본 논문은 뇌파신호로부터 추출된 비선형특징과 주파수특징들로부터 집중을 판별하는데 중요한 역할을 하는 특징을 선택하는 것에 목적이 있다. 집중력은 뇌가 자극을 인지하며 일어나는 활동의 한 종류로 학습능력과 밀접한 관련을 가지며 사고 및 질병과도 상관관계를 가진다. 본 논문에서는 비선형분석 및 주파수분석을 통하여 총 13개의 특징을 추출하여주었다. 추출된 특징들은 서포트벡터머신(SVM) 기반의 유전알고리즘(GA)의 입력으로 사용되었으며 분류기를 통하여 집중상태를 분류 및 중요한 특징들을 선택하였다. GA-SVM을 이용하였을 때 분류기의 정확도(약 87%)는 SVM만 이용하였을 경우(약 84%) 혹은 한 종류의 특징들을 사용한 경우보다 높아짐을 확인하였고, 이 때 최종적으로 3개의 주요특징(NRP, ${delta}$, ${ heta}$ 파의 주파수밴드파워)을 선택되었다. 이에 따라 본 연구는 추후 집중판별을 위한 실시간 분석 시스템에 사용 가능할 것으로 사료된다.
The purpose of this paper is to select important features to detect attention stage using non-linear and frequency band features from EEG(Electroencephalographic). Attention is one of brain cognitive activities and has correlation with learning ability, accidents and diseases. In this paper, 13 features were extracted by non-linear and frequency band analysis. The features are used as inputs for GA(Genetic algorithm) based SVM(Support vector machine) to classify attention stage and select critical features. The classification accuracy (87%) of GA-SVM is higher than that of SVM alone (83%) and use of both non-linear and frequency band feature sets improves the classification accuracy in comparison non-linear or frequency band feature sets alone. The optimized selection parameters are NRP(Number of recurrence plot), ${delta}$ and ${ heta}$. The reduced set of parameters can be used for a real-time attention classification system.
