연구진이 뇌전도(EEG) 신호를 다루는 경량 파운데이션 모델 BrainCodes를 논문 사전공개 사이트 arXiv에 2026년 10월 21일 올렸다. 수면 단계 분류, 주의력 평가, 인지 부하 추정 등 여러 신경생리 모니터링 과제에서 최고 수준과 같거나 더 나은 성능을 냈다고 밝혔다. 저자원 웨어러블 기기로 전이할 때는 비슷한 구조보다 학습 가능한 파라미터를 최대 97% 적게 쓴다고 했다.
연구진은 최근 EEG 파운데이션 모델이 규모 키우기에 치우쳐 자원이 제한된 기기나 일상 환경에서 쓰기 어려울 수 있다고 짚었다. 작은 구조로도 여러 과제에 옮겨 쓸 수 있는 EEG 특징을 배울 수 있다는 것이 연구진의 주장이다. 연구진은 BrainCodes가 저자원(low-resource) 웨어러블 기기로 효과적으로 전이된다고도 밝혔다.
BrainCodes는 1,000명 넘는 참가자의 800시간 이상 기록으로 자기지도 학습 방식의 사전 학습을 거쳤다. 구조는 양자화 기반 신경 토크나이저와, 전극 배치가 달라도 처리하는 시공간 인코더를 결합했다.
사전 학습 목표는 채널 위치 인코딩으로 전극 사이의 공간적 연결성을 표현에 담게 하고, 보조 학습 목표로 좁은 대역의 뇌파 진동에 민감하게 반응하도록 유도했다.
연구진은 예측 정확도에 더해, 학습된 EEG 표현의 기하 구조와 불변성을 공간·시간·주파수 신호 특성별로 따지는 평가 틀도 제시했다.
출처
이 기사는 아래 자료를 바탕으로 정리했습니다. 제목을 누르면 원문이 새 창으로 열립니다.