ECoG를 통한 손가락 운동의 빠르고 정확한 디코딩: 리만 특징과 현대 기계학습 기법을 활용하여

목표. 개별 손가락 운동의 정확한 복원은 고급 의수 제어에 있어 핵심적인 요소이다. 본 연구에서는 전두엽 전기자극도(ECoG) 신호의 리만 공간 특징과 시계열 동역학을 현대적인 기계학습(ML) 기법과 결합하여, 개별 손가락 수준의 운동 복원 정확도를 향상시키는 방법을 제안한다.방법. 우리는 손가락 운동과 상관관계가 높은 정보성 생물학적 지표(biomarker)를 선정하고, 뇌-컴퓨터 인터페이스(BCI) 경진대회 IV 데이터셋(ECoG, 3명의 피험자)과 유사한 촬영 환경을 가진 두 번째 ECoG 데이터셋(스탠포드, 9명의 피험자)에서 최신 ML 알고리즘의 성능을 평가하였다. 또한 ECoG 신호의 과거 정보를 효과적으로 포착하기 위해 특징의 시계열 연결(temporal concatenation)을 탐색하였으며, 이는 분류 및 회귀 작업 모두에서 단일 에포크 복원보다 유의미한 성능 향상을 가져왔다(p < 0.01).주요 결과. 특징 연결과 기울기 부스팅 트리(최고 성능을 보인 모델)를 사용하여, 여섯 클래스(휴식 상태 포함)의 개별 손가락 운동 탐지에서 분류 정확도 77.0%를 달성하였다. 이는 BCI 경진대회 3명의 피험자에 대해 기존 최고 성능을 기록한 조건부 무작위 필드(CRF) 모델보다 11.7% 향상된 결과이다. 지속적인 운동 경로 복원에서는 피험자 및 손가락 간 평균 피어슨 상관 계수(r)가 0.537을 기록하였으며, BCI 경진대회 우승 모델 및 동일 데이터셋에 보고된 최신 기술(CNN + LSTM)보다 우수한 성능을 보였다. 더불어 제안된 방법은 낮은 시간 복잡도를 가지며, 학습에는 17.2초 미만, 추론에는 50밀리초 미만이 소요된다. 이는 이전에 보고된 최고 성능의 딥러닝 방법 대비 학습 속도 약 250배의 가속을 가능하게 한다.의의. 제안된 기법은 최소 침습적인 대뇌 신호를 활용하여 빠르고 신뢰성 있으며 고성능의 의수 제어를 가능하게 한다.