본 논문은 뇌파(EEG) 기반 감정 인식에서 흔히 발생하는 생리적 아티팩트 문제를 해결하기 위해, 잡음 제거와 감정 인식 과정을 통합한 새로운 프레임워크인 FDC-Net을 제안합니다. 기존의 독립적인 잡음 제거 및 감정 인식 접근 방식과 달리, FDC-Net은 양방향 그래디언트 전파와 게이트된 어텐션 메커니즘을 활용한 공동 최적화 전략을 통해 두 과정을 긴밀하게 연결합니다. 특히, 학습 가능한 주파수 대역 위치 인코딩을 사용하는 주파수 적응형 Transformer를 통합하여 효율성을 높였습니다. DEAP와 DREAMER 두 개의 대표적인 EEG 감정 데이터셋을 사용하여 실험을 진행, 기존 최첨단 방법들과 비교하여 잡음 제거 및 감정 인식 성능 향상을 보였습니다. FDC-Net은 DEAP 데이터셋에서 최대 96.30%의 상관계수(CC) 값을, DREAMER 데이터셋에서 최대 90.31%의 CC 값을 달성했습니다. 감정 인식 정확도는 DEAP에서 82.3+7.1%, DREAMER에서 88.1+0.8%를 기록했습니다.
