EEG 스펙트로그램 이미지를 기반으로 한 행동 분류 모델의 2D-CNN
2D-CNN of behavior classification model using EEG spectrogram images
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
본 논문은 뇌의 전기적 활동을 기록하는 뇌파 데이터를 이용한 행동 분류 모델을 개발하는 데 초점을 맞춰 진행했다. 뇌파 신호의 잡음을 해결하기 위해 Notch filter(NF)와 Band-pass filter(BF)의 전처리 기법을 사용했다. 이후 신호를 단시간 Fourier 변환(STFT)을 이용하여 스펙트로그램으로 변환하여 시간과 주파수 활성화를 시각화했다. 스펙트로그램 이미지를 10초, 15초, 30초 간격으로 나누어 저장하여 시간적 유의성을 판단했다. 이 스펙트로그램을 기반으로 2D-CNN의 일종인 사전 학습된 ResNet18을 이용하여 모델을 구성했다. 실험 결과, 30초 간격으로 전처리를 적용한 데이터에서 NF와 Band-pass filter 모두 82.89%의 정확도를 보였으며, 이는 시간적 유의성을 가지는 것으로 나타났다. 이 연구는 뇌파 데이터의 효과적인 처리와 분류 성능 향상을 위한 전처리 방법의 중요성을 강조한다.
Abstract
This paper focused on developing a behavior classification model using EEG data that records the electrical activity of the brain. To solve the noise of EEG signals, preprocessing techniques such as Notch filter(NF) and Band-pass filter(BF) were used. After that, the signal was converted into a spectrogram using Short Time Fourier Transform(STFT) to visualize time and frequency activation. The temporal significance was determined by dividing the spectrogram image into 10-second, 15-second, and 30-second intervals and storing it. Based on this spectrogram, a model was constructed using pre-trained ResNet18, a type of 2D-CNN. As a result of the experiment, both the NF and the BF showed accuracy of 82.89% in the data to which the preprocessing was applied at 30-second intervals, which was found to have temporal significance. This study emphasizes the importance of preprocessing methods for improving the effective processing and classification performance of EEG data.
참고문헌 (9)
- S. Vaid, "EEG signal analysis for BCI interface : A review", International conference on advanced computing & communication technologies, pp.143~147 (2015), IEEE
- W. O. Tatum, "Clinical utility of EEG in diagnosing and monitoring epilepsy in adults", Clinical Neurophysiology, 129(5), pp.1056~1082 (2018)
- O. Russakovsky, "Imagenet large scale visual recognition challenge", International journal of computer vision, 115, pp.211~252 (2015)
- K. He, "Deep residual learning for image recognition", Proceedings of the IEEE conference on computer vision and pattern recognition, pp.770~778 (2016)
- R. Sharma, "Emerging Trends in EEG Signal Processing : A Systematic Review", SN Computer Science, 5(4), pp.1~14 (2024)
- A. Chaddad, "Electroencephalography Signal Processing : A Comprehensive Review and Analysis of Methods and Techniques", Sensors, 23(14), pp.6434~ (2023)
- L. Hu, "EEG signal processing and feature extraction", 978~981 (2019)
- S. K. Pahuja, "Recent approaches on classification and feature extraction of EEG signal : A review", Robotica, 40(1), pp.77~101 (2022)
- Z. Xie, "A novel solution for EEG-based emotion recognition", International Conference on Communication Technology (ICCT), IEEE, pp.1134~1138 (2021)