게임은 교육과 의료를 포함한 다양한 분야에 적용되어 왔으며, 그에 따라 각 분야에 특화된 다수의 새로운 게임들이 등장하였다. 따라서 각 유형의 게임에 적합한 플레이어를 확보하기 위해서는 사용자 행동을 이해하는 것이 핵심적이다. 본 연구는 게임 사용자들의 뇌파(EEG)를 측정하고 게임 사용 빈도를 분류함으로써 게임 개발을 개선하는 데 유용한 통찰을 제공한다. 이를 위해 다중모달 모바일 뇌-신체 영상화(multimodal mobile brain-body imaging, MOBI) 데이터셋을 사용하였고, 게임 사용 빈도는 “자주(often)”와 “가끔(sometimes)”으로 범주화하였다. 적절한 분류 정확도를 달성하기 위해, 전두엽(AF)과 측두엽(TP)을 위한 전용 채널을 갖춘 새로운 이중모달 Transformer 아키텍처를 제안한다. 이 구조에서는 합성곱 층, 자기어텐션(self-attention) 메커니즘, 교차어텐션(cross-attention) 메커니즘을 하나의 통합 모델로 결합한다. AF와 TP 채널을 구분하도록 설계된 본 모델은 뇌 영역 간에 기능적 차이를 보이며, 채널 간 상관관계를 보다 상세히 분석할 수 있게 한다. 제안된 모델은 5-폴드 교차검증(five-fold cross-validation, CV)과 피험자 1인 제외 교차검증(leave-one-subject-out cross-validation, LOSO CV)으로 평가되었으며, 각각 88.86%와 85.11%의 분류 정확도를 나타낸다. 게임 플레이 빈도를 효과적으로 분류함으로써, 본 방법론은 목표 지향적 참여를 위한 유용한 통찰을 제공하고, 플레이어 확보를 위한 맞춤형 게임을 개발 및 설계하는 전략적 노력에 기여한다.

다수의 기술이 2D 신호에 대한 센서 대역폭의 한계를 극복하기 위해 개발되어 왔다 [1]. 희소 신호의 기초에 입각하여 정보를 기록하는 데 필요한 측정 횟수를 줄여주는 매력적인 기법인 압축 센싱이 있음에도 불구하고 [2], [3], 비희소 신호로 작업하는 경우 나이퀴스트 주파수(Nyquist frequency)를 초과하는 영역의 정보를 기록하는 일은 여전히 어렵다. 이러한 제약을 바탕으로, 본 논문은 강도(intensity) 형태가 아니라 복소 형식의 응집성(coherent) 신호가 지니는 물리적 대역폭을 활용하는 데 초점을 둔다. 그 결과로 얻어지는 이 방법은 홀로그래픽 다중화(holographic multiplexing)와 샘플링 방식(sampling scheme) 최적화를 결합하여 나이퀴스트 주파수 범위를 초과하는 영역에서 2D 응집성 신호로부터 정보를 획득한다. 이 논문을 이해하기 위한 전제 조건은 기본 대수(basic algebra)와 푸리에 변환(Fourier transform)에 대한 지식이다. 홀로그래피에 대한 친숙함 또한 유익하다.

안구 축장길이(ocular axial length, AL) 측정은 사시 수술이나 백내장 수술과 같은 수술 전 고려되어야 하므로 안과에서 중요하며, 쉽게 얻을 수 있는 망막 안저(retinal fundus) 이미지를 이용한 AL 측정의 자동화가 연구되어 왔다. 그러나 딥러닝 방법의 성능은 사용되는 데이터 세트의 분포에 필연적으로 의존하며, 데이터의 부족은 해결되어야 할 문제이다. 본 연구에서는 AL 추정을 개선하기 위해 안저 이미지 한 쌍과 그에 해당하는 AL을 생성하는 프레임워크를 제안한다. 생성기(generator)의 인코더는 AL 정보를 기반으로 한 메트릭 러닝(metric learning)을 사용하여 독립적으로 학습하였다. 데이터 생성의 유연성을 높이기 위해 생성기에 임의의 벡터(random vector)와 제로 패딩(zero padding)을 포함시킨 다음, 조건 정보로서 AL 정보를 삽입하였다. 제안된 방법으로 생성한 데이터와 사적으로 수집한 실제 데이터를 결합한 데이터 세트에서 학습한 후 AL 추론 모델의 성능을 평가함으로써 이 프레임워크의 효과를 검증하였다. 실제 데이터 세트만을 사용한 경우에 비해, 제안된 방법의 평균 절대오차(mean absolute error)와 표준편차는 각각 10.23과 2.56에서 3.96과 0.23으로 감소하였으며, AL 예측 모델에서 층의 수가 더 적음에도 불구하고 이러한 결과가 관찰되었다.

본 연구에서는 고도로 가속된 T1 파라미터 정량을 위해 데이터 기반 파라미터 모델링을 활용하는 새로운 모델 기반 동시 다중 슬라이스(SMS) 재구성 방법을 제안한다. 미리 정의된 슬라이스 특이적 영공간(null space) 연산자가 파라미터 차원에 따라 불변이라고 가정한다. 우리는 슬라이스 차원에 더해 파라미터 차원을 SMS-HSL에 통합하여 Hankel 구조 행렬과 Casorati 행렬을 활용한다. 이를 고려하여, SMS 신호를 k-p 공간에서 재정의하고, Hankel 구조 행렬에 대한 랭크 결손(rank deficiency)과 파라미터 방향에서 서서히 변화하는 신호를 포함하는 부분공간(subspace)에 대한 유한차원 기저를 활용하는 제약 조건부 최적화 문제로 나타낸다. 제안하는 모델 기반 SMS 재구성 방법은 생체 내(in vivo) 데이터에서 검증되었으며, 슬라이스 가속 계수 3과 5(인-플레인(in-plane) 가속 계수 2 포함)에 대해 최신 방법들과 비교하였다. 실험 결과, 제안 방법은 재구성된 영상과 T1 지도(T1 maps)에서 최신 방법에 비해 높은 정밀도로 슬라이스 언폴딩(slice unfolding)과 신호 복원을 효과적으로 수행함을 보여주었다.

게임은 교육과 의료를 포함한 다양한 분야에 적용되어 왔으며, 그에 따라 각 분야에 특화된 다수의 새로운 게임들이 등장하였다. 따라서 각 유형의 게임에 적합한 플레이어를 확보하기 위해서는 사용자 행동을 이해하는 것이 핵심적이다. 본 연구는 게임 사용자들의 뇌파(EEG)를 측정하고 게임 사용 빈도를 분류함으로써 게임 개발을 개선하는 데 유용한 통찰을 제공한다. 이를 위해 다중모달 모바일 뇌-신체 영상화(multimodal mobile brain-body imaging, MOBI) 데이터셋을 사용하였고, 게임 사용 빈도는 “자주(often)”와 “가끔(sometimes)”으로 범주화하였다. 적절한 분류 정확도를 달성하기 위해, 전두엽(AF)과 측두엽(TP)을 위한 전용 채널을 갖춘 새로운 이중모달 Transformer 아키텍처를 제안한다. 이 구조에서는 합성곱 층, 자기어텐션(self-attention) 메커니즘, 교차어텐션(cross-attention) 메커니즘을 하나의 통합 모델로 결합한다. AF와 TP 채널을 구분하도록 설계된 본 모델은 뇌 영역 간에 기능적 차이를 보이며, 채널 간 상관관계를 보다 상세히 분석할 수 있게 한다. 제안된 모델은 5-폴드 교차검증(five-fold cross-validation, CV)과 피험자 1인 제외 교차검증(leave-one-subject-out cross-validation, LOSO CV)으로 평가되었으며, 각각 88.86%와 85.11%의 분류 정확도를 나타낸다. 게임 플레이 빈도를 효과적으로 분류함으로써, 본 방법론은 목표 지향적 참여를 위한 유용한 통찰을 제공하고, 플레이어 확보를 위한 맞춤형 게임을 개발 및 설계하는 전략적 노력에 기여한다.

다수의 기술이 2D 신호에 대한 센서 대역폭의 한계를 극복하기 위해 개발되어 왔다 [1]. 희소 신호의 기초에 입각하여 정보를 기록하는 데 필요한 측정 횟수를 줄여주는 매력적인 기법인 압축 센싱이 있음에도 불구하고 [2], [3], 비희소 신호로 작업하는 경우 나이퀴스트 주파수(Nyquist frequency)를 초과하는 영역의 정보를 기록하는 일은 여전히 어렵다. 이러한 제약을 바탕으로, 본 논문은 강도(intensity) 형태가 아니라 복소 형식의 응집성(coherent) 신호가 지니는 물리적 대역폭을 활용하는 데 초점을 둔다. 그 결과로 얻어지는 이 방법은 홀로그래픽 다중화(holographic multiplexing)와 샘플링 방식(sampling scheme) 최적화를 결합하여 나이퀴스트 주파수 범위를 초과하는 영역에서 2D 응집성 신호로부터 정보를 획득한다. 이 논문을 이해하기 위한 전제 조건은 기본 대수(basic algebra)와 푸리에 변환(Fourier transform)에 대한 지식이다. 홀로그래피에 대한 친숙함 또한 유익하다.

안구 축장길이(ocular axial length, AL) 측정은 사시 수술이나 백내장 수술과 같은 수술 전 고려되어야 하므로 안과에서 중요하며, 쉽게 얻을 수 있는 망막 안저(retinal fundus) 이미지를 이용한 AL 측정의 자동화가 연구되어 왔다. 그러나 딥러닝 방법의 성능은 사용되는 데이터 세트의 분포에 필연적으로 의존하며, 데이터의 부족은 해결되어야 할 문제이다. 본 연구에서는 AL 추정을 개선하기 위해 안저 이미지 한 쌍과 그에 해당하는 AL을 생성하는 프레임워크를 제안한다. 생성기(generator)의 인코더는 AL 정보를 기반으로 한 메트릭 러닝(metric learning)을 사용하여 독립적으로 학습하였다. 데이터 생성의 유연성을 높이기 위해 생성기에 임의의 벡터(random vector)와 제로 패딩(zero padding)을 포함시킨 다음, 조건 정보로서 AL 정보를 삽입하였다. 제안된 방법으로 생성한 데이터와 사적으로 수집한 실제 데이터를 결합한 데이터 세트에서 학습한 후 AL 추론 모델의 성능을 평가함으로써 이 프레임워크의 효과를 검증하였다. 실제 데이터 세트만을 사용한 경우에 비해, 제안된 방법의 평균 절대오차(mean absolute error)와 표준편차는 각각 10.23과 2.56에서 3.96과 0.23으로 감소하였으며, AL 예측 모델에서 층의 수가 더 적음에도 불구하고 이러한 결과가 관찰되었다.

본 연구에서는 고도로 가속된 T1 파라미터 정량을 위해 데이터 기반 파라미터 모델링을 활용하는 새로운 모델 기반 동시 다중 슬라이스(SMS) 재구성 방법을 제안한다. 미리 정의된 슬라이스 특이적 영공간(null space) 연산자가 파라미터 차원에 따라 불변이라고 가정한다. 우리는 슬라이스 차원에 더해 파라미터 차원을 SMS-HSL에 통합하여 Hankel 구조 행렬과 Casorati 행렬을 활용한다. 이를 고려하여, SMS 신호를 k-p 공간에서 재정의하고, Hankel 구조 행렬에 대한 랭크 결손(rank deficiency)과 파라미터 방향에서 서서히 변화하는 신호를 포함하는 부분공간(subspace)에 대한 유한차원 기저를 활용하는 제약 조건부 최적화 문제로 나타낸다. 제안하는 모델 기반 SMS 재구성 방법은 생체 내(in vivo) 데이터에서 검증되었으며, 슬라이스 가속 계수 3과 5(인-플레인(in-plane) 가속 계수 2 포함)에 대해 최신 방법들과 비교하였다. 실험 결과, 제안 방법은 재구성된 영상과 T1 지도(T1 maps)에서 최신 방법에 비해 높은 정밀도로 슬라이스 언폴딩(slice unfolding)과 신호 복원을 효과적으로 수행함을 보여주었다.

인공지능(AI)은 임상 지원 시스템에서 의학 진단을 위한 적용 방안을 찾아냄으로써 그 활용이 확대되었다 [...] .

희토류 이온이 도핑된 발광 물질은 온도에 따라 민감하게 변하는 광학적 특성으로 인해 원격 광 열측정의 유망한 후보로 여겨진다. 다양한 기법들 가운데, 형광 세기비(FIR) 방법, 특히 여기 상태에서의 열적으로 결합된 준위(thermally coupled levels, TCLs)에 기반한 방법들이 널리 사용된다. 그러나 제한된 스펙트럼 분리와 고온에서의 낮은 발광 대비는 성능을 저해하는 요인으로 작용한다. 본 연구에서는 Eu3+가 ScNbO4에서 갖는 열적으로 결합된 바닥상태(ground states)를 활용하여 열에너지 보조를 통해 FIR 대비를 향상시키는 새로운 전략을 제안한다. 이 접근은 온도가 증가함에 따라 Eu3+ 발광 강도가 유의미하게 증가하도록 한다. 또한, Tb3+ 도핑 ScNbO4를 자체 보정(self-calibrating) 기준으로 사용하였으며 전형적인 열 소광(thermal quenching) 거동을 보였다. Eu3+의 발광은 증가하고 Tb3+의 발광은 감소하는 상반된 발광 반응을 결합함으로써, 향상된 감도와 안정성을 갖춘 고대비 광 열측정 시스템이 개발되었다. 이 시스템은 410 K에서 상대 감도 5.48%K−1을 달성하였고, 550 및 614 nm에서 강한 스펙트럼 분별력을 나타냈다. 결과는 본 접근이 TCL 메커니즘과 비-TCL(non-TCL) 메커니즘의 장점을 효과적으로 통합하여 고정밀 광 열측정으로의 유망한 경로를 제공함을 보여준다.

감시 환경에서 이상 징후를 탐지하기 위해서는 환경의 맥락적 동학, 장면 내 인간의 행동 및 움직임에 대한 이해가 필요하다. 효과적인 이상 탐지는 사건의 ‘어디’와 ‘무엇’을 모두 다루어야 하지만, 단일 양식의 행동 기반 방법이나 LLM이 통합된 멀티모달 프레임워크와 같은 기존 접근법에는 한계가 있다. 이러한 방법들은 암묵적인 장면 정보를 전제로 하여 이상이 발생하는 ‘어디’를 국소화하기가 어렵거나, 시점 변화, 미세한 행동, 저조도 조건, 군집 장면 등 감시 특유의 과제에 적응하지 못한다. 그 결과, 이러한 과제는 실제로 ‘무엇’이 발생하는지에 대한 정확한 탐지를 저해한다. 이를 극복하기 위해, 본 시스템은 경량 장면 분류 모델로부터 특징을 활용하여 사건이 발생하는 ‘어디’를 구분함으로써, 위치 기반의 명시적 맥락을 획득한다. ‘무엇’에 해당하는 사건을 식별하기 위해서는, 이 분야에서 상대적으로 덜 탐구된 원자적 행동(atomic actions)에 초점을 맞추며, 이는 기존의 추상적 행동 특징보다 복잡한 비정상 행동을 해석하는 데 더 적합하다. 견고한 이상 탐지를 달성하기 위해, 제안하는 Temporal-Semantic Relationship Network (TSRN)은 멀티모달 특징 간의 시공간 관계를 모델링하고, 클래스 불균형을 효과적으로 다루기 위해 Segment-selective Focal Margin loss (SFML)를 사용하여 기존의 MIL 기반 방법을 능가한다. 공개 데이터셋에 대한 실험 결과는 제안된 시스템이 오경보를 효과적으로 감소시키면서도 현실 세계 감시 응용에 대해 견고성과 실용성을 유지함을 보여준다.

목적: 비만은 뇌의 기능적 변화와 연관되어 있다. 비만을 가진 개인의 뇌에서 공간적 조직 변화가 널리 연구되어 왔으나, 뇌에서의 시간적 역학은 아직 충분히 이해되지 못하였다. 따라서 본 연구에서는 강화된 Nathan Kline Institute Rockland Sample 데이터베이스의 휴식 상태 기능 및 확산 자기공명영상 자료를 이용하여 비만의 정도에 따라 내재 신경 시간척도(implicit neural timescale, INT)가 어떻게 달라지는지 조사하였다. 재료 및 방법: 우리는 연령과 성별을 통제한 상태에서, 지도 학습(supervised machine learning)을 사용하여 INT와 비만 표현형 간의 관계를 분석하였다. 또한 이러한 영역의 구조-기능 특성을 보다 심층적으로 탐색하기 위해, 구조-기능 결합 행렬로부터 도출한 참여계수(participation coefficients)와 영역 내 모듈 정도(within-module degree)를 분석하여 모듈 네트워크 특성을 평가하였다. 마지막으로, 확인된 영역들의 INT 값을 이용하여 섭식 행동 특성을 예측하였다. 결과: 특히 기본모드, 변연 및 보상 네트워크에서 유의한 음의 상관관계가 관찰되었다. 참여계수와의 음의 연관성을 확인하였으며, 이는 고차 연합 영역에서 더 짧은 INT 값이 네트워크 통합의 감소와 관련됨을 시사한다. 아울러 이러한 확인된 영역들의 INT 값은 섭식 행동을 중등도 수준으로 예측하여, INT가 비만 및 섭식 행동의 후보 표지자(marker)로서의 가능성을 강조하였다. 결론: 본 연구 결과는 비만에서 신경 활동의 시간적 조직에 대한 이해를 제공하며, 행동 결과를 형성하는 데 있어 특정 뇌 네트워크의 역할을 부각한다.