디지털 라이브러리[ 검색결과 ]
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.
방향 회전에 불변한 얼굴 영역 분할과 LBP를 이용한 얼굴 검출
http://doi.org/10.5626/JOK.2017.44.7.692
LBP기반 특징점 기술자를 이용한 얼굴검출은 얼굴의 형태정보 및 눈, 코, 입과 같은 얼굴 요소들 간 공간정보를 표현할 수 없는 문제가 있다. 이러한 문제를 해결하기 위해 선행 연구들은 얼굴 영상을 다수개의 사각형 부분영역들로 분할하였다. 하지만, 연구마다 서로 다른 개수와 크기로 부분 영역을 분할하였기 때문에 실험에 사용하는 데이터베이스에 적합한 부분 영역의 분할 기준이 모호하며, 부분 영역의 수에 비례하여 LBP 히스토그램 차원이 증가되고, 부분 영역의 개수가 증가함에 따라 얼굴의 방향 회전에 대한 민감도가 크게 증가한다. 본 논문은 LBP기반 특징점 기술자의 방향 회전 문제와 특징점 차원의 수 문제를 해결할 수 있는 새로운 부분 영역 분할 방법을 제안한다. 실험 결과, 제안하는 방법은 방향 회전된 단일 얼굴 영상에서 99.0278%의 검출 정확도를 보였다.
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.
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.
