본 논문에서는 EEG 신호 기반 기기 또는 소프트웨어를 사용하기 위해 사용자가 본인의 EEG 신호 정확도를 확인하고, 훈련을 통하여 자신의 EEG 신호 정확도를 향상시킬 수 있는 시뮬레이션 소프트웨어를 제안한다. 실험 데이터로는 풍경사진을 보며 편안한 상태에서 발생되는 신호와 수학문제를 풀며 집중 시에 발생되는 신호를 사용한다. 입력되는 EEG 신호는 독립 성분 분석(Independent Component Analysis, ICA)을 적용하여 잡음을 최소화하고 대역 통과 필터(Band Pass Filter)를 통하여 베타파(${\beta}$, 14-30Hz)만을 취득한다. 취득한 베타파 대역 데이터에서 제곱평균제곱근(Root Mean Square, RMS) 알고리즘을 통하여 특징 정보를 추출하고 지지 벡터 머신(Support Vector Machine, SVM)에 적용하여 분류한다. 분류된 결과는 사용자가 바로 확인할 수 있으며 훈련 전 피험자의 평균 정확도는 79.21%이었던 반면, 연속적인 훈련으로 최고 91.67%의 정확도를 보였다. 이처럼 본 논문에서 개발한 시뮬레이션 소프트웨어는 사용자가 직접 자신의 EEG 신호 정확도를 향상키기는 훈련을 통하여 정확도 향상이 가능하고, EEG 신호 기반으로 이루어진 BCI 시스템의 효율적인 사용을 기대할 수 있다.
본 논문에서는 EEG 신호 기반 기기 또는 소프트웨어를 사용하기 위해 사용자가 본인의 EEG 신호 정확도를 확인하고, 훈련을 통하여 자신의 EEG 신호 정확도를 향상시킬 수 있는 시뮬레이션 소프트웨어를 제안한다. 실험 데이터로는 풍경사진을 보며 편안한 상태에서 발생되는 신호와 수학문제를 풀며 집중 시에 발생되는 신호를 사용한다. 입력되는 EEG 신호는 독립 성분 분석(Independent Component Analysis, ICA)을 적용하여 잡음을 최소화하고 대역 통과 필터(Band Pass Filter)를 통하여 베타파(${\beta}$, 14-30Hz)만을 취득한다. 취득한 베타파 대역 데이터에서 제곱평균제곱근(Root Mean Square, RMS) 알고리즘을 통하여 특징 정보를 추출하고 지지 벡터 머신(Support Vector Machine, SVM)에 적용하여 분류한다. 분류된 결과는 사용자가 바로 확인할 수 있으며 훈련 전 피험자의 평균 정확도는 79.21%이었던 반면, 연속적인 훈련으로 최고 91.67%의 정확도를 보였다. 이처럼 본 논문에서 개발한 시뮬레이션 소프트웨어는 사용자가 직접 자신의 EEG 신호 정확도를 향상키기는 훈련을 통하여 정확도 향상이 가능하고, EEG 신호 기반으로 이루어진 BCI 시스템의 효율적인 사용을 기대할 수 있다.
In this paper, we introduce our simulation software for EEG signal accuracy improvement. Users can check and train own EEG signal accuracy using our simulation software. Subjects were shown emotional imagination condition with landscape photography and logical imagination condition with a mathematic...
In this paper, we introduce our simulation software for EEG signal accuracy improvement. Users can check and train own EEG signal accuracy using our simulation software. Subjects were shown emotional imagination condition with landscape photography and logical imagination condition with a mathematical problem to subject. We use that EEG signal data, and apply Independent Component Analysis algorithm for noise removal. So we can have beta waves(${\beta}$, 14-30Hz) data through Band Pass Filter. We extract feature using Root Mean Square algorithm and That features are classified through Support Vector Machine. The classification result is 78.21% before EEG signal accuracy improvement training. but after successive training, the result is 91.67%. So user can improve own EEG signal accuracy using our simulation software. And we are expecting efficient use of BCI system based EEG signal.
In this paper, we introduce our simulation software for EEG signal accuracy improvement. Users can check and train own EEG signal accuracy using our simulation software. Subjects were shown emotional imagination condition with landscape photography and logical imagination condition with a mathematical problem to subject. We use that EEG signal data, and apply Independent Component Analysis algorithm for noise removal. So we can have beta waves(${\beta}$, 14-30Hz) data through Band Pass Filter. We extract feature using Root Mean Square algorithm and That features are classified through Support Vector Machine. The classification result is 78.21% before EEG signal accuracy improvement training. but after successive training, the result is 91.67%. So user can improve own EEG signal accuracy using our simulation software. And we are expecting efficient use of BCI system based EEG signal.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서 개발한 시뮬레이션 소프트웨어는 EEG 신호 기반의 BCI 시스템을 사용하기 위해 사용자가 본 소프트웨어를 통한 신호 강화 훈련을 하여 자신의 EEG 신호를 더욱 활성화시키는 것에 목적이 있으며 Windows 7 운영체제, Matlab R2016a 환경에서 개발되었다.
본 논문에서는 EEG 신호 정확도 향상을 위한 시뮬레이션 소프트웨어를 개발하였다. 개발한 소프트웨어는 감성적인 정보처리와 논리적인 정보처리에 대한 EEG 신호의 차이를 이용하여 EEG 신호의 정확도를 확인할 수 있는 기능을 가진다.
이에 본 논문에서는 사용자가 자신의 EEG 신호 활성도를 강화하여 EEG 신호의 정확도를 향상시킬 수 있도록 훈련하고 입력된 EEG 신호에 따라서 정해진 명령을 산출하는 EEG 신호 정확도 향상을 위한 시뮬레이션 소프트웨어를 제안한다. (그림 1)은 본 논문에서 개발한 시뮬레이션 소프트웨어를 사용 하여 훈련하는 과정을 나타낸 것이다.
제안 방법
이 기기는 블루투스 기능을 통하여 무선으로 EEG 신호 측정이 가능하며, 샘플링 주파수 128Hz로 기록이 가능하다. 14개의 채널을 통해 EEG 신호를 측정할 수 있으며, 본 논문에서는 EPOC Headset으로 측정 가능한 부위 중 측정 부위를 고르게 분포시켜 8개의 채널을 선정하여 측정하였다. 선정된 채널은 (그림 4)과 같이 10-20 국제 표준 전극 배치법을 기준으로 F7, F8, T7, T8, P7, P8, O1, O2 에 위치한다.
실험은 데이터의 신뢰성을 위해 어둡고 소음이 적은 실내 환경에서 진행되었으며, 피험자는 EPOC Headset을 착용하고 (그림 5)와 같은 풍경사진과 수학문제를 보며 감성적인 정보처리와 논리적인 정보처리를 유도하도록 하였다. EEG 신호 측정은 각 피험자별로 4회씩 측정되었으며, 이 후 본 논문에서 개발한 시뮬레이션 소프트웨어를 통한 EEG 정확도 향상 훈련을 거치고 4회 다시 측정하였다.
최초에 사용자는 자신의 EEG 신호를 측정하여야 하며, 본 논문에서는 감성적인 정보처리와 논리적인 정보처리에 대한 각각의 EEG 신호를 분류하여 정확도를 확인하는 절차로 진행되었다. 각 정보처리는 피험자에게 감성적인 정보처리 확인을 위한 풍경사진과 논리적인 정보처리 확인을 위한 수학문제를 제시하여 유도되도록 하였다.
독립 성분 분석 기법을 적용한 후 고속 푸리에 변환을 이용하여 베타파(13-25Hz)의 주파수를 확인하였다. 알파파는 심리적 완화 상태에서 주로 활성화되며 베타파는 각성, 문제풀이 등 집중 시에 주로 활성화되는 것으로 알려져 있다.
또한 G.Costantimi 등은 EEG의 μ파 대역 데이터를 고속푸리에 변환(Fast Fourier Transform, FFT)을 통하여 파워 스펙트럼을 계산하고, 지지 벡터 머신 (Support Vector Machine, SVM)으로 분류하는 연구를 진행하였다.
본 논문에서는 EEG 신호 데이터를 수집하기 위해 Emotiv사의 EPOC Headset을 사용한다. 이 기기는 블루투스 기능을 통하여 무선으로 EEG 신호 측정이 가능하며, 샘플링 주파수 128Hz로 기록이 가능하다.
본 실험에서는 풍경사진을 보고 있을 때와 수학 문제를 풀 때의 진폭 값을 비교하였다. (그림 7)은 서로 다른 두 정보처리에 대한 주파수 영역에서의 진폭 차이를 가시적으로 보여주고 있다.
알파파는 심리적 완화 상태에서 주로 활성화되며 베타파는 각성, 문제풀이 등 집중 시에 주로 활성화되는 것으로 알려져 있다. 실험 환경 특성상 피험자에게 실험으로써의 부담이 없이 않아 심리적 안정을 기대할 수 없음으로 판단하여 본 실험에서는 베타파만을 이용하여 연구를 진행하였다.
피험자는 건강한 20대 남성 3명을 대상으로 하였고 논리적인 정보처리와 감성적인 정보처리를 분류하기 위하여 측정 및 실험하였다. 실험은 데이터의 신뢰성을 위해 어둡고 소음이 적은 실내 환경에서 진행되었으며, 피험자는 EPOC Headset을 착용하고 (그림 5)와 같은 풍경사진과 수학문제를 보며 감성적인 정보처리와 논리적인 정보처리를 유도하도록 하였다. EEG 신호 측정은 각 피험자별로 4회씩 측정되었으며, 이 후 본 논문에서 개발한 시뮬레이션 소프트웨어를 통한 EEG 정확도 향상 훈련을 거치고 4회 다시 측정하였다.
시뮬레이션 소프트웨어 사용 전에 측정된 EEG 신호 데이터를 기반으로 한 실험 결과 피험자 모두에게서 높은 정확도를 보인 특징 정보 알고리즘은 제곱평균제곱근으로 나타났으며 (표 2)에서 볼 수 있다. 이 후 실험 결과를 바탕으로 제곱평균제곱근을 적용하여 시뮬레이션 소프트웨어를 개발하였으며 피험자는 이 소프트웨어를 이용하여 정확도 향상 훈련을 한 후 EEG 신호를 측정하여 결과를 산출하였다.
본 논문에서는 분류를 위한 알고리즘으로 패턴 분류 기법 중 하나인 지지 벡터 머신을 이용하였다[13]. 이에 다양한 특징 정보들을 적용하여 정확도를 확인하였다. 시뮬레이션 소프트웨어 사용 전에 측정된 EEG 신호 데이터를 기반으로 한 실험 결과 피험자 모두에게서 높은 정확도를 보인 특징 정보 알고리즘은 제곱평균제곱근으로 나타났으며 (표 2)에서 볼 수 있다.
최초에 사용자는 자신의 EEG 신호를 측정하여야 하며, 본 논문에서는 감성적인 정보처리와 논리적인 정보처리에 대한 각각의 EEG 신호를 분류하여 정확도를 확인하는 절차로 진행되었다. 각 정보처리는 피험자에게 감성적인 정보처리 확인을 위한 풍경사진과 논리적인 정보처리 확인을 위한 수학문제를 제시하여 유도되도록 하였다.
추출된 각 특징 정보는 패턴 분류 알고리즘인 지지 벡터 머신을 거쳐 분류 정확도를 확인한다.
피험자는 사진을 보며 감성적인 정보처리와 논리적인 정보처리에 대한 EEG 측정을 진행하였으며 측정될 때마다 해당 측정 데이터를 시뮬레이션 소프트웨어에 입력시켜 결과를 확인했다. 먼저 감성적인 정보처리에 대한 데이터를 입력하였으며 이것을 Class 1에 할당하여 초록색 점으로 나타내었다.
피험자는 최초 4회의 EEG 신호 측정 후 5분가량의 쉬는 시간을 가지고 본 논문에서 개발한 시뮬레이션 소프트웨어를 사용하여 EEG 신호 정확도 훈련 과정을 거쳤다.
훈련을 충분히 거쳤다고 판단되었을 때 피험자에 게는 EEG 신호를 4회 측정하도록 하였다. 측정된 데이터는 훈련 전의 데이터에서 추출한 특징 정보인 제곱평균제곱근을 바탕으로 정확도를 비교하였다.
대상 데이터
14개의 채널을 통해 EEG 신호를 측정할 수 있으며, 본 논문에서는 EPOC Headset으로 측정 가능한 부위 중 측정 부위를 고르게 분포시켜 8개의 채널을 선정하여 측정하였다. 선정된 채널은 (그림 4)과 같이 10-20 국제 표준 전극 배치법을 기준으로 F7, F8, T7, T8, P7, P8, O1, O2 에 위치한다.
피험자는 건강한 20대 남성 3명을 대상으로 하였고 논리적인 정보처리와 감성적인 정보처리를 분류하기 위하여 측정 및 실험하였다. 실험은 데이터의 신뢰성을 위해 어둡고 소음이 적은 실내 환경에서 진행되었으며, 피험자는 EPOC Headset을 착용하고 (그림 5)와 같은 풍경사진과 수학문제를 보며 감성적인 정보처리와 논리적인 정보처리를 유도하도록 하였다.
데이터처리
본 실험에서는 획득한 베타파 신호에서 사용하는 특징 정보 추출 알고리즘으로는 절대차분평균값 (Difference Mean Absolute Value, DAMV), 절대평균값(Mean Absolute Value, MAV), 제곱평균제곱근 (Root Mean Square, RMS)을 이용하며, 이를 통해 감성적인 정보처리와 논리적인 정보처리에서의 차이를 구체화한다. 이 후 보다 정확성이 높은 알고리즘을 선정하여 시뮬레이션 소프트웨어 개발에 적용하고자 한다.
훈련을 충분히 거쳤다고 판단되었을 때 피험자에 게는 EEG 신호를 4회 측정하도록 하였다. 측정된 데이터는 훈련 전의 데이터에서 추출한 특징 정보인 제곱평균제곱근을 바탕으로 정확도를 비교하였다.
이론/모형
본 논문에서는 분류를 위한 알고리즘으로 패턴 분류 기법 중 하나인 지지 벡터 머신을 이용하였다[13]. 이에 다양한 특징 정보들을 적용하여 정확도를 확인하였다.
EEG 신호는 잡음에 취약하여 오염되기 쉽다는 특성을 가지고 있다. 본 연구에서는 각 채널별로 잡음을 제거하기 위해 독립 성분 분석 알고리즘을 사용하였다. 독립 성분 분석은 확률적 통계 기법을 이용하여 혼합되어 있는 신호에서 원래의 신호를 찾는 알고리즘이다.
성능/효과
(그림 7)은 서로 다른 두 정보처리에 대한 주파수 영역에서의 진폭 차이를 가시적으로 보여주고 있다. 감성적인 정보처리를 할 때 보다 논리적인 정보처리를 할 때에 베타 대역의 EEG 신호 진폭이 더 높아지는 것을 확인할 수 있다.
본 논문에서는 EEG 신호 정확도 향상을 위한 시뮬레이션 소프트웨어를 개발하였다. 개발한 소프트웨어는 감성적인 정보처리와 논리적인 정보처리에 대한 EEG 신호의 차이를 이용하여 EEG 신호의 정확도를 확인할 수 있는 기능을 가진다.
이 경우 피험자에게는좀 감성적인 정보처리를 유도하고자 더 감성적이라고 판단되는 사진을 제시하여 피험자에게로부터 EEG 신호의 정확도 향상을 유도했다. 그 결과 반복적인 실험을 통해서 (그림 9)과 같이 논리적인 정보처리와의 경계를 더 벗어나는 것을 확인할 수 있었다.
또한 사용자 스스로가 EEG 신호의 정확도 향상을 위해 훈련이 가능하며 BCI 시스템을 이용한 소프트웨어 및 기기들의 이용을 더욱 용이하게 할 수있으며, 쉽게 결과를 확인하여 자신에게서 측정된 EEG 신호가 원하는 제어 명령을 생성하고 있는지알 수 있게 된다.
본 논문에서 진행한 실험의 피험자는 모두 전보다 시뮬레이션 소프트웨어를 통한 EEG 신호 정확도 향상 훈련을 한 후 정확도가 향상된 것을 확인할 수 있었다. 그 중 한 피험자에게서는 최고 91.
이에 다양한 특징 정보들을 적용하여 정확도를 확인하였다. 시뮬레이션 소프트웨어 사용 전에 측정된 EEG 신호 데이터를 기반으로 한 실험 결과 피험자 모두에게서 높은 정확도를 보인 특징 정보 알고리즘은 제곱평균제곱근으로 나타났으며 (표 2)에서 볼 수 있다. 이 후 실험 결과를 바탕으로 제곱평균제곱근을 적용하여 시뮬레이션 소프트웨어를 개발하였으며 피험자는 이 소프트웨어를 이용하여 정확도 향상 훈련을 한 후 EEG 신호를 측정하여 결과를 산출하였다.
피험자 모두의 EEG 신호 정확도가 시뮬레이션 소프트웨어 사용 전이었던 평균 79.21%보다 향상되었다는 것을 확인할 수 있었으며 그 중 한 피험자에게서는 최고 92.31%의 정확도를 보여주고 있다.
후속연구
신체적 장애가 있는 사람들이 본 논문에서 개발한 시뮬레이션 소프트웨어를 사용하여 자신의 EEG 신호 정확도를 발달시키는 훈련을 거친다면 BCI 시스템으로 구성된 소프트웨어 또는 기기를 효율적으로 사용할 수 있음으로써 자신의 신체적 한계를 극복하는 데 큰 도움이 될 것으로 기대한다.
본 실험에서는 획득한 베타파 신호에서 사용하는 특징 정보 추출 알고리즘으로는 절대차분평균값 (Difference Mean Absolute Value, DAMV), 절대평균값(Mean Absolute Value, MAV), 제곱평균제곱근 (Root Mean Square, RMS)을 이용하며, 이를 통해 감성적인 정보처리와 논리적인 정보처리에서의 차이를 구체화한다. 이 후 보다 정확성이 높은 알고리즘을 선정하여 시뮬레이션 소프트웨어 개발에 적용하고자 한다. 절대차분평균값은 일정 시간동안 신호의 절대 값을 적분한 값이며 (식 3)과 같이 정의된다.
향후 본 시뮬레이션 소프트웨어의 효율적인 EEG 신호 정확도 향상 훈련과 정교한 사용자 컴퓨터 상호작용을 위해 UI 및 UX를 설계하는 작업을 거쳐 소프트웨어 구조 개선에 대한 연구를 진행할 예정이다.
질의응답
핵심어
질문
논문에서 추출한 답변
BCI 시스템은 무엇인가?
뇌의 활동 과정을 통하여 발생하는 EEG (Electroencephalogram, 뇌전도) 신호를 분석하여 임의의 장치를 제어하는 일련의 시스템을 BCI(Brain computer interface) 시스템이라 한다. EEG 신호를 측정하는 방법은 측정 전극을 대뇌 피질 안으로 삽입하여 측정하는 방법이 있으며 이외에는 두피에 직접 전극을 접촉하여 측정하는 비 침습적 방법이 있다.
비 침습적 방법의 단점은 무엇인가?
EEG 신호를 측정하는 방법은 측정 전극을 대뇌 피질 안으로 삽입하여 측정하는 방법이 있으며 이외에는 두피에 직접 전극을 접촉하여 측정하는 비 침습적 방법이 있다. 전자의 경우는 비교적 신호의 질이 우수하다는 장점이 있지만 전극을 대뇌 피질 안으로 삽입해야 한다는 단점이 있고, 후자는 측정은 간편하지만 측정된 EEG 신호에 많은 잡음이 있어 해석이 쉽지 않다는 단점이 있다[1].
EEG 신호를 측정하는 방법은?
뇌의 활동 과정을 통하여 발생하는 EEG (Electroencephalogram, 뇌전도) 신호를 분석하여 임의의 장치를 제어하는 일련의 시스템을 BCI(Brain computer interface) 시스템이라 한다. EEG 신호를 측정하는 방법은 측정 전극을 대뇌 피질 안으로 삽입하여 측정하는 방법이 있으며 이외에는 두피에 직접 전극을 접촉하여 측정하는 비 침습적 방법이 있다. 전자의 경우는 비교적 신호의 질이 우수하다는 장점이 있지만 전극을 대뇌 피질 안으로 삽입해야 한다는 단점이 있고, 후자는 측정은 간편하지만 측정된 EEG 신호에 많은 잡음이 있어 해석이 쉽지 않다는 단점이 있다[1].
참고문헌 (13)
J.R. Wolpaw, N. Birbaumer, D.J. McFarland, Gert Pfurtscheller and T.M. Vaughan, "Brain-computer Interfaces for communication and control," Clinical Neurophysiology, vol. 113, pp. 765-791, 2002.
Stetson, P. F., "Independent component analysis of pulse- oximetry signals," Engineering in Medicine and Biology Society, IEMBS'04. 26th Annual International Conference of the IEEE. vol. 1, 2004.
Xue, Z., Li, J., Li, S. and Wan, B., "Using ICA to Remove Eye Blink and Power Line Artifacts in EEG," Proceedings of the First international Conference on Innovative Computing, Information and Control, 2006.
David Starling, "Temporal Analysis of EEG patterns in a biofeedback based Brain Computer Interface," Tech Report no. CYB/2003/UG/DJS/1.
A. R. Cabrera, "Feature Extraction and Classification for Brain-Computer Interfaces," Aalborg: Aalborg University, Denmark, 2009.
G. Costantini, M. Todisco, D. Casali, M. Carota, G. Saggio, L. Bianchi, M. Abbafati and L. R. Quitadamo, "SVM Classification of EEG Signals for Brain Computer Interface," Proc. of the 2009 Confer- ence on Neural Nets WIRN09: Proceedings of the 19th Italian Workshop on Neural Networks, pp. 229-233, 2009.
Dennis J. McFarland, Gregory W. Neat, Richard F. Read and Jonathan R. Wolpaw, "An EEG-based method for graded cursor control," Psychobiology, vol. 21, no. 1, pp. 77-81, 1993.
Jonathan R. Wolpaw, Dennis J. McFarland, Gregory W. Neat and Catherine A. Forneris, "An EEG-based brain-computer interface for cursor control," Electroencephalo Graphy and Clinical Neurophysiology, vol. 78, pp. 252-259, 1991.
K.S Kim, H.H Choi, C.S Moon, C.W Mun, "Comparison of k-nearest neighbor, quadratic discriminant and linear discriminant analysis in classification of electromyogram signals based on the wrist-motion directions," Current Applied Physics, vol. 11, no. 3, pp. 740-745, 2011.
Ali A.Abdul-latif, "Power changes of EEG signals associated with muscle fatigue: The Root Mean Square analysis of EEG bands," Intelligent Sensors, Sensor Networks and Information Processing Conference, 2004. Proceedings of the 2004, pp. 531-534, 2004.
C. Cortes, V. Vapnik, "Support-vector networks," Machines Learning, vol. 20, no. 3, pp. 273-297, 1995.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.