KR101068017B1

KR101068017B1 - 뇌-컴퓨터 인터페이스를 위한 합성 공통 공간 패턴 분석 방법 및 이를 이용한 뇌파 분석 방법

Info

Publication number: KR101068017B1
Application number: KR1020090095282A
Authority: KR
Inventors: 강효형; 최승진; 남윤준
Original assignee: 포항공과대학교 산학협력단
Priority date: 2009-10-07
Filing date: 2009-10-07
Publication date: 2011-09-26
Also published as: KR20110037726A

Abstract

훈련 데이터가 충분하지 못한 피험자에 대한 분류 성능을 향상시킬 수 있는 뇌-컴퓨터 인터페이스를 위한 합성 공통 공간 패턴 분석 방법 및 이를 이용한 뇌파 분석 방법이 개시된다. 뇌파 분석 방법은 다른 피험자의 공분산 행렬을 함께 사용하여 소정 피험자의 뇌파의 각 분류에 해당하는 시계열 데이터의 채널들에 상응하는 합성 공분산 행렬을 생성하고, 합성 공분산 행렬의 합의 고유 분해를 산출한 후, 소정 분류에 대해 가장 큰 고유값들과 가장 작은 고유값들에 기초하여 특징 벡터를 추출하고, 추출된 특징 벡터 및 훈련 데이터에 제공된 라벨에 기초하여 분류기를 학습한다. 따라서, 훈련 데이터가 충분하지 못한 피험자에 대한 뇌파 분류 성능을 향상시킬 수 있다.

뇌-컴퓨터 인터페이스, BCI, 공통공간패턴, 뇌파, 공분산행렬

Description

뇌-컴퓨터 인터페이스를 위한 합성 공통 공간 패턴 분석 방법 및 이를 이용한 뇌파 분석 방법{METHOD OF ANALYSING COMPOSITE COMMON SPATIAL PATTERN FOR BRAIN COMPUTER INTERFACE AND METHOD OF ANALYSING ELECTROENCEPHALOGRAM USING THE SAME}

본 발명은 뇌-컴퓨터 인터페이스에 관한 것으로, 더욱 상세하게는 훈련 데이터가 충분하지 못한 피험자에 대한 분류 성능을 향상시킬 수 있는 뇌-컴퓨터 인터페이스를 위한 합성 공통 공간 패턴 분석 방법 및 이를 이용한 뇌파 분석 방법에 관한 것이다.

뇌-컴퓨터 인터페이스(BCI: Brain Computer Interface)는 사람이 손발을 움직이지 않고 생각만으로 컴퓨터나 휠체어 등을 직접 움직이게 하는 생체신호 기반 인터페이스 기술이다. 뇌-컴퓨터 인터페이스는 사고 등으로 손발을 사용할 수 없게 된 사람들에게 새로운 의사소통의 수단을 제공하려는 목적으로 연구되기 시작하였으며, 최근에는 가상현실이나 게임 등과 같은 일반적인 컴퓨터 사용에 응용할 수 있도록 하기 위한 방법들도 제안되고 있다.

일반적으로 뇌의 활동을 관측하기 위해 널리 사용되는 방법들에는 기능성 자 기 공명영상(fMRI: functional Magnetic Resonance Imaging), 양전자 방출 단층촬영(PET: Positron Emission Tomography), 뇌파(EEG: Electroencephalogram) 등이 있다. 상기한 방법들 중에서 뇌파는 시간 분해능이 다른 방법들에 비해 우수하기 때문에 뇌-컴퓨터 인터페이스 연구 분야에서 가장 널리 사용되고 있다.

뇌파는 다변량 시계열 데이터(multivariate time series data)로써 뇌의 피질에서 발생하는 전기 신호들을 두피(scalp)의 지정된 위치에 부착한 전극들을 통해 측정한다. 뇌파의 분류에 유용한 정보는 주로 주파수 성분으로 표현되며 전극이 부착된 위치에 따라 뇌의 기능과 상관관계를 가진다.

뇌파의 분류 및 분석에서 이용되는 중요한 현상에는 움직임을 상상하는 경우에 나타나는 대표적인 특징인 ERS(Event-Related Synchronization) 및 ERD(Event-Related Desynchronization)가 있다.

ERD는 움직임을 준비하거나 움직임을 상상할 때 감각운동 피질(sensorymotor cortex)에서 일시적으로 뮤(mu)파(8 내지 12 Hz)가 감쇠하는 현상을 말하며, ERS는 움직임 후에 일시적으로 베타(beta)파(18 내지 25 Hz)가 증가하는 현상을 말한다.

ERD 및 ERS는 뇌파 분류 알고리즘을 만드는데 있어 중요한 특징으로 많은 단체에서 연구가 이루어져 왔다. 그러나 ERD 및 ERS는 피험자에 따라 큰 편차가 있고, 명확하게 나타나는 현상이 아니기 때문에 적절한 특징 추출 알고리즘을 사용하지 않으면 뇌파 분류에 사용하기 어려운 문제점이 있다. 따라서, 상기한 바와 같은 문제점을 해결하기 위한 뇌파 특징 추출 알고리즘이 필요하며 이러한 뇌파 특징 추출 알고리즘의 하나로 공통 공간 패턴(CSP: Common Spatial Pattern) 알고리즘이 있다.

공통 공간 패턴 알고리즘은 후쿠나가-쿤츠 변환(FKT: Fukunaga-Koontz Transform)을 적용한 뇌파 특징 추출 알고리즘으로, 두 가지 서로 다른 조건에서 수집된 신호들 사이의 차이점을 가장 잘 드러내는 특징을 찾아 준다. 공통 공간 패턴 알고리즘은 뇌-컴퓨터 인터페이스 분야에서 이미 그 효용성이 널리 알려져 있으며, 특히 움직임을 상상한 뇌파를 분류하는 심상 운동 분류 문제(motor imagery task)를 해결하는데 효과적이라는 것이 밝혀졌다.

심상 운동 분류 문제는 피험자가 주어진 자극 신호에 따라 실제 손발을 움직이지 않으면서 상상으로 왼손 및/또는 오른손 등의 움직임을 상상하는 동안 기록된 뇌파를 분석하여 사용자가 어떤 움직임을 상상하고 있었는지 분류하는 문제를 말한다. 이미 두 가지 분류를 구분하는 심상 운동 분류 문제에 대해서는 공통 공간 패턴 알고리즘을 적용하여 높은 성능을 낼 수 있다는 연구 결과들이 발표되었다.

그러나, 실제 뇌-컴퓨터 인터페이스 시스템을 만들고자 할 때, 충분한 훈련 데이터가 제공되지 않은 경우에는 다른 신호처리 및 기계 학습 알고리즘처럼 공통 공간 패턴 알고리즘을 사용한 분류기도 분류 성능이 떨어지게 되고, 분류 성능을 높이기 위해서는 다른 정보를 이용하여 부족한 훈련 데이터를 보충해야 한다.

부족한 훈련 데이터를 보충하기 위해, 만약 같은 실험을 한 다른 피험자들의 데이터를 사용할 수 있다면 이 정보는 부족한 훈련 데이터를 보충할 수 있는 매우 유용한 수단이 될 수 있을 것이다. 이것을 뇌-컴퓨터 인터페이스 연구 분야에서는 피험자 간의 전이(subject-to-subject transfer)라고 부르며, 뇌-컴퓨터 인터페이 스 연구에 있어 앞으로 해결해야할 중요한 문제의 하나로 인식되어 왔다.

본 발명의 목적은 훈련 데이터가 충분하지 못한 피험자에 대한 뇌파 분류 성능을 향상시킬 수 있는 뇌-컴퓨터 인터페이스를 위한 합성 공통 공간 패턴 분석 방법을 제공하는 것이다.

또한, 본 발명의 다른 목적은 상기 합성 공통 공간 패턴 분석 방법을 이용한 뇌파 분석 방법을 제공하는 것이다.

상술한 본 발명의 목적을 달성하기 위한 본 발명의 일 측면에 따른 뇌-컴퓨터 인터페이스를 위한 합성 공통 공간 패턴 분석 방법은, 소정 피험자로부터 측정한 다채널 뇌파 데이터를 분류하기 위한 합성 공통 공간 패턴(composite Common Spatial Pattern) 분석 방법에 있어서, 상기 다른 피험자의 공분산 행렬을 함께 사용하여 상기 소정 피험자의 뇌파의 각 분류에 해당하는 시계열 데이터의 채널들에 상응하는 합성 공분산 행렬을 생성하는 단계와, 상기 합성 공분산 행렬의 합의 고유 분해(eigen decomposition)를 산출하는 단계 및 소정 분류에 대해 가장 큰 고유값(eigenvalue)들과 가장 작은 고유값들에 기초하여 특징 벡터를 추출하는 단계를 포함한다. 상기 다른 피험자들의 공분산 행렬을 포함하는 상기 소정 피험자의 합성 공분산 행렬을 생성하는 단계는, 상기 다른 피험자들의 공분산 행렬 및 상기 소정 피험자의 공분산 행렬을 선형 결합하여 생성할 수 있다. 상기 다른 피험자들의 공 분산 행렬을 포함하는 상기 소정 피험자의 합성 공분산 행렬을 생성하는 단계는, 상기 다른 피험자들의 공분산 행렬 및 상기 소정 피험자의 공분산 행렬의 선형 결합시 가중치를 사용하여 선형 결합할 수 있다. 상기 가중치는 상기 다른 피험자들 및 상기 소정 피험자 각각에 제공된 훈련 데이터 수를 기준으로 결정될 수 있다. 상기 가중치는 상기 다른 피험자들의 데이터 분포와 상기 소정 피험자의 데이터 분포 사이의 유사도에 기초하여 결정될 수 있다.

또한, 본 발명의 다른 목적을 달성하기 위한 본 발명의 일 측면에 따른 뇌파 분석 방법은 소정 피험자로부터 측정한 다채널 뇌파 데이터를 분류하기 위한 뇌파 분석 방법에 있어서, 다른 피험자들의 공분산 행렬을 포함하는 상기 소정 피험자의 합성 공분산 행렬(Composite Covariance Matrix)을 생성하는 단계와, 상기 합성 공분산 행렬의 합의 고유 분해(eigen decomposition)를 산출하는 단계와, 소정 분류에 대해 가장 큰 고유값(eigenvalue)들과 가장 작은 고유값들에 기초하여 특징 벡터를 추출하는 단계 및 추출된 상기 특징 벡터 및 훈련 데이터에 제공된 라벨에 기초하여 분류기를 학습하는 단계를 포함한다. 상기 다른 피험자들의 공분산 행렬을 포함하는 상기 소정 피험자의 합성 공분산 행렬을 생성하는 단계는, 상기 다른 피험자들의 공분산 행렬 및 상기 소정 피험자의 공분산 행렬을 선형 결합하여 생성할 수 있다. 상기 다른 피험자들의 공분산 행렬을 포함하는 상기 소정 피험자의 합성 공분산 행렬을 생성하는 단계는, 상기 다른 피험자들의 공분산 행렬 및 상기 소정 피험자의 공분산 행렬의 선형 결합시 가중치를 사용하여 선형 결합할 수 있다. 상기 가중치는 상기 다른 피험자들 및 상기 소정 피험자 각각에 제공된 훈련 데이터 수를 기준으로 결정될 수 있다. 상기 가중치는 상기 다른 피험자들의 데이터 분포와 상기 소정 피험자의 데이터 분포 사이의 유사도에 기초하여 결정될 수 있다.

상술한 바와 같은 뇌-컴퓨터 인터페이스를 위한 합성 공통 공간 패턴 분석 방법 및 이를 이용한 뇌파 분석 방법에 따르면, 피험자 간의 전이를 사용하여 훈련 데이터가 충분하지 못한 피험자에 대한 뇌파 분류 성능을 향상시킬 수 있다.

따라서, 뇌-컴퓨터 인터페이스 시스템 구현 시 훈련 데이터에 포함되지 않았던 새로운 사용자가 시스템을 사용하고자 할 때, 시스템의 초기 정확도 및 새로운 사용자에 대한 적응 훈련에 필요한 추가 데이터의 수를 줄일 수 있어 범용 뇌-컴퓨터 인터페이스 시스템 구현 시 시스템을 사용하는 데 드는 시간과 비용을 줄일 수 있다.

본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다.

제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나 의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어"있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어"있다거나 "직접 접속되어"있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.

본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

이하, 첨부한 도면들을 참조하여, 본 발명의 바람직한 실시예를 보다 상세하게 설명하고자 한다. 이하, 도면상의 동일한 구성요소에 대해서는 동일한 참조부호 를 사용하고 동일한 구성요소에 대해서 중복된 설명은 생략한다.

공통 공간 패턴 알고리즘은 서로 다른 두 신호 사이의 차이점을 잘 드러내 주는 전사(projection) 벡터들을 찾는 특징 추출 알고리즘이다.

뇌파는 전극에 대응되는 D개의 채널을 가진 다변량 시계열 데이터로 측정되며, 시계열의 길이는 자극이 주어진 시점부터 측정된 시간 T에 따라 결정된다. 하나에 자극에 대한 반응을 기록한 데이터 단위를 트라이얼(trial)이라고 하며 트라이얼은 행렬

로 나타낼 수 있다. 즉, 뇌파 실험 데이터는 한 피험자(subject)에 대해 측정한 N개의 트라이얼로 구성된다.

뇌파 분류에서는 각 트라이얼 마다 주어진 자극에 따라 라벨(label)이 주어지며, 뇌파의 분류에 두 개의 분류가 있는 경우 라벨은

와 같이 나타낼 수 있다.

공통 공간 패턴은 뇌파의 각 분류에 해당하는 시계열 데이터의 채널들 사이의 공분산 행렬(covariance matrix)들을 수학식 1과 같이 정의하여 사용한다.

수학식 1에서

는 뇌파의 각 분류에 해당하는 트 라이얼들의 색인을 모두 모은 색인 집합을 나타낸다. 또한,

는 각 트라이얼을 수학식 2와 같이 내부적으로 센터링(centering)시킨 행렬을 의미한다.

수학식 2에서 I_T는 T×T의 항등 행렬을 나타내며, e_T는 1로 구성된 T차원 행벡터를 나타낸다.

공통 공간 패턴의 과정은 다음과 같다. 우선 수학식 3에 표시된 바와 같이 두 공분산 행렬의 합

의 고유 분해(eigen decomposition)를 구한다.

여기서,

와 같은 행렬을 정의하면 whitening transform이 되어

를 만족한다. P에 의해 변환된 공분산 행렬들을 각각

와 같이 정의 하면

인 것을 알 수 있다. 이 때, 수학식 4에 표시된 바와 같은

의 고유 분해는

에 대해 수학식 5와 같은 성질을 가진다.

즉,

와

는 동일한 고유벡터(eigenvector)들을 공유하지만, 각 고유벡터(eigenvector)와 연결되는 고유값(eigenvalue)들은 그 크기의 순서가 서로 반대가 된다. 다시 말해 같은 고유벡터(eigenvector)

에 대하여

의 고유값(eigenvalue)

와

의 고유값(eigenvalue)

사이에는 항상 수학식 6과 같은 관계가 성립된다.

한편, 공분산 행렬의 고유값(eigenvalue)은 대응되는 고유벡터(eigenvector) 방향으로 전사(projection)시킨 데이터들의 분산(variance)이 된다. 따라서 한쪽 공분산 행렬에 대해 가장 큰 고유값(eigenvalue)에 대응되는 고유벡터(eigenvector) 방향으로 데이터를 전사하면, 이는 그 분류의 데이터에 대해서는 분산을 최대화시키는 동시에 다른 쪽 분류에 대해서는 분산을 최소화 시키는 전사 방향이 된다. 따라서, 두 분류 집합 사이의 차이점을 명확히 드러내 주는 특징이 되므로 분류 문제를 해결하는 데 있어 매우 유용하다.

분류기 학습에 사용되는 공통 공간 패턴의 공간 필터(spatial filter)는 수학식 7과 같이 정의되며, 데이터는

와 같이 전사한다.

데이터 분류를 위해서는 한 분류에 대해 가장 큰 n개의 고유값(eigenvalue)들과 가장 작은 고유값(eigenvalue)들에 대응되는 행벡터

들의 방향으로 전사한 데이터

를 수학식 8과 같이 계산하여 사용한다.

상술한 바와 같이 산출한 특징 벡터

와 훈련 데이터에 제공된 라벨

를 이용하여 선형 SVM(Support Vector Machine)과 같은 분류기를 학습하여 훈련 데이터에 포함되지 않았던 트라이얼들에 대해서도 라벨을 예측할 수 있다.

공통 공간 패턴을 적용하기 전에 사용한 전처리 과정을 예를 들어 설명하면 하기와 같다. 먼저, 주어진 데이터에서 자극이 주어진 시점을 기준으로 0초에서 3.5초까지를 하나의 트라이얼로 구분한 다음, 각각의 트라이얼을 밴드 패스 필터링(band-pass filtering)하여 7 내지 30Hz까지의 주파수 영역을 추출해 낸다. 이후, 상기한 바와 같이 추출된 트라이얼들을 행렬

의 형태로 나타낸 다음 상술한 바와 같은 공통 공간 패턴 알고리즘을 적용한다.

상술한 바와 같이 공통 공간 패턴은 뇌파 분류에 있어 매우 효과적인 분류 알고리즘이지만 다른 신호처리 및 기계학습 알고리즘들과 같이 충분한 수의 훈련 데이터가 없는 경우 알고리즘이 제대로 동작하지 않는 문제가 생긴다. 상기와 같은 문제점을 해결하기 위해 같은 실험을 행한 다른 피험자들의 데이터로부터 정보를 가져올 수 있으며, 이것을 피험자 간의 전이(subject-to-subject transfer)라고 한다.

본 발명의 일 실시예에 따른 뇌-컴퓨터 인터페이스를 위한 합성 공통 공간 패턴 분석 방법은 두 가지 서로 다른 자극에 대해 피험자로부터 측정한 다채널 뇌파 데이터를 분류할 때, 피험자 간의 전이를 이용하여 훈련 데이터가 충분하지 못한 피험자에 대한 분류 성능을 높이기 위해 공통 공간 패턴 알고리즘에 합성 공분산 행렬(Composite Covariance Matrix)을 도입하였다.

도 1은 본 발명의 일 실시예에 따른 뇌-컴퓨터 인터페이스를 위한 합성 공통 공간 패턴을 이용한 뇌파 분석 방법을 나타내는 흐름도이다.

도 1을 참조하면, 본 발명의 일 실시예에 따른 합성 공통 공간 패턴을 이용한 뇌파 분석 방법은 다른 피험자들의 공분산 행렬을 포함하는 피험자 k의 합성 공분산 행렬을 생성하는 단계(단계 110)와, 공분산 행렬의 합의 고유 분해(eigen decomposition)를 산출하는 단계(단계 120)와, 한 분류에 대해 가장 큰 고유 값(eigenvalue)들과 가장 작은 고유값들에 기초하여 특징 벡터(

)를 추출하는 단계(단계 130) 및 추출된 특징 벡터(

) 및 훈련 데이터에 제공된 라벨(

)에 기초하여 분류기를 학습하는 단계(단계 140)를 포함한다.

도 1에 도시한 흐름도에서 단계 120 내지 단계 140은 상술한 공통 공간 패턴 알고리즘을 이용한 뇌파 분석 방법과 동일하므로 중복을 피하기 위해 상세한 설명을 생략한다.

도 1에 도시한 단계 110을 구체적으로 설명하면 하기와 같다.

먼저 훈련 데이터 집합이 K명의 서로 다른 피험자들의 데이터를 포함하고 있을 때, k번째 피험자에 속한 데이터가 가지는 색인 집합을

라고 정의하면 각각의 피험자의 공분산 행렬을 수학식 9과 같이 나타낼 수 있다.

여기서, 종래의 공통 공간 패턴 알고리즘은 k번째 피험자의 특징을 추출할 때 공분산 행렬

만을 사용했으나, 본 발명의 일 실시예에서는 k번째 피험자의 특징을 추출할 때 다른 피험자들의 공분산 행렬들

도 함께 사용하여 합성 공분산 행렬을 생성한다.

본 발명의 일 실시예에서는 합성 공분산 행렬을 만드는 방법으로 수학식 10 에 나타낸 바와 같이 선형 결합(linear combination)을 사용한다.

수학식 10에서,

는 선형 결합에 사용되는 가중치를 의미하고, 상기 가중치는 훈련 데이터 수에 의해 결정되거나, 피험자 사이의 유사도에 의해 결정될 수 있다.

구체적으로, 본 발명의 일 실시예에 따른 가중치 결정 방법은 가중치를 정할 때 각 피험자마다 제공된 훈련 데이터의 수를 기준으로 가중치를 결정한다. 즉, k번째 피험자에 대한 합성 공분산 행렬은 수학식 11과 같이 정의된다.

수학식 11에서

는 k번째 피험자 자신의 데이터에 대한 가중치를 조절하는 인수로

인 경우에는 종래의 공통 공간 패턴 알고리즘과 동일하게 되며,

인 경우에는 k번째 피험자 자신의 데이터는 전혀 사용하지 않게 된다. 즉,

를 조절하여 전이되는 정보의 영향을 조절함으로써 분류 성능을 최적화시킬 수 있다.

또한, 본 발명의 다른 실시예에 따른 가중치 결정 방법은 가중치를 정할 때 전이 받는 피험자와 정보를 제공하는 피험자 사이의 유사성에 비례하여 가중치를 정한다.

구체적으로, 피험자들 사이의 유사성을 판단하기 위하여 쿨백-라이블러 발산(KL-divergence: Kullback-Leibler divergence)을 사용한다. 우선 각각의 피험자들의 데이터 분포

를 수학식 12에 나타낸 바와 같이 가우시안 분포(Guassian distribution)로 가정한다.

상기 수학식 12의 가정을 따르면 j번째 피험자로부터 k번째 피험자로의 쿨백-라이블러 발산은 수학식 13와 같이 산출할 수 있다.

쿨백-라이블러 발산은 두 피험자의 데이터 분포 사이의 유사성에 반비례하므로 가중치 또한 쿨백-라이블러 발산에 반비례하도록 정의되어야 한다. 따라서 합성 공분산 행렬은 수학식 14와 같이 정의된다.

상기 수학식 14에서, j=k인 경우 쿨백-라이블러 발산은 0이 되기 때문에

에 대한 가중치는 인수

로만 결정된다.

는 가중치의 총합이 1이 되도록 (

) 하는 상수이다.

도 2는 본 발명의 일 실시예에 따른 뇌-컴퓨터 인터페이스를 위한 합성 공통 공간 패턴 분석 방법의 성능 평가를 위한 데이터를 나타낸다.

도 2에 도시된 데이터는 2007년에 개최된 BCI(Brain-Computer Interface) competition III에 출제된 dataset IVa 문제에 제공된 데이터를 나타내는 것이다. BCI competition III에 출제된 dataset IVa 문제는 오른손의 움직임과 오른발의 움직임을 상상한 뇌파를 구분하는 심상 운동 분류 문제로 같은 실험을 한 다섯 명의 피험자들에 대해 서로 다른 수의 훈련 데이터와 시험 데이터가 제공되었다.

본 발명의 일 실시예에 따른 뇌-컴퓨터 인터페이스를 위한 합성 공통 공간 패턴 분석 방법의 성능평가를 위해 도 2에 도시된 훈련 데이터를 사용하여 학습한 분류기로 시험 데이터를 분류하게 하여 종래의 공통 공간 패턴 알고리즘과 비교하 였다.

도 3 및 도 4는 본 발명의 일 실시예에 따른 뇌-컴퓨터 인터페이스를 위한 합성 공통 공간 패턴 분석 방법의 성능을 종래의 공통 공간 패턴 분석 방법과 비교한 결과를 나타낸다.

도 3 및 도 4는 도 2에 도시된 데이터 중에서 가장 훈련 데이터가 적은 피험자 aw 및 ay에 대한 분류 성능을 나타내는 것으로, 'CSP'는 종래의 공통 공간 알고리즘을 나타내며, '방법 1'은 본 발명의 일 실시예에 따른 가중치 결정 방법을 이용한 합성 공통 공간 패턴 분석 방법을 나타내는 것으로 훈련 데이터 수에 의해 가중치를 결정한 것을 나타내고, '방법 2'는 본 발명의 다른 실시예에 따른 가중치 결정 방법을 이용한 합성 공통 공간 패턴 분석 방법을 나타내는 것으로 피험자 사이의 유사도에 의해 가중치를 결정한 것을 나타낸다.

또한, 도 3 및 도 4에서 y축(accuracy)은 분류 성능을 나타내는 지표로써, 전체 시험 데이터의 수에 대해 정확하게 분류한 시험 데이터의 수의 비를 나타낸다. 'accuracy'는 각각의 상술한 각각의 방법(즉, 방법 1, 방법 2 및 CSP)으로 추출한 특징을 사용하여 선형 SVM을 학습시켜 얻은 결과를 나타낸다. x축은 상술한 합성 공분산 행렬

를 결정할 때 사용하는 인수

의 값을 나타내며, 0부터 1까지 0.1 간격으로 표시하였다. 성능 평가 과정에서 사용한 n은 1이며, 따라서 가장 큰 고유값(eigenvalue)와 가장 작은 고유값에 대응되는 2개의 고유벡터(eigenvector)들을 사용하여 특징을 추출하였다.

도 3 및 도 4에 도시된 바와 같이 본 발명의 실시예에 따른 뇌-컴퓨터 인터페이스를 위한 합성 공통 공간 패턴 분석 방법은 훈련 데이터가 적은 피험자의 특징 추출시 다른 피험자들의 공분산 행렬들을 함께 사용하는 합성 공분산 행렬을 사용하기 때문에 가장 훈련 데이터가 적은 피험자인 aw 및 ay에 대해서 종래의 공통 공간 패턴 알고리즘보다 높은 분류 성능을 나타낸다.

이상 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.

도 1은 본 발명의 일 실시예에 따른 뇌-컴퓨터 인터페이스를 위한 합성 공통 공간 패턴 분석 방법을 나타내는 흐름도이다.

Claims

소정 피험자로부터 측정한 다채널 뇌파 데이터를 분류하기 위한 합성 공통 공간 패턴(composite Common Spatial Pattern) 분석 방법에 있어서,

다른 피험자의 공분산 행렬을 함께 사용하여 상기 소정 피험자의 뇌파의 각 분류에 해당하는 시계열 데이터의 채널들에 상응하는 합성 공분산 행렬(Composite Covariance Matrix)을 생성하는 단계;

상기 합성 공분산 행렬의 합의 고유 분해(eigen decomposition)를 산출하는 단계; 및

상기 산출된 고유 분해 결과를 이용하여, 소정 분류에 대해 가장 큰 고유값(eigenvalue)들과 가장 작은 고유값들에 대응되는 행벡터들의 방향으로 상기 다채널 뇌파 데이터를 전사(projection)시켜 상기 다른 피험자의 트라이얼의 특징 벡터를 추출하는 단계를 포함하는 합성 공통 공간 패턴 분석 방법.
제1항에 있어서, 상기 다른 피험자의 공분산 행렬을 함께 사용하여 상기 소정 피험자의 뇌파의 각 분류에 해당하는 시계열 데이터의 채널들에 상응하는 합성 공분산 행렬을 생성하는 단계는,

상기 다른 피험자들의 공분산 행렬 및 상기 소정 피험자의 공분산 행렬을 선형 결합하여 상기 합성 공분산 행렬을 생성하는 것을 특징으로 하는 합성 공통 공간 패턴 분석 방법.
제2항에 있어서, 상기 다른 피험자의 공분산 행렬을 함께 사용하여 상기 소 정 피험자의 뇌파의 각 분류에 해당하는 시계열 데이터의 채널들에 상응하는 합성 공분산 행렬을 생성하는 단계는,

상기 다른 피험자들의 공분산 행렬 및 상기 소정 피험자의 공분산 행렬의 선형 결합시 가중치를 사용하여 선형 결합하는 것을 특징으로 하는 합성 공통 공간 패턴 분석 방법.
제3항에 있어서, 상기 가중치는

상기 다른 피험자들 및 상기 소정 피험자 각각에 제공된 훈련 데이터 수를 기준으로 결정되는 것을 특징으로 하는 합성 공통 공간 패턴 분석 방법.
제3항에 있어서, 상기 가중치는

상기 다른 피험자들의 데이터 분포와 상기 소정 피험자의 데이터 분포 사이의 유사도에 기초하여 결정되는 것을 특징으로 하는 합성 공통 공간 패턴 분석 방법.
소정 피험자로부터 측정한 다채널 뇌파 데이터를 분류하기 위한 뇌파 분석 방법에 있어서,

다른 피험자의 공분산 행렬을 함께 사용하여 상기 소정 피험자의 뇌파의 각 분류에 해당하는 시계열 데이터의 채널들에 상응하는 합성 공분산 행렬(Composite Covariance Matrix)을 생성하는 단계;

상기 합성 공분산 행렬의 합의 고유 분해(eigen decomposition)를 산출하는 단계;

상기 산출된 고유 분해 결과를 이용하여, 소정 분류에 대해 가장 큰 고유값(eigenvalue)들과 가장 작은 고유값들에 대응되는 행벡터들의 방향으로 상기 다채널 뇌파 데이터를 전사(projection)시켜 상기 다른 피험자의 트라이얼의 특징 벡터를 추출하는 단계; 및

추출된 상기 특징 벡터 및 훈련 데이터에 제공된 라벨에 기초하여 분류기를 학습하는 단계를 포함하는 뇌파 분석 방법.
제6항에 있어서, 상기 다른 피험자의 공분산 행렬을 함께 사용하여 상기 소정 피험자의 뇌파의 각 분류에 해당하는 시계열 데이터의 채널들에 상응하는 합성 공분산 행렬을 생성하는 단계는,

상기 다른 피험자들의 공분산 행렬 및 상기 소정 피험자의 공분산 행렬을 선형 결합하여 생성하는 것을 특징으로 하는 뇌파 분석 방법.
제7항에 있어서, 상기 다른 피험자의 공분산 행렬을 함께 사용하여 상기 소정 피험자의 뇌파의 각 분류에 해당하는 시계열 데이터의 채널들에 상응하는 합성 공분산 행렬을 생성하는 단계는,

상기 다른 피험자들의 공분산 행렬 및 상기 소정 피험자의 공분산 행렬의 선형 결합시 가중치를 사용하여 선형 결합하는 것을 특징으로 하는 뇌파 분석 방법.
제8항에 있어서, 상기 가중치는

상기 다른 피험자들 및 상기 소정 피험자 각각에 제공된 훈련 데이터 수를 기준으로 결정되는 것을 특징으로 하는 뇌파 분석 방법.
제8항에 있어서, 상기 가중치는

상기 다른 피험자들의 데이터 분포와 상기 소정 피험자의 데이터 분포 사이의 유사도에 기초하여 결정되는 것을 특징으로 하는 뇌파 분석 방법.