[논문]외부환경 제어를 위한 머신러닝 기반 뇌파신호 예측 알고리즘

장규영; 김성수; 김지수

외부환경 제어를 위한 머신러닝 기반 뇌파신호 예측 알고리즘
EEG Signal Prediction Algorithm based on Machine Learning for external environment control 원문보기

장규영 (동국대학교 멀티미디어공학과) , 김성수 (동국대학교 멀티미디어공학과) , 김지수 (동국대학교 멀티미디어공학과)

본 연구는 외부 환경 제어를 위해 안정적인 뇌파 신호를 추출하기 위한 알고리즘을 제안한다. 본 알고리즘은 다중 회귀의 원리를 사용한 머신러닝을 통하여 뇌파의 경향성을 분석하여, 측정 시 발생할 수 있는 불안정한 노이즈를 필터링하고, 제어 신호를 빠른 시간 안에 판단하는 것을 목적으로 한다. 측정은 CZ 측정 위치에서 1 채널의 EEG 기기로 이루어진다. 본 연구를 바탕으로 BCI 분야에서 효과적으로 외부 디바이스 제어를 위한 입력 신호를 추출하는 방법이 될 수 있을 것으로 예상한다.

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

문제 정의

생각만으로 컴퓨터를 제어하고 이와 연결된 각종 조작기구들을 동작시키기 위해서는 뇌세포의 전기적인 신경 신호를 읽어, 특정 패턴을 제어 신호로 빠르고, 정확하게 입력할 수 있어야 한다. 본 연구는 뇌파의 경향을 기계 학습하는 알고리즘을 통해 보다 안정적으로 외부 디바이스를 제어할 수 있는 신호를 추출할 수 있도록 돕는 모델을 만들기 위한 것이다.
본 연구에서는 뇌파 데이터 세트를 다중 회귀 방식으로 학습시킨 모델을 구축하여 뇌파의 변화를 예측하는 알고리즘을 제안한다. 이로써 뇌파의 변화 상태를 빠른 시간 안에 판단하여 제어신호로 변환하거나, 예측치를 과도하게 벗어난 이상 값을 필터링 하는 데 활용할 수 있을 것으로 기대한다.

제안 방법

우선 이렇게 만들어진 데이터 세트에서 80%는 훈련 데이터로, 20%는 테스트 데이터로 분류한다. 그 다음 훈련 데이터 세트를 미니 배치로 나누어 MSE 절댓값을 줄이는 방향으로 회귀 모델을 갱신한다. 마지막으로 남은 20%의 테스트 데이터로 예측기의 성능을 판단한다.
전극을 붙일 측정 위치와 알파파, 베타파와 같은 특정 파형을 담은 데이터 세트를 시간 단위로 구분한다. 회귀 분석을 이용하여 시간 단위로 구분된 특성 사이의 관계를 찾는다.

대상 데이터

8살이다. 뇌파 측정에는 16개의 전극을 사용했으며 FP1, FP2, FC5, FC6, FZ, T7, CZ, T8, P7, P3, PZ, P4, P8, 01, 0z, 02에 위치한다. 또한 참가자마다 10개의 분류를 두어서 뇌파를 측정한 데이터로 5개의 블록은 눈을 감고, 5개의 블록은 눈을 뜨고 측정한 값이다.
데이터 세트의 뇌파측정 대상자는 여성 7명, 남성 13명으로 이루어져 있으며 평균 나이는 25.8살이다. 뇌파 측정에는 16개의 전극을 사용했으며 FP1, FP2, FC5, FC6, FZ, T7, CZ, T8, P7, P3, PZ, P4, P8, 01, 0z, 02에 위치한다.

데이터처리

전극을 붙일 측정 위치와 알파파, 베타파와 같은 특정 파형을 담은 데이터 세트를 시간 단위로 구분한다. 회귀 분석을 이용하여 시간 단위로 구분된 특성 사이의 관계를 찾는다. 이때 충분한 데이터를 모으거나 규제를 추가하여 미래의 값을 측정하는 정확도 높은 예측기를 만든다.

성능/효과

만들어진 모델의 예측 값과 실제 CZ 위치에서 측정한 1 채널 EEG 데이터 값을 비교했을 때 오차가 충분히 작다면, 예측된 값의 신뢰도가 높다는 것을 의미하므로 빠른 시간 안에 뇌파의 상태를 판단할 수 있다. 또한 예측 값의 일정 범위를 벗어나는 신호에 대해서는 노이즈로 판단하여, 노이즈를 제거한 본래 뇌파 신호를 예측하는데 도움이 될 것이다.

후속연구

만들어진 모델의 예측 값과 실제 CZ 위치에서 측정한 1 채널 EEG 데이터 값을 비교했을 때 오차가 충분히 작다면, 예측된 값의 신뢰도가 높다는 것을 의미하므로 빠른 시간 안에 뇌파의 상태를 판단할 수 있다. 또한 예측 값의 일정 범위를 벗어나는 신호에 대해서는 노이즈로 판단하여, 노이즈를 제거한 본래 뇌파 신호를 예측하는데 도움이 될 것이다.
본 연구에서는 뇌파 데이터 세트를 다중 회귀 방식으로 학습시킨 모델을 구축하여 뇌파의 변화를 예측하는 알고리즘을 제안한다. 이로써 뇌파의 변화 상태를 빠른 시간 안에 판단하여 제어신호로 변환하거나, 예측치를 과도하게 벗어난 이상 값을 필터링 하는 데 활용할 수 있을 것으로 기대한다.

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

외부환경 제어를 위한 머신러닝 기반 뇌파신호 예측 알고리즘
EEG Signal Prediction Algorithm based on Machine Learning for external environment control 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

외부환경 제어를 위한 머신러닝 기반 뇌파신호 예측 알고리즘 EEG Signal Prediction Algorithm based on Machine Learning for external environment control 원문보기

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

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

외부환경 제어를 위한 머신러닝 기반 뇌파신호 예측 알고리즘
EEG Signal Prediction Algorithm based on Machine Learning for external environment control 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper