음성에서 인간의 감정과 정서적 상태를 식별하는 과정을 음성 감정 인식(Speech Emotion Recognition, SER)이라고 합니다. 이는 목소리의 톤과 피치가 기저의 감정을 전달하는 경우가 많다는 관찰에 기반합니다. 감정을 인식하는 기능은 음성 인식(speech recognition)의 한 분야로, 최근 점점 더 많은 주목을 받으며 수요가 높아지고 있습니다. 본 연구는 데이터에 포함된 적절한 요인(양식, 감정, 강도, 반복 등)을 활용하여 합성곱 신경망(CNN)으로 오디오 녹음에서 감정을 구별하고 다양한 감정 범위에 따라 레이블을 지정하는 방안을 모색합니다. 머신러닝 기법을 활용하여 제공된 오디오 파일에서 감정을 식별하는 머신러닝 모델을 개발했습니다. 평가는 일반적인 머신러닝 지표인 정밀도(precision), 재현율(recall), F1 점수를 중심으로 수행됩니다. 머신러닝 프레임워크를 올바르게 구성하고 학습(training)하기 위한 주된 목적은 모든 입력 및 출력 파라미터의 영향과 상호 연관성을 조사하는 것입니다. 의사소통의 핵심 조건인 의도 인식 능력을 향상시키기 위해, 본 연구에서는 디지털 헬스케어의 도움을 받아 목소리를 통해 정서적 상태를 다루고 인간과 인공지능(AI) 사이의 간극을 좁히는 특화된 머신러닝 알고리즘으로 음성 기반 감정을 평가했습니다.
CNN과 유전 알고리즘(GA)을 결합해 부하 변조, 임피던스 정합, 전력 결합, 위상 보상을 하나의 픽셀화된 역방향 도허티(inverted Doherty) 결합기로 통합하는 역합성 방법을 제안한다. GaN HEMT 원형은 1.9–2.5 GHz에서 피크 드레인 효율 51%–63%, 6-dB 백오프 효율 48%–54%, 출력 전력 44±0.3 dBm을 달성했으며 디지털 사전왜곡(DPD) 적용 시 ACLR -53.2 dBc 이상을 보였다.
본 연구는 생의학 영상을 이용한 다암종 검출을 위해 전이학습으로 강화된 계산 효율적인 합성곱 신경망(CNN) 아키텍처를 제안한다. 제안된 경량 CNN 모델은 높은 분류 성능을 유지하면서 계산 복잡도를 줄이도록 설계되어, 자원이 제한된 환경에서의 배포에 적합하다. 본 접근법은 뇌 자기공명영상(MRI)과 폐·신장 컴퓨터 단층촬영(CT) 스캔으로 구성된 세 가지 서로 다른 종양 데이터셋에서 평가하였다. 5-fold 계층화 교차검증(CV)을 사용한 결과, 뇌·폐·신장 암 분류에 대해 각각 90.85 ± 2.22%, 98.64 ± 2.43%, 99.92 ± 0.08%의 테스트 정확도를 달성하였다. 전이학습은 한 암종 유형으로 모델을 사전학습한 뒤 다른 암종에 미세조정하는 방식으로 적용되며, 처음부터 학습한 모델과 비슷한 성능을 달성하는 데 추가 20 에포크만 필요하다. 미세조정 과정에서는 CNN의 분류 부분을 갱신하며, NVIDIA GeForce GTX 960에서 에포크당 이미지당 약 0.014초가 소요된다. 비교 평가 결과, 제안 모델은 Xception, VGG16, VGG19, MobileNetV2, DenseNet121 등 여러 최신 사전학습 아키텍처보다 우수한 성능을 보였다. 전반적으로 본 모델의 효과는 형태학적 특성이 서로 다른 세 가지 암종에 걸쳐 평가되었으며, MRI와 CT 영상 방식 모두에서의 성능을 검증하고 다양한 과제와 데이터 유형에 걸친 견고한 성능을 입증하였다. 이러한 결과는 계산 자원이 제한된 환경에서 특히 정확도를 희생하지 않고 암 진단을 가속화하는 데 있어 간결한 심층 학습(DL) 프레임워크의 잠재력을 강조한다.