BDAN: Mitigating Temporal Difference Across Electrodes in Cross-Subject Motor Imagery Classification via Generative Bridging Domain
원문 초록
Because of "the non-repeatability of the experiment settings and conditions" and "the variability of brain patterns among subjects", the data distributions across sessions and electrodes are different in cross-subject motor imagery (MI) studies, eventually reducing the performance of the classification model. Systematically summarised based on the existing studies, a novel temporal-electrode data distribution problem is investigated under both intra-subject and inter-subject scenarios in this paper. Based on the presented issue, a novel bridging domain adaptation network (BDAN) is proposed, aiming to minimise the data distribution difference across sessions in the aspect of the electrode, thus improving and enhancing model performance. In the proposed BDAN, deep features of all the EEG data are extracted via a specially designed spatial feature extractor. With the obtained spatio-temporal features, a special generative bridging domain is established, bridging the data from all the subjects across sessions. The difference across sessions and electrodes is then minimized using the customized bridging loss functions, and the known knowledge is automatically transferred through the constructed bridging domain. To show the effectiveness of the proposed BDAN, comparison experiments and ablation studies are conducted on a public EEG dataset. The overall comparison results demonstrate the superior performance of the proposed BDAN compared with the other advanced deep learning and domain adaptation methods.
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
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.
운동 상상 디코딩을 위한 피험자 적응형 EEG 파운데이션 모델의 스택형 LoRA
Stacked LoRA for Subject-Adaptive EEG Foundation Models in Motor Imagery Decoding
뇌-컴퓨터 인터페이스(BCI)를 위한 뇌파(EEG) 디코딩은 피험자 간 상당한 변동성으로 인해 효과적인 교차 피험자 일반화가 제한되는 주요 과제에 직면해 있다. 이로 인해 실용적인 시스템은 여전히 처음부터 학습된 피험자별 모델에 크게 의존하며 개별 재보정이 필요하다. EEG 파운데이션 모델이 최근 유망한 대안으로 부상하고 있지만, 대규모 사전학습 모델조차도 고정된 특징 추출기로 단순히 사용할 수 없으며 다운스트림 태스크에 신뢰성 있게 적용되기 위해서는 추가적인 적응이 여전히 필요하다. 본 연구에서는 타겟화된 적응 전략을 통해 이 과제를 해결한다. REVE, LaBraM, LUNA와 같은 최신 EEG 파운데이션 모델을 기반으로 운동 상상 분류에 대한 다양한 저랭크 적응 전략의 영향을 조사한다. 우리는 피험자 불변 지식과 피험자별 신경 시그니처를 구조적으로 분리하는 프레임워크를 제안한다: 각 적응된 층에서의 저랭크 업데이트는 모든 피험자에 걸쳐 공동 학습되는 전역 어댑터와 개별 변동성을 흡수하는 피험자별 어댑터로 분리된다. 각 경로의 기여도를 평가하기 위해 세 가지 적응 전략을 비교한다: (i) 피험자별 LoRA, (ii) 전역 LoRA, (iii) 전역 어댑터와 피험자별 어댑터를 결합한 스택형 LoRA. BCI Competition IV-2a, PhysioNet Motor Imagery, 임상 Zuo2025 벤치마크에 대한 실험에서 스택형 LoRA가 피험자 간 변동성을 효과적으로 완화하여 대부분의 백본 및 데이터셋 조합에서 최고 정확도를 달성함을 보여준다. 추가 분석을 통해 전역 경로와 피험자별 경로 간의 최적 균형이 대상 집단에 따라 달라짐을 밝힌다: 크고 다양한 코호트에서는 공유 어댑터로 충분한 반면, 임상 기록의 높은 세션 간 변동성 하에서는 피험자별 적응이 결정적임을 보여준다.
Multiview Contrastive Learning for Unsupervised Domain Adaptation in Brain–Computer Interfaces
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.
CortexBridge: 파운데이션 모델을 위한 뇌파 몽타주의 대뇌 피질 정렬
CortexBridge: Cortical Alignment of EEG Montages for Foundation Models
뇌파(EEG) 파운데이션 모델은 고정된 채널 어휘나 제한된 몽타주(montage) 집합으로 사전학습되는 경우가 많아, 전극 배치가 바뀔 때 전이(transfer)가 어렵습니다. 본 연구에서는 임의의 몽타주를 공유된 대뇌 피질 잠재 공간으로 매핑하기 위해 EEG 특징을 전극 및 아틀라스 좌표와 결합하는 경량 어댑터인 CortexBridge를 제안합니다. MOABB(Mother of All BCI Benchmarks)의 5개 뇌-컴퓨터 인터페이스(BCI) 데이터셋에서 동결된(frozen) 3개의 파운데이션 모델로 평가한 결과, CortexBridge는 15개 평가 중 13개에서 성능을 향상시켰습니다. 균형 정확도(balanced accuracy)의 평균 향상폭은 EEGPT에서 0.80%, LaBraM에서 0.70%, CBraMod에서 3.26%였으며, 12개 클래스 정상상태 시각유발전위(SSVEP) 분류에서는 최대 13.02% 향상되었습니다. 학습된 아틀라스 표현을 시각화한 결과 태스크 의존적인 공간 패턴이 드러났으며, SSVEP는 청각 P300에 비해 Yeo 시각 네트워크에서 더욱 집중된 표현을 보였습니다. 이러한 결과는 피질 정렬(cortical alignment)이 이종 EEG 몽타주에서 사전학습된 파운데이션 모델로 향하는, 학습 가능하며 해부학적 근거를 갖춘 라우팅 메커니즘임을 입증합니다.
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.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.