• 한국콘텐츠학회논문지
• /
• 제10권6호
• /
• pp.27-34
• /
• 2010

본 논문은 가중 퍼지소속함수 기반 신경망(neural network with weighted fuzzy membership functions, NEWFM)과 웨이블릿 기반의 특징 추출기법을 사용하여 왼쪽 또는 오른쪽의 운동 형상을 분류하는 방안을 제안하고 있다. 초기 특징을 추출하기 위해서 첫 번째 단계에서 웨이블릿 변환(wavelet transforms)을 이용하여 뇌파(electroencephalogram, EEG) 신호로부터 웨이블릿 계수들을 추출하였다. 두 번째 단계에서는 첫 번째 단계에서 추출한 웨이블릿 계수들을 통계적인 방법인 주파수 분포와 주파수 변동량을 이용하여 60개의 초기 특징을 추출하였다. 이들 60개의 초기 특징은 NEWFM에서 제공하는 비중복면적 분산 측정법에 의해 중요도가 가장 낮은 특징을 하나씩 제거되면서 정확도가 가장 높은 6개의 최소 특징을 선택되었다. 이들 6개의 최소 특징을 NEWFM의 입력으로 사용하여 86.43%의 정확도를 구하였다.

• 정보처리학회논문지B
• /
• 제16B권1호
• /
• pp.63-70
• /
• 2009

BCI 기술은 생체신호인 뇌파를 수집하여 신호처리를 거친 후 실질적인 기기제어 및 통신 시스템 등을 제어하는 시스템 관련 기술이다. BCI 시스템 구현을 위해서는 뇌파의 특성을 실시간으로 분석하여 학습 시키고 학습된 뇌파의 특성을 적용하는 단계가 요구된다. 본 논문에서는 EEG 데이터를 효율적으로 분석하기 위해 점진적으로 갱신되는 주성분 분석을 이용하여 왼손/오른손 동작에 영향을 미치는 EEG 신호의 특징을 찾고, 이를 반영하여 데이터의 차원을 축소한다. 입력 자료의 특징을 충분히 포함하면서 낮은 차원을 가지는 데이터를 이용한다면 분류를 위한 계산량을 감소시킬 수 있을 뿐만 아니라 불필요한 특징을 제거함으로써 분류 성능을 향상 시킬 수 있다. 본 논문에서는 점진적으로 갱신되는 주성분 분석을 이용하여 데이터의 차원을 축소하고 이에 대한 효율성을 검증하기 위해 K-NN분류기를 이용하여 분류 정확도 측정을 수행하였다. 그 결과 주성분 분석을 이용하여 특징을 추출하고 분류율을 측정한 경우보다 평균 5% 높은 분류 정확율을 보였다.

• 대한의용생체공학회:의공학회지
• /
• 제42권6호
• /
• pp.268-276
• /
• 2021

Functional near-infrared spectroscopy-based brain-computer interface (fNIRS-based BCI) has been receiving much attention. However, we are practically constrained to obtain a lot of fNIRS data by inherent hemodynamic delay. For this reason, when employing machine learning techniques, a problem due to the high-dimensional feature vector may be encountered, such as deteriorated classification accuracy. In this study, we employ an elastic net-based feature selection which is one of the embedded methods and demonstrate the utility of which by analyzing the results. Using the fNIRS dataset obtained from 18 participants for classifying brain activation induced by mental arithmetic and idle state, we calculated classification accuracies after performing feature selection while changing the parameter α (weight of lasso vs. ridge regularization). Grand averages of classification accuracy are 80.0 ± 9.4%, 79.3 ± 9.6%, 79.0 ± 9.2%, 79.7 ± 10.1%, 77.6 ± 10.3%, 79.2 ± 8.9%, and 80.0 ± 7.8% for the various values of α = 0.001, 0.005, 0.01, 0.05, 0.1, 0.2, and 0.5, respectively, and are not statistically different from the grand average of classification accuracy estimated with all features (80.1 ± 9.5%). As a result, no difference in classification accuracy is revealed for all considered parameter α values. Especially for α = 0.5, we are able to achieve the statistically same level of classification accuracy with even 16.4% features of the total features. Since elastic net-based feature selection can be easily applied to other cases without complicated initialization and parameter fine-tuning, we can be looking forward to seeing that the elastic-based feature selection can be actively applied to fNIRS data.

• 대한의용생체공학회:의공학회지
• /
• 제43권6호
• /
• pp.375-381
• /
• 2022

Brain-computer interface (BCI) is a technology that allows users with motor disturbance to control machines by brainwaves without a physical controller. Motor imagery (MI)-BCI is one of the popular BCI techniques, but it needs a long calibration time for users to perform a mental task that causes high fatigue to the users. MI is reported as showing a similar neural mechanism as motor execution (ME) and motor observation (MO). However, integrative investigations of these three tasks are rarely conducted. In this study, we propose a new paradigm that incorporates three tasks (MI, ME, and MO) and conducted a comparative analysis. For this study, we collected Electroencephalograms (EEG) of motor imagery/execution/observation from 28 healthy subjects and investigated alpha event-related (de)synchronization (ERD/ERS) and classification accuracy (left vs. right motor tasks). As result, we observed ERD and ERS in MI, MO and ME although the timing is different across tasks. In addition, the MI showed strong ERD on the contralateral hemisphere, while the MO showed strong ERD on the ipsilateral side. In the classification analysis using a Riemannian geometry-based classifier, we obtained classification accuracies as MO (66.34%), MI (60.06%) and ME (58.57%). We conclude that there are similarities and differences in fundamental neural mechanisms across the three motor tasks and that these results could be used to advance the current MI-BCI further by incorporating data from ME and MO.

• 한국전자통신학회논문지
• /
• 제19권3호
• /
• pp.583-588
• /
• 2024

BCI(뇌-컴퓨터 인터페이스) 기술의 등장으로 거울 신경을 분석하는 것이 용이해졌다. 그러나 인간의 생각에 의존하는 BCI 시스템의 정확성을 평가하는 것은 그 질적 특성으로 인해 어려움을 겪는다. BCI의 잠재력을 활용하기 위해 우리는 움직임의 궁극적인 목표에 따라 발화 속도가 영향을 받는 인간의 거울 신경의 특성을 기반으로 정확도를 측정하는 새로운 접근법을 제안한다. 본 논문에 2장에서는 거울 신경을 소개한다. 또한, 거울 신경을 위한 인간 자세 추정에 대한 설명을 제시한다. 3장에서는 인간 자세 추정 기법을 활용하여 실시간 동적 환경에 적합한 강력한 포즈 추정 방법을 소개한다. 이어서 이러한 로봇 환경을 이용한 BCI의 정확성을 분석하는 방법을 제시한다.

• 한국정보과학회논문지:소프트웨어및응용
• /
• 제29권11호
• /
• pp.837-850
• /
• 2002

본 논문에서는 인지적 긍정/부정 선택 과제의 수행 시 뇌파를 이용하여 피험자의 반응시간 RT(response time)를 예측하는 방법에 관하여 기술한다. 실험 task에서 피험자는 시각적 자극에 대한 반응, 문제의 해석, 손 움직임의 조절, 손동작 등과 관련된 뇌활동을 한다. 이와 같은 피험자의 정신상태의 변화를 CT(cut time), ST(selection time), RP(repeated period) 등을 정의하여 모델링하고, 선택시간 ST를 감지하여 피험자의 반응시간 RT를 예측한다. ST를 감지하기 위하여 측정한 뇌파로부터 $\alpha$, $\beta$, ${\gamma}$파를 분리하고, 공간적인 관계를 고려하여 설정한 4쌍의 전극들로부터 3가지의 특징들을 추출한다. 추출한 특징들을 분석하여 각 피험자별로 나타나는 상세 규칙(specific rule)과 공통적인 특징들로 구성된 일반 규칙(meta rule)들을 설정한다. 8명의 피험자를 대상으로 설정한 규칙들을 적용하여 평균 83%의 ST 감지 성공률을 보이고, ST 감지 이후 약 0.73초에서 RT가 나타나는 것을 보인다. 설정한 규칙들의 타당성을 검증하기 위하여 8명 중 2명의 피험자에 대해서 재실험을 하고, 이들 데이타에 적용한 결과를 보인다. 본 논문에서 제안한 방법을 기존의 인지적인 정신상태 판별을 위한 방법들이나 왼손/오른손 동작구분 방법들과 결합하여 사용할 경우 BCI를 위한 기반 기술로 활용될 것으로 기대한다.

• 한국지능시스템학회논문지
• /
• 제24권1호
• /
• pp.90-95
• /
• 2014

인간과 기계를 연결하는 새로운 인터페이스인 Brain-computer interface (BCI)를 이용해 휠체어를 제어하거나 단어를 입력하는 등, 사용자를 위한 다양한 장치를 개발하는 연구들이 진행되어 왔다. 특히 최근에는 뇌파를 이용한 음성인식을 구현하고 이를 통해 무음통신 등에 적용하려는 시도들이 있었다. 본 논문에서는 이러한 연구의 일환으로 electroencephalogram (EEG) 기반의 언어 인식 시스템을 개발하기 위한 기초 단계로서, 국제음성기호에 기반을 둔 모음들의 특징을 추출하는 방법에 대한 연구를 진행하였다. 실험은 건장한 세 명의 남성 피험자를 대상으로 진행되었으며, 한 개의 모음을 제시하는 첫 번째 실험 과정과 두 개의 연속된 모음을 제시하는 두 번째 실험 과정으로 두 단계에 나누어서 실험이 진행되었다. 습득된 64개의 채널중 선택적으로 32개의 채널만을 사용해 특징을 추출하였으며, 사고 활동과 관련된 전두엽과 언어활동에 관련된 측두엽을 기준으로 영역을 선택하였다. 알고리즘 적용을 위해서 특징으로는 신호의 고유 값을 사용하였고, support vector machine (SVM)을 이용하여 분류를 수행하였다. 실험 결과, 첫 번째 단계의 실험을 통해서, 언어의 뇌파를 분석하기 위해서는 10차원 이상의 특징 벡터를 사용해야 됨을 알게 되었고, 11차원의 특징 벡터를 사용할 경우, 평균분류율은 최고 95.63 %로 /a/와 /o/를 분류할 때 나타났고, 가장 낮은 분류율을 보이는 모음은 /a/와 /u/로 86.85 %였다. 두 번째 단계의 실험에서는 두 개 이상의 모음을 발음하는 것이 단일 모음 발음과 어떤 차이가 있는지 확인해 보았다.

• 경영정보학연구
• /
• 제19권3호
• /
• pp.105-125
• /
• 2017

SNS 사용과 성과의 관계에 관해서는 여러 연구가 있어 왔으나, 대부분의 선행 연구들은 작업 도중 SNS의 사용이 해당 작업의 성과에 미치는 영향을 연구하기 보다는 SNS 사용자와 비사용자의 평소 성과를 비교하여 긍정적, 혹은 부정적이라는 서로 상반된 결론을 내려왔었다. SNS의 사용이 공간과 시간의 제약 없이 일상화된 만큼, 본 연구에서는 이러한 기존 연구들을 보완하고자 실험 설계를 통하여 작업 도중 SNS의 사용과 해당 작업의 성과에 관한 탐색적 연구를 진행하였다. 이를 위해 휴식과 성과, 작업의 종류와 휴식의 종류에 대한 기존 문헌을 토대로 SNS의 역할을 긍정적, 혹은 부정적으로 단정짓지 않고 다양한 상황에서 보다 구체적으로 살펴보려 하였으며, 그 방법으로 실험 참여자의 뇌파해석, 자기 보고, 컴퓨터 기록 등 다양한 측정지표를 사용하였다. 그 결과, 간단한 작업 도중 SNS를 사용할 경우 단순 휴식을 취했을 때 보다 이후 성과가 개선되었으나, 복잡한 작업 도중 SNS를 사용한 경우에는 그 개선도가 단순 휴식과 비교했을 때 차이가 없었다. 추가 분석 결과 SNS 사용 후 성과가 개선된 참여자들의 경우, 간단한 작업을 수행한 참여자의 경우에는 SNS 사용 경험 및 몰입도가 성과에 긍정적인 영향을 미쳤으며, 복잡한 작업의 경우에는 자아 존중감 확인은 긍정적, 사회적 실재감은 부정적 영향을 미친 것을 확인할 수 있었다.

• 감성과학
• /
• 제16권1호
• /
• pp.107-116
• /
• 2013

P300 문자입력기에 사용되는 대표적인 자극제시방법은 행-열 패러다임(RCP)이다. 그러나 RCP는 근접-혼동 오류와 이중-깜박임 문제를 가지고 있다. 본 연구에서는 RCP가 가지고 있는 두 가지 오류의 원천을 효과적으로 통제하는 하위블록 패러다임(SBP)을 제안하고 검증하였다. 15명의 실험참가자에게 RCP와 SBP를 모두 사용하여 문자를 입력하도록 하였다. 뇌파는 Fz와 Cz, Pz, P3, P4, PO7, PO8에서 측정하였다. 각 패러다임은 분류기를 학습시키기 위한 훈련단계와 문자입력기의 성능을 평가하기 위한 검사단계로 구성되어 있다. 훈련단계에서 18개의 문자를 입력하였으며, 검사단계에서 5명은 50개의 단어를 입력하였고 나머지 10명은 25개의 단어를 입력하였다. 정확도를 산출한 결과, SBP의 정확도는 83.73%로 RCP의 정확도 66.40%보다 통계적으로 유의하게 더 높았다. Pz에서 측정한 ERP를 분석하였을 때, 목표자극에 대한 정적 정점의 진폭이 RCP보다 SBP에서 더 크게 나타나 실험참가자들이 SBP에서 특정 문자에 더 많은 주의를 집중한 것으로 보인다. P300 문자입력기에 대한 사용용이성을 7점 척도로 측정하였을 때, SBP가 RCP보다 더 사용하기 쉬운 것으로 나타났다. 특히 RCP의 사용용이성은 대부분의 실험참가자들이 '힘들었다'는 범주에 응답한 반면, SBP의 사용용이성은 모든 피험자들이 '보통'과 '쉬웠다'의 범주에 응답하였다. 전반적으로 SBP가 RCP보다 우월한 것으로 평가되었으며, 논의에 SBP의 한계점에 대해서 기술하였다.

• 정보과학회 논문지
• /
• 제44권6호
• /
• pp.587-594
• /
• 2017

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.