전기생리학적 신호(ExG)는 인체 생리에 대한 유용한 통찰을 제공하지만, 일상 과제 전반에 걸쳐 일반화하는 기반 모델을 구축하는 일은 두 가지 핵심 한계로 인해 여전히 어렵다. 첫째, 데이터 다양성이 충분하지 않으며, 대부분의 ExG 기록은 부피가 크고 비용이 많이 드는 장비를 갖춘 통제된 실험실에서 수집된다. 둘째, 과제에 특화된 모델 설계는 맞춤형 처리(즉, 표적 주파수 필터)와 이에 맞는 아키텍처를 필요로 하여 과제 간 일반화를 제한한다. 이러한 문제를 해결하기 위해, 우리는 실제 환경에서의 확장 가능하고 과제 비의존적인 ExG 모니터링을 위한 접근법을 제안한다. 우리는 귀마개(이어폰) 기반 하드웨어 프로토타입을 사용하여, 방해가 적은 자유생활(자연 환경) ExG 데이터를 50시간 수집함으로써 데이터 다양성의 격차를 줄였다. 우리의 접근법의 핵심은 생리 기반 다중대역 토큰화(Physiology-informed Multi-band Tokenization; PiMT)로, ExG 신호를 12개의 생리 기반 토큰으로 분해한 뒤, 강건한 표현을 학습하기 위한 재구성(reconstruction) 과제를 수행한다. 이를 통해 전체 주파수 스펙트럼에 걸친 적응적 특징 인식이 가능해지면서도, 과제에 필요한 정보를 포착할 수 있다. 새로 구축한 DailySense 데이터셋(인간의 다섯 가지 감각에 걸쳐 ExG 기반 분석을 가능하게 한 최초의 데이터셋)과, 네 개의 공개 ExG 벤치마크에 대한 실험 결과, PiMT는 다양한 과제에서 항상 최신 기술 수준의 방법들을 일관되게 능가함을 보여준다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.