머신러닝은 인공지능의 한 하위 분야로, 특정 문제에 대해 명시적인 알고리즘이 아니라 학습 가능한 모델을 생성함으로써 문제를 해결한다. 머신러닝은 질병 검출, 컴퓨터 비전, 데이터 예측 분야에서 널리 사용되고 있다. 머신러닝 알고리즘의 예로는 인공신경망, k-NN, SVM 등이 있으며, 그 외도 포함될 수 있다. 머신러닝 모델의 ‘학습’은 훈련 데이터셋을 사용하여 내부 매개변수를 업데이트하는 과정으로 수행된다. 이때 모델의 수렴 속도와 인식률은 학습 데이터의 구성에 따라 달라진다. 본 논문에서는 DEAP(생리 신호를 이용한 감정 분석을 위한 데이터베이스; Database for Emotion Analysis using Physiological Signals)를 사용하여 감정 분류를 위한 머신러닝 모델을 구성할 때 인식률을 향상시키기 위해 훈련 데이터의 집합을 어떻게 선택하는지에 대해 연구한다. EEG는 32개 채널 중에서 즐거움, 슬픔 또는 충격을 유발하는 영상을 시청하는 동안 선택된 FP1 및 FP2의 두 채널을 통해 기록하였다. EEG 데이터에 FFT(고속 푸리에 변환; Fast Fourier Transform)를 적용하여 얻은 PSD(전력 스펙트럼 밀도; Power Spectral Density) 값은 인공신경망에 입력하기 위한 목적의 뇌파 특징 데이터로 사용하였다. 마지막으로, SAM(Self-Assessment Manikin) 방법으로 결정된 Valence 및 Arousal 값에 기초하여 EEG 데이터에서 훈련 데이터를 선택함으로써 인공신경망, k-NN, SVM 모델을 모델링하고, 이를 통해 감정 분류를 수행하였다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.