• 스마트미디어저널
• /
• 제9권4호
• /
• pp.102-108
• /
• 2020

본 논문에서는 사람의 손동작에 의해 모바일장치상의 전기장센서를 통해 감지되는 동작신호의 실시간 검출 및 프레임 추출 알고리즘을 제안한다. 동작인식에 사용되는 전기장센서는 주변 환경 및 시점에 따라 랜덤잡음 및 센서 표면의 초기 대전상태의 가변적인 특성으로 인해 안정적으로 동작신호를 검출하는데 어려움이 있다. 본 논문에서는 이와 같은 환경에서도 안정적이고 강건하게 동작신호를 감지하여 검출할 수 있는 동적문턱치 방법(dynamic thresholding method)을 제안한다. 동작발생감지여부는 10Hz low-pass 필터와 MA(Motion Average) 필터를 통한 입력신호가 특정 문턱 전압값을 넘을 경우 감지되는데 감지 시점 센서상의 정전하상태가 가변적이므로 주기적으로 offset 값을 계산하여 새로운 문턱치를 동적으로 적용하는 방법이다. 이러한 방법으로 동작신호 감지율을 98% 이상으로 향상 시킬 수 있었다. 또한 일단 동작이 감지되면 정문턱치(positive thresold)와 부문턱치(negative threshold)의 통과시점, 횟수와 평균 동작주기를 고려한 동작신호프레임 알고리즘을 제안하였으며 이의 프레임추출 성공률도 98% 이상의 성능을 보였다. 본 논문에서 제안한 알고리즘으로 추출된 동작신호는 이후 신호정규화를 거쳐 LSTN 심층신경망 인식부를 거쳐 높은 손동작 인식률을 보임으로서 제안된 알고리즘의 우수함을 입증하였다.

• 한국전산구조공학회논문집
• /
• 제34권6호
• /
• pp.409-415
• /
• 2021

COVID-19 대유행으로 인해 병원, 진료소, 검역소 및 의료 연구 기관을 포함한 의료 시설에서 매일 수많은 의료 폐기물이 발생함에 따라 의료폐기물 처리가 심각한 문제가 되고 있다. 이전에는 전통적인 소각방법이 사용되었지만 매립지 부족 및 관련 환경 문제로 인해 공중 보건이 위험에 처해 있다. 이런 문제를 극복하기 위해 멸균분쇄용 파쇄기를 개발하였다. 본 연구에서는 유해 및 감염성 의료폐기물에 대한 작동 성능을 결정하기 위해 분쇄용 파쇄 시스템의 설계 및 수치해석을 수행하였다. 파쇄기의 부품은 CAD 소프트웨어를 이용하여 모델링하였으며, ABAQUS를 사용하여 유한요소해석을 수행하였다. 정적, 동적 및 피로하중 조건 하에서 파쇄기 절단 날의 해석을 수행하였으며, 의료 폐기물을 분쇄하는데 필요한 절단력을 기반으로 절단 날의 형상이 효과적임을 입증하였다. 모달 해석을 통해 구조물의 동적 안정성을 검증하였다. 또한, 절단 날의 수명을 예측하기 위해 고주기 피로해석을 통해 S-N 선도를 생성하였다. 이를 통해 적절한 분쇄용 파쇄 시스템이 멸균 장치와 통합되도록 설계하여 의료 폐기물의 양과 처리 시간을 줄임으로써 환경 문제와 잠재적인 건강 위험을 극복하는 방안을 제시하였다.

• 의료법학
• /
• 제21권2호
• /
• pp.209-244
• /
• 2020

TMS와 tDCS는 자기와 전류를 통하여 뇌에 자극을 가함으로서 환자나 개별 이용자의 질병을 치료하고, 이외에도 건강을 관리하거나 증진시킬 수 있는 비침습적 기기를 말한다. 이들 기기의 효과와 안전성은 몇몇 질병에서 입증되고 있으나, 아직도 이에 대한 연구는 진행 중이다. 점차 증가하고 있는 이들 기기의 활용도에 비해 TMS와 tDCS를 직접 규율하는 입법례를 찾기는 어렵다. 미국, 독일, 일본의 TMS와 tDCS에 대한 법적 규율을 살펴보면, TMS는 중등도의 위해도를 가진 의료기기로 승인되어 있는 반면, tDCS는 아직 의료기기로 승인된 상태는 아니다. 하지만, 최근 FDA 가이드집이나 유럽 MDR 규정의 변화, 미국의 리콜사례, 독일과 일본의 관련 법 규정, 전문가 그룹의 제언 등을 검토하면, tDCS도 조만간 의료기기로 승인되어 규율될 것으로 보인다. 물론, tDCS를 의료기기가 아닌 일반제품으로 보더라도 다른 법률과 제도를 통하여 제품의 안전성과 효과를 규제할 수는 있다. 그러나 이 기기가 인간의 뇌에 미칠 수 있는 여러 영향을 고려할 때, 이를 독자적으로 규율할 필요성이 크다. 우리도 TMS와 tDCS를 규율하는 명시적 법률은 없으나, 이 두 기기는 식약처 고시에 따라 3등급 의료기기로 판정된다. 그리고 TMS는 가이드 라인에 따라 미국 FDA 지침에 의해 안전성과 성능을 평가하도록 하고 있다. 하지만, tDCS는 아직 이에 대한 구체적 지침은 존재하지 않는다. tDCS 기기가 일부 병원에서, 그리고 개별 구매자를 통하여 가정에서 사용되고 있는 현실을 고려하면, 이러한 규제의 공백은 신속히 보완되어야 한다. 장기적으로는 비침습적 뇌자극기기를 독자적으로 규율할 수 있는 법적 시스템의 정비가 필요하다.

• 지능정보연구
• /
• 제26권4호
• /
• pp.127-148
• /
• 2020

데이터 센터는 컴퓨터 시스템과 관련 구성요소를 수용하기 위한 물리적 환경시설로, 빅데이터, 인공지능 스마트 공장, 웨어러블, 스마트 홈 등 차세대 핵심 산업의 필수 기반기술이다. 특히, 클라우드 컴퓨팅의 성장으로 데이터 센터 인프라의 비례적 확장은 불가피하다. 이러한 데이터 센터 설비의 상태를 모니터링하는 것은 시스템을 유지, 관리하고 장애를 예방하기 위한 방법이다. 설비를 구성하는 일부 요소에 장애가 발생하는 경우 해당 장비뿐 아니라 연결된 다른 장비에도 영향을 미칠 수 있으며, 막대한 손해를 초래할 수 있다. 특히, IT 시설은 상호의존성에 의해 불규칙하고 원인을 알기 어렵다. 데이터 센터 내 장애를 예측하는 선행연구에서는, 장치들이 혼재된 상황임을 가정하지 않고 단일 서버를 단일 상태로 보고 장애를 예측했다. 이에 본 연구에서는, 서버 내부에서 발생하는 장애(Outage A)와 서버 외부에서 발생하는 장애(Outage B)로 데이터 센터 장애를 구분하고, 서버 내에서 발생하는 복합적인 장애 분석에 중점을 두었다. 서버 외부 장애는 전력, 냉각, 사용자 실수 등인데, 이와 같은 장애는 데이터 센터 설비 구축 초기 단계에서 예방이 가능했기 때문에 다양한 솔루션이 개발되고 있는 상황이다. 반면 서버 내 발생하는 장애는 원인 규명이 어려워 아직까지 적절한 예방이 이뤄지지 못하고 있다. 특히 서버 장애가 단일적으로 발생하지 않고, 다른 서버 장애의 원인이 되기도 하고, 다른 서버부터 장애의 원인이 되는 무언가를 받기도 하는 이유다. 즉, 기존 연구들은 서버들 간 영향을 주지 않는 단일 서버인 상태로 가정하고 장애를 분석했다면, 본 연구에서는 서버들 간 영향을 준다고 가정하고 장애 발생 상태를 분석했다. 데이터 센터 내 복합 장애 상황을 정의하기 위해, 데이터 센터 내 존재하는 각 장비별로 장애가 발생한 장애 이력 데이터를 활용했다. 본 연구에서 고려되는 장애는 Network Node Down, Server Down, Windows Activation Services Down, Database Management System Service Down으로 크게 4가지이다. 각 장비별로 발생되는 장애들을 시간 순으로 정렬하고, 특정 장비에서 장애가 발생하였을 때, 발생 시점으로부터 5분 내 특정 장비에서 장애가 발생하였다면 이를 동시에 장애가 발생하였다고 정의하였다. 이렇게 동시에 장애가 발생한 장비들에 대해서 Sequence를 구성한 후, 구성한 Sequence 내에서 동시에 자주 발생하는 장비 5개를 선정하였고, 선정된 장비들이 동시에 장애가 발생된 경우를 시각화를 통해 확인하였다. 장애 분석을 위해 수집된 서버 리소스 정보는 시계열 단위이며 흐름성을 가진다는 점에서 이전 상태를 통해 다음 상태를 예측할 수 있는 딥러닝 알고리즘인 LSTM(Long Short-term Memory)을 사용했다. 또한 단일 서버와 달리 복합장애는 서버별로 장애 발생에 끼치는 수준이 다르다는 점을 감안하여 Hierarchical Attention Network 딥러닝 모델 구조를 활용했다. 본 알고리즘은 장애에 끼치는 영향이 클 수록 해당 서버에 가중치를 주어 예측 정확도를 높이는 방법이다. 연구는 장애유형을 정의하고 분석 대상을 선정하는 것으로 시작하여, 첫 번째 실험에서는 동일한 수집 데이터에 대해 단일 서버 상태와 복합 서버 상태로 가정하고 비교분석하였다. 두 번째 실험은 서버의 임계치를 각각 최적화 하여 복합 서버 상태일 때의 예측 정확도를 향상시켰다. 단일 서버와 다중 서버로 각각 가정한 첫 번째 실험에서 단일 서버로 가정한 경우 실제 장애가 발생했음에도 불구하고 5개 서버 중 3개의 서버에서는 장애가 발생하지 않은것으로 예측했다. 그러나 다중 서버로 가정했을때에는 5개 서버 모두 장애가 발생한 것으로 예측했다. 실험 결과 서버 간 영향이 있을 것이라고 추측한 가설이 입증된 것이다. 연구결과 단일 서버로 가정했을 때 보다 다중 서버로 가정했을 때 예측 성능이 우수함을 확인했다. 특히 서버별 영향이 다를것으로 가정하고 Hierarchical Attention Network 알고리즘을 적용한 것이 분석 효과를 향상시키는 역할을 했다. 또한 각 서버마다 다른 임계치를 적용함으로써 예측 정확도를 향상시킬 수 있었다. 본 연구는 원인 규명이 어려운 장애를 과거 데이터를 통해 예측 가능하게 함을 보였고, 데이터 센터의 서버 내에서 발생하는 장애를 예측할 수 있는 모델을 제시했다. 본 연구결과를 활용하여 장애 발생을 사전에 방지할 수 있을 것으로 기대된다.