EEG 비지도 라벨 이동 적응을 위한 SPDIM

초록

EEG는 시간에 따라 분포가 변하고, 라벨 비율도 달라질 수 있어 기존의 SPD 기반 정렬 방법만으로는 일반화가 어렵다. 논문은 라벨 이동을 포함한 비지도 도메인 적응 상황을 모델링하고, 정보 최대화 원리를 이용해 각 타깃 도메인마다 하나의 SPD 제약 파라미터를 최적화하는 SPDIM을 제안한다. 실험 결과, SPDIM은 기존 방법보다 라벨 이동과 조건부 변화를 동시에 보정하며 BCI와 수면 단계 데이터에서 우수한 성능을 보인다.

상세 분석

본 논문은 EEG 신호의 비정상성(시간·피험자에 따른 분포 이동)과 라벨 이동(label shift)이라는 두 가지 주요 문제를 동시에 다루는 최초의 연구 중 하나이다. 기존 연구에서는 주로 SPD(대칭 양정정 행렬) 공간에서 Fréchet 평균과 분산을 정렬하는 Riemannian 통계적 방법(RCT+TSM 등)이 사용되었으며, 이는 선형 혼합 모델에 대해 불변성을 제공한다. 그러나 이러한 방법은 라벨 분포가 달라지는 상황에서 마진 정렬이 오히려 성능을 저하시킬 수 있다는 점을 논문은 이론적으로 증명한다.

핵심 기여는 다음과 같다.

1. 현실적인 생성 모델: EEG epoch를 선형 혼합(A_j)과 로그-선형 관계를 갖는 잠재 소스 공분산(E_i)으로 모델링하고, 라벨에 따라 로그공간 벡터 s_i = B·(1_{y_i}−π_j)+ε_i 로 생성한다. 여기서 π_j는 도메인별 라벨 사전확률이며, B는 라벨 정보를 첫 D 차원에만 포함하도록 설계된 희소 행렬이다. 이 모델은 라벨 이동과 조건부 변화를 동시에 설명한다.
2. 이론적 분석: Proposition 1을 통해 무한 샘플 한계에서 각 도메인의 Fréchet 평균이 항등 행렬 I_P 로 수렴함을 보이고, Proposition 2에서는 RCT+TSM이 조건부 변환(A_j)만 보정하고 라벨 이동이 존재하면 편향을 남긴다는 것을 증명한다. 이는 기존 방법이 라벨 이동에 취약함을 수학적으로 뒷받침한다.
3. SPDIM 설계: 라벨 이동에 의해 발생하는 편향을 보정하기 위해 도메인별 SPD 파라미터 Φ_j ∈ S⁺_D 를 도입한다. 정보 최대화(Information Maximization, IM) 손실을 사용해 Φ_j 를 학습함으로써, 정렬된 공분산을 추가적인 양변 변환 Φ_j^{1/2}··Φ_j^{1/2} 로 조정한다. 이 과정은 Riemannian 기하학 상에서 SPD 제약을 유지하면서도 파라미터 수를 1개로 제한해 효율성을 확보한다.
4. 실험 설계: (i) 합성 데이터에서 제안한 생성 모델에 따라 라벨 이동과 조건부 변환을 조절해 SPDIM이 두 변화를 모두 보정함을 확인했으며, (ii) 공개 BCI 데이터셋(예: Motor Imagery)과 수면 단계 데이터셋에서 다중 소스·다중 타깃 설정을 적용해 기존 RCT+TSM, CORAL, MMD 기반 방법, 그리고 최신 라벨 이동 적응 기법들과 비교하였다. 모든 경우에서 SPDIM이 평균 정확도·F1 점수에서 유의미하게 우수했다.
5. 파라미터 효율성: 각 타깃 도메인당 하나의 SPD 파라미터만 학습하므로 메모리와 연산량이 기존 전체 매트릭스 변환을 학습하는 방법에 비해 10배 이상 절감된다. 또한, Riemannian 최적화는 Manopt 라이브러리를 이용해 수렴이 빠르고 안정적이다.

이러한 기여는 EEG와 같이 고차원 SPD 특성을 갖는 바이오시그널 분야에서 라벨 이동을 포함한 비지도 도메인 적응을 실용적으로 구현할 수 있는 길을 열어준다. 특히, 수면 단계와 같은 라벨 비율이 크게 변동하는 임상 응용에 바로 적용 가능하다는 점이 큰 장점이다.