Бидний тухай
Багш ажилтан
Тархины дотоод даралт (Intracranial Pressure, ICP) нь мэдрэлийн тогтолцооны ноцтой эмгэгүүдийг хянахад чухал үүрэгтэй физиологийн үзүүлэлт юм. ICP-ийн утга 20 mmHg-ээс дээш болохыг тархины дотоод даралт ихсэлт (ТДДИХ) гэж тодорхойлдог. Одоогийн ICP хэмжих аргууд инвазив шинжтэй, мэргэжлийн өндөр ур чадвар шаарддаг тул энэхүү судалгаанд Arterial Blood Pressure (ABP), Electrocardiogram (ECG), Photoplethysmography (PPG) зэрэг физиологийн дохионд тулгуурлан тархины дотоод даралт ихсэлтийг инвазив бус аргаар илрүүлэх боломжийг гүн сургалт ашиглан судлав. Судалгаанд 125 Гц давтамжтай ABP, ECG, PPG дохионд тулгуурласан CNN-BiGRU нейрон сүлжээний загварыг санал болгов. MIMIC-III waveform өгөгдлийн сангаас тодорхой шалгуурын дагуу 20 өвчтөний өгөгдлийг сонгон авч, Leave-One-Patient-Out (LOPO) хөндлөн баталгаажуулалтаар загварыг үнэлэв. Үр дүнд өвчтөн тус бүрийн macro-averaged нарийвчлал 0.6631, нийт сегментийн жинлэсэн (weighted) нарийвчлал 0.887, ТДДИХ ангиллын F1-score 0.1640 үзүүлэв. Хоёр нарийвчлалын утгын зөрүү нь тархины дотоод даралтын бичлэгийн тэнцвэргүй байдлаас үүдэлтэй бөгөөд нийт сегментүүдийн зөвхөн 6%-ийг ТДДИХ- тэй үеийн бичлэг эзэлж байна. Хамгийн өндөр гүйцэтгэлтэй өвчтөн (p041405) дээр F1-score 0.7117 хүрсэн байна. Ablation судалгаагаар гурван дохио бүр ТДДИХ илрүүлэлтэд нэмэлт мэдээлэл өгдөг болох нь батлагдсан бөгөөд CNN-BiGRU загвар baseline загваруудаас (Logistic Regression, Random Forest, XGBoost) Recall болон F1-score үзүүлэлтээр давуу гүйцэтгэл үзүүлсэн. Энэхүү судалгаа нь өвчтөн хоорондын ерөнхийлсөн загварчлал одоогоор томоохон сорилт хэвээр байгааг харуулсан бөгөөд ABP– ICP хоорондын хамаарлыг тодорхойлсон. Цаашдын судалгаанд өгөгдлийн хэмжээ нэмэгдүүлэх, загварын тайлбарлах чадварыг дээшлүүлэх зэрэг чиглэлүүд чухал байна.
Нярайн эрчимт эмчилгээний тасаг (NICU)-т амьсгалын тоог (RR) тасралтгүй хянах нь эмнэлзүйн доройтлыг илрүүлэх болон нярайн эндэгдлийг бууруулахад нэн чухал ач холбогдолтой. Амин үзүүлэлт хэмжих уламжлалт аргууд нь нярайн эмзэг арьсыг цочроох, халдварын эрсдэл үүсгэх, мөн хөдөлгөөнийг хязгаарлах сул талтай байдаг. Энэхүү судалгаанд эрчимт эмчилгээний тасгийн нярайн амьсгалын тоог хүрэлцэхгүйгээр, тасралтгүй хэмжих дулааны зураглалд суурилсан машин сургалтын аргыг танилцуулж байна. Энэ систем нь нярайгаас 1 метр зайнаас 320×240 пикселээр, секундэд 30 фреймийн хурдтай авсан дулааны дүрсийг ашигласан бөгөөд хамар орчмыг сонирхлын бүс (ROI) болгон тодорхойлсон. Сонирхлын бүсийг автоматаар тодорхойлохын тулд YOLO алгоритмд суурилсан машин сургалтын аргыг боловсруулан, ашигласан. Нярайн дулааны зургийг Twilight Shifted алгоритм ашиглан өнгөт зураг руу хувирган, хөдөлгөөнөөс болон камерын чичиргээнээс үүсэх шуугианыг Гауссын шүүлтүүрээр шүүж, шуугианы нөлөөг багасгасан. Машин сургалтаар илрүүлсэн сонирхлын бүсэд Channel and Spatial Reliability Tracker (CSRT) тракинг алгоритм ашиглав. Богино хугацааны амьсгалын динамикийг харахын тулд оролтын бичлэгийг 10 секундийн сегментүүдэд хувааж, амьсгалын дохиод оргил илрүүлэх алгоритм хэрэгжүүлэн амьсгалын тоог breath per minute (bpm) нэгжээр илэрхийлсэн. Клиникийн баталгаажуулалтыг “Монгол Улсын Эх, Нярай, Эмэгтэйчүүдийн төв”-д 4–28 хоногтой 11 нярайд хийсэн. Нэг нярайд 60 хэмжилт хийснээр нийт 660 хэмжилтийн өгөгдөл цуглуулсан. Амьсгалын жишиг утгыг тогтоохдоо синхрончлогдсон өнгөт бичлэгт EVM аргыг ашиглан хэвлийн хөдөлгөөнийг өсгөж, нүдэн баримжаагаар тоолсон. Сонирхлын бүс илрүүлэх машин сургалтын загвар 0.995 recall болон 0.995 mAP үзүүлэлттэйгээр маш өндөр гүйцэтгэлтэй ажилласан. Энэ системийн хэмжсэн амьсгалын тоо нь жишиг утгатай өндөр хамаарал (r = 0.9, p < 0.001) үзүүлсэн бөгөөд 95%-ийн тохирлын хязгаар нь – 5.62-аас 6.92 bpm хооронд байсан. Эдгээр үр дүн нь энэ системийг нярайн эрчимт эмчилгээний тасагт амьсгалын тоог тасралтгүй, хүрэлцэхгүй аргаар хянах боломжтой шийдэл болохыг харуулж байна.
As industrial automation advances, accurate 3D pose estimation has become essential for random bin picking, especially in cluttered scenes with heavy occlusion and varied object types. However, developing and testing such systems is difficult because industrial robot arms are expensive, often exceeding $100,000, and unsuitable for many research environments due to safety, space, and mobility constraints. To overcome this, we created a low-cost, open-source 3D-printed robotic arm with six degrees of freedom, fully integrated into the ROS MoveIt framework through a URDF model that enables motion planning and inverse kinematics. For 3D object pose estimation, we employ a deep neural network trained exclusively on synthetic data, allowing scalable generation of large labeled datasets. The network outputs belief maps and vector fields for keypoint detection, and the final pose is recovered using the PnP algorithm, resulting in an accurate and real-time bin-picking system. Project link: https://github.com/bmunkhtulga/rbx1-ros
Continuous monitoring of respiratory rate (RR) in the Neonatal Intensive Care Unit (NICU) is critical for early detection of clinical deterioration and reducing neonatal mortality. Traditional methods often cause skin irritation, risk infection, and restrict movement. This study proposes a NonContact Respiratory Monitoring System (NCRMS) using a single thermal camera for unobtrusive, continuous RR monitoring in the NICU. The NCRMS captures thermal images (320×240 pixels, at 30 fps) of the nasal region of interest (ROI) from approximately 1 meter. YOLO was employed to train a nasal ROI detection model in the ICU environment. Motion-induced artifacts were mitigated using the Channel and Spatial Reliability Tracker (CSRT), with tracking performance enhanced through Twilight Shifted colormap and Gaussian filtering. To capture short-term respiratory dynamics, RR estimation was performed on 10- second segments by identifying inhalation peaks detection in breaths per minute (bpm). Clinical validation was conducted on 11 neonates (aged 4–28 days) at the Center for Mothers, Neonates, and Women in Mongolia. Each neonate underwent 60 measurements, resulting in a total of 660 measurements. Reference RR was obtained by visual counting of synchronized RGB videos. The nasal ROI detection model performed excellently, with 0.995 recall and 0.995 mAP. The NCRMS showed a strong correlation with reference RR (r = 0.9, p < 0.001), with 95% limits of agreement between –5.62 and 6.92 bpm (𝝈 = 0.65 bpm). These results support NCRMS as a viable, non-contact alternative for continuous RR monitoring in neonatal care.
Хураангуй—“Эрдэнэт үйлдвэр” ТӨҮГ -ын Ил уурхайн гол малталтын төхөөрөмж бол шанага юм. Малталтын явцад шанаганы шүд хүдэрт удаан хугацаагаар шууд нөлөөлснөөр шанаганы шүд нь хүчтэй цохилт, үрэлт, бусад хүчинд өртөж, улмаар шанаганы шүд нь шүдний сууринаас гэнэт сулардаг, зарим тохиолдолд бүр хугардаг ба тус шүдийг хүдрийн хамт бутлуурт буулгасны дараа энэ нь бутлуурыг эвдрэлд хүргэж, уурхайн бутлах үйлдвэрлэлийн шугамд бүхэлд нь нөлөөлдөг. эдийн засгийн, хүний болон материаллаг нөөцийн үр ашгийн алдагдал үүсэх эрсдэлтэй. Шанаганы шүд нь өндөр манганы ган эсвэл хайлштай гангаар хийгдсэн байдаг тул хатуулаг нь хүдэр болон бусад материалынхаас хамаагүй өндөр байдаг. Энэхүү судалгааны ажлаар Экскаваторын шанаганы дүрсийг цуглуулж өгөгдлийн багц бэлтгэн YOLOX болон YOLO-NAS загваруудыг сургаж харьцуулан шанаганы шүдийг илрүүлсэн. Мөн шанаган дээрх хүдрийн дүрсэд сегментчлэл хийдэг SAM загвар болон дүрсээс ирмэг илрүүлэх DexiNED загвар ашиглан бүхэллэгийн хэмжээг ойролцоогоор тодорхойлсон. Шүдний уналтыг илрүүлэх загварууд 87% -тай илрүүлсэн ба хүдрийн бүхэллэгийг SAM загвараар дүрсээс чулууг сегменчлэх замаар тодорхойлох илүү үр дүнтэй байна.
Pediatric pneumonia is the leading cause of morbidity and mortality among infectious diseases, but there is no reliable way to diagnose the disease other than through biochemical tests and X-rays. Due to changes in breath sounds during lung disease, it can be detected in the early stages using a stethoscope. However, hearing these lung changes with a traditional stethoscope is difficult when common symptoms are few and clinical symptoms are vague and subtle. Research on effective pneumonia disease recognition models using machine learning and deep learning methods has mainly been based on lung radiographs. Our research, however, was based on chest sounds obtained using an electronic stethoscope, which offers improved accessibility and ease of use. 170 chest sound recordings were collected from 35 healthy individuals, and 30 recordings from 2 individuals diagnosed with pneumonia were recorded using an electronic stethoscope. Since respiratory sounds in pneumonia are characterized by low-frequency crackles and high-frequency wheezes, we applied machine learning and deep learning algorithms considering the frequency spectrogram and the Mel-frequency cepstral coefficients as the main features of the audio data. Three types of deep learning methods were used: CNN, LSTM, and a combination of CNN and LSTM. The models were decisively trained for 100 epochs with a learning rate of 0.001 using the Adam optimizer. The CNN model took about 2 hours to achieve an optimal accuracy of 82.19%, while the LSTM model took about 7 hours and achieved 84.58% optimal accuracy. By combining CNN and LSTM, the training time was reduced to 3 hours, resulting in an optimal accuracy of 85.33% and an identification accuracy of pneumonia at 91%.
In recent years, many researchers have shown increasing interest in music information retrieval (MIR) applications, with automatic chord recognition being one of the popular tasks. Many studies have achieved/demonstrated considerable improvement using deep learning based models in automatic chord recognition problems. However, most of the existing models have focused on simple chord recognition, which classifies the root note with the major, minor, and seventh chords. Furthermore, in learning-based recognition, it is critical to collect high-quality and large amounts of training data to achieve the desired performance. In this paper, we present a multi-task learning (MTL) model for a guitar chord recognition task, where the model is trained using a relatively large-vocabulary guitar chord dataset. To solve data scarcity issues, a physical data augmentation method that directly records the chord dataset from a robotic performer is employed. Deep learning based MTL is proposed to improve the performance of automatic chord recognition with the proposed physical data augmentation dataset. The proposed MTL model is compared with four baseline models and its corresponding single-task learning model using two types of datasets, including a human dataset and a human combined with the augmented dataset. The proposed methods outperform the baseline models, and the results show that most scores of the proposed multi-task learning model are better than those of the corresponding single-task learning model. The experimental results demonstrate that physical data augmentation is an effective method for increasing the dataset size for guitar chord recognition tasks.
In this paper, we propose a new framework for generating big sized dataset using synthetic data generation by robotics. In learning-based recognition, for example, using convolutional neural networks (CNNs), it is critical for the performance, to collect high-quality and large amounts of training data. Previously, to increase the training data set, a data augmentation technique based on digital signal processing were applied to the original sound data. However, the data augmentation based on digital signal processing data is a limited method, because it depends on some previous knowledge of the data and cannot perform for all domains. On the other hand, we propose a new dataset collection technique using a robot that automatically plays instruments, by which it becomes possible to add high-quality data to training samples. Experimental results for guitar chord recognition show that the proposed method using CNNs and a guitar robot can outperform the CNN systems with the traditional data augmentation.
Морин хуур нь Монгол үндэсний хөгжмийн зэмсэг бөгөөд түүний эгшиг дуурьсалын дүн шинжилгээ, судалгаа ховор байдаг. Тиймээс энэхүү өгүүлэгтээ морин хуурийн эгшиг дуурьсгалын тимбрийг шинжилж чавхдаст хөгжмийн зэмсэгүүдийн төлөөлөл хийл болон морин хийлтэй харьцуулахаас гадна ялгаатай хуур урлаачдын морин хууруудын дуурьсалыг судаллаа. Хөгжийн зэмсгүүдийг нэг төрлийн орчинд тоглуулсан бичлэгийг MATLAB програм хангамж ашиглан дүн шинжилгээ хийсэн. Морин хуур нь чавхдаст хөгжмийн зэмсгээс ялгаатай нь тоглогчийн ур чадвараас хамаардаг, зарим нот тоглоход дагалдах өнгө нь илүүтэй тодордог онцлогтой байна.
Энэхүү ажилд моторын дуугаар гэмтлийг оношлох автомат системийг хөгжүүлэх судалгааны эхний үр дүнг танилцуулна. Системийг хөгжүүлэх явц нь өгөгдөл цуглуулах, өгөгдлийг боловсруулах, мэдлэгийн сан үүсгэх, хэрэглэгчийн төхөөрөмж хөгжүүлэх гэсэн шатлалтай бөгөөд энэ өгүүлэлд дуу бүртгэх, өгөгдөл цуглуулах систем болон анхан шатны боловсруулалтын дүн шинжилгээг дурдана. Дуу бүртгэх нөхцлийг сайжруулахад механик чагнуур ашигласан нь өмнө хийгдэж байсан судалгаануудтай харьцангуй шуугианаас ангид болсоныг туршилтаар баталгаажуулсан. Өмнө хийгдэж байсан төстэй судалгааны үр дүнгээс хамгийн тохиромжтой Support Vector Machine (SVM) болон Чадлын Нягтын Функц (Spectral Density Function - SPD) дээрхи Artificial Neural Network (ANN) гэсэн 2 аргыг ашиглан боловсруулж харьцуулалт хийсэн. Дээрхи дүн шинжилгээгээр уг систем нь шуугианыг амжилттай дарсан бөгөөд SVM, SPD анализуудын үр дүн өмнө хийгдэж байсан ажлуудын утгуудтай таарч байна.
