초록
본 논문에서는 새로운 동적 그래프 컨볼루션 신경망(DGCNN) 기반의 다중 채널 EEG 감정 인식 방법을 제안한다. 제안된 EEG 감정 인식 방법의 핵심 아이디어는 다중 채널 EEG 특징을 그래프로 모델링하고, 이 모델을 기반으로 EEG 감정 분류를 수행하는 것이다. 기존의 전통적인 그래프 컨볼루션 신경망(GCNN) 방법과는 달리, 제안하는 DGCNN 방법은 신경망을 학습함으로써 서로 다른 뇌전도(EEG) 채널 간의 내재적 관계를 동적으로 학습할 수 있으며, 이 관계는 인접 행렬(Adjacency Matrix)로 표현된다. 이를 통해 보다 구분력 있는 EEG 특징 추출이 가능해진다. 이후 학습된 인접 행렬을 활용하여 더욱 구분력 있는 특징을 추출함으로써 EEG 감정 인식 성능을 향상시킨다. 제안된 방법은 SJTU 감정 EEG 데이터셋(SEED)과 DREAMER 데이터셋을 대상으로 광범위한 실험을 수행하였다. 실험 결과, 제안된 방법은 최신 기술 대비 더 뛰어난 인식 성능을 달성하였으며, SEED 데이터셋에서 피험자 의존형 실험에서는 평균 정확도 90.4%를, 피험자 독립형 교차 검증 실험에서는 79.95%를 기록하였다. 또한 DREAMER 데이터셋에서 Valence(가치), Arousal(각성), Dominance(지배성) 분류 각각에 대해 평균 정확도 86.23%, 84.54%, 85.02%를 각각 달성하였다.