Motor control mechanism of brain and brain-machine interface using feedback signals

Abstract

배경: 뇌-기계 인터페이스(BMI)는 몸이 불편한 장애인도 다른 사람과 소통하고 전자장비를 제어하도록 돕는 매우 유용한 기술이다. 최근 침습적인 BMI 연구에서 사지마비 환자가 자신의 뇌파를 이용하여 로봇 팔을 제어해서 사물을 잡는 것을 수행하는 좋은 결과를 보여주었다. 장애인이 로봇 팔을 자신의 팔처럼 제어할 수 있다면 많은 것을 할 수 있기 때문에 이 연구결과는 매우 의미가 있다. 하지만 침습적 방법은 뇌세포의 손상을 야기할 수 있으며, 장기간 측정 시 불안정하다는 단점이 있다. 따라서 비침습적이거나 덜 침습적인 방법으로 움직임 의도를 정확히 예측하는 BMI연구가 필요하다. 또한 BMI 시스템을 실생활에서 사용하기 위해서는 사용자가 자신의 필요에 따라 시스템의 모드를 바꿀 수 있어야 한다.

방법: 이를 위해 먼저 비침습적 방법인 뇌자도 신호로부터 3차원 팔 움직임을 예측할 수 있는 신호처리 알고리즘을 개발했다. 실험은 9명의 건강한 피험자를 대상으로 중앙에서 밖으로 목표를 향한 팔 움직임을 수행하는 동안 뇌자도를 측정하였다. 데이터 분석결과에 기반하여 뇌자도로부터 움직임 관련 특징들을 추출하였으며, 다중선형회귀를 사용하여 움직임 속도를 예측하는 알고리즘을 개발하였다. 둘째로 BMI의 정확도 성능 향상을 위해 되먹임 신호를 이용하여 움직임 예측을 보정하는 알고리즘을 개발하였다. 이 알고리즘은 움직임 예측 방향을 토대로 사물 중에서 목표물을 정하고, 목표물에 잘 도달할 수 있도록 예측된 움직임 경로를 목표물 쪽으로 수정해준다. 셋째로 BMI모드 변경을 위한 뇌 상태 측정에 사용될 수 있는 팔 움직임 동안 뇌의 기능적 연결성의 변화를 살펴보았다. 시간 흐름에 따른 기능적 뇌 연결성을 살펴보기 위해 상호정보량(MI)을 계산하였다. 마지막으로 연구결과에 따른 결론과 이를 토대로 미래 BMI시스템의 방향을 제안하였다.

결과: 저주파의 MEG신호로부터 움직임 속도를 상당히 높은 정확도로 예측할 수 있었다 (p < 0.001, mean r > 0.7). 그리고 되먹임 신호를 이용하여 움직임 예측 정확도를 모든 피험자에서 유의하게 향상시킬 수 있었으며 (P < 0.001), 32.1%의 에러를 줄일 수 있었다. 또한 뇌의 상태에 따라 뇌 연결성이 달라지는 것을 확인할 수 있었다. 게다가 움직임 이전에는 대부분의 운동관련 영역에서 중심성이 증가하는 반면, 움직임 중에는 소뇌와 기저핵의 중심성만이 증가하였다.

결론: 비침습적 뇌자도로부터 움직임 경로를 예측할 수 있었으며, 되먹임 정보를 이용하면 예측 정확성을 상당히 향상시킬 수 있었다. 휴지기와 운동계획, 운동수행에 따라 뇌 연결성이 상당히 달라졌기 때문에 이를 토대로 BMI의 모드를 변경해 줄 수 있을 것이다. 따라서 뇌의 상태와 되먹임 정보를 결합하여 실질적인 BMI시스템이 가능해질 것이다.