레이블 없는 데이터를 활용한 일반화 가능한 신경 활동 해독 모델

핵심 요약

• 무엇을 · 뇌-컴퓨터 인터페이스와 같은 신경 기술에 필수적인 신경 해독 모델의 성능을 향상시키기 위한 새로운 학습 프레임워크 'MOJO'를 제안합니다. MOJO는 신경 데이터를 스파이크 수준에서 토큰화하는 모델에 자기 지도 학습(SSL)과 지도 학습(SL)을 결합하여 적용합니다.
• 어떻게 · MOJO는 마스크드 오토인코딩(masked autoencoding)을 통한 자기 지도 학습과 기존의 지도 학습 목표를 동시에 활용합니다. 이를 통해 레이블이 없는 데이터도 학습에 사용할 수 있도록 합니다. 이 프레임워크를 원숭이의 운동 피질 데이터와 쥐의 시각 및 의사결정 관련 다중 영역 기록 데이터, 그리고 사람의 언어 관련 뇌파 데이터에 적용하여 평가했습니다.
• 결과 · MOJO는 순수하게 지도 학습으로만 훈련된 모델보다 우수한 성능을 보였습니다. 특히 레이블된 데이터가 제한적일 때, 즉 소량의 레이블 데이터만으로 새로운 세션에 미세 조정할 때 성능 향상이 두드러졌습니다. 또한, 자기 지도 학습을 통합하면 더 해석 가능한 신경 표현을 얻을 수 있어, 뇌 영역 분류 및 스파이크 통계 예측 성능도 향상되었습니다. 스파이크 데이터뿐만 아니라 사람의 뇌파 데이터에도 적용 가능하며, 연속 신호에 특화된 신경 기반 모델(NFMs)과 유사한 성능을 달성했습니다.

왜 중요한가

기존 신경 해독 모델은 레이블된 데이터에 의존하여 학습이 제한적이었지만, 이 연구는 레이블 없는 데이터를 활용하여 모델의 일반화 능력과 성능을 크게 향상시킬 수 있는 길을 제시합니다. 이는 실제 신경 기술 개발에서 데이터 확보의 어려움을 극복하는 데 기여할 수 있습니다. 특히, 제한된 레이블 데이터 환경에서 강력한 성능을 보여줍니다.

실생활·산업 영향

뇌-컴퓨터 인터페이스(BCI)의 정확도와 견고성을 높여, 마비 환자의 의사소통 및 제어 능력을 향상시킬 수 있습니다. 또한, 신경과학 실험에서 뇌 활동 분석의 효율성을 높이고, 다양한 종과 뇌 신호 유형에 걸쳐 적용 가능한 유연한 신경 기반 모델 개발에 기여할 수 있습니다.

한계·주의

초록에 명시된 구체적인 한계점은 없지만, 'NFMs'와 '비교 가능한 성능'을 언급한 것으로 보아, 특정 최첨단 NFMs보다는 여전히 개선의 여지가 있을 수 있습니다. 또한, '일반화' 능력을 강조하지만, 모든 종류의 신경 데이터와 작업에 완벽하게 일반화될지는 추가 연구가 필요합니다.