거울신경체계 모델링을 위한 Graph Attention Network 기반 기능적 뇌 연결성 분석 기법 (Functional Brain Connectivity Analysis Technique for Modeling Mirror Neuron System based on Graph Attention Network)

서지정보

· 발행기관 : 한국지능시스템학회
· 수록지 정보 : 한국지능시스템학회 논문지 / 34권 / 6호 / 550 ~ 555페이지
· 저자명 : 최준호, 박승민

초록

거울 뉴런은 인간의 모방 학습에 밀접한 역할을 하며, 이러한 거울 신경 체계의 모델링은 뇌-컴퓨터 인터페이스(BCI)에서 중요한 역할을 한다. 딥러닝은 BCI 분야에서 널리 활용되고있지만, 기존의 합성곱 신경망(CNN)은 기존 뇌 연결성과 같은 데이터에 대한 적합성에 한계를 가지고 있다. Graph Attention Network(GATs)는 어텐션 메커니즘을 이용하여 전극간의 중요도를 학습할 수 있어 뇌전도(EEG)의 특성을 파악할 수 있다. 본 논문에서는 거울 뉴런과 관련된 EEG 데이터를 FastICA와 FFT를 통해 전처리한 후, 그래프의 특징 벡터를 추출하여 그래프 데이터를 만들었다. 이후 상호 상관 기반 기능적 뇌 연결성을 구하여 정보 기반 Graph Attention Network를 설계하여 분류 결과를 기능적 뇌 연결성과 비교 분석하였다.
본 논문은 EEG 기반 거울 신경 체계 모델링을 개선하고 BCI 분야에서의 딥러닝 모델 적용성을 확장하는 데 기여할 것으로 기대된다.

영어초록

Mirror neurons play a crucial role in human imitation learning, and modeling themirror neuron system is vital for advancements in brain-computer interface (BCI)technologies. While deep learning has been widely adopted in BCI research, traditionalconvolutional neural networks face limitations in capturing the intricate patternsinherent in brain connectivity data. Graph Attention Networks, which utilizeattention mechanisms to learn the significance between electrodes, offer a promisingapproach for understanding the characteristics of EEG signals. In this study, wepreprocess EEG data related to mirror neurons using FastICA and FFT to extractfeatures for graph construction. We then derive functional brain connectivity basedon mutual correlation and design an information-based Graph Attention Network toclassify the data. Our results demonstrate a comparative analysis of classificationperformance with functional brain connectivity, highlighting the potential of GATs toenhance EEG-based modeling of the mirror neuron system and broaden theapplicability of deep learning models in the BCI domain.

참고자료

· 없음