EEG 기반 보행 디코딩을 위한 계층형 그래프 컨볼루션 네트워크

초록

EEG2GAIT은 뇌전도(EEG) 신호로부터 하체 보행 동작을 정밀하게 예측하기 위해 설계된 새로운 딥러닝 프레임워크이다. 계층형 그래프 컨볼루션 네트워크(Hierarchical GCN Pyramid)를 이용해 EEG 채널 간의 복합적인 공간 관계를 다중 레벨 임베딩으로 추출하고, 하이브리드 시간‑스펙트럼‑보상(HTSR) 손실 함수를 통해 시간·주파수·보상 세 요소를 동시에 최적화한다. 50명의 참가자를 대상으로 만든 GED 데이터셋과 공개 MoBI 데이터셋에서 각각 r = 0.959 / 0.779, R² = 0.914 / 0.597, MAE = 0.193 / 4.384의 우수한 성능을 달성했으며, 통계적 검증과 소거 실험을 통해 제안 모듈들의 기여도를 확인하였다.

상세 분석

EEG2GAIT은 기존 EEG‑기반 운동 디코딩 연구가 갖는 두 가지 근본적인 한계를 동시에 해결한다. 첫째, EEG 채널을 정적인 하나의 인접 행렬로만 표현하던 기존 그래프 신경망은 뇌 영역 간의 동적 연결 변화를 포착하지 못했다. 본 논문은 Graph Construction Module(GCM)에서 초기 물리적 거리 기반 인접 행렬을 사용하되, 학습 과정에서 이를 지속적으로 업데이트하도록 설계하였다. 이를 통해 각 시간 윈도우마다 변하는 기능적 연결성을 반영할 수 있다. 둘째, 전통적인 회귀 손실(MSE, MAE)은 큰 오차에만 집중하고 작은 오차를 무시하는 경향이 있다. HTSR 손실은 MSE(시간 도메인), Time‑Frequency Loss(시간‑주파수 스펙트럼), Reward Loss(잘 예측된 샘플에 대한 보상) 세 부분을 가중합으로 결합한다. 특히 Reward Loss는 예측이 정확한 구간에서도 그래디언트를 유지하도록 설계돼, 미세한 보행 변동성을 학습하도록 유도한다.

모델 구조는 크게 일곱 단계로 나뉜다. Local Temporal Learner(LTL)는 1‑D ConvNet으로 각 채널의 로컬 시계열 특징을 추출하고, 이를 그래프 형태로 변환한다. Hierarchical GCN Pyramid(HGP)은 두 단계의 그래프 인코더를 쌓아 저‑레벨(채널 간 근접 연결)과 고‑레벨(전반적 네트워크 토폴로지) 임베딩을 동시에 학습한다. 두 인코더는 독립적인 가중치와 인접 행렬을 갖으며, 출력은 Fusion Layer에서 결합된다. Global Spatial Learner(GSL)는 depth‑wise Conv를 활용해 전체 채널에 걸친 전역 공간 패턴을 효율적으로 학습하고, 이후 Feature Fusion Layer에서 시간‑공간 특징을 통합한다. 마지막으로 Global Temporal Learner(GTL)는 멀티‑헤드 셀프‑어텐션을 적용해 장기 의존성을 모델링하고, Output Layer는 제한된 가중치(Constrained Weights)를 사용해 관절 각도 시계열을 직접 회귀한다.

실험 결과는 두 데이터셋 모두에서 기존 최첨단 모델(LSTM, CNN‑based, 단일‑GCN 등)을 크게 앞선다. GED에서는 r = 0.959, R² = 0.914, MAE = 0.193이라는 거의 완벽에 가까운 상관관계와 설명력을 보였으며, MoBI에서는 r = 0.779, R² = 0.597, MAE = 4.384으로 실시간 보행 분석에 충분한 정확도를 제공한다. 통계적 유의성 검증(p < 0.01)과 함께, Ablation Study에서는 (1) HGP 제거 시 r가 0.030.07 감소, (2) HTSR 손실을 MSE로 교체했을 때 MAE가 1218% 상승함을 확인했다. Saliency Map 분석은 전두엽, 중심후두부, 그리고 보행 관련 β‑리듬이 강하게 활성화됨을 보여, 모델이 실제 신경생리학적 메커니즘을 반영하고 있음을 시사한다.

이 논문의 주요 공헌은 (1) 동적 그래프 구조와 다중 레벨 공간 임베딩을 결합한 Hierarchical GCN Pyramid, (2) 시간·주파수·보상을 동시에 최적화하는 HTSR 손실, (3) 50명·2회 방문으로 구성된 대규모 고품질 GED 데이터셋 제공이다. 특히 HTSR 손실은 보행과 같이 연속적인 미세 변동을 중요시하는 시계열 회귀 문제에 일반화 가능성이 높으며, 향후 다른 생체 신호(EMG, fNIRS 등)에도 적용될 여지가 있다. 다만 현재 모델은 100 Hz 샘플링에 최적화돼 있어 고해상도(>500 Hz) EEG나 실시간 임베디드 시스템에 적용하려면 경량화와 연산 최적화가 필요하다. 전반적으로 EEG2GAIT은 뇌‑컴퓨터 인터페이스(BCI) 기반 하체 재활 로봇, 외골격, 그리고 보행 보조 장치 개발에 실질적인 기술적 토대를 제공한다.