[논문]확률변수를 이용한 음악에 따른 감정분석에의 최적 EEG 채널 선택

변성우; 이소민; 이석필

doi:10.5370/kiee.2013.62.11.1598

확률변수를 이용한 음악에 따른 감정분석에의 최적 EEG 채널 선택
A Selection of Optimal EEG Channel for Emotion Analysis According to Music Listening using Stochastic Variables 원문보기

전기학회논문지 = The Transactions of the Korean Institute of Electrical Engineers, v.62 no.11, 2013년, pp.1598 - 1603

변성우 (Dept. of Digital Media Technology, Sangmyung University) , 이소민 (Dept. of Digital Media Technology, Sangmyung University) , 이석필 (Dept. of Digital Media Technology, Sangmyung University)

Abstract ▼ AI-Helper

Recently, researches on analyzing relationship between the state of emotion and musical stimuli are increasing. In many previous works, data sets from all extracted channels are used for pattern classification. But these methods have problems in computational complexity and inaccuracy. This paper proposes a selection of optimal EEG channel to reflect the state of emotion efficiently according to music listening by analyzing stochastic feature vectors. This makes EEG pattern classification relatively simple by reducing the number of dataset to process.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

하지만, 이러한 방법들은 계산 복잡도 문제와 정확도가 떨어지는 문제가 발생한다[12]. 본 논문에서는 이러한 문제를 해결하기 위해 일반적으로 뇌파의 특징을 잘 반영하고, 높은 효율을 보인다고 알려져 있는 선형예측계수(LPC)를[13][14] 특징벡터로 추출하고 특징벡터들의 분산 값을 구하여 그 분산 값의 평균값이 제일 작은 채널을 최적의 채널로 선택한다. 그 이유는 일반적으로 한 클래스의 특징벡터의 분산 값이 작을 때 패턴 분류가 잘 되기 때문이다[15].
그 이유는 일반적으로 한 클래스의 특징벡터의 분산 값이 작을 때 패턴 분류가 잘 되기 때문이다[15]. 이에 따라 본 논문에서는 음악에 따른 감정분석에 최적의 EEG 채널을 제시한다.

제안 방법

본 연구에서는 음악 자극에 대해 사람의 감정을 추론하는 패턴인식에서 가장 높은 효율을 나타내는 채널을 선택하기 위해, 알파파와 베타파 주파수 대역의 신호를 이용하였으며, 이 신호를 이용하여 선형예측계수를 총 32개의 채널에서 조건별 특징벡터를 추출하였다. 추출한 특징벡터들을 이용하여 한 조건 안에 특징벡터들의 분산 값을 구한 후, 그 값에 평균을 내고, 평균값이 가장 작은 채널을 최적의 채널로 선택하였다.
9세의 사람들이 이 실험에 참가한다. 실험방법은 참가자들이 뮤직비디오 영상 중에서 하이라이트 부분을 1분 동안 감상하여, 자신들이 느끼는 감정을 스스로 평가를 하여 레벨을 기록하게 되는데, 총 40번의 시도를 거쳐 실험이 진행된다. 이러한 시도를 거쳐 만들어진 40개의 실험 데이터는 다음과 같은 단계를 따른다.

대상 데이터

32개 채널에서 각각의 조건에 대하여 32명의 EEG 데이터의 특징벡터를 추출한다. 그리고 추출한 이 특징벡터 들의 분산 값을 구한 후, 이 값들의 평균값을 구해 평균값이 가장 작은 값을 갖는 채널을 최적의 채널로 선택한다.
본 연구를 위한 실험 데이터는 런던의 Queen Mary University, 네덜란드의 Twente University, 스위스의 EPFL 연구소에서 만들어서 DB화 시킨 DEAP 데이터를 이용하였다[18].
이 실험에 참가한 사람들은 32명으로 50%가 여성이고, 나이는 19세에서 37세 사이로 평균나이가 26.9세의 사람들이 이 실험에 참가한다. 실험방법은 참가자들이 뮤직비디오 영상 중에서 하이라이트 부분을 1분 동안 감상하여, 자신들이 느끼는 감정을 스스로 평가를 하여 레벨을 기록하게 되는데, 총 40번의 시도를 거쳐 실험이 진행된다.
표 3은 알파파와 베타파에서 제일 값이 작은 10개의 채널들 중, 중복적으로 나타난 3개의 채널을 선정하였다. 여기에 알파파와 베타파에서 추출한 특징들에서 높은 순위부터 0.

데이터처리

본 연구에서는 음악 자극에 대해 사람의 감정을 추론하는 패턴인식에서 가장 높은 효율을 나타내는 채널을 선택하기 위해, 알파파와 베타파 주파수 대역의 신호를 이용하였으며, 이 신호를 이용하여 선형예측계수를 총 32개의 채널에서 조건별 특징벡터를 추출하였다. 추출한 특징벡터들을 이용하여 한 조건 안에 특징벡터들의 분산 값을 구한 후, 그 값에 평균을 내고, 평균값이 가장 작은 채널을 최적의 채널로 선택하였다. 그 결과, 알파파와 베타파에서 공통적으로 5번 채널이 음악에 따른 감정 분석에 용이한 채널로 나타났으며, 7번과 2번 채널이 그 뒤를 따랐다.

이론/모형

실험에 사용된 데이터는 전처리 과정을 거치게 되는데, EEG 신호에서 가장 안정구간인 10초에서 20초 사이, 10초간의 데이터를 추출하고 추출한 데이터에 주파수 대역필터 (band pass filter)를 사용하여 신호에서 알파파와 베타파만을 추출한다. 이러한 전처리과정을 거친 데이터들을 이용하여 특징벡터를 추출하게 되는데, 본 논문에서는 특징벡터로 선형예측계수(LPC : Linear Prediction Coding)를 추출하였다. 많은 연구들에서 선형예측계수는 EEG의 특징을 가장 반영한다고 알려져 있다[14].

성능/효과

결과적으로 가중치가 계산된 알파파와 베타파에서 추출한 우수한 10개 채널 중 중복적으로 나타난 채널을 5, 7, 2번 채널 이였으며, 순위에 대하여 가중치를 곱한 값으로 알파파와 베타파 값의 평균값을 구했을 때, 5번 채널의 값이 가장 작게 나왔고, 7번, 2번 채널 순으로 값이 작게 나왔다.
추출한 특징벡터들을 이용하여 한 조건 안에 특징벡터들의 분산 값을 구한 후, 그 값에 평균을 내고, 평균값이 가장 작은 채널을 최적의 채널로 선택하였다. 그 결과, 알파파와 베타파에서 공통적으로 5번 채널이 음악에 따른 감정 분석에 용이한 채널로 나타났으며, 7번과 2번 채널이 그 뒤를 따랐다.
음악에 따른 감정 분석에 있어 기능적인 분류와 수용가능한 모든 채널에서 취득한 EEG 데이터를 가지고 처리를 하는 것은 계산 복잡도 문제와 정확도가 떨어지기 때문에 이보다는 뇌파의 특징을 잘 반영하고, 높은 효율을 보이는 선택된 채널의 데이터를 가지고 처리를 하는 것이 계산 복잡도를 줄이고, 정확도를 높이는 효과를 가져올 수 있다.
베타파에서는 7번, 5번, 10번 채널에서 추출한 특징벡터의 분산값이 가장 작게 나타났다. 이는 역시 음악에 따른 감정변화를 잘 반영할 수 있는 EEG의 베타파의 채널로 이들 채널이 적합다다는 것을 보여준다. 표 1과 2에서 본 바와 같이 채널 5번이 두 파에서 패턴분류를 하기 위한 가장 적절한 채널이라고 볼 수 있다.
알파파에서는 19번, 5번, 29번 채널에서 추출한 특징벡터의 분산값이 가장 작게 나타났다. 이는 음악에 따른 감정변화를 잘 반영할 수 있는 EEG의 알파파의 채널로 이들 채널이 적합다다는 것을 보여준다.

후속연구

향후, 본 논문에서 제안한 최적의 채널에서 다양한 패턴 인식 알고리즘을 이용한 음악에 따른 감정분류 시스템에 대한 연구가 진행이 필요하다고 판단된다.

참고문헌 (18)

Chiu, H.W, Lin, L.S, Kuo, M.C, Chiang, H.S, Hsu, C.Y "Using heart rate variability analysis to assess the effect of music therapy on anxiety reduction of patients", IEEE Conference on Computers in Cardiology, pp.469-472, Sept 2003.
Yuan-Pin Lin, Chi-Hong Wang, Tzyy-Ping Jung, Tien-Lin Wu, Shyh-Kang Jeng, Jeng-Ren Duann, Jyh-Horng Chen "EEG-Based Emotion Recognition in Music Listening.", IEEE Transactions on Biomedical Engineering, Volume:57, Issue:7, pp.1798-1806, May 2010.

상세보기
Dongki Kang, Honghwan Kim, Dongjun Kim, Byungchae Lee, Hanwoo Ko "Research on classification of emotion using multi-channel EEG", KIEE Conference, pp.2815-2817, 2001.
Hyekyung Lee, Seungjin Choi "PCA+HMM+SVM for EEG pattern classification", IEEE Seventh International Symposium on Signal Processing and Its Applications, vol.1, pp.541-544, July 2003.
del R Millan, J, Mourino, J, Franze, M, Cincotti, F, Varsta, M, Heikkonen, J, Babiloni, F. "A local neural classifier for the recognition of EEG patterns associated to mental tasks", IEEE Transactions on Neural Networks, vol. 13, no. 3, pp.678-686, May 2002.

상세보기
Ruey S.Huang, Kuo, C.J, Ling-Ling Tsai, Chen, O.T.-C. "EEG pattern recognition-arousal states detection and classification.", IEEE International Conference on Neural Networks, 1996, Volume:2, pp.641-646, Jun 1996.
Kai Xu, Yan Wu, "Motor imagery EEG Recognition based on Biomimetic Pattern Recognition", IEEE 2010 3rd International Conference on Biomedical Engineering and Informatics (BMEI), Volume:3, pp.955-959, 2010.
Vijayalakshmi, K, Sridhar, S, Khanwani, P. "Estimation of effects of alpha music on EEG components by time and frequency domain analysis", IEEE 2010 International Conference on Computer and Communication Engineering (ICCCE), pp. 1-5, May 2010.
Varotto G, Fazio, P, Sebastiano, D.R, Avanzini, G, Franceschetti, S, Panzica, F. "Music and emotion: An EEG connectivity study in patients with disorders of consciousness", IEEE 2012 Annual International Conference on Engineering in Medicine and Biology Society (EMBC), pp. 5206-5209, August 2012.
Tseng, Kevin C, Lin, Bor-Shyh, Han, Chang-Mu, Wang, Psi-Sh,i "Emotion recognition of EEG underlying favourite music by support vector machine", IEEE 2013 International Conference on Orange Technologies (ICOT), pp.155-158 ,March 2013.
J.Kim, Andre, E, "Emotion recognition based on physiological changes in music listening", IEEE Transactions on Pattern Analysis and Machine Intelligence, vol 30, no.12, pp 2067-2083, 2008.

상세보기
Kyibo Shim, Seungmin Park, Kwangeun Ko, Joonyup Kim "A method for optimal EEG channel selection based on BPSO with channel impact factor", Journal of KIIS, vol. 22, no. 6, pp.774-779, 2012.
Padmasai, Y, SubbaRao, K, Malini, V, Rao, C.R. "Linear Prediction Modelling for the Analysis of the Epileptic EEG", IEEE 2010 International Conference on Advances in Computer Engineering (ACE), pp.6-9, June 2010.
Min Han, Leilei Sun "EEG signal classification for epilepsy diagnosis based on AR model and RVM", IEEE 2010 International Conference on Intelligent Control and Information Processing (ICICIP), pp.134-139, Aug 2010.
Athanasios Papoulis, "Probability, Random Variables, and Stochastic Processes. third Edition" McGRAW-HILL, Inc, pp.106-109, Jan 1991.
Lias, S, Murat, Z.H, Sulaiman, N, Taib, M.N "IQ Index using Alpha-Beta correlation of EEG power spectrum density (PSD)", IEEE 2010 Symposium on Industrial Electronics & Applications (ISIEA), pp.612-616, Oct. 2010.
Eunyoung Kim, "The effects of musical stimulus on EEG spectra of listeners", Journal of KMTA, vol. 7, no. 1, pp.1-18, 2005.
S.Koelstra, Muhl, C, Soleymani, M, Jong-Seok Lee, Yazdani, A, Ebrahimi, T, Pun, T, Nijholt, A, Patras, I. "DEAP: A Database for Emotion Analysis using Physiological Signals", IEEE Transaction on Affective Computing- Special Issue on Naturalistic Affect Resources for System Building and Evaluation, vol.3, no.1, pp.18-31, March 2012

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증