[논문 리뷰] BCI learning induces core-periphery reorganization in M/EEG multiplex brain networks

Marie‐Constance Corsi, Mario Chávez외 7명|arXiv (Cornell University)|2020. 10. 26.

EEG and Brain-Computer Interfaces참고 문헌 138인용 수 9

한 줄 요약

이 연구는 운동 상상 기반 뇌-컴퓨터 인터페이스(BCI) 훈련이 다층 M/EEG 뇌망 구조에서 핵심-외연 재편성 유도 방식을 조사한다. EEG와 MEG 데이터를 복합망 구조로 통합함으로써, 저자들은 BCI 학습이 α2 대역에서 체감 영역의 점진적 통합을 유도하는 반면, β1 대역에서는 시각 및 작업 기억 영역의 연결성이 감소함을 밝혀내었으며, 이러한 핵심 네트워크 변화는 향후 BCI 성과와 상관관계가 있음을 확인하였다.

ABSTRACT

Brain-computer interfaces (BCIs) constitute a promising tool for communication and control. However, mastering non-invasive closed-loop systems remains a learned skill that is difficult to develop for a non-negligible proportion of users. The involved learning process induces neural changes associated with a brain network reorganization that remains poorly understood. To address this inter-subject variability, we adopted a multilayer approach to integrate brain network properties from electroencephalographic (EEG) and magnetoencephalographic (MEG) data resulting from a four-session BCI training program followed by a group of healthy subjects. Our method gives access to the contribution of each layer to multilayer network that tends to be equal with time. We show that regardless the chosen modality, a progressive increase in the integration of somatosensory areas in the alpha band was paralleled by a decrease of the integration of visual processing and working memory areas in the beta band. Notably, only brain network properties in multilayer network correlated with future BCI scores in the alpha2 band: positively in somatosensory and decision-making related areas and negatively in associative areas. Our findings cast new light on neural processes underlying BCI training. Integrating multimodal brain network properties provides new information that correlates with behavioral performance and could be considered as a potential marker of BCI learning.

연구 동기 및 목표

• 비침습적 BCI 학습의 뇌망 재편성 기반 신경 기전을 이해하기 위해, 임상적 잠재력은 크지만 여전히 이해가 부족한 분야를 다루기 위해.
• EEG와 MEG 데이터를 융합한 다층망 접근법을 통해 뇌 동역학을 모델링하여 BCI 성과의 개인 간 변동성을 해결하기 위해.
• 특히 향후 BCI 성과와 상관관계가 있는 핵심-외연 구조 이동을 포함한 특정 네트워크 위상적 변화를 특정하기 위해.
• 다중모odal(EEG+MEG) 네트워크 특성이 단일 모odal 네트워크보다 BCI 학습 결과 예측에 더 높은 능력을 지닌다는지를 검증하기 위해.

제안 방법

• 20명의 건강한, BCI 경험 없음 참가자로부터 수집한 EEG 및 MEG 데이터를 사용하여 네 번의 훈련 세션 동안 다층 뇌망을 구축하였다.
• 각 모odal이 별도의 층을 형성하도록 EEG와 MEG 데이터를 복합망 구조로 통합하여 주파수 특이적 연결성을 함께 분석할 수 있도록 하였다.
• 그래프 이론적 지표를 적용하여 네트워크 위상을 정량화하였으며, 특히 각 주파수 대역(α1, α2, β1, β2)에서 핵심-외연 조직을 식별하기 위해 '핵심성(coreness)'을 중심으로 분석하였다.
• 반복 측정 ANOVA를 사용하여 뇌 영역 및 주파수 대역 간 세션 별 핵심성 변화를 평가하였다.
• 세션 간 반복 상관 분석을 통해 상대적 핵심성과 BCI 성과 점수 간의 상관관계를 분석하여 예측 가능한 네트워크 특성을 규명하였다.
• 解剖학적 및 기능적 파라셀레이션 기반으로 관심 영역(ROIs)을 정의하였으며, R제곱 지표를 사용한 대비지도를 계산하여 작업 관련(EEG 전극, 주파수 대역) 조합을 선별하였다.

실험 결과

연구 질문

• RQ1 BCI 훈련은 다수의 주파수 대역에서 M/EEG 뇌망의 핵심-외연 아키텍처에 어떻게 영향을 미치는가?
• RQ2 EEG와 MEG 모달리티는 BCI 학습 중 네트워크 재편성 탐지에 얼마나 다른 기여를 하는가?
• RQ3 다층망에서 어떤 뇌망 특성이 향후 BCI 성과를 예측하며, 어떤 뇌 영역이 가장 예측력이 높은가?
• RQ4 EEG와 MEG 데이터를 복합망 모델에 통합함으로써 단일층 모델 대비 학습 관련 위상적 변화 탐지 능력이 향상되는가?

주요 결과

• 훈련 세션 전반에 걸쳐 α2 대역에서 체감 영역의 통합이 점진적으로 증가하는 경향을 관찰하였으며, 특히 장인상두피부(장인상두피부) 및 편도핵의 중심소부(central sulcus of the insula)에서 핵심성 증가가 유의미하게 관찰되었다(p < 0.005).
• 동시에 β1 대역에서 시각 처리 및 작업 기억 영역의 통합이 유의미하게 감소하였으며, 특히 상측두피부 및 후측cingulate 영역에서 두드러진 감소 경향이 관찰되었다(p < 0.05).
• 다만 향후 BCI 점수와의 상관관계에서 다층망 특성 중 α2 대역에서만 유의미한 상관관계를 보였다: 체감 및 의사결정 영역(예: 중앙-전측cingulate gyrus)에서는 양의 상관관계(r = 0.45, p < 0.05), 연합 영역(예: 전측두엽)에서는 음의 상관관계(r = -0.48, p < 0.05).
• 복합망(mux) 모달리티에서 단일 모달리티 대비 더 강한 예측 능력을 보였으며, α2 대역(r = 0.42, p < 0.05) 및 β1 대역(r = -0.40, p < 0.05)에서 상대적 핵심성과 BCI 점수 간 반복 상관관계가 유의미하였다.
• 모든 모달리티에서 14개의 ROI에서 상대적 핵심성에 대한 세션 효과가 유의미하게 관찰되었으며, 특히 α2 대역에서 가장 일관된 변화를 보였다(예: 장인상두피부, p < 0.005).
• 핵심-외연 구조는 시간이 지남에 따라 다층망 기여도가 점차 균형을 이루며 안정된 통합 네트워크 상태로 수렴하는 경향을 보였다.