• 한국컴퓨터정보학회논문지
• /
• 제19권5호
• /
• pp.27-35
• /
• 2014

오늘날의 의료산업은 첨단 IT에 기반으로 언제, 어디서나 사용 및 접근이 가능한 인간중심의 U-헬스케어 패러다임으로 대변될 수 있다. 또한의료산업은정보통신기술발달을기반으로많은발전 및 응용에 관한 연구가 활발히 진행되고 있다. 의료정보시스템은 의료 IT 정보 시스템들이 통합되는 방향으로 진화해가면서 발전된 IT와 융합한 u-헬스케어 시스템 구축을 목표로 하고 있다. 따라서 이 논문에서는 분산된 의료정보 시스템을 이용해 자유로운u-헬스케어 서비스를 제공한다. 제안 시스템은 상호 이질적인 개인의료정보 데이터인 PHR을 하나로 통합하여 IaaS 클라우드 컴퓨팅 기반으로 운영관리 한다. 제안 시스템은 PHR을 기존 웹기반으로 통합 운영하는 방법보다 접근시간은 24%, 서비스 처리를 위한 대기시간은 4.3% 향상됨을 실험을 통해 증명하였다.

• 한국컴퓨터정보학회논문지
• /
• 제19권12호
• /
• pp.101-109
• /
• 2014

의학기술의 발전과 소득수준의 증가로 "건강하게 오래살기"에 관심이 높아지면서 적극적으로 건강을 증진하고 유지하는 웰니스가 확대되고 있다. 또한 맞춤형 의료서비스에 대한 수요가 증가하고 방대한 의료 빅 데이터를 이용한 질병 예방의 움직임도 나타나고 있다. 이 논문에서는, 의료 시장에서 주요 관심분야로 부각되고 있는 웰니스를 지원하기위해 빅 데이터 기반의 의료 질 향상을 통한 환자중심의 의료서비스를 목적으로 한다. 환자를 약물에 의존적으로 치료만 하는 것이 아니라 식생활 개선을 기반으로 질병예방과 치료를 위해 빅데이터를 분석한다. 개인 트윗터를 분석해서 일상생활정보를 획득하고 웰니스 사전을 기반으로 질병예방과 치료를 목적으로 한다. 효율적인 빅데이터 분석을 위해 하둡노드를 증가하면서 데이터 처리시간을 실험하였다. 실험결과 저장시간의 경우 63%, 데이터 통합의 경우 18%, 전체 테스트 시간을 기준으로 26%로 하나의 노드로 처리하는 경우보다 세 개의 노드로 처리하는 것이 효율적임을 실험을 통해 확인하였다.

• 한국정보통신학회:학술대회논문집
• /
• 한국정보통신학회 2021년도 춘계학술대회
• /
• pp.38-40
• /
• 2021

의료 데이터 분야는 레코드 수는 많지만 응답값이 없기 때문에 인공지능을 적극적으로 활용하지 못하고 있다. 이러한 문제점을 해결하기 위해 자기지도학습(Self-Supervised learning)을 의료 분야에 적용하는 연구가 등장하고 있다. 자기지도학습은 model이 레이블링이 없는 데이터의 semantic 표현을 이해할 수 있도록 pretext task와 supervision을 학습한다. 그러나, 자기지도학습의 성능은 pretext task로 학습한 표현에 의존하므로 데이터의 특성에 적합한 pretext task를 정의할 필요가 있다. 따라서 본 논문에서는 의학 데이터 중 활용도가 높은 x-ray 이미지에 적용할 수 있는 pretext task를 실험적으로 탐색하고 그 결과를 분석한다.

• 한국컴퓨터정보학회:학술대회논문집
• /
• 한국컴퓨터정보학회 2015년도 제52차 하계학술대회논문집 23권2호
• /
• pp.9-10
• /
• 2015

최근 임베디드 소프트웨어는 전자기기뿐만 아니라 의료기기, 자동차, 항공 등 광범위하게 적용되고 있다. 임베디드 소프트웨어의 규모가 커지는 만큼 비중도 높아지고 있어 임베디드 소프트웨어 테스팅의 비중도 높아지고 있다. 따라서 본 논문에서는 디버깅 도구인 GDB를 테스팅에 과정에 연계하여 현재 실행중인 프로세스에서 겸사하고자 하는 단위 소프트웨어의 스택 프레임으로부터 정보를 얻어 단위 테스팅 수행이 가능한 구조를 제안한다. 이를 통해 별도의 코드를 수정하지 않고도 단위 테스팅이 가능해지며 런타임 테스팅과 자동 단위 테스팅이 가능해진다.

• 서비스연구
• /
• 제5권2호
• /
• pp.25-33
• /
• 2015

데이터마이닝은 방대한 데이터를 기반으로 정보를 추출하는 방법으로 많은 분야에 적용하고 있으며 특히 보건의료 데이터를 다루는 기법으로 많이 활용 되고 있다. 하지만 데이터가 다양하고 방대해짐에 따라 데이터들을 완벽하게 다룰 수 있는 알고리즘이 개발되지 못한 현황이다. 따라서 본 논문에서는 군집화 알고리즘 중의 하나인 DBSCAN 알고리즘과 EM 알고리즘의 성능을 동일한 데이터에 대하여 분석을 시도하였다. 이를 위하여 DBSACN과 EM 알고리즘에 따른 변화를 Health expenditure 실험데이터의 결과를 기반으로 분석 하였고 더욱 정확한 실험과 더욱 정확한 결과를 알아내기 위하여 Kernel Filtering을 통하여 정확한 데이터분석을 시도하였다. 본 연구에서는 알고리즘의 기술적 성능을 비교한 것을 물론이고 성능을 높이기 위한 시도를 하였다. 이를 통하여 확장한 알고리즘에 따른 성능의 변화와 실험데이터의 적용결과를 기반으로 비교하고 이를 분석하게 되었다. 특히 의료기관을 이용하는 다양한 군집으로부터 데이터 레코드를 수집하여 의료 서비스에 대한 효과적인 비용 지출을 권장할 수 있도록 실험하였다.