디지털 라이브러리[ 검색결과 ]
단일 리드 심전도 데이터를 이용한 심혈관 질환 예측
http://doi.org/10.5626/JOK.2024.51.10.928
심혈관 질환을 진단하는 가장 대표적인 방법은 심전도 데이터를 분석하는 것이며, 병원에서 측 정하는 심전도 데이터는 대부분 12개의 리드로 구성되어 있다. 하지만, 웨어러블 헬스케어 기기에서는 일 반적으로 1개의 리드만 측정되며, 심혈관 질환을 진단하는 데에도 한계가 있다. 따라서 본 논문에서는 웨 어러블 헬스케어 기기로 측정 가능한 단일 리드를 사용하여 흔히 발생하는 심혈관 질환인 심방세동, 좌각 차단, 우각차단을 예측하는 연구를 진행하였다. 합성곱 신경망 모델을 기반으로 질환을 예측하였으며 AUC, F1-score를 통해 성능을 측정 및 비교한 결과, 심방세동, 좌각차단, 우각차단의 예측 평균 AUC가 각각 0.966, 0.971, 0.965, F1-score가 각각 0.867, 0.816, 0.848로 우수한 성능을 보이는 것을 확인하였다. 이를 통해 웨어러블 헬스케어 기기에서 획득 가능한 단일 리드만을 활용한 심혈관 질환의 진단 가능성을 확인할 수 있었다.
자기 교사 학습 모델의 특장점 분석과 사진 분류 및 객체 탐지 성능 분석 연구
http://doi.org/10.5626/JOK.2024.51.7.609
최근, 교사 학습 기반의 인공지능 분야가 급속도로 발전하고 있다. 그러나 교사 학습은 정답 값이 지정된 데이터집합에 의존하기 때문에, 정답 값을 확보하기 위한 비용이 커진다. 이러한 문제점을 해 결하기 위해 정답 값없이 사진의 일반적인 특징을 학습할 수 있는 자기 교사 학습(Self-supervised learning)이 연구되고 있다. 본 논문에서는 다양한 자기 교사 학습 모델을 학습 방식과 백본 네트워크 기 준으로 분류하고, 각 모델의 장단점, 성능을 비교 분석하였다. 성능 비교를 위해 사진 분류 작업을 사용하 였다. 또한 전이 학습의 성능을 비교하기 위해 세밀한 예측 과업의 성능 또한 비교 분석하였다. 그 결과, 긍정적 쌍만 사용하는 모델이 노이즈를 최소화하여 부정적인 쌍을 같이 사용하는 모델들보다 높은 성능을 달성하였다. 또한 세밀한 예측의 경우 이미지를 마스킹하여 학습하거나 멀티스테이지 모델 등을 활용하여 지역적인 정보를 추가로 학습하는 방식이 더욱 높은 성능을 달성한 것을 확인하였다.
지하공동구 화재 시계열 데이터 생성을 위한 Convolutional Attention TimeGAN 모델 연구
http://doi.org/10.5626/JOK.2024.51.6.490
지하공동구는 도시 운영과 관리에 필수적인 국가 중요시설이다. 화재는 지하공동구에서 가장 많이 발생하는 재난이며, 인공지능을 이용한 화재 관리 시스템에 대한 요구가 높아지고 있다. 하지만 인공 지능 학습을 위한 화재 데이터 수집은 어렵기 때문에, 실제 화재의 주요 특성을 반영한 데이터 생성 모델 을 활용하는 것이 대안이 될 수 있다. 본 논문에서는 화재 데이터 생성 모델인 CA-TimeGAN을 기반으 로 인공지능 학습 데이터 생성 방안을 제안한다. 학습을 위한 화재 시뮬레이션 데이터 수집을 위해 FDS 가상환경 내에 충북 오창 지하공동구를 조성하였다. 실험에서는 TimeGAN과 CA-TimeGAN으로 각각 생 성한 데이터를 비교하고, 데이터 품질과 실효성을 검증하였다. 판별점수는 CA-TimeGAN과 TimeGAN 모두 0.5로 수렴하였다. 예측 점수는 시뮬레이션 데이터로만 학습한 모델 보다 66.1%, 시뮬레이션 데이터 와 TimeGAN 생성 데이터를 결합하여 반영한 모델 보다 22.9% 향상되었다. PCA 및 t-SNE 분석 결과, 생성 데이터와 시뮬레이션 데이터 분포가 유사한 것으로 분석되었다.
실시간 지하공동구 화재 온도 예측을 위한 Residual CNN-LSTM 모델 연구
http://doi.org/10.5626/JOK.2024.51.2.131
지하공동구는 전력, 통신, 수도, 난방과 같은 라이프 라인을 공동으로 수용하는 국가 중요 시설물이다. 화재는 지하공동구에서 가장 많이 발생하는 사고 유형이며, 신속한 확인과 적절한 조치를 통해 피해를 최소화할 수 있다. 본 논문에서는 잔차 학습 기법을 적용한 CNN을 통해 효율적으로 데이터의 공간적 특성을 추출하는 동시에, 시간 정보를 고려하는 LSTM를 결합한 지하공동구 화재 온도 예측 모델인 Residual CNN-LSTM을 제안한다. 실험에서는 지하공동구 화재 발생 시나리오를 도출하고, 화재 역학 시뮬레이션 소프트웨어를 이용하여 화재 온도 데이터를 수집하였다. 실험 결과에서는 제안된 모델의 잔차 학습의 적절한 깊이를 분석하고, 이를 바탕으로 제안된 모델과 예측 모델들의 성능을 비교하였다. Residual CNN-LSTM은 RMSE 0.061529, MAE 0.053851, MAPE 6.007076으로 비교 모델보다 예측성능이 우수한 것으로 확인되었다.
능동 학습 기반 교차 프로젝트 결함 예측 시스템에 대한 개선 연구
http://doi.org/10.5626/JOK.2023.50.11.931
본 연구는 교차 프로젝트 결함 예측을 위한 능동 학습 기반 시스템에 대한 실용적 개선 방법을 제안한다. 교차 프로젝트 결함 예측의 성능을 실용적으로 높이기 위해 능동 학습을 적용하는 연구가 시도된 바 있다. 그러나 능동 학습 대상 선정과 결함 예측에 수제 특징을 입력으로 사용하는 전통적 기계학습 모델을 사용했기 때문에 특징 추출에 많은 비용이 들고 성능 한계가 있었으며, 입력 프로젝트의 선택에 따른 성능 편차 문제가 남아있었다. 본 연구에서는 다음의 방법을 제안한다. 첫째, 모델 구축 비용을 낮추고 예측 성능을 높이기 위해 소스 코드를 입력으로 사용할 수 있는 딥러닝 모델을 사용한다. 둘째, 딥러닝 모델로 능동 학습 대상을 선정하기 위한 방법으로 베이지안 합성곱 신경망을 적용한다. 셋째, 다중 프로젝트들로부터 학습 데이터 세트를 자동 추출하는 방법을 적용한다. 본 연구를 7개 오픈 소스 프로젝트들에 적용한 결과, 기존 연구 대비 평균 13.58% 개선된 예측 성능을 확인하였다.
객체 탐지를 위한 객체 복사 기반의 적대적 생성 신경망 활용 이미지 데이터 증강 기법
http://doi.org/10.5626/JOK.2022.49.12.1056
컴퓨터 비전 분야에서는 양질의 이미지 데이터가 합성곱 신경망(CNN) 모델의 성능에 중요한 영향을 미친다. 하지만 실제 도메인에서는 충분한 양질의 데이터를 구하는 것이 어렵기 때문에 이미지 데이터의 증강 기법에 대한 연구가 계속해서 이루어지고 있다. 본 논문에서는 기존에 연구되던 적대적 생성 신경망(GAN)과 객체 복사(Copy-Paste) 기반의 증강 기법을 결합하여 더 다양한 이미지 데이터를 생성할 수 있는 이미지 데이터 증강 기법을 제안한다. 경계 상자(bounding box)가 아닌 객체 경계를 잘라내고, 적대적 생성 신경망을 사용하여 객체를 변형함으로써 기존의 픽셀 단위, 이미지 단위에서 벗어난 객체 단위의 이미지 데이터 증강을 보인다.
Transient EMG 신호를 이용한 손가락의 움직임 추정
http://doi.org/10.5626/JOK.2022.49.2.157
본 논문에서는 근전도 신호를 기반으로 손가락의 움직임을 추측하기 위한 딥 러닝 모델을 제안한다. 우리는 또한 모델의 정확도를 평가하고 분석하였다. 우리는 의료 영상의 분석에 널리 이용되는 U-Net의 구조를 모델에 적용하였다. 일반적으로 U-Net은 2차원 영상 처리에 주로 사용된다. 그러나 본 논문에서는 8채널 1차원 시계열 근전도 데이터를 입력으로 사용하고 그 결과로 손가락 움직임에 대한 정보를 얻는다. 8,000개의 동작으로 구성된 데이터 세트를 획득했으며, 이는 훈련 데이터 세트와 평가 데이터 세트로 나누어진다. 모델의 예측 정확도는 약 89.32%이다.
다중 양식의 시각 데이터와 합성 신경망 기반의 오토인코더를 활용한 디자인권 침해 여부 판독 기술
김정걸, 서지유, 이찬재, 조성민, 김승민, 윤석민, 윤영
http://doi.org/10.5626/JOK.2022.49.2.137
최근 진품과 위조품의 차이를 육안으로 구별하기 힘들 정도로 위조품이 점점 정교하게 제조되고 있으며 그 물량이 엄청나게 증가하고 있다. 이를 구분하기 위해서는 해당 물품에 대해 교육을 받은 판독권자가 직접 물품을 검사해야 하나 많은 시간이 소요되어 모든 판독 요청에 응대하기 어렵다. 이 논문에서는 사진 및 도면 이미지를 기반으로 합성곱 신경망과 오토인코더를 활용하여 다수의 물품에 대해 분해 및 파괴 검사를 행하지 않고 검사 물품의 특정 디자인권 침해 여부를 판단하는 확장 가능한 시스템의 설계 및 타당성을 검증하기 위한 실험을 진행하였다.
학습 데이터를 이용한 CNN의 일반화 오류 평가 방법
http://doi.org/10.5626/JOK.2021.48.3.284
우수한 성능의 CNN일지라도 실제 환경을 예상한 테스트 데이터셋 상의 오류인 일반화 오류는 높게 나오는 경우가 있다. 이 일반화 오류를 줄여서 모델이 실제 환경에서도 학습된 성능이 유지될 수 있도록 해야 한다. 본 논문에서는 데이터 다양성이 높은 학습 데이터셋을 통해 학습한 모델이 클래스별로 자주 활성화하는 뉴런 셋을 반응 셋이라 정의한다. 또한 테스트 데이터셋의 데이터 다양성에 따른 일반화 오류의 차이도 고려한다. 본 논문은 이 차이를 상대적 일반화 오류라 정의한다. 본 논문에서는 CNN의 클래스별 반응 셋과 상대적 일반화 오류의 관계를 이용하여서 학습 데이터셋 만을 이용한 CNN의 일반화 오류의 평가 방법을 제안한다. 사례연구를 통해 반응 셋 비율이 상대적 일반화 오류와 관계가 있음을 확인하였으며 본 논문에서 제안한 학습 데이터를 이용한 CNN의 일반화 오류의 평가 방법이 효과적임을 확인하였다.
복수의 엣지 디바이스에서의 CNN 모델 분산 처리를 위한 축소된 분류 모델 활용 기법
http://doi.org/10.5626/JOK.2020.47.8.787
최근 클라우드 서버로 전송되는 막대한 양의 데이터로 인해 발생하는 네트워크 부하 등의 여러 문제로 인하여, 데이터의 수집이 이루어지는 네트워크의 말단에서 자체적으로 데이터를 처리하는 엣지 컴퓨팅에 대한 요구가 증가하고 있다. 그러나 네트워크 말단에 위치한 엣지 디바이스는 대부분 성능이 제한되어 있어 클라우드 서버에서 사용되는 딥러닝 응용을 그대로 사용하기에는 어려움이 있다. 이러한 문제를 극복하기 위해, 본 논문에서는 딥러닝 모델을 축소된 분류 모델들로 나누어 활용해 복수의 엣지 디바이스에서 공동으로 추론을 수행하는 분산 처리 기법을 제안하였다. 여기서 사용된 축소된 분류 모델은 경량화 된 모델 가중치를 가지며, 전체 분류 레이블 중 일부에 해당하는 레이블에 대해 추론을 진행한다. 성능 측정 결과 제안하는 축소된 분류 모델의 결과를 취합하는 분산 처리 기법의 정확도가 기존 모델 대비 더 적은 파라미터를 갖도록 경량화를 하여도 기존 모델과 유사한 수준을 유지할 수 있음을 확인하였다.
