• 한국전자통신학회논문지
• /
• 제13권6호
• /
• pp.1333-1342
• /
• 2018

지금까지 뇌파(Electroencephalography - EEG)는 뇌전증 진단 및 치료를 위한 가장 중요하고 편리한 방법이었다. 그러나 뇌전증 뇌파 신호의 파형 특성은 매우 약하고 비 정지 상태이며 배경 노이즈가 강하기 때문에 식별하기가 어렵다. 이 논문에서는 간질 뇌파의 특징 선택을 통한 차원 감소를 통한 분류 방법의 효과를 분석한다. 우리는 차원 감소를 위해 주 요소 분석, 커널 요소 분석, 선형 판별 분석 방법을 사용하였다. 차원 감소방법의 성능 분석을 위해 Support Vector Machine: SVM), Logistic Regression(: LR), K-Nearestneighbor(: K-NN), Decision Tree(: DR), Random Forest(: RF) 분류 방법들을 사용해 평가하였다. 실험 결과에 따르면, PCA는 SVM, LR 및 K-NN에서 75% 정확도를 나타냈다. KPCA는 SVM과 K-KNN에서 85%의 성능을 보였으며 LDA는 K-NN를 이용했을 때 100 %의 정확도 보여주었다. 따라서 LDA를 이용한 차원 감소가 뇌전증 EEG 신호에 대한 최고의 분류 결과 보여주었다.

• Annals of Clinical Neurophysiology
• /
• 제9권2호
• /
• pp.59-62
• /
• 2007

Electroencephalogram (EEG) is an indispensable tool for diagnosis of epilepsy and is the only assisting barometer of complete remission of epilepsy, which means prolonged, persistent suppression of cortical excitement in epileptic focus in addition to the clinical control of epileptic seizure. The specific morphologies or distribution of epileptic form discharges give us good information for the classification of seizure or epilepsy and epileptic syndromes, which consists of "Pros." in terms of diagnostic approach. In contrast, the EEG as a tool for long-term follow up might be limited due to the various clinical situation of each patient, which consists of "Cons." in terms of the usefulness of EEG for clinical decision. "Cons." aspect of EEG, which clinicians are more frequently coped with than those of "Pros", is an obstacle of utilization of follow up EEG in clinical practice. This is an overview about controversies in usefulness of EEG and the detailed aspects of "Pros." and "Cons." of EEG for clinical decision will be discussed following two articles. We tried to make consensus for the usefulness of EEG especially in the situation of "Cons." with plausible guideline.

• 정보과학회 논문지
• /
• 제44권9호
• /
• pp.887-892
• /
• 2017

뇌-컴퓨터 인터페이스는 정신 작업 동안 다채널에서 생성된 뇌파의 신호를 측정, 분석하여 컴퓨터를 제어하거나 의사를 전달하는 기술이다. 이때 최적의 뇌파 채널 선택은 뇌-컴퓨터 인터페이스의 편의성과 속도뿐만 아니라 정확도 향상을 위해 필요하다. 최적의 채널은 중복 채널들 또는 노이즈 채널들을 제거함으로써 얻는다. 이 논문에서는 최적 뇌파 채널을 선택하기 위해 이중 filter-기반의 채널 선택 방법을 제안한다. 제안한 방법은 먼저 채널들 간의 중복성을 제거하기 위해 spearman's rank correlation을 사용하여 중복 채널들을 제거한다. 그 뒤, F score를 이용하여 채널과 클래스 라벨 간의 적합성을 측정하여 상위 m개의 채널들만을 선택한다. 제안한 방법은 클래스 라벨과 관련되고 중복이 없는 채널들을 사용함으로써 좋은 분류 정확도를 이끌어 낼 수 있다. 제안한 채널 선택 방법은 채널의 수를 상당히 줄임과 동시에 평균 분류 정확도를 향상시켰다.

• 한국지능시스템학회논문지
• /
• 제25권1호
• /
• pp.29-34
• /
• 2015

Brain-computer interface 기술은 일상에서 편안한 생활을 위해 다방면으로 연구가 진행 중이다. 본 연구는 3가지 동작의 뇌파특성을 분석하여 의수와 같은 외부기기의 세밀한 동작 제어를 목적으로 한다. 피험자들은 악력기를 쥘 때 (Grip), 손가락만을 움직일 때 (Move), 아무런 동작을 취하지 않을 때 (Relax)의 3가지 동작을 수행하였고, 뇌파를 측정하여 power spectrum analysis와 multi-common spatial pattern 알고리즘으로 특징추출을 수행하였으며, 분류알고리즘인 SVM(support vector machine)으로 뇌파의 특징데이터들을 분류하였다. 실험결과 3개의 다른 동작을 분류한 결과, 실험에 참여한 3명의 피험자 중 2명에게서 Grip 클래스의 분류율이 가장 높은 분류율을 보였다. 본 연구의 결과는 뇌파를 이용하여 의수가 필요한 환자들에게 유용할 것으로 기대한다.

• 대한전기학회:학술대회논문집
• /
• 대한전기학회 2001년도 하계학술대회 논문집 D
• /
• pp.2815-2817
• /
• 2001

This study describes the emotion classification using two different feature extraction methods for four-channel EEG signals. One of the methods is linear prediction analysis based on AR model. Another method is cross-correlation coefficients on frequencies of ${\theta}$, ${\alpha}$, ${\beta}$ bands. Using the linear predictor coefficients and the cross-correlation coefficients of frequencies, the emotion classification test for four emotions, such as anger, sad, joy, and relaxation is performed with a neural network. Comparing the results of two methods, it seems that the linear predictor coefficients produce the better results than the cross-correlation coefficients of frequencies for-emotion classification.

• 전기학회논문지
• /
• 제67권11호
• /
• pp.1506-1511
• /
• 2018

This study presents a human sensibility evaluation method using neural network and multiple-template method on electroencephalogram(EEG). We used a multi-layer perceptron type neural network as the sensibility classifier using EEG signal. For our research objective, 10-channel EEG signals are collected from the healthy subjects. After the necessary preprocessing is performed on the acquired signals, the various EEG parameters are estimated and their discriminating performance is evaluated in terms of pattern classification capability. In our study, Linear Prediction(LP) coefficients are utilized as the feature parameters extracting the characteristics of EEG signal, and a multi-layer neural network is used for indicating the degree of human sensibility. Also, the estimation for human comfortableness is performed by varying temperature and humidity environment factors and our results showed that the proposed scheme achieved good performances for evaluation of human sensibility.

• 한국전자파학회논문지
• /
• 제29권7호
• /
• pp.508-514
• /
• 2018

뇌전도는 뇌 활동 시 발생하는 뇌 세포 간 상호작용으로 생성된 전기적 활동이며, 손동작 시 뇌 활동으로 인해 뇌전도가 발생한다. 본 연구에서는 16채널 뇌전도 측정 장비를 이용하여 손동작 전과 좌 혹은 우 손동작 시 발생되는 뇌전도를 측정하였으며, 측정된 데이터는 지도 학습 모델인 서포트 벡터 머신으로 분류하며, 서포트 벡터 머신의 학습 시간을 단축 위해 동작관련 정보 손실을 최소화하고, 뇌전도 정보를 축약할 수 있는 필터링을 통한 특징 추출과 벡터 차원 축소 기법을 제안한다. 분류 결과, 전두엽 부위의 전극에서 손동작 전 상태-손동작사이에서 평균 72.7 %의 정확도로 분류되었다.

• IEIE Transactions on Smart Processing and Computing
• /
• 제4권2호
• /
• pp.97-102
• /
• 2015

In this paper, an extension of the standard common spatial pattern (CSP) algorithm using the strong uncorrelated transform (SUT) is used in order to extract the features for an accurate classification of the left- and right-hand motor imagery tasks. The algorithm is designed to analyze the complex data, which can preserve the additional information of the relationship between the two electroencephalogram (EEG) data from distant channels. This is based on the fact that distant regions of the brain are spatially distributed spatially and related, as in a network. The real-world left- and right-hand motor imagery EEG data was acquired through the Physionet database and the support vector machine (SVM) was used as a classifier to test the proposed method. The results showed that extracting the features of the pair-wise channel data using the strong uncorrelated transform complex common spatial pattern (SUTCCSP) provides a higher classification rate compared to the standard CSP algorithm.

• Annals of Clinical Neurophysiology
• /
• 제9권2호
• /
• pp.63-68
• /
• 2007

The EEG plays an important diagnostic role in epilepsy and provides supporting evidence of a seizure disorder as well as assisting with classification of seizures and epilepsy syndromes. There are a variety of electroclinical syndromes that are really defined by the EEG such as Lennox-Gastaut syndrome, benign rolandic epilepsy, childhood absence epilepsy, juvenile myoclonic epilepsy and also for localization purposes, it is vitally important especially for temporal lobe epilepsy. The sensitivity of first routine EEG in diagnosis of epilepsy has been known about 20-50%, but this proportion rises to 80-90% if sleep EEG and repetitive recording should be added. Convincing evidences suggest that the EEG may also provide useful prognostic information regarding seizure recurrence after a single unprovoked attack and following antiepileptic drug (AED) withdrawal. Moreover, patterns in the EEG make it possible to disclose an ictal feature of nonconvulsive status epilepticus, separate epileptic from other non-epileptic episodes and clarify the clues predictive of the cause of the encephalopathy (i.e., triphasic waves in metabolic encephalopathy). Therefore, regardless of its low sensitivity and other pitfalls, EEG should be considered not only in the situation of new onset episode such as a newly developed, unprovoked seizure or a condition manifesting decreased mentality from obscure origin, but also as a barometer of the long-term outcome following AED withdrawal.

• 한국HCI학회:학술대회논문집
• /
• 한국HCI학회 2009년도 학술대회
• /
• pp.2083-2085
• /
• 2009

Brain Computer Interface (BCI) is a communication pathway between devices (computers) and human brain. It treats brain signals in real-time basis and discriminates some information of what human brain is doing. In this work, we develop a EEG BCI system using a feature extraction such as common spatial pattern (CSP) and a classifier using Fisher linear discriminant analysis (FLDA). Two-class EEG motor imagery movement datasets with both cued and uncued are tested to verify its feasibility.