뇌파 기반 그래프 안내 도메인 적응을 통한 세션 간 감정 인식

초록

본 논문은 세션 간 EEG 데이터의 분포 차이를 최소화하기 위해 전역(marginal)과 클래스별(conditional) 분포를 동시에 정렬하고, 그래프 정규화를 통해 데이터의 내재 구조를 보존하는 EGEGDA 프레임워크를 제안한다. SEED‑IV 데이터셋에서 3개의 전이 과제에 대해 80% 이상 정확도를 달성했으며, Gamma 대역이 가장 discriminative하고 중앙‑두정 및 전전두 영역이 핵심 채널임을 확인하였다.

상세 분석

EGDA는 EEG 기반 감정 인식에서 세션 간 비정상성을 극복하기 위해 두 가지 핵심 아이디어를 결합한다. 첫째, MMD(최대 평균 차이)를 이용해 소스와 타깃 세션의 전역 분포를 정렬하고, 동시에 의사 라벨을 활용해 클래스별 조건부 분포도 정렬한다. 조건부 정렬은 각 감정 클래스마다 별도의 MMD 행렬 M_c를 구성함으로써 구현되며, 이는 반복적인 EM‑like 절차에서 타깃 의사 라벨을 갱신하면서 점진적으로 개선된다. 둘째, 그래프 라플라시안 정규화를 도입해 샘플 간 지역 구조를 보존한다. 유사도 행렬 S는 거리 기반 가중치와 정규화 파라미터 γ를 통해 학습되며, 각 행마다 1‑norm 제약을 두어 그래프가 과도하게 희소해지는 것을 방지한다. 또한, 소스 도메인 내부의 클래스 내산포(S_w)를 최소화하는 제약을 추가해 클래스 클러스터를 더욱 촘촘히 만든다. 최적화는 교대 방식으로 진행되는데, A(투영 행렬)와 S(그래프 가중치)를 번갈아 업데이트하고, 매 반복마다 타깃 의사 라벨을 재추정한다. 이 과정은 조건부 정렬의 불안정성을 그래프 정규화와 클래스 내산포 최소화가 완화시켜, 라벨 전파 오류가 누적되는 위험을 크게 감소시킨다. 실험에서는 SEED‑IV의 4가지 감정(행복, 슬픔, 공포, 중립)과 62개의 채널을 사용했으며, 주파수 대역별 분석 결과 Gamma 대역이 가장 높은 분류 성능을 보였다. 또한, 그래프 기반 접근이 없는 기존 TCA, JDA, VDA 등에 비해 연산량이 적으면서도 정확도가 2~5%p 상승하였다. 전반적으로 EGDA는 EEG 데이터의 고차원, 저신호대 잡음비 특성을 고려한 구조적 정규화와 도메인 적응을 동시에 달성함으로써 세션 간 감정 인식의 실용성을 크게 향상시킨다.