지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 최아영
- 발행연도
- 2020
- 저작권
- 가천대학교 논문은 저작권에 의해 보호받습니다.
이용수45
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
최근 뇌파, 심전도 등 사용자의 생체 신호에서 나타나는 감정을 딥러닝 알고리즘을 적용하여 분석하는 연구가 활발히 이루어지고 있다. 그러나 기존 연구에서는 뇌파와 감정의 특성을 잘 반영하지 못하는 문제점이 아직 해결이 되지 않았다. 이러한 문제를 해결하기 위해 본 연구에서는 감정의 전후 상황을 고려하기 위해 이에 적합한 Long-Short Term Memory 네트워크를 사용했고, 특정 순간에서 나타나는 감정 상태에 가중치를 주며 학습을 시키기 위한 어텐션 메커니즘을 적용했다. 별도의 특징 추출 과정을 거치지 않은 뇌파 신호을 사용하여 Valence와 Arousal에 대해 2단계 분류 실험 및 3단계 분류 실험을 수행하였다. 2단계 분류 실험 결과, Valence에 대해서는 90.1%의 정확도를, Arousal에 대해서는 87.9%의 정확도를 보였다. 3단계 분류 실험 결과는 Valence에 대해서 83.5%의 정확도를, Arousal에 대해서는 82.5%의 정확도를 보였다. 추가적으로 CNN 서브 모듈을 가진 네트워크로 진행한 실험에서는 2단계 분류 실험에서 Valence에 대해 90.1%, Arousal에 대해 88.3%의 정확도를 보였고, 3단계 분류 실험에서는 Valence에 대해 85.7%, Arousal에 대해 84.1%의 정확도를 보였다.
목차
I. 서론 1II. 용어 3III. 관련연구 41. 뇌파와 감정 41.1 뇌파 발생 원리와 측정 방법 41.2 감정 분류 모델 62. 특징 추출과 머신 러닝, 딥 러닝 기반의 감정 분류 방법 8IV. 뇌파를 활용한 딥러닝 기반의 감정 분류 기법 101. 전체 프로시저 102. 데이터 수집 및 전처리 123. LSTM + Attention 기반 감정 분류 모델 153.1 LSTM 네트워크 153.2 Attention mechanism 194. LSTM + Attention + CNN 기반 감정 분류 모델 204.1 전체 네트워크 구조 204.2 CNN 네트워크 구조 21V. 실험 및 결과 231. 실험 환경 및 파라미터 최적화 232. 실험 결과 및 분석 262.1 LSTM + Attention 네트워크 결과 분석 262.1.1 2단계 분류 262.1.2 3단계 분류 292.1.3 요약 및 정리 312.2 LSTM + Attention + CNN 네트워크 결과 분석 332.2.1 2단계 분류 332.2.2 3단계 분류 352.2.3 다른 딥 러닝 네트워크와의 비교 372.2.4 요약 및 정리 38VI. 결론 41참고문헌 42ABSTRACT 46
최근 본 자료
댓글(0)
0