뇌전기 신호를 위한 기초 모델 벤치마크 Brain4FMs

초록

Brain4FMs는 EEG·iEEG 기반 뇌기초 모델(BFM)의 학습·평가를 일관되게 수행할 수 있도록 15개 모델과 18개 공개 데이터셋을 통합한 오픈 벤치마크 플랫폼이다. 저자들은 셀프‑슈퍼바이즈드 러닝(SSL) 방법을 대비·생성·혼합 등 세 가지 패러다임으로 정리하고, 패치‑레벨·시퀀스‑레벨 전처리 방식을 제시한다. 표준화된 전처리·교차‑주제 leave‑subject‑out 파인튜닝 프로토콜을 적용해 모델 규모, 사전학습 데이터, SSL 전략이 다운스트림 분류 성능에 미치는 영향을 체계적으로 분석한다.

상세 분석

본 논문은 뇌전기 신호 분야에서 급증하고 있는 기초 모델(Foundation Model, FM)의 체계적 정리와 객관적 비교를 목표로 한다. 첫 번째 축은 모델 관점에서 SSL을 “대조 기반(Contrastive)”, “생성 기반(Generative)”, “혼합·예측 기반(Hybrid/Explicit Predictive)”의 세 가지 패러다임으로 분류한다. 대조 기반은 데이터 증강·시간‑예측·다중 모달 정합을 포함하며, 특히 EEG·iEEG의 다채널 특성을 살린 채널‑레벨 증강과 부정 샘플 구성이 핵심이다. 생성 기반은 마스크드 오토인코더, VQ‑VAE, 자동회귀(Auto‑Regressive) 모델을 포괄하며, 시계열 복원·다중 스펙트럼 마스킹을 통해 신호 구조를 보존한다. 혼합 방식은 대조와 재구성을 동시에 최적화하거나, 사전 정의된 신경학적 속성(예: 뇌파 단계, 채널 배치)을 예측하도록 설계돼, 보다 풍부한 표현 학습을 가능하게 한다.

두 번째 축은 데이터셋 관점이다. 저자들은 임상 진단(뇌전증, 알츠하이머 등), 수면 단계, 뇌‑컴퓨터 인터페이스, 정서 컴퓨팅 등 11개의 다운스트림 작업을 포괄하는 18개의 공개 데이터셋을 선정했다. 각 데이터셋은 채널 수, 샘플링 레이트, 레이블 종류가 다양해 모델의 일반화 능력을 다각도로 시험한다.

벤치마크 구현인 Brain4FMs는 표준 전처리 파이프라인(밴드패스·노치 필터, 다운샘플링, 이벤트 정렬, 채널 선택, Z‑스코어 정규화)을 제공하고, 사전학습된 모델 가중치를 백본으로 사용해 특징을 추출한다. 이후 교차‑주제 leave‑subjects‑out 방식으로 3:1:1 비율의 학습·검증·테스트 분할을 수행해, 실제 임상 현장에서 새로운 환자에게 적용 가능한 일반화 성능을 측정한다.

실험 결과, 모델 규모가 클수록(수백만~수억 파라미터) 전반적인 성능이 향상되지만, 사전학습 데이터의 도메인 일치도가 더 큰 영향을 미친다. 예를 들어, iEEG 기반 대규모 사전학습을 수행한 모델은 iEEG 데이터셋에서 뛰어난 성능을 보였으며, EEG‑전용 모델은 EEG 기반 작업에서 우위를 점했다. 또한, 대조 기반 모델은 데이터 증강 설계가 민감하게 작용해, 적절한 시간·주파수 변형이 없을 경우 성능이 급격히 저하되는 반면, 생성 기반 모델은 마스크 비율과 복원 목표 설정에 따라 안정적인 학습이 가능했다. 혼합 모델은 두 패러다임의 장점을 결합해, 특히 다중 모달 정합이 필요한 작업(예: 뇌‑컴퓨터 인터페이스)에서 최고 성능을 기록했다.

이와 같이, Brain4FMs는 모델·데이터·평가 프로토콜을 일관되게 정리함으로써, 연구자들이 SSL 전략, 아키텍처 선택, 사전학습 데이터 규모 등을 체계적으로 비교·검증할 수 있는 기반을 제공한다. 향후에는 더 많은 멀티모달 신호(EMG, fNIRS 등)와 대규모 실시간 스트리밍 환경을 포함해 벤치마크를 확장할 여지가 있다.