뇌파 기반 감정 인식은 정신건강 모니터링과 정서형 뇌컴퓨터인터페이스에 쓰일 수 있지만, 일반적인 분류 모델은 감정 범주를 서로 무관한 라벨처럼 다룬다. 실제 심리 이론에서는 감정 사이에 가까움과 멂이 존재한다. Dongyang Kuang 연구팀은 이 관계를 그래프로 표현하고, 모델의 예측이 감정의 심리적 위상에서 지나치게 벗어나지 않도록 학습을 규제하는 프레임워크를 제안했다.
그래프의 노드는 감정이고 간선은 차원적 감정 이론에 따른 근접성을 담는다. 연구진은 계산 복잡도가 서로 다른 세 전략을 적용했다. 그래프 라벨 스무딩은 관계를 반영한 부드러운 정답을 제공하고, 그래프 라플라시안의 통근 거리는 스펙트럼 구조를 이용한다. 슬라이스드 바서슈타인 거리는 그래프 위 최적수송 관점에서 예측 분포를 정렬한다. 세 방법 모두 심리적으로 성립하기 어려운 예측을 벌점 처리한다.
평가는 순수 트랜스포머인 AudioTransformer, CNN과 트랜스포머를 결합한 Conformer, 인과 그래프 신경망 DCGNN에서 이뤄졌다. SEED-IV의 네 감정 범주와 SEED-V의 다섯 범주 실험에서 구조와 무관하게 일관된 이점이 나타났다고 연구진은 보고한다. 가장 좋은 경우 정확도는 5.42% 높아졌고, 심리적으로 개연성이 낮은 오분류는 39% 줄었다. 코드는 추후 공개할 예정이라고 적었다.
이 접근은 정답 여부만이 아니라 틀리는 방식에도 도메인 지식을 넣는다는 점에서 의미가 있다. 다만 심리적 감정 그래프가 문화와 과업, 개인에 따라 달라질 가능성이 있고, 결과는 두 EEG 데이터셋과 세 백본에 한정된 2026년 7월 8일자 프리프린트다. 최고 개선치가 모든 설정의 평균을 뜻하지도 않는다. 정신건강 용도로 확장하려면 개인 간 일반화, 임상적 타당성, 편향과 오경보 위험을 별도로 평가해야 한다.
원문: arXiv 2607.07773
저작권자 © STORIUM 무단전재 및 재배포 금지
