미니로켓 기반 모터 이미지 EEG 분류와 CNN LSTM 하이브리드 모델 비교

초록

본 논문은 Motor Imagery(MI) EEG 신호를 효율적으로 특징 추출하는 MiniRocket 기법과, CNN‑LSTM 하이브리드 딥러닝 모델을 비교한다. PhysioNet의 대규모 MI‑EEG 데이터셋을 사용해 MiniRocket‑ridge 분류기가 98.63%의 평균 정확도를 달성했으며, CNN‑LSTM은 98.06%를 기록했다. MiniRocket은 높은 정확도와 낮은 연산 비용을 동시에 제공함을 입증한다.

상세 분석

본 연구는 MI‑EEG 신호 분류에서 두 가지 접근법을 체계적으로 비교한다. 첫 번째는 MiniRocket이라는 최근 제안된 시계열 변환 기법으로, 무작위로 초기화된 1‑D 컨볼루션 커널을 최소한의 랜덤성만으로 대규모 특징 맵을 생성한다. MiniRocket은 고정된 커널 집합을 사용해 훈련 단계에서 커널을 재학습하지 않으며, 대신 각 커널에 대해 비선형 변환(예: PPV, max‑pool) 후 선형 ridge classifier에 입력한다. 이 구조는 시계열 데이터의 시간‑주파수 패턴을 빠르게 포착하면서 파라미터 수를 크게 줄인다. 논문에서는 ICA를 이용해 μ(8‑14 Hz)와 β(14‑30 Hz) 밴드를 분리하고, 160 Hz 샘플링 레이트의 4 초 구간을 640 포인트 시퀀스로 전처리한다. MiniRocket은 K=10 000개의 랜덤 커널을 적용해 9‑차원 특징 벡터를 추출하고, ridge regression을 통해 클래스별 결정 경계를 학습한다. 실험 결과, MiniRocket‑ridge 조합은 평균 98.63% 정확도를 달성했으며, 연산 시간과 메모리 사용량이 CNN‑LSTM 대비 5‑10배 이상 효율적이었다.

두 번째 접근법은 CNN‑LSTM 하이브리드 모델이다. 1‑D 컨볼루션 레이어 2개(필터 16, 32, 커널 크기 3)를 통해 공간적·주파수적 특징을 추출하고, max‑pool 및 dropout(0.25‑0.5)으로 과적합을 방지한다. 이후 100 유닛 LSTM 레이어를 3단계 쌓아 시계열 의존성을 학습하고, 최종 dense 레이어로 4개의 MI 클래스(좌측 손, 우측 손, 양손, 양발)를 분류한다. 모델은 10‑fold 교차 검증에서 98.06% 정확도를 기록했지만, 학습 epoch당 GPU 메모리 사용량이 약 2‑3 GB에 달하고, 전체 훈련 시간은 MiniRocket 대비 약 8배 이상 오래 걸렸다.

핵심 인사이트는 다음과 같다. (1) MI‑EEG는 비정상성, 개인 차이, 저 SNR 등으로 전통적인 특징 추출이 어려운데, MiniRocket은 무작위 커널을 통해 이러한 변동성을 포괄적으로 캡처한다. (2) 선형 ridge classifier가 충분히 강력함을 보여, 복잡한 비선형 딥러닝 구조가 반드시 필요하지 않음을 시사한다. (3) CNN‑LSTM은 시공간 복합 패턴을 학습하는 데 강점이 있으나, 데이터 양이 제한된 경우 과적합 위험과 높은 연산 비용이 단점으로 작용한다. (4) ICA 기반 전처리와 μ/β 밴드 분리는 신호 품질을 크게 향상시켜 두 모델 모두 성능을 끌어올렸다. 최종적으로, 실시간 BCI 시스템에서 계산 자원이 제한된 경우 MiniRocket‑ridge 파이프라인이 실용적인 선택이 될 수 있다.