BCI 개념 학습서

뇌가 세상에 영향을 미치는 자연 경로는 두 가지입니다. 근육을 움직이는 신경근 출력과 호르몬 출력입니다. BCI는 여기에 세 번째 경로를 더합니다. 근육도 호르몬도 거치지 않고 뇌 신호에서 바로 명령을 만듭니다.

정의의 마지막 구절이 중요합니다. BCI의 출력은 환경을 바꾸고, 바뀐 환경은 감각 입력(피드백)이 되어 다시 뇌로 들어옵니다. 그래서 뇌 활동을 기록하거나 감시하기만 하는 장치는 BCI에 들지 않습니다.

출력의 다섯 가지 쓰임

자주 쓰는 구분

• 의존형(dependent) BCI는 근육 활동에 기대는 뇌 신호를 씁니다. 시선 방향에 따라 달라지는 시각 유발 전위가 그 예입니다. 독립형(independent) BCI는 근육 없이 만들어지는 신호를 씁니다. 운동 상상으로 바뀌는 감각운동 리듬이 대표적입니다. 실제 BCI는 대개 둘 사이 어딘가에 있습니다.
• 하이브리드 BCI는 두 종류의 뇌 신호를 함께 쓰거나, BCI 출력과 근육 기반 출력을 함께 쓰는 시스템입니다.
• 수동형(passive) BCI는 주의 수준처럼 사용자 상태와 관련된 신호를 씁니다. Wolpaw는 이런 시스템을 대개 향상이나 보충 범주에 넣습니다.
• BMI(brain–machine interface)는 주로 이식 전극 연구에서 써 온 말로, 지금은 BCI와 같은 뜻으로 씁니다.

뉴런은 두 종류의 전기 신호를 냅니다. 축삭을 따라 전달되는 활동전위(스파이크)는 약 1 ms로 짧고, 시냅스에서 생기는 시냅스후전위는 수십 ms 동안 이어집니다. 피질 안에 넣은 미세전극은 개별 뉴런의 스파이크를 잡을 수 있습니다. 두피 EEG에 잡히는 것은 주로 수많은 시냅스 전류의 합입니다.

대뇌 피질의 피라미드 세포는 피질 표면에 수직으로 나란히 서 있습니다. 많은 세포에서 시냅스 전류가 같은 방향으로 흐르면 피질 한 조각이 하나의 쌍극자층처럼 작동합니다. 이 전위가 뇌척수액, 두개골, 두피를 지나 전극에 닿습니다.

관건은 동기화입니다. Nunez(Wolpaw 3장)에 따르면 평균을 내지 않고 두피에서 기록되려면 약 6 cm² 이상의 피질이 동기화되어야 합니다. 20–100 µV인 보통의 EEG에는 수십 cm²의 동기화가 필요합니다. 그래서 EEG 진폭이 줄어드는 현상을 탈동기화라고 부릅니다. 6장에서 다룰 ERD가 바로 이 현상입니다.

같은 이유로 두피 전위 분포에서 발생원을 거꾸로 찾는 역문제에는 유일한 답이 없습니다. 쌍극자 하나로 설명되는 분포는 쌍극자 둘이나 열 개로도 설명됩니다 (Wolpaw 3장).

측정 방법은 전극이 뇌에 얼마나 가까이 가는지(침습도)와 무엇을 재는지로 나뉩니다. 전기 신호를 재는 방법(스파이크, LFP, ECoG, EEG, MEG)은 밀리초 단위의 변화를 따라갑니다. 혈류를 재는 방법(fMRI, fNIRS)은 혈관 반응이 느려서 초 단위에 머뭅니다. 혈관이 산소 요구에 반응하는 데 약 2초, 혈류가 다시 줄어드는 데 약 12초가 더 걸립니다 (Wolpaw 4장).

EEG의 공간 해상도가 낮은 까닭은 뇌척수액, 두개골, 두피가 부피 전도체이자 저역 필터처럼 작동해 전위를 넓게 번지게 하기 때문입니다 (Rao 3장). 전극을 피질 표면(ECoG)이나 피질 안(미세전극)에 둘수록 해상도는 높아지지만 수술 위험이 따릅니다.

국제 10–20 시스템

두피 전극의 표준 배치입니다 (Jasper 1958). 코뿌리(nasion)에서 뒤통수 융기(inion)까지, 그리고 좌우 귀 앞점 사이의 거리를 10% 또는 20% 간격으로 나눠 전극 자리를 정합니다. 이름의 문자는 영역을 나타냅니다. Fp는 전두극, F는 전두, C는 중심, T는 측두, P는 두정, O는 후두입니다. 숫자가 홀수면 왼쪽, 짝수면 오른쪽이고, z는 정중선입니다 (Siuly 1.1절).

EEG 전압은 늘 두 전극 사이의 차이입니다. 모든 채널을 한 기준 전극에 대해 재는 방식을 단극(참조) 몽타주, 이웃한 두 전극의 차를 재는 방식을 양극 몽타주라고 합니다.

EEG는 여러 리듬이 겹친 신호입니다. 성인 두피 EEG의 진폭은 대략 1–100 µV이고, 주파수에 따라 다섯 대역으로 나눕니다 (Siuly 1.3절). 대역 경계는 교재와 연구마다 조금씩 다릅니다.

시간 파형만 보면 리듬이 섞여 있어 구분하기 어렵습니다. 푸리에 변환은 신호를 여러 주파수의 사인·코사인 합으로 나누고, 각 주파수의 세기를 파워 스펙트럼으로 보여 줍니다 (Rao 4.2절). 디지털 기록은 표본화 정리를 지켜야 합니다. 표본화 주파수가 신호의 최고 주파수의 두 배보다 커야 하며, 그렇지 않으면 높은 주파수가 낮은 주파수로 둔갑하는 에일리어싱이 생깁니다.

뇌 밖에서 들어온 신호를 아티팩트라고 합니다. EEG에는 거의 언제나 아티팩트가 섞이며, 그 진폭이 관심 있는 뇌 신호보다 큰 경우가 많습니다 (Siuly 1.3절). 전처리의 목표는 뇌 신호를 최대한 남기고 아티팩트를 줄이는 것입니다.

시간 필터는 주파수로 신호를 거릅니다. 고역통과는 느린 성분을, 저역통과는 빠른 성분을, 노치는 한 주파수만 지웁니다. 필터는 주파수가 겹치는 뇌 신호와 아티팩트를 구분하지 못합니다. 그래서 Rao(4.6절)는 임계값 제거, 대역저지 필터, 선형 회귀, PCA, ICA를 상황에 맞게 함께 쓰라고 정리합니다.

공간 필터

시간 필터가 주파수로 거른다면, 공간 필터는 여러 전극을 조합해 거릅니다 (Rao 4.5.1절). 두피 전체에 넓게 퍼진 성분은 줄이고 한 자리에 모인 성분은 살립니다. 감각운동 리듬처럼 국소적인 신호를 잴 때 특히 효과가 큽니다 (Wolpaw 13장).

특징(feature)은 사용자의 의도를 반영하는 신호의 측정값입니다. EEG 리듬의 진폭, 자극 뒤 특정 시점의 전압, 뉴런의 발화율이 대표적입니다 (Wolpaw 1장). 좋은 특징은 의도가 바뀔 때 크게 변하고 다른 요인에는 덜 흔들립니다.

ERD와 ERS

손을 움직이거나 움직임을 상상하면 반대쪽 반구 손 영역의 뮤·베타 리듬 파워가 줄어듭니다. 이것이 사건 관련 탈동기화(ERD)입니다. 오른손은 C3, 왼손은 C4에서 뚜렷합니다. 발 운동 상상은 정중선 Cz 근처에 ERD를 만들고, 이때 손 영역에서는 오히려 파워가 늘어납니다. Wolpaw 13장은 이를 국소 ERD·주변 ERS라고 부릅니다. 움직임이 끝난 뒤 베타 파워가 잠깐 커지는 베타 반동도 ERS의 한 형태입니다.

Pfurtscheller와 Aranibar(1979)의 표준 계산은 네 단계입니다. 시행마다 대역통과 필터를 걸고, 표본을 제곱해 파워로 바꾸고, 여러 시행을 평균한 뒤, 사건 직전 기준 구간의 파워와 비교합니다.

공통 공간 패턴 (CSP)

CSP는 레이블이 붙은 학습 데이터로 공간 필터를 찾는 지도학습 기법입니다. 한 클래스에서는 필터 출력의 분산이 최대, 다른 클래스에서는 최소가 되는 전극 가중치를 고릅니다 (Rao 4.5.4절). 대역통과한 신호의 분산은 그 대역의 파워이므로, CSP는 운동 상상 BCI가 쓰는 대역 파워 특징의 변별력을 곧바로 키웁니다 (Ramoser 외 2000).

특징 변환은 특징을 장치 명령으로 바꾸는 단계입니다. 몇 개의 선택지 중 하나를 고르는 일에는 분류를, 커서 속도처럼 연속값을 내는 일에는 회귀를 씁니다 (Wolpaw 8장).

선형 판별 분석 (LDA)

LDA는 두 클래스가 공분산이 같은 정규분포라고 가정하고, 두 클래스를 가르는 직선(고차원에서는 초평면)을 찾습니다. 계산이 단순하고 빨라 온라인 BCI에서 널리 쓰입니다. 가정이 강한 만큼 정규분포를 벗어난 데이터나 이상치에는 약합니다 (Rao 5.1.1절).

일반화와 비정상성

학습 데이터에서 완벽한 모델도 새 데이터에서는 성능이 떨어집니다. 학습 데이터가 적고 모델의 자유도가 클수록 이 차이(과적합)가 커집니다. 교차검증은 데이터를 나눠 학습과 평가를 번갈아 하며 일반화 성능을 추정합니다 (Rao 5.1.4절).

BCI에는 문제가 하나 더 있습니다. 사용자가 피로해지거나, 경험이 쌓여 전략을 바꾸거나, 질병이 진행하면 특징의 통계가 바뀝니다. 이런 데이터를 비정상적(nonstationary)이라고 합니다. 이때는 처음 학습 데이터를 아무리 늘려도 소용이 없고, 변환 알고리즘이 변화를 따라 적응해야 합니다. Wolpaw 8장은 평균의 변화에는 적응하기 쉽고 공분산의 변화에는 어렵다고 정리합니다. 사용자도 피드백을 보며 배우므로, 좋은 BCI는 사용자와 알고리즘이 함께 적응하도록 설계합니다. 이를 공동 적응이라고 합니다.

BCI가 쓰는 뇌 반응은 크게 두 갈래입니다. 외부 자극이 일으키는 유발 반응(P300, SSVEP)과 사용자가 스스로 만드는 자발 조절(감각운동 리듬, 느린 피질 전위, 뉴런 집단 활동)입니다 (Rao 6장).

P300과 오드볼 패러다임

P300은 드문 사건에 반응해 생기는 양성 전위입니다. 지연은 보통 300 ms 안팎이지만 250–750 ms 사이에서 달라집니다. 중심–두정부에서 가장 크고 앞뒤로 멀어질수록 작아집니다. P300을 일으키는 조건을 오드볼 패러다임이라고 하며 요건이 셋입니다. 자극이 두 부류로 나뉘고, 한 부류가 더 드물고, 사용자가 자극을 부류로 나누는 과제를 합니다 (Wolpaw 12장, Donchin & Coles 1988).

P300은 배경 EEG보다 작아서 시행 하나로는 잘 보이지 않습니다. 자극 시점에 맞춰 여러 시행을 평균하면 자극과 무관한 배경 활동은 상쇄되고 P300만 남습니다. 남은 잡음은 평균 횟수 N의 제곱근에 반비례해 줄어듭니다.

Farwell과 Donchin(1988)은 6×6 글자 행렬의 행과 열을 무작위로 깜빡이는 철자기를 만들었습니다. 목표 글자가 든 행과 열이 깜빡일 때만 P300이 생기므로, 반응이 가장 큰 행과 열이 만나는 칸이 고른 글자입니다. 행 6개와 열 6개가 한 번씩 깜빡이는 12번을 한 시퀀스라고 합니다. 첫 연구에서 정확도 95%를 얻는 데 글자당 26초가 걸렸습니다 (Wolpaw 12장).

SSVEP

5 Hz보다 빠르게 깜빡이는 자극을 보면 시각 피질이 같은 주파수로 진동합니다. 이것이 정상 상태 시각 유발 전위(SSVEP)입니다. 선택지마다 깜빡임 주파수를 다르게 두고 후두부 EEG의 스펙트럼을 보면 사용자가 어느 목표를 보는지 알 수 있습니다. 7 Hz 자극을 보면 7, 14, 21 Hz에 봉우리가 생깁니다 (Rao 9.1.4절).

Cheng 등(2002)의 전화 다이얼 BCI는 버튼 13개를 6–14 Hz로 깜빡였습니다. O1·O2 신호를 0.3초마다 FFT하고, 후보 주파수마다 그 주파수와 2배 고조파의 진폭을 더해 특징으로 삼았습니다. 이 값이 4–35 Hz 평균 진폭의 2배를 넘는 후보 가운데 가장 큰 것을 고르고, 같은 판정이 4번 연속 나와야 선택을 확정했습니다. 13명 중 8명이 원하는 번호로 전화를 걸었고, 평균 정보 전송률은 27.15 bits/min이었습니다. 이 연구는 눈을 감았을 때 파워가 큰 주파수를 미리 자극 주파수에서 뺐습니다 (Rao 9.1.4절).

침습형 BCI와 집단 벡터

운동 피질 뉴런은 저마다 선호 방향이 있어서, 팔이 그 방향으로 움직일 때 가장 많이 발화합니다. 발화율은 움직임 방향과 선호 방향 사이 각도의 코사인을 따릅니다 (Wolpaw 2, 7장). Georgopoulos 등(1986)은 각 뉴런의 선호 방향을 발화율로 가중해 더한 집단 벡터가 실제 움직임 방향을 가리킨다는 것을 보였습니다. 실제 BCI는 여기서 더 나아가 선형 회귀나 칼만 필터로 속도와 위치를 디코딩합니다 (Rao 7장).

정확도만으로는 BCI를 비교하기 어렵습니다. 선택지가 2개인 BCI의 80%와 36개인 BCI의 80%는 전혀 다른 성능입니다. 우연히 맞힐 확률(우연 수준)은 선택지 수 \(N\)에 대해 \(1/N\)입니다. 혼동 행렬은 어떤 선택이 어떤 선택으로 잘못 읽히는지 보여 주고, 카파 계수 \(\kappa=(p_o-p_e)/(1-p_e)\)는 우연 수준을 뺀 일치도를 나타냅니다 (Rao 5.1.4절).

Wolpaw 등(2002)은 통신 이론의 정보 전송률(ITR, bit rate)로 속도와 정확도를 한 숫자에 담자고 제안했습니다. 모든 선택지가 같은 확률로 의도되고, 오류가 나머지 선택지에 고르게 퍼진다고 가정합니다.

Wolpaw 8장은 ITR을 쓸 때 지킬 원칙 두 가지를 듭니다. 분자의 정보는 최종 출력이 담은 정보로 셉니다. 커서 궤적처럼 출력에 이르는 과정의 정보는 넣지 않습니다. 분모의 시간은 한 선택을 시작해서 다음 선택을 시작할 때까지 걸린 전체 시간입니다. 평가의 기준은 사용자가 실제 피드백을 받으며 쓰는 온라인 평가입니다.

BCI 사용자는 감정을 느끼고 주의를 기울이는 사람입니다. 정서와 주의는 BCI가 읽는 신호를 바꾸고, 그 자체로 읽어 낼 대상이 되기도 합니다. 주의 저하를 감지해 경고하는 시스템(Wolpaw 1장의 향상 예)이나 작업 부하를 추정하는 시스템(Rao 12.2절)이 그런 예입니다. 이 장은 Cambridge 핸드북 4부(인지–정서 상호작용)를 BCI의 관점에서 정리합니다.

정서는 주의를 끈다

여러 자극이 처리 자원을 두고 다툴 때, 정서적 의미가 있는 자극이 먼저 감지되거나 다른 과제를 방해합니다. 거미나 뱀을 무서워하는 사람은 버섯 사진들 사이에서 그 대상을 더 빨리 찾습니다 (14장, Flykt & Caldara 2006). EEG에서는 자극 뒤 100–200 ms의 초기 성분(P1, N1)이 정서적 얼굴과 장면에 더 크게 나타나고, 300–400 ms 이후에는 P3와 지속적인 후기 양성 전위(LPP)가 달라집니다 (14장).

주의가 정서 처리를 제한한다

정서 처리는 자동적이라는 견해가 오래 있었습니다. Pessoa 등은 이를 시험했습니다. 화면 가장자리에서 아주 어려운 과제를 하게 하자, 화면 가운데의 공포 얼굴과 중립 얼굴에 대한 편도체와 시각 피질의 반응 차이가 사라졌습니다 (Pessoa 외 2002). 과제 난이도를 단계적으로 바꾸자 차이는 쉬운 조건에서만 나타났습니다 (Pessoa 외 2005). ERP의 초기 후방 음성파(EPN)도 어려운 주의 과제 중에는 크게 줄었습니다 (Schupp 외 2007).

반대 증거도 있습니다. 부하가 높을 때도 공포 얼굴이 주의 관련 성분(N2pc)을 일으켰다는 MEG 연구가 있습니다 (Fenker 외 2010). 15장은 이 결과들을 Lavie의 지각 부하 개념으로 묶습니다. 과제가 자원을 다 쓰지 않으면 남은 자원이 과제와 무관한 정서 자극의 처리로 넘어갑니다.

BCI 연구자에게 바로 쓸모 있는 결과도 있습니다. 어려운 과제를 하는 동안 배경에 정서적 사진을 띄우자 과제 자극이 만든 SSVEP가 줄었습니다 (Müller, Andersen & Keil 2008). 정서 자극이 과제에서 처리 자원을 빼앗았다는 해석입니다. 8장의 SSVEP BCI도 사용자의 정서 상태에 영향을 받을 수 있다는 뜻입니다.

정서 조절

16장은 Gross의 과정 모델로 정서 조절 전략을 정리합니다. 정서가 펼쳐지는 순서(상황, 주의, 평가, 반응)의 어느 지점에 개입하느냐로 전략을 나눕니다. 반응이 나오기 전에 개입하면 선행 초점 전략, 반응이 나온 뒤 개입하면 반응 초점 전략입니다. 실제 정서는 이 순서를 건너뛰거나 되돌아가기도 하므로, 모델은 단순화한 지도로 읽어야 합니다 (16장).

가치, 예측 오차, 오류 전위

17장은 가치 기반 의사결정을 몇 가지 신호로 나눕니다. 결과를 경험할 때의 결과 가치(안와전두피질), 선택지마다 매기는 결정 가치, 고른 뒤의 선택 가치입니다. 기대와 결과의 차이인 예측 오차는 가치를 학습하는 신호입니다.

BCI에도 이와 닮은 신호가 있습니다. BCI가 의도와 다른 출력을 내면 사용자의 뇌는 오류 관련 전위(ErrP)로 반응합니다. ErrP는 전두중심 정중선(Fz, Cz)에서 잘 보이고 단일 시행으로도 검출할 수 있습니다. Buttfield 등(2006)은 로봇이 20% 확률로 일부러 틀리게 움직이게 하고, 피드백 뒤 50–650 ms의 1–10 Hz EEG로 오류 시행의 79.9%, 정상 시행의 82.4%를 맞게 판정했습니다 (Rao 9.1.6절). Rao는 2013년 당시 ErrP 검출을 실제로 작동하는 BCI와 결합한 연구가 아직 없다고 썼습니다. 이후 ErrP를 로봇 학습의 보상 신호로 쓰는 연구가 이어졌습니다. Iturrate 외(2015, Scientific Reports)와 Salazar-Gomez 외(2017, ICRA)가 그 예입니다.

BCI 연구의 첫 목적은 근위축성 측삭 경화증(ALS), 척수 손상, 뇌졸중, 뇌성마비처럼 근육을 쓰기 어려운 사람에게 새로운 의사소통과 제어 수단을 주는 것입니다 (Wolpaw 19장). 응용은 의료 밖으로도 넓어지고 있습니다 (Rao 12장, Wolpaw 23장).

실험실에서 생활로

BCI가 생활에 쓰이려면 실험실 시연으로는 부족합니다. 실제 사용자가 집에서 오랫동안 독립적으로 쓰며 이득을 얻는다는 근거가 필요합니다 (Wolpaw 20–21장). 2012년에 Wolpaw 12장은 실험실 밖에서 중증 장애인이 중요한 목적으로 날마다 쓰는 BCI는 사실상 P300 BCI뿐이라고 평가했습니다.

윤리적 쟁점

• 위험과 이익의 균형. 이식형 BCI에는 수술, 감염, 조직 손상의 위험이 따릅니다. 기대 이익이 그 위험보다 커야 합니다 (Rao 13.1.1절).
• 사전 동의. 의사소통이 거의 불가능한 사람에게서 연구 참여 동의를 받는 일은 그 자체로 어렵습니다 (Rao 13.1.2절, Wolpaw 24장).
• 남용. 본인이 원하지 않는 사용이나 군사적 이용처럼 기술이 원래 목적에서 벗어날 수 있습니다 (Rao 13.2절).
• 보안과 프라이버시. 뇌 신호에는 사용자가 드러낼 생각이 없던 정보가 담길 수 있고, BCI 장치가 공격받을 수도 있습니다 (Rao 13.3절).
• 법적 책임. BCI 출력이 피해를 냈을 때 책임이 사용자, 제조사, 알고리즘 중 어디에 있는지 정해야 합니다 (Rao 13.4절).
• 정의와 형평. 비싼 기술이 일부에게만 돌아가거나, 능력 향상 목적의 사용이 불평등을 키울 수 있습니다 (Rao 13.5절).
• 기대 관리. 언론의 과장과 실제 성능 사이에는 큰 간극이 있습니다. 환자와 가족이 비현실적인 기대를 품지 않도록 해야 합니다 (Rao 서문, Wolpaw 25장).

이 학습서의 장과 근거 교재의 장을 맞춰 두었습니다. 개념을 더 깊이 공부할 때 이 표에서 출발하세요.

교재 서지

• Wolpaw, J. R., & Wolpaw, E. W. (Eds.) (2012). Brain–Computer Interfaces: Principles and Practice. Oxford University Press.
• Rao, R. P. N. (2013). Brain–Computer Interfacing: An Introduction. Cambridge University Press.
• Siuly, S., Li, Y., & Zhang, Y. (2016). EEG Signal Analysis and Classification: Techniques and Applications. Springer.
• Armony, J., & Vuilleumier, P. (Eds.) (2013). The Cambridge Handbook of Human Affective Neuroscience. Cambridge University Press. 4부 14장(Domínguez-Borràs & Vuilleumier), 15장(Pessoa, Oliveira & Pereira), 16장(Phan & Sripada), 17장(O’Doherty).