1 |
1
(a) 피험자의 감정 상태에 따라 머리 두피의 다채널 소정 시간의 기준 EEG 신호를 측정하여 저장하고, 전극 채널별 상기 소정 시간의 기준 EEG 신호와 비교되는 실험 EEG 신호를 측정하여 저장하고 이를 비교하는 단계; (b) 피험자의 두피의 여러 EEG 전극들로부터 기록되는 EEG 신호의 엔트로피로 표현하고 IMF, CIMF 스케일에서 각각 여러 시간 스케일에서의 특성을 나타내기 위해, 다변량 퍼지 엔트로피(Multivariate Fuzzy Entropy, mvFE)와 다변량 경험적 모드 분해(Multivariate Empirical Mode Decomposition, MEMD)를 결합한 다변량 다중스케일 퍼지 엔트로피(Multivariate Multiscale Fuzzy Entropy, MMFE)를 사용하여 피험자의 감정 상태별 소정 시간의 기준 EEG 신호의 기준치 보다 높은/낮은 각성(Arousal) 및 긍정/부정 정서(Valence)의 이진 분류에 따라 감정 상태를 구분하는 단계; 및 (c) 상기 이진 분류에 따라 상기 기준치 보다 높은/낮은 각성(Arousal) 및 긍정/부정 정서(Valence)로 감정 상태를 분류하고, IMF 스케일; CIMF 스케일의 각각의 스케일에서 상기 기준치 보다 낮은/높은 각성(Arousal) 및 긍정/부정 정서(Valance)의 MMFE 값들에 대한 AUC 값의 평균과 표준편차를 측정하여 감정 상태를 분석하는 단계; 를 포함하는 뇌전도의 다변량 다중스케일 퍼지 엔트로피 분석에 기반한 감정 인식 방법
|
2 |
2
제1항에 있어서, 상기 감정 상태는 Russell의 valence-arousal 모델을 사용하여 2차원 공간으로 표현되는, 뇌전도의 다변량 다중스케일 퍼지 엔트로피 분석에 기반한 감정 인식 방법
|
3 |
3
제1항에 있어서, 상기 다변량 경험적 모드 분해(MEMD)는 원신호를 내재 모드 함수(Intrinsic Mode Function, IMF)로 알려진 진폭/주파수 변조된 요소들의 합으로 분해하는 경험적 모드 분해(Empirical Mode Decomposition)의 다변량 확장 방법이며, 상기 IMF는 국소 극값의 수와 영 교차점의 수는 같거나 하나의 차이를 가져야 하고, 상위/하위 포락선(Envelope)의 평균이 0을 만족해야 하며, 이러한 두 조건은 다음 과정의 중지 기준으로 사용되고, 1) Hammersley sampling을 사용하여 K 개의 방향 벡터를 선정한 후, 각 방향 벡터에 대한 입력 신호의 투영을 계산하며, 2) 투영된 신호의 국소 최댓값들을 찾아 보간법을 사용하여 K 개의 다변량 포락선을 얻은 후, 이들의 평균으로 지역 평균값을 계산하고,3) 입력 신호에서 지역 평균값을 뺀 나머지 값이 중지 기준을 만족할 때까지 1,2 과정을 반복하여 다변량 IMF를 추출하며,4) 이후 초기 입력 신호에서 다변량 IMF를 뺀 나머지 값으로 1-3 과정을 반복하여 나머지 IMF들을 추출하고,이후, 각 IMF와 식 (1)과 같이 계산되는 누적된 IMF(Cumulative IMF, CIMF)는 스케일 인자 s에 따라 MMFE의 다변량 입력 시계열로 사용되는, 식(1)뇌전도의 다변량 다중스케일 퍼지 엔트로피 분석에 기반한 감정 인식 방법
|
4 |
4
제1항에 있어서, 상기 다변량 퍼지 엔트로피(mvFE)는 기존의 퍼지 엔트로피를 사용하여 다변량 시계열의 복잡도를 정량화하기 위한 방법이며,먼저, 길이 N인 p-채널 시계열 에 대해 식(2)와 같이 합성 지연 벡터(Composite delay vectors)를 구성하고, 식(2)와 는 각각 채널의 임베딩 차원(Embedding dimension)과 시간 지연 계수를 나타내고, 이며, 다음으로, 두 합성 지연 벡터들 사이의 거리는 체비셰프 거리(Chebychev distance)이며, 식 (3)과 같이 계산되고, 식(3)그 다음, 임계 값 r이 주어졌을 때, 의 평균 소속도(Average membership grade) 은 식 (4)와 같이 정의되며, 식(4)θ(d,r)는 퍼지 소속 함수(Fuzzy membership function)로, 식 (5)로 표현되고, 식(5)는 퍼지 파워(Fuzzy power)를 나타내며 주로 2를 사용하며, 이후, 에서 로 임베딩 차원을 확장하여 위 과정을 통해 평균 소속도 을 계산하고, 이때, p 개(p-채널)의 다른 방법으로 수행될 수 있기 때문에, 식 (2)의 가능한 합성 지연 벡터들의 구성은 p x (N - n)개를 얻을 수 있으며,마지막으로, 엔트로피, mvFE는 식 (6)으로 계산되며, 원 다변량 시계열을 MEMD로 분해한 각 또는 를 mvFE의 입력 시계열로 사용하여 다변량 다중스케일 퍼지 엔트로피(Multivariate Multiscale Fuzzy Entropy, MMFE)를 정의하며, 식(6)여기서, 는 스케일 s에서 또는 를 의미하는, 뇌전도의 다변량 다중스케일 퍼지 엔트로피 분석에 기반한 감정 인식 방법
|
5 |
5
제1항에 있어서, 특정 피험자의 EEG 신호에 대하여 IMF 스케일에 따른 MMFE 결과를 보면, 상대적으로 고주파에 해당하는 기준값보다 작은 스케일의 IMF에서만 각성 및 정서의 두 감정 상태 사이의 구분이 되며, 기준값 보다 스케일이 커질수록 특성이 잘 나타나지 않으며 두 값 사이의 표준편차도 점차 커지며, 특정 피험자의 EEG 신호에 대하여 CIMF 스케일에 따른 MMFE 결과를 보면, 모든 스케일에서 가장 큰 고주파 성분인 을 포함하는 CIMF는 대부분 스케일에서 표준편차는 상당히 크지만, 도 3의 IMF 스케일을 사용한 결과보다 두 값 사이의 차이가 더 명확하게 되는, 뇌전도의 다변량 다중스케일 퍼지 엔트로피 분석에 기반한 감정 인식 방법
|
6 |
6
제1항에 있어서,상기 단계 (c)는 (c1) 피험자에 대한 CIMF 스케일에 따른 MMFE (CIMF 사용) 결과: (a) 기준치 보다 높은/낮은 각성(HA/LA); (b) 긍정/부정 정서(HV/LV)를 추출하는 단계; (c2) 이러한 결과들로부터 각 CIMF 스케일에 따른 이진 감정 분류의 성능 평가를 위해, 수신자 조작 특성(Receiver Operating Characteristic, ROC) 곡선 아래 면적(Area Under Curve, AUC) 값을 측정하는 단계; (c3) 기준치 보다 낮은/높은 각성(Arousal) 및 긍정/부정 정서(Valance)의 MMFE 값들에 대한 평균 AUC 측정 값: (a) IMF 스케일; (b) CIMF 스케일, 각 스케일에서 모든 피험자에 대한 AUC 값의 평균과 표준편차를 측정하여 분석하는 단계를 포함하며, 먼저 MMFE에 IMF 스케일을 사용한 경우, 최대 평균 AUC 값은 스케일 3과 2에서 059와 06 이며, 스케일이 커질수록 점차 감소하며[도 5(a)], 반면에 MMFE에 CIMF 스케일을 사용한 경우, 높은/낮은 각성(Arousal) 및 긍정/부정 정서(Valence)의 분류는 각각 스케일 2와 3 이상에서 거의 일정한 평균 AUC 값을 나타냈으며, 최대 평균 061과 062를 나타나는[도 5(b)], 뇌전도의 다변량 다중스케일 퍼지 엔트로피 분석에 기반한 감정 인식 방법
|
7 |
7
제1항에 있어서, 상기 다변량 퍼지 엔트로피(mvFE)와 상기 다변량 경험적 모드 분해(MEMD)를 결합한 MMFE 방법을 사용하여 다변량 EEG 신호의 복잡도를 정량화하였으며, 그로부터 감정 상태의 분류를 하였으며, 분류 성능은 ROC 곡선의 AUC 값으로 평가하였으며, 기준치 보다 높은/낮은 각성(Arousal) 및 긍정/부정 정서(Valence)의 분류에 대한 AUC 값은 IMF 다중스케일의 경우 059와 06, CIMF 다중스케일의 경우 061과 062의 최대 평균값이 출력되는, 뇌전도의 다변량 다중스케일 퍼지 엔트로피 분석에 기반한 감정 인식 방법
|