다중 자가집중 유-넷 스타일 인셉션 신경망 기반 초음파 카메라 센서의 신호 왜곡 복구 = Signal Distortion Recovery in Ultrasound Camera Sensors based on Multi Head Self-Attention U Net-Style Inception Network

국문 초록 (Abstract)

초음파 신호의 왜곡은 초음파 수용 기기의 수용 한계를 초과하는 에너지를 가진 음원이 입력될 때 발생하며, 이는 원래 신호의 정보를 인식하기 어렵게 만든다. 특히 초음파 주파수 대역(20kHz 이상)은 고주파 특성으로 인해 가청 주파수나 저주파 대역에 비해 복잡한 패턴을 포함하며, 많은 샘플 수로 인해 왜곡 복구가 어렵다. 이러한 문제를 해결하기 위해 본 논문에서는 인셉션 구조를 활용하여 다양한 크기의 컨볼루션 필터를 적용함으로써 작은 시간 스케일, 큰 시간 스케일에서 특징을 동시에 추출할 수 있도록 설계하였다. 이를 통해 모델은 미시적 및 거시적 관점에서 초음파 신호의 특징을 효과적으로 포착할 수 있다. 추출된 다중 스케일의 특징들은 인코더를 통해 압축된다. 이후, 다중 자가집중 메커니즘이 적용되어 복잡한 초음파 신호 패턴 내에서 중요한 상관관계를 학습한다. 이를 통해 왜곡으로 인해 손실된 중요한 특징들이 식별된다. 최종적으로, 이 특징들은 Wave U-Net 구조를 통해 고해상도의 원시 파형으로 재구축된다. 제안된 방법은 다양한 거리에서 초음파 카메라 센서를 사용하여 녹음된 방전 신호 데이터셋을 대상으로 엄격한 평가를 수행하였으며, 실험 결과 MSE, 코사인 유사도, SSIM 지표에서 타 모델 대비 우수한 성능을 보였다. 특히, 신호 왜곡 측정 지표인 SI-SDR에서 타 모델 대비 +2dB 이상의 성능 개선을 보였다.

다국어 초록 (Multilingual Abstract)

Distortion in ultrasound signals occurs when a source with energy exceeding the reception capacity of an ultrasound device is input, making it difficult to recognize the original signal's information. Particularly, the ultrasonic frequency band (above 20 kHz) contains complex patterns due to its high-frequency characteristics. When it is, combined with a large number of samples, it makes distortion recovery more challenging than in audible or low-frequency bands. To address these challenges, this paper proposed a design leveraging an inception structure, applying convolutional filters of various sizes to simultaneously extract features across different time scales. This approach allowed the model to effectively capture characteristics of ultrasound signals from both microscopic and macroscopic perspectives. Multi-scale features were then compressed through an encoder, followed by a Multi-Head Self-Attention mechanism that could learn crucial correlations within complex ultrasonic signal patterns, identifying important features lost due to distortion. Finally, these features were reconstructed into high-resolution raw waveforms through a Wave U-Net architecture. The proposed method was rigorously evaluated using a discharge signal dataset recorded with an ultrasound camera sensor at various distances, demonstrating higher performance in MSE, cosine similarity, and SSIM metrics than other models, with a notable performance improvement of over +2 dB in SI-SDR.