EEG 신호의 노이즈 불변 표현 학습을 위한 GNN 기반 모델

국문 초록 (Abstract)

Electroencephalogram (EEG)는 두피에 부착된 전극을 사용하여 비침습적으로 대뇌 피질 뉴런의 전기 활동을 기록한다. 이는 병리학 검사, 수면 모니터링, 뉴로피드백, 뇌-컴퓨터 인터페이스와 같은 의료 분야에서 활용된다. 하지만 EEG 는 비침습적 측정으로 인해 신호의 크기가 작기 때문에 전극의 부착 상태, 눈 움직임 등의 다양한 아티팩트로 인한 노이즈에 쉽게 오염된다. 왜곡된 EEG 신호 분석을 막기 위해 연구자는 denoising 기법을 사용해 원시 EEG 데이터에서 노이즈를 제거한다. 하지만 이 과정에서 EEG 신호의 정보가 손실되거나 신호와 노이즈가 제대로 분리되지 않고 혼합되는 경우가 발생한다. 본 논문에서는 원본 EEG 데이터의 특성을 유지하기 위하여 노이즈와 아티팩트의 영향을 최소화하는 IRL(Invariant Representation Learning) 손실함수를 GNN(Graph Neural Network) 모델에 도입한다. IRL 손실 함수가 도입된 GNN 모델은 EEG 발작 감지에서 CNN (Convolutional Neural Network), LSTM (LongShort-Term Memor), 기존 GNN 모델과 비교하여 비교하여 성능이 향상되었다.