KR101034875B1 - 뇌파의 패턴을 이용한 의사 추론 방법 - Google Patents

뇌파의 패턴을 이용한 의사 추론 방법 Download PDF

Info

Publication number
KR101034875B1
KR101034875B1 KR1020090119324A KR20090119324A KR101034875B1 KR 101034875 B1 KR101034875 B1 KR 101034875B1 KR 1020090119324 A KR1020090119324 A KR 1020090119324A KR 20090119324 A KR20090119324 A KR 20090119324A KR 101034875 B1 KR101034875 B1 KR 101034875B1
Authority
KR
South Korea
Prior art keywords
probability model
stimulus
pseudo
eeg
pattern
Prior art date
Application number
KR1020090119324A
Other languages
English (en)
Inventor
신현출
차갑문
Original Assignee
숭실대학교산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 숭실대학교산학협력단 filed Critical 숭실대학교산학협력단
Priority to KR1020090119324A priority Critical patent/KR101034875B1/ko
Application granted granted Critical
Publication of KR101034875B1 publication Critical patent/KR101034875B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands

Landscapes

  • Engineering & Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

뇌파의 패턴을 이용한 의사 추론 방법이 제공된다. 본 발명의 뇌파의 패턴을 이용한 의사 추론 방법은 의사에 부합하는 자극에 의해 발생된 뇌파의 진폭 별 발생 빈도에 대한 확률 모델인 T 확률 모델을 생성하고, 의사에 부합하지 않는 자극에 의해 발생된 뇌파의 진폭 별 발생 빈도에 대한 확률 모델인 NT 확률 모델을 생성하는 트레이닝 단계 및 자극에 의해 발생된 뇌파를 측정하고, 상기 측정된 뇌파의 진폭 별 발생 빈도에 대한 확률 모델의 상기 NT 확률 모델과의 차이 값에서 상기 T 확률 모델과의 차이 값을 뺀 값을 기준으로 대상자의 상기 자극에 대한 의사 부합 여부를 판정하는 의사 추론 단계를 포함한다.
EEG, P300, BCI, 뇌파, 확률

Description

뇌파의 패턴을 이용한 의사 추론 방법{Intention reasoning method using pattern of brain waves}
본 발명은 대상자로부터 측정된 뇌파를 분석하여 대상자의 의사를 추론하는 방법에 대한 발명이다. 보다 자세하게는, 뇌파의 패턴 중 P300 패턴에 대한 통계적 모델을 생성하고, 측정된 뇌파를 분석하여 상기 통계적 모델과 비교함으로써 대상자의 의사를 추론하는 방법에 대한 발명이다.
인간이 어떤 일에 대해 생각을 하거나 행동을 할 때, 뇌 속에 있는 시냅스(synapse)에서는 신경전달물질을 이용해 정보를 전달하게 되고. 이때 뉴런 간에 생기는 전위차에 의해 전류가 발생하게 되는데, 상기 전류를 두피에 부착한 전극을 통하여 측정한 것이 뇌파(brainwaves) 또는 뇌전도(electroencephalogram; EEG) 신호이다. 뇌-컴퓨터 인터페이스(Brain-Computer Interface; BCI) 기술은 이런 뇌파를 이용해서 인간의 생각이나 의지를 언어나 신체의 다른 동작을 거치지 않고 시스템에 직접 전달할 수 있는 기술이다.
뇌-컴퓨터 인터페이스 기술은 신체적 결함이나 장애로 인해, 자신의 의사를 표현, 전달할 수 없는 사람들에게 새로운 의사소통 수단을 제공할 수 있다는 점에 큰 의의를 가지고 있으며, 이러한 기술적 이점을 이용해서 신체 장애인을 위한 의료용 보조 기구부터 뇌파를 이용한 새로운 인터페이스의 게임, 가정 자동화를 위한 전자제품 그리고, 학습 보조기구에 이르기까지 많은 응용분야에 사용될 수 있다.
뇌-컴퓨터 인터페이스 기술의 중요한 요소 중 하나인 뇌파의 분석 기술 중, 공지된 기술로 유발전위 분석법이 있다. 유발전위는 특정 정보를 내포하고 있는 자극을 반복 제시한 후, 그 자극의 처리와 관련한 뇌의 전기적 활동만을 얻은 파형을 말한다. 보다 자세하게는 특정 자극이 제시된 시점을 기준으로 측정한 뇌파들을 평균화함으로써 자극과 관련 없는 뇌의 전기적 활동부분은 제거하고 자극처리에 공통으로 관여한 뇌 활동만을 추려낸 것이다.
보통 이러한 유발전위는 N100, N200, P300, N400, P600, P800 등의 여러 개의 피크로 구성되며 각 피크마다 정보처리에 관련된 다양한 의미를 지니고 있다. 특히 이러한 피크 중 P300에 해당하는 피크가 1960년대 Sutton의 보고 이후 뇌의 정보처리기전과 관련하여 전세계적으로 가장 많이 연구되어왔다. 보고된 선행 연구에 의하면 P300은 정보처리과정 중 자극에 대한 주의력, 자극 인지, 기억 탐색 등을 반영한다고 한다.
따라서, P300 패턴을 탐지함으로써, 사용자의 의사를 인식하여 뇌 컴퓨터 인터페이스 기술에 사용할 수 있을 것이다.
두피에서 측정되는 뇌파는 지극히 미약하며 두뇌 내부의 전기적인 활동을 총체적으로 반영하는 것으로서, 뇌파를 통해 알아낼 수 있는 정보는 극히 일부에 지나지 않으며, 다양한 요인으로 인해 신호가 왜곡될 가능성이 크다. 그리고, 측정된 뇌파신호(raw data)로부터 정보를 바로 얻을 수 있는 경우는 거의 없기 때문에, 정밀한 정보 추출 기술이 요구된다.
그러나, 최근 시도 되고 있는 뇌파신호의 분석 및 P300 패턴 탐지 방법 들은 정밀하게 뇌파를 분석하기 위해 복잡한 알고리즘을 사용하고, 경우에 따른 처리를 해주기 위해 많은 수의 파라미터 값이 입력되어야 하는 등, 실제로 구현하기가 쉽지 않다.
따라서, 미리 수행되는 수 차례의 트레이닝을 통해 P300 패턴의 확률 모델을 생성하여, 추출된 뇌파를 상기 확률 모델과 비교하는 형태의 보다 간단한 P300 패턴 탐지 방법의 제공이 요구되고 있다.
본 발명이 해결하고자 하는 기술적 과제는 P300 패턴의 확률 모델을 생성한 후, 측정된 뇌파의 가공 결과를 상기 확률 모델과 비교하는 형태의 확률적 뇌파 분석 방법 및 시스템을 제공하는 것이다.
본 발명의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 당업자에게 명확하게 이해 될 수 있을 것이다.
상기 기술적 과제를 달성하기 위한 본 발명의 일 태양에 따른 뇌파의 패턴을 이용한 의사 추론 방법은 의사에 부합하는 자극에 의해 발생된 뇌파의 진폭 별 발생 빈도에 대한 확률 모델인 T 확률 모델을 생성하고, 의사에 부합하지 않는 자극에 의해 발생된 뇌파의 진폭 별 발생 빈도에 대한 확률 모델인 NT 확률 모델을 생성하는 트레이닝 단계 및 자극에 의해 발생된 뇌파를 측정하고, 상기 측정된 뇌파의 진폭 별 발생 빈도에 대한 확률 모델의 상기 NT 확률 모델과의 차이 값에서 상기 T 확률 모델과의 차이 값을 뺀 값을 기준으로 대상자의 상기 자극에 대한 의사 부합 여부를 판정하는 의사 추론 단계를 포함한다.
상기 자극이 시각적 자극인 경우, 상기 뇌파는 International 10-20 system 상의 P3, P4, O1, O2 부위를 통해 측정될 수 있다. 또한, 상기 트레이닝 단계에서 주어지는 자극 및 상기 의사 추론 단계에서 주어지는 자극은 동일한 종류의 자극인 것이 바람직하다. 예를 들어 트레이닝 되어 확률 모델이 생성된 자극의 종류가 시각이면 상기 확률 모델은 시각에 대하여만 유효할 수 있기 때문이다.
또한, 상기 확률 모델의 정확도를 높이기 위해, 상기 발생된 뇌파의 신호는 뇌파 신호의 원 데이터(raw data)에서 0Hz 내지 30Hz 내의 주파수 대역 및 자극 제공 후 0.125초 내지 0.375초 내의 신호만을 추출하는 전처리 과정을 거친 후, 각 진폭(amplitude) 대역 별 발생 빈도를 의미하는 확률 모델을 생성할 수 있다. 상기 확률 모델은 음(negative) 대역의 진폭에 대하여만 생성되는 것이 바람직하다.
상기 T 확률 모델 및 상기 NT 확률 모델은 미리 정해진 시간 동안 누적된 데이터를 바탕으로 생성되는 것이 바람직하다.
상기 의사 추론 단계는 대상자에 주어지는 자극이 여러 개 인 경우, 각각의 자극에 의해 발생된 뇌파의 상기 확률 모델의 상기 NT 확률 모델과의 차이 값에서 상기 T 확률 모델과의 차이 값을 뺀 값이 가장 큰 자극을 대상자의 의사에 합치하는 자극으로 판정할 수 있다. 반면에, 상기 의사 추론 단계는, 대상자에 주어지는 자극이 하나 인 경우, 상기 자극에 의해 발생된 뇌파의 상기 확률 모델의 상기 NT 확률 모델과의 차이 값에서 상기 T 확률 모델과의 차이 값을 뺀 값이 미리 정해진 기준치를 초과하는 경우 상기 자극을 대상자의 의사에 합치하는 자극으로 판정할 수 있다.
상기와 같은 본 발명에 따르면, P300 패턴의 발생 여부를 확률 모델을 이용하여 보다 간단하게 추론할 수 있는 효과가 있다.
또한, 상기 P300 패턴의 발생 여부에 따라, 사용자의 의사를 판정하고, 그 결과를 뇌-컴퓨터 인터페이스의 입력 신호로 사용함으로써, 의사 표현이 불가능한 장애인 등의 의사 표현을 도울 수 있는 효과가 있다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 게시되는 실시 예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시 예들은 본 발명의 게시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.
이하, 뇌파의 패턴을 이용한 의사 추론 방법을 설명하기 위한 블록도 또는 처리 흐름도에 대한 도면들을 참고하여 본 발명에 대해 설명하도록 한다. 이 때, 처리 흐름도 도면들의 각 블록과 흐름도 도면들의 조합들은 컴퓨터 프로그램 인스트럭션들에 의해 수행될 수 있음을 이해할 수 있을 것이다. 이들 컴퓨터 프로그램 인스트럭션들은 범용 컴퓨터, 특수용 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서에 탑재될 수 있으므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서를 통해 수행되는 그 인스트럭션들이 흐름도 블록(들)에서 설명된 기능들을 수행하는 수단을 생성하게 된다. 이들 컴퓨터 프로그램 인스트럭션들은 특정 방식으로 기능을 구현하기 위해 컴퓨터 또는 기타 프로그 램 가능한 데이터 프로세싱 장비를 지향할 수 있는 컴퓨터 이용 가능 또는 컴퓨터 판독 가능 메모리에 저장되는 것도 가능하므로, 그 컴퓨터 이용가능 또는 컴퓨터 판독 가능 메모리에 저장된 인스트럭션들은 흐름도 블록(들)에서 설명된 기능을 수행하는 인스트럭션 수단을 내포하는 제조 품목을 생산하는 것도 가능하다. 컴퓨터 프로그램 인스트럭션들은 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에 탑재 되는 것도 가능하므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에서 일련의 동작 단계들이 수행되어 컴퓨터로 실행되는 프로세스를 생성해서 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 수행하는 인스트럭션들은 흐름도 블록(들)에서 설명된 기능들을 실행하기 위한 단계들을 제공하는 것도 가능하다.
또한, 각 블록은 특정된 논리적 기능(들)을 실행하기 위한 하나 이상의 실행 가능한 인스트럭션들을 포함하는 모듈, 세그먼트 또는 코드의 일부를 나타낼 수 있다. 또, 몇 가지 대체 실행 예들에서는 블록들에서 언급된 기능들이 순서를 벗어나서 발생하는 것도 가능함을 주목해야 한다. 예컨대, 잇달아 도시되어 있는 두 개의 블록들은 사실 실질적으로 동시에 수행되는 것도 가능하고 또는 그 블록들이 때때로 해당하는 기능에 따라 역순으로 수행되는 것도 가능하다.
먼저, 대상자의 생각과 자극의 관계에 따른 뇌파의 변화를 도 1을 참조하여 설명하기로 한다. 도 1은 생각과 자극이 같을 때 및 다를 때의 뇌파를 나타낸 도면이다.
도 1에 도시된 것과 같이, 대상자의 생각과 자극이 같은 경우와 다른 경우의 대상자의 뇌파 형태는 서로 상이하고, 대상자의 생각이 자극과 같은 경우, 도 1에 도시된 원에 포함된 것과 같은 P300 패턴이 나타나게 되는 것은 이미 알려진바 있다. 따라서, 대상자의 뇌파를 분석하여, P300 패턴이 탐지된 경우, 그 시점에서 발생한 자극이 대상자의 생각과 같다고 판정할 수 있다.
예를 들어, 어떤 분기 조건에서 대상자의 의사 입력이 필요한 경우, 또는, 대상자의 의지와 자극이 일치하는지 여부를 판단해야 하는 경우, 대상자의 뇌파를 분석하여 상기 대상자의 의사 또는 의지를 추정할 수 있다. 상기 뇌파 분석의 결과, P300 패턴이 탐지된 경우, 상기 입력 신호로 'YES'를 의미하는 신호를 제공하고, P300 패턴이 탐지되지 않은 경우, 상기 입력 신호로 'NO'를 의미하는 신호를 제공할 수 있을 것이다.
따라서, P300 패턴의 탐지유무를 포함하는 대상자의 뇌파 분석 결과는 뇌-컴퓨터 인터페이스의 입력 신호로서 사용될 수 있다.
다만, 대상자에 따라 P300 패턴은 서로 상이할 수 있으므로, 복 수번의 트레이닝을 통하여 대상자의 P300 패턴에 대한 확률 모델을 생성하는 과정이 필요하다. 실제 테스트 과정에서 입력된 뇌파 신호를 분석하여 상기 확률 모델과 비교함으로써, 대상자의 의사를 파악할 수 있다.
이하, 뇌파 분석을 통해 P300 패턴을 탐지하는 방법에 대하여 도 2를 참조하여 설명하기로 한다. 도 2는 본 실시예에 따른 뇌파의 패턴을 이용한 의사 추론 방법의 순서도이다.
본 실시예에 따른 의사 추론 방법은 트레이닝 모드 및 의사 추론 모드, 둘 중의 하나의 모드를 선택함에 따라 다르게 수행될 수 있다(S100). 트레이닝 모드에서는 의사를 판별하기 위한 기초 데이터를 축적하는 일련의 동작이 수행되고, 의사 추론 모드는 상기 축적된 기초 데이터와 측정된 뇌파 데이터를 비교하여 의사를 추론하는 일련의 동작이 수행된다.
먼저, 트레이닝 모드에 따른 일련의 동작에 대하여 설명하기로 한다.
먼저, 대상자의 의사에 부합하는 자극 및 부합하지 않는 자극을 제공하여, 그에 따른 뇌파를 측정한다(S101). 뇌파를 측정하는 기술은 공지된 기술이므로, 그에 대한 상세한 설명은 생략하기로 한다. 다만, 뇌파 측정 부위는 상기 자극의 형태를 담당하는 부위일 수 있다. 예를 들어, 주어지는 자극이 시각적인 자극인 경우, 도 3에 도시된 바와 같이, International 10-20 system 상의 P3, P4, O1, O2 로, 총 4개의 채널을 통해 측정할 수 있다. 또한, 비 침습적인 방법(non-invasive)를 이용하여 측정할 수 있다. 또한, 샘플링 주파수는 예를 들어 256Hz로 설정할 수 있다. 이하, 설명하는 동작은 모든 채널을 통해 입력된 뇌파 신호에 대하여 각각 수행 될 수 있는 것으로 이해되어야 한다.
상기 자극은 특정 형태의 자극에 한정되지 않으며, 예를 들어, 시각 또는 청각 자극일 수 있다. 예를 들어, 시각 자극인 경우, 디스플레이를 통해 A, B, C, D, E 다섯 개의 문자를 각각 일정 시간 동안 보여주는 것일 수 있다. 대상자가 상기 다섯 개의 문자 중 특정한 하나의 문자만을 의도하고 있었다고 할 때, 상기 의도한 문자가 보여질 때와 그 외의 경우에는 뇌파의 패턴이 상이할 것이다.
즉, 뇌파 신호 측정 시(S101), 측정된 뇌파 신호가 대상자의 의사에 부합하 는 자극에 따른 것인지, 대상자의 의사에 부합하지 않는 자극에 따른 것인지에 대한 정보가 추가로 제공 될 수 있을 것이다. 상기 예시한 다섯 개의 문자를 보여주는 경우라면, 각각의 문자를 보여줄 때마다 발생한 뇌파를 측정한 후, 대상자로부터 의도했던 문자를 입력 받을 수 있을 것이다. 그러면, 의도했던 글자가 보여졌을 때 측정된 뇌파 신호는 의사와 자극이 일치하는 경우의 것이고, 그 이외의 글자가 보여졌을 때 측정된 뇌파 신호는 의사와 자극이 일치하지 않는 경우의 것임을 알 수 있을 것이다.
이하, 의사와 자극이 일치하는 경우의 뇌파 신호를 T(Target) 신호라 하고, 의사와 자극이 일치하지 않는 경우의 뇌파 신호를 NT(Non-Target) 신호라 하기로 한다.
측정된 T 신호 및 NT 신호에 대하여 전처리 과정으로서 필터링(filtering)을 한다(S102). 보통 인간의 두뇌에서 측정되는 데이터 중에 정보를 포함하고 있다고 생각되는 의미 있는 주파수 대역은 0Hz 내지 30Hz이다. 또한, 측정된 뇌파 데이터에는 예를 들어, 60Hz에서 나타나는 전력선 잡음(power-line noise)과 같은 잡음(noise)이 포함될 수 있으므로, 이러한 잡음(noise)을 제거하기 위해서, 30Hz lowpass 필터를 사용해서 필터링을 할 수 있다.
또한 상기 필터링에는 상기 언급한 주파수 필터링뿐만 아니라, 자극 제공 후, 특정 시간 범위에서 측정된 신호만을 잘라내는 시간 범위 필터링도 포함될 수 있다. 예를 들어, P300 패턴이 뚜렷이 관찰 될 수 있는 시간 범위인, 자극 제공 후 0.125sec 내지 0.375sec 내의 신호 이외의 신호는 잘라낼 수 있다.
요컨대, 전처리 과정(S102)은 뇌파 신호의 원 데이터(raw data)에서 0Hz 내지 30Hz 내의 주파수 대역 및 자극 제공 후 0.125sec 내지 0.375sec 내의 신호만을 추출하는 과정으로 이해될 수 있다.
다음으로, 전처리 과정(S102)을 거친 T 신호 데이터 및 NT 신호 데이터를 대상으로 히스토그램을 생성한다(S104). 상기 히스토그램은 상기 신호의 진폭(Amplitude)에 따른 도수 분포를 나타내는 것으로 해석될 수 있을 것이다. 상기 히스토그램의 x축에 해당하는 진폭의 bin 수는 경험상 80개 인 것이 바람직하다. 상기 bin 수는 80개인 것이 T 신호와 NT 신호를 더욱더 명확하게 구별해줄 수 있다. 도 4는 원 신호 데이터를 히스토그램으로 변환한 결과를 나타낸 도면이다.
다음으로, 히스토그램의 각각의 진폭 bin의 발생확률을 뜻하는 뇌파 진폭의 확률 모델(amplitude P.D.F.) Pa ,c(x)를 생성한다(S106). 상기 x는 진폭을 의미하고, a는 자극의 식별기호이며, c는 채널의 식별기호이다. 그 간략한 예로, bin 수가 80개이고, 0 내지 0.01μV 범위를 가지는 bin의 도수가 8인 경우, 상기 bin의 발생확률은 8/80으로 0.1이 될 것이다. P300의 특징은 자극이 주어진 시점으로부터 300ms 부근에서 포텐셜(potential)이 음(negative)의 영역으로 급격히 변한다는 것이 알려져 있다.
따라서, 상기 bin 중, 음의 값을 가지는 bin 만을 대상으로 상기 확률 모델을 생성하는 것이 바람직하다. 이러한 확률 모델은 표 1과 같이 표현될 수 있다.
Figure 112009074842693-pat00001
도 5는 상기 확률 모델 Pa ,c(x-)을 도시한 것이다. 도 5에 도시된 것과 같이 음의 값을 가지는 bin 만을 대상으로 상기 확률 모델이 생성된 것을 알 수 있다.
다음으로, 하나의 자극에 대하여 생성된 상기 확률 모델을 누적해야 하는 시간이 도과 된 경우가 아니라면(S107) 상기 확률 모델 데이터를 기존의 확률 모델 데이터에 축적한다(S108).
반면에, 상기 누적 시간이 도과 되었다면 그 시점까지 축적된 확률 모델 데이터를 해당 자극에 대한 확률 모델로 확정한다. 5개의 문자를 보여주고, 그 중에 하나만이 대상자의 의사와 합치하는 경우를 예로 들면, 각각의 문자에 대한 시각적 자극이 5개 존재하고, 상기 시각적 자극에 대한 상기 확률 모델 데이터 역시 5개가 존재할 것이다(Pa1 ,c(x-), Pa2,c(x-), Pa3 ,c(x-), Pa4 ,c(x-), Pa5 ,c(x-)).
대상자가 의도했던 문자가 a1이었다면, T 확률 모델 및 NT 확률 모델은 다음과 같이 생성될 수 있다(S109).
Pc T(채널 c에 대한 T 모델) = Pa1 ,c(x-)
Pc NT(채널 c에 대한 NT 모델) = (Pa2 ,c(x-), Pa3 ,c(x-), Pa4 ,c(x-), Pa5 ,c(x-)) / 4
도 6은 상기 T 확률 모델의 일 예를 도시한 도면이고, 도 7은 상기 NT 확률 모델의 일 예를 도시한 도면이다.
다음으로, 의사 추론 모드에 따른 일련의 동작에 대하여 설명하기로 한다.
대상자에 특정 자극이 제공 되고, 그에 따른 뇌파 신호가 측정된다(S110). 상기 자극은 트레이닝 모드를 통해 제공된 종류의 자극인 것이 바람직하다. 상기 측정된 신호는 전처리 과정(S112)을 거쳐서 히스토그램(S114)으로 변환되고, 상기 히스토그램의 각 bin 별 발생확률에 대한 모델이 생성(S116)된다. 전처리 과정(S112)은 트레이닝 모드의 전처리 과정(S102)과 동일한 방법으로 수행되고, 히스토그램 생성(S114) 역시 트레이닝 모드의 히스토그램 생성 과정(S104)과 동일한 방법으로 수행될 수 있다. 확률 모델 생성 과정(S116) 역시, 트레이닝 모드의 확률 모델 생성 과정(S106)과 동일한 방법으로 수행될 수 있다.
다음으로, 입력신호와 모델들 간의 차이 값(difference)을 구한다(S118). 입력신호와 T 확률 모델의 차이 값을 구하고, 입력신호와 NT 확률 모델의 차이 값을 구하는 동작은 최우추정법(Maximum Likelihood Estimation)에 의해 상기 입력신호가 상기 T 확률 모델에 해당하는지 혹은 상기 입력신호가 상기 NT 확률 모델에 해당하는지 여부를 추정하는 것으로 해석될 수 있다.
먼저, 표 2 및 표 3을 참조하여 의사 추론 모드에서 제공된 자극에 반응하여 입력 된 뇌파 신호의 확률 모델과 상기 T 확률 모델의 차이 값을 구하는 동작을 설명하기로 한다.
Figure 112009074842693-pat00002
Pa ,c(x-)는 상기 의사 추론 모드에서 제공된 자극에 반응하여 입력 된 뇌파 신호의 확률 모델이며, Pc T는 채널 c에 대한 T 확률 모델이다. 즉, la , c T는 Pa ,c(x-)와 Pc T의 각 bin 별로 발생 확률의 차이 값에 절대 값을 취한 값들의 합으로 해석될 수 있을 것이다.
Figure 112009074842693-pat00003
다음으로, 표 3과 같이, 상기 la , c T 값을 모든 채널 별로 구하여 합한 la T 값을 구한다. 즉, la T 값은 입력된 신호가 T 확률 모델과 얼마나 차이가 나는지를 표현하는 수치이다.
NT 모델에 대하여도 T 모델과 동일한 방법으로 표 4에 도시된 바와 같이 la NT값을 구한다.
Figure 112009074842693-pat00004
의사 추론 모드에서도 트레이닝 모드에서와 마찬가지로 자극이 제공된 후 일정시간 동안 확률 모델 데이터를 누적시켜야 한다(S122). 누적 시간이 도과 되지 않은 경우(S120) 상기 생성된 la T 값 및 la NT 값을 표 5와 같이 누적 시킨다.
Figure 112009074842693-pat00005
상기 La T 값 및 La NT 값은 각각 la T 값 및 la NT 값이 누적된 것으로, 초기 값은 0인 것으로 이해될 수 있을 것이다.
상기 누적 시간이 도과 된 경우(S120), 표 6에 표시된 것과 같이 (La NT - La T)를 가장 크게 하는 자극 α가 대상자가 의도한 자극으로 판정한다(S124).
Figure 112009074842693-pat00006
의사 추론 모드에 따른 본 실시예의 동작은 여러 가지의 자극 중에서 대상자가 의도하는 자극을 추론하는 것일 수도 있으나, 다른 세부 실시예에 따르면 하나의 자극 만이 주어지고, 그 자극이 대상자의 의도에 부합하는지 여부를 추론하는 것일 수도 있다. 그 경우, Ea값이 미리 정해진 기준치를 초과하는 경우 해당 자극이 대상자의 의도에 부합하는 것으로 추론할 수 있다.
이상 첨부된 도면을 참조하여 본 발명의 실시 예들을 설명하였지만, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시 예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다.
도 1은 생각과 자극이 같을 때 및 다를 때의 뇌파를 나타낸 도면이다.
도 2는 본 발명의 일 실시 예에 따른 뇌파의 패턴을 이용한 의사 추론 방법의 순서도이다.
도 3은 본 발명의 일 실시 예에 따른 뇌파 측정 부위를 도시한 도면이다.
도 4는 본 발명의 일 실시 예에 따른 뇌파의 원 신호 데이터를 히스토그램으로 변환한 결과를 나타낸 도면이다.
도 5는 본 발명의 일 실시 예에 따른 뇌파의 진폭 별 발생 확률에 대한 확률 모델의 그래프를 나타낸 도면이다.
도 6은 본 발명의 일 실시 예에 따른 자극이 의사에 부합하는 경우 발생하는 뇌파의 확률 모델의 그래프를 나타낸 도면이다.
도 7은 본 발명의 일 실시 예에 따른 자극이 의사에 부합하지 않는 경우 발생하는 뇌파의 확률 모델의 그래프를 나타낸 도면이다.

Claims (8)

  1. 의사에 부합하는 자극에 의해 발생된 뇌파의 진폭 별 발생 빈도에 대한 확률 모델인 T 확률 모델을 생성하고, 의사에 부합하지 않는 자극에 의해 발생된 뇌파의 진폭 별 발생 빈도에 대한 확률 모델인 NT 확률 모델을 생성하는 트레이닝 단계; 및
    의사 판정 대상 자극에 의해 발생된 뇌파의 진폭 별 발생 빈도에 대한 확률 모델인 측정 확률 모델과 상기 NT 확률 모델의 차이 값에서 상기 측정 확률 모델과 상기 T 확률 모델의 차이 값을 뺀 값을 기준으로 대상자의 상기 자극에 대한 의사 부합 여부를 판정하는 의사 추론 단계를 포함하는 뇌파의 패턴을 이용한 의사 추론 방법.
  2. 제 1 항에 있어서,
    상기 자극이 시각적 자극인 경우, 상기 뇌파는 International 10-20 system 상의 P3, P4, O1, O2 부위를 통해 측정되는 뇌파의 패턴을 이용한 의사 추론 방법.
  3. 제 1 항에 있어서,
    상기 트레이닝 단계에서 주어지는 자극 및 상기 의사 추론 단계에서 주어지는 자극은 동일한 종류의 자극인 뇌파의 패턴을 이용한 의사 추론 방법.
  4. 제 1 항에 있어서,
    상기 발생된 뇌파의 신호는,
    뇌파 신호의 원 데이터(raw data)에서 0Hz 내지 30Hz 내의 주파수 대역 및 자극 제공 후 0.125초 내지 0.375초 내의 신호만을 추출하는 전처리 과정을 거치는 뇌파의 패턴을 이용한 의사 추론 방법.
  5. 제 1 항에 있어서,
    상기 T 확률 모델 및 상기 NT 확률 모델은 미리 정해진 시간 동안 누적된 데이터를 바탕으로 생성되는 뇌파의 패턴을 이용한 의사 추론 방법.
  6. 제 1 항에 있어서,
    상기 의사 추론 단계는,
    상기 의사 판정 대상 자극이 여러 개인 경우, 각각의 자극에 의해 발생된 뇌파의 상기 측정 확률 모델과 상기 NT 확률 모델의 차이 값에서 상기 측정 확률 모델과 상기 T 확률 모델의 차이 값을 뺀 값이 가장 큰 자극을 대상자의 의사에 합치하는 자극으로 판정하는 뇌파의 패턴을 이용한 의사 추론 방법.
  7. 제 1 항에 있어서,
    상기 의사 추론 단계는,
    상기 의사 판정 대상 자극이 하나인 경우, 상기 자극에 의해 발생된 뇌파의 상기 측정 확률 모델과 상기 NT 확률 모델의 차이 값에서 상기 측정 확률 모델과 상기 T 확률 모델의 차이 값을 뺀 값이 미리 정해진 기준치를 초과하는 경우 상기 자극을 대상자의 의사에 합치하는 자극으로 판정하는 뇌파의 패턴을 이용한 의사 추론 방법.
  8. 제 1 항에 있어서,
    상기 T 확률 모델, NT 확률 모델 및 상기 측정 확률 모델은 음(negative) 대역의 진폭에 대하여만 생성되는 뇌파의 패턴을 이용한 의사 추론 방법.
KR1020090119324A 2009-12-03 2009-12-03 뇌파의 패턴을 이용한 의사 추론 방법 KR101034875B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020090119324A KR101034875B1 (ko) 2009-12-03 2009-12-03 뇌파의 패턴을 이용한 의사 추론 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020090119324A KR101034875B1 (ko) 2009-12-03 2009-12-03 뇌파의 패턴을 이용한 의사 추론 방법

Publications (1)

Publication Number Publication Date
KR101034875B1 true KR101034875B1 (ko) 2011-05-17

Family

ID=44366101

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020090119324A KR101034875B1 (ko) 2009-12-03 2009-12-03 뇌파의 패턴을 이용한 의사 추론 방법

Country Status (1)

Country Link
KR (1) KR101034875B1 (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014171598A1 (ko) * 2013-04-16 2014-10-23 고려대학교 산학협력단 뇌파를 이용한 의도 인식용 두뇌 기계 인터페이스 장치 및 방법
US10524683B2 (en) 2013-04-16 2020-01-07 Korea University Research And Business Foundation EEG-based brain-machine interface apparatus and method for recognizing human-intention using flickering visual stimulus
KR20210034458A (ko) * 2019-09-20 2021-03-30 고려대학교 산학협력단 심층신경망 기반 의식 상태 판단 장치 및 방법
KR102237390B1 (ko) * 2020-06-18 2021-04-07 성균관대학교산학협력단 무선 뇌파 측정 시스템을 이용한 스마트 머신 기반의 자가 오류 인지 및 학습 시스템

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20050063618A (ko) * 2003-12-22 2005-06-28 한국전자통신연구원 뇌파의 감마파 미세 변화를 이용한 긍/부정 의사 인식방법 및 장치
KR20070013976A (ko) * 2005-07-26 2007-01-31 한국전자통신연구원 동일 이벤트에 대한 뇌파 데이터 동기화 장치 및 그 방법과그를 이용한 뇌파 분석 시스템
KR20070109260A (ko) * 2006-05-10 2007-11-15 진경수 색채를 이용한 뉴로피드백 장치 및 그 제어방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20050063618A (ko) * 2003-12-22 2005-06-28 한국전자통신연구원 뇌파의 감마파 미세 변화를 이용한 긍/부정 의사 인식방법 및 장치
KR20070013976A (ko) * 2005-07-26 2007-01-31 한국전자통신연구원 동일 이벤트에 대한 뇌파 데이터 동기화 장치 및 그 방법과그를 이용한 뇌파 분석 시스템
KR20070109260A (ko) * 2006-05-10 2007-11-15 진경수 색채를 이용한 뉴로피드백 장치 및 그 제어방법

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014171598A1 (ko) * 2013-04-16 2014-10-23 고려대학교 산학협력단 뇌파를 이용한 의도 인식용 두뇌 기계 인터페이스 장치 및 방법
US10524683B2 (en) 2013-04-16 2020-01-07 Korea University Research And Business Foundation EEG-based brain-machine interface apparatus and method for recognizing human-intention using flickering visual stimulus
KR20210034458A (ko) * 2019-09-20 2021-03-30 고려대학교 산학협력단 심층신경망 기반 의식 상태 판단 장치 및 방법
KR102370627B1 (ko) * 2019-09-20 2022-03-07 고려대학교 산학협력단 심층신경망 기반 의식 상태 판단 장치 및 방법
KR102237390B1 (ko) * 2020-06-18 2021-04-07 성균관대학교산학협력단 무선 뇌파 측정 시스템을 이용한 스마트 머신 기반의 자가 오류 인지 및 학습 시스템

Similar Documents

Publication Publication Date Title
CN108236464B (zh) 基于脑电信号的特征提取方法及其检测提取系统
Pancholi et al. Portable EMG data acquisition module for upper limb prosthesis application
Greco et al. Advances in Electrodermal activity processing with applications for mental health
Barbosa et al. Activation of a mobile robot through a brain computer interface
Murugappan et al. Inferring of human emotional states using multichannel EEG
KR101518575B1 (ko) Bci를 위한 사용자 의도인지 분석 방법
Khan et al. Brain–computer interface for single-trial EEG classification for wrist movement imagery using spatial filtering in the gamma band
CN103019383A (zh) 一种稳态视觉诱发电位脑—机接口信号识别方法
US20220031242A1 (en) Method and system for collecting and processing bioelectrical signals
CN112806994A (zh) 一种基于生理信号预测个体压力应对方式的系统和方法
Baghdadi et al. Dasps: a database for anxious states based on a psychological stimulation
JP2019025311A (ja) データ生成装置、生体データ計測システム、識別器生成装置、データ生成方法、識別器生成方法及びプログラム
KR101034875B1 (ko) 뇌파의 패턴을 이용한 의사 추론 방법
JP6655242B2 (ja) 楽曲聴取経験有無推定方法、楽曲聴取経験有無推定装置、及び楽曲聴取経験有無推定プログラム
Hamedi et al. Facial gesture recognition using two-channel bio-sensors configuration and fuzzy classifier: A pilot study
Zammouri et al. Brain waves-based index for workload estimation and mental effort engagement recognition
CN111144450B (zh) 一种构建基于不同长度名字刺激的erp范式的方法
Jung et al. A review on EEG artifacts and its different removal technique
Turnip et al. Utilization of EEG-SSVEP method and ANFIS classifier for controlling electronic wheelchair
Carra et al. Evaluation of sensorimotor rhythms to control a wheelchair
Radhakrishnan et al. Investigating EEG Signals of Autistic Individuals Using Detrended Fluctuation Analysis.
Bandara et al. Differentiation of signals generated by eye blinks and mouth clenching in a portable brain computer interface system
Kelati et al. Machine learning for semg facial feature characterization
Vadivu et al. An Novel Versatile Inspiring Wavelet Transform and Resilient Direct Neural Network Classification Techniques for Monitoring Brain Activity System Based on EEG Signal
Gaurav et al. Entropy based EEG irregularity quantification in Single-Channel SSVEP-based BCIs

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20140318

Year of fee payment: 4

LAPS Lapse due to unpaid annual fee