KR20120125948A - 뇌-컴퓨터 접속 장치, 그리고 그의 분류 방법 - Google Patents

뇌-컴퓨터 접속 장치, 그리고 그의 분류 방법 Download PDF

Info

Publication number
KR20120125948A
KR20120125948A KR1020120039497A KR20120039497A KR20120125948A KR 20120125948 A KR20120125948 A KR 20120125948A KR 1020120039497 A KR1020120039497 A KR 1020120039497A KR 20120039497 A KR20120039497 A KR 20120039497A KR 20120125948 A KR20120125948 A KR 20120125948A
Authority
KR
South Korea
Prior art keywords
class
signal
test signal
dictionary
csp
Prior art date
Application number
KR1020120039497A
Other languages
English (en)
Other versions
KR101380964B1 (ko
Inventor
이흥노
신영학
이승찬
Original Assignee
광주과학기술원
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 광주과학기술원 filed Critical 광주과학기술원
Priority to KR1020120039497A priority Critical patent/KR101380964B1/ko
Priority to PCT/KR2012/003572 priority patent/WO2012153965A2/ko
Publication of KR20120125948A publication Critical patent/KR20120125948A/ko
Application granted granted Critical
Publication of KR101380964B1 publication Critical patent/KR101380964B1/ko

Links

Images

Classifications

    • 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
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/18—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state for vehicle drivers or machine operators
    • 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
    • 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]
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Molecular Biology (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Psychiatry (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Psychology (AREA)
  • Artificial Intelligence (AREA)
  • Neurology (AREA)
  • Social Psychology (AREA)
  • Dermatology (AREA)
  • Developmental Disabilities (AREA)
  • Neurosurgery (AREA)
  • Educational Technology (AREA)
  • Human Computer Interaction (AREA)
  • General Physics & Mathematics (AREA)
  • Hospice & Palliative Care (AREA)
  • Child & Adolescent Psychology (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Signal Processing (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

뇌파 신호인 테스트 신호를 복수의 클래스 중 어느 하나로 분류하는 뇌-컴퓨터 접속 장치로서, 테스트 신호를 분류하기 위한 사전을 각 클래스의 훈련 신호를 기초로 설계하는 사전부, 사전을 기초로 테스트 신호의 해를 구하는 풀이부, 그리고 해의 각 클래스에 나타난 0이 아닌 계수의 분포를 기초로 테스트 신호를 분류하는 분류부를 포함한다.

Description

뇌-컴퓨터 접속 장치, 그리고 그의 분류 방법{APPARATUS OF BRAIN-COMPUTER INTERFACE, AND CLASSIFICATION METHOD THEREOF}
본 발명은 뇌-컴퓨터 접속 장치, 그리고 그의 분류 방법에 관한 것이다.
지금까지의 연구들에서 두피로부터 측정되는 뇌파(electroencephalogram, EEG)는 자발적인 움직임이 거의 없더라도 의사전달이 가능하다는 것을 보여주었다. 이것을 일반적으로 뇌파기반 뇌-컴퓨터 접속(brain-computer interface, BCI) 시스템이라고 부른다. 이 BCI시스템은 뇌파활동의 특정한 특징 신호를 추출하고 이 신호를 이용하여 컨트롤 신호를 만들어낸다. 움직임 상상 기반의 BCI(motor imagery-based BCI) 시스템은 두피의 감각운동 피질 부분의 Mu(8-14Hz)와 Beta(15-30Hz) 리듬을 포함하는 감각운동 리듬(sensorimotor rhythms, SMRs)을 사용한다. 피실험자가 왼쪽 또는 오른쪽 손 움직임을 상상했을 때, Mu 리듬 주파수 대역의 감쇄와 ERD(event related desynchronisation)과 같은 뇌파신호의 활동이 상상하는 손의 반대쪽 감각운동피질 부분에서 나타난다.
BCI 시스템은 피실험자로부터 감지된 신호특징을 명령신호로 변환(translation)하는데, 이 과정은 분류 알고리즘을 통하여 수행된다. 그러나, BCI 시스템이 이용하는 움직임 상상 신호는 잡음이 매우 심하고 피실험자마다 다르기 때문에 이 신호를 분류하는 것은 쉽지 않다.
본 발명이 해결하고자 하는 과제는 희소 표현 기반으로 움직임 상상 뇌파 신호를 분류하는 뇌-컴퓨터 접속 장치, 그리고 그의 분류 방법을 제공하는 것이다.
본 발명의 한 실시예에 따른 뇌파 신호인 테스트 신호를 복수의 클래스 중 어느 하나로 분류하는 뇌-컴퓨터 접속 장치로서, 상기 테스트 신호를 분류하기 위한 사전(dictionary)을 각 클래스의 훈련 신호를 기초로 설계하는 사전부, 상기 사전을 기초로 상기 테스트 신호의 해를 구하는 풀이부, 그리고 상기 해의 각 클래스에 나타난 0이 아닌 계수의 분포를 기초로 상기 테스트 신호를 분류하는 분류부를 포함한다.
상기 뇌-컴퓨터 접속 장치는 상기 훈련 신호를 하나의 클래스에 대해서는 최대화하고, 다른 클래스에 대해서는 최소화하는 CSP 필터링을 하여 CSP 필터링된 신호를 출력하는 CSP 필터링부를 더 포함하고, 상기 사전부는 상기 CSP 필터링된 신호를 기초로 상기 사전을 설계할 수 있다.
상기 사전부는 상기 복수의 클래스 각각에 대응하는 복수의 행렬로 구성되고, 행의 수는 CSP 필터의 수이며, 각 클래스의 열의 수는 각 클래스의 훈련 신호의 수인 상기 사전을 설계할 수 있다.
상기 뇌-컴퓨터 접속 장치는 상기 CSP 필터링된 신호 중에서 특정 주파수 대역의 신호를 특징 신호로 추출하는 특징신호추출부를 더 포함하고, 상기 사전부는 상기 특징 신호를 기초로 상기 사전을 설계할 수 있다.
상기 특정 주파수 대역은 두피의 감각운동 피질 부분의 감각운동 리듬에 해당하는 주파수 대역일 수 있다.
상기 풀이부는 L1 최소화 방법으로 상기 해를 구할 수 있다.
상기 분류부는 상기 해의 각 클래스 중에서 0이 아닌 계수가 가장 많이 나타난 클래스로 상기 테스트 신호를 분류할 수 있다.
상기 분류부는 상기 해를 기초로 클래스별 나머지를 계산하여 나머지가 최소인 클래스로 상기 테스트 신호를 분류하고, 상기 클래스별 나머지는 상기 해 중에서 자신 이외의 클래스의 원소를 0으로 채워 생성한 벡터를 상기 사전에 투영한 제1값과 상기 테스트 신호에 해당하는 제2값의 차이로 계산되는 값일 수 있다.
상기 훈련 신호와 상기 테스트 신호는 움직임 상상 기반 뇌파 신호일 수 있다.
상기 복수의 클래스는 왼쪽 움직임 상상에 해당하는 왼쪽 클래스와 오른쪽 움직임 상상에 해당하는 오른쪽 클래스를 포함할 수 있다.
본 발명의 다른 실시예에 따른 뇌-컴퓨터 접속 장치가 뇌파 신호인 테스트 신호를 복수의 클래스 중 어느 하나로 분류하는 방법으로서, 각 클래스에 해당하는 훈련 신호를 획득하는 단계, 상기 훈련 신호를 하나의 클래스에 대해서는 최대화하고, 다른 클래스에 대해서는 최소화하는 CSP 필터링하여 CSP 필터링한 신호를 생성하는 단계, 상기 CSP 필터링한 신호를 기초로 상기 테스트 신호의 해를 풀기 위한 사전(dictionary)을 설계하는 단계, 상기 사전을 기초로 상기 테스트 신호의 해를 구하는 단계, 그리고 상기 해의 각 클래스에 나타난 0이 아닌 계수의 분포를 기초로 상기 테스트 신호를 분류하는 단계를 포함한다.
상기 훈련 신호와 상기 테스트 신호는 움직임 상상 기반 뇌파 신호일 수 있다.
상기 복수의 클래스는 왼쪽 움직임 상상에 해당하는 왼쪽 클래스와 오른쪽 움직임 상상에 해당하는 오른쪽 클래스를 포함할 수 있다.
상기 사전을 설계하는 단계는 상기 복수의 클래스 각각에 대응하는 복수의 행렬로 구성되고, 행의 수는 CSP 필터의 수이며, 각 클래스의 열의 수는 각 클래스의 훈련 신호의 수인 상기 사전을 설계할 수 있다.
상기 분류 방법은 상기 CSP 필터링된 신호 중에서 특정 주파수 대역의 신호를 특징 신호로 추출하는 단계를 더 포함하고, 상기 사전을 설계하는 단계는 상기 특징 신호를 기초로 상기 사전을 설계할 수 있다.
상기 특정 주파수 대역은 두피의 감각운동 피질 부분의 감각운동 리듬에 해당하는 주파수 대역일 수 있다.
상기 해를 구하는 단계는 L1 최소화 방법으로 상기 해를 구할 수 있다.
상기 해를 구하는 단계는 0이 아닌 계수의 개수가 각 클래스의 훈련 신호의 개수보다 희소하다고 판단될 수 있는 정도로 적은 상기 해를 구할 수 있다.
상기 테스트 신호를 분류하는 단계는 상기 해의 각 클래스 중에서 0이 아닌 계수가 가장 많이 나타난 클래스로 상기 테스트 신호를 분류할 수 있다.
상기 테스트 신호를 분류하는 단계는 상기 해를 기초로 클래스별 나머지를 계산하여 나머지가 최소인 클래스로 상기 테스트 신호를 분류하고, 상기 클래스별 나머지는 상기 해 중에서 자신 이외의 클래스의 원소를 0으로 채워 생성한 벡터를 상기 사전에 투영한 제1값과 상기 테스트 신호에 해당하는 제2값의 차이로 계산되는 값일 수 있다.
본 발명의 실시예에 따르면 잡음이 심하고 시간에 따라 변화하는 움직임 상상 뇌파 신호를 기존의 분류 방법보다 정확하게 분류할 수 있다. 특히, 판별이 어려운 테스트 신호를 분류할 때 기존의 선형 판별법보다 정확히 분류할 수 있다.
도 1은 본 발명의 한 실시예에 따른 뇌-컴퓨터 접속 장치의 개략적인 블록도이다.
도 2는 본 발명의 다른 실시예에 따른 뇌-컴퓨터 접속 장치의 개략적인 블록도이다.
도 3은 본 발명의 한 실시예에 따른 설계된 사전을 나타내는 도면이다.
도 4는 본 발명의 한 실시예에 따른 선형방정식을 나타내는 도면이다.
도 5는 본 발명의 한 실시예에 따른 CSP 필터링 전의 훈련 신호 관계를 나타내는 도면이다.
도 6은 본 발명의 한 실시예에 따른 CSP 필터링 후의 훈련 신호 관계를 나타내는 도면이다.
도 7은 본 발명의 한 실시예에 따른 분류 방법의 흐름도이다.
도 8은 선형 판별법에 의한 쉬운 분류 결과를 나타내는 도면이다.
도 9는 본 발명의 한 실시예에 따른 분류 결과를 나타내는 도면이다.
도 10은 선형 판별법에 의한 어려운 분류 결과를 나타내는 도면이다.
도 11은 본 발명의 다른 실시예에 따른 분류 결과를 나타내는 도면이다.
아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 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.
이제 도면을 참고하여 본 발명의 실시예에 따른 뇌-컴퓨터 접속 장치, 그리고 그의 분류 방법에 대해 설명한다.
도 1은 본 발명의 한 실시예에 따른 뇌-컴퓨터 접속 장치의 개략적인 블록도이다.
도 1을 참고하면, 뇌-컴퓨터 접속 장치(100)는 희소 표현 기반 분류(Sparse Representation-based Classification, SRC)를 통해 테스트 신호(
Figure pat00001
)를 어느 하나의 클래스(class)로 분류한다. 여기서, 클래스는 테스트 신호(
Figure pat00002
)를 분류하기 위해 나누어진 단위로서, 복수 개일 수 있다. 간단히, 클래스는 왼쪽 클래스와 오른쪽 클래스로 가정하고 설명한다. 여기서 희소 표현(sparse representation)이란 다양한 자연신호가 특정 기저에서는 희소(sparse)하기 때문에, 압축센싱(compressive sensing, CS)을 통해 자연신호들을 희소하게 표현(Sparse Representation)할 수 있다는 이론이다. 그리고, 이렇게 희소하게 표현 가능한 신호의 각 샘플은 모든 신호의 전체적인 관점을 담고 있기 때문에 간단한 선형적 투영 연산을 통하여 홀리스틱(holistic) 샘플로 압축될 수 있다. 이런 홀리스틱 샘플들은 양호한 신호 복구에 필요한 압축된 샘플들의 개수가 섀넌-나이퀴스트(Shannon-Nyquist) 샘플 개수보다 상당히 적다.
뇌-컴퓨터 접속 장치(100)는 분류하고자 하는 신호, 즉 테스트 신호(
Figure pat00003
)를 사전(dictionary,
Figure pat00004
)의 희소 표현을 기초로 해(
Figure pat00005
)를 구한다. 그리고 뇌-컴퓨터 접속 장치(100)는 해(
Figure pat00006
)를 기초로 테스트 신호(
Figure pat00007
)를 분류한다. 이를 위해, 뇌-컴퓨터 접속 장치(100)는 사전부(dictionary unit)(110), 풀이부(solving unit)(130), 그리고 분류부(classification unit)(150)를 포함한다.
사전부(110)는 훈련 신호를 기초로 사전(
Figure pat00008
)을 설계한다. 사전(
Figure pat00009
)은 훈련 신호(training signal)를 기초로 희소하게 표현된 행렬(
Figure pat00010
)로서, 테스트 신호(
Figure pat00011
)의 해를 찾을 수 있는 기능을 한다. 사전(
Figure pat00012
)은 수학식 1과 같이 나타낼 수 있다. 그리고, 수학식 1의 왼쪽 클래스에 대한 행렬(
Figure pat00013
)과 오른쪽 클래스에 대한 행렬(
Figure pat00014
)은 수학식 2와 같이 나타낼 수 있다. 여기서, 사전(
Figure pat00015
)은
Figure pat00016
차원이고,
Figure pat00017
는 훈련 신호의 개수이다.
Figure pat00018
Figure pat00019
사전부(110)는 훈련 신호를 열에 축적하여 사전(
Figure pat00020
)을 만들 수 있다. 또는 뇌파 신호의 분류 성능을 높이기 위해, 사전부(110)는 뇌파 신호를 다양한 필터링 방법으로 필터링하여 사전(
Figure pat00021
)을 만들 수 있다. 예를 들면, 사전부(110)는 CSP(common spatial pattern) 필터링 방법, PCA(Principal component analysis) 필터링 방법, 또는 ICA(Independent component analysis) 필터링 방법 등으로 훈련 신호를 필터링할 수 있다. 여기서는 CSP 필터링 방법 위주로 설명한다.
여기서 훈련 신호는 움직임 상상 실험을 통해 획득한 뇌파(electroencephalogram, EGG) 신호로서, 분류하고자 하는 복수의 클래스, 예를 들면 왼쪽 클래스와 오른쪽 클래스 각각에 해당하는 신호들이다. 훈련 신호를 획득하는 방법은 다양하다. 예를 들면, 피실험자들은 왼손과 오른손의 움직임 상상(motor imagery)에 대해 BCI 실험을 수행한다. 피실험자들은 두피에 부착된 금도금 전극을 부착하고, 정해진 뇌파 채널 수에 대해 측정한다. 실험이 시작되면 ‘왼손’또는 ‘오른손’의 문자지시가 무작위로 보이면, 피실험자는 지시에 맞게 왼쪽이나 오른쪽 손 움직임, 예를 들면 주먹을 꽉 쥐는 행동을 상상한다. 이렇게 수집된 신호를 명령(Cue)이 나타난 후 특정 시점부터 특정 구간, 예를 들면 256샘플을 추출한다. 그리고, 피실험자 별로 최적의 시작 시점이 다르기 때문에, 각 피실험자에 대해 분류 정확도가 최대가 되는 시작시점을 선택할 수 있다.
풀이부(130)는 사전(
Figure pat00022
)을 통해서 테스트 신호(
Figure pat00023
)의 해를 푼다. 즉, 풀이부(130)는 수학식 3의 선형방정식을 풀어 해(
Figure pat00024
)를 구한다.
Figure pat00025
해(
Figure pat00026
)는 테스트 신호(
Figure pat00027
)와 관계된 몇 개의 원소만 0이 아니고, 나머지 원소는 0인 희소 벡터(sparse vector)이다. 이때, 테스트 신호(
Figure pat00028
)의 희소 표현은 해(
Figure pat00029
)의 0이 아닌 원소의 개수가
Figure pat00030
보다 훨씬 적을 때 만들어진다.
풀이부(130)가 수학식 3을 풀 때, 사전(
Figure pat00031
)의 열의 크기(
Figure pat00032
)가 행(
Figure pat00033
)보다 큰 언더디터민드(underdetermined) 상태이다. 따라서, 풀이부(130)는 L1 최소화 방법(L1 norm minimization)으로 해(
Figure pat00034
)를 구하며, 수학식 4와 같이 표현된다.
Figure pat00035
예를 들어, 오른쪽 움직임 상상 신호에 해당하는 테스트 신호(
Figure pat00036
)가 입력되는 경우, 해(
Figure pat00037
)는 수학식 5와 같이 구해진다. 이때, 테스트 신호(
Figure pat00038
)는 오른쪽 움직임 상상 신호이므로, 수학식 6과 같이 0이 아닌 계수(coefficient)가 오른쪽 클래스에 해당하는 해(
Figure pat00039
)에 더 많이 나타난다.
Figure pat00040
Figure pat00041
분류부(150)는 해(
Figure pat00042
)를 기초로 테스트 신호(
Figure pat00043
)를 분류한다. 이때, 최소화 문제를 풀어 획득한 해(
Figure pat00044
)는 0이 아닌 원소들을 가지는데, 이 0이 아닌 원소들은 어느 하나의 클래스에 해당해야 한다. 하지만, 뇌파 신호는 잡음이 매우 심하기 때문에, 수학식 6과 같이 0이 아닌 원소들이 다른 클래스에도 나타날 수 있다. 따라서, 분류부(150)는 특성함수(
Figure pat00045
)를 이용하여, 해()가 어느 클래스에 해당하는지 분류한다. 여기서, 특성함수(
Figure pat00047
)는 해(
Figure pat00048
)에서, 다른 클래스와 관련된 모든 원소들을 0으로 채운(nullify) 벡터이다. 예를 들어, 특성함수(
Figure pat00049
)는 해(
Figure pat00050
)에서,
Figure pat00051
의 원소들을 0으로 채운 벡터(
Figure pat00052
)이고, 특성함수(
Figure pat00053
)는 해(
Figure pat00054
)에서,
Figure pat00055
의 원소들을 0으로 채운 벡터(
Figure pat00056
)이다.
분류부(150)는 수학식 7과 같이 특성함수(
Figure pat00057
)를 사전(
Figure pat00058
)에 투영한 값[
Figure pat00059
]과 테스트 신호(
Figure pat00060
)의 차이를 기초로 클래스별 나머지[
Figure pat00061
]를 계산한다. 그리고, 분류부(150)는 수학식 8과 같이 나머지[
Figure pat00062
]가 최소가 되는 클래스로 테스트 신호(
Figure pat00063
)를 분류한다.
Figure pat00064
Figure pat00065
도 2는 본 발명의 다른 실시예에 따른 뇌-컴퓨터 접속 장치의 개략적인 블록도이고, 도 3은 본 발명의 한 실시예에 따른 설계된 사전을 나타내는 도면이며, 도 4는 본 발명의 한 실시예에 따른 선형방정식을 나타내는 도면이다.
먼저, 도 2를 참고하면, 뇌-컴퓨터 접속 장치(100)는 사전부(110), 풀이부(130), 분류부(150), CSP(common spatial pattern) 필터링부(170) 그리고 특징 신호 추출부(feature extraction unit)(190)를 포함한다. 사전부(110)는 CSP 필터링부(170)와 특징 신호 추출부(190)를 거친 훈련 신호를 이용하여 사전(
Figure pat00066
)을 설계할 수 있다.
CSP 필터링부(170)는 입력 받은 훈련 신호를 공간적으로 필터링하여 하나의 클래스에 대해서는 최대화하고, 다른 클래스에 대해서는 최소화한다. 즉, CSP 필터링부(170)는 훈련 신호를 두 클래스, 즉 왼쪽 클래스와 오른쪽 클래스 사이의 연관(correlation)이 적은 신호로 만든다.
CSP 필터링부(170)가 수행하는 CSP 필터링은 다음과 같다. 여기서,
Figure pat00067
를 뇌파 신호의 세그먼트로 정의한다. 이때
Figure pat00068
는 뇌파 채널 수이고, T는 한 명의 피실험자에 대한 모든 시행의 샘플 시점(time point)이다. 뇌파 훈련 신호는 왼손 움직임 상상과 오른손 움직임 상상에 각각 해당하는 두 클래스(
Figure pat00069
,
Figure pat00070
)를 포함한다.
CSP 필터링부(170)는 CSP 알고리즘을 기초로 CSP 필터들의 셋트(set)인 필터 행렬(
Figure pat00071
)을 찾는다. 이때, 필터 행렬(
Figure pat00072
)의 각 열벡터(
Figure pat00073
)는
Figure pat00074
이다. CSP 필터링부(170)는 필터 행렬(
Figure pat00075
)의 앞쪽 n개의 CSP 필터와 뒤쪽 n개의 CSP 필터를 사용하여 2n CPS 필터(
Figure pat00076
)를 만든다. CSP 필터 행렬(
Figure pat00077
)은 수학식 9와 같이 나타내진다.
Figure pat00078
왼손과 오른손 움직임 상상에 해당하는 훈련 신호(
Figure pat00079
,
Figure pat00080
)는 수학식 10과 같이 CSP 필터링된 신호로 정의될 수 있다.
Figure pat00081
특징신호추출부(190)는 CSP 필터링한 신호 중에서 특정 주파수 대역의 신호를 특징 신호로 추출한다. 여기서 특징 신호는 두피의 감각운동 피질 부분의 감각운동 리듬(sensorimotor rhythms, SMRs)에 해당하는 신호일 수 있다. 특징신호추출부(190)는 다양한 방법으로 특징 신호를 추출할 수 있다. 특징신호추출부(190)는 특정 주파수 대역의 밴드파워(band power)를 계산하여 특징 신호를 추출한다. 또는 특징신호추출부(190)는 각각의 CSP 채널에 대해 FFT(fast Fourier Transform)로 획득한 특정 주파수 대역의 계수를 특징 신호로 추출할 수 있다. 특정 주파수 대역은 감각운동 리듬(SMRs)의 Mu(8-14Hz) 또는 Beta(15-30Hz) 대역의 일부 대역일 수 있다.
사전부(110)는 CSP 필터링부(170)와 특징 신호 추출부(190)를 거친 훈련 신호를 이용하여 사전(
Figure pat00082
)을 설계한다. 도 3을 참고하면, 사전(
Figure pat00083
)은 왼쪽 클래스에 대한 행렬(
Figure pat00084
)과 오른쪽 클래스에 대한 행렬(
Figure pat00085
)로 구성된다. 그리고 사전(
Figure pat00086
)의 행의 수는 CSP 필터의 수이고, 각 클래스의 열의 수는 각 클래스의 훈련 신호의 수이다.
다시 도 2를 참고하면, 풀이부(130)는 사전(
Figure pat00087
)을 통해서 테스트 신호(
Figure pat00088
)의 해를 푼다. 이때, 풀이부(130)는 L1 최소화 방법(L1 norm minimization)으로 해(
Figure pat00089
)를 구한다. 이때, 테스트 신호(
Figure pat00090
)는 사전(
Figure pat00091
)의 열을 만드는 방식과 같이 CSP 필터링부(170)와 특징 신호 추출부(190)를 거친 신호이며, 벡터화를 통해 m 차원의 벡터(
Figure pat00092
)로 변환된다. 도 4를 참고하면, 풀이부(130)는 수학식 4의 선형방정식(
Figure pat00093
)을 푼다. 만약, 오른쪽 클래스에 해당하는 테스트 신호(
Figure pat00094
)가 입력되는 경우, 해(
Figure pat00095
) 중에서 오른쪽 클래스(
Figure pat00096
)에서 0이 아닌 계수(scalar coefficient)들이 다른 클래스보다 더 나타난다.
다시 도 2를 참고하면, 분류부(150)는 특성함수(
Figure pat00097
)를 기초로 클래스별 나머지(
Figure pat00098
)를 계산하고, 나머지가 최소가 되는 클래스로 테스트 신호(
Figure pat00099
)를 분류한다.
다음에서 특징신호추출부(190)가 특징 신호를 추출하는 다양한 방법에 대해 설명한다.
특징신호추출부(190)는 밴드파워 계산(band power computation)을 통해 특징 신호를 추출할 수 있다. 이 경우, 특징신호추출부(190)는 CSP 필터링한 신호의 세컨드 모멘트(second moment)를 계산하여 특정 주파수 대역의 밴드파워를 계산한다. 사전(
Figure pat00100
)은 밴드파워 계산으로 추출한 각 성분(element)을 이용하여 설계된다. 즉, 사전(
Figure pat00101
)의 열은 2n개의 밴드파워로 구성될 수 있다.
또는, 특징신호추출부(190)는 FFT를 통해 특징 신호를 추출할 수 있다. 이 경우, 특징신호추출부(190)는 특정 주파수 대역에 해당하는 계수만을 남긴다. 특징신호추출부(190)에서 출력된 신호는 수학식 11과 같이 나타낼 수 있다.
Figure pat00102
여기서,
Figure pat00103
는 특징 신호로 추출된 열의 개수이다. 예를 들어, 샘플링 주파수가 256 samples/sec이고, 주파수 해상도가 1Hz이며, Mu(8~14Hz)와 Beta(15~30Hz)에 해당하는 밴드파워를 추출하는 경우,
Figure pat00104
는 최대 24이다.
이 경우, 사전부(110)는
Figure pat00105
의 2n개의 행들을 연결한 뒤 트랜스포즈(transpose)하여 벡터화하여 사전(
Figure pat00106
)의 왼쪽 행렬(
Figure pat00107
)을 설계한다. 마찬가지로, 사전부(110)는
Figure pat00108
의 2n개의 행들을 연결한 뒤 트랜스포즈하여 벡터화하여 사전(
Figure pat00109
)의 오른쪽 행렬(
Figure pat00110
)을 설계한다.
도 5는 본 발명의 한 실시예에 따른 CSP 필터링 전의 훈련 신호 관계를 나타내는 도면이고, 도 6은 본 발명의 한 실시예에 따른 CSP 필터링 후의 훈련 신호 관계를 나타내는 도면이다.
먼저 도 5를 참고하면, CSP 필터링 전의 훈련 신호는 왼쪽과 오른쪽 샘플이 연관(correlation)되어 있다.
다음 도 6을 참고하면, CSP 필터링 후의 훈련 신호는 CSP 필터링 전보다 연관이 적다. 즉, CSP 필터링이란 입력받은 훈련 신호를 공간적으로 필터링하여 하나의 클래스에 대해서는 최대화하고, 다른 클래스에 대해서는 최소화하기 때문에, CSP 필터링 후의 왼쪽과 오른쪽 샘플들은 CSP 필터링 전의 왼쪽과 오른쪽 샘플들에 비해 연관이 적어 잘 구분된다
따라서, 뇌-컴퓨터 접속 장치(100)는 훈련 신호를 CSP 필터링하여 사전(
Figure pat00111
)을 만들면, 불규칙(incoherent)한 사전(
Figure pat00112
)을 설계할 수 있다. 그리고, 압축센싱 시, 사전(
Figure pat00113
)이 불규칙할수록 희소 표현 기반 분류의 정확도를 높일 수 있다. 결국, 뇌-컴퓨터 접속 장치(100)는 잡음이 매우 심하고 시간에 따라 변화하여 분류가 쉽지 않은 움직임 상상 뇌파 신호를 더 정확히 분류할 수 있다.
도 7은 본 발명의 한 실시예에 따른 분류 방법의 흐름도이다.
도 7을 참고하면, 뇌-컴퓨터 접속 장치(100)는 각 클래스에 해당하는 훈련 신호를 획득한다(S710). 훈련 신호는 움직임 상상 실험을 통해 획득한 뇌파 신호이다.
뇌-컴퓨터 접속 장치(100)는 훈련 신호를 하나의 클래스에 대해서는 최대화하고, 다른 클래스에 대해서는 최소화하는 CSP 필터링을 한다(S720). 뇌-컴퓨터 접속 장치(100)는 CSP 필터링을 통해 훈련 신호에서 왼쪽 클래스와 오른쪽 클래스의 연관을 줄여 구분이 잘 되도록 처리한다.
뇌-컴퓨터 접속 장치(100)는 CSP 필터링한 신호를 기초로 테스트 신호(
Figure pat00114
)의 해(
Figure pat00115
)를 풀기 위한 사전(
Figure pat00116
)을 설계한다(S730). 뇌-컴퓨터 접속 장치(100)는 훈련 신호의 정보가 희소 표현된 사전(
Figure pat00117
)을 만든다. 특히, 뇌-컴퓨터 접속 장치(100)는 CSP 필터링한 신호를 기초로 불규칙(incoherent)한 사전(
Figure pat00118
)을 설계할 수 있다. 이때, 뇌-컴퓨터 접속 장치(100)는 CSP 필터링한 신호 중에서 특정 주파수 대역의 신호를 특징 신호로 추출하고, 이 특징 신호를 기초로 사전(
Figure pat00119
)을 설계할 수 있다. 즉, 뇌-컴퓨터 접속 장치(100)는 감각운동 리듬에 해당하는 신호를 특징 신호로 추출할 수 있다.
뇌-컴퓨터 접속 장치(100)는 테스트 신호(
Figure pat00120
)를 입력받아 선형방정식(
Figure pat00121
)의 해(
Figure pat00122
)를 구한다(S740). 이때, 선형방정식은 언더디터민드(underdetermined) 상태이므로, 뇌-컴퓨터 접속 장치(100)는 L1 최소화 방법으로 해(
Figure pat00123
)를 구한다.
뇌-컴퓨터 접속 장치(100)는 클래스가 구분된 해(
Figure pat00124
) 중에서 0이 아닌 계수의 분포를 기초로 테스트 신호(
Figure pat00125
)를 분류한다(S750). 해(
Figure pat00126
)는 테스트 신호(
Figure pat00127
)와 관계된 몇 개의 원소만 0이 아니고, 나머지 원소는 0인 희소 벡터이다. 따라서, 뇌-컴퓨터 접속 장치(100)는 왼쪽 클래스에 해당하는 해(
Figure pat00128
)의 계수들이 다른 클래스보다 더 나타나면 테스트 신호(
Figure pat00129
)를 왼쪽으로 분류하고, 오른쪽 클래스에 해당하는 해(
Figure pat00130
)의 계수들이 다른 클래스보다 더 나타나면 테스트 신호(
Figure pat00131
)를 오른쪽으로 분류한다. 이를 위해, 뇌-컴퓨터 접속 장치(100)는 해(
Figure pat00132
)에서, 다른 클래스와 관련된 모든 원소들을 0으로 채운 벡터인 특성함수(
Figure pat00133
)를 이용하여 수학식 7과 같이 클래스별 나머지를 계산한다. 그리고, 뇌-컴퓨터 접속 장치(100)는 수학식 8과 같이 나머지가 최소가 되는 클래스로 테스트 신호(
Figure pat00134
)를 분류할 수 있다.
도 8은 선형 판별법에 의한 쉬운 분류 결과를 나타내는 도면이고, 도 9는 본 발명의 한 실시예에 따른 분류 결과를 나타내는 도면이다.
도 8을 참고하면, 선형 판별법(Linear Discriminant Analysis, LDA)은 오른쪽 훈련 신호(o 표시)와 왼쪽 훈련 신호(x 표시)를 각각 매핑한다. 그리고, 오른쪽 훈련 신호와 왼쪽 훈련 신호를 가르는 판별선(decision line)을 기초로 테스트 신호를 분류한다. 즉, 선형 판별법은 테스트 신호가 판별선 아래로 매핑되면 오른쪽 상상 신호로 분류하고, 판별선 위에 매핑되면 왼쪽 상상 신호로 분류한다. 이때, 판별이 쉬운 왼쪽 테스트 신호가 입력되면, 왼쪽 테스트 신호는 판별선에서 떨어진 위치에 매핑되어, 선형 판별법은 쉽게 테스트 신호를 왼쪽 상상 신호로 분별한다.
도 9를 참고하면, 뇌-컴퓨터 접속 장치(100) 역시 판별이 쉬운 테스트 신호가 입력되면, 0이 아닌 계수들이 거의 왼쪽 해에 나타나므로, 테스트 신호를 왼쪽 상상 신호로 쉽게 분별한다.
도 10은 선형 판별법에 의한 어려운 분류 결과를 나타내는 도면이고, 도 11은 본 발명의 다른 실시예에 따른 분류 결과를 나타내는 도면이다.
도 10을 참고하면, 선형 판별법은 판별이 어려운 테스트 신호가 입력되면, 판별선 근처에 매핑된다. 따라서, 왼쪽 테스트 신호는 왼쪽 신호임에도 불구하고, 판별선 아래에 매핑될 수 있다. 이 경우, 선형 판별법은 왼쪽 테스트 신호를 오른쪽 상상 신호로 잘못 분류할 수 있다. 이렇게 선형 판별법은 판별이 어려운 지역(grey region)이 존재하기 때문에, 테스트 신호를 정확히 분류하기에는 한계가 있다.
도 11을 참고하면, 뇌-컴퓨터 접속 장치(100)는 판별이 어려운 테스트 신호가 입력되면, 0이 아닌 계수들이 왼쪽 해뿐만 아니라 오른쪽 해에도 일부 나타난다. 그러나, 뇌-컴퓨터 접속 장치(100)는 테스트 신호의 희소 표현을 기초로 희소 벡터를 계산하므로, 왼쪽에 나타난 계수들이 오른쪽에 나타난 계수들보다 더 표현된다. 따라서, 뇌-컴퓨터 접속 장치(100)는 판별이 어려운 테스트 신호가 입력되더라도 정확히 분류할 가능성이 높다.
이상에서 설명한 본 발명의 실시예는 장치 및 방법을 통해서만 구현이 되는 것은 아니며, 본 발명의 실시예의 구성에 대응하는 기능을 실현하는 프로그램 또는 그 프로그램이 기록된 기록 매체를 통해 구현될 수도 있다.
이상에서 본 발명의 실시예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다.

Claims (20)

  1. 뇌파 신호인 테스트 신호를 복수의 클래스 중 어느 하나로 분류하는 뇌-컴퓨터 접속 장치로서,
    상기 테스트 신호를 분류하기 위한 사전(dictionary)을 각 클래스의 훈련 신호를 기초로 설계하는 사전부,
    상기 사전을 기초로 상기 테스트 신호의 해를 구하는 풀이부, 그리고
    상기 해의 각 클래스에 나타난 0이 아닌 계수의 분포를 기초로 상기 테스트 신호를 분류하는 분류부
    를 포함하는 뇌-컴퓨터 접속 장치.
  2. 제1항에서,
    상기 훈련 신호를 하나의 클래스에 대해서는 최대화하고, 다른 클래스에 대해서는 최소화하는 CSP(common spatial pattern) 필터링을 하여 CSP 필터링된 신호를 출력하는 CSP 필터링부를 더 포함하고,
    상기 사전부는 상기 CSP 필터링된 신호를 기초로 상기 사전을 설계하는 뇌-컴퓨터 접속 장치.
  3. 제2항에서,
    상기 사전부는
    상기 복수의 클래스 각각에 대응하는 복수의 행렬로 구성되고, 행의 수는 CSP 필터의 수이며, 각 클래스의 열의 수는 각 클래스의 훈련 신호의 수인 상기 사전을 설계하는 뇌-컴퓨터 접속 장치.
  4. 제2항에서,
    상기 CSP 필터링된 신호 중에서 특정 주파수 대역의 신호를 특징 신호로 추출하는 특징신호추출부를 더 포함하고,
    상기 사전부는 상기 특징 신호를 기초로 상기 사전을 설계하는 뇌-컴퓨터 접속 장치.
  5. 제4항에서,
    상기 특정 주파수 대역은 두피의 감각운동 피질 부분의 감각운동 리듬에 해당하는 주파수 대역인 뇌-컴퓨터 접속 장치.
  6. 제1항에서,
    상기 풀이부는
    L1 최소화 방법으로 상기 해를 구하는 뇌-컴퓨터 접속 장치.
  7. 제1항에서,
    상기 분류부는
    상기 해의 각 클래스 중에서 0이 아닌 계수가 가장 많이 나타난 클래스로 상기 테스트 신호를 분류하는 뇌-컴퓨터 접속 장치.
  8. 제1항에서,
    상기 분류부는
    상기 해를 기초로 클래스별 나머지를 계산하여 나머지가 최소인 클래스로 상기 테스트 신호를 분류하고,
    상기 클래스별 나머지는 상기 해 중에서 자신 이외의 클래스의 원소를 0으로 채워 생성한 벡터를 상기 사전에 투영한 제1값과 상기 테스트 신호에 해당하는 제2값의 차이로 계산되는 값인 뇌-컴퓨터 접속 장치.
  9. 제1항에서,
    상기 훈련 신호와 상기 테스트 신호는 움직임 상상 기반 뇌파 신호인 뇌-컴퓨터 접속 장치.
  10. 제1항에서,
    상기 복수의 클래스는 왼쪽 움직임 상상에 해당하는 왼쪽 클래스와 오른쪽 움직임 상상에 해당하는 오른쪽 클래스를 포함하는 뇌-컴퓨터 접속 장치.
  11. 뇌-컴퓨터 접속 장치가 뇌파 신호인 테스트 신호를 복수의 클래스 중 어느 하나로 분류하는 방법으로서,
    각 클래스에 해당하는 훈련 신호를 획득하는 단계,
    상기 훈련 신호를 하나의 클래스에 대해서는 최대화하고, 다른 클래스에 대해서는 최소화하는 CSP(Common Spatial Pattern) 필터링하여 CSP 필터링한 신호를 생성하는 단계,
    상기 CSP 필터링한 신호를 기초로 상기 테스트 신호의 해를 풀기 위한 사전(dictionary)을 설계하는 단계,
    상기 사전을 기초로 상기 테스트 신호의 해를 구하는 단계, 그리고
    상기 해의 각 클래스에 나타난 0이 아닌 계수의 분포를 기초로 상기 테스트 신호를 분류하는 단계
    를 포함하는 분류 방법.
  12. 제11항에서,
    상기 훈련 신호와 상기 테스트 신호는 움직임 상상 기반 뇌파 신호인 분류 방법.
  13. 제11항에서,
    상기 복수의 클래스는 왼쪽 움직임 상상에 해당하는 왼쪽 클래스와 오른쪽 움직임 상상에 해당하는 오른쪽 클래스를 포함하는 분류 방법.
  14. 제11항에서,
    상기 사전을 설계하는 단계는
    상기 복수의 클래스 각각에 대응하는 복수의 행렬로 구성되고, 행의 수는 CSP 필터의 수이며, 각 클래스의 열의 수는 각 클래스의 훈련 신호의 수인 상기 사전을 설계하는 분류 방법.
  15. 제11항에서,
    상기 CSP 필터링된 신호 중에서 특정 주파수 대역의 신호를 특징 신호로 추출하는 단계를 더 포함하고,
    상기 사전을 설계하는 단계는 상기 특징 신호를 기초로 상기 사전을 설계하는 분류 방법.
  16. 제15항에서,
    상기 특정 주파수 대역은 두피의 감각운동 피질 부분의 감각운동 리듬에 해당하는 주파수 대역인 분류 방법.
  17. 제11항에서,
    상기 해를 구하는 단계는
    L1 최소화 방법으로 상기 해를 구하는 분류 방법.
  18. 제11항에서,
    상기 해를 구하는 단계는
    0이 아닌 계수의 개수가 각 클래스의 훈련 신호의 개수보다 희소하다고 판단될 수 있는 정도로 적은 상기 해를 구하는 분류 방법.
  19. 제11항에서,
    상기 테스트 신호를 분류하는 단계는
    상기 해의 각 클래스 중에서 0이 아닌 계수가 가장 많이 나타난 클래스로 상기 테스트 신호를 분류하는 분류 방법.
  20. 제11항에서,
    상기 테스트 신호를 분류하는 단계는
    상기 해를 기초로 클래스별 나머지를 계산하여 나머지가 최소인 클래스로 상기 테스트 신호를 분류하고, 상기 클래스별 나머지는 상기 해 중에서 자신 이외의 클래스의 원소를 0으로 채워 생성한 벡터를 상기 사전에 투영한 제1값과 상기 테스트 신호에 해당하는 제2값의 차이로 계산되는 값인 분류 방법.
KR1020120039497A 2011-05-09 2012-04-17 뇌-컴퓨터 접속 장치, 그리고 그의 분류 방법 KR101380964B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020120039497A KR101380964B1 (ko) 2011-05-09 2012-04-17 뇌-컴퓨터 접속 장치, 그리고 그의 분류 방법
PCT/KR2012/003572 WO2012153965A2 (ko) 2011-05-09 2012-05-07 뇌-컴퓨터 접속 장치, 그리고 그의 분류 방법

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
KR1020110043567 2011-05-09
KR20110043567 2011-05-09
KR1020120039497A KR101380964B1 (ko) 2011-05-09 2012-04-17 뇌-컴퓨터 접속 장치, 그리고 그의 분류 방법

Publications (2)

Publication Number Publication Date
KR20120125948A true KR20120125948A (ko) 2012-11-19
KR101380964B1 KR101380964B1 (ko) 2014-04-04

Family

ID=47139796

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020120039497A KR101380964B1 (ko) 2011-05-09 2012-04-17 뇌-컴퓨터 접속 장치, 그리고 그의 분류 방법

Country Status (2)

Country Link
KR (1) KR101380964B1 (ko)
WO (1) WO2012153965A2 (ko)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101524585B1 (ko) * 2013-08-08 2015-06-04 중앙대학교 산학협력단 뇌파 분류 장치 및 방법
KR20200049287A (ko) * 2018-10-31 2020-05-08 울산과학기술원 사용자의 의사결정 예측 방법 및 장치
KR20200075153A (ko) * 2018-12-13 2020-06-26 성균관대학교산학협력단 뇌파 기반의 사용자 의도 인식 방법 및 장치
KR20210051525A (ko) 2019-10-30 2021-05-10 고려대학교 산학협력단 뇌전도 신호의 tdp와 상관관계 계수를 이용한 운동 심상 분류 장치 및 방법
KR20210052986A (ko) 2019-11-01 2021-05-11 고려대학교 산학협력단 뇌전도 신호의 분해를 이용한 상관관계 계수 특징 기반 인지 심상 분류 장치 및 방법

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104473635B (zh) * 2014-12-16 2016-07-06 重庆邮电大学 混合小波和共同空间模式的左右手运动想象脑电信号特征提取方法
CN104771163B (zh) * 2015-01-30 2018-01-02 杭州电子科技大学 基于csp和r‑csp算法的脑电信号特征提取方法
CN105962932B (zh) * 2016-04-20 2018-09-11 西安电子科技大学 基于子空间正交向量的峰电位检测方法
CN107423668B (zh) * 2017-04-14 2022-09-27 山东建筑大学 基于小波变换和稀疏表达的脑电信号分类系统与方法
CN107292329B (zh) * 2017-04-19 2020-10-16 西北工业大学 基于ci-csp算法的事件想象分类方法
US10582316B2 (en) 2017-11-30 2020-03-03 Starkey Laboratories, Inc. Ear-worn electronic device incorporating motor brain-computer interface
US20200229730A1 (en) * 2019-01-17 2020-07-23 Mitsubishi Electric Research Laboratories, Inc. Methods and Systems for Source Connectivity Estimation With Hierarchical Structural Vector Autoregressive Models
CN110321856B (zh) * 2019-07-08 2023-01-10 山东大学 一种时频多尺度散度csp的脑机接口方法及装置
CN110516711B (zh) * 2019-07-25 2022-10-21 安徽大学 Mi-bci系统的训练集质量评估方法和单次训练样本的优化方法
CN112971813A (zh) * 2021-01-30 2021-06-18 上海麓联智能科技有限公司 一种用于神经信号的峰电位分类系统及分类方法
CN113780392B (zh) * 2021-08-31 2024-03-19 杭州电子科技大学 一种运动想象脑电识别的通道选择方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050085744A1 (en) * 2003-10-20 2005-04-21 Stmicroelectronics S.R.I. Man-machine interfaces system and method, for instance applications in the area of rehabilitation
US7120486B2 (en) * 2003-12-12 2006-10-10 Washington University Brain computer interface
CN101965588A (zh) * 2008-01-31 2011-02-02 伊利诺伊大学评议会 经高维数据分类的识别
KR101068017B1 (ko) * 2009-10-07 2011-09-26 포항공과대학교 산학협력단 뇌-컴퓨터 인터페이스를 위한 합성 공통 공간 패턴 분석 방법 및 이를 이용한 뇌파 분석 방법

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101524585B1 (ko) * 2013-08-08 2015-06-04 중앙대학교 산학협력단 뇌파 분류 장치 및 방법
KR20200049287A (ko) * 2018-10-31 2020-05-08 울산과학기술원 사용자의 의사결정 예측 방법 및 장치
KR20200075153A (ko) * 2018-12-13 2020-06-26 성균관대학교산학협력단 뇌파 기반의 사용자 의도 인식 방법 및 장치
KR20210051525A (ko) 2019-10-30 2021-05-10 고려대학교 산학협력단 뇌전도 신호의 tdp와 상관관계 계수를 이용한 운동 심상 분류 장치 및 방법
KR20210052986A (ko) 2019-11-01 2021-05-11 고려대학교 산학협력단 뇌전도 신호의 분해를 이용한 상관관계 계수 특징 기반 인지 심상 분류 장치 및 방법

Also Published As

Publication number Publication date
WO2012153965A2 (ko) 2012-11-15
KR101380964B1 (ko) 2014-04-04
WO2012153965A3 (ko) 2013-02-21

Similar Documents

Publication Publication Date Title
KR101380964B1 (ko) 뇌-컴퓨터 접속 장치, 그리고 그의 분류 방법
Zhang et al. Bayesian learning for spatial filtering in an EEG-based brain–computer interface
Shin et al. Sparse representation-based classification scheme for motor imagery-based brain–computer interface systems
CN111265212A (zh) 一种运动想象脑电信号分类方法及闭环训练测试交互系统
Ameri et al. Projective dictionary pair learning for EEG signal classification in brain computer interface applications
KR101068017B1 (ko) 뇌-컴퓨터 인터페이스를 위한 합성 공통 공간 패턴 분석 방법 및 이를 이용한 뇌파 분석 방법
Uehara et al. Robust averaging of covariances for EEG recordings classification in motor imagery brain-computer interfaces
Hettiarachchi et al. Motor imagery data classification for BCI application using wavelet packet feature extraction
Vega-Escobar et al. Feature extraction schemes for BCI systems
Caramia et al. Optimizing spatial filter pairs for EEG classification based on phase-synchronization
Lotte et al. EEG feature extraction
Ghaheri et al. Extracting common spatial patterns from EEG time segments for classifying motor imagery classes in a Brain Computer Interface (BCI)
Abbas et al. FBCSP-based multi-class motor imagery classification using BP and TDP features
Nakra et al. Feature Extraction and Dimensionality Reduction Techniques with Their Advantages and Disadvantages for EEG-Based BCI System: A Review.
Upadhyay et al. Feature extraction and classification of imagined motor movement electroencephalogram signals
KR101345216B1 (ko) 다수 피험자의 뇌전도 분석 방법 및 장치
KR102340544B1 (ko) 뇌전도 신호의 tdp와 상관관계 계수를 이용한 운동 심상 분류 장치 및 방법
Ghaheri et al. Temporal windowing in CSP method for multi-class Motor Imagery Classification
Puri et al. Wavelet packet sub-band based classification of alcoholic and controlled state EEG signals
Mohammadi et al. Electroencephalography-based brain–Computer interface motor imagery classification
Gupta et al. Improved classification of motor imagery datasets for BCI by using approximate entropy and WOSF features
Higashi et al. Regularization using geometric information between sensors capturing features from brain signals
Mo et al. EEG classification based on sparse representation
Loza et al. Unsupervised robust detection of behavioral correlates in ECoG
Thang et al. Investigation of regularization theory for four-class classification in brain-computer interface

Legal Events

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

Payment date: 20161219

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20180226

Year of fee payment: 5

LAPS Lapse due to unpaid annual fee