뇌파 전처리로 빠른 운동 상상 인식 기술

본 논문은 재활 로봇 및 연속 수동 운동기(CPM)와 같은 뇌-컴퓨터 인터페이스(BCI) 시스템에서 환자의 의지를 실시간으로 반영하기 위해, 운동 상상(MI) 시 발생하는 EEG 신호를 빠르게 인식하는 전처리 기법을 제안한다. 연구는 크게 네 부분으로 구성된다. 첫 번째는 배경 및 필요성 제시이다. 기존 재활 장치는 사전 정의된 움직임 패턴을 반복적으로 수행하지만, 환자가 직접 의도한 움직임을 반영하면 치료 효율이 크게 향상될 수 있다. 이를 위해서는 뇌파에서 운동 상상을 나타내는 ERD/ERS 패턴을 실시간으로 추출하고, 이를 제어 신호로 변환해야 한다. 두 번째는 전처리 파이프라인 설계이다. 원시 EEG는 눈 깜빡임(EOG), 심장 박동(ECG), 전원선 잡음 등 다양한 잡음에 오염된다. 저자는 0.5 Hz~90 Hz 고역통과와 50 Hz 전원선 차단 필터로 기본 노이즈를 제거하고, Blind Source Separation(BSS) 기법을 이용해 EOG·ECG 아티팩트를 추출한다. 구체적으로는 Canonical Correlation Analysis 기반 BSS(CA‑BSS), FastICA 기반 비가우시안 신호 분리(FCOBI), 그리고 2차 통계 기반 SOBI를 적용해 세 가지 버전의 전처리 데이터를 만든다. 세 번째는 특징 추출 및 분류이다. 전처리된 신호는 10‑20 시스템의 전두·중심 전극(Fc3, Fcz, Fc4, C3, C4 등)만을 선택한다. 각 전극에서 mu와 beta 대역의 탈동기화(ERD)·동기화(ERS) 구간을 시간적으로 구분하고, 해당 구간의 전력(P)과 에너지(E)를 계산한다. 이렇게 얻은 전력·에너지 벡터는 두 개의 라벨(좌/우 손, ERD/ERS)과 결합되어 SVM 학습 데이터셋을 만든다. 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. 네 번째는 실험 및 결과 분석이다. 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. 분류 정확도는 전처리 유무에 관계없이 88%~94% 수준으로 큰 차이가 없으며, 실시간 테스트에서는 전처리 후 평균 0.13 s, 오류율 11% 이하를 기록했다. 이는 전처리 단계가 잡음 억제와 특징 추출을 효율적으로 수행함으로써, 전통적인 SVM 모델도 실시간 BCI에 충분히 적용 가능함을 보여준다. 결론적으로, 제안된 전처리 기법은 EEG 신호에서 ERD/ERS 패턴을 빠르게 추출하고, 저차원 전력·에너지 특징만으로도 높은 분류 정확도를 달성한다. 이는 계산량이 제한된 임베디드 시스템에서도 구현 가능함을 의미한다. 향후 연구에서는 평균 전력, 표준편차 등 추가적인 특징을 도입해 정확도를 더욱 향상시키고, 실제 온라인 BCI 시스템에 적용해 실시간 재활 로봇 제어를 검증할 계획이다.