생체 신호 분류를 위한 최적의 스파이크 신경망 모델 연구 :Optimal Spike neural network model for bio-signal classification

신찬우

자료유형: 학위논문

저자정보: 신찬우 (서울과학기술대학교 )

지도교수: 김성은

발행연도: 2024

저작권: 서울과학기술대학교 논문은 저작권에 의해 보호받습니다.

이용수15

초록· 키워드

제 목 : 생체 신호 분류를 위한 최적의 스파이크 신경망 모델 연구 생체 신호 분류는 의료진단, 생체인증, 감정인식 그리고 Motor imagery 등 다양 한 분야에서 중요한 역할을 한다. 이러한 분야에서 저전력 환경에서도 높은 성능 을 발휘할 수 있는 모델이 필요한 상황이다. 스파이크 신경망은 시공간 역학 및 이벤트 기반 특성을 갖춘 알고리즘으로 생물학적 뉴런의 작동원리에서 영감을 받 았다. 이는 기존의 인공신경망과 비교해 메모리 효율성 장점과 저전력 환경에서 우수한 성능을 보이지만 학습에 어려움이 존재한다. 본 연구에서는 이러한 스파이 크 신경망의 장점을 극대화 시키기 위한 최적의 모델 연구와 두 가지 스파이크 신경망 학습 방법론을 이용하여 생체 신호 분류 분야에서 높은 성능을 발휘할 수 있는 스파이크 신경망 모델을 제안한다. 첫 번째로, ANN-to-SNN 변환 방법과 오 프라인 지식 증류 방법을 이용하여 적은 모델 파라미터로도 인공신경망과 큰 차 이가 없는 BCRNet-SNN 모델을 제안한다. 두 번째는 변환 방법이 아닌 모델의 직 접 학습을 위한 surrogate learning 과 direct encoding을 적용한 SBCRNet을 모델 을 제안한다. BCRNet-SNN과 SBCRNet은 모두 직접 수집된 BCR 데이터 세트로 평 가되었으며, 기존의 인공신경망과 유사한 성능을 보여주었고 SBCRNet은 BCRNet-SNN보다 적은 스파이크 트레인에서 높은 성능을 달성하였다. 마지막으로 스파이크 신경망 모델의 범용성과 견고성을 위해 공개 데이터 세트인 두 개의 EEG 기반 Motor imagery 데이터 세트에서 Surrogate gradient learning 방법과 direct encoding 방법을 이용하여 높은 성능을 보여주는 SARNN 모델을 제안한다. 제안된 모델은 Spike self attention, Cross attention 및 Recurrent gate를 이용하여 EEG 데이터의 시간적 특성을 효율적으로 학습한 스파이크 신경망 모델이다. SARNN 모델은 공개 데이터인 BCIC-Ⅳ2a와 BCIC-Ⅳ2b에서 within-subject 방식의 평가를 진행하였으며, 기존의 스파이크 신경망보다 두 데이터 세트에서 모두 가장 높은 성능을 보여준다. 이러한 연구 결과는 생체 신호 분류 분야에서 스파이크 신 경망을 활용한 새로운 가능성을 제시할 수 있다.

Bio-signal classification is important in a variety of fields, including medical diagnostics, biometrics, emotion recognition, and motor imagery. These fields require models that can perform well in low-power environments. Spiking neural networks are algorithms with spatiotemporal dynamics and event-driven characteristics, inspired by the behavior of biological neurons. Compared to conventional artificial neural networks, they have memory efficiency advantages and good performance in low-power environments, but they have learning difficulties. In this work, we study the optimal model to maximize the advantages of these spiking neural networks and propose a spiking neural network model that can perform well in the field of biosignal classification using two spiking neural network training methodologies. First, we propose a BCRNet-SNN model that is not significantly different from an artificial neural network with fewer model parameters by using an ANN-to-SNN conversion method and an offline knowledge distillation method. Second, we propose a SBCRNet model that applies surrogate learning and direct encoding for direct learning of the model rather than conversion methods. Both BCRNet-SNN and SBCRNet are evaluated on directly collected BCR datasets and show similar performance to conventional neural networks, while SBCRNet achieves higher performance with fewer spike trains than BCRNet-SNN. Finally, for the versatility and robustness of spiking neural network models, we propose a SARNN model that shows high performance on two EEG-based motor imagery datasets, which are public datasets, using surrogate gradient learning method and direct encoding method. The proposed model is a spiking neural network model that efficiently learns the temporal 63characteristics of EEG data using spike self attention, cross attention, and recurrent gate. The SARNN model is evaluated on the public data BCIC-Ⅳ2a and BCIC-Ⅳ2b in a within-subject manner and shows the highest performance on both datasets compared to the conventional spiking neural network. These findings may open up new possibilities for utilizing spiking neural networks in the field of bio-signal classification.

#spike neural network #bio-signal

요약ⅰ
목차ⅱ
표목차v
그림목차 vi
I. 서 론 1
1.1. 연구의 배경 및 목적1
1.2. 연구 구성 및 개요3
II. 이론적 배경4
2.1. 스파이크 뉴런 모델4
2.1.1. Integrate-and fire(IF) model 5
2.1.2. Leaky integrate-and-fire(LIF) model 5
2.1.3. 스파이크 뉴런 시뮬레이션6
2.2. 스파이크 인코딩7
2.3. 스파이크 신경망 학습 알고리즘8
2.3.1 ANN-to-SNN Conversion 8
2.3.2. Surrogate gradient Learning 10
III. Body Channel Response-aware Spiking Neural Network for User Recognition12
3.1. 서론12
3.2 BCR 데이터 세트13
3.3. 제안 방법17
3.3.1 데이터 전처리18
3.3.2. 오프라인 지식 증류 19
3.3.3. BCRNet 모델 20
3.3.4. BCRNet-S 모델21
3.3.5. BCRNet-SNN 모델22
3.4 실험결과25
3.4.1 Experimental setup25
3.4.2 성능 평가26
3.4.3 Ablation Study on BCRNet-S 27
3.4.4 Ablation Study on BCRNet-SNN 28
3.5 논의29
IV Body Channel Response-aware Spiking Neural Network with using Surrogate gradient learning for User Recognition 30
4.1. 서론30
4.2. 제안 방법31
4.3. 실험결과33
4.3.1. Experimental setup33
4.3.2. Rate encoding과 Direct encoding의 모델 성능 비교34
4.3.3. SBCRNet과 SBCRNet_S의 모델 성능 비교35
4.4 논의36
V. Spiking Neural Network with Surrogate Gradient Learning for motor imagery classification 37
5.1. 서론37
5.2. Motor imagery 데이터 세트39
5.2.1. BCI CompetitionⅣ2a39
5.2.2. BCI CompetitionⅣ2b40
5.3. 제안 방법41
5.3.1. 데이터 전처리41
5.3.2. 제안한 네트워크 구조42
5.3.2.1. Spike encoder 43
5.3.2.2. Convolution block 43
5.3.2.3. ARNN block 44
5.3.2.4. Classification head 47
5.4. 실험결과47
5.4.1, Experimental setup47
5.4.2, 성능 평가48
5.4.2.1. BCIC-IV2a 분류 성능 결과 48
5.4.2.2. BCIC-IV2b 분류 성능 결과 49
5.4.3 Ablation study 50
5.5. 논의52
VI. 결론54
참고문헌55
영문초록(Abstract) 62

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록· 키워드

목차

최근 본 자료

댓글(0)