In order for a brain-computer interface (BCI) to be successfully built and used in real life, it first needs an accurate classifier that can classify brain signals according to the user’s intention, and secondly, the classifier must be implemented as a mobile device with excellent mobility. In this thesis, motor imagery electroencephalogram (MI EEG) classifier showing high accuracy was constructed using the LSTM network, and the classifier was implemented in the edge device field-programmable gate array (FPGA). The newly presented optimization method named zero-weight aware concept is to be dealt with thoroughly.
뇌-컴퓨터 인터페이스가 성공적으로 구축되고 실생활에 이용되기 위해서는 첫째로 뇌신호를 사용자의 의도 에 맞게 분류할 수 있는 정확한 분류기가 필요하고, 둘째로 해당 분류기가 이동성이 뛰어난 모바일 기기로 구현되어야 한다. 본 학위 논문에서는 LSTM 네트워크를 이용하여 높은 정확도를 보이는 동작상상 뇌전도 분류기를 구축하고, 그 분류기를 엣지 디바이스인 FPGA에 구현하였다. 그 과정 중에 최적화 방법으로 영 가중치 인지 개념을 제안하고 탑재하여 높은 정확도를 가지면서도 엣지 디바이스에서 가속화된 연산을 보이는 영 가중치 인지 LSTM 기반의 동작상상 뇌전도 분류기를 구현하였다.
