개인별 평균차를 이용한 최대 엔트로피 기반 감성 인식 모델

Maximum Entropy-based Emotion Recognition Model using Individual Average Difference

감성신호는 개인에 따라 그 패턴이 매우 다르게 나타나므로, 본 논문에서는 감성신호의 개인별 특징을 고려한 최대 엔트로피 기반 감성 인식 모델을 제안한다. 제안하는 모델은 보다 정확하게 사용자의 감성을 인식하기 위해서, 단순히 주어진 입력 감성 신호 값만을 사용하지 않고, 긍정 감성 신호 값의 평균과 부정 감성 신호 값의 평균을 입력 감성 신호의 값과 비교하여 활용한다. 또한, 감성 인식에 대한 전문적인 지식이 없이도 감성 인식 모델의 구축이 용이하도록, 제안하는 모델은 성능이 높다고 잘 알려진 기계학습기법의 하나인 최대 엔트로피 모델을 이용한다. 감성 신호의 수치 값을 그대로 사용하면 기계 학습에 필요한 학습 패턴 자료를 충분히 확보하기 어렵다는 점을 고려하여, 제안하는 모델은 평균차를 수치 값 대신 +(양수)와 -(음수)로 단순하게 표현하며, 감성 반응 전체 시간인 10초 대신 초단위로 분할하여 학습 패턴 자료의 양을 늘렸다.

In this paper, we propose a maximum entropy-based emotion recognition model using the individual average difference of emotional signal, because an emotional signal pattern depends on each individual. In order to accurately recognize a user's emotion, the proposed model utilizes the difference between the average of the input emotional signals and the average of each emotional state's signals(such as positive emotional signals and negative emotional signals), rather than only the given input signal. With the aim of easily constructing the emotion recognition model without the professional knowledge of the emotion recognition, it utilizes a maximum entropy model, one of the best-performed and well-known machine learning techniques. Considering that it is difficult to obtain enough training data based on the numerical value of emotional signal for machine learning, the proposed model substitutes two simple symbols such as +(positive number)/-(negative number) for every average difference value, and calculates the average of emotional signals per second rather than the total emotion response time(10 seconds).