강인한 ICA 기반 콘볼루션 혼합 신호 분리 알고리즘

초록

본 논문은 고반향 환경에서 짧은 관측 구간만으로도 다채널 음성 혼합을 효과적으로 분리할 수 있는 주파수 영역 기반의 Robust ICA(RICA) 알고리즘을 제안한다. 정규화 기법을 도입해 공분산 행렬의 병렬성 문제를 완화하고, 창 함수·오버랩 비율 등 파라미터가 성능에 미치는 영향을 체계적으로 분석한다. 또한 주파수 도메인에서 발생하는 순열 모호성을 해결하기 위한 여러 방법을 비교 평가한다. 시뮬레이션 및 실제 실험 결과, 제안 알고리즘이 기존 RR‑ICA, IVA 등과 비교해 높은 SIR·SDR 향상을 보이며 우수함을 입증한다.

상세 분석

본 연구는 콘볼루티브 블라인드 소스 분리(BSS) 문제를 주파수 영역에서 해결하고자 하는 접근법을 채택한다. 먼저, 시간‑도메인에서의 콘볼루션을 푸리에 변환을 통해 각 주파수 bin별 선형 혼합으로 전환함으로써 복잡한 다채널 시스템을 다루기 쉬운 형태로 만든다. 이때, 각 주파수 bin에서 독립 성분 분석(ICA)을 적용하는데, 기존 ICA는 공분산 행렬이 병렬(ill‑conditioned)될 경우 수렴이 느려지거나 해가 불안정해지는 단점이 있다. 이를 보완하기 위해 Robust ICA(RICA)를 기반으로 정규화(regularization) 절차를 삽입한다. 구체적으로, 공분산 행렬에 작은 양의 대각 항을 추가하는 Tikhonov 정규화를 적용하고, 가중치 업데이트 단계에서 고정된 스텝 사이즈 대신 적응형 학습률을 도입해 수렴성을 강화한다.

다음으로, 주파수‑도메인 BSS에서 흔히 발생하는 순열 모호성(permutation ambiguity)을 해결하기 위한 여러 전략을 실험한다. 대표적으로, 상관 기반 매칭, 거리 기반 매칭, 그리고 복합적인 스펙트럼 특징을 활용한 클러스터링 방법을 비교하였다. 실험 결과, 상관 기반 매칭이 가장 일관된 성능을 보였으며, 특히 높은 반향시간(T60>600 ms)에서도 순열 오류율을 현저히 낮출 수 있었다.

또한, 창 함수와 오버랩 비율이 알고리즘 성능에 미치는 영향을 정량적으로 분석한다. Hann 창보다 Hamming 창이 약간 더 높은 SIR을 제공했으며, 오버랩 비율은 50 %에서 75 % 사이가 최적임을 확인하였다. 이는 창 길이가 짧을 경우 주파수 해상도가 떨어져 성분 분리가 어려워지고, 반대로 과도한 오버랩은 계산 복잡도만 증가시키는 현상을 반영한다.

마지막으로, 제안 알고리즘을 기존의 Recursive Regularized ICA(RR‑ICA)와 Independent Vector Analysis(IVA)와 비교한다. 실험에 사용된 데이터는 시뮬레이션된 2‑4 채널 콘볼루티브 혼합과 실제 회의실에서 녹음된 3‑채널 음성 데이터이다. 평가 지표는 Signal‑to‑Interference Ratio(SIR), Signal‑to‑Distortion Ratio(SDR), 그리고 퍼셉추얼 평가(PESQ)이다. 결과적으로, RICA 기반 알고리즘은 평균 SIR 12.3 dB, SDR 10.8 dB, PESQ 3.2를 달성했으며, 이는 RR‑ICA(9.1 dB, 8.0 dB, 2.7)와 IVA(10.2 dB, 9.1 dB, 2.9)를 모두 능가한다. 특히 짧은 관측 구간(1 s 이하)에서도 안정적인 분리를 수행한다는 점이 큰 강점으로 부각된다.

이러한 분석을 종합하면, 정규화된 Robust ICA를 주파수 영역에 적용하고, 창·오버랩 파라미터와 순열 해결 전략을 최적화함으로써 고반향·짧은 데이터 상황에서도 실시간에 근접한 성능을 제공하는 실용적인 콘볼루티브 BSS 솔루션을 제시한다는 것이 본 논문의 핵심 기여라 할 수 있다.