딥 앙상블 기반 뇌-컴퓨터 인터페이스의 실시간 음성 디코딩 성능 검증

한줄 요약

뇌-컴퓨터 인터페이스(BCI)의 음성 디코딩 성능을 향상시키기 위해 딥 앙상블 방법의 실시간 적용 가능성을 검증하고, 연산 효율적인 대안을 제시한 연구입니다.

풀어야 하는 문제

기존의 뇌-컴퓨터 인터페이스 음성 디코딩은 오류율이 높아 실용적인 의사소통에 제약이 있었습니다. 딥 앙상블 방법은 정확도를 크게 향상시키지만, 실시간 테스트가 부족하고 높은 연산 자원을 요구하며, 임상 환경에서의 성능이 불분명했습니다.

접근 방법

이중 피질 내 마이크로전극 어레이를 이식한 참여자에게 딥 앙상블 방법을 적용한 최초의 폐루프(실시간) 테스트를 수행했습니다. 또한, 기준 오류율, 학습 데이터셋 크기, 앙상블 크기 등 다양한 변수에 따른 성능 변화를 분석했습니다. 마지막으로, 테스트 시점 증강(Test-Time Augmentation)을 기반으로 단일 기본 디코더만으로 작동하는 연산 효율적인 의사 앙상블(pseudoensembling) 접근법을 도입했습니다.

결과·기여

대용량 어휘 과제에서 단어 오류율이 33.7%에서 26.0%로 감소하는 실시간 성능 향상을 달성했습니다. 다양한 임상적 제약 하에서의 성능과 자원-정확도 트레이드오프를 체계적으로 평가했습니다. 제안된 의사 앙상블 방법은 앙상블의 정확도 이점을 유지하면서 연산 부담을 크게 줄여, 실제 임상 도입 가능성을 높이는 실질적인 기여를 했습니다.