클래스 불균형을 고려한 다기관 EEG 기반 디지털 치료제 반응 예측 모델 개발

국문 초록 (Abstract)

뇌파(EEG)를 활용한 예측 모델 연구는 심리, 인지 상태 추정에서 임상적 반응 예측에 이르기까지 응용 범위가 빠르게 확대되면서, 다양한 환경과 피험자 특성에 강건한 모델 개발이 핵심 과제로 부상하고 있다. 이러한 흐름속에서 뇌파 기반 예측 모델에서는 다양한 실험 환경과 개인 간 편차로 인해 발생하는 분포 변화에 대응하기 위해 테스트 시점 적응의 필요성이 강조되고 있다. 기존의 테스트 시점 적응 알고리즘들은 분포 변화에 대해 효과적인 적응 성능을 보였지만 클래스 불균형이 존재하는 데이터셋에서는 성능 향상에 한계점이 존재했다. 특히, 테스트 시점에서 예측 불확실성을 줄이기 위한 기존의 엔트로피 기반 적응 방법들은 클래스별 데이터 분포의 구조적 특성을 충분히 반영하지 못한다는 한계가 있다. 본 논문에서는 이러한 문제를 해결하기 위해 가우시안 혼합 모델(Mixture of Gaussian, MoG)과 TENT(Test-Time Entropy Minimization)를 결합한 MoG-TENT 기반 테스트 시점 적응 알고리즘을 제안한다. 제안된 방법은 테스트 데이터의 특성을 기반으로 가우시안 혼합 모델을 활용해 관측치들에 대해 클러스터링을 수행하고, 이를 통해 클러스터별로 배치 정규화가 적용될 수 있도록 유도함으로써 불균형 데이터에서도 안정적인 적응이 가능하도록 설계되었다. 또한, MoG-TENT는 클러스터 구조를 활용해 소수 클래스에 대한 특징을 반영하여 기존 테스트 시점 적응 방식이 놓치던 미세한 분포 차이까지 반영할 수 있도록 개선하였다. 실험 결과, 제안된 알고리즘은 기존 테스트 시점 적응 기법 대비 성능이 향상되었으며, 이를 통해 MoG-TENT는 클래스 불균형을 포함하는 다양한 뇌파 응용 환경에서 효과적인 결과를 보이는 것을 확인하였다.

다국어 초록 (Multilingual Abstract)

Electroencephalography (EEG)-based predictive modeling has rapidly expanded in application, increasing the need for models robust to diverse environments and subject-specific variations. In this context, test-time adaptation (TTA) has emerged as a key approach for addressing distributional shifts caused by heterogeneous conditions, yet existing methods show limited effectiveness in class-imbalanced settings, particularly because entropy-based strategies often fail to capture class-specific distribution structures. To overcome these limitations, we propose MoG-TENT, a test-time adaptation algorithm that integrates a Mixture of Gaussian (MoG) model with Test-Time Entropy Minimization (TENT) to enable cluster-aware batch normalization updates and more stable adaptation under imbalance. By leveraging the underlying cluster structure, MoG-TENT better captures minority-class characteristics and fine-grained distributional differences that conventional TTA approaches overlook. Experimental results demonstrate superior performance compared to existing methods, confirming its robustness across various EEG-based applications involving class-imbalanced data.

목차 (Table of Contents)

• 그림목차 ⅲ
• 표목차 ⅳ
• 국문초록 ⅴ
• 제 1 장 서론 1
• 제 1 절 연구의 배경 및 필요성 1
• 제 2 절 관련 연구 3
• 1.2.1 뇌파 기반 딥러닝 모델 3
• 1.2.2 테스트 시점 적응 연구 13
• 제 3 절 연구의 목적 및 논문의 구성 18
• 제 2 장 뇌파 기반 디지털 치료제 반응 예측 및 테스트 시점 적응 알고리즘 개발 19
• 제 1 절 전체 프로세스 개요 19
• 제 2 절 제안 알고리즘 21
• 2.2.1 가우시안 혼합 모델 21
• 2.2.2 Test-Time Entropy Minimization 25
• 2.2.3 MoG-TENT 27
• 2.2.4 1D-MoG-TENT 29
• 제 3 절 제안 알고리즘 특징 31
• 제 3 장 실험 및 결과 32
• 제 1 절 실험 데이터 및 실험 환경 32
• 3.1.1 실험 데이터셋 소개 32
• 3.1.2 실험 환경 34
• 제 2 절 실험 설계 및 프로세스 35
• 3.2.1 실험 프로세스 35
• 3.2.2 성능 평가 지표 38
• 3.2.3 하이퍼파라미터 최적화 39
• 제 3 절 실험 결과 43
• 3.3.1 tDCS 데이터셋 기반 성능 비교 결과 43
• 3.3.2 MOABB 데이터셋 기반 성능 비교 결과 46
• 3.3.3 데이터 기반 불균형 비율별 성능 결과 시각화 51
• 제 4 장 결론 및 향후 과제 55
• 참고문헌 55
• Abstract 59