같은 뇌, 다른 예측: 전처리 선택이 뇌파 해독의 신뢰성을 어떻게 저해하는가

Same Brain, Different Prediction: How Preprocessing Choices Undermine EEG Decoding Reliability

뇌-컴퓨터 인터페이스 및 임상 신경과학의 핵심 기술인 뇌파(EEG)는 일반적으로 단일하고 보고되지 않은 전처리 파이프라인 하에서 딥러닝 모델이 학습되고 평가됩니다. 본 연구에서는 전처리 선택을 반사실적 개입 공간으로 공식화하고, 뇌파 예측이 이 공간 하에서 놀라울 정도로 불안정하다는 것을 보여줍니다. 네 가지 패러다임을 포괄하는 6개의 데이터 세트에서, 전처리만 변경했을 때 최대 42%의 개별 실험 예측이 뒤바뀌는 현상이 나타났습니다. 이는 표준 불확실성 추정 방법이 고정된 전처리 파이프라인에 조건을 걸기 때문에 명시적으로 정량화하지 못하는 변동성입니다. 우리는 이러한 불안정성을 측정 가능하고, 분해 가능하며, 감소시킬 수 있도록 세 가지 도구를 제시합니다. 첫째, 2^7의 전처리 공간에 대한 Walsh-Hadamard 분해는 이진 개입 설계 하에서 민감도가 실제로 거의 가산적임을 보여주며, 이를 통해 효율적인 단계별 최적화가 가능합니다. 둘째, 모델 기반 신뢰도와 상호 보완적인 불안정성 차원을 포착하는 개별 실험 진단 도구인 전처리 불확실성(Preprocessing Uncertainty, PU)을 소개합니다. 셋째, 전처리 개입의 구성적 구조를 활용하는 그래프 기반 정규화 기법인 Normalized Adaptive PGI (NA-PGI)를 연구하여, 이를 불안정성을 완화하는 전략으로 제시하며, 명확한 적용 조건을 제시합니다.

Electroencephalography (EEG) is a cornerstone of brain-computer interfaces and clinical neuroscience, yet deep learning models are typically trained and evaluated under a single, unreported preprocessing pipeline. We formalize preprocessing choices as a counterfactual intervention space and show that EEG predictions are surprisingly unstable under this space: across six datasets spanning four paradigms, up to 42% of trial-level predictions flip when only the preprocessing changes, a variability that standard uncertainty methods do not explicitly quantify because they condition on a fixed preprocessing pipeline. We provide three tools to make this instability measurable, decomposable, and reducible. First, a Walsh-Hadamard decomposition of the 2^7 pipeline space reveals that sensitivity is near-additive in practice under the binary intervention design, enabling efficient step-by-step optimization. Second, we introduce Preprocessing Uncertainty (PU), a per-trial diagnostic that captures a dimension of instability complementary to model-based confidence. Third, we study Normalized Adaptive PGI (NA-PGI), a graph-structured regularizer that exploits the compositional structure of preprocessing interventions as one mitigation strategy with clear scope conditions.