http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
DBM을 활용한 EMR 기반의 스트로크환자의 재활프로토콜 추천 시스템
이선우(S. W. Lee),박경남(K. N. Park),김세진(S. J. Kim),원인수(I. S. Won),권장우(J. W. Kwon) 한국재활복지공학회 2017 한국재활복지공학회 학술대회논문집 Vol.2017 No.4
Most existing stroke rehabilitation training systems were determined by empirical treatment methods of doctors. Standard treatment guidelines for stroke rehabilitation have been introduced to address these problems. However, these guidelines are determined by the doctor"s objective judgment, and sometimes the doctor suggests different treatments for the same patient. In addition, there are cases where only the patient"s exercise function is presented and the individual"s risk management factor is missing during rehabilitation treatment. To solve these problems, this paper proposes a training method suitable for the patient using DBN (Deep Belief Network). In this method, a part of the patient"s EMR(Electronic Medical Records) data and a risk management factor are inputted and a method of presenting a suitable exercise to the patient is derived.
듀얼 노즐 FDM 3D프린터를 이용한 정전용량 유연-압력센서 개발 및 분석
이선우(S. W. Lee),이선곤(S. K. Lee),권장우(J. W. Kwon) 한국재활복지공학회 2018 재활복지공학회논문지 Vol.12 No.4
본 논문에서는 듀얼 노즐 FDM 3D프린터를 사용하여 정전용량 유연-압력센서를 프린팅하여 제작하고 이를 분석하였다. 본 연구에 들어간 정전용량 유연-압력 센서의 재료는 열가소성 폴리우레탄과 전도성 필라멘트를 사용하여 구성되었다. 본 실험에서 제안하고자 하는 센서는 가로세로 3cm의 센서로 전도성의 필라멘트로 프린팅 된 두 극판간의 간격은 일정하며, 두 전도성 극판을 지지하는 열가소성 폴리우레탄의 프린팅패턴을 3가지 형태로 제작하여 각각의 성능을 비교하였고 평가하였다. 성능평가 방법은 1축 액추에이터를 이용하여 1mm/s의 속도로 0N에서 최대 600N의 힘으로 수직하중을 가하면서 각종 데이터를 수집, 비교 분석평가 하였다. 본 연구를 통하여 FDM 3D프린팅 정전용량 유연-압력센서 제작 가능성을 확인하였다. 또한 별도의 배선이 없는 웨어러블 디바이스, 작업자 및 사회적 약자들을 위한 재활기구 및 인간-컴퓨터 상호작용 장치 등에서 많은 가능성을 확인할 수 있었다. In this paper, we fabricated the capacitive flex-pressure sensor using a dual - nozzle FDM 3D printer and analyzed it. The material of the capacitive flex-pressure sensor in this study was composed of thermoplastic polyurethane and conductive filament. In this experiment the proposed sensor is a sensor of 3x3 cm in width and height. In this experiment, the size of the sensor proposed is composed of a width and height of 3cm. The spacing between the two electrode plates printed with conductive filaments is constant. The printing patterns of thermoplastic polyurethane supporting two conductive plates were fabricated in three types, and their performance was compared and evaluated. For the performance evaluation, various data were collected, compared and evaluated by applying a vertical load at a speed of 1 mm/s from 0N to a maximum of 600N using a single axis actuator Through this study, we confirmed the possibility of fabricating FDM 3D printing capacitive flex-pressure sensor. There are also many possibilities for wireless wearable devices, rehabilitations robot for workers, social weak people, and Hunman Computer Interaction devices.
권순원(S. W. Kwon),송인서(I. S. Song),이선우(S. W. Lee),이준수(J. S. Lee),김주형(J. H. Kim),임강민(G. M. Lim),권장우(J. W. Kwon) 한국재활복지공학회 2020 재활복지공학회논문지 Vol.14 No.2
본 연구에서는 기계학습을 활용하여 열화상 이미지 데이터 셋에 대한 부적합 이미지 판별 시스템을 구현하였다. 해당 시스템은 재활 환자용 맞춤형 웨어러블 의료기기 제품을 제작하는 3D프린터 설비의 이상을 미연에 방지하기 위한 이상 진단 자동화 시스템의 전처리단계에 필수적으로 활용된다. 이를 위해 먼저 FLIR (Forward Looking Infrared) 열화상 카메라를 통해 얻은 비디오 데이터를 열의 온도 정보를 포함하는 PNG (Portable Network Graphics)포맷의 이미지 형태로 추출해내는 프로세스를 개발하였고, 이 이미지 데이터셋을 기반으로 기계학습 모델인 SVM (Support Vector Machine)과 딥러닝(Deep Learning) Network를 훈련시키고 각각의 성능을 비교하였다. 연구를 위한 데이터 셋은 열이 발생되는 각종 기계설비 12개를 대상으로 수집하였다. In this paper, we implemented an inappropriate image detection system for thermal image dataset using machine learning. This system is essential for the preprocessing stage in constructing an automatic diagnosis system for abnormal diagnosis to prevent abnormalities in 3D printer equipment for manufacturing wearable medical device products for rehabilitation patients. To conduct the research, we developed a process to extract video data from FLIR thermal imaging cameras into an image in png format that includes thermal temperature information. Based on this image dataset, we trained the machine learning models Support Vector Machine and Deep Learning Network and compared their performance. The dataset for the system collected 12 heat-generating facilitys.