[논문]CNN기반의 학습모델을 활용한 거북목 증후군 자세 교정 시스템

한지예; 박진호

doi:10.5392/jkca.2020.20.07.047

CNN기반의 학습모델을 활용한 거북목 증후군 자세 교정 시스템
Turtle Neck Syndrome Posture Correction Service Using CNN-based Learning Model 원문보기

한국콘텐츠학회논문지 = The Journal of the Korea Contents Association, v.20 no.7, 2020년, pp.47 - 55

한지예 (숭실대학교 IT대학 글로벌미디어학부) , 박진호 (숭실대학교 IT대학 글로벌미디어학부)

초록
AI-Helper

스마트 기기 사용의 증가와 함께 현대인들의 거북목 증후군 발병률이 증가했다. 거북목 증후군은 목의 앞 근육이 길어지고, 위쪽 근육이 짧아져 몸통에 비해 머리가 앞으로 나와 있는 자세이며, 수술이나 약물치료보다 평소의 자세 습관을 고치는 방법이 효과적이다. 따라서 본 논문에서는 실시간으로 거북목 증후군을 유발할 수 있는 자세를 감지하고 경고하는 시스템을 제안한다. 올바른 자세와 거북목 자세의 이미지 데이터들을 수집하여 합성곱 신경망기반의 학습모델을 만든다. 웹캠만을 이용하여 카메라에 들어오는 앉은 자세를 학습모델로 실시간 검증하고, 거북목 자세일 경우 경고음을 발생하여 바른 자세를 앉도록 유도한다. 이 시스템은 평소 자세 습관을 교정하도록 유도하여 거북목증후군을 치료하고 목 디스크와 같은 더 심각한 질병을 예방할 수 있다.

Abstract ▼ AI-Helper

Along with the increased use of smart devices, the incidence of turtle neck syndrome among modern people has increased. Turtle neck syndrome is a posture in which the head is forward compared to the torso due to longer front muscles in the neck and shorter upper muscles, and it is more effective to fix the usual posture habits than surgery or medication. Thus, in this paper, a system is proposed to detect and warn posture that can cause turtle neck syndrome in real time. Image data of correct posture and turtle neck posture are collected to create a CNN-based learning model. Using only the webcam(Built-in camera), the sitting position that enters the camera is verified in real time through the learning model, and if it is a turtle neck position, it generates a warning sound and induces the correct posture. The system can induce people to correct their usual posture habits to treat turtle neck syndrome and prevent more serious diseases such as neck discs.

주제어

표/그림 (11)

그림 그림 1. 전방머리자세각도가 50°미만인 거북목 자세
그림 그림 2. 전체 시스템 구성 요약
그림 그림 3. Data Augmentation 예시
그림 그림 4. 평가데이터의 샘플들을 무작위로 확인 (0:True,1:False)
그림 그림 5. 합성곱 신경망(CNN) 구성
그림 그림 6. 평가데이터 중 틀린 데이터 확인
그림 그림 7. 실험결과 그래프
그림 그림 8. 웹캠에서 보이는 올바른 자세일 때, True (= 허리와 어깨를 펴고 고개를 꼿꼿이 세운자세)
그림 그림 9. 웹캠에서 보이는 거북목 자세일 때, False (= 목을 빼 화면을 가까이보거나 어깨에 힘이 들어간 자세)
표 표 1. 사용자테스트 설문조사표
그림 그림 10. 올바른 자세이지만 거북목자세로 판단한 화면 예시 (predict = 80.490)

AI 본문요약
AI-Helper

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

문제 정의

본 논문에서는 현대인들의 고질병인 거북목 증후군의 예방을 위한 자세 교정 서비스를 제안하고자 한다. 거북목 증후군은 자가 진단테스트나 앉은 자세만으로도 쉽게 판별할 수 있기 때문에 내장카메라를 이용하여 거북목 증후군의 원인인 장시간 올바르지 않은 자세가 습관화되는 것을 방지하고자 한다. 즉, 스마트 기기의 대표로 랩탑(이하 노트북)에 내장된 카메라를 통해서 실시간으로 사용자의 이미지를 받아오며, 해당 이미지를 합성곱 신경망(CNN, Convolutional Neural Network)을 기반으로 학습시킨 모델을 만든다.
따라서 본 논문에서는 다른 장치를 추가적으로 설치하거나 인체에 센서를 부착하는 방식이 아닌, 노트북의 내장된 카메라만을 이용하여 실시간으로 거북목 증후군 자세를 검출하는 시스템을 제안한다.
따라서 본 논문은 [그림 2]와 같이 올바른 자세와 거북목 증후군의 자세에 대한 이미지를 합성곱 신경망을 기반으로 한 모델을 통해 실시간으로 자세를 검출하고 경고해주는 시스템을 목표로 한다. 특히 다른 부가적인 장치 없이 노트북에 내장된 카메라를 통해 사용가능한 시스템 제공을 목표로 한다.
향후 연구에서 거북목 증후군을 유발할 수 있는 자세들을 세분화하여 검출된 자세마다 자세교정을 지적하여 경고해주는 시스템을 만들 예정이다. 또한, 본 논문에서는 거북목자세를 노트북 환경에서만 검출하는 시스템을 제안했다. 정보산업이 발전하면서 노트북 이외의 스마트폰, 태블릿PC등의 활용성도 증가하고 있기 때문에 다른 스마트 기기에 대한 시스템 확장도 고려하고 있다.
본 논문에서는 거북목 증후군은 수술이나 약물적인 치료보다 평소의 자세습관을 고치는 것이 큰 도움이 되기 때문에 컴퓨터를 사용할 때 쉽게 자세를 검출할 방안을 고안했다.
이에 따라 잘못된 습관을 교정하기 위한 연구와 치료방법이 다수 진행되고 있다. 본 논문에서는 현대인들의 고질병인 거북목 증후군의 예방을 위한 자세 교정 서비스를 제안하고자 한다. 거북목 증후군은 자가 진단테스트나 앉은 자세만으로도 쉽게 판별할 수 있기 때문에 내장카메라를 이용하여 거북목 증후군의 원인인 장시간 올바르지 않은 자세가 습관화되는 것을 방지하고자 한다.
따라서 본 논문은 [그림 2]와 같이 올바른 자세와 거북목 증후군의 자세에 대한 이미지를 합성곱 신경망을 기반으로 한 모델을 통해 실시간으로 자세를 검출하고 경고해주는 시스템을 목표로 한다. 특히 다른 부가적인 장치 없이 노트북에 내장된 카메라를 통해 사용가능한 시스템 제공을 목표로 한다.

제안 방법

여기서 Convolution 계층은 필터를 통해 입력데이터로부터의 특징을 추출하는 역할을 담당하고, Max-pooling 계층은 추출된 특징들의 서브 샘플링 과정을 통해 사이즈를 줄이는 역할을 수행한다. 각각의 Convolution 계층에서 Max-pooling 계층으로 이동할 때는 활성화 함수로 ReLU(Rectified Linear Unit)를 사용하여 기울기 값이 사라지는 문제가 나타나지 않도록 보장해 주었고, Over-fitting문제를 해결하기 위해 Dropout을 통해 50%의 node만 사용했다. 이 계층을 지난 후에 feature는 Softmax를 이용하여 올바른 자세인지 거북목 자세인지 2가지 label 중 판별하는 확률(predict)을 추정했다.
거북목 증후군을 예방하고 치료하기 위해 대표적인 딥러닝 기법 중 합성곱 신경망을 기반으로 한 이미지 학습 모델을 통해 컴퓨터에 내장된 카메라만을 이용함으로써, 실시간으로 거북목 증후군 자세를 검출하여 경고해주는 시스템을 제안하였다. 사용자가 추가적인 장치나 센서를 준비하지 않아도 실시간으로 자신의 자세를 확인하여 거북목 증후군을 예방할 수 있으므로 그 실용성은 매우 크다.
즉, 스마트 기기의 대표로 랩탑(이하 노트북)에 내장된 카메라를 통해서 실시간으로 사용자의 이미지를 받아오며, 해당 이미지를 합성곱 신경망(CNN, Convolutional Neural Network)을 기반으로 학습시킨 모델을 만든다. 그 모델을 통해 실시간으로 거북목 자세를 판별한 후, 바르지 않은 자세를 하고 있는 경우에 경고 알림 서비스를 통해 바른 자세를 유도하도록 하는 시스템을 제안한다. 거북목 자세일 경우에는 사용자에게 경고를 주면서 앉은 자세에 대한 경각심을 일깨울 수 있다.
노트북 카메라에서 실시간으로 들어오는 이미지를 openCV를 이용하여 약 0.03초마다 한 프레임씩 CNN기반 학습모델에 적용시킨다. 카메라로 들어오는 이미지의 크기를 학습시킨 모델의 입력데이터에 맞게(이미지데이터 수, 세로240, 가로320, 채널1) 크기]로 reshape를 한 다음, predict 값에 따라 자세를 판별한다.
데이터 학습에 필요한 자세 이미지 수집을 할 때, 인터넷 상에서 이미지나 동영상들을 수집하는 것은 저작권 문제나 모델학습에 어려움이 있을 수 있다. 따라서 본 연구에서는 직접 20대 남자 1명과 여자 1명을 대상으로 다양한 배경에서 이미지와 동영상을 촬영하고, 이 데이터를 기초로 합성곱 신경망기반의 학습 모델을 만들었다. 이 모델을 위해 필요한 데이터는 노트북에 내장된 카메라와 processing[23]을 이용하여 0.
5초마다 카메라에 들어오는 이미지를 320*240(가로*세로) 크기로 촬영했다. 앉은 자세에서 노트북을 사용하고 있는 모습을 촬영했으며, 올바른 자세는 True, 거북목 자세는 False로 분류했다. 이때 거북목 자세는 전방머리자 세각도가 50도 미만이 되는 모습과 어깨가 올라가 목이 잘 보이지 않는 경우, 화면에서 얼굴이 벗어난 경우를 촬영했다.
각각의 Convolution 계층에서 Max-pooling 계층으로 이동할 때는 활성화 함수로 ReLU(Rectified Linear Unit)를 사용하여 기울기 값이 사라지는 문제가 나타나지 않도록 보장해 주었고, Over-fitting문제를 해결하기 위해 Dropout을 통해 50%의 node만 사용했다. 이 계층을 지난 후에 feature는 Softmax를 이용하여 올바른 자세인지 거북목 자세인지 2가지 label 중 판별하는 확률(predict)을 추정했다.
하지만 모델을 학습을 시키기 위해서는 이미지 데이터의 수가 부족했고, 모델의 정확도 또한 50% 이하로 나타났다. 이 점을 보안하기 위해 [그림 3]과 같은 Data Augmentation을 사용하여 이미지데이터를 좌,우 이동, 반전, 밝기를 조절하여 1장의 이미지를 원본을 포함하여 총 5장으로 확장했다. 또한, 최대한 다양한 환경에서 촬영을 위해 안경, 목도리, 마스크 등의 변수들도 추가하였으며 최종적으로 2050개의 학습 데이터와 480개의 평가 데이터를 구성했다.
거북목 증후군은 자가 진단테스트나 앉은 자세만으로도 쉽게 판별할 수 있기 때문에 내장카메라를 이용하여 거북목 증후군의 원인인 장시간 올바르지 않은 자세가 습관화되는 것을 방지하고자 한다. 즉, 스마트 기기의 대표로 랩탑(이하 노트북)에 내장된 카메라를 통해서 실시간으로 사용자의 이미지를 받아오며, 해당 이미지를 합성곱 신경망(CNN, Convolutional Neural Network)을 기반으로 학습시킨 모델을 만든다. 그 모델을 통해 실시간으로 거북목 자세를 판별한 후, 바르지 않은 자세를 하고 있는 경우에 경고 알림 서비스를 통해 바른 자세를 유도하도록 하는 시스템을 제안한다.
03초마다 한 프레임씩 CNN기반 학습모델에 적용시킨다. 카메라로 들어오는 이미지의 크기를 학습시킨 모델의 입력데이터에 맞게(이미지데이터 수, 세로240, 가로320, 채널1) 크기]로 reshape를 한 다음, predict 값에 따라 자세를 판별한다. 만약 들어온 이미지가 거북목 자세(False)일 경우, 학습된 모델과 일치하는 정도와 비율을 텍스트로 나타나고, 너무 짧은 시간동안 경고음을 발생하면 인지할 시간이 부족하기 때문에 약 0.
본 논문에서 사용하는 합성곱 신경망은 딥러닝 알고리즘으로, 이미지 데이터의 특징을 추출하여 자세를 판별할 수 있다[18]. 합성곱신경망은 기존에 사용된 신경망이던 Affine 계층의 문제점을 보완했다. Affine 계층은 1차원 데이터만을 입력받기 때문에 3차원 데이터를 1차원으로 변환하여 입력해야 한다.

대상 데이터

특히 자세 습관을 기르는 성장기의 청소년이나 노트북이나 스마트 기기를 많이 사용하는 대학생, 직장인과 같은 사람들에게 효과적으로 사용될 수 있다. 그러나 본 논문에서는 거북목 증후군을 유발할 수 있는 자세와 올바른 자세, 2가지로만 학습데이터를 구성했다. 향후 연구에서 거북목 증후군을 유발할 수 있는 자세들을 세분화하여 검출된 자세마다 자세교정을 지적하여 경고해주는 시스템을 만들 예정이다.
이 점을 보안하기 위해 [그림 3]과 같은 Data Augmentation을 사용하여 이미지데이터를 좌,우 이동, 반전, 밝기를 조절하여 1장의 이미지를 원본을 포함하여 총 5장으로 확장했다. 또한, 최대한 다양한 환경에서 촬영을 위해 안경, 목도리, 마스크 등의 변수들도 추가하였으며 최종적으로 2050개의 학습 데이터와 480개의 평가 데이터를 구성했다. 또한, [그림 4]처럼 평가 데이터의 레이블이 잘 적용이 되었는지 데이터 중 무작위로 뽑아 확인하는 작업도 거쳤다.
시스템 구현 환경으로는 Windows에서 클라우드 서비스인 Google Colaboratory과 웹 애플리케이션 서비스인 Jupyter notebook을 사용하였으며, 언어는 python를 사용하였다. Library로는 OpenCV와 tensorflow를 사용하였다.
Tensorflow는 머신러닝 모델을 개발하고 학습시키는 데 도움이 되는 핵심 오픈소스 라이브러리이다[22]. 영상장치는 노트북에 내장된 카메라를 이용하였다.
따라서 본 연구에서는 직접 20대 남자 1명과 여자 1명을 대상으로 다양한 배경에서 이미지와 동영상을 촬영하고, 이 데이터를 기초로 합성곱 신경망기반의 학습 모델을 만들었다. 이 모델을 위해 필요한 데이터는 노트북에 내장된 카메라와 processing[23]을 이용하여 0.5초마다 카메라에 들어오는 이미지를 320*240(가로*세로) 크기로 촬영했다. 앉은 자세에서 노트북을 사용하고 있는 모습을 촬영했으며, 올바른 자세는 True, 거북목 자세는 False로 분류했다.

이론/모형

특히 기계학습 분야 중 딥러닝(DeepLearning)은 기술발전을 이끄는 중요한 기술이 되었다[17]. 본 논문에서 사용하는 합성곱 신경망은 딥러닝 알고리즘으로, 이미지 데이터의 특징을 추출하여 자세를 판별할 수 있다[18]. 합성곱신경망은 기존에 사용된 신경망이던 Affine 계층의 문제점을 보완했다.

성능/효과

건강보험심사평가원의 보도 자료에 따르면 스마트폰 및 인터넷 과의존 위험군의 비율이 증가함에 따라 거북목 증후군의 진료인원이 증가했다. 또한, 2015년 거북목 증후군의 진료인원 중 10~30대의 비율이 61%로 많이 차지하고 전년도 보다 증가추세를 보였다. 따라서 젊은 층의 진료인원이 증가하고 있는 것은 스마트 기기의 사용이 크게 연관된다고 할 수 있다[4].
모델의 성능을 확인해 보니 평균적으로 약 120초의 학습시간과 92.56%의 accuracy가 측정되었다. 하나의 이미지를 추론하는 시간은 약 0.
시스템에 대한 추가적인 의견으로는 경고음과 함께 캐릭터가 등장해 자세를 고치라고 하는 인터랙티브한 요소가 있거나, 다른 기기에서 사용할 수 있도록 앱(App)으로 나오길 바라는 의견도 있었다. 실험자들은 본 연구의 시스템을 사용하면서 다른 장치 설치 없이 사용할 수 있어서 편했으며, 거북목 자세를 계속 바른 자세로 고치다 보니 어깨통증이 거의 느껴지지 않았다고 평가했다.

후속연구

하지만 스마트폰이나 태블릿PC는 정적인 자세에서 사용하는 것이 아닌, 이동 중에도 사용할 수 있기 때문에 카메라에 들어오는 이미지가 노트북에서 사용하던 데이터들과 달라 추가적인 이미지 데이터베이스 구축이 필요하다. 따라서 각각 스마트기기에 따른 다양한 연령과 성별을 대상으로 이미지 데이터를 구축하고 모델의 신뢰성을 향상시켜 올바른 자세습관을 갖게 하는 치료방향을 제시할 수 있을 것이라고 기대한다.
거북목 자세일 경우에는 사용자에게 경고를 주면서 앉은 자세에 대한 경각심을 일깨울 수 있다. 또한, 매년 증가하고 있는 거북목 증후군의 발병률을 줄이는데 기여할 수 있고, 목 디스크와 같은 추가적인 질환의 발병도 예방할 수 있다.
따라서 많은 사람들의 앉은 자세 이미지에 대한 database를 구축할 것이다. 또한, 사용자가 이 시스템을 시작할 때 카메라에서 보이는 자세를 조정 후, 얼굴인식 기술을 이용하여 사용자의 위치가 정확할 때 이미지를 수집하여 학습하도록 모델을 보완할 것이다[24]. 노트북 이외의 다른 스마트기기에서 사용할 수 있도록 웹 또는 모바일 서비스를 고안할 것이다[25].
평가 데이터 이미지 중에서 검증이 틀린 데이터들을 확인하고자 [그림 6]과 같이 확인을 해보았다. 추후에 틀린 데이터들을 보완하여 데이터베이스를 만들 때 참고할 것이다.
그러나 본 논문에서는 거북목 증후군을 유발할 수 있는 자세와 올바른 자세, 2가지로만 학습데이터를 구성했다. 향후 연구에서 거북목 증후군을 유발할 수 있는 자세들을 세분화하여 검출된 자세마다 자세교정을 지적하여 경고해주는 시스템을 만들 예정이다. 또한, 본 논문에서는 거북목자세를 노트북 환경에서만 검출하는 시스템을 제안했다.
향후 연구에서 사용자 테스트의 결과와 추가적인 의견을 개선할 것이고, [그림 10]과 같이 모델이 정확하게 자세를 판별하지 못한 이미지들은 데이터베이스를 구축함에 따라 보완할 것이다. 이미지로 모델을 학습을 시키기 때문에 다양한 사용자의 자세 형태와 사용자와 카메라까지의 거리, 사용자의 앉은키 등의 추가변수가 고려되어야 한다.

질의응답

핵심어	질문	논문에서 추출한 답변
	거북목 증후군이 발생할 경우 증상은 무엇인가?	거북목 증후군이란 목의 앞 근육이 길어지고, 위쪽 근육이 짧아져 몸통에 비해 머리가 앞으로 나와 있는 자세를 말하며, 전방머리자세각도(Craniovertebral Angle, CVA)가 50° 미만일 경우에 일반적으로 거북목 증후군이라고 판단한다[1]. 거북목 증후군이 발생할 경우 척추의 윗부분이 스트레스를 받아 목과 어깨의 통증이 발생하고, 증상이 심해질 경우에 만성 두통과 머리 울림까지 찾아오게 된다[2]. 또한, 목에 붙은 근육들의 수축을 방해하여 폐활량을 최고 30%까지 감소시킬 수 있다[3].
	거북목 증후군이란 무엇인가?	거북목 증후군이란 목의 앞 근육이 길어지고, 위쪽 근육이 짧아져 몸통에 비해 머리가 앞으로 나와 있는 자세를 말하며, 전방머리자세각도(Craniovertebral Angle, CVA)가 50° 미만일 경우에 일반적으로 거북목 증후군이라고 판단한다[1]. 거북목 증후군이 발생할 경우 척추의 윗부분이 스트레스를 받아 목과 어깨의 통증이 발생하고, 증상이 심해질 경우에 만성 두통과 머리 울림까지 찾아오게 된다[2].
	스마트 기기의 사용이 거북목 증후군 발병시키는 이유는?	따라서 젊은 층의 진료인원이 증가하고 있는 것은 스마트 기기의 사용이 크게 연관된다고 할 수 있다[4]. 많은 사람들이 스마트폰, 태블릿 PC 등 스마트 기기를 사용 할 때 기기가 눈높이보다 아래에 있는 경우가 많으며, 자신도 모르게고개를 쭉 내밀어 눈높이와 모니터 수평을 맞추게 된다. [그림 1]과 같은 자세는 거북목 자세를 연출한 것이며, 전방머리자세각도가 50° 미만인 자세이다.

참고문헌 (25)

S. Y. Kim, N. S. Kim, and L. J. Kim, "Effects of cervical sustained natural apophyseal glide on forward head posture and respiratory function," J Phys Ther Sci., Vol.27, No.6, pp.1851-1854, 2015.

상세보기
J. H. Kang, R. Y. J. Y. Kim, and K. I. Jung, "The effect of the forward head posture on postural balance in long time computer based worker," Annals of rehabilitation medicine, Vol.36, pp.98-104, 2012.

상세보기
http://www.snuh.org/health/nMedInfo/nView.do?categoryDIS&medidAA000732, 20120.02.25.
김경훈, IT 기술은 청신호, 목 건강은 적신호, 건강보험심사평가원 보도자료, 2016.
과학기술정통부, 한국인터넷진흥원, 2018 인터넷 이용실태조사, 2018.
http://opendata.hira.or.kr/op/opc/olapMfrnInt rsIlnsInfo.do, 2020.02.25.
유인식, "현대인의 질환, 거북목 증후군(일자목)," 한국강구조학회지, 제22권, 제3호, pp.88-88, 2010.
M. M. Robertson, V. M. Ciriello, and A. M. Garabet, "Office ergonomics training and a sit-stand workstation: effects on musculoskeletal and visual symptoms and performance of office workers," Applied Ergonomics, Vol.44, No.1, pp.73-85, 2013.

상세보기
K. S. LEE and H. Y. Jung, "Analysis of the Change of the Forward Gead Posture According to Computer Using Time," Journal of The Korean Society of Physical Medicine, Vol.4, No.2, pp.117-124, 2009.
유인식, "현대인의 질환, 거북목 증후군(일자목)의 예방과 운동," 한국강구조학회지, 제22권, 제3호, pp.80-80, 2010.
김우준, 이웅희, 김황남, "영상장치를 활용한 거북목 검출 및 경고 시스템," 한국통신학회 학술대회논문집, pp.571-572, 2016.
T. Kim, S. Chen, and J. Lach, "Detecting and Preventing Forward Head Posture with Wireless Inertial Body Sensor Networks," 2011 International Conference on Body Sensor Networks, Dallas, TX, pp.125-126, 2011.
하호진, 이창동, "압력센서와 영상처리 보간기법을 이용한 앉은 자세의 교정 알고리즘 설계," 한국정보기술학 회논문지, 제14권, 제1호, pp.37-44, 2016.
김영신, 민세동, "근전도 분석을 통한 거북목 증후군 실시간 모니터링 시스템에 관한 기초연구," 대한전기학회 학술대회 논문집, pp.1663-1664, 2013.
Qi Wang, Marina Toeters, Wei Chen, Annick Timmermans, and Panos Markopoulos, "Zishi: A Smart Garment for Posture Monitoring," In Proceedings of the 2016 CHI Conference Extended Abstracts on Human Factors in Computing Systems, Association for Computing Machinery, New York, NY, USA, pp.3792-3795, 2016.
Rushil Khurana, Elena Marinelli, Tulika Saraf, and Shan Li, "NeckGraffe: a postural awareness system," In CHI '14 Extended Abstracts on Human Factors in Computing Systems, Association for Computing Machinery, New York, NY, USA, pp.227-232, 2014.
김인중, "Deep Learning: 기계학습의 새로운 트랜드," 한국통신학회지(정보와통신), 제31권, 제11호, pp.52-57, 2014.
Y. Le Cun, L. Bottou, Y. Bengio, and P. Haffner, "Gradient-based learning applied to document recognition," Proceedings of the IEEE, Vol.86, No.11, pp.2278-2324, 1998.

상세보기
S. Lawrence, C. L. Giles, Ah Chung Tsoi, and A. D. Back, "Face recognition: a convolutional neural-network approach," IEEE Transactions on Neural Networks, Vol.8, No.1, pp.98-113, 1997.

상세보기
Alex Krizhevsky, Ilya Sutskever, and Geoffrey E. Hinton, "ImageNet Classification with Deep Convolutional Neural Networks," Advances in Neural Information Processing Systems, Vol.25, NIPS 2012.
https://opencv.org/, 2020.06.05.
https://www.tensorflow.org/, 2020.06.05.
https://processing.org/, 2020.03.10.
Boubenna, Hadjer and Dohoon Lee, "Image-based emotion recognition using evolutionary algorithms," Biologically inspired cognitive architectures, Vol.24, pp.70-76, 2018.

상세보기
Hosub Lee, Young Sang Choi, Sunjae Lee, and Eunsoo Shim, "Smart pose: mobile posture-aware system for lowering physical health risk of smartphone users," In CHI '13 Extended Abstracts on Human Factors in Computing Systems, Association for Computing Machinery, New York, NY, USA, pp.2257-2266. 2013.

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