한국, 일주일 만에 1,000명 신규 확진자 발생…AI 활용해 기침 환자 찾아내려
COVID-19의 전 세계적 확산 상황은 개선될 조짐을 보이지 않고 있습니다. 한국은 최근 며칠 동안 회복세를 보였으며, 지난 7일간 누적 신규 환자 수는 1,576명에 달했으며, 오늘 신규 확진자는 288명이었습니다. 한국과학기술원(KAIST) 연구팀은 코로나19 환자를 조기에 감지하는 데 도움이 되는 딥러닝 기반 기침 인식 모델을 개발했습니다.
올해는 코로나19 예방 및 통제의 필요성으로 인해 비접촉 감지 기술이 신속하게 구현되었습니다. 여러분은 이마 온도계, 귀 온도계, AI 적외선 온도계 등 다양한 유형의 온도 측정기를 본 적이 있을 것입니다.
발열 외에도 기침도 COVID-19의 주요 증상 중 하나입니다. 하지만 현재까지 기침을 비접촉으로 감지하는 방법은 없습니다.
최근 한국과학기술원(KAIST) 연구진이의심되는 COVID-19 사례를 시기적절하게 감지할 수 있는 딥러닝 방식을 기반으로 한 기침 인식 모델입니다.
한국의 전염병이 다시 확산되면서 지난주에만 1,000건 이상의 신규 확진자가 발생했습니다.
2020년의 절반 이상이 지났지만, 신종 코로나바이러스는 아직 종식될 기미가 보이지 않습니다. 전 세계적으로 매일 수십만 건의 새로운 확진자가 발생하고 있습니다. 최근 한국, 독일, 일본 등의 국가에서는 전염병 상황이 반등하는 추세입니다.
한국은 8월 14일부터 20일까지 하루 평균 1,576명의 신규 확진자가 발생했으며, 20일에만 총 288명의 신규 확진자가 발생한 것으로 알려졌습니다.
한국에서는 교회, 식당, 학교 등 공공장소에서 감염 위험이 증가했습니다. 한국은 앞으로 또다시 긴박한 전염병 방역 전투에 직면하게 될 것이며, 곳곳에서 통제 조치가 강화되었습니다.
조기 발견은 전염병 예방 및 통제의 첫 단계입니다. 이와 관련하여,한국과학기술원 연구팀은현재 비접촉식 온도 감지 도구는 비교적 완벽하지만, 기침 증상을 감지하는 방법은 없습니다.
한국과학기술원 기계공학과 박용화 교수팀은 코로나19 환자를 적시에 발견하고 의료진의 업무 부담을 줄이기 위해기침 소리를 실시간으로 분류하기 위해 딥러닝 기반 기침 인식 모델이 개발되었습니다.
연구팀은 기침 인식 모델이 의료 기기로 사용되어, 사람이 붐비는 공공장소에서 전염병 유병률을 감지하거나 병원에서 환자의 상태를 상시 모니터링할 수 있을 것으로 기대하고 있습니다.
누가 기침을 하고 있나요? 이 모델은 정확합니다.
기침 분류 모델은 카메라와 결합되었습니다.공공장소에서 기침소리를 식별하고, 기침하는 사람의 위치와 기침 횟수를 실시간으로 파악하여 시각화할 수 있습니다.
연구팀은 다음과 같이 밝혔다.최고 테스트 정확도는 87.4%에 달했습니다.
기침 인식 모델을 개발하려면,박 교수 연구팀은 지도 학습을 위해 합성곱 신경망(CNN)을 사용했습니다.
이 방법은 여러 계층의 데이터 필터링을 통해 특징을 추출하고 가장 가까운 값을 찾습니다. 그들은 구글과 유튜브의 오픈 오디오 데이터 세트인 오디오 세트를 연구용으로 훈련 및 평가 데이터로 사용했습니다.
이 모델은 궁극적으로 1초간의 사운드 프로필 특징을 입력하여 이진 분류를 수행한 다음 기침 이벤트나 다른 출력 결과를 생성합니다.
구체적인 연구 과정은 다음의 세 부분으로 나뉩니다.
1단계: 데이터 세트 수집
훈련 및 평가 중에,이 팀은 Audioset, DEMAND, ETSI, TIMIT에서 다양한 데이터 세트를 수집했습니다.
그들은 Audioset에서 기침 소리와 다른 소리를 추출하고 나머지 데이터 세트를 데이터 증강을 위한 배경 소음으로 사용하여 모델이 다양한 배경 소음이 있는 공공 장소로 일반화할 수 있도록 했습니다.
기침 인식 모델이 다양한 배경 소음을 학습할 수 있도록, 연구진은 배경 소음을 15%~75% 비율로 "오디오 세트"에 혼합하고 볼륨을 0.25~1.0배로 조정하여 컴퓨터를 훈련시켰습니다.
2단계: 모델 최적화 및 결합된 학습
네트워크 모델을 최적화하는 과정에서 박 교수 팀은 7개의 최적화기를 사용했습니다.스펙트로그램, 멜 스케일 스펙트로그램, 멜 주파수 켑스트럼 계수를 포함한 5가지 음향 특징의 다양한 조합이 훈련되었습니다.
각 조합의 성능은 테스트 데이터 세트와 비교되는데, Mel-scale 스펙트로그램을 음향 특징으로 사용하고 ASGD를 최적화 도구로 사용할 때 가장 높은 테스트 정확도는 87.4%입니다.
3단계: 실시간 추적을 달성하기 위해 오디오 및 비디오 카메라 결합
훈련된 기침 인식 모델을 오디오 및 비디오 카메라와 결합합니다.
카메라는 마이크 어레이와 카메라 모듈로 구성되어 있으며, 수집된 음향 데이터에 대한 빔포밍을 수행하여 들어오는 음원의 방향을 확인합니다.
다음으로, 기침 인식 모델은 소리가 기침인지 여부를 판단합니다. 그렇다면 기침이 발생하는 위치가 비디오 이미지로 시각화되고, 비디오 이미지에서 기침이 발생하는 위치에 "기침"이라는 라벨이 붙습니다.
연구팀은소음이 많은 환경에서도 이 모델은 기침 소리와 기타 소리를 성공적으로 식별할 수 있습니다.
병원이나 교실과 같은 환경에서 더 많은 훈련을 실시한다면 정확도는 훨씬 더 높아질 수 있습니다. 이 기술은 현재 대한민국 에너지기술부의 지원을 받고 있습니다.
박 교수는 "코로나19와 같은 전염병이 유행할 때 기침 감지 카메라는 공공장소에서 전염병을 조기에 예방하고 감지하는 데 도움이 될 수 있다"고 말했다.특히 병원 병동에 적용하면 환자의 상태를 하루 24시간 추적할 수 있습니다.의료진의 업무 부담을 줄이는 동시에 보다 정확한 진단을 지원합니다. "
하지만 그렇다고 해서 발열에 대한 기준이 아주 명확하다는 것은 아닙니다. 체온이 37.3℃ 이상이면 발열로 간주됩니다.
하지만 기침에는 마른 기침, 젖은 기침, 바람에 의한 차가운 기침, 바람에 의한 더운 기침, 목을 가다듬는 기침, 그리고 분위기를 편안하게 하기 위한 어색한 기침 등 여러 유형이 있습니다.
이 모델을 추가 연구하여 다양한 유형의 기침을 식별하거나 온도 측정과 결합할 수 있기를 기대합니다. 건강한 사람도 가끔 기침을 하게 되죠.
참고문헌:
-- 위에--