PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2507.21037v3cs.LG

피험자 간 EEG 디코딩을 위한 뇌 파운데이션 모델 기반 소스 선택적 도메인 적응

Brain foundation model-guided source-selective domain adaptation for cross-subject EEG decoding

피험자 간(cross-subject) 운동 심상(motor-imagery) 뇌전도(EEG, MI-EEG) 디코딩은 피험자 간 변동성이 커서, 매칭이 잘 되지 않는 소스 피험자로부터의 음의 전이(negative transfer)와 소스-타깃 도메인 간의 지속적인 분포 차이를 동시에 유발할 수 있기 때문에 여전히 어려운 과제이다. 기존의 다중 소스 도메인 적응 방법들은 흔히 가능한 모든 소스 도메인을 사용하거나 신호 수준 또는 태스크 특화 표현을 이용해 소스 관련성을 추정하며, 분포 정렬(distribution alignment)은 특징(feature) 수준에서만 수행되는 경우가 많다. 이러한 한계는 무관한 소스 지식을 유입시키고 피험자 간 클래스 판별 구조를 보존하지 못하는 결과를 낳을 수 있다. 본 연구에서는 피험자 간 MI-EEG 디코딩을 위한 뇌 파운데이션 모델 기반 다중 소스 도메인 적응 프레임워크(BFM-MSDA)를 제안한다. 이 방법은 먼저 사전학습된 뇌 파운데이션 모델이 학습한 표현을 활용하여 소스-타깃 호환성을 추정하고 타깃과 관련된 소스를 검색한다. 이어서 선택된 소스와 레이블이 없는 타깃 도메인에 관련성 가중 이중 정렬(relevance-weighted dual alignment) 전략을 적용한다. 구체적으로, 코시-슈바르츠(Cauchy–Schwarz, CS) 발산을 사용하여 주변 특징 분포(marginal feature distribution)의 차이를 줄이고, 조건부 코시-슈바르츠(conditional Cauchy–Schwarz, CCS) 발산을 통해 클래스에 의존적인 결정 분포(decision distribution)를 추가로 정렬한다. 소스 관련성은 두 정렬 항 모두에 반영되어, 전이 가능성이 더 높은 소스 피험자가 적응 과정에 더 강하게 기여하도록 한다. 두 개의 공개 MI-EEG 벤치마크에서의 실험은 각각 평균 정확도 86.16%와 78.41%를 달성하여 대표적인 피험자 간 디코딩 및 도메인 적응 방법들을 능가하였다. 대규모 소스 풀을 이용한 추가 실험은 타깃을 고려한 소스 검색(target-aware source retrieval)이 음의 전이를 완화하면서 확장성을 향상시킨다는 것을 추가로 보여준다. 이러한 결과는 피험자 간 분포 변화(distribution shift) 상황에서 정보에 기반한 소스 선택의 중요성을 강조한다.