최근 확인한 콘텐츠
데이터가 존재하지 않습니다.
데이터가 존재하지 않습니다.
loading...
본 연구는 심전도 신호의 P, QRS, T파를 포함하는 단일 주기를 분할한 후 1차원 확장 합성곱 연산을 수행하여 사용자 인식 성능을 향상시키는 방법을 제시한다. 확장 합성곱 연산을 통해 기존 합성곱 연산 대비 98.6%의 높은 인식 성능을 달성하여 딥러닝 기반 실시간 사용자 인식의 가능성을 확인하였다.
MATLAB을 이용한 생체신호처리 =
Biosignal processing and classification using computational learning and intelligence : principles, algorithms, and applications
시스템 에러 : 빅테크 시대의 윤리학
ECG signal processing, classification and interpretation : a comprehensive framework of computational intelligence
AI가 내려온다 : 인공 지능 시대의 고전 문학 연구
Database Systems for Advanced Applications : 24th International Conference, DASFAA 2019, Chiang Mai, Thailand, April 22–25, 2019, Proceedings, Part II
광고PR 커뮤니케이션 효과이론 =
(심전도 응용을 중심으로) MSP430을 활용한 신호 획득 및 처리
Digital human modeling : trends in human algorithms
Methods in mind
Signal processing techniques for knowledge extraction and information fusion
Advances in Big Data : Proceedings of the 2nd INNS Conference on Big Data, October 23-25, 2016, Thessaloniki, Greece
Signal processing and machine learning for brain-machine interfaces
딥메디슨 : 인공지능, 의료의 인간화를 꿈꾸다
딥러닝 워크북 : 머신 러닝 기초부터 딥러닝, 강화 학습까지 예제로 실습하여 이해한다! =
Artificial intelligence and causal inference
Human activity recognition and prediction
Health informatics data analysis : methods and examples
너 어떻게 살래 : 인공지능에 그리는 인간의 무늬
Wavelet applications in chemical engineering
Biomedical Signal Processing and Control
Ma C.,Liu N.,Wang P.IEEE SENSORS LETTERS
Jyotishi, Debasish; Dandapat, Samarendra한국차세대컴퓨팅학회 논문지
지성현, 김윤철한국정보기술학회논문지
김민구, 정재효Computers in biology and medicine
Kim Y; Choi CIEEE Access
Yuen B.,Dong X.,Lu T.Expert Systems with Applications
Duong L.T.,Doan T.T.H.,Chu C.Q.,Nguyen P.T.Physiological Measurement
Jiang, M.; Bian, F.; Zhang, J.; Huang, T.; Chu, Y.; Wang, Z.; Xia, L.; Jiang, J.BIOMEDICAL ENGINEERING ONLINE
Singh, Anupreet Kaur; Krishnan, Sridhar스마트미디어저널
김진수, 김성혁, 반성범Entropy
Wu W.,Huang Y.,Wu X.한국정보기술학회논문지
김진수, 김성혁, 반성범Journal of Ambient Intelligence and Humanized Computing
Kim M.G.,Ko H.,Pan S.B.IEEE Transactions on Circuits and Systems I: Regular Papers
Yi-Ta Chen; Yu-Chuan Chuang; Li-Sheng Chang; An-Yeu WuFuture Generation Computer Systems
Wang J.,Li R.,Li R.,Fu B.BMC Medical Informatics and Decision Making
Darmawahyuni A.,Nurmaini S.,Rachmatullah M.N.,Avi P.P.,Teguh S.B.P.,Sapitri A.I.,Tutuko B.,Firdaus F.IEEE Transactions on Industrial Informatics
Kim M.G.,Pan S.B.Computers in Biology and Medicine
Li Y.,Qu Q.,Wang M.,Yu L.,Wang J.,Shen L.,He K.IEEE ACCESS
Lynn, Htet Myet; Pan, Sung Bum; Kim, Pankoo융합신호처리학회 논문지
게렐바트, 권춘기전선 / 대학원
인간의 정서, 인지, 행동 문제는 뇌 기능과 밀접한 관련이 있으며, 생체신호와 뇌파에 대한 컴퓨터 분석 기법을 활용하면 이러한 문제와 연관된 뇌 및 자율신경계 활동을 정량적으로 평가하고 패턴을 분류하는 데 큰 도움을 줄 수 있다. 이 과정은 의학, 간호, 심리, 교육, 체육 등 비전공자들을 위해 설계되었으며, 생체신호 분석 경험이 없는 이들이 임상 연구에 바로 적용할 수 있도록 정량뇌파(QEEG) 및 심박변이도(HRV) 분석의 이론과 측정 장비, 분석 소프트웨어 실습을 제공한다.전선 / 학사
뇌파(EEG)는 비침습적이며 시간 해상도가 높게 뇌 기능을 연구할 수 있는 핵심적인 뇌영상 기법이다. 본 수업을 통해서, 가장 고차원적인 뇌의 인지 기능을 담고 있는, 인간의 생체 신호 데이터 중에서 가장 핵심적인 데이터인, 뇌파 데이터의 신경생리학적 기초 지식과 시간축 및 주파수축 분석 방법을 습득하고 인지과학적인 해석과 그 원리를 뇌파 빅데이터의 활용에 적용하는 응용 기술을 배양하고자 한다.전선 / 대학원
본 교과목에서는 기계학습을 활용하여 생체신호 데이터를 분석하고 이를 질병의 진단과 예측에 적용하는 것을 학습 목표로 삼는다. ECG(electrocardiography), EEG(electroencephalography) 등의 전기 생체신호 뿐만 아니라 심폐음, 호흡음, 음성 등의 음향학적 신호 등 사람의 몸에서 획득할 수 있는 다양한 생체신호 데이터를 이해하고, 기계학습 알고리즘을 활용하여 이를 분석하고 나아가 질병을 진단/예측할 수 있는 모델을 구축하는 것을 구체적인 학습 목표로 한다.전선 / 대학원
다양한 딥러닝 신경망(CNN 등) 알고리즘을 치과영상(파노라마 영상, 구내 영상, CEP 영상 및 콘빔CT(CBCT) 영상)에 적용하여 자동적 영역분할, 치과질환의 자동적 탐지 및 분류하는 방법을 실습함. 치과영상 데이터의 annotation 방법, 신경망 학습, 테스트 및 모델의 성능분석 등을 디지털 치과 데이터를 실제 컴퓨터 서버에 탑재하고 실습하여, 학생 스스로 딥러닝을 이용하여 치과영상을 분석할 수 있는 능력을 제공함. Getting Started with Deep Learning Using PyTorch Building Blocks of Neural Networks Diving Deep into Neural Networks Fundamentals of Machine Learning Deep Learning for Computer Vision Deep Learning with Sequence Data and Text Generative Networks전선 / 학사
연구실에서의 연구참여 활동을 통하여 전공 지식을 심화 학습한다. 각자가 원하는 연구에 참여하며 그 연구에 대한 직접적인 경험을 갖는다.전선 / 대학원
인간의 음악 지각과 인지에 관한 기존의 사변적, 실험적 연구로 밝혀내지 못했던 문제들을 최근에 뇌파, 뇌영상 기기들을 이용한 신경과학적 연구로 속속 규명해 낼 수 있게 되었다. EEG, ERP, PET, fMRI, MEG 등 기기를 이용하여 인간의 언어 인지능력을 연구하는 다양한 연구방법들이 많은 부분 음악인지에도 적용될 수 있음도 발견되었다. <음악신경과학연구> 수업에서는 이 분야의 기초지식을 배우고 최근의 연구 성과를 살펴본 후, 다양한 연구방법론의 장단점을 논의하고, 궁극적으로는 수강생들 각자가 음악에 대한 신경과학적 연구모델을 디자인해 본다.전선 / 대학원
인지과학 연습 1의 내용을 보다 확장하여 인지과학의 연구사, 연구주제등을 다각도로 검토하여 과정에 진입한 학생들에게 인지과학의 기초적 지식배경을 제공하는데 목적이 있다.전선 / 대학원
기존의 클라우드 의존적 AI 컴퓨팅이 사용자 프라이버시, 네트워크 과부하, 인터넷 단절에 대한 취약성 등 다양한 이슈를 야기함에 따라 AI 컴퓨팅을 클라우드뿐만 아니라 사용자 근처의 소형/저비용 컴퓨터에서도 수행하려는 흐름이 전개되며 앰비언트 인공지능 혹은 엣지 인공지능이라는 개념이 탄생했다. 의료 데이터는 개인의 민감정보를 다량 포함하고 있어 특히 프라이버시가 중요하므로, 앰비언트 인공지능과 결합하였을 때 시너지 창출이 가능하다. 본 강좌는 앰비언트 인공지능의 최신 기술과 플랫폼 익히고 의료 도메인에 응용하는 것을 목표로 하며 구체적인 주제는 다음과 같다. ▪ 딥러닝 모델 경량화 (양자화, 가지치기, 지식 증류) ▪ 연합 학습 ▪ 딥러닝과 경량 신호처리 기법의 하이브리드 운용 ▪ 클라우드와 자원 제한적 엣지 기기의 통합 운용 ▪ 앰비언트 인공지능 소프트웨어 플랫폼 (TensorFlow, TensorFlow Lite) ▪ 앰비언트 인공지능 하드웨어 플랫폼 (Google Coral) ▪ 의료 도메인 데이터의 이해 (일례로, 수면 의학 데이터)전선 / 학사
인공신경망의 원리와 종류를 살펴보고 그 동작을 이해한다. 이를 기반으로 딥러닝 네트워크의 원리를 공부하고 설계하여 그 동작을 이론과 실습을 통해 이해한다. 또한 응용 분야에 따른 다양한 딥러닝 네트워크를 알아보고 학습과 검증 과정을 통해 설계 및 응용분야에 적용하는 예제를 공부한다.전선 / 대학원
치과의료는 4차 산업혁명 기술과의 융합을 통해 디지털 덴티스트리(Digital dentistry) 기술로 발전이 가속화되고 있음. 환자의 디지털 파노라마 영상, 콘빔CT(CBCT) 영상, 3D 구강스캔 및 3D 안면스캔 등의 디지털 데이터를 획득(Scanning), 계획(Planning)/시뮬레이션(Simulation)과 즉시적 디지털 제작(Direct Digital Manufacturing, DDR) 과정을 거쳐서 치과환자 진단/치료에 바로 적용됨. 본 강의에서는 딥러닝(deep learning) 등 다양한 인공지능 알고리즘에 대한 이해를 바탕으로, SMART 디지털 덴티스트리(Digital dentistry) 구현을 위한 치과질환 자동진단, 환자맞춤형 치료계획 자동화, 및 치과수술 시뮬레이션 지능화 등의 솔루션 등에 대해 수업함.전선 / 대학원
이 강좌는 실험심리학에서 최근의 중요 연구들을 소개하고 인간 마음의 기본 원리를 탐색 및 논의하는 세미나이다. 우선 강의 초에 인간의 생리, 지각 및 인지 수준에서 일반이론을 소개하고 그 문제점들을 알아본다. 이 이론들에 기초하여, 이 강좌에서는 시각, 주의, 언어, 문제 해결, 인간 추리 등의 세부 주세를 다룬다. 또한 이 강좌에서는 이런 주제들에 관해 실험 실습을 통해 학생들의 구체적인 이해의 증진을 시도한다.전선 / 학사
AI를 이용하여 주차장 게이트에서 번호판을 인식후 주차장 게이트를 Open/deny 하는 과정을 구현한다. 자동차 번호판을 인식하기 위해 object-detection, Text Detection, OCR, Image Captioning, Generative Model 등 다양한 컴퓨터 비전 에 사용되는 딥러닝 모델들의 개요에 대해 배우고, GPU 서버를 이용하여 이 과정들을 구현한다.전선 / 대학원
다양한 종류의 의료 및 생명 분야 빅데이터가 생성되어 축적되고 있는 상황이다. 의료 분야 빅데이터는 기본적인 전자의무기록 외에도 이미지, 생체신호, 텍스트 등의 다양한 비정형 데이터를 포함하게 되었으며, 생명 분야 빅데이터는 차세대시퀀싱 기법의 발전으로 말미암아 유전체, 전사체, 후성유전체 등의 다양한 오믹스 데이터를 포함하게 되었다. 또한 이러한 빅데이터의 생성 및 축적과 더불어 인공지능 기법을 적용하여 기존에는 다루지 못했던 새로운 문제를 정의하고 보다 깊이 있는 빅데이터 분석을 시도하는 연구들이 등장하게 되었다. 본 강좌에서는 의료 및 생명 분야의 다양한 빅데이터를 소개하고 해당 데이터를 다룰 수 있는 인공지능 분석 기법들을 소개함으로써 최신의 의생명 빅데이터 관련 인공지능 연구를 배울 수 있도록 한다.전선 / 대학원
딥러닝 모델은 추상화 복잡도를 증가하면서 정보를 표현하는 여러 계층으로 이루어진 신경망으로, 최근 영상/음성/자연어 처리 등의 문제에서 다른 기계 방법론들을 크게 상회하는 뛰어난 성능을 보이고 있다. 본 과정에서는 딥러닝의 기반이 되는 기계학습 및 최적화 기법들을 배우고, 기본적인 신경망에 대해서 학습한다. 그리고 영상 처리와 자연어 처리의 핵심 모델인 Convolutional neural networks와 Recurrent neural networks의 훈련법과 추론법들을 익힌다. 또한 비감독 생성 모델인 Autoencoders와 Restrict Boltzman machines에 대해 자세히 살펴 보고 마지막으로 딥러닝 기반 강화 학습에 대해서도 학습하고 실습을 진행한다. 본 과목은 대학원생과 일부 고년차 학부생을 대상으로 한다.전선 / 대학원
인공 신경망을 기반으로 하는 심층 학습 (Deep Learning) 시스템들은 음성/이미지 인식, 번역, 자율 주행 등 다양한 인공지능 영역에서 광범위하게 확산되고 있으며, 관련 기술 또한 빠르게 발전하고 있는 바, 산업 전반에 걸친 시스템의 지능화를 위해, 심층 학습 모형에 대한 이해와 활용 능력이 점차 중요해지고 있다. 본 과목에서는 심층 학습의 주요 이론과 기법을 학습하는 것을 목적으로, 구체적으로 표현형 학습 (Representation Learning), 심층 피드포워드 신경망 (Deep Feedforward Networks), 합성곱 신경망 (Convolutional Neural Networks), 순환 신경망 (Recurrent Neural Networks), 심층 오토인코더 (Deep Autoencoders), 심층 생성 모형 (Deep Generative Models), 심층 강화학습 (Deep Reinforcement Learning) 기법들을 다루고, 이들을 이해하기 위한 기계학습 및 수리적 기초 이론들을 배운다. 또한, 본 과목은 심층 학습 모델을 활용하여 멀티미디어 데이터들을 대상으로 분류, 예측, 패턴 인식, 생성 모델을 구현하는 프로젝트들 및 심층 학습 응용 사례 연구들을 포함한다.전선 / 대학원
딥러닝은 주어진 입력 데이터를 심층인공신경망으로 가공하여 원하는 테스크에 대해 좋은 성능을 달성하는 것을 목표로 한다. 이 과정에서 입력 데이터는 입력이 표현된 방식과는 확연히 다른 방식으로 표현되게 되고, 이러한 표현 방식의 변화를 통하여 원하는 정보를 잘 활용할 수 있게 된다. 본 강의에서는 딥러닝의 중요 연구주제 중 지도학습, 비지도학습, contrastive learning, domain generalization, meta learning, 등과 같은 학습기법들에 대해 논의하고 이를 통하여 표현학습에 대해 이해하는 것을 목표로 한다.전선 / 학사
딥 러닝의 핵심 개념, 모델 및 활용 사례를 강의한다. 강의 전반부에는 deep neural network의 정의, stochastic gradient descent, backpropagation, activation, optimization 등 딥 러닝의 핵심 개념을 강의하며, 후반부에는 convolutional neural network, recurrent neural network, generative adeversarial network, transformer 등 실제로 활용되는 딥 러닝 모델들의 특징과 활용 사례를 다룬다. 또한 각 모델들을 PyTorch를 통해 실제로 활용해볼 수 있도록 과제/프로젝트를 구성한다.전선 / 대학원
본 교과목은 고급데이터마이닝 방법론(326.637) 과목에 이어 심층학습모형에 중점을 둔다. 교육 목표는 심층학습(deep learning)의 방법들을 공부하고 관련된 통계적 문제를 찾아내는 것이다. 다루는 내용은 다음과 같다. 심층학습 이전의 특징 추출 및 판별 분석 기법, 기계학습에서 사용되는 이론적인 도구들, 인공신경망의 기초, 다층 퍼셉트론, 역전파, 합성곱 신경망, 최적화와 정칙화, 가시화, 파이톤과 심층학습 프레임워크, 순환 신경망, 변분적 추론, 적대적 생성 네트워크, 영상 분할 및 검출, 자연어 처리 등이다.전선 / 대학원
딥러닝은 주어진 입력 데이터를 심층인공신경망으로 가공하여 원하는 테스크에 대해 좋은 성능을 달성하는 것을 목표로 한다. 이 과정에서 입력 데이터는 입력이 표현된 방식과는 확연히 다른 방식으로 표현되게 되고, 이러한 표현 방식의 변화를 통하여 원하는 정보를 잘 활용할 수 있게 된다. 본 강의는 딥러닝의 중요 연구주제 중 비지도학습의 기본 방식으로 자리 잡은 self-supervised learning 및 contrastive learning을 중심으로 진행한다. 특히 information theoretic approach를 비롯한 metric 관점의 representation learning에 대해 고찰하고 domain generalization, meta learning, 등과 같은 학습기법들에 대해 논의하며 이를 통하여 표현학습에 대해 심화된 이해를 하는 것을 목표로 한다.전필 / 학사
첨단융합학부 학생의 전공탐색을 위한 과목으로, 융합데이터과학의 핵심 개념과 다양한 응용 분야를 소개하여 향후 전공선택에 필요한 필수적인 정보를 제공한다. 특히, 융합데이터과학 분야에서 진행되는 첨단연구와 연구의 실제 응용 사례를 직접 체험하여, 자신의 전공 적성을 좀 더 구체적으로 알아보고 설계할 수 있는 기회를 제공한다.