심층 신경망을 이용한 인간의 특정 행동에 따른 EEG 분석 (Brainwaves(EEG) Analysis for Specific Human Behavior using Deep Neural Networks)

서지정보

· 발행기관 : 한국산학기술학회
· 수록지 정보 : 한국산학기술학회논문지 / 24권 / 10호 / 24 ~ 31페이지
· 저자명 : 강병준, 조현찬

초록

뇌-컴퓨터 인터페이스(Brain Computer Interface, BCI)를 활용하여 인간의 의도에 따른 뇌 신호를 분석하여시스템을 제어하는 연구는 대표적으로 뇌의 운동 피질 중 가장 넓은 활성 영역을 차지하는 손의 동작을 대상으로 연구되고 있다. 본 논문에서는 오른팔을 올리거나 내릴 때 발생하는 뇌 신호를 심층 신경망을 이용하여 분류하기 위한 데이터수집 및 전처리 방법, 근전도 신호를 활용한 심층 신경망의 학습 방법을 제안하였다. 데이터 수집 시 뇌 신호가 근육으로전달되는 시간은 충분히 빠르고 지연 시간이 없다고 가정하였고, 훈련데이터로 사용될 뇌 신호와 실제 의도와의 오차를줄이기 위하여 근전도 신호 기반의 뇌 신호 라벨링 기법을 사용하였다. 그리고 EMG 신호 측정이 가능한 대상의 EEG 신호와 EMG 신호를 활용하여 EMG 신호를 손실 함수의 가중치로 적용하는 학습 방법을 제안하여 움직임에 의한 잡음이 학습에 반영하는 것을 억제하고, 움직이려는 의지가 약한 구간에 대하여 안정적인 학습을 유도하였다. 또한 후천적으로 근전도 신호를 측정할 수 없는 대상에 대하여 EEG 신호만을 활용할 가능성을 확인하였다. EMG 신호를 가중치로사용했을 시의 성능을 비교하기 위하여 동일한 심층 신경망의 성능을 Binary cross-entropy 손실 함수 사용 시의 성능과 비교하였다.

영어초록

The study of system control by EEG according to human will using a brain computer interface (BCI) is focusing on the motion of the hand, which occupies the widest active area of the brain. In this paper, a data collection method, a preprocessing method, and a deep neural network learning method using EMG signals are proposed for classifying EEG signals generated when the right arm is raised or lowered. It was assumed that there is no delay in the transmission of brain signals to the muscles during data collection, and an EMG-based EEG labeling technique was used to reduce the error between actual intentions and EEG. Additionally, a training method that utilizes both EEG signals and EMG signals from subjects capable of measuring EMG signals is proposed. This method applies EMG signals as weights in the loss function to suppress the influence of noise caused by movement in the learning process and promotes stable learning in segments where the intention to move is weak. We confirmed the possibility of using only EEG signals for subjects for whom measuring EMG signals retrospectively is not possible.
The performance of the proposed method using EMG weights was compared to the performance of the same deep neural network using a binary cross-entropy loss function.

참고자료

· 없음