목표. 기존의 뇌-기계 인터페이스(BMI) 디코딩 파이프라인은 특징 추출, 시간-주파수 분석, 통계학적 학습 모델 등의 연속된 단계로 구성되어 있다. 이러한 각 단계는 별도의 알고리즘으로 구성되며, 순차적으로 학습되기 때문에 전체 시스템의 적응성 확보가 어렵다. 본 연구의 목적은 단일 목적 함수와 단일 학습 알고리즘을 통해 적응형 온라인 시스템을 구축함으로써, 전체 시스템을 병렬로 학습하여 디코딩 성능을 향상시키는 것이다. 이를 위해 우리는 합성곱 신경망(CNN)과 장기 단기 기억(LSTM)이라는 특수한 종류의 순환 신경망(RNN)으로 구성된 깊은 신경망을 활용하였다. 방법. 우리는 Kubanek 등이 수집한 전뇌막 전기 생리학적 신호(ECoG) 데이터를 사용하였다. 실험 과제는 시각적 자극에 따라 각 손가락을 개별적으로 구부리는 동작이었다. 본 모델은 계층적 특징 추출기로 작용하는 CNN과 시계열 데이터를 처리하고 신경 신호의 시간적 동역학을 인식할 수 있는 RNN을 결합하였다. CNN은 특징 추출기로, LSTM은 신호의 시간적 동역학을 포착하기 위한 회귀 알고리즘으로 활용되었다. 주요 결과. 우리는 ECoG 신호를 이용하여 손가락의 궤적을 예측하였으며, 최소 각도 회귀(LARS), CNN-LSTM, 랜덤 포레스트, 하드 코딩된 특징을 사용한 LSTM 모델(LSTM_HC), 그리고 대역통과 필터링, 에너지 추출, 특징 선택, 선형 회귀로 구성된 전통적인 디코딩 파이프라인을 비교하였다. 결과적으로 깊은 학습 모델이 일반적으로 사용되는 선형 모델보다 우수한 성능을 보였다. 특히 깊은 학습 모델은 더 부드럽고 현실적인 궤적을 예측할 뿐만 아니라, 운동 상태와 휴식 상태 간의 전이를 학습하는 능력을 보였다. 의의. 본 연구는 합성곱 신경망과 순환 신경망을 통합한 BMI 디코딩 네트워크를 제시하였다. 이 네트워크는 특징 추출 파이프라인을 합성곱 및 풀링 계층에 통합하고, LSTM 계층을 통해 상태 전이를 포착하였다. 제안된 네트워크는 디코딩 파이프라인의 각 단계에서 별도로 모델을 학습할 필요 없이 전체 시스템을 단일 프레임워크 내에서 통합적으로 최적화할 수 있도록 하였다. 전체 시스템은 확률적 경사 하강법(Stochastic Gradient Descent)을 통해 공동 최적화가 가능하며, 온라인 학습 또한 수행할 수 있다.