---
type: paper
slug: yongkyung-oh-2024-multichannel-cnn-gas
title: Multichannel convolution neural network for gas mixture classification
authors:
  - '[[yongkyung-oh]]'
  - '[[chiehyeon-lim]]'
  - '[[junghyelee]]'
  - '[[sewon-kim]]'
  - '[[sungil-kim]]'
year: 2024
venue: '[[annals-of-operations-research]]'
doi: 10.1007/s10479-022-04715-2
categories:
  - '[[chemometrics]]'
  - '[[machine-learning]]'
methods:
  - '[[multichannel-cnn]]'
  - '[[data-augmentation]]'
  - '[[transfer-learning]]'
  - '[[resnet]]'
themes:
  - '[[gas-mixture-classification]]'
  - '[[gas-sensor-array]]'
  - '[[artificial-olfactory-system]]'
aliases: []
last_updated: '2026-05-17T21:30:00+09:00'
---
# Multichannel convolution neural network for gas mixture classification

*[[yongkyung-oh]], [[chiehyeon-lim]], [[junghyelee]], [[sewon-kim]], [[sungil-kim]] (2024)* · [[annals-of-operations-research]] · [DOI ↗](https://doi.org/10.1007/s10479-022-04715-2)

> *혼합 가스 (mixed gas) 분류* 에 sensor array 의 *시계열 응답* 을 *sensor-specific multichannel image* (M × 256 × 256, M = sensor 수) 로 변환한 뒤 [[resnet]] 기반 [[multichannel-cnn]] 으로 분류. UCI mixture gas (8 sensor · 162 sample · 5 class) + Taesung 실험실 데이터 (11 sensor · 100 sample · 4 class) 두 dataset 검증. 기존 *RGB 채널 + 수동 색 선택* 방식 (Han et al. 2019) 대비 balanced accuracy 0.864 → **0.912**, weighted F1 0.886 → **0.934** (UCI dataset) 로 우월. 실험실 데이터에서는 ResNet18 + 1% scaling noise 가 balanced accuracy **0.983**, weighted F1 **0.989** 까지 달성.

- **RQ**: 가스 sensor array 의 *복잡 비선형 고차원 시계열* 을 *sensor-specific multichannel image* (수동 색 선택 없는) 로 표현 + [[transfer-learning]] (ImageNet pretrained) + scaling-based data augmentation 으로 *작은 sample 의 혼합가스 분류 정확도* 를 어디까지 끌어올릴 수 있는가? RGB 채널·1D-CNN·기존 ML (SVM, RF, MLP) 대비 우월성은?
- **방법론**: [[multichannel-cnn]] (256×256 analogous image, sensor 수 = channel 수), [[resnet]] (ResNet18/50 with modified conv1 = 3×3 stride 1), [[transfer-learning]] (ImageNet pretrained init), [[data-augmentation]] (bootstrap × scaling, $\alpha_m \sim N(1, \sigma^2)$). 비교: [[bag-of-features]] + 9 종 classifier (LR, SVM, NB, KNN, DT, RF, XGBoost, LGBM, MLP), Han et al. (2019) 의 RGB 채널 CNN
- **데이터**: (i) **UCI mixture gas** (Fonollosa et al. 2014, MOX 8-sensor, 162 sample, 5 class: methane / CO / ethylene / CO+ethylene / methane+ethylene), train/val/test = 6:2:2 분할 후 augmentation 으로 train 200 sample / class. (ii) **Taesung 실험실 데이터** (MOX 2 + NDIR 1 + electrochemical 8 = 11 sensor, 100 sample, 4 class: dimethyl sulfide / butyl acetate / toluene 조합). 5-fold CV, Adam optimizer, lr=$10^{-4}$, batch 4, 50 epoch
- **주요 발견**: (i) **UCI dataset 최우수**: ResNet50_True + noise 없는 augmentation, balanced accuracy **0.912** / weighted F1 **0.934**. BoF + MLP (최강 비교) 의 0.761 / 0.789 보다 약 15-19%p 우위. (ii) **Multichannel > RGB**: 같은 ResNet50_True 에서 multichannel 0.912/0.934 vs RGB best color set 0.864/0.886 — 수동 색 선택 의존 제거가 핵심. (iii) **Noise level sensitivity**: $\sigma^2 = 0$ 이 최적, 노이즈 1-5% 증가 시 성능 monotone 하락 (UCI). 단 실험실 데이터에서는 1% noise + ResNet18_False 가 best (0.983/0.989) — sample 적을수록 *얕은 모델 + 약한 augmentation* 이 일반화 잘. (iv) **Image resolution 256×256 가 sweet spot**: 64×64 (0.819) → 128 (0.877) → 256 (**0.912**) → 512 (0.889) — 너무 크면 sparse signal noise 증가.
- **시사점**: (a) 가스 sensor array → analogous image 변환은 *시계열 정보의 spatial-temporal 보존 + CNN 의 inductive bias 활용* 의 동시 달성. (b) ImageNet pretrained init 효과 입증 — small-sample 도메인에서도 *cross-domain transfer* 유효. (c) Heterogeneous sensor (MOX + NDIR + electrochemical) 가 섞인 실험실 환경에서도 multichannel approach 가 robust. (d) 산업 toxic-gas 모니터링 · medical breath analysis · 가정용 e-nose 의 실배포 framework.

## 요약

본 paper 는 [[junghyelee]] 의 *제3기 SNU TEMEP 화학계량학 라인* 의 핵심 작업 중 하나다. UNIST 산업공학과 [[sungil-kim]] (corresponding author) · [[chiehyeon-lim]] · 1 저자 [[yongkyung-oh]] + Taesung Environmental Research Institute 의 [[sewon-kim]] (data curator) 5인 협업. 같은 도메인의 자매 [[yeram-kim-2023-chemistry-informed-gas-classification]] 가 *domain knowledge + 2-module framework* 로 chemical property feature 를 명시적으로 추가했다면, 본 paper 는 *순수 데이터 기반 + image-like representation + transfer learning* 으로 동일한 small-sample 한계를 푸는 직교적 접근이다.

방법론적 핵심은 세 layer 의 결합이다. (i) **Input adaptation** — 각 sensor 의 시계열 응답 $\mathbf{x}_m = (x_{m1}, \ldots, x_{mT})$ 을 linear interpolation → max sensor response $V$ 로 [0,1] 정규화 → 256 × 256 grid 분할 → grid 내 obs 개수를 0-255 grayscale 로 mapping. 결과: $M \times 256 \times 256$ tensor (M = sensor 수). 수동 색 선택 (Han et al. 2019 의 RGB 변환) 의 ad-hoc 한계 제거. (ii) **Data augmentation** — class 별 sample 수를 max $N_B$ 로 평준화 (bootstrap with replacement) + scaling transformation $\mathbf{x}_m^{(k)*} = \alpha_m \mathbf{x}_m^{(k)}$ where $\alpha_m \sim N(1, \sigma^2)$. (iii) **Modified ResNet18/50** — 첫 conv1 을 3×3 stride 1 로 변경 (sparse analogous image 의 크기 보존), 마지막 FC layer 를 class 수로 조정, ImageNet pretrained init 이용. Adam optimizer · cross-entropy loss · 5-fold CV.

발견은 세 차원에서 풍부. (a) **모델 우월성** — UCI dataset 에서 ResNet50_True + augmentation (no noise) 의 balanced accuracy **0.912** / weighted F1 **0.934** 가 BoF+MLP 최강 baseline (0.761/0.789) 의 약 15-19%p 위. 실험실 데이터에서는 ResNet18_False + 1% noise 가 **0.983/0.989** — 작은 dataset 에서는 얕은 모델이 일반화 우월. (b) **Multichannel > RGB** — 같은 backbone 에서 multichannel 0.912/0.934 vs RGB best 0.864/0.886. 수동 색 선택 제거가 성능 향상 + reproducibility 동시 개선. (c) **Hyperparameter sensitivity** — image resolution 64-512 비교에서 256×256 sweet spot, noise level 0-5% 에서 UCI 는 monotone 하락이나 실험실에서는 1% 가 최적 — *dataset 특성에 따른 augmentation 의 dual nature* (UCI 는 충분 sample 로 noise = 손실, 실험실은 small sample 로 noise = regularizer). 한계: (i) UCI 5 class · 실험실 4 class 의 작은 label space, (ii) 동일 sensor array 에서만 검증 (sensor calibration drift 대응 없음), (iii) end-to-end multi-task 학습 미적용.

## 핵심 결과

**UCI dataset 성능 비교 (5-fold CV)**

| Approach | Balanced accuracy | Weighted F1 |
|---|---:|---:|
| BoF + MLP (best non-CNN, with augmentation) | 0.761 | 0.789 |
| ResNet18 (random init, no augmentation) | 0.891 | 0.911 |
| ResNet18 (ImageNet init) | 0.905 | 0.922 |
| ResNet50 (random init) | 0.899 | 0.917 |
| **ResNet50 (ImageNet init, no noise)** | **0.912** | **0.934** |
| RGB best (3 color sets, ResNet50_True) | 0.864 | 0.886 |

**Image resolution 비교 (ResNet50_True + augmentation, UCI)**

| Resolution | Balanced acc. (mean) | Weighted F1 (mean) |
|---|---:|---:|
| 64 × 64 | 0.819 | 0.837 |
| 128 × 128 | 0.877 | 0.899 |
| **256 × 256** | **0.912** | **0.934** |
| 512 × 512 | 0.889 | 0.925 |

> **정량 결론.** Multichannel ResNet50 + ImageNet pretrained init + no-noise augmentation 이 UCI dataset 최우수 — balanced accuracy **0.912**, weighted F1 **0.934**. 실험실 dataset 에서는 ResNet18 + 1% scaling noise 가 **0.983 / 0.989**. Sensor-specific multichannel 표현이 RGB 채널 (수동 색 선택) 대비 +5%p 일관 우위.

## 방법론 노트

기존 RGB 채널 CNN (Han et al. 2019) 의 약점은 *수동 color 선택 의존* — color set 마다 분류 성능이 변동하고 sensor 수가 많으면 distinguishable color 부족. Multichannel approach 는 *각 sensor = 별도 grayscale channel* 로 색 선택 자체를 제거.

Sensor 시계열을 analogous image 로 변환 (Algorithm 1):

$$
\mathbf{x}_m = (x_{m1}, \ldots, x_{mT}) \;\to\; \text{interp} \;\to\; \text{normalize by } V \;\to\; \text{count grid 256}^2 \;\to\; \mathbf{D}_m \in [0, 255]^{256 \times 256}
$$

모든 sensor 를 stack 해 $[\mathbf{D}_1, \ldots, \mathbf{D}_M] \in \mathbb{R}^{M \times 256 \times 256}$ tensor 구성. Modified ResNet18 first conv:

$$
\text{conv1}: \;M \times 256 \times 256 \;\xrightarrow{3 \times 3, 64, \text{stride } 1}\; 64 \times 256 \times 256
$$

(기존 7×7 stride 2 대신 — sparse signal 보존). Scaling augmentation:

$$
\mathbf{X}_j^{(k)*} = \mathbf{A} \mathbf{X}_j^{(k)}, \quad \mathbf{A} = \operatorname{diag}(\alpha_1, \ldots, \alpha_M), \quad \alpha_m \sim N(1, \sigma^2)
$$

식별 가정: (i) Sensor 별 채널 분리가 cross-sensor 정보 손실 없이 spatial 표현 가능, (ii) ImageNet 의 *low-level visual feature* (edges, textures) 가 chemical sensor analogous image 에도 transferable, (iii) scaling augmentation 의 normal noise 가 sensor calibration variation 의 realistic surrogate. Loss = weighted cross-entropy, optimizer = Adam, lr = $10^{-4}$, weight decay = $10^{-8}$, 50 epoch.

## 연구 계보

본 paper 는 세 literature stream 의 교차점이다. (i) **Image-based time series classification** — Wei et al. (2019) 의 grayscale LeNet, Han et al. (2019) 의 RGB CNN, Zhao et al. (2019) 의 1D-DCNN, Zhan et al. (2021) 의 1D GAP-CNN. (ii) **ResNet** — He et al. (2016a,b) 의 skip-connection 기반 deep CNN, Fawaz et al. (2019) 의 시계열 분류에 대한 ResNet 우위 입증. (iii) **Gas sensor array literature** — Persaud-Dodd (1982) 의 artificial olfactory 출발, Fonollosa et al. (2014, 2016) 의 UCI dataset 공개, Feng et al. (2019) 의 cross-sensitivity · selectivity 정식화. 직접 선행은 Han et al. (2019) 의 RGB 채널 CNN — 본 paper 가 *수동 색 선택 제거 + sensor-specific channel* 로 개선.

[[junghyelee]] 의 *연구 궤적* 안에서 본 paper 는 *제3기 SNU TEMEP 화학계량학 라인* 의 핵심으로, [[yeram-kim-2023-chemistry-informed-gas-classification]] (chemistry-informed ML, 2 module framework) 와 *gas classification 자매 페어* 를 형성한다. 두 paper 는 *작은 sample 의 혼합가스 분류* 라는 동일 문제를 *순수 representation learning* (본 paper) vs *domain knowledge 명시 통합* ([[yeram-kim-2023-chemistry-informed-gas-classification]]) 의 두 직교적 방향으로 접근. [[junghye-lee-2015-kernel-nir-calibration]] 의 분광 + kernel statistics 라인의 *deep learning 변종 후속*. UNIST 산업공학 [[sungil-kim]] · [[chiehyeon-lim]] 그룹과의 협업 라인이 [[junghyelee]] author page 의 *제3기 핵심 외부 협력자* 로 기록됨.

## See also

- [[junghyelee]]
- [[yongkyung-oh]]
- [[chiehyeon-lim]]
- [[sungil-kim]]
- [[multichannel-cnn]]
- [[resnet]]
- [[transfer-learning]]
- [[data-augmentation]]
- [[gas-mixture-classification]]
- [[artificial-olfactory-system]]
- [[chemometrics]]
- [[annals-of-operations-research]]
- [[yeram-kim-2023-chemistry-informed-gas-classification]]
- [[junghye-lee-2015-kernel-nir-calibration]]