EEG 기반 교차 피험자 운동 상상 인식을 위한 자기지도 대조 학습

초록 목적. 뇌-컴퓨터 인터페이스(BCI)에서 뇌파(EEG)의 광범위한 적용은 비침습적 특성과 고해상도 데이터를 제공하는 능력에 기인한다. EEG 신호 획득은 간단한 과정이지만, 이와 관련된 데이터셋은 종종 데이터 부족 문제를 보이며 적절한 라벨링에 많은 자원이 필요하다. 또한 EEG 신호에서 관찰되는 개인 간 변동성으로 인해 EEG 모델의 일반화 성능에 상당한 한계가 존재한다. 접근법. 이러한 문제를 해결하기 위해, 우리는 교차 피험자 시나리오에서 운동 상상(MI) 신호를 해독하기 위한 새로운 자기지도 대조 학습 프레임워크를 제안한다. 구체적으로, 컨볼루션 신경망과 어텐션 메커니즘을 결합한 인코더를 설계하였다. 대조 학습 훈련 단계에서 네트워크는 데이터 증강의 전제 작업을 통해 동형 변환 쌍 사이의 거리를 최소화하고 이형 변환 쌍 사이의 거리를 최대화하도록 훈련된다. 이는 훈련에 활용되는 데이터 양을 늘리고, 데이터의 실제 라벨에 의존하지 않고 원본 신호로부터 심층 특징을 추출하는 네트워크의 능력을 향상시킨다. 주요 결과. 본 프레임워크의 효능을 평가하기 위해 BCI IV IIa, BCI IV IIb, HGD의 세 가지 공개 MI 데이터셋에 대해 광범위한 실험을 수행하였다. 제안된 방법은 세 데이터셋에서 각각 67.32%, 82.34%, 81.13%의 교차 피험자 분류 정확도를 달성하였으며, 기존 방법들에 비해 우수한 성능을 보인다. 의의. 따라서 이 방법은 MI 기반 BCI 시스템에서 교차 피험자 전이 학습의 성능 향상에 큰 가능성을 가진다.