[논문]다중 주파수 대역 convolutional neural network 기반 지진 신호 검출 기법

김승일; 김동현; 신현학; 구본화; 고한석

doi:10.7776/ask.2019.38.1.023

다중 주파수 대역 convolutional neural network 기반 지진 신호 검출 기법
Earthquake detection based on convolutional neural network using multi-band frequency signals 원문보기

한국음향학회지= The journal of the acoustical society of Korea, v.38 no.1, 2019년, pp.23 - 29

김승일 (고려대학교 전기전자 공학부) , 김동현 (고려대학교 전기전자 공학부) , 신현학 (고려대학교 전기전자 공학부) , 구본화 (고려대학교 전기전자 공학부) , 고한석 (고려대학교 전기전자 공학부)

초록
AI-Helper

본 논문에서는 국내에서 발생한 지진 신호를 검출 및 식별하기 위한 방법을 다루었다. 국내에서 발생한 지진 신호들을 분석해 본 결과 서로 다른 주파수 대역 신호의 특징들이 각각 분류를 위한 특징으로 적절함을 확인할 수 있었다. 이러한 분석 결과를 바탕으로 지진 신호에서 추출한 다중 주파수 대역 특징을 기반으로 하는 CNN(Convolutional Neural Network) 기법에 대해서 제안하였다. 제안하는 다중 주파수 대역 CNN 기법은 지진 신호에서 추출한 멜 스펙트럼에 대해서 각각 필터를 적용하여 서로 다른 주파수 대역(저/중/고 주파수)의 신호를 추출하였다. 추출된 신호들을 바탕으로 각각 CNN 기반 분류를 수행하였고, 수행된 결과를 융합하여 최종적으로 지진 이벤트에 대해 식별하였다. 2018년 동안 대한민국에서 발생한 실제 지진데이터를 기반으로 하는 실험을 통해 제안하는 기법에 대한 효용성을 검증하였다.

Abstract ▼ AI-Helper

In this paper, a deep learning-based detection and classification using multi-band frequency signals is presented for detecting earthquakes prevalent in Korea. Based on an analysis of the previous earthquakes in Korea, it is observed that multi-band signals are appropriate for classifying earthquake signals. Therefore, in this paper, we propose a deep CNN (Convolutional Neural Network) using multi-band signals as training data. The proposed algorithm extracts the multi-band signals (Low/Medium/High frequency) by applying band pass filters to mel-spectrum of earthquake signals. Then, we construct three CNN architecture pipelines for extracting features and classifying the earthquake signals by a late fusion of the three CNNs. We validate effectiveness of the proposed method by performing various experiments for classifying the domestic earthquake signals detected in 2018.

주제어

표/그림 (5)

그림 Fig. 1. Frequency average histogram: (a) strong earth-quake, (b) weak earthquake, (c) artificial (man-made) earthquake, (d) noise.
그림 Fig. 2. 2D visualization: (a) all frequency band, (b) low frequency band, (c) middle frequency band, (d) high frequency band. (red dot: strong earthquake, green dot: weak earthquake, blue dot: artificial (man-made) earthquake, magenta dot: noise/clutter).
그림 Fig. 3. Proposed CNN structure based analysis and learning of multi-band frequency characteristics of earthquakes.
그림 Fig. 4. Database examples: (a) strong earthquake, (b) weak earthquake, (c) artificial earthquake, (d) noise.
그림 Fig. 5. Confusion matrix of earthquake classification results: (a) Alexnet based baseline, (b) multi-band (proposed).

AI 본문요약
AI-Helper

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

문제 정의

다양한 주파수 밴드에서 데이터를 분석해 본 결과 각각의 주파수 밴드에서 서로 다른 지진 신호 및 잡음 클러터를 식별할 수 있는 정보를 얻을 수 있다는 점을 확인하였다. 따라서 본 논문에서는, 이러한 분석 결과를 바탕으로 3개의 주파수 대역(저주파, 중주파, 고주파)의 신호 특징을 각각 볼 수 있도록하는 CNN 분석 기법을 설계하였다. 지진 신호에 대한 멜 스펙트럼을 크기에 따라 3개의 대역으로 나누어 개별적으로 CNN 분석을 수행하였으며, 각각의 식별된 결과를 융합하여 최종적으로 4개의 지진 및 잡음 클러터 클래스에 대해 식별을 수행하는 구조를 설계하였다.
본 논문에서는 CNN 기반 분석 기법을 국내 지진파 탐지/식별에 효과적으로 적용하기 위한 다중 주파수 대역 CNN 기법에 대해서 제안한다. 우선 국내에서 발생한 지진 데이터들에 대한 특성을 확인하기 위해 주파수 측면에서 분석을 진행하였다.
본 논문에서는 다중 주파수 대역 CNN을 활용한 지진 탐지/식별 기법에 대해서 제안하였다. 우선 국내에서 발생한 지진 신호의 특성을 확인하고 이를 바탕으로 3개의 주파수 밴드를 통과한 저/중/고주파수 신호에 대한 멜 스펙트로그램으로 구분하였다.

제안 방법

실제로 최근 2018년 6개월 동안 국내에서 관측된 지진 신호들[14]을 강진, 미소 지진, 인공 지진, 잡음으로 판별하는 실험을 통해 제안한 알고리즘의 효용성을 검증하였다.
이 후 각각의 멜 스펙트로그램에 대해서 Alexnet 기반의 동일한 CNN 구조를 적용하고 이를 바탕으로 식별한 결과를 융합하여 최종 판단을 내리는 심층학습 기법을 제안하였다.
(1)과 같이 시간축 지진 신호 x[n]에 각각 윈도우 w[n]를 씌워 short time Fourier transform를 수행한 후 시간축 m과 주파수축 ω를 가지는 신호 X를 생성하고 각각 크기의 제곱을 이용해 2차원 스펙트로그램을 생성하였다.
2장에서 분석한 국내 지진 신호 특성을 바탕으로 아래의 Fig. 3과 같이 다중 주파수 CNN 구조를 설계하였다. 제안하는 CNN 구조는 3차원 각 축 방향에 대한 진동의 기록인 3채널 지진 데이터를 이용하며 각 채널당100 Hz로 샘플링 된 데이터를 사용하였다.
본 논문에서는 기상청에서 제공되는 지진 관측 데이터 중 2018년도에 측정된 지진 신호들을 바탕으로 실험 데이터베이스를 구성하였다. 구성한 데이터베이스는 총4개의 클래스로 강진(규모 2.0 이상), 미소지진(규모 2.0 미만), 인공지진(폭발 등), 잡음으로 분류하였다. 수집한 데이터는 총3개의 채널로 구성되어 있으며 1 s 당100 샘플의 신호로 관측되었다.
이 후 각각의 멜 스펙트로그램에 대해서 Alexnet 기반의 동일한 CNN 구조를 적용하고 이를 바탕으로 식별한 결과를 융합하여 최종 판단을 내리는 심층학습 기법을 제안하였다. 기상청에서 수집한 2018년도 국내 발생 지진 신호에 대한 데이터베이스를 구축하고 제안하는 기법의 성능을 분석하였다. 실험 결과를 통해 제안하는 다중 주파수 기반 CNN 분석 기법의 국내 지진 신호에 대한 식별 효용성을 입증하였다.
따라서 이 장에서는 미리 정의된 강진, 미소지진, 인공지진, 잡음/클러터 신호의 다양한 특성 중 주파수 축에서의 분석을 주로 수행하였다.
또한 비교의 공평성과 객관성을 위하여 Alexnet 기반 baseline 딥러닝 파라메터의 개수와 제안하는 다중 주파수의 Alexnet 기반 CNN 구조의 파라메터의 개수를 동일하게 설정하였다.
지진 신호에서 추출한 멜 스펙트럼을 바탕으로 주파수필터를 적용하여서 저주파수(1 Hz ~ 10 Hz), 중주파수(10 Hz ~ 30 Hz), 고주파수(30 Hz ~ 50 Hz) 대역에 대한 3개의 멜 스펙트로그램을 생성한다. 생성된 멜 스펙트로그램 각각을 동일한 CNN 구조에 적용하였다.
우선 국내 지진 데이터의 주파수 별 경향을 살펴보기 위하여 각 클래스 별 데이터의 주파수 측면 누적 히스토그램을 확인하였다. 이 분석에는 스펙트로그램이 사용되었으며 이는 Eq.
우선 국내에서 발생한 지진 데이터들에 대한 특성을 확인하기 위해 주파수 측면에서 분석을 진행하였다.
본 논문에서는 다중 주파수 대역 CNN을 활용한 지진 탐지/식별 기법에 대해서 제안하였다. 우선 국내에서 발생한 지진 신호의 특성을 확인하고 이를 바탕으로 3개의 주파수 밴드를 통과한 저/중/고주파수 신호에 대한 멜 스펙트로그램으로 구분하였다. 이 후 각각의 멜 스펙트로그램에 대해서 Alexnet 기반의 동일한 CNN 구조를 적용하고 이를 바탕으로 식별한 결과를 융합하여 최종 판단을 내리는 심층학습 기법을 제안하였다.
이 장에서는 각 주파수 대역에서 클래스 별 지진신호 데이터가 어떠한 분포를 가지고 있는지 살펴보기 위해 저/중/고 주파수 대역별로 멜 스펙트럼을 추출한 후, 주성분 분석법(principal component analysis)을 이용하여 2차원으로 시각화한 분포를 확인하였다. 이 결과는 Fig.
제안한 기법과의 성능 비교를 위하여 지진 신호의 전체 주파수 대역 멜 스펙트럼을 딥러닝 구조인 Alexnet baseline[15]으로 학습하는 방법을 선택하였다.
따라서 본 논문에서는, 이러한 분석 결과를 바탕으로 3개의 주파수 대역(저주파, 중주파, 고주파)의 신호 특징을 각각 볼 수 있도록하는 CNN 분석 기법을 설계하였다. 지진 신호에 대한 멜 스펙트럼을 크기에 따라 3개의 대역으로 나누어 개별적으로 CNN 분석을 수행하였으며, 각각의 식별된 결과를 융합하여 최종적으로 4개의 지진 및 잡음 클러터 클래스에 대해 식별을 수행하는 구조를 설계하였다. 실제로 최근 2018년 6개월 동안 국내에서 관측된 지진 신호들^[14]을 강진, 미소 지진, 인공 지진, 잡음으로 판별하는 실험을 통해 제안한 알고리즘의 효용성을 검증하였다.
제안하는 CNN 구조는 3차원 각 축 방향에 대한 진동의 기록인 3채널 지진 데이터를 이용하며 각 채널당100 Hz로 샘플링 된 데이터를 사용하였다. 지진 신호에서 추출한 멜 스펙트럼을 바탕으로 주파수필터를 적용하여서 저주파수(1 Hz ~ 10 Hz), 중주파수(10 Hz ~ 30 Hz), 고주파수(30 Hz ~ 50 Hz) 대역에 대한 3개의 멜 스펙트로그램을 생성한다. 생성된 멜 스펙트로그램 각각을 동일한 CNN 구조에 적용하였다.

대상 데이터

각 클래스의 데이터는 클래스 별로 700개씩 수집한 지진 신호를 실험에 이용하였다. 수집된 지진 신호의 예제는 아래의 Fig.
수집한 데이터는 총3개의 채널로 구성되어 있으며 1 s 당100 샘플의 신호로 관측되었다. 관측 센서의 종류는 광대역 속도계, 가속도계이며 지진 탐지 후 총10 s간의 P파 데이터를 식별에 이용하였다.
본 논문에서는 기상청에서 제공되는 지진 관측 데이터 중 2018년도에 측정된 지진 신호들을 바탕으로 실험 데이터베이스를 구성하였다. 구성한 데이터베이스는 총4개의 클래스로 강진(규모 2.
0 미만), 인공지진(폭발 등), 잡음으로 분류하였다. 수집한 데이터는 총3개의 채널로 구성되어 있으며 1 s 당100 샘플의 신호로 관측되었다. 관측 센서의 종류는 광대역 속도계, 가속도계이며 지진 탐지 후 총10 s간의 P파 데이터를 식별에 이용하였다.
3과 같이 다중 주파수 CNN 구조를 설계하였다. 제안하는 CNN 구조는 3차원 각 축 방향에 대한 진동의 기록인 3채널 지진 데이터를 이용하며 각 채널당100 Hz로 샘플링 된 데이터를 사용하였다. 지진 신호에서 추출한 멜 스펙트럼을 바탕으로 주파수필터를 적용하여서 저주파수(1 Hz ~ 10 Hz), 중주파수(10 Hz ~ 30 Hz), 고주파수(30 Hz ~ 50 Hz) 대역에 대한 3개의 멜 스펙트로그램을 생성한다.

데이터처리

또한 cross-entropy loss를 비용함수로 고려하였다.^[16]최종 분류 결과는 각 주파수 대역의 분류 결과의 가중합을 이용하여 도출하였다.

이론/모형

5-fold cross validation 기법을 적용하여 제안하는 기법의 성능을 평가하고, confusion matrix를 통해 성능을 측정하였다.
CNN 구조는 AlexNet[15]을 이용하였고 최종 출력은 4개의 지진 분류 결과(강진, 미소 지진, 인공 지진, 잡음)를 의미한다.
2에서 확인할 수 있다. Fig. 2에서 각 축은 주성분 분석법을 이용하여 각 지진 클래스를 가장 잘 구분하는 2차원의 축으로 도식화 하였다. 이 시각화는 다차원의 정보를 2차원으로 축소하였기 때문에 매우 뚜렷한 구분성을 확인할 수는 없었지만 분류 가능한 경향을 확인할 수 있었다.
을 이용하였고 최종 출력은 4개의 지진 분류 결과(강진, 미소 지진, 인공 지진, 잡음)를 의미한다. 각각의 CNN은 총13레이어와 4개의 max pooling 과정으로 구성하였으며, 활성화함수로는 ReLu 기법을 통한 비선형 맵핑을 적용하였다. 또한 cross-entropy loss를 비용함수로 고려하였다.
또한 비교의 공평성과 객관성을 위하여 Alexnet 기반 baseline 딥러닝 파라메터의 개수와 제안하는 다중 주파수의 Alexnet 기반 CNN 구조의 파라메터의 개수를 동일하게 설정하였다. 성능 측정 방식은 4 클래스 개별 성능을 확인할 수 있도록 confusion matrix로 선택하였다. Fig.

성능/효과

1과 2를 바탕으로 각 클래스의 지진 신호가 우세한 주파수 대역이 나누어져 있으며, 저/중/고 주파수 대역을 나누어 각각 특성을 파악할 경우 얻을 수 있는 분류 정보를 모두 사용할 때 효용성이 있을 것이라 판단할 수 있다.
그러나 다른 주파수 대역보다 훨씬 강한 저주파 잡음 성분이 중/고주파 대역의 특성을 가리는 전체 주파수 대역 사용 시 타 클래스를 잡음이라고 판별하는 오분류 비율이 각각 10 % 이상을 보이는데 비하여 제안된 기법을 사용할 경우 저/중/고주파의 특성을 각각 볼 수 있어 잡음으로 판별되는 오분류 비율이 반으로 줄어드는 효과를 얻을 수 있었다.
우선 국내에서 발생한 지진 데이터들에 대한 특성을 확인하기 위해 주파수 측면에서 분석을 진행하였다. 다양한 주파수 밴드에서 데이터를 분석해 본 결과 각각의 주파수 밴드에서 서로 다른 지진 신호 및 잡음 클러터를 식별할 수 있는 정보를 얻을 수 있다는 점을 확인하였다. 따라서 본 논문에서는, 이러한 분석 결과를 바탕으로 3개의 주파수 대역(저주파, 중주파, 고주파)의 신호 특징을 각각 볼 수 있도록하는 CNN 분석 기법을 설계하였다.
35 % 향상됨을 보여주고 있다. 두 경우 모두 잡음의 식별 성능이 가장 높았으며, 자연 지진(강진, 미소지진) 간의 오분류가 존재하는 결과를 나타냈다. 그러나 다른 주파수 대역보다 훨씬 강한 저주파 잡음 성분이 중/고주파 대역의 특성을 가리는 전체 주파수 대역 사용 시 타 클래스를 잡음이라고 판별하는 오분류 비율이 각각 10 % 이상을 보이는데 비하여 제안된 기법을 사용할 경우 저/중/고주파의 특성을 각각 볼 수 있어 잡음으로 판별되는 오분류 비율이 반으로 줄어드는 효과를 얻을 수 있었다.
전체적으로 초저주파 구간이 모든 클래스에서 높은 값을 보이고 있음을 알 수 있다. 따라서 초저주파 구간의 값이 상대적으로 너무 큰 값을 가져 다른 주파수 대역보다 훨씬 큰 영향을 줄 수 있음을 판단할 수 있다. 또한 10 Hz ~ 30 Hz 대역에서 가지는 값의 크기 차이를 볼 수 있는데 미소지진이 상대적으로 이러한 중주파수 대역에서 높은 비율의 값을 가진다는 것을 확인할 수 있다.
따라서 초저주파 구간의 값이 상대적으로 너무 큰 값을 가져 다른 주파수 대역보다 훨씬 큰 영향을 줄 수 있음을 판단할 수 있다. 또한 10 Hz ~ 30 Hz 대역에서 가지는 값의 크기 차이를 볼 수 있는데 미소지진이 상대적으로 이러한 중주파수 대역에서 높은 비율의 값을 가진다는 것을 확인할 수 있다. 이는 국내 지진 데이터 내에서 미소지진의 크기가 아주 작고 주로 가까운 관측소에서 관측되는 것으로 볼 때, 상대적으로 가까운거리만을 이동함에 따라 고주파 성분의 감쇠가 적기 때문이라고 추정된다.
기상청에서 수집한 2018년도 국내 발생 지진 신호에 대한 데이터베이스를 구축하고 제안하는 기법의 성능을 분석하였다. 실험 결과를 통해 제안하는 다중 주파수 기반 CNN 분석 기법의 국내 지진 신호에 대한 식별 효용성을 입증하였다. 추후 동일한 원인으로 나타나는 자연지진 간의 분류 성능을 높일 수 있는 방안에 대해서도 연구해 볼 가치가 있다.
5(b)는 제안된 기법의 confusion matrix 결과이다. 제안된 기법을 사용하였을 때, 전반적인 식별 성능이 평균적으로 7.35 % 향상됨을 보여주고 있다. 두 경우 모두 잡음의 식별 성능이 가장 높았으며, 자연 지진(강진, 미소지진) 간의 오분류가 존재하는 결과를 나타냈다.

후속연구

실험 결과를 통해 제안하는 다중 주파수 기반 CNN 분석 기법의 국내 지진 신호에 대한 식별 효용성을 입증하였다. 추후 동일한 원인으로 나타나는 자연지진 간의 분류 성능을 높일 수 있는 방안에 대해서도 연구해 볼 가치가 있다.

질의응답

핵심어	질문	논문에서 추출한 답변
	다중 주파수 대역 CNN 기법의 방식은 무엇인가?	이러한 분석 결과를 바탕으로 지진 신호에서 추출한 다중 주파수 대역 특징을 기반으로 하는 CNN(Convolutional Neural Network) 기법에 대해서 제안하였다. 제안하는 다중 주파수 대역 CNN 기법은 지진 신호에서 추출한 멜 스펙트럼에 대해서 각각 필터를 적용하여 서로 다른 주파수 대역(저/중/고 주파수)의 신호를 추출하였다. 추출된 신호들을 바탕으로 각각 CNN 기반 분류를 수행하였고, 수행된 결과를 융합하여 최종적으로 지진 이벤트에 대해 식별하였다.
	기존의 지진 신호 탐지/식별 및 분석 방법들은 어떤 문제점이 있는가?	[4,5] 주파수 측면에서는 전형적인 푸리에 변환, 파워 스펙트럼 밀도, 스펙트로그램 등을 이용한 1차원 및 2차원 탐지/분석 방법이 주로 이루어져 왔다. [6-8] 소개된 분석 기법들은 낮은 SNR(Signal to Noise Ratio) 상황에서의 성능 저하, 지진 신호와 비슷한 클러터 오분류, 과다한 연산량과 같은 성능적인 한계가 존재하였다.[4]
	PAI-S/K의 특징은 무엇인가?	STA/LTA(Short Time Average over Long Time Average) 방식은 짧은 샘플 시간과 긴 샘플 시간 평균의 비율 문턱치를 이용한 지진 탐지 기법으로 널리 사용되고 있다.[1] 이외에도첨도(kurtosis)와 왜도(skewness) 값과 같은 시간축의 통계적인 특성을 이용하여 지진 이벤트를 탐지하는 PAI-S/K(Phase Arrival Identification Skewness/Kurtosis) 방식, 미리 수집된 지진 신호 템플릿과의 상관성을 이용한 템플릿 매칭 방식 등의 연구가 진행되었다.[2,3] 또한 엔트로피, 프랙탈 차원(fractal dimension) 측면에서 신호의 비선형성 분석하고 탐지하는 방식도 보고 되었다.

참고문헌 (16)

M. Baer and U. Kardolfer, "An automatic phase picker for local and teleseismic events," Bull, Seismol. Soc. Amer. 1437-1445 (1987).
C. D. Saragiotis and S. M. Panas, "PAI-SK: a robust automatic seismic P phase arrival identification scheme," IEEE Transactions on Geoscience and Remote Sensing, 1395-1395 (2002).
R. J. Skoumal, M. R. Brudzinski, B. S. Currie, and J. Levy, "Optimizing multi-station earthquake template matching through re-examination of the Youngstown, Ohio, sequence," Earth Planet. Sci. Letter. 274-280 (2014).
R. S. Jia, H. -M. Sun, Y. -J. Peng, and Y. -Q. Liang, "Automatic event detection in low SNR microseismic signals based on multi-scale permutation entropy and a support vector machine," J. seismology, 735-748 (2016).
P. Singh, I. G. Roy, S. Kumar, and J. R. Kayal, "Seismic source characteristics in Kachchh and Saurashtra regions of Western India: b-value and fractal dimension mapping of aftershock sequences," Natural Hazards, 33-49 (2015).
W. Y. Yun, S. -C. Park, and K. Y. Kim, "Comparison of background noise characteristics between surface and borehole station of Hwacheon" (in Korean), Geophysics and Geophysical Exploration, 203-210 (2013).
E. Budako？lu and G. Horasan, "Classification of seismic events using linear discriminant function (LDF) in the Sakarya region, Turkey," Acta Geophysica, 895-906 (2018).
N. Jana, C. Singh, R. Biswas, N. Grewal, and A. Singh, "Seismic noise analysis of broadband stations in the Eastern Ghat Mobile Belt of India using power spectral density," Geomatics, Natural Hazards and Risk, 1947-5705 (2017).
S. Mun, M. Shin, S. Shon, W. Kim, D. K. Han, and H. Ko, "DNN transfer learning based non-linear feature extraction for acoustic event classification," IEICE trans. on Information and Systems, 2249-2252 (2017).
S. Mun, S. Shon, W. Kim, D. K. Han, and H. Ko, "A novel discriminative feature extraction for acoustic scene classification using RNN based source separation," IEICE Trans. on Information and System, 3041-3044 (2017).
M. Curilem, J. P. Canario, and R. A. Rios, "Using CNN To classify spectrograms of seismic events from llaima volcano (Chile)" International Joint Conference on Neural Networks (IJCNN) (2018).
T. Perol, M. gharbi, and M. Denolle, "Convolutional neural network for earthquake detection and location," Sci. Adv. 4, e1700578 (2018).

상세보기
W. Zhu and G. C. Beroza, "PhaseNet: A deep-neuralnetwork- based seismic arrival time picking method," arXiv:1803.03211 (2018).
National Earthquake Comprehensive Information System (NECIS) Event wave downloads, http://necis.kma.go.kr/
A. Krizhevsku, I. Sutskever, and G. E. Hinton, "Imagenet classification with deep convolutional neural networks," in Advances in Neural Information Processing Systems, 1097-1105 (2012).
L. Wan, M. Zeiler, S. Zhang, Y. L. Cun, and R. Fergus, "Regularization of neural networks using dropconnect," Proc. Machine Learning, 1058-1066 (2013).

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