음성 장애 탐지를 위한 장기 기억 신경망 모델

본 논문은 음성 장애를 자동으로 탐지하기 위한 새로운 접근법으로, 장기 기억 신경망(LSTM)을 활용한 분류 모델을 제안한다. 현재 음성 장애 진단은 내시경 검사를 포함한 복합적인 절차가 필요해 비용과 시간이 많이 소요되며, 조기 검진이 어려운 현실이 있다. 이러한 문제를 해결하고자 연구진은 Far Eastern Memorial Hospital(FEMH)에서 제공한 데이터셋을 사용하였다. 데이터는 학습용 200개(정상 50, 병리 150)와 라벨이 없는 테스트용 400개로 구성된다. 각 음성 샘플은 3초 길이의 지속된 모음 소리이며, 44.1 kHz 샘플링, 16‑bit 해상도로 기록되었다. 특징 추출 단계에서는 네 가지 음향 특성을 결합해 총 33개의 피처를 만든다. MFCC는 13차원, 스펙트럼 중심은 1차원, 크로마는 12차원, 스펙트럼 콘트라스트는 7차원으로 구성된다. 이러한 피처는 음성 신호의 주파수 스펙트럼, 에너지 분포, 조화 구조 등을 포괄적으로 나타내며, 시계열 데이터를 다루는 LSTM에 적합하도록 설계되었다. LSTM 모델은 입력층(33 차원) → 은닉층1(128 뉴런) → 은닉층2(32 뉴런) → 출력층(4 클래스) 구조로 구현되었다. 출력층은 정상과 세 가지 병리(음성 결절·폴립·낭종, 성대 신생물, 성대 마비)를 동시에 예측하도록 설계되었으며, 손실 함수는 카테고리형 교차 엔트로피, 최적화는 Adam을 사용하였다. 학습 과정에서 배치 크기와 에포크 수를 조절했으며, 두 차례에 걸친 실험을 수행하였다. Phase I에서는 500 epoch, Phase II에서는 5000 epoch까지 학습시켰다. 실험 결과는 표 II에 정리되어 있다. Phase I에서 민감도는 30 %, 특이도는 95.7 %, 평균 재현율(UAR)은 54 %였으며, Phase II에서는 민감도가 22 %로 감소했지만 특이도는 97.1 %까지 상승하였다. 즉, 모델은 정상 음성을 높은 정확도로 구분하지만, 병리 음성을 식별하는 능력은 낮다. 저자들은 에포크 수를 늘리면 평균 재현율이 증가한다는 점을 언급했지만, 실제 민감도는 오히려 감소한 것으로 보아 과적합이 발생했을 가능성이 있다. 논문은 또한 라벨이 없는 400개의 테스트 샘플에 대해 동일한 성능 지표를 보고했지만, 라벨 부재로 인해 실제 민감도·특이도 계산이 어떻게 이루어졌는지 명확히 제시되지 않았다. 이는 결과 해석에 큰 불확실성을 남긴다. 또한 데이터셋이 클래스 불균형(정상 25 % vs 병리 75 %)을 보이며, 데이터 양 자체가 비교적 작아 일반화 능력이 제한적이다. 정규화, 드롭아웃, 조기 종료와 같은 과적합 방지 기법이 논문에 언급되지 않아 모델의 신뢰성을 평가하기 어렵다. 결론적으로, LSTM을 이용한 음성 장애 탐지 시도는 기존의 SVM·GMM 기반 접근법과 차별화된 시도이며, 피처 설계와 네트워크 구조는 합리적이다. 그러나 현재 구현에서는 데이터 전처리·클래스 균형·평가 설계가 충분히 다듬어지지 않아 민감도와 평균 재현율이 낮게 나타난다. 향후 연구에서는 (1) 라벨이 있는 독립 테스트 셋을 확보해 객관적인 검증을 수행하고, (2) 데이터 증강·클래스 가중치·교차 검증 등을 통해 클래스 불균형을 보정하며, (3) 하이퍼파라미터 탐색(은닉층 수·뉴런 수·학습률·배치 크기)과 정규화 기법을 도입해 모델 일반화를 강화해야 한다. 이러한 개선을 통해 LSTM 기반 음성 장애 자동 진단 시스템이 임상 현장에서 실용적인 도구로 자리매김할 가능성이 있다.