인간의 호흡 정보는 의료 영역에서 건강 상태의 분석을 가능하게 하는 생체인식 정보의 중요한 출처로 활용되고 있다. 특정 호흡 패턴의 빈도 또는 지속 시간의 분석, 그리고 일정 기간 동안 해당 구간에서 호흡 패턴을 분류하는 일은 호흡 정보를 다양한 방식으로 활용하는 데 중요하다. 기존 방법들은 일정 기간의 호흡 데이터로부터 각 호흡 패턴에 대해 구간을 분류하기 위해 윈도 슬라이딩 처리(window slide processing)를 요구한다. 이 경우 하나의 윈도 내에 여러 호흡 패턴이 존재하면 인식률이 저하될 수 있다. 이를 해결하기 위해 본 연구에서는 1D 시암네트워크(Siamese neural network, SNN) 기반 인간 호흡 패턴 탐지 모델과, 모든 호흡 구간 각각에서 각 구역에 존재하는 다중 호흡 패턴을 분류하기 위한 merge-and-split 알고리즘을 제안한다. 각 패턴에 대한 호흡 범위 분류 결과에 대해 교집합 대비 합집합(intersection over union, IOU)으로 정확도를 계산한 결과, 기존 심층신경망(deep neural network, DNN)과 비교해 약 19.3%, 1D 합성곱신경망(1D convolutional neural network, CNN)과 비교해 약 12.4% 향상됨을 확인하였다. 단순 호흡 패턴에 기반한 탐지 정확도는 DNN보다 약 14.5%, 1D CNN보다 약 5.3% 높았다.

인간의 호흡 정보는 의료 영역에서 건강 상태의 분석을 가능하게 하는 생체인식 정보의 중요한 출처로 활용되고 있다. 특정 호흡 패턴의 빈도 또는 지속 시간의 분석, 그리고 일정 기간 동안 해당 구간에서 호흡 패턴을 분류하는 일은 호흡 정보를 다양한 방식으로 활용하는 데 중요하다. 기존 방법들은 일정 기간의 호흡 데이터로부터 각 호흡 패턴에 대해 구간을 분류하기 위해 윈도 슬라이딩 처리(window slide processing)를 요구한다. 이 경우 하나의 윈도 내에 여러 호흡 패턴이 존재하면 인식률이 저하될 수 있다. 이를 해결하기 위해 본 연구에서는 1D 시암네트워크(Siamese neural network, SNN) 기반 인간 호흡 패턴 탐지 모델과, 모든 호흡 구간 각각에서 각 구역에 존재하는 다중 호흡 패턴을 분류하기 위한 merge-and-split 알고리즘을 제안한다. 각 패턴에 대한 호흡 범위 분류 결과에 대해 교집합 대비 합집합(intersection over union, IOU)으로 정확도를 계산한 결과, 기존 심층신경망(deep neural network, DNN)과 비교해 약 19.3%, 1D 합성곱신경망(1D convolutional neural network, CNN)과 비교해 약 12.4% 향상됨을 확인하였다. 단순 호흡 패턴에 기반한 탐지 정확도는 DNN보다 약 14.5%, 1D CNN보다 약 5.3% 높았다.

본 연구에서는 1차원(Dimensional) 합성곱 신경망(CNN)에서 호흡 패턴 인식 정확도를 향상시키기 위해 최적의 하이퍼파라미터 조합을 찾는 방법을 제안한다. 제안된 방법은 화성 탐색(harmony search) 알고리즘을 이용하여 1D CNN과 통합되도록 설계되었다. 실험에서는 1D CNN의 합성곱 층 깊이, 각 층에서의 커널 수 및 크기, 그리고 밀집(dense) 층의 뉴런 수를 최적화 대상 하이퍼파라미터로 사용하였다. 실험 결과, 제안된 방법은 다섯 가지 호흡 패턴에 대해 평균 약 96.7%의 인식률을 제공하였으며, 이는 기존 방법에 비해 약 2.8% 향상된 것이다. 또한 최적의 하이퍼파라미터 조합을 도출하는 데 필요한 반복 횟수는 선행 연구에서 2,000,000회였다. 이에 비해, 제안된 방법은 단 3652회의 반복만 필요하였다.

폐렴은 세균 또는 바이러스에 의해 발생하는 호흡기 감염으로, 특히 오염 수준이 높고 비위생적인 생활환경 및 과밀 거주가 비교적 흔하며, 더불어 의료 인프라가 충분하지 않은 개발도상국 및 저개발국에서 많은 사람에게 영향을 미친다. 폐렴은 흉막삼출을 유발할 수 있는데, 흉막삼출은 체액이 폐에 차는 상태로 호흡 곤란을 초래한다. 폐렴의 조기 진단은 근치적 치료를 보장하고 생존율을 높이기 위해 중요하다. 흉부 X-선 영상은 폐렴 진단에 가장 널리 사용되는 방법이다. 그러나 흉부 X-선의 판독은 어려운 작업이며 주관적 변이에 취약하다. 본 연구에서는 흉부 X-선 영상을 이용하여 자동 폐렴 검출을 위한 컴퓨터 보조 진단 시스템을 개발하였다. 이용 가능한 데이터의 부족 문제를 해결하기 위해 딥 트랜스퍼 러닝을 적용하였고, 세 가지 합성곱 신경망 모델인 GoogLeNet, ResNet-18, DenseNet-121의 앙상블을 설계하였다. 가중 평균 앙상블 기법을 채택하였으며, 기본 학습기에 부여되는 가중치는 새로운 접근법을 사용하여 결정하였다. 정밀도(precision), 재현율(recall), f1-score, 곡선 아래 면적(area under the curve)의 네 가지 표준 평가 지표 점수를 결합하여 가중치 벡터를 구성하였는데, 문헌의 관련 연구에서는 이 가중치를 흔히 실험적으로 설정해 왔으며 이는 오류 가능성이 있다. 제안한 접근법은 Kermany 등이 제공한 공개 폐렴 X-선 데이터셋과 북미방사선의학회(Radiological Society of North America, RSNA)가 제공한 데이터셋, 두 가지에 대해 각각 다섯 겹 교차검증(five-fold cross-validation) 방식으로 평가하였다. 제안된 방법은 Kermany 및 RSNA 데이터셋에서 각각 정확도 98.81%와 86.85%, 민감도 98.80%와 87.02%를 달성하였다. 그 결과는 최신(state-of-the-art) 방법들보다 우수했으며, 또한 제안 방법은 널리 사용되는 앙상블 기법보다 더 나은 성능을 보였다. 데이터셋에 대한 McNemar 및 ANOVA 검정을 이용한 통계 분석은 접근법의 견고성을 보여주었다. 제안 연구의 코드는 https://github.com/Rohit-Kundu/Ensemble-Pneumonia-Detection 에서 제공된다.

COVID-19는 SARS-CoV-2 바이러스에 의해 발생하는 질환이다. COVID-19 바이러스는 감염된 개인과의 접촉을 통해 전파되며, 주로 타액의 비말 또는 비강 분비물을 통해 이루어진다. 대부분의 감염자는 경증 증상을 보이지만, 일부는 급성 호흡곤란 증후군(ARDS)을 발병하여 폐와 심장과 같은 장기에 손상을 일으킨다. 흉부 X선 사진(CXR)은 COVID-19 바이러스를 검출하는 데 도움이 되는 이상 소견을 확인하기 위해 널리 사용되어 왔다. 또한 감염이 매우 의심되는 개인에 대해 초기 선별 절차로도 활용되었다. 그러나 방사선 촬영 기반 CXR의 이용 가능성은 여전히 제한적이다. 이는 COVID-19 검출을 위한 딥러닝(DL) 기반 접근법의 성능을 저해할 수 있다. 이러한 제한을 극복하기 위해, 본 연구에서는 CXR을 생성하기 위한 보조 분류기 생성적 적대 신경망(Auxiliary Classifier Generative Adversarial Network, ACGAN)을 개발하였다. 생성된 각 X선은 COVID-19 양성 또는 정상의 두 범주 중 하나에 속한다. 합성 영상의 적절성을 확보하기 위해, 최신 합성곱 신경망(CNN)을 이용하여 획득한 영상에서 COVID-19를 검출하는 실험을 수행하였다. 모델을 미세조정(fine-tuning)한 결과 98% 이상의 정확도를 달성하였다. 이후 분류 정확도를 유지하면서 특징의 수를 감소시키는 Harmony Search(HS) 알고리즘을 이용한 특징 선택도 수행하였다. 더 나아가 우리는 GAN이 생성한 500장의 COVID-19 방사선 영상을 포함하는 데이터셋을 추가로 공개한다.

사람의 호흡 상태는 신체 건강 상태를 확인하는 데 사용할 수 있는 활력징후 중 하나이다. 호흡 상태는 의료 및 보건 분야에서 다양한 방식으로 측정되어 왔다. 전통적으로 접촉형 센서가 호흡 측정에 사용되었다. 접촉형 센서는 한정된 환경에서만 사용할 수 있기 때문에 주로 의료 분야에서 활용되어 왔다. 최근 연구에서는 비접촉형 센서에 의존하는 초광대역(Ultra-Wideband, UWB) 레이더를 이용하여 사람의 호흡 패턴을 감지하는 방법들을 평가하였다. 선행 연구에서는 UWB 레이더로 획득한 호흡 신호를 주성분 분석(Principal Component Analysis, PCA)로 분석하여 수면 중 무호흡(apnea) 패턴을 평가하였다. 그러나 보건의료 분야에서 개인의 건강 상태를 보다 정확하게 분석하기 위해서는 무호흡 이외에도 다양한 호흡 패턴을 측정할 필요가 있다. 따라서 본 연구에서는 UWB 레이더로 획득한 호흡 신호로부터 1D 합성곱 신경망(1D convolutional neural network)을 이용하여 네 가지 호흡 패턴을 인식하는 방법을 제안하였다. 제안된 방법은 UWB 레이더에서 유두호흡(eupnea), 서호흡(bradypnea), 과호흡(tachypnea), 그리고 무호흡(apnea) 호흡 패턴을 추출하고, 학습 데이터셋을 구성한다. 제안된 방법은 1D CNN을 통해 데이터를 학습하였으며, 인식 정확도를 측정하였다. 본 연구의 결과는 제안된 방법의 정확도가 기존 분류 알고리즘들(즉, PCA 및 서포트 벡터 머신(Support Vector Machine, SVM))에 비해 최대 15% 높음을 보여주었다.

최근 다양한 연구가 의료 및 보건 분야에서 수면의 질에 대해 수행되어 왔다. 이러한 분야에서의 수면 분석은 일반적으로 수면다원검사(polysomnography)를 통해 이루어진다. 그러나 수면다원검사는 신체에 센서 장치를 부착해야 하므로 물리적 접촉의 불편함과 민감성으로 인해 정확한 수면 측정이 어려울 수 있다. 최근에는 이러한 문제를 해결하기 위해 비접촉 환경에서도 생체신호를 획득할 수 있는 Ultra-wideband Radar와 같은 센서를 활용하는 연구가 주목받고 있다. 본 논문에서는 Ultra-wideband Radar를 이용하여 호흡 신호 데이터를 획득하였고, 신호 데이터로부터 다섯 가지 호흡 패턴(정상호흡, Bradypnea, Tachypnea, Apnea, Motion)을 분류하고 인식할 수 있는 1D CNN(1차원 Convolutional Neural Network) 모델을 제안하였다. 또한 제안된 모델에서는 (층의 깊이, 커널 크기, 커널의 개수)와 같은 파라미터 조합에 대한 인식률 실험을 통해 최적의 파라미터 범위를 도출하였다. 제안 방법을 적용하여 실험한 다섯 가지 호흡 패턴의 평균 인식률은 93.9%였으며, 이는 기존 방법(LDA, SVM 및 MLP)보다 약 3%~13% 더 높은 수준이다.

얼굴 인식은 얼굴 영상에서 특징을 추출하고, 이를 다양한 알고리즘을 통해 학습하여 학습된 데이터와 새로운 얼굴 영상에서의 특징과 비교하여 사람을 인식하는 기술로 인식률을 향상시키기 위해서 다양한 방법들이 요구되는 기술이다. 얼굴 인식을 위해 학습 단계에서는 얼굴 영상들로부터 특징 성분을 추출해야 하며, 이를 위한 기존 얼굴 특징 성분 추출 방법에는 선형판별분석(Linear Discriminant Analysis, LDA)이 있다. 이 방법은 얼굴 영상들을 고차원의 공간에서 점들로 표현하고, 클래스 정보와 점의 분포를 분석하여 사람을 판별하기 위한 특징들을 추출하는데, 점의 위치가 얼굴 영상의 화소값에 의해 결정되므로 얼굴 영상에서 불필요한 영역 또는 변화가 자주 발생하는 영역이 포함되는 경우 잘못된 얼굴 특징이 추출될 수 있으며, 특히 일반 카메라 영상을 사용하여 얼굴 인식을 수행하는 경우 얼굴과 카메라 간의 거리에 따라 얼굴 크기가 다르게 나타나 최종적으로 얼굴 인식률이 저하된다. 따라서 본 논문에서는 이러한 문제점을 해결하기 위해 일반 카메라를 이용하여 얼굴 영역을 검출하고, 검출된 얼굴 영역에서 Gabor Filter를 이용하여 계산된 얼굴 외곽선을 통해 불필요한 영역을 제거한 후 일정 크기로 얼굴 영역 크기를 정규화하였다. 정규화된 얼굴 영상을 선형 판별 분석을 통해 얼굴 특징 성분을 추출하고, 인공 신경망을 통해 학습하여 얼굴 인식을 수행한 결과 기존의 불필요 영역이 포함된 얼굴 인식 방법보다 약 13% 정도의 인식률 향상이 가능하였다.

본 논문에서는 카메라 파라미터가 필요 없는 역 투시변환 화면 영상에서 차선 변화벡터와 카디널 스플라인을 이용하여 차선의 변화에 강인한 곡선 차선 검출 방법을 제안한다. 이 방법은 역 투시변환과 차선 필터의 전 과정을 적용한 영상에서 S 프레임 및 그 다음 S+1 프레임에 예상 차선 영역을 설정하여 차선 영역을 검출하고, 검출된 차선 영역으로부터 차선 변화벡터를 계산한 결과를 이용하여 이후 프레임에서 차선 위치에 해당하는 점들을 예측한다. 또한 다음에 예상된 차선 위치로부터 스캔 영역을 설정하고, 이 영역 내에서 새로운 차선 위치를 검출하며, 검출된 차선 위치를 이용해 차선 변화벡터를 갱신한 후 차선 영역 내부의 제어 점들에 카디널 스플라인을 적용하여 차선을 검출한다. 제안하는 방법은 곡선 차선 검출에 강인한 방법이지만 직선 차선에도 적용 가능함을 보였으며, 한 프레임을 처리하는 데 약 20ms 정도의 우수한 차선 검출 속도를 나타냈다.