(a) 운동 심상 분류 장치에 포함되는 구역 설정부가 피험자에게 부착된 복수의 전극들을 K(K는 2 이상의 자연수) 개의 구역으로 분류하는 단계;(b) 상기 운동 심상 분류 장치에 포함되는 부분 뇌전도 신호 생성부가 각 구역별로 포함된 전극들로부터 출력되는 뇌전도 신호를 결합하여 K 개의 부분 뇌전도 신호들을 생성하는 단계;(c) 상기 운동 심상 분류 장치에 포함되는 특징 추출부가 상기 K 개의 부분 뇌전도 신호들 각각에 대하여 CSP(Common Spatial Pattern) 기법을 적용하여 특징을 추출하는 단계; 및(d) 상기 운동 심상 분류 장치에 포함되는 분류부가 추출된 특징을 이용하여 분류기를 학습하는 단계를 포함하고,상기 운동 심상 분류 장치에 포함되는 최적 구역 결정부가 상기 K 개의 특징 중 가장 낮은 고유값 점수에 대응하는 특징을 제외한 특징을 이용하여 상기 (d) 단계가 반복 수행되도록 상기 분류부를 제어하는,운동 심상 분류 방법.

제1항에 있어서, 상기 (c) 단계는,분류 대상 동작인 클래스 1과 클래스 2 각각에 대하여 상기 부분 뇌전도 신호의 공분산 행렬을 생성하는 단계;상기 클래스 1에 대한 공분산 행렬과 상기 클래스 2에 대한 공분산 행렬의 합()의 고유값 분해를 산출하는 단계;고유값 분해의 결과로 생성된 고유값 행렬에서 가장 큰 고유값과 가장 작은 고유값을 산출하는 단계;투영 행렬(W)에 포함되는 복수의 열(column)들 중 상기 가장 큰 고유값과 상기 가장 작은 고유값에 대응하는 2 개의 열을 공간 필터로 이용하여 상기 특징을 추출하는 단계를 포함하고,상기 투영 행렬(W)은 수학식 1을 이용하여 생성되고,상기 수학식 1은 이고,상기 Q는 수학식 2에 의해 정의되는 백색화 행렬이고,상기 수학식 2는 이고,상기 는 고유 벡터이고,상기 는 상기 고유값 행렬인,운동 심상 분류 방법.

삭제

제1항에 있어서,상기 최적 구역 결정부가 분류 정확도에 기초하여 운동 심상 분류에 사용될 최적 구역을 결정하는,운동 심상 분류 방법.

제1항에 있어서,상기 분류기는 SVM(Support Vector Machine)인,운동 심상 분류 방법.

제1항에 있어서,상기 복수의 전극들 각각은 적어도 하나의 구역에 포함되는,운동 심상 분류 방법.

피험자에게 부착된 복수의 전극들을 K(K는 2 이상의 자연수) 개의 구역으로 분류하는 구역 설정부;각 구역별로 포함된 전극들로부터 출력되는 뇌전도 신호를 결합하여 K 개의 부분 뇌전도 신호들을 생성하는 부분 뇌전도 신호 생성부;상기 K 개의 부분 뇌전도 신호들 각각에 대하여 CSP(Common Spatial Pattern) 기법을 적용하여 특징을 추출하는 특징 추출부;추출된 특징을 이용하여 분류기를 학습하는 분류부; 및상기 K 개의 특징 중 가장 낮은 고유값 점수에 대응하는 특징을 제외한 특징을 이용하여 상기 분류기를 학습하도록 상기 분류부를 제어하는 최적 구역 결정부를 포함하는 운동 심상 분류 장치.

제7항에 있어서, 상기 특징 추출부는,분류 대상 동작인 클래스 1과 클래스 2 각각에 대하여 상기 부분 뇌전도 신호의 공분산 행렬을 생성하고,상기 클래스 1에 대한 공분산 행렬과 상기 클래스 2에 대한 공분산 행렬의 합()의 고유값 분해를 산출하고,고유값 분해의 결과로 생성된 고유값 행렬에서 가장 큰 고유값과 가장 작은 고유값을 산출하고,투영 행렬(W)에 포함되는 복수의 열(column)들 중 상기 가장 큰 고유값과 상기 가장 작은 고유값에 대응하는 2 개의 열을 공간 필터로 이용하여 상기 특징을 추출하고,상기 투영 행렬(W)은 수학식 1을 이용하여 생성되고,상기 수학식 1은 이고,상기 Q는 수학식 2에 의해 정의되는 백색화 행렬이고,상기 수학식 2는 이고,상기 는 고유 벡터이고,상기 는 상기 고유값 행렬인,운동 심상 분류 장치.

삭제

제7항에 있어서,상기 최적 구역 결정부는 분류 정확도에 기초하여 운동 심상 분류에 사용될 최적 구역을 결정하는,운동 심상 분류 장치.