A XAI-based Framework for Frequency Subband Characterization of Cough Spectrograms in Chronic Respiratory Disease

1. 연구 배경 및 문제 제기 (Problem)

• 배경: 만성 호흡기 질환 (특히 COPD, 천식, 폐암 등) 은 전 세계적으로 높은 사망률과 장기적인 장애를 유발하며, 지속적인 모니터링이 필수적입니다. 기침 소리는 이러한 질환의 중요한 생체 신호이지만, 기존 진단은 주관적 평가에 의존하는 경향이 있습니다.
• 문제점:
  • 기존 딥러닝 (DL) 기반 기침 분석 모델은 높은 정확도를 보이지만 '블랙박스 (Black-box)' 특성으로 인해 어떤 음향적 특징이 진단에 기여하는지 해석하기 어렵습니다.
  • 기존 연구들은 주로 전체 주파수 대역 (Global Band) 을 분석하거나 시간적 특징에 의존하여, 질환별 미세한 주파수 패턴의 차이를 포착하지 못하거나 기침의 시작/종료 시점 (Onset/Offset) 에 민감한 한계가 있었습니다.
  • COPD 와 다른 호흡기 질환, 혹은 만성/비만성 환자군을 명확히 구분할 수 있는 해석 가능한 (Interpretable) 음향 마커가 부족합니다.

2. 제안된 방법론 (Methodology)

본 논문은 **설명 가능한 인공지능 (XAI)**과 주파수 서브밴드 분석을 결합한 새로운 프레임워크를 제안합니다.

A. 데이터 및 전처리

• 데이터: 17 명의 성인 환자 (COPD, 천식, 폐렴, 폐암 등 포함) 로부터 수집된 1 일 분의 외래 기침 오디오 데이터.
• 전처리: 오디오 신호를 8.82 kHz 로 다운샘플링한 후, 1 초 단위의 **스펙트로그램 (Spectrogram, 45x100)**을 생성하여 CNN 입력으로 사용했습니다.

B. CNN 모델 및 XAI 적용 (Occlusion Maps)

• CNN 학습: 기침/비기침을 분류하는 커스텀 CNN 을 학습시켰습니다.
• Occlusion Map 생성: 학습된 CNN 에 대해 Occlusion Map 기법을 적용했습니다. 이는 스펙트로그램의 특정 영역을 가리고 모델의 예측 확률 변화를 측정하여, 기침 식별에 가장 중요한 시간 - 주파수 영역을 식별하는 방법입니다.
  • 장점: LIME/SHAP 보다 계산이 간단하며, Grad-CAM 보다 더 국소적이고 해석 가능한 설명을 제공합니다.
• 가중 스펙트로그램 (Weighted Spectrogram): 생성된 Occlusion Map 을 임계값 (Threshold) 으로 이진화하여 스펙트로그램에 적용, 진단적으로 중요한 영역만 강조한 '가중 스펙트로그램'을 생성했습니다.

C. 주파수 서브밴드 분할 및 특징 추출

• 5 개 주파수 대역 분할: 가중 스펙트로그램을 5 개의 주파수 서브밴드로 분할하여 분석했습니다.
  • Band 1: 0–0.5 kHz
  • Band 2: 0.5–1.0 kHz
  • Band 3: 1.0–1.5 kHz
  • Band 4: 1.5–2.0 kHz
  • Band 5: 2.0–4.41 kHz
• 특징 추출: 각 서브밴드별로 다음과 같은 7 가지 물리적으로 의미 있는 스펙트럼 특징을 추출했습니다.
  1. 상대 전력 (Relative Power, RP)
  2. 스펙트럼 대역폭 (Spectral Bandwidth, SpBW)
  3. 스펙트럼 크레스트 팩터 (Spectral Crest Factor, SpCF)
  4. 스펙트럼 평탄도 (Spectral Flatness, SpF)
  5. 스펙트럼 플럭스 (Spectral Flux, SpFx)
  6. 스펙트럼 레니 엔트로피 (Spectral Rényi Entropy, SpRE)
  7. 스펙트럼 롤오프 (Spectral Roll-Off, SpR)

D. 통계적 분석

• 추출된 특징들을 통해 6 가지 비교 그룹 (만성 vs 비만성, COPD vs 기타 질환 등) 간의 통계적 유의성 (t-test 또는 Mann-Whitney U-test) 을 검증했습니다.

3. 주요 기여 및 결과 (Key Contributions & Results)

A. 서브밴드 분석의 우월성

• 전체 대역 vs 서브밴드: 전체 주파수 대역 (Global Band) 을 분석한 기존 연구 [57] 와 비교했을 때, 서브밴드별 분석이 훨씬 더 높은 판별력을 보여주었습니다.
• 보상 효과 (Compensation Effect): 전체 대역 분석에서는 서로 다른 주파수 대역의 특징이 상쇄되어 유의미한 차이가 나타나지 않았으나 (예: G1 그룹의 RP, SpR, G2 그룹의 SpFx), 서브밴드로 나누어 분석하면 각 대역에서 뚜렷한 질환별 패턴이 발견되었습니다.

B. 주요 발견 사항

1. COPD 의 주파수 패턴:
   • COPD 환자는 저주파 대역 (Band 1, 2) 에서 상대적으로 높은 전력 (RP) 을 보였으나, 중간 대역 (Band 3, 4) 에서는 낮은 전력을 보였습니다.
   • 반면, 고주파 대역 (Band 5) 에서는 높은 전력 분포를 보여 전체 스펙트럼의 변동성이 컸습니다.
   • 스펙트럼 엔트로피 (SpRE): COPD 환자는 다른 질환군에 비해 여러 대역에서 더 높은 엔트로피 값을 보였으며, 이는 스펙트럼이 더 혼란스럽고 불규칙함을 의미합니다.
2. 만성 vs 비만성 질환 구분:
   • 만성 질환군은 비만성 질환군 (급성 호흡기 질환 등) 에 비해 저주파 대역의 에너지가 더 높고, 스펙트럼 대역폭이 더 넓은 경향을 보였습니다.
3. 특징별 차별성:
   • SpFx (스펙트럼 플럭스): COPD 환자는 Band 1, 2, 4 에서 시간적 변동성이 낮아진 (rigid) 경향을 보였으며, 이는 전체 대역 분석에서는 감지되지 않았습니다.
   • SpR (스펙트럼 롤오프): COPD 환자는 고주파 영역으로 에너지가 더 많이 분포되어 있음을 나타냈습니다.

C. 통계적 유의성

• 6 가지 비교 그룹 (G1~G6) 모두에서 적어도 하나의 서브밴드 특징에서 통계적으로 유의미한 차이 ($p < 0.05$) 를 확인했습니다.
• 특히 G1(만성 vs 비만성) 과 G6(COPD vs 폐암) 그룹에서 전체 대역 분석은 유의미한 차이를 보이지 못했으나, 서브밴드 분석을 통해 명확한 구분이 가능했습니다.

4. 연구의 의의 및 결론 (Significance & Conclusion)

• 해석 가능한 진단 도구: CNN 의 '블랙박스' 문제를 해결하고, 의학적/생리학적 의미가 명확한 주파수 특징 (예: 에너지 분포, 무질서도 등) 을 통해 COPD 및 만성 호흡기 질환의 기침 패턴을 설명할 수 있게 되었습니다.
• 정밀 진단 가능성: 전체 주파수 대역 분석만으로는 놓칠 수 있는 질환별 미세한 주파수 패턴 (서브밴드별 보상 현상 등) 을 포착하여 진단 정확도를 높일 수 있음을 입증했습니다.
• 임상적 활용: 이러한 XAI 기반 프레임워크는 만성 호흡기 질환의 악화를 조기에 감지하고, 질환을 분류하는 데 있어 객관적이고 해석 가능한 도구로 활용될 수 있습니다.
• 한계 및 향후 과제: 현재 데이터셋의 크기가 제한적이므로, 향후 더 많은 데이터를 통한 검증이 필요하다고 결론지었습니다.

요약하자면, 본 논문은 딥러닝 모델의 결정 과정을 Occlusion Map 으로 시각화하고, 이를 주파수 서브밴드로 세분화하여 분석함으로써, 만성 호흡기 질환 (특히 COPD) 의 기침 소리에 숨겨진 **해석 가능한 생체 표지자 (Biomarkers)**를 발견하고 기존 전역 분석 방법의 한계를 극복한 획기적인 연구입니다.