본 논문은 기능적 근적외선 분광법(fNIRS) 데이터를 이용한 심층 학습(DL)에서 활성화 함수의 영향을 체계적으로 조사한 연구입니다. 비선형성, 낮은 신호대잡음비(SNR), 신호 변동성 등 fNIRS 데이터의 특성으로 인해 활성화 함수의 선택이 모델 정확도에 큰 영향을 미치지만, 이에 대한 연구는 부족한 실정입니다. 본 연구는 fNIRSNet, AbsoluteNet, MDNN, shallowConvNet 등 다양한 심층 학습 아키텍처와 다양한 활성화 함수(ReLU, Tanh, Abs(x), 수정된 절댓값 함수(MAF) 등)를 사용하여 청각 과제 수행 중 녹음된 단일 데이터셋을 기반으로 fNIRS 분류 작업을 수행했습니다. 실험 결과, Tanh와 Abs(x)와 같은 대칭 활성화 함수가 ReLU와 같은 일반적으로 사용되는 함수보다 아키텍처에 따라 성능이 우수할 수 있음을 보였으며, MAF를 이용한 대칭성 분석을 통해 대칭 활성화 함수의 효과를 추가적으로 확인했습니다. 이는 fNIRS 데이터의 신호 특성에 맞는 적절한 활성화 함수 선택의 중요성을 강조합니다.
