본 논문은 제한된 데이터, 고차원성, 그리고 시공간적 의존성을 완전히 포착하지 못하는 모델의 부재로 인해 효과적인 분석이 어려운 뇌전도(EEG) 신호 분석에 대한 새로운 접근법을 제시합니다. 기존의 자기지도학습(SSL) 방법들이 공간적 또는 시간적 특징 중 하나에만 초점을 맞춘 것과 달리, 본 논문에서는 EEG를 비디오와 유사한 시퀀스로 취급하여 시공간적 표현을 학습하는 EEG-VJEPA 모델을 제안합니다. EEG-VJEPA는 Video Joint Embedding Predictive Architecture (V-JEPA)를 EEG 분류에 적용한 것으로, 공동 임베딩과 적응적 마스킹을 사용하여 의미있는 시공간적 표현을 학습합니다. TUH Abnormal EEG 데이터셋을 사용한 실험 결과, EEG-VJEPA는 기존 최첨단 모델들을 능가하는 분류 정확도를 보였으며, 생리학적으로 관련된 시공간적 신호 패턴을 포착하여 해석 가능한 임베딩을 제공함으로써 진단 워크플로우에서 인간-AI 협업을 지원할 수 있음을 보여줍니다.
