최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기한국전자통신학회 논문지 = The Journal of the Korea Institute of Electronic Communication Sciences, v.13 no.3, 2018년, pp.661 - 668
홍동권 (계명대학교 컴퓨터공학전공) , 채용웅 (계명대학교 전자공학전공)
Biomedical signals using skin resistance have different characteristics according to stress diseases. Biological diagnostic devices for diagnosing stress diseases have been developed by using these characteristics, and devices have been developed so that the signals measured by the skin storage mete...
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
핵심어 | 질문 | 논문에서 추출한 답변 |
---|---|---|
머신러닝을 이용한 분류 기법으로는 어떤 기법들이 있나요? | 머신러닝을 이용한 분류 기법은 k-NN(: k-Nearest Neighbor), 결정트리, SVM(: Support Vector Machine), 인공신경망(artificial neural network), 랜덤포리스트(Random Forest)와 같은 앙상블 트리, 딥 러닝 등 여러 가지 기법들이 제시되어 있다[7]. 이 머신러닝 기법들은 데이터의 속성에 따라 조금씩 다른 성능을 보이지만 일반적으로 SVM은 다양한 데이터 집합에서 안정된 성능을 보인다[7-9]. | |
피부 저항을 이용한 생체 신호는 무엇에 따라 다른 특성을 보이나요? | 피부 저항을 이용한 생체 신호는 스트레스성 질환에 따라 다른 특성을 보이고 있다고 알려져 있다[1-4]. 이 특성을 이용하여 스트레스성 질환을 진단하는 생체진단 시스템들이 개발 되었으며, 독일의 베가사가 개발한 피부저항측정기가 지금 현재 국내시장을 거의 독점하고 있다[1-2]. | |
독일의 베가사가 개발한 피부저항측정기는 신체의 몇 곳에서 신호를 측정해 몇 가지 클래스로 분류하나요? | 하지만 지금까지 개발된 장비들은 피부 저장 측정기에서 측정한 신호를 단순 출력하는 기능만을 가지고 있으며, 신호의 특성에 따라 어떤 종류의 스트레스성 질환의 가능성이 높은지를 해석하는 것은 그 분야의 전문가가 출력 신호를 직접보고 전문가의 판단에만 의존하는 방식을 사용하여왔다. 실제로 베가사의 피부저항측정기는 신체의 7곳에서 생체 신호를 측정하며, 그 측정 신호의 특성에 따라 측정 대상자를 13개의 클래스로 분류하는 방식을 사용한다[2], [5-6]. 이때 각 측정 대상자에게서 측정된 생체 신호를 분석하여 측정 대상자가 어떤 스트레스성 질환을 가지고 있는지 즉 13개의 클래스 중 어느 클래스에 속하는지를 판단하는 것은 21가지의 신호 특성을 비교 (신체 1곳에서 3가지 특성이 있으며, 신체 7곳의 신호를 모두 비교)해야 하므로 사람이 정확히 판단하기는 매우 어려울 뿐만 아니라 판단의 결과가 잘못될 가능성도 매우 높다. |
B. Song, Clinical application of 7 zone diagnostic system," J. of Korean Acupuncture, vol. 23, no. 3, Mar. 2006, pp. 231-239.
Y. Kim, H. Lee, and K. Lee, "Design and Implementation of IoT based Urination Management System," J. of the Korea Institute of Electronic Communication Science, vol. 12, no. 1, Feb. 2017, pp. 209-218.
Y. Oh, "An Analysis System Using Big Data based Real Time Monitoring of Vital Sign: Focused on Measuring Baseball Defense Ability," J. of the Korea Institute of Electronic Communication Science, vol. 13, no. 1, Feb. 2018, pp. 221-228.
J. Yoo, "Analysis of Factor AA in 7-section Diagnosis System and Correlation with Clinical Indicators," J. of Korean Acupuncture, vol. 24, no. 6, July 2007, pp. 159-170.
P. Harrington, Machine learning in action. Shelter Island, NY: Manning Publication, 2013.
B. Boser, I. Guyon, and V. Vapnik, "A training algorithm for optimal margin classifier," In Proc. the Fifth Annual Workshop on Computational Learning Theory, ACM Press, Pittsburgh, PA, USA, July 27-29, 1992, pp. 144-152.
J. Kim, O. Lee, and Y. Ko, " Implementation of Medical Care System based on Home Network," J. of the Korea Institute of Electronic Communication Science, vol. 6, no. 6, Dec. 2011, pp. 987-991.
C. Chang and C. Lin, "LIVSVM: a library for support vector machine," ACM Trans. Intelligent Systems and Technology, vol. 2, no 3. Apr, 2011, Article 27, pp 27:1-27:26.
*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.
Free Access. 출판사/학술단체 등이 허락한 무료 공개 사이트를 통해 자유로운 이용이 가능한 논문
※ AI-Helper는 부적절한 답변을 할 수 있습니다.