• 한국정보전자통신기술학회논문지
• /
• 제12권5호
• /
• pp.521-528
• /
• 2019

Epilepsy is one of the most prevalent neurological diseases. Electroencephalogram (EEG) signals are widely used for monitoring and diagnosis tool for epileptic seizure. Typically, a huge amount of EEG signals is needed, where they are visually examined by experienced clinicians. In this study, we propose a simple automatic seizure detection framework using intracranial EEG signals. We suggest a sparse approximation based classification (SAC) scheme by solving overdetermined system. L1-norm minimization algorithms are utilized for efficient sparse signal recovery. For evaluation of the proposed scheme, the public EEG dataset obtained by five healthy subjects and five epileptic patients is utilized. The results show that the proposed fast L1-norm minimization based SAC methods achieve the 99.5% classification accuracy which is 1% improved result than the conventional L2 norm based method with negligibly increased execution time (42msec).

• International Journal of Internet, Broadcasting and Communication
• /
• 제15권2호
• /
• pp.124-132
• /
• 2023

In this paper, we present a simple classification model based on statistical features and demonstrate the successful implementation of a brain-computer interface (BCI) based light on/off control system. This research shows study and development of light on/off control system based on BCI technology, which allows the users to control switching a lamp using electroencephalogram (EEG) signals. The logistic regression algorithm is used for classification of the EEG signal to convert it into light on, light off control commands. Training data were collected using 14-channel BCI system which records the brain signals of participants watching a screen with flickering lights and saves the data into .csv file for future analysis. After extracting a number of features from the data and performing classification using logistic regression, we created commands to switch on a physical lamp and tested it in a real environment. Logistic regression allowed us to quite accurately classify the EEG signals based on the user's mental state and we were able to classify the EEG signals with 82.5% accuracy, producing reliable commands for turning on and off the light.

• 한국컴퓨터정보학회:학술대회논문집
• /
• 한국컴퓨터정보학회 2021년도 제64차 하계학술대회논문집 29권2호
• /
• pp.305-307
• /
• 2021

Alzheimer's Disease (AD) is a cognitive disorder characterized by memory impairment that can be assessed at early stages based on administering clinical tests. However, the AD pathophysiological mechanism is still poorly understood due to the difficulty of distinguishing different levels of AD severity, even using a variety of brain modalities. Therefore, in this study, we present a hybrid EEG-fNIRS modalities to compensate for each other's weaknesses with the help of Machine Learning (ML) techniques for classifying four subject groups, including healthy controls (HC) and three distinguishable groups of AD levels. A concurrent EEF-fNIRS setup was used to record the data from 41 subjects during Oddball and 1-back tasks. We employed both a traditional neural network (NN) and a CNN-LSTM hybrid model for fNIRS and EEG, respectively. The final prediction was then obtained by using majority voting of those models. Classification results indicated that the hybrid EEG-fNIRS feature set achieved a higher accuracy (71.4%) by combining their complementary properties, compared to using EEG (67.9%) or fNIRS alone (68.9%). These findings demonstrate the potential of an EEG-fNIRS hybridization technique coupled with ML-based approaches for further AD studies.

• 한국지능시스템학회논문지
• /
• 제23권2호
• /
• pp.178-183
• /
• 2013

In this study, we proposed a method for electroencephalogram (EEG) classification using invariant CSP at special channels for improving the accuracy of classification. Based on the naive EEG signals from left and right hand movement experiment, the noises of contaminated data set should be eliminate and the proposed method can deal with the de-noising of data set. The considering data set are collected from the special channels for right and left hand movements around the motor cortex area. The proposed method is based on the fit of the adjusted parameter to decline the affect of invariant parts in raw signals and can increase the classification accuracy. We have run the simulation for hundreds time for each parameter and get averaged value to get the last result for comparison. The experimental results show the accuracy is improved more than the original method, the highest result reach to 89.74%.

• 융합신호처리학회논문지
• /
• 제25권1호
• /
• pp.7-14
• /
• 2024

본 연구는 시계열 데이터의 연속성과 인공지능 모델의 분류 성능에 대한 비교 실험을 수행하였다. EEG 신호를 이용한 BCI 연구에서는 데이터 연속성이 감소할수록 행동과 사고 분류의 성능이 향상되었다. 특히, LSTM은 연속성이 낮은 데이터에서 0.8728이라는 높은 성능을 달성하였고, 연속성을 고려하지 않은 경우 DNN이 0.9178의 성능을 보였다. 연속성을 고려하지 않는 데이터가 더 우수한 성능을 보일 수 있음을 시사하였다. 또한, 연속성을 고려하지 않은 데이터는 작업 분류에서도 더 높은 성능을 보였다. 이러한 결과는 뇌파 신호를 기반으로 한 BCI 연구에서는 데이터 연속성을 고려하기보다는 셔플링을 통해 다양한 데이터 특성을 보여줌으로써 우수한 성능을 발휘할 수 있음을 시사한다.

• 한국전자통신학회논문지
• /
• 제14권6호
• /
• pp.1171-1180
• /
• 2019

감정은 인간의 상호 작용에서 중요한 역할을 하는 심리 생리학적 과정이다. 감성 컴퓨팅은 감정을 이해하고 조절할 수 있는 인간 인지 인공 지능의 개발하는데 중점을 둔다. 우울증, 자폐증, 주의력 결핍 과잉 행동 장애 및 게임 중독과 같은 정신 질환이 감정과 관련되어 있기 때문에 이러한 분야의 연구가 중요하다. 감정 인식에 대한 노력에도 불구하고, 비정상적인 EEG 신호로부터의 감정 검출은 여전히 높은 수준의 추상화를 요구하기에 정교한 학습 알고리즘이 필요하다. 이 논문에서는 EEG 기반으로 효율적인 감정 분류를 위해 LSTM을 위한 최적의 하이퍼파라미터를 파악하고자 다양한 실험을 수행하여 이를 분석한 결과를 제시하였다.

• 융합신호처리학회논문지
• /
• 제5권4호
• /
• pp.263-270
• /
• 2004

최근 웨이블릿 변환은 많은 분야에서 다양하게 적용된다. 본 논문에서 tasks뇌파의 중요한 몇가지 특성파 검출을 위한 다비치 웨이블릿은 뇌파분석에 필요하다. 우리가 제안한 시스템은 다른 방법보다는 특성파 검출에 높은 성능을 가졌다. 본 연구의 뉴럴시스템의 구조는 하나의 은닉층과 3계층 피드포워드층은 오류 BP 학습알고리즘을 적용하였다. 4명의 피험자에게 알고리즘을 적용하여 92% 분류율을 보였다. 제안된 시스템은 웨이블릿과 신경망으로 tasks 뇌파의 보다 정확하게 분석함을 보였다. 모의실험결과 tasks 뇌파는 의사의 노동력을 줄일수 있고 정량적 해석이 가능함을 보였다.

• 대한의용생체공학회:의공학회지
• /
• 제24권2호
• /
• pp.99-106
• /
• 2003

본 논문에서는 정신질환 진단을 위하여 뇌파신호를 판별하는 방법을 제안하였다. 정신질환의 한 종류인 정신분열증 환자의 뇌파와 정상인의 뇌파를 분류하기 위하여 제안한 방법에서는 기본적으로 웨이블릿 변환과 인공 신경망을 이용하였다. 뇌파 신호에 웨이블릿 변환을 적용하여 각각 알파. 베타. 세타 그리고 델타파에 해당하는 주파수 대역의 웨이블릿 계수를 구한 다음. 각각의 주파수 대역에 대한 웨이블릿 계수들의 크기 평균 및 분산들을 인공 신경망의 입력 데이터로 이용하였다. 인공 신경망은 2개의 은닉층을 갖는 4층의 피드포워드 회로망 구조를 가지며 학습에는 역전파 학습 알고리듬을 이용하였다. 정신분열증의 판별시스템은 19 채널의 뇌파신호에 대응하는 19개의 인공신경망으로 구성되었고 정상인과 정신분열증 환자에 대하여 각각 100%와 86.67%의 정확도를 보여주었다.

• 정보과학회 논문지
• /
• 제41권12호
• /
• pp.1050-1057
• /
• 2014

뇌전도 기반의 뇌-컴퓨터 인터페이스는 향후 손 또는 발과 같은 신체를 대체하거나 사용자의 편의성을 제고하는 등의 다양한 목적으로 여러 산업에서 사용이 될 수 있는 기술이다. 본 논문에서는 경험 모드 분해와 고속푸리에 변환을 통해 동작 상상 뇌전도 신호를 분해하고 특징을 추출하는 방법을 제안한다. 뇌전도 신호 분류 과정은 다음과 같이 3단계로 구성된다. 신호 분해에서는 경험모드분해를 이용하여 뇌전도 신호에 대한 내재모드함수를 생성한다. 특징 추출에서는 파워 스펙트럼 밀도를 이용하여 생성된 내재모드함수의 주파수 대역을 확인한 뒤, 뮤파 대역을 포함하고 있는 내재모드함수에 고속푸리에 변환을 적용하여 움직임 상상에 대한 특징을 추출한다. 특징 분류에서는 서포트 벡터 머신을 사용하여 동작 상상 뇌전도 신호에 대한 특징을 분류하고, 10-교차검증을 통해 분류기의 일반화 성능을 추정한다. 제안하는 방법은 다른 방법들과 비교하여 84.50%의 분류 정확도를 보여주었다.

• 센서학회지
• /
• 제25권4호
• /
• pp.257-263
• /
• 2016

Among several technologies related to human brain, Brain Computer Interface (BCI) system is one of the most notable technologies recently. Conventional BCI for direct communication between human brain and machine are discomfort because normally electroencephalograghy(EEG) signal is measured by using multichannel EEG sensor. In this study, we propose 2-channel EEG sensor-based application control system which is more convenience and low complexity to wear to get EEG signal. EEG sensor module and system algorithm used in this study are developed and designed and one of the BCI methods, Motor Imagery (MI) is implemented in the system. Experiments are consisted of accuracy measurement of MI classification and driving control test. The results show that our simple wearable system has comparable performance with studies using multi-channel EEG sensor-based system, even better performance than other studies.