본 논문은 뇌파(EEG)를 이용한 감정 인식의 어려움(잡음, 비정상성, 뇌 활동의 복잡성)을 해결하기 위해, 푸리에 변환 기반 주기 분석과 그래프 기반 구조 모델링을 통합한 새로운 프레임워크인 Fourier Adjacency Transformer를 제안한다. 이 방법은 푸리에 변환 기반 모듈을 이용하여 EEG 신호에서 주기적 특징을 추출하고, 인접 행렬 어텐션 기법을 사용하여 채널 간 상관관계 패턴을 강화한다. SEED와 DEAP 데이터셋 실험 결과, 기존 최고 성능 기법보다 약 6.5% 향상된 감정 인식 정확도를 달성하였다. 주기성과 구조적 통찰력을 통합하여 EEG 감정 분석 연구에 새로운 방향을 제시한다.
