Functional Brain Connectivity Analysis Technique for Modeling Mirror Neuron System based on Graph Attention Network

거울 뉴런은 인간의 모방 학습에 밀접한 역할을 하며, 이러한 거울 신경 체계의 모델링은 뇌-컴퓨터 인터페이스(BCI)에서 중요한 역할을 한다. 딥러닝은 BCI 분야에서 널리 활용되고 있지만, 기존의 합성곱 신경망(CNN)은 기존 뇌 연결성과 같은 데이터에 대한 적합성에 한계를 가지고 있다. Graph Attention Network(GATs)는 어텐션 메커니즘을 이용하여 전극간의 중요도를 학습할 수 있어 뇌전도(EEG)의 특성을 파악할 수 있다. 본 논문에서는 거울 뉴런과 관련된 EEG 데이터를 FastICA와 FFT를 통해 전처리한 후, 그래프의 특징 벡터를 추출하여 그래프 데이터를 만들었다. 이후 상호 상관 기반 기능적 뇌 연결성을 구하여 정보 기반 Graph Attention Network를 설계하여 분류 결과를 기능적 뇌 연결성과 비교 분석하였다. 본 논문은 EEG 기반 거울 신경 체계 모델링을 개선하고 BCI 분야에서의 딥러닝 모델 적용성을 확장하는 데 기여할 것으로 기대된다.