뇌 오가노이드로 촉각 브라유 인식: 저밀도 MEA 기반 인코딩 전략

초록

본 연구는 촉각 센서 데이터를 전기 자극 패턴으로 변환해 인간 전두엽 오가노이드를 브라유 문자 분류에 활용한다. 저밀도 마이크로전극배열(MEA) 위에서 오가노이드를 자극·기록하며, 펄스 수·위상 전류·위상 지속시간·트리거 지연 등 네 가지 파라미터와 스파이크 활동·활동 중심 이동 사이의 정량적 관계를 규명한다. 제안된 인코딩 파이프라인을 적용해 단일 오가노이드는 61 %의 평균 정확도를, 3개 오가노이드 앙상블은 83 %의 정확도를 달성했으며, 인위적 잡음에 대한 내성도 향상되었다. 이는 저전력·적응형 바이오‑하이브리드 컴퓨팅 요소로서 오가노이드의 가능성을 제시한다.

상세 분석

이 논문은 현재 인공지능 및 로보틱스 분야에서 주목받는 ‘오가노이드 인텔리전스(OI)’ 개념을 실용적인 센서‑오가노이드 인터페이스로 확장한다는 점에서 혁신적이다. 먼저 저밀도 8전극 MEA를 활용해 인간 전두엽 오가노이드를 배양하고, 원격 클라우드 기반 NeuroPlatform을 통해 전기 자극과 고속(30 kHz) 기록을 수행한다. 자극 파라미터는 ‘펄스 수(N)’, ‘위상 전류(Amplitude)’, ‘위상 지속시간(Duration)’, ‘트리거 지연(Delay)’ 네 가지로 정의되며, 각각이 스파이크 수, 첫 스파이크 지연, 평균 인터스파이크 간격, 그리고 활동 중심(Center of Activity, CA) 이동에 미치는 영향을 체계적으로 조사한다.

실험 1에서는 파라미터별 임계값을 탐색해 자극이 자발적 활동을 유의미하게 초과하는 영역을 도출한다. 여기서 발견된 ‘중간 전류·중간 지속시간·중간 펄스 수’ 조합이 가장 높은 신호‑대‑잡음비(SNR)를 제공한다는 점은 향후 인코딩 설계에 핵심적인 가이드라인이 된다. 실험 2는 단일 펄스 자극 후 스파이크 응답이 200 ms 이내에 급격히 감소함을 확인해, 브라유 문자 하나당 200 ms 윈도우를 데이터 샘플링에 사용하도록 설계한다. 실험 3에서는 CA 이동을 정량화해 전극별 공간 정보를 보존할 수 있음을 입증한다. 즉, 촉각 센서의 각 감지 영역을 특정 전극에 매핑하면, 자극 강도 변화에 따라 CA가 일관된 방향으로 이동하므로 ‘공간‑강도 인코딩’이 가능해진다.

이러한 파라미터‑응답 매핑을 바탕으로, 저밀도 MEA에 적합한 ‘스파이코-템포럴‑인텐시티 인코딩’ 파이프라인을 설계한다. 촉각 센서(Evetac)의 이벤트 스트림을 4‑채널(전극) 전류 파형으로 변환하고, 각 채널에 대해 위의 최적 파라미터를 적용한다. 자극 후 200 ms 윈도우 내 스파이크 카운트와 CA 좌표를 피처로 추출해, 선형 SVM 분류기에 입력한다.

성능 평가 결과, 단일 오가노이드는 26개의 브라유 문자 중 61 % 평균 정확도를 보였으며, 이는 기존 신경망 기반 저전력 센서와 비교해 경쟁력 있는 수준이다. 3개 오가노이드를 병렬로 운영해 각 오가노이드의 피처를 concatenate 하면 정확도가 83 %까지 상승한다. 특히 인위적으로 삽입한 전압 잡음·시간 지연·전류 변동에 대해 다중 오가노이드 시스템은 단일 오가노이드 대비 오류율이 30 % 이상 감소한다는 점에서 ‘견고한 바이오‑하이브리드 컴퓨팅 구조’의 가능성을 시사한다.

한계점으로는(1) 저밀도 전극 배치로 인해 공간 해상도가 제한적이며, (2) 현재는 오프라인 SVM 학습을 사용해 실시간 적응이 부족하고, (3) 오가노이드 배양·유지 비용과 장기 안정성에 대한 검증이 필요하다. 향후 연구는 고밀도 MEA와 광유전학적 자극을 결합해 피처 차원을 확대하고, 강화학습 기반 클로즈드‑루프 제어를 도입해 실시간 적응성을 확보하는 방향이 기대된다.