Core Concepts
합성곱 스파이킹 신경망은 전통적인 신경망 모델보다 뛰어난 성능으로 뇌파 데이터에서 운전자의 제동 의도를 탐지할 수 있다.
Abstract
이 연구는 합성곱 스파이킹 신경망(CSNN)을 사용하여 뇌파 데이터에서 운전자의 제동 의도를 탐지하는 것을 목표로 한다.
실험 설계:
15명의 참가자가 원격 조종 차량을 운전하는 실험에 참여했다.
참가자들의 뇌파 데이터가 19개 채널에서 500Hz로 기록되었다.
참가자들은 오디오 카운트다운 신호에 따라 차량을 제동하도록 지시받았다.
제동 의도와 관련된 느린 피질 전위(contingent negative variation, CNV)가 뇌파 데이터에서 관찰되었다.
데이터 전처리:
뇌파 데이터는 0.1-1Hz 대역통과 필터링, 채널 제거 및 보간, 세그먼트화, 정규화 등의 과정을 거쳤다.
모델 성능 평가:
CSNN, 표준 CNN, EEGNet, 3가지 그래프 신경망 모델을 10겹 교차검증으로 평가했다.
CSNN이 가장 높은 성능을 보였고(정확도 99.06%, F1-score 0.98), 다른 모델들과 통계적으로 유의미한 차이를 보였다.
채널 수를 5개로 줄여도 CSNN의 성능이 유사하게 유지되었다.
부동소수점 뇌파 데이터를 스파이크 열로 변환해도 적절한 임계값을 선택하면 CSNN의 성능이 유사하게 유지되었다.
Stats
운전자의 제동 의도와 관련된 느린 피질 전위(CNV)는 오디오 카운트다운 신호 "1"과 "정지" 명령 사이에서 가장 크게 관찰되었다.
CNV 전위는 중앙 영역 전극에서 가장 크게 나타났다.