• Journal of Chest Surgery
• /
• 제31권4호
• /
• pp.353-361
• /
• 1998

저온 요법은 심장수술중 심근 보호에 있어서 기본적인 요소로 널리 인식되어 왔다. 비록 저온 요법이 산소 요구량을 감소시켜 허혈성 심정지의 기간을 연장시키지만 저온 요법은 효소 기능과 에너지 생성, 세포 보존에 해를 끼치는 등의 단점을 나타낸다. 심장의 이상적인 보호 상태는 전기 기계적으로 정지하는 상태이며 혈액에 의해서 관류되는 상태 즉 호기의 심정지라고 생각된다. 전기 기계적 정지, 연속적인 온혈 심정지액의 관류에 의한 정온 호기 상태의 심정지에 기초를 둔 새로운 방법의 심근 보호법이 개발되었다. 1994년 1월부터 1996년 6월까지 간헐적 냉각 심정지액으로 심근 보호를 시행한 31명의 판막 수술을 받은 환자와 연속 온혈 심정지액을 사용하여 심근 보호를 실시한 30명의 판막 수술을 받은 환자를 임상적으로 비교 분석 하였다. 저자들의 결과는 연속 온혈 심정지액을 사용한 판막 수술을 받은 환자는 적어도 냉각 심정지액을 사용한 환자보다 대동맥 차단 해제후 자연 심박 재개율이 높으며, 술후 심부종이 발생하지 않아 심막 절개 부위의 봉합율이 높고 술후 12시간 동안의 배설되는 소변량이 증가된다는 점 및 좌측 횡격막 상승 소견이 없었으며 술후 1시간 및 12시간의 심근 효소 검사상 연속 온혈 심정지액을 사용한 군에서 그 수치가 낮은점 등으로 안전하고 효과적인 심근 보호가 이루어졌으며, 개념적으로 이것은 심장수술중에 우수한 심근 보호를 유지하는 새로운 방법임을 알 수 있었다.

• Journal of Chest Surgery
• /
• 제29권12호
• /
• pp.1323-1328
• /
• 1996

저자들은 1992년 10월부터 1994년 8월사이에 전남대학교병원 흉부외과에서 좌주관동맥협착으로 외과적 치료를 받았던 21례의 임상소견을 분석, 보고하고저 한다. 남자가 12례, 여자가 9례였으며 연령은 75세부터 67세가지로 평균 49.12$\pm$12.54세였다. 불안정 협심증이 14례 (66.7%), 안정 협심증이 4례(19. 0%).급성 심근경색증이 3례였다 병변은 단순 좌주관동맥협착이 11례(52.4%)로 가장 많았는데 이중 5 례가 좌주관동맥개구부헙착 환자였으며 단일, 이중, 삼중 관동맥협착과 동반된 례가 4례(19.0%), 3례 (14.2%). 3례(14.2%)이었다. 수술수기로는 16례 에서 관동맥우회로이식술을, 개구부협착만 있었던 5례에서 자가 심낭을 이용한 개구부성 형술을 시행하였는데 관동맥우회로이식술을 시행하였던 전례에서 내유동맥을 사용하여 좌전하행지에 문합하였고, 1례에서는 대둔지에 연쇄문합을 실시하였다. 술후 1례(4. 76%)가 출혈 및 저심박출증으로 술후 2일째 사망하였으며 수술합병증으로는 출혈에 의한 재수술 2례, 창상감염 2례 및 부정맥 1례 등이 있었다. 좌주관동맥질환의 외과적 치료후 수술사망율이나 합병증 발 생율은 다른 부위의 관동맥질환의 외과적 치료에 비해 높지 않았으며 40대 이하의 여자에서 발생빈도가 높은 좌주관동맥 개구부형 착에서는 미용상의 문제, 혈역학적 특성 및 향후 재수술시 이식편 등을 고려할 때 자가 심낭을 이용한 개구부성 형술이 의의있는 수술수기로 생각된다.

• 대한원격탐사학회지
• /
• 제37권2호
• /
• pp.275-290
• /
• 2021

대기 중의 이산화황(SO2)은 주로 인위적 배출원에 의해 발생하며 화학 반응을 통해 (초)미세먼지를 형성하여 직간접적으로 주변 환경 및 인체 건강에 해로운 영향을 주는 물질이다. 특히 지상에서의 농도는 인간 활동과 밀접한 관련이 있어 모니터링의 필요성이 매우 크다. 따라서, 본 연구에서는 TROPOMI SO2 연직 컬럼 농도 산출물 및 타 위성 산물과 모델 산출물 등을 융합 활용하여 기계학습 기법에 적용하여 SO2 지상 농도 추정모델을 개발하였다. 기계학습 기법으로는 널리 활용되고 있는 RF(Random Forest)에 잔차 보정 과정을 결합한 2-step 잔차 보정 RF를 적용하였다. 개발된 모델은 무작위, 공간 및 시간별 10-fold 교차 검증을 통하여 검증하였으며, 기울기(slope) 값이 1.14-1.25, 상관계수(R) 값이 0.55-0.65, rRMSE 값이 약 58-63% 정도로 나타났다. 이는 잔차 보정이 적용되지 않은 기존의 RF 대비 slope의 경우 약 10%, R과 rRMSE의 경우 약 3% 가량 향상된 결과를 보인다. 국가별로 나누어 분석하였을 때에는 샘플 수가 적고 SO2의 전반적인 농도가 낮은 일본 지역에서의 공간별 10-fold 교차검증 성능이 소폭 감소하는 것으로 나타났다. SO2 지상농도 분포를 계절별로 표출하였을 때, 일본의 경우 다른 지역 대비 연중 저농도가 관찰되며 높은 결측 값 비율로 인하여 관측소 농도 대비 2-step 잔차 보정 RF 모델에서 과대 모의하는 경향이 관찰되었다. 대표적 고농도 발생지인 중국의 YRD(Yangtze River Delta) 와 한국의 SMA(Seoul Metropolitan Area)의 계절적 분포 변화를 추가적으로 분석하였을 때, 연료 연소로 인한 겨울철 농도 증가 패턴이 나타났다. 이는 인위적 배출원의 영향을 크게 받는 SO2의 시공간적인 분포 특성을 잘 반영하고 있는 결과이다. 따라서, 본 연구를 통하여 제안한 모델은 장기적으로 SO2 지상 농도의 시공간적 분포를 파악하는 데에 활용될 수 있을 것으로 기대된다.

• 기록학연구
• /
• 제13호
• /
• pp.179-203
• /
• 2006

이 연구에서는 조선총독부 공문서와 같이 불균형 잔존하는 행정기록의 평가 방법과 절차를 개발하였다. 이를 위해 먼저 기존의 평가이론을 재구성하였다. 쉘렌버그 등의 평가론은 기록에 내재하는 가치를 평가하는 데 초점이 맞추어져 있었는데 반해 기능평가론 등에서는 기록 그 자체보다는 기록을 발생시킨 업무 행위를 평가하는 데에 주목하였다. 하지만 기록이 업무행위의 재현물이라는 점에서 볼 때 이 양자는 철학적으로 같은 것이며, 따라서 그 방법과 절차를 제대로 설계한다면 양자를 절충하여 사용하는 것이 가능하다. 또한 상대 평가의 방식이 거시적, 균형적 측면에서의 강점을 지닌다면 절대평가의 방식은 미시적 측면에서의 강점을 지니므로 이 역시 양자의 절충적 방법론을 구사하는 것이 가능하다. 이와 같이 기존의 평가이론들은 구체적인 평가 방법론의 개발이라는 측면에서는 상황과 대상의 특성에 따라 얼마든지 여러 형태로 조합할 수 있는 상호보완적 성격의 것들이라고 판단된다. 특히 이 글에서 다루고 있는 불균형 잔존 행정기록의 경우에는 어느 이론 하나를 취하여 방법과 절차를 세우는 것보다 이론에서 제시된 유용한 방법과 절차들을 적절하게 조합하는 일이 긴요하다. 조선총독부의 공문서를 평가하기 위해서는 먼저 처무규정류를 분석하여 총독부의 조직, 기능을 파악하고, 역사 해석적 방법을 동원하여 이들에 대한 거시적 가치 평가를 해야한다. 이를 토대로 하여 기능, 세부기능의 가치 서열을 고려한 조직기능 맵을 구성하여 이에 해당 기록을 매핑한다. 그런 다음 기록관리기관의 내적 환경등을 고려하여 평가 전략을 수립하고, 이를 토대로 다량 잔존 기록에 대해서는 상대 평가에 의한 미시평가를, 소량 잔존기록에 대해서는 오럴 자료의 생산 등 다른 수단을 제공하는 일 등을 수행한다. 이 연구는 기능분석, 역사해석적 작업, 기록의 상태평가 방법, 기준, 조선총독부 관보 및 기타 자료의 분석법 및 절차, 평가 아웃풋 이미지의 제시 등의 측면까지는 아직 이르지 못했다. 그런 의미에서 아직은 제언에 불과하고 앞으로의 연구 진척을 통해 부족한 부분 메워가야 할 것이다.

• 마이크로전자및패키징학회지
• /
• 제28권3호
• /
• pp.1-7
• /
• 2021

본 논문에서는 Bare-die Chip 형태의 Drive amplifier를 Ajinomoto Build-up Film (ABF)와 FR-4로 구성된 PCB에 내장함으로써 28 GHz 대역 모듈에서 적용될 수 있는 내장형 능동소자 모듈을 구현하였다. 내장형 모듈에 사용된 유전체 ABF는 유전율 3.2, 유전손실 0.016의 특성을 가지고 있으며, Cavity가 형성되어 Drive amplifier가 내장되는 FR4는 유전율 3.5, 유전손실 0.02의 특성을 가진다. 제안된 내장형 Drive amplifier는 총 2가지 구조로 공정하였으며 측정을 통해 각각의 S-Parameter특성을 확인하였다. 공정을 진행한 2가지 구조는 Bare-die Chip의 패드가 위를 향하는 Face-up 내장 구조와 Bare-die Chip의 패드가 아래를 향하는 Face-down내장 구조이다. 구현한 내장형 모듈은 Taconic 사의 TLY-5A(유전율 2.17, 유전손실 0.0002)를 이용한 테스트 보드에 실장 하여 측정을 진행하였다. Face-down 구조로 내장한 모듈은 Face-up 구조에 비해 Bare-die chip의 RF signal패드에서부터 형성된 패턴까지의 배선 길이가 짧아 이득 성능이 좋을 것이라 예상하였지만, Bare-die chip에 위치한 Ground가 Through via를 통해 접지되는 만큼 Drive amplifier에 Ground가 확보되지 않아 발진이 발생한다는 것을 확인하였다. 반면 Bare-die chip의 G round가 부착되는 PCB의 패턴에 직접적으로 접지되는 Face-up 구조는 25 GHz에서부터 30 GHz까지 약 10 dB 이상의 안정적인 이득 특성을 냈으며 목표주파수 대역인 28 GHz에서의 이득은 12.32 dB이다. Face-up 구조로 내장한 모듈의 출력 특성은 신호 발생기와 신호분석기를 사용하여 측정하였다. 신호 발생기의 입력전력(P_in)을 -10 dBm에서 20 dBm까지 인가하여 측정하였을 때, 구현한 내장형 모듈의 이득압축점(P_1dB)는 20.38 dB으로 특성을 확인할 수 있었다. 측정을 통해 본 논문에서 사용한 Drive amplifier와 같은 Bare-die chip을 PCB에 내장할 때 Ground 접지 방식에 따라 발진이 개선된다는 것을 검증하였으며, 이를 통해 Chip Face-up 구조로 Drive amplifier를 내장한 모듈은 밀리미터파 대역의 통신 모듈에 충분히 적용될 수 있을 것이라고 판단된다.

• 지능정보연구
• /
• 제27권3호
• /
• pp.175-197
• /
• 2021

최근 딥 러닝 기술의 발전으로 뉴스, 블로그 등 다양한 문서에 포함된 텍스트 분석에 딥 러닝 기술을 활용하는 연구가 활발하게 수행되고 있다. 다양한 텍스트 분석 응용 가운데, 텍스트 분류는 학계와 업계에서 가장 많이 활용되는 대표적인 기술이다. 텍스트 분류의 활용 예로는 정답 레이블이 하나만 존재하는 이진 클래스 분류와 다중 클래스 분류, 그리고 정답 레이블이 여러 개 존재하는 다중 레이블 분류 등이 있다. 특히, 다중 레이블 분류는 여러 개의 정답 레이블이 존재한다는 특성 때문에 일반적인 분류와는 상이한 학습 방법이 요구된다. 또한, 다중 레이블 분류 문제는 레이블과 클래스의 개수가 증가할수록 예측의 난이도가 상승한다는 측면에서 데이터 과학 분야의 난제로 여겨지고 있다. 따라서 이를 해결하기 위해 다수의 레이블을 압축한 후 압축된 레이블을 예측하고, 예측된 압축 레이블을 원래 레이블로 복원하는 레이블 임베딩이 많이 활용되고 있다. 대표적으로 딥 러닝 모델인 오토인코더 기반 레이블 임베딩이 이러한 목적으로 사용되고 있지만, 이러한 기법은 클래스의 수가 무수히 많은 고차원 레이블 공간을 저차원 잠재 레이블 공간으로 압축할 때 많은 정보 손실을 야기한다는 한계가 있다. 이에 본 연구에서는 오토인코더의 인코더와 디코더 각각에 스킵 연결을 추가하여, 고차원 레이블 공간의 압축 과정에서 정보 손실을 최소화할 수 있는 레이블 임베딩 방법을 제안한다. 또한 학술연구정보서비스인 'RISS'에서 수집한 학술논문 4,675건에 대해 각 논문의 초록으로부터 해당 논문의 다중 키워드를 예측하는 실험을 수행한 결과, 제안 방법론이 기존의 일반 오토인코더 기반 레이블 임베딩 기법에 비해 정확도, 정밀도, 재현율, 그리고 F1 점수 등 모든 측면에서 우수한 성능을 나타냄을 확인하였다.

• 한국수자원학회논문집
• /
• 제54권spc1호
• /
• pp.1107-1118
• /
• 2021

지구온난화로 인해 발생한 기후변화는 한반도의 홍수, 가뭄 등의 발생빈도를 증가시켰으며, 이로 인해 인적, 물적 피해가 증가한 것으로 나타났다. 수재해 대비 및 대응을 위해서는 국가 차원의 수자원 관리 계획 수립이 필요하며, 유역 단위 수자원 관리를 위해서는 장기간 관측된 유량 자료를 이용하여 도출된 유량지속곡선이 필요하다. 전통적으로 수자원 분야에서 유량지속곡선을 도출하기 위하여 물리적 기반의 강우-유출 모형이 많이 사용되고 있으며, 최근에는 데이터 기반의 딥러닝 기법을 이용한 유출량 예측 기법에 관한 연구가 진행된 바 있다. 물리적 기반의 모형은 수문학적으로 신뢰도 높은 결과를 도출할 수 있으나, 사용자의 높은 이해도가 요구되며, 모형 구동 시간이 오래 걸릴 수 있는 단점이 있다. 데이터 기반의 딥러닝 기법의 경우 입력 자료가 간단하며, 모형 구동 시간이 비교적 짧으나 입력 및 출력자료 간의 관계가 블랙박스로 처리되어 수리·수문학적 특성을 반영할 수 없는 단점이 있다. 본 연구에서는 물리적 기반 모형으로 국내외에서 적용성이 검증된 Soil Water Assessment Tool (SWAT)의 매개변수 보정(Calibration)을 통해 장기간의 결측치 없는 데이터를 산출하고, 이를 데이터 기반 딥러닝 기법인 Long Short-term Memory (LSTM)의 훈련(Training) 데이터로 활용하였다. 시계열 데이터 분석 결과 검·보정 전체 기간('07-'18) 동안 Nash-Sutcliffe Efficiency (NSE)와 적합도 비교를 위한 결정계수는 각각 0.04, 0.03 높게 도출되어 모형에서 도출된 SWAT의 결과가 LSTM보다 전반적으로 우수한 것으로 나타났다. 또한, 모형에서 도출된 연도별 시계열 자료를 내림차순하여 산정된 유량지속곡선과 관측유량 기반의 유량지속곡선과 비교한 결과 NSE는 SWAT과 LSTM 각각 0.95, 0.91로 나타났으며, 결정계수는 0.96, 0.92로 두 모형 모두 우수한 성능을 보였다. LSTM 모형의 경우 저유량 부분 모의의 정확도 개선이 필요하나, 방대한 입력 자료로 인해 모형 구축 및 구동 시간이 오래 걸리는 대유역과 입력 자료가 부족한 미계측 유역의 유량지속곡선 산정 등에 활용성이 높을 것으로 판단된다.

• 한국해양학회지:바다
• /
• 제27권3호
• /
• pp.127-143
• /
• 2022

최근 클라우드 컴퓨팅 환경에서 해양수치모델 실험을 수행하는 많은 연구가 활발하게 진행되고 있다. 클라우드 컴퓨팅 환경은 대규모 자원이 필요한 해양수치모델을 구현하는데 매우 효과적인 수단이 될 수 있다. 정보처리 기술의 발달로 클라우드 컴퓨팅 시스템은 가상화와 원격 고속 네트워크, 직접 메모리 액세스와 같은 수치모델의 병렬처리에 필요한 다양한 기술과 환경을 제공한다. 이러한 새로운 기능은 클라우드 컴퓨팅 시스템에서 해양수치모델링 실험을 용이하게 한다. 많은 과학자들과 엔지니어들은 해양수치모델 실험에 있어서 가까운 미래에 클라우드 컴퓨팅이 주류가 될 것으로 기대하고 있다. 해양수치모델링을 위한 클라우드 컴퓨팅의 처리성능 분석은 수치모델의 수행 시간과 리소스 활용량을 최소화하는 데 도움이 될 수 있으므로 최적의 시스템을 적용하는 데 필수적이다. 특히 모델 격자 내 다양한 변수들이 다차원 배열 구조로 되어 있기 때문에 대량의 입출력을 처리하는 해양수치모델의 구조는 캐시메모리의 효과가 크며, 대량의 자료가 이동하는 통신 특성으로 인해서 네트워크의 속도가 중요하다. 최근에 주요한 컴퓨팅환경으로 자리잡고 있는 클라우드 환경이 이러한 해양수치모델을 수행하기에 적합한지 실험을 통해서 검토할 필요가 있다. 본 연구에서는 상용 클라우드 시스템에서 해양수치모델로 대표적인 Regional Ocean Modeling System (ROMS)와 더불어 다른 해양모델의 클라우드 환경으로 전환에도 도움이 될 수 있게 병렬처리 시스템의 성능을 측정할 수 있는 표준 벤치마킹 소프트웨어 패키지인 High Performance Linpack을 활용하여 초당 부동소수점 연산횟수 처리능력과 및 STREAM 벤치마크를 활용하여 다중 노드들로 구성된 수치모델용 클러스터의 메모리처리성능을 평가하고 비교하였다. 이러한 평가내용은 클라우드 환경에서 해양수치모델을 어떻게 수행할 것인가에 대해 중요한 정보를 제공할 수 있다. 가상화 기반 상용 클라우드에서 얻은 실제 성능 자료와 구성 설정 분석을 통해 가상화 기반 클라우드 시스템에서 해양수치모델의 다양한 격자 크기에 대한 컴퓨터 리소스의 효율성을 평가했다. 본 연구를 통해서 캐시 계층과 용량이 큰 메모리를 사용하는 HPC 클러스터가 ROMS의 성능에 매우 중요하다는 것을 발견했다. 수치모델링의 실행 시간을 줄이기 위해 코어 수를 늘리는 것은 작은 격자 보다 큰 격자 모델에서 더 효과적이다. 이러한 처리 성능 분석 결과는 클라우드 컴퓨팅 시스템에서 해양수치모델을 효율적으로 구축하는 데 중요한 자료로 이용될 것이다.

• 대한원격탐사학회지
• /
• 제39권2호
• /
• pp.207-221
• /
• 2023

본 연구는 천리안위성 2A호의 Level 1B (L1B) 정보를 사용해 지상기온을 추정하기 위한 심층신경망(deep neural network, DNN) 기법을 적용하고 검증을 실시하였다. 지상기온은 지면으로부터 1.5 m 높이의 대기온도로 일상생활뿐만 아니라 폭염이나 한파와 같은 이슈에 밀접한 관련을 갖는다. 지상기온은 지표면 온도와 대기의 열 교환에 의해 결정되므로 위성으로부터 산출된 지표면 온도(land surface temperature, LST)를 이용한 지상기온 추정 연구가 활발하였다. 하지만 천리안위성 2A호 산출물 LST는 Level 2 정보로 구름영향이 없는 픽셀만 산출되는 한계가 있다. 따라서 본 연구에서는 Advanced Meteorological Imager 센서에서 측정된 원시데이터에 오직 복사와 위치보정을 마친 L1B 정보를 사용해 지상기온을 추정하기 위한 DNN 모델을 제시하고 그 성능을 가늠하기 위해 위성 LST와 지상관측 기온 사이의 선형회귀모델을 기준모델로 사용하였다. 연구기간은 2020년부터 2022년까지 3년으로 평가기간 2022년을 제외한 기간은 훈련기간으로 설정했다. 평가지표는 기상청의 종관기상관측소에서 정시에 관측된 기온정보로 평균 제곱근 오차를 사용하였다. 관측지점에서 추출된 픽셀 중 손실된 픽셀의 비율은 LST는 57.91%, L1B는 1.63%를 보였으며 LST의 비율이 낮은 이유는 구름의 영향 때문이다. 제안한 DNN의 구조는 16개 L1B 자료와 태양정보를 입력 받는 층과 은닉층 4개, 지상기온 1개를 출력하는 층으로 구성하였다. 연구결과 구름의 영향이 없는 경우 DNN 모델이 root mean square error (RMSE) 2.22℃로 기준모델의 RMSE 3.55℃ 보다 낮은 오차를 보였고, 흐린 조건을 포함한 총 RMSE는 3.34℃를 나타내면서 구름의 영향을 제거할 수 있을 것으로 보였다. 하지만 계절과 시간에 따른 분석결과 여름과 겨울철에 모델의 결정계수가 각각 0.51과 0.42로 매우 낮게 나타났고 일 변동의 분산이 0.11과 0.21로 나타났다. 가시채널을 고려해 태양 위치정보를 추가한 결과에서 결정계수가 0.67과 0.61로 개선되었고 시간에 따른 일 변동의 분산도 0.03과 0.1로 감소하면서 모든 계절과 시간대에 더 일반화된 모델을 생성할 수 있었다.

• 지능정보연구
• /
• 제23권1호
• /
• pp.95-108
• /
• 2017

최근 알파고의 등장으로 딥러닝 기술에 대한 관심이 고조되고 있다. 딥러닝은 향후 미래의 핵심 기술이 되어 일상생활의 많은 부분을 개선할 것이라는 기대를 받고 있지만, 주요한 성과들이 이미지 인식과 자연어처리 등에 국한되어 있고 전통적인 비즈니스 애널리틱스 문제에의 활용은 미비한 실정이다. 실제로 딥러닝 기술은 Convolutional Neural Network(CNN), Recurrent Neural Network(RNN), Deep Boltzmann Machine (DBM) 등 알고리즘들의 선택, Dropout 기법의 활용여부, 활성 함수의 선정 등 다양한 네트워크 설계 이슈들을 가지고 있다. 따라서 비즈니스 문제에서의 딥러닝 알고리즘 활용은 아직 탐구가 필요한 영역으로 남아있으며, 특히 딥러닝을 현실에 적용했을 때 발생할 수 있는 여러 가지 문제들은 미지수이다. 이에 따라 본 연구에서는 다이렉트 마케팅 응답모델, 고객이탈분석, 대출 위험 분석 등의 주요한 분류 문제인 이진분류에 딥러닝을 적용할 수 있을 것인지 그 가능성을 실험을 통해 확인하였다. 실험에는 어느 포르투갈 은행의 텔레마케팅 응답여부에 대한 데이터 집합을 사용하였으며, 전통적인 인공신경망인 Multi-Layer Perceptron, 딥러닝 알고리즘인 CNN과 RNN을 변형한 Long Short-Term Memory, 딥러닝 모형에 많이 활용되는 Dropout 기법 등을 이진 분류 문제에 활용했을 때의 성능을 비교하였다. 실험을 수행한 결과 CNN 알고리즘은 비즈니스 데이터의 이진분류 문제에서도 MLP 모형에 비해 향상된 성능을 보였다. 또한 MLP와 CNN 모두 Dropout을 적용한 모형이 적용하지 않은 모형보다 더 좋은 분류 성능을 보여줌에 따라, Dropout을 적용한 CNN 알고리즘이 이진분류 문제에도 활용될 수 있는 가능성을 확인하였다.