경량형 EEG 기반 뇌-컴퓨터 인터페이스를 위한 역전파 불필요 테스트 시간 적응

Backpropagation-Free Test-Time Adaptation for Lightweight EEG-Based Brain-Computer Interfaces

뇌파(EEG) 기반 뇌-컴퓨터 인터페이스(BCI)는 개인 간의 변동성, 신호의 비정상성, 그리고 계산 제약으로 인해 실제 적용에 상당한 어려움을 겪습니다. 테스트 시간 적응(TTA)은 온라인 데이터 스트림에서 분포 변화를 완화하지만, 기존의 TTA 방법은 모델 파라미터를 업데이트하기 위해 역전파가 필요한 명시적으로 정의된 손실 함수에 크게 의존하며, 이는 계산 오버헤드, 개인 정보 위험, 그리고 노이즈가 많은 데이터 스트림에 대한 민감성을 초래합니다. 본 논문에서는 이러한 문제를 해결하기 위한 역전파 불필요 변환(BFT)이라는 TTA 방법을 제안합니다. BFT는 각 테스트 세션에 대해 지식 기반 증강 또는 근사 베이즈 추론을 활용한 여러 개의 샘플 기반 변환을 적용하여, 단일 테스트 샘플에 대한 여러 개의 예측 점수를 생성합니다. 학습 기반 순위 모듈은 이러한 예측 점수의 가중치를 향상시켜, 이론적 근거에 기반하여 추론 과정에서 불확실성을 억제하는 강력한 결합을 가능하게 합니다. 운동 상상 분류 및 운전자 졸음 감지 회귀 작업을 위한 다섯 가지 EEG 데이터 세트에 대한 광범위한 실험은 BFT의 효과성, 다양성, 견고성, 그리고 효율성을 입증합니다. 본 연구는 리소스 제약 환경에서 경량화된 플러그 앤 플레이 BCI를 가능하게 하여, EEG 기반 BCI를 위한 디코딩 알고리즘의 실제 적용 범위를 확대합니다.

Electroencephalogram (EEG)-based brain-computer interfaces (BCIs) face significant deployment challenges due to inter-subject variability, signal non-stationarity, and computational constraints. While test-time adaptation (TTA) mitigates distribution shifts under online data streams without per-use calibration sessions, existing TTA approaches heavily rely on explicitly defined loss objectives that require backpropagation for updating model parameters, which incurs computational overhead, privacy risks, and sensitivity to noisy data streams. This paper proposes Backpropagation-Free Transformations (BFT), a TTA approach for EEG decoding that eliminates such issues. BFT applies multiple sample-wise transformations of knowledge-guided augmentations or approximate Bayesian inference to each test trial, generating multiple prediction scores for a single test sample. A learning-to-rank module enhances the weighting of these predictions, enabling robust aggregation for uncertainty suppression during inference under theoretical justifications. Extensive experiments on five EEG datasets of motor imagery classification and driver drowsiness regression tasks demonstrate the effectiveness, versatility, robustness, and efficiency of BFT. This research enables lightweight plug-and-play BCIs on resource-constrained devices, broadening the real-world deployment of decoding algorithms for EEG-based BCI.