스펙트럼 전문가 혼합 기반 뇌전도 디코딩 모델

본 연구는 EEG 신호의 복잡한 시공간‑주파수 패턴을 효과적으로 학습하기 위해 새로운 사전학습 마스크와 계층적 모델 구조, 그리고 전문가 혼합 메커니즘을 제안한다. 기존 EEG foundation model은 주로 원시 시계열 혹은 스펙트럼에 사각형 마스크를 적용해 고주파 정보에 편향되는 경향이 있었으며, 저주파 리듬은 마스크가 없는 영역을 통해 쉽게 추론되어 학습 효율이 떨어졌다. 이를 극복하고자 저자들은 STFT 기반 스펙트로그램에 Gaussian‑스무딩 마스크를 적용한다. 마스크는 시간, 주파수, 그리고 시간‑주파수 2차원 Gaussian 블롭 형태로 구성되며, 마스크 비율 ρ=0.5까지 반복적으로 적용한다. σ_f와 σ_t는 각각 전체 주파수·시간 범위의 5%로 설정해 부드러운 전이를 제공한다. 특히 마스크 중심의 50%를 EEG의 주요 생리학적 밴드(δ, θ, α, β)에 강제 배치함으로써 저주파 리듬에 대한 모델의 민감도를 높이고, 저주파 정보 누출을 방지한다. 마스크가 적용된 STFT 스펙트로그램은 역 STFT(iSTFT)를 통해 손상된 시계열 신호 ˆx 로 복원되며, 이는 SpecHi‑Net의 입력으로 사용된다. SpecHi‑Net은 U‑Net 형태의 인코더‑디코더 구조를 갖추고, 세 단계의 다운샘플링(Down 1~3)과 업샘플링(Up 1~3)으로 구성된다. 각 다운샘플링 단계는 듀얼‑패스 컨볼루션을 사용한다. 하나는 작은 커널(짧은 마이크로스테이트)로 빠른 변화를 포착하고, 다른 하나는 큰 커널·확장(디레이트) 컨볼루션으로 장기 진동을 학습한다. 이 두 경로의 특징은 채널 차원에서 결합되며, 전역 의존성을 포착하기 위해 RoPE 기반 글로벌 트랜스포머 레이어가 삽입된다. 채널 절대 위치를 인코딩하지 않아 채널 수 변화에 강인한 설계가 된다. 디코더는 스킵 연결을 통해 인코더의 다중 해상도 특징을 재활용하고, Up 1, Up 2, Up 3 단계에서 각각 중간 재구성 신호 x̂₁, x̂₂와 최종 재구성 ˜x₁, ˜x₂를 생성한다. 손실 함수는 시간 도메인 L1/L2 손실, 스펙트럼 도메인 손실, 그리고 다중 레벨 재구성 손실을 결합한 다중 목표 손실로 구성되어, 신호의 구조적·생리학적 일관성을 동시에 최적화한다. 대규모 사전학습 효율성을 위해 전체 데이터셋을 세 개의 서브셋으로 분할하고, 각각 독립적인 전문가 모델(Expert 1~3)을 학습한다. 이후 SpecMoE는 각 전문가의 출력을 입력 신호의 파워 스펙트럼 밀도(PSD)를 기반으로 학습된 스펙트럼 게이팅 MLP에 의해 가중합한다. 이 gating 메커니즘은 주파수 특성에 따라 전문가를 동적으로 선택·조합함으로써 도메인·과제 특이성을 효과적으로 반영한다. 실험에서는 인간과 마우스 EEG 9개 벤치마크(수면 단계, 감정 인식, 운동 이미지, 이상 신호 탐지, 약물 효과 예측 등)를 대상으로 기존 최고 성능 모델(EegPT, CBraMod, Uni‑NTFM 등)과 비교하였다. SpecMoE는 평균 정확도·F1 점수에서 모두 우수한 결과를 보였으며, 특히 저주파 중심 과제(수면 단계, 약물 효과)에서 기존 모델 대비 3~5%p 향상을 기록했다. 교차 종 일반화 실험에서는 인간 데이터로 사전학습한 모델이 마우스 데이터에 그대로 적용될 때도 85% 이상의 정확도를 유지, 종간 전이 학습 가능성을 입증했다. 본 논문의 주요 기여는 다음과 같다. 첫째, Gaussian‑스무딩 마스크를 통한 저주파·고주파 균형 학습으로 기존 마스크의 편향을 해소하였다. 둘째, 다중 스케일·듀얼‑패스 컨볼루션과 글로벌 트랜스포머를 결합한 SpecHi‑Net을 설계해 시공간‑주파수 복합 패턴을 효과적으로 추출하였다. 셋째, PSD 기반 스펙트럼 게이팅 MoE 프레임워크를 도입해 전문가 모델을 동적으로 조합함으로써 도메인·과제 적응성을 강화하였다. 넷째, 인간·마우스 데이터 모두에서 종간·피험자 일반화를 검증하는 포괄적인 평가 프로토콜을 제공하였다. 이러한 혁신은 차세대 EEG 기반 뇌‑컴퓨터 인터페이스, 임상 진단, 그리고 다종 데이터 통합 연구에 중요한 기반을 제공한다.