Kernkonzepte
본 연구는 c-VEP 자극 프로토콜과 UMM 접근법을 결합하여 캘리브레이션 없이도 효과적으로 뇌 신호를 분류할 수 있는 방법을 제시한다. 이를 통해 사용자 친화적이고 접근성 높은 BCI 기술 개발의 길을 열었다.
Zusammenfassung
본 연구는 c-VEP 데이터에 UMM 기법을 처음으로 적용하였다. UMM은 기존 c-VEP 데이터에 적용되었던 CCA 기법과 비교 분석되었다.
분석 결과, 두 기법 모두 캘리브레이션 없이도 c-VEP 데이터를 효과적으로 분류할 수 있음이 확인되었다. 누적 학습 방식의 CCA와 UMM이 각각의 인스턴트 버전보다 우수한 성능을 보였다. 전반적으로 CCA가 UMM보다 높은 분류 정확도를 달성하였다.
CCA와 UMM은 서로 다른 가정과 메커니즘을 활용하므로, 데이터셋의 특성에 따라 상대적 성능이 달라질 수 있다. 이를 고려하여 데이터셋 특성에 맞춰 최적화된 버전을 개발할 수 있다.
본 연구는 캘리브레이션 없는 BCI 기술의 발전을 위한 중요한 진전을 이루었다. 사용자 친화적이고 접근성 높은 BCI 시스템 구현을 위한 토대를 마련하였다.
Statistiken
1.05초 시점에서 CCA_ec 0.24, UMM_tcw 0.13의 분류 정확도를 보였다.
2.1초 시점에서 CCA_ec 0.52, UMM_tcw 0.39의 분류 정확도를 보였다.
31.5초 시점에서 CCA_ec 0.97, UMM_tcw 0.94의 분류 정확도를 보였다.