KR20190124987A - 지역 분석 기반의 fbcsp 기법을 이용한 운동심상 분류 장치 및 그 방법 - Google Patents

지역 분석 기반의 fbcsp 기법을 이용한 운동심상 분류 장치 및 그 방법 Download PDF

Info

Publication number
KR20190124987A
KR20190124987A KR1020180049143A KR20180049143A KR20190124987A KR 20190124987 A KR20190124987 A KR 20190124987A KR 1020180049143 A KR1020180049143 A KR 1020180049143A KR 20180049143 A KR20180049143 A KR 20180049143A KR 20190124987 A KR20190124987 A KR 20190124987A
Authority
KR
South Korea
Prior art keywords
feature vector
class
zone
extracting
csp
Prior art date
Application number
KR1020180049143A
Other languages
English (en)
Other versions
KR102043191B1 (ko
Inventor
정원주
박용구
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 KR1020180049143A priority Critical patent/KR102043191B1/ko
Publication of KR20190124987A publication Critical patent/KR20190124987A/ko
Application granted granted Critical
Publication of KR102043191B1 publication Critical patent/KR102043191B1/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
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • 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
    • A61B5/04012—
    • A61B5/0476—
    • 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
    • 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
    • A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
    • 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
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Psychiatry (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Signal Processing (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Psychology (AREA)
  • Power Engineering (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

운동심상 분류 방법이 개시된다. 상기 운동심상 분류 방법은 운동심상 분류 장치에 의해 수행되고, 피험자에 부착된 k개의 전극들을 k개의 구역으로 분류하는 단계, 상기 각 구역별로 측정된 뇌전도 신호에 대하여 FBCSP(Filter-bank Common Spatial Pattern) 기법을 적용하여 제1 특징벡터를 추출하는 단계, 상기 각 구역별로 피셔 비율(fisher ratio)를 계산하고, 상기 제1 특징벡터 중에서 상기 피셔 비율이 기 설정된 임계값 보다 작을 때의 구역의 제1 특징벡터를 제2 특징벡터로 추출하는 단계, 및 상기 제2 특징벡터를 이용하여 분류기를 학습하는 단계를 포함하고, 상기 피셔 비율은 분류하고자 하는 각 클래스에 대한 내부 클래스의 거리(
Figure pat00076
)와 상기 각 클래스 간의 거리(
Figure pat00077
)의 비에 의해 정의된다. 여기서, k는 자연수일 수 있다.

Description

지역 분석 기반의 FBCSP 기법을 이용한 운동심상 분류 장치 및 그 방법{Motor Imagery Classification Apparatus and Method thereof using FBCSP Method based on Area Analysis}
본 발명은 FBCSP 기법을 이용한 운동심상 분류 장치 및 그 방법에 관한 것으로서, 보다 구체적으로 측정된 전극의 위치에 기반하여 전극의 지역별 분석이 결합된 FBCSP 기법을 이용한 운동심상 분류 장치 및 그 방법에 관한 것이다.
BCI(Brain-Computer Interface technique)는 피험자가 직접 움직이는 것이 아닌 해당 동작의 상상을 통해 그에 대응하는 뇌의 신경 신호를 측정하고 이를 분석하여 실제 의도로 전환 시켜주는 기술로서 의료분야, 공학분야 등에 다양하게 이용되고 개발이 진행 중인 기술이다. 다양한 BCI의 방법들 중에 뇌전도(electroencephalogram, EEG)를 이용하는 방법이 가장 널리 사용되고 있으나, 뇌전도는 뇌의 내부에서 측정하는 것이 아니라 두피에서 측정하기 때문에 낮은 신호 대 잡음비(SNR)를 가지게 되므로 뇌전도를 이용하여 분류에 적합한 특징을 추출하는 알고리즘이 필요하게 된다.
CSP(Common Spatial Pattern)는 공간 필터를 이용하여 두 클래스 분류에 가장 적합한 특징을 추출하는 것으로서, 뇌전도에서 분류에 적합한 특징을 추출하는데 가장 널리 사용되는 기법이다. 그러나, CSP는 ⅰ) 추정된 공분산 행렬이 부정확하면 이를 통해 얻어지는 공간 필터 역시 분류하고자 하는 두 클래스 사이의 파워의 비를 효과적으로 최대화하지 못하므로 추정된 공분산 행렬에 크게 의존하는 문제점과, ⅱ) ERD/ERS는 동일한 운동심상 실험에 대해서도 피험자마다 모두 나타나는 주파수 대역이 다르므로, 일반적으로 ERD/ERS가 발생한다고 알려진 주파수 대역의 구간(8~30[Hz])을 사용하거나, 적합하지 않은 특정 주파수 대역을 고려할 경우 성능이 저하되는 문제점이 있다.
한편, 상술한 바와 같은 CSP의 문제점을 극복하기 위하여 다양한 기법들이 제안되었다. 보다 구체적으로, 추정된 공분산 행렬에 크게 의존하는 문제점을 극복하기 위하여 다양한 채널 선택방법들과 R-CSP(Rugularized Common Spatial Pattern) 기반의 방법들이 제안되었으나, 이는 정확한 주파수 대역의 추정은 고려하지 않는다. 또한, 정확한 주파수 대역의 추정을 위하여 FBCSP(Filter-bank Common Spatial Pattern)나 SBCSP(Sub-band Common Spatial Pattern)와 같은 최적화 주파수 추정방법들이 제안되었으나, 이는 정확한 공분산 행렬의 추정은 고려하지 않는다는 문제점이 있다.
대한민국 등록특허 KR 제10-1068017호 대한민국 등록특허 KR 제10-1619973호
본 발명의 목적은 소구역 분석을 통하여 각 소구역 마다 공분산 행렬을 추정함으로써 보다 정확한 공분산 행렬을 얻을 수 있으며, 각 소구역 마다 FBCSP 기반의 특징 선택 방법을 적용하여 주파수 대역 최적화를 동시에 수행할 수 있는 운동심상 분류 장치 및 방법을 제공하는 것에 있다.
본 발명의 일 실시 예에 따른 운동심상 분류 방법은 운동심상 분류 장치에 의해 수행되고 피험자에 부착된 k개의 전극들을 k개의 구역으로 분류하는 단계, 상기 각 구역별로 측정된 뇌전도 신호에 대하여 FBCSP(Filter-bank Common Spatial Pattern) 기법을 적용하여 제1 특징벡터를 추출하는 단계, 상기 각 구역별로 피셔 비율(fisher ratio)를 계산하고, 상기 제1 특징벡터 중에서 상기 피셔 비율이 기 설정된 임계값 보다 작을 때의 구역의 제1 특징벡터를 제2 특징벡터로 추출하는 단계, 및 상기 제2 특징벡터를 이용하여 분류기를 학습하는 단계를 포함하고, 상기 피셔 비율은 분류하고자 하는 각 클래스에 대한 내부 클래스의 거리(
Figure pat00001
)와 상기 각 클래스 간의 거리(
Figure pat00002
)의 비에 의해 정의될 수 있다. 여기서, k는 자연수일 수 있다.
본 발명의 일 실시 예에 따른 운동심상 분류 장치는 피험자에 부착된 k개의 전극들을 k개의 구역으로 분류하는 구역 설정부, 상기 각 구역별로 측정된 뇌전도 신호에 대하여 FBCSP(Filter-bank Common Spatial Pattern) 기법을 적용하여 제1 특징벡터를 추출하는 제1 특징벡터 추출부, 상기 각 구역별로 피셔 비율을 계산하고, 상기 제1 특징벡터 중에서 상기 피셔 비율이 기 설정된 임계값 보다 작을 때의 구역의 제1 특징벡터를 제2 특징벡터로 추출하는 제2 특징벡터 추출부, 및 상기 제2 특징벡터를 이용하여 분류기를 학습하는 학습부를 포함하고, 상기 피셔 비율은 분류하고자 하는 각 클래스에 대한 내부 클래스의 거리(
Figure pat00003
)와 상기 각 클래스 간의 거리(
Figure pat00004
)의 비에 의해 정의될 수 있다. 여기서, k는 자연수일 수 있다.
본 발명의 일 실시 예에 따르면 소구역 분석을 통해 공분산 행렬을 추정함으로써 보다 정확한 공분한 생렬을 얻을 수 있을 뿐만 아니라, 주파수 대역 최적화를 동시에 수행할 수 있다.
도 1은 본 발명의 일 실시 예에 따른 운동심상 분류 장치의 블록도이다.
도 2는 피험자에 부착된 복수개의 전극들을 도시한 것이다.
도 3은 도 1에 도시된 제1 특징벡터 추출부의 블록도를 도시한 것이다.
도 4는 본 발명의 일 실시 예에 따른 운동심상 분류 방법의 순서도이다.
도 5는 FBCSP 기법의 순서도를 도시한 것이다.
본 명세서에 개시되어 있는 본 발명의 개념에 따른 실시예들에 대해서 특정한 구조적 또는 기능적 설명들은 단지 본 발명의 개념에 따른 실시예들을 설명하기 위한 목적으로 예시된 것으로서, 본 발명의 개념에 따른 실시예들은 다양한 형태로 실시될 수 있으며 본 명세서에 설명된 실시예들에 한정되지 않는다.
본 발명의 개념에 따른 실시예들은 다양한 변경들을 가할 수 있고 여러 가지 형태들을 가질 수 있으므로 실시예들을 도면에 예시하고 본 명세서에 상세하게 설명하고자 한다. 그러나 이는 본 발명의 개념에 따른 실시예들을 특정한 개시형태들에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만, 예를 들어 본 발명의 개념에 따른 권리 범위로부터 이탈되지 않은 채, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 구성요소들 간의 관계를 설명하는 표현들, 예를 들어 "~사이에"와 "바로~사이에" 또는 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.
본 명세서에서 사용한 용어는 단지 특정한 실시예들을 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수개의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다. 이하, 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 본 발명의 일 실시 예에 따른 운동심상 분류 장치의 블록도이다.
도 1을 참조하면, 운동심상 분류 장치(10)는 구역 설정부(100), 제1 특징벡터 추출부(200), 제2 특징벡터 추출부(300) 및 학습부(400)를 포함한다.
구역 설정부(100)는 피험자에 부착된 k개의 전극들이 모두 포함된 지역을 k개의 구역으로 분류한다(여기서, k는 자연수임). 보다 구체적으로, 구역 설정부(100)는 k개의 전극들 중에서 선택된 어느 하나의 전극을 기준으로 상기 선택된 어느 하나의 전극에 인접한 전극들을 그룹핑하여 각 전극당 하나의 구역을 만듦으로써 전극들이 모두 포함된 지역을 총 k개의 구역으로 분류한다. 여기서, 각 구역 k에 포함되는 전극의 개수는 상기 선택된 어느 하나의 전극에 인접한 전극들의 개수에 따라 달라질 수 있다.
한편, 구역 설정부(100)는 피험자에 부착된 전극이 적어도 하나 이상의 구역에 포함되도록 구역을 분류하는데, 전극은 하나의 구역에만 포함될 수도 있으며 둘 이상의 구역에 중복되어 포함될 수도 있다.
피험자에 부착된 복수개의 전극들을 도시한 도 2를 참조하면, 구역 설정부(100)가 예를 들어 C3 전극을 기준으로 구역을 설정하는 경우 C3에 인접한 전극인 T7, CFC5, CFC3, CCP3 및 C1이 포함되도록 구역을 설정할 수 있다.
또한, C1 전극을 기준으로 구역을 설정하는 경우 C1에 인접한 전극인 CFC3, C3, CCP3 및 Cz가 포함되도록 구역을 설정할 수 있다. 이때, CFC3 및 CCP3은 상술한 바와 같이 각 구역에 중복되어 포함되거나, 또는 중복되지 않도록 포함될 수도 있다.
상술한 바와 같이 구역 설정부(100)를 통하여 피험자에 부착된 전극들을 구역으로 분류함으로써, 각 구역별로 측정되는 뇌전도 신호를 특징벡터 추출에 이용할 수 있다. 여기서, 각 구역별로 측정되는 뇌전도 신호는 예를 들어 D x T 크기를 갖는 행렬로 표현될 수 있다. 이때, D는 구역 k에 포함되는 전극의 개수이고, T는 샘플의 개수이다. 즉, D는 구역 k에 포함되는 전극의 개수에 따라 달라질 수 있다.
따라서, 구역 설정부(100)를 통하여 구역을 분류하는 경우 특정 구역이 운동심상과 관련된 구역일 경우 먼 곳에 위치한 전극에서 측정되는 뇌전도 신호는 구역에 포함되지 않으므로, 보다 정확하고 신뢰할 수 있는 공분산 행렬을 얻을 수 있다.
제1 특징벡터 추출부(200)는 구역 설정부(100)를 통해 분류된 각 구역별로 측정된 뇌전도 신호에 대하여 FBCSP(Filter-bank Common Spatial Pattern) 기법을 적용하여 제1 특징벡터를 추출한다.
FBCSP 기법은 기존의 CSP 기법의 성능을 향상시키기 위한 것으로서, 기존의 CSP 기법에 특정 대역폭을 갖는 주파수 대역을 선택하고 뇌전도 신호에 대하여 대역 통과 필터링(band-pass filtering)을 수행하는 과정이 추가로 포함된다.
도 1에 도시된 제1 특징벡터 추출부의 블록도를 도시한 도 3을 참조하면, 제1 특징벡터 추출부(200)는 FBCSP 기법을 적용하여 제1 특징벡터를 추출하기 위하여 필터 뱅크부(210), 공간 필터부(230) 및 추출부(250)를 포함한다.
필터 뱅크부(210)는 필터 뱅크(filter-bank)를 이용하여 분류된 각 구역별로 측정된 뇌전도 신호를 필터링하여 제1 필터링 신호를 생성한다. 필터 뱅크란 대역 통과 필터링을 수행하기 위하여 일정한 대역폭을 갖는 j개의 주파수 대역으로서, 특정 주파수 대역을 특정 대역폭마다 분할하여 얻은 분할된 주파수 대역들을 의미할 수 있다(여기서, j는 자연수임).
일 실시 예에 따른 필터 뱅크는 예를 들면, 4-36[Hz]의 주파수 대역을 2[Hz]마다 중복을 허용하여 각각 4[Hz]의 대역폭을 갖도록 분할하는 경우 그로부터 얻은 15개의 주파수 대역(4-8[Hz], 6-10[Hz], ... , 32-36[Hz])일 수 있다.
다른 실시 예에 따른 필터 뱅크는 중복을 허용하지 않도록 분할된 주파수 대역일 수도 있다. 예를 들어, 4-40[Hz]의 주파수 대역을 4[Hz]마다 분할하는 경우 그로부터 얻은 9개의 주파수 대역(4-8[Hz], 8-12[Hz], ... , 36-40[Hz])일 수 있다. 한편, 필터 뱅크는 상술한 실시 예에 한정되지 아니하며, 대역 통과 필터링을 수행하기 위해 다양한 형태의 주파수 대역들을 포함할 수 있다.
필터 뱅크부(210)는 상술한 바와 같은 필터 뱅크를 이용하여 각 구역별로 측정된 뇌전도 신호를 대역 통과 필터링하여 각 구역별로 필터 뱅크에 포함된 분할된 주파수 대역들의 개수(j)만큼의 제1 필터링 신호를 생성할 수 있다.
공간 필터부(230)는 필터 뱅크부(210)를 통해 생성된 제1 필터링 신호에 CSP 기법을 적용하여 CSP 특징벡터를 추출한다. CSP 기법은 분류대상 동작인 두 클래스 뇌전도 신호에 대하여 분산 차이를 극대화 시키는 알고리즘이다. CSP 기법은 분류대상 동작의 뇌전도 신호에 대하여 하나의 클래스의 뇌전도 신호는 분산을 가장 크게 만들어줌과 동시에 다른 하나의 클래스의 뇌전도 신호는 분산을 가장 작게 만들어주는 공간 필터 행렬(
Figure pat00005
)을 생성한다.
공간 필터부(230)가 CSP 기법을 적용하여 CSP 특징벡터를 추출하는 과정에 대한 상세한 설명은 운동심상 분류 방법에서 후술하기로 한다.
추출부(250)는 공간 필터부(230)로부터 추출된 CSP 특징벡터의 상호 정보량(mutual information)을 기반으로 추출된 CSP 특징벡터로부터 제1 특징벡터를 추출한다. 상호 정보량은 두 변수 사이의 정보의 공유 정도를 측정하기 위한 변수로서, 아래의 수학식 1에 의해 정의될 수 있다.
Figure pat00006
여기서,
Figure pat00007
는 CSP 특징벡터(f)와 클래스(
Figure pat00008
)에 대한 상호 정보량,
Figure pat00009
는 클래스(w)에 대한 엔트로피,
Figure pat00010
는 클래스(w)에 대한 조건부 엔트로피이다.
추출부(250)는 상기 수학식 1을 이용하여 상호 정보량을 계산하고, 각 구역별 CSP 특징벡터를 상호 정보량의 크기에 따라 내림차순으로 정렬하여 상호 정보량이 높은 순서대로 M개의 CSP 특징벡터를 제1 특징벡터로서 추출한다(여기서, M은 자연수로서, 바람직하게는 2일 수 있다). 따라서, 추출부(250)를 통해 각 구역별로 M·j개의 제1 특징벡터가 추출될 수 있다.
상술한 바와 같이, 제1 특징벡터는 각 구역별로 필터 뱅크에 의해 대역 통과 필터링된 CSP 특징벡터로부터 상호 정보량의 크기에 따라 추출된 것이므로, 제1 특징벡터는 결국 운동심상 분류에 가장 밀접한 관련이 있는 주파수 대역을 갖는 CSP 특징벡터를 의미한다고 볼 수 있다.
제2 특징벡터 추출부(300)는 각 구역별로 피셔 비율(fisher ratio)을 계산하고, 계산된 피셔 비율을 이용하여 추출부(250)를 통해 추출된 제1 특징벡터로부터 제2 특징벡터를 추출한다. 제2 특징벡터 추출부(300)가 피셔 비율을 이용하여 제2 특징벡터를 추출하는 것은 운동심상 분류에 의미있는 정보를 포함하는 구역에 대한 특징벡터를 추출하는 것을 의미한다.
제1 특징벡터 추출을 위해 이용된 CSP 기법은 분류하고자 하는 두 클래스 간의 파워의 비를 최대화하는 공간 필터를 이용하여 제1 특징벡터를 생성하므로, 이에 따라 특징벡터들의 파워를 수량화하여 나타낼 수 있는 변수인 피셔 비율을 계산하고, 이를 이용하여 분류된 구역 k 중에서 분류하고자 하고자 하는 동작과 연관성이 깊은 구역을 선별할 수 있다. 제2 특징벡터 추출을 위한 피셔 비율은 아래의 수학식 2에 의해 정의될 수 있다.
Figure pat00011
여기서, r은 피셔 비율,
Figure pat00012
는 분류하고자 하는 각 클래스에 대한 내부 클래스의 거리,
Figure pat00013
는 각 클래스 간의 거리이다. 즉, 피셔 비율은
Figure pat00014
와
Figure pat00015
의 비를 의미한다. 한편, 내부 클래스의 거리와 각 클래스 간의 거리는 각각 아래의 수학식 3과 4에 의해 정의될 수 있다.
Figure pat00016
여기서, c는 클래스,
Figure pat00017
는 클래스의 개수, M은 제1 특징벡터의 개수,
Figure pat00018
는 클래스 c의 구역 k의 i번째 신호의 m번째 제1 특징벡터,
Figure pat00019
는
Figure pat00020
의 평균벡터이다.
Figure pat00021
제2 특징벡터 추출부(300)는 상기 수학식 2 내지 4를 이용하여 구역 k에 대하여 각 구역별로 피셔 비율을 계산하고, 계산된 피셔 비율이 기 설정된 임계값 보다 작을 때의 구역의 제1 특징벡터를 제2 특징벡터로서 추출할 수 있다.
여기서, 기 설정된 임계값은 예를 들어 구역별 피셔 비율이 아닌 2·j·k차원을 갖는 전체 구역들의 특징 벡터에 대한 피셔 비율을 의미할 수 있다.
학습부(400)는 제2 특징벡터 추출부(300)를 통하여 추출된 제2 특징벡터를 이용하여 분류기를 학습한다. 여기서, 분류기는 서포트 벡터 머신(support vector machine, SVM), 뉴럴 네트워크(neural network, NN), 유사-하르 특징(Harr-like feature), 로컬 바이너리 패턴(Local Binary Patterns: LBP), 적응적 부스팅(adaptive boosting), 뉴럴 네트워크(Neural Network, NN), 또는 딥 러닝(deep learning) 등의 다양한 기계 학습 모델(machine learning model)을 포함할 수 있다. 바람직하게는, 분류기는 SVM 기반의 분류기일 수 있다.
도 4는 본 발명의 일 실시 예에 따른 운동심상 분류 방법의 순서도이다. 이하에서는 앞서 설명한 부분과 중복되는 부분에 대한 설명은 생략하기로 한다.
도 4를 참조하면, S510 단계는 피험자에 부착된 k개의 전극들을 k개의 구역으로 분류한다. 여기서, 분류되는 구역은 k개의 전극들 중에서 선택된 어느 하나의 전극을 기준으로 상기 선택된 어느 하나의 전극에 인접한 전극들이 그룹핑된 구역으로서 각 구역에 포함되는 전극의 개수는 인접한 전극들의 개수에 따라 달라질 수 있다.
S520 단계는 상기 각 구역별로 측정된 뇌전도 신호에 대하여 FBCSP(Filter-bank Common Spatial Pattern) 기법을 적용하여 제1 특징벡터를 추출한다. 이하에서는 FBCSP 기법을 적용하여 제1 특징벡터를 추출하는 S520 단계에 대하여 보다 상세히 설명하기로 한다.
FBCSP 기법의 순서도를 도시한 도 5를 참조하면, S5201 단계는 필터 뱅크를 이용하여 각 구역별로 측정된 뇌전도 신호를 필터링하여 제1 필터링 신호를 생성한다. 여기서, 필터 뱅크는 일정한 대역폭을 갖는 j개의 주파수 대역들을 의미할 수 있다.
S5202 단계는 분류하고자 하는 각 클래스에 대하여 S5201 단계를 통해 생성된 제1 필터링 신호의 공분산 행렬을 생성한다. 구역 k의 뇌전도 신호를
Figure pat00022
라 할때,
Figure pat00023
에 대한 공분산 행렬(
Figure pat00024
)은 아래의 수학식 5와 같다.
Figure pat00025
S5202 단계는 구역 k의 뇌전도 신호에 대하여 상기 수학식 5에 의한 공분산 행렬을 생성한다.
S5203 단계는 S5202 단계를 통해 생성된 공분산 행렬에 대하여 각 구역별로 공간 필터 행렬(
Figure pat00026
)을 생성한다. 공간 필터 행렬은 아래의 수학식 6에 대한 고유값 분해를 수행하여 얻을 수 있다.
Figure pat00027
여기서,
Figure pat00028
는 각 클래스(1,2)에 대한 제1 필터링 신호의 공분산 행렬,
Figure pat00029
는 공간 필터들로 구성된 구역 k의 투영 행렬,
Figure pat00030
는
Figure pat00031
의 고유값들로 구성된 대각 행렬이다.
S5204 단계는 S5203 단계를 통해 생성된 공간 필터 행렬(
Figure pat00032
)을 이용하여 제1 필터링 신호를 공간 필터링하여 제2 필터링 신호를 생성한다. 제2 필터링 신호(
Figure pat00033
)는 아래의 수학식 7과 같다.
Figure pat00034
여기서,
Figure pat00035
는 공간 필터 행렬(
Figure pat00036
)에 포함된 공간 필터(spatial filter) 중에서, 고유값 분해를 통하여 산출된 고유값들 중에서 가장 큰 고유값과 가장 작은 고유값에 대응하는 공간 필터로 구성된 행렬이다. 이에 따라, 제2 필터링 신호(
Figure pat00037
)는 2 x T 크기를 갖는 행렬로 표현될 수 있다.
S5205 단계는 S5204 단계를 통해 생성된 제2 필터링 신호의 분산을 CSP 특징벡터로 추출한다. 따라서, 각 구역별로 2j개의 CSP 특징벡터가 추출될 수 있으며, 구역 k에 대하여 총 2j·k개의 CSP 특징벡터가 추출될 수 있다.
S5206 단계는 S5205 단계를 통해 추출된 CSP 특징벡터에 대한 상호 정보량을 기반으로 상기 추출된 CSP 특징벡터로부터 제1 특징벡터를 추출한다.
이를 위하여, S5206 단계는 추출된 CSP 특징벡터에 대한 상호 정보량을 계산하는 단계와 계산된 상호 정보량 중에서 가장 높은 상호 정보량을 갖는 CSP 특징벡터 및 상기 가장 높은 상호 정보량으로부터 내림차순으로 선별된 M개의 상호 정보량 각각에 대한 CSP 특징벡터를 제1 특징벡터로서 추출하는 단계를 더 포함할 수 있다. 한편, 상호 정보량은 상술한 바와 같이 상기 수학식 1에 의해 계산될 수 있다.
상술한 바와 같이 S520 단계는 S5201 단계 내지 S5206 단계를 통해 각 구역별로 측정된 뇌전도 신호에 대하여 FBCSP 기법을 적용하여 제1 특징벡터를 추출한다. 추출된 제1 특징벡터는 구역 k에 대하여 각 구역별로 M개의 주파수 대역에 대한 특징벡터이며, 일 실시 예에 따라 M이 2라면 총 4차원의 제1 특징벡터가 추출된다.
S530 단계는 각 구역별로 피셔 비율을 계산하고, S520 단계를 통해 추출된 제1 특징벡터 중에서 계산된 피셔 비율이 기 설정된 임계값 보다 작을 때의 구역의 제1 특징벡터를 제2 특징벡터로 추출한다. fisher raito는 상기 수학식 2 내지 4를 통해 계산될 수 있다.
한편, S530 단계는 임계값을 설정하는 단계를 더 포함할 수 있다. 이때, 임계값은 예를 들어 구역별 피셔 비율이 아닌 2·j·k차원을 갖는 전체 구역들의 특징 벡터에 대한 피셔 비율을 의미할 수 있다.
S540 단계는 S530 단계를 통해 추출된 제2 특징벡터를 이용하여 분류기를 학습한다.
<실시예>
이하에서는 본 발명의 운동심상 분류 장치(10) 및 방법의 일 실시 예 및 그에 따른 운동심상 분류의 성능을 다른 기법과 비교하기로 한다. 일 실시 예에 따라, 운동심상 분류를 위해 사용된 뇌전도 신호 데이터는 bci competition iii dataset Iva로서, 훈련 신호가 적을 때 운동심상 분류 성능평가에 유용하게 사용되는 데이터이다. 데이터는 5명의 피험자(al, aa, av, aw, ay)에 대하여 측정되었으며, 각 피험자별로 두 클래스(오른손의 움직임과 오른발의 움직임)에 대하여 측정되었다. 피험자에 부착된 전극은 총 118개이며, 그 중에서 운동심상 지역으로 알려진 18개의 전극을 사용하였다. 뇌전도 신호는 visual cue가 제시된 후 0.5~3.5[s] 사이의 뇌전도 신호를 사용하였다. 이때, 각 피험자별 훈련 신호와 테스트 신호의 개수는 아래의 표 1과 같다.
피험자 훈련 신호 개수 테스트 신호 개수
al 224 56
aa 168 112
av 84 196
aw 56 224
ay 28 252
본 발명 및 기존의 CSP 기법들 중에서 필터 뱅크가 사용된 기법들은 15개의 필터 뱅크(4-8[Hz], 6-10[Hz], ... , 32-36[Hz])를 사용하였다. 동작 분류를 위해 사용된 분류기는 SVM(Support Vector Machine) 기반의 분류기이다.
아래의 표 2는 본 발명과 기존의 CSP 기법들과의 성능을 비교한 것이다.
피험자 R-CSP FBCSP SBRCSP FBRCSP 본 발명
al 91.07 94.64 98.21 94.64 100
aa 75.89 88.39 86.61 91.07 91.07
av 60.2 61.22 63.78 75 78.06
aw 70.98 80.02 89.05 76.78 88.84
ay 88 82.14 77.78 93.65 80.16
평균 77.23 81.28 83.09 86.23 87.63
상기 표 2를 참조하면, 평균 정확도를 비교하면 R-CSP, FBCSP, SBRCSP 및 FBRCSP 기법 대비 각각 10.4[%], 6.35[%], 4.94[%], 1.4[%]의 성능 향상을 보여주었다. 특히, FBRCSP 기법과 비교할 때 본 발명은 피험자 aw에 대하여 12.06[%]의 높은 정확도 향상을 나타내었다.
상술한 바와 같이 본 발명의 운동심상 분류 장치(10) 및 방법은 구역 분류를 통해 신뢰가능한 공분산 행렬을 추정하고, 동시에 구역별로 활성화 주파수 대역의 특징을 추출하여 최적의 주파수 대역 설정 문제를 해결함으로써 기존의 CSP 기법들과 비교하여 높은 BCI 분류 정확도를 나타낼 수 있다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (11)

  1. 운동심상 분류 장치에 의해 수행되는 운동심상 분류 방법으로서,
    피험자에 부착된 k개의 전극들을 k개의 구역으로 분류하는 단계;
    상기 각 구역별로 측정된 뇌전도 신호에 대하여 FBCSP(Filter-bank Common Spatial Pattern) 기법을 적용하여 제1 특징벡터를 추출하는 단계;
    상기 각 구역별로 피셔 비율(fisher ratio)을 계산하고, 상기 제1 특징벡터 중에서 상기 피셔 비율이 기 설정된 임계값 보다 작을 때의 구역의 제1 특징벡터를 제2 특징벡터로 추출하는 단계; 및
    상기 제2 특징벡터를 이용하여 분류기를 학습하는 단계를 포함하고,
    상기 피셔 비율은 분류하고자 하는 각 클래스에 대한 내부 클래스의 거리(
    Figure pat00038
    )와 상기 각 클래스 간의 거리(
    Figure pat00039
    )의 비에 의해 정의되는 운동심상 분류 방법.
    여기서, k는 자연수.
  2. 제1항에 있어서,
    상기 내부 클래스의 거리(
    Figure pat00040
    )는
    Figure pat00041
    이고, 상기 각 클래스 간의 거리(
    Figure pat00042
    )는
    Figure pat00043
    인 운동심상 분류 방법.
    여기서, c는 클래스,
    Figure pat00044
    는 클래스의 개수, M은 제1 특징벡터의 개수,
    Figure pat00045
    는 클래스 c의 구역 k의 i번째 신호의 m번째 제1 특징벡터,
    Figure pat00046
    는
    Figure pat00047
    의 평균벡터.
  3. 제1항에 있어서,
    상기 FBCSP 기법을 적용하여 제1 특징벡터를 추출하는 단계는
    필터 뱅크(filter-bank)를 이용하여 상기 각 구역별로 측정된 뇌전도 신호를 필터링하여 제1 필터링 신호를 생성하는 단계;
    상기 각 클래스에 대하여 상기 제1 필터링 신호의 공분산 행렬을 생성하는 단계;
    상기 생성된 공분산 행렬에 대하여 아래의 수학식 1에 대한 고유값 분해를 수행하여 상기 각 구역별로 공간 필터 행렬(
    Figure pat00048
    )을 생성하는 단계;
    상기 생성된 공간 필터 행렬(
    Figure pat00049
    )에 포함된 공간 필터(spatial filter) 중에서 상기 고유값 분해를 통해 산출된 고유값을 기반으로 선택된 공간 필터를 이용하여 상기 제1 필터링 신호를 공간 필터링하여 제2 필터링 신호를 생성하는 단계;
    상기 제2 필터링 신호의 분산을 CSP 특징벡터로 추출하는 단계; 및
    상기 추출된 CSP 특징벡터에 대한 상호 정보량(mutual information)을 기반으로 상기 추출된 CSP 특징벡터로부터 제1 특징벡터를 추출하는 단계를 더 포함하는 운동심상 분류 방법.
    [수학식 1]
    Figure pat00050

    여기서,
    Figure pat00051
    는 각 클래스에 대한 제1 필터링 신호의 공분산 행렬,
    Figure pat00052
    는 공간 필터들로 구성된 구역 k의 투영 행렬,
    Figure pat00053
    는
    Figure pat00054
    의 고유값들로 구성된 대각 행렬.
  4. 제3항에 있어서,
    상기 상호 정보량을 기반으로 제1 특징벡터를 추출하는 단계는
    상기 추출된 CSP 특징벡터에 대한 상호 정보량을 계산하는 단계; 및
    상기 계산된 상호 정보량 중에서 가장 높은 상호 정보량을 갖는 CSP 특징벡터 및 상기 가장 높은 상호 정보량으로부터 내림차순으로 선별된 M개의 상호 정보량 각각에 대한 CSP 특징벡터를 제1 특징벡터로서 추출하는 단계를 더 포함하는 운동심상 분류 방법.
  5. 제3항 또는 제4항에 있어서,
    상기 필터뱅크는 일정한 대역폭을 갖는 j개의 주파수 대역인 운동심상 분류 방법.
    여기서, j는 자연수.
  6. 제4항에 있어서,
    상기 상호 정보량을 계산하는 단계는 아래의 수학식 2에 의해 상기 상호 정보량을 계산하는 운동심상 분류 방법.
    [수학식 2]
    Figure pat00055

    여기서,
    Figure pat00056
    는 CSP 특징벡터(f)에 대한 상호 정보량,
    Figure pat00057
    는 클래스(w)에 대한 엔트로피,
    Figure pat00058
    는 클래스(w)에 대한 조건부 엔트로피.
  7. 제1항에 있어서,
    상기 기 설정된 임계값은 상기 k개의 구역들의 제1 특징 벡터에 대한 피셔 비율인 운동심상 분류 방법.
  8. 제1항에 있어서,
    상기 분류기는 SVM(Support Vector Machine) 기반인 운동심상 분류 방법.
  9. 피험자에 부착된 k개의 전극들을 k개의 구역으로 분류하는 구역 설정부;
    상기 각 구역별로 측정된 뇌전도 신호에 대하여 FBCSP(Filter-bank Common Spatial Pattern) 기법을 적용하여 제1 특징벡터를 추출하는 제1 특징벡터 추출부;
    상기 각 구역별로 피셔 비율(fisher ratio)을 계산하고, 상기 제1 특징벡터 중에서 상기 피셔 비율이 기 설정된 임계값 보다 작을 때의 구역의 제1 특징벡터를 제2 특징벡터로 추출하는 제2 특징벡터 추출부; 및
    상기 제2 특징벡터를 이용하여 분류기를 학습하는 학습부를 포함하고,
    상기 피셔 비율은 분류하고자 하는 각 클래스에 대한 내부 클래스의 거리(
    Figure pat00059
    )와 상기 각 클래스 간의 거리(
    Figure pat00060
    )의 비에 의해 정의되는 운동심상 분류 장치.
    여기서, k는 자연수.
  10. 제9항에 있어서,
    상기 내부 클래스의 거리(
    Figure pat00061
    )는
    Figure pat00062
    이고, 상기 각 클래스 간의 거리(
    Figure pat00063
    )는
    Figure pat00064
    인 운동심상 분류 장치.
    여기서, c는 클래스,
    Figure pat00065
    는 클래스의 개수, M은 제1 특징벡터의 개수,
    Figure pat00066
    는 클래스 c의 구역 k의 i번째 신호의 m번째 제1 특징벡터,
    Figure pat00067
    는
    Figure pat00068
    의 평균벡터.
  11. 제9항에 있어서,
    상기 제1 특징벡터 추출부는
    필터 뱅크(filter-bank)를 이용하여 상기 각 구역별로 측정된 뇌전도 신호를 필터링하여 제1 필터링 신호를 생성하는 필터 뱅크부;
    상기 각 클래스에 대하여 상기 제1 필터링 신호의 공분산 행렬을 생성하고, 상기 생성된 공분산 행렬에 대하여 아래의 수학식 1에 대한 고유값 분해를 수행하여 상기 각 구역별로 공간 필터 행렬(
    Figure pat00069
    )을 생성하고, 상기 생성된 공간 필터 행렬(
    Figure pat00070
    )에 포함된 공간 필터(spatial filter) 중에서 상기 고유값 분해를 통해 산출된 고유값을 기반으로 선택된 공간 필터를 이용하여 상기 제1 필터링 신호를 공간 필터링하여 제2 필터링 신호를 생성하고, 상기 제2 필터링 신호의 분산을 CSP 특징벡터로 추출하는 공간 필터부; 및
    상기 추출된 CSP 특징벡터에 대한 상호 정보량(mutual information)을 기반으로 상기 추출된 CSP 특징벡터로부터 제1 특징벡터를 추출하는 추출부를 포함하는 운동심상 분류 장치.
    [수학식 1]
    Figure pat00071

    여기서,
    Figure pat00072
    는 각 클래스에 대한 제1 필터링 신호의 공분산 행렬,
    Figure pat00073
    는 공간 필터들로 구성된 구역 k의 투영 행렬,
    Figure pat00074
    는
    Figure pat00075
    의 고유값들로 구성된 대각 행렬.
KR1020180049143A 2018-04-27 2018-04-27 지역 분석 기반의 fbcsp 기법을 이용한 운동심상 분류 장치 및 그 방법 KR102043191B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180049143A KR102043191B1 (ko) 2018-04-27 2018-04-27 지역 분석 기반의 fbcsp 기법을 이용한 운동심상 분류 장치 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180049143A KR102043191B1 (ko) 2018-04-27 2018-04-27 지역 분석 기반의 fbcsp 기법을 이용한 운동심상 분류 장치 및 그 방법

Publications (2)

Publication Number Publication Date
KR20190124987A true KR20190124987A (ko) 2019-11-06
KR102043191B1 KR102043191B1 (ko) 2019-11-11

Family

ID=68535872

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180049143A KR102043191B1 (ko) 2018-04-27 2018-04-27 지역 분석 기반의 fbcsp 기법을 이용한 운동심상 분류 장치 및 그 방법

Country Status (1)

Country Link
KR (1) KR102043191B1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110037726A (ko) * 2009-10-07 2011-04-13 포항공과대학교 산학협력단 뇌-컴퓨터 인터페이스를 위한 합성 공통 공간 패턴 분석 방법 및 이를 이용한 뇌파 분석 방법
KR20120122617A (ko) * 2011-04-29 2012-11-07 가톨릭대학교 산학협력단 움직임을 상상하는 뇌파 분류 방법 및 그 장치
KR101619973B1 (ko) 2015-06-12 2016-05-13 금오공과대학교 산학협력단 스펙트럼 분석과 벡터 양자화를 이용한 운동 상상 뇌전도 판별 방법 및 판별 시스템
KR101748731B1 (ko) * 2016-09-22 2017-06-20 금오공과대학교 산학협력단 아이겐 페이스 개념을 이용한 뇌파 신호 분류 방법 및 이를 실행하는 장치
KR20180028888A (ko) * 2016-09-09 2018-03-19 고려대학교 산학협력단 사용환경에 적응적인 뇌-컴퓨터 인터페이스 장치 및 그 장치의 동작 방법

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110037726A (ko) * 2009-10-07 2011-04-13 포항공과대학교 산학협력단 뇌-컴퓨터 인터페이스를 위한 합성 공통 공간 패턴 분석 방법 및 이를 이용한 뇌파 분석 방법
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
KR20120122617A (ko) * 2011-04-29 2012-11-07 가톨릭대학교 산학협력단 움직임을 상상하는 뇌파 분류 방법 및 그 장치
KR101619973B1 (ko) 2015-06-12 2016-05-13 금오공과대학교 산학협력단 스펙트럼 분석과 벡터 양자화를 이용한 운동 상상 뇌전도 판별 방법 및 판별 시스템
KR20180028888A (ko) * 2016-09-09 2018-03-19 고려대학교 산학협력단 사용환경에 적응적인 뇌-컴퓨터 인터페이스 장치 및 그 장치의 동작 방법
KR101748731B1 (ko) * 2016-09-22 2017-06-20 금오공과대학교 산학협력단 아이겐 페이스 개념을 이용한 뇌파 신호 분류 방법 및 이를 실행하는 장치

Also Published As

Publication number Publication date
KR102043191B1 (ko) 2019-11-11

Similar Documents

Publication Publication Date Title
Borji et al. Exploiting local and global patch rarities for saliency detection
KR102357326B1 (ko) 얼굴 특징 추출 방법 및 장치, 얼굴 인식 방법 및 장치
KR102361005B1 (ko) 상관관계와 필터 뱅크 csp 특징의 피셔 비율을 이용한 bci를 위한 최적 전극 선택 장치 및 방법
Filipe et al. From the human visual system to the computational models of visual attention: a survey
CN113011239B (zh) 一种基于最优窄频带特征融合的运动想象分类方法
Souly et al. Visual saliency detection using group lasso regularization in videos of natural scenes
Zhang et al. Functional brain network classification with compact representation of SICE matrices
WO2022183966A1 (zh) 脑电信号分类方法、装置、设备、存储介质及程序产品
KR101068017B1 (ko) 뇌-컴퓨터 인터페이스를 위한 합성 공통 공간 패턴 분석 방법 및 이를 이용한 뇌파 분석 방법
Shyamalee et al. Glaucoma detection with retinal fundus images using segmentation and classification
Algamdi et al. Learning temporal information from spatial information using CapsNets for human action recognition
WO2012133185A1 (ja) 脳波解析装置、脳波解析方法、プログラム、及び記録媒体
Prabhu et al. Facial Expression Recognition Using Enhanced Convolution Neural Network with Attention Mechanism.
KR20160087740A (ko) 동영상에 포함된 객체의 운동 유형을 결정하기 위한 방법 및 장치
KR102369413B1 (ko) 영상 처리 장치 및 방법
KR20200017607A (ko) 뉴럴 네트워크를 이용한 영상 분할 방법 및 그 장치
Gundogdu et al. Extending correlation filter-based visual tracking by tree-structured ensemble and spatial windowing
Prajapati et al. Un-supervised mri segmentation using self organised maps
KR102043191B1 (ko) 지역 분석 기반의 fbcsp 기법을 이용한 운동심상 분류 장치 및 그 방법
KR102300459B1 (ko) 딥러닝 기반의 뇌-컴퓨터 인터페이스를 위한 공간-주파수 특징맵을 생성하는 장치 및 방법
KR102152785B1 (ko) 지역별 결합 뇌전도 신호의 csp 특징을 이용한 운동 심상 분류 장치 및 방법
KR20210051525A (ko) 뇌전도 신호의 tdp와 상관관계 계수를 이용한 운동 심상 분류 장치 및 방법
KR101853211B1 (ko) 모바일 gpu 환경에서 차영상 정보를 이용한 sift 알고리즘의 복잡도 감소 기법
Osman et al. Improved skin detection based on dynamic threshold using multi-colour space
Sadreazami et al. EEGCAPs: Brain activity recognition using modified common spatial patterns and capsule network

Legal Events

Date Code Title Description
A201 Request for examination
E701 Decision to grant or registration of patent right
GRNT Written decision to grant