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
- 생체신호는 최근에 많이 연구되는 분야이며, 근래에는 뇌파에 관한 연구가 활발히 진행되고 있다. 감정인식은 뇌파에서 많이 연구되고 있는 주제이며, 본 실험에서는 오픈 데이터인 DEAP Dataset를 활용한 데이터 분석 방법에 관한 연구를 시행하였다. 분류 알고리즘으로는 생체신호에서 가장 많이 사용되었던 알고리즘인 SVM을 활용하여 정확도를 도출하였다.
- 뇌파를 활용한 감정인식 연구는 [1-3]에 의해서 연구된 사례가 있으며, 이들은 감정을 분류하여 분류 알고리즘으로 분류기 실험을 하여 정확도를 도출하였다. 본 연구에서는 감정인식 오픈데이터인 DEAP Dataset[4]를 활용한 데이터 분석방법에 관한 연구를 진행하였으며, SVM을 사용한 분류실험을 시행하였다. 향후에는 SVM 외에 감정분류에 유용한 패턴인식 알고리즘에 대한 연구와 전처리 시 다른 연구에서 사용되었던 필터 및 특징분석 방법에 관한 연구가 필요하다.
제안 방법
- 두 단계에서 잡음이 제거된 신호는 FFT분석을 시행하여 주파수대 별로 Power Spectrum분석을 하여 특징 추출을 하였다. FFT분석시 0-40Hz의 주파수 영역을 5개로 나누고, 여러 잡파가 많이 발생하는 Delta를 제거하였다. 변환한 주파수 범위에 따라 Theta(4-7Hz), Alpha(8-12Hz), Beta(13-30Hz), Gamma(30-40Hz)로 분석하였다.
- LMS(the Least Mean Squares) 알고리즘은 비정상적인 생체신호를 제거하는데 유용하기 때문에 인공산물 제거에 사용하였다. 두 단계에서 잡음이 제거된 신호는 FFT분석을 시행하여 주파수대 별로 Power Spectrum분석을 하여 특징 추출을 하였다. FFT분석시 0-40Hz의 주파수 영역을 5개로 나누고, 여러 잡파가 많이 발생하는 Delta를 제거하였다.
- FFT분석시 0-40Hz의 주파수 영역을 5개로 나누고, 여러 잡파가 많이 발생하는 Delta를 제거하였다. 변환한 주파수 범위에 따라 Theta(4-7Hz), Alpha(8-12Hz), Beta(13-30Hz), Gamma(30-40Hz)로 분석하였다. FFT분석은 Matlab를 사용하였고, FFT를 통한 각각의 주파수 대역별 값은 배열로 저장된다.
- 그러므로 구현식의 형태로 반복되며 특성함수인 임펄스 응답은 무한한 길이를 갖는다. 본 실험에서는 low-pass cutoff frequency는 40Hz로 지정하였고, high-pass cutoff frequency는 0.5Hz로 지정하였다. 두 번째는 인공산물인 안구잡파 제거를 위해 LMS 알고리즘을 사용하였다.
- SVM을 활용한 분류 실험은 WEKA[7]를 사용하였다. 분류 시에 교차 검증(Cross-Validation)은 10-fold로 맞추어 진행하였다. 실험 후에 TP(True-Positive), TN(True-Negative), FP(False-Positive), FN(False-Negative)을 도출하였고, 이를 활용하여 정확도(Accuracy)를 계산하였다.
- FFT분석은 Matlab를 사용하였고, FFT를 통한 각각의 주파수 대역별 값은 배열로 저장된다. 분석된 파형을 도출 후 이를 수치화한 데이터로 저장하여 분류알고리즘으로 실험을 하였다.
- 분류 시에 교차 검증(Cross-Validation)은 10-fold로 맞추어 진행하였다. 실험 후에 TP(True-Positive), TN(True-Negative), FP(False-Positive), FN(False-Negative)을 도출하였고, 이를 활용하여 정확도(Accuracy)를 계산하였다.
대상 데이터
- DEAP Dataset[4]은 남·여 각각 16명으로, 총 32명의 사용자에게서 40편의 비디오를 시청한 뒤의 감정상태를 기록하였다. 레코딩된 신호는 총 32개의 채널과 512Hz로 샘플링 되었다, 그림 1은 32개의 채널을 표현한 몽타주이다[6].
- 실험은 DEAP Dataset의 32개의 데이터 중에서 10개의 데이터를(남5, 여5) 선택하여 실험하였다. SVM을 활용한 분류 실험은 WEKA[7]를 사용하였다.
데이터처리
- This Study는 본 실험의 결과이고, Kazuhiko Study[3]는 Kazuhiko Takahashi의 연구결과이다. [3]의 결과는 뇌파를 활용한 감정분류를 시행하여 SVM으로 분류한 결과를 나타낸 것으로, 본 실험의 결과와 비교분석하였다. 실험결과 [3]은 70%대의 결과에 미치지 못하였지만, 본 실험은 71.
이론/모형
- 변환한 주파수 범위에 따라 Theta(4-7Hz), Alpha(8-12Hz), Beta(13-30Hz), Gamma(30-40Hz)로 분석하였다. FFT분석은 Matlab를 사용하였고, FFT를 통한 각각의 주파수 대역별 값은 배열로 저장된다. 분석된 파형을 도출 후 이를 수치화한 데이터로 저장하여 분류알고리즘으로 실험을 하였다.
- 두 번째는 인공산물인 안구잡파 제거를 위해 LMS 알고리즘을 사용하였다. LMS(the Least Mean Squares) 알고리즘은 비정상적인 생체신호를 제거하는데 유용하기 때문에 인공산물 제거에 사용하였다. 두 단계에서 잡음이 제거된 신호는 FFT분석을 시행하여 주파수대 별로 Power Spectrum분석을 하여 특징 추출을 하였다.
- 실험은 DEAP Dataset의 32개의 데이터 중에서 10개의 데이터를(남5, 여5) 선택하여 실험하였다. SVM을 활용한 분류 실험은 WEKA[7]를 사용하였다. 분류 시에 교차 검증(Cross-Validation)은 10-fold로 맞추어 진행하였다.
- [4]는 감정분류방법으로 Valence-Arousal평면을 사용하였다. Valence-Arousal 평면은 LAHV(Low-Arousal-High -Valence), HAHV(High-Arousal-High-Valence), LALV(Low-Arousal-Low-Valence), HALV(High-Arousal-Low-Valence)으로 총 사분면으로 구성되어있으며, 감정상태가 사분면 중 어느 면에 근접한지를 추정하는 방법이다.
- 뇌파신호는 IIR(Infinite Impulse Response) Filter을 사용하여 잡음을 제거한다. IIR filter은 비선형주기의 필터로써, 입력신호의 값과 출력신호의 값이 재귀적(recursive)으로 적용되어 필터링이 수행된다.
- 5Hz로 지정하였다. 두 번째는 인공산물인 안구잡파 제거를 위해 LMS 알고리즘을 사용하였다. LMS(the Least Mean Squares) 알고리즘은 비정상적인 생체신호를 제거하는데 유용하기 때문에 인공산물 제거에 사용하였다.
- 감정인식은 뇌파에서 많이 연구되고 있는 주제이며, 본 실험에서는 오픈 데이터인 DEAP Dataset를 활용한 데이터 분석 방법에 관한 연구를 시행하였다. 분류 알고리즘으로는 생체신호에서 가장 많이 사용되었던 알고리즘인 SVM을 활용하여 정확도를 도출하였다. 실험결과 71.
- 분류알고리즘은 생체신호에서 많이 사용되었던 SVM(Support Vector Machine)을 사용하여 분류실험을 시행하였다. SVM은 최대마진 초평면을 갖는 알고리즘으로 선형 비선형 알고리즘보다 우수한 성능을 보인다.
성능/효과
- 분류 알고리즘으로는 생체신호에서 가장 많이 사용되었던 알고리즘인 SVM을 활용하여 정확도를 도출하였다. 실험결과 71.85%의 정확도를 도출하여 이전의 실험결과보다 우수하였다. 향후에는 SVM외에도 다른 연구에서 시행된 베이지안 네트워크, C 4.
- [3]의 결과는 뇌파를 활용한 감정분류를 시행하여 SVM으로 분류한 결과를 나타낸 것으로, 본 실험의 결과와 비교분석하였다. 실험결과 [3]은 70%대의 결과에 미치지 못하였지만, 본 실험은 71.85%의 결과를 도출하여 이전에 결과에 비해 높은 정확도를 도출하였다.
후속연구
- 5 및 다양한 트리 알고리즘을 활용한 실험을 진행할 필요가 있다. 아울러 다른 연구에서 사용되었던 특징추출 방법인 웨이블릿변환과, HOS(Higher Order Spectra), AR(Auto Regression), FD(Fractal Dimension)방법을 적용한 연구를 시행할 필요가 있다.
- 본 연구에서는 감정인식 오픈데이터인 DEAP Dataset[4]를 활용한 데이터 분석방법에 관한 연구를 진행하였으며, SVM을 사용한 분류실험을 시행하였다. 향후에는 SVM 외에 감정분류에 유용한 패턴인식 알고리즘에 대한 연구와 전처리 시 다른 연구에서 사용되었던 필터 및 특징분석 방법에 관한 연구가 필요하다.
- 85%의 정확도를 도출하여 이전의 실험결과보다 우수하였다. 향후에는 SVM외에도 다른 연구에서 시행된 베이지안 네트워크, C 4.5 및 다양한 트리 알고리즘을 활용한 실험을 진행할 필요가 있다. 아울러 다른 연구에서 사용되었던 특징추출 방법인 웨이블릿변환과, HOS(Higher Order Spectra), AR(Auto Regression), FD(Fractal Dimension)방법을 적용한 연구를 시행할 필요가 있다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.