$\require{mediawiki-texvc}$

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.

SVM(Support Vector Machine) 알고리즘 기반의 EEG(Electroencephalogram) 신호 분류
EEG Signal Classification based on SVM Algorithm 원문보기

한국융합학회논문지 = Journal of the Korea Convergence Society, v.11 no.2, 2020년, pp.17 - 22  

이상원 (대구대학교 과학교육학과) ,  조한진 (극동대학교 에너지IT공학과) ,  채철주 (한국농수산대학 교양공통과)

초록
AI-Helper 아이콘AI-Helper

본 논문에서는 사용자의 EEG(Electroencephalogram)신호를 측정하여 SVM(Support Vector Machine) 알고리즘을 이용하여 EEG 신호룰 분류하고 신호의 정확도를 측정하였다. 사용자의 EEG 신호를 측정하기 위해 남·여를 구분하여 실험을 진행하였으며, EEG 신호 측정은 단채널 EEG 디바이스를 이용하였다. EEG 디바이스를 이용하여 사용자의 EEG 신호를 측정한 결과는 R을 이용하여 분석하였다. 또한 SVM의 분류 성능이 최고가 되는 특정 벡터의 조합을 적용시켜 EEG 측정 실험 데이터를 80:20(훈련 데이터: 테스트 데이터) 비율로 예측해 본 결과 인식률 93.2% 의 예측 정확도를 보였다. 본 논문에서는 사용자의 EEG 신호를 약 93.2% 정도로 인식할 수 있었으며, SVM 알고리즘의 간단한 선형 분류만으로 수행이 가능하다는 점은 EEG 신호를 이용하여 생체인증에 다양하게 활용될 수 있음을 제시하였다.

Abstract ▼ AI-Helper 아이콘AI-Helper

In this paper, we measured the user's EEG signal and classified the EEG signal using the Support Vector Machine algorithm and measured the accuracy of the signal. An experiment was conducted to measure the user's EEG signals by separating men and women, and a single channel EEG device was used for E...

주제어

#비지도 학습   #데이터 분류   #인증  

표/그림 (11)

AI 본문요약
AI-Helper 아이콘 AI-Helper

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

문제 정의

  • 본 논문에서는 EEG 센스에서 취득한 신호를 기반으로 SVM 알고리즘을 적용하여 실제 대상을 분류하고 이에 대한 정확도를 검증하기 하였다. 본 논문의 구성은 다음과 같다.
  • 본 연구에서는 최소한의 알고리즘을 활용한 편의성을 갖추어 실용성을 확보하기 위해 EEG 센서에서 측정되는 대부분의 요소를 기반으로 EEG 신호의 학습에 따른 모형을 설정하고 이를 검증한다. 선형 초평면의 경우 보통 범주 값을 유사한 데이터들로 분류하기 위해 초평면이라는 경계를 사용하는데 이는 n-1차원의 subspace를 의미하는 것이며, Fig.
  • 이들의 EEG 신호를 분류하여 이들이 가진 특징을 살펴보고자 한다. EEG 신호를 수집하기 위해 Neurosky社 의 MindWave Headset을 사용하였으며, Android 기반의 Bluetooth를 이용한 무선 데이터 전송 시스템을 이용하여 CSV 파일 형태의 데이터 작성이 가능하다.
본문요약 정보가 도움이 되었나요?

질의응답

핵심어 질문 논문에서 추출한 답변
EEG 신호란 무엇인가? EEG 신호는 뇌의 신경 사이에서 신호가 전달될 때 발생하는 미세 전기신호로써 복잡한 파형의 형태를 편의상 주파수 대역별로 Delta, Theta, Alpha, Beta, Gammma 로 분류할 수 있다. 이러한 신호는 각 대역별 특성을 가지고 있으며, 사용자별로 다른 특성을 보이기 때문에 이 신호를 이용한 사용자의 인증 방법으로 사용이 가능하다 [9].
SVM 알고리즘의 가장 간단한 선형 (Linear) 분류만으로 수행이 가능하다는 측면으로 어떤 것들을 제시하는가? 2% 정도의 정확성으로 예측가능하다는 점을 보여주고 있다. 특히 SVM 알고리즘의 가장 간단한 선형 (Linear) 분류만으로 수행이 가능하다는 측면은 응용적인 관점에서 개발자의 용이함과 사용자의 편리함에 대한 정보기술적인 특히나 공학적인 측면의 어플리케이션의 활용을 제시해 주고 있다. 논문에서의 실험 결과 정신적인 활동이나 사회생활의 경력이 상당히 반영되는 요소로 파악되며, 이는 추가적인 연구의 대상으로 연령대별, 직업의 형태나 경력별, 혹은 정신적인 치료나 활동 영역별 등의 다양한 요소에 따른 향후 연구가 필요하다고 생각된다.
사용자에 따라 다른 특성을 보이는 EEG 신호를 통해 어떤 방법으로 사용이 가능한가? EEG 신호는 뇌의 신경 사이에서 신호가 전달될 때 발생하는 미세 전기신호로써 복잡한 파형의 형태를 편의상 주파수 대역별로 Delta, Theta, Alpha, Beta, Gammma 로 분류할 수 있다. 이러한 신호는 각 대역별 특성을 가지고 있으며, 사용자별로 다른 특성을 보이기 때문에 이 신호를 이용한 사용자의 인증 방법으로 사용이 가능하다 [9]. 일반적인 EEG 신호 측정을 위해 두피와 귀 부분이 접지된 상태에서 Fig.
질의응답 정보가 도움이 되었나요?

참고문헌 (15)

  1. H. Jeon & S. H. Lee. (2016). Electroencephalography of learning and memory, Korean J Biol Psychiatry, 23(3), 102. 

  2. O. Jensen, J. Kaiser & J. P. Lachaux. (2007). Human gamma-frequency oscillations associated with attention and memory. Trends in neurosciences, 30(7), 317-324. DOI : 10.1016/j.tins.2007.05.001 

    상세보기 crossref

  3. R. Llinas, F. J. Urbano, E. Leznik, R. R. Ramirez & H. J. van Marle. (2005). Rhythmic and dysrhythmic thalamocortical dynamics: GABA systems and the edge effect. Trends in neurosciences, 28(6), 325-333. DOI : 10.1016/j.tins.2005.04.006 

    상세보기 crossref

  4. U. Ribary. (2005). Dynamics of thalamo-cortical network oscillations and human perception. Progress in brain research, 150, 127-142. DOI : 10.1016/S0079-6123(05)50010-4 

    상세보기

  5. A. Schnitzler & J. Gross. (2005). Normal and pathological oscillatory communication in the brain. Nature reviews neuroscience, 6(4), 285-296. DOI : 10.1038/nrn1650 

    상세보기 crossref

  6. P. J. Uhlhaas & W. Singer. (2006). Neural synchrony in brain disorders: relevance for cognitive dysfunctions and pathophysiology. Neuron, 52(1), 155-168. DOI : 10.1016/j.neuron.2006.09.020 

    상세보기 crossref

  7. X. J. Wang. (2010). Neurophysiological and computational principles of cortical rhythms in cognition. Physiological reviews, 90(3), 1195-1268. DOI : 10.1152/physrev.00035.2008 

    상세보기 crossref

  8. K. Lee, C. H. Lee, J. Bae & J. Lee. (2015). EEG Signal Classification Algorithm based on DWT and SVM for Driving Robot Control. Journal of the Institute of Electronics and Information Engineers, 52(8), 117-125. DOI : 10.5573/IEIE.2015.52.8.117 

    원문보기 상세보기 crossref

  9. Y. K. Kim, C. J. Chae & H. J. Cho. (2018). User Authentication Method using EEG Signal in FIDO System. Journal of the Korea Convergence Society, 9(1), 465-471. DOI : 10.15207/JKCS.2018.9.1.465 

    원문보기 상세보기 crossref

  10. H. G. Ko, J. M. Cho & D. Choi. (2017). An Incremental Elimination Method of EEG Samples Collected by Single-Channel EEG Measurement Device for Practical Brainwave-Based User Authentication. Journal of the Korea Institute of Information Security and Cryptology, 27(2), 383-395. DOI : 10.13089/JKIISC.2017.27.2.383 

    원문보기 상세보기 crossref

  11. W. Khalifa, A. Salem, M. Roushdy & K. Revett. (2012, May). A survey of EEG based user authentication schemes. In 2012 8th International Conference on Informatics and Systems (INFOS) (pp. BIO-55). IEEE. 

  12. D. Starling. (2003). Temporal Analysis of EEG patterns in a biofeedback based Brain Computer Interface (pp. 1-36). Tech Report No. CYB/2003/UG/DJS/1. 

  13. G. Costantini et al. (2009, July). SVM classification of eeg signals for brain computer interface. In Proceedings of the 2009 conference on Neural Nets WIRN09: Proceedings of the 19th Italian Workshop on Neural Nets, Vietri sul Mare, Salerno, Italy, May 28-30 2009 (pp. 229-233). IOS Press. 

  14. C. H. Lee, J. W. Kwon, G. D. Kim, J. E. Hong, D. S. Shin & D. H. Lee. (2009). A study on EEG based concentration transmission and brain computer interface application. Journal of the Institute of Electronics Engineers of Korea SC, 46(2), 41-46. 

  15. J. Chuang, H. Nguyen, C. Wang & B. Johnson. (2013, April). I think, therefore i am: Usability and security of authentication using brainwaves. In International Conference on Financial Cryptography and Data Security (pp. 1-16). Springer, Berlin, Heidelberg. 

저자의 다른 논문 :

관련 콘텐츠

오픈액세스(OA) 유형

BRONZE

출판사/학술단체 등이 한시적으로 특별한 프로모션 또는 일정기간 경과 후 접근을 허용하여, 출판사/학술단체 등의 사이트에서 이용 가능한 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