소형 컨볼루션 신경망을 활용한 대뇌 피질 신호의 디코딩 및 해석

목표. 뇌-컴퓨터 인터페이스(Brain–computer interfaces, BCIs)는 신경 활동에서 정보를 해독하여 외부 장치로 전송한다. 딥러닝 기반의 해독 방법은 특정 해독 작업 내에서 자동 특징 엔지니어링을 가능하게 한다. 네트워크 파라미터에 생리학적으로 타당한 해석을 제공함으로써 학습된 결정 규칙의 강건성을 확보할 수 있으며, 이는 자동 지식 탐색의 흥미로운 기회를 열어준다. 방법. 본 연구에서는 전뇌막 전기자극(encephalographic, ECoG) 데이터를 손가락 운동학 정보로 적응형 해독하기 위한 컴팩트한 컨볼루션 신경망 기반 아키텍처를 제안한다. 또한, 공간과 시간 양쪽에서의 적응을 동시에 고려하는 아키텍처에서 공간적 및 시계열적 가중치를 해석하기 위한 이론적으로 타당한 새로운 접근법을 제안한다. 이를 통해 특정 해독 작업에 핵심적인 역할을 하는 신경군의 공간적 및 주파수 패턴을 적절한 공간적 및 동역학 모델에 적합시켜 해석할 수 있다. 주요 결과. 먼저, 현실적인 몬테카를로 시뮬레이션을 통해 제안한 방법의 유효성을 검증하였다. 이후 베를린 BCI 콩쿠르 IV 데이터셋의 ECoG 데이터에 적용한 결과, 명시적인 특징 엔지니어링 없이도 대회 우승자 수준의 성능을 달성하였다. 제안된 네트워크 가중치 해석 방법을 활용하여, ECoG 데이터셋에서 손가락 운동학 정보를 성공적으로 해독하는 데 기여하는 신경 과정의 공간적 및 스펙트럼적 패턴을 해독할 수 있었다. 마지막으로, 전체 파이프라인을 32채널 EEG 운동 상상 데이터셋에 적용하여, 해당 작업에 특화된 생리학적으로 타당한 패턴을 관찰하였다. 의의. 본 연구는 신경 전기생리학 분야의 기초 원리에서 도출된 컴팩트하고 해석 가능한 CNN 아키텍처를 제시하였다. 특히, 공간적 및 시간적 처리를 분리하여 구현한 다지점(multibranch) 아키텍처의 맥락에서, 처음으로 이론적으로 타당한 가중치 해석 규칙을 제시하였다. 시뮬레이션과 실제 데이터를 활용하여 제안된 규칙의 타당성을 검증하였으며, 제안된 솔루션이 우수한 해독 성능을 제공할 뿐만 아니라 운동 조절 신경 기전을 탐구하는 유용한 도구가 될 수 있음을 입증하였다.