earticle

영어

This study proposes a hybrid deep learning model to improve the accuracy of EEG-based emotion recognition by effectively extracting spatial and temporal features. Initially, Convolutional Neural Networks (CNN) were combined with the Convolutional Block Attention Module (CBAM) to enhance initial feature extraction by selectively emphasizing channel and spatial information in EEG signals. Subsequently, Bidirectional Long Short-Term Memory (Bi-LSTM) networks were employed to learn temporal contextual information, and the Self-Attention mechanism from Transformers was incorporated to integrate global temporal dependencies. The study also conducted experimental comparisons of different module combination orders to identify the optimal model architecture. Using the DEAP dataset, the CNN-only model achieved classification accuracies of 56.39% for valence and 56.16% for arousal. The model augmented with CBAM improved these accuracies to 62.75% and 65.27%, respectively. Further sequential application of Bi-LSTM and Self-Attention resulted in significantly enhanced accuracies of 74.15% for valence and 71.54% for arousal. These results demonstrate that the hybrid architecture, which efficiently integrates spatial and temporal information, substantially improves emotion recognition performance based on EEG signals. Additionally, by incorporating individual differences through personalized labeling, the study confirmed the model’s generalizability across diverse participants.

한국어

최근 들어 뇌파(electroencephalogram, EEG) 신호와 같은 생리적 신호를 활용한 감정 인식 연구가 활발하게 이루어지고 있다. 특히, 다양한 딥러닝 기반의 하이브리드 모델이 도입되면서 EEG 신호의 시간적․공간적 특징을 효과적으로 추출하는 방법이 주목받고 있다. 이러한 접근 방식은 감정 분류 성능 향상에 중요한 역할을 하며, 최신 연구에서는 다양한 딥러닝 기술의 결합을 통해 EEG 감정 인식의 성능을 높이고 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-Attention을 적용하여 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 정서가는 62.75%, 각성도는 65.27%로 향상되었다. 이후 추가적으로 Bi-LSTM과 Self-Attention을 순차적으로 적용한 결과 정서가의 정확도는 62.75%에서 74.15%로 개선되었고, 각성도의 정확도는 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.