임상적 뇌-컴퓨터 인터페이스 (Brain-Computer Interfaces, BCIs)의 발전은 정밀하고 신뢰할 수 있는 신호 해석에 달려 있습니다. 그러나 이식형 및 비이식형 BCI 모두에서 캡처된 데이터의 고차원적이고 노이즈가 많은 특성은 특징 선택 (feature selection) 알고리즘의 사용을 촉진하는 중요한 과제를 제기합니다. 우리는 머신러닝 (machine learning) 작업에서 가장 관련성 높은 특징을 식별하기 위해 BCI 데이터셋에 다양한 최적화 알고리즘을 적용하는 과정을 간소화하도록 설계된 Python 기반 툴박스인 BCI-sift (BCI Systematic and Interpretable Feature Tuning)를 소개합니다. 우리의 scikit-learn 호환 툴박스 (github.com/UMCU-RIBS/BCI-sift)는 고급 최적화 방법을 통합함으로써 BCI 작업에서의 특징 선택을 단순화합니다. 우리는 감각운동 피질 (sensorimotor cortex) 위에 64-128개의 전극이 이식된 8명의 건강한 참가자로부터 얻은 고밀도 피질전도 (high-density electrocorticography, HD ECoG) 데이터를 통해 이 툴박스를 검증하였으며, 참가자들은 12개의 단어를 반복해서 말했습니다. BCI-sift는 전극, 시간, 주파수 차원에 걸쳐 정보가 풍부한 신경 특징을 식별했습니다. 선택된 전극의 해부학적 위치는 참가자 간에 일관되었으며, 감각운동 피질의 알려진 기능적 조직과 일치했습니다. 관련 시간 지점들은 언어 생성 (speech production) 전후에 집중되었으며, 고주파 대역이 가장 정보가 많은 것으로 식별되었는데, 이는 이전 연구들과 일치합니다. 특징 선택은 모든 특징을 사용했을 때와 비교하여 분류 정확도 (classification accuracy)를 향상시켰습니다. BCI-sift는 BCI 연구에서 특징 선택을 위한 접근 가능하고 다재다능한 플랫폼을 제공하여, 디코딩 성능 향상, 자동화된 특징 분석, 그리고 향상된 해석 가능성 (interpretability)을 가능하게 합니다. HD ECoG 데이터에서 검증되었지만, 이 접근 방식은 다른 BCI 양식 (modalities)에도 폭넓게 적용될 수 있습니다. 분류 정확도와 해석 가능성을 높임으로써, BCI-sift는 효율적이고 투명한 BCI 시스템을 개발하는 데 있어 핵심적인 과제들을 해결합니다.