딥러닝 기술을 위한 시뮬레이션 스펙트럼 데이터 생성 방법 (Simulation Data Generation Method of Spectrum Data for Deep Learning Technology)

서지정보

· 발행기관 : 한국산학기술학회
· 수록지 정보 : 한국산학기술학회논문지 / 23권 / 10호 / 26 ~ 33페이지
· 저자명 : 손영재, 진철군, 손성재, 백성준

초록

최근 분광법(Spectroscopy)의 적용 분야가 확대됨에 따라 다양한 분석법이 제안되고 있고, 그중에서도 딥러닝기술을 이용한 신호 처리가 활발히 연구되고 있다. 딥러닝 기술을 이용한 신호 처리는 방대한 양의 데이터가 요구되는데실제 데이터의 수집은 비용적, 시간적 측면에서 어려움이 존재하기 때문에 다양한 시뮬레이션 데이터 생성 방법이 제시되었다. 일반적으로 사용되는 시뮬레이션 데이터 생성 방법에는 커널 함수와 다항식을 이용하는 방법과 실제 데이터를이용한 데이터 증강법(Data Augmentation)이 있다. 커널 함수와 다항식을 이용한 방법은 단순 다항식으로 표현되지않는 실제 분광 신호 처리에 어려움이 존재하고, 데이터 증강법은 이용되는 실제 데이터에 따라 성능이 크게 좌우되는단점이 있다. 이러한 문제점을 개선하기 위해 본 연구에서는 해닝 윈도우(Hanning window)와 Cubic Spline 보간법등을 이용하여 가상 분광 스펙트럼 데이터를 생성하는 방법을 제안하였다. 기존 데이터 생성 방법들과의 성능 비교를위해 배경잡음을 검출하는 딥러닝 모델을 사용하여 원본 데이터와 배경 잡음이 제거된 데이터 간 오차를 비교하였다.
제안된 생성 방법은 커널 함수와 다항식을 이용한 생성 방법 및 데이터 증강법에 비해 각각 29.9%, 86.8%의 성능 향상을 보였으며, 실제 분광 신호 데이터에서도 효과적으로 적용될 수 있음을 확인하였다.

영어초록

With the recent expansion of the application of spectroscopy, various methods of analysis have been proposed, among which signal processing using deep learning technology is being actively studied.
Signal processing using deep learning technology requires a huge amount of data, and the collection of actual data is a challenge in terms of cost and time. Thus, various simulation data-generation methods have been proposed. Commonly used methods of generating simulation data include using kernel functions and polynomials, as well as data augmentation using real data. Methods using kernel functions and polynomials have a disadvantage of difficulties in the processing of the actual spectroscopic signal, which is not expressed as a simple polynomial. The data augmentation method has the disadvantage of the performance being largely dependent on the actual data used. To remedy this problem, this study proposes a method of generating virtual spectral data using a Hanning window and Cubic Spline interpolation. For performance comparison with existing data-generation methods, a deep learning model that detects background noise was used to compare the error between the original data and the data with background noise removed. The proposed generation method showed performance improvements of 29.9% and 86.8% compared to the generation method using kernel functions and polynomials and the data augmentation method, respectively. It was confirmed that the method can be effectively applied to actual spectroscopic signal data.

참고자료

· 없음