3장 뇌 신호를 읽는 도구들

가. EEG, ECoG, fMRI, fNIRS: 측정 방식별 장단점

뇌를 들여다보는 방법은 하나가 아닙니다. 천문학자들이 가시광선, 적외선, 전파 망원경으로 각기 다른 우주의 모습을 보듯이, 신경과학자들도 여러 종류의 '창문'을 통해 뇌를 관찰합니다. 어떤 창문은 빠르지만 흐릿하고, 어떤 창문은 선명하지만 느립니다. 어떤 창문은 두개골바깥에서 들여다보고, 어떤 창문은 뇌 속으로 직접 들어갑니다. BCI를 이해하려면 먼저 이 창문들의 특성을 알아야 합니다.

EEG, 뇌전도라고 불리는 이 방법은 두피 위에 전극을 붙여 뇌의 전기적 활동을 측정합니다. 수백만 개의 뉴런이 동시에 발화할 때 생기는 전위 차이를 잡아내는 것입니다. EEG의 강점은 시간 분해능입니다. 뇌의 전기적 변화는 밀리초 단위로 일어나는데, EEG는 이 빠른 변화를 실시간으로 포착할 수 있습니다. 장비가 비교적 저렴하고 휴대가 가능하며 수술이 필요없습니다. 게임용 헤드셋부터 의료용 장비까지, EEG는 가장 널리 쓰이는 BCI 도구입니다.

그러나 EEG에는 치명적인 약점이 있습니다. 공간 분해능이 낮습니다. 뇌에서 나온 전기 신호가 두개골과 두피를 통과하면서 크게 약해지고, 여러 영역의 신호가 섞여버립니다. 과학자들은 이를 "축구 경기장 밖에서 함성을 듣는 것"에 비유합니다. 관중이 함께 "와!" 하고 외치면 골이 들어갔다는 사실은 알 수 있습니다. 그러나 특정 관중 두 사람이 나누는 대화는 절대들을 수 없습니다. 콘크리트 벽이 막고 있기 때문입니다. 마찬가지로 EEG는 뇌의 큰 상태 변화는 파악하지만, "오른쪽 검지손가락을 구부려라"와 같은 미세한 명령을 해독하기 어렵습니다. 눈을 깜빡이거나 이를 악물 때 발생하는 근육 신호가 뇌파를 덮어버릴 만큼 강력한 잡음을 만들어내기도 합니다.

ECoG, 피질뇌파는 이 한계를 극복하기 위해 등장했습니다. 두개골을 열고 뇌를 감싸는 막 위나 아래에 전극 그리드를 직접 부착하는 방식입니다. EEG가 경기장 밖이라면, ECoG는 경기장 안 VIP 좌석에서 경기를 보는 것과 같습니다. 두개골이라는 장벽이 사라졌기 때문에 신호가 훨씬 선명합니다. 공간 분해능이 밀리미터 수준으로 올라가고, 고주파 대역까지 측정할수 있어 손가락의 움직임이나 말하려는 의도 같은 구체적인 정보를 해독하는 데 유리합니다. 2024년 발표된 한 연구에서는 ECoG를 통해 ALS 환자의 고감마 신호를 36개월 동안 안정적으로 기록하며 평균 91퍼센트의 정확도를 유지했다고 보고되었습니다.

ECoG의 대가는 명확합니다. 개두술이 필요합니다. 감염의 위험이 있고, 환자에게 수술적 부담을 지웁니다. 주로 간질 수술 전 검사나 연구 목적으로 사용되어 왔으며, 일반 대중에게는 여전히 높은 진입 장벽으로 남아 있습니다.

fMRI, 기능적 자기공명영상은 전기가 아닌 혈류를 봅니다. 뇌의 특정 부위가 활동하면 그곳으로 산소를 머금은 혈액이 몰려드는데, fMRI는 이 변화를 자기장을 이용해 3차원 영상으로

촬영합니다. fMRI의 강점은 공간 분해능입니다. 뇌의 깊은 곳까지 밀리미터 단위로 정밀하게 지도를 그릴 수 있습니다. 감정이나 기억처럼 복잡한 기능이 뇌의 어디에서 일어나는지파악하는 데 독보적입니다.

그러나 BCI의 관점에서 fMRI는 치명적인 단점을 가집니다. 시간 지연입니다. 신경세포의 전기적 발화는 밀리초 단위로 일어나지만, 혈액이 그곳으로 몰려가는 데는 수 초가 걸립니다. 사용자가 "오른쪽으로 가라"고 생각하고 나서 2초에서 3초 뒤에야 fMRI가 이를 감지할 수 있습니다. 실시간 제어가 필요한 BCI에는 부적합합니다. 장비가 방 하나를 가득 채울 만큼 거대하고 수십억 원을 호가합니다. 피험자는 좁고 시끄러운 터널 안에서 꼼짝없이 누워 있어야합니다.

fNIRS, 기능적 근적외선 분광법은 fMRI의 휴대용 버전이라고 불립니다. 근적외선이 두개골을 투과할 수 있다는 점을 이용하여, 머리에 쓴 밴드에서 빛을 쏘고 반사되어 돌아오는 빛을 분석해 뇌 혈류의 산소 농도를 측정합니다. fNIRS는 fMRI보다 훨씬 저렴하고 가볍습니다. 앉아서, 서서, 심지어 걸으면서도 측정할 수 있습니다. 일상생활 속에서 뇌 활동을 모니터링하는 데 적합하여, 최근에는 운전자의 졸음 감지나 학생들의 집중력 측정, 뇌졸중 재활 치료 등에 활발히 사용되고 있습니다.

그러나 fNIRS 역시 한계가 있습니다. 빛이 도달할 수 있는 깊이가 피질 표면으로 제한되어 있고, 공간 분해능이 센티미터 수준에 머뭅니다. 혈류 반응의 지연 시간 때문에 fMRI와 마찬가 지로 빠른 제어에는 부적합합니다. 머리카락이 짙은 경우 신호 획득이 어렵다는 실용적인 문제도 있습니다.

완벽한 도구는 존재하지 않습니다. EEG는 빠르지만 흐릿하고, fMRI는 정밀하지만 느리며, ECoG는 선명하지만 수술이 필요합니다. 2024년 이후 연구자들은 이러한 한계를 극복하기위해 여러 방식을 결합하는 하이브리드 접근을 시도하고 있습니다. EEG와 fNIRS를 동시에 사용하여 빠른 전기 신호와 혈류 변화를 함께 보는 연구가 증가하고 있습니다. 한 2024년 연구에서는 EEG-fNIRS 통합 시스템이 운동 상상 과제에서 95.86퍼센트의 분류 정확도를 달성했다고 보고되었습니다. 이는 EEG 단독 사용 시보다 현저히 높은 수치입니다.

BCI를 설계할 때 연구자가 직면하는 것은 결국 선택의 문제입니다. 정밀도와 편의성 사이의 균형, 침습과 비침습 사이의 균형. 무엇을 측정하고 싶은가, 얼마나 빨리 반응해야 하는가, 환자가 감수할 수 있는 위험은 무엇인가. 이 질문들에 대한 답이 도구를 결정합니다.

나. 마이크로전극 배열과 유연 전극의 생체적합성 도전

2012년 어느 날, 브라운 대학교의 존 도노휴 교수 연구실에서 한 여성이 로봇 팔로 커피를 마셨습니다. 캐시 허친슨, 58세. 15년 전 뇌졸중으로 사지 마비가 온 환자였습니다. 그녀의 뇌에 는 유타 어레이라고 불리는 작은 칩이 심어져 있었습니다. 손톱보다 작은 실리콘 판 위에 96 개의 미세한 바늘이 솟아 있는 장치였습니다. 이 바늘들이 그녀의 운동 피질에서 뉴런의 신호를 읽고, 컴퓨터가 그 신호를 해석해 로봇 팔에 명령을 내렸습니다. 그녀는 생각만으로 컵을 집어 입으로 가져갔습니다. 14년 만의 일이었습니다.

이 장면은 침습형 BCI의 가능성을 전 세계에 보여주었습니다. 그러나 연구자들은 환호 속에 서도 불안을 느꼈습니다. 유타 어레이가 언제까지 작동할 것인가. 뇌는 과연 이 금속 바늘들을 받아들일 것인가.

침습형 BCI의 핵심은 전극입니다. 두피 밖에서 희미하게 듣는 대신, 뇌 가까이 가서 또렷하게듣겠다는 것이 침습형의 철학입니다. 유타 어레이 같은 마이크로전극 배열은 피질에 직접 삽입되어 개별 뉴런의 발화를 기록합니다. 한 번에 수백 개의 채널에서 신호를 얻을 수 있고, 그신호는 EEG와 비교할 수 없을 정도로 선명합니다.

문제는 뇌가 이 침입자를 반기지 않는다는 것입니다. 뇌 조직은 두부나 푸딩처럼 매우 부드럽습니다. 반면 전통적인 전극은 실리콘이나 금속으로 만들어져 있어 상대적으로 딱딱합니다. 이 기계적 불일치가 심각한 문제를 일으킵니다. 뇌는 가만히 있지 않습니다. 심장이 뛸 때마다 혈류에 의해 미세하게 팽창하고 수축하며, 고개를 돌릴 때마다 두개골 안에서 출렁거립니다. 딱딱한 바늘이 부드럽고 움직이는 뇌에 꽂혀 있으면, 주변 조직에 지속적인 손상을 입힙니다. 마치 칼이 젤리를 베어내듯.

이로 인해 뇌의 면역 체계가 발동합니다. 미세아교세포와 성상세포가 침입자인 전극 주변으로 몰려들어 염증 반응을 일으킵니다. 결국 전극을 단단한 흉터 조직으로 감싸버립니다. 이 흉터는 전기가 통하지 않는 절연체 역할을 하여, 시간이 지날수록 전극이 뉴런의 신호를 듣지 못하게 만듭니다. 이것이 유타 어레이의 수명을 제한하는 가장 큰 요인입니다. 이식 후 몇개월이 지나면 신호 품질이 떨어지기 시작하고, 몇 년이 지나면 상당수의 채널이 기능을 잃습니다.

이 문제를 해결하기 위해 연구자들은 유연 전극에 주목했습니다. 뇌 조직과 유사한 기계적특성을 가진 재료로 전극을 만들면 어떨까. 뉴럴링크가 개발한 전극 실이 대표적인 예입니다. 머리카락 두께의 20분의 1 수준인 폴리이미드 필름 위에 금 전극을 증착한 형태로, 뇌의 움직임에 따라 함께 물결치듯 움직일 수 있습니다. 이론적으로는 기계적 불일치로 인한 손상과 면역 반응을 획기적으로 줄일 수 있습니다.

그러나 유연 전극은 "부드러우면 좋다"로 끝나지 않습니다. 너무 유연하면 뇌에 삽입하기가 어렵습니다. 뇌의 보호막을 뚫고 들어가려면 어느 정도의 강성이 필요한데, 유연한 전극은

구부러져버립니다. 이를 해결하기 위해 다양한 공학적 접근이 시도되고 있습니다. 뉴럴링크는 재봉틀 원리를 이용한 수술 로봇을 개발했습니다. 딱딱한 텅스텐 바늘이 유연한 전극 실을 잡고 뇌 속에 밀어 넣은 뒤, 바늘만 빠져나오는 방식입니다. 로봇은 컴퓨터 비전을 통해 뇌표면의 혈관을 실시간으로 감지하고 피해서 전극을 삽입합니다.

또 다른 접근은 용해성 코팅입니다. 설탕이나 생분해성 폴리머로 유연 전극을 코팅하여 삽입 시에는 딱딱하게 만들고, 삽입 후 체내 수분에 의해 코팅이 녹아 유연해지도록 하는 방법입니다. 하버드 대학교의 찰스 리버 그룹은 주사기를 통해 그물망 형태의 전극을 뇌에 주입하는 기술을 선보였습니다. 이 그물망은 뇌 조직 사이로 펼쳐지며 신경세포와 자연스럽게 얽혀 면역 반응을 최소화한다고 보고되었습니다.

2024년 네이처 커뮤니케이션즈에 발표된 연구에서는 혈관을 통해 초유연 전극을 삽입하는 방법이 소개되었습니다. 개두술 없이 목 정맥을 통해 전극을 뇌 근처 혈관까지 밀어 올린 뒤, 혈관 벽을 뚫고 뇌 조직에 전극을 안착시키는 방식입니다. 양에서 진행된 실험에서 이 방법으로 단일 뉴런 수준의 신호를 기록하는 데 성공했습니다. 2025년에는 1,024채널 초박형 전극 배열을 개두술 없이 두개골에 작은 틈만 내어 삽입하는 기술이 돼지 모델과 인체 수술 환경에서 검증되었습니다.

재료 과학의 발전도 주목할 만합니다. 나노다공성 그래핀 기반의 유연 전극은 25마이크로미터 직경의 작은 전극으로도 낮은 임피던스와 높은 전하 주입 능력을 달성했습니다. 설치류뇌에서 12주, 말초 신경에서 8주 동안의 만성 이식 후에도 생체적합성이 유지되었다고 보고 되었습니다. 전극 표면을 전도성 고분자나 하이드로젤로 코팅하여 뇌 조직과의 경계면을 부드럽게 만들거나, 항염증 약물을 코팅하여 초기 면역 반응을 억제하는 연구도 진행 중입니다.

궁극적인 목표는 수년에서 수십 년 동안 성능 저하 없이 작동하는 만성 BCI입니다. 이를 위해서는 단순히 기계적 유연성을 넘어, 전극 소재가 체액에 의해 부식되지 않아야 하며, 무선 전송에 따른 발열이 뇌 조직을 손상시키지 않도록 열 관리 설계도 필수적입니다. 그러나 2025 년 현재, 대부분의 만성 이식 유연 전극의 최대 수명은 약 1년에 머물러 있습니다. 인간의 뇌와 기계가 수십 년을 함께하려면 아직 갈 길이 멀다는 뜻입니다.

생체적합성은 결국 재료만의 문제가 아닙니다. 삽입 순간의 손상, 미세 움직임에 의한 반복손상, 면역 반응의 누적, 전기화학적 열화, 장기 유지보수의 불가능성이 겹쳐서 신호가 망가 집니다. "처음에는 잘 된다"가 아니라, "6개월, 1년, 수년 뒤에도 같은 품질로 된다"가 진정한기준입니다. 뇌라는 부드럽고 예민한 조직과 기계라는 딱딱하고 이질적인 물체 사이의 화해. 이것이 침습형 BCI가 넘어야 할 가장 근본적인 장벽입니다.

다. 신호 대역폭과 정확도: "쓸만한 BCI"의 조건

2021년 스탠퍼드 대학교에서 한 남성이 생각만으로 글을 썼습니다. 사지 마비 환자였던 그는 손글씨를 쓰는 상상을 했고, 뇌에 심어진 전극이 그의 운동 피질 신호를 읽었습니다. 컴퓨터는 이 신호를 해석해 화면에 글자를 띄웠습니다. 분당 90자. 일반인의 스마트폰 타이핑 속도인 분당 40자에서 50자를 훌쩍 넘는 기록이었습니다. 연구팀은 이 결과를 네이처에 발표하며, BCI가 실용적인 의사소통 도구가 될 수 있음을 보여주었습니다.

BCI는 시연 영상으로는 언제나 인상적입니다. 생각만으로 로봇 팔을 움직이고, 휠체어를 조종하고, 게임을 합니다. 그러나 사용자가 매일 쓰는 순간, 멋은 의미가 없어집니다. 실험실에 서 가능한 것과 일상에서 쓸만한 것은 전혀 다른 문제입니다. "쓸만한 BCI"의 조건은 감상이 아니라 수치로 정의됩니다. 대역폭, 정확도, 지연 시간. 이 세 가지가 핵심입니다.

대역폭은 한 번에 얼마나 많은 정보를 전송할 수 있는지를 나타냅니다. 일론 머스크는 BCI의 핵심 문제를 "대역폭의 한계"라고 정의했습니다. 우리가 스마트폰 화면을 손가락으로 터치할 때, 초당 수십 비트의 정보를 입력합니다. 그러나 초기 EEG 기반 BCI는 분당 몇 비트에 불과했습니다. 사용자가 "예" 또는 "아니오"를 선택하거나, 커서를 아주 느리게 움직이는 수준이었습니다. 이는 답답해서 실생활에 쓰기 어렵습니다.

BCI 분야에서는 정보 전달률이라는 개념으로 속도와 정확도를 함께 평가합니다. 몇 가지 선택지 중 사용자의 의도를 맞히는 분류 문제에서, 정답률과 선택지 수, 시도 횟수를 묶어 분당비트로 환산합니다. 2024년 기준으로, 비침습적 EEG 기반 타이핑 시스템은 분당 5비트에서 10비트 수준에 머물러 있습니다. 반면 침습형 ECoG 기반 시스템은 분당 수십 비트에서 수백비트까지 달성하고 있습니다. 스탠퍼드의 손글씨 상상 연구가 분당 90자를 기록한 것은 이 대역폭 격차를 보여주는 상징적인 사례입니다.

정확도는 "내가 A를 생각했을 때 컴퓨터가 A로 인식할 확률"입니다. 90퍼센트의 정확도는 훌륭해 보이지만, 10번 중 1번 오타가 나거나 클릭이 잘못된다면 사용자는 금방 피로감을 느낍니다. 틀린 명령을 되돌리는 비용이 크기 때문입니다. 더구나 정확도는 단순한 숫자가 아닙니다. 오류의 형태까지 포함합니다. 커서 이동 BCI에서 90퍼센트 정확도라도, 오류가 "가끔반대 방향으로 급발진"이면 사용자는 매번 긴장해야 합니다. 반대로 오류가 "조금 덜 움직임"이면 보정이 가능합니다.

뇌 신호는 시간에 따라 변합니다. 아침과 저녁의 뇌 상태가 다르고, 피곤하거나 감정이 바뀌면 같은 생각을 해도 신호 패턴이 달라집니다. 전극이 미세하게 움직여도 신호 특성이 바뀝니다. 이를 비정상성이라고 부릅니다. 과거의 BCI는 매일 사용 전 30분씩 캘리브레이션 과정을 거쳐야 했습니다. 이는 실용성을 크게 떨어뜨립니다. "쓸만한 BCI"는 한 번의 학습으로 오랫동안 성능을 유지하거나, 사용자가 시스템을 사용하는 동안 알고리즘이 스스로 적응하여성능을 유지해야 합니다. 뉴럴링크의 첫 환자 놀랜드 아보의 경우, 이식 후 일부 전극이 뇌에

서 빠져나와 신호가 약해졌음에도 디코딩 알고리즘을 수정하여 정확도를 다시 끌어올린 사례가 보고되었습니다.

지연 시간은 사용자 경험의 핵심입니다. 생각하자마자 기계가 반응해야 그것을 내 몸처럼 느낍니다. 생각하고 나서 1초 뒤에 커서가 움직인다면, 우리는 그 도구를 신체의 일부로 받아들이지 못합니다. 연구에 따르면 생각에서 기계 반응까지의 지연 시간이 100밀리초에서 200밀리초 이내여야 사용자가 "내가 했다"는 주체감을 느낄 수 있습니다. 이를 위해서는 뇌 신호를 읽고, 무선으로 전송하고, 외부 컴퓨터가 해석하여 명령을 내리는 전체 과정이 매우 빠르게 이루어져야 합니다. 최근에는 엣지 컴퓨팅을 도입하여 뇌 이식 칩 자체에서 1차적인 데이 터 압축이나 스파이크 검출을 수행하여 전송 지연을 줄이는 연구가 진행되고 있습니다.

측정 방식에 따라 이러한 조건들의 구조적 한계가 달라집니다. 비침습적 EEG와 fNIRS는 안전하고 접근하기 쉽지만, 신호 대 잡음비가 낮아 고속 고정밀 제어를 달성하기 어렵습니다. ECoG는 수술 부담은 있지만 신호 품질이 좋아 고성능 디코딩에 유리합니다. 완전 침습형 마이크로전극 배열은 최고 수준의 신호를 얻을 잠재력이 있지만, 앞서 살펴본 장기 안정성과 생체적합성이 발목을 잡습니다.

"쓸만한 BCI"의 조건은 임상과 소비자 시장에서 다르게 정의됩니다. 중증 마비 환자에게는 느리고 다소 불편해도 스스로 의사를 표현할 수 있느냐가 핵심입니다. 소비자용 BCI에서는

속도와 정확도뿐 아니라 착용감, 배터리 수명, 디자인 같은 사용자 경험 요소가 더 중요한 채택 기준이 됩니다. 결국 "쓸만한 BCI"란, 사용자가 기계를 조작하고 있다는 사실조차 잊어버릴 만큼 빠르고 정확하며, 내 마음을 알아주는 인터페이스를 의미합니다. 그러나 현재의 기술은 아직 그 수준에 이르지 못했습니다.

라. 딥러닝 디코딩: 머신러닝이 뇌파를 해석하는 법

2016년, 메타(당시 페이스북)의 연구팀은 야심 찬 프로젝트를 시작했습니다. 타이핑 속도 분당 100단어를 목표로 하는 뇌-텍스트 인터페이스. 손가락을 움직이지 않고 생각만으로 글을 쓰게 하겠다는 것이었습니다. 문제는 뇌에서 수집한 전기 신호 자체가 의미 없는 잡음처럼 보인다는 것이었습니다. 지지직거리는 파형. 여기서 "안녕하세요"라는 의도를 어떻게 읽어낼 것인가. 답은 인공지능에 있었습니다.

뇌 신호 디코딩의 핵심은 패턴 인식입니다. 사용자가 특정 의도를 가질 때 뇌에서 나타나는 신호 패턴을 찾아내고, 새로운 신호가 들어오면 그것이 어떤 의도에 해당하는지 분류하는 것입니다. 과거에는 사람이 직접 규칙을 정해주었습니다. "8헤르츠에서 12헤르츠 사이의 알파파가 감소하면 움직이려는 의도다"라고 정의하고, 그 특징만을 뽑아서 분류기에 넣었습니다. 선형 판별 분석이나 서포트 벡터 머신 같은 전통적인 기계학습 방법이 사용되었습니다.

이 방식은 한계가 명확했습니다. 뇌 신호는 너무나 복잡해서 인간이 정의한 단순한 특징만으로는 설명되지 않는 정보가 많습니다. 사람마다 뇌의 구조와 신호 패턴이 다르고, 같은 사람도 상태에 따라 신호가 달라집니다. 딥러닝은 이 과정을 혁신했습니다. 특징을 사람이 고르지 말고, 모델이 데이터에서 직접 배우게 하는 것이 핵심입니다.

합성곱 신경망은 이미지 처리에서 강점을 보인 구조인데, 뇌파 데이터에도 적용되었습니다. EEG 신호를 시간과 채널(전극 위치)의 2차원 데이터로 보고, 공간과 시간에 따른 복잡한 패턴을 스스로 학습합니다. 인간이 가르쳐주지 않은 미세한 신경 발화의 패턴까지 파악해냅니다. 2018년에 발표된 EEGNet은 EEG 신호 처리에 최적화된 소형 합성곱 신경망 구조로, 적은 양의 데이터로도 높은 분류 정확도를 보여주는 대표적인 모델이 되었습니다.

순환 신경망과 장단기 메모리 네트워크는 시간의 흐름에 따른 데이터 처리에 강합니다. "아까 이런 신호가 나왔으니 지금 이 신호는 저런 뜻이겠구나"하고 문맥을 파악하는 데 적합합니다. 손을 뻗는 동작의 궤적이나 문장을 말하는 과정처럼, 이전 상태가 현재 상태에 영향을 미치는 연속적인 신호를 해석하는 데 사용되었습니다.

최근 가장 주목받는 것은 트랜스포머 구조입니다. 챗GPT와 같은 거대 언어 모델의 핵심 기술인 트랜스포머가 BCI에도 적용되고 있습니다. 트랜스포머의 어텐션 메커니즘은 데이터의 어느 부분이 중요한지 가중치를 두어 전체적인 맥락을 파악합니다. 뇌 신호를 마치 하나의 언어처럼 취급하는 것입니다. 뇌파 신호를 단어처럼 조각내어 트랜스포머에 넣으면, 앞뒤 뇌파의 문맥을 보고 그 뇌파 패턴이 어떤 의도에 해당하는지 해석합니다.

2024년에 발표된 연구들에서 트랜스포머 기반 디코더는 기존 방법들을 크게 앞섰습니다. 한연구에서는 합성곱 트랜스포머 네트워크가 운동 상상 분류에서 피험자별 평가에서 82.52퍼센트, 피험자 간 평가에서 58.64퍼센트의 정확도를 달성했습니다. 내면 발화 인식 연구에서

는 스펙트로-시간적 트랜스포머가 기존 EEGNet 접근법보다 현저히 높은 정확도를 보였습니다. 트랜스포머가 장기 시간 의존성과 주파수 의존성을 동시에 학습할 수 있기 때문입니다.

침습형 BCI에서 딥러닝의 효과는 더욱 극적입니다. ECoG나 마이크로전극에서 얻는 신호는 EEG보다 훨씬 선명합니다. 신호가 좋을수록 딥러닝은 강해집니다. 모델이 의도에 유의미한패턴을 더 직접적으로 학습할 수 있기 때문입니다. 최근에는 고밀도 ECoG와 딥러닝을 결합하여 분당 수십 단어 수준의 고속 의사소통을 목표로 하는 연구들이 등장했습니다. 디코더도 단순 분류를 넘어 언어 모델, 시퀀스 디코딩, 오류 교정까지 결합하는 방향으로 진화하고 있습니다.

가장 최신 트렌드는 파운데이션 모델입니다. 수만 명의 뇌파 데이터를 미리 학습한 거대한뇌파 전용 인공지능을 만드는 것입니다. 마치 미리 영어를 배운 사람이 새로운 의학 용어를 금방 익히듯이, 이 거대 모델은 새로운 사용자를 만났을 때 아주 적은 데이터만으로도 그 사람의 뇌 신호를 금방 이해할 수 있게 됩니다. 이를 전이 학습이라고 합니다. BCI의 고질적인문제인 긴 훈련 시간을 획기적으로 줄여, 대중화를 앞당기는 열쇠가 될 것으로 기대됩니다.

그러나 딥러닝에도 과제가 있습니다. 먼저 블랙박스 문제입니다. 딥러닝 모델이 왜 특정 결정을 내렸는지 설명하기 어렵습니다. 의료 분야에서는 왜 그런 판단을 했는지 납득 가능한근거가 중요합니다. 설명 가능한 인공지능 기법을 뇌파 디코딩에 적용하여, 모델이 어떤 시간대, 어떤 채널, 어떤 주파수 특징에 주목하는지 분석하려는 연구가 진행 중입니다.

또한 세션 간 드리프트 문제가 있습니다. 어제의 뇌와 오늘의 뇌가 다릅니다. EEG 전극의 위치나 임피던스가 변하고, 침습형 전극은 장기 생체 반응으로 신호 분포가 바뀝니다. 모델은 어제 학습한 패턴이 오늘 통하지 않을 수 있습니다. 개인차 문제도 있습니다. 사람마다 두개골 두께, 피질 구조, 생리적 잡음이 다릅니다. 범용 모델은 꿈이지만, 대개는 개인화 과정이 필요합니다.

딥러닝은 BCI를 단숨에 해결하지 않습니다. 그러나 신호가 좋아질수록, 데이터가 쌓일수록, 운영이 정교해질수록 성능을 크게 끌어올리는 증폭기 역할을 합니다. 하드웨어가 더 좋은 신호를 제공하고, 소프트웨어가 그 신호를 더 잘 해석하는 선순환. 결국 딥러닝은 잡음 섞인 전기 신호를 의미와 소통으로 승화시키는 번역가입니다. 뇌와 기계 사이에서 서로의 언어를 통역하는 역할을 합니다.