[논문]러프집합이론을 중심으로 한 감성 지식 추출 및 통계분석과의 비교 연구

홍승우; 박재규; 박성준; 정의승

doi:10.5143/jesk.2010.29.4.631

러프집합이론을 중심으로 한 감성 지식 추출 및 통계분석과의 비교 연구
Knowledge Extraction from Affective Data using Rough Sets Model and Comparison between Rough Sets Theory and Statistical Method 원문보기

Journal of the Ergonomics Society of Korea = 大韓人間工學會誌, v.29 no.4, 2010년, pp.631 - 637

홍승우 (고려대학교 정보경영공학과) , 박재규 (고려대학교 정보경영공학과) , 박성준 (남서울대학교 산업경영공학과) , 정의승 (고려대학교 정보경영공학과)

Abstract ▼ AI-Helper

The aim of affective engineering is to develop a new product by translating customer affections into design factors. Affective data have so far been analyzed using a multivariate statistical analysis, but the affective data do not always have linear features assumed under normal distribution. Rough sets model is an effective method for knowledge discovery under uncertainty, imprecision and fuzziness. Rough sets model is to deal with any type of data regardless of their linearity characteristics. Therefore, this study utilizes rough sets model to extract affective knowledge from affective data. Four types of scent alternatives and four types of sounds were designed and the experiment was performed to look into affective differences in subject's preference on air conditioner. Finally, the purpose of this study also is to extract knowledge from affective data using rough sets model and to figure out the relationships between rough sets based affective engineering method and statistical one. The result of a case study shows that the proposed approach can effectively extract affective knowledge from affective data and is able to discover the relationships between customer affections and design factors. This study also shows similar results between rough sets model and statistical method, but it can be made more valuable by comparing fuzzy theory, neural network and multivariate statistical methods.

주제어

AI 본문요약
AI-Helper

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

문제 정의

그림 4와 같이, 실험에서 추출된 에어컨 감성 데이터를 통계분석과 러프집합이론 분석과의 비교를 통해 서로간의 어떠한 차이가 있는지를 파악하고자 한다.
따라서 본 연구에서는 실험으로 측정된 감성 데이터를 분산분석(ANOVA), 사후분석을 이용한 통계분석 결과와 러프집합이론의 분석 결과를 비교하여 서로간의 어떠한 차이가 있는지를 알아보고자 한다.
본 연구는 소리와 향기로 이루어진 에어컨의 감성 데이터를 의사결정 알고리즘 중의 하나인 러프집합이론을 활용하여 분석하였으며, 이를 통계적인 분석방법인 분산분석 및 SNK 사후분석 결과와 비교하여 서로간의 어떠한 차이가 있는지를 알아보고자 하였다.
본 연구는 에어컨에 대한 향기 및 소리에 대한 감성 데이터를 얻기 위해서 에어컨의 사용환경 도출을 위한 사전 실험을 실시하였다. 사전 실험을 통해 에어컨의 최적 온도 및 습도, 최적 향기 분출 시점을 파악하였다.

제안 방법

향기 및 소리 나는 에어컨에 대한 감성 평가는 여름철 평균 온도인 영상 32°와 습도 53%를 기준으로 실시하였고 이 감성 데이터를 통계분석 및 러프집합이론 분석에 적용하였다. 독립변수로는 4개 수준의 향기와 4개 수준의 소리로 구성하였으며, 종속변수는 감성 선호도를 100점 만점을 기준으로 측정하였다. 다음 그림 2는 향기 및 소리의 수준을 보여주고 있다.
표 1과 같이, 향기, 소리, 향기*소리의 교호작용이 모두 통계적으로 유의한 차이를 보였다. 또한 SNK(Student Neuman-Keuls) 사후분석 결과를 통해, 감성 선호도의 최적 수준 조합을 알아보았고 다음 표 2와 같다.
본 연구를 통해 러프집합이론은 비일관성 있는 감성 데이터는 제거하고 일관성 있는 감성 데이터만을 대상으로 분석에 적용하여 보다 효과적인 감성 지식을 추출하는 데 반해, 다변량 통계분석은 빈도수(가중치)를 활용한 평균, 표준편차를 이용하기 때문에 일관성 있는 감성 데이터, 비일관성 있는 감성 데이터 모두를 사용하게 된다. 즉, 일반적인 통계 분석에서 데이터 일관성의 유무, 데이터 편차 크기에 상관없이 모든 감성 데이터를 결과의 범주에서 포함하는 데 반해, 러프집합이론은 아무리 좋은 특성치를 나타내는 실험조건이라도 1명의 피실험자가 나쁜 평가를 내린 다면, 그 실험조건은 우수한 감성 지식으로 추출되지 않기 때문에 데이터 일관성의 유무, 데이터 편차의 크기가 결과 범주에 영향을 끼친다고 할 수 있다.
본 연구는 에어컨에 대한 향기 및 소리에 대한 감성 데이터를 얻기 위해서 에어컨의 사용환경 도출을 위한 사전 실험을 실시하였다. 사전 실험을 통해 에어컨의 최적 온도 및 습도, 최적 향기 분출 시점을 파악하였다. 사전문헌연구와 시장조사를 통해 70가지의 향기 중 선호도, 대중성, 경제성, 감성 적합성 평가 요소에 따라 최종적으로 4가지의 향기로 본 실험을 실시하였다.
사전 실험을 통해 에어컨의 최적 온도 및 습도, 최적 향기 분출 시점을 파악하였다. 사전문헌연구와 시장조사를 통해 70가지의 향기 중 선호도, 대중성, 경제성, 감성 적합성 평가 요소에 따라 최종적으로 4가지의 향기로 본 실험을 실시하였다. 향기 및 소리 나는 에어컨에 대한 감성 평가는 여름철 평균 온도인 영상 32°와 습도 53%를 기준으로 실시하였고 이 감성 데이터를 통계분석 및 러프집합이론 분석에 적용하였다.
실험은 에어컨이 작동되고 온도와 습도가 일정하게 유지된 상태에서 각 향기에 해당하는 4개의 Booth를 설치하고 각각의 향기 수준과 소리 수준의 조합 16개 조합을 Random한 순서로 나열한 뒤, 피실험자에게 각 향기 Booth에 들어가게 한 후, 한 Booth에서 머무는 동안 헤드셋을 이용하여 소리를 평가하게 한다.
그림 6과 같이, 실험에서 얻은 감성 데이터를 조건속성, 결정속성, 규칙으로 구성된 Decision Table로 작성하고 Type I Inconsistency를 통해 동일한 조건속성을 갖는 서로 다른 결정속성값에 대한 감성 데이터의 모호성을 확인한다. 실험조건과 피실험자의 반복 데이터로 구성된 감성 데이터의 중복되는 규칙을 제거하고 러프집합이론의 근사화 성질을 이용하여 감성 선호도값에 대한 하한근사, 상한근사, 경계영역을 구한다. 또한 감성 분할품질을 구하고 가장 큰 감성 분할품질값으로 감성 지식을 추출하는 Cut Line으로 선정한다.
향기 및 소리 나는 에어컨에 대한 감성 평가는 여름철 평균 온도인 영상 32°와 습도 53%를 기준으로 실시하였고 이 감성 데이터를 통계분석 및 러프집합이론 분석에 적용하였다.

대상 데이터

따라서, 소리와 향기는 조건속성이 되고 감성 선호도는 결정속성이 된다. 규칙의 경우, 4개의 향기변수와 4개의 소리변수 조합인 16개의 실험 수준에 16명의 피실험자의 반복 데이터의 조합인 총 256개의 규칙으로 정의할 수 있다. 따라서 규칙이라 함은 실험조건과 반복 데이터의 조합으로 표현할 수 있다(변증남, 방원철, 2001).
실험계획은 Within-Subject Design을 이용하였고 실험에 참가한 피실험자는 총 16명이며, 이들의 평균 나이는 29.5세이다. 본 연구는 Dominance-based rough sets model을 활용하여 감성 데이터를 분석하고 이를 통계분석과 비교하였다(Zhai et al.

데이터처리

5세이다. 본 연구는 Dominance-based rough sets model을 활용하여 감성 데이터를 분석하고 이를 통계분석과 비교하였다(Zhai et al., 2009). Dominance-based rough sets model은 러프집합이론의 한가지 방법으로서, Decision Table의 불필요한 조건속성 및 중복되는 규칙을 제거하고 감성 지식을 추출하여 감성과 설계 요인간의 연관성을 파악하는데 활용된다.

이론/모형

본 연구에서는 러프집합이론을 통해 감성 데이터를 분석하였다. 이러한 방법은 Decision Table로 구성된 감성 데이터를 분석할 경우, 불필요한 조건속성 및 중복되는 규칙을 제거할 수 있으며 감성 지식을 추출할 수 있는 장점을 지니고 있다(Pawlak, 1991).

성능/효과

두 방법간의 차이에 대해 분석한 결과, 분산분석의 경우, 향기, 소리, 향기*소리 교호작용이 모두 유의한 차이를 보였다. SNK 그룹핑에서는 향기의 경우, 오렌지스윗과 페퍼민트가 우수한 결과를 보였으며, 소리의 경우, Soft_bird, Soft_wind-only가 우수한 결과를 보였다. 또한 소리 및 향기의 조합 평균 점수에서 페퍼민트와 Soft_wind-only의 조합과 오렌지스윗과 Soft_bird의 조합이 가장 우수한 결과를 보였다.
두 방법간의 차이에 대해 분석한 결과, 분산분석의 경우, 향기, 소리, 향기*소리 교호작용이 모두 유의한 차이를 보였다. SNK 그룹핑에서는 향기의 경우, 오렌지스윗과 페퍼민트가 우수한 결과를 보였으며, 소리의 경우, Soft_bird, Soft_wind-only가 우수한 결과를 보였다.
표 5와 같이, 동일한 조건속성을 갖는 규칙 중에 감성 선호도가 55점을 갖는 규칙 X2, X6, X16은 러프집합이론 속성에 따라 중복되는 규칙 3개 중 2개를 제거하게 된다. 따라서 256개의 규칙 중 157개의 규칙이 중복되어 이를 제거하고 총 99개 규칙으로 감축되었다.
000)을 갖기 때문에 감성 지식을 추출하기 위한 효과적인 분류의 기준으로 삼을 수 있다. 따라서 감성 선호도 40점 이상부터 감성 지식을 추출하는데 실제 활용할 수 있으며, 감성 분할품질을 이용하여 감성 지식을 추출하면 총 16개의 실험조건(향기 4, 소리 4) 중에 5개의 실험조건이 최종 감성 지식을 추출하는데 활용하게 된다. 다음 표 7은 최종적으로 추출된 감성 지식을 보여주고 있다.
SNK 그룹핑에서는 향기의 경우, 오렌지스윗과 페퍼민트가 우수한 결과를 보였으며, 소리의 경우, Soft_bird, Soft_wind-only가 우수한 결과를 보였다. 또한 소리 및 향기의 조합 평균 점수에서 페퍼민트와 Soft_wind-only의 조합과 오렌지스윗과 Soft_bird의 조합이 가장 우수한 결과를 보였다. 러프집합이론 분석 결과, 향기 측면에서는 오렌지스윗과 페퍼민트가 우수하다는 결과를 보였으며, 특히, 페퍼민트와 Soft_wind-only의 조합과 오렌지스윗과 Soft_bird의 조합이 가장 우수한 결과를 보였다.
또한 소리 및 향기의 조합 평균 점수에서 페퍼민트와 Soft_wind-only의 조합과 오렌지스윗과 Soft_bird의 조합이 가장 우수한 결과를 보였다. 러프집합이론 분석 결과, 향기 측면에서는 오렌지스윗과 페퍼민트가 우수하다는 결과를 보였으며, 특히, 페퍼민트와 Soft_wind-only의 조합과 오렌지스윗과 Soft_bird의 조합이 가장 우수한 결과를 보였다. 러프집합이론 분석이 분산분석 및 사후분석과 유사한 결과를 보였으며, 다음 표 8은 소리 및 향기의 조합 평균 점수의 순위와 러프집합이론으로 감성 지식을 추출하여 우수한 결과를 보인 소리 및 향기 조합 순서를 나열한 것이다.
표 7과 같이, 5개의 실험조건이 우수한 감성 지식으로 추출되었으며, 오렌지스윗과 Soft_bird 조합은 감성 선호도값이 55점 이상으로 우수한 결과를 보였고 페퍼민트와 Soft_wind-only 조합은 감성 선호도값이 60점 이상으로 우수한 결과를 보였다. 즉, 페퍼민트와 Soft_wind-only 조합은 16명의 피실험자 중 단 1명의 피실험자도 60점 미만의 감성 선호도값으로 평가하지 않았다는 의미이기 때문에 우수한 감성 선호도 결과가 도출되었다고 할 수 있다.
표 1과 같이, 향기, 소리, 향기*소리의 교호작용이 모두 통계적으로 유의한 차이를 보였다. 또한 SNK(Student Neuman-Keuls) 사후분석 결과를 통해, 감성 선호도의 최적 수준 조합을 알아보았고 다음 표 2와 같다.
표 2와 같이, 향기의 경우, 오렌지스윗, 페퍼민트가 우수하였고, 소리의 경우, Soft_bird, Soft_wind-only가 우수하였다. 또한 소리와 향기 조합의 평균 점수를 통해 우수한 최적 조합을 찾을 수 있다.
표 7과 같이, 5개의 실험조건이 우수한 감성 지식으로 추출되었으며, 오렌지스윗과 Soft_bird 조합은 감성 선호도값이 55점 이상으로 우수한 결과를 보였고 페퍼민트와 Soft_wind-only 조합은 감성 선호도값이 60점 이상으로 우수한 결과를 보였다. 즉, 페퍼민트와 Soft_wind-only 조합은 16명의 피실험자 중 단 1명의 피실험자도 60점 미만의 감성 선호도값으로 평가하지 않았다는 의미이기 때문에 우수한 감성 선호도 결과가 도출되었다고 할 수 있다.

후속연구

하지만, 러프집합이론은 감성 데이터를 적용하기 전 실제 실험에서 피실험자의 교육 및 훈련이 사전에 잘 수행되어야 하고 피실험자들의 응답성향이 일관성 있고 피실험자가 유사한 집단임을 밝히는 확인 작업이 필요하다고 판단된다. 또한, 감성 데이터를 분산분석 이외의 여타 다변량 통계기법과의 차이를 비교한다거나 의사결정 알고리즘 중 신경망이론, 퍼지이론과의 비교 연구가 아직까지 미비하여 추후 이들간의 비교 연구가 필요하다고 하겠다.

질의응답

핵심어	질문	논문에서 추출한 답변
	감성공학은 어떤 기술인가?	감성공학은 인간의 감성을 정성, 정량적으로 측정 및 평가하고 이를 제품이나 환경 설계에 응용하여 보다 편리하고 안락하며 안전하게 더 나아가 인간의 삶을 쾌적하게 하고자 하는 기술이다. 즉, 고객의 감성과 제품 설계 요인과의 연관성을 파악하여 신제품을 개발하는 데 활용할 수 있다(Nagamachi, 2008).
	감성공학은 어떤 기법을 사용하여 감성 데이터를 분석하고 있는가?	즉, 고객의 감성과 제품 설계 요인과의 연관성을 파악하여 신제품을 개발하는 데 활용할 수 있다(Nagamachi, 2008). 특히 감성공학은 요인분석, 군집분석, 회귀분석과 같은 다변량 통계기법을 사용하여 감성 데이터를 분석하고 있으나, 최근 들어 신경망이론이나 퍼지이론과 같은 의사결정 알고리즘을 활용하여 고객의 감성을 정량화하려는 시도가 이루어지고 있다. 특히 피실험자의 생체 데이터를 신경망이론에 적용하여 감성 추론 모델개발에 이용하고 있다(이동훈 외, 2006).
	러프집합이론을 통해 Decision Table로 구성된 감성 데이터를 분석할 경우 어떤 장점이 있는가?	본 연구에서는 러프집합이론을 통해 감성 데이터를 분석하였다. 이러한 방법은 Decision Table로 구성된 감성 데이터를 분석할 경우, 불필요한 조건속성 및 중복되는 규칙을 제거할 수 있으며 감성 지식을 추출할 수 있는 장점을 지니고 있다(Pawlak, 1991). 이에 따라 고객 감성에 있어서 러프집합이론을 제품 평가 및 분석에 활용하고 있는 추세이며, 러프집합이론은 고객의 감성과 설계변수간의 연관성을 파악하는데 적극 활용되고 있다.

참고문헌 (11)

변증남, 방원철, 러프집합의 이론과 응용, 청문각, 2006.
손창식, 정환묵, 퍼지추론에서 러프집합을 이용한 감성 데이터의 분류, Proceedings of KFIS Fall Conference, 14(2), 2004.
이동훈, 김대욱, 심귀보, MLP에 기반한 감성인식 모델개발, Proceedings of KFIS Spring Conference, 16(1), 2006.
서완석, 김재련, 러프집합이론과 SOM을 이용한 연속형 속성의 이산화, Journal of the Society of Korea Industrial and Systems Engineering, 28(1), 2005.
성덕현, 정의승, 조용주, 한국인의 의복 제작을 위한 체형별 사이징 체계 개발, Journal of the Ergonomics Society of Korea, 24(4), 31-37, 2005.

원문보기 상세보기
유재진, 김재련, 러프집합을 이용한 의사결정나무의 노드 선택 방법, 한국산업경영시스템학회 2003 추계학술대회 논문집, 2003.
Nagamachi, M., Okazaki, Y. and Ishikawa M., Kansei engineering and application of the rough sets model, Proc. IMechE Special Issue Paper, 220(1), 2006.
Nagamachi, M., Perspectives and new trend of Kansei/Affective Engineering, TQM Journal, 2008.
Pawlak, Z., Rough sets: theoretical aspects of reasoning about data, Kluwer Academy Publisher, 1991.
Yan, H-B., Huynh, V-N., Murai, T. and Nakamori, Y., Kansei evaluation based on prioritized multi-attribute fuzzy target-oriented decision analysis, Information Sciences, 178, 4080-4093, 2008.

상세보기
Zhai, L-Y., Khoo, L-P. and Zhong, Z-W., A rough set based decision support approach to improving consumer affective satisfaction in product design, International Journal of Industrial Ergonomics, 39, 295-302, 2009.

상세보기

저자의 다른 논문 :

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