Filter Bank CSP (Common Spatial Pattern)

Filter Bank CSP는 Common Spatial Pattern (CSP) 알고리즘을 다중 주파수 서브밴드에 확장한 기법으로, 

뇌파 신호의 다양한 주파수 대역에서 특징을 추출하는 방법입니다. 주로 Motor Imagery (MI) 분류 작업에서 사용됩니다.

Filter Bank CSP는 다음과 같은 단계로 구성됩니다:

1. 데이터 분할: 분석하려는 MI 신호를 일정한 시간 창으로 분할합니다. 이 시간 창은 MI 작업에 맞게 설정됩니다.

2. 주파수 분해: 각 시간 창에 대해 다양한 주파수 대역으로 분해합니다. 이를 위해 주파수 대역별로 필터 뱅크를 생성하고, 각각의 필터를 신호에 적용하여 해당 주파수 대역의 신호를 추출합니다. 일반적으로 주파수 대역은 밴드패스 필터로 구성됩니다.

3. CSP 적용: 각 주파수 대역에 대해 CSP 알고리즘을 적용하여 클래스 간의 차이를 최대화하는 공간 필터를 추출합니다. 이를 위해 주파수 대역별로 클래스별 공분산 행렬을 계산하고, 이를 고유값 분해하여 주요 패턴을 추출합니다.

4. 특징 연결: 추출된 주요 패턴을 각 주파수 대역에서 획득한 신호에 적용하여 특징을 추출합니다. 이를 주파수 대역별로 추출한 특징들을 연결하여 최종 특징 벡터를 생성합니다.

Filter Bank CSP의 핵심 아이디어는 다양한 주파수 대역에서의 뇌 활동 패턴을 고려하여 MI 분류 작업에 대한 분류 성능을 향상시키는 것입니다. 주파수 대역별로 특징을 추출하고 이를 연결함으로써 더 다양한 정보를 활용할 수 있으며, 주파수별로 다른 뇌 활동 특성을 반영할 수 있습니다. 이를 통해 분류기는 더 강력한 판별력을 갖게 되어 MI 신호의 클래스를 더 정확하게 분류할 수 있습니다.

 

 

 

- 수치를 사용해 더 자세하게 설명- 

예를 들어, 10명의 참가자로 구성된 Motor Imagery (MI) 분류 작업을 수행한다고 가정해봅시다. 참가자들은 두 가지 클래스인 "왼손 운동(Move Left)"과 "오른손 운동(Move Right)"을 수행합니다. 각 참가자는 EEG(뇌파) 신호를 기록하여 MI 분류에 사용됩니다.

Filter Bank CSP를 적용하기 위해 다음과 같은 절차를 따를 수 있습니다:

1. 데이터 준비: 각 참가자의 EEG 신호를 수집하고, 미리 정의된 시간 창(예: 1초)으로 분할합니다
2. 주파수 대역 설정: 주파수 대역을 정의합니다. 예를 들어, 8 Hz에서 30 Hz 사이의 주파수 대역을 5개의 서브밴드로 분할하고자 한다면, 주파수 대역은 [8-12 Hz], [12-16 Hz], [16-20 Hz], [20-24 Hz], [24-30 Hz]로 설정됩니다.
3. 필터 뱅크 생성: 각 서브밴드에 대한 필터 뱅크를 생성합니다. 각 서브밴드의 주파수 범위를 고려하여 밴드패스 필터를 생성하고, 각 필터는 해당 주파수 대역의 신호를 추출합니다. 예를 들어, [8-12 Hz] 서브밴드에는 8 Hz에서 12 Hz로 통과하는 밴드패스 필터를 적용합니다.
4. CSP 적용: 각 주파수 대역에 대해 CSP 알고리즘을 적용하여 공간 필터를 추출합니다. 각 서브밴드별로 클래스 간의 공분산 행렬을 계산하고, 이를 고유값 분해하여 주요 패턴을 추출합니다.
5. 특징 추출: 추출된 주요 패턴을 각 서브밴드에서의 신호에 적용하여 특징을 추출합니다. 각 주파수 대역에서 추출된 특징을 연결하여 최종 특징 벡터를 생성합니다. 예를 들어, [8-12 Hz] 서브밴드의 주요 패턴을 신호에 적용하여 해당 서브밴드에서의 특징을 추출합니다.
6. 분류: 생성된 특징 벡터를 사용하여 MI 분류를 수행합니다. 예를 들어, 지도 학습 알고리즘인 서포트 벡터 머신(Support Vector Machine, SVM)을 사용하여 "왼손 운동"과 "오른손 운동" 클래스로 분류합니다.

 

이렇게 Filter Bank CSP를 적용하여 각 서브밴드에서의 주요 패턴을 추출하고, 분류 작업에 활용함으로써 MI 분류 성능을 향상시킬 수 있습니다.