[논문]동작 상상-P300 기반 BCI 환경에서의 로봇 제어 실용화 기술

김용훈; 고광은; 박승민; 심귀보

doi:10.5302/j.icros.2013.13.1866

문제 정의

기존의 BCI 로봇제어는 동작 상상이나 P300, SSVEP 중하나의 EEG 특징을 이용하고 있지만, 본 논문에서는 동작 상상과 목표 객체의 인지 과정에서 발생하는 EEG의 해석을 위한 특징을 융합하여, 실제 로봇에 적용하고자 한다. 이를 위해 우선 시각자극에 대응하는 동작 상상 시 발생하는 ERS (Event-Related Synchronization)와 시각 자극을 제시 하지 않은 상태의 동작 상상 시 발생하는 EEG 특징을 비교해 보았다.
이를 위해 우선 시각자극에 대응하는 동작 상상 시 발생하는 ERS (Event-Related Synchronization)와 시각 자극을 제시 하지 않은 상태의 동작 상상 시 발생하는 EEG 특징을 비교해 보았다. 두 번째로 동작 상상 도중 P300을 유발하는 객체 자극을 제시하였을 때, 동작 상상과 객체 인식을 목표로 하는 EEG 패턴의 분류 결과를 확인하여, 차후 로봇의 주행 과정에 적용하였을 때를 대비하고자 하였다. 다른 목적의 EEG 응답특성을 융합하여 인식함으로써 주어진 임의의 상황에 따라 능동적으로 적응하는 모델이 가능하며 이를 통해 더욱 인간 행동 영역에 유사한 방향으로 로봇을 제어할 수 있게 할 수 있다.
따라서 주파수 영역의 해석과 시간 영역의 해석을 표현할 수 있는 방법으로는 STFT, 위그너-빌 분포, 웨이블렛 등을 사용하고 있다. 본 논문에서는 가장 기본적으로 사용되는 STFT를 이용하여 움직임 상상 시 증가하는 진폭과 주파수-시간을 검출하였다. STFT는 시간-주파수 해석을 위한 가장 간단한 방법으로 짧게 쪼개진 시간영역에서 원하는 부분에 대한 푸리에 변환을 수행하고 기간 축을 기준 삼아 주파수분포를 도시해 나가는 방법이다.
앞 절에서 시각적 자극이 없는 동작 상상과 P300 기반 객체 인식 유발 EEG 측정 실험을 수행하였고, 두 가지 목적에 대응하는 EEG 패턴의 분석 결과는 각각의 경우에서 대략 50% 정도의 인식률을 보여주었다. 이와 같은 실험 C를 직접 로봇주행 실험에 적용하기 위한 제어 기술을 개발하였다. 실험에 활용하고자 하는 로봇 플랫폼으로는 다음 그림 6의 EMBOT-320 모델을 사용하였다.
동작 상상에 관하여 피실험자를 선택할 때 P300과는 다르게 피험자의 많은 훈련이 필요하며, 본 논문에서 필요한 피실험자를 추가하기 위해 시간이 더 필요하다. 본 논문은 두 가지 EEG를 융합하기 위한 가능성을 확인하고 이를 적용하기 위한 준비단계이다.

제안 방법

기존의 BCI 로봇제어는 동작 상상이나 P300, SSVEP 중하나의 EEG 특징을 이용하고 있지만, 본 논문에서는 동작 상상과 목표 객체의 인지 과정에서 발생하는 EEG의 해석을 위한 특징을 융합하여, 실제 로봇에 적용하고자 한다. 이를 위해 우선 시각자극에 대응하는 동작 상상 시 발생하는 ERS (Event-Related Synchronization)와 시각 자극을 제시 하지 않은 상태의 동작 상상 시 발생하는 EEG 특징을 비교해 보았다. 두 번째로 동작 상상 도중 P300을 유발하는 객체 자극을 제시하였을 때, 동작 상상과 객체 인식을 목표로 하는 EEG 패턴의 분류 결과를 확인하여, 차후 로봇의 주행 과정에 적용하였을 때를 대비하고자 하였다.
일반적인 동작 상상 유발 실험에서 피험자는 일정 시간 동안 시각적 자극이 제시되었을 경우와 시각 자극이 없는 경우 모두 같은 동작 상상을 수행해야 한다. 이를 위해 피실험자는 시각 자극에 의한 동작 상상과 시각 자극이 없는 동작 상상 훈련을 Emotiv사의 box control software를 사용하여 30일 동안 두 시간씩 훈련하였다. box control software는 3D상자를 EEG를 분석하여 8방향 이상으로 제어가 가능한 software다.
box control software는 3D상자를 EEG를 분석하여 8방향 이상으로 제어가 가능한 software다. 이 결과를 로봇에 적용하기 위하여 목표 객체와 융합된 동작 상상 관련 시각 자극을 주었을 경우와 동작 상상 관련 시각자극을 제거한 후 목표 객체와 융합된 동작 상상을 하였을 경우의 EEG를 측정하는 실험을 수행하였다.
실험은 크게 3가지 (A, B, C)로 나누어 진행하였다. 실험에 사용된 시각자극은 a와 b가 있으며 시각자극 a는 P300을 유발하기 위한 실험에 사용하였고, 시각자극 b는 시각자극을 통한 동작상상 실험인 실험 A와 B에 사용되었다.
첫 번째 실험 A는 동작 상상과 P300 기반 객체 인식에 대한 개별적 측정 및 분석을 목표로 하였으며, 각각의 실험 결과, 즉 동작 상상 성공률과 객체 인식률을 비교한다. 두 번째 실험 B는 시각적 자극을 제시하여 동작 상상을 수행하는 동안 P300을 통한 객체 인식 유발 자극을 제시한 경우의 EEG 패턴을 측정하여 동작 상상 성공률과 객체 인식률을 분석한다. 마지막 실험 C는 시각적인 자극을 제시하지 않고 동작 상상을 수행하는 도중 P300을 통한 객체 인식 유발 자극을 제시한 경우의 EEG 패턴을 측정하여 동작 상상 성공률과 객체 인식률을 분석한다.
두 번째 실험 B는 시각적 자극을 제시하여 동작 상상을 수행하는 동안 P300을 통한 객체 인식 유발 자극을 제시한 경우의 EEG 패턴을 측정하여 동작 상상 성공률과 객체 인식률을 분석한다. 마지막 실험 C는 시각적인 자극을 제시하지 않고 동작 상상을 수행하는 도중 P300을 통한 객체 인식 유발 자극을 제시한 경우의 EEG 패턴을 측정하여 동작 상상 성공률과 객체 인식률을 분석한다. 모든 실험은 8초에서 8.
피험자는 동작 상상 수행 과정에서 시각적 자극 제시 경우와 시각적 자극이 없는 경우의 실험을 각각 30번씩 시도(trial)하였으며, 실제 로봇에 적용하기 위한 시각적 자극을 제시하지 않은 경우의 동작 상상과 P300의 객체 인식 관련 반응을 유발하기 위한 시각자극을 제시한 실험은 60번씩 시도하였다. 본 실험에서 EEG 자료를 수집하기 위한 장비로는 Emotiv사의 Epoc장비를 사용하였다.
피험자는 동작 상상 수행 과정에서 시각적 자극 제시 경우와 시각적 자극이 없는 경우의 실험을 각각 30번씩 시도(trial)하였으며, 실제 로봇에 적용하기 위한 시각적 자극을 제시하지 않은 경우의 동작 상상과 P300의 객체 인식 관련 반응을 유발하기 위한 시각자극을 제시한 실험은 60번씩 시도하였다. 본 실험에서 EEG 자료를 수집하기 위한 장비로는 Emotiv사의 Epoc장비를 사용하였다. 해당 장비는 14채널 전극을 가지고 있고, 사람의 감정 및 뇌파를 이용한 게임 등에 사용되고 있다.
NT(=Non-Target), T(=Target)으로, NT와 T는 시각 자극에 의한 동작 상상을 하는 4초 동안에 한번 발생하며, 30번의 실험에서는 15번 60번의 실험에서는 30번 T를 제시하였다. 목표 객체가 제시되는 시간은 랜덤하게 설정하였으며, 목표 객체에 해당하는 숫자는 0 ~ 9까지의 흰색의 숫자가 1초 동안 화면에 유지된다.
NT와 T의 바탕 색상은 녹색 바탕에 흰 글씨로 가장 눈이 덜 피로한 색으로 알려졌으며, T와 NT는 한 trail 중 미리 정해진 시간에 T와 NT 중 하나의 자극을 제시하도록 설정하였다. EEG 분석은 Matlab을 기반으로 BCI2000 Toolbox를 사용하였고, 참고 데이터베이스로 BCI competition IV를 사용하였다[9].
일반적인 동작 상상의 실험을 하는 경우 C3, C4의 전극을 사용하게 되지만, 본 논문에서 사용하는 Emotiv Epoc 장비는 C3, C4 주변부 영역의 전극들(FC5, FC6, F4, F3)을 사용하여 동작 상상 시 발현되는 부위를 검출하게 된다.
만약 DIP-Switch가 on되어 있다면 스위치의 숫자에 맞게 n/10으로 듀티비로 모터의 정회전과 역회전 동작한다. 코드를 적용하여 EMBOT 320 플랫폼의 전방과 후방의 동작은 구현되었고, 앞서 설명한 동작 상상-P300 융합에 따른 EEG 패턴의 분석 결과를 이러한 로봇 동작을 통해 구현하기 위한 플랫폼 간의 연동을 진행한다. Microsoft Visual Studio 2010 기반 MFC를 이용하여 EMBOT-320과 Emotiv 간의 무선 네트워크 인터페이스를 구축, EMBOT-320의 실시간 카메라 영상을 피험자에게 보여 주고 전방으로 일정한 속도를 유지하면서 전진하게 된다.
코드를 적용하여 EMBOT 320 플랫폼의 전방과 후방의 동작은 구현되었고, 앞서 설명한 동작 상상-P300 융합에 따른 EEG 패턴의 분석 결과를 이러한 로봇 동작을 통해 구현하기 위한 플랫폼 간의 연동을 진행한다. Microsoft Visual Studio 2010 기반 MFC를 이용하여 EMBOT-320과 Emotiv 간의 무선 네트워크 인터페이스를 구축, EMBOT-320의 실시간 카메라 영상을 피험자에게 보여 주고 전방으로 일정한 속도를 유지하면서 전진하게 된다.
본 논문에서는 BCI를 이용한 로봇 동작 제어 기술의 실용화를 위한 방법으로서 동작 상상 수행 과정에서 시각적 자극을 제시하지 않았을 경우, 객체 인식 반응을 나타내는 P300을 유발하는 목표를 동시에 제시하였을 때의 EEG 패턴 분석을 목표로 실험을 수행하였으며, 이를 실용 로봇 플랫폼에 적용하였다. 동작 상상-P300 기반 객체 인식에 관련된 EEG 측정 실험 결과, 시각적 자극을 제시하고 동작 상상을 하는 경우가 시각적 자극이 없는 실험에서보다 인식률이 높게 나왔지만 P300을 기반으로 객체의 인식을 동시에 진행한 경우에는 객체 인식과 동작 상상이 개별적으로 했던 실험 A에서보다 인식률이 50% 이상 감소하는 것을 확인할 수 있었다.

대상 데이터

1. EEG 데이터를 수집한다. (샘플링 : 128Hz)
실험은 크게 3가지 (A, B, C)로 나누어 진행하였다. 실험에 사용된 시각자극은 a와 b가 있으며 시각자극 a는 P300을 유발하기 위한 실험에 사용하였고, 시각자극 b는 시각자극을 통한 동작상상 실험인 실험 A와 B에 사용되었다. 첫 번째 실험 A는 동작 상상과 P300 기반 객체 인식에 대한 개별적 측정 및 분석을 목표로 하였으며, 각각의 실험 결과, 즉 동작 상상 성공률과 객체 인식률을 비교한다.
이와 같은 실험 C를 직접 로봇주행 실험에 적용하기 위한 제어 기술을 개발하였다. 실험에 활용하고자 하는 로봇 플랫폼으로는 다음 그림 6의 EMBOT-320 모델을 사용하였다.

이론/모형

NT와 T의 바탕 색상은 녹색 바탕에 흰 글씨로 가장 눈이 덜 피로한 색으로 알려졌으며, T와 NT는 한 trail 중 미리 정해진 시간에 T와 NT 중 하나의 자극을 제시하도록 설정하였다. EEG 분석은 Matlab을 기반으로 BCI2000 Toolbox를 사용하였고, 참고 데이터베이스로 BCI competition IV를 사용하였다[9]. 전극으로는 F3, F4, Fc5.

성능/효과

위 실험들에 따른 EEG 패턴의 분석 결과, 동작 상상을 수행하는 4초 구간 중 시작 신호, Queue 제시 후 1.5 ~ 2.5초 사이 구간에서 동작 상상 관련 EEG 패턴이 가장 강하게 활성화되며, 주로 10Hz 주파수 영역에서 발현되는 것을 확인할 수 있었다. 또한 그림 4의 경우 FC5, FC6 전극과 비교하면 F4, F3의 전극이 상대적으로 약하게 활성화가 되었으며 움직임 상상, 즉 동작 상상을 하는 동안 P300을 유발하기 위한 자극을 제시하여도 해당 EEG의 특징이 제대로 발현된다는 것을 그림 4와 5, 표 1의 결과를 통해서 확인할 수 있다.
그림 5는 시각적 자극은 제시하지 않고 동작 상상을 수행하는 과정에서 객체인식 관련 시각자극을 제시하였을 경우의 P300 측정에 대한 분석 결과를 나타내고 있다. O1과 O2전극에서 시각 자극이 제시된 100ms부터 목표 객체와 객체가 아닌 부분이 확실하게 분류가 되는 것을 확인할 수 있었으며, 동작 상상을 하는 동안 객체인식에 대한 P300 EEG를 유발하기 위한 시각 자극 a를 제시하였을 때 Target과 Non-Target을 피실험자가 제대로 인지하였고, 그 결과를 확인 할 수 있었다. 즉 동작 상상을 하는 도중 피실험자가 원하는 객체와 그렇지 않은 객체가 있다면 이를 분류하고 찾아내기 위한 실험으로, 시도 횟수에 따른 평균 인식률을 계산한 결과 63.
O1과 O2전극에서 시각 자극이 제시된 100ms부터 목표 객체와 객체가 아닌 부분이 확실하게 분류가 되는 것을 확인할 수 있었으며, 동작 상상을 하는 동안 객체인식에 대한 P300 EEG를 유발하기 위한 시각 자극 a를 제시하였을 때 Target과 Non-Target을 피실험자가 제대로 인지하였고, 그 결과를 확인 할 수 있었다. 즉 동작 상상을 하는 도중 피실험자가 원하는 객체와 그렇지 않은 객체가 있다면 이를 분류하고 찾아내기 위한 실험으로, 시도 횟수에 따른 평균 인식률을 계산한 결과 63.3%의 인식률을 보였다.
표 1에서 분석한 바로는 실험 A는 ERS 실험과 P300 실험을 개별적으로 하였을 때 움직임 상상은 72% 패턴 인식률을 P300은 83% 인식률을 확인할 수 있었다. 실험 B는 ERS 실험 중 P300을 유발하는 자극을 제시하였을 경우 시각자극에 의한 움직임 상상은 52%로 감소하였고, P300은 30%로 대폭 감소하였다.
표 1에서 분석한 바로는 실험 A는 ERS 실험과 P300 실험을 개별적으로 하였을 때 움직임 상상은 72% 패턴 인식률을 P300은 83% 인식률을 확인할 수 있었다. 실험 B는 ERS 실험 중 P300을 유발하는 자극을 제시하였을 경우 시각자극에 의한 움직임 상상은 52%로 감소하였고, P300은 30%로 대폭 감소하였다. 실험 C는 시각 자극을 제시하지 않고 동작 상상을 하는 도중 P300을 유발하는 자극을 제시한 경우 동작 상상 패턴의 인식률은 48.
실험 B는 ERS 실험 중 P300을 유발하는 자극을 제시하였을 경우 시각자극에 의한 움직임 상상은 52%로 감소하였고, P300은 30%로 대폭 감소하였다. 실험 C는 시각 자극을 제시하지 않고 동작 상상을 하는 도중 P300을 유발하는 자극을 제시한 경우 동작 상상 패턴의 인식률은 48.7%로 가장 낮은 인식률은 보이지만 P300은 63.3%로 실험 B보다는 높은 인식률을 확인할 수 있었다. 결과적으로 시각 자극을 제시하지 않고 동작 상상을 하는 도중에 P300을 유발하기 위한 자극을 제시한 경우, 동작 상상과 목표인식에 대한 P300 EEG가 발현되는 것을 확인할 수 있었으며, 해당 실험 결과를 바탕으로 실제 로봇에 적용할 수 있다는 가능성을 확인할 수 있었다.
3%로 실험 B보다는 높은 인식률을 확인할 수 있었다. 결과적으로 시각 자극을 제시하지 않고 동작 상상을 하는 도중에 P300을 유발하기 위한 자극을 제시한 경우, 동작 상상과 목표인식에 대한 P300 EEG가 발현되는 것을 확인할 수 있었으며, 해당 실험 결과를 바탕으로 실제 로봇에 적용할 수 있다는 가능성을 확인할 수 있었다. 본 논문에서 제시한 동작 상상과 P300을 제시한 실험 B와 실험 C를 비교한 결과 실험 B보다 실험 C의 결과가 좋았고, 실험 C는 반복실험과 분석 알고리즘을 통해 발전 가능성이 있으며, 아직까지 많은 실험이 이루어지지 않은 초기 단계이므로, 반복적인 피실험자의 실험 또는 분석 알고리즘을 적용하여 차후 성공률을 상승시킬 수 있다.
결과적으로 시각 자극을 제시하지 않고 동작 상상을 하는 도중에 P300을 유발하기 위한 자극을 제시한 경우, 동작 상상과 목표인식에 대한 P300 EEG가 발현되는 것을 확인할 수 있었으며, 해당 실험 결과를 바탕으로 실제 로봇에 적용할 수 있다는 가능성을 확인할 수 있었다. 본 논문에서 제시한 동작 상상과 P300을 제시한 실험 B와 실험 C를 비교한 결과 실험 B보다 실험 C의 결과가 좋았고, 실험 C는 반복실험과 분석 알고리즘을 통해 발전 가능성이 있으며, 아직까지 많은 실험이 이루어지지 않은 초기 단계이므로, 반복적인 피실험자의 실험 또는 분석 알고리즘을 적용하여 차후 성공률을 상승시킬 수 있다.
앞 절에서 시각적 자극이 없는 동작 상상과 P300 기반 객체 인식 유발 EEG 측정 실험을 수행하였고, 두 가지 목적에 대응하는 EEG 패턴의 분석 결과는 각각의 경우에서 대략 50% 정도의 인식률을 보여주었다. 이와 같은 실험 C를 직접 로봇주행 실험에 적용하기 위한 제어 기술을 개발하였다.
본 논문에서는 BCI를 이용한 로봇 동작 제어 기술의 실용화를 위한 방법으로서 동작 상상 수행 과정에서 시각적 자극을 제시하지 않았을 경우, 객체 인식 반응을 나타내는 P300을 유발하는 목표를 동시에 제시하였을 때의 EEG 패턴 분석을 목표로 실험을 수행하였으며, 이를 실용 로봇 플랫폼에 적용하였다. 동작 상상-P300 기반 객체 인식에 관련된 EEG 측정 실험 결과, 시각적 자극을 제시하고 동작 상상을 하는 경우가 시각적 자극이 없는 실험에서보다 인식률이 높게 나왔지만 P300을 기반으로 객체의 인식을 동시에 진행한 경우에는 객체 인식과 동작 상상이 개별적으로 했던 실험 A에서보다 인식률이 50% 이상 감소하는 것을 확인할 수 있었다. 또한, 시각적 자극을 제시하지 않고 동작 상상을 하는 도중에 P300을 유발하는 자극을 제시하는 실험 C의 경우 동작 상상 성공률과 P300 기반 객체 인식률 모두 높은 결과 값이 나오지는 않았지만, 피험자의 지속적인 훈련과 실험 분석 방법을 보완을 통해 실용적인 로봇 제어 기술로 변환 가능하다는 점을 의미한다.

후속연구

이러한 선행연구들 대부분은 뇌의 전기적인 활동을 비침습적으로 측정한 EEG (Electroenceph-alogram)를 기반으로 수행한 것이다. EEG 기반 BCI 연구에서도 여러 가지 뇌파 특성을 통한 분석이 가능한데 본 논문에서 구현하고자 하는 동시 신호를 이용한 BCI 시스템 기반 로봇 제어를 위해서는 동시에 여러 가지 일을 병렬처리할 수 있는 방법이 필요하다.
또한, P300의 특징은 시각 자극에 의한 발현이므로 동작 상상을 유발하는 자극 신호와 T와 NT에 대한 자극 신호를 동시에 받았을 때 EEG를 분석하는 것에 있어서 어려움이 있다. 그렇기 때문에 본 논문에서는 자극을 제시하여 동작 상상에 의한 ERS와 P300을 유발하는 자극 신호를 동시에 제시하여 보고, 자극 신호가 없는 상태에서 동작 상상을 하였을 경우의 인식률과 P300과의 연동 시 인식률을 비교하여 이를 증명하고, 실제 로봇에 적용할 본 논문에서 제시하는 실험 C의 부족한 점을 보완하여 적용할 예정이다.
다음 명령은 주로 대상에게 접근, 경계, 관찰 등으로 분류되며 해당 명령은 P300을 이용한 체크보드 방식으로 진행된다. 이때 발생하는 노이즈와 신호지연은 문턱 값을 설정, 입력되는 EEG를 증폭하여 노이즈를 제거하고, 지연 되는 신호는 실제 실험을 통해 확인하고 수정할 계획이다.
또한, 시각적 자극을 제시하지 않고 동작 상상을 하는 도중에 P300을 유발하는 자극을 제시하는 실험 C의 경우 동작 상상 성공률과 P300 기반 객체 인식률 모두 높은 결과 값이 나오지는 않았지만, 피험자의 지속적인 훈련과 실험 분석 방법을 보완을 통해 실용적인 로봇 제어 기술로 변환 가능하다는 점을 의미한다. 동작 상상에 관하여 피실험자를 선택할 때 P300과는 다르게 피험자의 많은 훈련이 필요하며, 본 논문에서 필요한 피실험자를 추가하기 위해 시간이 더 필요하다. 본 논문은 두 가지 EEG를 융합하기 위한 가능성을 확인하고 이를 적용하기 위한 준비단계이다.
향후 과제로 동작 상상과 P300 객체인식 관련 EEG 패턴 분석 과정의 정확도를 동적 환경에서 향상 시킬 방법을 구체화하고, 단순히 로봇 플랫폼을 기반으로 수행하는 주행 제어뿐만 아니라 더욱 복잡한 목적성 행동(object-directed behavior) 구현을 위한 제어 기술 개발을 진행할 예정이다.

핵심어	질문	논문에서 추출한 답변
	BCI란?	인간의 모든 신체의 동작과 기능을 제어하고, 그에 해당 하는 사고를 담당하는 뇌에 관한 연구가 활발해지고 있는 가운데, 지금까지 밝혀진 뇌의 기능들을 활용한 외부 전자 기기를 제어하는 기술인 BCI (Brain-Computer Interface)가 주목받고 있다. 이러한 BCI는 특정 사건 또는 환경에 의해 뇌의 각 영역이 활성화될 때, 이를 뇌파, 뇌 영상화(Brain Imaging) 등의 다양한 센서 시스템을 통해 측정함으로써 외부 제어 시스템에 적용 가능한 신호 패턴으로 변환, 분석하는 기술을 통칭한다. 그중에서도 동작 상상에 관련된 뇌 활동을 측정하여 이러한 외부 장치 제어를 위한 BCI가 주목을 받고 있는데, 일반적으로 그림 1의 구조를 가진다.
	BCI의 장점은?	이러한 동작 상상을 기반으로 하는 BCI는 전신마비나 대마비 등 때문에 의식은 있지만, 대부분의 신체 활동이 불가능한 경우, BCI 시스템을 통하여 외부와의 의사소통을 가능하게 할 수 있다. 신체의 각 기능은 사용할 수 없지만 뇌는 정상적으로 활동하고, 질환이 없는 사람과 똑같은 사고나 생각을 할 수 있다는 선행 연구가 이미 여러 차례 학계에 보고된 바 있다[1-3].

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

[국내논문] 동작 상상-P300 기반 BCI 환경에서의 로봇 제어 실용화 기술
Practical Use Technology for Robot Control in BCI Environment based on Motor Imagery-P300 원문보기

Abstract ▼ AI-Helper

Keyword

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (12)

이 논문을 인용한 문헌

저자의 다른 논문 :

연구과제 타임라인

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

[국내논문] 동작 상상-P300 기반 BCI 환경에서의 로봇 제어 실용화 기술 Practical Use Technology for Robot Control in BCI Environment based on Motor Imagery-P300 원문보기

Abstract ▼ AI-Helper

Keyword

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (12)

이 논문을 인용한 문헌

저자의 다른 논문 :

김용훈 (1) 고광은 (50) 박승민 (33) 심귀보 (216)

연구과제 타임라인

전체(0) 논문(0) 특허(0) 보고서(0)

전체(0) 논문(0) 특허(0) 보고서(0)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

[국내논문] 동작 상상-P300 기반 BCI 환경에서의 로봇 제어 실용화 기술
Practical Use Technology for Robot Control in BCI Environment based on Motor Imagery-P300 원문보기

AI 본문요약
AI-Helper