⚡ electrical engineering

BandRouteNet: An Adaptive Band Routing Neural Network for EEG Artifact Removal

BandRouteNet은 주파수 대역별 특성과 전체 대역의 문맥 정보를 동시에 활용하는 적응형 라우팅 메커니즘을 통해, 적은 파라미터로도 다양한 EEG 아티팩트를 효과적으로 제거하는 고성능 신경망 모델입니다.

원저자: Phat Lam

게시일 2026-04-28

📖 2 분 읽기☕ 가벼운 읽기

원저자: Phat Lam

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

1. 문제 상황: "지저분한 오케스트라 녹음"

우리가 뇌파를 측정하는 것은 오케스트라의 연주를 녹음하는 것과 비슷합니다. 그런데 녹음 중에 갑자기 관객이 크게 기침을 하거나(눈 깜빡임 노이즈), 옆에서 누군가 웅성거리는 소리(근육 움직임 노이즈)가 섞여 들어옵니다.

문제는 이 잡음들이 제각각이라는 점입니다.

기침 소리(EOG): 아주 낮고 쿵쿵거리는 소리입니다.
웅성거리는 소리(EMG): 높고 날카로운 소리입니다.

기존의 인공지능들은 이 모든 소리를 한꺼번에 처리하려고 하다 보니, 잡음을 지우려다 정작 중요한 악기 소리(진짜 뇌파)까지 깎아먹어 소리가 뭉개지는 문제가 있었습니다.

2. 해결책: BandRouteNet의 세 가지 마법

이 논문에서 제안한 BandRouteNet은 이 문제를 해결하기 위해 세 가지 특별한 전략을 사용합니다.

① "주파수별 맞춤형 청소부" (Band-specific Denoiser)

이 모델은 소리를 통째로 듣지 않고, 저음/중음/고음으로 나누어 듣습니다.
마치 오디오 이퀄라이저처럼 소리를 층별로 분리한 뒤, "저음 구역에는 기침 소리가 많으니 여기서 집중적으로 청소하자!", "고음 구역에는 웅성거리는 소리가 많으니 여기서 청소하자!"라고 구역을 나누어 작업합니다. 이렇게 하면 악기 소리가 섞이지 않게 아주 정밀하게 잡음만 골라낼 수 있습니다.

② "스마트한 청소 강도 조절기" (Artifact Router)

이게 이 모델의 핵심입니다! 예전에는 모든 구간을 똑같은 힘으로 청소했다면, 이 모델은 **"어디를 얼마나 세게 청소할지"**를 실시간으로 결정합니다.

잡음이 없는 깨끗한 구간은 **"그대로 둬!"**라고 명령해서 원래 소리를 보존합니다.
잡음이 심한 구간만 **"여기 집중 공격!"**이라며 청소 강도를 높입니다.
마치 화가가 그림을 그릴 때, 깨끗한 부분은 살짝 터치만 하고, 얼룩진 부분만 꼼꼼하게 덧칠하는 것과 같습니다.

③ "전체 흐름을 읽는 지휘자" (Full-band Conditioner)

구역별로 나누어 청소하다 보면, 전체적인 음악의 흐름을 놓칠 수 있습니다. 그래서 이 모델은 **전체 소리를 한 번에 훑어보는 '지휘자'**를 따로 둡니다. 지휘자는 전체적인 곡의 분위기와 흐름을 파악해서, 각 구역의 청소부들에게 "지금은 전체적으로 이런 분위기니까 너무 과하게 지우지 마!"라고 가이드를 줍니다.

3. 결과: "가볍지만 강력한 천재"

실험 결과, 이 모델은 기존의 다른 인공지능들보다 훨씬 더 깨끗하게 뇌파를 복원해냈습니다.

가장 놀라운 점은 **'몸집(파라미터 수)'**입니다. 이 모델은 다른 모델들에 비해 훨씬 가볍고 작습니다(0.2M 파라미터). 비유하자면, 덩치 큰 거인들보다 훨씬 작고 날렵한 요정 같은 모델인데, 실제 청소 실력은 거인들보다 훨씬 뛰어난 것이죠. 덕분에 성능은 높으면서도 스마트폰이나 작은 의료 기기 같은 곳에서도 아주 빠르게 작동할 수 있습니다.

요약하자면?

BandRouteNet은 뇌파라는 복잡한 음악에서 "소리를 주파수별로 나누고(맞춤형), 잡음이 있는 곳만 골라서(스마트 조절), 전체 흐름을 놓치지 않게(지휘자)" 청소하는 아주 똑똑하고 날렵한 인공지능 청소기입니다!

[기술 요약] BandRouteNet: EEG 아티팩트 제거를 위한 적응형 대역 라우팅 신경망

1. 문제 정의 (Problem Statement)

뇌파(EEG) 신호는 뇌 활동을 모니터링하는 데 매우 유용하지만, 안구 운동(EOG)이나 근육 움직임(EMG)과 같은 **아티팩트(Artifact, 잡음)**에 매우 취약합니다. 기존의 연구들은 다음과 같은 한계점을 가집니다:

주파수 특성 무시: EOG는 저주파에, EMG는 고주파에 집중되는 등 아티팩트마다 주파수 특성이 다르지만, 기존 모델들은 신호 전체에 균일한 처리를 적용하여 깨끗한 구간까지 과도하게 뭉개는(over-smoothing) 경향이 있습니다.
시공간적 적응성 부족: 아티팩트는 시간에 따라 강도가 변하는데, 이를 실시간으로 추적하여 필요한 부분에만 선택적으로 노이즈를 제거하는 메커니즘이 부족합니다.
도메인 통합의 어려움: 시간 영역의 연속성과 주파수 영역의 구조적 특성을 동시에 효과적으로 모델링하는 통합적인 접근이 미흡합니다.

2. 제안 방법론 (Methodology)

본 논문은 주파수별 특화 처리와 전체 대역의 문맥 정보를 결합한 BandRouteNet을 제안합니다. 모델은 크게 두 가지 경로로 구성됩니다.

A. Band-specific Denoiser (대역별 디노이저)

DFT 분해: 입력 신호를 이산 푸리에 변환(DFT)을 통해 $K$ 개의 주파수 대역(Delta, Theta, Alpha, Beta, Gamma, $\epsilon$ )으로 분해합니다.
Band Adapter & FiLM: 각 대역의 특징에 '대역 식별 임베딩(Band Identity Embedding)'을 더하고, FiLM(Feature-wise Linear Modulation) 기술을 사용하여 전체 대역(Full-band)에서 추출된 글로벌 문맥 정보를 각 대역의 스케일과 시프트(Scale & Shift)에 반영합니다.
Artifact Router (핵심 메커니즘): 각 대역의 잠재 특징에 대해 '어느 시점에, 어느 정도의 강도로' 노이즈를 제거할지 결정하는 소프트 라우팅 마스크( $g_k$ )를 생성합니다. 이는 원본 특징과 디노이징된 특징 사이를 적응적으로 보간(Interpolation)합니다.
Cross-band Fusion: 대역 간의 의존성을 모델링하기 위해 시간적 믹싱(Temporal Mixing)과 멀티 헤드 셀프 어텐션(MHSA)을 이용한 대역 간 믹싱(Band Mixing)을 수행합니다.

B. Full-band Conditioner (전체 대역 컨디셔너)

원본 신호를 직접 처리하여 글로벌 시간적 구조와 대역 간 문맥 정보를 추출합니다.
여기서 생성된 파라미터는 Band-specific 경로를 조절(Modulation)하고, 최종 단계에서 신호 수준의 미세 조정(Coarse-grained refinement)을 돕습니다.

3. 주요 기여 (Key Contributions)

주파수 인지형 아키텍처: 아티팩트의 주파수별 특성을 명시적으로 모델링하여 타겟팅된 노이즈 제거를 가능하게 했습니다.
적응형 아티팩트 라우팅: 시간과 주파수에 따라 디노이징 강도를 동적으로 조절함으로써, 깨끗한 뇌파 구조는 보존하고 오염된 영역만 선택적으로 정제합니다.
효율적인 설계: 매우 적은 파라미터(0.2M)로도 최첨단(SOTA) 성능을 달িং하여 자원이 제한된 환경(Edge device 등)에서의 활용 가능성을 높였습니다.

4. 실험 결과 (Results)

EEGDenoiseNet 벤치마크 데이터셋을 통해 EOG, EMG, 그리고 혼합(Mixed) 아티팩트 조건에서 검증하였습니다.

성능 우위: RRMSE(상대적 평균 제곱근 오차), CC(상관 계수), SNRimp(신호 대 잡음비 개선도) 등 모든 주요 지표에서 기존의 FCNN, CNN, RNN, Transformer 기반 모델(EEGDNet, LRR-UNet 등)을 압도하는 성능을 보였습니다.
강건성: 특히 노이즈가 심한 저(Low) SNR 환경에서도 안정적인 성능을 유지했습니다.
해석 가능성: 시각화 결과, Artifact Router가 EOG 노이즈 시에는 저주파 대역에서, EMG 노이즈 시에는 고주파 대역에서 활성화됨을 확인하여 모델의 동작 원리가 생리학적 특성과 일치함을 증명했습니다.
효율성: 타 모델 대비 훨씬 적은 0.2M의 파라미터만으로 최적의 성능을 달성했습니다.

5. 의의 (Significance)

BandRouteNet은 EEG 신호의 **주파수별 이질성(Spectral Heterogeneity)**과 **시간적 가변성(Temporal Dynamics)**을 동시에 해결할 수 있는 구조적 해법을 제시했습니다. 이는 높은 정확도와 가벼운 모델 크기를 동시에 요구하는 뇌-컴퓨터 인터페이스(BCI), 임상 진단 기기, 웨어러블 뇌파 모니터링 장치 등에 매우 실용적인 솔루션이 될 수 있습니다.