EEG Transformer Utilizing Explainable Spatio-Temporal-Frequency Features

딥러닝은 뇌파(EEG) 분류 성능을 높였으나, 내부 동작을 알 수 없는 블랙박스(black-box) 문제로 인해 임상 채택과 신경활동 분석에는 한계가 있다. 이러한 불투명성은 모델의 예측이 실제 신경 신호인지 아티펙트인지 구분하기 어렵게 만든다. 본 논문에서는 이를 해소하고자 고정 웨이블릿 기반의 설명 가능한 특징을 활용한 뇌파 예측 및 분석 통합 Transformer 모델을 제안한다. 모델의 핵심인 Analytical Patch Embedding 모듈은 학습 가능한 커널 대신 고정된 Morlet wavelet을 사용하여 시공간-주파수 특징을 추출한다. 이를 통해 시간-주파수 분석, Topography 등 표준 신경생리학적 분석 결과를 직접 생성할 수 있으며, 어텐션 메커니즘을 통해 태스크 관련기능적 연결성을 추론한다. MI 패러다임의 대규모 데이터셋으로 검증한 결과, SOTA 분류 정확도를 기록했으며, 또한 도출된 분석 결과가 기존 신경과학적 발견과 일관됨을 확인하여 높은 해석 신뢰성을 입증하였다.