• 자원리싸이클링
• /
• 제26권2호
• /
• pp.46-55
• /
• 2017

본 연구에서는 레이저유도붕괴분광(Laser Induced Breakdown Spectroscopy, LIBS)을 이용하여 방사형 기저함수 신경회로망(Radial Basis Function Neural Networks, RBFNNs) 분류기 설계방법론을 개발하고 실제 폐소형가전제품의 플라스틱 분류 시스템에 적용하였다. ABS, PP, PS와 같은 검정색 플라스틱을 구별하기 위해, 지능형 알고리즘 중 하나인 방사형 기저함수 신경회로망 분류기를 설계하였다. 획득한 입력변수는 주성분 분석법(Principal Component Analysis, PCA)을 이용하여 축소시켰으며, 군집화기법 중 하나인 K-means 클러스터링 방법을 이용해 여러 그룹으로 분할하였다. 전체 데이터는 학습 데이터와 테스트 데이터를 4:1의 비율로 나누었으며, 제안된 분류기의 성능 및 신뢰도를 평가하기 위하여 5-FCV(5-Fold Cross Validation) 기법을 사용하였다. 입력변수와 클러스터의 개수가 각각 5개인 경우, 제안된 분류기의 분류 성능은 96.78%로 나타났다. 또한, 제안된 분류기는 다른 분류기들과 비교하였을 경우 분류 성능의 관점에서 우수성을 보여주었다.

• 분석과학
• /
• 제13권4호
• /
• pp.504-510
• /
• 2000

Glycyrrhizin은 감초(Glycyrrhizae Radix)의 주성분으로써 항궤양, 항염증, 항알러지, 진해작용을 하는 것으로 알려져 있으며 glycyrrhetinic acid에 2당류가 연결된 매우 hydrophilic하고 분자량이 큰(mw=822.92) 물질이다. 본 연구에서는 on-line high performance liquid chromatography (HPLC)/electrospray ionization (ESI)- mass spectrometery (MS)를 이용하여 각종 glycyrrhizin 표준품들의 불순물들에 대한 구조 규명을 하였다. 사용한 HPLC column은 $C_{18}$($3.9{\times}300mm$, $10{\mu}m$)이었으며 이동상은 acetic acid/$H_2O$(1:15):acetonitrile=3:2를 0.8ml/min으로 흘려주었고 용출물을 post-column splitter를 사용하여 50:1로 split시켜서 ESI-MS에 주입하였다. ESI-MS는 negative mode이었으며 CapEx voltage는 100 V에서 각 불순물들의 분자량이 측정되었고 구조규명을 위하여 CapEx voltage를 80-300 V까지 변화시켜주는 CID (collision induced dissoclation) 기법을 사용함으로써 fragment를 얻을 수 있었고 이를 바탕으로 구조규명을 하였다. 주요 불순물의 구조는 glycyrrhetic acid moiety에 수산화기(-OH)가 붙은 형태와 glycyrrhetic acid moiety의 12번 위치에서 환원이 일어난 형태 이었다. 표준품의 순도는 약 90% 정도이었다.

• 한국통신학회논문지
• /
• 제34권12B호
• /
• pp.1336-1348
• /
• 2009

본 논문에서는 무선 애드 혹 네트워크에서 비디오 스트리밍 세션을 위한 무선 단말의 에너지를 고려한 다중 트리 멀티캐스트 기법인 MVM-MAODV를 제안한다. 기존의 단일 트리 멀티캐스트 기법인 MAODV를 기반으로 하여 무선 단말의 잔여 에너지와 사용자의 요구에 따라 차등화된 품질의 비디오를 전달하는 다중 멀티캐스트 트리를 구성한다. 데이터 송신자는 MDC (Multiple Description Coding)로 비디오 데이터를 인코딩하여 두 개 이상의 서브 스트림을 생성한다. 각 멤버 단말은 예상되는 스트림별 패킷 수에 근거하여 자신의 잔여 에너지로 수신 할 수 있는 서브 스트림의 개수를 결정한다. 중간 전달자 역할을 담당하는 무선 단말들도 자신의 잔여 에너지를 고려하여 전송을 지원할 수 있는 서브 스트림을 선택한다. 결과적으로 서브 스트림 별로 멀티캐스트 트리가 구성되게 되고, 데이터 송신자는 이 트리들을 사용해서 서브 스트림들을 분리하여 전송한다. 각 멤버 단말은 참여한 트리의 개수에 따라 다른 품질의 비디오를 수신하게 된다. 시뮬레이션을 통한 성능 분석에서, 단일 멀티캐스트 기법인 MAODV, 기존의 다중 멀티캐스트 트리 기법인 MT-MAODV에 비해 보다 우수한 비디오 품질을 제공할 수 있으며 네트워크 내의 무선 단말들의 에너지를 보존할 수 있음을 보였다.

• 한국지반공학회논문집
• /
• 제22권4호
• /
• pp.41-49
• /
• 2006

이 논문에서는 S파 탄성파 반사법의 토목공학용 지반조사에의 적합성을 검토하기 위한 연구를 다룬다. 높이 약 20m 미만의 암반사면에 대한 S파 탄성파 반사법 탐사를 시행하였다. 탄성파 자료취득에는 표준적인 공심점 기법이 사용되었으며 24채널의 탄성파탐사기와 SH파의 진원으로 해머가 사용되었다. 수진기 전개는 양측전개가 채택되었고 진원점 및 수진점 간격은 각각 2m 이었다. 취득된 자료는 전산처리 과정을 거친 결과 신호대 잡음비가 향상되고 단면의 해상도가 향상되었으며 기반암의 속도정보가 얻어졌다. 최종 S파 반사단면은 1m 미만의 얕은 심도까지 반사파를 보여 주며 해상도는 1m 미만의 초고해상도를 보인다. 구조보정된 단면에서는 야외의 사면노두에서 확인된 층리면 및 단층에 잘 대비되는 뚜렷한 반사파 신호를 보여준다. 이와 같이 S파 탄성파 반사법을 이용하여 천부 지반 지질구조의 정밀한 반사 단면의 작성이 가능하므로 토목공학용 최적 시추공 위치의 결정에 이 방법이 유용하게 쓰일 수 있을 것이다.

• Tuberculosis and Respiratory Diseases
• /
• 제86권3호
• /
• pp.203-215
• /
• 2023

Background: Surgical resection is the standard treatment for early-stage lung cancer. Since postoperative lung function is related to mortality, predicted postoperative lung function is used to determine the treatment modality. The aim of this study was to evaluate the predictive performance of linear regression and machine learning models. Methods: We extracted data from the Clinical Data Warehouse and developed three sets: set I, the linear regression model; set II, machine learning models omitting the missing data: and set III, machine learning models imputing the missing data. Six machine learning models, the least absolute shrinkage and selection operator (LASSO), Ridge regression, ElasticNet, Random Forest, eXtreme gradient boosting (XGBoost), and the light gradient boosting machine (LightGBM) were implemented. The forced expiratory volume in 1 second measured 6 months after surgery was defined as the outcome. Five-fold cross-validation was performed for hyperparameter tuning of the machine learning models. The dataset was split into training and test datasets at a 70:30 ratio. Implementation was done after dataset splitting in set III. Predictive performance was evaluated by R² and mean squared error (MSE) in the three sets. Results: A total of 1,487 patients were included in sets I and III and 896 patients were included in set II. In set I, the R² value was 0.27 and in set II, LightGBM was the best model with the highest R² value of 0.5 and the lowest MSE of 154.95. In set III, LightGBM was the best model with the highest R² value of 0.56 and the lowest MSE of 174.07. Conclusion: The LightGBM model showed the best performance in predicting postoperative lung function.

• 대한토목학회논문집
• /
• 제26권1D호
• /
• pp.41-47
• /
• 2006

교통시설 건설사업을 기획하고 평가하는 단계에서 형평성 및 효율성에 많은 논란이 제기되고 있는 사업들이 존재하고 있다. 그 이유 중의 하나는, 사업의 타당성을 평가함에 있어서 소요되는 비용은 명백히 드러나지만 사업실시에 따른 편익항목의 종류와 기준은 애매모호한 부분이 존재하기 때문이다. 이에 본 연구에서는 편익항목을 설정하는 기준을 명확히 하기 위하여 우선적으로, 부산광역시의 도로 및 도시철도의 시설이용자에 대한 만족도 평가와 함께 교통시설에 있어 기존의 경제성 분석방법으로 평가를 실시하였다. 그 결과 이용자들은 도시철도 이용에 대한 만족감이 도로이용보다는 높게 나타났으나 경제성 분석 방법인 B/C분석을 행한 결과, 도시철도시설이 대상도로에 비해 경제적 타당성이 상당히 낮은 것으로 나타났다. 이와 같은 모순적인 사실은 현재 부산광역시의 인구에 대비한 지하철 수단분담율에 비춰볼 때 편익항목에 대한 설정 기준이 맞지 않아 편익의 값이 다소 적게 산출된 결과라고 판단할 수 있다. 따라서 본 연구에서는 교통시설 건설타당성 평가를 실시할 경우에 고려되어야 할 편익항목들을 열거하고 ANP기법을 통하여 각각의 항목에 대한 가중치를 산정하였다. 그 결과 접근성, 정시성, 주행시간 순으로 높은 가중치를 가지고 있었으며, 기존의 경제성 분석시 고려되는 편익항목보다는 주민의 교통여건향상에 따른 편익항목이 더욱 높은 중요도를 가지고 있는 것을 알 수 있었다.

• Korean Chemical Engineering Research
• /
• 제61권4호
• /
• pp.542-549
• /
• 2023

대안 모델링에 대한 관심이 커진 이후 데이터 기반의 기계학습을 이용하여 비선형 화학 공정을 모사하고자 하는 연구가 지속되고 있다. 그러나 기계 학습 모델의 black box 성질로 인하여 모델의 해석 가능성에 한계는 산업 적용에 걸림돌이 되고 있다. 따라서, 모델의 정확도가 보장된 상태에서 해석력을 부여하는 개념인 설명 가능한 인공지능(explainable artificial intelligence, XAI)을 이용하여 화학 공정 분석을 시도하고자 한다. 기존의 화학 공정 민감도 분석이 변수의 민감도 지수를 계산하고 순위를 매기는 데에 그쳤다면, XAI를 이용하여 전역적, 국소적 민감도 분석뿐만 아니라 변수들 간의 상호작용에 대하여 분석하여 데이터로부터 물리적 통찰을 얻어내는 방법론을 제안한다. 사례 연구의 대상공정인 암모니아 합성 공정에 대하여 첫번째 반응기로 향하는 흐름에 대한 예열기(preheater)의 온도, 세 반응기로 향하는 cold-shot의 분배 비율을 공정 변수로 설정하였다. Matlab과 Aspen plus를 연동하여 공정 변수를 바꿔가면서 암모니아의 생산량과 세 반응기의 최고 온도에 대한 데이터를 얻었으며, tree 기반의 모델들을 훈련시켰다. 그리고 성능이 좋은 모델에 대하여 XAI 기법 중 하나인 SHAP 기법을 이용하여 민감도 분석을 수행하였다. 전역적 민감도 분석 결과, 예열기의 온도가 가장 큰 영향을 미쳤으며 국소적 민감도 분석 결과에서 생산성 향상 및 과열 방지를 위한 공정 변수들의 범위를 규정할 수 있었다. 이처럼 화학 공정의 대안 모델을 구축하고 설명 가능한 인공지능을 이용해 민감도 분석을 진행하는 방법론을 통해 공정 최적화에 대한 정량적, 정성적 피드백을 제안하는 데 도움을 줄 것이다.

• Korean Journal of Radiology
• /
• 제24권9호
• /
• pp.827-837
• /
• 2023

Objective: To investigate the predictive value of radiomics features based on cardiac magnetic resonance (CMR) cine images for left ventricular adverse remodeling (LVAR) after acute ST-segment elevation myocardial infarction (STEMI). Materials and Methods: We conducted a retrospective, single-center, cohort study involving 244 patients (random-split into 170 and 74 for training and testing, respectively) having an acute STEMI (88.5% males, 57.0 ± 10.3 years of age) who underwent CMR examination at one week and six months after percutaneous coronary intervention. LVAR was defined as a 20% increase in left ventricular end-diastolic volume 6 months after acute STEMI. Radiomics features were extracted from the oneweek CMR cine images using the least absolute shrinkage and selection operator regression (LASSO) analysis. The predictive performance of the selected features was evaluated using receiver operating characteristic curve analysis and the area under the curve (AUC). Results: Nine radiomics features with non-zero coefficients were included in the LASSO regression of the radiomics score (RAD score). Infarct size (odds ratio [OR]: 1.04 (1.00-1.07); P = 0.031) and RAD score (OR: 3.43 (2.34-5.28); P < 0.001) were independent predictors of LVAR. The RAD score predicted LVAR, with an AUC (95% confidence interval [CI]) of 0.82 (0.75-0.89) in the training set and 0.75 (0.62-0.89) in the testing set. Combining the RAD score with infarct size yielded favorable performance in predicting LVAR, with an AUC of 0.84 (0.72-0.95). Moreover, the addition of the RAD score to the left ventricular ejection fraction (LVEF) significantly increased the AUC from 0.68 (0.52-0.84) to 0.82 (0.70-0.93) (P = 0.018), which was also comparable to the prediction provided by the combined microvascular obstruction, infarct size, and LVEF with an AUC of 0.79 (0.65-0.94) (P = 0.727). Conclusion: Radiomics analysis using non-contrast cine CMR can predict LVAR after STEMI independently and incrementally to LVEF and may provide an alternative to traditional CMR parameters.

• Korean Journal of Radiology
• /
• 제23권3호
• /
• pp.343-354
• /
• 2022

Objective: To develop and evaluate a deep learning-based artificial intelligence (AI) model for detecting skull fractures on plain radiographs in children. Materials and Methods: This retrospective multi-center study consisted of a development dataset acquired from two hospitals (n = 149 and 264) and an external test set (n = 95) from a third hospital. Datasets included children with head trauma who underwent both skull radiography and cranial computed tomography (CT). The development dataset was split into training, tuning, and internal test sets in a ratio of 7:1:2. The reference standard for skull fracture was cranial CT. Two radiology residents, a pediatric radiologist, and two emergency physicians participated in a two-session observer study on an external test set with and without AI assistance. We obtained the area under the receiver operating characteristic curve (AUROC), sensitivity, and specificity along with their 95% confidence intervals (CIs). Results: The AI model showed an AUROC of 0.922 (95% CI, 0.842-0.969) in the internal test set and 0.870 (95% CI, 0.785-0.930) in the external test set. The model had a sensitivity of 81.1% (95% CI, 64.8%-92.0%) and specificity of 91.3% (95% CI, 79.2%-97.6%) for the internal test set and 78.9% (95% CI, 54.4%-93.9%) and 88.2% (95% CI, 78.7%-94.4%), respectively, for the external test set. With the model's assistance, significant AUROC improvement was observed in radiology residents (pooled results) and emergency physicians (pooled results) with the difference from reading without AI assistance of 0.094 (95% CI, 0.020-0.168; p = 0.012) and 0.069 (95% CI, 0.002-0.136; p = 0.043), respectively, but not in the pediatric radiologist with the difference of 0.008 (95% CI, -0.074-0.090; p = 0.850). Conclusion: A deep learning-based AI model improved the performance of inexperienced radiologists and emergency physicians in diagnosing pediatric skull fractures on plain radiographs.

• Korean Journal of Radiology
• /
• 제23권12호
• /
• pp.1281-1289
• /
• 2022

Objective: Radiomic modeling using multiple regions of interest in MRI of the brain to diagnose juvenile myoclonic epilepsy (JME) has not yet been investigated. This study aimed to develop and validate radiomics prediction models to distinguish patients with JME from healthy controls (HCs), and to evaluate the feasibility of a radiomics approach using MRI for diagnosing JME. Materials and Methods: A total of 97 JME patients (25.6 ± 8.5 years; female, 45.5%) and 32 HCs (28.9 ± 11.4 years; female, 50.0%) were randomly split (7:3 ratio) into a training (n = 90) and a test set (n = 39) group. Radiomic features were extracted from 22 regions of interest in the brain using the T1-weighted MRI based on clinical evidence. Predictive models were trained using seven modeling methods, including a light gradient boosting machine, support vector classifier, random forest, logistic regression, extreme gradient boosting, gradient boosting machine, and decision tree, with radiomics features in the training set. The performance of the models was validated and compared to the test set. The model with the highest area under the receiver operating curve (AUROC) was chosen, and important features in the model were identified. Results: The seven tested radiomics models, including light gradient boosting machine, support vector classifier, random forest, logistic regression, extreme gradient boosting, gradient boosting machine, and decision tree, showed AUROC values of 0.817, 0.807, 0.783, 0.779, 0.767, 0.762, and 0.672, respectively. The light gradient boosting machine with the highest AUROC, albeit without statistically significant differences from the other models in pairwise comparisons, had accuracy, precision, recall, and F1 scores of 0.795, 0.818, 0.931, and 0.871, respectively. Radiomic features, including the putamen and ventral diencephalon, were ranked as the most important for suggesting JME. Conclusion: Radiomic models using MRI were able to differentiate JME from HCs.