[정보통신신문=최아름기자]

박상현 DGIST 로봇및기계전자공학과 교수(인공지능전공 겸직) 연구팀이 적은 양의 정보만으로 대상자의 뇌파를 정확하게 분류하는 퓨샷 학습(Few-shot leanring) 딥러닝 모델을 개발했다.

기존 딥러닝 모델로 새로운 사람의 뇌파

를 분류하기 위해서는 타겟 피험자로부터 수집한 많은 양의 뇌파 데이터셋 구축이 필요했지만, 연구팀이 개발한 새로운 딥러닝 모델을 이용하면 적은 정보만으로도 정확하게 뇌파 분류가 가능해, 향후 해당 기술이 뇌파 관련 연구 분야에 획기적으로 기여할 것으로 보인다.

뇌파 데이터는 사람마다 큰 편차가 발생한다. 동일한 업무 수행으로 발생한 뇌파임에도, 수행자에 따라 뇌파의 분포가 달라지기 때문에 기존의 경우 대부분의 분류 모델은 수행자로부터 데이터를 수집해 레이블링한 뒤 이를 이용해 학습을 수행하는 개체 내 분류(Intra subject classification)에만 집중하고 있었다. 이로 인해 해당 모델을 통해서는 학습에 참여하지 않은 사람의 뇌파는 정상적으로 분류하지 못하는 문제가 존재했다.

최근 이를 해결하기 위해 딥러닝 모델을 활용해 타겟 피험자의 뇌파 신호를 추론할 수 있는 ‘도메인 적응(Domain adaptation) 모델’이 활발하게 연구되고 있으나, 여전히 대상자에 대한 뇌파 데이터 학습이 필요하기에 새로운 대상자에 대해 쉽게 적용하지 못한다는 기존의 문제점을 그대로 유지하고 있다. 또한, 다수의 사람으로부터 수집한 뇌파 데이터를 학습시키는 ‘전이 학습(Transfer learning)’ 딥러닝 모델 최적화 연구도 진행되고 있지만, 이를 위해서는 다수의 뇌파 정보가 필요하기에 활용성이 떨어지는 한계를 가지고 있다.

이에 박상현 교수팀은 타겟 피험자로부터 얻은 뇌파들 중 소수의 데이터에 대해서만 정답을 주면 타겟 피험자의 뇌파특성에 맞춰 남은 뇌파들을 정확히 분류할 수 있는 딥러닝 모델을 개발했다. 소수의 데이터들과 남은 뇌파들의 관계를 효과적으로 학습하기 위해, 먼저 임베딩 모듈(Embedding module)을 통해 뇌파 데이터로부터 유의미한 특징들을 추출하고, 시간 주의 모듈(Temporal attention module)을 이용해 추출된 특징으로부터 중요한 특징을 강조하면서 분석에 불필요한 잡음 특징을 감소시켰다.

임베딩 모듈은 주어진 뇌파로부터 특징을 추출해주는 모델로, 모델의 구조에 관계없이 모든 딥러닝 모델이 이용될 수 있다.

시간 주의 모듈은 임베딩 모듈로부터 추출된 특징에서 중요한 특징을 추출하고 동시에 잡음 특징을 제거해주는 셀프 어텐션 기반의 모듈이다.

이어 집합 주의 모듈(Aggregation attention module)을 이용해 가지고 있는 뇌파 정보 중 중요 데이터만을 찾아내 타겟 피험자가 뇌파에서 나타내는 각 의도의 특징을 선별하고, 관계 모듈(Relation module)을 이용해 뇌파의 특징과 벡터 간의 관계를 계산했다.

집합 주의 모듈은 소수의 정답이 있는 뇌파로부터 추출된 특징들 중 예측하고자 하는 데이터를 분류하기에 중요한 특징을 찾아주는 모듈로, 정답이 있는 뇌파 특징과 예측하고자 하는 뇌파 특징을 입력받아 가중치를 출력할 수 있다.

관계 모듈은 클래스를 나타내는 특징과 예측하고자 하는 뇌파 특징을 입력받아 관계 점수를 출력하고, 두 특징이 같은 클래스를 가지면 큰 점수를 출력하고, 반대의 경우에는 작은 점수를 출력하도록 학습됐다.

또한 뇌파 분류 미세조정 기술도 함께 개발해, 최적화를 통해 정확하게 뇌파가 분류되도록 했다.

연구팀이 새롭게 개발한 딥러닝 모델은 개체 간 분류에서 20개의 뇌파 데이터를 통해 타겟 피험자가 가진 의도를 최대 76%로 맞추는 정확도를 보였다. 기존에 제안된 기법(개체 내 분류기법, 전이 학습 및 다른 퓨샷 학습 기법)의 정확도가 64~73%인 것을 감안하면, 새롭게 개발한 모델이 기존 모델보다 우수한 성능을 가지고 있음을 확인할 수 있었다.

박상현 DGIST 로봇및기계전자공학과 교수는 “이번 연구를 통해 개발한 뇌파 분류 딥러딩 모델은 피험자로부터 새롭게 학습데이터를 구축하지 않더라도 적은 정보만으로도 정확하게 뇌파 분류가 가능한 기술로, 해당 기술이 개인화가 필요한 뇌파 관련 연구 분야에 획기적으로 기여할 것으로 보인다. 향후 관련 기술을 개선해 다양한 생체 신호 분석 문제에도 범용적으로 활용되기를 기대한다”고 밝혔다.

최아름 기자 다른기사 보기