Journal of the Korean Institute of Intelligent Systems (한국지능시스템학회논문지)

Korean Institute of Intelligent Systems (한국지능시스템학회)
권호 표지
DOI QR코드

DOI QR Code

Development of Mirror Neuron System-based BCI System using Steady-State Visually Evoked Potentials

정상상태시각유발전위를 이용한 Mirror Neuron System 기반 BCI 시스템 개발

  • 이상경 (중앙대학교 전자전기공학부) ;
  • 김준엽 (중앙대학교 전자전기공학부) ;
  • 박승민 (중앙대학교 전자전기공학부) ;
  • 고광은 (중앙대학교 전자전기공학부) ;
  • 심귀보 (중앙대학교 전자전기공학부)
  • Received : 2011.11.19
  • Accepted : 2012.02.01
  • Published : 2012.02.25
Download PDF
⟨ Previous Next ⟩

Abstract

Steady-State Visually Evoked Potentials (SSVEP) are natural response signal associated with the visual stimuli with specific frequency. By using SSVEP, occipital lobe region is electrically activated as frequency form equivalent to stimuli frequency with bandwidth from 3.5Hz to 75Hz. In this paper, we propose an experimental paradigm for analyzing EEGs based on the properties of SSVEP. At first, an experiment is performed to extract frequency feature of EEGs that is measured from the image-based visual stimuli associated with specific objective with affordance and object-related affordance is measured by using mirror neuron system based on the frequency feature. And then, linear discriminant analysis (LDA) method is applied to perform the online classification of the objective pattern associated with the EEG-based affordance data. By using the SSVEP measurement experiment, we propose a Brain-Computer Interface (BCI) system for recognizing user's inherent intentions. The existing SSVEP application system, such as speller, is able to classify the EEG pattern based on grid image patterns and their variations. However, our proposed SSVEP-based BCI system performs object pattern classification based on the matters with a variety of shapes in input images and has higher generality than existing system.

정상상태시각유발전위 (Steady-State Visually Evoked Potentials)는 특정 주파수를 가진 시각자극에 대한 자연반응 신호이며 3.5Hz~75Hz의 주파수 범위를 갖는 시각 자극에 의해 동일한 주파수로 후두엽 영역이 전기적 활성화되는 특성이 있다. 본 논문에서 이러한 SSVEP 특성을 기반으로 EEG 분석을 수행하는 실험 패러다임을 구축하여 행동유발특성을 가지는 특정 객체에 대한 영상입력 시각자극에서의 주파수 패턴에 대응하는 EEG의 주파수 특징을 검출하고 이를 기반으로 객체와 관련된 행동유발특성을 Mirror Neuron System을 통해 측정한다. 이 때 측정된 EEG 기반 행동유발특성 데이터에 대한 선형판별분석을 수행하여 객체 패턴분류를 실시간으로 수행한다. 이러한 SSVEP 관측 실험을 기반으로 사용자의 내재적 의도를 파악하기 위한 Brain-Computer Interface(BCI) 시스템을 제안했다. Speller 등으로 대표되는 기존의 SSVEP 응용시스템은 격자영상패턴에 대응하는 뇌파특성 분석에 따른 패턴분류의 수행이 가능하나 본 논문의 SSVEP 기반 BCI는 다양한 형태의 사물을 입력객체로 활용하여 분류가 가능함으로 인해 범용성이 높아졌다.

Keywords

References

  1. L. Xia, C.-C. Chen, and J. K. Aggarwal, "Human Detection Using Depth Information by Kinect", International Workshop on Human Activity Understanding from 3D Data in conjunction with CVPR (HAU3D), Colorado Springs, CO, June 2011.
  2. 한국콘텐츠진흥원, "BCI(Brain Computer Interface) 기술 동향," 문화기술(CT) 심층리포트, no. 12, pp. 3-6, 2011. 03.
  3. 전황수, "뇌-컴퓨터 인터페이스(BCI) 기술 및 개발 동향," 전자통신동향분석, vol. 26, no. 5, pp. 123-133, 2011. 10.
  4. M. Thulasidas, C. Guan, "Optimization of BCI speller based on P300 potential," Proc. 27th Annual Conference, IEEE Engineering in Medicine and Biology, pp. 5396-5399, 2005.
  5. E. Donchin, K. M. Spencer, and R. Wijesinghe, "The mental prosthesis: Assessing the speed of a P300-based brain-computer interface," IEEE Trans. Rehabil. Eng., vol. 8, no. 1, pp. 174-179, June 2000. https://doi.org/10.1109/86.847808
  6. 손량희, 손종상, 황한정, 임창환, 김영호, "안정상태 시각유발전위 기반의 기능적 전기자극 재활훈련 시스템," J . Biomed, Eng. Res., vol. 31, pp. 359-364, Oct. 2010.
  7. Paul S. Hammom and Virginia R. de Sa, "Preprocessing and Meta-Classification for Brain-Computer Interface," IEEE transaction on biomedical engineering, vol. 54, no. 3, march 2007.
  8. P. Comon, Independent component analysis, A new concept, Signal Processing, vol. 36, no. 3, pp. 11-20, 1994.
  9. G. Pfurscheller and C. Neuper, "Motor imagery and direct brain-computer communication," Proc. IEEE, vol. 89, pp. 1123-1134, July 2001. https://doi.org/10.1109/5.939829
  10. W. Penny, S.Roberts and M. Stokes, "Imagined hand movements identified from the EEG mu-rhythm," Dept. Elect. Eng. Imperial College, London, U.K., Tech, Rep. 1998.
  11. C.Anderson, E.Stolz, and S. Shamsunder, "Discriminating mental tasks using EEG represented by AR models," Proc. IEEE Engineering in Medicine an Biology Annu. Conf. Sept. 1995.
  12. A. Shlogl, G. Pfurtscheller, and B. Schack, "Single-trial EEG analysis using an adaptive autoregreesive model," Proc, 4th Int, Symp Central Nervous Monitoringm, Sept. 1996.
  13. S. Roberts, W.Penny and I, Rezek, "Temporal and spatial complexity measures for EEG-based brain-computer interfacing," Med. Biol. Eng, compput, vol. 37, no. 1, pp. 93-99, 1998.
  14. N. Yamawaki, C. Wilke, Z. Lu, and B. He, "An enhanced time-frequency approach for mIotor imagery classification" IEEE Trans. Neural Syst, Rehabil, Eng. vol. 14, pp. 250-254, 2006. https://doi.org/10.1109/TNSRE.2006.875567
  15. 이상경, 고광은, 심귀보, "정상상태시각유발전위를 이용한 미러 뉴런 시스템," Proc. KIIS Fall Conference 2011, vol. 21, no. 2, pp. 19-20, 2011.