초록
자동 청진은 진단 및 예측 분석 분야에서 주목받는 핫 이슈가 되었으며, 전자 스테스코프로 기록된 호흡음의 분류 향상을 목표로 한다. 연구자들은 청진의 효과를 높이고 임상의의 진단을 보조하기 위해 지능형 청진 기법 개발에 많은 노력을 기울이고 있다. 특히 최근에는 딥 신경망(DNN) 기법이 널리 활용되고 있다. 그러나 DNN 기반 기법의 성능은 데이터에 매우 의존적이다. 불행히도 현재 세계에서 가장 큰 공개 호흡음 데이터셋인 ICBHI조차도 총 5.5시간에 달하는 6,898개의 호흡 사이클만을 포함하고 있어, DNN 모델의 추가적인 성능 향상에 있어 큰 제약이 되고 있다. 따라서 본 연구에서는 입력 변환과 이동(이식)을 구현한 호흡음 분류를 위한 데이터 증강 기법을 제안한다. 또한 컴퓨터 비전 분야에서 일반적으로 사용되는 전통적인 파이프라인도 본 연구에서 개선하였다. 실험 결과, 제안하는 데이터 증강 기법이 기준 방법 대비 분류 성능을 향상시킴을 확인할 수 있었다. 특히, 제안된 데이터 증강 기법은 기존의 자동 청진 접근 방식에 쉽게 통합할 수 있다는 장점이 있다.