[논문]점진적 모델에 기반한 다채널 시계열 데이터 EEG의 특징 분석

김선희; 양형정; 정종문

doi:10.3745/kipstb.2009.16-b.1.63

점진적 모델에 기반한 다채널 시계열 데이터 EEG의 특징 분석
Feature Analysis of Multi-Channel Time Series EEG Based on Incremental Model 원문보기

정보처리학회논문지. The KIPS transactions. Part B. Part B, v.16B no.1, 2009년, pp.63 - 70

김선희 (전남대학교 전산학과) , 양형정 (전남대학교 전자컴퓨터공학부) , (전남대학교 전자컴퓨터공학부) , 정종문 (전남대학교 전자컴퓨터공학부)

초록
AI-Helper

BCI 기술은 생체신호인 뇌파를 수집하여 신호처리를 거친 후 실질적인 기기제어 및 통신 시스템 등을 제어하는 시스템 관련 기술이다. BCI 시스템 구현을 위해서는 뇌파의 특성을 실시간으로 분석하여 학습 시키고 학습된 뇌파의 특성을 적용하는 단계가 요구된다. 본 논문에서는 EEG 데이터를 효율적으로 분석하기 위해 점진적으로 갱신되는 주성분 분석을 이용하여 왼손/오른손 동작에 영향을 미치는 EEG 신호의 특징을 찾고, 이를 반영하여 데이터의 차원을 축소한다. 입력 자료의 특징을 충분히 포함하면서 낮은 차원을 가지는 데이터를 이용한다면 분류를 위한 계산량을 감소시킬 수 있을 뿐만 아니라 불필요한 특징을 제거함으로써 분류 성능을 향상 시킬 수 있다. 본 논문에서는 점진적으로 갱신되는 주성분 분석을 이용하여 데이터의 차원을 축소하고 이에 대한 효율성을 검증하기 위해 K-NN분류기를 이용하여 분류 정확도 측정을 수행하였다. 그 결과 주성분 분석을 이용하여 특징을 추출하고 분류율을 측정한 경우보다 평균 5% 높은 분류 정확율을 보였다.

Abstract ▼ AI-Helper

BCI technology is to control communication systems or machines by brain signal among biological signals followed by signal processing. For the implementation of BCI systems, it is required that the characteristics of brain signal are learned and analyzed in real-time and the learned characteristics are applied. In this paper, we detect feature vector of EEG signal on left and right hand movements based on incremental approach and dimension reduction using the detected feature vector. In addition, we show that the reduced dimension can improve the classification performance by removing unnecessary features. The processed data including sufficient features of input data can reduce the time of processing and boost performance of classification by removing unwanted features. Our experiments using K-NN classifier show the proposed approach 5% outperforms the PCA based dimension reduction.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

Hazarika는 단일 채널에서 측정된 뇌파 신호를 4-레벨의 웨이블릿 변환을 한 다음 각 레벨에서 제일 큰 웨이블릿 계수와 두 번째로 큰 계수를 선택한 후, 이들을 입력으로 학습데이터를 구성하였다^[12]. 또한 [2]에서도 웨이블렛 변환을 이용하여 특징을 추출한 후 recurrent 신경망(RNNs)을 이용하여 학습시킴으로써 간질 발작에 관한 예측 문제를 해결하고자 하였다. [4]에서는 오른쪽, 왼쪽 손의 움직임을 상상할 때 측정된 데이터에 적응적 AR 모델을 적용하여 데이터의 특징을 찾고 이를 분류 학습에 이용하였다.
본 논문에서는 시간의 연속성을 가지는 뇌파 데이터에 시간적 특성을 고려하는 점진적인 방법으로 데이터의 차원을 축소하였다. 방향성을 띄는 실제 동작을 행하는 동안 동작과 관련된 EEG데이터에 점진적 주성분 분석을 적용하여 동작과 관련된 특징을 포함하는 은닉변수를 찾고, 이를 기반으로 데이터의 차원을 축소하였다.
본 논문에서는 위와 같은 방법을 EEG 데이터에 적용하여 시간 변화에 따른 데이터의 특성을 포함하고 있는 특징을 추출하였다. 또한 분류 학습을 위하여 추출된 특징을 기반으로 데이터의 차원을 축소하여 분류 학습데이터를 구성하였다.

가설 설정

그 결과 주성분 분석과 점진적 주성분 분석 모두의 경우 주성분 구성요소의 개수가 증가할수록 재현 에러율의 값도 증가하는 것을 볼 수 있다. 이 결과를 통해 실험에 이용되는 뇌파 데이터에 불필요한 데이터가 포함되어 있음을 가정하고 가장 낮은 에러율을 가지는 차원으로 데이터를 축소한다. 또한 점진적 주성분 분석을 이용하여 데이터의 차원을 축소하였을 시 주성분 분석을 이용한 경우보다 낮은 평균 재현 에러율을 나타내는 것을 볼 수 있었다.

제안 방법

이때 분산이 작은 성분을 제거함으로써, 데이터의 차원을 줄이는 동시에 데이터에 포함되어 있던 잡음(noise)을 제거할 수 있다. 각각의 방법을 이용하여 특징을 추출하고 이를 분류 학습에 적용하였다.
그 결과 에서와 같이 많은 특징 추출 기법중 EEG 신호 분석에 많이 사용되는 이산 웨이블렛 변환(DWT: Discrete Wavelet Transform)[19]과 이산 푸리에 변환(DFT: Discrete Fourier Transform)[16], 주성분 분석(Principal component analysis)[9]을 이용하여 특징을 추출한 후 이를 이용하여 분류 결과를 비교 측정하였다.
뇌파 측정은 은-염화은(Ag/AgCI) 전극 캡과 뉴로스캔 증폭기를 이용하여 측정되었으며, 국제적 표준 전극 10-20배치법의 위치에 따라 28개의 채널에서 전극을 통하여 뇌파 신호를 기록하였다. 샘플링 율은 1000Hz이며, 밴드패스 필터링은 0.
본 논문에서는 위와 같은 방법으로 제공된 EEG데이터를 실험에 이용하였다. 뇌파 패턴 인식에 있어서 중요한 영향을 미치는 특징을 점진적 주성분 분석을 이용하여 찾고, 이를 기반으로 추출된 특징들을 학습 데이터로 구성하여 학습 시킨 후 테스트를 거쳐 분류 학습을 수행하였다.
위와 같이 데이터의 특성을 잘 나타내는 은닉 변수를 이용하여 데이터를 축소한다면 계산량을 감소시킬 수 있을 뿐만 아니라 불필요한 특징을 제거함으로써 분류성능을 향상시킬 수 있다. 따라서 왼손/오른손 동작에 영향을 미치는 EEG 데이터의 특징을 찾고, 이를 반영하여 데이터의 차원을 축소하였다.
또한 본 논문에서는 비교를 위해 [22]에서 사용된 뇌파 데이터에 본 논문에서 제안하는 방법과 기존연구에서 제안된 특징 추출 방법을 적용한 후 분류율을 측정하였다.
본 논문에서는 위와 같은 방법을 EEG 데이터에 적용하여 시간 변화에 따른 데이터의 특성을 포함하고 있는 특징을 추출하였다. 또한 분류 학습을 위하여 추출된 특징을 기반으로 데이터의 차원을 축소하여 분류 학습데이터를 구성하였다. 점진적 주성분 분석은 EEG 데이터의 특징을 충분히 포함하면서 입력 데이터보다 적은 차원으로 데이터를 축소함으로써 많은 저장 공간을 필요로 하지 않고 분류 계산량을 감소시킬 수 있다.
Scott Makeig은 신호에 섞여 있는 성분을 각각의 독립된 성분으로 보고 추출되어진 뇌파 신호에서 안전도 및 근전도를 제거함으로 원하는 신호만을 얻기 위해 독립성분분석을 사용하였다^[14]. 또한 주변의 잡음을 걸러주기 위해 Bandpass 필터나 notch 필터를 사용하여 잡음을 제거하였다^[6].
본 논문에서는 시간의 연속성을 가지는 뇌파 데이터에 시간적 특성을 고려하는 점진적인 방법으로 데이터의 차원을 축소하였다. 방향성을 띄는 실제 동작을 행하는 동안 동작과 관련된 EEG데이터에 점진적 주성분 분석을 적용하여 동작과 관련된 특징을 포함하는 은닉변수를 찾고, 이를 기반으로 데이터의 차원을 축소하였다. 제안된 방법은 저장공간의 필요량을 줄일 수 있었으며, 데이터 차원 축소에 대한 효율성을 증명하기 위해 분류 정확도 측정을 수행 한 결과 기존 연구에 적용되었던 특징 추출 방법보다 분류학습 성능을 약 5%정도 향상 시킬 수 있었다.
본 논문에서는 뇌파의 불필요한 특징을 제거하고 분류 학습의 계산량을 줄이기 위해 점진적 방법을 적용한다. 본 논문에서 적용된 방법은 시간적 특성을 고려하여 주성분 분석을 확장한 것으로 왼손/오른손 동작에 영향을 미치는 뇌파 신호의 특징을 찾고, 이를 반영하여 데이터의 차원을 축소한다. 이렇게 축소된 뇌파 데이터를 이용하여 분류 모델을 만들고 데이터 차원 축소의 효율성을 검증한다.
본 논문에서는 h개의 은닉 변수를 이용하여 EEG 데이터를 요약하였으며(h < n(전극수)), 왼손과 오른손의 경우 마지막 시점에서 각각 4개의 은닉변수를 발견 하였다.
본 논문에서는 뇌파의 불필요한 특징을 제거하고 분류 학습의 계산량을 줄이기 위해 점진적 방법을 적용한다. 본 논문에서 적용된 방법은 시간적 특성을 고려하여 주성분 분석을 확장한 것으로 왼손/오른손 동작에 영향을 미치는 뇌파 신호의 특징을 찾고, 이를 반영하여 데이터의 차원을 축소한다.
본 논문에서는 점진적으로 갱신되는 주성분 분석을 이용하여 시계열 데이터 은닉 변수를 찾고 이를 기반으로 EEG 데이터의 차원을 축소한다. 이를 위해 측정된 EEG 데이터를 n-차원의 특징 벡터 X_t = (x_1,t, x_2,t,.
본 연구에서는 데이터 차원 축소에 대한 효율성을 검증하기 위해 K-NN분류기를 이용하여 분류 정확도 측정을 수행 하였다. 그 결과 <표 2>에서와 같이 많은 특징 추출 기법중 EEG 신호 분석에 많이 사용되는 이산 웨이블렛 변환(DWT: Discrete Wavelet Transform)^[19]과 이산 푸리에 변환(DFT: Discrete Fourier Transform)^[16], 주성분 분석(Principal component analysis)^[9]을 이용하여 특징을 추출한 후 이를 이용하여 분류 결과를 비교 측정하였다.
본 논문에서 적용된 방법은 시간적 특성을 고려하여 주성분 분석을 확장한 것으로 왼손/오른손 동작에 영향을 미치는 뇌파 신호의 특징을 찾고, 이를 반영하여 데이터의 차원을 축소한다. 이렇게 축소된 뇌파 데이터를 이용하여 분류 모델을 만들고 데이터 차원 축소의 효율성을 검증한다. 이를 위해 기존의 특징 추출 방법으로 잘 알려진 PCA^[9], DWT^[19], DFT^[16]를 이용하여 전 처리한 후 K-NN 분류기를 이용하여 점진적 주성분 분석을 이용한 경우와 비교하였다.
(그림 6)은 점진적 주성분 분석을 이용하여 재현 에러율을 최소로 하여 찾아낸 5개의 은닉 변수이다. 이를 기반으로 뇌파 데이터의 차원을 축소하였다.
이렇게 축소된 뇌파 데이터를 이용하여 분류 모델을 만들고 데이터 차원 축소의 효율성을 검증한다. 이를 위해 기존의 특징 추출 방법으로 잘 알려진 PCA^[9], DWT^[19], DFT^[16]를 이용하여 전 처리한 후 K-NN 분류기를 이용하여 점진적 주성분 분석을 이용한 경우와 비교하였다. 그 결과 다른 특징 추출 방법보다 점진적 주성분 분석을 이용하였을 경우 약 5% 높은 분류율을 보였다.
그러면 특징벡터 X_t는 새로운 공분산 행렬3×t₁의 크기를 갖는다. 첫 번째로 요약된 기저벡터를 이용하여 평균 재현 에러율과 시간에 따른 주성분 구성요소의 수를 점진적으로 결정하기 위해 구성요소의 중요도 값을 평가한다. 중요도 임계치는 최소 95%, 최대98%로 [15]에서 정의된 표준 값을 이용하였다.

대상 데이터

02～200Hz이다. 본 논문에서는 위와 같은 방법으로 제공된 EEG데이터를 실험에 이용하였다. 뇌파 패턴 인식에 있어서 중요한 영향을 미치는 특징을 점진적 주성분 분석을 이용하여 찾고, 이를 기반으로 추출된 특징들을 학습 데이터로 구성하여 학습 시킨 후 테스트를 거쳐 분류 학습을 수행하였다.
본 논문에서는 [23]에 의해 제공되는 EEG 데이터에 점진적으로 갱신되는 주성분 분석을 적용하였다. 이 데이터는 피드백이 없는 일반적인 피험자로부터 기록된 것으로 피험자가 아무런 외부자극 없이 임의로 오른손 또는 왼손 약지 손가락으로 키보드 키를 누르며 손동작을 행하는 동안에 기록된 EEG신호이다. 이 실험은 6분 동안에 걸쳐 수행되었으며, 타이핑의 평균 속도는 약 1초 간격으로 이루어 졌다.

데이터처리

<표 1>은 데이터의 차원 축소 시 주성분 구성요소의 수와 그에 따른 재현 에러율을 식 (2)을 이용하여 주성분 분석 방법과 점진적 주성분 분석 방법(iPCA, incremental PCA)을 비교하였다. 평균 재현 에러율은 원래의 데이터 값을 p차원 공간에 투영한 후 재구성된 데이터 값에서 원래의 데이터를 뺀 값들의 합이다.

이론/모형

본 논문에서는 [23]에 의해 제공되는 EEG 데이터에 점진적으로 갱신되는 주성분 분석을 적용하였다. 이 데이터는 피드백이 없는 일반적인 피험자로부터 기록된 것으로 피험자가 아무런 외부자극 없이 임의로 오른손 또는 왼손 약지 손가락으로 키보드 키를 누르며 손동작을 행하는 동안에 기록된 EEG신호이다.
본 논문에서는 시계열 데이터로서 시간에 따라 변할 수 있는 뇌파의 특성을 실시간으로 분석하기 위해 데이터 특징 추출을 통한 데이터 차원축소 방법으로 점진적 방법^[15]을 적용한다.

성능/효과

이를 위해 기존의 특징 추출 방법으로 잘 알려진 PCA^[9], DWT^[19], DFT^[16]를 이용하여 전 처리한 후 K-NN 분류기를 이용하여 점진적 주성분 분석을 이용한 경우와 비교하였다. 그 결과 다른 특징 추출 방법보다 점진적 주성분 분석을 이용하였을 경우 약 5% 높은 분류율을 보였다.
그 결과 에서와 같이 주성분 분석을 적용한 경우 보다 점진적 주성분 분석을 적용하여 차원을 축소하고 분류기 K-NN을 이용하여 분류 정확률을 측정하였을 시 점진적 주성분 분석을 이용한 방법이 평균 3% 더 높은 분류율을 보였다.
그 결과 점진적 주성분 분석을 이용하여 은닉 변수를 찾고 이를 이용하여 학습 데이터로 구성한 후 분류 정확율을 측정 비교한 결과 3가지 특징 추출 방법 중 가장 높은 분류율을 가지는 주성분 분석을 특징 추출에 이용한 경우 보다 약 5% 더 높은 분류 정확율를 보였다.
평균 재현 에러율은 원래의 데이터 값을 p차원 공간에 투영한 후 재구성된 데이터 값에서 원래의 데이터를 뺀 값들의 합이다. 그 결과 주성분 분석과 점진적 주성분 분석 모두의 경우 주성분 구성요소의 개수가 증가할수록 재현 에러율의 값도 증가하는 것을 볼 수 있다. 이 결과를 통해 실험에 이용되는 뇌파 데이터에 불필요한 데이터가 포함되어 있음을 가정하고 가장 낮은 에러율을 가지는 차원으로 데이터를 축소한다.
따라서 본 과제에서 제안한 방법은 대용량의 시계열 데이터를 실시간으로 효과적이고 효율적으로 요약 할 수 있다. 또한 점진적 주성분 분석을 이용하여 데이터의 특징을 지닌 은닉 변수를 찾아 시계열 데이터를 축소함으로써 한정된 메모리의 문제와 처리시간 등의 문제를 해결할 수 있다.
이 결과를 통해 실험에 이용되는 뇌파 데이터에 불필요한 데이터가 포함되어 있음을 가정하고 가장 낮은 에러율을 가지는 차원으로 데이터를 축소한다. 또한 점진적 주성분 분석을 이용하여 데이터의 차원을 축소하였을 시 주성분 분석을 이용한 경우보다 낮은 평균 재현 에러율을 나타내는 것을 볼 수 있었다.
따라서 본 과제에서 제안한 방법은 대용량의 시계열 데이터를 실시간으로 효과적이고 효율적으로 요약 할 수 있다. 또한 점진적 주성분 분석을 이용하여 데이터의 특징을 지닌 은닉 변수를 찾아 시계열 데이터를 축소함으로써 한정된 메모리의 문제와 처리시간 등의 문제를 해결할 수 있다.
방향성을 띄는 실제 동작을 행하는 동안 동작과 관련된 EEG데이터에 점진적 주성분 분석을 적용하여 동작과 관련된 특징을 포함하는 은닉변수를 찾고, 이를 기반으로 데이터의 차원을 축소하였다. 제안된 방법은 저장공간의 필요량을 줄일 수 있었으며, 데이터 차원 축소에 대한 효율성을 증명하기 위해 분류 정확도 측정을 수행 한 결과 기존 연구에 적용되었던 특징 추출 방법보다 분류학습 성능을 약 5%정도 향상 시킬 수 있었다. 따라서 대량의 시계열 데이터는 주요 특징을 나타내는 몇 개의 은닉 변수로 축약될 수 있으며, 이를 이용함으로써 데이터 처리의 복잡도를 줄일 수 있을 뿐만 아니라 분류 성능 향상 및 예측 분석도 가능하다.

후속연구

따라서 대량의 시계열 데이터는 주요 특징을 나타내는 몇 개의 은닉 변수로 축약될 수 있으며, 이를 이용함으로써 데이터 처리의 복잡도를 줄일 수 있을 뿐만 아니라 분류 성능 향상 및 예측 분석도 가능하다. 향후 연구로는 PCA가 데이터의 직교를 가정해야 하는 제약을 해결하는 연구가 필요하며, BCI에 바로 적용 가능하도록 더 정확한 분류 학습 연구가 필요하다.

질의응답

핵심어	질문	논문에서 추출한 답변
	BCI 기술는 어떤 기술인가?	BCI 기술은 생체신호인 뇌파를 수집하여 신호처리를 거친 후 실질적인 기기제어 및 통신 시스템 등을 제어하는 시스템 관련 기술이다. BCI 시스템 구현을 위해서는 뇌파의 특성을 실시간으로 분석하여 학습 시키고 학습된 뇌파의 특성을 적용하는 단계가 요구된다.
	일반적인 뇌파 분석을 위한 특징 추출 방법에서 뇌파 데이터 분류율 측정이 위해 사용하는 기술에는 무엇이 있는가?	그중 [1]에서는 다차원 특징 벡터로 이루어진 데이터에 대하여 높은 차원에서의 정보를 유지하면서 낮은 차원으로 차원을 축소시키는 다변량 데이터 처리 방법 인 주성분 분석을 이용하여 각 전극에서 측정된 뇌파를 전극 수와 같은 개수의 성분으로 분리하였다[1]. [22]에서는 주성분 분석을 이용하여 특징을 추출한 후 LDS(linear dynamic system)와 HMM (hidden Markov model)을 이용하여 뇌파 데이터의 분류율을 측정하였다. 위에 소개된 대부분의 방법들은 일반적인 뇌파 분석을 위한 특징 추출 방법으로 예측이 어려운 시계열 데이터인 뇌파 데이터의 경우 그 특성을 충분히 고려하지 못한다.
	EEG란 무엇인가?	EEG(electroencephalography)란 뇌의 수많은 신경에서 발생하는 전기적인 뇌 표면의 신호를 전극을 이용하여 측정한 것으로, 예측이 어려운 다변량 시계열 데이터이다. EEG 신호는 뇌의 활동, 측정시의 상태 및 뇌기능에 따라 시간영역에서의 특성과 뇌 기능과 관련된 공간적 특성을 함께 가지고 있다.

참고문헌 (23)

Akrami A, Solhjoo S, Motie-Nasrabadi A and Hashemi-Golpayegani M.R, “EEG-Based Mental Task Classification: Linear and Nonlinear Classification of Movement Imagery,” Annual International Conference of the IEEE, pp.4626-4629, 2005
Arthur P., Danil V.P., Richard H., Richard D. and Donald C.W., “Recurrent neural network based prediction of epileptic seizures in intra- and extracranial EEG,” Neurocomputing pp.201-218, 2000

상세보기
Costa EJ and Cabral EF Jr, “EEG-based discrimination between imagination of left and right hand movements using Adaptive Gaussian Representation,” Med Eng Phys, pp.345-348, 2000

상세보기
Dharwarkar G.S and Basir O, “Enhancing Temporal Classification of AAR Parameters in EEG single-trial analysis for Brain-Computer Interfacing,” IEEE-Engineering in Medicine and Biology Society, pp.5358-5361, 2005
Folkers A, Mosch F, Malina T and Hofmann U.G, “Realtime bioelectrical data acquisition and processing from 128 channels utilizing the wavelet-transformation,” Neurocomputing, pp.247-254, 2003

상세보기
Gasser B, Toussant M, Luthringer R, Macher J.P and Cerf R, “Wave Separation versus Bandpass Filtering: a Comparative Non-linear Analysis of Brain ${\alpha}$ -EEG Signals with and without Psychotropic Drug Treatment,” Journal of Biological Physics, pp.209-225, 1996

상세보기
Harner P.K and Sannit T, “A review of the international ten-twenty system of electrode placement,” Quincy, MA: Grass Instrument, 1974
Li Y and Zhang S, “Apply wavelet transform to analyse EEG signal,” Annual International Conference of the IEEE, pp. 1007-1008, 1996
Lindsay I Smith, “A tutorial on Principal Components Analysis,” 2002
Lee H and Choi S, “PCA-based linear dynamical systems for multichannel EEG classification,” Neural Information Processing, pp.745-749, 2002
Michael D and Houchin J. “Automatic EEG analysis: a segmentation procedure based on the autocorrelation function,” Electroencephalogr Clin Neurophysiol, pp.232-5, 1979

상세보기
Neep H, Jean Z.C, Ah C.T and Alex S, “Classification of EEG signals using the wavelet transform,” Signal Processing, pp.61-72, 1997

상세보기
Pari J, Vassilis K and Kenneth R, “EEG Signal Classification Using Wavelet Feature Extraction and Neural Networks,” IEEE John Vincent Atanasoff 2006 International Symposium on Modern Computing, pp.120-124, 2006
Scott M, Anthony J.B, Tzyy-Ping J and Terrence JS, “Independent Component Analysis of Electroencephalographic Data,” Advances in Neural Information Processing Systems, pp.145-151, 1996
Spiros P, Jimeng S and Christos F, “Streaming pattern discovery in multiple time-series,” Proceeding of the 31st VLDB Conference, pp.697-708, 2005
Shaker M.M, “EEG waves classifier using wavelet transform and Fourier transform,” IJBS pp.85-90, 2006
Walter D.O and Leuchter A.F, “A Tourial on Classical computer analysis of EEGs: Spectra and Cohereneces in analysis of the Electrical Activity of the Brain,” By Angeleri R, Butler S, Giaquinto S, Majkowski J. Wiley & Sons, pp.105-124.1997
Yong L, Xiaorong G, Hesheng L and Shangkai G, “Classification of single-trial electroencephalogram during finger movement,” IEEE- Biomedical Engineering, pp.1019-1025, 2004

상세보기
Zarjam P and Mesbah M, “Discrete wavelet transform based seizure detection in newborns EEG signals,” Signal Processing and Its Applications, pp.459-462, 2003
Zhang Q and Benveniste A, “Wavelet Networks,” IEEE Trans, Neural Networks, pp.889-898, 1992

상세보기
임성길, 박찬호, 이현수, “웨이블릿 신경망을 이용한 패턴 분류 시스템 설계 및 EEG 신호 분류에 대한 연구”, 전자공학회논문지-CI 제39권 3호 pp.32-43, 2002

원문보기 상세보기
이혜경, 최승진, “다채널 뇌파 분류를 위한 주성분 분석 기반 선형동적시스템”, 한국뇌학회지, Vol.2, No.1, pp.53-59, 2002
http://ida.first.fraunhofer.de/

저자의 다른 논문 :

LOADING...

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증