1 |
1
적어도 하나의 주어진 각 작업에 대해 뇌파 신호를 적어도 하나를 획득하는 데이터 수집부;상기 데이터 수집부의 뇌파 신호에 대해 스펙트럼 및 공간 정보를 포함하는 3차원 이미지의 입력 데이터로 출력하는 전처리부;상기 전처리부의 입력 데이터에 대해 학습하여 최적화된 리스케일링 파라미터, 가중치, 바이어스 파라미터, 히든 레이어 파라미터, 및 분류기를 출력하는 학습부; 및상기 최적화된 리스케일링 파라미터, 가중치, 및 분류기와 상기 전처리부의 입력 데이터를 토대로 3차원 컨볼루션 신경망(CNN) 알고리즘을 수행하여 뇌 인지 부하를 다수의 분류기 중 하나에 분류하는 CNN 수행부를 포함하는 것을 특징으로 하는 뇌 인지 부하 분류 시스템
|
2 |
2
제1항에 있어서, 상기 뇌 인지 부하의 분류는 하나의 레벨로 출력되는 것을 특징으로 하는 뇌 인지 부하 분류 시스템
|
3 |
3
제1항에 있어서, 상기 전처리부는,획득된 소정 주파수 범위의 진동 형태의 뇌파 신호에서 필터링을 통해 노이즈 성분을 제거하고 신호원 국지화 (source localization)를 통해 단일 소스의 신호로 복구하는 필터모듈;상기 시계열의 단일 소스의 뇌파 신호를 고속 퓨리에 변환 및 웨이브릿을 사용하여 기 정해진 주파수 범위의 스펙트럼 전력의 밀도를 출력하는 추정모듈; 중심점에서의 비례적으로 보정된 거리에 전극이 있다는 정의에 의해 방위각 등거리 투영법(azimuthal equidistant projection)을 적용하여 3차원 전극을 2차원 이미지로 변환하여 뇌파 신호의 공간 정보를 획득하는 매핑모듈; 및각 공간 별 해당 전극의 스펙트럼 전력에 대해 3차 스플라인 보간법(Cubic Spline Interpolation)을 이용하여 전극과 전극 사이의 빈 공간의 스펙트럼 전력을 보간하여 스펙트럼 및 공간 정보를 포함하는 3차원 이미지의 입력 데이터를 출력하는 보간모듈을 포함하는 것을 특징으로 하는 뇌 인지 부하 분류 시스템
|
4 |
4
제3항에 있어서, 상기 CNN 수행부는,소정 수 콘볼루션 계층과 폴링 계층과 완전 연결 계층을 포함하되,소정 수의 콘볼루션 계층은,3차원 이미지의 입력 데이터에 대해 지수 선형 단위(Exponential Linear Unit)에 의거 활성화하여 소정 수의 멀티 레벨 특징을 포함하는 레이어를 도출하도록 구비될 수 있고,폴링 계층은,소정 수의 레이어의 중 로우 레벨 특징을 나타내는 일부 레이어에 대한 평균 폴링 및 최대 폴링을 적용하여 각 채널 별 평균 및 최대 폴링 특징으로 출력하도록 구비될 수 있고,상기 완전 연결 계층은,상기 각 멀티 레벨 특징과 각 분류기의 곱으로 도출된 멀티 레벨 특징의 로지트, 히든 레이어 파라미터, 및 바이어스 파라미터에 대한 활성화 함수를 이용하여 각 멀티 레벨 특징의 중요도를 나타내는 각 가중치를 도출한 다음상기 도출된 각 가중치와 멀티 레벨 특징의 로지트에 대한 기 정해진 활성화 함수값 및 리스케일링 파라미터의 곱의 합으로 뇌 인지 부하를 추정하고 추정된 뇌 인지 부하를 기 정해진 다수의 분류기 중 하나에 분류하도록 구비되는 것을 특징으로 하는 뇌 인지 부하 분류 시스템
|
5 |
5
제4항에 있어서, 상기 학습부는각 멀티 레벨 특징의 로지트에 대한 분류 손실 함수로부터 멀티 레벨 특징의 각도 손실을 도출하고,도출된 각도 손실의 최소화 해로 최적화된 각 멀티 레벨 특징의 각 가중치를 도출하여 3차원 CNN 수행부로 전달하도록 구비되는 것을 특징으로 하는 뇌 인지 부하 분류 시스템
|
6 |
6
제5항에 있어서, 상기 각도 손실의 최소화 해는각 멀티 레벨 특징의 각도 손실에 대한 특징 벡터의 편미분 방정식인 그래디언트 기법으로 도출하도록 구비되는 것을 특징으로 하는 뇌 인지 부하 분류 시스템
|
7 |
7
적어도 하나의 주어진 각 작업에 대해 뇌파 신호를 적어도 하나를 획득하는 데이터 수집 단계;상기 데이터 수집부의 뇌파 신호에 대해 스펙트럼 및 공간 정보를 포함하는 2차원 이미지의 입력 데이터로 출력하는 전처리 단계;상기 전처리부의 입력 데이터에 대해 학습하여 최적화된 리스케일링 파라미터, 가중치, 바이어스 파라미터, 히든 레이어 파라미터, 및 분류기를 출력하는 학습단계; 및상기 최적화된 리스케일링 파라미터, 가중치, 및 분류기와 상기 전처리부의 스펙트럼 및 공간 정보를 토대로 3차원 컨볼루션 신경망(CNN) 알고리즘을 수행하여 뇌 인지 부하를 다수의 분류기 중 하나에 분류하는 CNN 수행 단계를 포함하는 것을 특징으로 하는 뇌 인지 부하 분류 방법
|
8 |
8
제7항에 있어서, 상기 뇌 인지 부하의 분류는 하나의 레벨로 출력되는 것을 특징으로 하는 뇌 인지 부하 분류 방법
|
9 |
9
제7항에 있어서, 상기 전처리단계는획득된 소정 주파수 범위의 진동 형태의 뇌파 신호에서 필터링을 통해 노이즈 성분을 제거하고 신호원 국지화 (source localization)를 통해 단일 소스의 신호로 복구하는 단계;상기 시계열의 단일 소스의 뇌파 신호를 고속 퓨리에 변환 및 웨이브릿을 사용하여 기 정해진 주파수 범위의 스펙트럼 전력의 밀도를 출력하는 단계;중심점에서의 비례적으로 보정된 거리에 전극이 있다는 정의에 의해 방위각 등거리 투영법(azimuthal equidistant projection)을 적용하여 3차원 전극을 2차원 이미지로 변환하여 뇌파 신호의 공간 정보를 획득하는 단계; 및각 공간 별 해당 전극의 스펙트럼 전력에 대해 3차 스플라인 보간법(Cubic Spline Interpolation)을 이용하여 전극과 전극 사이의 빈 공간의 스펙트럼 전력을 보간하여 스펙트럼 및 공간 정보를 포함하는 3차원 이미지의 입력 데이터를 출력하는 단계를 포함하는 것을 특징으로 하는 뇌 인지 부하 분류 방법
|
10 |
10
제9항에 있어서, 상기 CNN 수행단계는소정 수 콘볼루션 계층과 폴링 계층과 완전 연결 계층을 포함하되,소정 수의 컨볼루션 계층은,3차원 이미지의 입력 데이터에 대해 지수 선형 단위(Exponential Linear Unit)에 의거 활성화하여 소정 수의 멀티 레벨 특징으로 포함하는 레이어를 도출하도록 구비될 수 있고,폴링 계층은,소정 수의 레이어의 중 로우 레벨 특징을 나타내는 일부 레이어에 대한 평균 폴링 및 최대 폴링을 적용하여 각 채널 별 평균 및 최대 폴링 특징으로 출력하도록 구비될 수 있고,상기 완전 연결 계층은,상기 각 멀티 레벨 특징과 각 분류기의 곱으로 도출된 멀티 레벨 특징의 로지트, 히든 레이어 파라미터, 및 바이어스 파라미터에 대한 활성화 함수를 이용하여 각 멀티 레벨 특징의 중요도를 나타내는 각 가중치를 도출한 다음상기 도출된 각 가중치와 멀티 레벨 특징의 로지트에 대한 기 정해진 활성화 함수값 및 리스케일링 파라미터의 곱의 합으로 뇌 인지 부하를 추정하고 추정된 뇌 인지 부하를 기 정해진 다수의 분류기 중 하나에 분류하도록 구비되는 것을 특징으로 하는 뇌 인지 부하 분류 방법
|
11 |
11
제10항에 있어서, 상기 학습 단계는각 멀티 레벨 특징의 로지트에 대한 분류 손실 함수로부터 멀티 레벨 특징의 각도 손실을 도출하고,도출된 각도 손실의 최소화 해로 최적화된 각 멀티 레벨 특징의 각 가중치를 도출하여 3차원 CNN 수행단계로 전달하도록 구비되는 것을 특징으로 하는 뇌 인지 부하 분류 방법
|
12 |
12
제11항에 있어서, 상기 각도 손실의 최소화 해는각 멀티 레벨 특징의 각도 손실에 대한 특징 벡터의 편미분 방정식인 그래디언트 기법으로 도출하도록 구비되는 것을 특징으로 하는 뇌 인지 부하 분류 방법
|