Fuzzy C-Means 클러스터링 기반 상흔 분석 및 위협체 형상 예측

Abstract

본 연구에서는 예리한 형상의 위협체가 인체에 위해를 가할 경우 발생될 수 있는 다양한 손상정보를 바탕으로 이를 유발한 초기 위협체의 형상을 예측할 수 있는 과학수사 기법을 제안하였다. 이와 관련하여 위협체의 형상, 충격에너지 및 입사각도에 따라 대상체로 설정한 모사 젤라틴에 생성되는 상흔의 면적 및 장·단축 길이 비를 유한요소해석을 통해 획득하였고, 이를 데이터 집합으로 구축하였다. 또한, 구축한 데이터 집합에 임의의 손상정보를 입력한 후, 확률론적 클러스터링 알고리즘인 fuzzy C-Means 적용을 통해 입력된 정보와 유사한 특성의 클러스터를 탐색하였으며 위협 조건의 범위를 구체화하였다. 최종적으로 형상 유사도 평가기법인 교차 상관분석을 수행하여 탐색된 클러스터의 위협체 형상정보와 입력된 정보 간의 상관계수를 획득하고 이를 바탕으로 위협체 형상을 예측하였다. 예측기법의 타당성은 6가지 예시를 통해 검증하였으며, 모든 경우에 대해 손상을 유발한 위협 조건이 탐색된 위협 조건 범위 내에 있음을 확인하였다. 또한 예측된 위협체의 형상과 손상유발 위협체 형상 간의 특성을 비교·분석한 결과, 위협체의 형상변수로 설정된 날 끝 각도와 위협체 단면의 장축 및 단축 길이가 최대 오차율 6.7%로 예측되었다. 본 연구에서 제안한 위협체 형상예측기법은 복합적이고 다양한 특성의 데이터들의 인과성 분석에 효과적인 인공신경망 이론에 기반하여 위협과 상흔을 물리적으로 추론할 수 있는 지능형 과학수사의 기반기술로 활용될 수 있을 것으로 사료된다. In this paper, a forensic investigation method capable of predicting threat shapes is suggested based on the various types of damage information induced when a sharp-shaped threat pierces the human body. In this regard, the wound area and ratio of the major axis to the minor axis length generated in a ballistic gelatin, as the target, were obtained using finite element analysis according to the threat shape, impact energy, and incident angle, which were used to construct a dataset. In addition, after inputting the arbitrary damage information to the constructed dataset, a probabilistic clustering algorithm, fuzzy c-means, was applied to detect the damage information similar to the input information, and the range of threat conditions was specified. Finally, the correlation coefficient between the information of the threat shapes in the detected cluster and the input information was derived by performing a cross-correlation analysis, from which the threat shape was predicted. The validity of the prediction method was verified through six examples. In all cases, the threat condition causing the damage was confirmed to be within the range of the detected threat conditions. Furthermore, as a result of a comparison of the characteristics of the predicted threat shapes and the damage-inducing threat shape, the blade tip angle, major axis length, and short axis length, as the shape parameters of the threat, were confirmed to be appropriately predicted, with a maximum error of 6.7 %. The prediction method proposed in this study can be employed as a fundamental technology of intelligent forensic investigation that can physically infer threat and wound evidence based on the artificial neural network theory, which is effective in analyzing the causality of complex and diverse characteristics of data.