[논문]랜덤포레스트 기법을 이용한 생체 신호 기반의 스트레스 평가 방법

임태균; 허정헌; 정규원; 김혜리

doi:10.14346/jkosos.2020.35.1.62

랜덤포레스트 기법을 이용한 생체 신호 기반의 스트레스 평가 방법
Stress Assesment based on Bio-Signals using Random Forest Algorithm 원문보기

한국안전학회지 = Journal of the Korean Society of Safety, v.35 no.1, 2020년, pp.62 - 69

임태균 (포항산업과학연구원 자율주행AGV연구단) , 허정헌 (포항산업과학연구원 엔지니어링솔루션연구그룹) , 정규원 (충북대학교 기계공학부) , 김혜리 (충북대학교 심리학과)

Abstract ▼ AI-Helper

Most people suffer from stress during day life because modernized society is very complex and changes fast. Because stress can affect to many kind of physiological phenomena it is even considered as a disease. Therefore, it should be detected earlier, then must be released. When a person is being stressed several bio-signals such as heart rate, etc. are changed. So, those can be detected using medical electronics techniques. In this paper, stress assessment system is studied using random forest algorithm based on heart rate, RR interval and Galvanic skin response. The random forest model was trained and tested using the data set obtained from the bio-signals. It is found that the stress assessment procedure developed in this paper is very useful.

주제어

표/그림 (12)

그림 Fig. 1. Stress evaluation system.
그림 Fig. 2. Overall process for stress evaluation experiments.
그림 Fig. 3. Stress cause and recovery experiment.
그림 Fig. 4. Measured bio-signals example from a test subject no. 10.
그림 Fig. 5. Spinogram for stress experiment data.
그림 Fig. 6. Feature examples for machine learning.
그림 Fig. 7. Spinogram of the training and test data set for random forest.
표 Table 1. Spinogram data of the training and test feature data for random forest
그림 Fig. 8. Histogram of the training and test data set for random forest.
표 Table 2. Data set importance for random forest training
그림 Fig. 9. Train error of the trained random forest model along the decision tree number.
그림 Fig. 10. Comparison of the predicted stress level with the actual stress level.

AI 본문요약
AI-Helper

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

문제 정의

따라서 본연구에서는 비교적 용이하게 측정이 가능한 심박수, 심박 간격 시간과 피부 전도도를 이용하여 스트레스를 검출하고자 하였다. 기존 연구자들이 스트레스를 받는 다양한 작업 상황에서 심박수, 피부 전도도, 심박수 변화 등 생체 신호를 측정하고 이들을 처리하여 스트레스를 검출하고자 하였다^4-6). 또한 최근에는 머신러닝기술이 개발되면서 스트레스의 유무 또는 스트레스 수준을 머신러닝 알고리즘을 적용하여 수치적으로 평가하려는 연구가 여러 연구팀에서 수행되었다^7,8).
따라서 스트레스를 받는 작업 현장에서 이러한 생체 신호를 수집하는 것은 현실적으로 어려움이 많다. 따라서 본연구에서는 비교적 용이하게 측정이 가능한 심박수, 심박 간격 시간과 피부 전도도를 이용하여 스트레스를 검출하고자 하였다. 기존 연구자들이 스트레스를 받는 다양한 작업 상황에서 심박수, 피부 전도도, 심박수 변화 등 생체 신호를 측정하고 이들을 처리하여 스트레스를 검출하고자 하였다^4-6).
Phase 5는 마지막 단계로서 앞의 Phase 3 및 Phase 4에서 받은 스트레스를 해소하여 회복하는 과정이다. 본 논문에서는 동영상을 시청하면서 스트레스를 해소하도록 하였다¹²⁾. Phase 2 단계 시작부터 실험참가자의 손목에 착용한 MS-Band 2로부터 BPM, RR Interval, GSR 데이터를 수집하며, 각 단계의 종료 시점에서 시각 아날로그 척도(Visual Analogue Scale: VAS) 형태의 주관적 스트레스, 불안,긴장, 회피 정도를 100분위 점수로 실험 참가자 스스로 기록하도록 하였다.
본 논문에서는 많은 사람들이 활용하고 있는 착용형 기기를 사용하여 얻은 생체 데이터들 즉 심박수, 심박간격 및 GSR과 스트레스 인가 실험에서 설문을 통해 얻은 자가진단 스트레스 수준 데이터를 기계학습 알고리즘으로 처리하여 스트레스를 평가하는 방법을 개발하였다.
또한 최근에는 머신러닝기술이 개발되면서 스트레스의 유무 또는 스트레스 수준을 머신러닝 알고리즘을 적용하여 수치적으로 평가하려는 연구가 여러 연구팀에서 수행되었다^7,8). 본 논문에서는 착용형 생체 신호 측정 장치를 사용하여 인체의 심박수, 심박 간격(R-R interval) 및 피부 전도도 신호를 검출하고, 이들을 대표할 수 있는 데이터 셋 값들을 찾고, 최신의 진보된 데이터 처리 방법을 사용하여 스트레스 예측의 성능을 향상시키고자 한다.

제안 방법

본 논문에서는 동영상을 시청하면서 스트레스를 해소하도록 하였다¹²⁾. Phase 2 단계 시작부터 실험참가자의 손목에 착용한 MS-Band 2로부터 BPM, RR Interval, GSR 데이터를 수집하며, 각 단계의 종료 시점에서 시각 아날로그 척도(Visual Analogue Scale: VAS) 형태의 주관적 스트레스, 불안,긴장, 회피 정도를 100분위 점수로 실험 참가자 스스로 기록하도록 하였다.
실험 준비 단계 (Phase 1) 이후 10분간의 휴식 단계(Phase 2)를 갖게 되는데, 이때가 실험 참가자들이 대부분 스트레스를 인지하는 수준이 가장 낮은 것으로 확인되었으며, 신체가 기저 상태에 있다고 간주할 수 있다. 그러므로 이 단계에서의 생체 신호들의 평균값과표준편차를 구하고 이를 이용하여, 실험의 회복단계까지 전 과정에서 수집된 신호들을 표준화하였다.
본 논문에서 랜덤 포레스트모델의 학습과 시험에는 빅데이터 처리에 많이 사용되는 R 언어로 작성된 랜덤 포레스트 패키지를 사용하였다¹⁹⁾. 랜덤 포레스트 모델은 분류 모델과 회귀 모델로 사용할 수 있는데, 본 연구에서는 정규화된 스트레스 수준을 얻기 위하여 회귀 모델로 사용하였으며, 앞 절에서 설명한 것과 같이 각각의 시간 창에서 구한 데이터 셋 값들과 정규화된 스트레스 수준을 적용하여 학습시켰다. 본 연구의 랜덤 포레스트 모델의 학습에 사용된 데이터 셋 값들은 전체 시간창의 75%인 11,226개 시간창에서 추출된 데이터 셋 값들이며, 스트레스 예측시험에 사용된 것들은 나머지 3,692개의 시간창에서 추출된 값들이다.
머신 러닝 방법으로 랜덤 포레스트 방법과 일반화선형모델을 사용하였으며 이동 시간 창 방법으로 변동이 큰 신호들을 처리하여 데이터 셋 값들을 추출하여 학습시키고 또한 이를 이용하여 스트레스 수준을 예측하였다. 랜덤포레스트 모델을 이용하여 각 생체신호의 최소값, 평균값, 최대값으로 9종의 데이터 셋 값들을 사용할 경우에 92% 이상의 피어슨 상관계수를 갖도록 우수한 예측이 가능하였으며, 계산시간과 계산에 필요한 자원을 감축할 수 있었다.
머신 러닝 알고리즘을 적용하기 위하여 수집된 데이터들을 정규화 또는 표준화하였다. Fig.
본 논문에 사용된 각각의 데이터는 앞의 Fig. 4에서보듯이 변동이 많기 때문에 이동평균법을 사용하여 데이터 셋 값들을 추출하였다¹³⁾. 시간 창 (Time Window)의 크기는 경험상 30초로 설정하여, 최소값, 1/4 분위값, 중간 값, 3/4 분위값, 최대값, 평균, 표준편차를 계산하여 데이터 셋 값으로 추출하였다.
7%이내로 됨을 볼 수 있으며, 앞에서 본 바와 같이 변동이 큰 생체 신호를 이용한 학습임에도 불구하고 우수한 결과를 보여줌을 알 수 있다. 스트레스 인지 모델의 검증을 위해 앞에서 언급한 것 같이 학습된 랜덤포레스트 모델에 예측 시험용 데이터를 적용하여 예측스트레스 수준 (predicted stress)을 구하였고, 이를 정규화된 실제 스트레스 수준 (Stress Level)과 비교하여 Fig. 10에 보였다. 이 Fig.
스트레스를 받는 상태의 생체신호를 측정하기 위하여 스트레스 촉발 및 스트레스 해소 실험을 하였다. 연구실에서 시행하는 스트레스 촉발 실험은 독일의 Tier 대학에서 개발된 방법으로 많은 연구에서 사용되는 TSST (Trier Social Stress Test) 및 TSST-G (TSST for Group) 과정을 따랐으며^9-11), 본 논문에서 진행한 전체적인 실험 과정은 다음 Fig.
실험 참가자 개인별로 신체의 특성이 상이하며, 실험 환경의 변화 (밤/낮, 온도/습도 등)에 따라 측정되는 생체 신호의 크기가 달라질 수 있으므로, 각 생체 신호의 기저점을 정하여 그것을 기준으로 상대적인 변화량을 계산하여 생체 데이터로 활용하였다. 또한 GSR 생체 신호의 경우 피부 전도도를 측정하는데, 피부에 전극이 접촉하는 정도에 따라서도 변동이 있을 수 있다.
앞에서 언급한 대로 다양한 생체 신호를 포착하여 활용할 수 있지만, 본 연구에서는 사용의 편의성을 고려하여 심박수, 심박 간격 시간 (R-R Interval), 피부 전도도를 사용하였다. 이들 신호들의 검출은 최근 정보통신 기술의 발달로 인하여 착용형 측정 장치가 개발되어 있고 블루투스 통신 방법을 사용하여 태블릿 또는 개인용 컴퓨터와 데이터 전송이 용이하다.

대상 데이터

시간 창 (Time Window)의 크기는 경험상 30초로 설정하여, 최소값, 1/4 분위값, 중간 값, 3/4 분위값, 최대값, 평균, 표준편차를 계산하여 데이터 셋 값으로 추출하였다. 따라서, 3 종류의 생체 신호 (BPM, GSR, RR Interval)에 대해서 총 21개의 데이터 셋 값을 추출하였다. 또한, 시간 창은 5초간격으로 이동하였다.
본 연구의 랜덤 포레스트 모델의 학습에 사용된 데이터 셋 값들은 전체 시간창의 75%인 11,226개 시간창에서 추출된 데이터 셋 값들이며, 스트레스 예측시험에 사용된 것들은 나머지 3,692개의 시간창에서 추출된 값들이다. 랜덤포레스트 경우 1에서는 21종의 데이터 셋 값들을 사용하였으며, 랜덤포레스트 경우 2에서는 계산에 필요한 시간을 단축하고, 자원을 절약하기위하여 앞에서 언급한 21종의 데이터 셋 값들 중에서 최소값, 평균값, 최대값들만 선택하여 9종의 데이터 셋값들을 사용하였다. 학습용 데이터와 예측 시험용 데이터들의 특성을 알아보기 위하여 랜덤포레스트 경우 2에 대하여 Table 1과 Fig.
본 논문에 참여한 실험 참가자는 총 78명 이었으며,그 중에서 데이터가 부정확한 경우를 제외하고 51명의 데이터를 사용하였다. 데이터가 부정확한 경우는 생체신호가 수집되지 않은 경우 또는 스트레스 촉발 단계에서 스트레스 변화가 없거나 또는 스트레스가 도리어 감소 된 것으로 인지한 경우 등이다.
본 논문에서 사용한 랜덤 포레스트 모델의 결정 트리의 수는 500개이며, 노드의 수는 무제한 조건으로 학습과정을 수행하였다. 각 노드에서 가지 분기 (split)에사용된 변수는 랜덤포레스트 경우 1에서는 데이터 셋값들이 21 종류이며 회귀모델이기 때문에 그의 1/3인 7개 즉 mtry=7이었으며, 학습 결과 노드의 수는 7433개가 되었다.
랜덤 포레스트 모델은 분류 모델과 회귀 모델로 사용할 수 있는데, 본 연구에서는 정규화된 스트레스 수준을 얻기 위하여 회귀 모델로 사용하였으며, 앞 절에서 설명한 것과 같이 각각의 시간 창에서 구한 데이터 셋 값들과 정규화된 스트레스 수준을 적용하여 학습시켰다. 본 연구의 랜덤 포레스트 모델의 학습에 사용된 데이터 셋 값들은 전체 시간창의 75%인 11,226개 시간창에서 추출된 데이터 셋 값들이며, 스트레스 예측시험에 사용된 것들은 나머지 3,692개의 시간창에서 추출된 값들이다. 랜덤포레스트 경우 1에서는 21종의 데이터 셋 값들을 사용하였으며, 랜덤포레스트 경우 2에서는 계산에 필요한 시간을 단축하고, 자원을 절약하기위하여 앞에서 언급한 21종의 데이터 셋 값들 중에서 최소값, 평균값, 최대값들만 선택하여 9종의 데이터 셋값들을 사용하였다.
본 연구의 실험은 연구자 소속 대학의 연구윤리심의위원회 (IRB) 허가를 사전에 받아서 수행하였으며¹²⁾, 실험 참가자는 교내 온라인 모집 공고를 통해 모집하였다. 참여 신청서에는 개인 정보와 함께 스트레스 반응척도(Stress Response Inventory-Modified Form: SFI-MF)와 상태 불안 척도(State-Trait Anxiety Inventory: STAI)를 작성하도록 하여 연구 참여를 희망하는 실험 참가자가 정신과적 증상을 보인다거나 현재 스트레스 수준이 높은 경우에는 연구 참여에서 제외하였다.

데이터처리

4에서보듯이 변동이 많기 때문에 이동평균법을 사용하여 데이터 셋 값들을 추출하였다¹³⁾. 시간 창 (Time Window)의 크기는 경험상 30초로 설정하여, 최소값, 1/4 분위값, 중간 값, 3/4 분위값, 최대값, 평균, 표준편차를 계산하여 데이터 셋 값으로 추출하였다. 따라서, 3 종류의 생체 신호 (BPM, GSR, RR Interval)에 대해서 총 21개의 데이터 셋 값을 추출하였다.
에서 보듯이 대각선을 따라서 많은 점들이 위치한 것을 알 수 있으며, 이는 학습된 랜덤 포레스트 모델이 실제 스트레스 레벨과 같은 수준을 주는 경우가 많다는 것으로 학습이 잘 되었으며,랜덤 포레스트 모델이 스트레스 예측에 유용함을 알수있다. 위의 관계를 다음 식으로 표현된 피어슨 상관계수 (Pearson correlation)로 구하였다.
데이터 처리는 R studio에서 제공하는 glm 함수를 사용하였다. 처리 결과는 이분화된 값들이기 때문에 다음 식과 같은 스피어만 상관계수(Spearman correlation)를 사용하여 비교하였다.

이론/모형

저수준 모델을 수천에서 수 만개 사용하여 그 결과를 종합 (aggregation)하여 예측하기 때문에 과적합 (overfitting)에 높은 저항성이 있는 모델로 알려져 있고 많은 예측 문제에서 높은 성능을 내고 있다^16-18). 본 논문에서 랜덤 포레스트모델의 학습과 시험에는 빅데이터 처리에 많이 사용되는 R 언어로 작성된 랜덤 포레스트 패키지를 사용하였다¹⁹⁾. 랜덤 포레스트 모델은 분류 모델과 회귀 모델로 사용할 수 있는데, 본 연구에서는 정규화된 스트레스 수준을 얻기 위하여 회귀 모델로 사용하였으며, 앞 절에서 설명한 것과 같이 각각의 시간 창에서 구한 데이터 셋 값들과 정규화된 스트레스 수준을 적용하여 학습시켰다.
스트레스를 단순히 스트레스의 있는지 또는 없는가로 분류하기 위하여 일반화선형모델 (generalized linearmodel)을 사용하여 데이터 셋을 처리하였다.
실험참가자가 응답한 주관적 스트레스와 생체 신호간의 관계를 분석하여 스트레스를 인지하기 위한 머신러닝 알고리즘으로 랜덤 포레스트 모델을 적용하였다. 랜덤 포레스트 모델은 학습 데이터의 임의 표본화(random sampling)를 이용하여 여러 개의 저수준의 학습 모델인 결정 트리를 학습시킨 후 임의의 입력 데이터에 대한 결과를 예측하는 모델이다^14,15).
스트레스를 받는 상태의 생체신호를 측정하기 위하여 스트레스 촉발 및 스트레스 해소 실험을 하였다. 연구실에서 시행하는 스트레스 촉발 실험은 독일의 Tier 대학에서 개발된 방법으로 많은 연구에서 사용되는 TSST (Trier Social Stress Test) 및 TSST-G (TSST for Group) 과정을 따랐으며^9-11), 본 논문에서 진행한 전체적인 실험 과정은 다음 Fig. 2와 같다. Phase 1 단계에서는 실험 동의서 작성, 기기 착용 및 성별, 연령, 나이 등 인적사항을 입력하였다.

성능/효과

9에 보였다. 44번 결정 트리의 오차가 3% 이하이며, 185번 이상인 결정 트리의 오차는 약2.7%이내로 됨을 볼 수 있으며, 앞에서 본 바와 같이 변동이 큰 생체 신호를 이용한 학습임에도 불구하고 우수한 결과를 보여줌을 알 수 있다. 스트레스 인지 모델의 검증을 위해 앞에서 언급한 것 같이 학습된 랜덤포레스트 모델에 예측 시험용 데이터를 적용하여 예측스트레스 수준 (predicted stress)을 구하였고, 이를 정규화된 실제 스트레스 수준 (Stress Level)과 비교하여 Fig.
6에 보였다. 각각의 시간 창 구간에서 심박수와 심박간격시간의 평균값과 최소값을 보였는데, 급격한 데이터의 변동이 평균화 되어 그 추세를 잘 알아 볼 수 있게 되었다.
계산 결과 21종 데이터 셋 값들을 사용한 경우에는 피어슨 상관계수는 0.455, 스피어만 상관계수는 0.357이고, 9종의 데이터 셋 값들을 사용한 경우에는 피어슨 상관계수는 0.450, 스피어만 상관계수는 0.358 이었다.
또한 일반화 선형 모델을 사용하여 스트레스 유무를 분류한 경우에는 피어슨 상관계수는 약 45%, 스피어만 상관계수는 약 35%로서 랜덤포레스트 방법을 사용한 경우보다 예측 성능이 부족하였다.
머신 러닝 방법으로 랜덤 포레스트 방법과 일반화선형모델을 사용하였으며 이동 시간 창 방법으로 변동이 큰 신호들을 처리하여 데이터 셋 값들을 추출하여 학습시키고 또한 이를 이용하여 스트레스 수준을 예측하였다. 랜덤포레스트 모델을 이용하여 각 생체신호의 최소값, 평균값, 최대값으로 9종의 데이터 셋 값들을 사용할 경우에 92% 이상의 피어슨 상관계수를 갖도록 우수한 예측이 가능하였으며, 계산시간과 계산에 필요한 자원을 감축할 수 있었다.
실험 준비 단계 (Phase 1) 이후 10분간의 휴식 단계(Phase 2)를 갖게 되는데, 이때가 실험 참가자들이 대부분 스트레스를 인지하는 수준이 가장 낮은 것으로 확인되었으며, 신체가 기저 상태에 있다고 간주할 수 있다. 그러므로 이 단계에서의 생체 신호들의 평균값과표준편차를 구하고 이를 이용하여, 실험의 회복단계까지 전 과정에서 수집된 신호들을 표준화하였다.
또한 Task A 보다 상대적으로 더 어려운 Task B 단계에서 스트레스 수준이 높은 사람이 더 많았다. 실험이 끝나고 회복 단계에서 스트레스 수준이 높은 사람이 적게 나타났으며, 기존의 TSST-G 프로토콜 보다 회복 시간을 단축 시켰음에도 불구하고 이완 자극을 이용하여 스트레스 이완 과정이 잘 진행되었음을 알 수 있다. 이와 같이 스트레스 촉발과 이완과정에서 스트레스 변화가 잘 나타나므로 생체신호를 기반으로 하여 스트레스를 평가하는 알고리즘을 개발하는데 있어서 적합한 데이터가 수집되었음이 확인되었다.
실험이 끝나고 회복 단계에서 스트레스 수준이 높은 사람이 적게 나타났으며, 기존의 TSST-G 프로토콜 보다 회복 시간을 단축 시켰음에도 불구하고 이완 자극을 이용하여 스트레스 이완 과정이 잘 진행되었음을 알 수 있다. 이와 같이 스트레스 촉발과 이완과정에서 스트레스 변화가 잘 나타나므로 생체신호를 기반으로 하여 스트레스를 평가하는 알고리즘을 개발하는데 있어서 적합한 데이터가 수집되었음이 확인되었다.

질의응답

핵심어	질문	논문에서 추출한 답변
	스트레스는 무엇인가?	자연재해를 극복하기 위하여 또는 복잡해진 현대 사회생활에서 누구나 스트레스를 경험할 수 있고 적당한 스트레스는 일상 생활에 활력을 주는 에너지원으로도 작용할 수 있지만 지나칠 경우에는 일상에 부정적인 영향을 미친다. 스트레스는 심리학적으로 인간이 심리적 또는 신체적으로 감당하기 어려운 상황에 처했을 때 느끼는 불안과 위협의 복합적인 감정이다. 스트레스가 높을수록 불안과 우울과 신체 증상 장애 등과 같은 정신과적 질병을 경험할 가능성이 높아지며 두통과 불면과 위장 장애 등 다양한 신체화 반응이 나타나고,심각할 경우 암을 일으키는 원인이 될 수 있다.
	스트레스를 해소할 수 있는 방법은?	스트레스가 높을수록 불안과 우울과 신체 증상 장애 등과 같은 정신과적 질병을 경험할 가능성이 높아지며 두통과 불면과 위장 장애 등 다양한 신체화 반응이 나타나고,심각할 경우 암을 일으키는 원인이 될 수 있다. 따라서, 운동 요법, 미술 치료, 상담 치료 등 다양한 방법을 통하여 스트레스를 해소하도록 한다. 그러나 개인이 자기 자신이 얼마나 스트레스를 받았는지 자각하지 못할 경우도 많이 있으며, 자각 증상이 나타났을 경우에는 이미 늦어 치유하는데 오랜 시간이 걸릴 수 있다.
	스트레스를 받는 작업 현장에서 생체 신호를 수집하는 것이 어려운 이유는?	이에 사용되는 생체 신호는 뇌전도 (EEG) 심전도(ECG, EKG), 근전도 (EMG), 산소포화도 (SPO2,), 피부 전도도 (GSR), 피부 온도 (SKT), 심박수 (heart rate),혈압, 호흡 (respiration), 혈류 속도, 혈류량, 산도 (pH) 등 다양하다. 이와 같은 여러가지 생체신호들 중에서는 측정을 위하여 신체의 심장 가까이 또는 근육 부위에 여러 개의 전극을 부착하고 이를 전선을 사용하여 연결하여 컴퓨터 시스템을 이용하여 신호를 받아야하는 것들이 있으며, 혈압, 호흡량, 혈류량 등은 측정을 위하여 복잡한 장치를 부착하고 이들 장치로부터 받은 신호를 이용하여 복잡한 계산을 하여야 한다. 따라서 스트레스를 받는 작업 현장에서 이러한 생체 신호를 수집하는 것은 현실적으로 어려움이 많다.

참고문헌 (19)

J. A. Russell, "A Circumplex Model of Affect", Journal of Personality and Social Psychology, Vol. 29, No. 6, pp. 1161-1178, 1980.
J. Bakker, M. Pechenizkiy and N. Sidorova, "What's Your Current Stress Level? Detection of Stress Patterns from GSR Sensor Data", 11th IEEE Int. Conf. on Data Mining Workshops, pp. 573-580, 2011.
AMIX, "Monitoring of Arduino-based PPG and GSR Signals through an Android Device", IEEE Engineering in Medicine and Biology Society, Int. Student Conf. Design Competition, pp. 1-13, 2016.
J. A. Healey and R. W. Picard, "Detecting Stress During Real-World Driving Tasks using Physiological Sensors", IEEE Trans. on Intelligent Transportation Systems, Vol. 6, No. 2, pp. 156-166, 2005.

상세보기
S. Sriramprakash, V. D. Prasanna and O. V. R. Murthy, "Stress Detection in Working People", Procedia Computer Science, Vol. 115, pp. 359-366, 2017.

상세보기
E. Garcia-Ceja, V. Osmani and O. Mayora, "Automatic Stress Detection in Working Environments From Smartphones' Accelerometer Data: A First Step", IEEE J. Biomed Health Inform, Vol. 20, No. 4, pp. 1053-1060, 2015.
V. J. Madhuri, M. R. Mohan and R. Kaavya, "Stress Management Using Artificial Intelligence", Int. Conf. on Advances in Computing and Communications, pp. 54-57, 2013.
S. R. Lee, K. Y. Park and C. Y. Lee, "Intelligent Driver Assistance Systems using Biosignal", Journal of ICROS, Vol. 13, No. 12, pp. 1186-1191, 2007.
C. Kirschbaum, K. M. Pirke and D. H. Hellhammer, "The 'Trier Social Stress Test'-A Tool for Investigating Psychobiological Stress Responses in a Laboratory Setting", Neuropsychobiology, Vol. 28, No.1-2, pp. 76-81, 1993.

상세보기
M. A, Birkett, "The Trier Social Stress Test Protocol for Inducing Psychological Stress", J. Vis. Exp., No. 56, e3238, 2011.
B. von Dawans, C. Kirschbaum and M. Heinrichs, "The Trier Social Stress Test for Groups (TSST-G): A New Research Tool for Controlled Simultaneous Social Stress Exposure in a Group Format", Psychoneuroendocrinology, Vol. 36, pp. 514-522, 2011.

상세보기
S. W. Park, H. R. Ghim and H. J. Lee, "The Effect of Movies on Stress Relaxation", 36th Int. Conf. on Psychology and the Arts, Sigmund Freud University, Vienna, June 26-30, 2019.
M. Hauptmann, J. H. Lubin, P. Rosenberg, J. Wellmann and L. Kreienbrock, "The use of Sliding Time Windows for the Exploratory Analysis of Temporal Effects of Smoking Histories on Lung Cancer Risk", Statistics in Medicine, Vol. 19, pp. 2185-2194, 2000.

상세보기
L. Breiman, "Random Forests", Machine Learning, Vol. 45, pp. 5-32, 2001.
A. Liaw and M. Wiener, "Classification and Regression by Random Forest", R News, Vol. 2/3, pp. 18-22, 2002.
Y. U. Jo and D. C. Oh, "Study on the EMG-based Grasp Gesture Classification using Deep Learning and Application to Active Prosthetics", J. of Institute of Control, Robotics and Systems (in Korean), Vol. 25, No. 3, pp. 229-234, 2019.

상세보기
J. H. Choi, G. Y. Song and J. W. Lee, "Road Extraction Based on Random Forest and Color Correlogram", J. of Institute of Control, Robotics and Systems (in Korean), Vol. 17, No. 4, pp. 346-352, 2011.

원문보기 상세보기
S. M. Kim, T. H. Kim and D. H. Kim, "Autonomous Driving through Non-uniform Steering Angles Nodes Determination by Deep Learning", J. of Institute of Control, Robotics and Systems (in Korean), Vol. 25, No. 8, pp. 677-683, 2019.

상세보기
A. Liaw and M. Wiener, Breiman and Cutler's Random Forests for Classification and Regression, 2018(https://cran.r-project.org/web/packages/randomForest/randomForest.pdf).

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