Earticle

중증 급성 호흡기 증후군 코로나바이러스-2(SARS-CoV-2) 감염의 중증도를 정확하게 예측하는 것은 효과적인 환자 치료 및 위험도가 높은 환자의 우선적 관리를 위해 필수적이다. 본 연구에서는 유전자 발현량을 입력 특징으로 하고 유전자와 생물학적 패스웨이 관계를 신경망 구조에 반영한 ExPDrug 모델을 기반으로 하여, 임상 환자 정보를 추가로 통합하는 다중 모달 모델을 개발하였다. 이를 위해, 서로 다른 데이터 유형을 효과적으로 정렬하기 위한 투영층(projection layer)을 도입하였다. 실험 결과, 제안된 다중 모달 모델은 ExPDrug 모델 대비 AUC, 정확도(accuracy), 정밀도(precision)에서 향상된 성능을 보였으며, 세포 타입별 분석에서는 CD8+ T 세포에서 높은 성능을 보였다. 연구 결과의 해석 가능성을 높이기 위해 LIME(Local Interpretable Model-agnostic Explanations) 기법을 적용한 결과 호흡수(Respiration rate), 산소포화도(SpO₂) 등이 중요한 임상적 예측 변수임을 확인하였는데, 이들은 CD8+ T 세포 활동과의 높은 연관성을 기반으로 세포 타입별 예측 정확도에 영향을 주었을 것으로 예상된다. 본 연구 결과는 유전자 발현 데이터와 임상 데이터를 통합하는 것이 SARS-CoV-2 감염의 중증도 예측 성능을 향상시키는 데 기여할 수 있음을 시사한다.

Accurately predicting the severity of severe acute respiratory syndrome (SARS-CoV-2) infection is crucial for effective patient management and resource allocation. Building on the ExPDrug model, which utilizes gene expression data and gene-pathway relationships for severity prediction, we develop a novel multi-modal model that integrates an additional modality by incorporating a projection layer to align heterogeneous data sources including clinical patient information. The experimental results demonstrate that the multimodal model outperforms ExPDrug in terms of the area under the curve (AUC), accuracy, and precision, particularly for CD8+ T cells. To enhance the interpretability of the findings, the Local Interpretable Model-agnostic Explanations (LIME) method was employed, which identified respiration rate and SpO₂ as pivotal clinical indicators. These features may help explain the model's strong performance for CD8+ T cells, based on their relationship with specific immune cell activities. These observations underscore the synergistic value of integrating gene expression and clinical data for severity prediction in COVID-19.

In order to improve the fault positioning accuracy of distributed generation power distribution network, it puts forward fault positioning method of distribution network equipment based on blended data association rule data mining method. Based on fuzzy rough set theory, it studies classification rule mining method on hybrid data, through the introduction of the rule to obtain the a generalized threshold of the algorithm, and control the scale and complexity of the obtained rule set, so as to improve the classification efficiency of rough set method of knowledge discovery on the failure data and get the fault positioning feature of distribution network, finally adopts the support vector machine (SVM) to make fault classification, and tests the performance of the algorithm with simulation experiment. The simulation results show that, this paper can be quickly and accurately to locate fault power section, and the fault positioning accuracy is higher than other fault positioning methods of distribution network.

In this paper Magnetic Charged System Search (MCSS) and Particle Swarm Optimization (PSO) are applied to the problem of damage detection using frequencies and mode shapes of the structures. The objective is to identify the location and extent of multi-damage in structures. Both natural frequencies and mode shapes are used to form the required objective function. To moderate the effect of noise on measured data, a penalty approach is applied. A variety of numerical examples including two beams and two trusses are considered. A comparison between the PSO and MCSS is conducted to show the efficiency of the MCSS in finding the global optimum. The results show that the present methodology can reliably identify damage scenarios using noisy measurements and incomplete data.

In the present paper, a method for identifying damage in a multi storeyed shear building structure is presented using minimum number of modal parameters of the structure. A damage at any level of the structure may lead to a major failure if the damage is not attended at appropriate time. Hence an early detection of damage is essential. The proposed identification methodology requires experimentally determined sparse modal data of any particular mode as input to detect the location and extent of damage in the structure. Here, the first natural frequency and corresponding partial mode shape values are used as input to the model and results are compared by changing the sensor placement locations at different floors to conclude the best location of sensors for accurate damage identification. Initially experimental data are simulated numerically by solving eigen value problem of the damaged structure with inclusion of random noise on the vibration characteristics. Reliability of the procedure has been demonstrated through a few examples of multi storeyed shear structure with different damage scenarios and various noise levels. Validation of the methodology has also been done using dynamic data obtained through experiment conducted on a laboratory scale steel structure.

Nowadays, there are two classes of methods for damage detection in structures consisting of static and dynamic. The dynamic methods are based on studying the changes in structure's dynamic characteristics. The theoretical basis of this method is that damage causes changes in dynamic characteristics of structures. The dynamic methods are divided into two categories: signal based and modal based. The modal based methods utilize the modal properties consisting of natural frequencies, modal damping and mode shapes. As the modal properties are sensitive to changes in the structure, these can be used for detecting the damages. In this study, using dynamic method and modal based approach (natural frequencies and mode shapes), the objective function is formulated. Then, detection of damages of truss structures is addressed by using Simplified Dolphin Echolocation algorithm and solving inverse optimization problem. Many scenarios are used to simulate the damages. To demonstrate the ability of the algorithm, different truss structures with several multiple elements scenarios are tested using a few runs. The influence of the two different levels of noise in the modal data for these scenarios is also considered. The last example of this article is investigated using a different mutation. This mutation obtains the exact answer with fewer loops and population by limited computational effort.

We studied a modelling process for unimodal and multimodal circular data by using von Mises and its mixture distribution. In particular we suggested EM algorithm to find ML estimates of the mixture model. Simulation results showed the suggested methods are very accurate. Applications to two kinds of real data sets are also included.

인간의 학습과 기억현상에 있어서 멀티모달 데이터를 사용하는 것은 단순 모달리티 데이터를 사용하는 것에 비해서 향상된 효과를 보인다는 여러 연구 결과가 있어왔다. 이 논문에서는 인간의 순차적인 정보처리와 생성현상을 기계에서의 시뮬레이션을 통해서 기계학습에 있어서도 동일한 현상이 나타나는지에 대해서 알아보고자 하였다. 이를 위해서 가중치를 가진 랜덤 하이퍼그래프 모델을 통해서 순차적인 멀티모달 데이터의 상호작용을 하이퍼에지들의 조합으로 나타내는 것을 제안 하였다. 이러한 제안의 타당성을 알아보기 위해서 비디오 데이터를 이용한 문장생성을 시도하여 보았다. 이전 장면의 사진과 문장을 주고 다음 문장의 생성을 시도하였으며, 단순 암기학습이나 주어진 룰을 통하지 않고 의미 있는 실험 결과를 얻을 수 있었다. 단순 텍스트와 텍스트-이미지 쌍의 단서를 통한 실험을 통해서 멀티 모달리티가 단순 모달리티에 비해서 미치는 영향을 보였으며, 한 단계 이전의 멀티모달 단서와 두 단계 및 한 단계 이전의 멀티모달 단서를 통한 실험을 통해서 순차적 데이터의 단계별 단서의 차이에 따른 영향을 알아볼 수 있었다. 이를 통하여 멀티 모달리티가 시공간적으로 미치는 기계학습에 미치는 영향과 순차적 데이터의 시간적 누적에 따른 효과가 어떻게 나타날 수 있는지에 대한 실마리를 제공할 수 있었다고 생각된다.

This paper presents systematic study of the experimental application of a free-interfaced component mode synthesis method. In the free-interfaced component mode synthesis method, an error the to truncated higher modes and neglected ineria loadings on a component from the connected component is inherent. Also, it is difficult to directly use experimental modal data in a modal synthesis method which links experimental model to finite-element model because of many inconsistencies between experimentally obtained and analytically obtained modal vectors and missing degrees-of-freedom (DOFs) such as rotational DOFs. In order to solve these problems, three methods, the first one based on attaching auxiliary weights to the connection points, the second one utillizing the normalization of experimental modal vector, and the third one generating smoothed and expanded experimental mode shapes, are studied in this paper. Finally, the study is illustrated for a flat-plate structure by using simulated and measured experimental data.

In this study, a method that estimates stiffness and mass matrices of shear building from modal test data is presented. This method applied of building depends on the number of measurement points that are less in number than the total structural degrees of freedom, and on the first two orders of structural mode measured. By means of this method it is possible to use modal data of unmeasurable points to estimate total stiffness and mass matrices of structure. Some examples are studied in this paper, and its result shows that this method is reliable.

Model updating method is known to the area to correct finite element models by the results of the experimental modal analysis. Most common methods in model updating depend on a parametric model of the structure. In this case, the number of parameters is normally smaller than that of modal data obtained from an experiment. In order to overcome this limitation, many researchers are trying to get modal data as many as possible to date. 1 want to name this method multiple modified-system generation method. These Methods consist of direct system modification method and feedback controller method. The direct system modification Is to add a mass or stiffness on the original structure or perturb the boundary conditions. The feedback controller method is to make the closed food system with sensor and actuator so as to get the closed loop modal data. In this paper, we need to focus on the feedback controller method because of its simplicity. Several methods related the feedback controller methods are virtual passive controller (VPC) sensitivity enhancement controller (SEC) and mode decoupling controller (MDC). Among them, we will apply MDC to the model updating problem. MDC has various advantages compared with other controllers, such as VPC and SEC. To begin with, only the target mode can be changed without changing modal property of non-target modes. In addition, it is possible to fix any modes if the number of sensors is equal to that of the system modes. Finally, the required control power to achieve desired change of target mode is always lower than those of other methods such as VPC. However, MDC can make the closed loop system unstable when using incomplete modal data. So we need to take action to avoid undesirable instability from incomplete modal data. In this paper, we address the method to design the unique and robust MDD obtained from incomplete modal data. The associated simulation will be Incorporated to demonstrate the usefulness of this method.

전 세계적으로 대기오염은 인류의 건강과 생태계에 심각한 위협을 초래하는 범지구적 환경 문제로 대두되고 있으며, 동아시아 지역 또한 급속한 도시화와 산업화, 인접 국가로부터의 대기오염물질 유입으로 인해 대기질 악화 문제가 심화되고 있다. 특히, 한반도는 편서풍을 통해 중국으로부터 유입되는 대기오염물질 및 국내 배출 오염원이 복합적으로 작용하여 대기오염 문제가 빈번히 발생하고 있으며, 이에 따른 정량적 진단과 효과적인 대응이 필요한 상황이다. 그러나 기존 대기질 측정망은 지점 기반의 측정값만을 제공하기 때문에 도시 지역의 확산과 대기오염의 연관성을 광역적으로 분석하는 데에는 한계가 존재한다. 또한 국내외 대규모 대기오염 물질 배출원 정보 획득은 접근성과 보안 등으로 인해 어려움이 존재한다. 본 연구에서는 이러한 한계를 극복하기 위해 다양한 원격탐사 자료와 인공지능(arificial intelligence, AI) 기반의 의미론적 분할(semantic segmentation) 기법을 활용하여 대규모 대기오염물질의 배출원인 시가화 지역의 분류를 수행하였다. 이를 위해 중국 동부해안 도시지역과 남한지역을 연구지역으로 설정하여 Landsat 8/9 광학 위성영상, 정지궤도 환경위성(Geostationary Environment Monitoring Spectrometer, GEMS) 데이터, 그리고 지상 대기오염 측정망 데이터를 통합하여 멀티모달(multi-modal) AI 데이터셋을 구축하였다. 또한 멀티모달 데이터의 딥러닝 적용을 위해 다중 인코더 구조를 가지는 multi-encoder U-Net 모델을 설계하여 다중 입력자료에 기반한 시가지 분류 성능을 평가하였다. 본 연구의 결과 multi-encoder U-Net 모델의 성능은 픽셀 정확도가 0.9523, Intersection over Union (IoU)은 0.8789의 값이 도출되어 단일 인풋 U-Net 모델의 픽셀 정확도 0.9499와 IoU 0.8729에 비해 소폭 향상된 성능을 보였다. 본 연구의 결과는 향후 장기적인 대기환경 감시 및 정책 수립을 위한 정량적 근거로 활용될 수 있을 것으로 기대된다.

Air pollution has emerged as a critical global environmental issue, posing severe threats to human health and ecosystems worldwide. In East Asia, rapid urbanization, industrialization, and transboundary inflow of air pollutants from neighboring countries have further exacerbated air quality deterioration. The Korean Peninsula, in particular, frequently experiences severe air pollution events due to the combined influence of domestically emitted pollutants and those transported from China via prevailing westerlies. This complex situation necessitates quantitative assessment and effective mitigation strategies. However, conventional ground-based air quality monitoring networks are limited in their spatial coverage and thus insufficient for analyzing the relationship between urban expansion and air pollution on a regional scale. Furthermore, acquiring information on large-scale emission sources, both domestic and international, remains challenging due to constraints in accessibility and data security. To address these limitations, this study employed various remote sensing datasets in conjunction with artificial intelligence (AI) based semantic segmentation techniques to classify urbanized areas as major emission sources of air pollutants. The study focused on urban regions along China's Eastern Coast and South Korea. A multi-modal AI dataset was constructed by integrating Landsat 8/9 optical satellite imagery, Geostationary Environment Monitoring Spectrometer (GEMS) data, and ground-based air quality monitoring network data. For the deep learning application of the multi-modal data, a multi-encoder U-Net model was designed to evaluate the classification performance of urban areas based on multiple input sources. Experimental results demonstrated that the proposed multi-encoder U-Net model achieved a pixel accuracy of 0.9523 and an Intersection over Union (IoU) score of 0.8789, showing a slight improvement over the single-encoder U-Net model, which recorded a pixel accuracy of 0.9506 and an IoU of 0.8746. These findings highlight the enhanced performance gained through the integration of heterogeneous environmental data sources. The outcomes of this study are expected to serve as a quantitative foundation for long-term air quality monitoring and policy development.

현재 수치예보 시스템은 항공기, 위성 등 다양한 센서에서 얻은 다종 관측 데이터를 동화하여 대기 상태를 추정하고 있지만, 관측변수 또는 물리량이 서로 다른 관측들을 처리하기 위한 계산 복잡도가 매우 높다. 본 연구에서 기존 시스템의 계산 효율성을 개선하여 관측을 평가하거나 전처리하는 데에 효율적으로 활용하기 위해, 각 관측의 특성을 고려한 자기 지도학습 방법을 통해 멀티모달 기상관측으로부터 실제 대기 상태를 추정하는 방법론을 제안하고자 한다. 비균질적으로 수집되는 멀티모달 기상관측 데이터를 융합하기 위해, (i) 기상관측의 heterogeneous network를 구축하여 개별 관측의 위상정보를 표현하고, (ii) pretext task 기반의 self-supervised learning을 바탕으로 개별 관측의 특성을 표현한다. (iii) Graph neural network 기반의 예측 모델을 통해 실제에 가까운 대기 상태를 추정한다. 제안하는 모델은 대규모 수치 시뮬레이션 시스템으로 수행되는 기존 기술의 한계점을 개선함으로써, 이상 관측 탐지, 관측의 편차 보정, 관측영향 평가 등 관측 전처리 기술로 활용할 수 있다.

생체인식은 정보처리시스템에 있어서 네트웍 보안, 시스템 보안, 어플리케이션 보안 등에 사용되는 개인인증 및 확인을 위한 하나의 기법으로 볼 수 있으며, 개인정보를 포함한 데이터의 보호를 위해서 본인이나 승인된 사용자만이 네트웍이나 물리적 접근 등을 통하여 접근하고자 하는 것이다. 본 논문에서는 얼굴인식과 홍채인식 시스템을 융합한 다중생체인식 시스템을 구현하였으며, 다중생체인식 시스템에서 구현된 생체데이터를 안전하게 전송할 수 있는 방법으로 블록 암호 알고리듬 ARIA를 침입에 대한 보안 방법으로 제안하였다. 이에 다중생체 특징벡터를 128비트의 블록 크기를 이용하여 암호화 하였으며, 생체 특징벡터를 이용하여 128비트의 키로 사용하였다.

최근 영상 콘텐츠를 통해 영상물의 메시지뿐 아니라 메시지의 형식을 통해 전달된 감정이 시청하는 사람의 심리 상태에 영향을 주고 있다. 이에 따라, 영상 콘텐츠의 감정을 분류하는 연구가 활발히 진행되고 있고 본 논문에서는 대중적인 영상 스트리밍 플랫폼 중 하나인 유튜브 영상을 7가지의 감정 카테고리로 분류하는 여러 개의 영상 데이터 중 각 영상 데이터에서 오디오와 이미지 데이터를 각각 추출하여 학습에 이용하는 멀티 모달 방식 기반의 영상 감정 분류 모델을 제안한다. 사전 학습된 VGG(Visual Geometry Group)모델과 ViT(Vision Transformer) 모델을 오디오 분류 모델과 이미지 분류 모델에 이용하여 학습하고 본 논문에서 제안하는 병합 방법을 이용하여 병합 후 비교하였다. 본 논문에서는 기존 영상 데이터 감정 분류 방식과 다르게 영상 속에서 화자를 인식하지 않고 감정을 분류하여 최고 48%의 정확도를 얻었다.

The purpose of present study is to propose a improved damage detection and assessment algorithm that has its basis on the method of system identification. In this approach, the complete sets of modes or displacements are not needed since the error response function involves only the difference between components of those vectors. The present approach also allows the use of composite data which is constitute of static displacements and eigenmodes. The effectiveness of the proposed statistical system identification method is investigated through simulated studies. A series of tests for predetermined damaged cantilever beam and bowstring truss structure have been conducted to verify the proposed method.

스마트 기기 사용자의 성별 정보는 성공적인 개인화 서비스를 위해 중요하며, 스마트 기기로부터 수집된 멀티 모달 로그 데이터는 사용자의 성별 예측에 중요한 근거가 된다. 하지만 각 멀티 모달 데이터의 특성에 따라 다른 방식으로 성별 예측을 수행해야 한다. 따라서 본 연구에서는 스마트 기기로부터 발생한 로그 데이터 중 텍스트, 어플리케이션, 가속도 데이터에 기반한 각기 다른 분류기의 예측 결과를 다수결 방식으로 앙상블하여 최종 성별을 예측하는 기법을 제안한다. 텍스트 데이터를 이용한 분류기는 데이터 유출에 의한 사생활 침해 문제를 최소화하기 위해 웹 문서로부터 각 성별의 특징적 단어 집합을 도출하고 이를 기기로 전송하여 사용자의 기기 내에서 성별 분류를 수행한다. 어플리케이션 데이터에 기반한 분류기는 사용자가 실행한 어플리케이션들에 성별을 부여하고 높은 비율을 차지하는 성별로 사용자의 성별을 예측한다. 가속도 기반 분류기는 성별에 따른 사용자의 가속도 데이터 인스턴스를 학습한 SVM 모델을 사용하여 주어진 성별을 분류한다. 자체 제작한 안드로이드 어플리케이션을 통해 수집된 실제 스마트 기기 로그 데이터를 사용하여 제안하는 기법을 평가하였으며 그 결과 높은 예측 성능을 보였다.

Gender information of a smart device user is essential to provide personalized services, and multi-modal data obtained from the device is useful for predicting the gender of the user. However, the method for utilizing each of the multi-modal data for gender prediction differs according to the characteristics of the data. Therefore, in this study, an ensemble method for predicting the gender of a smart device user by using three classifiers that have text, application, and acceleration data as inputs, respectively, is proposed. To alleviate privacy issues that occur when text data generated in a smart device are sent outside, a classification method which scans smart device text data only on the device and classifies the gender of the user by matching text data with predefined sets of word. An application based classifier assigns gender labels to executed applications and predicts gender of the user by comparing the label ratio. Acceleration data is used with Support Vector Machine to classify user gender. The proposed method was evaluated by using the actual smart device log data collected from an Android application. The experimental results showed that the proposed method outperformed the compared methods.

Usually vibration properties are obtained from frequency response functions or impulse response functions of a system. Since the contact type sensors can affect the characteristics of vibrating systems, the non-contact type sensors such as laser Doppler vibrometer (LDV) are being widely used. Currently researches are being carried out in terms of modal analysis using a scanning vibrometer. For the continuous scan; the Chebyshev demodulation (or polynomial) is apparently suggested to extract the mode shapes. With single frequency sinusoidal excitation, this approach is well fitted. In this research, the Chebyshev demodulation technique has been applied to the impact excitation case. The vibration of the tested structure is modeled using impulse response functions. The technique is also adopted to the random excitation case. In order to verify the technique, a simply supported beam was chosen as the test rig. The calculation modules are developed by using MATLAB$\^$(R)/ in WindowsNT$\^$(R)/ environment.

본 연구는 철도 기반 모달시프트가 환경성과, 물류성과 및 무역경쟁력에 미치는 구조적 영향을 실증적으로 분석하였다. 이를 위해 세계은행, EDGAR, UIC 등 국제기관의 통계자료를 활용하여 133개국의 2007-2018년 불균형 패널자료를 구축하고, 국가 및 연도 이원고정효과 모형을 적용하였다. 분석 결과, 첫째 초미세먼지(PM2.5) 농도는 물류성과(LPI)에 유의한 부(-)의 영향을 미치는 것으로 나타나 대기오염이 물류경쟁력을 저해함을 확인하였다. 둘째, 철도이용률은 물류성과에 유의한 정(+)의 영향을 미쳐 철도 중심 운송체계가 물류 효율성 향상에 직접적으로 기여함을 실증하였다. 셋째, 물류성과는 수출, 수입, 총교역량 모두에 유의한 정(＋)의 영향을 미치는 것으로 확인되어 물류성과가 무역경쟁력의 핵심 결정요인임을 입증하였다. 다만 운송부문 탄소배출 비중은 예상과 달리 물류성과에 양(+)의 영향을 보여, 경제발전 수준과 산업구조에 따른 구조적 특성이 반영된 것으로 해석되었다. 본 연구는 철도 인프라 투자가 기후변화 대응, 대기질 개선, 물류경쟁력 강화라는 다중 목표를 동시에 달성할 수 있는 정책 수단임을 시사하며, 환경정책과 물류정책의 통합적 추진 필요성을 제시한다.

Purpose - This paper empirically examines how railway-based modal shift relates to environmental performance, logistics performance, and trade competitiveness using international panel data. Amid tightening environmental regulations, it investigates whether greater rail utilization strengthens national trade competitiveness. Design/Methodology - This study constructs an unbalanced panel dataset covering 133 countries over six time points (2007, 2010, 2012, 2014, 2016, 2018), drawing on data from the World Bank, EDGAR, and UIC. A two-way fixed effects model controlling for both country and year effects is employed. Model 1 analyzes the effects of transport-sector CO2 emission share, PM2.5 concentration, and railway utilization on the Logistics Performance Index (LPI). Model 2 examines the impact of LPI on export, import, and total trade volume. Findings - The main findings are as follows. PM2.5 concentration has a significant negative effect on logistics performance, confirming that air pollution undermines logistics competitiveness, while railway utilization strongly enhances LPI. LPI, in turn, significantly boosts exports, imports, and total trade, establishing logistics performance as a key driver of trade competitiveness. Transportsector CO2 emission share shows an unexpected positive relationship with LPI, reflecting structural characteristics of advanced economies with large transport sectors. Originality/value - While existing studies have examined the individual relationships among railway utilization, environmental performance, logistics performance, and trade competitiveness, this paper provides an integrated empirical analysis of the sequential pathway from railway modal shift through environmental and logistics improvements to trade competitiveness enhancement. This study offers significant policy implications by demonstrating that railway infrastructure investment can simultaneously achieve climate change mitigation, air quality improvement, andlogistics competitiveness strengthening.