EEG 기반 MEG 합성으로 BCI 성능 향상

초록

본 논문은 사전학습된 EEG 모델을 활용해 EEG 데이터를 MEG 신호로 변환하는 생성 프레임워크를 제안한다. 공간 초점 매핑과 광대역 스펙트럼 보정 모듈을 통해 합성된 MEG는 실제 MEG와 시간‑주파수 및 소스 공간에서 높은 일치성을 보이며, 이를 이용한 BCI 디코딩 실험에서 기존 EEG만 사용할 때보다 향상된 성능을 달성한다.

상세 분석

이 연구는 EEG와 MEG가 동일한 신경원천을 전기·자기장 형태로 관측한다는 물리적 근거에 기반해, 두 모달리티 간의 시공간 결합성을 활용한다. 핵심 아이디어는 대규모 비지도 EEG 데이터로 사전학습된 변환기 기반 모델(LaBraM)을 고정된 백본으로 사용해 일반적인 신경활동 표현을 추출하고, 이를 MEG 특유의 낮은 공간 분산과 높은 고주파 감도를 학습하도록 설계된 두 개의 특수 모듈에 전달하는 것이다.

1. EEG Representation Encoder: 입력 EEG를 채널별 독립 시퀀스로 재구성해 시공간 토큰화 과정을 거치며, 사전학습된 트랜스포머가 각 채널의 미세한 시간적 특징을 추출한다. 이후 역재구성을 통해 채널 차원을 복원함으로써, 공간적 블러링을 최소화한 순수한 시계열 특징을 얻는다.

2. Spatial Focus Mapping Module: 추출된 특징에 대해 채널 차원의 자기‑주의(self‑attention)를 적용해 확산된 EEG 신호를 집중된 형태로 변환한다. 이어서 시간 차원의 주의 메커니즘을 통해 장기적 동기화를 확보한다. 마지막 단계에서는 벡터 양자화(VQ) 코드북을 도입해 특징을 MEG 전용 프로토타입 공간으로 정규화한다. 이 과정은 EEG와 MEG가 공유하는 신경원천을 동일한 잠재 공간에 매핑함으로써, 이후 생성 단계에서의 분포 차이를 최소화한다.

3. Latent Conditional Diffusion Generator: 양자화된 잠재 벡터를 조건으로 삼아 확산 모델을 학습한다. 정방향에서는 Gaussian 노이즈를 단계적으로 추가하고, 역방향에서는 노이즈 예측 네트워크가 현재 상태와 시간 스텝, 조건 벡터를 입력받아 원본 잠재 표현을 복원한다. 이 확산 과정은 복잡한 비선형 EEG‑MEG 매핑을 확률적 방식으로 모델링해, 제한된 페어 데이터에서도 과적합을 방지한다.

4. Broadband Spectral Calibration Module: 합성된 MEG의 주파수 스펙트럼을 실제 MEG와 일치시키기 위해, 학습 가능한 복소수 가중치로 전체 주파수 영역을 조정한다. 또한, Delta~Gamma 5대 밴드별 시간 도메인 손실을 추가해 저주파 리듬과 고주파 진동을 동시에 보존한다.

학습 목표는 시간‑도메인 L1 재구성 손실, VQ 손실, 확산 손실, 스펙트럼 손실을 가중합한 다중 목표 함수이며, 각 손실은 물리적 현실성(공간·시간·주파수)과 통계적 일관성을 동시에 최적화한다.

실험에서는 두 개의 공개된 EEG‑MEG 동시 기록 데이터셋(Somatomotor, NOD‑MEG)을 사용해, 합성 MEG가 실제 MEG와 시간‑주파수 파워 스펙트럼, 소스 레벨 활성화 패턴에서 높은 상관성을 보임을 입증했다. 특히, BCI 디코딩(운동 의도, 시각 인식)에서 원본 EEG에 합성 MEG를 결합했을 때 정확도와 F1 점수가 유의하게 상승했으며, EEG만 이용 가능한 독립 테스트셋에서도 동일한 향상이 관찰되었다. 이는 합성 MEG가 EEG가 놓치는 신경정보(특히 고주파 및 접선 전류)를 보완해, 신경 상태 공간을 보다 풍부하게 탐색하게 함을 의미한다.

전반적으로 이 프레임워크는 (1) 사전학습된 대규모 EEG 모델을 활용해 데이터 부족 문제를 완화하고, (2) 공간·주파수 특성을 정교히 보정해 실제 MEG와 거의 구분이 어려운 합성 신호를 생성하며, (3) 실제 BCI 응용에서 성능 향상을 입증함으로써, 비용·장비 제약이 큰 MEG 활용을 대체하거나 보완할 실용적인 길을 제시한다.