뇌 컴퓨터 인터페이스 소개 (Components) (5)

전처리 (Preprocessing)

 

원시 EEG 데이터는 노이즈 및 아티팩트의 영향을 받기 때문에 종종 깨끗하지 않다. 노이즈 및 아티팩트의 네 가지 주요 소스는 다음과 같다.

 

뇌파 장비 피사체 및 녹음 시스템 외부의 전기적 간섭 리드 및 전극 주제 : 심장의 전기적 활동, 눈 깜박임, 안구 운동, 일반적인 근육 운동

 

눈 깜박임은 전두엽 및 후두부 기록에서 매우 명확하지만 ECG (심장 전기 활동에서)는 후두부 전극에서 나타납니다. 안구와 눈꺼풀의 움직임은 기존의 각막과 망막 사이에 약 100mV의 전위차 때문에 전위장의 변화를 일으킨다.

 

전처리 단계는 노이즈 및 아티팩트에서 데이터를 정리하는 데 도움된다. 전처리에는 다양한 방법과 단계가 있다. 예를 들어, 필터가 데이터에 적용되는 경우가 많다. 신호의 DC 성분과 드리프트를 제거하기 위해 일반적으로 1Hz의 주파수 차단으로 충분한 고역 통과 필터가 사용된다. EEG에서 일반적으로 90Hz 이상의 주파수는 연구되지 않기 때문에 종종 저역 통과 필터를 적용하여 신호의 고주파수를 제거할 수 있다. 다른 방법은 안구 움직임이나 눈 깜박임과 같은 인공물을 제거하는 데 사용된다.

 

전처리의 여러 단계를 거친 후 신호가 대부분의 인공물과 노이즈에서 깨끗해지면 녹음이 몇 초 만에 중단된다. 이렇게 하면 단일 EEG 녹음에서 많은 기능을 가질 수 있고 다음을 사용할 수 있다. 다음 섹션에서 볼 수 있듯이 통계를 위해 또는 분류기를 적용하기 위해 그것들을 사용한다.

 

특징 추출 (Feature Extraction)

 

신호 분석 및 정보 추출에서 EEG 신호는 매우 복잡하기 때문에 단순히 보는 것만으로는 의미 있는 정보를 찾을 수 없다. 그런 다음 육안으로 보이지 않는 콘텐츠 (ex: 사람의 의도)를 찾을 수 있는 처리 알고리즘을 적용해야 한다. 특징 추출을 위한 여러 방법이 있으며 그 중 일부는 다음과 같다.

 

대역 전력 (BP) EEG 대역 전력 주파수 표현 (FR) 간의 상호 상관 시간-주파수 표현 (TFR) Hjorth 매개변수 매개변수 모델링 역 모델 및 P300에 사용되는 특정 기술 피크 피킹 (PP) 및 느린 피질 전위 계산 (SCP)과 같은 VEP

 

분류 (Classification)

 

신호에 적용할 수 있는 또 다른 단계는 이제 대부분 아티팩트에서 제거되며 분류 알고리즘을 적용하는 것이다. 기계 학습 기술을 사용하면 분류기를 훈련하여 예를 들어, 어떤 기능이 하나 또는 다른 클래스에 속하는지 인식할 수 있다. 수학 다시 분류는 대상이 수행하는 정신적 작업의 종류를 찾는 데 도움된다 (Ochoa, 2002).

 

번역 (Translation)

 

신호가 분류된 후 결과는 특성 변환 알고리즘으로 전달된다. 이 시점에서 기능은 필요한 해당 작업으로 변환되어야 한다. 예를 들어, P3 전위는 그것을 불러일으킨 문자의 선택으로 번역될 수 있다. 따라서, 이 경우 알고리즘은 문자를 선택하도록 피드백 장치에 명령을 보낸다.

 

피드백 장치 (Feedback device)

 

피드백 장치는 번역 단계에서 명령을 수신한다. 예를 들어, 신호가 커서를 이동하는 데 사용되는 컴퓨터이거나 데이터가 이동을 허용하는 데 사용되는 로봇 팔일 수 있다.

 

http://learn.neurotechedu.com/introtobci/#examples

Intro to Brain Computer Interface