시간적 스펙트럼 정규화 PSDNorm으로 수면 단계 분류 성능 혁신

초록

본 논문은 수면 EEG 데이터의 도메인 간 분포 변화를 완화하기 위해, 파워 스펙트럼 밀도(PSD)를 실시간으로 정규화하는 새로운 레이어 PSDNorm을 제안한다. Monge 매핑과 Riemannian 평균을 이용해 각 배치의 PSD를 공통 베리센터에 맞추며, U‑Net·Transformer 기반 모델에 적용했을 때 미보인 데이터셋에서도 최첨단 정확도를 달성하고 라벨 부족 상황에서도 강인함을 보인다.

상세 분석

PSDNorm은 기존 BatchNorm·LayerNorm·InstanceNorm이 시간 축을 독립적으로 처리해 오던 한계를 극복한다. 핵심 아이디어는 중간 특성 맵을 주파수 영역으로 변환한 뒤, Welch 방법으로 PSD를 추정하고, 이 PSD를 전체 학습 과정에서 유지되는 Riemannian 베리센터와 비교·보정하는 것이다. 베리센터는 Bures 거리(또는 Wasserstein‑2 거리) 하에서의 기하학적 평균으로, 식 (6)에서 제시된 지수적 지오데식 평균을 통해 매 배치마다 업데이트된다. 이 과정은 역전파 시 베리센터에 대한 그래디언트를 차단(stop‑gradient)함으로써 파라미터 학습에 영향을 주지 않는다.

PSD 정규화 단계에서는 f‑Monge 매핑을 적용한다. 여기서 f는 필터 길이(주파수 해상도)이며, 원본 PSD와 베리센터 PSD의 비율을 √f 스케일링한 후 역푸리에 변환을 수행해 시간 영역 필터 b_H를 만든다. 각 채널은 b_H와 컨볼루션(원형 컨볼루션)되어 PSD가 베리센터와 일치하도록 변형된다. f가 ℓ(전체 길이)일 때는 완전한 Gaussian Monge 매핑이 되며, f=1이면 각 채널에 스칼라 스케일만 적용한다. 따라서 f는 정규화 강도를 조절하는 중요한 하이퍼파라미터이며, 실험에서는 1~17 사이가 최적으로 발견되었다.

계산 복잡도는 FFT 기반 PSD 추정과 필터 적용으로 O(N·c·ℓ·f·log f)이며, 배치 크기 N, 채널 수 c, 시계열 길이 ℓ, 필터 길이 f에 선형적으로 스케일한다. 이는 기존 BatchNorm에 비해 약간의 오버헤드가 있지만, 현대 GPU/TPU에서 FFT가 고도로 최적화돼 있어 실시간 추론에도 충분히 적용 가능하다.

실험 설계는 10개의 공개 수면 데이터셋(총 10 k명, 10 M 샘플)에서 Leave‑One‑Dataset‑Out(LODO) 프로토콜을 사용했다. U‑Net과 Transformer 백본에 PSDNorm을 삽입한 모델은 동일 구조의 BatchNorm·InstanceNorm·LayerNorm 대비 평균 2.3%~3.1% 높은 정확도를 기록했으며, 라벨 수를 25%로 감소시켜도 기존 최고 성능에 근접했다. 특히 데이터 희소성에 민감한 환경에서 PSDNorm은 베리센터가 전체 도메인 분포를 포괄적으로 학습하므로, 새로운 기관·장비에서 수집된 신호에도 빠르게 적응한다.

한계점으로는 PSD 추정에 필요한 윈도우 길이 f가 너무 작으면 고주파 잡음에 과도히 민감해질 수 있고, 매우 긴 시계열에서는 메모리 사용량이 증가한다는 점이다. 또한, 현재 구현은 Gaussian 가정에 기반하므로 비정상(non‑stationary) 신호에 대한 확장 연구가 필요하다. 향후 연구에서는 베리센터를 다중 모드 혼합 모델로 일반화하거나, 온라인 적응형 베리센터 업데이트 전략을 도입해 실시간 의료 모니터링에 적용하는 방안을 모색할 수 있다.