본 논문에서는 정신적 과제수행 동안 EEG 뇌파의 정확한 분류방법에 관하여 기술한다. 피험자는 실험 task에서 시각적 자극에 대한 반응, 문제의 해석, 손동작 제어와 키 선택을 수행한다. 선택시간을 감지하기 위하여 측정한 뇌파로부터 $\alpha$, $\beta$, $\theta$, $\gamma$를 분리하고 4가지의 특징들을 해석한파. 이 특징들을 분석하여 각 피험자별로 공통적인 특징플로 구성된 일반 규칙을 설정한다. 본 시스템의 신경망은 1개의 은닉층을 갖는 3층의 피드포워드 신경망 구조를 가지며 학습에는 역전파 학습 알고리즘을 이용하였다. 4명의 피험자를 대상으로 설정한 알고리즘들을 적용하여 평균 87% 분류 성공률을 보였다. 본 논문에서 제안한 방법은 인지적인 정신과제 판별을 위한 방법들과 결합하여 BCI 기술을 위한 기반 기술로 활용될 수 있다.
본 논문에서는 정신적 과제수행 동안 EEG 뇌파의 정확한 분류방법에 관하여 기술한다. 피험자는 실험 task에서 시각적 자극에 대한 반응, 문제의 해석, 손동작 제어와 키 선택을 수행한다. 선택시간을 감지하기 위하여 측정한 뇌파로부터 $\alpha$, $\beta$, $\theta$, $\gamma$를 분리하고 4가지의 특징들을 해석한파. 이 특징들을 분석하여 각 피험자별로 공통적인 특징플로 구성된 일반 규칙을 설정한다. 본 시스템의 신경망은 1개의 은닉층을 갖는 3층의 피드포워드 신경망 구조를 가지며 학습에는 역전파 학습 알고리즘을 이용하였다. 4명의 피험자를 대상으로 설정한 알고리즘들을 적용하여 평균 87% 분류 성공률을 보였다. 본 논문에서 제안한 방법은 인지적인 정신과제 판별을 위한 방법들과 결합하여 BCI 기술을 위한 기반 기술로 활용될 수 있다.
In this paper, we propose accurate classification method of an EEG signals during a mental tasks. In the experimental task, subjects achieved through the process of responding to visual stimulus, understanding the given problem, controlling hand motions, and select a key. To recognize the subjects' ...
In this paper, we propose accurate classification method of an EEG signals during a mental tasks. In the experimental task, subjects achieved through the process of responding to visual stimulus, understanding the given problem, controlling hand motions, and select a key. To recognize the subjects' selection time, we analyzed with 4 types feature from the filtered brain waves at frequency bands of $\alpha$, $\beta$, $\theta$, $\gamma$ waves. From the analysed features, we construct specific rules for each subject meta rules including common factors in all subjects. In this system, the architecture of the neural network is a three layered feedforward networks with one hidden layer which implements the error back propagation learning algorithm. Applying the algorithms to 4 subjects show 87% classification success rates. In this paper, the proposed detection method can be a basic technology for brain-computer-interface by combining with discrimination methods.
In this paper, we propose accurate classification method of an EEG signals during a mental tasks. In the experimental task, subjects achieved through the process of responding to visual stimulus, understanding the given problem, controlling hand motions, and select a key. To recognize the subjects' selection time, we analyzed with 4 types feature from the filtered brain waves at frequency bands of $\alpha$, $\beta$, $\theta$, $\gamma$ waves. From the analysed features, we construct specific rules for each subject meta rules including common factors in all subjects. In this system, the architecture of the neural network is a three layered feedforward networks with one hidden layer which implements the error back propagation learning algorithm. Applying the algorithms to 4 subjects show 87% classification success rates. In this paper, the proposed detection method can be a basic technology for brain-computer-interface by combining with discrimination methods.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 연구는 인간의 인지과정에서 일어나는 정신작용을 뇌파를 이용하여 해석한다. 화면에 제시되는 명령어에 따라서 키보드를 통해서 선택한다.
본 연구는 인지적 정신상태 판별을 위하여 4명의 피험자(대학생. 대학원생)에 대해서 3 가지 타스크에 대한 실험을 하였다. 각 타스크 마다 뇌파신호 획득, 분석 과 분류하는 실험을 하였다.
본 논문에서는 피험자의 정신활동 시 뇌파의 특성을 규명하기 우]해서, 휴식상태, 눈의 close, open 상태와 간질파 등의 뇌파를 비교 분석하였다. 정신활동 시 뇌파의 특성을 분석하기 위해서 피험자에게 정신과제를 모니터를 통해서 주어질 때 어떤 뇌파가 발생하는지를 분석하고자 했다.
정신활동 시 뇌파의 특성을 분석하기 위해서 피험자에게 정신과제를 모니터를 통해서 주어질 때 어떤 뇌파가 발생하는지를 분석하고자 했다. 그리고 각 피험자별로 나타나는 특징들의 상세 규칙을 설정하고 실험에 참가한 피험자에게 공통적으로 나타나는 특징들을 규칙으로 정한다.
제안 방법
본 연구에서는 과거에 뇌에 이상이 없는 건강한 피험자를 대상으로 실험하였다. 인지상태 뇌파측정을 위한 실험과제는 3가지로 실시했고, 인지 상태와 비교를 위해서 휴식상태 뇌파를 측정하여 실험했다. 본 연구에서는 BPF(band pass filter)를 통해서 알파(alpha), 베타 (beta), 세타(theta) 와 감마(gamma)파 형태로 신호를 분석하여 정신상태판별에 이용했다.
인지상태 뇌파측정을 위한 실험과제는 3가지로 실시했고, 인지 상태와 비교를 위해서 휴식상태 뇌파를 측정하여 실험했다. 본 연구에서는 BPF(band pass filter)를 통해서 알파(alpha), 베타 (beta), 세타(theta) 와 감마(gamma)파 형태로 신호를 분석하여 정신상태판별에 이용했다. 제안한 방법을 기존의 정신상태 판단을 위한 방법들과 결합하여 사용할 경우 실시간으로 인지적 정신상태 판별을 수행하는 BCI 시스템⑹⑺⑻⑼을 구현할 수 있을 것으로 기대한다.
피험자의 뇌파는 총 6개의 전극 (Fpl, Fp2, C3. C4, O1.o2)을 통하여 측정한다. 전극은 국제 표준 규격인 10-20시스템을 이용하였고, 좌 우 귀를 기준(reference)전극으로 삼았다.
전극은 국제 표준 규격인 10-20시스템을 이용하였고, 좌 우 귀를 기준(reference)전극으로 삼았다. 본 연구에서는 피험자의 정신적 사고와 관련된 뇌파를 관측하므로 전두엽 부분에 전극을 배치하여 부착한다.
각 전극의 뇌파 신호는 표1의 주파 대역 통과 필터와 같이 알파파, 베타파, 세타파와 감마파 주파수대역으로 분류한다. 표 1은 본 연구에서 사용한 BPF로 주파수 대역에 따른 대역폭의 범위를 수치로 나타냈다.
본 연구의 실험에서 사용된 신경망의 반복 학습 횟수는 1만5천번 이상을 넘지 않도록 설계 하였다.
대학원생)에 대해서 3 가지 타스크에 대한 실험을 하였다. 각 타스크 마다 뇌파신호 획득, 분석 과 분류하는 실험을 하였다. 주파수대역은 a파(8~ 13Hz), 6파(14~ 30Hz), o파(4~ 7Hz) 와 7파(31~ 50Hz)를 기준으로 하였다.
실험에 검출된 뇌파는 피험자 모니터에 제시되는 타스크를 보고 판단하는 문제로 키 입력 1초 전 뇌파를 검출하여 정신상태를 분류하는데 사용했다. 검출한 뇌파를 분류하기 전에 하는 작업으로는 각 tasks 상태의 3종류의 뇌파의 통계값을 분석하고 퓨우리에 변환과 뇌파의 신호 레벨 밀도를 분석한다. 다음과정으로 분류 방법은 BP(back propagation) 신경망을 이용해서 분류하였다.
주파수 분석법은 시간에 따라 통계적인 성격이 변하지 않는 정상 신호에 대해서는 우수한 특성을 지닌 퓨우리에 변환이지만 비정상적인 신호해석에서 단점을 지니고 있다. 그래서 웨이브렛 변환을 이용해서 신호의 대역을 고주파와 저주파 대역으로 나누어서 해석하였다. 뇌파신호가 포함되어있는 주파수대역인 D5레벨의 신호를 이용해서 뇌파의 특성을 비교 분석하였다.
그래서 웨이브렛 변환을 이용해서 신호의 대역을 고주파와 저주파 대역으로 나누어서 해석하였다. 뇌파신호가 포함되어있는 주파수대역인 D5레벨의 신호를 이용해서 뇌파의 특성을 비교 분석하였다. 분석결과 정신 활동 시 뇌파는 주로 베타파가 많이 나왔고 휴식 상태일 때는 알파파가 검출되었으며, 쉽게 구분이 가능하였다.
본 논문에서 제안한 방법은 여러 피험자의 많은 데이터의 분석 결과를 바탕으로 하고 있으며, 피험자의 인지적 정신상태 프로세스가 진행되는 과정을 파악하는 실험을 하였다. 따라서 피험자의 많은 데이터의 분석들은 피험자의 인지적 정신상태를 파악하는데 중요한 단서를 제공하였다.
뇌파를 이용한 신호해석법은 시간 영역에서의 진폭특성 해석과 주파수 영역해석법으로 구분하여 해석하였다. 주파수 분석법은 시간에 따라 통계적인 성격이 변하지 않는 정상 신호에 대해서는 우수한 특성을 지닌 퓨우리에 변환이지만 비정상적인 신호해석에서 단점을 지니고 있다.
대상 데이터
인지적 정신상태 일 때에 뇌파의 상태를 주파수영역으로 해석한다. 본 연구에서는 과거에 뇌에 이상이 없는 건강한 피험자를 대상으로 실험하였다. 인지상태 뇌파측정을 위한 실험과제는 3가지로 실시했고, 인지 상태와 비교를 위해서 휴식상태 뇌파를 측정하여 실험했다.
피험자는 컴퓨터 모니터에서 제시되는 문제에 의해 자극되고, 이 자극에 대해서 판단하여 키를 선택한다. 뇌파획득을 위한 시스템은 BIOPAC사의 EEG100B 증폭기와 캡전극을 통하여 데이터를 입력으로 받는다.
이론/모형
o2)을 통하여 측정한다. 전극은 국제 표준 규격인 10-20시스템을 이용하였고, 좌 우 귀를 기준(reference)전극으로 삼았다. 본 연구에서는 피험자의 정신적 사고와 관련된 뇌파를 관측하므로 전두엽 부분에 전극을 배치하여 부착한다.
성능/효과
그리고 그림 13은 각 타스크에 대한 뇌파의 분류 실험 한 결과이며, 막대 그래프를 이용해서 분류성능을 나타내고 있다. 본 그래프에서 4명의 피험자(subjects)을 통해서 실험한 결과 분류 성공률을 1/100을 기준으로 하였을 때에 평균 87%이상의 결과를 그림으로 확인할 수 있다. 각 실험의 결과 수학연산 과제와 색깔을 판단문제가 분류의 정확도가 다소 높음을 확인할 수 있었다.
본 그래프에서 4명의 피험자(subjects)을 통해서 실험한 결과 분류 성공률을 1/100을 기준으로 하였을 때에 평균 87%이상의 결과를 그림으로 확인할 수 있다. 각 실험의 결과 수학연산 과제와 색깔을 판단문제가 분류의 정확도가 다소 높음을 확인할 수 있었다.
뇌파신호가 포함되어있는 주파수대역인 D5레벨의 신호를 이용해서 뇌파의 특성을 비교 분석하였다. 분석결과 정신 활동 시 뇌파는 주로 베타파가 많이 나왔고 휴식 상태일 때는 알파파가 검출되었으며, 쉽게 구분이 가능하였다.
후속연구
본 연구에서는 BPF(band pass filter)를 통해서 알파(alpha), 베타 (beta), 세타(theta) 와 감마(gamma)파 형태로 신호를 분석하여 정신상태판별에 이용했다. 제안한 방법을 기존의 정신상태 판단을 위한 방법들과 결합하여 사용할 경우 실시간으로 인지적 정신상태 판별을 수행하는 BCI 시스템⑹⑺⑻⑼을 구현할 수 있을 것으로 기대한다.
따라서 피험자의 많은 데이터의 분석들은 피험자의 인지적 정신상태를 파악하는데 중요한 단서를 제공하였다. 이 결과들은 뇌파를 이용한 왼손/오른손 구별방법 또는 상상만으로 뇌파를 제어하는 방법들과 결합한다면 BCI 연구에 좋은 결과를 얻을 수 있을 것으로 판단된다. 이러한 연구 결과들은 뇌파 전문가들이 이용한다면 효율적으로 뇌파를 분석할 수 있을 것으로 생각이 된다.
이 결과들은 뇌파를 이용한 왼손/오른손 구별방법 또는 상상만으로 뇌파를 제어하는 방법들과 결합한다면 BCI 연구에 좋은 결과를 얻을 수 있을 것으로 판단된다. 이러한 연구 결과들은 뇌파 전문가들이 이용한다면 효율적으로 뇌파를 분석할 수 있을 것으로 생각이 된다. 앞으로 뇌파의 정확한 분석과 판단을 위해서 보다 나은 알고리즘들이 개발되어야 할 것이다.
이러한 연구 결과들은 뇌파 전문가들이 이용한다면 효율적으로 뇌파를 분석할 수 있을 것으로 생각이 된다. 앞으로 뇌파의 정확한 분석과 판단을 위해서 보다 나은 알고리즘들이 개발되어야 할 것이다.
참고문헌 (11)
Jr. Wolpaw N. Birbaumer D. J. Macfarland, G. pfurtscheller and T. Vaughan. 'Brain-Computer Interface for communication and control', clinical Neurophysiology, 113. pp. 767-791, 2002
R. E. Isaacs. D. J. Weber, and A. B. Schwartz. 'Work Toward Real-Time Control of a Cortical Neural Prothesis", IEEE Transactions on Rehabilitation Engineering, vol. 8. no. 2. pp. 196-198, 2000
E. Donchin, K. M. Spencer. and R. Wijesinghe. 'The mental Prosthesis: Assessing the Speed of a P300-Based Brain-Computer Interface'. IEEE trans. on Rehabilitation Engineering, vol. 8. no. 2. pp . 174-179. 2000
P. R. Kennedy, R. R. E. Bakay, M. M. Moore, K. Adams. and J. Goldwaithe. 'Direct Control of a Computer Form the Human Central Nervous System'. IEEE Transaction on Rehabilitation Engineering. vol.8.no.3. pp. 198-202. 2000
Hee-Don Seo and Min-Soo Kim. 'Analysis of Sleeping EEG Stage Using Wavelet and Fourier,'Proc. of the World Congress on
L. C. Parra. C. D. Spence. A. D. Gerson, 'Respose Error Correction-A Demonstration of Improved Human Machine Performance Using Real Time EEG Monitoring'. IEEE Tran. on Rehabilitation Engineering. vol. 11. no. 2. pp. 173-177. 2003
B. Obermaier, C. Neuper. C. Guger. 'Information Transfer in a Five Classes Brain-Computer Interface'. IEEE Tran . on Rehabilitation Engineering. vol. 9. no.3. pp. 283-288. 2001
Min-Soo Kim and Hee-Do Seo. 'Analysis of EEG Signals During Mental Tasks'. Proc. of the 2003 international Conference on the Math. and Medicine and Biological.' pp. 256-259. 2003
Min-Soo Kim and Hee-Don Seo. 'System for a Cognitive Analysis of EEG Based on Neural Networks." Proc. of the SICE Annual Conference. pp. 627-630. 2003
K. Fukunaga. Introduction to Statistical Pattern Recognition. New York: Academic. 1990
※ AI-Helper는 부적절한 답변을 할 수 있습니다.