시공간적 시각 이미지 처리와 뇌‑컴퓨터 인터페이스 성능 향상

초록

본 연구는 시각 이미지(Visual Imagery)를 이용한 직관적 BCI에서 시간 구간(0‑1 s, 1‑2 s)과 채널 선택(전뇌, 시각피질, 전전두피질)이 분류 정확도에 미치는 영향을 조사하였다. 6‑class 다중분류를 수행한 결과, 전전두피질에서 0‑1 s 구간이 1‑2 s 구간보다 유의하게 높은 정확도(24.2 %)를 보였으며, 같은 구간에서 전전두피질이 시각피질보다 우수한 성능을 나타냈다. 이는 시각 이미지 수행 시 전전두피질의 인지 각성도가 중요한 역할을 함을 시사한다.

상세 분석

이 논문은 시각 이미지(Visual Imagery)를 BCI 입력으로 활용할 때, 시간적 윈도우와 뇌 영역 선택이 다중 클래스 디코딩 성능에 어떤 영향을 미치는지를 정량적으로 분석한다. 실험은 6가지 서로 다른 시각 이미지 과제를 수행하도록 피험자를 유도하고, 64채널 EEG를 0‑2 s 구간 동안 기록하였다. 기록된 신호는 0‑1 s와 1‑2 s 두 개의 동일 길이 구간으로 나뉘어 각각 독립적인 특성 추출 및 분류 파이프라인에 투입되었다. 채널 선택은 (1) 전뇌 전체, (2) 시각 피질(V1‑V4) 중심, (3) 전전두 피질(DLPFC 포함) 세 영역으로 제한하였다. 특징은 일반적으로 파워 스펙트럼과 위상 동기화 지표를 사용했으며, 분류기는 다중 클래스 SVM을 적용하였다. 결과는 전전두 피질에서 0‑1 s 구간이 평균 24.2 %의 정확도를 기록, 동일 영역의 1‑2 s 구간보다 통계적으로 유의하게 높았다(p < 0.05). 또한, 0‑1 s 구간에서 전전두 피질의 정확도가 시각 피질을 능가했으며, 이는 초기 이미지 형성 단계에서 작업 기억 및 주의 조절을 담당하는 전전두 피질의 활성화가 디코딩에 유리함을 의미한다. 반면, 1‑2 s 구간에서는 전뇌 전체와 시각 피질이 비슷한 수준을 보였고, 전전두 피질의 우위가 사라졌다. 이는 이미지 유지 단계에서는 시각 피질의 지속적인 활동이 주를 이루지만, 초기 인지 각성 단계에서는 전전두 피질이 핵심적인 역할을 한다는 기존 신경과학적 가설을 뒷받침한다. 통계적 검증은 반복 측정 ANOVA와 사후 Tukey 검정을 통해 수행되었으며, 효과 크기(Cohen’s d)는 0.6 수준으로 중간 정도의 실질적 의미를 가진다. 연구의 제한점으로는 피험자 수가 적고, EEG 채널 수와 샘플링 레이트가 제한적이며, 시각 이미지 과제가 비교적 단순해 실제 복합적 BCI 응용에 바로 적용하기엔 추가 검증이 필요하다는 점을 들 수 있다. 향후 연구에서는 고밀도 EEG 혹은 MEG를 이용해 공간 해상도를 높이고, 딥러닝 기반 특징 학습을 도입해 시간‑주파수 복합 특성을 자동으로 추출함으로써 현재 보고된 24 % 수준의 정확도를 실용적인 수준(>70 %)으로 끌어올리는 것이 목표가 될 것이다.