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
- 홍선기
- 발행연도
- 2022
- 저작권
- 호서대학교 논문은 저작권에 의해 보호받습니다.
이용수63
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
생체신호는 다양한 인체 정보를 표현하는 신호 중 하나이다. 생체신호를 분석할 수 있다는 것은 인체 정보를 이용한 어플리케이션 개발이 가능하다는 의미이다. EEG는 뇌의 전위차를 이용하여 계측할 수 있는 생체신호 중 하나이다. EEG 신호는 주파수 영역에 따라 나타내고자 하는 생체 정보가 다르며, 목적에 맞는 주파수 영역을 계측할 때 목적에 맞는 생체 정보를 얻어낼 수 있다. 지금까지 생체신호를 분석하기 위해서는 고가의 장비와 전문가의 견해가 필요했지만, 현대에는 딥러닝의 발전으로 인하여 다양한 방법으로 접근이 가능해졌다. 다양한 EEG 어플리케이션의 개발 가능성은 BCI에 대한 접근 가능성을 보여준다.
본 논문에서는 EEG를 이용한 행동 구분을 목적으로 EEG를 계측하였다. 행동 EEG는 8~30Hz의 ∼ 뇌파에서 나오는 특정 파형이다. 뇌파를 계측할 때 센서의 종류를 고르는 것 역시 목적에 맞는 뇌파를 계측하는 것의 첫 단계이다. 비침습 형 건식 전극은 착용이 간편하지만, 정확한 EEG 뇌파를 계측하기 어려운 단점이 있다. 센서에서 EEG를 계측하기 위해, 차동 증폭 회로를 이용하여 단위의 뇌파를 계측 가능한 전위까지 증폭할 수 있다. 센서에서 계측되는 전원전압과 같은 외란을 노치필터를 이용하여 제거할 수 있다. 계측하고자 하는 EEG 외의 범위를 LPF와 HPF를 이용하여 추가로 제거한다.
8∼30Hz의 EEG 신호는 FFT와 IFFT를 이용하여 프로그램 BPF를 진행한다. 잡음이 제거된 신호를 이용하여 원하는 형태의 STFT 데이터로 EEG를 변환한다. STFT 변환 시 설정값은 딥러닝 학습 결과에 영향을 미치게 된다. 따라서 사용하고자 하는 데이터 형태에 맞는 설정값 결정은 학습을 위해서 중요한 절차가 된다. EEG 계측을 위한 시간 지표는 일정한 특징의 행동 구별 EEG 신호를 계측할 수 있도록 해준다. 위의 프로그램을 LabVIEW를 이용하여 프로그래밍하였다.
계측된 EEG 신호는 LSTM모델 기반의 딥러닝 학습을 진행한다. RNN의 단점을 보완한 LSTM을 이용하여 학습에 사용할 수 있는 EEG 신호를 선별할 수 있는 알고리즘을 제작하였다. 이는 학습 검증 결과를 향상할 수 있으나, 선별로 인한 데이터 제거는 데이터 부족 현상의 원인이 된다. IOU GAN 알고리즘을 이용하여 데이터 부족 현상을 해결할 수 있다. 피어슨 상관분석을 이용하여 증식된 데이터의 용량을 줄임으로써, 데이터 저장 공간 확보 및 데이터 학습 속도의 증진을 이루어 낼 수 있다.
지금까지의 과정을 통해서 2-ch의 소량의 센서를 이용하여 EEG 신호를 이용한 행동 식별 가능성을 확인할 수 있다. 이는 저가의 제품에서 계측되는 낮은 품질의 데이터를 이용하여도 BCI 어플리케이션 제작 가능성을 보여준다. 다양한 BCI 어플리케이션 제품을 개발할 수 있게 하는 초기 연구가 된다.
본 논문에서는 EEG를 이용한 행동 구분을 목적으로 EEG를 계측하였다. 행동 EEG는 8~30Hz의 ∼ 뇌파에서 나오는 특정 파형이다. 뇌파를 계측할 때 센서의 종류를 고르는 것 역시 목적에 맞는 뇌파를 계측하는 것의 첫 단계이다. 비침습 형 건식 전극은 착용이 간편하지만, 정확한 EEG 뇌파를 계측하기 어려운 단점이 있다. 센서에서 EEG를 계측하기 위해, 차동 증폭 회로를 이용하여 단위의 뇌파를 계측 가능한 전위까지 증폭할 수 있다. 센서에서 계측되는 전원전압과 같은 외란을 노치필터를 이용하여 제거할 수 있다. 계측하고자 하는 EEG 외의 범위를 LPF와 HPF를 이용하여 추가로 제거한다.
8∼30Hz의 EEG 신호는 FFT와 IFFT를 이용하여 프로그램 BPF를 진행한다. 잡음이 제거된 신호를 이용하여 원하는 형태의 STFT 데이터로 EEG를 변환한다. STFT 변환 시 설정값은 딥러닝 학습 결과에 영향을 미치게 된다. 따라서 사용하고자 하는 데이터 형태에 맞는 설정값 결정은 학습을 위해서 중요한 절차가 된다. EEG 계측을 위한 시간 지표는 일정한 특징의 행동 구별 EEG 신호를 계측할 수 있도록 해준다. 위의 프로그램을 LabVIEW를 이용하여 프로그래밍하였다.
계측된 EEG 신호는 LSTM모델 기반의 딥러닝 학습을 진행한다. RNN의 단점을 보완한 LSTM을 이용하여 학습에 사용할 수 있는 EEG 신호를 선별할 수 있는 알고리즘을 제작하였다. 이는 학습 검증 결과를 향상할 수 있으나, 선별로 인한 데이터 제거는 데이터 부족 현상의 원인이 된다. IOU GAN 알고리즘을 이용하여 데이터 부족 현상을 해결할 수 있다. 피어슨 상관분석을 이용하여 증식된 데이터의 용량을 줄임으로써, 데이터 저장 공간 확보 및 데이터 학습 속도의 증진을 이루어 낼 수 있다.
지금까지의 과정을 통해서 2-ch의 소량의 센서를 이용하여 EEG 신호를 이용한 행동 식별 가능성을 확인할 수 있다. 이는 저가의 제품에서 계측되는 낮은 품질의 데이터를 이용하여도 BCI 어플리케이션 제작 가능성을 보여준다. 다양한 BCI 어플리케이션 제품을 개발할 수 있게 하는 초기 연구가 된다.
목차
Ⅰ. 서 론 ????????????????????????????????????????????????????? 11. 연구의 배경 ························································································ 12. 연구의 내용 ························································································ 1Ⅱ. 학습 모델 구성?????????????????????????????????????????????????? 41. EEG의 학습 ······················································································ 4가. 딥 러닝 알고리즘 ········································································· 4나. LSTM 모델 ···················································································· 52. LSTM 학습 알고리즘 ······································································ 8Ⅲ. EEG의 계측 환경 구축 및 데이터 변환 ???????????????????? 141. 센서 선별 및 회로 구축 ····························································· 142. 데이터 계측 GUI - LabVIEW ················································· 22가. FFT와 IFFT를 이용한 BPF 프로그램 설계 ························ 24나. STFT 변환 파라미터 설정 ·························································28다. 데이터 계측 타임테이블 ·························································· 35Ⅳ. 학습 데이터 전처리 기법 ?????????????????????????????????????? 391. PCA 주성분 분석 알고리즘 ·························································· 392. Data Mining 선별기법 ··································································· 433. IOU GAN 알고리즘 ········································································ 494. Pearson 상관관계 알고리즘 ·························································· 59Ⅴ. 결 론 ??????????????????????????????????????????????????? 67참고문헌 ··························································································· 68별도참고문헌 ··················································································· 72부록 A. LabVIEW STFT 파라미터 사용방법 ····················· 73부록 B. Main LSTM 프로그램 사용방법 ······························ 80부록 C. Data Mining 프로그램 사용방법 ······························ 89부록 D. IOU GAN 프로그램 사용방법 ··································· 92부록 E. Pearson Correlation 프로그램 사용방법 ··············· 104영문초록 ························································································· 107감사의 글 ······················································································· 109
최근 본 자료
댓글(0)
0