[논문]사용자 건강 상태알림 서비스의 상황인지를 위한 기계학습 모델의 학습 데이터 생성 방법

문종혁; 최종선; 최재영

doi:10.3745/ktsde.2020.9.1.25

[국내논문] 사용자 건강 상태알림 서비스의 상황인지를 위한 기계학습 모델의 학습 데이터 생성 방법
Generating Training Dataset of Machine Learning Model for Context-Awareness in a Health Status Notification Service 원문보기

정보처리학회논문지. KIPS transactions on software and data engineering. 소프트웨어 및 데이터 공학, v.9 no.1, 2020년, pp.25 - 32

문종혁 (숭실대학교 컴퓨터학과) , 최종선 (숭실대학교 컴퓨터학부) , 최재영 (숭실대학교 컴퓨터학부)

초록
AI-Helper

다양한 분야에서 활용되는 상황인지 시스템은 상황정보를 획득하기 위한 추상화 과정에서 규칙 기반의 인공기능 기술이 기존에 사용되었다. 그러나 서비스에 대한 사용자의 요구사항이 다양해지고 사용되는 데이터의 증대로 규칙이 복잡해지면서 규칙 기반 모델의 유지보수와 비정형 데이터를 처리하는데 어려움이 있다. 이러한 한계점을 극복하기 위해 많은 연구들에서는 상황인지 시스템에 기계학습 기술을 적용하였으며, 이러한 기계학습 기반의 모델을 상황인지 시스템에 사용하기 위해서는 주기적으로 학습 데이터를 제공해야 한다. 이에 기계학습 기반 상황인지 시스템에 대한 선행연구에서는 여러 개의 기계학습 모델을 적용하기 위한 학습 데이터 생성, 제공 등의 과정을 보였으나 제한된 종류의 기계학습 모델만을 적용 가능하여 확장성이 고려되어야 한다. 본 논문은 기계학습 기반의 상황인지 시스템의 확장성을 고려한 기계학습 모델의 학습 데이터 생성 방법을 제안한다. 제안하는 방법은 시스템의 확장성을 고려하여 기계학습 모델의 요구사항을 반영할 수 있는 학습 데이터 생성 모델을 정의하고 학습 데이터 생성 모듈을 바탕으로 각각의 기계학습 모델의 학습 데이터를 생성하는 것이다. 시스템의 확장성의 검증을 위해 실험에서는 노인의 건강상태 알림 서비스를 위한 심박상태 분석 모델을 대상으로 한 학습데이터 생성 스키마를 기반으로 학습데이터 생성 모델을 정의하고 실환경에서 정의된 모델을 S/W에 적용하여 학습데이터를 생성한다. 또한 생성된 학습데이터의 유효성을 검증하기 위해 사용되는 기계학습 모델에 생성한 학습데이터를 학습시켜 정확도를 비교하는 과정을 보인다.

Abstract ▼ AI-Helper

In the context-aware system, rule-based AI technology has been used in the abstraction process for getting context information. However, the rules are complicated by the diversification of user requirements for the service and also data usage is increased. Therefore, there are some technical limitations to maintain rule-based models and to process unstructured data. To overcome these limitations, many studies have applied machine learning techniques to Context-aware systems. In order to utilize this machine learning-based model in the context-aware system, a management process of periodically injecting training data is required. In the previous study on the machine learning based context awareness system, a series of management processes such as the generation and provision of learning data for operating several machine learning models were considered, but the method was limited to the applied system. In this paper, we propose a training data generating method of a machine learning model to extend the machine learning based context-aware system. The proposed method define the training data generating model that can reflect the requirements of the machine learning models and generate the training data for each machine learning model. In the experiment, the training data generating model is defined based on the training data generating schema of the cardiac status analysis model for older in health status notification service, and the training data is generated by applying the model defined in the real environment of the software. In addition, it shows the process of comparing the accuracy by learning the training data generated in the machine learning model, and applied to verify the validity of the generated learning data.

Keyword

표/그림 (11)

그림 Fig. 1. Overview of Context-aware System Based on Machine Learning
그림 Fig. 2. Architecture of Training Dataset Generation Module
그림 Fig. 3. Schema of Dataset Generation Model
그림 Fig. 4. Architecture of Dataset Generation Object
표 Table 1. Elements of Dataset Generation Model Schema
그림 Fig. 5. Flow of Training Dataset Generation
표 Table 2. Dataset Generating Algorithm
그림 Fig. 6. Graph For Accuracy Comparison of Two Models(Original Model, Feedback Model)
표 Table 3. Training Dataset Generation Model Based Document
표 Table 4. Result of Generated Training Dataset
표 Table 5. Accuracy Comparison of Two Models

AI 본문요약
AI-Helper

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

문제 정의

따라서 시스템에서는 학습 데이터 를 생성을 위한 모듈이 동작하여 학습데이터를 생성하여 제공할 수 있어야 한다. 이에 논문에서는 상황인지 시스템에 기계학습 모델을 관리하는데 필요한 학습데이터를 생성하는 방법을 제안한다. 제안하는 방법은 각기 다른 요구사항(입력, 전처리, 출력 등)이 다른 기계학습 모델을 위한 학습 데이터 생성 모델을 정의하고 이를 기반으로 학습 데이터 생성 모듈을 적용하여 각각의 기계학습 모델의 학습 데이터를 생성하는 것이다.
본 절에서는 상황인지 시스템의 추상화 단계에서 기계학습 기술을 적용한 연구 사례를 살펴보고 각 연구에서 수행된 기계학습 모델의 관리 방법들을 기술한다.
헬스케어 분야에서 또한 상황인지 기술과 기계학습 기술을 접목하여 서비스 제공하기 위한 연구를 진행되었다. Banos [18]의 연구에서는 이기종 스마트 기기로부터 생체 데이터 수집, 분석, 제공 과정을 수행하는 프레임워크를 제안한다.
따라서 시스템에서는 기계학습 모델이 추가 및 변경됨에 따라 이를 위한 학습데이터 생성 모듈이 적용되어야한다. 본 절에서는 인공지능 기반 상황인지 시스템의 기계학습 모델 관리를 위한 학습데이터 생성 모듈의 학습 데이터 생성 방법을 기술한다. 시스템의 확장성을 고려한 시스템의 요구사항은 다음과 같다.
상황인지에 사용되는 상황정보는 BDAM의 기계학습 모델에서 제공받은 분석 정보이다. 본 논문에서는 상황인지 시스템에서 분석 주체인 BDAM의 기계학습 모델을 위한 학습데이터를 학습 데이터셋 생성 모듈(Training Dataset Generating Module, 이하 TDGM)을 통해 생성하는 방법을 보인다.
본 실험에서는 시스템의 확장성을 고려한 학습데이터 생성 방법의 유효성 증명하기 위해, 노인을 위한 건강 상태 알림 서비스를 위한 심박상태 분석 모델 대상으로 한 예제를 보인다. 그리고 심박상태 분석 모델을 위한 학습데이터 생성 과정과 생성한 학습데이터를 적용한 결과를 보인다.
이러한 생체를 대상으로 하는 분석의 경우, 주변 환경과 시간이 지남에 따라 생체 추이가 변하기 때문에 이를 대응할 수 있어야 한다. 이에 심박 상태 분석 모델의 학습을 위한 학습데이터를 실제 노인을 대상으로 건강 정보를 수집하여 학습데이터를 생성하고, 생성된 학습데이터를 대상 모델에 학습시켜 심박 상태 결과에 대한 정확도가 유지되는 것을 보인다.
본 논문에서는 상황인지 시스템에서 기계학습 기반 모델의 적용할 때, 기계학습 모델의 분석결과에 대한 정확도를 유지하기 위한 관리에 필요한 학습데이터 생성 방법을 제안하였다. 기계학습 모델 학습데이터 생성에 따른 요구사항을 반영하기 위해 학습데이터 생성 모델 및 학습데이터 생성 알고리즘을 설계하였으며, 이는 학습데이터를 생성하는 모듈의 기반으로 사용되었다.

제안 방법

이에 논문에서는 상황인지 시스템에 기계학습 모델을 관리하는데 필요한 학습데이터를 생성하는 방법을 제안한다. 제안하는 방법은 각기 다른 요구사항(입력, 전처리, 출력 등)이 다른 기계학습 모델을 위한 학습 데이터 생성 모델을 정의하고 이를 기반으로 학습 데이터 생성 모듈을 적용하여 각각의 기계학습 모델의 학습 데이터를 생성하는 것이다. 학습데이터 생성 모듈은 입력 데이터 수집, 전처리, 적재 단계를 거쳐 학습데이터를 생성하며, 필요에 따라 식별정보를 추가하여 적재한다.
Banos [18]의 연구에서는 이기종 스마트 기기로부터 생체 데이터 수집, 분석, 제공 과정을 수행하는 프레임워크를 제안한다. 생체 데이터의 분석은 기계학습 모델을 기반으로 수행되며, 모델은 전처리 모듈에서 처리된 전처리 데이터를 입력받아 분석을 수행한다. 그러므로 기계학습 모델의 학습 과정에 사용되는 데이터는 전처리 과정에서 생성된다.
또 다른 기계학습을 활용한 헬스케어 서비스 연구로, Zoppi [19]에서는 모바일 헬스케어 프레임워크를 통해 이는 스마트 기기로부터 데이터를 수집하고 데이터를 분석하여 헬스케어 서비스를 제공하는 과정을 보인다. 데이터 분석에는 생체 분석을 위한 기계학습 모델이 적용되었으며, 기계학습 모델의 학습을 위해 수집된 데이터를 분류하는 모델을 구축하고 이를 통해 학습데이터를 생성하여 피드백 과정을 수행하였다.
BDAM의 추상화의 핵심은 기계학습 모델을 통한 환경 데이터 분석으로, 데이터와 상황정보의 특성에 따라 여러 기계학습 모델이 사용된다. 이러한 모델의 분석 결과의 정확도를 유지하기 위해 주기적으로 학습 데이터셋 생성 모듈(Training Dataset Generating Module)로부터 최신의 학습 데이터셋을 제공받아 학습을 수행한다.
특히 사용자의 습관, 생활 패턴, 생체 추이 등과 같이 규칙이 변동이 발생되는 맞춤형 서비스에서 필요하다. 이에 본 절에서는 노인의 건강 상태 알림 서비스를 위한 심박상태 분석 모델을 한정으로 실험을 보인다. 먼저 노인의 건강 상태 알림 서비스 내용은 다음과 같다.
2) 상황인지 시스템은 스마트워치로부터 건강정보를 수집하고 심박상태 분석 모델을 통해 심박 상태를 분석한다.
본 실험의 대상인 심박 상태 분석 모델은 노인의 심박수, 스트레스 등의 건강 정보를 입력받아 심박 상태에 대한 분석 결과(정상, 이상, 위험)를 제공한다. 이러한 생체를 대상으로 하는 분석의 경우, 주변 환경과 시간이 지남에 따라 생체 추이가 변하기 때문에 이를 대응할 수 있어야 한다.
첫 번째 실험에서는 심박 상태 분석 모델의 학습데이터셋을 생성하기 위한 모델을 정의하여 학습데이터를 생성한다.
두 번째 실험에서는 제안하는 방법을 통해 생성한 학습데이터의 유효성을 검증과 최신의 데이터 학습의 필요성을 입증하기 위해, 기계학습 모델의 생성된 최신의 학습데이터를 제공한 모델의 분석 결과에 대한 정확도를 보인다. 학습에는 4.
본 논문에서는 상황인지 시스템에서 기계학습 기반 모델의 적용할 때, 기계학습 모델의 분석결과에 대한 정확도를 유지하기 위한 관리에 필요한 학습데이터 생성 방법을 제안하였다. 기계학습 모델 학습데이터 생성에 따른 요구사항을 반영하기 위해 학습데이터 생성 모델 및 학습데이터 생성 알고리즘을 설계하였으며, 이는 학습데이터를 생성하는 모듈의 기반으로 사용되었다.
실험에서는 건강 상태 알림 서비스를 위한 심박상태 분석 모델을 대상으로 하여 설계한 학습데이터 생성 모델을 기반으로 학습데이터를 생성하고, 추가 학습이 이루어지지 않은 모델과 이를 반영한 모델의 분석결과에 대한 정확도를 비교하는 것으로 연구의 필요성을 입증하였다.
2와 같다. 기계학습 모델에서 요구하는 학습데이터의 구성 파라미터, 전처리, 조건은 각기 다르며, 이러한 요구사항을 반영하기 위해 학습데이터 생성 객체(Dataset Generating Object, 이하 DGO)를 제어한다. DGO는 요구사항에 따른 학습데이터 를 생성하며 이는 입력 데이터셋 풀(Input Dataset Pool)에 저장된다.

대상 데이터

환경정보 수집 모듈(Environment Data Collecting Module)은 주변 센서, 카메라, 웨어러블 기기 등과 같은 IoT 기기로부터 상황 판단에 사용되는 주변 환경에서 발생하는 데이터인 환경 데이터를 수집한다. 수집된 데이터는 수집 데이터 검증 모듈(Validator)을 통해 유효성을 검사하여 수집 데이터의 품질을 보장한다.
상황인지 엔진(Context-aware Engine)은 상황정보를 바탕으로 상황을 인지하고 적절한 상황인지 서비스를 제공한다. 상황인지에 사용되는 상황정보는 BDAM의 기계학습 모델에서 제공받은 분석 정보이다. 본 논문에서는 상황인지 시스템에서 분석 주체인 BDAM의 기계학습 모델을 위한 학습데이터를 학습 데이터셋 생성 모듈(Training Dataset Generating Module, 이하 TDGM)을 통해 생성하는 방법을 보인다.
본 실험에서는 총 4회의 걸쳐 학습데이터를 생성하였으며 Table 3는 이중 첫 번째 학습데이터를 생성하는데 사용된 모델이다. 각 회차별 수행 기간은 약 2주이며 총 2개월 학습데이터를 생성하였다. 학습데이터 생성을 위한 자세한 설정 내용은 Table 4와 같다.
실선은 피드백 모델, 점선은 기존 모델을 나타낸다. 실험은 총 4번 진행되었고 D1, D2, D3, D4 순으로 데이터를 입력하여 분석 결과를 획득하였으며 결과는 사람의 심박 상태이다. 정확도는 테스트 데이터의 분석 결과에 대한 정답률로, 예측된 심박 상태와 실제 심박 상태를 비교한 것으로 0에서 1 사이에 값을 갖는다.
정확도는 테스트 데이터의 분석 결과에 대한 정답률로, 예측된 심박 상태와 실제 심박 상태를 비교한 것으로 0에서 1 사이에 값을 갖는다. 테스트에 사용된 데이터는 각 회차에 사용된 학습 데이터를 재생성한 것으로 실험을 위해 생성된 데이터이다. Table 5는 실험을 통해 얻은 분석 결과의 정확도를 수치로 나타낸 것으로 각 실험 단계에서 사용된 테스트 데이터셋과 두 모델을 적용하여 얻은 분석결과에 대한 정확도를 보인다.

이론/모형

Khozouie, Nasim[4]은 온톨로지 기반의 모바일 헬스케어 서비스를 제공하기 위해 상황인지 시스템을 활용하였고 Gomes[12], Kabir[14] 등은 스마트 홈에서 상황인지 기반의 사용자 맞춤형 스마트 서비스를 위한 연구를 진행하였다. 이러한 연구들은 상황인지 시스템에서 상황정보를 획득하기 위해 인공지능 기술을 활용하였다. 상황정보는 주변 환경에서 발생된 정보를 토대로 상황을 표현한 정보이며 이는 상황인지 시스템에서 추상화 과정을 통해 얻어진다.
기존 인공지능 기반의 상황인지 시스템은 추상화 과정에서 휴리스틱(Heuristic) 로직 기반의 전문가 시스템(Expert System)을 적용하였다[20-22]. 전문가 시스템은 적용 환경에 따라 전문가가 지식에 근거하여 사전에 정의한 규칙을 바탕으로 수집된 환경정보로부터 상황정보를 생성한다.

성능/효과

1) 노인은 스마트워치 착용하고 있으며, 스마트워치는 사용자의 심박수, 스트레스, 시간 등의 정보를 제공한다.
기존 모델은 1-2회차의 데이터에 대해서는 90% 이상의 높은 수준의 성능을 보이나, 3-4회차에 대한 정확도는 90% 이하로 떨어지는 것을 볼 수 있다. 피드백 모델은 1-2회차의 데이터의 분석 결과는 기존 모델보다 성능이 조금 낮지만, 3-4회차에서 높은 정확도를 가지고, 평균적으로 피드백 모델은 90% 이상의 정확도를 보인다.

후속연구

본 연구를 통해 상황인지 시스템에 적용되는 기계학습 모델을 관리할 수 있으며 이를 통해 기계학습 모델의 확장성을 제공할 수 있다. 추가적으로 텍스트와 이미지와 같은 입력데이터를 고려하여 모델을 개선한다면 보다 범용적인 사용이 기대된다.
본 연구를 통해 상황인지 시스템에 적용되는 기계학습 모델을 관리할 수 있으며 이를 통해 기계학습 모델의 확장성을 제공할 수 있다. 추가적으로 텍스트와 이미지와 같은 입력데이터를 고려하여 모델을 개선한다면 보다 범용적인 사용이 기대된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	기존 인공지능 기반의 상황인지 시스템은 무엇을 적용하였는가?	기존 인공지능 기반의 상황인지 시스템은 추상화 과정에서 휴리스틱(Heuristic) 로직 기반의 전문가 시스템(Expert System)을 적용하였다[20-22]. 전문가 시스템은 적용 환경에 따라 전문가가 지식에 근거하여 사전에 정의한 규칙을 바탕으로 수집된 환경정보로부터 상황정보를 생성한다.
	상황인지 시스템을 활용하기 위한 연구는 어느 분야에서 시도되는가?	최근 스마트 홈, u-헬스케어, 스마트 웨어하우스(Warehouse) 등 많은 분야에서 상황인지 시스템을 활용하기 위한 연구가 시도되고 있다[1-4]. Khozouie, Nasim[4]은 온톨로지 기반의 모바일 헬스케어 서비스를 제공하기 위해 상황인지 시스템을 활용하였고 Gomes[12], Kabir[14] 등은 스마트 홈에서 상황인지 기반의 사용자 맞춤형 스마트 서비스를 위한 연구를 진행하였다.
	기존 방식의 문제점은 무엇인가?	그러나 기존 방식(규칙 기반 인공지능 추상화 시스템)은 최근 연구되는 분야들에서 다음과 같은 문제로 서비스 품질을 보장하기 어렵다. 첫 번째, 사용자의 서비스에 대한 요구사항이 높아지면서 더욱 비정형 데이터의 사용이 요구된다. 이러한 비정형 데이터를 규칙으로 정의하는 것은 많은 비용이 소요되어 이에 비정형 데이터를 처리하기 위한 방법이 필요하다[24]. 두 번째, 헬스케어, 스마트 홈 등의 분야에서는 서비스 대상의 맞춤형 서비스를 제공하기 위해 각각의 대상마다 규칙을 정의하게 된다. 이는 규칙이 증대되어 유지보수 문제를 야기한다[24, 25]. 이는 데이터를 기반으로 한 기계학습 기술을 적용함으로써 극복될 수 있다.

참고문헌 (25)

G. Manogaran and D. Lopez, "Health data analytics using scalable logistic regression with stochastic gradient descent," International Journal of Advanced Intelligence Paradigms, Vol.10, No.1-2, pp.118-132, 2018.
J.-W. Lee, H.-S. Lim, D.-W. Kim, S.-A. Shin, J. Kim, B. Yoo, and K.-H. Cho, "The development and implementation of stroke risk prediction model in National Health Insurance Service's personal health record," Computer Methods and Programs in Biomedicine, Vol.153, pp.253-257, 2018.

상세보기
N. Bouri and S. Ravi, "Going mobile: how mobile personal health records can improve health care during emergencies," JMIR mHealth uHealth, Vol.2, No.1, e8, 2014.

상세보기
N. Khozouie, F. Fotouhi-Ghazvini, and B. Minaei-Bidgoli, "Ontological MobiHealth system," Indonesian J. Elect. Eng. Comput. Sci., Vol.10, No.1, pp.309-319, 2018.

상세보기
S. Huang, L. Li, H. Cai, B. Xu, G. Li, and L. Jiang, "A Configurable WoT Application Platform Based on Spatiotemporal Semantic Scenarios," IEEE Transactions on Systems, Man, and Cybernetics: Systems, Vol.49, No.1, pp.123-135, 2017.

상세보기
L. Mainetti, V. Mighali, L. Patrono, and P. Rametta, "A novel Rule-based Semantic Architecture for IoT Building Automation Systems," Software, Telecommunications and Computer Networks (SoftCOM), pp.124-131, 2015.
L. Pessoa, P. Fernandes, T. Castro, V. Alves, G. N. Rodrigues, and H. Carvalho, "Building reliable and maintainable Dynamic Software Product Lines: An investigation in the Body Sensor Network domain," Information and Software Technology, Vol.86, pp.54-70, 2017.

상세보기
J. G. Nalepa and S. Bobek, "Rule-based solution for context-aware reasoning on mobile devices," Computer Science and Information Systems, Vol.11, No.1, pp.171-193, 2014.

상세보기
N. Kolbe, A. Zaslavsky, S. Kubler, J. Robert, and Y. Le Traon, "Enriching a Situation Awareness Framework for IoT with Knowledge Base and Reasoning Components," In International and Interdisciplinary Conference on Modeling and Using Context, Springer, Cham, pp.41-54, 2017.
Z. Bahramian, R. Ali Abbaspour, and C. Claramunt, "A cold start context-aware recommender system for tour planning using artificial neural network and case based reasoning," Mobile Information Systems, 2017.
M. Shin, W. Paik, B. Kim, and S. Hwang, "An IoT Platform with Monitoring Robot Applying CNN-Based Context-Aware Learning," Sensors, Vol.19, No.11, pp.1-13, 2019.
L. Gomes, C., Ramos, A., Jozi, B., Serra, L., Paiva, and Z. Vale, "IoH: A Platform for the Intelligence of Home with a Context Awareness and Ambient Intelligence Approach," Future Internet, Vol.11, No.3, pp.58, 2019.

상세보기
N. Polyzotis, S. Roy, S. E. Whang, and M. Zinkevich, "Data Management Challenges in Production Machine Learning," Proceedings of the 2017 ACM International Conference on Management of Data, ACM, pp.1723-1726, 2017.
M. H. Kabir, M. R. Hoque, H. Seo, and S. H. Yang, "Machine learning based adaptive context-aware system for smart home environment," International Journal of Smart Home, Vol.9, No.11, pp.55-62, 2015.
M. H., Kabir, M. R., Hoque, H., Seo, and S. H. Yang, "Boolean Control Network Based Modeling for Context-Aware System in Smart Home," International Journal of Smart Home, Vol.10, No.4, pp.65-76, 2016.
B. Ospan, N. Khan, J. Augusto, M. Quinde, and K. Nurgaliyev, "Context aware virtual assistant with casebased conflict resolution in multi-user smart home environment," 2018 International Conference on Computing and Network Communications (CoCoNet), IEEE, pp.36-44, 2018.
P. Jiang, J. Winkley, C. Zhao, R. Munnoch, G. Min, and L. T. Yang, "An intelligent information forwarder for healthcare big data systems with distributed wearable sensors," IEEE systems journal, Vol.10, No.3, pp.1147-1159, 2014.

상세보기
O. Banos, R. Garcia, J. A. Holgado-Terriza, M. Damas, H. Pomares, I. Rojas, A. Saez, and C. Villalonga, "mHealthDroid: a novel framework for agile development of mobile health applications," International Workshop on Ambient Assisted Living, Springer, Cham, pp.91-98, 2014.
T. Zoppi, A. Ceccarelli, and A. Bondavalli, "Contextawareness to improve anomaly detection in dynamic service oriented architectures," International Conference on Computer Safety, Reliability, and Security, Springer, Cham, pp.145-158, 2016.
Y. Bai, H. Ji, Q. Han, J. Huang, and D. Qian, "MidCASE: a service oriented middleware enabling context awareness for smart environment," 2007 International Conference on Multimedia and Ubiquitous Engineering (MUE'07), IEEE, pp.946-951, 2007.
L. O. Colombo-Mendoza, R. Valencia-Garcia, A. Rodriguez- Gonzalez, G. Alor-Hernandez, and J. J. Samper-Zapater, "RecomMetz: A context-aware knowledge-based mobile recommender system for movie showtimes," Expert Systems with Applications, Vol.42, No.3, pp.1202-1222, 2015.

상세보기
P. H. Wu, G. J. Hwang, and W. H. Tsai, "An expert systembased context-aware ubiquitous learning approach for conducting science learning activities," Journal of Educational Technology & Society, Vol.16, No. 4, pp.217-230, 2013.
D. Galar, A. Thaduri, M. Catelani, and L. Ciani, "Context awareness for maintenance decision making: A diagnosis and prognosis approach," Measurement, pp.137-150, 2015.
A. I. Wang, and Q. K. Ahmad, "Camf-context-aware machine learning framework for android," Proceedings of the International Conference on Software Engineering and Applications (SEA 2010), CA, USA, 2010.
H. Eldardiry, K. Sricharan, J. Liu, J. Hanley, B. Price, O. Brdiczka, and E. Bart, "Multi-source fusion for anomaly detection: using across-domain and across-time peergroup consistency checks," JoWUA, Vol.5, No.2, pp.39-58, 2014.

저자의 다른 논문 :

활용도 분석정보

상세보기

다운로드

내보내기

활용도 Top5 논문

해당 논문의 주제분야에서 활용도가 높은 상위 5개 콘텐츠를 보여줍니다.
더보기 버튼을 클릭하시면 더 많은 관련자료를 살펴볼 수 있습니다.

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