심태용 연구실
세종대학교 인공지능데이터사이언스학과
심태용 교수
Machine learning
Ensemble learning
Explainable AI
홈
심태용 연구실
세종대학교 인공지능데이터사이언스학과 심태용 교수
심태용 연구실은 데이터 기반 모델링과 인공지능 적용을 중심으로 연구를 수행합니다. 인공지능데이터사이언스 관점에서 에너지 소비 예측에 대해 설명가능 AI 기반 입력 변수 선택과 클러스터링을 결합한 ML 앙상블을 구성합니다. 의료 분야에서는 point cloud를 활용한 이미지 등록을 목표로 convolutional neural network 기반 coarse registration과 AutoML 기반 surface registration을 수행하며, Bayesian optimization으로 하이퍼파라미터를 자동 최적화합니다. 또한 농업 기계-토양 상호작용 문제에 대해 DEM-MBD 결합 해석 모델과 캘리브레이션을 적용하여 작업 저항력 예측을 지원합니다.
Machine learningEnsemble learningExplainable AIPoint cloud registrationConvolutional neural networks
대표 연구 분야
연구 영역 전체보기
설명가능/클러스터링 기반 에너지 소비 예측 연구
Explanation-Driven and Clustering-Based Energy Consumption Prediction
연구 분야 상세보기
수술 내비게이션을 위한 이미지 기반 표면 정합 자동화 연구
Automated Image-Guided Surgical Navigation Registration
연구 분야 상세보기
농기계 쟁기 작업을 위한 DEM-MBD 결합 해석 기반 저항력 예측 연구
DEM-MBD Coupled Modeling for Draft Force Prediction in Plowing
연구 분야 상세보기
연구 성과 추이
표시된 성과는 수집된 데이터 기준으로 산출되며, 일부 차이가 있을 수 있습니다.
주요 논문
5
논문 전체보기
1
Article
|
인용수 1
·
2025A machine learning ensemble framework based on a clustering algorithm for improving electric power consumption performance
Taeyong Sim, Sang-Hyun Ryu, D.H. Lee, Sujin Lee, Chang-Jae Chun, Hyeonjoon Moon
IF 4.9 (2025)
Scientific Reports
전기 에너지 소비에 대한 정확한 예측은 사용자 편의성과 공급자 효율성 모두에 있어 핵심적이다. 본 연구는 건물 내에서 소비 패턴을 식별함으로써 예측 정확도를 향상시키기 위해 군집화 알고리즘과 머신러닝(ML) 모델을 통합하는 앙상블 접근법을 제안한다. 연구는 한국의 수도권 지역 주거용 아파트를 대상으로 수행되었으며, 4가지 평가 방법(Elbow-Method, Silhouette Score, Calinski-Harabasz Index, Dunn Index)을 5가지 데이터 수집 간격(10분, 1시간, 1일, 1주, 1개월) 전반에 걸쳐 적용하였다. 또한 군집별로 예측 성능이 우수하게 나타난 5가지 ML 모델(CatBoost, Decision Tree, LightGBM, Random Forest, XGBoost)을 평가하였다. 아울러 각 군집에서 높은 성능을 보인 ML 모델들을 통합하여 앙상블 모델을 구성하고, 연구 현장의 총 전기 에너지 소비에 대한 예측 성능을 평가하였다. 최적의 군집화 결과 월 단위로 리샘플링한 전력 데이터에서 2개 군집(C0: 142가구, C1: 206가구)이 도출되었다. CatBoost와 LightGBM은 평균 예측 성능이 가장 높게 나타났다. 두 모델을 각 군집에 적용할 수 있는 가능한 조합에 근거하여 네 가지 앙상블 모델(CB-CB, CB-LGBM, LGBM-CB, LGBM-LGBM)을 개발하였다. 통계 분석 결과 모든 앙상블 모델은 군집화 없이 적용한 대조군의 전통적 ML 접근법에 비해 유의하게 더 우수한 성능을 보였다(p < 0.05 또는 0.01). 본 연구에서 제안된 군집화 기반 ML 앙상블 모델은 각 가구의 고유한 소비 패턴을 반영함으로써 건물에서 소비되는 에너지를 보다 정확하게 예측할 수 있다. 이는 에너지 소비 절감에 효과적으로 기여할 것으로 기대된다.
https://doi.org/10.1038/s41598-025-23978-w
Cluster analysis
Ensemble learning
Silhouette
Ensemble forecasting
Electric energy consumption
Energy consumption
Random forest
Cluster (spacecraft)
2
Article
|
인용수 4
·
2022A Deep Learning-Based Approach for Automated Coarse Registration (ACR) of Image-Guided Surgical Navigation
Hakje Yoo, Taeyong Sim
IF 3.9 (2022)
IEEE Access
거친 등록(coarse registration)은 수술 내비게이션의 정확성을 결정하는 데 있어 첫 단계이다. 본 연구의 목적은 편의성과 정확성을 향상시키기 위한 자동화된 거친 등록(ACR) 방법론을 제시하는 데 있다. 이를 위해 합성곱 신경망(convolutional neural network)에 기반한 딥러닝 모델을 사용하였다. 학습에 사용한 입력 변수는 의료영상에 기반하여 생성한 가상 환자 점군(virtual patient point-cloud; VPPC)이었다. 출력 변수는 VPPC를 의료영상의 주변 공간으로 전송하는 과정에서 얻어지는 좌표 변환의 값이었다. ACR 모델은 의료영상 및 환자 공간에서 점군의 전역 특징(global features)을 추출하는 단계와 전역 특징을 통해 3차원 좌표 변환의 정보를 예측하는 단계로 구성되었다. x, y, z 축에 대한 예측 회전 값과 실제 회전 값 간의 유사성을 평가한 결정계수(coefficient of determination)는 각각 0.993, 0.989, 0.990이었다. x, y, z 축에 대한 예측 및 실제 이동(translation) 값의 결정계수는 각각 0.993, 0.989, 0.994이었다. ACR을 이용해 3개의 팬텀(phantom)에 대해 거친 등록을 수행한 결과, 환자와 계산단층촬영(computed tomography) 점군 간 등록 오차는 각각 3.813 ± 0.792, 3.786 ± 0.734, 3.653 ± 0.668 mm로, 기존 방법의 등록 오차(4.671 ± 0.738, 4.865 ± 0.776, 4.670 ± 0.455 mm)보다 유의하게 개선되었다. 제안된 방법은 거친 등록을 자동화함으로써 수술 전 준비 단계에서 편의성을 제공할 수 있다. 또한, 시술자(operator)에 의해 발생할 수 있는 무작위 오류를 제거함으로써 반복성과 재현성(repeatability and reproducibility)을 제공할 수 있을 것으로 기대된다.
https://doi.org/10.1109/access.2022.3218458
Artificial intelligence
Image registration
Computer science
Translation (biology)
Convolutional neural network
Point cloud
Coordinate system
Computer vision
Rotation (mathematics)
Similarity (geometry)
3
Article
|
·
인용수 9
·
2022Automated machine learning (AutoML)‐based surface registration methodology for image‐guided surgical navigation system
Hakje Yoo, Taeyong Sim
IF 3.8 (2022)
Medical Physics
배경: 표면 정합(surface registration) 기술은 비교적 안전하고 수술 소요 시간이 짧다는 장점이 있으나, 대체로 정확도가 낮다는 단점이 있다. 목적: 본 연구는 영상 유도 수술 항법 시스템의 정확도를 향상시키기 위해 자동화된 기계학습(AutoML) 기반 표면 정합을 제안한다. 방법: 최신 표면 정합 개념은 먼저 신경망 모델을 사용하여 광학 추적 시스템(OTS)의 수동 프로브로 획득한 얼굴 정보와 일치하는 새로운 점군(point-cloud)을, 컴퓨터 단층촬영(computed tomography)으로부터 얻은 얼굴 정보로부터 추출하는 것이다. 그 다음 새로 추출한 점군과 OTS 정보를 대상으로 반복적 최근접점(iterative closest point, ICP) 알고리즘을 적용하여 표면 정합의 정확도를 나타내는 표적 등록 오차(target registration error, TRE)를 계산한다. 이 과정에서 신경망 모델과 ICP 알고리즘에 사용되는 하이퍼파라미터는 기대개선(expected improvement)을 이용한 베이지안 최적화(Bayesian optimization)로 자동 최적화되어 정합 정확도가 향상되도록 한다. 결과: 제안된 표면 정합 방법론을 사용한 경우, 연성 팬텀(soft phantoms)에서 부비동 공간과 비강 내에 위치한 표적들의 평균 TRE는 0.939 ± 0.375 mm로, 기존 표면 정합 방법으로 계산된 평균 TRE 2.227 ± 0.193 mm에 비해 57.8% 향상되었으며(p < 0.01), 이는 통계적으로 유의하였다. 또한 제안된 방법론의 성능을 평가하였고, 제안된 방법론과 기존 방법에 의해 계산된 평균 TRE는 각각 0.767 ± 0.132 mm와 2.615 ± 0.378 mm로 나타났다. 더불어 한 명의 건강한 성인에서 AutoML 기반 표면 정합의 임상적 적용 가능성도 제시하였다. 결론: 본 연구 결과는 표면 정합 기술의 장점을 유지하면서도 등록 정확도를 향상시킬 수 있음을 보여준다.
https://doi.org/10.1002/mp.15696
Artificial intelligence
Iterative closest point
Image registration
Computer science
Computer vision
Navigation system
Point cloud
Hyperparameter
Medical imaging
Process (computing)
최신 정부 과제
1
과제 전체보기
1
주관|
2018년 6월-2021년 8월
|150,000,000원수술용 내비게이션의 표면정합 시 병변정합오차를 최소화하기 위한 곡면 기반의 향상된 Iterative closest point(ICP) 알고리즘 개발
본 연구는 수술용 내비게이션에서 CT와 카메라의 표면을 맞추는 정합 기술을 고도화하여 수술 정확도를 확보하는 연구임.
연구 목표는 곡면 기반 최적 정합점 탐색 알고리즘을 탑재해 병변정합오차(1.5~2.4mm)를 1.5mm 이내로 향상하는 데 있음. 핵심 연구 내용은 CT 포인트 기반 안면정보를 Least square projection으로 곡면화하고, 군집화 알고리즘으로 부분 안면을 연속 곡면으로 재구성하며, 재구성 곡면의 최단거리 포인트 기반 정합점 생성 후 ICP로 병변정합오차를 기존 방법과 비교하는 과정임. 기대 효과는 정상조직 손상 최소화, 수술시간 단축, 삽입술·조직생검술 등 적용 확대, CT-MRI 정합 및 컴퓨터 비전·수술용 로봇 안정성 기반기술로의 확장임.
수술유도항법장치
표면정합
곡면기반
멀티모달의료영상 알고리즘
병변정합오차
최신 특허
특허 전체보기
전체 특허
공동주택의 다중 도메인 이상 탐지 방법 및 그 장치
상태
공개출원연도
2023출원번호
1020230188763