지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 이상국
- 발행연도
- 2016
- 저작권
- 가톨릭대학교 논문은 저작권에 의해 보호받습니다.
이용수4
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
뇌-컴퓨터 인터페이스는 사용자의 뇌전도(Electroencephalogram: EEG)를 획득하여 생각만으로 기계를 제어하거나 신체장애를 가진 사람에게 손 또는 발과 같은 신체를 대신하여 의사 전달 수단으로 사용될 수 있다. 본 논문에서는 동작 상상 EEG를 분류하기 위해 Sub-Band Common Spatial Pattern(SBCSP)를 기반으로 필터 선택을 하지 않는 특징 추출 방법에 대해 연구한다. 4~40Hz의 동작 상상 신호를 4Hz 대역마다 나눈 9개의 서브 밴드에 각각 CSP를 적용한다. 이후 Fisher''s Linear Discriminant(FLD)를 사용하여 도출된 값들을 결합한 FLD 점수 벡터에 차원 축소를 위한 Principal Component Analysis(PCA)를 적용하여 클래스 구분을 위한 최적의 평면에 특징을 투영한다. 데이터베이스는 BCI CompetitionⅢ dataset Ⅳa(2 클래스: 오른손·다리)를 이용하며, 추출된 특징은 Least Squares Support Vector Machine(LS-SVM)의 입력으로 사용된다. 제안된 방법의 성능은 10×10 fold cross-validation을 이용하여 분류 정확도로 나타낸다. 본 논문에서 제안하는 방법은 피험자 ‘aa’, ‘al’, ‘av’, ‘aw’, ‘ay’에 대하여 각각 85.29±0.93%, 95.43±0.57%, 72.57±2.37%, 91.82±1.38%, 93.50±0.69%의 분류 정확도를 보였다.
목차
Ⅰ. 서론 2Ⅱ. 이론적 배경 및 관련 연구 52.1 BCI 시스템 52.2 EEG 52.2.1 아티팩트 및 노이즈 72.2.2 시간 정보 82.2.3 비정상성 112.2.4 작은 트레이닝 세트 132.2.5 RED/RES 152.2.6 EEG의 분류 162.2.7 EEG 측정 및 전극 부착 17Ⅲ 실험 방법 203.1 동작 상상 실험 데이터 203.2 필터 설계 233.2.1 Common Spatial Pattern 233.2.2 Fisher''s Linear Discriminant 253.2.3 Principal Component Analysis 283.3 동작 상상 EEG 신호 분류 293.4 성능 평가 방법 30Ⅳ 실험 결과 324.1 CSP 적용 결과 324.2 FLD 적용 결과 364.3 PCA 적용 결과 394.4 분류 및 분석 결과 42Ⅴ 결론 455.1 토의 455.2 향후 연구 제안 46Ⅵ 참고문헌 47영문 논문 제출서 53영문 인준서 54ABSTRACT 55
최근 본 자료
댓글(0)
0