[논문]Abnormal Situation Detection Algorithm via Sensors Fusion from One Person Households

Kim, Da-Hyeon; Ahn, Jun-Ho

doi:10.9708/jksci.2022.27.04.111

[국내논문] Abnormal Situation Detection Algorithm via Sensors Fusion from One Person Households 원문보기

韓國컴퓨터情報學會論文誌 = Journal of the Korea Society of Computer and Information, v.27 no.4, 2022년, pp.111 - 118

Kim, Da-Hyeon (Dept. of Software, Korea National University of Transportation) , Ahn, Jun-Ho (Dept. of Software, Korea National University of Transportation)

초록
AI-Helper

최근 1인 고령 가구가 증가하고 있지만 1인 가구의 경우 집 안에서 위험 상황이 발생했을 때, 이를 외부에 알리기 힘들다. 이와 같은 1인 가구의 위험 상황을 탐지하기 위해 다양한 스마트홈 솔루션이 제안되고 있지만, 프라이버시 영역에 문제가 있는 홈 CCTV와 같은 영상 매체는 활용 어렵다. 그리고 단일 센서만을 활용하여 집안 내 고령자의 위험 상황을 분석할 경우, 데이터양의 한계로 정확한 상황해석이 제한 된다. 따라서 본 논문에서는 프라이버시를 지킬 수 있으며 실생활에 밀접한 2DLiDAR, 먼지, 음성 센서 간의 상관관계 따른 융합을 통한 집 내부의 위험 상황 탐지 융합 알고리즘을 제안한다. 또한, 본 논문은 실제 환경에서 수집한 데이터를 통해 알고리즘의 신뢰성을 증명한다. 제안하는 알고리즘이 탐지 가능한 위험 상황과 불가능한 상황을 제시한다. 본 논문은 집 안에서 위험 상황을 탐지하는 연구로써 1인 가구 사용자의 생활에 도움이 될 것이다.

Abstract ▼ AI-Helper

In recent years, the number of single-person elderly households has increased, but when an emergency situation occurs inside the house in the case of single-person households, it is difficult to inform the outside world. Various smart home solutions have been proposed to detect emergency situations in single-person households, but it is difficult to use video media such as home CCTV, which has problems in the privacy area. Furthermore, if only a single sensor is used to analyze the abnormal situation of the elderly in the house, accurate situational analysis is limited due to the constraint of data amount. In this paper, therefore, we propose an algorithm of abnormal situation detection fusion inside the house by fusing 2DLiDAR, dust, and voice sensors, which are closely related to everyday life while protecting privacy, based on their correlations. Moreover, this paper proves the algorithm's reliability through data collected in a real-world environment. Adnormal situations that are detectable and undetectable by the proposed algorithm are presented. This study focuses on the detection of adnormal situations in the house and will be helpful in the lives of single-household users.

Keyword

표/그림 (11)

그림 Fig. 1. Proposed System Architecture
그림 Fig. 2. Flow Chart of Abnormal Detection Algorithm Using Sensors
그림 Fig. 3. Hector SLAM Mapping Result
그림 Fig. 4. User Status 2DLiDAR Scan Results Example
그림 Fig. 5. Scream and Talk Sound Wave
그림 Fig. 6. Scream and Talk Sound STFT Power Spectrogram
그림 Fig. 7. Dust Sensor Measures
그림 Fig. 8. The Result of 2DLiDAR scanning and Map Mergers
표 Table 1. Sound Sensor Event Detection Model Accuracy and F1-Score
표 Table 3. Detectable and Undetectable Situations
표 Table 2. Dust Sensor Event Detection Accuracy

AI 본문요약
AI-Helper

문제 정의

예를 들어 동작 감지 센서는 반려동물과 함께 생활하면 위험 상황 파악이 힘들며 온습도 센서의 경우 집 내부 환경에 따라 정확한 측정이 어렵다. 따라서, 우리는 고령자들이 집 내부에 설치하는 것에 거부감을 느끼지 않으면서 3가지 센서를 융합하여 단일 센서만을 사용하는 경우보다 정확하게 위험 상황을 판단할 수 있는 스마트홈 시스템을 연구했다.
이처럼 여러 개의 센서를 융합함으로써 단일 센서만으로는 판단하기 힘든 위험 상황도 판단이 가능하다. 우리는 사용자의 위험 상황을 탐지하기 위한 데이터 분석과 탐지 모델에 대해 연구하였다. 본 논문에서는 실제 집 안에 센서를 설치하여 데이터를 수집하고 이를 제안하는 알고리즘을 통해 성능을 나타내고 있다.
우리는 사용자의 위험 상황을 탐지하기 위한 데이터 분석과 탐지 모델에 대해 연구하였다. 본 논문에서는 실제 집 안에 센서를 설치하여 데이터를 수집하고 이를 제안하는 알고리즘을 통해 성능을 나타내고 있다.
음성 센서를 이용하여 사용자의 음성 데이터를 수집하고 현재 발생한 소리가 비명소리인지 일상적인 대화 소리인지 구별하는 머신러닝 모델을 연구했다. 본 연구는 사용자의 프라이버시 문제를 최소화하여 집 내부에 거부감 없이 센서를 설치하고 위험 상황을 탐지하는 것을 목적으로 두고 있다. 따라서 프라이버시를 침해할 수 있는 음성 데이터는 데이터 수집을 5초 간격으로 짧게 진행한다.

제안 방법

우리는 사용자의 위험 상황을 판단하기 위해 2D LiDAR, 먼지, 음성 센서를 융합하였다. 2D LiDAR 센서는 사용자의 동선을 알 수 있으며 사용자의 일상적인 움직임패턴과 갑작스러운 쓰러짐과 같은 위험 상황의 패턴을 분석하여 위험 상황을 판단했다.
우리는 사용자의 위험 상황을 판단하기 위해 2D LiDAR, 먼지, 음성 센서를 융합하였다. 2D LiDAR 센서는 사용자의 동선을 알 수 있으며 사용자의 일상적인 움직임패턴과 갑작스러운 쓰러짐과 같은 위험 상황의 패턴을 분석하여 위험 상황을 판단했다. 음성 센서는 음성 데이터를 수집하여 일반적인 대화와 위험 상황에 비명 분류하는 모델을 구성하여 사용자의 위험 상황을 판단하였다.
2D LiDAR 센서는 사용자의 동선을 알 수 있으며 사용자의 일상적인 움직임패턴과 갑작스러운 쓰러짐과 같은 위험 상황의 패턴을 분석하여 위험 상황을 판단했다. 음성 센서는 음성 데이터를 수집하여 일반적인 대화와 위험 상황에 비명 분류하는 모델을 구성하여 사용자의 위험 상황을 판단하였다. 먼지 센서는 창문과 문 근처에 설치하여 개폐 시 센서값의 변화를 분석하고 움직이는 경우의 값을 분석하여 사용자가 외출한 경우 외부에 침입 여부를 탐지하여 다양한 상황에서 사용자에게 발생하는 위험 상황을 탐지할 수 있었다.
사용자에게 심박수와 맥박을 측정하며 자세를 감지할 수 있는 웨어러블 장치를 부착하고 집 안에 카메라, 마이크 등의 모니터링 장비를 설치하여 위험 상황을 탐지하는 연구[8]도 있다. 이 연구에서는 다양한 센서의 결과를 퍼지 알고리즘을 통해 융합하고 현재 사용자의 상황을 분류하였다.
본 논문은 집 안에서 설치하기 쉽고, 집 내부에 구비 된 가전제품들에서 활용할 수 있는 저가의 센서들을 활용하여 연구 및 실험을 진행하였다. 기존의 연구는 카메라에 의존하여 프라이버시 문제가 심각하지만 본 연구는 프라이버시 문제를 최소화하고자 영상 데이터가 아닌 2DLiDAR, 음성, 먼지 센서를 활용하여 수집한 데이터를 사용했다.
기존의 연구는 카메라에 의존하여 프라이버시 문제가 심각하지만 본 연구는 프라이버시 문제를 최소화하고자 영상 데이터가 아닌 2DLiDAR, 음성, 먼지 센서를 활용하여 수집한 데이터를 사용했다. 또한, 단일 센서를 통해 1인 가구의 집 안을 모니터링하는 기존의 연구들과 다르게 본 연구는 센서들의 상관관계 기반 융합 알고리즘을 설계하였다.
본 연구에서 집 내부에서 센서를 이용하여 데이터를 수집하고 클라우드 서버에서 사용자의 상황을 판단한 뒤, 위급 상황인 경우, 외부에 전달하는 시스템을 제안한다. 먼저, 2D LiDAR 센서가 부착된 로봇 청소기와 음성 인식이 가능한 스피커 등을 통해 집 내부의 존재하는 가전제품을 활용하여 상황에 대한 센서 데이터를 수집하는 시스템을 제안한다.
본 연구에서 집 내부에서 센서를 이용하여 데이터를 수집하고 클라우드 서버에서 사용자의 상황을 판단한 뒤, 위급 상황인 경우, 외부에 전달하는 시스템을 제안한다. 먼저, 2D LiDAR 센서가 부착된 로봇 청소기와 음성 인식이 가능한 스피커 등을 통해 집 내부의 존재하는 가전제품을 활용하여 상황에 대한 센서 데이터를 수집하는 시스템을 제안한다. 수집된 데이터는 네트워크를 통해 클라우드 서버로 보내지게 된다.
그림 1은 이와 같은 전체 시스템을 보여주고 있다. 본 연구에서는 센서 간의 상관관계를 통한 융합 알고리즘을 제안하며 그림 2는 센서 융합 알고리즘의 순서도로 나타낸 것이다.
음성 센서를 이용하여 사용자의 음성 데이터를 수집하고 현재 발생한 소리가 비명소리인지 일상적인 대화 소리인지 구별하는 머신러닝 모델을 연구했다. 본 연구는 사용자의 프라이버시 문제를 최소화하여 집 내부에 거부감 없이 센서를 설치하고 위험 상황을 탐지하는 것을 목적으로 두고 있다.
추출된 특징을 decision tree classifier, k neighbors classifier 등 다양한 머신러닝 기반 분류기를 학습에 사용되었다. 우리는 학습된 머신러닝 분류 모델의 테스트 결과를 비교 분석하여 집 안 사용자의 위험 상황을 탐지하는데 적합한 모델을 제안한다.
이를 통해 우리는 외부에 침입이 발생했다고 판단할 수 있다. 본 연구에서 임계값을 정하기 위해 먼지 사람이 없는 경우의 탐지되는 먼지 양의 평균을 구하였으며, 임계 값 이상의 값이 나온 경우, 외부의 침입을 통한 위험 상황을 판단했다.
본 연구에서 실제 1인 가구 환경에서 실험을 진행 한 뒤, 각 센서 별 위험 상황 탐지에 대한 정확도를 구했다. 먼저 2D LiDAR는 YDLiDAR 사에 X4 2D LiDAR [17]를 이용하여 데이터를 수집했다.
먼저 2D LiDAR는 YDLiDAR 사에 X4 2D LiDAR [17]를 이용하여 데이터를 수집했다. 수집된 데이터는 scan의 x, y 축에 따른 point 형태로 나타나는데 point의 이동이 없는 경우를 움직임이 없는 상황으로 분류하고 point의 이동이 빈번하게 발생하는 경우를 움직임이 있는 상황으로 분류하였다. 본 연구는 움직임이 8시간 이상 없는 상황에서 움직임이 있던 point의 마지막 위치가 물체 위가 아닌 바닥이나 문 앞인 위험 상황으로 판단하였다.
수집된 데이터는 scan의 x, y 축에 따른 point 형태로 나타나는데 point의 이동이 없는 경우를 움직임이 없는 상황으로 분류하고 point의 이동이 빈번하게 발생하는 경우를 움직임이 있는 상황으로 분류하였다. 본 연구는 움직임이 8시간 이상 없는 상황에서 움직임이 있던 point의 마지막 위치가 물체 위가 아닌 바닥이나 문 앞인 위험 상황으로 판단하였다. 그림 8은 사용자의 동선을 분석한 결과와 집 내부 map를 융합한 예시를 보여준다.
본 연구는 다양한 센서를 융합하여 집 안에서 사용자의 위험 상황을 탐지한다. 실험을 통해 우리는 각각의 센서와 융합 알고리즘을 통해 별 탐지 가능한 상황과 불가능한 상황을 제시하며 결과는 다음 Table 3과 같다.
본 연구는 1인 가구의 프라이버시 문제를 최소화하며 3 가지 센서 데이터를 융합하여 사용자의 위험 상황을 탐지하는 알고리즘을 제안한다. 2DLiDAR, 음성, 먼지 센서 간의 상관관계에 따른 융합 알고리즘을 설계했다.
본 연구는 1인 가구의 프라이버시 문제를 최소화하며 3 가지 센서 데이터를 융합하여 사용자의 위험 상황을 탐지하는 알고리즘을 제안한다. 2DLiDAR, 음성, 먼지 센서 간의 상관관계에 따른 융합 알고리즘을 설계했다. 또한, 본연구는 실제 1인가구 집 안에서 수집한 데이터를 통해 알고리즘을 증명하고 있다.

대상 데이터

본 논문은 집 안에서 설치하기 쉽고, 집 내부에 구비 된 가전제품들에서 활용할 수 있는 저가의 센서들을 활용하여 연구 및 실험을 진행하였다. 기존의 연구는 카메라에 의존하여 프라이버시 문제가 심각하지만 본 연구는 프라이버시 문제를 최소화하고자 영상 데이터가 아닌 2DLiDAR, 음성, 먼지 센서를 활용하여 수집한 데이터를 사용했다. 또한, 단일 센서를 통해 1인 가구의 집 안을 모니터링하는 기존의 연구들과 다르게 본 연구는 센서들의 상관관계 기반 융합 알고리즘을 설계하였다.
본 연구에서 실제 1인 가구 환경에서 실험을 진행 한 뒤, 각 센서 별 위험 상황 탐지에 대한 정확도를 구했다. 먼저 2D LiDAR는 YDLiDAR 사에 X4 2D LiDAR [17]를 이용하여 데이터를 수집했다. 수집된 데이터는 scan의 x, y 축에 따른 point 형태로 나타나는데 point의 이동이 없는 경우를 움직임이 없는 상황으로 분류하고 point의 이동이 빈번하게 발생하는 경우를 움직임이 있는 상황으로 분류하였다.
본 연구는 음성 센서의 데이터 분류 모델을 학습시키기 위해 공개된 데이터 셋[18, 19]을 사용했다. 비명 소리와 같은 위험 상황 데이터 셋[18] 415개와 말소리가 있는 데이터셋[19] 409개를 이용하여 다양한 머신러닝 분류 모델을 학습시켰다.
본 연구는 음성 센서의 데이터 분류 모델을 학습시키기 위해 공개된 데이터 셋[18, 19]을 사용했다. 비명 소리와 같은 위험 상황 데이터 셋[18] 415개와 말소리가 있는 데이터셋[19] 409개를 이용하여 다양한 머신러닝 분류 모델을 학습시켰다. 집 안에서 위험 상황과 일반적일 상황을 구별하는 모델의 정확도 및 F1-Socre는 Table 1과 같다.
본 연구에서는 SHINYEI PPD42 먼지센서를 사용하여 실험을 진행하였다. 먼지 센서를 통해 수집한 데이터를 분석하여 임계값을 정하였다.
96ug/m3을 임계 값으로 두었다. 총 126개의 먼지센서를 수집하였다. 본연구에서 먼지센서를 통해 외부에서 침입하는 사람을 판단하기 위해 창가에 먼지센서를 설치하였다.

데이터처리

본 연구에서는 SHINYEI PPD42 먼지센서를 사용하여 실험을 진행하였다. 먼지 센서를 통해 수집한 데이터를 분석하여 임계값을 정하였다. 임계값은 사람이 없을 때, 공기 중 먼지를 통해 가지는 값의 평균값인 2.

이론/모형

이때, scan 결과는 2DLiDAR 센서가 설치된 위치를 원점으로 해당 반사되는 지점까지의 range 값을 얻게 된다. 본 연구에는 2DLiDAR를 이용하여 그림 3과 같이 집 내부를 Hector simultaneous localization and mapping (SLAM) 알고리즘[15] 을 이용하여 mapping 한다.
이를 보면 비명소리는 높낮이 변화가 없는 높은 고음 소리를 가지는 반면, 일상적인 대화 소리는 높낮이가 존재하여 고음과 저음이 반복되는 것을 볼 수 있다. 본 연구에서 비명소리와 말소리를 구별하는 모델을 만들기 위해 python 라이브러리 중 Librosa [16]를 활용하였다. Librosa 라이브러리는 소리 데이터 분석에 사용되는 라이브러리로 mel spectororgams, chromagrams, MFCC 등의 함수를 가지고 있다.
우리는 이를 이용하여 소리 데이터 내 특징을 추출하기 위한 함수를 구성하였다. 추출된 특징을 decision tree classifier, k neighbors classifier 등 다양한 머신러닝 기반 분류기를 학습에 사용되었다. 우리는 학습된 머신러닝 분류 모델의 테스트 결과를 비교 분석하여 집 안 사용자의 위험 상황을 탐지하는데 적합한 모델을 제안한다.

성능/효과

학습된 모델 간의 비교 분석 support vector machines (SVM) 모델에 radial basis function (RBF) 커널을 적용한 분류 모델의 성능이 가장 높았다.

후속연구

또한, 다양한 시나리오를 통해 센서 융합의 적합성을 나타내고 있다. 본 논문은 사용자가 센서 설치에 대한 거부감을 줄이고 스마트홈 1인 가구 내 위험 상황을 탐지하여 외부에 위험 상황을 알림으로써 스마트홈 사용자의 생활 환경 개선에 도움을 줄 것이다. 그리고 본 연구는 다른 스마트홈 연구와 헬스 케어와 관련된 연구에 도움이 될 길 바란다.
본 논문은 사용자가 센서 설치에 대한 거부감을 줄이고 스마트홈 1인 가구 내 위험 상황을 탐지하여 외부에 위험 상황을 알림으로써 스마트홈 사용자의 생활 환경 개선에 도움을 줄 것이다. 그리고 본 연구는 다른 스마트홈 연구와 헬스 케어와 관련된 연구에 도움이 될 길 바란다. 우리는 추후 집 내부에서 위험 상황을 탐지할 뿐만 아니라 외부에서도 위험 상황을 탐지하기 위한 연구로 확장할 예정이다.
그리고 본 연구는 다른 스마트홈 연구와 헬스 케어와 관련된 연구에 도움이 될 길 바란다. 우리는 추후 집 내부에서 위험 상황을 탐지할 뿐만 아니라 외부에서도 위험 상황을 탐지하기 위한 연구로 확장할 예정이다. 이때, 연구에서 사용한 센서뿐 아니라 더욱 다양한 센서와 융합할 예정이다.
우리는 추후 집 내부에서 위험 상황을 탐지할 뿐만 아니라 외부에서도 위험 상황을 탐지하기 위한 연구로 확장할 예정이다. 이때, 연구에서 사용한 센서뿐 아니라 더욱 다양한 센서와 융합할 예정이다.

참고문헌 (19)

K. Junghee, 2020 Population Housing Survey Sample Results Furniture and Housing Characteristics Item Press Release, https://www.kostat.go.kr/portal/korea/kor_nw/1/2/1/index.board?bmoderead&bSeq&aSeq415955&pageNo1&rowNum10&navCount10&currPg&searchInfo&sTargettitle&sTxt
P. Miyoung, Smartly Prevent Lonely Deaths from Living Alone, https://www.boannews.com/media/view.asp?idx95424
H. Deokdong, Check with Smart Sensor for Elderly Living Alone, https://www.hankookilbo.com/News/Read/202001061405762149
A. Kichan, Status of Support for Elderly People Using ICT Technology in Major Foreign Countries, https://www.itfind.or.kr/WZIN/jugidong/1824/file8053984805232378018-182402.pdf
G. M. Youngblood and D. J. Cook, "Data Mining for Hierarchical Model Creation," IEEE Transactions on Systems, Man, and Cybernetics, Part C (Applications and Reviews), Vol. 37, No. 4, pp. 561-572, July 2007. DOI: 10.1109/TSMCC.2007.897341

상세보기
M. Skubic, G. Alexander, M. Popescu, M. Rantz and J. Keller, "A smart home application to eldercare: current status and lessons learned," IOS Press on Technology and Health Care, Vol. 17, No. 3, pp. 183-201, Sep 2009. DOI: 10.3233/THC-2009-0551. PMID: 19641257

상세보기
M. Yu, A. Rhuma, S. M. Naqvi, L. Wang and J. Chambers, "A Posture Recognition-Based Fall Detection System for Monitoring an Elderly Person in a Smart Home Environment," IEEE Transactions on Information Technology in Biomedicine, Vol. 16, No. 6, pp. 1274-1286, Nov 2012. DOI: 10.1109/TITB.2012.2214786

상세보기
H. Medjahed, D. Istrate, J. Boudy, J. Baldinger and B. Dorizzi, "A pervasive multi-sensor data fusion for smart home healthcare monitoring," 2011 IEEE International Conference on Fuzzy Systems (FUZZ-IEEE 2011), pp. 1466-1473, Taipei, Taiwan, Sep 2011. DOI: 10.1109/FUZZY.2011.6007636
L. Hyunsoo, P. Sungjun, L. Haewon, and K. Jeongtai, "Scenario-Based Smart Services for Single-Person Households," Indoor and Built Environment, Vol. 22, No. 1, pp. 309-318, Dec 2012. DOI:10.1177/1420326X12470407

상세보기
K. Jinwoo, M. Kyungjun, J. Minhyuk and C. Seokho, "Occupant behavior monitoring and emergency event detection in single-person households using deep learning-based sound recognition," Building and Environment, Vol. 181, pp. 107092, Aug 2020. DOI: 10.1016/j.buildenv.2020.107092

상세보기
A. Junho and H. Richard, "myBlackBox: Blackbox Mobile Cloud Systems for Personalized Unusual Event Detection," Sensors, Vol. 16, No. 5, pp. 753, May 2016. DOI: 10.3390/s16050753

상세보기
H. F. Nweke, Y. W. Teh, G. Mujtaba and M. A. Algaradi, "Data fusion and multiple classifier systems for human activity detection and health monitoring: Review and open research directions," Information Fusion, Vol. 46, pp. 147-170, Mar 2019. DOI: 10.1016/j.inffus.2018.06.002

상세보기
D. Kim and J. Ahn, "Intelligent Abnormal Situation Event Detections for Smart Home Users Using Lidar, Vision, and Audio Sensors," Journal of Internet Computing and Services, Vol. 22, No. 3, pp. 17-26, Jun 2021. DOI: 10.7472/JKSII.2021.22.3.17

원문보기 상세보기
G. Anitha and S. Baghavathipriya, "Posture based health monitoring and unusual behavior recognition system for elderly using dynamic Bayesian network," Cluster Computing, pp. 1-8, Feb 2018. DOI: 10.1007/s10586-018-2010-9

상세보기
S. Kohlbrecher, O. Stryk, J. Meyer and U. Klingauf, "A flexible and scalable SLAM system with full 3D motion estimation," 2011 IEEE International Symposium on Safety, Security, and Rescue Robotics, pp. 155-160, Kyoto, Japan, Dec 2011. DOI: 10.1109/SSRR.2011.6106777
Librosa, https://librosa.org/doc/latest/index.html
YDLiDAR, https://www.ydlidar.com/products/view/5.html
L. Jeongok, Emergency Voice and Sound Introduction, https://aihub.or.kr/aidata/30742
S. R. Livingstone, F. A. Russo, The Ryerson Audio-Visual Database of Emotional Speech and Song (RAVDESS), https://zenodo.org/record/1188976#.YiowOInP21t

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