• Sleep Medicine and Psychophysiology
• /
• v.8 no.2
• /
• pp.121-128
• /
• 2001

Objectives: In narcoleptic patients diagnosed with ICSD (international classification of sleep disorders, 1990) criteria, nocturnal polysomnography, and MSLT (multiple sleep latency test), we tried to find characteristic features of quantitative electroencephalography (QEEG) in a wakeful state. Methods: We compared eight drug-free narcoleptic patients with sex- and age-matched normal controls, using computerized electroencephalographic mapping technique and spectral analysis. Absolute power, relative power, interhemispheric asymmetry, interhemispheric and intrahemispheric coherence, and mean frequency in each frequency band (delta, theta, alpha and beta) were measured and analyzed. Results: Compared with normal controls, narcoleptic patients showed decrease in monopolar interhemispheric coherence of alpha frequency bands in occipital ($O_1/O_2$), parietal ($P_3/P_4$), and temporal ($T_5/T_6$) areas and beta frequency band in the occipital ($O_1/O_2$) area. Monopolar intrahemispheric coherences of alpha frequency bands in left hemispheric areas ($T_3/T_5$, $C_3/P_3$ & $F_3/O_1$) decreased. Decrease of monopolar interhemispheric asymmetry of delta frequency band in the occipital ($O_1/O_2$) area was also noted. The monopolar absolute powers of beta frequency bands decreased in occipital ($O_2,\;O_z$) areas. Conclusion: Decreases in coherences of narcoleptic patients compared with normal controls may indicate fewer posterior neocortical interhemispheric neuronal connections, and fewer left intrahemispheric neuronal connections than normal controls in a wakeful state. Therefore, we suggest that abnormal neurophysiological sites of narcolepsy may involve complex areas such as neocortex and subcortex as well as the brainstem.

• Resources Recycling
• /
• v.30 no.6
• /
• pp.43-52
• /
• 2021

In this study, the optimal nitration process for selective lithium leaching from powder of a spent battery cell (LiNi_xCo_yMn_zO₂, LiCoO₂) was studied using Taguchi method. The nitration process is a method of selective lithium leaching that involves converting non-lithium nitric compounds into oxides via nitric acid leaching and roasting. The influence of pretreatment temperature, nitric acid concentration, amount of nitric acid, and roasting temperature were evaluated. The signal-to-noise ratio and analysis of variance of the results were determined using L₁₆(4⁴) orthogonal arrays. The findings indicated that the roasting temperature followed by the nitric acid concentration, pretreatment temperature, and amount of nitric acid used had the greatest impact on the lithium leaching ratio. Following detailed experiments, the optimal conditions were found to be 10 h of pretreatment at 700℃ with 2 ml/g of 10 M nitric acid leaching followed by 10 h of roasting at 275℃. Under these conditions, the overall recovery of lithium exceeded 80%. X-ray diffraction (XRD) analysis of the leaching residue in deionized water after roasting of lithium nitrate and other nitrate compounds was performed. This was done to determine the cause of rapid decrease in lithium leaching rate above a roasting temperature of 400℃. The results confirmed that lithium manganese oxide was formed from lithium nitrate and manganese nitrate at these temperatures, and that it did not leach in deionized water. XRD analysis was also used to confirm the recovery of pure LiNO₃ from the solution that was leached during the nitration process. This was carried out by evaporating and concentrating the leached solution through solid-liquid separation.

• Investigative Magnetic Resonance Imaging
• /
• v.16 no.1
• /
• pp.67-75
• /
• 2012

Purpose : We studied enhanced method to view the vessels in the brain using Magnetic Resonance Angiography (MRA). Noticing that Maximum Intensity Projection (MIP) image is often used to evaluate the arteries of the neck and brain, we propose a new method for view brain vessels to stereo image in 3D space with more superior and more correct compared with conventional method. Materials and Methods: We use 3T Siemens Tim Trio MRI scanner with 4 channel head coil and get a 3D MRA brain data by fixing volunteers head and radiating Phase Contrast pulse sequence. MRA brain data is 3D rotated according to the view angle of each eyes. Optimal view angle (projection angle) is determined by the distance between eye and center of the data. Newly acquired MRA data are projected along with the projection line and display only the highest values. Each left and right view MIP image is integrated through anaglyph imaging method and optimal stereoscopic MIP image is acquired. Results: Result image shows that proposed method let enable to view MIP image at any direction of MRA data that is impossible to the conventional method. Moreover, considering disparity and distance from viewer to center of MRA data at spherical coordinates, we can get more realistic stereo image. In conclusion, we can get optimal stereoscopic images according to the position that viewers want to see and distance between viewer and MRA data. Conclusion: Proposed method overcome problems of conventional method that shows only specific projected image (z-axis projection) and give optimal depth information by converting mono MIP image to stereoscopic image considering viewers position. And can display any view of MRA data at spherical coordinates. If the optimization algorithm and parallel processing is applied, it may give useful medical information for diagnosis and treatment planning in real-time.

• Journal of Korean Theatre Studies Association
• /
• no.40
• /
• pp.163-206
• /
• 2010

Um die Jahrhundertwende des 20. Jahrhunderts besinnt sich Theater als ein Kunstwerk auf seine eigene $Realit{\ddot{a}}t$, $K{\ddot{o}}rper$, Raum und Zeit. Die Existenzweise des Theaterkunstwerks ist $Auff{\ddot{u}}hrung$. Die Kennzeichen der $Auff{\ddot{u}}hrung$ ist Transitorik, Unmittelbarkeit und Ereignishaftigkeit. $Auff{\ddot{u}}hrungsanalyse$ der Theaterwissenschaft als Disziplin wird lange Zeit $vernachl{\ddot{a}}ssigt$, weil $Auff{\ddot{u}}hrung$ ein Opfer der Zeit ist. Angesichts der $Auf{\ddot{u}}hrungsanalyse$ $mu{\ss}$ man eine Invariante zur $Verf{\ddot{u}}gung$ stellen, um einen Gegenstand zu analysieren. Die Inszenierung als ${\ddot{a}}sthetischer$ Gegenstand ist einmalig und unwiederbringlich. Das $B{\ddot{u}}hnengeschehen$ ist materielle $Realit{\ddot{a}}t$, die von dem Zuschauer sinnlich - optisch und akustisch - erfahren wird. Die Inszenierung realisiert sich in 'drei $B{\ddot{u}}hnengestalten$': 'Intendierte $B{\ddot{u}}hnengestalt$', 'realen $B{\ddot{u}}hnengestalt$' und 'vermeinte $B{\ddot{u}}hnengestalt$'. Die $Auff{\ddot{u}}hrung$ konkretisiert sich im Kopf des Zuschauers nicht als eine reale $B{\ddot{u}}hnengestalt$, sondern als ein '${\ddot{a}}sthetisches$ Objekt', 'als Abdruck der $B{\ddot{u}}hnenvorg{\ddot{a}}nge$'. Der Platz des $Auff{\ddot{u}}hrungsanalytikers$ ist der des Zuschauers, des Rezipienten. Die ${\ddot{a}}sthetische$ $B{\ddot{u}}hnengestalt$ ist eine Rekonstruktion der selektiven wahrgenommenden $Auff{\ddot{u}}hrung$, die der 'realen $B{\ddot{u}}hnengestalt$' ${\ddot{a}}hnelt$. Diese Rekonstruktion als neue $Sch{\ddot{o}}pfung$ des Rezipienten ist "Simulacrum", das der dem Objekt $hinzugef{\ddot{u}}gte$ Intellekt ist. Der Begriff der $Auff{\ddot{u}}hrungsanalyse$ wird Synonym $f{\ddot{u}}r$ die Interpretation als hermeneutischer $Proze{\ss}$. $F{\ddot{u}}r$ die Methode der $Auff{\ddot{u}}hrungsanalyse$ gibt es Strukturanalyse und Transformationsanalyse. Strukturanalyse geht $ausschlie{\ss}lich$ von der $Auff{\ddot{u}}hrung$ aus. Transformationsanalyse geht von der Transformation des Textes aus. $F{\ddot{u}}r$ diese Arbeit steht dramaturgische Analyse von Shakespeares Romeo und Julia als erste Grundlage. Die Handlungsentwicklung von Romeo und Julia ist klar in '$f{\ddot{u}}nf$ Akte' eingeteilt, die insgesamt aus 24 Szenen bestehen. Die Gesamthandlung von Romeo und Julia baut sich $pyramidenf{\ddot{o}}rmig$ nach dem Schema der steigenden und fallenden Handlung auf: Exposition/ Ausgangssituation (bis zur ersten Begegnung des Liebespaares auf dem Fest), erregendes Moment als Steigerung (von der Verliebtheit bis zur $Eheschlie{\ss}ung$), Wendepunkt/ Peripetie (Mercutios Tod), retardierendes Moment (Julias Scheintod) und Katastrophe (Vereinigung im Grabe). Die Handlung des $St{\ddot{u}}ckes$ gliedert sich in eine Haupt- und eine Nebenhandlung: dominierend ist die Liebeshandlung zwischen Romeo und Julia, daneben steht die Entwicklung der Fehde zwischen den Familien von Montague und Capulet; sie sind 'sich gegenseitig bedingend, steigernd, hemmend und vernichtend'. Parallelisierung und Kontrast der Figurenkonstellation werden in den jeweils sozial oder im Alter entsprechenden Figuren aus den beiden verfeindeten Familien gezeigt. Die Thematik des $St{\ddot{u}}ckes$ kommt in dem Oxymoron "loving hate" (I.1.175) zum Ausdruck. Shakespeare $l{\ddot{a}}sst$ die Liebeshandlung von Romeo und Julia in der Art der de casibus-$Trag{\ddot{o}}die$ spielen; deren Handlungsmuster ist 'dargestellt im Rad der Fortuna, das einen Menschen $emportr{\ddot{a}}gt$ und wieder $abst{\ddot{u}}rzen$ $l{\ddot{a}}sst$'. Das $St{\ddot{u}}ck$ Romeo und Julia ist eine experimentelle $Trag{\ddot{o}}die$. Es beginnt als $Kom{\ddot{o}}die$ mit $Z{\ddot{u}}gen$ einer Romanze, die sich aus dem Motiv der privaten Liebe und Heirat entwickelt. Pater Lorenzo und die Amme treten mit Lorenzos Wissen von der magischen Kraft der $Kr{\ddot{a}}uter$ und der $Geschw{\ddot{a}}tzigkeit$ der Amme $h{\ddot{a}}ufig$ in der $Kom{\ddot{o}}die$ auf. Die Handlung von Romeo und Julia erreicht mit Mercutios Tod den Wendepunkt, der die komische Welt zur tragischen umwandelt. $F{\ddot{u}}r$ die Sprache gibt es Prosa der Diener wie die Alltagssprache der einfachen Leute und zugleich Verse der Adeligen. Shakespeare verwendet eine kontrastreiche Metaphorik $f{\ddot{u}}r$ Raum und Zeit. Dreimal geschehen am Tag die $K{\ddot{a}}mpfe$ der verfeindeten Familien auf den ${\ddot{o}}ffentlichen$ $Pl{\ddot{a}}tzen$. Der Tag wirft ein Licht auf den Hass und die Gewalt. Die Nacht aber ist die $Sph{\ddot{a}}re$ der Liebe, wo Romeo und Julia ihre heimliche Verbindung verborgen halten $k{\ddot{o}}nnen$. Die Liebenden treffen sich in der Nacht und in dem ummauerten Raum. Oh, Tae-Suks "Romeo und Julia" wird in der Form des Madangguks gestaltet. Die Handlung in Oh, Tae- Suks Textfassung ist also nicht nach dem Prinzip der $Kausalit{\ddot{a}}t$ und Folgerichtigkeit zu lesen wie im Shakespeare-Drama. Wegen dem Ignorieren der $Kausalit{\ddot{a}}t$ des Handlungsablaufes und dem Fehlen der Motivation der Handlung ergibt sich hier keine individuelle psychologische Figurencharakterisierung. Die Figuren sind typisiert. Die koreanische Textfassung mit den extremen textlichen $Verk{\ddot{u}}rzungen$ und den zwei szenischen $Hinzuf{\ddot{u}}gungen$ $pr{\ddot{a}}gt$ die Inszenierung dahingehend, dass an die Stelle der Wortsprache mehr $K{\ddot{o}}rpersprache$ und szenische Bilder treten. Die langen Sprechpartien der Figuren im Shakespeare-Drama werden meistens $gek{\ddot{u}}rzt$ und $beschr{\ddot{a}}nken$ sich entweder auf Informationen ${\ddot{u}}ber$ die Situation oder zur Handlungsentwicklung. Und der Handlungsablauf erfolgt in Episoden sowie Musik, Lied und Tanz; Musik, Lied und Tanz dienen einerseits dem ${\ddot{U}}bergang$ der Szenen, sind aber andererseits auch selbst Teil des Handlungsablaufs. $W{\ddot{a}}hrend$ Shakespeare die Sprache der $W{\ddot{o}}rter$ in den Vordergrund $r{\ddot{u}}ckt$, $st{\ddot{u}}tzt$ Oh, Tae-Suk sich mehr auf die Sprache des $K{\ddot{o}}rpers$, die ja zugleich bildhaft ist. $Daf{\ddot{u}}r$ nimmt die Inszenierung Tanz und Lieder. Oh, Tae-Suks Inszenierung entwirft Shakespeares $Trag{\ddot{o}}die$ in der Form des Madangguks als Spiel und zugleich als erkennentnisorientiertes, nachdenkliches Theater $f{\ddot{u}}r$ den koreanischen Zuschauer, das dem traditionellen koreanischen Theater als Unterhaltungstheater nicht $m{\ddot{o}}glich$ ist, in dem sich das Volk von der Wirklichkeit erleichterte und sich $vergn{\ddot{u}}gte$. Oh, Tae-Suk formt das Publikum zum 'Wir' und zugleich zum 'Ich'. Mit dem Zusammensein der $v{\ddot{o}}llig$ andernen Theaterkulturen schafft der Reigisseur das hybride Theater und dadurch bildet $f{\ddot{u}}r$ die moderne koreanische Gesellschaft eine neue kulturelle $Identit{\ddot{a}}t$ heraus.

• Journal of Intelligence and Information Systems
• /
• v.25 no.1
• /
• pp.163-177
• /
• 2019

As smartphones are getting widely used, human activity recognition (HAR) tasks for recognizing personal activities of smartphone users with multimodal data have been actively studied recently. The research area is expanding from the recognition of the simple body movement of an individual user to the recognition of low-level behavior and high-level behavior. However, HAR tasks for recognizing interaction behavior with other people, such as whether the user is accompanying or communicating with someone else, have gotten less attention so far. And previous research for recognizing interaction behavior has usually depended on audio, Bluetooth, and Wi-Fi sensors, which are vulnerable to privacy issues and require much time to collect enough data. Whereas physical sensors including accelerometer, magnetic field and gyroscope sensors are less vulnerable to privacy issues and can collect a large amount of data within a short time. In this paper, a method for detecting accompanying status based on deep learning model by only using multimodal physical sensor data, such as an accelerometer, magnetic field and gyroscope, was proposed. The accompanying status was defined as a redefinition of a part of the user interaction behavior, including whether the user is accompanying with an acquaintance at a close distance and the user is actively communicating with the acquaintance. A framework based on convolutional neural networks (CNN) and long short-term memory (LSTM) recurrent networks for classifying accompanying and conversation was proposed. First, a data preprocessing method which consists of time synchronization of multimodal data from different physical sensors, data normalization and sequence data generation was introduced. We applied the nearest interpolation to synchronize the time of collected data from different sensors. Normalization was performed for each x, y, z axis value of the sensor data, and the sequence data was generated according to the sliding window method. Then, the sequence data became the input for CNN, where feature maps representing local dependencies of the original sequence are extracted. The CNN consisted of 3 convolutional layers and did not have a pooling layer to maintain the temporal information of the sequence data. Next, LSTM recurrent networks received the feature maps, learned long-term dependencies from them and extracted features. The LSTM recurrent networks consisted of two layers, each with 128 cells. Finally, the extracted features were used for classification by softmax classifier. The loss function of the model was cross entropy function and the weights of the model were randomly initialized on a normal distribution with an average of 0 and a standard deviation of 0.1. The model was trained using adaptive moment estimation (ADAM) optimization algorithm and the mini batch size was set to 128. We applied dropout to input values of the LSTM recurrent networks to prevent overfitting. The initial learning rate was set to 0.001, and it decreased exponentially by 0.99 at the end of each epoch training. An Android smartphone application was developed and released to collect data. We collected smartphone data for a total of 18 subjects. Using the data, the model classified accompanying and conversation by 98.74% and 98.83% accuracy each. Both the F1 score and accuracy of the model were higher than the F1 score and accuracy of the majority vote classifier, support vector machine, and deep recurrent neural network. In the future research, we will focus on more rigorous multimodal sensor data synchronization methods that minimize the time stamp differences. In addition, we will further study transfer learning method that enables transfer of trained models tailored to the training data to the evaluation data that follows a different distribution. It is expected that a model capable of exhibiting robust recognition performance against changes in data that is not considered in the model learning stage will be obtained.