🧠 BCI Motor Imagery Pipeline & Real-Time Web Visualizer

PhysioNet 64채널 EEG 뇌파 기반 좌·우 손 상상 모터 이미저리(Motor Imagery) 분류 모델과 웹 브라우저 실시간 생체신호 시각화 대시보드
신호 전처리(Filtering), CSP 공간 패턴 추출, 머신러닝 분류기, 그리고 60FPS 브라우저 Canvas 렌더링 파이프라인을 엔드투엔드로 구축했습니다.

---

📌 Key Highlights

• 생체 신호 데이터 파이프라인: PhysioNet 64채널 EEG Motor Movement/Imagery 데이터를 활용한 좌/우 손 운동 상상 2-Class 분류 시스템 구축.
• 주파수 대역 및 공간 필터링:
  • 8–30Hz 대역 통과 필터(Band-pass) 및 60Hz 노치 필터(Notch Filter)로 전원 노이즈 제거
  • 운동 피질 영역의 $\mu$(Mu) 및 $\beta$(Beta) 리듬 PSD(Power Spectral Density) 분석
  • CSP(Common Spatial Pattern) 알고리즘으로 공간적 특성 벡터 추출
• 분류 모델 검증: LDA(선형판별분석) 및 SVM(서포트벡터머신) 모델을 교차 검증하여 최적의 분류 성능 달성.
• 실시간 웹 캔버스 시각화 (eeg-visualizer): 브라우저 Canvas API를 활용하여 뇌파 시계열 파형을 지연 없이 실시간 렌더링하고 모터 이미저리 예측 결과를 인터랙티브하게 표시.

---

🏗️ Signal Processing & Classification Flow

flowchart LR
    Raw[PhysioNet 64-ch Raw EEG] --> Filter[Band-pass Filter 8-30Hz<br>Notch Filter 60Hz]
    Filter --> Epoch[Epoching & Artifact Rejection]
    Epoch --> CSP[Common Spatial Pattern<br>공간 특성 추출]
    CSP --> ML[LDA / SVM 분류기]
    ML --> Pred([좌/우 손 상상 분류])
    Filter -. 실시간 스트리밍 .-> Canvas[HTML5 Canvas 실시간 파형 렌더링]

Loading

---

🛠 Tech Stack

구분	기술 스택
신호 처리 & 분석	Python, MNE-Python, NumPy, SciPy
머신러닝	Scikit-learn (LDA, Support Vector Machine)
웹 시각화	JavaScript (ES6+), HTML5 Canvas API, CSS3

---

🚀 Getting Started

1. Repository Clone

git clone https://github.com/yj2da/eeg-visualizer.git
cd eeg-visualizer

2. 신호 처리 및 모델 학습 환경

pip install -r requirements.txt
python train_bci_model.py

3. 실시간 웹 시각화 대시보드 실행

# 로컬 웹 서버 실행 (Live Server or Python Simple HTTP)
python -m http.server 8000
# 브라우저에서 http://localhost:8000 접속

---

👩‍💻 Author

• 오예진 (Oh Yejin) - AI & Data Specialist
• Email: yejin.6642@gmail.com | GitHub: @yj2da