디지털 라이브러리[ 검색결과 ]
Motor Imagery Decoding with Residual Dense Network
Permana Deny, Sae Won Cheon, Kae Won Choi
http://doi.org/10.5626/JOK.2022.49.5.380
본 논문에서는 Motor Imagery (MI) 디코딩 중 뇌파에 대한 RDN (Residual Dense Network) 프레임워크를 제안한다. 특징 학습 및 의사결정을 수행하기 위해 심층 신경망을 기반으로 하는 특징 추출 및 디코딩 알고리즘을 포함하는 디코딩 프레임워크를 설계한다. BCI Competition IV의 Dataset 2A에서 공개하는 BCI 데이터 셋을 디코딩하는 RDN의 성능을 분석한다. 본 눈문에서는 실험을 통해 주어진 데이터 셋에 대한 정확도 측면에서의 성능을 평가하였으며, RDN 프레임워크는 0.8290의 결과를 나타내었다. 이 결과는 동일한 데이터 세트를 이용하는 이전의 연구를 능가한다. 결론적으로 RDN은 실용적인 뇌-컴퓨터 인터페이스에서의 디코딩 프레임워크를 제공한다.
주의집중력 향상 목적의 뇌전도 뉴로피드백 방법 조사
http://doi.org/10.5626/JOK.2021.48.10.1105
뉴로피드백은 뇌 상태의 피드백을 통해 사용자 스스로 뇌의 기능 및 상태를 조절할 수 있게 하는 뇌 기능 조절 기술로 뇌 기능의 회복 및 향상에 효과가 있는 것으로 알려져 있다. 본 연구에서는 주의집중력 향상 목적의 뇌전도 뉴로피드백에 관한 연구 108건을 조사 분석하였다. 조사 결과 환자 대상 연구가 건강인보다 약 3.5배 많았고, 유선 습식 뇌파 측정 장비를 활용한 연구가 대부분이었다. 집중력 정량 지표로는 감각운동리듬과 세타파와 낮은 베타파의 비율이, 뇌 영역은 뇌 중앙부의 뇌파가 주로 활용되었으며, 피드백 방식은 시청각 자극이, 신경심리평가는 연속수행검사와 Go/NoGo 검사가 빈번하게 활용됨을 확인하였다. 향후 실용적인 뉴로피드백 애플리케이션 개발을 위해 비환자군 연구 확대, 편의성 및 몰입도 증대를 위한 무선 건식 뇌파 측정 장비 및 가상/증강현실 기술 활용 그리고 뉴로피드백 효과의 재현성 및 사용성 높은 애플리케이션 개발을 위한 기준 마련이 필요할 것으로 전망된다.
OpenViBE2Unity: Unity3D 기반 뇌-컴퓨터 인터페이스를 위한 오픈소스 API
http://doi.org/10.5626/JOK.2019.46.11.1157
뇌-컴퓨터 인터페이스는 많은 관심을 받으며 사람의 의도, 인지, 느낌 등을 정량화하여 활용하고자 하는 연구 및 개발에 사용되고 있다. 하지만 뇌파를 측정하고 분석하여 결과를 활용하는 애플리케이션을 제작하는 것은 상당한 노력이 요구되며, 실제로 연구 및 개발보다는 상대적으로 플랫폼간의 연동에 적지 않은 시간을 투자하게 된다. 이에 따라, 뇌-컴퓨터 인터페이스 어플리케이션 개발을 용이하게 하고자 대표적인 게임 개발 플랫폼인 Unity3D와 뇌 신호의 실시간 수집, 처리, 시각화 기능을 제공하는 OpenViBE를 연결하는 Application Programming Interface(API), OpenViBE2Unity(O2U)를 개발하였다. 개발된 API는 두 오픈소스 플랫폼간의 연동을 쉽게 할 수 있도록 몇 가지 함수들을 제공하며 주요 코드 및 사용설명서는 Github를 통해 공개되어 있다. 본 논문에서는 개발한 OpenViBE2Unity의 구조 및 사용법 그리고 OpenViBE2Unity를 활용하여 개발 된 애플리케이션을 소개한다.
근적외선 분광법 기반 뇌-컴퓨터 접속 시스템 개발을 위한 최적 특징 추출법에 대한 체계적 분석
http://doi.org/10.5626/JOK.2018.45.10.1080
본 연구에서는 다양한 분석 시간 구간과 특징 조합을 고려하여 근적외선 분광법(near-infrared spectroscopy: NIRS) 기반 뇌-컴퓨터 접속(brain-computer interface: BCI) 개발을 위한 최적의 특징 추출 방법에 대해 체계적인 분석을 수행하였다. 12명의 피험자가 암산 과제와 휴식 과제를 각 10초씩 총 30회 수행할 때 NIRS 신호를 측정하였다. NIRS신호로부터 7가지 서로 다른 특징을 추출하여, 분석 구간을 0-10초, 0-15초로 달리 설정한 단일 특징들의 분류정확도와 0-15초 분석 구간을 0-5, 5-10, 10-15초로 나누어 다양한 특징들의 조합을 활용한 분류정확도를 각각 계산하였다. 그 결과, 0-15초 분석 구간을 3구간으로 나누어 추출한 특징들의 조합을 사용하였을 때 가장 높은 분류 정확도를 얻을 수 있었으며, 평균과 기울기의 특징 조합을 이용하는 것이 NIRS 기반 BCI 시스템 개발에 가장 적합하다는 것을 확인하였다.
동작 상상 EEG 분류를 위한 이중 filter-기반의 채널 선택
http://doi.org/10.5626/JOK.2017.44.9.887
뇌-컴퓨터 인터페이스는 정신 작업 동안 다채널에서 생성된 뇌파의 신호를 측정, 분석하여 컴퓨터를 제어하거나 의사를 전달하는 기술이다. 이때 최적의 뇌파 채널 선택은 뇌-컴퓨터 인터페이스의 편의성과 속도뿐만 아니라 정확도 향상을 위해 필요하다. 최적의 채널은 중복 채널들 또는 노이즈 채널들을 제거함으로써 얻는다. 이 논문에서는 최적 뇌파 채널을 선택하기 위해 이중 filter-기반의 채널 선택 방법을 제안한다. 제안한 방법은 먼저 채널들 간의 중복성을 제거하기 위해 spearman"s rank correlation을 사용하여 중복 채널들을 제거한다. 그 뒤, F score를 이용하여 채널과 클래스 라벨 간의 적합성을 측정하여 상위 m개의 채널들만을 선택한다. 제안한 방법은 클래스 라벨과 관련되고 중복이 없는 채널들을 사용함으로써 좋은 분류 정확도를 이끌어 낼 수 있다. 제안한 채널 선택 방법은 채널의 수를 상당히 줄임과 동시에 평균 분류 정확도를 향상시켰다.
동작 상상 EEG 분류를 위한 필터 뱅크 기반 정규화 공통 공간 패턴
http://doi.org/10.5626/JOK.2017.44.6.587
최근, 동작 상상(Motor Imagery) Electroencephalogram(EEG)를 기반으로 한 Brain-Computer Interface(BCI) 시스템은 의학, 공학 등 다양한 분야에서 많은 관심을 받고 있다. Common Spatial Pattern(CSP) 알고리즘은 동작 상상 EEG의 특징을 추출하기 위한 가장 유용한 방법이다. 그러나 CSP 알고리즘은 공분산 행렬에 의존하기 때문에 Small-Sample Setting(SSS) 상황에서 성능에 한계가 있다. 또한 사용하는 주파수 대역에 따라 큰 성능 차이를 보인다. 이러한 문제를 동시에 해결하기 위해, 4-40Hz 대역 EEG 신호를 9개의 필터 뱅크를 이용하여 분할하고 각 밴드에 Regularized CSP(R-CSP)를 적용한다. 이후 Mutual Information-Based Individual Feature(MIBIF) 알고리즘은 R-CSP의 차별적인 특징을 선택하기 위해 사용된다. 본 연구에서는 대뇌 피질의 운동영역 부근 18개 채널을 사용하여 BCI CompetitionIII DatasetⅣa의 피험자 다섯 명(aa, al, av, aw 및 ay)에 대해 각각 87.5%, 100%, 63.78%, 82.14% 및 86.11%의 정확도를 도출하였다. 제안된 방법은 CSP, R-CSP 및 FBCSP 방법보다 16.21%, 10.77% 및 3.32%의 평균 분류 정확도 향상이 있었다. 특히, 본 논문에서 제안한 방법은 SSS 상황에서 우수한 성능을 보였다.
서브 밴드 CSP기반 FLD 및 PCA를 이용한 동작 상상 EEG 특징 추출 방법 연구
뇌-컴퓨터 인터페이스는 사용자의 뇌전도(Electroencephalogram: EEG)를 획득하여 생각만으로 기계를 제어하거나 신체장애를 가진 사람에게 손 또는 발과 같은 신체를 대신하여 의사 전달 수단으로 사용될 수 있다. 본 논문에서는 동작 상상 EEG를 분류하기 위해 Sub-Band Common Spatial Pattern (SBCSP)를 기반으로 필터 선택을 하지 않는 특징 추출 방법에 대해 연구한다. 4～40Hz의 동작 상상 신호를 4Hz 대역마다 나눈 9개의 서브 밴드에 각각 CSP를 적용한다. 이후 Fisher"s Linear Discriminant (FLD)를 사용하여 도출된 값들을 결합한 FLD 점수 벡터에 차원 축소를 위한 Principal Component Analysis(PCA)를 적용하여 클래스 구분을 위한 최적의 평면에 특징을 투영한다. 데이터베이스는 BCI CompetitionⅢ dataset Ⅳa(2 클래스: 오른손･다리)를 이용하며, 추출된 특징은 Least Squares Support Vector Machine(LS-SVM)의 입력으로 사용된다. 제안된 방법의 성능은 10×10 fold cross-validation을 이용하여 분류 정확도로 나타낸다. 본 논문에서 제안하는 방법은 피험자 ‘aa’, ‘al’, ‘av’, ‘aw’, ‘ay’에 대하여 각각 85.29±0.93%, 95.43±0.57%, 72.57±2.37%, 91.82±1.38%, 93.50±0.69%의 분류 정확도를 보였다.
EMD와 FFT를 이용한 동작 상상 EEG 분류 기법
뇌전도 기반의 뇌-컴퓨터 인터페이스는 향후 손 또는 발과 같은 신체를 대체하거나 사용자의 편의성을 제고하는 등의 다양한 목적으로 여러 산업에서 사용이 될 수 있는 기술이다. 본 논문에서는 경험 모드 분해와 고속푸리에 변환을 통해 동작 상상 뇌전도 신호를 분해하고 특징을 추출하는 방법을 제안한다. 뇌전도 신호 분류 과정은 다음과 같이 3단계로 구성된다. 신호 분해에서는 경험모드분해를 이용하여 뇌전도 신호에 대한 내재모드함수를 생성한다. 특징 추출에서는 파워 스펙트럼 밀도를 이용하여 생성된 내재모드함수의 주파수 대역을 확인한 뒤, 뮤파 대역을 포함하고 있는 내재모드함수에 고속푸리에 변환을 적용하여 움직임 상상에 대한 특징을 추출한다. 특징 분류에서는 서포트 벡터 머신을 사용하여 동작 상상뇌전도 신호에 대한 특징을 분류하고, 10-교차검증을 통해 분류기의 일반화 성능을 추정한다. 제안하는 방법은 다른 방법들과 비교하여 84.50%의 분류 정확도를 보여주었다.
