• Proceedings of the Korea Information Processing Society Conference
• /
• 2016.04a
• /
• pp.847-850
• /
• 2016

뇌-컴퓨터 인터페이스(Brain-Computer Interface: BCI) 기술의 중요성 및 활용도가 증대됨으로써 EEG(electroencephalogram: EEG)기반의 사용자 인터페이스에 대한 개발 및 연구가 활발히 진행되고 있다. 그러나 뇌파 발생 훈련이 되어 있지 않은 사용자는 EEG 기반의 사용자 인터페이스를 사용하기가 어렵다. 따라서 본 논문에서는 향후 뇌파 훈련을 위한 시뮬레이터를 개발하고자, 그 전단계로 사용자에게서 공통적으로 정확도가 높게 측정되는 채널 및 특징점을 비교, 분석 하였다. 피험자 3명의 왼손 동작 상상과 오른손 동작 상상으로 발생된 EEG 생체신호로부터 ERD/ERS를 확인하고, 8개의 특징점을 추출하여 SVM 분류 알고리즘을 기반으로 정확도를 측정하였으며, ${\mu}$대역 채널 AF4, F4에서의 특징 MAV에서 가장 우수한 성능을 보였다.

• Journal of KIISE
• /
• v.41 no.12
• /
• pp.1050-1057
• /
• 2014

Electroencephalogram (EEG)-based brain-computer interfaces (BCI) can be used for a number of purposes in a variety of industries, such as to replace body parts like hands and feet or to improve user convenience. In this paper, we propose a method to decompose and extract motor imagery EEG signal using Empirical Mode Decomposition (EMD) and Fast Fourier Transforms (FFT). The EEG signal classification consists of the following three steps. First, during signal decomposition, the EMD is used to generate Intrinsic Mode Functions (IMFs) from the EEG signal. Then during feature extraction, the power spectral density (PSD) is used to identify the frequency band of the IMFs generated. The FFT is used to extract the features for motor imagery from an IMF that includes mu rhythm. Finally, during classification, the Support Vector Machine (SVM) is used to classify the features of the motor imagery EEG signal. 10-fold cross-validation was then used to estimate the generalization capability of the given classifier., and the results show that the proposed method has an accuracy of 84.50% which is higher than that of other methods.

• Proceedings of the Korean Information Science Society Conference
• /
• 2011.06a
• /
• pp.469-472
• /
• 2011

신체 부위를 움직이는 상상을 할 때, 일반적으로 뇌의 감각 및 운동 피질 영역에서 특정 주파수 대역의 EEG(Electroencephalography) 신호의 세기가 감소하거나 증가하는 ERD(Event-Related Desynchronization)/ERS(Event-Related Synchronization) 현상이 발생한다. 하지만 ERD/ERS는 현상은 피험자에 의존적이고 매시도마다 큰 차이를 보인다. 이러한 문제를 해결하기 위해, 본 논문에서 각 시간-주파수 공간에 대하여 서로 다른 공간 필터를 구성하는 비 동질(non-homogeneous) 공간 필터 최적화 방법을 제안한다. EEG 신호는 시간에 대하여 비정상적(non-stationary) 특징을 가지기 때문에 제안하는 방법과 같이 시간에 따라 변화하는 ERD/ERS 특징을 반영하여 공간적 특징을 추출하는 방법은 시간에 대한 변화를 고려하지 않은 기존의 방법보다 우수한 성능을 보인다. 본 논문에서는 International BCI Competition IV에서 제공하는 4가지 동작 상상(왼손, 오른손, 발, 혀)에 대한 EEG 신호 데이터를 사용하여 동작 상상 분류 실험을 하고 이 결과를 기존의 타 방법들과 비교 분석하였다. 실험 결과, 피험자에 따라 서로 다른 시간-주파수 특징이 추출됨을 확인하였고, 최적화된 공간 필터들이 시간에 따라 변화하는 것을 확인하였다. 또한 이러한 특징을 이용하여 분류를 수행하였을 때, 더욱 우수한 분류 결과를 보임을 확인하였다.

• Korean Journal of Cognitive Science
• /
• v.21 no.2
• /
• pp.309-338
• /
• 2010

In this paper, we studied the brain-computer interface (BCI). BCIs help severely disabled people to control external devices by analyzing their brain signals evoked from motor imageries. The findings in the field of neurophysiology revealed that the power of $\beta$(14-26 Hz) and $\mu$(8-12 Hz) rhythms decreases or increases in synchrony of the underlying neuronal populations in the sensorymotor cortex when people imagine the movement of their body parts. These are called Event-Related Desynchronization / Synchronization (ERD/ERS), respectively. We implemented a BCI-based mouse interface system which enabled subjects to control a computer mouse cursor into four different directions (e.g., up, down, left, and right) by analyzing brain signal patterns online. Tongue, foot, left-hand, and right-hand motor imageries were utilized to stimulate a human brain. We used a non-invasive EEG which records brain's spontaneous electrical activity over a short period of time by placing electrodes on the scalp. Because of the nature of the EEG signals, i.e., low amplitude and vulnerability to artifacts and noise, it is hard to analyze and classify brain signals measured by EEG directly. In order to overcome these obstacles, we applied statistical machine-learning techniques. We could achieve high performance in the classification of four motor imageries by employing Common Spatial Pattern (CSP) and Linear Discriminant Analysis (LDA) which transformed input EEG signals into a new coordinate system making the variances among different motor imagery signals maximized for easy classification. From the inspection of the topographies of the results, we could also confirm ERD/ERS appeared at different brain areas for different motor imageries showing the correspondence with the anatomical and neurophysiological knowledge.

• Proceedings of the Korean Society of Computer Information Conference
• /
• 2020.07a
• /
• pp.257-258
• /
• 2020

기존의 드론 조작은 초보자에게 어려웠다. 초보자의 경우 드론을 조종하다가 드론이 추락하거나 장애물에 걸려 프로펠러 등의 부품들이 손상되는 경우를 빈번하게 마주한다. 본 연구에서는 초보자 또한 드론 파손의 걱정 없이 드론의 조작을 더욱 쉽게 개선시키는 것을 전제로 뇌파와 보조입력인 음성인식을 이용한 드론 컨트롤러 기술을 적용하고자 한다. 현재 대중적으로 출시되어 있는 드론의 경우 호버링 기능을 포함시켜 드론의 추락 위험을 줄여주는 기능을 탑재하고 있다. 하지만 속도가 빠른 드론의 조작에 있어 미숙한 초보자들은 장애물과의 충돌 그리고 드론 착륙 시 기체손상 등의 위험에 대비하기 힘들다. 본 논문은 이러한 문제점들을 개선하기 위해 기존의 드론 컨트롤러 대신 특정한 동작을 상상할 때 발현되는 동작상상뇌파와 음성입력을 적용한 '동작상상뇌파와 음성인식을 이용한 드론 컨트롤러' 기술을 제안한다. 기존의 드론 컨트롤러와는 다르게 빅 데이터 처리기술인 머신러닝을 이용하여 뇌파 데이터를 처리하고 그 데이터들과 입력되는 뇌파 값을 비교하여 드론을 제어한다. 또한 뇌파의 발현이 안정적이지 못하는 상황을 대비한 보조입력인 음성인식을 이용하여 드론의 기체손상을 최소화 시킬 수 있다.

• Journal of the Korea Society of Computer and Information
• /
• v.25 no.8
• /
• pp.111-117
• /
• 2020

Recently, with the high interest of machine learning, the need for educational controllers to interface with physical devices has increased. However, existing controllers are limited in terms of high cost and area of utilization for educational purposes. In this paper, motion control controllers using brain waves are proposed for the purpose of students' machine learning applications. The brain motion that occurs when imagining a specific action is measured and sampled, then the sample values were learned through Tensor Flow and the motion was recognized in contents such as games. Movement variation for motion recognition consists of directionality and jump motion. The identification of the recognition behavior is sent to a game produced by an Unreal Engine to operate the character in the game. In addition to brain waves, the implemented controller can be used in various fields depending on the input signal and can be used for educational purposes such as machine learning applications.

• Journal of KIISE
• /
• v.44 no.6
• /
• pp.587-594
• /
• 2017

Recently, motor imagery electroencephalogram(EEG) based Brain-Computer Interface(BCI) systems have received a significant amount of attention in various fields, including medicine and engineering. The Common Spatial Pattern(CSP) algorithm is the most commonly-used method to extract the features from motor imagery EEG. However, the CSP algorithm has limited applicability in Small-Sample Setting(SSS) situations because these situations rely on a covariance matrix. In addition, large differences in performance depend on the frequency bands that are being used. To address these problems, 4-40Hz band EEG signals are divided using nine filter-banks and Regularized CSP(R-CSP) is applied to individual frequency bands. Then, the Mutual Information-Based Individual Feature(MIBIF) algorithm is applied to the features of R-CSP for selecting discriminative features. Thereafter, selected features are used as inputs of the classifier Least Square Support Vector Machine(LS-SVM). The proposed method yielded a classification accuracy of 87.5%, 100%, 63.78%, 82.14%, and 86.11% in five subjects("aa", "al", "av", "aw", and "ay", respectively) for BCI competition III dataset IVa by using 18 channels in the vicinity of the motor area of the cerebral cortex. The proposed method improved the mean classification accuracy by 16.21%, 10.77% and 3.32% compared to the CSP, R-CSP and FBCSP, respectively The proposed method shows a particularly excellent performance in the SSS situation.

• Journal of KIISE
• /
• v.42 no.12
• /
• pp.1535-1543
• /
• 2015

The brain-computer interface obtains a user's electroencephalogram as a replacement communication unit for the disabled such that the user is able to control machines by simply thinking instead of using hands or feet. In this paper, we propose a feature extraction method based on a non-selected filter by SBCSP to classify motor imagery EEG. First, we divide frequencies (4~40 Hz) into 4-Hz units and apply CSP to each Unit. Second, we obtain the FLD score vector by combining FLD results. Finally, the FLD score vector is projected onto the optimal plane for classification using PCA. We use BCI Competition III dataset IVa, and Extracted features are used as input for LS-SVM. The classification accuracy of the proposed method was evaluated using $10{\times}10$ fold cross-validation. For subjects 'aa', 'al', 'av', 'aw', and 'ay', results were $85.29{\pm}0.93%$, $95.43{\pm}0.57%$, $72.57{\pm}2.37%$, $91.82{\pm}1.38%$, and $93.50{\pm}0.69%$, respectively.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2003.05a
• /
• pp.721-724
• /
• 2003

인터넷 기술의 발전과 개인용 컴퓨터 성능의 향상 그리고 모바일 폰의 일상 생활화로 우리생활의 않은 부분이 변화하고 있다. 예전에는 상상으로만 가능했던 온라인 게임, 가상 쇼핑몰, 모바일 영상과 광고 등이 핸드폰 등으로 짧은 설가 시간에 장소의 제약을 받지 않고 즐길 수 있게 되었다. 이러한 필요성에 따라서 애니메이션 관련 학과들이 수 없이 많이 생겨나고 있으나 아직 모바일 컨텐츠로 위한 애니메이션 모델이 없거나 있어도 미비한 실정으로 편집이나 출판만화 형식에 국한되고 있는 곳이 많이 있다. 본 논문은 이러한 점에 착안하여 학생들이 스스로 애니메이션 제작을 할 수 있는 동작 표현 애니메이션 모델을 설계하고 구현하였다.

• Journal of KIISE
• /
• v.44 no.9
• /
• pp.887-892
• /
• 2017

Brain-computer interface (BCI) is a technology that controls computer and transmits intention by measuring and analyzing electroencephalogram (EEG) signals generated in multi-channel during mental work. At this time, optimal EEG channel selection is necessary not only for convenience and speed of BCI but also for improvement in accuracy. The optimal channel is obtained by removing duplicate(redundant) channels or noisy channels. This paper propose a dual filter-based channel selection method to select the optimal EEG channel. The proposed method first removes duplicate channels using Spearman's rank correlation to eliminate redundancy between channels. Then, using F score, the relevance between channels and class labels is obtained, and only the top m channels are then selected. The proposed method can provide good classification accuracy by using features obtained from channels that are associated with class labels and have no duplicates. The proposed channel selection method greatly reduces the number of channels required while improving the average classification accuracy.