디지털 라이브러리[ 검색결과 ]
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.
뇌전도의 다변량 다중스케일 퍼지 엔트로피 분석에 기반한 감정 인식
http://doi.org/10.5626/JOK.2020.47.3.227
뇌전도(Electroencephalogram, EEG) 신호는 뇌 활동의 즉각적이고 지속적인 신호로서, 사람의 감정 상태의 변화를 직접적으로 반영할 수 있기 때문에 감정 분석에 주로 이용된다. 이러한 EEG 신호의 분석 방법 중, 엔트로피(Entropy) 분석은 시계열의 복잡성을 정량화하기 위한 측정법 중 하나이며, 복잡성의 정량적 분석은 비정상적이고 비선형적인 생체 신호의 분석에 유망하다. 본 논문에서는 여러 전극으로부터 기록된 EEG 신호를 사용하여 감정 상태를 분석하기 위해 여러 시간 스케일에서 다변량 시계열의 복잡도를 정량화하는 다변량 다중스케일 퍼지 엔트로피(Multivariate Multiscale Fuzzy Entropy)를 제안한다. 공공 생체신호 데이터베이스인 DEAP의 EEG 데이터를 이용하여 높은/낮은 각성(Arousal) 및 높은/낮은 정서(Valence)의 이진 분류를 통해 감정 상태의 구분의 유효성을 검증하였다.
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.
