감독 대조 학습으로 향상된 EEG 기반 공중 필기 인식

초록

본 연구는 EEG 기반 공중 필기 인식에 감독 대조 학습(Supervised Contrastive Learning, SCL)을 적용하여, 기존 교차 엔트로피 기반 학습보다 표현 학습 효율을 높이고 분류 정확도를 크게 향상시켰다. 5명의 피험자로부터 수집한 전처리 EEG와 ICA 파생 신경 성분을 각각 입력으로 사용했으며, EEGNet과 DeepConvNet 두 가지 CNN 구조를 SCL과 전통적인 교차 엔트로피 학습으로 비교하였다. 결과는 전처리 EEG에서 평균 정확도가 33.45%→43.77%, 29.14%→38.06%로, ICA 성분에서는 49.21%와 43.32%까지 상승함을 보여준다.

상세 분석

이 논문은 EEG 기반 공중 필기 인식이라는 고난이도 BCI 과제에 감독 대조 학습(Supervised Contrastive Learning, 이하 SCL)을 도입함으로써, 신호‑대‑노이즈 비가 낮고 피험자 간 변동성이 큰 EEG 데이터의 표현 학습을 강화한다는 점에서 의미가 크다. 먼저, 31채널, 500 Hz로 수집된 Neur‑oAIR 데이터셋을 사용해 전처리 단계에서 평균 기준 재참조, 0.5‑45 Hz 밴드패스 필터링, ICA를 통한 아티팩트 제거를 수행하였다. 전처리된 원시 EEG와 ICA로 분리된 독립 성분 두 종류를 각각 31 × 1500 형태의 고정 길이 시계열로 만든 뒤, z‑score 정규화한다.

SCL 프레임워크는 두 단계 학습 프로토콜을 채택한다. 1단계에서는 인코더(EEGNet 혹은 DeepConvNet)와 128‑차원 투사 헤드(projection head)를 결합해, 동일 클래스 샘플 간 내적을 최대화하고 이질 클래스 샘플 간 내적을 최소화하는 Sup‑Contrastive loss를 Adam 옵티마이저와 온도 파라미터 τ로 최적화한다. 이 과정은 클래스 내 응집력과 클래스 간 분리도를 직접 형성하므로, 전통적인 교차 엔트로피가 주로 결정 경계에만 초점을 맞추는 것과 근본적으로 차별화된다. 2단계에서는 투사 헤드를 제거하고, 고정된 인코더 출력에 26‑노드 소프트맥스 분류기를 부착해 교차 엔트로피 손실로 미세 조정한다. 이렇게 하면 추론 시 모델 복잡도는 기존 CNN과 동일하게 유지되면서, SCL이 만든 풍부한 임베딩을 활용할 수 있다.

두 CNN 구조는 각각 특화된 설계가 있다. EEGNet은 시간‑채널 2‑단계 컨볼루션(Temporal Conv → Depth‑wise Spatial Conv)과 separable conv를 통해 파라미터를 최소화하면서도 공간‑시간 패턴을 포착한다. DeepConvNet은 연속적인 Conv‑BatchNorm‑ELU‑MaxPool 블록을 쌓아 점진적으로 필터 수를 늘려, 보다 깊은 추상화를 제공한다. 두 모델 모두 동일한 SCL 파이프라인에 적용돼, 인코더 역할만 수행하고 투사 헤드와 분류 헤드만 교체한다는 점이 실험 설계의 일관성을 보장한다.

실험은 피험자별 5‑fold 교차 검증을 사용했으며, 미니배치 크기 32, 조기 종료(Early Stopping) 등을 동일하게 적용했다. 결과 표는 전처리 EEG와 ICA 두 입력에 대해 각각 교차 엔트로피와 SCL을 적용했을 때의 평균 정확도를 제시한다. 전처리 EEG에서는 EEGNet이 33.45%→43.77%(+10.32%p), DeepConvNet이 29.14%→38.06%(+8.92%p)로 상승했으며, ICA 성분에서는 EEGNet이 49.21%까지, DeepConvNet이 43.32%까지 도달했다. 특히 ICA 기반 입력이 SCL 효과를 더 크게 끌어올린 점은, ICA가 잡음과 아티팩트를 효과적으로 제거해 보다 순수한 신경 신호를 제공함을 시사한다.

이러한 결과는 SCL이 EEG와 같은 저차원, 고노이즈 데이터에서 클래스 간 구분을 강화하고, 기존 CNN 기반 BCI 시스템의 한계를 보완할 수 있음을 입증한다. 다만, 피험자 수가 5명에 불과하고, 실시간 적용 가능성, 온도 파라미터 τ와 배치 크기 등 하이퍼파라미터에 대한 민감도 분석이 부족하다는 점은 향후 연구에서 보완해야 할 과제로 남는다.