PyTorchKR Papers

최신 논문

총 42편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2508.20705v5cs.LG

EEGDM: 잠재 확산 모델을 활용한 EEG 표현 학습

EEGDM: Learning EEG Representation with Latent Diffusion Model

뇌전도(EEG) 표현을 위한 자기지도학습(self-supervised learning)의 최근 발전은 주로 마스크 재구성(masked reconstruction)에 크게 의존해 왔으며, 이 방식에서는 모델이 무작위로 마스킹된 신호 구간을 복원하도록 학습(training)됩니다. 마스크 재구성은 국소적 의존성을 모델링하는 데 효과적이지만, 그 학습 목표는 신경 활동을 특징짓는 데 필수적인 전역적 생성 제약 조건을 모델이 포착하도록 강제하지 못합니다. 이러한 한계를 해결하기 위해, 본 논문에서는 EEG 신호 생성을 목표로 삼기 위해 잠재 확산 모델(latent diffusion model)을 활용하는 새로운 자기지도 프레임워크인 EEGDM을 제안합니다. 마스크 재구성과 달리, 확산 기반 생성은 잡음(noise)에서 사실적인 신호로 점진적으로 노이즈를 제거(denoising)하여 모델이 전체적인 시간적 패턴과 채널 간 관계를 포착하도록 강제합니다. 구체적으로 EEGDM은 원시 신호와 채널 증강을 컴팩트한 표현으로 증류하는 EEG 인코더를 포함하며, 이 표현은 확산 노이즈 제거 과정을 안내하는 조건 정보로 사용되어 인코더와 확산 모델이 생성 목표를 통해 공동으로 최적화(optimization)될 수 있도록 합니다. 이러한 설계를 통해 EEGDM은 컴팩트한 잠재 공간을 갖추게 되며, 이는 생성 과정에 대한 충분한 제어력을 제공할 뿐만 아니라 다운스트림 태스크에도 활용될 수 있습니다. 실험 결과는 EEGDM이 (1) 고품질 EEG 신호를 재구성하고, (2) 강건한 표현을 학습하며, (3) 다양한 다운스트림 태스크 전반에서 경쟁력 있는 성능을 달성함을 보여줌으로써 자기지도 EEG 표현 학습의 새로운 방향을 모색합니다.

arXiv:2609.26820v1cs.LG

Signal2Symbol: 설명 가능한 생리학적 시계열 이상 탐지를 위한 신경-기호적 시간적 추론

Signal2Symbol: Neuro-Symbolic Temporal Reasoning for Explainable Physiological Time-Series Anomaly Detection

심전도(ECG)와 뇌파(EEG)와 같은 생리학적 시계열은 복잡한 시간적 구조, 상당한 측정 변동성, 그리고 투명한 의사결정에 대한 강한 필요를 보인다. 딥 모델은 높은 탐지 성능을 달성할 수 있지만, 어떤 구간이 이상한지, 국소 이상이 시간에 따라 어떻게 연관되는지, 한 탐지가 더 넓은 반복 패턴에 속하는지에 대한 통찰은 종종 제한적이다. 우리는 설명 가능한 생체신호 이상 탐지를 위한 신경-기호적(neuro-symbolic) 프레임워크인 Signal2Symbol을 제안한다. 이 방법은 먼저 학습된 VQ-VAE(Vector Quantized Variational Autoencoder) 코드북 또는 SAX(Symbolic Aggregate approXimation) 베이스라인을 사용해 ECG/EEG 신호를 기호(symbol) 시퀀스로 변환한다. 이어서 bigram enriched token-window 트랜잭션을 구성하고, minimal rare itemset mining에서 도출된 희귀 아이템셋(rare itemset) 증거를 통해 이상을 점수화한다. 탐지된 이상 윈도우는 구간(interval)으로 병합되고 Allen interval algebra로 서로 연관되며, 이를 통해 악화 연쇄(escalation chains), 아티팩트(artifact) 중첩, 채널 간 동기(cross-channel synchrony)와 같은 복합 시간적 설명이 가능해진다. 마지막으로 형식 개념 분석(Formal Concept Analysis, FCA)에 기반한 희귀 시간적 개념 격자(concept lattice)를 도입하며, 이는 공유된 희귀 기호적 증거, Allen 시간적 관계, 채널 컨텍스트, 견고성(robustness) 속성을 기준으로 이상 구간을 묶는다. 결과 Galois 격자는 다수의 국소 탐지를 해석 가능한 시간-기호적(temporal-symbolic) 이상 패밀리로 압축한다. 세 개의 공개 벤치마크에서 평가한다: MIT-BIH Arrhythmia(beat 수준 ECG), PTB-XL(기록 수준 ECG), Bonn EEG 데이터셋(segment 수준 EEG). 가법 잡음(additive noise)과 기준선 변동(baseline-wander) 교란 하에서 견고성을 스트레스 테스트한다. 결과는 시간적 이상 분석에서 신경-기호적 토큰화의 가치를 부각하며, Allen/FCA 추론이 국소 탐지에 대한 간결하고 해석 가능한 요약을 제공함을 보여준다.

arXiv:2609.24324v1cs.AI

Brain-Token Learning: 장기 EEG 시퀀스 모델링을 위한 미세상태 기반 토큰화 및 다중 스케일 상호작용

Brain-Token Learning: Microstate-Based Tokenization and Multi-Scale Interaction for Long-Horizon EEG Sequence Modeling

뇌전도(EEG)는 동적인 뇌 활동을 파악할 수 있는 비침습적 창을 제공하지만, 장기(long-horizon) EEG 시퀀스를 모델링하는 것은 높은 시간적 복잡도, 피험자 간의 상당한 변동성, 생물학적으로 유의미한 시퀀스 표현의 부재로 인해 여전히 어려운 과제로 남아 있습니다. 고정 윈도우 및 패치 기반 표현과 같은 기존의 토큰화(tokenization) 전략은 인위적인 시간적 경계에 따라 EEG 신호를 이산화하므로, 본질적인 뇌 상태 역학을 훼손할 수 있습니다. 본 연구에서는 장기 EEG 시퀀스 모델링을 위해 뇌 토큰화(Brain Tokenization)를 도입한 신경과학 기반 프레임워크인 Brain-Token Learning을 제안합니다. Brain Tokenization은 EEG 신호를 사전 정의된 시간 세그먼트로 분할하는 대신, 반복되는 미세상태(microstate)에서 파생된 뇌 토큰(token)의 시퀀스로 표현하며, 각 토큰은 가변적인 시간적 지속 기간을 갖는 준안정적(quasi-stable) 대규모 뇌 상태에 대응합니다. 이러한 생물학적 근거를 둔 토큰을 기반으로, 저자들은 전역적 뇌 상태 문맥과 국소적 미세상태 전이를 공동으로 포착하기 위해 잠재 상태 집약(Latent State Aggregation) 및 상태 전이 모델링(State Transition Modeling)으로 구성된 다중 스케일 토큰 상호작용 모듈을 추가로 개발합니다. 저자들은 새로 수집된 장기 NeuroLong 데이터셋(dataset)과 4개의 정서적 또는 임상적 EEG 데이터셋(SEED, DEAP, MDD, NSSI)을 포함한 5개의 이종 EEG 데이터셋에서 Brain-Token을 평가(evaluation)합니다. 광범위한 실험을 통해 Brain-Token이 다양한 EEG 시나리오 전반에서 기존의 CNN/LSTM 아키텍처, 트랜스포머(Transformer) 기반 모델, 도메인 적응 기법들을 일관되게 능가함을 입증합니다. 추가 분석을 통해 강건하고 해석 가능한 EEG 표현을 학습(training)하는 데 있어 미세상태 기반 토큰화 및 다중 스케일 상호작용의 효과를 검증합니다. 이러한 결과는 Brain-Token이 장기 EEG 시퀀스 모델링을 위한 생물학적 근거를 갖춘 토큰화 패러다임임을 확립합니다.

arXiv:2609.22282v1cs.CV

뇌-이미지 생성: 생성적 적대 신경망을 이용한 뇌파 기반 시각 자극 재구성

Brain-to-Image Generation: Reconstructing Visual Stimuli from EEG using Generative Adversarial Networks

뇌파(EEG)로부터 시각 자극을 재구성하는 것은 두피 측정이 높은 시간 해상도를 갖지만 공간 해상도가 제한적이고, 짝지어진 EEG-이미지 데이터셋이 현대 생성 모델(generative model) 학습 코퍼스에 비해 여전히 작기 때문에 어렵습니다. 본 논문에서는 EEG가 시각 임베딩 공간에서 피험자가 본 자극을 검색할 수 있는지에 대한 보다 타당한 질문을 먼저 검증하는 THINGS-EEG2 기반의 재현 가능한 단일 피험자 기준선(baseline)을 제시합니다. 소형 시공간 합성곱 인코더(temporal-spatial convolutional encoder)는 반복 평균된 EEG(63 x 250)를 사전에 제공된 512차원 ViT-B/32 이미지 특징에 매핑합니다. 모델 선택에는 개념이 분리된 검증 분할을 사용하며, 최종 평가에는 공식 200개 이미지, 200개 개념의 테스트 갤러리를 사용합니다. 세 가지 학습 시드에 걸쳐, 제안 모델은 1, 5, 10에서의 이미지 재현율(recall) 각각 12.83 ± 0.58%, 39.17 ± 1.76%, 58.00 ± 1.73%(평균 ± 표본 표준편차)를 달성하여 0.5%, 2.5%, 5.0%인 이론적 무작위 확률 수준(chance level)과 비교되는 성능을 보였습니다. 세션 균형 제거 연구(ablation study)는 더 많은 테스트 반복을 평균화할수록 전반적으로 순위 매김이 향상됨을 보여줍니다. 적응 과정 없이 피험자 01의 모델을 다른 9명의 피험자에게 적용하면 성능이 급격히 저하되어 피험자 특이성이 드러납니다. 나아가 외부 시각 가중치 없이 학습된 직접 조건부 생성기(direct conditional generator)에 대한 탐색적 스트레스 테스트를 보고합니다. 단일 피험자 및 10명 피험자 변형 모델은 노이즈가 지배적인 출력을 생성하며, 초기 검증 성능 개선은 1~4 에포크 후에 반전되었습니다. 마지막으로 사전학습된 확산 사전확률(diffusion prior)을 사용하는 시맨틱 렌더링과 직접 재구성을 구별합니다. 결과는 폐쇄 집합(closed-set) 및 반복 평균화 프로토콜 하에서 무작위 수준을 넘어서는 대략적인 시맨틱 디코딩은 지지하지만, 자극 픽셀의 충실한 복원은 지지하지 않습니다.

arXiv:2607.11578v1cs.LG

DiffEEG: EEG 일반 표현 학습을 위한 자기지도 디노이징 확산 모델

DiffEEG: A Self-Supervised Denoising Diffusion Model for Learning EEG Generic Representations

EEG 기반 발작 감지를 위한 심층 학습은 두 가지 핵심 과제에 직면해 있다: 심각한 어노테이션 부족과 극단적인 클래스 불균형으로, 발작 발현(ictal) 이벤트는 임상 기록의 10% 미만을 차지한다. 우리는 9.6M 매개변수의 자기지도 파운데이션 모델인 DiffEEG를 제안한다. 이 모델은 디노이징 확산 사전학습과 강화학습(RL) 기반 미세조정을 통해 두 가지 한계를 모두 해결한다. Temple University Hospital Seizure Corpus(TUHSZ)의 130만 개 비레이블 세그먼트로 사전학습된 DiffEEG는 멀티헤드 셀프 어텐션을 갖춘 1D U-Net을 통해 일반적인 신경 표현을 학습한다. 다운스트림 적응을 위해, 강화된 결정 층은 정책 그래디언트 최적화를 사용하여 F1-score를 직접 최대화하며, 전체 정확도보다 희귀 발작 이벤트에 대한 민감도를 우선시한다. 엄격한 환자별 평가(279명, Leave-One-Fold-Out)에서 DiffEEG는 4-클래스 발작 하위유형 분류에서 61% 정확도와 59% F1을 달성하고, 이진 감지에서 81% 정확도와 85% 가중 F1을 달성하며, 극단적인 불균형(6.7% 유병률)에도 불구하고 임상적으로 실용 가능한 발작 재현율(59%)을 유지한다. 세그먼트 수준 평가에서는 97.6%의 정확도 상한을 확립하여 강력한 아키텍처 용량을 확인한다. DiffEEG는 확산 기반 사전학습과 메트릭 인식 강화학습의 결합이 최소한의 레이블 데이터 요구사항으로 임상 배포 가능한 발작 모니터링을 가능하게 함을 입증한다.

arXiv:2607.11445v1cs.LG

신경 보조 운동 제어를 위한 이벤트 기반 신경 디코딩

Event-based Neural Decoding for Neuroprosthetic Motor Control

상당수의 환자들이 장애, 질병, 또는 사고로 인해 이동성 저하를 경험한다. 심층 신경망을 기반으로 하는 현대의 보철 장치는 이러한 환자들의 삶의 질을 크게 향상시킬 잠재력을 지니고 있으나, 높은 지연 시간, 에너지 소비, 그리고 공간적 요구사항으로 인해 광범위한 보급이 저해되고 있다. 외부 고성능 프로세서와의 유선 연결은 환자의 이동성을 제한하는 반면, 무선 연결은 해당 프로세서로 전송할 수 있는 정보의 양을 제한한다. 스파이킹 신경망(spiking neural network)은 압축 통신과 저전력 추론의 가능성을 제공하지만, 다양한 응용 분야에서 최신 심층 학습 모델에 비해 성능이 뒤처지는 경우가 많다. 본 연구에서는 과제 성능과 효율성을 효과적으로 균형 있게 조율하는 고성능 신경 디코딩 방법을 제안한다. 이벤트 기반 게이트 순환 유닛(gated recurrent unit)은 그레이디드 스파이크(graded spike)를 활용한 희소(sparse) 통신 패턴을 생성하며, 과제 성능 면에서 기존 스파이킹 신경망을 능가한다. 효율적인 학습 방법과 희소 추론을 활용한 본 모델은 온디바이스(on-device) 신경 디코딩을 위한 새로운 가능성을 제시한다.

arXiv:2607.11530v1cs.AI

Learning Residual Kinematic Corrections for Continuous Neural Decoding via Reinforcement Learning

비침습적 뇌파(EEG) 기반 뇌-컴퓨터 인터페이스(BCI)를 활용한 연속적인 3차원(3D) 운동 심상(MI) 디코딩은 신호 변동성과 잔차 디코딩 오류로 인해 여전히 어렵다. 합성곱 신경망-장단기 기억(CNN-LSTM) 모델과 같은 심층 학습 아키텍처는 연속 운동학적 디코딩을 위한 공간적·시간적 동역학을 포착할 수 있지만, 예측 궤적에는 체계적인 잔차 오류가 지속된다. 본 논문에서는 CNN-LSTM 디코더의 출력에 강화학습(RL)을 적용하여 잔차 운동학적 보정을 수행하는 2단계 디코딩 프레임워크(CNN-LSTM-RL)를 제안한다. RL 에이전트는 직접적인 EEG 입력 없이 오프라인으로 학습되며, 예측된 운동학적 궤적에 대해 동작하여 목표 궤적 대비 움직임 정확도를 최적화한다. 디코딩 성능은 $x$, $y$, $z$ 축에 따른 피어슨 상관계수($r$)와 평균 제곱근 오차(RMSE)로 정량화되었다. CNN-LSTM 단독 적용과 비교하여, CNN-LSTM-RL은 2D에서 평균 상관계수를 $0.5076$에서 $0.7181$($p = 0.0005$)로, VR에서 $0.6420$에서 $0.7780$($p = 0.0059$)으로 향상시켰으며, 각각 $41.5\%$와 $21.2\%$의 상대적 향상을 달성하였다. 이에 따라 RMSE는 2D에서 $0.0890$에서 $0.0532$($p < 0.0001$)로, VR에서 $0.0714$에서 $0.0441$($p < 0.0001$)로 감소하였으며, 각각 $40.2\%$와 $38.2\%$의 상대적 감소를 나타냈다. 이러한 결과는, 본 확장 가능한 프레임워크가 추가적인 신경 데이터 없이 오프라인 잔차 강화학습을 통해 운동학적 오류를 보정함으로써 3D BCI 운동 심상 디코딩을 향상시키며, 신경재활, 보조기기, 가상 상호작용 분야의 발전에 기여함을 보여준다.

arXiv:2607.09662v1q-bio.NC

PHINN-EEG: 꿈 상태 뇌전도의 위상적 시계열 분석 -- 꿈 내용 분류를 위한 동적 Betti 곡선과 위상 조건부 신경 신호 합성

PHINN-EEG: Topological Time-Series Analysis of Dream-State EEG -- Dynamic Betti Curves for Dream Content Classification and Topology-Conditioned Neural Signal Synthesis

현재 뇌전도(EEG) 기반 꿈 탐지는 전력 스펙트럼 밀도(PSD)와 통계적 모멘트 특징에 의존하며, DREAM 데이터베이스에서 수신자 조작 특성 곡선 아래 면적(AUC) 약 0.70의 최신 성능을 달성하고 있다(Wong et al., 2025, Nature Communications). 우리는 꿈 내용 분석을 위한 최초의 위상적 시계열 프레임워크인 PHINN-EEG(Persistent Homology Inspired Neural Network for EEG)를 소개한다. 다채널 각성 전 EEG 에포크에 슬라이딩 윈도우 Takens 지연 임베딩과 Vietoris-Rips 필트레이션을 적용하여, 신경 활동의 에너지만이 아닌 기하학적 구조를 특성화하는 동적 Betti 곡선을 추출한다. 이러한 위상적 불변량은 위상 조건부 플로우 매칭과 결합되어, DREAM 데이터베이스의 공개 접근 부분 집합(20개 독립 실험실의 263명 참가자로부터 총 3,191건의 각성 사례를 포함한 전체 레지스트리에서 추출한 1,462건의 각성 사례)에서 기존 PSD 및 catch22 기준선을 능가하여 AUC = 0.82–0.90을 달성할 것으로 분석적으로 예측된다. 또한 꿈 상태 EEG 합성을 위한 위상 조건부 정류 플로우 모델을 소개하며—위상적 조건부의 가치를 독립적으로 분리하기 위한 추가 절제 기준선으로서 유사한 특징 차원의 스펙트럼 조건부 플로우 모델도 제시한다—현상학적 꿈 보고 범주와 위상을 연결하는 후보 Betti 전이 원형 집합을 제안하며, 이는 경험적 검증이 필요한 탐색적 가설 공간으로 제시된다. 검증될 경우, 이 연구는 신경 희귀 이벤트 탐지에서 스펙트럼 에너지로부터 위상 공간 기하학으로의 패러다임 전환을 의미하며, 웨어러블 뇌-컴퓨터 인터페이스(BCI) 꿈 모니터링에 대한 잠재적인 미래 시사점을 가진다.

arXiv:2607.09543v1cs.LG

CoCoT-EEG: EEG 디코딩을 위한 대조 사전학습 기반 다중 스케일 합성곱 트랜스포머

CoCoT-EEG: Contrastive-Pretrained Multiscale Convolutional Transformer for EEG Decoding

자기지도 사전학습 기반 파운데이션 모델(FM)은 비침습적 뇌전도(EEG) 디코딩 응용 분야에서 초기 가능성을 보여주고 있다. 최근의 대규모 모델 다수는 원시 EEG를 토큰화한 후 마스크 재구성 사전학습을 적용하는 방식으로 수렴하였다. 그러나 이 방식은 높은 노이즈 진폭을 가지며 좁은 주파수 대역과 같이 제한된 차원에 정보가 집중된 EEG와 같은 데이터에는 최적이 아님이 밝혀졌다. 이러한 통찰을 바탕으로, 우리는 다중 스케일 시간적 합성곱 입력 레이어와 트랜스포머 인코더 블록을 결합한 새로운 대조 사전학습 EEG 모델(CoCoT)을 개발하였다. CoCoT는 이질적인 전극 구성을 갖는 광범위한 벤치마크 디코딩 태스크에서 최신 재구성 사전학습 EEG 모델과 동등하거나 이를 능가하는 성능을 달성하였다. 나아가, 처음부터 학습된 CoCoT는 기존 단일 태스크 디코딩 모델을 능가하며 사전학습 모델과도 견줄 수 있는 성능을 보여, 아키텍처의 유연성과 데이터 효율성을 입증하였다. 모델 아키텍처 및 사전학습 목적 함수를 포함한 체계적인 절제 실험을 통해, 우리는 EEG FM 구축에 대조학습의 실현 가능성을 입증하는 동시에 핵심 아키텍처 설계 고려 사항을 제시하며, 대안적인 대규모 사전학습 전략에 대한 추가 연구를 촉구한다.

arXiv:2607.07720v2cs.LG

Omni-Sleep: 중추신경계-자율신경계 동역학의 계층적 대조 학습을 통한 수면 파운데이션 모델

Omni-Sleep: A Sleep Foundation Model via Hierarchical Contrastive Learning of CNS-ANS Dynamics

CNS/ANS 생리학적 계층 구조를 사전 정보로 활용하는 수면 파운데이션 모델 Omni-Sleep은 계층적 대조학습(intra-system consistency, inter-system synchronization)과 장기 잠재 마스크 예측을 결합하여 10만 시간 이상의 다중 모달 PSG 데이터로 사전학습되었으며, 수면 단계 분류 및 다중 질환 분류에서 기존 베이스라인 대비 레이블 효율성, 교차 데이터셋 일반화, 누락 모달리티 강건성 모두에서 우수한 성능을 보인다.

arXiv:2607.07773v1cs.LG

심리학적 기반 레이블 구조를 활용한 EEG 기반 감정 인식을 위한 그래프 정규화 심층 학습

Graph-Regularized Deep Learning for EEG-Based Emotion Recognition with Psychologically-Grounded Label Structure

러셀의 circumplex 모델을 기반으로 감정 간 심리적 근접성을 그래프로 인코딩하고, Graph Label Smoothing, Graph Laplacian, Sliced Wasserstein Distance 세 가지 정규화 전략을 통해 심리적으로 타당하지 않은 오분류에 더 큰 패널티를 부여하는 그래프 정규화 학습 프레임워크를 제안한다. SEED-IV 및 SEED-V 데이터셋에서 AudioTransformer, Conformer, DCGNN 세 가지 백본 아키텍처 전반에 걸쳐 일관된 성능 향상을 달성했으며, 최선의 경우 정확도 최대 +5.42% 향상 및 심리적으로 부적절한 오분류(Proximity Violation) 39% 감소를 기록했다.

arXiv:2603.18078v2cs.LG

위상 네이티브 뇌-컴퓨터 인터페이스 분류를 위한 변분 페이저 회로

Variational Phasor Circuits for Phase-Native Brain-Computer Interface Classification

변분 양자 회로에서 영감을 받아 밀집 가중치 행렬 대신 학습 가능한 위상 이동(phase shift)과 유니터리 혼합으로 구성된 단위원 다양체 기반 결정론적 분류 아키텍처인 VPC(Variational Phasor Circuit)를 제안한다. PhysioNet 운동 상상 EEG 데이터셋에서 VPC는 표준 뇌-컴퓨터 인터페이스(BCI) 기준 모델들보다 한 자릿수 적은 파라미터로 최고 평균 디코딩 정확도 0.60을 달성하며, 위상 전용 연산의 구조적 한계(패리티형 함수 표현 불가)도 함께 분석한다.

arXiv:2511.18940v3cs.LG

교차 피험자 운동 심상의 다양체 학습을 위한 기하학 인식 심층 합동 변환 네트워크

Geometry-Aware Deep Congruence Networks for Manifold Learning in Cross-Subject Motor Imagery

EEG 기반 뇌-컴퓨터 인터페이스의 교차 피험자 운동 심상(Motor Imagery) 디코딩에서 피험자 간 공분산 분산 및 방향 차이를 보정하기 위해, 리만 기하학 기반의 합동 변환(congruence transformation)을 적용한 DCT, DLDCT, DDCT-UNet 세 가지 모델을 제안한다. 여러 MI-EEG 벤치마크에서 leave-one-subject-out 귀납적 프로토콜로 평가한 결과, 기존 기준선 대비 2~3% 정확도 향상을 달성하였다.

arXiv:2607.04107v2cs.CL

자연스러운 읽기 중 N400 및 P600 역학을 형성하는 의미 통합과 어휘 기대

Contextual Semantic Relevance and Word Surprisal Predict N400 and P600 Dynamics During Naturalistic Reading

자연스러운 읽기(naturalistic reading) 중 단어 수준의 EEG 반응을 예측하는 데 있어 GPT 기반 단어 놀라움(word surprisal)과 어텐션 인식 맥락적 의미 관련성(contextual semantic relevance)의 상보적 역할을 DERCo 코퍼스에서 22명의 참가자를 대상으로 비교 분석하였다. 두 지표 모두 N400 및 P600 구간의 EEG 반응과 유의한 연관성을 보였으나, 맥락적 의미 관련성은 특히 P600 구간에서 어휘 통제 변수와 놀라움을 넘어서는 독립적인 설명력을 제공하여 어휘 기대와 국소적 의미 통합이 언어 이해의 신경 역학에 함께 기여함을 시사한다.

arXiv:2505.10356v3cs.CL

멀티모달 마음 디코딩: 멀티모달 정렬과 적응형 라우팅을 통한 일반화 가능한 뇌-텍스트 변환

Decoding the Multimodal Mind: Generalizable Brain-to-Text Translation via Multimodal Alignment and Adaptive Routing

MLLM(멀티모달 대규모 언어 모델)을 활용해 뇌 신호를 텍스트·이미지·오디오를 아우르는 공유 의미 공간에 정렬하고, 라우터 모듈로 자극별 모달리티 특징을 동적으로 융합하는 통합 BCI 디코딩 프레임워크를 제안한다. fMRI·EEG·MEG 등 다양한 뇌 신호와 자극 유형에서 최고 성능을 달성했으며, 가장 널리 쓰이는 벤치마크에서 평균 8.48% 성능 향상을 기록했다.

arXiv:2606.01884v3cs.AI

EVA-Net: 비디오 기반 운동 사전 정보를 활용한 피험자 독립적 EEG 운동 디코딩

EVA-Net: Subject-Independent EEG Motor Decoding with Video-Derived Motor Priors

비침습 뇌-컴퓨터 인터페이스(BCI)에서 피험자 독립적 EEG 운동 디코딩의 한계를 극복하기 위해, 액션 비디오를 의미적 사전(prior)으로 활용하는 2단계 프레임워크 EVA-Net을 제안한다. 교차 모달 대조 학습으로 EEG와 비디오 특징을 공유 공간에 정렬한 뒤, 지식 증류(knowledge distillation)를 통해 비디오 기반 사전 정보를 추론 오버헤드 없이 EEG 전용 분류기에 전달하며, EEGMMI 데이터셋에서 LOSO 정확도 8.66% 향상을 달성했다.

arXiv:2607.04934v1cs.LG

소규모 EEG 데이터셋을 위한 제약된 CNN과 Mamba를 활용한 경량 ML 기반 자동 수면 단계 분류 프레임워크

Lightweight ML-Based Automatic Sleep Staging Framework with Constrained CNN and Mamba for Small-Sample EEG Datasets

소규모 EEG 데이터셋에서의 과적합 문제와 N1·REM 단계의 낮은 분류 정확도를 해결하기 위해, 개선된 Gabor 커널과 학습 가능한 필터를 결합한 FEB 모듈 및 Mamba 기반 시계열 분류 네트워크로 구성된 경량 수면 단계 자동 분류 프레임워크 GamSleepNet을 제안한다. 단 30,860개의 파라미터만으로 Sleepedf 데이터셋에서 전체 정확도 87.86%를 달성하며 모든 지표에서 SOTA 수준에 도달하였고, 대조 손실(contrastive loss)과 2단계 학습 전략을 통해 어려운 수면 단계의 식별 정확도를 크게 향상시켰다.

arXiv:2607.04139v1cs.LG

교차 데이터셋 EEG 기반 감정 인식을 위한 마스크 생성-대조 표현 학습

Masked Generative-Contrastive Representation Learning for Cross-Dataset EEG-Based Emotion Recognition

자기지도 학습(SSL)은 특징 표현과 일반화를 개선함으로써 교차 데이터셋 전이에 강한 잠재력을 보인다. 그러나 EEG 기반 감정 인식에 대한 적용은 아직 대부분 미탐구 영역으로 남아 있다. 기존 SSL 방법들은 다양한 채널 구성 하에서 EEG 신호의 복잡한 시공간적 의존성을 포착하고, 노이즈에 강인한 세밀한 표현을 추출하며, 피험자 간 잘 일반화되는 전역 특징을 도출하는 데 어려움을 겪는다. 이러한 과제를 해결하기 위해, 우리는 EEG 기반 감정 인식을 위해 특별히 설계된 새로운 SSL 프레임워크인 마스크 생성-대조 표현 학습(MGCRL)을 제안한다. 영역 인식 시공간 인코더를 기반으로 구축된 MGCRL은 생성 학습과 대조 학습을 통합하여 교차 데이터셋 일반화를 위한 세밀한 표현과 전역 판별 표현을 모두 달성한다. MGCRL은 세 가지 핵심 설계를 도입한다: 1) 지역화된 공간적·기능적 관계를 포착하기 위해 영역 기반 그래프 합성곱을 통합한 시공간 인코더로, 영역별 특징 학습을 강화하고 데이터셋 간 다양한 EEG 채널 구성의 영향을 완화한다; 2) 마스크된 특징을 활용하여 노이즈 강인성이 있는 세밀한 표현을 포착하는 결합 임베딩 예측 아키텍처(JEPA) 기반 생성 학습 메커니즘으로, 미묘한 감정 상태를 특성화하는 모델의 역량을 향상시킨다; 3) 동일한 자극에 걸쳐 시간적으로 안정적이고 피험자 간 불변적인 표현을 학습하기 위해 마스크된 특징과 원본 특징을 활용하는 대조 학습 전략으로, 감정 판별과 피험자 간 일반화를 향상시킨다. 이러한 설계들 하에서 MGCRL은 보편적 표현을 학습하는 뛰어난 능력을 보인다. 대규모 FACED 데이터셋에서 사전학습하고 다수의 SEED-시리즈 데이터셋에서 미세조정하는 광범위한 실험이 MGCRL의 효과성을 입증한다.

arXiv:2607.03925v1cs.LG

NeuroOnline: EEG 파운데이션 모델을 위한 사전학습과 온라인 적응의 연결

NeuroOnline: Bridging Pretraining and Online Adaptation for EEG Foundation Models

EEG 파운데이션 모델의 사전학습-정적 배포 패러다임이 갖는 목표 불일치 및 온라인 분포 변화 적응 한계를 해결하기 위해, 다중 뷰 일관성 학습(MCL)과 컨텍스트 인식 표현 조절(CRM)을 통합한 온라인 신경 적응 프레임워크 NeuroOnline을 제안한다. 여러 EEG 벤치마크 실험에서 NeuroOnline은 온라인 환경의 분포 변화 하에서 기존 강력한 베이스라인을 일관되게 능가하는 성능을 보였다.

arXiv:2607.03094v1cs.LG

운동 상상 디코딩을 위한 피험자 적응형 EEG 파운데이션 모델의 스택형 LoRA

Stacked LoRA for Subject-Adaptive EEG Foundation Models in Motor Imagery Decoding

EEG 파운데이션 모델(REVE, LaBraM, LUNA)의 피험자 간 변동성 문제를 해결하기 위해, 피험자 불변 지식을 학습하는 전역 어댑터와 개인별 신경 시그니처를 흡수하는 피험자별 어댑터를 결합한 Stacked LoRA 프레임워크를 제안한다. BCI Competition IV-2a, PhysioNet Motor Imagery, Zuo2025 벤치마크 실험에서 Stacked LoRA가 대부분의 백본-데이터셋 조합에서 최고 정확도를 달성했으며, 대규모 코호트에서는 전역 어댑터만으로도 충분하지만 임상 데이터의 높은 세션 간 변동성 환경에서는 피험자별 적응이 결정적임을 보였다.