[논문]헬스케어 정보 수집을 위한 딥 러닝 기반의 서브넷 구축 기법

정윤수

doi:10.14400/jdc.2017.15.3.221

헬스케어 정보 수집을 위한 딥 러닝 기반의 서브넷 구축 기법
Subnet Generation Scheme based on Deep Learing for Healthcare Information Gathering 원문보기

디지털융복합연구 = Journal of digital convergence, v.15 no.3, 2017년, pp.221 - 228

초록
AI-Helper

최근 IoT 기술이 발달함에 따라 헬스케어 서비스를 제공하는 많은 의료기관에서는 IoT 기술을 이용한 의료 서비스가 점점 증가하고 있는 추세이다. 그러나, 사용자 신체에 부착된 IoT 센서의 갯수가 증가하면서 서버에 전달되는 헬스케어 정보는 점점 복잡해져서 서버에서 사용자의 헬스케어 정보를 분석하는 시간이 증가하는 문제점이 발생하고 있다. 본 논문에서는 사용자에 부착된 IoT 장치를 통해 전달되는 다량의 헬스케어 정보를 서버에서 의료 목적에 맞게 헬스케어 정보를 수집 및 처리하기 위한 딥 러닝 기반의 헬스케어 정보 관리 기법을 제안한다. 제안 기법은 서버에 전달된 헬스케어 정보에 속성값을 부여하여 속성값에 따른 서브넷을 구축한 후 서브넷간 연계 정보를 시드로 추출하여 계층적 구조로 그룹화 한다. 제안 기법은 서버에서 그룹화된 헬스케어 정보를 딥 러닝에 적용하여 사용자의 치료 및 처방에 대한 관찰 속도 및 정확도를 향상시킬 수 있어 최적화된 정보를 추출할 수 있는 특징이 있다. 성능평가 결과, 제안기법은 헬스케어 서비스 모델에서 동작되는 의료 서비스의 처리속도가 기존기법에 비해 평균 14.1% 향상되었고, 서버의 오버헤드는 기존 기법보다 평균 6.7% 낮았다. 헬스케어 정보 추출에 대한 정확도는 기존 기법보다 평균 10.1% 높은 결과를 얻었다.

Abstract ▼ AI-Helper

With the recent development of IoT technology, medical services using IoT technology are increasing in many medical institutions providing health care services. However, as the number of IoT sensors attached to the user body increases, the healthcare information transmitted to the server becomes complicated, thereby increasing the time required for analyzing the user's healthcare information in the server. In this paper, we propose a deep learning based health care information management method to collect and process healthcare information in a server for a large amount of healthcare information delivered through a user - attached IoT device. The proposed scheme constructs a subnet according to the attribute value by assigning an attribute value to the healthcare information transmitted to the server, and extracts the association information between the subnets as a seed and groups them into a hierarchical structure. The server extracts optimized information that can improve the observation speed and accuracy of user's treatment and prescription by using deep running of grouped healthcare information. As a result of the performance evaluation, the proposed method shows that the processing speed of the medical service operated in the healthcare service model is improved by 14.1% on average and the server overhead is 6.7% lower than the conventional technique. The accuracy of healthcare information extraction was 10.1% higher than the conventional method.

주제어

AI 본문요약
AI-Helper

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

문제 정의

특히, 질병 발생 전에 환자의 건강을 효율적으로 관리하기 위해서 아파치 스파크 플랫폼 기반의 빅 데이터 처리기술들이 확대 적용하고 있다. 본 논문에서는 사용자 신체에 센서가 부착된 IoT 장비(e.g. 팔찌, 목걸이 등)와 휴대폰을 이용하여 사용자의 건강정보를 효율적으로 관리할 수 있는 딥 러닝 기반의 헬스케어 서비스 관리 기법을 제안하였다. 성능평가 결과, 제안기법은 헬스케어 서비스모델에서 동작되는 의료 서비스의 처리속도가 기존기법에 비해 평균 14.
본 논문에서는 사용자의 신체에 부착된 IoT 장치를 통해 수집된 다량의 헬스케어 정보를 유․무선 장치를 통해 의료진에게 전달하며, 의료진은 수집된 다량의 사용자 헬스케어 정보를 빠른 시간 안에 정확한 사용자 건강상태를 확인하여 진료 및 예방 서비스를 효과적으로 진행할 수 있도록 딥 러닝 기반의 IoT 헬스케어 정보 관리 기법을 제안한다. 제안 기법은 사용자의 헬스케어 정보 중 치료와 관리를 위한 정보를 정확하면서도 빠르게 찾기 위해서 속성 정보에 따른 확률정보를 서브넷을 구성하는데 사용하여 의료 서비스를 제공하기 위한 헬스케어 최종 정보를 선택한다.
본 논문에서는 센서가 부착된 IoT 장비(e.g. 팔찌, 목거리 등)와 휴대폰을 이용하여 사용자의 건강정보를 효율적으로 관리할 수 있는 딥 러닝 기반의 헬스케어 서비스 관리 기법을 제안한다. 제안된 기법은 IoT 장비를 통해 전달되는 다량의 건강정보를 통해 효율적으로 분석할 수 있도록 딥 러닝 알고리즘을 헬스케어 서비스에 적용하였다.
이 절에서는 IoT 장치를 통해 전송되는 다량의 헬스케어 정보를 서버에서 효율적으로 수집 및 처리하기 위한 딥 러닝 기반의 IoT 헬스케어 정보 관리 기법을 제안한다. 제안 기법은 서버에 전달된 헬스케어 정보에 속성값을 부여하여 계층적 서브넷을 구축할 때 서브넷의 시드들의 연계 정보를 계층적으로 그룹화한다.

가설 설정

제안 기법은 사용자에게 부착된 IoT 장치와 서버간 헬스케어 정보를 전송하는데 사용되는 채널을 제3자로부터 안전하다고 가정한다. 이 때, 헬스케어 정보는 IoT 장치에서 서버로 전송할 때 헬스케어 정보의 종류와 특성에 따라 헬스케어 정보를 IoT 장치에서 자동 분류한다.

제안 방법

이 기법은 3개의 MapReduce(MR)를 사용하여 K-평균을 최적화한다. 그러나, 이 기법은 첫 번째 MR 과 마지막 MR에서 샘플링 기술이 사용되었고, 데이터 셋은 Voronoi 다이어그램을 사용하여 centroid에 매핑하였다. 샘플링 기술은 빅 데이터에서 중요한 특징이기 때문에 샘플링 기술에서는 효율성을 향상시키기 위해서 데이터 셋을 사용한다[6].
al.은 큰 크기의 이질적인 데이터 셋을 처리하기 위해서 K-Means을 수정하였다[14]. 기존 기법에서는 알고리즘을 시작하기 전에 클러스터 수를 명시해야 하며, 최적화된 클러스터를 얻기 위해서 다중적인 동작이 요구된다.
이 절에서는 헬스케어 정보 수집을 위한 서버의 의료서비스 처리속도, 오버헤드, 헬스케어 정보 추출에 대한정확도 등을 평가한다.
계층적으로 묶어 있는 서브넷정보는 딥 러닝 알고리즘을 서로 연계하여 대규모의 헬스케어 서비스 환경에서도 적용할 수 있다. 제안 기법에서는 딥 러닝 알고리즘을 헬스케어 정보의 다양한 속성정보에 결합하여 계층적으로 관리된 정보 중 유사 정보를 클러스터링 함으로써 질병 정보에 대한 의료 서비스처방 및 관리 방안을 정확하면서도 단시간에 결정할 수 있다.
구성된 서브넷의 크기는 헬스케어 정보의 종류, 기능 및 특징에 따라 연계정보를 (확률값, 서브넷 정보) 쌍으로 구성하여 클러스터링 되기 때문에 자동으로 결정된다. 제안 기법에서는 이 같은 과정을 거쳐 사용자의 헬스케어 정보 수집 및 분석 속도를 향상시킨다. 또한, 의료 서비스 처방 및 관리 방안을 정확하면서도 단시간에 결정할 수 있다.
제안 기법은 IoT 장비를 통해 수집된 헬스케어 정보의 종류, 기능 및 특징에 따라 유사 정보를 서브넷으로 묶어 계층적으로 관리함으로써 헬스케어 정보 수집 및 분석 속도를 향상시킨다. 계층적으로 묶어 있는 서브넷정보는 딥 러닝 알고리즘을 서로 연계하여 대규모의 헬스케어 서비스 환경에서도 적용할 수 있다.
이 때, 헬스케어 정보는 IoT 장치에서 서버로 전송할 때 헬스케어 정보의 종류와 특성에 따라 헬스케어 정보를 IoT 장치에서 자동 분류한다.제안 기법은 IoT 장치로부터 전달된 헬스케어 정보를 분산 처리될 수 있도록 서브넷을 계층적으로 구성한다. 서브넷을 구성한 헬스케어 정보는 속성정보와 함께 연계처리할 수 있도록 계층적 레벨에 따라 딥 러닝 알고리즘을 적용한다.
제안 기법은 [Fig. 3]에 의해 선택된 항목들에 따라 헬스케어 정보와 속성 정보를 해쉬 체인으로 묶어 서브넷으로 구축한 후 서브넷 간 연계 정보들을 [Fig. 4]처럼 계층적 구조로 그룹화 한다. 이 때, 서버에서는 데이터베이스에 저장되어 있던 다량의 헬스케어 정보를 기반으로 사용자의 치료 및 처방에 대한 관찰 속도 및 정확도를 향상시킬 수 있도록 최적화된 정보를 추출한다.
본 논문에서는 사용자의 신체에 부착된 IoT 장치를 통해 수집된 다량의 헬스케어 정보를 유․무선 장치를 통해 의료진에게 전달하며, 의료진은 수집된 다량의 사용자 헬스케어 정보를 빠른 시간 안에 정확한 사용자 건강상태를 확인하여 진료 및 예방 서비스를 효과적으로 진행할 수 있도록 딥 러닝 기반의 IoT 헬스케어 정보 관리 기법을 제안한다. 제안 기법은 사용자의 헬스케어 정보 중 치료와 관리를 위한 정보를 정확하면서도 빠르게 찾기 위해서 속성 정보에 따른 확률정보를 서브넷을 구성하는데 사용하여 의료 서비스를 제공하기 위한 헬스케어 최종 정보를 선택한다.
이 절에서는 IoT 장치를 통해 전송되는 다량의 헬스케어 정보를 서버에서 효율적으로 수집 및 처리하기 위한 딥 러닝 기반의 IoT 헬스케어 정보 관리 기법을 제안한다. 제안 기법은 서버에 전달된 헬스케어 정보에 속성값을 부여하여 계층적 서브넷을 구축할 때 서브넷의 시드들의 연계 정보를 계층적으로 그룹화한다. 계층화된 연계 정보는 딥 러닝 알고리즘을 통해 사용자의 치료 및 처방에 대한 관찰 속도 및 정확도를 향상시킨다.
제안된 기법은 IoT 장비를 통해 전달되는 다량의 건강정보를 통해 효율적으로 분석할 수 있도록 딥 러닝 알고리즘을 헬스케어 서비스에 적용하였다. 제안기법에서는 딥 러닝을 헬스케어에 적용함으로써 사용자의 건강상태를 낮은 비용으로 정확하게 체크할 수 있는 것이 특징이다. 또한, 제안기법은 사용자의 헬스케어 정보를 IoT 장치별로 생성하여 계층적으로 통합관리 하는데 유리하다.

이론/모형

제안 기법은 IoT 장치로부터 전달된 헬스케어 정보를 분산 처리될 수 있도록 서브넷을 계층적으로 구성한다. 서브넷을 구성한 헬스케어 정보는 속성정보와 함께 연계처리할 수 있도록 계층적 레벨에 따라 딥 러닝 알고리즘을 적용한다. 제안 기법에 적용된 딥 러닝 알고리즘은 기존 딥 러닝 알고리즘을 확장하여 다중 사용자의 정보를 분산 처리하여 사용자 건강상태와 일치하는 정보를 정확하게 추출한다.
팔찌, 목거리 등)와 휴대폰을 이용하여 사용자의 건강정보를 효율적으로 관리할 수 있는 딥 러닝 기반의 헬스케어 서비스 관리 기법을 제안한다. 제안된 기법은 IoT 장비를 통해 전달되는 다량의 건강정보를 통해 효율적으로 분석할 수 있도록 딥 러닝 알고리즘을 헬스케어 서비스에 적용하였다. 제안기법에서는 딥 러닝을 헬스케어에 적용함으로써 사용자의 건강상태를 낮은 비용으로 정확하게 체크할 수 있는 것이 특징이다.

성능/효과

5]의 의료서비스 처리시간은 IoT 장치로부터 전달받은 사용자의 헬스케어 정보를 딥 러넝 알고리즘에 의해서 계층적 속성과 확률연계 값에 따라 서브넷을 구축하여 사용자에게 필요한 의료 정보를 추출하는데 필요한 처리시간을 나타내고 있다. [Fig. 5]의 실험결과, 서브넷간 서로 연계된 연계 정보로 딥 러닝 알고리즘을 적용한 제안 기법이 기존 기법보다 처리시간이 14.1% 향상되었다. 이 같은 결과는 제안 기법이 헬스케어 정보의 유사 정도에 따라 서브넷을 구성한 후 서브넷간 서로 연계된 정보를 확률 정보 값으로 나타내어 딥 러닝 알고리즘에 적용하였기 때문에 나타난 결과이다.
[Fig. 6]의 결과, 헬스케어 정보를 확률 연계 정보로 딥러닝 알고리즘에 적용한 서버의 오버헤드가 기존 기법보다 평균 6.7% 낮게 나타났다. 이 같은 결과는 제안 기법이 헬스케어 정보의 종류, 기능 및 특징에 따라 연계정보를 서버에서 (확률값, 서브넷 정보) 쌍으로 구성하여 클러스터링 하도록 설정한 것과 확률정보가 높은 시드를 중심으로 딥 러닝 알고리즘에 헬스케어 정보를 적용하였기 때문에 나타난 결과이다.
7]의 헬스케어 정보 추출에 대한 정확도는 서버에서 수집된 사용자의 헬스케어 정보를 데이터베이스에 구축된 헬스케어 정보와 비교하여 사용자의 헬스케어에 필요한 치료 및 예방관리에 적합한 정보 추출에 대한 정확도를 보여주는 결과이다. [Fig. 7]의 실험결과, 확률적 연계도를 딥 러닝에 적용하여 사용자의 헬스케어 치료정보의 정확도를 평가한 제안기법이 기존기법보다 정보추출에 대한 정확도가 평균 10.1% 높게 나타났다. 이 같은 결과는 헬스케어 정보와 속성 정보의 확률 값을 계층적으로 구성하여 서브넷의 시드 값을 유추하여 딥 러닝 알고리즘에 적용하였기 때문에 나타난 결과이다.
제안기법에서는 딥 러닝을 헬스케어에 적용함으로써 사용자의 건강상태를 낮은 비용으로 정확하게 체크할 수 있는 것이 특징이다. 또한, 제안기법은 사용자의 헬스케어 정보를 IoT 장치별로 생성하여 계층적으로 통합관리 하는데 유리하다. 특히, 제안 기법은 IoT 장치에서 사용자의 헬스케어 정보를 확인하고 처리할 수 있는 의료 서비스 절차가 간소화되었다.
팔찌, 목걸이 등)와 휴대폰을 이용하여 사용자의 건강정보를 효율적으로 관리할 수 있는 딥 러닝 기반의 헬스케어 서비스 관리 기법을 제안하였다. 성능평가 결과, 제안기법은 헬스케어 서비스모델에서 동작되는 의료 서비스의 처리속도가 기존기법에 비해 평균 14.1% 향상되었고, 서버의 오버헤드는 기존 기법보다 평균 6.7% 낮았다. 헬스케어 정보 추출에 대한 정확도는 기존기법보다 평균 10.
서브넷을 구성한 헬스케어 정보는 속성정보와 함께 연계처리할 수 있도록 계층적 레벨에 따라 딥 러닝 알고리즘을 적용한다. 제안 기법에 적용된 딥 러닝 알고리즘은 기존 딥 러닝 알고리즘을 확장하여 다중 사용자의 정보를 분산 처리하여 사용자 건강상태와 일치하는 정보를 정확하게 추출한다. 추출된 정보는 계층적 분산 처리가 가능하여 사용자의 건강관리를 위한 치료 시간 및 헬스케어의료 서비스에 대한 정확도를 향상시킬 수 있는 특징이 있다.
또한, 제안기법은 사용자의 헬스케어 정보를 IoT 장치별로 생성하여 계층적으로 통합관리 하는데 유리하다. 특히, 제안 기법은 IoT 장치에서 사용자의 헬스케어 정보를 확인하고 처리할 수 있는 의료 서비스 절차가 간소화되었다.
7% 낮았다. 헬스케어 정보 추출에 대한 정확도는 기존기법보다 평균 10.1% 높은 결과를 얻었다. 향후 연구에서는 본 연구의 결과를 기반으로 헬스케어 정보를 가상현실 기술과 접목하여 응급 구조 서비스기술에 적용할 계획이다.

후속연구

헬스케어 서비스 분야는 다른 여러 분야에 비해 다음과 같은 차별성을 가진다[10]. 첫째, 개인 진료 정보 분석에 소비되는 시간과 비용을 줄이면서 질병 정보를 분석및 활용할 수 있다. 둘째, 질병을 유발하는 유전적인 요인을 분석하고 그에 맞는 치료를 손쉽게 찾을 수 있다.
1% 높은 결과를 얻었다. 향후 연구에서는 본 연구의 결과를 기반으로 헬스케어 정보를 가상현실 기술과 접목하여 응급 구조 서비스기술에 적용할 계획이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	아파치 스파크의 장점은 무엇인가?	아파치 스파크는 하둡의 Map & Reduce를 사용할 수 있을뿐만 아니라 Storm의 스트리밍 처리도 가능하다[3,4]. 아파치 스파크는 Java, Scala, Python, 그리고 R언어의 API를 제공하기 때문에 쉽게 구현을 할 수 있는 장점을 가지고 있다[7]. 특히, 아파치 스파크는 여러 대의 노드에서연산을 할 수 있는 범용 분산 클러스터링 플랫폼으로써 [Fig.
	딥 러닝 알고리즘이란 무엇인가?	딥 러닝 알고리즘은 여러 비선형 변환기법의 조합을 통해 높은 수준의 추상화 -다량의 데이터나 복잡한 자료들 속에서 핵심적인 내용 또는 기능을 요약하는 작업-를 시도하는 기계학습(machine learning) 알고리즘의 집합을 말한다[2]. 딥 러닝은 대량의 빅 데이터 정보를 컴퓨터가 이해할 수 있는 형태로 표현(representation)하고 이를 학습에 적용하기 위해 많은 연구가 진행되고 있다[16-19].
	딥 러닝을 활용한 헬스케어 서비스 분야는 다른 분야에 비해 어떤 차별성을 갖는가?	헬스케어 서비스 분야는 다른 여러 분야에 비해 다음과 같은 차별성을 가진다[10]. 첫째, 개인 진료 정보 분석에 소비되는 시간과 비용을 줄이면서 질병 정보를 분석및 활용할 수 있다. 둘째, 질병을 유발하는 유전적인 요인을 분석하고 그에 맞는 치료를 손쉽게 찾을 수 있다. 셋째, 장소 및 시간에 상관없이 사용자의 생체정보를 IoT와 같은 장치를 통해 건강상태를 점검받을 수 있다.

참고문헌 (21)

V. Gadepally, J. Kepner. "Big data dimensional analysis", 2014 IEEE High Performance Extreme Computing Conference(HPEC) pp. 1-6, Sep. 2014.
Y. Demchenko, C. De Laat, P. Membrey, "Defining architecture components of the Big data Ecosystem", 2014 International conference on Collaboration Technologies and Systems(CTS), pp.104-112, May, 2014.
M. Zaharia, M. Chowdhury, M. J. Franklin, S. Shenker and I. Stoica, "Spark: cluster computing with working sets," Proceedings of the 2nd USENIX conference on Hot topics in cloud computing (HotCloud'10), pp. 10-10, Jun. 2010.
M. Zaharia, M. Chowdhury, T. Das, A. Dave, J. Ma, M. McCauley, M. J. Franklin, S. Shenker and I. Stoica, "Resilient Distributed Datasets: A Fault-Tolerant Abstraction for In-Memory Cluster Computing", Proceeding of the 9th USENIX Symposium on Networked Systems Design and Implementation (NSDI'12), pp. 2-2, April. 2012.
J. Manyika, M. Chui, B. Brown, J. Bughin, R. Dobbs, C. Roxburgh, A. H. Byers, "Big Data: The Next Frontier for Innovation, Competition and Productivity", Mckinsey Global Institute, pp. 1-137. 2011.
W. Yan, U. Brahmakshatriya, Y. Xue, M. Gilder and B. Wise, "p-Pic: Parallel Power iteration clustering for big data", Journal of Parallel and Distributed computing, Vol. 73, No. 3, pp. 353-359, Mar. 2013.
X. Cui, J. S. Charles and T. Potok, "GPU enhanced parallel computing for large scale data clustering", Journal of Future Generation Computer Systems, Vol. 29, No. 7, pp. 1736-1741, Sep. 2013.

상세보기
G. Andrade, G. Ramos, D. Madeira, R. Sachetto, R. Ferreira and L. Rocha, "G-dbscan: A gpu accelerated algorithm for density based clustering", Journal of Procedia Computer Science, Vol. 18, pp. 369-378, Aug. 2013.

상세보기
H. Karau, A. Konwinski, P. Wendell and M. Zaharia, "Learning Spark: Lightning-Fast Big Data Analysis", O'Reilly Media, Inc. pp. 1-276, Jan. 2015.
A. Katal, M. Wazid, R. H. Goudar, "Big data: Issues, challenges, tools and Good practices ", 2013 Sixth International Conference on Contemporary Computing(IC3), pp. 404-409, Aug. 2013.
X. Cui, P. Zhu, X. Yang, K. Li and C. Ji, "Optimized big data K-means clustering using MapReduce", Journal of Supercomputing, Vol. 70, Issue 3, pp. 1249-1259, Dec. 2014.

상세보기
W. Zhao, H. Ma and Q. He, "Parallel k-means clustering based on mapreduce", Proceedings of the 1st International Conference on Cloud Computing, pp. 674-679, Dec. 2009.
B. Bahmani, B. Moseley, A. Vattani, R. Kumar and S. Vassivitskii, "Scalable k-means++", Proceedings of the VLDB Endowment, Vol. 5, No. 7, pp. 622-633, 2012.
X. Cai, F. Nie and H. Huang, "Multi-view k-means clustering on big data", Proceedings of the Twenty-Third international joint conference on Artificial Intelligence, AAAI Press, pp. 2598-2604, 2013.
Y. H. Kim, K S. Shim, M. S. Kim and J. S. Lee, "DBCURE-MR: an efficient density-based clustering algorithm for large data using MapReduce", Journal of Information Systems, Vol. 42, pp. 15-35, Jun. 2014.

상세보기
Y. S. Jeong, "An Efficiency Management Scheme using Big Data of Healthcare Patients using Puzzy AHP," Journal of Digital Convergence, Vol. 13, No. 4, pp. 227-234, Apr. 2010.
Y. S. Jeong, "Design of Prevention Model according to a Dysfunctional of Corporate Information," Journal of Convergence Soceity for SMB, Vol. 6, No. 2, pp. 11-17, Jun. 2016.

원문보기 상세보기
Y. S. Jeong, "Tracking Analysis of User Privacy Damage using Smartphone", Journal of Convergence Society for SMB, Vol. 4, No. 4, Dec. 2014.
Y. S. Jeong, "Design of Security Model for Service of Company Information," Journal of Convergence Soceity for SMB, Vol. 2, No. 2, pp. 43-49, Nov. 2012.
S. H. Lee and D. W. Lee, "A Study on u-Health Fusion Field based on Internet of Thing," Journal of the Korea Convergence Society, Vol. 7, No. 4, pp. 19-24, Aug. 2016.
G. W. Jin, "A Study on the Data Colection Methods based Hadoop Distributed Environment," Journal of the Korea Convergence Society, Vol. 7, No. 5, pp. 1-6, Oct. 2016.

저자의 다른 논문 :

LOADING...

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