제3항에 있어서,CNN 모델들 각각의 커널 크기는 하위 대역의 중심 주파수(center frequency, fc)의 역수에 기초하여 결정되는,운동 심상 분류 모델 생성 장치.

제4항에 있어서,상기 커널 크기는 max(fs/fc,25)이고,상기 fs는 뇌전도(EEG) 신호의 샘플 레이트(sample rate)인,운동 심상 분류 모델 생성 장치.

적어도 프로세서(processor)를 포함하는 컴퓨팅 장치에 의해 수행되는 운동 심상 분류 모델 생성 방법에 있어서,학습 데이터에 포함되는 뇌전도(electroencephalography, EEG) 신호들 각각을 다중 대역 신호로 분해하는 단계;하위 대역별로 뇌전도 신호의 특징을 추출하는 단계;추출된 특징들을 가중합한 후 분류 결과를 도출하는 단계;상기 운동 심상 분류 모델의 손실을 산출하는 단계; 및상기 손실을 최소화하도록 운동 심상 분류 모델의 파라미터를 업데이트하는 단계를 포함하는 운동 심상 분류 모델 생성 장치.

제1항에 있어서,상기 다중 대역 신호로 분해하는 단계는,뇌전도 신호를 복수의 하위 대역들의 신호로 분해하되, 상기 하위 대역들 중 서로 인접하는 하위 대역들은 주파수 대역의 일부를 공유하는,운동 심상 분류 모델 생성 장치.

제1항에 있어서,상기 특징을 추출하는 단계는,각각이 하위 대역들 각각에 대응하는 CNN(Convolutional Neural Network) 모델을 이용하여 상기 특징을 추출하고,상기 CNN 모델은 적어도 신간 및 공간 컨볼루션 레이어, 평균 풀링 레이어, 및 완전 연결 레이어를 포함하는,운동 심상 분류 모델 생성 장치.

제1항에 있어서,상기 손실을 산출하는 단계는 수학식 1을 이용하여 상기 손실(La)을 산출하고,상기 수학식 1은 이고,상기 λ∈[0,1]은 비율 계수(ratio factor)이고,상기 Le는 수학식 2에 의해 정의되고,상기 수학식 2는 이고,상기 는 크로네커 델타 함수(Kronecker delta function)이고,상기 fk는 특징 벡터(f)의 k(1≤k≤K)번째 원소이고,상기 는 수학식 3에 의해 정의되고,상기 수학식 3은 이고,상기 b는 하위 대역의 인덱스인,운동 심상 분류 모델 생성 방법.

제1항에 있어서,타겟 뇌전도(EEG) 신호를 수신하는 단계;상기 타겟 뇌전도(EEG) 신호를 다중 대역 신호로 분해하는 단계;하위 대역별로 분해된 타겟 뇌전도(EEG) 신호에 대한 특징을 추출하는 단계; 및상기 타겟 뇌전도(EEG) 신호에 대한 특징들을 가중합하고 분류 결과를 도출하는 단계를 더 포함하는,운동 심상 분류 모델 생성 방법.

적어도 프로세서(processor)를 포함하는 컴퓨팅 장치에 의해 수행되는 운동 심상 분류 모델 생성 방법에 있어서,학습 데이터에 포함되는 뇌전도(electroencephalography, EEG) 신호들 각각을 다중 대역 신호로 분해하는 단계;하위 대역들 각각에 대하여, 채널들 각각에 대하여 인접 채널들을 포함하는 집합을 생성함으로써 지역을 생성하는 단계;각 하위 대역의 지역별로 뇌전도 신호의 특징을 추출하는 단계;추출된 특징들을 가중합한 후 분류 결과를 도출하는 단계;상기 운동 심상 분류 모델의 손실을 산출하는 단계; 및상기 손실을 최소화하도록 운동 심상 분류 모델의 파라미터를 업데이트하는 단계를 포함하는 운동 심상 분류 모델 생성 장치.

제8항에 있어서,상기 특징을 추출하는 단계, 상기 분류 결과를 도출하는 단계, 상기 손실을 산출하는 단계, 및 상기 업데이트하는 단계는 복수회 수행되고,학습이 완료된 운동 심상 분류 모델에 대하여, 가중합에서 이용되는 가중치 계수의 파라미터 중요성에 기초하여 지역들 중 일부의 지역을 선택하는 단계를 더 포함하는,운동 심상 분류 모델 생성 방법.

제9항에 있어서,상기 지역을 선택하는 단계는,지역들 중에서, 파라미터 중요성이 높은 미리 정해진 개수의 지역을 선택하는,운동 심상 분류 모델 생성 방법.