EEG Microstate Sequences as Potential Brain-Computer Interface Triggers Derived from Motor Imagery Classification

인간의 뇌는 끊임없이 흐르는 전기적 활동, 즉 밀리초 단위로 변화하고 이동하는 복잡한 신호의 교향곡입니다. 수십 년 동안 이러한 신호를 읽을 수 있는 기계를 만들고자 노력해 온 과학자들은 어려운 문제에 직면해 왔습니다. 바로 가공되지 않은 데이터가 너무 압도적이라는 점입니다. 이는 두피에 배치된 수천 개의 센서로부터 들어오는 혼란스러운 정보의 홍수와 같아서, 사람의 생각이나 의도에 대응하는 특정 패턴을 찾아내기가 어렵습니다. 이를 해결하기 위해 연구자들은 뇌의 활동을 연속적이고 무질서한 흐름이 아니라, 일련의 뚜렷하고 안정적인 스냅샷으로 바라보기 시작했습니다. '마이크로스테이트(microstates)'라고 알려진 이 스냅샷은 뇌가 다음 단계로 빠르게 전환하기 전, 특정한 공간적 활동 배열 속에서 잠시 머무는 짧은 순간을 나타냅니다. 이 마이크로스테이트를 우리의 내부적인 정신 과정을 형성하는 데 결합되는 기본 단위이자 사고의 근본적인 구성 요소라고 생각할 수 있습니다. 만약 과학자들이 이러한 구성 요소들의 순서를 인식하고 추적하는 법을 배울 수 있다면, 사람의 마음만으로 컴퓨터와 소통할 수 있는 더 단순하고 신뢰할 수 있는 방법을 만들어낼 수 있을 것입니다.

최근 한 연구는 이러한 뇌 스냅샷의 순서가 뇌-컴퓨터 인터페이스(BCI), 즉 신경 활동을 명령으로 번역하는 장치의 트리거 역할을 할 수 있는지 테스트했습니다. 연구진은 특정 정신적 과업에 집중했는데, 그것은 바로 왼손 또는 오른손의 움직임을 상상하는 것이었습니다. 이는 뇌가 어느 손을 움직일지 생각하느냐에 따라 서로 다른 영역이 활성화되기 때문에 뇌-컴퓨터 연구에서 흔히 쓰이는 연습법입니다. 연구팀은 원시 전기 신호를 직접 분석하는 대신, 먼저 데이터를 이러한 마이크로스테이트 시퀀스로 변환했습니다. 그런 다음 이 단순화된 정보를 패턴을 학습하도록 설계된 정교한 컴퓨터 모델에 입력했습니다. 이 모델은 두 부분으로 구축되었습니다. 하나는 데이터로부터 뇌 패턴을 재구성하는 법을 배우는 섹션이고, 다른 하나는 그 패턴들을 범주별로 분류하는 법을 배우는 섹션입니다. 연구진은 이 모델을 가르치는 두 가지 방법을 테스트했습니다. 첫 번째 방법은 학생에게 글을 쓰기 전에 읽는 법을 먼저 가르치는 것처럼, 두 섹션을 각각 따로 훈련시키는 것이었습니다. 두 번째 방법은 전체 시스템을 동시에 훈련시켜 각 부분이 서로에게서 동시에 배울 수 있도록 하는 것이었습니다.

결과는 이 접근 방식이 놀라울 정도로 잘 작동했음을 보여주었습니다. 컴퓨터 모델은 왼손을 상상하는 것과 오른손을 상상하는 것과 관련된 뇌 패턴을 성공적으로 구별해 냈습니다. 동일한 인물을 대상으로 동일한 세션 중에 테스트했을 때, 시스템은 의도된 움직임을 높은 정확도로 식별할 수 있었습니다. 더욱 중요한 것은, 연구진이 이 시스템이 처음부터 다시 시작하지 않고도 새로운 상황에 적응할 수 있다는 것을 발견했다는 점입니다. 한 맥락에서 배운 것을 새로운 맥락에 적용할 수 있게 해주는 '전이 학습(transfer learning)'이라는 기법을 사용함으로써, 시스템은 서로 다른 세션 사이 혹은 심지-않는 다른 사람 사이를 이동할 때 약 89%의 최고 분류 정확도를 달enc였습니다. 이는 특정한 뇌 상태의 순서가 테스트 조건이 변하더라도 사라지지 않는 견고한 신호임을 시사합니다.

아마도 가장 실용적인 발견은 이러한 시스템을 설정하는 데 걸리는 시간과 관련이 있을 것입니다. 뇌-컴퓨터 인터페이스의 주요 장애물 중 하나는 사용자가 자신의 특정 뇌 신호를 이해하도록 기계를 학습시키기 위해 몇 시간 동안 앉아 있어야 하는 긴 보정(calibration) 과정이었습니다. 연구는 유용한 수준의 성능에 도달하기 위해 얼마나 많은 훈련 데이터가 필요한지를 조사했습니다. 연구진은 평균적으로 약 400초의 데이터만 있으면 80%의 정확도로 시스템을 보정하는 데 충분하다는 것을 발견했습니다. 이는 사용자가 장치를 준비하기 위해 소비해야 하는 시간을 크게 줄여줍니다. 이 연구는 뇌의 복잡한 다채널 전기 신호를 시간에 따른 뚜렷한 상태들로 축소하고, 그 상태들에 고급 학습 방법을 적용함으로써 더 사용자 친화적인 인터페이스를 만드는 것이 가능하다는 결론을 내립니다. 이 작업은 아직 연구 단계에 있지만, 이러한 연구 결과는 뇌의 궤적을 추적하는 것이 더 적은 설정 시간과 더 높은 신뢰성을 갖춘, 실제 환경에서 활용 가능한 뇌-컴퓨터 인터페이스를 향한 유망한 경로임을 시사합니다.