기술 요약: 신경 보철 운동 제어를 위한 이벤트 기반 신경 디코딩

문제 정의

장애, 질병 또는 사고를 겪는 환자들은 종종 운동 능력의 저하를 경험합니다. 현대의 딥 뉴럴 네트워크 기반 보철 기술은 향상된 삶의 질을 약속하지만, 상당한 지연 시간, 에너지 소비 및 공간적 요구 사항으로 인해 광범ık적인 도입이 제한되고 있습니다. 외부 프로세서와의 유선 연결은 환자의 이동성을 제한하며, 무선 연결은 데이터 전송량을 제한합니다. 스파이킹 신경망(SNN)은 압축된 통신과 저전력 추론의 잠재력을 제공하지만, 다양한 응용 분야에서 최첨단 딥러닝 모델에 비해 성능이 떨어지는 경우가 많습니다.

본 연구가 다루는 구체적인 과제는 폐쇄 루프(closed-loop) 신경 디코딩에 초점을 맞춘 2025 IEEE BioCAS 그랜드 챌린지에서 기인합니다. 알고리즘은 2D 평면 내에서 가상 커서를 제어하기 위해(중심에서 임의의 목표물로 이동) 실시간으로 적응하고 수행해야 합니다. 시스템은 이식형 장치에 적합한 엄격한 자원 제약 조건 하에서 작동해야 합니다. 또한, 시스템은 신호 손실(침묵하는 프로브) 및 튜닝 드리프트(변화된 활성)를 포함한 시뮬레이션된 만성적 기록 저하인 "Track 2" 섭동(perturbations)에 대해 견고성을 유지해야 합니다.

방법론

모델 아키텍처: 이벤트 기반 게이트 순환 유닛 (EGRU)

저자들은 **이벤트 기반 게이트 순환 유닛(Event-based Gated Recurrent Unit, EGRU)**에 기반한 신경 디코딩 방법을 제안합니다. 모든 타임스텝에서 조밀한 연산을 수행하는 표준 RNN(LSTM 또는 GRU와 같은)이나, 정확도가 떨어질 수 있는 표준 SNN과 달리, EGRU는 GRU의 표현력과 스파이킹 뉴런의 희소한(sparse) 이벤트 기반 통신을 결합합니다.

• 메커니즘: EGRU는 "등급형 스파이크(graded spikes)"를 생성합니다. 내부 셀 상태 $h$로부터 임계값 메커니즘을 통해 희소한 출력 $y$가 도출됩니다. 임계값을 넘는 값은 어떤 부동 소수점 숫자든 될 수 있습니다.
• 효율성: 계산 비용은 활동량에 따라 스케일링됩니다. 유닛의 일부 $\alpha$만이 발화하는 경우, 표준 MAC(Multiply-Accumulate) 연산의 $\alpha \times$만큼의 연산만 필요합니다.
• 구성: 특정 디코더 아키텍처는 다음과 같이 구성됩니다:
  1. 96개의 입력 채널(96개의 뉴런을 시뮬레이션)을 4차원 특징 공간으로 투영하는 초기 선형 레이어.
  2. 2개의 뉴런을 가진 EGRU 레이어(총 풋프린트 약 2K 파라미터).
  3. 2D 속도 명령을 생성하는 선형 출력 헤드.

학습 전략

모델은 2단계 학습 전략을 채택합니다.

1. 오픈 루프 사전 학습(Open-Loop Pre-training): 모델은 환경에서 샘플링된 5,000개의 합성 궤적(4 타임스텝 길이)을 사용하여 초기화됩니다. 이 단계는 모델을 다양한 입력 패턴에 노출시키고 빠른 초기화를 위해 효율적인 CUDA 커널을 활용하는 지도 학습을 사용합니다.
2. 폐쇄 루프 강화 학습(Closed-Loop Reinforcement Learning, RL): 모델은 폐쇄 루프 환경에서 미세 조정됩니다.
   • 보상 함수: 유클리드 거리를 기반으로 완성 보상, 시간 보너스, 거리 페널티를 포함하는 미분 가능한 신호를 사용합니다.
   • 탐색(Exploration): 행동은 모델의 예측을 중심으로 하는 가우시안 분포에서 추출되며, 탐색 노이즈($\epsilon$)는 600개의 에피소드 동안 0.5에서 0으로 감소합니다.
   • 강건성 학습: 만성적 저하를 시뮬레이션하기 위해, 훈련 중에 구성 가능한 비율의 뉴런이 침묵하거나 튜닝 특성이 재할당(분포 변화)됩니다. 이러한 섭동은 고정된 패턴에 의존하는 것을 방지하기 위해 매 에피오크마다 새롭게 샘플링됩니다.

주요 기여

본 논문은 세 가지 주요 기여를 설명합니다:

1. 강화 학습에 EGRU 통합: 이는 신경 디코딩을 위한 EGRU의 첫 번째 강화 학습 통합으로, 이벤트 기반 순환 아키텍처가 폐쇄 루프 설정에서 효과적으로 제어 정책을 학습할 수 있음을 입증했습니다.
2. 온-디바이스 효율적인 디코더 설계: 이 접근 방식은 매우 작은 풋프린트(단 2개의 EGRU 유닛, ~2K 파라미터)로 높은 작업 성능을 달agi 하며, 이식형 애플리케이션에 적합한 강력한 정확도-효율성 트레이드오프를 보여줍니다.
3. 만성적 신경 신호 저하에 대한 강건성: 모델은 실제적인 섭동(신호 드롭아웃 및 튜닝 드리프트) 하에서 훈련 및 평가되었으며, 전극 실패 시나리오에 대한 회복력을 보여주었습니다.

실험 결과

성능 (Track 1: 표준 조건)

• 성공률: 모델은 테스트된 모든 뉴런 모델에 대해 목표에 도달하고 유지하는 데 있어 100% 성공률을 달성했습니다.
• 지연 시간: 평균 목표 도달 시간은 일관되게 1초 미만이었습니다(뉴런 모델에 따라 0.87초에서 0.95초 사이).
• 효율성: 작은 크기에도 불구하고, 모델은 높은 활성 희소성(0.001 ~ 0.041)을 유지했으며 조밀한 시냅스 연산에 비해 유효 MAC 연산을 크게 줄였습니다.

강건성 (Track 2: 섭동 조건)

• 섭동 처리: 50%의 분포 변화와 40%의 신호 손실을 시뮬레이션하는 조건에서도 모델은 100% 성공률을 유지했습니다.
• 저하 한계: 최대 80%의 프로브가 수정(침묵 또는 재분배)되는 상황에서도 디코더는 높은 성공률과 안정적인 보상을 유지했습니다.
• 목표 도달 시간: 심각한 섭동(예: 최대 1.12초) 하에서 목표 도달 시간이 약간 증가했으나, 시스템은 기능적으로 작동했습니다.
• 미세 조정: 저자들은 섭동된 데이터에 대한 표적 미세 조정을 통해 성능을 더욱 향상할 수 있다고 언급했습니다.

LSTM과의 비교

유사한 파라미터 수를 가진 표준 LSTM 기반 디코더와 비교했을 때:

• 정확도: LSTM은 약간 더 빠른 목표 도달 시간(EGRU n=2의 0.90초 대비 0.82초)을 기록했습니다.
• 효율성: LSTM은 조밀한 활성화와 더 복잡한 내부 구조로 인해 훨씬 더 많은 계산을 필요로 했습니다. EGRU는 우수한 에너지 효율성과 희소성을 제공하여, 이는 이식형 하드웨어에 매우 중요합니다.

의의 및 주장

본 논문은 이 연구가 정확도, 지연 시간 및 전력 효율이라는 상충하는 요구 사항 사이의 균형을 맞추는 온-디바이스, 폐쇄 루프 신경 디코딩의 실현 가능성을 입증한다고 주장합니다.

• 하드웨어 통합: 신호에 가까운 곳에서 신호를 처리함으로써 이벤트 기반 아키텍처를 사용하는 이 방식은 전송되는 데이터의 양을 줄여, 전력 및 대역폭 제약이 있는 이식형 시스템에 필수적인 실시간 저지연 작동을 가능하게 합니다.
• 회복력: 이 접근 방식은 이벤트 기반 순환 아키텍처가 높은 정확도와 하드웨어 효율성을 동시에 달성할 수 있음을 증명하며, 장기 이식형 BMI 시스템에서 흔히 발생하는 만성적 신호 저하에 강한 완전 통합형 신경 인터페이스를 위한 길을 열어줍니다.
• 향%후 전망: 저자들은 향 향후 연구가 현재의 합성 벤치마크를 넘어 하드웨어 공동 설계 및 인간 임상 데이터셋에 대한 적응에 집중할 것이라고 밝혔습니다.