1. 데이터셋
(동일 저자의 연구와 동일)
2. 방법론
1) 전처리
(1) 뇌파 노이즈 감소
이전 연구에서와 동일하게 눈 깜빡임, 근육 활동으로 인한 인공물에 의해 영향을 받는 것을 줄이기 위해 노이즈 감소 방법으로 MSEC를 사용하였다. MSEC는 전 연구와 동일하게 BESA 소프트웨어에서 구현되었다.
(2) 딥러닝 계획 제안
본 연구에서는 1차원 컨볼루션 신경망(1d CNN) 모델과 1d CNN 모델과 LSTM 모델을 조합한 모델을 활용하였다.
EEG 데이터는 1초의 윈도우 길이(256 samples)로 분할되었다. 각 EEG 세그먼트는 19개의 채널과 1초의 길이(256 샘플)을 가진다. 분류기의 관점에서, 입력 데이터 차원은 2개의 EEG 데이터 세트(EO, EC) 별로 256 * 19 이다. (256, 19)
1초로 나눈 이유 : 제안된 모델의 경험적 평가 (1초의 크기가 최상의 결과를 제공하였다)
- 모델1 - 1DCNN
- 모델2 - 1DCNN + LSTM
(3) 딥러닝 아키텍쳐 훈련
Adam 최적화 함수를 사용하였고, binary cross-entropy 손실 함수를 사용하였고, 시그모이드 활성화 함수를 사용하였다.
(4) 모델 검증
EEG 데이터세트의 20%를 사용하여 테스트 되었다. 추가 분석을 위해 10겹 교차검증을 사용하였다.
3. 결과
1DCNN
EO 데이터에 대해서 19개 채널을 사용하였을 때 acc 98.32 precision = 99.78, recall = 98.34 및 f-score = 97.65의 성능을 달성함.
1DCNN + LSTM
19개 채널 사용 시, 정확도 = 95.97 %, 정밀도 = 99.23 %, 재현율 = 93.67 % 및 f-score = 95.14