TopoDiff 지형과 관계 인식 확산을 통한 EEG 초고해상도 복원

초록

TopoDiff은 EEG 채널의 전두·후두 지형 정보를 이미지 임베딩으로, 채널 간 동적 관계를 그래프 구조로 모델링하여 확산 기반 초고해상도 복원을 수행한다. 전역 지형 컨텍스트와 시간에 따라 변하는 관계 그래프를 결합함으로써 기존 방법보다 재구성 품질과 다운스트림 감정 인식, 운동 이미지, 발작 탐지 등에서 뛰어난 성능을 달성한다.

상세 분석

본 논문은 저밀도 EEG 기록을 고밀도 형태로 복원하는 EEG Spatial Super‑Resolution(EEG‑SR) 문제에 대해 두 가지 핵심 인덕티브 바이어스를 도입한다. 첫 번째는 전통적인 토포그래픽 맵을 이미지 형태로 변환한 뒤, 사전 학습된 DINO‑v3 비전 모델을 이용해 고수준 공간 특징을 추출하고 이를 확산 모델의 조건으로 삽입하는 ‘전역 지형 컨디셔닝’이다. 이 과정은 인간 전문가가 토포플롯을 통해 전반적인 뇌 전기 패턴을 해석하는 방식을 모방하며, 채널 간 절대적인 좌표 정보만을 이용하는 기존 positional encoding 방식의 한계를 극복한다. 두 번째는 시간에 따라 동적으로 변하는 채널‑관계 그래프를 구축하고, 그래프 신경망(GNN) 기반 메시지 패싱을 통해 각 채널 토큰에 관계 정보를 주입하는 ‘동적 그래프‑관계 모델링’이다. 그래프는 각 시점의 신호 상관도와 전극 물리적 거리 등을 고려해 가중치를 업데이트하며, 이는 확산 과정에서 채널 간 상호작용을 명시적으로 학습하게 만든다.

모델 아키텍처는 패치 기반 Transformer를 denoising 네트워크로 채택한다. 저해상도 EEG는 시간 축을 일정 길이 패치로 나누어 채널‑패치 토큰 시퀀스로 변환하고, 노이즈가 추가된 고해상도 미보이는 채널 역시 동일한 패치화 과정을 거쳐 토큰화한다. 이후 전역 지형 임베딩과 동적 그래프‑관계 임베딩을 토큰 시퀀스 앞에 연결하고, 이를 다중 레이어의 토큰‑와 시간‑자기주의가 혼합된 Transformer에 입력한다. 학습 시에는 x‑prediction 방식과 ℓ2 재구성 손실을 사용해 노이즈가 섞인 미보이는 채널을 정밀하게 복원하도록 최적화한다.

실험은 감정 인식( SEED, SEED‑IV ), 운동 이미지( PhysioNet MI/MM ), 발작 탐지( TUSZ ) 등 네 가지 데이터셋에서 수행되었다. TopoDiff은 PSNR, SSIM 등 전통적인 복원 지표에서 기존 ST‑AD, ESTFormer, SR‑GDiff 등을 크게 앞섰으며, 복원된 고해상도 신호를 이용한 다운스트림 분류에서도 평균 3~5% 이상의 정확도 향상을 보였다. 특히 토포그래픽 이미지 임베딩이 없는 변형 모델과, 그래프 없이 순수 Transformer만 사용한 베이스라인을 비교했을 때, 전역 지형 정보가 채널 간 관계를 보강해 전반적인 신호 일관성을 크게 개선함을 확인할 수 있었다.

이 논문은 EEG‑SR 분야에서 ‘전역 지형’과 ‘시간 변동 관계’라는 두 축을 동시에 고려한 최초의 확산 기반 접근법을 제시함으로써, 저밀도 웨어러블 EEG 장치의 실용성을 크게 높이고, 임상 및 BCI 응용에서 고품질 신호 복원의 필요성을 충족한다는 점에서 의의가 크다.