[논문 리뷰] Prediction of Brain States of Concentration and Relaxation in Real Time with Portable Electroencephalographs

Zhen Li, Jianjun Xu외 1명|arXiv (Cornell University)|2015. 09. 25.

EEG and Brain-Computer Interfaces참고 문헌 2인용 수 9

한 줄 요약

이 연구는 농도와 안정 상태를 분류하기 위해 이동식 Muse 뇌파 측정 헤드밴드를 사용하여 실시간 뇌 상태 예측 시스템을 개발한다. F7 및 F8 감마파 채널을 선택하고, 공통 공간 패턴과 서포트 벡터 머신에 더하여 전방향 신경망을 적용하여 예측함으로써, 시스템은 사용자 만족도 8.83/10을 달성하고 지연 시간을 줄여 실시간으로 가상 항공기 제어를 가능하게 한다.

ABSTRACT

In our research, we attempt to help people recognize their brain state of concentration or relaxation more conveniently and in real time. Considering the inconvenience of wearing traditional multiple electrode electroencephalographs, we choose Muse to collect data which is a portable headband launched lately with a number of useful functions and channels and it is much easier for the public to use. Besides, traditional online analysis did not focus on the synchronism between users and computers and the time delay problem did exist. To solve the problem, by building the Analytic Hierarchy Model, we choose the two gamma wave channels of F7 and F8 as the data source instead of using both beta and alpha channels traditionally.Using the Common Space Pattern algorithm and the Support Vector Machine model, the channels we choose have a higher recognition accuracy rate and smaller amount of data to be dealt with by the computer than the traditional ones. Furthermore, we make use of the Feedforward Neural Network Model to predict subjects'brain states in half a second. Finally, we design a plane program in Python where a plane can be controlled to go up or down when users concentrate or relax. The SVM model and the Feedforward Neural Network model have both been tested by 12 subjects and they give an evaluation ranging from 1 to 10 points. The former gets 7.58 points while the latter gets 8.83, which proves that the time delay problem is improved once more.

연구 동기 및 목표

• 이동식 EEG 기기로 농도와 안정 상태와 같은 정신 상태를 실시간으로 사용자 친화적으로 탐지하기 위해.
• 기존의 다채널 EEG 시스템의 한계, 즉 사용자 불편함과 높은 설정 복잡도를 해결하기 위해.
• 신호 처리 및 예측 모델 최적화를 통해 뇌-컴퓨터 상호작용에서의 시간 지연을 줄이기 위해.
• 정신 상태 기반의 직관적이고 반응성이 높은 가상 환경 제어를 통해 사용자 경험을 향상시키기 위해.
• 실제로 상호작용하는 작업에서 실제 사용자를 대상으로 시스템 성능을 검증하기 위해.

제안 방법

• 실시간 뇌파 데이터를 수집하기 위해 7채널을 갖춘 이동식 소비자용 EEG 기기인 Muse 헤드밴드를 사용하였다.
• 분류를 위해 감마파 활동을 우선시하기 위해 분석적 계층 프로세스를 기반으로 F7 및 F8 전극 채널을 선별하였다.
• 농도와 안정 상태 간의 신호 구분을 향상시키기 위해 공통 공간 패턴(CSP) 알고리즘을 적용하였다.
• 뇌 상태의 초기 분류를 위해 서포트 벡터 머신(SVM) 모델을 활용하였다.
• 시스템 지연 시간을 줄이기 위해 향후 0.5초까지의 뇌 상태를 예측하는 전방향 신경망을 구현하였다.
• 위로/아래로의 이동이 각각 농도 또는 안정 상태에 대응하는 파이썬 기반의 항공기 제어 애플리케이션을 개발하였다.

실험 결과

연구 질문

• RQ1 이동식 EEG 기기로 실시간으로 농도와 안정 상태의 뇌 상태를 정확하게 분류할 수 있는가?
• RQ2 특정 감마파 채널(F7, F8)을 선택하면 기존의 다밴드 접근 방식에 비해 분류 정확도를 높이고 계산 부담을 줄일 수 있는가?
• RQ3 신경망 모델이 실시간 BCI 응용 분야에서 최소한의 지연으로 미래의 뇌 상태를 효과적으로 예측할 수 있는가?
• RQ4 SVM과 신경망 기반 예측 시스템 간의 사용자 경험과 인식된 반응성은 어떻게 비교되는가?
• RQ5 오직 이동식 EEG 신호와 최적화된 신호 처리만을 사용하여 실시간으로 가상 환경을 신뢰성 있게 제어할 수 있는가?

주요 결과

• 전방향 신경망 모델은 사용자 평가 점수 8.83/10을 기록하여 SVM 모델의 점수 7.58보다 뚜렷이 뛰어났다.
• 시스템은 실시간으로 가상 항공기 제어를 성공적으로 구현하였으며, 이동 방향이 사용자의 농도 또는 안정 상태에 대응하였다.
• F7 및 F8 감마파 채널은 양측의 베타 및 알파 밴드를 모두 사용하는 것에 비해 더 높은 인식 정확도와 더 낮은 데이터 처리 부담을 제공하였다.
• 예측 신경망 모델을 사용함으로써 전통적인 온라인 EEG 분석에서 흔히 발생하는 시간 지연 문제를 효과적으로 완화시켰다.
• 전반적으로 시스템은 실시간 인간-컴퓨터 상호작용 환경에서 실용성과 반응성을 입증하였다.
• 결과적으로 이동식 EEG 기기와 최적화된 신호 처리 및 예측 모델을 조합하면 효과적이고 저지연 뇌-컴퓨터 인터페이스를 지원할 수 있음을 확인하였다.