Do you 모발? 두피유형에 따른 가발 캡 소재 추천

프로젝트 개요

최종 결과물

🗂️프로젝트 소개

본 프로젝트는 가발 소비자의 가발 후유증을 예방하고자,

• 고객이 자신의 두피를 자가 진단할 수 있고,
• 자신의 두피유형에 적합한 가발 캡 소재 정보를 제공받을 수 있게 합니다.

---

📃아이디어 제안 배경

가발의 수요 증가

• 최근 탈모로 인한 어려움을 겪는 환자 증가함에 따라,
• 가발을 구매하는 수요 또한 높아지고 있습니다..
• 이를 통해 한국에서는 여전히 가발에 대한 수요를 가지고 있을 것이라 예상합니다.

잘못된 가발 사용으로 부작용 사례

• 하지만 가발은 부속품의 재질과 압력에 의해 모낭을 죽일 수 있고,
• 탈모를 유발하거나 악화시킬 수 있습니다.
• 또한 가발 후유증 검색량 추이가 점차 증가하면서
• 꾸준히 사람들이 가발후유증에 관심을 가지고 있음을 확인할 수 있습니다.

기존 서비스와의 차별점

대다모(탈모 커뮤니티)

• 5가지 색깔로 성조 표현
• 직접 녹음 및 듣기 가능
• 하지만 알맞지 않은 성조로 중국어를 구사해도 잘했다고 피드백을 줄 정도로 성조 오류에 대한 피드백이 없습니다.

홀드: 탈모 전문 진료 앱

• 내가 녹음한 것에 대해 전체적인 평가 점수 피드백이 있었고,
• 틀린부분도 빨간색으로 표시해주었습니다.
• 하지만, 평가 점수에 반영된 것이 성조가 틀린 건지 발음이 틀린 건지 구분이 없었습니다.
• 또한 어떤 방향으로 개선해야 되는지에 대한 피드백은 없었습니다.

하이모

• 내가 녹음한 것에 대해 전체적인 평가 점수 피드백이 있었고,
• 틀린부분도 빨간색으로 표시해주었습니다.
• 하지만, 평가 점수에 반영된 것이 성조가 틀린 건지 발음이 틀린 건지 구분이 없었습니다.
• 또한 어떤 방향으로 개선해야 되는지에 대한 피드백은 없었습니다.

---

📃아이디어 소개

분석 및 모델링 과정

라벨 데이터 전처리

프로젝트 목표 : 두피 유형별 문제인식 : 원 데이터의 라벨이 두피 증상과 중증도 정보
문제해결 : 데이터 구축기관의 구축 활용 가이드를 바탕으로 두피 증상 데이터에 대한 라벨링 작업 실행

Resnet 모델링을 위한 이미지 전처리

크로마그램 채택

• 중국어 성조는 음절에 해당하는 소리의 높이 변동
• 중국어 성조 중 2성은 미에서 솔까지 올리면 2성이 됩니다. 이와 같이 성조는 12개의 음계와 매우 밀접한 관련이 있다고 판단해 음성데이터에서 크로마그램을 추출해 분석했습니다.

크로마그램 추출 후 패딩 + 시각화

패딩

시각화

• 크로마그램 시각자료를 보면 빨간색이 진한, 즉 크로마그램 특징이 투렷하게 추출된 음성 데이터의 점수가 높음을 확인할 수 있고, 점수가 낮을수록 크로마그램 특징이 뚜렷하지 않음을 확인할 수 있습니다.

모델링 과정 소개 및 결과

DNN 결과 : 오버피팅 발생 - 문제의 복잡도에 비해 모델이 너무 단순하기 때문이라 판단했습니다.

CNN+BILSTM

• 윤상혁 외 2명(2021), CNN-LSTM 모델 기반 음성 감정 인식, ACK 2021 학술발표대회 논문집 (28권 2호) 을 참고해 모델 작성하였습니다.

• 각기 다른 패딩값을 가진 3개의 데이터로 실험을 해보았지만 큰 차이는 없었습니다.
• 그 중에 패딩 최대길이가 500일때가 가장 MSE값이 낮아 해당 데이터로 분석을 진행하게 되었습니다.
• 성능지표 그래프를 통해 Loss값과 MSE값 모두 한 값으로 수렴하면서 매우 낮아짐을 확인할 수 있습니다.

모델 성능 비교

• CNN-BILSTM과 LSTM+Attention 모델의 성능지표값이 가장 좋았고, 근소하게 LSTM+ATTention의 Mse값이 더 낮음을 확인할 수 있었습니다.
• 하지만 저희 서비스의 목적에 조금 더 부합한 모델이 CNN-BILSTM이라고 생각하고 이를 채택해 실제 데이터로 테스트 해보았습니다.

CNN-BILSM 실제 데이터 예측값

• 확인결과 실제값과 예측값의 결과가 매우 상이함을 확인할 수 있었습니다.

모델링 한계점

1. 타겟 데이터의 주관성
   • 운율 유창성 점수는 평가기준이 있어도, 채점하는 교사의 주관이 반영됩니다.
   • 주관성으로 점수의 편차가 발생해, 절대적으로 평가점수를 신뢰하기 어렵습니다.
2. 데이터의 부족
   • 실제 값의 예측값이 3.5,3.4,3.75으로 타겟 데이터의 빈도가 높은 값으로 나와 정확한 예측을 하지 못함을 확인할 수 있었습니다.
   • 이는 데이터 부족으로 인한 문제이며 향후 데이터를 증강하고 모델을 개선하면 완화될 것이라 기대합니다.

💡 대안 모색

✨ 성조 유사도 구하기 (DTW 유사도 기반)

분석목표: 각 발화자의 Pitch값 추출 및 전처리 후 중국어 성조 유사도 구하기입니다. 데이터 : 성조 시각화에서 사용했던 동일한 데이터입니다.

유사도 분석 플로우 차트

• 각 음성데이터에서 추출된 Pitch값을 전처리 후,
• 유사도를 구하는 다양한 방법으로 어떤 유사도가 선생님* 평가 점수와 가장 유사한지 확인하였습니다.
• 그 중에 코사인 유사도와 DTW유사도를 주의깊게 살펴보았습니다.
• 두 유사도 중 선생님 평가점수 및 시각자료와 비교해 저희 서비스와 가장 부합한 DTW 유사도를 채택해 자료를 제작하였습니다.

*선생님 : 중국어 교원 자격증을 소지한자

DTW 유사도란?

• 두개의 시계열 데이터가 서로 얼마나 유사한지 비교하는 알고리즘입니다.
• 장점: 길이와 시점의 차이가 있는 시계열 데이터도 유사도를 비교할 수 있다

Pitch 값 전처리

• 각 발화자가 갖는 각각의 끊어져 있는 Pitch 값들을 모두 연결해 시간에 따른 Pitch값의 변화를 나타내는 시계열 데이터로 만들어주었습니다.

DTW 알고리즘

DTW 유사도 점수화

• DTW 유사도 결과 값 : 최단 거리값

• 범위 : 0~무한

• 유사도 해석 : 결과 값이 커질수록 두 시계열 데이터의 패턴은 유사하지 않습니다.

• 코사인 유사도 결과 값과 다르게 %로 나타내기 위한 기준값이 없습니다.

  기준값 설정 후 점수화

  • 학습자가 이해하기 쉽게 DTW 유사도 값을 점수화하고자 했습니다.
  • 각 학국인의 중국어 발화음성을 선생님이 평가한 점수와 DTW 유사도 값의 평균값, 중앙값, 임의의 기준 100점으로 DTW 유사도 값을 점수화 해 실제 선생님 점수와 비교해보았습니다.
  • 확인 결과 100점을 기준으로 DTW 유사도 값을 역수 취해 %를 구했을 떄, 실제 선생님 점수와 가장 유사했습니다.

최종결과물

팀원 소개 및 역할 분담

기대 및 자체평가 의견