소리만으로 동물 품종과 종을 식별하는 바이오음향 인공신경망

초록

본 연구는 동물의 발성 소리를 바이오음향 특성으로 변환하고, 이를 입력값으로 하는 인공신경망(ANN)을 활용해 13종 새, 8종 개, 11종 개구리의 품종·종을 자동 식별한다. 10‑fold 교차검증 결과 새는 71.43 %, 개는 94.44 %, 개구리는 90.91 %의 정확도를 달성했으며, 음향 기반 식별이 실용적임을 입증한다.

상세 분석

이 논문은 동물의 발성 소리가 인간 청각으로는 구분이 어려운 경우에도, 고차원 스펙트럼 특성을 통해 품종·종을 구분할 수 있다는 가설을 검증한다. 데이터는 필리핀 내 서식하는 13종 조류, 8종 개, 11종 양서류의 음성 클립을 각각 25·10·10개의 샘플씩 확보하고, 비음성(잡음) 샘플을 ‘가짜 종’으로 추가해 이진·다중 분류의 혼동을 최소화하였다.

음향 전처리는 jAudio 툴을 이용해 28개의 스펙트럼 특성(예: MFCC, ZCR, RMS, Spectral Centroid, Flux, Roll‑off, LPC 등)을 추출하고, 각 특성의 평균·표준편차를 ANN 입력으로 사용한다. 특성 선택은 전 영역을 일괄 투입한 경우와, 개별 실험을 통해 최적 조합을 찾은 경우 두 가지로 나뉘며, 특히 개 품종 식별에서는 4개의 특성만으로 94.44 %의 높은 정확도를 얻었다.

모델은 다층 퍼셉트론 형태의 ANN이며, 은닉층 수와 뉴런 수는 명시되지 않았지만 10‑fold 교차검증을 통해 과적합을 방지하고 일반화 성능을 평가하였다. 결과는 새(71.43 %)가 상대적으로 낮은 반면, 개와 개구리에서는 90 % 이상을 기록했는데, 이는 데이터 양·품질 차이와 종 간 음향 차이의 가시성 차이로 해석된다.

한계점으로는 샘플 수가 제한적이며, 특히 새 데이터는 325개에 불과해 클래스 불균형과 잡음에 민감할 수 있다. 또한, 실험에 사용된 특성은 전통적인 스펙트럼 지표에 국한돼 딥러닝 기반 자동 특징 학습과 비교되지 않았다. 향후 연구에서는 더 다양한 서식지·환경 소음 조건, 실시간 모바일 구현, 그리고 컨볼루션 신경망(CNN)·리커런트 신경망(RNN) 등 최신 아키텍처와의 성능 비교가 필요하다.

이 논문은 바이오음향과 ANN 결합이 동물 보전·모니터링에 실용적인 자동 식별 도구가 될 수 있음을 보여주며, 스마트폰 기반 크라우드소싱 플랫폼으로 확장될 경우 대규모 생물다양성 데이터 수집에 기여할 가능성을 제시한다.