뇌 로봇 손 움직임 디코딩을 위한 코파일럿 보조 2차 사고 프레임워크

본 논문은 비침습적 뇌‑컴퓨터 인터페이스(BCI)에서 EEG 신호만을 이용해 손의 3차원 운동학을 예측하는 문제를 다루며, 기존의 CNN·RNN 기반 접근법이 장기 시계열 정보를 충분히 포착하지 못한다는 한계를 지적한다. 이를 해결하기 위해 저자들은 CNN과 Transformer‑style self‑attention을 결합한 하이브리드 모델을 설계하였다. 모델은 먼저 다중 컨볼루션 블록을 통해 시간적 특징을 다중 스케일로 추출하고, Squeeze‑and‑Excitation(SE) 블록으로 채널 중요도를 재조정한다. 이어서 임베딩 블록에서 채널·시간 차원을 토큰화하고, 단일 self‑attention 레이어와 멀티‑헤드 메커니즘을 적용해 토큰 간 장거리 의존성을 학습한다. 마지막으로 전역 평균 풀링·레이어 정규화·완전 연결층을 거쳐 3차원 좌표(인덱스 손가락·엄지 중점)를 출력한다. 데이터는 WAY‑EEG‑GAL 데이터셋을 사용했으며, 12명의 피험자가 각각 328번의 grasp‑and‑lift 작업을 수행해 32채널 EEG, 5채널 EMG, 그리고 손·물체의 3D 위치 데이터를 기록하였다. 전처리 단계에서는 EEG를 0.1‑40 Hz 밴드패스와 공통 평균 참조(CAR)로 정제하고, EMG는 20‑450 Hz 필터링 후 500 Hz로 다운샘플링하였다. 운동학 데이터는 최소‑최대 정규화로