E-Taste Signal Encoding and Classification via Multi- Attention Residual Networks Using sEMG Streams in Virtual Sensory Systems

기술 요약: 다중 어텐션 잔차 네트워크(Multi-Attention Residual Networks)를 이용한 sEMG 스트림 기반 전자 미각(E-Taste) 신호 인코딩 및 분류

문제 정의
본 연구는 표면 근전도(sEMG) 데이터를 사용하여 전자 미각(E-Taste) 감각을 정확하게 분류하는 과제를 다룹니다. 미각 인지는 인간의 생리 기능에 있어 필수적이지만, 질병(예: 거식증, 당뇨병, COVID-19)으로 인한 미각 상실과 가상 감각 시스템에 대한 관심이 높아짐에 따라 신뢰할 수 있는 비침습적 탐지 방법이 필요해졌습니다. 미각 분류를 위한 기존의 sEMable 방식은 수동으로 설계된 통계적 특징이나 표준 딥러닝 아키텍처(CNN 또는 LSTM 등)에 의존해 왔으며, 이러한 방식들은 서로 다른 미각 범주와 관련된 미세하고 중첩이 심한 근육 활성화 패턴을 식별하는 데 어려움을 겪는 경우가 많았습니다. 구체적인 난제는 침습적인 절차 없이 유사한 미각 유도 sEMG 신호(예: 쓴맛 vs 신맛)를 구별하는 것이며, 이를 위해서는 복잡한 다채널 생체 신호로부터 변별력 있는 특징을 추출할 수 있는 모델이 필요합니다.

방법론
저자들은 6가지 클래스의 전자 미각 감각(무미, 짠맛, 스프라이트, 쓴맛, 민트, 신맛)을 인식하도록 설계된 딥러닝 아키텍처인 MACB-ResNet을 제안합니다.

• 데이터 수집: 8명의 건강한 참가자로부터 10개의 전극 설정(6개 기록 채널)을 사용하여 안면 근육(교근, 구각하제근, 하순하제근)에서 sEMG 신호를 기록했습니다. 미각 자극은 은 전극을 사용한 맞춤형 E-Taste 장치를 통해 혀 끝에 열/전기 자극을 전달하는 방식으로 제공되었습니다.
• 전처리: 원시 sEMG 신호를 7초 간격으로 분할하고, 디트렌딩(detrending) 처리 후, 고역 통과 필터(10 Hz 차단)를 적용하였으며, 전력선 간섭를 제거하기 위해 적응형 노치 필터링을 수행했습니다.
• 특징 표현: 전처리된 신호는 단시간 푸리에 변환(STFT)을 사용하여 스펙트로그램으로 변환되었습니다. 결과물인 6채널 스펙트로그램(크기 6 × 129 × 63)이 입력 텐서로 사용되었습니다.
• 모델 아키텍처: MACB-ResNet 모델은 ResNet50 인코더와 **다중 어텐션 채널 블록(MACB)**을 통합합니다.
  • 잔차 학습(Residual Learning): 깊은 층에서도 안정적인 학습과 효율적인 그래디언트 전파를 촉진하기 위해 잔차 연결을 활용합니다.
  • 다중 어텐션 메커니즘: MACB 모듈은 채널별 어텐션과 공간적 어텐션 메커니즘을 모두 사용합니다. 이 모듈은 평균 풀링과 최대 풀링을 거쳐 완전 연결 계층(fully connected layers)과 시그모이드 활성화 함수를 사용하여 어텐션 점수를 계산합니다. 이를 통해 네트워크는 정보가 풍부한 채널과 공간 영역에 가중치를 부여하는 동시에 무관한 특징을 억제하며, 특히 서로 다른 맛과 관련된 약하고 중첩된 sEMG 패턴을 정밀하게 타겟팅합니다.
• 학습: 모델은 90/10 훈련-테스트 분할을 사용하여 30 에포크(epoch) 동안 학습되었으며, 학습률은 0.0001, 배치 크기는 8로 설정되었습니다.

주요 기여

1. 새로운 아키텍처: 본 연구는 sEMG 데이터를 사용하여 6개 클래스의 E-Taste 인식을 위해 잔차 dual-attention CNN 프레임워크(MACB-ResNet)를 적용한 첫 번째 연구입니다.
2. 특징 강화: 채널 및 공간적 의존성을 공동으로 모델링하는 MACB 모듈의 도입은 표준 분류 작업에서 흔히 손실되는 변별력 있는 sEMG 특징의 표현을 크게 향상시킵니다.
3. 포괄적 평가: 본 연구는 클래스별 지표, 혼동 행렬 분석, 차원 축소 시각화(PCA 및 t-SNE), 그리고 각 아키텍처 구성 요소의 기여도를 정량화하기 위한 절제 연구(ablation studies)를 포함한 엄격한 평가를 제공합니다.

결과

• 분류 성능: MACB-ResNet 모델은 **86.32%**의 검증 정확도를 달성하여 KNN(65.11%), Random Forest(78.35%), DenseNet-201(81.93%)을 능가했습니다.
• 클래스별 분석: 모델은 대부분의 클래스에서 견고한 성능을 보였으며, "무미(no taste)" 클래스에서 가장 높은 F1 점수(0.92)를 기록했습니다. 그러나 유사한 카테고리 사이, 특히 "쓴맛"과 "신맛", 그리고 "스프라이트", "민트", "쓴맛" 사이에서 혼동이 관찰되었는데, 이는 해당 클래스들의 특징 분포가 여전히 부분적으로 중첩되어 있음을 나타냅니다.
• 절제 연구(Ablation Study): 정량적 분석을 통해 제안된 구성 요소의 필요성이 확인되었습니다. 잔차 연결을 제거하면 정확도가 7.18% 감소했고, 채널 어텐션을 제거하면 5.09% 감소했으며, 전체 MACB 모듈을 제거하면 정확도가 9.74% 하락했습니다.
• 시각화: PCA 및 t-SNE 시각화는 모델의 클래스 분리 능력을 뒷받침하며, 뚜렷한 맛에 대해서는 조밀한 클러스터링을 보여주었으나, 더 유사한 카테고리에 대해서는 일부 중첩이 지속되었습니다.
• 계산 비용: 모델은 약 2,791만 개의 파라미터를 포함합니다. 추론 지연 시간은 표준 CPU에서 스펙트로그램 윈도우당 약 5.4ms로 추정되어, 실시간 애플리케이션 적용 가능성을 시사합니다.

의의 및 주장
본 논문은 MACB-ResNet 프레임워크가 기존의 머신러닝 및 딥러닝 베이스라인에 비해 sEMG 기반 E-Taste 분류의 정밀도를 유의미하게 개선한다고 주장합니다. 미각 인지에 내재된 미세하고 중첩된 근육 활성화 패턴을 효과적으로 처리함으로써, 제안된 모델은 비침습적 미각 평가의 신뢰성을 높입니다.

저자들은 본 연구를 다음과 같은 미래 응용 분야를 위한 기초 단계로 위치시킵니다:

• 개인 영양 및 디지털 헬스: 식이 섭취 및 미각 건강 모니터링.
• 식품 기술 및 뉴로마케팅: 소비자 미각 반응 분석.
• 뇌-컴퓨터 인터페이스(BCI) 시스템: 가상 감각 경험 및 미각 장애가 있는 사람들을 위한 보조 기술 구현.

연구는 제한 사항으로서 중간 규모의 데이터셋, 참가자의 특정 인구 통계(젊은 성인), 그리고 모든 동적 시간 변화를 포착하지 못할 수 있는 고정된 시공간 표현(STFT)의 사용을 겸허히 인정합니다. 저자들은 향후 연구에서 더 크고 다양한 데이터셋을 포함해야 하며, 분류 능력을 더욱 정교화하기 위해 시간적 모델(예: Transformer, BiLSTM)을 탐색해야 한다고 제안합니다.