• 한국정보전자통신기술학회논문지
• /
• 제17권1호
• /
• pp.38-46
• /
• 2024

일반적으로 EEG 신호 분석은 의료 진단 및 재활 공학에 적용하여 뇌-컴퓨터 인터페이스 연구에 널리 사용되는 뇌 자극을 기록하는 객관적인 모드를 제공할 수 있는 능력 때문에 여러 연구의 주제가 되어 왔습니다. 본 연구에서는 뇌전도 측정하기 위한 뇌파 수신 하드웨어 개발 및 처리 시스템 구현을 통해 서버와 데이터 처리로 분류하여 개발을 진행하였다. 뇌전도를 이용한 뇌-컴퓨터 인터페이스 구현의 중간단계 연구로 진행되었으며, 측정된 뇌전도 데이터에 따라 사용자의 팔의 움직임을 예측하는 형태로 구현되었다. 네 개의 전극으로부터의 입력을 아날로그-디지털 변환기를 통해 뇌전도 측정을 수행하였다. 이를 통신 과정을 거쳐 서버에 전송한 뒤, 서버에서 합성곱 신경망 모델로 뇌전도 입력을 분류하여 그 결과를 사용자 단말로 표시하는 시스템의 흐름을 설계하고 구현하였다.

• 한국정보처리학회:학술대회논문집
• /
• 한국정보처리학회 2022년도 추계학술발표대회
• /
• pp.679-679
• /
• 2022

• 한국정보과학회논문지:소프트웨어및응용
• /
• 제35권3호
• /
• pp.169-178
• /
• 2008

암환자들은 암의 진행과 항암화학요법 등의 치료로 인해 심신의 불안정과 항상성의 저하로 큰 고통을 겪고 있다. 간편하면서 인체에 아무 해를 주지 않는 뇌파를 기반으로 하는 뇌-컴퓨터-인터페이스(BCI) 기술로서 암 환자의 상태를 모니터링하여 적절한 처치를 취할 수 있다는 것은 매우 중요한 일이다. 암환자들의 전전두엽에 헤드밴드 형태의 건성전극단자를 부착하고, 컴퓨터와 연결된 휴대용 뇌파측정 장치로 전전두엽 뇌파(Fp1, Fp2)를 측정하였다. 컴퓨터를 통하여 파장대 별로 얻어진 뇌파를 상호 연관성에 따라 뇌지수로 구분한 후 통계 처리하여 유의성을 검증하였다. 암환자군과 정상대조군을 비교한 결과 암환자군에 비하여 정상대조군이 기초율동지수, 주의지수, 정서지수, 항스트레지수와 좌우뇌균형지수에서 유의하게 높은 차이를 나타냈다. 따라서 뇌파 측정이 환자의 상태를 모니터링하는 중요한 도구로서의 가능성을 보였다.

• 한국콘텐츠학회지
• /
• 제13권2호
• /
• pp.36-40
• /
• 2015

• 대한약리학회:학술대회논문집
• /
• 대한약리학회 2006년도 The 6th Congress of the Federation of Asian and Oceanian Physiological Societies
• /
• pp.115.2-115.2
• /
• 2006

• 대한인간공학회:학술대회논문집
• /
• 대한인간공학회 2004년도 추계학술대회
• /
• pp.59-59
• /
• 2004

• 한국HCI학회:학술대회논문집
• /
• 한국HCI학회 2009년도 학술대회
• /
• pp.2083-2085
• /
• 2009

Brain Computer Interface (BCI) is a communication pathway between devices (computers) and human brain. It treats brain signals in real-time basis and discriminates some information of what human brain is doing. In this work, we develop a EEG BCI system using a feature extraction such as common spatial pattern (CSP) and a classifier using Fisher linear discriminant analysis (FLDA). Two-class EEG motor imagery movement datasets with both cued and uncued are tested to verify its feasibility.

• 한국지능시스템학회논문지
• /
• 제23권2호
• /
• pp.172-177
• /
• 2013

BCI (Brain Computer Interface)는 인간의 뇌에서 측정된 EEG (Electroencephalogram)를 활용하여 의수와 같은 기기를 조종할 수 있는 좋은 방법 중 하나이다. 본 논문에서는 EEG와 힘과의 관계를 알아보고자 최대수축악력 (MVC)의 25%, 50%, 75%로 3개의 등급으로 나누어 EEG 변화를 측정하였다. 얻어진 EEG data를 FFT와 power spectrum analysis로 ${\alpha}$, ${\beta}$, ${\gamma}$파로 나누어 각 파형의 파워 값을 구한 뒤, 구해진 EEG 파워 값을 PCA와 LDA를 사용하여 특징 추출 및 분류를 하였다. 실험 결과 25%의 악력을 가할 때 보다 75%의 악력 때 더 높은 EEG 파워의 증가를 확인하였고, 왼손과 오른손은 각각 52.03%와 77.7%의 분류율을 나타내었다.

• 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.

• International Journal of Internet, Broadcasting and Communication
• /
• 제15권2호
• /
• pp.124-132
• /
• 2023

In this paper, we present a simple classification model based on statistical features and demonstrate the successful implementation of a brain-computer interface (BCI) based light on/off control system. This research shows study and development of light on/off control system based on BCI technology, which allows the users to control switching a lamp using electroencephalogram (EEG) signals. The logistic regression algorithm is used for classification of the EEG signal to convert it into light on, light off control commands. Training data were collected using 14-channel BCI system which records the brain signals of participants watching a screen with flickering lights and saves the data into .csv file for future analysis. After extracting a number of features from the data and performing classification using logistic regression, we created commands to switch on a physical lamp and tested it in a real environment. Logistic regression allowed us to quite accurately classify the EEG signals based on the user's mental state and we were able to classify the EEG signals with 82.5% accuracy, producing reliable commands for turning on and off the light.