EEG 파운데이션 모델의 일반화 성능 평가를 위한 다차원 프레임워크

적절한 적응 설정 (adaptation settings) 하에서 파운데이션 모델 (foundation models)을 평가하는 것은 학습된 표현 (representations)의 품질과 전이 가능성 (transferability)을 이해하는 데 필수적입니다. 최근의 EEG 파운데이션 모델들은 다양한 태스크와 데이터셋에 걸쳐 유망한 전이 능력을 보여주었으며, 이는 신경 기술 (neurotechnology) 및 임상 응용 분야에서의 사용 증가를 촉진하고 있습니다. 그러나 이러한 모델들은 일반적으로 잘 정제된 다운스트림 (downstream) 데이터셋에 대한 전체 미세 조정 (full fine-tuning) 하에서 평가되는데, 이러한 설정은 제한된 라벨링 데이터 (labeled data), 감소된 센서 커버리지 (sensor coverage), 또는 매개변수 효율적 적응 (parameter-efficient adaptation)과 같은 생의학 도메인의 제약 사항을 반영하지 못합니다. 본 연구에서는 현실적인 저자원 (low-resource) 조건 하에서 EEG 모델을 평가하기 위한 다차원 평가 프레임워크를 제안합니다. 제안된 다차원 평가 프레임워크를 통해 6개의 서로 다른 데이터셋에 걸쳐 지도 학습 기반 EEG 모델 (supervised EEG models)과 LaBraM, CSBrain, CBraMod을 포함한 최신 EEG 파운데이션 모델들에 대한 실증적 분석을 수행하였습니다. 분석 결과, EEG 파운데이션 모델들은 수면 단계 예측 (sleep stage prediction) 및 정신 건강 상태 분류 (mental health state classification)와 같은 긴 컨텍스트 (long-context) 태스크에서 일관되게 성능 향상을 제공한다는 것을 발견했습니다. 반면, 짧은 윈도우 (short-window) 방식의 뇌-컴퓨터 인터페이스 (Brain Computer Interface, BCI) 스타일 태스크의 경우, 지도 학습 모델들이 훨씬 적은 매개변수를 가지고 있음에도 불구하고 대등한 성능을 달성했습니다. 추가 분석을 통해 현재의 파운데이션 모델들이 짧은 윈도우 태스크 및 채널 제약 (channel constrained) 설정에 대해 제한적인 강건성 (robustness)을 제공한다는 것을 입증했습니다. 종합적으로, 이러한 발견은 실제 사용 제약 조건 하에서의 모델 동작을 특징짓는 다차원 평가 프로토콜의 사용 필요성을 시사합니다.