뇌전도 (Electroencephalogram, EEG) 신호는 아티팩트 (Artifact)에 매우 취약하여 신호 대 잡음비 (Signal-to-Noise Ratio, SNR)가 낮아지며, 이로 인해 의미 있는 신경 정보를 추출하는 데 어려움이 있습니다. 아티팩트 부분 공간 재구성 (Artifact Subspace Reconstruction, ASR)은 실시간 적용 가능성 덕분에 EEG 기반 BCI 애플리케이션에서 가장 널리 사용되는 아티팩트 필터링 기술 중 하나입니다. ASR은 슬라이딩 윈도우 (Sliding Window) 내에서 주성분 (Principal Component, PC) 공간에서 작동하여 아티팩트가 없는 신호를 재구성합니다. 그러나 ASR의 성능은 임계값 (Threshold) 파라미터에 매우 민감합니다. 잘못된 임계값은 아티팩트와 함께 과업 관련 신경 특징 (Neural Features)까지 제거할 위험이 있습니다. 또한, PC는 모든 채널의 선형 결합 (Linear Combination)이기 때문에, PC 공간에서의 부분 공간 재구성은 기저 데이터 구조를 변경하여 잠재적으로 필수적인 신경 정보를 폐기할 수 있습니다.

이러한 한계를 해결하기 위해, 우리는 아티팩트 제거와 다운스트림 디코딩 (Downstream Decoding)을 공동으로 최적화하는 새로운 엔드투엔드 (End-to-End) 학습 가능 Keras 레이어인 nASR을 제안합니다. nASR은 두 개의 학습 가능한 임계값 파라미터를 도입합니다: PC 분산 (PC Variance) 공간에서 아티팩트 탐지를 제어하는 K, 그리고 주요 아티팩트 기여 채널을 정확히 짚어내기 위해 고유값 확산 (Eigen-spread)을 정량화하는 L입니다. 이를 통해 깨끗한 채널 정보를 보존하는 선택적 채널 수준 재구성을 가능하게 합니다. BCI Competition IV Dataset 1의 피험자 2명을 대상으로 5가지 모델 변형 (m01 - m05)을 포함하는 절제 연구 (Ablation Study)를 수행한 결과, nASR 변형 모델들이 테스트 분류 지표에서 전통적인 ASR보다 일관되게 우수한 성능을 보임을 확인했습니다. 동시에 추론 시간 (Inference Time)을 6~8배 단축하여, nASR이 낮은 지연 시간 (Low Latency)과 높은 디코딩 성능을 모두 요구하는 실시간 BCI 애플리케이션을 위한 강력한 후보임을 입증했습니다.