[연구의 필요성]

뇌파(EEG)는 뇌-컴퓨터 인터페이스, 신경계 질환 진단, 바이오마커 발굴 등 폭넓은 분야에 활용될 수 있는 생체 신호로, 최근에는 대규모 EEG 데이터로 사전학습한 파운데이션 모델을 구축하려는 연구가 활발히 진행되고 있다. 기존 EEG 파운데이션 모델은 주로 마스킹된 신호 복원과 같은 자기지도학습 방식으로 사전학습되어, 사람이 붙인 라벨 없이도 신호의 특징을 학습할 수 있다는 장점이 있다. 그러나 이러한 방식은 데이터에 포함되어 있는 피험자 정보와 과제 라벨과 같은 의미 정보를 활용하지 못한다. EEG는 같은 과제를 수행하더라도 사람마다 신호 특성이 크게 다르고 데이터셋마다 수행하는 과제의 종류도 다양하다. 이러한 특성을 사전학습 단계에서 고려하지 못하면 처음 보는 피험자나 새로운 과제에 모델을 적용할 때 성능이 떨어지는 한계가 나타난다. 따라서 사전학습 데이터에 존재하는 의미 정보를 학습에 활용해 새로운 사람과 새로운 과제에 적응하는 EEG 파운데이션 모델이 필요하다.

[포스텍이 가진 고유의 기술]

본 연구진은 사전학습 데이터의 피험자 정보와 과제 라벨을 충분히 활용하는 새로운 EEG 파운데이션 모델 STEM(Subject- and Task-Aware EEG Foundation Model)을 개발하였다. STEM은 EEG에서 추출한 특징 표현을 피험자의 고유한 특성을 담는 피험자 성분과 과제 수행과 관련된 정보를 담는 과제 성분으로 분리하여 학습한다. 이를 위해 소수의 예시만으로 새로운 범주를 구분하도록 학습하는 거리 기반 메타러닝과, 라벨 없이 신호 자체의 구조를 학습하는 대조 학습을 하나의 레임워크로 통합하였다. 이를 통해 라벨이 있는 데이터에서는 의미 정보를 최대한 활용하고, 라벨이 없는 데이터에서도 일반화 가능한 표현을 함께 학습함으로써, 사람과 과제가 달라져도 견고하게 동작하는 특징 표현을 얻을 수 있도록 설계하였다.

[연구의 의미]

본 연구는 EEG 파운데이션 모델의 사전학습에서 자기지도학습에만 의존하던 기존 방식을 넘어, 피험자 정보와 과제 라벨을 적극적으로 활용하는 것이 모델의 일반화에 핵심적이라는 점을 보였다는 데 의미가 있다. 학습에 사용되지 않은 새로운 피험자를 대상으로 운동 상상(PhysioNet-MI, SHU-MI)과 수면 단계 분류(ISRUC) 세 가지 벤치마크에서 평가한 결과, STEM은 비교 모델 중 가장 적은 310만 개의 파라미터만으로 최신 EEG 파운데이션 모델들보다 우수한 성능을 보였다. 특히, 수면 단계 분류에서는 약 65배 큰 모델인 EEG-DINO보다 높은 정확도(78.6%)를 달성해, 단순히 모델 규모를 키우는 것보다 효율적인 접근임을 입증하였다. 또한 새로운 피험자의 데이터를 몇 개만 추가로 사용하는 퓨샷(few-shot) 적응 실험에서, 기존 최고 성능 모델들은 과적합으로 성능이 떨어진 반면 STEM은 데이터가 늘어날수록 성능이 꾸준히 향상되었다. 이는 사용자마다 적은 데이터로 모델을 맞춰야 하는 개인 맞춤형 BCI 및 임상 응용에서 STEM의 실용성을 보여주는 결과이다.  

[연구결과의 진행 상태 및 향후 계획]

• 본 연구 결과는 의료영상 및 의료 AI 분야의 대표적인 국제학술대회인 MICCAI 2026 (29th International Conference on Medical Image Computing and Computer Assisted Intervention)에 채택되어 발표되었다. 연구진은 본 연구를 확장한 후속 연구를 진행하여 현재 국제 저널에 투고해 심사 중이다. 후속 연구에서는 뇌 영역 간의 기능적 연결성을 반영하는 새로운 임베딩을 도입해 모델이 어떤 뇌 영역 간 상호작용을 근거로 판단하는지 해석할 수 있도록 하였다.  
• 
  [성과와 관련된 실적]

Sion An, Soopil Kim, Sang Hyun Park. “Subject- and Task-Aware EEG Foundation Model.” International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI), 2026.

• 
  [성과와 관련된 이미지]
• 그림1. 제안하는 기법의 개요