arXiv:2409.08058

Spatial Adaptation Layer: Interpretable Domain Adaptation For Biosignal Sensor Array Applications

Joao Pereira, Michael Alummoottil, Dimitrios Halatsis, Dario Farina

제출 2024-09-12

원문 초록

Machine learning offers promising methods for processing signals recorded with wearable devices such as surface electromyography (sEMG) and electroencephalography (EEG). However, in these applications, despite high within-session performance, intersession performance is hindered by electrode shift, a known issue across modalities. Existing solutions often require large and expensive datasets and/or lack robustness and interpretability. Thus, we propose the Spatial Adaptation Layer (SAL), which can be applied to any biosignal array model and learns a parametrized affine transformation at the input between two recording sessions. We also introduce learnable baseline normalization (LBN) to reduce baseline fluctuations. Tested on two HD-sEMG gesture recognition datasets, SAL and LBN outperformed standard fine-tuning on regular arrays, achieving competitive performance even with a logistic regressor, with orders of magnitude less, physically interpretable parameters. Our ablation study showed that forearm circumferential translations account for the majority of performance improvements.

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2610.01124v1cs.AI공통 태그 Domain Adaptation, EEG

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.

arXiv:2607.24031v1cs.AI공통 태그 Domain Adaptation, EEG

장기 뇌-기계 인터페이스를 위한 불확실성 기반 자기 주도 학습 기반 순환 적응-일반화 프레임워크

A Cyclic Adaptation-Generalization Framework with Uncertainty-Guided Self-Paced Learning for Long-Term Brain-Machine Interfaces

뇌-기계 인터페이스(BMI)는 뇌와 외부 장치를 연결하여 재활, 인간 성능 증강, 인간 중심 로봇공학에서 큰 잠재력을 지닌다. 그러나 침습적 BMI는 신경 드리프트(neural drift)로 인해 장기 배치에 있어 중대한 과제에 직면한다. 신경 드리프트는 시간이 지남에 따라 디코딩 성능을 저하시키고 빈번한 재보정을 필요로 한다. 신경 드리프트를 완화하기 위해 설계된 기존 방법들은 일반적으로 도메인 적응(DA) 또는 도메인 일반화(DG) 중 하나에만 의존하며, 신경 서브도메인에 걸친 세밀한 분포 변화를 포착하지 못하는 경우가 많아 성능이 제한된다. 이러한 한계를 극복하기 위해, 우리는 불확실성 기반 자기 주도 의사 라벨링(UnSPL) 메커니즘 하에서 목표 도메인 정제를 위해 DA와 DG를 시너지하는 강건한 프레임워크인 Uncertainty-guided Self-paced Cycling(UnSPC)를 제안한다. 도메인 간 서브도메인 신경 드리프트를 처리하기 위해 UnSPL은 노이즈에 강건한 순위 전략으로 신뢰할 수 있는 의사 라벨 샘플을 반복적으로 탐색하여 추가 미세조정을 수행하도록 제안된다. 이러한 고품질 샘플을 활용하여, 우리는 DA와 DG를 반복적 순환 내에서 통합하여 전역 및 서브도메인 드리프트를 점진적으로 완화하는 새로운 Cycling Adaptation and Generalization(CycAG) 전략을 도입한다. 이 순환 과정은 진화하는 목표 분포에 대한 효과적인 정렬을 가능하게 하면서 강건하고 전이 가능한 표현을 보존하여, 장기 신경 드리프트 하에서의 성능 저하를 완화한다. 다수의 신경 디코딩 데이터셋에 대한 광범위한 실험은 UnSPC의 효과와 강건성을 입증한다. 우리가 아는 한, 제안한 UnSPC는 의사 라벨링과 DA 및 DG를 순환적으로 통합한 최초의 방법으로, 안정적인 장기 BMI 제어를 향한 길을 열어준다.

arXiv:2607.22397v1cs.HC공통 태그 Domain Adaptation, EEG

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.

arXiv:2607.07850v1cs.AI공통 태그 Gesture Recognition, EEG

sEMG 신호 기반 실시간 제스처 인식을 위한 그래프 신경망 모델

A Graph Neural Network Model for Real-Time Gesture Recognition Based on sEMG Signals

고급 손 의수 및 증강 현실의 원활한 제어를 위해서는 정확하고 즉각적인 손 제스처 인식이 필수적이다. 이를 위해 전완부에서 획득한 표면 근전도(sEMG) 신호가 일반적으로 활용된다. 본 논문에서는 전완부의 근육 활성화 패턴에 대한 정보를 담은 그래프 네트워크를 활용한 새로운 sEMG 표현 방법을 제안한다. 이 그래프 네트워크를 기반으로, 그래프 신경망(graph neural network)을 사용하여 실시간 손 제스처 인식이 가능한 머신러닝 알고리즘을 개발하였다. 알고리즘의 성능은 전완부 주위에 8개의 전극이 배치된 myoband로부터 획득한 sEMG 신호를 사용하여 8명의 건강한 피험자를 대상으로 평가하였다. 제안된 방법은 평균 분류 정확도 99%를 달성하여 최신 기법들의 성능을 능가하였다. 그래프 구성 및 예측에 소요되는 평균 시간은 M1 Pro CPU를 활용하여 48ms로, 이 방법이 실시간 애플리케이션에 적합함을 보여준다.

arXiv:2607.03094v1cs.LG공통 태그 Domain Adaptation, EEG

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.

arXiv:2607.03925v1cs.LG공통 태그 Domain Adaptation, EEG

NeuroOnline: EEG 파운데이션 모델을 위한 사전학습과 온라인 적응의 연결

NeuroOnline: Bridging Pretraining and Online Adaptation for EEG Foundation Models

EEG 파운데이션 모델은 피험자와 태스크 전반에 걸쳐 일반화된 표현을 학습하는 데 강한 잠재력을 보여주었다. 그러나 기존의 대부분 접근법은 사전학습-정적 배포 패러다임을 따르며, 두 가지 핵심 한계를 지닌다: (1) 사전학습 목표와 다운스트림 태스크 간의 불일치, (2) 온라인 환경에서의 분포 변화에 대한 제한적인 적응성. 우리는 온라인 시나리오에서 지속적인 적응을 가능하게 하는 통합 프레임워크인 온라인 신경 적응(Online Neural Adaptation, NeuroOnline)을 제안한다. NeuroOnline은 두 가지 상호 보완적인 메커니즘을 통합한다: (1) 일관되고 태스크 관련성 있는 표현을 촉진하기 위해 교차 뷰 정렬을 적용하는 다중 뷰 일관성 학습, (2) 학습 가능한 컨텍스트 프롬프트와 크로스 어텐션을 활용하여 변화하는 데이터 분포에 표현을 동적으로 적응시키는 컨텍스트 인식 표현 조절. 이 두 메커니즘은 표현 정렬과 동적 적응을 통합한다. 다수의 EEG 벤치마크에 대한 실험에서 NeuroOnline은 온라인 환경에서 강력한 베이스라인을 지속적으로 능가하며 분포 변화 하에서 더 나은 성능을 달성함을 보여준다. 절제 연구 및 민감도 연구를 통해 각 구성 요소의 필요성과 전체 설계의 효과성을 추가로 검증한다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.