3D 위상차 현미경은 광독성 및 광표백 없이 살아있는 세포의 장기적인 다세포 과정 관찰을 위한 가장 흔한 영상화 양식 중 하나이다. 이는 암세포의 형태학적 특징을 전이(전이성) 행동의 지표로 사용할 수 있기 때문이다. 그러나 불균일한 조명과 위상차 간섭 고리와 같은 영상 특징은 이러한 영상 분석에 일정한 어려움을 야기한다. 본 연구에서는 3D 위상차 현미경의 형태학적 특징과 스케일드 주성분 분석(scaled principal component analysis)을 결합한 심층 신경망 기반 암세포 분류 방법론을 제안한다. 먼저, 영상의 히스토그램 정보를 기반으로 비균일 조명 보정을 적용하여 영상의 불안정한 밝기 문제를 교정하고, 단일세포 검출을 통해 행-대비(row-contrast) 인공물에 대응하기 위해 영상 강도 기반 전역 임계값 설정(global thresholding) 방법을 사용한다. 또한 각 세포 주위에 나타난 간섭의 비대칭 확산 패턴 때문에, 주성분 분석을 통해 형태학적 특징을 관찰하기 위한 단면(cross-section)을 추출하였다. 이후 국소 봉우리(local peaks)를 밝은 고리 영역으로 간주하는 강도 구배(intensity gradient)로부터 세포 형태를 분석하였다. 봉우리는 추출된 단면의 중심인 세포 영역 중심점에서 바깥 배경까지의 강도 프로파일로부터 계산하였다. 봉우리 정보를 바탕으로 대표적인 형태학적 특징 10가지를 추출하고, 초기 특징을 변환하기 위해 min-max scaler를 적용한 다음, 심층 신경망을 사용하여 활성 및 비활성 암세포를 분류하였다. 제안한 방법은 수신자 조작 특성 곡선(receiver operating characteristic, ROC) 아래 면적(area under the curve) 값 0.944와 동일오류율(equal error rate) 0.091을 달성하였다. 또한 제안된 방법을 적용한 DNN을 이용한 분류의 정확도가 전문가의 수작업 분류 결과에 더 가깝다는 점을 확인하여, 세포 형태의 보다 정밀한 분석이 가능함을 보여주었다. 본 접근법은 환자에서 약물 반응을 평가하기 위한 영상 기반 세포 표현형 프로파일링의 정확도를 향상시킨다.

가스 혼합물에서 가스 성분의 농도 수준을 추정하는 것은 산업 시설, 도시 지역 및 가스 누출이나 축적이 중대한 건강 및 안전 위험을 초래할 수 있는 밀폐 공간을 포함한 다양한 환경에서 예방 조치를 취하고 공공 안전을 보장하는 데 필수적이다. 이는 표적 오염물질에 대한 일반적인 가스 센서가 다른 가스의 영향을 쉽게 받기 때문이다. 본 연구에서는 데이터 분할, 특징 추출 및 정규화의 결합이 두 가지 조합의 가스 수준을 예측하는 데 있어 세 가지 딥러닝 모델—1차원 합성곱 신경망(1-dimensional Convolutional Neural Network, CNN-1D), 장단기 메모리(Long Short-term Memory, LSTM), 게이트 순환 단위(Gated Recurrent Unit, GRU)—의 성능에 미치는 효과를 평가하였다. 우리는 평균 절대 오차(Mean Absolute Error, MAE), 평균 제곱근 오차(Root Mean Squared Error, RMSE), 그리고 R-제곱(R-squared) (R²)을 사용하여 성능을 평가하였다. 평가된 모델 중 GRU 네트워크는 평균 MAE(0.1578), RMSE(0.0481) 및 R²(0.96375) 측면에서 CNN-1D와 LSTM보다 우수한 성능을 보였다. 기존 연구와의 비교 분석을 통해 제안한 GRU 모델이 다른 모델들보다 우수함이 확인되었으며, 이에 가스 농도 추정 과제에 이를 사용할 것을 제안한다.

기억, 사고, 행동 및 일상생활을 수행하는 능력과 같은 인지 기능의 저하를 특징으로 하는 증후군인 치매는 60세 이상에서 흔히 나타난다. 그러나 이를 충분히 조기에 발견하면 지속적인 퇴행을 늦추고 가족과 돌봄 제공자 모두가 겪는 부담을 경감할 수 있을 가능성이 있다. 발병 후 10년 내 사망률이 높을 뿐 아니라 막대한 사회경제적 부담이 뒤따르기 때문에, 연구자들은 치매의 조기 발견, 예측, 모니터링 및 관리에 대한 지능적이고 혁신적인 해결책을 찾기 위해 활발히 노력해 왔다. 이러한 노력은 사물인터넷(IoT), 웨어러블 기술, 그리고 기계학습 알고리즘의 최근 발전에 의해 추진되고 있다. 해결책들은 치매의 수정 가능한 위험 요인에 기반하여 모델링된다. 본 연구에서는 영향을 받은 개인의 건강 관리를 돕기 위해 개발되었거나 구현된 스마트 솔루션들에 대한 설문조사를 수행하였다. 이어서 이러한 해결책의 쟁점과 한계를 검토하고, 여러 치매 위험 요인에 기반하여 모델링된 웨어러블 및 비(非)웨어러블 기술을 포함하는 통합형 해결책이 필요하며 향후 연구의 방향이 되어야 한다고 주장하였다.

정보의 홍수가 발생하여 사람들이 자신이 선호하는 항목을 찾고 필터링하기가 어렵게 되었다. 이러한 문제의 해결책으로 추천 시스템(RSs)이 등장했으나, 협업 필터링과 콘텐츠 기반 필터링을 포함한 전통적인 Appen추천 시스템은 데이터 확장성, 데이터 희소성, 그리고 콜드 스타트 문제와 같은 중대한 과제에 직면해 있으며, 이를 위해 고도화된 해결책이 필요하다. 따라서 우리는 기존의 문제를 해결하기 위해 딥러닝의 결합 모델을 활용하는 순위 및 향상 시퀀스 영화 추천 시스템을 제안한다. 이러한 과제들을 완화하기 위해, 우리는 사용자 정보(나이, 성별, 직업)를 활용하는 RSs 모델을 설계하여 신규 사용자를 분석하고 유사한 선호를 가진 다른 사용자들과 매칭한다. 먼저, 사용자들의 잠재적인 다음 타깃 영화 예측을 효과적으로 수행하기 위해 사용자 행동의 시퀀스를 구성한다. 이후 입력 특징으로 사용자 정보와 영화 시퀀스 임베딩을 결합하여 차원 축소를 수행한 뒤, 이를 트랜스포머 아키텍처와 다층 퍼셉트론(multilayer perceptron, MLP)에 투입한다. 우리의 모델은 사용자 행동 시퀀스에 대한 위치 인코딩을 포함한 트랜스포머 계층과 예측 정확도를 향상시키기 위한 멀티-헤드 어텐션 메커니즘을 통합한다. 더 나아가, 이 시스템은 영화 장르 임베딩에 대해 KMeans 클러스터링을 적용하여 유사한 영화를 군집화하고, 이 클러스터링 정보를 예측 평점과 결합함으로써 타깃 사용자를 위한 개인화 추천에서 다양성을 보장한다. 두 개의 MovieLens 데이터셋(100 Kand 1 M)에서 우리 모델을 평가한 결과, 100 K 데이터셋에 대해 RMSE, MAE, precision, recall, F1 점수가 각각 1.0756, 0.8741, 0.5516, 0.3260, 0.4098로, 1 M 데이터셋에 대해 각각 0.9927, 0.8007, 0.5838, 0.4723, 0.5222로 유의미한 개선을 보였다. 본 접근법은 콜드 스타트 및 확장성 문제를 효과적으로 완화할 뿐만 아니라, Top-N 항목 추천에서 기반 기법들을 능가하여, 풍부한 데이터라는 현대 환경에서의 유효성을 입증한다.

심실세동(Ventricular fibrillation, VF)은 심혈관 질환 가운데 가장 심각한 질환 중 하나로, 심근경색으로부터 환자의 생존 가능성을 향상시키기 위해서는 이를 신뢰성 있게 조기에 감지하고 적시에 처치해야 한다. 초기 연구는 VF 검출을 위한 효과적인 알고리즘 개발에 초점을 두었으며, 대부분의 평가는 사전 필터링된 데이터 집합을 사용한 오프라인 방식으로 수행되었다. 그러나 실제 적용에서는 이러한 검사가 실시간으로 수행되어야 한다. 검출 효율성에 영향을 미칠 수 있는 요인이 많기 때문에, 검출 정확도를 향상시키는 요인이 미치는 영향을 이해하는 것이 중요하다. 본 연구에서는 IAR Embedded Workbench 소프트웨어를 이용하여 MSP430 마이크로컨트롤러 기반의 임베디드 시스템을 구축하고, S/W 빌드를 위한 Visual Studio 도구를 활용하는 통합 시뮬레이션 환경을 개발하였다. 이후 본 시스템을 사용하여 5개의 경량 VF 검출 알고리즘을 평가하기 위한 실시간 실험을 수행하고, 민감도, 특이도, 양성예측도, 정확도 및 계산 시간 측면에서 이들의 성능에 영향을 미칠 수 있는 요인을 살펴보았다. 결과는 본 연구에서 개발한 웨어러블 심전도(ECG) 시스템의 프로토타입을 통해 교차 검증하였다. 연구 결과는 1) 선택한 검출 알고리즘, 데이터 필터링, 윈도우 크기 모두 실시간 VF 검출 성능에 유의한 영향을 미치며, 이들 중 검출 알고리즘이 가장 큰 영향을 주므로 신중히 선택해야 함을 보여주었다. 2) 성능 지표 간의 균형(tradeoff)에 영향을 미치는 적절한 임계값(threshold) 값을 선택하는 것이 중요하다. 본 연구에서 평가한 5개 알고리즘 중 Time Delay(TD) 알고리즘은 윈도우 크기나 필터링 방법과 무관하게 다른 알고리즘보다 우수한 성능을 보였다. 본 논문은 7가지 요인을 분석하고 그중 3가지 요인이 실시간 VF 검출에 미치는 영향을 조사하였다. 분석에 따르면 스케일링(scaling) 과정은 매우 중요하며, 적절한 검출 방법은 영향의 정도를 최소 수준으로 낮출 수 있다. 그렇지 않은 경우에는 필터링 방법을 고려해야 한다. 견고성(robustness)과 효율성(efficiency) 간의 균형을 고려할 때, TD는 검출 정확도와 견고성이 더 중요하므로 바람직하다.

요추부 척추의 만곡(curvature)을 모니터링하는 것은 물리치료 및 재활을 받는 개인, 그리고 스포츠 의학 분야에서 요통 및 기타 척추 질환의 발생을 파악하는 데 중요하다. 특히 습관적으로 잘못된 척추 만곡을 인지하고 예방하기 위해서는 적절한 측정 시스템이 필요하다. 본 연구에서는 네 개의 유연 센서와 세 개의 관성측정장치(inertial measurement unit, IMU) 센서를 기계 학습과 통합한 웨어러블 지능형 감지 시스템을 개발하였다. 제안된 시스템은 성능 평가를 위해 20명의 피험자에게서 시험되었다. 실험에서는 대상(target)으로 5개 클래스를 설정하여 11가지 자세를 평가하였다. 추출된 특징(features)을 기반으로 척추 사건(spine events)을 탐지하기 위한 분류 알고리즘을 구축하고, 일곱 가지 서로 다른 센서 신호의 조합을 바탕으로 52개의 특징을 생성하기 위한 특징 추출 알고리즘을 제안하였다. 척추 만곡의 5개 수준을 분류하는 정확도는 전체적으로 99.38 %였으며, 10-fold 교차 검증 시험에서는 99.79 %였다. 제안된 방법은 개인별 맞춤 보정(personalized calibrations) 없이도 척추 만곡 클래스 수준을 추정할 수 있다.

불완전한 데이터셋은 데이터 전처리에서 피할 수 없는 문제이며, 주로 많은 기계학습 알고리즘이 모델을 학습하는 데 활용하지 못하게 한다. 이러한 문제를 해결하기 위해 다양한 데이터 대치(imputation) 접근법이 제안되었고, 서로의 방법들을 검증하며 발전해 왔다. 이들 대치는 서로 다른 개념을 가진 다양한 기계학습 알고리즘을 사용하여 가장 적절한 값으로 예측하도록 설정되었다. 또한 일부 데이터셋에서는 결측값을 완성하기 위해 대치 방법의 정확한 추정이 특히 매우 중요하며, 특히 의료 데이터에서의 대치(imputing)에서는 더욱 그러하다. 본 논문의 목적은 K-최근접 이웃 대치(K-nearest Neighbors Imputation, KNNImputer) 방법, 베이지안 주성분분석(Bayesian Principal Component Analysis, BPCA) 대치 방법, 중심방정식에 의한 다중대치(Multiple Imputation by Center Equation, MICE) 방법, 노이징 자동인코더 신경망을 이용한 다중대치(Multiple Imputation with denoising autoencoder neural network, MIDAS) 방법을 포함하는 우수한 최신 벤치마크의 역량을 제시하는 데 있다. 이들 방법은 결측값 대치를 위한 적절한 데이터 지점을 최적화하고 평가하는 데 있어 달성 가능한 해결 방안에 기여해 왔다. 우리는 병원에서 수집한 동일한 4개 데이터셋을 기반으로, 모든 대치 기법에 대해 실험을 수행하였다. 구현 결과를 측정하고 서로 비교하기 위해 평균절대오차(Mean Absolute Error, MAE)와 제곱평균제곱근오차(Root Mean Square Error, RMSE)를 사용하여 결측 데이터 문제를 극복하는 매우 견고하고 적절한 방법이 있음을 입증하였다. 그 결과, 실험에서는 KNNImputer와 MICE가 BPCA 및 MIDAS 대치보다 더 우수한 성능을 보였으며, BPCA는 MIDAS 알고리즘보다 더 나은 성능을 보였다.

고령화 인구는 전 세계적인 추세이며, 이는 의료비 증가와 간병인력 감소로 인해 많은 국가들이 고령 인구를 부양하는 데 직면한 과제에 직면하면서 사회적 위기를 초래하였다. 수면 관련 장애는 특히 노년층에서 흔한 질환이다. 본 논문에서는 노인의 수면-각성 상태를 모니터링하고 수면의 질을 평가하기 위해, 침대에 고감도 가속도계를 설치하고 각 방에는 수동 적외선(PIR, passive infrared) 모션 센서를 배치한, 단순하면서도 저렴한 비침습적 센싱 환경을 Internet of Health Things(IoHT)의 일반적 프레임워크에 따라 제안한다. 이 환경은 비침습적이며 편안하고 장기간 수면 모니터링에 사용할 수 있으며, 수면 관련 장애의 초기 증상을 감지하고 간병인에게 대응할 수 있다. 우리는 수면의 질과 관련된 서로 다른 일상 생활 상황 하에서 이 환경을 구현하고 파일럿 테스트를 수행하였다. 또한 특징 추출 알고리즘을 개발하고, 수요가 높은 데이터 분석 모델 5가지를 적용하여 상대적 성능을 평가하였다. 본 연구는 Naïve Bayes를 제외한 모든 분류기가 ROC 곡선 아래 면적(Area under ROC curve, AUC) 성능이 90%를 초과하는 수준에서 수면의 질을 효과적으로 탐지할 수 있음을 보여준다. 그중 다층 피드포워드 신경망(multilayer feed-forward neural network)이 가장 우수한 결과를 달성하였으며, 탐지 민감도는 최대 96.61%, 특이도는 91.81%이고 AUC 성능은 94.21%였다.

3D 위상차 현미경은 광독성 및 광표백 없이 살아있는 세포의 장기적인 다세포 과정 관찰을 위한 가장 흔한 영상화 양식 중 하나이다. 이는 암세포의 형태학적 특징을 전이(전이성) 행동의 지표로 사용할 수 있기 때문이다. 그러나 불균일한 조명과 위상차 간섭 고리와 같은 영상 특징은 이러한 영상 분석에 일정한 어려움을 야기한다. 본 연구에서는 3D 위상차 현미경의 형태학적 특징과 스케일드 주성분 분석(scaled principal component analysis)을 결합한 심층 신경망 기반 암세포 분류 방법론을 제안한다. 먼저, 영상의 히스토그램 정보를 기반으로 비균일 조명 보정을 적용하여 영상의 불안정한 밝기 문제를 교정하고, 단일세포 검출을 통해 행-대비(row-contrast) 인공물에 대응하기 위해 영상 강도 기반 전역 임계값 설정(global thresholding) 방법을 사용한다. 또한 각 세포 주위에 나타난 간섭의 비대칭 확산 패턴 때문에, 주성분 분석을 통해 형태학적 특징을 관찰하기 위한 단면(cross-section)을 추출하였다. 이후 국소 봉우리(local peaks)를 밝은 고리 영역으로 간주하는 강도 구배(intensity gradient)로부터 세포 형태를 분석하였다. 봉우리는 추출된 단면의 중심인 세포 영역 중심점에서 바깥 배경까지의 강도 프로파일로부터 계산하였다. 봉우리 정보를 바탕으로 대표적인 형태학적 특징 10가지를 추출하고, 초기 특징을 변환하기 위해 min-max scaler를 적용한 다음, 심층 신경망을 사용하여 활성 및 비활성 암세포를 분류하였다. 제안한 방법은 수신자 조작 특성 곡선(receiver operating characteristic, ROC) 아래 면적(area under the curve) 값 0.944와 동일오류율(equal error rate) 0.091을 달성하였다. 또한 제안된 방법을 적용한 DNN을 이용한 분류의 정확도가 전문가의 수작업 분류 결과에 더 가깝다는 점을 확인하여, 세포 형태의 보다 정밀한 분석이 가능함을 보여주었다. 본 접근법은 환자에서 약물 반응을 평가하기 위한 영상 기반 세포 표현형 프로파일링의 정확도를 향상시킨다.

가스 혼합물에서 가스 성분의 농도 수준을 추정하는 것은 산업 시설, 도시 지역 및 가스 누출이나 축적이 중대한 건강 및 안전 위험을 초래할 수 있는 밀폐 공간을 포함한 다양한 환경에서 예방 조치를 취하고 공공 안전을 보장하는 데 필수적이다. 이는 표적 오염물질에 대한 일반적인 가스 센서가 다른 가스의 영향을 쉽게 받기 때문이다. 본 연구에서는 데이터 분할, 특징 추출 및 정규화의 결합이 두 가지 조합의 가스 수준을 예측하는 데 있어 세 가지 딥러닝 모델—1차원 합성곱 신경망(1-dimensional Convolutional Neural Network, CNN-1D), 장단기 메모리(Long Short-term Memory, LSTM), 게이트 순환 단위(Gated Recurrent Unit, GRU)—의 성능에 미치는 효과를 평가하였다. 우리는 평균 절대 오차(Mean Absolute Error, MAE), 평균 제곱근 오차(Root Mean Squared Error, RMSE), 그리고 R-제곱(R-squared) (R²)을 사용하여 성능을 평가하였다. 평가된 모델 중 GRU 네트워크는 평균 MAE(0.1578), RMSE(0.0481) 및 R²(0.96375) 측면에서 CNN-1D와 LSTM보다 우수한 성능을 보였다. 기존 연구와의 비교 분석을 통해 제안한 GRU 모델이 다른 모델들보다 우수함이 확인되었으며, 이에 가스 농도 추정 과제에 이를 사용할 것을 제안한다.

기억, 사고, 행동 및 일상생활을 수행하는 능력과 같은 인지 기능의 저하를 특징으로 하는 증후군인 치매는 60세 이상에서 흔히 나타난다. 그러나 이를 충분히 조기에 발견하면 지속적인 퇴행을 늦추고 가족과 돌봄 제공자 모두가 겪는 부담을 경감할 수 있을 가능성이 있다. 발병 후 10년 내 사망률이 높을 뿐 아니라 막대한 사회경제적 부담이 뒤따르기 때문에, 연구자들은 치매의 조기 발견, 예측, 모니터링 및 관리에 대한 지능적이고 혁신적인 해결책을 찾기 위해 활발히 노력해 왔다. 이러한 노력은 사물인터넷(IoT), 웨어러블 기술, 그리고 기계학습 알고리즘의 최근 발전에 의해 추진되고 있다. 해결책들은 치매의 수정 가능한 위험 요인에 기반하여 모델링된다. 본 연구에서는 영향을 받은 개인의 건강 관리를 돕기 위해 개발되었거나 구현된 스마트 솔루션들에 대한 설문조사를 수행하였다. 이어서 이러한 해결책의 쟁점과 한계를 검토하고, 여러 치매 위험 요인에 기반하여 모델링된 웨어러블 및 비(非)웨어러블 기술을 포함하는 통합형 해결책이 필요하며 향후 연구의 방향이 되어야 한다고 주장하였다.

정보의 홍수가 발생하여 사람들이 자신이 선호하는 항목을 찾고 필터링하기가 어렵게 되었다. 이러한 문제의 해결책으로 추천 시스템(RSs)이 등장했으나, 협업 필터링과 콘텐츠 기반 필터링을 포함한 전통적인 Appen추천 시스템은 데이터 확장성, 데이터 희소성, 그리고 콜드 스타트 문제와 같은 중대한 과제에 직면해 있으며, 이를 위해 고도화된 해결책이 필요하다. 따라서 우리는 기존의 문제를 해결하기 위해 딥러닝의 결합 모델을 활용하는 순위 및 향상 시퀀스 영화 추천 시스템을 제안한다. 이러한 과제들을 완화하기 위해, 우리는 사용자 정보(나이, 성별, 직업)를 활용하는 RSs 모델을 설계하여 신규 사용자를 분석하고 유사한 선호를 가진 다른 사용자들과 매칭한다. 먼저, 사용자들의 잠재적인 다음 타깃 영화 예측을 효과적으로 수행하기 위해 사용자 행동의 시퀀스를 구성한다. 이후 입력 특징으로 사용자 정보와 영화 시퀀스 임베딩을 결합하여 차원 축소를 수행한 뒤, 이를 트랜스포머 아키텍처와 다층 퍼셉트론(multilayer perceptron, MLP)에 투입한다. 우리의 모델은 사용자 행동 시퀀스에 대한 위치 인코딩을 포함한 트랜스포머 계층과 예측 정확도를 향상시키기 위한 멀티-헤드 어텐션 메커니즘을 통합한다. 더 나아가, 이 시스템은 영화 장르 임베딩에 대해 KMeans 클러스터링을 적용하여 유사한 영화를 군집화하고, 이 클러스터링 정보를 예측 평점과 결합함으로써 타깃 사용자를 위한 개인화 추천에서 다양성을 보장한다. 두 개의 MovieLens 데이터셋(100 Kand 1 M)에서 우리 모델을 평가한 결과, 100 K 데이터셋에 대해 RMSE, MAE, precision, recall, F1 점수가 각각 1.0756, 0.8741, 0.5516, 0.3260, 0.4098로, 1 M 데이터셋에 대해 각각 0.9927, 0.8007, 0.5838, 0.4723, 0.5222로 유의미한 개선을 보였다. 본 접근법은 콜드 스타트 및 확장성 문제를 효과적으로 완화할 뿐만 아니라, Top-N 항목 추천에서 기반 기법들을 능가하여, 풍부한 데이터라는 현대 환경에서의 유효성을 입증한다.