초록

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

Brain-Computer Interface (BCI) 는 뇌 신호를 이용하여 생각으로 기계 및 컴퓨터를 제어 할 수 있는 기술이다. 뇌전도(Electroencephalography, EEG) 를 이용한 본 연구는 왼쪽/오른쪽 손 상상 움직임 실험에 대해서 특징 추출 (feature extraction)에 관�� 연구로 총 9명의 피험자로부터 얻어진 뇌 전도 데이터를 이용하여 전통적인 방법 (Common Spatial Pattern, CSP 및 Fisher Linear Discriminant, FLDA)을 이용해 구한 분류 정확도와 본 논문에서 사용 된 Symbolic transfer entropy (STE)을 통해 얻어진 특징에 대한 결과를 보여 준다. 본 연구를 통하여 STE를 통한 특징 추출 방법이 의미가 있다고 생각한다.

Brain-Computer Interface (BCI) 는 뇌 신호를 이용하여 생각으로 기계 및 컴퓨터를 제어 할 수 있는 기술이다. 뇌전도(Electroencephalography, EEG) 를 이용한 본 연구는 왼쪽/오른쪽 손 상상 움직임 실험에 대해서 특징 추출 (feature extraction)에 관�� 연구로 총 9명의 피험자로부터 얻어진 뇌 전도 데이터를 이용하여 전통적인 방법 (Common Spatial Pattern, CSP 및 Fisher Linear Discriminant, FLDA)을 이용해 구한 분류 정확도와 본 논문에서 사용 된 Symbolic transfer entropy (STE)을 통해 얻어진 특징에 대한 결과를 보여 준다. 본 연구를 통하여 STE를 통한 특징 추출 방법이 의미가 있다고 생각한다.

AI 본문요약

엑셀 다운로드 AI-Helper

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

• 연구 주제
• 연구 방법
• 연구 결과

문제 정의

• 성능이 좋은 분류기를 구성하기 위하여, 분류기를 잘 구분 해 줄만한 특징 (feature)를 찾는 것이 중요한 문제이다. 본 논문은 Symbolic Transfer Entropy (STE)를 이용하여 왼손과 오른손의 상상 움직임 데이터를 통해 두 집단을 분류 해 줄 수 있는 특징을 찾는데 연구 목적이 있다. 특징 추출 방법에 대한 논문은 위에서 언급한 것 같이 다양한 방법이 제안되었지만, STE를 통해서 특징을 상상 움직임 데이터에 적용을 시도 한 것은 본 논문이 처음이다.
• 특징 추출 방법에 대한 논문은 위에서 언급한 것 같이 다양한 방법이 제안되었지만, STE를 통해서 특징을 상상 움직임 데이터에 적용을 시도 한 것은 본 논문이 처음이다. 여기서는 STE를 이용하여 Average Information Transfer 를 계산하고, 상상 움직임에 대해서 두 집단(좌,우)사이의 어떤 유의미한 특징이 발견되는지의 여부에 대해 확인 및 해석을 논의하고자 한다.
• 본 실험은 왼손/오른손의 상상 움직임 (imagery movement of left/right hand task) 에 대한 실험이다. 총 9명의 피험자가 본 실험에 참여하였고, 그 중 4명은 여성 피험자였다 (평균 나이 26.

가설 설정

• AIT 값을 그려 낼 때, 운동 영역에 위치한 센서들을 중점적으로 보기위해 채널 선택도 같이 하였다. 분류 정확도이 높게 나타나는 피험자는 왼쪽과 오른쪽에 신호에 대해서 정보의 흐름이 강하다고 가정하였다. 그리고 나서 왼쪽과 오른쪽 집단에서의 차이를 보기 위하여 왼쪽에서 나온 AIT 값에서 오른쪽에서 나온 AIT 값을 빼주었다.

제안 방법

• 본 실험에 사용된 뇌전도 수집 기계는 (주)락싸 의 WEEG-32 가 사용 되었고, 512 Hz 샘플링 주파수로 측정 되었다. 또한 몇 명의 피험자에 대해서는 좌∙우 팔에 근전도 (EMG) 도 함께 측정 되었다.
• 는 채널의 개수를 나타낸다. 더 명확한 특징을 찾아보기 위해, 자극 제시 전 신호에 대해 base line correction 을 적용하고, 각 채널의 표준 편차 (standard deviation) 값으로 나누어 줌으로써 정규화 값을 구했다. AIT 값이 양수이면 해당 채널, 시간에 정보가 바깥으로 나간다고 생각할 수 있고, 반대로 음수일 경우에는 정보가 들어간다고 이야기 할 수 있다.
• [그림 1]는 왼쪽 오른쪽 집단에 대해서, 선택된 피험자에 대한 AIT 값의 차이를 나타낸다. 데이터 전처리로, 8-15Hz (mu + lower beta rhythm) 에 대해 대역 통과필터링을 시키고, 각 집단에 대해서 Ste 값 및 AIT 값을 계산 하였다. AIT 값을 그려 낼 때, 운동 영역에 위치한 센서들을 중점적으로 보기위해 채널 선택도 같이 하였다.

대상 데이터

• 본 실험은 왼손/오른손의 상상 움직임 (imagery movement of left/right hand task) 에 대한 실험이다. 총 9명의 피험자가 본 실험에 참여하였고, 그 중 4명은 여성 피험자였다 (평균 나이 26.2세, 범위 21-34세). 각 진행 (run) 당 40 개 시행의 데이터가 수집되었고 (좌∙우 20개 씩), 총 5회 진행, 200개의 데이터 (좌∙우 100개 씩)가 수집되었다.
• 2세, 범위 21-34세). 각 진행 (run) 당 40 개 시행의 데이터가 수집되었고 (좌∙우 20개 씩), 총 5회 진행, 200개의 데이터 (좌∙우 100개 씩)가 수집되었다. 진행과 진행 사이에 약 3-5분의 휴식시간이 주어졌다.
• 진행과 진행 사이에 약 3-5분의 휴식시간이 주어졌다. 뇌전도 신호는 32개의 Ag/AgCl 두피 센서에 의해 수집 되었고, 오른쪽 귀 뒷 부분에 (left/right ear mastoid) 기준 (reference) 센서, 왼쪽 귀 뒷 부분이 접지 (ground) 센서가 부착 되었다. 사용 된 32개의 채널은 다음과 같다 (위쪽-아래쪽, 좌-우 순서로, Fp1, Fpz, Fp2, AFz, F7, F3, Fz, F4, F8, Fc3, Fc1, Fcz, Fc2, Fc4, T7, C3, Cz, C4, T8, Cp3, Cp1, Cpz, Cp2, Cp4, P7, P3, Pz, P4, P8, O1, Oz, 그리고 O2 ).
• 뇌전도 신호는 32개의 Ag/AgCl 두피 센서에 의해 수집 되었고, 오른쪽 귀 뒷 부분에 (left/right ear mastoid) 기준 (reference) 센서, 왼쪽 귀 뒷 부분이 접지 (ground) 센서가 부착 되었다. 사용 된 32개의 채널은 다음과 같다 (위쪽-아래쪽, 좌-우 순서로, Fp1, Fpz, Fp2, AFz, F7, F3, Fz, F4, F8, Fc3, Fc1, Fcz, Fc2, Fc4, T7, C3, Cz, C4, T8, Cp3, Cp1, Cpz, Cp2, Cp4, P7, P3, Pz, P4, P8, O1, Oz, 그리고 O2 ). 본 실험에 사용된 뇌전도 수집 기계는 (주)락싸 의 WEEG-32 가 사용 되었고, 512 Hz 샘플링 주파수로 측정 되었다.
• 사용 된 32개의 채널은 다음과 같다 (위쪽-아래쪽, 좌-우 순서로, Fp1, Fpz, Fp2, AFz, F7, F3, Fz, F4, F8, Fc3, Fc1, Fcz, Fc2, Fc4, T7, C3, Cz, C4, T8, Cp3, Cp1, Cpz, Cp2, Cp4, P7, P3, Pz, P4, P8, O1, Oz, 그리고 O2 ). 본 실험에 사용된 뇌전도 수집 기계는 (주)락싸 의 WEEG-32 가 사용 되었고, 512 Hz 샘플링 주파수로 측정 되었다. 또한 몇 명의 피험자에 대해서는 좌∙우 팔에 근전도 (EMG) 도 함께 측정 되었다.

이론/모형

• 신호처리 방법에는 전처리, 본처리, 후처리 과정 등 매우 세분화 되어 있지만, 높은 분류 정확도를 나타내는 최종적인 결과물인 제어 신호 (control signal) 을 얻기 위해서는 좋은 특징을 찾는 것이 필수적이다. 이러한 특징 찾기의 한 방법으로 본 논문은 Symbolic Transfer Entropy 를 이용해서 Average Information Transfer 를 계산 하였다. 이 계산을 통해서 특정 피험자에 대해서 좌∙우를 구분 할 만한 특징을 찾아 내었다.

후속연구

• 이 계산을 통해서 특정 피험자에 대해서 좌∙우를 구분 할 만한 특징을 찾아 내었다. 하지만, 그 특징들을 해석하기 위해서는 추가적인 연구가 필요하다. 또한 실시간 BCI 시스템에 적용하기 위해 계산 시간 단축 방법도 개선 되어야 할 것이다.
• 하지만, 그 특징들을 해석하기 위해서는 추가적인 연구가 필요하다. 또한 실시간 BCI 시스템에 적용하기 위해 계산 시간 단축 방법도 개선 되어야 할 것이다.

본문요약 정보가 도움이 되었나요? 예 아니오 제출

이 논문을 인용한 문헌

더보기