최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기전기전자학회논문지 = Journal of IKEEE, v.24 no.2, 2020년, pp.654 - 660
강병준 (School of Electrical, Electronics and Communication Engineering, KOREATECH) , 전부일 (School of Electrical, Electronics and Communication Engineering, KOREATECH) , 조현찬 (School of Electrical, Electronics and Communication Engineering, KOREATECH)
Through the output of brain waves during muscle operation, this paper checks whether it is possible to find characteristic vectors of brain waves that are capable of dividing left and right movements by extracting brain waves in specific areas of muscle signal output that include the motion of the l...
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
핵심어 | 질문 | 논문에서 추출한 답변 |
---|---|---|
뇌와 근육간의 프로토콜을 분석하기 위해 EEG 신호에 CSP 필터를 적용할 경우 어떤 결과를 얻을 수 있는가? | CPS 알고리즘의 기존 연구는 순수한 뇌파 속에서 정형화될 수 있는 DATA의 구분영역을 찾을 수 있는 기존의 뇌파연 구에서 사용되는 방법으로 알려졌으나, 본 논문에서는 뇌파에 포함되어 있는 근육 활동 신호를 구분하는 목적으로 CPS 방법을 사용하게 되었고, 근육 활동 신호를 동시에 추출하여 뇌파 신호의 이상적인 결과(EMG신호)를 기반으로 연구된 점이 기존 연구와의 차이점이라고 볼 수 있다. 시험 결과 CSP 필터를 적용했을 때 정확도가 상승하는 결과를 보였다. 더욱이 CSP 필터를 뇌파의 좌우 팔 움직임에 적용했을 때, EEG의 출력 주파수의 평균값 차이는 차이 값을 적용하지 않았을 때보다 약 10% 이상 더 높게 나오는 것으로 보인다. 이것은 두 종류의 뇌파의 스펙트럼 분포의 차이가 특정 뇌 부위에서 두 팔에 의한 움직임의 식별에 영향을 미쳤다고 해석할 수 있다. | |
뇌파의 신호전달을 패턴 분류 알고리즘을 정의하여 파악할 때 생길 수 있는 문제점은 무엇인가? | 또한 근육의 전도성을 측정하는 EMG의 경우, 근육의 분포나 부착 위치, 근육의 활성도 및 피로 도의 정도에 따라 그 출력이 다르게 나타나고 사람에 따라 다른 특성을 보일 수 있을뿐더러 출력이 근육의 수축과 이완정도에 따라 크기의 차이를 보이기 때문에 단편적인 시간 출력을 통해서는 현재 어떤 동작을 위한 명령이 전달되었는지를 파악하기 어렵다[6]. 일반적인 경우 뇌파의 신호전달은 특정 포인트 내에서 존재하는 활성도의 양을 정량적 으로 측정하여 분포의 형태나 적절한 패턴 분류 알고리즘을 정의하여 동작이나 변화 형태를 파악하기 위한 연구가 진행되고 있으나 표면의 신호를 간접 측정하여 연수를 통해 전달되는 신호를 측정하는 결과이기 때문에 동작이나 피험자의 상태변화 나 환경적인 변수의 차이에 의해서 시간에 따라 변화가 심하고 정적인 특징을 찾아내기 어려운 특징을 보인다. 따라서 본 연구에서는 이러한 뇌파의 특징에 기인하여 동작을 정의한 후, 그 동작이 의식 또는 무의식적으로 진행하였을 경우의 뇌파의 출력형태를 다양하게 분석하여 향후 뇌로부터의 정보를 표면신호로 받아 정의할 수 있는 특징이 있는지 확인하는 데 그 목적이 있다. | |
CSP 필터링 방법은 무엇인가? | 이렇게 얻어진 원신호는 Raw EMG로 나타나며, 근전도는 분석 시스템에서 자극을 받고 뇌가 반응하는 출력의 변화를 예측하는 근거 신호로 활용한다. CSP (Common Spatial Pattern)[2] 필터링 방법은 뇌파와 같은 불확실한 출력 파형의 경계를 구분하여 클래스를 나누는 방법 중의 하나이다. 두 클래스의 공분산 결과를 각각 최대화 및 최소화하여 존재하는 데이터 내에서 동작의 구분을 위한 신호의 특수성 및 특징을 분류하는 데 활용한다. |
SUK, Ji-A., et al. "Neural Correlates and Electrodermal Activity Produced by Humor and Joy," In: Proceedings of the Korean Institute of Intelligent Systems Conference. Korean Institute of Intelligent Systems, pp.373-376, 2005.
ROBINSON, Neethu, et al. "EEG-based classification of fast and slow hand movements using wavelet-CSP algorithm," IEEE Transactions on Biomedical Engineering, Vol.60, No.8, pp.2123-2132, 2013. DOI: 10.1109/TBME.2013.2248153
LI, Shufang, et al. "Feature extraction and recognition of ictal EEG using EMD and SVM," Computers in biology and medicine, Vol.43, No.7, pp.807-816, 2013. DOI: 10.1016/j.compbiomed.2013.04.002
KUO, Bor-Chen, et al. "A kernel-based feature selection method for SVM with RBF kernel for hyperspectral image classification," IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, Vol.7, No.1, pp.317-326, 2013. DOI: 10.1109/JSTARS.2013.2262926
TRIBA, Mohamed N., et al. "PLS/OPLS models in metabolomics: the impact of permutation of dataset rows on the K-fold cross-validation quality parameters," Molecular BioSystems, Vol.11, NO.1 pp.13-19, 2015. DOI: 10.1039/C4MB00414K
JEON, Bu Il, et al. "Motion Recognition and an Accuracy Comparison of Left and Right Arms by EEG Signal Analysis," Applied Sciences, Vol.9, No.22, p.4885, 2019. DOI: 10.3390/app9224885
※ AI-Helper는 부적절한 답변을 할 수 있습니다.