선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 대체적으로 음성은 체질 진단에 있어서는 다른 요소들에 비해 주가 아닌 보조적으로 사용되며 서두에서도 언급되었듯이 원전에서 밝히는 체질별 음성 특징이 추상적이고 모호한 표현이 많아 이에 대한 물리적인 해석이 상당히 어렵다. 본 연구는 이러한 현실적인 한계 내에서 음성이 체질분류에 기여할 수 있는 부분을 찾아 객관적이고 정량적인 형태로 결과를 도출하고자 하였다. 이를 위해 판단 결과는 “판단 보류”와 “특정 체질은 아니다.
- 본 연구에서는 이러한 현실적인 한계 내에서 음성을 이용한 체질 분류라는 기본 목적을 달성하기 위해 기존의 몇몇 음성 변수와 모수적인 통계 방법 적용이라는 틀을 벗어나 100여개 이상의 변수들과 규칙 기반의 비모수 통계 방법을 이용하여 그 결과를 “판단 보류”와 “이진 부정 판단”이라는 형식으로 제공하는 새로운 알고리즘을 구현하였다.
- 음성인식 및 임상분야의 많은 연구에서 멜 스케일(Mel-scale) 과 켑스트럼(cepstrum) 분석 방법을 도입한 MFCC(Mel-Frequency Cepstral Coefficients)를 특징 변수로 사용하여 우수한 인식 성능을 보이는 것으로 알려지고 있다[12]. 본 연구에서도 비록 각 변수들에 대해서 물리적인 의미를 부여하기는 어렵지만 MFCC 변수들을 도입하여 판별 성능 향상을 도모하고자 하였다. 사용된 MFCC 변수는 HTK(Hidden Markov Toolkit)를 이용하였으며, 각 모음별로 유효한 분절 구간에 대해 12차 MFCC 변수와 1개의 에너지 변수로 총 65개의 MFCC 변수를 추출하였다.
제안 방법
- 알고리즘 성능 결과는 본 논문에서 구현된 알고리즘이 얼마나 많은 데이터에 대해서 ‘이진 부정 판단’과 그 반대인 ‘판단 보류’ 결정을 하였는지를 확인하기 위해 전체 데이터 개수를 기준으로 알고리즘으로 특정한 ‘이진 부정 판단’을 받은 수가 얼마나 되는지를 계산하여 이를 판단율로 표기하였다. 그 다음으로 예측된 판단이 사상체질 전문의와 약진으로 확진된 체질을 얼마나 정확하게 맞추었는지를 확인하기 위해 판단이 내려진 샘플 수에서 정확히 맞은 개수를 계산하여 이를 정확률로 나타내었다. 성능 결과 실험은 체질별 변별력을 높이기 위해 train set에서 4개의 조건 변수를 추출 시에 10% 백분위수를 적용하여 모든 음성 변수에 대해서 각 체질별 최소값과 최대값 대신 10th과 90th 백분위수를 적용하였다.
- 성능 결과 실험은 체질별 변별력을 높이기 위해 train set에서 4개의 조건 변수를 추출 시에 10% 백분위수를 적용하여 모든 음성 변수에 대해서 각 체질별 최소값과 최대값 대신 10th과 90th 백분위수를 적용하였다. 남녀별로 각각 5번의 10-fold 교차 검증을 실시하였으며 한 번의 교차 검증마다 무작위로 블록을 새로 지정하였다. 5번의 10-fold 교차 검증 결과, 남성의 경우는 전체 중에서 54.
- 먼저 수집된 각 음성 데이터에서 144개의 모든 음성 변수를 추출하고 이 중 학습에 필요한 train set에 대해 모든 음성 변수의 체질별 최대값과 최소값을 구한다. 다음으로 체질별 최대값 중의 최소값과 최소값 중의 최대값을 찾아서 전자를 uMin, 후자를 lMax로 설정하였다. 또한 세 가지 체질 중에 uMin이 발생된 체질의 이름을 ui, lMax가 발생한 체질의 이름을 li라는 변수로 정한다.
- 결과적으로 입력 음성 데이터는 모든 gRule 논리 규칙을 통과함으로써 최종 체질 점수를 얻게된다. 다음으로 특정 체질에서 비정상적으로 넓은 분포 형태를 보여 오류를 야기할 수 있는 확률을 줄이기 위해 아래와 같이 정규화 벡터(normalized vector) 방법을 응용한 체질별 가중치 (W)를 고안하였다. 먼저 train set을 대상으로 앞서 서술한 방식대로 gRule을 통과시켜 각 샘플들의 체질 점수를 구하고 체질 별로 점수를 모두 합하여 하나의 1×3 행렬(S)로 만든다.
- 두 번째 단계로 F0를 기준으로 하여 독립적인 5모음 자동 분절(segmentation) 작업을 실시하였다. 모음 분절에서는 유효한 피치가 끊임이 없이 500msec 동안 지속되는지 여부와 유효한 전 구간 끝점과 다음 시작점 사이에 750msec 이상의 공백이 존재하는지를 기본 규칙으로 시작점(onset)과 끝점(offset) 후보군(candidates) 구간을 설정하고 이 구간의 20%~80% 지점을 구하여 이때의 시간을 각각 모음의 시작점과 끝점으로 설정하였다.
- 이후 추출한 문장 구간의 F0와 강도 신호 크기간의 피어슨 상관계수(Pearson correlation coefficient) 구하고, F0와 강도 신호 크기의 각 10, 50, 90th 백분위수(percentile) 및 이들의 상, 하위 범위 비를 구하였다. 마지막으로 음성의 다양한 측면에 대한 분석을 가장 큰 장점으로 언어병리학 계통의 음향변수 중에서 최근 들어 가장 많이 활용되고 있는 MDVP 변수를 본 연구에도 적용하였다[11]. 이를 위해 지정된 모음구간에 대해서 F0와 최대/최소 진폭 신호를 이용하여 발성 시 피치의 변화정도를 나타내는 지터(jitter)계열 변수들 (Jita, Jitt, RAP, PPQ)과 진폭의 변화 정도를 나타내는 쉼머(shimmer)계열 변수들(ShdB, Shim, APQ)을 추출하였다.
- 를 기준으로 하여 독립적인 5모음 자동 분절(segmentation) 작업을 실시하였다. 모음 분절에서는 유효한 피치가 끊임이 없이 500msec 동안 지속되는지 여부와 유효한 전 구간 끝점과 다음 시작점 사이에 750msec 이상의 공백이 존재하는지를 기본 규칙으로 시작점(onset)과 끝점(offset) 후보군(candidates) 구간을 설정하고 이 구간의 20%~80% 지점을 구하여 이때의 시간을 각각 모음의 시작점과 끝점으로 설정하였다. 설정된 5모음의 시작과 끝점은 이후 모든 모음 분석 구간의 기준이 되어 모음 관련 음성 변수 추출은 이 유효한 분절 구간에 대해서만 실시하였다.
- 본 연구에서도 비록 각 변수들에 대해서 물리적인 의미를 부여하기는 어렵지만 MFCC 변수들을 도입하여 판별 성능 향상을 도모하고자 하였다. 사용된 MFCC 변수는 HTK(Hidden Markov Toolkit)를 이용하였으며, 각 모음별로 유효한 분절 구간에 대해 12차 MFCC 변수와 1개의 에너지 변수로 총 65개의 MFCC 변수를 추출하였다. MFCC 변수 추출에 사용된 HTK 명령어와 설정치를 <표2>에 정리하였다.
- 모음 분절에서는 유효한 피치가 끊임이 없이 500msec 동안 지속되는지 여부와 유효한 전 구간 끝점과 다음 시작점 사이에 750msec 이상의 공백이 존재하는지를 기본 규칙으로 시작점(onset)과 끝점(offset) 후보군(candidates) 구간을 설정하고 이 구간의 20%~80% 지점을 구하여 이때의 시간을 각각 모음의 시작점과 끝점으로 설정하였다. 설정된 5모음의 시작과 끝점은 이후 모든 모음 분석 구간의 기준이 되어 모음 관련 음성 변수 추출은 이 유효한 분절 구간에 대해서만 실시하였다. 세 번째 단계로 마지막 모음인 /u/ 끝점 이후부터는 유효한 F0를 가지는 부분만을 선택하여 이를 문장으로 판단하고 앞서 Praat으로 생성한 결과 파일에서 이 문장 구간의 F0와 강도를 따로 분리하였다.
- 그 다음으로 예측된 판단이 사상체질 전문의와 약진으로 확진된 체질을 얼마나 정확하게 맞추었는지를 확인하기 위해 판단이 내려진 샘플 수에서 정확히 맞은 개수를 계산하여 이를 정확률로 나타내었다. 성능 결과 실험은 체질별 변별력을 높이기 위해 train set에서 4개의 조건 변수를 추출 시에 10% 백분위수를 적용하여 모든 음성 변수에 대해서 각 체질별 최소값과 최대값 대신 10th과 90th 백분위수를 적용하였다. 남녀별로 각각 5번의 10-fold 교차 검증을 실시하였으며 한 번의 교차 검증마다 무작위로 블록을 새로 지정하였다.
- 설정된 5모음의 시작과 끝점은 이후 모든 모음 분석 구간의 기준이 되어 모음 관련 음성 변수 추출은 이 유효한 분절 구간에 대해서만 실시하였다. 세 번째 단계로 마지막 모음인 /u/ 끝점 이후부터는 유효한 F0를 가지는 부분만을 선택하여 이를 문장으로 판단하고 앞서 Praat으로 생성한 결과 파일에서 이 문장 구간의 F0와 강도를 따로 분리하였다. 이후 추출한 문장 구간의 F0와 강도 신호 크기간의 피어슨 상관계수(Pearson correlation coefficient) 구하고, F0와 강도 신호 크기의 각 10, 50, 90th 백분위수(percentile) 및 이들의 상, 하위 범위 비를 구하였다.
- 알고리즘 성능 결과는 본 논문에서 구현된 알고리즘이 얼마나 많은 데이터에 대해서 ‘이진 부정 판단’과 그 반대인 ‘판단 보류’ 결정을 하였는지를 확인하기 위해 전체 데이터 개수를 기준으로 알고리즘으로 특정한 ‘이진 부정 판단’을 받은 수가 얼마나 되는지를 계산하여 이를 판단율로 표기하였다.
- 알고리즘 성능 테스트에서는 체질 분류 판단 및 정확률뿐만 아니라 144개의 음성 변수 중에서 어떠한 변수가 체질 판별에 가장 크게 작용했는지도 조사하였다. 이는 앞서 서술한 총 5번의 10-fold 교차 검증 과정 중 test set을 대상으로 한 실험에서 gRule 논리 규칙을 만족하여 체질 점수가 발생되었을 때마다 해당되는 음성 변수 발생 횟수를 세어 최종테스트 동안 몇 번이 발생되었는지를 조사한 후 그 결과를 오름차순으로 순위를 매겨 1위부터 20위까지에 해당되는 음성 변수를 <표6>에 나열하였다.
- 음성 데이터를 남녀별로 따로 나누고 성별로 각각 5번의 10-fold 교차 검증(cross validation) 테스트 방법으로 구현한 알고리즘 성능을 확인하였다. 즉, 전체 데이터를 동일한 크기의 10개 블록으로 나누고 이 중 9개 블록에 해당되는 데이터를 train set으로 설정, 학습하여 gRule과 가중치 행렬을 생성한 후 이를 나머지 한 개의 test set 블록에 적용한다.
- 음성 변수는 기본주파수(F0, fundamental frequency)를 시작으로 강도(intensity), 포만트(formant), MDVP(Multi-Dimensional Voice Program) 변수까지 추출하였다. 이를 위해 첫 번째 단계로 Praat 스크립트(script) 프로그래밍[9]-[10]을 이용하여 수집된 모든 데이터에 대해서 20msec 간격으로 시간을 동기화하여 F0, 강도, 1차 2차 포만트(F1, F2), -3dB 대역폭(bandwidth), 최대 진폭(amplitude), 최소 진폭을 구하고 그 결과를 텍스트 파일 형태로 저장하였다.
- 이는 앞서 서술한 총 5번의 10-fold 교차 검증 과정 중 test set을 대상으로 한 실험에서 gRule 논리 규칙을 만족하여 체질 점수가 발생되었을 때마다 해당되는 음성 변수 발생 횟수를 세어 최종테스트 동안 몇 번이 발생되었는지를 조사한 후 그 결과를 오름차순으로 순위를 매겨 1위부터 20위까지에 해당되는 음성 변수를 에 나열하였다.
- 마지막으로 음성의 다양한 측면에 대한 분석을 가장 큰 장점으로 언어병리학 계통의 음향변수 중에서 최근 들어 가장 많이 활용되고 있는 MDVP 변수를 본 연구에도 적용하였다[11]. 이를 위해 지정된 모음구간에 대해서 F0와 최대/최소 진폭 신호를 이용하여 발성 시 피치의 변화정도를 나타내는 지터(jitter)계열 변수들 (Jita, Jitt, RAP, PPQ)과 진폭의 변화 정도를 나타내는 쉼머(shimmer)계열 변수들(ShdB, Shim, APQ)을 추출하였다.
- , fundamental frequency)를 시작으로 강도(intensity), 포만트(formant), MDVP(Multi-Dimensional Voice Program) 변수까지 추출하였다. 이를 위해 첫 번째 단계로 Praat 스크립트(script) 프로그래밍[9]-[10]을 이용하여 수집된 모든 데이터에 대해서 20msec 간격으로 시간을 동기화하여 F0, 강도, 1차 2차 포만트(F1, F2), -3dB 대역폭(bandwidth), 최대 진폭(amplitude), 최소 진폭을 구하고 그 결과를 텍스트 파일 형태로 저장하였다. 음성 변수 추출을 위한 Praat 스크립트 프로그램 중 일부 주요 부분만을 아래에 정리하였다.
- 이러한 규칙은 144개의 음성 변수별로 2개씩, 총 288개의 논리식으로 확장이 가능하며 사용되는 4개의 조건 변수들은 알고리즘 내에서 144 × 4 행렬(이하 gRule로 명명)로 효율적으로 저장, 관리할 수 있다. 이번 알고리즘에서는 이러한 4개의 조건 변수 생성 과정에 이상치(outlier) 발생으로 인한 오류를 방지하고 체질간의 변별력을 높이기의 해 체질별 최대값과 최소값과 같은 극한값을 사용하지 않고 체질별 분포에 대한 백분위수를 임계치로 적용하였다.
- 음성 데이터를 남녀별로 따로 나누고 성별로 각각 5번의 10-fold 교차 검증(cross validation) 테스트 방법으로 구현한 알고리즘 성능을 확인하였다. 즉, 전체 데이터를 동일한 크기의 10개 블록으로 나누고 이 중 9개 블록에 해당되는 데이터를 train set으로 설정, 학습하여 gRule과 가중치 행렬을 생성한 후 이를 나머지 한 개의 test set 블록에 적용한다. Test set 블록의 순서를 중복되지 않게 바꿔가면서 10번 반복하게 되면 모든 데이터가 한 번씩 test set에 포함되고, 결과적으로 모든 데이터가 빠짐없이 알고리즘에 의해 판단이 내려지게 되면 비로소 한번의 10-fold 교차 검증이 끝나게 된다.
- 3 이상의 상관계수 절대값을 가지는 변수는 한의학적으로 의미 있는 16세를 기준으로 5개의 나이그룹으로 나누고 키, BMI와 유효한 상관성을 보이는 변수에서는 4개의 그룹으로 나누어 <그림3>와 같이 동일 그룹별로 새로운 하위 sub-gRule을 생성하였다. 차후 임의의 피험자 음성 신호가 들어왔을 때 피험자 나이와 키, BMI를 조사하여 해당되는 음성 변수에서는 이에 맞는 적절한 하위 sub-gRule이 상위 gRule을 대신하도록 하였다. 덧붙여 특정 변수에서 특정 체질의 비이상적인 분포형태를 방지하고자 gRule의 li와 ui가 같은 경우가 발생한 음성 변수에 대해서는 gRule 논리식을 생성하지 않았다.
- 사용된 144개의 음성 변수 중에는 나이, 키, 몸무게와 같은 신체정보와 관련이 있는 변수가 존재하기에 이들의 상관성을 조사하여 다음과 같은 방법으로 알고리즘에 반영하였다. 첫 번째로 남녀별로 모든 음성 변수와 4가지 주요 신체정보인 나이, 키, 몸무게, BMI(Body Mass Index)간의 피어슨 상관계수를 조사하였다. 그 후 남녀별로 상관계수의 절대값이 0.
- 최종 체질 판단을 위해서 체질 정도를 수치화할 수 있는 체질 점수와 가중치 개념을 도입하였다. 체질 점수는 임의의 음성 데이터에 대해 소음, 소양, 태음 체질별로 부여된 상대적 점수로 판단 알고리즘에서 이를 이용하여 최종 판단을 제공하게 된다.
- 피험자는 편안히 앉은 상태에서 독립된 5개의 모음(아, 에, 이, 오, 우)을 각각 2초 이상 자연스럽게 발성하고 각 모음 사이는 약 1-2초 정도 공백을 유지하도록 하였고 연속해서 하나의 문장(“우리는 높은 산에 올라가 맑은 공기를 마시고 왔습니다. ”)을 두 번 반복하도록 하였다.
대상 데이터
- 모든 음성 데이터는 동일하게 배경 잡음이 30dB 이하인 조용한 공간에서 수집되었다. 사용된 마이크는 Sennheiser e-835s이며 마이크 스탠드에 고정하여 입과 마이크 거리가 4-5cm가 되도록 유지하였다. 피험자는 편안히 앉은 상태에서 독립된 5개의 모음(아, 에, 이, 오, 우)을 각각 2초 이상 자연스럽게 발성하고 각 모음 사이는 약 1-2초 정도 공백을 유지하도록 하였고 연속해서 하나의 문장(“우리는 높은 산에 올라가 맑은 공기를 마시고 왔습니다.
- 선별된 피험자 나이는 10대부터 80대까지 고루 분포되어 있으며(48.52±15.50yr), 성별과 체질별로는 남자 164명(소음 32명, 소양 44명, 태음 88명), 여성 309명(소음 82명, 소양 116명, 태음 111명)으로 총 473명이다.
- 수집된 각 음성 데이터에서 과 같이 총 144개의 음성 변수를 추출하였다.
- 음성 데이터는 2007년 11월부터 2008년 7월까지 10개 (대학)한방병원과 3개 한의원을 통해 수집되었다. 체질이 명확한 사람을 대상으로 하기 위해 5년 이상 사상체질의학 임상분야 경험이 있는 전문가에 의해 동일 체질 처방을 60첩 이상 투여받고 최소 4회 이상 방문하여 경과를 관찰한 사람 중 부작용이 없으며 주증(主證)이 일정 정도 이상 호전된 사람, 혹은 동일 체질 처방을 20첩 이상 60첩미만 투여받고 부작용이 없으며 주증(主證)과 소증이 일정 정도 이상 호전된 사람을 대상자로 선정하였다.
- ”)을 두 번 반복하도록 하였다. 음성 데이터는 모두 PCM signed 16bits, mono형식으로 표본화율(sampling rate) 44,100Hz로 수집되었다.
- 음성 데이터는 2007년 11월부터 2008년 7월까지 10개 (대학)한방병원과 3개 한의원을 통해 수집되었다. 체질이 명확한 사람을 대상으로 하기 위해 5년 이상 사상체질의학 임상분야 경험이 있는 전문가에 의해 동일 체질 처방을 60첩 이상 투여받고 최소 4회 이상 방문하여 경과를 관찰한 사람 중 부작용이 없으며 주증(主證)이 일정 정도 이상 호전된 사람, 혹은 동일 체질 처방을 20첩 이상 60첩미만 투여받고 부작용이 없으며 주증(主證)과 소증이 일정 정도 이상 호전된 사람을 대상자로 선정하였다. 선별된 피험자 나이는 10대부터 80대까지 고루 분포되어 있으며(48.
데이터처리
- 음성 변수 추출을 위한 Praat 스크립트 프로그램 중 일부 주요 부분만을 아래에 정리하였다. 이 이후 생성된 결과 텍스트 파일을 읽어오는 작업부터 변수 추출, 분석 및 분류 알고리즘까지 관련된 모든 작업은 Matlab 프로그램으로 구현되었다.
- 세 번째 단계로 마지막 모음인 /u/ 끝점 이후부터는 유효한 F0를 가지는 부분만을 선택하여 이를 문장으로 판단하고 앞서 Praat으로 생성한 결과 파일에서 이 문장 구간의 F0와 강도를 따로 분리하였다. 이후 추출한 문장 구간의 F0와 강도 신호 크기간의 피어슨 상관계수(Pearson correlation coefficient) 구하고, F0와 강도 신호 크기의 각 10, 50, 90th 백분위수(percentile) 및 이들의 상, 하위 범위 비를 구하였다. 마지막으로 음성의 다양한 측면에 대한 분석을 가장 큰 장점으로 언어병리학 계통의 음향변수 중에서 최근 들어 가장 많이 활용되고 있는 MDVP 변수를 본 연구에도 적용하였다[11].
성능/효과
- 남녀별로 각각 5번의 10-fold 교차 검증을 실시하였으며 한 번의 교차 검증마다 무작위로 블록을 새로 지정하였다. 5번의 10-fold 교차 검증 결과, 남성의 경우는 전체 중에서 54.7%에 대해서만 이진 부정 판단을 내렸으며, 이러한 판단의 정확도는 74.0%이었다. 여성의 경우는 전체 중에 56.
- 식(1), (2)와 같은 하나의 논리 규칙을 통과하게 될 때 논리 규칙 조건을 만족하게 되면 그때마다 해당되는 체질 점수 테이블의 ui 혹은 li체질에 -1점의 벌점을 부여하였다. 결과적으로 입력 음성 데이터는 모든 gRule 논리 규칙을 통과함으로써 최종 체질 점수를 얻게된다. 다음으로 특정 체질에서 비정상적으로 넓은 분포 형태를 보여 오류를 야기할 수 있는 확률을 줄이기 위해 아래와 같이 정규화 벡터(normalized vector) 방법을 응용한 체질별 가중치 (W)를 고안하였다.
- 또한 세 가지 체질 중에 uMin이 발생된 체질의 이름을 ui, lMax가 발생한 체질의 이름을 li라는 변수로 정한다. 결과적으로 하나의 음성 변수마다 uMin, ui, lMax, li라는 4개의 조건 변수를 새로 생성할 수 있다.
- 이는 앞서 서술한 총 5번의 10-fold 교차 검증 과정 중 test set을 대상으로 한 실험에서 gRule 논리 규칙을 만족하여 체질 점수가 발생되었을 때마다 해당되는 음성 변수 발생 횟수를 세어 최종테스트 동안 몇 번이 발생되었는지를 조사한 후 그 결과를 오름차순으로 순위를 매겨 1위부터 20위까지에 해당되는 음성 변수를 <표6>에 나열하였다. 그 결과 남성의 경우에는 F0계열의 변수, 여성의 경우에는 포만트 계열의 변수가 상대적으로 높은 순위를 차지하고 있었다. 이는 남성과 여성에서 각각 해당 계열의 변수가 체질 분류에서 다른 변수들에 비해 상대적으로 큰 역할을 담담하고 있다고 결론지을 수 있다.
- 첫 번째로 남녀별로 모든 음성 변수와 4가지 주요 신체정보인 나이, 키, 몸무게, BMI(Body Mass Index)간의 피어슨 상관계수를 조사하였다. 그 후 남녀별로 상관계수의 절대값이 0.3 이상 되는 변수들 조사하였더니 남자의 경우는 나이에서 9개(eSHDB, eSHIM, uF0, iF2, P10, P50, eMFCC8, iMFCC8, oMFCC8, uMFCC8), 키에서 2개(uF0, P50)가 있었고 몸무게와 BMI에서는 0.3 이상을 갖는 경우가 하나도 없었다. 여성의 경우는 나이에서 21개(aF0, aT0, eF0, eT0, iF0, oF0, oT0, uF0, P10, P50, P90, aMFCC9, aMFCC12, eMFCC6, eMFCC11, eMFCC12, iMFCC6, iMFCC9, oMFCC9, uMFCC7, uMFCC9, uMFCC12), BMI에서는 5개(eF0, P10, P50, P90, aMFCC12)가 존재하였고 키와 몸무게에서는 0.
- 두 번째로 상관성 조사 결과를 바탕으로 남녀 모두에서 나이와 0.3 이상의 상관계수 절대값을 가지는 변수는 한의학적으로 의미 있는 16세를 기준으로 5개의 나이그룹으로 나누고 키, BMI와 유효한 상관성을 보이는 변수에서는 4개의 그룹으로 나누어 와 같이 동일 그룹별로 새로운 하위 sub-gRule을 생성하였다.
- 이는 이번 연구와 같이 음성 신호 단독으로 체질을 구분하는 시스템에 직접 도입하기 위한 목적도 있지만, 차후 안면, 피부, 체형 등 복합적인 체질 진단 요소들을 가지고 체질을 진단하는 통합 진단 툴의 일부로 내장되어 특정 체질 분류에 국한되어 사용할 수도 있도록 계획되었다. 알고리즘 결과로는 이진방식으로 약 50% 이상의 판단율과 70% 이상의 정확률을 얻어낼 수 있었다. 체질별로는 다른 체질에서보다 특히 소음/비소음 분류에서 우수한 성능을 보이고 있다.
- 3 이상을 갖는 경우가 하나도 없었다. 여성의 경우는 나이에서 21개(aF0, aT0, eF0, eT0, iF0, oF0, oT0, uF0, P10, P50, P90, aMFCC9, aMFCC12, eMFCC6, eMFCC11, eMFCC12, iMFCC6, iMFCC9, oMFCC9, uMFCC7, uMFCC9, uMFCC12), BMI에서는 5개(eF0, P10, P50, P90, aMFCC12)가 존재하였고 키와 몸무게에서는 0.3 이상의 상관계수를 갖는 변수는 없었다. 두 번째로 상관성 조사 결과를 바탕으로 남녀 모두에서 나이와 0.
- 이러한 규칙은 144개의 음성 변수별로 2개씩, 총 288개의 논리식으로 확장이 가능하며 사용되는 4개의 조건 변수들은 알고리즘 내에서 144 × 4 행렬(이하 gRule로 명명)로 효율적으로 저장, 관리할 수 있다.
후속연구
- ” 라는 이진 부정 판단 형식을 취하였다. 이는 이번 연구와 같이 음성 신호 단독으로 체질을 구분하는 시스템에 직접 도입하기 위한 목적도 있지만, 차후 안면, 피부, 체형 등 복합적인 체질 진단 요소들을 가지고 체질을 진단하는 통합 진단 툴의 일부로 내장되어 특정 체질 분류에 국한되어 사용할 수도 있도록 계획되었다. 알고리즘 결과로는 이진방식으로 약 50% 이상의 판단율과 70% 이상의 정확률을 얻어낼 수 있었다.
- 체질별로는 다른 체질에서보다 특히 소음/비소음 분류에서 우수한 성능을 보이고 있다. 이러한 결과는 차후 통합 알고리즘에서도 다른 체질 요소들과 함께 하나의 요소가 특정 체질 분류에 강점을 가지는 부분을 맡아서 담당하는 분업화 형태로 알고리즘을 확장시킬 수 있을 것으로 생각된다. 음성 변수 중에서는 체질을 구분하는데 가장 많은 영향력을 준 변수로는 남성에서는 F0, 여성의 경우는 포만트 변수로 조사되었다.
- 또한 여성의 경우는 남성에 비해 테스토스테론의 영향이 적기 때문에 조음기관 및 넓게는 안면의 기하학적인 형태가 반영된 포만트 계열 변수가 체질과 연관성이 있는 것으로 판단된다. 하지만 이런 남성호르몬 및 조음기관의 기하학적인 형태와 체질간의 관계를 밝히기 위해서는 좀 더 깊은 연구가 필요할 것으로 사료된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.