Low-latency neuromorphic closed-loop control of hippocampal ripples in vivo

기술 요약: 생체 내 해마 리플(hippocampal ripples)의 저지연 뉴로모픽 폐쇄 루프 제어

문제 정의
실시간 폐쇄 루프 신경 조절은 신경 활동의 타이밍을 지속적인 뇌 역동성에 맞춤으로써 신경 질환을 치료하고 신경 회로 기능을 탐구하는 데 있어 변혁적인 잠재력을 보유하고 있습니다. 그러나 효과적인 개입을 위해서는 고대역폭 신경 신호에 대한 저지연, 고효율 처리가 필수적입니다. 기존의 컴퓨팅 아키텍처는 특히 해마 리플(30–100 ms, 100–250 Hz)과 같이 수명이 짧고 고주파수인 이벤트를 처리하는 데 어려움을 겪는 경우가 많습니다. 딥러닝 모델은 강력하지만, 임베디드 실시간 배포에 부적합한 높은 계산 자원과 에너지를 요구하며, 종종 지연 오버헤드를 유발하는 외부 프로세서와 무선 텔레메트리를 필요로 합니다. 결과적으로, 실시간 폐쇄 루프 작동을 위한 엣지 프로세싱이 가능한 저전력, 저지연 계산 기질에 대한 비판적 요구가 존재합니다. 뉴로모픽 컴퓨팅은 이벤트 기반의 에너지 효율적인 대안을 제공하지만, 빠른 과도적 진동(transient oscillations)의 신속한 조작을 위해 검증된 완전히 통합된 프레임워크는 아직 입증된 바 없습니다.

방법론
저자들은 신호 획득, 스파이크 인코딩, 뉴로모픽 프로세싱, 피드백 자극의 네 가지 주요 단계로 구성된 완전히 통합된 뉴로모픽 프레임워크를 개발했습니다.

1. 신호 인코딩: 연속적인 해마 국소 전위(LFP)를 밴드패스 필터링(100–250 Hz)하고, 비동기 델타 변조(step-forward) 방식을 사용하여 이산적인 UP 및 DOWN 스파이크 열로 변환했습니다. 이 스파이크 열은 시뮬레이션 타임스텝에 맞추기 위해 30 kHz에서 1 kHz로 다운샘플링되었습니다.
2. 스파이킹 신경망(SNN) 아키텍처: 두 개의 입력 채널(UP/DN), 두 개의 은닉층을 가진 누설 적분 발화(LIF) 뉴런(각각 24개 및 16개 단위), 그리고 리플 탐지기로 작동하는 단일 출력 뉴런으로 구성된 소형 피드포워드 SNN을 설계했습니다. 이 네트워크는 41개의 뉴런과 530개의 학습 가능한 파라미터만을 포함했습니다.
3. 학습: SNN은 23개 기록 세션에서 수동으로 주석이 달린 리플 데이터셋을 사용하여 대리 그래디언트 BPTT(surrogate-gradient backpropagation through time)를 통해 학습되었습니다. 목적 함수는 20 ms 허용 오차 범위 내에서 첫 번째 스파이크 도달 시간(TTFS) 오차를 최소화하는 것이었습니다.
4. 하드웨어 배포: 학습된 네트워크는 SpiNNaker 뉴로모픽 하드웨어(SpiNN-3 보드)에 배포되었으며 오픈 소스인 Open Ephys 플랫폼과 통합되었습니다. 파이썬 브릿지는 인코딩된 스파이크를 SpiNNaker 보드로 스트리밍하고 탐지 이벤트를 반환하여 자극을 트리거하는 양방향 통신을 용이하게 했습니다.
5. 생체 내(In Vivo) 검증: 시스템은 머리가 고정된 깨어 있는 마우스 모델에서 테스트되었습니다. 리플 탐지 시, 시스템은 Arduino MEGA 2560을 트리거하여 CA1 해마의 GABA성 인터뉴런에 100 ms 동안 광유전학적 억제 펄스를 전달했습니다.

주요 결과

• 탐지 성능: 소형 SNN은 23개 세션에 걸쳐 중앙값 F1-score 0.56을 달랐으며, 노이즈가 많은 생물학적 데이터에서 리플을 구분하는 어려움으로 인해 높은 재현율(0.89)과 낮은 정밀도(0.50)를 보였습니다. SNN의 성능은 더 큰 딥러닝 모델(예: 1D-CNN, LSTM)과 유사했으며, 최적화되지 않은 표준 방식의 기존 필터 기반 탐지기보다 크게 우수했습니다.
• 하드웨어 효율성: SpiNNaker에 배포되었을 때, 시스템은 생물학적 실시간으로 작동했습니다. 전력 소비량은 보드 수준에서 약 3.6 W(시뮬레이션 기여분 0.35 W)였으며, 이는 GPU/CPU 기반 시뮬레이션과 비교했을 때 16~200배의 에너지 소비 감소를 나타냅니다.
• 지연 시간 및 개입: 하드웨어 인 더 루프(hardware-in-the-loop) 검증 결과, 피드백 경로를 최적화하고(직접 파이썬 트리거링 vs Open Ephys 플러그인) 버퍼 크기를 최소화(3 ms)함으로써 총 폐쇄 루프 지연 시간을 약 50 ms로 단축했습니다. 이 지연 시간은 리플 발생 중(이벤트 종료 전)에 최대 80%의 리플에서 내부 이벤트 자극을 가능하게 했습니다.
• 생체 내 조작: 뉴로모픽 트리거 광유전학적 억제는 리플 역동성을 유의미하게 변화시켰습니다. 구체적으로, "Light ON" 세션에서는 리플 에너지의 유의미한 감소(p=0.048)와 함께 지속 시간 감소, 피크 주파수 저하, 스펙트럼 엔트로피 증가 경향이 나타났으며, 이는 특히 가장 긴 탐지된 리플들에서 두드러졌습니다.

의의 및 주장
본 논문은 저지연 폐쇄 루프 제어를 통해 빠른 뇌 역동성을 제어할 수 있는 최초의 실용적이고 접근 가능한 뉴로모픽 프레임워크를 구축했다고 주장합니다. 저자들은 자신들의 연구가 소형 SNN, 뉴로모픽 하드웨어, 그리고 널리 채택된 오픈 소스 신경과학 인프구라 사이의 간극을 메운다는 점을 강조합니다.

이 연구의 의의는 다음과 같습니다:

1. 소형 SNN이 하드웨어 호환 가능한 규모를 유지하면서도 딥러닝과 경쟁할 만한 성능으로 일시적인 고주파 신경 바이오마커를 탐지할 수 있음을 보여줍니다.
2. 뉴로모픽 시스템이 실시간 신경 데이터를 처리하고 빠른 뇌 이벤트를 조작하는 데 필요한 엄격한 시간 창 내에서 피드백 자극을 트리거할 수 있음을 입증합니다.
3. 전체적인 감지-프로세싱-자극 파이프라인이 생체 내에서 검증되어 진행 중인 신경 진동의 역동성을 성공적으로 변화시킬 수 있음을 보여줍니다.

저자들은 이 시스템을 최적화된 고전적 방법보다 오프라인 탐지 정확도가 우수한 솔루션이라기보다는, 이벤트 기반 계산, 저전력, 안정적인 실시간 작동이라는 필수적인 특성을 결합한 솔루션으로 정의합니다. 저자들은 초기 생체 내 지연 시간이 (최적화된 하드웨어 인 더 루프 설정보다) 높았다는 점과, 가양성(false positives) 문제 및 다양한 기록 시스템과 행동 상태에 대한 일반화 가능성을 해결하기 위한 향후 과제가 남아 있다는 점 등 한계점을 인정합니다. 그러나 본 연구는 뉴로모픽 컴퓨팅이 빠른 뇌 리듬의 인과적, 상태 의존적 조작을 가능하게 한다는 개념 증명을 제공합니다.