CRCC: 뇌전도를 위한 대조 기반의 강건한 교차 피험자 및 교차 사이트 표현 학습

CRCC: Contrast-Based Robust Cross-Subject and Cross-Site Representation Learning for EEG

EEG 기반 신경 해독 모델은 훈련 중 암묵적으로 이용되는 구조적이고 사이트 종속적인 편향으로 인해 데이터 수집 사이트 전반에 걸쳐 일반화되지 못하는 경우가 많다. 우리는 교차 사이트 임상 EEG 학습을 도메인 변이(domain shifts)가 상호작용하는 다중 소스에서 발생하는 편향 요인화(bias-factorized) 일반화 문제로 재구성한다. 우리는 세 가지 근본적인 편향 요인을 식별하고, 데이터 표준화 및 표현 수준의 제약을 통해 그 영향을 완화하는 범용 훈련 프레임워크를 제안한다. 또한 주요 우울장애에 대한 표준화된 다중 사이트 EEG 벤치마크를 구축하고, 인코더-디코더 사전 훈련과 교차 피험자/사이트 대조 학습 및 사이트 적대적 최적화를 통한 공동 미세 조정을 결합한 2단계 훈련 패러다임인 CRCC를 도입한다. CRCC는 일관되게 최신 베이스라인 모델들의 성능을 능가하며, 엄격한 제로샷 사이트 전이 환경에서 균형 정확도(balanced accuracy)를 10.7%포인트 향상시켜 미지의 환경에 대한 강건한 일반화 성능을 입증한다.

EEG-based neural decoding models often fail to generalize across acquisition sites due to structured, site-dependent biases implicitly exploited during training. We reformulate cross-site clinical EEG learning as a bias-factorized generalization problem, in which domain shifts arise from multiple interacting sources. We identify three fundamental bias factors and propose a general training framework that mitigates their influence through data standardization and representation-level constraints. We construct a standardized multi-site EEG benchmark for Major Depressive Disorder and introduce CRCC, a two-stage training paradigm combining encoder-decoder pretraining with joint fine-tuning via cross-subject/site contrastive learning and site-adversarial optimization. CRCC consistently outperforms state-of-the-art baselines and achieves a 10.7 percentage-point improvement in balanced accuracy under strict zero-shot site transfer, demonstrating robust generalization to unseen environments.