[논문]심박변이도를 이용한 적응적 뉴로 퍼지 감정예측 모형에 관한 연구

박성수; 이건창

doi:10.14400/jdc.2019.17.1.239

심박변이도를 이용한 적응적 뉴로 퍼지 감정예측 모형에 관한 연구
Implementing an Adaptive Neuro-Fuzzy Model for Emotion Prediction Based on Heart Rate Variability(HRV) 원문보기

디지털융복합연구 = Journal of digital convergence, v.17 no.1, 2019년, pp.239 - 247

초록
AI-Helper

감정을 정확히 예측하는 것은 환자중심의 의료디바이스 개발 및 감성관련 산업에서 매우 중요한 이슈이다. 감정예측에 관한 많은 연구 중 감정 예측에 심박 변동성과 뉴로-퍼지 접근법을 적용한 연구는 없다. 본 연구는 HRV를 이용한 ANFEP(Adaptive Neuro Fuzzy system for Emotion Prediction)을 제안한다. ANFEP의 핵심 기능은 인공 신경망과 퍼지시스템을 통합해 예측 모델을 학습하는 ANFIS(Adaptive Neuro-Fuzzy Inference System)에 기반한다. 제안 모형의 검증을 위해 50명의 실험자를 대상으로 청각자극으로 감정을 유발하고, 심박변이도를 구하여 ANFEP 모형에 입력하였다. STDRR과 RMSSD를 입력으로 하고 입력변수 당 2개의 소속함수로 하는 ANFEP모형이 가장 좋은 결과를 나타났다. 제안한 감정예측 모형을 선형회귀 분석, 서포트 벡터 회귀, 인공신경망, 랜덤 포레스트와 비교한 결과 본 제안모형이 가장 우수한 성능을 보였다. 연구 결과는 보다 적은 입력으로 신뢰성 높은 감정인식이 가능함을 입증했고, 이를 활용해 보다 정확하고 신뢰성 높은 감정인식 시스템 개발에 대한 연구가 필요하다.

Abstract ▼ AI-Helper

An accurate prediction of emotion is a very important issue for the sake of patient-centered medical device development and emotion-related psychology fields. Although there have been many studies on emotion prediction, no studies have applied the heart rate variability and neuro-fuzzy approach to emotion prediction. We propose ANFEP(Adaptive Neuro Fuzzy System for Emotion Prediction) HRV. The ANFEP bases its core functions on an ANFIS(Adaptive Neuro-Fuzzy Inference System) which integrates neural networks with fuzzy systems as a vehicle for training predictive models. To prove the proposed model, 50 participants were invited to join the experiment and Heart rate variability was obtained and used to input the ANFEP model. The ANFEP model with STDRR and RMSSD as inputs and two membership functions per input variable showed the best results. The result out of applying the ANFEP to the HRV metrics proved to be significantly robust when compared with benchmarking methods like linear regression, support vector regression, neural network, and random forest. The results show that reliable prediction of emotion is possible with less input and it is necessary to develop a more accurate and reliable emotion recognition system.

주제어

표/그림 (9)

그림 Fig. 1. Structure of ANFIS
그림 Fig. 2. Process of ANFEP
그림 Fig. 3. Error of ANFIS Structure (Training & Checking)
그림 Fig. 4. RMSE by Eproch
그림 Fig. 5. Function plots STDRR
그림 Fig. 6. Function plots RMSSD
그림 Fig. 7. Valence prediction using ANFEP
표 Table 1. ANFEP model performance
표 Table 2. Result of Emotion prediction model

AI 본문요약
AI-Helper

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

문제 정의

이전의 연구들을 종합하면, GSR, ECG, EMG, HR과 같은 다양한 생체신호를 사용해서 감정의 유형을 분류하는 연구를 수행하였지만, 심박변이도를 사용하고 Valence값을 예측하는 연구는 부족한 실정이다. 따라서 본 연구는 심박변이도를 입력변수로 하고, Valence값을 ANFIS로 예측하는 ANFEP(Adaptive Neuro Fuzzy system for Emotion Prediction)을 제시한다. 또한, 본 연구에서 제시한 ANFEP 모형의 성능을 다른 감정예측 모형과 비교하여 평가한다.
본 연구는 생리 실험으로 피험자의 생리신호를 수집 하고 이를 분석해 감정예측을 실행하였다. 실험 참가자들에게 음향으로 감정을 유발하고, 감정 유발 이전, 이후 후의 심장박동을 수집하여 연구에 사용하였다.
감정예측에 대한 연구는 인공신경망, 서포트벡터머신, 랜덤포레스트 등의 학습방법으로 주로 수행되었지만, 심박변이도와 뉴로 퍼지 시스템을 사용한 감정예측에 대한 연구는 거의 이루어지지 않았다. 본 연구는 융합적인 관점에서 다양한 생리 신호 중에서 간편하게 수집이 용이한 심장 박동과 적응적 뉴로-퍼지 추론 시스템(ANFIS; adaptive neuro-fuzzy inference system)을 적용하여 개인 감정예측 모형의 개발을 목적으로 다음과 같은 연구 문제를 다룬다.
본 연구의 기여점은 첫째, 생체신호로부터 개인의 감정을 효과적으로 인식할 수 있는 ANFEP을 제안한다. 이전의 연구들은 다양한 감정 예측 모형이 제안되었지만 복잡하고 심장박동을 이용한 감정예측 방법은 명확한 결론을 내리지 못하였다.
연구의 목적은 심박변이도로부터 효과적인 개인의 감정을 예측하는 것이다. 그에 따라, ANFIS기반의 ANFEP(Adaptive Neuro Fuzzy system for Emotion Prediction)을 제시하고, ANFEP을 다른 감정예측 모형과 비교하는 것이다.

가설 설정

RQ2: 연속형인 감정인 Valence를 예측할 수 있는가?
RQ3: ANFEP이 기존의 감정예측 모형과 비교해 더 우수한 예측성능을 보이는가?

제안 방법

RQ1: 생체신호로부터 개인의 감정을 효과적으로 인식할 수 있는 Adaptive Neuro Fuzzy system for Emotion Prediction(ANFEP)을 제안한다.
연구의 목적은 심박변이도로부터 효과적인 개인의 감정을 예측하는 것이다. 그에 따라, ANFIS기반의 ANFEP(Adaptive Neuro Fuzzy system for Emotion Prediction)을 제시하고, ANFEP을 다른 감정예측 모형과 비교하는 것이다.
본 연구의 결과는 다양한 심박변이도 중 STDRR과 RMSSD의 두 가지 지표를 사용한 감정의 예측이 가능해 보다 단순하면서도 정확한 감정 예측에 응용이 가능하다. 둘째, 이전의 연구들은 범주화된 감정 유형을 예측하는 연구가 대부분이지만 [11, 12, 21], 본 연구는 1~9점으로 측정된 연속형의 감정인 불/쾌감(Valence)을 예측한다. 이것은 주관적일 수 있는 감정을 보다 유연하게 예측이 가능하다.
따라서 본 연구는 심박변이도를 입력변수로 하고, Valence값을 ANFIS로 예측하는 ANFEP(Adaptive Neuro Fuzzy system for Emotion Prediction)을 제시한다. 또한, 본 연구에서 제시한 ANFEP 모형의 성능을 다른 감정예측 모형과 비교하여 평가한다.
본 연구 실험의 감성자극을 위해 긍정, 부정 감정을 유발하는 음향으로 구성되었다. 사람은 시각, 청각, 과거 경 험 회상 등의 다양한 자극으로 감정이 유발된다.
exhsrch함수는 연구자가 설정한 입력 변수의 갯수로 입력변수들을 조합해서, 각각의 조합만큼의 ANFIS모형과 결과를 생성한다. 본 연구는 8개의 심박변이도 변수에 대해 변수 2개씩 조합하도록 설정하여 총 28개의 모형을 생성하였다. 생성된 ANFIS모형의 평가는 입력값과 예측값의 차이인 RMSE를 사용하였다.
사람은 시각, 청각, 과거 경 험 회상 등의 다양한 자극으로 감정이 유발된다. 본 연구는 음향을 사용한 청각을 자극으로 감정을 유발한다[28]. 긍정감정 청각자극은 부드러우면서 상쾌한 클래식 음악을 들려준다.
소속함수는 ANFIS관련 연구에서 주로 이용하는 종형 (Bell)을 적용하였다. 소속함수의 수는 최저 2개부터 최대 5개까지 증가하면서 모형 생성을 반복적으로 수행하였다. 이후 Matlab에서 exhsrch함수를 사용하여 ANFIS 모형을 생성하였다.
심전도는 전극을 Einthoven이 제시한 방법에 따라 양쪽 손목과 왼쪽 발목에 부착하고 측정하였다. 실험 시작 후 처음 5분간은 실험 참가자에게 별도의 자극 없이 표준 상태의 심전도를 측정하고, 5분이 지난 후 감정 유도를 위한 음악과 소리를 5분간 들려주면서 감정 상태의 심전도를 측정하였다. 심전도의 측정은 BIOPAC MP150을 사용하고, 안정적인 심전도 데이터를 얻기 위해 AcqKnowledgev 4.
본 연구는 생리 실험으로 피험자의 생리신호를 수집 하고 이를 분석해 감정예측을 실행하였다. 실험 참가자들에게 음향으로 감정을 유발하고, 감정 유발 이전, 이후 후의 심장박동을 수집하여 연구에 사용하였다. 실험완료 후 피험자에게 실험의 목적과 자극에 사후설명 및 소정의 사례를 지급하였다.
실험은 외부의 소음에 영향이 없도록 독립적인 공간에서 실험기자재만 배치하여 피험자가 실험에 집중할 수 있도록 하였다.
심박변이도 STDRR과 RMSSD를 사용한 감정예측 모형생성 시 몇 번의 학습(Epoch)으로 최적의 모형이 생성되는 분석하였다. Epoch이 진행될수록 Training과 Checking의 RMSE는 감소하였고, 17번째 Epoch에서 가장 낮은 RMSE를 나타냈다(Fig.
실험 시작 후 처음 5분간은 실험 참가자에게 별도의 자극 없이 표준 상태의 심전도를 측정하고, 5분이 지난 후 감정 유도를 위한 음악과 소리를 5분간 들려주면서 감정 상태의 심전도를 측정하였다. 심전도의 측정은 BIOPAC MP150을 사용하고, 안정적인 심전도 데이터를 얻기 위해 AcqKnowledgev 4.1을 이용하여 1 Hz ~ 35 Hz의 주파수에 밴드 패스 필터(Band pass Filter)를 적용하여 노이즈를 제거하였다.
실험 동안의 표준상태와 감정유발 상태의 심선도를 각각 text파일 형태로 저장해 심박변이도 계산 소프트웨어인 Kubios에서 심박변이도를 계산하였다. 연구를 위해 시간 영역 지표인 RMSSD, SDNN, mean RR이고, 주파수 영역 지표는 HF(ms2), LF(ms2), VLF(ms2), LF/HF(ms2), Total Power(ms2)의 총 8가지의 심박변이도를 추출하고, 식 (9)와 같이 표준 상태와 감정상태의 차이를 심박변이도 변동비로 계산하였다.
연구자들은 실험 참가자에게 감정유발 사진(IAPS)을 제시하여 감정을 자극하면서 6가지의 생리신호 – 혈액량 펄스(Blood Volume Pulse), 심전도(Electrocardiogram), 피부전도도 (Electrodermal Response), 호흡활동(Respiration Activity), 피부 온도(Skin Temperature), 근전도(Electromyogram) -를 수집해 감정예측에 인공신경망의 입력으로 사용하였다.
이전의 연구들은 다양한 감정 예측 모형이 제안되었지만 복잡하고 심장박동을 이용한 감정예측 방법은 명확한 결론을 내리지 못하였다. 제안한 ANFEP은 개인의 생체신호인 심박변이도를 입력으로 하고 적응적 뉴로-퍼지 추론 시스템(ANFIS)을 이용한 감정예측 모형으로 다양한 심박변이도의 조합 중 감정예측에 효과적인 조합을 찾고 최적의 감정예측 모형을 생성한다. 본 연구의 결과는 다양한 심박변이도 중 STDRR과 RMSSD의 두 가지 지표를 사용한 감정의 예측이 가능해 보다 단순하면서도 정확한 감정 예측에 응용이 가능하다.

대상 데이터

실험을 통하여 수집된 심박변이도와 감성 데이터를 Matlab에 적재하고, 모형을 학습하기 위한 Training 데이터 셋과 모형 검증을 위한 Checking 데이터 셋을 생성 한다. Training과 Checking 데이터 셋은 전체 데이터를 7:3비율로 나누어 각각 35건, 15건으로 구성하였다. ANFIS모형 학습의 입력 변수 갯수는 2개로 설정하였다.
노이즈가 제거된 심전도에서 심박동 사이의 간격(RR interval) 데이터를 추출하였다. 실험 동안의 표준상태와 감정유발 상태의 심선도를 각각 text파일 형태로 저장해 심박변이도 계산 소프트웨어인 Kubios에서 심박변이도를 계산하였다.
본 연구에서 사용하는 데이터는 서울에 위치한 대학교에 재학중인 학생 50명으로 부터 청각자극으로 유발된 감정이 유지되는 동안의 심전도를 수집한 자료이다. 피험자는 남자 18, 여자 32명이고, 연령대는 19~27이다.
본 연구에서 제시하는 ANFEP과 다른 감정예측 모형의 비교한 실험결과는 Table 2와 같다. 비교 실험은 데이터 마이닝 도구인 웨카(WEKA)에서 연구 데이터를 분석하였다. 감정예측 모형 생성에 사용한 학습모형은 선형 회귀분석(linear regression), 서포트벡터 회귀(support vector regression), 인공신경망(artificial neural network), 랜덤 포레스트(random forest)이다.
실험을 통하여 수집된 심박변이도와 감성 데이터를 Matlab에 적재하고, 모형을 학습하기 위한 Training 데이터 셋과 모형 검증을 위한 Checking 데이터 셋을 생성 한다. Training과 Checking 데이터 셋은 전체 데이터를 7:3비율로 나누어 각각 35건, 15건으로 구성하였다.
본 연구에서 사용하는 데이터는 서울에 위치한 대학교에 재학중인 학생 50명으로 부터 청각자극으로 유발된 감정이 유지되는 동안의 심전도를 수집한 자료이다. 피험자는 남자 18, 여자 32명이고, 연령대는 19~27이다. 긍정 피험자 26명, 부정 24명으로 긍/부정 감정 데이터가 적절하게 수집되도록 하였다.

데이터처리

본 연구는 8개의 심박변이도 변수에 대해 변수 2개씩 조합하도록 설정하여 총 28개의 모형을 생성하였다. 생성된 ANFIS모형의 평가는 입력값과 예측값의 차이인 RMSE를 사용하였다.
노이즈가 제거된 심전도에서 심박동 사이의 간격(RR interval) 데이터를 추출하였다. 실험 동안의 표준상태와 감정유발 상태의 심선도를 각각 text파일 형태로 저장해 심박변이도 계산 소프트웨어인 Kubios에서 심박변이도를 계산하였다. 연구를 위해 시간 영역 지표인 RMSSD, SDNN, mean RR이고, 주파수 영역 지표는 HF(ms2), LF(ms2), VLF(ms2), LF/HF(ms2), Total Power(ms2)의 총 8가지의 심박변이도를 추출하고, 식 (9)와 같이 표준 상태와 감정상태의 차이를 심박변이도 변동비로 계산하였다.

이론/모형

ANFEP(Adaptive Neuro Fuzzy system for Emotion Prediction)를 개발하기 위해 8가지 심박변이도 변동비를 입력으로 하고 Valence를 출력으로 하는 ANFIS기반의 모형을 생성하였다. ANFEP모형 생성은 Matlab 7.
ANFEP(Adaptive Neuro Fuzzy system for Emotion Prediction)를 개발하기 위해 8가지 심박변이도 변동비를 입력으로 하고 Valence를 출력으로 하는 ANFIS기반의 모형을 생성하였다. ANFEP모형 생성은 Matlab 7.14에서 실행하였다. 본 연구의 예측모형 생성 절차를 Fig.
ANFIS는 인공신경망과 퍼지 시스템을 융합해 적응적 네트워크 구조로 표현되는 추론 시스템이다[19]. ANFIS 는 주어진 학습 데이터의 입력과 출력에 적합(Fit)하는 최적의 네트워크 파라미터를 찾도록 최소자승법(LSM; Least Square Method)과 역전파학습(BP; Back Propagation)을 사용한다.
감정예측 모형 생성에 사용한 학습모형은 선형 회귀분석(linear regression), 서포트벡터 회귀(support vector regression), 인공신경망(artificial neural network), 랜덤 포레스트(random forest)이다. 각 학습모형에 필요한 파라미터는 웨카에 설절된 기본 값을 사용하였다. 분석 결과, 본 연구에서 제안한 ANFEP의 RMSE가 0.
감정은 실험참가자에게SAM(Self-Assessment Manikin) 을 제시하고 자기보고 방식으로 측정하였다. 측정 척도는 Valence를 1(불쾌한)~9(기분 좋은)의 숫자로 나타내도록 했다.
ANFIS모형 학습의 입력 변수 갯수는 2개로 설정하였다. 소속함수는 ANFIS관련 연구에서 주로 이용하는 종형 (Bell)을 적용하였다. 소속함수의 수는 최저 2개부터 최대 5개까지 증가하면서 모형 생성을 반복적으로 수행하였다.
심전도는 전극을 Einthoven이 제시한 방법에 따라 양쪽 손목과 왼쪽 발목에 부착하고 측정하였다. 실험 시작 후 처음 5분간은 실험 참가자에게 별도의 자극 없이 표준 상태의 심전도를 측정하고, 5분이 지난 후 감정 유도를 위한 음악과 소리를 5분간 들려주면서 감정 상태의 심전도를 측정하였다.
LF와 Total Power의 RMSE차이가 가장 크고, STDRR과 RMSSD의 RMSE차이가 가장적은 것으로 나타나고 있다. 이와 같은 방법으로 소속함수를 2개에서 5개까지 변경하며 감정예측 ANFIS모형을 생성하였다.
소속함수의 수는 최저 2개부터 최대 5개까지 증가하면서 모형 생성을 반복적으로 수행하였다. 이후 Matlab에서 exhsrch함수를 사용하여 ANFIS 모형을 생성하였다. exhsrch함수는 연구자가 설정한 입력 변수의 갯수로 입력변수들을 조합해서, 각각의 조합만큼의 ANFIS모형과 결과를 생성한다.
ANFIS로 생성된 예측모형의 검증은 모형 생성을 위해 사용된 출력 값과 모형을 통해 산출한 예측 값의 차이를 사용한다. 일반적인 방법으로 평균 제곱근 편차 (RMSE; root-mean-squared error)를 ANFIS 예측모형의 검증지표로 사용한다. #는 출력 값 x_i에 대해 모형으로 예측한 값이다.

성능/효과

(2011)은 불안장애를 가진 사람들로부터 근전도 (EMG), 심전도(ECG), 호흡량(RSP), 피부전도도(EDA)를 수집하고 감정예측 모형을 생성하였다[5]. 감정예측 모형은 ANFIS를 사용하여 편안함, 중립적, 깜짝 놀람, 불안, 매우불안(Relaxed, neutral, startled, apprehensive, very apprehensive)에 대한 감정을 84%의 정확도로 예측 하였다. Kamaruddin(2012)는 ANFIS를 사용하고 음성 (Speech)에서 화남, 행복, 중립, 슬픔의 감정을 90%정확도로 분류하는 모형을 만들었고[24], Malkawi(2013)은 14가지 생리신호와 ANFIS를 사용하여 22가지 감정을 예측하는 연구를 수행하였으나 정확한 결론을 제시하지는 못하였다[25].
또한, 본 연구에서 제시한 ANFEP이 다른 감정예측 모형에 비해, 약 3∼4배 높은 정확도 향상을 확인하였다.
또한, 본 연구의 ANFEP모형에서 적합된 소속함수는 종형으로 학습과정을 통하여 입력된 STDRR과 RMSSD에 최적화 되었다. 각 입력변수당 소속함수는 3개로 그 형태는 STDRR은 Fig.
각 학습모형에 필요한 파라미터는 웨카에 설절된 기본 값을 사용하였다. 분석 결과, 본 연구에서 제안한 ANFEP의 RMSE가 0.5로 가장 낮게 나타났다. 선형회귀분석은 ANFEP에 비해서는 오차가 4배(RMSE=2.
5로 가장 낮게 나타났다. 선형회귀분석은 ANFEP에 비해서는 오차가 4배(RMSE=2.03) 가량 높게 나타났고, ANFEP의 다음으로 오차가 낮은 랜덤 포레스트는 2.94배(RMSE=1.47) 높은 것으로 나타났다.
이것은 주관적일 수 있는 감정을 보다 유연하게 예측이 가능하다. 셋째, ANFEP이 기존의 감정예측 모형과 비교하여 더 효과적임을 밝힌다. 또한, 본 연구에서 제시한 ANFEP이 다른 감정예측 모형에 비해, 약 3∼4배 높은 정확도 향상을 확인하였다.
본 연구의 ANFEP에 2가지 심박변이도를 입력으로 할 때, Valence의 예측정확도가 가장 높은 입력 변수의 조합을 Table 1로 정리하였다. 실험결과 각 입력변수에 대해 소속함수(Membership function)를 2개에서 3개로 증가할 때 Training의 RMSE는 1.18에서 0.5으로 감소하고 Checking은 0.94에서 0.5로 감소하였다. 소속함수를 5개까지 증가하였으나 RMSE는 0.

후속연구

이를 위해 본 연구의 결과를 보다 다양한 표본에 적용해 보고 고도화 하는 연구가 필요하다. 그리고, 본 연구에 사용되지 않은 다양한 심박변이도 변수를 적용한 감정예측 모형에 대한 연구가 필요하다. 또 다른 심박변이도로는 시간 영역 지표인 Mean HR, HRV triangular index, NN50, pNN50 등이 있으며, Wavelet 변환을 통한 다양한 주파수 영역 지표를 사용하는 감정예측의 효과와 영향력에 대한 연구가 필요하다.
그리고, 본 연구에 사용되지 않은 다양한 심박변이도 변수를 적용한 감정예측 모형에 대한 연구가 필요하다. 또 다른 심박변이도로는 시간 영역 지표인 Mean HR, HRV triangular index, NN50, pNN50 등이 있으며, Wavelet 변환을 통한 다양한 주파수 영역 지표를 사용하는 감정예측의 효과와 영향력에 대한 연구가 필요하다. 또한, 추가적으로 감정예측을 위해 피부전도도, 호흡량, 뇌활성 부위, 뇌파 등과 같은 복합적인 생체신호를 사용하는 모형으로 확장하는 것이 필요하다.
또 다른 심박변이도로는 시간 영역 지표인 Mean HR, HRV triangular index, NN50, pNN50 등이 있으며, Wavelet 변환을 통한 다양한 주파수 영역 지표를 사용하는 감정예측의 효과와 영향력에 대한 연구가 필요하다. 또한, 추가적으로 감정예측을 위해 피부전도도, 호흡량, 뇌활성 부위, 뇌파 등과 같은 복합적인 생체신호를 사용하는 모형으로 확장하는 것이 필요하다.
제안한 ANFEP은 개인의 생체신호인 심박변이도를 입력으로 하고 적응적 뉴로-퍼지 추론 시스템(ANFIS)을 이용한 감정예측 모형으로 다양한 심박변이도의 조합 중 감정예측에 효과적인 조합을 찾고 최적의 감정예측 모형을 생성한다. 본 연구의 결과는 다양한 심박변이도 중 STDRR과 RMSSD의 두 가지 지표를 사용한 감정의 예측이 가능해 보다 단순하면서도 정확한 감정 예측에 응용이 가능하다. 둘째, 이전의 연구들은 범주화된 감정 유형을 예측하는 연구가 대부분이지만 [11, 12, 21], 본 연구는 1~9점으로 측정된 연속형의 감정인 불/쾌감(Valence)을 예측한다.
이것은 ANIFS의 소속함수가 심박변이도의 적합에 더 적절한 방법이라 생각할 수 있다. 본 연구의 결과는 보다 정확하고 신뢰성 높은 감정인식 시스템을 구축하는데 활용할 수 있다[27]. 특히 최근 많은 연구가 이루어지는 사물 인터넷이 사용자와 상호작용 할 때, 사용자의 감정을 간편하면서도 정확하게 예측하고 대응하는 것이 중요하다[29].
향후 연구는 본 연구의 결과를 IT시스템과 융합하여 실용적인 관점의 감정예측 시스템을 구축하는 것이다. 이를 위해 본 연구의 결과를 보다 다양한 표본에 적용해 보고 고도화 하는 연구가 필요하다. 그리고, 본 연구에 사용되지 않은 다양한 심박변이도 변수를 적용한 감정예측 모형에 대한 연구가 필요하다.
향후 연구는 본 연구의 결과를 IT시스템과 융합하여 실용적인 관점의 감정예측 시스템을 구축하는 것이다. 이를 위해 본 연구의 결과를 보다 다양한 표본에 적용해 보고 고도화 하는 연구가 필요하다.

질의응답

핵심어	질문	논문에서 추출한 답변
	퍼지 시스템의 장단점은?	인공신경망(Artificial Neural Network)은 데이터에 숨겨진 패턴을 학습하는데 뛰어나지만, 이를 해석하고 규칙기반(Rule-based)의 지식표현은 용이하지 않다. 이에 반해 퍼지 시스템(Fuzzy system)은 전문가가 보유한 지식을 활용해 높은 수준의 추론이 가능하지만, 데이터 로부터 스스로 학습을 할 수는 없다. 따라서 인공신경망과 퍼지 시스템을 융합하는 것은 효과적인 지능형 시스템을 만들 수 있다.
	ANFIS이란?	융합된 뉴로-퍼지 시스템은 인공신경망의 장점인 학습능력과 병렬연산, 퍼지 시스템의 장점인 전문적인 지식의 표현 및 모형의 설명력을 결합한다. ANFIS는 인공신경망과 퍼지 시스템을 융합해 적응적 네트워크 구조로 표현되는 추론 시스템이다[19]. ANFIS 는 주어진 학습 데이터의 입력과 출력에 적합(Fit)하는 최적의 네트워크 파라미터를 찾도록 최소자승법(LSM; Least Square Method)과 역전파학습(BP; Back Propagation) 을 사용한다.
	심장박동을 사용한 감정예측의 활용 가능 예시는?	NeuroIS 연구의 다양한 도구 중 심장박동(HR)은 정보시스템의 인지 및 정서적 과정에 대한 더 깊은 이해를 돕고 있다[1, 13]. 예를 들어, 전산화 된 에이전트가 사용자의 심장박동에서 감정을 예측해서 전자 경매에 미치는 영향을 파악 하고[14], 금융 의사 결정의 결과에 대한 감정을 감지하 거나[15], 능동적인 교육에서 신경생리학적 상관관계로 인지적 몰입 수준을 판단할 수 있다[16]. 따라서, 다양한 정보시스템 영역에서 심장박동을 사용한 감정예측을 적용해서 사용자의 감정상태에 반응하는 환자 중심의 헬스 인포매틱스[17], 이-러닝 시스템[18]등의 구현이 가능하 다[27].

참고문헌 (29)

R. Riedl, F. D. Davis & A. R. Hevner. (2014). Towards a NeuroIS Research Methodology : Intensifying the Discussion on Methods , Tools , and Measurement. Journal of the Association for Information Systems, 15(Special Issue), i-xxxv.
E. C. Nook, K. A. Lindquist & J. Zaki. (2015). A new look at emotion perception: Concepts speed and shape facial emotion recognition. Emotion, 15(5), 569-578. DOI : 10.1037/a0039166

상세보기
C. N. Anagnostopoulos, T. Iliou & I. Giannoukos. (2015). Features and classifiers for emotion recognition from speech: a survey from 2000 to 2011. Artificial Intelligence Review, 43(2), 155-177. DOI : 10.1007/s10462-012-9368-5

상세보기
M. Soleymani, S. Asghari-Esfeden, Y. Fu & M. Pantic. (2016). Analysis of EEG Signals and Facial Expressions for Continuous Emotion Detection. IEEE Transactions on Affective Computing, 7(1), 17-28. DOI : 10.1109/TAFFC.2015.2436926

상세보기
C. D. Katsis, N. S. Katertsidis & D. I. Fotiadis. (2011). An integrated system based on physiological signals for the assessment of affective states in patients with anxiety disorders. Biomedical Signal Processing and Control, 6(3), 261-268. DOI : 10.1016/j.bspc.2010.12.001

상세보기
F. Russo, N. Vempala & G. Sandstrom. (2013). Predicting musically induced emotions from physiological inputs: linear and neural network models. Frontiers in Psychology, 4, 468. DOI : 10.3389/fpsyg.2013.00468

상세보기
P. A. Kragel & K. S. Labar. (2013). Multivariate pattern classification reveals autonomic and experiential representations of discrete emotions. Emotion, 13(4), 681-690. DOI : 10.1037/a0031820

상세보기
J. Selvaraj, M. Murugappan, K. Wan & S. Yaacob. (2013). Classification of emotional states from electrocardiogram signals: a non-linear approach based on hurst. BioMedical Engineering OnLine, 12(1), 44. DOI : 10.1186/1475-925X-12-44

상세보기
G. Valenza, L. Citi, A. Lanata, E. P. Scilingo & R. Barbieri. (2014). Revealing Real-Time Emotional Responses: a Personalized Assessment based on Heartbeat Dynamics. Scientific Reports, 4, 4998. DOI : 10.1038/srep04998

상세보기
S. Yu & S. Chen. (2015). Emotion state identification based on heart rate variability and genetic algorithm. In 2015 37th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), 538-541. DOI : 10.1109/EMBC.2015.7318418
R. Rakshit, V. R. Reddy & P. Deshpande. (2016). Emotion Detection and Recognition Using HRV Features Derived from Photoplethysmogram Signals. In Proceedings of the 2nd Workshop on Emotion Representations and Modelling for Companion Systems. DOI : 10.1145/3009960.3009962
H. Guo, Y. Huang, C. Lin, J. Chien, K. Haraikawa & J. Shieh. (2016). Heart Rate Variability Signal Features for Emotion Recognition by Using Principal Component Analysis and Support Vectors Machine. In 2016 IEEE 16th International Conference on Bioinformatics and Bioengineering (BIBE), 274-277. DOI : 10.1109/BIBE.2016.40
A. Dimoka et al. (2012). On the Use of Neurophysiological Tools in IS Research: Developing a Research Agenda for NeuroIS. MIS Quarterly, 36(3), 679-702. DOI : 10.2307/41703475

상세보기
T. Teubner, M. Adam & R. Riordan. (2015). The Impact of Computerized Agents on Immediate Emotions, Overall Arousal and Bidding Behavior in Electronic Auctions. Journal of the Association for Information Systems, 16(10), 838-879.

상세보기
A. Hariharan & M. T. P. Adam. (2015). Blended Emotion Detection for Decision Support. IEEE Transactions on Human-Machine Systems, 45(4), 510-517. DOI : 10.1109/THMS.2015.2418231

상세보기
P. M. Leger, F. D. Davis, T. P. Cronan & J. Perret. (2014). Neurophysiological correlates of cognitive absorption in an enactive training context. Computers in Human Behavior, 34, 273-283. DOI : 10.1016/j.chb.2014.02.011

상세보기
Y. Zheng, X. Ding, C. C. Y. Poon, B. P. L. Lo, H. Zhang, X. Zhou & Y. Zhang. (2014). Unobtrusive Sensing and Wearable Devices for Health Informatics. IEEE Transactions on Biomedical Engineering, 61(5), 1538-1554. DOI : 10.1109/TBME.2014.2309951

상세보기
L. Shen, M. Wang & R. Shen. (2009). Affective e-Learning: Using Emotional Data to Improve Learning in Pervasive Learning Environment. Journal of Educational Technology & Society, 12(2), 176-189.
J. R. Jang. (1993). ANFIS: adaptive-network- based fuzzy inference system. IEEE Transactions on Systems, Man, and Cybernetics, 23(3), 665-685. DOI : 10.1109/21.256541

상세보기
A. Haag, S. Goronzy, P. Schaich & J. Williams. (2004). Emotion Recognition Using Bio- sensors: First Steps towards an Automatic System. In E. Andre, L. Dybkjaer, W. Minker, & P. Heisterkamp (Eds.), Affective Dialogue Systems (pp. 36-48). Berlin, Heidelberg: Springer Berlin Heidelberg. DOI : 10.1007/978-3-540-24842-2_4

상세보기
D. Kukolja, S. Popovic, M. Horvat, B. Kovac & K. Cosic. (2014). Comparative analysis of emotion estimation methods based on physiological measurements for real-time applications. International Journal of Human-Computer Studies, 72(10), 717-727. DOI : 10.1016/j.ijhcs.2014.05.006

상세보기
R. L. Mandryk & M. S. Atkins. (2007). A fuzzy physiological approach for continuously modeling emotion during interaction with play technologies. International Journal of Human- Computer Studies, 65(4), 329-347. DOI : 10.1016/j.ijhcs.2006.11.011

상세보기
C. D. Katsis, N. Katertsidis, G. Ganiatsas & D. I. Fotiadis. (2008). Toward Emotion Recognition in Car-Racing Drivers: A Biosignal Processing Approach. IEEE Transactions on Systems, Man, and Cybernetics - Part A: Systems and Humans, 38(3), 502-512. DOI : 10.1109/TSMCA.2008.918624

상세보기
N. Kamaruddin, A. Wahab & C. Quek. (2012). Cultural dependency analysis for understanding speech emotion. Expert Systems with Applications, 39(5), 5115-5133. DOI : 10.1016/j.eswa.2011.11.028

상세보기
M. Malkawi & O. Murad. (2013). Artificial neuro fuzzy logic system for detecting human emotions. Human-Centric Computing and Information Sciences, 3(1), 3. DOI : 10.1186/2192-1962-3-3

상세보기
G. Uchyigit & M. Y. Ma. (Eds.). (2008). Personalization Techniques and Recommender Systems. Series in Machine Perception and Artificial Intelligence. World Scientific. DOI : 10.1142/6788
H. D. Critchley, S. Wiens, P. Rotshtein, A. Ohman & R. J. Dolan. (2004). Neural systems supporting interoceptive awareness. Nature Neuroscience, 7(2), 189. DOI : 10.1038/nn1176

상세보기
V. N. Salimpoor, M. Benovoy, K. Larcher, A. Dagher & R. J. Zatorre. (2011). Anatomically distinct dopamine release during anticipation and experience of peak emotion to music. Nature Neuroscience, 14, 257. DOI : 10.1038/nn.2726

상세보기
K. A. Cha, W. K. Hong, S. H. Park & H. S. Choi. (2017). Development of Emotion Inference Application with Location Information and User's Heartbeat Rate. Journal of the Korea Convergence Society, 8(8), 83-88.

원문보기 상세보기

저자의 다른 논문 :

LOADING...

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