뇌-기계 간 상호작용 연구 동향
1. 개요
뇌-기계 인터페이스 (Brain–machine interfaces, BMI)는 신경 활동을 기록하고 조절함으로써 뇌와 상호 작용하는 폐루프(되먹임) 제어 시스템을 생성하고 환자들에서 상실된 기능을 회복하는 것을 목표로 한다. 특히 마비 된 환자들의 운동 기능 회복에 대한 연구가 많이 이루어지고 있다. 제어 루프 내의 요소를 정확하게 조작함으로써, 모터 BMI는 뇌의 제어 및 학습에 대한 근본 메커니즘을 조사하기 위한 새로운 과학적 도구로 주목을 받고 있다. 최근의 연구는 모터 BMI 뿐만 아니라 신경 정신과적 질병에서 상실된 정서 기능을 회복하기 위한 폐루프 감정(mood) BMI 개발 가능성을 제시하고 있으며 감정 조절의 신경 메커니즘을 조사 할 수 있는 방법의 가능성을 제시하고 있다. 여기서는 모터 BMIs를 중심으로 기능 복원 및 과학적 발견에 대한 동향을 기술한다1.
2. 주요 내용
뇌-기계 인터페이스는 신경 활동을 읽고, 외부 장치와 상호 작용하고, 어떤 경우에는 뇌를 자극하여 신경 정보를 작성하는 뇌에 대한 직접적인 제어 경로를 생성함으로써 신경 및 신경 정신병적 질병 환자의 기능 상실을 복원하는 것을 목표로 한다. 현재까지의 마비 환자의 운동 기능 상실을 회복 할 수 있는 BMI 설계에 많은 연구가 이루어져 있다. 모터 BMI는 '디코더(decoder)'라는 수학적 알고리즘을 사용하여 신경 활동에서 사용자의 의도된 움직임을 추정하고, 디코딩된 움직임을 사용하여 외부 작동기(actuator) (보철 장치)를 제어하고 사용자에게 감각 및 보상 피드백을 제공환다. 따라서, BMI는 뇌가 제어기로서 감각 피드백 및 움직임이라는 목표에 기초하여 신경 활동의 형태로 제어 명령을 결정하여 신경 보철 기계를 움직이는 폐루프 제어 시스템을 이루게 된다. 실제로 BMI는 새로운 감각 운동 루프를 만들고 뇌가 제어하는 ？？법을 배워야 하는 새로운 도구를 만든다.
이러한 폐루프 제어 특성을 고려할 때 뇌가 감각 운동 제어에 사용하는 본연의 제어 및 학습 메커니즘을 BMI가 사용한다고 할 수 있다. 이러한 폐루프 제어 관점은 두 가지 시너직한 방향에서 크게 발전했습니다. 첫째, 제어 및 학습 메커니즘에 대한 이해는 기능 복원에 대한 성능을 향상시키기 위해 BMI 기술의 설계를 명쾌하게 이끌었다. 두 번째로, 실험자가 정의하고 쉽게 조작 할 수 있는 단순화된 폐루프 제어 시스템을 제공함으로써 모터 BMI가 제어 및 학습의 신경 메커니즘을 이해하기 위한 새로운 도구로서 역할을 수행하였다.
그러나 기능 복원과 과학적 발견을 위한 BMI의 잠재력은 모터 시스템을 훨씬 능가 할 수 있다. 실제로, 많은 신경계 및 신경 정신병적 질병에서 목표로 하는 것은 외부 작동기의 움직임 조절 보다는 내부의 뇌 상태를 제어하는 것에 있다. 전 세계 장애의 주요 원인인 신경 정신병적 질병에서 우울증이 주요한 장애로 나타나고 있다. 따라서 이러한 장애 회복의 목표는 관련 감정 상태를 제어하여 상실된 정서 기능을 회복하는 것에 있다. 주요 우울증을 앓고 있는 많은 환자들은 현재의 치료에 반응하지 않기 때문에 직접적인 전기 뇌 자극이 유망한 대안 치료법이 되었다. 증상 수준에 관계없이 고정 된 자극 패턴을 적용하는 개루프 자극은 seminal open-label 연구에서 치료 내성 우울증에서 유망한 반응과 병의 차도를 보여주었다. 그러나, 무작위 대조 시험에서는 효능이 가변적이었다. 개인맞춤의 다른 부위, 여러 부위의 자극이 이러한 가변적인 결과를 해결할 수 있을 것이다. 또한, 환자간 그리고 시간 경과에 따라 환자의 신경 정신병적 증상의 변동성을 고려할 때, 효능을 개선하는 한 가지 방법은 신경 활동으로부터 해독된 증상 변화에 기초하여 자극을 변화시키는 폐루프 BMI를 사용하는 것이다. 우리는 다차원 공간 내에서 감정을 제어하기 위해 치료 대상을 향한 전기 뇌 자극이 언제 그리고 어떻게 전달할지를 결정하기 위한 피드백으로서 감정 상태(운동 상태 대신)를 디코딩 하는 감정 BMI를 구상 할 수 있다. 감정 BMI는 개루프 자극과는 다른 폐루프 제어 시스템을 다시 구성 하게 된다. 이 시스템은 신경 활동과 적절한 치료 목적에 맞게 조절되는 외부 전기 자극의 형태가 된다. 전기적 자극 이외에도 감정 BMI는 선택적으로 사용자에게 디코딩된 감정에 대한 피드백을 제공하여 다른 time-scale에서 제어에 적극적으로 참여하게 할 수 있도록 한다. 또한, 감정 BMI는 감정 조절의 신경 메커니즘을 연구할 수 있는 가능성을 제공한다.
신경 정신병적 이상에 대해서는 테스트되지 않았지만 폐루프 자극은 파킨슨 병 (Parkinson’s disease)과 간질 같은 신경학적 장애에 적용되어 유망한 개선 효과를 보여주었다. 이러한 경우에, 어떤 자극이 켜지고 꺼지는 것과 같은 저 차원 또는 일차원 신경 신호는 생체지표(biomarker)로서 작용한다. 그러나 감정 BMI의 분산 뇌 네트워크의 참여, 복잡하고 감정 증상의 역동적으로 변화하는 특성, 그리고 측정 및 개체 간 변동성의 어려움 등의 과제를 가지고 있다. 또한 감정에 관련된 신경의 역학관계를 제어하려면 자극을 켜고 끄는 것을 넘어서는 완전한 폐루프 컨트롤러가 필요하다. 이러한 양상들은 환자마다 필요에 맞게 자극을 주기 위해 단일 저차원적 생체지표 접근법이 아닌 네트워크 활동으로부터 개인화 된 감정 디코딩 접근법을 필요로 할 것이다. 이러한 디코딩 방식은 모터 BMI와 일치한다.
모터 BMI에 대한 많은 연구에 비해 감정 BMI는 이제 막 실현되기 시작했으며 뚜렷한 과제를가지고 있다. 움직임과는 달리, 감정은 측정하기 어렵고 기능적 조직(organization) 이 잘 이해되지 않는 광범위한 다중사이트의 피질 변연계(corticolimbic) 네트워크가 관여된다. 또한, 감정 BMI는 광범위한 뇌 네트워크 활동에 대한 자극의 효과를 분석하고 수개월 및 수년에 걸친 자극-유도 가소성을 분석해야 할 것이다. 그러나 모터 BMI와 감정 BMI의 높은 유사성은 모터 BMI로부터 얻은 통찰력을 바탕으로 감정 BMI를 안내 할 수 있을 것이다. 먼저, 이 두 BMI 모두 신경 기록에서 내부 뇌 상태를 디코딩 한다. 또한, 사용자가 신경 디코딩 된 움직임의 피드백에 기초하여 신경 보철물을 제어하는 ？？것을 배울 수 있는 것처럼 신경 피드백에 기초하여 감정 상태를 조절하는 것을 배울 수 있다. 이것은 효과적인 감정 조절을 위해 동일한 학습 메커니즘 중 일부가 자극과 함께 활용 될 수 있음을 제시해 준다. 실제로, 유사한 계산 메커니즘이 감각운동 학습 및 제어 및 감정 조절의 기초가 될 수 있다. 이러한 유사성에서 분위기 및 정서적 처리에 관한 광범위한 신경영상 문헌 및 최근의 감정 디코딩 시연은 BMI가 감정 영역에서의 기능적 복원 및 과학적 성과를 위한 강력한 도구로서 확장 될 가능성이 있음을 시사한다.
2.1. 모터 기능 손실 복원을 위한 BMIs
폐루프 제어 관점에는 그들이 어떻게 구성되고 훈련되는 지를 변경하고 새로운 감각운동 BMI 경로의 특성을 안내하는 고급 BMI 디코더가 포함된다. 또한 사용자는 신경 표상(neural representations)(신경 적응이라고 불리는 과정으로 새로운 선천 능력을 배우는 방식과 유사)을 변경함으로써 BMI를 제어하는 ？？방법을 배운다.
2.1.1. 폐루프 제어 원리에 의해 정보를 얻는 디코더 설계
BMI 디자인의 첫 번째 중요한 단계는 디코더를 훈련시키는 것이다. 디코더에 대한 모델 구조가 선택되면, 훈련 세션 내에서 신경 활동을 운동 의도(intentions)로 회귀함으로써 그 파라미터를 추정 할 필요가 있다. 디코더를 훈련시키는 한 가지 접근법은 사용자에게 신경 활동을 기록하는 동안 팔을 움직이거나 움직임을 상상하도록 지시하는 것이다. 이 방법은 교육 중에 사용자가 BMI를 제어하거나 피드백을 받지 않는다는 점에서 개루프이다.
개루프 훈련은 본연의 운동과 BMI 운동의 신경 표상이 유사하다는 가정을 기반으로 한다. 그러나 생물학적 팔을 제어하는 ？？것과 비교하여 BMI에서 사용자는 전형적인 촉각 또는 고유 감각 피드백이 없이 시각적 피드백만 있는 상이한 역학으로 작동기를 제어하고, 제한된 뉴런 집단의 활동만이 직접 운동을 유도한다. 이러한 차이점을 고려할 때, 폐루프 제어 관점은 신경 표상이 두 경우에서 동일 할 필요는 없음을 예측한다. 이것은 폐루프 BMI 동작 동안 디코더를 훈련(적응)하는데 동기를 부여하는데, 이는 종종 폐루프 디코더 적응이라고 불린다. 이 접근법에서 사용자가 지시 된 시각적 목표를 향해 작동기를 제어함에 따라 디코더 파라미터는 생성 된 신경 활동 및 이동 의도(일반적으로 속도 의도)를 사용하여 간헐적으로 또는 지속적으로 시간에 맞춰 조정된다. 이 접근 방식은 BMI 성능을 크게 향상시켰다. 최근의 연구에 따르면, 더 빠른 디코더 적응 시간-스케일은 숙련 된 제어를 위한 더 빠른 수렴을 가져옴을 보여주었다. 예를 들어 포인트-프로세스 적응 디코더를 사용하여 모든 스파이크 이벤트마다 파라미터 업데이트를 가능하게 함으로써 더 빠른 제어를 이루었다.
디코더 적응의 한 가지 주요 질문은 디코더가 훈련되지 않고 추정 할 수 없을 때 훈련 중에 움직임 의도를 추정하는 방법이다. 폐루프 제어 관점은 의도 추정 방법의 설계를 가이드했다. 속도 의도의 방향을 추정하거나 훈련 중에 도움을 제공하기 위해 일부 연구에서는 사용자가 이동 목표를 향해 곧바로 가려한다고 상정했다. 이 접근 방식은 칼만 필터(Kalman filter) BMI의 성능을 향상 시켰다. 보다 최근의 연구는 속도 의도의 방향과 속도를 모두 추정하는 BMI의 명시적 최적 피드백 제어 모델을 구축하여 의도를 추정하였고 이는 포인트-프로세스 BMI의 성능을 향상 시켰다.
폐루프 제어 관점은 BMI에 의해 생성된 감각 운동 경로의 특성이 사용자의 제어에 영향을 줄 것으로 예측한다. 칼만 필터 내에서 스파이크를 계산하는데 사용되는 bin-width을 줄이거나 미래의 움직임을 디코딩 하는것과 같이 BMI 센서 모터 지연을 줄여서 제어를 향상시킬 수 있다. 또한 포인트-프로세스 스파이크 디코더와 결합 된 BMI 제어 속도 및 피드백 속도(제어 명령이 작동기로 전송되는 빈도 및 피드백 수신 빈도)를 빠르게 하는 것은 BMI 제어를 향상시킬 수 있다. 빠른 제어 및 피드백 속도를 제공하면서 스파이크에 필드 전위를 추가하기 위해, 최근에는 밀리 초 타임 스케일에서 이진 스파이크 이벤트를 디코딩하는 동시에 느린 시간 스케일에서 연속 필드 전위의 정보를 추가하는 멀티 스케일 디코더가 개발되었다.
2.1.2. BMI의 학습 및 신경 적응
폐루프 제어 관점은 학습으로 유도한 신경 적응과 디코더 적응을 결합하여 BMI 성능을 향상시킬 수 있는 가능성을 강조한다. BMI를 제어를 위한 학습은 신경 적응에 관련되며 감각과 보상 피드백에 의해 구동되고 성능을 향상시킬 수 있다. 초기 연구는 매일 디코더 재교육에서 이러한 개선을 관찰했다. 이후의 연구는 동일한 뉴런의 활동을 여러 날에 걸친 움직임에 매핑하는 고정 디코더로 동물 연습을 대신했다. 이것은 숙련 된 BMI 제어와 다른 디코더 학습으로부터의 간섭에 저항적이고 선천적인 모터 기술 획득의 특성과 유사하게 빠르게 리콜 된 움직임의 매우 안정적인 신경 표상 형성의 통합으로 이어졌다.
그러나 시간이 지남에 따라 안정적인 뉴런 세트를 유지하는 것이 어려울 수 있으며 고정 디코더가 학습에 시간이 오래 걸릴 수 있다. 주된 문제는 기술을 습득을 위해 가능한 느린 시간 스케일에서 신경 적응을 수행하면서 고성능으로 빠르게 구현하는 디코더 적응을 통합 할 수 있는지 여부입니다. 최근의 연구는 변화하는 신경 집단의 변화에서도 디코더 적응에 의해 초기 디코더에 대한 대부분의 성능 개선이 달성 되더라도, 신경 적응이 여전히 발생할 수 있으며 개선되고 숙련된 성능을 가능하게 한다는 것을 발견했다. 이 연구는 디코더와 기록된 뉴런의 갑작스런 변화보다는 점진적인 변화가 디코더 적응에서 기술이 형성되는 이유이며 이것이 두 적응 프로세스에 관여하는 하나의 방법 일 수 있다는 가설을 세웠다.
2.2. 제어 및 학습의 신경 메커니즘을 연구하기 위한 모터 BMI
BMI는 어느 뉴런이 움직임을 직접 제어하는지 특정하고 신경 활동에서 움직임까지의 맵을 설계하고 디코더를 통한 작동기 역학을 지시하고 시각 및 자기 수용(proprioception)과 같은 다른 감각 피드백 양식을 분리함으로써 단순화된 감각 운동 루프를 생성한다. 따라서 BMI는 제어 및 학습 메커니즘을 연구하기 위해 루프 내의 각 요소를 정확하게 조작 할 수 있다.
2.2.1. BMI 학습 메커니즘
BMI는 디코더에서 직접 움직임을 유도하는 출력 뉴런의 활동과 다른 감각 운동 영역과의 상호 작용이 교란되거나 완전히 새로운 디코더를 학습하기 위해 어떻게 변경되는지 연구 할 수 있게 해준다. 디코더 조작은 BMI 학습을위한 두 가지 잠재적인 신경 메커니즘을 보여 주었다. 첫째, 학습은 행동 목표를 달성하기 위해 디코딩된 움직임 (즉, 뉴로 피드백)의 피드백을 기반으로 개별 출력 뉴런의 레벨에서 활동을 직접 변경할 수 있다. 둘째, 학습에는 선천적인 운동과 관련된 기존의 신경 활동 패턴 레퍼토리를 탐색한 다음 새로운 운동 의도와 다시 연관시키는 것이 포함될 수 있다. 가장 큰 차이점은 전자는 새로운 신경 표상을 생성 할 수 있지만 후자는 불가능하다는 점이다.
여러 연구가 첫 번째 메커니즘과 일치한다. 대상은 출력 뉴런의 활동과 행동 사이에서 완전히 임의의 매핑을 배울 수 있다. BMI 학습은 인근 뉴런과 비교하여 출력 뉴런의 다른 활동 변화로 이어질 수 있습니다. 마지막으로, BMI 학습은 출력 대뇌 피질 뉴런에 특이적인 피질선조체의 상호 작용 변화를 포함한다.
또한 다른 여러 연구가 두 번째 메커니즘을 지지해 준다. 디코더 내에서 모터 피질 뉴런의 방향성 동조를 교란시키고 전체적인 시각운동성 회전을 생성 할 때, 신경 표상의 변화의 대부분은 재조준 ？？전략에 의해 설명 되었다. 기존의 활동 패턴은 이제 다른 회전 된 목표 위치로 이동하는 것에 일치했다. 또한, 부분적인 도달 지역에서, 재 조준에 의해 충분히 설명 된 바와 같이, 학습 동안 출력 뉴런 및 인근 뉴런의 활동의 변화는 서로 연관성을 보여준다. 최근 연구는 차원 축소를 사용하여 고차원 인구 활동 (각 차원이 하나의 뉴런에 해당)이 진화하는 고유한 저 차원 매니폴드(manifold)를 찾기 위해 M1의 인구 수준에서 학습을 조사했다. 교란 된 활동 패턴이 원래의 고유 매니폴드 외부와 비교하여 내부에 존재할 때 교란 된 디코더를 제어하는 ？？학습이 더 쉬웠으며, 이는 학습이 기존의 신경 레퍼토리에 의해 형성됨을 시사한다. 또한, 이 매니폴드 내에서, 대상들은 기존의 활동 패턴을 다른 움직임 의도와 재 연관함으로써 학습했다. 재 연결로 이어지는 변경은 예를 들어 입력을 변경하여 M1의 상위에서 발생할 수 있다.
두 가지 학습 메커니즘이 일치하지 않는 것처럼 보일 수 있지만, 시간 범위가 다르더라도 서로 발생할 수 있다는 증거가 있다. 학습이 1-2 시간 이내에 일어날 때 기존의 신경 레퍼토리 재 연관이 관찰되었으며, 이는 모터 적응의 기본 메커니즘과 일치한다. 이에 비해, 개별 출력 뉴런의 활동에 대한 차등적인 변화는 기술 습득의 기본 메커니즘과 일치하는 더 긴 시간 단위의 학습을 포함 할 수 있다. 이전의 연구에 따르면 적응 및 기술 과제에서 본연의 운동 학습은 모델 기반 및 모델-프리 계산 메커니즘에 의해 각각 좌우된다. 모델 기반 메커니즘에서 모터 성능의 향상은 환경의 내부 모델에 의해 결정된다. 내부 모델은 모델 예측과 모터 명령의 실제 감각 결과 사이의 오류 경험을 기반으로 학습된다. 반대로, 모델-프리 메커니즘은 시행 착오를 통해 어떤 결과가 성공적인 결과를 이끌어 내고 속도가 더 느린지를 학습함으로써 제어 명령의 선택을 직접 가이드 한다. 모델 기반 메커니즘은 모델-프리 메커니즘과 달리 계산이 복잡하지만 유연하다. 유사한 계산 메커니즘이 BMI 학습의 기초인지 여부를 조사하는 것이 중요하다. 예를 들어, 기존의 신경 레퍼토리 재 연관은 모델 기반 메커니즘과 더 일관성이 있으므로 더 빠르며 개별 뉴런 학습은 기술 작업과 관련된 모델-프리 메커니즘과 더 일치한다.
2.2.1. 피드백 및 제어 경로 조작
BMI는 조작 및 학습에서 감각 피드백을 조절함으로써 이들의 역할을 연구하는 데 도움을 줄 수 있다. 최근 BMI 연구는 속도-독립적인 포인트-프로세스 디코더를 사용하여 디코더를 변경하지 않고 제어 및 피드백 속도를 독립적으로 조작했다. 피드백 속도가 변경되지 않은 경우에도 제어 속도를 높이면 제어가 크게 향상되고 피드백 속도를 높이면 제어가 더욱 촉진되었다. 이는 선천적인 모터 제어에서 제안 된 것처럼 BMI의 내부-모델-기반 피드포워드 및 피드백 제어 전략의 하이브리드를 제시해 준다. 또 다른 연구는 신경 활동 내에서 BMI 제어의 내부 모델에 대한 증거를 제시했으며, 이는 감각 피드백 지연을 보상 할 수 있다.
BMI는 시각 및 고유 수용 피드백의 역할을 분리 할 수도 있다. 한 연구에 따르면 팔이 BMI 운동에 따라 수동적으로 움직일 때 시각적 피드백에 고유 한 표현력을 추가함으로써 성능이 향상된다. 최근의 연구는 근육 또는 척추 자극을 갖는 본연의 사지의 BMI 제어를 보여 주며, 이는 또한 제어 경로를 조작 할 수 있게 한다.
3. 맺음말
BMI는 기능 복원 및 과학적 발견을 위한 도구 역할을 하는 폐루프 제어 시스템을 만든다. 동물 모델 및 파일럿 임상 시험에서 지난 20 년에 걸친 광범위한 작업은 마비 된 환자에게 기능을 복원하고 신경 제어 및 학습 메커니즘에 대한 이해를 증진시키는 데 모터 BMI의 잠재력을 입증했다. 정서적 처리, 폐루프 제어 원리 및 최근 개발을 탐구하는 심리학 및 신경 이미징 분야의 모터 BMI로부터 얻은 통찰력을 사용하여 BMI를 신경 정신 장애의 새로운 경계로 확장하는 길을 마련하고 있다.
4. 참고 문헌
1 Shanechi, M. M. Brain-machine interfaces from motor to mood. Nat Neurosci 22, 1554-1564, doi:10.1038/s41593-019-0488-y (2019).