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

같은 '왼손을 상상하라'는 지시에도, 피험자 A의 EEG는 8~13Hz 뮤(μ) 리듬을 뚜렷하게 억제하고 피험자 B는 거의 반응하지 않는다. 2024년 Journal of Neural Engineering에 발표된 교차-피험자 운동 심상(MI) 분류 연구(Li et al.)에서, 동일한 딥러닝 모델을 새로운 피험자에게 그대로 적용했을 때 BCI IV IIa 데이터셋 기준 정확도가 67.32%에 머물렀다. 이 숫자가 중요한 이유는 간단하다: 실용적인 뇌-컴퓨터 인터페이스(BCI)는 80% 이상을 요구한다.

뇌 지문(Brain Fingerprint) 문제

EEG 신호는 개인마다 다르다. 두개골 두께, 피질 주름 패턴, 시냅스 밀도, 심지어 촬영 당일의 집중도나 피로도까지 신호 형태에 영향을 준다. 이를 연구자들은 종종 '뇌 지문(brain fingerprint)'이라 부른다. 지문이 다르면 같은 열쇠로 열 수 없다. 2020년 Frontiers in Human Neuroscience(Xu et al.)는 여덟 개의 MI 데이터셋을 딥러닝으로 분석해 교차-데이터셋 변동성이 모델 일반화를 심각하게 제한함을 체계적으로 확인했다. 쉽게 말해, A에서 훈련한 모델은 B에서 잘 작동하지 않는다.

전통적인 해결책은 두 갈래였다. 새 사용자마다 개별 캘리브레이션 데이터를 수집하거나, 도메인 적응(domain adaptation) 기법으로 피처 공간을 정렬하는 것. 전자는 시간과 노력이 들고, 후자는 계산 비용이 높다. 최근 주목받는 세 번째 경로가 하드웨어 레벨의 해답, 즉 강유전체(ferroelectric) 시냅스 소자 기반 스파이킹 신경망(SNN)이다.

강유전체 시냅스가 다른 이유

강유전체 소자는 인가 전압에 따라 분극(polarization) 상태가 변하며, 이 상태가 전원을 꺼도 유지된다. 생물학적 시냅스가 반복된 자극으로 연결 강도를 바꾸는 것과 구조적으로 유사하다. Fan et al.(Materials Horizons, 2023)은 유연한 In-Ga-Zn-N-O 기반 시냅스 트랜지스터를 EEG-BCI 시스템에 적용해, 하드웨어 레벨의 시냅스 가소성이 신호 분류 정확도를 개선함을 보였다. 이 소자가 SNN과 결합될 때의 장점은 두 가지다.

첫째, 소비 전력이 극히 낮다. SNN은 스파이크(spike)가 발생할 때만 에너지를 쓰므로, 웨어러블 BCI처럼 전력이 제한된 환경에서 유리하다. 둘째, 시냅스 가중치가 물리적으로 지속된다. 소프트웨어 모델은 재훈련할 때 기존 정보를 덮어쓰지만, 강유전체 시냅스는 과거 상태를 물리적으로 보존하면서 새 데이터로 점진적 갱신이 가능하다. 이른바 '지속적 학습(continual learning)'이 하드웨어에서 자연스럽게 일어난다.

개인화 경로: 퓨샷 적응

연구자들이 탐구 중인 시나리오는 이렇다. 범용 SNN 모델을 대규모 EEG 데이터셋으로 사전 훈련한 뒤, 새 사용자가 10~20회의 시험(trial)만 제공하면 강유전체 시냅스 가중치가 그 사람의 뇌 지문에 맞게 미세 조정되는 것. 기존의 소프트웨어 파인튜닝과 달리, 하드웨어 레벨 적응은 추론과 학습이 동시에 일어날 수 있어 지연 시간이 줄어든다.

이 접근이 Jarvis Lab의 MENP 기반 뇌-컴퓨터 인터페이스 연구와 연결되는 지점도 있다. MENP가 신경 신호를 무선으로 감지하는 센서로 기능한다면, 그 신호를 처리하는 에지 프로세서는 저전력이어야 한다. 강유전체 SNN은 연산과 저장을 동일 소자에서 처리하는 인메모리 컴퓨팅 구조여서, 두개골 외부 또는 이식형 처리 칩에 적합한 후보다.

아직 남은 질문들

강유전체 시냅스의 사이클 내구성(endurance)은 반복 쓰기 횟수가 늘수록 열화된다. BCI처럼 실시간 적응이 지속되는 환경에서 수명이 충분한지는 아직 검증 중이다. 또 사람 간 EEG 변동성이 크다면, '범용 사전훈련 모델'을 몇 개의 다양한 코호트로 만들어야 할지도 열린 질문이다. 데이터 다양성과 하드웨어 적응 속도 사이의 최적 균형점을 찾는 것이 앞으로의 과제다.