뇌파 기반 보행 디코딩을 위한 단계적 위상 인식 표현 학습 프레임워크

초록

NeuroDyGait은 EEG와 보행 동작을 연계하는 두 단계 모델로, 1단계에서는 상대 대비 학습과 교차‑Attention 기반 거리 측정을 통해 위상‑특이적인 EEG‑모션 임베딩을 학습하고, 2단계에서는 세션별 전용 헤드를 동적으로 혼합해 도메인 간 관계를 반영한다. GED와 FMD 두 데이터셋에서 기존 최첨단 모델을 크게 능가했으며, 실시간 요구를 만족하는 5 ms 이하 추론 지연과 해석 가능한 뇌 영역 시각화를 제공한다.

상세 분석

NeuroDyGait은 기존 EEG‑to‑gait 디코딩이 갖는 두 가지 근본적 한계—시간 연속성 무시와 도메인(세션·피험자) 간 관계 미반영—를 동시에 해결하도록 설계되었다. 첫 번째 단계인 Phase‑Aware Pretraining에서는 EEG 인코더와 모션 인코더가 각각 2 s 길이의 신호를 고차원 임베딩(z_e, z_m)으로 변환한다. 여기서 핵심은 “Relative Contrastive Learning”이다. 기존 대비 학습이 고정된 양·음성 쌍에 의존하는 반면, 본 방법은 배치 내 모든 샘플을 후보로 삼아 교차‑Attention 기반 거리 d(z_e, z_m) 를 계산하고, 소프트맥스 스케일링(η)으로 상대 유사도 순위를 정한다. 이 과정은 위상‑특이적인 미세 차이를 학습하게 하며, 동시에 재구성 손실(L_rec)과 최종 프레임 예측 손실(L_pred)을 결합해 시계열 연속성을 보존한다. 교차‑Attention은 query = W_q z_e, key/value = W_k/W_v z_m 형태로 구현돼, EEG와 모션 사이의 비선형 매핑을 학습하면서도 거리 계산을 L2‑norm 형태로 정규화한다는 점이 독창적이다.

두 번째 단계인 Domain‑Aware Decoding에서는 각 세션(또는 피험자)마다 별도 예측 헤드 h_s를 두고, 학습 중에 “Domain Scoring Network”가 각 헤드의 출력에 가중치 α_s를 부여한다. α는 도메인‑간 상관관계를 학습하도록 설계된 작은 MLP이며, 손실 L_df는 α가 실제 도메인 라벨과 일치하도록 지도한다. 이렇게 하면 세션 고유의 특성을 보존하면서도, 다른 세션의 정보를 가중 평균해 일반화 성능을 높인다. 실험 결과, unseen 피험자에 대한 MAE가 기존 EEG2GAIT 대비 12 %~18 % 개선됐으며, 추론 시간은 4.7 ms(윈도우당)로 실시간 BCI 요구를 충족한다.

시각화 측면에서는 교차‑Attention 가중치를 뇌 전두·두정 영역에 매핑해, 보행 주기(초기 착지, 스윙, 착지)별로 활성화 패턴이 구분되는 것을 확인했다. 이는 모델이 실제 신경생리학적 위상 정보를 활용하고 있음을 의미한다. 한편, 제한점으로는 현재 실험이 건강한 피험자 데이터에 국한돼 있어, 신경 손상 환자에 대한 직접 검증이 부족하고, 모달리티 확장을 위해 EMG·IMU와의 동시 학습이 아직 구현되지 않은 점을 들 수 있다. 향후 연구에서는 재활 환자 데이터셋을 확보하고, 멀티모달 통합 및 온라인 적응 학습을 통해 실시간 보조기구 제어에 적용하는 것이 목표다.