[논문]규칙 및 SVM 기반 알고리즘에 의한 심전도 신호의 리듬 분류

김성완; 김대환

doi:10.9708/jksci.2013.18.9.043

규칙 및 SVM 기반 알고리즘에 의한 심전도 신호의 리듬 분류
Rhythm Classification of ECG Signal by Rule and SVM Based Algorithm 원문보기

韓國컴퓨터情報學會論文誌 = Journal of the Korea Society of Computer and Information, v.18 no.9, 2013년, pp.43 - 51

김성완 (수원과학대학교 컴퓨터정보과) , 김대환 (수원과학대학교 컴퓨터정보과)

초록
AI-Helper

신뢰성 있는 부정맥 진단을 위해서는 리듬 구간 및 심박 단위의 종합적인 분석을 통하여 심전도 신호에 대한 분류 결과가 제시되어야 한다. 본 논문에서는 심전도 신호의 특징점에 기반하여 규칙기반 분류를 이용한 일정 구간의 리듬 분석을 수행하고 SVM기반 분류를 이용한 심박 단위의 리듬분석을 첨가하였다. 규칙기반 분류에서는 리듬 구간의 특징에 대하여 임상 자료로부터 도출된 규칙 베이스를 이용하여 리듬 유형을 분류하도록 하며, SVM기반 분류에서는 심박 단위의 특징에 대하여 미리 학습된 다중 SVM 분류기를 이용하여 단조 리듬 및 주요 비정상 심박을 분류하도록 한다. MIT-BIH 부정맥 데이터베이스를 이용한 실험을 통하여 11가지 리듬 유형에 대하여 규칙기반 방법만을 적용하였을 경우 68.52%, 규칙기반과 SVM기반의 융합 방법을 적용하였을 경우 87.04%의 분류 성능을 각각 보였다. SVM기반 방법으로 단조 리듬과 배열 리듬에 대한 오분류 개선을 통하여 분류 성능에서 19% 정도가 향상됨을 확인하였다.

Abstract ▼ AI-Helper

Classification result by comprehensive analysis of rhythm section and heartbeat unit makes a reliable diagnosis of heart disease possible. In this paper, based on feature-points of ECG signals, rhythm analysis for constant section and heartbeat unit is conducted using rule-based classification and SVM-based classification respectively. Rhythm types are classified using a rule base deduced from clinical materials for features of rhythm section in rule-based classification, and monotonic rhythm or major abnormality heartbeats are classified using multiple SVMs trained previously for features of heartbeat unit in SVM-based classification. Experimental results for the MIT-BIH arrhythmia database show classification ratios of 68.52% by rule-based method alone and 87.04% by fusion method of rule-based and SVM-based for 11 rhythm types. The proposed fusion method is improved by about 19% through misclassification improvement for monotonic and arrangement rhythms by SVM-based method.

주제어

AI 본문요약
AI-Helper

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

문제 정의

이를 위하여 본 논문에서는 모든 리듬에 대하여 기본적으로 규칙기반 리듬 분류를 적용하고 단조 및 배열 리듬을 위하여 보완적으로 SVM기반 심박 분류를 적용하였다. 그리고 규칙기반 리듬 분류와 SVM기반 심박 분류의 결과로부터 최종 리듬을 진단하기 위하여 그림 5와 같은 처리 과정을 도출하여 진단결과의 신뢰성을 높이고자 하였다.
본 논문에서는 그림 2와 같이 심전도 신호의 특징점으로부터 규칙기반 리듬 분류[13]와 SVM(support vector machine)기반 심박 분류[15]를 이용하여 부정맥 진단을 위한 리듬 분류 알고리즘을 제안한다. 규칙기반 분류에서는 리듬 구간의 특징에 대하여 미리 준비된 규칙 베이스를 이용하여 리듬 유형을 분류하게 된다.
본 논문에서는 심전도 신호의 특징점에 기반하여 규칙기반 분류를 이용한 일정 구간의 리듬 분석을 수행하고 SVM기반 심박 분류를 이용하여 부정맥 진단을 위한 리듬 분류 알고리즘을 제안하였다. 리듬 분류를 위해 규칙기반 분류에서 리듬 구간의 특징에 대한 규칙 베이스를 이용하여 리듬 유형을 분류하며, SVM기반 분류에서 심박 단위의 특징에 대해 미리 학습된 다중 SVM 분류기를 이용하여 단조 리듬 및 주요 비정상 심박을 분류하도록 하였다.
본 논문에서는 심전도 신호의 특징점에 기반하여 규칙기반 분류를 이용한 일정 구간의 리듬 분석을 수행하고 SVM기반 심박 분류를 이용하여 부정맥 진단을 위한 리듬 분류 알고리즘을 제안한다. 특징점 검출을 위해 곡률기반 정점 선택[14]을 이용하여 리듬 구간의 모든 P파, QRS군, 및 T파에 대한 시작점, 최고점, 끝점 위치를 검출한다.
이를 포함하지 않는 경우 규칙기반에 의한 리듬 유형으로 최종 진단하며, 이를 포함하는 경우 다시 배열 및 단조 리듬 조건과 순차적으로 비교하여 해당 리듬으로 최종 진단하게 된다. 즉, 배열 리듬 조건을 만족하는 경우 규칙기반과 SVM기반 중 위험수준이 높은 리듬 유형으로 진단하는데, 이는 심전도 자동진단 시스템을 활용한 자가진단시 사전진단의 중요성과 긴급성을 반영하고자 하였다. 단조 리듬 조건을 만족하는 경우 해당 단조 리듬 유형으로 진단하며, 배열 및 단조 리듬 조건을 만족하지 않는 경우 정상동리듬으로 진단하게 된다.

제안 방법

특징 추출을 위해 임상 진단 기준을 반영하여 리듬 구간의 동일성 및 규칙성 등에 대한 비정상 분포에 해당하는 특징이 추출되어 계산된다. 그리고 리듬 분류를 위해 규칙기반 분류에서 리듬 구간의 특징에 대한 규칙 베이스를 이용하여 리듬 유형을 분류하며, SVM기반 분류에서 심박 단위의 특징에 대해 미리 학습된 다중 SVM 분류기를 이용하여 단조 리듬 및 주요 비정상 심박을 분류하도록 한다.
10GHz×2 i5-2400 CPU와 4GByte RAM 사양을 가지고 있으며, MATLAB R2010a 버전을 이용하여 심전도 처리 알고리즘을 구현하였다. 리듬 구간 크기는 관련 연구[17-20]의 면밀한 검토를 통하여 모든 부정맥을 충분히 검출할 수 있는 10초로 설정하였다. 먼저 심전도 신호로부터 특징점 검출을 위한 전처리 과정으로 곡률기반 정점 선택을 이용하여 리듬 구간의 모든 P파, QRS군, 및 T파에 대한 시작점, 최고점, 끝점 위치를 검출하였다.
동일성은 P파와 R파의 심박 동수가 같은 리듬의 경우로 정의하며, 규칙성은 PP간격 또는 RR간격의 길이가 일정하게 유지되는 경우로 정의하였다. 리듬 구간내 리듬 및 심박 분포의 분석을 통해 다양한 리듬 유형에 대하여 표 1의 특징들을 이용한 지식 베이스를 구축한 후 리듬 유형간의 차별성을 시각적으로 반영함으로써 부정맥 진단 기준을 도출하였다.
본 논문에서는 심전도 신호의 특징점에 기반하여 규칙기반 분류를 이용한 일정 구간의 리듬 분석을 수행하고 SVM기반 심박 분류를 이용하여 부정맥 진단을 위한 리듬 분류 알고리즘을 제안하였다. 리듬 분류를 위해 규칙기반 분류에서 리듬 구간의 특징에 대한 규칙 베이스를 이용하여 리듬 유형을 분류하며, SVM기반 분류에서 심박 단위의 특징에 대해 미리 학습된 다중 SVM 분류기를 이용하여 단조 리듬 및 주요 비정상 심박을 분류하도록 하였다. MIT-BIH 부정맥 데이터베이스를 이용한 실험을 통하여 11가지 리듬 유형에 대하여 87.
먼저 규칙기반에 의한 리듬 유형이 정상동리듬(Normal Sinus Rhythm)인지를 확인하며, 정상동리듬이 아닌 경우 SVM기반에 의한 심박 정보가 단조 리듬 또는 주요 비정상 심박을 포함하고 있는지를 확인하게 된다. 이를 포함하지 않는 경우 규칙기반에 의한 리듬 유형으로 최종 진단하며, 이를 포함하는 경우 다시 배열 및 단조 리듬 조건과 순차적으로 비교하여 해당 리듬으로 최종 진단하게 된다.
리듬 구간 크기는 관련 연구[17-20]의 면밀한 검토를 통하여 모든 부정맥을 충분히 검출할 수 있는 10초로 설정하였다. 먼저 심전도 신호로부터 특징점 검출을 위한 전처리 과정으로 곡률기반 정점 선택을 이용하여 리듬 구간의 모든 P파, QRS군, 및 T파에 대한 시작점, 최고점, 끝점 위치를 검출하였다.
단조 리듬 심박이나 주요 비정상 심박은 동일 심박 유형의 빈도 및 주기 분석이 리듬 분류를 위한 좀더 효과적인 방법이 될 수 있다. 본 논문에서는 리듬 구간내 심박 단위 분류를 위하여 분류 성능이 우수한 SVM을 이용하여 그림 4와 같이 순차 결정 구조의 SVM기반 심박 분류 알고리즘을 구성하였다.
심전도 전문가의 지식과 경험을 실현할 수 있는 자동진단 시스템은 실생활에서 신속하고 정확하게 부정맥 진단을 가능하게 할 것이다. 본 논문에서는 심전도 자동진단을 위하여 그림 3과 같이 지식 베이스, 규칙 베이스, 추론 과정을 통하여 리듬을 분류하는 규칙기반 분류기를 구성하였다.
신뢰성 있는 부정맥 진단을 위해서는 리듬 구간 및 심박 단위의 종합적인 분석을 통하여 심전도 신호에 대한 정확한 진단결과가 제시되어야 한다. 이를 위하여 본 논문에서는 모든 리듬에 대하여 기본적으로 규칙기반 리듬 분류를 적용하고 단조 및 배열 리듬을 위하여 보완적으로 SVM기반 심박 분류를 적용하였다. 그리고 규칙기반 리듬 분류와 SVM기반 심박 분류의 결과로부터 최종 리듬을 진단하기 위하여 그림 5와 같은 처리 과정을 도출하여 진단결과의 신뢰성을 높이고자 하였다.
제안된 알고리즘에 의한 리듬 분류 성능을 평가하기 위하여 심전도 데이터베이스로부터 다양한 리듬 구간을 표본 추출 하여 실험을 수행하였다. 실험에 이용된 데이터베이스는 MIT-BIH 부정맥 데이터베이스[16]로서 심전도 관련 연구에서는 표준 데이터베이스로 널리 이용되고 있다.
그림 6은 리듬 분류에서 박동조율, 심박 분류에서 좌각차단 리듬으로 각각 분류되어 최종 진단에서는 좌각차단의 단조 리듬으로 분류되었으며, 그림 7은 리듬 분류에서 심실이단맥, 심박 분류에서 심실빈맥으로 각각 분류되어 최종 진단에서는 심실빈맥의 배열 리듬으로 분류되었다. 최종 진단시 신뢰성 있는 부정맥 리듬의 진단을 위하여 단조 리듬은 SVM기반 분류에 의한 리듬 유형으로 진단하며, 배열 리듬은 규칙기반 분류와 SVM기반 분류 중 위험 수준이 높은 리듬 유형으로 진단하도록 하였다.
특징점 검출을 위해 곡률기반 정점 선택[14]을 이용하여 리듬 구간의 모든 P파, QRS군, 및 T파에 대한 시작점, 최고점, 끝점 위치를 검출한다. 특징 추출을 위해 임상 진단 기준을 반영하여 리듬 구간의 동일성 및 규칙성 등에 대한 비정상 분포에 해당하는 특징이 추출되어 계산된다. 그리고 리듬 분류를 위해 규칙기반 분류에서 리듬 구간의 특징에 대한 규칙 베이스를 이용하여 리듬 유형을 분류하며, SVM기반 분류에서 심박 단위의 특징에 대해 미리 학습된 다중 SVM 분류기를 이용하여 단조 리듬 및 주요 비정상 심박을 분류하도록 한다.
본 논문에서는 심전도 신호의 특징점에 기반하여 규칙기반 분류를 이용한 일정 구간의 리듬 분석을 수행하고 SVM기반 심박 분류를 이용하여 부정맥 진단을 위한 리듬 분류 알고리즘을 제안한다. 특징점 검출을 위해 곡률기반 정점 선택[14]을 이용하여 리듬 구간의 모든 P파, QRS군, 및 T파에 대한 시작점, 최고점, 끝점 위치를 검출한다. 특징 추출을 위해 임상 진단 기준을 반영하여 리듬 구간의 동일성 및 규칙성 등에 대한 비정상 분포에 해당하는 특징이 추출되어 계산된다.
한편 실험에 이용된 PC는 3.10GHz×2 i5-2400 CPU와 4GByte RAM 사양을 가지고 있으며, MATLAB R2010a 버전을 이용하여 심전도 처리 알고리즘을 구현하였다.

대상 데이터

제안된 알고리즘에 의한 리듬 분류 성능을 평가하기 위하여 심전도 데이터베이스로부터 다양한 리듬 구간을 표본 추출 하여 실험을 수행하였다. 실험에 이용된 데이터베이스는 MIT-BIH 부정맥 데이터베이스[16]로서 심전도 관련 연구에서는 표준 데이터베이스로 널리 이용되고 있다. 한편 실험에 이용된 PC는 3.

이론/모형

선형분리가 되지 않는 경우에는 입력 벡터를 고차원 공간으로 맵핑하여 선형분리 가능성을 높이며, 비선형 SVM의 판별함수는 커널 함수를 이용하여 식 (10)과 같이 표현할 수 있다. 커널 함수로는 다항식, RBF(radial basis function), 시그모이드 등이 있으며, 본 논문에서는 식 (11)로 표현되는 RBF를 이용하였다.

성능/효과

리듬 분류를 위해 규칙기반 분류에서 리듬 구간의 특징에 대한 규칙 베이스를 이용하여 리듬 유형을 분류하며, SVM기반 분류에서 심박 단위의 특징에 대해 미리 학습된 다중 SVM 분류기를 이용하여 단조 리듬 및 주요 비정상 심박을 분류하도록 하였다. MIT-BIH 부정맥 데이터베이스를 이용한 실험을 통하여 11가지 리듬 유형에 대하여 87.04%의 분류가 가능하며, 다양한 부정맥 검출에 대하여 100% 모두 검출이 가능함을 확인하였다. 향후 조동 및 세동 리듬에 대한 처리 방안, 다양한 부정맥에 대한 추가 실험, 대규모 데이터베이스에 대한 성능 평가를 통하여 신뢰성 있는 부정맥 진단을 위한 연구가 추가적으로 필요하다.
04%의 분류 성능을 보였다. SVM기반 방법으로 단조 리듬과 배열 리듬에 대한 오분류 개선을 통하여 융합 방법은 규칙기반 방법에 비해 리듬 유형의 분류 성능에서 19% 정도가 향상되었다. 이는 박동조율로 오분류되는 우각차단 및 좌각차단 리듬과 함께 상호간에 오분류되는 이단맥, 삼단맥, 및 빈맥 리듬의 올바른 분류에서 기인한다.
31%의 검출 성능을 각각 보였다. 결과적으로 비정상 리듬은 100%가 비정상으로 검출됨으로써 오분류율이 0%가 되며, 정상 리듬은 95.31%가 정상으로 검출됨으로써 오분류율이 4.69%가 된다. 이는 규칙기반 방법만을 적용하였을 경우와 비교하면 비정상 검출 성능에서 100%를 유지하면서 정상 검출 성능에서 17% 정도가 향상된 것이다.
실험 결과로부터 11가지 리듬에 대하여 규칙기반 방법만을 적용하였을 경우 68.52%의 분류 성능을 보였으며, 규칙 기반과 SVM기반의 융합 방법을 적용하였을 경우 87.04%의 분류 성능을 보였다. SVM기반 방법으로 단조 리듬과 배열 리듬에 대한 오분류 개선을 통하여 융합 방법은 규칙기반 방법에 비해 리듬 유형의 분류 성능에서 19% 정도가 향상되었다.
69%가 된다. 이는 규칙기반 방법만을 적용하였을 경우와 비교하면 비정상 검출 성능에서 100%를 유지하면서 정상 검출 성능에서 17% 정도가 향상된 것이다.

후속연구

04%의 분류가 가능하며, 다양한 부정맥 검출에 대하여 100% 모두 검출이 가능함을 확인하였다. 향후 조동 및 세동 리듬에 대한 처리 방안, 다양한 부정맥에 대한 추가 실험, 대규모 데이터베이스에 대한 성능 평가를 통하여 신뢰성 있는 부정맥 진단을 위한 연구가 추가적으로 필요하다.

질의응답

핵심어	질문	논문에서 추출한 답변
	심장질환은 어떻게 분류할 수 있는가?	최근 심장질환은 암, 뇌혈관질환과 더불어 한국인의 3대 주요 사망원인으로 부각되고 있으며, 이는 식생활 서구화, 인구 고령화 등으로부터 기인한다. 심장질환은 관상동맥질환, 부정맥, 심장비대 등으로 크게 분류되고 있으며, 특히 부정맥은 심전도를 이용한 방법만으로도 다양한 비정상 상태를 정확히 진단할 수 있다. 그러나 부정맥은 증상 및 유형의 다양성으로 인하여 진단에 어려움이 있으므로 심전도를 이용한 효과적인 검출 및 분류를 위하여 자동화된 시스템 또는 알고리즘에 대한 연구가 필요하다[1].
	P파, QRS군, T파를 각각 설명하시오.	심전도 신호는 심장을 구성하는 심방 및 심실의 규칙적인 수축과 이완에 의해 발생되는 전기적 파형의 집합으로서, P파, QRS군, T파로 대분류되고 이를 기준으로 한 주기가 결정된다. P파는 심방의 수축에 의해 발생된 파형으로서 두 개의 심방이 차례로 수축하면서 형성되나, 심방이 이완될 때에는 두 개의 심실이 수축할 때 획득되는 QRS군에 희석되어 심전도 신호 상에 기록되지 않는다. Q, R, S파로 구성되는 QRS군은 일반적으로 심전도 신호 한 주기 상에서 그 크기가 상대적으로 크게 나타나는데, 이는 심실의 근육이 심방에 비해 두꺼우므로 탈분극시 다른 파형에 비해 큰 전위차가 발생됨에 기인한다. 또한 T파는 수축된 심실이 이완될 때 획득되는 파형으로서, 특히 QRS군의 끝점에서 T파로 이행되는 구간의 파형을 ST분절이라고 한다.
	신뢰성 있는 부정맥 진단을 위해서는 어떤 분류 결과가 제시되어야 하는가?	신뢰성 있는 부정맥 진단을 위해서는 리듬 구간 및 심박 단위의 종합적인 분석을 통하여 심전도 신호에 대한 분류 결과가 제시되어야 한다. 본 논문에서는 심전도 신호의 특징점에 기반하여 규칙기반 분류를 이용한 일정 구간의 리듬 분석을 수행하고 SVM기반 분류를 이용한 심박 단위의 리듬분석을 첨가하였다.

참고문헌 (20)

Y. Han, "A Study on Monitoring of Bio-signal for U-healthcare System," Journal of the Korea Society of Computer and Information, Vol. 16, No. 3, pp. 9-15, Mar. 2011.
F. Enseleit and F. Duru, "Long-term Continuous External Electrocardiographic Recording: A Review," Europace, Vol. 8, No. 4, pp. 255-266, Feb. 2006.

상세보기
D. Finlay et al., "Synthesising the 12-lead Electrocardiogram: Trends and Challenges," European Journal of Internal Medicine, Vol. 18, No. 8, pp. 566-570, Dec. 2007.

상세보기
D. Donoho, "De-noising by Soft-thresholding," IEEE Trans. on Information Theory, Vol. 41, No. 3, pp. 613-627, May 1995.

상세보기
N. Thakor and Y. Thakor, "Applications of Adaptive Filtering to ECG Analysis: Noise Cancellation and Arrhythmia Detection," IEEE Trans. on Biomedical Engineering, Vol. 38, No. 8, pp. 785-794, Aug. 1991.

상세보기
J. Pan and W. Tompkins, "A Real-time QRS Detection Algorithm," IEEE Trans. on Biomedical Engineering, Vol. 32, No. 3, pp. 230-236, March 1985.
P. Laguna et al., "Automatic Detection of Wave Boundaries in Multilead ECG Signals: Validation with the CSE Database," Computers and Biomedical Research, Vol. 27, No. 1, pp. 45-60, Feb. 1994.

상세보기
J. Kim et al., "An R-wave Detection Method in ECG Signal Using Refractory Period," Journal of the Korea Society of Computer and Information, Vol. 18, No. 1, pp. 93-101, Jan. 2013.

원문보기 상세보기
P. Chazal et al., "Automatic Classification of Heartbeats Using ECG Morphology and Heartbeat Interval Features," IEEE Trans. on Biomedical Engineering, Vol. 51, No. 7, pp. 1196-1206, July 2004.

상세보기
Y. Hu et al., "A Patient-adaptable ECG Beat Classifier Using a Mixture of Experts Approach," IEEE Trans. on Biomedical Engineering, Vol. 44, No. 9, pp. 891-900, Sep. 1997.

상세보기
S. Osowski et al., "Support Vector Machine-based Expert System for Reliable Heartbeat Recognition," IEEE Trans. on Biomedical Engineering, Vol. 51, No. 4, pp. 582-589, April 2004.

상세보기
T. Ince et al., "A Generic and Robust System for Automated Patient-specific Classification of ECG Signals," IEEE Trans. on Biomedical Engineering, Vol. 56, No. 5, pp. 1415-1426, May 2009.

상세보기
C. Ryu et al., "Abnormality Detection of ECG Signal by Rule-based Rhythm Classification," Journal of Korean Institute of Intelligent Systems, Vol. 22, No. 4, pp. 405-413, Aug. 2012.

원문보기 상세보기
T. Kim et al., "ECG Signal Compression Using Feature Points Based on Curvature," Journal of Korean Institute of Intelligent Systems, Vol. 20, No. 5, pp. 624-630, Oct. 2010.

원문보기 상세보기
S. Kim, "Arrhythmia Detection and Type Classification of ECG Signals by Rule-based Rhythm Classification," Kyungpook University, Ph. D. Dissertation, Dec. 2011.
G. Moody and R. Mark, "The MIT-BIH Arrhythmia Database on CD-ROM and Software for Use with It," Computers in Cardiology, pp. 185-188, 1990
M. Kundu et al., "A Knowledge-based Approach to ECG Interpretation Using Fuzzy Logic," IEEE Trans. on System, Man, and Cybernetics, Vol. 28 Part B, No. 2, pp. 237-243, April 1998.

상세보기
D. Ge et al., "Cardiac Arrhythmia Classification Using Autoregressive Modeling," BioMedical Engineering Online, Vol. 1, No. 5, pp. 1-12, Nov. 2002.

상세보기
J. Rodriguez et al., "Real-time Classification of ECGs on a PDA," IEEE Trans. on Information Technology in Biomedicine, Vol. 9, No. 1, pp. 23-34, March 2005.

상세보기
U. Ayesta et al., "Complexity Measure Revisited: A New Algorithm for Classifying Cardiac Arrhythmias," Proceedings of the 23rd Annual International Conference of the IEEE Engineering in Medicine and Biology Society, Vol. 2, pp. 1589-1591, 2001.

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