Core Concepts
본 연구에서는 아라비아어 문자 EEG 신호 데이터셋 ArEEG_Chars를 구축하고, 심층 학습 모델을 통해 97%의 높은 정확도로 아라비아어 문자를 분류할 수 있음을 보였다.
Abstract
본 연구에서는 다음과 같은 내용을 다루었다:
아라비아어 문자 EEG 신호 데이터셋 ArEEG_Chars 구축:
30명의 참여자로부터 아라비아어 31개 문자에 대한 EEG 신호 930개 수집
각 신호를 250ms 단위로 분할하여 총 39,857개의 EEG 신호 데이터 생성
EEG 신호 전처리:
이동 평균 필터를 사용하여 기저선 drift와 잡음 제거
특징 추출:
이산 웨이블릿 변환(DWT) 및 통계적 특징(표준편차, RMS, 합계, 에너지) 추출
심층 학습 모델 평가:
CNN, LSTM, CNN-LSTM 모델 적용
이동 평균 필터와 통계적 특징을 사용한 LSTM 모델이 97%의 최고 정확도 달성
본 연구는 아라비아어 문자 EEG 신호 분류를 위한 첫 번째 데이터셋을 제공하고, 심층 학습 모델을 통해 우수한 성능을 보였다는 점에서 의의가 있다. 향후 데이터셋 확장, 모델 구조 개선 등의 연구를 통해 아라비아어 문자 인식 기술을 더욱 발전시킬 수 있을 것으로 기대된다.
Stats
이동 평균 필터와 통계적 특징을 사용한 LSTM 모델이 97%의 정확도를 달성했다.