선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 여기서 생체신호란 뇌파와 심전도, 근전도를 총칭하는 말로 이 생체신호의 분류 및 인식에 대한 연구는 곧 사용자에 대한 서비스 공급의 질적 향상을 의미한다. 본 논문에서는 여러 피험자의 감정에 따른 생체신호를 측정하고 각 감정별 피험자들의 공통된 특징점을 추출 한다. 추출된 신호를 감정인식 모델을 사용하여 학습한 후 새 사용자의 생체 신호를 입력받아 사용자의 현재 감정 상태를 인식 할 수 있는 감정인식 모델을 제안한다.
제안 방법
- 본 논문에서는 여러 피험자의 감정에 따른 생체신호를 측정하고 각 감정별 피험자들의 공통된 특징점을 추출 한다. 추출된 신호를 감정인식 모델을 사용하여 학습한 후 새 사용자의 생체 신호를 입력받아 사용자의 현재 감정 상태를 인식 할 수 있는 감정인식 모델을 제안한다.
- 생체신호와 같이 사람을 대상으로 하는 실험인 경우, 개인별 편차가 크기 때문에 통계처리 및 일반화를 하기 위해서는 최 소 25명 이상의 피험자를 대상으로 실험을 한다. [8]본 논문에서는 질병이 없는 성인 남성 15명과 성인 여성 10명에 대하여 실험을 실시하였고 감정 유발은 컴퓨터 모니터를 사용하여 여러 감정을 유발시키는 사진(IAPS)을 자극으로 제시함으로서 실행되었다. 이 실험으로 얻고자 하는 결과는 각 감정별 뇌파의 주파수 변화량과 안정지표, 집중도이다.
- 실행되었다.고도의 인지, 감정, 정신적 기능 등을 담당하는 전두엽(Fpl, Fp2, F3, F4)과 청각영역의 측두엽 (T3, T4), 시각 영역의 후두엽(P3, P4)에 센서를 부착하였고, 기준전극은 A1, 접지 전극은 뒷목에 부착한 후 실험을 진행 하였다. 그림 1은 10/20-국제전극배치도를 보여준다.
- 실험을 위하여 연구실 내의한 부분을 선정하였고 피험자의 편안한 상태를 유지하기 위하여 실내 온도(24C), 습도 (44〜50%), 조도(150〜200 Lx)를 유지하였다. 정확한 EEG 신호의 특징을 얻기 위해서는 전극의 위치 선택이 매우 중요함을 알 수 있다.
- 플로리다 대학 심리학과 Peter Lang 교수가 개발하여 국제적으로 통용되고 있는 표준화된 감정자극체계로 일상생활의 사진 480여장으로 구성된 국제정서 사진 체계 (International Affective Picture System, IAPS)의 사진 중 감정의 이 차원적으로 분류된 8가지 감정(평온, 상쾌 기쁨, 통쾌 긴장, 불안, 실망, 허탈)을 자극하는 사진 6장을 선택하여 피험자들에게 보여주고 자극에 따른 기본감정 6가지(기쁨, 슬프분노, 웃음, 좌절, 놀람에 대한 생체신호를 측정 하였다. 그림 2는 실험 장소에서 피험자에게 자극을 제시하고 생체신호를 측정하는 모습을 보여준다.
- 본 논문에서 사용한 실험 방법은 사용자가 작성하는 주관적 평가지와 측정장비를 사용한 생체 측정을 통하여 사용자의 현재 감정 상태의 측정 및 평가를 하였다. 주관적 평가지는 사진을 자극을 받은 피험자가 현재 자신의 감정을 평가지에 있는 6가지 항목 중 한 가지를 선택하고 감정 상태의 정도를 상, 중, 하로 표기하는 방법을 사용하였다.
- 감정 상태의 측정 및 평가를 하였다. 주관적 평가지는 사진을 자극을 받은 피험자가 현재 자신의 감정을 평가지에 있는 6가지 항목 중 한 가지를 선택하고 감정 상태의 정도를 상, 중, 하로 표기하는 방법을 사용하였다. 표 1은 실험 절차를 보여준다.
- 뇌파는 진동하는 주파수의 범위에 따라 델타(6)파(0.2~ 3.99 Hz), 써)타(。)파(4〜7.99 Hz), 알파(a) 파(8〜 12.99 Hz), 베타(。)파(13〜29.99 Hz), 감마(g)파(30〜50 Hz)로 구분하여 측정하고 심전도를 측정 한다. 각 뇌파의 특징으로 델타파는 깊은 수면 시나 신생아의 경우에 두드러지게 나타난다.
- 표 2의 전처리 과정을 거치면 표 3과 같은 각 감정별 지표에 대한 할당값을 얻을 수 있다. 순위 선택법으로 전처리를 한 후 그 결과를 학습 알고리즘을 이용해 감정을 인식한다.
- 01 로 랜덤하게 설정하였다. 활성화함수는 단극성 시그모이드 함수를 사용하였고, 은닉 노드의 개수 및 피험자 수의 변화에 따른 인식률의 차이를 실험하였다. 다음은 BP 학습 알고리즘의 계산 순서이다.
- 입력 가중합(weightd sum)으로부터 은닉노드와 출력 노드의 시그 모이드 함수를 거친 최종 출력과 미리 설정된 목표치를 비교하여 출력층의 오차 신호를 구한다. 그 수식은 다음과 같다.
- 출력층의 오차 신호로 은닉층에 전파되는 오차 신호를 구한 후 은닉층과 출력층 간의 연결 강도 및 입력층과 은닉 층간의 연결 강도의 변화량을 구하고 연결 강도의 변화량이 구해지면 다음 학습단계에서 사용될 연결 강도를 구한다. 수식으로 표현하면 다음과 같다.
- 또한 획득된 데이터를 안정지표 및 집중도 지표로 정량화 하고 이들 중 특징점을 추출하여 순위 선택법으로 전처리를 한 후 감정별 DB를 구축하였다. 실험으로 얻어진 DB는 MLP모델에 BP학습알고리즘으로 설계한 인식 모델을 사용하여 학습을 진행한 후 은닉 노드의 개수 및 피험자의 수에 따른 인식률을 측정하였다.
- 또한 획득된 데이터를 안정지표 및 집중도 지표로 정량화 하고 이들 중 특징점을 추출하여 순위 선택법으로 전처리를 한 후 감정별 DB를 구축하였다. 실험으로 얻어진 DB는 MLP모델에 BP학습알고리즘으로 설계한 인식 모델을 사용하여 학습을 진행한 후 은닉 노드의 개수 및 피험자의 수에 따른 인식률을 측정하였다. 실험 결과 은닉 노드의 개수가 많아도 인식률이 증가하지는 않음을 알 수 있었다.
대상 데이터
- 생체신호와 같이 사람을 대상으로 하는 실험인 경우, 개인별 편차가 크기 때문에 통계처리 및 일반화를 하기 위해서는 최 소 25명 이상의 피험자를 대상으로 실험을 한다. [8]본 논문에서는 질병이 없는 성인 남성 15명과 성인 여성 10명에 대하여 실험을 실시하였고 감정 유발은 컴퓨터 모니터를 사용하여 여러 감정을 유발시키는 사진(IAPS)을 자극으로 제시함으로서 실행되었다.
- 또한 낯선 환경과실험 방법에 대한 피험자의 불안한 상태 또한 실험에 많은 영향을 준다. 때문에 실험 방식에 대한 거부감을 줄이기 위하여 피험자는 실험 방식에 대해 일정 기간 충분한 연습을 하고 실험 대상은 정신질환이나 몸에 질병을 지니지 않은 건강한 성인남녀 25명에 대하여 실험을 실시하였다.
- 또한 사진 자극에 대한 외형적 감정표출(웃음과 같은)을 하지 못하도록 하였다. 본 논문에서는 이와 같은 사항들을 고려한 후 성인 남녀 25명에 대한 데이터를 측정 및 분석 하였고 그 결과 그림 2.4절과 같은 감정별 유의미한 생체신호를 획득할 수 있.었다.
- 2장에서 획득한 정량화된 데이터를 3장의 학습 모델로 학습 및 인식 실험을 진행하였다. 실험 결과 은닉 노드의 개수에 따라 약간의 인식률의 차이는 나지만 실제 감정인식에서의 인식률에는 큰 영향을 주지 않는 것을 확인할 수 있었다.
- 본 논문에서는 인간이 느낄 수 있는 감정 중 크게 분류할 수 있는 6개 감정별 뇌파를 여러 피험자들을 대상으로 획득하였다. 또한 획득된 데이터를 안정지표 및 집중도 지표로 정량화 하고 이들 중 특징점을 추출하여 순위 선택법으로 전처리를 한 후 감정별 DB를 구축하였다.
이론/모형
- 실험은 피험자의 머리 표면에 모노폴라 방식으로 측정하였으며, 10/20-국제전극배치법에 의해 차례로 측정전극을 부착하여 실행되었다.고도의 인지, 감정, 정신적 기능 등을 담당하는 전두엽(Fpl, Fp2, F3, F4)과 청각영역의 측두엽 (T3, T4), 시각 영역의 후두엽(P3, P4)에 센서를 부착하였고, 기준전극은 A1, 접지 전극은 뒷목에 부착한 후 실험을 진행 하였다.
- 본 논문에서는 생체신호에 따른 사용자의 감정을 인식하기 위해 패턴인식에서 자주 사용하는 신경망을 이용한 패턴인식 기법을 사용하였다. 신경망 모델은 MLP(Multi Layer Perceptron)모델을 사용하였고, 학습 알고리즘은 순방향 다층신경망의 학습에 효과적으로 사용할 수 있는 BP (Back Propagation)알고리즘을 사용하였다.
- 기법을 사용하였다. 신경망 모델은 MLP(Multi Layer Perceptron)모델을 사용하였고, 학습 알고리즘은 순방향 다층신경망의 학습에 효과적으로 사용할 수 있는 BP (Back Propagation)알고리즘을 사용하였다. 그림 6은 본 논문에서 사용한 학습 모델인 순방향 다층 신경망 MLP모델을 보여준다.
성능/효과
- 뇌파 측정시 잡파가 혼입되면 원하는 신호를 측정하는데 문제가 되므로 실험 중에는 최대한 이런 잡파의 혼입을 방지해야 한다. 본 실험에서는 IAPS의 사진으로 감정을 유발하기 때문에 눈 움직임에 의한 안전도 혼입과 안면 근수축에 의한 근전도 혼입이 가장 큰 문제가 되었다. 눈 움직임에 의한 안전도 혼입은 피험자가 눈을 굴리거나 눈을 깜박이면 해당 시점에 큰 진폭의 피크가 나타나는데 이는 피험자의 눈 움직임에 의해 눈 주변에 발생한 안전도(EOG)가 눈가까운 부위, 즉 전두엽에 부착된 전극에 혼입되어 들어온 경우이고, 안면 근수축에 의한 근전도 혼입은 피험자가 웃거나 찡그리는 등의 안면근육수축을 유발하는 행위를 하면 이때 발생한 근전도(EMG) 신호가 뇌파전극에 혼입되는 것을 말한다.
- 개인별 편차는 있겠지만 성별로 분류하여 정량화한 결과 여성의 안정 지표가 큰 폭으로 변화하는 것을 확인할 수 있었다.
- 실험에서 획득한 각 감정별 주파수 변화량과 집중도 및 안정 지표를 순위선택법을 이용하여 전처리를 하면 남성 60% 여성 85%의 상대적으로 높은 수치의 특징점을 찾을 수 있었다. 표 2는 순위 선택법을 사용하여 각 감정별 편차가 큰 지표를 순위를 정하고 정해진 순수에 따라 입력 패턴으로 사용할 값을 할당하는 모습을 보여준다.
- BP 학습 알고리즘은 기술한식들에 의해 학습이 이루어지며 설정된 오차율에 도달할 때까지 학습을 진행한다. 실험 결과 약 80만번의 반복을 거친 후 설정 오차율에 도달할 수 있었다(Intel Pentium 4, CPU 2.0GHz).
- 및 인식 실험을 진행하였다. 실험 결과 은닉 노드의 개수에 따라 약간의 인식률의 차이는 나지만 실제 감정인식에서의 인식률에는 큰 영향을 주지 않는 것을 확인할 수 있었다. 그림 8은 은닉노드수의 변화에 따른 인식률의 차이를 보여준다(피험자 25명).
- 실험으로 얻어진 DB는 MLP모델에 BP학습알고리즘으로 설계한 인식 모델을 사용하여 학습을 진행한 후 은닉 노드의 개수 및 피험자의 수에 따른 인식률을 측정하였다. 실험 결과 은닉 노드의 개수가 많아도 인식률이 증가하지는 않음을 알 수 있었다. 하지만 피험자의 수가 일정 수 이상이 되기 전까지는 피험자의 수가 많을수록 인식률이 증가함을 확인할 수 있었다.
- 본 논문에서는 처음 30명의 성인에 대해 실험 하였지만 평균보다 너무 편차가 크게 벌어지는 피험자 5 명은 제외하고 25명에 대해서만 DB를 구축하였음을 밝힌다. 그 결과 만족할 만한 인식률을 얻을 수 있었다. 본 논문에서 얻어진 결과는 뇌파를 이용하여 사용자에게 다양한 서비스의 제공이 가능하다는 것을 말해주고 있다.
- 그 결과 만족할 만한 인식률을 얻을 수 있었다. 본 논문에서 얻어진 결과는 뇌파를 이용하여 사용자에게 다양한 서비스의 제공이 가능하다는 것을 말해주고 있다. 향후 과제로는 인식률의 향상에 대한 연구가 주류를 이룰 것이라 전망 된다.
후속연구
- 인간의 뇌파가 가지는 모호성과 복잡성에 대한 정량적인 데이터가 획득된다면 다양한 서비스의 공급이 가능할 것이다. 뇌파를 이용하여 질병의 진단 및 정신질환의 조기 발견이 가능하고 현재 감정에 따른 다양한 서비스의 공급이 가능할 것이다 [1-3].
- 본 논문에서 얻어진 결과는 뇌파를 이용하여 사용자에게 다양한 서비스의 제공이 가능하다는 것을 말해주고 있다. 향후 과제로는 인식률의 향상에 대한 연구가 주류를 이룰 것이라 전망 된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.