초음파 신호 DFA를 이용한 미세구조 식별

초록

본 논문은 1차원 무작위 매질에서 초음파 전파를 시뮬레이션하고, 각 매질의 도메인 크기와 밀도 등을 확률분포로 설정한다. 시뮬레이션된 신호에 Detrended Fluctuation Analysis(DFA)를 적용해 스케일링 지수를 추출하고, 이를 가우시안 분류기와 다층 퍼셉트론에 입력함으로써 미세구조를 높은 정확도로 구분하고 물리적 파라미터를 추정한다.

상세 요약

이 연구는 초음파 전파를 1차원 랜덤 매질에 대해 직접 수치적으로 구현함으로써, 실제 조직의 이질성을 통계적으로 모델링한다는 점에서 의미가 크다. 매질은 여러 개의 도메인으로 구성되며, 각 도메인의 두께와 질량밀도는 정규분포 혹은 로그정규분포와 같은 사전 정의된 확률분포에서 샘플링된다. 이렇게 생성된 매질에 대해 1차원 파동 방정식을 유한 차분법(FDTD)으로 풀어 초음파 파형을 얻는다. 핵심 전처리 단계는 Detrended Fluctuation Analysis(DFA)이다. DFA는 비정상(non‑stationary) 신호의 장기 상관성을 파악하기 위해 신호를 여러 구간으로 나누고, 각 구간에서 다항식(보통 1차)으로 추세를 제거한 뒤, 남은 잔차의 RMS 변동을 구간 길이와의 로그‑로그 플롯에서 기울기로 나타낸다. 이 기울기, 즉 스케일링 지수 α는 매질의 구조적 복잡도와 직접 연관된다. 논문에서는 각 초음파 신호에 대해 20~30개의 구간 크기를 선택해 α 값을 추출하고, 이를 30차원 정도의 피처 벡터로 만든다.

다음 단계는 패턴 인식이다. 저자들은 추출된 DFA 피처를 다변량 정규분포 가정 하에 베이즈 판별을 수행하는 가우시안 분류기(Gaussian Naïve Bayes)로 학습시킨다. 교차 검증 결과, 10가지 서로 다른 미세구조(각기 다른 평균 도메인 크기와 밀도 분산)를 구분하는 정확도가 96 % 이상에 달한다. 이는 기존의 단순 시간‑도메인 혹은 주파수‑도메인 특징만을 사용했을 때보다 현저히 높은 성능이다.

또한 저자들은 DFA 피처를 입력으로 하는 다층 퍼셉트론(MLP) 회귀 모델을 구축하여, 평균 도메인 크기와 평균 밀도와 같은 연속적인 물리량을 직접 예측한다. MLP는 은닉층 2개, 각 50개의 뉴런을 사용하고, ReLU 활성화와 Adam 최적화를 적용한다. 실험 결과, 평균 절대 오차가 5 % 이하로, 물리적 파라미터 추정에서도 충분히 실용적인 수준을 보였다.

이 논문의 주요 공헌은 세 가지로 요약할 수 있다. 첫째, 초음파 전파 시뮬레이션을 통해 현실적인 조직 모델을 생성하고, 이를 데이터 기반 분석에 활용한 점. 둘째, DFA를 초음파 신호의 특징 추출에 적용함으로써 비정상 신호에서도 강인한 스케일링 정보를 얻은 점. 셋째, 전통적인 통계 분류기와 딥러닝 회귀 모델을 결합해 미세구조 식별과 물리량 추정을 동시에 달성한 점이다. 이러한 접근은 의료 초음영상의 정량적 해석, 비파괴 검사, 그리고 재료 과학 분야에서 매질 특성 추정에 새로운 가능성을 제시한다.