보통 이미지를 처리할때는 2차원 convolution layer을 쌓지만 요즘 EEG signal classification관련 논문을 읽으면서 1D cnn, 2D CNN, 3D CNN layer을 쌓으면서 간질, 조현병, 불면증 같은 신경계질환을 자동으로 구분하는 딥러닝 아키텍쳐를 보았다. 필자는 관련 개념이 아직 확실히 안잡힌거 같아서 이참에 공부해보았다.
1d Convolution layer
cnn 모델에서 filter 즉 kernel이 있다. 이때 kernel은 1D conv에서는 한방향으로만 이동해서 특징을 추출한다는 특징이 있다.또한 데이터의 형태와 window의 형태가 1D로 구성되어 있다. 전체 이미지에 대해서 kernel이 한방향으로 즉 좌에서 우방향으로 이동할때 1D conv layer이다.
자연어처리, bio signal, sensor data같은 신호데이터를 다룰때 주로 사용한다.
EEG data를 이용한 논문들중 1D CNN을 구성한 모델들이 매우 많았다.
현재 우울중, 조현병, 정상인 분류 논문을 읽고 모델을 직접 구현해보고 있는 중이다. 300명의 16개 채널별로 담겨 있는 eeg신호를 주파수별로 power 스펙트럼으로 변환시켰으며 그 결과를 입력데이터로 구성하였다. input 데이터는 측정하는 채널 16개의 데이터가 각 열마다 있으며 가장 위쪽은 1hz 가장 아래쪽은 45hz에 해당되는 신호크기값이 저장되어 있다.
위 사진은 측정하는 뇌파채널 16개가 위치별로 표시되어 있다.
이 논문의 1d conv layer에서는 한개의 채널마다 각각의 kernel이 저주파대역에서 고주파대역으로 이동하면서 주파수별 신호의 특징을 모은다. 이 과정을 수행하고 나면 크기가 16(필터의수)x45(주파수 정수)x16(채널의수)인 output이 나온다.
2d Convolution layer
conv2d layer는 kernel이 두 방향 위-아래, 좌-우으로 움직인다. 한방향으로 kernel이 움직이는 1d와 차이이다. 컴퓨터비전, 이미지처리에서 주로 다룬다. 하지만 신호를 다룰때에도 2d가 쓰인다. 바로 필자가 읽은 이 논문도 2d를 사용했다.
동일 주파수별로 다중 채널 사이의 연관관계를 알기 위해서 kernel size가 1x16(채널수)인 필터를 사용하며 채널들의 spatial features를 알아본다.
