[논문]빅 데이터기반 마이닝 마인즈 헬스케어 프레임워크

허태호; 방재훈; 강동욱; 이승룡

빅 데이터기반 마이닝 마인즈 헬스케어 프레임워크 원문보기

정보와 통신 : 한국통신학회지 = Information & communications magazine, v.32 no.11, 2015년, pp.12 - 20

(경희대학교) , (경희대학교) , (경희대학교) , 허태호 (경희대학교) , 방재훈 (경희대학교) , 강동욱 (경희대학교) , (경희대학교) , (경희대학교) , (경희대학교) , 이승룡 (경희대학교)

초록
AI-Helper

최근 의학 기술이 눈부시게 발전함에 따라 사람들은 수명이 연장되고 삶의 질 향상에 많은 관심을 가지게 되었다. 더욱이 혁신적인 디지털 기술 발전과 함께 다양한 웨어러블 기기와 수많은 헬스케어 어플리케이션이 출시되고 있으며, 이들은 어떻게 하면 개인의 성향이나 체질에 잘 맞는 맞춤형 (개인화) 서비스를 제공할 수 있을 것인가에 관심을 두고 진화하고 있다. 따라서 IoT 환경의 일상생활에서 입력되는 센서 데이터의 수집, 처리, 가공 기술, 일상 행위 및 라이프 스타일 인지, 지식 획득 및 관리 기술, 개인화 추천서비스 제공, 프라이버시 및 보안을 통합적으로 지원할 수 있는 프레임워크 개발에 대한 요구가 증대되고 있다. 이에 본 고에서는 저자가 개발중인 개인 맞춤 건강 및 웰니스 서비스를 제공하는 마이닝 마인즈 프레임워크를 소개한다. 마이닝 마인즈는 현존하는 최신 기술의 집약체로 개인화, 큐레이션, 빅 데이터 처리, 클라우드 컴퓨팅의 활용, 다양한 센서 정보의 수집과 분석, 진화형 지식의 생성과 관리, UI/UX를 통한 습관화 유도 등 다양한 요소를 포함한다. 그리고 건강 및 웰니스 프레임워크 요구사항 분석을 통해 마이닝 마인즈가 이러한 요구를 충족시킬 수 있으며, 개발된 프로토타입을 통해 개인화 서비스의 발전 가능성을 입증하고 향후 나아가야 할 방향을 제시한다.

주제어

AI 본문요약
AI-Helper

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

문제 정의

본 고에서는 개인화된 건강 및 웰니스 서비스를 제공하는 혁신적인 마이닝 마인즈 프레임워크를 소개하였다. 본 프레임워크는 최신의 디지털 헬스 패러다임에 필요한 요구사항을 반영하여 설계되었다.
본 고에서는 미래의 디지털 헬스케어 프레임워크의 요구사항을 반영하는 독자적 프레임워크인 마이닝 마인즈를 제안한다<;그림 1>.
본 절에서는 마이닝 마인즈 프레임워크의 초기 구현 버전에 대해 소개한다. 마이닝 마인즈는 체중 관리를 통한 개인의 건강한 라이프스타일 유지를 유도한다.
이러한 제약점을 보완하기 위해 본 고에서는 개인화된 건강 및 웰빙 서비스 제공을 통하여 건강한 라이프스타일을 지속할 수 있도록 도와주는 분산 마이닝 마인즈 프레임워크 개발 경험을 소개한다. 이 프레임워크는 다양한 멀티모달 입력 소스로부터 얻은 일상 생활 데이터를 실시간으로 마이닝하여 사용자의 행위 및 라이프스타일 인지하고, 헬스케어 지식획득 및 지식베이스의 지속적인 관리와 추천서비스, 그리고 UI/UX 통하여 사용자에게 건강에 대한 관심과 생활 습관변화를 유도를 목표로 한다. 또한 클라우드를 단순히 저장 목적만으로 사용하는 것이 아닌 고성능의 컴퓨팅 능력을 활용하여 사람들의 건강 및 동향을 파악하고, 이를 토대로 각 개인에게 맞춤형 건강 관리 서비스를 제공한다.
최근 모바일 및 웨어러블 기술의 발전으로 인하여 건강 관리 어플리케이션과 시스템 개발에 대한 관심이 고조되고 있다[7]. 이러한 기술의 주된 목표는 개인의 건강한 라이프스타일 유지를 위한 서비스 제공으로, 특히 신체 건강과 관련되어 사용자의 일상생활을 추적하며 건강 유지를 위한 동기를 부여한다. 예를 들어, Withings의 Activite, Garmin의 Vivofit 및 Misfit의 Misfit Shine 등은 최근 팔찌나 시계 형태의 웨어러블 기기를 개발, 상용화하여 판매하고 있으며, 이를 모바일 앱과 연동시켜 사용자의 걸음걸이 수 및 수면 시간을 측정하여 건강 유지를 위한 기본적인 추천 서비스를 제공한다.
이러한 제약점을 보완하기 위해 본 고에서는 개인화된 건강 및 웰빙 서비스 제공을 통하여 건강한 라이프스타일을 지속할 수 있도록 도와주는 분산 마이닝 마인즈 프레임워크 개발 경험을 소개한다. 이 프레임워크는 다양한 멀티모달 입력 소스로부터 얻은 일상 생활 데이터를 실시간으로 마이닝하여 사용자의 행위 및 라이프스타일 인지하고, 헬스케어 지식획득 및 지식베이스의 지속적인 관리와 추천서비스, 그리고 UI/UX 통하여 사용자에게 건강에 대한 관심과 생활 습관변화를 유도를 목표로 한다.

제안 방법

HLCA의 컴포넌트는 두 가지로 구성되며, 첫번째는 상황 인지 및 모델링(Context Awareness & Modeling) 컴포넌트로 사용자의 상황을 표현하고 해석한다.
LLCA는 SNS 분석기, 행위 인지, 감정 인지 및 위치 탐지기 컴포넌트로 이루어진다. SNS 분석기는 사용자가 페이스북이나 트위터와 같은 소셜 네트워크 서비스를 사용하면서 열람한 목록, 댓글, 방문 기록 및 동향에 대한 텍스트와 멀티미디어 데이터를 수집하여 분석한다. 이를 통해 개인의 관심 영역, 요구사항, 상태 등을 판별할 수 있다.
사용자의 행위는 몸에 부착된 관성 센서, 카메라 영상, 오디오 등의 데이터를 이용하며, 행위인지 결과로 서기, 걷기, 뛰기 등의 행위가 인지된다. 감정 인지 모듈도 같은 방법으로 다양한 종류의 데이터를 수집하여 기쁨,슬픔 등의 감정 결론을 도출한다. 사용자의 상황을 정확히 파악하기 위해서는 사용자의 현재 위치나 이동 경로를 파악하는 것이 중요하며, 이는 위치 탐지기 모듈에서 담당하며 GPS 정보를 이용한다.
데이터 큐레이션은 다양한 멀티모달 센서로부터 얻은 데이터의 처리와 저장을 담당하며, 데이터 종류로 스마트 폰 및 웨어러블 기기를 통한 가속도, GPS, 소셜 네트워크, 설문, 영상, 오디오, EMR/EHR/PHR 과 같은 의료데이터 등이 포함된다. 데이터 큐레이션에서 처리된 데이터는 정보 큐레이션에서 사용되어 저수준 및 고수준 켄텍스트 인지를 통해 사용자의 행위, 상황과 함께 행위패턴 및 라이프스타일을 구성하는 신체적, 정신적, 사회적 영향을 추론한다. 이들은 지식 큐레이션에서 웰빙 및 건강 지식을 생성하고 진화시키기 위해 사용된다.
이 과정에서 지원 계층(Supporting Layer: SL)의 보안 및 프라이버시 컴포넌트가 사용자 인증과 암호화 역할을 수행한다. 데이터의 보다 쉬운 활용을 위하여 라이프로그 온톨로지를 이용하여 지식의 추출과 데이터 기반 서비스 프로비저닝을 통해 데이터를 고수준으로 표현한다. 이러한 정보는 인터미디어트(Intermediate) 데이터베이스에 저장되어 서로 다른 계층과 어플리케이션 간에 쉽고 빠른 데이터 공유가 가능하도록 한다.
다양한 종류와 방대한 양의 데이터가 실시간으로 입력되기 때문에 데이터의 노이즈 및 중복성이 많다. 따라서 DCL에서는 빅 데이터 저장소에 데이터를 저장하기 전 데이터 레이블링 과정을 실행 시간에 실행하고 다양한 종류의 분석 필터를 이용하여 데이터의 일관성 및 신뢰성을 유지하고 이 후 데이터를 성격에 맞게 분류하고 분석한다. 실시간 데이터 필터링 이외에도 기존에 저장된 데이터의 특징에 따라 오프라인 일괄처리 방식의 필터링도 진행된다.
본 프레임워크는 최신의 디지털 헬스 패러다임에 필요한 요구사항을 반영하여 설계되었다. 또한 독자적인 아키텍처를 설계하여 개인화된 건강 및 웰빙 지원을 위한 큐레이션과 데이터, 정보, 지식 및 서비스의 마이닝을 구현하였다. 마이닝 마인즈 프로토타입을 구현하여 실제 성능을 테스트하고 발전 가능성을 입증하였다.
저장소 보안을 위해서 AES 표준이 사용되며, oblivious processing을 위해 homomorphic 암호화와 private matching 기법이 사용된다. 마이닝 마인즈 프레임워크와 최종사용자 어플리케이션 간의 빈번한 데이터 교류로 인하여 확률 화 기법을 사용하여 데이터의 최소 누설과 고 엔트로피를 보장하며, 인증 모델 사용으로 인증된 사용자에게만 정보를 공개하고, 암호화로 인한 데이터 처리 속도 저하를 해결하기 위해 민감함 정보와 민감하지 않은 정보를 구분한다.
본 고에서는 개인화된 건강 및 웰니스 서비스를 제공하는 혁신적인 마이닝 마인즈 프레임워크를 소개하였다. 본 프레임워크는 최신의 디지털 헬스 패러다임에 필요한 요구사항을 반영하여 설계되었다. 또한 독자적인 아키텍처를 설계하여 개인화된 건강 및 웰빙 지원을 위한 큐레이션과 데이터, 정보, 지식 및 서비스의 마이닝을 구현하였다.
분석 모듈은 수집된 데이터 및 큐레이션 데이터를 통해 사용자들의 건강 상태와 행위 패턴 및 동향을 분석한다. 이러한 동향 정보에는 현재의 사실이나 미래의 동향 내용이 포함되며, 통계 분석 그래프를 통해 보여준다.
주요 입력 데이터는 신체 움직임 데이터로 스마트폰 및 스마트워치로부터 가속도 데이터를 수집한다. 수집된 데이터는 오버랩되지 않은 3초간의 데이터를 하나의 윈도우로 관리하며, 시간 및 주파수 특징을 추출하여 가우시안 혼합 모델을 통해 행위를 분류한다.
각 계층의 데이터, 정보, 지식은 서비스 큐레이션으로 이동되어 개인 맞춤형 건강추천 서비스를 생성한다. 지원 계층의 보안 및 프라이버시를 통해 모든 데이터 처리 및 서비스에 대해 개인 정보 보호를 강화하며, 사용자 경험, 피드백, 동향 등을 분석한다.
제공되는 주요 레퍼런스 서비스는 개인 맞춤형 건강 및 웰니스 추천 정보의 생성이며 두 가지 단계로 구성된다. 첫 단계는 DCL이 제공한 데이터와 KCL의 지식을 토대로 사용자통계 정보와 라이프로그를 이용한 추론을 통하여 일반적인 추천 정보를 생성한다. 두번째 단계는 생성된 일반적인 추천 정보를 개인에 맞게 맞춤화 시키는 단계로 사용자의 선호도, 신체 상태, 주변 환경 및 요구사항 정보를 토대로 추천 정보를 가공한다.

대상 데이터

마이닝 마인즈의 기본 철학인 큐레이션은 데이터, 정보, 지식, 서비스로 나뉘며, 빅 데이터 분석, 지식의 획득과 유지보수, UI/UX를 통한 개인의 습관화 유도 기능을 내포한다. 데이터 큐레이션은 다양한 멀티모달 센서로부터 얻은 데이터의 처리와 저장을 담당하며, 데이터 종류로 스마트 폰 및 웨어러블 기기를 통한 가속도, GPS, 소셜 네트워크, 설문, 영상, 오디오, EMR/EHR/PHR 과 같은 의료데이터 등이 포함된다. 데이터 큐레이션에서 처리된 데이터는 정보 큐레이션에서 사용되어 저수준 및 고수준 켄텍스트 인지를 통해 사용자의 행위, 상황과 함께 행위패턴 및 라이프스타일을 구성하는 신체적, 정신적, 사회적 영향을 추론한다.
ICL은 신호 처리와 기계 학습 기법을 사용하여 행위 인지 모델을 생성하며, 기본적인 일상 생활행위를 구분한다[17]. 주요 입력 데이터는 신체 움직임 데이터로 스마트폰 및 스마트워치로부터 가속도 데이터를 수집한다. 수집된 데이터는 오버랩되지 않은 3초간의 데이터를 하나의 윈도우로 관리하며, 시간 및 주파수 특징을 추출하여 가우시안 혼합 모델을 통해 행위를 분류한다.

이론/모형

SL의 보안 및 프라이버시 컴포넌트는 모든 계층에 분산되어 동작한다. 사용자의 의료 및 건강 데이터에 대한 보관 및 처리는 미국의 HIPAA법을 준수하며 AES, private matching [23],익명화[24] 등의 암호화 기법을 적용하여 데이터의 노출을 방지한다. 시스템은 퍼블릭 클라우드에 배치되기 때문에 정확도의 손실 없이 직접적인 암호화 처리를 할 수 있는 방안이 요구되며, 이를 위해 oblivious term matching[25] 기술을 사용한다.
사용자의 의료 및 건강 데이터에 대한 보관 및 처리는 미국의 HIPAA법을 준수하며 AES, private matching [23],익명화[24] 등의 암호화 기법을 적용하여 데이터의 노출을 방지한다. 시스템은 퍼블릭 클라우드에 배치되기 때문에 정확도의 손실 없이 직접적인 암호화 처리를 할 수 있는 방안이 요구되며, 이를 위해 oblivious term matching[25] 기술을 사용한다.
건강 및 웰니스 지식은 의료 전문가에 의해 생성되며 이는 KCL의 지식베이스에 저장된다. 이를 위해 간단한 룰 저작 툴[18]을 이용하여 룰을 생성하며, 기반 증거자료 및 용어들은 신체 관리에 대한 정의와 행위 증진 계획을 위해 사용된다[19].
사용자로부터 수집된 데이터는 민감한 개인 정보를 포함하므로, 보안과 프라이버시 컴포넌트는 사용자 데이터 수집과 처리의 전 과정에 걸쳐 데이터의 암호화와 보안 프로토콜을 사용한다. 저장소 보안을 위해서 AES 표준이 사용되며, oblivious processing을 위해 homomorphic 암호화와 private matching 기법이 사용된다. 마이닝 마인즈 프레임워크와 최종사용자 어플리케이션 간의 빈번한 데이터 교류로 인하여 확률 화 기법을 사용하여 데이터의 최소 누설과 고 엔트로피를 보장하며, 인증 모델 사용으로 인증된 사용자에게만 정보를 공개하고, 암호화로 인한 데이터 처리 속도 저하를 해결하기 위해 민감함 정보와 민감하지 않은 정보를 구분한다.
사용자의 건강 및 웰니스 데이터는 서비스 카탈로그의 보조 서비스를 통하여 적절한 입력 쿼리로 변경되며, 사용자의 이상적인 몸무게 및 하루 칼로리 소모량 등을 설정하는데 사용된다. 추론 과정에서 인터프리터는 지식 베이스 내의 각 룰을 분석하고 알맞은 룰을 순방향 추론 (Forward Chaining) 기법을 통해 추론을 진행한다[21]. 추천 정보는 컨텐츠 기반 여과법 (Contents-basedfiltration)[22]을 사용하여 사용자 개인의 행위 수준과 선호하는 행위 정보를 바탕으로 알맞은 행위 정보를 추천한다.
추론 과정에서 인터프리터는 지식 베이스 내의 각 룰을 분석하고 알맞은 룰을 순방향 추론 (Forward Chaining) 기법을 통해 추론을 진행한다[21]. 추천 정보는 컨텐츠 기반 여과법 (Contents-basedfiltration)[22]을 사용하여 사용자 개인의 행위 수준과 선호하는 행위 정보를 바탕으로 알맞은 행위 정보를 추천한다.

성능/효과

또한 공간의 제약이 없는 LTE 접속의 경우 방대한 데이터 전송량으로 인해 부담이 될 수 있다. 마이닝 마인즈 앱의 통신량을 측정해 본 결과 분당 500k의 센서 데이터를 전송하며, 이는 한달 약 30기가의 용량을 사용하는 것이다. 여기에 현재의 가속도 데이터만이 아닌 더 다양한 센서 데이터를 합친다면 대용량 데이터가 전송될 것이다.
또한 독자적인 아키텍처를 설계하여 개인화된 건강 및 웰빙 지원을 위한 큐레이션과 데이터, 정보, 지식 및 서비스의 마이닝을 구현하였다. 마이닝 마인즈 프로토타입을 구현하여 실제 성능을 테스트하고 발전 가능성을 입증하였다. 그리고, 향후 아키텍처의 확장 및 향상, 새로운 컴포넌트 추가 및 신기술을 도입하여 스마트한 개인화 건강 및 웰니스 서비스 제공을 위한 플랫폼으로 더욱 발전시켜 나갈 예정이다.

후속연구

마이닝 마인즈 프로토타입을 구현하여 실제 성능을 테스트하고 발전 가능성을 입증하였다. 그리고, 향후 아키텍처의 확장 및 향상, 새로운 컴포넌트 추가 및 신기술을 도입하여 스마트한 개인화 건강 및 웰니스 서비스 제공을 위한 플랫폼으로 더욱 발전시켜 나갈 예정이다.
여기에 현재의 가속도 데이터만이 아닌 더 다양한 센서 데이터를 합친다면 대용량 데이터가 전송될 것이다. 따라서 향후 5G가 현실화되어현재의 LTE 속도를 유지할 수 있는 데이터 무제한 정액 요금제가 도입되거나, 압축 센싱 기술 [26]을 이용하여 데이터 전송의 효율성을 높이는 방법을 고려해야 한다. 압축 센싱 기술 이외에 통신 비용을 줄이는 방법은 단말 기기의 배터리 소모를 줄이는 방향으로도 사용될 수 있는 장점이 있다.
마이닝 마인즈 앱의 통신량을 측정해 본 결과 분당 500k의 센서 데이터를 전송하며, 이는 한달 약 30기가의 용량을 사용하는 것이다. 여기에 현재의 가속도 데이터만이 아닌 더 다양한 센서 데이터를 합친다면 대용량 데이터가 전송될 것이다. 따라서 향후 5G가 현실화되어현재의 LTE 속도를 유지할 수 있는 데이터 무제한 정액 요금제가 도입되거나, 압축 센싱 기술 [26]을 이용하여 데이터 전송의 효율성을 높이는 방법을 고려해야 한다.

질의응답

핵심어	질문	논문에서 추출한 답변
	빅 데이터의 요구사항은 무엇인가?	미래의 헬스케어 프레임워크에 빅 데이터 처리 기술 도입은 필수 불가결하며, 빅 데이터의 요구사항인 4V (Variety(다양성), Volume(양), Velocity(속도), Veracity(진실성))를 충족할 수 있어야 한다. 기술의 발전에 따라 현재 웨어러블 기기, 소셜네트워크, 의료 시스템 등을 통해 다양한 데이터의 수집이 가능해졌으며, 가공된 정보를 이용하면 사람의 건강 상태를 표현하는 것이 가능하다.
	만성질환은 어떻게 발생하는가?	최근 건강 관리 서비스의 주요 트랜드는 질병 발병 후의 사후관리가 아닌 질병의 사전 예방과 건강 관리를 목표로 언제, 어디서, 어떻게 특정 환자 및 사용자에게 맞춤형 서비스를 제공해야 할 것인지에 초점이 맞추어져 있다[1][2]. 일반적으로 알려진 만성질환은 해로운 식 습관 및 생활 습관, 음주, 흡연, 운동부족, 스트레스 등 잘못된 라이프 스타일의 결과에 주로 기인된다[3][4][5]. 따라서, 개인의 건강한 생활습관 유도와 질병 및 장애에 대한 대처를 보다 효과적으로 이끌어낼 수 있는 혁신적인헬스케어 기술 개발이 요구된다.
	헬스케어 프레임워크의 중요한 요구사항 중 하나로 시스템이 인간 중심의 개인화 서비스를 제공할 수 있어야 하는 이유는 무엇인가?	시스템은 사용자에게 이해하기 쉬운 형태의 서비스를 알람, 추천 및 가이드라인 형식으로 제공해야 한다. 그러나, 현재 대부분의 디지털 헬스케어 시스템은 사용자에게 동일한 서비스를 반복적으로 제공하여 각각의 개인이 가진 특성을 반영하지 못한다. 따라서, 미래 헬스케어 프레임워크의 중요한 요구사항 중 하나로 시스템이 인간 중심의 개인화 서비스를 제공할 수 있어야 한다.

참고문헌 (26)

T. Hafner and J. Shiffman, "The emergence of global attention to health systems strengthening," Health Policy and Planning, vol. 28, no. 1, pp.41-50, 2013.

상세보기
L. Hood and M. Flores, "A personal view on systems medicine and the emergence of proactive P4 medicine: predictive, preventive, personalized and participatory," New Biotechnology, vol. 29, no. 6, pp. 613-624, 2012.

상세보기
E. M. Matheson, D. E. King, and C. J. Everett, "Healthy lifestyle habits and mortality in overweight and obese individuals," The Journal of the American Board of Family Medicine, vol. 25, no. 1, pp. 9-15, 2012.

상세보기
M. M. Gillen, C. N. Markey, and P. M. Markey, "An examination of dieting behaviors among adults: Links with depression," Eating Behaviors, vol. 13, no. 2, pp. 88-93, 2012.

상세보기
W. Demark-Wahnefried and L. W. Jones, "Promoting a healthy lifestyle among cancer survivors," Hematology/Oncology Clinics of North America, vol. 22, no. 2, pp. 319-342, 2008.

상세보기
M. Swan, "Health 2050: the realization of personalized medicine through crowdsourcing, the quantified self, and the participatory biocitizen,"Journal of Personalized Medicine, vol. 2, no. 3, pp. 93-118, 2012.

상세보기
A. C. Powell, A. B. Landman, and D. W. Bates, "In search of a few good apps," The Journal of the American Medical Association, vol. 311, no. 18, pp. 1851-1852, 2014.

상세보기
O. Banos, C. Villalonga, M. Damas, P. Gloesekoetter, H. Pomares, and I. Rojas, "Physiodroid: Combining wearable health sensors and mobile devices for a ubiquitous, continuous, and personal monitoring," The Scientific World Journal, vol. 2014, no. 490824, pp. 1-11, 2014.
J. Oresko, Z. Jin, J. Cheng, S. Huang, Y. Sun, H. Duschl, and A. C. Cheng, "A wearable smartphonebased platform for real-time cardiovascular disease detection via electrocardiogram processing," IEEE Transactions on Information Technology in Biomedicine, vol. 14, no. 3, pp. 734-740, May 2010.

상세보기
H. Hermens, H. op den Akker, M. Tabak, J. Wijsman, and M. Vollenbroek, "Personalized coaching systems to support healthy behavior in people with chronic conditions," Journal of Electromyography and Kinesiology, vol. 24, no. 6, pp. 815-826, 2014.

상세보기
P.-H. Chen and H.-M. Chen, "Framework designintegrating an android open platform with multiinterface biomedical modules for physiological measurement," Journal of Convergence Information Technology, vol. 7, no. 12, pp. 310-319, 2012.
G. Fortino, R. Giannantonio, R. Gravina, P. Kuryloski, and R. Jafari, "Enabling effective programming and flexible management of efficient body sensor network applications," IEEE Transactions on Human-Machine Systems, vol. 43, no. 1, pp. 115-133, January 2013.

상세보기
A. Gaggioli, G. Pioggia, G. Tartarisco, G. Baldus, D. Corda, P. Cipresso, and G. Riva, "A mobile data collection platform for mental health research," Personal Ubiquitous Computer, vol. 17, no. 2, pp. 241-251, 2013.

상세보기
G. Yang, L. Xie, M. Mantysalo, X. Zhou, Z. Pang, L. D. Xu, S. Kao-Walter, Q. Chen, and L.-R. Zheng, "A health-iot platform based on the integration of intelligent packaging, unobtrusive bio-sensor, and intelligent medicine box," IEEE Transactions on Industrial Informatics, vol. 10, no. 4, pp. 2180-2191, Nov 2014.

상세보기
O. Banos, R. Garcia, J. A. Holgado, M. Damas, H. Pomares, I. Rojas, A. Saez, and C. Villalonga, "mHealthDroid: a novel framework for agile development of mobile health applications," in Proceedings of the 6th International Work-conferenc eonAmbientAssistedLivinganActiveAgeing,2014.
D. Estrin and I. Sim, "Open mhealth architecture: An engine for health care innovation," Science, vol. 330, no. 6005, pp. 759-760, 2010.

상세보기
M. Han, L. T. Vinh, Y.-K. Lee, and S. Lee, "Comprehensive context recognizer based on multimodal sensors in a smartphone," Sensors, vol. 12, no. 9, pp. 12 588-12 605, 2012.

상세보기
T. Ali, M. Hussain, W. Ali Khan, M. Afzal, and S. Lee, "Authoring tool: Acquiring sharable knowledge for smart CDSS," in International Conference of the IEEE Engineering in Medicine and Biology Society, 2013, pp. 1278-1281.
B. E. Ainsworth, W. L. Haskell, S. D. Herrmann, N. Meckes, D. R. Bassett, C. Tudor-Locke, J. L. Greer, J. Vezina, M. C. Whitt-Glover, and A. S. Leon, "2011 compendium of physical activities: a second update of codes and met values," Medicine and Science in Sports and Exercise, vol. 43, no. 8, pp. 1575-1581, 2011.

상세보기
C. L. Forgy, "Rete: A fast algorithm for the many pattern/many objectpattern match problem,"Artificial intelligence, vol. 19, no. 1, pp. 17-37, 1982.

상세보기
J.-F. Baget, "Improving the forward chaining algorithm for conceptual graphs rules." in International Conference on Principles of Knowledge Representation and Reasoning, 2004, pp. 407-414.
S. Gong, "Learning user interest model for contentbased filtering in personalized recommendation system," International Journal of Digital Content Technology and its Applications, vol. 6, no. 11, pp. 155-162, 2012.
S. Zhong and T. Chen, "An efficient identity-based protocol for private matching," International Journal of Communication Systems, vol. 24, no. 4, pp. 543-552, 2011.

상세보기
G. Ghinita, P. Karras, P. Kalnis, and N. Mamoulis, "A framework for efficient data anonymization under privacy and accuracy constraints," ACM Transactions on Database Systems, vol. 34, no. 2, p. 9, 2009.
Z. Pervez, A. A. Awan, A. M. Khattak, S. Lee, and E.-N. Huh, "Privacyaware searching with oblivious term matching for cloud storage," The Journal of Supercomputing, vol. 63, no. 2, pp. 538-560, 2013.

상세보기
S. Li, L. D. Xu, and X. Wang, "A continuous biomedical signal acquisition system based on compressed sensing in body sensor networks,"IEEE Transactions on Industrial Informatics, vol. 9, no. 3, pp. 1764-1771, Aug 2013.

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