1 |
1
사용자가 착용하는 몰입형 가상현실 디바이스로 운동 이미지 시퀀스를 제공하여 이미지 트레이닝하는 단계;상기 이미지 트레이닝에 따른 상기 사용자의 생리적 신호를 획득하는 단계; 및상기 생리적 신호로부터 ERD(Event Related Desynchronization) 성능을 평가하며, 머신러닝 모델(machine learning model)을 통해 뇌 활동 패턴을 측정하여 행동 관찰을 학습하는 단계를 포함하는 운동 이미지 트레이닝 방법
|
2 |
2
제1항에 있어서,상기 이미지 트레이닝하는 단계는반복적인 행동 관찰과 운동 이미지 훈련에 활용되는 상기 몰입형 가상현실 디바이스를 이용하여 상기 사용자에게 왼손 잡기 이미지, 오른손 잡기 이미지 및 휴식 이미지를 포함하는 상기 운동 이미지 시퀀스를 제공하여 이미지 트레이닝하는, 운동 이미지 트레이닝 방법
|
3 |
3
제1항에 있어서,상기 생리적 신호를 획득하는 단계는자기중심적으로 시뮬레이션되는 가상의 운동 이미지인 상기 운동 이미지 시퀀스에 대한 상기 사용자의 뇌파 신호인 상기 생리적 신호를 획득하는, 운동 이미지 트레이닝 방법
|
4 |
4
제3항에 있어서,상기 생리적 신호를 획득하는 단계는상기 사용자의 뇌 영역 중에서 신체의 왼쪽 움직임과 신체의 오른쪽 움직임을 각기 보여주는 두 위치에서 상기 생리적 신호를 획득하는 것을 특징으로 하는, 운동 이미지 트레이닝 방법
|
5 |
5
제1항에 있어서,상기 행동 관찰을 학습하는 단계는상기 운동 이미지 시퀀스에 따른 상기 생리적 신호에 의해 EEG(electroencephalography) 데이터의 평균 전력 스펙트럼을 산출하며, 시간 경과에 따른 상기 운동 이미지 시퀀스에서 도출된 상기 사용자의 ERD 진폭을 분석하기 위해 휴식 이미지에 대한 왼손 잡기 이미지 및 오른손 잡기 이미지의 ERD 비율을 산출하는, 운동 이미지 트레이닝 방법
|
6 |
6
제5항에 있어서,상기 행동 관찰을 학습하는 단계는상기 휴식 이미지, 상기 왼손 잡기 이미지 및 상기 오른손 잡기 이미지 각각에서의 성능을 분석하기 위해 상기 사용자의 평균 ERD 비율을 추가로 산출하는 것을 특징으로 하는, 운동 이미지 트레이닝 방법
|
7 |
7
제6항에 있어서,상기 행동 관찰을 학습하는 단계는상기 평균 ERD 비율 중 최대 평균 ERD 비율을 산출하는 대역폭의 주파수 대역을 선택하여 상기 사용자의 주파수 대역을 결정하는, 운동 이미지 트레이닝 방법
|
8 |
8
제7항에 있어서,상기 ERD 비율은상기 생리적 신호를 획득하기 위해 상기 사용자의 뇌 영역에 부착된 각 전극 위치에 대한 서로 다른 운동 이미지 시퀀스 중 도출되는 뇌 패턴의 특성 차이로 산출되는 것을 특징으로 하는, 운동 이미지 트레이닝 방법
|
9 |
9
제7항에 있어서,상기 행동 관찰을 학습하는 단계는상기 머신러닝 모델을 이용하여 뇌 활동을 상기 운동 이미지 시퀀스와 구분하여 행동 관찰을 학습하며, 상기 생리적 신호와 상기 행동 관찰을 동시에 이행하여 ERD 신호 및 뇌파의 향상 여부를 판단하는, 운동 이미지 트레이닝 방법
|
10 |
10
사용자가 착용하는 몰입형 가상현실 디바이스로 운동 이미지 시퀀스를 제공하여 이미지 트레이닝하는 이미지 트레이닝부;상기 이미지 트레이닝에 따른 상기 사용자의 생리적 신호를 획득하는 획득부; 및상기 생리적 신호로부터 ERD(Event Related Desynchronization) 성능을 평가하며, 머신러닝 모델(machine learning model)을 통해 뇌 활동 패턴을 측정하여 행동 관찰을 학습하는 학습부를 포함하는 운동 이미지 트레이닝 시스템
|
11 |
11
제10항에 있어서,상기 이미지 트레이닝부는 반복적인 행동 관찰과 운동 이미지 훈련에 활용되는 상기 몰입형 가상현실 디바이스를 이용하여 상기 사용자에게 왼손 잡기 이미지, 오른손 잡기 이미지 및 휴식 이미지를 포함하는 상기 운동 이미지 시퀀스를 제공하여 이미지 트레이닝하는, 운동 이미지 트레이닝 시스템
|
12 |
12
제10항에 있어서,상기 획득부는상기 사용자의 뇌 영역 중에서 신체의 왼쪽 움직임과 신체의 오른쪽 움직임을 각기 보여주는 두 위치에서 자기중심적으로 시뮬레이션되는 가상의 운동 이미지인 운동 이미지 시퀀스에 대한 상기 사용자의 뇌파 신호인 상기 생리적 신호를 획득하는 것을 특징으로 하는, 운동 이미지 트레이닝 시스템
|
13 |
13
제10항에 있어서,상기 학습부는상기 운동 이미지 시퀀스에 따른 상기 생리적 신호에 의해 EEG(electroencephalography) 데이터의 평균 전력 스펙트럼을 산출하며, 시간 경과에 따른 상기 운동 이미지 시퀀스에서 도출된 상기 사용자의 ERD 진폭을 분석하기 위해 휴식 이미지에 대한 왼손 잡기 이미지 및 오른손 잡기 이미지의 ERD 비율을 산출하는, 운동 이미지 트레이닝 시스템
|
14 |
14
제13항에 있어서,상기 학습부는상기 휴식 이미지, 상기 왼손 잡기 이미지 및 상기 오른손 잡기 이미지 각각에서의 성능을 분석하기 위해 상기 사용자의 평균 ERD 비율을 추가로 산출하며, 상기 평균 ERD 비율 중 최대 평균 ERD 비율을 산출하는 대역폭의 주파수 대역을 선택하여 상기 사용자의 주파수 대역을 결정하는, 운동 이미지 트레이닝 시스템
|
15 |
15
제14항에 있어서,상기 학습부는상기 머신러닝 모델을 이용하여 뇌 활동을 상기 운동 이미지 시퀀스와 구분하여 행동 관찰을 학습하며, 상기 생리적 신호와 상기 행동 관찰을 동시에 이행하여 ERD 신호 및 뇌파의 향상 여부를 판단하는, 운동 이미지 트레이닝 시스템
|
16 |
16
사용자가 착용하는 몰입형 가상현실 디바이스로 자기중심적으로 시뮬레이션되는 가상의 운동 이미지인 운동 이미지 시퀀스를 제공하여 이미지 트레이닝하는 단계;상기 운동 이미지 시퀀스에 대한 사용자의 생리적 신호를 획득하는 단계; 상기 생리적 신호로부터 ERD(Event Related Desynchronization) 성능을 측정하는 단계; 및머신러닝 모델(machine learning model)을 이용하여 상기 측정된 ERD 성능에 따른 뇌 활동 패턴을 학습하여 행동 관찰하는 단계를 포함하는 운동 이미지 트레이닝 방법
|
17 |
17
사용자가 착용하는 몰입형 가상현실 디바이스로 자기중심적으로 시뮬레이션되는 가상의 운동 이미지인 운동 이미지 시퀀스를 제공하여 이미지 트레이닝하는 이미지 트레이닝부;상기 운동 이미지 시퀀스에 대한 사용자의 생리적 신호를 획득하는 획득부; 상기 생리적 신호로부터 ERD(Event Related Desynchronization) 성능을 측정하는 측정부; 및머신러닝 모델(machine learning model)을 이용하여 상기 측정된 ERD 성능에 따른 뇌 활동 패턴을 학습하여 행동 관찰하는 학습부를 포함하는 운동 이미지 트레이닝 시스템
|