콘텐츠 본문
새글 논문 국내 국내전문학술지(KCI급) EEG 신호의 시공간적 특징 추출 강화와 감정 인식 정확도 개선을 위한 하아브리드 접근법
- 학술지 구분 국내전문학술지(KCI급)
- 게재년월 2025-11
- 저자명 송정아, 김건우, 최근호
- 학술지명 Information Systems Review
- 발행처명 한국경영정보학회
- 발행국가 국내
- 논문언어 한국어
- 전체저자수 3
- 연구분야 사회과학 > 경영학
- 키워드 #DEAP #Emotion recognition #Self-Attention #CBAM #Electroencephalograph(EEG)
논문 초록 (Abstract)
최근 들어 뇌파(electroencephalogram, EEG) 신호와 같은 생리적 신호를 활용한 감정 인식 연구가 활발히 진행되고 있으며, 다양한 딥러닝 기술을 결합한 하이브리드 구조를 통해 EEG 신호의 시간적·공간적 특징을 효과적으로 추출하는 것이 감정 분류의 성능 향상에 핵심으로 작용하고 있다. 본 연구에서는 EEG 기반 감정 인식의 정확도를 향상시키기 위해 CNN과 CBAM(Convolutional Block Attention Module)을 결합하여 EEG 신호의 채널 및 공간 정보를 강조하여 초기 특징 추출을 강화하고, Bi-LSTM을 통해 시간적 맥락을 학습하며, Transformer의 Self-Attention 메커니즘을 도입해 전역적 시계열 정보를 통합한 모델을 제안하였다. 또한, 각 모듈의 결합 순서가 감정 분류 성능에 미치는 영향을 실험적으로 비교·분석하여 최적의 구조를 도출하였다. DEAP 데이터셋의 EEG 신호를 활용하여 실험한 결과, CNN을 적용한 모델의 정확도는 정서가(Valence) 56.39%, 각성도(Arousal) 56.16%였으며, 초기 특징 추출 강화를 위해 CNN에 CBAM을 결합한 모델의 정확도는 정서가(Valence) 62.75%, 각성도(Arousal) 65.27%로 향상되었다. 이후 추가적으로 Bi-LSTM과 Self-Attention을 순차적으로 적용한 결과 정서가의 정확도는 62.75%에서 74.15%로 개선되었고, 각성도의정확도는 65.27%에서 71.54%로 개선되었으며, 이는 기존 선행연구 대비 유의미한 성능 향상임을 확인하였다. 본 연구는 시공간적 정보를 효율적으로 통합하여 EEG 기반 감정 인식의 정밀도를 유의미하게 개선하였으며, 개인별 편차를 고려한 레이블링으로 모델의 일반화 가능성을 확인하였다.
