[논문]Neurogram을 이용한 인공와우 자극기법 평가 연구

양혜진; 우지환

doi:10.9718/jber.2013.34.2.47

Neurogram을 이용한 인공와우 자극기법 평가 연구
Evaluation of Stimulus Strategy for Cochlear Implant Using Neurogram 원문보기

Journal of biomedical engineering research : the official journal of the Korean Society of Medical & Biological Engineering, v.34 no.2, 2013년, pp.47 - 54

양혜진 (울산대학교 의공학과, 울산대학교 전기공학부) , 우지환 (울산대학교 의공학과, 울산대학교 전기공학부)

Abstract ▼ AI-Helper

Electrical stimulation is delivered to auditory nerve (AN) through the electrodes in cochlear implant system. Neurogram is a spectrogram that includes information of neural response to electrical stimulation. We hypothesized that the similarity between a neurogram and an input-sound spectrogram could show how well a cochlear implant system works. In this study, we evaluated electrical stimulus configuration of CIS strategy using the computational model. The computational model includes stochastic property and anatomical features of cat auditory nerve fiber. To evaluate similarity between a neurogram and an input-sound spectrogram, we calculated Structural Similarity Index (SSIM). The results show that the dynamic range and the stimulation rate per channel influenced SSIM. Finally, we suggested the optimal configuration within the given stimulus CIS. We expect that the results and the evaluating procedure could be employed to improve the performance of a cochlear implant system.

주제어

AI 본문요약
AI-Helper

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

문제 정의

따라서, 본 연구에서는 인공와우 전기자극 방식 중 중요한 요소인 DR과 SRC를 신경모델을 이용한 객관적인 평가 방법을 제시하고자 한다[8,9]. 자극 기법에 따른 인공와우 시스템의 효과를 평가하기 위하여 입력신호와 자극된 신경 반응의 유사성을 비교평가 하였다.
본 연구에서는 cochlear implant시스템에서 전기자극을 더 효과적으로 주기 위해 SRC와 DR을 변경하며 입력 음성 신호spectrogram과 신경반응 neurogram의 유사성을 평가하였다. 두 이미지의 유사성을 평가하는 것은 SSIM index를 이용하였는데, 그 결과는 그림 7을 보면 알 수 있다.

가설 설정

이러한 평가의 방법으로서, 입력음성신호를 주파수 별로 나누어 음성신호의 크기를 밝기로 표현한 spectrogram과 입력음성신호를 전기자극으로 변환하여 자극한 신경반응을 나타낸 neurogram의 유사성을 비교하였다. 입력음성신호 spectrogram과 그에 따른 신경반응 neurogram이 유사할수록 실제음성과 유사하게 들린다고 가정하고, 두 이미지가 유사할수록 인공와우 시스템의 효과적인 자극 기법이라고 평가하였다.
지름이 0.45 mm인 전기자극용 전극을 9번째 랑비에르 결절 위에 위치 시켰으며, 전극과 신경 사이의 공간은 저항률이 3 kΩ·cm 인 물질로 채우고 있다고 가정하였다.

제안 방법

그림 1(c)는 그림 1(b)와 같이 펄스 열 형태의 자극에 대한 신경반응 빈도 수를 표현한 것이다. 그림 1(c)에서 막대그래프는 1 ms의 일정한 시간간격으로 신경반응 빈도 수를 계산하였고, 원모양의 그래프는 0-4, 4-12, 12-24, 24-48,48-100, 100-200 ms간격으로 신경반응 빈도 수를 계산하였다. 펄스 열 자극의 크기를 일정하게 주었지만 adaptation의 영향으로 신경반응 시간이 지남에 따라 신경반응 빈도 수는 줄어드는 것을 알 수 있다.
총 22채널 중에서 본 연구에서는 8개 채널만 사용하기 때문에, 8개의 채널 대역폭을 선택하였다. 200-8000 Hz를 22개의 대역폭으로 나누었을 때와 8개의 대역폭으로 나누었을 때를 비교하여 더 가까운 대역폭에 해당하는 채널을 선택하였다. 그림 4(d)는 주파수 별로 나누어 선택된 8개 채널의 입력음성신호 spectrogram을 나타낸다.
일반적으로 DR을 설정할 때 인공와우 시스템 사용자가 잘 들리기 시작하는 지점을 Tlevel(threshold level), 편안하게 들을 수 있는 최대지점을 C-level (comfortable level)이라고 한다. DR 변화의 영향을 분석하기 위하여, C-level은 고정하고, T-level을 변화하였다. SRC 변화의 영향을 분석하기 위해서는, SRC를 인공와우 시스템에서 많이 적용되는 900, 1200, 1800 Hz 로 변환하며 평가하였다[15].
DR 변화의 영향을 분석하기 위하여, C-level은 고정하고, T-level을 변화하였다. SRC 변화의 영향을 분석하기 위해서는, SRC를 인공와우 시스템에서 많이 적용되는 900, 1200, 1800 Hz 로 변환하며 평가하였다[15]. DR의 T-level과 C-level은 각 SRC 자극에 대한 초기 신경반응 빈도에 기반한 입력/출력 곡선(growth curve)에 따라 정하였다.
이에 대한 평가로써, 일정한 크기를 갖는 펄스 열 자극을 이용하여 SRC에 따른 decrement와 SSIM index의 관계를 살펴보았다. SRC는 250, 900, 1200, 1800 Hz로 각각 변경하였으며, 초기 신경반응 빈도는 100, 200, 300 spike/s 인 경우로 자극의 크기를 조절하였다. 그림 3(a)와 (b)는 각각의 SRC 경우의 200 ms 펄스 열 입력에 대한 반응의 decrement와 전기 자극에 대한 반응과 입력신호의 SSIM index를 나타내고 있다.
초기 신경반응 빈도는 자극 시점 후 12 ms 내의 spike 수를 측정하여 계산하였으며, 12 ms는 반응 불응기(4 ms)의 배수로써 충분한 spike 수를 포함할 수 있는 최소 구간으로 이전 동물실험 및 모델링 연구에서 주로 사용된 값으로 설정하였다[16]. 각 SRC에 대한 초기 신경반응 빈도 곡선은 전기자극의 크기를 증가시키면 포화(saturation)되는 지점이 발생하게 되는데, 포화가 시작되는 부분을 100%인 지점으로 보고 T-level과 Clevel을 정하였다. 전기적 자극의 크기를 기준으로 T-level과 C-level을 정한 것을 절대 자극 값 (absolute value)이라 하고, 초기 신경반응 빈도를 기준으로 정한 것을 상대 자극 값(relative value)이라 하였다.
밝기는 두 이미지 사이의 평균값(μ)을 비교하였으며, 대비는 분산을, 구조는 두 이미지의 상관계수를 이용하였다.
실제 음성입력에 대한 전기자극 전달의 특성을 평가하기 위하여, 단모음 /a/를 이용하였다[19,20]. 그림 4(a)는 Klatt합성기를 이용하여 생성된 모음/a/ 시간영역에서 보여주고 있다.
자극 기법에 따른 인공와우 시스템의 효과를 평가하기 위하여 입력신호와 자극된 신경 반응의 유사성을 비교평가 하였다. 이러한 평가의 방법으로서, 입력음성신호를 주파수 별로 나누어 음성신호의 크기를 밝기로 표현한 spectrogram과 입력음성신호를 전기자극으로 변환하여 자극한 신경반응을 나타낸 neurogram의 유사성을 비교하였다. 입력음성신호 spectrogram과 그에 따른 신경반응 neurogram이 유사할수록 실제음성과 유사하게 들린다고 가정하고, 두 이미지가 유사할수록 인공와우 시스템의 효과적인 자극 기법이라고 평가하였다.
Adaptation 영향이 클수록 decrement가 커지게 되어 시간이 지남에 따라 입력음성신호 spectrogram과 그에 따른 신경반응 neurogram 사이에 많은 차이가 생기게 되므로 SSIM index에 영향을 줄 수 있다. 이에 대한 평가로써, 일정한 크기를 갖는 펄스 열 자극을 이용하여 SRC에 따른 decrement와 SSIM index의 관계를 살펴보았다. SRC는 250, 900, 1200, 1800 Hz로 각각 변경하였으며, 초기 신경반응 빈도는 100, 200, 300 spike/s 인 경우로 자극의 크기를 조절하였다.
인공와우 시스템 효과에 영향을 주는 자극 기법은 여러 가지가 있지만, 본 연구에서는 SRC와 DR을 변화하면서, 인공와우 시스템을 평가하였다. 일반적으로 DR을 설정할 때 인공와우 시스템 사용자가 잘 들리기 시작하는 지점을 Tlevel(threshold level), 편안하게 들을 수 있는 최대지점을 C-level (comfortable level)이라고 한다.
따라서, 본 연구에서는 인공와우 전기자극 방식 중 중요한 요소인 DR과 SRC를 신경모델을 이용한 객관적인 평가 방법을 제시하고자 한다[8,9]. 자극 기법에 따른 인공와우 시스템의 효과를 평가하기 위하여 입력신호와 자극된 신경 반응의 유사성을 비교평가 하였다. 이러한 평가의 방법으로서, 입력음성신호를 주파수 별로 나누어 음성신호의 크기를 밝기로 표현한 spectrogram과 입력음성신호를 전기자극으로 변환하여 자극한 신경반응을 나타낸 neurogram의 유사성을 비교하였다.

대상 데이터

입력된 /a/는 CIS 알고리즘에 기초한 그림 4(c)와 같이 높은 주파수로 갈수록 대역폭이 넓어지는 대역 필터를 거치게 된다. 총 22채널 중에서 본 연구에서는 8개 채널만 사용하기 때문에, 8개의 채널 대역폭을 선택하였다. 200-8000 Hz를 22개의 대역폭으로 나누었을 때와 8개의 대역폭으로 나누었을 때를 비교하여 더 가까운 대역폭에 해당하는 채널을 선택하였다.

이론/모형

시간이 지남에 따라 adaptation이 발생하여 점점 밝아지는 것을 볼 수 있고 입력음성신호의 크기가 큰 채널은 신경반응 빈도수가 높기 때문에 다른 채널에 비해 더 어둡게 나타나는 것을 볼 수 있으며, 낮은 주파수 영역의 채널에서 활발한 신경반응이 일어났음을 알 수 있다. 본 연구에서 전기자극에 따른 신경반응의 평가는 그림 4(d) 입력음성신호 spectrogram과 (e) 신경반응 neurogram간의 SSIM index를 이용하였다.
신경모델의 각 랑비에르 결절(node of Ranvier)은 Hodgkin-Huxley 모델에 기반한 신경모델(axon model)을 이용하였으며, 전체적인 신경모델은 spiral ganglion을 구성하는 cell body 와 랑비에르 결절이 포함된 축삭 신경(myelinated axon)으로 구성하였다[8-10]. 각 랑비에르 결절은 Na, K이온채널을 포함하고 있으며, 신경 반응의 확률성(stochasticity)을 구현하기 위해 channel-number-tracking 방법에 기반한 확률적 알고리즘을 포함하였다[11]. 컴퓨터 시뮬레이션은 PC기반의 Matlab을 사용하였으며, 시간 샘플링 간격은 1 μs로 하였다.
일반적으로 인공와우 시스템 연구에서는 전하량 균형을 유지하기 위해 양전극방식인 전기 자극을 사용하는데[12], 각 전극을 통해 펄스 열 (pulse train) 형태로 입력되어 청신경을 자극하게 된다. 본 연구에서 입력된 소리 신호 변경을 위해서는, 자극 방식 중 일반적으로 가장 많이 사용되고 있는 Continuous-Interleaved Sampling (CIS) 방식을 이용하였고, 총 22개의 전극 중에 8개의 전극만 선택하여 청신경을 자극하는데 사용하였다[13-15]. 그림 1(a)는 크기가 일정하고 SRC가 900 Hz인 펄스 열 전기자극의 예이다.
본 연구에서는 고양이 청신경(auditory nerve)의 크기 및 조직형태에 기반하여 개발된 컴퓨터 신경모델을 이용하였다. 신경모델의 각 랑비에르 결절(node of Ranvier)은 Hodgkin-Huxley 모델에 기반한 신경모델(axon model)을 이용하였으며, 전체적인 신경모델은 spiral ganglion을 구성하는 cell body 와 랑비에르 결절이 포함된 축삭 신경(myelinated axon)으로 구성하였다[8-10].
본 연구에서는 고양이 청신경(auditory nerve)의 크기 및 조직형태에 기반하여 개발된 컴퓨터 신경모델을 이용하였다. 신경모델의 각 랑비에르 결절(node of Ranvier)은 Hodgkin-Huxley 모델에 기반한 신경모델(axon model)을 이용하였으며, 전체적인 신경모델은 spiral ganglion을 구성하는 cell body 와 랑비에르 결절이 포함된 축삭 신경(myelinated axon)으로 구성하였다[8-10]. 각 랑비에르 결절은 Na, K이온채널을 포함하고 있으며, 신경 반응의 확률성(stochasticity)을 구현하기 위해 channel-number-tracking 방법에 기반한 확률적 알고리즘을 포함하였다[11].
입력음성신호 spectrogram과 전기자극에 의한 신경반응을 나타내는 neurogram의 유사성을 이용하여 전기자극 기법을 평가 하였는데, 이러한 유사성을 수치화 하기 위해SSIM (structural similarity) index를 이용하였다. SSIM index는 두 이미지를 비교하여, 두 영상데이터의 유사한 정도를 나타내는 값으로, 식(1)과 같이 계산된다.
컴퓨터 시뮬레이션은 PC기반의 Matlab을 사용하였으며, 시간 샘플링 간격은 1 μs로 하였다.

성능/효과

그림 3(a)와 (b)는 각각의 SRC 경우의 200 ms 펄스 열 입력에 대한 반응의 decrement와 전기 자극에 대한 반응과 입력신호의 SSIM index를 나타내고 있다. 그림 3(a)를 보면, 자극의 크기에 상관없이 SRC가 증가할수록 decrement가 커지는데, 이는 SRC가 커지면 신경반응의 adaptation이 많이 되어, 신경이 전달할 자극 정보 특성을 잃게 된다는 것을 의미한다. 그림3(b)에서는 세 가지 자극 크기 모두 SRC가 커질수록 SSIMindex가 작아지는 것을 알 수 있는데, SRC가 커질수록 decrement가 커지기 때문에 입력음성신호 spectrogram과 신경반응 neurogram사이의 유사성이 떨어지게 된다.
그래서 결과가 절대 자극 값의 경우와 유사하게 나타났다. DR이 줄어듦에 따라 각 채널 간에 전기자극의 크기차이가 줄어들어 모든 채널이 비슷하게 나타났고, DR이 넓을 때 보다 신경반응이 적었던 부분이 많아져 neurogram이 더 짙어졌음을 알 수 있다.
그림 7(a)는 절대 자극 값의 경우에 SSIM index를 DR과 SRC변화에 따라 나타내었고, 그림 7(b)는 상대 자극 값의 경우에 SSIM index를 DR과 SRC변화에 따라 나타내었다. 두 가지 경우 모두 DR이 넓을수록 SSIM index가 증가하였는데, DR이 넓을수록 입력음성신호에서 전기자극신호로 변환할 때 전기자극의 크기를 선택할 수 있는 범위가 넓기 때문에, 입력음성신호의 채널 간 크기에 따른 변화를 전기자극신호에서 더 정확하게 나타낼 수 있다. 따라서 DR이 넓을수록 입력음성신호와 유사한 전기자극으로 신경이 자극 되므로 신경반응 neurogram이 입력음성신호 spectrogram과 더 유사하게 나타나 SSIM index가 증가하게 된다.
그래서 absolute한 경우는 SRC에 따라 DR이 같기 때문에 SRC가 커질수록 신경반응 빈도 수가 작아지게 된다. 세가지 DR 모두 SRC가 증가할수록 더 작을 때와 비교하여 neurogram이 전체적으로 밝아지는 것을 볼 수 있다. 입력음성신호를 전기자극 신호로 변환할 때 입력음성신호의 크기에 따라 전기자극의 크기를 정하는데, DR이 좁을수록 채널마다 전기자극의 차이가 많이 나지 않게 된다.
그림 1(c)에서 막대그래프는 1 ms의 일정한 시간간격으로 신경반응 빈도 수를 계산하였고, 원모양의 그래프는 0-4, 4-12, 12-24, 24-48,48-100, 100-200 ms간격으로 신경반응 빈도 수를 계산하였다. 펄스 열 자극의 크기를 일정하게 주었지만 adaptation의 영향으로 신경반응 시간이 지남에 따라 신경반응 빈도 수는 줄어드는 것을 알 수 있다. Adaptation이 발생한 정도를 알기 위해 초기 신경반응 빈도(onset response rate)와 정상상태 신경반응 빈도(steady-state response rate)의 차이를 decrement^* 라고 정의하였다.
단어나 문장은 포먼트(formant)가 빠르게 변하기 때문에 SRC가 높을수록 더 정확하게 인식할 수 있다. 하지만 모음은 포먼트가 천천히 변하는 특징이 있어서 SRC에 따라서 큰 영향을 받지 않기 때문에[21], 본 연구에서,SRC에 따른 SSIM index변화는 신경반응에 있어서 음성신호의 포먼트 변화에 따른 영향보다 adaptation의 영향을 더 많이 받은 결과이다.

후속연구

또한, 인공와우 시스템을 사용하고 있는 사람마다 편안하게 들리는 자극기법들도 다르다. 하지만, 초기에 일반적인 자극기법설정을 효과적으로 하는데 이 연구 결과는 많은 도움이 될 수 있으리라 본다.

질의응답

핵심어	질문	논문에서 추출한 답변
	채널 간 간섭효과를 해결하기 위해 연구되는 어음처리방식에는 무엇이 있는가?	이 때, 동시에 근접된 전극을 통해 자극하게 되면, 다른 채널의 자극들이 여러 신경의 반응 특성에 영향을 주어 채널 간 간섭효과(channel interaction)가 발생하는 단점이 있다[2]. 이러한 단점을 해결하기 위하여 전기 자극 신호처리를 위한 여러 가지 어음처리방식들이 연구 되고 있으며, 대표적으로 CIS, ACE, SPEAK등이 있다. 이러한 여러 어음처리방식 사용시 인공와우 시스템의 신경자극 효과에 대하여 많은 연구가 진행되고 있으며[3,4],자극하는 전극의 수, 전극 삽입 깊이, 포락선(envelope) 추출을 위한 저역통과필터 차단주파수(low pass filter cut off frequency) 등과 같은 자극기법도 많이 연구되고 있다[1,5,6].
	인공와우 시스템은 무엇인가?	인공와우(cochlear implant, CI) 시스템은 유모세포의 손실로 인해 외부자극이 청신경으로 전달되지 않는 경우에, 전극을 통해 전기 자극을 청신경으로 전달함으로써 자극에 대한 신경반응이 일어나게 한다. 소리 정보를 청신경으로 전달하기 위해 인공와우 시스템은 입력된 외부의 소리를 주파수 밴드 별로 필터링(filtering)하게 된다.
	인공와우의 단점은 무엇인가?	필터 된 채널 별 신호는 전기 자극인 펄스형태로 변환되고, 변환된 전기자극은 각각의 채널 별 전극을 통해 전기신호로 전달되어 청신경을 자극하게 된다[1]. 이 때, 동시에 근접된 전극을 통해 자극하게 되면, 다른 채널의 자극들이 여러 신경의 반응 특성에 영향을 주어 채널 간 간섭효과(channel interaction)가 발생하는 단점이 있다[2]. 이러한 단점을 해결하기 위하여 전기 자극 신호처리를 위한 여러 가지 어음처리방식들이 연구 되고 있으며, 대표적으로 CIS, ACE, SPEAK등이 있다.

참고문헌 (21)

P. C. Loizou, "Introduction to cochlear implants," IEEE Eng Med Biol Mag, vol. 18, pp. 32-42, 1999.

상세보기
M. W. White, M. M. Merzenich, and J. N. Gardi, "Multichannel Cochlear ImplantsChannel Interactions and Processor Design," Arch Otolaryngol, vol. 110, pp. 493-501, 1984.

상세보기
M. W. Skinner, L. K. Holden, L. A. Whitford, K. L. Plant, C. Psarros, and T. A. Holden, "Speech recognition with the nucleus 24 SPEAK, ACE, and CIS speech coding strategies in newly implanted adults," Ear Hear, vol. 23, pp. 207-223, 2002.

상세보기
김진호 and 김경환, "청각신경 시냅스의 적응 효과를 이용 한 인공와우 어음처리 알고리즘의 개선에 대한 시뮬레이션 연구," 대한의용생체공학회 의공학회지, vol. 28, pp. 205- 211, 2007.
M. F. Dorman, P. C. Loizou, and D. Rainey, "Simulating the effect of cochlear-implant electrode insertion depth on speech understanding," J. Acoust. Soc. Am, vol. 102, pp. 2993- 2996, 1997.

상세보기
Q. J. Fu and R. V. Shannon, "Effect of stimulation rate on phoneme recognition by nucleus-22 cochlear implant listeners," J Acoust Soc Am, vol. 107, pp. 589-597, 2000.

상세보기
Q. J. Fu and R. V. Shannon, "Effects of dynamic range and amplitude mapping on phoneme recognition in Nucleus-22 cochlear implant users," Ear Hear, vol. 21, pp. 227-235, 2000.

상세보기
J. Woo, C. A. Miller, and P. J. Abbas, "Biophysical model of an auditory nerve fiber with a novel adaptation component," IEEE Trans Biomed Eng, vol. 56, pp. 2177-2180, 2009.

상세보기
A. L. Hodgkin and A. F. Huxley, "Currents carried by sodium and patassium ions through the membrane of the giant axon of Loligo," J. Physiol., vol. 116, pp. 449-472, 1952.

상세보기
M. C. Liberman and M. E. Oliver, "Morphometry of intracellularly labeled neurons of the auditory nerve: correlations with functional properties," J Comp Neurol, vol. 223, pp. 163-176, 1984.

상세보기
H. Mino, J. T. Rubinstein, and J. A. White, "Comparison of algorithms for the simulation of action potentials with stochastic sodium channels," Ann Biomed Eng, vol. 30, pp. 578-587, 2002.

상세보기
C. v. d. Honert and J. T. Mortimer, "The response of the myelinated nerve fiber to short duration biphasic stimulating currents," Ann Biomed Eng, vol. 7, pp. 117-125, 1979.

상세보기
P. Loizou, "Mimicking the human ear," IEEE Signal Process. Mag., vol. 15, pp. 101-130, 1998.

상세보기
B. Kelly, "Continuous Interleaved Sampled (CIS) Signal Processing Strategy for Cochlear Implant : MATLAB Simulation Program," B.S., Bioengineering, Syracuse University, 2006.
Cochlear., "Nucleus Cochlear Implants:Physicians Package Insert," ed, 2010.
J. Woo, C. A. Miller, and P. J. Abbas, "Simulation of the electrically stimulated cochlear neuron: modeling adaptation to trains of electric pulses," IEEE Trans Biomed Eng, vol. 56, pp. 1348-1359, 2009.

상세보기
Z. Wang, A. C. Bovik, H. R. Sheikh, and E. P. Simoncelli, "Image quality assessment: from error visibility to structural similarity," IEEE Trans Image Process, vol. 13, pp. 600-612, 2004.

상세보기
F. Zhang, C. A. Miller, B. K. Robinson, P. J. Abbas, and N. Hu, "Changes across time in spike rate and spike amplitude of auditory nerve fibers stimulated by electric pulse trains," J Assoc Res Otolaryngol, vol. 8, pp. 356-372, 2007.

상세보기
D. H. Klatt, "Software for a cascade/parallel formant synthesizer," J Acoust Soc Am, vol. 67, pp. 971-995, 1980.

상세보기
H. T. Bunnell. (1999). Available: www.asel.udel.edu/speech/tutorials/synthesis
P. C. Loizou, O. Poroy, and M. Dorman, "The effect of parametric variations of cochlear implant processors on speech understanding," J Acoust Soc Am, vol. 108, pp. 790-802, 2000.

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