EEG 기반 운동 상상 분류 모델의 평가 오류 수정 및 일반화 한계 확인

작성자가 자신의 실수를 인정하고 재현 가능한 베이스라인을 공개한 것에 대해 긍정적인 반응이 예상되며, EEG 연구의 고질적인 문제인 일반화 한계에 대한 공감이 형성됐다.

• EEG 모델을 개발할 때 반드시 Leave-One-Subject-Out 방식이나 피험자 단위의 데이터 분할을 적용하여 누출을 방지해야 한다.
• 모델의 신뢰성을 확보하기 위해 최소 두 개 이상의 공개 데이터셋에서 교차 검증을 수행할 것을 권장한다.

• EEG 데이터 분석 시 피험자 누출을 방지하는 엄격한 데이터 분할 전략이 없으면 모델 성능이 심각하게 왜곡될 수 있다.
• 단일 데이터셋 내부의 성능 수치보다 교차 데이터셋 평가를 통한 일반화 성능 확인이 실무적 가치 판단에 더 중요하다.
• FFT와 밴드 파워를 이용한 기존의 시간 도메인 분석 기법이 모든 데이터셋에서 일관된 성능을 보장하지 않는다는 사실이 확인됐다.