• 전자공학회논문지
• /
• 제51권5호
• /
• pp.197-206
• /
• 2014

운동심상(Motor imagery) 기반의 뇌-컴퓨터 인터페이스(Brain-computer Interface)는 주로 뇌전도(Electroencephalography, EEG)를 이용하여 사용자의 자발적인 운동 의지를 읽는 기술로 최근 주목받고 있다. 이 중에서도 피실험자의 운동 의지를 정확히 해석하기 위해 감각운동 영역(sensorimotor area)의 일부분에서 나타나는 ${\mu}$-대역(8-13Hz)의 전위 감소 현상인 event related desynchronization(ERD)을 분석하는 연구가 많이 진행되고 있다. 하지만 EEG는 공간 해상도가 낮고 사용자에 따라 ERD가 발생하는 주파수 대역이 다소 차이가 있어 추정에 어려움이 있다. 이에 대한 개선 방법의 하나로서 공간 필터를 구현하는 common spatial pattern (CSP)과 필터 뱅크(filter bank)를 결합한 형태인 discriminative filter bank common spatial pattern(DFBCSP)이 제안되었다. 그러나 DFBCSP는 EEG 신호의 평균 전력(power)의 Fisher ratio를 이용하여 사용자에 따른 효과적인 주파수 대역을 포함하는 discriminative filter bank(DFB)를 구성하여 분류 정확도를 향상시켰지만 ERD의 공간 패턴이 나타나는 적절한 필터를 선택하지 않는 경우가 발생한다. 이러한 문제를 해결하기 위해 본 논문에서는 EEG 신호의 평균전력 대신 CSP의 특성 벡터를 이용하여 DFB를 구성하는 방법을 제안한다. 기존의 방법과 제안한 방법의 필터 선택 결과와 분류 정확도 분석을 통해 CSP 특성 벡터가 DFB 구성에 더욱 효과적임을 보인다.

• 한국전산구조공학회논문집
• /
• 제35권6호
• /
• pp.357-365
• /
• 2022

냉매 오충전은 에어컨에서 빈번하게 발생하는 고장 모드 중 하나로, 적정 충전량 대비 부족 및 과충전 모두 냉방 성능의 저하를 유발하므로 충전된 냉매량을 정확하게 판단하는 것이 중요하다. 본 연구에서는 퍼지 군집화 기법을 통한 정상상태 식별을 통해 냉매 오충전량을 다중 분류하는 모델을 개발하였다. 정상상태 식별을 위해 에어컨 운전 데이터에 대해 이동 평균 간의 차이를 활용한 퍼지 군집화 알고리즘을 적용하였으며, IFDR를 통해 기존 연구된 정상상태 판단 기법들과 식별 결과를 비교하였다. 이후, 시스템 내 상관성을 고려한 mRMR을 이용해 특징을 선택하였으며, 도출된 특징을 이용해 SVM 기반의 다중 분류 모델이 생성되었다. 제안된 방법은 시험 데이터를 통해 만족할 만한 분류 정확도와 강건성을 도출하였다.