[논문]K-MEANS 알고리즘을 이용한 인지 재활 훈련 방법의 개선

조하연; 이혁민; 문호상; 신성욱; 정성택

doi:10.7236/jiibc.2018.18.6.259

K-MEANS 알고리즘을 이용한 인지 재활 훈련 방법의 개선
Improvement of Cognitive Rehabilitation Method using K-means Algorithm 원문보기

The journal of the institute of internet, broadcasting and communication : JIIBC, v.18 no.6, 2018년, pp.259 - 268

조하연 (한국산업기술대학교, 컴퓨터공학과) , 이혁민 (한국산업기술대학교, 컴퓨터공학과) , 문호상 (한국산업기술대학교, 컴퓨터공학과) , 신성욱 (한국산업기술대학교, 컴퓨터공학과) , 정성택 (한국산업기술대학교, 컴퓨터공학과)

초록
AI-Helper

본 연구의 목적은 인지기능 훈련 콘텐츠들을 사용하는 동안 사용자들의 흥미와 몰입도를 높이기 위하여 인지 능력 수준에 맞춘 훈련 방법을 제시하는 것이다. 사용자의 인지 능력 수준은 K-means 알고리즘을 적용한 협업 필터링을 사용하여 사용자들의 정보와 한국형 아동 간이 정신 상태 검사 점수를 기반으로 군집화한 결과를 바탕으로 이루어졌다. 이 결과를 구현된 인지기능 훈련 통합 시스템에 적용하여 사용자의 인지 능력 수준에 알맞은 인지기능 훈련 영역 별 콘텐츠 순서와 난이도를 추천하였다. 특히 콘텐츠 난이도 조절은 사용자들이 긴장감과 편안함을 반복적으로 느낄 수 있도록 제안한 '몰입이론' 방법을 적용하여 높은 몰입감을 주고자 하였다. 결론적으로 본 논문에서 제안한 사용자 맞춤형 인지기능 훈련 방법은 기존의 치료사가 콘텐츠 순서와 난이도를 주관적으로 설정하는 것보다 더욱 효과적이고 재활 결과를 기대할 수 있을 것이다.

Abstract ▼ AI-Helper

The purpose of this study is to propose a training method customized to the level of cognitive abilities to increase users' interest and engagement while using cognitive function training contents. The level of cognitive ability of the users was based on the clustering based on the users' information and Mini-Mental Statue Examination-Korea Child test score using the K-means algorithm applied collaborative filtering. The results were applied to the integrated cognitive function training system, and the contents order and difficulty level of the cognitive function training area were recommended to the user's cognitive ability level. Particularly, the contents difficulty control was designed to give a high immersion feeling by applying the 'flow theory' method that users can repeatedly feel tension and comfort. In conclusion, the user-customized cognitive function training method proposed in this paper can be expected to be more effective and rehabilitative results than existing therapists' subjective setting of contents order and difficulty level.

주제어

표/그림 (10)

그림 그림 1. 인지기능 통합 시스템 구성도 Fig. 1. Diagram of integrated cognitive function system
표 표 1. MMSE-KC 평가 문항과 점수 Table 1. Evaluation questions and score of the MMSE-KC
표 표 2. 세부 영역 별 구현된 콘텐츠 이름 Table 2. Contents by cognitive domain
그림 그림 2. 하둡 생태계의 빅 데이터 아키텍처 Fig. 2. Big data architecture of Hadoop ecosystem
그림 그림 3. 성별, 연령, 학력 기준으로 생성된 1차 군집 결과 Fig. 3. The first cluster results generated by gender, age, and academic background
표 표 3. 성별, 연령, 학력 기준으로 생성된 1차 군집 결과 Table 3. The first cluster results generated by gender, age, and academic background
그림 그림 4. MMSE-KC 검사 점수 기반의 2차 군집 결과 Fig. 4. Secondary cluster results based on MMSE-KC score
표 표 4. MMSE-KC 검사 점수 기반의 2차 군집 결과와 콘텐츠 추천 Table 4. Secondary cluster results based on MMSE-KC score and contents recommendation
그림 그림 5. 인지재활 훈련 통합시스템에서 추천된 콘텐츠 예시 Fig. 5. Examples of content recommended in cognitive rehabilitation integrated system
그림 그림 6. 몰입 4채널 모델 Fig. 6. Flow 4-channel model

AI 본문요약
AI-Helper

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

문제 정의

하지만 대부분의 인지기능 훈련에 이용되는 콘텐츠들은 사용자들의 인지 능력 수준을 고려하지 않거나 반복적인 훈련 과정으로 몰입도가 떨어지고 효과적인 재활 효과를 기대하기가 어렵다. 그래서 본 논문에서는 전산화 인지기능 평가 프로그램 결과와 여러 가지 인지 기능훈련 콘텐츠를 통합한 시스템을 구현하였다. 이것은 사용자들에게 훈련이 필요한 인지 영역 콘텐츠의 수행 순서와 인지 능력 수준에 맞춘 난이도를 추천할 수 있도록 설계되었다.
그래서 본 연구에서는 저하된 인지 기능 영역에 대하여 사용자의 수준에 알맞은 난이도와 훈련 콘텐츠 수행 순서를 추천해줌으로써 좀 더 향상된 훈련 효과를 기대하고자 한다. 사용자에게 콘텐츠 수행 순서와 적절한 난이도 추천은 대용량 데이터의 통계처리 및 기계학습을 통해 데이터를 정확하게 분석하고 분류를 할 수 있는 빅데이터 기술을 적용한 협업 필터링을 사용하였다^[6-7].
본 연구에서는 사용자의 치매 정도를 평가에 치매선 별도구로 사용되고 있는 한국형 아동 간이 정신 상태 검 사(MMSE-KC)를 전산화하여 사용자의 인지 능력 수준 을 평가하였다. 여기에서 적용된 평가 항목들은 지남력, 기억 등록, 지연회상, 주의력 및 작업 기억, 따라 말하기, 3단계 명령이행, 구성행동, 이름대기, 판단능력 등으로 전체 19가지 지문으로 구성되어 있으며, 각 항목에 대한 평가 점수는 표 1과 같이 나타냈다.
위에서 얻어진 결과를 본 연구에서 구현된 인지기능 통합 훈련 시스템에 적용하여 사용자의 인지 능력 수준에 알맞은 인지기능 훈련 영역 별 콘텐츠 순서와 난이도를 추천하고자 하였다. 또한, 훈련 콘텐츠들의 난이도 조절은 사용자들이 긴장감과 편안함을 반복적으로 느낄 수 있도록 제안한 '몰입이론(Flow Theory)' 방법을 적용하여 높은 몰입감을 주고자 하였다.

가설 설정

예를 들어 x_i가 j번째 군집에 속하면 r_ip=1, 아닌 경우 0을 가진다^[11]. n개의 샘플 데이터에 대해서 p개의 군집이 생성된다고 가정하고 임의의 군집 초기 중심 값을 설정하여 다음과 같은 단계를 반복 수행한다.

제안 방법

생성된 군집들의 특징을 보면 기본적으로 성별로 군집화가 이루어지고 연령과 학력 수준에 따라 세분화가 이루어지고 있음을 그림 3에서 보여주고 있다. 2차 군집화는 1차 군집 결과와 선행 연구에서 제시한 MMSE-KC의 정상규준 점수 기준을 샘플링된 1,000명에 적용하여 생성된 MMSE-KC 검사 점수를 바탕으로 이루어졌다^[12]. 그래서 비슷한 수준의 인지 능력을 가진 사용자들끼리 군집된다.
본 연구에서 구현된 인지기능 훈련 통합 시스템은 협업 필터링을 사용하여 사용자에게 적절한 콘텐츠의 수행 순서와 난이도를 추천할 수 있었다. K-means 알고리즘을 적용한 협업 필터링으로 1,000명의 샘플링한 사용자 정보(성별, 연령, 학력)를 이용하여 1차 군집화하고, 전산화한 한국형 아동 간이 정신 상태 검사(MMSE-KC) 점수를 기반으로 2차 군집화를 하였다. 이에 대한 1차 군집화에서는 8개 군집, 2차 군집화에서는 모두 29개 군집으로 최적화된 결과를 얻었다.
그래서 본 논문에서는 몰입도를 높이기 위한 방법으로‘몰입이론(Flow Theory)’의 무관심(Apathy), 지루함(Boredom), 불안(Anxiety) 상태를 적용하여 사용자의 인지 능력 수준보다 낮은 난이도와 높은 난이도를 교차적으로 수행하게 함으로써 몰입(Flow) 상태로 유도할 수 있게 하였다.
이에 대한 1차 군집화에서는 8개 군집, 2차 군집화에서는 모두 29개 군집으로 최적화된 결과를 얻었다. 기본적으로 MMSE-KC 검사 점수는 인지 기능 항목별 점수가 다르므로 정규화한 값을 기준으로 각 군집마다 가장 낮은 점수의 인지 영역부터 높은 순서로 해당된 콘텐츠를 추천하도록 하였다. 또한 새로운 사용자가 콘텐츠를 처음 수행할 경우 본인과 가장 유사한 성별, 연령, 학력, 인지 능력의 군집이 수행한 결과를 토대로 추천된 콘텐츠 순서와 난이도를 수행할 수 있도록 하였다.
표 4는 그림 4의 데이터를 세분화한 결과이며 인지 기능 항목 즉, 지남력, 기억력, 주의력, 집행능력, 일상생활 수행 능력에 대한 특징을 나타내고 있다. 또한, MMSE-KC 검사 점수는 각각 인지 기능 항목에 따라 배점이 다르기 때문에 이것을 정규화한 값이 낮은 점수 순서부터 콘텐츠 수행하도록 추천하였다. 이것은 사용자들이 인지 기능이 상대적으로 떨어지는 영역 콘텐츠를 좀 더 집중하여 수행함으로써 높은 훈련 효과를 주기 위한 것이다.
또한, 훈련 콘텐츠들의 난이도 조절은 사용자들이 긴장감과 편안함을 반복적으로 느낄 수 있도록 제안한 '몰입이론(Flow Theory)' 방법을 적용하여 높은 몰입감을 주고자 하였다.
본 논문에서는 몰입 4채널 모델을 사용자가 콘텐츠를 처음 진행하는 경우를 ‘무관심’, 인지능력이 높으나 콘텐츠 레벨이 낮은 경우를 ‘지루함’, 콘텐츠 레벨은 높으나 상대적으로 인지 능력이 낮은 경우를 ‘불안’, 콘텐츠 레벨과 인지능력이 적절하게 균형을 이루는 경우를 ‘몰입’ 상태로 구분하였고, 이를 적용한 난이도 조절 패턴은 그림 6에서 보여주고 있다.
본 연구에서 제안하고 있는 인지기능 훈련 통합 시스템에서도 대용량의 사용자 데이터를 분석하고 처리하기 위해서 대표적인 빅데이터 기술로 사용되고 있는 하둡 생태계(Hadoop EcoSystem)와 R 프로그래밍 언어를 통해 구성하였으며, 전체적인 구성은 그림 2에서 보여주고 있다.
본 연구에서는 1,000명의 사용자 정보(성별, 연령, 학력)의 가상 데이터를 비지도 학습인 K-means 알고리즘으로 군집한 후, 군집 된 집단 내에서 MMSE-KC 검사점수를 기반으로 한 번 더 군집화 하였다. 여기서 사용된 가상 데이터들은 통계청에서 제공하는 40~84세의 1,500만명에 대한 연령과 성별에 따른 교육 수준의 통계 자료를 바탕으로 동일한 비율로 1,000명을 샘플링한 것이다.
샘플링한 사용자 정보와 MMSE-KC 검사 점수를 기반으로 최적의 군집 수를 구하기 위하여 군집에 속하는 각각의 점들로부터 그 군집의 평균과의 거리의 합을 제곱한 K–means 알고리즘은 수식 1과 같다.
그림 2에서의 수집 단계에서는 사용자 정보(성별, 연령, 학력), MMSE-KC 검사 결과, 콘텐츠 수행결과 등의 데이터들을 1차적으로 RDBMS(MySQL)에 수집한다. 여기서 수집된 RDBMS 데이터는 대용량 데이터 전송 솔루션인 SQOOP(Apache SQOOP)을 사용하여 빅데이터 플랫폼으로 저장되어 하둡 생태계로 2차 수집되도록 하였다. SQOOP은 맵리듀스를 기반으로 RDBMS와 HDFS 사이에 데이터 적재가 가능할 뿐만 아니라 시스템 일부에 결함 또는 고장이 발생하여도 정상적 혹은 부분적으로 기능을 수행할 수 있는 결함 감내 시스템(Fault tolerance system)을 지원하기 때문에 다양한 프로젝트에서 널리 사용되고 있다^[9-10].
본 연구에서는 사용자의 치매 정도를 평가에 치매선 별도구로 사용되고 있는 한국형 아동 간이 정신 상태 검 사(MMSE-KC)를 전산화하여 사용자의 인지 능력 수준 을 평가하였다. 여기에서 적용된 평가 항목들은 지남력, 기억 등록, 지연회상, 주의력 및 작업 기억, 따라 말하기, 3단계 명령이행, 구성행동, 이름대기, 판단능력 등으로 전체 19가지 지문으로 구성되어 있으며, 각 항목에 대한 평가 점수는 표 1과 같이 나타냈다. 이것은 MMSE-KC의 최적 절단점은 16~17점이고, 민감도 0.
저장 단계에서는 위에서 수집된 데이터들을 빅데이터처리에 가장 적합한 하둡을 사용하여 사용자의 정형화된 대용량 데이터들을 맵리듀스를 통해 분산 저장하고, 다수의 서버 클러스터에서 병렬적으로 대용량 데이터를 처리할 수 있도록 하였다. Master Node와 Slave Node로 구성된 하둡의 HDFS는 네트워크나 하드웨어의 장애 또는 디스크 장애로 인해 발생할 수 있는 데이터 복구가 불가능한 상황에서도 데이터를 서로 복제하여 저장하기 때문에 예상치 못한 데이터의 손실을 막거나 복구가 가능하도록 해준다.
처리 단계에서는 하둡 기반으로 동작하고 대용량 데이터를 CLI(Command-Line Interface) 방식을 사용하여 보다 쉽게 가공하고 처리할 수 있는 HIVE 분석 플랫폼을 적용하였다. 이것은 HDFS에 저장된 데이터들 중 사용자 정보(성별, 연령, 학력)와 MMSE-KC 점수를 추출하는데 이용하였다.
클라이언트의 인터페이스는 사용자들이 사용하는 데 어려움이 없도록 설계하였으며, 특히 본 연구에서는 한명의 치료사가 다수의 환자를 관리할 수 있도록 환경을 고려하였다. 치료사가 관리자 모드로 통합 시스템에 로그인을 하면 콘텐츠를 수행했던 환자들의 목록이 나열되거나 새로운 환자를 등록할 수 있다.

대상 데이터

본 연구에서는 1대의 Master Node와 3대의 Name Node의 PC를 사용하였다. 또한 하둡 환경에서의 마스터 노드 PC는 CPU i5-7500, RAM은 16GB, HDD는 1TB의 사양을 가지며, 데이터 노드의 PC는 CPU i5 - 3470, RAM은 3GB, HDD는 1TB의 사양을 갖는다.
본 연구에서는 인지 기능의 영역을 좀 더 세분화하여 표 2와 같이 게임적인 요소와 이차원적인 난이도를 적용한 18개의 콘텐츠를 구성하였다^[2].
본 연구에서의 사용자 정보는 성별(남자 1, 여자 2), 연령(40-90세), 학력(0-22년)으로 구성하였고, 표 3과 같이 전체적으로 8개의 군집으로 나타냈다.
본 연구에서는 1,000명의 사용자 정보(성별, 연령, 학력)의 가상 데이터를 비지도 학습인 K-means 알고리즘으로 군집한 후, 군집 된 집단 내에서 MMSE-KC 검사점수를 기반으로 한 번 더 군집화 하였다. 여기서 사용된 가상 데이터들은 통계청에서 제공하는 40~84세의 1,500만명에 대한 연령과 성별에 따른 교육 수준의 통계 자료를 바탕으로 동일한 비율로 1,000명을 샘플링한 것이다.

이론/모형

이것은 HDFS에 저장된 데이터들 중 사용자 정보(성별, 연령, 학력)와 MMSE-KC 점수를 추출하는데 이용하였다. HIVE의 데이터 가공을 통해 K-means 알고리즘을 적용하여 군집화 한 결과를 바탕으로 콘텐츠 수행 순서와 난이도를 추천하는 데 이용하였다. 마지막으로 분석 및 시각화 단계에서는 통계 계산과 시각화하는 데 편리한 R 프로그래밍을 사용하여 여러 가지 결과들을 시각적으로 보여주었다.
본 논문에서는 사용자에 따라 콘텐츠 난이도를 조절하는 방법으로 칙센트미하이(Csíkszentmihályi)가 제안한 ‘몰입이론(Flow Theory)’을 적용하였다.
그래서 본 연구에서는 저하된 인지 기능 영역에 대하여 사용자의 수준에 알맞은 난이도와 훈련 콘텐츠 수행 순서를 추천해줌으로써 좀 더 향상된 훈련 효과를 기대하고자 한다. 사용자에게 콘텐츠 수행 순서와 적절한 난이도 추천은 대용량 데이터의 통계처리 및 기계학습을 통해 데이터를 정확하게 분석하고 분류를 할 수 있는 빅데이터 기술을 적용한 협업 필터링을 사용하였다^[6-7]. 이 방법은 사용자들의 많은 결과 데이터가 축적될수록 보다 정확하고 효과적인 훈련 순서를 추천해줄 수 있을 것이다.
처리 단계에서는 하둡 기반으로 동작하고 대용량 데이터를 CLI(Command-Line Interface) 방식을 사용하여 보다 쉽게 가공하고 처리할 수 있는 HIVE 분석 플랫폼을 적용하였다. 이것은 HDFS에 저장된 데이터들 중 사용자 정보(성별, 연령, 학력)와 MMSE-KC 점수를 추출하는데 이용하였다. HIVE의 데이터 가공을 통해 K-means 알고리즘을 적용하여 군집화 한 결과를 바탕으로 콘텐츠 수행 순서와 난이도를 추천하는 데 이용하였다.
협업 필터링은 사용자의 정보(성별, 연령, 학력)와 전산화 한 한국형 아동 간이 정신 상태 검사(MMSE-KC: Mini-Mental Statue Examination-Korea Child)에서 산정된 점수를 K-means 알고리즘에 적용하였으며, 이에 대한 결과로 비슷한 인지 능력 수준의 사용자들끼리 군집된다.

성능/효과

기본적으로 MMSE-KC 검사 점수는 인지 기능 항목별 점수가 다르므로 정규화한 값을 기준으로 각 군집마다 가장 낮은 점수의 인지 영역부터 높은 순서로 해당된 콘텐츠를 추천하도록 하였다. 또한 새로운 사용자가 콘텐츠를 처음 수행할 경우 본인과 가장 유사한 성별, 연령, 학력, 인지 능력의 군집이 수행한 결과를 토대로 추천된 콘텐츠 순서와 난이도를 수행할 수 있도록 하였다.
본 연구에서 구현된 인지기능 훈련 통합 시스템은 협업 필터링을 사용하여 사용자에게 적절한 콘텐츠의 수행 순서와 난이도를 추천할 수 있었다. K-means 알고리즘을 적용한 협업 필터링으로 1,000명의 샘플링한 사용자 정보(성별, 연령, 학력)를 이용하여 1차 군집화하고, 전산화한 한국형 아동 간이 정신 상태 검사(MMSE-KC) 점수를 기반으로 2차 군집화를 하였다.
여기서 사용자의 인지 능력이 높으면 지루함(A2) 상태가 되고, 무관심 상태에서 난이도를 높이면 불안(A3) 상태가 되기 때문에 인지 능력 수준보다 낮은 난이도와 높은 난이도를 번갈아가며 수행함으로써 몰입이론에서 의미하는 불안 또는 지루함에서 몰입(A4) 상태로 유도할 수 있다^[13]. 즉, 콘텐츠 Stage에 따라 사용자의 인지 능력 수준보다 비교적 높은 난이도에서는 도전의식 또는 긴장감을 가질 수 있고, 비교적 낮은 난이도에서는 편안함을 느낄 수 있다.

후속연구

이것은 사용자에게 긴장감과 편안함을 반복적으로 느끼게 해줌으로써 몰입을 더욱 높일 수 있을 것이다. 본 연구는 통계청에서 제공하는 연령과 성별에 따른 교육 수준의 통계 자료를 바탕으로 모의 실험한 결과이지만, 추후 실제 임상 시험이 이루어진다면 좀 더 신뢰할 수 있는 모델을 제안할 수 있을 것으로 기대된다.
사용자에게 콘텐츠 수행 순서와 적절한 난이도 추천은 대용량 데이터의 통계처리 및 기계학습을 통해 데이터를 정확하게 분석하고 분류를 할 수 있는 빅데이터 기술을 적용한 협업 필터링을 사용하였다^[6-7]. 이 방법은 사용자들의 많은 결과 데이터가 축적될수록 보다 정확하고 효과적인 훈련 순서를 추천해줄 수 있을 것이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	초고령화 사회가 야기할 수 있는 문제는 무엇인가?	한국 통계청 자료에 따르면 현재 ‘고령화 사회’에 접어들었고, 2026년에는 ‘초고령화 사회’에 이르게 되어 이로 인한 치매 환자가 급증할 것이라 예상하고 있다. 치매 환자의 급증은 사회적 비용 증가뿐만 아니라 환자 자신은 물론 가족에 막대한 고통을 안겨줄 수 있다. 이에 따라 치매의 조기 발견과 치료를 통해 사회적 비용을 줄이기 위하여 국민건강보험공단이 시행하는 건강검진 항목에 치매 선별검사를 포함하는 방안을 검토해야 한다는 의견이 제시되고 있다.
	통계청에 따르면, 우리나라가 초고령화 사회에 이르는 시기는 언제로 예측되는가?	한국 통계청 자료에 따르면 현재 ‘고령화 사회’에 접어들었고, 2026년에는 ‘초고령화 사회’에 이르게 되어 이로 인한 치매 환자가 급증할 것이라 예상하고 있다. 치매 환자의 급증은 사회적 비용 증가뿐만 아니라 환자 자신은 물론 가족에 막대한 고통을 안겨줄 수 있다.
	인지기능 영역은 크게 어떻게 구분하는가?	최근 연구들에서는 흥미를 주고 반복적인 훈련이 가능하도록 인지기능 영역을 크게 주의·집중력, 기억력, 지남력, 집행기능, 일상생활 수행능력(ADL: Activities of Daily Living) 등으로 구분하여 각각 훈련을 하고 이에 대한 결과를 통합 관리하고 있다[2]. 또한 사용자가 쉽게 이해하고 행동이 가능하도록 콘텐츠를 디자인 할 뿐만 아니라 배경음악, 다양한 시·청각적 피드백, 이차원적인 난이도를 구성하여 사용자 중심의 사용성도 고려되고 있다.

참고문헌 (13)

Sung Hun Shin, Ji Sung Kim, Yong Kyun Kim, "The Effects of a Computer-assisted Cognition Training Program (RehaCom $^{(R)}$ ) in Stroke Patients", Brain & NeuroRehabilitation, Vol. 1, No. 2, pp. 181-189, September 2008.

상세보기
Sung-Wook Shin, C. J. Lim, Ho-Sang Moon, Ji-Yong Chung, Ha-Yeon Cho, Sung-Taek Chung, "Development of Serious Game and Integrated Management Service Model for the Cognitive Rehabilitation", International Conference on Human-Computer Interaction, Vol. 851, pp. 81-88, 2018. DOI: https://doi.org/10.1007/978-3-319-92279-9_11
J. J. Kim, Y. J. Kim, H. M. Lee, S. H. Lee, S. T. Chung, "Personalized Recommendation System for Efficient Integrated Cognitive Rehabilitation Training Based on Bigdata", International Conference on Human-Computer Interaction, Vol 851, pp. 32-39, 2018. DOI: https://doi.org/10.1007/978-3-319-92279-9_4
Jong Chun Park, "What Makes Game Play Sustainable ?", Journal of Game Industry, Vol. 18, No. 2, pp. 40-54, 2007.
M. Csikszentmihalyi, Finding flow: The psychology of engagement with everyday life, Basic Books, 1997.
Young Ok Kwon, "Data Analytics in Education : Current and Future Directions", Journal of Intelligent Information Systems, Vol. 19, No. 2, pp. 87-99, 2013. DOI: http://dx.doi.org/10.13088/jiis.2013.19.2.087

원문보기 상세보기
Jae-Young Chang, "An Experimental Evaluation of Box office Revenue Prediction through Social Bigdata Analysis and Machine Learning", Journal of The Institute of Internet, Broadcasting and Communication (IIBC), Vol. 17, No. 3, pp. 167-173, 2017.
Kang Soo Lee, Hae-Kwan Cheong, Byoung Hoon Oh, Chang Hyung Hong, "Comparison of the Validity of Screening Tests for Dementia and Mild Cognitive Impairment of the Elderly in a Community:K-MMSE, MMSE-K, MMSE-KC, and K-HDS", Journal of Korean Neuropsychiatric Association, Vol. 48, No. 2, pp. 61-69, 2009.
Kathleen Ting, Jarek Jarcec Cecho, Apache Sqoop Cookbook, O'Reilly, 2013.
R. Irudeen, S. Samaraweera, "Big data solution for Sri Lankan development: A case study from travel and tourism", International Conference on Advances in ICT for Emerging Regions (ICTER), pp. 207-216, 2013. DOI : 10.1109/ICTer.2013.6761180
D. Malyszko, S. T. Wierzchon, "Standardand Genetic k-means Clustering Techniques in Image Segmentation", Computer Information Systems and Industrial Management Applications, pp 299-304, 2007. DOI: 10.1109/CISIM.2007.63
Dong Young Lee, Kang Uk Lee, Jung Hie Lee, Ki Woong Kim, Jin Hyeong Jhoo, Jong Chul Youn, Sung Youn Kim, Sung Il Woo, Jong Inn Woo, "A Normative Study of the Mini-Mental State Examination in the Korean Elderly", J Korean Neuropsychiatr Assoc, Vol. 41, No. 3, pp. 508-525, 2002.
J. Schell, The Art of Game Design: A book of lenses, CRC Press, 2014.

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