필터뱅크와 자기훈련을 활용한 교차 피험자 도메인 적응 기반 SSVEP 분류 혁신

초록

본 논문은 SSVEP 기반 BCI에서 피험자 간 신호 차이를 최소화하기 위해 필터뱅크 유클리드 정렬(FBEA)과 자기훈련 기반 교차 피험자 도메인 적응(CSST) 프레임워크를 제안한다. PTAL 단계에서 적대적 학습으로 소스·타깃 분포를 정렬하고, DEST 단계에서 시간‑Ensemble 교사 모델과 다중 뷰 앙상블을 이용해 의사라벨 품질을 향상한다. 추가로 시간‑주파수 증강 대비학습(TFA‑CL) 모듈을 도입해 특징 구분성을 강화하였다. Benchmark와 BETA 두 대규모 데이터셋에서 기존 최첨단 방법들을 크게 앞서며 높은 정확도와 ITR을 달성하였다.

상세 분석

본 연구는 SSVEP 신호의 피험자 간 변동성을 해결하기 위해 세 가지 핵심 기술을 결합한다. 첫 번째는 Filter‑Bank Euclidean Alignment(FBEA)이다. 기존 Euclidean Alignment가 채널 수준에서 공분산을 정규화하는 데 그친 반면, FBEA는 필터뱅크를 적용해 각 주파수 대역별로 데이터를 분해하고, 전체 샘플의 평균 공분산 행렬을 이용해 각 밴드‑채널 복합 공간을 동일하게 정규화한다. 이를 통해 주파수별 고유한 조화 성분을 보존하면서도 도메인 간 마진 분포 이동을 효과적으로 감소시킨다.

두 번째는 Cross‑Subject Self‑Training(CSST) 프레임워크이다. CSST는 Pre‑Training with Adversarial Learning(PTAL)과 Dual‑Ensemble Self‑Training(DEST) 두 단계로 구성된다. PTAL 단계에서는 소스 데이터에 대한 지도 학습 손실과 함께 도메인 판별기 D를 도입하고, Gradient Reversal Layer를 통해 피처 추출기 G가 소스와 타깃의 특징 분포를 맞추도록 한다. 이 과정은 타깃 도메인에 대한 초기 의사라벨의 품질을 크게 향상시킨다. DEST 단계에서는 Mean‑Teacher 방식을 활용해 교사 모델을 EMA(Exponential Moving Average)로 업데이트하고, 두 개의 데이터 증강 뷰(시간적 변형 및 주파수 노이즈)와 원본 뷰를 결합해 의사라벨을 가중 평균한다. 가중치는 각 뷰의 피처와 원본 피처 간 코사인 유사도로 결정되므로, 신뢰도가 높은 뷰에 더 큰 비중을 부여한다. 이러한 이중 앙상블 구조는 라벨 노이즈를 억제하고, 학습 과정에서 발생할 수 있는 오류 전파를 최소화한다.

세 번째는 Time‑Frequency Augmented Contrastive Learning(TFA‑CL) 모듈이다. 자기훈련 단계에서 교차 엔트로피 손실만 사용하면 라벨 오류에 취약한데, TFA‑CL은 시간·주파수 차원에서 두 종류의 증강(Temporal Perturbation, Noise Injection)을 적용해 다중 뷰를 생성하고, supervised contrastive loss를 적용한다. 같은 클래스에 속하는 뷰는 고유한 클러스터를 형성하도록 유도하고, 서로 다른 클래스는 멀리 떨어지게 함으로써 피처 공간의 구분성을 크게 강화한다.

실험에서는 64채널 EEG를 9개의 occipital 채널로 축소하고, 0.8 s~1.0 s 구간을 다양한 길이로 평가하였다. Benchmark와 BETA 두 데이터셋 모두에서 제안 방법은 기존 tt‑CCA, Ensemble‑DNN, OA‑CCA, SUTL, SFDA 등을 능가했으며, 특히 0.8 s에서 ITR 203.1 bits/min(Benchmark)과 160.9 bits/min(BETA)를 기록하였다. Ablation 연구는 각 구성 요소가 독립적으로 성능 향상에 기여함을 확인했으며, 특히 PTAL과 DEST의 결합이 가장 큰 상승을 보였다.

전반적으로 본 논문은 SSVEP 기반 BCI에서 교차 피험자 도메인 적응을 위한 새로운 패러다임을 제시한다. 주파수 정보를 활용한 정렬, 적대적 사전 학습, 이중 앙상블 자기훈련, 그리고 대비학습을 체계적으로 결합함으로써 라벨 노이즈와 도메인 격차를 동시에 완화한다. 향후 실시간 적용을 위한 경량화와 다양한 EEG 패러다임(예: ERP, Motor Imagery)으로의 확장이 기대된다.