# 단시간 푸리에 변환과 스펙트로그램 기반한 화장품 젤 분류 딥러닝 모델

젤, 폼, 크림, 로션과 같은 화장품과 국소 약물은 피부나 점막에 바르는 점탄성 물질이다. 이러한 물질에 대한 인간의 지각은 복잡하며 다양한 감각 양식을 포함한다. 기존의 패널 기반 감각 평가는 감각 수용체의 개인차와 연령, 인종, 성별 등의 요인으로 인해 한계가 있다.

따라서 본 연구에서는 화장품 젤의 물리적 특성을 체계적으로 분석하고 효과적으로 식별하기 위한 딥러닝 기반 방법을 제안한다. 젤을 문지르면서 발생하는 시계열 마찰 신호를 측정했다.

이 신호는 각각 단시간 푸리에 변환(STFT)과 연속 웨이블릿 변환(CWT)을 통해 전처리하고 시간에 따라 변화하는 주파수 인자를 구분해 분석했다. 딥러닝 모델은 학습률 스케줄러를 통해 최적화한 ResNet 기반 컨볼루션 신경망(CNN) 구조를 사용했다. 최적화된 STFT 기반 2D CNN 모델은 CWT 기반 2D과 1D CNN 모델보다 성능이 뛰어났다.

또 최적화된 STFT 기반 2D CNN 모델은 k-배수 교차 검증을 통해 견고성과 신뢰성을 입증했다. 이 연구는 기존의 전문가 패널 평가를 대체하고 화장품의 사용자 경험을 객관적으로 평가할 수 있는 혁신적인 접근법의 가능성을 제시했다.

가장 대중적인 화장품 중 하나인 핸드크림은 피부에 충분한 양의 영양을 공급하고 피부와 점막을 치료해 건조함을 예방하는 스킨케어 제품으로 약 100년 동안 널리 사용돼 왔으며 피부 보호제 역할을 해왔다[1, 2]. 핸드크림은 오일, 보습제, 물 등 다양한 성분으로 구성돼 있다. 일반적으로 핸드크림은 용도에 맞게 함량을 조절해 오일 15~40%, 보습제 5~15%, 수분 45~80%의 비율로 제조된다[3]. 다양한 성분이 함유된 핸드크림은 피부 보습에는 효과적이지만 바를 때의 질감은 모든 소비자가 만족하기는 어렵다[4].

STFT 계산을 사용해 시계열 마찰 신호에서 생성된 스펙트로그램의 3차원 시각화

따라서 화장품 업계에서는 고객 만족도가 높은 제품을 개발하는 것이 중요하다[5]. 화장품의 질감을 평가하기 위해 일반적으로 정량적 기술 분석(QDA)과 관능 판별 분석(SDA) 같은 패널 기반 방법을 사용한다[6, 7]. 하지만 이러한 방식은 패널 전문가를 교육하거나 초청하는 데 많은 시간과 비용이 소요되며 개인차에 따른 주관적인 평가가 불가피하다[8, 9]. 화장품의 발림성은 질감을 평가하는 중요한 감각 특성 중 하나이며 화장품에 대한 사용자 만족도에 큰 영향을 미친다.

이 특성은 피부와 핸드크림 사이의 마찰, 즉 문지르는 과정에서 경험하는 지배적인 특성을 나타낸다[10, 11]. 예를 들어 Timm은 다양한 화장품의 파우더 현탁액을 준비해 제품을 바른 후 피부 느낌을 설명하고 각 현탁액의 마찰 계수와 관능 평가 결과 간의 상관관계를 조사했다[12]. 그 결과 일부 상관관계가 밝혀졌지만 복잡한 성분이 포함된 시판 화장품에 대한 합리적인 상관관계를 확립하기 위해서는 광범위한 테스트가 필요하다는 결론을 내렸다.

이러한 한계를 해결하기 위해 연구자들은 군집 분석[13], 회귀 분석[14], 다층 퍼셉트론[15], 인공 신경망(ANN) 등 인공지능(AI) 시스템을 통합한 체계적이고 정량적인 분석 방법을 연구해 왔다[16]. Franzol은 인공 신경망(ANN) 모델을 사용해 유변학적 데이터를 기반으로 39개 상용 에멀젼 제품의 질감 특성을 예측해 60~84%에 이르는 모델 정확도를 달성했다[17].

Lee는 머신러닝 기반 알고리즘을 사용해 스킨케어 제품의 열적 특성(차가움과 촉촉함)을 평가한 결과 각각 0.802와 0.901의 R2 값을 얻었다[18]. 머신러닝 알고리즘은 다양한 화장품을 정확하게 식별하고 지정할 수 있는 유망한 방법이지만 특징 추출 시 전문적인 데이터 처리를 통한 특징 선정과 원시 데이터의 종합적인 처리와 표현에 있어 본질적인 한계가 있다[19].

필자

한국전자통신연구원 심재호, 유정수, 이명래, 양용석 TERALEADER 한상헌, 한석길 아모레퍼시픽 R&I센터 이정유, 이성원, 진남, 한밭대학교 창의융합공학과 김동수