$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

CCA와 PSDA를 결합한 SSVEP 기반 BCI 시스템의 주파수 인식 기법
Frequency Recognition in SSVEP-based BCI systems With a Combination of CCA and PSDA 원문보기

Journal of the Institute of Electronics and Information Engineers = 전자공학회논문지, v.52 no.10, 2015년, pp.139 - 147  

이주영 (부산대학교 전자공학과) ,  이유리 (부산대학교 전자공학과) ,  김형남 (부산대학교 전자공학과)

초록
AI-Helper 아이콘AI-Helper

Steady state visual evoked potential (SSVEP)는 뇌파의 종류 중 하나로서 다른 뇌파에 비해 훈련 시간이 짧고, 비교적 높은 신호대잡음비 (signal-to-noise ratio)와 높은 정보전달량 (information transfer rate)을 가지고 있어서 최근에 뇌-컴퓨터 접속 장치 (brain-computer interface; BCI)에 많이 사용되고 있다. SSVEP 신호를 분석하는 기존 기법에는 전력 스펙트럼 밀도 분석 (power spectral density analysis; PSDA)과 정준상관분석 (canonical correlation analysis; CCA)이 있다. 그러나 PSDA는 단일 전극만을 사용하기 때문에 잡음에 취약한 단점이 있고, CCA는 PSDA보다 높은 정확도를 가지지만 사인-코사인을 기준 신호로 가지므로 짧은 시간 윈도우 길이를 가질 경우 실시간 BCI 시스템에 적용되기 어렵다. 따라서 본 논문에서는 기존의 기법들의 한계점을 보완하기 위해 CCA의 결과로 얻을 수 있는 정준변수 간의 전력차이를 이용하는 CCA와 PSDA를 결합한 기법을 제안한다. 실험 결과를 통해, SSVEP 기반 BCI 시스템이 짧은 시간 윈도우 길이를 가질 때 제안된 기법이 기존의 CCA 기법에 비해 더욱 높은 주파수 인식 정확도를 가짐을 보여준다.

Abstract ▼ AI-Helper 아이콘AI-Helper

Steady state visual evoked potential (SSVEP) has been actively studied because of its short training time, relatively higher signal-to-noise ratio, and higher information transfer rate. There are two popular analysis methods for SSVEP signals: power spectral density analysis (PSDA) and canonical cor...

주제어

#BCI   #electroencephalography   #SSVEP   #canonical correlation analysis   #power spectral density analysis  

AI 본문요약
AI-Helper 아이콘 AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

  • 하지만 실시간으로 BCI 시스템을 제어하기 위해서는 빠른 시간 내에 올바른 BCI 명령을 내려야 하므로 짧은 TW를 가지면서 주파수 인식에 대한 높은 정확도를 보장해야 한다. 따라서 본 논문에서는 이러한 CCA의 문제점을 보완하기 위하여 CCA와 PSDA를 결합한 SSVEP 기반 BCI 시스템의 주파수 인식 기법을 제안한다. 본 논문에서 제안된 기법은 각 자극 주파수에 해당하는 EEG 신호의 선형결합들과 기준신호의 선형결합 간의 상관관계만을 고려하는 기존의 CCA와는 달리 각 자극 주파수에 해당하는 EEG 신호의 선형결합들 간의 전력 차이를 이용하여 TW가 짧은 경우의 SSVEP 신호의 주파수 인식 성능을 개선하고자 한다.
  • 따라서 본 논문에서는 이러한 CCA의 문제점을 보완하기 위하여 CCA와 PSDA를 결합한 SSVEP 기반 BCI 시스템의 주파수 인식 기법을 제안한다. 본 논문에서 제안된 기법은 각 자극 주파수에 해당하는 EEG 신호의 선형결합들과 기준신호의 선형결합 간의 상관관계만을 고려하는 기존의 CCA와는 달리 각 자극 주파수에 해당하는 EEG 신호의 선형결합들 간의 전력 차이를 이용하여 TW가 짧은 경우의 SSVEP 신호의 주파수 인식 성능을 개선하고자 한다.
  • 본 논문에서는 정준변수들의 전력 차이를 이용한 SSVEP 기반 BCI 시스템의 주파수 인식 기법을 제안하였다. 본 논문에서 제안된 CCA와 PSDA를 결합한 기법을 적용하면 TW가 짧을 경우에 기존 방법과 비교하여 주파수 인식 정확도가 증가함을 확인하였지만 기존의 CCA에 비해 연산량이 증가하여 지연 시간이 증가하게 된다.
  • 본 논문은 3명의 피험자들로부터 측정한 EEG 신호를 오프라인에서 분석하였다. 그림 1의 (a)는 본 논문의 실험에서 사용된 디스플레이고, 두 개의 흰색 원형 타겟 (target)들은 각각 자극 주파수 f1 = 10.
  • 이러한 한계성을 극복하기 위해서 본 장에서는 정준 변수 x들 간의 전력 차이를 이용한 CCA와 PSDA를 결합한 기법을 제안한다. 제안하는 기법의 전체적인 과정은 그림 5와 같다.
본문요약 정보가 도움이 되었나요?

질의응답

핵심어 질문 논문에서 추출한 답변
Steady state visual evoked potential란? Steady state visual evoked potential (SSVEP)는 뇌파의 종류 중 하나로서 다른 뇌파에 비해 훈련 시간이 짧고, 비교적 높은 신호대잡음비 (signal-to-noise ratio)와 높은 정보전달량 (information transfer rate)을 가지고 있어서 최근에 뇌-컴퓨터 접속 장치 (brain-computer interface; BCI)에 많이 사용되고 있다. SSVEP 신호를 분석하는 기존 기법에는 전력 스펙트럼 밀도 분석 (power spectral density analysis; PSDA)과 정준상관분석 (canonical correlation analysis; CCA)이 있다.
SSVEP 신호를 분석하는 기존 기법들로 PSDA와 CCA가 있는데 각각의 한계점은 무엇인가? SSVEP 신호를 분석하는 기존 기법에는 전력 스펙트럼 밀도 분석 (power spectral density analysis; PSDA)과 정준상관분석 (canonical correlation analysis; CCA)이 있다. 그러나 PSDA는 단일 전극만을 사용하기 때문에 잡음에 취약한 단점이 있고, CCA는 PSDA보다 높은 정확도를 가지지만 사인-코사인을 기준 신호로 가지므로 짧은 시간 윈도우 길이를 가질 경우 실시간 BCI 시스템에 적용되기 어렵다. 따라서 본 논문에서는 기존의 기법들의 한계점을 보완하기 위해 CCA의 결과로 얻을 수 있는 정준변수 간의 전력차이를 이용하는 CCA와 PSDA를 결합한 기법을 제안한다.
SSVEP 신호를 분석하는 기존 기법에는 무엇이 있는가? Steady state visual evoked potential (SSVEP)는 뇌파의 종류 중 하나로서 다른 뇌파에 비해 훈련 시간이 짧고, 비교적 높은 신호대잡음비 (signal-to-noise ratio)와 높은 정보전달량 (information transfer rate)을 가지고 있어서 최근에 뇌-컴퓨터 접속 장치 (brain-computer interface; BCI)에 많이 사용되고 있다. SSVEP 신호를 분석하는 기존 기법에는 전력 스펙트럼 밀도 분석 (power spectral density analysis; PSDA)과 정준상관분석 (canonical correlation analysis; CCA)이 있다. 그러나 PSDA는 단일 전극만을 사용하기 때문에 잡음에 취약한 단점이 있고, CCA는 PSDA보다 높은 정확도를 가지지만 사인-코사인을 기준 신호로 가지므로 짧은 시간 윈도우 길이를 가질 경우 실시간 BCI 시스템에 적용되기 어렵다.
질의응답 정보가 도움이 되었나요?

참고문헌 (15)

  1. Chang-Jin Kong. "Problem Analysis & Directions for Improvement of Neuroethics in Brain-Computer Interface." KOREA INFORMATION SCIENCE SOCIETY Korea computer congress 2009, Vol. 36, no. 1, pp. 376-381, 2009. 

  2. R. Srinivasan, "Methods to improve the spatial resolution of EEG," International Journal of Bioelectromagnetism, Vol. 1, no. 3, pp. 102-111, 1999. 

  3. Kab-Mun Cha and Hyun-Chool Shin, "Brain-Machin Interface Using P300 Brain Wave." IEIE, Vol. 47, no. 5, pp. 18-23, Sep. 2010. 

  4. Lin, Zhonglin, et al., "Frequency recognition based on canonical correlation analysis for SSVEP-based BCIs." Biomedical Engineering, IEEE Transactions, Vol. 53, no. 12, pp. 2610-2614, December 2006. 

    상세보기 crossref

  5. Muller-Putz, Gernot R., et al., "Steady-state visual evoked potential (SSVEP)-based communication: impact of harmonic frequency components." Journal of neural engineering, Vol. 2, pp. 123-130, October 2005. 

    상세보기 crossref

  6. Bin, Guangyu, et al., "An online multi-channel SSVEP-based brain-computer interface using a canonical correlation analysis method." Journal of neural engineering, Vol. 6, June 2009. 

    상세보기

  7. Li, Yun, et al., "Analysis of phase coding SSVEP based on canonical correlation analysis (CCA)." Neural Engineering (NER), 2011 5th International IEEE/EMBS Conference on. pp. 368-371, IEEE, 2011. 

  8. Pan, Jie, et al., "Enhancing the classification accuracy of steady-state visual evoked potential-based brain-computer interfaces using phase constrained canonical correlation analysis." Journal of neural engineering, Vol. 8, 2011. 

    상세보기

  9. Zhang, Y. U., et al., "Frequency recognition in SSVEP-based BCI using multiset canonical correlation analysis." International journal of neural systems, Vol. 24, no. 2, January 2014. 

  10. Zhang, Yu, et al., "SSVEP recognition using common feature analysis in brain-computer interface." Journal of neuroscience methods, Vol. 244, pp. 8-15, 2015. 

    상세보기 crossref

  11. da Cruz, Janir Nuno, et al., "Adaptive time-window length based on online performance measurement in SSVEP-based BCIs." Neurocomputing, Vol. 149, pp. 93-99, February 2015. 

    상세보기 crossref

  12. Wei, Qingguo, Meixia Xiao, and Zongwu Lu., "A comparative study of canonical correlation analysis and power spectral density analysis for SSVEP detection." Intelligent Human-Machine Systems and Cybernetics (IHMSC), 2011 International Conference on. Vol. 2. IEEE, 2011. 

  13. Hotelling, Harold, "Relations between two sets of variates." Biometrika, Vol. 28, pp. 321-377, 1936. 

    상세보기 crossref

  14. Zhang, Yangsong, et al., "Multivariate synchronization index for frequency recognition of SSVEP-based brain-computer interface." Journal of neuroscience methods, Vol. 221, pp. 32-40, 2014. 

    상세보기 crossref

  15. Borga, Magnus, "Canonical correlation: a tutorial." On line tutorial http://people.imt.liu.se/magnus/cca 4, 2001. 

저자의 다른 논문 :

LOADING...

관련 콘텐츠

이 논문과 함께 이용한 콘텐츠

유발과제정보 저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로