디지털 라이브러리[ 검색결과 ]
ConTL: CNN, Transformer 및 LSTM의 결합을 통한 EEG 기반 감정인식 성능 개선
http://doi.org/10.5626/JOK.2024.51.5.454
본 논문은 EEG 기반 감정인식을 위해 convolutional neural network (CNN), Transformer, long short-term memory (LSTM)을 결합한 hybrid-network인 ConTL을 제안한다. 먼저, 입력된 EEG 로부터 지역적인 특징을 학습하기 위해 CNN을 활용한다. 이후 Transformer가 출력된 특징으로부터 전체 적인 시간 종속성을 학습한다. 추가로 순차적 시간 의존성 학습을 위해서 Transformer로부터 출력된 특징 을 bi-directional LSTM에 넣는다. 제안 모델의 성능 검증을 위해 5가지 state-of-art 모델과 분류 정확 도를 비교했고 그중 SEED-IV에서는 CCNN 대비 0.73%, DEAP에서는 valence와 arousal에서 각각 DGCNN 보다 0.97%, 0.68% 더 높은 성능을 나타냈다.
EEG 기반 감정 분류에서 MSP를 사용한 OOD 검출 적용
http://doi.org/10.5626/JOK.2024.51.5.438
EEG 기반 감정분류는 딥러닝 모델의 다양한 연구로 분류 정확도가 크게 향상되었지만, 여전히 뇌파 신호 및 감정 메커니즘의 복잡성, 개인 내 및 개인 간의 가변성으로 인해 성능 향상에 한계를 지니고 있다. 본 연구에서는 이러한 한계를 극복하기 위해 특징 추출과 모델 구축이 아닌 개인 간 가변성에 집중한다. 제안하는 프레임워크는 딥러닝의 최대 Softmax 값인 MSP(Maximum Softmax Probability)를 모델의 확신 정도(confidence score)로 활용하여 이상(abnormal) 감정 데이터-라벨(label)쌍들을 검출하고 제거하는 과정을 수행한다. 세 가지 공개 데이터셋에서의 실험 결과는 감정 분류 정확도를 최대 4% 향상 시킬 수 있음을 보이며 제안한 방법의 우수성을 입증한다.
간질 환자 분류를 위한 DNN 기반 간질 뇌파 검출 시스템
http://doi.org/10.5626/JOK.2019.46.12.1291
간질은 발작으로 온몸이 꼬이고 입에 거품을 물며 의식을 잃는 뇌 질환으로 전 세계적으로 4~5천만에 이르는 인구가 앓고 있는 흔한 질병이다. 간질은 예측이 불가능하기 때문에 간질 환자는 항상 신체 손상의 위험에 노출되어 있다. 따라서 간질 환자를 발작 전에 분류해내어 사고를 예방하는 것이 중요하다. 본 연구에서는 간질 환자를 진단하기 위한 DNN 기반 간질 뇌파 검출 시스템을 제안한다. 정상인과 간질 환자의 뇌파 데이터를 사용하여 연구를 진행하였다. 데이터의 불균형 문제를 해결하기 위해 ADASYN 기법을 사용하였고, IPCA 기법을 사용하여 간질 뇌파 검출 시에 필요한 중요한 특징들을 추출하였다. 추출된 특징들을 DNN기반의 4가지 최적화 알고리즘에 적용하여 모델을 구축하고 성능평가를 진행하였다. 실험 결과 Nadam 알고리즘을 사용한 최적화 모델이 97.6%의 정확도와 0.997의 AUC 값으로 가장 높은 성능을 나타냈다. 이 최적화 모델을 사용하여 의사는 뇌파검사 시에 높은 정확도로 간질 환자를 분류할 수 있을 것이다.
