# The Case for Cleaner Biosignals: High-fidelity Neural Compressor Enables Transfer from Cleaner iEEG to Noisier EEG

### 저자

Francesco Stefano Carzaniga, Gary Tom Hoppeler, Michael Hersche, Kaspar Anton Schindler, Abbas Rahimi

### 개요

본 논문은 뇌파 데이터(EEG, iEEG)의 효율적인 압축을 위한 새로운 신경망 기반 압축 모델인 BrainCodec을 제안합니다.  EEG와 iEEG는 동일한 신호원에서 나오지만 데이터 품질에 차이가 있으며, 이러한 차이가 심층 학습 모델의 성능에 미치는 영향을 분석합니다.  BrainCodec은 iEEG 데이터로 학습 후 EEG 데이터에 적용했을 때 더 높은 재구성 품질을 보이며, EEG와 iEEG 데이터를 모두 사용하여 학습했을 때 EEG 재구성 성능이 향상되는 것을 확인했습니다.  이는 iEEG와 같이 높은 신호 대 잡음비(SNR)를 갖는 데이터 소스가 의료 시계열 도메인에서도 더 나은 성능을 제공함을 시사합니다.  BrainCodec은 최대 64배의 압축률을 달성하면서도 품질 저하가 거의 없으며, 기존 최첨단 압축 모델보다 압축률과 재구성 정확도 면에서 뛰어난 성능을 보입니다.  발작 감지 및 운동 영상 분류와 같은 후속 작업에서도 성능 저하 없이 높은 재구성 정확도를 달성하며, 전문 신경과 의사의 주관적 평가를 통해 실제 시나리오에서 높은 재구성 품질을 확인했습니다.

### 시사점, 한계점

- **시사점:**

    - 높은 SNR의 iEEG 데이터를 활용하여 EEG 데이터의 압축 및 재구성 성능을 향상시킬 수 있음을 보여줌.

    - BrainCodec은 기존 압축 모델보다 우수한 성능(압축률 및 재구성 정확도)을 제공함.

    - 압축된 데이터를 사용하더라도 후속 작업(발작 감지, 운동 영상 분류)의 성능 저하가 없음.

    - 의료 시계열 데이터 압축 분야에 새로운 가능성을 제시함.

- **한계점:**

    - BrainCodec의 성능 평가는 특정 데이터셋과 작업에 국한됨.  다양한 데이터셋 및 작업에 대한 추가적인 실험이 필요함.

    - 주관적 평가는 한 명의 전문가 의견에 의존함. 더 많은 전문가의 평가가 필요함.

    - 압축 알고리즘의 계산 복잡도 및 실시간 처리 가능성에 대한 분석이 부족함.

[PDF 보기](https://arxiv.org/pdf/2502.17462)

![https://i.imgur.com/PD9hOGC.jpeg](https://i.imgur.com/PD9hOGC.jpeg)

For the site tree, see the [root Markdown](https://slashpage.com/haebom.md).