우울증 탐지를 위한 자기지도형 오디오 임베딩 DEPA

본 논문은 우울증 진단을 위한 새로운 오디오 임베딩 방법인 DEPA(Depression Audio Embedding)를 제안한다. 우울증 진단 연구는 최근 데이터 부족과 효과적인 표현 학습의 한계에 직면해 있으며, 특히 대화 음성에서 정신 상태를 추론하기 위해서는 장시간의 맥락 정보를 포착할 수 있는 특성이 필요하다. 기존 연구는 감정 인식용 특성(COVAREP, MFCC, i‑vector 등)이나 프레임‑레벨의 저차원 특징에 의존했지만, 이러한 특징들은 우울증이라는 복합적인 정신질환을 정확히 반영하기에는 한계가 있다. DEPA는 이러한 문제를 해결하기 위해 자기지도 학습(self‑supervised learning) 기반의 인코더‑디코더 구조를 채택한다. 입력은 멜‑스케일 스펙트로그램이며, 전체 스펙트로그램을 (2k+1)·T 길이의 샘플로 나눈 뒤, 각 샘플 사이에 α·(2k+1)·T 프레임의 간격(gap)을 두어 인접 샘플 간의 스펙트럼 누수를 방지한다. 각 샘플은 중앙 서브스펙트로그램 M₀와 좌우 k개의 컨텍스트 서브스펙트로그램(M_{−k}…M_{k})으로 구성된다. 학습 목표는 주변 컨텍스트를 이용해 M₀를 재구성하는 것으로, 이는 중앙 발화의 내용과 감정 변화를 모델이 스스로 추론하도록 만든다. 인코더는 3개의 다운샘플링 블록(컨볼루션 → 평균 풀링 → 배치 정규화 → ReLU)과 추가 컨볼루션, 어댑티브 풀링을 거쳐 256 차원의 고정 길이 벡터를 출력한다. 디코더는 4개의 전치 컨볼루션 업샘플링 블록을 통해 재구성된 스펙트로그램을 복원한다. 재구성 손실은 평균 제곱 오차(L2)이며, 이는 임베딩이 원본 스펙트로그램의 시간‑주파수 구조를 보존하도록 유도한다. 사전학습 데이터는 두 종류로 구분된다. 인‑도메인 데이터는 우울증 인터뷰 데이터인 DAIC‑WoZ와 대규모 MDD이며, 아웃‑도메인 데이터는 일반 대화 코퍼스인 Switchboard와 알츠하이머 환자 인터뷰이다. 실험 결과, 우울증 관련 데이터에 사전학습된 모델이 일반 음성 데이터에 비해 다운스트림 우울증 분류와 PHQ‑8 회귀에서 평균 4~6%p 높은 F1 점수와 낮은 RMSE를 기록했다. 이는 도메인 특화 사전학습이 데이터 희소성 문제를 완화하고, 우울증 특유의 감정·언어 패턴을 효과적으로 학습한다는 것을 의미한다. 다운스트림 단계에서는 DEPA 임베딩을 응답(문장) 수준으로 추출하고, 이를 순차적으로 BLSTM(4층, 128 hidden) 네트워크에 입력한다. DAIC‑WoZ는 이진 우울증 라벨과 PHQ‑8 점수 두 가지 목표를 동시에 학습하는 다중 과제 설정을 사용한다. 손실은 이진 교차 엔트로피와 Huber 손실을 가중합한 형태이며, 두 과제 간 상관관계를 모델이 내재화하도록 설계되었다. MDD 데이터는 이진 라벨만 제공되므로 단일 BCE 손실을 사용한다. 두 데이터셋 모두에서 BLSTM 기반 모델은 기존 특성(예: MFCC, i‑vector, EmotionAudioNet) 대비 5~9%p 높은 정확도와 낮은 회귀 오차를 달성했다. 추가 실험으로는 (1) k, T, α 하이퍼파라미터 변화가 사전학습 성능에 미치는 영향, (2) 샘플링 전략(간격 유무, 컨텍스트 길이) 비교, (3) 사전학습 단계에서 디코더를 제거하고 인코더만 사용했을 때의 성능 차이를 분석하였다. 결과는 k와 T가 적절히 큰 경우(예: k=2, T=64) 가장 좋은 재구성 품질과 다운스트림 성능을 제공함을 보여준다. 또한 gap을 두지 않으면 모델이 스펙트럼 누수를 이용해 과도하게 쉬운 정답을 찾는 현상이 발생한다. 본 연구는 다음과 같은 기여를 한다. 첫째, 우울증 탐지에 특화된 자기지도형 오디오 임베딩을 최초로 제안하고, 이를 통해 라벨이 제한된 상황에서도 강건한 성능을 확보한다. 둘째, 응답 수준(문장/발화) 임베딩이 프레임‑레벨 특성보다 우수함을 실증적으로 입증한다. 셋째, 정신질환 인터뷰와 같은 도메인‑특화 데이터로 사전학습하면 일반 음성 데이터 대비 현저히 높은 전이 학습 효과를 얻는다. 넷째, 하이퍼파라미터와 샘플링 설계가 사전학습 효율에 미치는 영향을 체계적으로 분석한다. 마지막으로, DEPA는 256 차원의 경량 벡터이면서도 풍부한 시간‑주파수 정보를 담고 있어 실제 임상 시스템이나 모바일 헬스케어 애플리케이션에 바로 적용 가능하다.