| 1 |
1
특징 추출부를 통해 생체 신호 데이터의 종류에 따라 시간, 주파수, 시간-주파수 및 두뇌 편향 영역에서의 특징을 추출하는 단계; 복수의 데이터베이스를 통해 데이터의 라벨 값을 정하기 위한 연속 어노테이션 라벨링(Continuous Annotation Labeling)을 수행하는 단계; 및양방향 LSTM 모델 학습부를 통해 상기 추출된 특징 및 라벨링된 데이터를 학습하여 감정인식을 수행하는 단계를 포함하는 감정인식 방법
|
| 2 |
2
제1항에 있어서,상기 특징 추출부를 통해 생체 신호 데이터의 종류에 따라 시간, 주파수, 시간-주파수 및 두뇌 편향 영역에서의 특징을 추출하는 단계는, 시간 영역의 특징은 감정인식을 위해 시간에 따라 변화하는 생체 신호로부터 유도된 특징을 추출하고, 주파수 영역의 특징은 서로 다른 주파수 대역에서 나타나는 서로 다른 감정 상태를 출력하기 위해 PSD(Power spectrum density)를 슬로우 알파, 알파, 베타, 감마의 영역으로 추출하고, 시간-주파수 영역의 특징은 시간을 기준으로 복수의 비트로 분해하는 이산 웨이브렛 변환을 이용하고, 상기 이산 웨이브렛 변환으로 구해진 값에서 재귀 에너지 효율을 계산하며, 두뇌 편향 영역의 특징은 화는 특정 감정이나 인지과정에서 활성화되는 뇌의 특정부위의 활성도를 이용하여 감정상태에 따른 좌뇌와 우뇌의 상관관계 특징을 이용하는 감정인식 방법
|
| 3 |
3
제1항에 있어서,상기 복수의 데이터베이스를 통해 데이터의 라벨 값을 정하기 위한 연속 어노테이션 라벨링을 수행하는 단계는, MAHNOB-HCI 데이터베이스 및 MERTI-Apps 데이터베이스를 이용하고, 상기 MAHNOB-HCI 데이터베이스의 경우, FEELTRACE 프로그램 및 조이스틱을 사용하여 밸런스에 대하여 라벨링을 수행하고, 상기 MERTI-Apps 데이터베이스의 경우 MATLAB 프로그램을 통해 라벨링을 수행하는 감정인식 방법
|
| 4 |
4
제1항에 있어서,상기 양방향 LSTM 모델 학습부를 통해 상기 추출된 특징 및 라벨링된 데이터를 학습하여 감정인식을 수행하는 단계는, 셀상태와 게이트를 사용하는 LSTM 모델 학습을 수행하고, 상기 셀상태는 히든 레이어를 사용하며, 상기 히든 레이어를 갱신하기 위해 포겟(Forget), 입력(Input) 및 출력(Output) 게이트를 사용하며, 상기 포겟 게이트는 이전 상태의 히든 레이어의 값을 기억하는 정도를 결정하고, 상기 입력 게이트는 이전 상태에서 들어온 값이 아닌 새로운 값을 현재 히든 레이어에 반영할 정도를 결정하며, 상기 출력 게이트는 현재 셀상태에서 출력할 값을 결정하고, 상기 양방향 LSTM 모델 학습을 위해 각각 정방향과 역박향으로 동작하는 두 개의 LSTM 모델 학습을 수행하는 감정인식 방법
|
| 5 |
5
생체 신호 데이터의 종류에 따라 시간, 주파수, 시간-주파수 및 두뇌 편향 영역에서의 특징을 추출하는 특징 추출부; 데이터의 라벨 값을 정하기 위한 연속 어노테이션 라벨링(Continuous Annotation Labeling)을 수행하는 복수의 데이터베이스; 및 상기 추출된 특징 및 라벨링된 데이터를 학습하여 감정인식을 수행하는 양방향 LSTM 모델 학습부 를 포함하는 감정인식 장치
|
| 6 |
6
제5항에 있어서,상기 특징 추출부는, 시간 영역의 특징은 감정인식을 위해 시간에 따라 변화하는 생체 신호로부터 유도된 특징을 추출하고, 주파수 영역의 특징은 서로 다른 주파수 대역에서 나타나는 서로 다른 감정 상태를 출력하기 위해 PSD(Power spectrum density)를 슬로우 알파, 알파, 베타, 감마의 영역으로 추출하고, 시간-주파수 영역의 특징은 시간을 기준으로 복수의 비트로 분해하는 이산 웨이브렛 변환을 이용하고, 상기 이산 웨이브렛 변환으로 구해진 값에서 재귀 에너지 효율을 계산하며, 두뇌 편향 영역의 특징은 화는 특정 감정이나 인지과정에서 활성화되는 뇌의 특정부위의 활성도를 이용하여 감정상태에 따른 좌뇌와 우뇌의 상관관계 특징을 이용하는 감정인식 장치
|
| 7 |
7
제5항에 있어서,상기 복수의 데이터베이스는, MAHNOB-HCI 데이터베이스 및 MERTI-Apps 데이터베이스를 포함하고, 상기 MAHNOB-HCI 데이터베이스의 경우, FEELTRACE 프로그램 및 조이스틱을 사용하여 밸런스에 대하여 라벨링을 수행하고, MERTI-Apps 데이터베이스의 경우 MATLAB 프로그램을 통해 라벨링을 수행하는 감정인식 장치
|
| 8 |
8
제5항에 있어서,상기 양방향 LSTM 모델 학습부는, 셀상태와 게이트를 사용하는 LSTM 모델 학습을 수행하고, 상기 셀상태는 히든 레이어를 사용하며, 상기 히든 레이어를 갱신하기 위해 포겟(Forget), 입력(Input) 및 출력(Output) 게이트를 사용하며, 상기 포겟 게이트는 이전 상태의 히든 레이어의 값을 기억하는 정도를 결정하고, 상기 입력 게이트는 이전 상태에서 들어온 값이 아닌 새로운 값을 현재 히든 레이어에 반영할 정도를 결정하며, 상기 출력 게이트는 현재 셀상태에서 출력할 값을 결정하고, 상기 양방향 LSTM 모델 학습을 위해 각각 정방향과 역박향으로 동작하는 두 개의 LSTM 모델 학습을 수행하는 감정인식 장치
|
