본 논문은 유발전위(evoked potential) 뇌파인 P300에 기반한 뇌-기계 인터페이스의 실시간 구현을 위한 효율적인 알고리즘을 제안한다. P300 뇌파는 외부 시각 자극이 인간의 의지와 일치할 경우, 100-300ms 부근에서 negative pick를 갖는 특성이 있다. 이러한 특성에 기초하여 P300 뇌파의 포텐셜(potential) 감소를 감지하여 인간의 의도를 역으로 추론할 수 있으며, 이를 뇌-기계 인터페이스에 활용할 수 있다. 연구에서 P300 뇌파는 인간의 두개골 외부에 부착된 전극을 통해 얻어졌으며, 시각적 자극으로는 2차원 알파벳 신호를 사용하였다. P300 뇌파의 포텐셜 감소 검출을 위하여 뇌파 포텐셜을 자극과 연계하여 확률적으로 모델링하였다. 확률적 모델은 피실험자가 의도하는 신호의 모델(target model)과 의도하지 않는 신호의 모델(non-target model)로 구성된다. 이러한 확률적 모델에 기반하여 피실험자의 의도를 추론하기 위해서 최우추정법(maximum likelihood estimation)을 사용하였다. 실험에는 신체 건강한 성인 남자 3명이 참가하였으며, 'A'와 'E' 실험에 대한 피실험자 k의 평균 성공률은 98%, 피실험자 j의 평균 성공률 90%, 그리고 피실험자 h의 성공률은 79.8%였다.
본 논문은 유발전위(evoked potential) 뇌파인 P300에 기반한 뇌-기계 인터페이스의 실시간 구현을 위한 효율적인 알고리즘을 제안한다. P300 뇌파는 외부 시각 자극이 인간의 의지와 일치할 경우, 100-300ms 부근에서 negative pick를 갖는 특성이 있다. 이러한 특성에 기초하여 P300 뇌파의 포텐셜(potential) 감소를 감지하여 인간의 의도를 역으로 추론할 수 있으며, 이를 뇌-기계 인터페이스에 활용할 수 있다. 연구에서 P300 뇌파는 인간의 두개골 외부에 부착된 전극을 통해 얻어졌으며, 시각적 자극으로는 2차원 알파벳 신호를 사용하였다. P300 뇌파의 포텐셜 감소 검출을 위하여 뇌파 포텐셜을 자극과 연계하여 확률적으로 모델링하였다. 확률적 모델은 피실험자가 의도하는 신호의 모델(target model)과 의도하지 않는 신호의 모델(non-target model)로 구성된다. 이러한 확률적 모델에 기반하여 피실험자의 의도를 추론하기 위해서 최우추정법(maximum likelihood estimation)을 사용하였다. 실험에는 신체 건강한 성인 남자 3명이 참가하였으며, 'A'와 'E' 실험에 대한 피실험자 k의 평균 성공률은 98%, 피실험자 j의 평균 성공률 90%, 그리고 피실험자 h의 성공률은 79.8%였다.
In this paper, we propose a computationally efficient method detecting the P300 wave for brain-machine interface. Electrophysiological researches have shown that the P300 wave's potential is decreased when human intention matches visual stimulation. Motivated by this fact, we can infer human intenti...
In this paper, we propose a computationally efficient method detecting the P300 wave for brain-machine interface. Electrophysiological researches have shown that the P300 wave's potential is decreased when human intention matches visual stimulation. Motivated by this fact, we can infer human intention for brain-machine interface by detecting the P300 wave's potential decrease. The P300 wave is recorded from EEG(electroencephalogram) electrodes attached on human brain skull after giving alphabetical stimulation. To detect the potential decrease in P300, firstly we statistically model the P300 wave's negative potential. Then we infer human intention based on maximum likelihood estimation. The proposed method was evaluated on the data recorded from three healthy human subjects. The method achieved an averaging accuracy of 98% from subject k, 90% from subject j and 79.8% from subject h.
In this paper, we propose a computationally efficient method detecting the P300 wave for brain-machine interface. Electrophysiological researches have shown that the P300 wave's potential is decreased when human intention matches visual stimulation. Motivated by this fact, we can infer human intention for brain-machine interface by detecting the P300 wave's potential decrease. The P300 wave is recorded from EEG(electroencephalogram) electrodes attached on human brain skull after giving alphabetical stimulation. To detect the potential decrease in P300, firstly we statistically model the P300 wave's negative potential. Then we infer human intention based on maximum likelihood estimation. The proposed method was evaluated on the data recorded from three healthy human subjects. The method achieved an averaging accuracy of 98% from subject k, 90% from subject j and 79.8% from subject h.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
3초 이후의 뇌파 변화로서, 출현시간이 일정하지 않을 뿐 아니라, 실시간 시스템을 구현함에 있어 제약을 가질 수밖에 없다. 본 논문에서는 실시간 구현을 고려하여, P300의 negative peak를 이용한 뇌파 변화의 확률적인 분포와 최우추정법 (Maximum Likelihood Estimation)을 사용해, 계산량이 적고, 설정변수를 최소화하는 알고리즘을 개발하고자 하였다.
제안 방법
이 1 set 마다 1개의 결과값을 유추할 수 있다. 40개의 rounds 중 20개의 rounds를 훈련과정(traini山也)에 사용하였고, 이 과정동안 target model과 non-target model을 만들었다. 그리고 나머지 20개의 rounds를 test data로 사용하였다.
시각적 자극이 인간의 의도와 일치할 경우 P300 뇌파의 포텐셜(potential)이 감소한다는 사실에 기초하여, 인간의 의도를 P300 뇌파 분석을 통하여 역으로 추론하였다. 뇌파(EEG)는 사람에 따라서, 혹은 동일인일지라도 시간에 따라, 그리고 환경에 따라 다른 신호가 발생한다.
시각적(빛) 자극(stimulation)을 제어하기 위해, 그림 5와 같은 MFC를 이용한 가로 20cm, 세로 15cm의 어플리케이션(application)을 만들었다.
실험은 화면상에 보여 지는 A, B, C, D, E 캐릭터가 랜덤하게 한번 씩 깜빡이는 것을 1 round라고 할 때, 총 40개의 rounds를 묶어서 1 set을 만들었다. 이 1 set 마다 1개의 결과값을 유추할 수 있다.
뇌-기계 인터페이스 연구에서의 가장 큰 어려움은 이런 뇌파의 가변성이라 할 수 있다. 이러한 가변성의 문제는 P300 뇌파의 확률적인 모델링을 통하여 해결하고자 하였으며, 뇌-기계 인터페이스의 실시간 구현을 위하여 의도 추론 과정도 최우추정법에 기초하여 계산적 효율성과 성능의 안정성을 고려하였다.
피실험자는 컴퓨터 모니터를 통해 총 5개 열 (A, B, C, D, E)의 시각적 자극을 입력받게 되는데(모니터상의 문자열이 무작위(random)로 A〜E까지 깜박임), 이때 피실험자의 생각(5개의 문자 중, 피실험자가 바라보는 문자)과 자극이 일치하면 P300이 발생하게 된다. 이렇게 취득한 뇌파에 전처리 필터링 (Low-pass filtering)을 한 후, 뇌파 포텐셜(potential)의 확률적 분포 모델을 만는다. 그리고 마지막으로 최우추정법 (Maximum Likelihood Estimation)을 이용해서 피실험자의 의지를 추론한다.
피실험자의 생각과 일치하는 신호(target model) 와일치하지 않는 신호(non-taiget model)간의 변별력을 높이기 위해 문턱값(threshold)을 사용하였다. 하지만, 그림 7에서 보듯이 문턱값의 선택에 따라 성공률의 차이가 발생한다.
대상 데이터
실험에 사용된 시스템은 펜티엄-4 2.66G cpu와 2GB 의 메모리가 탑제된 데스크탑을 사용하였고, 신호 취득 장비에는 (주)Laxtha의 PolyG-A를 사용하였다. 실험은 항상 형광등이 켜져 있는 실내에서 진행되었디.
실험에는 20대 후반의 건강한 남자 3명이 참가하였고, 표 2에서 보는바와 같이, 입력자극 'A'와 'E'에 대해서 피실험자 k는 각각 97.9%, 99.8%의 성공률을, 피실험자 j는 각각 88.7%, 90.3%, 마지막으로 피실험자 h는 각각 77.8%, 81.1%의 성공률을 보였다.
채널은 총 4개를 사용하였으며, 샘플링 주파수는 256Hz로 설정하였다. 시각적 자극에 대한 실험이기 때문에, 시각을 담당하는 후두부(occipital region)에서 뇌파 신호가 두드러질 것이라는 생각에서 P3, P4, 01, 02 에 부착하였다.
피실험자는 컴퓨터 모니터를 통해 총 5개 열 (A, B, C, D, E)의 시각적 자극을 입력받게 되는데(모니터상의 문자열이 무작위(random)로 A〜E까지 깜박임), 이때 피실험자의 생각(5개의 문자 중, 피실험자가 바라보는 문자)과 자극이 일치하면 P300이 발생하게 된다. 이렇게 취득한 뇌파에 전처리 필터링 (Low-pass filtering)을 한 후, 뇌파 포텐셜(potential)의 확률적 분포 모델을 만는다.
이론/모형
이렇게 취득한 뇌파에 전처리 필터링 (Low-pass filtering)을 한 후, 뇌파 포텐셜(potential)의 확률적 분포 모델을 만는다. 그리고 마지막으로 최우추정법 (Maximum Likelihood Estimation)을 이용해서 피실험자의 의지를 추론한다.
시각적 자극에 대한 실험이기 때문에, 시각을 담당하는 후두부(occipital region)에서 뇌파 신호가 두드러질 것이라는 생각에서 P3, P4, 01, 02 에 부착하였다. 부착위치는 그림 6에 나타낸 International 10以) system을 참조하였다.
성능/효과
실험 결과 3명의 피실험자 중 2명에 대해서는 90% 이상의 추론 성능을 보였다. 우수한 추론 성능을 보인 피실험자 k는 연구 초기부터 연구와 실험에 참가를 하였고, 피실험자 j는 3개월 이상 훈련을 하였으며, 가장 성능이 좋지 않은 피실험자 h는 실험과 무관하게 임의로선별되었디 L 이렇게 대표성을 가진 피실험자들의 실험 결과를 토대로 미루어 짐작해 보면, 실험 방법이나 실험의 원리에 대해 더 잘 알고 있는 사람일수록 성공률이 높다는 것을 알고 있다.
추론 성능을 보였다. 우수한 추론 성능을 보인 피실험자 k는 연구 초기부터 연구와 실험에 참가를 하였고, 피실험자 j는 3개월 이상 훈련을 하였으며, 가장 성능이 좋지 않은 피실험자 h는 실험과 무관하게 임의로선별되었디 L 이렇게 대표성을 가진 피실험자들의 실험 결과를 토대로 미루어 짐작해 보면, 실험 방법이나 실험의 원리에 대해 더 잘 알고 있는 사람일수록 성공률이 높다는 것을 알고 있다. 이는 곧 '훈련(training)을 통해 성공률이 좋아질 수 있다⑶는 뇌-기계 인터페이스 연구의 기본 맥락과 일치한다.
후속연구
이는 곧 '훈련(training)을 통해 성공률이 좋아질 수 있다⑶는 뇌-기계 인터페이스 연구의 기본 맥락과 일치한다. 따라서 향후 성공적인 뇌」기계 인터페이스를 위해서는 뇌파 분석 방법에 대한 연구뿐만 아니라, 피실험자에 따른 성능 변화에 대해서도 고찰이 필요하다. 그리고 실험에 사용된 A'와 E 두 캐릭터 뿐 만 아니라, C, D 혹은 더 많은 캐릭터에 대한 효율적인 알고리즘 개발을 위한 연구도 불가피하다.
참고문헌 (10)
J. R. Wolpaw, N. Birbaumer, D. J. McFarland, G. Pfurtscheller, and T. M. vaughan, "Brain-computer interfaces for communication and control," Clin. Neurophysiol., vol. 113, pp. 767-791, 2002.
J. R. Wolpaw, D. J. McFarland, G. W. Neat, and C. A. Forneris, "An EEG-based brain-computer interface for cursor control," Electro-encephalogr. clin. Neurophysiol., vol. 78, pp. 252-259, 1991.
G. Pfurtscheller, C. Neuper, C. Guger, W. Harkam, H. Ramoser, A. Schlogl, B. Obermaier, and M. Pregenzer, "Current trends in Graz brain-computer interface(BCI) research," IEEE Trans. Rehab. Eng., vol. 8, no. 2, pp. 216-219, June 2000.
J. R. Wolpaw, D. J. McFarland, and T. M. vaughan, "Brain-computer interface research at the Wadsworth center," IEEE Trans. Rehab. Eng., vol. 8, no. 2, pp. 222-226, June 2000.
A. Lenhardt, M. Kaper, and H. J. Ritter, "An adaptive P300-based online brain-computer interface." IEEE Trans. Neural Syst. Rehab. Eng., vol. 16, no. 2, pp. 121-130, April 2008.
B. J. Culpepper and R. M. Keller, "Enabling computer decisions based on EEG input," IEEE Trans. Rehab. Eng., vol. 11, no. 4, December 2003.
B. Blankertz, G. Dornhege, M. Krauledat, K. R. Muller, V. Kunzmann, F. Losch, and G. Curio, "The berlin Brain-compouter interface: EEG-based communication without subject training," IEEE Trans. Rehab. Eng., vol. 14, no. 2, June 2006.
M. Thulasidas, C. Guan, and J. Wu, "Robust classification of EEG signal for brain-computer interface," IEEE Trans. Neural. Syst. Rehab. Eng., vol. 14, no. 1, pp. 24-29, March 2006.
H. Zhang, C. Guan, and C. Wang, "Asynchronous P300-based brain-computer interfaces: A computational approach with statistical models," IEEE Trans. Biomed. eng., vol. 55, no. 6, June 2008.
P. A. Karjalainen, J. P. Kaipio, A. S. Koistinen, and M. vauhkonen, "Subspace regularization method for the single-trial estimation of evoked potentials," IEEE Trans. Biomed. Eng., vol. 46, no. 7, July 1999.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.