[논문]머신러닝 알고리즘을 사용한 웨어러블 스마트 에어백에 관한 연구

김현식; 백원철; 백운경

doi:10.14346/jkosos.2020.35.2.94

머신러닝 알고리즘을 사용한 웨어러블 스마트 에어백에 관한 연구
A Study on a Wearable Smart Airbag Using Machine Learning Algorithm 원문보기

한국안전학회지 = Journal of the Korean Society of Safety, v.35 no.2, 2020년, pp.94 - 99

김현식 (부경대학교 기계설계공학과) , 백원철 (부경대학교 무기체계공학과) , 백운경 (부경대학교 기계설계공학과)

Abstract ▼ AI-Helper

Bikers can be subjected to injuries from unexpected accidents even if they wear basic helmets. A properly designed airbag can efficiently protect the critical areas of the human body. This study introduces a wearable smart airbag system using machine learning techniques to protect human neck and shoulders. When a bicycle accident happens, a microprocessor analyzes the biker's motion data to recognize if it is a critical accident by comparing with accident classification models. These models are trained by a variety of possible accidents through machine learning techniques, like k-means and SVM methods. When the microprocessor decides it is a critical accident, it issues an actuation signal for the gas inflater to inflate the airbag. A protype of the wearable smart airbag with the machine learning techniques is developed and its performance is tested using a human dummy mounted on a moving cart.

주제어

표/그림 (12)

그림 Fig. 1. System concept diagram of the wearable airbag system.
그림 Fig. 2. Connection diagram of wearable airbag module.
그림 Fig. 3. Section view of the gas inflator.
그림 Fig. 4. Accident decision classification algorithm using machine learning model.
그림 Fig. 5. Result of training data classification.
그림 Fig. 6. Confusion matrix of the accident classification model (Test data).
그림 Fig. 7. Result of test data classification using accident decision classification algorithm.
그림 Fig. 8. Position of the motion data acquisition module.
그림 Fig. 9. Data acquisition and airbag performance test setting.
그림 Fig. 10. Airbag performance test (Before and after collision).
그림 Fig. 11. Acceleration data (Performance test).
그림 Fig. 12. Gyro data (Performance test).

AI 본문요약
AI-Helper

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

문제 정의

따라서 본 연구에서는 에어백 작동의 신뢰성을 높이기 위하여 사고 상황과 비사고 상황에 대한 데이터가 학습된 머신러닝 모델을 사용하여 사고 판정을 할 수 있도록 하였다. 더미 시험에서 획득한 사고 상황에 대한 운동센서 데이터를 k-means와 SVM 알고리즘을 사용하여 사고 판정을 위한 기준을 확립하였으며, 이를 웨어러블 에어백의 시제품에 탑재하고 성능 시험을 실시하였다.
본 논문은 자전거 사고 시에 탑승자의 목과 어깨 부위를 보호하기 위한 스마트 에어백에 관한 연구이다. 본 연구에서 개발한 에어백 시스템은 운동 센서에서 측정된 착용자의 가속도 및 각속도 데이터를 활용하여 라즈베리파이 내부에 탑재된 사고 판정 알고리즘에서 사고 상황을 인지하게 되면 가스 인플레이터가 작동하면서 에어백이 팽창하는 방식으로 작동한다.
. 본 논문의 선행연구로서 자전거 탑승자를 위한 웨어러블 에어백의 시제품과 팽창 성능에 대한 연구를 진행하였다⁶⁾. 해당 연구에서는 인체 더미를 사용한 반복 시험을 통해 사고 상황을 판정하기 위한 센서 데이터를 측정하였다.
본 논문의 선행연구로서 자전거 탑승자를 위한 웨어러블 에어백의 시제품과 팽창 성능에 대한 연구를 진행하였다⁶⁾. 해당 연구에서는 인체 더미를 사용한 반복 시험을 통해 사고 상황을 판정하기 위한 센서 데이터를 측정하였다. 측정한 센서 데이터를 종합하여 에어백의 작동을 위한 센서 데이터의 임계값을 설정하고 실시간으로 측정되는 센서 데이터가 임계값 이상이 될 경우 에어백을 팽창시키도록 하는 작동 알고리즘을 구현하고 인체 더미에 이를 장착하여 성능시험을 진행하였다.

가설 설정

8을 기준으로 인체 더미가 정면을 바라보는 방향을 x축, 좌측방향을 y축, 지면과 반대방향을 z축이 되도록 설정하였다. 자전거가 달리는 도중 외부 장애물과 충돌하여 밖으로 튕겨져 나가는 상황을 가정하여 Fig. 9와 같이 시험 환경을 구성하였다. 데이터 측정 모듈의 장착이 완료된 인체 더미를 시험용 수레에 탑재하였으며 수레의 진행방향에 장애물을 설치하여 수레가 전진하는 도중 장애물과 충돌하여 그로 인해 인체 더미가 튕겨져 나갈 수 있도록 하였다.

제안 방법

따라서 본 연구에서는 에어백 작동의 신뢰성을 높이기 위하여 사고 상황과 비사고 상황에 대한 데이터가 학습된 머신러닝 모델을 사용하여 사고 판정을 할 수 있도록 하였다. 더미 시험에서 획득한 사고 상황에 대한 운동센서 데이터를 k-means와 SVM 알고리즘을 사용하여 사고 판정을 위한 기준을 확립하였으며, 이를 웨어러블 에어백의 시제품에 탑재하고 성능 시험을 실시하였다. 그 결과 임의의 사고 상황에 대하여 웨어러블 에어백이 이를 인지하고 성공적으로 작동하는 것을 확인하였다.
9와 같이 시험 환경을 구성하였다. 데이터 측정 모듈의 장착이 완료된 인체 더미를 시험용 수레에 탑재하였으며 수레의 진행방향에 장애물을 설치하여 수레가 전진하는 도중 장애물과 충돌하여 그로 인해 인체 더미가 튕겨져 나갈 수 있도록 하였다.
또한 성능 시험을 진행하면서 운동 센서에서 측정되 는 데이터를 저장할 수 있도록 하여 사고 상황에 대한 데이터를 지속적으로 확보할 수 있도록 하였으며, 사고 상황에 에어백이 정상적으로 작동하지 않은 경우, 해당 데이터를 사고 판정 모델에 추가학습에 활용할 수 있도록 하였다.
구현한 사고 판정 모델은 사고 상황에 대한 데이터를 알고리즘을 통해 컴퓨터가 스스로 분석하여 사고 상황 판정을 위한 기준이 되는 모델을 형성하기 때문에 기존의 연구에서 사고 상황을 판정하기 위해 임계값을 설정하는 절차를 간소화할 수 있다. 또한 임의의 사고 상황에서 사고 판정 모델이 사고 상황임을 인지하지 못하여 에어백이 팽창하지 않은 경우, 이 때 발생 한 데이터를 기존의 모델에 추가로 학습시킴으로써 기존의 분류 모델을 업데이트할 수 있도록 하였다. 따라서 사고 판정 알고리즘은 계속하여 보다 스마트해질 것으로 판단된다.
실험환경을 구성한 다음 인체더미가 충격을 받아 전방, 후방, 측면으로부터 튕겨져 나가는 순간에 대한 운동 센서 데이터를 수집하기 위한 반복적인 시험을 수행하였다. 반복 시험을 통해 획득한 가속도 및 각속도 데이터를 사용하여 3장에서 설명한 사고 판정 모델을 학습 및 검증, 평가하고 평가가 완료된 사고 판정 모델을 라즈베리파이에 탑재하여 에어백의 작동 성능 시험에 활용하였다.
본 연구에 서는 γ = 0.1, C = 100으로 설정한 가우시안 RBF 커널 함수를 SVM에 적용하여 형성된 초평면을 사고 판정 모델로 사용하였다.
본 논문은 자전거 사고 시에 탑승자의 목과 어깨 부위를 보호하기 위한 스마트 에어백에 관한 연구이다. 본 연구에서 개발한 에어백 시스템은 운동 센서에서 측정된 착용자의 가속도 및 각속도 데이터를 활용하여 라즈베리파이 내부에 탑재된 사고 판정 알고리즘에서 사고 상황을 인지하게 되면 가스 인플레이터가 작동하면서 에어백이 팽창하는 방식으로 작동한다.
본 연구에서 적용한 사고 판정 알고리즘은 주어진 데이터를 사용하여 사고 상황인지 아닌지를 분류하는 것이 주목적이기 때문에 식 (1)과 (2)를 사용하여 운동센서에서 감지하는 3축(x, y, z) 방향의 가속도 및 각 속도 데이터의 크기를 계산하고 이를 사고 판정 알고 리즘의 모델 학습을 위한 특징벡터로 사용하였다⁸⁾
따라서 찾으려고 하는 군집의 개수를 시행착오를 통해 변경하면서 최적의 k값을 찾아가는 과정을 수행해야 한다. 본 연구에서는 정확한 사고 판정을 위한 군집의 수를 시행착오에 의해 주어진 데이터를 k = 5 로 설정하여, 1개의 사고 상황에 대한 데이터 그룹과 4개의 비사고 상황에 대한 데이터 그룹으로 분류하였다.
사고 판정 모델이 탑재된 라즈베리파이가 포함된 에어백의 시제품에서 운동 센서의 위치를 사고 데이터 수집을 위한 반복 시험과 동일한 곳에 위치시키고 동일한 조건에서 성능 시험을 수행하였다. 수레가 전진하면서 장애물과 충돌하여 인체 더미가 수레 밖으로 튕겨나가는 상황에서 사고 판정 모델이 이를 인지하고 에어백의 인플레이터를 작동시키는 것을 확인하였다
실험환경을 구성한 다음 인체더미가 충격을 받아 전방, 후방, 측면으로부터 튕겨져 나가는 순간에 대한 운동 센서 데이터를 수집하기 위한 반복적인 시험을 수행하였다. 반복 시험을 통해 획득한 가속도 및 각속도 데이터를 사용하여 3장에서 설명한 사고 판정 모델을 학습 및 검증, 평가하고 평가가 완료된 사고 판정 모델을 라즈베리파이에 탑재하여 에어백의 작동 성능 시험에 활용하였다.
에어백 시스템의 사고 판정 기준의 신뢰성을 높이기 위하여 사고 상황을 가정한 반복 시험을 통해 사고 상황 및 비사고 상황에 대한 데이터를 확보하고 머신러닝 알고리즘 중 k-means와 SVM 알고리즘을 사용하여 사고 판정 모델을 구현하고 이를 사용하여 사고 판정 기준을 확립하였다. 사고 판정 모델을 라즈베리 파이에 탑재하여 작동 성능 시험을 진행하였으며 그 결과 사고 시 이를 인지하고 에어백이 작동하는 것을 확인하였다.
운동 센서의 값을 받아들이고 사고 판정을 위한 머신러닝 모델을 탑재하며 에어백 모듈의 인플레이터를 작동시키기 위하여 라즈베리파이를 사용하였다. 라즈베리파이는 MPU6050과 I2C 통신이 가능하고 제어신호 생성을 위한 GPIO 기능을 내장하고 있으며 Python 언어 기반 머신러닝 모델 구현이 가능한 리눅스 기반의 OS를 사용하는 마이크로프로세서이다.
에어백 시스템은 인체의 동작을 감지하는 센서, 사고 판정 알고리즘이 탑재된 마이크로프로세서, 에어백 모듈로 이루어져 있다. 착용자의 등에 부착된 운동 센서 (MPU6050)로부터 얻어진 데이터가 마이크로프로세서 (라즈베리 파이)로 전송되면 내장된 사고 판정 모델을 통해 사고 상황 여부를 판정한다. 사고 상황으로 판정할 경우 라즈베리 파이에서 가스 인플레이터를 작동하기 위한 신호를 발생시키게 되며 가스 인플레이터의 고압가스가 에어백으로 주입되면서 에어백이 팽창하게 된다.
해당 연구에서는 인체 더미를 사용한 반복 시험을 통해 사고 상황을 판정하기 위한 센서 데이터를 측정하였다. 측정한 센서 데이터를 종합하여 에어백의 작동을 위한 센서 데이터의 임계값을 설정하고 실시간으로 측정되는 센서 데이터가 임계값 이상이 될 경우 에어백을 팽창시키도록 하는 작동 알고리즘을 구현하고 인체 더미에 이를 장착하여 성능시험을 진행하였다. 그 결과 인체 더미를 사용한 시험에서 에어백이 성공적으로 팽창하는 것을 확인하였다.
5는 학습 및 검증용 데이터를 사용하여 구현된 사고 판정 모델이 학습용 데이터를 사고(accident) 데이터와 비사고 상황(OK) 데이터로 구분하는 초평면을 나타낸 것이다. 학습 및 검증용 데이터를 기반으로 형성된 사고 판정 모델의 성능 평가를 위하여 평가용 데이터를 예측하도록 하였으며 예측한 결과와 실제 결과를 비교하였다. Fig.

대상 데이터

3은 인플레이터의 단면 형상에 대한 CATIA 모델이다. 가스 인플레이터는 가스 실린더와, 모터, 편심캠, 밸브 등으로 구성되어 있다. 라즈베리 파이에 내장된 사고 판정 알고리즘이 사고 상황을 인지하고 인플레이터의 작동을 위한 신호를 발생시키면 인플레이터 내부의 모터가 작동하게 된다.
이를 위하여 전체 데이터의 60%를 학습용 데이터(training set)로 사용하였으며, 나머지 데이터 중 각각 20%를 검증용 데이터 (validation set)와 최종적으로 모델을 평가하기 위한 평가용 데이터(test set)로 분리하였다. 검증용 데이터는 학습용 데이터를 사용하여 형성된 모델의 검증을 위해 사용한다. 평가용 데이터는 모델의 학습 및 검증에 사용되지 않은 데이터이며, 학습 및 검증용 데이터를 사용하여 최종적으로 형성된 모델의 성능을 평가하기 위해 사용한다.
사용한 평가용 데이터는 8개의 사고 상황의 데이터와 비사고 상황에 대한 783개의 데이터로 구성되어있다. 형성된 사고 판정 모델은 평가용 데이터에 대하여 1개의 사고 상황에 대한 데이터를 비사고 상황으로 분류한 경우를 제외하고 각각의 데이터를 사고 상황 및 비사고 상황으로 예측하는 것을 확인하였다.
자전거 사고는 다양한 형태로 발생할 수 있으며 사고 상황에서 탑승자는 갑작스러운 속도 및 자세(기울기)의 변화를 겪게 된다. 이러한 탑승자의 속도 및 자세 변화를 감지하기 위하여 본 연구에서는 3축 방향의 병진가속도와 3축을 중심으로 하는 각속도를 감지하는 6축 운동 센서인 MPU6050을 사용하였다.
즉, 학습이 완료된 분류 알고리즘이 학습용 데이터에서 좋은 성능을 가지더라도 학습용 데이터 이외의 새로운 데이터에서 좋은 성능을 발휘하지 못하는 과대적합(over-fitting) 또는 과소적합 (under-fitting) 현상을 피해야 한다. 이를 위하여 전체 데이터의 60%를 학습용 데이터(training set)로 사용하였으며, 나머지 데이터 중 각각 20%를 검증용 데이터 (validation set)와 최종적으로 모델을 평가하기 위한 평가용 데이터(test set)로 분리하였다. 검증용 데이터는 학습용 데이터를 사용하여 형성된 모델의 검증을 위해 사용한다.
검증용 데이터는 학습용 데이터를 사용하여 형성된 모델의 검증을 위해 사용한다. 평가용 데이터는 모델의 학습 및 검증에 사용되지 않은 데이터이며, 학습 및 검증용 데이터를 사용하여 최종적으로 형성된 모델의 성능을 평가하기 위해 사용한다.

이론/모형

"본 연구에서는 특징 벡터 값의 범위를 조정하는 전처리 방법으로 각 특징 벡터의 식 (3)과 같이 평균(μ)과 표준편차(δ)를 사용하여 각 특징벡터에 대한 평균이 0이고 표준편차가 1이 되도록 조정하는 표준화(standardization) 방법을 사용하였다"
4. Accident decision classification algorithm using machine learning model.
7. Result of test data classification using accident decision classification algorithm.
따라서 사고 상황 및 비사고 상황에 대한 데이터의 분포를 통해 사고 상황 및 비사고 상황을 구분하기 위한 레이블(label)을 부여하기 위하여 정해진 군집 (cluster)의 수에 따라 주어진 데이터를 분류하는 군집화 알고리즘인 k-means 알고리즘을 사용하여 데이터에 사고 상황 및 비사고 상황에 대한 레이블을 부여하였다. 그리고 SVM 알고리즘을 사용하여 k-means 알고리즘을 통해 레이블이 부여된 데이터를 구분하기 위한 초평면을 찾고 이를 사고 판정 모델로써 사용하였다.
본 연구에서 측정된 센서 데이터는 특별하게 사고 상황과 비사고 상황에 대한 데이터로 분류되어있지 않다. 따라서 사고 상황 및 비사고 상황에 대한 데이터의 분포를 통해 사고 상황 및 비사고 상황을 구분하기 위한 레이블(label)을 부여하기 위하여 정해진 군집 (cluster)의 수에 따라 주어진 데이터를 분류하는 군집화 알고리즘인 k-means 알고리즘을 사용하여 데이터에 사고 상황 및 비사고 상황에 대한 레이블을 부여하였다. 그리고 SVM 알고리즘을 사용하여 k-means 알고리즘을 통해 레이블이 부여된 데이터를 구분하기 위한 초평면을 찾고 이를 사고 판정 모델로써 사용하였다.
본 연구에서 주어진 데이터 집단은 비선형 형태의 데이터이다. 따라서 식 (5)의 가우시안 RBF 커널 함수를 사용한 SVM 모델을 사용하였다¹⁰⁾.
운동 센서로부터 얻은 사고 상황에 대한 센서 데이터를 학습하고 주어진 데이터를 바탕으로 새로운 데이터에 대한 사고 판정 기준의 확립을 위하여 Fig. 4의 사고 판정 알고리즘을 적용하였다⁷⁾.
두 클래스 사이를 선형으로 구분할 수 있는 경우에는 선형 분류 SVM 모델을 사용하고 그렇지 않은 경우에는 데이터 집합에서 비선형 특성을 추가하여 주어진 데이터를 고차원에서 분류기를 학습시키는 방법인 커널 트릭(kernel trick)을 사용한 SVM 모델을 사용한다. 커널 트릭을 위해 사용되는 커널 함수는 다항식 커널, 가우시안 RBF 커널 함수 등을 사용한다. 본 연구에서 주어진 데이터 집단은 비선형 형태의 데이터이다.

성능/효과

측정한 센서 데이터를 종합하여 에어백의 작동을 위한 센서 데이터의 임계값을 설정하고 실시간으로 측정되는 센서 데이터가 임계값 이상이 될 경우 에어백을 팽창시키도록 하는 작동 알고리즘을 구현하고 인체 더미에 이를 장착하여 성능시험을 진행하였다. 그 결과 인체 더미를 사용한 시험에서 에어백이 성공적으로 팽창하는 것을 확인하였다. 그러나 자전거 사고 발생 시 탑승자는 다양한 형태로 지면 또는 주변 사물과 충돌할 수 있기 때문에 보다 정확한 사고 판정 기준이 필요하다.
더미 시험에서 획득한 사고 상황에 대한 운동센서 데이터를 k-means와 SVM 알고리즘을 사용하여 사고 판정을 위한 기준을 확립하였으며, 이를 웨어러블 에어백의 시제품에 탑재하고 성능 시험을 실시하였다. 그 결과 임의의 사고 상황에 대하여 웨어러블 에어백이 이를 인지하고 성공적으로 작동하는 것을 확인하였다.
에어백 시스템의 사고 판정 기준의 신뢰성을 높이기 위하여 사고 상황을 가정한 반복 시험을 통해 사고 상황 및 비사고 상황에 대한 데이터를 확보하고 머신러닝 알고리즘 중 k-means와 SVM 알고리즘을 사용하여 사고 판정 모델을 구현하고 이를 사용하여 사고 판정 기준을 확립하였다. 사고 판정 모델을 라즈베리 파이에 탑재하여 작동 성능 시험을 진행하였으며 그 결과 사고 시 이를 인지하고 에어백이 작동하는 것을 확인하였다.
사고 판정 모델을 탑재한 웨어러블 에어백의 시제품에 대하여 작동 성능 시험을 실시한 결과 Fig. 10과 같이 사고 판정 모델이 사고 상황에 대하여 이를 인지하고 인플레이터가 작동하여 에어백이 성공적으로 팽창하여 인체 더미를 보호하는 것을 확인하였다.
사고 판정 모델이 탑재된 라즈베리파이가 포함된 에어백의 시제품에서 운동 센서의 위치를 사고 데이터 수집을 위한 반복 시험과 동일한 곳에 위치시키고 동일한 조건에서 성능 시험을 수행하였다. 수레가 전진하면서 장애물과 충돌하여 인체 더미가 수레 밖으로 튕겨나가는 상황에서 사고 판정 모델이 이를 인지하고 에어백의 인플레이터를 작동시키는 것을 확인하였다
사용한 평가용 데이터는 8개의 사고 상황의 데이터와 비사고 상황에 대한 783개의 데이터로 구성되어있다. 형성된 사고 판정 모델은 평가용 데이터에 대하여 1개의 사고 상황에 대한 데이터를 비사고 상황으로 분류한 경우를 제외하고 각각의 데이터를 사고 상황 및 비사고 상황으로 예측하는 것을 확인하였다. 이 때 잘못 분류된 1개의 데이터는 형성된 사고 판정 모델의 초평면의 경계에 위치하고 있음을 Fig.

참고문헌 (10)

S. I. Lee, S. H. Kim and T. H. Kim, "A Comparison Study on the Risk and Accident Characteristics of Personal Mobility", J. Korean Soc. Saf., Vol. 32, No. 3. pp. 151-159, 2017.
B. G. Loh, "A Work-related Musculoskeletal Disorder Risk Assessment Platform using Smart Sensor", J. Korean Soc. Saf., Vol. 30, No. 3. pp. 93-99, 2015.

원문보기 상세보기
G. Shi, C. S. Chan, W. J. Li, K. S. Leung, Y. Zou and Y. Jin, "Mobile Human Airbag System for Fall Protection Using MEMS Sensors and Embedded SVM Classifier", IEEE Sensors Journal. Vol. 9, No. 5, pp. 495-503, 2009.

상세보기
Q. Zhang, H. Q. Li, Y. K. Ning, D. Liang and G. R. Zhao, "Design and Realization of a Wearable Hip-Airbag System for Fall Protection", Applied Mechanics and Materials, Vol. 461, pp. 667-674, 2013.

상세보기
T Tamura, T Yoshimura, M. Sekine, M. Uchida and O. Tanaka, "A Wearable Airbag to Prevent Fall Injuries", IEEE Transactions on Information Technology in Biomedicine, Vol. 13, No. 6, pp. 910-914, 2009.

상세보기
H. S. Kim, G. S. Byun amd W. K. Baek, "A Study on Inflation Performance Analysis and Test of A Wearable Airbag for Bikers", J. Korean Soc. Saf., Vol. 34, No. 2, pp. 22-27, 2019.
S. Y. Ma, S. P. Hong, H. M. Shim, J. W. Kwon and S. M. Lee, "A Study on Sitting Posture Recognition using Machine Learning", The Transactions of the Korean Institute of Electrical Engineers, Vol. 65, No. 9, pp. 1557-1563, 2016.

원문보기 상세보기
M. N. Nyan, E. H. Francis and E. Murugasu Tay, "A Wearable System for Pre-impact Fall Detection", In Journal of Biomechanics, Vol. 41, Issue 16, pp. 3475-3481, 2008.

상세보기
A. Geron, Hands-On Machine Learning with Scikit-Learn and TensorFlow, O'Reilly, pp. 201-224, 2017.
A. C. Muller and S. Guido, Introduction to Machine Learning with Python, O'Reilly, pp. 134-145, 2016.

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