뇌전도 기반 감정 분석을 위한 인지적 피라미드 네트워크와 시퀀스 인퍼런스 엔진

초록

본 논문은 ZUCO 2.0 데이터셋의 128채널 EEG 신호를 전처리한 뒤, 자동인코더 기반 Feature Pyramid Network(FPN)으로 다중 스케일 특징을 추출하고, 이를 Gated Recurrent Unit(GRU)으로 시계열을 모델링하여 감정(긍정/부정) 분류를 수행한다. 제안 모델은 기존 CNN·LSTM 기반 방법 대비 6.88 %의 정확도 향상을 보였으며, DEAP·SEED 데이터셋에서도 일반화 가능성을 확인하였다.

상세 분석

이 연구는 EEG 기반 감정 인식 분야에서 두 가지 핵심 기술을 결합한다. 첫째, 전통적인 CNN‑기반 FPN을 변형하여 자동인코더(Encoder‑Decoder) 구조를 도입함으로써 고차원 128채널·시간축 데이터를 저차원 잠재공간으로 압축하면서도 노이즈에 강인한 다중 스케일 특징을 학습한다. Encoder‑Decoder 사이의 스킵 연결은 FPN이 강조하는 ‘상향‑하향’ 경로와 유사하게, 저해상도 전역 정보와 고해상도 세부 정보를 동시에 보존한다. 둘째, 이렇게 추출된 피라미드 특징을 GRU에 입력해 시계열 의존성을 모델링한다. GRU는 LSTM에 비해 파라미터가 적고 vanishing gradient 문제가 덜 발생하므로, 0.5–30 Hz 대역으로 필터링된 EEG 시퀀스를 효율적으로 처리한다.

데이터 전처리 단계에서는 밴드패스 필터링(0.5–30 Hz) 후, 3차원(샘플 × 채널 × 시간) 텐서를 2차원(샘플 × 특징)으로 플래튼한다. 이는 자동인코더 입력 형식에 맞추기 위한 것이며, 차원 축소 과정에서 정보 손실을 최소화하기 위해 128, 64, 32와 같은 점진적 차원 감소가 적용된 것으로 추정된다. 논문은 FPN의 다운샘플링을 stride‑2 컨볼루션, 업샘플링을 패딩‑보간으로 구현했으며, 수식 (1)·(2)에서 제시된 연산은 전형적인 피라미드 구조와 일치한다.

성능 평가에서는 ZUCO 2.0를 5‑fold 교차검증으로 실험하고, 기존 CNN‑LSTM, CNN‑GRU, 전통적인 머신러닝(예: SVM) 대비 정확도·F1‑score에서 평균 6.88 % 향상을 보고한다. 또한 DEAP·SEED에 대한 전이 실험을 수행했지만, 구체적인 도메인 적응 방법이나 교차‑피험자 검증 결과는 상세히 제시되지 않아 일반화 능력에 대한 의문이 남는다.

비판적으로 보면, 모델 아키텍처의 하이퍼파라미터(예: 레이어 수, 은닉 차원, 학습률)와 훈련 전략(옵티마이저, 배치 크기, 에포크 수)이 명시되지 않아 재현성이 떨어진다. 또한, 18명 피험자라는 제한된 샘플 수와 클래스 불균형에 대한 처리 방안이 언급되지 않아 통계적 유의성을 검증하기 어렵다. Ablation study가 없어 FPN‑autoencoder와 GRU 각각이 성능에 기여하는 정도를 분리 평가하지 않은 점도 아쉽다. 마지막으로, EEG 신호의 개인차를 보정하기 위한 도메인 적응 기법이 부재한 점은 실시간 감정 인식 시스템으로의 적용에 장애가 될 수 있다.

종합하면, 다중 스케일 피라미드 특징과 효율적인 시퀀스 모델링을 결합한 접근은 신선하지만, 구현 세부사항과 평가 설계가 부족해 학술적·산업적 활용을 위해서는 추가적인 검증과 최적화가 필요하다.