과제

중증 ALS(근위축성 측색 경화증)를 앓고 있는 환자는 병이 진행될수록 의사소통이 점점 어려워집니다. 많은 경우에 ALS(루게릭병이라고도 부름)는 환자의 전신이 완전히 마비되지만 의식은 온전한 감금 증후군으로 이어집니다. 시선 추적 기기, 그리고 더 최근에는 EEG(뇌전도) 기반의 BCI(뇌-컴퓨터 인터페이스) 덕분에 ALS 환자들도 한 글자씩 구문을 표현하여 의사소통을 할 수 있게 되었지만, 이는 간단한 메시지를 전달하는 데도 몇 분이나 걸릴 수 있습니다.

솔루션

University of Texas Austin의 연구자들은 MEG(뇌자도) 신호를 해독하여 환자가 특정 구문을 발화한다고 생각하면 전체 구문을 감지할 수 있는 웨이블릿, 머신러닝, 딥러닝 신경망을 사용하는 비침습적 기술을 개발하였습니다. 이 알고리즘의 성능은 거의 실시간에 가까워서 환자가 구문을 생각하면 즉각적으로 표시됩니다.

• 그들은 Wavelet Toolbox™를 사용하여 MEG 신호의 잡음을 제거하고 웨이블릿 다중분해능 분석 기법을 사용하여 특정 뇌파 대역(하이 감마, 감마, 알파, 베타, 세타, 델타 뇌파)으로 분해했습니다.
• 우선 연구자들은 신호에서 특징을 추출하고 Statistics and Machine Learning Toolbox를 사용하여 다양한 통계적 특징을 계산했습니다. 그들은 추출한 특징을 사용하여 SVM(서포트 벡터 머신) 분류기와 얕은 인공 신경망 분류기를 훈련시켜 5가지 구문에 대응하는 신경 신호를 분류함으로써 정확도 기준을 얻을 수 있었습니다. 이러한 방법으로 약 80%의 정확도를 얻었으며 이는 정확도의 기준 역할을 했습니다.
• 이후 이 팀은 풍부한 특징을 표현하기 위해 MEG 신호의 웨이블릿 스케일로그램을 구하고, MEG 신호의 음성 해독을 위해 얻을 스케일로그램을 세 개의 사용자 지정 사전 훈련 심층 컨벌루션 신경망(AlexNet, ResNet, Inception-ResNet)을 훈련할 입력으로 사용했습니다. 웨이블릿과 딥러닝 기법을 조합한 결과, 전체적인 정확도가 96%까지 급상승했습니다.
• 훈련 속도를 높이기 위해 연구 팀은 Parallel Computing Toolbox를 사용하여 7개의 GPU가 장착된 병렬 연산 서버에서 훈련을 수행했습니다.

결과

연구 팀은 MATLAB을 사용하여 다양한 특징 추출 방법을 빠르게 반복하고 여러 머신러닝 및 딥러닝 모델을 훈련시켜 96%의 MEG 음성 해독 정확도를 얻었습니다. MATLAB 덕분에 그들은 웨이블릿 기법과 딥러닝을 다른 프로그래밍 언어에 비해 훨씬 짧은 시간인 단 몇 분 안에 결합할 수 있었습니다. 또한 연구 팀은 단 한 줄의 코드만을 변경하여 복수의 GPU를 훈련에 사용할 수도 있었습니다. Parallel Computing Toolbox와 7개의 GPU가 장착된 서버를 사용하여 신경망 훈련 속도가 10배 정도 빨라졌습니다.