Background: The growing need for objective and accurate evaluation in Taekwondo poomsae competitions has highlighted the limitations of subjective human judgment. Objectives: This study aims to develop an automated scoring framework using camera-based pose estimation and advanced neural networks to improve the consistency and accuracy of poomsae evaluation. Design: Comparative analysis of neural network architectures on a large-scale dataset of poomsae movements. Methods: A dataset of 902,306 labeled frames, captured from 48 participants performing 62 distinct movements using synchronized multi-view cameras, was analyzed. Five neural networks (HNN, 1D CNN, GCN, MLP, SANN) were implemented and evaluated using accuracy, precision, recall, and F1-score. Results: The HNN demonstrated superior performance with an F1-score of 0.78 in classifying Taekwondo poomsae postures. The 1D CNN followed with an F1-score of 0.76, while GCN, MLP, and SANN achieved F1-scores of 0.74, 0.70, and 0.66, respectively. The HNN's hierarchical feature extraction approach proved effective in capturing the complex spatial and temporal patterns inherent in poomsae movements. Conclusion: Hierarchical Neural Networks outperform other architectures in poomsae classification, establishing a foundation for objective and scalable scoring systems in competitive settings.

인공관절 치환술 환자의 합병증 진단을 위한 자기공명영상 검사에서 발생한 금속 인공물을 감소시키는 VAT(view angle tilting) 기법과 딥러닝 알고리즘 중 K-공간 기반의 deep resolve(boost, sharp, DR)를 적용하여 그 유용성 에 대해 평가하고자 하였다. 자체 제작 팬텀과 3T 장비로 일반적인 VAT, DR이 적용된 VAT로 T1 강조영상, T2 강조영상, 단시간 반복 회전 연쇄기법(short tau inversion recovery, STIR) 영상들을 병렬영상 가속계수 2, 3, 4를 적용하여 획득하였다. 획득된 영상에서 왜곡도, 팬텀 바닥에서 금속 인공물까지 거리, 신호대잡음비를 정량적 평가하였고, 영상 품질은 정성적 평가하였다. 왜곡도는 일반적인 VAT와 DR이 적용된 VAT의 T1 강조영상, T2 강 조영상, STIR 모두 유의한 차이가 없었다(p>0.05). 또한 금속 인공물까지 거리도 T1 강조영상, T2 강조영상, STIR 모두 유의한 차이가 없었다(p>0.05). 신호대잡음비는 일반적인 VAT보다 DR이 적용된 VAT의 가속계수 4에서 T1 강조영상은 103%, T2 강조영상은 85.2%, STIR은 73.3% 최대로 증가하였고, 영상품질 평가점수는 T1 강조영상은 5점, T2 강조영상은 4.6점, STIR은 4.8점으로 가장 좋았다. 본 연구를 통해 VAT 기법의 영상품질 저하를 DR 기술 로 개선할 수 있었다. 금속 인공물이 발생했을 때 DR이 적용된 VAT의 가속계수를 4로 적용한다면, 검사시간을 단 축하면서 보다 진단적 가치가 높은 영상을 획득할 수 있을 것으로 사료된다.

본 연구는 딥러닝 영상 재구성 기법을 적용한 8개의 뇌질환군의 감마나이프 수술 계획용 자기공명영상(magnetic resonance imaging, MRI)의 유용성을 알아보고자 하였다. 연구 방법은 전이성 뇌종양, 뇌동정맥 기형, 수막종, 뇌하수체선종, 삼차신경통, 청신경초종, 맥락얼기 유두종, 해면상 혈관종, 총 8개의 질병을 진단받은 사람들의 T2 강조 영상(T2 weighted imaging, T2WI), 조영증강 T1 강조영상(contrast enhancement T1 weighted imaging, CE-T1WI)의 방법으로 검사한 MRI 영상을 SwiftMR을 이용하여 딥러닝 영상 재구성 기법인 디노이징(denoising)과 초해상도(super resolution)가 적용된 영상을 획득하였다. 이에 대한 성능 평가는 최대 신호대잡음비(peak signal to noise ratio, PSNR), 구조적 유사도(structural similarity index measure, SSIM), 감마나이프 방사선수술(gamma knife radiosurgery, GKRS)의 좌표계로 평가하였다. 그 결과, 원본영상을 기반으로 영상 품질이 개선된 영상의 PSNR과 SSIM은 높은 수치를 나타냄으로써 MRI 영상의 재구성이 문제없이 이루어졌고, GKRS의 수술 좌표계 또한 변화를 보이지 않았다. 결론적으로 딥러닝 영상 재구성 기법은 영상 품질 향상과 영상 보존에서 뛰어난 성능을 보임과 동시에 좌표계도 변화를 보이지 않아서, 딥러닝 영상 재구성 기법은 감마나이프 수술 계획에 유용하게 사용할 수 있는 기법임을 확인하였다.

아막성은 운봉고원 일대를 한눈에 조망할 수 있는 전략적 요충지에 자리하고 있다. 성의 평면 형태는 방형이며 둘레는 635.8m에 이른다. 성벽은 편마암 성돌을 장방형으로 가공한 후 바른층쌓기 방식으로 축조되었으며 협축식 축조기법과 보축성벽, 장방형 집수시설이 확 인되었다. 또한, 현문식 성문과 장방형의 치가 설치되었을 것으로 추정된다. 출토된 유물은 6세기 중엽 이후의 신라 토기가 주류를 이루고 있다. 아막성의 축성 방식은 같은 시기의 가야성과 백제성과는 뚜렷한 차이를 보인다. 가야성 은 주로 할석으로 쌓았으며 정교하게 가공된 장방형 성돌을 사용한 사례는 확인되지 않는 다. 백제성 또한 할석으로 축조된 체성벽과 개거식 성문이 특징적이다. 이러한 백제식 축성 법은 아막성 인근의 임실 성미산성과 순창 대모산성에서도 확인된다. 신라의 석축산성은 5세기 후반부터 등장하며 높은 체성벽과 세장방형 성돌, 협축성벽, 현문, 보축성벽, 곡면 치성 등이 특징이다. 이후 축성기법이 변화하면서 성벽의 높이가 점차 낮아졌으며 성돌의 형태는 장방형으로 변하였다. 7세기 중반에는 편축성벽, 지대석, 가공성 돌, 퇴물림쌓기 방식 등의 축성법이 사용되었다. 이러한 점을 고려할 때 아막성은 6세기 중 엽에 축조된 신라의 산성으로 판단된다. 문헌 기록에 따르면, 신라는 대가야 멸망 이후 빠르게 가야 지역으로 진출하여 아막성을 축조하였다. 입지와 축조 시점을 고려할 때, 현재의 성리산성이 곧 아막성일 가능성이 크다. 이후 아막성은 신라의 행정체계에 편입되어 운봉현의 치소성으로 기능하였으며 운봉성, 또 는 모산성으로 불렸을 것으로 추정된다. 신라는 아막성과 함께 소타성, 외석성, 천산성, 옹잠성 등 네 개의 성을 축조하였다. 운봉 고원 일대의 산성 중 가산리산성, 장교리산성, 양지산성, 할미성에서도 아막성과 유사한 신 라의 축성법이 확인되므로 이들 성이 아막성 전투에서 언급된 4성일 가능성이 있다.

상수도 배관에서 누수 또는 이상을 감지하는 기계학습 및 인공신경망 분류 모델에 대한 연구가 활발히 진행되어 왔다. 그러나 누수음 데이터는 시간과 환경에 따라 계속 변동하기 때문에, 입력 데이터의 변화에도 일정 수준 이상의 분류 성능을 유지하는 분류 모델을 찾는 데 어려움이 있다. 본 연구에서는 모델 선택과 초매개변수 조정보다 데이터 전처리 방법이 분류 성능 향상에 더 큰 영향을 미친다는 점에 주목했다. 변동성이 큰 누수음의 특징을 효과적으로 추출하기 위해 푸리에 변환 및 MFCC(Mel-Frequency Cepstral Coefficients)를 사용하였으며, 일부 정보가 중복될 가능성을 고려하여 다중공선성에 덜 민감한 트리 기반 모델을 사용해 누수음의 분류 성능을 평가했다. 연구 결과, 푸리에 변환과 MFCC를 결합한 데이터 세트를 사용했을 때 LightGBM 모델의 분류 정확도가 84.62%로 나타났으며, 각각의 전처리 방법을 단독으로 사용했을 때보다 더 높은 성능을 달성하였다. 이 결과는 두 전처리 방법의 상호 보완적 특성이 분류 성능 향상에 기여했음을 입증하며, 상수도 관망 누수 탐지 시스템 개발에 중요한 기여를 할 것으로 기대된다.

코칭이 학문적으로 체계화되고 있고 다양한 분야에서 코칭이 적용되고 있다. 이러한 코칭은 상담과도 밀접한 관련이 있다. 왜냐하면 코칭과 상담은 대화로 이루어지기 때문이다. 실제 상담 과정에서 상담 대화 기법으로 활용되고 있는 내용들을 코칭 과정에서도 활용하면 코칭이 더 풍성해질 것이다. 이 연구의 목 적은 코칭 과정에서 상담 대화 기법 활용 방법을 탐색하여 코칭 현장에서의 상 담 대화 기법 적용 가능성을 모색하는 데 있다. 연구 결과는 다음과 같다. 코칭 의 과정을 살펴보면 1단계는 레포 형성, 2단계는 목표설정, 3단계는 현실점검, 4단계는 대안 탐구, 5단계는 실행 의지 확인이다. 이 각각의 코칭 단계에서 경청 과 질문 피드백이 있다. 코칭의 과정에서 상담 대화 기법을 적용할 수 있다. 상 담 대화 기법은 경청, 명료화, 탐색적 질문, 반영, 공감, 자기 계발, 정보 및 조언 제공이다. 코칭의 과정에서 이러한 상담 대화 기법을 활용하면 코칭이 더 풍성 해질 수 있다.

Background: Automated classification systems using Artificial Intelligence (AI) and Machine Learning (ML) can enhance accuracy and efficiency in diagnosing pet skin diseases within veterinary medicine. Objectives: This study created a system that classifies pet skin diseases by evaluating multiple ML models to determine which method is most effective. Design: Comparative experimental study. Methods: Pet skin disease images were obtained from AIHub. Models, including Multi-Layer Perceptron (MLP), Boosted Stacking Ensemble (BSE), H2O AutoML, Random Forest, and Tree-based Pipeline Optimization Tool (TPOT), were trained and their accuracy assessed. Results: The TPOT achieved the highest accuracy (94.50 percent), due to automated pipeline optimization and ensemble learning. H2O AutoML also performed well at 94.25 percent, illustrating the effectiveness of automated selection for intricate imaging tasks. Other models scored lower. Conclusion: These findings highlight the potential of AI-driven solutions for faster and more precise pet skin disease diagnoses. Future investigations should incorporate broader disease varieties, multimodal data, and clinical validations to solidify the practicality of these approaches in veterinary medicine.

본 연구는 뇌 DWI에서 딥러닝 적용 시 48채널과 8채널 헤드 코일 간 영상 품질의 차이를 분석하는 것을 목표로 하였다. 3.0T MRI를 사용하여 두 종류의 코일을 비교하였으며, 딥러닝 알고리즘의 효과를 확인하기 위해 SNR(신호 대 잡음비), ADC(겉보기 확산 계수), SSIM(구조적 유사성 지수)을 측정하였습니다. 연구 결과에 따르면, 딥러닝 적용 후 b-value에 따른 두 코일 간의 차이가 나타났다. 특히 b-value 0 및 1000에서는 딥러닝 적용 전후에 두 코일 간 통계적으로 유의미한 차이가 없었지만, b-value 3000에서는 적용 전후 모두에서 유의미한 차이가 있었다. SSIM 분석에서도 딥러닝 적용 전후 차이는 없었으나, b-value에 따른 차이가 측정되었습니다. 이러한 차이는 영상 판독에 영향을 미칠 수 있으며, 이를 개선하기 위해서는 딥러닝 알고리즘이 부위별, 코일별, 펄스 시퀀스별로 최적화 될 필요가 있다. 따라서 본 연구는 향후 딥러닝 기반 MRI 영상의 정확도와 일관성을 높이기 위한 기초 정보를 제공 하며, 임상적 적용에서 부위별, 수신 코일별, 펄스 시퀀스별로 세분된 딥러닝의 최적화가 필요하다.

Defective product data is often very few because it is difficult to obtain defective product data while good product data is rich in manufacturing system. One of the frequently used methods to resolve the problems caused by data imbalance is data augmentation. Data augmentation is a method of increasing data from a minor class with a small number of data to be similar to the number of data from a major class with a large number of data. BAGAN-GP uses an autoencoder in the early stage of learning to infer the distribution of the major class and minor class and initialize the weights of the GAN. To resolve the weight clipping problem where the weights are concentrated on the boundary, the gradient penalty method is applied to appropriately distribute the weights within the range. Data augmentation techniques such as SMOTE, ADASYN, and Borderline-SMOTE are linearity-based techniques that connect observations with a line segment and generate data by selecting a random point on the line segment. On the other hand, BAGAN-GP does not exhibit linearity because it generates data based on the distribution of classes. Considering the generation of data with various characteristics and rare defective data, MO1 and MO2 techniques are proposed. The data is augmented with the proposed augmentation techniques, and the performance is compared with the cases augmented with existing techniques by classifying them with MLP, SVM, and random forest. The results of MO1 is good in most cases, which is believed to be because the data was augmented more diversely by using the existing oversampling technique based on linearity and the BAGAN-GP technique based on the distribution of class data, respectively.

자기공명영상은 인체 내부 구조와 병변을 비침습적으로 시각화하는 핵심 의료 영상 기법으로 자리 잡고 있으며, 특히 신경계 및 심혈관계 질환과 같은 복잡한 질병의 진단에서 필수적인 도구로 활용되고 있다. 기존의 자기공명영상 시스 템은 영상의 해상도와 신호대잡음비에서 한계가 있었으나, 최근의 기술 발전은 이러한 한계를 극복하고 진단 정확성 을 높이는 방향으로 나아가고 있다. 고자기장 자기공명영상 시스템의 도입은 해상도와 신호대잡음비를 개선하는 데 기여하고 있으며, 병렬 영상 기법은 촬영 속도를 향상시키면서도 영상 품질의 손실을 최소화한다. 또한, 압축 센싱 (compressed sensing) 기술은 데이터 획득 시간을 줄여 촬영 효율성을 높이는 데 중요한 역할을 하고 있다. 최근 인공지능(AI)의 발전으로, 자기공명영상 데이터에서 초해상도 복원(super-resolution) 및 노이즈 제거와 같은 영상 후처리 기술이 획기적으로 향상되었다. 인공지능 기반의 영상 향상 기술은 저해상도 데이터를 고해상도로 변환하고, 촬영 과정에서 발생할 수 있는 왜곡과 노이즈를 효과적으로 제거하여, 더 정확하고 명확한 진단 영상을 제공한다. 이러한 발전은 단순히 영상의 품질을 높이는 것을 넘어, 임상 진단의 정확성과 효율성을 크게 향상시키고 있으며, 특히 제한된 촬영 시간을 요구하는 응급 상황에서 유용성이 두드러진다. 본 논문에서는 자기공명영상 촬영 기법의 최신 발전과 인공지능 기반 영상 향상 기술의 동향을 여러모로 분석하고, 이들의 임상적 유용성을 조명함으로써 고해 상도 자기공명영상이 의료 분야에서 가지는 의미와 향후 발전 방향을 제시하고자 한다.

In this study, we developed a technology that can measure key evaluation items in the field for various rehabilitation methods and evaluated its performance. The results are as follows. First, when the spray-on lining adhesion strength is measured after drying at high temperature (60℃) for 4 hours and cooling for 2 hours, the results are equivalent to or higher than the adhesion strength measured at room temperature after 48 hours. Therefore, the time required for measuring the adhesion strength in the field can be shortened to 1/8, and it is expected to be helpful in evaluating the condition of the spray-on lining. Second, depending on close or adhesive to existing pipe of the liner of the close-fit lining or CIPP lining, and the grouting condition of the slip lining, the sound frequency generation pattern, the vibration magnitude, and duration using the impact echo showed different characteristics. Therefore, it is thought that it is possible to evaluate liner lifting or grouting failure through analysis of the acoustic frequency, vibration magnitude, and duration. Third, when water penetrates the back of the liner of the close-fit lining or CIPP lining, it was found that the water penetrated between the liner and the existing pipe acts as a couplant, and a signal is repeatedly generated in which ultrasonic energy is transmitted and reflected to the steel pipe after the liner. Therefore, it is judged that it is possible to check whether water has penetrated the back of the liner using ultrasonic waves. Fourth, the liner tensile strength of the close-fit, CIPP lining was compared with the tensile test and the instrumented indentation test, and it was found that the tensile strength was similar. So it was judged that it will be helpful in evaluating the mechanical strength change without the liner specimen in the future.

This study aimed to improve the accuracy of road pavement design by comparing and analyzing various statistical and machine-learning techniques for predicting asphalt layer thickness, focusing on regional roads in Pakistan. The explanatory variables selected for this study included the annual average daily traffic (AADT), subbase thickness, and subgrade California bearing ratio (CBR) values from six cities in Pakistan. The statistical prediction models used were multiple linear regression (MLR), support vector regression (SVR), random forest, and XGBoost. The performance of each model was evaluated using the mean absolute percentage error (MAPE) and root-mean-square error (RMSE). The analysis results indicated that the AADT was the most influential variable affecting the asphalt layer thickness. Among the models, the MLR demonstrated the best predictive performance. While XGBoost had a relatively strong performance among the machine-learning techniques, the traditional statistical model, MLR, still outperformed it in certain regions. This study emphasized the need for customized pavement designs that reflect the traffic and environmental conditions specific to regional roads in Pakistan. This finding suggests that future research should incorporate additional variables and data for a more in-depth analysis.

Detection and sizing of defects are very important for structure life management base on fracture mechanics. The non-destructive inspection techniques based on the induced current field measurement are newly developed. This paper describes the results obtained by these techniques for artificial surface defects. In the case of the RICFM technique, the potential drop distribution around a surface defects was measured as a smaller potential drop than that in a place without a defect. This potential drop showed a minimum value at the defect location, and the absolute value of this minimum value increases depending on the depth of the defect. In the case of the FEF technique, the potential difference distribution for surface defects was measured as a maximum at the location of the defect. This maximum value showed a difference depending on the depth of the defect.

PURPOSES : In this study, the existence of an optimal pattern among transition methods applied during changes in traffic signal timing was investigated. We aimed to develop this pattern into an artificial intelligence reinforcement-learning model to assess its effectiveness METHODS : By developing various traffic signal transition scenarios and considering 19 different traffic signal transition situations that can be applied to these scenarios, a simulation analysis was performed to identify patterns through statistical analysis. Subsequently, a reinforcement-learning model was developed to select an optimal transition time model suitable for various traffic conditions. This model was then tested by simulating a virtual experimental center environment and conducting performance comparison evaluations on a daily basis. RESULTS : The results indicated that when the change in the traffic signal cycle length was less than 50% in the negative direction, the subtraction method was efficient. In cases where the transition was less than 15% in the positive direction, the proposed center method for traffic signal transition was found to be advantageous. By applying the proposed optimal transition model selection, we observed that the transition time decreased by approximately 70%. CONCLUSIONS : The findings of this study provide guidance for the next level of traffic signal transitions. The importance of traffic signal transition will increase in future AI-based traffic signal control methods, requiring ongoing research in this field.