채널 자동회귀 인코딩을 통한 바이오신호 고해상도 복원

초록

CAFE는 저밀도( LD) 센서 배열에서 관측된 채널을 시작점으로, 채널을 거리 기반으로 그룹화하고 단계별 자동회귀 롤아웃을 수행한다. 하나의 공유 예측기(MLP·Conv·Transformer 등)를 재사용해 각 단계마다 현재까지 복원된 채널과 LD 앵커만을 입력으로 사용함으로써 지역 구조를 먼저 학습하고, 이후 점차 비국소 상호작용을 도입한다. 교사 강제와 epoch‑level 스케줄드 샘플링을 통해 노출 편향을 완화하고, 병렬 연산을 가능하게 한다. 4가지 바이오신호(EEG, EMG, ECoG, ECG) 6개 데이터셋에서 기존 5개 베이스라인 대비 NMSE, PCC, SNR 등 모든 평가 지표에서 일관된 향상을 보이며, 백본에 독립적인 플러그‑인 특성을 입증한다.

상세 분석

CAFE는 기존의 전역 채널 혼합 방식이 갖는 두 가지 근본적인 문제—희소·노이즈가 많은 LD 입력에서 비국소 상호작용이 불안정하게 전파되는 현상과, 전역 어텐션이 언제, 어떤 채널 간 의존성을 활용할지 제어할 수 없는 점—을 해결하기 위해 ‘채널‑그룹 자동회귀’라는 새로운 디코딩 패러다임을 제시한다. 구체적으로, 원본 고밀도(HD) 전극 좌표를 기준으로 각 누락 채널의 평균 거리 d(u)를 계산하고, 이를 오름차순 정렬한 뒤 사전에 정의된 비율(β1=1/6, β2=1/2)로 연속적인 G=3개의 그룹으로 분할한다. 이렇게 정의된 그룹은 물리적 근접성에 따라 순차적으로 복원되며, 초기 단계에서는 LD 앵커와 가장 가까운 채널만을 이용해 지역 구조를 학습한다.

롤아웃 과정은 하나의 공유 예측기 fθ(θ는 백본 파라미터)와 마스크된 입력 Cg를 사용한다. Cg는 현재까지 복원된 채널(Vg = L ∪ ⋃_{k<g}Uk)만을 활성화한 마스크 M_g와 이전 단계의 출력 eX(g‑1)을 원소별 곱셈으로 결합해 만든다. fθ는 이 입력을 받아 전체 채널 차원의 추정값 bX(g)를 출력하고, 그 중 현재 목표 그룹 Ug에 해당하는 부분만을 실제 출력으로 채택한다. 이 과정을 G번 반복하면 최종 HD 신호 bX_H가 완성된다.

학습 단계에서는 ‘교사 강제(teacher forcing)’를 적용해 이전 그룹을 모두 정답(ground‑truth)으로 채워 넣음으로써 각 단계가 깨끗한 컨텍스트에서 최적의 매핑을 학습하도록 한다. 그러나 테스트 시에는 모델 자체 예측으로 히스토리를 구성해야 하므로 ‘노출 편향(exposure bias)’이 발생한다. 이를 완화하기 위해 CAFE는 epoch‑level 스케줄드 샘플링을 도입한다. 매 epoch마다 이전 epoch에 저장된 예측 히스토리(¯X^{(e‑1)})와 실제 정답을 Bernoulli(π) 확률(π=0.95)로 섞어 현재 epoch의 입력으로 사용한다. 이 설계는 각 단계의 입력을 사전에 모두 구성할 수 있게 해 병렬 연산을 가능하게 하면서도, 점진적으로 모델 자체 예측에 의존하도록 유도한다.

플러그‑인 특성은 fθ가 시간‑시계열 백본(MLP, depthwise‑separable Conv, Transformer) 어느 것이든 교체 가능하도록 설계된 데 있다. 실험에서는 동일한 그룹‑분할·롤아웃 스케줄을 유지한 채 세 가지 백본을 각각 적용했으며, 모두 원본 모델 대비 NMSE 감소, PCC 상승, SNR 향상을 기록했다. 특히 고밀도 EEG와 ECoG와 같이 채널 수가 많고 공간적 상관성이 강한 데이터셋에서 자동회귀 롤아웃에 의한 상대적 개선폭이 가장 크게 나타났다.

다양한 업샘플링 비율(2×12×)과 네 가지 LD 레이아웃을 사용해 6개 공개 데이터셋을 평가했으며, 평균 NMSE, PCC, SNR 외에도 EEG‑FID(프리트레인된 EEGNet 기반), 스펙트럼 MAE, 그리고 다운스트림 분류·감정 인식 정확도까지 종합적으로 측정했다. 모든 지표에서 CAFE가 5개 기존 베이스라인(전통적 보간, 피처 매핑, GAN·Diffusion 기반 모델 등)을 앞섰다. 특히, ‘원-패스’ 출력에 자동회귀 롤아웃을 추가했을 때 평균 NMSE가 30% 이상 감소하고, SNR이 1030dB 상승하는 등 실질적인 신호 품질 향상이 확인되었다.

요약하면, CAFE는 (1) 물리적 거리 기반 채널 그룹화로 지역‑우선 의존성을 명시적으로 제어, (2) 공유 예측기를 통한 파라미터 효율성, (3) 교사 강제와 스케줄드 샘플링을 결합한 노출 편향 완화, (4) 백본 독립적인 플러그‑인 설계라는 네 가지 핵심 요소를 결합해, 저밀도 바이오신호 환경에서도 고품질 HD 복원을 가능하게 만든 혁신적인 프레임워크라 할 수 있다.