웨어러블 기침 감지를 위한 딥컨볼루션 신경망 DeepCough

초록

본 논문은 가슴에 부착하는 피에조 전극 기반 웨어러블 센서와 2‑계층 CNN을 결합해 실시간 기침을 탐지한다. 14명의 건강한 피험자를 대상으로 95.1%의 민감도와 99.5%의 특이도를 달성했으며, 기존 MFCC‑HMM 방식보다 우수한 성능을 보였다.

상세 분석

본 연구는 기침 탐지라는 희귀 이벤트를 높은 민감도와 초저 위양성률로 구현하기 위해 센서 설계와 딥러닝 모델을 동시에 최적화했다. 먼저, 기존의 콘덴서 마이크와 달리 피에조 트랜스듀서를 이용해 흉부 진동을 직접 전기신호로 변환함으로써 호흡음은 증폭하고 말소리와 환경소음은 억제하는 전처리 회로를 구현했다. 이 물리적 전처리는 이후 신호 처리 단계에서 잡음 제거 부담을 크게 줄여준다.

신호는 4 ms 프레임으로 나뉘고, 16프레임(64 ms) 윈도우당 RMS 에너지 기준으로 저에너지 구간을 폐기한다. 남은 구간에 대해 128‑bin STFT를 수행해 64 × 16 크기의 스펙트로그램을 생성한다. 이 스펙트로그램을 CNN의 입력으로 사용했으며, 네트워크는 두 개의 컨볼루션 레이어(각 16개의 9 × 3, 5 × 3 필터)와 2 × 1 맥스풀링을 거쳐 256‑유닛 완전 연결층 두 개와 드롭아웃(p=0.5)을 포함한다. 마지막 소프트맥스 층이 기침/비기침을 이진 분류한다.

학습 과정에서는 전체 데이터를 70 % 훈련/30 % 테스트로 분할하고, 훈련 데이터를 다시 80 % 학습/20 % 검증으로 나누어 하이퍼파라미터(학습률 0.001, 배치 20, 모멘텀 0.9)를 튜닝했다. 데이터 증강으로 4프레임(25 %) 오버랩을 적용해 입력 다양성을 확보했으며, 총 10 279개의 64 ms 세그먼트가 학습에 사용되었다. 50 epoch 후 1시간 이내에 수렴했으며, Lasagne/Theano 기반 구현으로 실시간 추론이 가능하도록 설계되었다.

성능 평가는 두 실험으로 나뉜다. 첫 번째 실험에서는 동일한 STFT 입력에 대해 선형 SVM을 적용한 결과와 MFCC 기반 소프트맥스/ SVM과 비교했을 때, CNN이 민감도 94 %·특이도 91.7 %를 기록하며 약 10 %p의 우위를 보였다. 이는 CNN이 STFT에서 자동으로 유용한 시간‑주파수 패턴을 학습함을 의미한다. 두 번째 실험에서는 기존 10‑state MFCC‑HMM 모델과 직접 비교했으며, 64 ms 윈도우당 평균 확률을 이용해 전체 320 ms 구간을 판정한다. 결과적으로 피에조 센서 기반 CNN이 HMM 대비 민감도 95.1 %·특이도 99.5 %를 달성했고, 마이크로폰 데이터에서도 유사한 ROC 곡선을 보여 센서 자체의 유효성을 입증했다.

이 논문의 핵심 기여는 (1) 기침 특유의 진동을 포착하는 맞춤형 피에조 센서 설계, (2) 짧은 시간‑주파수 스펙트로그램에 최적화된 2‑계층 CNN 아키텍처, (3) 에너지 기반 프레임 선택과 데이터 증강을 통한 효율적 학습, (4) 기존 MFCC‑HMM 기반 시스템 대비 현저히 높은 민감도·특이도 달성이다. 향후 연구에서는 RNN·Transformer와 같은 시계열 전용 모델을 적용해 장시간 연속 기록에서의 자동 라벨링 및 실시간 알림 시스템을 확장할 여지가 있다.