🤖 machine learning

EEG Decoding Using CNN and LSTM Network

본 논문은 피험자 의존적 및 피험자 독립적 분류 작업을 위해 운동 상상(motor imagery) EEG 신호를 강건하게 디코딩하고자 합성곱 신경망(CNN)과 양방향 장단기 메모리(bi-LSTM) 네트워크를 결합한 하이브리드 딥러닝 구조를 제안한다.

원저자: Athanasios Karagounis

게시일 2026-08-14

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Athanasios Karagounis

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

당신의 뇌를 수십억 개의 작은 전령들(뉴런)이 끊임없이 서로에게 메시지를 외치는 북적이는 도시라고 상상해 보세요. 때때로 이 메시지들은 손을 움직이는 것에 관한 것이거나, 혹은 단지 손을 움직이는 것을 상상하는 것에 관한 것일 수도 있습니다. 뇌-컴퓨터 인터페이스(BCI)는 이러한 속삭임을 듣고 이를 컴퓨터, 로봇, 또는 비디오 게임을 위한 명령어로 변환하려고 시도하는 초고성능 무전기와 같습니다. 이것은 질병이나 부상으로 인해 몸을 움직일 수 없는 사람들에게 세상과 소통할 수 있는 새로운 방법을 제공한다는 점에서 매우 중대한 일입니다.

하지만 함정이 하나 있습니다. 뇌의 신호는 믿기지 않을 정도로 무질서합니다. 그것은 마치 환호하는 팬들로 가득 찬 경기장에서 단 한 사람의 속삭임을 들으려고 노력하는 것과 같습니다. 신호는 약하고, 노이즈가 많으며, 이해하기 어렵습니다. 오랫동안 과학자들은 이 노이즈를 수동으로 제거하고 어떤 부분의 신호가 중요한지 추측해야 했습니다. 이는 마치 건초더미에서 손으로 직접 바늘을 찾는 것과 같았습니다. 최근에는 컴퓨터가 "딥러닝"—스스로 패턴을 학습하는 인공지능의 일종—을 사용하여 이 작업을 더 잘 수행하기 시작했습니다. 하지만 이러한 똑똑한 컴퓨터조차도 뇌 신호가 시간이 지남에 따라 변하기 때문에 전체적인 맥락을 파악하는 데 어려움을 겪을 때가 있습니다. 컴퓨터는 신호가 어디에서 오는지와 그것이 언제 발생하는지를 모두 이해해야 합니다.

여기서 아타나시오스 카라고니스(Athanasios Karagounis)의 연구가 등장합니다. 이 연구자는 두 가지 강력한 AI 도구인 합성곱 신경망(CNN)과 양방향 장단기 메모리(bi-LSTM) 네트워크를 결상한 새로운 종류의 "뇌 읽기" 기계를 구축했습니다. CNN을 뇌의 전기 지도를 스캔하여 가장 중요한 지점을 찾아내는 초정밀 탐정이라고 생각해보세요. 이는 라디오 튜너가 선명한 채널을 찾는 것처럼 정전기 노이즈를 걸러냅니다. 일단 CNN이 좋은 단서들을 찾아내면, bi-LSTM은 시간 여행을 하는 탐정 역할을 합니다. 이 탐정은 단서가 발생한 순서대로만 보는 것이 아니라, 신호의 과거와 미래를 동시에 살펴봄으로써 그 사람이 상상하고 있는 것의 전체 이야기를 이해합니다.

이 논문은 이 새로운 하이브리드 시스템을 두 가지 다른 데이터 그룹, 즉 건강한 사람 6명으로부터 얻은 개인 기록 세트와 다른 연구자들의 여러 공개 데이터셋을 대상으로 테스트했습니다. 목표는 컴퓨터가 왼손을 움직이는 상상, 오른손을 움직이는 상상, 또는 심지어 혀를 움직이는 상상의 차이를 구별할 수 있는지 확인하는 것이었습니다. 결과는 유망했습니다. 새로운 CNN&bi-LSTM 팀은 선형 판별 분석(LDA)이나 서포트 벡터 머신(SVM)과 같은 기존의 표준 방식들을 앞질렀습니다. 개인 데이터 테스트에서 새로운 시스템은 평균적으로 약 85.4%의 정답률을 보인 반면, 기존 방식들은 69%에서 79% 사이를 맴돌았습니다. 더욱 흥eli로운 점은, 이 시스템이 학습 데이터의 양을 줄였을 때도 잘 작동했다는 것이며, 이는 이 시스템이 방대한 예시 라이브러리를 학습하는 데 필요로 하지 않는 견고함을 갖추고 있음을 시사합니다.

연구진은 시스템이 사용 가능한 64개의 전극을 모두 사용하는 대신 머리에 있는 40개의 특정 전극(센서)에 집중했을 때 가장 잘 학습한다는 것을 발견했습니다. 이는 실제로 데이터에 대해 "과하게 생각하는(overthinking)" 것을 피하는 데 도움이 되었습니다. 또한 연구진은 AI가 단순히 신호를 암기하는 것이 아니라, 자신의 "뇌" 층을 더 깊이 파고들수록 점점 더 정교해지면서 파동처럼 보이는 복잡한 패턴을 인식하기 시작했다는 것을 발견했습니다. 개선 정도가 폭발적인 급증이라기보다는 꾸준한 향상이었지만, 이 연구는 공간적 필터링(적절한 위치 찾기)과 양방향 시간 모델링(시간의 흐름 이해)을 결합하는 것이 우리의 생각을 해독하는 더 스마트한 방법임을 시사합니다. 논문은 이 접근 방식이 혼란스러운 뇌파를 명확한 명령어로 바꾸는 견고하고 통합된 방법을 제공하며, 잠재적으로 도움이 가장 절실한 사람들을 위한 더 나은 재활 도구의 길을 열어줄 수 있다고 결론짓습니다.

기술 요약: CNN 및 LSTM 네트워크를 이용한 EEG 디코딩

문제 정의
운동 상상(Motor Imagery, MI) 뇌-컴퓨터 인터페이스(BCI)는 명시적인 물리적 움직임 없이도 상상된 움직임을 제어 신호로 변환함으로써, 뇌졸중 또는 신경 퇴행성 질환을 앓는 환자들에게 유망한 통신 경로를 제공한다. 그러나 운동 상상 뇌파(MI-EEG)의 신뢰할 수 있는 디코딩은 EEG 기록에 내재된 상당한 노이즈와, 신호 및 기저 뇌 활동 사이의 복잡하고 약하게 정보가 담긴 관계 때문에 여전히 도전적인 과제로 남아 있다. 딥러닝이 원시 신호로부터 직접 표현(representation)을 학습하는 방จะ를 제공함에도 불구하고, MI-EEG 특징 학습에 대한 적용은 상대적으로 제한적이었다. 더욱이, 개별 합성곱 신경망(CNN) 또는 순환 신경망(RNN)에만 의존하는 기존의 딥러닝 파이프라인은 상당한 수동 기능 공학(feature engineering), 파라미터 최적화 및 모델 훈련을 요구하며, 필수적인 공간적 및 시간적 의존성을 완전히 포착하는 데 실패하는 경우가 많다.

방법론
본 연구는 이러한 한계를 해결하기 위해 합성곱 신경망(CNN)과 양방향 장단기 메모리(bi-LSTM) 네트워크를 통합하는 하이브리드 딥러닝 아키텍처를 제안한다.

데이터 획득 및 전처리: 본 프레임워크는 64개의 전극으로 획득한 자체 데이터셋(D1)과 전극 수가 다양한 세 가지 공개 데이터셋(D2–D4)을 사용하여 평가되었다. 전처리는 신호를 정점 전극(Cz)에 참조하고, 주요 MI-EEG 전극 위치(예: C3, C4, P3, P4)를 선택하며, 웨이브릿 기반 디노이징(denoising)을 적용하고, $\mu$ 및 $\beta$ 리듬을 분리하기 위해 8–23 Hz 범위 내에서 대역 통과 필터링을 수행하는 과정을 포함한다.
CNN 특징 추출: CNN 구성 요소는 원시 MI-EEG 기록으로부터 고차원의 공간적 및 시간적 표현을 직접 학습하도록 설계된 공간 필터 역할을 한다. 이는 커널 크기가 $[36 \times 1]$ 인 8개의 공간 필터를 사용하여 원래의 EEG 채널을 작업 지향적인 특징 표현으로 변환한다. 이 레이어는 대역 통과 필터링 및 에너지 추출과 유사한 학습된 공간 필터링을 수행하여 수동 특징 선택에 대한 의존도를 줄인다.
배치 정규화(Batch Normalization): 일반화 성능을 향고시키고 최적화를 가속화하기 위해, 특징 추출 후에 배치 정규화(BN)가 적용된다. 이는 입력을 평균 0, 표준 편차 1로 정규화하여 내부 공변량 변화(internal covariate shift)를 완화한다.
양방향 LSTM 모델링: 추출된 특징은 시간적 역동성과 의존성을 모델링하기 위해 bi-LSTM 네트워크에 의해 처리된다. 이전의 입력만을 사용하는 표준 LSTM과 달리, bi-LSTM은 시퀀스를 순방향과 역방향 모두로 처리한다. 이를 통해 네트워크는 이전과 이후의 관측치 모두로부터 맥락 정보를 통합하여 서로 다른 시간 척도에 걸친 보완적인 의존성을 포착할 수 있다. 네트워크는 소실 기울기 문제를 완화하기 위해 표준 LSTM 게이트(입력, 망각, 출력)와 셀 상태를 활용한다.
훈련 전략: 모델은 MSE(Mean Squared Error)를 목적 함수로 사용하여 교차 검증을 통해 훈련되며, 이는 데이터 내에 휴지기 구간이 존재하기 때문에 상관계수(cross-correlation) 대신 선택되었다. 가중치를 초기화하기 위해 LASSO 유도 계수를 사용하는 지도 학습 기반 사전 훈련(supervised pre-training)이 사용되며, 이는 시간적 상관관계를 최적화하기 전에 최소제곱 회귀와 관련된 솔루션을 제공한다.

주요 기여

하이브리드 아키텍처: 본 논문은 MI-EEG 기반 BCI의 분류 성능을 향상시키는 동시에 정보가 풍부한 장기 시간 패턴을 유지하도록 특별히 설계된 CNN&bi-LSTM 아키텍처를 소개한다.
엔드 투 엔드(End-to-End) 학습: 프레임워크는 원시 EEG 측정값으로부터 공간적 및 시간적 의존성을 직접 학습한다. CNN은 수동 공학 없이 특징을 추출하며, bi-LSTM은 시간적 의존성의 표현을 개선하기 위해 순차적 역동성을 모델링한다.
포괄적 평가: 제안된 방식은 자체 데이터셋과 여러 공개 데이터셋을 모두 사용하여 광범위하게 평가되었으며, 다양한 피험자 그룹 및 실험 구성에 걸쳐 성능을 입증하였다.

실험 결과
제안된 방법은 선형 판별 분석(LDA), 서포트 벡터 머신(SVM), 표준 CNN 및 RNN과 비교되었다.

자체 데이터셋 (D1): CNN&bi-LSTM 모델은 7명의 피험자에 대해 **85.4%**의 평균 분류 정확도를 달elle 성했다. 이는 LDA(69.5%), SVM(73.0%), CNN(75.9%), RNN(79.5%)을 능가하는 수치이다. 가장 높은 피험자별 정확도는 92.5%에 달했다.
공개 데이터셋 (D2–D4): 하이브리드 모델은 다른 머신 러닝 및 순환 구조들을 일관되적으로 앞질렀다. D2, D3, D4에서 제안된 모델은 각각 81.80%, 87.97%, **85.32%**의 정확도를 달성하였으며, 이는 단일 레이어 LSTM, 다층 RNN 및 ST-CNN보다 우수한 결과로, 합성곱 특징 추출과 양방향 시간 모델링을 결합하는 것이 단순히 네트워크 깊이를 늘리는 것보다 더 효과적임을 나타낸다.
강건성(Robustness): 실험 결과, 본 아키텍처는 훈련 데이터 크기 감소에 대해 비교적 강건하며, 가용 데이터의 60%만 사용하더라도 약 89%의 정확도를 유지함을 보여주었다. 또한, 성능은 40개의 전극에서 정점에 도달하였는데, 이는 과도한 채널 수가 과적합(overfitting)을 유발할 수 있음을 시사한다.

의의 및 주장
본 논문은 제안된 CNN&bi-LSTM 아키텍처가 시간 및 주파수 관련 정보를 모두 포함하는 고차원 표현으로 저차원 EEG 측정값을 변환하는 통합된 메커니즘을 제공한다고 주장한다. 결과는 이 방법이 MI-EEG 신호의 정보가 풍부한 구성 요소를 효과적으로 강조할 수 있으며, 다양한 데이터셋과 피험자에 걸쳐 경쟁력 있는 분류 성능을 달성할 수 있음을 입증한다. 저자는 양방향 순환 모델링의 사용이 전통적인 스펙트럼 특징 기반 EEG 분석의 잠재적인 대안이 될 수 있다고 상정한다. 또한, 이 접근 방식이 MI-EEG 기반 재활 시스템을 위한 향후 연구와 실질적인 응용을 지원하며, 피험자 독립적인 디코딩을 위한 강건한 솔루션을 제공할 수 있다고 제언한다.

유사한 논문