1 |
1
동작 상상 뇌파 신호 분류 장치를 이용한 동작 상상 뇌파 신호 분류 방법에 있어서,동작 상상 실험을 통해 기 설정된 시간 동안 획득된 뇌파 신호를 입력받는 단계; 주파수 범위를 기 설정된 개수로 균등 분할하여 구성된 필터 뱅크(filter bank)를 이용하여 상기 주파수 범위에 대응하도록 상기 뇌파 신호의 주파수를 분할하는 단계;정규화 공통 구간 패턴(R-CSP) 필터를 통해 상기 뇌파 신호의 주파수 범위 별로 각각 특징 정보를 추출하여 정규화시키는 단계;MIBIF(Mutual Information Based Individual Feature) 알고리즘을 이용하여 상기 추출된 특징 정보 중에서 앙상블을 위한 파라미터 세트를 구성하기 위한 기 설정된 개수의 특징 정보 쌍을 선택하는 단계; 및상기 선택된 특징 정보 쌍을 기반으로 앙상블 기법을 이용하여 상기 뇌파 신호의 상상 동작을 분류하는 단계를 포함하는 동작 상상 뇌파 신호 분류 방법
|
2 |
2
제1항에 있어서,상기 필터 뱅크는 서로 다른 주파수 대역을 포함하는 다수개의 5차 버터워스(butterworth) 밴드 패스 필터로 구성되는 동작 상상 뇌파 신호 분류 방법
|
3 |
3
제1항에 있어서,상기 뇌파 신호는,상기 동작 상상 실험을 통해 피험자로부터 획득된 신호 중 레이블링이 되어 있지 않은 테스트 뇌파 신호 및 타 피험자들로부터 일정 시간 동안 획득된 트레이닝 뇌파 신호를 포함하며,상기 기 설정된 개수의 특징 정보 쌍을 선택하는 단계는,상기 테스트 뇌파 신호와 상기 트레이닝 뇌파 신호 각각에 대해 상기 앙상블을 위한 파라미터 세트를 구성하기 위한 기 설정된 개수의 특징 정보 쌍을 선택하는 동작 상상 뇌파 신호 분류 방법
|
4 |
4
제3항에 있어서, 상기 특징 정보를 추출하여 정규화시키는 단계는,아래의 수학식을 이용하여 상기 트레이닝 뇌파 신호의 공분산 추정을 계산하여 정규화시키는 동작 상상 뇌파 신호 분류 방법:여기서 C는 1회의 동작 상상 실험 신호의 공분산 행렬이고, ω는 클래스 인덱스, 은 다른 피험자 들로부터 얻은 트레이닝 뇌파 신호의 총 개수를 의미한다
|
5 |
5
제1항에 있어서,상기 MIBIF 알고리즘은, 선택된 특징 벡터 집합, 전체 특징 벡터 집합 및 대응되는 클래스 라벨 집합을 초기화하고, 각 특징 벡터에 대해 상호 정보 값을 계산하여 상기 상호 정보 값의 내림차순으로 특징 벡터 집합을 정렬한 후, 상위 k개의 특징에 대응되는 특징을 선택하는 순서로 수행되며, 모든 파라미터 세트에 대해 동일하게 수행하는 동작 상상 뇌파 신호 분류 방법
|
6 |
6
제3항에 있어서,상기 앙상블 기법을 이용하여 상기 뇌파 신호의 상상 동작을 분류하는 단계는,다음의 수학식을 이용하여 상기 테스트 뇌파 신호의 특징 정보들에 대하여 각 파라미터 간 거리를 계산하는 동작 상상 뇌파 신호 분류 방법:여기서 v는 검증 폴드 특징 벡터, 는 각 클래스의 평균 벡터, 는 L2-norm operator이다
|
7 |
7
제6항에 있어서, 상기 앙상블 기법을 이용하여 상기 뇌파 신호의 상상 동작을 분류하는 단계는,다음의 수학식을 이용하여 상기 계산된 거리를 정규화하고, 다음의 수학식을 이용하여 선택된 특징 쌍에 대한 파라미터들의 거리를 합하여 가장 가까운 거리를 가지는 파라미터를 도출하는 동작 상상 뇌파 신호 분류 방법:여기서 e는 앙상블 인덱스, Dis는 이다
|
8 |
8
주파수 범위를 기 설정된 개수로 균등 분할하여 구성되며, 동작 상상 실험을 통해 기 설정된 시간 동안 획득된 뇌파 신호가 입력되면, 상기 주파수 범위에 대응하도록 상기 뇌파 신호의 주파수를 분할하는 필터 뱅크;정규화 공통 구간 패턴(R-CSP) 필터를 통해 상기 뇌파 신호의 주파수 범위 별로 각각 특징 정보를 추출하는 특징 추출부;MIBIF(Mutual Information Based Individual Feature) 알고리즘을 이용하여 상기 추출된 특징 정보 중에서 앙상블을 위한 파라미터 세트를 구성하기 위한 기 설정된 개수의 특징 정보 쌍을 선택하는 특징 선택부; 및상기 선택된 특징 정보 쌍을 기반으로 앙상블 기법을 이용하여 상기 뇌파 신호의 상상 동작을 분류하는 앙상블 및 분류부를 포함하는 동작 상상 뇌파 신호 분류 장치
|
9 |
9
제8항에 있어서,상기 필터 뱅크는 서로 다른 주파수 대역을 포함하는 다수개의 5차 버터워스(butterworth) 밴드 패스 필터로 구성되는 동작 상상 뇌파 신호 분류 장치
|
10 |
10
제8항에 있어서,상기 뇌파 신호는,상기 동작 상상 실험을 통해 피험자로부터 획득된 신호 중 레이블링이 되어 있지 않은 테스트 뇌파 신호 및 타 피험자들로부터 일정 시간 동안 획득된 트레이닝 뇌파 신호를 포함하며,상기 특징 선택부는,상기 테스트 뇌파 신호와 상기 트레이닝 뇌파 신호 각각에 대해 상기 앙상블을 위한 파라미터 세트를 구성하기 위한 기 설정된 개수의 특징 정보 쌍을 선택하는 동작 상상 뇌파 신호 분류 장치
|
11 |
11
제10항에 있어서, 상기 특징 추출부는,아래의 수학식을 이용하여 상기 트레이닝 뇌파 신호의 공분산 추정을 계산하여 정규화시키는 동작 상상 뇌파 신호 분류 장치:여기서 C는 1회의 동작 상상 실험 신호의 공분산 행렬이고, ω는 클래스 인덱스, 은 다른 피험자 들로부터 얻은 트레이닝 뇌파 신호의 총 개수를 의미한다
|
12 |
12
제8항에 있어서,상기 MIBIF 알고리즘은, 선택된 특징 벡터 집합, 전체 특징 벡터 집합 및 대응되는 클래스 라벨 집합을 초기화하고, 각 특징 벡터에 대해 상호 정보 값을 계산하여 상기 상호 정보 값의 내림차순으로 특징 벡터 집합을 정렬한 후, 상위 k개의 특징에 대응되는 특징을 선택하는 순서로 수행되며, 모든 파라미터 세트에 대해 동일하게 수행하는 동작 상상 뇌파 신호 분류 장치
|
13 |
13
제10항에 있어서,상기 앙상블 및 분류부는,다음의 수학식을 이용하여 상기 테스트 뇌파 신호의 특징 정보들에 대하여 각 파라미터 간 거리를 계산하는 동작 상상 뇌파 신호 분류 장치:여기서 v는 검증 폴드 특징 벡터, 는 각 클래스의 평균 벡터, 는 L2-norm operator이다
|
14 |
14
제13항에 있어서, 상기 앙상블 및 분류부는,다음의 수학식을 이용하여 상기 계산된 거리를 정규화하고, 다음의 수학식을 이용하여 선택된 특징 쌍에 대한 파라미터들의 거리를 합하여 가장 가까운 거리를 가지는 파라미터를 도출하는 동작 상상 뇌파 신호 분류 장치:여기서 e는 앙상블 인덱스, Dis는 이다
|