본문 바로가기
[학술대회자료]

GMM 기반의 Support Vector 생성을 이용한 움직임 상상 EEG 분류 알고리즘에 관한 연구

  • 학술대회자료

GMM 기반의 Support Vector 생성을 이용한 움직임 상상 EEG 분류 알고리즘에 관한 연구

The study on movement imagery EEG classification using support vector generation based on GMM

이다빛(가톨릭대학교) 김재호(가톨릭대학교) 정우혁(가톨릭대학교) 이희재(가톨릭대학교) 이상국(가톨릭대학교)

표지

북마크 0

리뷰 0

이용수 79

피인용수 0

초록

본 논문에서는 노이즈와 overfitting에 강건한 성능을 나타내는 Gaussian Mixture Moel(GMM)로 생성한 Support Vector와 분류 알고리즘인 Support Vector Machine(SVM)을 이용하여 왼손 또는 오른손 움직임 상상 Electroencephalogram(EEG)을 분류하는 방법을 제안한다. EEG 분류는 특징 추출 과정과 분류 과정으로 구성된다. 특징 추출 과정에서는 Wavelet Transform(WT)을 사용하여 EEG를 분해하고 웨이블렛 계수의 통계적 특징을 추출하였다. 분류 과정에서는 가우시안 혼합 모델에 대한 통계적 특징 분포의 최대 우도 추정(Maximum Likelihood Estimation : MLE)을 EM(Expectation Maximization) 알고리즘을 이용하여 얻었다. 그리고 추정된 가우시안 분포의 평균을 가지고 Support Vector를 생성하였다. 제안하는 분류 방법을 이용하여 움직임 상상 EEG에 대해 83.61%의 분류 정확도를 보였다.

In this paper, we used a support vector that was generated by a Gaussian mixture model (GMM). This support vector showed robust performance against noise and overfitting, and the support vector machine (SVM) of the classification algorithm suggested a method of classification for left- and right-hand movement imagery electroencephalograms (EEGs). The EEG classification consists of a feature extraction and classification process. In the feature extraction process, a wavelet transform (WT) was used to decompose the EEG and extract the statistical features of the wavelet coefficient. In the classification process, an expectation maximisation (EM) algorithm was used to obtain a maximum likelihood estimation (MLE) of the distribution of statistical features for the GMM. Lastly, we utilised the average of the estimated Gaussian distribution to generate the support vector. Under the proposed method, the classification accuracy of movement imagery EEGs was found to be 83.61%.

목차

요약
Abstract
1. 서론
2. 실험 방법
3. 실험 결과
4. 결론
참고문헌

참고문헌(0)

리뷰(0)

도움이 되었어요.0

도움이 안되었어요.0

첫 리뷰를 남겨주세요.
Insert title here