EEG 신호의 공간시간적畳み込み: 효율적이고 설명 가능한 EEG 분류를 위한 심층 신경망의 표현 학습 관점

얕은 Convolutional Neural Networks (CNNs) 을 사용하여 EEG 신호를 분류하는 것은 다양한 분야에서 널리 사용되고 성공적인 접근법입니다. 대부분의 모델은 공간 및 시간 차원에서 독립적인 일차원 (1D)畳み込み 계층을 사용하고, 비선형 활성화 계층 사이에 이를 연결하지 않고 결합합니다. 이 논문에서는 두 차원 (2D) 공간시간적畳み込み를 실행하는 대안적 인코딩을 조사합니다. 2D畳み込み는 두 차원에 따라 두 개의 연결된 1D畳み込み와 수치적으로 동일하지만, 학습에 미치는 영향은 여전히 불확실합니다. 우리는 저차원 (3 채널) 과 고차원 (22 채널) BCI 운동상상 분류 작업을 수행하여 1D 와 2D CNN 및 CNN+transformer 하이브리드 모델을 테스트했습니다. 우리는 2D畳み込み가 고차원 작업에서 훈련 시간을 현저히 줄이면서 성능을 유지함을 관찰했습니다. 이 개선의 근원을 조사하고 스펙트럴 특징 중요성에서 차이를 찾지 않았습니다. 그러나 모델에 따른 표현 유사성에 명확한 패턴이 나타났습니다: 1D 와 2D 모델은 매우 다른 표현 기하학을 생성합니다. 전반적으로, 우리는 더 빠른 훈련 및 추론을 위한 2D畳み込み 계층을 갖춘 개선된 모델을 제안합니다. 또한 복잡한 다변량 신호를 처리할 때 내부 표현에 반영되는 것처럼 구조적 인코딩의 중요성을 강조합니다.