Interpretable and Ensemble Machine Learning for fNIRS-Based Brain-Computer Interfaces
연구 내용
fNIRS 신호의 특징을 해석가능하게 선택하고 앙상블 학습으로 분류 성능을 개선하여 fNIRS-BCI의 전송률과 정확도를 향상하는 연구
fNIRS 기반 뇌-컴퓨터 인터페이스에서 신호 변동과 채널·시간창 의존성을 고려한 분류 프레임을 구축합니다. LIME 기반 해석가능 접근으로 특징 선택의 근거를 정리하고, random subspace 및 bootstrap aggregating 계열의 앙상블 학습으로 학습 안정성과 분리 성능을 보강합니다. 또한 시끄러운 환경에서 농도 변화에 대한 신경생리 반응을 관찰하여 강건성 관점의 전처리·특징 설계 방향을 도출합니다. 이를 통해 fNIRS-BCI의 실사용 가능성을 높이는 분류 파이프라인을 확보합니다.
관련 연구 성과
관련 논문
4편
관련 특허
0건
관련 프로젝트
0건
연구 흐름
초기에는 LIME과 같은 해석가능 모델-무관 설명을 적용해 fNIRS 특징 선택 과정의 중복성과 기여도를 점검하고, 분류 성능과 연결되는 특징 설계를 정리했습니다. 이후에는 랜덤 서브스페이스 앙상블로 채널 전체 및 시간 창 기반 특징 사용의 이점을 유지하면서도 부분 공간 학습을 통해 일반화 성능을 개선하는 접근으로 확장했습니다. 최근에는 정규화된 선형 판별 기반 앙상블을 통해 NIRS-BCI 데이터셋 전반에서 분류 정확도와 비트레이트 향상 가능성을 체계적으로 검증하고, 노이즈 환경에서 농도 변화에 대한 신경생리 효과를 분석해 안정적인 신호 기반 입력 구성을 탐색하고 있습니다.
활용 가능성
활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.
관련 논문
구분
제목
Feasibility of local interpretable model-agnostic explanations (LIME) algorithm as an effective and interpretable feature selection method: comparative fNIRS study
Random Subspace Ensemble Learning for Functional Near-Infrared Spectroscopy Brain-Computer Interfaces
Performance Improvement of Near-Infrared Spectroscopy-Based Brain-Computer Interface Using Regularized Linear Discriminant Analysis Ensemble Classifier Based on Bootstrap Aggregating
Investigating the neurophysiological effects of active noise cancellation on concentration in noisy environments using functional near-infrared spectroscopy