선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- ④ 최종 선정 시에는 투입할 변수의 개수를 고려하였는데, 이는 판별분석에서 관측치의 개수(표본의 크기)가 독립변수 수의 20배 이상이 되는 것이 요구되기 때문이다. 따라서 본 연구에서는 판별함수에 투입할 변수는 12개 내외로 최종 선정하는 것을 목표로 하였다.
- 즉, 3D-AFRA와 첫인상 문항을 통해 얻어진 안면 정보 중에서 판별분석에 투입할 최적의 독립 변수를 선택하는 절차 및 방법을 제시하였고, 판별모형을 만들어 이를 검증, 해석 및 분류의 적절성을 평가한 후, 검증집단에 투입하여 타당도 검사를 시행하였다. 이에 결과를 보고하는 바이다.
- 이에 저자는 20-48세 여자를 대상으로 3D-AFRA를 통해 얻은 3차원 안면 계측치와 체질진단지의 첫인상 문항을 이용해 사상체질 진단알고리즘을 개발하고자 하였다. 즉, 3D-AFRA와 첫인상 문항을 통해 얻어진 안면 정보 중에서 판별분석에 투입할 최적의 독립 변수를 선택하는 절차 및 방법을 제시하였고, 판별모형을 만들어 이를 검증, 해석 및 분류의 적절성을 평가한 후, 검증집단에 투입하여 타당도 검사를 시행하였다.
- 체질 집단을 분류하는데 중요한 변수를 찾는 탐색적인 목표로 단계적 판별분석 활용해 보았다. 다중비교에서는 덜 유의한(p>0.
제안 방법
- 2. 안면 계측변수 및 수식변수는 탐색적 자료 분석을 선행한 후 다중비교법을 위주로 변수를 선정하되, 단계적 판별함수 분석, 임상적 판단으로 보완하였다. 최종 선정 시에는 표준 판별분석의 Wilks' Lamda 값과 단계적 판별분석에서 투입되는 변수들의 순서를 고려하여 최종적으로 NH3.
- ① 다중비교, 단계적 판별함수 분석, 임상적 판단 세 가지 방법을 통해 의미 있는 변수부터 찾아내었다. 체질별 유의한 차이를 보이는 변수일수록 판별분석에 적합한 변수이기 때문에 다중비교(Multiple Comparison) 기법을 통해 체질별 평균값의 차이를 비교해 보았다.
- ⑵ 안면 계측변수 및 수식변수는 먼저 정규성을 위반하는 변수(variable)와 극단값을 가지는 사례(case)를 삭제한 후 다음의 과정을 실시하였다.
- 연구대상자를 나이, BMI, 체질분포에서 동질성있는 두 집단으로 구분하였다. 그리고 분석표본에서 산출된 판별함수를 검증표본에 적용하여 판별함수의 타당성을 검증하였다.
- 다중비교에서 유의하게 나타난 변수 중에서 판별분석에 투입할 변수를 최종 선정하기 위해 표준 판별분석의 Wilks' Lambda값과 단계적 판별분석에서 어떤 변수가 투입되는지를 확인해 보았다.
- 다중비교에서는 덜 유의한(p>0.05) 변수라도 판별분석에 가서는 의미 있는 변수(Wilks’ Lambda 값을 p<0.05한 기준에서 감소)일 수 있기 때문에, 의미 있는 변수를 찾아내는 방법 중 하나로 활용하였다.
- 동무 이제마는 『동의수세보원』 『四端論』에서 '人稟臟理 有四不同'이라 하여 태양인, 소양인, 태음인, 소음인의 사상인을 제시하였다.
- 05한 기준에서 감소)일 수 있기 때문에, 의미 있는 변수를 찾아내는 방법 중 하나로 활용하였다. 따라서 다중비교에서 덜 유의했던 변수를 포함하여 정규성 가정을 통과한 모든 변수를 대상으로 단계적 판별분석을 시행하였다. 또한 최종 선정을 목표로 하는 것이 아니라 의미 있는 변수를 찾아내는 것이 목표이기 때문에 단계적 판별분석에서 변수 진입 기준(F-확률 사용)을 0.
- 이 제시한 수식 변수 이외에 계산 가능한 125개 변수를 추가하였고, 다중비교법을 위주로 판별분석에 투입할 독립 변수를 선정하되, 단계적 판별분석 및 임상적 판단으로 보완하는 방식을 제시하였다. 또한 체질진단지의 첫인상 문항에 대해서는 표준 판별분석의 단변량 F값과 단계적 판별분석에서 투입되는 변수를 고려하여 독립 변수를 선정하는 방식을 제시하였다. 이는 3차원 안면 정보의 한계를 보완할 수 있는 다른 객관적 체질 진단 지표들(예를 들어 신체 계측 정보, 음향 신호 정보 등)을 3차원 안면 정보와 함께 사상체질 진단에 이용하기 위해서는 어떤 방법을 사용하여야 되는지에 대한 방법으로서의 의미도 가진다.
- 따라서 다중비교에서 덜 유의했던 변수를 포함하여 정규성 가정을 통과한 모든 변수를 대상으로 단계적 판별분석을 시행하였다. 또한 최종 선정을 목표로 하는 것이 아니라 의미 있는 변수를 찾아내는 것이 목표이기 때문에 단계적 판별분석에서 변수 진입 기준(F-확률 사용)을 0.05, 0.10 등으로 다양하게 잡아보고 그 결과를 비교해 보았다.
- 이 제시한 수식 외에 이론적으로 계산 가능한 수식이 더 있었다. 본 연구에서는 이를 추가하여 분석에 활용하였다. 아래 ①②③에 의해 추가된 수식변수는 119개이다.
- 세 집단에서 모두 유의한 차이가 있는 변수뿐만 아니라 두 집단에서 유의한 차이가 있는 변수도 선정하였다. 정규성 가정을 통과한 안면변수는 총232개이었고, 이 변수들을 대상으로 Scheffe의 방법을 이용하여 다중 비교를 실시하였다.
- 셋째, 안면변수(계측변수와 수식변수)는 체질 집단을 factor로 설정하여 정규성 검사를 시행하였고, ‘Lilliefors에 의해 수정된 Kolmogolov-Sminov 검정’을 이용하여 p<0.05인 경우에 삭제하였다.
- 아울러, 본 연구는 얼굴변수로 인한 판별함수가 얼마나 타당한지를 검증하기 위하여 다음과 같은 연구절차를 진행하였다. 연구대상자를 나이, BMI, 체질분포에서 동질성있는 두 집단으로 구분하였다. 그리고 분석표본에서 산출된 판별함수를 검증표본에 적용하여 판별함수의 타당성을 검증하였다.
- 길이 변수 가운데 ‘고비’와 ‘폭비’가 없는 변수들이 있었다. 이 변수들을 대상으로 고비와 폭비를 추가하였다. ‘고비’는 곽35의 논문에서 제시된 대로 ‘÷FS2_3.
- 이를 첫인상 변수에서 최종 선정된 p1_1, p1_3, p1_6, p1_7, p1_8 이상 5개 변수와 함께 판별분석을 시행해 보았다.
- 이상 7개 용모변수 중 鼻大를 의미하는 NArF3.2_3.1_3.3(비면적)과 NArS3.1_3.6_3.3(측비면적)은 다중비교에서 이미 비교되었기 때문에 이를 제외한 5개변수를 각각 표준 판별분석에 투입하여 Wilks' Lambda 값과 Box's M값을 확인해 보았다.
- 05) 차이를 보인 변수는 계측변수 22개, 수식변수 3개, 추가된 수식변수 2개 총 27개이었다. 이상 다중비교에서 유의하게 나타난 계측변수 및 수식변수들을 계측변수와 수식변수로 나눠서 최종 선정 과정을 진행하였다. 다중비교에서 유의하게 나타난 변수 중에서 판별분석에 투입할 변수를 최종 선정하기 위해 표준 판별분석의 Wilks' Lambda값과 단계적 판별분석에서 어떤 변수가 투입되는지를 확인해 보았다.
- 이에 저자는 곽33이 제시한 수식 변수 이외에 계산 가능한 125개 변수를 추가하였고, 다중비교법을 위주로 판별분석에 투입할 독립 변수를 선정하되, 단계적 판별분석 및 임상적 판단으로 보완하는 방식을 제시하였다. 또한 체질진단지의 첫인상 문항에 대해서는 표준 판별분석의 단변량 F값과 단계적 판별분석에서 투입되는 변수를 고려하여 독립 변수를 선정하는 방식을 제시하였다.
- 이에 저자는 이22의 논문 중에서 ‘문헌별로 가장 많이 언급된 容貌 표현’ 을 기준으로 의미 있는 변수를 찾아보았다.
- 이에 저자는 20-48세 여자를 대상으로 3D-AFRA를 통해 얻은 3차원 안면 계측치와 체질진단지의 첫인상 문항을 이용해 사상체질 진단알고리즘을 개발하고자 하였다. 즉, 3D-AFRA와 첫인상 문항을 통해 얻어진 안면 정보 중에서 판별분석에 투입할 최적의 독립 변수를 선택하는 절차 및 방법을 제시하였고, 판별모형을 만들어 이를 검증, 해석 및 분류의 적절성을 평가한 후, 검증집단에 투입하여 타당도 검사를 시행하였다. 이에 결과를 보고하는 바이다.
- 판별 함수의 타당성(validation)을 검증하기 위하여 상기 연구 대상자를 분석표본(analysis sample or training sample)과 검증표본(test sample or holdout sample)으로 나누었다. 분석표본과 검증표본의 비율은 7:3으로 하여, 분석표본 250명 검증표본 107명으로 구성하였다.
- 개별 변수가 정규분포를 이루지 못할 때 이에 대해 조치하는 방법으로는 제곱근이나 로그 또는 역수를 취하여 자료를 변환하는 방법이 있다. 하지만 자료변환은 원래의 측정척도에 변화를 가하는 것이므로 변환된 척도의 값에 대한 충분한 설명을 덧붙여야 하나 해석이용이하지 않을 수 있기 때문에 본 연구에서는 삭제하는 방식을 택하였다.37 넷째, 극단값을 삭제하였다.
- 한국인 20～48세 중년여성 357명 대상자들의 3차원 안면 정보 및 체질진단지(환자용)의 첫인상 문항을 이용하여 사상체질 진단의 판별함수를 제안해 보았다.
대상 데이터
- ➀ NH3.5_L3(좌비익하점높이)은 NH3.5_L3, NH3.2_ L3, EH2.4_L3등 턱하점에서의 높이를 나타내는 변수들을 대표하여, ‘下顔의 길이’의 의미로 태음인을 잘 구분해주는 변수로 채택하였다.
- 또한 본 연구의 대상자 357명의 5% 즉 18명 이상에서 결측치를 가진 변수 58개 역시 분석에서 제외하였다. 그 결과 연구에 활용 가능한 변수 개수는 265개로 정리되었다.
- 따라서 임상적 판단에 의해서는 脣薄 및 脣厚를 의미하는 MFE4.1_4.3를 최종 선정하였다. 참고로 MFE4.
- 본 연구에서 사용하는 데이터는 보건복지부의 “한방치료기술 연구개발 사업”의 하나인 ‘한방 바이오 퓨전 연구사업’ 과제를 수행할 때 2007년도에 4개 한의과대학의 5개 부속한방병원에서 임상시험연구윤리위원회의 승인 후에 실시한 임상시험자료를 활용한 것이다.
- 본 연구에서는 사춘기 이후인 20세 이상과 폐경기 전후인 48세 이하3)로 한정된 여성을 대상자로 선정하였다. 그것은 형태학적으로 두면부의 형상이 성별과 나이에 따라 변하기 때문에 먼저 성별을 구분하여 분석해야 한다.
- 판별 함수의 타당성(validation)을 검증하기 위하여 상기 연구 대상자를 분석표본(analysis sample or training sample)과 검증표본(test sample or holdout sample)으로 나누었다. 분석표본과 검증표본의 비율은 7:3으로 하여, 분석표본 250명 검증표본 107명으로 구성하였다.
- 상기 332개 변수 중 의미 없는 변수(EBS1_S2폭비)와 부분항목 내에서 중복된 변수 8개를 삭제하였다. 또한 본 연구의 대상자 357명의 5% 즉 18명 이상에서 결측치를 가진 변수 58개 역시 분석에서 제외하였다.
- 최종 선정 시에는 표준 판별분석의 Wilks' Lamda 값과 단계적 판별분석에서 투입되는 변수들의 순서를 고려하여 최종적으로 NH3.5_L, ArFS1_L3_S2 고비, EAF2.4, F1.7_3.6고폭비, E2.6_2.8길이고비, MFE4.1_4.3 이상 6개 변수를 선정하였다.
- 한방병원의 사상체질과 전문의로부터 체질진단을 받고 최소한 4주 이상 사상체질처방을 사용한 후 주증상이 전반적으로 호전되고 부작용을 보고하지 않았던 자로 체질진단지(환자용) 설문 데이터 1, 040명과 얼굴 3D 데이터 941명 중, 설문 데이터와 얼굴 3D 데이터가 일치하는 940명 중에서, 태양인을 제외한 만 20세 이상 만 48세 이하 여자(357명)를 본 논문의 연구대상자로 선정하였다.
데이터처리
- 2) 단변량분석(집단평균의 동질성에 대한 검정)의 Wilks' Lambda값 및 F값을 통해 집단 간 차이를 크게 하는 변수를 확인하고, 이 변수들의 구조행렬 판별적재값을 비교하여 최종 선택하였다.
- 2) 이상의 과정을 통해 선정된 측정 변수로 판별분석을 시행하였고, 그 결과 산출된 판별함수(Canonical discriminant functions)를 검증하고 해석하였으며, 판별정확률을 통해 분류의 적절성을 평가하였다.
- 3) 판별결과의 타당성(validation)을 검증하기 위해서 분석 표본에서 도출된 분류함수(Fisher's linear discriminant functions)를 검증 표본에 투입하여 판별정확률을 계산해 보았다.
- 본 연구에서는 다중판별분석을 주된 통계기법으로 채용하였다. 이하의 과정을 Fig.
- 분석표본과 검증표본 사이에 나이, Body Mass Index(BMI), 사상인의 차이가 없는지를 확인하기 위해, 나이와 BMI는 T-검정, 사상인 분포는 카이제곱-검정을 사용하였다. 두 그룹 간에 나이, BMI, 사상인 분포는 유의한 차이가 없었다(Table 1).
- 세 집단에서 모두 유의한 차이가 있는 변수뿐만 아니라 두 집단에서 유의한 차이가 있는 변수도 선정하였다. 정규성 가정을 통과한 안면변수는 총232개이었고, 이 변수들을 대상으로 Scheffe의 방법을 이용하여 다중 비교를 실시하였다.
- 첫인상 8개 변수를 가지고 변수 탐색을 위한 표준 판별분석을 시행하였다.2) 단변량분석(집단평균의 동질성에 대한 검정)의 Wilks' Lambda값 및 F값을 통해 집단 간 차이를 크게 하는 변수를 확인하고, 이 변수들의 구조행렬 판별적재값을 비교하여 최종 선택하였다.
- ① 다중비교, 단계적 판별함수 분석, 임상적 판단 세 가지 방법을 통해 의미 있는 변수부터 찾아내었다. 체질별 유의한 차이를 보이는 변수일수록 판별분석에 적합한 변수이기 때문에 다중비교(Multiple Comparison) 기법을 통해 체질별 평균값의 차이를 비교해 보았다.
- 판별 분석 결과에서 도출한 분류함수를 검증표본에 대입하여 타당성 검증을 하였다 (Table 7).
이론/모형
- 체질진단지(환자용)36의 용모사기 설문 문항 중에서 “첫인상”에 관한 8개 문항을 사용하였다(Table 2).
성능/효과
- 동무는 『四象人辨證論 』에서 체질구분에 있어 인물형용(人物形容)을 강조하였다.1) 인물형용의 容은 얼굴에서 나타나는 정보 즉 안면 정보를 말하는 것으로 정량화가 가능한 특성을 가진다.2
- 6)를 판별분석에 투입할 변수로 최종 선정하였다. 11개 안면변수가 진입하여 만들어진 판별함수에 의한 판별정확률은 55.9%로 나타났다.
- 3. 판별분석의 결과 산출된 판별함수는 통계적으로 유의하였고, 39%의 설명력을 가졌고, 66%의 판별 정확률을 나타내었으며, 분류 함수를 도출하여 검증표본에서 판별 정확률을 계산해 본 결과 56.9%이었다.
- 분석표본과 검증표본 사이에 나이, Body Mass Index(BMI), 사상인의 차이가 없는지를 확인하기 위해, 나이와 BMI는 T-검정, 사상인 분포는 카이제곱-검정을 사용하였다. 두 그룹 간에 나이, BMI, 사상인 분포는 유의한 차이가 없었다(Table 1).
- 6고폭비의 순이며, 나머지는 판별력이 작은 것으로 나타났다. 두 번째 판별함수의 경우, 판별력이 큰 순서는 p1_6, ArFS1_L3_S2고비, NH3.5_L3, p1_1, p1_3의 순이며 나머지는 판별력이 작은 것으로 나타났다. 특히 첫 번째 판별함수에서 판별력이 낮은 p1_6(듬직하다)은 두 번째 판별함수에서 높은 판별력을 보이고 있다.
- 첫째, 곽35의 3D 안면표준변수 332개중에서 중복되거나 분석에 의미가 없는 안면변수를 제외하였다. 둘째, 본 연구대상자의 5%에서 결측치를 가진 변수는 분석에서 제외하였다. 셋째, 안면변수(계측변수와 수식변수)는 체질 집단을 factor로 설정하여 정규성 검사를 시행하였고, ‘Lilliefors에 의해 수정된 Kolmogolov-Sminov 검정’을 이용하여 p<0.
- 산출된 두개의 판별함수는 통계적으로 유의하였으며(각각 Lambda=.613, p<.001; Lambda=.830, p<.001), 두 함수에 의한 안면 정보 변수들의 설명량은 39%로 나타났다 (함수1=22%, 함수2=17%) (Table 4).
- 이를 보완하기 위하여 보다 체격의 영향을 덜 받는 수식변수를 개발 및 계측변수와 별도로 분석을 진행하기도 하였으나 3차원 안면정보가 태음인에 민감한 것은 앞으로 해결해야 할 과제이다. 셋째, 판별 분석을 시행하는 과정에서 공분산 행렬의 동일성 가정이 문제시 되는 경우가 많았는데, 이는 표본 집단의 개수가 이질적인데서 오는 결과로 향후 3차원 안면 정보를 수집하여 분석에 활용할 때는 체질 집단별 대상자의 숫자를 일치시키는 것이 효율적인 분석을 위해서 필수적임을 알 수 있었다.
- 소양인, 태음인, 소음인 중 어느 두 집단에서 유의한(p<0.05) 차이를 보인 변수는 계측변수 18개, 수식변수 29개, 추가된 수식변수 2개 총49개이었고, 세 집단 모두에서 유의한(p<0.05) 차이를 보인 변수는 계측변수 22개, 수식변수 3개, 추가된 수식변수 2개 총 27개이었다.
- 안면 계측변수 및 수식변수에서 최종 선정된 NH3.5_L, E1.2_1.9, ArFS1_L3_S2고비, EAF2.4, NA3.2_3.1_3.3, F1.7_3.6고폭비, E2.6_2.8길이고비, MFE4.1_4.3 8개 변수로 변수를 하나씩 없애가면서 판별분석을 시행해보면 E1.2_1.9, NA3.2_3.1_3.3를 제외한 NH3.5_L, ArFS1_L3_S2고비, EAF2.4, F1.7_3.6고폭비, E2.6_2.8길이고비, MFE4.1_4.3 6개 변수로 판별분석을 시행하였을 때 가장 놓은 판별분석률(54.5%, 교차유효율53.2%, Box's M=76.748(p=0.002))을 보였다.
- 이상에서 유의하게 나타난 7개 첫인상 변수를 좀 더 축약하기 위해 단계적 판별 분석을 시행해 본 결과 표준 판별 분석과 의미있는 차이를 발견할 수 없었다. 따라서 표준판별 분석의 단변량 분석 결과를 기준으로 최종 변수를 선정한다.
- 정규성 검사 결과 계측변수 71개, 수식변수 99개, 추가된 수식변수 62개 총232개 변수가 정규성 가정을 만족하였다.
- 본 연구과정중 의의는 관찰변수를 분석 전에 다음과 같은 데이터마이닝과정을 실시하였다. 첫째, 곽35의 3D 안면표준변수 332개중에서 중복되거나 분석에 의미가 없는 안면변수를 제외하였다. 둘째, 본 연구대상자의 5%에서 결측치를 가진 변수는 분석에서 제외하였다.
- 그러나 본 연구의 제한점은 다음과 같다. 첫째, 연구 결과 산출된 판별함수는 통계적으로 유의하기는 하였으나, 설명량이 39%로 낮은 편이었고, 분류는 66%의 판별 정확률을 나타냈으며, 분류 함수를 도출하여 검증표본에서 판별 정확률을 계산해 본 결과 56.9%이었다. 이것은 용모 즉 얼굴변수가 사상인 변증에 대한 기여하는 정도로 판단해야 할 것이다.
후속연구
- 3차원 안면정보가 태음인에 민감한 것과 체질 집단별 표본 수를 일치시키는 것이 향후 연구에서 해결해야 할 과제이다. 3차원 안면 정보와 설문지 정보를 함께 사상체질 진단에 이용한 알고리즘은 앞으로 다른 계측 정보에도 동일하게 적용해서 사상체질 진단에 활용할 수 있을 것이다.
- 3차원 안면정보가 태음인에 민감한 것과 체질 집단별 표본 수를 일치시키는 것이 향후 연구에서 해결해야 할 과제이다. 3차원 안면 정보와 설문지 정보를 함께 사상체질 진단에 이용한 알고리즘은 앞으로 다른 계측 정보에도 동일하게 적용해서 사상체질 진단에 활용할 수 있을 것이다.
- 본 연구에서 설문지의 첫인상 문항을 3차원 안면 정보와 함께 활용하였듯이 다른 수많은 계측 정보들도 함께 활용할 수 있는 방법을 만들어간다면 사상체질진단의 객관화에 크게 기여할 것이다. 향후 다양한 3차원 안면정보의 개발 및 다른 생물학적 정보가 융합하여 보다 발전된 체질진단 연구가 진행되길 기대한다.
- 둘째, 판별함수의 설명량이 낮은 것은 다중비교 결과에서 살펴보았듯이 안면 계측값의 특성상 체격의 요소에 많이 좌우되어 태음인이 대부분 큰 값을 가지는 것4)이 그 이유로 추측된다. 이를 보완하기 위하여 보다 체격의 영향을 덜 받는 수식변수를 개발 및 계측변수와 별도로 분석을 진행하기도 하였으나 3차원 안면정보가 태음인에 민감한 것은 앞으로 해결해야 할 과제이다. 셋째, 판별 분석을 시행하는 과정에서 공분산 행렬의 동일성 가정이 문제시 되는 경우가 많았는데, 이는 표본 집단의 개수가 이질적인데서 오는 결과로 향후 3차원 안면 정보를 수집하여 분석에 활용할 때는 체질 집단별 대상자의 숫자를 일치시키는 것이 효율적인 분석을 위해서 필수적임을 알 수 있었다.
- 본 연구에서 설문지의 첫인상 문항을 3차원 안면 정보와 함께 활용하였듯이 다른 수많은 계측 정보들도 함께 활용할 수 있는 방법을 만들어간다면 사상체질진단의 객관화에 크게 기여할 것이다. 향후 다양한 3차원 안면정보의 개발 및 다른 생물학적 정보가 융합하여 보다 발전된 체질진단 연구가 진행되길 기대한다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.