1) 시스템 아키텍처 전체 개요 및 주요 블록 분해
본 특허가 제시하는 시스템은 단순한 전극 어레이를 넘어, 두개골 내부에 이식되는 완전 자율형 '신경 신호 처리 시스템-온-칩(SoC)' 아키텍처를 핵심으로 합니다. 전체 시스템은 데이터 흐름에 따라 크게 4개의 논리적 블록으로 분해할 수 있습니다: [1] 아날로그 프론트엔드(AFE), [2] 디지털 신호 처리(DSP) 및 머신러닝(ML) 코어, [3] 데이터 패킷화 및 제어 유닛, [4] 저전력 무선 트랜시버. 이 아키텍처의 가장 큰 특징은 기존 BCI 시스템에서 외부에 존재하던 거대한 처리 장치를 마이크로미터 스케일의 단일 칩에 집적하여 '신경 활동의 소스' 바로 옆에서 모든 연산을 수행한다는 점입니다. 이는 데이터 전송으로 인한 병목 현상과 전력 소모를 원천적으로 제거하려는 설계 사상에 기반합니다. 데이터는 뇌의 뉴런에서 시작하여 전극, AFE, DSP/ML 코어, 무선 트랜시버를 거쳐 외부 장치로 전달되는 단방향 파이프라인을 형성합니다. 각 단계는 이전 단계의 출력물을 입력으로 받아 점진적으로 데이터를 정제하고 정보 밀도를 높이는 계층적 구조를 가집니다. 예를 들어, 1024개의 전극에서 초당 수집되는 원시 데이터는 약 500Mbps에 달하지만, 이 파이프라인을 거치면서 최종적으로 외부로 전송되는 데이터는 1Mbps 미만의 고도로 정제된 '의도 벡터'가 됩니다. 이 과정에서 99.8% 이상의 데이터가 압축 및 필터링되지만, 실제 정보 손실은 최소화됩니다. 전체 시스템은 극도의 저전력을 목표로 설계되었으며, 비동기식 로직, 클럭 게이팅, 전력 게이팅과 같은 첨단 기술을 적용하여 대기 상태에서는 수 마이크로와트(μW) 수준의 전력만 소모하다가, 집중적인 신경 활동이 감지될 때만 동적으로 활성화되어 수 밀리와트(mW) 수준에서 연산을 수행합니다. 이는 제한된 배터리 용량으로 수년간 동작해야 하는 임플란트 장치의 핵심 요구사항을 만족시키기 위한 필수적인 설계입니다. 또한, 시스템은 펌웨어 무선 업데이트(FOTA) 기능을 지원하여, 칩을 교체하지 않고도 새로운 스파이크 정렬 알고리즘이나 압축 코덱을 지속적으로 개선할 수 있는 유연성을 확보했습니다.
2) 구성 요소 상세 분해 (Component-by-Component Analysis)
각 구성 요소를 더 깊이 분석하면 이 기술의 공학적 깊이를 이해할 수 있습니다. 첫째, [아날로그 프론트엔드(AFE)]는 1024개 이상의 채널 각각에 연결된 저잡음 증폭기(LNA)와 아날로그-디지털 변환기(ADC)로 구성됩니다. LNA는 뉴런의 미세한 전기 신호(수십 마이크로볼트, μV)를 증폭하는 역할을 하며, 이때 외부 전자기 간섭(EMI)과 내부 열 잡음(thermal noise)을 최소화하는 것이 핵심입니다. 특허는 초퍼 안정화(chopper stabilization)와 같은 기술을 사용하여 LNA의 1/f 노이즈를 억제하고, 입력 임피던스를 극대화하여 신호 감쇠를 막는 설계를 암시합니다. 각 채널의 ADC는 최소 30kS/s (kilo-samples per second)의 샘플링 속도와 16비트의 해상도를 가집니다. 이를 통해 원시 데이터 스트림의 총량은 1024 채널 × 30,000 샘플/초 × 16 비트/샘플 = 491.52 Mbps 라는 막대한 양이 됩니다. 둘째, [DSP 및 ML 코어]는 이 시스템의 '두뇌'입니다. 이 코어는 여러 단계로 작동합니다. 우선, 프로그래머블 디지털 대역 통과 필터(band-pass filter)가 각 채널의 데이터에서 액션 포텐셜(Action Potential)이 주로 존재하는 300Hz에서 6kHz 대역의 신호만 추출합니다. 이후, '스파이크 탐지' 모듈이 신호의 진폭이 미리 설정된 임계값을 넘어서는 지점을 찾아냅니다. 핵심 혁신은 '적응형 스파이크 정렬(adaptive spike sorting)'을 수행하는 전용 ML 가속기에 있습니다. 기존의 템플릿 매칭 방식과 달리, 이 가속기는 경량화된 컨볼루션 오토인코더(Convolutional Autoencoder)와 같은 비지도 학습 모델을 사용하여 실시간으로 스파이크 파형의 특징을 추출하고, 이를 기반으로 여러 뉴런에서 발생한 신호를 분리(clustering)합니다. 이 과정은 지속적으로 업데이트되어 뇌의 가소성(plasticity)에 따라 변화하는 신경 신호 패턴에 적응합니다. 셋째, [데이터 패킷화 및 제어 유닛]은 ML 코어에서 출력된 결과물, 즉 '뉴런 ID', '스파이크 발생 시각(\timestamp)', '핵심 파형 파라미터' 등의 정보를 효율적인 바이너리 포맷으로 압축하고 패킷을 생성합니다. 또한, 시스템 전체의 전력 상태를 관리하고, 외부 장치와의 통신 프로토콜을 제어하는 역할을 수행합니다. 마지막으로, [저전력 무선 트랜시버]는 독자적인 프로토콜을 사용하여 생성된 데이터 패킷을 외부 수신기로 전송합니다. 이는 Bluetooth Low Energy (BLE)와 유사하지만, BCI의 핵심 요구사항인 '초저지연'과 '높은 신뢰성'에 최적화되어 있습니다. 예를 들어, 일반적인 BLE의 수십 밀리초(ms) 지연 시간과 달리, 이 프로토콜은 1ms 미만의 지연 시간을 목표로 설계되었을 가능성이 높습니다. 또한, 채널 호핑(channel hopping)과 순방향 오류 정정(FEC) 코드를 적극적으로 사용하여 무선 환경의 간섭에도 데이터 손실을 최소화합니다.