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
- 5)SVMe 기본적으로 일반화의 오류를 줄일 수 있는 SRM(Structural Risk Minimization) 원칙을 적용하기에 신경회로망과 같은 ERMJEmpirical Risk Milmmation)을 기본으로 하는 알고리즘보다 적은 학습데이터를 가지고도 높은 차원의 공간으로 일반화 할 수 있는 장점을 가진다.6) SVMe (Figure 1)과 같이 정의된 이진 집단을 가장 잘 분류하기 위해서 두 집단 간의 최대 마진(Maximml Margin) 영역을 보장하는 최적의 초평면(OSH, Qximal Separating Hyperplane)방정식 찾는 것을 목적으로 한다.
- 이러한 연구 결과는 안면, 피부, 성격 등과 같은 체질 판별에 필요한 다양한 정보 없이 음성만으로 체질 판별하는 연구에서 가지는 피할 수 없는 한계로 여겨진다. 본 연구에서는 이러한 현실적인 한계를 인정하면서도 음성을 통해 정량적이고 신뢰성이 보장되는 체질 알고리즘을 구현하고자 하였다. 이를 위해 음성으로 판별이 어려운 데이터에 대해서는 특정한 체질 판정으로 내리기보다 ''판정 보류''를 내리는 형식을 취하고 개개인의 음성 특징을 잘 반영하는 114개의 음성변수를 추출 후 이를 SVM:Support Vector Machine) 분류 기법을 이용한 체질 판별 알고리즘을 구현하였다.
제안 방법
- 본 연구에서는 이러한 현실적인 한계를 인정하면서도 음성을 통해 정량적이고 신뢰성이 보장되는 체질 알고리즘을 구현하고자 하였다. 이를 위해 음성으로 판별이 어려운 데이터에 대해서는 특정한 체질 판정으로 내리기보다 ''판정 보류''를 내리는 형식을 취하고 개개인의 음성 특징을 잘 반영하는 114개의 음성변수를 추출 후 이를 SVM:Support Vector Machine) 분류 기법을 이용한 체질 판별 알고리즘을 구현하였다.
- 피험자는 편안히 앉은 상태에서 독립된 5개의 모음(아, 에, 이, 오 우)을각각 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., 두 번 반복하도록 하였다. 음성데이터는 모두 PCM signed 16bits, mono형식.
- MFCC 변수는 뛰어난 효용성&로 최근 음성 인식, 분류에서 가장 많이 사용되고 있는 변수이다. MFCC 변수 추출에는 음성 분석 툴인 HTKJfidden Madccw Toolkit)을 사용하였다 세 번째로 문장구간 분석을 위해 구간 내 가본 주파수와 강도의 변화를 구하고 두 변수간의 Ptaison 상관성과 각각의 10, 50, 90 pemtt비를 계산하여 이를 변수로 활용하였다. 최종적으로 ( Table 2)에 이번 연구에 사용된 144개 음성 변수가 정리되어 있다
- 데이터에서 추출하였다. 변수는 첫 번째로 각 모음과 문장에 대해서 음의 기본주파수(F, fundamentalequency) 와 포만트fbtmant), 강도(intensity), 진폭(amplitude) 변화를 음성 분석 프로그램인 praal을 이용하여 추출하였다 이후에 특정 분석 윈도우 크기 내에서 F0의 변화량을 나타내는 jitter계열 변수와 진폭 변화를 나타내는 sMmmo계열 변수를 다시 계산하여 이를 알고리즘에 활용하였다. Jitter와 shim ma 계열변수는 복합적이고 다변적인 음성의 특성을 고려한 분석에 활용되며 특히 발성기관의 임상적인 진단, 치료 분야에서 많이 사용되고 있다.
- 본 연구에서는 144개의 음성 변수 추출 후 SVM 기법을 적용한 음성을 이용한 사상체질 알고리즘을 구현하고 5 folds CV 테스트로 검정해보았다. 태음과비태음 분류기와 소음과 소양 분류기를 이용하여 모든 데이터에 대해 100% 진단 알고리즘에서는 38.
- SVMe 기본적으로 이진분류이고 정의된 두 집단의 N수가 가장 차이가 나지 않도록 순서를 정해주는 것이 가장 좋은 성능 향상을 보이고 있다. 본 연구에서도 각 체질의 데이터 수를 고려하여 태음과 비태음을 나누는 SVM #1과 비태음 중에서 소음과 소양을 나누는 SVM #2로 분리하였다. (Fig.
- 입력된 모든 음성 데이터에 특정 체질을 반드시 판정하도록 하였다. SVMe 기본적으로 이진분류이고 정의된 두 집단의 N수가 가장 차이가 나지 않도록 순서를 정해주는 것이 가장 좋은 성능 향상을 보이고 있다.
- 두 가지 종류 모두 알고리즘 성능 검증은 5 folds CV(Goss Validation) 테스트 방법으로 실시하였다. 즉 전체 데이터를 임의로 5개 블록로 나누고 이 중에 4개의 블록에 해당되는 데이터를 이용하여 SVM 학습에 필요한 train set을 설정한다. 학습된 알고리즘 모델은 나머지 한 개의 블록에 해당되는 test set 데이터를 적용하여 그 결과를 확인한다.
- 체질 분류 알고리즘 적용에 앞서 수집된 데이터와 추출한 144개의 음성변수에 대한 유효성 검토를 위해 신호의 크기와 전체 F0의 변화를 직접 그래프로 확인하는 작업을 거쳤다 이를 통해 부적절한 음도 수준으로 발음하여 정상적인 음성보다 한 옥타브 내지 두 옥타브 정도 갑자기 높거나 낮은 일탈현상을 보이는 음도 일탈(pitch break)이나 발음 시 피험자가 일정한 성량을 유지하지 못하는 음성 일탈gee bee이 발생한 데이터가 있는지 확인하고 특히 모음 내에 이런 음도/음성 일탈 현상이 조금이라도 발생한 데이터에 대해서는 정확한 알고리즘 학습과 성능 테스트를 위해 모두 제거하였다.
대상 데이터
- 사상체질 분류를 위한 변수로 개인의 목소리 특성을 잘 반영할 수 있는 3개 그룹, 개 변수를 수집된 음성 데이터에서 추출하였다. 변수는 첫 번째로 각 모음과 문장에 대해서 음의 기본주파수(F, fundamentalequency) 와 포만트fbtmant), 강도(intensity), 진폭(amplitude) 변화를 음성 분석 프로그램인 praal을 이용하여 추출하였다 이후에 특정 분석 윈도우 크기 내에서 F0의 변화량을 나타내는 jitter계열 변수와 진폭 변화를 나타내는 sMmmo계열 변수를 다시 계산하여 이를 알고리즘에 활용하였다.
- 모든 음성 데이터는 동일하게 배경 잡음이 30dB 이하인 조용한 공간에서 수집되었다. 사용된 마이크는 Sennheiser 35s이며 마이크 스탠드에 고정하여 입과 마이크 거리가 44cm가 되도록 유지하였다. 피험자는 편안히 앉은 상태에서 독립된 5개의 모음(아, 에, 이, 오 우)을각각 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.
- 음성 수집을 위한 피험자 선정은 자가 생활이 가능하고 신체적, 정신적으로 심각한 질환이 없는 20대와 60대 남성과 여성을 우선 선정하고 사상체질분아에서 5년 이상의 경력을 지닌 2명의 사상체질 전문가의 체질 진단을 받아 두 한의사의 체질 진단 결과가 동일한 사람을 대상으로 선정하였다. 체질 진단은 안면, 피부, 설문지, 체형, 음성, 면담을 이용한 종합적인 체질 진단으로 피험자의 체질을 결정하였으며 우리나라 전체인구의 1% 이하에 해당되는 태양인 샘플은 제외하였다 최종적으로 ( Table 1)에 정리 되었듯이 총 854명의 체질 확진 피험자를 선정할 수 있었다 본 실험은 한국한의학연구원 임상연구 및 생명 윤리심의위원회 승인하에 이루어졌다(IBB No.
- 총 854건의 음성데이터 중에서 음성/음도일탈 전혀 없어 분류 알고리즘 입력으로 들어온 데이터는 5% 건으로 69.8%에 해당된다. 체질 판정은 596건 모두에 대해서 이루어졌고 이 중에서 230건에 대해서 정확히 맞았기에 판정 정확률은 38.
- MFCC 변수 추출에는 음성 분석 툴인 HTKJfidden Madccw Toolkit)을 사용하였다 세 번째로 문장구간 분석을 위해 구간 내 가본 주파수와 강도의 변화를 구하고 두 변수간의 Ptaison 상관성과 각각의 10, 50, 90 pemtt비를 계산하여 이를 변수로 활용하였다. 최종적으로 ( Table 2)에 이번 연구에 사용된 144개 음성 변수가 정리되어 있다
데이터처리
- 수집된 음성데이터는 성별 나이별로 아래 ( Table 1) 와 같이 4그룹&로 나누어서 통계분석을 실시하였다. 통계분석에서는 분류, 인식 성능향상을 위해서만 사용되고 물리적인 의미를 부여하기 어려운 MFGC 변수는 제외한 79개의 음성변수를 대상으로 하여 체질별 One-way ANOVA(Analysis of Variance)와 ScheSe's 테스트를 실시했다 ANOVA 테스트 결과 체질 그룹별 통계적으로 유의미하다고 판단할 수 있는 p-value 0.
- 실시하였다. 통계분석에서는 분류, 인식 성능향상을 위해서만 사용되고 물리적인 의미를 부여하기 어려운 MFGC 변수는 제외한 79개의 음성변수를 대상으로 하여 체질별 One-way ANOVA(Analysis of Variance)와 ScheSe's 테스트를 실시했다 ANOVA 테스트 결과 체질 그룹별 통계적으로 유의미하다고 판단할 수 있는 p-value 0.05 이하를 가지는 변수를 조사하였더니 20대 남성에서는 3개(ajitt, eSTD, uBw2), 20대 여성에서는 4개(aFO, eFO, iBwl, oBw2), 60대 남성에서는 1개(oSTD), 60대 여성에서는 4개(eBw2, 2, P50, P90)로 밝혀졌다. 하지만 이 중에 20대 남성의 ajitt, 60대 남성의 oSTD는 Sdiefe's 테스트 결과 체질별 변별력이 없음으로 밝혀지고 나머지 변수에서도 실질적으로 체질 구분에 의미 있는 변수를 찾아보기 힘들었다.
이론/모형
- 즉 전처리 작업을 통과하여 분류 알고리즘의 입력으로 들어온 데이터에 대해서는 체질 판정률 100% 이다 두 번째는 "판정 보류" 기능을 추가하여 음성을 통해 특정 체질이 분류할 수 없을 시에는 "판정 보류를 결과로 제공하게끔 하였다 이는 체질 판정률을 낮추더라도 대신 판정 정확률을 높이도록 하는 목적이다. 두 가지 종류 모두 알고리즘 성능 검증은 5 folds CV(Goss Validation) 테스트 방법으로 실시하였다. 즉 전체 데이터를 임의로 5개 블록로 나누고 이 중에 4개의 블록에 해당되는 데이터를 이용하여 SVM 학습에 필요한 train set을 설정한다.
- Jitter와 shim ma 계열변수는 복합적이고 다변적인 음성의 특성을 고려한 분석에 활용되며 특히 발성기관의 임상적인 진단, 치료 분야에서 많이 사용되고 있다. 두 번째로 인간의 청감을 반영하기 위한 목적&로 주파수 영역 내에서 bg-scale 적용과 DCRDiscrete Cosine Transfotni ) 기술을 이용하여 음성 변수로 변환시킨 MFCQMel-Frequency Cepstral Coefficient) 변수를 사용하였다. MFCC 변수는 뛰어난 효용성&로 최근 음성 인식, 분류에서 가장 많이 사용되고 있는 변수이다.
성능/효과
- 태음과비태음 분류기와 소음과 소양 분류기를 이용하여 모든 데이터에 대해 100% 진단 알고리즘에서는 38.6% 이라는 낮은 정확률을 기록하였다 이런 낮은 정확률을 보정하기 위해 "판정 보류"기능을 추가하여 판정률을 100%에서 3 2.2%정도로 낮추는 대신에 판정 정확률은 38.6%에서 약 80%로 높이는 결과를 얻었다. 이는 100%의 판정률을 기본으로 하는 대부분의 판정알고리즘과 비교해 낮은 판정률을 보이고 있지만 음성 및 화자 인식 알고리즘의 최대 한계는 인간의 인식수준 이상일 수 없는 사실과 사상체질 진단시 사상체질전문의가 음성을 반영하는 비율이 대부분 040%인 점 9)감안하면 적절한 수준의 결과를 보이고 있다고 결론지을 수 있다.
- 해결하는데 널리 사용되고 있다.5)SVMe 기본적으로 일반화의 오류를 줄일 수 있는 SRM(Structural Risk Minimization) 원칙을 적용하기에 신경회로망과 같은 ERMJEmpirical Risk Milmmation)을 기본으로 하는 알고리즘보다 적은 학습데이터를 가지고도 높은 차원의 공간으로 일반화 할 수 있는 장점을 가진다.6) SVMe (Figure 1)과 같이 정의된 이진 집단을 가장 잘 분류하기 위해서 두 집단 간의 최대 마진(Maximml Margin) 영역을 보장하는 최적의 초평면(OSH, Qximal Separating Hyperplane)방정식 찾는 것을 목적으로 한다.
- 하였다. SVMe 기본적으로 이진분류이고 정의된 두 집단의 N수가 가장 차이가 나지 않도록 순서를 정해주는 것이 가장 좋은 성능 향상을 보이고 있다. 본 연구에서도 각 체질의 데이터 수를 고려하여 태음과 비태음을 나누는 SVM #1과 비태음 중에서 소음과 소양을 나누는 SVM #2로 분리하였다.
- 6%에서 약 80%로 높이는 결과를 얻었다. 이는 100%의 판정률을 기본으로 하는 대부분의 판정알고리즘과 비교해 낮은 판정률을 보이고 있지만 음성 및 화자 인식 알고리즘의 최대 한계는 인간의 인식수준 이상일 수 없는 사실과 사상체질 진단시 사상체질전문의가 음성을 반영하는 비율이 대부분 040%인 점 9)감안하면 적절한 수준의 결과를 보이고 있다고 결론지을 수 있다. 알고리즘 성능은 체질별로는 태음인이 성별로는 여성그룹에서 좋은 성능을 발휘하고 있었다 본 연구와 동일한 실험방법, 동일한 144개 음성변수를 사용한10)의 연구에서는 남성에서는 피치 계열 변수, 여성에서는 포만트계열 변수가 체질 판별에 큰 영향을 미치며 이는 피치계열 변수와 남성호르몬인 테스토스테론(Testosterone)간에는 직접적인 관련이 있기 때문에 체질과 남성호르몬 사이의 밀접한 관련성을 유추하고 있다.
- 학습된 알고리즘 모델은 나머지 한 개의 블록에 해당되는 test set 데이터를 적용하여 그 결과를 확인한다. 이를 블록의 순서를 바꿔가면서 5번 반복하게 되면 모든 데이터에 대해 알고리즘 결과를 얻을 수 있게 되며 알고리즘모델은 이 결과를 확인하여 알고리즘 성능을 파악할 수 있다
- 3%) 순으로 높게 나왔다. 체질 분류 알고리즘 성능을 나이에 따라 살펴보면 20대 여성( 86.5%) > 60 대 여성( 82.9%) > 60대 남성( 80.9%) > 20대 남성 (72.9%)로 남성보다는 여성이 높았으며 20대 여성 그룹에서 가장 좋은 성능을 발휘하였다. 체질별로는 태음( 81.
- 8%에 해당된다. 체질 판정은 596건 모두에 대해서 이루어졌고 이 중에서 230건에 대해서 정확히 맞았기에 판정 정확률은 38.6%이다.
- 2%이다. 체질이 판정된 195건 중에 155건에 대해 체질을 정확히 맞추어 판정 정확률은 79.4%로 분석되었다.
- 판정 정확도는 20대 남성의 경우 태음에서 53.7%, 20대 여성의 경우 소음에서 40.6%, 60대 남성의 경우 태음에서 39.1%, 60대 여성의 경우 소양에서 41.7%로 가장 높았다. 이러한 결과는 태음, 소음, 소양 체질을 무작위로 분류한다고 해도 33%이상이 나오는 사실을 놓고 비교해보면 체질 분류 알고리즘으로는 부적합한 결과로 여겨진다.
- 판정에 대한 정확도를 그룹별로 살펴보면 20대 남자의 경우 태음( 844%) > 소양;65.4%) > 소음(58.3%), 20대 여성의 경우 태음(90.0%) > 소음( 87.5%) > 소양 ( 842%), 60대 남성 소음(90.0%) > 태음( 80.0%) > 소양 (76.5%), 60대 여성 소음(100.0%) > 소양;86.4%) > 태음(73.3%) 순으로 높게 나왔다. 체질 분류 알고리즘 성능을 나이에 따라 살펴보면 20대 여성( 86.
후속연구
- 2* 이러한 사상체질과 음성과의 한의학적 근거를 바탕으로 이들 간의 관계를 과학적 이고 정량적인 방법으로 해석하고자 하는 시도는 여러 연구를 통해 현재까지도 진행 중이 다하지만 이 중 많은 연구가 몇몇 대표적인 음성 변수와 체질 간의 모수적 통계방법을 적용하여 그 가능성 정도만을 제시하고 있거나' 여러 분류 방법을 도입하더라도 체질 분류에서는 유의미한 결론을 도출하지 못하는 실정이다. 이러한 연구 결과는 안면, 피부, 성격 등과 같은 체질 판별에 필요한 다양한 정보 없이 음성만으로 체질 판별하는 연구에서 가지는 피할 수 없는 한계로 여겨진다. 본 연구에서는 이러한 현실적인 한계를 인정하면서도 음성을 통해 정량적이고 신뢰성이 보장되는 체질 알고리즘을 구현하고자 하였다.
- 알고리즘 성능은 체질별로는 태음인이 성별로는 여성그룹에서 좋은 성능을 발휘하고 있었다 본 연구와 동일한 실험방법, 동일한 144개 음성변수를 사용한10)의 연구에서는 남성에서는 피치 계열 변수, 여성에서는 포만트계열 변수가 체질 판별에 큰 영향을 미치며 이는 피치계열 변수와 남성호르몬인 테스토스테론(Testosterone)간에는 직접적인 관련이 있기 때문에 체질과 남성호르몬 사이의 밀접한 관련성을 유추하고 있다. 차후 연구에서는 이를 확장하여 SVM 분류 학습에서 분류에 가장 영향을 미치는 변수와 관련 호르몬간의 연관성을 밝혀보고자 한다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.