알코올 의존증은 규칙적이거나 과도한 음주로 인한 것으로, 인간 뇌의 신경계에 장애를 초래합니다. 이로 인해 적절한 위치에 여러 전극을 장착한 EEG(뇌파검사)로 감지할 수 있는 특정 뉴런의 기능 이상이 발생합니다. 최소한의 전극(또는 채널)의 데이터를 사용하여 EEG 활동을 정상인과 알코올 의존증 환자로 분류할 수 있는 능력은 매우 중요합니다. EEG 신호의 복잡한 특성 때문에, 소규모 데이터셋만으로 알코올 의존증을 정확하게 분류하는 것은 도전적인 과제입니다. 인공 신경망, 특히 합성곱 신경망(CNN)은 다양한 패턴 기반 분류 문제에서 효율적이고 정확한 결과를 제공합니다. 이 연구에서는 원시 EEG 데이터에 CNN을 적용하여 기본 CNN 모델을 최적화하고, 캘리포니아 대학교 어바인 캠퍼스 머신 러닝(UCI-ML) EEG 데이터셋에서 여러 성능 평가 지표에서 결과를 초과 달성하여 98% 평균 정확도를 달성한 과정을 보여줍니다. 이 문서는 드롭아웃, 배치 정규화 및 커널 정규화 기법을 사용하여 기본 모델의 단계별 개선을 설명하고, 유사한 CNN 분류 모델을 개발하고자 하는 예비 실무자에게 유용할 수 있는 두 모델의 비교를 제공합니다. 동일한 데이터셋을 사용하여 다른 접근 방식과의 성능 비교도 제공됩니다.