선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- SVM 라이브러리 중에서 libsvm은 위의 수식에서 최대값을 찾는 복잡한 과정을 C++ 프로그래밍 언어로 구현한 것이다[10]. 본 연구에서는 생체 신호를 분류하기 위하여 libsvm을 사용하여 SVM 분류기를 구축한다.
제안 방법
- 분류기 테스트 파일은 훈련 파일과 같은 방식으로 따로 만들어졌다. 각 클래스에 대하여 30개씩 테스트데이터가 만들어졌으며, 역시 랜덤 함수를 사용하여[그림 2]의 신호를 만들어내고 AA, PF, RF를 계산하여 만들어졌다. 여러 번의 훈련과 테스트를 통하여 k-fold cross validation에서 90% 이상의 성공률을 보였으며, 테스트 과정에서도 90% 이상의 성능을 보였다.
- 본 연구에서 사용하는 라떼판다는 CPU 성능과 물리적 공간이 제한적이어서 임베디드 DBMS인 SQLite[8]를 설치하여 생체 신호를 저장하였다. 따라서 각 측정 장비마다 따로 생체 신호를 저장할 수 있다.
- 본 연구에서는 C# winform 프로그램에서 C++ 로 생성된 libsvm을 사용하기 위해 만들어진 C# wrapper 중에서 LibSVMsharp를 사용하였다. 생성된 프로그램의 솔류션 라이브러리에서 winform 프로젝트에 libsvm이 포함된 것을 확인할 수 있다.
- 측정된 연속된 값은 정확한 의미를 부여하기 어려워 효과적인 분류에 직접 사용되지 못한다. 본 연구에서는 측정된 신호에서 필요한 속성들을 추출해내고, 그 속성들을 바탕으로 머신러닝을 실행한다.
- 이 머신러닝 기법들은 데이터의 속성에 따라 조금씩 다른 성능을 보이지만 일반적으로 SVM은 다양한 데이터 집합에서 안정된 성능을 보인다[7-9]. 뿐만 아니라 판단을 위해 사용하는 모델에 지지벡터(support vector)만유지하면 되므로 본 연구에서 사용하는 라떼판다와 같이 제한적인 성능을 보이는 장비에 가장 적절한 기법으로 판단되어 본 연구에서는 SVM을 사용한 분류기법을 사용하였다.
- 새로 생성된 훈련데이터를 사용하여 SVM 분류기의 모델 파일을 훈련을 통하여 생성하고, 분류기의 모델 파일을 새로 로드함으로써 분류기를 지속적으로 계속 개선할 수 있다. 측정 장비에 포함되어 있는 분류기의 정확도는 측정 장비에 저장된 데이터의 품질에 따라 달라지므로 본 측정 장비는 주기적으로 각 개별 측정 장비의 데이터를 중앙에 있는 서버로 전송하고, 중앙 서버에서는 각 측정 장비에서 전송된 데이터를 정리, 활용하여 새로운 데이터로 머신러닝을 진행하여 분류기를 새로 만든다. 새로 만들어진 분류기는 다시 각 측정 장비로 전송되어 각 측정 장비의 분류기를 업데이트하여 판단 기능을 향상 시킨다.
- 본 연구에서 생체 신호 측정 장비에는 윈도우 10이 실행되는 라떼판다를 사용하였다. 측정된 생체 신호의 차트 출력과 관리를 위한 프로그램 개발을 위하여 라떼판다의 윈도우 환경에는 비쥬얼 스튜디오(visual studio)를 설치하여 C#과 winform을 사용하여 프로그램을 구성하였다.
- 따라서 각 측정 장비마다 따로 생체 신호를 저장할 수 있다. 하지만 특정 장비에서 측정된 내용으로만 훈련 데이터를 구성 하는 것은 왜곡된 결과를 얻을 수 있기 때문에 본 연구에서는 SQLite에 저장된 데이터를 중앙서버로 전송, 저장하는 기능을 추가하였다. 그 후 중앙 서버에 저장된 데이터에서 일부분을 훈련 데이터로 추출하여 사용하여 특정 장비에 의존적인 결과가 나오는 것을 방지하게 하였다.
대상 데이터
- 본 연구에서 생체 신호 측정 장비에는 윈도우 10이 실행되는 라떼판다를 사용하였다. 측정된 생체 신호의 차트 출력과 관리를 위한 프로그램 개발을 위하여 라떼판다의 윈도우 환경에는 비쥬얼 스튜디오(visual studio)를 설치하여 C#과 winform을 사용하여 프로그램을 구성하였다.
- 머신러닝을 이용한 입력 데이터의 분류 기법은 다양한 분야에 적용되고 있다. 본 연구에서는 라떼판다와 같은 제한적인 컴퓨팅 성능 환경에서도 실행 가능한 SVM을 사용하였다. SVM의 판단 모델은 훈련데이터의 일부분인 지지벡터(support vector)만 유지하면 되는 기법이지만 실험실에서 실제 상황을 가정하여 랜덤하게 생성된 측정 신호로 그 정확도를 판단한 결과 90% 이상의 정확도를 보였다.
- 훈련 데이터는 각 클래스에 100개의 데이터를 준비하였다. 각 클래스에 따른 100개의 데이터는 클래스 판단 기준이 되는 기본 값에서 오차범위 5를 사용하여 랜덤 함수를 사용하여 [그림 2]의 AA, PF, RF 값을 생성하였다.
- 본 연구에서 사용되는 입력 데이터의 분류 기법은 훈련데이터를 사용하므로 지도 학습에 해당된다. 훈련 데이터는 속성 (a1, a2, .., an)과 미리 결정된 목적변수(본 연구에서는 예측된 질병)로 구성되는 데이터로 구성된다.
성능/효과
- 본 연구에서는 라떼판다와 같은 제한적인 컴퓨팅 성능 환경에서도 실행 가능한 SVM을 사용하였다. SVM의 판단 모델은 훈련데이터의 일부분인 지지벡터(support vector)만 유지하면 되는 기법이지만 실험실에서 실제 상황을 가정하여 랜덤하게 생성된 측정 신호로 그 정확도를 판단한 결과 90% 이상의 정확도를 보였다. 생성된 모델은 본 연구에서 사용하는 라떼판다와 같이 제한적인 성능을 보이는 측정 장비에서도 지지벡터만 유지하면 되므로 매우 효과적인 방식으로 예측하였으며, 생성된 판단 모델의 크기를 확인한 결과 실제 지지 벡터의 크기가 훈련 데이터의 1/10 이하임에도 측정 신호에 대하여 즉각적인 판단 결과를 보이는 것을 확인하였다.
- 여러 번의 훈련과 테스트를 통하여 k-fold cross validation에서 90% 이상의 성공률을 보였으며, 테스트 과정에서도 90% 이상의 성능을 보였다. k-fold cross validation과 테스트 성능을 비교했을 때 과적합(overfitting)은 발생하지 않았음을 확인할 수 있으며 훈련과 테스트 과정이 적절하게 이루어졌음을 확인할 수 있다. 테스트 과정에서 발생한 confusion matrix의 값은 [표 1]과 같다.
- 하지만 특정 장비에서 측정된 내용으로만 훈련 데이터를 구성 하는 것은 왜곡된 결과를 얻을 수 있기 때문에 본 연구에서는 SQLite에 저장된 데이터를 중앙서버로 전송, 저장하는 기능을 추가하였다. 그 후 중앙 서버에 저장된 데이터에서 일부분을 훈련 데이터로 추출하여 사용하여 특정 장비에 의존적인 결과가 나오는 것을 방지하게 하였다.
- SVM의 판단 모델은 훈련데이터의 일부분인 지지벡터(support vector)만 유지하면 되는 기법이지만 실험실에서 실제 상황을 가정하여 랜덤하게 생성된 측정 신호로 그 정확도를 판단한 결과 90% 이상의 정확도를 보였다. 생성된 모델은 본 연구에서 사용하는 라떼판다와 같이 제한적인 성능을 보이는 측정 장비에서도 지지벡터만 유지하면 되므로 매우 효과적인 방식으로 예측하였으며, 생성된 판단 모델의 크기를 확인한 결과 실제 지지 벡터의 크기가 훈련 데이터의 1/10 이하임에도 측정 신호에 대하여 즉각적인 판단 결과를 보이는 것을 확인하였다. 본 연구에서 사용한 분류기의 신뢰성은 개발된 장비를 사용하면서 지속적으로 임상 데이터가 축적되면 재훈련 과정을 거치면서 계속 높아질 것이다.
- 각 클래스에 대하여 30개씩 테스트데이터가 만들어졌으며, 역시 랜덤 함수를 사용하여[그림 2]의 신호를 만들어내고 AA, PF, RF를 계산하여 만들어졌다. 여러 번의 훈련과 테스트를 통하여 k-fold cross validation에서 90% 이상의 성공률을 보였으며, 테스트 과정에서도 90% 이상의 성능을 보였다. k-fold cross validation과 테스트 성능을 비교했을 때 과적합(overfitting)은 발생하지 않았음을 확인할 수 있으며 훈련과 테스트 과정이 적절하게 이루어졌음을 확인할 수 있다.
후속연구
- 생성된 모델은 본 연구에서 사용하는 라떼판다와 같이 제한적인 성능을 보이는 측정 장비에서도 지지벡터만 유지하면 되므로 매우 효과적인 방식으로 예측하였으며, 생성된 판단 모델의 크기를 확인한 결과 실제 지지 벡터의 크기가 훈련 데이터의 1/10 이하임에도 측정 신호에 대하여 즉각적인 판단 결과를 보이는 것을 확인하였다. 본 연구에서 사용한 분류기의 신뢰성은 개발된 장비를 사용하면서 지속적으로 임상 데이터가 축적되면 재훈련 과정을 거치면서 계속 높아질 것이다.
- 이 기능은 여러 가지 이유로 아직 직접 판단을 결정 하는 것이 아니라 의사의 판단을 도와주는 보조 역할을 수행한다. 본 연구의 결과인 피부저항 측정 신호의 판단 기능도 측정자의 판단을 도와주는 역할을 할 것이며 최종 판단은 측정자에 의해 결정된다. 하지만 본 연구에서 개발된 피부 저항 측정 신호의 판단 지원 장비는 측정자의 판단 정확도를 향상 시키는데 크게 기여할 것으로 기대한다.
- 본 연구의 결과인 피부저항 측정 신호의 판단 기능도 측정자의 판단을 도와주는 역할을 할 것이며 최종 판단은 측정자에 의해 결정된다. 하지만 본 연구에서 개발된 피부 저항 측정 신호의 판단 지원 장비는 측정자의 판단 정확도를 향상 시키는데 크게 기여할 것으로 기대한다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.