본 논문은 다양한 EEG 신호 분류를 위한 통합된 임베딩 학습 파이프라인 개발의 어려움을 해결하기 위해 EEG Adapter (EAD) 프레임워크를 제안합니다. 기존 EEG 분류는 전처리 및 심층 학습 기법에 의존하며, EEG 채널 수에 따라 성능이 크게 달라지는 문제점을 가지고 있습니다. EAD는 다양한 신호 획득 장치와 호환 가능하며, 기존 EEG 기반 모델을 활용하여 다양한 EEG 데이터셋에서 강건한 표현 학습을 가능하게 합니다. EEG-ImageNet과 BrainLat 데이터셋에서 각각 99.33%와 92.31%의 최첨단 정확도를 달성하여 제안된 프레임워크의 효과를 입증하였으며, EEG-ImageNet 데이터셋을 이용한 제로샷 분류 실험을 통해 일반화 성능 또한 확인하였습니다.
