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
- SVM 분류기의 원리는 결정경계(decisionboundary)와 훈련 데이터 사이의 거리가 최대 여유(margin)를 갖도록 초평면(hyperplane)을 설계하는 것이 목적이다. 초평면에서 가장 가까운 데이터 벡터를 구하기 위한 함수는 초평면에 직각인 법선벡터 간의 거리를 최대화하기 위한 식 (1)의 초평면 결정 함수에 의해 나타낼 수 있다 [5].
- 이와 같은 결과는 웨이블릿 변환이 시간의 함수를 시간-주파수 평면상에서 전개하는 것이기 때문에 주파수 성분만을 이용하여 특징 벡터를 표현하는 기존의 방법에 비하여 ERP의 특징을 명확히 표현할 수 있는 것으로 판단된다. 또한 본 연구에서는 시각적 자극에 반응하는 전극에서 점점 멀어지는 전극들에 대하여 동일한 실험을 실시하고 검출 율을관찰하였다. 표 4는 전극의 위치가 아래로 내려가면 내려갈수록 시각적 자극에 반응하는 전극으로부터 멀어지도록 배치한 것이다.
- 본 논문에서는 시각적 자극에 의해 발생하는 ERP를 검출하는 방법에 대하여 제안하고 실험을 통하여 성능을 분석하였다. ERP 반응을 포함한 뇌전도 신호는 USSD의 SCCN의 데이터베이스를 실험을 위한 데이터로 사용하였다.
- 본 연구에서는 수집된 뇌파 신호로부터 뇌파를 검출하는 알고리즘을 제안하였다. 제안된 알고리즘은 수집된 뇌파에 이산 웨이블릿 변환을 수행하고 웨이블릿 대역의 뇌파 신호들을 특징 벡터로 하는 SVM(support vector machine)을 이용한 검출 알고리즘을 수행하였다.
- 제안한 방법의 검출 율이 기존의 방법에 비하여 약 10%의 향상된 것을 관찰할 수 있었다. 본 연구의 실험 결과에 대하여 동일한 SVM 알고리즘을 적용하고 특징 벡터의 종류만 바꾸어 향상된 검출 율에 대한 논의를 하였다. 제안한 특징 벡터는 웨이블릿 변환된 뇌전도 신호이므로 뇌전도 신호의 주파수 대역별 신호를 표현한다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.