Korean Institute of Information Technology

Journal Archive

The Journal of Korean Institute of Information Technology - Vol. 19 , No. 7

[ Article ]
The Journal of Korean Institute of Information Technology - Vol. 19, No. 7, pp. 133-140
Abbreviation: Journal of KIIT
ISSN: 1598-8619 (Print) 2093-7571 (Online)
Print publication date 31 Jul 2021
Received 03 Jul 2021 Revised 20 Jul 2021 Accepted 23 Jul 2021
DOI: https://doi.org/10.14801/jkiit.2021.19.7.133

설치류 후각 뇌의 혈역학적 반응을 이용한 합성곱 신경망 기반 냄새 분류
김준민* ; 이우람**
*한성대학교 기계전자공학부 조교수
**경기과학기술대학교 전자공학과 조교수(교신저자)

Odor-classification based on Convolutional Neural Network using Hemodynamic Responses of Rat Olfactory Bulb
Jun-Min Kim* ; Wooram Lee**
Correspondence to : Wooram Lee Dept. of Electronic Engineering, Gyeonggi University of Science Technology, Gyeonggigwagi-dearo 269, Siheung, Gyeonggi-do, 15073 Korea Tel: +82-31-496-4706, Email: wmail@gtec.ac.kr

Funding Information ▼

초록

대기 오염, 하수 오염, 화재, 폭발물 탐지 등 다양한 냄새 감지 및 식별 장치가 개발되고 있지만, 여전히 포유류의 후각을 재현하는 데는 많은 어려움이 있다. 냄새 물질에 따라 포유류의 후각 뇌에서의 신경 반응 신호가 다르게 나타난다는 점에 입각한 연구가 활발히 이뤄지고 있다. 특히 근적외선 분광법은 냄새에 따른 후각 뇌의 신경 반응을 안정적으로 기록할 수 있는 비침습적 기법이다. 따라서 본 연구는 근적외선 분광법을 통해 쥐 후각 신경구의 신경 반응을 기록한 데이터에서 냄새 물질을 분류하는 방법을 제안한다. 심층학습 기반의 영상 분류 기술 중 하나인 합성곱 신경망은 공기, isoamyl acetate, 2-heptanone 총 3가지 냄새를 분류하기 위한 분류기로 사용되었다. 분류 결과는 F1-score 기준으로 평균 0.79의 성능을 보였다.

Abstract

Although various odor detection and identification devices are being developed, such as air pollution, sewage pollution, fire, and explosive detection, there are still many difficulties in reproducing the mammalian sense of smell. Research is being actively conducted based on the fact that neural response signals in the olfactory brain of mammals appear differently depending on the odorant. In particular, near-infrared spectroscopy is a non-invasive technique that can stably record the neural response of the olfactory brain according to odors. Therefore, this study proposes a method for classifying odorants from data recorded neural responses of rat olfactory bulbs through near-infrared spectroscopy. Convolutional Neural Networks, one of the deep learning-based image classification technologies, was used as a classifier to classify three odor including air, isoamyl acetate, 2-heptanone. The classification result showed an average performance of 0.79 based on the F1-score.


Keywords: near-infrared spectroscopy, convolutional neural networks, hemodynamic responses, olfactory bulb

Ⅰ. 서 론

전자코는 특정 냄새 화합물을 감지하는 기술로 식물학, 화학, 의료 진단과 같은 다양한 산업에 적용되고 있다[1]-[3]. 하지만 수용체를 기반으로 개발된 전자코는 냄새 물질에 따른 수용체 개발이 불가피할 뿐만 아니라, 수용체와 결합한 냄새 물질을 분리하기 어려워 재사용이 어렵다.

생존을 위해 발달된 후각을 가진 포유류를 냄새 탐지기로 사용하고자 하는 노력이 지속하고 있다. 특히, 개는 후각 능력이 우수한 동물로 인류는 폭발물, 지뢰, 불법 물질, 은닉 화폐, 실종자, 밀수품, 암 등을 탐지하는 데 개를 활용하고 있다[4]. 개는 목적하는 냄새가 감지되면 앉기, 머물기, 빙글빙글 돌기와 같은 행동을 통해 사람에게 탐지결과를 보고하도록 훈련된다. 하지만 소음, 빛, 낯선 환경 등으로 인해 집중력을 잃으면 후각 능력이 떨어지거나 훈련받은 행동을 수행하지 못하는 단점이 있다. 다른 문제점으로는 냄새 물질 탐지를 위해 개를 훈련하고 유지하는 비용이 높다는 점이다[5]. 반면, 설치류는 후각이 발달했을 뿐만 아니라, 상대적으로 유지비용이 낮다는 장점이 있다. 설치류를 폭발물, 마약 등 냄새를 감지하도록 훈련시킨 기존 연구가 이를 뒷받침한다[6]. 하지만 여전히 집중력 저하에 따라 탐지가 실패할 가능성이 있다.

자극에 따른 뇌의 신경 반응을 분석하는 뇌-컴퓨터 인터페이스 기술은 동물의 후각 능력을 보조할 수 있는 좋은 방법이 될 수 있다. 앞선 연구에서는 다양한 냄새 물질을 제시하면서 쥐의 후각 신경구(Olfactory bulb; OB)에 삽입된 다채널 전극 배열(Multi-electrode array; MEA)을 통해 신경세포의 활동전위를 기록한 후, 해당 패턴을 분석함으로써, 쥐가 맡은 냄새를 추정할 수 있음을 보인 바 있다[7]. 침습적인 MEA를 사용하면 신호 대 잡음비는 좋지만, 신체의 면역 반응으로 인해 전극 주변에 성상 세포(Astrocyte cell) 생성되어 전극의 성능이 열화되므로 장기간 신경 신호를 얻기 어렵다는 문제가 있다[8]. 따라서, 본 논문에서는 비침습적 방법인 근적외선 분광법(Near-infrared spectroscopy; NIRS)을 통해 냄새에 따른 OB의 신경 반응을 기록하고, 해당 데이터를 합성곱 신경망을 통해 냄새 물질을 분류하는 방법을 제안한다.

본 논문의 2장에서는 비침습적으로 뇌신경 신호를 기록할 수 있는 근적외선 분광 시스템과 실험 환경에 관해 설명하며, 3장에서는 근적외선 분광 신호를 합성곱 신경망에 적용하는 알고리즘을 설명한다. 이후 4장에서는 설치류 OB에서 기록한 근적외선 신호를 활용하여 합성곱 신경망의 성능을 평가하고, 5장에서는 본 논문의 결론과 향후 연구계획에 대해 논의한다.


Ⅱ. 관련 연구
2.1 근적외선 분광 시스템

NIRS는 빛을 조사한 뒤, 반사되는 빛의 세기를 측정하여 대뇌의 혈역학적 반응를 측정할 수 있는 비침습적 방법이다. 특히, 600 – 900 nm 대역의 근적외선은 산란 및 흡수율이 다른 대역보다 상대적으로 낮으므로 인체 조직에서 더 깊숙이 도달할 수 있다.

NIRS는 신경 생리학, 임상연구뿐만 아니라, 다양한 응용 분야에서 사용되고 있을 뿐만 아니라, 쥐 후각 뇌의 혈역학적 반응은 냄새 자극에 따라 다르며, 이 반응은 냄새 종류에 따라 시간적, 공간적으로 다른 특성을 갖는 것을 입증한 바 있다[9].

본 연구에서는 10mW 세기의 690nm와 830nm 파장의 빛을 방출하는 방출기(Emitter)와 조직에서 반사되는 빛을 검출하기 위한 검출기(Detector)로 구성된 NIRS 시스템(ImagentTM, ISS Inc.)과 400um 지름을 갖는 광파이버(FT-400EMT, Thorlabs)를 사용하여 헤모글로빈(Hemoglobin)과 디옥시헤모글로빈(Deoxy hemoglobin)의 파장별 빛의 흡수율 차이를 측정함으로써, 혈역학적 반응을 예측하고자 하였다.

2.2 합성곱 신경망을 이용한 시계열 신호 분류

시계열 특성을 갖는 생체신호를 이용하면 개인의 상태를 분석할 수 있다. 이러한 생체신호는 대표적으로 근전도, 심전도, 뇌전도 등이 있으며, 본 연구에서 사용하는 NIRS 신호도 1차원의 시계열 데이터에 해당된다.

시계열 신호는 데이터 사이에 시간적인 연관 관계를 가지며, 이러한 시계열 데이터를 처리하기 위해서 일반적으로 순환 신경망(Recurrent neural network)이 사용된다. 또한 푸리에 변환을 통해 1차원 시계열 데이터를 2차원의 시간-주파수 정보로 변환하고, 이를 합성곱 신경망을 통해 분석하는 방법도 널리 활용되고 있다[10][11]. 따라서 본 연구에서는 NIRS신호를 시간-주파수 변환하여 합성곱 신경망의 입력으로 사용하고, 혈역학적 반응을 분류하고자 하였다.


Ⅲ. 합성곱 신경망 기반 냄새 분류 시스템
3.1 후각계(Olfactometer)의 구성

정확한 냄새 분별 성능을 검증하기 위해서는 각각의 냄새가 서로 혼합되지 않고 후각 감각 영역에 제시되는 것이 중요하다. 이를 위해 이전 연구들에서는 후각계가 널리 사용되어 왔다[9]. 모든 냄새는 광유(Thermo fisher scientific Inc.)를 이용하여 개별 냄새 증기압 기준으로 약 350PPM로 희석하였다[12].

공기는 실리카겔 층과 목탄 층으로 구성된 멀티 필터를 통해 여과하여 생성하고 증류수 용기를 통과시켜 가습한 뒤, 분당 500 ml의 속도로 지속적인 흐름이 발생하도록 제어함으로써 무취를 갖도록 하였다.

해당 공기를 절반은 그림 1(a)의 공기 통로로 주입하고, 반은 냄새 물질을 포함한 병으로 주입시킨 뒤, 병의 출구를 프로그램된 솔레노이드 밸브 컨트롤러를 거쳐 그림 1(a)의 냄새 물질(Odor) 통로로 연결된다. 그리고 코에 공기와 냄새 물질을 선택적으로 주입할 수 있는 통로와 배출 통로로 구성된다.


Fig. 1. 
Experiment environment

냄새 제시는 그림 1과 같이 (1) 무취 공기(Air), (2) 배향이 나는 isoamyl acetate (IAA), (3) 바나나향이 나는 2-heptanone(HEP)가 순으로 총 20회 반복되었다. 냄새 자극 시간은 그림 1(b)와 같은 프로토콜로 180초 간격으로 10초 동안 냄새 자극을 수행하였다.

3.2 in vivo 실험의 구성

모든 실험 및 수술 절차는 한림대학교 동물실험윤리위원회(IACUC) 지침에 따라 진행하였다(Hallym 2016-49). 설치류는 수컷 Sprague-Dawley rats(300–350g, n = 7)을 사용하였고, 마취는 Zoletil(40mg / kg)과 xylazine(5mg / kg)의 혼합물을 사용하여 근육 주사하였다.

실험 중에는 직장 탐침과 전기 열 담요를 사용하여 설치류의 체온을 생리적 범위(36–38 °C)로 유지하였다. 실험을 위해 쥐를 정위 프레임에 장치로 고정하고 두피를 절개하여 OB 위의 두개골을 노출시켰다. 이후, NIRS 기반 전자코의 실현 가능성을 알아보기 위해 그림 1(b)와 같이 쥐의 두개골 상에 Bregma 기준으로 11mm 앞에는 검출기를, 3mm 앞에는 방출기를 위치시키고, 냄새 자극 전 10초에서 자극 후 10초까지 5Hz로 OB의 혈역학적 반응을 기록하였다.

3.3 데이터 전처리

NIRS 데이터 분석은 모두 오프라인으로 분석되었다. 먼저, NIRS 데이터는 modified Beer-Lambert 법칙[13]에 적용하여, oxy-hemoglobin(HbO) 및 deoxy-hemoglobin(Hbr) 농도 변화를 계산하였다. 관련 수식은 다음과 같다.

ODλ=-logIOI =(ϵHbO2λHbO2+ϵHbrλHbr)BλL(1) 

여기서 λ는 690nm 또는 830nm의 파장이고, ΔODλλ1(690nm) 및 λ2(830 nm)에서의 광학 밀도(Optical density), I는 입사광 강도 (mW), IO는 측정광 강도이다. ϵHbO2λϵHbrλ는 각 파장에서 HbO2Hbr의 특정 흡광 계수 (mol-1m-1)이며, B는 차동 경로 길이 계수(Differential path-length factor), L은 방출기와 검출기 사이의 거리로 8mm로 고정되었다. ΔHbO2 및 ΔHbr식 (1)에서 파생되어 다음과 같이 유도된다[13].

HbO2=ϵHbrλ1ODλ2Bλ2-ϵHbrλ2ODλ1Bλ1ϵHbrλ1ϵHbO2λ2-ϵHbrλ2ϵHbO2λ1L(2) 
Hbr=ϵHbO2λ2ODλ1Bλ1-ϵHbO2λ1ODλ2Bλ2ϵHbrλ1ϵHbO2λ2-ϵHbrλ2ϵHbO2λ1L(3) 

상기 식을 통해 HbO2Hbr은 하나의 값이 증가하면 다른 값이 감소하는 관계에 있으며, 이러한 특성을 통해 두 데이터가 서로 종속적임을 알 수 있다. 그리고 실험 결과 HbO2 변화량이 Hbr의 변화량 보다 크게 산출되었다. 따라서 특징 추출을 위한 데이터로 HbO2를 활용하였다.

ΔHbO2 신호에서 호흡 및 심장 박동과 관련된 생리적 소음을 줄이기 위해 0.1Hz의 차단주파수를 갖는 4차 저역 통과 버터워스(Butterworth) 필터를 사용하였고, 저주파 드리프트(Drift)를 제거하기 위해 선형 추세 제거 기술(Linear de-trend method)을 적용하여 데이터 전처리를 수행하였다.

3.4 학습 데이터 전처리

그림 2와 같이 멜-스펙트럼(Mel-spectrum)을 이용하여 전처리한 ΔHbO2 신호를 34×32 픽셀 이미지로 만들어 합성곱 신경망의 입력 신호로 사용하였다. 그림 2의 좌측 신호는 냄새 물질 Air, IAA, HEP에 대한 시간에 따른 ΔHbO2이며, 우측 신호는 시간에 따른 주파수 성분을 나타낸다. 이 중 우측 신호는 피처 엔지니어링(Feature engineering) 없이 합성곱 신경망의 입력으로 사용하여 냄새 물질 분류를 수행하였다.


Fig. 2. 
NIRS signal for each odor and its Mel-spectrum

사용된 데이터는 총 420개로, 7마리의 쥐에 대해 3가지 종류의 냄새 물질을 주입하는 실험을 20회 반복하여 취득하였다. 즉, 한 마리당 60개의 데이터를 취득하였다. 해당 합성곱 신경망의 테스트를 위해 한 마리에 해당하는 데이터 60개는 테스트 데이터로, 나머지 데이터는 학습 데이터로 사용하였다. 예를 들어, 1~6번 쥐로부터 획득한 데이터는 학습 데이터로, 7번 쥐로부터 획득한 데이터는 테스트 데이터로 사용하였다. 1~6번 쥐로부터 획득한 데이터는 합성곱 신경망을 학습시키기 위해 K-겹 교차 검증(K-fold cross validation)을 사용하였다. 본 연구에서는 360개의 학습 데이터를 6개의 그룹으로 나누어 6-겹 교차 검증을 수행하였다.

3.5 합성곱 신경망 구조

표 1은 본 연구에서 사용한 합성곱 신경망의 구조를 나타낸다. 5개의 합성곱 계층(Convolution layer), 4번의 최대 풀링(Max pooling), 5번의 배치 정규화(Batch normalization) 그리고 하나의 완전연결계층(Fully connected layer)로 이루어진다. 합성곱 계층은 3×3 크기의 커널을 사용한다.

Table 1. 
Architechture of CNN network
Layer Name Activation
1 Input 34 x 32 x 1
2 Convolution 17 x 16 x 32
3 Batch norm 17 x 16 x 32
4 ReLU 17 x 16 x 32
5 Max pooling 17 x 16 x 32
6 Convolution 17 x 16 x 64
7 Batch norm 17 x 16 x 64
8 ReLU 17 x 16 x 64
9 Max pooling 9 x 8 x 64
10 Convolution 9 x 8 x 128
11 Batch norm 9 x 8 x 128
12 ReLU 9 x 8 x 128
13 Max pooling 5 x 4 x 128
14 Convolution 5 x 4 x 128
15 Batch norm 5 x 4 x 128
16 ReLU 5 x 4 x 128
17 Convolution 5 x 4 x 128
18 Batch norm 5 x 4 x 128
19 ReLU 5 x 4 x 128
20 Max pooling 1 x 4 x 128
21 Dropout 1 x 4 x 128
22 Fully connected 1 x 1 x 3
23 Softmax 1 x 1 x 3
24 Classification -

각 합성곱 연산 후에는 배치 정규화를 적용하여, 활성 함수로는 ReLU 함수를 사용한다. 특징맵의 크기 축소는 3×3 크기의 커널(Kernel)과 최대 풀링을 방법을 통하여 이루어진다. 이후 512개의 뉴런으로 구성된 1개의 은닉층(Hidden layer)과 최종적으로 3개의 클래스로 이루어진 출력층이 완전히 연결된 구조로 갖는다.


Ⅳ. 실험 및 결과 분석
4.1 t-분포 확률적 임베딩(t-SNE) 분석

t-SNE는 비선형 차원 축소 기법으로 고차원 데이터를 2, 3차원 등으로 줄여 가시화하는데 유용하게 사용되며, 2002년 L. Van der Maaten와 G. Hinton에 의해 개발되었다[14].

그림 3은 3가지 냄새 물질에 대한 반응을 기록한 원본 ΔHbO2 데이터를 이용하여 t-SNE를 수행한 결과이다. 그 결과 3가지 냄새 물질에 대하여 그룹들을 인식할 수 있음을 확인할 수 있다. 하지만 그림에 나타나듯이 그룹의 경계가 다소 중첩되는 것을 확인할 수 있으며, 이러한 결과 분류기의 성능이 다소 떨어지게 될 것을 예상할 수 있다. 특히, IAA와 HEP의 데이터는 많이 중첩되어 있어 분류기의 성능 열화를 예상할 수 있다.


Fig. 3. 
t-SNE visualization of training data

4.2 제안 합성곱 신경망 성능 평가

본 연구는 7마리의 쥐를 대상으로 6마리는 학습에 1마리는 테스트에 사용하여 합성곱 신경망을 평가하였으며, 평가결과 3가지(Air, IAA, HEP) 냄새의 분류가 가능함을 확인하였다.

표 2는 학습된 합성곱 신경망을 테스트 데이터 60개로 평가한 결과를 보여주는 혼동행렬(Confusion matrix)이다. IAA와 HEP의 분류에 있어 서로 분류가 혼동되는 것을 볼 수 있다.

Table 2. 
Confusion matrix of proposed CNN network
Predicted
Air IAA HEP
Actual Air 17 0 3
IAA 1 11 8
HEP 0 0 20

표 3은 혼동행렬로부터 도출한 성능 지표를 보여준다. 정밀도는 양성으로 판정한 것 중에서 실제로 참인 것의 비율을 나타내며, 재현율은 실제 참인 것 중에서 양성으로 판정한 것의 비율을 보여준다. 그리고 F1-score는 정밀도와 재현율의 조화평균이다. 냄새가 없는 경우에는 F1-score 기준으로 0.89의 성능으로 냄새의 유무를 판별할 수 있다.

Table 3. 
Performance of proposed CNN network
Precision Recal F1-score
Air 0.85 0.94 0.89
IAA 0.55 1.00 0.71
HEP 1.00 0.65 0.78

F1-score 기준으로도 냄새 물질 IAA와 HEP의 분류 성능은 0.71, 0.78로 다소 떨어짐을 확인할 수 있으며, 이는 그림 3에서 볼 수 있듯이 IAA와 HEP에 대한 혈역학적 반응이 유사하여 분류기의 성능이 감소한 것으로 이해할 수 있다.

그림 4는 각각의 클래스별로 ROC(Receiver Operation Characteristic) 커브를 도시한 그래프이다. 이를 통해 각 클래스별로 AUC(Area Under Curve)를 산출하면 Air는 0.99, IAA는 0.90, HEP는 0.97이다.


Fig. 4. 
ROC curve


Ⅴ. 결론 및 향후 과제

본 논문에서는 설치류 OB의 NIRS 신경 반응 신호를 이용하여 냄새 물질을 분류하기 위해 영상 인식에서 사용되는 심층학습 방법 중 하나인 합성곱 신경망을 활용였다. 제안하는 합성곱 신경망 구조는 총 24개의 층으로 구성되며, 신경망 성능 평가를 위해 민감도, 정밀도, F1-Score, AUC를 측정하였다. 결과 AUC를 기준으로 Air는 0.99, IAA는 0.90, HEP는 0.97의 분류 성능을 얻을 수 있었다.

분류 성능의 열화는 IAA와 HEP의 분자식이 각각 C7H14O2와 C7H14O로 서로 매우 유사하여 OB의 혈역학적 반응이 비슷하게 나와 분류 혼동을 일으킨 것이 주된 원인으로 추정된다. 그 외 분류기의 성능에 영향을 주는 요인으로는 학습과 테스트에 사용되는 데이터의 품질과 양이라고 할 수 있다. 그림 3의 t-SNE 그래프를 통해 보면, 클러스터(Cluster)에서 벗어나 있는 샘플들이 보이며, 이러한 샘플들은 정제 과정을 통해 데이터 품질을 향상시킬 수 있다[15]. 또한 학습 데이터의 양은 분류기의 성능에 큰 영향을 미치는 것으로 알려져 있지만[15], 본 연구에 사용된 학습 데이터의 양이 360개로 다소 부족하다는 점이 분류기 성능에 영향을 미친 것으로 판단된다.

향후에는 실제 응용에 맞춰 특정 냄새 물질을 선정한 뒤, 데이터를 수집하여 연구를 진행할 예정이다. 특히, 폭발물을 검출하는 응용에서는 냄새가 없는 클래스, 폭발물 냄새 클래스와 기타 냄새 클래스로 냄새를 분류하여 연구를 수행할 수 있어, 본 연구가 매우 중요하다 할 수 있다.


Acknowledgments

본 연구는 정부의 재원으로 한국연구재단의 지원을 받아 수행된 연구임(NRF-2020R1F1A1070042)


References
1. K. Fujioka et al., "Objective display and discrimination of floral odors from Amorphophallus titanum, bloomed on different dates and at different locations, using an electronic nose", Sensors, Vol. 12, No. 2, pp. 2152-2161, Feb. 2012.
2. T. Gao, E. S. Tillman, and N. S. Lewis, "Detection and classification of volatile organic amines and carboxylic acids using arrays of carbon black-dendrimer composite vapor detectors", Chemistry of materials, Vol. 17, No. 11, pp. 2904-2911, May 2005.
3. S. Dragonieri, G. Pennazza, P. Carratu, and O. Resta, "Electronic nose technology in respiratory diseases", Lung, Vol. 195, No. 2, pp. 157-165, Feb. 2017.
4. C. Browne, K. Stafford, and R. Fordham, "The use of scent-detection dogs", Irish Veterinary Journal, Vol. 59, No. 2, p. 97, Feb. 2006
5. I. Gazit and J. Terkel, "Explosives detection by sniffer dogs following strenuous physical activity", Applied Animal Behaviour Science, Vol. 81, No. 2, pp. 149-161, Apr. 2003.
6. D. A. Marshall, R. L. Doty, D. P. Lucero, and B. M. Slotnick, "Odor detection thresholds in the rat for the vapors of three related perfluorocarbons and ethylene glycol dinitrate", Chemical Senses, Vol. 6, No. 4, pp. 421-433, Oct. 1981.
7. M. K. Habib, "Controlled biological and biomimetic systems for landmine detection", Biosensors and Bioelectronics, Vol. 23, No. 1, pp. 1-18, Aug. 2007.
8. K. A. Moxon, N. M. Kalkhoran, M. Markert, M. A. Sambito, J. McKenzie, and J. T. Webster, "Nanostructured surface modification of ceramic-based microelectrodes to enhance biocompatibility for a direct brain-machine interface", IEEE Transactions on Biomedical Engineering, Vol. 51, No. 6, pp. 881-889, Jun. 2004.
9. K.-J. You et al., "Odor discrimination using neural decoding of the main olfactory bulb in rats", IEEE transactions on biomedical engineering, Vol. 58, No. 5, pp. 1208-1215, Dec. 2010.
10. J. Bradbury, S. Merity, C. Xiong, and R. Socher, "Quasi-recurrent neural networks", arXiv preprint https://arxiv.org/abs/1611.01576, Nov. 2016.
11. J. M. Kim, G. H. Choi, J. S. Kim, and S. B. Pan, "User Recognition using Electromyogram 2D Spectrogram Images based on CNN", Journal of KIIT, Vol. 19, No. 1, pp. 107-117, Jan. 2021.
12. D. C. Barnes, R. D. Hofacer, A. R. Zaman, R. L. Rennaker, and D. A. Wilson, "Olfactory perceptual stability and discrimination", Nature neuroscience, Vol. 11, No. 12, pp. 1378-1380, Nov. 2008.
13. D. T. Delpy, M. Cope, P. van der Zee, S. Arridge, S. Wray, and J. Wyatt, "Estimation of optical pathlength through tissue from direct time of flight measurement", Physics in Medicine & Biology, Vol. 33, No. 12, p. 1433, Dec. 1988.
14. L. Van der Maaten and G. Hinton, "Visualizing data using t-SNE", Journal of machine learning research, Vol. 9, No. 11, Nov. 2008.
15. K. Huang, A. Hussain, Q. F. Wang, and R. Zhang, "Deep learning: fundamentals, theory and applications", Springer, Mar. 2019.

저자소개
김 준 민 (Jun-Min Kim)

2009년 8월 : 서울대학교 전기전자컴퓨터(공학사)

2016년 2월 : 서울대학교 전기전자컴퓨터(공학박사)

2020년 9월 ~ 현재 : 한성대학교 조교수

관심분야 : 의료기기, 딥러닝

이 우 람 (Wooram Lee)

2011년 2월 : 서울대학교 전기전자컴퓨터(공학사)

2017년 9월 : 서울대학교 전기전자컴퓨터(공학박사)

2019년 9월 ~ 현재 : 경기과학기술대학교 전자공학과 조교수

관심분야 : 신경신호분석, 의료 영상 딥러닝