earticle

영어

This study compares the classification performance of different model architectures in EEG-based emotion recognition and explores an optimal design that integrates frequency-based features with temporal dependencies. Emotion-eliciting stimuli were presented in a controlled environment, and a baseline condition was established using a black-screen paradigm. Emotional labels were defined using the Self-Assessment Manikin (SAM). The collected EEG signals were filtered, segmented using a sliding window, and processed to extract band power features. These features were applied to both a 1D CNN-BiLSTM model and a Self-Attention-based model under identical conditions. The results show that the CNN-BiLSTM model achieved the most stable performance in terms of Accuracy and F1-score, indicating that combining frequency characteristics with temporal dependencies is effective for EEG-based emotion classification. Although the Self-Attention model showed improvements in some classes, the overall performance difference was not significant.

한국어

본 연구는 EEG 기반 감정 인식에서 모델 구조에 따른 분류 성능 차이를 비교하고, 주파수 기반 특징과 시계열 의존성을 동시에 반영하는 최적 모델 설계 방향을 규명하는 것을 목적으로 한다. 이를 위해 통제된 실험 환경에서 감정 유발 자극을 제시하고 블랙 스크린 기반 baseline을 확보하였으며, SAM 평가를 통해 라벨을 구성하였다. 수집된 EEG 신호는 필터링과 슬라이딩 윈도우 분할 후 Band Power 특징을 추출하고, 이를 1D CNN-BiLSTM 모델과 Self-Attention 모델에 동일한 조건으로 적용하였다. 실험 결과 CNN-BiLSTM 모델이 전반적으로 가장 안정적인 Accuracy와 F1-score를 보였으며, 주파수 패턴과 시간적 의존성의 결합이 EEG 감정 분류에 효과적임을 확인하였다. Self-Attention 모델은 일부 클래스에서 향상을 보였으나 평균 성능 차이는 크지 않았다.