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
- 본 논문에서는 많은 채널을 사용하였을 때 계산의 복잡성 및 실험 조건의 불편함을 줄이기 위한 방안으로 최적화 알고리즘인 BPSO와 GA를 이용하여 최적의 채널 조합을 구하는 알고리즘을 제안하였다. 같은 알고리즘을 피험자에게 적용 시켰을 때 각 실험마다 다른 채널의 조합이 구해졌으며 이 문제점을 극복하기 위하여 20번의 실험을 실행하여 10번 이상의 빈도를 가진 채널의 조합을 최적의 채널 조합으로 설정 하였다.
제안 방법
- Channel impact factor를 접목한 BPSO의 경우 왼손 오른손 움직임 상상 실험 시 가장 활성화되는 채널 C3와 C4및 부근채널이 선택되는 확률을 높이기 위하여 각각의 채널에 channel impact factor를 부여하여 C3와 C4 부근의 채널들에 보다 높은 가중치를 부여하는 선택방법을 제안하였다. 3개의 알고리즘을 통하여 얻은 최적의 채널의 조합을 이용한 정확도와 모든 채널을 사용 하였을 때의 정확도를 비교 분석하였다. 특징 추출 방법으로는 CSP[5]를 사용하였으며 분류기로는 SVM을 적용하였다[6].
- 본 논문에서는 국제적으로 명명된 전극 부착인 10-20 system 방식으로 구성된 채널을 사용 하였다[4]. BPSO 알고리즘, channel impact factor를 접목한 BPSO 알고리즘, GA 알고리즘을 이용하여 적은 수의 채널을 사용하면서도 채널의 영역이 각각의 피험자의 활성화되는 뇌 영역을 포함 시킬 수 있는 최적의 채널 조합을 선택 및 특징 추출 하는 방법을 제안하였다. Channel impact factor를 접목한 BPSO의 경우 왼손 오른손 움직임 상상 실험 시 가장 활성화되는 채널 C3와 C4및 부근채널이 선택되는 확률을 높이기 위하여 각각의 채널에 channel impact factor를 부여하여 C3와 C4 부근의 채널들에 보다 높은 가중치를 부여하는 선택방법을 제안하였다.
- 실험에 참가한 7명의 데이터 중 왼손, 오른손 움직임상상 실험에 참여한 피험자 3명(피험자 b, d, e)에 대한 데이터를 사용하였다. BPSO와 channel impact factor 접목한 BPSO, GA 알고리즘을 이용한 제안된 최적의 채널 선택 기법으로 각각의 피험자에게 20번의 채널 선택 실험을 시행하였다. 그림 4는 피험자 d에 대해 20번 채널 선택 실험 시행 시 선택 된 채널의 히스토그램 및 10번 이상의 빈도를 가진 채널의 위치를 나타내고 있다.
- BPSO와 마찬가지로 최적화 알고리즘 중 하나인 GA를 이용하여 최적의 채널조합을 찾는 방안을 제시 하였다. BPSO와 동일하게 해의 공간을 채널의 공간으로 설정하였 으며 수식 (6)과 같은 fitness 값을 사용하였다.
- 측적된 raw 뇌파 신호를 신체 움직임 상상 시 발현되는 뇌 영역 중 ERD/ERS 현상이 두드 러지게 발생하는 β파 (13~30Hz)와 μ파 (8~13Hz)만을 사용하기 위하여 raw 신호를 bandpass filter (8~30Hz)에 적용하여 다른 주파수 성분을 제거 및 잡음성분을 최소화 시켰다 [12]. Bandpass filter를 거친 신호의 특징을 명확하게 표현하여 분류 성공률을 높이기 위하여 한 클래스에 속한 데이터들에 대해 분산을 최대로하는 동시 나머지 클래스에 대한 분산을 최소로 만드는 CSP 알고리즘을 이용하여 특징 추출을 하였다. 특징 추출된 데이터를 SVM을 이용하여 각각의 클래스를 분류하도록 하였다.
- Channel impact factor를 BPSO에 접목함으로써 중요 채널 또는 부근 채널이 선택될 확률을 높임과 동시 중요하지 않은 채널은 선택될 확률을 낮춤으로써 채널의 개수를 줄일 수 있는 방안이 제안되었으며 BCI에 적용되는 절차는 실험제안 Ι과 동일하다.
- BPSO 알고리즘, channel impact factor를 접목한 BPSO 알고리즘, GA 알고리즘을 이용하여 적은 수의 채널을 사용하면서도 채널의 영역이 각각의 피험자의 활성화되는 뇌 영역을 포함 시킬 수 있는 최적의 채널 조합을 선택 및 특징 추출 하는 방법을 제안하였다. Channel impact factor를 접목한 BPSO의 경우 왼손 오른손 움직임 상상 실험 시 가장 활성화되는 채널 C3와 C4및 부근채널이 선택되는 확률을 높이기 위하여 각각의 채널에 channel impact factor를 부여하여 C3와 C4 부근의 채널들에 보다 높은 가중치를 부여하는 선택방법을 제안하였다. 3개의 알고리즘을 통하여 얻은 최적의 채널의 조합을 이용한 정확도와 모든 채널을 사용 하였을 때의 정확도를 비교 분석하였다.
- 9, 1}로 설정 하였다. 가장 활성화 되는 C3와 C4채널에 0.6의 channel impact factor를 설정 하였으며 거리 등급이 멀어 질수록 큰 channel impact factor 값을 가지도록 설정 하였다. 설정된 channel impact factor를 BPSO에 접목시키기 위하여 BPSO의 위치 업데이트 공식(4), (5)을 다음과 같이 변형하였다.
- 각 채널 간의 거리를 이용하여 가장 중요한 C3와 C4을 중심으로 거리를 5개 구간으로 설정을 하였다.
- 본 논문에서는 많은 채널을 사용하였을 때 계산의 복잡성 및 실험 조건의 불편함을 줄이기 위한 방안으로 최적화 알고리즘인 BPSO와 GA를 이용하여 최적의 채널 조합을 구하는 알고리즘을 제안하였다. 같은 알고리즘을 피험자에게 적용 시켰을 때 각 실험마다 다른 채널의 조합이 구해졌으며 이 문제점을 극복하기 위하여 20번의 실험을 실행하여 10번 이상의 빈도를 가진 채널의 조합을 최적의 채널 조합으로 설정 하였다. 제안된 알고리즘을 적용하여 채널 조합을 구하였을 때 GA보다는 BPSO의 정확도가 더 높았으며 채널 C3와 C4 및 많은 부근의 채널이 선택이 되었다.
- 모든 채널을 사용 하는 대신 최적화 알고리즘인 BPSO를 BCI에 적용하여 최적의 채널을 찾기 위한 방법으로 해의 공간을 채널의 공간으로 설정을 하였으며 채널의 사용 유무의 0 또는 1의 값으로 표현을 하였다. 이 때 1은 채널의 사용을 의미하며 0은 채널을 사용하지 않는 것을 의미한다.
- 는 선택된 채널의 수를 의미한다. 사용되는 채널의 수보다 정확도에 비중을 높게 설정하기 위하여 정확도와 사용되는 채널의 비율을 7:3으로 설정하였다. 위치와 속도 업데이트 식에 의해 매 iteration마다 선택되는 채널이 변경되며 iteration이 maximum값이 되기까지 위치, 속도, # ,#값을 업데이트 한다.
- 실험은 feedback 없이 3개 클래스 (왼손, 오른손, 발) 중 2개 클래스만 선택되어 해당 움직임을 상상 하는 방법으로 진행이 되었다. 한 session당 200회의 2클래스의 (한 클래스당 100회의) 움직임 상상을 유발하는 자극이 제시되었다.
- 각 채널 간의 거리를 이용하여 가장 중요한 C3와 C4을 중심으로 거리를 5개 구간으로 설정을 하였다. 왼손, 오른손의 움직임 상상의 경우 뇌의 좌우 대칭성을 고려하여 뇌의 좌반구 부분에 대해서 거리를 나누었으며 impact factor를 {0.6, 0.7, 0.8, 0.9, 1}로 설정 하였다. 가장 활성화 되는 C3와 C4채널에 0.
- 논문 결과로 각 피험자마다 test error 값이 급격히 증가하는 채널의 수를 측정 하였는데 30개 정도의 채널을 사용하는 경우 모든 피험자의 test error 낮은 것을 확인 할 수 있다. 이를 이용하여 각각의 채널들이 20번의 실험동안 선택된 빈도를 확인하기 위해 히스토그램으로 표현을 하였으며 채널의 수가 대략 30개가 되도록 평균 10번 이상 선택된 채널의 조합을 피험자의 최적의 채널의 조합으로 선택하였다. 그림 4(b)는 이에 해당하는 채널의 위치를 표시하고 있다.
- 파라미터 C1, C2는 각각 2의 값으로 설정 하였으며 초기 속도 값, 초기 위치 값을 임의의 값으로 설정을 하였다. 임의의 값으로 설정된 초기 위치 중 1의 위치 값에 해당하는 채널의 신호만을 이용 하여 특징 추출 및 분류과정을 거쳐 정확도를 측정하였다. 이때 적은 채널을 사용하면서 높은 정확도를 얻는 것을 목표로 하기 때문에 정확도와 사용되는 채널의 수를 fitness 함수에 포함시켜 아래와 같이 설정하였다.
- 측적된 raw 뇌파 신호를 신체 움직임 상상 시 발현되는 뇌 영역 중 ERD/ERS 현상이 두드 러지게 발생하는 β파 (13~30Hz)와 μ파 (8~13Hz)만을 사용하기 위하여 raw 신호를 bandpass filter (8~30Hz)에 적용하여 다른 주파수 성분을 제거 및 잡음성분을 최소화 시켰다 [12].
- Bandpass filter를 거친 신호의 특징을 명확하게 표현하여 분류 성공률을 높이기 위하여 한 클래스에 속한 데이터들에 대해 분산을 최대로하는 동시 나머지 클래스에 대한 분산을 최소로 만드는 CSP 알고리즘을 이용하여 특징 추출을 하였다. 특징 추출된 데이터를 SVM을 이용하여 각각의 클래스를 분류하도록 하였다.
대상 데이터
- BPSO와 동일하게 해의 공간을 채널의 공간으로 설정하였 으며 수식 (6)과 같은 fitness 값을 사용하였다. BPSO의 설정과 동일하게 maximum iteration을 500으로 설정 하였으며 100개의 객체를 사용하였다. 재생산 방식으로는 Roulette Wheel을 사용하였으며 교배 확률은 0.
- 본 논문에서는 BCI competition IV의 dataset I을 training 및 test 데이터로 사용하였다[14]. 건강한 피험자 7명이 실험에 참여 하였으며 그림 2과 같이 59개의 채널을 두피에 설치 후 실험이 진행 되었다.
- 본 논문에서는 BCI competition IV의 dataset I을 training 및 test 데이터로 사용하였다[14]. 건강한 피험자 7명이 실험에 참여 하였으며 그림 2과 같이 59개의 채널을 두피에 설치 후 실험이 진행 되었다.
- 실험에 참가한 7명의 데이터 중 왼손, 오른손 움직임상상 실험에 참여한 피험자 3명(피험자 b, d, e)에 대한 데이터를 사용하였다. BPSO와 channel impact factor 접목한 BPSO, GA 알고리즘을 이용한 제안된 최적의 채널 선택 기법으로 각각의 피험자에게 20번의 채널 선택 실험을 시행하였다.
데이터처리
- 표 1. 20번 실험 시행 시 제안된 3가지 알고리즘을 적용하였을 때의 선택된 평균 채널수와 평균 정확도 비교.
이론/모형
- 본 논문에서는 국제적으로 명명된 전극 부착인 10-20 system 방식으로 구성된 채널을 사용 하였다[4]. BPSO 알고리즘, channel impact factor를 접목한 BPSO 알고리즘, GA 알고리즘을 이용하여 적은 수의 채널을 사용하면서도 채널의 영역이 각각의 피험자의 활성화되는 뇌 영역을 포함 시킬 수 있는 최적의 채널 조합을 선택 및 특징 추출 하는 방법을 제안하였다.
- 이점을 극복하기 위해 많은 채널을 사용하는 방안이 있는데 이 경우 계산의 복잡성, 긴 실험 준비 시간, 피험자의 집중력 저하 등의 문제가 발생하게 된다. 이 문제를 극복하기 위한 방안으로 각각의 피험자에게 해당되는 최적의 채널의 조합을 구하기 위하여 최적화 알고리즘 중 BPSO을 사용하였다.
- BPSO의 설정과 동일하게 maximum iteration을 500으로 설정 하였으며 100개의 객체를 사용하였다. 재생산 방식으로는 Roulette Wheel을 사용하였으며 교배 확률은 0.8, 돌연변이 확률은 0.011로 설정하였다.
- 3개의 알고리즘을 통하여 얻은 최적의 채널의 조합을 이용한 정확도와 모든 채널을 사용 하였을 때의 정확도를 비교 분석하였다. 특징 추출 방법으로는 CSP[5]를 사용하였으며 분류기로는 SVM을 적용하였다[6].
성능/효과
- 그림 4는 피험자 d에 대해 20번 채널 선택 실험 시행 시 선택 된 채널의 히스토그램 및 10번 이상의 빈도를 가진 채널의 위치를 나타내고 있다. BPSO 알고리즘을 적용시 maximum iteration동안 최적의 채널 조합을 찾지 못하는 경우가 발생하여 각각의 실험 시행동안 다른 채널의 조합이 구해지는 것을 확인 하였다. 논문[15]에서는 RFE (Recursive Feature Elimination) 방법을 사용하여 channel의 수를 줄여 test error 값을 측정하여 적은 수의 채널을 선택하는 방법을 제안하였다.
- 논문[15]에서는 RFE (Recursive Feature Elimination) 방법을 사용하여 channel의 수를 줄여 test error 값을 측정하여 적은 수의 채널을 선택하는 방법을 제안하였다. 논문 결과로 각 피험자마다 test error 값이 급격히 증가하는 채널의 수를 측정 하였는데 30개 정도의 채널을 사용하는 경우 모든 피험자의 test error 낮은 것을 확인 할 수 있다. 이를 이용하여 각각의 채널들이 20번의 실험동안 선택된 빈도를 확인하기 위해 히스토그램으로 표현을 하였으며 채널의 수가 대략 30개가 되도록 평균 10번 이상 선택된 채널의 조합을 피험자의 최적의 채널의 조합으로 선택하였다.
- 34% 이상 향상 된 것을 확인 하였다. 본 결과를 통하여 BPSO with channel impact factor 알고리즘이 BPSO, GA 알고리즘보다 최적의 채널의 조합에 수렴하는 확률이 가장 높은 것을 확인 할 수 있었으며 그로 인해 정확도가 가장 높은 것을 확인 할 수 있었다. 추후에는 BPSO with channel impact factor를 이용하여 선택된 채널만을 이용하여 움직임 상상을 통한 로봇을 실시간으로 제어 할 실험을 할 예정이다.
- 그림 6(a)를 보면 그림 4(a)와 그림 5(a)와는 다르게 선택된 채널이 불규칙하게 선택된 것을 확인 할 수 있으며 그림 6(b)에서와 같이 빈도 10 이상의 채널의 조합이 채널 C3와 C4 부근에 집중되기 보다는 전반적으로 퍼져 있는 것을 확인 할 수 있다. 이를 통해 GA의 경우 최적화 과정 중 maximum iteration 기간 동안 최적의 채널의 조합을 찾는 확률이 BPSO 보다는 낮은 것을 확인 할 수 있으며 그로 인해 선택된 채널들이 채널의 공간에 수렴하지 못하는 것을 확인 할 수 있다.
- 이와 같이 channel impact factor를 고려한 BPSO의 경우 BPSO의 경우 보다 1~2개의 채널수 차이가 발생하지면 중요채널 C3와 C4 및 보다 많은 부근의 채널이 선택됨으로써 0.78 ~ 4.25%의 정확도가 향상된 것을 확인 할 수 있다. 중요채널 C3와 C4 및 부근 채널의 채널 선택 확률을 높임으로써 정확도가 향상된 것을 확인 할 수 있다.
- 같은 알고리즘을 피험자에게 적용 시켰을 때 각 실험마다 다른 채널의 조합이 구해졌으며 이 문제점을 극복하기 위하여 20번의 실험을 실행하여 10번 이상의 빈도를 가진 채널의 조합을 최적의 채널 조합으로 설정 하였다. 제안된 알고리즘을 적용하여 채널 조합을 구하였을 때 GA보다는 BPSO의 정확도가 더 높았으며 채널 C3와 C4 및 많은 부근의 채널이 선택이 되었다. 채널 C3와 C4 부근 채널의 선택 확률을 높이기 위하여 channel impact factor를 부여하여 BPSO에 접목시켰으며 GA와 BPSO보다 정확도가 10.
- 25%의 정확도가 향상된 것을 확인 할 수 있다. 중요채널 C3와 C4 및 부근 채널의 채널 선택 확률을 높임으로써 정확도가 향상된 것을 확인 할 수 있다. GA의 경우 BPSO에 의해 선택된 채널보다 채널 공간상에서 선택된 채널들이 널리 퍼지는 현상을 그림 6에서 확인 하였으며 이로 인해 피험자 b의 경우 2.
- 그림 5는 피험자 d에 대해 channel impact factor를 접목한 BPSO를 이용하여 20번의 채널 선택 실험 시행 시 선택 된 채널의 histogram 및 10번 이상의 빈도를 가진 채널의 위치를 나타내고 있다. 중요채널 및 부근의 채널들이 선택될 확률을 높이기 위해 channel impact factor를 사용한 목적과 같이 중요 채널 부근의 채널들이 선택된 빈도가 전반적으로 높은 것을 확인 할 수 있다. 또한 그림 4(b)와 그림 5(b)를 비교하면 channel impact factor를 고려한 경우 C3와 C4 및 부근의 채널들이 보다 많이 선택된 것을 확인할 수 있다.
- 제안된 알고리즘을 적용하여 채널 조합을 구하였을 때 GA보다는 BPSO의 정확도가 더 높았으며 채널 C3와 C4 및 많은 부근의 채널이 선택이 되었다. 채널 C3와 C4 부근 채널의 선택 확률을 높이기 위하여 channel impact factor를 부여하여 BPSO에 접목시켰으며 GA와 BPSO보다 정확도가 10.17 ~ 11.34% 이상 향상 된 것을 확인 하였다. 본 결과를 통하여 BPSO with channel impact factor 알고리즘이 BPSO, GA 알고리즘보다 최적의 채널의 조합에 수렴하는 확률이 가장 높은 것을 확인 할 수 있었으며 그로 인해 정확도가 가장 높은 것을 확인 할 수 있었다.
후속연구
- 본 결과를 통하여 BPSO with channel impact factor 알고리즘이 BPSO, GA 알고리즘보다 최적의 채널의 조합에 수렴하는 확률이 가장 높은 것을 확인 할 수 있었으며 그로 인해 정확도가 가장 높은 것을 확인 할 수 있었다. 추후에는 BPSO with channel impact factor를 이용하여 선택된 채널만을 이용하여 움직임 상상을 통한 로봇을 실시간으로 제어 할 실험을 할 예정이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.