Deep learning for ADHD diagnosis using rs-fMRI ROI selection and channel-attention-based speech emotion recognition
연구 내용
resting-state fMRI에서 필수 ROI를 선별해 ADHD 진단 정확도를 높이고, 스펙트로그램 전처리(STFT)와 ECA 채널 어텐션을 결합해 음성 감정 인식 성능을 향상하는 연구
resting-state functional magnetic resonance(rs-fMRI) 데이터에서 전체 뇌 영역을 모두 사용하는 대신, 진단에 필요한 핵심 영역을 ROI로 선별하여 딥러닝 학습의 효율과 성능을 함께 개선합니다. leave-one-site-out 교차검증을 적용하여 다기관 자료 통합 시의 일반화 가능성을 평가하고, 선택된 ROI 기반 모델 구조를 비교하는 방식으로 효과를 확인합니다. 음성 감정 인식에서는 spectrogram 전처리 과정에서 STFT의 시간-주파수 해상도 설정과 학습 가능한 데이터 증강을 체계적으로 탐색합니다. 또한 CNN의 채널 필터 학습을 보조하기 위해 효율적인 channel attention(ECA) 블록을 적용하여 채널별 특징 표현을 강화하고, 모델 성능을 전처리-아키텍처 조합 관점에서 최적화합니다.
관련 연구 성과
관련 논문
2편
관련 특허
0건
관련 프로젝트
0건
연구 흐름
초기에는 rs-fMRI 기반 ADHD 분류에서 필수 영역만 사용해 모델 입력을 구성하는 접근을 수행하고, 다기관 조건을 반영한 leave-one-site-out 교차검증으로 효과를 확인했습니다. 이후에는 이미지 기반 신경 데이터의 영역 선택 전략과 동일한 관점에서, 음성 감정 인식에서 데이터 전처리의 해상도 설계가 성능에 미치는 영향을 분해하여 탐색했습니다. 최근에는 STFT 기반 전처리 증강과 효율적인 채널 어텐션(ECA)을 함께 적용하는 CNN 구조로 확장하여, 채널 필터 학습을 중심으로 성능 향상 요인을 정리했습니다. 전처리-모델의 결합 변수를 명시적으로 탐색하는 방향으로 연구 궤적이 이어지고 있습니다.
활용 가능성
활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.
관련 논문
구분
제목
Finding Essential Parts of the Brain in rs-fMRI Can Improve ADHD Diagnosis Using Deep Learning
Searching for effective preprocessing method and CNN based architecture with efficient channel attention on speech emotion recognition