실시간 EEG 아티팩트 제거를 위한 초경량 2D CNN 프레임워크 E2CAR

초록

본 논문은 1‑차원 CNN을 2‑차원 CNN으로 변환하고 Edge TPU에 최적화함으로써 EEG 아티팩트 제거 모델의 추론 시간을 90 % 단축하고 전력 소모를 19 % 감소시킨 E2CAR 프레임워크를 제안한다. 기존 딥러닝 기반 방법과 비교해 성능 손실 없이 경량화에 성공했으며, Coral Dev Board mini에서 실험을 수행하였다.

상세 분석

E2CAR 논문은 EEG 신호의 실시간 처리라는 실용적 문제에 초점을 맞추면서, 하드웨어‑소프트웨어 공동 최적화라는 두 축을 동시에 추구한다는 점에서 의미가 크다. 먼저 기존 EEG 아티팩트 제거 연구들이 1‑D CNN을 기본 구조로 채택해 온 이유는 시간축상의 연속성을 직접 모델링하기 용이하다는 점이다. 그러나 저자는 1‑D 컨볼루션이 메모리 접근 패턴이 비효율적이며, 특히 Edge TPU와 같은 매트릭스 연산에 특화된 가속기에서는 성능 병목이 된다는 점을 지적한다. 이를 해결하기 위해 800 포인트의 1‑D 시퀀스를 1 × 800 형태의 “이미지”로 재구성하고 2‑D 컨볼루션으로 처리한다. 이 변환은 데이터 차원을 늘리지 않으면서도 행렬 연산 최적화를 가능하게 하며, ARM Cortex‑M7 기반 CPU에서도 DSP 명령어를 활용한 2‑D 연산 효율을 높인다.

모델 구조 측면에서는 기존 DAE(denoising autoencoder)에 6개의 Residual Block을 3 × 2 형태로 삽입하고, 각각 1 × 3, 1 × 5, 1 × 7 커널을 사용해 다양한 주파수 대역의 아티팩트를 포착한다. 큰 커널은 저주파 EOG, 작은 커널은 고주파 EMG, 중간 커널은 넓은 스펙트럼을 갖는 모션 아티팩트에 대응하도록 설계돼 있다. 이러한 다중 스케일 접근은 전통적인 ICA·CCA와 달리 데이터‑드리븐 방식으로 아티팩트 특성을 자동 학습한다는 장점을 가진다.

학습 과정에서 저자는 TensorFlow Lite 양자화를 적용해 8‑bit 정밀도로 변환하고, Edge TPU에 배포한다. 양자화는 메모리 사용량을 크게 줄이면서도 RRMSE와 CC(상관계수) 지표에서 기존 1‑D 모델과 거의 동일한 성능을 유지한다. 실험 결과는 네 가지 작업(클린 신호 복원, EOG, EMG, 모션 아티팩트 제거) 모두에서 E2CAR‑TPU가 RRMSE를 최소화하고 CC를 최대화함을 보여준다. 특히 추론 시간은 CPU 대비 90 % 감소했으며, 전력 소모는 18.98 % 절감되었다.

하지만 몇 가지 한계도 존재한다. 첫째, 2‑D 변환이 실제로는 1 × 800이라는 매우 얇은 이미지이므로, 일반적인 2‑D CNN의 공간적 특징 추출 이점이 제한적일 수 있다. 둘째, 데이터셋이 각각 EOG, EMG, 모션 아티팩트에 대해 별도로 수집된 작은 규모이며, 크로스‑피험자 일반화 검증이 부족하다. 셋째, Edge TPU는 고정된 연산 집합에 최적화돼 있어 복잡한 비선형 활성화 함수나 동적 라우팅을 적용하기 어렵다. 향후 연구에서는 멀티채널 EEG(다중 전극) 데이터를 2‑D 혹은 3‑D 형태로 확장하고, 다양한 양자화 기법과 모델 압축을 결합해 더욱 일반화된 경량 모델을 탐색할 필요가 있다.

전반적으로 E2CAR는 하드웨어 친화적 설계와 아키텍처 혁신을 통해 실시간 EEG 아티팩트 제거를 위한 실용적인 솔루션을 제시했으며, Edge AI 분야에서 신호 처리 모델을 경량화하는 좋은 사례가 된다.