메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류

추천
검색
질문

논문 기본 정보

자료유형
학술저널
저자정보
강병준 (한국폴리텍대학 서울정수캠퍼스) 조현찬 (한국기술교육대학교)
저널정보
한국산학기술학회 한국산학기술학회 논문지 한국산학기술학회논문지 제24권 제10호
발행연도
2023.10
수록면
24 - 31 (8page)
DOI
10.5762/KAIS.2023.24.10.24

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색
질문

초록· 키워드

오류제보하기
뇌-컴퓨터 인터페이스(Brain Computer Interface, BCI)를 활용하여 인간의 의도에 따른 뇌 신호를 분석하여 시스템을 제어하는 연구는 대표적으로 뇌의 운동 피질 중 가장 넓은 활성 영역을 차지하는 손의 동작을 대상으로 연구되고 있다. 본 논문에서는 오른팔을 올리거나 내릴 때 발생하는 뇌 신호를 심층 신경망을 이용하여 분류하기 위한 데이터 수집 및 전처리 방법, 근전도 신호를 활용한 심층 신경망의 학습 방법을 제안하였다. 데이터 수집 시 뇌 신호가 근육으로 전달되는 시간은 충분히 빠르고 지연 시간이 없다고 가정하였고, 훈련데이터로 사용될 뇌 신호와 실제 의도와의 오차를 줄이기 위하여 근전도 신호 기반의 뇌 신호 라벨링 기법을 사용하였다. 그리고 EMG 신호 측정이 가능한 대상의 EEG 신호와 EMG 신호를 활용하여 EMG 신호를 손실 함수의 가중치로 적용하는 학습 방법을 제안하여 움직임에 의한 잡음이 학습에 반영하는 것을 억제하고, 움직이려는 의지가 약한 구간에 대하여 안정적인 학습을 유도하였다. 또한 후천적으로 근전도 신호를 측정할 수 없는 대상에 대하여 EEG 신호만을 활용할 가능성을 확인하였다. EMG 신호를 가중치로 사용했을 시의 성능을 비교하기 위하여 동일한 심층 신경망의 성능을 Binary cross-entropy 손실 함수 사용 시의 성능과 비교하였다.

목차

요약
Abstract
1. 서론
2. 뇌전도 및 근전도 데이터 수집 조건 및 환경
3. 수집된 데이터의 전처리
4. 심층 신경망을 이용한 분류
5. 실험 결과
6. 결론 및 향후 연구
References

참고문헌 (21)

참고문헌 신청

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

이 논문과 함께 이용한 논문

최근 본 자료

전체보기

댓글(0)

0