컨볼루션 신경망을 이용한 동작 상상 뇌파 분류 (EEG-based Motor Imagery Classification Using Convolutional Neural Network)

서지정보

· 발행기관 : 한국정보기술학회
· 수록지 정보 : 한국정보기술학회논문지 / 15권 / 6호 / 103 ~ 110페이지
· 저자명 : 이다빛, 박상훈, 이희재, 이상국

초록

뇌-컴퓨터 인터페이스(BCI, Brain-Computer Interface)는 신체적 기능에 제한 또는 손상을 입은 노약자나 장애인과 같은 사람들에게 보완대체 의사소통(AAC, Augmentative and Alternative Communication)으로 사용될 수 있는 기술이다. BCI가 AAC로 사용되기 위해서는 비선형, 비정상적인 뇌파 신호에 적절한 특징 추출 및 분류 방법을 선택하는 것이 중요하다. 본 연구는 컨볼루션 신경망(CNN, Convolutional Neural Network)에 기반한 동작 상상 뇌파의 특징 추출 및 분류 방법을 제안한다. 이미지 분야에서 가장 많이 사용되는 컨볼루션 신경망은 과적합(Overfitting) 문제를 피하기 위해 아주 많은 수의 학습 데이터를 사용한다. 만약 학습 데이터의 양이 적을 경우, 컨볼루션 신경망은 과적합 문제를 일으킨다. 따라서 본 연구에서는 학습 데이터의 양이 적은 BCI 분야에 적합한 컨볼루션 신경망을 제작하여 동작 상상 뇌파를 학습시키고, 분류하였다. 제안한 방법의 성능은 기존의 기계 학습 방법들과의 비교 실험을 통해 평균 정확도 측면에서 약 3.8~4.5% 정도 우수하다는 것을 보여주었다.

영어초록

Brain-computer interface (BCI) is a technology that can be used as augmentative and alternative communication (AAC) for people such as the elderly or the disabled who are restricted or impaired in physical function. In order for BCI to be used as AAC, it is important to select appropriate feature extraction and classification methods because the electroencephalogram (EEG) signal is non-linear and non-stationary. This study proposes a feature extraction and classification method of motor imagery EEG using convolutional neural network (CNN). The CNN, most commonly used in the field of images, uses a large number of training data to avoid the problem of overfitting. If the amount of training data is small, the CNN cause overfitting problems. Therefore, in this study, the CNN suitable with small amount of training data was designed for motor imagery based BCI, and then the motion imaginary EEG was learned and classified. The performance of the proposed method is shown to be about 3.8~4.5% in terms of average accuracy through comparison with existing machine learning methods.

참고자료

· 없음