[논문]재실자 활동량 산출을 위한 딥러닝 기반 선행연구 동향

박보랑; 최은지; 이효은; 김태원; 문진우

doi:10.12813/kieae.2017.17.5.095

재실자 활동량 산출을 위한 딥러닝 기반 선행연구 동향
Research Trends for the Deep Learning-based Metabolic Rate Calculation 원문보기

KIEAE journal = 한국생태환경건축학회논문집, v.17 no.5, 2017년, pp.95 - 100

박보랑 (School of Architecture and Building Science, Chung-Ang University) , 최은지 (School of Architecture and Building Science, Chung-Ang University) , 이효은 (School of Architecture and Building Science, Chung-Ang University) , 김태원 (School of Architecture and Building Engineering, Chung-Ang University) , 문진우 (School of Architecture and Building Science, Chung-Ang University)

Abstract ▼ AI-Helper

Purpose: The purpose of this study is to investigate the prior art based on deep learning to objectively calculate the metabolic rate which is the subjective factor for the PMV optimum control and to make a plan for future research based on this study. Methods: For this purpose, the theoretical and technical review and applicability analysis were conducted through various documents and data both in domestic and foreign. Results: As a result of the prior art research, the machine learning model of artificial neural network and deep learning has been used in various fields such as speech recognition, scene recognition, and image restoration. As a representative case, OpenCV Background Subtraction is a technique to separate backgrounds from objects or people. PASCAL VOC and ILSVRC are surveyed as representative technologies that can recognize people, objects, and backgrounds. Based on the results of previous researches on deep learning based on metabolic rate for occupational metabolic rate, it was found out that basic technology applicable to occupational metabolic rate calculation technology to be developed in future researches. It is considered that the study on the development of the activity quantity calculation model with high accuracy will be done.

주제어

AI 본문요약
AI-Helper

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

문제 정의

본 연구의 목적은 개인 맞춤형 활동량 산출 모델 개발을 위한 선행연구로써 DL기반의 최근 연구동향을 조사·분석하고 이를 바탕으로 궁극적으로 본 연구가 나아가야할 방향 및 방안을 마련하고자 하였다. 또한, 본 연구는 ANN 활용 활동량 산출 모델 개발을 통한 PMV 제어에 대한 연구의 중요한 기초자료로 활용되는데 의의가 있다.
본 연구에서는 PMV 최적 제어를 위하여 주관적 요소인 활동량을 객관적으로 산출하는 보다 정확하고 적용이 용이한 Intelligent 활동량 산출 모델 개발을 위해 딥러닝 기반의 선행 기술을 조사하고 이를 바탕으로 향후 연구가 나아가야할 방안을 마련하고자 하였다. 이를 위해 국내·외의 각종 문헌과 자료를 통해 이론 및 기술 고찰 및 적용가능성 분석이 실시되었다.
본 연구에서는 재실자의 활동량 산출을 위한 딥러닝을 활용에 대한 연구 및 적용 방안을 분석하기 위해 각종 문헌과 자료를 통해 이론 고찰이 실시되었다. 딥러닝에 대한 개념 및 구조를 분석하여 적용하고자 하는 기술의 기본 정보를 습득하고, 이의 활용성 및 적용성을 파악하기 위하여 대표적인 사례와 기법에 대해 심도 있게 분석을 실시하였으며 연구 동향에 대해 비교·분석을 통해 향후 관련연구의 기반을 마련하고자하는 결론이 도출되었다.
본 연구의 목적은 개인 맞춤형 활동량 산출 모델 개발을 위한 선행연구로써 DL기반의 최근 연구동향을 조사·분석하고 이를 바탕으로 궁극적으로 본 연구가 나아가야할 방향 및 방안을 마련하고자 하였다.
재실자 행동산출을 위한 딥러닝 기반 선행 기술 조사의 결과를 바탕으로 향후 연구에서 개발하고자 하는 재실자 맞춤형 활동량 산출 모델에 적용할 수 있는 기본 기술이 파악되었다. 이를 바탕으로 사람, 사물, 배경을 각각 인지 할 수 있는 방법을 알 수 있었으며 각 기술들의 알고리즘 및 데이터를 충분한 활용으로 향후 본 연구에서 개발될 재실자 활동량 산출 모델에 적합한 새로운 행동인식 기술에 적용하여 보다 손쉽고, 정확도가 높은 활동량 산출모델개발 연구가 이루어질 것이라 판단된다.

제안 방법

Single-object localization은 단일 개체의 분류와 위치를 파악하는 작업으로 분류해야할 개체 이름과 Bounding box가 표시된 예시 이미지가 제공되고 이를 예측 알고리즘을 통해 정확히 예측하면 성공하는 작업이다.(Fig 8) 마지막으로 Object Detection은 다중 객체 분류에 있어서 각각의 이미지에 객체의 존재여부를 파악하고 객체의 상관관계, 계층구조, 희소성을 활용하여 객체를 검출한다.
PASCAL VOC는 사물 인식의 초기에 시도되었던 기술로 2005년도를 시작으로 2012년에 종료된 사물 인식 모델 성능평가 경연을 개최하였다. 본 경연에서는 표준 이미지 데이터 세트를 제공하여 쉽게 접근 가능하도록 공용 Tool을 제공하고 5개의 업무 1)Classification, 2)Detection, 3)Segmentation, 4)Action Classification, 5)Person Layout 로 나누어져 있다.³¹⁾
재실자 행동산출을 위한 DL 기반의 선행기술 조사를 통해 기계 학습 모델로는 CNN과 RNN이 이미지 속의 특징을 추출하고 분류하는 역할을 수행하며 현재 음성인식, 장면인식, 영상복원 등의 다양한 분야에 적용되며 건축분야에서도 빌딩 에너지 관리, 방재, 구조 안전, 도시 계획 및 시설물 관리, 현장 모니터링 기술에 활용되고 있다. 알고리즘 개발 기술로는 배경과 사물 및 사람을 분리하는 기술, 그리고 사물과 사람, 배경을 인식하는 PASCAL VOC와 ILSVRC 기술이 조사되었다. 이러한 객체 인식 기술들은 도입 초기 시점에 비하여 다양한 연구와 새로운 알고리즘 개발의 시도로 그 정확도와 정밀도가 점차 높아지고 있으며 그로 인해 적용 가능 분야도 특정 분야에 한정적이지 않고 날로 광범위 하게 늘어나는 추세이다.
이를 위해 국내·외의 각종 문헌과 자료를 통해 이론 및 기술 고찰 및 적용가능성 분석이 실시되었다.
재실자의 활동량 산출을 위한 배경기술로 활동량 인지과정 및 가능 기술을 분석하였다. 대표 기술로 배경과 사물을 분리하는 OpenCV의 Background Subtraction 알고리즘과 사물 및 사람을 인식하는 PASCAL (Pattern Analysis, Statistical Modelling and Computational Learning) VOC (Visual Object Classes)와 ILSVRC (Large Scale Visual Recognition Challenge)가 조사되었다.

이론/모형

두 번째, Background Subtractor MOG2는 Background Subtractor MOG과 유사하나 보다 상세분석이 가능한 알고리즘으로 조명 상태의 변화로 영상이 변하더라도 배경제거가 가능하다. 마지막으로 Background Subtractor GOG는 통계적 배경 이미지 제거와 픽셀 단위 베이지안 분할을 결합한 것으로 최초 프레임을 배경 모델링을 위해 사용하며, 배경이 아닌 전경이나 움직이는 객체를 추출하기 위해 베이지안 추론을 이용한다. 노이즈 제거를 위해 Opening 기법을 적용하는 것이 더 좋다고 알려져 있다.

성능/효과

첫 번째, Background Subtractor MOG는 가우시안 믹스쳐 기반 배경, 전경 분할 알고리즘으로 가우시안 분포 믹스쳐를 배경 픽셀에 적용함으로써 배경제거를 수행한다. 두 번째, Background Subtractor MOG2는 Background Subtractor MOG과 유사하나 보다 상세분석이 가능한 알고리즘으로 조명 상태의 변화로 영상이 변하더라도 배경제거가 가능하다. 마지막으로 Background Subtractor GOG는 통계적 배경 이미지 제거와 픽셀 단위 베이지안 분할을 결합한 것으로 최초 프레임을 배경 모델링을 위해 사용하며, 배경이 아닌 전경이나 움직이는 객체를 추출하기 위해 베이지안 추론을 이용한다.
둘째, 활동량 산출을 위한 행동 인식의 선작업으로 배경과 사람을 분리하는 대표적 기술로 OpenCV의 Background Subtraction 알고리즘이 조사되었다. 영상 또는 이미지의 배경에 대한 모델을 학습하는 방법으로 3가지의 알고리즘으로 Background Subtractor MOG, Background Subtractor MOG2, Background Subtractor GOG를 포함하며 주로 객체, 얼굴, 행동인식, 독순, 모션 추적 등의 응용프로그램에서 사용하고 있다.
딥러닝에 대한 개념 및 구조를 분석하여 적용하고자 하는 기술의 기본 정보를 습득하고, 이의 활용성 및 적용성을 파악하기 위하여 대표적인 사례와 기법에 대해 심도 있게 분석을 실시하였으며 연구 동향에 대해 비교·분석을 통해 향후 관련연구의 기반을 마련하고자하는 결론이 도출되었다.
즉 사람이 생각한 특징을 훈련하는 것이 아니라 데이터 자체에서 중요한 특징을 기계 스스로 학습한다. 또한, 데이터를 군집화하고 스스로 필요 없는 데이터를 버리는 등 노이즈를 감소시키는 효과를 얻을 수 있다. 또한, 딥러닝은 회선 신경망 기술(Convolutional Neural Network)인 특징 추출(feature extraction) 단계를 거친다.
본 선행기술 조사는 재실자 활동량 산출을 위한 기술 개발에 어떠한 DL 기술이 적합한지를 판단하는 실질적인 계기가 되었으며 특히, 사람 과 사물 그리고 배경을 각각 인지 할 수 있는 방법 및 가능 여부를 파악할 수 있었다. 본 연구에서 개발하고자하는 기술과 유사한 배경 기술의 알고리즘 및 데이터를 활용하여 향후 본격적으로 개발될 재실자 활동량 산출 모델에 적합한 새로운 행동인식 기술에 적용 할 수 있는 중용한 기초자료로 활용될 것이라 사료된다.
각 업무의 최종 결과는 평균 객체 검출 정확도와 정밀도를 기준으로 평가하여 우승 팀을 선정하게 된다. 세계 각국의 기관, 학교 등에서 최상의 결과 도출을 위해 계속해서 도전 중이며 2010년도부터 2014년도까지의 결과를 바탕으로 분석한 결과 오류 감소율과 정확도 증가율 분석한 결과 각각 약 3배, 약 2배로 나타났다.(Fig 9)
셋째, 사람, 사물, 배경 인식이 가능한 대표적 기술로 PASCAL VOC와 ILSVRC가 조사·분석 되었다.
첫째, ANN과 DL 의 이론이 고찰되었다. 인공신경망은 학습과정을 거쳐 문제를 해결하는 특징을 가지며 각종 분류 및 군집화 작업이 필요한 분야에 적용 가능하다.

후속연구

본 선행기술 조사는 재실자 활동량 산출을 위한 기술 개발에 어떠한 DL 기술이 적합한지를 판단하는 실질적인 계기가 되었으며 특히, 사람 과 사물 그리고 배경을 각각 인지 할 수 있는 방법 및 가능 여부를 파악할 수 있었다. 본 연구에서 개발하고자하는 기술과 유사한 배경 기술의 알고리즘 및 데이터를 활용하여 향후 본격적으로 개발될 재실자 활동량 산출 모델에 적합한 새로운 행동인식 기술에 적용 할 수 있는 중용한 기초자료로 활용될 것이라 사료된다.
대표 기술로 배경과 사물을 분리하는 OpenCV의 Background Subtraction 알고리즘과 사물 및 사람을 인식하는 PASCAL (Pattern Analysis, Statistical Modelling and Computational Learning) VOC (Visual Object Classes)와 ILSVRC (Large Scale Visual Recognition Challenge)가 조사되었다. 이를 바탕으로 사람, 사물, 배경을 각각 인지 할 수 있는 방법 및 가능여부를 알 수 있었으며 조사된 기술 각각의 알고리즘 및 데이터를 활용하여 향후 본격적으로 개발될 재실자 활동량 산출 모델에 적합한 새로운 행동인식 기술에 적용 할 것이다.
재실자 행동산출을 위한 딥러닝 기반 선행 기술 조사의 결과를 바탕으로 향후 연구에서 개발하고자 하는 재실자 맞춤형 활동량 산출 모델에 적용할 수 있는 기본 기술이 파악되었다. 이를 바탕으로 사람, 사물, 배경을 각각 인지 할 수 있는 방법을 알 수 있었으며 각 기술들의 알고리즘 및 데이터를 충분한 활용으로 향후 본 연구에서 개발될 재실자 활동량 산출 모델에 적합한 새로운 행동인식 기술에 적용하여 보다 손쉽고, 정확도가 높은 활동량 산출모델개발 연구가 이루어질 것이라 판단된다.
따라서, 지나친 기구의 설치를 요구하지 않는 단순 적용, 비전문적 재실자의 관여를 요구하지 않는 지능형 적용법으로 인공지능에 기반 한 Intelligent Agent System이 필요하다. 이를 위하여 인공신경망(Artificial Neural Network, ANN)기반의 기계학습 기술인 딥러닝(Deep Learning, DL)을 활용하여 정확하고 적용성이 높은 활동량 산출이 가능할 것으로 예상된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	친환경적 실내환경의 제공이 재실자 삶의 질을 결정하는 중요한 역할을 하는 이유는?	현대인들은 하루의 90% 이상을 실내에서 보내기 때문에 쾌적하고 친환경적 실내환경의 제공은 재실자 삶의 질(Life Quality, LQ)을 결정하는 중요한 역할을 한다. 온열환경, 실내공기질, 소음, 심리학적 요인 등 복합적인 요인을 포함하는 실내환경질 (Indoor Environmental Quality, IEQ)은 삶의 질과 밀접한 관계를 가지며, 특히 열환경의 질(Thermal Quality, TQ)는 IEQ 및 LQ를 결정짓는 주요 요소 중 하나로써, 적절한 TQ의 제공은 재실자의 쾌적성, 건강, 생산성 등을 향상시킨다.
	기본 인공신경망 알고리즘은 무엇으로 구성되는가?	일반적으로 사용되는 기본 인공신경망 알고리즘은 Fig. 1과 같은 구조를 지니는 다층인공신경망(multi-layer neural network)으로 입력층(input layer), 은닉층(hidden layer), 그리고 출력층(outputlayer)으로 구성된다.26) 다층인공신경망은 마지막에 계산되는 출력값과 학습 목표값을 비교하여 차이에 따라 가중치를 조정해 학습에 적용한다.
	사람이 생각한 특징을 훈련하는 것이 아니라 데이터 자체에서 중요한 특징을 기계 스스로 학습하는 것은 무엇을 통해 이루어지는가?	인공신경망과 달리 딥러닝은 데이터가 라벨링 되어있지 않아도 데이터의 유사성을 효과적으로 파악해 군집화에 좋은 성능을 발휘한다. 이 과정은 비지도학습(unsupervised learning)을 통해 사람의 개입 없이 이루어진다. 즉 사람이 생각한 특징을 훈련하는 것이 아니라 데이터 자체에서 중요한 특징을 기계 스스로 학습한다.

참고문헌 (32)

박보랑, 최은지, 문진우, "셋백기간 중 건물 냉방시스템 부하 예측을 위한 인공신경망모델 성능 평가", 한국생태환경건축학회 논문집, 제17권 제4호, 2017 // (Park, Bo-Rang, Choi, Eun-Ji, Moon, Jin-Woo, Performance tests on the ANN model prediction accuracyfor cooling load of buildings during the setback period, Jourmal of KIEAE, 2017)
이경희, "오피스 빌딩 실내환경의 질에 관한 연구", 석사학위논문, 연세대학교. 2004 // (Lee, Kyeong-Hee, A study on Indoor Environment Quality in Office Buildings, Dissertation, Yonsei University. 2004)
서민호, 오근숙, 정근주, "실내 온열환경 열쾌적성 평가에 관한 연구동향", 대한설비공학회 동계학술발표대회 논문집, v.2011 n.11, 2011.11 // (Seo, Min-Ho, Oh, Geun-Sung, Jung, Gun-Joo, Trend on Research of Evaluation for Thermal Comfort in Indoor Thermal Environment, Conference Journal of SAREK, 2011.11)
강인성, 문진우, 박진철, "최근 건축분야의 인공지능 기계학습 연구동향", 대한건축학회지, 제33권 제 4호, 2017 // (Kang In-Sung, Moon, Jin-Woo, Park, Jin-Chul, Recent Research Trends of Artificial Intelligent Machine Learning in Architectural Field, Journal of AIKSC, 2017)
이혜진, "PMV기반 냉난방 제어시스템을 위한 사용자 활동량 측정 및 IoT 센서 데이터 결합 프레임워크", 아주대학교, 2016 // (Lee, Hae-Jin, Estimation of User Activity and IoT Sensor Framework for PMV based Heating system, Ajou University, 2016)
박기원, 황건용, "인체의 동작의도 판별을 위한 퍼지 C-평균 클러스터링 기반의 근전도 신호처리 알고리즘", 멀티미디어학회논문집, vol.19 no.1, 2016 // (Parkm Ki-Won, Hwang, Gun-Young, Movement Intention Detection of Human Body Based on Electromyographic Signal Analysis Using Fuzzy C-Means Clustering Algorithm, Korea Multimedia Society, vol.19 no.1, 2016)
이호기, "심박동을 이용한 PMV기반 냉난방 제어 시스템", 부산대학교, 2009 // (Lee, Ho-Ki, PMV based on Air-conditioning Control System using Resident's Heart Rate, Pusan University, 2009)
고효진, "PMV를 이용한 거주자 위치기반 냉난방 제어 알고리즘", 부산대학교, 2008 // (Ko, Hyo-Jin, Air-conditioning control for PMV using an indoor location aware system, Pusan University, 2008)
Michael K, Garcia-Souto M.D.P, Dabnichki P, An investigation of the suitability of Artificial Neural Networks for the prediction of core and local skin temperatures when trained with a large and gender-balanced database, Applied Soft Computing, vol.50 page 327-343, 2016
Mohammad H. Hasan, Fadi Alsaleem, Mostafa Rafaie, Sensitivity study for the PMV thermal comfort model and the use of wearable devices biometric data for metabolic rate estimation, Building and Environment, vol.110 page 173-183, 2016

상세보기
Agnes Psikuta, Joanna Frackiewicz-Kaczmarek, Emel Mert, Marie-Ange Bueno, Rene M.Rossi, Validation of a novel 3D scanning method for determination of the air gap in clothing, Measurement, vol.67 page 61-70, 2015

상세보기
Yehu Lu, Guowen Song, Jun Li, A novel approach for fit analysis of thermal protective clothing using three-dimensional body scanning, Applied Ergonomics, vol.45 page 1439-1446, 2014

상세보기
Stefano Schiavon, Kwang Ho Lee, Dynamic predictive clothing insulation models based on outdoor air and indoor operative temperatures, Building and Envrionment, vol.59 page 250-260, 2013

상세보기
Yanfeng Liu, Lijuan Wang, Yuhui Di, Jiaping Liu, Hao Zhou, The effects of clothing thermal resistance and operative temperature on human skin temperature, Journal of Thermal Biology, vol.38 page 233-239, 2013

상세보기
Xiaonan Luo, Wenbang Hou, Yi Li, Zhong Wang, A fuzzy neural network model for predicting clothing thermal comfort, Computers & Mathematics with Applications, vol.53 page 1840-1846, 2007

상세보기
Yejin Lee, Kyunghi Hong, Sung-Ae Hong, 3D quantification of microclimate volume in layered clothing for the prediction of clothing insulation, Applied Ergonomics, vol.38 page 349-355, 2007

상세보기
Guy R.Newsham, Clothing as a thermal comfort moderator and the effect on energy consumption, Energy and Buildings, vol.26 page 283-291, 2007
부산대학교 산학협력단, 심박동을 이용한 PMV 기반 냉난방 제어 방법, PCT/KR2016/014463, 4.14, 2009 // (Pusan National University, PMV based air-conditioner control method using resident's heart rate, PCT/KR2016/014463, 4.14, 2009)
공주대학교 산학협력단, 희망 온열 쾌적지수 기반의 사용자 맞춤형 온도/습도 제어장치 및 방법, 10-2016-0094483, 12.08, 2011 // (Kongju National University, User oriented apparatus and method for controlling temperature and humidity depends on predicted mean vote, 10-2016-0094483, 12.08, 2011)
주식회사 오토닉스, 거주자 행동 기반 냉난방 제어 방법, 1020090037975, 4.30, 2009 // (Autonics Inc., Resident's activity based air-conditioner control method, 1020090037975, 4.30, 2009)
주식회사 휴비딕, 적외선 체온 측정기에서의 중심 온도 검출 장치 및 방법, 1020100002185, 1.11, 2010 // (Hubdic Inc., Apparatus and method for detecting core temperature in infrared rays thermometer, 1020100002185, 1.11, 2010)
엘지전자부품 주식회사, 활동량센서의 동작측정장치, 1019950038560, 10.31, 1995 // (LG Inc., Activity measuring device of activity sensor, 1019950038560, 10.31, 1995)
삼성전자주식회사, 사용자의 활동량 측정 방법 및 장치, 1020140040606, 4.4, 2014 // (SAMSUNG Inc., Method and Apparatus for Measuring User Physical Activity, 1020140040606, 4.4, 2014)
파나소닉 주식회사, 온도분포측정장치 및 인체검지시스템, 1019930015029, 8.3, 1993 // (Panasonic Inc., Temperature Distribution Measurement Apparatus, 1019930015029, 8.3, 1993)
전자부품연구원, 이미지센서를 이용한 피부두께 측정 장치 및 그측정 방법, 1020060135844, 12.28, 2006 // (Korea electronics Technology Institute, Apparatus and method for measuring thickness of skin using a image sensor, 1020060135844, 12.28, 2006)
공동석, "도심지역 에너지 계획을 위한 인공신경망 기반의 에너지수요예측에 관한 연구", 서울시립대학교, 2009// (Kong, Dongsuk, Artificial Neural Network based Energy Demand Prediction for the Urban District Energy Planning, Seoul City University, 2009)
G. Zhang, B.E. Patuwo, M.Y. Hu, Forecasting with artificial neural networks:the state of the art, International Journal of Forecasting, vol.14 page 35-62, 1998

상세보기
강인성, 문진우, 박진철, 최근 건축분야의 기계학습 모델 연구동향, 대한건축학회, 제 36권 제2호, 2016 //(Kang, In Sung, Moon, Jin Woo, Park, Jin Chul, Recent Research Trends of Machine Learning Model in Architectural Field, Architectural Institute of Korea, vol.36 no.2, 2016)
박성언, "딥러닝 Recurrent Neural Network를 이용한 깊이 카메라 기반 휴먼 행위 인식", 석사학위논문, 경희대학교, 2017.2 //(Park, Sung-un, A Depth Camera-based Human Activity Recognition via Deep Learning Recurrent Neural Network, Dissertation, Kyunghee University, 2017 )
박제강, 박용규, 온한익, 강동중, "딥러닝을 이용한 영상 내 물체 인식 기법", 제어로봇시스템학회지 제21권 제4호, 2015.12, 21-26 //(Je-Kang Park, Young-Kyu Park, Han-Ik On, Dong-Joong Kang, Institute of Control, Robotics and Systems, vol.21 no.4, page 21-26, 2015)

원문보기 상세보기
Mark Everingham, S.M. Ali Eslami, Luc Van Gool, Christopher K.I. Williams, John Winn, Andrew Zisserman, The Pascal Visual Object classes Challenge: A Retrospective. 2010, 111, 98-136.
Olga Russakovsky, Jia Deng, Hao Su, Jonathan Krause1, Sanjeev Satheesh1, Sean Ma1, Zhiheng Huang1, Andrej Karpathy1, Aditya Khosla, Michael Bernstein, Alexander C. Berg, Li Fei-Fei, ImageNet Large Scale Visual Recognition Challenge. 2015, 115, 211-252.

상세보기

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