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.
제안 방법
- R-R 간격을 계산을 한 후 R-R 간격을 추출하여 한다. R-R 간격을 이용하여 시간분석과 주파수 분석을 나뉘어 입력벡터로 분석한다. 시간분석으로는 심박신호의 특징 추출은 R-R의 최대값과 R-R의 변이계수값.
- 입력벡터를 추출하였다. R-R 간격의 변이계수와 FFT분석은 일정한 시간만큼의 데이터가 확보되어야 하기때문에 심박신호를 10초씩 분석했다. SOM의 특징 벡터로는 R-R 간격의 최대값을 R에, R-R간격의 변이계수값을 G에, FFT 성분의 LF/HF값을 日에 추출하여 정규화 하였다.
- R-R 간격의 변이계수와 FFT분석은 일정한 시간만큼의 데이터가 확보되어야 하기때문에 심박신호를 10초씩 분석했다. SOM의 특징 벡터로는 R-R 간격의 최대값을 R에, R-R간격의 변이계수값을 G에, FFT 성분의 LF/HF값을 日에 추출하여 정규화 하였다.
- 분류하는 것을 제안하였다. SOM의 특징벡터들은 심 박신호의 R-R간격의 최대값, R-R간격의 변이계수값, FFT 변환의 LF/HF값으로 학습하였다. 학습된 결과는 게이머의 상태들이 S0M으로 유사하게 군집화되면서 게이머의 상태를 분류 할 수 있음을 보였다.
- 게이머의 긴장과 이완의 상태분류는 SOM을 이용하여 심 박신호의 입력벡터들을 학습한다.<그림 3>과 같이 SOM의 게이머 상태인식 모델은 3차로 구성하여 RGB 모형으로 시각화하였다.
- 심박 데이터를 특징 벡터로 추출한 후 SOM으로 게이머의 긴장과 이완 상태를 학습한다. 그리고학습된 SOM으로 새로운입력벡터를넣었을 경우 게이머의 심박신호를 긴장과 이완상태를 분류할 수 있도록 적용해본다.
- 두 번째 단계는 SOM 학습단계로 게이머의 긴장과 이완 상태를 학습한다. SOMe 주어진 입력벡터들이 학습이 되면서 연결가중치가 조정되어 스스로 학습되는 신경망이다.
- 본 논문에서는 생체신호중 심전도(成G; El.ectrocardiogi'an]) 센서를 이용하여 비혱슈팅게임을 하눈 게이머의 심 박신호를 입력받아 분석한다, 입력된 심박신호는 특징 추출한 후 게이머의 긴장과 이완 상태를 인식할 수 있도록 SOM(Self- Organizing Maps, 자기조직화 지도)으로 학습한다, 학습된 SOM으로 게이머의 새로운 심박 신호가 입력되었을 때 게이머의 긴장과 이완 상태들을 분류하는 것을 제안한다.
- 본 연구에서 비행슈팅게임을 할 때 게이머의 간장과 이완의 상태를 학습하는 단계는 심박의 측정 및 분석 단계와 SOM의 학습단계, 두 가지로 구성한다.
- 본 연구예서뜬 신경망 SOM의 학습으로 비행 슈팅 게임을 하는 게이머의 심박신호을 이용하여 게이머의 긴장과 이완 상태를 분류하는 것을 제안하였다. SOM의 특징벡터들은 심 박신호의 R-R간격의 최대값, R-R간격의 변이계수값, FFT 변환의 LF/HF값으로 학습하였다.
- 비행슈팅게임을 하는 게이머의 심박신호를 RGB 색상으로 정규화하여 게이머의 상태를 학습하였다, 심박신호의 입력 벡터와 뉴런 사이의 거리를 비교하면서 승자뉴런 선택을 학습이 끝날 때까지 반복한 결과는의
- 한 후 심박신호를 측정한다. 심박 데이터를 특징 벡터로 추출한 후 SOM으로 게이머의 긴장과 이완 상태를 학습한다. 그리고학습된 SOM으로 새로운입력벡터를넣었을 경우 게이머의 심박신호를 긴장과 이완상태를 분류할 수 있도록 적용해본다.
- SOMe 주어진 입력벡터들이 학습이 되면서 연결가중치가 조정되어 스스로 학습되는 신경망이다. 입력받은 심박신호의 값을 특징벡터로 추출하여 게이머의 긴장과 이완 상태를 SOM으로 학습한다. 이렇게 학습된 SOM의 결과에서 새로운 게이머의 심박신호가 들어왔을 경우 게이머의 상태 즉 긴장 또는 이완의 상태를 인식할 수 있게 된다.
- 첫 번째 단계로 심박 측정 및 분석 과정은 심전도 센서를 이용하여 심박신호를 측정하고 R파형을 추출한 후 심박분석을 HRV와 FFT를 한다. 심박신호의 입력벡터 추출을 R-R 간격 최대값, R-R간격 변이계수값, 주파수 성분의 LF/HF 값을 정규화한다.
- 측정된 심박신호는 10초마다 R파형을 추출하여 HRV와 FFT분석으로 입력벡터를 추출하였다. R-R 간격의 변이계수와 FFT분석은 일정한 시간만큼의 데이터가 확보되어야 하기때문에 심박신호를 10초씩 분석했다.
- SOMe 주어진 입력퍠턴에 대해서 해답을 정해주지 않고 자기 스스로 학습하는 신경망중의 하나이다 SCW 구성은 입력却npiit Lay或)층과 경쟁충(Cmm戍ive Layer)로 연결되어 있다. 학습 방법으로는 연결강도률 초기화한 후 새로운 입력벡터를 제시되면 입력벡터와 뉴런들과의 거리를 계산한 후 가장 최소거리의 뉴런을 승자뉴런으로 선택한다. 그런 후에 승자뉴런과 그 이웃뉴런들의 연결강도를졔조정하면서 학습을 반복하게 되며, 승자뉴런과 이웃 뉴런 이외의 뉴런들은 이전의 값을 그대로 갖고 있는다.
- Raidenl!는 대중적인 비행슈팅게임으로 많은 사람들이 해본 경험이 있는 게임이다. 게이머에게 스테이지 1을 2。회 실시하여 게이머의 심박신호를 측정하였다. 스테이지 1은 게임상에서 가장 난이도가 낮은 단계이므로 비교적 쉽게 플레이 할 수 있눈 게임 스테이지이다.
이론/모형
- SOM의 학습을 통해 비행슈팅게임을 하는 게이머의 긴장과 이완상태를 분류하기 위해서 Raidenll를 이용했다. Raidenl!는 대중적인 비행슈팅게임으로 많은 사람들이 해본 경험이 있는 게임이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.