EEG 기반 모터 이미저리 인지 및 주제 의존성 완화 BCI 연구

Non-invasive BCI for EEG Motor Imagery Recognition and Subject-Dependency Mitigation Research

연구 내용

EEG의 주파수 다양성을 활용해 다중 밴드 특징을 학습하고 주제 의존성을 완화하여 모터 이미저리를 분류하는 BCI 연구

비침습 EEG 기반 모터 이미저리 인지를 위해 다중 밴드 분해와 특징 추출을 결합한 신경망 구조를 개발합니다. 밴드별 커널 크기 또는 사전 정규화된 Riemannian 특징을 활용하여 주파수 의존성과 공분산 기반 표현의 과적합 위험을 줄이는 방향으로 설계를 수행합니다. 또한 각 서브 네트워크를 추가 목적함수로 정규화하여 학습 안정성과 일반화 성능을 확보하고, 네트워크는 end-to-end 분류 학습과 함께 동작하도록 구성합니다. 공개 데이터 평가를 통해 기존 CNN 기반 및 Riemannian 접근 대비 성능 향상을 확인했습니다.

관련 프로젝트

8건

연구 흐름

초기에는 EEG 신호의 주파수 다양성을 반영하도록 다중 밴드 분해 후 여러 branch-CNN에서 밴드별 커널 크기를 차별화하는 구조로 주제 의존성 문제를 다룹니다. 이후 과적합 위험을 줄이기 위해 서브 브랜치 학습을 위한 추가 손실을 결합하는 방식으로 일반화 성능을 개선합니다. 최근에는 Riemannian 표현의 특징 차원을 줄이고 convolutional layer로 사전 특징을 확보한 뒤 band-wise Riemannian triplet loss로 서브밴드 네트워크를 정규화하는 연구로 확장해 모터 이미저리 분류 정확도를 높이는 흐름을 보입니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

비침습 뇌-컴퓨터 인터페이스 분류기
AR/VR 및 생활기기 제어용 의도 인식
제로 트레이닝 대응 개인화 학습
EEG 특징 추출 파이프라인
주제 의존성 완화 학습 전략
모터 이미저리 신호 기반 사용자 인터랙션
다중 밴드 기반 과적합 억제 기법
BCI SW 플랫폼 기능 모듈
실사용 환경용 견고한 EEG 분류
분류용 목적함수 설계 기반 정규화