EEG 신호의 차원 축소 및 분류를 위한 텐서 분해와 딥 컨볼루션 신경망의 활용

새로운 딥 러닝 기반의 뇌전위신호(EEG) 분석 프레임워크가 제안되었습니다. 최근에 딥 뉴럴 네트워크, 특히 컨벌루션 신경망(CNNs)이 주목을 받고 있지만, 여전히 학습 데이터의 고차원성 문제를 겪고 있습니다. CNNs의 2차원 입력 이미지는 전통적인 신경망의 1차원 시간 시리즈 입력보다 중복성을 갖기 쉽습니다. 본 연구에서는 EEG 신호의 시간-주파수 표현을 텐서 분해하여 CNN 입력 차원을 줄이는 새로운 차원 축소 프레임워크를 제안합니다. 제안된 텐서 분해 기반 차원 축소 알고리즘은 입력 텐서의 큰 슬라이스 집합을 '슈퍼 슬라이스'라고 불리는 간결한 슬라이스 집합으로 변환합니다. 슈퍼 슬라이스를 사용하면 EEG 데이터의 아티팩트와 중복성을 처리할 수 있을 뿐만 아니라 CNN 학습 입력의 차원도 줄일 수 있습니다. 또한 우리는 EEG 이미지 생성을 위한 다양한 시간-주파수 표현 방법을 고려하고, 이들 사이에서 포괄적인 비교를 제공합니다. 제안된 프레임워크는 HCB-MIT 데이터셋에서 테스트되었으며, 결과는 우리의 접근 방식이 이전 연구들보다 우수함을 보여줍니다.