피처 맵을 만든 뒤, 1024‑차원의 완전 연결층으로 압축한다. 이렇게 얻어진 시퀀스(시간축 길이 S, 차원 1024)를 두 층의 LSTM에 입력해 시간적 의존성을 학습하고, 마지막 타임스텝의 은닉 상태를 최종 FC‑Softmax에 연결한다. 이 구조는 공간 특징을 먼저 정제한 뒤 시간 정보를 통합함으로써, 장시간 의도 변화를 포착하는 데 유리하다.

반면 병렬형(Parallel) 모델은 동일한 2D‑CNN을 사용해 공간 특징을 추출하면서, 원시 1D 전극 벡터 시퀀스를 별도의 LSTM 흐름에 직접 투입한다. 두 흐름에서 각각 얻은 공간 피처와 시간 피처를 최종 단계에서 concatenate하고, 추가 FC 레이어를 거쳐 분류한다. 이 설계는 공간‑시간 정보를 동시에 학습함으로써, 서로 보완적인 특성을 빠르게 융합할 수 있다.

모델 학습에서는 Adam 옵티마이저와 교차 엔트로피 손실을 사용했으며, 과적합 방지를 위해 CNN·FC 단계에 dropout을 적용했다. 슬라이딩 윈도우(50% 오버랩)와 고정 길이 S를 이용해 연속적인 메쉬 시퀀스를 생성함으로써, 실시간 스트리밍 환경에서도 동일한 입력 포맷을 유지한다.

실험 결과는 두 모델 모두 98.3%의 평균 정확도를 기록했으며, 특히 교차 피험자 검증에서 기존 SVM, CSP‑LDA, DeepConvNet 등과 비교해 약 18%p 높은 성능을 보였다. 채널 수를 8개로 제한한 실제 BCI 시나리오에서도 93%의 인식률을 달성, 제안 모델이 제한된 하드웨어에서도 강인함을 입증한다.

이 논문의 주요 기여는 (1) EEG 전극 배치를 활용한 2D 메쉬 변환으로 공간적 의존성을 명시적으로 모델링, (2) 공간‑시간 특징을 각각 최적화한 두 가지 네트워크 아키텍처 제시, (3) 대규모 다중 피험자·다중 클래스 설정에서 기존 방법을 크게 앞선 성능을 입증한 점이다. 다만, 메쉬 변환 과정에서 전극 배치가 고정돼야 한다는 제약과, 윈도우 크기·CNN 깊이에 대한 민감도가 추가 연구를 필요로 한다.

**