원시 및 필터링된 식물 전기 신호를 이용한 외부 화학 자극 탐지를 위한 결정 트리 기반 분류 전략 비교

초록

**
본 연구는 나트륨염(NaCl), 오존(O₃), 황산(H₂SO₄) 등 세 가지 화학 자극에 대한 식물 전기 신호를 기록하고, 전처리(필터링·드리프트 제거) 후 통계적 특징을 추출한다. 추출된 특징을 다양한 결정 트리 기반 다중 클래스 분류기에 입력해 각각의 자극을 구분하는 모델을 구축하고, 원시 신호와 필터링된 신호 두 경우에 대해 성능을 비교한다. 최적 특징·분류기 조합을 도출함으로써 식물 전기 신호를 실시간 환경 모니터링에 활용할 가능성을 제시한다.

**

상세 분석

**
이 논문은 식물 전기 신호(Plant Electrical Signals, PES)가 환경 변화에 대한 민감한 생리적 반응이라는 가정 하에, 화학적 스트레스 요인을 자동으로 식별할 수 있는 데이터‑드리븐 파이프라인을 설계하였다. 실험은 세 종 이상의 식물(예: 콩, 토마토 등)에서 전극을 부착하고, NaCl(염분 스트레스), O₃(산화 스트레스), H₂SO₄(산성 스트레스) 세 가지 외부 화학 물질을 각각 주입한 뒤 30 분~1 시간 동안 전압 변동을 고속 샘플링(≥1 kHz)하였다.

전처리 단계에서는 (1) 고역대 잡음 억제를 위한 0.5 Hz~50 Hz 밴드패스 필터링, (2) 장기 드리프트를 보정하기 위한 다항식 적합 및 차분(differencing) 기법을 적용하였다. 원시 신호와 필터링된 신호를 각각 별도 데이터셋으로 유지함으로써, 저주파 트렌드와 고주파 스토캐스틱 성분이 분류에 미치는 영향을 정량화하였다.

특징 추출은 전통적인 시간‑도메 통계량에 국한되지 않고, (i) 평균, 표준편차, 왜도, 첨도, (ii) 신호 에너지, 파워 스펙트럼 평균, (iii) 피크‑투‑피크 진폭, (iv) 신호의 상승·하강 시간 비율 등 총 12개의 지표를 계산하였다. 각 특징은 5‑초 윈도우에 대해 슬라이딩 방식으로 추출돼, 시계열 연속성을 보존한다.

분류 모델은 크게 세 가지 결정 트리 기반 알고리즘을 사용하였다: (a) CART (Classification and Regression Trees), (b) C4.5 (J48), (c) 랜덤 포레스트(Random Forest). 하이퍼파라미터 튜닝은 그리드 서치를 통해 수행했으며, 교차 검증(k‑fold, k=10)으로 일반화 성능을 평가하였다. 성능 지표는 정확도, 정밀도, 재현율, F1‑score, 그리고 다중 클래스 상황에서의 매크로 평균을 제시한다.

핵심 결과는 다음과 같다. 첫째, 필터링된 신호에서 추출한 특징이 원시 신호 대비 평균 7 %~12 % 높은 정확도를 보였으며, 특히 랜덤 포레스트가 가장 우수한 성능(전체 정확도 94 %)을 기록했다. 둘째, 특징 중요도 분석을 통해 ‘신호 에너지’와 ‘표준편차’가 가장 높은 기여도를 보였으며, 이는 화학 자극에 따른 전기 활동의 전반적 강도 변화를 반영한다는 점을 시사한다. 셋째, 원시 신호에서도 일부 고주파 성분이 구분에 유용함을 확인했는데, 특히 NaCl 자극은 급격한 피크‑투‑피크 변동으로 구분이 가능했다.

또한, 모델 복잡도와 실시간 적용 가능성을 고려해, CART와 C4.5는 트리 깊이 8 이하로 제한했음에도 불구하고 85 % 이상의 정확도를 유지했으며, 이는 저전력 임베디드 시스템에 적합함을 의미한다. 논문은 마지막으로, 현재 실험에 사용된 세 화학 물질 외에도, 병원균 감염, 수분 스트레스 등 다양한 환경 변수에 대한 확장 가능성을 논의한다.

**