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.