합리적 가우시안 웨이브렛과 모델 기반 신경망

초록

본 논문은 가우시안 웨이브렛에 유리한 유리함수(분자·분모)를 곱해 자유롭게 형태를 조정할 수 있는 ‘Rational Gaussian Wavelet(RGW)’을 제안한다. RGW는 admissibility를 증명했으며, 변수 투사(variable projection) 연산자를 이용해 연속 웨이브렛 계수를 효율적으로 추정한다. 이를 신경망의 첫 번째 해석 가능한 레이어에 적용해 ECG 신호에서 심실 조기 수축(VEB)을 높은 정확도로 분류하고, 기존 모델보다 파라미터 수가 적으며 학습된 파라미터가 의학적 의미와 일치함을 보였다.

상세 분석

본 연구는 기존 연속 웨이브렛 변환이 갖는 고정된 모양의 한계를 극복하기 위해, 가우시안 기본 웨이브렛 ψ(t)=d²/dt² e^{−t²/2}에 유리함수 R(t)=∏{i=1}^{M}(t−z_i)/∏{j=1}^{N}(t−p_j) 를 곱한 새로운 모양 조정 가능한 웨이브렛 ψ_{RGW}(t)=R(t)·ψ(t) 를 정의한다. 여기서 영점(z_i)과 극점(p_j)은 자유 파라미터이며, 이들의 위치에 따라 웨이브렛의 대칭성, 매끄러움, 국소화 정도를 정밀하게 제어할 수 있다. 논문은 ψ_{RGW}가 L¹∩L² 공간에 속하고 푸리에 변환 \hat ψ_{RGW}(ξ) 가 ξ=0에서 0이 되는 admissibility 조건을 만족함을 정리와 증명을 통해 보인다. 이는 연속 웨이브렛 변환을 통해 원 신호를 L² 의미에서 완전 복원할 수 있음을 의미한다.

계산 측면에서는 변수 투사 연산자 V_{λ,τ}를 도입해, 주어진 스케일 λ와 이동 τ에 대해 최적의 계수 a를 최소화하는 문제를 선형 최소제곱 형태로 변환한다. 이때 R(t)의 파라미터(영점·극점)와 스케일·이동 파라미터를 동시에 미분 가능하도록 설계했으며, 자동 미분을 이용해 역전파 과정에서 gradient를 직접 계산할 수 있다. 따라서 RGW 기반 연속 웨이브렛 변환을 신경망 레이어에 삽입하면, 학습 과정에서 파라미터가 데이터에 맞게 자동 조정된다.

실험에서는 MIT‑BIH ECG 데이터베이스의 VEB(ventricular ectopic beat) 검출 문제에 적용하였다. 입력 ECG 파형을 RGW‑VP Net의 첫 레이어에 통과시켜 5~10개의 주요 웨이브렛 계수만을 추출하고, 이후 전통적인 완전 연결층으로 분류하였다. 결과는 (1) 전체 파라미터 수가 0.8 % 수준으로 기존 CNN 기반 모델보다 현저히 적음, (2) 정확도, 재현율, F1‑score 모두 최신 state‑of‑the‑art 수준을 달성, (3) 학습된 영점·극점 위치가 VEB의 QRS 복합파형의 상승·하강 구간과 일치한다는 해석 가능성을 제공한다는 점이다. 또한, 논문은 컴팩트 지원을 갖는 신호에 대해 변수 투사 기반 계수 추정 오차의 상한을 제시하여 이론적 안정성을 뒷받침한다.

이러한 기여는 (i) 무한히 많은 자유도를 갖는 연속 웨이브렛 설계, (ii) admissibility와 재구성 보장을 동시에 만족하는 새로운 파라미터화, (iii) 변수 투사와 딥러닝을 자연스럽게 결합한 투명한 모델 구조, (iv) 의료 신호와 같이 해석이 중요한 분야에서 파라미터 해석 가능성을 제공한다는 점에서 의미가 크다.