본 논문은 Hoeppli et al. (2022) 연구에 대한 논평 논문으로, 뇌 영상, 사회인구학적, 그리고 심리학적 자료를 통합한 다중 회귀 모델이 통증 자가 보고의 개인차를 예측할 수 있음을 확인했습니다. 또한, fMRI 데이터를 이용하여 이러한 차이와 관련된 뇌 영역을 규명했습니다.
이 연구는 통증을 처리하는 방식이 뇌의 영역마다 다르다는 것을 발견했습니다. 예를 들어, 복내측 전전두피질(vmPFC) 같은 일부 영역은 사람마다 그 반응 패턴의 차이가 매우 큰 반면, 체성감각운동피질(SMC) 같은 다른 영역들은 대부분의 사람에게서 일관된 패턴을 보였습니다.
심장 검진 보조를 위한 심음 세그멘테이션 딥러닝 모델과 웹앱 서비스 이동희(팀 리더),
이명준,
김정현 2024.1.~2024.2. (7주)
코드
/
발표영상
이 프로젝트의 목표는 심장 검진 보조를 위한 심음 세그멘테이션 딥러닝 모델과 웹앱 서비스 개발입니다. PhysioNet Challenge에서 제공하는 청진기 소리 데이터를 가지고 U-Net++기반의 심음 (S1, S2) 세그멘테이션 딥러닝 모델을 개발하고 이를 웹앱 서비스에 배포했습니다. 오디오 데이터를 전처리하고 이를 스펙트로그램 형태의 이미지로 변환한 뒤 이미지 세그멘테이션 딥러닝 모델을 학습 및 성능 평가하는 과정을 거쳤습니다.
사용 기술: Python, Numpy, Librosa, torchaudio, OpenCV, Tensorflow, Keras, Google Cloud Platform