[논문]비지도학습 머신러닝에 기반한 베타파 상관관계 분석모델

최성자

doi:10.14400/jdc.2019.17.3.221

비지도학습 머신러닝에 기반한 베타파 상관관계 분석모델
Beta-wave Correlation Analysis Model based on Unsupervised Machine Learning 원문보기

디지털융복합연구 = Journal of digital convergence, v.17 no.3, 2019년, pp.221 - 226

최성자 (가천대학교 소프트웨어 중심대학)

초록
AI-Helper

뇌파 파형중 베타파를 이용한 인간의 인지상태를 판별한다. 베타파는 인간의 인지상태중 스트레스 영역에 해당하는 특성이 있고, 이 영역에서 스트레스의 오버대역폭을 추출하기 위해서 저대역폭과 고대역폭 사이의 베타파간 상관관계를 분석해야 한다. 그러므로 본 논문에서는 효과적으로 베타파 상관관계를 분석하고 추출하기 위해 비지도학습 머신러닝을 이용한 Kmean 클러스터링 분석모델을 제시한다. 제시된 모델은 베타파 영역을 유사한 영역의 클러스터 군으로 분류하고 해당 클러스터링 범주에서 이상파형을 판별한다. 이상파형 판별을 위해 클러스터군의 밀집도와 정상범주 이탈영역을 기준으로 스트레스 위험군을 판별하고 판별된 스트레스 위험군에 대한 대처방안을 제공할 수 있다. 제시된 모델을 활용하면 뇌파파형을 통한 인지상태의 스트레스 지수분별이 가능하고, 개인의 인지상태에 대한 관리 및 응용이 가능하다. 또한 스트레스와 오피스증후군을 갖는 사람들에게 뇌파관리를 통해 개인의 삶에 대한 질적 향상에 도움을 준다.

Abstract ▼ AI-Helper

The characteristic of the beta wave among the EEG waves corresponds to the stress area of human perception. The over-bandwidth of the stress is extracted by analyzing the beta-wave correlation between the low-bandwidth and high-bandwidth. We present a KMeans clustering analysis model for unsupervised machine learning to construct an analytical model for analyzing and extracting the beta-wave correlation. The proposed model classifies the beta wave region into clusters of similar regions and identifies anomalous waveforms in the corresponding clustering category. The abnormal group of waveform clusters and the normal category leaving region are discriminated from the stress risk group. Using this model, it is possible to discriminate the degree of stress of the cognitive state through the EEG waveform, and it is possible to manage and apply the cognitive state of the individual.

주제어

표/그림 (9)

표 Table 1. Frequency bands of brainwave
그림 Fig. 1. Processing for KMeans clustering
그림 Fig. 2. KMean model for beta-wave corelation
그림 Fig. 3. Brainwave analyzer on spark
표 Table 2. Algorithm for beta wave analyze model
표 Table 3. Using tools for the platform of construction
그림 Fig. 4. Analyzer of beta-wave acquisitions dataset
그림 Fig. 5. KMeans model applied for beta-wave dataset
그림 Fig. 6. Verification about KMeans model of optimized k-value in beta-wave dataset

AI 본문요약
AI-Helper

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

문제 정의

뇌파를 활용한 인지 상태 분별 시 기존의 연구에서는 스트레스 지수판별을 위해 사용되는 방법이 복잡하고 뇌파 기기 외 다른 외부기가 요구되는 문제점이 존재한다. 그래서 본 논문에서는 복잡한 과정의 스트레스 지수 판별을 개선하고, 외부 기기 없이 인지▪감정 상태를 분류할 수 있는 베타파 상관관계 분석모델을 제안했다. 제안한 모델은 피쳐 분류에서 스트레스 특성을 추출하고, 스트레스에 민감한 베타파를 기준으로 스트레스 지수를 추출하였다.
다양한 플랫폼의 뇌파 분석 서버 시스템이 개발되었으 며[10-12], 정보통신 융합으로 4차 산업혁명으로 패러다 임이 변화되면서 뇌파 분석 서버시스템 플랫폼의 확장이 요구된다. 따라서 본 논문에서는 4차산업 혁명의 패러다 임에 맞는 뇌파 분석 모델을 제안한다. 이 모델은 빅데이터 기반의 분산처리가 가능하고 데이터 셋 간의 상관관 계를 통해 데이터 분석을 한다.

제안 방법

한편, 인지 및 감정 중 스트레스 인지 상태에 대한 판별을 위해 다양한 연구가 진행되고 있다. Mediatation의 뇌파 파형의 값을 기반으로 스트레스와 침착한 상태로 구분하고[4], 알파파와 베타파를 활용하여 에너지 스펙트럼((ESD: Energy Spectral Density)과 스펙트럼 중심(SC: Spectral Centroids)을 계산하고 k-Nearest Neighbor (k-NN) 알고리즘을 사용하여 정량화 및 스트레스 지수를 분류한다[5]. 뇌파 신호, 청력 변동 및 손 움직임을 분석하여 스트레스 수준을 나타내며 오피스 증후군을 지능형 시계로 감지한다[6].
구축된 클러스터링 모델을 검증하기 위해 최소치 수렴한 K값을 찾아 검증한다. Fig.
기존의 연구에서는 스트레스 지수판별을 위해 사용되는 방법이 복잡하고 뇌파 기기외 다른 외부기가 요구되는 단점이 있다. 그래서, 본 논문에서는 스트레스에 민감한 저수준 및 고수준 대역폭의 베타파 상관관계를 활용하여 스트레스 지수를 추출하고, 베타파 상관관계의 분석을 위해 KMeans 비학습지도 머신러닝 모델을 제안한다. 제안 모델을 통하여, 개인의 인지 상태에 대한 효과적인 관리 및 응용이 가능하고, 스트레스와 오피스증후군을 갖는 사람들에게는 뇌파 관리를 통해 개인의 삶에 대한 질을 향상 시킬 수 있다.
뇌파의 데이터 셋을 추출하기 위해 20대 후반의 남자 대학생이 주기적으로 선호하는 게임(가위바위보등)을 수행한다. 게임 수행 중 획득한 10개 채널의 데이터 셋을 데이터베이스에 실시간 저장한다.
해당 데이터는 데이터베이스에 저장된다. 데이터베이스에 저장된 뇌파 데이터 셋을 (2)베타파 획득모듈(Beta-wave Aquisition)을 통해 sparkSQL 쿼리를 실행하여 저수준 대역의 베타파와 고수준 베타파를 획득한다. 해당 데이터 셋은 데이터프레임유형으로 되어 있기 때문에 벡터 객체화 과정을 (3)KMeans 모델 구성 모듈에서 수행한다.
Feature를 지정하고 클러스터링을 위한 데이터 셋으로 변환시킨다. 또한 클러스터링 군집 개수 변수 k 를 지정한 후 KMeans 모델을 최적화 한다. 구축된 모델을 (4)Cmputing 모듈에서 각 클러스터링 군집에 대해 클러스트화 하고 최단 거리의 평균값을 각 클러스터링 군집마다 추출한다.
따라서 본 논문에서는 4차산업 혁명의 패러다 임에 맞는 뇌파 분석 모델을 제안한다. 이 모델은 빅데이터 기반의 분산처리가 가능하고 데이터 셋 간의 상관관 계를 통해 데이터 분석을 한다. Fig.
제안된 모델에 사용된 뇌파의 특징과 구분에 대하여 살펴보고, 스트레스 지수 추출을 위한 비지도학습 머신러닝인 KMeans 알고리즘의 이론적 배경에 대하여 기술한다.
그래서 본 논문에서는 복잡한 과정의 스트레스 지수 판별을 개선하고, 외부 기기 없이 인지▪감정 상태를 분류할 수 있는 베타파 상관관계 분석모델을 제안했다. 제안한 모델은 피쳐 분류에서 스트레스 특성을 추출하고, 스트레스에 민감한 베타파를 기준으로 스트레스 지수를 추출하였다. 그리고 고수준 대역폭 베타파 값의 범주를 분할하여 이상 현상 발생 대역폭에 대한 밀집도를 산출하여 값의 범주를 벗어나고 밀집도가 고수준인 경우 스트레스 이상 현상이 발생할 확률이 높은 것으로 추정하였다.

데이터처리

Table 2에서와 같이 상세 모델 구현 알고리즘은 다음과 같다. 입력값으로 클러스터 개수를 지정하고, 데이터 프레임을 입력으로 처리하고 출력은 평균값을 획득한다. 수식(1)에서 제시된 연산을 통해 수행한다.

이론/모형

6에서와 같이 X축의 값이 5에서 수렴하는 것을 확인할 수 있다. Elbow 방법을 통해 검증하며, 수식(2)에서 제시된 연산을 통해 수행한다. 클러스터의 수를 순차적으로 늘려가면서 결과를 모니터링 한다.
실험을 위해 분산처리 프레임워크 기반의 플랫폼을 먼저 구축하고 데이터가공을 위해 전처리과정에서 데이 터셋을 획득한다. KMeans 모델을 적용하여 클러스터링후 데이터분석을 통해 이상 대역폭을 추출한다[13].
KMeans는 일반적으로 사용되고 있는 가장 좋은 클러스터링 기법 중 하나로써 지역 최소치에 수렴한다. KMeans 알고리즘을 활용한 데이터 클러스터링과 신경망을 이용함으로써 뇌파기반의 불편감 추정기법을 제시하고[7], 인지 활동 테스트와 수학적 활동에 대한 테스트를 기반으로한 클러스터링에 KMeans를 활용한다[8]. 기존의 연구에서는 스트레스 지수판별을 위해 사용되는 방법이 복잡하고 뇌파 기기외 다른 외부기가 요구되는 단점이 있다.
두 개의 수치 변수 X와 Y 사이의 선형 관계의 강도와 방향을 측정하며, 데이터 샘플에 대한 상관 계수는 r로 표시한다. 상관관계 분석을 위해 유클리드 유사도 상관관계를 적용한다.
인지 및 감정 인식을 위해 뇌파 신호로부터 얻을 수 있는 다양한 특징의 적합성을 조사하고 알파파(α-wave)와 베타파(β-wave)를 활용하여 EEG 파워 스펙트럼을 비모수적 방법을 사용하여 인간 감정의 지표로써 뇌파(Brainwave) 를 사용한다[2].

성능/효과

그래서, 본 논문에서는 스트레스에 민감한 저수준 및 고수준 대역폭의 베타파 상관관계를 활용하여 스트레스 지수를 추출하고, 베타파 상관관계의 분석을 위해 KMeans 비학습지도 머신러닝 모델을 제안한다. 제안 모델을 통하여, 개인의 인지 상태에 대한 효과적인 관리 및 응용이 가능하고, 스트레스와 오피스증후군을 갖는 사람들에게는 뇌파 관리를 통해 개인의 삶에 대한 질을 향상 시킬 수 있다.

후속연구

제시된 모델을 기반으로 비지도 학습 머신러닝과 딥러닝 융합 기반의 뇌파 분석 모델을 구현하는 연구와 이를 통해 다른 다양한 인지·감정 특성 추출을 통해 전체 뇌파 파형의 상관관계를 실시간으로 분석하는 연구가 진행되어야 한다.
(5)스트레스 위험군 판별모듈에서 결과값은 스트레스 지수의 판별을 위해 상관관계와 함께 지표로 쓰인다. 해당 모델은 인지 및 임상 신경 과학에서 뇌파 피쳐 특성을 연구하기 위한 객관적▪경험 적인 중요한 도구가 될 것이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	KMeans알고리즘이란 무엇인가?	KMeans는 가장 대표적인 비지도학습 머신러닝 알고리 즘으로써, k개의 클러스터로 묶어서 각 클러스터의 중심 (centroid)와 클러스터 내 오브젝트와 거리의 차이에 대한 분산을 최소화한다[9].
	BCI 시스템의 장점은 무엇인가?	뇌파를 활용하는 대표적인 분야로는 BCI(Brain Commputer Interface)시스템이 있다. 이시스템은 장애인을 보조하기 위한 디바이스가 제공되며, 수면장애나 신경질환등 정신상태 감지가 가능하고, 동작과 뇌파 상호간의 연관관계를 실시간으로 추적이 가능하다. 또한 인간과 컴퓨터간의 인터페이스 활용을 위해 뇌파가 활발히 활용되고 있다[1].
	얕은 수면상태에서 검출되는 뇌파 신호는 무엇인가?	델타파(δ-wave)는 0.1Hz에서 3Hz의 대역폭을 가지며 깊은 수면상태에서 검출되고, 쎄타파(θ-wave)는 4Hz에서 7Hz의 대역폭을 가지며 얕은 수면상태에서 검출된다. 알파파(α-wave, SMR)는 8Hz에서 15Hz사이에서 추출되며 릴렉스와 주의상태의 특성을 가지고 있다.

참고문헌 (17)

E. A. Larsen. (2011). Classification of EEG signals in a brain-computer interface system, Master's thesis, Institutt for datateknikk og informasjonsvitenskap.
Y. P. Ma et al. (2014, August). Emotional identification during mobile RF Radiation. In Control and System Graduate Research Colloquium (ICSGRC), 2014 IEEE 5th (pp. 285-289). IEEE.
R. S. S. A. Kadir et al. (2009, March). Analysis of correlation between body mass index (BMI) and brain wave using EEG for Alpha and Beta frequency band. In Signal Processing & Its Applications, 278-283.
K. Crowley, A. Sliney, I. Pitt & D. Murphy. (2010, July). Evaluating a brain-computer interface to categorise human emotional response. In Advanced Learning Technologies (ICALT), 2010 IEEE 10th International Conference on (pp. 276-278).
N. Sulaiman et al. (2012, February). Development of EEG-based stress index. In Biomedical Engineering (ICoBE), 2012 International Conference on (pp. 461-466). IEEE.
P. Reanaree, P. Tananchana, W. Narongwongwathana & C. Pintavirooj. (2016, December). Stress and office-syndrome detection using EEG, HRV and hand movement. In Biomedical Engineering International Conference (BMEiCON), (pp. 1-4). IEEE.
T. Teramae, D. Kushida, F. Takemori & A. Kitamura. (2010, August). Estimation of Feeling Based on EEG by Using NN and k-means Algorithm for Massage System. In SICE Annual Conference 2010, Proceedings of (pp. 1542-1547). IEEE.
A. Azhari & L. Hernandez. (2016). Brainwaves feature classification by applying K-Means clustering using single-sensor EEG. International Journal of Advances in Intelligent Informatics, 2(3), 167-173.
J. Han, J. Pei & M. Kamber. (2011). Data mining: concepts and techniques. Elsevier.
S. J. Choi & B. G. Kang. (2014). Prototype design and implementation of an automatic control system based on a BCI. Wireless personal communications, 79(4), 2551-2563.

상세보기
S. J. Choi, B. G. Kang & G. J. Kim. (2018). The Brainwave Analyzer of Server System Applied Security Functions. Journal of Digital Convergence, 16(12), 343-349.
L. Li & D. Yao. (2007). A new method of spatio-temporal topographic mapping by correlation coefficient of k-means cluster. Brain topography, 19(4), 161-176.

상세보기
J. H. Yang, Y. S. Park & S. H. Lee. (2017). Text extraction in images using simplify color and edges pattern analysis. Journal of the Korea Convergence Society, 8(8), 33-40.
I. K. Lim, D. J. Park & H. J. Cho. (2018). Development of Procurement Announcement Analysis Support System. Journal of the Korea Convergence Society, 9(8), 53-60.
M. A. Alsheikh, D. Niyato, S. Lin, H. P. Tan & Z. Han. (2016). Mobile big data analytics using deep learning and apache spark. IEEE network, 30(3), 22-29.

상세보기
D. Aloise, A. Deshpande, P. Hansen & P. Popat. (2009). NP-hardness of Euclidean sum-of-squares clustering. Machine learning, 75(2), 245-248.

상세보기
S. Dasgupta & Y. Freund. (2009). Random projection trees for vector quantization. IEEE Transactions on Information Theory, 55(7), 3229-3242.

상세보기

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증