인간의 신경계를 모사한 뉴로칩 설계 기술 및 뉴로컴퓨팅 플랫폼 연구개발
소량 레이블의 그래프 학습과 경량 시간 모델로 EEG 상태를 분류했다.
01 / RESEARCH DETAILASGCRL / 고정 그래프의 잡음 연결을 줄이는 적응형 대조학습
- 난제
- 고정 유사도 그래프의 잘못된 연결은 레이블이 적은 조건에서 오차를 전파한다.
- 해결
- 학습된 표현에 따라 연결을 갱신하고, 적응형 증강으로 같은 클래스의 관계를 유지하며 대조학습을 수행했다.
- 기여
- 방법 설계, 모델 구현, 절제 실험과 논문 작성을 담당했다. SGCL의 후속 연구로 KBS 2026에 제1저자로 게재했다.
원본 그림 확대
원본 그림 확대
원본 그림 확대
| SEED-IV Case 1 | 정확도 |
|---|---|
| Static GCN | 75.75 ± 8.95% |
| ASGCRL | 87.31 ± 3.84% |
| 동일 조건 차이 | +11.56%p |
평가 조건 및 연구 범위SEED-IV Case 1, 레이블 2.4%, 피험자별 transductive 평가. 임베딩 예시는 15번 피험자.
02 / RESEARCH DETAILSimNeXt-EEG / 다중 시간척도와 파라미터 없는 시간 어텐션
- 난제
- 작은 모델로 운동상상 EEG의 시간척도 차이와 잡음을 함께 처리해야 한다.
- 해결
- 다중 커널로 시간 특징을 추출하고 평균과 분산에 기반한 SimAM으로 시간별 중요도를 조정했다.
- 기여
- 모델 설계, 정확도 및 CPU 지연 측정, 절제 실험을 담당했다. IEEE SPL 2026에 제1저자로 게재했다.
| 단계 | 연산 / 출력 |
|---|---|
| MSTF | 시간 커널 32, 80 / 8채널 |
| STE | 공간 분리합성곱 + SimAM |
| STR | 시간 분리합성곱 + SimAM |
| 분류 | Flatten, Linear / 4클래스 |
| 모델 | 파라미터 | CPU 지연 |
|---|---|---|
| EEGNet | 3.44K | 0.79 ms |
| MSVTNet | 75.49K | 3.78 ms |
| SimNeXt | 1.84K | 1.46 ms |
평가 조건 및 연구 범위SimNeXt 70.81 ± 0.49%, 20.69 MFLOPs. 데스크톱 CPU, batch size 1. 두 SimAM 제거 시 68.26%