http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
- 中文 을 입력하시려면 zhongwen을 입력하시고 space를누르시면됩니다.
- 北京 을 입력하시려면 beijing을 입력하시고 space를 누르시면 됩니다.
RISS 인기검색어
- 검색키워드
- 저자 : 황한정(H. J. Hwang) (검색결과 4 건)
- 무료
- 기관 내 무료
- 유료
-
이효찬(H.-C. Lee),홍승용(S.-Y. Hong),이형탁(H.-T. Lee),황한정(H.-J Hwang) 한국정보기술학회 2021 Proceedings of KIIT Conference Vol.2021 No.6
본 연구에서는 대표적인 뇌신경신호인 뇌전도(electroencephalogram: EEG)와 근적외선 분광법(near-infrared spectroscopy: NIRS)의 적은 데이터로 우수한 인지 과제 분류 정확도를 얻기 위해 전이 학습(transfer learning) 기반의 인지 과제 분류를 수행하였다. 데이터 분석에는 29명의 피험자가 암산 30회, 휴식 30회 총 60회의 인지 과제 수행시 EEG와 NIRS를 동시 측정한 데이터를 활용하였다. 전이 학습에는 대표적인 이미지 분류 딥러닝 모델인 AlexNet과 GoogLeNet을 사용하였다. EEG와 NIRS데이터의 원신호를 그대로 활용하거나 주파수 분석을 통해 원신호를 가공한 것을 각각 입력 데이터로 활용하여 전이학습을 수행하였으며, 분류 정확도 산출을 위해 5겹 교차 검증(cross-validation)을 수행하였다. 분류 결과 AlexNet이 GoogLeNet보다 우수한 성능을 보였으며 GoogLeNet의 경우 대부분 50% 전후의 정확도를 보이는 것으로 보아 전이 학습이 제대로 작동하지 않은 것으로 판단된다. 입력 데이터 측면에서는 원신호를 그대로 이용하는 것이 주파수 기반의 데이터를 활용하는 것 보다 대체로 높은 성능을 보였다. AlexNet 모델에 EEG의 원신호를 그대로 입력 데이터로 사용하였을 때 76.32 ± 14.79%의 가장 높은 이진 분류 정확도를 보였다. In this study, we performed the classification of cognitive tasks based on transfer learning in order to obtain reasonable performance using representative neural activities, such as electroencephalography (EEG) and near-infrared spectroscopy (NIRS), having a relatively small amount of data. We used EEG and NIRS data measured from 29 subjects while they performed mental arithmetic and resting tasks each 30 times. Two representative deep learning algorithms for image classification, AlextNet and GoogLeNet, were used for transfer learning. We performed transfer learning using two different input data, which are raw data and frequency-based data, and a 5-fold cross-validation was performed to estimate classification accuracy. AlextNet outperformed GoogLeNet, and GoogleNet did not work for transfer learning because it showed a chance level for most cases. Raw data showed better classification performance than frequency-based data in terms of the input data. The best classification accuracy of 76.32 ± 14.79% was obtained when using AlextNet where EEG raw data were used as input data.
-
표면 근전도와 관성측정장비를 이용한 손동작 분류 시스템 개발
이효찬(H.-C. Lee),최석규(S.-G. Choi),김근우(G.-W. Kim),류강현(G.-H. Ryu),김성욱(S.-U. Kim),황한정(H.-J. Hwang) 한국정보기술학회 2020 Proceedings of KIIT Conference Vol.2020 No.10
본 연구의 목표는 표면 근전도(surface electromyography: sEMG)와 관성측정장비(inertial measurement unit: IMU)를 함께 사용하여 다양한 손동작을 높은 성능으로 분류하는 것이다. 10명의 피험자가 실험에 참여하였으며, 실험을 진행하는 동안 손등에 부착한 sEMG와 IMU센서를 이용하여 데이터를 수집하였다. 오프라인 실험에서 피험자들은 9가지의 서로 다른 손동작 과제를 각각 2초씩 총 20회 반복 수행하였다. 측정된 sEMG와 IMU데이터로부터 손동작 움직임을 분류하기 위한 특징을 추출하였으며, 5x5-fold 교차 검증과 선형분류판별기를 활용하여 분류정확도를 계산하였다. 오프라인 실험 데이터를 활용하여 분류기를 생성한 후, 실시간으로 9가지 손동작을 구분하는 온라인 실험을 별도로 수행하였으며, 각각의 손동작을 10회씩 수행하여 실시간 분류 정확도를 산출하였다. sEMG와 IMU특징을 함께 사용하였을 때 오프라인 평균 분류정확도는 95.19 ± 2.07%, 온라인 평균 분류정확도는 81.78 ± 11.10%로 sEMG와 IMU를 개별적으로 사용한 정확도 대비 유의미하게 높은 것을 확인하였다. 본 연구에서는 sEMG와 IMU를 동시에 사용하여 사용자의 여러 손동작을 높은 정확도로 구분할 수 있음을 확인하였으며, 다양한 인간-컴퓨터 인터페이스 기술로 유용하게 활용될 수 있을 것으로 기대된다. The objective of this study was to classify different hand motions with high performance using surface electromyography (sEMG) and inertial measurement unit (IMU) data. Ten subjects participated in this study, during which sEMG and IMU data were measured on the back of the hand. In the offline experiment, each subject repeatedly performed nine different hand motions 20times for 2s each. sEMG and IMU features were extracted to classify the nine hand motions, and a classification accuracy was estimated using a linear discriminant analysis and 5×5 fold cross-validation. Using a classifier constructed using the offline sEMG and IMU features, the online experiment was additionally performed to classify the nine different hand motions in real time, where an online classification accuracy was estimated for each hand motion performed 10times. As a result, an offline and online classification accuracy of 95.19 ± 2.07% and 81.78 ± 11.10% were obtained when using a combination of sEMG and IMU features, which were statistically higher than those obtained using sEMG and IMU independently. In this study, we confirmed that different hand motions can be discriminated with high performance when using sEMG and IMU features simultaneosly, and it is expected that this result can be usefully used to develop human-computer interface applications.
-
-
안정상태 시각유발전위 기반의 기능적 전기자극 재활훈련 시스템
손량희,손종상,황한정,임창환,김영호,Sohn, R.H.,Son, J.,Hwang, H.J.,Im, C.H.,Kim, Y.H. 대한의용생체공학회 2010 의공학회지 Vol.31 No.5
The purpose of the brain-computer (machine) interface (BCI or BMI) is to provide a method for people with damaged sensory and motor functions to use their brain to control artificial devices and restore lost ability via the devices. Functional electrical stimulation (FES) is a method of applying low level electrical currents to the body to restore or to improve motor function. The purpose of this study was to develop a SSVEP-based BCI rehabilitation training system with FES for spinal cord injured individuals. Six electrodes were attached on the subjects' scalp ($PO_Z$, $PO_3$, $PO_4$, $O_z$, $O_1$ and $O_2$) according to the extended international 10-20 system, and reference electrodes placed at A1 and A2. EEG signals were recorded at the sampling rate of 256Hz with 10-bit resolution using a BIOPAC system. Fast Fourier transform(FFT) based spectrum estimation method was applied to control the rehabilitation system. FES control signals were digitized and transferred from PC to the microcontroller using Bluetooth communication. This study showed that a rehabilitation training system based on BCI technique could make successfully muscle movements, inducing electrical stimulation of forearm muscles in healthy volunteers.
ScienceON연관 검색어 추천
이 검색어로 많이 본 자료
활용도 높은 자료
