EEG 감정 인식의 한계를 뛰어넘다: 확산 모델 기반 합성 데이터의 혁신

초록

본 연구는 EEG 신호 기반 감정 인식의 주요 걸림돌인 데이터 부족 문제를 해결하기 위해 조건부 디노이징 확산 확률 모델을 활용한 합성 EEG 데이터 생성 방법을 제안합니다. 기존 데이터에 노이즈를 증강하여 모델에 입력함으로써 실제 데이터와 유사하지만 더 다양하고 현실적인 합성 샘플을 생성하며, DEAP 및 SADT 데이터셋에서 기존 GAN 및 DDPM 기반 방법 대비 최대 5.6%의 정확도 향상을 보였습니다.

상세 분석

이 연구의 기술적 핵심은 조건부 디노이징 확산 확률 모델(DDPM)을 EEG 도메인에 적용하고, 여기에 노이즈 증강이라는 간단하지만 효과적인 기법을 접목한 점에 있습니다. 기존 DDPM이 작은 데이터셋에서 학습할 때 생성 샘플의 다양성이 떨어지는 문제를 해결하기 위해, 실제 EEG 데이터에 표준 정규 분포의 노이즈를 추가한 뒤 이를 조건 정보로 모델에 입력합니다. 이 ‘증강 모듈’은 모델이 단순히 원본을 복제하는 것이 아닌, 실제 데이터의 의미 있는 변형을 포착한 다양한 합성 데이터를 생성하도록 유도합니다.

실험 방법론도 주목할 만합니다. DEAP과 SADT라는 두 가지 공개 EEG 감정 데이터셋을 사용하여 방법의 일반화 가능성을 입증했으며, 합성 데이터의 비율을 달리하여 성능 변화를 관찰했습니다. 결과는 합성 데이터의 비율이 증가할수록 실제 테스트 데이터에 대한 분류 정확도가 전반적으로 향상되는 경향을 보여, 합성 데이터의 유용성을 강력히 지지합니다. 성능 평가를 위해 EEGNet, TSception, LSTM 등 다양한 최신 분류기를 활용한 점도 방법의 강건성을 확인하는 데 기여했습니다. 더 나아가 t-SNE를 통한 시각화와 SHAP를 이용한 해석 가능성 분석은 생성된 합성 데이터의 특성과 분류 결정에 기여하는 요소를 이해하는 데 중요한 통찰을 제공합니다. 이 연구는 단순히 정확도를 높인 것을 넘어, 생성 모델의 출력을 정량적, 정성적으로 분석하는 포괄적인 평가 프레임워크를 제시했다는 점에서 의미가 큽니다.