P300 신호는 약 300밀리초 후에 나타나는 인지적 사건 관련 전위(ERP)로, 뇌가 외부 자극을 인식하고 평가하는 과정을 반영합니다. 본 연구실은 비침습적 EEG 시스템을 활용하여 P300 신호의 실시간 탐지 및 분석 기술을 개발하고 있습니다. 이를 통해 사용자의 의도와 인지 반응을 신속하게 파악할 수 있으며, 다양한 인터페이스 및 커뮤니케이션 시스템에 적용하고 있습니다. 대표적인 응용 분야로는 P300 기반 스펠러(Speller) 시스템이 있습니다. 이 시스템은 시각적 자극에 대한 뇌파 반응을 이용해 사용자가 문자를 선택할 수 있도록 하여, 신체적 제약이 있는 사용자에게 새로운 의사소통 수단을 제공합니다. 또한, P300 신호를 활용한 월드 투어 시스템(World Tour System, WTS)과 드론 제어(BCI Drone) 등, 사용자의 뇌파로 가상 환경을 탐험하거나 드론을 조종하는 혁신적인 인터페이스를 연구하고 있습니다. 이러한 연구는 실시간 통신, 원격 제어, 몰입형 상호작용 기술 등 다양한 분야로 확장되고 있습니다. 특히, P300 신호의 신뢰성과 실용성을 높이기 위해 딥러닝 및 머신러닝 기법을 접목하여 신호 해석의 정확도와 속도를 개선하고 있으며, 실제 임상 및 일상 환경에서의 적용 가능성을 지속적으로 검증하고 있습니다.

운동 심상(Motor Imagery, MI)은 실제 근육 움직임 없이 머릿속으로 움직임을 상상하는 과정으로, 이를 통해 외부 장치를 손을 쓰지 않고도 제어할 수 있는 BCI 시스템을 개발하고 있습니다. 본 연구실은 MI-BCI의 직관적이고 자유로운 제어를 목표로, 다양한 신호처리 및 인공지능 기반 해석 기법을 연구하고 있습니다. 운동 심상 기반 BCI는 사용자의 뇌파 패턴을 분석하여 좌우 손 움직임, 발 움직임 등 다양한 명령을 인식할 수 있습니다. 하지만 사용자별, 세션별로 신호 특성이 크게 달라지는 문제를 해결하기 위해, 전이 학습(Transfer Learning) 및 데이터셋 간 신호 정렬(Signal Alignment) 기법을 도입하고 있습니다. 이를 통해 사용자의 피로도를 줄이고, 짧은 교정 시간으로도 높은 정확도를 달성할 수 있도록 하고 있습니다. 최근에는 운동 실행(Motor Execution), 관찰(Motor Observation)과의 통합 분석을 통해 MI-BCI의 성능을 높이고, 저성능 사용자도 효율적으로 사용할 수 있는 맞춤형 학습 프로토콜을 개발하고 있습니다. 이러한 연구는 재활, 보조공학, 게임 등 다양한 분야에서 실제 적용 가능성을 넓히고 있습니다.

본 연구실은 생체신호(EEG, PPG 등)와 머신러닝을 결합하여 디지털 헬스케어 및 디지털 치료제(Digital Therapeutics) 분야의 혁신적인 솔루션을 개발하고 있습니다. 비침습적 신호를 활용해 혈압, 수면 단계, 파킨슨병 및 본태성 진전 환자의 운동 증상 등 다양한 건강 상태를 실시간으로 모니터링하고, 진단 및 치료에 활용할 수 있는 시스템을 연구합니다. 예를 들어, 광용적맥파(PPG) 신호를 이용한 커프리스 혈압 예측, EEG 기반 수면 단계 분류, 모바일 앱을 통한 파킨슨병 환자의 운동 증상 정량화 등 다양한 임상 및 일상 환경에서 활용 가능한 기술을 개발하고 있습니다. 이러한 시스템은 환자와 의료진 모두에게 접근성과 효율성을 높여주며, 조기 진단과 맞춤형 치료 계획 수립에 기여합니다. 또한, 신경생체신호 기반의 디지털 치료제 개발에도 주력하고 있습니다. 예를 들어, 뉴로피드백 및 뉴로모듈레이션 기술을 활용하여 집중력 향상, 우울증 완화, 인지 기능 개선 등 정신 건강 증진을 위한 다양한 애플리케이션을 개발하고 있습니다. 이러한 연구는 미래의 개인 맞춤형 헬스케어와 뇌 건강 관리의 새로운 패러다임을 제시합니다.

연구실은 딥러닝과 머신러닝 기법을 신경과학 및 BCI 분야에 적극적으로 적용하여, 신경신호 해석의 정확도와 실용성을 극대화하고 있습니다. 대규모 EEG 데이터셋을 활용한 생성적 신경신호 모델링, 트랜스포머(Transformer) 기반 신경망 개발, 임상 데이터 분석을 통한 신경질환 진단 지원 등 다양한 연구를 수행하고 있습니다. 특히, 딥러닝 기반의 P300 스펠러 시스템에서는 대량의 ERP 샘플을 활용한 제로 트레이닝(Zero-Training) 기법을 도입하여, 사용자의 교정 과정 없이도 높은 인식률을 달성하고 있습니다. 또한, 다양한 신경질환(알츠하이머, 파킨슨병 등) 진단을 위한 바이오마커 탐색 및 분류 알고리즘 개발에도 머신러닝이 활용되고 있습니다. 이러한 연구는 신호 해석의 자동화, 사용자 맞춤형 BCI 시스템 구현, 임상적 활용성 증대 등 실질적인 사회적 가치를 창출하고 있습니다. 앞으로도 최신 인공지능 기술과 신경과학의 융합을 통해, 뇌-컴퓨터 인터페이스의 새로운 가능성을 지속적으로 개척해 나갈 예정입니다.