딥 CNN을 활용한 음성 기반 우울증 자동 스크리닝

초록

본 연구는 음성 데이터를 스펙트로그램 이미지로 변환한 뒤, Residual Convolutional Neural Network(ResNet) 모델에 적용하여 우울증 여부를 자동으로 판별한다. 77명의 비우울군과 30명의 우울군으로부터 수집한 2,568개의 음성 샘플을 이용해 실험했으며, 최고 77%의 정확도를 달성하였다.

상세 분석

본 논문은 우울증 조기 발견을 위한 비침습적·비대면 방법으로 음성 기반 자동 스크리닝 시스템을 제안한다. 데이터는 임상적으로 진단된 30명의 우울증 환자와 77명의 정상 대상을 대상으로 총 2,568개의 짧은 발화(문장 읽기, 자유 대화 등)를 수집하였다. 각 음성 파일은 16 kHz 샘플링 레이트로 정규화된 뒤, 128 × 128 크기의 멜 스펙트로그램 이미지로 변환하였다. 이 과정에서 프레임 길이와 홉 사이즈를 최적화해 시간‑주파수 해상도를 균형 있게 유지했으며, 로그 스케일 변환을 통해 작은 진폭 신호도 시각적으로 강조하였다.

모델 아키텍처는 ResNet‑18, ResNet‑34, ResNet‑50 등 여러 깊이의 Residual CNN을 적용했으며, 사전 학습된 ImageNet 가중치를 초기화에 활용하였다. 이후 음성 스펙트로그램 특성에 맞게 마지막 완전 연결층을 2‑class(우울/비우울) 출력으로 교체하고, 교차 엔트로피 손실 함수를 사용해 학습하였다. 학습 과정에서는 “multipart interactive training”이라 명명된 전략을 도입했는데, 이는 (1) 전체 데이터에 대한 기본 학습, (2) 우울군 샘플에 대한 가중치 강조, (3) 오분류된 샘플에 대한 재학습을 순차적으로 수행함으로써 클래스 불균형과 경계 사례에 대한 민감도를 높이는 방식이다. 옵티마이저는 Adam을 사용했으며, 초기 학습률 1e‑4에서 cosine annealing 스케줄로 감소시켰다.

평가 지표는 정확도(Accuracy), 정밀도(Precision), 재현율(Recall), F1‑score를 포함했으며, 가장 깊은 ResNet‑50 모델이 77% 정확도와 0.74의 F1‑score를 기록했다. 특히 재현율이 0.71로, 우울증 환자를 놓치지 않는 데 비교적 높은 성능을 보였다. 그러나 전체 정확도가 80% 이하에 머무른 점은 임상 적용에 앞서 개선이 필요함을 시사한다.

제한점으로는 (1) 데이터 규모가 비교적 작아 과적합 위험이 존재하고, (2) 연령·성별·언어·문화적 변이성을 충분히 반영하지 못했으며, (3) 스펙트로그램 외의 음성 특징(예: 피치, 억양, 말속도)과의 멀티모달 결합이 이루어지지 않았다는 점을 들 수 있다. 향후 연구에서는 대규모 다국어 코퍼스 구축, Transformer 기반 시계열 모델과의 하이브리드, 그리고 실시간 모바일 구현을 목표로 할 필요가 있다.