본 논문은 제한된 표식 데이터, 고차원성, 그리고 시공간적 의존성을 완전히 포착하는 확장 가능한 모델의 부재로 인해 효과적인 분석이 어려운 뇌전도(EEG) 신호 분석에 대한 새로운 접근 방식을 제시합니다. 기존의 자기 지도 학습(SSL) 방법들이 공간적 또는 시간적 특징 중 하나에만 집중하는 것과 달리, 본 논문에서는 비디오 공동 임베딩 예측 아키텍처(V-JEPA)를 EEG 분류에 적용한 EEG-VJEPA를 제안합니다. EEG를 비디오와 유사한 시퀀스로 처리하여 공동 임베딩과 적응형 마스킹을 사용하여 의미론적으로 의미 있는 시공간적 표현을 학습합니다. Temple University Hospital (TUH) 비정상 EEG 데이터셋을 사용한 평가 결과, EEG-VJEPA는 기존 최첨단 모델보다 분류 정확도가 높은 것으로 나타났으며, 생리학적으로 관련된 공간적 및 시간적 신호 패턴을 포착하여 해석 가능한 임베딩을 제공합니다.
