최근 수년간 딥러닝 방법은 뇌전도(electroencephalography, EEG) 데이터로부터 유용하고 구별력 있는 특징을 추출하는 데 유망한 능력을 보여왔다. 그러나 몇몇 연구에서는 특징 선택(feature selection)과 특징 추출(feature extraction)을 순차적으로 수행하는 과정이 추가적인 성능 향상을 달성하는 데 유익할 수 있다고 보고하였다. 최근의 한 연구에서는 시간적(temporal) 도메인에서 과업 관련 특징을 선택하기 위해 단일 에이전트 강화학습(reinforcement learning, RL) 기반 프레임워크를 사용하여 유망한 결과를 얻었음에도 불구하고, 공간–스펙트럼(spatial–spectral) 도메인의 다른 중요한 특징들은 여전히 고려하지 못하였다. 이러한 한계를 극복하기 위해, 우리는 운동 표상(motor imagery, MI)-EEG 분류 과업을 대상으로 공간–스펙트럼 및 시간 두 도메인에서 동시에 특징 선택을 수행하는 협력적 다중에이전트 강화학습 기반 프레임워크(MARS)를 제안한다. 이 프레임워크에서, 우리는 RL 에이전트들이 팀으로서 서로 협력하여 복잡한 다목적 특징 선택 문제를 해결하도록 한다. 또한, 다중에이전트 경우의 신용 할당(credit assignment) 문제와 연관된 무임승차자(free-rider) 문제를 극복하기 위해 대안적 반사실(반사실적) 이점 함수(counterfactual advantage function)를 채택한다. MARS 프레임워크를 평가하기 위해, 우리는 주체 의존(subject-dependent) 및 주체 비의존(subject-independent) 시나리오에서 두 개의 공개 MI 데이터셋에 대해 광범위한 실험을 수행하고, 서로 다른 백본 네트워크(backbone networks)에 MARS를 적용한다. 실험 결과는 우리의 MARS가 평균 정확도(mean accuracy) 측면에서 다른 경쟁 방법을 능가하며, 통계적으로 유의한 개선을 달성함을 보여준다.

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