Most of the previous work on non-invasive brain-computer interfaces (BCIs) has been focused on feature extraction and classification algorithms to achieve high performance for the communication between the brain and the computer. While significant progress has been made in the lower layer of the BCI system, the issues in the higher layer have not been sufficiently addressed. Existing P300-based BCI systems, for example the P300 speller, use a random order of stimulus sequence for eliciting P300 signal for identifying users’ intentions. This paper is about computing an optimal sequence of stimulus in order to minimize the number of stimuli, hence improving the performance. To accomplish this, we model the problem as a partially observable Markov decision process (POMDP), which is a model for planning in partially observable stochastic environments. Through simulation and human subject experiments, we show that our approach achieves a significant performance improvement in terms of the success rate and the bit rate.
뇌-컴퓨터 인터페이스는 뇌의 전기적인 활동을 해석하여 사용자의 의도를 파악하고, 이를 이용하여 외부의 장치로 메시지 및 명령어를 전달하기 위한 연결 통로를 제공한다. 이러한 뇌-컴퓨터 인터페이스를 구성하기 위하여 다양한 방법들이 제안되었으며, 그 중 두개골 외부에서 측정되는 electroencephalogram (EEG) 신호를 사용하여 뇌-컴퓨터 인터페이스를 구성하는 비침습형 방법이 비교적 안전하고, 비용이 저렴하다. 이러한 비침습형 방법들 중, P300이라고 불리는 특정한 EEG의 특징은 신뢰할만한 뇌-컴퓨터 인터페이스를 구성하기에 적합한 것으로 알려져 있다. P300은 여러 가지의 반복되는 신체 자극들 중, 사용자가 주의를 집중하고 있는 자극이 주어질 경우, 자극이 주어진 이후 약 $300ms$ 이후 뇌파에서 발생하는 양(+) 방향으로의 피크를 의미한다. P300을 발생시키기 위한 자극으로는 시각적 깜빡임을 사용할 수 있고, 이를 이용한 P300 기반 뇌-컴퓨터 인터페이스의 구성 예로 가장 잘 알려진 것이 P300-Speller이다. P300-Speller는 EEG 신호의 P300을 검출하여 키보드를 입력하기 위한 뇌-컴퓨터 인터페이스이다.
이러한 P300 기반 뇌-컴퓨터 인터페이스를 구성함에 있어, 실제로는 EEG 신호에 잡음이 많이 포함되어 P300을 직접적으로 측정하기에는 어려움이 따르기 때문에 P300을 추출하기 위한 전처리기(preprocessor)가 필요하다. 또한 전처리된 EEG 신호에 P300이 존재하는지 여부를 판단하기 위하여 P300 분류기(classifier)가 필요하다. 기존의 연구에서는 P300 기반 뇌-컴퓨터 인터페이스의 성능을 높이기 위하여 전처리기 및 분류기의 성능을 높이는데 주력해 왔다.
하지만 현재까지 연구된 P300 기반 뇌-컴퓨터 인터페이스의 성능으로 실제 장치를 제어하기에는 무리가 따른다. 우선 피 실험자의 의도를 파악하기까지 걸리는 시간이 오래 걸릴 뿐만 아니라 정확도를 높이기 위해서는 더 오랜 시간동안 자극을 주어야 하기 때문이다. 이러한 P300 기반 뇌-컴퓨터 인터페이스 성능의 저하 요인으로는 임의적인(random) 자극 순서를 꼽을 수 있다.
본 연구에서는 사용자에게 주어지는 자극의 순서를 최적화하여 더욱 빠른 시간안에 높은 정확도로 사용자의 의도를 파악하는 것을 목표로 한다. 이러한 최적 자극 순서를 결정하기 위해 P300 기반 뇌-컴퓨터 인터페이스 환경을 부분 관찰 마르코프 의사 결정 모델로 모델링하고, 해당 모델에서의 최적 행동 정책을 계산한다. 이 때 부분 관찰 마르코프 의사 결정 모델로부터 계산한 최적 행동 정책은 P300 기반 뇌-컴퓨터 인터페이스 환경에서의 최적 자극 순서에 대응된다. 상기된 형태의 최적 자극 순서를 P300-기반 뇌-컴퓨터 인터페이스에 적용할 경우 기존의 임의적 자극 순서에 비하여 사용자의 의도를 더욱 빠르고 정확하게 파악할 수 있음을 시뮬레이션과 실제 사람을 대상으로 하는 실험을 통하여 보인다.
