MtReNIRS: A Self-Supervised Foundation Model for Transferable Neurovascular Representations
본 논문은 이질적인 몽타주를 공유된 해부학적 참조 모델로 매핑함으로써 일반화 가능한 신경혈관 표현을 학습하여 기존 방식보다 우수한 피험자 간 성능과 퓨샷(few-shot) 보정 능력을 달성하는, 12개의 다양한 fNIRS 데이터셋으로 사전 학습된 자기지도 학습 기반 파운데이션 모델인 MtReNIRS를 소개한다.
원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기
인간의 뇌는 복잡한 엔진이며, 과학자들은 오랫동안 두개골을 열지 않고도 그 생각을 들을 수 있는 방법을 찾아왔습니다. 이를 위한 유망한 도구 중 하나는 근적외선 분광법(fNIRS)입니다. 병원에서 사용하는 크고 고정된 기계와 달리, fNız은 빛 센서가 장착된 착용 가능한 캡을 사용합니다. 이 센서들은 두피를 통해 근적외선을 쏘고, 그 아래 흐르는 혈액에 의해 빛이 얼마나 흡수되는지를 측정합니다. 활성화된 뇌세포는 더 많은 산소를 필요로 하기 때문에, 사람이 무언가를 생각하거나, 움직이거나, 느낄 때 혈류의 패턴이 특정 방식으로 변화합니다. 이러한 변화를 추적함으로써 연구자들은 뇌의 어느 부분이 작동하고 있는지 볼 수 있습니다. 그러나 이 빛의 신호를 명확한 뇌 활동의 그림으로 바꾸는 것은 어려웠습니다. 모든 연구실마다 서로 다른 캡을 사용하고 센서가 배치된 위치도 다르며, 포착되는 신호 또한 착용자마다 매우 독특하고 불규칙했습니다. 이로 인해 어떤 사람이나 장소, 어떤 기기를 사용하더라도 뇌 신호를 이해할 수 있는 단일한 컴퓨터 프로그램을 구축하는 데 어려움이 있었습니다.
한 연구팀은 MtReNIRS라고 불리는 새로운 유형의 인공지능 모델을 개발함으로써 이 문제를 해결하는 데 중요한 진전을 이루었습니다. 연구진은 컴퓨터에게 단 한 명의 사람이나 특정 실험으로부터 뇌 활동을 인식하도록 가르치는 대신, 12개의 서로 다른 연구에서 수집된 방대한 양의 데이터로 모델을 학습시켰습니다. 이 데이터셋은 268명의 서로 다른 사람들로부터 얻은 기록을 포함하며, 총 567시간 이상의 뇌 활동 데이터를 담고 있습니다. 데이터는 수학 문제를 풀거나, 말을 듣거나, 손을 움직이는 것과 같은 매우 다양한 과업을 아우르고 있었습니다. 문제는 이 기록들이 균일하지 않았다는 점입니다. 어떤 것은 센서가 많은 캡을 사용했고, 어떤 것은 적은 캡을 사용했으며, 센서의 배치 방식도 제각각이었습니다. 이 혼란을 정리하기 위해 연구진은 모든 고유한 센서 배치를 공통된 뇌 지도로 변환하는 방법을 개발했습니다. 그들은 뇌를 표준 격자 형태로 취급하여, 각기 다른 캡의 센서들을 이 공유된 지도상의 동일한 대응 위치에 맞추었습니다. 이를 통해 컴퓨터는 특정 캡이나 장치가 무엇이든 상관없이, 뇌의 '앞부분'에서 오는 신호가 무엇을 의미하는지 동일하게 학습할 수 있었습니다.
이 모델은 기본적으로 빈칸을 채우는 법을 배우며 작동합니다. 연구진은 컴퓨터에게 수천 개의 짧은 뇌 활동 클립을 보여주면서 의도적으로 데이터의 작은 조각들을 숨긴 뒤, 주변 정보를 바탕으로 누락된 부분을 추측하도록 요청했습니다. '자기 지도 학습(self-supervised learning)'이라고 불리는 이 과정은 컴퓨터가 단순히 정답을 암기하는 것이 아니라, 뇌의 혈류가 어떻게 흐르는지에 대한 근본적인 규칙을 이해하도록 강제했습니다. 모델이 매우 다양한 사람과 과업을 바탕으로 학습되었기 때문에, 모델은 뇌가 작동하는 일반적인 원리를 습득할 수 있었습니다. 연구진이 이 모델을 한 번도 본 적 없는 새로운 사람들에게 테스트했을 때, 모델은 각 개인에 대한 광범한 학습이 필요한 기존 방식만큼 혹은 그보다 더 뛰어난 성능을 보였습니다. 특히 모델은 아주 적은 양의 새로운 데이터만 가용할 때 강력한 힘을 발휘했습니다. 사용자가 자신의 뇌 활동 예시를 아주 조금만 제공할 수 있는 상황에서도, 모델은 빠르게 적응하고 정확하게 수행하며 기존의 최첨단 시스템들을 능가하는 성능을 보여주었습니다.
연구 결과, 센서를 뇌에 매핑하는 방식이 결정적이라는 사실도 밝혀졌습니다. 연구진이 센서 위치를 뒤섞은 버전의 모델을 테스트했을 때, 새로운 사람을 이해하는 능력이 현저히 떨어졌습니다. 이는 모델이 단순히 파동의 형태만을 학습한 것이 아니라, 센서의 물리적 위치와 그 센서가 모니터링하는 뇌 영역 사이의 관계를 실제로 학습했다는 것을 확인시켜 주었습니다. 또한, 모델은 센서의 수를 줄였을 때도 효과적으로 작동했는데, 이는 향후 더 단순하고 편안한 웨어러블 기기로도 구현될 수 있음을 시사합니다. 연구진은 두개골 두께나 혈관 패턴의 차이와 같은 개인 간의 자연적인 차이가 여전히 과제로 남아 있다고 언급했지만, 이번 연구는 하나의 유연한 시스템이 서로 다른 사람과 장치에 걸쳐 뇌의 언어를 읽어낼 수 있음을 입증했습니다. 이러한 접근 방식은 기술이 사용자에게 맞추도록 강요하는 것이 아니라, 기술이 사용자에게 적응하는 더욱 접근성 높은 뇌-컴퓨터 인터페이스를 향한 확장 가능한 경로를 제시합니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.