[논문]딥러닝을 이용한 소외계층 아동의 스포츠 재활치료를 통한 정신 건강에 대한 변화

김명미

doi:10.13067/jkiecs.2020.15.4.725

초록
AI-Helper

본 논문은 소외계층 아동의 운동학습프로그램에서 체력 활동 중 나를 잘 따른다(0-9), 마음의 결정을 내리는데 많은 시간이 걸린다(0-9), 맥빠진(0-9) 등을 변수로 사용하여 '성별', '체육교실', 나이의 '상중하'를 분류하고 스포츠 재활치료를 통한 자아 탄력(ego-resiliency)과 자아 통제(self-control)의 변화를 관찰하여 정신 건강 변화를 알아본다. 이를 위해 취득한 데이터를 병합하고 Label encoder와 One-hot encoding을 사용하여 숫자의 크고 작음의 특성을 제거한 후 MLP, SVM, Dicesion tree, RNN, LSTM의 각각의 알고리즘을 적용하여 성능을 평가하기 위해 Train, Test 데이터를 75%, 25% 스플릿 한 뒤 Train 데이터로 알고리즘을 학습하고 Test 데이터로 알고리즘의 정확성을 측정한다. 측정 결과 성별에서는 LSTM, 체육 교실은 MLP와 LSTM, 나이는 SVM이 가장 우수한 결과를 보임을 확인하였다.

Abstract ▼ AI-Helper

This paper uses variables following as : to follow me well(0-9), it takes a lot of time to make a decision (0-9), lethargy(0-9) during physical activity in the exercise learning program of the children in the marginalized class. This paper classifies 'gender', 'physical education classroom', and 'up...

This paper uses variables following as : to follow me well(0-9), it takes a lot of time to make a decision (0-9), lethargy(0-9) during physical activity in the exercise learning program of the children in the marginalized class. This paper classifies 'gender', 'physical education classroom', and 'upper, middle and lower' of age, and observe changes in ego-resiliency and self-control through sports rehabilitation therapy to find out changes in mental health. To achieve this, the data acquired was merged and the characteristics of large and small numbers were removed using the Label encoder and One-hot encoding. Then, to evaluate the performance by applying each algorithm of MLP, SVM, Dicesion tree, RNN, and LSTM, the train and test data were divided by 75% and 25%, and then the algorithm was learned with train data and the accuracy of the algorithm was measured with the Test data. As a result of the measurement, LSTM was the most effective in sex, MLP and LSTM in physical education classroom, and SVM was the most effective in age.

주제어

표/그림 (12)

그림 그림 1. 기본적인 퍼셉트론의 구성 Fig. 1 Composition of basic perceptron
그림 그림 2. 은닉층이 2층으로 구성된 다층 퍼셉트론 Fig. 2 Multilayer perceptron with two layers of hidden layer
그림 그림 3. 서포트 벡터머신 Fig. 3 Support vector machine
그림 그림 4. 결정 트리의 학습 과정 Fig. 4 Learning process of decision tree
그림 그림 5. RNN의 은닉층 적 과정 Fig. 5 Application process of RNN's hidden layer
그림 그림 6. LSTM의 은닉층 구성도 Fig. 6 Hidden layer diagram of LSTM
그림 그림 7. 변형 전 데이터와 변형 후 데이터 Fig. 7 Before and after modulation data
그림 그림 8. One-hot encoding을 적용한 데이터 Fig. 8 Data with one-hot encoding
그림 그림 9. MLP, RNN, LSTM 알고리즘의 구성도 Fig. 9 Composition of MLP, RNN, and LSTM algorithms
그림 그림 10 알고리즘 순서도 Fig. 10 Flowchart of algorithm
그림 그림 11. 성별을 분류할 때 결정트리의 학습 과정 Fig. 11 Learning process of the decision tree when classifying gender.
표 표 1. 알고리즘의 성능 평가 비교 Table 1. Comparison of performance evaluations of algorithms

AI 본문요약
AI-Helper

문제 정의

본 논문은 소외계층 아동의 운동학습프로그램에서 체력 활동 중 나를 잘 따른다(0-9), 마음의 결정을 내리는데 많은 시간이 걸린다(0-9), 맥빠진(0-9) 등을 변수로 사용하여 '성별', '체육교실', 나이의 '상·중·하'를 분류하고 스포츠 재활치료를 통한 자아 탄력(ego-resiliency)과 자아 통제(self-control)의 변화를 관찰하여 정신 건강 변화를 알아본다. 이를 위해 소외계층 아동의 운동학습프로그램에서 취득한 데이터를 분석하고 알고리즘의 성능을 평가하기 위해 학습 데이터와 테스트 데이터로 분할한다.

제안 방법

이를 위해 소외계층 아동의 운동학습프로그램에서 취득한 데이터를 분석하고 알고리즘의 성능을 평가하기 위해 학습 데이터와 테스트 데이터로 분할한다. 학습 데이터로 학습 데이터로 MLP(: Multi Layer Perceptron), SVM(:sUpport Vector Machine), 결정 트리(Decision Tree), RNN(: Recurrent Neural Network), LSTM(: Long Short Term Memory)을 학습하고 테스트 데이터를 이용하여 대상자의 성별, 나이, 과목, 상중하를 분류한다. 분류된 값을 분류의 성능 평가 지표인 정밀도 (precision)를 이용하여 각 알고리즘의 성능을 평가한다.
Block & Block[8]이 개발한 것을 구형모와 황순택[9]이 California Child Q-Set(CCQ) 문항을 기본으로 하여 전문가 평정을 통해 구성한 자아탄력과 자아통제척도를 이 연구에 맞게 수정·보완하여 사용하였다. 자아탄력척도(33문항)는 자아탄력 문항과 자아취약 문항들로 구성되며, 자아통체척도(30문항)는 과소통제 문항과 과잉통제문항들로 구성(총 57문항; 중복 6문항) 되어 있다.
취득한 데이터를 데이터를 병합하고 Label encoder 와 One-hot encoding을 사용하여 숫자의 크고 작음의 특성을 제거한 후 각각의 알고리즘의 성능을 평가하기 위해 Train, Test 데이터를 75%, 25% 스플릿한 뒤 Train 데이터로 알고리즘을 학습하고 Test 데이터로 알고리즘의 Precision을 측정하였다. 결과적으로 '성별', '체육교실', '상중하'는 90% 이상의 높은 정확도를 보였고 '나이'도 마찬가지로 90%에 준하는 정확도를 보였다.

대상 데이터

데이터는 성별, 나이, 상중하, 과목이 있고 성별은 남자와 여자로 구성되어 있다. 나이는 8세부터 14세, 과목은 수영, 키 성장비만, 체능 교실로 구성되어 있다.
연구에 참여한 대상자는 대구광역시 소외계층 아동의 운동치료프로그램(그리핀 체육학교) 총 120명의 초등학생이며, 참여자 60명과 비참여자 60명이다. 체육학교 참여자의 경우 2018년 3월- 2019년 2월까지 주 2회 2시간씩 수영(16명), 키성장비만교실(16명), 체능교실(19명) 종목에 참여하였다.

데이터처리

0K 프로그램을 이용하여 분석하였다. 연구대상자들의 일반적 특성은 빈도분석(frequency analysis)을 통하여 알아보았으며, 측정도구의 신뢰도를 검증하기 위하여 내적 일관성신뢰계수(Cronbach's α)를 이용한 신뢰도 분석을 실시하였다. 연구대상자들의 그리핀체육학교 참여 유무에 따른 자아탄력과 자아통제 및 정신건강의 차이를 알아보기 위해 독립 t검증을 실시하였으며 모든 통계분석의 유의수준은 .
학습 데이터로 학습 데이터로 MLP(: Multi Layer Perceptron), SVM(:sUpport Vector Machine), 결정 트리(Decision Tree), RNN(: Recurrent Neural Network), LSTM(: Long Short Term Memory)을 학습하고 테스트 데이터를 이용하여 대상자의 성별, 나이, 과목, 상중하를 분류한다. 분류된 값을 분류의 성능 평가 지표인 정밀도 (precision)를 이용하여 각 알고리즘의 성능을 평가한다.
연구대상자들의 일반적 특성은 빈도분석(frequency analysis)을 통하여 알아보았으며, 측정도구의 신뢰도를 검증하기 위하여 내적 일관성신뢰계수(Cronbach's α)를 이용한 신뢰도 분석을 실시하였다. 연구대상자들의 그리핀체육학교 참여 유무에 따른 자아탄력과 자아통제 및 정신건강의 차이를 알아보기 위해 독립 t검증을 실시하였으며 모든 통계분석의 유의수준은 .05로 설정하였다.

이론/모형

연구대상자들의 정신건강을 검사하기 위하여 McNair, Lorr & Droppleman[10]이 개발하여 타당성이 입증되었고, 한국어 버전에서도 신뢰도가 입증된 무드상태검사지(Profile of Mood States)[11]을 사용하였다. 긴장, 우울, 울화, 활력, 피로, 혼동의 6개 하위 요인, 총 58문항으로 구성되어 있으며, 각 문항은 “매우 그렇다” 4점에서 “전혀 그렇지 않다” 0점까지의 5 단계 리커트 척도로 평가하도록 되어 있다.

성능/효과

취득한 데이터를 데이터를 병합하고 Label encoder 와 One-hot encoding을 사용하여 숫자의 크고 작음의 특성을 제거한 후 각각의 알고리즘의 성능을 평가하기 위해 Train, Test 데이터를 75%, 25% 스플릿한 뒤 Train 데이터로 알고리즘을 학습하고 Test 데이터로 알고리즘의 Precision을 측정하였다. 결과적으로 '성별', '체육교실', '상중하'는 90% 이상의 높은 정확도를 보였고 '나이'도 마찬가지로 90%에 준하는 정확도를 보였다. 본 논문은 다른 친구들이 나를 잘따른다(0-9), 마음의 결정을 내리는데 많은 시간이 걸린다(0-9), 맥빠진(0-9)등을 변수로 사용하여 ‘성별’, ‘나이’, ‘참가종목’, ‘심리상담’을 각각 분류 예측하였다.

참고문헌 (16)

C. Jung, R. Jang, D. Nyang, and K. Lee, "A Study of User Behavior Recognition-Based PIN Entry Using Machine Learning Technique," Korea Information Processing Society review, computer and communication systems, vol. 7, no. 2, 2018, pp. 127-136.
G. Lee, H. Ha, H. Hong, and H. Kim, "Exploratory Research on Automating the Analysis of Scientific Argumentation Using Machine Learning," J. of the Korean Association for Science Education, vol. 38, no. 2, 2018, pp. 219-234.
J. Lee and S. Yoo, "Deep learning based emotion classification using multi modal bio-signals," J. Korea Multimedia Society, vol. 23, no. 2, 2020, pp. 146-154.
D. Hwang, S. Kim, and Y. Bae, "A prediction of bid price using k-nearest neighbors algorithm," J. Korea institute of intelligent Systems, vol. 29, no. 6, 2019, pp. 482-487.
G. Bak, H. Yoon, and Y. Bae, "Prediction of groundwater level lstm algorithm of using data-based learning," J. Korea institute of intelligent Systems, vol. 30, no. 2, 2020, pp. 161-166.
G. Bak and Y. Bae, "Performance comparison of machine learning in the various kind of prediction," J. of the Korea Institute of Electronic Communication Sciences, vol. 14, no. 1, 2019, pp. 169-178.
G. Bak and Y. Bae, "Groundwater level prediction using ANFIS algorithm," J. of the Korea Institute of Electronic Communication Sciences, vol. 14, no. 6, 2019, pp. 1235-1240.
J. H. Block and J. block, "The role of ego-control and ego-resiliency in the organization of behavior," In Minnesota symposium on child psychology, vol. 61, no. 4, 1980, pp. 315-327.
H. Koo and S. Hwang, "A validity study on ego resilience scale and ego control scale of California child Q - Set ( CCQ )," Korean Journal Clinical Psychology, vol. 20, no. 2, 2001, pp. 345-358.
D. McNair, M. Lorr, and L. F. Droppleman, "Profile of mood states manual (revision): educational and industrial testing service," San Diego, CA: Educational and Industrial Testing Service.
M. Han, "Study on the POMS's Predictability of Athletic Performances," Korean Society of Sport Psychology, vol. 13, no. 2, 2002, pp. 119-132.
D. W. Ruck, S. K. Rogers, M. Kabrisky, M. E. Oxley, and B. W. Suter, "The multilayer perceptron as an approximation to a bayes optimal discriminant function," IEEE transactions on neural networks, vol. 1. no. 4, 1990, pp. 296-298.

상세보기
J. A. K. Suykens and J. Vandewalle, "Least squares support vector machine classifiers," Neural processing letters, 1999, pp. 293-300.
M. A. Friedl and C. E. Brodley, "Decision tree classification of land cover from remotely sensed data," Remote sensing of environment, vol. 61, no. 3, 1997, pp. 399-409.

상세보기
T. Mikolov, S. Kombrink, L. Burget, J. Cernocky, and S. Khudanpur, "Extensions of recurrent neural network language model," IEEE, International Conference on Acoustics, speech and signal precessing(ICASSP), Prague, Czech Republic, 2011, pp. 5528-5531.
S. Hochreiter and J. Schmidhuber, "Long short-term memory," Massachusetts institute of technology, vol. 9, no. 8, 1997, pp. 1735-1780.

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

딥러닝을 이용한 소외계층 아동의 스포츠 재활치료를 통한 정신 건강에 대한 변화
Variation for Mental Health of Children of Marginalized Classes through Exercise Therapy using Deep Learning 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (12)

표/그림 (12)

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

참고문헌 (16)

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

딥러닝을 이용한 소외계층 아동의 스포츠 재활치료를 통한 정신 건강에 대한 변화 Variation for Mental Health of Children of Marginalized Classes through Exercise Therapy using Deep Learning 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (12) 모든 표/그림 보기

표/그림 (12) 슬라이드로 보기

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

참고문헌 (16)

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

딥러닝을 이용한 소외계층 아동의 스포츠 재활치료를 통한 정신 건강에 대한 변화
Variation for Mental Health of Children of Marginalized Classes through Exercise Therapy using Deep Learning 원문보기

초록
AI-Helper

표/그림 (12)

표/그림 (12)

AI 본문요약
AI-Helper