$\require{mediawiki-texvc}$

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.

시선 추적 센서 데이터를 활용한 뇌파 잡파 제거 방법에 관한 연구
A Study on EEG Artifact Removal Method using Eye tracking Sensor Data 원문보기

전기전자학회논문지 = Journal of IKEEE, v.22 no.4, 2018년, pp.1109 - 1114  

윤종섭 (Dept. of Computer Engineering, Seokyeong University) ,  김진헌 (Dept. of Computer Engineering, Seokyeong University)

초록
AI-Helper 아이콘AI-Helper

뇌파(Electroencephalogram, EEG)는 외부 자극 때문에 발생하는 뇌 활동을 연구하기 위해 사용되는 도구로 두피에 전극을 부착하여 기록한다. 이 과정에서 잡파(artifact)가 혼입되어 신호를 왜곡시키기 쉬워 이를 제거하기 위한 후처리가 필수적이다. 잡파 제거를 위해 널리 사용되는 방법으로 독립성분분석(Independent Component Analysis, ICA)이 존재한다. 이 방법은 성능은 우수하나 뇌파 정보를 일부 손실시키는 단점이 있다. 본 논문에서는 이러한 문제점을 보완하기 위해 시선 추적 센서(Eyetracker)를 통해 얻은 눈 깜빡임 정보를 이용하여 필터 적용 범위를 제한함으로써 뇌파 정보 손실을 줄이는 방법을 제안한다. 이후 신호 대 잡음 비(Signal to Noise Ratio, SNR), 스펙트럼 일관성(Spectral Coherence, SC) 등의 정량화 방법을 이용하여 기존의 방법과 제안하는 방법의 결과를 비교하였다.

Abstract ▼ AI-Helper 아이콘AI-Helper

Electroencephalogram (EEG) is a tool used to study brain activity caused by external stimuli. In this process, artifacts are mixed and it is easy to distort the signal, so post-processing is necessary to remove it. Independent Component Analysis (ICA) is a widely used method for removing artifact. T...

주제어

#EEG   #Eye blink artifact   #Noise canceling   #ICA   #Adaptive Filtering  

표/그림 (6)

AI 본문요약
AI-Helper 아이콘 AI-Helper

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

문제 정의

  • 본 논문에서는 뇌파 신호의 잡파 제거를 위해 널리 사용되고 있는 독립성분분석 방법을 사용할 때발생하는 신호 정보 손실 문제를 개선하기 위해 뇌파와 함께 기록된 시선 추적 센서 데이터를 활용하여 얻은 눈 깜빡임 시점 정보를 활용한다. 독립성분에서 실제 신호 왜곡이 일어난 것으로 판단되는시점의 데이터에 대해서만 왜곡 보정을 수행함으로써 잡파 제거 과정에서의 정보손실을 최소화하는 방법을 소개하였다.
  • 본 논문에서는 뇌파 신호의 잡파 제거를 위해 널리 사용되고 있는 독립성분분석 방법을 사용할 때발생하는 신호 정보 손실 문제를 개선하기 위해 뇌파와 함께 기록된 시선 추적 센서 데이터를 활용하여 얻은 눈 깜빡임 시점 정보를 활용한다. 독립성분에서 실제 신호 왜곡이 일어난 것으로 판단되는시점의 데이터에 대해서만 왜곡 보정을 수행함으로써 잡파 제거 과정에서의 정보손실을 최소화하는 방법을 소개하였다.
  • 본 논문에서는 뇌파를 기록하는 동안 피험자의눈 깜빡임으로 인하여 발생하는 잡파를 제거하기위해 시선 추적 센서로부터 얻은 눈 깜빡임 시점정보를 활용하여 적응형 필터를 독립성분의 실제 잡음 발생 위치에만 국소적으로 적용하여 정보손실 문제를 최소화하는 방법을 제시한다.
  • 본 논문에서는 시선 추적 센서 데이터에서 얻은 눈 깜빡임 시점 정보를 이용하여 뇌파에 독립성분분석 알고리즘을 적용하여 얻은 독립성분 중 잡파를 포함하는 요소에서 실제 잡파 발생 위치에만 적응형 필터를 적용함으로써 잡파 제거 시 발생하는 원본 뇌파 신호의 훼손을 최소화하는 방법을 제시한다. 그림 1에서 본 논문에서 제안하는 잡파 제거방법의 처리 과정을 보인다.
  • 이후 다음 과정에서는 잡파 성분이 포함된 것으로 판단되는 독립성분들에 대해 Lattice 적응형 필터를 적용한다. 잡파 영역에 적응형 필터를 적용하기 위해서는 추가로 필터링 결과의 목표치로 설정하기 위한 참조 신호가 필요한데 잡파 발생 영역의 전후 영역에서 같은 길이의 신호 데이터를 참조하여 이 목표치를 설정하였다. 결과적으로 필터링 된 왜곡영역 신호는 좌·우측 정상 신호 영역의 데이터와 유사한 특성을 가지도록 처리된다.
본문요약 정보가 도움이 되었나요?

질의응답

핵심어 질문 논문에서 추출한 답변
잡파 제거를 위해 독립성분분석 방법을 사용하는 경우 어떤 문제점이 발생하는가? 독립성분 분석은뇌파 신호의 비 가우시안 특성을 증폭시켜 뇌파 각채널 간의 데이터 상관관계를 최소화함으로써 신호들을 분리해 뇌파 신호들을 여러 개의 독립성분(Independent Component, IC)들로 분해하는 방법이다[9]. 잡파 제거를 위해 독립성분분석 방법을 사용하는 경우 뇌파의 독립성분에서 잡파에 해당하는 독립성분을 제거한 후 역변환하여 깨끗한 뇌파를 얻게 되는데 뇌파와 잡파 성분이 독립성분분해과정에서 완벽하게 분리되지 않기 때문에 제거되는 독립성분에 뇌파 정보가 포함되어있어 원본 신호 정보를 훼손한다는 단점이 존재한다. 이러한 단점을 보완하기 위해 독립성분을 제거하지 않고 독립성분에 잡파 성분을 제거하는 처리를 하여 복원함으로써 원본 신호 훼손을 줄이는 방법에 관한 연구가 진행되어왔다[10]-[11].
뇌파의 잡파 성분을 제거하는 방법중 독립성분 분석은 무엇인가? 뇌파 외의 신호를 추가로 요구하지 않는 잡파 제거방법으로 독립성분 분석이 있다. 독립성분 분석은뇌파 신호의 비 가우시안 특성을 증폭시켜 뇌파 각채널 간의 데이터 상관관계를 최소화함으로써 신호들을 분리해 뇌파 신호들을 여러 개의 독립성분(Independent Component, IC)들로 분해하는 방법이다[9]. 잡파 제거를 위해 독립성분분석 방법을 사용하는 경우 뇌파의 독립성분에서 잡파에 해당하는 독립성분을 제거한 후 역변환하여 깨끗한 뇌파를 얻게 되는데 뇌파와 잡파 성분이 독립성분분해과정에서 완벽하게 분리되지 않기 때문에 제거되는 독립성분에 뇌파 정보가 포함되어있어 원본 신호 정보를 훼손한다는 단점이 존재한다.
독립성분분석 방법의 단점을 보완하기 위해 어떤 연구가 진행되어 왔는가? 잡파 제거를 위해 독립성분분석 방법을 사용하는 경우 뇌파의 독립성분에서 잡파에 해당하는 독립성분을 제거한 후 역변환하여 깨끗한 뇌파를 얻게 되는데 뇌파와 잡파 성분이 독립성분분해과정에서 완벽하게 분리되지 않기 때문에 제거되는 독립성분에 뇌파 정보가 포함되어있어 원본 신호 정보를 훼손한다는 단점이 존재한다. 이러한 단점을 보완하기 위해 독립성분을 제거하지 않고 독립성분에 잡파 성분을 제거하는 처리를 하여 복원함으로써 원본 신호 훼손을 줄이는 방법에 관한 연구가 진행되어왔다[10]-[11].
질의응답 정보가 도움이 되었나요?

참고문헌 (12)

  1. A. Jalilifard, E. B. Pizzolato and M. K. Islam, "Emotion classification using single-channel scalp-EEG recording," in Proc. of the 2016 38th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), pp.845-849, 2016. DOI:10.1109/EMBC.2016.7590833 

    crossref

  2. W. Zheng, "Multichannel EEG-Based Emotion Recognition via Group Sparse Canonical Correlation Analysis," IEEE Trans. Cogn. Develop. Syst, Vol.9, No.3, pp.281-290, 2017. DOI:10.1109/TCDS.2016.2587290 

    상세보기 crossref

  3. M. Li and B.L. Lu, "Emotion classification based on gamma-band EEG," in Proc. of the 2009 Annual International Conference of the IEEE Engineering in Medicine and Biology Society, pp.1223-1226, 2009. DOI:10.1109/IEMBS.2009.5334139 

    상세보기 crossref

  4. B. Abibullaev, "Learning suite of kernel feature spaces enhances SMR-based EEG-BCI classification," in Proc. of the 2017 5th International Winter Conference on Brain-Computer Interface (BCI), pp.55-59, 2017. DOI:10.1109/IWW-BCI.2017.7858158 

    crossref

  5. M. Z. Ilyas, P. Saad, M.I. Ahmad and A. R. I. Ghani, "Classification of EEG signals for brain-computer interface applications: Performance comparison," in Proc. of the 2016 International Conference on Robotics, Automation and Sciences (ICORAS), pp.1-4, 2016. DOI:10.1109/ICORAS.2016.7872610 

    crossref

  6. P. Tan, W.S. and L. Yu, "Applying Extreme Learning Machine to classification of EEG BCI," in Proc. of the 2016 IEEE International Conference on Cyber Technology in Automation, Control, and Intelligent Systems (CYBER), pp.228-232, 2016. DOI:10.1109/CYBER.2016.7574827 

    crossref

  7. M. Z. Ahmad, M. Saeed, S. Saleem and A. M. Kamboh, "Seizure detection using EEG: A survey of different techniques," in Proc. of the 2016 International Conference on Emerging Technologies (ICET), pp.1-6, 2016. DOI:0.1109/ICET.2016.7813209 

    crossref

  8. Y. Yuan, G. Xun, F. Ma, Q. Suo, H. Xue, K. Jia et al., "A novel channel-aware attention framework for multi-channel EEG seizure detection via multi-view deep learning," in Proc. of the 2018 IEEE EMBS International Conference on Biomedical & Health Informatics (BHI), pp.206-209, 2018. DOI:10.1109/BHI.2018.8333405 

    crossref

  9. E. Kim and D. Shin, "Nonlinear and Independent Component Analysis of EEG with Artifacts," J. Fuzzy Log. Intell. Syst., Vol.12, No.5, pp.442-450, 2002. 

  10. N. P. Castellanos and V. A. Makarov, "Recovering EEG brain signals: Artifact suppression with wavelet enhanced independent component analysis," J. Neurosci. Methods, Vol.158, No.2, pp.300-312, 2006. DOI:10.5391/JKIIS.2002.12.5.442 

    상세보기

  11. M. A. Klados, C. Papadelis, C. Braun, and P. D. Bamidis, "REG-ICA: A hybrid methodology combining Blind Source Separation and regression techniques for the rejection of ocular artifacts," Biomed. Signal Process. Control, Vol.6, No.3, pp.291-300, 2011. DOI:10.1016/j.bspc.2011.02.001 

    상세보기 crossref

  12. J. W. Matiko, S. Beeby, and J. Tudor, "Real time eye blink noise removal from EEG signals using morphological component analysis," in Proc. of the 2013 35th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), pp.13-16, 2013. DOI:10.1109/EMBC.2013.6609425 

    crossref

저자의 다른 논문 :

관련 콘텐츠

오픈액세스(OA) 유형

GOLD

오픈액세스 학술지에 출판된 논문

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