MediWave

  양전자 방출 단층 촬영(PET)을 위한 3차원 최대사후(MAP) 영상 재구성에서 평활 파라미터의 적응형 미세 조정 핵심 키워드 : 양전자 방출 단층 촬영, PET 영상 재구성, MAP 알고리즘, 평활 파라미터, 적응형 알고리즘, 의료영상 처리 doi:10.9718/JBER.2024.45.5.205  서론: PET 영상에서의 해상도와 평활화의 균형 양전자 방출 단층 촬영(PET)은 종양, 뇌 질환, 심혈관 질환 진단에서 뛰어난 감도를 자랑하는 핵의학 영상 기술입니다. 그러나 PET 영상은 일반적으로 공간 해상도가 낮고 노이즈에 민감 하다는 약점을 가집니다. 이러한 한계를 극복하기 위해 3차원 최대사후(MAP: Maximum a Posteriori) 영상 재구성 기법 이 활용되며, 이 과정에서 정규화(smoothing) 파라미터 의 설정은 영상 품질에 결정적인 영향을 줍니다. MAP 재구성 알고리즘 개요 MAP 알고리즘은 Bayesian 추론 기반으로, 영상의 가능도(likelihood)와 사전정보(prior)를 조합해 영상의 통계적 최댓값을 추정합니다. 이때 사용하는 에너지 함수(E(x))는 다음과 같습니다: E ( x ) = − log ⁡ P ( y ∣ x ) − β ⋅ R ( x ) E(x) = -\log P(y|x) - \beta \cdot R(x) E ( x ) = − log P ( y ∣ x ) − β ⋅ R ( x ) P ( y ∣ x ) P(y|x) P ( y ∣ x ) : 측정 데이터 y y y 에 대한 영상 x x x 의 가능도 R ( x ) R(x) R ( x ) : 평활화 정규항 (prior term) β \beta β : 평활 파라미터 (regularization strength) 문제점 고정된 β \beta β 를 사용할 경우: 값이 너무 크면 → 과도한 평활화 로 경계 손실 값이 너무 작으면 → 노이즈 증가 적응형 평활 파라미터 조정의 필요성 PET 영상은...

 스마트워치를 활용한 앙상블 학습 기반 우울증 예측과 특성 분석—실생활 데이터 기반 인공지능 접근 서론: 정신 건강 위기를 해결할 디지털 기술의 진화 우울증(Major Depressive Disorder, MDD)은 전 세계적으로 공중 보건에 심각한 부담을 주는 질환으로, 기존에는 주로 주관적 평가(자가보고 설문, 정신과 상담 등)에 의존한 진단 방식이 사용되어왔다. 하지만 최근 웨어러블 기술의 발전, 특히 스마트워치를 기반으로 한 생체 데이터 수집이 가능해지며, 객관적인 우울증 예측이 새로운 전기를 맞이하고 있다. 본 컬럼은 2024년 학술지 Journal of Biomedical Engineering Research 에 게재된 연세대학교 연구팀의 논문 "스마트워치를 활용한 앙상블 학습 기반 우울증 예측 및 특성 분석"을 바탕으로, 해당 연구의 핵심 내용을 전문가 수준에서 분석하고, 관련 그림, 퀴즈, 키워드와 함께 구성하였다. 그림 1. 기계학습을 통한 우울증 분류 모델 학습방법 및 평가 모식도 기계학습을 통한 우울증 예측 모델 학습방법 및 평가 단계 요약 모식도. 데이터 수집 → 전처리 → 모델 학습 → SHAP 해석의 순서로 구성됨. 실세계 데이터(RWD) 기반 연구 설계 개요 대상자: 강원도 원주 거주 55~85세 160명 대상 수집 장치: 삼성 갤럭시 워치 II 스마트워치 + 스마트폰 앱 데이터 종류: 걸음 수, 심박수, 수면 상태, PHQ-9 설문, 감정/스트레스 자가보고 데이터 구성: 월 단위로 분절(segmentation)하여 총 3,008개의 샘플 확보 전처리 및 라벨링 결측치 및 이상치 제거(Z-score ±3 기준) PHQ-9 점수 5점 기준으로 우울증 여부 이진 라벨링 앙상블 학습 모델 비교 적용된 모델: Random Forest, XGBoost, LightGBM, CatBoost 표 1. 모델별 성능 비교 (Accuracy 기준) Random Forest: 98.01% XGBoost: 99.50% LightGB...

 전완부 근전도 기반 손 안 조작 및 엄지 촉진 분류: ResNet 모델의 혁신적 접근 서론 인간의 손은 식사, 의복 착용, 도구 사용, 사회적 상호작용 등 일상생활 전반에 핵심적인 역할을 한다. 손 절단 환자들의 경우, 일상활동의 제약으로 삶의 질이 크게 저하된다. 이에 따라 상지 보조 로봇, 특히 의수(prosthetic hand) 개발이 활발히 진행되고 있으며, 그 핵심은 사용자의 의도를 정확히 인식하는 기술이다. 본 블로그에서는 전완부 표면 근전도(sEMG) 신호를 기반으로 한 ResNet 모델을 활용하여 손 안 조작(in-hand manipulation)과 엄지 촉진(thumb palpation)을 정밀하게 분류하는 최신 연구 결과를 소개한다. 연구 배경 및 필요성 표면 근전도(sEMG)는 비침습적이며, 인공지능 기반의 패턴 인식 기술을 통해 다양한 손 동작을 높은 정확도로 분류할 수 있는 장점이 있다. 기존 연구는 주로 grasping posture (파지 자세)에 집중되어 있으며, 손 안에서 물체를 조작하거나 촉진하는 복잡한 동작에 대한 분류는 상대적으로 미흡하다. 또한 기존 접근법은 고밀도 근전도(HD-sEMG)나 손 내재근(intrinsic hand muscles)을 함께 사용하는 경우가 많아, 실제 절단 환자에게 상용화하기 어렵다는 한계가 있다. 본 연구는 상용화된 Trigno Avanti 센서를 전완부에만 부착하여 단 8채널의 근전도만으로 10가지 동작을 고정밀로 분류하는 시스템을 개발하였다. Fig.1의 10가지 원시 동작 설명 Fig. 1. 손 안 조작 및 엄진 촉진용 10가지 원시 Fig.1은 실험에 사용된 10가지 기본 동작(primitive)을 보여준다. 이들은 병진(translational), 회전(rotational) 운동 및 엄지의 4가지 방향 움직임(flexion, extension, adduction, abduction)으로 구성된다. 예를 들어, 손가락 끝에서 손바닥으로 물체를 이동시키는 동작은 파지 안정화를 위한...

 광용적맥파(PPG)를 이용한 비침습적 혈압 측정: 기술 현황과 전망 비대면 헬스케어 시대를 위한 스마트 웨어러블 기술의 핵심 서론: 고혈압 관리, 왜 '비침습'과 '스마트'가 중요한가? 고혈압은 '침묵의 살인자'라 불릴 정도로 자각 증상이 없고, 뇌졸중이나 심근경색 등 치명적 합병증과 밀접하게 연관된 만성질환입니다. 특히 가정이나 외부에서 지속적인 혈압 모니터링 이 필요한 환자에게 전통적인 커프 방식은 사용이 불편하며 일상적 혈압 추적 에는 적합하지 않습니다. 바로 이러한 배경에서 최근 주목받고 있는 기술이 광용적맥파(Photoplethysmography, PPG) 기반 비침습적 혈압 측정법 입니다. 이 기술은 웨어러블 디바이스와 결합되어, 스마트워치 하나로 실시간 혈압 감지 가 가능한 시대를 열고 있습니다. 광용적맥파(PPG)란 무엇인가? 광용적맥파(PPG)는 피부를 통과하는 빛의 산란과 흡수를 통해 혈류량의 변화 를 감지하는 신호입니다. 비교적 간단한 센서 기술만으로도 손목, 손가락, 이마 등에서 심박수, 산소포화도, 혈압 등 다양한 생체 정보를 실시간 측정 할 수 있어 스마트 헬스케어 핵심 기술로 주목받고 있습니다. PPG 신호의 장점 저비용, 비침습, 휴대성 우수 웨어러블 기기(스마트워치, 밴드)와 결합 용이 연속적 데이터 수집 가능 혈압 측정을 위한 PPG 신호 분석 기법 PPG 신호에서 혈압을 추정하기 위해 다양한 특징(feature)들이 사용됩니다. 논문에서는 약 455개의 feature 를 6가지 카테고리로 분류하였습니다: 카테고리 예시 주요 내용 Temporal    PTT, PPI    시간 간격 기반 특징 Amplitude    Peak Amplitude    파형의 진폭 정보 Gradient-based    Slope 분석    신호의 기울기 변화 Frequency  ...

 sEMG 기반 Random Forest 보행 상태 분류 모델의 최신 연구와 실용적 응용 고령화 사회의 도래는 낙상 예방, 보행 재활, 근감소증 진단 등 다양한 의학 및 공학적 과제를 낳고 있습니다. 이 가운데 표면 근전도(sEMG) 신호를 이용하여 인공지능(Random Forest) 기반으로 보행 상태를 정밀하게 분류하려는 시도가 학계와 산업계에서 주목받고 있습니다. doi:10.9718/JBER.2025.46.1.62  1. 서론: 왜 sEMG와 AI 기반 보행 분석이 중요한가? 전 세계적으로 고령 인구가 증가하면서 근감소증(Sarcopenia) , 낙상, 보행 장애가 사회적 문제로 부각되고 있습니다. 특히 계단 오르기, 내려오기, 평지 걷기 와 같은 일상적인 활동에서 발생하는 미세한 보행 이상은 삶의 질에 직결되는 요소입니다. 따라서 고정밀, 비침습, 실시간 분석이 가능한 보행 상태 모니터링 시스템의 수요가 급증하고 있습니다. 표면 근전도(sEMG)는 피부 위에 부착된 전극을 통해 근육의 전기적 활동을 측정 함으로써 운동 기능을 정량화할 수 있는 매우 유용한 생체신호입니다. 본 연구에서는 이러한 sEMG 데이터를 활용하여 Random Forest(RF) 알고리즘 기반의 고정밀 보행 상태 분류 모델을 개발하였습니다. 2. 연구 개요 및 실험 구성 본 연구는 20대 성인 남녀의 sEMG 신호 데이터 를 수집하여, 다음의 3가지 동작 상태를 분류하는 모델을 개발하였습니다. 보행(Walking) 계단 오르기(Stair Ascent) 계단 내려오기(Stair Descent) 모델은 RF(Random Forest) 알고리즘을 기반으로 하였으며, RMS(Root Mean Square)와 같은 시간 영역 특징을 추출하여 학습 데이터로 사용하였습니다. 각 클래스의 정밀도(Precision), 재현율(Recall), F1-Score 등을 종합적으로 분석하여 성능을 평가했습니다. 그림 1 : sEMG 측정 장비 (iW...

요도 협착증의 새로운 치료 패러다임: 1470 nm 레이저 기반 방사형 광열 소거법의 혁신 doi: 10.9718/JBER.2025.46.1.29 최소 침습, 최대 효과의 최신 비뇨기과 레이저 기술 요약 요도 협착은 재발률이 높은 난치성 질환입니다. 기존의 절개술이나 확장술은 효과가 한계적이고, 반복 치료 시 합병증이 증가하는 문제가 있습니다. 본 컬럼에서는 최근 국내 연구팀이 개발한 1470nm 파장 기반의 방사형 레이저 광열 소거법 을 소개하며, 이 기술이 기존 치료의 한계를 어떻게 극복하는지 집중 분석합니다. 1. 요도 협착이란 무엇인가? 요도 협착은 요도 상피 혹은 해면체 에 만성 염증이나 외상 등으로 흉터가 형성되며 요도 내강이 좁아지는 질환입니다. 주요 증상은 다음과 같습니다: 배뇨 곤란, 배뇨 시간 증가 잔뇨감, 빈뇨 심할 경우 수신증성 신부전으로 진행 국내 기준 남성 10만명당 229~627명, 특히 55세 이상에서 급격히 유병률 증가 2. 기존 치료법의 한계 치료법 장점 단점 요도 확장술     간단한 시술    통증 심함, 재협착률 ↑ 절개술     협착 해소    절개 부위에 재흉터 발생 재건술     광범위한 협착에 유용    수술 부담 큼, 고비용  기존 절개/확장 방식은 협착 부위보다 넓은 조직을 제거해야 하므로, 치료를 반복할수록 협착 범위가 커지고 재발률이 증가 합니다. 3. 새로운 대안: 방사형 레이저 광열 소거법 이 연구는 1470 nm 파장 레이저 와 방사형 광섬유 를 활용하여, 요도 점막층에만 국한된 선택적 열 소거 를 유도합니다. 핵심 원리 1470 nm 파장 은 조직 흡수가 높고 침투 깊이가 얕아, 점막층에 집중된 치료 가능 방사형 광섬유 는 360° 균일한 에너지 조사로 원형 절제 실현 15W 5초 조건 에서 상피층과 고유판에 선택적 괴사 유도...

 스마트 환자 모니터링 시스템: AI 기반 다중 환자 실시간 심전도 분석의 혁신 doi:10.9718/JBER.2025.46.2.117 서론 최근 인공지능(AI)과 웨어러블 기술의 융합은 의료 산업에 거대한 변화를 일으키고 있습니다. 특히 심혈관 질환의 조기 발견과 예방을 위한 심전도(ECG) 모니터링 시스템은 환자의 생존율을 획기적으로 높이는 핵심 기술로 부상하고 있습니다. 본 칼럼에서는 국내 기업인 씨어스테크놀로지가 개발한 "AI 기반 실시간 스마트 환자 모니터링 시스템"을 중심으로, 해당 시스템의 구조, 기술적 구현, 임상적 성능, 그리고 실시간 처리 성능에 대해 구글 SEO 최적화 키워드와 함께 심도 있게 살펴봅니다. 시스템 개요 씨어스테크놀로지의 시스템은 **웨어러블 심전도 센서(mobiCARE-MC200)**와 게이트웨이(MGW1000) , 그리고 중앙 서버 알고리즘 으로 구성되어 있으며, 총 4단계로 구동됩니다: 데이터 획득 : ECG 데이터를 256Hz로 수집. 데이터 전송 : Bluetooth Low Energy와 Wi-Fi 또는 Ethernet으로 서버에 전송. 중앙 처리 : 병렬 딥러닝 알고리즘으로 ECG 분석. 모니터링 : 웹 기반 GUI를 통해 실시간 확인. Fig. 1. System Architecture for a real-time inpatient monitoring system   알고리즘 아키텍처 자기 스케줄링 기반 병렬 처리 독립된 3개의 하위 모듈: Segmentation, Feature Extraction, Arrhythmia Detection 실시간으로 IMDB에서 분석 가능한 데이터만을 탐색하여 동기화 없이 병렬 처리함. 배치 처리 프로세스 다수 환자의 데이터를 수집 → 수직 스택(2D 배열) → 딥러닝 모델 처리 → 환자별 결과 분리 저장 Fig. 2. Multiple patients batch processing process of algorithm modules 주요 검출 항목 및 조건 VT: V...