[논문]Channel Impact Factor 접목한 BPSO 기반 최적의 EEG 채널 선택 기법

김준엽; 박승민; 고광은; 심귀보

doi:10.5391/jkiis.2012.22.6.774

Channel Impact Factor 접목한 BPSO 기반 최적의 EEG 채널 선택 기법
Optimal EEG Channel Selection using BPSO with Channel Impact Factor 원문보기

한국지능시스템학회 논문지 = Journal of Korean institute of intelligent systems, v.22 no.6, 2012년, pp.774 - 779

김준엽 (중앙대학교 전자전기공학부) , 박승민 (중앙대학교 전자전기공학부) , 고광은 (중앙대학교 전자전기공학부) , 심귀보 (중앙대학교 전자전기공학부)

초록
AI-Helper

본 논문은 brain-computer interface (BCI)를 통해 움직임 상상 시 측정된 뇌-활동전위신호(EEG)에 내포된 행동의도의 패턴을 보다 정확하게 분류하기 위한 최적 EEG 채널 선택 기법을 제안한다. 기존의 EEG 측정실험에서는 실험 설계자에 의해 대뇌 기능적 피질 분류를 이용하여 인위적으로 선별된 채널을 활용하거나 측정기기가 수용 가능한 전체 채널을 사용해왔으며, 일정 수준의 패턴분류 정확도를 얻을 수 있었지만 다수의 채널로 인해 Common Spatial Pattern (CSP) 등의 패턴특징 추출 시 overfit 및 계산 복잡도 증가의 문제가 발생되었다. 이를 극복하기 위하여 방안으로 본 논문에서는 binary particle swarm optimization (BPSO)을 기반으로 다수의 채널 중 최적 채널을 자동으로 선택하고, 각각의 채널에 대한 impact factor를 부여함으로써 중요 채널 부근의 채널들에 가중치를 부여하는 선택방법을 제안하였으며, Support Vector Machine (SVM)을 이용하여 다수의 채널을 사용 하였을 때의 정확도와 channel impact factor를 고려한 BPSO를 적용시켰을 때의 정확도를 비교, 분석하였다.

Abstract ▼ AI-Helper

Brain-computer interface based on motor imagery is a system that transforms a subject's intention into a control signal by classifying EEG signals obtained from the imagination of movement of a subject's limbs. For the new paradigm, we do not know which positions are activated or not. A simple approach is to use as many channels as possible. The problem is that using many channels causes other problems. When applying a common spatial pattern (CSP), which is an EEG extraction method, many channels cause an overfit problem, in addition there is difficulty using this technique for medical analysis. To overcome these problems, we suggest a binary particle swarm optimization with channel impact factor in order to select channels close to the most important channels as channel selection method. This paper examines whether or not channel impact factor can improve accuracy by Support Vector Machine(SVM).

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 논문에서는 BPSO를 적용하여 최적의 채널 조합을 선택하여 특징 추출 하는 방법을 제안하였다. 이때 왼손 오른손 움직임 상상 실험 시 가장 활성화 되는 채널 C₃와 C₄및 부근채널이 선택되는 확률을 높이기 위하여 각각의 채널에 channel impact factor를 부여하여 중요 채널 부근의 채널들에 가중치를 부여하는 선택방법을 제안하였으며 이때 정확도와 모든 채널을 사용 하였을 때의 정확도를 비교 분석하였다.
본 논문에서는 모든 채널 정보를 이용하여 신호를 분석하는 대신 BPSO 알고리즘을 이용하여 최적의 채널만을 사용 하여 신호 분석을 방법을 제안 하였다. 모든 채널을 사용하는 대신 중요 채널 부근의 채널을 많이 선택하는 경우 정확도를 높일 수 있다는 가정 하에 실험을 하였으며 적은 채널을 사용하면서 높은 정확도를 얻기 위하여 BPSO 알고리즘 위치 업데이트 방식에 channel impact factor를 적용시킬 수 있게 변형을 제안하였다.

가설 설정

운동심상에 대한 실험을 하는 경우 왼손 음직임에 대한 실험은 채널 C₄영역이 가장 활성화 되며 오른손 움직임에 대한 실험은 채널 C₃영역이 가장 활성화 되는 것을 알고 있다[ 7]. 중요 채널 부근의 채널을 사용하는 경우 정확도를 높일 수 있다고 가정을 하였으며 가정을 증명하기 위해 각 채널간의 거리를 이용하여 거리를 5개의 등급으로 나누어 설정하였다. 5개의 둥급에 대해 channel impact factor를 {0.

제안 방법

중요 채널 부근의 채널을 사용하는 경우 정확도를 높일 수 있다고 가정을 하였으며 가정을 증명하기 위해 각 채널간의 거리를 이용하여 거리를 5개의 등급으로 나누어 설정하였다. 5개의 둥급에 대해 channel impact factor를 {0.7, 0.8, 0.9, 1, 1.1} 설정을 하였으며 C₃와 C₄채널에 가까울수록 channel impact factor를 낮게, 거리가 멀수록 높게 설정하였다. 채널 C₃와 C₄에는 0.
제안된 방법을 이용하여 각각의 피험자에 대해 3번의 정확도 측정 실험을 하였다. BPSO 알고리즘에서 particle의 수를 50으로 설정 하였으며 maximum iteration을 200으로 설정 하였다. c₁과 c₂값은 2로 설정 하였으며 n 번째 iteration의 inertia weight 값은 다음과 같이 설정하였다.
이때 δ는 channel impact factor를 의미한다. Linear Filtering을 통과한 EEG 데이터에 channel impact factor를 접목한 BPSO를 이용하여 채널 선택을 하기 위하여 해 공간을 채널의 공간으로 설정을 하였으며 이때 particle의 위치는 0 또는 1의 값을 가지게 설정하였다. 이때 0은 채널을 사용하지 않는 것을 의미하고 1은 채널을 사용하는 것을 의미한다.
각각의 피험자는 3개의 클래스(왼손, 오른손, 발) 중 2가지를 선택하여 실험에 참여 하였으며 실험 동안 feedback 없이 운동심상 실험이 진행 되었다.
본 논문에서는 모든 채널 정보를 이용하여 신호를 분석하는 대신 BPSO 알고리즘을 이용하여 최적의 채널만을 사용 하여 신호 분석을 방법을 제안 하였다. 모든 채널을 사용하는 대신 중요 채널 부근의 채널을 많이 선택하는 경우 정확도를 높일 수 있다는 가정 하에 실험을 하였으며 적은 채널을 사용하면서 높은 정확도를 얻기 위하여 BPSO 알고리즘 위치 업데이트 방식에 channel impact factor를 적용시킬 수 있게 변형을 제안하였다. 그 결과는 위에서 본거와 같이 최적의 채널을 선택하는 경우 분류의 정확도가 높아지는 것을 알게 되었다.
particle 위치 중 1의 값을 가진 particle 위치에 해당하는 채널 신호만을 이용하였다. 선택된 신호에 CSP를 적용하여 특징 추출을 하였으며 SVM를 통해 클래스를 분류하여 정확도를 측정하였다. 분류를 통해 얻은 정확도와 선택된 채널의 수를 fitness 함수로 설정하는데 이때 적합도(Fitness)는 다음과 같다.
움직임 상상과 연관된 β파와 μ파만을 고려하기 위해 다른 주파수 대역을 제거 할 Linear Filtering (8~30Hz)을 적용하였다.
본 논문에서는 BPSO를 적용하여 최적의 채널 조합을 선택하여 특징 추출 하는 방법을 제안하였다. 이때 왼손 오른손 움직임 상상 실험 시 가장 활성화 되는 채널 C₃와 C₄및 부근채널이 선택되는 확률을 높이기 위하여 각각의 채널에 channel impact factor를 부여하여 중요 채널 부근의 채널들에 가중치를 부여하는 선택방법을 제안하였으며 이때 정확도와 모든 채널을 사용 하였을 때의 정확도를 비교 분석하였다. 특징 추출 방법으로는 CSP를 사용하였으며 분류기로는 SVM을 적용하였다[3].
제안된 방법을 이용하여 각각의 피험자에 대해 3번의 정확도 측정 실험을 하였다. BPSO 알고리즘에서 particle의 수를 50으로 설정 하였으며 maximum iteration을 200으로 설정 하였다.

대상 데이터

그림 5는 본 논문에서 제안한 channel impact factor를 BPSO에 접목시켜 최적의 채널 조합을 찾는 방법을 이용하여 얻은 결과이다. 각각의 피험자 모두 모든 채널을 사용하
였을 때보다 18%, 17~25%, 30%의 정확도가 향상이 되었으며 30~33개, 20~34개, 27~30개의 적은 채널을 사용하였다. 논문[10]에서 제안한 방법과 본 논문에서 제안한 방법을 비교 하였을 때 channel impact factor를 BPSO에 접목시켰을 경우 정확도가 3% , 0~7% , 2~5% 향상 된 것을 알 수 있다.
본 연구에서는 BCI competition dataset IV data I 을 사용하였다[9]. 건강한 피험자 7명이 실험에 참여 하였으며 그림 2와 같이 59개의 채널이 실험에 사용되었다. 각각의 피험자는 3개의 클래스(왼손, 오른손, 발) 중 2가지를 선택하여 실험에 참여 하였으며 실험 동안 feedback 없이 운동심상 실험이 진행 되었다.
본 연구에서는 BCI competition dataset IV data I 을 사용하였다[9]. 건강한 피험자 7명이 실험에 참여 하였으며 그림 2와 같이 59개의 채널이 실험에 사용되었다.
각각의 피험자는 3개의 클래스(왼손, 오른손, 발) 중 2가지를 선택하여 실험에 참여 하였으며 실험 동안 feedback 없이 운동심상 실험이 진행 되었다. 움직임 상상에 대해 각각의 피험자는 총 200회 움직임 상상을 하였으며 본 논문에서는 왼손, 오른손 2 클래스 움직임 상상을 실험을 행한 피험자 b, d, e의 데이터를 사용하였다. 측정된 EEG raw 신호는 100 Hz sampling rate을 가진다.

이론/모형

BPSO 알고리즘을 BCI 시스템의 채널 선택 방법으로 적용 하였으며 채널 선택 수행 과정은 그림 1과 같다.
이때 왼손 오른손 움직임 상상 실험 시 가장 활성화 되는 채널 C₃와 C₄및 부근채널이 선택되는 확률을 높이기 위하여 각각의 채널에 channel impact factor를 부여하여 중요 채널 부근의 채널들에 가중치를 부여하는 선택방법을 제안하였으며 이때 정확도와 모든 채널을 사용 하였을 때의 정확도를 비교 분석하였다. 특징 추출 방법으로는 CSP를 사용하였으며 분류기로는 SVM을 적용하였다[3].

성능/효과

모든 채널을 사용하는 대신 중요 채널 부근의 채널을 많이 선택하는 경우 정확도를 높일 수 있다는 가정 하에 실험을 하였으며 적은 채널을 사용하면서 높은 정확도를 얻기 위하여 BPSO 알고리즘 위치 업데이트 방식에 channel impact factor를 적용시킬 수 있게 변형을 제안하였다. 그 결과는 위에서 본거와 같이 최적의 채널을 선택하는 경우 분류의 정확도가 높아지는 것을 알게 되었다. 정확도 측정 시 각각의 실험마다 최적의 채널의 조합이 바뀌게 되고 그로 인해 정확도가 바뀌는 현상이 발생하게 되는데 이러한 문제점을 극복하기 위하여 BPSO 방식의 fitness 함수를 변형 시켜 test 마다 바뀌는 최적의 채널조합을 개선하고 있으며 보다 실험실에서 직접 측정한 뇌파 데이터와 보다 많 은 피험자의 데이터를 이용하여 실험을 진행 중에 있다.
그림 4는 논문[10]에 제안된 방법을 이용하여 얻은 결과이다. 그림 4를 통해 알 수 있듯이 모든 채널을 사용하여 정확도를 측정 하였을 때보다 BPSO를 이용하여 얻은 최적의 채널의 조합을 사용하여 정확도를 측정 하였을 때 각각의 피험자 마다 15%, 17~18%, 25~28% 정확도를 향상시킨 것을 알 수 있다. 이 경우 정확도를 향상 시키면서 모든 채널을 사용 하였을 때보다 25~33개, 27~31개, 26~34개의 적은 채널을 사용한 것을 확인 할 수 있다.
였을 때보다 18%, 17~25%, 30%의 정확도가 향상이 되었으며 30~33개, 20~34개, 27~30개의 적은 채널을 사용하였다. 논문[10]에서 제안한 방법과 본 논문에서 제안한 방법을 비교 하였을 때 channel impact factor를 BPSO에 접목시켰을 경우 정확도가 3% , 0~7% , 2~5% 향상 된 것을 알 수 있다.
같은 알고리즘을 적용하더라도 각각의 피험자마다 선택되는 채널의 조합이 다른 것을 확인 할 수 있으며 그로인해 다른 정확도를 가지는 것을 그림4를 통해 확인 할 수 있다. 또한 선택된 채널들이 채널 C₃와 C₄ 근접 채널이기 보다는 채널의 공간상에서 임의적으로 선택된 것을 확인할 수 있다.

질의응답

핵심어	질문	논문에서 추출한 답변
	사용자의 뇌파 측정 방식에는 무엇이 있나?	BCl 기술은 뇌파장비를 이용하여 측정된 사용자의 의도신호를 분석하고 제어신호로 변환하여 휠체어 또는 로봇의 팔 등과 같이 기계를 제어함으로써 세계적으로 관심을 받고 있다[1]. 사용자의 뇌파 측정 방식으로는 침습적 방식과 비침습적 방식이 존재한다. 침습적 방식은 수술을통하여 피험자의 대뇌피질에 직접 전극을 설치하여 전기적 변화를 측정하는 방법이다.
	침습적 방식은 무엇인가?	사용자의 뇌파 측정 방식으로는 침습적 방식과 비침습적 방식이 존재한다. 침습적 방식은 수술을통하여 피험자의 대뇌피질에 직접 전극을 설치하여 전기적 변화를 측정하는 방법이다. 뇌로부터 직접 신호를 측정하기 때문에 정확한 신호를 얻을 수 있지만 뇌절개 수술을 해야 하는 단점을 가지고 있다.
	침습적 방식의 단점은?	침습적 방식은 수술을통하여 피험자의 대뇌피질에 직접 전극을 설치하여 전기적 변화를 측정하는 방법이다. 뇌로부터 직접 신호를 측정하기 때문에 정확한 신호를 얻을 수 있지만 뇌절개 수술을 해야 하는 단점을 가지고 있다. 비침습적 방식은 뇌파 측정 시 전극을 두피에 설치하여 뇌파를 측정하는 방법이며 침습적 방식과는 다르게 잡음의 영향을 많이 받고 신호의 크기가 매우 작다는 단점을 가지지만 수술이 필요 없고 간단한 절차로 뇌파를 측정할 수 있다는 장점을 가진다.

참고문헌 (10)

J. Wolpaw, N. Birbaumer, W. Heetderks, D. McFarland, P. Peckham, G. Schalk, E. Donchin, L. Quatrano, C. Robinson, T. Vaughan, "Brain-Computer Interface Technology : A review of the First International Meeting," IEEE Trans. Rehab. Eng., vol. 8, no. 2, pp. 164-173, 2000.

상세보기
H. Ramoser, J. M. Gerking, and G. Pfurtscheller, "Optimal spatial filtering of single trial EEG during imagined hand movement," IEEE Trans. Rehab. Ebg., vol. 8, no. 4, pp. 441-446, 1998.
C.J.C. Burges, "A tutorial on support vector machines for pattern recognition," Data mining and knowledge discovery, vol. 2, pp. 121-167, 1998.

상세보기
J. Kennedy and R. C. Eberhart, "Particle swarm optimization," Proceedings of IEEE International Conference on Neural Networks, Piscataway, NJ. pp. 1942-1948, 1995.
J. Kennedy and R. C. Eberhart, "A discrete binary version of the particle swarm algorithm," IEEE Int. Conf. On Systems, Man and Cybernetics, vol. 5, pp. 4104-4108, 1997.
C. Guger, R. Leeb, D. Friedman, V. Vinayagamoorthy, G. Edlinger and M. Slater, "Controlling Virtual Environments by Thoughts," Clinical Neurophysiology, vol. 118. no. 4, pp. e36, 2007.

상세보기
A. Schlogl, F. Lee, H. Bischof, G. Pfurtscheller, "Characterization of four-class motor imagery EEG data for the BCI-competition 2005," Neural Engineering, vol. 2, pp. 14-22, 2005.

상세보기
J. Y. Kim, S. M. Park, K. E. Ko and K. B. Sim, "Optimal EEG Channel Selection using BPSO with Channel Impact Factor," Proceedings of KIIS Fall Conference, vol. 22, no .2, pp.35-36, 2012.
Blankertz, B., Dornhege, G., Krauledat, M., Muller, K.-R., Curio, G., 2007a, "The non-invasive Berlin Brain-Computer Interface: fast acquisition of effective performancein untrained subjects," Neuroimage, vol. 37, no. 2, pp. 539-550, 2007.

상세보기
J. Y. Kim, S. M. Park, K. E. Ko and K. B. Sim, "PSO Based Optimal EEG Channel Selection Method for Motor Imagery BCI System," Proceedings of KIIS Spring Conference, vol. 22, no. 1, pp. 113-114, 2012.

저자의 다른 논문 :

LOADING...

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증