생징후 데이터와 랩 코드 데이터를 이용한 심정지 예측

제목 : 생징후 데이터와 랩 코드 데이터를 이용한 심정지 예측
저자 : 채민수, 윤건일, 조유진, 김영민, 송찬영, 이화민
게재지 : 2020년 한국산학기술학회 추계학술발표대회 논문집
장소 : 대천, 한화리조트 대천파로스
교신저자 : 이화민

초록
심정지는 갑작스럽게 심장이 멈추어 혈액이 흐르지 않는 질병이다. 그로인해 초기 대응이 느릴 경우 혈액이 흐르지 않아 신체 기능이 손상된다. 우리는 순천향대학교 천안병원 내 병원 환자를 대상으로 2016년부터 2019년까지의 병원 환자 대상으로 연구를 진행하였다. 학습 항목으로는 성별, 나이, SBP, DBP, 체온, 호흡, 맥박, 알부민, 크레아티닌, 헤모글로빈을 사용하였다. 우리는 LSTM 모델, 결정트리, 랜덤포레스트, 로지스틱회귀를 이용하여 심정지 예측을 하였다. 성능 비교결과 LSTM 모델이 가장 좋은 것을 확인하였다.

Acknowledgments
본 연구는 과학기술정보통신부 및 정보통신기획평가원의 대학ICT연구센터육성지원사업의 연구결과로 수행되었음 (IITP-2020-2015-0-00403). 이 논문은 2019년도 정부(과학기술정보통신부)의 재원으로 한국연구재단 -현장맞춤형 이공계 인재양성지원사업의 지원을 받아 수행된 연구임(No. 2019H1D8A1105622).

스마트 시티를 위한 Docker 기반의 모바일 엣지 컴퓨팅 프레임워크 설계

제목 : 스마트 시티를 위한 Docker 기반의 모바일 엣지 컴퓨팅 프레임워크 설계
저자 : 채민수, 한상욱, 윤건일, 조유진, 김영민, 송찬영, 이화민
게재지 : 2020년 한국인터넷정보학회 추계학술발표대회 논문집
장소 : 여수, 여수엑스포컨벤션센터
교신저자 : 이화민

초록
스마트 신호등과 같은 다양한 IoT 기기들로부터 대량의 데이터를 실시간으로 수집하는 경우 트래픽 부하와 집중된 트래픽으로 인한 레이턴시 저하가 발생한다. 그러나 기존 코어 클라우드의 경우 클라이언트에서 클라우드 서버가 있는 IDC까지의 물리적인 레이턴시 한계가 존재한다. 레이턴시를 최소화하기 위하여 Docker 기반의 모바일 엣지 컴퓨팅 프레임워크를 설계하였다.

Acknowledgments
본 연구는 과학기술정보통신부 및 정보통신기획평가원의 대학ICT연구센터육성지원사업의 연구결과로 수행되었음 (IITP-2020-2015-0-00403)
이 논문은 2019년도 정부(과학기술정보통신부)의 재원으로 한국연구재단 -현장맞춤형 이공계 인재양성지원사업의 지원을 받아 수행된 연구임(No. 2019H1D8A1105622).

Outdoor Particulate Matter Correlation Analysis and Prediction Based Deep Learning in the Korea

Title : Outdoor Particulate Matter Correlation Analysis and Prediction Based Deep Learning in the Korea
Journal : Electronics
Authors : Minsu Chae, Sangwook Han, HwaMin Lee
Corresponding author : HwaMin Lee
DOI : https://doi.org/10.3390/electronics9071146

Abstract
Particulate matter (PM) has become a problem worldwide, with many deleterious health effects such as worsened asthma, affected lungs, and various toxin-induced cancers. The International Agency for Research on Cancer (IARC) under the World Health Organization (WHO) has designated PM as a group 1 carcinogen. Although Korea Environment Corporation forecasts the status of outdoor PM four times a day, whichever is higher among PM10 and PM2.5. Korea Environment Corporation forecasts for the stages of PM. It remains difficult to predict the value of PM when going out. We correlate air quality and solar terms, address format, and weather data, and PM in the Korea. We analyzed the correlation between address format, air quality data, and weather data, and PM. We evaluated performance according to the sequence length and batch size and found the best outcome with a sequence length of 7 days, and a batch size of 96. We performed PM prediction using the Long Short-Term Recurrent Unit (LSTM), the Convolutional Neural Network (CNN), and the Gated Recurrent Unit (GRU) models. The CNN model suffered the limitation of only predicting from the training data, not from the test data. The LSTM and GRU models generated similar prediction results. We confirmed that the LSTM model has higher accuracy than the other two models.

Acknowledgments
This research supported by the MSIT (Ministry of Science and ICT), Korea, under the ITRC (Information Technology Research Center) support program (IITP-2019-2015-0-00403) supervised by the IITP (Institute for Information & communications Technology Planning & Evaluation) and by Soonchunhyang Research Fund.

Air Pollution Prediction Using Long Short-Term Memory (LSTM) and Deep Autoencoder (DAE) Models

Title : Air Pollution Prediction Using Long Short-Term Memory (LSTM) and Deep Autoencoder (DAE) Models
Journal : Sustainability
Authors : Thanongsak Xayasouk, HwaMin Lee, Giyeol Lee
These authors contributed equally to this work : Thanongsak Xayasouk, HwaMin Lee
Corresponding author : Giyeol Lee
DOI : https://doi.org/10.3390/su12062570

Abstract
Many countries worldwide have poor air quality due to the emission of particulate matter (i.e., PM10 and PM2.5), which has led to concerns about human health impacts in urban areas. In this study, we developed models to predict fine PM concentrations using long short-term memory (LSTM) and deep autoencoder (DAE) methods, and compared the model results in terms of root mean square error (RMSE). We applied the models to hourly air quality data from 25 stations in Seoul, South Korea, for the period from 1 January 2015, to 31 December 2018. Fine PM concentrations were predicted for the 10 days following this period, at an optimal learning rate of 0.01 for 100 epochs with batch sizes of 32 for LSTM model, and DAEs model performed best with batch size 64. The proposed models effectively predicted fine PM concentrations, with the LSTM model showing slightly better performance. With our forecasting model, it is possible to give reliable fine dust prediction information for the area where the user is located.

Acknowledgments
This research was supported by the MSIT(Ministry of Science and ICT), Korea, under the ITRC(Information Technology Research Center) support program(IITP-2020-2015-0-00403)supervised by the IITP(Institute for Information &communications Technology Planning &Evaluation) and by Soonchunhyang Research Fund.

위험상황감지 기능을 갖는 유아용 가방 및 이를 포함하는 위험상황감지 시스템

발명의 명칭 : 위험상황감지 기능을 갖는 유아용 가방 및 이를 포함하는 위험상황감지 시스템
출원번호 : 10-2018-0161132
출원일자 : 2018년 12월 13일
등록번호 : 10-2089874
등록일자 : 2020년 3월 10일
발명자 : 이화민, 이윤신
특허권자 : 순천향대학교 산학협력단
법적상태 : 등록
요약
본 발명은 위험상황감지 기능을 갖는 유아용 가방 및 이를 포함하는 위험상황감지 시스템을 개시한다. 본 발명의 일 측면에 따른 위험상황감지 기능을 갖는 유아용 가방은, 유아의 현재 위치 정보를 생성하는 위치 정보 획득부; 유아가 현재 위치한 장소의 온도 정보를 생성하는 온도 정보 획득부; 유아가 위험 상황에 처한 경우, 이를 알리기 위한 버튼부; 유아에 의해 상기 버튼부가 눌려지거나 또는 상기 온도 정보 획득부가 획득한 온도 정보가 미리 설정된 임계 온도를 벗어나는 경우 상기 유아가 위험한 상황에 처해 있다고 판단하는 위험 상황 감지부; 상기 위험 상황 감지부에 의해 유아가 위험한 상황에 처해 있다고 판단하는 경우 소리 또는 빛을 외부로 방송하는 알람부; 및 상기 위험 상황 감지부에 의해 유아가 위험한 상황에 처해 있다고 판단하는 경우, 상기 위치 정보 및 온도 정보를 포함하는 위험 상황 정보를 통신부를 통해 부모가 휴대한 단말로 전송하는 제어부;를 포함한다.

연구사사
이 발명을 지원한 국가연구개발사업
과제고유번호 20141007200051001
부처명 과학기술정보통신부
연구관리전문기관 정보통신기술진흥센터(IITP)
연구사업명 대학ICT연구센터육성지원사업
연구과제명 웰니스 삶을 위한 WellTEC 코칭 서비스 및 콘텐츠 개발
기 여 율 1/2
주관기관 순천향대학교
연구기간 2014.06.01 ~ 2018.12.31

이 발명을 지원한 국가연구개발사업
과제고유번호 20150004030041001
부처명 과학기술정보통신부
연구관리전문기관 정보통신기술진흥센터(IITP)
연구사업명 대학ICT연구센터육성 지원사업
연구과제명 IoT보안기술연구
기 여 율 1/2
주관기관 순천향대학교 산학협력단
연구기간 2015.06.01 ~ 2018.12.31

Design of middleware to support auto-scaling in Docker-based multi host environment

Title : Design of middleware to support auto-scaling in Docker-based multi host environment
Published in : The 14th KIPS International Conference on Ubiquitous Information Technologies and Applications (CUTE 2019)
Author : Minsu Chae, Sangwook Han, HwaMin Lee
Corresponding author : HwaMin Lee
Location : University of Macau, Macau, China

Abstract
With the spread of smart devices, the use of big data, and the proliferation of the Internet of Things, virtualization technology for cloud servers have become important worldwide. Also, research has been conducted to efficiently manage the resources of hosts in VMs. Container-based virtualization has less performance degradation than VMs because there is no emulation for the operating system. Using the Docker API is slow to measure. In this paper, we implement the resource measurement module of Job nodes and design middleware that supports auto-scaling in auto-scaling module and Docker-based multi-host environment.

Acknowledgments
This research supported by the MSIT(Ministry of Science and ICT), Korea, under the ITRC(Information Technology Research Center) support program(IITP-2019-2014-1-00720 & IITP-2019-2015-0-00403) supervised by the IITP(Institute for Information & communications Technology Planning & Evaluation).

CNN and RNN models for predicting particulate matter in South Korea

Title : CNN and RNN models for predicting particulate matter in South Korea
Published in : The 11th International Conference on Internet (ICONI 2019)
Author : Guang Yang, Thanongsak Xayasouk, HwaMin Lee
Corresponding author : HwaMin Lee
Location : Lotte Hotels & Resorts Hanoi, Hanoi, Vietnam

Abstract
Particulate matter proved to have severe effects on human health. To implement a real-time predicting system for is indispensable for every country face air pollution problem. Based on the previous study, predicting models for local areas are implemented. In this paper, a convolutional network, a recurrent neural network and a hybrid model combines the convolutional layers with the recurrent layers apply to predict future one weeks PM10 and PM2.5 concentration in seven urban cities in South Korea. The main contribution in this paper is: proposed three predicting models, make a comparison of three different models for predicting the concentration of particulate matter, all models are proved capable to obtain reliable predicting results. Experiments show GRU archive best performance for most cities both for PM10 and PM2.5, CNN models speed up the training process with least time consumption. The hybrid model performance stable with less time for training.

Acknowledgments
This research supported by the MSIT(Ministry of Science and ICT), Korea, under the ITRC(Information Technology Research Center) support program(IITP-2019-2015-0-00403) supervised by the IITP(Institute for Information & communications Technology Planning & Evaluation) and Basic Science Research Program through the National Research Foundation of Korea (NRF-2017R1A2B4010570).