earticle

한국어

최근 들어 뇌파(electroencephalogram, EEG) 신호와 같은 생리적 신호를 활용한 감정 인식 연구가 활발히 진행되고 있으며, EEG 신호의 시간적·공간적 특징을 효과적으로 추출하는 것이 감정 분류의 성능 향상에 핵심으로 작용하고 있다. 본 연구에서는 EEG 기반 감정 인식 성능을 높이기 위해 EEG 신호의 채널과 공간에서 중요한 특징에 가중치를 부여하는 CBAM (Convolutional Block Attention Module )과 양방향으로 시간적 맥락의 특징을 추출하는 Bi- LSTM(Bidirectional Long Short-Term Memory)과 전체적인 시계열 정보를 통합하는 Self-Attention 모듈을 순차적으로 적용한 방법을 제안한다. CNN 모델을 기준으로 CBAM을 적용한 결과 긍정과 부정을 나타내는 정서가(Valence)에서는 정확도가 56.39%에서 62.75%로 개선되었고 감정의 정도를 나타내는 각성도(Arousal)의 정확도는 56.16%에서 65.27%로 개선되었으며, Bi-LSTM과 Self-Attention을 순차적으로 적용한 결과 정서가(Valence)에서는 정확도가 62.75%에서 74.15%로 개선되었고, 각성도(Arousal)의 정확도는 65.27%에서 71.54%로 개선되었다. 본 모델은 시공간적 정보를 효율적으로 통합하여 EEG 기반 감정 인식의 정밀도를 유의미하게 개선하였다.