Modality-Aware Spectral Alignment for Personalized Federated EEG–Gaze Learning
IEEE Signal Processing Letters, pp. 1–5 · Early Access, 2026.
RESEARCH OVERVIEW
뇌파와 시선 정보를 함께 보면 무엇을 알 수 있을까?
뇌파와 시선 데이터를 결합해 로봇 보조 수술 수행 능력을 예측합니다. 개인별 신호 차이에 적응하면서 원시 데이터를 각 클라이언트에 유지하는 연합학습을 연구합니다.
Abstract
FedAlign-RAS predicts performance in robot-assisted surgery by combining EEG recordings with eye-gaze measurements in a personalized federated model. Shared encoders learn common representations, while small modules maintained by each client align spectral and temporal characteristics to address differences between individuals and between modalities. Evaluation uses a PhysioNet surgical-performance dataset, with additional pretraining on public recordings from consumer EEG and eye-tracking devices. The reported comparisons favor this personalized approach over centralized training, independent local models, and conventional federated learning, while retaining the original signals at each client.
연구 개요
EEG와 시선 정보를 결합해 로봇 보조 수술 수행 능력을 예측하는 개인화 연합학습 프레임워크 FedAlign-RAS를 제안합니다. 공통 인코더와 클라이언트별 스펙트럼·시간 정렬 모듈을 결합하여 개인 간 신호 차이와 모달리티 간 불일치를 다룹니다. 원시 EEG 및 시선 데이터를 각 클라이언트에 유지하면서 중앙집중식 학습, 개별 로컬 모델, 일반적인 연합학습 방법보다 향상된 예측 성능을 보고했습니다.
2026년 10월 13일 IEEE Signal Processing Letters에 Early Access로 공개되었습니다.
학술지 지표 (2025 JCR)
| 항목 | 값 |
|---|---|
| 분야 | Engineering, Electrical & Electronic (SCIE) |
| Journal Impact Factor | 3.6 |
| 자기인용 제외 Journal Impact Factor | 3.0 |
| JIF 백분위 | 60.9 |
| 상위 비율 | 39.1% |
| 사분위 | Q2 |
2025 JCR 기준이며, 상위 비율은 100 − 60.9 = 39.1%로 계산했습니다.
저자 및 소속
- Seo-Yeon Choi: Division of Electronics and Information Engineering, Jeonbuk National University, Jeonju, South Korea.
- Kyungsu Lee: Division of Electronics and Information Engineering 및 Department of Computer Science & Artificial Intelligence, Jeonbuk National University, Jeonju, South Korea.
저자 키워드
Electroencephalography, federated learning, multimodal learning, personalization.