KR20140019515A - 복수 개의 채널에서 측정되는 인간 뇌파의 채널 간 상관관계를 분석하는 방법 및 복수 개의 채널에서 측정되는 인간 뇌파의 채널 간 상관관계를 이용하여 인간 의도를 인식하는 방법 - Google Patents

복수 개의 채널에서 측정되는 인간 뇌파의 채널 간 상관관계를 분석하는 방법 및 복수 개의 채널에서 측정되는 인간 뇌파의 채널 간 상관관계를 이용하여 인간 의도를 인식하는 방법 Download PDF

Info

Publication number
KR20140019515A
KR20140019515A KR1020120085599A KR20120085599A KR20140019515A KR 20140019515 A KR20140019515 A KR 20140019515A KR 1020120085599 A KR1020120085599 A KR 1020120085599A KR 20120085599 A KR20120085599 A KR 20120085599A KR 20140019515 A KR20140019515 A KR 20140019515A
Authority
KR
South Korea
Prior art keywords
channels
channel
correlation
inter
value
Prior art date
Application number
KR1020120085599A
Other languages
English (en)
Other versions
KR101462869B1 (ko
Inventor
홍광석
김동규
정광우
Original Assignee
성균관대학교산학협력단
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 성균관대학교산학협력단 filed Critical 성균관대학교산학협력단
Priority to KR1020120085599A priority Critical patent/KR101462869B1/ko
Publication of KR20140019515A publication Critical patent/KR20140019515A/ko
Application granted granted Critical
Publication of KR101462869B1 publication Critical patent/KR101462869B1/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
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A61B5/372—Analysis of electroencephalograms
    • A61B5/374—Detecting the frequency distribution of signals, e.g. detecting delta, theta, alpha, beta or gamma waves
    • 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
    • A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Psychiatry (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Psychology (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Neurosurgery (AREA)
  • Operations Research (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Physiology (AREA)
  • Dermatology (AREA)
  • Evolutionary Biology (AREA)
  • Human Computer Interaction (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Probability & Statistics with Applications (AREA)
  • Artificial Intelligence (AREA)
  • Algebra (AREA)
  • Neurology (AREA)

Abstract

본 발명의 일 실시예에 따른 복수 개의 채널에서 측정되는 인간 뇌파의 채널 간 상관관계를 이용하여 인간 의도를 인식하는 방법은 (A1) 피험자의 뇌파를 M개의 채널을 통해 측정하고, 뇌파에 대한 채널 간 상관계수를 연산하는 단계, (A2) 연산된 채널 간 상관계수에 대한 p개의 통계적 특징값을 연산하는 단계, (A3) 연산된 채널 간 상관계수 중 양의 값이 큰 순서대로 w개를 선택하고, 연산된 채널 간 상관계수 중 음의 값이 큰 순서대로 w개를 선택하여 기준채널을 추출하는 단계 및 (A4) 후보 모델 중에서 기준 채널과 동일한 위치의 채널 간의 상관계수에 대한 통계적 특징값이 기준 채널 간의 상관계수에 대한 통계적 특징값과 가장 유사한 후보 모델을 피험자의 의도로 선정하는 단계를 포함할 수 있다. 뇌파의 채널간 상관관계 특징 정보를 제공함으로써, 다양한 뇌 활동에 따른 뇌파를 분석 및 인식할 수 있다.

Description

복수 개의 채널에서 측정되는 인간 뇌파의 채널 간 상관관계를 분석하는 방법 및 복수 개의 채널에서 측정되는 인간 뇌파의 채널 간 상관관계를 이용하여 인간 의도를 인식하는 방법{METHOD FOR ANALYZING CORRELATION CHARACTERISTICS OF ELECTROENCEPHALOGRAM BETWEEN EEG CHANNELS AND METHOD FOR RECOGNIZING HUMAN INTENTIONS USING CORRELATION CHARACTERISTICS OF ELECTROENCEPHALOGRAM BETWEEN EEG CHANNELS}
본 발명은 뇌파 측정 장치의 M개의 채널을 통해 측정되는 채널 간 상관관계를 분석하는 방법 및 채널 간 상관관계를 이용하여 인간의 의도를 인식하는 방법에 관한 것이다.
고령화와 급격한 산업화로 인한 여러 가지 재해로 선천적 혹은 후천적으로 신체 일부의 기능을 상실하는 인구의 수가 급격하게 늘어나고 있다. 이들의 삶의 질 향상과 가족들의 간호 부담을 줄이기 위해 모든 사고(思考)의 근원인 뇌에서 발생하는 뇌파를 이용하여 환자 스스로 키보드, 로봇팔, 휠체어와 같은 외부기기를 조절할 수 있도록 도와주는 뇌-컴퓨터 인터페이스 (brain-computer interface : BCI) 혹은 뇌-기계 인터페이스 (brain-machine interface : BMI) 분야의 연구가 활발히 수행되고 있다. 나아가 범용적인 인터페이스 수단으로 BCI 기술에 대한 연구가 활발하게 진행되고 있다.
BCI를 위해서는 기본적으로 인간 뇌파를 분석하고, 분석 결과가 인간의 특정 의사 내지 의도로 결정되어야 한다.
뇌파의 특징 분석은 뇌 활동 시 발생하는 뇌파 데이터를 취득하고 취득된 뇌파 데이터로부터 각 채널의 시간축 데이터와 주파수 대역 성분을 추출하여 분석한다. 기존의 연구 사례에서는 뇌파의 시간축 데이터에 대한 에너지 크기를 비교하거나, 뇌파의 주파수 대역 성분 분석을 델타(1~3Hz), 세타(4~7Hz), 알파(8~13Hz), 베타(14~30Hz), 감마(31~50Hz) 등으로 구분하여 각 주파수 대역 성분의 에너지 크기를 비교 하거나 PCA(Principal Component Analysis)등의 알고리즘을 사용하여 특징을 분석한다.
그리고 뇌파 인식은 뇌파의 시간축 데이터 및 주파수 대역 성분의 에너지 크기를 k-NN(k-Nearest Neighbor)등의 알고리즘을 사용하여 인식 결과를 도출하는 방법을 주로 사용한다.
Liang SF, Lin CT 등이 발표한 "Monitoring Driver's Alertness Based on the Driving Performance Estimation and the EEG Power Spectrum Analysis", (Proceedings of the 2005 IEEE Engineering in Medicine and Biology 27th Annual Conference Shanghai, China, September 1-4, 2005, 6:5738-41)의 연구사례에서 뇌파를 이용한 졸음운전에 대한 예측 연구가 진행된바 있다. 가상 도로 운전 시스템을 이용하여 도로 운전시 운전자의 뇌파를 수집하였고, 졸음운전이 발생하기 쉬운 운전 구간의 뇌파를 분석 및 예측하였다. 전체 33개의 뇌파 채널에서 각 채널의 주파수 대역 성분(1~40Hz, 1Hz단위, 2초구간)에 대한 여러 가지 운전 구간 간의 상관계수 값을 계산한다. 일예로, 동일한 직진 운전 구간에서 첫 번째로 수집한 뇌파와 두 번째로 수집한 뇌파에 대하여 상관계수 값을 계산한다. 그리고 분석 결과로부터 상관계수가 가장 높은 2개 채널을 선택한다. 선택된 2개 채널의 주파수 대역 성분에 대하여 PCA 알고리즘으로 특징을 추출 및 LRM(Linear Regression Model) 알고리즘을 사용하여 졸음운전을 예측 하였다.
본 발명은 뇌파 측정 장치에서 M개 채널 간의 상관관계를 분석하고자 한다.
본 발명은 각 채널 간의 시간축 데이터 및 주파수 대역 성분의 에너지 크기에 대한 통계적인 상관관계를 분석하고자 한다.
본 발명은 각 채널 간의 통계적인 상관관계 특징을 미리 만들어진 후보 모델과 비교하여 인간 의도를 인식하는 방법을 제공하고자 한다.
본 발명의 해결과제는 이상에서 언급된 것들에 한정되지 않으며, 언급되지 아니한 다른 해결과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
상기 과제를 해결하기 위하여 이하 설명하는 복수 개의 채널에서 측정되는 인간 뇌파의 채널 간 상관관계를 분석하는 방법은 (a) 피험자의 뇌파를 뇌파 측정 장치의 M개의 채널을 통해 측정하는 단계, (b) 채널을 통해 측정되는 뇌파 데이터에 대한 전처리를 수행하는 단계, (c) 전처리된 뇌파 데이터를 이용하여 채널 간 상관계수를 연산하는 단계 및 (d) 연산된 채널 간 상관계수를 이용하여 채널간 상관관계를 분석하는 단계를 포함한다.
(b) 단계는 각 채널 전압값의 뇌파 데이터로부터 DC 성분 값을 제거하여 수행되는 된다.
(c)단계에서 채널 간 상관계수는 시간축 데이터 및 주파수 대역 성분에 대해 연산되는 것이고, 주파수 대역 성분은 델타(1~3Hz), 세타(4~7Hz), 알파(8~13Hz), 베타(14~30Hz), 감마(31~50Hz), 51~59Hz 또는 1~59Hz 중 하나 이상이다.
(c)단계에 시간축 데이터의 채널 간 상관계수(
Figure pat00001
)는 아래의 식으로 연산된다.
Figure pat00002
여기서,
Figure pat00003
은 i 채널의 n 번째 샘플 데이터,
Figure pat00004
는 해당구간에서 i 채널의 샘플 데이터 N개의 평균값,
Figure pat00005
은 j 채널의 n 번째 샘플 데이터,
Figure pat00006
는 해당구간에서 j 채널의 샘플 데이터 N개의 평균값을 의미하고, i와 j는 서로 다른 채널이다.
Figure pat00007
는 -1
Figure pat00008
+1 범위의 값을 갖고, (d) 단계는
Figure pat00009
값이 (-)인 경우 i와 j채널이 음의 상관관계라고 분석하고,
Figure pat00010
값이 (+)인 경우 i와 j채널이 양의 상관관계라고 분석하며,
Figure pat00011
값이 0(zero)인 경우 i와 j채널이 서로 독립적이라고 분석한다.
(c)단계에 주파수 대역 성분의 채널 간 상관계수(
Figure pat00012
)는 아래의 식으로 연산된다.
Figure pat00013
여기서,
Figure pat00014
은 i 채널의 n번째 주파수 FFT bin이고,
Figure pat00015
는 해당 구간에서 i 채널의 주파수 FFT bin a부터 b까지의 평균값이고,
Figure pat00016
은 j 채널의 n번째 주파수 FFT bin이고,
Figure pat00017
는 해당 구간에서 j 채널의 주파수 FFT bin a부터 b까지의 평균값을 의미, i와 j는 서로 다른 채널이다.
Figure pat00018
는 -1
Figure pat00019
+1 범위의 값을 갖고, (d) 단계는
Figure pat00020
값이 (-)인 경우 i와 j채널이 음의 상관관계라고 분석하고,
Figure pat00021
값이 (+)인 경우 i와 j채널이 양의 상관관계라고 분석하며,
Figure pat00022
값이 0(zero)인 경우 i와 j채널이 서로 독립적이라고 분석한다.
이하 설명하는 인간 뇌파의 채널 간 상관관계를 이용하여 인간 의도를 인식하는 방법은 (a) 피험자의 뇌파를 M개의 채널을 통해 측정하고, 뇌파에 대한 채널 간 상관계수를 연산하는 단계, (b) 연산된 채널 간 상관계수에 대한 p개의 통계적 특징값을 연산하는 단계, (c) 연산된 채널 간 상관계수 중 양의 값이 큰 순서대로 w개를 선택하고, 연산된 채널 간 상관계수 중 음의 값이 큰 순서대로 w개를 선택하여 기준채널을 추출하는 단계 및 (d) 후보 모델 중에서 기준 채널과 동일한 위치의 채널 간의 상관계수에 대한 통계적 특징값이 기준 채널 간의 상관계수에 대한 통계적 특징값과 가장 유사한 후보 모델을 피험자의 의도로 선정하는 단계를 포함한다.
(a) 단계는 (aa) 피험자의 뇌파를 뇌파 측정 장치의 M개의 채널을 통해 측정하는 단계, (ab) 채널을 통해 측정되는 뇌파 데이터에 대한 전처리를 수행하는 단계 및 (ac) 전처리된 뇌파 데이터를 이용하여 채널 간 상관계수를 연산하는 단계를 포함한다.
복수 개의 채널에서 측정되는 인간 뇌파의 채널 간 상관관계를 이용하여 인간 의도를 인식하는 방법에 대한 다른 실시예는 (a) 피험자의 뇌파를 M개의 채널을 통해 측정하고, 뇌파에 대한 채널 간 상관계수를 연산하는 단계, (b) 연산된 채널 간 상관계수 중 양의 값이 큰 순서대로 w개를 선택하고, 연산된 채널 간 상관계수 중 음의 값이 큰 순서대로 w개를 선택하여 기준채널을 추출하는 단계, (c) 선택된 기준채널 간의 상관계수에 대한 p개의 통계적 특징값을 연산하는 단계 및 (d) 후보 모델 중에서 기준 채널과 동일한 위치의 채널 간의 상관계수에 대한 통계적 특징값이 기준 채널 간의 상관계수에 대한 통계적 특징값과 가장 유사한 후보 모델을 피험자의 의도로 선정하는 단계를 포함한다.
본 발명은 뇌파의 채널간 상관관계 특징 정보를 제공함으로써, 다양한 뇌 활동에 따른 뇌파를 분석 및 인식할 수 있다. 본 발명의 효과는 이상에서 언급된 것들에 한정되지 않으며, 언급되지 아니한 다른 효과들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
도 1은 복수 개의 채널에서 측정되는 인간 뇌파의 채널 간 상관관계를 분석하는 방법에 대한 예를 도시한 순서도이다.
도 2는 복수 개의 채널에서 측정되는 인간 뇌파의 채널 간 상관관계를 이용하여 인간 의도를 인식하는 방법에 대한 예를 도시한 순서도이다.
도 3은 복수 개의 채널에서 측정되는 인간 뇌파의 채널 간 상관관계를 이용하여 인간 의도를 인식하는 방법에 대한 다른 예를 도시한 순서도이다.
도 4는 뇌파 측정에 사용되는 측정 장치의 한 종류인 휴대용 뇌파 측정 장치를 도시한다.
도 5는 피험자의 뇌파 데이터를 획득하기 위한 시나리오 중 하나의 예를 도시한다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제1, 제2, A, B 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 해당 구성요소들은 상기 용어들에 의해 한정되지는 않으며, 단지 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
본 명세서에서 사용되는 용어에서 단수의 표현은 문맥상 명백하게 다르게 해석되지 않는 한 복수의 표현을 포함하는 것으로 이해되어야 하고, "포함한다" 등의 용어는 설시된 특징, 개수, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 의미하는 것이지, 하나 또는 그 이상의 다른 특징들이나 개수, 단계 동작 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 배제하지 않는 것으로 이해되어야 한다.
최근 인간의 두뇌와 컴퓨터 간의 인터페이스(BCI) 연구가 활발하게 진행되고 있다. 사람의 정신 상태에 따라 다르게 나타나는 뇌신경 세포의 전기적 활동을 두피(scalp)에서 측정된 뇌파로부터 사용자의 의도나 감정 상태를 파악하고 그 결과를 컴퓨터와 인터페이스에 활용한다. 뇌파 기반 휴먼 인터페이스는 의료, 게임, 정신 장애 치료, 정신 집중 훈련, 로봇제어, 마음인식 등에 활용되고 있다.
인간은 오감(시각, 청각, 촉각, 후각, 미각)을 통해 상황을 인지하고 인간과 사물, 인간과 인간의 인터랙션(interaction)이 이루어지며 이에 대한 인간의 뇌 활동에 대한 뇌파의 특징 분석 및 인식 기술 연구가 진행되고 있다. 일부 개발 사례에서, 뇌 활성화 위치 추정 기술, 집중도를 이용한 게임 응용 등을 가능케 할 수 있는 기술 수준이다. 그러므로 다양한 뇌 활동의 뇌파를 분석하거나 인식할 수 있는 기술이 요구되고 있다.
이하에서는 도면을 참조하면서 인간 뇌파의 채널 간 상관관계를 분석하는 방법 및 복수 개의 채널에서 측정되는 인간 뇌파의 채널 간 상관관계를 이용하여 인간 의도를 인식하는 방법에 관하여 구체적으로 설명하겠다.
도 1은 복수 개의 채널에서 측정되는 인간 뇌파의 채널 간 상관관계를 분석하는 방법에 대한 예를 도시한 순서도이다.
도 1에 도시된 바와 같이, 본 발명의 일 예에 따른 복수 개의 채널에서 측정되는 인간 뇌파의 채널 간 상관관계를 분석하는 방법은 (a) 피험자의 뇌파를 뇌파 측정 장치의 M개의 채널을 통해 측정하는 단계, (b) 채널을 통해 측정되는 뇌파 데이터에 대한 전처리를 수행하는 단계, (c) 전처리된 뇌파 데이터를 이용하여 채널 간 상관계수를 연산하는 단계 및 (d) 연산된 채널 간 상관계수를 이용하여 채널간 상관관계를 분석하는 단계를 포함한다.
뇌파 측정 장치는 뇌에서 발생하는 뇌파를 뇌파 측정 단자를 통해 뇌파를 입력받아 뇌파 신호 증폭, 노이즈 제거, AD변환 등의 과정을 거처 스마트 폰 또는 PC 등으로 전송한다.
뇌파 분석 단계는 스마트 폰 또는 PC 등으로 전송된 뇌파 데이터를 전처리하는 단계 및 각 채널의 상관계수 연산이 중요한 단계이다. 나아가 각 채널 상관 계수에 대한 통계적 특징을 추출하는 단계도 포함될 수 있다.
본 발명에서 뇌파는 시각, 청각, 촉각, 후각 또는 미각 중 하나 이상에 대한 자극으로부터 발생하는 것이다. 후술하겠지만, 본 발명에 대한 실험에서는 오감 자극을 대상으로 본 발명을 적용하였다.
전처리 단계(b)는 전체 M개 채널(부위)에 대한 각 채널 전압값의 뇌파 데이터로 부터 DC성분 값을 제거하여 뇌파 신호를 처리한다. 채널은 뇌파 측정 장치에서 두피와 접촉하는 전극과 같은 의미이다.
상관계수 계산은 전체 k 종류 성분(1종류의 시간축 데이터 및 m 종류의 주파수 대역 성분)에 대하여 계산한다. 예컨대, 전체 8종류 성분으로 할 경우 시간축 데이터 1종류와 델타(1~3Hz), 세타(4~7Hz), 알파(8~13Hz), 베타(14~30Hz), 감마(31~50Hz), 51~59Hz, 1~59Hz의 7종류 주파수 대역 성분에 대하여 상관계수를 계산할 수 있다.
따라서 (c)단계에서 채널 간 상관계수는 시간축 데이터 및 주파수 대역 성분에 대해 연산 된다. 주파수 대역 성분은 델타(1~3Hz), 세타(4~7Hz), 알파(8~13Hz), 베타(14~30Hz), 감마(31~50Hz), 51~59Hz 또는 1~59Hz 등으로 할 수 있다.
채널 간 상관계수는 모든 가능한 채널 쌍에 대해 상관계수를 구하는 것이다. 전체 M개 채널(ch)에 대한 상관계수는 1ch­2ch, 1ch­3ch, ..., 1ch­Mch, 2ch­3h, 2ch­4ch, ..., 2ch­Mch, ..., M-1ch­Mch 쌍에 대하여 연산 된다. 따라서 총 I 개(I=M(M-1)/2)의 채널간 상관계수를 연산한다.
전체 M 채널에 대한 채널간 상관계수 I 개 x k 종류 성분으로 전체 채널간 상관계수 K개를 계산한다. 예컨대, 전체 M 부위(채널)에 대한 채널간 상관계수는 14채널(M=14)로 할 경우 91개 채널간 상관계수를 계산한다. 그리고 k 종류의 성분을 8종류 성분으로 할 경우, 상관계수를 구하면 91 x 8 으로서 전체 채널간 상관계수 728개를 계산한다.
상관계수는 프레임(Frame)단위로 처리한다. 예를 들어 하나의 프레임은 128개의 샘플이 포함되는 구간일 수도 있다. 각 구간에서 마지막 프레임에 샘플의 개수가 128 샘플보다 작으면 처리하지 않는다.
Figure pat00023
시간축 데이터의 채널 간 상관계수(
Figure pat00024
)는 상기 수학식 1로 연산 된다. 여기서
Figure pat00025
은 i 채널의 n 번째 샘플 데이터이고,
Figure pat00026
는 해당구간에서 i 채널의 샘플 데이터 N개의 평균값이고,
Figure pat00027
은 j 채널의 n 번째 샘플 데이터,
Figure pat00028
는 해당구간에서 j 채널의 샘플 데이터 N개의 평균값을 의미한다. i와 j는 서로 다른 채널을 의미하며 가능한 모든 채널 쌍에 대해 상관계수를 연산하는 것이다.
Figure pat00029
는 두 변수
Figure pat00030
와
Figure pat00031
에 대한 공분산을 표준편차의 곱으로 나눈 정규화된 공분산(covariance) 값이다. 그 범위는 -1 ≤
Figure pat00032
≤ +1의 값을 가진다.
Figure pat00033
= +1일 때 두 변수 사이에 완전한 양의 상관관계가 있는 경우이고,
Figure pat00034
= -1일 때 두 변수 사이에 완전한 음의 상관관계가 있는 경우이다.
Figure pat00035
= 0일 때 두 변수는 완전히 독립이다.
따라서, (d) 단계는
Figure pat00036
값이 (-)인 경우 i와 j채널이 음의 상관관계라고 분석하고,
Figure pat00037
값이 (+)인 경우 i와 j채널이 양의 상관관계라고 분석하며,
Figure pat00038
값이 0(zero)인 경우 i와 j채널이 서로 독립적이라고 분석할 수 있다.
Figure pat00039
주파수 대역 성분의 채널간 상관계수 (
Figure pat00040
)는 상기 수학식 2로 연산 된다. 여기서
Figure pat00041
은 i 채널의 n번째 주파수 FFT(Fast Fourier Transform) bin이고,
Figure pat00042
는 해당 구간에서 i 채널의 주파수 FFT bin a부터 b까지의 평균값이고,
Figure pat00043
은 j 채널의 n번째 주파수 FFT bin이고,
Figure pat00044
는 해당 구간에서 j 채널의 주파수 FFT bin a부터 b까지의 평균값을 의미한다. i와 j는 서로 다른 채널을 의미하며 가능한 모든 채널 쌍에 대해 상관계수를 연산하는 것이다.
Figure pat00045
는 두 변수
Figure pat00046
,
Figure pat00047
에 대한 공분산을 표준편차의 곱으로 나눈 정규화된 공분산 값이다. 그 범위는 -1
Figure pat00048
+1의 값을 가진다.
Figure pat00049
= +1 일 때 두 변수 사이에 완전한 양의 상관관계가 있는 경우이고,
Figure pat00050
= -1 일 때 두 변수 사이에 완전한 음의 상관관계가 있는 경우이다.
Figure pat00051
= 0 일 때 두 변수는 완전히 독립이다.
따라서, (d) 단계는
Figure pat00052
값이 (-)인 경우 i와 j채널이 음의 상관관계라고 분석하고,
Figure pat00053
값이 (+)인 경우 i와 j채널이 양의 상관관계라고 분석하며,
Figure pat00054
값이 0(zero)인 경우 i와 j채널이 서로 독립적이라고 분석할 수 있다.
일예로, 128Hz로 Sampling된 뇌파 데이터를 128 point로 FFT할 경우, FFT bin은 1, 2,
Figure pat00055
, 64 으로 취할 수 있다. 이때 1~59Hz 대역 성분에 대한 각각의 주파수 FFT bin은 1, 2,
Figure pat00056
, 59 이고 FFT bin 1 Point는 1Hz 단위 이다. 따라서 각 주파수 대역 성분의 채널간 상관계수 델타(1~3Hz)는 a=1, b=3; 세타(4~7Hz)는 a=4, b=7; 알파(8~13Hz)는 a=8, b=13; 베타(14~30Hz)는 a=14, b=30; 감마(31~50Hz)는 a=31, b=50; 51~59Hz는 a=51, b=59; 1~59Hz는 a=1, b=59 로 하여 계산한다.
나아가 복수 개의 채널에서 측정되는 인간 뇌파의 채널 간 상관관계를 분석하는 방법은 연산된 채널 간 상관계수에 대한 p개의 통계적 특징값을 연산하는 단계를 더 포함할 수도 있다.
도 2는 복수 개의 채널에서 측정되는 인간 뇌파의 채널 간 상관관계를 이용하여 인간 의도를 인식하는 방법에 대한 예를 도시한 순서도이다.
본 발명의 일 실시예에 따른 복수 개의 채널에서 측정되는 인간 뇌파의 채널 간 상관관계를 이용하여 인간 의도를 인식하는 방법은 도 2에 도시된 바와 같이, (A1) 피험자의 뇌파를 M개의 채널을 통해 측정하고, 뇌파에 대한 채널 간 상관계수를 연산하는 단계, (A2) 연산된 채널 간 상관계수에 대한 p개의 통계적 특징값을 연산하는 단계, (A3) 연산된 채널 간 상관계수 중 양의 값이 큰 순서대로 w개를 선택하고, 연산된 채널 간 상관계수 중 음의 값이 큰 순서대로 w개를 선택하여 기준채널을 추출하는 단계 및 (A4) 후보 모델 중에서 기준 채널과 동일한 위치의 채널 간의 상관계수에 대한 통계적 특징값이 기준 채널 간의 상관계수에 대한 통계적 특징값과 가장 유사한 후보 모델을 피험자의 의도로 선정하는 단계를 포함할 수 있다.
(A1) 단계는 (aa) 피험자의 뇌파를 뇌파 측정 장치의 M개의 채널을 통해 측정하는 단계, (ab) 채널을 통해 측정되는 뇌파 데이터에 대한 전처리를 수행하는 단계 및 (ac) 전처리된 뇌파 데이터를 이용하여 채널 간 상관계수를 연산하는 단계를 포함한다. 이는 전술한 복수 개의 채널에서 측정되는 인간 뇌파의 채널 간 상관관계를 분석하는 방법 과정과 유사한 것이다. 따라서 중복된 내용에 대해서는 간략하게 설명하기로 한다.
뇌파는 역시 시각, 청각, 촉각, 후각 또는 미각 중 하나 이상에 대한 자극으로부터 발생한다.
(ab) 단계는 각 채널 전압값의 뇌파 데이터로부터 DC 성분 값을 제거하여 수행된다.
(ac)단계에서 채널 간 상관계수는 시간축 데이터 및 주파수 대역 성분에 대해 연산된다. 이때 주파수 대역 성분은 델타(1~3Hz), 세타(4~7Hz), 알파(8~13Hz), 베타(14~30Hz), 감마(31~50Hz), 51~59Hz 또는 1~59Hz 중 하나 이상일 수 있다.
후보 모델이란 피험자가 사전에 특정 자극(오감 또는 특정 의도 등)을 받을 때 획득되는 뇌파를 분석한 결과이다. 본 발명에서는 채널 간 상관관계를 이용하므로 본 발명에서 이용되는 후보 모델은 피험자에게 복수 개의 자극을 줄 때 측정되는 M개의 채널 간 상관관계이며, 보다 구체적으로 상관관계에 대한 통계적 특징값을 의미한다.
현재 피험자에게 측정되는 뇌파를 분석하여 미리 구축된 후보 모델과 비교하여 피험자의 의도 또는 피험자가 받는 자극을 인식한다.
통계적 특징값은 해당 구간의 전체 프레임에 대한 채널 간 상관계수의 평균, 분산, 표준편차, 최대값 또는 최소값 중 하나 이상일 수 있다.
통계적 특징 계산은 해당 구간의 전체 프레임에 대한 채널간 상관계수의 평균, 분산, 표준편차, 최대값, 최소값 등으로 p 종류의 통계적 특징을 계산한다고 하자. 즉, 전체 채널 간 특징값(q) = I 개의 채널간 상관계수 × k 종류 성분 × p 종류 통계적 특징이다. 예컨대, 14채널에 91개 채널간 상관계수, 8종류 성분, 5종류 통계적 특징으로 할 경우, 91 × 8 × 5 = 3,640이다.
(A3) 단계는 상관관계가 높은 채널 쌍을 선택하는 단계이다. 예컨대, 14채널에 91개 채널간 상관관계가 높은 양과 음의 채널 추출은 전체 채널간 상관계수 K개에서 상관관계가 높은 양과 음의 채널을 각 w 개씩 추출한다.
(w + w)개의 채널을 기준 채널이라고 명명한다. 기준 채널이 포함하는 통계적 특징값(s) = ((w+w) × k종류 성분 × p 종류 통계적 특징)이다. 전체 q개 채널간 특징값의 matrix에서 상관관계가 높은 s개의 채널 간 특징값 정보를 추출한다. 예컨대, 상관관계가 높은 양과 음의 채널을 각 3 개씩 추출할 경우, ((3+3) x 8 x 5)=240개 이다. 전체 채널간 특징값 3,640개의 matrix에서 240개 채널간 특징값의 위치 정보를 추출한다. 상관계수, 8종류 성분, 5종류 통계적 특징으로 할 경우, 91 x 8 x 5 = 3,640이다.
도 3은 복수 개의 채널에서 측정되는 인간 뇌파의 채널 간 상관관계를 이용하여 인간 의도를 인식하는 방법에 대한 다른 예를 도시한 순서도이다. 이는 본 발명에 따른 다른 실시예이다.
도 3에 도시된 바와 같이, 복수 개의 채널에서 측정되는 인간 뇌파의 채널 간 상관관계를 이용하여 인간 의도를 인식하는 방법은 (B1) 피험자의 뇌파를 M개의 채널을 통해 측정하고, 뇌파에 대한 채널 간 상관계수를 연산하는 단계, (B2) 연산된 채널 간 상관계수 중 양의 값이 큰 순서대로 w개를 선택하고, 연산된 채널 간 상관계수 중 음의 값이 큰 순서대로 w개를 선택하여 기준채널을 추출하는 단계, (B3) 선택된 기준채널 간의 상관계수에 대한 p개의 통계적 특징값을 연산하는 단계 및 (B4) 후보 모델 중에서 기준 채널과 동일한 위치의 채널 간의 상관계수에 대한 통계적 특징값이 기준 채널 간의 상관계수에 대한 통계적 특징값과 가장 유사한 후보 모델을 피험자의 의도로 선정하는 단계를 포함한다.
도 2에 도시된 방법과 다른 점은 기준 채널을 선택하는 단계가 통계적 특징값을 추출하는 단계보다 선행한다는 점이다. 다른 단계 및 구성은 동일하므로 자세한 설명은 생략하기로 한다.
도 4는 뇌파 측정에 사용되는 측정 장치의 한 종류인 휴대용 뇌파 측정 장치를 도시한다. 도 4(a)는 휴대용 뇌파 측정 장치를 도시하고, 도 4(b)는 휴대용 뇌파 측정 장치를 피험자가 착용한 예를 도시한다.
뇌파 측정 장치는 뇌에서 발생하는 뇌파를 뇌파 측정 단자를 통해 뇌파를 입력받아 뇌파 신호 증폭, 노이즈 제거, AD변환 등의 과정을 거처 스마트 폰 또는 PC 등으로 전송한다.
본 발명에 대한 실험에서 뇌파 측정 부위는 양쪽 귀 뒤 아래 부위를 기준 전극(reference electrode)으로 국제 10-20 전극법으로 배치한 F7, AF3, FC5, F3, T7, P7, O1, F8, AF4, FC6, F4, T8, P8, O2의 14부위를 측정하였다.
이하 실험 내용 및 결과를 구체적으로 설명하고자 한다.
실험 환경 및 조건은 다음과 같다. 1) 실험 장소는 조용한 실험실이고 창문을 열어 실험실의 공기가 잘 환기되도록 하였다. 피험자는 실험실에 배치된 실험 테이블 앞의 의자에 앉은 상태로 뇌파를 측정하였다.
2) 음식은 불고기 햄버거로 하였다. 3) 실험은 피험자 1인, 실험진행자 1인으로 실험 진행자는 정해진 시나리오에 따라 피험자에게 각 행동을 구두로 지시(예: 눈을 감으세요.)하였다. 4) 청각 자극은 햄버거 광고(햄버거가 먹고 싶어질 수 있는 광고 내용: "사나이 가슴이 불을 당겨줄 불고기 ~ 버거 버거 버거 ~ 우와! 불고기나 새우")로 하였다. 5) 뇌파 DB 수집을 위한 시나리오 조건은 오감 자극이 최소화 된 상태에서 각각의 감각 자극을 하나씩 추가하는 시나리오로서 해당 자극을 변별할 수 있도록 한다. 각각의 자극 구간 사이에 휴식 구간을 두어 각각의 자극 구간을 구분할 수 있도록 하였다.
도 5는 본 실험에서 피험자의 뇌파 데이터를 획득하기 위한 시나리오 중 하나의 예를 도시한다.
뇌파 DB 수집 시 전체 65구간을 4개의 세트(set)로 구분하여 뇌파 DB를 수집하였다. 각각의 자극은 약 10초 ~ 약 30초이고 각각의 자극 사이에 약 30초 ~ 약 40초의 휴식을 취하였다. 휴식은 눈을 뜨고 편안하게 앉아서 휴식을 취하는 자세로 하였다.
각 자극간 상관관계가 높은 채널의 중복율 분석 실험을 하였다. 피험자 1인 기준 전체 65구간(32가지 자극 구간 및 33가지 휴식 구간)에 대한 뇌파 채널간 상관관계 특징값을 추출하였고, 각 구간 간의 상관관계가 높은 채널의 중복율을 계산하였다. 그리고 32가지 자극 구간 및 33가지 휴식 구간에 대한 평균 중복율을 각각 구하였다. 상관관계가 높은 양과 음의 채널을 각 3 개씩 추출하였다. 실험 결과 11인의 32가지 자극 구간 평균 중복율은 13.05%, 33가지 휴식 구간 평균 중복율은 17.67%, 전체 65구간 평균 중복율은 15.36%로 기록되었다. 여기서 중복율이란 측정된 뇌파의 채널간 상관관계의 특징값과 후보 모델의 상관관계 특징값이 동일한 정도를 의미한다.
위의 분석 실험을 바탕으로 인식 실험을 하였다. 본 실험에서는 상관관계가 높은 채널수를 변경하여 인식율이 가장 높은 상관관계의 채널수를 알아보기 위한 실험을 실시한 결과, 일예로 상관관계가 높은 양과 음의 채널수를 각각 26개 채널씩 추출하였을 때 가장 높은 인식 결과를 도출하였다. 전체 65가지 구간의 인식 후보 모델은 8종류의 상관계수 평균값을 사용하다. 전체 728개(8x91x1 matrix)에서 상관관계가 높은 전체 채널간 특징값을 416개((상관관계가 높은 양의 채널 26개 + 음의 채널 26개) x 8종류 성분 x 1종류 통계적 특징 = 416)로 하였을 때, 11인 전체 평균 인식 결과가 59.89%로 나타났다. 아래의 표 1에 인식 실험 결과를 나타내었다.
Figure pat00057
본 실시예 및 본 명세서에 첨부된 도면은 본 발명에 포함되는 기술적 사상의 일부를 명확하게 나타내고 있는 것에 불과하며, 본 발명의 명세서 및 도면에 포함된 기술적 사상의 범위 내에서 당업자가 용이하게 유추할 수 있는 변형 예와 구체적인 실시예는 모두 본 발명의 권리범위에 포함되는 것이 자명하다고 할 것이다.

Claims (24)

  1. (a) 피험자의 뇌파를 뇌파 측정 장치의 M개의 채널을 통해 측정하는 단계;
    (b) 상기 채널을 통해 측정되는 뇌파 데이터에 대한 전처리를 수행하는 단계;
    (c) 상기 전처리된 뇌파 데이터를 이용하여 채널 간 상관계수를 연산하는 단계; 및
    (d) 상기 연산된 채널 간 상관계수를 이용하여 채널간 상관관계를 분석하는 단계를 포함하는 복수 개의 채널에서 측정되는 인간 뇌파의 채널 간 상관관계를 분석하는 방법.
  2. 제1항에 있어서,
    상기 뇌파는 시각, 청각, 촉각, 후각 또는 미각 중 하나 이상에 대한 자극으로부터 발생하는 복수 개의 채널에서 측정되는 인간 뇌파의 채널 간 상관관계를 분석하는 방법.
  3. 제1항에 있어서,
    상기 (b) 단계는 각 채널 전압값의 뇌파 데이터로부터 DC 성분 값을 제거하여 수행되는 복수 개의 채널에서 측정되는 인간 뇌파의 채널 간 상관관계를 분석하는 방법.
  4. 제1항에 있어서,
    상기 (c)단계에서 채널 간 상관계수는 시간축 데이터 및 주파수 대역 성분에 대해 연산되는 것이고, 상기 주파수 대역 성분은 델타(1~3Hz), 세타(4~7Hz), 알파(8~13Hz), 베타(14~30Hz), 감마(31~50Hz), 51~59Hz 또는 1~59Hz 중 하나 이상인 복수 개의 채널에서 측정되는 인간 뇌파의 채널 간 상관관계를 분석하는 방법.
  5. 제4항에 있어서,
    상기 (c)단계에 시간축 데이터의 채널 간 상관계수(
    Figure pat00058
    )는 아래의 식으로 연산되는 복수 개의 채널에서 측정되는 인간 뇌파의 채널 간 상관관계를 분석하는 방법.
    Figure pat00059

    (여기서,
    Figure pat00060
    은 i 채널의 n 번째 샘플 데이터,
    Figure pat00061
    는 해당구간에서 i 채널의 샘플 데이터 N개의 평균값,
    Figure pat00062
    은 j 채널의 n 번째 샘플 데이터,
    Figure pat00063
    는 해당구간에서 j 채널의 샘플 데이터 N개의 평균값을 의미하고, i와 j는 서로 다른 채널임)
  6. 제5항에 있어서,
    상기
    Figure pat00064
    는 -1 ≤
    Figure pat00065
    ≤ +1 범위의 값을 갖고, 상기 (d) 단계는
    Figure pat00066
    값이 (-)인 경우 i와 j채널이 음의 상관관계라고 분석하고,
    Figure pat00067
    값이 (+)인 경우 i와 j채널이 양의 상관관계라고 분석하며,
    Figure pat00068
    값이 0(zero)인 경우 i와 j채널이 서로 독립적이라고 분석하는 복수 개의 채널에서 측정되는 인간 뇌파의 채널 간 상관관계를 분석하는 방법.
  7. 상기 (c)단계에 주파수 대역 성분의 채널 간 상관계수(
    Figure pat00069
    )는 아래의 식으로 연산되는 복수 개의 채널에서 측정되는 인간 뇌파의 채널 간 상관관계를 분석하는 방법.
    Figure pat00070

    (여기서,
    Figure pat00071
    은 i 채널의 n번째 주파수 FFT bin이고,
    Figure pat00072
    는 해당 구간에서 i 채널의 주파수 FFT bin a부터 b까지의 평균값이고,
    Figure pat00073
    은 j 채널의 n번째 주파수 FFT bin이고,
    Figure pat00074
    는 해당 구간에서 j 채널의 주파수 FFT bin a부터 b까지의 평균값을 의미, i와 j는 서로 다른 채널임)
  8. 제7항에 있어서,
    상기
    Figure pat00075
    는 -1 ≤
    Figure pat00076
    ≤ +1 범위의 값을 갖고, 상기 (d) 단계는
    Figure pat00077
    값이 (-)인 경우 i와 j채널이 음의 상관관계라고 분석하고,
    Figure pat00078
    값이 (+)인 경우 i와 j채널이 양의 상관관계라고 분석하며,
    Figure pat00079
    값이 0(zero)인 경우 i와 j채널이 서로 독립적이라고 분석하는 복수 개의 채널에서 측정되는 인간 뇌파의 채널 간 상관관계를 분석하는 방법.
  9. 제1항에 있어서,
    상기 연산된 채널 간 상관계수에 대한 p개의 통계적 특징값을 연산하는 단계를 더 포함하는 복수 개의 채널에서 측정되는 인간 뇌파의 채널 간 상관관계를 분석하는 방법.
  10. (a) 피험자의 뇌파를 M개의 채널을 통해 측정하고, 상기 뇌파에 대한 채널 간 상관계수를 연산하는 단계;
    (b) 상기 연산된 채널 간 상관계수에 대한 p개의 통계적 특징값을 연산하는 단계;
    (c) 상기 연산된 채널 간 상관계수 중 양의 값이 큰 순서대로 w개를 선택하고, 상기 연산된 채널 간 상관계수 중 음의 값이 큰 순서대로 w개를 선택하여 기준채널을 추출하는 단계; 및
    (d) 후보 모델 중에서 상기 기준 채널과 동일한 위치의 채널 간의 상관계수에 대한 통계적 특징값이 상기 기준 채널 간의 상관계수에 대한 통계적 특징값과 가장 유사한 후보 모델을 피험자의 의도로 선정하는 단계를 포함하는 복수 개의 채널에서 측정되는 인간 뇌파의 채널 간 상관관계를 이용하여 인간 의도를 인식하는 방법.
  11. 제10항에 있어서,
    상기 (a) 단계는
    (aa) 피험자의 뇌파를 뇌파 측정 장치의 M개의 채널을 통해 측정하는 단계;
    (ab) 상기 채널을 통해 측정되는 뇌파 데이터에 대한 전처리를 수행하는 단계; 및
    (ac) 상기 전처리된 뇌파 데이터를 이용하여 채널 간 상관계수를 연산하는 단계를 포함하는 복수 개의 채널에서 측정되는 인간 뇌파의 채널 간 상관관계를 이용하여 인간 의도를 인식하는 방법.
  12. 제10항에 있어서,
    상기 뇌파는 시각, 청각, 촉각, 후각 또는 미각 중 하나 이상에 대한 자극으로부터 발생하는 복수 개의 채널에서 측정되는 인간 뇌파의 채널 간 상관관계를 이용하여 인간 의도를 인식하는 방법.
  13. 제10항에 있어서,
    상기 (ab) 단계는 각 채널 전압값의 뇌파 데이터로부터 DC 성분 값을 제거하여 수행되는 복수 개의 채널에서 측정되는 인간 뇌파의 채널 간 상관관계를 이용하여 인간 의도를 인식하는 방법.
  14. 제10항에 있어서,
    상기 (ac)단계에서 채널 간 상관계수는 시간축 데이터 및 주파수 대역 성분에 대해 연산되는 것이고, 상기 주파수 대역 성분은 델타(1~3Hz), 세타(4~7Hz), 알파(8~13Hz), 베타(14~30Hz), 감마(31~50Hz), 51~59Hz 또는 1~59Hz 중 하나 이상인 복수 개의 채널에서 측정되는 인간 뇌파의 채널 간 상관관계를 이용하여 인간 의도를 인식하는 방법.
  15. 제10항에 있어서,
    상기 후보 모델은 상기 피험자에게 복수 개의 자극을 줄 때 측정되는 M개의 채널 간 상관관계에 대한 통계적 특징값을 포함하되, 상기 채널 간 상관관계는 시간축 데이터 및 주파수 대역 성분에 대해 연산되는 복수 개의 채널에서 측정되는 인간 뇌파의 채널 간 상관관계를 이용하여 인간 의도를 인식하는 방법.
  16. 제15항에 있어서,
    상기 통계적 특징값은 상기 채널 간 상관계수의 평균, 분산, 표준편차, 최대값 또는 최소값 중 하나 이상인 복수 개의 채널에서 측정되는 인간 뇌파의 채널 간 상관관계를 이용하여 인간 의도를 인식하는 방법.
  17. 제10항에 있어서,
    상기 (b) 단계에서 통계적 특징값은 상기 채널 간 상관계수의 평균, 분산, 표준편차, 최대값 또는 최소값 중 하나 이상인 복수 개의 채널에서 측정되는 인간 뇌파의 채널 간 상관관계를 이용하여 인간 의도를 인식하는 방법.
  18. 제14항에 있어서,
    상기 (ac) 단계에서 시간축 데이터의 채널 간 상관계수(
    Figure pat00080
    )는 아래의 식으로 연산되는 복수 개의 채널에서 측정되는 인간 뇌파의 채널 간 상관관계를 이용하여 인간 의도를 인식하는 방법.
    Figure pat00081

    (여기서,
    Figure pat00082
    은 i 채널의 n 번째 샘플 데이터,
    Figure pat00083
    는 해당구간에서 i 채널의 샘플 데이터 N개의 평균값,
    Figure pat00084
    은 j 채널의 n 번째 샘플 데이터,
    Figure pat00085
    는 해당구간에서 j 채널의 샘플 데이터 N개의 평균값을 의미하고, i와 j는 서로 다른 채널임)
  19. 제18항에 있어서,
    상기 (ac) 단계에서
    상기 주파수 대역 성분의 채널 간 상관계수(
    Figure pat00086
    )는 아래의 식으로 연산되는 복수 개의 채널에서 측정되는 인간 뇌파의 채널 간 상관관계를 이용하여 인간 의도를 인식하는 방법.
    Figure pat00087

    (여기서,
    Figure pat00088
    은 i 채널의 n번째 주파수 FFT bin이고,
    Figure pat00089
    는 해당 구간에서 i 채널의 주파수 FFT bin a부터 b까지의 평균값이고,
    Figure pat00090
    은 j 채널의 n번째 주파수 FFT bin이고,
    Figure pat00091
    는 해당 구간에서 j 채널의 주파수 FFT bin a부터 b까지의 평균값을 의미, i와 j는 서로 다른 채널임)
  20. 제19항에 있어서,
    상기 (c) 단계는 상기
    Figure pat00092
    값 및 7개의
    Figure pat00093
    값을 이용하여 상관관계가 높은 양의 채널 및 음의 채널을 각각 w개씩 선택하는 복수 개의 채널에서 측정되는 인간 뇌파의 채널 간 상관관계를 이용하여 인간 의도를 인식하는 방법.
  21. (a) 피험자의 뇌파를 M개의 채널을 통해 측정하고, 상기 뇌파에 대한 채널 간 상관계수를 연산하는 단계;
    (b) 상기 연산된 채널 간 상관계수 중 양의 값이 큰 순서대로 w개를 선택하고, 상기 연산된 채널 간 상관계수 중 음의 값이 큰 순서대로 w개를 선택하여 기준채널을 추출하는 단계;
    (c) 상기 선택된 기준채널 간의 상관계수에 대한 p개의 통계적 특징값을 연산하는 단계; 및
    (d) 후보 모델 중에서 상기 기준 채널과 동일한 위치의 채널 간의 상관계수에 대한 통계적 특징값이 상기 기준 채널 간의 상관계수에 대한 통계적 특징값과 가장 유사한 후보 모델을 피험자의 의도로 선정하는 단계를 포함하는 복수 개의 채널에서 측정되는 인간 뇌파의 채널 간 상관관계를 이용하여 인간 의도를 인식하는 방법.
  22. 제21항에 있어서,
    상기 (a) 단계는
    (aa) 피험자의 뇌파를 뇌파 측정 장치의 M개의 채널을 통해 측정하는 단계;
    (ab) 상기 채널을 통해 측정되는 각 채널 전압값의 뇌파 데이터로부터 DC 성분 값을 제거하여 전처리를 수행하는 단계; 및
    (ac) 상기 전처리된 뇌파 데이터를 이용하여 채널 간 상관계수를 연산하는 단계를 포함하는 복수 개의 채널에서 측정되는 인간 뇌파의 채널 간 상관관계를 이용하여 인간 의도를 인식하는 방법.
  23. 제21항에 있어서,
    상기 채널 간 상관계수는 시간축 데이터 및 주파수 대역 성분에 대해 각각 연산되는 것으로, 상기 주파수 대역 성분은 델타(1~3Hz), 세타(4~7Hz), 알파(8~13Hz), 베타(14~30Hz), 감마(31~50Hz), 51~59Hz 또는 1~59Hz 중 하나 이상이며,
    상기 시간축 데이터의 채널 간 상관계수(
    Figure pat00094
    ) 및 상기 주파수 대역 성분의 채널 간 상관계수(
    Figure pat00095
    )는 아래의 식으로 연산되는 복수 개의 채널에서 측정되는 인간 뇌파의 채널 간 상관관계를 이용하여 인간 의도를 인식하는 방법.
    Figure pat00096

    (여기서,
    Figure pat00097
    은 i 채널의 n 번째 샘플 데이터,
    Figure pat00098
    는 해당구간에서 i 채널의 샘플 데이터 N개의 평균값,
    Figure pat00099
    은 j 채널의 n 번째 샘플 데이터,
    Figure pat00100
    는 해당구간에서 j 채널의 샘플 데이터 N개의 평균값을 의미하고, i와 j는 서로 다른 채널임)
    Figure pat00101

    (여기서,
    Figure pat00102
    은 i 채널의 n번째 주파수 FFT bin이고,
    Figure pat00103
    는 해당 구간에서 i 채널의 주파수 FFT bin a부터 b까지의 평균값이고,
    Figure pat00104
    은 j 채널의 n번째 주파수 FFT bin이고,
    Figure pat00105
    는 해당 구간에서 j 채널의 주파수 FFT bin a부터 b까지의 평균값을 의미, i와 j는 서로 다른 채널임)
  24. 제21항에 있어서,
    상기 (c) 단계에서 통계적 특징값은 상기 채널 간 상관계수의 평균, 분산, 표준편차, 최대값 또는 최소값 중 하나 이상인 복수 개의 채널에서 측정되는 인간 뇌파의 채널 간 상관관계를 이용하여 인간 의도를 인식하는 방법.
KR1020120085599A 2012-08-06 2012-08-06 복수 개의 채널에서 측정되는 인간 뇌파의 채널 간 상관관계를 분석하는 방법 및 복수 개의 채널에서 측정되는 인간 뇌파의 채널 간 상관관계를 이용하여 인간 의도를 인식하는 방법 KR101462869B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020120085599A KR101462869B1 (ko) 2012-08-06 2012-08-06 복수 개의 채널에서 측정되는 인간 뇌파의 채널 간 상관관계를 분석하는 방법 및 복수 개의 채널에서 측정되는 인간 뇌파의 채널 간 상관관계를 이용하여 인간 의도를 인식하는 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020120085599A KR101462869B1 (ko) 2012-08-06 2012-08-06 복수 개의 채널에서 측정되는 인간 뇌파의 채널 간 상관관계를 분석하는 방법 및 복수 개의 채널에서 측정되는 인간 뇌파의 채널 간 상관관계를 이용하여 인간 의도를 인식하는 방법

Publications (2)

Publication Number Publication Date
KR20140019515A true KR20140019515A (ko) 2014-02-17
KR101462869B1 KR101462869B1 (ko) 2014-11-18

Family

ID=50266945

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020120085599A KR101462869B1 (ko) 2012-08-06 2012-08-06 복수 개의 채널에서 측정되는 인간 뇌파의 채널 간 상관관계를 분석하는 방법 및 복수 개의 채널에서 측정되는 인간 뇌파의 채널 간 상관관계를 이용하여 인간 의도를 인식하는 방법

Country Status (1)

Country Link
KR (1) KR101462869B1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160004510A (ko) * 2014-07-03 2016-01-13 광주과학기술원 햅틱시스템, 햅틱시스템제어방법, 및 게임시스템
KR20220134958A (ko) * 2021-03-29 2022-10-06 조재걸 건강 관련 데이터 분석 장치
CN117298448A (zh) * 2023-10-31 2023-12-29 首都医科大学宣武医院 脑电异常捕捉及节律调控方法、系统、设备和存储介质

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102152785B1 (ko) 2017-11-27 2020-09-07 고려대학교 산학협력단 지역별 결합 뇌전도 신호의 csp 특징을 이용한 운동 심상 분류 장치 및 방법
KR102043193B1 (ko) 2017-12-13 2019-11-11 고려대학교 산학협력단 지역간 결합 뇌전도 신호 csp 특징을 이용한 운동심상 분류 장치 및 그 방법

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3933568B2 (ja) 2002-12-18 2007-06-20 独立行政法人科学技術振興機構 脳機能計測装置
KR101007558B1 (ko) * 2008-10-08 2011-01-14 한국과학기술연구원 실험용 동물 ｅｅｇ 측정용 박막형 다채널 미세전극 및 미세전극을 이용한 실험용 동물 ｅｅｇ 측정 방법

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160004510A (ko) * 2014-07-03 2016-01-13 광주과학기술원 햅틱시스템, 햅틱시스템제어방법, 및 게임시스템
KR20220134958A (ko) * 2021-03-29 2022-10-06 조재걸 건강 관련 데이터 분석 장치
CN117298448A (zh) * 2023-10-31 2023-12-29 首都医科大学宣武医院 脑电异常捕捉及节律调控方法、系统、设备和存储介质
CN117298448B (zh) * 2023-10-31 2024-04-19 首都医科大学宣武医院 脑电异常捕捉及节律调控方法、系统、设备和存储介质

Also Published As

Publication number Publication date
KR101462869B1 (ko) 2014-11-18

Similar Documents

Publication Publication Date Title
CN110840455B (zh) 用于脑活动解析的系统与方法
JP7203388B2 (ja) 快不快の判別
Hosseini et al. Emotional stress recognition system for affective computing based on bio-signals
KR101462869B1 (ko) 복수 개의 채널에서 측정되는 인간 뇌파의 채널 간 상관관계를 분석하는 방법 및 복수 개의 채널에서 측정되는 인간 뇌파의 채널 간 상관관계를 이용하여 인간 의도를 인식하는 방법
KR101842750B1 (ko) 뇌파 훈련을 위한 실시간 시뮬레이터 및 이를 이용한 인터페이스 장치
Puzi et al. Alpha and Beta brainwave characteristics to binaural beat treatment
Secerbegovic et al. Mental workload vs. stress differentiation using single-channel EEG
Rivet et al. Theoretical analysis of xDAWN algorithm: application to an efficient sensor selection in a P300 BCI
CN110946576A (zh) 一种基于宽度学习的视觉诱发电位识别情绪方法
Kim et al. Wedea: A new eeg-based framework for emotion recognition
CN108451505A (zh) 轻量入耳式睡眠分期系统
Hosseini et al. Emotional stress recognition using a new fusion link between electroencephalogram and peripheral signals
Baghdadi et al. Dasps: a database for anxious states based on a psychological stimulation
CN111000556A (zh) 一种基于深度模糊森林的情绪识别方法
Sulaiman et al. Offline labview-based EEG signals analysis for human stress monitoring
Desai et al. Electrodermal activity (EDA) for treatment of neurological and psychiatric disorder patients: a review
CN114947852A (zh) 一种多模态情感识别方法、装置、设备及存储介质
Islam et al. Probability mapping based artifact detection and wavelet denoising based artifact removal from scalp EEG for BCI applications
Zammouri et al. Brain waves-based index for workload estimation and mental effort engagement recognition
Shikha et al. Stacked sparse autoencoder and machine learning based anxiety classification using eeg signals
Ren et al. Comparison of the use of pupil diameter and galvanic skin response signals for affective assessment of computer users
EP3305181B1 (en) Method and system for determining inactive state and its implication over cognitive load computation of a person
Akhanda et al. Detection of cognitive state for brain-computer interfaces
Dávila-Montero et al. Exploring the relationship between speech and skin conductance for real-time arousal monitoring
Ouyang et al. Vigilance analysis based on continuous wavelet transform of eeg signals

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: 20181112

Year of fee payment: 5

FPAY Annual fee payment

Payment date: 20191023

Year of fee payment: 6