[논문]합성곱 신경망 모델과 극단 모델에 기반한 발화자 연령 예측

허탁성; 김지수; 오병두; 김유섭

합성곱 신경망 모델과 극단 모델에 기반한 발화자 연령 예측
Prediction of the age of speakers based on Convolutional Neural Networks and polarization model 원문보기

허탁성 (한림대학교 생명과학과) , 김지수 (한림대학교 소프트웨어융합대학) , 오병두 (한림대학교 융합소프트웨어학과) , 김유섭 (한림대학교 소프트웨어융합대학)

본 연구는 심층학습 기법을 활용하여 양극 데이터에 대해 학습된 모델로부터 예측된 결과를 바탕으로 언어 장애 여부를 판단하고, 이를 바탕으로 효율적인 언어 치료를 수행할 수 있는 방법론을 제시한다. 발화자의 개별 발화에 대해 데이터화를 하여 합성곱 신경망 모델(CNN)을 학습한다. 이를 이용하여 발화자의 연령 집단을 예측하고 결과를 분석하여 발화자의 언어 연령 및 장애 여부를 판단을 할 수 있다.

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 연구에서는 이를 통해 발화자의 개별 발화에 대한 연령집단을 예측하고 결과를 분석하여 사전에 해당 발화자의 언어 연령 및 장애 여부를 판단하고자 한다. 학령전기와 학령기와 같이 양극성을 띄는 데이터를 모델 구축에 활용하였으며, 입력되는 발화에 따라 예측되는 확률을 가지고 해당 발화자의 실제 연령과 언어 연령을 비교하여 언어 능력을 진단, 평가하여 전통적인 언어 분석에 필요한 비용을 크게 절감하는 방법을 제시한다.
이에 본 연구에서는 심층학습 기법을 활용하여 양극데이터에 대해 효율적인 언어치료를 수행할 수 있는 방법론을 제시한다. 학령전기(유아부)와 학령기(중고등부)의 양극 데이터를 문장 분류에 뛰어난 성능을 보이는 합성곱 신경망 모델(CNN)에 학습시켰다.

제안 방법

연령은 유아부, 중고등부의 극성 데이터뿐만 아니라 20대부터 많게는 100세 이상까지도 존재한다. 따라서 학습 연령집단과 다른 연령집단 데이터를 입력으로 하여 예측 결과 분포를 분석한다. 수식(1)과 (2)는 각각 입력되는 피검사자의 발화의 분포를 유아부로 예측하는 확률과 중고등부로 예측하는 확률을 나타낸다.
먼저 학습에 사용되지 않은 연령 집단 데이터를 모델의 입력으로 사용했을 때, 분류 분포의 치우침을 통해 언어 연령을 예측하는 실험을 수행했다.
신경망을 학습하기 위해 모델의 Hyper Parameter를 설정하고 Training, Cross-Validation(CV), Test Set을 구성한다. Data Set을 8:2(Training:Test)로 나누고, 각 Epoch마다 Training Set의 20%을 CV Set으로 사용한다.
하지만 자발화 분석의 문제점은 발화를 녹음하고 전사하여 분석하는 비용이 많이 소모된다는 것이다. 이러한 비용을 줄이고 효과를 더욱 크게 보기 위해 유아부, 중고등부의 양극 데이터를 문장 분류에 뛰어난 성능을 보이는 CNN에 학습시켰다.
합성곱 층에서는 [5]에 제시된 것처럼 각기 다른 크기를 가지는 필터들이 합성곱 연산을 수행하고, 연산을 통해 얻어진 각 필터들의 Feature Map으로부터 Pooling을 통해 중요한 특징을 나타내는 벡터를 뽑아낸다. 이후 Fully Connected Layer를 거쳐, 마지막 Softmax Layer에서는 Dropout이 적용되어 분류 결과를 출력하며, 합성곱층과 전연결층 사이에서 Dropout 정규화를 수행한다.
합성곱 신경망을 자연어 처리에 사용하기 위해서는 문장을 행렬로 나타내도록 먼저 단어를 벡터로 표현한다. 이후 Sentence Matrix를 구현하는데, 벡터 값을 무작위로 initialize 하고, 학습 과정에서 분류에 적절한 값으로 업데이트하는 방식으로 구현한다.
이에 본 연구에서는 심층학습 기법을 활용하여 양극데이터에 대해 효율적인 언어치료를 수행할 수 있는 방법론을 제시한다. 학령전기(유아부)와 학령기(중고등부)의 양극 데이터를 문장 분류에 뛰어난 성능을 보이는 합성곱 신경망 모델(CNN)에 학습시켰다. 실제로 CNN은 이미지 처리 연구에 많이 활용되었으나[1], 최근에는 텍스트와 같은 시계열 데이터에 많이 사용되던 RNN[2]과 더불어 문장 분류에서 좋은 성능을 보인다고 보고된 바 있다.
본 연구에서는 이를 통해 발화자의 개별 발화에 대한 연령집단을 예측하고 결과를 분석하여 사전에 해당 발화자의 언어 연령 및 장애 여부를 판단하고자 한다. 학령전기와 학령기와 같이 양극성을 띄는 데이터를 모델 구축에 활용하였으며, 입력되는 발화에 따라 예측되는 확률을 가지고 해당 발화자의 실제 연령과 언어 연령을 비교하여 언어 능력을 진단, 평가하여 전통적인 언어 분석에 필요한 비용을 크게 절감하는 방법을 제시한다.

대상 데이터

본 연구에서 사용된 데이터는 한림대학교 언어 병리학과에서 수집한 전사 데이터이다. 데이터는 피상담자를 대상으로 한 상담 과정을 녹음하고 녹음을 전사하여 생성된다.

이론/모형

본 논문에서 사용된 합성곱 신경망 모델(CNN)은 [5]에서 제시된 합성곱 신경망 모델을 사용했다. 합성곱 신경망을 자연어 처리에 사용하기 위해서는 문장을 행렬로 나타내도록 먼저 단어를 벡터로 표현한다.

성능/효과

예측 결과는 연령이 낮을수록 유아부로 예측한 확률이 높고 연령이 높을수록 중고등부로 예측한 확률이 높아진다. 성인부 3의 경우 유아부로 예측한 확률이 증가하는 것을 확인할 수 있는데 이는 연령이 높아질수록 언어 능력이 비교적 낮아진다는 기존의 연구에 부합한다 [6].

후속연구

앞으로 이 학습 모델을 통해 개별 발화에 대한 연령집단을 예측하고 결과를 분석하여 사전에 해당 발화자의 언어 연령 및 장애 여부를 효과적으로 판단을 할 수 있을 것이다.

원문 보기

ScienceON 원문보기

*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.

이 논문과 함께 이용한 콘텐츠

[논문] 합성곱신경망 기반의 StyleGAN 이미지 탐지모델

저작권 관리 안내

내보내기 메뉴

내보내기 구분

파일저장
인쇄
메일전송

구성항목

기본정보
상세정보

관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관

저장형식

Text(ASCII format)
Excel format
RefWorks Direct Export
RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley

메일정보

받는사람 (필수): @
보내는사람 (선택): @
제목
내용: KISTI 검색결과 이메일 서비스

안내

총 건의 자료가 검색되었습니다.

다운받으실 자료의 인덱스를 입력하세요. (1-10,000)

검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다.

데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요)

다운로드 파일은 UTF-8 형태로 저장됩니다.
파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오.

Text(ASCII format)
Excel format

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

AI-Helper ※ AI-Helper는 을 사용합니다.

AI-Helper

안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

연합인증

합성곱 신경망 모델과 극단 모델에 기반한 발화자 연령 예측
Prediction of the age of speakers based on Convolutional Neural Networks and polarization model 원문보기

초록
AI-Helper