본 논문은 제한된 훈련 데이터로 다양한 작업에서 우수한 성능을 발휘하는 일반화 가능한 표현을 학습하는 데 어려움을 겪고 있는 기존의 딥러닝 기반 뇌전도(EEG) 신호 분석 방법의 한계를 해결하고자, 잠재 확산 모델(latent diffusion model) 기반의 새로운 자기 지도 학습 방법인 EEGDM을 제안합니다. EEGDM은 EEG 신호 생성을 자기 지도 학습 목표로 활용하여, EEG 신호와 채널 증강을 압축된 표현으로 변환하는 EEG 인코더를 통합합니다. 이는 확산 모델이 EEG 신호를 생성하는 과정을 안내하는 조건 정보로 작용하며, 압축된 잠재 공간을 제공하여 생성 과정에 대한 제어를 용이하게 하고 다운스트림 작업에 활용될 수 있도록 합니다. 실험 결과, EEGDM은 고품질 EEG 신호 재구성, 강력한 표현 학습, 그리고 적은 사전 훈련 데이터 크기로 다양한 다운스트림 작업에서 경쟁력 있는 성능을 달성함을 보여주어, 일반화 가능성과 실용성을 강조합니다.
