뇌파로 손목·손가락 움직임 구분: ICA‑ERD 기반 이중 클래스 BCI 연구

본 논문은 센서모터 뇌‑컴퓨터 인터페이스(BCI)에서 손목과 손가락 움직임을 EEG 신호만으로 구분할 수 있는지를 검증한다. 연구 동기는 신경·근육 질환 환자에게 로봇 의수·보조기구를 뇌파 기반으로 제어할 수 있는 기술을 제공하고자 함이다. 기존 BCI 연구는 주로 손 전체 혹은 손목 전체를 이진 분류했지만, 손목과 손가락이라는 해부학적 구역을 명확히 구분하는 시도는 드물었다. 따라서 저자들은 손목 굴곡(WE), 손목 신전(WF)과 손가락 굴곡(FE), 손가락 신전(FF), 삼지창 집게(TR)이라는 다섯 가지 기본 동작을 선정하고, 이를 손목군(WE, WF)과 손가락군(FE, FF, TR) 두 클래스로 묶어 구분 실험을 설계하였다. 데이터는 128채널 EGI 시스템을 이용해 20대 남성 피험자 5명으로부터 수집되었다. 각 피험자는 양손에 대해 실시간 실행과 상상 두 조건에서 5동작을 각각 20회씩 수행했으며, 총 400개의 트라이얼을 제공하였다. 실험 전후에 눈 깜박기·안구 움직임·근전도 등 아티팩트를 최소화하기 위해 피험자에게 금지 지시를 내렸으며, 전처리 단계에서는 0.5‑100 Hz 대역 필터링, 50 Hz 전원선 차단, 자동 아티팩트 제거(AAR)와 수동 검토를 거쳐 잡음이 많은 채널을 제외하였다. 그 후, 독립성분분석(ICA)을 적용해 각 손에 대한 독립성분(IC)을 추출하고, 시각적 검토를 통해 운동 피질(주로 전두·전중심부)에서 발생한 IC를 선택하였다. 피험자마다 8‑12개의 IC가 선택되었으며, 이는 전극 위치 변동과 개인별 뇌파 패턴 차이를 보정하는 데 기여하였다. 선택된 IC에 대해 8‑30 Hz 구간을 300 ms 슬라이딩 윈도우(100 ms 간격)로 나누어 FFT를 수행하고, 3 Hz 폭 7개의 주파수 밴드별 전력 합을 특징값으로 추출하였다. 시간 구간은 움직임 준비 단계(t=1 s)부터 실행·상상 단계(t=4 s)까지 포함했으며, 결과적으로 각 IC당 156‑235개의 원시 특징이 생성되었다. 특징 차원 축소는 Bhattacharyya 거리(BD)를 이용해 수행되었다. BD는 각 특징이 두 클래스 간 분산을 얼마나 잘 구분하는지를 정량화하며, 가장 큰 BD 값을 가진 18개의 특징을 최종 입력으로 선정하였다. 이는 과적합 위험을 낮추면서도 분류 성능을 유지하는 효과적인 방법이다. 분류 단계에서는 두 가지 접근법을 비교하였다. 첫 번째는 Mahalanobis 거리(MD) 기반 클러스터링으로, 각 클래스의 평균과 공분산을 이용해 트라이얼을 가장 가까운 클래스에 할당한다. 이 방법은 구현이 간단하고 이상치 제거에 유리하지만, 비선형 관계를 포착하는 데 한계가 있다. 두 번째는 다층 퍼셉트론 인공신경망(MLP ANN)으로, 입력 노드 18개, 은닉층 24개, 출력 노드 1개 구조를 사용하였다. 데이터는 70 % 훈련, 30 % 테스트 비율로 나누었으며, 은닉층 노드 수는 실험적으로 최적화하였다. 실험 결과, MD 클러스터링은 전체 평균 정확도 65 %를 기록했으며, ANN은 71 %의 평균 정확도를 달성하였다. 특히 상상 조건에서 ANN의 정확도가 실시간 실행보다 약간 높았는데, 이는 피험자들이 대학생으로서 운동 상상 능력이 뛰어나고, 일상에서 해당 동작을 자주 수행하기 때문에 ERD/ERS 패턴이 명확히 나타났을 가능성을 시사한다. 또한, 손목군보다 손가락군이 더 복합적인 근육 활동을 포함하고 있어 분류 난이도가 다소 높았음에도 불구하고, 전체적으로 일관된 성능을 보여주었다. 논문은 이러한 결과가 손목·손가락 구역을 EEG로 구분할 수 있음을 증명함으로써, 향후 의수·보조기구 제어에 있어 보다 정교한 다중 자유도 제어가 가능하다는 점을 강조한다. 그러나 연구의 제한점으로는 피험자 수가 적고, 일부 좌측 손 데이터가 결손됐으며, 오프라인 분석에 머물러 실시간 적용 가능성을 검증하지 못했다는 점을 들었다. 또한 현재는 두 클래스만을 구분했기 때문에, 실제 보조기구에서 필요로 하는 개별 손가락 움직임이나 복합 동작을 구분하기에는 아직 부족하다. 향후 연구 방향으로는 (1) 다중 클래스(5동작 각각) 분류를 위한 고차원 특징 및 딥러닝 모델 개발, (2) 실시간 피드백 루프와 적응형 알고리즘을 도입한 온라인 BCI 시스템 구축, (3) 다양한 연령·병증군을 포함한 대규모 피험자 검증, (4) 하드웨어 측면에서 이동형 저전력 EEG 캡과 통합된 시스템 설계 등을 제시한다. 이러한 발전이 이루어지면, 신경·근육 장애 환자들이 일상 생활에서 손목·손가락을 자유롭게 제어할 수 있는 실용적인 BCI 기반 보조기구가 현실화될 것으로 기대된다.