RLEEGNet: Integrating Brain-Computer Interfaces with Adaptive AI for Intuitive Responsiveness and High-Accuracy Motor Imagery Classification
원문 초록
Current approaches to prosthetic control are limited by their reliance on traditional methods, which lack real-time adaptability and intuitive responsiveness. These limitations are particularly pronounced in assistive technologies designed for individuals with diverse cognitive states and motor intentions. In this paper, we introduce a framework that leverages Reinforcement Learning (RL) with Deep Q-Networks (DQN) for classification tasks. Additionally, we present a preprocessing technique using the Common Spatial Pattern (CSP) for multiclass motor imagery (MI) classification in a One-Versus-The-Rest (OVR) manner. The subsequent 'csp space' transformation retains the temporal dimension of EEG signals, crucial for extracting discriminative features. The integration of DQN with a 1D-CNN-LSTM architecture optimizes the decision-making process in real-time, thereby enhancing the system's adaptability to the user's evolving needs and intentions. We elaborate on the data processing methods for two EEG motor imagery datasets. Our innovative model, RLEEGNet, incorporates a 1D-CNN-LSTM architecture as the Online Q-Network within the DQN, facilitating continuous adaptation and optimization of control strategies through feedback. This mechanism allows the system to learn optimal actions through trial and error, progressively improving its performance. RLEEGNet demonstrates high accuracy in classifying MI-EEG signals, achieving as high as 100% accuracy in MI tasks across both the GigaScience (3-class) and BCI-IV-2a (4-class) datasets. These results highlight the potential of combining DQN with a 1D-CNN-LSTM architecture to significantly enhance the adaptability and responsiveness of BCI systems.
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
운동 상상 전기뇌파의 피험자 간 분류를 위한 베이지안 완전 풀링
Bayesian Complete-Pooling in Cross-Subject Classification for Motor Imagery Electroencephalogram
뇌-컴퓨터 인터페이스(BCI)는 오랫동안 보정이 필요 없는 작동을 추구해 왔으나, 분류기는 통상 판별 성능만으로 평가된다. 판별 성능은 보정(calibration)을 반영하지 못하는데, 뇌전도(EEG) 신호가 비정상성(nonstationary)을 띠고 점추정 분류기가 분포 이동 하에서 과신할 수 있다는 점에서 이는 의미 있는 간극이다. 우리는 20개 데이터셋에 걸친 피험자 간 좌·우손 운동 상상 EEG 분류에서 베이지안 완전 풀링 모델과 빈도주의 기준 모델을 대조하는 대규모 연구를 수행하였다. 여섯 가지 빈도주의 파이프라인 각각을 동일하고 결정론적인 특징 추출을 공유하는 대응 베이지안 파이프라인과 짝지어, 분류기만 베이지안이 되도록 하였다. 베이지안 분류기는 마르코프 연쇄 몬테카를로로 적합하였다. 주요 지표는 신뢰도(reliability)와 분해능(resolution)으로 분해한 브라이어 점수였으며, 판별에는 ROC 곡선 아래 면적을, 선명도(sharpness)에는 섀넌 엔트로피를 함께 사용하였다. 각 지표에 대해 Knapp-Hartung 보정을 적용한 랜덤효과 메타분석을 수행하고 leave-one-out 영향 분석으로 검증하였다. 베이지안 완전 풀링은 신뢰도의 통계적으로 유의한 개선과 예측 불확실성의 증가(선명도 저하)를 보였으며, 95% 신뢰구간은 신뢰도에서 [-0.0029, -0.0001], 엔트로피에서 [0.0022, 0.0220] 비트였다. 그러나 사후분포 샘플링에 문제가 있다고 표시된 데이터셋을 제외하면 두 효과 모두 통계적 유의성을 유지하지 못했다. 브라이어 점수, 분해능, 판별 성능에서는 유의한 차이가 없었다. 연구 간 이질성은 모든 지표에서 낮았다. 베이지안 파이프라인은 빈도주의 파이프라인보다 약 13배 많은 에너지를 소비하였으나, 이는 일반 가전제품에 비해 여전히 적은 수준이다. 이처럼 비용이 크지 않으므로, 완전 풀링이 배제한 구조인 피험자 및 세션 간 부분 풀링이 실현 가능한 다음 단계가 된다.
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.
EEG 운동 상상 분류를 위한 생성 증강: 순환 일관성 디코더 정제를 갖춘 클래스 조건부 VAE
Generative Augmentation for EEG Motor Imagery Classification: A Class-Conditional VAE with Cycle-Consistent Decoder Refinement
생성 모델이 독립적인 하류 분류기의 정확도를 향상시키는 데 유용한 합성 운동 상상(MI) 뇌전도(EEG) 시행을 제공할 수 있는지 조사한다. Zhou 운동 상상 데이터셋에서 통합 잠재 분류기를 갖춘 클래스 조건부 변분 오토인코더(CVAE)를 학습하고, 학습된 클래스별 사전분포를 생성기로 사용한다: 주어진 레이블에 대해 사전분포에서 샘플링하여 이를 레이블과 일치하는 합성 신호로 디코딩한다. 생성된 데이터의 공분산 행렬에 대한 제약은 공분산 구조의 보존을 장려하며, 모델은 일반 VAE 학습과 증강에 사용되는 생성 경로를 선명하게 하는 디코더 중심 단계를 번갈아 수행하는 스케줄로 학습된다. 두 가지 평가 프로토콜—사용자 내(within-user, 피험자 간 풀링된 60/20/20 분할) 및 사용자 간(cross-user, leave-one-subject-out, LOSO)—에서 학습 세트에 합성 시행을 추가하는 효과를 네 가지 대표적인 EEG 분류 파이프라인—선형 판별 분석(LDA)과 함께하는 공통 공간 패턴(CSP+LDA), 서포트 벡터 머신(SVM)과 함께하는 접선 공간(tangent-space) 특징(TGSP+SVM), 리만 평균까지의 최소 거리(MDM), EEGNetv4 기반 신경망(이하 EEGNet)—에 걸쳐 측정한다. 결과는 독립적인 증강 추출, 무작위 시드(사용자 내), 또는 leave-one-subject-out 폴드(사용자 간)에 걸쳐 집계되며, 불확실성은 시드/폴드별 평균에 대해 계산된 95% 신뢰구간(Student's t-분포)으로 보고된다. CVAE로부터의 합성 EEG는 실제 원시 EEG의 대체재라기보다는 클래스 구조화된, 공분산 유사 데이터의 원천으로서 가장 신뢰할 만하다: MDM의 점 추정치를 높일 수 있지만, 더 넓은 증강 주장은 보수적으로 남아 있다—관찰된 이득은 작고 분류기에 따라 다르다.
다중 세션 운동 상상 EEG 신호 분류를 위한 ATCNet-CIAM
ATCNet-CIAM for Multi-Session Motor Imagery EEG Signal Classification
운동 상상(MI) 기반 뇌전도(EEG)는 비침습적 뇌-컴퓨터 인터페이스(BCI)에서 널리 사용되지만, 피험자 간 변이성과 세션 간 비정상성으로 인해 강건한 디코딩은 여전히 어려운 과제이다. 본 연구는 MI 디코딩을 위한 채널-공간 특징 표현을 개선하기 위해 경량 채널 통합 어텐션 모듈(CIAM)을 ATCNet 프레임워크에 통합한 향상된 어텐션 시간 합성곱 네트워크인 ATCNet-CIAM을 제안한다. 제안 모델은 BCI Competition IV-2a, BCI Competition IV-2b, 다일 WBCIC-MI 데이터셋에 대해 표준, 세션 내(within-session), 세션 간(cross-session) 프로토�ols 하에서 평가되었다. 실험 결과, 표준 프로토콜에서 ATCNet-CIAM은 BCI IV-2a에서 86.32%, BCI IV-2b에서 87.96%의 정확도를 달성했으며, 세션 내 WBCIC-MI에서 2C와 3C 각각 89.46%와 83.64%에 도달했다. 제안 프레임워크는 세션이 변하는 조건에서 분류 안정성과 강건성을 일관되게 향상시키며, ablation study는 제안된 아키텍처 구성 요소들의 상보적 기여를 확인한다.
범용 BCI 개인화: 동결 EEG 트렁크와 파운데이션 모델을 위한 단일 API
Universal BCI Personalization: One API for Frozen EEG Trunks and Foundation Models
동결 EEG 인코더가 확산하고 있으나, 모델별 파인튜닝 기본 설정은 확장되지 않는다. 우리는 Nimbus Personalizer를 제안한다. 이는 아키텍처마다 새로운 개인화 스택 없이 이종 동결 트렁크 위에 올라가는 encode → Bayesian head → BrainState(선택적 affine mid-tier)의 단일 계약(contract)이다. 논제(시스템): 기여는 임베딩 위 LDA를 ML 신규성으로 내세우는 것이 아니라 트렁크에 무관한(trunk-agnostic) API이며, OEM이 한 번 통합하고 트렁크를 교체할 수 있다는 점이다. 근거: 동일한 인터페이스가 다섯 가지 고전 트렁크 EEGNet, Shallow, Deep, Conformer, ATCNet × 네 개의 MI 데이터셋(18 cells)과, 동일한 Personalizer 하에서 파운데이션 인코더(REVE) 위에서도 동작한다. 임베딩 용량이 존재하는 경우, 헤드는 warm-start 파인튜닝 또는 PEFT 대비 저렴한 기본 중간 지점으로, 적응 wall time을 수 orders of magnitude 적게 소비하면서 파인튜닝 정확도 향상의 상당 부분을 회복한다. calibration-only-when-clean은 18 cells 중 12개에서 성립한다. 헤드 성능 향상은 용량이 존재하는 곳에서 API가 유 useful하다는 뒷받침 근거다. 피험자 수준 신뢰구간은 가장 명확한 데이터셋을 식별하고, 다른 곳에서는 0을 포함한다. 모든 결과는 탐색적(subject-level bootstrap, 확인적 검정 없음)이며, 적응을 언제 확대할지에 대한 의사결정 로직은 제어 층(control layer)에 관한 동반 연구에서 다룬다.
EEG 기반 AI-BCI 휠체어 고도화: 뇌-컴퓨터 인터페이스를 위한 운동 상상 기반 트랜스포머 학습
EEG-based AI-BCI Wheelchair Advancement: Transformer-Based Learning with Motor Imagery for Brain Computer Interface
본 논문은 인공지능(AI)을 통합한 뇌-컴퓨터 인터페이스(BCI) 기반 휠체어 개발 접근법을 제시하며, 제어를 위해 좌우 손 운동 상상 메커니즘을 활용한다. 이 시스템은 뇌전도(EEG) 데이터를 이용하여 좌우 손 운동 상상에 기반한 휠체어 내비게이션을 시뮬레이션하도록 설계되었다. 오픈소스 EEG 저장소에서 획득한 사전 필터링된 데이터셋을 손 움직임의 개시 시점을 포착하기 위해 19×200 배열로 분할하였다. 데이터는 200Hz의 샘플링 주파수로 수집되었다. 이 시스템은 Tkinter 기반 인터페이스를 통합하여 휠체어 이동을 시뮬레이션하며, 사용자에게 기능적이고 직관적인 제어 시스템을 제공한다. 운동 상상 EEG 분류를 위해 트랜스포머 기반 심층 학습 아키텍처인 TFormerEEG를 제안한다. 해당 모델은 XGBoost, EEGNet, EEG-Deformer 모델을 포함한 다양한 머신러닝 기준선 모델과 비교하여 93.04%의 테스트 정확도를 달성한다. TFormerEEG는 계층화 교차검증을 통해 평균 정확도 91.18%를 달성하여, 이 모델의 효과를 보여준다.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.