• 한국산학기술학회논문지
• /
• 제10권5호
• /
• pp.1082-1090
• /
• 2009

노력성 폐활량(FVC) 검사시 호식기류의 최대값인 최고호기유량(PEF)은 호흡기능의 평가에 매우 중요하게 활용되는 진단 매개변수이다. PEF는 검사 초기에 매우 짧은 순간에 크게 증가하는 양상을 띠기 때문에 호흡기류센서의 동특성이 충분하지 않은 경우 측정오차가 발생한다. 본 연구에서는 노력성 호식기류 상의 초기 상승속도($S_r$)를 산출하고 $S_r$ 값에 기초하여 센서 출력값을 보정하는 새로운 기법을 제안하였다. 미국 흥부학회(ATS)에서 제공하는 표준 기류신호 파형 26개를 생성하여(F) 속도계측형 호흡기류센서로 통과시키며 센서 출력신호(N)를 축적하였다. F의 최대값인 PEF와 N의 최대값인 $N_{PEF}$, 간에는 당초 예상했던 대로 2차함수 관계가 성립하였으나(상관계수 0.9997), ATS파형 #2 및 26은 상당한 이탈을 보였다(상대오차>10%). $N_{PEF}$의 상대오차와 $S_r$간의 관계를 분석하여 상호 선형적인 관계를 얻었으므로, 이를 이용하여 보정한 결과 PEF 상대오차의 99% 신뢰구간이 약 2.5% 이었다. 이는 국제표준인 ATS의 오차한계인 10%의 1/4 이내로써 매우 정확한 보정이 이루어졌다. 따라서 본 연구에서 제안하는 보정기법은 호흡기류센서 교정시 매우 유용하리라 판단된다.

• 한국ITS학회 논문지
• /
• 제4권1호
• /
• pp.43-56
• /
• 2005

본 연구는 점유율, 교통량, 속도 등의 실시간 교통자료의 시계열 분석, 교통기초도 상 실측자료의 통계적 모형화와 교통류의 다영역 구분에 의한 교통정체의 전개 양상을 규명하였다. 천안-논산고속도로의 교통사고와 행사로 인한 교통정체 시의 검지기 자료를 바탕으로 시계열 분석을 수행한 결과 교통사고와 같이 급격히 도로 콩량이 감소하는 경우 사고 직후 점유율의 변화로부터 용이하게 추정할 수 있었다. 행사와 같은 교통량 증가로 인한 교통정체의 경우 점유율과 평균속도의 변화 폭이 완만하며, 충격파의 형태가 다양하여 단순한 교통지표들의 시계열적 분석에 의한 검지의 신속성과 정확성에는 어려움이 있는 것으로 나타났다. 실측자료의 통계적 모형화에 있어서 안정교통류일 경우 점유율과 교통량 관계는 1차 선형식으로 매우 높은 신뢰도로 설명되었다. 그러나 속도와 점유율간의 관계에 있어서는 운전자들의 희망속도에 대한 넓은 폭원으로 인하여 나타나는 군집형태가 통계적 모형으로 표현되기에는 어려운 것으로 나타났다 그러나 이 경우 점유율 6-8$\%$대를 중심으로 속도가 급격히 떨어지는 현상이 발생하였다. 불안정 교통류 상황의 경우 교통정체의 형성과 해소과정이 각기 하나의 영역 내에서 분석됨에 따라 전반적으로 통계적 모형의 적용이 어려운 것으로 나타났다. 안정과 불안정 2영역 구분에 의한 교통정체 형성과 해소과정의 해석이 어려운 점을 감안하여 다영역 구분에 의한 교통류를 시계열에 의하여 분석한 결과 사고시의 교통류는 바로 정지단계(stopped flow)로 전이되며 점유율이 급격히 증가하였으며, 교통류가 stooped flow에서 free flow로 회복될 때 급격히 증가된 점유율이 점진적으로 감소하면서 교통량이 증가하는 추세를 나타냈다. 교통혼잡시의 교통류는 "impeded free flow" 상황에서 "congested flow" 상황을 거쳐 "jammed flow" 상황으로 전개되는 등 사고에 의한 정체 형성 및 해소과정보다 매우 복잡하며, 동일한 점유율에 대하여 교통상태별로 교통량의 차이가 큰 현상이 명확하게 발생하였다. 본 연구는 교통류 분석 시 다영역 구분의 필요성을 제시하였으며, 향후 개별 교통영역에 대한 정량적 구분 및 모형화가 이루어져야 할 것을 제기하였다.

• 지능정보연구
• /
• 제25권3호
• /
• pp.43-62
• /
• 2019

한때, 이상 탐지 분야는 특정 데이터로부터 도출한 기초 통계량을 기반으로 이상 유무를 판단하는 방법이 지배적이었다. 이와 같은 방법론이 가능했던 이유는 과거엔 데이터의 차원이 단순하여 고전적 통계 방법이 효과적으로 작용할 수 있었기 때문이다. 하지만 빅데이터 시대에 접어들며 데이터의 속성이 복잡하게 변화함에 따라 더는 기존의 방식으로 산업 전반에 발생하는 데이터를 정확하게 분석, 예측하기 어렵게 되었다. 따라서 기계 학습 방법을 접목한 SVM, Decision Tree와 같은 모형을 활용하게 되었다. 하지만 지도 학습 기반의 모형은 훈련 데이터의 이상과 정상의 클래스 수가 비슷할 때만 테스트 과정에서 정확한 예측을 할 수 있다는 특수성이 있고 산업에서 생성되는 데이터는 대부분 정답 클래스가 불균형하기에 지도 학습 모형을 적용할 경우, 항상 예측되는 결과의 타당성이 부족하다는 문제점이 있다. 이러한 단점을 극복하고자 현재는 클래스 분포에 영향을 받지 않는 비지도 학습 기반의 모델을 바탕으로 이상 탐지 모형을 구성하여 실제 산업에 적용하기 위해 시행착오를 거치고 있다. 본 연구는 이러한 추세에 발맞춰 적대적 생성 신경망을 활용하여 이상 탐지하는 방법을 제안하고자 한다. 시퀀스 데이터를 학습시키기 위해 적대적 생성 신경망의 구조를 LSTM으로 구성하고 생성자의 LSTM은 2개의 층으로 각각 32차원과 64차원의 은닉유닛으로 구성, 판별자의 LSTM은 64차원의 은닉유닛으로 구성된 1개의 층을 사용하였다. 기존 시퀀스 데이터의 이상 탐지 논문에서는 이상 점수를 도출하는 과정에서 판별자가 실제데이터일 확률의 엔트로피 값을 사용하지만 본 논문에서는 자질 매칭 기법을 활용한 함수로 변경하여 이상 점수를 도출하였다. 또한, 잠재 변수를 최적화하는 과정을 LSTM으로 구성하여 모델 성능을 향상시킬 수 있었다. 변형된 형태의 적대적 생성 모델은 오토인코더의 비해 모든 실험의 경우에서 정밀도가 우세하였고 정확도 측면에서는 대략 7% 정도 높음을 확인할 수 있었다.