생체신호를 위한 주제 인식 대조 학습

생체신호(예: 뇌파 신호(EEG), 심전도(ECG))를 위한 데이터셋은 일반적으로 노이즈가 많은 레이블을 가지고 있으며, 대상자 수가 제한적(100명 미만)인 경우가 많다. 이러한 도전 과제를 해결하기 위해, 레이블 데이터에 대한 의존도를 줄이고, 대상자 수가 적은 환경에서도 효과적으로 생체신호를 모델링할 수 있도록 대조 학습(contrastive learning) 기반의 자율 학습(self-supervised) 방식을 제안한다. 레이블과 대상자가 제한된 환경에서는 개인 간 차이( intersubject variability)가 모델 성능에 부정적인 영향을 미친다. 이를 해결하기 위해 자율 학습 과정에서 (1) 개별 대상자별 대조 손실(contrastive loss)을 도입하고, (2) 대상자 불변성(subject-invariance)을 촉진하기 위한 적대적 학습(adversarial training)을 제안한다. 또한, 대조 손실과 함께 활용 가능한 다양한 시계열 데이터 증강 기법들을 개발하였다. 제안한 방법은 두 가지 다른 생체신호(EEG와 ECG)에 대해 다양한 작업(EEG 복원 및 ECG 이상 탐지)을 수행하는 공개 데이터셋을 기반으로 평가되었다. 자율 학습을 통해 얻은 임베딩(embedding)은 완전히 지도 학습 기반의 방법과 비교하여 경쟁력 있는 분류 성능을 보였다. 본 연구는 대상자 불변성을 확보함으로써 이러한 작업에 대한 표현 품질이 향상됨을 입증하였으며, 지도 레이블을 사용한 미세 조정(fine-tuning) 시 개별 대상자별 손실이 성능 향상에 기여함을 관찰하였다.