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 이러한 BOE] 연구들이 실생활에서도 적용할 수 있도록 실시간으로 뇌파를 측정하고, 뇌파를 분석할 수있는 시스템의 기반을 마련하고, 장소에 구애받지 않고 무선으로 뇌파를 측정하고 로봇을 제어하는 BCI 시스템을 구현하고자한다. 이러한 BCI 시스템을 구현하기 위해서 비교적 실험설계가 간단한 SSVEP를 사용하였으며, 뉴로 헤드셋을 이용하여 뇌파를 측정하였다.
- 본 연구는 무선 연결을 통해 장소에 상관없이 시각자극을통해 로봇을 제어를 위한 시스템을 고안하였다. 휴대성이 뛰어난 아두이노와 뉴로 헤드셋을 사용하여 시각자극과 뇌파측정을 하였고, CPSD와 LDA, SVM을 사용하여 특징추출과패턴분류를 하였다.
제안 방법
- 시각 자극을 바라보고 나타나는 뇌파를 뇌파 측정 장비로 측정한다. Band Pass Filter를 사용하여 특정주파수대역의 신호를 얻고, CPSD를 사용하여 각각의 주파수와 시간별 특징을 추출한다. 그리고 IDA와 SVM을 사용하여패턴을 분류하여 얻은 값으로 로봇에게 해당 명령어를 무선으로 전송하는 내용으로 블록 도를 구성하였다.
- 본 논문에서는. CPSD를적용하여 실험에 사용하는 전극 간의 주파수 특징을 찾는데사용하였다.
- 사용하였다. SSVEP 측정을 통해 얻어진 각 전극의 데이터를 Band Pass Filter를 사'§하여 6Hz〜 14Hz 사이의 주파수 범위 신호를 추출하였다. 각각의 주파수별로 전체 전극의 특징을 구분하기위해 BFP를 적용한 데이터를 이용하여, P7과 이의 CPSD를구하고, P8과 02의 CPSD를 구하여 두 값의 평균을 구하였다.
- 다른 방법으로는 고조파성질을 이용하는것으로 두 가지의 서로 다른 주파수의 자극을 시용하여 즉정하는 방법이다刖4]. SSVEP를 위한 시각 자극을 통하여 얻은뇌파를 人] 용하기 위해서 뇌파 측정 장비인 Emotiv Epoc 뉴로 헤드셋을 사용하였다. 뉴로 헤드셋의 경우 전극의 부착이간단하고 뇌파를 측정하기까지 준비 시간이 짧은 장점이 있다.
- SSVEP 측정을 통해 얻어진 각 전극의 데이터를 Band Pass Filter를 사'§하여 6Hz〜 14Hz 사이의 주파수 범위 신호를 추출하였다. 각각의 주파수별로 전체 전극의 특징을 구분하기위해 BFP를 적용한 데이터를 이용하여, P7과 이의 CPSD를구하고, P8과 02의 CPSD를 구하여 두 값의 평균을 구하였다. 그림 5는 P7과 이의 CPSD와 P8과 02의 CPSD를 구한뒤 평균값을 계산한 결과이다.
- 이처럼 11H2나 13Hz 혹은그 외의 주파수를 나타내는데 한계를 갖고 있으며, 너무 낮은주파수를 내보냈을 경우 SSV?P의 성질이 잘 나타나지 않는경우가 생길 수 있다. 그래서 본 논문에서는 모니터 대신 프로二래밍 코드를 통해 아두이노와 LED를 제어하여 모니터로나타내기 어려운 시각 자극을 만들어 내었다[13】. 그림 1은 오실로스코프로 아두이노의 7Hz, 10Hz, 13田의 출력을 측정한파형이다.
- Band Pass Filter를 사용하여 특정주파수대역의 신호를 얻고, CPSD를 사용하여 각각의 주파수와 시간별 특징을 추출한다. 그리고 IDA와 SVM을 사용하여패턴을 분류하여 얻은 값으로 로봇에게 해당 명령어를 무선으로 전송하는 내용으로 블록 도를 구성하였다.
- 그리고 본 연구에서는 사용의 편리성이라는 목적에 맞춰 로봇과 블루투스를 연결하여 장소에 구애받지 않고 로봇의 움직임응ㄹ 제어할 수 있도록 구현하였다. 그림 8는 뇌파를 분류한 결과로 로봇의 움직임을 제어하는 모습이다.
- 뇌파를 측정하는 과정에서 Emotiv사에서 제공하는 SDK인 Test bench 프로그램으로 뇌파를 측정하였고, 분석하기 위해서 Matlab을 통흐卜여 데이터를 나누어 저장흐卜였다.
- 뉴로 헤드셋의 경우 전극의 부착이간단하고 뇌파를 측정하기까지 준비 시간이 짧은 장점이 있다. 또한 블루투스를 사용하여 뇌파를 실시간으로 측정할 수있다⑸. 뉴로 헤드셋을 사용하여 뇌파를 측정하는 연구들이 2011년부터 꾸준히 이뤄지고 있다.
- 분류한 결과를 사용하였다. 로봇의 움직임은 입력된 데이터가 7Hz일 경우 앞으로 움직이는 명령어를, 10Hz일 경우정지, 그리고 13田일 경우 뒤로 움직이도록 하는 명령어를구성하였다. 이 명령어는 Matlab에서 character 형식으로 시리얼 포트로 전송되도록 구현하였으며, 로봇은 명령어를 시리얼로 전송받아 해당되는 동작을 수행하도록 하였다.
- 아두이노와 LED를 사용하여 강한시각자극을 얻어냈으며, Cross Power Spectral Density(CPSD) 를 통해 주파수의 특징을 찾고, Linear Discriminant Analysis(LDA) 와 Support Vector MachiK(SVM)을 사용하여 특징을 분류하였다. 마지막으로 Matalb과 블루투스를 사용하여 이동로봇을 제어하였다.
- 반면, 비침습인 경우 안전하며, 뇌파를 쉽게 얻을수 있고, 비용이 적게 들지만, 잡음이나 외란에 쉽게 영향을 받는다. 본 논문에서는 보다안전하고, 의료적 지식이 거의 필요 없는 비침습 형 방식을 사용하였다. 비침습적 전극을사용흐]는 BCIs는 event-related synchronization / desynchronization (ERS/ERD), visual evoked potentials (VEP), steady-state visual evoked potentials (SSVEP), slow cortical potentials (SCP), P300 evoked potentials and 兴 and B rhythms 등의 방법들을 사'■§하여 BCI 시스템을 구현한다⑵.
- 이를 이용하여 火%)를 최대화하는최적변환행렬 s를 구한다. 본 논문에서의 IDA는 차원축소가 목적이 아닌 클래스 간의 분산과 클래스 내의 분산의 비율이 최대화가 될 수 있도록 사용하였다. 학습데이터와 테스트데이터에 也를 곱하여 데이터를 분류하기 쉽게 변환하고, SVM을 사용하여 분류하였다.
- 이러한 BCI 시스템을 구현하기 위해서 비교적 실험설계가 간단한 SSVEP를 사용하였으며, 뉴로 헤드셋을 이용하여 뇌파를 측정하였다. 아두이노와 LED를 사용하여 강한시각자극을 얻어냈으며, Cross Power Spectral Density(CPSD) 를 통해 주파수의 특징을 찾고, Linear Discriminant Analysis(LDA) 와 Support Vector MachiK(SVM)을 사용하여 특징을 분류하였다. 마지막으로 Matalb과 블루투스를 사용하여 이동로봇을 제어하였다.
- 이 SVM을 사용하여 시각 자극별 특징을 분류하였다.
- 이러한 BCI 시스템을 구현하기 위해서 비교적 실험설계가 간단한 SSVEP를 사용하였으며, 뉴로 헤드셋을 이용하여 뇌파를 측정하였다. 아두이노와 LED를 사용하여 강한시각자극을 얻어냈으며, Cross Power Spectral Density(CPSD) 를 통해 주파수의 특징을 찾고, Linear Discriminant Analysis(LDA) 와 Support Vector MachiK(SVM)을 사용하여 특징을 분류하였다.
- 피험자들을 각 주파수별로 8번씩 반복하여 측정하였다. 측정된 데이터는 Resting Time을 제외한 25초의 자극시간을 5 초씩 9개의 구간으로 나누어 분석하였다. 그림 4는 SSVEP 측정방법과, 데이터를 분석하기 위한 절차를 설명한 것이다.
- 피험자는 시각 자극인 LED를 30초 동안 바라보도록 하였다. 시각자극을 바라보는 30초 중, 。초부터 3초까지 Resting Time을 주었고, 28초부터 30초까지 Resting Time을 주었다 .
- 시각자극을 바라보는 30초 중, 。초부터 3초까지 Resting Time을 주었고, 28초부터 30초까지 Resting Time을 주었다 . 피험자들을 각 주파수별로 8번씩 반복하여 측정하였다. 측정된 데이터는 Resting Time을 제외한 25초의 자극시간을 5 초씩 9개의 구간으로 나누어 분석하였다.
- 본 논문에서의 IDA는 차원축소가 목적이 아닌 클래스 간의 분산과 클래스 내의 분산의 비율이 최대화가 될 수 있도록 사용하였다. 학습데이터와 테스트데이터에 也를 곱하여 데이터를 분류하기 쉽게 변환하고, SVM을 사용하여 분류하였다.
- 로봇을 제어를 위한 시스템을 고안하였다. 휴대성이 뛰어난 아두이노와 뉴로 헤드셋을 사용하여 시각자극과 뇌파측정을 하였고, CPSD와 LDA, SVM을 사용하여 특징추출과패턴분류를 하였다. 그 결과 피험자별 약 70%의 분류율을얻을 수 있었다.
대상 데이터
- 뇌파 측정 장비인 뉴로 헤드셋은 14Channel과 2-refer- ence channel을 가지고 있으며, 실험 때 사용한 전극은 1차시각 피질에서 가까운 O1 과 02, P7, P8을 사용하였고, Sampling rate는 128 bit/s로 설정하였다.
- 본 연구에서 사용한 로봇은 휴인스 사의 Coretex-M4 기반 uBrain 로봇을 사용하였으며, 로봇을 제어하기 위해서 Keil의 uVision5를 이용하여 프로그래밍 코드를 구현하고, 업로드를하였다.
- 실험에 참가한 피험자는 건장한 성인 남성 4명(23세~27 세)을 대상으로 실험을 진행하였다. 아두이노와 연결된 1개의 LED를 사용하여 7 Hz, 10 Hz, 13Hz의 시각자극을 생성하였다.
- 대상으로 실험을 진행하였다. 아두이노와 연결된 1개의 LED를 사용하여 7 Hz, 10 Hz, 13Hz의 시각자극을 생성하였다. 그림 3은 실험 방법과 실험에 사용한 장비의 사진으로, 실험사진과 시각 자극, 뇌파 측정 장비인 Emotiv Epoc 뉴로 헤드셋, 뇌파를 분석하기 위해 사용된 전극을 나타낸다.
- 학습에 사용되지 않은 특징 데이터 역시 LDA를 통해 구한 최적변환행렬과 곱하여 테스트 데이터로 사용하였다. 학습데이터로는 전체 측정한 데이터 중 1/4을 사용하였고, 나머지를 테스트 데이터로 사용하였다. 그림 7은 피험자 1으 ㅣCPSD 값으로부터 특징을 추출하여 학습 데이터에 사용할 데이터를 LDA 적용한 부분이다.
- 학습데이터를 위해 그림 6에서의 피험자별 CPSD 값을주파수 별 특징을 추출하여 IDA를 적용하였고, IDA로 최적변환행렬 구한 값을 특정 데이터와 곱하여 SVM의 학습데이터로 사용하였다. 학습에 사용되지 않은 특징 데이터 역시 LDA를 통해 구한 최적변환행렬과 곱하여 테스트 데이터로 사용하였다.
- 별 특징을 추출하여 IDA를 적용하였고, IDA로 최적변환행렬 구한 값을 특정 데이터와 곱하여 SVM의 학습데이터로 사용하였다. 학습에 사용되지 않은 특징 데이터 역시 LDA를 통해 구한 최적변환행렬과 곱하여 테스트 데이터로 사용하였다. 학습데이터로는 전체 측정한 데이터 중 1/4을 사용하였고, 나머지를 테스트 데이터로 사용하였다.
이론/모형
- 로봇의 움직임은 입력된 데이터가 7Hz일 경우 앞으로 움직이는 명령어를, 10Hz일 경우정지, 그리고 13田일 경우 뒤로 움직이도록 하는 명령어를구성하였다. 이 명령어는 Matlab에서 character 형식으로 시리얼 포트로 전송되도록 구현하였으며, 로봇은 명령어를 시리얼로 전송받아 해당되는 동작을 수행하도록 하였다.
- 측정된 결과를 분석하기 위해 Matlab을 사용하였다. SSVEP 측정을 통해 얻어진 각 전극의 데이터를 Band Pass Filter를 사'§하여 6Hz〜 14Hz 사이의 주파수 범위 신호를 추출하였다.
성능/효과
- 휴대성이 뛰어난 아두이노와 뉴로 헤드셋을 사용하여 시각자극과 뇌파측정을 하였고, CPSD와 LDA, SVM을 사용하여 특징추출과패턴분류를 하였다. 그 결과 피험자별 약 70%의 분류율을얻을 수 있었다. 피험자 4의 경우 편차가 큰 분류를 얻은 이유로는 피곤한 상태에서 측정하여 세타파 근처의 주파수가높게 나와 분류가 잘 이뤄지지 않았다.
후속연구
- 계획이다. 또한 실험에서는 5초 동안의 신호를 학습하였지만, 좋은 성능의 분류기와 특징추출 방법을 고안한다면, 향후 연구에서는 시간을 더 짧게 하여 원하는 결과 값을 얻을 수 있는 연구도 진행할 예정이다. 이 연구의 결과는 뇌파를 이용한 다양한 응용 분야와 로봇을 사용하는 분야에 적용될 수 있을 것이다.
- 앞으로의 연구는 본 논문에서 제시한 방법보다 빠르고 정확한 분류방법과 특징추출 방법을 찾아 적용할 계획이며, 실시간으로 측정되는 뇌파를 받아 로봇을 제어하는 내용을 진행할 계획이다. 또한 실험에서는 5초 동안의 신호를 학습하였지만, 좋은 성능의 분류기와 특징추출 방법을 고안한다면, 향후 연구에서는 시간을 더 짧게 하여 원하는 결과 값을 얻을 수 있는 연구도 진행할 예정이다.
- 또한 실험에서는 5초 동안의 신호를 학습하였지만, 좋은 성능의 분류기와 특징추출 방법을 고안한다면, 향후 연구에서는 시간을 더 짧게 하여 원하는 결과 값을 얻을 수 있는 연구도 진행할 예정이다. 이 연구의 결과는 뇌파를 이용한 다양한 응용 분야와 로봇을 사용하는 분야에 적용될 수 있을 것이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.