earticle

영어

According to the development of artificial intelligence, emotion recognition has emerged as an important element from psychology to engineering. In the previous research, there are various of materials such as voice, motion, and behaviors. However, these responses have a weakness to identify real emotional states because of making the faking voice or hiding facial expression unlike their emotion as intended by oneself. Some studies related to emotion recognition have extended to study emotion recognition using physiological signals such as electroencephalogram (EEG), electrocardiogram (ECG), skin conductance (SKT) and respiration. In this study, we performed the emotion recognition using SVM (Support Vector Machine) with public open database. The EEG signals conducted the preprocessing for removal to artifacts such as muscle and eye blicks. In the feature extraction, the window size is 10 seconds and 50% overlap and the output image data is produced per 1ms. As a result, we achieved the classification average accuracy of 94.6% among three emotion, positive, negative and calm. In conclusion, this proposed method is a novel approach for deal with time-series data such as voice and physiological signals. Also, we proposed that feature extraction relates to emotion recognition for machine learning.

한국어

최근 인공지능 기술의 발달과 더불어 감정인식은 중요한 연구 분야로 대두되고 있다. 기존의 음성, 얼굴을 기반으로 한 감정연구에서 최근에는 보다 객관적인 뇌파 등과 같은 생체신호를 활용하는 연구로 확대되고 있다. 본 연구에서 는 뇌파 데이터를 활용하여 긍/부정에 대한 뇌파에 특징요소를 추출하고, 대표적인 기계학습 분류기인 SVM(Support Vector Machine) 분류기를 활용하여 감정분류를 진행하였다. 뇌파 신호에 대한 전처리를 통하여 몸과 눈의 움직임(eye-blick)과 같은 방해파를 제거하였다. 특징요소 추출을 위하여 전처리된 뇌파 데이터를 10ms 당 데이터의 평균값을 생성하고, 이를 50%로 중첩하는 방법으로 1ms 단위의 이미지를 형성하였다. 추출된 특징요 소는 대표적인 기계학습 분류기인 SVM을 사용하여 감정분류를 진행하였다. 그 결과, 3가지 감정에 대하여 평균 94.6%의 결과를 도출하였다. 본 연구의 결과는 감정분류에 있어서 시계열 데이터를 이미지화하는 방법으로 특징을 추출하였다. 향후 시계열 데이터 처리에 있어서 새로운 특징요소 추출방법으로 활용 가능하며, 또한, 감정을 세분화 하여 다양한 기계학습 알고리즘에 적용할 수 있는 새로운 접근법을 제안한 것에 의의를 둔다.