EEG

뇌파 (EEG : Electro Encephalo Graphy)는 두뇌를 구성하는 신경세포들의 전기적 활동을 두피에서 전극을 통해 간접적으로 측정할 수 있는 전기신호
뇌파는 두뇌 내부에서 발생하는 전기적 활성 정보를 전기장을 통해 간접적으로 포착
방식 : 두피에 전극을 부착하여 비침습적인 방법으로 얻는 뇌전도
뇌파 신호 발생 방식 : 두개골 안쪽에는 뇌가 3층의 막으로 싸여있고 그 아래 대뇌피질에서 신경세포 사이에 시냅스가 형성되어 신경전달물질 분비 -> 시냅스 후막의 이온채널에 부착되어 이온채널 열림 -> 나트륨이온이 Na+채널을 통해 세포 안으로 유입되고 칼륨 이온은 세포 밖으로 유출되어 세포막의 양단간 전위에 변화가 일어나 전위차 발생 (전압 생겨 전류 흐름, 전류가 전기장 형성-> 전기장의 변화는 자기장을 생성하게 되어 두피에 전극을 설치하면 10~50uV의 뇌파 신호 측정 가능)

CNN

cnn의 특징

• Convolutional Neural Network, 합성곱 신경망
• 인간의 시신경 구조 모방 기술
• 특징맵을 생성하는 필터까지도 학습이 가능해 비전(vision) 분야에서 성능이 우수함
• 이미지를 인식하기 위해 패턴 찾는 데 유용
• 데이터 직접 학습하고 패턴을 이용해 이미지 분류
• 객체인식이나 컴퓨터 비전이 필요한 분야에서 많이 사용됨
• 이미지 공간 정보(차원)을 유지한 채 학습하게 되는 모델

CNN 구조

• 이미지 특징 분류

• convolution layer
• pooling layer
• fully connected layer
• flatten layer

• 클래스 분류

convolution layer (합성곱)

이미지 데이터는 높이X너비X채널의 3차원 tensor로 표현됨

filter

합성곱 계층에는 입력되는 이미지의 채널 개수만큼 필터가 존재하며, 각 채널에 할당된 필터를 적용함으로써 합성곱 계층의 출력 이미지 생성

stride

: 이미지에 대해 필터를 적용할 때 필터의 이동량을 의미

padding

입력 이미지에 대해 합성곱을 수행하면, 출력 이미지의 크기는 입력 이미지의 크기보다 작아지게 된다. 그러며 이미지의 가장자리에 위치한 픽셀들의 정보는 사라지는 문제 해결을 위해 이용됨
입력 이미지의 가장자리에 특정 값으로 설정된 픽셀들을 추가함으로써 입력 이미지와 출력 이미지의 크기를 같거나 비슷하게 만드는 역할 수행
이미지의 가장 자리에 0의 값을 갖는 픽셀 추가하는 것이 zero-padding

pooling layer

이미지의 크기를 계속 유지한 채 fully connected layer로 가게되면 연산량 기하급수적 증가 문제 -> 적당히 크기도 줄이고, 특정 feature을 강조

• max pooling (주로 사용)
• average pooling
• min pooling
  

fully connected layer

이미지 특징을 추출하여 이것이 무엇을 의미하는 데이터인지 분류하는 작업

• flatten layer : 데이터 타입을 fully connected 네트워크 형태로 변경, 입력 데이터의 shape 변경만 수행
• softmax layer : classification 수행

EEG multi-channel

: 뇌의 여러 위치에서 측정된 여러 개의 신호를 동시에 분석하는 것
멀티채널 데이터는 뇌의 다양한 부위에서 발생하는 신호 패턴을 동시에 고려할 수 있어, 보다 정확하고 다양한 정보를 얻는 데 도움이 된다
ex) 특정 뇌파 패턴이 뇌의 어느 부위에서 발생하는지, 어떤 부위의 신호가 동시에 변하는지 등의 정보를 얻을 수 있다.