< Previous김정훈, 이송미, 김수홍, 송은성, 류종관 한국음향학회지 제 42 권 제 6 호 (2023) 606 모든 음원의 길이는 5 s로 동일하게 편집하였다. 공동주택에서 발생되는 주거소음원의 음압 레벨 [22] 을 참고하여 40 dBA ~ 50 dBA in L eq (2 dBA 간격)로 조 정하였다. 각 음원은 AS-70(Rion) 프로그램을 통해 분석하였다. Fig. 1은 주거소음원이 주파수 특성과 시간적 특성으로 분석되는 과정을 나타낸다. 주파수 특성은 1/1 옥타브 밴드(31.5 Hz ~ 2k Hz)와 1/3 옥타브 밴드(25 Hz ~ 2,500 Hz)의 L eq 와 L max 값을 도출하였다. 시간적 특성은 5 s 동안 매 6 ms의 음압레벨 분석(time weighting: fast with 6 ms step, Integral time: 125 ms)을 통 해 L eq 값을 도출하였다. 본 연구에서는 주거소음원 을 설명하는데 있어 보다 많은 데이터를 활용하기 위하여 AS-70(Rion) 프로그램에서 분석되는 최솟값 (6 ms)을 활용하였다. III. 주거소음원 군집화 3.1 방법 K-Means clustering은 주어진 데이터 집합을 유사 한 데이터 그룹으로 나누는 대표적인 비지도 학습 머신러닝 알고리즘이다. 본 연구에서는 K-Means clustering [23] 을 통해 주거소음원을 주파수 특성과 시 간적 특성에 대해 군집화를 진행하였다. K-Means의 k의 개수는 각 군집의 중심점을 의미한다. k의 개수 에 따라 군집이 여러 개로 나누어지게 되며, k 값을 결정하는 방법으로 엘보우 방법(Elbow method)과 실 루엣 계수(Silhouette coefficient) 방법 등이 있다. 본 연 구에서는 k의 개수를 와 엘보우 방법을 통해 선택하 였다. 먼저, 각 옥타브 대역별 L eq 와 L max 값을 바탕으 로 1차 군집화(주파수 특성에 대한 군집화)를 수행 하고 비교하였다. 이후 각 주파수 특성에 기반한 군 집의 시간적 특성에 대해 2차 군집화(시간적 특성을 통한 군집화)를 진행하였다. 본 연구에서는 주파수 특성이 음원분류의 활용성 측면에서 더욱 중요하다 고 판단하여 먼저 군집화를 진행하고 시간적 특성을 통한 군집하를 이후에 진행하였다. 실루엣 계수 [24] 는 Eq. (1)에 의해 계산되며, a(i)는 개별 데이터의 동일 군집 내 다른 데이터들과의 평 균 거리이며, b(i)는 가장 가까운 군집과의 평균 거리 를 의미한다. 각 데이터에 대해 실루엣 계수를 구한 후 평균을 내어 전체 데이터의 실루엣 계수를 구하 여 각 군집별로 평균값의 편차가 크지 않을 때 군집 성능이 좋은 것으로 판단한다. max .(1) 엘보우 방법 [25] 은 Eq. (2)와 같이, 군집 내 중심점과 데 이터 간의 거리를 제곱하여 합한 값을 계산하여 값 이 작은 값을 사용한다. 여기서 k는 군집화 수이고 n 는 데이터 수를 말하며, x i :는 i번째 데이터이고 c j 는 j 번째 군집의 중심을 말한다. .(2) Fig. 1. Examples of analyzing spectral and temporal characteristics features.주파수 및 시간 특성을 활용한 머신러닝 기반 공동주택 주거소음의 군집화 및 분류 The Journal of the Acoustical Society of Korea Vol.42, No.6 (2023) 607 3.2 결과 3.2.1 주파수 특성 군집화 Fig. 2는 평가지수 1/1 옥타브 밴드별 L eq 값을 사용 하여 군집화하였을 때 k의 계수를 정하기 위한 실루 엣 계수와 엘보우 방법을 나타낸다. Table 2는 K-means clustering의 k를 결정하기 위해 사용된 실루엣 계수의 평균과 군집 간의 실루엣 계 수 편차를 나타낸다. 본 연구에서는 2개 ~ 5개의 k 중 전체 평균 실루엣 계수 평균값과 개별 군집의 평균 값의 편차가 가장 낮은 k 값을 사용하였다. 주파수 특 성을 활용한 1차 군집화 결과, 모든 평가지수와 옥타 브밴드에 대해 각각 3개의 군집(A, B, C)이 나타났다. Figs. 3과 4는 1/1과 1/3옥타브 밴드별 평가지수 L eq 값과 L max 값을 통해 나타난 1차 군집화(주파수 특성 기반) 결과를 나타낸다. 1/1과 1/3 옥타브 밴드별 평 가지수 L eq 값을 통해 나타난 군집은 3개인 것으로 나 타났다. 3개의 군집별 주파수 특성은 Fig. 3과 4 같이 저주파 대역과 중･저주파 대역 간의 기울기가 비교 적 높은 그룹, 중간그룹, 낮은 그룹으로 나타났다. Table 3은 평가지수 1/1 옥타브 밴드 L eq 를 활용해 나 타난 각 군집별 상위 5개의 음원을 나타낸다. 군집 1 의 상위 5개 음원은 성인 달리기, 성인 제자리 뜀, 성 인 걷기, 어린이 제자리 뜀과 어린이 달리기 순으로 나타났으며, 군집 1의 총음원은 1,175개로 나타났다. 군집 2의 총음원은 2,884개로 구성되어 있으며, 상위 5개 음원은 망치질, 도로교통소음 40 km, 의자 끄는 소리, 개 짖는 소리와 도로교통소음 60 km 순으로 나 Table 2. Mean and standard deviation of silhouette coefficient. Evaluation Indexk Silhouette coefficient Cluster AVESTEDV L eq (1/1octave band) 30.300.02 A1 B1 C1 L eq (1/3 octave band) 30.310.05 A2 B2 C2 L max (1/1 octave band) 30.260.04 A3 B3 C3 L max (1/3 octave band) 30.270.05 A4 B4 C4 (a) Elbow method k = 2k = 3k = 4k = 5 (b) Silhouette coefficient Fig. 2. (Color available online) Example of elbow method and silhouette coefficient.김정훈, 이송미, 김수홍, 송은성, 류종관 한국음향학회지 제 42 권 제 6 호 (2023) 608 타났다. 군집 3에서의 상위 5개 음원은 건전지 떨어 뜨리는 소리, 숟가락 떨어뜨리는 소리, 도로교통소 음 80 km, 골프공 떨어뜨리는 소리와 리모컨 떨어뜨 리는 소리 순으로 나타났으며, 군집 3의 총음원은 2,343개로 구성되었다. Fig. 5와 Table 4는 주파수 특성으로 나타난 군집별 평균값과 각 평가지수와 주파수 대역별 음압레벨 비 율 값을 나타낸다. 주파수 대역별로 평균값과 주파 수 음압레벨 비율 값을 통해 군집별 차이를 조사하 였다. 평가지수 1/1 옥타브 밴드 L eq 와 L max 값을 통해 (A-1)(B-1)(C-1) (A-2)(B-2)(C-2) Fig. 3. (Color available online) Spectral characteristics of clustering result - 1/1, 1/3 octave band, L eq . (A-3)(B-3)(C-3) (A-4)(B-4)(C-4) Fig. 4. (Color available online) Spectral characteristics of clustering result - 1/1, 1/3 octave band, L max . Table 3. Most of using spectral characteristic in residential noise (1/1 octave band, Leq). Cluster123 Sound source Adult running Adult jumping Adult walking Child jumping Child running Hammering Traffic noise 40 km Chair scrapping Dog barking Traffic noise 60 km Dry-cell dropping Spoon dropping Traffic noise 80 km Golf-ball dropping Remote dropping Number1,1752,8842,343주파수 및 시간 특성을 활용한 머신러닝 기반 공동주택 주거소음의 군집화 및 분류 The Journal of the Acoustical Society of Korea Vol.42, No.6 (2023) 609 나타난 각 평가지수의 평균 주파수 특성은 유사하게 나타났다. 군집 1의 평균 주파수 대역은 군집 2와 군 집 3의 31.5 Hz ~ 125 Hz 평균 주파수 대역에서 높게 나타났으며, 250 Hz ~ 2k Hz 평균 주파수 대역에서 낮 게 나타났다. 군집 2의 31.5 Hz ~ 125 Hz 평균 주파수 대역은 군집 1의 평균 주파수 대역보다 낮고, 군집 2 의 평균 주파수 대역보다 높게 나타났다. 또한, 군집 2의 250 Hz ~ 2k Hz 평균 주파수 대역은 군집 1과 3의 평균 주파수 대역보다 높게 나타났다. 군집 3의 250 Hz ~ 2k Hz 평균 주파수 대역은 군집 1보다 높지만, 군집 2보다는 낮게 나타났다. 또한, 평가지수 1/3 옥 타브 밴드 L eq 와 L max 값을 통해 나타난 각 평가지수의 평균 주파수 특성도 유사하게 나타났다. 군집 1의 평 균 주파수 대역은 군집 2와 군집 3의 20 Hz ~ 100 Hz 평균 주파수 대역에서 높게 나타났으며, 250 Hz ~ 2.5k Hz 평균 주파수 대역에서 낮게 나타났다. 군집 2 의 20 Hz ~ 100 Hz 평균 주파수 대역은 군집 1보다 낮 게 나타났고, 군집 3보다 높게 나타났다. 또한, 군집 2 의 250 Hz ~ 2.5k Hz 평균 주파수 대역은 군집 1과 3보 다 높게 나타났다. 군집 3의 20 Hz ~ 100 Hz 평균 주파 수 대역은 군집 1과 2보다 낮게 나타났고, 군집 2의 250 Hz ~ 2.5k Hz 평균 주파수 대역은 군집 2보다는 낮 고 군집 1에 비해 높게 나타났다. Table 4는 군집별 주파수 대역(Low, Mid, High) 음 압레벨의 비율을 나타낸다. 음압레벨의 비율은 실내 음향 측정 시 사용하는 Bass ratio의 개념 [26] 을 참고하 여 분석하였다. 각 평가 지표의 주파수 대역을 저주 파(1/1옥타브 밴드: 31.5 Hz, 63 Hz, 125 Hz, 1/3 옥타브 밴드: 20 Hz, 31.5 Hz, 40 Hz, 50 Hz, 63 Hz, 80 Hz, 100 Hz, 125 Hz, 160 Hz), 중주파(1/1 옥타브 밴드: 250 Hz, 500 Hz, 1/3 옥타브 밴드: 200 Hz, 250 Hz, 315 Hz, 400 Hz, 500 Hz, 630 Hz), 고주파 대역(1/1 옥타브 밴드: 1k Hz, 2k Hz, 1/3 옥타브 밴드: 800 Hz, 1k Hz, 1.25k Hz, 1.6k Hz, 2k Hz, 2.5k Hz)으로 나누어 각 주파수 그룹 간의 차이를 조사하였다. 비율은 모든 주파수 대역의 값 을 더하여 주파수 대역별로 나눈 값을 계산하였다. 모든 평가지수에서 나타난 군집은 저주파 대역이 높 게 나타났으며, 저주파 대역의 음압레벨 비율이 각 군집에 따라 차이가 나타났다. 평가지수별 A1, A2, A3, A4의 군집이 저주파 대역의 음압레벨 비율이 가 장 높은 군집으로 나타났다. 또한, 저주파 대역과 고 주파 대역의 음압레벨 차이값에 따라 군집이 다르게 나타났다. 1/1 L eq 1/1 L max 1/3 L eq 1/3 L max Fig. 5. (Color available online) Spectral characteri- stics of clustering result – 1/1, 1/3 Octave band, L max and L eq . Table 4. Percentage by frequency band [%] (L: Low, M: Mid, H: High). Evaluation Index L, M, H / (L+M+H) *100 Low-High LowMidHigh L eq (1/1 octave band) A152.127.120.731.4 B141.531.42714.5 C137.732.729.48.3 L eq (1/3 octave band) A254.42718.535.9 B242.731.925.317.4 C238.233.927.810.4 L max (1/1 octave band) A351.432.629.322.1 B341.331.527.114.2 C337.932.629.38.6 L max (1/3 octave band) A452.927.619.333.6 B44231.526.315.7 C437.233.229.57.7김정훈, 이송미, 김수홍, 송은성, 류종관 한국음향학회지 제 42 권 제 6 호 (2023) 610 3.2.2 시간적 특성 군집화 Table 5는 K-means clustering의 k를 결정하기 위해 사용된 실루엣 계수의 평균과 군집 간의 실루엣 계 수 편차를 나타낸다. 시간적 특성을 활용한 2차 군집 화 결과, 평가지수 1/1, 1/3 옥타브 밴드별 L eq 값을 통 해 나타난 군집화 3개(A1, B1, C1, A2, B2, C2)는 각각 의 군집에 따라 3개의 시간적 특성 군집으로 구성되 어 총 9개의 주거소음원(A1-1, A1-2, A1-3, B1-1, B1-2, B1-3, C1-1, C1-2, C1-3)이 구성되었다. 또한, 평가지 수 1/1, 1/3 옥타브 밴드별 L max 값을 통해 나타난 군집 3개(A3, B3, C3, A4, B4, C4) 중 A3, B3, A4, B4는 3개의 시간적 특성 군집으로 구성되었으며, C3와 C4는 5개 의 시간적 특성 군집으로 구성되어 총 11개의 주거 소음원(A3-1, A3-2, A3-3, B3-1, B3-2, B3-3, C3-1, C3-2, C3-3, C3-4, C3-5, A4-1, A4-2, A4-3, B4-1, B4-2, B4-3, C4-1, C4-2, C4-3, C4-4, C4-5)이 구성되었다. Fig. 6은 1/1 옥타브 밴드별 L eq 값을 통한 주파수 특성과 시간 적 특성으로 나타난 총 9개의 주거소음원(A1-1, A1-2, A1-3, B1-1, B1-2, B1-3, C1-1, C1-2, C1-3)을 나타낸다. A1 군집을 시간적 특성으로 나타난 3개의 군집 중 A1-1의 군집은 A1-2 군집보다 변동성과 주기성이 강 하게 나타나며, A1-3 군집보다는 충격성, 변동성과 주기성이 약한 음원들이 나타났다. B1 군집을 시간 적 특성으로 군집화한 B1-1의 군집은 B1-2와 B1-3의 군집보다 정상음의 특성을 나타내며, 변동성이 낮은 음원들이 군집되었다. C1 군집을 시간적 특성으로 군집화한 군집 중 C1-1의 군집은 C1-2의 군집보다 변 동성이 많이 나타났으나, C1-3의 군집이 변동성이 가장 많이 나타났다. Table 6는 1/1 옥타브밴드 별 L eq 값을 통해 주파수 특성으로 군집화된 A1, B1, C1의 군집을 시간적 특성으로 군집화하여 각 군집별 상위 2개의 음원과 군집에 속한 전체 음원의 개수를 나타 낸다. A1-1의 군집(총 220개)의 상위 2개의 음원은 성 인 달리기와 성인 걷기로 나타났다. A1-2(총 644개) 의 군집의 상위 2개의 음원은 성인 걷기와 어린이 제 자리 뜀으로 구성되어 있으며, A1-3(총 311개)의 군 집은 성인 제자리 뜀과 현관문 여닫기로 나타났다. 또한, B1-1의 군집(총 1,285개)에서는 망치질과 건전 지 떨어뜨림 소리가 있으며, B1-2 군집(1,178개)에는 망치질과 도로교통소음 40 km로 나타났다. B1-3 군 Table 5. Silhouette coefficient mean and standard deviation. Temporal characteristics Cluster Cluster by spectrumkAVESTEDV L eq (1/1 octave band) A130.250.12 A1-1 A1-2 A1-3 B130.230.22 B1-1 B1-2 B1-3 C130.250.06 C1-1 C1-2 C1-3 L eq (1/3 octave band) A230.250.14 A2-1 A2-2 A2-3 B230.250.06 B2-1 B2-2 B2-3 C230.220.23 C2-1 C2-2 C2-3 L max (1/1 octave band) A330.250.07 A3-1 A3-2 A3-3 B330.220.23 B3-1 B3-2 B3-3 C350.290.08 C3-1 C3-2 C3-3 C3-4 C3-5 L max (1/3 octave band) A430.250.07 A4-1 A4-2 A4-3 B430.220.24 B4-1 B4-2 B4-3 C450.250.17 C4-1 C4-2 C4-3 C4-4 C4-5주파수 및 시간 특성을 활용한 머신러닝 기반 공동주택 주거소음의 군집화 및 분류 The Journal of the Acoustical Society of Korea Vol.42, No.6 (2023) 611 집(총 422개)의 상위 2개의 음원은 의자 끄는 소리와 현관문 여닫는 소리로 나타났다. C1-1 군집(총 987 개)의 음원은 건전지 떨어뜨리는 소리와 숟가락 떨 어뜨리는 소리로 구성되었다. C1-2 군집(총 539개)의 상위 2개의 음원은 샤워 소리와 건전지 떨어뜨리는 소리로 나타났으며, C1-3 군집(총 817개)에서는 의자 끄는 소리와 리모컨 떨어뜨리는 소리가 나타났다. Fig. 7은 평가지수 1/1옥타브 밴드별 L eq 값을 통해 주파수 특성 군집화와 시간적 특성으로 군집화된 군 집별 시간에 따른 평균 L eq 값을 나타낸다. 또한, Table (A1-1) (A1-2)(A1-3) (B1-1)(B1-2)(B1-3) (C1-1)(C1-2)(C1-3) Fig. 6. (Color available online) Temporal characteristics of clustering result - 1/1 octave band, Leq.김정훈, 이송미, 김수홍, 송은성, 류종관 한국음향학회지 제 42 권 제 6 호 (2023) 612 7은 주파수 특성과 시간적 특성으로 군집화된 군집 별 변동성을 조사하기 위한 L 10 -L 90 을 나타낸다. L 10 - L 90 [27] 은 시간에 따른 L eq 값의 상위 10 %에 해당하는 값과 하위 10 %에 해당하는 값의 차이를 계산하여 군집별 시간적 변화를 조사하였다. 평가지수 1/1 옥 타브 밴드 L eq 값을 통해 나타난 주파수 및 시간적 특 성의 군집은 군집별로 L 10 -L 90 값이 다르게 나타났다. 군집 중 A1-3이 L 10 -L 90 값이 크게 나타났으며, C1-2 가 값이 가장 낮게 나타났다. Fig. 7과 같이 A1-3의 군 집이 시간변화에 따른 변동성이 가장 크고, C1-2 군집 이 시간변화에 따른 변동성이 가장 작은 군집이 나타 났다. A1-3의 군집은 성인 제자리 뜀과 현관문 여닫음 과 같이 충격시간이 짧고 단발성 음원들이 변동성이 가장 큰 군집으로 나타난 것으로 판단된다. 반대로 C1-2 군집은 샤워음과 건전지 떨어뜨림같이 충격시 간이 길고 지속성이 있는 정상음의 음원들이 변동성 이 가장 작은 군집으로 나타난 것으로 판단된다. 본 연구에서 수집된 건전지 떨어뜨림 소리는 충격력이 약하고 구르는 소리가 포함되었기 때문에 C1-2 군집 중 상위음원으로 나타난 것으로 판단된다. 또한, C1-1 과 C1-2의 군집에서 모두 리모컨 떨어뜨림 소리가 상 위 2개의 음원에 포함되었다. 이는, 같은 소음원 종류 이고 주파수가 같음에도 시간적 특성이 다르면 다른 군집으로 분류가 되었음을 나타낸다. 또한, 주파수 특 성을 통한 군집에서도 동일한 소음원 종류의 음원이 다른 군집으로 나타난 경우도 있다. 이러한 결과는 동 일한 소음원임에도 충격력이나 충격력 시간 등에 의 해서 군집이 다르게 나타날 수 있음을 보여준다. IV. 주거소음원 분류 4.1 방법 본 연구에서는 주거소음원의 군집화한 결과를 활 용하는 방안으로써, 각 주파수와 시간적 특성으로 나타난 군집화 결과를 바탕으로 주거소음원을 분류 하였다. 9개와 11개의 주거소음원을 라벨링 하여 Support Vector Machine(SVM), k-Nearest Neighbor(k- NN), 인공신경망(Artificial Neural Network, ANN)을 통 Fig. 7. (Color available online) Temporal characteri- stics of clustering result - 1/1 octave band, L eq . Table 7. Clustering by spectral and temporal charac- teristics L 10 -L 90 by clusters. Evaluation IndexL 10 -L 90 Leq (1/1, oct) A1-126.06 A1-215.62 A1-328.10 B1-15.13 B1-26.86 B1-315.01 C1-14.78 C1-24.32 C1-37.10 Table 6. Most of using temporal characteristic in residential noise (1/1 octave band, Leq). ClusterA1-1A1-2A1-3 Sound source Adult running Adult walking Adult walking Child jumping Adult jumping Entrance close Number220644311 ClusterB1-1B1-2B1-3 Sound source Hammering Dry-cell dropping Hammering Traffic noise 40km Chair scraping Entrance close Number1,2851,178421 ClusterC1-1C1-2C1-3 Sound source Dry-cell dropping Spoon dropping Bath Dry-cell dropping Chair scrapping Remote dropping Number987539817주파수 및 시간 특성을 활용한 머신러닝 기반 공동주택 주거소음의 군집화 및 분류 The Journal of the Acoustical Society of Korea Vol.42, No.6 (2023) 613 해 음원을 분류하고 [28-30] 분석방법 간의 차이를 조사 하였다. 서포트 벡터 머신은 머신러닝 방법 중 하나 로 패턴 인식, 자료 분석을 위한 지도 학습 모델이며, 주로 분류와 회귀 분석을 위해 사용한다. k-최근접 이웃(k-NN) 알고리즘은 패턴 인식 분야에서 분류나 회귀에 사용되는 방법이다. Fig. 8과 같이 인공신경 망은 여러 분야에서 사용되는 머신러닝 방법으로 분 류와 회귀 등 분석에 사용된다. 각 모델에 사용된 데 이터는 주파수 특성, 시간적 특성, 주파수 특성과 시 간적 특성이었다. 모든 데이터는 학습 70 %, 검증 30 %로 구성되었으며, 학습 데이터의 30 %는 테스트에 사용되었다. k-NN과 SVM은 scikit-learn에서 제공하 는 알고리즘을 사용하였으며, k-fold(n = 10)를 사용하 여 검증하였다. k-fold 교차검증은 머신러닝에서 모 델의 성능을 측정하고 검증하는 기술 중 하나이다. 데이터 세트를 k개의 부분집합으로 분할하고, 이 중 하나를 검증 데이터로 가용하며, 나머지 k-1개의 부 분집합을 학습 데이터로 사용하여 모델 학습을 k번 반복하는 방법이다. k개의 모델을 생성하여 각각의 모델이 다른 검증 데이터로 성능을 측정하여 성능지 표를 k번 평균하여 최종 성능지표를 계산한다. ANN 은 입력계층과 출력계층 사이에 은닉계층 2개를 사 용하여 간단한 모델을 구축했으며, 학습 횟수는 100 회, 배치 사이즈는 128로 진행하였다. loss는 cross entropy를 사용했으며, optimizer는 Adam을 사용하였 다. 각 머신러닝의 모델의 분류 성능은 accuracy와 F-1 score [31] 를 통해 비교 분석하였다. 4.2 결과 Table 8은 각 머신러닝 모델별 accuracy와 F-1 score 결과를 나타낸다. 주파수와 시간적 특성으로 군집화 된 주거소 음원을 대상으로 머신러닝 모델의 정확도 를 비교하였다. 평가지수 1/3 옥타브 밴드별 L eq 값을 통해 군집화된 군집이 주파수 특성, 시간적 특성, 주 파수와 시간적 특성을 사용하여 주거소음원을 분류 한 결과가 다른 모델에 비해 모두 정확도가 높게 나 타났다. 가장 정확도가 높은 모델은 평가지수 1/3옥 타브 밴드별 L eq 값을 통해 군집화한 주파수와 시간적 특성을 사용하여 ANN 모델을 이용한 경우가 accuracy 93 %와 f1-score 92 %로 가장 높게 나타났다. 또한, 주 Fig. 8. Examples of simple ANN model architecture. Table 8. Performance of machine learning models accuracy and f1-score [%]. Using temporal characteristic Index Band width Model evaluation ANNSVMKNN L eq 1/1 OCT Accuracy777169 F-1 score766670 1/3 OCT Accuracy777167 F-1 score786671 L max 1/1 OCT Accuracy766261 F-1 score766666 1/3 OCT Accuracy766465 F-1 score725964 Using spectral characteristic Index Band width Model evaluation ANNSVMKNN L eq 1/1 OCT Accuracy877784 F-1 score867583 1/3 OCT Accuracy907882 F-1 score887582 L max 1/1 OCT Accuracy857480 F-1 score766274 1/3 OCT Accuracy887780 F-1 score806973 Using spectral and temporal characteristic Index Band width Model evaluation ANNSVMKNN L eq 1/1 OCT Accuracy907577 F-1 score887277 1/3 OCT Accuracy937677 F-1 score927680 L max 1/1 OCT Accuracy916972 F-1 score897175 1/3 OCT Accuracy916978 F-1 score847072김정훈, 이송미, 김수홍, 송은성, 류종관 한국음향학회지 제 42 권 제 6 호 (2023) 614 파수 특성 데이터를 가지고 분류한 모델이 시간적 특성 테이터를 가지고 분류한 모델보다 분류성능 accuracy와 f1-score값이 높게 나타났다(평가지수 1/1 옥타브 밴드별 L max 의 군집화된 모델 제외). 이는 Fig. 6과 같이 주파수 특성이 다름에도 불구하고 시간적 특성이 동일한 군집으로 나타나는 경우와 연관이 있 는 것으로 판단된다. 시간적 특성이 동일한 군집이 나타나기 때문에 시간적 특성 데이터만을 사용했을 때 보다 주파수 특성 데이터를 활용했을 때의 주거 소음원 군집화 분류 성능이 높게 나타난 것으로 판 단된다. V. 결 론 본 연구에서는 주거소음원의 주파수 및 시간적 특 성 데이터를 활용하여 머신러닝 기반 주거소음원의 군집화 및 분류를 진행하였다. 주거소음원은 각 평 가지수(L eq 와 L max )별 주파수 특성의 음압레벨에 의 해 3개의 군집으로 구분되는 것으로 나타났다. 군집 별 주파수 특성은 평가지표별 저주파 대역의 비율이 50 %, 40 %, 30 %인 경우에 따라 군집이 다르게 나타 났다. 평가지수별 주파수 특성을 통한 군집화를 진 행 후 3개의 군집을 시간적 특성으로 2차 군집화를 진행하였다. 평가지수 1/1, 1/3 옥타브 밴드별 L eq 값을 통해 나타난 시간적 특성 군집은 총 9개의 주거소음 원이 구성되었다. 또한, 평가지수 1/1, 1/3 옥타브 밴 드별 L max 값을 통해 나타난 시간적 특성 군집은 총 11 개의 주거소음원이 구성되었다. 이후, 주거소음원 의 군집을 활용하기 위해 본 연구에서 나타난 군집 수로 라벨링하여 주거소음원을 분류하였다. 본 연구 에서는 평가지수별로 9개와 11개의 군집이 나타났 다. 각 해당하는 평가지수의 라벨링을 통해 주거소 음원의 주파수 특성만을 이용한 경우, 시간적 특성 만 이용한 경우와 주파수 특성과 시간적 특성을 같 이 이용하여 주거소음원을 분류하여 각 평가지수와 분류성능이 높은 모델을 조사하였다. 주거소음원의 분류는 1/3 옥타브 밴드별 L eq 값으로 군집화 된 9개의 라벨링을 통해 주파수 특성과 시간적 특성을 사용하 여 ANN모델을 이용한 경우가 가장 높은 정확도를 나타냈다. 본 연구는 공동주택에서 발생되는 주거소음으로 인한 민원을 해결하기 위한 기초연구로서 공동주택 에서 발생되는 주거소음원 데이터셋을 구축하고, 군 집화 및 분류하였다. 주거소음으로 인한 민원을 해 결하기 위해서는 거주지에서의 모니터링을 통해 주 거소음원을 자동 분류할 필요가 있다. 하지만 자동 분류를 하기 위해서는 공동주택에서 발생되는 주거 소음원의 데이터셋을 구축할 필요가 있기 때문에 본 연구에서는 주거소음원 데이터셋 구축을 하였다. 그 럼에도 불구하고 주거소음원은 건축물에 의해 전달 되는 소음으로서 거주지마다 다르게 나타나기 때문 에 추가적인 데이터셋 구축이 필요하다. 거주지에서 발생되는 주거소음원은 주파수 및 시간적 특성에 의 해 주관적 반응이 다르게 나타나기 때문에, 본 연구 에서 조사한 주파수 및 시간적 특성에 의한 군집수 를 활용한 모니터링이 필요하다고 판단된다. 본 연 구는 실제 거주공간에서 발생되는 주거소음원을 실 제 거주공간과 유사하게 시공된 실증주택에서 수집 하였다. 실제 거주공간에서의 주거소음원의 녹음은 제한적이며 어려움이 있다. 배경소음이 최소화된 음 원을 확보하고자 실증주택에서 녹음을 진행하였지 만, 본 연구결과를 활용하기 위해서는 실제 거주공 간에서 발생되는 다양한 주거공간에서의 음원 확보 가 필요할 것으로 판단된다. 또한, 공기전달음의 경 우 옆 세대에 의한 민원이 발생하기 때문에 옆세대 에 의한 공기전달음 수집이 추가분석이 필요하다. 본 연구의 주거소음원 군집화 분석방향은 주파수 특 성이 음원분류의 활용성 측면에서 더욱 중요하다고 판단하여 먼저 진행하고 시간적 특성을 통한 군집화 를 이후에 진행하였는데, 시간적 특성을 통한 군집 화를 먼저 진행하고 주파수 특성을 통한 군집화를 분석하여 비교가 필요하다. 본 연구의 군집화 방법 은 k-means clustering을 이용하였으나, Gaussian Mixture Model(GMM)과 같은 추가적인 군집화 방법의 분석 을 진행하여 군집화 방법간의 비교도 필요할 것으로 판단된다. 활용측면에서 본 연구의 결과는 주파수와 시간적 특성에 따라 나누어진 군집별로 사운드 마스 킹을 적용하여 거주자의 심리적 측면에서 민원을 줄 일 수 있는 하나의 방안으로 활용될 수 있을 것으로 판단된다. 향후, 주거소음원 분류 성능을 향상시키주파수 및 시간 특성을 활용한 머신러닝 기반 공동주택 주거소음의 군집화 및 분류 The Journal of the Acoustical Society of Korea Vol.42, No.6 (2023) 615 기 위한 음향적 특징에 대한 연구가 추가적으로 필 요하며, 거주지에서 주거소음원을 녹음하기 어렵기 때문에 주거소음원의 데이터셋을 구축하기 위한 방 법론이 추가적으로 연구가 필요하다. 감사의 글 본 연구는 국토교통부/국토교통과학기술진흥원 (과제번호 RS-2022-00144050), 산업통상자원부 및 산 업기술평가관리원(과제번호 20023556)과 전남대학 교 연구년교수 연구비(과제번호: 2021-3907)의 지원 으로 수행되었음 References 1.Gwanghwamun Ilbunga, http://19gwanghwamoon1st. pa.go.kr/, (Last viewed November 24, 2023). 2.Korea Environment Corporation, “Casebook of com- plaints from neighboring,” in Ministry of Environment, edited by Floor Noise, Management Centre, Case book, 2018. 3.Joint housing management dispute mediation central committee, “Infrastructure and transport, central committee for management dispute mediation of multi-unit dwelling: Guidebook of noise prevention and management,” Ministry of Land, Guide book, 2020. 4.K. J. Piczak, “ESC: Dataset for environmental sound classification,” Proc. ACM Int. Conf. Multimed. 1015- 1018 (2015). 5.D. Stowell, D. Giannoulis, E. Benetos, and M. D. Plumbley, “Detection and classification of acoustic scenes and events,” Proc. DCASE, 1733-1746 (2023). 6.H. K. Shin, S. H. Park, and K. W. Kim, “Inter-floor noise classification using convolutional neural net- work,” Plos One, 15, e0243758 (2020). 7.H. Choi, H. Yang, S. Lee, and W. Seong, “Classi- fication of inter-floor noise type/position via con- volutional neural network-based supervised learning,” Appl. Sci. 9, 3735 (2019). 8.H. Choi, W. Seong, and H. Yang, “Source type classification and localization of inter-floor noise with a single sensor and knowledge transfer between reinforced concrete buildings,” Appl. Sci. 11, 5399 (2021). 9.H. G. Park, G. O. Baek, and D. H. Moon, “Modal Parameter of floor and walls in residual building” (in Korean), Proc. KSNVE Annual Spring Conf. 682-685 (2015). 10.J. K. Ryu, I. H. Kim, and J. C. Go, “Heavy-weight floor impact sound and vibration with structure types in apartment building” (in Korean), J. Acoust. Soc. Kr. Suppl. 1(s) 34, 212 (2015). 11.M. J. Kim, J. Y. Sohn, and H. S. Kim, “Contribution ratio of each surface of receiving room for floor impact sound transmission by using sound intensity method” (in Korean), Proc. Spring Annual Conf. AIK, 311-313 (1998). 12.K. W. Kim, J. S. Kang, S. E. Lee, and K. S. Yang, “Floor impact sound isolation performance by composition of ceiling and wall” (in Korean), Trans. Korean Soc. Noise Vib. Eng. 15, 465-473 (2005). 13.S. Lee, D. Hwang, J. Park, and J. Y. Jeon, “Cause and perception of amplitude modulation of heavy-weight impact sound in concrete wall structure,” Build. Environ. 94, 785-792 (2015). 14.Y. Kwak, S. Lee, J. Park, D. Hwang, J. Y. Jeon, and J. Park, “Effect of the static compressive load on vibration propagation in multistory buildings and resulting heavyweight floor impact sounds,” J. Acoust. Soc. Am. 142, 308-316 (2017). 15.J. Y. Jeon, “Subjective evaluation of floor impact noise based on the model of ACF/IACF,” J. sound Vib. 241, 147-155 (2001). 16.J. Ryu, H. Sato, K. Kurakata, A. Hiramitsu, M. Tanaka, and T. Hirota, “Relation between annoyance and single-number quantities for rating heavy-weight floor impact sound insulation in wooden houses,” J. Acoust. Soc. Am. 129, 3047-3055 (2011). 17.S. Kim, J. Kim, S. Lee, H. Song, M. Song, and J. Ryu, “Effect of temporal pattern of impact sound on annoyance: Children’s impact sounds on the floor,” Build. Environ. 208, 108609 (2022). 18.Floor Noise, Management Centre, “Interfloor noise neighbor center 2019 civil complaint statistics status,” Mon. Rep., Korea Environment Corporation, 2019. 19.ISO 10052, Acoustics — Field Measurements of Airborne and Impact Sound Insulation and of Service Equipment Sound — Survey Method (2021). 20.J. Jeong and J. Ryu, “Survey method for field mea- surement of rubber ball impact sound in reinforced concrete apartment houses,” Acta Acust. 7, 1-12 (2023). 21.J. Ryu and H. Song, “Effect of building facade on indoor transportation noise annoyance in terms of frequency spectrum and expectation for sound in- sulation,” Appl. Acoust. 152, 21-30 (2019). 22.S. H. Park, P. J. Lee, and B. K. Lee, “Levels and sources of neighbour noise in heavyweight residential buildings in Korea,” Appl. Acoust. 120, 148-157 (2017).Next >