http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
지하철 이용 승객들의 정차역 인지 개선을 위한 사용 환경 연구
고원준(Wonjun Ko),김현석(Hyunsuk Kim) 한국HCI학회 2013 한국HCI학회 학술대회 Vol.2013 No.1
2003년부터 서울시에서는 지하철역사 내 승강장에 안전사고의 방지를 위해 스크린 도어를 설치하였다. 이에따라 고의, 실수로 인한 승강장 추락사고가 감소하고, 열차 진입 시의 외풍을 차단함에 따라 승강장 내 먼지가 감소 하고 이용객들이 보다 쾌적하게 대기할 수 있는 환경이 조성되었다. 그러나 스크린 도어 설치 후 이용객들의 시야에 장애물이 생기게 됨에 따라, 정차역과 같은 중요한 사인 물들의 인지에 방해가 되고 있고, 이에 따라 공공 사인시스 템의 역할이 스크린 도어로 인해 방해 받고 있다. 그러나 스크린도어는 사용자의 인지 변화에 대한 고려 없이 설치, 운영되어 현재는 상업광고로 뒤덮여 있는 실정이다. 본 논문에서는 지하철을 이용하는 사용자의 이용 환경을 사용자 중심의 관점에서 분석하고, 이를 개선할 수 있는 개선방안에 대한 논의를 할 것이다. 연구의 흐름은 먼저 문헌연구를 통해 사인시스템의 정의와 시지각 원리에 대해 알아보고, 관찰 조사를 통해 사용자 이용환경을 분석하겠다. 그리고 결론에서는 문제점을 개선할 수 있는 지하철 공공사인의 디자인 가이드라인에 대해 논의하도록 하겠다. Seoul Metro Corp. installed platform screen door in subway platform to prevent negligent accident such as injury or death from falling since 2003. Following this, accident by mistaken or suicide in subway platform has been decreased, and the environment of platform while waiting the train became more pleasantly by blocking train wind and noise. However, under the positivie effects are magnified, there are not many studies which address the issues of platform screen door that decreases legibility of public sign system. Public signs has hindered in the functions and roles as legibility after installation of platform screen door. In this work, we will figure out the environment of the subway train on sign system due to platform screen door. Methodology using in this paper is analysis of passengers’ field of vision observing the place and of analyzing photo and case studies. Then we will propose guideline to design platform sign system to recover it.
딥 뉴럴 네트워크의 적절한 구조 및 자가-지도 학습 방법에 따른 뇌신호 데이터 표현 기술 분석 및 고찰
고원준(Won-Jun Ko) 한국전자통신학회 2024 한국전자통신학회 논문지 Vol.19 No.1
최근, 의료 데이터 표현 분야에서 딥러닝 방법들이 사실상의 표준으로 자리잡고 있다. 하지만, 딥러닝 기술은 내재적으로 많은 양의 학습 데이터를 필요로 하므로 대규모의 데이터를 확보하기 쉽지 않은 의료 분야에서는 직접적인 적용이 어려운 실정이다. 특히 뇌신호 모달리티의 경우, 변동성이 크기 때문에 여전히 데이터 부족 문제를 가진다. 이에, 최근 연구에서는 뇌신호의 시간-공간-주파수 특징을 적절하게 추출할 수 있는 딥 뉴럴 네트워크 구조를 설계하거나, 혹은 자가-지도 학습 방법을 도입하여 뇌신호의 신경생리학적 특징을 미리 학습하도록 한다. 본 논문에서는, 최근 각광받는 기술인 뇌-컴퓨터 인터페이스 및 피험자 상태 예측 등의 관점에서 소규모 데이터를 다루기 위해 적용되는 방법론에 대한 분석 및 향후 기술 방향성을 제시한다. 먼저 현재 제안되고 있는 뇌신호 표현을 위한 딥 뉴럴 네트워크 구조에 대해 분석한다. 또한 뇌신호의 특성을 잘 학습하기 위한 자가-지도 학습 방법론을 분석한다. 끝으로, 딥러닝 기반 뇌신호 분석을 위한 중요 시사점 및 방향성에 관하여 논한다. Recently, deep learning technology has become those methods as de facto standards in the area of medical data representation. But, deep learning inherently requires a large amount of training data, which poses a challenge for its direct application in the medical field where acquiring large-scale data is not straightforward. Additionally, brain signal modalities also suffer from these problems owing to the high variability. Research has focused on designing deep neural network structures capable of effectively extracting spectro-spatio-temporal characteristics of brain signals, or employing self-supervised learning methods to pre-learn the neurophysiological features of brain signals. This paper analyzes methodologies used to handle small-scale data in emerging fields such as brain-computer interfaces and brain signal-based state prediction, presenting future directions for these technologies. At first, this paper examines deep neural network structures for representing brain signals, then analyzes self-supervised learning methodologies aimed at efficiently learning the characteristics of brain signals. Finally, the paper discusses key insights and future directions for deep learning-based brain signal analysis.