신경계 연구 및 뇌-기계 인터페이스를 위한 신경신호의 정량적 분석방법
분야
hwp신경신호의 정량적 분석방법
목 차
1. 서론
2. 본론
1) 신경신호 활동전위의 검출 및 분류(spike sorting)
2) Spike train decoding
3) 신경세포 간 기능적 연결성 분석
3. 결론 및 향후 전망
4. 참고문헌
1. 서론
신경신호의 정량적 분석의 목적은 시스템 신경과학 분야의 기초연구, 인공신경 기술 ,인공 신경 관련 신기술 개발 및 성능 개선에 크게 기여하는 것이다. 이 분야의 필요성은 신경계 기능 이상 환자들의 삶의 질을 획기적으로 개선하기 위함이다. 현재, 각 신경세포들 간의 연관성 대한 분석방법들의 기반인 뇌기계 인터페이스(brain-machine interface, BMI)를 구현하기 위한 기술이 각광받고 있다. BMI는 중추신경계와 외부장치 간의 직접적인 통신을 가능하게 하여 중증 마비환자들의 기본적 의사소통능력을 복원시키기 위한 기술을 의미한다. BMI 기술이 활발하게 연구되고 있으나, 시간적 공간적 해상도면에서 근본적 한계를 갖는 것으로 판단된다. 이에 대한 유력한 대안으로 단일뉴런들로부터의 활동전위(즉, spike train)에 기반한 BMI가 연구되고 있으며 실용적인 응용이 가시화되고 있다. 이러한 BMI의 성공적인 구현을 위해서는 장기적으로 생체적합성을 보장할 수 있는 미세전극 및 체내 삽입가능한 극소형시스템 제작기술이 필요하다. 또한, 잡음으로부터 발생하는 분류 과정의 어려움으로부터 벗어나 잡음 및 변동요인이 많은 신경신호로부터 신경계정보를 추출하는 디코딩알고리즘 등의 신호처리 기술의 개발이 요구된다. 미세전극에 의해 세포외기록방법(extracellular recording)에 의해 측정되는 신경신호는 배경 잡음과 전극주위에 위치한 몇 개의 신경세포들의 활동전위(action potential )들의 합으로 구성된 multi unit neural signal의 형태를 갖는다. 또한, 개개의 신경세포들의 활성화정도는 활동전위의 발화빈도에 해당하며 이를 관찰하기 위하여 다중유닛신호를 단일유닛신호들로 분리해주기 위한 신호처리 과정이 필요하다. 단일 유닛들의 신호로 분리된 이후에는 개별 신경세포들의 활성화 정도를 여러 가지 방법으로 분석하는데 신경과학 연구를 위한 실험데이터의 분석을 위해서는 주로 히스토그램을 이용한 발화율 분석방법이 가장 널리 활용되어 왔으며 신경계에 대한 다양한 정보를 추출하기 위한 여러 방법들이 제시되어 왔다.
2. 본론
1) 신경신호 활동전위의 검출 및 분류(spike sorting)
앞에서 언급한 바와 같이 신경세포들의 활동은 활동전극 주변에 위치한 몇 개의 신경세포들로부터의 전기적 활동을 측정한 후 증폭기 필터 아날로그 디지털 변환기를 거쳐 기록된 후 분석과정을 거치게 된다. 전위의 발화 빈도가 얼마나 높은 가에 의해 정량화 할 수 있으며, 이를 위하여 다중유닛신호를 단일유닛신호들로 분리해주기 위한 신호처리과정이 요구되는 데 이를 주로 spikesorting이라고 지칭한다. 이는 신경신호분석의 필수적 첫 단계이다. 전형적인spike sorting 과정의 블럭도에서 우선 배경잡음으로부터 활동전위를 검출해낸 후 이들을 파형상의 특징에 따라 패턴 분류 기술을 이용하여 단일 신경 세포들로부터의 활동전위들로 구분해내는 단계를 거친다. 첫 번째 단계인 활동 전위 검출 과정은 신호 대 잡음비가 충분히 높은 경우 대부분 큰 어려움 없이 파형관찰을 통한 역치 값 설정에 의해 가능하다. 그러나 BMI와 같이 장기간 생체 내에서의 신경신호기록을 필요로 하는 장기간 생체로부터의 신경신호 기록의 경우, 잡음 수준이 높아지고 잡음과 신호의 유사성이 높아짐에 따라 검출 자체도 어려워지는 경우가 흔해진다. 이는 이후의 분류과정에 있어서의 어려움을 증가시키기 때문에 낮은 SNR하R에서 신뢰성을 갖는 신경신호검출기술 필요성이 대두되고 있다. 검출된 활동전위파형들은 다차원벡터에 해당되며 동일한 신경세포로부터의 활동전위들은 다차원공간상에서 하나의 클러스터를 이룬다. 적절한 방법에 의해서 이 클러스터를 대표하는 특징들을 추출하거나 벡터의 차원을 감소시킨 이후에 패턴분류기를 학습시켜서 각각의 활동전위를 분류하는 방법이 주로 적용된다. 그러나 현재 여러 상용 시스템에 적용되고 있으나 현재로써는 어떤 방법이 최선인지는 알 수가 없다. 또한 낮은 SNR하R에서의 성공적인동작, 시간에 따른 신호 및 잡음 특징변화에 능동적으로 대처할 수 있는 방법, 실험자의 입력을 필요로 하지 않는 완전자동화된 방법등에 대한 필요성이 커지고 있으며 이를 해결하기 위한 노력이 계속되고 있다. 이 밖에도 다중채널정보를 활용하여 보다 검출 및 분류의 성능을 개선하기 위한 방법, 여러 뉴런들 간의 활동전위의 동시발생으로 인한 활동전위간중첩(spike overlap) 문제에 대한 해결이 spike sorting에 있어서 해결해야 할 중요한 과제로 판단된다.
2) Spike train decoding
Spike train decoding은 신경세포의 발화패턴에 포함된 신경계의 정보를 정량적으로 추출하는 과정을 의미한다. 이 기법은 신경세포의 집단적 활동이 외부자극정보나 내부정보를 어떻게 정량적으로 표현하는가에 관한 연구를 수행하기 위하여 활용되어 왔다. Spike train decoding의 전형적인 예로 BMI를 위하여 운동영역 신경세포들의 활동으로부터 의도된 팔 움직임 궤적을 정량적으로 복원하는 과정을 들 수 있다. 또한 다음과 같은 신경세포의 발화패턴을 통해 생각만으로 움직이는 Display를 만들 수 있다.
동일한 뇌의 신경 신호가 시선의 이동을 지시하고, 이 공통적인 신호가 각각 눈과 머리를 움직이게 하는 운동체계에 전달되어서 안구와 머리가 동일한 방향으로 운동하게 한다는 것이다. (이춘길, 한글을 읽는 시선의 움직임, 서울대학교출판부, 2004.09.20, 58p)
