선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 그러나 이 연구는 특정 영역의 근육이 어떤 영역의 EEG와상관성이 있는지 명확하게 밝히지 못했다. 그러므로 본 연구는 측정 영역간의 상관성을 살펴보고 유효한 EEG Coherence 영역을 선정하는 연구를 진행하여 동작 인식 가능성을 높이고자 하였다.
- 본 연구는 손동작 시 측정영역 간의 상관성을 살펴보고 유효한 EEG Coherence 영역을 선정하기 위하여 다음과 같은 가설을 설정하였다.
- 본 연구에서는 동작 의도 판단을 위한 뇌의 편측 영역에서의 EEG Coherence를 분석하였다. 6 분간의 데이터 트레이닝 후 6 분간 실시간 동작 의도 판단을 진행하면서 편측적 영역의 EEG를 측정하였고 동작과 휴식으로 나누어 ANOVA를 실시하였다.
제안 방법
- 데이터의 분석은 다음과 같은 방법을 사용하였다. 5 채널의 EEG 데이터를 주파수 분석하여 8~13Hz의 Alpha 영역과 14~30Hz의 Beta 영역으로 분류하였다. 측정 영역 간의 상관관계를 분석하기 위해 Alpha와 Beta로 분류된 EEG 데이터들 간의 Alpha 및 Beta 별 Coherence 분석을 하였다.
- 피실험자는 23~27 세의 손동작에 이상이 없는 남녀 6 명이 참여하였다. EEG 측정 영역은 그림 1과 같이 국제 10-20 측정법에 의거하여 손동작 운동영역인 C3과 상하 좌우로 2.5cm 떨어진 영역에서 측정하였다. 손 동작에 대한 신체적 반응을 측정하기 위하여 EMG 센서를 오른손에 부착하였다.
- 가설을 증명하기 위한 독립변수로 동작 판단 시스템의 지시에 따른 피실험자의 손동작을 12 분간 실험이 진행되는 동안 약 200 회 동작을 실시하였다. 그에 따른 종속변수는 측정된 데이터를 신호처리 분석하여 얻은 5 개의 측정영역간의 20 개의 Coherence 값이다.
- 6 분간의 데이터 트레이닝 후 6 분간 실시간 동작 의도 판단을 진행하면서 편측적 영역의 EEG를 측정하였고 동작과 휴식으로 나누어 ANOVA를 실시하였다. 그리고 실시간으로 동작 의도 판단율을 구해 보았다. 가설 1의 검증 결과 Alpha Coherence의 8 개 영역과 Beta Coherence의 7 개영역에서 동작과 휴식 시의 유의미한 차이를 보였으며 가설 2의 검증 결과로 개인 별로 데이터 트레이닝 하였을 시 유효한 영역을 실시간으로 찾을 수 있음을 확인 할 수 있었다.
- 분석에 사용된 동작 의도 판단 알고리즘은 그림 7과 같다. 데이터 트레이닝을 통해 획득한 EEG 신호로 각 채널간의 Alpha 및 Beta Coherence를 구한다. Coherence들을 EMG 센서에서 획득한 신호로 동작과 휴식으로 분류한다.
- 오른손과 왼손을 쥐고 펴는 동작을 지시한 후 EEG를 측정하고 FFT(Fast Fourier Transform)분석과 ERD(Event-Related Desynchronization)/ERS(Event-Related Synchronization) 분석으로 신호 처리하여 동작과 휴식을 구분하였다[2]. 또한, 손가락을 구부리고 펴는 동작에 대한 EEG를 측정하여 FFT 분석, ERD/ERS 분석 및 HMM(Hidden Markov Models)을 이용하여 손가락의 구부리고 펴는 동작을 구분하였다[3]. 이와 같이 동작 구분을 위한 EEG 명령어로 ERD/ERS를 사용한 연구가 활발하지만 ERD/ERS 패턴에 의한 동작 시점을 명확하게 예측하기 위해 EEG 신호처리와 동작인지로 인한 지연 문제를 해결해야 한다[2,4].
- 뇌 기능과 동작 기능의 상관관계에 대한 EEG와 EMG의 Coherence로 동작 인식을 시도하는 연구도 진행 되고 있다. 손 동작을 지시한 후 측정한 EEG와 EMG의 두 신호를 독립성분 분석을 한 후 Coherence 값을 구하여 동작 구분을 하고 훈련효과를 확인하였다[5,6]. 또한 EEG와 EMG 사이의 Coherence 분석 방법에 MSC(Magnitude Squared Coherence) 분석을 추가하여 동작 구분 가능성을 높인바 있다[7].
- 측정 영역 간의 상관관계를 분석하기 위해 Alpha와 Beta로 분류된 EEG 데이터들 간의 Alpha 및 Beta 별 Coherence 분석을 하였다. 앞의 과정으로 분석된 Alpha 및 Beta EEG Coherence 값을 손동작 시와 휴식 시의 두 영역으로 분류하였고 분류 기준으로 EMG 데이터의 진폭변화를 사용하였다. 이 과정은 데이터 트레이닝의 6 분 동안 진행된다.
- 특히, 신체 부자유자들의 재활 연구에 활용되고 있고 다음과 같다. 오른손과 왼손을 쥐고 펴는 동작을 지시한 후 EEG를 측정하고 FFT(Fast Fourier Transform)분석과 ERD(Event-Related Desynchronization)/ERS(Event-Related Synchronization) 분석으로 신호 처리하여 동작과 휴식을 구분하였다[2]. 또한, 손가락을 구부리고 펴는 동작에 대한 EEG를 측정하여 FFT 분석, ERD/ERS 분석 및 HMM(Hidden Markov Models)을 이용하여 손가락의 구부리고 펴는 동작을 구분하였다[3].
- 중앙에 큰 동작 지시 램프가 있어 시스템이 피실험자에게 동작지시를 할 시 램프에 불이 들어오고 휴식 시에는 불이 꺼진다. 좌측 하단에는 작게 EMG 램프가 있어 동작을 하였을 시에 불이 켜지도록 하였고 오른쪽 하단에는 작게 동작판단 램프를 두어 실험자가 피실험자용 화면을 보고 실험의 진행 상황을 간단히 확인 할 수 있도록 하였다.
- 실험 방법은 그림 2와 같다. 첫 번째 데이터 트레이닝(Data Trainig) 과정에서는 유효한 Coherence 영역의 설정과 임계 값의 추출을 위하여 데이터를 측정한다. 그림 3의 순서로 손 동작과 휴식을 지시한 후 EEG와 EMG를 측정한다.
- 5 채널의 EEG 데이터를 주파수 분석하여 8~13Hz의 Alpha 영역과 14~30Hz의 Beta 영역으로 분류하였다. 측정 영역 간의 상관관계를 분석하기 위해 Alpha와 Beta로 분류된 EEG 데이터들 간의 Alpha 및 Beta 별 Coherence 분석을 하였다. 앞의 과정으로 분석된 Alpha 및 Beta EEG Coherence 값을 손동작 시와 휴식 시의 두 영역으로 분류하였고 분류 기준으로 EMG 데이터의 진폭변화를 사용하였다.
대상 데이터
- 5 채널의 EEG 데이터와 1 채널의 EMG 데이터를 각 센서에서 수집한 후 디지털 신호로 변환하여 초당 400 개씩 수집하였다. 한 번의 실험에서 1,728,000 개의 데이터를 얻을 수 있었다.
- 실험을 위해 EEG100C(Biopack, USA)을 EEG 측정 장치로 사용하였고 신호 변환을 위해 DAQ5415(National Instrument, USA)가 사용되었다. 실험 시스템 구성과 데이터 분석에 사용된 프로그램은 LabView8.
- 피실험자는 23~27 세의 손동작에 이상이 없는 남녀 6 명이 참여하였다. EEG 측정 영역은 그림 1과 같이 국제 10-20 측정법에 의거하여 손동작 운동영역인 C3과 상하 좌우로 2.
- 5 채널의 EEG 데이터와 1 채널의 EMG 데이터를 각 센서에서 수집한 후 디지털 신호로 변환하여 초당 400 개씩 수집하였다. 한 번의 실험에서 1,728,000 개의 데이터를 얻을 수 있었다.
데이터처리
- 본 연구에서는 동작 의도 판단을 위한 뇌의 편측 영역에서의 EEG Coherence를 분석하였다. 6 분간의 데이터 트레이닝 후 6 분간 실시간 동작 의도 판단을 진행하면서 편측적 영역의 EEG를 측정하였고 동작과 휴식으로 나누어 ANOVA를 실시하였다. 그리고 실시간으로 동작 의도 판단율을 구해 보았다.
- 그림 3의 순서로 손 동작과 휴식을 지시한 후 EEG와 EMG를 측정한다. 두 번째는 데이터 트레이닝에서 측정된 데이터를 통계 분석하여 유효한 Coherence를 선정하는 과정이고 SPSS14(SPSS, USA) 통계분석 프로그램을 사용하여 ANOVA를 실시하였다. 세 번째 과정은 데이터 트레이닝에서 측정된 데이터를 분석하여 동작과 휴식을 구분해 주는 임계 값을 추출하는 과정이다.
- Coherence들을 EMG 센서에서 획득한 신호로 동작과 휴식으로 분류한다. 분류된 동작과 휴식 Coherence 간의 ANOVA를 실시한다. Coherence 지점들 중 유의 수준이 0.
성능/효과
- 그리고 실시간으로 동작 의도 판단율을 구해 보았다. 가설 1의 검증 결과 Alpha Coherence의 8 개 영역과 Beta Coherence의 7 개영역에서 동작과 휴식 시의 유의미한 차이를 보였으며 가설 2의 검증 결과로 개인 별로 데이터 트레이닝 하였을 시 유효한 영역을 실시간으로 찾을 수 있음을 확인 할 수 있었다. 동작 의도 판단율은 높은 정도를 지속적으로 유지하지 못하고 개인차를 보였고 이는 피실험자들이 뇌파 훈련을 받지 않은 대상이기 때문인 것으로 보인다.
- 001로 유의미한 차이를 보였다. 이 결과는 편측적 영역에서의 Coherence 가 동작과 휴식을 구분하는 EEG 명령어로 사용될 수 있음을 보여 준다.
- 뇌파 훈련을 받지 않은 피실험자들을 대상으로 하였기 때문에 높은 판단율이 일정하게 유지 되지 못하는 결과를 보였다. 피실험자 C의 Coherence 결과와 동작의도 판단율을 통해 많은 영역에서 높은 유의확률의 차이를 보일 수록 동작의도 판단율이 높은 결과를 확인 할 수 있었다.
후속연구
- 동작 의도 판단율은 높은 정도를 지속적으로 유지하지 못하고 개인차를 보였고 이는 피실험자들이 뇌파 훈련을 받지 않은 대상이기 때문인 것으로 보인다. 차후 연구로 뇌파 훈련에 대한 고려를 추가하여 유효한 영역을 선택하였을 시 동작 판단 확률을 높일 수 있는지에 대한 검증을 진행 할 예정이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.