An EEG Transformer utilizing fixed Morlet wavelets achieved state-of-the-art classification accuracy on a large-scale Motor Imagery dataset while providing highly reliable interpretability.
The proposed EEG Transformer model resolves the black-box problem in deep learning by achieving state-of-the-art classification accuracy while providing 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.
Choi et al. (Thu,) conducted a other in EEG classification (Motor Imagery). EEG Transformer with Analytical Patch Embedding (fixed Morlet wavelet) vs. State-of-the-art models was evaluated on Classification accuracy and interpretability. An EEG Transformer utilizing fixed Morlet wavelets achieved state-of-the-art classification accuracy on a large-scale Motor Imagery dataset while providing highly reliable interpretability.