메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류

추천
검색
질문

논문 기본 정보

자료유형
학술대회자료
저자정보
이효찬 (고려대학교 세종캠퍼스) 홍승용 (고려대학교 세종캠퍼스) 이형탁 (고려대학교 세종캠퍼스) 황한정 (고려대학교 세종캠퍼스)
저널정보
한국정보기술학회 Proceedings of KIIT Conference 한국정보기술학회 2021년도 하계종합학술대회 및 대학생논문경진대회
발행연도
2021.6
수록면
703 - 706 (4page)

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색
질문

초록· 키워드

오류제보하기
본 연구에서는 대표적인 뇌신경신호인 뇌전도(electroencephalogram: EEG)와 근적외선 분광법(near-infrared spectroscopy: NIRS)의 적은 데이터로 우수한 인지 과제 분류 정확도를 얻기 위해 전이 학습(transfer learning) 기반의 인지 과제 분류를 수행하였다. 데이터 분석에는 29명의 피험자가 암산 30회, 휴식 30회 총 60회의 인지 과제 수행시 EEG와 NIRS를 동시 측정한 데이터를 활용하였다. 전이 학습에는 대표적인 이미지 분류 딥러닝 모델인 AlexNet과 GoogLeNet을 사용하였다. EEG와 NIRS데이터의 원신호를 그대로 활용하거나 주파수 분석을 통해 원신호를 가공한 것을 각각 입력 데이터로 활용하여 전이학습을 수행하였으며, 분류 정확도 산출을 위해 5겹 교차 검증(cross-validation)을 수행하였다. 분류 결과 AlexNet이 GoogLeNet보다 우수한 성능을 보였으며 GoogLeNet의 경우 대부분 50% 전후의 정확도를 보이는 것으로 보아 전이 학습이 제대로 작동하지 않은 것으로 판단된다. 입력 데이터 측면에서는 원신호를 그대로 이용하는 것이 주파수 기반의 데이터를 활용하는 것 보다 대체로 높은 성능을 보였다. AlexNet 모델에 EEG의 원신호를 그대로 입력 데이터로 사용하였을 때 76.32 ± 14.79%의 가장 높은 이진 분류 정확도를 보였다.

목차

요약
Abstract
Ⅰ. INTRODUCTION
Ⅱ. EXPERIMENTAL DETAILS
Ⅲ. RESULT
Ⅳ. CONCLLUSION
REFERENCES

참고문헌 (0)

참고문헌 신청

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

이 논문과 함께 이용한 논문

최근 본 자료

전체보기

댓글(0)

0

UCI(KEPA) : I410-ECN-0101-2021-004-001771915