뇌파 P300으로 제어하는 2자유도 로봇 팔 시스템

초록

본 연구는 시각적 자극에 의해 유도되는 P300 ERP를 실시간으로 검출하고, 이를 2‑DoF 로봇 팔의 커서 이동 명령으로 변환하는 BCI 알고리즘을 제안한다. 8명의 피험자를 대상으로 2차원 목표 추적 과제를 수행하게 하였으며, 다중 클래스 SVM 분류기를 이용해 97 %의 인식률을 달성하였다. 제안된 시스템은 시뮬레이션 환경에서 로봇 엔드 이펙터를 임의의 위치로 정확히 이동시켰으며, BCI Competition II 데이터셋과의 비교 실험에서도 우수한 성능을 보였다.

상세 분석

본 논문은 P300 기반 BCI를 이용해 2‑DoF 로봇 팔을 제어하는 전 과정을 체계적으로 구현하였다. 먼저 피험자 8명을 대상으로 4개의 시각적 ‘버블’(상·하·좌·우) 중 하나에 집중하도록 하는 oddball‑type GUI를 설계했으며, 각 버블은 100 ms 동안 랜덤하게 점등되고 150 ms 간격으로 순환한다. 이러한 자극 프로토콜은 5 epoch 동안 반복되어 충분한 ERP 샘플을 확보한다. EEG는 8채널(주로 파라이트 및 전두부) Starstim 장치를 이용해 250 Hz로 샘플링했으며, 트리거 채널을 통해 자극 시점을 정확히 동기화하였다.

신호 전처리는 크게 두 단계로 나뉜다. 첫째, 0.1–15 Hz 대역의 band‑pass 필터와 50 Hz 전원 노이즈 제거를 적용해 기본 잡음을 억제한다. 둘째, 평균 트렌드와 베이스라인 드리프트를 제거하기 위해 각 epoch마다 선형 회귀 기반 오프셋 보정을 수행한다. 전처리된 데이터는 웨이블릿 변환과 Hilbert 변환을 결합한 특징 추출 파이프라인에 투입된다. 웨이블릿은 시간‑주파수 영역에서 P300의 특징적인 300 ms 피크를 강조하고, Hilbert 변환은 순간 진폭(envelope)을 추출해 신호‑대‑노이즈 비율(SNR)을 향상시킨다.

분류 단계에서는 k‑Nearest Neighbors(KNN)와 Support Vector Machine(SVM) 두 가지 모델을 비교했으며, 다중 클래스(4‑class) SVM이 가장 높은 정확도를 보였다. 특히 채널 사전 선택 없이 전체 8채널을 그대로 사용했음에도 97 %의 인식률을 달성한 점은 특징 추출과 정규화 과정이 충분히 강건함을 의미한다.

제어 알고리즘은 분류 결과를 ‘상·하·좌·우’ 네 가지 명령으로 매핑하고, 이를 로봇 팔의 두 관절 각도에 대한 속도 명령으로 변환한다. 로봇 팔은 2개의 회전 관절로 구성되어 XY 평면에서 자유롭게 이동할 수 있으며, 목표 위치까지의 오차는 평균 2.3 cm 이하로 유지된다. 실시간 시뮬레이션 결과는 목표점 간 이동이 부드럽고 지연 시간이 150 ms 이하임을 보여, 실제 적용 가능성을 시사한다.

한계점으로는 피험자 수가 제한적이며, 실험 환경이 실내 정적 상황에 국한돼 있어 외부 전자기 간섭이나 움직임 아티팩트에 대한 내성이 충분히 검증되지 않았다. 또한 2‑DoF 평면 움직임만을 다루었기 때문에 3‑DoF 혹은 6‑DoF 로봇 제어로 확장할 경우 추가적인 차원 축소와 고차원 분류기의 필요성이 제기된다. 향후 연구에서는 채널 선택을 자동화하는 딥러닝 기반 특징 학습, 그리고 실제 로봇 하드웨어와의 폐쇄‑루프 실험을 통해 시스템의 견고성을 강화할 수 있을 것이다.