BCI (Brain Computer Interface)는 인간의 뇌에서 측정된 EEG (Electroencephalogram)를 활용하여 의수와 같은 기기를 조종할 수 있는 좋은 방법 중 하나이다. 본 논문에서는 EEG와 힘과의 관계를 알아보고자 최대수축악력 (MVC)의 25%, 50%, 75%로 3개의 등급으로 나누어 EEG 변화를 측정하였다. 얻어진 EEG data를 FFT와 power spectrum analysis로 ${\alpha}$, ${\beta}$, ${\gamma}$파로 나누어 각 파형의 파워 값을 구한 뒤, 구해진 EEG 파워 값을 PCA와 LDA를 사용하여 특징 추출 및 분류를 하였다. 실험 결과 25%의 악력을 가할 때 보다 75%의 악력 때 더 높은 EEG 파워의 증가를 확인하였고, 왼손과 오른손은 각각 52.03%와 77.7%의 분류율을 나타내었다.
BCI (Brain Computer Interface)는 인간의 뇌에서 측정된 EEG (Electroencephalogram)를 활용하여 의수와 같은 기기를 조종할 수 있는 좋은 방법 중 하나이다. 본 논문에서는 EEG와 힘과의 관계를 알아보고자 최대수축악력 (MVC)의 25%, 50%, 75%로 3개의 등급으로 나누어 EEG 변화를 측정하였다. 얻어진 EEG data를 FFT와 power spectrum analysis로 ${\alpha}$, ${\beta}$, ${\gamma}$파로 나누어 각 파형의 파워 값을 구한 뒤, 구해진 EEG 파워 값을 PCA와 LDA를 사용하여 특징 추출 및 분류를 하였다. 실험 결과 25%의 악력을 가할 때 보다 75%의 악력 때 더 높은 EEG 파워의 증가를 확인하였고, 왼손과 오른손은 각각 52.03%와 77.7%의 분류율을 나타내었다.
With Brain Computer Interface (BCI) system, a person with disabled limb could use this direct brain signal like electroencephalography (EEG) to control a device such as the artifact arm. The precise force control for the artifact arm is necessary for this artificial limb system. To understand the re...
With Brain Computer Interface (BCI) system, a person with disabled limb could use this direct brain signal like electroencephalography (EEG) to control a device such as the artifact arm. The precise force control for the artifact arm is necessary for this artificial limb system. To understand the relationship between control EEG signal and the gripping force of hands, We proposed a study by measuring EEG changes of three grades (25%, 50%, 75%) of hand grip MVC (Maximal Voluntary Contract). The acquired EEG signal was filtered to obtain power of three wave bands (alpha, beta, gamma) by using fast fourier transformation (FFT) and computed power spectrum. Then the power spectrum of three bands (alpha, beta and gamma) of three classes (MVC 25%, 50%, 75%) was classified by using PCA (Principal Component Analysis) and LDA (Linear Discriminant Analysis). The result showed that the power spectrum of EEG is increased at MVC 75% more than MVC 25%, and the correct classification rate was 52.03% for left hand and 77.7% for right hand.
With Brain Computer Interface (BCI) system, a person with disabled limb could use this direct brain signal like electroencephalography (EEG) to control a device such as the artifact arm. The precise force control for the artifact arm is necessary for this artificial limb system. To understand the relationship between control EEG signal and the gripping force of hands, We proposed a study by measuring EEG changes of three grades (25%, 50%, 75%) of hand grip MVC (Maximal Voluntary Contract). The acquired EEG signal was filtered to obtain power of three wave bands (alpha, beta, gamma) by using fast fourier transformation (FFT) and computed power spectrum. Then the power spectrum of three bands (alpha, beta and gamma) of three classes (MVC 25%, 50%, 75%) was classified by using PCA (Principal Component Analysis) and LDA (Linear Discriminant Analysis). The result showed that the power spectrum of EEG is increased at MVC 75% more than MVC 25%, and the correct classification rate was 52.03% for left hand and 77.7% for right hand.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
제안 방법
본 연구에서는 자신이 원하는 힘을 가할 수 있는 실제 팔과 같은 성능을 가진 인공 팔의 구현 가능성을 가늠해 보고자 피험자의 악력에 차등을 두어 뇌의 운동영역 (C3, C4)의 EEG를 측정 후 상대적인 파워 값을 비교하고자 파워스펙트럼을 통한 각 파형(α, β, γ파)의 분석을 하였고, 이후 PCA와 LDA의 분류알고리즘으로 악력의 단계별세기와 EEG의 변화를 분류하였다.
수축은 5초간 지속하였고, 지속 시 오차범위(± 5) 내에 수치를 유지할 수 있도록 하였다.
본 논문에서는 파워스펙트럼 분석으로 구하여진 EEG의 3차원 파워 값을 PCA를 통한 최적화된 차원축소와 2차원으로 변환된 파워 값을 LDA를 이용하여 각 클래스의 분류율을 구하였다.
본 연구에서는 악력 측정을 위하여 (주)라비센에서 개발된 디지털 손 악력계(KS-301, 최대측정:90[kg]/198[lb], 측정단위:0.1[kg]/0.2[lb], 허용오차:0.5[kg]/1[lb])으로 악력을 측정하였으며, 고정밀 Stain Guage Sensor로 악력을 측정하고 디지털 LCD(21mm)로 자신의 측정된 악력을 확인하였다.
0으로 분석하였다. 뇌파 측정부위로 international 10-20 system의 왼손/ 오른손 운동변화 측정과 관련된 해부학적 부위인 체성감각 영역(somatosensory area)을 지나는 C3, C4영역에 접시전극을 부착하였고, 기준전극(reference)은 왼쪽 귓불에 부착 접지전극(ground)은 오른쪽 귓불에 부착하였다. 각 전극은 전극 풀(paste)을 사용하여 부착 후 실험을 시행하였으며, 샘플링 주파수는 256Hz로 하였다[9].
뇌파 측정부위로 international 10-20 system의 왼손/ 오른손 운동변화 측정과 관련된 해부학적 부위인 체성감각 영역(somatosensory area)을 지나는 C3, C4영역에 접시전극을 부착하였고, 기준전극(reference)은 왼쪽 귓불에 부착 접지전극(ground)은 오른쪽 귓불에 부착하였다. 각 전극은 전극 풀(paste)을 사용하여 부착 후 실험을 시행하였으며, 샘플링 주파수는 256Hz로 하였다[9].
실험은 1일 10회 실행 5일에 걸쳐 총 50회 실시하였고, 피험자 양손의 최대수축 악력 MVC (maximal voluntary contract)의 25%, 50%, 75% 순으로 실험을 진행, 자신의 악력 수치를 디지털 손 악력계의 LCD를 보며 실험 수치에 맞추어 조절하였다. 피험자는 실험 전 자신의 악력 수치를 기억 후 2초 이내에 설정된 목표치까지 힘을 가할 수 있도록 훈련되었다.
실험 측정 시간은 총 40초로 진행되었으며, 휴식상태 (R) 과 힘을 가하려 움직이는 상태 (M), 힘의 지속상태 (S)를 비교하기 위해 각 2초씩 데이터를 추출하여 비교하였다. 25%는 3~5초를 휴식상태 (R)로, 5~7초를 움직임 상태 (M), 9~11초를 지속상태 (S)로 추출하였고, 50%는 15~17 (R) 초, 18~20초 (M), 21~23초 (S) 그리고 75%는 30~32초 (R), 33~35초 (M), 36~38초 (S)에서 데이터를 추출하였다.
실험 측정 시간은 총 40초로 진행되었으며, 휴식상태 (R) 과 힘을 가하려 움직이는 상태 (M), 힘의 지속상태 (S)를 비교하기 위해 각 2초씩 데이터를 추출하여 비교하였다. 25%는 3~5초를 휴식상태 (R)로, 5~7초를 움직임 상태 (M), 9~11초를 지속상태 (S)로 추출하였고, 50%는 15~17 (R) 초, 18~20초 (M), 21~23초 (S) 그리고 75%는 30~32초 (R), 33~35초 (M), 36~38초 (S)에서 데이터를 추출하였다.
실험 시 잡음 방지를 위해 피험자는 조용한 방에서 실험을 실행, 큰 호흡이나 말하기 눈 깜빡임 등의 불필요한 행동을 최소화한 상태에서 실험에 임하였고, 악력을 실험 목표 값에 맞추기 위하여 디지털 손 악력기의 LCD 측정값을 응시하며 음성 신호 시 힘을 가하도록 실험을 진행하였다.
표 2는 총 50회씩 실험된 각 피험자들의 α, β, γ 파형 및 악력의 단계별 측정 EEG의 평균값이다. 측정은 왼손과 오른손으로 분류되었으며, 왼손실험 시 C4지역의 EEG파워 값을 오른손실험 시 C3지역의 EEG 파워 값으로 분석하였다. α파는 전체적으로 힘의 지속상태 (S)에서 가장 큰 EEG 평균값이 측정되었고, 움직임상태 (M) 그리고 휴식상태 (R) 순으로 EEG 평균값이 측정되었다 (S>M>R).
본 논문은 힘과 EEG의 연관성을 알아보고자 악력에 차등을 두어 3단계로 나누고, 행동별 (R, M, S)변화에 따른 EEG의 파형별 (α, β, γ)변화를 파워스펙트럼분석으로 상대파워를 행동별로 비교 및 분석 후, 분류되지 않은 EEG raw data를 분류기법인 PCA와 LDA를 활용하여 차원의 줄이며 분류를 하였다.
본 논문은 힘과 EEG의 연관성을 알아보고자 악력에 차등을 두어 3단계로 나누고, 행동별 (R, M, S)변화에 따른 EEG의 파형별 (α, β, γ)변화를 파워스펙트럼분석으로 상대파워를 행동별로 비교 및 분석 후, 분류되지 않은 EEG raw data를 분류기법인 PCA와 LDA를 활용하여 차원의 줄이며 분류를 하였다. 각 행동 시 EEG변화측정을 위해 뇌의 운동감각과 밀접한 지역인 C3, C4에 전극을 부착하여 EEG 값을 측정하였다. 모든 값이 유의미한 결과를 나타내지는 않았지만, 힘을 가장 강하게 가하였던 MVC 75%에서 EEG 파워의 가장 큰 증가를 확인할 수 있었고, 가장 적은 MVC 25%의 힘을 줄 시 평균적으로 휴식상태에서 가장 큰 파워 값을 얻을 수 있었다.
β파는 가장 강한 힘을 가할 때 (MVC 75%)를 제외한 나머지 단계 (MVC 25%, 50%)에서는 γ파와 비슷하게 왼손[A]과 오른손[B]에서 모두 감소하는 성향을 보였다. 이후 분류율을 확인하기 위하여 PCA를 이용하여 주축성분으로 방향을 변환시킨 후 차원을 축소, 클래스별 분류를 위해 LDA를 이용하여 데이터를 분류하였다.
그림 3은 왼손[A]/오른손[B]의 3개의 클래스로 나눈 EEG raw data를 고유벡터를 이용하여 주축성분으로 사영된 그림이다. 3개의 클래스는 악력의 세기인 MVC 25%, 50%, 75%로 나누었다. 양손의 그림을 비교해 본 결과 오른손[B]보다 왼손[A]이 더욱 복잡하게 얽혀있음을 확인할 수 있었다.
양손의 그림을 비교해 본 결과 오른손[B]보다 왼손[A]이 더욱 복잡하게 얽혀있음을 확인할 수 있었다. 이후 LDA 분류고리즘을 사용하여 양손의 데이터의 분류율을 구하였다.
대상 데이터
본 연구에서는 건장한 남자 5명(25-28세)이 실험에 참여하였으며, 실험 전 특별한 약물이나 과도한 운동은 금한 상태로 실험에 임하였다. 실험 부위는 양손으로 임하였으며, 기본적인 실험과정을 숙지하고 연습된 상태로 실험에 임하였다.
데이터처리
피험자의 EEG 변화를 측정하는 기기로 LAXTHA사의 8채널 뇌파측정 장비 QEEG-8(모델명:LXE3208)로 상태별 뇌파 측정, 측정된 데이터는 TeleScan Ver 2.0으로 분석하였다. 뇌파 측정부위로 international 10-20 system의 왼손/ 오른손 운동변화 측정과 관련된 해부학적 부위인 체성감각 영역(somatosensory area)을 지나는 C3, C4영역에 접시전극을 부착하였고, 기준전극(reference)은 왼쪽 귓불에 부착 접지전극(ground)은 오른쪽 귓불에 부착하였다.
성능/효과
통계를 보면 장애의 원인 중 90.5%가 후천적 질환이나 사고로 말미암아 발생하는 것으로 보고되어 불의의 사고나 예상치 못한 질병으로 장애 인구가 증가하는 것으로 나타났다. 이 중에서도 사지가 불편한 지체장애(53.
반면, β파는 75%로 힘을 가한 상태에서만 α파와 동일한 지속, 움직임, 휴식상태 순으로 평균값이 측정되었고 (S>M>R), 오른손 50%를 제외한 나머지 결과(오른손25%, 왼손25%, 50%)에서 휴식상태→움직임상태→지속상태 순으로 평균값이 점점 감소하는 것을 발견할 수 있었다(R>M>S).
이러한 현상으로 미루어보아 α파에서는 휴식상태 (R)보다 힘을 가하려 움직이거나 (M) 유지할 때 (S) 왼손[A]과 오른손[B]에서 모두 더 높은 EEG가 측정되었고, 이와 반대로 γ파는 휴식상태→움직임상태→지속상태로 갈수록 뇌파가 감소하는 경향이 있음을 확인할 수 있었다.
그림 2의 M-R과 S-R의 변화량 결과 왼손[A]과 오른손[B]에서 모두 α파에서 두드러지게 EEG가 증가함을 보였고, 전체적으로 감소하는 성향을 보였던 γ파에서도 힘을 가장 강하게 가한 75% 더 적은 감소량을 보였다 (75%>50%>25%).
오른손 MVC 75%를 제외한 모든 결과가 지속상태보다 움직임상태에서 움직임상태보다 휴식상태에서 더 높은 EEG가 평균적으로 측정되었다 (R>M>S).
그림 4에서 알 수 있듯이 육안으로 복잡하게 얽혀 있는 왼손 [A]의 분류율 보다 오른손 [B]의 분류율이 더 높음을 확인할 수 있었다. 또한, MVC가 가장 높은 75%와 가장 낮은 25%의 분류율을 비교 시 왼손[A]과 오른손[B] 모두 높은 힘을 가할수록 더 높은 분류율을 나타내었다. 그러나 왼손 MVC 50%의 경우 그림 4에서 볼 수 있듯이 명확하게 분류가 되지 않아 가장 낮은 분류율을 나타내었다.
각 행동 시 EEG변화측정을 위해 뇌의 운동감각과 밀접한 지역인 C3, C4에 전극을 부착하여 EEG 값을 측정하였다. 모든 값이 유의미한 결과를 나타내지는 않았지만, 힘을 가장 강하게 가하였던 MVC 75%에서 EEG 파워의 가장 큰 증가를 확인할 수 있었고, 가장 적은 MVC 25%의 힘을 줄 시 평균적으로 휴식상태에서 가장 큰 파워 값을 얻을 수 있었다. 또한, α파에서는 휴식상태 (R) 보다 힘을 줄 때나 지속할 때 증가하는 양상을 띠는 반면, γ파는 전체적으로 감소하였다.
또한, α파에서는 휴식상태 (R) 보다 힘을 줄 때나 지속할 때 증가하는 양상을 띠는 반면, γ파는 전체적으로 감소하였다. 이를 Matlab을 이용하여 각 힘의 단계별로 클래스를 분류하였고, PCA와 LDA로 분류한 결과 분류 전 3-D 파워 값과 비교했을 때, 오른손의 평균 분류율(77.7%)이 왼손의 평균 분류율 (52.03%)보다 높은 분류율을 보여주었다. 이번 연구가 힘과 관련된 EEG의 연구로 시작되었지만, 실험이 악력에만 국한되어서 다른 힘과 관련된 행동 시에도 이러한 EEG 변화가 나는지는 미지수이다.
후속연구
선행연구로 행동에 따라 뇌파의 변화양상이 다르고 또한 근육 피로 정도에 따라 뇌파의 변화가 달라지며, 같은 실험을 하더라도 피험자마다 다른 측정값을 얻을 수 있다고 보고된 바가 있다[4][12][13]. 그러나 이러한 결과 값이 유의미하게 분석이 된다면 머지않아 불의의 사고로 신체 일부를 잃은 환자들에게 현재 근전도 기술에 의존하고 있는 의수 기술개발에 자신의 EEG를 활용하여 더욱 정확한 동작을 수행할 수 있는 향상된 인공보조기구 및 의수 등의 개발 가능성을 보여주었다. 향후 계획으로 피험자 수를 늘려 더욱 많은 표본을 확보하고 다른 분석법으로 EEG를 분석할 예정이다.
그러나 이러한 결과 값이 유의미하게 분석이 된다면 머지않아 불의의 사고로 신체 일부를 잃은 환자들에게 현재 근전도 기술에 의존하고 있는 의수 기술개발에 자신의 EEG를 활용하여 더욱 정확한 동작을 수행할 수 있는 향상된 인공보조기구 및 의수 등의 개발 가능성을 보여주었다. 향후 계획으로 피험자 수를 늘려 더욱 많은 표본을 확보하고 다른 분석법으로 EEG를 분석할 예정이다.
질의응답
핵심어
질문
논문에서 추출한 답변
본 논문에서 EEG와 힘과의 관계를 알아보고자 수행한 실험의 결과는 어떠한가?
얻어진 EEG data를 FFT와 power spectrum analysis로 ${\alpha}$, ${\beta}$, ${\gamma}$파로 나누어 각 파형의 파워 값을 구한 뒤, 구해진 EEG 파워 값을 PCA와 LDA를 사용하여 특징 추출 및 분류를 하였다. 실험 결과 25%의 악력을 가할 때 보다 75%의 악력 때 더 높은 EEG 파워의 증가를 확인하였고, 왼손과 오른손은 각각 52.03%와 77.7%의 분류율을 나타내었다.
장애의 원인 중 90.5%는 무엇에 의해 발생하는가?
통계를 보면 장애의 원인 중 90.5%가 후천적 질환이나 사고로 말미암아 발생하는 것으로 보고되어 불의의 사고나 예상치 못한 질병으로 장애 인구가 증가하는 것으로 나타났다. 이 중에서도 사지가 불편한 지체장애(53.
BCI는 무엇인가?
BCI (Brain Computer Interface)는 인간의 뇌에서 측정된 EEG (Electroencephalogram)를 활용하여 의수와 같은 기기를 조종할 수 있는 좋은 방법 중 하나이다. 본 논문에서는 EEG와 힘과의 관계를 알아보고자 최대수축악력 (MVC)의 25%, 50%, 75%로 3개의 등급으로 나누어 EEG 변화를 측정하였다.
참고문헌 (13)
S. H. Kim, Y. C. Byun, C. G. Son, Y. H. Lee, M. K. Lee, S. H. Lee, D. W. Kang, S. J. Kwon, H. K. Oh, S. Y. Yoon, S. Y. Lee, "Suvey of People with Disabilities," Ministry of health, 2011.
S. Y. Hwang, "Development of a headband based automated wheelchair control system for quadriplegia disabled," Graduate School of Konkuk University, thesis, 2009.
B. I. Jeon, H. C. Cho, "EXOSKELETON ROBOT ARM Control By Fuzzy Algorithm Using EMG Signal," Proceeding of KIIS Fall Conference, vol. 19, No. 2, pp.218-221, 2009.
G. Onose, C. Grozea, A. Anghelescu, C. Daia, C. J. Sinescu, A. V. Ciurea, T. Spircu, A. Mirea, I. Andone, A. Spanu, C. Popescu, A. -S. Mihaescu, S. Fazli, M. Danoczy, F. Popescu, "On the feasibility of using motor imagery EEG-based brain-computer interface in chronic tetraplegics for assistive robotic arm control: a clinical test and long-term post-trial follow-up," Spinal Cord, vol. 50, pp. 599-608, Mar 2012.
J. Z. Liu, Q. Yang, B. Yao, R.W. Brown, G.H. Yue, "Linear correlation between fractal dimension of EEG signal and handgrip force," Biological Cybernetics, vol. 93, Issue. 2, pp.131-140, Aug, 2005.
Paul A. Pope, Andrew Holton, Sameh Hassan, Dimitrios Kourtis, Peter Praamstra, "Cortical control of muscle relaxation: A lateralized readiness potential (LRP) investigation," Clinical Neurophysiology, vol. 118, Issue. 5, pp. 1044-1052, May. 2007.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.