BCI(4) - BCI 신호처리 기초

BCI(4) - BCI 신호처리 기초

신호의 이산표현:

샘플링: 뇌의 신호는 연속적이다. 하지만 모든 정보를 가져올 수 없으니 필요한 정보만 가져와 원래 신호와 비슷하게 만든다.

측정 신호 = 벡터(길이 = 시간 샘플 수)로 표시
예를 들어 샘플링 주파수 256Hz일때, 2초동안 신호의 총샘플수는 2 X 256 = 512개이다.

이벤트: 자극 시점을 표시하기 위한 벡터(길이 = 측정신호의 길이), 0 과 실수(자극시점 보통 1)로 구성됨.

가장 기본적인 뇌파관점: 하나의 뇌파신호는 다양한 주기 신호의 합이다.

BCI에서 활용되는 신호처리의 단계:

머신러님을 많이 활용한다.

1. training phase: 다량의 뇌파를 이용해서 머신러닝 모델을 구성한다.
2. testing phase: 위에서 구성된 모델을 새로운 뇌파에 적용한다.

signal filtering:
관심이 없는 정보를 제거하고 필요한 정보만 추출.

1. Temporal filtering: 관심있는 시간대가 어디인가. 관심있는 영역 추출
2. Frequency filtering: 관심있는 주파수만 추출
   • Low-pass filter: 기준 전의 주파수만
   • High-pass filter: 기준 이후의 주파수만
   • Band-pass filter: 두 지점을 기준으로 가운데 주파수만
   • Band-stop filter: 두 지점을 기준으로 가운데가 아닌 바깥쪽만
3. Spatial filtering: N개의 뇌파 데이터가 있다면, 거기서 k개의 데이터를 추출(N>K).
   • 추출한 데이터는 원래의 데이터들의 조합으로 추출해낼수 있다.
   • Y = W^t * X (추출한 데이터 = W^t * 원래의 데이터)
   • W를 어떻게 구성하는지는 방법론에 따라 다르다.
     1. Re-referencing
        • Ear Reference: 귓볼에서와 추출하려는 부분의 차이를 이용
        • Commom average reference(CAR): 전체 모든 채널의 평균적인 값을 추출하려는 부분에서 빼서 새로운 신호를 만듬
        • Small Laplacian: 구하려는 부분의 주변 채널의 평균값을 구해 그 값을 빼주므로 노이즈를 제거
        • Large Laplacian: 넓은 부분에서 Small Laplacian 방법과 동일
     2. 주성분 분석법(Priciple Compenent Analysis, PCA):
        • 오리지널 신호에서 노이즈를 제거를 해서 정보성 있는 신호만 추출하는 방법
        • 고유값 확인하고 그 중 높은 값을 가지고 있는 것이 그 신호를 주로 이루고 있는 요소
        • 위 과정에서 구한 요소의 고유 벡터로 W를 구성한다.
     3. 독립성분 분석법(Independent Compenent Analysis, ICA):
        • 측정하는 신호는 다양한 신호 섞인(mixing) 신호이다.
        • 다시 반대로 과정을 진행(unmixing)하면 원래 구하려는 부분의 신호를 구할 수 있지 않나?
   • Source Imaging: spatial filtering 방식 사용
   • Common Spatial Pattern(CSP): spatial filtering 방식 사용