노이즈 강건 adversarial 학습을 통한 EEG 기반 수면 단계 분류

Noise-robust sleep staging with adversarial training and auxiliary modeling

연구 내용

도메인 전이로 인한 EEG 노이즈 변이를 완화하기 위해 보조 모델 기반 adversarial 학습과 class-wise 강건성을 적용하는 수면 단계 분류 연구

강제원 연구실은 EEG 기반 자동 수면 단계 분류에서 테스트 환경 노이즈로 인한 성능 저하를 핵심 문제로 다룹니다. 노이즈가 없는 장비에서 사전 학습된 딥러닝 모델이 소비자 수준 디바이스에서 적용될 때 domain shift가 발생하므로, unseen 임의 노이즈에 대응하는 학습 전략을 설계합니다. 보조 모델을 이용해 worst-case 입력 섭동을 adversarial transformation으로 생성하고, 이를 입력에 반영하는 target network의 학습 안정성을 확보합니다. 또한 학습 과정에서 class-wise robustness를 활용해 수면 단계별로 서로 다른 강건성 패턴을 학습하도록 구성합니다.

관련 프로젝트

2건

연구 흐름

초기 연구는 노이즈가 없는 EEG에서 학습된 수면 분류 모델이 실제 배치 환경에서 domain shift를 겪는 원인을 정리하고, 테스트 시점의 다양한 노이즈 조건을 학습 단계에서 포괄하기 위한 접근을 모색했습니다. 이후 2022년에는 보조 모델로 adversarial noise를 생성하고 target network가 노이즈 신호에 반응하도록 학습하는 구조를 제안했습니다. 또한 수면 단계별로 강건성 패턴이 다를 수 있다는 가정에 기반해 class-wise robustness를 학습에 포함하여 섭동에 대한 반응을 단계별로 정렬하는 방식으로 발전했습니다. 결과적으로 adversarial, Gaussian, shot noise 등 다양한 노이즈에서 성능 저하를 완화하는 흐름으로 확정했습니다.

활용 가능성

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

잡음 환경 수면 단계 자동화
소비자 EEG 디바이스 적용 안정화
원격 수면 모니터링 보조
의료 데이터 품질 편차 완화
임상 판독 보조 분류기
입원·재택 추적 분석
이상 수면 패턴 조기 탐지
노이즈 하 강건성 검증 체계
수면다원검사 라벨 품질 보정
웨어러블 기반 수면 평가 모듈