KR101626748B1 - 뇌파와 근전도를 이용한 움직임 패턴 측정 장치 및 그 방법 - Google Patents

뇌파와 근전도를 이용한 움직임 패턴 측정 장치 및 그 방법 Download PDF

Info

Publication number
KR101626748B1
KR101626748B1 KR1020150109470A KR20150109470A KR101626748B1 KR 101626748 B1 KR101626748 B1 KR 101626748B1 KR 1020150109470 A KR1020150109470 A KR 1020150109470A KR 20150109470 A KR20150109470 A KR 20150109470A KR 101626748 B1 KR101626748 B1 KR 101626748B1
Authority
KR
South Korea
Prior art keywords
eeg
emg
motion
value
user
Prior art date
Application number
KR1020150109470A
Other languages
English (en)
Inventor
홍지만
강기욱
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 KR1020150109470A priority Critical patent/KR101626748B1/ko
Application granted granted Critical
Publication of KR101626748B1 publication Critical patent/KR101626748B1/ko
Priority to US15/219,294 priority patent/US10105105B2/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
    • G06F3/015—Input arrangements based on nervous system activity detection, e.g. brain waves [EEG] detection, electromyograms [EMG] detection, electrodermal response detection
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1126—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/389—Electromyography [EMG]
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Abstract

본 발명은 뇌파와 근전도를 이용한 움직임 패턴 측정 장치 및 그 방법에 관한 것이다.
뇌파 센서 및 근전도 센서를 이용하여 사용자의 움직임을 측정하는 장치에 있어서, 뇌파의 파형과 근전도 값을 패턴화한 적어도 하나의 샘플 패턴을 저장하는 샘플 패턴 저장부, 상기 뇌파 센서 및 근전도 센서로부터 측정된 상기 사용자의 뇌파의 파형 및 근전도 값을 수신하는 통신부, 상기 수신된 사용자의 뇌파의 파형 및 근전도 값과 유사도가 가장 큰 샘플 패턴을 선택하고, 상기 선택된 샘플 패턴과 진폭 또는 주기가 일치하도록 상기 뇌파의 파형 및 근전도 값을 정규화하는 패턴 정규화부, 상기 정규화된 뇌파의 파형 및 근전도 값을 인공 신경망 알고리즘에 입력하여 상기 사용자의 움직임을 각각 추정하는 움직임 추정부 그리고 상기 추정된 사용자의 각각의 움직임 추정 값에 대해 뇌파 및 근전도의 가중치를 적용하여 상기 사용자의 움직임을 측정하는 움직임 판별부를 포함한다.
본 발명에 따르면, 측정된 뇌파 및 근전도 값 이외에도 이전 시점의 뇌파, 근전도값, 움직임 추정 값을 함께 이용하여, 현재 사용자의 측정된 뇌파 및 근전도에 대한 각각의 움직임을 추정하고 판별하므로 움직임의 판별에 대한 정확도를 향상시킬 수 있다.

Description

뇌파와 근전도를 이용한 움직임 패턴 측정 장치 및 그 방법{Apparatus for measuring movement pattern using brainwave and electromyogram and Method thereof}
본 발명은 뇌파와 근전도를 이용한 움직임 패턴 측정 장치 및 그 방법에 관한 것으로, 더욱 상세하게는 사용자의 뇌파 및 근전도 값을 측정하여 사용자의 움직임 패턴을 분석하는 뇌파와 근전도를 이용한 움직임 패턴 측정 장치 및 그 방법에 관한 것이다.
HCI(Human-Computer Interface based on Bio-Signal)은 인위적으로 발생 가능한 생체 신호를 이용하여 노약자나 장애인이 컴퓨터를 이용할 때 인터페이스(Human-Computer Interface)로 사용하거나 휠체어, 의수 등의 재활 기기 구동 제어를 위한 명령어를 생성하기 위한 기술이나 착용형 컴퓨터 또는 자체 장애용 인터페이스로 활용되는 기술이다.
이러한 HCI분야에서는 뇌파와 근전도 측정 기술을 기반으로 키보드나 터치패드 등의 입력장치 없이 생체 신호를 이용해서 입력 신호로 이용할 수 있기 때문에, 특히 입력을 위해 직접적인 행동이 필요하지 않아 사지가 불편한 사람들의 컴퓨터 입력이나 의수 개발 등의 기술이 연구되고 있다.
뇌파 혹은 EEG(electroencephalogram)라고 불리는 신호는 신경계에서 뇌신경 사이에 신호가 전달될 때 생기는 전기의 흐름으로 두피에 전극을 붙여 측정한다. 이러한 뇌전도 신호를 이용해서 수면 상태 분석, 집중도와 긴장도 측정, 개략적인 감정 인식 등을 할 수 있다.
또한, 뇌파를 이용한 분야로 게임 인터페이스 적용이 있다. 컨트롤러나 키보드 등을 이용하지 않고 뇌파만으로 컴퓨터 입력을 적용하는 것으로 그 중 가장 범용적이고 다양한 입력을 할 수 있는 게임 입력에 대한 연구가 활성화 되어 있다. 또한 뇌파를 통해 집중도 등을 측정할 수 있는 점을 이용해서 정신과 환자에게서 명상 상태의 뇌파를 얻고 그 결과를 진단에 활용하는 방법도 연구되고 있다.
이와 같이, 컴퓨터 인터페이스의 수단으로서 뇌파에 대한 기술이 다양하게 연구되고 있으나, 뇌파 측정 과정에서 노이즈의 혼입이 불가피하고 정보 손실이 생겨 분석하는 데 어려움이 있다.
그리고, 사용자가 특정 행동을 할 때, 뇌파 센서를 통해서 측정되는 것은 단순 파장이기 때문에 특정 행동에 매칭되는 뇌파는 한 종류의 파장일 수 있지만, 한 종류에 뇌파에 매칭되는 행동은 여러 가지일 수 있다. 그러므로 보다 정확하게 측정되는 뇌파와 특정 행동을 매칭하기 위해서는 뇌파와 근전도 센서를 함께 사용하여 측정하는 기술이 필요하다.
또한, 측정된 뇌파를 패턴화 할 때, 데이터베이스에 저장된 가장 비슷한 뇌파를 매칭하는 것에만 한정되었다. 하지만, 뇌파는 개인마다 진폭이 다르기 때문에 매칭하기 위해서는 몇 번의 측정을 거쳐 개인의 뇌파에 대한 정규화가 필요하다.
본 발명의 배경이 되는 기술은 대한민국 국내등록특허 제10-1293446호(2013.08.05 공고)에 개시되어 있다.
본 발명이 이루고자 하는 기술적 과제는 사용자의 놔파 및 근전도 값을 측정하여 사용자의 움직임 패턴을 분석하는 뇌파와 근전도를 이용한 움직임 패턴 측정 장치 및 그 방법을 제공하기 위한 것이다.
이러한 기술적 과제를 이루기 위한 본 발명의 실시예에 따르면, 뇌파 센서 및 근전도 센서를 이용하여 사용자의 움직임을 측정하는 장치에 있어서, 뇌파의 파형과 근전도 값을 패턴화한 적어도 하나의 샘플 패턴을 저장하는 샘플 패턴 저장부, 상기 뇌파 센서 및 근전도 센서로부터 측정된 상기 사용자의 뇌파의 파형 및 근전도 값을 수신하는 통신부, 상기 수신된 사용자의 뇌파의 파형 및 근전도 값과 유사도가 가장 큰 샘플 패턴을 선택하고, 상기 선택된 샘플 패턴과 진폭 또는 주기가 일치하도록 상기 뇌파의 파형 및 근전도 값을 정규화하는 패턴 정규화부, 상기 정규화된 뇌파의 파형 및 근전도 값을 인공 신경망 알고리즘에 입력하여 상기 사용자의 움직임을 각각 추정하는 움직임 추정부 및 상기 추정된 사용자의 각각의 움직임 추정 값에 대해 뇌파 및 근전도의 가중치를 적용하여 상기 사용자의 움직임을 측정하는 움직임 판별부를 포함한다.
상기 뇌파 센서 및 근전도 센서로부터 수신된 뇌파의 파형 및 근전도 값을 독립성분분석 알고리즘에 적용하여 안구 운동에 대한 노이즈를 제거하는 노이즈 제거부 및 상기 수신된 뇌파와 근전도의 시간차를 이용하여 상기 정규화된 뇌파와 상기 정규화된 근전도 값을 동기화하는 동기화부를 더 포함한다.
상기 패턴 정규화부는, 상기 노이즈가 제거된 뇌파 파형 또는 근전도 값이 상기 선택된 샘플 패턴의 진폭 또는 주기와 일치하도록 조절한 비율을 정규화 비율로 설정하거나 정규화 비율을 입력받아 설정하면, 상기 설정된 정규화 비율을 적용하여 상기 노이즈가 제거된 뇌파 및 근전도를 정규화할 수 있다.
상기 움직임 추정부는, 상기 동기화된 현재 시점 및 이전 시점에서의 뇌파 및 근전도 값, 이전 시점에서 상기 인공 신경망 알고리즘을 통해 출력된 움직임 추정 값을 상기 인공 신경망 알고리즘의 입력 값으로 사용하여 상기 사용자의 움직임을 추정할 수 있다.
상기 샘플 저장부는, 상기 정규화된 뇌파 파형 및 근전도 값과 상기 인공 신경망 알고리즘에서 출력된 움직임 추정 값을 패턴화하여 저장할 수 있다.
상기 움직임 판별부는, 상기 근전도에 따라 추정된 움직임 추정 값이 상기 뇌파에 따른 추정된 움직임 추정 값보다 더 큰 가중치 값을 갖도록 설정할 수 있다.
본 발명의 다른 실시예에 따르면, 움직임 패턴 측정 장치를 이용한 움직임 패턴 측정 방법에 있어서, 뇌파의 파형과 근전도 값을 패턴화한 적어도 하나의 샘플 패턴을 저장하는 단계, 사용자에게 부착된 뇌파 센서 및 근전도 센서로부터 측정된 상기 사용자의 뇌파의 파형 및 근전도 값을 수신하는 단계, 상기 수신된 상기 사용자의 뇌파의 파형 및 근전도 값과 유사도가 가장 큰 샘플 패턴을 선택하고, 상기 선택된 샘플 패턴과 진폭 또는 주기가 일치하도록 상기 뇌파의 파형 또는 근전도 값을 정규화하는 단계, 상기 정규화된 뇌파의 파형 및 근전도 값을 인공 신경망 알고리즘에 입력하여 각각 상기 사용자의 움직임을 추정하는 단계 및 상기 추정된 사용자의 각각의 움직임 추정 값에 대해 뇌파 및 근전도의 가중치를 적용하여 상기 사용자의 움직임을 판별하는 단계를 포함한다.
본 발명에 따르면, 사용자로부터 현재 시점에서 측정된 뇌파 및 근전도 값 이외에도 이전 시점의 뇌파, 근전도값, 움직임 추정 값을 함께 이용함으로써, 현재 사용자의 측정된 뇌파 및 근전도에 대한 각각의 움직임을 정확하게 추정할 수 있다.
또한, 사용자 별로 측정된 데이터를 활용하므로 개인에 대한 정규화가 정교하게 이루어질 수 있고, 뇌파 센서 및 근전도 센서를 함께 활용하여 기존의 방법에 비해 최소한의 센서를 이용하여 보다 정확하게 사용자의 움직임을 판별할 수 있으므로 개인별 정규화 비용과 센서 비용을 절감할 수 있다.
도 1은 본 발명의 실시예에 따른 움직임 패턴 측정 장치를 나타낸 구성도이다.
도 2는 본 발명의 실시예에 따른 움직임 패턴 측정 방법을 나타낸 순서도이다.
도 3은 본 발명의 실시예에 따른 움직임 패턴 측정 장치의 인공 신경망의 알고리즘 구조를 나타낸 예시도이다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
그러면 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다.
본 발명은 뇌파와 근전도를 이용한 움직임 패턴 측정 장치 및 그 방법에 관한 것으로, 뇌파 센서와 근전도 센서로부터 측정된 뇌파 및 근전도의 값으로 사용자의 움직임을 좀더 정확하게 판별할 수 있는 방법을 제공한다.
본 발명의 실시예에서는 뇌파를 측정할 수 있는 센서와 근전도를 측정할 수 있는 센서를 이용하는 데, 사용자는 2개의 뇌파 센서를 전두엽 부분에 부착하고 2개의 근전도 센서는 판별하고자 하는 신체 부위에 부착한다. 그리고 움직임 패턴 측정 장치는 사용자 몸에 부착된 센서로부터 사용자의 뇌파 및 근전도를 측정한 데이터를 수신하고 측정된 데이터를 독립성분분석 알고리즘, 노이즈 제거, 정규화 과정, 인공 신경망 알고리즘을 통해 사용자의 움직임을 판별한다. 판별된 움직임 및 측정된 뇌파 및 근전도는 저장되어 다시 활용하기 때문에 개인에 대한 정규화 및 움직임 판별도에 대한 정확도를 높일 수 있다
도 1은 본 발명의 실시예에 따른 움직임 패턴 측정 장치를 나타낸 구성도이다.
움직임 패턴 측정 장치(100)는 샘플 패턴 저장부(110), 패턴 정규화부(120), 움직임 추정부(130) 및 움직임 판별부(140)를 포함하며 노이즈 제거부(150) 및 동기화 부(160)을 더 포함할 수 있다.
샘플 패턴 저장부(110)는 뇌파의 파형과 근전도의 값에서 뇌파의 파형과 근전도 값을 패턴화한 적어도 하나의 샘플 패턴을 저장한다. 샘플 패턴 저장부(110)는 특정 움직임에 대한 뇌파의 진폭 또는 근전도 값을 패턴화하여 샘플 패턴으로 미리 저장하고 있으며, 측정된 뇌파 또는 근전도에 대한 판별한 값을 패턴화 하여 저장할 수도 있다.
통신부(120)는 뇌파 센서 및 근전도 센서로부터 측정된 사용자의 뇌파의 파형 및 근전도 값을 수신한다.
통신부(120)는 뇌파 센서 및 근전도 센서로부터 유선 또는 무선으로 측정된 뇌파의 파형 및 근전도 값을 수신할 수 있으며, 무선 통신의 형태로는 지그비(Zigbee), 블루투스(Bluetooth), NFC 등의 근거리 통신 또는 3G, 4G, LTE, LTE-A 등의 원거리 통신을 이용하며 특정 무선 통신망에 국한되지 않는다.
패턴 정규화부(120)는 통신부(120) 또는 노이즈 제거부(150)로부터 수신된 사용자의 뇌파의 파형 및 근전도 값과 유사도가 가장 큰 샘플 패턴을 선택하고, 선택된 샘플 패턴과 진폭 또는 주기가 일치하도록 뇌파의 파형 및 근전도 값을 정규화한다.
움직임 추정부(130)는 정규화된 뇌파의 파형 및 근전도 값을 인공 신경망 알고리즘에 입력하여 사용자의 움직임을 각각 추정한다.
여기서 인공 신경망은 시냅스의 결합으로 네트워크를 형성한 인공 뉴런 또는 노드가 학습을 통해 시냅스의 결합 세기를 변화시켜 문제 해결 능력을 가지는 모델 전반을 가리킨다. 이러한 인공 신경망을 이용하여 사용자의 움직임을 추정하는 과정은 추후에 상세히 설명할 것이다.
움직임 판별부(140)는 추정된 사용자의 각각의 움직임 추정 값에 대해 뇌파 및 근전도의 가중치를 적용하여 사용자의 움직임을 측정한다.
노이즈 제거부(150)는 뇌파 센서 및 근전도 센서로부터 수신된 뇌파의 파형 및 근전도 값을 독립성분분석 알고리즘에 적용하여 안구 운동에 대한 노이즈를 제거한다. 여기서, 독립성분분석 알고리즘은 다량의 신호를 통계적으로 하부 성분으로 분리하는 계산방법으로 독립성분분석은 블라인드 신호를 분리하는 방법이다.
동기화(160)는 수신된 뇌파와 근전도의 시간차를 이용하여 정규화된 뇌파와 정규화된 근전도 값을 동기화한다.
즉, 특정 움직임을 하고자 할 때 뇌의 신호가 먼저 생성되고 그에 따라 움직이므로 측정되는 뇌의 신호가 사용자가 움직일 때 측정되는 근전도의 값 보다 시간적으로 빨라진다. 이와 같은 시간차를 계산하고 적용하여 측정된 뇌파와 근전도가 같은 움직임을 나타낼 수 있도록 시간을 동기화한다.
이하에서는 도 2 및 도 3을 통하여 본 발명의 실시예에 따른 움직임 패턴 측정 장치를 이용한 사용자 움직임 측정 방법에 관하여 상세히 설명한다.
도 2는 본 발명의 실시예에 따른 움직임 패턴 측정 방법을 나타낸 순서도이고, 도 3은 본 발명의 실시예에 따른 움직임 패턴 측정 장치의 인공 신경망 알고리즘의 구조를 나타낸 예시도이다.
먼저, 움직임 패턴 측정 장치(100)는 뇌파의 파형과 근전도 값을 패턴화한 적어도 하나의 샘플 패턴을 저장한다(S210). 여기서, 샘플 패턴은 일반인의 표준적인 뇌파의 파형 및 근전도 값과 그에 대한 움직임을 나타내는 것으로 미리 기록되어 저장된다.
또한, 움직임 패턴 측정 장치(100)는 측정된 사용자의 뇌파 및 근전도를 이용하여 움직임을 판별하면, 판별된 뇌파, 근전도, 움직임 값을 패턴화하여 샘플 패턴으로 저장할 수도 있다.
다음으로, 움직임 패턴 측정 장치(100)는 사용자에게 부착된 뇌파 센서 및 근전도 센서로부터 측정된 사용자의 뇌파의 파형 및 근전도 값을 수신한다(S220).
움직임 패턴 측정 장치(100)는 뇌파 센서 및 근전도 센서와 실시간으로 또는 일정 간격에 따라 통신하여 측정된 뇌파의 파형 및 근전도 값을 수신할 수 있다.
움직임 패턴 측정 장치(100)와 뇌파 센서 및 근전도 센서는 유선으로 연결되어 측정된 값을 통신할 수도 있고 무선으로 통신을 할 수도 있다.
이때, 무선 통신의 형태로는 지그비(Zigbee), 블루투스(Bluetooth), NFC 등의 근거리 통신 또는 3G, 4G, LTE, LTE-A 등의 원거리 통신을 이용하며 특정 무선 통신망에 국한되지 않는다.
다음으로, 움직임 패턴 측정 장치(100)는 수신된 뇌파의 파형 또는 근전도 값을 독립성분분석 알고리즘에 적용하여 안구 운동에 대한 노이즈를 제거한다(S230).
뇌파 또는 근전도 센서로부터 측정되는 뇌파 도는 근전도 값에 노이즈(noise)나 잡파(artifact)가 섞여서 측정될 가능성이 높기 때문에, 노이즈나 잡파를 제거해야 정확한 측정값을 얻을 수 있다. 특히, 움직임 패턴 측정 장치(100)는 안구운동(Eye movement)에 대한 뇌파 신호를 독립성분분석을 적용하여 측정된 뇌파의 파동에서 제거할 수 있다. 특히, 독립성분분석 알고리즘은 신호들간의 의존성까지 최소화 되도록 분리할 수 있기 때문에 가장 독립적인 소스들로 분리하는 것이 가능하므로 효과적으로 노이즈를 제거할 수 있다.
또한, 움직임 패턴 측정 장치(100)는 안구 운동에 대한 노이즈 뿐 아니라 움직임 판별과 인과 관계가 없는 노이즈나 잡파를 제거할 수 있다. 예를 들어, 뇌파 또는 근전도의 값에 영향을 줄 수 있는 틱 장애 또는 질환을 앓고 있는 경우에는 측정된 뇌파의 파동 및 근전도 값에서 해당 노이즈나 잡파를 제거할 수 있다.
다음으로, 움직임 패턴 측정 장치(100)는 노이즈가 제거된 사용자의 뇌파의 파형 및 근전도 값을 수신하여 유사도가 가장 큰 샘플 패턴을 선택하고, 선택된 샘플 패턴과 진폭 또는 주기가 일치하도록 뇌파의 파형 또는 근전도 값을 정규화한다(S240).
움직임 패턴 측정 장치(100)는 수신된 뇌파 및 근전도의 값의 특징점을 분석하고 특징점과 가장 유사하다고 판단되는 샘플 패턴을 각각 선택한다. 그리고 사람마다 측정되는 뇌파의 파형과 근전도 값이 다르기 때문에 정확한 움직임을 판별하기 위해 움직임 패턴 측정 장치(100)는 선택된 샘플 패턴과 진폭 또는 주기가 일치하도록 정규화한다.
진폭 또는 주기가 일치하도록 정규화하는 과정에서 움직임 패턴 측정 장치(100)는 조절하는 비율을 별도의 저장 장치에 저장하고 이후 시점에서 측정되는 사용자의 뇌파 및 근전도를 정규화할 때, 저장된 비율을 적용할 수 있다.
즉, 움직임 패턴 측정 장치(100)는 노이즈가 제거된 뇌파 또는 근전도가 샘플 패턴의 진폭 및 주기와 일치하도록 조절한 비율을 정규화 비율로 설정하거나 정규화 비율을 입력받아 설정하면, 설정된 정규화 비율을 적용하여 노이즈가 제거된 뇌파 또는 근전도를 정규화할 수 있다.
여기서 움직임 패턴 측정 장치(100)는 N번의 정규화 과정을 통해 저장된 비율 중에서 가장 많이 저장되었던 비율을 정규화 비율로 설정할 수 있으며, 정규화 비율이 설정되는 이후 시점에서 정규화 할 때, 먼저 정규화 비율을 적용하고 정규화 비율이 맞지 않을 겨우 다시 진폭과 주기를 조절하여 정규화할 수 있다.
다음으로, 움직임 패턴 측정 장치(100)는 측정된 뇌파와 근전도의 시간차를 이용하여 정규화된 뇌파와 정규화된 근전도 값을 동기화한다(S250).
즉, 뇌파 센서 및 근전도 센서로부터 실시간 또는 일괄적으로 수신하더라도 같은 움직임에 대한 뇌파 및 근전도를 측정되는 시간이 다르기 때문에, 움직임 패턴 측정 장치(100)는 뇌파 또는 근전도 중 어느 하나를 기준으로 시간차를 조절하여 동기화할 수 있다.
예를 들면, 사용자가 뇌파 센서 및 근전도 센서를 몸에 부착하면, 움직임 패턴 측정 장치(100)는 미리 사용자가 특정 움직임을 하고 그에 따라 뇌의 신호에 의해 생기는 뇌파의 시간과 뇌의 신호에 의해 움직이는 근육에 의해 생기는 근전도간의 시간차를 계산하거나 사용자로부터 입력받은 시간차를 이용하여 동기화할 수 있다.
다음으로, 움직임 패턴 측정 장치(100)는 정규화된 뇌파의 파형 및 근전도 값을 인공 신경망에 입력하여 상기 사용자의 움직임을 추정한다(S260).
또한, 움직임 패턴 측정 장치(100)는 동기화된 현재 시점 및 이전 시점에서의 뇌파 및 근전도 값, 이전 시점에서 인공 신경망 알고리즘을 통해 출력된 움직임 추정 값을 인공 신경망 알고리즘의 입력 값으로 사용하여 사용자의 움직임을 추정할 수 있다.
도 3과 같이 인공 신경망 알고리즘의 구조는 입력층, 적어도 한 개의 중간 은닉층, 출력층으로 구성되어 있다.
이때, 사용자의 움직임의 흐름이 전후 관계가 있다고 가정하고, 움직임 패턴 측정 장치(100)는 현재 및 이전 시점의 동기화된 센서 값과 이전에 추정된 움직임 추정 값을 인공 신경망 알고리즘에 모두 입력으로 사용할 수 있다.
앞서 설명한 바와 같이, 2의 뇌파 센서와 2개의 근전도 센서를 이용하므로 4개의 센서의 값이 인공 신경망 알고리즘에 입력될 수 있다.
도 3에서는 본 발명의 실시예에 따른 움직임 패턴 측정 장치(100)의 인공 신경망의 구조에 대해서 3레이어 모델을 사용하고 있지만, 이에 한정되는 것은 아니다. 그리고 각 원모양의 노드는 인공뉴런으로 학습을 통해 시냅스의 결합세기를 변화시켜 문제 해결능력을 가질 수 있다.
도3에서와 같이, 예시적으로 인공 신경망 알고리즘의 입력층은 이전 시점에서 각 센서 별로 3회에 해당하는 뇌파 센서 및 근전도 센서의 정규화된 값(12개)를 이전 판별 값으로 입력하고, 일정시간(250Hz 기준으로 0.1초)동안의 측정하고 동기화한 센서 값을 입력한다. 그리고 입력 노드와 출력 노드의 중간 값으로 58을 예시하였지만, 중간 은닉층의 노드를 충분히 많은 양을 생성하여 적용하면, 4개의 센서에 대한 각각의 움직임 추정 값을 출력한다.
움직임 패턴 측정 장치(100)는 새로운 사용자가 처음 센서를 몸에 부착하고 움직임 패턴 측정 장치(100)를 사용하면, 미리 샘플 값을 가지고 학습 시킨 노드를 이용해서 움직임을 추정할 수 있다. 그리고 움직임 패턴 측정 장치(100)에 사용자의 뇌파 및 근전도의 정규화가 완료되고 일정 양의 해당 사용자의 자료가 쌓인다면, 움직임 패턴 측정 장치(100)는 이전 판별 값을 노드에 학습시키고 최근 판별 값을 입력에 포함하여 보다 정확하게 추정할 수 있다.
그리고, 움직임 패턴 측정 장치(100)는 추정된 사용자의 움직임에 대해 뇌파 및 근전도의 가중치를 적용하여 사용자의 움직임을 판별한다(S270).
움직임 패턴 측정 장치(100)는 2개의 뇌파 센서 통해 측정된 뇌파에 대한 움직임 추정 값과2개의 근전도 센서를 통해 측정된 근전도에 대한 움직임 측정값에 대해서 각각의 뇌파 및 근전도에 대한 가중치를 적용하여 최종적으로 사용자의 움직임을 판별할 수 있다.
이때, 근전도에 따라 추정된 움직임 값이 뇌파에 따른 추정된 움직임 값보다 더 큰 가중치 값을 가질 수 있다. 움직임을 명령하는 뇌파의 신호보다 실제 움직이는 근육에서 측정되는 근전도 값이 정확도가 높고 상대적으로 노이즈 또는 잡파가 많이 섞이지 않기 때문에 뇌파보다 가중치 값이 더 크다.
이와 같이, 측정된 뇌파 및 근전도를 이용하여 사용자의 움직임을 판별하고 나면, 움직임 패턴 측정 장치(100)는 판별한 움직임에 대한 정규화된 뇌파 또는 근전도의 패턴과 인공 신경망 알고리즘에서 출력된 움직임 추정 값을 샘플 패턴화 하여 하나의 샘플 패턴으로 저장할 수 있다.
즉, 움직임 패턴 측정 장치(100)는 측정 및 판별한 입력 값과 결과 값을 다시 샘플 패턴으로 저장하여 S240, S260 단계에서 이용할 수 있다.
이와 같이 본 발명의 실시예에 따르면, 측정된 뇌파 및 근전도 값 이외에도 이전 시점의 뇌파, 근전도값, 움직임 추정 값을 함께 이용하여, 현재 사용자의 측정된 뇌파 및 근전도에 대한 각각의 움직임을 추정하고 판별하므로 움직임의 판별에 대한 정확도를 향상시킬 수 있다.
또한, 사용자 별로 측정된 데이터를 활용하므로 개인에 대한 정규화가 정교하게 이루어질 수 있고, 뇌파 센서 및 근전도 센서를 함께 활용하여 기존의 방법에 비해 최소한의 센서를 이용하여 보다 정확하게 사용자의 움직임을 판별할 수 있으므로 개인별 정규화 비용과 센서 비용을 절감할 수 있다.
본 발명은 도면에 도시된 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 다른 실시예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의하여 정해져야 할 것이다.
100: 움직임 패턴 측정 장치 110: 샘플 패턴 저장부
120: 통신부 130: 패턴 정규화부
140: 움직임 판별부 150: 노이즈 제거부
160: 동기화부

Claims (12)

  1. 뇌파 센서 및 근전도 센서를 이용하여 사용자의 움직임을 측정하는 장치에 있어서,
    뇌파의 파형과 근전도 값을 패턴화한 적어도 하나의 샘플 패턴을 저장하는 샘플 패턴 저장부;
    상기 뇌파 센서 및 근전도 센서로부터 측정된 상기 사용자의 뇌파의 파형 및 근전도 값을 수신하는 통신부;
    상기 수신된 사용자의 뇌파의 파형 및 근전도 값과 유사도가 가장 큰 샘플 패턴을 선택하고, 상기 선택된 샘플 패턴과 진폭 또는 주기가 일치하도록 상기 뇌파의 파형 및 근전도 값을 정규화하는 패턴 정규화부;
    상기 정규화된 뇌파의 파형 및 근전도 값을 인공 신경망 알고리즘에 입력하여 상기 사용자의 움직임을 각각 추정하는 움직임 추정부; 및
    상기 추정된 사용자의 각각의 움직임 추정 값에 대해 뇌파 및 근전도의 가중치를 적용하여 상기 사용자의 움직임을 측정하는 움직임 판별부를 포함하는 움직임 패턴 측정 장치.
  2. 제1항에 있어서,
    상기 뇌파 센서 및 근전도 센서로부터 수신된 뇌파의 파형 및 근전도 값을 독립성분분석 알고리즘에 적용하여 안구 운동에 대한 노이즈를 제거하는 노이즈 제거부; 및
    상기 측정된 뇌파와 근전도의 시간차를 이용하여 상기 정규화된 뇌파와 상기 정규화된 근전도 값을 동기화하는 동기화부를 더 포함하는 움직임 패턴 측정 장치.
  3. 제2항에 있어서,
    상기 패턴 정규화부는,
    상기 노이즈가 제거된 뇌파 파형 또는 근전도 값이 상기 선택된 샘플 패턴의 진폭 또는 주기와 일치하도록 조절한 비율을 정규화 비율로 설정하거나 정규화 비율을 입력받아 설정하면,
    상기 설정된 정규화 비율을 적용하여 상기 노이즈가 제거된 뇌파 및 근전도를 정규화하는 움직임 패턴 측정 장치.
  4. 청구항 4은(는) 설정등록료 납부시 포기되었습니다.
    제3항에 있어서,
    상기 움직임 추정부는,
    상기 동기화된 현재 시점 및 이전 시점에서의 뇌파 및 근전도 값, 이전 시점에서 상기 인공 신경망 알고리즘을 통해 출력된 움직임 추정 값을 상기 인공 신경망 알고리즘의 입력 값으로 사용하여 상기 사용자의 움직임을 추정하는 움직임 패턴 측정 장치.
  5. 청구항 5은(는) 설정등록료 납부시 포기되었습니다.
    제4항에 있어서,
    상기 샘플 패턴 저장부는,
    상기 정규화된 뇌파 파형 및 근전도 값과 상기 인공 신경망 알고리즘에서 출력된 움직임 추정 값을 패턴화하여 저장하는 움직임 패턴 측정 장치.
  6. 제1항에 있어서,
    상기 움직임 판별부는,
    상기 근전도에 따라 추정된 움직임 추정 값이 상기 뇌파에 따른 추정된 움직임 추정 값보다 더 큰 가중치 값을 갖도록 설정하는 움직임 패턴 측정 장치.
  7. 움직임 패턴 측정 장치를 이용한 움직임 패턴 측정 방법에 있어서,
    뇌파의 파형과 근전도 값을 패턴화한 적어도 하나의 샘플 패턴을 저장하는 단계;
    사용자에게 부착된 뇌파 센서 및 근전도 센서로부터 측정된 상기 사용자의 뇌파의 파형 및 근전도 값을 수신하는 단계;
    상기 수신된 상기 사용자의 뇌파의 파형 및 근전도 값과 유사도가 가장 큰 샘플 패턴을 선택하고, 상기 선택된 샘플 패턴과 진폭 또는 주기가 일치하도록 상기 뇌파의 파형 또는 근전도 값을 정규화하는 단계;
    상기 정규화된 뇌파의 파형 및 근전도 값을 인공 신경망 알고리즘에 입력하여 각각 상기 사용자의 움직임을 추정하는 단계;및
    상기 추정된 사용자의 각각의 움직임 추정 값에 대해 뇌파 및 근전도의 가중치를 적용하여 상기 사용자의 움직임을 판별하는 단계를 포함하는 움직임 패턴 측정 방법.
  8. 제7항에 있어서,
    상기 수신된 뇌파의 파형 및 근전도 값을 독립성분분석 알고리즘에 적용하여 안구 운동에 대한 노이즈를 제거하는 단계; 및
    상기 측정된 뇌파와 근전도의 시간차를 이용하여 상기 정규화된 뇌파와 상기 정규화된 근전도 값을 동기화하는 단계를 더 포함하는 움직임 패턴 측정 방법.
  9. 제8항에 있어서,
    상기 정규화하는 단계는,
    상기 노이즈가 제거된 뇌파 및 근전도가 상기 샘플 패턴의 진폭 또는 주기와 일치하도록 조절한 비율을 정규화 비율로 설정하거나 정규화 비율을 입력받아 설정하면,
    상기 설정된 정규화 비율을 적용하여 상기 노이즈가 제거된 뇌파 및 근전도를 정규화하는 움직임 패턴 측정 방법.
  10. 청구항 10은(는) 설정등록료 납부시 포기되었습니다.
    제9항에 있어서,
    상기 움직임을 추정하는 단계는,
    상기 동기화된 현재 시점 및 이전 시점에서의 뇌파 및 근전도 값, 이전 시점에서 상기 인공 신경망 알고리즘을 통해 출력된 움직임 추정 값을 상기 인공 신경망 알고리즘의 입력 값으로 사용하여 상기 사용자의 움직임을 추정하는 움직임 패턴 방법.
  11. 청구항 11은(는) 설정등록료 납부시 포기되었습니다.
    제10항에 있어서,
    상기 저장하는 단계는,
    상기 정규화된 뇌파 및 근전도의 패턴과 상기 인공 신경망 알고리즘에서 출력된 움직임 추정 값을 샘플 패턴화하여 저장하는 움직임 패턴 측정 방법.
  12. 제7항에 있어서,
    상기 움직임을 판별하는 단계는,
    상기 근전도에 따라 추정된 움직임 추정 값이 상기 뇌파에 따른 추정된 움직임 추정 값보다 더 큰 가중치 값을 갖도록 설정하는 움직임 패턴 측정 방법.
KR1020150109470A 2015-08-03 2015-08-03 뇌파와 근전도를 이용한 움직임 패턴 측정 장치 및 그 방법 KR101626748B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020150109470A KR101626748B1 (ko) 2015-08-03 2015-08-03 뇌파와 근전도를 이용한 움직임 패턴 측정 장치 및 그 방법
US15/219,294 US10105105B2 (en) 2015-08-03 2016-07-26 Movement pattern measuring apparatus using EEG and EMG and method thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020150109470A KR101626748B1 (ko) 2015-08-03 2015-08-03 뇌파와 근전도를 이용한 움직임 패턴 측정 장치 및 그 방법

Publications (1)

Publication Number Publication Date
KR101626748B1 true KR101626748B1 (ko) 2016-06-14

Family

ID=56191943

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020150109470A KR101626748B1 (ko) 2015-08-03 2015-08-03 뇌파와 근전도를 이용한 움직임 패턴 측정 장치 및 그 방법

Country Status (2)

Country Link
US (1) US10105105B2 (ko)
KR (1) KR101626748B1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102112699B1 (ko) 2019-06-12 2020-05-19 주식회사 뷰노 시계열적 신호 시각화 방법 및 이를 이용한 장치
KR20200063337A (ko) * 2018-11-21 2020-06-05 광운대학교 산학협력단 인공신경망을 이용하여 사용자의 동작 의도를 학습하는 방법 및 장치
KR20210019205A (ko) * 2019-08-12 2021-02-22 단국대학교 천안캠퍼스 산학협력단 뇌파신호 및 말초신경신호를 연동한 동작 의도 판별 방법 및 의지 제어 방법

Families Citing this family (34)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150124566A1 (en) 2013-10-04 2015-05-07 Thalmic Labs Inc. Systems, articles and methods for wearable electronic devices employing contact sensors
US11921471B2 (en) 2013-08-16 2024-03-05 Meta Platforms Technologies, Llc Systems, articles, and methods for wearable devices having secondary power sources in links of a band for providing secondary power in addition to a primary power source
US10188309B2 (en) 2013-11-27 2019-01-29 North Inc. Systems, articles, and methods for electromyography sensors
US10042422B2 (en) 2013-11-12 2018-08-07 Thalmic Labs Inc. Systems, articles, and methods for capacitive electromyography sensors
US9880632B2 (en) 2014-06-19 2018-01-30 Thalmic Labs Inc. Systems, devices, and methods for gesture identification
WO2018022658A1 (en) 2016-07-25 2018-02-01 Ctrl-Labs Corporation Adaptive system for deriving control signals from measurements of neuromuscular activity
EP3487595A4 (en) 2016-07-25 2019-12-25 CTRL-Labs Corporation SYSTEM AND METHOD FOR MEASURING MOVEMENTS OF ARTICULATED RIGID BODIES
US11331045B1 (en) 2018-01-25 2022-05-17 Facebook Technologies, Llc Systems and methods for mitigating neuromuscular signal artifacts
CN110300542A (zh) 2016-07-25 2019-10-01 开创拉布斯公司 使用可穿戴的自动传感器预测肌肉骨骼位置信息的方法和装置
EP3487402B1 (en) 2016-07-25 2021-05-05 Facebook Technologies, LLC Methods and apparatus for inferring user intent based on neuromuscular signals
US11216069B2 (en) 2018-05-08 2022-01-04 Facebook Technologies, Llc Systems and methods for improved speech recognition using neuromuscular information
US20190121306A1 (en) 2017-10-19 2019-04-25 Ctrl-Labs Corporation Systems and methods for identifying biological structures associated with neuromuscular source signals
US11150730B1 (en) 2019-04-30 2021-10-19 Facebook Technologies, Llc Devices, systems, and methods for controlling computing devices via neuromuscular signals of users
US11493993B2 (en) 2019-09-04 2022-11-08 Meta Platforms Technologies, Llc Systems, methods, and interfaces for performing inputs based on neuromuscular control
US11481030B2 (en) 2019-03-29 2022-10-25 Meta Platforms Technologies, Llc Methods and apparatus for gesture detection and classification
WO2019147956A1 (en) 2018-01-25 2019-08-01 Ctrl-Labs Corporation Visualization of reconstructed handstate information
US10937414B2 (en) 2018-05-08 2021-03-02 Facebook Technologies, Llc Systems and methods for text input using neuromuscular information
US11907423B2 (en) 2019-11-25 2024-02-20 Meta Platforms Technologies, Llc Systems and methods for contextualized interactions with an environment
US11961494B1 (en) 2019-03-29 2024-04-16 Meta Platforms Technologies, Llc Electromagnetic interference reduction in extended reality environments
JP6950612B2 (ja) * 2018-03-30 2021-10-13 オムロン株式会社 センサ、情報処理装置、センサ制御方法、情報処理方法、プログラム、および記録媒体
US10592001B2 (en) 2018-05-08 2020-03-17 Facebook Technologies, Llc Systems and methods for improved speech recognition using neuromuscular information
WO2019226259A1 (en) * 2018-05-25 2019-11-28 Ctrl-Labs Corporation Methods and apparatus for providing sub-muscular control
EP3801216A1 (en) 2018-05-29 2021-04-14 Facebook Technologies, LLC. Shielding techniques for noise reduction in surface electromyography signal measurement and related systems and methods
CN112585600A (zh) 2018-06-14 2021-03-30 脸谱科技有限责任公司 使用神经肌肉标记进行用户识别和认证
US11045137B2 (en) 2018-07-19 2021-06-29 Facebook Technologies, Llc Methods and apparatus for improved signal robustness for a wearable neuromuscular recording device
EP3836836B1 (en) 2018-08-13 2024-03-20 Meta Platforms Technologies, LLC Real-time spike detection and identification
EP4241661A1 (en) 2018-08-31 2023-09-13 Facebook Technologies, LLC Camera-guided interpretation of neuromuscular signals
CN112789577B (zh) 2018-09-20 2024-04-05 元平台技术有限公司 增强现实系统中的神经肌肉文本输入、书写和绘图
CN112771478A (zh) 2018-09-26 2021-05-07 脸谱科技有限责任公司 对环境中的物理对象的神经肌肉控制
EP3860527A4 (en) 2018-10-05 2022-06-15 Facebook Technologies, LLC. USING NEUROMUSCULAR SIGNALS TO PROVIDE ENHANCED INTERACTIONS WITH PHYSICAL OBJECTS IN AN AUGMENTED REALITY ENVIRONMENT
US11797087B2 (en) 2018-11-27 2023-10-24 Meta Platforms Technologies, Llc Methods and apparatus for autocalibration of a wearable electrode sensor system
US10905383B2 (en) 2019-02-28 2021-02-02 Facebook Technologies, Llc Methods and apparatus for unsupervised one-shot machine learning for classification of human gestures and estimation of applied forces
US11513596B2 (en) * 2019-04-16 2022-11-29 SiliconIntervention Inc. EEG with artificial intelligence as control device
US11868531B1 (en) 2021-04-08 2024-01-09 Meta Platforms Technologies, Llc Wearable device providing for thumb-to-finger-based input gestures detected based on neuromuscular signals, and systems and methods of use thereof

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20030011946A (ko) * 2003-01-06 2003-02-11 김응수 안면근 신호를 이용한 방향 제어장치
KR20040011612A (ko) * 2002-07-27 2004-02-11 한국과학기술연구원 생체 신호를 이용한 휴먼 인터페이스 시스템 및 방법
KR20120100320A (ko) * 2011-03-03 2012-09-12 서울대학교산학협력단 준비전위기반 뇌-컴퓨터 인터페이스 장치 및 방법
KR101293446B1 (ko) * 2011-04-29 2013-08-05 가톨릭대학교 산학협력단 움직임을 상상하는 뇌파 분류 방법 및 그 장치

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2164390A1 (en) * 2007-05-15 2010-03-24 Morpheus Medical Emg and eeg signal separation method and apparatus
US9392956B2 (en) * 2011-01-28 2016-07-19 Neurosky, Inc. Dry sensor EEG/EMG and motion sensing system for seizure detection and monitoring

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20040011612A (ko) * 2002-07-27 2004-02-11 한국과학기술연구원 생체 신호를 이용한 휴먼 인터페이스 시스템 및 방법
KR20030011946A (ko) * 2003-01-06 2003-02-11 김응수 안면근 신호를 이용한 방향 제어장치
KR20120100320A (ko) * 2011-03-03 2012-09-12 서울대학교산학협력단 준비전위기반 뇌-컴퓨터 인터페이스 장치 및 방법
KR101293446B1 (ko) * 2011-04-29 2013-08-05 가톨릭대학교 산학협력단 움직임을 상상하는 뇌파 분류 방법 및 그 장치

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200063337A (ko) * 2018-11-21 2020-06-05 광운대학교 산학협력단 인공신경망을 이용하여 사용자의 동작 의도를 학습하는 방법 및 장치
KR102146973B1 (ko) 2018-11-21 2020-08-28 광운대학교 산학협력단 인공신경망을 이용하여 사용자의 동작 의도를 학습하는 방법 및 장치
KR102112699B1 (ko) 2019-06-12 2020-05-19 주식회사 뷰노 시계열적 신호 시각화 방법 및 이를 이용한 장치
KR20210019205A (ko) * 2019-08-12 2021-02-22 단국대학교 천안캠퍼스 산학협력단 뇌파신호 및 말초신경신호를 연동한 동작 의도 판별 방법 및 의지 제어 방법
KR102296838B1 (ko) 2019-08-12 2021-09-02 단국대학교 천안캠퍼스 산학협력단 뇌파신호 및 말초신경신호를 연동한 동작 의도 판별 방법 및 의지 제어 방법

Also Published As

Publication number Publication date
US20170035313A1 (en) 2017-02-09
US10105105B2 (en) 2018-10-23

Similar Documents

Publication Publication Date Title
KR101626748B1 (ko) 뇌파와 근전도를 이용한 움직임 패턴 측정 장치 및 그 방법
Rad et al. Applying deep learning to stereotypical motor movement detection in autism spectrum disorders
KR101307248B1 (ko) 사용자의 생체정보 분석을 통한 감정상태 분석장치 및 방법
Benitez et al. On the use of the Emotiv EPOC neuroheadset as a low cost alternative for EEG signal acquisition
CN109614885A (zh) 一种基于lstm的脑电信号快速分类识别方法
WO2012029742A1 (ja) 意思伝達支援装置及び方法
WO2008097201A1 (en) A system and method for processing brain signals in a bci system
WO2007030868A1 (en) Method and system for detecting and classifying facial muscle movements
CN112043473B (zh) 智能假肢脑-肌电融合感知的并行嵌套与自主择优分类器
CN107837078A (zh) 用于生物测量学信息检测的设备和方法及可穿戴装置
Xu et al. From the lab to the real-world: An investigation on the influence of human movement on Emotion Recognition using physiological signals
Ahmadian et al. Constrained blind source extraction of readiness potentials from EEG
Wang et al. An approach of one-vs-rest filter bank common spatial pattern and spiking neural networks for multiple motor imagery decoding
Baghdadi et al. Dasps: a database for anxious states based on a psychological stimulation
Fatima et al. Towards a low cost Brain-computer Interface for real time control of a 2 DOF robotic arm
KR102146973B1 (ko) 인공신경망을 이용하여 사용자의 동작 의도를 학습하는 방법 및 장치
Dzitac et al. Identification of ERD using fuzzy inference systems for brain-computer interface
Coyle et al. Extracting features for a brain-computer interface by self-organising fuzzy neural network-based time series prediction
Derr et al. Signer-independent classification of American sign language word signs using surface EMG
CN111736690A (zh) 基于贝叶斯网络结构辨识的运动想象脑机接口
Arnau-González et al. Image-evoked affect and its impact on eeg-based biometrics
CN113476817B (zh) 一种基于神经网络算法的认知康复训练系统
KR20200141751A (ko) 보행 시간-주파수 분석에 기초한 건강 상태 예측 방법 및 시스템
Ahmed et al. A non Invasive Brain-Computer-Interface for Service Robotics
Varrecchia et al. Generalization of a wavelet-based algorithm to adaptively detect activation intervals in weak and noisy myoelectric signals

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20190401

Year of fee payment: 4