An Investigation of Cross-Subject Variability in EEG-EMG Fusion Models

인체는 뇌가 명령을 보내고 근육이 이를 수행하는 복잡한 기계와 같습니다. 움직임을 상실한 사람들을 돕기 위해, 과학자들은 이러한 명령을 직접 읽어낼 수 있는 기계를 구축하려고 오랫동안 노력해 왔습니다. 그들은 두 가지 주요 신호에 주목합니다. 즉, 움직이려는 계획을 보여주는 뇌의 전기적 활동과, 실제 움직임이 일어나고 있음을 보여주는 근육의 전기적 활동입니다. 수년 동안 연구자들은 이 두 신호를 결합하면 단독으로 사용할 때보다 훨씬 더 나은 완벽한 시스템이 될 것이라고 믿었습니다. 뇌의 조기 경보와 근육의 최종 동작이 함께 작용하여 기계가 사람이 무엇을 하고 싶어 하는지 정확히 이해하게 만들 것이라는 아이디어였습니다. 그러나 여기에는 중대한 문제가 있습니다. 모든 사람의 뇌와 신체는 조금씩 다릅니다. 두개골의 모양, 피부의 두께, 신경이 발화하는 방식은 개인마다 다릅니다. 이는 한 사람을 위해 훈련된 시스템이 다른 사람을 위해 작동하도록 요청받았을 때 종종 실패한다는 것을 의미하며, 이는 많은 유망한 기술들을 실험실 안에 머물게 만든 장애물이 되어 왔습니다.

뮌헨 공과대학교의 알베르트 슐레(Albert Schulle)가 진행한 최근의 조사는 바로 이 문제를 다루었습니다. 새로운 실험을 위해 새로운 환자를 모집하는 대신, 연구자는 수십 명의 건강한 사람들로부터 얻은 기존의 공개 가능한 뇌 및 근육 신호 기록을 사용했습니다. 이 데이터를 바탕으로 수천 번의 컴퓨터 시뮬레이션을 실행함으로써, 연구는 결합된 뇌-근육 시스템이 한 번도 만난 적 없는 사람들의 의도를 인식하도록 요청받았을 때 실제로 얼마나 잘 작동하는지를 테스트했습니다. 목표는 신호의 결합이라는 마법이 인간의 차이라는 혼란스러운 현실 속에서도 살아남을 수 있는지 확인하는 것이었습니다.

결과는 이론과 실제 사이의 상당한 격차를 드러냈습니다. 컴퓨터 모델이 훈련받은 것과 동일한 인물에 대해 테스트되었을 때, 뇌와 근로 신호의 결합은 매우 높은 정확도를 달ino며 잘 작동했습니다. 이러한 익숙한 조건에서 두 신호는 서로를 완벽하게 보완했습니다. 그러나 모델이 새로운 사람에게 작동하도록 요청받는 순간, 성능은 급격히 떨어졌습니다. 연구에 따르면 결합된 시스템의 정확도는 원래 사용자와 비교했을 때 약 20~25% 정도 하락했습니다. 이러한 하락은 두 신호 전체에 걸쳐 균일하게 나타나지 않았습니다. 근육 신호는 상대적으로 강하게 유지되어, 새로운 사람에게도 어느 정도 잘 버텨냈습니다. 반면, 뇌 신호는 새로운 사람에게 적용되었을 때 거의 쓸모없게 되었으며, 종종 컴퓨터가 무작위로 추측하는 수준까지 떨어졌습니다.

이러한 발견은 뇌와 근육 신호를 결합하는 것의 이점이 특정 사용자가 시스템을 사용하는 것을 아는 것에 크게 의존한다는 점을 시사합니다. 뇌의 전기적 패턴은 개인마다 너무 독특해서, 한 사람에게 훈련된 모델은 다른 사람에게서 동일한 의도를 쉽게 인식할 수 없습니다. 대조적으로, 근육 신호는 모든 사람의 근육이 움직이는 기본 메커니즘이 유사하기 때문에 사람들 사이에서 더 일관되게 나타납니다. 컴퓨터 모델이 사전 훈련 없이 새로운 사람들에게 작동하도록 강요되었을 때, 모델은 본능적으로 신뢰할 수 없는 뇌 신호를 무시하고 더 안정적인 근육 신호에 거의 전적으로 의존하게 되었습니다. 두 신호의 융합은 견고한 '슈퍼 신호'를 만들어낸 것이 아니라, 뇌 데이터가 너무 노이즈가 심해 신뢰할 수 없었기에 근육 데이터로 기본 설정을 바꾸는 시스템이 되었습니다.

연구는 또한 첨단 컴퓨터 기술이 이 문제를 해결할 수 있는지 탐구했습니다. 연구자들은 신호의 차이를 정렬하여 단일 모델이 모두에게 작동할 수 있도록 설계된 기술들을 테스트했습니다. 신호 패턴에 대한 수학적 조정을 포함하는 이러한 기술들은 도움이 되었습니다. 이 기술들은 손실된 성능의 일부를 회복하여, 뇌 신호의 정확도를 약 812%, 결합 시스템의 정확도를 약 58% 개선했습니다. 그러나 이러한 방법들이 문제를 완전히 해결하지는 못했습니다. 이러한 조정에도 불구하고, 시스템은 여전히 특정 개인으로부터 샘플 데이터를 받지 않고는 새로운 사람에게 완벽하게 작동하는 데 어려움을 겪었습니다. 연구는 우리가 시스템을 더 좋게 만들 수는 있지만, 진정으로 보편적인 시스템을 만들 수는 아직 없다고 결론지었습니다. 인간 사이의 차이는 단순한 수학적 처방으로 완전히 지울 수 없을 만큼 깊습니다.

의료 기술의 미래를 위해, 이러한 발견은 명확한 길을 제시합니다. 어떤 환자에게든 건네주면 즉시 작동하는 단일 장치라는 꿈은 현재로서는 실현 불가능해 보입니다. 대신, 가장 신뢰할 수 있는 접근 방식은 근육 신호에 집중하거나 각 새로운 사용자를 위한 짧은 개인별 훈련 기간을 포함하는 시스템으로 보입니다. 연구는 최고의 설계가 사용자를 얼마나 잘 알고 있는지에 따라 뇌와 근육 신호를 다르게 가중치를 두어 조절할 수 있는 적응형 시스템이 될 것이라고 제안합니다. 인간 사이의 간극을 완전히 메울 수 있을 때까지, 가장 효과적인 도구는 인간의 가변성을 무시하려 하기보다 그것을 인정하고 활용하는 도구가 될 것입니다.