MVMD와 FW-LS-TWSVM으로 뇌-컴퓨터 인터페이스 정확도 개선

주장뇌-컴퓨터 인터페이스(Motor Imagery Brain-Computer Interface, MI-BCI) 시스템은 신경 재활과 인간-기계 협업 제어의 핵심 기술입니다. 하지만 현재 기술은 실시간 성능과 정확도 확보에 어려움을 겪고 있습니다.

팩트연구진은 이러한 한계를 극복하고자 다변량 변분 모드 분해(Multivariate Variational Mode Decomposition, MVMD)와 퍼지 가중 최소 자승 트윈 서포트 벡터 머신(Fuzzy Weighted Least Squares Twin Support Vector Machine, FW-LS-TWSVM)을 결합했습니다.

팩트연구진은 원시 데이터를 MVMD로 분해해 여러 고유 모드 함수(Intrinsic Mode Function, IMF)를 추출했습니다. 이어 공통 공간 패턴(Common Spatial Pattern, CSP)으로 특징을 뽑아내고, F-통계량 기반의 특징 선택법으로 최적의 주파수 정보를 선별했습니다.

팩트이번 연구는 MI-BCI 뇌파 해독에 FW-LS-TWSVM 모델을 처음 도입했습니다. 이 모델은 데이터 노이즈를 처리하고 이상치를 식별해 분류 성능을 최적화합니다.

팩트제안한 방법론을 두 개의 공개 운동 상상 데이터셋에 적용한 결과, 각각 87.40%와 88.48%의 높은 분류 정확도를 기록했습니다. 이는 기존 주파수 대역 분해 방식이나 일반적인 서포트 벡터 머신(Support Vector Machine, SVM) 모델을 상회하는 수치입니다.

교차검증비교 분석 결과, 주파수 대역 분해 방식과 FW-LS-TWSVM 분류 모델 모두 해독 정확도 향상에 기여했습니다. 특히 기존 대비 학습 시간을 단축해 실시간 시스템 구현 가능성을 확인했습니다.

주장이번 성과는 MI-BCI 시스템 발전을 촉진해 건강한 사람의 행동 능력을 강화합니다. 나아가 신경학적 장애를 겪는 환자의 삶의 질을 개선하는 데 실질적인 도움을 줄 것으로 기대합니다.

팩트연구에 활용한 데이터셋은 공개되어 있어 학계의 투명성과 연구 재현성을 높입니다. 연구진은 알고리즘 소스 코드를 깃허브(GitHub) 저장소에 공개해 연구자들이 직접 모델을 검증하고 활용하도록 했습니다.

교차검증뇌파 데이터는 개인차가 크고 노이즈에 민감합니다. 따라서 제안한 모델이 다양한 환경과 사용자에게서 일관된 성능을 유지하는지 확인하기 위한 추가 임상 검증이 필요합니다.

출처사이언티픽 리포트(Scientific Reports)에 게재된 논문(https://www.nature.com/articles/s41598-026-46642-3)과 깃허브 저장소(https://github.com/Luser-hub/FW-LS-TWSVM)를 통해 해당 연구 내용을 교차 검증했습니다.