뇌파 전처리로 빠른 운동 상상 인식 기술

초록

본 논문은 운동 상상(MI) 시 발생하는 뇌전도(EEG) 신호의 전처리 기법을 제안한다. 고역통과·저역통과, 전원선 잡음 제거, ICA 기반 눈·심장 아티팩트 제거 후 ERD/ERS 구간을 추출하고, 구간별 전력·에너지 특징을 계산한다. 이 특징을 사전 구축된 데이터베이스와 SVM 분류기로 매칭함으로써 실시간 재활 장치 제어에 필요한 빠른 움직임 인식을 달성한다.

상세 분석

이 연구는 재활 로봇이나 연속 수동 운동기(CPM)와 같은 실시간 뇌-컴퓨터 인터페이스(BCI) 시스템에서 운동 상상을 빠르게 인식하기 위한 전처리 파이프라인을 상세히 설계하였다. 먼저, 0.5 Hz~90 Hz 고역통과 필터와 50 Hz 전원선 차단 필터를 적용해 기본 DC 오프셋과 전력선 잡음을 억제한다. 이어서 눈동자 움직임(EOG)과 심전도(ECG) 아티팩트를 제거하기 위해 Blind Source Separation(BSS) 기법을 활용한다. 논문에서는 Canonical Correlation Analysis 기반 BSS, FastICA 기반 비가우시안 신호 분리(FCOBI), 그리고 2차 통계 기반 BSS(SOBI) 세 가지 알고리즘을 비교 적용하였다.

전처리된 신호는 운동 상상에 특유한 mu(8‑13 Hz)와 beta(13‑30 Hz) 대역의 탈동기화(ERD)·동기화(ERS) 현상을 탐지하기 위해, 사전 정의된 전두·중심 전극(Fc3, Fcz, Fc4, C3, C4 등)만을 선택한다. 각 전극별로 ERD/ERS 구간을 시간적으로 분리하고, 해당 구간의 전력(P)과 에너지(E)를 각각
(P = \frac{1}{N}\sum_{i=1}^{N} x_i^2)
(E = \sum_{i=1}^{N} x_i^2 \cdot T)
와 같이 계산한다. 여기서 N은 샘플 수, T는 샘플링 간격이다. 이렇게 얻어진 전력·에너지 벡터는 두 개의 라벨(좌/우 손, ERD/ERS)과 결합되어 SVM 학습 데이터셋을 구성한다.

오프라인 단계에서는 109명의 피험자, 64채널 EEG, 1~2분 길이의 MI 세션을 사용해 총 1500여 개의 데이터 세트를 전처리하고, 각 전극별로 3가지 BSS 방법을 적용해 3개의 특징 행렬을 생성한다. SVM은 이 행렬을 입력받아 좌·우 손 움직임과 ERD·ERS 구분을 동시에 학습한다. 실험 결과, 전처리 후 SVM 훈련 시간은 평균 0.85 s(최대 0.96 s)로, 전처리 없이 훈련할 경우 평균 3.5 s(최대 5.2 s)보다 4배 이상 빠르다. 또한, 분류 정확도는 전처리 유무에 관계없이 88%~94% 수준으로 큰 차이가 없으며, 실시간 테스트에서는 전처리 후 평균 0.13 s, 오류율 11% 이하를 기록했다.

이러한 결과는 전처리 단계가 잡음 억제와 특징 추출을 효율적으로 수행함으로써, SVM 같은 전통적인 머신러닝 모델을 실시간 BCI에 적용할 수 있는 충분한 속도와 정확도를 제공함을 의미한다. 특히, 전처리된 데이터는 전력·에너지라는 저차원 특징만으로도 충분히 구분 가능하므로, 복잡한 딥러닝 모델 없이도 경량화된 임베디드 시스템에 구현하기에 적합하다.