EEG 분류를 위한 Signal2Image 모듈

이 논문은 EEG와 같은 생리 신호를 이미지 기반 딥러닝 모델에 적용하기 위한 새로운 프레임워크인 Signal2Image(S2I) 모듈을 제안한다. S2I는 원시 신호 입력 뒤에 배치되는 전처리 단계로, 신호를 2차원 이미지 형태로 변환해 기존 이미지 전용 ‘베이스 모델’에 입력할 수 있게 한다. 저자는 S2I를 **비학습형**(‘signal as image’, ‘spectrogram’)과 **학습형**(1층 CNN, 2층 CNN) 두 종류로 구분하고, 각각을 15개의 베이스 모델(LeNet, AlexNet, VGG‑11/13/16/19, ResNet‑18/34/50/101/152, DenseNet‑121/161/169/201) 및 그 1D 변형과 조합해 성능을 평가한다. 데이터는 UCI EEG 발작 인식 데이터셋을 사용했으며, 원본 500개의 4097‑샘플 신호를 178‑샘플 길이의 세그먼트로 나누어 총 11 500개의 균형 잡힌 샘플을 확보했다. 클래스는 ‘Open’, ‘Closed’, ‘Healthy’, ‘Tumor’, ‘Epilepsy’의 5가지이며, 76%를 학습, 12%를 검증, 12%를 테스트에 할당했다. S2I 구현 세부 사항은 다음과 같다. ‘signal as image’는 신호값을 0‑255 범위의 픽셀값으로 매핑해 178×178 흑백 이미지로 만든다. ‘spectrogram’는 Tukey 윈도우(α=0.25)와 8‑샘플 세그먼트, 4‑샘플 오버랩, 64‑점 FFT를 사용해 시간‑주파수 스펙트럼을 만든 뒤 bilinear 보간으로 178×178 크기로 확대한다. 학습형 1층 CNN은 3‑size 커널, 8채널 1D 컨볼루션을 적용하고, 2층 CNN은 추가적인 16채널 레이어와 ReLU·맥스풀링을 포함한다. 두 경우 모두 마지막 피처맵을 y축으로 연결하고 bilinear 보간으로 178×178×3 이미지로 변환한다. 베이스 모델은 기존 2D CNN 구조를 그대로 사용했으며, 1D 변형은 컨볼루션 연산을 시간축에만 적용하도록 설계했다. 모든 모델은 동일한 학습 하이퍼파라미터(Ada​m, lr=0.001, 배치 20, 100 epoch)와 교차 엔트로피 손실을 사용했으며, 최적 모델은 검증 정확도가 가장 높은 epoch에서 선택했다. 실험 결과, **1층 CNN S2I가 대부분의 베이스 모델에서 최고 정확도를 달성**했으며, 특히 DenseNet201과 결합했을 때 85.3%의 정확도를 기록했다. 2층 CNN S2I는 1층보다 성능이 떨어졌고, 비학습형 ‘signal as image’와 ‘spectrogram’는 전반적으로 낮은 정확도를 보였다(최고 84.0% 수준). 또한, 베이스 모델의 깊이를 늘려도 정확도 향상이 제한적이었으며, 이는 EEG와 같은 저차원 시계열 데이터가 깊은 이미지 네트워크의 복잡성을 필요로 하지 않음을 의미한다. 시간 측면에서는 1층 CNN S2I가 추가적인 연산 비용을 약간 발생시켰지만(예: DenseNet201에서 70 s/epoch), 현대 GPU 환경에서는 충분히 수용 가능했다. 결론적으로, **학습 가능한 얕은 S2I(특히 1층 CNN)가 비학습형 변환보다 우수**하며, 1D 베이스 모델과 결합했을 때도 경쟁력 있는 성능을 보인다. 향후 연구는 사전학습된 이미지 모델을 전이학습에 활용하거나, 다른 생리 신호(ECG, EMG, GSR 등)에 대한 일반화 가능성을 탐색하는 것이 제안된다. 또한, S2I의 해석 가능성을 높이기 위한 시각화 및 파라미터 공유 메커니즘 개발도 필요하다.