다중 오토인코더를 통한 치매음성데이터 이상신호 감지

Abstract

연구에서는 효과적인 이상 신호 감지를 위해 다중 오토 인코더 모델을 제안한다. 이 모델을 기존의 오토 인코더와 컨볼루션 오토인코더 모델과 비교하였다. 이를 통해, 다중 오토인코더 모델이 기존 모델들에 비해 뛰어난 성능을 보임을 입증하였다.

제안된 다중 오토인코더는 이상신호 감지 오토인코더와 노이즈 제거 오토인코더를 결합하여 구성하였다. 이 두가지 기능은 복잡하고 노이즈가 많은 음성 데이터에서 이상신호를 정확하게 감지하는데 중요한 역할을 하였다.

학습이 진행된 후에는, 재구성 오류(Reconstruction Error) 분포를 분석하여 모델의 학습 상태를 확인하였다. 이를 통해 모델이 데이터를 어떻게 인식하고, 이상치와 정상치를 어떻게 구분하고 있는지를 분석하였다.

그 다음 단계에서는 여러 Threshold 값들을 실험하여, 모델의 성능을 최적화하는 Threshold 값을 찾았다. 최적의 Threshold 값은 모델의 성능 예측에 중요한 역할을 하였다. 이 값을 토대로 Confusion Maxtrix를 사용하여 모델의 성능을 시각화하고 성능평가를 진행하였다.

이런 과정들을 통해, 제안된 다중 오토인코더 모델은 기존 오토인코더에 비해 약 4% 이상의 성능향상을 보였다. 또한 |In this work, we propose a multi-autocoder model for effective anomaly signal detection. We compare this model with conventional autoencoder and convolutional autoencoder models. Through this, it was proved that the multi-auto encoder model showed superior performance compared to the existing models.

The proposed multiple autoencoder was constructed by combining an anomaly signal detection autoencoder and a noise cancellation autoencoder. These two functions played an important role in accurately detecting abnormal signals in complex and noisy voice data.

After the learning progressed, the reconstruction error distribution was analyzed to confirm the learning state of the model. Through this, we analyzed how the model recognizes data and distinguishes outliers from normal values.

In the next step, several threshold values were tested to find a threshold value that optimizes the performance of the model. The optimal threshold value played an important role in predicting the performance of the model. Based on this value, the performance of the model was visualized and performance evaluation was conducted using Confusion Maxtrix.

Through these processes, the proposed multiple autoencoder model showed performance improvement of more than 4% compared to the existing autoencoder. It also showed slightly higher performance compared to convolutional autoencoder.