뇌파는 사람마다 다르다 — 강유전체 시냅스 기반 개인화 SNN이 EEG BCI의 일반화 문제를 푸는 법

같은 '손을 들어라'는 명령을 상상해도, 두 사람의 EEG 파형은 전혀 다르게 나타난다. 피험자 간 분류 정확도가 50% 아래로 떨어지는 건 드문 일이 아니다. 2026년 1월 arXiv에 올라온 Garg 등의 연구는 이 문제를 강유전체(ferroelectric) 시냅스 기반 스파이킹 신경망(SNN)으로 정면 돌파한다.

EEG의 '뇌 지문' 문제

EEG 기반 BCI가 실용화되지 못하는 핵심 이유는 비정상성(non-stationarity)이다. 신호는 날마다, 사람마다 달라진다. 2015년 Finn 등이 Nature Neuroscience에서 입증한 functional connectome fingerprinting 연구에 따르면, 개인의 fMRI 연결 패턴은 지문처럼 고유하다. EEG도 마찬가지다. 훈련 세션에서 잘 작동하던 모델이 다음 날엔 무너진다.

기존 해법은 두 가지였다. 더 많은 데이터로 일반 모델을 키우거나, 새 피험자마다 처음부터 다시 훈련하거나. 둘 다 웨어러블 기기나 임플란트처럼 자원이 제한된 환경에서는 불가능하다.

강유전체 시냅스가 바꾸는 것

Garg 등은 강유전체 메모리스터 소자를 인공 시냅스로 사용한 SNN을 제작했다. 이 소자는 전기 펄스를 가하면 분극(polarization) 상태가 바뀌며, 그 상태가 다음 자극까지 유지된다. 생물학적 시냅스의 장기 강화(LTP)/장기 억제(LTD)와 구조적으로 유사하다.

• 컨볼루션-순환 SNN 아키텍처로 모터 이미저리(motor imagery) EEG 디코딩
• 강유전체 소자 모델을 이용한 device-aware 훈련과, 소프트웨어 학습 후 온디바이스 재튜닝 두 전략 모두 검증
• 최종 레이어만 재훈련하는 subject-specific transfer learning으로 분류 정확도 향상
• 그래디언트 누적 후 임계값 초과 시에만 프로그래밍하는 방식으로 소자 수명 절약

핵심은 '전체 재훈련 없이' 개인화가 가능하다는 점이다. 온디바이스에서 마지막 레이어만 조정해도 피험자별 뇌 패턴에 적응한다.

Jarvis Lab 관점

우리가 설계 중인 MENP-CSF 인터페이스도 같은 문제에 봉착한다. MENP가 신경 신호를 감지해도, 그 신호를 해석하는 디코더가 개인화되지 않으면 쓸모가 없다. Garg 등의 접근법, 즉 강유전체 하드웨어에서 transfer learning으로 온디바이스 개인화하는 방식은 저전력 임플란터블 디코더 설계에 직접 적용 가능하다.

남은 질문은 하나다. CSF 환경에서 수집한 만성(chronic) 신호로 이 모델이 수렴하는 데 얼마나 걸리는가.