Accurate seismic vulnerability assessment requires high quality and large amounts of ground motion data. Ground motion data generated from time series contains not only the seismic waves but also the background noise. Therefore, it is crucial to determine the high-pass cut-off frequency to reduce the background noise. Traditional methods for determining the high-pass filter frequency are based on human inspection, such as comparing the noise and the signal Fourier Amplitude Spectrum (FAS), f2 trend line fitting, and inspection of the displacement curve after filtering. However, these methods are subject to human error and unsuitable for automating the process. This study used a deep learning approach to determine the high-pass filter frequency. We used the Mel-spectrogram for feature extraction and mixup technique to overcome the lack of data. We selected convolutional neural network (CNN) models such as ResNet, DenseNet, and EfficientNet for transfer learning. Additionally, we chose ViT and DeiT for transformer-based models. The results showed that ResNet had the highest performance with R2 (the coefficient of determination) at 0.977 and the lowest mean absolute error (MAE) and RMSE (root mean square error) at 0.006 and 0.074, respectively. When applied to a seismic event and compared to the traditional methods, the determination of the high-pass filter frequency through the deep learning method showed a difference of 0.1 Hz, which demonstrates that it can be used as a replacement for traditional methods. We anticipate that this study will pave the way for automating ground motion processing, which could be applied to the system to handle large amounts of data efficiently.

본 연구는 Duncan-Johnson과 Donchin(1979)과 Soskins, Rosenfeld와 Niendam(2001)의 연구를 부분적으로 확장한 것으로, EEG를 측정할 때 사용하는 고역통과필터의 값이 P300의 파형에 미치는 영향을 관찰하였다. 시각자극을 이용한 세자극 오드볼 과제를 수행하는 동안 뇌파를 측정하였으며, Fz와 Pz에서 측정한 뇌파를 0.01Hz, 0.3Hz와 1.0Hz의 고역통과필터를 사용하여 여과시켰다. 0.3Hz의 고역통과필터를 사용한 경우에는 P300 진폭이 크게 감소하지 않았지만, 1.0Hz의 고역통과필터는 P300의 진폭을 크게 감소시켰다. 0.01Hz의 고역통과 필터를 사용한 경우에는 P300 이후 부적 정점이 나타나지 않았으며, 0.3Hz와 1.0Hz의 고역통과필터를 사용한 경우에는 P300 이후 부적 정점이 관찰되었다. 비목표자극과 표준자극에 대한 P300의 진폭을 변별할 때에는 0.3Hz 고역통과필터와 정점-정점 P300 측정치를 사용하는 것이 0.01Hz나 0.3Hz, 1.0Hz 고역통과필터와 기저선-정점 측정치를 사용하는 것보다 더 효율적인 경향이 있었으며, 1.0Hz의 고역통과필터를 사용한 경우에는 정점-정점 P300 측정치가 기저선-정점 P300 측정치보다 더 유용한 경향이 있었다.

본 연구에서는 DSA 장치에 의하여 획득된 영상을 고역 통과 필터링 알고리즘을 구성하여 구성된 알고리즘으로 실험을 하여 혈관조영상의 화질을 개선하는 방안을 제안하였다. 고역 통과 필터(High Pass Filter)는 고주파 성분은 통과시키고 저주파 성분은 차단하는 필터이다. 의료영상에서 고주파 성분은 장기(organ)의 윤곽이나 경계선 부분이 고주파 성분에 해당된다. 따라서 고역 통과 필터는 경계선 검출에도 쓰이지만 고역 강조를 위해서도 이용된다. 제시한 알고리즘으로 분석을 하여 혈관조영상의 화질을 개선할 수 있었다. 목적부위의 표현이 확연하게 두드러짐을 알 수 있었다. 제안된 방안을 이용한다면 DSA 시스템의 화질을 개선하는 소프트웨어에 적용하여 오진을 줄여주고 시술의 정확도를 더욱 높여 줄 수 있을 것이라 사료된다.