1 |
1
적어도 하나의 전극을 통해 감지되는 신경 신호로부터 기지정된 방식으로 획득된 다수의 신경 파형을 인가받고, 기지정된 특징 추출 기법에 따라 인가된 다수의 신경 파형 각각에 대한 특징을 추출하는 특징 추출부; 추출된 다수의 특징을 기지정된 클러스터링 기법에 따라 다수의 클러스터로 클러스터링하는 클러스터링부; 다수의 클러스터 각각의 중심점을 판별하고, 판별된 중심점을 기준으로 각 클러스터의 전체 특징 개수 중 판별된 상기 중심점을 기준으로 인접한 기지정된 템플릿 선택 비율에 따른 개수의 특징을 템플릿 특징으로 선택하는 템플릿 선택부; 및 인가된 다수의 신경 파형 중 선택된 템플릿 특징에 대응하는 신경 파형을 템플릿 파형으로 추출하고, 추출된 템플릿 파형에 각 클러스터에 대응하는 식별자를 레이블로 레이블링하여 학습 데이터를 획득하는 학습 데이터 획득부를 포함하되,상기 템플릿 선택 비율은 5 ~ 20% 범위 내에서 하나의 값으로 지정되는 신경 파형 분류를 위한 학습 장치
|
2 |
2
제1 항에 있어서, 상기 학습 데이터 획득부는 다수의 신경 파형을 인가받아 분류하도록 학습되어야 하는 인공 신경망의 입력으로 상기 템플릿 파형을 인가하고, 상기 학습 장치는 상기 인공 신경망에서 다수의 신경 파형 각각을 분류한 식별자와 상기 학습 데이터의 식별자를 비교하여 오차를 계산하고, 계산된 오차를 상기 인공 신경망으로 역전파하여 학습시키는 오차 역전파부를 더 포함하는 신경 파형 분류를 위한 학습 장치
|
3 |
3
제1 항에 있어서, 상기 특징 추출부는 상기 다수의 신경 파형에 대해 주성분 분석 기법에 따라 상기 신경 파형의 차원보다 낮은 차원을 갖는 특징을 추출하는 신경 파형 분류를 위한 학습 장치
|
4 |
4
제1 항에 있어서, 상기 클러스터링부는 상기 다수의 특징을 K 평균 클러스터링 기법에 따라 K개의 클러스터로 클러스터링하는 신경 파형 분류를 위한 학습 장치
|
5 |
5
삭제
|
6 |
6
적어도 하나의 전극을 통해 감지되는 아날로그의 로우 레벨 신경 신호를 샘플링하여 디지털로 변환하여 상기 신경 신호를 획득하는 신호 검출부; 상기 신경 신호에서 기지정된 기준 세기 이상의 세기를 갖는 신경 신호를 추출하고 기지정된 방식으로 정렬하여 다수의 신경 파형을 획득하는 전처리부; 인공 신경망으로 구현되고, 미리 학습된 패턴 추정 방식에 따라 다수의 신경 파형을 분류하여, 분류된 신경 파형 각각에 대응하는 식별자를 출력하는 신경 파형 분류부; 및 상기 신경 파형 분류부의 학습 시에 결합되어 다수의 신경 파형을 인가받고, 기지정된 특징 추출 기법에 따라 인가된 다수의 신경 파형 각각에 대한 특징을 추출하고, 추출된 다수의 특징을 기지정된 클러스터링 기법에 따라 다수의 클러스터로 클러스터링하여, 다수의 클러스터 각각의 중심점을 판별하며, 판별된 중심점을 기준으로 각 클러스터의 전체 특징 개수 중 판별된 상기 중심점을 기준으로 인접한 기지정된 템플릿 선택 비율에 따른 개수의 특징을 템플릿 특징으로 선택하여, 인가된 다수의 신경 파형 중 선택된 템플릿 특징에 대응하는 신경 파형을 템플릿 파형으로 추출하고, 추출된 템플릿 파형에 각 클러스터에 대응하는 식별자를 레이블로 레이블링하여 학습 데이터를 획득하는 학습부를 포함하되,상기 템플릿 선택 비율은 5 ~ 20% 범위 내에서 하나의 값으로 지정되는 신경 파형 분류 장치
|
7 |
7
제6 항에 있어서, 상기 학습부는 상기 신경 파형 분류부로 상기 템플릿 파형을 인가하고, 상기 신경 파형 분류부에서 출력되는 식별자와 상기 학습 데이터의 식별자를 비교하여 오차를 계산하고, 계산된 오차를 상기 인공 신경망으로 역전파하여 상기 신경 파형 분류부를 학습시키는 오차 역전파부를 더 포함하는 신경 파형 분류 장치
|
8 |
8
제6 항에 있어서, 상기 학습부는 상기 다수의 신경 파형에 대해 주성분 분석 기법에 따라 상기 신경 파형의 차원보다 낮은 차원을 갖는 특징을 추출하는 신경 파형 분류 장치
|
9 |
9
제6 항에 있어서, 상기 학습부는 상기 다수의 특징을 K 평균 클러스터링 기법에 따라 K개의 클러스터로 클러스터링하는 신경 파형 분류 장치
|
10 |
10
신경 파형 분류를 위한 학습 장치에서 수행되는 방법으로서,적어도 하나의 전극을 통해 감지되는 신경 신호로부터 기지정된 방식으로 획득된 다수의 신경 파형을 인가받고, 기지정된 특징 추출 기법에 따라 인가된 다수의 신경 파형 각각에 대한 특징을 추출하는 단계; 추출된 다수의 특징을 기지정된 클러스터링 기법에 따라 다수의 클러스터로 클러스터링하는 단계; 다수의 클러스터 각각의 중심점을 판별하는 단계; 판별된 중심점을 기준으로 각 클러스터의 전체 특징 개수 중 판별된 상기 중심점을 기준으로 인접한 기지정된 템플릿 선택 비율에 따른 개수의 특징을 템플릿 특징으로 선택하는 단계; 인가된 다수의 신경 파형 중 선택된 템플릿 특징에 대응하는 신경 파형을 템플릿 파형으로 추출하는 단계; 및 추출된 템플릿 파형에 각 클러스터에 대응하는 식별자를 레이블로 레이블링하여 학습 데이터를 획득하는 단계를 포함하되,상기 템플릿 선택 비율은 5 ~ 20% 범위 내에서 하나의 값으로 지정되는 신경 파형 분류를 위한 학습 방법
|
11 |
11
제10 항에 있어서, 상기 학습 방법은 다수의 신경 파형을 인가받아 분류하도록 학습되어야 하는 인공 신경망의 입력으로 상기 템플릿 파형을 인가하는 단계; 상기 인공 신경망에서 다수의 신경 파형 각각을 분류한 식별자와 상기 학습 데이터의 식별자를 비교하여 오차를 계산하는 단계; 및 계산된 오차를 상기 인공 신경망으로 역전파하는 단계를 더 포함하는 신경 파형 분류를 위한 학습 방법
|
12 |
12
제10 항에 있어서, 상기 특징을 추출하는 단계는 상기 다수의 신경 파형에 대해 주성분 분석 기법에 따라 상기 신경 파형의 차원보다 낮은 차원을 갖는 특징을 추출하는 신경 파형 분류를 위한 학습 방법
|
13 |
13
제10 항에 있어서, 상기 클러스터링하는 단계는 상기 다수의 특징을 K 평균 클러스터링 기법에 따라 K개의 클러스터로 클러스터링하는 신경 파형 분류를 위한 학습 방법
|
14 |
14
삭제
|