HEDN: EEG 감정 인식의 신뢰도 기반 지능형 적응 네트워크

초록

본 연구는 뇌-컴퓨터 인터페이스(BCI)의 핵심 과제인 교차 피험자 EEG 감정 인식에서 발생하는 피험자 간 변동성 문제를 해결하기 위해 ‘Hard-Easy Dual Network (HEDN)‘를 제안합니다. 기존 다중 소스 도메인 적응(MSDA) 방법이 모든 소스의 품질을 동일하게 취급하여 발생하는 계산 비용과 부정적 전이 문제를 극복하고자, HEDN은 소스 도메인의 구조적 신뢰도를 동적으로 평가(SRA)하여 고품질 소스는 정교한 프로토타입 학습에, 저품질 소스는 적대적 학습을 통한 정제에 각각 활용하는 이중 브랜치 구조를 채택했습니다. SEED, SEED-IV, DEAP 데이터셋 실험에서 HEDN은 기존 최신 방법들을 능가하는 성능과 효율성을 입증했습니다.

상세 분석

HEDN의 기술적 혁신은 크게 세 가지 축에서 분석됩니다. 첫째, **경량화된 신뢰도 평가 메커니즘(SRA)**입니다. 기존 MSDA 방법들이 정적 가중치 할당이나 복잡한 통계 계산을 요구한 반면, HEDN의 SRA는 단순히 분류기의 교차 엔트로피 손실을 신뢰도 역수로 활용합니다. 이는 모델의 순전파 과정에서 자연스럽게 계산 가능하여 추가적인 계산 오버헤드가 거의 없으면서, 분류 경계가 명확한(낮은 손실) ‘안정적인’ 소스와 그렇지 않은 ‘불안정한’ 소스를 실시간으로 구별할 수 있습니다. 이는 복잡한 도메인 간 메트릭 계산 없이도 효과적인 소스 선별을 가능하게 하는 실용적 설계입니다.

둘째, 신뢰도에 따른 차별화된 지식 추출 전략입니다. HEDN은 모든 소스에 동일한 네트워크를 적용하지 않고, 신뢰도에 따라 ‘Easy’와 ‘Hard’ 두 개의 전문화된 경로로 소스를 라우팅합니다. ‘Easy Network’는 신뢰도 높은 소스의 잘 정의된 다중 클러스터 구조를 활용하여 클래스 내 세부 군집(prototype) 수준의 정교한 표현을 학습합니다. 이는 기존의 클래스 전체를 하나의 프로토타입으로 뭉뚱그리는 방법보다 EEG 신호의 내재적 이질성(intra-subject heterogeneity)을 더 잘 포착합니다. 또한, 클러스터 수준 대조 학습(contrastive learning)을 도입하여 프로토타입 공간 내에서 군집 내 응집성과 군집 간 분리를 강화함으로써, 생성된 의사 레이블(pseudo-label)의 신뢰도를 극대화합니다.

반면, ‘Hard Network’는 신뢰도 낮은 소스를 처리합니다. 이 소스들은 클래스 경계가 모호하고 노이즈가 많을 가능성이 높기 때문에, 단순한 프로토타입 매칭은 오히려 오류를 증폭시킬 수 있습니다. 따라서 HEDN은 이 브랜치에서 도메인 판별기(Discriminator)를 이용한 적대적 학습(Adversarial Training)을 수행합니다. 이를 통해 낮은 품질의 소스 표현을 정제하고, 타겟 도메인과의 분포 정렬을 도모하여 점진적으로 해당 소스의 전이 가능성을 높입니다.

셋째, 의미적 일관성을 유지하는 크로스 네트워크 정렬입니다. 두 개의 서로 다른 전략을 가진 네트워크가 병렬로 학습될 때 발생할 수 있는 예측 불일치 문제를 해결하기 위해 ‘Cross-Network Consistency Loss’를 도입했습니다. 이는 Hard Network의 예측 출력이 Easy Network가 생성한 고신뢰도 의사 레이블과 일관되도록 제약을 가합니다. 결과적으로, Hard Network는 낮은 품질의 소스로부터 지식을 배우되, 최종 의사 결정은 Easy Network의 안정적인 구조 지식을 따르도록 유도되어 전체 모델의 의미적 coherence가 보장됩니다.

종합하면, HEDN은 “모든 소스를 균등하게 처리"하는 패러다임에서 “신뢰도에 따라 차별화하여 처리하고, 그 결과를 통합"하는 패러다임으로의 전환을 의미합니다. 이는 계산 복잡성을 M개의 소스에 대한 M개의 브랜치에서 2개의 고정 브랜치로 획기적으로 낮추면서도, 오히려 신뢰성 있는 지식 전이 효율은 높인 지능형 MSDA 프레임워크라고 평가할 수 있습니다.