[논문]클라우드 병원 IoT 시스템을 활용한 효율적인 환자 정보 송·수신 기법

정윤수

doi:10.22156/cs4smb.2019.9.4.001

클라우드 병원 IoT 시스템을 활용한 효율적인 환자 정보 송·수신 기법
Efficient Patient Information Transmission and Receiving Scheme Using Cloud Hospital IoT System 원문보기

융합정보논문지 = Journal of Convergence for Information Technology, v.9 no.4, 2019년, pp.1 - 7

초록
AI-Helper

의료환경이 IT기술과 접목되어 의료 서비스에 대한 패러다임이 치료에서 예방으로 변화하고 있다. 특히, ICT 융 복합 디지털 헬스케어 기술이 병원 의료 시스템에 접목되면서 빅데이터, 사물인터넷, 인공지능과 같은 기반기술이 클라우드와 함께 사용되고 있다. 특히, 의료 서비스가 IT 기기와 함께 사용되면서 의료 서비스는 점점 더 사용자가 손쉽게 접근할 수 있도록 의료 서비스의 품질이 향상되고 있다. 클라우드 의료 환경 서비스에 IoT 서비스를 접목하려는 의료기관들은 병원 운영 비용 절감 및 서비스 품질 개선을 위해서 노력은 하고 있지만 아직 완벽하게 지원되지는 못하고 있는 상황이다. 본 논문에서는 클라우드 환경을 구축한 병원 IoT 시스템에서의 환자 정보 수집모델을 제안한다. 제안 모델에서는 병원 IoT 시스템을 구축한 클라우드 환경의 병원에서 환자의 질병 정보를 환자신체에 부착된 IoT 장치를 통해서 제3자가 환자의 생체 정보를 불법적으로 도청 및 간섭하는 것을 예방한다. 제안 모델에서는 병원을 방문하는 환자들의 식습관과 관련하여 발생되는 질병을 IoT 장치를 통해 수집하여 치료받을 수 있도록 의료진이 환자의 질병 정보를 분석하도록 한다. 분석된 질병 정보는 환자의 질병 정도에 따라 처방과 관리를 손쉽게 처리하도록 병원 업무를 최소화한다.

Abstract ▼ AI-Helper

The medical environment, combined with IT technology, is changing the paradigm for medical services from treatment to prevention. In particular, as ICT convergence digital healthcare technology is applied to hospital medical systems, infrastructure technologies such as big data, Internet of Things, and artificial intelligence are being used in conjunction with the cloud. In particular, as medical services are used with IT devices, the quality of medical services is increasingly improving to make them easier for users to access. Medical institutions seeking to incorporate IoT services into cloud health care environment services are trying to reduce hospital operating costs and improve service quality, but have not yet been fully supported. In this paper, a patient information collection model from hospital IoT system, which has established a cloud environment, is proposed. The proposed model prevents third parties from illegally eavesdropping and interfering with patients' biometric information through IoT devices attached to the patient's body at hospitals in cloud environments that have established hospital IoT systems. The proposed model allows clinicians to analyze patients' disease information so that they can collect and treat diseases associated with their eating habits through IoT devices. The analyzed disease information minimizes hospital work to facilitate the handling of prescriptions and care according to the patient's degree of illness.

주제어

표/그림 (6)

그림 Fig. 1. Overall Process of Proposed Model
그림 Fig. 2. Code generation process for IoT medical information
그림 Fig. 3. Medical Service Care Time to Analyze/Process IoT Patient Information
그림 Fig. 4. Server efficiency in collecting and processing IoT patient information
표 Table 1. Parameter Setup
그림 Fig. 5. Overhead of server according to number of IoT patient information

AI 본문요약
AI-Helper

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

문제 정의

의료 서비스 분야에 IoT 기술의 역할은 매우 중요시되고 있으며, 의료 서비스의 경쟁력 강화를 위한 수단으로 사용되고 있다. 본 논문에서는 병원 IoT 시스템을 구축한 병원에서 환자의 질병 의료 정보를 환자 신체에 부착된 IoT 장치를 통해서 제3자가 환자의 생체 정보를 불법적으로 도청 및 간섭하는 것을 예방하기 위한 효율적인 정보 송수신 모델을 제안하였다. 제안 모델은 IoT 장치를 통해 수집하여 치료받을 수 있도록 의료진이 사용자의 질병 정보를 분석하도록 사용자의 질병 정도에 따라 처방과 관리를 손쉽게 처리하도록 병원 업무를 최소화하였다.
본 논문에서는 병원 IoT 시스템을 구축한 병원에서 환자의 질병 정보를 환자 신체에 부착된 IoT 장치를 통해서 제3자가 환자의 생체 정보를 불법적으로 도청 및 간섭하는 것을 예방하기 위한 효율적인 정보 송수신 모델을 제안한다. 제안 모델에서는 병원을 방문하는 사용자들의 식습관과 관련하여 발생되는 질병을 IoT 장치를 통해 수집하여 치료받을 수 있도록 의료진이 사용자의 질병 정보를 분석하도록 한다.
이 절에서는 클라우드 환경을 위한 IoT 시스템을 구축한 병원 의료 시스템에 환자의 의료 정보를 안전하게 송수하기 위한 모델을 제안한다. 제안 모델은 IoT 장치를 사용하는 사용자의 개인 프라이버시 정보를 제3자에게 불법적으로 악용하지 않도록 송 수신되는 서로 다른 의료 정보의 조합으로 연계된 의료 정보의 전체 확률 요소 값을 추가함으로써 안전성을 향상시켰다.

가설 설정

제안 모델에서는 다음과 같은 두 가지 환경의 가정을 바탕으로 환자의 질병 정보를 처리한다. 첫째, 사용자의 정보를 인코딩하기 위한 코드를 사전에 공유 한다. 둘째, 사용자의 질병 정보에 대한 동기화 과정은 환자의 IoT 장치에서 이루어져야 한다.

제안 방법

al 기법은 의료 정보 데이터를 균등하게 클러스터링한 후 처리할 수 있는 알고리즘을 제안하였다[10]. Cai et.al 기법은 대량의 의료 정보를 서로 다른 크기의 데이터셋으로 분류하도록 K-Means 알고리즘을 수정한 기법을 제안하였다. 이 기법은 데이터 셋의 수를 사전에 명시화하지 않고 다중 클러스터링이 되도록 동작시킨 것이 특징이다[11-13].
이 같은 결과는 IoT 환자 정보 신호를 송 수신하는 과정에서 IoT 장치에서 수집되는 환자 정보를 제 3자가 불법적으로 도청하지 못하도록 하였기 때문에 IoT 환자 정보 신호만으로는 환자의 정보 신호를 악의적으로 사용할 수 없다. 또한, 제안 기법은 이기종의 다양한 IoT 환자 정보를 결합확률(joint probability) 기반으로 확률 변수를 부여하기 때문에 기존 기법보다 IoT 환자 정보를 효율적으로 처리한다.
성능평가는 IoT 장치를 사용하지 않고 환자에게 의료서비스를 제공하는 기존 의료 서비스 기법과 IoT 장치를 사용하여 환자에게 의료 서비스를 제공하는 제안 기법을 사용하여 의료 서비스 진료시간, 효율성, 오버헤드 등 3가지 측면에서 비교평가를 수행한다.
이 기법은 데이터 셋의 수를 사전에 명시화하지 않고 다중 클러스터링이 되도록 동작시킨 것이 특징이다[11-13]. 이 기법들은 MR에서 DBSCAN 알고리즘을 사용한 기법을 제안하였다. 일부 연구자들은 이 기법의 성능을 향상시키기 위해서 데이터 셋의 크기를 확장한 기법들을 제안하였다[14,15]
이 절에서는 클라우드 환경 기반의 병원 IoT 시스템을 구축한 병원에서 환자의 질병 정보를 환자 신체에 부착된 IoT 장치를 통해서 제3자가 환자의 생체 정보를 불법적으로 도청 및 간섭하는 것을 예방하기 위한 환자 정보 송·수신 기법을 제안한다.
제안 기법은 IoT 장치로부터 송신되는 IoT 의료 정보는 확산 대역 기술을 이용하여 큰 대역폭을 사용한다. 제안 기법은 IoT 장치에서 발생되는 IoT 환자 정보를 서버가 수신하여 인식할 수 있도록 코드를 생성한다.
제안 기법은 IoT 장치로부터 송신되는 IoT 의료 정보는 확산 대역 기술을 이용하여 큰 대역폭을 사용한다. 제안 기법은 IoT 장치에서 발생되는 IoT 환자 정보를 서버가 수신하여 인식할 수 있도록 코드를 생성한다. 생성된 IoT 환자 정보의 코드는 서버가 인식할 수 있도록 IoT 환자 정보 신호를 인코딩과 디코딩과 같은 변조 과정을 수행한다.
본 논문에서는 병원 IoT 시스템을 구축한 병원에서 환자의 질병 정보를 환자 신체에 부착된 IoT 장치를 통해서 제3자가 환자의 생체 정보를 불법적으로 도청 및 간섭하는 것을 예방하기 위한 효율적인 정보 송수신 모델을 제안한다. 제안 모델에서는 병원을 방문하는 사용자들의 식습관과 관련하여 발생되는 질병을 IoT 장치를 통해 수집하여 치료받을 수 있도록 의료진이 사용자의 질병 정보를 분석하도록 한다. 분석된 질병 정보는 사용자의 질병 정도에 따라 처방과 관리를 손쉽게 처리하도록 병원 업무를 최소화한다.
이 절에서는 클라우드 환경을 위한 IoT 시스템을 구축한 병원 의료 시스템에 환자의 의료 정보를 안전하게 송수하기 위한 모델을 제안한다. 제안 모델은 IoT 장치를 사용하는 사용자의 개인 프라이버시 정보를 제3자에게 불법적으로 악용하지 않도록 송 수신되는 서로 다른 의료 정보의 조합으로 연계된 의료 정보의 전체 확률 요소 값을 추가함으로써 안전성을 향상시켰다. 이 같은 방법은 다음과 같은 2가지 가정을 가진다.
제안 모델은 IoT 장치를 통해 수집하여 치료받을 수 있도록 의료진이 사용자의 질병 정보를 분석하도록 사용자의 질병 정도에 따라 처방과 관리를 손쉽게 처리하도록 병원 업무를 최소화하였다. 제안 모델은 사용자의 IoT 의료 정보를 서로 다른 크기의 코드로 분할한 서로 다른 의료 정보의 조합으로 연계된 의료 정보의 전체 확률 요소 값을 코드에 추가하여 인코딩함으로써 디코딩할 때 발생할 수 있는 부하감소 및 처리율을 향상시켰다. 실험 결과, IoT 환자 정보를 통해 의료진이 수집 및 분석하는 데 소요되는 진료 시간이 기존 기법보다 평균 7.
둘째, 사용자의 질병 정보에 대한 동기화 과정은 환자의 IoT 장치에서 이루어져야 한다. 제안모델은 IoT 장치를 통해 수집되는 사용자 정보들을 제3자에게 불법적으로 악용하지 않도록 서로 다른 의료 정보의 조합으로 연계된 의료 정보의 전체 확률 요소 값을 인코딩하기 위한 코드에 추가함으로써 안전성을 향상시켰다.
제안 모델에서는 환자의 건강상태 정보를 송수할 때 다음과 같은 목적을 가진다. 첫째, 제안 모델은 환자의 IoT 장치에서 발생하는 의료 정보를 인코딩하기 위해서 IoT 장치와 병원 간 사전에 공유한 코드를 사용하여 동기화를 수행한다. 둘째, 환자의 생체정보를 의료진이 수집하는 과정에서 발생하는 잡음을 최소화할 수 있도록 오버헤드를 최소화한다.

대상 데이터

Table 1에 사용된 데이터는 2018년 7월 1일부터 2018년 8월 31일까지 IoT 장치를 사용하는 의료기관의 의료진(의사, 간호사) 및 행정업무를 담당하는 직원을 대상으로 유선전화 및 방문을 통한 설문작성을 실시한 결과를 바탕으로 평가를 진행하였다.

성능/효과

3은 IoT 장치를 통해 수집된 환자 정보를 의료진이 분석하여 환자에게 의료 서비스를 제공하기 위해 필요한 진료시간을 의료진 수에 따라 평가한 결과이다. Fig. 3의 결과처럼 IoT 환자 정보를 통해 의료진이 수집 및 분석하는 데 소요되는 진료시간이 기존 기법보다 평균 7.8% 낮았다.
4는 IoT 장치를 통해 수집된 정보를 서버에게 전달하였을 경우, 서버가 IoT 환자 정보를 수집 및 분석하는 과정에서의 효율성을 기존 기법과 비교 평가한 결과이다. Fig. 4의 결과, 제안 기법은 다양한 이기종의 IoT 장치를 통해 환자의 건강 상태 정보를 코드 분할 기반으로 분할하여 송수신하여 각 코드에 서로 다른 개인 정보에 대한 확률 요소 값을 비트열로 생성하여 연계처리 하였기 때문에 기존 기법보다 IoT 환자 정보 처리에 대한 서버의 효율성이 11.1% 향상된 결과를 얻었다. 이 같은 결과는 IoT 환자 정보 신호를 송 수신하는 과정에서 IoT 장치에서 수집되는 환자 정보를 제 3자가 불법적으로 도청하지 못하도록 하였기 때문에 IoT 환자 정보 신호만으로는 환자의 정보 신호를 악의적으로 사용할 수 없다.
5는 IoT 환자 정보를 서버로 송수신할 때 서버에서 처리하는 오버헤드를 기존 기법과 비교한 결과이다. Fig. 5의 실험 결과, IoT 장치로부터 송신되는 IoT 의료정보는 확산 대역 기술을 이용하여 서버의 오버헤드가 기존기법보다 16.3% 낮게 나타났다. 이 같은 결과는 IoT 장치에서 발생되는 IoT 환자 정보를 서버가 수신하여 인식할 수 있도록 코드를 생성하여 인코딩과 디코딩의 변조 과정을 수행했기 때문에 나타난 결과이다.
1% 향상된 결과를 얻었다. 그리고, 제안 기법은 IoT 장치로부터 송신되는 IoT 의료 정보가 확산 대역 기술을 이용하여 서버의 오버헤드가 기존기법보다 16.3% 낮게 나타났다. 향후 연구에서는 제안 기법을 기반으로 현재 운영 중인 다른 병원의 IoT 시스템에 적용하여 성능을 평가할 계획이다.
첫째, 사용자의 정보를 인코딩하기 위한 코드를 사전에 공유 한다. 둘째, 사용자의 질병 정보에 대한 동기화 과정은 환자의 IoT 장치에서 이루어져야 한다. 제안모델은 IoT 장치를 통해 수집되는 사용자 정보들을 제3자에게 불법적으로 악용하지 않도록 서로 다른 의료 정보의 조합으로 연계된 의료 정보의 전체 확률 요소 값을 인코딩하기 위한 코드에 추가함으로써 안전성을 향상시켰다.
첫째, 제안 모델은 환자의 IoT 장치에서 발생하는 의료 정보를 인코딩하기 위해서 IoT 장치와 병원 간 사전에 공유한 코드를 사용하여 동기화를 수행한다. 둘째, 환자의 생체정보를 의료진이 수집하는 과정에서 발생하는 잡음을 최소화할 수 있도록 오버헤드를 최소화한다.
첫째, 환자의 생체정보를 인코딩하기 위한 코드를 사전에 공유 한다. 둘째, 환자의 질병 정보에 대한 동기화 과정은 환자의 IoT 장치에서 이루어져야 한다.
이 같이 병원 환경이 변화하게 된 이유는 병원 의료진에 비해 병원을 방문하는 환자의 수가 증가하면서 병원의 업무효율성과 의료 서비스의 질을 기존 의료 서비스보다 향상시키는데 있다. 본 논문에서는 연계 처리에 필요한 개인 정보의 확률 요소 값을 제3자가 환자의 건강 상태 정보를 유출하고 싶더라도 개인 정보의 전체 확률 요소 값을 모른다면 분할된 코드의 정보를 안전하게 확인할 수 없다. 제안 모델에서는 환자의 건강상태 정보를 송수할 때 다음과 같은 목적을 가진다.
제안 모델은 사용자의 IoT 의료 정보를 서로 다른 크기의 코드로 분할한 서로 다른 의료 정보의 조합으로 연계된 의료 정보의 전체 확률 요소 값을 코드에 추가하여 인코딩함으로써 디코딩할 때 발생할 수 있는 부하감소 및 처리율을 향상시켰다. 실험 결과, IoT 환자 정보를 통해 의료진이 수집 및 분석하는 데 소요되는 진료 시간이 기존 기법보다 평균 7.8% 낮았다. 제안 기법은 다양한 이기종의 IoT 장치를 통해 환자의 건강 상태 정보를 코드 분할 기반으로 분할하여 송 수신하여 각 코드에 환자의 건강 상태 정보에 대한 서로 다른 개인 정보에 대한 확률 요소 값을 연계 처리하였기 때문에 서버의 효율성이 11.
제안 기법에서 IoT 환자 정보 신호를 송 수신하는 과정은 5단계로 구성된다. 제안 기법은 IoT 장치에서 수집되는 환자 정보를 제 3자가 불법적으로 도청 하더라도 IoT 환자 정보 신호만으로는 환자의 정보 신호를 악의적으로 사용할 수 없다.
8% 낮았다. 제안 기법은 다양한 이기종의 IoT 장치를 통해 환자의 건강 상태 정보를 코드 분할 기반으로 분할하여 송 수신하여 각 코드에 환자의 건강 상태 정보에 대한 서로 다른 개인 정보에 대한 확률 요소 값을 연계 처리하였기 때문에 서버의 효율성이 11.1% 향상된 결과를 얻었다. 그리고, 제안 기법은 IoT 장치로부터 송신되는 IoT 의료 정보가 확산 대역 기술을 이용하여 서버의 오버헤드가 기존기법보다 16.
본 논문에서는 병원 IoT 시스템을 구축한 병원에서 환자의 질병 의료 정보를 환자 신체에 부착된 IoT 장치를 통해서 제3자가 환자의 생체 정보를 불법적으로 도청 및 간섭하는 것을 예방하기 위한 효율적인 정보 송수신 모델을 제안하였다. 제안 모델은 IoT 장치를 통해 수집하여 치료받을 수 있도록 의료진이 사용자의 질병 정보를 분석하도록 사용자의 질병 정도에 따라 처방과 관리를 손쉽게 처리하도록 병원 업무를 최소화하였다. 제안 모델은 사용자의 IoT 의료 정보를 서로 다른 크기의 코드로 분할한 서로 다른 의료 정보의 조합으로 연계된 의료 정보의 전체 확률 요소 값을 코드에 추가하여 인코딩함으로써 디코딩할 때 발생할 수 있는 부하감소 및 처리율을 향상시켰다.
이 같은 방법은 다음과 같은 2가지 가정을 가진다. 첫째, 환자의 의료 정보를 인코딩하기 위해서 IoT 장치와 서버 간 공유하기 위한 코드를 사전에 공유해야 한다. 둘째, IoT 장치와 서버 간 동기화 과정 중에는 추가적인 의료 정보의 추가/수정/삭제 등의 작업이 이루어지지 않는다.

후속연구

3% 낮게 나타났다. 향후 연구에서는 제안 기법을 기반으로 현재 운영 중인 다른 병원의 IoT 시스템에 적용하여 성능을 평가할 계획이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	환자의 질병 의료 정보를 환자 신체에 부착된 IoT 장치를 통해 구축한 효율적인 정보 송수신 모델의 서버 효율성은 어떻게 나타나는가?	8% 낮았다. 제안 기법은 다양한 이기종의 IoT 장치를 통해 환자의 건강 상태 정보를 코드 분할 기반으로 분할하여 송 수신하여 각 코드에 환자의 건강 상태 정보에 대한 서로 다른 개인 정보에 대한 확률 요소 값을 연계 처리하였기 때문에 서버의 효율성이 11.1% 향상된 결과를 얻었다. 그리고, 제안 기법은 IoT 장치로부터 송신되는 IoT 의료 정보가 확산 대역 기술을 이용하여 서버의 오버헤드가 기존기법보다 16.
	의료 서비스 분야에서 데이터 관리가 필요한 이유는 무엇인가?	의료 분야에서는 원활한 의료 서비스를 지원하기 위해서 휴대폰을 중심으로 많은 양의 데이터를 저장 및 처리하기 위한 IoT 서비스를 사용하고 있다. 의료 서비스 분야에서 사용되고 있는 대부분의 IoT 서비스는 다양한 네트워크를 통해서 사용자에게 수많은 의료 데이터를 제공해야하기 때문에 IoT 서비스에 맞는 데이터 관리가 반드시 필요하다[6].
	X. Cui et. al의 의료 정보 최적화 기법은 무엇인가?	al 은 의료 서비스에서 사용되는 의료 정보를 신속하게 분석하기 위해서 MapReduce을 사용한 K평균 기반 의료 정보 최적화 기법을 제안하였다[8]. 이 기법은 MapReduce(MR)를 사용하여 의료 정보를 K-평균하도록 MR 의 처음과 마지막에 샘플링 기술을 사용하여데이터 셋을 centroid에 매핑하였다. W.

참고문헌 (15)

J. G. Choi & B. N. Noh. (2011). Security Technology Research in Cloud Computing Environment. Journal of Security Engineering, 8(3), 371-384.
Y. S. Jeong. (2015). An Efficiency Management Scheme using Big Data of Healthcare Patients using Puzzy AHP. Journal of Digital Convergence, 13(4), 227-233.
Y. S. Jeong. (2016). An Efficient IoT Healthcare Service Management Model of Location Tracking Sensor. Journal of Digital Convergence, 14(3), 261-267.
Y. S. Jeong. (2016). Measuring and Analyzing WiMAX Security adopt to Wireless Environment of U-Healthcare. Journal of Digital Convergence, 11(3), 279-284.
A. Singh & K. Chatterjee. (2017). Cloud security issues and challenges: A survey. Journal of Network and Computer Applications, 79, 88-115.

상세보기
H. Bao & R. Lu. (2015). A new differentially private data aggregation with fault tolerance for smart grid communications. IEEE Internet of Things Journal, 2(3), 248-258.

상세보기
J. Qian, F. Qiu, F. Wu, N. Ruan, G. Chen & S. Tang. (2017). Privacy preserving selective aggregation of online user behavior data. IEEE Trans. Computers, 66(2), 326-338.
X. Cui, P. Zhu, X. Yang, K. Li & C. Ji. (2014). Optimized big data K-means clustering using MapReduce. Journal of Supercomputing, 70(3), 1249-1259.

상세보기
W. Zhao, H. Ma & Q. He. (2009). Parallel k-means clustering based on mapreduce. Proceedings of the 1st International Conference on Cloud Computing, 674-679.
B. Bahmani, B. Moseley, A. Vattani, R. Kumar & S. Vassivitskii. (2012). Scalable k-means $^{++}$ . Proceedings of the VLDB Endowment, 5(7), 622-633.
X. Cai, F. Nie & H. Huang. (2013). Multi-view k-means clustering on big data. Proceedings of the Twenty-Third international joint conference on Artificial Intelligence, AAAI Press, 2598-2604.
H. Karau, A. Konwinski, P. Wendell & M. Zaharia. (2015). Learning Spark: Lightning-Fast Big Data Analysis. O'Reilly Media, Inc. 1-276.
Y. H. Kim, K S. Shim, M. S. Kim & J. S. Lee. (2014). DBCURE-MR: an efficient density-based clustering algorithm for large data using MapReduce. Journal of Information Systems, 42, 15-35.
X. Cui, J. S. Charles & T. Potok. (2013). GPU enhanced parallel computing for large scale data clustering. Journal of Future Generation Computer Systems, 29(7), 1736-1741.

상세보기
G. Andrade, G. Ramos, D. Madeira, R. Sachetto, R. Ferreira & L. Rocha. (2013). G-dbscan: A gpu accelerated algorithm for density based clustering. Journal of Procedia Computer Science, 18, 369-378.

상세보기

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