• Journal of Chest Surgery
• /
• 제37권1호
• /
• pp.19-26
• /
• 2004

배경: 이 논문의 목적은 관상동맥-폐동맥 이상기시증의 수술적 치료의 중기 성적을 확인하고 수술 후 좌심실 기능과 승모판 폐쇄부전의 변화양상을 분석하고자 하였다. 대상 및 방법: 1985년부터 2003년 까지 관상동맥-폐동맥 이상기시증으로 수술적 치료를 받은 15명의 환자들을 연구대상으로 하였다. 1998년 이전(9명)에는 다양한 수술방법을 사용하였으나, 1998년 이후(6명)부터는 1) 대동맥과 주폐동맥 양쪽 모두 관류와 심정지액 주입을 시행하였고, 2)관상동맥의 재이식 시 주폐동맥의 일부를 이용하여 도관을 만들어 대동맥에 연결하였고, 그리고 3)승모판 폐쇄부전은 특별한 수술적 교정을 시행하지 않았다. 결과: 대상 환자들의 연령의 중앙값은 6개월(1개월∼34년)이었다. 수술방법은 좌쇄골동맥-좌전행지 문합술이 1예, 좌관상동맥 결찰술이 2예, Takeuchi 술식이 2예, 그리고 관상동맥 재이식술이 10예에서 시행되었다. 평균추적관찰 기간은 5.5 $\pm$ 5.8년(2개월 ∼ 14년)이었으며, 수술 후 조기사망이 1예, 만기사망이 1예에서 발생하여 5년 생존율은 85.6$\pm$9.6%이었다. 수술전 좌심실 이완기말과 수축기말직경은 수술 후 3개월 이내에 의미있게 감소하였고(p<0.05), 수술 전 3도 이상의 의미 있는 승모판 폐쇄부전은 6예(40.0%)에서 관찰되었으나 모두 수술 후 1개월 이내에 2도 이하로 감소하였다. 3예의 환자에서 재수술이 필요하였으며 재수술의 원인은 관상동맥 문합부위의 협착과 승모판 폐쇄부전이었다. 그러나 1998년 이후의 환자군에서는 조기사망, 만기사망, 그리고 재수술 등의 예가 없었다. 결론: 관상동맥-폐동맥 이상기시증은 수술 후 만족할 만한 생존율과 좌심실직경의 감소와 그리고 승모판 폐쇄부전의 개선을 확인할 수 있었다 그러나 장기적으로 관상동맥의 문제가 승모판 폐쇄부전의 재발과 장기생존율에 영향을 미칠 수 있음을 확인할 수 있었다. 1998년 이후 단일화된 수술방침으로 시행한 결과 만족할 만한 결과를 얻을 수 있었다.

• 지능정보연구
• /
• 제19권2호
• /
• pp.73-85
• /
• 2013

정보기술의 비약적 발전에 힘입어, 오늘날 기업들은 지금까지 축적한 고객 데이터를 기반으로 맞춤형 서비스를 제공하는 것에 많은 관심을 가지고 있다. 고객에게 소구하는 맞춤형 서비스를 효과적으로 제공하기 위해서는 우선 그 고객이 처한 상태나 상황을 정확하게 인지하는 것이 중요하다. 특히, 고객에게 서비스가 전달되는 이른바 진실의 순간에 해당 고객의 감정 상태를 정확히 인지할 수 있다면, 기업은 더 양질의 맞춤형 서비스를 제공할 수 있을 것이다. 이와 관련하여 사람의 얼굴과 행동을 이용하여 사람의 감정을 판단하고 개인화 서비스를 제공하기 위한 연구가 활발하게 이루어지고 있다. 얼굴 표정을 통해 사람의 감정을 판단하는 연구는 좀 더 미세하고 확실한 변화를 통해 정확하게 감정을 판단할 수 있지만, 장비와 환경의 제약으로 실제 환경에서 다수의 관객을 대상으로 사용하기에는 다소 어려움이 있다. 이에 본 연구에서는 Plutchik의 감정 분류 체계를 기반으로 사람들의 행동을 통해 감정을 추론해내는 모형을 개발하는 것을 목표로 한다. 본 연구는 콘텐츠에 의해 유발된 사람들의 감정적인 변화를 사람들의 행동 변화를 통해 판단하고 예측하는 모형을 개발하고, 4가지 감정 별 행동 특징을 추출하여 각 감정에 따라 최적화된 예측 모형을 구축하는 것을 목표로 한다. 모형 구축을 위해 사람들에게 적절한 감정 자극영상을 제공하고 그 신체 반응을 수집하였으며, 사람들의 신체 영역을 나누었다. 특히, 모션캡쳐 분야에서 널리 쓰이는 차영상 기법을 적용하여 사람들의 제스쳐를 추출 및 보정하였다. 이후 전처리 과정을 통해 데이터의 타임프레임 셋을 20, 30, 40 프레임의 3가지로 설정하고, 데이터를 학습용, 테스트용, 검증용으로 구분하여 인공신경망 모형을 통해 학습시키고 성과를 평가하였다. 다수의 일반인들을 대상으로 수집된 데이터를 이용하여 제안 모형을 구축하고 평가한 결과, 프레임셋에 따라 예측 성과가 변화함을 알 수 있었다. 감정 별 최적 예측 성과를 보이는 프레임을 확인할 수 있었는데, 이는 감정에 따라 감정의 표출 시간이 다르기 때문인 것으로 판단된다. 이는 행동에 기반한 제안된 감정예측모형이 감정에 따라 효과적으로 감정을 예측할 수 있으며, 실제 서비스 환경에서 사용할 수 있는 효과적인 알고리즘이 될 수 있을 것으로 기대할 수 있다.