본 논문은 '좌', '우' 방향 제어를 위해 취득된 EEG(Electroencephalogram) 신호 기반 분류 알고리즘과 EEG 센서, Labview, DAQ, Matlab, 주행로봇으로 구성된 방향 제어 시스템을 제안한다. 제안된 알고리즘은 DWT(Discrete Wavelet Transform)로 추출된 주파수대역 정보를 특징으로 이용하며, Fishers score를 이용하여 변별력이 높은 주파수 대역의 특징을 선별한다. 또한, SVM (Support Vector Machine)을 이용하여 분류 성능이 최고가 되는 특징벡터의 조합을 제안하고, 잘못된 판정에 의한 오동작을 방지하기 위한 MLD(Maximum Likelihood Decision) 기반의 판정보류 알고리즘도 제안한다. 제안된 알고리즘에 의해 선택된 4개의 특징벡터는 국제 표준 전극 배치법에 따른 P8 채널의 d2(16-32Hz), d5(2-4Hz) 주파수 대역의 전압의 절대 값 평균과 표준편차이다. SVM 분류기로 실험한 결과 98.75%의 정확도와 1.25%의 오류율 성능을 보였다. 또한, 오류 확률 70%를 판정 보류로 규정할 경우, 제안된 알고리즘은 인식률 95.63%의 정확도와 오류율 0%을 보였다.
본 논문은 '좌', '우' 방향 제어를 위해 취득된 EEG(Electroencephalogram) 신호 기반 분류 알고리즘과 EEG 센서, Labview, DAQ, Matlab, 주행로봇으로 구성된 방향 제어 시스템을 제안한다. 제안된 알고리즘은 DWT(Discrete Wavelet Transform)로 추출된 주파수대역 정보를 특징으로 이용하며, Fishers score를 이용하여 변별력이 높은 주파수 대역의 특징을 선별한다. 또한, SVM (Support Vector Machine)을 이용하여 분류 성능이 최고가 되는 특징벡터의 조합을 제안하고, 잘못된 판정에 의한 오동작을 방지하기 위한 MLD(Maximum Likelihood Decision) 기반의 판정보류 알고리즘도 제안한다. 제안된 알고리즘에 의해 선택된 4개의 특징벡터는 국제 표준 전극 배치법에 따른 P8 채널의 d2(16-32Hz), d5(2-4Hz) 주파수 대역의 전압의 절대 값 평균과 표준편차이다. SVM 분류기로 실험한 결과 98.75%의 정확도와 1.25%의 오류율 성능을 보였다. 또한, 오류 확률 70%를 판정 보류로 규정할 경우, 제안된 알고리즘은 인식률 95.63%의 정확도와 오류율 0%을 보였다.
In this paper, we propose a classification algorithm based on the obtained EEG(Electroencephalogram) signal for the control of 'left' and 'right' turnings of which a driving system composed of EEG sensor, Labview, DAQ, Matlab and driving robot. The proposed algorithm uses features extracted from fre...
In this paper, we propose a classification algorithm based on the obtained EEG(Electroencephalogram) signal for the control of 'left' and 'right' turnings of which a driving system composed of EEG sensor, Labview, DAQ, Matlab and driving robot. The proposed algorithm uses features extracted from frequency band information obtained by DWT (Discrete Wavelet Transform) and selects features of high discrimination by using Fisher score. We, also propose the number of feature vectors for the best classification performance by using SVM(Support Vector Machine) classifier and propose a decision pending algorithm based on MLD (Maximum Likelihood Decision) to prevent malfunction due to misclassification. The selected four feature vectors for the proposed algorithm are the mean of absolute value of voltage and the standard deviation of d5(2-4Hz) and d2(16-32Hz) frequency bands of P8 channel according to the international standard electrode placement method. By using the SVM classifier, we obtained 98.75% accuracy and 1.25% error rate. Also, when we specify error probability of 70% for decision pending, we obtained 95.63% accuracy and 0% error rate by using the proposed decision pending algorithm.
In this paper, we propose a classification algorithm based on the obtained EEG(Electroencephalogram) signal for the control of 'left' and 'right' turnings of which a driving system composed of EEG sensor, Labview, DAQ, Matlab and driving robot. The proposed algorithm uses features extracted from frequency band information obtained by DWT (Discrete Wavelet Transform) and selects features of high discrimination by using Fisher score. We, also propose the number of feature vectors for the best classification performance by using SVM(Support Vector Machine) classifier and propose a decision pending algorithm based on MLD (Maximum Likelihood Decision) to prevent malfunction due to misclassification. The selected four feature vectors for the proposed algorithm are the mean of absolute value of voltage and the standard deviation of d5(2-4Hz) and d2(16-32Hz) frequency bands of P8 channel according to the international standard electrode placement method. By using the SVM classifier, we obtained 98.75% accuracy and 1.25% error rate. Also, when we specify error probability of 70% for decision pending, we obtained 95.63% accuracy and 0% error rate by using the proposed decision pending algorithm.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
제안된 알고리즘은 최적의 특징벡터를 얻기 위해 Fisher score를 사용한다. 또한 본 논문에서는 잘못된 분류에 따른 위험을 방지하기 위한 판정보류 알고리즘도 제안한다. 판정보류 알고리즘은 ‘좌’와 ‘우’에 대한 오분류를 정의하고, 이러한 오분류를 방지하기 위하여 MLD(Maximum Likelihood Decision)를 기반으로 판정을 보류하는 것이다.
본 논문에서는 방향 제어를 위한 EEG 신호 분류 알고리즘을 제안하고 주행로봇을 제어함으로써 제안된 알고리즘을 검증하였다. 제안된 알고리즘은 DWT, Fisher score, SVM을 기반으로 구성되며, MLD를 기반으로 판정보류처리 알고리즘도 포함한다.
제안 방법
동시에 BCI를 이용하여 피 실험자의 EEG 신호를 수집한다. EEG 신호의 수집은 집중력이 중요한 요소로 작용하며 외부 자극에 영향을 받기 쉬우므로 사람이 없고 조용한 시각, 청각 및 후각 등에 영향을 받지 않는 장소에서 이루어졌다. 피 실험자는 센서 착용 후 10초씩 5번 데이터를 수집하고 30초 휴식을 가졌다.
그러나 본 논문에서는 다른 정보는 사용하지 않고 주로 ‘좌’, ‘우’로 제어하고자 하는 의지를 가지는 생각만을 사용하는 EEG신호 분류 알고리즘을 제안한다.
판정보류 알고리즘은 ‘좌’와 ‘우’에 대한 오분류를 정의하고, 이러한 오분류를 방지하기 위하여 MLD(Maximum Likelihood Decision)를 기반으로 판정을 보류하는 것이다. 끝으로 본 논문에서는 제안된 EEG 신호 분류 알고리즘을 기반으로 EEG센서, Labview, DAQ, Matlab, 주행로봇으로 구성된 방향 제어 시스템도 함께 제안한다. 본 논문에서 제안하는 시스템의 주행로봇은 ‘좌’, ‘우’, ‘정지’의 세 가지 동작을 가지며, 제안된 시스템을 통해 EEG 신호 분류 알고리즘을 검증한다.
25% 인식률, ‘우’ 95% 인식률 ‘오류율’ 0%의 결과를 얻었다. 끝으로 제안된 알고리즘을 기반으로 EEG 센서, Labview, DAQ, Matlab, 주행로봇으로 구성된 주행로봇 방향 제어 시스템도 함께 제안하였다. 이로써 제안된 분류 알고리즘의 정확도와 안정성을 확인하였다.
피 실험자는 센서를 장착한 후 ‘좌’, ‘우’로 제어하고자 하는 생각을 한다.동시에 BCI를 이용하여 피 실험자의 EEG 신호를 수집한다. EEG 신호의 수집은 집중력이 중요한 요소로 작용하며 외부 자극에 영향을 받기 쉬우므로 사람이 없고 조용한 시각, 청각 및 후각 등에 영향을 받지 않는 장소에서 이루어졌다.
본 논문에서 제안하는 시스템은 분류를 위한 최적의 특징벡터를 선택하고 분류 초평면을 결정하기 위해 DWT, Fisher score, SVM기반의 전처리 과정을 수행한다. 또한 방향제어를 위해 입력된 EEG 신호에서 선택된 특징들을 추출하고 SVM과 제안된 판정보류 알고리즘을 이용하여 신호를 분류한다. 분류 결과에 따라 주행로봇은 ‘좌’, ‘우’, ‘정지’의 3가지 동작을 취한다.
본 논문에서 EEG 신호 분류를 위해 SVM 분류기를 사용하였다. SVM은 데이터 마이닝 분야 및 얼굴인식과 패턴인식 응용 분야에 널리 사용되고 있는 알고리즘이다[9].
본 논문에서 EEG 신호 분류를 위해 최대 마진을 갖는 최적 분류 초평면을 찾아 최적의 대역적인 식별이 가능하며, EEG 신호 분류에 주로 이용되는 LDA(Linear Discriminant Analysis)와 비교하여 우수한 성능이 입증된 SVM 분류기를 사용한다[9,13~15]. SVM 분 류를 위한 특징벡터는 분류 정확도가 가장 높은 P8 채널의 d5(2-4Hz), d2(16-32Hz) 주파수 대역의 전압의 절대 값 평균과 표준편차를 사용한다.
본 논문에서 분류를 위한 EEG 신호 특징추출을 위하여 DWT를 이용하여 주파수대역을 나누었다. DWT는 다해상도 분석을 가능하게 함으로써 영상처리 분야에서 널리 사용되고 있는 알고리즘으로 정규 직교 웨이브렛을 이용하여 신호를 이분 주파수 대역으로 사영하는 것을 의미한다[7].
본 논문에서 오분류를 최소화하기 위해 판정보류처리 범위를 지정하여 SVM 결과 +1class, -1class로 분류하기 어려움이 있는 데이터의 판정을 보류하였다. 식 (6)은 판정보류처리 범위를 나타낸다.
본 논문에서 제안하는 시스템은 분류를 위한 최적의 특징벡터를 선택하고 분류 초평면을 결정하기 위해 DWT, Fisher score, SVM기반의 전처리 과정을 수행한다. 또한 방향제어를 위해 입력된 EEG 신호에서 선택된 특징들을 추출하고 SVM과 제안된 판정보류 알고리즘을 이용하여 신호를 분류한다.
본 논문에서 제안하는 시스템의 주행로봇은 ‘좌’, ‘우’, ‘정지’의 세 가지 동작을 가지며, 제안된 시스템을 통해 EEG 신호 분류 알고리즘을 검증한다.
본 논문에서 판정보류처리 변수를 지정하기 위해 최대우도비가 되는 지점을 기준으로 각 클래스의 오류율을 계산한 후 최대우도비가 되는 지점으로부터 계산된 오류율의 70%가 되는 지점을 판정보류 변수로 지정하였다. 그림 2는 판정보류 변수를 지정하는 방법을 보여 준다.
본 논문에서는 EEG 신호 특징추출을 위해 5단계의 DWT 과정을 수행한다. EEG 신호는 0-64Hz의 주파수 대역을 가지며, 주로 Alpha(8-13Hz), Beta(13-30Hz), Theta(4-8Hz), Delta(0-4Hz)로 구분된다.
분류를 위한 최적의 특징벡터 개수를 얻기 위해 가장 높은 Fisher score를 보이는 P8 채널의 특징벡터들을 높은 Fisher score순으로 차례대로 개수를 늘려가며 분류 정확도를 계산하였다. 이때 분류 정확도는 좌’, ‘우’ 각각 10개 총 20개의 훈련 데이터로 SVM 분류기를 학습시키고, 각각 80개 총 160개의 Test 데이터로 SVM 분류 결과를 얻어 계산하였다.
실험을 통해 얻은 EEG 신호 분류 결과를 이용하여 주행로봇을 제어하였다. 이 주행로봇은 Starter Robot Kit V2.
이 주행로봇은 6V의 전압이 요구되고 185rpm의 DC Motor-25(Makeblock, China)를 사용하며, 이 주행로봇의 제어부인 Me BaseBoard V1.0(Makeblock, China)는 Labview를 이용한 제어 신호 생성을 위하여 NI myDAQ(National instrments, USA)으로 대체하였다[17∼18].
이때 분류 정확도는 좌’, ‘우’ 각각 10개 총 20개의 훈련 데이터로 SVM 분류기를 학습시키고, 각각 80개 총 160개의 Test 데이터로 SVM 분류 결과를 얻어 계산하였다.
또한 본 논문에서 사용하는 EEG 센서로 취득된 신호는 0-2Hz와 32-64Hz 주파수 대역에서 많은 잡음 성분을 가진다. 이러한 EEG 신호의 기존 주파수 대역과 본 논문에서 사용되는 EEG 센서의 시스템 잡음 특성을 고려하여 DWT를 이용하여 특징추출에 적합한 주파수 대역을 추출하였다. DWT 수행 결과 d1(32-64Hz), d2(16-32Hz), d3(8-16Hz), d4(4-8Hz), d5(2-4Hz)의 주파수 대역을 얻었다.
이후 저역통과필터에 여과된 신호에 전 과정과 동일한 방법을 적용하여 대역을 나눈다. 이러한 과정을 원하는 단계까지 반복한다.
제안된 알고리즘은 DWT(Discrete Wavelet Transform)와 SVM(Support Vector Machine)을 기반으로 방향 제어를 위한 ‘좌’, ‘우’생각에 의해 취득된 EEG 신호를 분류한다.
제안된 알고리즘은 DWT, Fisher score, SVM을 기반으로 구성되며, MLD를 기반으로 판정보류처리 알고리즘도 포함한다.
대상 데이터
이 과정을 통해 ‘좌’, ‘우’각각 10개 총 20개의 훈련 데이터를 얻었으며, 각각 80개 총 160개의 Test 데이터를 얻었다.
데이터처리
제안된 알고리즘은 DWT, Fisher score, SVM을 기반으로 구성되며, MLD를 기반으로 판정보류처리 알고리즘도 포함한다. DWT 결과 추출된 주파수대역의 특징벡터에서 변별력을 계산하고, 분류에 적합한 특징벡터의 개수를 얻은 결과 4가지 특징벡터, P8 채널 d2(16-32Hz), d5(2-4Hz) 주파수 대역의 전압의 절대 값 평균과 표준편차를 선별하였다. 선별된 4가지 특징벡터를 이용하여 SVM 분류한 결과 ‘좌’ 98.
. SVM 분 류를 위한 특징벡터는 분류 정확도가 가장 높은 P8 채널의 d5(2-4Hz), d2(16-32Hz) 주파수 대역의 전압의 절대 값 평균과 표준편차를 사용한다.
본 논문에서 EEG 신호 분류를 위해 DWT 결과 추출된 주파수대역에서 전압의 절대값 평균, 전력의 평균, 표준편차, 분산의 4가지 특징을 추출하며, 분류를 위한 특징벡터를 선택하기 위해 Fisher score를 사용하여 특징벡터의 변별력을 분석한다. Fisher score는 클래스 내 분산을 척도로 평균 간의 차이를 정규화하여 함수로 표현하고 이 목적함수를 최대화하는 방법이다[8].
이론/모형
EEG 신호를 수집하기 위해 Emotiv EPOC Headset을 사용하였다. 이 장비는 128Hz의 표본화 율을 가지며, Bluetooth를 이용하여 무선 데이터 전송 시스템을 갖춘 BCI를 구축한다[11].
뇌 정보 처리 및 모델링 연구는 게임 분야와 로봇 제어 분야에서 많이 응용되고 있다. 이러한 연구에서는 뇌 정보 처리를 위해 BCI(Brain Computer Interface) 기술이 사용되며 이 기술은 자발적 전기신호인 뇌파를 이용하여 두뇌의 정보처리 결과를 언어 및 신체활동을 거치지 않고 시스템에 전달할 수 있도록 만들어 준다.
제안된 알고리즘은 DWT(Discrete Wavelet Transform)와 SVM(Support Vector Machine)을 기반으로 방향 제어를 위한 ‘좌’, ‘우’생각에 의해 취득된 EEG 신호를 분류한다. 제안된 알고리즘은 최적의 특징벡터를 얻기 위해 Fisher score를 사용한다. 또한 본 논문에서는 잘못된 분류에 따른 위험을 방지하기 위한 판정보류 알고리즘도 제안한다.
성능/효과
총 14개 채널에서 앞서 추출한 4개의 주파수 대역에서 각각 4개의 특징을 추출하여 총 224개의 특징벡터를 얻었다. 각 특징벡터의 변별력을 확인하기 위해 Fisher score를 계산하여 정규화한 결과, P8 채널의 특징벡터들이 다른 채널의 특징벡터들 보다 높은 Fisher score 를 나타내어 가장 우수한 변별력을 가지고 있음을 확인하였다. 그림 6은 각각의 특징벡터들의 정규화된 Fisher score를 보여주며, 표 1은 그림 6에서 가장 높은 변별력을 보이는 P8채널의 특징벡터들을 Fisher score에 따라 내림차순으로 보여준다.
기존의 연구들과 달리 시각정보 및 신체의 움직임과 같은 다른 정보는 사용하지 않고 주로 ‘좌’, ‘우’로 제어 하고자 하는 의지를 갖는 생각만을 사용하는 EEG 신호를 분류한 본 연구는 방향 제어를 위한 기존의 EEG 신호 분류 연구들이 약 80-90%의 정확도를 갖는 것과 비교하여 조금 더 높은 정확도를 가지고 있음을 확인했다[1~6].
이러한 점에서 기존의 주파수 대역은 본 논문에 그대로 적용하는데 어려움이 있지만, EEG 신호는 0-30Hz에 유의미한 신호가 있음을 확인 할 수 있다. 또한 본 논문에서 사용하는 EEG 센서로 취득된 신호는 0-2Hz와 32-64Hz 주파수 대역에서 많은 잡음 성분을 가진다. 이러한 EEG 신호의 기존 주파수 대역과 본 논문에서 사용되는 EEG 센서의 시스템 잡음 특성을 고려하여 DWT를 이용하여 특징추출에 적합한 주파수 대역을 추출하였다.
또한 제안된 MLD 기반의 판정보류처리 알고리즘을 사용한 결과, 최대우도비 지점을 기준으로 오류율의 70%를 판정보류처리 범위로 정할 경우, ‘좌’ 96.25% 인식률, ‘우’ 95% 인식률 ‘오류율’ 0%의 결과를 얻었다.
본 논문에서 SVM 분류 결과 각 클래스의 확률 밀도 함수는 ‘좌’, ‘우’ 각각 평균 4.08, 분산 4.66과 평균 –2.79, 분산 1.80으로 가우시안 분포 특성을 가지며, 앞서 언급한 판정보류 변수 지정 방법에 따라 최대우도비를 갖는 지점 0.04를 기준으로 판정보류 변수를 지정한 결과 ε1 = -0.96의 값을 가진다.
선별된 4가지 특징벡터를 이용하여 SVM 분류한 결과 ‘좌’ 98.75%, ‘우’ 98.75%, ‘오류율’ 1.25%의 결과를 얻었다.
Alpha와 Beta는 깨어 있는 의식 상태를 반영하고 Theta와 Delta는 무식상태를 반영한다[12]. 이러한 점에서 기존의 주파수 대역은 본 논문에 그대로 적용하는데 어려움이 있지만, EEG 신호는 0-30Hz에 유의미한 신호가 있음을 확인 할 수 있다. 또한 본 논문에서 사용하는 EEG 센서로 취득된 신호는 0-2Hz와 32-64Hz 주파수 대역에서 많은 잡음 성분을 가진다.
끝으로 제안된 알고리즘을 기반으로 EEG 센서, Labview, DAQ, Matlab, 주행로봇으로 구성된 주행로봇 방향 제어 시스템도 함께 제안하였다. 이로써 제안된 분류 알고리즘의 정확도와 안정성을 확인하였다.
판정보류 변수를 기준으로 판정보류처리 범위 지정 결과 ‘좌’ 96.25%, ‘우’ 95%의 정확도와 0%의 오류율을 가졌다.
후속연구
또한 ‘좌’, ‘우’ 뿐만 아니라 다른 방향에 대한 연구와 판정보류 보류 이후의 실제적인 움직임에 대한 연구가 향후 진행되어야 할 것이다.
. 또한, 판정보류 알고리즘을 사용함으로써 잘못된 판단으로 인한 오동작을 방지할 수 있어 향후 EEG 신호를 이용한 방향 제어연구에 크게 기여 할 수 있을 것이라 기대한다.
주로 개인적인 생각에 의해 취득되는 EEG 신호는 개인적인 편차가 존재하게 되는데,이를 해결하여 일반화할 수 있는 연구가 향후 진행되어야 할 것이다. 또한 ‘좌’, ‘우’ 뿐만 아니라 다른 방향에 대한 연구와 판정보류 보류 이후의 실제적인 움직임에 대한 연구가 향후 진행되어야 할 것이다.
질의응답
핵심어
질문
논문에서 추출한 답변
EEG 신호는 어떻게 구분되는가?
EEG 신호는 두피에서 기록되는 자발적 전기신호로 μV단위로 나타나는 미세한 신호이다. EEG 신호는 Alpha(8-13Hz), Beta(13-30Hz), Theta(4-8Hz), Delta(0-4Hz)로 구분되며 이 주파수 대역들은 무의식 상태와 깨어있는 의식 상태를 반영한다.
DWT란?
본 논문에서 분류를 위한 EEG 신호 특징추출을 위하여 DWT를 이용하여 주파수대역을 나누었다. DWT는 다해상도 분석을 가능하게 함으로써 영상처리 분야에서 널리 사용되고 있는 알고리즘으로 정규 직교 웨이브렛을 이용하여 신호를 이분 주파수 대역으로 사영하는 것을 의미한다[7]. DWT는 저역통과필터와 고역통과필터를 사용해 신호를 두 대역으로 나누고, 그 결과 데이터를 절반만 취하는 Down sampling 과정을 수행한다.
뇌 정보 처리 및 모델링 연구에서는 뇌 정보 처리를 위해 어떠한 기술이 사용되는가?
뇌 정보 처리 및 모델링 연구는 게임 분야와 로봇 제어 분야에서 많이 응용되고 있다. 이러한 연구에서는 뇌 정보 처리를 위해 BCI(Brain Computer Interface) 기술이 사용되며 이 기술은 자발적 전기신호인 뇌파를 이용하여 두뇌의 정보처리 결과를 언어 및 신체활동을 거치지 않고 시스템에 전달할 수 있도록 만들어 준다.
참고문헌 (18)
M. Congedo, F. Lotte and A. Lecuyer, "Classific ation of movement intention by spatially filtered electromagnetic inverse solutions", Physics in Medicine and Biology, Vol. 51, No. 8, pp. 1971-198 9, April, 2006
Wenjie Xu, Cuntai Guan, Chng Eng Siong, S.R angantha, M. Thulasidas and Jiankang Wu, "High Accuracy Classification of EEG signal", In 17th International Conference on Pattern Recognition (ICPR'04), Vol. 2, pp.391-394, August, 2004
F. Galan, M. Nuttin, E. Lew, P. W. Ferrez, G. Vanacker, J. Philips, J. del R. Millan. "A brain-actuated wheelchair: Asynchronous and non-invasive Brain-computer interfaces for continuous control of robots", Clinical Neurophysiology, Vol. 119, No. 9, pp. 2159-2169, June, 2008
Luca Tonin, Robert Leeb, Michele Tavella, Serafeim Perdikis, Josedel R. Millan, "The role of shared-control in BCI-based telepresence", 2010 IEEE International Conference on System Manand Cybernetics, pp.1462-1466, October, 2010
Myeong-Chun Lee, Sung-Bae Cho, "Brain-Computer Interface Implementation for Controling Electroemcephalograph Based 3D Virtual Car Simulator", KCC Fall Conference, Vol. 39, No. 2(B), pp. 280-282, November, 2012
Hong Kee Kim, Ki Hong Kim, Jong Sung Kim, Wook Ho Son, "A Control method of Left-Right directions by analyzing EEG Signals", HCI 2006, pp. 1005-1010, February, 2006
Seung Hoon Lee, Dong Han Yoon, Introduction to the Wavelet Transform, Jinhan Books, 2003
Jaeil Lee, Youn Joung Kang, Chong Hyun Lee, Seung Woo Lee and Jinho Bae, "Analysis of Fea tures and Discriminability of Transient Signals for a Shallow Water Ambient Noise Environment", Journal of the Institute of Electronics and Information Engineers, Vol. 51, No. 7, pp. 209-220, July, 2013
Hag Yong Han, Introduction to Pattern Recognition, Hanbit media, 2009
Hun jun Yang, Kyung Bo Hong and Dong Seok Jeong, "Road Surface Condition detect unsing Wavelet transform and SVM Classifier", in Proc. of IEEK autumn Conf., pp. 592-595, Seoul, Korean, November, 2012
Seung Ho Lee, "Meditation and EEG", Journal of Korean Institute of Brain Science, Vol. 50, pp. 32-39, January, 2015
D. Garrett, D. A. Peterson, C. W. Anderson, M. H. Thaut, "Comparison of linear, nonlinear, and feature selection methods for eeg signal classification" IEEE Transactions on Neural System and Rehabilitation Engineering, Vol. 11, No. 2, pp. 141-144, June, 2003
G. N. Garcia, T. Ebrahimi, J. M. Vesin, "Support vector eeg classification in the fourier and time-frequency correlation domains", In Conference Proceedings of the First International IEEE EMBS Conference on Neural Engineering, pp. 591-594, March, 2003
B. Blankertz, G. Curio, K. R Muller, "Classifying single trial eeg: Towards brain computer interfacing" Advances in Neural Information Processing Systems(NIPS01), Vol. 14, pp. 11-22, 2004.
Youn Joung Kang, Jaeil Lee, Jinho Bae and Chong Hyun Lee, "Target Classification Algorithm Using Complex-valued Support Vector Machine", Journal of the Institute of Electronics and Information Engineers, Vol. 50, No. 4, pp. 182-188, April 2013
※ AI-Helper는 부적절한 답변을 할 수 있습니다.