공통공간패턴 (Common Spatial Pattern (CSP))
쉽게 풀면
머리 곳곳의 전극 신호를 적절한 가중치로 더하면 새로운 '가상 채널'을 만들 수 있습니다. 공통공간패턴은 예를 들어 왼손 상상과 오른손 상상 두 조건을 가장 잘 구별하도록, 한 조건에서는 신호 에너지가 크고 다른 조건에서는 작아지는 가중치 조합을 찾아 줍니다. 이렇게 걸러낸 신호의 분산(에너지)을 특징으로 쓰면 간단한 분류기로도 두 조건을 잘 나눌 수 있습니다.
왜 중요한가
운동심상 BCI에서 뇌파 특징을 뽑는 사실상 표준 알고리즘이라, 새로운 방법을 제안하는 논문은 거의 늘 CSP+선형판별분석(LDA)을 기준 성능으로 비교합니다. 계산이 빠르고 해석이 비교적 쉬워 실시간 시스템에도 많이 쓰입니다.
논문에서는 이렇게 쓰입니다
CSP 필터를 몇 쌍 쓰고 어떤 특징을 뽑았는지 밝힌 전형적인 방법 서술입니다.
조금 더 깊게 보면
수학적으로는 두 조건의 평균 공분산 행렬에 대한 일반화 고유값 문제를 풀어, 고유값이 가장 크고 작은 양 끝의 고유벡터를 공간필터로 씁니다. 원래 두 클래스용이므로 다중 클래스에서는 일대다 방식 등으로 확장하고, 주파수 대역마다 CSP를 적용하는 FBCSP 같은 변형도 널리 쓰입니다. 잡음이나 이상치에 민감해 공분산 추정을 정규화한 방법들이 제안되어 왔습니다.
주의할 점
독립성분분석도 공간필터를 얻지만 조건 정보 없이 통계적으로 독립인 신호원을 분리하는 비지도 방법인 반면, CSP는 두 조건의 라벨을 이용해 구별력을 최대화하는 지도 방법이라는 점이 다릅니다. 운동심상 분류는 CSP가 주로 쓰이는 과제이지 알고리즘 자체가 아니며, CSP 필터 가중치를 곧바로 뇌 활성 지도로 해석하는 것은 오해를 부를 수 있어 패턴(역행렬 열)으로 바꾸어 보여야 합니다.