기초 모델이 EEG 분석에 유용한 특징 추출기인가

초록

본 논문은 자연어·컴퓨터 비전 분야에서 성공을 거둔 기초 모델을 EEG 데이터에 적용해 보았다. 연령 예측, 발작 탐지, 임상 이벤트 분류 세 가지 과업에서 일반 목적 시계열 모델(MOMENT, UniTS, OTiS)을 기존의 전용 EEG 모델과 비교하였다. 결과는 기초 모델이 전용 모델과 경쟁력 있는 성능을 보이며, 특히 대규모 이질적 시계열 데이터로 사전 학습된 경우 제한된 의료 데이터에서도 의미 있는 특징을 추출한다는 점을 보여준다.

상세 분석

이 연구는 세 가지 핵심 질문을 제기한다. 첫째, 일반 목적 시계열 기초 모델이 의료용 EEG 분석에 적용 가능할까? 둘째, 이러한 모델이 실제 임상 과업에서 전용 모델과 동등하거나 우수한 성능을 낼 수 있을까? 셋째, 사전 학습된 모델이 추출한 특징이 연령, 발작, 특정 이벤트와 같은 바이오마커를 주파수 대역별로 어떻게 반영하는가?

모델 선택은 최신 기초 모델인 MOMENT(40 M 파라미터), UniTS(8 M), OTiS(7 M)를 포함한다. OTiS는 640 k개의 시계열 샘플(ECG, 날씨, 오디오, 엔지니어링, EEG 등)에서 사전 학습되었으며, 동일 구조를 유지하면서 EEG 전용 데이터(3 k 샘플)만으로 재학습한 OTiS EEG도 비교 대상으로 두었다.

데이터셋은 LEMON(연령 예측, 378명, 250 Hz), Epilepsy(발작 탐지, 11 500 샘플, 174 Hz), TUEV(다중 클래스 이벤트, 112 237 샘플, 200 Hz)로 구성돼 있다. 각 과업에 대해 5가지 시드와 교차 검증을 수행했으며, 회귀는 R², 분류는 정확도와 균형 정확도로 평가했다.

도메인 적응 전략은 세 가지로 나뉜다. Zero‑Shot(ZS)에서는 사전 학습된 가중치를 고정하고 평균 토큰을 전역 표현으로 사용해 코사인 유사도로 클래스 예측을 수행한다. Linear Probing(LP)은 고정된 모델 위에 선형 레이어만 학습한다. Fine‑Tuning(FT)은 전체 모델을 재학습한다.

실험 결과는 다음과 같다. 연령 예측에서는 FT가 필수적이며, LP만으로는 충분한 성능을 얻지 못한다. 반면 발작 탐지와 이벤트 분류에서는 ZS와 LP도 경쟁력 있는 정확도를 보였으며, 특히 대규모 TUEV에서는 FT가 약간의 향상만을 제공한다. 전용 EEG 모델(예: BIO‑T, LaBraM)과 비교했을 때, 일반 목적 모델은 대부분의 경우 비슷하거나 약간 높은 성능을 기록했다. 특히 OTiS와 OTiS EEG의 차이를 통해 이질적 데이터에서의 사전 학습이 실제 EEG 특성 학습에 긍정적 영향을 미침을 확인했다.

주파수 대역 분석(PCA 및 밴드별 성능)에서는 연령 정보가 베타·감마 대역에, 발작 관련 특징이 델타·세타 대역에 집중되는 것을 발견했다. 이는 기존 문헌과 일치한다. 또한, 저역 필터링(≤40 Hz) 시 발작 탐지 성능이 급격히 감소함을 보여, 고주파 대역이 중요한 역할을 함을 시사한다.

전반적으로 이 논문은 (1) 일반 목적 시계열 기초 모델이 제한된 의료 데이터에서도 유용한 특징을 학습한다, (2) 도메인 적응이 과업 복잡도에 따라 선택적으로 필요하다, (3) 모델이 추출한 특징이 주파수 대역별 바이오마커와 연관돼 해석 가능성을 제공한다는 세 가지 주요 인사이트를 제공한다.