Techniques for Practical Brain-computer Interface

Abstract

뇌-컴퓨터 인터페이스는 사람의 사지 움직임 없이 사람의 생각을 읽고 외부 기계를 제어할 수 있게 한다. 뇌전도를 이용한 뇌-컴퓨터 인터페이스는 수 십년동안 유망 기술로 언급되어왔지만, 몇 가지 해결해야할 문제들로 인해 실생활에 사용되지 못하고 있다: 뇌-컴퓨터 인터페이스 문맹, 뇌전도의 비 정상성, 인체 공학적 설계. 뇌-컴퓨터 인터페이스 문맹은 뇌전도 패턴이 구분되지 않아 이 시스템을 제어하는데 어려움이 있고, 뇌전도의 비 정상성 때문에 매번 지루한 훈련을 해야만 한다. 대부분의 뇌-컴퓨터 인터페이스 패러다임은 고성능과 빠른 정보 전달률을 달성하기 위해서는 높은 공간 해상도 데이터가 필요하다. 본 학위 논문에서는 뇌-컴퓨터 인터페이스가 가진 문제를 해결하기 위해 두 가지의 접근 방안을 제안했다. 첫번째는 시뮬레이션 데이터와 실험 데이터를 콘볼루션 신경망을 이용하여 뇌전도의 공간 해상도를 저해상도에서 고해상도로 향상시키는 초 해상 보간법이다. 단순한 보간 기법을 사용한 신호보다 복원한 신호가 원 신호와 높은 상관관계를 보였고, 단순 보간 기법을 이용한 데이터는 신호원을 찾지 못했지만 복원된 신호는 뇌 신호원을 찾을 수 있었다. 이 결과를 통해 우리의 접근 방법은 적은 전극을 사용하여 높은 공간 해상도로 복원할 수 있다는 가능성을 제시하였다. 두번째 연구에서는 눈 뜬 상태와 눈 감은 상태의 휴지 상태 데이터의 주파수 조합으로 움직임 상상 뇌-컴퓨터 인터페이스 성능 예측 변수를 제시하였다. 제안한 예측 변수는 하나의 휴지 상태 데이터로 구성한 예측 변수에 비해 분류 정확도와 더 강건한 상관성을 가졌다. 이 예측 변수는 시간 소모가 큰 과제를 하기 전에 움직임 상상 성능을 예측할 수 있고 낮은 성능으로 예상되는 사용자들은 자가 훈련이나 감각/전기 자극 후에 과제를 수행하도록 할 수 있도록 한다. 우리는 실생활에 뇌-컴퓨터 인터페이스를 사용하기 위해 해결해야할 문제에 대한 두 가지 접근 방법을 제시했고, 우리의 방법이 뇌-컴퓨터 인터페이스 연구자들에게 새로운 통찰력과 새로운 시각을 주기를 바란다.|Brain-computer interface (BCI) allows a computer to read the connected human’s thoughts and to control external machines without movements of the human’s limbs. BCI using electroencephalography (EEG) has been mentioned as a promising technology for several decades, but it has not been used in real-life circumstances due to some challenging issues: BCI-illiterate, non-stationarity of EEG, and ergonomic design. BCI-illiterate is difficult to manipulate the BCI system due to indistinguishable EEG patterns, and users have to undergo tedious training every time they conduct BCI tasks due to the non-stationarity of EEG data. In addition, most BCI paradigms require high spatial resolution data to achieve high performance and high information transfer rate. In this thesis, we proposed two approaches to solve BCI problems. The first approach is utilizing super-resolution to improve EEG spatial resolution from low to high resolution using a deep convolutional neural network with simulation data and experimental data. The reconstructed data yielded higher correlation with original data than simple interpolation data; moreover, the reconstructed data detected brain sources while interpolation data could not. From the results, our approach provides the possibility for reconstructed high spatial resolution data from a few electrodes. In the second approach, we proposed the use of a motor imagery (MI) BCI performance predictor using eyes-open and eyes-closed resting states simultaneously. The predictor was constructed through a combination of frequency characteristics of two kinds of data. Our proposed predictor yielded more robust association with MI-BCI performance than a predictor using one state data. It can predict MI-BCI performance before time-consuming tasks using the proposed predictor, and users who are expected to have low performance can conduct task after self-training or sensory/electrical stimulation. We proposed two approaches to solve challenging problems with using BCI system in real life. We hope that our approaches provide new insights and new perspective for other BCI researchers.