교차 피험자 전이 학습으로 실용적인 SSVEP 뇌‑컴퓨터 인터페이스 구현

본 논문은 실시간 고속 SSVEP 기반 뇌‑컴퓨터 인터페이스(BCI)의 실용성을 저해하는 주요 요인인 캘리브레이션 시간과 개인별 데이터 수집 부담을 경감시키기 위해, 교차 피험자 전이 학습 기법인 최소제곱 변환(LST)을 제안한다. 기존 SSVEP 디코딩 방법인 확장된 정준 상관 분석(CCA)이나 Task‑Related Component Analysis(TRCA)는 개인화된 템플릿과 공간 필터를 학습하기 위해 다량의 개인 데이터가 필요했으며, 이는 피험자마다 큰 변동성을 보이는 EEG 특성 때문에 필연적으로 긴 캘리브레이션 과정을 요구한다. **제안 방법 개요** LST는 다른 피험자들의 다채널 EEG 데이터를 새로운 사용자의 평균 템플릿에 맞추는 선형 변환 행렬 **P**(N_C × N_C)를 채널별 최소제곱 회귀로 추정한다. 구체적으로, 기존 피험자 i의 단일 트라이얼 **x̂_i**와 새로운 사용자의 평균 템플릿 **\bar{x}**를 이용해 각 채널에 대해 회귀식을 풀어 **P**를 구한다. 변환 후에는 **x̂_i^{trans}=P x̂_i**가 새로운 사용자의 템플릿과 거의 일치하도록 만든다. 이렇게 변환된 다수의 외부 데이터와 소수(1~5개)의 개인 템플릿을 결합해 TRCA 학습에 사용한다. TRCA는 각 자극 주파수에 대해 필터뱅크(5개 서브밴드)로 신호를 분해하고, 각 서브밴드별로 공간 필터 **w_{k,n}**를 최적화한다. 최종 디코딩은 각 서브밴드의 상관계수에 가중치를 부여해 합산한 뒤, 가장 높은 값을 가진 자극을 선택하는 방식이다. **실험 설계** - **데이터**: 8명의 피험자, 9채널(주로 후두부) EEG, 40개의 시각 자극(주파수 8.0 Hz~15.8 Hz, 위상 0, 0.5π, π, 1.5π)으로 구성된 5×8 매트릭스 키보드 사용. 각 피험자는 두 세션에 걸쳐 15 블록, 각 블록당 40번 자극, 각 자극 0.7 s, 인터스티뮬러 0.5 s. - **평가**: LOSO 교차 검증. 테스트 피험자에 대해 15 트라이얼을 5:10 비율로 템플릿/테스트 세트로 무작위 분할. 템플릿 수를 1~5개로 변동시켜 세 가지 학습 스킴(Baseline, w/o LST, w/ LST)을 비교. 각 조건을 10번 반복, 두 세션 모두 평가해 평균 정확도 산출. **결과** - **정확도**: Baseline은 템플릿 수가 1일 때 14.4 %에 불과했으나, LST 적용 시 70.5 %로 급상승. 템플릿 수가 5일 때는 Baseline 86.4 %에 비해 LST 89.1 %로 약간 우위. - **통계**: 두 요인(스킴, 템플릿 수) 모두 유의미한 주효과(F(2,119)=12.58, p<0.001; F(4,119)=10.32, p<0.001). 템플릿 수가 2 이상이면 w/ LST이 w/o LST보다 유의하게 우수(p<0.05). - **해석**: LST는 피험자 간 EEG 변동성을 효과적으로 보정해, 소수의 개인 템플릿만으로도 높은 디코딩 성능을 확보한다. 템플릿 수가 충분히 많아지면(≥5) 개인 데이터만으로도 거의 최적 성능에 도달하므로, 전이 학습의 이점은 감소한다. **논의 및 한계** - **실용성**: 최소 1~2개의 템플릿(각 자극당 0.7 s)만으로도 실시간 스펠러 사용이 가능해, ‘플러그‑앤‑플레이’형 BCI 구현에 큰 진전을 제공한다. - **제한점**: 현재 실험은 동일한 하드웨어(9채널, 동일 전극 배치)와 동일한 시각 자극 세트에 한정되었다. 다른 헤드셋, 채널 수, 혹은 비정형 자극(예: 자연 이미지)에서는 변환 행렬 **P**의 일반화 가능성을 추가 검증해야 한다. 또한, LST는 선형 변환에 기반하므로 비선형 뇌 활동 차이를 완전히 보정하지 못할 가능성이 있다. **향후 연구** - 다양한 EEG 캡(예: 32채널, 무선)와 다른 주파수 범위에 대한 LST 적용 검증. - 실시간 적응형 LST 업데이트(온라인 회귀)로 장시간 사용 시 발생하는 피험자 내 변동성 보정. - 딥러닝 기반 비선형 전이 모델과 LST를 결합해 성능 한계 탐색. 결론적으로, LST는 교차 피험자 전이 학습을 통해 캘리브레이션 부담을 크게 낮추면서도 고속, 고정밀 SSVEP BCI를 구현할 수 있음을 입증하였다. 이는 실생활에서의 뇌‑컴퓨터 인터페이스 보급에 중요한 전환점이 될 것으로 기대된다.