Real-time Bi-directional Interfacing of Neuron-computer and Biomimetic Synapse Technology

(1)

G-01

0

2016년 12월

16ZH1200

실시간 뉴런-컴퓨터 양방향 통신 및

생체모방 시냅스 기술

Real-time bi-directional interfacing of neuron-computer and

biomimetic synapse technology

(2)

요 약 문

Ⅰ. 제 목

실시간 뉴런-컴퓨터 양방향 통신 및 생체모방 시냅스 기술

Ⅱ. 연구목적 및 중요성

휴먼 지능과 기억의 이해와 이들 기능의 모방은 디지털 컴퓨팅의 한

계를 극복하고 다양한 비선형 문제 해결과 실시간 병렬처리를 기반으로 하

는 응용 구현을 위해 필수적이며, 또한 휴먼 지능의 향상과 뇌 기능 복구

및 뇌 기능 대체 구현에 기여 가능하다. 근래 막대한 전력을 소비하는 슈

퍼컴퓨터를 기반으로 하는 인공지능 기술과 별도로 하드웨어적으로 병렬구

조를 이루고 메모리와 프로세서 기능을 하이브리드 집적하여 신경세포의

신호 처리 기능을 모방하는 분야가 형성되고 있다. 특히 최근 세계적인 주

목을 끌고 있는 멤리스터는 기억과 스위칭 기능을 모두 가지고 있어서 시

냅스와 이온채널의 모방에 적합하여 멤리스터 만으로도 신경세포를 모사하

는 것이 가능한 장점을 가지고 있다. 하지만 아직까지 뇌의 학습과 기억에

관한 이해 부족으로 멤리스터의 학습이 가장 큰 숙제로 남아 있다. 본 연

구에서는 신개념의 멤리스터 구현을 목표로 할뿐만 아니라 생물학적 신경

네트워크를 멤리스터와 양방향 연결함으로써 생물학적 신경네트워크를 기

반으로 뉴로모픽 시스템의 학습 가능 여부를 살펴보는 데에 있다.

(3)

Ⅲ. 연구내용 및 범위

1) 이리듐 산화물-다공성 금 나노구조체를 이용한 신경전극의 자극 특성

향상 기술 개발

-

다공성 금 나노구조체 형성

-

이리듐 산화물 전착을 위한 IrOx 졸 형성 및 전착

-

전착된 이리듐 산화물의 표면 및 성분 분석

-

이리듐 산화물-다공성 금 나노구조체 전극(EIROF/NPG)의 전기적 특

성 평가

-

EIROG/NPG 전극의 자극 특성평가

2) 투명 그래핀/VACNT 하이브리드 신경전극 인터페이스

3) 128채널 양방향 신경신호기록 시스템 개발

-

전처리단 설계

-

128 채널 신경신호기록 시스템 개발

-

실시간 스파이크 분류의 구현

4) 실리콘 뉴런 어레이 개발

-

실리콘 뉴런 어레이 아날로그 특성 평가

-

실리콘 뉴런 실시간 학습 알고리즘 개발

5) 시냅스 모방 소자 연구개발 동향

6) 주요 실적 정리

(4)

Ⅳ. 연구결과

본 연구에서는 생물학적 신경 네트워크와 인공 뉴런 네트워크의 실시

간 양방향 인터페이스를 통한 생물학적 신경 네트워크에서 일어나는 학습

의 이해에 대하여 연구하였다. 생물학적 신경 네트워크와의 물리적인 인터

페이스를 위한 다중 전극어레이 제작 공정 개발 및 신경 신호를 기록하고

전기 자극을 하기 위해 필요한 하드웨어 시스템 그리고 인공 뉴런네트워크

를 구현하기 위한 실리콘 뉴런어레이로 전체 시스템이 구성된다.

약 1 mC cm

-2

_{의 전하주입한계 값을 가지는 다공성 금 나노구조체의 전}

하주입 성능을 향상시키기 위하여 IrOx을 전착하였다. 전착된 IrOx-다공성

금 나노구조체 신경전극의 전하주입한계는 2.6 mC cm

-2

_{으로 향상되었다. 그}

래핀과 수직 방향으로 배열된 탄소나노튜브 하이브리드 신경전극을 개발하

였다. 개발된 전극은 투명한 그래핀으로 인해 세포의 관찰이 용이하고 약

1.6 mV 수준의 신경신호를 측정할 수 있었다.

생물학적 신경 네트워크의 신호를 측정하기 위한 다채널 신경 신호

측정기 및 자극기를 개발하였다. 증가하는 측정 채널과 세분화되는 측정

정밀도를 감당할 수 있는 소프트웨어 인터페이스 개발도 함께 수행되었다.

인공 뉴런 네트워크를 모사하는 실리콘 뉴런 어레이의 개발도 함께 수행되

었다. 시냅스 모방 소자인 멤리스터와 연동하여 멤리스터에 학습을 유발할

수 있는 패턴을 컨트롤 할 수 있는 로직을 구현하여 학습을 구현하였다.

Ⅴ. 기대성과 및 건의

생물학적 신경네트워크의 가소성 제어 및 멤리스터와의 양방향 인터

페이스를 기반으로 하는 멤리스터의 학습법 도출을 위한 노력은 지능과 기

억의 이해 증진과 뇌 질환자의 기능회복 그리고 이를 모방한 기능적 인공

지능 구현에 기여할 것으로 예상된다. 휴머노이드 로봇과 같은 물리적인

신체와 인터페이스를 형성하여 실시간적으로 환경과 상호작용하는 신경모

방 집적회로 인지시스템을 구형하기 위해서는 3D VLSI, 나노공정 기술 및

소재, 새로운 로봇 액튜에이터와 액티브 센서, 스파이크 기반의 학습 기작

과 대뇌피질 발생, 고차인지 아키텍쳐 등 신경과학 분야 등과의 융합연구

가 요구된다.

(5)

ABSTRACT

Ⅰ. TITLE

ETRI Creative Research Sections Project

Ⅱ. THE OBJECTIVES

Understanding of human brain and intelligence and mimicking of

these are essential to overcome digital computing limitation. It

contributes non-linear problem solving, real time parallel

processing,

human

intelligence

improvement,

brain

function

restoration, and replacement of brain function. The way of artificial

intelligence implementation in super computer consumes hugh amount of

power. In contrast, in these days, an implementation approach,

Neuromorphic engineering suggests massive parallel processing

architecture mimicking brain network spike based computation and

processing. Memristor, which has memory and switching characteristic,

is highlighted for mimicking synapse ion channel physics. However,

due to lack of learning mechanism and memory in brain, memristor

learning is an open question. In this research, we focus on not only

memristor based synapse array implementation but also bi-directional

interface between memristor and biological neural network to figure

out feasibility of memristor learning based on biological neural

network

(6)

Ⅲ. THE CONTENTS AND SCOPE OF THE STUDY

1) Development of neural electrode with EIROF/NPG hybrid structure

for improvement of stimulation performance

-

Fabrication of porous Au nanostructure

-

Synthesis of IrOx sol for electrodeposition and

Electrodeposition of Iridium oxide

-

Surface analysis of electro-deposited iridium oxide

-

Electrochemical performance of EIROF/NPG electrode

-

Stimulation performance of EIROR/NPG

2) Transparent graphene/VACNT hybrid neural electrode

3) 128 channel neural interface system development

-

Front-end design

-

128 channel signal recording system design

-

Real-time spike sorting algorithm implementation

4) Silicon neuron array design

-

Characterization of silicon neuron

(7)

Ⅳ. RESULTS

To understand a mechanism of learning on biological neural

network, we designed a bidirectional system to control and

communicate between biological neural network and artificial neural

network. The system consists of a multi electrode array to contact

with biological neural network, a hardware system to measure the

signal from biological neural network and stimulate it, and a

silicon neuron array to implement artificial neural network.

A multielectrode array (MEA) was fabricated with electrodes

consisting of iridium oxide (IrO

x

) electrochemically deposited on

nanoporous gold (NPG) to improve the moderate charge injection limit

(ca. 1 mC cm

-2

_{) of NPG MEA. The synergetic combination of a}

mechanically robust NPG and electrically active EIROF contributes

not only to efficient and safe neural stimulation but also to

improving the sensing capability of IrO

x

-based sensors.

We have designed a transparent graphene/vertically aligned

carbon nanotube (VACNT) electrode capable of extracellularly

recording spontaneous action potentials in Sprague–Dawley rat

primary cortex neurons. Graphene provided the dual function of

contacting the VACNTs and visually monitoring the cell viability.

For

biological

neural

network

signal

acquisition

and

stimulation, we extend channel capability and data bandwidth. New

software

interface is required

to manage

expensive data

communication. Silicon neuron array for artificial neural network

implementation is fabricated in TSMC 180nm process. It has digital

logic to control learning pattern for interfacing with memristor

device.

(8)

Ⅴ. EXPECTED RESULT & PROPOSITION

This research focused on biological neural network learning

mechanism control and bi-directional interface with memristor. We

expect that the effort would provide better understanding of human

intelligence and memory mechanism and it would provide model of

function restoration for brain damaged human. It would provide a

model of artificial intelligence mimicking human brain as well. To

build biomimicking cognitive system with integrated circuits

implementing physical body and interface enabling realtime

interaction with environment such as humanoid robot, it requires

emerging technology such as 3D VLSI, nano-particle device, new robot

actuator and active sensor, spike based learning, high-level

cognition architecture and neuroscience.

(9)

CHAPTER 1 Research contents and scopes ... 20

SECTION 1 Design of microelectrode array ... 20

1. Development of neural electrode with EIROF/NPG hybrid

structure for improvement of stimulation performance

... 20

a. Fabrication of porous Au nanostructure ... 21

b. Synthesis of IrOx sol for electrodeposition and

electrodeposition of Iridium oxide ... 22

c. Surface analysis of electro-deposited iridium oxide

... 25

d. Electrochemical performance of EIROF/NPG electrode

... 27

e. Stimulation performance of EIROG/NPG ... 30

2. A transparent graphene/vertically aligned carbon

nanotube (VACNT) electrode

... 33

SECTION 2 Bidirectional neural interface system ... 37

1. Front-end design ... 37

a. System configuration ...37

1) Noise characteristic ... 42

a) Preamplifier gain ... 42

b) Power supply ... 43

2) Signal characteristic ... 44

a) Preamplifier gain ... 44

b) Material ... 46

3) Comparison with commercial system ... 48

4) Performance measurement with cell culture ... 49

(10)

a. Introduction to system design ... 53

b. Spike sorting method ... 56

c. Implementation of real-time spike sorting ... 59

d. Measurement result of real-time spike sorting .. 61

SECTION 3 Silicon neuron array design ... 67

1. Silicon neuron array in bidirectional system ... 67

2. Silicon neuron test ... 67

a. Test board design ... 67

b. Method of silicon neuron test ... 68

c. Silicon neuron measurement result ... 70

3. Learning with silicon neuron ... 72

a. Principle of learning ... 73

b. Implementation of learning ... 78

c. Measurement of learning implementation ... 84

CHAPTER 2 Research of synaptic device design ... 90

SECTION 1 Introduction ... 90

SECTION 2 Introduction of Synapse ... 90

SECTION 3 Memristor ... 93

SECTION 4 Next generation neuromorphic systems ... ?

SECTION 5 Conclusions ... 97

CHAPTER 3 Results ... 101

SECTION 1 Development of neural electrode ... 101

1. Iridium Oxide-electrodeposited nanoporous gold MEA

with enhanced stimulus efficacy ... 101

2. A transparent graphene/vertically aligned carbon

nanotube (VACNT) electrode ... 106

SECTION 2 Neural-Computer bidirectional system design ?

(11)

1. 128-Channel MEA system and real-time spike sorting

implementation ... 108

2. Silicon neural array design and presynaptic

event-driven learning algorithm ... 110

SECTION 3 Publications and patents ... 112

1. MEAs surface-modified with electro-co-deposited Au-Pt

nanoparticles ... 112

2. Other patents ... 114

SECTION 4 128 channel neural recording system design . 115

<Table 1> Sample measurements ... 65

<Table 2> Comparison with previous works ... 65

<Figure 1>

SEM (a) and TEM images of porous Au nanostructure

... 21

<Figure 2>

XPS analysis of Ag/Au alloy and porous Au nanostructure

...

21 <Figure 3>

Sol of iridium oxide

... 22

<Figure 4>

Electrodeposition curve by cyclic voltammetry and SEM

images

of

iridium

oxide

... 22

<Figure 5>

EDX analysis of iridium oxide-porous Au nanostructure

...

25 <Figure 6>

SEM images of NPG (a) EIROF/Au electrode (b)and EIROF/NPG

electrode

...

25 <Figure 7>

TEM images of EIROF/NPF electrode ...

... 25

<Figure 8>

Impedance analysis of EIROF, NPG and EIROF/NPG electrode

...

26 <Figure 9>

Impedance analysis of EIROF/NPG electrode with various

deposition

cycles

...

27

(12)

<Figure 11>

Typical voltage transient of the EIROF(100-cycled) /NPG

electrode measured with an increasing biphasic

pulse

amplitude

...

29 <Figure 12>

Regional distribution of fEPSPs evoked by the

single-pulse electrical stimulation to Schaffer’s

collateral fibers in the CA1 area of the

hippocampal slice ...

... 30

<Figure 13>

I/O relationship of fEPSPs and serial changes in the

fEPSPs recorded from NPG and EIROF/NPG electrodes

...

31 <Figure 14> Transparent graphene/VACNT hybrid neural electrode

...

33 <Figure 15> Rat cortical neurons on a TGVH device and a variety

of recorded spike waveforms ... 34

<Figure 16> Comparison of graphene/VACNT hybrid electrode with

commercially available one ... 35

<Figure 17> Simulation of neural signals and TEM images

... 35

<Figure 18>

A configuration of the MEA system

... 37

<Figure 19>

System configuration of front-end ..

... 38

<Figure 20>

MEA probe stage, left) PCB without pre-amp, right) PCB

with pre-amp ...

... 38

<Figure 21>

Pre-amplifier circuit

... 39

<Figure 22>

A diagram of front-end

... 40

<Figure 23>

Neural recording circuit in MEA system

... 41

<Figure 24>

The evaluation of neural recording circuit

... 41

<Figure 25>

The noise by gain

... 43

<Figure 26>

The noise by supply power

... 44

<Figure 27>

The signal by gain of front-end

... 45

<Figure 28>

The neural signal by gain of front-end

... 46

<Figure 29>

Teflon case, Metal case

... 47

(13)

<Figure 31>

The signal comparison of MCS & ours

... 48

<Figure 32>

The SNR comparision of MCS & ours

... 49

<Figure 33>

The result of in vitro signal

... 50

<Figure 34> T

he result of in vivo signal

... 51

<Figure 35>

The result of brain slice

... 52

<Figure 36> 64 channel system user interface ... 54

<Figure 37> Single 128 channel system user interface .. 54

<Figure 38> Dual 64 channel system user interface ... 55

<Figure 39> NIS 128 experiment configuration window ... 55

<Figure 40> Spike sorting flowchart ... 56

<Figure 41> 64 channel input spike sorting module ... 59

<Figure 42> Proposed spike sorting algorithm flowchart. 59

<Figure 43> Error between cluster and template ... 61

<Figure 44> Measurement result using signal generator . 62

<Figure 45> Event raster plot from output of spike sorting

module ... 62

<Figure 46> DCM occupancy in time ... 63

<Figure 47> 64 channel templates ... 63

<Figure 48> Neuron array test board ... 67

<Figure 49> Configuration of artificial neural network 69

<Figure 50> Measurement result of silicon neuron ... 70

<Figure 51> Linearity of frequency response ... 70

<Figure 52> STDP function ... 72

<Figure 53> Block diagram of neuromorphic system emulating

artificial neural network ... 73

<Figure 54> Example neural network ... 74

<Figure 55> Example neural network with proposed synaptic

connectivity table ... 74

(14)

<Figure 56> Postsynaptic spike event tracing with two

parameters ... 74

<Figure 57> Presynaptic spike events and postsynaptic spike

events in time domain ... 79

<Figure 58> State transition diagram ... 80

<Figure 59> Logical structure of proposed synaptic connectivity

table ... 80

<Figure 60> Block diagram of FPGA implementation ... 81

<Figure 61> Block diagram of exponential mapper ... 81

<Figure 62> Experimental neural network configuration .... 83

<Figure 63> Measurement result ... 84

<Figure 64> Measurement result ... 86

<Figure 65> (a) Biological neuronal network (b) anatomy of a

neuronal cell ... 91

<Figure 66> Changes in synaptic weight with stimulus

... 91

<Figure 67> Changes in short- and long-term sensitivity and in

synaptic structures ...93

<Figure 68> Memristors with crossbar structure and changes in

I-V characteristics with repeated voltage

application ... 94

<Figure 69> Annual increase in papers related to memristors

... 94

<Figure 70> Configuration of the home-built 128-CH neural

signal

recording

and

stimulation

system

... 115

<Figure 71> 64-CH NIS system under field test by experts

(15)

목 차

제1장 연구 내용 및 범위

제1절 신경전극 기술 개발 ... 20

1. 이리듐 산화물-다공성 금 나노구조체를 이용한 신경

전극의 자극 특성 향상 기술개발 ... 20

가. 다공성 금 나노구조체 형성... 21

나. 이리듐 산화물 전착을 위한 IrOx 졸 형성 및 전착

... 22

다. 전착된 이리듐 산화물의 표면 및 성분 분석... 25

라. 이리듐 산화물-다공성 금 나노구조체 전극 (EIROF

/NPG)의 전기적 특성 평가... 27

마. EIROG/NPG 전극의 자극특성평가... 30

2. 투명 그래핀/VACNT 하이브리드 신경전극 인터페이스

... 33

제2절 양방향 뉴럴 인터페이스 시스템... 37

1. 전처리단 설계... 37

가. 시스템 구성 ...37

나. 노이즈 비교 ...42

1) 전처리단 증폭도에 따른 노이즈 비교 ... 42

2) 공급 전원에 따른 노이즈 비교 ... 43

다. 신호 비교 ... 44

1) 전처리단 증폭도에 따른 신호 비교 ... 44

2) 재질에 따른 신호 감쇠 ... 46

라. 상용 시스템과 비교 ... 48

마. 셀을 이용한 성능 평가 ... 49

2. 128 채널 신경신호 기록 시스템 개발 ... 53

가. 시스템 개발 개요 ... 53

(16)

나. 스파이크 분류 기법 ... 56

다. 실시간 스파이크 분류의 구현 ... 59

라. 실시간 스파이크 분류 모듈 측정 결과 ... 61

제3절 실리콘 뉴런 어레이 개발 ... 67

1. 양방향 시스템에서의 실리콘 뉴런 ... 67

2. 실리콘 뉴런 테스트 ... 67

가. 테스트 보드 설계 ... 67

나. 실리콘 뉴런 테스트 방법 ... 68

다. 실리콘 뉴런 테스트 결과 ... 70

3. 실리콘 뉴런 학습 ... 72

가. 학습 시스템의 동작 원리 ... 73

나. 학습 시스템의 구현 ... 78

다. 학습 시스템의 특성평가 ... 84

제2장 시냅스 모방 소자 연구개발 동향 ... 90

제1절 서론 ... 90

제2절 시냅스 개요 ... 90

제3절 멤리스터 ... 93

제4절 차세대 뉴로모픽 시스템 ... ?

제5절 결론 ... 97

제3장 주요연구개발 실적 ... 101

제1절 신경전극 기술 개발 ... 101

1. 이리듐 산화물-다공성 금 나노구조체를 이용한 신경

전극의 자극 특성 향상 기술 ... 101

2. 투명 그래핀/VACNT 하이브리드 전극과 뉴런의 인터페

이스 ... 106

제2절 뉴런 컴퓨터 양-방향 인터페이스 시스템 개발 ... ?

1. 128-채널 MEA 시스템 및 실시간 뉴런 스파이크 분류

기술 개발 ... 108

(17)

2. 실리콘 뉴런 어레이 및 프리시냅틱 이벤트 기반 학습

법 개발 ... 110

제3절 기타 논문 및 특허 실적 ... 112

1. 이리듐 Au/Pt 나노입자의 전기 전착을 이용한 신경 전

극 임피던스 제어 기술 개발 ... 112

2. 기타 당해 연도 특허 출원 ... 114

제4절 128채널 신경신호 기록 시스템 시제품 개발 실적 115

표 목차

<표 1> 샘플 측정 결과 ... 65

<표 2> 알고리즘 구현 비교 ... 65

그림목차

<그림 1> 다공성 금 나노구조체의 전자현미경(a) 및 주사

전자현미경(b) 사진 ... 21

<그림 2> 금/은 이종합금 나노 구조체 와 다공성 금 나노 구조체의

XPS

분석

...

21 <그림 3> 이리듐 산화물 졸 ... 22

<그림 4> 순환전압 전류법을 이용한 이리듐 산화물의 전착 곡선 및

전자현미경

사진

...

22 <그림 5> 이리듐 산화물/다공성 금 나노구조체의 EDX 분석. 25

<그림 6> 다공성 금나노 구조체의 전자현미경사진 ... 25

<그림 7> 이리듐산화물-다공성 금 나노 구조체의 주사 전자 현미경

사진

...

25

(18)

<그림 8> 이리듐 산화물(EIROF), 다공성 금(NPG) 전극, EIROF /NPG

전극의

임피던스

비교

...

26 <그림 9> 이리듐 산화물 전착 전착회전수에 따른 임피던스값 비교

...

27 <그림 10> EIROF/NPG 전극의 순환 전압전류 곡선 ... 28

<그림 11> 이리듐 산화물 전극과 이리듐 산화물-다공성 금 나노구조

체 전극의 voltage transient ... 29

<그림 12> Hippocampal 조직의 CA1 영역에서 전기자극에 의한

fEPSPs를 발현하는 분포도 ... 30

<그림 13> fEPSPs의 I/O 와 (a,b) NPG 전극과 EIROF/NPG 전극에서

기록한 자극 전압에 따른 fEPSPs의 변화. (c) NPG

전극과 EIROF/NPG 전극에서 측정된 신호 세기의 도

식. (d,e) 각 4개의 전극에서 기록된 fEPSPs의 변

화. (f) NPG 전극과 EIROF/NPG 전극에서 fEPSPs 신

호세기의

감소량

차이

...

31 <그림 14> 투명그라핀/VACNT 하이브리드 신경전극 ... 33

<그림 15> 전극에 밀착된 뉴런과 다양한 신호 ... 34

<그림 16> 상용 전극과 그래핀/VACNT 하이브리드 전극과의 비교

...

35 <그림 17> 뉴런 신호의 시뮬레이션과 TEM 사진 ... 35

<그림 18> MEA 시스텝 구성 ... 37

<그림 19> 전처리단에 따른 시스템 구성 ... 38

<그림 20> MEA probe stage, 좌) pre-amp 없는 PCB, 우) 부분

pre-amp 있는 PCB ... 38

<그림 21> Pre-amplifier 회로도 ... 39

<그림 22> 전처리단 다이어그램 ... 40

<그림 23> MEA system에 뉴런 신호처리 회로 ... 41

<그림 24> 뉴런 신호처리 회로 평가 ... 41

<그림 25> 증폭도에 따른 노이즈 ... 43

<그림 26> 전원에 따른 노이즈 비교 ... 44

<그림 27> 전처리단 증폭에 따른 신호 비교 ... 45

(19)

<그림 28> 전처리단 증폭도에 따른 셀 신호 비교 ... 46

<그림 29> 좌) 테프론 케이스, 우) 메탈 케이스 ... 47

<그림 30> 케이스 재질에 따른 신호 비교 ... 47

<그림 31> 상용 시스템과 신호 비교 ... 48

<그림 32> 상용 시스템과 SNR 비교 ... 49

<그림 33> In vitro 셀 실험 결과 ... 50

<그림 34> In vivo 셀 실험 결과 ... 51

<그림 35> Brain slice를 이용한 셀 실험 결과 ... 52

<그림 36> 64 채널 시스템 사용자 인터페이스 ... 54

<그림 37> 단일 128 채널 시스템 사용자 인터페이스 ... 54

<그림 38> 듀얼 64 채널 시스템 사용자 인터페이스 ... 55

<그림 39> NIS 128 실험 환경 설정 창 ... 55

<그림 40> 스파이크 분류 알고리즘 구성도 ... 56

<그림 41> 64 채널 입력을 가진 모듈의 구성도 ... 59

<그림 42> 알고리즘의 흐름도 ... 59

<그림 43> 클러스터를 형성하는 스파이크의 개수와 최종 템플릿의

에러

값

...

61 <그림 44> 스파이크 신호 발생기를 이용하여 측정한 예시.. 62

<그림 45> 스파이크 분류 모듈에서 나오는 이벤트 출력 ... 62

<그림 46> 시간에 따른 DCM의 사용량 ... 63

<그림 47> 64 채널에서 형성된 템플릿 ... 63

<그림 48> 뉴런 어레이 테스트 보드 ... 67

<그림 49> 인공 뉴럴 네트워크 구성도 ... 69

<그림 50> 뉴런 테스트 결과 파형 ... 70

<그림 51> 입력 주파수에 따른 출력 주파수 선형성... 70

<그림 52> STDP 함수 ... 72

(20)

<그림 53> 인공 뉴럴 네트워크를 구성하는 뉴로모픽 시스템의 블록

다이어그램

...

73 <그림 54> 예제 뉴럴 네트워크 ... 74

<그림 55> 예제 뉴럴 네트워크와 그에 필요한 시냅스 연결 테이블

...

74 <그림 56> 포스트 시냅틱 스파이크 이벤트 히스토리를 두 개의 파라

미터만을 이용하여 추적하는 방법에 대한 예시

... 74

<그림 57> 프리 시냅틱 뉴런과 포스트 시냅틱 뉴런의 시간축에 따른

스파이크 예시도 ... 79

<그림 58> 상태 변화 다이어그램 ... 80

<그림 59> 제안하는 시냅스 연결 테이블의 논리적 구조도 ... 80

<그림 60> FPGA 구현에 필요한 블록 다이어그램 ... 81

<그림 61> 지수 함수 맵을 구성하는 블록 다이어 그램 ... 81

<그림 62> 실험에 사용된 예제 뉴럴네트워크 ... 83

<그림 63> 실제 구현된 알고리즘을 이용하여 측정한 결과 ... 84

<그림 64> 실제 구현된 알고리즘을 이용하여 측정한 결과 ... 86

<그림 65> (a) 생물학적 신경망의 이미지와 (b) 뉴런 세포의 해부학

적 도식 ... 91

<그림 66> 자극에 따른 시냅스 세기의 변화 ... 91

<그림 67> 자극에 따른 단기 및 장기 민감도 향상, 즉 단기 및 장기

기억에 따른 시냅스 구조의 변화를 나타내는 도식

...93

<그림 68> 크로스바 구조의 멤리스터와 반복 전압 인가 대한 멤리스

터의 전류 변화 특성 ... 94

<그림 69> 멤리스터 관련 논문의 급격한 증가 추세 ... 94

<그림 70> 자체 개발한 128-채널 신경신호 기록-자극 시스템 시제품

구성도

...

115 <그림 71> 현재 전문가 평가 중인 64-채널 신경신호 기록-자극 시스

템

...

115

(21)

제 1 장 연구 내용 및 범위

제 1 절 신경 전극 기술 개발

1. 이리듐 산화물-다공성 금 나노구조체를 이용한 신경전극의 자극특

성 향상 기술개발

단일 세포 수준의 신경신호 측정 및 전하 주입 효율이 우수한 신경전극은 체 내외를 불문하고 양방향 신경계 인터페이스 시스템 구현에 가장 중요한 필수 항목 이다. 따라서 신경 네트워크로부터 신경 신호의 측정 분석 뿐만 아니라 자극 효율 이 뛰어난 신경전극의 개발이 다양한 방법으로 진행중이며, 특히 신경 세포간의 간섭을 배제함으로써 우수한 공간 분해능과 경전극의 개발을 위하여 전극의 크기 를 줄이고자 하는 연구가 활발하게 진행중이다. 이웃한 신경세포간의 간섭은 신경 전극의 크기를 감소 시켜 배제 시킬 수 있으나 신경전극이 갖추어야 하는 중요한 전기적 특성중의 하나인 임피던스는 전극의 크기와 반비례하여 전극이 작아질수록 임피던스 값이 증가하며, 결과적으로 신경 신호의 신호대 잡음의 비가 감소하는 결과를 야기한다. 또한 자극을 위한 신경전극은 신경조직에 해를 최소한으로 할 수 있어야 하며 자극에 의한 반응 유도를 효과적으로 야기하기 위하여 큰 전하주 입용량이 필수적인데, 이는 전극의 임피던스를 감소시킴으로써 증가시킬 수 있다. 전극의 전하주입 용량이 클수록 전극의 크기를 줄일 수 있기 때문에 전극의 공간 분해능 문제도 동시에 해결 가능하다. 예를 들어, 전하저장용량이 큰 전극은 자극 시에 높은 전압을 필요로 하지 않기 때문에 신경조직에 해를 끼치지 않으며 안전 한 전압 범위에서 자극이 가능하다. 이와 같은 문제는 평면형 구조에 비하여 표면적이 상대적으로 큰 나노구조체를 전극에 도입함으로써 전극 크기 감소에 따른 임피던스 증가의 문제점을 해결 할 수 있으며 결과적으로 신경신호와 잡음의 비가 큰 우수한 신경신호 검출이 용이하다.따라서 나노구조체를 이용한 신경전극의 표면개질을 위한 연구가 활발히 진행중이며, Pt black, TiN, IrOx, carbon nanotube, 전도성 고분자 및 금을 이용한 다양한 나노구조체들이 사용되고 있다. 최근에는 스퍼터링 방법을 사용하여 금-은 이종합금나노구조체를 형성한 후 화학적으로 은을 식각하여 다공성 나노 구조체 금전극을 형성하여 전극의 성능을 개선한 연구가 발표 되었으며, 본 연구팀에서는 스퍼터링 방법에 비하여 효율적인 전기화학적 방법으로 금 나노구조체 전극을 형성하여 기록신호 및 자극 효율을 증가시킨 결과를 발표하였다. 그러나 다공성 금 나노 전극은 전하주입용량 신경전극의 최소 전하 주입용량과 거의 같아 전극 구조 또는 전극 구성물질에서 개선이 필요하다. 따라서 본 연구에서는 다공성 금 나노 구조체 전극의 전하주입용량을 증가 시키기 위하여, 전하 주입용량이 크며 생체 적합성이 우수한 이리듐 산화물과 다공성 금 나노 구조체를 조합하여 전극효율을 개선하고자 하였다. 이리듐 산화물과 다공성 금 나노 구조체로 이루어진 전극은 이리듐 산화물이 다공성 금

(22)

<그림 1> 다공성 금 나노 구조체의 전자현미경(a) 및 주사 현미경 (b) 사진 <그림 2> 금/은 이종합금 나노 구조체 와 다공성 금 나노 구조체의 XPS 분석 나노 구조체의 표면에 형성됨으로써 금의 기계적 강도와 이리듐 산화물의 전기적 특성의 우수성을 동시에 보유할 수 있게 하였으며 전극의 성능은 전기적 특성 평가 및 신경조직의 자극반응 신호등을 측정함으로써 확인하였다. 가. 다공성 금 나노구조체 형성 다공성 금 나노구조체 형성을 위하여 전단계인 금/은 이종 합금 나노 구조체 를

50mM KAu(CN)

2

과

50mM KAg(CN)2을 포함하는 0.2M KCN 과 0.5M KOH 혼합용액을

제조하였다. 금/은 이종 합금 나노 구조체는 -0.9V에서 300초 동안 전착하였다. 전착한 금/은 이종 합금 나노구조체는 70℃의 질산용액에서 7분동안 은 이온을 식 각하여 형성하였다. 은 이온이 식각된 다공성 금 나노 구조체의 구조는 <그림 1> 에서 보여지는 것과 같이 전자현미경과 주사 전자 현미경을 사용하여 구조를 확인

(23)

<그림 3> 이리듐 산화물 졸 <그림 4> 순환전압 전류법을 이용한 이리듐 산화물의 전착 곡선 및 전자현미경 사진 하였으며, 식각 전 후에 XPS 분석을 통하여 성분을 확인하였다<그림 2>. 나. 이리듐 산화물 전착을 위한 IrOx 졸 형성 및 전착 염화이리듐 0.07g을 50ml의 물에 넣고 30분 동안 교반 후 30% H2O2 0.5ml를 넣고 추가로 10분 더 교반한다. 무수 옥살산 250mg을 넣고 10분 동안 교반 후, potassium carbonate를 넣어가며 pH 10.5가 되도록 한다. pH10 으로 조절된 이리듐 산화물은 갈색이 섞인 노란색을 보이며, 3-4일 정도 안정화 하면 보라색을 띄는 졸이 된다.

(24)

<그림 5> 이리듐 산화물/다공성 금 나노구조체의 EDX 분석

(25)

<그림 6>다공성 금나노구조체 (a),이리듐산화물/금전극(EIROF/Au)(b), 이리듐산화물/다공성 금 나노구조체 (EIROF/NPG) (c;30cycles, d; 50cycles, e;70cycles, f;100cycles)의 전자현미경사진

(26)

<그림 7> 이리듐산화물-다공성 금 나노 구조체의 주사 전자 현미경 사진 전착되었으며, 참조전극은 Ag/AgCl (saturated KCl) 전극, 기준전극은 플래티늄 전극, 그리고 작업전극으로는 다공성 금 나노 구조체가 형성된 금전극으로 하였 다. 전극의 구조적 특성에 따른 성능 비교를 위하여 다공성 금 나노구조체가 없는 금 전극에도 동시에 이리듐 산화물 전착을 하였으며 <그림 3>, 전기적 특성을 비 교하였다. 전착 방법은 cyclic voltammetry 방법을 사용하였으며 -0.8 ~ 0.7V 범 위의 전압에서 100mv/sec의 속도로 전착하였으며, 전착 사이클 수를 조절하여 이 리듐 산화물의 두께를 조절하였다. 다. 전착된 이리듐 산화물의 표면 및 성분 분석 다공성 금 나노구조체 표면에 이리듐 산화물 형성은 EDX 분석법을 이용하여 확인하였다. EDX 분석 결과에서 금과 이리듐의 피크가 비슷한 영역에 위치하기 때

(27)

<그림 8> 이리듐 산화물(EIROF), 다공성 금 (NPG) 전극, EIROF/NPG 전극의 임피던스 비교 문에 두 금속의 피크가 정확하게 분리되지는 않았다. 그러나 이리듐 산화물 전착 회수를 달리하여 분석한 결과에 의하면 전착회수사 증가 할수록 이리듐 금속의 피 크 세기가 상대적으로 증가하는 것을 알 수 있다<그림 4>. 따라서 다공성 금 나노 구조체 상에 이리듐 산화물이 전착되어 있음을 확인하였다. 이리듐 산화물이 전착된 전극의 표면 및 구조는 전자현미경과 주사 전자 현미 경을 이용하여 분석하였다. <그림 6>에서 보여지는 것과 같이 이리듐 산화물은 다 공성 나노구조체를 갖는 전극 전체에 고르게 전착된 것을 알 수 있다. 또한 평면 금 전극에 전착한 이리듐 산화물은 매끄러운 표면을 유지하는 반면, 다공성 나노

(28)

<그림 9> 이리듐 산화물 전착 전착회전수에 따른 임피던스값 비교 구조체상에 전착된 이리듐 산화물은 다공성 나노 구조체 표면을 따라 고르게 전착 되어 이리듐 산화물이 전착되어도 포어를 유지하고 있음을 확인할 수 있다. 이리 듐 산화물의 두께는 전착싸이클 수를 달리하여 조절하였으며 사이클 수가 증가할 수록 이리듐 산화물의 두께가 두꺼워지지만 100사이클 이내에서는 다공성 구조가 유지되고 있음을 확인하였다. 이리듐 산화물/다공성 금 나노구조체 전극 (EIROF/NPG )의 내부 구조를 분석하기 위하여 주사 전자 현미경을 이용하여 분석 하였다 <그림 7>. 주사 전자현미경 사진에서 보여지는 것과 같이 이리듐 산화물은 다공성 금 나노구조체의 표면을 따라 전착되었음을 알 수 있으며, 포어도 유지되 고 있음을 확인하였다. 라. 이리듐 산화물-다공성 금 나노구조체 전극(EIROF/NPG )의 전기적 특성 평가 마이크로 전극 위에 전착법에 의하여 EIROF/NPG 형성 후 전극의 임피던스를 측정하여 다공성 금 나노 구조체 전극의 임피던스와 비교하였으며 구조적 차이를 확인하기 위하여 평면형 이리듐 산화물 전극의 임피던스도 함께 비교하였다. 이 리듐 산화물, 다공성 금 나노구조체 전극은 1kH에서 각각 약 30kΩ과 16kΩ의 임 피던스 값을 보이는 반면에 EIROF/NPG 전극은 1kHz에서 약 8.5kΩ의 임피던스 값 을 나타낸다. 이는 NPG 전극의 임피던스 값에 비교하여 2배 정도 감소한 것이며, 이리듐 산화물과 비교하여서는 약 4배 정도 감소한 것이다. 임피던스는 표면적의 넓이에 반비례 하기 때문에 고른 표면을 보이는 이리듐 산화물 전극과 비교하여

(29)

<그림 10> EIROF/NPG 전극의 순환 전압전류 곡선 포어 구조를 갖는 EIROF/NPG 전극의 임피던스가 더 작은 값을 갖는다. 또한 다공 성 금 나노 구조체 전극과 비교하여 이리듐 산화물-다공성 금 나노구조체 전극의 임피던스가 낮은 것은 이리듐이 갖는 전기적 특성 때문으로 사료된다. 위의 결과 로 볼 때 EIROF/NPG 전극은 구조적인 면과 물질 특성 측면에서 우수한 조합임을 알 수 있다. 이리듐 산화물의 전착 두께에 따른 전기적 특성 값 비교를 위하여 전 착 회전수를 달리하여 두께를 조절하고 임피던스 값을 비교 하였다. 회전수를 30 - 100사이클 범위에서 전착 하였으며 임피던스는 전착회전수가 증가 함에 따라 11.4 (30 cycles), 10 (50 cycles), 9.5 (70 cycles), 8.5 (100cycles)kΩ 의 순 서로 감소함을 알 수 있다<그림 9>. 효율적인 신경자극을 위해서 전극의 전하저장용량 및 전하주입제한 용량값이 일정 수준 이상의 값을 갖아야 한다. 전하저장용량은 순환전압전류 곡선의 환원전 류 영역의 면적으로 부터 구할 수 있다. 따라서, 이리듐 산화물 전극 및 EIROF/NPG 전극의 전하저장용량을 계산하기 위하여 순환전압전류값을 측정하였으 며 <그림 10> 에 나타내었다. 다공성 금 나노구조체 상에 이리듐 산화물을 전착한 전극은 이리듐 산화물 전극과 비교하여 전류값이 현저히 증가함을 알 수 있으며, 전착회전 사이클 수가 증가 할수록 면적이 커짐을 알 수 있다. 전하저장용량을 계 산하기 위하여 환원전류 영역 곡선 면적을 계산하였다. 이리듐 산화물 전극의 전

(30)

<그림 11> 이리듐 산화물 전극과 이리듐 산화물-다공성 금 나 노구조체 전극의 voltage transient. 하저장용량은 0.6mC/Cm2 인 반면에 EIROF/NPG 전극의 전하저장용량은 8.8mC/Cm2으 로 계산되었다. 전하저장용량의 차이는 다공성 금 나노구조체로 인한 표면적의 증 가로부터 기인한 것이며 이 값은 Pt black, SIROF 등의 전극에 비하여는 다소 낮 은값이지만 일반적인 신경전극 재료로 사용되는 TiN, Pt등보다는 큰 값을 나타낸 다. 신경전극의 전하주입제한용량은 조직에 해를 주지 않는 안정적이고 효과적인 자극을 가하기 위한 필수 항목이기 때문에, 전하주입제한 용량을 비교하였다. 전 하주입제한 용량은 voltage transient 방법을 사용하여 계산하였으며, 펄스폭은 100µs로 하였으며 펄스 사이는 30 μs의 간격을 주었다. 이리듐 산화물 전극과 EIROF/NPG 전극의 전하주입제한용량은 각각 < 0.1 and 2.3 mC/cm2 으로 다공성 금 나노구조체 상에 전착한 전극의 전하주입제한용량이 현저하게 증가함을 알 수 있으며, Pt, CNT, TiN, AIROF 전극에 비하여 큰값을 나타낸다. 전하저장용량은 단위 면적당 전하의 양으로 측정되는 값이지만 전하저장용량 의 크기와 전하주입용량이 비례하지는 않는다. 예를들어, 전하저장용량이 각각 31mC/cm2 , 23.5 mC/cm2 인 SIROF와 EIROF의 전하주입용량은 각각 1.27 과 4.6 mC/cm2이다. 이는, 전하주입 효율이 15% 정도에 해당하는 값이며, 본 연구에서 개발한 전극의 전하주입효율 25%보다 효율면에서 더 낮다고 볼 수 있다.

(31)

<그림 12> Hippocampal 조직의 CA1 영역에서 전기자극에 의한 fEPSPs를 발현하는 분포도. (a) 전극위에 분포한 CA1 영역 (b,c)

EIROF/NPG전극과 NPG 전극의 자극에 의한 fEPSPs

마. EIROG/NPG 전극의 자극특성평가

증가된 전하주입효율의 효과는 신경조직세포에 자극을 가하여 자극 반응 및 자극 감도를 측정함으로써 확인하였다. 200 μm 간격으로 60개의 전극이 있는 다 중 전극 어레이중 30개의 전극은 NPG 로 표면을 개질하고, 30개의 전극은 EIROF/NPG 로 개질하여 비교하였다. Rat의 hippocampal 티슈를 MEA에 올려두고 <그림 12>(a), 5 V의 세기와 , 20 μs의 펄스폭으로 갖는 펄스를 이상성으로

(32)

<그림 13> fEPSPs의 I/O 와 (a,b) NPG 전극과 EIROF/NPG 전극에서 기록한 자극 전 압에 따른 fEPSPs의 변화. (c) NPG 전극과 EIROF/NPG 전극에서 측정된 신호 세기의 도식. (d,e) 각 4개의 전극에서 기록된 fEPSPs의 변화. (f) NPG 전극과 EIROF/NPG 전극에서 fEPSPs 신호세기의 감소량 차이

EIROF/NPG 또는 NPG 전극에 가해서 그 반응 결과를 기록하였다. 자극을 CA1 영역 의 stratum radiatum층에 위치한 EIROF/NPG 전극(채널 33) 또는 NPG 전극 (채널 40)에 가했을 때 fEPSPs는 CA1 영역을 통해서 SR층과 pyramidal cell layer(SP)층 에서 발현되었다. fEPSP를 야기하는 EIROF/NPG전극에 자극을 한 경우에 NPG 전극

에 자극을 하였을 경우와 비교하여 피크 세기가 우세하며 duration 시간도 더 길 게 유지됨이 관찰되었다.

<그림 13> 은 0.1V-9V의 범위에서 자극세기를 변화시켜가며 EIROF/NPG전극과 NPG 전극에서 측정한 fEPSPs 를 보여준다. EIROF/NPG전극에서는 NPG 전극과 달리 낮은 자극세기 (1-4V)에서도 fEPSPs의 negative peak의 세기가 점차 증가함을 알 수 있었으며 피크 반응 후에 피크의 prologation도 EIROF/NPG전극에서 더 길게 유 지되는 결과를 나타내었다. <그림 13>(d)(e)는 각 4개의 전극에서 기록한 신호의 순차적 변화를 보여주고 있다. 자극전극으로부터 거리가 먼 전극으로 갈수록 자극 반응에 의한 신호의 세기의 감소폭이 더 큼을 알 수 있으며 그 감소폭은 NPG 전극 에서 더 크게 나타난다. EIROF/NPG 전극과 NPG 전극간의 피크세게 감소 비율은 자

(33)

극전극에 이웃한 첫번째 전극에서의 세기의 퍼센트 비율로부터 계산하였으며 <그 림 13>(f)에 나타내었다. 위의 결과들은 EIROF/NPG 전극의 전하주입제한 용량이 NPG 전극보다 더 크다는 것을 의미하며, 이는 전기적인 특성평가에서의 결과와 일 치하고 있다. 본 연구에서 개발한 전극은 기존의 전극에 비하여 공정 및 비용 측면에서 우 수하며 전하저장용량 대비 전하주입 효율이 우수함이 입증 되었다.

(34)

2. 투명 그래핀/VACNT 하이브리드 신경전극 인터페이스

한국화학연구원과 공동 연구로, 한국화학연구원에서 제작한 투명그라핀/VACNT (verically aligned carbon nanotubes) 전극을 이용하여 초대 배양된 대뇌피질 뉴 런과의 인터페이스 연구를 진행하였다. 전극의 형태는 <그림 14>와 같이 직경 5μ m 의 기둥 모형이다.

(35)

(36)

<그림 16> 상용 전극과 그래핀/VACNT 하이브리드 전극과의 비교 3D 전극에 뿌려진 피질 뉴런은 기둥을 감싸려는 특성을 가지고 있어 <그림 15>와 같이 전극 주변에 뉴런이 위치한다. 뉴런에서 발생하는 신호의 모형은 dendrite/soma/axon 등 부위에 따라 다른 신호를 보이므로, 전극에 뉴런의 어떤 부분이 연결되어 있느냐에 따라 신호의 모형은 달라질 수 있다. 평평한 전극보다 돌출 전극이 뉴런과 전극간의 접착성이 보다 향상됨을 보여 주기 위하여 2D 상용전극과 투명 그라핀 VACNT 3D 전극의 신호를 <그림 16>과 같 이 비교하였다. 비교결과 노이즈의 크기는 비슷하나 3D 전극의 경우 전체적인 신 호의 크기가 월등이 높음을 보였다. 또한, (c) 투명 그라핀/VACNT 하이브리드 전 극이 (d) TiN 전극보다 50~1200μV 까지 다양한 크기의 스파이크가 측정됨을 보였 다.

(37)

<그림 17> 뉴런 신호의 시뮬레이션과 TEM 사진 투명그라핀/VACNT 전극의 신호 크기가 2D 전극에 비해 큰 이유를 밝히기 위해 TEM을 이용하여 전극과 뉴런간의 접착된 간격을 측정하였고 <그림 17>과 같이 전 극 사이에 뉴런이 파고드는 형태로 거리를 측정할 수 없을 정도로 단단히 밀착되 어 있는 모습을 보였다. 또한 뉴런과 전극간의 인터페이스를 시뮬레이션하기 위하 여 (d)와 같이 등가회로를 구현하였고 뉴런, 전극, 시스템의 고유 특성을 이용하 여 뉴런과 전극간의 접착력을 가늠할 수 있는 seal 저항을 역 추적하여 시뮬레이 션 하였다. Seal 저항이 클수록 전극과 뉴런간의 밀착력이 강력함을 의미한다. (f)는 측정된 스파이트 신호와 시뮬레이션 값을 같이 매칭하여 seal 저항 값을 추 정하였을 경우 –600㎶ 이상의 크기를 갖는 신호의 경우 50MΩ의 seal 저항 값을 가짐을 보였다. 이는 뉴런과 전극간의 간격이 수nm의 근접한 밀착성을 가질 경우 나타나는 저항 값으로 투명그라핀 VACNT 전극의 최대 신호 크기는 1.2mV로 50MΩ 이상의 저항 값을 보일 것으로 예상된다.

(38)

제 2 절 양방향 뉴럴 인터페이스 시스템

1. 전처리단 설계

MEA system 구성은 <그림 18> 과 같고 MEA probe head가 전처리단를 의미한 다. <그림 18> MEA 시스템의 구성 가. 시스템 구성 일반적으로 수 마이크로 전압의 신경신호를 처리하기 위하여 전처리단에 증폭 기를 두어 2차례의 증폭을 통해 신호대 증폭비를 높이는 방법을 사용한다.[1-4] 우리 연구실에서는 전처리단의 유무에 따른 신호의 차이를 비교하려고 한다. <그림 19>에 따라 MEA probe stage에 pre-amplifier를 포함시킨 전처리단과 그렇 지 않은 케이스를 구성하여 비교하였다. 전처리단에 pre-ampifier가 연결된 전극 은 60개중 8 채널이다. 나머지 채널은 pre-amplifier가 연결되어 있지 않다. <그 림 20>은 실제 PCB 모습이다. 좌는 pre-amp가 없는 MEA probe stage 이고, 오는 pre-amp가 배치되어 있는 stage 이다.

(39)

<그림 19> 전처리단에 따른 시스템 구성

<그림 20> MEA probe stage, 좌)pre-amp 없는 PCB, 우) 부분 pre-amp 있는 PCB

(40)

<그림 21> Pre-amplifier 회로도 <그림 21>은 전처리단에 들어가는 pre-amplifier의 회로도를 나타낸다. 앞단 은 수동소자를 이용하여 DC를 제거한 후, OPA4376을 이용하여 비반전 증폭회로를 구성하였다. 증폭도는 다음 식으로 계산된다. Gain = 1 + (R1/R2) R1, R2의 값에 따라 증폭도는 2, 5, 10배로 변화된다.그림 2-2-5는 전처리단 의 다이어그램 이다. 특정 8 채널 (E18,19,22,23,33,35,38,40)에 pre-amp 회로를 연결하였다. R6,7,8,9,10,11,12,13,18,19,20,21,22,23,24,25 의 저항값을 조절하 여 증폭비를 조절 할수 있다.

(41)

<그림 22> 전처리단 다이어그램

<그림 23>은 MEA system에 뉴런 신호 증폭/필터 회로도 이다. AC coupling, 버퍼와 증폭기 그리고 2차 저역 통과 필터로 구성되어 있다. 통과 대역은 0.15~11kHz 이고, 증폭도는 1000배 이다.

(42)

<그림 23> MEA system 뉴런 신호처리 회로

(43)

MEA system을 통해 처리된 신호를 분석하였다. <그림 24>에서 (a)는 주파수별 노이즈 그래프를 보인다. 회색선은 5개 전극의 그래프 합을 나타내고, 검은선은 평균값을 나타낸다. (b)는 시간에 따른 노이즈를 보인다. 소프트웨어 필터를 통해 300~3000Hz 필터링한 신호(빨간선)와 raw 신호 (검은선)을 그래프화 하였다. (c) 는 전처리단이 미포함된 MEA probe stage를 이용한 실험에서 MEA probe stage와 MEA system의 거리 (케이블 길이)에 따른 신호 감쇠를 비교위한 그래프로 케이블 길이가 길어질수록 신호원(MEA-SG, spike)의 크기 변화를 비교하였다. 결과 케이 블 길에 따른 변화가 거의 없음을 보였다. (d)는 주파수에 따른 증폭도를 보여준 다. Mid-gain은 60dB 이며, 필터 영역은 0.1~11kHz에서 –3dB를 보인다. 나. 노이즈 비교 1) 전처리단 증폭도에 따른 노이즈 비교 상태에 따른 노이즈는 그림 8에서 나타난다. Gain 0은 전처리단이 없는 경우 의 전극 60개의 평균 노이즈 이다. Gain 1은 전처리단에 pre-amplifier가 연결되 어 있지 않은 채널의 평균값이다. 나머지 gain 2, 5, 10은 전처리단에 pre-amplifier가 연결된 채널로 증폭도에 따른 전극의 노이즈 값이다.

검정 포인트는 MEA probe stage의 입력을 그라운드에 연결시킨 후 측정한 input referred noise 이다. 빨간 포인트는 MEA-signal generator (MCS.) 연결 후 측정한 노이즈이며, 파란색 포인트는 MEA에 뉴런을 키운 후 측정 된 노이즈 이다.

Gain 0(0.747㎶)과 Gain 1(2.294㎶)은 동일한 회로 구성으로 MEA probe stage 에 전원 공급 유무에 따른 차이를 보인 것이다. Gain 2/5/10은 증폭도 증가에 따 른 선형적인 노이즈 증가를 보여준다.

(44)

<그림 25> 증폭도에 따른 노이즈

2) 공급 전원에 따른 노이즈 비교

위 그래프에서 MEA probe stage에 전원 유무에 따른 노이즈 차이를 보였다. 전원의 정도에 따라 노이즈 변화를 비교하기 위하여 전원 공급에 따른 노이즈를 비교하였다. 결과는 그림 9에 보인다. pre-amplifier가 연결되어 있지 않은 E2 채널에서의 노이즈를 살펴보면, 배터 리를 사용한 경우 5㎶ 이하의 노이즈를 보이지만, DC 전원을 사용한 경우 10㎶ 정 도의 노이즈를 보였다. 이는 전원 노이즈가 DC 전원일 경우 더 크게 나타나기 때 문이다. 두 그래프 모두 공급 전원이 커질수록 노이즈의 증가 추세를 보였다.

(45)

<그림 26> 전원에 따른 노이즈 비교 다. 신호 비교

1) 전처리단 증폭도에 따른 신호 비교

전처리단 증폭도에 따라 뉴런을 키운 (DIV-80) 동일 전극(2015-88) 을 이용하 여 신호를 비교하였다. 신호의 전체 증폭도를 동일하게 설정하였다.

(46)

<그림 27> 전처리단 증폭에 따른 신호 비교

<그림 27>은 MEA-SG(signal generator)의 spike 신호를 이용하여 비교하였다. 전체 증폭도는 1000, 필터는 300~3000Hz의 band-pass filter를 사용하였다. Total gain을 동일하게 normalization 시켜 신호 비교를 쉽게 하였다. 증폭에 따라 노이 즈는 증가하나 신호의 피크 값을 일정하게 유지된다. 즉 신호 감쇠는 보이지 않았 다.

(47)

<그림 28> 전처리단 증폭도에 따른 셀 신호 비교 실험에 사용된 전극은 2015-88(DIV-80) 로 E22 동일 전극으로 측정하였다. 측 정결과는 <그림 28>와 같다. 측정 결과 신호대 잡음비는 증폭도(x2, x5, x10)에 따라 7.23, 6.31, 3.46로 증폭도 증가에 따라 감소함을 보였다. 또한 전처리단 (pre-amplifier)의 유무에 따른 신호대 잡음비를 살펴보면 pre-amplifier가 없을 때 신호가 감쇠됨을 보이나, 노이즈 또한 낮게 측정된 SNR이 x2 보다 높게 측정되 었다. 2) 재질에 따른 신호 감쇠

MEA probe stage의 재질에 따른 신호 감쇠를 비교하기 위하여 <그림 29>와 같이 Teflon(비전도 물질) 와 Metal(전도 물질) 재질의 케이스를 이용하여 실험 하였다.

(48)

<그림 29> 좌)테프론 케이스, 우)메탈 케이스

<그림 30> 케이스 재질에 따른 신호 비교

실험에 사용된 전극을 동일한 전극(2015-88, DIV-82, E21)으로 <그림 30>은 burst 신호를 나타냈다. 표는 4개의 샘플의 평균값을 보여준다. Metal의 케이스 보다 Teflon을 사용할 경우 신호 감쇠를 보였고, 노이즈는 Metal 2.39㎶, Teflon 2.57㎶로 보다 높게 나타났다.

(49)

안정적으로 신호를 측정하기 위해서는 신호 감쇠를 줄일 수 있는 안정적 쉴딩 이 가능한 케이스도 중요함을 보여준다.

라. 상용 시스템과 비교

MEA probe stage를 분리 하지 않은 상용 시스템 (MCS.)과 우리가 제작한 시스 템을 비교하기 위하여 동일한 셀을 이용하여 신호를 측정하였다(<그림 31>). 셀의 상태에 따른 신호가 유동적으로 변하기 때문에 직접적 비교를 불가능하나, MCS와 우리 시스템으로 측정한 신호를 비교했을 때 신호 피크나 노이즈 면에서 큰 차이 를 보이지 않았다. <그림 32>은 6개의 샘플을 이용하여 상용 시스템 (MCS)와 우리 시스템의 SNR 차이를 비교하였다. 근소한 차이를 보이기는 하였으나 셀 신호는 일정하지 않기 때문에 무시할 정도의 차이라 보인다. 0 5 10 15 20 25 -120 -100 -80 -60 -40 -20 0 20 40 60

V

ol

ta

ge

(m

V

)-N

IS

Time (s) 0 5 10 15 20 -120 -100 -80 -60 -40 -20 0 20 40 60

V

ol

ta

ge

(m

V

)-M

C

S

Time (s) <그림 31> 상용 시스템과 신호비교

(50)

<그림 32> 상용 시스템과 SNR 비교

전처리단이 없을 경우 신호 증폭단과 전극과의 거리에 따른 신호 변화를 관찰 하기 위하여 MEA probe stage와 시스템과의 케이블 길이에 따른 신호를 측정하였 다. 케이블 길이는 1m/ 2m/ 3m로 정하였고, 동일 셀의 같은 전극에서 신호를 비교 하였다. 셀 신호는 상황에 따라 유동적으로 변동할 수 있으므로, 직접적인 비교를 하지 못하나, 유사한 신호 패턴을 뽑아 비교하였다. 신호의 피크 값과 노이즈를 비교하였다.

마. 셀을 이용한 성능 평가

DIV-21 MEA를 이용하여 spontaneous spike 신호를 측정한 <그림 33>은 버스트 신호와 스파이크 신호를 보여준다. 피크 신호가 ±300㎶ 이상의 크기를 보였다.

(51)

<그림 33> In vitro 셀 실험 결과 <그림 34>은 실리콘기반의 침전극 (A1×16-5mm50-703-A16-50, NeuroNexus)을 이용하여 rat의 cortex부분에 전극을 삽입하고 신호를 측정한 그래프이다. 기존 논문[5]과 비슷하게 노이즈 레벨은 10~18㎶을 보이고 전형적인 네트워크 휴지기 기반의 리드미컬한 사이클을 보인다. 높은 노이즈 레벨은 0.7~1MΩ의 전극 의 임피던스가 원인이다.

(52)

<그림 34> In vitro 셀 실험 결과

Rat의 해마부분을 slice 하여 LTP 실험을 진행하였다. <그림 35>이 그 결과를 보여준다. (a)는 brain slice에 26번 전극에 양극 펄스(±1.5V, 100Hz/5 pulses, 200ms interval 10 epochs, 20s interval 3 train)의 Theta burst를 준 후, 단일 펄스를 장시간 지속한다. (b)는 측정 전극에서 신호 변화를 보여준다. 파란선은 자극 전 신호 크기이며, 빨간선은 자극 후 신호 변화를 보여준다. Theta burst 이 후 전극 11, 12, 17,36 에서 자극 전 후의 신호 변화(활성화)를 보였고, (c)와 같 이 이 변화는 1시간 이상 유지됨을 보인다. 이렇게 오랜 시간 신호 변화가 유지되 는 현상을 LTP라 한다.

(53)

(54)

2. 128채널 신경신호기록 시스템 개발

가. 시스템 개발 개요 생물학적 뉴럴네트워크의 분석 및 인공 뉴럴네트워크와의 양방향 통신을 위해 신호 측정 및 분석을 할 수 있는 시스템을 개발하였다. 생물학적 뉴럴네트워크에 서 신호를 측정하고 원래의 신호 데이터를 저장 및 도시할 수 있는 환경을 갖추었 으며 신경신호를 기반으로 스파이크 데이터를 실시간으로 추출할 수 있는 환경을 구축하였다. 인공 뉴럴네트워크와의 통신을 위하여 인공 뉴럴네트워크를 함께 테 스트 할 수 있는 시스템을 동시에 구축을 하여 향 후 두 시스템의 연결성을 보고 자 하는 연구에 사용할 수 있는 하드웨어 구축을 완료 하였다. 생물학적 시스템과 전기적 시스템을 양방향으로 연결함에 있어서 가장 중요한 실시간 처리를 하기 위 하여 소프트웨어를 거치지 않는 하드웨어 상에서 모든 처리를 할 수 있는 시스템 구축을 완비 하였다. 하지만 하드웨어 상에서 벌어지는 신호들의 교환들에 대한 외부 확인이 필요하므로 소프트웨어 환경을 구축 하여 시스템의 상태에 대하여 실 시간으로 모니터 할 수 있는 환경 또한 구축을 하였다. 실시간 모니터의 대상은 신경신호의 아날로그 샘플링 데이터와 두 시스템에서 생성되는 스파이크들이다. 신경신호의 아날로그 샘플링 값은 다른 여러 뉴로사이언스 연구에 필요에 따라 원 데이터를 전부 저장하고 불러 올 수 있도록 하였다. 하지만 실시간으로 확인하고 자 하는 목적에서는 전체 신호를 전부 봐야 하는 이유가 없고 중요하지 않으며 모 든 정보를 처리하여 보여주는 것 자체가 소프트웨어에 부담을 주어 실시간 시스템 구축을 어렵게 하는 점이 있다. 이러한 이유로 실제 모니터를 위하여서는 원 신호 를 다운 샘플링하여 표현하여 준다. 또한 스파이크 정보는 따로 시간축에 대한 래 스터 도표로 보여주어 뉴럴네트워크의 상황을 실시간으로 보여주기도 하며 뉴럴네 트워크의 동기화 등을 시각화 해주는데 도움이 된다. <그림 36>은 기본 64채널 시스템을 이용할 때의 모니터 인터페이스를 보여 주 고 있다. 하드웨어 설계상 최대 지원 채널 개수는 128채널이므로 증가하는 채널 수요에 따른 소프트웨어에서의 대응이 필요하다. 128채널에 대한 실험을 두 가지 형태를 목표로 두고 사용자인터페이스 설계를 하였다. 하나는 단일 128 채널 신경 전극에 대해 실험을 하는 경우이다. 이러한 경우 단일 신경전극 위에 배양된 생물 학적 뉴럴네트워크와 인공 뉴럴네트워크와의 양방향 통신을 위해 64채널의 경우와 동일하게 사용가능하다. <그림 37>에서 이와 관련된 상황에 대응할 수 있는 128채 널의 경우에 필요한 사용자인터페이스를 보여준다. 다른 실험 상황은 두 개의 64 채널 시스템을 동시에 측정을 하거나 두 개의 64채널 시스템이 서로 연동되는 실 험을 구상할 수 있는 사용자인터페이스이다. <그림 38>에서 이와 관련된 상황에서 사용하는 실제 소프트웨어 인터페이스 환경을 보여주고 있다. 본 시스템에서는 신 호처리 및 실제 시스템의 구동은 모두 실시간으로 하드웨어에서 이루어지지만 이 와 같이 소프트웨어 측면에서 사용자와의 상호 작용을 위하여 다양한 실험 환경을

(55)

<그림 36> 64 채널 시스템 사용자 인터페이스

<그림 37> 단일 128 채널 시스템 사용자 인터페이스 상정하여 대응할 수 있도록 개발 되었다.

(56)

<그림 38> 듀얼 64 채널 시스템 사용자 인터페이스 다양한 실험 환경을 소프트웨어 상에서 조정을 할 수 있는 자유도를 갖추었 다. <그림 39>에서 보여지는 창에서 다양한 환경을 하나의 환경설정을 통해 설정 할 수 있다. 스파이크 분류 시스템에 필요한 파라미터들을 설정할 수 있다. 신경 신호는 DC 전압 레벨이 채널마다 다를 수 있다. DC 오프셋 보정 과정을 통하여 사 용하는 전극 또는 front-end에 따라 오프셋을 측정 및 보정해 주어야 한다. FPGA 에서 사용하는 타임스탬프의 분해능을 설정해 줄 수 있다. 사용하는 채널에 따라 모니터링 하는 화면의 설정을 변경할 수도 있다. 실리콘 뉴런 어레이의 테스트를 위한 여러가지 설정을 변경해가며 사용하는 실리콘 뉴런에 대한 설정을 변경할 수 도 있다.

(57)

<그림 39> NIS 128 실험 환경 설정 창 나. 스파이크 분류 기법 신경전극을 통해 측정하는 실시간 신경신호 데이터의 원본은 정보량이 너무 많고 데이터 자체에 실제로 의미를 지니고 있지 아니한 노이즈 신호까지 포함하고 있다. 보다 빠르고 광범위한 데이터 추출을 위해서는 이러한 대용량의 데이터에서 의미 있는 부분만을 추출하는 것이 중요하며 신경신호 측정 시스템에서는 생물학 적 뉴럴네트워크의 동작 의미를 표현하고 있는 스파이크 신호를 추출하는 것이 이 러한 과정에 도움이 된다. 신경전극을 통해 측정되는 스파이크는 단일 뉴런이 아닌 전극 주변으로 형성 되어 있는 여러 개의 뉴런들로부터 발현되는 스파이크 들의 시간적 합이다. 이러 한 스파이크들은 크기나 모양이 다르게 측정되고 분류가 가능한 범위 내에서 여러 개의 단일 소스로 분류하여 분석한다. 이처럼 하나의 신경전극을 통해 측정 되는 스파이크들을 여러 개의 단일 소스에서 나오는 스파이크로 구분하여 분류 하는 분 야를 스파이크 분류 (Spike sorting)라고 한다[6]. 스파이크 분류를하기 위해서는 <그림 40>(a)에 나타난 것과 같이 일련의 과정 을 거치게 된다. 가장 먼저 원본 데이터에서 노이즈가 아닌 스파이크 신호의 유무 를 검출 (spike detection)을 해야 한다. 스파이크를 검출 하는 방법으로는 일정