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

— 두피에 전극을 부착하여 뇌의 전기적 활동을 기록하는 기술이다. 뇌 신호를 분석하여 운동 의도를 파악하거나 질환을 진단하는 데 사용되며, 신호의 노이즈가 많고 개인차가 커서 AI 모델링이 까다로운 데이터이다.

Subject Leakage

— 학습 데이터와 테스트 데이터에 동일한 피험자의 신호가 섞여 들어가는 현상이다. 모델이 일반적인 패턴이 아닌 특정 개인의 신호 특성을 암기하게 되어 성능이 과대평가되는 문제를 야기한다.

Motor Imagery

— 실제로 몸을 움직이지 않고 특정 동작을 수행하는 것을 상상하는 뇌의 상태이다. 뇌-컴퓨터 인터페이스(BCI) 연구에서 사용자의 의도를 파악하여 외부 기기를 제어하는 핵심 입력 신호로 활용된다.

Cross-dataset Evaluation

— 한 데이터셋에서 학습한 모델을 완전히 다른 환경에서 수집된 새로운 데이터셋에 적용하여 성능을 검증하는 방법이다. 모델의 실질적인 일반화 성능과 도메인 적응 능력을 확인하는 데 필수적이다.