Balancing Interpretability and Performance in Motor Imagery EEG Classification: A Comparative Study of ANFIS-FBCSP-PSO and EEGNet

이 논문은 BCI Competition IV-2a 데이터셋을 기반으로 해석 가능한 ANFIS-FBCSP-PSO 모델과 EEGNet 을 비교하여, 단일 사용자 환경에서는 전자가, 사용자 간 일반화 성능에서는 후자가 우세함을 입증함으로써 MI-BCI 시스템 설계 시 해석성과 강건성 중 어떤 목표를 우선시할지에 대한 실용적 지침을 제시합니다.

핵심

🧠 배경: 생각으로 조종하는 마법

우리가 손이나 발을 움직이지 않고도 "왼손을 움직인다"고 상상만 하면, 뇌에서는 특정 전기 신호가 발생합니다. 이 신호를 읽어내어 휠체어나 로봇 팔을 움직이게 하는 것이 BCI 입니다. 하지만 문제는 사람마다 뇌 신호가 다르고, 잡음도 많아서 정확한 해석이 어렵다는 점입니다.

이 연구는 이 문제를 해결하기 위해 두 명의 '선수'를 데려와 경기를 시켰습니다.

🥊 두 명의 선수: "규칙의 달인" vs "직관의 천재"

1. 선수 A: ANFIS-FBCSP-PSO (규칙의 달인)

• 특징: 이 모델은 수학적인 규칙과 논리를 기반으로 합니다.
• 비유: 마치 "정교한 레시피를 가진 요리사"입니다.
  • 먼저 뇌파를 여러 주파수 대역으로 잘게 썹니다 (재료 준비).
  • 그리고 "만약 A 주파수가 높고 B 주파수가 중간이면 → '오른손'으로 간주한다"는 **명확한 규칙 **(IF-THEN)을 만들어냅니다.
  • 이 규칙을 가장 잘 작동하도록 '입자 군집 최적화 (PSO)'라는 기술을 써서 다듬습니다.
• 장점: 왜 그렇게 판단했는지 이유를 100% 설명할 수 있습니다. (예: "오른손으로 생각한 게 맞아요. 왜냐하면 A 주파수가 높았기 때문이죠.")
• 단점: 사람마다 뇌 신호가 다르기 때문에, 한 사람에게 완벽하게 맞춘 레시피는 다른 사람에게는 실패할 수 있습니다.

2. 선수 B: EEGNet (직관의 천재)

• 특징: 이 모델은 **딥러닝 **(인공지능)을 사용합니다.
• 비유: 마치 "수만 번의 연습을 통해 감각을 익힌 프로 요리사"입니다.
  • 레시피나 규칙을 따로 만들지 않습니다. 대신 뇌파 데이터 자체를 수없이 많이 보고, 스스로 패턴을 찾아냅니다.
  • "이런 모양의 신호가 나오면 오른손이야!"라고 직관으로 판단합니다.
• 장점: 처음 보는 사람 (데이터) 에게도 적응력이 뛰어나고 성능이 안정적입니다.
• 단점: 왜 그렇게 판단했는지 이유를 설명하기 어렵습니다. (블랙박스 문제: "그냥 느낌이 그렇게 들었어요"라고만 답할 수 있습니다.)

---

🏆 경기 결과: 어떤 상황에서 누가 이길까?

연구진은 이 두 모델을 두 가지 상황으로 테스트했습니다.

상황 1: 같은 사람과 함께할 때 (Within-Subject)

• 상황: 요리사가 자신에게 익숙한 한 명의 손님을 위해 요리할 때.
• 결과: **규칙의 달인 **(ANFIS)이 조금 더 잘했습니다. (정확도 약 68.6% vs 63.8%)
• 이유: 특정 사람의 뇌 신호 패턴을 분석해서 맞춤형 규칙을 만들었기 때문에, 그 사람에게는 매우 정교하게 작동했습니다.
• 의미: 개인 맞춤형 BCI를 만들고 싶다면, 설명 가능한 규칙 기반 모델이 유리할 수 있습니다.

상황 2: 모르는 사람들과 함께할 때 (Cross-Subject)

• 상황: 요리사가 처음 보는 다양한 손님들을 위해 요리할 때.
• 결과: **직관의 천재 **(EEGNet)가 조금 더 잘했습니다. (정확도 약 68.2% vs 65.7%)
• 이유: 딥러닝 모델은 다양한 사람의 데이터를 학습했기 때문에, 새로운 사람의 뇌 신호에도 유연하게 적응했습니다.
• 의미: 대중적으로 쓸 수 있는 BCI를 만들고 싶다면, 설명은 어렵지만 범용성이 좋은 딥러닝 모델이 나을 수 있습니다.

---

💡 결론: 무엇을 선택해야 할까?

이 연구는 "어느 것이 무조건 더 낫다"라고 말하지 않습니다. 대신 목표에 따라 선택하라고 조언합니다.

1. **"왜 그렇게 판단했는지"가 중요하다면 **(의료, 연구, 개인 맞춤)

   • ANFIS-FBCSP-PSO를 선택하세요.
   • 의사나 환자가 "왜 이 명령이 실행되었는지" 이해할 수 있어야 신뢰를 줄 수 있을 때 좋습니다.

2. **"누구나 잘 작동하는 것"이 중요하다면 **(상용 제품, 대규모 시스템)

   • EEGNet을 선택하세요.
   • 설명은 어렵지만, 다양한 사용자에게 일관된 성능을 보여주기 때문에 확장성이 좋습니다.

🚀 미래는?

연구자들은 앞으로 이 두 가지의 장점을 합친 "하이브리드 모델"을 개발하려고 합니다. 마치 "규칙을 이해하면서도 직관적인 감각도 가진 슈퍼 요리사"를 만드는 것처럼, 설명도 잘되고 성능도 뛰어난 새로운 기술을 만들 계획입니다.

한 줄 요약:

"이해하기 쉬운 맞춤형 솔루션을 원하면 **규칙 기반 **(ANFIS)을, 다양한 사람을 위한 튼튼한 솔루션을 원하면 **딥러닝 **(EEGNet)을 선택하세요!"

기술 요약

1. 연구 배경 및 문제 정의 (Problem)

• 배경: 뇌 - 컴퓨터 인터페이스 (BCI) 는 운동 장애 환자의 보조 기술 및 인간 - 컴퓨터 상호작용을 위해 중요한 역할을 합니다. 특히 비침습적 방식인 뇌파 (EEG) 를 이용한 운동 상상 (Motor Imagery, MI) 분류는 핵심 연구 분야입니다.
• 문제점:
  • 기존 MI-EEG 분류 시스템은 정확도 (Accuracy) 와 해석 가능성 (Interpretability) 사이에서 균형을 맞추는 데 어려움을 겪고 있습니다.
  • 전통적 접근 (Feature Engineering): 필터 뱅크 공통 공간 패턴 (FBCSP) 등 수동으로 설계된 특징 추출 방식은 해석이 용이할 수 있지만, 휴리스틱한 튜닝이 필요하고 일반화 능력이 제한적일 수 있습니다.
  • 딥러닝 접근 (Deep Learning): EEGNet 과 같은 모델은 원시 데이터에서 특징을 자동으로 학습하여 높은 성능을 보이지만, '블랙박스' 성향으로 인해 임상 환경에서의 신뢰성과 해석이 어렵습니다.
• 연구 목표: BCI Competition IV-2a 데이터셋을 사용하여 해석 가능한 바이오-영감 모델 (ANFIS-FBCSP-PSO) 과 성능 중심의 딥러닝 벤치마크 (EEGNet) 를 비교 분석하고, 적용 목적 (개인화/해석성 vs. 사용자 간 일반화) 에 따른 최적 아키텍처 선택 가이드를 제공하는 것입니다.

2. 제안된 방법론 (Methodology)

A. 데이터셋 및 전처리

• 데이터셋: Graz 공과대학교에서 공개한 BCI Competition IV-2a 데이터셋 사용 (9 명의 피험자, 4 가지 운동 상상 과제: 왼손, 오른손, 양발, 혀).
• 전처리:
  • 노이즈 제거를 위해 ICA(Independent Component Analysis) 적용.
  • Z-score 정규화 및 0.5Hz~100Hz 대역 통과 필터, 50Hz 노치 필터 적용.
  • 시각적 단서 (Visual Cue) 후 0~4 초 구간 (ERD/ERS 패턴이 가장 뚜렷한 구간) 만 추출하여 (22 채널 × 1000 샘플) 분석.
• 데이터 증강: 과적합 방지를 위해 시간 구간을 분할하고 재조합하는 Segmentation & Recombination (S&R) 기법을 학습 데이터에 적용.

B. 비교 모델 아키텍처

1. EEGNet (딥러닝 벤치마크):

   • 경량화된 합성곱 신경망 (CNN) 아키텍처.
   • 시간적 합성곱 (Temporal Convolution), 깊이별 합성곱 (Depthwise Convolution), 분리 가능 합성곱 (Separable Convolution) 을 통해 원시 EEG 신호에서 공간 - 시간 특징을 직접 학습.
   • 특징: 소규모 데이터셋과 실시간 처리에 적합하며, end-to-end 학습이 가능.

2. ANFIS-FBCSP-PSO (해석 가능한 하이브리드 모델):

   • FBCSP (Feature Extraction): 다중 주파수 대역 (Theta, Mu, Beta 등) 으로 신호를 분할하고 각 대역별 공통 공간 패턴 (CSP) 특징을 추출.
   • PSO (Particle Swarm Optimization): ANFIS 의 파라미터 (멤버십 함수, 규칙 가중치 등) 를 최적화하여 분류 정확도 향상.
   • ANFIS (Adaptive Neuro-Fuzzy Inference System): 신경망 학습 능력과 fuzzy IF-THEN 규칙을 결합.
   • 특징: 명확한 fuzzy 규칙을 생성하여 분류 결정 과정을 생리학적 의미로 해석 가능.

C. 평가 프로토콜

• Within-Subject (개인별): 각 피험자의 데이터를 80% 학습, 20% 검증으로 분할하여 개인별 최적화 성능 평가.
• Cross-Subject (LOSO, Leave-One-Subject-Out): 한 명을 제외한 나머지 데이터로 학습하고, 제외된 한 명으로 테스트하여 사용자 간 일반화 성능 평가.
• 지표: 정확도 (Accuracy), Cohen's Kappa ($\kappa$), 정밀도 (Precision), 재현율 (Recall), F1-Score.

3. 주요 결과 (Key Results)

A. Within-Subject (개인별) 평가

• ANFIS-FBCSP-PSO가 EEGNet보다 높은 평균 성능을 보임.
  • ANFIS: 정확도 68.58% ($\pm$13.76), Kappa 58.04%
  • EEGNet: 정확도 63.79% ($\pm$8.49), Kappa 51.54%
• 의미: 개인별 데이터에 특화된 특징 추출과 퍼지 추론이 개인 맞춤형 BCI 에 유리함을 시사.

B. Cross-Subject (사용자 간 일반화) 평가

• EEGNet이 ANFIS-FBCSP-PSO보다 약간 더 높은 일반화 성능을 보임.
  • EEGNet: 정확도 68.20% ($\pm$12.13), Kappa 57.33%
  • ANFIS: 정확도 65.71% ($\pm$14.89), Kappa 53.66%
• 의미: 딥러닝 모델은 새로운 사용자의 데이터에 대해 더 강건한 (Robust) 성능을 발휘함.

C. 통계적 유의성

• Wilcoxon signed-rank test 결과, 두 평가 방식 모두에서 모델 간 성능 차이는 통계적으로 유의하지 않음 (Within: p=0.301, Cross: p=0.844).
• 이는 표본 크기 (9 명) 가 작아 평균적인 경향성 차이는 존재하지만, 통계적 확증은 부족함을 의미함.

4. 주요 기여 및 의의 (Contributions & Significance)

1. 이중 모델 비교 분석: 동일한 전처리 및 평가 환경 하에서 해석 가능한 바이오-영감 모델 (ANFIS-FBCSP-PSO) 과 딥러닝 모델 (EEGNet) 을 체계적으로 비교.
2. 해석성 vs. 일반화 트레이드오프 규명:
   • 개인화 및 해석이 필요한 경우 (Personalized & Explainable): ANFIS-FBCSP-PSO 추천. 명확한 fuzzy 규칙 (예: "Mu 대역 CSP 특징이 높고 Beta 대역이 중간이면 오른손") 을 통해 의사결정 근거를 생리학적 맥락에서 설명 가능.
   • 확장성 및 일반화가 필요한 경우 (Scalable & Robust): EEGNet 추천. 추가적인 사용자 보정 없이도 새로운 사용자에게 적용 가능한 강건한 성능 제공.
3. 실용적 가이드라인 제시: BCI 시스템 설계 시 목표 (해석성 vs. 강건성) 에 따라 아키텍처를 선택해야 함을 강조.
4. 향후 연구 방향: Transformer 기반 모델 및 신경 - 심볼릭 (Neuro-symbolic) 하이브리드 프레임워크를 통해 해석 가능성과 확장성을 동시에 확보할 수 있음을 제안.

5. 결론

본 연구는 MI-EEG 분류에서 해석 가능성 (Interpretability) 과 성능 (Performance/Generalization) 사이의 균형을 탐구했습니다. ANFIS-FBCSP-PSO는 개인별 특성에 맞춰 높은 정확도와 명확한 규칙 기반 해석을 제공하는 반면, EEGNet은 사용자 간 일반화 능력이 더 우수함을 확인했습니다. 통계적 유의성은 낮았으나, 이러한 경향성은 BCI 시스템의 적용 목적 (임상적 설명 필요성 vs. 대규모 배포) 에 따라 모델 선택 전략을 수립하는 데 중요한 실마리를 제공합니다.