[논문]뇌파에 기반한 수면케어 서비스에서 수면유도음향의 분류기법

위현승; 이병문

doi:10.9717/kmms.2020.23.11.1406

뇌파에 기반한 수면케어 서비스에서 수면유도음향의 분류기법
Classification Method of Sleep Induction Sounds in Sleep Care Service based on Brain Wave 원문보기

멀티미디어학회논문지 = Journal of Korea Multimedia Society, v.23 no.11, 2020년, pp.1406 - 1417

위현승 (Dept. of IT Convergence Engineering, Graduate School, Gachon University) , 이병문 (Dept. of Computer Engineering, IT College, Gachon University)

Abstract ▼ AI-Helper

Sounds that have been evaluated to be effective in inducing sleep are helpful to reduce sleep disorders. Generally, several sounds have been verified the effects by brainwave experiments, but it cannot be considered on all users because of individual variation for effects. Moreover, the effectiveness for inducing sleep is not known for all new sounds made by creative activities. Therefore, new classification system is required to collect new effective sounds with considering personal brainwave characteristics. In this paper, we propose a new sound classification method by applying improved MinHash cluster to brain waves. The proposed method will classify them through whether it is effective for sleep care by evaluation his brainwave during listening for each sound. In order to prove effectiveness of the proposed classification method, we conducted accuracy experiment for sleep sound classification using verified sleep induction sound. In addition, we have compared time for existing method and proposed method. The former is scored 85% accuracy in the experiment. We confirmed the latter one that the average processing time was reduced to 70%. It is expected to be one of method for pre-screening whether it is effective when a new sound is introduced as a sound for sleep induction.

주제어

표/그림 (13)

그림 Fig. 1. Raw EEG data for user state.
표 Table 1. Characteristics of EEG frequency bands
그림 Fig. 2. Memory-based collaborative filtering.
그림 Fig. 3. Process for collecting MinHash value from permutation, S
그림 Fig. 4. Classification process model of sounds for sleep induction.
표 Table 2. Five categories for sleep induction sound in case of frequency in increasing(☐) decreasing(☐)
그림 Fig. 5. Process to matrix for classification.
표 Table 3. Target values to cluster sound for categories
표 Table 4. Experiment environments details
그림 Fig. 6. Log Information during execution of proposed classification algorithm.
표 Table 5. Sound list for experiment
그림 Fig. 7. Accuracies for proposed classification.
그림 Fig. 8. Comparison of processing times between two methods.

AI 본문요약
AI-Helper

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

문제 정의

본 논문에서는 효과적인 입면을 위해 뇌파에 기반한 수면유도음향의 분류기법을 제안하였다. 기존의 일괄적이고 일방적인 수면유도음향의 제공과는 다르게 음향에 따라 변화하는 뇌파상태를 실시간으로 반영하여 적절한 분류체계를 만들고자 하였다. 특히 이미 알려진 평가로 확인된 몇몇 음향뿐만 아니라 사용자가 선호하는 새로운 음향에 대해서도 적용할 수 있도록 분류하는 방식이며, 그 분류성능에 있어서도 뇌파처리 부분을 최적화하여 효율성을 높이도록 하였다.
따라서 집중카테고리 음향에서 Relax 카테고리로 전환시키고, 전환이 되면, Shallow sleep 카테고리로 계속전환을 시켜, 결국 Deep sleep 카테고리 단계에 이르도록 하는 유도과정에 필요하며, 다음 절에서 유도과정을 위한 분류기법에 대해 제안한다.
본 논문에서는 효과적인 입면을 위해 뇌파에 기반한 수면유도음향의 분류기법을 제안하였다. 기존의 일괄적이고 일방적인 수면유도음향의 제공과는 다르게 음향에 따라 변화하는 뇌파상태를 실시간으로 반영하여 적절한 분류체계를 만들고자 하였다.
본 실험에서는 기존에 효과가 검증된 수면유도음향을 사용하여 예측된 카테고리로 정확히 분류하는지를 확인하는 정확도 실험이다. 우선, 사용자에게 10개의 음향을 하나씩 제공해 가면서 뇌파를 측정하고, Ganglion 보드에서 뇌파 특징 값을 측정한 후 라즈베리파이로 전송하도록 하였다.
이러한 실험환경에서 분류기법의 효용성과 효율성을 모두 확인하기 위해 분류 정확도실험과 분류하는데 소요되는 시간을 측정하는 실험을 하고자 한다. 특히 분류 정확도 실험은 Table 5와 같이 이미 효과가 알려진 음향들을 선정하여 제안된 분류알고리즘에서 실험하였을 때 의도한 카테고리로 정확히 분류되는지 확인하는 실험이다.

제안 방법

이 과정을 Shingling이라고 하며 뇌파행렬(Matrix for EEG)을 만드는 과정이다. 그 후 뇌파행렬에 대해 MinHash 값을 활용해서 Signature 행렬을 만들어 행렬의 차원을 축소한다. Signature 행렬은 기존행렬의 차원을 축소하는 방법 중 하나로 임의의 순열에서 원본 데이터를 추출해 행렬의 차원을 줄이지만, 원본행렬의 특징을 가지고 있다.
본 논문의 2장의 관련연구에서는 뇌파기기를 통해 측정된 뇌파 데이터에서 사용자의 상태를 해석하는 방법을 고찰하고 수면유도음향의 효과 및 특성에 대해 분석한다. 또한 기존 추천 알고리즘 연구사례를 살펴본다. 3장에서는 뇌파를 이용한 수면유도음향 분류기법을 제안한다.
본 논문의 2장의 관련연구에서는 뇌파기기를 통해 측정된 뇌파 데이터에서 사용자의 상태를 해석하는 방법을 고찰하고 수면유도음향의 효과 및 특성에 대해 분석한다. 또한 기존 추천 알고리즘 연구사례를 살펴본다.
툴은 뇌에 전극을 부착하도록 해주는 뇌파 헤드밴드모듈과 측정된 EEG raw 데이터로부터 상대파워 스펙트럼 값을 추출하여 2초 간격으로 라즈베리파이로 전송하는 Ganglion 보드모듈로 구성된다. 본 실험을 위해서 제안한 분류기법의 알고리즘을 라즈베리파이에 직접 구현하였으며, Ganglion 으로부터 블루투스로 뇌파 데이터를 수신받아 제안한 분류기법의 입력 값으로 사용할 수 있도록 전처리를 하였다. Table 4에서는 실험환경에 대한 사항을 정의한 것이다.
사람은 잠을 잘 때 각성단계, 1단계, 2단계, 3단계, REM단계로 순차적 변화를 통해서 깊은 잠을 자게 되며 각 단계에 따라 뇌파는 변화한다. 이런 특징으로 사용자의 상태를 관찰하면서 수면을 유도하는데 어떤 뇌파로 변화시킬지 타겟을 설정할 수 있다.
뇌파를 측정할 때 4개의 전극을 사용하였으며, 뇌파측정 부위 국제표준법[24]에 따라 머리의 전두엽 부위인 Fp1, Fp2, A1, A2에 전극을 부착하여 뇌파를 측정하였다. 수면유도음향 분류알고리즘은 라즈베리파이의 Node.js 플랫폼에서 동작할 수 있도록 실험을 위해 개발하였다. 라즈베리파이 모델은 3 B+를 사용하였으며, 그 하드웨어 구성은 CPU ARM-A53, Memory 1GB LPDDR2 SDRAM 이며, OS의 경우 Raspbian v-4.
본 실험에서는 기존에 효과가 검증된 수면유도음향을 사용하여 예측된 카테고리로 정확히 분류하는지를 확인하는 정확도 실험이다. 우선, 사용자에게 10개의 음향을 하나씩 제공해 가면서 뇌파를 측정하고, Ganglion 보드에서 뇌파 특징 값을 측정한 후 라즈베리파이로 전송하도록 하였다. 그 다음 Fig.
수면유도음향이란 실험으로 심신이 이완되어 수면유도에 효과가 있는 음향을 말한다. 음향효과를 검증하려면 음향을 들려주면서 뇌파가 변화되는 형태를 관찰한다. 만약 뇌파가 안정된다면 수면유도와 이완에 효과가 있다고 할 수 있다[12].
실험 결과로는 우측 그림과 같이 20번의 실험을 통해 반복 실험중 16번이 예상하는 목표 카테고리로 분류되어 80%의 분류 정확율을 보였다. 이와 같은 방식으로 10개의 음향에 대해서 20번의 반복실험을 통해 정확도 확인실험을 하였으며, 각 음향마다 평균 값을 산출하여 Fig. 7과 같은 정확도 결과를 얻었다.
이와같은 맥락에서 본 논문에서는 수면유도음향에 대한 분류기법를 제안하고, 기법의 효과성을 확인하기 위한 지표로 뇌파 데이터를 측정하여 이용한다. 분류체계의 방법으로는 최근 매스미디어 산업과 소셜미디어 여러 산업에서 추천 알고리즘으로 쓰이는 협업필터링(Collaborative Filtering, CF)[13,14]을 도입하되 MinHash[15] 기법을 개량하여 추천 시스템에 적용하고자 한다.
그래서 뇌파 데이터의 해석과 파악은 수면케어에 있어서 중요한 지표가 된다[3]. 일반적으로 수면을 유도할때는 음향, 온열, 빛을 이용할 수 있지만 본 논문에서는 음향을 이용한 방법으로 한정하고자 한다. ASMR(Autonomous Sensory Meridian Response), Pink Noise, 특정 클래식과 같은 음향은 뇌파의 진정과 수면유도에 효과가 있다[4-11].
정확하게 분류한다 하더라도 빠르게 분류하지 못한다면 그 효용가치가 없기 때문에 제안된 기법이 기존의 방식과 비교하였을 때 얼마나 빠르게 분류하는지를 확인하기 위한 처리속도 비교실험을 시행하였다. 이 실험에서는 Fig.
3장에서는 뇌파를 이용한 수면유도음향 분류기법을 제안한다. 제안한 기법은 사용자 개인마다의 뇌파적 특성을 반영하여 수면유도에 효과가 있는 음향을 분류 및 추천하여 수면유도음향을 재생한다. 4장에서는 제안된 수면유도음향 분류알고리즘의 성능과 효과를 실험을 통해 확인하고자 하며 5장에서 결론을 맺는다.
이렇게 함으로써 유사도가 높은 음향끼리 분류하여 카테고리에 편입시킬 수가 있다. 지금까지 MinHash기법에 보조 인덱스를 추출하고, 유사도를 산출하는 개선된 수면유도음향 분류기법을 제안하였으며, 이 기법의 효용성을 확인하기 위해 다음 장에서 분류정확도 실험과 분류처리속도 비교실험을 하고자 한다.
이 경우 사용자마다 가진 feature의 개수가 다르기 때문에 feature의 수가 많은 사용자와의 유사도 계산을 실행할 경우 병목 현상을 야기할 수 있어 고성능의 클러스터 서버가 필요하다[15-17]. 특히 데이터가 증가하면 디스크 공간이 급격하게 필요하기 때문에 IoT기기나 엣지디바이스와 같은 성능과 배터리에 민감한 소형 컴퓨터에 적용하는 것이 적합하지 않아 이러한 한계를 극복하는 개선된 분류기법이 필요하며 다음 장에서 제안하고자 한다.
기존의 일괄적이고 일방적인 수면유도음향의 제공과는 다르게 음향에 따라 변화하는 뇌파상태를 실시간으로 반영하여 적절한 분류체계를 만들고자 하였다. 특히 이미 알려진 평가로 확인된 몇몇 음향뿐만 아니라 사용자가 선호하는 새로운 음향에 대해서도 적용할 수 있도록 분류하는 방식이며, 그 분류성능에 있어서도 뇌파처리 부분을 최적화하여 효율성을 높이도록 하였다.

대상 데이터

본 실험에서는 10개의 음향(또는 음악)을 사용하며, OpenBCI 오픈소스 뇌파측정 툴[23]을 이용하여 사람의 뇌파를 측정하면서 실험을 한다. 툴은 뇌에 전극을 부착하도록 해주는 뇌파 헤드밴드모듈과 측정된 EEG raw 데이터로부터 상대파워 스펙트럼 값을 추출하여 2초 간격으로 라즈베리파이로 전송하는 Ganglion 보드모듈로 구성된다.
Table 5를 보면 음향은 10개의 음향으로 실험을 진행하였고 효과(Effect)별로 Induct, Relax, Concentration 음향들로 구성하였다. 수면유도음향에 효과가 검증된 음향인 Pink noise, Firewood Sound, Drifting into delta, Dolphin Dreams 4개의 음향을 사용하였고 또 다른 3개의 음향은 이완에 효과가 있는 음향인 Sun singer, Crystal Meditation from Essence, Relax with the Classics, Vol. III 3개의 음향은 집중에 효과가 되는 음향이다.
수면유도음향을 분류할 때 뇌파를 사용하였다. 그러나 사용자 선호도는 사용자가 누구인지를 먼저 식별하여야 의미가 있다.

데이터처리

6에서처럼 라즈베리파이에서 구현한 classify_category. js 프로그램(수면유도음향 분류 알고리즘)을 실행시켜 블루투스를 통해 뇌파데이터를 수신한 후 분석하게 하였다. 좌측 화면에서는 제안된 분류기법으로 음향을 분류처리 과정을 알 수 있도록 출력하였으며, 우측 화면에는 Table 5의 검증된 음향을 실험자에게 제공하였을 때 실험자 뇌파가 변화하면서 목표 카테고리로 전환되는 과정을 보여주고 있다.

이론/모형

Table 4는 실험을 하기 위해 하드웨어와 소프트웨어의 환경을 정리한 표이다. 뇌파를 측정할 때 4개의 전극을 사용하였으며, 뇌파측정 부위 국제표준법[24]에 따라 머리의 전두엽 부위인 Fp1, Fp2, A1, A2에 전극을 부착하여 뇌파를 측정하였다. 수면유도음향 분류알고리즘은 라즈베리파이의 Node.
js 플랫폼에서 동작할 수 있도록 실험을 위해 개발하였다. 라즈베리파이 모델은 3 B+를 사용하였으며, 그 하드웨어 구성은 CPU ARM-A53, Memory 1GB LPDDR2 SDRAM 이며, OS의 경우 Raspbian v-4.19를 이용하였고, Node v-12.13.1 플랫폼에서 수면유도음향 분류알고리즘이 동작하도록 구현하였다.
이와같은 맥락에서 본 논문에서는 수면유도음향에 대한 분류기법를 제안하고, 기법의 효과성을 확인하기 위한 지표로 뇌파 데이터를 측정하여 이용한다. 분류체계의 방법으로는 최근 매스미디어 산업과 소셜미디어 여러 산업에서 추천 알고리즘으로 쓰이는 협업필터링(Collaborative Filtering, CF)[13,14]을 도입하되 MinHash[15] 기법을 개량하여 추천 시스템에 적용하고자 한다. 기존 추천 알고리즘은 대용량 클러스터링 방식을 사용하기 때문에 추천에 있어서 많은 비용이 들고 군집화된 사용자마다 각기 다른 특징 값이 늘어남에 따라 연산의 양이 기하급수적으로 늘어남으로 확장성문제가 발생될 수 있다[16,17].
제안한 수면유도음향 분류 기법의 효과를 검증하기 위해서 라즈베리파이에서 분류알고리즘을 구현하였으며 실험에 활용하였다. 실험은 분류 정확도 실험과 분류시간 측정실험이다.

성능/효과

에 1로 표시하도록 설정한다. 따라서 R₃, R₄, R₅, 가 각각 0으로 설정된 상태를 볼 때 세타파에는 변화가 없고, 알파파는 증가하지 않았으며, R₆ 이 1이므로 알파파가 오히려 감소한 것으로 볼 수 있다. R₇, 과 R₈ 이 각각 1이므로 베타파와 감마파가 감소로 정의하고 마지막으로 9열인 R₉에이 0으로 설정되어 있기 때문에 사용자가 이 음향을 수면유도에 선호하지 않고 있음을 알 수 있다.
실험결과, 평균 85%의 수면유도음향 분류 정확도를 얻었다. 분류시간 실험에 있어서는 음향의 개수가 늘어날수록 처리시간이 더 적어지는 효율성을 확인하였다. 기존의 추천 기법의 경우 희박성 확장성에 대한 이슈로 추천에 대한 신뢰성, 성능문제가 제기되고 있었다.
Sound₁은 수면 유도효과가 검증된 음향으로 예상하는 목표 카테고리는 Shallow sleep 카테고리이다. 실험 결과로는 우측 그림과 같이 20번의 실험을 통해 반복 실험중 16번이 예상하는 목표 카테고리로 분류되어 80%의 분류 정확율을 보였다. 이와 같은 방식으로 10개의 음향에 대해서 20번의 반복실험을 통해 정확도 확인실험을 하였으며, 각 음향마다 평균 값을 산출하여 Fig.
실험은 분류 정확도 실험과 분류시간 측정실험이다. 실험결과, 평균 85%의 수면유도음향 분류 정확도를 얻었다. 분류시간 실험에 있어서는 음향의 개수가 늘어날수록 처리시간이 더 적어지는 효율성을 확인하였다.
세로축은 분류의 정확도를 수치화하였다. 실험결과로 볼 때, 수면유도효과가 있는 음향 sound₄와 집중효과(Concentration)가 있는 sound₉음향이 95%로 가장 정확도가 높았으며, 집중효과(Concentration)의 sound₁₀이 70%로 가장 낮은 정확도를 보였다. 제안된 분류기법은 각 음향에 대한 평균 85%의 높은 분류 정확도를 보였다.
제안된 분류기법은 음향의 개수가 10개의 경우 기존대비 57%의 감소율을 보였지만 음향의 개수가 10,000개의 경우 기존대비 83%의 처리시간 단축을 보였다. 이를 통해 제안된 방식의 분류기법은 음향의 수가 증가할수록 기존의 방식보다 높은 효율을 기대할 수 있다.
실험결과로 볼 때, 수면유도효과가 있는 음향 sound₄와 집중효과(Concentration)가 있는 sound₉음향이 95%로 가장 정확도가 높았으며, 집중효과(Concentration)의 sound₁₀이 70%로 가장 낮은 정확도를 보였다. 제안된 분류기법은 각 음향에 대한 평균 85%의 높은 분류 정확도를 보였다. 이는 새로운 음향에 있어서도 사용자의 뇌파에 따라 제안된 수면유도음향 분류기법이 수면유도의 효과에 따라 음향의 카테고리 분류에 대한 신뢰성을 입증한다.
가로축의 음향의 개수가 증가할수록 두 방식의 분류 처리시간의 간격이 커짐을 알 수 있다. 제안된 분류기법은 음향의 개수가 10개의 경우 기존대비 57%의 감소율을 보였지만 음향의 개수가 10,000개의 경우 기존대비 83%의 처리시간 단축을 보였다. 이를 통해 제안된 방식의 분류기법은 음향의 수가 증가할수록 기존의 방식보다 높은 효율을 기대할 수 있다.
기존의 추천 기법의 경우 희박성 확장성에 대한 이슈로 추천에 대한 신뢰성, 성능문제가 제기되고 있었다. 하지만 제안된 분류기법에서는 뇌파데이터에 대한 활용체계의 정립과 연산의 수를 감소시켜 희박성과 확정성 문제를 해결하였다. 특히 이러한 결과는 많은 음악 창작자들에 의해 만들어지는 음악이나 음향이 수면에 어느 정도 효과가 있는지를 확인하기 위한 분류기법으로써 의미가 있다고 평가한다.

후속연구

뇌파를 측정할 때 수면중 안구 움직임도 같이 측정하고, 이 데이터를 사용할 수 있다면 사용자가 누구인지 식별이 가능하다. 따라서 사용자 식별과 음향 분류기법을 통합하는 새로운 알고리즘을 설계할 수 있을 것이며, 이 부분에 대한 추가연구가 필요할 것으로 본다.
특히 이러한 결과는 많은 음악 창작자들에 의해 만들어지는 음악이나 음향이 수면에 어느 정도 효과가 있는지를 확인하기 위한 분류기법으로써 의미가 있다고 평가한다. 특히 라즈베리파이에서 구현하여 그 성능과 효율을 확인하였기 때문에 소형 컴퓨팅 능력이 있는 IoT, 엣지, Fog 컴퓨팅에서도 활용될 수 있을 것이라 기대한다.

참고문헌 (24)

Y. Baek, J. Yoo, S. Lee, and H. Jin, "Domestic Trends of Research and Patent for Sleep Disorder," Life Sciences, Vol. 13, No. 6, pp. 309-317, 2013.
Y. Touitou, A. Reinberg, and D. Touitou, "Shift Work and Cancer Risk: Potential Mechanistic Roles of Circadian Disruption, Light at Night, and Sleep Deprivation," Sleep Medicine Reviews, Vol. 173, No. 4, pp. 94-106, 2017.
B.M. Lee and H.J. Hwang, "Virtual Sleep Sensor with PSQI for Sleep Therapy Service," Journal of Korea Multimedia Society, Vol. 18, No. 12, pp. 1538-1546, 2015.

원문보기 상세보기
Y.S. Kim, S.Y. Park, and S.Y. Ok, "Human Gesture Recognition Technology Based on User Experience for Multimedia Contents Control," Journal of Korea Multimedia Society, Vol. 15, No. 10, pp. 1196-1204, 2012.

원문보기 상세보기
J. Lee and J. Kim, "Analysis of the Relaxing Effect of ASMR Sound Contents," The Institute of Electronics and Information Engineers, Vol. 56, No. 3, pp. 139-145, 2019.

상세보기
B. Fredborg, J. Clark, and S.D. Smith, "An Examination of Personality Traits Associated with Autonomous Sensory Meridian Response (ASMR)," Frontiers in P sychology, Vol. 8, No. 247, pp. 1-9, 2017.
D.H. Moon, "The Effect on Human Body by the Stimuli of Musics and Acoustic Vibrations," Journal of the Korea Society For Power System Engineering, Vol. 12, No. 5, pp. 59-64, 2008.
T. Kawada and S. Suzuki, "Sleep Induction Effects of Steady 60 dB (A) Pink Noise," Industrial Health, Vol. 31, No. 1, pp. 35-38, 1993.

상세보기
U. Will and F. Berg, "Brain Wave Synchronization and Entrainment to Periodic Acoustic Stimuli," Neuroscience Letters, Vol. 424, No. 1, pp. 55-60, 2000.
B. Kim and M. Whang, "The Effect of White Noise and Pink Noise on the Brain Activity," The Journal of the Korea Contents Association, Vol. 17, No. 5, pp. 491-498, 2017.
T. Trahan, S.J. Durrant, D. Mullensiefen, and V.J. Williamson, "The Music That Helps People Sleep and the Reasons They Believe It Works: A Mixed Methods Analysis of Online Survey Reports," Public Library of Science One, Vol. 13, No. 11, pp. 1-19, 2018.
H.S. Wi and B.M. Lee, "Customized Realtime Control of Sleep Induction Sound Based on Brain Wave Data," Journal of Korea Multimedia Society, Vol. 23, No. 2, pp. 204-215, 2020.
H.I. Kim and J.K. Eom, "A Feature Generation Method for Multimedia Recommendation System," Journal of Korea Multimedia Society, Vol. 11, No. 2, pp. 257-268, 2008.
S. Niwattanakul, J. Singthongchai, and E. Naenudorn, "Using of Jaccard Coefficient for Keywords Similarity," Proceedings of the International Multi Conference of Engineers and Computer Scientists, Vol. 1, No. 6, pp. 380-384, 2013.
D.C. Jeon, B.M. Lee, and H.H. Hwang, "Design and Implement of Smart Gateway Interface API for Real-time Monitoring in Smart Factory," Journal of Korea Multimedia Society, Vol. 22, No. 5, pp. 601-612, 2019.
J.S. Lee and S.D. Park, "Performance Improvement of a Movie Recommendation System Using Genre-wise Collaborative Filtering," Journal of Intelligence and Information Systems, Vol. 13, No. 4, pp. 65-78, 2007.
A.S. Das, M. Datar, A. Garg, and S. Rajaram, "Google News Personalization: Scalable Online Collaborative Filtering," Proceedings of International Conference on World Wide Web, pp. 271-280, 2007.
O. Benoit, A. Daurat, and J. Prado, "Slow (0.7-2 Hz) and Fast (2-4 Hz) Delta Components are Differently Correlated to Theta, Alpha and Beta Frequency Bands During NREM Sleep," Clinical Neurophysiology, Vol. 111, No. 12, pp. 2103-2106, 2000.

상세보기
F. Amzica and M. Steriade. "Electrophysiological Correlates of Sleep Delta Waves," ElecTroencephalography and Clinical NeurophysiOlogy, Vol. 107, No. 2, pp. 69-83, 1998.

상세보기
R. Maya and R. Huber, "Developmental Aspects of Sleep Slow Waves: Linking Sleep, Brain Maturation and Behavior," Progress in Brain Research, Vol. 193, pp. 63-82, 2011.

상세보기
I.K. Lee, "Polysomnography," Annals of Clinical Neurophysiology, Vol. 1, No. 2, pp. 230-235, 1999.
Y. Koren, R.R. Bell, and C. Volinsky, "Matrix Factorization Techniques for Recommender Systems," Computer, Vol. 42, No. 8, pp. 30-37, 2009.

상세보기
OpenBCI Document (2020). https://docs.openbci.com/docs/03Ganglion/GanglionSDK (accessed August 28, 2020).
R.W. Homan, J. Herman, and P. Purdy, "Cerebral Location of International 10 - 20 System Electrode Placement," Electroen cephalogRaphy and Clinical Neuro physiology, Vol. 66, No. 4, pp. 376-382, 1987.

상세보기

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