WO2012153965A2 - 뇌-컴퓨터 접속 장치, 그리고 그의 분류 방법 - Google Patents

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

Info

Publication number
WO2012153965A2
WO2012153965A2 PCT/KR2012/003572 KR2012003572W WO2012153965A2 WO 2012153965 A2 WO2012153965 A2 WO 2012153965A2 KR 2012003572 W KR2012003572 W KR 2012003572W WO 2012153965 A2 WO2012153965 A2 WO 2012153965A2
Authority
WO
WIPO (PCT)
Prior art keywords
class
signal
dictionary
test signal
csp
Prior art date
Application number
PCT/KR2012/003572
Other languages
English (en)
French (fr)
Other versions
WO2012153965A3 (ko
Inventor
이흥노
신영학
이승찬
Original Assignee
광주과학기술원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 광주과학기술원 filed Critical 광주과학기술원
Publication of WO2012153965A2 publication Critical patent/WO2012153965A2/ko
Publication of WO2012153965A3 publication Critical patent/WO2012153965A3/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/18—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state for vehicle drivers or machine operators
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
    • G06F3/015—Input arrangements based on nervous system activity detection, e.g. brain waves [EEG] detection, electromyograms [EMG] detection, electrodermal response detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Definitions

  • the present invention relates to a brain-computer connection device and a classification method thereof.
  • EEGs electroencephalograms
  • BCI brain-computer interface
  • SMRs sensorimotor rhythms
  • Mu 8-14 Hz
  • Beta 15-30 Hz
  • the BCI system translates the signal feature detected from the test subject into a command signal, which is performed through a classification algorithm.
  • a classification algorithm it is not easy to classify the motion imaginary signal used by the BCI system because it is very noisy and varies from subject to subject.
  • the problem to be solved by the present invention is to provide a brain-computer connection device for classifying a motion imaginary brain wave signal based on the sparse expression, and a classification method thereof.
  • a brain-computer connection device for classifying a test signal which is an EEG signal, according to an embodiment of the present invention into any one of a plurality of classes, wherein a dictionary for classifying the test signal is designed based on a training signal of each class And a classification unit for classifying the test signal based on a distribution of non-zero coefficients shown in each class of the solution.
  • the brain-computer connection device further includes a CSP filtering unit for outputting a CSP filtered signal by performing CSP filtering that maximizes the training signal for one class and minimizes the other class, and the dictionary unit includes the CSP filtered unit.
  • the dictionary can be designed based on the signal.
  • the dictionary unit may include a plurality of matrices corresponding to each of the plurality of classes, the number of rows is the number of CSP filters, and the number of columns of each class may design the dictionary, which is the number of training signals of each class.
  • the brain-computer connection apparatus may further include a feature signal extracting unit extracting a signal of a specific frequency band from the CSP filtered signal as a feature signal, and the dictionary unit may design the dictionary based on the feature signal.
  • the specific frequency band may be a frequency band corresponding to the sensory rhythm of the sensorimotor cortex portion of the scalp.
  • the solver can obtain the solution by L1 minimization.
  • the classifying unit may classify the test signal into a class in which a non-zero coefficient is highest among each class of the solution.
  • the classification unit calculates a residual for each class based on the solution to classify the test signal into a class having a minimum residual, and the residual for each class includes a vector generated by filling an element of a class other than itself with zero in the solution. It may be a value calculated as a difference between a first value projected in advance and a second value corresponding to the test signal.
  • the training signal and the test signal may be a motion imagination based EEG signal.
  • the plurality of classes may include a left class corresponding to a left movement imagination and a right class corresponding to a right movement imagination.
  • a method of classifying a test signal as an EEG signal into any one of a plurality of classes by a brain-computer connection device comprising: acquiring a training signal corresponding to each class, and classifying the training signal into one class Generating a CSP filtered signal by maximizing the CSP and minimizing the other classes by using the CSP filtering signal; designing a dictionary for solving the test signal based on the CSP filtered signal; Obtaining a solution of the test signal on the basis of and classifying the test signal based on a distribution of nonzero coefficients represented in each class of the solution.
  • the training signal and the test signal may be a motion imagination based EEG signal.
  • the plurality of classes may include a left class corresponding to a left movement imagination and a right class corresponding to a right movement imagination.
  • the designing the dictionary may include a plurality of matrices corresponding to each of the plurality of classes, the number of rows is the number of CSP filters, and the number of columns of each class is the number of training signals of each class. Can be.
  • the classification method may further include extracting a signal of a specific frequency band from the CSP filtered signal as a feature signal, and designing the dictionary may design the dictionary based on the feature signal.
  • the specific frequency band may be a frequency band corresponding to the sensory rhythm of the sensorimotor cortex portion of the scalp.
  • Obtaining the solution may be obtained by the L1 minimization method.
  • the obtaining of the solution may obtain the solution so that the number of nonzero coefficients may be determined to be less than the number of training signals of each class.
  • the test signal may be classified into a class in which a non-zero coefficient is highest among each class of the solution.
  • the classifying the test signal may include classifying the test signal into a class having a minimum residual, by calculating a residual for each class based on the solution, and filling the element of a class other than itself among the solutions with zeros.
  • the generated vector may be a value calculated by a difference between a first value projected beforehand and a second value corresponding to the test signal.
  • a motion imaginary EEG signal which is noisy and changes over time can be classified more accurately than a conventional classification method.
  • a test signal that is difficult to discriminate it may be classified more accurately than a conventional linear discrimination method.
  • FIG. 1 is a schematic block diagram of a brain-computer connection device according to an embodiment of the present invention.
  • FIG. 2 is a schematic block diagram of a brain-computer connection device according to another embodiment of the present invention.
  • FIG. 3 is a diagram illustrating a dictionary designed according to an embodiment of the present invention.
  • FIG. 4 is a diagram illustrating a linear equation according to an embodiment of the present invention.
  • FIG. 5 is a diagram illustrating a training signal relationship before CSP filtering according to an embodiment of the present invention.
  • FIG. 6 is a diagram illustrating a training signal relationship after CSP filtering according to an embodiment of the present invention.
  • FIG. 7 is a flowchart of a classification method according to an embodiment of the present invention.
  • FIG. 8 is a diagram showing an easy classification result by the linear discriminant method.
  • FIG. 9 is a diagram illustrating a classification result according to an embodiment of the present invention.
  • 10 is a diagram showing a difficult classification result by the linear discriminant method.
  • FIG. 11 is a view showing a classification result according to another embodiment of the present invention.
  • a brain-computer connection device and a classification method thereof according to an embodiment of the present invention will now be described with reference to the drawings.
  • FIG. 1 is a schematic block diagram of a brain-computer connection device according to an embodiment of the present invention.
  • the brain-computer connection apparatus 100 classifies a test signal y into any one class through sparse representation-based classification (SRC).
  • the class is a unit divided to classify the test signal y, and may be a plurality.
  • classes are left and right classes.
  • the sparse representation is a theory that sparse representation of natural signals can be sparse through compression sensing (CS) because various natural signals are sparse at a specific basis.
  • CS compression sensing
  • Each sample of such a sparse signal can be compressed into a holistic sample through a simple linear projection operation because it contains an overall view of all signals.
  • These holistic samples have a significantly smaller number of compressed samples for good signal recovery than Shannon-Nyquist samples.
  • the brain-computer connection device 100 obtains (x) a signal to be classified, that is, a test signal (y) based on the sparse representation of the dictionary (A).
  • the brain-computer connection device 100 classifies the test signal y based on the solution x.
  • the brain-computer connection device 100 includes a dictionary unit 110, a solving unit 130, and a classification unit 150.
  • the dictionary unit 110 designs the dictionary A based on the training signal.
  • the dictionary A is a matrix A rarely expressed based on a training signal, and serves to find a solution of the test signal y.
  • the dictionary A may be represented as in Equation 1.
  • the matrix for the right class ( ) May be expressed as in Equation 2.
  • dictionary (A) Dimension Is the number of training signals.
  • the dictionary unit 110 may accumulate a training signal in a column to make a dictionary A.
  • the dictionary unit 110 may generate the dictionary A by filtering the EEG signal by various filtering methods.
  • the dictionary unit 110 may filter the training signal using a common spatial pattern (CSP) filtering method, a principal component analysis (PCA) filtering method, or an independent component analysis (ICA) filtering method. This section focuses on the CSP filtering method.
  • CSP common spatial pattern
  • PCA principal component analysis
  • ICA independent component analysis
  • the training signal is an electroencephalogram (EGG) signal obtained through a motion imagination experiment, and is a signal corresponding to a plurality of classes to be classified, for example, left and right classes.
  • EEG electroencephalogram
  • subjects perform BCI experiments on motor imagery of left and right hands.
  • Subjects attached gold-plated electrodes attached to the scalp and measured for a defined number of EEG channels. If the text indications of the left or right hand appear random at the beginning of the experiment, the subject imagines left or right hand movements, such as clenching fists, as directed.
  • the collected signal is extracted from a specific time point, for example, 256 samples, after a command appears. Since the optimum start time differs for each test subject, a start time for maximizing classification accuracy can be selected for each test subject.
  • the solver 130 solves the test signal y through the dictionary A. That is, the solver 130 solves the linear equation of Equation 3 to obtain a solution (x).
  • the solution (x) is a sparse vector in which only a few elements associated with the test signal y are nonzero, and the remaining elements are zero.
  • the sparse representation of the test signal y is the number of nonzero elements of the solution x. Created when much less than.
  • Equation 4 the solver 130 solves Equation 3.
  • the solver 130 obtains the solution (x) by the L1 minimization method (L1 norm minimization), and is expressed as Equation (4).
  • test signal corresponding to the right motion imaginary signal If () is input, the solution (x) is obtained as shown in equation (5). At this time, the test signal ( ) Is a right motion imaginary signal, so a solution whose nonzero coefficient corresponds to the right class Appears more).
  • the classification unit 150 classifies the test signal y based on the solution x.
  • the solution (x) obtained by solving the minimization problem has nonzero elements, and these nonzero elements must belong to any one class.
  • the classification unit 150 classifies which class the solution x corresponds to using the characteristic function ⁇ .
  • the characteristic function ( ⁇ ) is the solution (x)
  • It is a null filled vector. For example, the characteristic function ( ) Is the year ( )in, A vector of zero elements ) And the characteristic function ( ) Is the year ( )in, A vector of zero elements )to be.
  • the classifying unit 150 projects the characteristic function ⁇ onto the dictionary A as shown in Equation 7 [ ] Based on the difference between the test signal (y) ] Is calculated. And, the classification unit 150 is the rest [ Classify the test signal (y) into a class where] is the minimum.
  • FIG. 2 is a schematic block diagram of a brain-computer connection device according to another embodiment of the present invention
  • FIG. 3 is a diagram showing a dictionary designed according to an embodiment of the present invention
  • FIG. 4 is an embodiment of the present invention. It is a figure which shows the linear equation by.
  • the brain-computer connection device 100 includes a dictionary unit 110, a solver 130, a classifier 150, a CSP filtering unit 170, and feature signal extraction.
  • the dictionary unit 110 may design the dictionary A by using a training signal that has passed through the CSP filtering unit 170 and the feature signal extractor 190.
  • the CSP filtering unit 170 spatially filters the received training signal to maximize one class and minimize the other class. That is, the CSP filtering unit 170 makes the training signal a signal having a low correlation between two classes, that is, a left class and a right class.
  • CSP filtering performed by the CSP filtering unit 170 is as follows. here, Is defined as the segment of the EEG signal. Where C is the number of EEG channels and T is the sample time point of all trials for one subject. EEG training signals are divided into two classes, one for imagining the left hand movement and one for imagining the right hand movement. , )
  • the CSP filtering unit 170 may filter the filter matrix, which is a set of CSP filters based on the CSP algorithm. Find). In this case, the filter matrix ( Each column vector () ) to be.
  • the CSP filtering unit 170 is a filter matrix ( 2n CPS filter (using front n CSP filters and rear n CSP filters) ) CSP filter matrix ( ) Is represented by Equation (9).
  • Training signals corresponding to imagining left and right hand movements ( , ) May be defined as a CSP filtered signal as shown in Equation 10.
  • the feature signal extractor 190 extracts a signal of a specific frequency band from the CSP filtered signal as a feature signal.
  • the feature signal may be a signal corresponding to sensorimotor rhythms (SMRs) of the sensorimotor cortex of the scalp.
  • the feature signal extractor 190 may extract the feature signal in various ways.
  • the feature signal extractor 190 extracts a feature signal by calculating a band power of a specific frequency band.
  • the feature signal extractor 190 may extract a coefficient of a specific frequency band obtained by FFT (fast Fourier transform) for each CSP channel as a feature signal.
  • the specific frequency band may be part of the Mu (8-14 Hz) or Beta (15-30 Hz) band of sensorimotor rhythms (SMRs).
  • the dictionary unit 110 designs the dictionary A by using the training signal that has passed through the CSP filtering unit 170 and the feature signal extraction unit 190.
  • the dictionary A is a matrix for the left class ( )
  • the matrix for the right class It is composed of
  • the number of rows of the dictionary A is the number of CSP filters, and the number of columns of each class is the number of training signals of each class.
  • the solver 130 solves the test signal y through the dictionary A.
  • the solver 130 obtains a solution (y) by the L1 minimization method (L1 norm minimization).
  • the test signal (y) is a signal passed through the CSP filtering unit 170 and the feature signal extraction unit 190, such as a method of making a column of the dictionary (A), through the vectorization of the m-dimensional vector ( Is converted to).
  • the solver 130 is a linear equation (4) ) If the test signal for the right class ( ) Is entered, the right class ( ), Non-scalar coefficients appear more than other classes.
  • the classifying unit 150 may classify the rest of each class based on the characteristic function ⁇ ( ), And classify the test signal (y) into a class with the minimum remaining.
  • the feature signal extractor 190 may extract the feature signal through band power computation.
  • the feature signal extractor 190 calculates a band moment of a specific frequency band by calculating a second moment of the CSP filtered signal.
  • the dictionary A is designed using each element extracted by band power calculation. That is, the column of the dictionary A may be composed of 2n band powers.
  • the feature signal extractor 190 may extract the feature signal through the FFT. In this case, the feature signal extractor 190 leaves only coefficients corresponding to a specific frequency band.
  • the signal output from the feature signal extractor 190 may be represented by Equation (11).
  • the dictionary unit 110 Concatenate 2n rows of and transpose and vectorize to the left matrix of dictionary (A) ). Similarly, the dictionary unit 110 Concatenate 2n rows of and transpose and vectorize to the right matrix of dictionary (A) ).
  • FIG. 5 is a diagram illustrating a training signal relationship before CSP filtering according to an embodiment of the present invention
  • FIG. 6 is a diagram showing a training signal relationship after CSP filtering according to an embodiment of the present invention.
  • left and right samples are correlated with a training signal before CSP filtering.
  • training signals after CSP filtering are less relevant than before CSP filtering.
  • CSP filtering spatially filters the input training signal and maximizes one class and minimizes the other class, the left and right samples after CSP filtering are more related than the left and right samples after CSP filtering.
  • the brain-computer connection device 100 may design an incoherent dictionary A by CSP filtering the training signal to make the dictionary A.
  • FIG. In compression sensing, the more irregular the dictionary A, the higher the accuracy of the sparse expression based classification.
  • the brain-computer connection device 100 may classify the motion imaginary EEG signal which is very noisy and changes over time, which is not easy to classify.
  • FIG. 7 is a flowchart of a classification method according to an embodiment of the present invention.
  • the brain-computer connection device 100 obtains a training signal corresponding to each class (S710).
  • the training signal is an EEG signal obtained through a motion imagination experiment.
  • the brain-computer connection device 100 performs CSP filtering to maximize the training signal for one class and minimize the other class (S720).
  • the brain-computer connection device 100 processes the CSP filtering so that the left class and the right class are reduced in the training signal so as to be distinguished.
  • the brain-computer connection device 100 designs a dictionary A for solving the solution x of the test signal y based on the CSP filtered signal (S730).
  • the brain-computer connection device 100 creates a dictionary A in which the information of the training signal is sparsely represented.
  • the brain-computer connection device 100 may design an incoherent dictionary A based on the CSP filtered signal.
  • the brain-computer connection apparatus 100 may extract a signal of a specific frequency band from the CSP filtered signal as a feature signal and design a dictionary A based on the feature signal. That is, the brain-computer connection device 100 may extract a signal corresponding to the sensory motor rhythm as a feature signal.
  • Brain-computer connection device 100 receives a test signal (y) a linear equation ( (X) is obtained (S740). At this time, since the linear equation is underdetermined, the brain-computer connection device 100 obtains the solution (x) by the L1 minimization method.
  • the brain-computer connection device 100 is a classed solution ( In step S750, the test signal y is classified based on the distribution of non-zero coefficients.
  • the solution x is a sparse vector in which only a few elements associated with the test signal y are nonzero, and the remaining elements are zero. Therefore, the brain-computer connection device 100 has a solution corresponding to the left class ( If the coefficients of) are greater than the other classes, classify the test signal (y) to the left and the solution for the right class ( If the coefficients of) appear more than other classes, then sort the test signal (y) to the right.
  • the brain-computer connection device 100 in the solution (x), all elements associated with the other class The remainder of each class is calculated using Equation 7, which is a vector filled with zeros.
  • the brain-computer connection apparatus 100 may classify the test signal y into a class in which the rest is the minimum as shown in Equation (8).
  • FIG. 8 is a diagram illustrating an easy classification result by a linear discrimination method
  • FIG. 9 is a diagram illustrating a classification result according to an embodiment of the present invention.
  • a linear discriminant analysis maps a right training signal (o mark) and a left training signal (x mark), respectively.
  • the test signal is classified based on a decision line separating the right training signal and the left training signal. That is, in the linear discrimination method, when the test signal is mapped below the discrimination line, it is classified as the right imaginary signal, and when it is mapped over the discrimination line, it is classified as the left imaginary signal. At this time, if the left test signal that is easy to discriminate is input, the left test signal is mapped to a position away from the discrimination line, and the linear discrimination method easily distinguishes the test signal into the left imaginary signal.
  • the brain-computer connection device 100 when the brain-computer connection device 100 also inputs a test signal that is easy to discriminate, non-zero coefficients appear in a nearly left solution, so that the test signal is easily classified into a left imaginary signal.
  • FIG. 10 is a diagram illustrating a difficult classification result by a linear discrimination method
  • FIG. 11 is a diagram showing a classification result according to another embodiment of the present invention.
  • the linear discrimination method when a test signal that is difficult to discriminate is input, the linear discrimination method is mapped near the discrimination line.
  • the left test signal is a left signal, it may be mapped below the discrimination line.
  • the linear discrimination method may misclassify the left test signal as the right imaginary signal. Since there is a gray region in which the linear discrimination method is difficult to discriminate, there is a limit in classifying the test signal accurately.
  • the embodiments of the present invention described above are not only implemented through the apparatus and the method, but may be implemented through a program for realizing a function corresponding to the configuration of the embodiments of the present invention or a recording medium on which the program is recorded.

Landscapes

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

Abstract

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

Description

뇌-컴퓨터 접속 장치, 그리고 그의 분류 방법
본 발명은 뇌-컴퓨터 접속 장치, 그리고 그의 분류 방법에 관한 것이다.
지금까지의 연구들에서 두피로부터 측정되는 뇌파(electroencephalogram, EEG)는 자발적인 움직임이 거의 없더라도 의사전달이 가능하다는 것을 보여주었다. 이것을 일반적으로 뇌파기반 뇌-컴퓨터 접속(brain-computer interface, BCI) 시스템이라고 부른다. 이 BCI시스템은 뇌파활동의 특정한 특징 신호를 추출하고 이 신호를 이용하여 컨트롤 신호를 만들어낸다. 움직임 상상 기반의 BCI(motor imagery-based BCI) 시스템은 두피의 감각운동 피질 부분의 Mu(8-14Hz)와 Beta(15-30Hz) 리듬을 포함하는 감각운동 리듬(sensorimotor rhythms, SMRs)을 사용한다. 피실험자가 왼쪽 또는 오른쪽 손 움직임을 상상했을 때, Mu 리듬 주파수 대역의 감쇄와 ERD(event related desynchronisation)과 같은 뇌파신호의 활동이 상상하는 손의 반대쪽 감각운동피질 부분에서 나타난다.
BCI 시스템은 피실험자로부터 감지된 신호특징을 명령신호로 변환(translation)하는데, 이 과정은 분류 알고리즘을 통하여 수행된다. 그러나, BCI 시스템이 이용하는 움직임 상상 신호는 잡음이 매우 심하고 피실험자마다 다르기 때문에 이 신호를 분류하는 것은 쉽지 않다.
본 발명이 해결하고자 하는 과제는 희소 표현 기반으로 움직임 상상 뇌파 신호를 분류하는 뇌-컴퓨터 접속 장치, 그리고 그의 분류 방법을 제공하는 것이다.
본 발명의 한 실시예에 따른 뇌파 신호인 테스트 신호를 복수의 클래스 중 어느 하나로 분류하는 뇌-컴퓨터 접속 장치로서, 상기 테스트 신호를 분류하기 위한 사전(dictionary)을 각 클래스의 훈련 신호를 기초로 설계하는 사전부, 상기 사전을 기초로 상기 테스트 신호의 해를 구하는 풀이부, 그리고 상기 해의 각 클래스에 나타난 0이 아닌 계수의 분포를 기초로 상기 테스트 신호를 분류하는 분류부를 포함한다.
상기 뇌-컴퓨터 접속 장치는 상기 훈련 신호를 하나의 클래스에 대해서는 최대화하고, 다른 클래스에 대해서는 최소화하는 CSP 필터링을 하여 CSP 필터링된 신호를 출력하는 CSP 필터링부를 더 포함하고, 상기 사전부는 상기 CSP 필터링된 신호를 기초로 상기 사전을 설계할 수 있다.
상기 사전부는 상기 복수의 클래스 각각에 대응하는 복수의 행렬로 구성되고, 행의 수는 CSP 필터의 수이며, 각 클래스의 열의 수는 각 클래스의 훈련 신호의 수인 상기 사전을 설계할 수 있다.
상기 뇌-컴퓨터 접속 장치는 상기 CSP 필터링된 신호 중에서 특정 주파수 대역의 신호를 특징 신호로 추출하는 특징신호추출부를 더 포함하고, 상기 사전부는 상기 특징 신호를 기초로 상기 사전을 설계할 수 있다.
상기 특정 주파수 대역은 두피의 감각운동 피질 부분의 감각운동 리듬에 해당하는 주파수 대역일 수 있다.
상기 풀이부는 L1 최소화 방법으로 상기 해를 구할 수 있다.
상기 분류부는 상기 해의 각 클래스 중에서 0이 아닌 계수가 가장 많이 나타난 클래스로 상기 테스트 신호를 분류할 수 있다.
상기 분류부는 상기 해를 기초로 클래스별 나머지를 계산하여 나머지가 최소인 클래스로 상기 테스트 신호를 분류하고, 상기 클래스별 나머지는 상기 해 중에서 자신 이외의 클래스의 원소를 0으로 채워 생성한 벡터를 상기 사전에 투영한 제1값과 상기 테스트 신호에 해당하는 제2값의 차이로 계산되는 값일 수 있다.
상기 훈련 신호와 상기 테스트 신호는 움직임 상상 기반 뇌파 신호일 수 있다.
상기 복수의 클래스는 왼쪽 움직임 상상에 해당하는 왼쪽 클래스와 오른쪽 움직임 상상에 해당하는 오른쪽 클래스를 포함할 수 있다.
본 발명의 다른 실시예에 따른 뇌-컴퓨터 접속 장치가 뇌파 신호인 테스트 신호를 복수의 클래스 중 어느 하나로 분류하는 방법으로서, 각 클래스에 해당하는 훈련 신호를 획득하는 단계, 상기 훈련 신호를 하나의 클래스에 대해서는 최대화하고, 다른 클래스에 대해서는 최소화하는 CSP 필터링하여 CSP 필터링한 신호를 생성하는 단계, 상기 CSP 필터링한 신호를 기초로 상기 테스트 신호의 해를 풀기 위한 사전(dictionary)을 설계하는 단계, 상기 사전을 기초로 상기 테스트 신호의 해를 구하는 단계, 그리고 상기 해의 각 클래스에 나타난 0이 아닌 계수의 분포를 기초로 상기 테스트 신호를 분류하는 단계를 포함한다.
상기 훈련 신호와 상기 테스트 신호는 움직임 상상 기반 뇌파 신호일 수 있다.
상기 복수의 클래스는 왼쪽 움직임 상상에 해당하는 왼쪽 클래스와 오른쪽 움직임 상상에 해당하는 오른쪽 클래스를 포함할 수 있다.
상기 사전을 설계하는 단계는 상기 복수의 클래스 각각에 대응하는 복수의 행렬로 구성되고, 행의 수는 CSP 필터의 수이며, 각 클래스의 열의 수는 각 클래스의 훈련 신호의 수인 상기 사전을 설계할 수 있다.
상기 분류 방법은 상기 CSP 필터링된 신호 중에서 특정 주파수 대역의 신호를 특징 신호로 추출하는 단계를 더 포함하고, 상기 사전을 설계하는 단계는 상기 특징 신호를 기초로 상기 사전을 설계할 수 있다.
상기 특정 주파수 대역은 두피의 감각운동 피질 부분의 감각운동 리듬에 해당하는 주파수 대역일 수 있다.
상기 해를 구하는 단계는 L1 최소화 방법으로 상기 해를 구할 수 있다.
상기 해를 구하는 단계는 0이 아닌 계수의 개수가 각 클래스의 훈련 신호의 개수보다 희소하다고 판단될 수 있는 정도로 적은 상기 해를 구할 수 있다.
상기 테스트 신호를 분류하는 단계는 상기 해의 각 클래스 중에서 0이 아닌 계수가 가장 많이 나타난 클래스로 상기 테스트 신호를 분류할 수 있다.
상기 테스트 신호를 분류하는 단계는 상기 해를 기초로 클래스별 나머지를 계산하여 나머지가 최소인 클래스로 상기 테스트 신호를 분류하고, 상기 클래스별 나머지는 상기 해 중에서 자신 이외의 클래스의 원소를 0으로 채워 생성한 벡터를 상기 사전에 투영한 제1값과 상기 테스트 신호에 해당하는 제2값의 차이로 계산되는 값일 수 있다.
본 발명의 실시예에 따르면 잡음이 심하고 시간에 따라 변화하는 움직임 상상 뇌파 신호를 기존의 분류 방법보다 정확하게 분류할 수 있다. 특히, 판별이 어려운 테스트 신호를 분류할 때 기존의 선형 판별법보다 정확히 분류할 수 있다.
도 1은 본 발명의 한 실시예에 따른 뇌-컴퓨터 접속 장치의 개략적인 블록도이다.
도 2는 본 발명의 다른 실시예에 따른 뇌-컴퓨터 접속 장치의 개략적인 블록도이다.
도 3은 본 발명의 한 실시예에 따른 설계된 사전을 나타내는 도면이다.
도 4는 본 발명의 한 실시예에 따른 선형방정식을 나타내는 도면이다.
도 5는 본 발명의 한 실시예에 따른 CSP 필터링 전의 훈련 신호 관계를 나타내는 도면이다.
도 6은 본 발명의 한 실시예에 따른 CSP 필터링 후의 훈련 신호 관계를 나타내는 도면이다.
도 7은 본 발명의 한 실시예에 따른 분류 방법의 흐름도이다.
도 8은 선형 판별법에 의한 쉬운 분류 결과를 나타내는 도면이다.
도 9는 본 발명의 한 실시예에 따른 분류 결과를 나타내는 도면이다.
도 10은 선형 판별법에 의한 어려운 분류 결과를 나타내는 도면이다.
도 11은 본 발명의 다른 실시예에 따른 분류 결과를 나타내는 도면이다.
아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
이제 도면을 참고하여 본 발명의 실시예에 따른 뇌-컴퓨터 접속 장치, 그리고 그의 분류 방법에 대해 설명한다.
도 1은 본 발명의 한 실시예에 따른 뇌-컴퓨터 접속 장치의 개략적인 블록도이다.
도 1을 참고하면, 뇌-컴퓨터 접속 장치(100)는 희소 표현 기반 분류(Sparse Representation-based Classification, SRC)를 통해 테스트 신호(y)를 어느 하나의 클래스(class)로 분류한다. 여기서, 클래스는 테스트 신호(y)를 분류하기 위해 나누어진 단위로서, 복수 개일 수 있다. 간단히, 클래스는 왼쪽 클래스와 오른쪽 클래스로 가정하고 설명한다. 여기서 희소 표현(sparse representation)이란 다양한 자연신호가 특정 기저에서는 희소(sparse)하기 때문에, 압축센싱(compressive sensing, CS)을 통해 자연신호들을 희소하게 표현(Sparse Representation)할 수 있다는 이론이다. 그리고, 이렇게 희소하게 표현 가능한 신호의 각 샘플은 모든 신호의 전체적인 관점을 담고 있기 때문에 간단한 선형적 투영 연산을 통하여 홀리스틱(holistic) 샘플로 압축될 수 있다. 이런 홀리스틱 샘플들은 양호한 신호 복구에 필요한 압축된 샘플들의 개수가 섀넌-나이퀴스트(Shannon-Nyquist) 샘플 개수보다 상당히 적다.
뇌-컴퓨터 접속 장치(100)는 분류하고자 하는 신호, 즉 테스트 신호(y)를 사전(dictionary, A)의 희소 표현을 기초로 해(x)를 구한다. 그리고 뇌-컴퓨터 접속 장치(100)는 해(x)를 기초로 테스트 신호(y)를 분류한다. 이를 위해, 뇌-컴퓨터 접속 장치(100)는 사전부(dictionary unit)(110), 풀이부(solving unit)(130), 그리고 분류부(classification unit)(150)를 포함한다.
사전부(110)는 훈련 신호를 기초로 사전(A)을 설계한다. 사전(A)은 훈련 신호(training signal)를 기초로 희소하게 표현된 행렬(A)로서, 테스트 신호(y)의 해를 찾을 수 있는 기능을 한다. 사전(A)은 수학식 1과 같이 나타낼 수 있다. 그리고, 수학식 1의 왼쪽 클래스에 대한 행렬(
Figure PCTKR2012003572-appb-I000001
)과 오른쪽 클래스에 대한 행렬(
Figure PCTKR2012003572-appb-I000002
)은 수학식 2와 같이 나타낼 수 있다. 여기서, 사전(A)은
Figure PCTKR2012003572-appb-I000003
차원이고,
Figure PCTKR2012003572-appb-I000004
는 훈련 신호의 개수이다.
[수학식 1]
Figure PCTKR2012003572-appb-I000005
[수학식 2]
Figure PCTKR2012003572-appb-I000006
,
Figure PCTKR2012003572-appb-I000007
사전부(110)는 훈련 신호를 열에 축적하여 사전(A)을 만들 수 있다. 또는 뇌파 신호의 분류 성능을 높이기 위해, 사전부(110)는 뇌파 신호를 다양한 필터링 방법으로 필터링하여 사전(A)을 만들 수 있다. 예를 들면, 사전부(110)는 CSP(common spatial pattern) 필터링 방법, PCA(Principal component analysis) 필터링 방법, 또는 ICA(Independent component analysis) 필터링 방법 등으로 훈련 신호를 필터링할 수 있다. 여기서는 CSP 필터링 방법 위주로 설명한다.
여기서 훈련 신호는 움직임 상상 실험을 통해 획득한 뇌파(electroencephalogram, EGG) 신호로서, 분류하고자 하는 복수의 클래스, 예를 들면 왼쪽 클래스와 오른쪽 클래스 각각에 해당하는 신호들이다. 훈련 신호를 획득하는 방법은 다양하다. 예를 들면, 피실험자들은 왼손과 오른손의 움직임 상상(motor imagery)에 대해 BCI 실험을 수행한다. 피실험자들은 두피에 부착된 금도금 전극을 부착하고, 정해진 뇌파 채널 수에 대해 측정한다. 실험이 시작되면 왼손또는 오른손의 문자지시가 무작위로 보이면, 피실험자는 지시에 맞게 왼쪽이나 오른쪽 손 움직임, 예를 들면 주먹을 꽉 쥐는 행동을 상상한다. 이렇게 수집된 신호를 명령(Cue)이 나타난 후 특정 시점부터 특정 구간, 예를 들면 256샘플을 추출한다. 그리고, 피실험자 별로 최적의 시작 시점이 다르기 때문에, 각 피실험자에 대해 분류 정확도가 최대가 되는 시작시점을 선택할 수 있다.
풀이부(130)는 사전(A)을 통해서 테스트 신호(y)의 해를 푼다. 즉, 풀이부(130)는 수학식 3의 선형방정식을 풀어 해(x)를 구한다.
[수학식 3]
Figure PCTKR2012003572-appb-I000008
해(x)는 테스트 신호(y)와 관계된 몇 개의 원소만 0이 아니고, 나머지 원소는 0인 희소 벡터(sparse vector)이다. 이때, 테스트 신호(y)의 희소 표현은 해(x)의 0이 아닌 원소의 개수가
Figure PCTKR2012003572-appb-I000009
보다 훨씬 적을 때 만들어진다.
풀이부(130)가 수학식 3을 풀 때, 사전(A)의 열의 크기(
Figure PCTKR2012003572-appb-I000010
)가 행(m)보다 큰 언더디터민드(underdetermined) 상태이다. 따라서, 풀이부(130)는 L1 최소화 방법(L1 norm minimization)으로 해(x)를 구하며, 수학식 4와 같이 표현된다.
[수학식 4]
Figure PCTKR2012003572-appb-I000011
예를 들어, 오른쪽 움직임 상상 신호에 해당하는 테스트 신호(
Figure PCTKR2012003572-appb-I000012
)가 입력되는 경우, 해(x)는 수학식 5와 같이 구해진다. 이때, 테스트 신호(
Figure PCTKR2012003572-appb-I000013
)는 오른쪽 움직임 상상 신호이므로, 수학식 6과 같이 0이 아닌 계수(coefficient)가 오른쪽 클래스에 해당하는 해(
Figure PCTKR2012003572-appb-I000014
)에 더 많이 나타난다.
[수학식 5]
Figure PCTKR2012003572-appb-I000015
[수학식 6]
Figure PCTKR2012003572-appb-I000016
Figure PCTKR2012003572-appb-I000017
분류부(150)는 해(x)를 기초로 테스트 신호(y)를 분류한다. 이때, 최소화 문제를 풀어 획득한 해(x)는 0이 아닌 원소들을 가지는데, 이 0이 아닌 원소들은 어느 하나의 클래스에 해당해야 한다. 하지만, 뇌파 신호는 잡음이 매우 심하기 때문에, 수학식 6과 같이 0이 아닌 원소들이 다른 클래스에도 나타날 수 있다. 따라서, 분류부(150)는 특성함수(δ)를 이용하여, 해(x)가 어느 클래스에 해당하는지 분류한다. 여기서, 특성함수(δ)는 해(x)에서, 다른 클래스와 관련된 모든 원소들을 0으로 채운(nullify) 벡터이다. 예를 들어, 특성함수(
Figure PCTKR2012003572-appb-I000018
)는 해(
Figure PCTKR2012003572-appb-I000019
)에서,
Figure PCTKR2012003572-appb-I000020
의 원소들을 0으로 채운 벡터(
Figure PCTKR2012003572-appb-I000021
)이고, 특성함수(
Figure PCTKR2012003572-appb-I000022
)는 해(
Figure PCTKR2012003572-appb-I000023
)에서,
Figure PCTKR2012003572-appb-I000024
의 원소들을 0으로 채운 벡터(
Figure PCTKR2012003572-appb-I000025
)이다.
분류부(150)는 수학식 7과 같이 특성함수(δ)를 사전(A)에 투영한 값[
Figure PCTKR2012003572-appb-I000026
]과 테스트 신호(y)의 차이를 기초로 클래스별 나머지[
Figure PCTKR2012003572-appb-I000027
]를 계산한다. 그리고, 분류부(150)는 수학식 8과 같이 나머지[
Figure PCTKR2012003572-appb-I000028
]가 최소가 되는 클래스로 테스트 신호(y)를 분류한다.
[수학식 7]
Figure PCTKR2012003572-appb-I000029
[수학식 8]
Figure PCTKR2012003572-appb-I000030
도 2는 본 발명의 다른 실시예에 따른 뇌-컴퓨터 접속 장치의 개략적인 블록도이고, 도 3은 본 발명의 한 실시예에 따른 설계된 사전을 나타내는 도면이며, 도 4는 본 발명의 한 실시예에 따른 선형방정식을 나타내는 도면이다.
먼저, 도 2를 참고하면, 뇌-컴퓨터 접속 장치(100)는 사전부(110), 풀이부(130), 분류부(150), CSP(common spatial pattern) 필터링부(170) 그리고 특징 신호 추출부(feature extraction unit)(190)를 포함한다. 사전부(110)는 CSP 필터링부(170)와 특징 신호 추출부(190)를 거친 훈련 신호를 이용하여 사전(A)을 설계할 수 있다.
CSP 필터링부(170)는 입력 받은 훈련 신호를 공간적으로 필터링하여 하나의 클래스에 대해서는 최대화하고, 다른 클래스에 대해서는 최소화한다. 즉, CSP 필터링부(170)는 훈련 신호를 두 클래스, 즉 왼쪽 클래스와 오른쪽 클래스 사이의 연관(correlation)이 적은 신호로 만든다.
CSP 필터링부(170)가 수행하는 CSP 필터링은 다음과 같다. 여기서,
Figure PCTKR2012003572-appb-I000031
를 뇌파 신호의 세그먼트로 정의한다. 이때 C는 뇌파 채널 수이고, T는 한 명의 피실험자에 대한 모든 시행의 샘플 시점(time point)이다. 뇌파 훈련 신호는 왼손 움직임 상상과 오른손 움직임 상상에 각각 해당하는 두 클래스(
Figure PCTKR2012003572-appb-I000032
,
Figure PCTKR2012003572-appb-I000033
)를 포함한다.
CSP 필터링부(170)는 CSP 알고리즘을 기초로 CSP 필터들의 셋트(set)인 필터 행렬(
Figure PCTKR2012003572-appb-I000034
)을 찾는다. 이때, 필터 행렬(
Figure PCTKR2012003572-appb-I000035
)의 각 열벡터(
Figure PCTKR2012003572-appb-I000036
)는
Figure PCTKR2012003572-appb-I000037
이다. CSP 필터링부(170)는 필터 행렬(
Figure PCTKR2012003572-appb-I000038
)의 앞쪽 n개의 CSP 필터와 뒤쪽 n개의 CSP 필터를 사용하여 2n CPS 필터(
Figure PCTKR2012003572-appb-I000039
)를 만든다. CSP 필터 행렬(
Figure PCTKR2012003572-appb-I000040
)은 수학식 9와 같이 나타내진다.
[수학식 9]
Figure PCTKR2012003572-appb-I000041
왼손과 오른손 움직임 상상에 해당하는 훈련 신호(
Figure PCTKR2012003572-appb-I000042
,
Figure PCTKR2012003572-appb-I000043
)는 수학식 10과 같이 CSP 필터링된 신호로 정의될 수 있다.
[수학식 10]
Figure PCTKR2012003572-appb-I000044
특징신호추출부(190)는 CSP 필터링한 신호 중에서 특정 주파수 대역의 신호를 특징 신호로 추출한다. 여기서 특징 신호는 두피의 감각운동 피질 부분의 감각운동 리듬(sensorimotor rhythms, SMRs)에 해당하는 신호일 수 있다. 특징신호추출부(190)는 다양한 방법으로 특징 신호를 추출할 수 있다. 특징신호추출부(190)는 특정 주파수 대역의 밴드파워(band power)를 계산하여 특징 신호를 추출한다. 또는 특징신호추출부(190)는 각각의 CSP 채널에 대해 FFT(fast Fourier Transform)로 획득한 특정 주파수 대역의 계수를 특징 신호로 추출할 수 있다. 특정 주파수 대역은 감각운동 리듬(SMRs)의 Mu(8-14Hz) 또는 Beta(15-30Hz) 대역의 일부 대역일 수 있다.
사전부(110)는 CSP 필터링부(170)와 특징 신호 추출부(190)를 거친 훈련 신호를 이용하여 사전(A)을 설계한다. 도 3을 참고하면, 사전(A)은 왼쪽 클래스에 대한 행렬(
Figure PCTKR2012003572-appb-I000045
)과 오른쪽 클래스에 대한 행렬(
Figure PCTKR2012003572-appb-I000046
)로 구성된다. 그리고 사전(A)의 행의 수는 CSP 필터의 수이고, 각 클래스의 열의 수는 각 클래스의 훈련 신호의 수이다.
다시 도 2를 참고하면, 풀이부(130)는 사전(A)을 통해서 테스트 신호(y)의 해를 푼다. 이때, 풀이부(130)는 L1 최소화 방법(L1 norm minimization)으로 해(y)를 구한다. 이때, 테스트 신호(y)는 사전(A)의 열을 만드는 방식과 같이 CSP 필터링부(170)와 특징 신호 추출부(190)를 거친 신호이며, 벡터화를 통해 m 차원의 벡터(
Figure PCTKR2012003572-appb-I000047
)로 변환된다. 도 4를 참고하면, 풀이부(130)는 수학식 4의 선형방정식(
Figure PCTKR2012003572-appb-I000048
)을 푼다. 만약, 오른쪽 클래스에 해당하는 테스트 신호(
Figure PCTKR2012003572-appb-I000049
)가 입력되는 경우, 해(x) 중에서 오른쪽 클래스(
Figure PCTKR2012003572-appb-I000050
)에서 0이 아닌 계수(scalar coefficient)들이 다른 클래스보다 더 나타난다.
다시 도 2를 참고하면, 분류부(150)는 특성함수(δ)를 기초로 클래스별 나머지(
Figure PCTKR2012003572-appb-I000051
)를 계산하고, 나머지가 최소가 되는 클래스로 테스트 신호(y)를 분류한다.
다음에서 특징신호추출부(190)가 특징 신호를 추출하는 다양한 방법에 대해 설명한다.
특징신호추출부(190)는 밴드파워 계산(band power computation)을 통해 특징 신호를 추출할 수 있다. 이 경우, 특징신호추출부(190)는 CSP 필터링한 신호의 세컨드 모멘트(second moment)를 계산하여 특정 주파수 대역의 밴드파워를 계산한다. 사전(A)은 밴드파워 계산으로 추출한 각 성분(element)을 이용하여 설계된다. 즉, 사전(A)의 열은 2n개의 밴드파워로 구성될 수 있다.
또는, 특징신호추출부(190)는 FFT를 통해 특징 신호를 추출할 수 있다. 이 경우, 특징신호추출부(190)는 특정 주파수 대역에 해당하는 계수만을 남긴다. 특징신호추출부(190)에서 출력된 신호는 수학식 11과 같이 나타낼 수 있다.
[수학식 11]
Figure PCTKR2012003572-appb-I000052
여기서,
Figure PCTKR2012003572-appb-I000053
는 특징 신호로 추출된 열의 개수이다. 예를 들어, 샘플링 주파수가 256 samples/sec이고, 주파수 해상도가 1Hz이며, Mu(8~14Hz)와 Beta(15~30Hz)에 해당하는 밴드파워를 추출하는 경우,
Figure PCTKR2012003572-appb-I000054
는 최대 24이다.
이 경우, 사전부(110)는
Figure PCTKR2012003572-appb-I000055
의 2n개의 행들을 연결한 뒤 트랜스포즈(transpose)하여 벡터화하여 사전(A)의 왼쪽 행렬(
Figure PCTKR2012003572-appb-I000056
)을 설계한다. 마찬가지로, 사전부(110)는
Figure PCTKR2012003572-appb-I000057
의 2n개의 행들을 연결한 뒤 트랜스포즈하여 벡터화하여 사전(A)의 오른쪽 행렬(
Figure PCTKR2012003572-appb-I000058
)을 설계한다.
도 5는 본 발명의 한 실시예에 따른 CSP 필터링 전의 훈련 신호 관계를 나타내는 도면이고, 도 6은 본 발명의 한 실시예에 따른 CSP 필터링 후의 훈련 신호 관계를 나타내는 도면이다.
먼저 도 5를 참고하면, CSP 필터링 전의 훈련 신호는 왼쪽과 오른쪽 샘플이 연관(correlation)되어 있다.
다음 도 6을 참고하면, CSP 필터링 후의 훈련 신호는 CSP 필터링 전보다 연관이 적다. 즉, CSP 필터링이란 입력받은 훈련 신호를 공간적으로 필터링하여 하나의 클래스에 대해서는 최대화하고, 다른 클래스에 대해서는 최소화하기 때문에, CSP 필터링 후의 왼쪽과 오른쪽 샘플들은 CSP 필터링 전의 왼쪽과 오른쪽 샘플들에 비해 연관이 적어 잘 구분된다
따라서, 뇌-컴퓨터 접속 장치(100)는 훈련 신호를 CSP 필터링하여 사전(A)을 만들면, 불규칙(incoherent)한 사전(A)을 설계할 수 있다. 그리고, 압축센싱 시, 사전(A)이 불규칙할수록 희소 표현 기반 분류의 정확도를 높일 수 있다. 결국, 뇌-컴퓨터 접속 장치(100)는 잡음이 매우 심하고 시간에 따라 변화하여 분류가 쉽지 않은 움직임 상상 뇌파 신호를 더 정확히 분류할 수 있다.
도 7은 본 발명의 한 실시예에 따른 분류 방법의 흐름도이다.
도 7을 참고하면, 뇌-컴퓨터 접속 장치(100)는 각 클래스에 해당하는 훈련 신호를 획득한다(S710). 훈련 신호는 움직임 상상 실험을 통해 획득한 뇌파 신호이다.
뇌-컴퓨터 접속 장치(100)는 훈련 신호를 하나의 클래스에 대해서는 최대화하고, 다른 클래스에 대해서는 최소화하는 CSP 필터링을 한다(S720). 뇌-컴퓨터 접속 장치(100)는 CSP 필터링을 통해 훈련 신호에서 왼쪽 클래스와 오른쪽 클래스의 연관을 줄여 구분이 잘 되도록 처리한다.
뇌-컴퓨터 접속 장치(100)는 CSP 필터링한 신호를 기초로 테스트 신호(y)의 해(x)를 풀기 위한 사전(A)을 설계한다(S730). 뇌-컴퓨터 접속 장치(100)는 훈련 신호의 정보가 희소 표현된 사전(A)을 만든다. 특히, 뇌-컴퓨터 접속 장치(100)는 CSP 필터링한 신호를 기초로 불규칙(incoherent)한 사전(A)을 설계할 수 있다. 이때, 뇌-컴퓨터 접속 장치(100)는 CSP 필터링한 신호 중에서 특정 주파수 대역의 신호를 특징 신호로 추출하고, 이 특징 신호를 기초로 사전(A)을 설계할 수 있다. 즉, 뇌-컴퓨터 접속 장치(100)는 감각운동 리듬에 해당하는 신호를 특징 신호로 추출할 수 있다.
뇌-컴퓨터 접속 장치(100)는 테스트 신호(y)를 입력받아 선형방정식(
Figure PCTKR2012003572-appb-I000059
)의 해(x)를 구한다(S740). 이때, 선형방정식은 언더디터민드(underdetermined) 상태이므로, 뇌-컴퓨터 접속 장치(100)는 L1 최소화 방법으로 해(x)를 구한다.
뇌-컴퓨터 접속 장치(100)는 클래스가 구분된 해(
Figure PCTKR2012003572-appb-I000060
) 중에서 0이 아닌 계수의 분포를 기초로 테스트 신호(y)를 분류한다(S750). 해(x)는 테스트 신호(y)와 관계된 몇 개의 원소만 0이 아니고, 나머지 원소는 0인 희소 벡터이다. 따라서, 뇌-컴퓨터 접속 장치(100)는 왼쪽 클래스에 해당하는 해(
Figure PCTKR2012003572-appb-I000061
)의 계수들이 다른 클래스보다 더 나타나면 테스트 신호(y)를 왼쪽으로 분류하고, 오른쪽 클래스에 해당하는 해(
Figure PCTKR2012003572-appb-I000062
)의 계수들이 다른 클래스보다 더 나타나면 테스트 신호(y)를 오른쪽으로 분류한다. 이를 위해, 뇌-컴퓨터 접속 장치(100)는 해(x)에서, 다른 클래스와 관련된 모든 원소들을 0으로 채운 벡터인 특성함수(δ)를 이용하여 수학식 7과 같이 클래스별 나머지를 계산한다. 그리고, 뇌-컴퓨터 접속 장치(100)는 수학식 8과 같이 나머지가 최소가 되는 클래스로 테스트 신호(y)를 분류할 수 있다.
도 8은 선형 판별법에 의한 쉬운 분류 결과를 나타내는 도면이고, 도 9는 본 발명의 한 실시예에 따른 분류 결과를 나타내는 도면이다.
도 8을 참고하면, 선형 판별법(Linear Discriminant Analysis, LDA)은 오른쪽 훈련 신호(o 표시)와 왼쪽 훈련 신호(x 표시)를 각각 매핑한다. 그리고, 오른쪽 훈련 신호와 왼쪽 훈련 신호를 가르는 판별선(decision line)을 기초로 테스트 신호를 분류한다. 즉, 선형 판별법은 테스트 신호가 판별선 아래로 매핑되면 오른쪽 상상 신호로 분류하고, 판별선 위에 매핑되면 왼쪽 상상 신호로 분류한다. 이때, 판별이 쉬운 왼쪽 테스트 신호가 입력되면, 왼쪽 테스트 신호는 판별선에서 떨어진 위치에 매핑되어, 선형 판별법은 쉽게 테스트 신호를 왼쪽 상상 신호로 분별한다.
도 9를 참고하면, 뇌-컴퓨터 접속 장치(100) 역시 판별이 쉬운 테스트 신호가 입력되면, 0이 아닌 계수들이 거의 왼쪽 해에 나타나므로, 테스트 신호를 왼쪽 상상 신호로 쉽게 분별한다.
도 10은 선형 판별법에 의한 어려운 분류 결과를 나타내는 도면이고, 도 11은 본 발명의 다른 실시예에 따른 분류 결과를 나타내는 도면이다.
도 10을 참고하면, 선형 판별법은 판별이 어려운 테스트 신호가 입력되면, 판별선 근처에 매핑된다. 따라서, 왼쪽 테스트 신호는 왼쪽 신호임에도 불구하고, 판별선 아래에 매핑될 수 있다. 이 경우, 선형 판별법은 왼쪽 테스트 신호를 오른쪽 상상 신호로 잘못 분류할 수 있다. 이렇게 선형 판별법은 판별이 어려운 지역(grey region)이 존재하기 때문에, 테스트 신호를 정확히 분류하기에는 한계가 있다.
도 11을 참고하면, 뇌-컴퓨터 접속 장치(100)는 판별이 어려운 테스트 신호가 입력되면, 0이 아닌 계수들이 왼쪽 해뿐만 아니라 오른쪽 해에도 일부 나타난다. 그러나, 뇌-컴퓨터 접속 장치(100)는 테스트 신호의 희소 표현을 기초로 희소 벡터를 계산하므로, 왼쪽에 나타난 계수들이 오른쪽에 나타난 계수들보다 더 표현된다. 따라서, 뇌-컴퓨터 접속 장치(100)는 판별이 어려운 테스트 신호가 입력되더라도 정확히 분류할 가능성이 높다.
이상에서 설명한 본 발명의 실시예는 장치 및 방법을 통해서만 구현이 되는 것은 아니며, 본 발명의 실시예의 구성에 대응하는 기능을 실현하는 프로그램 또는 그 프로그램이 기록된 기록 매체를 통해 구현될 수도 있다.
이상에서 본 발명의 실시예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다.

Claims (20)

  1. 뇌파 신호인 테스트 신호를 복수의 클래스 중 어느 하나로 분류하는 뇌-컴퓨터 접속 장치로서,
    상기 테스트 신호를 분류하기 위한 사전(dictionary)을 각 클래스의 훈련 신호를 기초로 설계하는 사전부,
    상기 사전을 기초로 상기 테스트 신호의 해를 구하는 풀이부, 그리고
    상기 해의 각 클래스에 나타난 0이 아닌 계수의 분포를 기초로 상기 테스트 신호를 분류하는 분류부
    를 포함하는 뇌-컴퓨터 접속 장치.
  2. 제1항에서,
    상기 훈련 신호를 하나의 클래스에 대해서는 최대화하고, 다른 클래스에 대해서는 최소화하는 CSP(common spatial pattern) 필터링을 하여 CSP 필터링된 신호를 출력하는 CSP 필터링부를 더 포함하고,
    상기 사전부는 상기 CSP 필터링된 신호를 기초로 상기 사전을 설계하는 뇌-컴퓨터 접속 장치.
  3. 제2항에서,
    상기 사전부는
    상기 복수의 클래스 각각에 대응하는 복수의 행렬로 구성되고, 행의 수는 CSP 필터의 수이며, 각 클래스의 열의 수는 각 클래스의 훈련 신호의 수인 상기 사전을 설계하는 뇌-컴퓨터 접속 장치.
  4. 제2항에서,
    상기 CSP 필터링된 신호 중에서 특정 주파수 대역의 신호를 특징 신호로 추출하는 특징신호추출부를 더 포함하고,
    상기 사전부는 상기 특징 신호를 기초로 상기 사전을 설계하는 뇌-컴퓨터 접속 장치.
  5. 제4항에서,
    상기 특정 주파수 대역은 두피의 감각운동 피질 부분의 감각운동 리듬에 해당하는 주파수 대역인 뇌-컴퓨터 접속 장치.
  6. 제1항에서,
    상기 풀이부는
    L1 최소화 방법으로 상기 해를 구하는 뇌-컴퓨터 접속 장치.
  7. 제1항에서,
    상기 분류부는
    상기 해의 각 클래스 중에서 0이 아닌 계수가 가장 많이 나타난 클래스로 상기 테스트 신호를 분류하는 뇌-컴퓨터 접속 장치.
  8. 제1항에서,
    상기 분류부는
    상기 해를 기초로 클래스별 나머지를 계산하여 나머지가 최소인 클래스로 상기 테스트 신호를 분류하고,
    상기 클래스별 나머지는 상기 해 중에서 자신 이외의 클래스의 원소를 0으로 채워 생성한 벡터를 상기 사전에 투영한 제1값과 상기 테스트 신호에 해당하는 제2값의 차이로 계산되는 값인 뇌-컴퓨터 접속 장치.
  9. 제1항에서,
    상기 훈련 신호와 상기 테스트 신호는 움직임 상상 기반 뇌파 신호인 뇌-컴퓨터 접속 장치.
  10. 제1항에서,
    상기 복수의 클래스는 왼쪽 움직임 상상에 해당하는 왼쪽 클래스와 오른쪽 움직임 상상에 해당하는 오른쪽 클래스를 포함하는 뇌-컴퓨터 접속 장치.
  11. 뇌-컴퓨터 접속 장치가 뇌파 신호인 테스트 신호를 복수의 클래스 중 어느 하나로 분류하는 방법으로서,
    각 클래스에 해당하는 훈련 신호를 획득하는 단계,
    상기 훈련 신호를 하나의 클래스에 대해서는 최대화하고, 다른 클래스에 대해서는 최소화하는 CSP(Common Spatial Pattern) 필터링하여 CSP 필터링한 신호를 생성하는 단계,
    상기 CSP 필터링한 신호를 기초로 상기 테스트 신호의 해를 풀기 위한 사전(dictionary)을 설계하는 단계,
    상기 사전을 기초로 상기 테스트 신호의 해를 구하는 단계, 그리고
    상기 해의 각 클래스에 나타난 0이 아닌 계수의 분포를 기초로 상기 테스트 신호를 분류하는 단계
    를 포함하는 분류 방법.
  12. 제11항에서,
    상기 훈련 신호와 상기 테스트 신호는 움직임 상상 기반 뇌파 신호인 분류 방법.
  13. 제11항에서,
    상기 복수의 클래스는 왼쪽 움직임 상상에 해당하는 왼쪽 클래스와 오른쪽 움직임 상상에 해당하는 오른쪽 클래스를 포함하는 분류 방법.
  14. 제11항에서,
    상기 사전을 설계하는 단계는
    상기 복수의 클래스 각각에 대응하는 복수의 행렬로 구성되고, 행의 수는 CSP 필터의 수이며, 각 클래스의 열의 수는 각 클래스의 훈련 신호의 수인 상기 사전을 설계하는 분류 방법.
  15. 제11항에서,
    상기 CSP 필터링된 신호 중에서 특정 주파수 대역의 신호를 특징 신호로 추출하는 단계를 더 포함하고,
    상기 사전을 설계하는 단계는 상기 특징 신호를 기초로 상기 사전을 설계하는 분류 방법.
  16. 제15항에서,
    상기 특정 주파수 대역은 두피의 감각운동 피질 부분의 감각운동 리듬에 해당하는 주파수 대역인 분류 방법.
  17. 제11항에서,
    상기 해를 구하는 단계는
    L1 최소화 방법으로 상기 해를 구하는 분류 방법.
  18. 제11항에서,
    상기 해를 구하는 단계는
    0이 아닌 계수의 개수가 각 클래스의 훈련 신호의 개수보다 희소하다고 판단될 수 있는 정도로 적은 상기 해를 구하는 분류 방법.
  19. 제11항에서,
    상기 테스트 신호를 분류하는 단계는
    상기 해의 각 클래스 중에서 0이 아닌 계수가 가장 많이 나타난 클래스로 상기 테스트 신호를 분류하는 분류 방법.
  20. 제11항에서,
    상기 테스트 신호를 분류하는 단계는
    상기 해를 기초로 클래스별 나머지를 계산하여 나머지가 최소인 클래스로 상기 테스트 신호를 분류하고, 상기 클래스별 나머지는 상기 해 중에서 자신 이외의 클래스의 원소를 0으로 채워 생성한 벡터를 상기 사전에 투영한 제1값과 상기 테스트 신호에 해당하는 제2값의 차이로 계산되는 값인 분류 방법.
PCT/KR2012/003572 2011-05-09 2012-05-07 뇌-컴퓨터 접속 장치, 그리고 그의 분류 방법 WO2012153965A2 (ko)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
KR10-2011-0043567 2011-05-09
KR20110043567 2011-05-09
KR10-2012-0039497 2012-04-17
KR1020120039497A KR101380964B1 (ko) 2011-05-09 2012-04-17 뇌-컴퓨터 접속 장치, 그리고 그의 분류 방법

Publications (2)

Publication Number Publication Date
WO2012153965A2 true WO2012153965A2 (ko) 2012-11-15
WO2012153965A3 WO2012153965A3 (ko) 2013-02-21

Family

ID=47139796

Family Applications (1)

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

Country Status (2)

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

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104473635A (zh) * 2014-12-16 2015-04-01 重庆邮电大学 混合小波和共同空间模式的左右手运动想象脑电信号特征提取方法
CN104771163A (zh) * 2015-01-30 2015-07-15 杭州电子科技大学 基于csp和r-csp算法的脑电信号特征提取方法
CN105962932A (zh) * 2016-04-20 2016-09-28 西安电子科技大学 基于子空间正交向量的峰电位检测方法
CN107292329A (zh) * 2017-04-19 2017-10-24 西北工业大学 基于ci‑csp算法的事件想象分类方法
CN107423668A (zh) * 2017-04-14 2017-12-01 山东建筑大学 基于小波变换和稀疏表达的脑电信号分类系统与方法
CN110321856A (zh) * 2019-07-08 2019-10-11 山东大学 一种时频多尺度散度csp的脑机接口方法及装置
CN110516711A (zh) * 2019-07-25 2019-11-29 安徽大学 Mi-bci系统的训练集质量评估方法和单次训练样本的优化方法
US10582316B2 (en) 2017-11-30 2020-03-03 Starkey Laboratories, Inc. Ear-worn electronic device incorporating motor brain-computer interface
WO2020148931A1 (en) * 2019-01-17 2020-07-23 Mitsubishi Electric Corporation Brain-computer interface system, system for brain activity analysis, and method of analysis
CN112971813A (zh) * 2021-01-30 2021-06-18 上海麓联智能科技有限公司 一种用于神经信号的峰电位分类系统及分类方法
CN113780392A (zh) * 2021-08-31 2021-12-10 杭州电子科技大学 一种运动想象脑电识别的通道选择方法

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101524585B1 (ko) * 2013-08-08 2015-06-04 중앙대학교 산학협력단 뇌파 분류 장치 및 방법
KR102248796B1 (ko) * 2018-10-31 2021-05-07 울산과학기술원 사용자의 의사결정 예측 방법 및 장치
KR102175997B1 (ko) * 2018-12-13 2020-11-06 성균관대학교산학협력단 뇌파 기반의 사용자 의도 인식 방법 및 장치
KR102340544B1 (ko) 2019-10-30 2021-12-20 고려대학교 산학협력단 뇌전도 신호의 tdp와 상관관계 계수를 이용한 운동 심상 분류 장치 및 방법
KR102347688B1 (ko) 2019-11-01 2022-01-06 고려대학교 산학협력단 뇌전도 신호의 분해를 이용한 상관관계 계수 특징 기반 인지 심상 분류 장치 및 방법

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050085744A1 (en) * 2003-10-20 2005-04-21 Stmicroelectronics S.R.I. Man-machine interfaces system and method, for instance applications in the area of rehabilitation
US20050131311A1 (en) * 2003-12-12 2005-06-16 Washington University Brain computer interface
US20110064302A1 (en) * 2008-01-31 2011-03-17 Yi Ma Recognition via high-dimensional data classification
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050085744A1 (en) * 2003-10-20 2005-04-21 Stmicroelectronics S.R.I. Man-machine interfaces system and method, for instance applications in the area of rehabilitation
US20050131311A1 (en) * 2003-12-12 2005-06-16 Washington University Brain computer interface
US20110064302A1 (en) * 2008-01-31 2011-03-17 Yi Ma Recognition via high-dimensional data classification
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

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104473635A (zh) * 2014-12-16 2015-04-01 重庆邮电大学 混合小波和共同空间模式的左右手运动想象脑电信号特征提取方法
CN104771163A (zh) * 2015-01-30 2015-07-15 杭州电子科技大学 基于csp和r-csp算法的脑电信号特征提取方法
CN105962932A (zh) * 2016-04-20 2016-09-28 西安电子科技大学 基于子空间正交向量的峰电位检测方法
CN107423668A (zh) * 2017-04-14 2017-12-01 山东建筑大学 基于小波变换和稀疏表达的脑电信号分类系统与方法
CN107292329B (zh) * 2017-04-19 2020-10-16 西北工业大学 基于ci-csp算法的事件想象分类方法
CN107292329A (zh) * 2017-04-19 2017-10-24 西北工业大学 基于ci‑csp算法的事件想象分类方法
US11638104B2 (en) 2017-11-30 2023-04-25 Starkey Laboratories, Inc. Ear-worn electronic device incorporating motor brain-computer interface
US10582316B2 (en) 2017-11-30 2020-03-03 Starkey Laboratories, Inc. Ear-worn electronic device incorporating motor brain-computer interface
US10694299B2 (en) 2017-11-30 2020-06-23 Starkey Laboratories, Inc. Ear-worn electronic device incorporating motor brain-computer interface
US11102591B2 (en) 2017-11-30 2021-08-24 Starkey Laboratories, Inc. Ear-worn electronic device incorporating motor brain-computer interface
JP7144906B2 (ja) 2019-01-17 2022-09-30 三菱電機株式会社 ブレインコンピュータインターフェースシステム、脳活動解析システム、及び解析方法
WO2020148931A1 (en) * 2019-01-17 2020-07-23 Mitsubishi Electric Corporation Brain-computer interface system, system for brain activity analysis, and method of analysis
JP2022505339A (ja) * 2019-01-17 2022-01-14 三菱電機株式会社 ブレインコンピュータインターフェースシステム、脳活動解析システム、及び解析方法
CN110321856B (zh) * 2019-07-08 2023-01-10 山东大学 一种时频多尺度散度csp的脑机接口方法及装置
CN110321856A (zh) * 2019-07-08 2019-10-11 山东大学 一种时频多尺度散度csp的脑机接口方法及装置
CN110516711A (zh) * 2019-07-25 2019-11-29 安徽大学 Mi-bci系统的训练集质量评估方法和单次训练样本的优化方法
CN110516711B (zh) * 2019-07-25 2022-10-21 安徽大学 Mi-bci系统的训练集质量评估方法和单次训练样本的优化方法
CN112971813A (zh) * 2021-01-30 2021-06-18 上海麓联智能科技有限公司 一种用于神经信号的峰电位分类系统及分类方法
CN113780392A (zh) * 2021-08-31 2021-12-10 杭州电子科技大学 一种运动想象脑电识别的通道选择方法
CN113780392B (zh) * 2021-08-31 2024-03-19 杭州电子科技大学 一种运动想象脑电识别的通道选择方法

Also Published As

Publication number Publication date
WO2012153965A3 (ko) 2013-02-21
KR101380964B1 (ko) 2014-04-04
KR20120125948A (ko) 2012-11-19

Similar Documents

Publication Publication Date Title
WO2012153965A2 (ko) 뇌-컴퓨터 접속 장치, 그리고 그의 분류 방법
WO2018135692A1 (ko) 동작 인식 및 제어를 위한 웨어러블 장치 및 이를 이용한 동작 인식 제어 방법
Tomida et al. Active data selection for motor imagery EEG classification
Pirttikangas et al. Feature selection and activity recognition from wearable sensors
WO2016163755A1 (ko) 품질 측정 기반의 얼굴 인식 방법 및 장치
KR101748731B1 (ko) 아이겐 페이스 개념을 이용한 뇌파 신호 분류 방법 및 이를 실행하는 장치
WO2021246700A1 (ko) 사용자 상태를 예측하기 위한 방법 및 그 장치
CN111265212A (zh) 一种运动想象脑电信号分类方法及闭环训练测试交互系统
WO2014069822A1 (en) Apparatus and method for face recognition
WO2021107309A1 (ko) 뇌파 분석과 관련된 관심 구간을 뇌파 신호에서 레이블링하는 방법 및 이를 수행하는 뇌파 분석 시스템
KR101068017B1 (ko) 뇌-컴퓨터 인터페이스를 위한 합성 공통 공간 패턴 분석 방법 및 이를 이용한 뇌파 분석 방법
CN109840465A (zh) 识别图像中的文本的电子装置
WO2022059969A1 (ko) 심전도 데이터 분류를 위한 심층 신경망 사전 학습 방법
WO2016126147A1 (ko) 코골이 검출 장치 및 방법
WO2019103186A1 (ko) 뇌파 분석을 통한 뇌 나이 추정 방법 및 시스템
Rosas-Cholula et al. On signal P-300 detection for BCI applications based on wavelet analysis and ICA preprocessing
Atum et al. Genetic feature selection to optimally detect P300 in brain computer interfaces
WO2019112385A1 (ko) 비디오 인식을 위한 영상 세그먼트 프레임별 특징점의 시간 정보 인코딩 방법
WO2021194197A1 (ko) 주요 우울증에 대한 정보 제공 방법 및 이를 이용한 주요 우울증에 대한 정보 제공용 디바이스
WO2019208933A1 (ko) 사용자 인증을 위한 장치 및 방법
WO2016021829A1 (ko) 동작 인식 방법 및 동작 인식 장치
WO2020085581A1 (ko) 영상평가시스템 및 영상평가방법
WO2012077909A2 (ko) 근전도 센서와 자이로 센서를 이용한 지화 인식 방법 및 장치
Hrisca-Eva et al. Higher order statistics and phase synchronization as features in a motor imagery paradigm
Awan et al. Modified block compressed sensing for extraction of fetal electrocardiogram from mother electrocardiogram using block compressed sensing based guided focuss and fast-independent component

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: 12781803

Country of ref document: EP

Kind code of ref document: A2

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 12781803

Country of ref document: EP

Kind code of ref document: A2