|
|
여기에 각국에서 시행중인 재난망 주파수 20MHz를 가미하면 사실상 막을 방법이 없습니다.
인구통제와 빅브라더가 그림자정부의 목적입니다. 백신을 접종안할수도 없는 노릇이고 막을 방법이 없습니다.
2011년도에 BCI시스템 기술동향 발췌글입니다.
pdf로 작성되있구요.네이버에 아크로벳리더 다운설치하셔서 열어보시면 잘 열립니다.
42 특집원고 뇌-컴퓨터 인터페이스 시스템의 원리 및 기술 동향
뇌-컴퓨터 인터페이스 시스템의 원리 및 기술 동향
광주과학기술원 안민규*․전성찬**
1. 서1)론
고대 시대부터 지속적으로 관심 받아온 인간의 뇌는
신비의 베일에 싸여 좀처럼 이해되기 어려운 영역이었
으나 1900년대 들어 발달된 의료 영상 기법들(X-ray,
MRI, fMRI, PET, SPECT 등)은 인체의 신비 뿐 아니
라 뇌에 대한 학자들의 이해 증진에 지대한 역할을
하고 있다. 특히, 1929년 독일의 한스에 의해 개발된
뇌전도(Electroencephalography: EEG)와 1968년 MIT의
Cohen 교수에 의해 주도된 뇌자도(Magnetoencephalography:
MEG) 기술은 역동적으로 빠르게 변화하는
뇌기능을 측정할 수 있도록 도와주었다. 최근 들어 20
세기 말로부터 급격히 발전해온 IT기술과 뇌과학의 융
합으로 뇌공학의 르네상스가 시작되고 있다. 기업에
서는 뉴로 마케팅이라는 분야를 통해 뇌에서 나타나
는 제품에 대한 선호도를 조사해 제품 개발에 이용하
고 있으며, 기아 자동차의 ‘K7’처럼 직접적으로 제품
의 이름마저[1] 뉴로마케팅을 통해 정하는 예도 있다.
2008년 미국 공학한림원에서는 이미 ‘온 인류의 삶의
질 향상을 위해 해결되어야 할 21세기의 14가지 공학
적 도전과제’로 뇌 역공학을 선정하였고[2], 2000년대
초반부터 MIT Technology Review와 New York Times,
Business 2.0 등에서도 뇌-컴퓨터 인터페이스 기술을 21
세기 8대 신기술 중의 하나로 선정하였다. 미국은 ‘뇌
연구 10년’(Decade of Brain)을, 유럽은 ‘유럽의 뇌 연
구 10년’(European Decade of Brain), 또한 일본에서는
21세기를 ‘뇌의 세기’(Century of the Brain)로 각기 발
표하면서 뇌 연구에 대한 박차를 가하고 있으며, 우리
나라도 최근 뇌과학/공학 프론티어 사업 및 국립 뇌
공학 연구소 설립을 고려하는 등 세계적인 뇌 공학연
* 학생회원
** 정회원
†본 연구는 지식경제부 지원 대학 IT 연구센터 육성지원사업(NIPA-
2011-C1090-1131-0006)과 한국연구재단 기초연구사업(NRF-2010-
0006135)의 지원으로 수행하였습니다.
구 흐름에 합세하는 추세이다. 이러한 뇌 공학에서 최
근 활발하게 연구되고 있는 분야중 하나는 뇌-컴퓨터
인터페이스이다. 연구자에 따라서는 뇌-기계/로봇 인터
페이스(BMI: Brain Machine Interface)로 불리기도 하
지만, 통상 BCI(Brain Computer Interface)라고 불린다.
1970년대 UCLA의 연구팀에[3] 의해 처음 언급된 BCI
기술은 어느덧 40여년의 시간이 지나 공상과학영화의
소재거리에서 벗어나, 실제 다양한 뇌훈련 프로그램
및 뇌게임, 감금(locked-in) 환자의 의사소통 수단 활
용 등의 결과들이 발표 되고 있다[7,9]. 이미 환자용 워
드프로세서가 상업적으로 시판되고 있으며[4], 최근 원
숭이가 생각만으로 원격지의 기기를 조종했다거나 로
봇팔을 움직여 먹이를 먹었다는[5,6] 기사들이 나오면
서 더욱 그 관심이 높아져 가고 있다. 본 논문에서는
환자들에게는 새로운 의사소통 수단이 되며, 일반인
에게 엔터테인먼트 또는 교육용으로 활용될 수 있는
BCI 기술의 시스템 구성과 작동 원리 및 국내외 동향
에 대해서 소개하고자 한다.
2. BCI 시스템의 이해
2.1 시스템 구성
BCI 시스템은 기본적으로 다음과 같이 구성된다. 측
정된 신호는 먼저 잡음 제거, 채널 선택, 주파수 및 시
간 영역 선택 등의 전처리 과정을 거친 후, 특징 정보
추출단계를 통해 시스템이 사용자의 의도나 상태를 예
측하는데 사용될 수 있는 정보를 추출하고, 그런 정보
를 바탕으로 빠르게 의도 및 상태 분석의 결과를 내는
분류단계를 거친다. 그리고 분석된 사용자의 의도, 상
태를 통해 컴퓨터 및 기계를 조정하거나 혹은 사용자
에게 다양한 모달리티를 활용하여 직접적으로 피드백
을 주기도 한다[7]. 대부분 그림 1과 같은 흐름 내에
서 시스템이 존재하며, 시스템에 따라서 학습단계가
필요하지 않은 경우도 있지만, 대체로 그림 1에서와 같
이 학습 단계와 피드백 단계로 구성된다. 피드백은 마
특집원고
2011. 4 정보과학회지 43
그림 1 BCI 시스템의 기본적인 흐름
우스 커서 컨트롤, 휠체어 운전, 로봇팔의 제어 등 다양
할 수 있다.
이러한 BCI 시스템의 측정 방법에 따라 침습식(두
개강내뇌파 ECoG, 국소장전위 LFP, 마이크로전극 ME,
마이크로전극배열 MEA) 혹은 비 침습식(뇌전도 EEG,
뇌자도 MEG, 양전자단층촬영 PET, 근적외선분광 NIRS,
기능적자기공명영상 fMRI) 방식이 있으며, 두 방식은
각기 장단점을 가지고 있다. 침습 방식은 두피를 뚫고
뇌 피질 혹은 뇌 안에서 직접 신호를 측정하기 때문에
센서의 생체적합성이 중요한 사항이 된다. 이는 신호
의 질과 시간/공간 해상도가 뛰어나다는 장점이 있기
는 하지만, 센서의 생체적합성 및 장기간 이식되어도
문제가 되지 않는 디자인과 재질 그리고 신경조직을
상하지 않으면서 저 전력과 무선으로 동작 할 수 있는
전극에 대한 연구가 요구 된다. 이에 반해, 비 침습식
은 잡음 문제가 있어 신호의 질이 떨어지지만, 인체에
무해하고 준비과정이 복잡하지 않기 때문에 선호 되
고 있다. 2007년 기준 BCI 관련 SCI 등재 총 논문 편수
의 78%는 비 침습법에 대한 연구이었다[8]. 또한 g.tek
에서 실시한 BCI Award 2010에 제출된 57건의 연구
결과 중 특히 비 침습식인 뇌전도(EEG)를 활용한 BCI
가 75.4%를 차지하여[9], 현재 세계적으로 뇌전도 기
반 BCI연구가 가장 활발함을 보여주고 있다. 이는 뇌
전도가 상대적으로 값이 싸고 시간 분해능이 뛰어나며
시스템이 작아 이동이 용이하기 때문인 듯하다. 최근
에는 간단하고 편리한 디자인[10-12]과 무선 전송 기
능을 추가한 소형 뇌전도 제품들이 시장에 나오고 있
어, 다른 고비용 기기에 비해 저렴한 비용으로도 BCI
연구 수행이 가능해 지고 있다.
2.2 명령패러다임
현재까지 개발된 BCI 시스템은 직접적으로 사용자
의 생각을 읽어 내는 것이기 보다는, 간접적으로 사용
자의 기 측정된 특정 의도에 기반을 둔 생체신호의 특
징을 기계학습법(machine learning)으로 추출하여 분류
기를 만든 후, 만들어진 분류기를 사용해 실시간 측정
생체신호로 부터 사용자의 특정 의도를 추정하는 것
이다. 물론 궁극적으로 개발되어야 할 BCI 시스템은
영화에서처럼 사람의 생각을 스캔하듯이 읽을 수 있는
것이 되어야 하겠지만, 현재의 기술은 그러한 직접적
인 방식보다는 간접적으로 뇌파의 패턴 특성으로 부
터 정보화를 통한 명령전달 방식을 꾀하는 경우가 대
부분이다. BCI연구의 초기에는 바이오피드백과 같이
수일에서 많게는 수년까지 훈련을 하여 사람이나 동
물이 자신의 뇌파를 조절할 수 있는 방식을 사용 되
어 왔다. 특히, Birbaumer[13] 등의 연구팀은 특정행동
의 준비나 인지과제에 따라 조절이 되는 서파의 일종
인 Slow Cortical Potential(SCP)을 활용한 실험에서 사
용자의 자발적인 뇌파 조절을 통해 장문의 글을 쓸 수
있었다는 연구 결과를 발표 하였다. 하지만 그 실험에
서 장문의 글을 쓰기 위하여 장장 16시간이(0.5char/
min) 소요 되었는데, 이처럼 자발적인 뇌파 조절 훈련
을 통한 방식은 훈련시간이 오래 걸리고 모든 사용자
에게 성공을 보장하지 못한다는 점이 난제이다.
따라서 명령패러다임으로는 현재 구분이 명확한 조
건들에 대한 뇌파의 확연한 차이를 이용하려는 시도
가 많이 이루어지고 있는데, 표 1은 BCI 연구에서 사
용되고 있는 명령패러다임의 분류를 나타낸다. 크게
4가지로 나눌 수 있으며, 각 방식에서 어떤 자극이나
상상을 사용하느냐에 따라서 더 세부적으로 나뉠 수도
있지만, 근본적으로 4가지 방식 안에 대부분의 BCI
명령 패러다임이 포함된다. 특히 요즘은 P300을 이용
한 BCI와 움직임의 상상을 이용하는 SMR BCI가 가
장 많이 연구되고 있는데[9,14], P300을 이용한 BCI는
가장 빠른 정보전달량(총전달정보량/소요시간(bit/min)
으로 표현되며 시스템의 정확도와 소요시간으로 산정
[15], 혹은 분당 처리 할 수 있는 문자수(char/min)로
변환하여 표기하기도 한다. 영어로는 ITR(information
transfer rate)라고 표기한다)을 가지는 것으로 보고되
고 있다. 보통 3×3 혹은 6×6 등과 같이 칸들로 구성되
는 화면에서 사용자가 특정 칸을 주목할 때 각 칸 혹
은 행, 열 단위의 깜빡임을 이용하여 이에 대한 P300
신호의 문턱치를 정상상태와 비교하여 사용자가 원하는
명령을 알아내는 식이다. 물론 SSVEP를 이용한 BCI
도 빠른 자극 제시로 사용자가 원하는 명령을 알아 낼
수 있지만, P300에 비하여 SSVEP는 각 칸마다 다른
형태의 자극특성을 준다는 것이 쉽지가 않기 때문에
자극종류의 개수가 상당히 제한적이게 된다. SMR BCI
는 이런 자극식의 BCI 시스템들에 비해 사용자가 자발
적으로 명령을 내리는 시점을 정할 수 있다는 점과 보
44 특집원고 뇌-컴퓨터 인터페이스 시스템의 원리 및 기술 동향
표 1 BCI에 사용되는 패러다임
방식 설명
감각운동리듬
(Sensorimotor Rhythms (SMR))[16]
- 신체 일부를 움직일 때 나타나는 뇌파의 변화가 움직임을 상상하는 것만으로도
비슷하게 나타난다는 것에 기초하며 ERD/ERS(Event Related (De)Synchronization)
BCI 혹은 Motor BCI 라고도 불림
- 왼손 혹은 오른손을 움직이는 것을 상상할 때 운동관련 뇌 피질에서 파워의 증
가 및 감소 현상이 나타남
- 주로 뇌 피질 상에서 관장하는 영역이 비교적 멀리 있는 왼손, 오른손, 발 혹은
혀의 움직임 상상을 사용
P300[17]
- 자극에 대한 뇌파의 변화 중 자극 후 약 300 밀리 초 뒤에 나타나는 양의 값을
P300이라 하며, 사용자가 주목하는 자극과 주목하지 않는 자극 간에 P300의 차
이가 있다는 것에 기초한다.
- 시각, 청각 혹은 촉각 자극에 대한 P300 신호들이 사용됨
정상상태유발전위
(Steady state evoked potential (SSEP))
[18]
- 제시된 자극의 특성이(예를 들어, 자극의 주파수) 뇌파에 반영되는 현상을 사용
하며, 두 가지 이상의 다른 특성을 가진 자극이 주어질 때 사용자가 집중하는 쪽
의 자극 특성이 더 크게 뇌파에 반영된다는 것을 사용함
- 역시 시각(Steady State Visual Evoked Potential: SSVEP), 청각(Auditory Steady
State Response: ASSR), 촉각(Steady State Somatosensory Evoked Potential:
SSSEP) 등의 자극이 사용될 수 있으며, 시각을 사용하는 SSVEP BCI가 활발히
연구되고 있음
고도의 정신 작업
(Higher level mental tasks)[19]
- 서로 다른 정신 작업 간에 사용되는 뇌의 영역 및 방식이 다르다는 것에 기초
- 수학연산, 길을 걷는 것에 대한 상상, 노래 부르는 혹은 음악을 듣는 상상, 글자
획수 세기 등등 다양하게 사용됨
통 움직임 상상을 이용하기 때문에 운동감각 기능의
재활에도 적용이 될 수 있다는 장점이 있다. 하지만,
긴 시스템의 훈련시간, 훈련과 실제 사용 시에 따른 뇌
파의 변형 및 상상에 따른 뇌파의 차이를 거의 드러
내지 않는 사용자들의 보고가 잇따르면서 정확도 및 안
정성에 대한 논의가 계속되고 있는 실정이다[20,21].
이밖에도 시선은 고정한 채 정신적인 집중방향을 바
꿈으로써 후두엽 부근에서 나타나는 알파파의 차이를
이용한 BCI 패러다임도[22] 소개되는 등 다른 차원의
패러다임들도 지속적으로 연구되고 있다.
2.3 BCI 적용 기술
BCI 시스템의 신호 처리를 위해서는 전처리 과정
및 특징추출 그리고 분류를 위한 알고리즘들이 필요
한데, 특히 뇌 피질과 두개골을 거쳐 두피에서 기록되
는 뇌전도의 경우 탁월하게 높은 시간 해상도에 비해
상당히 낮은 공간해상도를 갖기 때문에 두피에서 일
어나는 뇌 신호 정보의 퍼짐현상과 주변으로부터 오는
잡음(눈 깜빡임, 안면근육 움직임, 주변 환경 등) 제거
가 큰 이슈가 된다. 다른 측정 방식들(MEG, ECoG 등)
에 비하여 낮은 신호대 잡음비를 해결하기 위한 방법
으로, 센서차원의 공간필터링(Common average reference:
CAR, Large surface laplacian: Large SL, Small surface
laplacian: Small SL, Common spatial pattern: CSP)[23,24]
을 적용하거나 잡음 제거법(Principal component analysis:
PCA, Independent component analysis: ICA, Blind
source separation: BSS 등)[14,25]들을 사용하여 극복
하고자 한다. 물론 이런 방법들은 꼭 뇌전도 데이터에
만 사용되는 것이 아니라 상대적으로 높은 신호대 잡
음비를 갖는 신호라 하더라도 더 질 좋은 신호를 얻기
위하여 사용되고 있다. 특히 CSP는 SMR BCI에서 가
장 널리 사용되고 있는 알고리즘으로 그 성능은 BCI
Competition 2003[26]에서 검증 된 이후로 유수의 연
구진들이 이를 응용하여 더 나은 알고리즘 개발에 힘
을 쏟고 있다. CSP 공간 필터링은 전체 채널의 평균
시그널과 각 채널의 차를 이용하는 CAR이나 먼 거리
의 혹은 가까운 거리의 주변 채널들의 평균과의 차이
를 이용하는 Large(또는 Small) SL 공간 필터링 방법
에 비하여 수학적인 최적화방법을 사용하며, 특히 수
학적으로 간단한 행렬의 고유값 문제법으로 바뀌게 되
기 때문에 구현하기가 쉽고 2 클래스 명령패러다임에
서 강한 필터를 생성하는 것으로 알려져 있다[27]. 행
렬의 고유값 문제법은 매트랩과 같은 프로그래밍 언
어에서도 ‘eig()’ 함수와 같이 간단히 계산 할 수 있기
때문에 그 편리성과 높은 성능으로 많이 선호 되고 있
으며, 노이즈에 강하고 그 안정성 및 성능을 보다 좋
게 하기 위한 다른 방법들도 꾸준히 연구되고 있다
[28-30].
2011. 4 정보과학회지 45
그림 2 처음과 마지막 CSP 공간필터의 각 센서 채널의 가중
치(=중요도)를 그린 것으로, 첫 번째 필터는 조건1의
신호에 대한 중요한 채널을 확인 할 수 있고, 마지막
필터는 조건 2의 신호에 대한 중요 채널을 확인 할 수
있다[27]. 본 예 에서는 결과적으로, 첫 번째 필터는
오른손 상상에 대하여 중요도가 높은 센서를 표현해
주며 좌 반구 쪽에 위치한 C3 주변 채널이 중요한 것
으로 볼 수 있다. 마지막 필터는 왼손 상상에 대한 것
으로 간주하면 된다.
BCI에 사용되는 특징들은 여러 가지가 있을 수 있
겠으나, 간단하게 신호 자체의 파워값이나 기울기 등
을 이용할 수도 있고, 복잡한 신호처리 및 수학적인 알
고리즘을 통하여 주파수 도메인의 파워값(Power spectral
density: PSD), AR(Auto regressive)파라미터나 Coherence,
phase synchronization 혹은 phase locking value
(PLV) 같은 채널간의 네트워크 연결성을 표현하는 특
별한 특징을 추출 할 수도 있다[14]. 이러한 정보는 시
간, 공간 혹은 시공간 차원에서 추출하거나 아예 신호
원 영상화 방법을[31,32] 통하여 뇌에서의 원신호의 값
을 복원하여 특징을 추출하는 등 다양하게 모색이 되
고 있다. 추출된 신호는 선형 혹은 비선형 방식의 분
류기를 통하여 사용자의 의도 및 상태 등을 파악하게
되는데, 기계학습법에서 많이 다뤄지는 방법들이 주로
사용되고 있다. 기본적으로 근접거리를 이용한 분류기
(kNN, Mahalanobis distance)나 선형분류기(Linear discriminant
analysis: LDA, Support vector machine: SVM)
들에서부터 신경회로망(Artificial neural network: ANN),
Hidden Markov Model(HMM)에 이르기까지 다양한 분
류 알고리즘들이 여러 가지 BCI 시스템들에 사용이 되
고 있으며, 그 중 문턱치(Threshold)를 이용하거나 LDA
를 이용한 연구가 많다[14]. 이는 신호의 변형이 심한
뇌파 자체의 특성을 볼 때 상대적으로 작은 변화에도
민감한 다차원적인 분류기보다 간단한 선형분류기를
사용하는 것이 안정성 면에서 더 낫기 때문으로 판단
된다[33]. 세계 BCI 연구진들이 한자리에 모여 토론하
는 BCI Meeting 2005에서 BCI 시스템에 사용되는 특
징 추출 및 분류 알고리즘들의 분류표를 정리하여 발
표한 바가 있다[34]. BCI 시스템에 사용 될 수 있는 특
징들은 다양하다. 특징 채널의 선택이나 특징들 간의
정보 중복성(Redundancy)을 줄이면서 정확한 최대 정
보량을 나타내는 조합을 찾는 것이 중요하다. 이러한
특징 선택은 시스템의 정확도를 높이면서 신호의 변
화성(Variability)을 해결하여 시스템의 안정성을 높이
는 방향으로 되어야 한다. Sequential floting forward/
backward selection(SFFS or SFBS), 유전자알고리즘을
이용한 방법, Mutual information을 사용한 방법들이
소개되고 있으며 반복문을 통해 목적함수를 최적화하
여 특징을 추출하는 방법들도 있다.
2.4 극복해야 할 점들
BCI 시스템이 실용성을 가지고 실생활에 사용될 수
있기 위해서는 현재 극복해야할 여러 문제점들이 있다.
첫째, 신호의 변화성(Variability)과 기존의 패러다임
에서 알려진 뇌파 형태를 생성해내지 못하는 사용자
들에 대한 해결 방안이 있어야 한다. 이는 학습 단계와
피드백 단계 시 피험자의 내적/외적 환경변화에 기인
하여 뇌파의 형태가 달라지는 현상과 패러다임에 맞게
실험을 하여도 일관되거나 확연히 드러나는 뇌파 패턴
을 나타내지 못하는 BCI 문맹(BCI illiteracy)이라 불
리는 사용자 집단에 대한 문제이다. 이러한 사용자의
수는 SMR BCI의 경우 전체 타겟 유저의 약 15~30%
정도가 될 것으로 예상하고 있다[20]. 따라서 사용자 뇌
파에 대한 변화를 반영 할 수 있는 적응적인(Adaptive)
방식이 개발되어야 할 필요가 있으며, BCI 문맹
을 사전에 진단할 수 있는 방법들이 필요하다.
둘째, 하드웨어적인 기기의 안정성과 간소화/경량화
에 대한 문제이다. 뇌전도 측정 기기의 경우 여타 다
른 기기들(MEG, fMRI, NIRS)에 비하여 작고 휴대가
가능한 수준까지 가기는 하였지만, 아직까지도 대부분
의 연구용 장비들은 전극 풀을 사용하는 복잡한 전극
부착 과정들이 필요하며, 신호의 잡음 혼입이 쉽다는
단점이 있다. 이러한 것들을 해결하기 위해 몇몇 기업
들이 능동적(Active) 전극이나 건식전극들을 시장에 내
놓았으며, 궁극적으로는 touchless 전극의 개발까지도
연구하고 있는 것으로 보인다. 하지만 연구용이 아닌
일반인들에게 사용되기 위한 용도로 나온 제품들은 대
부분 적은 수의 전극과 연구용 제품에 비하여 떨어지
는 신호의 질 때문에 연구실에서 나온 결과와 성능
을 그대로 나타내기에는 아직 어려움이 많다. 또한 침
습법을 위한 전극들은 삽입 후 시간이 지남에 따라
microglia나 astrocyte와 같은 세포가 전극 주변에 밀도
있게 달라붙어 신호의 감도를 떨어뜨리는 Chronic res46
특집원고 뇌-컴퓨터 인터페이스 시스템의 원리 및 기술 동향
ponse와 같은 문제들이 생기는데, 이러한 생체 적합성
의 문제 해결을 통해 반영구적으로 이식이 가능한 형
태가 되어야 할 것이다. 그리고 세포 조직에 영향을 주
거나 상처를 입히지 않는 범위 내에서 그 외형을 제
작하고, 저 전력을 사용하는 방법도 강구하여야 한다.
셋째, 시스템의 정보전달량이다. 짧은 응답시간에 따
른 최대의 정확도를 내기 위하여 고성능 하드웨어, 알
고리즘 최적화가 주요 관건이다. 또한 새로운 패러다
임의 방식이나 Human Computer Interaction(HCI) 방식
이 영향을 줄 수도 있다. 즉 P300이나 SSVEP는 상대
적으로 빠른 응답시간과 클래스의 증가로 SMR BCI
에 비하여 높은 정보전달량을 가질 수 있다. 혹은 각
패러다임의 조합을 통하여 시너지 효과를 내고자 하
는 hybrid BCI에 대한 연구도 중요하다[35]. 같은 패
러다임을 사용하는 BCI 시스템이라 하더라도 시스템
이 가지는 HCI에 따라서도 정보전달량이 달라질 수
있는데 독일의 Williamson 팀에서 개발한 Hex-O-Spell
의 경우 사용자에게 보다 정확하고 편리한 방식의 HCI
를 제공함으로서 그 성능을 기존의 방식에 비하여 높
여, 숙련된 피험자로부터 최대 7.5char/min의 성능을
얻는 결과를 보여주었다[36,37].
넷째, 동기(synchronous BCI)/비동기(asynchronous
BCI) 방식에 대한 해결이다. 이것도 HCI와 관련되는
사항으로, 현재까지 주로 개발된 BCI는 명령내리는 시
점을 컴퓨터가 알고 있는 동기식이다[7]. 이러한 동기
적 BCI는 사용자가 임의로 원하는 시점에 명령을 내
릴 수 없기 때문에 시스템 사용에 어느 정도 제한을
받게 된다. 따라서 언제든지 사용자의 의도를 능동적
으로 파악할 수 있는 비동기식 BCI 시스템의 개발이
필요하며, 실제로 실용적인 시스템 개발을 위해 BCI
연구자들이 이에 대한 연구를 진행 중에 있다.
다섯째, 패러다임에 대한 사항이다. 앞에서 살펴본
것과 같이 기존의 패러다임은 사용자가 장기간 훈련을
하여 뇌파를 조절하는 바이오피드백 방식과 단기간
훈련으로도 확실히 구분이 되어 조절이 용이한 뇌파
를 나타내는 여러 조건 및 자극의 조합으로 된 패러다
임으로 나뉜다[15]. 하지만 이러한 패러다임의 적용은
일반인과 환자들에 대해 결과가 다르게 나타날 수 있
다. 예를 들어 왼손/오른손 상상 움직임을 사용하는
SMR BCI같은 경우 이미 팔을 움직이지 못하거나 팔
이 아예 없는 환자의 경우 시간이 지날수록 팔 움직임
에 대한 기억을 잊어버림으로써, 어떠한 상상을 어떻
게 해야 할지[38]에 대한 문제가 있고 혹은 상상을 한
다 하더라도 일반인에게서 관찰이 되는 뇌파 패턴이
나타나지 않을 수도 있다는 것이다. 실제로 일반인을
대상으로 좋은 성능을 보여준 BCI 시스템의 아주 적
은 수만 환자들을 대상으로 성공하였으며, 근위축성
측삭경화증(Amyotrophic Lateral Sclerosis: ALS) 환자
의 45%가 이러한 상상패러다임 명령에 있어서 인식적
장애를 가지고 있는 것으로 알려졌다[39,40]. 궁극적
으로 나아가야 할 BCI 명령 패러다임은 내부적으로
말을 하는(Internal Speech) 방식이 되어야 하겠지만, 이
에 대한 연구는 아직까지 미진한 상태이고[41], 그에
앞서 기존의 패러다임 보다 더 편리하고 사용자가 직
관적으로 사용할 수 있는 명령패러다임이 개발 되어
야 할 것이다.
3. BCI 기술의 적용 영역
BCI기술이 사용되는 적용 영역은 크게 4가지로 구
분 할 수 있는데, 바로 대화 및 컨트롤을 위한 것, 신
체 움직임에 대한 기능을 대체하기 위한 것, 엔터테인
먼트의 목적, 마지막으로 재활로 나뉠 수가 있다[37].
본 절에서는 이러한 분야에서 BCI 시스템이 어떻게 사
용되고 있는지에 대해서 알아보고자 한다.
3.1 대화 및 컨트롤
1999년 독일의 튀빙겐 대학의 TTD(Though Translation
Device)를 이용해 ALS 환자가 0.5char/min의 속도
로 장문의 메시지를 작성했다는 보고[13] 이후로 많은
연구가 이 대화 수단 및 컨트롤에 집중되어 왔고 많
은 발전이 있었다. SMR BCI 방식을 사용한 글자쓰기
실험에서 환자를 대상으로 1 har/min에서부터[42-45]
독일 그룹의 Hex-O-Spell 시스템의 최대 7.5 char/min
[36]까지 눈에 띄는 성과를 내 왔다. BCI 타자기에서
가장 활발한 연구가 이루어지고 있는 P300기반 방식에
서는 어떻게 패러다임을 수정하고 어떤 방식의 자극
을 이용하였는가에 따라 ITR이 다르다. 최대의 ITR을
얻기 위해 보통 열과 행으로 되어 있는 형태의 화면에
서 시각적인 깜빡임을 이용하여 자극을 주는 방식을
많이 사용한다. 그런 연유로 P300기반의 BCI 시스템
은 그 특성상 다른 패러다임에 비하여 굉장히 높은
ITR 성능을 보이게 되는데, 최근에 ECoG를 사용한 워
드프로세싱 실험에서 17char/min이라는 놀라운 성능
을 보여준 사례가 보고되었고[46], BCI시스템을 이용한
트위터 작성으로[47] 한때 뉴스거리를 제공했던 g.tek
사의 Intendix P300기반 워드프로세서는(그림 3) 5~10
char/min 성능을 보여준다[4]. 이러한 BCI 시스템들은
워드프로세서로써의 기능뿐만 아니라 마우스 커서의
2011. 4 정보과학회지 47
그림 3 g.tek사의 P300 기반의 워드프로세서
컨트롤[48-50], 웹서핑[51-53] 등에서도 사용되고 있으
며, 신체를 움직일 수 없는 환자들을 위한 BCI 시스
템의 적용가능성[54]을 높이는 연구가 지속되고 있다.
3.2 신체기능 대체
BCI에 관심이 있는 사람들은 원숭이가 생각만으로
로봇팔을 조종하여 먹이를 먹었다는 뉴스를 접한 적이
있을 것이다. 이 연구는 Pittsburgh 대학에서 이루어
진 것으로 영화 ‘써로게이트’의 도입부에서 해당 영
상이 부분적으로 사용되는 등 세간의 관심을 받았다.
Anderson[55]의 보고에 따르면 유럽에서만도 30만 명
의 사람들이 척수손상 중에 있고 매년 11,000명의 환
자들이 발생한다고 한다. 척수손상의 위치에 따라 움
직일 수 없는 신체 부위가 다르겠지만, 물건을 집거나
걷는 동작이 이들에게는 실생활에서 가장 불편함이
느껴지는 부분인 것 같다. 수술을 통해 끊어진 신경을
복원하는 수단이 있기는 하지만, 대부분의 경우에 있
어서 이러한 수술이 쉽지가 않고 아예 가능하지 않은
경우들도 있다. 따라서 대체안으로 사용가능한 근육
위치에서 신호를 받아 움직이고자 하는 부분의 근육
에 자극을 주고, 원하는 동작을 수행하는 기능적전기
자극(FES) 방식이 사용될 수 있다. 하지만 아예 C5위
치에서 척수 손상이 온 환자들은 어깨나 팔꿈치 같은
부분의 근육조차 사용할 수 없기에 뇌에서부터 신호
를 받아야 한다. Pfurtscheller 팀의 BCI를 적용한 FES
연구에서 척수손상 환자에게 손을 쥐는 동작을 수행
하게 하였으며[56], 몇 년간의 훈련과정을 거쳐 이 환
자는 대화를 하는 도중에도 자의적으로 동작을 수행
할 수 있는 수준까지 이르렀다. 비슷한 연구 결과들이
[57,58] 보고되면서 신체 일부를 대체할 수 있는 방안
으로써의 BCI-FES 시스템의 사용가능성을 보여 주고
있다. 이밖에도 로봇팔을[60] 사용하거나 로봇[61,62] 자
체를 조종하는 것 혹은 휠체어를[63,64] 조종하기 위한
그림 4 완전삽입식의 BCI 의수 개념도[59]
수단으로도 BCI가 사용되는데, 특히 원숭이를 대상으
로 한 몇몇 실험 중[5,6,65] Brown 대학의 Donoghue
팀은 Cyberlink라는 미국 내 회사를 설립하고 사람을
대상으로 침습식 BCI 연구하는 Brain Gate 프로젝트를
수행하고 있다[66].
3.3 엔터테인먼트
BCI 응용 연구 중 가장 실생활에 근접해 있는 영역
이 바로 엔터테인먼트이다. 안전성의 문제가 비교적
덜하고 호기심에 한번쯤 해볼 수 있는 게임 방식으로
사용해 볼 수 있으며, 간단하면서 때론 잘못된 입력값
도 허용할 수 있기 때문에, 많은 관련 업체들이 엔터
테인먼트를 위한 BCI 시스템의 상업화를 시도하고
있다. Emotiv나 Neurosky 등의 업체들이 출시한 착용
이 비교적 편한 형태의 뇌파 측정기들은 BCI가 대중
성을 띄고 많은 사람들이 한번쯤은 해볼 수 있게 하
는데 기여를 하였다. BCI를 이용한 게임들의 예는 핑
퐁게임, 자동차 경주, 팩맨 등등 다양하다[67]. 최근에
는 명령 입력 값으로만 아니라 사용자의 감정 및 인지
상태 정보를 뇌파로부터 추출하고 이를 게임에 적용
하면서 사용자와 게임이 적응적으로 플레이를 하는데
이용이 되고 있다[68,69]. 또한 감성적(emotional 또는
affective) 자극이 BCI 시스템에 대한 사용자의 성능을
향상 시킬 수 있다는[70] 결과가 발표되면서 감성적
BCI라는 분야에도 연구가 활성화 되고 있다. 가상현
실(VR)을 가미한 BCI 어플리케이션들도 연구되고 있
는데, 이는 가상현실 시스템을 통하여 사용자의 몰입
도를 높일 수 있어, BCI 시스템의 학습단계과정에서
시간의 절약과 학습의 편의성 및 효율성 향상을 가져
48 특집원고 뇌-컴퓨터 인터페이스 시스템의 원리 및 기술 동향
표 2 BCI 관련 연구그룹 및 연구내용[73]
연 구 그 룹 연 구 내 용
미국
Brown 대학, Michigan대학, Duke 대학, Utah 대학,
Washington대학, Stanford 대학, Pittsburgh 대학,
Harvard 대학, Wadsworth센터 등
침습법 BCI 연구를 주도하고 있으며, 생체전극 개발
및 사람을 대상으로 하는 BCI 연구도 수행 중
유럽
베를린 BCI팀(독일), Graz 기술 대학(오스트리아), Donder's
연구소(네덜란드), Tubingen 대학(독일), The
Santa Lucia Foundation(이탈리아), Polo Sant'anna
valdera(이탈리아), Swiss Federal 기술연구소, Center
for Sensory-Motor Interaction(덴마크), 시드니 기술
대학(호주) 등
주로 비 침습법 BCI에 대하여 다양한 BCI 패러다임 및
기계학습법을 이용한 신호처리 연구가 많고 국가 및
국가 간 대단위 프로젝트들이 진행 중임
아시아
Shanghai Institute of Brain Functional Genomics(중
국), Shanghai Jiao-Tong 대학(중국), Tsinghua 대학
(중국), Wuhan 대학(중국), ATR연구소(일본), NTT Comm.
Science(일본), Riken BSI(일본), 뇌기능 연구소(일본),
테크노스저팬, 히메지기술연구소(일본), I2R(싱가폴) 등
중국은 BCI 연구의 후발주자이나 연구수준이 선진국
수준에 도달했으며, 특히 유럽에 비하여 침습방식의
연구가 점점 더 활발하게 진행되고 있음
일본은 로봇공학의 토대위에 정상인의 일상생활에 적
용할 수 있는 비 침습 연구가 많이 되며 NTT, ATR과
같은 대규모 산업체 연계연구도 진행
올 수 있기 때문이다. 실제로 가상현실 BCI시스템의
적용으로 에러 율을 낮출 수 있었다는 보고들이 있으
며[71,72], 환자뿐 만아니라 일반사람들에게도 확장성,
실제품의 사용 전 테스트로써의 안전성, 동기부여 등
을 주는 가상현실기술의 장점들이 BCI 시스템에 직
접적으로 적용 될 수 있다.
3.4 재활치료
뇌졸중 등의 사고를 통해 얻게 되는 심각한 장애 중
의 하나는 신체를 자유자재로 움직이기가 힘들다는 것
이다. 이는 환자들의 삶의 질에 있어서 상당히 치명적
인데, 보조기구가 있다 하더라도 대부분의 환자들이
보조기구의 도움보다는 어느 정도 제한적이더라도 자
신의 신체를 직접 움직이는 것을 더 선호 한다는 측
면에서 재활치료는 꼭 필요한 의료방식이다. 하지만
신체장애를 극복하고 재활을 하려는 여러 노력과 방
법들이 있지만, 재활을 통해 신체 움직임 기능을 회복
하는 것은 그리 쉽지는 않다. 따라서 신경과학 및 뇌
의 가소성을 이용한 방법을 이용하려는 움직임들이 있
는데, 앞서 설명한 FES 방식을 통해 손가락, 손목 혹
은 어깨의 움직임에 지속적인 움직임의 연습과 더불
어 해당 근육에 전기적인 자극이 환자의 재활에 도움
이 된다[74]는 연구가 발표되면서, BCI시스템을 사용
한 FES 재활치료에도 관심이 모아지고 있다[75].
4. BCI 동향
4.1 국외 현황
세계적으로 BCI 연구는 대부분 미국과 유럽연합이
주도하고 있으며, 다양한 프로젝트들이 진행 중이다.
미국에서는 DARRPA프로젝트의 일환인 Silent Talk[76]
프로젝트가 국방부 주도로 이루어지고 있으며, 기타
연구소 및 대학에서는 침습식 BCI 연구가 활발히 이루
어지고 있다. 원숭이 실험이후로 세간의 주목을 받은
Brown 대학의 Donoghue교수는 Cyberkinetics 설립하
고, 사람을 대상으로 Brain Gate 프로젝트 진행하며,
침습분야에서 뛰어난 성과를 내오고 있다. 또한 Utah
대학의 Normann 교수팀은 수백 개의 뉴런과 통신할
수 있는 Utah 전극을 개발함으로써 장기적으로 생체적
합성 문제가 해결된 전극 개발을 위해 매진하고 있다.
비 침습분야에서는 Wadsworth센터의 BCI 연구팀이
환자들을 대상으로 한 3차원 커서 컨트롤까지 성공하
였으며, BCI 실험의 플랫폼이 되는 BCI2000 프로젝트
를[77] 통해 연구자들에게 편리한 연구 환경과 서로 다
른 시스템 사이의 호환성을 높이는 노력을 하고 있다.
유럽은 비교적 침습적 BCI 연구보다는 비 침습법이
많이 연구되고 있는데, 2012년까지 총 1,200만 EURO
를 투입하는 유럽 내 대단위 프로젝트인 TOBI(Tools
for Brain-Computer Interfaction)[78]를 통해 실생활에서
그림 5 침습식 BCI인 Brain Gate 프로젝트
2011. 4 정보과학회지 49
그림 6 국산뇌파장비(Laxtha WEEG-32)와 BCI 범용 플랫폼으로 알려진 BCI2000과의 연동 관계[88]
사용할 수 있는 보조기구 및 엔터테인먼트용의 BCI
시스템 개발을 목적으로 유럽 국가들과 협력을 하고
있으며, 매년 한 두 차례의 워크샵을 개최하여 BCI의
현 상황과 시장형성을 위한 방법론을 모색하고 있다.
유럽 내에서 특히 주목할 팀은 베를린 BCI팀과 오스
트리아의 Graz 대학의 연구팀들인데 베를린 BCI팀은
기계학습법을 적용한 다양한 BCI 신호처리 알고리즘
들을 선도적으로 개발하고 있으며, Gert Pfurtscheller
가 이끄는 Graz 대학의 연구팀은 ERD/ERS 현상의 깊
은 이해를 통해 상상 움직임 패러다임에 대한 의미 있
는 BCI 연구 결과들을 발표하며 선도적으로 다양한 패
러다임 및 어플리케이션을 개발하고 있다.
중국은 늦은 출발을 하였지만, 알고리즘 및 아이디
어의 성능을 겨루는 대회인 BCI Competition에서 꾸
준히 좋은 성적으로 상위에 랭크되고, P300 기반 BCI
시스템에 대한 선도적인 입지를 가지고 있는 칭화 대
학의 팀이 비 침습분야에서는 주목을 받고 있으며,
Shanghai 연구소와 Shanghai Jiao-Tong 대학 등이 침
습식 BCI 연구를 하고 있다.
일본에서는 ATR, NTT, RIKEN BSI과 같은 연구소
들이 뇌 공학을 기반으로 BCI 연구를 수행 중에 있으
며, 유럽과 마찬가지로 침습식보다는 비 침습식에 대
한 연구가 주를 이룬다. 실제 실생활에 적용하는 방법
과 사용자 관점에서의 다양한 연구를 하고 있고, 특히
로봇강국이라는 토대위에 BCI를 로봇 제어에 접목시
키려는 연구도 수행중이다. 지난 2009년에는 최초의
휴머노이드 로봇으로 알려진 혼다의 아시모를 ATR 연
구소와 공동으로 연구하여, 4 클래스 상상 움직임 패러
다임을 통해 사용자의 생각을 읽는 시연을 하기도 하였
다[79]. 그 외에 Singapore의 I2R사 Guan 박사가 이끄
는 BCI팀도 주목할 만한 연구 결과를 발표하고 있다.
4.2 국내 현황
국내 BCI 연구는 미국이나 유럽 등지에 비하여 아
직 초기 단계에 있으며, 2003년 전자통신연구원(ETRI)
의 연구를[80] 기점으로 연구 동향 파악 및 BCI 기술
소개 논문들이 몇 건[81-86] 있었고 외국에 비하여 BCI
연구에 특화된 학회 및 연구 활동이 크게 보이지 않
는다. 그러나 최근 한국과학기술기획평가원(KISTEP)
에서 미래 유망 10대 기술 1위에 BCI를 선정하였고,
한림대학교에서 침습식 BCI를 이용한 Super Dog 말
하는 개 맥스를 소개하면서[87] 뇌파 연구에 대한 관심
이 사회적으로도 고조가 되고 있는 실정이다. 아직은
국내 연구진의 뇌파관련 발표 저널논문이[8] 소수인
것으로 조사되어, 괄목할 만한 성과를 낸 연구실이 없
는 것으로 판단된다. 그러나 현재 국가 차원의 뇌 과학
연구의 중요성이 부각되면서, 알고리즘 및 생체신호
처리 연구실에서 BCI 연구를 소단위 혹은 대단위로 기
획해 나가고 있는 것으로 보인다. 최근 카이스트와 고
려대에서 뇌과학/공학 학과를 신설하였고, 국산 뇌파장
비(Laxtha)의 BCI 범용 플랫폼 BCI2000 연동 모듈 개
발[88] 및 BCI 관련 연구내용이나 어플리케이션의 데
모들도[8,27,89-95] 국내 학회에서 발표가 되는 것을
감안할 때, 현재 국내 BCI 연구는 점점 활성화 되고
있다고 여겨진다.
4.3 시장 현황
앞서 설명한 것처럼 Brown 대학에서 출발하여 Utah
전극을 납품하는 Cyberkinetics나 Neural Signals, Multi
Channel Systems 등의 침습 BCI용 장비를 다루는 업
체들이 있고, 그밖에는 각종 비 침습식의 뇌파 측정 기
기들을 제공하는 회사들이 대부분이다. 이들 뇌파측
정 장비 업체들 중에는 자체 연구를 통하거나 연구소
로부터 기술 이전 등을 통해 BCI 시스템으로써 환자
들에 대한 솔루션을 제공하고 있는데, 대표적으로 오
스트리아 Graz 대학 출신의 연구원이 설립한 g.tek은
관련 연구 학회 및 세계적인 IT 박람회인 CEBIT 전
시회의 지속적인 참여 그리고 BCI 연구 성과를 기리
는 BCI award competition 개최[9] 등의 노력으로 연구
자와 시장 사이의 관계를 좁히고 있다. 엔터테인먼트
50 특집원고 뇌-컴퓨터 인터페이스 시스템의 원리 및 기술 동향
그림 7 Neuro Sky의 아이폰용 XWave
용으로는 Neuro Sky가[12] 헤드셋 형태의 착용이 편
안한 뇌전도 측정 장비를 출시 및 MindSet, Uncle Milton
Force Trainer, Mattel MindFlex 등의 제품들을 시
장에 내놓았으며, 최근에는 스마트폰 인기에 가세하
여 아이폰용 뇌파 측정 시스템인 XWave를 선보였다.
스위스 기업인 Interactive Productline도 탁자 위에서 뇌
파를 통해 공을 밀어내는 게임인 Mindball을 개발하였
으며, 그 외에 Emotiv나 OCZ, Enobio 등도 엔터테인
먼트나 착용이 편리한 형태의 뇌파 측정기기를 출시
하는 등 엔터테인먼트용 BCI는 비교적 영역이 넓어져
가고 있다[96]. 연구용 뇌파 장비 분야에서는 최근 건
식 전극이나 증폭기가 전극에 바로 같이 달려있는 능
동형 전극(Active electrode)에 대한 개발이 진행되어,
g.tek, Biosemi, Brain Product 회사들이 연구용 제품들
을 선보이고 있다. 국내 뇌파관련 업체 및 시장은 크
지는 않으나 대표적으로 Laxtha가 자체 개발한 뇌파
측정 장비와 다양한 바이오피드백 소프트웨어를 (주)
뉴로메디를 통해 판매하고 있으며, 몇몇 업체들이 외
국산 뇌파장비를 수입하여 국내 연구소 및 병원 등에
지원을 하고 있다.
5. 결 론
지금까지 BCI에 대한 기본적인 구성에서부터 명령
패러다임, 적용영역, 연구 및 시장 동향을 알아보았다.
미지의 영역이었던 뇌는 최근 발달된 측정 장비와 기
술의 도움에 힘입어 조금씩 그 이해의 영역이 넓혀져
가고 있고, 이전에는 공상과학만화 속의 이야기였던
일들이 현실이 되고 있다. 기업 및 각 나라들은 이러
한 뇌 연구의 충분한 가능성을 인정하고 있고, 국내에
도 유수한 연구진들이 BCI연구에 뛰어 들기 시작하
였다. 아직 세계적으로 초기 단계에 있는 수준이기는
하지만, 신호처리 방법론이나 명령패러다임에 있어서
다른 분야의 국내 연구 수준이 뒤쳐지지 않으므로 기
존의 기술들을 BCI에 적용한다면 앞선 연구진들의 수
준을 따라잡기는 어렵지 않을 것이다. 차세대 신기술
인 BCI에 대한 국내 관심의 고조는 연구 환경조성에
긍정적인 영향을 줄 것이며, 앞으로 건립될 국립 뇌
공학 연구소는 뇌 연구의 중심축으로 국가 단위 프로
젝트 형성에도 도움을 줄 것이다. 이를 통하여 국내
BCI연구가 세계를 선도하는 시기가 다가오기를 희망
한다.
참고문헌
[ 1 ] “지름신 확 깨우는 뉴로 마케팅”, 과학동아 724호 pp.
38-42, Feb., 2010.
[ 2 ] http://www.nationalacademies.org
[ 3 ] J.J. Vidal, “Towards direct brain-computer communication”,
Annu. Rev. Biophys. Bioeng., vol. 2, pp. 157-
180, 1973.
[ 4 ] http://www.intendix.com/
[ 5 ] M.D. Serruya, N.G. Hatsopoulos, L. Paninski, M.R.
Fellows, J.P. Donoghue, “Instant neural control of a movement
signal”, Nature, Vol. 416 pp.141-142, Mar., 2002.
[ 6 ] J.M. Carmena, M.A. Lebedev, R.E. Crist, J.E. O'Doherty,
D.M. Santucci, et al., “Learning to Control a
Brain-Machine Interface for Reaching and Grasping by
Primates”, PLoS Biol 1(2): e42. doi:10.1371/journal.
pbio.0000042, 2003.
[ 7 ] Marcel van Gerven et al, “The brain-computer interface
cycle”, J. Neural Eng., Vol. 6 041001, 2009 doi:
10.1088/1741-2560/6/4/041001
[ 8 ] 임창환, “뇌파 기반 뇌-컴퓨터 인터페이스 기술의 소
개”, J. Biomed. Eng., Vol. 31, Res : 1-13, 2010.
[ 9 ] Reza Fazel, “Recent Advances in Brain-Computer
Interface Systmes: 10 State of the Art in BCI Research:
BCI Award 2010”, InTech, Feb., 2011.
[10] http://www.emotiv.com/
[11] http://www.ocztechnology.com/
[12] http://www.neurosky.com/
[13] N. Birbaumer et al., “A spelling device for the paralyzed”,
Nature, Vol. 398, pp.297-298, Mar., 1999.
[14] A. Bashashati et al., “A survey of signal processing
algorithms in brain-computer interfaces based on electrical
brain signals”, J. Neural Eng., Vol.4, R32-R57,
2007 doi:10.1088/1741-2560/4/2/R03
[15] G. Dornhege, J.R.Millan, T. Hinterberger, D.J.McFarland,
and K.R. Muller, “Toward Brain-Computer Interfacing”,
The MIT Press, 2007.
[16] G. Pfurtscheller and F.H. Lopes da Silva, “Event2011.
4 정보과학회지 51
related EEG/MEG synchronization and desynchronization:
basic principles,” Clin. Neurophysiol., Vol. 110,
pp. 1842-1857, 1999.
[17] Eric W. Sellersa, et al., “A P300 event-related potential
brain-computer interface (BCI): The effects of matrix
size and inter stimulus interval on performance”, Biological
Psychology, Vol. 73 (3), pp. 242-252, Oct., 2006.
[18] Linda van der Heiden, “Steady-state evoked potentials
for Brain Computer Interface”, 2009.
[19] M. Bensch, J. Mellinger, M. Bogdan, W. Rosenstiel, “A
Multiclass BCI using MEG”, 2008.
[20] B. Blankertz et al., “Neurophysiological predictor of
SMR-based BCI performance”, NeuroImage, Vol. 51,
pp. 1303-1309, 2010.
[21] J.J. Daly and J.R. Wolpaw, “Brain-computer interfaces
in neurological rehabilitation,” Lancet Neurol., Vol. 7,
pp. 1032-1043, 2008.
[22] Marcel van Gervena, Ali Bahramisharif, Tom Heskes,
Ole Jensen, “Selecting features for BCI control based
on a covert spatial attention paradigm”, Neural Networks,
Vol. 22, pp. 1271 1277, 2009.
[23] Benjamin Blankertz et al., “Optimizing Spatial Filters
for Robust EEG Single-Trial Analysis”, IEEE SIGNAL
PROCESSING MAGAZINE Vol. 25(1), pp. 41-56, 2008.
[24] H. Ramoser et al., “Optimal Spatial Filtering of Single
Trial EEG During Imagined Hand Movement”, IEEE
Tran. on Rehab. Eng., Vol. 8, No. 4, 2000.
[25] L. Shoker, S. Sanei and J. Chambers, “Artifact removal
from electroencephalograms using a hybrid BSS-SVM
algorithm”, IEEE Signal Processing Letters. 12:721-
724, 2005.
[26] http://www.bbci.de/competition/
[27] 안민규, 강성욱, 전성찬, “뇌전도에 기반한 뇌-컴퓨
터 연계기술 연구”, 정보통신 합동학술대회, pp. 31-
36, 2009.
[28] G. Dornhege et al., “Combined Optimization of Spatial
and Temporal Filters for Improving Brain-Computer
Interfacing”, IEEE Trans. Biomed. Eng., Vol. 53 (11),
pp. 2274-2281, 2006.
[29] S. Kang, M. Ahn,S.C. Jun, “Performances among various
Common Spatial Pattern Methods for simultaneous
MEG/EEG data”, Proc. SPIE 7500 75000X, 2009,
doi:10.1117/12.858778
[30] Sung Chan Jun, “Common Spatiotemporal Pattern”,
Proceedings of TOBI workshop 2 pp.44-45, 2010.
[31] Minkyu Ahn, Jun Hee Hong, Sung Chang Jun, “Source
space based Brain-Computer Interface”, BIOMAG2010,
IFMBE Proceedings 28, pp. 366-369, 2010.
[32] Minkyu Ahn, Hohyeon Cho, Sung Chan Jun, “Information
Extraction from the Source Space for Brain
Computer Interface”, Proceedings of TOBI workshop 2
pp.29-30, 2010.
[33] F. Lotte,M. Congedo, A. Lecuyer, F. Lamarche, and B.
Arnaldi,“A review of classification algorithms for EEGbased
braincomputer interfaces,” J. Neural Eng., Vol. 4,
pp. R1-R13, 2007.
[34] D.J. McFarland et al., “BCI meeting 2005-workshop
on BCI signal processing: feature extraction and translation,”
Neural Systems and Rehabilitation Engineering,
IEEE Transactions on , Vol.14, no.2, pp.135-138,
June 2006 doi: 10.1109/TNSRE.2006.875637
[35] G. Pfurtscheller et al., “The hybrid BCI”, Front.
Neurosci. 4:30. doi: 10.3389/fnpro.2010.00003
[36] J. Williamson et al., “Designing for uncertain, asymmetric
control: interaction design for brain-computer
interfaces”, Int. J. Hum. Comput. Stud. Vol. 67, pp. 827-
841, 2009.
[37] J. d. R. Millan et al., “Combining brain-computer interfaces
and assistive technologies: state-of-the-art and
challenges”, Front. Neurosci. 4:161. doi:10.3389/fnins.
2010.00161
[38] C. Neuper et al., “Imagery of motor actions: Differential
effects of kinesthetic and visual-motor mode of
imagery in single-trial EEG”, Cognitive Brain Research,
Vol. 25, Issue 3, pp. 668-677, 2005.
[39] K. Abe et al., “Cognitive function in amyotropic lateral
sclerosis”, J. Neurol. Sci., Vol. 148, pp. 95-100, 1997.
[40] G.A. Rippon, “An observational study of cognitive
impairment in amyotrophic lateral sclerosis” Arch. Neurol.,
Vol. 63, pp. 345-52, 2006.
[41] E. Formisano E, F. De Martino, M. Bonte and R. Goebel,
“'who' is saying 'what'? Brain-based decoding of
human voice and speech”, Science, Vol. 322, pp. 970-
973, 2008.
[42] B. Obermaier et al., “Virtual keyboard controlled by
spontaneous EEG activity”, IEEE Trans. Neural Syst.
Rehabil. Eng., Vol. 11, pp. 422-426, 2003.
[43] J. d. R. Millán et al., “Brain actuated interaction”, Artif.
Intell. Vol. 159, pp. 241-259, 2004.
[44] R. Scherer et al., “An asynchronous controlled EEGbased
virtual keyboard: improvement of the spelling rate”,
IEEE Trans. Biomed. Eng., Vol. 51, pp. 979-984, 2004.
52 특집원고 뇌-컴퓨터 인터페이스 시스템의 원리 및 기술 동향
[45] K.-R. Müller and B. Blankertz, “Toward noninvasive
brain-computer interfaces”, IEEE Signal Process. Mag.
Vol. 23, pp. 125-128, 2006.
[46] P. Brunner et al., “Rapid communication with a P300
matrix speller using electrocorticographic signals (ECoG)”,
frontiers in Neuroscience 2011, doi: 10.3389/fnins.
2011.00005.
[47] http://www.gtec.at/News-Events/Newsletter/Newsletter-
September-2010-Volume-29/articles/TWITTER-and-
Brain-Computer-Interface-BCI
[48] L.J. Trejo, R. Rosipal, B. Matthews, “Brain-computer
interfaces for 1-D and 2-D cursor control: designs using
volitional control of the EEG spectrum or steady-state
visual evoked potentials”, IEEE Trans Neural Syst
Rehabil Eng. Vol. 14(2), pp. 225-229, 2006.
[49] Y. Li , J. Long, T. Yu , Z. Yu, C. Wang, H. Zhang, C.
Guan, “An EEG-based BCI system for 2-D cursor
control by combining Mu/Beta rhythm and P300 potential”,
IEEE Trans Biomed Eng. Vol. 57(10), pp.
2495-2505, 2010.
[50] G.E. Fabiani, D.J. McFarland, J.R. Wolpaw, G. Pfurtscheller,
“Conversion of EEG activity into cursor movement
by a brain-computer interface (BCI)”, IEEE Trans
Neural Syst Rehabil Eng. Vol. 12(3), pp. 331-338, 2004.
[51] A. A. Karim et al., “Neural internet: web surfing with
brain potentials for the completely paralyzed”, Neurorehabil.
Neural Repair, Vol. 20, pp. 508-515, 2006.
[52] M. Bensch et al., “Nessi: an EEGcontrolled web browser
for severely paralyzed patients”, Comput. Intell.
Neurosci., Vol. 5, 2007, doi:10.1155/2007/71863.
[53] E. Mugler et al., “Control of an internet browser using
the P300 event-related potential”, Int. J. Bioelectromagn.,
Vol. 10, pp. 56-63., 2008.
[54] Kerry Deagle, “Critical Review: Can brain-computer
interface (BCI) systems facilitate communication in persons
with Amyotrophic Lateral Sclerosis (ALS)?”, 2010.
[55] K.D. Anderson, “Targeting recovery: priorities of the
spinal cord-injured population”, J. Neurotrauma, Vol.
21, pp. 1371-1383, 2004.
[56] G. Pfurtscheller et al. “Thought-control of functional
electrical stimulation to restore hand grasp in a patient
with tetraplegia”, Neurosci. Lett. Vol. 351, pp. 33-36,
2003.
[57] G. R. Müller-Putz et al., “EEG-based neuroprosthesis
control: a step towards clinical practice”, Neurosci. Lett.
Vol. 382, pp. 169-174, 2005.
[58] R. Leeb et al. “On the road to a neuroprosthetic hand: a
novel hand grasp orthosis based on functional electrical
stimulation”, Proc. of the 32nd Annual Int. Conf. of the
IEEE Eng. in Med. and Biol. Society, Buenos Aires.,
2010.
[59] Mikhail A. Lebedev and Miguel A.L. Nicolelis, “Brainmachine
interfaces: past, present and future”, Trends in
Neurosciences, Vol. 29, Issue 9, pp. 536-546, 2006.
[60] Johns Hopkins University Applied Physics Laboratory
(2010, August 4). Thought-controlled prosthetic limb
system to be tested on human subjects. ScienceDaily.
Retrieved March 11, 2011, http://www.sciencedaily.
com- /releases/2010/08/100804081227.htm
[61] C.J. Bell et al., “Control of a humanoid robot by a
noninvasive brain-computer interface in humans”, J.
Neural Eng., Vol. 5, pp. 214-220, 2008.
[62] L. Tonin et al., “The role of shared-control in BCIbased
telepresence”, in 2010 IEEE International Conference
on Systems, Man, and Cybernetics, Istanbul, 2010.
[63] J.d.R. Millán et al., “Asynchronous non-invasive brainactuated
control of an intelligent wheelchair”, Proc. of
the 31st Annual Int. Conf. of the IEEE Eng. in Med.
and Biol. Society, Minneapolis, 2009.
[64] R. Leeb et al., “Self-Paced (Asynchronous) BCI Control
of a Wheelchair in Virtual Environments: A Case
Study with a Tetraplegic”, Computational Intelligence
and Neuroscience, Vol. 2007, Article ID 79642, doi:
10.1155/2007/79642, 2007.
[65] PittChronicle, “Science & Technology: Monkey Uses
Brain Power to Feed Itself With Robotic Arm”, http://
www.chronicle.pitt.edu/?p=1478
[66] http://www.braingate.com/
[67] A. Nijholt, “BCI for games: a ‘state of the art’ survey”,
Proc. of the 8th Int. Conf. on Entertainment Computing,
Paris, pp. 225-228, 2009.
[68] A. Nijholt et al., “BrainGain: BCI for HCI and games”,
Proc. of the AISB Symposium on Brain Computer Interfaces
and Human Computer Interaction: A Convergence
of Ideas, Aberdeen, pp. 32-35, 2008.
[69] A. Nijholt et al. “Brain-computer interfaces for HCI and
games”, Proc. of ACM CHI, 2008.
[70] H. Bakardjian, T. Tanaka, A. Cichocki, “Emotional faces
boost up steady-state visual responses for brain-computer
interface”, Neuroreport. Vol. 22(3), pp. 121-125, 2011.
[71] R. Leeb et al., “Brain-computer communication: motivation,
aim and impact of exploring a virtual apartment”,
2011. 4 정보과학회지 53
IEEE Trans. Neural Syst. Rehabil. Eng., Vol. 15, pp.
473-482, 2007.
[72] R. Ron-Angevin, A. Diaz-Estrella and F. Velasco-
Alvarez, “A two-class brain computer interface to freely
navigate through virtual worlds”, Biomed. Tech., Vol.
54, pp. 126-133, 2009.
[73] 송종인, “해외기술정보사업 : 뇌 기계 인터페이스
(Brain Machine Interface)기술”, 2009.
[74] Y. Hara, “Neurorehabilitation with new functional electrical
stimulation for hemiparetic upper extremity in
stroke patients”, J. Nippon Med. Sch., Vol. 75, pp. 4-
14, 2008.
[75] Fei Meng et al., “BCI-FES training system design and
implementation for rehabilitation of stroke patients”,
IEEE Int. Joint Conf. on Neural Networks, pp.4103-
4106, 2008, doi: 10.1109/IJCNN.2008.4634388.
[76] DARPA Silent Talk project, http://wn.com/darpa_
silent_talk
[77] http://www.bci2000.org/BCI2000/Home.html
[78] http://www.tobi-project.org/
[79] http://www.gizmag.com/honda-asimo-brain-machine-
interface-mind-control/11379/
[80] 류창수, “뇌파 기반 휴먼 인터페이스 기술에 관한 연
구”, 전자통신연구원, 2003.
[81] 최종원, “뇌-컴퓨터 인터페이스(BCI)기술 동향”, 특
허정보원, 2003.
[82] 음태완, 김응수, “뇌파기반 뇌-컴퓨터 인터페이스 기
술”, 정보과학회지 제22권 제2호, pp.5-19, 2004.
[83] 김종성, 김홍기, 정혁, 김기홍, 인선희, 손욱호, “생체
신호 기반 사용자 인터페이스 기술”, 전자통신동향
분석 제20권 제4호, 2005.
[84] 신정훈, 서은미, “BCI기반 Entertinic 기술개발 동향”,
전자공학회지 제34권 6호, pp. pp.679-690, 2007.
[85] 이상민, “BMI 시스템 기술 현황”, 전자공학회지 제
34권 9호, pp.51-60, 2007.
[86] 이명호, “신경보철을 위한 EEG 기반의 뇌 컴퓨터 접
속 의료기기 평가방법 개발 연구”, 2009.
[87] 신형철, “뇌-기계접속 장치 개발”, 한림대학교, 2009.
[88] 조호현, 전성찬, 방현진, 안민규, “뇌전도 기반 뇌-컴
퓨터 인터페이스: 뇌파측정장비와 BCI2000 연동”,
HCI Korea, pp. 28-30, 2011.
[89] 남윤준, 강효형, 이혜경, 최승진, 강호형, “비 침습 브
레인 컴퓨터 인터페이스를 위한 뇌파 분류 방법”, 정
보과학회지 제27권 제4호, pp.33-42, 2009.
[90] 안민규, 조호현, 김웅빈, 김형훈, 박태규, 전성찬, “뇌
파 기반 뇌-컴퓨터 인터페이스 응용 : 뇌 게임”, HCI
Korea, pp. 31-33, 2011.
[91] 안민규, 강성욱, 조호현, 전성찬, “뇌파 신호 처리 응
용: 뇌-컴퓨터 인터페이스”, 신호처리합동학술대회
논문집 pp.87-90, 2010.
[92] 안민규, 홍준희, 강성욱, 조호현, 전성찬, “뇌전도 신
호원 정보를 이용한 움직임 상상에 대한 분류”, 한국
정보과학회 학술발표논문집, Vol. 37, No.2(C), pp.
083-088, 2010.
[93] 염홍기, 장인훈, 심귀보, “Broca 영역에서의 뇌파 변
화에 기반한 뇌-컴퓨터 인터페이스”, 한국퍼지 및 지
능시스템학회지 제19권 제1호, pp.122-127, 2009
[94] 이경연, 이태훈, 이상윤, “뇌전도 기반 마우스 제어를
위한 동작 상상 뇌 신호 분석”, 인지과학 제21권 제2
호, pp.309-338, 2010.
[95] 김진권 외, “뇌컴퓨터접속(BCI) 무경험자에 대한
EEG-BCI 알고리즘 성능평가”, 의공학회지, Vol. 030
(05), pp. 428-437, 2009.
[96] Biao Zhang, Jianjun Wang and Thomas Fuhlbrigge, “A
Review of the Commercial Brain-Computer Interface
Technology from Perspective of Industrial Robotics”,
Proc. of 2010 IEEE Int. Conf. on Automation and Logistics,
Hong Kong and Macau, 2010.
안 민 규
2008 충북대학교 컴퓨터공학과 학사
2010 광주과학기술원 정보통신공학과 공학석사
2010~현재 광주과학기술원 정보통신공학과 박
사과정
관심분야 : 뇌-컴퓨터 인터페이스, 인공지능, 소프
트웨어공학
E-mail : frerap@gist.ac.kr
전 성 찬
1991 한국과학기술원 수학(전공) 컴퓨터과학(부
전공) 학사
1993 한국과학기술원 응용수학과 이학석사
1998 한국과학기술원 응용수학과 이학박사
1998~1999 한국과학기술원 플라즈마 융합 연구
센터 박사후 연구원
1999~2000 한국표준과학연구원 초전도그룹 박사후 연구원
2000~2002 University of New Mexico (USA) Post-doc Researcher
2002~2004 Los Alamos National Laboratory(USA) Post-doc Associate
2004~2007 Los Alamos National Laboratory(USA) Technical Staff
Member
2007~현재 광주과학기술원 정보통신공학과 조교수
관심분야 : 뇌-컴퓨터 인터페이스, 생체신호처리 및 분석 (실시간/대
용량), 의료영상, 과학계산
E-mail : scjun@gist.ac.kr
