|
이동희 도쿄🗼에 위치한 International Research Center for Neurointelligence (IRCN)에서 project academic specialist로 근무하고 있습니다. Yukie Nagai의 지도하에 생체 신호를 이용한 감정 추론에 관한 프로젝트를 진행 중입니다. |
|
연구뇌와 몸에서 일어나는 정서 및 인지 과정에 대한 계산 모델에 관심있습니다. 대표 논문에 강조 표시하였습니다. |
|
Decoding pain: uncovering the factors that affect the performance of neuroimaging-based pain models
Dong Hee Lee (Lead author), Sungwoo Lee, Choong-Wan Woo PAIN, 2025 코드 / 논평 이 연구는 문헌 조사와 벤치마킹 분석을 통해 뇌영상 기반 통증 예측 모델 개발 시 고려해야할 모델 타겟과 특성을 파악하였습니다. 데이터 평균화 수준, 뇌의 공간적 범위, 그리고 샘플 크기가 모델 성능에 유의미하게 영향을 미침을 확인했습니다. 이러한 결과는 뇌영상 기반 바이오마커를 개발하고 평가하는 연구에서 고려해야 할 요소들을 제시하고 보다 정밀한 모델 개발 전략의 필요성을 시사합니다.
|
||
|
Interindividual differences in pain can be explained by fMRI, sociodemographic, and psychological factors
Suhwan Gim, Dong Hee Lee, Sungwoo Lee, Choong-Wan Woo Nature Communications, 2024 Hoeppli 등(2022)이 발표한 논문에 대한 commentary로, 뇌영상, 사회 인구학적 및 심리학적 측정치를 다양하게 포함한 다중 회귀 모델을 사용하면 통증 자기보고(self report)에서의 개인 차이를 예측할 수 있음을 밝힌 연구입니다. 또한, 이러한 차이와 연관된 뇌 영역을 기능성 자기 공명 영상(fMRI) 데이터를 통해 식별하며, 개인의 통증 경험에 대한 예측가능성을 제시하고 이를 검증했습니다.
|
||
|
Functional brain reconfiguration during sustained pain
Jae-Joong Lee, Sungwoo Lee, Dong Hee Lee, Choong-Wan Woo eLife, 2022 코드 캡사이신 소스를 사용해 혀의 통각을 자극하고 이러한 입 속 통증이 지속되는 동안 기능적 뇌 네트워크의 변화를 탐색한 연구입니다. 통증이 감소함에 따라 초기에는 구강안면 영역(orofacial areas)이 피질하 및 전두엽-두정엽 영역들(subcortical an는frontoparietal regions)과 통합되는 반면 후기에는 분리되는 현상을 밝혀냈습니다. 또한, 머신러닝 모델이 통증 변화를 효과적으로 예측할 수 있음을 보여줍니다. 이 연구는 뇌 시스템 간의 동적 상호작용이 통증 경험을 구성하며 이를 조절하는 방식에 대한 새로운 통찰을 제공합니다.
|
||
|
Individual variability in brain representations of pain
Lada Kohoutová, Lauren Y. Atlas, Christian Büchel, Jason T. Buhle, Stephan Geuter, Marieke Jepma, Leonie Koban, Anjali Krishnan, Dong Hee Lee, Sungwoo Lee, Mathieu Roy, Scott M. Schafer, Liane Schmidt, Tor D. Wager & Choong-Wan Woo Nature Neuroscience, 2022 코드 이 연구는 개인 별로 통증을 처리할 때 변동성이 큰 뇌 영역을 식별하였습니다. 상위 수준의 다기능적(transmodal) 영역이 개인별로 더 큰 변동성을 보이는 반면, 단일 기능(unimodal) 영역은 개인 간에 더 안정적인 통증 표상(representation)을 지닌다는 사실을 밝혀냈습니다. 이러한 뇌 영역의 개인별 차이는 정밀의학(precision medicine) 관점에서 통증 진단 및 치료 관련 통찰력을 제공합니다.
|
프로젝트
|
|
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 |
|
Thanks to Jon Barron for providing the template of this website. |