선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 그런데, 초기에 SVM을 이용하여 구한 두 클래스의 최적 경계면은 다양한 실험 환경의 변화에 따른 뇌파 신호의 특성 변화에 따라, 두 클래스의 인식률이 낮아지는 결과를 갖는 특성을 보였다. 따라서 본 연구에서는 실험 초기에 구성된 인식기가 실시간 환경에 우수한 성능을 가질 수 있도록 하기 위해, 반복된 실험 측정 시 피험자의 측정 환경 변화에 따라 발생되는 뇌파 신호의 변이 특성이 실시간으로 인식기에 반영되도록 SVM으로 구한 초기 경계면 정보를 식(1)을 이용하여 보정하였다. 이러한 보정을 통해 실시간 환경에 적응적인 on-line 인식기를 구현할 수 있었다[12].
- 본 연구에서는 보다 우수한 인식 성능을 갖는 뇌-컴퓨터 인식 시스템의 구현과 성능 비교 목적으로 인식기의 인식 결과를 인식기의 피드백 정보로 언제 반영하는가와 반복 실험에 따른 피험자의 학습 효과를 고려하여 4가지 방법으로 실험을 수행하였다. 반복 실험을 통해 피험자 A, B, C에 대한 4방향 인식 결과는 표 2-5와 같다.
- 인간의 정신 활동에 따른 뇌파만으로 4방향의 음직임 제어가 가능한 뇌-컴퓨터 인터페이스 시스템을 개발을 목적으로 뇌파를 이용하는 4방향 인식기를 구현하였다. 두피 부착용 EEG 센서를 이용하여 인간의 집중과 비집중시의 뇌 활동에 따른 뚜렷한 뇌파 신호의 차이를 이용하여 뇌파 인식 시스템을 개발하였다.
- 한편 많은 뇌파 연구에서 강조하고 있는 bio-feedbacked을 통한 피험자의 훈련도 동시에 수행하게 하였다. 피험자가 특정 방향과 관련된 상상을 했을 때 인식기에 의해 측정한 뇌파의 특성 분석결과가 상상한 방향과 관련된 것인지 아니면 다른 특성의 뇌파가 나온 것인지를 피험자에게 알려 주었다. 이를 통해 피험자는 다음 실험에서 bio-feedback 효과로 향상된 뇌파 특성을 나타내기 위해 피험자의 뇌가 스스로 훈련을 하게 되고 원하는 뇌파 특성에 점점 근접하도록 하였다.
제안 방법
- SVM을 이용하여 구현한 2 클래스 인식기를 일정한 시간 간격을 두고 2회 연속 측정된 뇌파에 대해 집중, 비집중 인식 결과를 각각 구하고, 구해진 연속 인식 결과 쌍을 이용하여 4방향 인식기를 구현하였다, 집중, 비집중에 대한 2회 연속 측정은 앞에서 언급한 바와 같이 6초간 집중 또는 비집중, 2초간 휴식, 6초간 다시 집중 또는 비집중을 상상하게 하는 것을 1 trial로 하여 실험을 하였다. 표 1과 같이 2회 연속된 집중, 비집중 상상의 쌍으로 구성된 (집중, 집중), (집중, 비집중), (비집중, 집중), (비집중, 비집중) 등 4 가지 조합 패턴을 각각 상, 하, 좌, 우 상상으로 할당하였다.
- 집중 상태와 비집중 상태에서 Fp1 전극에서 측정된 뇌파의 피험자별 특정 주파수 대역에서의 파워 값을 입력으로 하여 뇌파를 집중, 비집중 2클래스로 분류하는 패턴인식기를 SVM을 이용하여 구현하고, 이를 2회 연속 적용하는 time multiplexing 기법을 이용하여 최종적으로 4방향 인식기를 구현하였다. 구성된 인식기의 성능 향상을 위해 인식기의 인식 결과를 인식기에 피드백 시켜 패턴 인식기의 적응적인 학습이 가능 하도록 하였고, 인식 결과를 피험자에게 피드백 시키는 bio-feedback을 이용하여 피험자의 훈련 효과도 갖도록 하였다. 피험자별로 인식 성능에 상당한 차이를 보이기는 하였으나, 반복적인 인식기 및 피험자의 학습을 통하여 최고 87.
- 그런데, Fp1과 Fp2 두 전극을 모두 고려하는 것이 하나의 전극에서의 신호를 고려하는 것에 비해 더 나은 특성을 보여 주지 못했다. 그래서, 본 연구에서는 이상의 실험 결과를 토대로 최종적으로, 뇌파를 측정할 전극의 위치로 Fp1을 결정하고 Fp1에서 피험자의 집중 상태와 비 집중 상태의 뇌파 신호를 구하고 이를 인식기의 입력 신호로 이용하였다. 즉, Fp1 신호만을 집중 및 비 집중시의 인식기의 입력신호로 이용하였다.
- 특정 주파수 대역에서 측정된 뇌파 신호의 파워 값을 두 클래스 분류 문제에 가장 우수한 성능을 갖는 SVM(support vector machine) 신경회로망을 이용하여 뇌파를 집중, 비집중 두 클래스로 분류하는 인식기를 구현하였다. 그리고, 4방향 제어를 위한 뇌파의 4클래스 분류 인식기 구현을 위해 집중, 비집중 2클래스 인식 문제를 연속적으로 적용하는 time multiplexing 기법을 제안하였다. 실험 초기에는 offline으로 데이터를 얻어 특정 주파수 영역 대에서의 특성을 구하여 SVM을 이용한 패턴인식 방법으로 인식기를 구성하고, 인식기의 성능 검증 후에는 집중, 비집중에 대한 패턴 인식 성능 향상을 위해 반복 실험을 통해 얻어지는 새로운 데이터의 특성을 실시간으로 반영하는 on-line 형태의 인식기 구현과 인식결과를 피험자에게 피드백 시켜 피험자의 뇌 활동이 원하는 뇌파 신호를 발생시키도록 학습하는 operant conditioning 인식 방법을 통합한 뇌-컴퓨터 인터페이스 시스템을 구현하였다.
- 본 연구에서는 사람이 집중적으로 특정 근육의 움직임을 상상 할 때를 집중 상태라 하고, 그렇지 않고 특별한 정신활동올 하지 않는 휴식 상태나, 어느 한 가지에 집중하기 어려운 공포스러운 것을 상상할 때를 비집중 상태로 설정 하였다. 뇌파를 측정하는 전극의 위치를 결정하기 위해 T4, Cz, C3, C4, Fp1, Fp2 등의 위치에 전극을 부착하고 반복적인 실험을 수행하였다. 뇌파의 특성 중 사람 인체의 근육 일부분을 움직일 때와 그 움직임을 상상할 때 뇌파의 발생 위치와 특성이 유사하다고 알려져 있다.
- 뇌파의 신호가 매우 미약하여 주위 상황의 변화에 민감하게 반응하므로 움직임에 의해 발생하는 EMG 신호를 최소화하기 위하여 operator에 의해 컴퓨터를 조작하여 피험자는 상상만을 하게 하였다. 한편, 측정 시간 조절을 통하여 눈 깜박임에 의한 EOG 신호와 같은 잡음 신호를 최소화 하는 등 안정된 상황에서 측정을 실시하였다[10].
- 이러한 잡음들을 제거하는 방법으로 1-30HZ 통과대역을 갖는 대역통과 필터를 사용하였다. 대역 통과 필터를 통과한 신호를 hanning window를 만들어 깁스현상을 막아주고 맥동의 문제점을 억제하여 FFT를 통한 각 주파수 영역에서의 값의 크기를 구하여 특징 벡터를 구성하였다.
- 인간의 정신 활동에 따른 뇌파만으로 4방향의 음직임 제어가 가능한 뇌-컴퓨터 인터페이스 시스템을 개발을 목적으로 뇌파를 이용하는 4방향 인식기를 구현하였다. 두피 부착용 EEG 센서를 이용하여 인간의 집중과 비집중시의 뇌 활동에 따른 뚜렷한 뇌파 신호의 차이를 이용하여 뇌파 인식 시스템을 개발하였다.
- 본 연구에서는 사람이 정신 집중을 할 때와 집중을 하지 않을 때 뇌파의 주파수 영역별 파워 값에 특성 차이를 보인다는 뇌파에 대한 이해를 토대로 피험자의 집중, 비집중시 뇌파를 사람의 정신 활동과 밀접한 관계가 있는 Fp1 전극 위치에서 반복적으로 뇌파를 측정하여, 파워 값의 뚜렷한 차이를 보이는 주파수 대역을 피험자별로 구하였다. 특정 주파수 대역에서 측정된 뇌파 신호의 파워 값을 두 클래스 분류 문제에 가장 우수한 성능을 갖는 SVM(support vector machine) 신경회로망을 이용하여 뇌파를 집중, 비집중 두 클래스로 분류하는 인식기를 구현하였다.
- 본 연구에서는 사람이 집중적으로 특정 근육의 움직임을 상상 할 때를 집중 상태라 하고, 그렇지 않고 특별한 정신활동올 하지 않는 휴식 상태나, 어느 한 가지에 집중하기 어려운 공포스러운 것을 상상할 때를 비집중 상태로 설정 하였다. 뇌파를 측정하는 전극의 위치를 결정하기 위해 T4, Cz, C3, C4, Fp1, Fp2 등의 위치에 전극을 부착하고 반복적인 실험을 수행하였다.
- 연속적인 반복 실험을 위해서는 피험자에게 실험에 대한 명령을 주는 방법 또한 실험의 결과에 큰 영향을 주는 요소로 작용한다. 본 연구에서는 시각 자극을 이용한 다양한 명령 제시 방법에 대한 실험을 통해 피험자의 상상에 의해 발생되는 뇌파에 미치는 영향이 최소가 되는 명령 자극 종류와 제시 방법을 결정하였다. 한편, 연속적인 실험에서 피험자가 피곤함을 느끼게 되면 원하는 뇌파를 얻기가 어려워지기 때문에 피험자가 편안하게 느낄 수 있는 다음과 같은 자극 제시 방법을 최종적으로 적용하였다.
- 한편, 귓불에 전극을 부착하여 정신상태에 따른 뇌파의 기준 전위로 두고 측정 하였다. 실제 뇌파 측정 실험에서는 피험자마다 좋은 신호 특성을 보이는 상상의 종류가 상이하여, 6개의 전극 위치 중에 Fp1과 Fp2는 공통으로 부착하고, 나머지 전극 위치는 피험자의 특성에 따라 C3, C4나 Cz, T4의 위치의 전극을 사용하였다. 집중 상태의 mental task로 제시된 혀, 발, 좌우 손의 움직임 상상 중, 좌우 손의 움직임 상상 시에 좋은 신호 특성을 보이는 피험자의 경우 이에 대응되는 C3, C4를 나머지 전극 위치로 정하여 실험을 수행하였고, 혀, 발의 움직임 상상 시에 좋은 신호 특성을 갖는 피험자의 경우 Cz, T4를 나머지 전극 위치로 정하고, 뇌파를 측정하였다.
- 그리고, 4방향 제어를 위한 뇌파의 4클래스 분류 인식기 구현을 위해 집중, 비집중 2클래스 인식 문제를 연속적으로 적용하는 time multiplexing 기법을 제안하였다. 실험 초기에는 offline으로 데이터를 얻어 특정 주파수 영역 대에서의 특성을 구하여 SVM을 이용한 패턴인식 방법으로 인식기를 구성하고, 인식기의 성능 검증 후에는 집중, 비집중에 대한 패턴 인식 성능 향상을 위해 반복 실험을 통해 얻어지는 새로운 데이터의 특성을 실시간으로 반영하는 on-line 형태의 인식기 구현과 인식결과를 피험자에게 피드백 시켜 피험자의 뇌 활동이 원하는 뇌파 신호를 발생시키도록 학습하는 operant conditioning 인식 방법을 통합한 뇌-컴퓨터 인터페이스 시스템을 구현하였다.
- 앞에서 언급한 바와 같이 실험은 모든 피험자들을 대상으로 우선적으로 각 피험자별로 Fp1, Fp2, C3, C4, Cz, T4의 위치에 전극을 부착하고 다양한 상상을 하게 하는 반복실험을 하였다. 이러한 실험을 통해, 피험자별로 본 연구에서 구분하고자 하는 집중 상태와 비집중 상태에 가장 뚜렷한 뇌파 특성을 보이는 전극의 위치, 주파수 대역, 그리고 상상의 종류 등에 대한 분석을 수행하였다.
- 앞에서 언급한 바와 같이 실험은 모든 피험자들을 대상으로 우선적으로 각 피험자별로 Fp1, Fp2, C3, C4, Cz, T4의 위치에 전극을 부착하고 다양한 상상을 하게 하는 반복실험을 하였다. 이러한 실험을 통해, 피험자별로 본 연구에서 구분하고자 하는 집중 상태와 비집중 상태에 가장 뚜렷한 뇌파 특성을 보이는 전극의 위치, 주파수 대역, 그리고 상상의 종류 등에 대한 분석을 수행하였다. 혀, 발, 좌, 우 손의 움직임에 대한 상상을 하는 실험을 반복적으로 수행한 결과 피험자 A, C의 경우는 오른손의 움직임 상상시, 피험자 B의 경우는 발의 움직임을 상상할 때 다른 위치의 전극에서 보다 Fp1 위치에서 특정 주파수 대역에서의 파워 값이 비집중시 파워 값과 뚜렷한 차이를 보였다.
- 혀, 발, 좌, 우 손의 움직임에 대한 상상을 하는 실험을 반복적으로 수행한 결과 피험자 A, C의 경우는 오른손의 움직임 상상시, 피험자 B의 경우는 발의 움직임을 상상할 때 다른 위치의 전극에서 보다 Fp1 위치에서 특정 주파수 대역에서의 파워 값이 비집중시 파워 값과 뚜렷한 차이를 보였다. 이런 특징을 바탕으로 피험자 A, C의 경우 오른손의 움직임, B의 경우 발의 움직임을 상상하게 하였고 비집중시는 아무 상상을 하지 않도록 하고 뇌파를 측정하였다. 이와 같이, 피험자별로 상이한 상상을 하게하고, 상이한 주파수 대역에서의 파워 갑을 SVM을 이용한 인식기의 입력으로 사용하여 최종적으로 인식결과를 출력하고, 이 결과를 다시 인식기과 피험자에게 피드백 시켜, 인식기와 피험자가 모두 원하는 인식 결과가 나오도록 하기 위한 학습 과정을 수행하게 하였다.
- 이는 신경생리학적으로 잘 알려진 것으로 세밀한 제어가 요구되는 혀, 발, 손에 대응되는 피질 영역이 가장 넓은 면적을 차지하고 그렇지 않은 다리 부분등은 작은 영역을 차지한다. 이를 바탕으로 집중 상태의 mental task로 혀, 발, 좌, 우 손의 움직임을 상상하게 하고, 이때 그림 1 운동영역 피질도에서 혀, 발, 좌, 우 손의 움직임과 관련된 영역인 T4, Cz, C3, C4의 위치에 전극을 부착하여 뇌파 신호를 측정하였다. 이것은 다른 부위에 비해 더 많은 신경활동 신호를 발생시킬 가능성이 높아 측정이 다른 부위에 비해 상대적으로 용이하기 때문이다.
- 피험자가 특정 방향과 관련된 상상을 했을 때 인식기에 의해 측정한 뇌파의 특성 분석결과가 상상한 방향과 관련된 것인지 아니면 다른 특성의 뇌파가 나온 것인지를 피험자에게 알려 주었다. 이를 통해 피험자는 다음 실험에서 bio-feedback 효과로 향상된 뇌파 특성을 나타내기 위해 피험자의 뇌가 스스로 훈련을 하게 되고 원하는 뇌파 특성에 점점 근접하도록 하였다.
- 따라서, 정신활동과 관련된 Fp1, Fp2 전극 위치에서 측정한 뇌파는 집중 상태와 비집중 상태 시에 상이한 특성을 보일 가능성이 높다. 이상의 근거를 토대로 뇌파를 측정할 6개의 전극 위치를 결정하였다. 한편, 귓불에 전극을 부착하여 정신상태에 따른 뇌파의 기준 전위로 두고 측정 하였다.
- 이상의 반복 실험을 통해 피험자의 집중상태와 비집중 상태 시에 각 전극에서 구한 뇌파 신호의 특성을 분석한 결과, 좌우 손의 움직임 상상을 집중 상태의 mental task로 실험한 피험자의 경우 C3, C4에서 구한 뇌파 신호의 특성과 Fp1과 Fp2에서 구한 뇌파 신호의 특성을 비교하였다. 비교 결과 Fp1과 Fp2에서 구한 뇌파 신호가 C3, C4에서 구한 뇌파 신호에 비해 집중 상태와 비집중 상태 구분 특성이 뚜렷하였다.
- 이런 특징을 바탕으로 피험자 A, C의 경우 오른손의 움직임, B의 경우 발의 움직임을 상상하게 하였고 비집중시는 아무 상상을 하지 않도록 하고 뇌파를 측정하였다. 이와 같이, 피험자별로 상이한 상상을 하게하고, 상이한 주파수 대역에서의 파워 갑을 SVM을 이용한 인식기의 입력으로 사용하여 최종적으로 인식결과를 출력하고, 이 결과를 다시 인식기과 피험자에게 피드백 시켜, 인식기와 피험자가 모두 원하는 인식 결과가 나오도록 하기 위한 학습 과정을 수행하게 하였다.
- 실제 뇌파 측정 실험에서는 피험자마다 좋은 신호 특성을 보이는 상상의 종류가 상이하여, 6개의 전극 위치 중에 Fp1과 Fp2는 공통으로 부착하고, 나머지 전극 위치는 피험자의 특성에 따라 C3, C4나 Cz, T4의 위치의 전극을 사용하였다. 집중 상태의 mental task로 제시된 혀, 발, 좌우 손의 움직임 상상 중, 좌우 손의 움직임 상상 시에 좋은 신호 특성을 보이는 피험자의 경우 이에 대응되는 C3, C4를 나머지 전극 위치로 정하여 실험을 수행하였고, 혀, 발의 움직임 상상 시에 좋은 신호 특성을 갖는 피험자의 경우 Cz, T4를 나머지 전극 위치로 정하고, 뇌파를 측정하였다. 따라서, 집중 상태에 요구되는 mental task도 그에 해당하는 근육의 움직임을 상상하게 하였다.
- 측정 시간은 1회 테스트마다 그림 3에서와 같이 전, 후 6초간의 mental task 사이에 2초간의 준비 시간을 두고 측정을 하였다.
- 본 연구에서는 사람이 정신 집중을 할 때와 집중을 하지 않을 때 뇌파의 주파수 영역별 파워 값에 특성 차이를 보인다는 뇌파에 대한 이해를 토대로 피험자의 집중, 비집중시 뇌파를 사람의 정신 활동과 밀접한 관계가 있는 Fp1 전극 위치에서 반복적으로 뇌파를 측정하여, 파워 값의 뚜렷한 차이를 보이는 주파수 대역을 피험자별로 구하였다. 특정 주파수 대역에서 측정된 뇌파 신호의 파워 값을 두 클래스 분류 문제에 가장 우수한 성능을 갖는 SVM(support vector machine) 신경회로망을 이용하여 뇌파를 집중, 비집중 두 클래스로 분류하는 인식기를 구현하였다. 그리고, 4방향 제어를 위한 뇌파의 4클래스 분류 인식기 구현을 위해 집중, 비집중 2클래스 인식 문제를 연속적으로 적용하는 time multiplexing 기법을 제안하였다.
- 피험자에게 컴퓨터 모니터를 통해 집중, 비집중 명령을 제시하면, 피험자는 명령 수행을 위해 미리 결정되어 있는 상상을 하게 된다. 피험자가 상상하는 동안 Fp1에서 측정된 뇌파는 전 처리로 6초간 128 Hz로 표본화된 신호를 128 point FFT를 수행하고 각 주파수 대역에서의 에너지 값으로 특징 벡터를 구성한다. 그런데 그림 6에서와 같이 피험자별로 주파수 영역에 따라 θ 영역(4-7Hz)에서 가장 뚜렷하고 안정된 차이 특성을 보이는 피험자가 있는 반면, SMR영역(13-15 Hz)에서 차이 특성이 나타나는 피험자도 있다.
- 이상의 근거를 토대로 뇌파를 측정할 6개의 전극 위치를 결정하였다. 한편, 귓불에 전극을 부착하여 정신상태에 따른 뇌파의 기준 전위로 두고 측정 하였다. 실제 뇌파 측정 실험에서는 피험자마다 좋은 신호 특성을 보이는 상상의 종류가 상이하여, 6개의 전극 위치 중에 Fp1과 Fp2는 공통으로 부착하고, 나머지 전극 위치는 피험자의 특성에 따라 C3, C4나 Cz, T4의 위치의 전극을 사용하였다.
- 본 연구에서는 시각 자극을 이용한 다양한 명령 제시 방법에 대한 실험을 통해 피험자의 상상에 의해 발생되는 뇌파에 미치는 영향이 최소가 되는 명령 자극 종류와 제시 방법을 결정하였다. 한편, 연속적인 실험에서 피험자가 피곤함을 느끼게 되면 원하는 뇌파를 얻기가 어려워지기 때문에 피험자가 편안하게 느낄 수 있는 다음과 같은 자극 제시 방법을 최종적으로 적용하였다. 매회 측정 시 실험 시작 2초 동안은 mental task를 시작하기 위한 준비 시간임을 알리기 위해 그림 4(a)와 같은 준비 자극을 제시하였고, 연속된 두 번의 mental task 사이 2초간의 준비 시간에도 동일한 자극을 제시하였다.
- SVM으로 구현된 패턴인식기는 이러한 특징 벡터를 입력으로 받아 측정된 뇌파를 집중, 비집중 2클래스로 분류하게 된다. 한편, 인식된 결과가 모니터를 통해 피험자에게 피드백 되어 피험자의 뇌가 원하는 뇌파를 발생시킬 수 있도록 하는 operant conditioning 방법을 적용하였고, 또한 인식 결과를 패턴 인식기에도 피드백 시켜 인식 결과가 패턴 인식기에 적응적으로 반영되도록 하는 기능을 갖는 on-line 실시간 형태의 인식기로 구현하였다.
- 따라서, 집중 상태에 요구되는 mental task도 그에 해당하는 근육의 움직임을 상상하게 하였다. 한편, 일상적인 환경에서 동작하는 뇌-컴퓨터 인터페이스 시스템 구현을 목적으로 실험 공간은 암실이나 특수한 방음 처리가 된 제약된 환경에서 실험을 하지 않고 그림 2와 같이 피험자와 실험을 모니터렁하는 사람 사이에 간단한 칸막이 정도만을 설치하여 일반 연구실 환경에서 수행하였다.
- 뇌파의 신호가 매우 미약하여 주위 상황의 변화에 민감하게 반응하므로 움직임에 의해 발생하는 EMG 신호를 최소화하기 위하여 operator에 의해 컴퓨터를 조작하여 피험자는 상상만을 하게 하였다. 한편, 측정 시간 조절을 통하여 눈 깜박임에 의한 EOG 신호와 같은 잡음 신호를 최소화 하는 등 안정된 상황에서 측정을 실시하였다[10].
대상 데이터
- 측정된 신호는 EEG고유 신호 외에도 여러 가지의 잡음이 첨가되어 데이터의 손실을 가진 신호이다. 이러한 잡음들을 제거하는 방법으로 1-30HZ 통과대역을 갖는 대역통과 필터를 사용하였다.
- SVM을 이용하여 구현한 2 클래스 인식기를 일정한 시간 간격을 두고 2회 연속 측정된 뇌파에 대해 집중, 비집중 인식 결과를 각각 구하고, 구해진 연속 인식 결과 쌍을 이용하여 4방향 인식기를 구현하였다, 집중, 비집중에 대한 2회 연속 측정은 앞에서 언급한 바와 같이 6초간 집중 또는 비집중, 2초간 휴식, 6초간 다시 집중 또는 비집중을 상상하게 하는 것을 1 trial로 하여 실험을 하였다. 표 1과 같이 2회 연속된 집중, 비집중 상상의 쌍으로 구성된 (집중, 집중), (집중, 비집중), (비집중, 집중), (비집중, 비집중) 등 4 가지 조합 패턴을 각각 상, 하, 좌, 우 상상으로 할당하였다.
이론/모형
- 측정된 신호는 EEG고유 신호 외에도 여러 가지의 잡음이 첨가되어 데이터의 손실을 가진 신호이다. 이러한 잡음들을 제거하는 방법으로 1-30HZ 통과대역을 갖는 대역통과 필터를 사용하였다. 대역 통과 필터를 통과한 신호를 hanning window를 만들어 깁스현상을 막아주고 맥동의 문제점을 억제하여 FFT를 통한 각 주파수 영역에서의 값의 크기를 구하여 특징 벡터를 구성하였다.
- 이와 같이 집중, 비집중 상상의 2회 연속 적용을 이용한 time-multiplexing 기법을 통하여 4방향 인식기를 최종적으로 구성 하였다. 따라서, 그림 5의 패턴 인식기 블록의 내부 구성은 집중/비집중 인식 SVM이 두 번 연속 적용되고 각각의 인식 결과가 하나의 쌍으로 표현되어 최종적으로 상, 하, 좌, 우 방향에 대한 인식 결과를 출력하게 되는 것이다.
- 집중 상태와 비집중 상태에서 Fp1 전극에서 측정된 뇌파의 피험자별 특정 주파수 대역에서의 파워 값을 입력으로 하여 뇌파를 집중, 비집중 2클래스로 분류하는 패턴인식기를 SVM을 이용하여 구현하고, 이를 2회 연속 적용하는 time multiplexing 기법을 이용하여 최종적으로 4방향 인식기를 구현하였다. 구성된 인식기의 성능 향상을 위해 인식기의 인식 결과를 인식기에 피드백 시켜 패턴 인식기의 적응적인 학습이 가능 하도록 하였고, 인식 결과를 피험자에게 피드백 시키는 bio-feedback을 이용하여 피험자의 훈련 효과도 갖도록 하였다.
성능/효과
- 또한 Fp1과 Fp2를 비교하면 두 전극 위치에서의 집중 상태와 비집중 상태의 구분 특성이 유사하게 나타났다. 그리고 혀, 발의 움직임 상상을 집중 상태의 mental task로 실험한 피험자의 경우에도 Cz, T4에서 구한 뇌파를 이용해서 집중상태와 비 집중상태를 구분하는데 있어 Fp1과 Fp2에 비해 낮은 성능을 보였다. 이 경우에도 Fp1과 Fp2는 유사한 성능을 보였다.
- 이상의 반복 실험을 통해 피험자의 집중상태와 비집중 상태 시에 각 전극에서 구한 뇌파 신호의 특성을 분석한 결과, 좌우 손의 움직임 상상을 집중 상태의 mental task로 실험한 피험자의 경우 C3, C4에서 구한 뇌파 신호의 특성과 Fp1과 Fp2에서 구한 뇌파 신호의 특성을 비교하였다. 비교 결과 Fp1과 Fp2에서 구한 뇌파 신호가 C3, C4에서 구한 뇌파 신호에 비해 집중 상태와 비집중 상태 구분 특성이 뚜렷하였다. 또한 Fp1과 Fp2를 비교하면 두 전극 위치에서의 집중 상태와 비집중 상태의 구분 특성이 유사하게 나타났다.
- 표 2-5의 결과에서와 같이 피험자에 따라 인식률에 상당한 차이를 보이고 있는데 이는 대부분의 뇌파 연구 결과에서와 같이 뇌파 특성 이 분명 한 사람과 그렇지 않은 사람이 있기 때문인 것으로 분석된다. 실험을 통해 피험자에 따라 뇌파의 특성 뿐만 아니라, 반복 실험을 통한 훈련 효과에 있어도 짧은 시간에 훈련 효과를 보이는 피험자가 있는 반면, 장시간의 훈련에도 훈련 효과가 미비한 피험자도 있는 것으로 분석되었다. 이는 뇌파를 이용한 뇌-컴퓨터 인터페이스 시스템을 구현하는데 있어 각 피험자의 특성에 대한 정확한 분석과 고려가 무엇보다 중요한 요소로 작용할 수 있다는 것을 보이는 결과로 분석된다.
- 구성된 인식기의 성능 향상을 위해 인식기의 인식 결과를 인식기에 피드백 시켜 패턴 인식기의 적응적인 학습이 가능 하도록 하였고, 인식 결과를 피험자에게 피드백 시키는 bio-feedback을 이용하여 피험자의 훈련 효과도 갖도록 하였다. 피험자별로 인식 성능에 상당한 차이를 보이기는 하였으나, 반복적인 인식기 및 피험자의 학습을 통하여 최고 87.5%라는 4방향 인식률을 얻을 수 있었다.
- 이러한 실험을 통해, 피험자별로 본 연구에서 구분하고자 하는 집중 상태와 비집중 상태에 가장 뚜렷한 뇌파 특성을 보이는 전극의 위치, 주파수 대역, 그리고 상상의 종류 등에 대한 분석을 수행하였다. 혀, 발, 좌, 우 손의 움직임에 대한 상상을 하는 실험을 반복적으로 수행한 결과 피험자 A, C의 경우는 오른손의 움직임 상상시, 피험자 B의 경우는 발의 움직임을 상상할 때 다른 위치의 전극에서 보다 Fp1 위치에서 특정 주파수 대역에서의 파워 값이 비집중시 파워 값과 뚜렷한 차이를 보였다. 이런 특징을 바탕으로 피험자 A, C의 경우 오른손의 움직임, B의 경우 발의 움직임을 상상하게 하였고 비집중시는 아무 상상을 하지 않도록 하고 뇌파를 측정하였다.
후속연구
- 향후, 보다 다양한 mental task와 뇌파 특성과의 관계에 대한 연구를 통해 여러 사람들에게 일반적으로 적용될 수 있는 뇌-컴퓨터 인식 시스템 구현 연구가 향후 연구 과제이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.