[논문]좌우 양팔의 근육 활성도 변화에 따른 EEG 출력 구분을 위한 CSP 필터의 적용

강병준; 전부일; 조현찬

doi:10.7471/ikeee.2020.24.2.654

초록
AI-Helper

본 논문은 근육 동작시의 뇌파의 출력을 통해 불확실성이 상당히 존재하는 EEG 신호 안에서 좌우완 근육의 동작이나 사용자의 의지가 포함된 근육 신호 출력 시의 특정 부위 뇌파를 추출하여 좌우 동작 구분이 가능한 뇌파의 특징 벡터를 찾아낼 수 있는지를 확인한다. 일반적인 표면 근전도와 비침습적인 방식의 뇌파 추출 방법으로는 내부 신경 전달에 의한 이온화 정도와 전기 전도도의 크기를 통해서 그 동작 신호인지 구분할 수 있는 방법이 존재하지 않는다. 일반 로봇 제어 시스템이나 전기 신호를 통한 관절 및 모터 제어의 경우는 특정 신호의 전달 및 피드백 제어를 통해 관절 및 로봇 제어기를 제어할 수 있는 신호를 확인할 수 있지만, 인간의 인체는 정확한 뇌와 근육간의 프로토콜을 찾을 근거가 부족하다. 따라서 본 논문에서는 피험자의 동작이 이루어질 경우의 뇌파 분석을 통해 좌완의 신호와 우완의 신호를 특정할 만한 근거 신호 또는 특징 벡터를 추출할 수 있는지 확인하기 위해 CSP(Common Spatial Pattern) 필터의 적용 결과 활용하여 효율성을 검증한다. 더불어 검증을 위한 실험 설계를 통해 데이터를 획득하고, 필터 적용 유무에 따른 결과의 변화가 어떠한지 검증하며 구분 정확도를 높일 수 있는 방법을 제안한다.

Abstract ▼ AI-Helper

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...

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 left and right muscles or the will of the user within EEG signals, where uncertainties exist considerably. A typical surface EMG and noninvasive brain wave extraction method does not exist to distinguish whether the signal is a motion through the degree of ionization by internal neurotransmitter and the magnitude of electrical conductivity. In the case of joint and motor control through normal robot control systems or electrical signals, signals that can be controlled by the transmission and feedback control of specific signals can be identified. However, the human body lacks evidence to find the exact protocols between the brain and the muscles. Therefore, in this paper, efficiency is verified by utilizing the results of application of CSP (Common Spatial Pattern) filter to verify that the left-hand and right-hand signals can be extracted through brainwave analysis when the subject's behavior is performed. In addition, we propose ways to obtain data through experimental design for verification, to verify the change in results with or without filter application, and to increase the accuracy of the classification.

주제어

표/그림 (6)

그림 Fig. 1. EEG and EMG measurement system and electrode. 그림 1. EMG 및 EEG 신호의 출력 및 데이터 추출에 대한 실험 환경 구성
그림 Fig. 2. EEG and EMG measurement system and electrode. 그림 2. 뇌전도 측정 포인트와 근전도의 부착 위치
그림 Fig. 3. Process of obtaining experimental data. 그림 3. 실험데이터 취득 과정
그림 Fig. 4. Band Distribution by EEG channel according to CSP application status. 그림 4. CSP적용 유무에 따른 EEG채널 별 대역분포
그림 Fig. 5. Output distribution plot through difference analysis(Diff) in left and right arm operation. 그림 5. 좌우완 동작시 차이값 분석을 통한 출력 분포도
그림 Fig. 6. Results of left and right hand distinctions through brain wave(EEG) analysis. 그림 6. 뇌파 분석을 통한 좌우완의 구분결과

AI 본문요약
AI-Helper

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

문제 정의

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.
이 연구에서는 이러한 뇌와 근육의 활성화에 따라 뉴런의 활동을 수집하여 특정 운동 신호를 생성하기 위한 근거가 있는지의 여부를 결정한다. 뇌전 도의 채널은 뇌의 중앙부를 기점으로 각각 8채널의 신호를 다음 그림 2의 a와 같이 전극을 부착하여 측정한다.

제안 방법

실험을 위해 뇌의 다양한 영역에서 뇌파를 추출하였고, 추출된 뇌파는 근육 활동과의 연계성 검증하기에는 너무나 복합적인 요소의 결합으로 인하여 특별한 연관성을 찾을 수 없었기 때문에 뇌파 신호 속에서 근육 행동의 특징점을 찾는 연구가 우선 되어야 함을 인지하였다[6]. 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.
추출 및 데이터 획득시 두 신호의 동기를 맞춰야만 근신호가 입력되는 구간의 뇌신호를 확인할 수 있기 때문에 동기화 출력을 일괄적으로 오차없이 추출할 수 있도록 데이터를 처리하는 것이 중요하다. 본 연구에서는 1세트의 실험을 규정한 후 세트별 4회의 동작 구간별 근전도와 뇌전도를 좌/우 팔의 20개 세트로 나누어 총 80회의 측정 결과를 두 팔의 경우로 나누어 사용하였다. 1세트의 출력 및 데이터 취득을 위한 블록 다이어그램을 그림 3과 같이 보인다.
두 클래스의 공분산 결과를 각각 최대화 및 최소화하여 존재하는 데이터 내에서 동작의 구분을 위한 신호의 특수성 및 특징을 분류하는 데 활용한다. 본 연구에서는 취합된 피험자의 데이터를 (n by m) 매트릭스 형태의 자료로 변환한 뒤, 팔의 동작이 이루어지는 동안의 뇌파 신호의 관련성을 구분하기 위해 CSP 필터를 활용하여 원신호와 비교한다.
오른쪽 팔과 왼쪽 팔의 움직임에 따라 EEG의 출력을 비교하는 실험을 수행한다. SVM(Support Vector Machine)[3]을 적용하여 분류 성능을 정량화했다.

대상 데이터

근전도 출력시 동작이 이루어지는 구간에 자극을 제시하고 전후의 데이터를 기준으로 발생하는 뇌전도의 8채널 데이터를 자극 후 1초간 각각 추출한다. 피실험자의 뇌파를 20세트에 걸쳐 실험을 진행하고 좌우의 채널별 160회의 데이터를 분석한다. 각 데이터는 1KHz의 샘플링 레이트로 취득하여 데이터를 좌우로 나누어 1000개의 3차원 행렬을 구성한다.

데이터처리

SVM은 파라미터에 따라 성능이 좌우되므로 정확 도를 기준으로 Linear 분리에서는 Cost값(C, 데이터 샘플이 다른 클래스에 분포하는 정도)을 사용하고, RBF(Kernel SVM)에서는 Cost값과 Gamma (하나의 데이터 샘플이 영향을 미치는 거리)를 사용한다. Cost 값과 Gamma 값을 경험적인 방법에 의해서 선택해야 하므로 Grid search라는 방법으로 2개의 파라미터를 조합하여 실험 후, 평균적으로 가장 큰 정확도를 보이는 파라미터 값을 선택하게 하였다. Grid Search 는 Cost 값과 Gamma 값이 (1× 10^-6 , 1 × 10^-5 , 1 × 10^-4 , 1 × 10^-2 , 1 × 10 × 10²)의 배열의 경우의 수를 가질 때 Linear와 RBF[4]의 경우 모두 실험하게 하여 Signal Source별로 가장 정확도가 큰 파라미터 값을 적용하였다.
또한 오른손 / 왼손 총 160회 실험의 양이 적기 때문에 교차 검증(K-Fold)[5]를 적용하여 평균 분류 정확도와 오차를 구하였다. 교차 검증은 10-Fold를 사용하였으며 정확도를 위해 10번 반복하여 평균과 오차를 구하였다.
Grid Search 는 Cost 값과 Gamma 값이 (1× 10^-6 , 1 × 10^-5 , 1 × 10^-4 , 1 × 10^-2 , 1 × 10 × 10²)의 배열의 경우의 수를 가질 때 Linear와 RBF[4]의 경우 모두 실험하게 하여 Signal Source별로 가장 정확도가 큰 파라미터 값을 적용하였다. 또한 오른손 / 왼손 총 160회 실험의 양이 적기 때문에 교차 검증(K-Fold)[5]를 적용하여 평균 분류 정확도와 오차를 구하였다. 교차 검증은 10-Fold를 사용하였으며 정확도를 위해 10번 반복하여 평균과 오차를 구하였다.

이론/모형

오른쪽 팔과 왼쪽 팔의 움직임에 따라 EEG의 출력을 비교하는 실험을 수행한다. SVM(Support Vector Machine)[3]을 적용하여 분류 성능을 정량화했다. SVM은 파라미터에 따라 성능이 좌우되므로 정확 도를 기준으로 Linear 분리에서는 Cost값(C, 데이터 샘플이 다른 클래스에 분포하는 정도)을 사용하고, RBF(Kernel SVM)에서는 Cost값과 Gamma (하나의 데이터 샘플이 영향을 미치는 거리)를 사용한다.

성능/효과

181로 나타났다. CSP필터를 거친 데이터의 정확도가 11% 정도 높게 나타나는 결과를 보였다. C와 D의 데이터는 A와 B의 데이터를 각각 PSD(Power Spectrum Density)처리한 후, 1.
이와 같은 방법으로 처리된 데이터에서 표본 Class(오른쪽 데이터)와 다른 Class(왼쪽 데이터)의 평균 차이를 적용한 데이터를 구한 후의 출력이다. 그 결과 C와 D는 각각 0.731(73.1%), 0.828(82.8%)의 분류 정확도와 ±0.2, ±0.135의 오차율을 가졌으며, CSP 필터를 적용한 출력이 10% 정도 정확도가 상승하는 결과를 보임을 확인할 수 있다. 본 방법을 통해 CSP 활용시 좌우 양팔의 동작을 구분할 수 있는 정확도를 비교 가능하고, 뇌파의 변화에 따른 필요 데이터의 활용방법을 구체화하는데 의미가 있을 것으로 보인다.
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.
135의 오차율을 가졌으며, CSP 필터를 적용한 출력이 10% 정도 정확도가 상승하는 결과를 보임을 확인할 수 있다. 본 방법을 통해 CSP 활용시 좌우 양팔의 동작을 구분할 수 있는 정확도를 비교 가능하고, 뇌파의 변화에 따른 필요 데이터의 활용방법을 구체화하는데 의미가 있을 것으로 보인다. 다만 동적인 EEG데이터를 실시간으로 활용하여 근육신호의 출력형태를 더욱 정확 하게 분석하기 위해서는 다양한 방법의 알고리즘을 개발하고 뇌파에 영향을 줄 수 있는 안구의 운동이나 실험시 발생하는 환경요소의 통제 및 잡음 제거 알고리즘의 개선과 같은 심층적인 연구가 요구될 것으로 보인다.
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.
좌완과 우완의 구분을 위해 출력된 주파수 도메 인의 결과를 좌완과 우완의 경우로 나누어 두 팔의 출력차이를 Diff Data로 정의하고, 정리된 결과 데이터를 정규화하면 다음 그림 5와 같이 나타낼 수있다. 좌완과 우완의 경우 일반적인 출력에 CSP 필터를 적용한 경우보다 특징 벡터의 구분이 명확해 짐을 확인할 수 있다.

후속연구

본 방법을 통해 CSP 활용시 좌우 양팔의 동작을 구분할 수 있는 정확도를 비교 가능하고, 뇌파의 변화에 따른 필요 데이터의 활용방법을 구체화하는데 의미가 있을 것으로 보인다. 다만 동적인 EEG데이터를 실시간으로 활용하여 근육신호의 출력형태를 더욱 정확 하게 분석하기 위해서는 다양한 방법의 알고리즘을 개발하고 뇌파에 영향을 줄 수 있는 안구의 운동이나 실험시 발생하는 환경요소의 통제 및 잡음 제거 알고리즘의 개선과 같은 심층적인 연구가 요구될 것으로 보인다.
이것은 두 종류의 뇌파의 스펙트럼 분포의 차이가 특정 뇌 부위에서 두 팔에 의한 움직임의 식별에 영향을 미쳤다고 해석할 수 있다. 향후 다양한 개선 방법의 적용 및 심층적인 연구 과정의 개선을 통해 다양한 근육 활동의 생성시 관련된 뇌파의 구분 정확도를 높이고 나아가 근육 활동시 뇌파의 유형을 정량화하여 뇌파를 통해 근육활동을 예측할 수 있는 시스템으로 개선시킬 필요가 있을 것으로 보인다.

질의응답

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.

참고문헌 (6)

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

상세보기
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

상세보기
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

상세보기

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

좌우 양팔의 근육 활성도 변화에 따른 EEG 출력 구분을 위한 CSP 필터의 적용
Application of CSP Filter to Differentiate EEG Output with Variation of Muscle Activity in the Left and Right Arms 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (6)

표/그림 (6)

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (6)

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

좌우 양팔의 근육 활성도 변화에 따른 EEG 출력 구분을 위한 CSP 필터의 적용 Application of CSP Filter to Differentiate EEG Output with Variation of Muscle Activity in the Left and Right Arms 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (6) 모든 표/그림 보기

표/그림 (6) 슬라이드로 보기

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (6)

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

좌우 양팔의 근육 활성도 변화에 따른 EEG 출력 구분을 위한 CSP 필터의 적용
Application of CSP Filter to Differentiate EEG Output with Variation of Muscle Activity in the Left and Right Arms 원문보기

초록
AI-Helper

표/그림 (6)

표/그림 (6)

AI 본문요약
AI-Helper