기계 학습(ML) 및 딥 러닝(DL)을 통해 얻을 수 있는 이점

우리는 과학적 발전과 발견의 기회가 데이터 저장 및 공유 용량에 의해 덜 제약받는 "빅 데이터" 시대에 진입했습니다. 대신, 기술 및 과학적 혁신은 이용 가능한 가득한 데이터를 신속하고 효과적으로 사용하는 능력에 의해 더 많은 제약을 받고 있습니다. 이러한 관점에서 더욱 강력하고 정교해진 AI 모델링 시스템은 실시간 데이터 처리 기능을 사용하여 가장 복잡한 데이터 세트라도 정교한 알고리즘으로 정제할 수 있음을 증명합니다.

신경과학 및 AI

이러한 알고리즘과 모델은 인간의 정신 과정을 이해하고 이에 더 잘 대응하고자 하는 신경과학자들과 연구자들에게 특히 유용한 것으로 입증되고 있습니다.

그 활용 분야는 무궁무진합니다. 얼굴 인식 기술을 통한 더 나은 마케팅 및 사용자 경험 제공부터 개인의 인지 부하 관리에 있어서의 효율성 향상에 이르기까지 그 쓰임새가 다양합니다.

특히 EEG 및 뇌 연구 전문 기업인 Emotiv는 뇌 연구 수행 비용을 낮추는 동시에 데이터 수집 및 분석 효율성을 높여 ML과 DL의 위력을 입증해 보였습니다. 결과적으로 이는 개인, 교육 및 학술 커뮤니티, 소비자 연구 등의 활용 방안을 탐색하는 기업들에 대한 EEG의 유용성을 획기적으로 향상시켰습니다.

인공지능, 기계 학습 및 딥 러닝

AI는 서서히 하지만 확실하게 이전 세대가 상상조차 할 수 없었던 애플리케이션으로 스며들어, 연구 비용 장벽을 낮추고 미래의 기술 혁신을 향한 더 빠른 길을 닦고 있습니다.

EEG 기술 분야만큼 이 변화가 뚜렷하게 나타나는 곳은 없습니다. 진보적인 ML 및 DL 모델링을 통합함으로써 신경과학자들은 여러 분야, 특히 뇌-컴퓨터 인터페이스 시스템과 감정 인식 분야에서 막대한 잠재력을 발현시키고 있습니다.

EEG 데이터를 이해하는 데 있어 AI 모델의 현재 상태를 이해하려면 몇 가지 개념을 서로 구분해야 합니다. "인공지능", "기계 학습", "딥 러닝"이라는 용어는 자주 혼용되어 사용되지만, 이들을 구분하는 중요한 뉘앙스의 차이가 존재합니다.

인공지능

창의적인 인류가 언젠가 기계도 인간처럼 생각하도록 학습될 수 있다는 점을 처음 깨달았을 때, 인공지능(Artificial Intelligence)이라는 용어가 탄생했습니다. AI는 기계 학습과 딥 러닝을 비롯한 여러 하위 분야를 포괄합니다.

기계 학습

기계 학습은 복잡한 알고리즘을 개발하기 위해 데이터 뱅크를 사용해 훈련하는 AI의 하위 분야 또는 한 갈래입니다. 이렇게 만들어진 알고리즘은 이후 새롭거나 샘플 데이터에 대한 정확한 예측을 수행하고, 매우 정밀한 데이터 분류 시스템을 개발하며, 이 과정에서 과학자들이 장비의 도움 없이는 실질적으로 규명하기 어려웠을 패턴과 통찰력을 발견하는 데 도움을 줍니다.

딥 러닝

딥 러닝은 학습 및 훈련 과정의 더 많은 측면을 자동화하여 기계 학습을 한 단계 더 발전시킨 것입니다. 딥 러닝 알고리즘은 텍스트나 이미지처럼 구조화되지 않은 데이터 세트를 디코딩할 수 있어 인간의 개입을 훨씬 덜 필요로 합니다. 이러한 이유로 딥 러닝은 "확장 가능한 기계 학습(scalable machine learning)"으로 설명되기도 합니다.

EEG의 역사적 한계 및 과제: AI의 필요성

인간의 뇌에는 약 1000억 개의 뉴런이 존재합니다. 이러한 뉴런들과 각각의 시냅스 연결 사이의 복잡한 관계를 완전히 규명하려면 막대한 양의 뇌 데이터를 총체적으로 파악하는 능력이 요구됩니다. 수십 년 동안 EEG 데이터로부터 신경 회로의 메타 레벨 패턴을 분리해 내는 능력은 EEG 판독 활용에 있어 주요한 제한 요인으로 작용해 왔습니다.

EEG 기술 자체는 저렴합니다. 최초의 EEG 뇌파 기록은 1800년대 후반에 생성되었으며, EEG 판독값을 수집하는 과정은 비침습적이며 비교적 단순합니다.

그러나 EEG 데이터 수집 및 분석에 본질적으로 수반되는 비용은 주로 신호 대 잡음비(SNR)가 낮은 EEG에 포착된 이물질 아티팩트를 수동으로 일일이 골라내는 수작업 노동에 기인해 왔습니다. EEG 데이터는 정교하며 비선형적(nonlinear)이고 비정상적(nonstationary)인 특성을 모두 가지고 있습니다. 또한 사람마다 고유하게 변하는 요소들도 존재합니다.

연구원들은 불필요한 노이즈를 제거하고 다양한 변수들을 모두 고려하기 위해 막대한 양의 데이터를 수동으로 전처리해야만 했습니다. 따라서 감정 인식과 같이 고도로 정교한 작업에 EEG를 활용하는 것은 꽤 오랜 기간 동안 비실용적이고 실현 불가능한 일이었습니다. 그럼에도 불구하고 연구원들은 끊임없이 시도해 왔습니다.

EEG 뇌 데이터 수집 및 분석 속도를 간소화하고 연구원들의 비용 대비 편익 장벽을 허물기 위해, 신경과학자들은 단계를 세분화하고 각각의 전략 및 기술을 개선하며 EEG 응용을 극대화하기 위해 EEG 분류 처리 파이프라인(EEG classification processing pipeline)을 개발해 왔습니다.

일반적인 5단계 EEG 분류 파이프라인

1. 데이터 전처리.

2. 분류 절차 초기화.

3. 분류기를 위한 데이터 세트 분할.

4. 새로운 데이터의 클래스 예측.

5. 테스트 데이터 세트에 대한 분류 모델 평가.

현재 EEG가 뇌 활동을 파악하는 데 가장 비용 효과적이고 유용한 방법 중 하나임에도 불구하고, EEG 데이터의 활용성은 과학자들이 뇌 데이터를 얼마나 신뢰성 있게 기록하고 효율적으로 그러한 EEG 기록을 처리할 수 있는지에 따라 여전히 제한을 받고 있습니다.

EEG의 미래: AI 및 빅 데이터 역량의 부상

"빅 데이터"라는 용어는 오늘날의 현대 기술이 데이터를 수집하고 처리할 수 있게 한 지속적으로 증가하는 데이터의 양, 속도, 다양성을 의미합니다. 빅 데이터는 신경과학계 판도를 획기적으로 바꾸고 있습니다. 간단히 말해, 우리는 수집 중인 방대한 양의 데이터를 그 어느 때보다 더 잘 활용할 수 있도록 잘 준비되어 있습니다.

분류 작업, 특히 감정 상태 감지와 관련된 작업들은 점차 이진(binary) 및 다중 레이블 분류 프로세스에 의해 처리되고 있습니다. 지도형 ML 알고리즘은 훈련 데이터를 학습하고, 모델 및 학습된 매개변수를 생성한 후, 각 데이터 세트에 해당하는 클래스 레이블을 할당하기 위해 이를 새로운 데이터에 적용합니다. 이 과정은 인간이 반복적이고 많은 시간이 소요되는 결정을 내리는 데 시간을 보낼 필요를 제거해 줍니다.

"인공지능" 또는 "기계 학습" 같은 용어를 들었을 때, 1984년 영화 터미네이터와 같이 대중문화 저작물에서 상상했던 미래 세계를 떠올리기 쉽습니다. 이러한 기술들이 일상생활 아래 깔려 있는 평범한 작업에는 너무 복잡하여 이해하기 힘들거나 가치가 없을 것이라 짐작할 수도 있습니다.

그러한 오해에 사로잡히지 마십시오

AI는 흥행 블록버스터 액션 영화나 아이작 아시모프의 1950년 소설 아이, 로봇과 같은 유명 공상과학 고전에서 원래 묘사된 것보다 훨씬 덜 복잡합니다. AI 연구를 전공하지 않은 개인조차도 현재의 AI 모델링을 이해하고 가용한 모델들을 본인들의 연구에 활용할 수 있습니다.

EEG 연구 문헌에서의 실시간 ML 및 DL 활용 사례

뇌 데이터를 해독하기 위한 ML 및 DL 알고리즘 학습 모델의 활용은 최근 몇 년 동안 크게 성장했습니다. 이는 2021년에 발표된 체계적인 고찰(systematic review)에 의해 입증되었는데, 이 고찰에서는 EEG 처리 알고리즘 개발 및 고도화를 목표로 하는 피어 리뷰(동료 평가)를 거친 연구들을 확인했습니다. 본 고찰에서 다룬 논문 중 약 63%가 지난 3년 이내에 출판된 것으로 나타나, 향후 BCI 시스템 및 ER 연구에서 이러한 모델들의 활용이 계속해서 더욱 커질 것으로 기대됩니다.

Lukas Geimen이 발표한 논문 "Machine-learning-based diagnostics of EEG pathology"에서 그와 그의 팀은 임상 EEG 분석을 자동화하기 위한 ML 방식과 그 역량을 규명했습니다. 자동화된 EEG 모델을 특징 기반(feature-based) 방식 또는 엔드투엔드(end-to-end) 방식으로 분류함으로써, 연구진은 "제시된 특징 기반 프레임워크와 심층 신경망, 즉 EEG-최적화 임시 콘볼루션 네트워크(TCN)"를 적용했습니다. 이들은 두 방식의 정확도 편차가 81%에서 86% 사이로 대단히 좁다는 점을 발견했습니다. 이 결과는 제안된 특징 기반 디코딩 프레임워크가 심층 신경망과 유사한 수준의 정확도를 보여주고 있음을 말합니다.

Yannick Roy 외 연구진이 Journal of Neuroengineering에 기재한 논문에서는 그와 연구진들이 2010년 1월부터 2018년 7월 자 사이에 발표된 DL을 EEG에 적용한 154개 논문을 어떻게 검토했는지 설명하고 있습니다. 이들 논문은 "간질, 수면, 뇌-컴퓨터 인터페이싱, 인지 및 정서 모니터링 등 다양한 활용 도메인"을 아우르고 있었습니다. 연구진은 사용된 EEG 데이터의 양이 몇 분에서 몇 시간까지 시간적 장단에 걸쳐 다양하다는 점을 관찰했습니다. 그러나 딥 러닝 모델 훈련 과정 동안 사용된 샘플들의 수는 수십 개에서 수백만 개에 이르렀습니다. 이러한 모든 데이터에서, 연구진은 딥 러닝 방식을 활용한 모든 연구에 걸쳐 딥 러닝 방식들이 기존의 전통적인 대조군 설정 방식들보다 더 정확하다는 사실을 알아냈습니다.

시각화 및 복합 분석 결과, 두 가지 방식 모두 측두엽 전극 위치에서의 델타 및 세타 밴드 파워 등 유사한 데이터 속성을 사용하고 있는 것으로 나타났습니다. Yannick Roy 외 연구진들은 현재의 이진 EEG 병리 디코더의 정확도가 임상 레이블의 불완전한 평가자 간 일치도로 인해 거의 90% 수준까지 수렴할 수 있으며, 이와 같은 디코더는 임상 EEG 전문가가 부족한 분야 등에서 이미 임상적으로 대단히 유용하다고 주장합니다. 연구진은 특징 기반 프레임워크를 오픈 소스로 제공하여 EEG 기계 학습 연구의 새로운 도구를 마련했습니다.

DL은 관련 학술 출판물이 기하급수적으로 증가하는 추세를 보이고 있으며, 이는 과학계 사이에서 이러한 유형의 처리(processing) 기법에 대한 관심이 증폭되고 있음을 보여줍니다.

Emotiv 뇌 데이터 및 EEG 장비의 차별성은 무엇인가요?

ML 및 DL 모델은 EEG 기술에서 획기적인 발전을 만들어 내고 있습니다. 시판 중인 가장 경쟁력 있는 현대식 EEG 장비 분야에서, Emotiv만큼 한계를 넘어 나아가는 기업은 없습니다.

Emotiv는 EEG 사용을 통해 신경과학계의 도약을 돕는 선구적인 생물정보학 기업입니다. Emotiv의 기술 혁신은 "마인드 머신 인터페이스", "직접 신경 인터페이스", "뇌-기계 인터페이스"로도 불리는 BCI 범주에 속합니다. 이 기술들은 지난 10년 이상 기계 학습과 훈련된 정신적 명령을 통해 인지 기능을 추적하고, 감정을 모니터링하며, 가상 및 물리적인 객체를 제어하는 데 활용되어 왔습니다.

Emotiv EEG 헤드셋 제품군에는 Emotiv EPOC Flex(32채널 EEG), Emotiv Insight 2.0(5채널 EEG) 및 Epoc X(14채널 EEG)가 포함됩니다. 당사의 고유한 알고리즘은 다음 상태들을 감지합니다.

• 좌절(Frustration)

• 흥미(Interest)

• 이완(Relaxation)

• 흥분(Excitement)

• 접속/몰입(Engagement)

• 스트레스(Stress)

• 집중(Attention)

Emotiv는 단순히 EEG 헤드셋 개발을 넘어 더 큰 상생을 만들어 가고 있습니다. 이들은 학술 연구원, 웹 개발자, 신경과학적 배경이 전혀 없는 일반 과학 애호가들까지도 활용할 수 있는 포괄적인 도구 및 제반 에코시스템 구축을 돕고 있습니다.

EmotivLABS

EmotivLABS는 개별 사용자들과 연구자들을 연결해 주며, Emotiv 뇌 데이터를 크라우드소싱할 기회를 열어줍니다.

Emotiv Cortex

Emotiv Cortex를 사용해 연구원들은 사용자가 실시간 뇌 데이터를 활용하여 고도로 개인화된 경험 및 하부 로직을 설계할 수 있는 전용 맞춤형 애플리케이션을 개발할 수 있습니다.

EmotivPRO

연구원들과 기관 연구소들은 Emotiv 장비를 EmotivPRO와 연동해 활용할 수 있으며, 이 프로그램은 EEG 데이터 빌드, 게시, 수집 및 분석을 지원합니다.

EmotivPRO는 Emotiv의 자체 클라우드 기반 분석기를 활용해 후처리 데이터의 통합 분석을 제공하므로, 연구원들이 수집한 기록 데이터 파일들을 별도로 내보내기(export)할 필요가 없습니다.

데이터 처리 파이프라인이 Emotiv의 고성능 클라우드 서버에서 이루어지기 때문에 PC 시스템 부하를 덜어주고 자원을 아끼도록 돕습니다. 이와 같은 AI 및 ML 기반 EEG 기술을 활용하면 리소스를 더 잘 보존할 수 있을 뿐만 아니라 정교한 실시간 데이터 분석 혜택도 얻을 수 있습니다. 며칠이 소요될 수 있는 고강도 연산 작업을 단 몇 분 만으로 비약적으로 단축시켜 작업 효율과 연구 성과를 극대화해 보십시오.

EEG 헤드셋과 고유한 앱 제품군을 통해 Emotiv는 사용자가 자신의 마음 속 내부 작동 원리를 터득하고 글로벌 규모의 두뇌 신경 연구 발전을 이끌 수 있도록 지원하여 기업적 사명을 공고히 다져나가고 있습니다.

다양한 학술 연구 기관들이 Emotiv의 고정밀 저비용 원격 EEG 기술에 주목하고 있습니다. 이와 유사하게 소비자 행동 분석 및 혁신 모델 개발을 목표로 하는 글로벌 테크 기업들의 신경과학 연구원들 역시 비즈니스 핵심 가치 향상을 위한 여러 실제 프로젝트 시나리오 속에서 Emotiv EEG 헤드셋과 전용 앱 도구들의 높은 가치를 경험하고 있습니다.

Emotiv에 대해 더 알아보고 싶으신가요? 여기를 클릭하여 당사 공식 웹사이트를 방문하시거나 맞춤형 데모를 신청해 보십시오.