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
- 하지만, 초기에 SV时을 이용하여 구한 두 클래스의 최적 경계면은 다양한 실험 환경의 변화에 따른 뇌파 신호의 특성 변화에 따라, 두 클래스의 인식률이 낮아지는 결과를 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 정보를식(1)를 이용하여 보정하였다. 이러한 보정을 통해 실시간 환경에 적응적인 on-line 인식기를 구현할 수 있었다.
- 본 논문에서는 대뇌의 신경생리학적 기능과 뇌파와의 상호연관성에 대한 이해를 바탕으로 뇌파를 이용한 4 방향 인식이 가능한 BCI 시스템을 구현하였다. 뇌파 신호의 종류 및 EEG 신호는 mental task에 따라 각기 뇌의 다른 위치에서 발현을 하고 동일한 mental task에 대해서도 주변 환경이나 피험자의 정신 상태 및 신체 상태 등에 의해 많은 변동을 나타낸다.
- 본 연구에서는 EEG 신호를 이용하여 상, 하, 좌, 우 4 방향으로 커서 이동 방향을 제어할 수 있는 time-multiplexing 기법을 이용한 BCI 시스템을 개발하였다. 대뇌피질의 기능에 대한 신경생리학적 및 심리학적 이해 및 뇌파 발생과의 관련성에 대한 이해를 바탕으로 Fpl, Fp2, Cz, C3, C4, T4 등의 여러 전극 위치를 활용하였다.
- 하였다. 피험자가 특정 방향과 관련된 상상을 했을 때 인식기에 의해 측정한 뇌파의 특성 분석 결과 상상한 방향과 관련된 것인지 아니면 다른 특성의 뇌파가 나온 것인지를 알려준다. 이를 통해 피험자는 디음 실험에서 bio-feedback 효과로 향상된 뇌파 특성을 나타내기:우해 피험자의 뇌가 스스로 훈련을 하게 되고 원하는 뇌파 특성에 점점 근접하도록 반복 훈련을 하였다.
제안 방법
- 실험을 반복하였다. 한편, 상, 하, 좌, 우 4방향에 대해 (집중, 집중), (집중, 비집중), (비집충, "집중), (비집중, 비집중) 등 4가지 상상의 조합을 각각 할당하고 , time-multiplexing 기법을 통하여 4방향 인식기를 구성한 후 반복적인 훈련을 수행하였다.
- 그러나 ICA를 수행한 후 뇌파신호는 측정 채널수의 부족으로 뇌파로 간주할 수 있는 저주파이며, 고조파 특성을 갖는 신호를 분류해낼 수 없었다. 그래서 대역 통과 필터를 통과한 신호를 banning window를 만들어 깁스 현상을 막아주고 맥동의 문제점을 억제하여 FFT를 통한 각 주파수 영역에서의 값의 크기를 구하여 특징 벡터를 구성하였다.
- 그리고 mental task로는 집중시에는 혀, 발, 좌, 우 손의 움직임을 상상하게 하였고 비집중시는 아무 상상을 하지 않거나 공포를 상상하게 하여 반복 실험을 하였다. 반복 실험 결과의 분석을 통해 각 피험자 별로 최대의 신호 분리 특성을 갖는 전극의 위치, 상상의 종류를 결정 하!.
- 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 최소화하는 등 안정된 상황에서 측정을 실시하였다〔8〕.
- 대뇌피질의 기능에 대한 신경생리학적 및 심리학적 이해 및 뇌파 발생과의 관련성에 대한 이해를 바탕으로 Fpl, Fp2, Cz, C3, C4, T4 등의 여러 전극 위치를 활용하였다. 여러 전극으로부터 측정한 뇌파에 대해서 8, 0, a, P 등 다양한 주파수 대역별 분석을 통해 뇌파 신호의 특징을 분리해 냈다.
- 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 그림 4 와 같은 자극 제시 방법을 최종적으로 적용하였다.
- 여러 전극으로부터 측정한 뇌파에 대해서 8, 0, a, P 등 다양한 주파수 대역별 분석을 통해 뇌파 신호의 특징을 분리해 냈다. 분리한 신호의 특징 정보를 이용하여 bio-fbedback을 통한 컴퓨터와 피험자의 상호훈련을 수행하는 하이브리드 인식기를 구현하였다.
- 사람은 집중할 때와 집중을 하지 않을 때 뇌파의 주파수 파워 값의 특성 차이를 보인다는 뇌파에 대한 이해를 토대로 집중, 비집중에 대한 반복 측정을 하였다. 파워 収의 뚜렷한 차이를 보이는 주파수 대역을 찾고 이 주파수 대역에서의 파워 값을 이용하여 2클래스 분류의 인식 發을 최대화하고 이 2클래스 인식 문제를 연속적으로 적용하는 time multiplexing 기법을 이용하여 4방향 제어를 위한 4클래스 인식기를 구현하였다.
- 실험 초기에는 off-line으로 데이터를 얻어 특정 주파수 영역대에서의 특성을 구하여 인식기를 구성하고, 집중, 비집중에 대한 패턴 인식 성능 향상을 위해 반복 실험을 통해 얻어지는 새로운 데이터의 특성을 실시간으로 반영하는 on-line 형태의 인식기를 구현 하였다.
- 실험 초기의 ofHine 인식기 구현을 위해서, 실험을 통해 여러 위치의 전극에서 측정된 뇌파 신호에 대해 전처리를 거치고, 전처리된 신호에서 여러 주파수 대역에서의 평균 파워 값을 SVM의 입력으로 이용하여 집중, 비집중 2 클래스로 분류하는 인식기를 구현하였다. 하지만, 초기에 SV时을 이용하여 구한 두 클래스의 최적 경계면은 다양한 실험 환경의 변화에 따른 뇌파 신호의 특성 변화에 따라, 두 클래스의 인식률이 낮아지는 결과를 보였다.
- 측정을 하였다. 아울러 컴퓨터와 피험자의 상호 훈련을 통하여 mental task 시의 측정 시간을 줄여 나가는 실험을 반복적으로 수행하였다. 연속적인 반복 실험을 위해서는 피험자에게 실험에 대한 명령을 주는 방법 또한 실험의 결과에 큰 영향을 주는 요소로 작용한다.
- 대뇌피질의 기능에 대한 신경생리학적 및 심리학적 이해 및 뇌파 발생과의 관련성에 대한 이해를 바탕으로 Fpl, Fp2, Cz, C3, C4, T4 등의 여러 전극 위치를 활용하였다. 여러 전극으로부터 측정한 뇌파에 대해서 8, 0, a, P 등 다양한 주파수 대역별 분석을 통해 뇌파 신호의 특징을 분리해 냈다. 분리한 신호의 특징 정보를 이용하여 bio-fbedback을 통한 컴퓨터와 피험자의 상호훈련을 수행하는 하이브리드 인식기를 구현하였다.
- 이 논문에서는 피험자에 따라 mental task에 따른 뇌파의 측정을 위해 Fpl, Fp2, C3, C4나 Fpl, Fp2, Cz, T4의 위치에 4개의 전극을 사용하였으며 실험 공간은 암실이나 특수한 방음 처리가 된 제약된 환경에서 실험을 하지 않고 그림 2와 같이 피험자와 실험을 모니터 링하는 사람 사이에 간단한 칸막이 정도만을 설치하여 일반 연구실 환경에서 수행하였다.
- C의 경우는 오른손의 움직임 상상시, 피험자 B의 경우는 발의 움직암을 샹상할 때 특정 주파수 대역에서의 파워 값이 비 집중시 파워 가과 뚜렷한 차이를 보였다. 이런 특징을 바탕으로 피험자 A, C의 경우 오른손의 움직임, B의 경우 발의 움직임을 상상하게 하였고비집중시는 아무 상상을 하치 얂도록 하고 뇌파를 측정하였다. 측정된 뇌파의 원신호 중 순수 EEG 신호를 얻기 위하여 ICA를 사용하였다.
- 측정된 뇌파는 전 처리를 하고 특정 주파수 대역에서의 파워 값을 집중, 비집중에 대한 분류기준으로 삼고 이를 time multiplexing 기법을 이용하여 인식기를 구성 하였다. 이렇게 구성된 인식기를 사용하여 실시간 측정 시 피험자의 상황에 의해 발생할 수 있는 데이터의 변이에 의한 오착를 줄이기 위해 recognition 나ireshold를 측정시마다 보정하였고 bierfeedback을 이용하여 피험자의 훈련도 수행하였다. 반복적인 인식기 및 피험자의 학습을 통하여 최고 87.
- 이런 운동을 표상하는 운동피질은 섬세하고 미묘한 통제를 제고하기 위하여 훨씬 팽대되어 있다. 이를 바탕으로 mental task로 혀, 발, 좌, 우 손의 움직임을 상상할 때의 각각의 뇌파 특성을 얻기 위하여 전극은 그림 1에서와 같이 각각 T4, Cz, C3, C4의 위치에 부착을 하였고 또한 인간의 고등한 정신기능과 관련이 깊고 수의적 동작을 질서 있게 전개하는 능동적 사고와 관련한 정신활동이 이루어지는 전두엽의 위치 Fpl, Fp2에 전극을 부착하였다. 소형 저가의 BCI 시스템 구현을 위해서는 사용되는 전극의 수를 최소화해야 하며, 4개의 전극만으로도 기본적인 BCI 시스템을 구현할 수 있다고 알려져 있다〔2〕.
- 피험자가 특정 방향과 관련된 상상을 했을 때 인식기에 의해 측정한 뇌파의 특성 분석 결과 상상한 방향과 관련된 것인지 아니면 다른 특성의 뇌파가 나온 것인지를 알려준다. 이를 통해 피험자는 디음 실험에서 bio-feedback 효과로 향상된 뇌파 특성을 나타내기:우해 피험자의 뇌가 스스로 훈련을 하게 되고 원하는 뇌파 특성에 점점 근접하도록 반복 훈련을 하였다.
- 이에 전처러 방법으로 ICA를 이용한 순수 뇌파 신호의 구별이 용이하지 않아 또 다른 방법으로 뇌파신호의 특징 올 추출하기 위하여 각 전극 위치별 6초간 128Hz로 표본화된 신호를 128 point FFT< 이용하여 각 주파수대역에서의 에너지 값으로 특징 벡터를 구성하였다. 반복실험을 통해 원신호의 주파수 영역별 파워 값이 전극의 위치는 Fpl의 위치에서 집중, 비집중에 대해 가장 뚜렷한 차이를 보였고 반복 측정시마다 일정한 값을 나타내었다.
- 이러한 잡음들을 제거하는 방법으로 1-30 Hz통과대역을 갖는 대역통과 필터 이외에도 혼합된 신호들에 대해 사전정보 없이 원래의 신호원들을 찾을 수 있는 방법으로 상호 정보량을 최소화하거나, 엔트로피를 최대화하는 과정을 통해 미지 신호원들을 분리해 낼 수 있어, 음성신호 처리, 영상신호처리 및 뇌파신호처리 등에 효과적으로 사용되고 있는 독립성분분석 알고리즘(independent component analysis, ICA)을. 이용하여 잡음 신호들 중 뇌파에 해당하는 신호를 추출하여 보았다〔9〕. 그러나 ICA를 수행한 후 뇌파신호는 측정 채널수의 부족으로 뇌파로 간주할 수 있는 저주파이며, 고조파 특성을 갖는 신호를 분류해낼 수 없었다.
- 정확한 뇌파의 특징을 찾기 위해 여러 곳의 전극의 위치 (Cz, C3, C4, T4, Fpl, Fp2 등)에서 손, 발, 혀의 움직임 상상 및 편안한 상태등의 여러가지 mental task에 대한 EEG 신호를 측정하였다. 측정된 뇌파는 전 처리를 하고 특정 주파수 대역에서의 파워 값을 집중, 비집중에 대한 분류기준으로 삼고 이를 time multiplexing 기법을 이용하여 인식기를 구성 하였다.
- 집중, 비집중시 뇌파의 특성에 뚜렷한 차이를 나타내는 전극의 위치 및 주파수 영역을 찾기 위해 Fpl, Fp2, C3, C4, Cz, T4의 위치에 전극을 두고 반복 실험을 하였다. 그리고 mental task로는 집중시에는 혀, 발, 좌, 우 손의 움직임을 상상하게 하였고 비집중시는 아무 상상을 하지 않거나 공포를 상상하게 하여 반복 실험을 하였다.
- 측정 시간은 1회 테스트마다 그림 3에서와 같이 전, 후 6초 간의 mental task 사이에 2초 간의 준비 시간을 두고 측정을 하였다. 아울러 컴퓨터와 피험자의 상호 훈련을 통하여 mental task 시의 측정 시간을 줄여 나가는 실험을 반복적으로 수행하였다.
- 파워 収의 뚜렷한 차이를 보이는 주파수 대역을 찾고 이 주파수 대역에서의 파워 값을 이용하여 2클래스 분류의 인식 發을 최대화하고 이 2클래스 인식 문제를 연속적으로 적용하는 time multiplexing 기법을 이용하여 4방향 제어를 위한 4클래스 인식기를 구현하였다.
- 찾아내었다. 피험자에 따른 측정 전극의 위치와 주파수 대역을 찾은 후 그림 9에서와 같이 집중, 비집중시의 파워 값을 SVM을 이용하여 오인식되는 데이터를 고려한 두 클래스 경계면의 임계값을 정하여 2 클래스에 대한 인식기를 구성 하였다.
- 방법을 결정하였다. 한편, 연속적인 실험에서 피험자가 피곤함을 느끼게 되면 원하는 뇌파를 얻기가 어려워지기 때문에 피험자가 편안하게 느낄 수 있는 그림 4 와 같은 자극 제시 방법을 최종적으로 적용하였다.
대상 데이터
- 이런 특징을 바탕으로 피험자 A, C의 경우 오른손의 움직임, B의 경우 발의 움직임을 상상하게 하였고비집중시는 아무 상상을 하치 얂도록 하고 뇌파를 측정하였다. 측정된 뇌파의 원신호 중 순수 EEG 신호를 얻기 위하여 ICA를 사용하였다. 그림 5는 C3, C4, Fpl, Fp2에서 측정한 EEG 신호의한 예를 보이고 있다.
이론/모형
- Off-line 인식기 구현에는 support vector ma-chine(SVM)을 이용하였다. SVWe 입력 공간의 비선형적인 높은 차수를 feature space에서 선형적으로 투영한 후, 분리 경계면과 가장 분리 경계면에 인접한 점 (support vector)과의 거리를 최대화하여 각 feature 사이의 최적의 경계를 제시하여 준다〔10〕.
- 이와 같은 인식기들은 피험자나 컴퓨터만의 훈련을 통한 인식기들로 효율적인 인식기 구성에 어려운 점이 있다. 이에 보다 나은 인식 성능을 얻기 위해 본 논문에서는 bio-feedback을 이용하여 pattern recognition approach와 operant conditioning approach 방법을 융합한 hybrid approach 방법을 사용하였다.
- 대한 EEG 신호를 측정하였다. 측정된 뇌파는 전 처리를 하고 특정 주파수 대역에서의 파워 값을 집중, 비집중에 대한 분류기준으로 삼고 이를 time multiplexing 기법을 이용하여 인식기를 구성 하였다. 이렇게 구성된 인식기를 사용하여 실시간 측정 시 피험자의 상황에 의해 발생할 수 있는 데이터의 변이에 의한 오착를 줄이기 위해 recognition 나ireshold를 측정시마다 보정하였고 bierfeedback을 이용하여 피험자의 훈련도 수행하였다.
성능/효과
- ICA를 통해 분리된 4개의 신호들은 순수뇌파 이외에 심박동, 호흡, :미세한 근육의 움직임, 장바자체의 신호 감섭 등의 잡음 영향으로, time domain에서 저주파이며 , 고조파 신호의 특성을 나타내는 순수 뇌파의 분리가 잘 이루어지지 않았다.
- 실험을 통해 피험자에 .따라 뇌파의 특성뿐 만 아니라, 반복 실험을 통한 훈련에 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 작용한다는 것을 보이는 것이다.
- 반복실험을 통해 원신호의 주파수 영역별 파워 값이 전극의 위치는 Fpl의 위치에서 집중, 비집중에 대해 가장 뚜렷한 차이를 보였고 반복 측정시마다 일정한 값을 나타내었다. 주파수 영역은 그림 7에서와 같이 사람에 따라 SMR 영역(13-L5HZ)에서 가장 뚜렷하고 안정된 차이 특성을 보이는 피험자가 있는 반면, 그림 8에서와 같이。영역 (4-7Hz)에서 차이 특성이 나타나는 피험자도 있었다.
- 이렇게 구성된 인식기를 사용하여 실시간 측정 시 피험자의 상황에 의해 발생할 수 있는 데이터의 변이에 의한 오착를 줄이기 위해 recognition 나ireshold를 측정시마다 보정하였고 bierfeedback을 이용하여 피험자의 훈련도 수행하였다. 반복적인 인식기 및 피험자의 학습을 통하여 최고 87.5%라는 4 방향 인식률을 얻을 수 있었다.
- Training day 1-3은 전, 후반 정신 상태를 6초간 측정한 인식률이고 4-7은 정신 상태 측정시간을 4초간으로 단축시킨 후 훈련을 통한 인식률을 나타내었다. 측정 시간의 단축 이후에 반복적인 훈련을 수행할수록 전반적인 인식률 향상이 나타남을 알 수 있다. 이와 같은 인식률 향상을 통해 반복 훈련의 효과에 의한 분석이 가능하였다.
- 두 경우 모두 반복 수행을 통해 인식률의 향상이 나타나는 것으로 분석된다. 표 3, 4를 표 1, 2와 대조 분석해 보면 계속적인 반복 훈련과정에서 매 측정 시 뇌파의 특성을 인식기에 반영해 주는 방법이 대체적으로 인식률이 높게 나타났다. 이러한 결과는 인식 결과에 대한 bio-feedback에 의한 피험자의 훈련 뿐만 아니라, 인식기도 실시간으로 인식률 향상을 위한 적응적 훈련을 하게 되었기 때문으로 분석된다.
- 하지만, 초기에 SV时을 이용하여 구한 두 클래스의 최적 경계면은 다양한 실험 환경의 변화에 따른 뇌파 신호의 특성 변화에 따라, 두 클래스의 인식률이 낮아지는 결과를 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 정보를식(1)를 이용하여 보정하였다.
- 였다. 혀, 발, 좌, 우 손의 움직임에 대한 자극을 제시하여 반복 실험한 결과 피험자 A. C의 경우는 오른손의 움직임 상상시, 피험자 B의 경우는 발의 움직암을 샹상할 때 특정 주파수 대역에서의 파워 값이 비 집중시 파워 가과 뚜렷한 차이를 보였다. 이런 특징을 바탕으로 피험자 A, C의 경우 오른손의 움직임, B의 경우 발의 움직임을 상상하게 하였고비집중시는 아무 상상을 하치 얂도록 하고 뇌파를 측정하였다.
후속연구
- 또한 보■다 다양한 뇌파 특성 분석 및 mental task 와 뇌파 특성과의 관계에 대한 연구가 더욱 더 필요하다.
- 향후, 상당기간의 컴퓨터, 피험자의 훈련을 통한 좀 더 정확도가 높은 패턴 인식기 구성 및 실시간 적응 시스템 올 위한 인식기의 실시간 학습 기능에 대한 연구가 필요하다. 또한 보■다 다양한 뇌파 특성 분석 및 mental task 와 뇌파 특성과의 관계에 대한 연구가 더욱 더 필요하다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.