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.
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.
R-FLHE: 계층적 엣지 컴퓨팅에서 비표적 모델 중독 공격에 강건한 연합학습 프레임워크
http://doi.org/10.5626/JOK.2023.50.1.94
연합학습은 데이터 프라이버시를 보장하고 통신 비용을 절감하기 위해 학습된 모델만 수집하는 서버-클라이언트 기반의 분산 학습 방법이다. 최근 엣지 컴퓨팅과 연합학습을 결합하여 미래의 IoT 생태계를 대비한 연구가 진행되고 있지만, 취약성 및 위협을 고려한 연구는 부족하다. 본 논문에서는 비표적 모델 중독 공격으로부터 글로벌 모델이 강건하기 위한 연합학습 프레임워크인 R-FLHE (Robust Federated Learning in Hierarchical Edge computing)를 제안한다. R-FLHE는 클라이언트로부터 학습된 모델을 수집하여 엣지 서버에서 평가하고, 산출된 모델의 손실값을 기반으로 score를 부여한다. R-FLHE는 가장 좋은 score를 가진 엣지 서버의 모델만을 클라우드 서버로 보냄으로써 글로벌 모델의 강건함을 유지한다. 본 논문에서 제안한 R-FLHE는 공격이 발생하더라도 평균 0.81%, 1.88%의 성능 저하만 있을 뿐, 각 연합학습 라운드마다 일정한 성능을 유지하는 강건함을 보인다.
흉부 X-선 영상에서 밝기값 정규화 및 다중 스케일 폐-집중 패치를 사용한 앙상블 딥러닝 모델 기반의 폐렴 자동 분류
http://doi.org/10.5626/JOK.2022.49.9.677
소아 흉부 X-선 영상(CXR)은 밝기값이 불규칙하여 정상과 폐렴을 구분하기 어렵다. 또한 딥러닝 모델은 폐의 외부 영역에 잘못 집중하여 CXR을 오분류할 수 있다는 한계가 있다. 본 논문은 CXR 영상에서 밝기값 정규화 및 다중 스케일 폐-집중 패치를 사용한 앙상블 딥러닝 기반 폐렴 자동 분류 방법을 제안한다. 첫째, 불규칙한 폐 내부 밝기값을 개선하기 위해 세 가지 밝기값 정규화 방법을 각각 수행한다. 둘째, 폐 내부에 집중하여 학습하기 위해 폐 영역을 분할하여 관심 영역을 추출한다. 셋째, 다중 스케일 폐-집중 패치를 사용하여 폐렴의 특징을 학습한다. 마지막으로 분류 성능을 향상시키기 위해 어텐션 모듈을 추가한 앙상블 모델을 사용한다. 실험 결과, CLAHE를 적용한 큰 크기의 패치 사용 시 정확도 92%로 원 영상 대비 5%p 향상된 성능을 보였다. 또한 큰 크기와 중간 크기의 패치를 앙상블한 제안 방법이 정확도 93%로 가장 좋은 성능을 보였다.
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.
복부 CT 영상에서 췌장의 불확실성을 고려한 계층적 네트워크 기반 자동 췌장 분할
http://doi.org/10.5626/JOK.2021.48.5.548
췌장암 검출에서의 췌장 형태 파악을 위해 복부 CT 영상에서 췌장을 분할하는 것이 필요하다. 본 논문에서는 복부 CT 영상에서 췌장의 위치적, 형태적 다양성으로 인해 발생하는 불확실한 영역에 대한 정보를 함께 고려하는 DCNN 기반 췌장 자동 분할 방법을 제안한다. 첫째, 영상 간 밝기값 및 화소 공간의 차이를 줄이기 위해 밝기값 및 공간 정규화를 수행한다. 둘째, 삼단면 U-Net 기반 2.5차원 분할 네트워크 및 다수 투표를 통해 췌장을 위치화한다. 셋째, 위치화된 3차원 췌장 영역에서 췌장의 불확실한 영역 정보를 고려하는 U-Net 기반 3차원 분할 네트워크를 이용하여 췌장을 분할한다. 제안방법을 통한 분할 결과의 DSC는 83.50%로, 횡단면, 관상면, 시상면에서 2차원 U-Net을 이용한 분할, 2.5차원 분할 및 위치화된 영역에서 3차원 U-Net을 이용한 분할 방법 대비 각각 10.30%p, 10.44%p, 6.52%p, 1.14%p, 3.95%p 향상되었다.
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.
불균형 웹 어플리케이션 공격 탐지를 위한 CNN 기반 저복잡도 판정 신뢰도 추정
http://doi.org/10.5626/JOK.2020.47.9.842
최근 웹 어플리케이션 공격의 급격한 증가와 함께 그 종류가 다양해짐에 따라 기존의 기법들만으로는 이를 탐지하는 것에 한계가 있었다. 이러한 문제를 해결하기 위해 convolutional neural network(CNN) 과 같은 기계 학습을 이용한 탐지 기법이 제안되었으나, 이러한 탐지 기법은 판정 오류 샘플에 대한 판정의 신뢰도가 낮다는 단점이 있다. 이 문제를 해결하기 위해, Monte-Carlo batch normalization (MCBN)기법이 제안되었다. 구체적으로, MCBN 기법은 임의의 판정할 샘플이 포함된 서로 다른 mini-batch들을 CNN을 이용하여 반복 판정을 수행하고 이 결과를 평균하여 판정 신뢰도를 추정한다. 그러나 이 기법에서는 mini-batch 를 구성하는 M개의 데이터 중 하나의 판정 데이터를 제외한 모든 데이터에 훈련 데이터를 사용하기 때문에 많은 연산이 요구된다. 따라서 본 논문에서는 불균형 웹 어플리케이션 공격 탐지를 위한 저복잡도 판정 신뢰도 추정 기법을 제안한다. 제안 기법은 판정을 위한 mini-batch 구성 시, 정상 및 공격 샘플 구성 비율을 훈련 과정에서의 비율과 동일하게 유지한다. 이를 위해 판정 데이터에 대한 임시 판정을 이용하여 대략적인 클래스 간 비율을 확인하고 부족한 클래스 데이터를 훈련 데이터로부터 과대표집 하였다. 이를 통해 제안 기법은 MCBN 기법에 비해 계산량을 최대 M배까지 줄였다. 모의 실험 결과로부터, MCBN 기법과 비교하여 판정 성능이 향상되었고 판정 신뢰도 성능저하가 크지 않은 것을 확인하였다.
