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
- 본 논문에서는 뇌파 데이터 중 인공 신경망 모델의 성능을 감소시킬 것으로 예상되는 데이터들을 준 지도학습 알고리즘을 활용하여 학습데이터에서 제외함으로써 모델의 분류 성능을 개선하는 방법을 제시한다.
- 본 논문에서는 다양한 피험자 성향으로 인해 같은 감정 유발 매체에 대해 다르게 발생하는 뇌파 데이터의 차이 때문에 발생하는 인공 신경망 모델 성능의 감소 문제를 개선하기 위해 SAM 방법을 이용한 자가진단 테스트 결과인 Valence, Arousal 값에 대한 제약조건과 준 지도학습 알고리즘을 이용하여 학습데이터를 선택하는 방법을 제시하였다. 제안한 방법을 이용하여 구성한 학습데이터 세트와 제안한 방법을 사용하지 않은 학습데이터 세트를 각각 다른 인공 신경망 모델에 적용하여 수차례 학습을 진행했을 때 테스트 데이터 입력에 대해 가장 높게 나타난 정확도를 비교하였다.
- 본 논문에서는 이와 같은 피험자 간 성향의 차이로 인해 발생하는 기계학습모델의 분류 성능 하락 문제를 개선하기 위해 준 지도학습 알고리즘을 활용하여 학습데이터 중 분류 성능을 하락시킬 것으로 보이는 데이터를 제외함으로써 학습데이터를 재구성하여 분류 성능을 개선하는 방법을 제시하였다. 이후 새로 구성된 학습데이터를 이용하여 인공 신경망 모델을 학습시켜 제안한 방법을 사용하지 않은 학습데이터를 이용하여 학습시킨 모델과 감정 분류 성능을 비교 분석하였다.
제안 방법
- 뇌파 데이터 분류를 위한 제약조건으로는 감정 자극 매체 시청 중 느낀 감정에 대한 피험자들의 자가진단 테스트 결과인 Valence, Arousal 값들을 이용하였다[14]. Valence, Arousal 값들 중 같은 자극 매체를 시청한 피험자들이 기록한 자가 진단 결과값들을 같은 그룹으로 묶고 각 그룹의 Valence, Arousal 수치들의 평균, 표준편차를 계산한다. 이후 데이터들을 해당 데이터에 대응하는 Valence, Arousal 값의 편차의 크기가 표준편차보다 큰 그룹과 작은 그룹으로 분류한다.
- ③과정에서는 ②과정에서 레이블이 제거된 데이터들에 레이블을 재정의 하기 위해 레이블이 주어진 데이터와 레이블이 주어지지 않은 데이터 모두를 학습에 사용하는 준 지도학습 알고리즘을 적용하였다. 본 논문에서는 준 지도학습 알고리즘 중분류기로 확률적 분류기를 사용하는 알고리즘을 활용하였다[15].
- 표 1은 제안한 알고리즘을 적용한 데이터 세트와 적용하지 않은 데이터 세트를 이용하여 학습시킨 모델에 같은 테스트 데이터를 입력하여 결과를 예측했을 때의 정확도 차이를 표로 보인다. 같은 학습데이터를 사용하더라도 인공 신경망 모델의 초기 가중치 값에 따라 모델의 성능이 달라지므로 각 학습 데이터에 대해 5개의 인공 신경망 모델을 생성하여 학습시킨 뒤 결과를 비교하였다.
- 인공 신경망 모델은 하나의 은닉층을 가지는 MLP(Multi-Layer Perceptron) 구조를 사용하였고, 은닉층의 노드 수는 25개로 설정하였다. 그리고 인공 신경망 모델의 특성상 초기 가중치에 따라 모델의 성능이 달라지므로 각 데이터 세트마다 5개의 모델을 생성하여 최대 정확도를 비교하였다.
- 뇌파 연구 분야에서 관심을 가지는 주파수 대역들은 델타 (0-4Hz), 세타(4-8Hz), 알파(8-13Hz), 베타(13-30Hz), 감마(<30Hz) 등이 있으며 본 논문에서는 델타를 제외한 나머지 4개 대역에 식 (2)를 적용하여 하나의 뇌파 신호에서 4개의 특징값을 추출한다.
- 먼저 본 논문에서 제안하는 방법을 사용하여 인공 신경망 모델 학습을 위한 학습데이터를 구성한다. 그림 2의 그래프들은 본 논문에서 제안하는 방법을 진행함에 따라 데이터들의 레이블이 변화하는 모습을 보인다.
- 이후 학습데이터에 식 (1)과 (2)를 적용하여 원시 뇌파 신호의 PSD 값을 계산할 수 있다. 본 논문에 서는 한 채널의 뇌파 데이터에 대해 주파수 대역 세타, 알파, 베타, 감마 각각에 대해 PSD 값을 구하고 각 대역에 대한 PSD 값의 기댓값을 계산하여 4개의 특징값을 얻는다. 이러한 과정을 F3, F4 두개 채널에서 수행하여 8개의 특징값을 구하고 이 값들을 인공 신경망 모델을 위한 입력 데이터로 사용하여 인공 신경망 학습에 사용하였다.
- 이후 2장에서 소개한 학습데이터 선택 방법이 인공 신경망의 성능에 끼치는 영향을 확인하기 위해 제안한 방법을 사용하여 구성한 학습데이터 세트와 제안한 방법을 사용하지 않은 학습데이터 세트를 구성하였다. 이후 같은 구조의 두 인공 신경망 모델을 각 데이터 세트를 이용하여 학습시킨 후 두 모델에 테스트 데이터를 입력했을 때의 결과를 확인하여 성능을 비교하였다.
- 이후 데이터들을 해당 데이터에 대응하는 Valence, Arousal 값의 편차의 크기가 표준편차보다 큰 그룹과 작은 그룹으로 분류한다. 이후 ②과정에서는 ①에서 분류한 두 데이터 그룹 중 편차의 크기가 표준편차보다 큰 그룹에 속한 데이터의 레이블을 제거하여 데이터들을 레이블 있는 데이터와 레이블 없는 데이터로 나누었다.
- 이후 2장에서 소개한 학습데이터 선택 방법이 인공 신경망의 성능에 끼치는 영향을 확인하기 위해 제안한 방법을 사용하여 구성한 학습데이터 세트와 제안한 방법을 사용하지 않은 학습데이터 세트를 구성하였다. 이후 같은 구조의 두 인공 신경망 모델을 각 데이터 세트를 이용하여 학습시킨 후 두 모델에 테스트 데이터를 입력했을 때의 결과를 확인하여 성능을 비교하였다. 인공 신경망 모델은 하나의 은닉층을 가지는 MLP(Multi-Layer Perceptron) 구조를 사용하였고, 은닉층의 노드 수는 25개로 설정하였다.
- Valence, Arousal 값들 중 같은 자극 매체를 시청한 피험자들이 기록한 자가 진단 결과값들을 같은 그룹으로 묶고 각 그룹의 Valence, Arousal 수치들의 평균, 표준편차를 계산한다. 이후 데이터들을 해당 데이터에 대응하는 Valence, Arousal 값의 편차의 크기가 표준편차보다 큰 그룹과 작은 그룹으로 분류한다. 이후 ②과정에서는 ①에서 분류한 두 데이터 그룹 중 편차의 크기가 표준편차보다 큰 그룹에 속한 데이터의 레이블을 제거하여 데이터들을 레이블 있는 데이터와 레이블 없는 데이터로 나누었다.
- 본 논문에서는 이와 같은 피험자 간 성향의 차이로 인해 발생하는 기계학습모델의 분류 성능 하락 문제를 개선하기 위해 준 지도학습 알고리즘을 활용하여 학습데이터 중 분류 성능을 하락시킬 것으로 보이는 데이터를 제외함으로써 학습데이터를 재구성하여 분류 성능을 개선하는 방법을 제시하였다. 이후 새로 구성된 학습데이터를 이용하여 인공 신경망 모델을 학습시켜 제안한 방법을 사용하지 않은 학습데이터를 이용하여 학습시킨 모델과 감정 분류 성능을 비교 분석하였다.
대상 데이터
- DEAP 데이터베이스의 뇌파 데이터는 뇌파 전극 배치를 위해 널리 알려진 10-20 System을 사용하여 총 32개 채널의 전극을 부착한 뒤 뇌파를 기록하였다. 뇌파 데이터는 512Hz 샘플링 주파수를 가지는 장비를 이용하여 기록되었고 이후 128Hz 주파수로 다운 샘플링 하여 제공된다.
- 본 논문에서는 DEAP 데이터베이스의 뇌파 데이터 중 각각 즐거움, 슬픔, 충격 감정을 유발하는 영상을 시청하는 동안 기록된 데이터들을 사용하였다. 그리고 해당 영상에 대한 뇌파 데이터 중 F3, F4 두개 채널에서 기록된 데이터를 사용하였다[13].
- 본 논문에서는 DEAP 데이터베이스의 뇌파 데이터 중 각각 즐거움, 슬픔, 충격 감정을 유발하는 영상을 시청하는 동안 기록된 데이터들을 사용하였다. 그리고 해당 영상에 대한 뇌파 데이터 중 F3, F4 두개 채널에서 기록된 데이터를 사용하였다[13].
- 본 논문에서는 감정 분석 연구를 위한 뇌파 데이터로 영국 퀸 메리 대학에서 공개한 DEAP 데이터 베이스를 사용하였다. DEAP 데이터베이스는 감정 분석 연구를 위해 만들어진 데이터베이스로 뇌파 데이터 외에 체온, 체적, 근전도(Electromyograph, EMG), 전류 피부 저항(Galvanic Skin Response, GSR) 등의 생체 신호 정보를 함께 제공한다.
- 본 논문에서는 감정 분석 연구를 하기 위한 뇌파 데이터로 공개 뇌파 데이터베이스인 DEAP(Database for Emotion Analysis using Physiological Signals)의 데이터를 사용하였다. DEAP 데이터베이스에서는 피험자들로부터 뇌파 측정을 마친 후 자가진단 테스트 방법의 하나인 SAM(Self-Assessment Manikin)을 이용하여 기록한 기쁨(Valence), 각성(Arousal), 감정 크기(Dominance) 값을 뇌파 데이터와 함께 제공한다[13].
- 본 논문에 서는 한 채널의 뇌파 데이터에 대해 주파수 대역 세타, 알파, 베타, 감마 각각에 대해 PSD 값을 구하고 각 대역에 대한 PSD 값의 기댓값을 계산하여 4개의 특징값을 얻는다. 이러한 과정을 F3, F4 두개 채널에서 수행하여 8개의 특징값을 구하고 이 값들을 인공 신경망 모델을 위한 입력 데이터로 사용하여 인공 신경망 학습에 사용하였다.
데이터처리
- 본 논문에서는 다양한 피험자 성향으로 인해 같은 감정 유발 매체에 대해 다르게 발생하는 뇌파 데이터의 차이 때문에 발생하는 인공 신경망 모델 성능의 감소 문제를 개선하기 위해 SAM 방법을 이용한 자가진단 테스트 결과인 Valence, Arousal 값에 대한 제약조건과 준 지도학습 알고리즘을 이용하여 학습데이터를 선택하는 방법을 제시하였다. 제안한 방법을 이용하여 구성한 학습데이터 세트와 제안한 방법을 사용하지 않은 학습데이터 세트를 각각 다른 인공 신경망 모델에 적용하여 수차례 학습을 진행했을 때 테스트 데이터 입력에 대해 가장 높게 나타난 정확도를 비교하였다. 실험결과 제안한 방법을 사용했을 때 제안한 방법을 사용하지 않은 경우보다 최대 정확도가 10%가량 높음을 확인하였다.
이론/모형
- 그리고 원시 뇌파 데이터와 함께 제공되는 전처리 된 뇌파 데이터의 경우 눈 깜빡임 잡음 제거, 대역 통과 필터 적용 등의 처리 이후 제공된다. 그리고 각 영상에 대한 피험자의 생체 데이터와 함께 영상 시청 후 감정 자가진단 방법의 하나인 SAM 방법을 이용하여 기록된 Valence, Arousal, Dominance 값을 함께 제공한다.
- 그림 1의 ①과정에서는 준 지도학습 알고리즘을 이용한 학습데이터 구성작업을 진행하기 전 먼저 제약조건을 설정하여 전체 데이터들을 두 그룹으로 분류한다. 뇌파 데이터 분류를 위한 제약조건으로는 감정 자극 매체 시청 중 느낀 감정에 대한 피험자들의 자가진단 테스트 결과인 Valence, Arousal 값들을 이용하였다[14]. Valence, Arousal 값들 중 같은 자극 매체를 시청한 피험자들이 기록한 자가 진단 결과값들을 같은 그룹으로 묶고 각 그룹의 Valence, Arousal 수치들의 평균, 표준편차를 계산한다.
- ③과정에서는 ②과정에서 레이블이 제거된 데이터들에 레이블을 재정의 하기 위해 레이블이 주어진 데이터와 레이블이 주어지지 않은 데이터 모두를 학습에 사용하는 준 지도학습 알고리즘을 적용하였다. 본 논문에서는 준 지도학습 알고리즘 중분류기로 확률적 분류기를 사용하는 알고리즘을 활용하였다[15]. 이후 ④과정에서는 준 지도학습 알고리즘을 적용하기 전, 후의 레이블을 비교하여 레이블이 변한 데이터들을 학습데이터에서 제외하여 최종 학습데이터를 구성한다.
- 이후 같은 구조의 두 인공 신경망 모델을 각 데이터 세트를 이용하여 학습시킨 후 두 모델에 테스트 데이터를 입력했을 때의 결과를 확인하여 성능을 비교하였다. 인공 신경망 모델은 하나의 은닉층을 가지는 MLP(Multi-Layer Perceptron) 구조를 사용하였고, 은닉층의 노드 수는 25개로 설정하였다. 그리고 인공 신경망 모델의 특성상 초기 가중치에 따라 모델의 성능이 달라지므로 각 데이터 세트마다 5개의 모델을 생성하여 최대 정확도를 비교하였다.
성능/효과
- 제안한 방법을 이용하여 구성한 학습데이터 세트와 제안한 방법을 사용하지 않은 학습데이터 세트를 각각 다른 인공 신경망 모델에 적용하여 수차례 학습을 진행했을 때 테스트 데이터 입력에 대해 가장 높게 나타난 정확도를 비교하였다. 실험결과 제안한 방법을 사용했을 때 제안한 방법을 사용하지 않은 경우보다 최대 정확도가 10%가량 높음을 확인하였다.
- 실험결과 제안한 알고리즘을 사용하여 선택한 학습데이터를 이용하여 인공 신경망 모델을 학습 시켰을 때 그렇지 않은 데이터를 사용한 모델보다 최대 정확도가 10%가량 높음을 확인할 수 있다.
후속연구
- 이러한 데이터 유사성에 따른 문제는 뇌파 데이터가 아닌 여러 레이블을 가지고 있는 다른 형태의 데이터에서도 존재할 수 있다. 유사한 상황에서 데이터들의 영역 구분이 어려운 경우 본 논문에 제안한 방법을 활용할 수 있을 것으로 보인다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.