WO2011093557A1 - 생체신호의 특징 추출 장치 및 방법 - Google Patents

생체신호의 특징 추출 장치 및 방법 Download PDF

Info

Publication number
WO2011093557A1
WO2011093557A1 PCT/KR2010/003604 KR2010003604W WO2011093557A1 WO 2011093557 A1 WO2011093557 A1 WO 2011093557A1 KR 2010003604 W KR2010003604 W KR 2010003604W WO 2011093557 A1 WO2011093557 A1 WO 2011093557A1
Authority
WO
WIPO (PCT)
Prior art keywords
biosignal
signal
frequency
feature
representative
Prior art date
Application number
PCT/KR2010/003604
Other languages
English (en)
French (fr)
Inventor
심귀보
염홍기
Original Assignee
중앙대학교 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 중앙대학교 산학협력단 filed Critical 중앙대학교 산학협력단
Publication of WO2011093557A1 publication Critical patent/WO2011093557A1/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]
    • 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
    • A61B5/7264—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
    • A61B5/24—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]
    • A61B5/377—Electroencephalography [EEG] using evoked responses
    • 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
    • A61B5/7253—Details of waveform analysis characterised by using transforms

Definitions

  • the present invention relates to an apparatus and method for extracting features of a biosignal, and more particularly, to an apparatus and a method for accurately grasping a user's intention using a biosignal measured from a user in a brain computer interface.
  • BCI Brain-Computer Interface
  • EEG In order to analyze EEG, a feature must be extracted from a specific frequency range. EEG has a large difference in EEG types among subjects, and even in the same subject, EEG patterns appear differently each time the experiment is performed. Therefore, there is a need for a feature extraction method capable of detecting only a specific frequency region related to the purpose of the experiment.
  • the present invention has been made in an effort to provide an apparatus and method for extracting features of a biosignal capable of automatically detecting a frequency region from which features are extracted when analyzing a biosignal such as brain waves.
  • Another technical problem to be solved by the present invention is to read a computer program having a program for executing a feature extraction method of a biosignal that can automatically detect a frequency region for extracting a feature when analyzing a biosignal such as brain waves.
  • a biosignal such as brain waves.
  • the apparatus for extracting features of a biosignal receives a first biosignal and a second biosignal generated from a human body by different stimuli, and converts the frequency into the first biosignal according to frequency.
  • a signal converter configured to calculate a converted value of the biosignal and the second biosignal;
  • a frequency detector for detecting a frequency section in which a difference between the magnitudes of the converted values of the first biosignal and the second biosignal is equal to or greater than a preset threshold; And calculating a representative transform value corresponding to the first biosignal and the second biosignal from the converted values included in the detected frequency section, and converting the representative transform values into the first biosignal and the second biosignal.
  • a feature point determiner for mapping the signal as a feature point in a coordinate space for classifying a signal.
  • a feature extraction method of a biosignal according to the present invention wherein a first biosignal and a second biosignal generated by a human body are inputted by different stimuli to be frequency-converted to receive the first biosignal according to frequency.
  • a signal conversion step of calculating a conversion value of the biosignal and the second biosignal Detecting a frequency section in which a difference between the magnitudes of the converted values of the first biosignal and the second biosignal is greater than or equal to a preset threshold; And calculating a representative transform value corresponding to the first biosignal and the second biosignal from the converted values included in the detected frequency section, and converting the representative transform values into the first biosignal and the second biosignal.
  • a frequency section for extracting features of a biosignal is automatically detected by comparing different magnitudes to frequencies of two biosignals generated in a human body by different stimuli.
  • FIG. 1 is a block diagram showing the configuration of a preferred embodiment of an apparatus for extracting features of a biosignal according to the present invention
  • Figure 2 is a view showing a comparison of the space-time resolution of various EEG measurement equipment
  • FIGS 4 and 5 are views showing an example of the results obtained by EEGLAB, an EEG analysis program,
  • FIG. 6 is a diagram illustrating EEG measured in two channels according to time and frequency.
  • FIG. 7 is a graph illustrating conversion values according to frequencies of the first biosignal and the second biosignals measured by different stimuli in the C4 region of the brain;
  • FIG. 10 is a graph showing an example in which 200 representative transformed values obtained by several EEG measurements are mapped to a two-dimensional coordinate space
  • FIG. 11 is a flowchart illustrating a process of performing a preferred embodiment of the method for feature extraction of a biosignal according to the present invention
  • 12 to 18 are graphs showing the frequency conversion values of the signals measured in selected areas of the brain for subjects a to g, respectively.
  • FIG. 1 is a block diagram showing the configuration of a preferred embodiment of the apparatus for feature extraction of biosignals according to the present invention.
  • the apparatus for extracting features of a biosignal includes a signal converter 110, a frequency detector 120, and a feature point determiner 130.
  • the signal converter 110 receives the first biosignal and the second biosignal generated by the human body by different stimuli, and converts the frequency to calculate the converted values of the first biosignal and the second biosignal according to the frequency.
  • the first biosignal and the second biosignal may be brain waves for a brain computer interface (BCI).
  • BCI brain computer interface
  • the object of application of the present invention is not limited to brain waves, and the present invention can be applied to all biological signals that can be analyzed by extracting features of a signal.
  • the brain is made up of more than 100 billion neurons, each of which is connected to 2000 or more other neurons and accepts about 20,000 inputs. Signal transmission between neurons is in the form of electrical signals. Therefore, electrical changes occur in the brain according to the activity of the brain, and a signal measuring the electrical changes is called an electroencephalogram. There are various methods of measuring the EEG as follows.
  • Electroencephalography is a signal that measures electrical changes on the surface of the head.
  • EEG has good temporal resolution but poor spatial resolution.
  • Temporal resolution refers to how fast changes can be measured.
  • spatial resolution means how much change in a narrow area can be measured, and accurate analysis of the brain is possible according to spatial resolution.
  • EEG there is a big disadvantage that the signal is distorted much as EEG passes through the skull, which is not a conductor.
  • EEG EEG-derived neurotrophic factor derived neurotrophic factor ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  • Magnetoencephalography is a method of measuring the change in the magnetic field generated by the flow of electricity using a superconducting coil, which has a good time resolution and spatial resolution, no distortion in the skull, but the equipment is large and expensive .
  • PET positron emission tomography
  • PET is a method of expressing images by measuring the brain using radioisotopes and used in various diagnostic methods, but has a disadvantage in that the equipment is large and the time resolution is not good.
  • fMRI Functional Magnetic Resonance Imaging
  • NIRS Near Infra-Red Spectroscopy
  • BOLD Blood Oxygen Level Dependent
  • Figure 2 is a view showing a comparison of the space-time resolution of the various EEG measurement equipment, EEG and NIRS is used in the case of BCI because EEG measurement equipment should be movable.
  • the brain wave to be analyzed in the present invention can be a signal measured by EEG.
  • the EEG In order to analyze the measured EEG, the EEG is generally frequency-transformed to observe what changes have occurred at a particular frequency. In general, EEG is divided into five areas according to the frequency range.
  • Delta waves (0-4 Hz) are most pronounced in deep sleep of a normal person or in newborns, and may be caused by noise when blinking or moving the body violently during EEG measurements.
  • Theta waves (4–8 Hz) are the most common waves in the process leading to emotional stability or sleep, and are more common in children than adults.
  • Alpha waves (8–13 Hz) usually occur in relaxed states, such as relaxation, and increase in amplitude as they are stable and relaxed.
  • relaxed states such as relaxation
  • amplitude as they are stable and relaxed.
  • a stable alpha wave appears, it is when you close your eyes and are in a true state.
  • you open your eyes, watch an object, or become mentally excited the alpha wave is suppressed.
  • Beta waves (13–30 Hz) are most common in the frontal head and appear during all conscious activities, such as when waking up and speaking. In particular, it may prevail in anxiety, tension, or complex calculations.
  • gamma waves (30-50Hz) vibrate faster than beta waves, and are deeply related to emotional cognition or highly cognitive information processing such as reasoning and judgment.
  • mupa refers to the range of 8 ⁇ 12Hz.
  • ERP Event-Related Potential
  • the power spectrum shows which area of the head the frequency you want to observe is high and low in the area of the head, or which frequency band differs by task (left hand, right hand, foot, etc.) on one channel. It is to see if it looks like.
  • 4 and 5 are diagrams showing an example of the results obtained by EEGLAB, an EEG analysis program, and shows a change according to the frequency of a signal measured at each point of the brain.
  • FIG. 6 is a diagram showing EEG measured in two channels according to time and frequency, and it can be seen that the EEG below 10 Hz is decreased after a stimulus is given (time 0).
  • the EEG is divided into signals in various frequency domains as described above and classified by the classification algorithm. Since the feature is extracted using signals in all frequency domains, even signals that are not related to experiments are used as features, causing a reduction in recognition rate.
  • the type of brain waves differs from person to person.
  • the signal converter 110 receives the first biosignal generated by the specific stimulus and the second biosignal generated by the stimulus different from the stimulus that generates the first biosignal and converts the frequency.
  • FFT Fast Fourier Transform
  • the received brain waves may be frequency-divided by dividing at predetermined time intervals, and the brain waves corresponding to each time interval may overlap each other.
  • the brainwaves generated for 2 seconds after the stimulus is given can be used for analysis, and as described above, the signal after 300ms after the stimulus is important, such a 2 second time interval can be used.
  • the frequency domain most suitable for extracting the features of the EEG is automatically detected based on the frequency-converted first and second biological signals.
  • the frequency detector 120 detects a frequency section in which a difference between the magnitudes of the converted values of the first biosignal and the second biosignal according to the frequency is greater than or equal to a preset threshold.
  • the frequency detector 120 uses two brain waves to select a frequency section from which the signal feature is to be extracted and observes a change in magnitude of the converted values of the two signals according to frequencies.
  • FIG. 7 is a graph illustrating conversion values according to frequencies of the first biosignal and the second biosignals measured by different stimuli in the C4 region of the brain.
  • the graph of FIG. 7 is shown by the average of the conversion values obtained by repeating the EEG measurement several times at the same point.
  • the difference between the conversion values between the first biosignal signal and the second biosignal signal is not large in another frequency domain, but in the shaded areas (6-9 Hz and 9.5-12.5 Hz), It can be seen that there is a big difference. Therefore, the frequency detector 120 detects the frequency range of 6 ⁇ 9Hz and 9.5 ⁇ 12.5Hz.
  • the threshold for detecting the frequency range may be adaptively determined since it depends on the experimental environment and the subject, and may be determined as a value between 50 and 1000.
  • the frequency section is divided into continuous frequencies at which the difference between the first biosignal signal and the second biosignal conversion value is greater than or equal to a threshold value.
  • a threshold value For example, if the discontinuous conversion value is expressed in units of 2 Hz, if the difference between the conversion value of the first biosignal signal and the second biosignal signal is greater than or equal to the threshold at 10 Hz, 12 Hz, and 14 Hz, the frequency range is [10,14]. .
  • the frequency section may be [20].
  • the recognition rate of the signal may be improved in a system using a biosignal such as a BCI.
  • the feature point determiner 130 calculates a representative transform value corresponding to the first biosignal signal and the second biosignal from the converted values included in the detected frequency section, and converts the representative transform values into the first biosignal and the second biosignal. Map as a feature point in the coordinate space for classifying signals.
  • the frequency interval detected by the frequency detector 120 is used to classify the first biosignal and the second biosignal by extracting features from the first biosignal and the second biosignal, respectively. That is, the feature points of the first biosignal and the second biosignal are determined by using only the conversion values included in the detected frequency section among the conversion values according to the frequencies of the first biosignal and the second biosignal obtained by the frequency conversion. will be.
  • FIG. 8 and 9 are graphs showing converted values of the first biosignals in all frequency domains and converted values of the first biosignals included in the detected frequency sections. Since the frequency ranges detected from FIG. 7 were 6 to 9 Hz and 9.5 to 12.5 Hz intervals, only the converted values included in the 6 to 9 Hz or the 9.5 to 12.5 Hz intervals are shown in FIG. 9. Selected together, it is used to determine the feature point of the first biological signal. The same applies to the second biological signal.
  • the feature point determiner 130 calculates a representative transform value corresponding to the first biosignal signal and the second biosignal signal in the corresponding frequency section from the converted values corresponding to the detected frequency section, and the first biosignal and the second biosignal.
  • Each feature is mapped as a feature point in a coordinate space for classifying a biosignal. That is, when there are multiple frequency sections detected as shown in FIG. 7, a plurality of representative conversion values corresponding to each frequency section are calculated.
  • the representative transform value may be determined as an average of the transform values included in the detected frequency section, or may be determined by the sum of the transform values.
  • the coordinate space to which the feature points are mapped has a dimension corresponding to the number of frequency sections detected by the frequency detector 120, and each coordinate axis corresponds to a frequency section. That is, if there is one detected frequency section, the feature points are mapped to the one-dimensional x-axis, and if there are two detected frequency sections, the representative transform value corresponding to each frequency section on the x-axis and y-axis of the two-dimensional coordinate space. Maps to a single feature point.
  • FIG. 10 is a graph illustrating an example in which 200 representative transformed values obtained by several EEG measurements are mapped to a two-dimensional coordinate space.
  • the x-axis and the y-axis of the graph represent conversion values included in different frequency intervals, and the cross point (+) feature points represent representative conversion values corresponding to the first bio signal, and the circle ( ⁇ ) feature points correspond to the second bio signal.
  • the corresponding representative conversion value is shown.
  • the mapped representative conversion values are classified by neural network classification, support vector machine (SVM), and the like to recognize a user's intention, and may be applied to a system for controlling various devices using a biosignal.
  • SVM support vector machine
  • FIG. 11 is a flowchart illustrating a preferred embodiment of the method for extracting features of a biosignal according to the present invention.
  • the signal converter 110 receives a first biosignal and a second biosignal generated from a human body by different stimuli, and converts the first biosignal and the second biosignal according to a frequency by frequency conversion.
  • the value is calculated (S910).
  • the frequency detector 120 detects a frequency section in which the difference between the magnitudes of the converted values of the first biosignal and the second biosignal is greater than or equal to the threshold (S920). Only converted values included in the detected frequency range are used for feature extraction of the first biosignal and the second biosignal.
  • the feature point determiner 130 calculates a representative transform value corresponding to the first biosignal signal and the second biosignal for the corresponding frequency section based on the average or the sum of the conversion values included in the detected frequency sections (S930).
  • the calculated representative transform value is mapped as a feature point in a coordinate space for classifying the first biosignal and the second biosignal (S940).
  • the coordinate space has a dimension corresponding to the number of detected frequency sections.
  • EEG signals were measured in 59 channels using BrainAmp MR plus amplifiers and Ag / AgCl electrode caps.
  • the signal was discretized into 1000Hz, 16bits (0.1uV) after passing through 0.05 ⁇ 200Hz bandpass filter.
  • the signal was downsampled to 100Hz and provided in Matlab's data format (* .mat), which was used in this experiment.
  • ERD Event
  • CSP Common Spatial Pattern
  • the foot movement is related to the Cz region of the brain
  • the left hand movement is related to the C4 region of the right brain
  • the right hand is related to the C3 region of the left brain
  • 12 to 18 are graphs showing the frequency conversion values of the signals measured in selected areas of the brain for subjects a to g, respectively. 12 to 18, the graphs of the subjects other than the subjects a and g show that the two classes of signals are almost similar in all frequency domains and thus difficult to classify.
  • the frequency range in which the difference between the two signals appears is 9-25 Hz in the graph for the C4 region for subject a, and 12-21 Hz in the graph for the C4 region for subject g. Therefore, in this experiment, subject a uses signals of 9 ⁇ 25Hz section among EEG signals generated in Cz and C4 region as data features, and subject g uses 12 ⁇ 21Hz signal generated in C3 and C3. do.
  • the method automatically detects the frequency intervals by using the difference between the frequency conversion values of two biological signals.
  • the accuracy of feature extraction can be improved and the recognition rate of a system such as BCI can be improved.
  • the invention can also be embodied as computer readable code on a computer readable recording medium.
  • the computer-readable recording medium includes all kinds of recording devices in which data that can be read by a computer system is stored. Examples of computer-readable recording media include ROM, RAM, CD-ROM, magnetic tape, floppy disk, optical data storage, and the like, and may also be implemented in the form of a carrier wave (for example, transmission over the Internet). Include.
  • the computer readable recording medium can also be distributed over network coupled computer systems so that the computer readable code is stored and executed in a distributed fashion.

Abstract

생체신호의 특징 추출 장치 및 방법이 개시된다. 신호 변환부는 서로 다른 자극에 의해 인체에서 발생한 제1생체신호 및 제2생체신호를 입력받아 주파수 변환하여 주파수에 따른 제1생체신호 및 제2생체신호의 변환값을 산출한다. 주파수 검출부는 제1생체신호 및 제2생체신호의 변환값의 크기의 차가 사전에 설정된 임계값 이상인 주파수 구간을 검출한다. 특징점 결정부는 검출된 주파수 구간에 포함된 변환값들로부터 제1생체신호 및 제2생체신호에 각각 대응하는 대표 변환값을 산출하고, 대표 변환값을 제1생체신호와 제2생체신호를 분류하기 위한 좌표공간에 특징점으로서 매핑한다. 본 발명에 따르면, 서로 다른 자극에 의해 인체에서 발생한 두 가지의 생체신호의 주파수에 다른 크기를 비교하여 생체신호의 특징을 추출하기 위한 주파수 구간을 자동으로 검출함으로써, 특징 추출 및 특징점 분류의 정확도를 높이고 추출된 특징을 이용하여 생체신호를 인식하는 시스템의 인식률을 향상시킬 수 있다.

Description

생체신호의 특징 추출 장치 및 방법
본 발명은 생체신호의 특징 추출 장치 및 방법에 관한 것으로, 보다 상세하게는, 두뇌 컴퓨터 인터페이스에 있어서 사용자로부터 측정한 생체신호를 이용하여 사용자의 의도를 정확하게 파악하기 위한 장치 및 방법에 관한 것이다.
두뇌 컴퓨터 인터페이스(Brain-Computer Interface : BCI)라 함은 뇌에서 발생한 전기적 신호인 뇌파를 분석하여 사용자의 의도에 따라 컴퓨터나 로봇 등을 제어하는 기술을 말한다. BCI에 의해 몸을 전혀 움직이지 못하는 사람도 생각만으로 전동휠체어를 타고 다니거나 컴퓨터의 마우스 커서를 움직이고 알파벳을 선택해 의사를 표현할 수 있다.
이와 같이 사용자의 의도에 따라 로봇이나 컴퓨터를 제어하기 위해서는 뇌의 활동에 따라 발생하는 뇌파를 분석하여 사용자의 의도를 파악할 필요가 있다. 또한 이러한 의도 인식을 위해 뇌파 신호에 대한 적절한 선처리과정(preprocessing), 특징 추출(feature extraction) 및 분류(classification) 과정이 요구된다.
뇌파를 분석하기 위해서는 특정 주파수 영역에서 특징을 추출해야 하는데, 뇌파는 피험자들 간에 뇌파 유형의 차이가 크게 나타나며 동일한 피험자라도 실험을 할 때마다 뇌파의 패턴이 다르게 나타난다는 문제가 있다. 따라서 실험의 목적과 관계된 특정 주파수 영역만을 검출할 수 있는 특징 추출 방법이 필요하다.
본 발명이 이루고자 하는 기술적 과제는, 뇌파 등의 생체신호를 분석할 때 특징을 추출할 주파수 영역을 자동으로 검출할 수 있는 생체신호의 특징 추출 장치 및 방법을 제공하는 데 있다.
본 발명이 이루고자 하는 다른 기술적 과제는, 뇌파 등의 생체신호를 분석할 때 특징을 추출할 주파수 영역을 자동으로 검출할 수 있는 생체신호의 특징 추출 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체를 제공하는 데 있다.
상기의 기술적 과제를 달성하기 위한, 본 발명에 따른 생체신호의 특징 추출 장치는, 서로 다른 자극에 의해 인체에서 발생한 제1생체신호 및 제2생체신호를 입력받아 주파수 변환하여 주파수에 따른 상기 제1생체신호 및 상기 제2생체신호의 변환값을 산출하는 신호 변환부; 상기 제1생체신호 및 상기 제2생체신호의 변환값의 크기의 차가 사전에 설정된 임계값 이상인 주파수 구간을 검출하는 주파수 검출부; 및 상기 검출된 주파수 구간에 포함된 변환값들로부터 상기 제1생체신호 및 상기 제2생체신호에 각각 대응하는 대표 변환값을 산출하고, 상기 대표 변환값들을 상기 제1생체신호 및 상기 제2생체신호를 분류하기 위한 좌표공간에 특징점으로서 매핑하는 특징점 결정부;를 구비한다.
상기의 기술적 과제를 달성하기 위한, 본 발명에 따른 생체신호의 특징 추출 방법은, 서로 다른 자극에 의해 인체에서 발생한 제1생체신호 및 제2생체신호를 입력받아 주파수 변환하여 주파수에 따른 상기 제1생체신호 및 상기 제2생체신호의 변환값을 산출하는 신호 변환단계; 상기 제1생체신호 및 상기 제2생체신호의 변환값의 크기의 차가 사전에 설정된 임계값 이상인 주파수 구간을 검출하는 주파수 검출단계; 및 상기 검출된 주파수 구간에 포함된 변환값들로부터 상기 제1생체신호 및 상기 제2생체신호에 각각 대응하는 대표 변환값을 산출하고, 상기 대표 변환값들을 상기 제1생체신호 및 상기 제2생체신호를 분류하기 위한 좌표공간에 특징점으로서 매핑하는 특징점 결정단계;를 갖는다.
본 발명에 따른 생체신호의 특징 추출 장치 및 방법에 의하면, 서로 다른 자극에 의해 인체에서 발생한 두 가지의 생체신호의 주파수에 다른 크기를 비교하여 생체신호의 특징을 추출하기 위한 주파수 구간을 자동으로 검출함으로써, 특징 추출 및 특징점 분류의 정확도를 높이고 추출된 특징을 이용하여 생체신호를 인식하는 시스템의 인식률을 향상시킬 수 있다.
도 1은 본 발명에 따른 생체신호의 특징 추출 장치에 대한 바람직한 실시예의 구성을 도시한 블록도,
도 2는 각종 뇌파 측정 장비의 시공간 분해능을 비교하여 도시한 도면,
도 3은 ERP에 의한 실험 방법을 나타낸 도면,
도 4 및 도 5는 뇌파 분석 프로그램인 EEGLAB에 의해 얻어진 결과의 일 예를 나타낸 도면,
도 6은 두 개의 채널에서 각각 측정된 뇌파를 시간과 주파수에 따라 표시한 도면,
도 7은 뇌의 C4 영역에서 서로 다른 자극에 의해 측정된 제1생체신호 및 제2생체신호의 주파수에 따른 변환값을 도시한 그래프,
도 8 및 도 9는 각각 모든 주파수 영역에서의 제1생체신호의 변환값 및 검출된 주파수 구간에 포함된 제1생체신호의 변환값을 도시한 그래프,
도 10은 여러 번의 뇌파 측정에 의해 얻어진 200개의 대표 변환값이 2차원 좌표공간에 매핑된 예를 도시한 그래프,
도 11은 본 발명에 따른 생체신호의 특징 추출 방법에 대한 바람직한 실시예의 수행과정을 도시한 흐름도, 그리고,
도 12 내지 도 18은 각각 피험자 a 내지 g에 대해 뇌의 선택된 영역에서 측정된 신호의 주파수 변환값을 도시한 그래프이다.
이하에서 첨부된 도면들을 참조하여 본 발명에 따른 생체신호의 특징 추출 장치 및 방법의 바람직한 실시예에 대해 상세하게 설명한다.
도 1은 본 발명에 따른 생체신호의 특징 추출 장치에 대한 바람직한 실시예의 구성을 도시한 블록도이다.
도 1을 참조하면, 본 발명에 따른 생체신호의 특징 추출 장치는 신호 변환부(110), 주파수 검출부(120) 및 특징점 결정부(130)를 구비한다.
신호 변환부(110)는 서로 다른 자극에 의해 인체에서 발생한 제1생체신호 및 제2생체신호를 입력받아 주파수 변환하여 주파수에 따른 제1생체신호 및 제2생체신호의 변환값을 산출한다.
여기서 제1생체신호 및 제2생체신호는 두뇌 컴퓨터 인터페이스(BCI)를 위한 뇌파가 될 수 있으며, 이하에서는 본 발명의 대표적인 실시예로서 제1생체신호 및 제2생체신호가 뇌파인 경우에 관하여 설명한다. 그러나 본 발명의 적용대상은 뇌파에만 한정되는 것이 아니며, 신호의 특징 추출을 통한 분석 대상이 될 수 있는 모든 생체신호에 본 발명을 적용할 수 있다.
뇌는 약 1000억개 이상의 수많은 뉴런들로 구성되어 있으며, 각각의 뉴런들은 2000개 또는 그 이상의 다른 뉴런과 연결되어 20000개 정도의 입력을 받아들인다. 뉴런 사이에서의 신호 전달은 전기적 신호 형태로 이루어진다. 따라서 뇌의 활동에 따라 뇌에서는 전기적 변화가 발생하며, 이러한 전기적 변화를 측정한 신호를 뇌파라고 한다. 뇌파의 측정 방법으로는 이하와 같이 다양한 방법들이 있다.
뇌전도(Electroencephalography : EEG)는 머리 표면에서 전기적 변화를 측정한 신호를 말한다. EEG는 시간 분해능은 좋지만 공간 분해능이 좋지 않은데, 시간 분해능이란 얼마나 빠른 변화를 측정할 수 있는가를 말하는 것으로, EEG의 경우에는 1~2kHz 이상의 신호 샘플링(sampling)이 권장된다. 또한 공간 분해능이란 얼마나 좁은 영역의 변화를 측정할 수 있는가를 의미하며, 공간 분해능에 따라 뇌에 대한 정확한 분석이 가능하다. EEG의 경우에는 뇌파가 비전도체인 두개골을 지나면서 신호가 많이 왜곡된다는 큰 단점이 있다.
이러한 EEG의 단점을 해결하기 위한 한 가지 방법으로, 수술을 통해 두개골을 뚫고 그 안에서 신호를 측정하는 방법이 있다. 뇌의 뉴런으로부터 신호를 직접 측정하는 것을 Spike라 하며, 뇌 표면에 있는 4층의 막 위에서 신호를 측정하는 것을 ECoG라 한다. 이러한 방법들은 매우 정밀한 측정이 가능하며, 특정 위치에서 뉴런들이 주고받는 신호를 직접 측정할 수 있다. 그러나 이 방법은 수술을 필요로 하는 방법으로 침습적인(invasive) 방법이라 하며, 많은 연구자들이 가능한 비침습적인(non-invasive) 방법으로 정밀한 뇌의 활동을 분석하기 위해 연구하고 있다.
뇌자도(Magnetoencephalography : MEG)는 전기가 흐를 때 발생하는 자기장의 변화를 초전도 코일을 이용하여 측정하는 방법으로, 시간 분해능 및 공간 분해능이 좋고 두개골에서의 왜곡도 없지만, 장비가 크고 비싸다는 단점이 있다. 한편, 양전자 단층촬영(Position Emission Tomography : PET)은 방사성 동위원소를 이용하여 뇌를 측정하여 영상으로 표현해 주는 방법으로 각종 진단 방법에 사용되나, 장비가 크고 시간분해능이 좋지 못하다는 단점이 있다.
기능성 자기공명영상(functional Magnetic Resonance Imaging : fMRI) 및 근적외선 분광 분석기(Near Infra-Red Spectroscopy : NIRS)는 혈중 산소치 의존도(Blood Oxygen Level Dependent : BOLD)를 측정하는데, 뇌가 활성화되면 산소를 소모하게 되고 이를 보충하고자 혈류가 증가하며, 그에 따라 산화 헤모글로빈은 증가하며 탈산화 헤모글로빈은 감소하는 현상을 측정하는 방법이다. 측정 방법으로 fMRI는 자기장을 이용하고 NIRS는 근적외선을 이용한다는 차이가 있다.
도 2는 각종 뇌파 측정 장비의 시공간 분해능을 비교하여 도시한 도면이며, BCI의 경우에는 뇌파 측정 장비가 이동 가능해야 하기 때문에 EEG 및 NIRS가 사용된다. 본 발명에서 분석 대상이 되는 뇌파는 EEG에 의해 측정된 신호로 할 수 있다.
측정된 뇌파를 분석하기 위해서는 일반적으로 뇌파를 주파수 변환하여 특정 주파수에서 어떤 변화가 발생하였는지를 관찰한다. 일반적으로 뇌파는 주파수 범위에 따라 다음의 다섯 가지 영역으로 분류된다.
델타파(0~4Hz)는 주로 정상인의 깊은 수면시나 신생아의 경우에 두드러지게 나타나며, 뇌파 측정시에 눈을 깜빡이거나 몸을 심하게 움직인 경우 잡음에 의해 발생할 수 있다. 다음으로 쎄타파(4~8Hz)는 정서안정 또는 수면으로 이어지는 과정에서 주로 나타나는 파로, 성인보다 어린이에게 많이 분포한다.
알파파(8~13Hz)는 긴장이완과 같은 편안한 상태에서 주로 나타나며, 안정되고 편안한 상태일수록 진폭이 증가한다. 특히 안정된 알파파가 나타나는 때는 눈을 감고 진정한 상태에 있을 때이며, 눈을 뜨고 물체를 주시하거나 정신적으로 흥분하게 되면 알파파는 억제된다.
베타파(13~30Hz)는 주로 전두부에서 많이 나타나며, 깨어 있을 때와 말할 때와 같이 모든 의식적인 활동을 할 때 나타난다. 특히 불안한 상태나 긴장시, 복잡한 계산처리시에 우세하게 나타나기도 한다.
마지막으로 감마파(30~50Hz)는 베타파보다 더 빠르게 진동하는 형태로, 정서적으로 초조한 상태이거나 추리, 판단 등의 고도의 인지정보처리와 관련이 깊다.
한편, 특별히 움직임과 관련된 뇌파를 분석할 때에는 뮤파에 대하여 분석하는 경우가 많으며, 뮤파는 8~12Hz 범위를 말한다.
뇌파 분석시 주로 사용되는 방법으로 사건관련 유발뇌파(Event-Related Potential : ERP)가 있는데, ERP는 자극을 제시한 후에 뇌파가 어떻게 변하는지를 살펴보기 위해 동일한 실험을 여러 번 반복한 후 그 신호들의 평균을 구하여 신호의 변화를 살펴보는 방법이다. ERP에 의해 실험과 관계없는 신호들은 서로 상쇄되어 줄어들고, 실험에 관련된 신호만 남게 된다. 이때 자극이 주어진 후 약 300ms 후에 나타나는 양의 피크를 P300이라고 부르며, 연구시에는 P300을 중요시한다. 도 3은 ERP에 의한 실험 방법을 나타낸 도면이다. 반복적인 측정에 의해 실험에 관계되는 신호가 얻어지는 것을 알 수 있다.
파워 스펙트럼(power spectrum)은 사용자가 관찰하고자 하는 특정 주파수가 머리의 어느 영역에서 많이 발생하고 어느 영역에서 적게 발생했는지를 보여주거나 한 채널에서 태스크(왼손, 오른손, 발 등)별로 어느 주파수 대역에서 차이를 보이는지 보기 위한 것이다. 도 4 및 도 5는 뇌파 분석 프로그램인 EEGLAB에 의해 얻어진 결과의 일 예를 나타낸 도면으로, 뇌의 각 지점에서 측정된 신호의 주파수에 따른 변화가 도시되어 있다.
한편, 뇌파를 측정할 때에는 일반적으로 머리의 여러 부분에서 신호를 측정하는데, 이때 신호를 측정하는 한 부분을 채널이라 한다. 시간/주파수 분석(time/frequency analysis)은 한 채널에서 시간에 따른 각 주파수에서의 신호의 세기를 살펴보는 방법이다. 도 6은 두 개의 채널에서 각각 측정된 뇌파를 시간과 주파수에 따라 표시한 도면으로, 자극이 주어진 후(시간 0) 10Hz 이하의 뇌파가 감소한 것을 확인할 수 있다.
그런데, 기존의 뇌파 분석 방법에서는 뇌파를 위에서 설명한 것과 같은 여러 가지 주파수 영역의 신호로 나누어 이를 분류 알고리즘에 의해 분류하는 방법을 사용한다. 이는 모든 주파수 영역의 신호를 사용하여 특징을 추출하므로 실험과 관련없는 신호까지도 특징으로 사용되어 인식률을 저하시키는 원인이 된다.
또한 모든 주파수 영역의 신호를 사용하지 않고 특정 주파수 영역만을 지정하여 특징을 추출하는 경우에도 사람마다 뇌파의 유형이 다르며 동일한 사람이라도 실험을 할 때마다 뇌파의 유형이 다르게 나타나기 때문에 적합하지 않다.
따라서 신호 변환부(110)는 특정 자극에 의해 발생한 제1생체신호 및 제1생체신호를 발생시키는 자극과 상이한 자극에 의해 발생한 제2생체신호를 입력받아 주파수 변환한다. 주파수 변환 방법으로는 고속 퓨리에 변환(Fast Fourier Transform : FFT)을 사용할 수 있다.
또한 입력받은 뇌파를 일정시간 간격으로 분할하여 주파수 변환할 수 있으며, 각각의 시간 간격에 대응하는 뇌파는 서로 중첩될 수 있다. 바람직하게는, 자극이 주어진 후 2초 동안 발생한 뇌파를 분석에 사용할 수 있으며, 앞에서 설명한 바와 같이 자극이 주어진 후 300ms 후의 신호가 중요하기 때문에 이와 같은 2초의 시간 간격을 사용할 수 있다.
이와 같이 주파수 변환된 제1생체신호 및 제2생체신호의 주파수에 따른 변환값을 기초로 뇌파의 특징을 추출하기에 가장 적합한 주파수 영역을 자동으로 검출하게 된다.
주파수 검출부(120)는 주파수에 따른 제1생체신호 및 제2생체신호의 변환값의 크기의 차가 사전에 설정된 임계값 이상인 주파수 구간을 검출한다.
앞에서 설명한 바와 같이 뇌파의 특징을 추출할 때 모든 주파수 영역의 신호를 사용하거나 특정 주파수 구간을 지정하는 것은 적합하지 않으므로 각각의 실험에 적합한 주파수 구간을 검출하는 것이 중요하다. 주파수 검출부(120)는 신호의 특징을 추출할 주파수 구간을 선택하기 위해 두 가지의 뇌파를 사용하여 주파수에 따른 두 신호의 변환값의 크기 변화를 관찰한다.
도 7은 뇌의 C4 영역에서 서로 다른 자극에 의해 측정된 제1생체신호 및 제2생체신호의 주파수에 따른 변환값을 도시한 그래프이다. 도 7의 그래프는 동일한 지점에서의 뇌파 측정을 여러 번 반복하여 얻어진 변환값의 평균에 의해 도시된 것이다. 도 7을 참조하면, 다른 주파수 영역에서는 제1생체신호와 제2생체신호 사이의 변환값의 차가 크지 않으나, 음영으로 표시된 영역(6~9Hz 및 9.5~12.5Hz)에서는 두 신호 사이의 변환값이 큰 차이를 보이는 것을 알 수 있다. 따라서 주파수 검출부(120)는 6~9Hz 및 9.5~12.5Hz의 주파수 구간을 검출한다. 이때 주파수 구간을 검출하기 위한 임계값은 실험 환경과 피험자에 따라 달라지므로 적응적으로 결정될 수 있으며, 50~1000 사이의 값으로 결정될 수 있다.
한편, 제1생체신호 및 제2생체신호의 변환값이 주파수에 따른 불연속적인 값들로 나타나는 경우에도 주파수 구간은 제1생체신호와 제2생체신호의 변환값의 차가 임계값 이상인 연속적인 주파수들로 이루어진다. 예를 들면, 불연속적인 변환값이 2Hz 단위로 나타난다고 할 때, 10Hz, 12Hz 및 14Hz에서 제1생체신호와 제2생체신호의 변환값의 차가 임계값 이상이라면 주파수 구간은 [10,14]이다. 또한 20Hz에서 제1생체신호와 제2생체신호의 변환값의 차가 임계값 이상이고 18Hz 및 22Hz에서는 임계값보다 작다면 주파수 구간은 [20]이 될 수 있다.
이와 같이 제1생체신호 및 제2생체신호의 특징 추출을 위해 모든 주파수 영역을 사용하거나 고정적으로 설정된 주파수 영역을 사용하지 않고 두 생체신호의 주파수에 따른 크기를 기초로 하여 적응적으로 특징 추출을 위한 주파수 구간을 검출함으로써 BCI와 같이 생체신호를 사용하는 시스템에서 신호의 인식률을 향상시킬 수 있다.
특징점 결정부(130)는 검출된 주파수 구간에 포함된 변환값들로부터 제1생체신호 및 제2생체신호에 각각 대응하는 대표 변환값을 산출하고, 대표 변환값들을 제1생체신호 및 제2생체신호를 분류하기 위한 좌표공간에 특징점으로서 매핑한다.
주파수 검출부(120)에 의해 검출된 주파수 구간은 제1생체신호 및 제2생체신호로부터 각각 특징을 추출하여 제1생체신호와 제2생체신호를 분류하기 위해 사용된다. 즉, 주파수 변환에 의해 얻어진 제1생체신호 및 제2생체신호의 주파수에 따른 변환값 중에서 검출된 주파수 구간에 포함된 변환값들만을 이용하여 제1생체신호 및 제2생체신호의 특징점을 결정하는 것이다.
도 8 및 도 9는 각각 모든 주파수 영역에서의 제1생체신호의 변환값 및 검출된 주파수 구간에 포함된 제1생체신호의 변환값을 도시한 그래프이다. 도 7로부터 검출된 주파수 구간은 6~9Hz 및 9.5~12.5Hz 구간이었으므로, 도 8에 도시된 변환값들 중에서 6~9Hz 또는 9.5~12.5Hz 구간에 포함된 변환값들만을 도 9에 도시된 바와 같이 선택하여 제1생체신호의 특징점 결정에 사용한다. 이는 제2생체신호에 대하여도 동일하게 적용된다.
특징점 결정부(130)는 검출된 주파수 구간에 대응하는 변환값들로부터 해당 주파수 구간에서 제1생체신호 및 제2생체신호에 각각 대응하는 대표 변환값을 산출하고, 이를 제1생체신호와 제2생체신호를 분류하기 위한 좌표공간에 특징점으로서 각각 매핑한다. 즉, 도 7에 도시된 바와 같이 검출되는 주파수 구간이 여러 개인 경우에는 각각의 주파수 구간에 대응하는 여러 개의 대표 변환값이 산출된다. 대표 변환값은 검출된 주파수 구간에 포함된 변환값들의 평균으로 결정될 수도 있고, 변환값들의 합에 의해 결정될 수도 있다.
특징점이 매핑되는 좌표공간은 주파수 검출부(120)에 의해 검출된 주파수 구간의 개수에 대응하는 차원을 가지며, 각 좌표축은 주파수 구간에 대응한다. 즉, 검출된 주파수 구간이 한 개이면 1차원의 x축에 특징점을 매핑하고, 검출된 주파수 구간이 두 개이면 2차원 좌표공간의 x축 및 y축에 각각의 주파수 구간에 대응하는 대표 변환값을 대응시켜 하나의 특징점으로 매핑한다.
도 10은 여러 번의 뇌파 측정에 의해 얻어진 200개의 대표 변환값이 2차원 좌표공간에 매핑된 예를 도시한 그래프이다. 그래프의 x축 및 y축은 서로 다른 주파수 구간에 포함된 변환값을 나타내며, 십자(+) 형태의 특징점은 제1생체신호에 대응하는 대표 변환값, 원형(○)의 특징점은 제2생체신호에 대응하는 대표 변환값을 나타낸다. 이와 같이 매핑된 대표 변환값들을 신경망(Neural network) 분류법 및 SVM(Support Vector Machine) 등에 의해 분류하여 사용자의 의도를 인지함으로써, 생체신호를 이용하여 각종 장치를 제어하는 시스템 등에 적용할 수 있다.
도 11은 본 발명에 따른 생체신호의 특징 추출 방법에 대한 바람직한 실시예의 수행과정을 도시한 흐름도이다.
도 11을 참조하면, 신호 변환부(110)는 서로 다른 자극에 의해 인체에서 발생한 제1생체신호 및 제2생체신호를 입력받아 주파수 변환하여 주파수에 따른 제1생체신호 및 제2생체신호의 변환값을 산출한다(S910). 다음으로 주파수 검출부(120)는 제1생체신호 및 제2생체신호의 변환값의 크기의 차가 임계값 이상인 주파수 구간을 검출한다(S920). 검출된 주파수 구간에 포함된 변환값들만 제1생체신호 및 제2생체신호의 특징 추출에 사용된다.
특징점 결정부(130)는 검출된 주파수 구간에 포함된 변환값들의 평균 또는 합에 의해 해당 주파수 구간에 대해 제1생체신호 및 제2생체신호에 각각 대응하는 대표 변환값을 산출하고(S930), 산출된 대표 변환값을 제1생체신호와 제2생체신호를 분류하기 위한 좌표공간에 특징점으로서 매핑한다(S940). 이때, 좌표공간은 검출된 주파수 구간의 개수에 대응하는 차원을 가진다.
본 발명의 성능을 평가하기 위한 실험을 수행하였다. 먼저 신뢰성 높은 데이터의 사용을 위해 BCI 관련 연구가 활발히 진행중인 베를린 대학의 공개 데이터(open data)를 사용하여 실험을 진행하였다. 실험에 사용된 데이터는 EEG에 의해 측정되었으며, 측정 환경은 다음과 같다.
각 피험자에게는 왼손, 오른손 및 발을 움직이는 세 가지 클래스의 동작을 상상할 것이 요구되었으며, 이 중에서 각 피험자별로 두 가지의 클래스가 선택되었다. 제시된 실험 자극은 2초간의 빈 화면이 제시된 후 다시 2초간 화면의 중간에 십자표시가 나타나고, 그 다음의 4초간 왼쪽, 오른쪽 및 아래를 가리키는 화살표가 표시되었다. 이때 피험자는 화살표의 방향에 대응하는 움직임을 상상하도록 하였다.
EEG 신호는 BrainAmp MR plus 증폭기와 Ag/AgCl electrode cap을 사용하여 59개의 채널로 측정하였다. 신호는 0.05~200Hz의 대역통과필터를 거친 후 1000Hz, 16비트(0.1uV)로 이산화되었다. 이 신호는 100Hz로 다운샘플링되어 매트랩(Matlab)의 데이터 형식(*.mat)으로 제공되었으며, 본 실험에서는 이 데이터를 사용하였다.
BCI 연구에서 가장 문제되는 점인 사람마다 뇌파의 특성이 다르다는 점을 해결하기 위한 방법 중 한 가지는 피험자가 피드백을 통해 스스로 구분 가능한 뇌파를 발생시키도록 연습을 하는 방법이며, 다른 한 가지는 기계학습(machine learning)을 통해 시스템이 뇌파에 적응하도록 하는 방법이다. 일반적으로는 두 가지 방법을 모두 사용한다.
피험자가 학습하는 시간은 매우 오래 걸리므로 본 실험에 사용된 데이터를 제공한 베를린 대학교의 실험에서는 피드백 없이 CSP(Common Spatial Pattern) 알고리즘에 의해 자극에 따라 특정 주파수에서 뇌파가 감소하는 현상인 ERD(Event-Related Desynchronization) 및 자극에 따라 특정 주파수에서 뇌파가 증가하는 현상인 ERS(Event-Related Synchronization)를 잘 구분할 수 있도록 공간 필터(spatial filter)를 구성하여 신호를 잘 구분할 수 있도록 하였다.
본 실험에서는 CSP를 구현하여 실험하기에는 무리가 있으므로 CSP를 사용하지 않은 원본 데이터를 사용하였으며, 정확한 분류를 위해 각 데이터에 대해 고속 퓨리에 변환(FFT)을 적용하여 두 클래스가 어느 주파수 대역에서 차이를 보이는지 관찰하였다. 제공된 EEG 데이터 중에서 피험자 a 및 f의 경우는 왼손과 발을 움직이는 상상을 하도록 하여 얻어진 데이터이고, b 내지 e 및 g의 경우는 왼손과 오른손을 움직이는 상상을 하도록 하여 얻어진 데이터이다.
발의 움직임은 뇌의 Cz 영역과 관련이 있고, 왼손의 움직임은 우뇌의 C4, 오른손은 좌뇌의 C3 영역과 관련이 있기 때문에 a와 f에 대하여는 Cz 및 C4 영역으로부터 측정된 EEG 데이터를 분석하였고, b 내지 e 및 g에 대하여는 C3 및 C4 영역으로부터 측정된 EEG 데이터를 분석하였다. 이때 데이터가 잘 구분되도록 하기 위해 기준전압을 59개 채널 신호의 평균값으로 다시 설정해 주었다.
도 12 내지 도 18은 각각 피험자 a 내지 g에 대해 뇌의 선택된 영역에서 측정된 신호의 주파수 변환값을 도시한 그래프이다. 도 12 내지 도 18을 참조하면, 피험자 a 및 g를 제외한 다른 피험자들에 대한 그래프에서는 모든 주파수 영역에서 두 클래스의 신호가 거의 유사하여 분류가 어려운 것으로 나타났다. 두 신호 간의 차이가 나타나는 주파수 구간은 피험자 a의 경우에는 C4 영역에 대한 그래프에서 9~25Hz 구간이며, 피험자 g의 경우에는 C4 영역에 대한 그래프에서 12~21Hz 구간이다. 따라서 본 실험에서는 피험자 a의 경우 Cz와 C4 영역에서 발생한 EEG 신호 중에서 9~25Hz 구간의 신호를 데이터의 특징으로 사용하게 되며, 피험자 g의 경우 C3와 C3에서 발생한 12~21Hz 구간의 신호를 사용하게 된다.
이와 같이 모든 주파수 영역 또는 고정된 특정 주파수 구간으로부터 특징을 추출하는 것이 아닌 두 생체신호의 주파수 변환값의 차를 이용하여 자동으로 주파수 구간을 검출하는 방법을 사용함으로써 각각의 피험자 및 실험 수행시마다 적응적으로 특징을 추출할 주파수 구간을 결정하여 특징 추출의 정확도를 높이고 BCI와 같은 시스템의 인식률을 향상시킬 수 있다.
본 발명은 또한 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 기록매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광데이터 저장장치 등이 있으며, 또한 캐리어 웨이브(예를 들어 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다. 또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.
이상에서 본 발명의 바람직한 실시예에 대해 도시하고 설명하였으나, 본 발명은 상술한 특정의 바람직한 실시예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자라면 누구든지 다양한 변형 실시가 가능한 것은 물론이고, 그와 같은 변경은 청구범위 기재의 범위 내에 있게 된다.

Claims (11)

  1. 서로 다른 자극에 의해 인체에서 발생한 제1생체신호 및 제2생체신호를 입력받아 주파수 변환하여 주파수에 따른 상기 제1생체신호 및 상기 제2생체신호의 변환값을 산출하는 신호 변환부;
    상기 제1생체신호 및 상기 제2생체신호의 변환값의 크기의 차가 사전에 설정된 임계값 이상인 주파수 구간을 검출하는 주파수 검출부; 및
    상기 검출된 주파수 구간에 포함된 변환값들로부터 상기 제1생체신호 및 상기 제2생체신호에 각각 대응하는 대표 변환값을 산출하고, 상기 대표 변환값들을 상기 제1생체신호 및 상기 제2생체신호를 분류하기 위한 좌표공간에 특징점으로서 매핑하는 특징점 결정부;를 포함하는 것을 특징으로 하는 생체신호의 특징 추출 장치.
  2. 제 1항에 있어서,
    상기 특징점 결정부는 상기 검출된 주파수 구간의 개수에 대응하는 차원의 좌표공간에 상기 검출된 주파수 구간 각각에 대응하여 산출된 대표 변환값이 상기 좌표공간의 각 축에 대응하는 지점에 특징점을 매핑하는 것을 특징으로 하는 생체신호의 특징 추출 장치.
  3. 제 1항 또는 제 2항에 있어서,
    상기 제1생체신호 및 상기 제2생체신호는 뇌전도 측정에 의해 얻어진 뇌파인 것을 특징으로 하는 생체신호의 특징 추출 장치.
  4. 제 1항 또는 제 2항에 있어서,
    상기 제1생체신호 및 상기 제2생체신호는 상기 제1생체신호 및 상기 제2생체신호를 발생시키는 자극이 각각 주어진 후 사전에 설정된 기준시간 동안 측정된 신호인 것을 특징으로 하는 생체신호의 특징 추출 장치.
  5. 제 1항 또는 제 2항에 있어서,
    상기 제1생체신호 및 상기 제2생체신호에 대응하는 대표 변환값은 상기 검출된 주파수 구간에 포함된 상기 제1생체신호 및 상기 제2생체신호의 변환값들의 평균으로 각각 결정되는 것을 특징으로 하는 생체신호의 특징 추출 장치.
  6. 서로 다른 자극에 의해 인체에서 발생한 제1생체신호 및 제2생체신호를 입력받아 주파수 변환하여 주파수에 따른 상기 제1생체신호 및 상기 제2생체신호의 변환값을 산출하는 신호 변환단계;
    상기 제1생체신호 및 상기 제2생체신호의 변환값의 크기의 차가 사전에 설정된 임계값 이상인 주파수 구간을 검출하는 주파수 검출단계; 및
    상기 검출된 주파수 구간에 포함된 변환값들로부터 상기 제1생체신호 및 상기 제2생체신호에 각각 대응하는 대표 변환값을 산출하고, 상기 대표 변환값들을 상기 제1생체신호 및 상기 제2생체신호를 분류하기 위한 좌표공간에 특징점으로서 매핑하는 특징점 결정단계;를 포함하는 것을 특징으로 하는 생체신호의 특징 추출 방법.
  7. 제 6항에 있어서,
    상기 특징점 결정단계에서, 상기 검출된 주파수 구간의 개수에 대응하는 차원의 좌표공간에 상기 검출된 주파수 구간 각각에 대응하여 산출된 대표 변환값이 상기 좌표공간의 각 축에 대응하는 지점에 특징점을 매핑하는 것을 특징으로 하는 생체신호의 특징 추출 방법.
  8. 제 6항 또는 제 7항에 있어서,
    상기 제1생체신호 및 상기 제2생체신호는 뇌전도 측정에 의해 얻어진 뇌파인 것을 특징으로 하는 생체신호의 특징 추출 방법.
  9. 제 6항 또는 제 7항에 있어서,
    상기 제1생체신호 및 상기 제2생체신호는 상기 제1생체신호 및 상기 제2생체신호를 발생시키는 자극이 각각 주어진 후 사전에 설정된 기준시간 동안 측정된 신호인 것을 특징으로 하는 생체신호의 특징 추출 방법.
  10. 제 6항 또는 제 7항에 있어서,
    상기 제1생체신호 및 상기 제2생체신호에 대응하는 대표 변환값은 상기 검출된 주파수 구간에 포함된 상기 제1생체신호 및 상기 제2생체신호의 변환값들의 평균으로 각각 결정되는 것을 특징으로 하는 생체신호의 특징 추출 방법.
  11. 제 6항 또는 제 7항에 기재된 생체신호의 특징 추출 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체.
PCT/KR2010/003604 2010-01-26 2010-06-04 생체신호의 특징 추출 장치 및 방법 WO2011093557A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2010-0006949 2010-01-26
KR1020100006949A KR101081369B1 (ko) 2010-01-26 2010-01-26 생체신호의 특징 추출 장치 및 방법

Publications (1)

Publication Number Publication Date
WO2011093557A1 true WO2011093557A1 (ko) 2011-08-04

Family

ID=44319520

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2010/003604 WO2011093557A1 (ko) 2010-01-26 2010-06-04 생체신호의 특징 추출 장치 및 방법

Country Status (2)

Country Link
KR (1) KR101081369B1 (ko)
WO (1) WO2011093557A1 (ko)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016200164A1 (ko) * 2015-06-09 2016-12-15 한양대학교 산학협력단 촉각 인지 시스템, 및 그 데이터베이스 구축 방법
US9577992B2 (en) 2015-02-04 2017-02-21 Aerendir Mobile Inc. Data encryption/decryption using neuro and neuro-mechanical fingerprints
US9590986B2 (en) 2015-02-04 2017-03-07 Aerendir Mobile Inc. Local user authentication with neuro and neuro-mechanical fingerprints
US9836896B2 (en) 2015-02-04 2017-12-05 Proprius Technologies S.A.R.L Keyless access control with neuro and neuro-mechanical fingerprints
US10357210B2 (en) 2015-02-04 2019-07-23 Proprius Technologies S.A.R.L. Determining health change of a user with neuro and neuro-mechanical fingerprints

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101879408B1 (ko) * 2016-09-09 2018-07-18 고려대학교 산학협력단 움직임 의도인지를 위한 bci 기술에서 피검체에 최적화된 주파수 영역을 결정하는 방법 및 그 장치
KR101939363B1 (ko) * 2016-09-09 2019-01-16 고려대학교 산학협력단 사용환경에 적응적인 뇌-컴퓨터 인터페이스 장치 및 그 장치의 동작 방법
KR101889387B1 (ko) * 2016-11-28 2018-09-20 대한민국 피험자 피로도를 반영한 뇌파 분석 방법 및 시스템
KR102059685B1 (ko) * 2016-12-12 2019-12-26 경북대학교 산학협력단 Ppg를 이용한 맥박수 추정방법 및 장치
KR101887182B1 (ko) * 2017-01-02 2018-08-09 이화여자대학교 산학협력단 실시간 경련뇌파 조기탐지 방법
KR102340387B1 (ko) * 2019-09-24 2021-12-15 연세대학교 산학협력단 뇌 연결성 학습 방법 및 이를 위한 시스템
KR102452201B1 (ko) 2021-05-18 2022-10-12 주식회사 아이메디신 자동 잡음신호 구간 검출 방법 및 장치

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20070031501A (ko) * 2005-09-14 2007-03-20 재단법인 한국정신과학연구소 전전두엽에서 측정한 뇌파 데이터의 고속푸리에변환을 통한누적데이터의 패턴분석을 이용한 건강진단 장치 및 그방법
KR100743967B1 (ko) * 2006-04-13 2007-07-30 이순혁 유발 전위를 이용한 두뇌 분석/계발 장치
KR20090098499A (ko) * 2008-03-14 2009-09-17 포항공과대학교 산학협력단 비음수 텐서 분해를 이용한 뇌파의 주파수 특징 추출 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20070031501A (ko) * 2005-09-14 2007-03-20 재단법인 한국정신과학연구소 전전두엽에서 측정한 뇌파 데이터의 고속푸리에변환을 통한누적데이터의 패턴분석을 이용한 건강진단 장치 및 그방법
KR100743967B1 (ko) * 2006-04-13 2007-07-30 이순혁 유발 전위를 이용한 두뇌 분석/계발 장치
KR20090098499A (ko) * 2008-03-14 2009-09-17 포항공과대학교 산학협력단 비음수 텐서 분해를 이용한 뇌파의 주파수 특징 추출 방법

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9577992B2 (en) 2015-02-04 2017-02-21 Aerendir Mobile Inc. Data encryption/decryption using neuro and neuro-mechanical fingerprints
US9590986B2 (en) 2015-02-04 2017-03-07 Aerendir Mobile Inc. Local user authentication with neuro and neuro-mechanical fingerprints
US9836896B2 (en) 2015-02-04 2017-12-05 Proprius Technologies S.A.R.L Keyless access control with neuro and neuro-mechanical fingerprints
US9853976B2 (en) 2015-02-04 2017-12-26 Proprius Technologies S.A.R.L. Data encryption/decryption using neurological fingerprints
US10333932B2 (en) 2015-02-04 2019-06-25 Proprius Technologies S.A.R.L Data encryption and decryption using neurological fingerprints
US10357210B2 (en) 2015-02-04 2019-07-23 Proprius Technologies S.A.R.L. Determining health change of a user with neuro and neuro-mechanical fingerprints
US11244526B2 (en) 2015-02-04 2022-02-08 Proprius Technologies S.A.R.L. Keyless access control with neuro and neuromechanical fingerprints
WO2016200164A1 (ko) * 2015-06-09 2016-12-15 한양대학교 산학협력단 촉각 인지 시스템, 및 그 데이터베이스 구축 방법
US11288501B2 (en) 2015-06-09 2022-03-29 Iucf-Hyu (Industry-University Cooperation Foundation Hanyang University) Tactile perception system and method of building a database thereof

Also Published As

Publication number Publication date
KR101081369B1 (ko) 2011-11-08
KR20110087501A (ko) 2011-08-03

Similar Documents

Publication Publication Date Title
WO2011093557A1 (ko) 생체신호의 특징 추출 장치 및 방법
US7570991B2 (en) Method for real time attitude assessment
Mehmood et al. A novel feature extraction method based on late positive potential for emotion recognition in human brain signal patterns
KR101238780B1 (ko) 준비전위기반 뇌-컴퓨터 인터페이스 장치 및 방법
Li et al. Classification of single-trial electroencephalogram during finger movement
EP1880667B1 (en) Detection of focal epileptiform activity
Murugappan et al. Frequency band analysis of electrocardiogram (ECG) signals for human emotional state classification using discrete wavelet transform (DWT)
Guo et al. A human-machine interface based on single channel EOG and patchable sensor
Han et al. Enhanced performance of a brain switch by simultaneous use of EEG and NIRS data for asynchronous brain-computer interface
Huang et al. A review of electroencephalogram signal processing methods for brain-controlled robots
KR20150028661A (ko) Bci를 위한 사용자 의도인지 분석 방법
Singh et al. Development of a real time emotion classifier based on evoked EEG
Kim et al. Detection of drowsiness with eyes open using EEG-based power spectrum analysis
Arif et al. Vector phase analysis approach for sleep stage classification: A functional near-infrared spectroscopy-based passive brain–computer interface
Phanikrishna et al. A Brief Review on EEG Signal Pre-processing Techniques for Real-Time Brain-Computer Interface Applications
Zammouri et al. Brain waves-based index for workload estimation and mental effort engagement recognition
Yang et al. A synchronized hybrid brain-computer interface system for simultaneous detection and classification of fusion EEG signals
Santos Filho et al. Magnitude squared of coherence to detect imaginary movement
Turnip et al. Utilization of EEG-SSVEP method and ANFIS classifier for controlling electronic wheelchair
Dey et al. Recognition of motor imagery left and right hand movement using EEG
Kumar et al. Artificial Intelligence based Human Attention Detection through Brain Computer Interface for Health Care Monitoring
Abenna et al. Brain-computer interface: Rhythm alpha analysis for eyes signals
Ghassemi et al. Classification of ADHD/normal participants using frequency features of ERP's Independent Components
Feng et al. A new recognition method for the auditory evoked magnetic fields
KR100327117B1 (ko) 뇌파를 이용한 긍정/부정 의사 분별 장치 및 그 방법

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 10844781

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 10844781

Country of ref document: EP

Kind code of ref document: A1