• 전자공학회논문지
• /
• 제51권5호
• /
• pp.197-206
• /
• 2014

운동심상(Motor imagery) 기반의 뇌-컴퓨터 인터페이스(Brain-computer Interface)는 주로 뇌전도(Electroencephalography, EEG)를 이용하여 사용자의 자발적인 운동 의지를 읽는 기술로 최근 주목받고 있다. 이 중에서도 피실험자의 운동 의지를 정확히 해석하기 위해 감각운동 영역(sensorimotor area)의 일부분에서 나타나는 ${\mu}$-대역(8-13Hz)의 전위 감소 현상인 event related desynchronization(ERD)을 분석하는 연구가 많이 진행되고 있다. 하지만 EEG는 공간 해상도가 낮고 사용자에 따라 ERD가 발생하는 주파수 대역이 다소 차이가 있어 추정에 어려움이 있다. 이에 대한 개선 방법의 하나로서 공간 필터를 구현하는 common spatial pattern (CSP)과 필터 뱅크(filter bank)를 결합한 형태인 discriminative filter bank common spatial pattern(DFBCSP)이 제안되었다. 그러나 DFBCSP는 EEG 신호의 평균 전력(power)의 Fisher ratio를 이용하여 사용자에 따른 효과적인 주파수 대역을 포함하는 discriminative filter bank(DFB)를 구성하여 분류 정확도를 향상시켰지만 ERD의 공간 패턴이 나타나는 적절한 필터를 선택하지 않는 경우가 발생한다. 이러한 문제를 해결하기 위해 본 논문에서는 EEG 신호의 평균전력 대신 CSP의 특성 벡터를 이용하여 DFB를 구성하는 방법을 제안한다. 기존의 방법과 제안한 방법의 필터 선택 결과와 분류 정확도 분석을 통해 CSP 특성 벡터가 DFB 구성에 더욱 효과적임을 보인다.

• 전자공학회논문지CI
• /
• 제45권6호
• /
• pp.139-146
• /
• 2008

특수 분장을 이용하여 매우 정교하게 제작된 가면을 쓴 얼굴 위변조의 경우 일반적인 밝기 영상으로는 검출이 용이하지 않다. 최근의 획기적인 특수 분장 기술 발전을 고려할 때 성공적인 얼굴 인식시스템 개발을 위해 가면을 쓴 얼굴 위변조 검출 연구는 매우 중요하다. 본 연구에서는 물질의 재질 및 표면 색상에 따른 반사율의 차이를 기반으로 가면을 착용하는 얼굴 위변조 검출 방법을 제안한다. 우선 실제 얼굴 인식 시스템의 적용 환경을 고려할 때 알비도(albedo)를 단순히 빛의 반사량, 즉, 영상에서의 그레이 값으로 간략화 할 수 있음을 보였다. 이를 기반으로 850nm 적외선 조명이 얼굴 피부와 가면재질의 구분에 가장 적합하고, 인종 간 다른 피부색에 대해서는 685nm 조명에서 뚜렷한 차이를 보임을 알 수 있었다. 이 두 파장대의 조명하에서 측정한 영상의 그레이 값으로 2D 특징 벡터를 만들어 사용하면 특징 공간 상에서의 얼굴 피부와 가면 재료의 분포는 선형적으로 분리가 가능한 분포를 갖게 되는 것을 알 수 있었다. Fisher Linear Discriminant(FLD)를 적용하여 97.8%의 가면 얼굴 검출율을 얻을 수 있었다. 제안하는 방법은 기존의 상용 얼굴 인식 시스템에 매우 적은 비용과 간단한 방법으로 추가 적용하여 모든 인종에 대한 얼굴 위변조 검출이 가능하다.

• 정보과학회 논문지
• /
• 제42권12호
• /
• pp.1535-1543
• /
• 2015

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 $10{\times}10$ fold cross-validation을 이용하여 분류 정확도로 나타낸다. 본 논문에서 제안하는 방법은 피험자 'aa', 'al', 'av', 'aw', 'ay'에 대하여 각각 $85.29{\pm}0.93%$, $95.43{\pm}0.57%$, $72.57{\pm}2.37%$, $91.82{\pm}1.38%$, $93.50{\pm}0.69%$의 분류 정확도를 보였다.