KR101714708B1 - Brain-computer interface apparatus using movement-related cortical potential and method thereof - Google Patents

Brain-computer interface apparatus using movement-related cortical potential and method thereof Download PDF

Info

Publication number
KR101714708B1
KR101714708B1 KR1020150170174A KR20150170174A KR101714708B1 KR 101714708 B1 KR101714708 B1 KR 101714708B1 KR 1020150170174 A KR1020150170174 A KR 1020150170174A KR 20150170174 A KR20150170174 A KR 20150170174A KR 101714708 B1 KR101714708 B1 KR 101714708B1
Authority
KR
South Korea
Prior art keywords
signal
brain
maximum value
slope
eeg
Prior art date
Application number
KR1020150170174A
Other languages
Korean (ko)
Inventor
이성환
김지용
Original Assignee
고려대학교 산학협력단
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 고려대학교 산학협력단 filed Critical 고려대학교 산학협력단
Priority to KR1020150170174A priority Critical patent/KR101714708B1/en
Application granted granted Critical
Publication of KR101714708B1 publication Critical patent/KR101714708B1/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

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Neurosurgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Neurology (AREA)
  • Health & Medical Sciences (AREA)
  • Dermatology (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

A brain-computer interface apparatus based on motion-related cortical potential (MRCP) measures a MRCP signal generated during the motion imagination of a subject when brain-computer interfacing is processed based MRCP, detects an EEG signal section including predetermined characteristic elements based on a negative maximum value of at least one sound included in the measured MRCP signal, classifies the related operation condition based on at least one of the characteristic elements of the detected EEG signal section, and detects an instruction corresponding to the classified operating condition. The characteristic element includes a reduction in primary and secondary sounds, the negative maximum value and a rebound ratio. The operation condition includes at least one of a kind of a body part to be imaged in operation, a kind of operation, a speed of operation, and a degree of operation.

Description

뇌운동관련전위 기반 뇌-컴퓨터 인터페이스 장치 및 방법{BRAIN-COMPUTER INTERFACE APPARATUS USING MOVEMENT-RELATED CORTICAL POTENTIAL AND METHOD THEREOF}[0001] BRAIN-COMPUTER INTERFACE APPARATUS USING MOVEMENT-RELATED CORRECTAL POTENTIAL AND METHOD THEREOF [0002]

본 발명은 뇌운동관련전위(Movement Related Cortical Potentials, MRCP)에 기반하여 뇌-컴퓨터 인터페이스(Brain-Computer Interface, BCI)를 처리하는 장치 및 방법에 관한 것이다.The present invention relates to an apparatus and method for processing a Brain-Computer Interface (BCI) based on Movement Related Cortical Potentials (MRCP).

뇌-컴퓨터 인터페이스(BCI)는 사람과 컴퓨터의 의사 소통 수단으로서 두뇌의 활동에서 발생되는 뇌파를 이용한다. 일반적으로 뇌파 신호로서 외부 자극에 의해 유발되는 뇌파와 자발적으로 발생되는 뇌파가 이용된다. 외부 자극에 의해 유발되는 뇌파를 이용한 BCI는 높은 검출 성능을 얻을 수 있는 장점이 있지만, 자극에 대한 감각이 무뎌지게 되면 성능이 저하되는 한계가 있다. 반면에, 자발적으로 발생하는 뇌파를 이용한 BCI는 사용자가 특정한 상상(즉, 동작 상상)을 했을 때 발생되는 뇌파의 특징을 이용하므로, 사용자에게 추가적인 자극이 필요없다는 장점이 있다.The brain-computer interface (BCI) uses brain waves generated from the activities of the brain as a means of communication between people and computers. Generally, brain waves are generated by external stimuli and spontaneously generated brain waves. BCI using EEG caused by external stimuli has an advantage of obtaining high detection performance, but there is a limit to performance degradation when the sense of stimulus becomes dull. On the other hand, BCI using spontaneously generated EEG utilizes the characteristics of brain waves generated when a user performs a specific imagination (i.e., motion imagination), so that the user does not need any additional stimulation.

한편, 자발적인 동작에 관한 상상 시, 측정대상의 움직임을 관장하는 뇌의 영역(Sensorymotor Cortex)에서 발생하는 감각운동리듬(SensoryMotor Rhythm, SMR)과, 동작 상상 시 전운동영역(Premotor Area) 및 보조운동영역(Supplementary Motor Area, SMA)에서 발생하는 뇌운동관련전위(MRCP)가 있다.On the other hand, when imagining the spontaneous motion, the sensory motor rhythm (SMR) generated in the area of the brain (Sensory motor Cortex), which controls the movement of the measurement object, and the premotor area and auxiliary motion (MRCP) that occurs in the Supplementary Motor Area (SMA).

감각운동리듬은 동작에 관한 상상 시 사람의 움직임을 관장하는 뇌의 영역인 운동 피질(Motor cortex)에서 발생하는 뇌파의 변화를 주파수 분석한 신호 특징이다. 기존의 동작 상상에 기반한 뇌-컴퓨터 인터페이스에서는 대부분 감각운동리듬을 이용하였다.Sensory exercise rhythm is a signal characteristic of frequency analysis of the change of EEG occurring in the motor cortex, which is the area of the brain that controls the movement of the human when imagining the motion. Most sensory exercise rhythms were used in the brain - computer interface based on the conventional motion imagery.

이와 관련하여, 대한민국공개특허 제10-2015-0028661호(발명의 명칭: BCI를 위한 사용자 의도인지 분석 방법)은, 사용자의 뇌파 데이터를 주파수 신호로 변환한 후 상기 변환된 주파수 신호의 대역에 따라 운동 감각과 관련된 주파수 영역을 분류하고, 주파수 영역의 뇌파 데이터에서 감각운동리듬에 따라 나타나는 특징을 분석하여 사용자의 의도 인지(intention recognition)를 검출하는 사용자 의도인지 분석 방법을 개시하고 있다.In this regard, Korean Patent Laid-Open No. 10-2015-0028661 (entitled " User Intention Cognitive Analysis Method for BCI ") converts user's brain wave data into frequency signals and then, according to the band of the converted frequency signals Discloses a user's intentional cognitive analysis method for classifying a frequency region related to kinesthetic sensation and analyzing characteristics appearing in the sensory exercise rhythm in the frequency domain brain wave data to detect intention recognition of a user.

그러나 기존의 감각운동리듬을 이용한 뇌-컴퓨터 인터페이스 방식은, 동작 상상 시 사용자들 중 감각운동리듬과 관련된 뇌파의 특징 검출이 어려운 일부는 뇌-컴퓨터 인터페이스를 사용할 수 없다는 문제가 있다. 이는, 피험자에 따라 감각운동리듬과 관련된 뇌파의 특징을 검출하는데 해부학적, 생리학적, 심리학적 문제 등으로 인한 어려움이 존재하기 때문이다. 또한, 감각운동리듬 기반 뇌-컴퓨터 인터페이스는 안정적인 성능을 위해 사용자에게 장시간의 트레이닝 기간이 요구된다. 이는, 사용자의 심리적 상태, 육체적 상태, 외부 환경적인 요인의 변화 따라 뇌파의 변동이 심하기 때문에 안정적인 성능을 보이기까지 분류기 구성을 위한 뇌파가 많이 필요하기 때문이다. 뿐만 아니라 사용자가 뇌파의 변동이 각각 다르기 때문에 이전에 검출한 뇌파를 사용할 수 없어 재트레이닝을 해야 하는 문제가 있다. 마지막으로, 기존의 동작 상상 기반의 뇌-컴퓨터 인터페이스는 사용자들 간 감각운동리듬의 특징의 차이가 다양하게 나타나기 때문에 각 사용자 개인에게 종속적 시스템이라는 한계가 있다.However, the brain-computer interface method using the conventional sensory exercise rhythm has a problem that some of the users, which are difficult to detect the characteristics of the brain waves related to the sensory rhythm, can not use the brain-computer interface. This is because there are difficulties due to anatomical, physiological, and psychological problems in detecting the characteristics of the EEG related to the sensory exercise rhythm according to the subject. In addition, the sensory rhythm-based brain-computer interface requires a long training period for the user for stable performance. This is because the brain waves are fluctuating according to the change of the user's psychological state, physical condition, and external environmental factors, and therefore brain waves are required for constructing the classifier until stable performance is achieved. In addition, there is a problem in that retraining is required because the user can not use the previously detected EEG because the variation of the EEG varies. Finally, the brain-computer interface based on the conventional motion imagination has a limitation that it is a dependent system for each user because the difference of the characteristics of the sensory rhythm varies among the users.

본 발명은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 본 발명의 일 실시예는 긴 트레이닝 시간이 필요하지 않고 다수의 사용자들에게 범용으로 적용될 수 있는 뇌운동관련전위(MRCP)에 기반한 뇌-컴퓨터 인터페이스 장치 및 방법을 제공하고자 한다.SUMMARY OF THE INVENTION It is an object of the present invention to solve the above-mentioned problems of the prior art, and it is an object of the present invention to provide a brain-based MRCP based on Brain Motion Related Displacement (MRCP), which can be applied universally to a large number of users, A computer interface device and method are provided.

다만, 본 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.It should be understood, however, that the technical scope of the present invention is not limited to the above-described technical problems, and other technical problems may exist.

상기와 같은 기술적 과제를 달성하기 위한 본 발명의 일 측면에 따른 뇌운동관련전위 기반 뇌-컴퓨터 인터페이스 장치는, 측정대상의 동작 상상 시 발현된 뇌운동관련전위 신호를 측정하는 뇌파 측정부; 상기 측정된 뇌운동관련전위 신호에 포함된 음의 최대값에 기준하여, 기설정된 특성 요소들을 포함하는 뇌파 신호 구간을 검출하는 신호 분석 처리부; 및 검출된 상기 뇌파 신호 구간의 특성 요소 중 적어도 하나에 기초하여 상기 뇌파 신호 구간에 관련된 동작 조건을 분류하고, 상기 동작 조건에 대응된 명령을 검출하는 데이터 분류부를 포함하고, 상기 특성 요소는 1 차 및 2차 음의 감소 상태, 음의 최대값 및 리바운드 비율을 포함하고, 상기 동작 조건은 동작 상상의 대상이 되는 신체 부위의 종류, 동작의 종류, 동작의 속도 및 동작의 정도 중 적어도 하나를 포함하며, 상기 신호 분석 처리부는 상기 측정된 뇌운동관련전위 신호 상에서의 신호 크기 및 발생 시점에 기초하여 상기 특성 요소들을 검출한다.According to an aspect of the present invention, there is provided a brain-motion interface-based brain-computer interface device for brain movement, comprising: an EEG measurement unit for measuring a brain-movement-related potential signal expressed in a motion picture of a measurement subject; A signal analysis processing unit for detecting an EEG signal segment including predetermined characteristic elements based on the measured maximum value of the sound included in the electroencephalogram-related potential signal; And a data classifying section for classifying an operation condition related to the EEG signal section based on at least one of the characteristic elements of the detected EEG signal section and detecting an instruction corresponding to the operation condition, And a second negative tone reduction state, a negative maximum value, and a rebound ratio, and the operation condition includes at least one of a type of a body part to be imaged, an operation type, a speed of operation, and a degree of operation And the signal analysis processing unit detects the characteristic elements based on the signal magnitude and the generation time point on the measured potential brain motion-related potential signal.

또한, 본 발명의 다른 측면에 따른 뇌운동관련전위 기반 뇌-컴퓨터 인터페이스 방법은, 측정대상의 동작 상상시 발현된 뇌운동관련전위 신호를 측정하는 단계; 상기 측정된 뇌운동관련전위 신호에 포함된 음의 최대값에 기준하여, 기설정된 특성 요소들을 포함하는 뇌파 신호 구간을 검출하는 단계; 검출된 상기 뇌파 신호 구간의 특성 요소 중 적어도 하나에 기초하여 관련 동작 조건을 분류하는 단계; 및 분류된 상기 동작 조건에 대응된 명령을 검출하는 단계를 포함하며, 상기 특성 요소는 1 차 및 2차 음의 감소 상태, 음의 최대값 및 리바운드 비율을 포함하고, 상기 동작 조건은 동작 상상의 대상이 되는 신체 부위의 종류, 동작의 종류, 동작의 속도 및 동작의 정도 중 적어도 하나를 포함하며, 상기 특성 요소들을 포함하는 뇌파 신호 구간을 검출하는 단계는 상기 측정된 뇌파 운동관련 전위 신호 상에서 신호 크기 및 발생 시점에 기초하여 상기 특성 요소들을 검출한다.According to another aspect of the present invention, there is provided a brain-motion-related potential-based brain-computer interface method comprising the steps of: measuring a brain-movement- Detecting an EEG signal segment including predetermined characteristic elements based on the measured maximum value of the sound included in the electroencephalogram-related potential signal; Classifying the related operating condition based on at least one of the characteristic elements of the detected EEG signal interval; And detecting a command corresponding to the classified operating condition, the characteristic element comprising a reduced state of the primary and secondary notes, a negative maximum value and a rebound ratio, the operating condition comprising: Wherein the step of detecting an EEG signal segment including at least one of a type of a body part to be an object, a type of an operation, a speed of an operation, and a degree of an operation, Size and time of occurrence of the characteristic elements.

전술한 본 발명의 과제 해결 수단 중 어느 하나에 의하면, 자발적인 동작 상상 시 발생하는 뇌파 중 검출이 용이하고 어떤 변화에도 특성이 강하게 유지되는 뇌운동관련전위를 이용함으로써, 짧은 트레이닝 시간이 소요되며 정확한 의도 인지가 가능하다. According to any one of the above-mentioned objects of the present invention, short-training time is required by using brain-movement-related potentials that are easy to detect among brain waves generated in a spontaneous action imagination and are strongly maintained in any change, It is possible to know.

또한, 뇌운동관련전위 신호는 복수의 사용자들에 대해 높은 유사성을 가지므로, 뇌-컴퓨터 인터페이스를 이용할 때마다 필요하였던 재트레이닝을 처리하지 않아 의도 인식에 소요되는 시간 및 비용이 절감된다.In addition, since the brain motion-related dislocation signal has a high similarity to a plurality of users, the time and cost required for intention recognition can be reduced because the retraining, which was needed every time the brain-computer interface is used, is not processed.

본 발명의 과제 해결 수단 중 어느 하나에 의하면, 시간축 상에서의 뇌운동관련전위 신호의 변화에 따른 각종 특성 요소들을 검출함으로써, 측정대상이 상상한 동작에 관련된 특성을 추출할 수 있는 유효 신호 구간을 정확하고 편리하게 추출할 수 있다.According to any one of the means for solving the problems of the present invention, by detecting various characteristic elements according to the change of the brain motion-related potential signal on the time axis, the effective signal section capable of extracting the characteristics related to the motion imagined by the measurement object is accurately And can be conveniently extracted.

도 1은 본 발명의 일 실시예에 따른 뇌운동관련전위 신호에 기반한 뇌-컴퓨터 인터페이스 장치의 구성도이다.
도 2는 본 발명의 일 실시예에 적용되는 뇌운동관련전위 신호의 특성을 설명하기 위한 그래프이다.
도 3은 상상 동작 별 뇌운동관련전위 신호를 비교한 그래프이다.
도 4는 측정대상 간 뇌운동관련전위 신호 특성의 유사성을 나타낸 그래프이다.
도 5는 본 발명의 일 실시예에 따른 뇌운동관련전위 신호 분석 알고리즘을 설명하기 위한 순서도이다.
도 6은 본 발명의 일 실시예에 따른 뇌운동관련전위 기반의 뇌-컴퓨터 인터페이싱 방법을 설명하기 위한 순서도이다.1 is a block diagram of a brain-computer interface device based on a brain movement-related potential signal according to an embodiment of the present invention.
FIG. 2 is a graph for explaining characteristics of a brain-movement-related potential signal applied to an embodiment of the present invention.
FIG. 3 is a graph comparing brain motion-related dislocation signals according to imaging operations.
FIG. 4 is a graph showing the similarity of the potential signal characteristics related to brain motion between measurement objects.
FIG. 5 is a flowchart illustrating an algorithm for analyzing a brain-movement potential signal according to an embodiment of the present invention.
FIG. 6 is a flow chart for explaining a brain-computer interfacing method based on dislocation-related potentials according to an embodiment of the present invention.

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. 본 발명을 명확하게 설명하기 위해 도면에서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다. 또한, 도면을 참고하여 설명하면서, 같은 명칭으로 나타낸 구성일지라도 도면에 따라 도면 번호가 달라질 수 있고, 도면 번호는 설명의 편의를 위해 기재된 것에 불과하고 해당 도면 번호에 의해 각 구성의 개념, 특징, 기능 또는 효과가 제한 해석되는 것은 아니다.Hereinafter, embodiments of the present invention will be described in detail with reference to the accompanying drawings, which will be readily apparent to those skilled in the art. The present invention may, however, be embodied in many different forms and should not be construed as limited to the embodiments set forth herein. In order to clearly illustrate the present invention, parts not related to the description in the drawings are omitted, and like parts are denoted by similar reference numerals throughout the specification. In the following description with reference to the drawings, the same reference numerals will be used to designate the same names, and the reference numerals are merely for convenience of description, and the concepts, features, and functions Or the effect is not limited to interpretation.

명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한, 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 의미하며, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.Throughout the specification, when a part is referred to as being "connected" to another part, it includes not only "directly connected" but also "electrically connected" with another part in between . Also, when a component is referred to as "comprising ", it is understood that it may include other components as well as other components, But do not preclude the presence or addition of a feature, a number, a step, an operation, an element, a component, or a combination thereof.

본 명세서에 있어서 '부(部)'란, 하드웨어 또는 소프트웨어에 의해 실현되는 유닛(unit), 양방을 이용하여 실현되는 유닛을 포함하며, 하나의 유닛이 둘 이상의 하드웨어를 이용하여 실현되어도 되고, 둘 이상의 유닛이 하나의 하드웨어에 의해 실현되어도 된다.In this specification, the term " part " means a unit realized by hardware or software, a unit realized by using both, and one unit may be realized by using two or more hardware, The above units may be realized by one hardware.

이하, 도 1 내지 도 4를 참조하여 본 발명의 일 실시예에 따른 뇌운동관련전위 기반 뇌-컴퓨터 인터페이스 장치에 대해서 상세히 설명하도록 한다.Hereinafter, a brain-motion-related potential-based brain-computer interface device according to an embodiment of the present invention will be described in detail with reference to FIG. 1 to FIG.

도 1은 본 발명의 일 실시예에 따른 뇌운동관련전위에 기반한 뇌-컴퓨터 인터페이스 장치의 구성도이다.1 is a block diagram of a brain-computer interface device based on brain-exercise-related potentials according to an embodiment of the present invention.

도 1에서와 같이, 뇌-컴퓨터 인터페이스 장치(100)는 뇌파 측정부(110), 전처리부(120), 잡음 제거부(130), 신호 분석 처리부(140) 및 데이터 분류부(150)를 포함한다.1, the brain-computer interface device 100 includes a brain wave measuring unit 110, a preprocessing unit 120, a noise removing unit 130, a signal analysis processing unit 140, and a data classifying unit 150 do.

뇌파 측정부(110)는 측정대상으로부터 발생된 뇌파 신호를 측정하되, 측정대상이 자발적 동작 상상을 할 때 발현되는 뇌운동관련전위(MRCP) 신호를 실시간 측정한다. 이때, 뇌파 측정부(110)는 측정대상의 뇌의 영역 중 전-보조운동영역의 뇌파 크기를 시간 축에서 연속하여 측정한다. 참고로, 뇌파를 측정할 측정 대상은 사람 뿐만 아니라 동물 등의 대상일 수 있다.The EEG measuring unit 110 measures an EEG signal generated from a measurement object, and real-time measures a brain motion-related dislocation (MRCP) signal that is generated when a measurement subject performs a spontaneous motion imagination. At this time, the EEG measuring unit 110 continuously measures EEG magnitudes of the pre-assisted exercise area in the time axis. For reference, the subject to be measured for EEG may be an object such as an animal as well as a person.

예를 들어, 뇌파 측정부(110)는 국제 10-20 전극 배치 시스템(International 10-20 sensor placement system)을 적용하여 측정대상의 뇌 영역 중 복수의 채널에서 뇌파 신호를 측정할 수 있다. For example, the brain-wave measuring unit 110 may measure an EEG signal in a plurality of channels of a brain region of a measurement target by applying an International 10-20 sensor placement system.

전처리부(120)는 뇌파 측정부(110)를 통해 측정된 뇌운동관련전위 신호를 필터링한다. 이때, 전처리부(120)는 대역 통과 필터일 수 있으며, 측정대상 별 주파수 특징에 따라 뇌운동관련전위를 필터링한다.The preprocessing unit 120 filters the brain motion-related potential signals measured through the EEG measuring unit 110. At this time, the preprocessing unit 120 may be a band-pass filter and filters the brain-motion-related potentials according to the frequency characteristics of the measurement object.

잡음 제거부(130)는 전처리된 뇌운동관련전위 신호에서 잡음을 제거한다. 이때, 잡음 제거부(130)는 뇌운동관련전위 신호에 혼입되어 있는 안구 관련 뇌파 신호 및 얼굴 움직임에 관한 뇌파 신호 등을 제거하기 위해 독립성분분석(Independent Component Analysis , ICA)을 처리할 수 있다. 또한, 잡음 제거부(130)는 뇌운동관련전위 신호와 잡음 신호와의 비율을 높여 뇌운동관련전위의 특징을 추출하는데 유용한 라플라시안 공간 필터(Laplacian Filter)일 수 있다. 참고로 잡음 제거부(130)는 독립성분분석 및 라플라시안 공간 필터링 중 적어도 하나의 사용하여 잡음 제거를 처리할 수 있다.The noise removing unit 130 removes noise from the pre-processed brain motion-related potential signal. At this time, the noise removing unit 130 may perform an Independent Component Analysis (ICA) to remove an eye-related EEG signal and an EEG signal related to facial motion mixed in a brain motion-related potential signal. In addition, the noise removing unit 130 may be a Laplacian filter, which is useful for extracting the characteristics of the brain movement-related potential by raising the ratio between the brain motion-related potential signal and the noise signal. For reference, the noise canceller 130 may process noise cancellation using at least one of independent component analysis and Laplacian spatial filtering.

신호 분석 처리부(140)는 잡음이 제거된 뇌운동관련전위 신호에 대해 시간 영역에서의 신호 분석을 처리한다. 이때, 신호 분석 처리부(140)는 측정 뇌운동관련전위 신호를 분석하여 신호 크기 및 발생 시점에 기초하여 뇌운동관련 전위 신호 파형 상에서 기설정된 특성 요소를 추출한다. 이때, 검출된 특성 요소는 측정대상의 운동 관련 의도와 연관된 특징으로서, 1차 및 2차 음의 감소 상태, 음의 최대값 및 리바운드 비율을 포함한다. The signal analysis processing unit 140 processes the signal analysis in the time domain with respect to the brain motion-related potential signal from which noise has been removed. At this time, the signal analysis processing unit 140 analyzes the measured brain movement-related potential signal and extracts predetermined characteristic elements on the waveform of the potential signal related to the brain motion based on the signal size and the generation time point. At this time, the detected characteristic element is a characteristic associated with the motion related intention of the measurement object, and includes a reduction state of the primary and secondary sounds, a negative maximum value, and a rebound ratio.

신호 분석 처리부(140)는 측정된 뇌운동관련전위 신호에 포함된 적어도 하나의 음의 최대값에 기준하여 기설정된 특성 요소들을 포함하는 뇌파 신호 구간을 검출하되, 검출된 상기 뇌파 신호 구간의 특성 요소 별 신호 크기 및 발생 시점을 추출하여 데이터 분류부(150)로 전달한다. 이러한 뇌운동관련전위 신호의 특성 요소에 대해서는 아래 도 2 내지 도 4를 참조하여 상세히 설명하도록 한다.The signal analysis processing unit 140 detects an EEG signal segment including predetermined characteristic elements based on the measured maximum value of at least one negative signal included in the EEG signal, And transmits the extracted signal size and the generation time to the data classifier 150. The characteristics of the brain-movement-related potential signal will be described in detail with reference to FIGS. 2 to 4 below.

데이터 분류부(150)는 신호 분석 처리부(140)를 통해 추출된 데이터가 어떤 운동(또는 동작)에 관련된 것인지 분류한다. 참고로, 데이터 분류부(150)는 SVM(Support Vector Machine), 가우시안 혼합 모델 등과 같은 분류 알고리즘을 수행할 수 있다.The data classifying unit 150 classifies which motion (or motion) the data extracted through the signal analysis processing unit 140 relates to. For reference, the data classification unit 150 may perform classification algorithms such as SVM (Support Vector Machine) and Gaussian mixture model.

구체적으로, 데이터 분류부(150)는 뇌운동관련전위 신호의 각 특성 요소 중 적어도 하나에 대해 동작 조건을 학습하여 분류기를 생성할 수 있다. 동작 조건은 동작 상상의 대상이 되는 신체 부위 종류, 동작의 종류, 동작의 속도, 동작의 정도 등을 포함할 수 있다. 그리고 데이터 분류부(150)는 생성된 분류기를 사용하여, 신호 분석 처리부(140)를 통해 추출된 데이터에 해당하는 동작 조건(즉, 측정대상이 의도하는 동작)을 분류한다.Specifically, the data classifier 150 may generate a classifier by learning operation conditions of at least one of the characteristic elements of the brain motion-related potential signal. The operating conditions may include the type of body part to be imaged, the type of operation, the speed of operation, the degree of motion, and the like. The data classifier 150 classifies the operation condition (i.e., the operation intended by the measurement object) corresponding to the data extracted through the signal analysis processor 140 using the generated classifier.

그리고 데이터 분류부(150)는 사전에 매칭된 동작 조건 별 명령을 검출하여, 상기 검출된 명령 또는 동작이 실행되도록 제어한다. 이때, 데이터 분류부(150)는 뇌-컴퓨터 인터페이스 장치(100) 자체 내에서 상기 분류된 정보에 대응된 기설정된 명령을 실행시키거나, 뇌-컴퓨터 인터페이스 장치(100)와 연동된 전자 기기(예: 홈 스마트 기기 등)로 명령을 전송할 수도 있다.The data classifying unit 150 detects an instruction for each operating condition matched in advance and controls the detected instruction or operation to be executed. At this time, the data classifier 150 may execute the predetermined command corresponding to the classified information in the brain-computer interface device 100 itself, or may execute the predetermined command corresponding to the classified information in the electronic- : Home smart device, etc.).

이하, 도 2 내지 도 5를 참조하여 신호 분석 처리부(140)가 뇌운동관련전위 신호로부터 특징을 추출하는 동작에 대해서 상세히 설명하도록 한다.Hereinafter, the operation of extracting features from the brain motion-related potential signal by the signal analysis processing unit 140 will be described in detail with reference to FIGS. 2 to 5. FIG.

신호 분석 처리부(140)는 시간 영역을 기준으로 하여 측정대상의 동작 상상 시점부터 일정 기간까지 이루어지는 뇌파 신호의 크기 변화를 분석하여 뇌운동관련전위 신호를 검출한다. The signal analysis processing unit 140 detects a brain motion-related potential signal by analyzing a magnitude change of an EEG signal occurring from a time point of imagining an operation of the measurement object to a predetermined time period with reference to a time domain.

이때, 신호 분석 처리부(140)는 아래 도 2 내지 도 4에 도시한 바와 같은 운동관련전위 신호의 특성을 분석한다.At this time, the signal analysis processing unit 140 analyzes the characteristics of the motion-related potential signals as shown in Figs. 2 to 4 below.

도 2는 본 발명의 일 실시예에 적용되는 뇌운동관련전위 신호의 특성을 설명하기 위한 그래프이다. 그리고 도 3은 상상 동작 별 뇌운동관련전위 신호를 비교한 그래프이며, 도 4는 측정대상 간 뇌운동관련전위 신호 특성의 유사성을 나타낸 그래프이다.FIG. 2 is a graph for explaining characteristics of a brain-movement-related potential signal applied to an embodiment of the present invention. FIG. 3 is a graph comparing the brain-motion-related potential signals according to the imaginary motion, and FIG. 4 is a graph showing the similarity of the brain-motion-related potential signal characteristics between the measurement subjects.

도 2에 도시한 바와같이, 뇌운동관련전위 신호는 측정대상이 동작 상상을 시작할 때를 기준으로 약 0~1000ms에서 천천히 크기가 작아지는데, 이 변화를 “1차 음의 감소” 또는 “준비 전위(Readiness Potential 또는 Bereitschaftspotential)”라 한다. 그 다음, 약 1000ms~1500ms에서 신호 크기가 감소하는 변화를 “2차 음의 감소” 또는 “운동 전위(Motor Potentia)”라 한다. 또한, 뇌파의 크기가 최대 작아진 시점을 “음의 최대값”이라 할 때, 음의 최대값 시점 이후의 약 1500ms~2500ms 사이의 구간에서 앞서 떨어졌던 전위의 크기가 급격히 커지는 변화를 “리바운드 비율” 또는 “운동 모니터링 전위(Motor Monitoring Potential)”라 한다.As shown in FIG. 2, the brain motion-related potential signal slowly decreases in size from about 0 to 1000 ms based on the time when the measurement object starts to operate. This change is referred to as "reduction of the primary sound" (Readiness Potential or Bereitschaftspotential) ". Then, a change in the signal size that is reduced in about 1000 ms to 1500 ms is referred to as " reduction of secondary sound " or " motor potential ". When the time at which the magnitude of the brain wave is maximized is referred to as " maximum value of sound ", a change in which the magnitude of the electric potential that has fallen ahead in the interval between about 1500 ms and 2500 ms after the maximum negative point of time, Quot; or " Motor Monitoring Potential ".

이러한 신호 특성 요소들을 갖는 뇌운동관련전위는 트레이닝이 거의 필요 없으며, 측정대상 간의 뇌파의 유사성이 크고, 사람의 심리 상태, 육체 상태 및 외부 환경 요인의 변화에 강한 특성이 있다. 즉, 뇌운동관련전위는 측정대상 간에 또는 상상 동작 별로 각 특성 요소들을 모두 포함하며 그에 따른 파형의 모양이 유사하다는 점에서 의도 판단의 기준으로 사용된다.Brain motion related dislocations with such signal characteristics are rarely required for training, and there is a strong similarity of brain waves between measured objects and strong characteristics of changes in human psychological state, physical condition and external environmental factors. That is, the brain-motion-related dislocation is used as a criterion of the intention determination in that the waveforms include the respective characteristic elements for each measurement object or the imaginary motion.

한편, 도 3 및 도 4에 도시한 바와 같이, 뇌운동관련전위는 각 측정대상 별로 또는 상상 동작 별로 특성 요소들의 발생 시점(즉, 신호 파형 내 발생 위치) 및 그 크기가 상이할 수 있다.3 and 4, the brain-motion-related dislocations may be different in magnitude at the time of occurrence of the characteristic elements (i.e., positions generated in the signal waveform) for each measurement target or imaging operation.

예를 들어, 도 3에서와 같이, 측정대상이 오른손의 동작 상상을 시작한 시점을 0으로 볼 때, 0~500ms 시점에 ‘1차 음의 감소’가 발현되고, 1500ms~2500ms 시점에 ‘2차 음의 감소’가 발현되며, 2500ms~3000ms 시점에 ‘음의 최대값’이 발생되고, 3000ms~3500ms 시점에 ‘리바운드 비율’이 발생된다. 이와 비교하여, 측정 대상이 왼손의 동작 상상을 시작한 시점을 0으로 볼 때, 0~300ms 시점에 1차 음의 감소가 발현되고, 1000ms~2000ms 시점에 2차 음의 감소가 발현되며, 2000ms~2200ms 시점에 음의 최대값이 발생되고, 2200ms~3000ms 시점에 리바운드 비율이 발생된다. 이처럼, 동일 측정대상의 뇌운동관련전위일지라도, 동작 상상의 대상 신체 부위, 동작의 종류, 동작의 속도, 동작의 정도 등에 따라 상기 특성 요소 별로 신호 크기 및 발생 시점(위치)이 상이할 수 있다.For example, as shown in FIG. 3, when the measurement object starts to imagine the motion of the right hand as 0, a 'first order sound reduction' is expressed at a time point of 0 to 500 ms, and at a point of 1500 ms to 2500 ms, A negative value is generated at 2500 ms to 3000 ms, and a rebound ratio occurs at 3000 ms to 3500 ms. Compared with this, when the measurement object starts to imagine the left hand as 0, the first sound is decreased at 0 to 300 ms, the second sound is decreased at 1000 ms to 2000 ms, The maximum value of the sound is generated at the time of 2200 ms, and a rebound ratio occurs at 2200 ms to 3000 ms. As described above, the signal magnitude and the generation timing (position) may vary depending on the characteristic elements depending on the target body part, the type of operation, the speed of operation, the degree of motion,

또한, 도 4에서와 같이, 동일한 동작의 상상 시, 제 1 피험자와 제 2 피험자 별로 특성 요소의 발생 시점 및 그 크기가 상이할 수 있다.Further, as shown in Fig. 4, at the time of imagining the same operation, the generation time point of the characteristic element and the size thereof may be different for each of the first subject and the second subject.

이때, 신호 분석 처리부(140)는 복수의 측정대상 및 상상 동작들에 대해 공통적으로 뇌운동관련전위의 특성 요소를 검출할 수 있는 신호 분석을 처리한다.At this time, the signal analysis processing unit 140 processes a signal analysis capable of detecting a characteristic element of the brain motion-related potential in common to a plurality of measurement objects and imaging operations.

도 5는 본 발명의 일 실시예에 따른 뇌운동관련전위 신호 분석 알고리즘을 설명하기 위한 순서도이다.FIG. 5 is a flowchart illustrating an algorithm for analyzing a brain-movement potential signal according to an embodiment of the present invention.

신호 분석 처리부(140)는, 신호 분석 알고리즘을 시작하기에 앞서, 잡음이 제거된 뇌파 신호를 동작 상상 시작 시점에서 종료 시점까지 에포크(Epoch)한다. 이때, 에포크는 전체 뇌파 신호를 일정 구간 단위로 잘라 신호 구간들을 구분하는 것으로서, 동작 상상 이벤트의 발생 후부터 이벤트 종료 시점까지 일정 시간 단위로 뇌파 신호를 자르는 것을 의미한다. 즉, 전체 뇌 신호 데이터에서 뇌운동관련전위의 패턴이 포함되어 있는 시간 구간을 잘라 특징 추출에 사용하기 위한 것이다.The signal analysis processing unit 140 epochs the noise-canceled EEG signal before starting the signal analysis algorithm from the start of operation to the end of the operation. At this time, the epoch means to divide the signal sections by cutting the entire EEG signals by a predetermined interval, and means to cut EEG signals from the generation of the operation imagination event to the end of the event by a predetermined time unit. That is, a time interval including a pattern of brain motion-related dislocations in the entire brain signal data is cut and used for feature extraction.

참고로, 신호 분석 처리부(140)가 측정된 뇌파 신호를 에포크할 수 있도록, 뇌파 측정부(110)는 측정대상의 뇌운동관련전위를 측정하기에 앞서 음향 신호 또는 시각 신호 들을 통한 지시 신호를 출력할 수 있다. 이를 통해, 측정대상에게 동작 상상 시작 시점을 인지시킬 수 있으며, 신호 분석 처리부(140)는 에포크 기간의 기준점을 설정할 수 있다. 이를 위해, 뇌-컴퓨터 인터페이스 장치(100)는 자체적으로 출력 수단(예를 들어, 스피커 또는 모니터 등)을 더 포함할 수 있다. 또한, 뇌파 측정부(110)가 기설정된 지시 신호를 출력하는 동작은 뇌파 측정부(110) 자체에서 기설정된 절차를 통해 수행되거나, 신호 분석 처리부(140)의 제어에 따라 처리되거나, 또는 뇌파 측정부(110)와 연동된 별도의 제어 수단(미도시)을 통해 처리될 수도 있다. 이러한 에포크 기간은 뇌파 측정부(110)를 통해 지시 신호가 출력된 시점부터 뇌운동관련전위에서 각 특성 요소들이 모두 검출되는 시점까지로 설정될 수 있으며, 각 특성 요소들이 모두 검출되기까지의 기간은 반복된 실험 등을 통해 확인된 임의의 기간으로 설정될 수 있다. For reference, the EEG measuring unit 110 outputs an instruction signal through an acoustic signal or time signals before measuring the brain-motion-related potential of the measurement object so that the signal analysis processing unit 140 can epoch the measured EEG signal. can do. In this way, it is possible to recognize the starting point of the operation imagination to the measurement object, and the signal analysis processing unit 140 can set the reference point of the epoch period. To this end, the brain-computer interface device 100 itself may further include output means (e.g., a speaker or a monitor, etc.). The operation of the EEG 110 to output a predetermined instruction signal may be performed by a predetermined procedure in the EEG measurement unit 110 itself or may be performed under the control of the signal analysis processing unit 140, (Not shown) interlocked with the unit 110. The epoch period may be set from a time point at which the instruction signal is outputted through the EEG 110 to a point at which all the characteristic elements are detected from the brain motion related potential, And may be set to any period identified through repeated experiments or the like.

또한, 신호 분석 처리부(140)는 에포크된 데이터에서 신호 크기가 가장 작은 값부터 임의의 순서까지의 음의 최대값 후보를 검출하고, 검출된 음의 최대값 후보들을 순차적으로 음의 최대값으로 설정한다. 이때, 신호 분석 처리부(140)는 신호 기울기가 해당 값까지 음의 기울기를 가지며 해당 값 이후로 양의 기울기를 갖는 값을 음의 최대값 후보로서 검출할 수 있다. 참고로, 상기 데이터는 동작 상상 시작 시점으로부터 완료 시점까지의 뇌운동관련전위 신호를 의미한다.In addition, the signal analysis processing unit 140 detects a maximum value candidate from a smallest value to an arbitrary value in the epoch data, sets the detected maximum value candidates sequentially to the maximum value of the negative value do. At this time, the signal analysis processing unit 140 can detect a value having a negative slope up to the corresponding value of the signal slope and a positive slope after the corresponding value as a negative maximum value candidate. For reference, the data refers to brain movement-related potential signals from the start time of the operation to the completion time.

이처럼, 뇌운동관련전위 신호에 대해 하나 이상의 음의 최대값이 설정된 상태에서, 신호 분석 처리부(140)는 다음과 같은 절차의 신호 분석 처리 알고리즘을 수행한다.As described above, the signal analysis processing unit 140 performs a signal analysis processing algorithm of the following procedure in a state where at least one negative maximum value is set for the brain motion-related potential signal.

도 5에 도시한 바와 같이, 첫번째 음의 최대값 후보를 음의 최대값(x0)으로 설정하고, 해당 음의 최대값이 발현된 시점을 시간축의 기준 0으로 설정한다 (S501).As shown in FIG. 5, the maximum value candidate of the first tone is set as the maximum value (x 0 ) of sound, and the time when the maximum value of the sound is expressed is set as the reference 0 of the time axis (S 501).

이때, 음의 최대값x0는 (t0, h0)로 설정되며, t는 시간을 의미하고, h는 신호 크기(예: 전압 크기)를 의미한다. At this time, the negative maximum value x 0 is set to (t 0 , h 0 ), t means time, and h means signal size (for example, voltage magnitude).

그런 다음, 음의 최대값을 이루는 시점으로부터, 기설정된 제 1 시간 이전의 뇌파 크기(y0), 기설정된 제 2 시간 이전의 뇌파 크기(z0), 및 기설정된 제 3 시간이후의 뇌파 크기(k0)를 검출한다(S502).Then, from the time point of the maximum value of the sound, the size (y 0 ) of the brain wave before the predetermined first time, the size (z 0 ) of the brain wave before the predetermined second time, detects a (k 0) (S502).

이때, 도 5에서는 제 1 시간이 500ms로 설정되어 y0=(t0-0.5, h0-0.5)이며, 제 2 시간이 1200ms로 설정되어 z0=(t0-0.5-0.7, h0-0.5-0.7)이고, 제 3 시간이 700ms로 설정되어 k0=(t0+0.7, h0+0.7)인 것을 예로서 나타내었다. 이와 같은 제 1 내지 제3 시간은 고정된 것이 아닌 임의의 시간으로서, 사전에 실험 등을 통해 음의 최대값을 기준으로 뇌운동관련전위 신호의 각 특성 요소가 잘 발현되는 시간 범위를 검출한 결과에 기초하여 각각 설정될 수 있다. 5, the first time is set to 500 ms, y 0 = (t 0-0.5 , h 0-0.5 ), the second time is set to 1200 ms and z 0 = (t 0-0.5-0.7 , h 0 -0.5-0.7 ), the third time is set to 700 ms, and k 0 = (t 0 + 0.7 , h 0 + 0.7 ) is shown as an example. The first through third time periods are arbitrary time periods that are not fixed, and the time range in which each characteristic element of the brain-movement-related potential signal is well expressed based on the maximum value of the sound in advance through experiments or the like is detected Respectively.

다음으로, 음의 최대값(x0)과 제 1시간 이전의 뇌파의 크기, 음의 최대값(x0)과 제 2 시간 이전의 뇌파의 크기, 및 음의 최대값(x0)과 제 3 시간 이후의 뇌파의 크기 사이의 기울기(h1, h2, h3)를 각각 산출한다(S503).Next, the maximum negative value (x 0) and the brain wave size of the previous one hour, up to a negative value (x 0) and brain wave size of a previous second time, and the maximum negative value (x 0) and the (H1, h2, h3) between the magnitudes of the brain waves after 3 hours are calculated (S503).

그런 다음, 음의 최대값(x0)과 제 1시간 이전의 뇌파 크기 간의 제 1 기울기(h1)와, 음의 최대값(x0)과 제 2 시간 이전의 뇌파 크기 간의 제 2 기울기(h2)가 모두 음의 기울기이고, 제 1 기울기(h1)가 제 2 기울기(h2)보다 크며, 음의 최대값(x0)과 제 3 시간 이후의 뇌파 크기 간의 제 3 기울기(h3)가 양의 기울기인지 여부를 판단한다(S504).Then, the maximum negative value (x 0) and a second slope between the first slope (h1) and a negative maximum value (x 0) and brain wave size of the previous second time between brain waves size of the previous one hours (h2 The first slope h1 is larger than the second slope h2 and the third slope h3 between the negative maximum value x 0 and the EEG amplitude after the third time is positive It is determined whether or not it is a slope (S504).

상기 판단하는 단계(S504)의 처리 결과, 모든 조건이 만족하면 측정대상의 의도 판단을 위한 뇌파 신호 특성 검출을 완료한다.As a result of the determination in the determining step S504, when all the conditions are satisfied, the EEG signal characteristic detection for the intention determination of the measurement object is completed.

이때, 신호 분석 처리부(140)는 첫 번째 음의 최대값 후보를 기준으로 임의의 구간 내의 뇌파 신호를 의도 판단용 뇌파 신호로서 검출한다. 그리고 신호 분석 처리부(140)는 검출된 의도 판단용 뇌파 신호에서 각 특성 요소의 신호 크기 및 발생 시점 중 적어도 하나에 기초하여 신호 특징을 추출할 수 있다.At this time, the signal analysis processing unit 140 detects an EEG signal in an arbitrary section as an EEG signal for intention determination based on the first negative maximum value candidate. The signal analysis processing unit 140 may extract a signal characteristic based on at least one of a signal size and a generation time point of each characteristic element in the detected intention determination EEG signal.

한편, 상기 판단하는 단계(S504)의 처리 결과, 하나 이상의 조건이 불만족된 경우 해당 음의 최대값 후보를 기준으로한 뇌파 신호 구간은 의도 판단용으로서 사용하지 않고, 다른 음의 최대값 후보를 검출한다. On the other hand, if it is determined that one or more conditions are unsatisfactory as a result of the determining step S504, the EEG signal section based on the maximum value candidate of the negative is not used for intention determination, do.

이에 따라, 두 번째 음의 최대값 후보를 음의 최대값(x0)으로 설정하고, 해당 음의 최대값이 발현된 시점을 시간축의 기준 0으로 설정한다(S511).Accordingly, the maximum value candidate of the second sound is set as the maximum value (x 0 ) of the sound, and the time when the maximum value of the sound is expressed is set as the reference value of the time axis (S 511).

그런 다음, 앞서 설명한 단계 (S502) 내지 (S504)와 각각 동일한 동작을 처리하는 단계 (S512) 내지 (S515)를 처리한다.Then, steps S512 to S515 for processing the same operations as the above-described steps S502 to S504 are performed, respectively.

한편, 두 번째 음의 최대값 후보에 기초한 판단을 처리하는 단계 (S514)의 결과 역시 각 조건 중 하나 이상이 불만족된 경우 또 다른 음의 최대값 후보를 검출한다.On the other hand, the result of step S514 of processing the judgment based on the maximum value candidate of the second negative also detects another negative maximum value candidate if at least one of the conditions is unsatisfactory.

이에 따라, 세 번째 음의 최대값 후보에 기초하여 상기 단계 (S501) 내지 (S504)에 각각 대응된 단계 (S521) 내지 (S524)를 처리한다. 신호 처리 분석부(130)는 단계 (S524)의 판단의 결과에서도 하나 이상의 조건이 만족되지 못하는 경우, 의도 검출 실패라고 판단하여 해당 신호 분석 처리를 종료할 수 있다. Accordingly, steps S521 to S524 corresponding to the steps S501 to S504 are processed based on the third candidate maximum value, respectively. If at least one condition is not satisfied as a result of the determination of step S524, the signal processing analysis unit 130 may determine that the intention detection is unsuccessful and terminate the signal analysis processing.

도 5에서는, 신호 분석 처리부(140)가 세 번째 음이 최대값 후보까지를 이용하여 의도 판단용 뇌파 신호를 검출하여 그 특징을 추출하는 것을 나타내었다. 이때, 신호 분석 처리부(140)가 신호 분석 시 사용하는 음의 최대값의 개수는 고정되거나 한정되지 않으며, 뇌파 신호 분석 구간 또한 시간 영역 상에서 실시간으로 변경될 수 있다. In FIG. 5, the signal analysis processing unit 140 detects an EEG signal for intention determination using up to a third maximum value candidate, and extracts the feature. At this time, the number of maximum negative values used in signal analysis by the signal analysis processing unit 140 is fixed or unlimited, and the EEG signal analysis section can also be changed in real time in the time domain.

한편, 이상의 도 1 내지 도 5를 참조하여 설명한 뇌운동관련전위에 기반한 뇌-컴퓨터 인터페이스 장치(100)는, 뇌파 측정기, 메모리 및 프로세서로 구현될 수 있다. 즉, 도 1에 도시된 전처리부(120), 잡음 제거부(130), 신호 분석 처리부(140) 및 데이터 분류부(150)가 처리하는 각 연산 및 동작들은 하나의 프로그램 또는 서로 연동된 둘 이상의 프로그램의 형태로서 메모리(미도시)에 저장될 수 있다. 이처럼 메모리(미도시)에 저장된 하나 이상의 프로그램은 프로세서(미도시)에 의해 실행되며, 프로세서(미도시)는 각 프로그램이 실행됨에 따라 기설정된 처리들을 수행할 수 있다. Meanwhile, the brain-computer interface device 100 based on the brain-movement-related potential described with reference to FIGS. 1 to 5 may be implemented by an EEG, a memory, and a processor. That is, each operation and operation performed by the preprocessing unit 120, the noise removing unit 130, the signal analysis processing unit 140, and the data classifying unit 150 shown in FIG. 1 are performed by one program or two or more And may be stored in a memory (not shown) in the form of a program. One or more programs stored in the memory (not shown) are executed by a processor (not shown), and a processor (not shown) can perform predetermined processes as each program is executed.

이하, 도 6을 참조하여 본 발명의 일 실시예에 따른 뇌운동관련전위에 기반한 뇌-컴퓨터 인터페이스 장치(100)를 통한 뇌-컴퓨터 인터페이싱 방법에 대해서 상세히 설명하도록 한다.Hereinafter, referring to FIG. 6, a brain-computer interfacing method through a brain-computer interface device 100 based on brain-movement-related potentials according to an embodiment of the present invention will be described in detail.

도 6은 본 발명의 일 실시예에 따른 뇌운동관련전위 기반의 뇌-컴퓨터 인터페이싱 방법을 설명하기 위한 순서도이다.FIG. 6 is a flow chart for explaining a brain-computer interfacing method based on dislocation-related potentials according to an embodiment of the present invention.

먼저, 측정대상이 자발적 동작 상상을 할 때 발현되는 뇌운동관련전위 신호를 실시간 측정한다(S610). First, a brain motion-related potential signal expressed when a measurement subject imagines a spontaneous motion is measured in real time (S610).

다음으로, 상기 측정된 뇌운동관련전위 신호에 대해 시간 영역에서의 신호 분석을 처리하여 신호 파형 상에서 기설정된 특성 요소를 검출한다(S620).Next, signal analysis in the time domain is performed on the measured brain-movement related potential signal to detect a predetermined characteristic element on the signal waveform (S620).

참고로, 측정 대상이 인지할 수 있는 지시 신호 출력하여 동작 상상 시작 시점을 설정해두고, 측정된 뇌운동관련전위 신호를 상기 동작 상상 시작 시점에서 종료 시점까지 에포크(epoch)한 구간에서 상기 특성 요소들을 검출할 수 있다.For example, when an instruction signal to be measured by the measurement object is output and the start time of the operation image is set, the measured brain motion-related potential signal is read from the operation image starting point to the end point in an epoch- Can be detected.

이때, 단계 (S620)에서 처리하는 뇌운동관련전위 신호는 필터링 및 잡음 제거 처리된 신호일 수 있다. 또한, 상기 뇌운동관련전위 신호의 특성 요소는 신호 크기 및 발생 시점에 기초하여 검출할 수 있으며, 1차 및 2차 음의 감소 구간, 음의 최대값 및 리바운드 비율 요소를 포함한다.At this time, the brain motion-related potential signal processed in step S620 may be a signal subjected to filtering and noise removal processing. Further, the characteristic elements of the brain motion-related potential signal can be detected on the basis of the signal magnitude and the time of occurrence, and include the decay interval of the primary and secondary sounds, the maximum of the sound, and the rebound ratio factor.

이처럼 뇌운동관련전위 신호로부터 특성 요소들을 추출하는 과정은 앞서 도 5를 통해 설명한 절차와 동일하다.The process of extracting the characteristic elements from the brain motion-related dislocation signal is the same as the procedure described above with reference to FIG.

즉, 상기 단계 (S620)은, 측정된 뇌운동관련전위 신호에서 신호 크기에 기초하여 검출된 음의 최대값의 시점을 시간축의 기준으로 설정하는 단계, 상기 음의 최대값의 시점으로부터 제 1 시간 이전의 제 1 신호 크기, 제 2 시간 이전의 제 2 신호 크기, 및 제 3 시간 이후의 신호 크기를 검출하는 단계, 상기 음의 최대값과 상기 제 1 신호 크기와의 제 1 기울기, 상기 제 2 신호 크기와의 제 2 기울기, 및 상기 제 3 신호 크기와의 제 3 기울기를 산출하는 단계, 및 상기 제 1 및 제 2 기울기가 음의 기울기를 갖고, 상기 제 3 기울기가 양의 기울기를 가지며, 상기 제 1 기울기가 상기 제 2 기울기보다 큰 경우, 상기 측정된 뇌운동관련전위 신호 상에서 상기 특성 요소들을 모두 포함하는 뇌파 신호 구간을 의도 판단용 뇌파 신호로서 검출하는 단계로 구성될 수 있다. 이때, 음의 최대값은 신호 크기가 가장 작은 값부터 임의의 순서까지 복수의 음의 최대값 후보를 검출하여 순차적으로 설정될 수 있다.That is, the step (S620) comprises the steps of: setting a time point of a maximum value of the detected sound based on the signal amplitude in the measured brain motion-related potential signal as a reference of a time axis; Detecting a first signal magnitude of a previous signal, a second signal magnitude before a second time, and a signal magnitude after a third time, detecting a first slope of the negative maximum value and the first signal magnitude, Calculating a second slope with respect to the signal magnitude, and a third slope with the third signal magnitude, and wherein the first and second slopes have a negative slope, the third slope has a positive slope, Detecting an EEG signal segment including all of the characteristic elements on the measured brain motion-related potential signal as an EEG signal for intention determination when the first slope is larger than the second slope. At this time, the maximum value of the sound can be sequentially set by detecting a plurality of negative maximum value candidates from the smallest signal size to an arbitrary order.

다음으로, 검출된 특성 요소들의 신호 크기 및 발생 시점에 기초하여, 조건에 만족된 특성 요소들을 포함하는 뇌파 신호 구간을 의도 판단용 뇌파 신호로서 검출한다(S630).Next, an EEG signal segment including characteristic elements satisfying the condition is detected as an EEG signal for intention determination based on the signal magnitude and occurrence time of the detected characteristic elements (S630).

그런 다음, 검출된 뇌파 신호 구간의 특성 요소 중 적어도 하나에 기초하여 관련 동작 조건을 분류한다(S640).Then, the related operating condition is classified based on at least one of the characteristic elements of the detected EEG signal interval (S640).

구체적으로, 사전에 복수 회 측정된 뇌운동관련전위 신호 별 상기 특성 요소 중 적어도 하나에 대해 상기 동작 조건을 학습하여 분류기를 생성하고, 상기 분류기를 사용하여 상기 측정된 뇌운동관련전위 신호에 대응된 동작 조건을 분류할 수 있다. 이때, 동작 조건은 동작 상상의 대상이 되는 신체 부위의 종류, 동작의 종류, 동작의 속도 및 동작의 정도 중 적어도 하나를 포함한다.Specifically, the at least one of the characteristic elements for the brain motion-related potential signal measured in advance a plurality of times is used to learn the operating condition to generate a classifier, and the classifier is used to generate a classifier corresponding to the measured brain- The operating conditions can be classified. At this time, the operating condition includes at least one of the type of the body part, the type of the operation, the speed of the operation, and the degree of the operation, which is the object of the operation.

다음으로, 분류된 상기 동작 조건에 대응된 명령을 검출하여 실행한다(S650).Next, an instruction corresponding to the classified operation condition is detected and executed (S650).

이상에서 설명한 본 발명의 일 실시예에 따른 뇌-컴퓨터 인터페이스 방법은 컴퓨터에 의해 실행되는 프로그램 모듈과 같은 컴퓨터에 의해 실행가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한 컴퓨터 판독가능 매체는 컴퓨터 저장 매체 및 통신 매체를 모두 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다. 통신 매체는 전형적으로 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈, 또는 반송파와 같은 변조된 데이터 신호의 기타 데이터, 또는 기타 전송 메커니즘을 포함하며, 임의의 정보 전달 매체를 포함한다.The above-described brain-computer interface method according to an embodiment of the present invention can also be implemented in the form of a recording medium including instructions executable by a computer such as a program module executed by a computer. Computer readable media can be any available media that can be accessed by a computer and includes both volatile and nonvolatile media, removable and non-removable media. The computer readable medium may also include both computer storage media and communication media. Computer storage media includes both volatile and nonvolatile, removable and non-removable media implemented in any method or technology for storage of information such as computer readable instructions, data structures, program modules or other data. Communication media typically includes any information delivery media, including computer readable instructions, data structures, program modules, or other data in a modulated data signal such as a carrier wave, or other transport mechanism.

전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.It will be understood by those skilled in the art that the foregoing description of the present invention is for illustrative purposes only and that those of ordinary skill in the art can readily understand that various changes and modifications may be made without departing from the spirit or essential characteristics of the present invention. will be. It is therefore to be understood that the above-described embodiments are illustrative in all aspects and not restrictive. For example, each component described as a single entity may be distributed and implemented, and components described as being distributed may also be implemented in a combined form.

본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.The scope of the present invention is defined by the appended claims rather than the detailed description and all changes or modifications derived from the meaning and scope of the claims and their equivalents are to be construed as being included within the scope of the present invention do.

100: 뇌운동관련전위 기반 뇌-컴퓨터 인터페이스 장치
110: 뇌파 측정부
120: 전처리부
130: 잡음제거부
140: 신호 분석 처리부
150: 데이터 분류부100: Brain motion-related potential-based brain-computer interface device
110: EEG measurement unit
120:
130: Noise canceling
140: Signal analysis processor
150:

Claims (10)

뇌운동관련전위(Movement Related Cortical Potentials, MRCP) 기반 뇌-컴퓨터 인터페이스 장치에 있어서,
측정대상의 동작 상상 시 발현된 뇌운동관련전위 신호를 측정하는 뇌파 측정부;
상기 측정된 뇌운동관련전위 신호에 포함된 음의 최대값에 기준하여, 기설정된 특성 요소들을 포함하는 뇌파 신호 구간을 검출하는 신호 분석 처리부; 및
검출된 상기 뇌파 신호 구간의 특성 요소 중 적어도 하나에 기초하여 상기 뇌파 신호 구간에 관련된 동작 조건을 분류하고, 상기 동작 조건에 대응된 명령을 검출하는 데이터 분류부를 포함하고,
상기 특성 요소는, 상기 동작 상상이 시작된 시점을 기준으로 기설정된 제 1 구간 이후에 상기 측정된 뇌운동관련전위 신호의 크기가 점차 감소되는 상태인 1 차 음의 감소 상태, 상기 동작 상상이 시작된 시점을 기준으로 기설정된 제 2 구간 이후에 상기 측정된 뇌운동관련전위 신호의 크기가 점차 감소되는 상태인 2차 음의 감소 상태, 음의 최대값 및 리바운드 비율을 포함하고,
상기 동작 조건은 동작 상상의 대상이 되는 신체 부위의 종류, 동작의 종류, 동작의 속도 및 동작의 정도 중 적어도 하나를 포함하며,
상기 신호 분석 처리부는 상기 측정된 뇌운동관련전위 신호 상에서의 신호 크기 및 발생 시점에 기초하여 상기 특성 요소들을 검출하는 뇌-컴퓨터 인터페이스 장치.
A brain-computer interface device based on Movement Related Cortical Potentials (MRCP)
An electroencephalogram measuring unit for measuring an electroencephalogram signal related to brain movement expressed in an imaginary state of a measurement subject;
A signal analysis processing unit for detecting an EEG signal segment including predetermined characteristic elements based on the measured maximum value of the sound included in the electroencephalogram-related potential signal; And
And a data classifier for classifying an operation condition related to the EEG signal section based on at least one of the detected characteristic elements of the EEG signal section and detecting an instruction corresponding to the operation condition,
Wherein the characteristic element comprises: a first state in which a magnitude of the measured brain motion-related potential signal is gradually decreased after a predetermined first interval based on a start time of the operation imagination; A negative maximum value, and a rebound ratio, in which the measured brain motion-related potential signal is gradually decreased after a predetermined second interval based on the second interval,
Wherein the operation condition includes at least one of a type of a body part to which an operation is to be performed, a kind of an operation, a speed of the operation,
Wherein the signal analysis processing unit detects the characteristic elements based on the signal magnitude and the generation time point on the measured brain motion-related potential signal.
제 1 항에 있어서,
상기 신호 분석 처리부는,
상기 측정된 뇌운동관련전위 신호에서 신호 크기에 기초하여 검출된 음의 최대값의 시점을 시간축의 기준으로 설정하고,
상기 음의 최대값의 시점으로부터 제 1 시간 이전의 제 1 신호 크기값, 제 2 시간 이전의 제 2 신호 크기값, 및 제 3 시간 이후의 신호 크기값을 검출하고,
상기 음의 최대값과 상기 제 1 신호 크기값과의 제 1 기울기, 상기 제 2 신호 크기값과의 제 2 기울기, 및 상기 제 3 신호 크기값과의 제 3 기울기를 산출하고,
상기 제 1 및 제 2 기울기가 음의 기울기를 갖고, 상기 제 3 기울기가 양의 기울기를 가지며, 상기 제 1 기울기가 상기 제 2 기울기보다 큰 경우, 상기 측정된 뇌운동관련전위 신호 상에서 상기 특성 요소들을 모두 포함하는 뇌파 신호 구간을 의도 판단용 뇌파 신호로서 검출하는 뇌-컴퓨터 인터페이스 장치.
The method according to claim 1,
The signal analysis processing unit,
A time point of a maximum value of a sound detected based on the signal magnitude in the measured brain motion-related potential signal is set as a reference of a time axis,
Detecting a first signal amplitude value before the first time, a second signal amplitude value before the second time, and a signal amplitude value after the third time from the time point of the negative maximum value,
Calculating a first slope of the negative maximum value and the first signal magnitude value, a second slope of the negative second magnitude value, and a third slope of the third slope with the third signal magnitude value,
Wherein when the first and second slopes have negative slopes and the third slope has a positive slope and the first slope is greater than the second slope, A brain-computer interface device for detecting an EEG signal section including all of EEG signals as an EEG signal for intention determination.
제 2 항에 있어서,
상기 신호 분석 처리부는,
신호 크기가 가장 작은 값부터 임의의 순서까지 복수의 음의 최대값 후보를 검출하여 순차적으로 상기 음의 최대값으로 설정하는 뇌-컴퓨터 인터페이스 장치.
3. The method of claim 2,
The signal analysis processing unit,
And a plurality of negative maximum value candidates from the smallest signal size to an arbitrary order are detected and sequentially set to the maximum value of the negative.
제 1 항에 있어서,
상기 신호 분석 처리부는,
상기 측정된 뇌운동관련전위 신호를 동작 상상 시작 시점에서 종료 시점까지 에포크(epoch)한 구간에서 상기 특성 요소들을 검출하되,
상기 동작 상상 시점은 상기 측정 대상이 인지할 수 있는 지시 신호 출력을 통해 설정되는 뇌-컴퓨터 인터페이스 장치.
The method according to claim 1,
The signal analysis processing unit,
Detecting the characteristic elements in a section in which the measured brain-movement related potential signal is epoched from a start point of operation to an end point of operation,
Wherein the operation imagination time point is set through an instruction signal output which can be recognized by the measurement object.
제 1 항에 있어서,
상기 데이터 분류부는,
사전에 복수 회 측정된 뇌운동관련전위 신호 별 상기 특성 요소 중 적어도 하나에 대해 상기 동작 조건을 학습하여 분류기를 생성하고,
상기 분류기를 사용하여 상기 측정된 뇌운동관련전위 신호에 대응된 상기 동작 조건을 분류하는 뇌-컴퓨터 인터페이스 장치.
The method according to claim 1,
Wherein the data classification unit comprises:
Generating a classifier by learning the operating condition for at least one of the characteristic elements for each brain movement related potential signal measured in advance plural times,
And classifying the operating condition corresponding to the measured brain motion-related potential signal using the classifier.
뇌운동관련전위(Movement Related Cortical Potentials, MRCP) 기반 뇌-컴퓨터 인터페이스 장치를 통한 뇌-컴퓨터 인터페이스 방법에 있어서,
측정대상의 동작 상상시 발현된 뇌운동관련전위 신호를 측정하는 단계;
상기 측정된 뇌운동관련전위 신호에 포함된 음의 최대값에 기준하여, 기설정된 특성 요소들을 포함하는 뇌파 신호 구간을 검출하는 단계;
검출된 상기 뇌파 신호 구간의 특성 요소 중 적어도 하나에 기초하여 관련 동작 조건을 분류하는 단계; 및
분류된 상기 동작 조건에 대응된 명령을 검출하는 단계를 포함하며,
상기 특성 요소는, 상기 동작 상상이 시작된 시점을 기준으로 기설정된 제 1 구간 이후에 상기 측정된 뇌운동관련전위 신호의 크기가 점차 감소되는 상태인 1 차 음의 감소 상태, 상기 동작 상상이 시작된 시점을 기준으로 기설정된 제 2 구간 이후에 상기 측정된 뇌운동관련전위 신호의 크기가 점차 감소되는 상태인 2차 음의 감소 상태, 음의 최대값 및 리바운드 비율을 포함하고,
상기 동작 조건은 동작 상상의 대상이 되는 신체 부위의 종류, 동작의 종류, 동작의 속도 및 동작의 정도 중 적어도 하나를 포함하며,
상기 특성 요소들을 포함하는 뇌파 신호 구간을 검출하는 단계는,
상기 측정된 뇌파 운동관련 전위 신호 상에서 신호 크기 및 발생 시점에 기초하여 상기 특성 요소들을 검출하는 뇌-컴퓨터 인터페이스 방법.
A brain-computer interface method using a Movement Related Cortical Potentials (MRCP) based brain-computer interface device,
Measuring an electroencephalogram signal related to a brain motion expressed in an imaginary state of a measurement subject;
Detecting an EEG signal segment including predetermined characteristic elements based on the measured maximum value of the sound included in the electroencephalogram-related potential signal;
Classifying the related operating condition based on at least one of the characteristic elements of the detected EEG signal interval; And
Detecting an instruction corresponding to the classified operation condition,
Wherein the characteristic element comprises: a first state in which a magnitude of the measured brain motion-related potential signal is gradually decreased after a predetermined first interval based on a start time of the operation imagination; A negative maximum value, and a rebound ratio, in which the measured brain motion-related potential signal is gradually decreased after a predetermined second interval based on the second interval,
Wherein the operation condition includes at least one of a type of a body part to which an operation is to be performed, a kind of an operation, a speed of the operation,
Wherein the step of detecting an EEG signal segment including the characteristic elements comprises:
And detecting the characteristic elements on the basis of a signal magnitude and a generation time point on the measured EEG-related potential signal.
제 6 항에 있어서,
상기 특성 요소들을 포함하는 뇌파 신호 구간을 검출하는 단계는,
상기 측정된 뇌운동관련전위 신호에서 신호 크기에 기초하여 검출된 음의 최대값의 시점을 시간축의 기준으로 설정하는 단계;
상기 음의 최대값의 시점으로부터 제 1 시간 이전의 제 1 신호 크기값, 제 2 시간 이전의 제 2 신호 크기값, 및 제 3 시간 이후의 신호 크기값을 검출하는 단계;
상기 음의 최대값과 상기 제 1 신호 크기값과의 제 1 기울기, 상기 제 2 신호 크기값과의 제 2 기울기, 및 상기 제 3 신호 크기값과의 제 3 기울기를 산출하는 단계; 및
상기 제 1 및 제 2 기울기가 음의 기울기를 갖고, 상기 제 3 기울기가 양의 기울기를 가지며, 상기 제 1 기울기가 상기 제 2 기울기보다 큰 경우, 상기 측정된 뇌운동관련전위 신호 상에서 상기 특성 요소들을 모두 포함하는 뇌파 신호 구간을 의도 판단용 뇌파 신호로서 검출하는 단계를 포함하는 뇌-컴퓨터 인터페이스 방법.
The method according to claim 6,
Wherein the step of detecting an EEG signal segment including the characteristic elements comprises:
Setting a time point of the maximum value of the detected sound based on the signal magnitude in the measured brain motion-related potential signal as a reference of a time axis;
Detecting a first signal magnitude value before a first time, a second signal magnitude value before a second time, and a signal magnitude value after a third time from a time point of the negative maximum value;
Calculating a first slope of the negative maximum value and the first signal magnitude value, a second slope of the negative signal magnitude value, and a third slope of the third slope with the third signal magnitude value; And
Wherein when the first and second slopes have negative slopes and the third slope has a positive slope and the first slope is greater than the second slope, Detecting an EEG signal segment including all of the EEG signals as an intention determining EEG signal.
제 7 항에 있어서,
상기 음의 최대값의 시점을 시간축의 기준으로 설정하는 단계 이전에,
신호 크기가 가장 작은 값부터 임의의 순서까지 복수의 음의 최대값 후보를 검출하여 순차적으로 상기 음의 최대값으로 설정하는 단계를 더 포함하는 뇌-컴퓨터 인터페이스 방법.
8. The method of claim 7,
Before the step of setting the time point of the maximum value of the sound as the reference of the time axis,
Detecting a plurality of negative maximum value candidates from a value having a smallest signal size to an arbitrary order and sequentially setting the maximum value candidates to the maximum value of the negative value.
제 6 항에 있어서,
상기 측정대상의 동작 상상시 발현된 뇌운동관련전위 신호를 측정하는 단계 이전에, 상기 측정 대상이 인지할 수 있는 지시 신호 출력하여 동작 상상 시작 시점을 설정하는 단계를 더 포함하며,
상기 특성 요소들을 포함하는 뇌파 신호 구간을 검출하는 단계는, 상기 측정된 뇌운동관련전위 신호를 상기 동작 상상 시작 시점에서 종료 시점까지 에포크(epoch)한 구간에서 상기 특성 요소들을 검출하는 뇌-컴퓨터 인터페이스 방법.
The method according to claim 6,
Further comprising the step of outputting an instruction signal that can be perceived by the measurement subject and setting an operation image start time point prior to the step of measuring a brain motion-related potential signal expressed in the operation image of the measurement subject,
Wherein the step of detecting an EEG signal segment including the characteristic elements comprises the steps of: detecting a brain-computer interface signal from the measured brain-motion-associated potential signal in an epoch period from the start of operation to the end of the operation; Way.
제 6 항에 있어서,
상기 관련 동작 조건을 분류하는 단계는,
사전에 복수 회 측정된 뇌운동관련전위 신호 별 상기 특성 요소 중 적어도 하나에 대해 상기 동작 조건을 학습하여 분류기를 생성하고,
상기 분류기를 사용하여 상기 측정된 뇌운동관련전위 신호에 대응된 상기 동작 조건을 분류하는 뇌-컴퓨터 인터페이스 방법.The method according to claim 6,
Wherein classifying the associated operating condition comprises:
Generating a classifier by learning the operating condition for at least one of the characteristic elements for each brain movement related potential signal measured in advance plural times,
And classifying the operating condition corresponding to the measured brain motion-related potential signal using the classifier.
KR1020150170174A 2015-12-01 2015-12-01 Brain-computer interface apparatus using movement-related cortical potential and method thereof KR101714708B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020150170174A KR101714708B1 (en) 2015-12-01 2015-12-01 Brain-computer interface apparatus using movement-related cortical potential and method thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020150170174A KR101714708B1 (en) 2015-12-01 2015-12-01 Brain-computer interface apparatus using movement-related cortical potential and method thereof

Publications (1)

Publication Number Publication Date
KR101714708B1 true KR101714708B1 (en) 2017-03-09

Family

ID=58402481

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020150170174A KR101714708B1 (en) 2015-12-01 2015-12-01 Brain-computer interface apparatus using movement-related cortical potential and method thereof

Country Status (1)

Country Link
KR (1) KR101714708B1 (en)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101844301B1 (en) 2017-08-21 2018-04-02 재단법인 대구경북첨단의료산업진흥재단 Brain-machine interface based on object-oriented message and method thereof
CN108875422A (en) * 2018-05-07 2018-11-23 南京快文信息科技有限公司 Brain wave data storage method and system based on block chain
KR20200049287A (en) * 2018-10-31 2020-05-08 울산과학기술원 Method and device of predicting user's decision
KR20200075153A (en) * 2018-12-13 2020-06-26 성균관대학교산학협력단 Methods and apparatuses for recognizing user intention based on brain wave
CN112987917A (en) * 2021-02-08 2021-06-18 中国科学院自动化研究所 Motion imagery enhancement method, device, electronic equipment and storage medium

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120100320A (en) * 2011-03-03 2012-09-12 서울대학교산학협력단 Devices and methods for readiness potential-based brain-computer interface
US20150012111A1 (en) * 2013-07-03 2015-01-08 University Of Houston Methods for closed-loop neural-machine interface systems for the control of wearable exoskeletons and prosthetic devices
KR20150028661A (en) * 2013-09-06 2015-03-16 세종대학교산학협력단 Analysis method of user intention recognition for brain computer interface

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120100320A (en) * 2011-03-03 2012-09-12 서울대학교산학협력단 Devices and methods for readiness potential-based brain-computer interface
US20150012111A1 (en) * 2013-07-03 2015-01-08 University Of Houston Methods for closed-loop neural-machine interface systems for the control of wearable exoskeletons and prosthetic devices
KR20150028661A (en) * 2013-09-06 2015-03-16 세종대학교산학협력단 Analysis method of user intention recognition for brain computer interface

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
논문1:Clinical Neurophysiology 126.1 (2015): *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101844301B1 (en) 2017-08-21 2018-04-02 재단법인 대구경북첨단의료산업진흥재단 Brain-machine interface based on object-oriented message and method thereof
CN108875422A (en) * 2018-05-07 2018-11-23 南京快文信息科技有限公司 Brain wave data storage method and system based on block chain
KR20200049287A (en) * 2018-10-31 2020-05-08 울산과학기술원 Method and device of predicting user's decision
KR102248796B1 (en) 2018-10-31 2021-05-07 울산과학기술원 Method and device of predicting user's decision
KR20200075153A (en) * 2018-12-13 2020-06-26 성균관대학교산학협력단 Methods and apparatuses for recognizing user intention based on brain wave
KR102175997B1 (en) 2018-12-13 2020-11-06 성균관대학교산학협력단 Methods and apparatuses for recognizing user intention based on brain wave
CN112987917A (en) * 2021-02-08 2021-06-18 中国科学院自动化研究所 Motion imagery enhancement method, device, electronic equipment and storage medium

Similar Documents

Publication Publication Date Title
KR101714708B1 (en) Brain-computer interface apparatus using movement-related cortical potential and method thereof
Yu et al. Analysis the effect of PCA for feature reduction in non-stationary EEG based motor imagery of BCI system
Li et al. Application of covariate shift adaptation techniques in brain–computer interfaces
Brigham et al. Imagined speech classification with EEG signals for silent communication: a preliminary investigation into synthetic telepathy
US20070060830A1 (en) Method and system for detecting and classifying facial muscle movements
KR101293446B1 (en) Electroencephalography Classification Method for Movement Imagination and Apparatus Thereof
Hsu EEG-based motor imagery classification using enhanced active segment selection and adaptive classifier
KR101549325B1 (en) Method for control of machine interface
Mahmood et al. Classification of multi-class motor imagery EEG using four band common spatial pattern
CN108143409A (en) Sleep stage method and device by stages
Perseh et al. An efficient P300-based BCI using wavelet features and IBPSO-based channel selection
Krusienski et al. BCI signal processing: feature extraction
KR20170061317A (en) Realtime simulator for brainwaves training and interface device using realtime simulator
Ramos-Aguilar et al. Analysis of EEG signal processing techniques based on spectrograms
Ouyang et al. Electroencephelograph based brain machine interface for controlling a robotic arm
CN107480635B (en) Glance signal identification method and system based on bimodal classification model fusion
Zainuddin et al. Classification of EEG signal from capable dyslexic and normal children using KNN
Sarin et al. Automated ocular artifacts identification and removal from EEG data using hybrid machine learning methods
CN108338787A (en) A kind of phase property extracting method of multi-period multi-component multi-dimension locking phase value
Hazarika et al. Two-fold feature extraction technique for biomedical signals classification
Looney et al. Subspace denoising of EEG artefacts via multivariate EMD
Cecotti et al. Suboptimal sensor subset evaluation in a p300 brain-computer interface
US20210196140A1 (en) Information processing apparatus and non-transitory computer readable medium
Asensio-Cubero et al. A study on temporal segmentation strategies for extracting common spatial patterns for brain computer interfacing
Li CNN-Based Image Analysis for EEG Signal Characterization

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: 20200128

Year of fee payment: 4