아날로그 스파이킹 신경망 기반 저전력 음향 장면 분석

본 논문은 인간 발걸음 소리를 포함한 다양한 음향 장면을 저전력 무선 센서 노드에서 실시간으로 인식하기 위한 시스템을 제안한다. 서론에서는 WSN이 보안 감시, 군사, 환경 모니터링 등 다양한 분야에 활용되고 있으나, 배터리 수명 제한과 전송 전력 소모가 주요 제약 요인임을 강조한다. 특히 전송 전력은 전체 전력 소비의 70 % 이상을 차지하므로, 센서 자체에서 데이터를 압축·분류하는 인‑센서 연산이 필요하다고 주장한다. 관련 연구에서는 기존의 주파수 영역 기반 특징(MFCC, LPC, 스펙트럼 등)과 디지털 ANN, SVM, KNN 등 복합 분류기가 높은 정확도를 보이지만 연산 복잡도와 전력 소모가 크다는 점을 지적한다. 또한, 최근 뉴로모픽 SNN이 이벤트‑드리븐 특성으로 저전력 구현에 유리함을 언급하지만, 실제 아날로그 회로 수준에서의 설계와 변동 내성에 대한 연구는 부족하다고 지적한다. 제안된 방법은 크게 두 부분으로 구성된다. 첫 번째는 시간 영역에서 추출한 저복잡도 특징이다. 신호를 연속 제로 크로싱 구간(에포크)으로 나누고, 각 구간의 샘플 수(D)와 그 구간 내 로컬 극값(최대·최소) 개수(S)를 계산한다. D‑S 쌍을 2‑D 히스토그램 형태로 누적하고, 이를 1‑D 벡터로 변환한다. 이 과정은 단순 카운터와 비교 연산만으로 구현 가능해 메모리·연산 부하를 크게 낮춘다. 또한, 응용 환경에 맞게 중요한 D‑S 조합만 선택해 차원을 축소함으로써 메모리 접근을 최소화한다. 두 번째는 아날로그 서브쓰레시홀드 스파이킹 신경망(SNN)이다. ANN과 동일한 네트워크 토폴로지를 유지하되, 뉴런을 적분‑발화(I&F) 모델로 교체한다. 입력 특징값은 정해진 시간 윈도우 내에서 전류 펄스로 변환되어 스파이크 시퀀스로 인코딩되고, 시냅스 가중치는 전압‑전류 변환 회로로 구현된다. 전압이 임계값(v_th)을 초과하면 포스트‑스파이크가 발생하고, 멤브레인 전압은 초기화된다. 이러한 이벤트‑드리븐 연산은 디지털 연산에 비해 연산량이 크게 감소하고, 전압 레벨이 이진화되므로 저전력 서브쓰레시홀드 MOSFET 기반 회로 구현이 가능하다. 시뮬레이션 결과, 동일한 네트워크를 디지털 CMOS로 구현했을 때 대비 아날로그 SNN은 70 % 이상 전력 절감을 달성했으며, μW 수준의 전력 소모로 인간 발걸음 소리와 배경 잡음(바람, 차량 등)을 92 % 정확도로 구분했다. ANN→SNN 변환 과정에서 약 5 %의 정확도 손실이 발생했지만, 다중 SNN 모듈을 병렬로 배치하고 다수결 투표를 적용함으로써 최종 정확도를 92 %→95 % 수준으로 회복했다. 또한, 공정 변동(트랜지스터 매개변수 변동) 시뮬레이션에서 정확도 변동이 0.5 % 이하로 유지돼 아날로그 회로의 변동 내성이 입증되었다. 시스템 아키텍처는 전원 관리, 마이크 인터페이스, 아날로그 필터, ADC, 특징 추출 모듈, SNN 인퍼런스, 메모리, 무선 통신 모듈로 구성된다. 특징 추출과 SNN은 모두 아날로그 도메인에서 수행되며, 필요 시 디지털 변환을 최소화한다. 전원 관리 모듈은 서브쓰레시홀드 전압 레벨을 유지해 전력 효율을 극대화한다. 결론에서는 제안된 아날로그 SNN 기반 음향 장면 분석 시스템이 저전력, 저복잡도, 변동 내성이라는 세 가지 핵심 요구사항을 동시에 만족함을 강조한다. 향후 연구 과제로는 다채널 마이크 어레이를 이용한 공간적 특징 통합, 온라인 학습을 통한 환경 적응, 그리고 실제 하드웨어 프로토타입 제작 및 현장 테스트가 제시된다.