인공 지능의 돌파구, 복잡한 뇌 신호를 해석하여 뇌-컴퓨터 인터페이스 개선

일본의 지바 대학(Chiba University) 연구진은 인공 지능 프레임워크를 개발하여 복잡한 뇌 활동을 더 높은 정확도로 해석할 수 있게 되었다. 이 기술은 뇌-컴퓨터 인터페이스(Brain-Computer Interface, BCI)의 신뢰성을 높이는 중요한 단계로 평가된다. 이 기술을 통해 신경계 질환을 가진 사람들이 생각만으로 프로스θε틱 리듬, 휠체어, 재활 로봇 등을 제어할 수 있는 보조 기술의 개발이 가속화될 수 있다.

지바 대학 대학원 공학부의 박사 과정 학생 차오원シェン(Chaowen Shen)과 나미키 아키오(Akio Namiki) 교수가 이끄는 연구진은 Embedding-Driven Graph Convolutional Network (EDGCN)라는 새로운 딥 러닝 아키텍처를 개발하였다. 이 시스템은 뇌에서 상상한 움직임을 통해 발생하는 복잡한 전기 신호를 해석하는 것을 목표로 한다.

뇌-컴퓨터 인터페이스와 운동 상상

뇌-컴퓨터 인터페이스는 인간의 뇌와 외부 기계 사이의 의사소통 채널을 만드는 것을 목표로 한다. 뇌-컴퓨터 인터페이스는 근육 운동에 의존하지 않고 신경 신호를 해석하여 디지털 시스템이나 물리적 기계에 명령을 전달한다.

뇌-컴퓨터 인터페이스 연구에서 가장 널리 연구되는 접근 방식 중 하나는 운동 상상 전기뇌도(Motor Imagery Electroencephalography, MI-EEG)이다. 이 시스템에서는 사용자가 움직임을 상상한다. 예를 들어, 손가락을 들어 올리거나, 물건을 잡거나, 걷는 것을 상상한다. 실제로 물리적인 움직임이 발생하지는 않지만, 뇌는 상상한 움직임에 해당하는 뇌 활동 패턴을 생성한다.

이 신호는 뇌 활동을 기록하는 비침습적 기술인 전기뇌도(Electroencephalography, EEG)를 사용하여 捕获할 수 있다. EEG는 뇌의 여러 영역에서 신경 활동을 나타내는 다채널 시간 시리즈 데이터를 제공한다.

이 신호를 정확하게 해석하면 컴퓨터가 신경 활동을 명령으로 변환할 수 있다. 실제로, 마비나 심한 운동 장애를 가진 개인이 생각만으로 보조 기술을 제어할 수 있다.

그러나 신뢰할 수 있는 MI-EEG 신호의 해석은 여전히 신경 기술에서 가장 어려운 도전 중 하나이다.

뇌 신호를 해석하기 어려운 이유

뇌-컴퓨터 인터페이스 개발의 주요 장애물은 EEG 신호의 내재된 복잡성에 있다.

운동 상상 신호는 공간적 및 시간적 변동성이 높다. 즉, 뇌의 여러 영역에서 시간에 따라 다르게 변한다. 또한 개인 간에 그리고 같은 개인에서도 세션 간에 크게 다르다.

전통적인 기계 학습 모델은 이러한 변동성을 처리하기 어렵다. 많은 기존 시스템은 미리 정의된 그래프 구조 또는 고정된 매개변수를 사용하여 뇌 신호가 일관된 패턴으로 행동한다고 가정한다. 그러나 실제로 신경 신호는 훨씬 더 동적이고 이질적이다.

이전의 방법은 공통 공간 패턴 분석 또는 전통적인 합성곱 신경망과 같은 기술을 사용하여 EEG 신호에서 특징을 추출했다. 이러한 접근 방식은 일부 패턴을 식별할 수 있지만, 뇌 영역 간의 더 깊은 상호작용이나 시간에 따른 패턴을 자주 포착하지 못한다.

따라서 많은 뇌-컴퓨터 인터페이스 시스템은 개인 사용자에게 효과적으로 작동하기 위해 광범위한 캘리브레이션과 훈련을 필요로 한다.

새로운 접근 방식: 임베딩 기반 그래프 합성곱 신경망

지바 대학의 연구진은 이러한 도전을 해결하기 위해 새로운 딥 러닝 프레임워크를 개발했다.

그들의 해결책인 EDGCN은 여러 가지 고급 기술을 결합하여 EEG 신호의 공간적 및 시간적 구조를 동시에 모델링한다.

프레임워크의 핵심은 동적으로 매개변수를 생성하여 뇌 신호를 해석하는 임베딩 기반 융합 메커니즘이다. 고정된 아키텍처에 의존하지 않고, EDGCN은 내부 표현을 적응하여 주체 간 및 시간에 따른 변동성을 더 잘 포착한다.

아키텍처는 여러 가지 전문 구성 요소를 통합한다:

다중 해상도 시간 임베딩(Multi-Resolution Temporal Embedding, MRTE)

이 모듈은 다양한 시간 규모에서 EEG 신호를 분석한다. 신경 신호는 빠르게 진화하므로 중요한 정보는 다른 시간 해상도에서 발생할 수 있다. MRTE는 다중 해상도 전력 스펙트럼 패턴에서 특징을 추출하여 그렇지 않으면 놓칠 수 있는 유의미한 신경 활동을 식별할 수 있다.

구조 인식 공간 임베딩(Structure-Aware Spatial Embedding, SASE)

뇌 신호는 고립되지 않는다. 다른 뇌 영역은 지속적으로 상호작용한다. SASE 메커니즘은 EEG 전극 간의 지역 및 전역 연결 구조를 통합하여 뇌를 네트워크로 표현한다.

이질성 인식 매개변수 생성(Heterogeneity-Aware Parameter Generation)

EDGCN 프레임워크의 가장 혁신적인 측면 중 하나는 임베딩 기반 매개변수 은행에서 그래프 합성곱 매개변수를 동적으로 생성하는 능력이다. 이는 모델이 각 주체의 뇌 신호의 고유한 특성에 적응할 수 있다.

이 프로세스를 지원하기 위해 연구진은 Chebyshev 그래프 합성곱을 사용했다. 이는 복잡한 네트워크 내의 관계를 효율적으로 모델링한다.

직교 제약 커널(Orthogonality-Constrained Kernels)

さらに, 모델은 커널 내에서 직교 제약을 도입하여 강건성을 향상한다. 이는 학습된 특징의 다양성을 촉진하고冗余를 줄여서 시스템이 EEG 신호에서 더 풍부한 표현을 추출하도록 도와준다.

이러한 구성 요소를 모두 결합하면 EDGCN은 지역 신경 활동 패턴과 대규모 뇌 영역 간 상호작용을 모두 포착하여 운동 상상 신호의 더 정확한 해석을 가능하게 한다.

성능 결과

연구진은 BCI Competition IV 벤치마크 데이터셋을 사용하여 EDGCN을 테스트했다. 이 데이터셋은 뇌-컴퓨터 인터페이스 연구 분야에서 표준 평가 데이터셋이다.

모델은 다음을 달성했다:

• 90.14%의 분류 정확도를 BCIC-IV-2b 데이터셋에서 달성
• 86.50%의 분류 정확도를 BCIC-IV-2a 데이터셋에서 달성

이 결과는 여러 기존의 최첨단 해석 방법을 초월하며, 다양한 주체 간에 강한 일반화를 보여준다.

중요하게는, 시스템은 또한 교차 주체 시나리오에서 개선된 적응성을 보여주었다. 이는 실제 뇌-컴퓨터 인터페이스 배포에서 중요한 요구 사항이다. 많은 기존 모델은 단일 훈련된 사용자에게 잘 작동하지만, 새로운 개인에게 적용할 때 실패한다. EDGCN의 임베딩 기반 아키텍처는 주체 간 변동성을 더 잘 모델링하여 이 제한을 극복한다.

재활 및 보조 기술에 대한 영향

뇌 신호를 더 정확하게 해석할 수 있는 능력은 보조 기술에 큰 영향을 미칠 수 있다.

운동 상상 기반의 뇌-컴퓨터 인터페이스는 이미 다음과 같은 응용 분야에서 연구되고 있다:

• 생각으로 제어하는 휠체어
• 신경 프로스θε틱
• 로봇 재활 장치
• 마비 환자 위한 의사소통 시스템

해석 정확도가 개선되면 이러한 기술을 더 신뢰할 수 있고 사용하기 쉽게 만들 수 있다.

연구진은 다음과 같은 질환을 가진 환자들에게 시스템이 도움이 될 수 있다고 믿는다:

• 뇌졸중
• 척수 손상
• ALS(Amyotrophic Lateral Sclerosis)
• 다른 신경근계 질환

신뢰할 수 있는 신호 해석으로, 환자들은 단순한 상상된 운동으로 신경 재활 장치를 제어할 수 있어, 보조 시스템과의 상호작용을 더 자연스럽게 할 수 있다.

나미키 교수에 따르면, 운동 상상 신호를 해석하는 것은 기술적인 도전이 아니라, 운동과 신경 연결성을 어떻게 조직하는지 더 잘 이해하는 기회이다.

소비자급 뇌-컴퓨터 인터페이스 향한 발전

수십 년의 연구에도 불구하고, 대부분의 뇌-컴퓨터 인터페이스 시스템은 여전히 연구실이나 전문 임상 환경에 국한되어 있다. 신뢰성, 적응성, 사용 편의성은 보다 광범위한 채택의 주요 장벽이다.

EDGCN과 같은 발전은 뇌-컴퓨터 인터페이스를 소비자급 신경 기술로 이동하는 데 도움이 될 수 있다.

시스템이 이질적인 뇌 신호를 처리하는 능력을 향상시키면, 광범위한 캘리브레이션과 전문가 조정이 필요한 요구가 줄어든다. 이는 연구 환경 외부에서 뇌-컴퓨터 인터페이스 시스템을 사용할 수 있게 하는 중요한 단계이다.

미래의 연구는 이러한 AI 모델을 휴대용 EEG 시스템과 웨어러블 디바이스에 통합하는 데 중점을 둘 것이다. 센서 기술과 컴퓨팅 파워의 향상과 결합하여, 이러한 시스템은 더 접근하기 쉽고 확장 가능한 뇌-기계 인터페이스를 가능하게 할 수 있다.

인간-기계 통합의 더 깊은 단계로

EDGCN의 개발은 인공 지능과 신경과학에서 그래프 기반 신경망을 생물학적 시스템을 모델링하는 데 사용하는 증가하는 추세를 반영한다.

뇌 자체가 복잡한 네트워크로 작동하기 때문에, 그래프 신경망은 그 구조와 역학을 자연스럽게 표현하는 방법을 제공한다. 이러한 AI 모델이 더 발전하면, 신경 활동과 인지에 대한 더 깊은 통찰력을 얻을 수 있다.

궁극적으로, 뇌 신호의 더 정확한 해석은 인간과 기계가 이전에 없던 수준으로 더 원활하게 상호작용할 수 있는 새로운 기술의 길을 열 수 있다.

현재의 속도로 진행된다면, 뇌-컴퓨터 인터페이스는 곧 실험 연구 도구에서 일상적인 보조 기술로 전환하여, 수백만 명의 사람들에게 독립성과 이동성을 회복할 수 있는 능력을 제공할 수 있다.