뇌과학 및 인지 신경공학
1단계: 뇌과학 및 인지 신경공학 — 생각이 기계를 움직이기까지
들어가며: 왜 이 질문이 중요한가
지금 이 글을 읽으면서 네 뇌 안에서는 무슨 일이 일어나고 있을까. 눈의 광수용체가 빛을 전기 신호로 바꾸고, 시신경을 타고 시각 피질로 들어온 신호가 언어 영역에서 해석되고, 전두엽이 그 의미를 이해하려 애쓰고 있다. 그 모든 과정이 수십 밀리초(ms) 안에, 전압 변화 수십 마이크로볼트(μV)의 미세한 전기 신호로 일어난다. 1단계의 핵심 질문은 세 가지다. 뇌는 정보를 어떻게 '써넣는가(write)', 그 전기 신호를 밖에서 어떻게 '읽어내는가(read)', 그리고 읽어낸 신호로 어떻게 '기계를 제어하는가(control)'이다. 이 세 질문은 각각 신경 가소성(neural plasticity), 뇌파 신호 처리(EEG signal processing), 뇌-컴퓨터 인터페이스(BCI) 설계라는 세 챕터로 이어지며, 오늘 우리는 이것들을 하나의 연속된 이야기로 읽어나갈 것이다.
1부. 이론적 기초 — 뉴런이라는 기계
뉴런의 구조: 뇌의 최소 단위
뇌를 이해하려면 반드시 그 최소 단위인 **뉴런(neuron)**에서 출발해야 한다. 뉴런은 세포체(soma), 가지 모양의 수상돌기(dendrite), 그리고 길게 뻗은 축삭(axon)으로 구성된다. 수상돌기는 다른 뉴런으로부터 신호를 받아들이는 '안테나' 역할을 하고, 축삭은 신호를 다음 뉴런으로 보내는 '전선' 역할을 한다. 뉴런의 개수는 약 860억 개이고, 각 뉴런은 평균 7,000개의 시냅스(synapse, 뉴런 간 접합부)를 형성하므로, 시냅스의 총 개수는 약 100조 개에 달한다. 이 숫자가 얼마나 큰지 감이 잘 안 오겠지만, 우리 은하의 별 개수(약 2천억~4천억 개)보다 훨씬 많다.
뉴런이 '발화(firing)'하는 방식도 흥미롭다. 뉴런의 세포막은 기본적으로 안쪽이 바깥쪽보다 약 −70mV 정도 낮은 전위를 유지한다. 이를 **안정막전위(resting membrane potential)**라고 부른다. 외부에서 충분한 자극이 들어와 이 전위가 역치(threshold)인 약 −55mV를 넘으면, 이온 채널이 급격히 열리며 Na⁺ 이온이 세포 안으로 쏟아져 들어와 전위가 순간적으로 +40mV까지 치솟는다. 이것이 **활동 전위(action potential)**이며, 뉴런이 '발화했다'는 것의 실체다. 이 전압 스파이크(spike)는 디지털 컴퓨터의 비트(bit)처럼 '0 아니면 1'의 이진 방식으로 정보를 전달한다. 다시 말해, 뇌는 근본적으로 아날로그 화학 기계이면서 동시에 디지털 스파이크 코딩 시스템이다.
[노트 기록] 뉴런 기본 전위: 안정막전위(resting) ≈ −70mV / 역치(threshold) ≈ −55mV / 최고점(peak) ≈ +40mV. 이 세 수치와 Na⁺ 유입이라는 메커니즘을 손으로 써두자.
시냅스: 뉴런과 뉴런 사이의 대화
활동 전위가 축삭 말단에 도달하면, **시냅스 소포(synaptic vesicle)**라는 주머니에서 **신경전달물질(neurotransmitter)**이 방출된다. 가장 중요한 흥분성 신경전달물질은 **글루탐산(glutamate)**이고, 억제성은 GABA다. 글루탐산이 다음 뉴런의 수상돌기에 있는 수용체에 결합하면 그 뉴런의 전위가 높아지고(흥분성 시냅스 후 전위, EPSP), GABA가 결합하면 전위가 낮아진다(억제성, IPSP). 뉴런은 수천 개의 시냅스에서 들어오는 EPSP와 IPSP를 모두 합산(summation)해서 역치를 넘으면 발화하고, 넘지 못하면 침묵한다. 뇌의 모든 계산은 근본적으로 이 흥분과 억제의 균형 게임이다.
2부. 신경 가소성과 LTP — 뇌가 지식을 '하드웨어에 새기는' 방법
헤브의 법칙: 함께 발화하는 뉴런은 함께 연결된다
1949년 캐나다의 심리학자 도날드 헤브(Donald Hebb)는 The Organization of Behavior라는 책에서 이후 '헤브의 법칙(Hebb's Rule)'이라 불리게 된 명제를 제시했다. "함께 발화하는 세포들은 함께 연결된다(Neurons that fire together, wire together)." 이 문장은 단순해 보이지만 심오하다. A 뉴런이 발화할 때 B 뉴런도 반복적으로 함께 발화하면, 둘 사이의 시냅스가 강화된다는 뜻이다. 이것이 학습과 기억의 신경 원리다. 헤브는 이를 추론으로 제안했지만, 이것이 실제 분자 수준에서 증명된 것이 바로 **장기 강화(Long-Term Potentiation, LTP)**이다.
LTP는 1973년 노르웨이의 신경과학자 티모시 블리스(Timothy Bliss)와 테르예 뢰모(Terje Lømo)가 토끼 해마(hippocampus)에서 처음 실험적으로 발견했다 (Bliss & Lømo, 1973, Journal of Physiology). 해마는 우리가 새로운 정보를 단기 기억에서 장기 기억으로 '전사(consolidate)'하는 데 결정적인 역할을 하는 뇌 구조물로, 이후 챕터들에서 반복해서 등장할 것이다.
LTP의 분자 기전: NMDA 수용체라는 '동시성 검출기'
LTP의 핵심에는 두 종류의 글루탐산 수용체가 있다: AMPA 수용체와 NMDA 수용체. 평소에 시냅스에 글루탐산이 도착하면 AMPA 수용체가 열려 Na⁺이 들어오면서 EPSP를 만든다. 그런데 NMDA 수용체는 특이하다. 글루탐산이 결합해도 채널이 열리지 않는다. 왜냐하면 채널 내부에 **마그네슘 이온(Mg²⁺)**이 마개처럼 막고 있기 때문이다. 이 마개가 제거되려면 조건이 하나 더 필요하다: 수신 측 뉴런(B) 자체도 이미 충분히 탈분극(depolarized)되어 있어야 한다.
여기서 핵심을 이해하자. NMDA 수용체는 두 가지가 동시에 충족되어야만 열린다. (1) 앞쪽 뉴런(A)이 글루탐산을 방출하고, (2) 뒤쪽 뉴런(B)도 이미 활성화되어 있어야 한다. 이것이 헤브의 법칙을 분자 수준에서 구현한 **'동시성 검출기(coincidence detector)'**이다. 두 뉴런이 동시에 활성화될 때만 작동하는 분자 스위치인 것이다.
NMDA 수용체가 열리면 **칼슘 이온(Ca²⁺)**이 세포 안으로 쏟아져 들어온다. Ca²⁺는 강력한 세포 내 신호 분자로, 이를 시작으로 연쇄 반응이 일어난다. 단기적으로는 기존 AMPA 수용체의 인산화(phosphorylation)를 통해 전도도가 높아지고, 중기적으로는 세포 내에 숨어있던 여분의 AMPA 수용체들이 시냅스 막으로 이동하여 삽입된다. 장기적으로는 **유전자 발현(gene expression)**과 **단백질 합성(protein synthesis)**을 통해 수상돌기 가시(dendritic spine) 자체의 크기와 모양이 물리적으로 변한다. 이것이 바로 기억이 뇌라는 '하드웨어'에 새겨지는 실체다.
[노트 기록] LTP 3단계: ① NMDA 개방 조건(동시 발화) → ② Ca²⁺ 유입 → ③ AMPA 삽입(단기)/수상돌기 가시 성장(장기). 이 흐름을 화살표로 그려서 정리하자. 그리고 스스로에게 물어보자: "내가 어떤 개념을 반복해서 공부할 때 강화되는 것이 정확히 이것인가?"
기억의 종류와 관련 뇌 구조
LTP가 잘 일어나는 대표적인 곳이 해마라고 했다. 그런데 우리가 자전거 타는 법을 익히는 것(절차 기억)과 수도의 이름을 외우는 것(서술 기억)은 다른 뇌 회로를 사용한다. 절차 기억은 소뇌(cerebellum)와 기저핵(basal ganglia)에, 공포 조건화는 편도체(amygdala)에, 새로운 서술 기억은 해마에 의존한다. 뇌는 단일 저장소가 아니라 기억의 종류에 따라 다른 하드웨어 회로를 쓰는 분산 저장 시스템이다. 이 개념은 3단계에서 침습적 BCI와 신경보철학을 공부할 때 다시 중요하게 등장한다.
3부. 뇌파(EEG)와 신호 처리 — 뇌의 전기를 밖에서 읽기
EEG란 무엇인가
앞서 뉴런 수억 개가 동시에 발화하면 그 EPSP와 IPSP의 합이 충분히 커져 두피(scalp)까지 전달된다는 사실을 생각해보자. **뇌전도(Electroencephalography, EEG)**는 바로 이 두피 위에 전극을 붙여 그 미세한 전압 변화를 기록하는 기술이다. 신호의 크기는 겨우 수 마이크로볼트(μV, 10⁻⁶V) 수준이다. 비교하자면 AA 건전지가 1.5V, 즉 EEG 신호는 건전지보다 100만 배 작다. 이렇게 작은 신호를 믿을 수 있게 기록하려면 고정밀 증폭기와 정교한 신호 처리가 필수다.
전극 위치는 국제 10-20 시스템(International 10-20 System)으로 표준화되어 있다. 이름의 '10-20'은 전극 간 거리가 두개골 총 길이의 10% 또는 20% 간격임을 뜻하며, Fp(전두극), F(전두), C(중심), P(두정), O(후두), T(측두) 등의 기호로 영역을 표시한다. 예를 들어 C3는 왼쪽 운동 피질 위, C4는 오른쪽 운동 피질 위에 해당한다. 이 위치가 중요한 이유는 BCI를 설계할 때 어떤 사고 과제를 쓰느냐에 따라 어느 채널을 주목해야 하는지가 달라지기 때문이다.
뇌파 대역: 뇌의 '채널'들
EEG 신호를 주파수(frequency)에 따라 분류하면 뇌 상태를 추정할 수 있다. 이것이 **뇌파 대역(brainwave band)**이다. 헤르츠(Hz)는 '초당 사이클 수'를 의미하며, 뇌파는 크게 다섯 대역으로 나뉜다.
**델타(δ, 0.5–4 Hz)**는 깊은 수면(서파 수면) 중에 주로 나타나고, **세타(θ, 4–8 Hz)**는 졸음이나 명상, 그리고 흥미롭게도 해마의 기억 인코딩 과정과 관련된다. 앞서 배운 LTP가 세타 리듬과 동기화된 발화 패턴에서 더 잘 유도된다는 연구 결과들이 있다 (Buzsáki, 2006, Rhythms of the Brain). **알파(α, 8–13 Hz)**는 눈을 감고 편안히 쉴 때, **베타(β, 13–30 Hz)**는 적극적 사고와 집중 시, **감마(γ, 30–100 Hz 이상)**는 고차 인지 과정, 의식, 복잡한 지각 처리와 연관된다. 이 대역들은 단순 분류가 아니라 뇌의 기능적 상태를 반영하는 생리학적 실체다.
[노트 기록] 뇌파 5대역 테이블을 직접 그려라: 대역명 | 주파수(Hz) | 대표 상태. 예시: 세타가 기억 인코딩과 연관된다는 것과 LTP가 세타 리듬에서 잘 유도된다는 연결고리를 화살표로 표시하라.
신호 처리의 핵심 문제: 잡음 제거
EEG의 최대 난관은 잡음(noise, artifact)이다. 뇌파 신호보다 훨씬 강한 잡음들이 신호를 오염시킨다. **눈 깜빡임과 안구 운동(EOG, electrooculogram)**은 각막과 망막의 전위차로 인해 수백 μV의 신호를 만들어 전두엽 채널을 오염시킨다. **근육 활동(EMG, electromyogram)**은 저작(씹기)이나 미세한 표정 변화만으로도 고주파 잡음을 일으킨다. **심장 박동(ECG, electrocardiogram)**의 전기 신호도 두피까지 전달되고, 실험실의 **전원 주파수(50 Hz in Korea/EU, 60 Hz in US)**도 유도 잡음으로 들어온다.
이를 제거하기 위해 여러 기법이 사용된다. **밴드패스 필터(bandpass filter)**로 관심 주파수 대역 밖을 잘라내고, **노치 필터(notch filter)**로 전원 주파수를 제거한다. 더 정교하게는 **독립 성분 분석(Independent Component Analysis, ICA)**을 사용해서 신호를 통계적으로 독립적인 성분들로 분리한 다음, EOG나 EMG에 해당하는 성분만 골라 제거한다. ICA는 수학적으로는 선형 혼합 모델(linear mixing model)을 가정하고, 비가우시안(non-Gaussian) 분포를 이용해 성분을 분리한다. 이 이론적 배경은 대학 수준이지만, 개념적으로는 "여러 악기 소리가 섞인 녹음에서 바이올린 소리만 골라내는 작업"과 유사하다.
푸리에 변환: 시간 영역에서 주파수 영역으로
EEG 분석의 핵심 도구는 **고속 푸리에 변환(Fast Fourier Transform, FFT)**이다. 시간에 따라 변화하는 EEG 파형을 주파수 성분으로 분해하는 작업이다. 직관적으로 설명하면, 피아노를 칠 때 여러 음이 동시에 울리는 복잡한 파형을 'C음은 얼마, E음은 얼마, G음은 얼마' 식으로 각 주파수의 에너지를 정량화하는 것이다.
수학적으로 FFT는 이산 푸리에 변환(DFT)을 에서 으로 계산량을 줄인 알고리즘이다. 샘플링(sampling)에 관한 **나이퀴스트 정리(Nyquist theorem)**도 필수적으로 알아야 한다: 신호를 올바르게 재구성하려면 샘플링 주파수가 최대 신호 주파수의 2배 이상이어야 한다. 감마파 100 Hz를 측정하려면 최소 200 Hz 이상으로 샘플링해야 한다는 뜻이다. 대부분의 BCI 연구에서는 250~2000 Hz 샘플링 주파수를 사용한다.
FFT 결과로 얻는 **파워 스펙트럼 밀도(Power Spectral Density, PSD)**는 각 주파수에서 신호의 에너지가 얼마나 집중되어 있는지를 보여준다. 눈을 뜨면 알파 파워가 감소하고(알파 블록킹, alpha blocking), 운동을 상상하면 C3/C4 채널의 뮤(μ) 리듬(8–12 Hz, 운동 관련 알파 리듬)이 억제된다. 이 현상을 **사건 관련 탈동기화(Event-Related Desynchronization, ERD)**라고 부르며, BCI의 핵심 입력 특징(feature)이 된다.
[노트 기록] FFT 핵심 흐름: 시간 영역 파형 → FFT → 주파수 영역 PSD → 대역별 파워 계산 → 상태 분류. 나이퀴스트 정리(fs ≥ 2 × fmax)도 반드시 기록.
4부. BCI 시스템 설계 — 생각이 기계가 되는 과정
BCI란 무엇이며, 어떻게 분류되는가
**뇌-컴퓨터 인터페이스(Brain-Computer Interface, BCI)**는 뇌의 신경 신호를 직접 읽어 컴퓨터나 외부 기기를 제어하는 시스템이다. 2000년대 이후 비침습적 EEG 기반 BCI가 급속히 발전했고, Neuralink 같은 침습적(invasive) BCI는 현재 최전선 연구 영역이다(이는 3단계에서 다룬다). 현 단계에서는 비침습적 EEG BCI에 집중한다.
BCI는 사용자의 역할에 따라 세 가지로 분류된다. **능동적 BCI(active BCI)**는 사용자가 의식적으로 특정 정신 과제를 수행해 신호를 생성한다. 운동 상상(motor imagery, MI)이 대표적으로, 왼손을 움직인다고 '상상'하면 오른쪽 운동 피질이 활성화되면서 C4 채널의 뮤 리듬이 ERD를 보인다. **반응적 BCI(reactive BCI)**는 외부 자극에 대한 뇌의 반응을 이용한다. P300은 드문(rare) 자극에 대해 자극 후 약 300ms에 두정엽에서 나타나는 양전위 성분(positive deflection)으로, 사용자가 원하는 알파벳이 깜빡일 때 P300이 유발된다. **SSVEP(Steady-State Visual Evoked Potential)**는 특정 주파수로 깜빡이는 LED를 바라보면 시각 피질이 그 주파수에 공명(resonance)하는 현상을 이용한다. **수동적 BCI(passive BCI)**는 사용자가 의도하지 않아도 피로나 집중도 같은 정신 상태를 자동으로 모니터링한다.
BCI 파이프라인: 신호 취득부터 제어까지
모든 BCI 시스템은 공통된 5단계 파이프라인을 따른다. 각 단계는 앞에서 배운 개념들이 실제로 어떻게 결합되는지 보여준다.
1단계: 신호 취득(Signal Acquisition). EEG 전극과 증폭기를 통해 뇌파를 디지털 데이터로 변환한다. 채널 수가 많을수록 공간 해상도가 높아지지만, 설치 시간과 비용도 증가한다. 고급 연구용 시스템은 256채널, 소비자용은 8–16채널이 일반적이다.
2단계: 전처리(Preprocessing). 앞서 배운 필터링과 ICA를 적용해 잡음을 제거하고, 나이퀴스트 기준에 맞게 다운샘플링(downsampling)하거나 재참조(re-referencing)한다.
3단계: 특징 추출(Feature Extraction). 전처리된 신호에서 의미 있는 숫자들을 뽑아낸다. FFT로 대역별 파워를 계산하거나, **공통 공간 패턴(Common Spatial Patterns, CSP)**이라는 기법으로 두 정신 상태를 가장 잘 구분하는 공간 필터를 학습시킨다. CSP는 두 클래스의 공분산(covariance) 행렬을 동시에 대각화(diagonalize)하는 선형 변환이다.
4단계: 분류(Classification). 추출된 특징 벡터를 기반으로 '왼손 상상인가, 오른손 상상인가'를 판단한다. 전통적으로는 **선형 판별 분석(Linear Discriminant Analysis, LDA)**이나 **서포트 벡터 머신(Support Vector Machine, SVM)**이 사용되고, 최근에는 **컨볼루션 신경망(CNN)**이나 변환기(Transformer) 구조의 딥러닝이 급속히 발전하고 있다.
5단계: 피드백 및 제어(Feedback & Control). 분류 결과를 실제 명령으로 변환해 드론, 휠체어, 커서, 로봇 팔 등을 제어하고, 사용자에게 시각·청각 피드백을 제공한다. 피드백은 사용자가 스스로 뇌 활동을 조절하는 법을 학습하는 데에도 핵심적이다. 이것도 일종의 뇌 가소성이다. BCI 훈련이 반복될수록 사용자의 ERD 패턴이 더 뚜렷해지는 현상이 관찰되는데, 이것은 2부에서 배운 LTP와 같은 학습 메커니즘이 작동하고 있음을 시사한다. 뇌는 BCI를 쓰면서 BCI에 맞게 스스로를 재배선한다. 이 순환이 신경 가소성의 또 다른 실례다.
BCI 성능 평가: 정보 전달률
BCI 성능은 단순 분류 정확도(accuracy, %)만으로는 부족하다. **정보 전달률(Information Transfer Rate, ITR)**이라는 지표를 쓴다. ITR은 단위 시간당 전달할 수 있는 정보의 양(bits/min)으로 정의되며, 정확도뿐 아니라 분류 속도(시간)도 반영한다. 정확도가 높아도 판단에 시간이 오래 걸리면 ITR이 낮다. 현재 상용 BCI 시스템의 ITR은 20–50 bits/min 수준이고, 최고 성능 연구 결과는 SSVEP 기반으로 100 bits/min을 넘기기도 한다 (Chen et al., 2015, PNAS). 일반 타이핑 속도는 약 200 bits/min 이상이므로, BCI는 아직 대역폭 측면에서 뒤처진다. 이 간극을 줄이는 것이 현재 BCI 공학의 핵심 과제다.
5부. 프로젝트 — 스스로 설계하고 풀어보기
지금까지 배운 내용은 세 줄로 요약된다: 뇌는 LTP로 정보를 시냅스에 새기고, EEG와 FFT로 그 전기 신호를 읽으며, BCI 파이프라인으로 의도를 분류해 기계를 제어한다. 이제 이 지식을 실제로 써볼 차례다. 아래 세 프로젝트는 정답 없이 문제만 주어진다. 혼자 생각하고 설계하는 과정 자체가 학습이다. 각 프로젝트는 약 10–15분 분량이며 총 40분을 목표로 한다.
프로젝트 A: LTP 시뮬레이션 설계 (개념 + 논리)
배경: 너는 해마의 CA3-CA1 시냅스를 단순화한 모델을 시뮬레이션하려 한다. 규칙은 다음과 같다: 뉴런 A와 B가 존재한다. A가 발화하면 B의 막전위를 +10mV 높인다. B의 막전위가 역치(−55mV, 안정막전위 −70mV)를 넘으면 B도 발화한다.
문제 1. A가 혼자 단독으로 10번 발화했을 때 B가 발화하는지 여부와, 그 이유를 막전위의 변화 흐름으로 논리적으로 서술하라. 단, B에는 A 외에 다른 입력이 없고, 각 발화 사이 간격이 충분히 길어 B의 막전위가 매번 −70mV로 초기화된다고 가정한다.
문제 2. LTP를 유도하기 위한 실험 프로토콜을 설계하라. 어떤 조건에서 A와 B를 자극해야 NMDA 수용체가 열리는가? 자극 타이밍, 순서, 반복 횟수에 대한 근거를 헤브의 법칙과 NMDA의 동시성 검출 메커니즘에 기반해 서술하라.
문제 3. LTP가 유도된 후 A가 단독으로 1번만 발화해도 B가 발화하게 됐다고 가정하자. 이 변화가 분자 수준에서 무엇이 변했기 때문인지 AMPA 수용체의 관점에서 설명하라. 그리고 이것이 '기억이 형성됐다'는 것과 어떤 의미에서 동일한가?
프로젝트 B: EEG 신호 처리 파이프라인 설계 (기술 + 수학)
배경: 너는 8채널 EEG 시스템으로 피험자의 신호를 수집했다. 샘플링 주파수는 256 Hz이고, 10초 분량의 데이터가 있다. 피험자는 5초 구간에서는 눈을 뜨고 있었고, 나머지 5초는 눈을 감고 있었다.
문제 1. 나이퀴스트 정리에 근거해, 이 시스템이 신뢰롭게 측정할 수 있는 최대 뇌파 주파수는 얼마인가? 또한 한국 기준 전원 주파수 잡음을 제거하기 위해 어떤 필터를 어떤 파라미터로 적용해야 하는가?
문제 2. FFT를 적용해 PSD를 구한다고 할 때, 눈을 뜬 구간과 눈을 감은 구간에서 알파 대역(8–13 Hz)의 파워가 각각 어떻게 다를 것이라 예측하는가? 그 이유를 알파 블록킹(alpha blocking) 현상과 연결해 설명하라. 어떤 채널(위치)에서 이 차이가 가장 두드러질 것이라 생각하는가, 그 이유는?
문제 3. 이 데이터에서 EOG(눈 깜빡임) 잡음이 의심된다. ICA를 사용해 이를 제거하는 과정을 단계별로 서술하라. (1) ICA를 적용해 성분을 분리한다. (2) EOG 성분을 식별하는 기준은 무엇인가 (어떤 채널에서 강하게 나타나는가, 어떤 주파수 특성을 가지는가)? (3) 식별된 성분을 제거한 후 신호를 어떻게 재구성하는가?
프로젝트 C: BCI 시스템 설계 (시스템 + 공학 판단)
배경: 너는 사지 마비 환자가 생각만으로 화면의 커서를 2차원(상/하/좌/우)으로 이동시킬 수 있는 BCI 시스템을 설계해야 한다. 사용 가능한 장비는 32채널 EEG 시스템(256 Hz), 일반 게이밍 PC, Python 환경이다.
문제 1. 어떤 BCI 패러다임(motor imagery, P300, SSVEP 중 하나 또는 조합)을 선택할 것인가? 각 패러다임의 장단점을 환자의 상황(사지 마비, 시각 기능은 정상, 인지 기능 정상)에 비추어 비교하고, 최종 선택과 그 근거를 서술하라.
문제 2. 선택한 패러다임에 맞게 5단계 BCI 파이프라인 전체를 설계하라. 각 단계에서 사용할 기법(필터 종류, 특징 추출 방법, 분류 알고리즘)을 명시하고, 그 선택의 근거를 기술하라. 특히 4방향(상/하/좌/우) 분류를 위해 필요한 클래스 수와 특징 벡터 차원을 구체적으로 어떻게 설계할지 논의하라.
문제 3. 이 시스템의 성능을 평가하는 지표를 설계하라. 정확도(accuracy), ITR, 그리고 환자의 실제 사용 경험(피로도, 학습 곡선) 측면에서 각각 어떤 기준을 설정하고 어떻게 측정할 것인가? 또한 이 시스템을 실제 임상에 적용하기 전에 반드시 확인해야 할 안전성 및 윤리적 고려사항은 무엇인가?
마치며: 이 챕터의 거대한 그림
오늘 배운 세 챕터는 사실 하나의 연속된 이야기다. LTP는 뇌가 스스로를 재배선하는 메커니즘이고, EEG와 신호 처리는 그 재배선의 상태를 밖에서 엿보는 기술이며, BCI는 그 엿봄을 기계 언어로 번역하는 공학이다. 그리고 BCI를 사용하면서 뇌가 다시 LTP를 통해 BCI 제어에 맞게 스스로를 재배선한다는 피드백 루프는, 인간과 기계의 경계가 어떻게 흐려질 수 있는지를 보여주는 단서다. 2단계에서 우리는 더 높은 수준의 인지 기능인 의사결정과 감정의 신경 회로, 그리고 뇌영상 기법인 fMRI로 넘어갈 것이다. 오늘 배운 EEG의 강점(시간 해상도)과 약점(공간 해상도 낮음)이 왜 fMRI(공간 해상도 높음, 시간 해상도 낮음)와 상호보완적인지를 이미 예측해보는 것도 좋은 예비 사고다.