MIRepNet: 전기뇌파 기반 운동상상 분류를 위한 파이프라인 및 기반 모델

뇌-컴퓨터 인터페이스(Brain-computer interfaces, BCI)는 뇌와 외부 장치 간의 직접적인 통신을 가능하게 한다. 최근의 EEG 기반 모델들은 다양한 BCI 파라다임에서 일반화된 표현을 학습하려는 시도를 하고 있으나, 이러한 접근 방식은 근본적인 파라다임 특이적인 신경생리학적 차이를 간과하고 있어 일반화 능력에 한계가 있다. 특히 실제 BCI 적용 환경에서는, 뇌졸중 재활이나 보조 로봇 제어와 같은 목적에 따라 미리 특정 파라다임(예: 운동상상, motor imagery, MI)이 결정되는 것이 일반적이다. 본 논문에서는 MI 파라다임에 특화된 최초의 EEG 기반 모델인 MIRepNet을 제안한다. MIRepNet은 고품질의 EEG 전처리 파이프라인을 포함하며, 신경생리학적으로 타당한 채널 템플릿을 반영하여 전기극 배치가 임의인 EEG 헤드셋에도 유연하게 적용 가능한 구조를 갖는다. 또한, 자기지도 학습 기반의 마스킹 토큰 재구성과 감독 학습 기반의 MI 분류를 결합한 하이브리드 사전학습 전략을 제안함으로써, 클래스당 30회 미만의 시도 데이터로도 새로운 하류 MI 작업에 빠르게 적응하고 정확한 디코딩을 수행할 수 있도록 한다. 공개된 5개의 MI 데이터셋을 대상으로 수행한 광범위한 평가 결과, MIRepNet은 전문적 및 일반화된 EEG 모델을 모두 상회하는 최신 기술 수준의 성능을 일관되게 달성하였다. 본 연구의 코드는 GitHub에 공개될 예정이다\footnote{이 URL}.