💻 computer science

AutoML-XAI convolutional neural network for hypnotic susceptibility classification from segmented multichannel EEG

이 논문은 분할된 다채널 EEG 데이터로부터 최면 감수성을 분류하는 해석 가능한 AutoML 기반의 CNN 프레임워크를 제안하며, 최적의 폴드에서 완벽한 정확도를 달enc하고 XAI 기술을 통해 알파 및 감마 주파수 대역을 가장 중요한 특징으로 식별하였다.

원저자: Ali Walid Daher

게시일 2026-06-26

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Ali Walid Daher

원본 논문은 CC BY 4.0 (https://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

당신이 컴퓨터에게 두 부류의 사람, 즉 최면 걸리기 쉬운 사람(높은 감수성)과 그렇지 않은 사람(낮은 감수성)을 구별하는 법을 가르치려 한다고 상상해 보세요. 보통 과학자들은 뇌파(EEG)를 통해 이를 확인하려 하지만, 이는 마치 건초더미에서 바늘 찾기와 같습니다. 데이터는 지저분하고, 뇌 신호는 복잡하며, 사용할 수 있는 데이터의 양도 많지 않기 때문입니다.

이 논문은 세 가지 디지털 도구인 AutoML, CNN, XAI라는 팀을 사용하여 이 문제를 해결하는 새롭고 스마트한 방법을 제시합니다. 이들이 어떻게 협력하는지 쉽게 설명하면 다음과 같습니다.

1. 설정: 뇌파를 "조각(Snippets)"으로 자르기

연구진은 16개의 서로 다른 뇌 센서 기록으로 시작했습니다. 전체 기록을 하나의 거대한 덩어리로 보는 대신, 그들은 이를 긴 빵 한 덩어리처럼 취급했습니다.

자르기: 각 기록을 "스니펫(snippets)"이라고 불리는 10개의 작고 중복되지 않는 조각으로 나누었습니다.
형식: 이 조각들을 5개의 행(델타, 세타, 알파, 베타, 감마의 5가지 다른 뇌파 속도 범위)과 1,600개의 열(시간)로 구성된 스프레드시트 형태의 그리드(행렬)로 정리했습니다.
황금률: 컴퓨터가 속임수를 쓰지 못하도록, 동일 인물의 10개 조각은 모두 함께 묶어 두었습니다. 만약 어떤 사람의 조각들이 "훈련(training)" 그룹에 들어갔다면, 그 사람의 조각 중 어느 것도 "테스트(testing)" 그룹에 들어가지 않았습니다. 이는 컴퓨터가 패턴을 배우는 대신 단순히 그 사람의 이름을 외워버리는 것을 방지하기 위함입니다.

2. 세 명의 팀원

설계자 (AutoML)

AutoML은 슈퍼 로봇 설계자라고 생각하면 됩니다. 신경망(인공지능 뇌의 일종)을 구축하는 작업은 보통 층을 얼마나 쌓을지, 필터 크기는 어떻게 할지, 학습 속도는 얼마나 빠르게 할지 등을 인간이 추측해야 합니다.

역할: 이 로봇 설계자는 수천 가지의 서로 다른 설계안을 자동으로 시도했습니다. "여기에 층을 하나 더 추가하면 어떨까? 학습 속도를 바꾸면 어떨까?"라고 스스로 질문하며, 훈련 데이터에서 가장 잘 작동하는 단 하나의 최적의 설계를 골라냈습니다.

탐정 (CNN)

**합성곱 신경망(CNN)**은 뇌파 그리드를 조사하는 실제 탐정입니다.

역할: 설계자가 최적의 디자인을 선택하면, 탐정은 5x1,600 그리드를 스캔하기 시작합니다. 탐정은 "높은 감수성" 또는 "낮은 감수성"을 나타내는 뇌파의 패턴을 찾아냅니다.

번역가 (XAI)

이것이 가장 중요한 부분입니다. 보통 AI는 '블랙박스'와 같습니다. 데이터를 넣으면 답을 내놓지만, 왜 그런 답을 냈는지는 알 수 없습니다. **XAI(설명 가능한 AI)**는 이 블랙박스를 열어 탐정의 추론 과정을 설명해 주는 번역가와 같습니다.

역할: 연구진은 SHAP과 LIME이라는 도구를 사용하여 탐정에게 "당신의 스프레드시트 중 어느 행을 보고 결정을 내렸습니까?"라고 물었습니다.
발견: 번역가는 탐정이 일부 행은 무시하고, 오직 **알파(Alpha)**와 감마(Gamma) 파형 두 가지에 집중했다는 사실을 밝혀냈습니다.

3. 결과: 두 가지 다른 이야기

이 시스템은 두 가지 방식으로 테스트되었으며, 결과는 흥미로웠습니다.

"완벽한" 순간: 한 특정 테스트 실행에서, 연구진은 탐정의 발견(알파와 감마가 중요하다는 점)을 바탕으로 해당 행들에 더 많은 가중치를 부여했습니다. 이 운 좋은 시나리오에서 AI는 **완벽한 점수(정확도 100%)**를 기록했습니다. 테스트 그룹의 모든 사람을 정확하게 식별해 낸 것입니다.
"현실적인" 평균: 그러나 시스템이 단순히 운이 아니었음을 확인하기 위해 여러 그룹에 걸쳐 테스트했을 때, 완벽한 점수는 사라졌습니다. 평균 정확도는 약 **67%**로 떨어졌습니다.
- 교훈: "완벽한" 점수는 이 방식이 작동할 수 있음을 보여주지만, 낮은 평균 점수는 이 시스템이 여전히 학습 중이며 신뢰성을 갖추기 위해 더 많은 데이터가 필요함을 보여줍니다.

4. 무엇을 배웠는가?

연구는 이러한 스마트하고 자동화된 접근 방식을 사용할 때, 뇌파의 알파 및 감마 주파수 대역이 최면 감수성을 구별하는 데 가장 많은 단서를 제공한다는 것을 발견했습니다.

요약 비유

당신이 새의 깃털 사진이 담긴 100페이지짜리 사진첩을 보고 특정 종류의 새를 식별하려고 한다고 상상해 보세요.

기존 방식: 당신이 직접 최고의 페이지를 고르고 규칙을 추측합니다.
이 논문의 방식:
- AutoML은 최고의 관점을 찾기 위해 사진첩을 정리하는 온갖 방법을 시도하는 로봇입니다.
- CNN은 사진첩을 공부하는 새 관찰자입니다.
- XAI는 새 관찰자의 노트이며, 거기에는 "나는 1~~50페이지는 보지 않았다. 오직 51~~60페이지만 보았는데, 그곳에 독특한 깃털 패턴이 있었기 때문이다"라고 적혀 있습니다.
- 결과: 새 관찰자는 독특한 패턴(알파와 감마)을 찾아냈지만, 공부할 사진첩이 많지 않기 때문에 모든 새로운 사진첩에서도 그 새를 완벽히 식별할 수 있다고 확신하지는 못합니다.

핵심 요점: 이 논문은 자동화된 설계(AutoML)와 설명 가능한 도구(XAI)를 결적으로 결합하는 것이 뇌파를 이용해 최면 감수성을 연구하는 유망한 방법임을 입증하지만, 우리가 이 시스템을 완전히 신뢰하기 전까지는 더 많은 데이터가 필요하다는 경고를 남깁니다.

기술 요약: 최면 감수성 분류를 위한 AutoML-XAI CNN

문제 정의
뇌파(EEG)를 이용한 최면 감수성 분류는 수면 단계 분석이나 발작 탐지와 같은 다른 EEG 작업에 비해 여전히 미개척 분야이며 방법론적으로 일관성이 부족합니다. 기존 연구들은 종종 고전적인 특징 추출(예: 차분 엔트로피)이나 특정 머신러닝 모델에 의존하며, 자동화된 아키텍처 탐색과 설명 가능한 인공지능(XAI)을 완전히 통합하지 못하는 경우가 많습니다. 또한, 이 분야는 데이터 가용성이 제한되어 모델의 일반화에 어려움을 겪으며, 신경생리학적 가정이 성립하지 않을 수 있는 합성 데이터 증강(synthetic data augmentation)을 빈번하게 사용하는 문제를 안고 있습니다. 본 연구는 AutoML 기반의 합성곱 신경망(CNN) 최적화와 XAI 가이드 주파수 대역 해석을 결다는 결합하여, 최면 감수성을 위한 해석 가능하고 데이터 효율적인 모델을 구축하고자 하는 구체적인 격차를 다룹니다.

연구 방법론
본 연구는 고감수성 및 저감수성 피험자의 16채널 EEG 기록을 포함하는 공개 데이터셋인 nplresearch/hypnotic-state를 활용하는 프레임워크를 제안합니다.

데이터 표현 및 분할:
- 전처리: 각 16채널 기록은 5개의 표준 주파수 대역인 델타(Delta, 1–4 Hz), 세타(Theta, 4–8 Hz), 알파(Alpha, 8–13 Hz), 베타(Beta, 13–30 Hz), 감마(Gamma, 30–45 Hz)로 필터링됩니다.
- 리샘플링 및 포맷팅: 신호는 채널당 1,000개의 타임포인트로 리샘플링됩니다. 데이터는 각 피험자당 10개의 중복되지 않는 "스니펫(snippets)"으로 분할됩니다.
- 입력 행렬: 각 스니펫은 $5 \times 1600$ 행렬로 구성됩니다. 5개의 행은 주파수 대역을 나타내며, 1,600개의 열은 순서가 보존된 시계열 구조(16채널 $\times$ 채널당 100 타임포인트)를 유지합니다.
- 비합성 확장: 많은 딥러닝 접근 방식과 달리, 이 방법은 합성 데이터를 생성하거나 피험자 간 재조합을 사용하지 않습니다. 대신 신호의 무결성을 유지하면서 세그멘테이션을 통해 샘플 크기를 늘리는 데 집중하며, 오직 관찰된 EEG 데이터만을 사용합니다.
검증 전략:
- 데이터 누수를 방방지하기 위해, 본 연구는 그룹 K-폴드 교차 검증(grouped K-fold cross-validation) 전략을 채택합니다. 단일 피험자에서 파생된 10개의 스니펫은 모두 동일한 폴드의 훈련 세트 또는 테스트 세트에 함께 묶여 유지됩니다. 이를 통해 모델이 본 적 있는 피험자의 미지의 스니펫이 아닌, 미지의 피험자에 대해 평가되도록 보장합니다.
AutoML 최적화:
- CNN 아키텍처와 하이퍼파라미터는 Optuna를 사용하여 최적화됩니다. 탐색 공간에는 합성곱 계층 수, 필터 수, 커널 크기, 배치 정규화, 드롭아웃 비율, 밀집 계층 유닛, 학습률 및 배치 크기가 포함됩니다.
- 목적 함수는 그룹화된 폴드 전체의 평균 검증 균형 정확도(mean validation balanced accuracy)를 최대화합니다.
설명 가능한 AI (XAI) 및 모델 정제:
- 최적의 성능을 보이는 풀-밴드(full-band) CNN을 학습시킨 후, 가장 관련성이 높은 주파수 대역을 식별하기 위해 SHAP(SHapley Additive exPlanations)과 LIME(Local Interpretable Model-agnostic Explanations)을 적용합니다.
- XAI 통찰력을 바탕으로 세 가지 모델 변형을 구축하고 테스트합니다:
  1. 상위 2개 XAI 순위 주파수 대역만을 사용하는 CNN.
  2. XAI 중요도 점수로부터 도출된 행 가중치(row weights)를 적용한 풀-밴드 CNN.
  3. 상위 2개 대역에 10배의 계수를 곱한 스트레스 테스트 변형.
- 피험자 수준의 예측은 10개 스니펫의 확률을 평균하여 집계됩니다.

주요 결과

아키텍처: Optuna 탐색 결과, 4개의 합성곱 계층, 배치 정규화, 약 0.19의 드롭아웃 비율, 256개의 유닛을 가진 밀집 계층, $5.53 \times 10^{-5}$ 의 학습률, 그리고 배치 크기 2를 가진 CNN이 선택되었습니다.
성능 지표:
- 최적 폴드 성능: XAI-행 가중치 CNN은 단일 최적 폴드에서 피험자 수준 정확도, 균형 정확도, F1 점수 및 AUC 1.00을 달성했습니다.
- 교차 폴드 성능: Top-Two-Band XAI 모델(알파 및 감마 대역만 사용)이 모든 폴드에서 가장 견고한 평균 성능을 보였으며, 평균 피험자 수준 정확도 및 균형 정확도는 0.667, 평균 AUC는 0.689를 기록했습니다.
주파수 대역 중요도: SHAP와 LIME의 결합 분석 결과, **알파(Alpha)**와 감마(Gamma) 대역이 분류에 가장 결정적인 두 가지 특징임을 확인했습니다. 그 뒤를 베타, 세타, 델타가 이었습니다.
- SHAP 순위는 감마 대역의 특징(특히 P3 채널 주변)이 지배적임을 강조했습니다.
- LIME은 관련성을 더 넓게 분포시켰으나, 여전히 알파와 감마의 높은 중요도를 뒷받받했습니다.

의의 및 주장
본 논문은 이 작업이 최면 감수성 분류를 위해 AutoML 기반 CNN 최적화와 XAI 가이드 주파수 대역 선택 및 재가중화를 통합한 첫 번째 사례라고 주장합니다.

해석 가능성: 본 연구는 XAI를 단순히 사후 설명용이 아니라, 모델 정제(대역 선택 및 가중치 부여)를 능동적으로 가이드하는 도구로 사용함으로써 "블랙박스" 딥러닝을 넘어섭니다.
데이터 효율성: 보수적인 비합성 세그멘테이션 전략과 그룹화된 검증을 활용함으로써, 잠재적으로 편향될 수 있는 데이터 증강 기법에 의존하지 않고도 고품질의 모델을 개발할 수 있음을 입증했습니다.
실현 가능성: 결과는 AutoML과 XAI가 최면 감수성을 위한 해석 가능한 EEG 모델을 생성하는 데 효과적으로 결합될 수 있음을 시사합니다. 알파와 감마를 핵심 식별자로 파악한 것은 기존의 최면 심도 관련 문헌과 부분적으로 일치하며, 딥러닝 특징 추출의 관점에서 새로운 시각을 제공합니다.

한계 및 향-후 전망
저자들은 연구 결과의 일반화 가능성에 대해 신중한 태도를 유지합니다. 그들은 단일 최적 폴드의 완벽한 결과(정확도 1.00)가 일반화에 대한 확정적 증거라기보다는 유망한 탐색적 결과로 간야되어야 한다고 명시하며, 이는 전체 평균 성능이 더 낮다는 점을 고려한 것입니다. 논문은 이러한 발견을 확인하기 위해 더 크고 독립적인 검증 데이터셋이 필수적임을 강조하며, 현재의 결과가 특정 파이프라인과 데이터셋에 국한된 것임을 인정합니다.