2023 한국컴퓨터종합학술대회 [EEG 분류를 위한 와서스테인 거리 손실을 사용한 심층 표현 기반의 도메인 적응 기법]

[ Deep Representation-Based Domain Adaptation Using Wasserstein Loss For Classification of EEG ] KCC 2023

Abstract

최근 EEG 신호는 감정 분석, 질병 진단, BCI 등 다양한 분야에 사용되고 있다. 심층 학습이 발전함에 따라 EEG 신호를 딥러닝 모델에 적용하여 분석하는 시도가 늘어나고 있는 가운데, 본 논문에서는 EEG 신호를 와서스테인 거리 손실(Wasserstein distance loss)을 사용한 심층 표현(deep representation) 기반의 도메인 적응(domain adaptation) 기법을 통한 감정 분류 방법을 제안한다. EEG 신호의 비정상성과 도메인간 차이로 인한 분류 성능 하락 문제를 해결하기 위해 와서스테인 손실 기법을 적용한다. 이 기법은 소스 도메인과 타겟 도메인 간의 괴리를 줄여 EEG 신호에 대해 더 강건한 모델 학습을 가능하게 한다. 실험 결과와 함께 제안한 방법의 유효성을 증명한다.

Dataset

뇌파 감정 데이터셋 DEAP 사용 32개의 채널로 1분의 뮤직 비디오를 시청하여 1-9의 연속된 값으로 감정을 표현하며 동시에 뇌파를 측정

Model

Wasserstein-DRDA

EEG를 통해 Motor Imagery를 분류하는 DRDA 모델의 discriminator를 Wasserstein Loss로 대체한 모델 Source Domain과 Target Domain의 괴리를 줄이는 방향으로 특징 추출기를 학습시켜 Domain Adaptation을 적용

Result

Valence (%)

Model	Accuracy	Precision	Recall	F1
DRDA	42.13	25.88	42.13	28.83
W-DRDA	41.00	35.04	41.00	36.58

Arousal (%)

Model	Accuracy	Precision	Recall	F1
DRDA	47.63	24.44	47.63	31.62
W-DRDA	48.63	28.08	48.63	33.41

파일 구성

main.sh : Hyperparameter 튜닝을 위한 리눅스 쉘스크립트, 파일 실행을 위해서는 리눅스 기반 환경 구성이 필요.

main.py : 메인 파이썬 코드. 모델 학습을 위해 사용됨

model.py : 모델 파이썬 코드

loadData.py : 데이터 (DEAP)를 불러오고 데이터 전처리를 수행

train_val_model.py : 학습 및 검증, 테스트에 필요한 함수 내장

실행 방법

sh main.sh (Linux bash)
python -u main.py -e={Epochs} -p={Early Stopping Patience} -b={Batch Size} -l={Hyperparameter lambda} -m={Hyperparameter mu} -n={Hyperparameter n} -k={fold} -t={test size} (Otherwise)

환경 구성

python 3.8.10
numpy 1.24.2
pandas 2.0.0
scikit-learn 1.2.2
scipy 1.10.1 torch 1.7.1