• 구강회복응용과학지
• /
• 제39권3호
• /
• pp.105-118
• /
• 2023

목적: 본 연구는 치과 보철물 거래 플랫폼 서비스의 중요성을 이해하고, 보다 넓은 적용을 위해 필수 요소를 파악하는 것을 목표로 하였다. 연구 재료 및 방법: 치과 의사, 치과 기공사, 치과 위생사, 그리고 치과 산업 종사자들을 대상으로 치과 보철물 주문 및 관련 플랫폼 서비스에 대한 견해를 평가하기 위해 설문 조사를 실시하였다(총 53명). 이를 위해 설문지는 치과 전문가의 검토를 거쳐 작성되었고, Cronbach's alpha coefficient를 사용하여 설문지의 신뢰도를 평가하였다. 요인 분석을 통해 총 변동의 88.417%를 설명하는 5개 범주의 57개 요인을 도출했다. 설문 조사는 온라인 설문지 플랫폼을 통해 실시되었으며, 데이터 분석은 통계 소프트웨어를 사용하여 one-way analysis of variance과 Tukey's honestly significant difference test을 사용하여 수행되었다(α = 0.05). 결과: 주문 시에 정확한 정보 입력, 효과적인 의사소통, 변형 없는 치과 인상체 전달, 데이터 전송 및 저장의 편리성, 안정적이고 합리적인 가격의 플랫폼 서비스 제공이 필수 요소로 확인되었다(P < 0.05). 또한, 이러한 항목의 중요성에는 연령, 치과 직업, 경력 경험에 따른 유의한 차이가 관찰되었다(P < 0.05). 결론: 치과 보철물 주문 플랫폼 서비스에 대한 치과 종사자들의 요구사항은 안정성과 경제성, 그리고 치과 보철물 데이터 전송 및 저장의 용이성이었다. 이러한 결과는 앞으로 치과 보철물 주문 및 관련 플랫폼 서비스의 개발 및 개선을 위한 중요한 지표가 될 수 있다.

• 한국해양학회지:바다
• /
• 제13권3호
• /
• pp.210-221
• /
• 2008

저층 퇴적물내 탄소와 질소성분의 조절인자를 파악하기 위한 광역적 환경조사가 1997년부터 2002년까지 서경 131.5도를 중심으로 북위 5도에서 17도 사이에서 수행되었다. 위도에 따라 지역적인 분포를 보이는 연구지역의 퇴적물은 네 가지로 분류할 수 있다; 석회질 연니($5{\sim}6^{\circ}N$), 규질 퇴적물($8{\sim}12^{\circ}N$), 원양성 적점토($16{\sim}17^{\circ}N$), 석회질과 규질이 섞여 있는 혼합 퇴적물($7^{\circ}N$). 무기탄소함량은 탄산염보상심도(CCD)와 수심에 의해 변하고 있었다. 수심이 CCD보다 얕은 저위도 지역에서는 석회질 물질이 잘 보존되고 있었다. 반면 규질 퇴적물과 적점토가 우세한 고위도 지역은 수심이 CCD보다 깊을 뿐만이 아니라 낮은 수층 생산성을 가지고 있다. 따라서 대부분의 석회질 물질들은 용해되고 그 결과 퇴적층내 무기탄소함량은 0.05%이하의 낮은 값을 나타내었다. 유기탄소와 총질소함량은 수층의 생산력이 상대적으로 높은 규질 퇴적물지역이 적점토지역보다 함량이 높게 나타났다. 석회질 연니내 유기탄소와 총질소 함량은 규질 퇴적물보다 낮게 나타났다. 이는 상대적으로 낮은 수심에 기인된 저층으로 유입되는 석회질 물질의 높은 유입율이 퇴적층내 유기물 함량을 희석하기 때문인 것으로 추정된다. 전체적인 결과들은 CCD와 연관된 수심, 수층의 생산력, 그리고 퇴적율이 연구지역내 탄소와 질소함량의 광역적 분포를 조절하고 있음을 지시한다.

• 한국해양학회지:바다
• /
• 제12권3호
• /
• pp.159-169
• /
• 2007

가두리 양식으로 인해 과잉 공급된 유기물은 연안의 저서생태계를 교란시키는 주요인의 하나로 알려져 왔다. 이 연구는 2003년 6월과 8월 가두리 밀집해역인 통영연안의 두 양식장(A, B)에서 가두리 양식으로 인한 유기물 오염이 저서동물군집, 특히 저서다모류군집에 미치는 영향 정도와 범위를 알아보기 위해 수행되었다. 다모류가 저서동물 군집의 개체수 조성에서 차지하는 비율은 각 조사선에서 $81%{\sim}87%$로 매우 높았다. 가두리로부터 거리가 증가함에 따라 다모류군집의 종 수, 밀도, 다양도 그리고 우점종의 분포 양상은 현격히 변하였다. 가두리로부터 10 m 이내에서는 유기물 오염지표종인 Capitella capitata가 우점하였으며, 종 수도 가장 낮아 군집이 유기물에 의해 심하게 교란 받고 있는 것으로 나타났다. 특히, C. capitata는 가두리 양식장의 밀집도가 상대적으로 높고 지형학적으로 보다 은폐된 양식장 A에서 최대 $18,410\;ind.m^{-2}$의 고밀도 출현 양상을 보였으며, 두 양식장의 거리에 따른 개체밀도와 다양도 패턴의 전체적인 차이를 좌우하였다. C. capitata의 개체수가 급감한 10 m 지점 이후 15 m까지 구간에서는 종 수가 급격히 증가하였다. 이런 종 수 및 밀도의 급격한 변화는 이 구간이 심한 유기물 오염 상태(highly polluted)에서 약한 유기물 오염 상태(slightly polluted)로 전환되는 추이점(ecotone point)임을 말해준다. $15{\sim}60m$ 구간에서는 종 수와 밀도의 추가적인 증가와 유지가 관찰되는 약한 유기물 오염 상태의 점이역(transitional zone)이 형성되었으며 군집의 주 구성원은 Lumbrineris longifolia, Aphelochaeta monilaris 등과 같은 잠재적 유기물 오염지시종들 이었다. K-우점도 곡선과 다차원 척도법의 결과도 앞의 군집변화와 일치하였다. 이 연구에서 저서다모류군집에 대한 유기물 오염의 영향은 가두리로부터 떨어진 거리, 가두리가 위치한 해역의 지형학적 특성 및 가두리 양식장의 밀집도에 의해 좌우되었다.

• 지능정보연구
• /
• 제24권1호
• /
• pp.205-225
• /
• 2018

Convolutional Neural Network (ConvNet)은 시각적 특징의 계층 구조를 분석하고 학습할 수 있는 대표적인 심층 신경망이다. 첫 번째 신경망 모델인 Neocognitron은 80 년대에 처음 소개되었다. 당시 신경망은 대규모 데이터 집합과 계산 능력이 부족하여 학계와 산업계에서 널리 사용되지 않았다. 그러나 2012년 Krizhevsky는 ImageNet ILSVRC (Large Scale Visual Recognition Challenge) 에서 심층 신경망을 사용하여 시각적 인식 문제를 획기적으로 해결하였고 그로 인해 신경망에 대한 사람들의 관심을 다시 불러 일으켰다. 이미지넷 첼린지에서 제공하는 다양한 이미지 데이터와 병렬 컴퓨팅 하드웨어 (GPU)의 발전이 Krizhevsky의 승리의 주요 요인이었다. 그러므로 최근의 딥 컨볼루션 신경망의 성공을 병렬계산을 위한 GPU의 출현과 더불어 ImageNet과 같은 대규모 이미지 데이터의 가용성으로 정의 할 수 있다. 그러나 이러한 요소는 많은 도메인에서 병목 현상이 될 수 있다. 대부분의 도메인에서 ConvNet을 교육하기 위해 대규모 데이터를 수집하려면 많은 노력이 필요하다. 대규모 데이터를 보유하고 있어도 처음부터 ConvNet을 교육하려면 많은 자원과 시간이 소요된다. 이와 같은 문제점은 전이 학습을 사용하면 해결할 수 있다. 전이 학습은 지식을 원본 도메인에서 새 도메인으로 전이하는 방법이다. 전이학습에는 주요한 두 가지 케이스가 있다. 첫 번째는 고정된 특징점 추출기로서의 ConvNet이고, 두번째는 새 데이터에서 ConvNet을 fine-tuning 하는 것이다. 첫 번째 경우, 사전 훈련 된 ConvNet (예: ImageNet)을 사용하여 ConvNet을 통해 이미지의 피드포워드 활성화를 계산하고 특정 레이어에서 활성화 특징점을 추출한다. 두 번째 경우에는 새 데이터에서 ConvNet 분류기를 교체하고 재교육을 한 후에 사전 훈련된 네트워크의 가중치를 백프로퍼게이션으로 fine-tuning 한다. 이 논문에서는 고정된 특징점 추출기를 여러 개의 ConvNet 레이어를 사용하는 것에 중점을 두었다. 그러나 여러 ConvNet 레이어에서 직접 추출된 차원적 복잡성을 가진 특징점을 적용하는 것은 여전히 어려운 문제이다. 우리는 여러 ConvNet 레이어에서 추출한 특징점이 이미지의 다른 특성을 처리한다는 것을 발견했다. 즉, 여러 ConvNet 레이어의 최적의 조합을 찾으면 더 나은 특징점을 얻을 수 있다. 위의 발견을 토대로 이 논문에서는 단일 ConvNet 계층의 특징점 대신에 전이 학습을 위해 여러 ConvNet 계층의 특징점을 사용하도록 제안한다. 본 논문에서 제안하는 방법은 크게 세단계로 이루어져 있다. 먼저 이미지 데이터셋의 이미지를 ConvNet의 입력으로 넣으면 해당 이미지가 사전 훈련된 AlexNet으로 피드포워드 되고 3개의 fully-connected 레이어의 활성화 틀징점이 추출된다. 둘째, 3개의 ConvNet 레이어의 활성화 특징점을 연결하여 여러 개의 ConvNet 레이어의 특징점을 얻는다. 레이어의 활성화 특징점을 연결을 하는 이유는 더 많은 이미지 정보를 얻기 위해서이다. 동일한 이미지를 사용한 3개의 fully-connected 레이어의 특징점이 연결되면 결과 이미지의 특징점의 차원은 4096 + 4096 + 1000이 된다. 그러나 여러 ConvNet 레이어에서 추출 된 특징점은 동일한 ConvNet에서 추출되므로 특징점이 중복되거나 노이즈를 갖는다. 따라서 세 번째 단계로 PCA (Principal Component Analysis)를 사용하여 교육 단계 전에 주요 특징점을 선택한다. 뚜렷한 특징이 얻어지면, 분류기는 이미지를 보다 정확하게 분류 할 수 있고, 전이 학습의 성능을 향상시킬 수 있다. 제안된 방법을 평가하기 위해 특징점 선택 및 차원축소를 위해 PCA를 사용하여 여러 ConvNet 레이어의 특징점과 단일 ConvNet 레이어의 특징점을 비교하고 3개의 표준 데이터 (Caltech-256, VOC07 및 SUN397)로 실험을 수행했다. 실험결과 제안된 방법은 Caltech-256 데이터의 FC7 레이어로 73.9 %의 정확도를 얻었을 때와 비교하여 75.6 %의 정확도를 보였고 VOC07 데이터의 FC8 레이어로 얻은 69.2 %의 정확도와 비교하여 73.1 %의 정확도를 보였으며 SUN397 데이터의 FC7 레이어로 48.7%의 정확도를 얻었을 때와 비교하여 52.2%의 정확도를 보였다. 본 논문에 제안된 방법은 Caltech-256, VOC07 및 SUN397 데이터에서 각각 기존에 제안된 방법과 비교하여 2.8 %, 2.1 % 및 3.1 %의 성능 향상을 보였다.

• 대한간호학회지
• /
• 제12권2호
• /
• pp.1-26
• /
• 1982

The main purpose of this study was to test the effect of the structured information on the sleep amount of the patients undergoing open heart surgery. This study has specifically addressed to the Following two basic research questions: (1) Would the structed in formation influence in the reduction of sleep disturbance related to anxiety and Physical stress before and after the operation? and (2) that would be the effects of the structured information on the level of preoperative state anxiety, the hormonal change, and the degree of behavioral change in the patients undergoing an open heart surgery? A Quasi-experimental research was designed to answer these questions with one experimental group and one control group. Subjects in both groups were matched as closely as possible to avoid the effect of the differences inherent to the group characteristics, Baseline data were also. collected on both groups for 7 days prior to the experiment and found that subjects in both groups had comparable sleep patterns, trait anxiety, hormonal levels and behavioral level. A structured information as an experimental input was given to the subjects in the experimental group only. Data were collected and compared between the experimental group and the control group on the sleep amount of the consecutive pre and post operative days, on preoperative state anxiety level, and on hormonal and behavioral changes. To test the effectiveness of the structured information, two main hypotheses and three sub-hypotheses were formulated as follows; Main hypothesis 1: Experimental group which received structured information will have more sleep amount than control group without structured information in the night before the open heart surgery. Main hypothesis 2: Experimental group with structured information will have more sleep, amount than control group without structured information during the week following the open heart surgery Sub-hypothesis 1: Experimental group with structured information will be lower in the level of State anxiety than control group without structured information in the night before the open heart surgery. Sub-hypothesis 2 : Experimental group with structured information will have lower hormonal level than control group without stuctured information on the 5th day after the open heart surgery Sub-hypothesis 3: Experimental group with structured information will be lower in the behavioral change level than control group without structured information during the week after the open heart surgery. The research was conducted in a national university hospital in Seoul, Korea. The 53 Subjects who participated in the study were systematically divided into experimental group and control group which was decided by random sampling method. Among 53 subjects, 26 were placed in the experimental group and 27 in the control group. Instruments; (1) Structed information: Structured information as an independent variable was constructed by the researcher on the basis of Roy's adaptation model consisting of physiologic needs, self-concept, role function and interdependence needs as related to the sleep and of operational procedures. (2) Sleep amount measure: Sleep amount as main dependent variable was measured by trained nurses through observation on the basis of the established criteria, such as closed or open eyes, regular or irregular respiration, body movement, posture, responses to the light and question, facial expressions and self report after sleep. (3) State anxiety measure: State Anxiety as a sub-dependent variable was measured by Spi-elberger's STAI Anxiety scale, (4) Hormornal change measure: Hormone as a sub-dependent variable was measured by the cortisol level in plasma. (5) Behavior change measure: Behavior as a sub-dependent variable was measured by the Behavior and Mood Rating Scale by Wyatt. The data were collected over a period of four months, from June to October 1981, after the pretest period of two months. For the analysis of the data and test for the hypotheses, the t-test with mean differences and analysis of covariance was used. The result of the test for instruments show as follows: (1) STAI measurement for trait and state anxiety as analyzed by Cronbachs alpha coefficient analysis for item analysis and reliability showed the reliability level at r= .90 r= .91 respectively. (2) Behavior and Mood Rating Scale measurement was analyzed by means of Principal Component Analysis technique. Seven factors retained were anger, anxiety, hyperactivity, depression, bizarre behavior, suspicious behavior and emotional withdrawal. Cumulative percentage of each factor was 71.3%. The result of the test for hypotheses show as follows; (1) Main hypothesis, was not supported. The experimental group has 282 minutes of sleep as compared to the 255 minutes of sleep by the control group. Thus the sleep amount was higher in experimental group than in control group, however, the difference was not statistically significant at .05 level. (2) Main hypothesis 2 was not supported. The mean sleep amount of the experimental group and control group were 297 minutes and 278 minutes respectively Therefore, the experimental group had more sleep amount as compared to the control group, however, the difference was not statistically significant at .05 level. Thus, the main hypothesis 2 was not supported. (3) Sub-hypothesis 1 was not supported. The mean state anxiety of the experimental group and control group were 42.3, 43.9 in scores. Thus, the experimental group had slightly lower state anxiety level than control group, howe-ver, the difference was not statistically significant at .05 level. (4) Sub-hypothesis 2 was not supported. . The mean hormonal level of the experimental group and control group were 338 ㎍ and 440 ㎍ respectively. Thus, the experimental group showed decreased hormonal level than the control group, however, the difference was not statistically significant at .05 level. (5) Sub-hypothesis 3 was supported. The mean behavioral level of the experimental group and control group were 29.60 and 32.00 respectively in score. Thus, the experimental group showed lower behavioral change level than the control group. The difference was statistically significant at .05 level. In summary, the structured information did not influence the sleep amount, state anxiety or hormonal level of the subjects undergoing an open heart surgery at a statistically significant level, however, it showed a definite trends in their relationships, not least to mention its significant effect shown on behavioral change level. It can further be speculated that a great degree of individual differences in the variables such as sleep amount, state anxiety and fluctuation in hormonal level may partly be responsible for the statistical insensitivity to the experimentation.

• 지능정보연구
• /
• 제23권4호
• /
• pp.147-168
• /
• 2017

오래 전부터 학계에서는 정확한 주식 시장의 예측에 대한 많은 연구가 진행되어 왔고 현재에도 다양한 기법을 응용한 예측모형들이 연구되고 있다. 특히 최근에는 딥러닝(Deep-Learning)을 포함한 다양한 기계학습기법(Machine Learning Methods)을 이용해 주가지수를 예측하려는 많은 시도들이 진행되고 있다. 전통적인 주식투자거래의 분석기법으로는 기본적 분석과 기술적 분석방법이 사용되지만 보다 단기적인 거래예측이나 통계학적, 수리적 기법을 응용하기에는 기술적 분석 방법이 보다 유용한 측면이 있다. 이러한 기술적 지표들을 이용하여 진행된 대부분의 연구는 미래시장의 (보통은 다음 거래일) 주가 등락을 이진분류-상승 또는 하락-하여 주가를 예측하는 모형을 연구한 것이다. 하지만 이러한 이진분류로는 추세를 예측하여 매매시그널을 파악하거나, 포트폴리오 리밸런싱(Portfolio Rebalancing)의 신호로 삼기에는 적합치 않은 측면이 많은 것 또한 사실이다. 이에 본 연구에서는 기존의 주가지수 예측방법인 이진 분류 (binary classification) 방법에서 주가지수 추세를 (상승추세, 박스권, 하락추세) 다분류 (multiple classification) 체계로 확장하여 주가지수 추세를 예측하고자 한다. 이러한 다 분류 문제 해결을 위해 기존에 사용하던 통계적 방법인 다항로지스틱 회귀분석(Multinomial Logistic Regression Analysis, MLOGIT)이나 다중판별분석(Multiple Discriminant Analysis, MDA) 또는 인공신경망(Artificial Neural Networks, ANN)과 같은 기법보다는 예측성과의 우수성이 입증된 다분류 Support Vector Machines(Multiclass SVM, MSVM)을 사용하고, 이 모델의 성능을 향상시키기 위한 래퍼(wrapper)로서 유전자 알고리즘(Genetic Algorithm)을 이용한 최적화 모델을 제안한다. 특히 GA-MSVM으로 명명된 본 연구의 제안 모형에서는 MSVM의 커널함수 매개변수, 그리고 최적의 입력변수 선택(feature selection) 뿐만이 아니라 학습사례 선택(instance selection)까지 최적화하여 모델의 성능을 극대화 하도록 설계하였다. 제안 모형의 성능을 검증하기 위해 국내주식시장의 실제 데이터를 적용해본 결과 ANN이나 CBR, MLOGIT, MDA와 같은 기존 데이터마이닝 기법들이나 인공지능 알고리즘은 물론 현재까지 가장 우수한 예측 성과를 나타내는 것으로 알려져 있던 전통적인 다분류 SVM 보다도 제안 모형이 보다 우수한 예측성과를 보임을 확인할 수 있었다. 특히 주가지수 추세 예측에 있어서 학습사례의 선택이 매우 중요한 역할을 하는 것으로 확인 되었으며, 모델의 성능의 개선효과에 다른 요인보다 중요한 요소임을 확인할 수 있었다.