지분파인더 초음파 신호 탐지와 분류를 위한 R 패키지

초록

GIBBONFINDR은 R 환경에서 동작하는 오픈소스 패키지로, 수집된 대규모 음향 데이터를 자동으로 탐지·분류·시각화할 수 있다. 최신 녹음 장비와 저장 기술의 발전으로 현장 데이터가 폭증함에 따라, 사용하기 쉬운 도구의 필요성이 커졌다. 본 논문은 패키지의 주요 함수와 워크플로우를 소개하고, 말레이시아 다눔밸리 보존구역에서 수집된 보니안 긴꼬리원숭이(히로베이츠 뮬러리) 울음소리를 사례 연구로 적용하였다. 머신러닝 알고리즘(랜덤 포레스트, SVM, XGBoost 등)을 손쉽게 호출하고, 결과를 그래프와 스펙트로그램으로 시각화한다. 생태학자들이 바이오소닉스 분석을 연구에 통합하도록 돕는 것이 목표이다.

상세 분석

GIBBONFINDR 패키지는 R 기반의 음향 신호 처리 파이프라인을 모듈화하여 제공한다. 첫 번째 단계는 ‘detect’ 함수군으로, 연속 녹음 파일에서 에너지 기반 임계값, 스펙트로그램 차원에서의 변동성, 그리고 멜 주파수 켑스트럼 계수(MFCC) 등을 활용해 후보 이벤트를 추출한다. 이때 사용자는 윈도우 길이, 오버랩 비율, 주파수 대역을 자유롭게 조정할 수 있어 다양한 서식지와 종의 특성에 맞춤형 탐지가 가능하다. 두 번째 단계는 ‘extract_features’ 함수로, 시간‑도메인 통계량(피크, 지속시간, 제로 크로싱 비율)과 주파수‑도메인 특성(중심 주파수, 대역폭, 스펙트럼 엔트로피) 그리고 고차원 MFCC, Chroma, Spectral Contrast 등을 자동으로 계산한다. 이러한 풍부한 피처 세트는 이후 머신러닝 모델에 바로 투입될 수 있다.

패키지는 ‘train_model’ 인터페이스를 통해 랜덤 포레스트, 서포트 벡터 머신, XGBoost, k‑최근접 이웃 등 여러 알고리즘을 지원한다. 교차 검증과 하이퍼파라미터 튜닝을 위한 그리드 서치가 내장돼 있어, 사용자는 최소한의 코드로 최적 모델을 도출할 수 있다. 모델 학습 후 ‘predict’ 함수를 이용해 새로운 녹음에 대한 실시간 분류가 가능하며, 확률 기반 출력으로 불확실성을 정량화한다.

시각화 모듈은 ‘plot_spectrogram’, ‘plot_detection’, ‘plot_confusion_matrix’ 등을 제공한다. 특히, 탐지된 이벤트를 원본 스펙트로그램 위에 색상으로 표시함으로써 인간 검증 과정을 효율화한다. 또한, ‘export_annotations’ 기능을 통해 CSV 혹은 ELAN 형식으로 결과를 내보낼 수 있어, 다른 생태학 소프트웨어와 연동이 용이하다.

사례 연구에서는 3년간 1 TB 규모의 녹음 데이터를 전처리하고, 10 % 샘플을 수동 라벨링하여 학습·검증 집합을 구성하였다. 랜덤 포레스트 모델이 0.93의 AUC와 0.89의 F1 점수를 기록했으며, 이는 기존 수동 청취 방식 대비 85 % 이상의 시간 절감 효과를 보였다. 또한, 패키지의 모듈식 설계 덕분써 다른 종(예: 새, 곤충)에도 손쉽게 적용 가능함을 시연하였다.

전반적으로 GIBBONFINDR은 R 사용자 친화적 인터페이스, 풍부한 피처 엔지니어링, 다중 머신러닝 알고리즘 지원, 그리고 직관적인 시각화 도구를 결합함으로써, 대규모 생태 음향 데이터 분석의 진입 장벽을 크게 낮춘다. 향후 딥러닝 기반 스펙트로그램 이미지 분류와 클라우드 기반 병렬 처리 모듈을 추가한다면, 실시간 모니터링 시스템 구축에도 활용 가능할 것으로 기대된다.