본 논문에서는 사상체질분류검사 설문지를 이용하여 사상체질을 진단할 때 진단의 정확도를 향상시키기 위한 사상체질 분류모형을 개발하기 위하여 데이터마이닝의 주요 분류기법인 판별분석(discriminant analysis), 의사결정나무(decision tree analysis), 신경망분석(neural network analysis), 로지스틱 회귀분석(logistic regression analysis), 군집분석(clustering analysis) 등 다양한 분류분석모형을 이용한다. 본 연구에서는 분류의 비교적 정확도가 우수하며, 특히 분석과정을 쉽게 이해하고 설명할 수 있다는 점과 구현이 용이하다는 장점을 가지고 있는 판별분석모형과 의사결정나무분석모형을 기반으로 사상체질 분류모형을 개발하고, 두 분류모형을 적용한 사상체질 진단시스템을 구현하였다.
본 논문에서는 사상체질분류검사 설문지를 이용하여 사상체질을 진단할 때 진단의 정확도를 향상시키기 위한 사상체질 분류모형을 개발하기 위하여 데이터마이닝의 주요 분류기법인 판별분석(discriminant analysis), 의사결정나무(decision tree analysis), 신경망분석(neural network analysis), 로지스틱 회귀분석(logistic regression analysis), 군집분석(clustering analysis) 등 다양한 분류분석모형을 이용한다. 본 연구에서는 분류의 비교적 정확도가 우수하며, 특히 분석과정을 쉽게 이해하고 설명할 수 있다는 점과 구현이 용이하다는 장점을 가지고 있는 판별분석모형과 의사결정나무분석모형을 기반으로 사상체질 분류모형을 개발하고, 두 분류모형을 적용한 사상체질 진단시스템을 구현하였다.
In this thesis, in order to develop a new classification model of Sasang Constitutional medical types, which is helpful for improving the accuracy of diagnosis of medical types. various data-mining classification models such as discriminant analysis. decision trees analysis, neural networks analysis...
In this thesis, in order to develop a new classification model of Sasang Constitutional medical types, which is helpful for improving the accuracy of diagnosis of medical types. various data-mining classification models such as discriminant analysis. decision trees analysis, neural networks analysis, logistics regression analysis, clustering analysis which are main classification methods were applied to the questionnaires of medical type classification. In this manner, a model which scientifically classifies constitutional medical types in the field of Sasang Constitutional Medicine, one of a traditional Korean medicine, has been developed. Also, the above-mentioned analysis models were systematically compared and analyzed. In this study, a classification of Sasang constitutional medical types was developed based on the discriminate analysis model and decision trees analysis model of which accuracy is relatively high, of which analysis procedure is easy to understand and to explain and which are easy to implement. Also, a diagnosis system of Sasang constitution was implemented applying the two analysis models.
In this thesis, in order to develop a new classification model of Sasang Constitutional medical types, which is helpful for improving the accuracy of diagnosis of medical types. various data-mining classification models such as discriminant analysis. decision trees analysis, neural networks analysis, logistics regression analysis, clustering analysis which are main classification methods were applied to the questionnaires of medical type classification. In this manner, a model which scientifically classifies constitutional medical types in the field of Sasang Constitutional Medicine, one of a traditional Korean medicine, has been developed. Also, the above-mentioned analysis models were systematically compared and analyzed. In this study, a classification of Sasang constitutional medical types was developed based on the discriminate analysis model and decision trees analysis model of which accuracy is relatively high, of which analysis procedure is easy to understand and to explain and which are easy to implement. Also, a diagnosis system of Sasang constitution was implemented applying the two analysis models.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
따라서 본 연구에서는 한국한의학연구원과 사상체질의학회에서 개발한 체질진단설문지를 이용하여 사상체질을 진단할 때 진단의 정확도를 향상시키기 위한 사상체질 분류모형을 개발하고 사상체질 진단시스템을 구현한다 사상체질 분류모형 개발을 위해 데이터마이닝의 다양한 주요 분류기법들과 설문자료를 이용하여 사상체질 분류문제에 적용시킨 후, 이들 모형을 체계적으로 비교 평가한다. 그리고 사상체질 진단시스템에 적용할 분류모형을 개발하고 이를 기반으로 사상체질 진단시스템을 구현 한다.
그리고 다중사용자 환경에 맞는 웹 기반 클라이언트/서버 구조 환경으로 설계하였고 시스템 효율성을 위하여 복잡하고 방대한 판별함수 계산은 각 클라이언트 측에서 처리하도록 설계한다. 또한 본 시스템은 환자의 성과 나이 그리고 비만도에 따른 세부적이며 다양한 조건에서 사상체질을 판별할 수 있도록 설계한다. 마지막으로 본 시스템은 환자의 주관적 소견을 위주로 하는 환자용 체질설문지뿐만 아니라 의사의 객관적 소견을 위주로 하는 의사용 체질 진단지와 환자용 체질설문지의 축약본이라고 할 수 있는 검진용 체질설문지에 대한 체질분류모형을 각각 개발하고, 각 체질분류모형을 시스템에 적용시켜 다양한 조건과 방식으로 체질을 진단을 할 수 있도록 설계하고 구현한다.
본 논문에서는 판별분석모형과 의사결정나무분석모형을 기반으로 사상체질 분류모형을 개발하고, 두 분류모형을 적용한 사상체질 진단시스템을 구현하였다. 또한 본 시스템은 환자의 성과 사상체질의학의 광제설을 토대로 구분된 나이, 그리고 비만도에 따라 사상체질을 판별할 수 있도록 설계하고 구현하였다.
진단시스템을 구현한다. 본 시스템은 환자의 성과 나이 그리고 비만도를 분류하여 세부적이며 다양한 조건에서 사상체질을 판별할 수 있도록 설계하고 구현한다. 여기서 환자의 나이는 사상체질의학의 광제설을 토대로 분류하였다 아울러 다중사용자 환경에 적합한 웹 기반(webbased) 클라이언트/서버(client/server)구조의 환경으로 구현된다.
본 연구에서는 사상체질 분류모형을 개발하기 위하여 데이터마이닝의 주요 분류기법인 판별분석, 의사결정나무분석, 신경망분석, 로지스틱 회귀분석, 군집분석 등 다양한 분류분석모형 체질 분류 문제에문제에 적용시켜 사상체질의학에서 사상체질을 과학적으로 분류하는 모형을 개발하고, 이들 모형에 대하여 체계적인 비교분석을 하였다.
제안 방법
특히 본 모듈은 사상체질의학의 광제설을토대로 성과 나이를 구분하여 환자의 성과 나이에 따른 사상체질을 판별할 수 있도록 구현하였다. 구분된 나이는 17세에서 32세 이하, 33세에서 48세 이하, 49세에서64세 이하 그리고 65세 이상인 환자 그룹으로 구분하였으며 각 그룹에 대한 각각의 판별함수를 구한 후 진단모듈에 적용시켰다 뿐만 아니라 한방진단 의사들의 임상경험을 토대로 환자의 성과 나이에 따른 비만도(BMI)를 저체중, 정상, 과체중으로 분류하여 사상체질을 판별할 수 있도록 구현하였다
두 모형은 비교적 분류의 정확도가 우수하며, 특히 분석과정을 쉽게 이해하고 설명할 수 있다는 점과 구현이 용이하다는 장점을 가지고 있다. 그리고 다중사용자 환경에 맞는 웹 기반 클라이언트/서버 구조 환경으로 설계하였고 시스템 효율성을 위하여 복잡하고 방대한 판별함수 계산은 각 클라이언트 측에서 처리하도록 설계한다. 또한 본 시스템은 환자의 성과 나이 그리고 비만도에 따른 세부적이며 다양한 조건에서 사상체질을 판별할 수 있도록 설계한다.
비교 평가한다. 그리고 사상체질 진단시스템에 적용할 분류모형을 개발하고 이를 기반으로 사상체질 진단시스템을 구현 한다.
또한 본 시스템은 환자의 성과 사상체질의학의 광제설을 토대로 구분된 나이, 그리고 비만도에 따라 사상체질을 판별할 수 있도록 설계하고 구현하였다.
또한 본 시스템은 환자의 성과 나이 그리고 비만도에 따른 세부적이며 다양한 조건에서 사상체질을 판별할 수 있도록 설계한다. 마지막으로 본 시스템은 환자의 주관적 소견을 위주로 하는 환자용 체질설문지뿐만 아니라 의사의 객관적 소견을 위주로 하는 의사용 체질 진단지와 환자용 체질설문지의 축약본이라고 할 수 있는 검진용 체질설문지에 대한 체질분류모형을 각각 개발하고, 각 체질분류모형을 시스템에 적용시켜 다양한 조건과 방식으로 체질을 진단을 할 수 있도록 설계하고 구현한다.
본 논문에서는 비교적 분류의 정확도가 우수하고 분석과정을 쉽게 이해하고 설명할 수 있으며, 구현이 용이한 판별 분석모형과 의사결정 나무분석모형을 기반으로 사상체질 분류모형을 개발하고 두 분류모형을 적용한 사상체질 진단시스템을 구현한다. 본 시스템은 환자의 성과 나이 그리고 비만도를 분류하여 세부적이며 다양한 조건에서 사상체질을 판별할 수 있도록 설계하고 구현한다.
본 논문에서는 판별분석모형과 의사결정나무분석모형을 기반으로 사상체질 분류모형을 개발하고, 두 분류모형을 적용한 사상체질 진단시스템을 설계하고 구현한다. 두 모형은 비교적 분류의 정확도가 우수하며, 특히 분석과정을 쉽게 이해하고 설명할 수 있다는 점과 구현이 용이하다는 장점을 가지고 있다.
본 연구에서 사용하는 사상체질분류검사 설문지는 인적사항 11개 문항과 함께 사상체질을 판별하는데 사용되는 설문은 총 229개 문항으로서 3지 설문지로 구성되어 있다[11,14].
본 연구에서는 주요 데이터마이닝의 기법인 판별분석모형(discriminant analysis model), 의사결정나무분석모형 (decision tree analysis model), 신경망분석모형(neural network analysis model), 로지스틱 회귀분석 모형 (logistic regression analysis model), 군집분석모형(clustering analysis model) 등과 같은 다양한 분류방법들과 한국한의학연구원과 사상체질의학회에서 개발한 환자용 체질설문지를 이용한분류 문제에를 이용하여 사상체질 분류문제에 적용시키고, 이들 모형에 대한 분류율을 체계적으로 비교 평가한다.
본 절에서는 로지스틱 회귀분석 모형을 적용하여 사상체질에 대한 분류 결과를 알아본다. 본 연구에서와 같이종속변수가 4개의 범주를 갖고 있으나 자연스러운 순서가 없는 경우를 고려하여 다항(polychotomous) 로지스틱회귀 모형을 사용한다.
본 절에서는 신경망 분석모형을 적용하여 사상체질에 대한 분류결과를 알아본다. MLP 신경망에서 모형 선택 기준을 오 분류율로 하여 은닉 마디(hidden units)를 1개에서부터 100개까지 변화시키면서 적합해본 결과, 오분류율이 가장 낮고 은닉 마디 수가 적은 모형의 결과이며 15개의 은닉 마디 수를 갖는다.
본 절에서는 의사결정 나무 분석모형을 적합 시킨 후, 사상체질별 분류율을 알아본다. 본 연구에서는 의사결정나무분석모형의 알고리즘 중 CART(classification and regression trees) 알고리즘을 적용한다.
본 연구에서는 의사결정나무분석모형의 알고리즘 중 CART(classification and regression trees) 알고리즘을 적용한다. 분리기준(split criterion)은 부모 노드(parent node)에서 25명, 정지규칙(stopping rule)은 자식 노드(child node)에서는 5명을 지정하였고 나무의 깊이(depth of tree)는 10단계로 설정하였다, 그리고 분류오류(classification error)를 크게 할 위험(risk)이 높거나 부적절한 추론규칙(induction rule)을 가지고 있는 가지(branch)는 가지치기(pruning)하였다. CART 알고리즘을 적용한 의사결정나무를 전체표본 2,532명에 적용한 결과는 표 3과 같다.
수 있다. 실제로는 환자의 사상체질을 알고 있지만, 이러한 실제 체질 정보를 모른다고 가정하고 상호배반 적 군집방법인 k-평균 군집 방법을 적용하였고, 분류된 군집을 사상체질로 분류하는 방법은 각각의 실제 체질별로 행 비율(row percent)을 구한 다음 분류된 군집을 가장 큰 비율을 가지는 체질로 분류하고, 이 과정을 모든 군집에 상호배반 적으로 비율의 크기순으로 반복하여 적용하였다.
있다. 특히 본 모듈은 사상체질의학의 광제설을토대로 성과 나이를 구분하여 환자의 성과 나이에 따른 사상체질을 판별할 수 있도록 구현하였다. 구분된 나이는 17세에서 32세 이하, 33세에서 48세 이하, 49세에서64세 이하 그리고 65세 이상인 환자 그룹으로 구분하였으며 각 그룹에 대한 각각의 판별함수를 구한 후 진단모듈에 적용시켰다 뿐만 아니라 한방진단 의사들의 임상경험을 토대로 환자의 성과 나이에 따른 비만도(BMI)를 저체중, 정상, 과체중으로 분류하여 사상체질을 판별할 수 있도록 구현하였다
대상 데이터
본 연구에서 사용하는 데이터는 9개 한의과대학의 10개 부속한방병원에서 치료를 받은 환자들 중 각 병원의 사상체질전문의로부터 체질진단을 받고 최소한 4주 이상 사상체질 처방을 사용한 후 주 증상이 전반적으로 호전되어 체질이 확인된 환자 2,641명을 대상으로 하고 있다. 이 중에 한 개 이상 결측값이 있는 환자 109명을 제외한 2,532명의 문잔 데이터가 연구 대상이다 2,532명에 대한 사상체질별 분포는 표 1과 같다
사상체질 전문의가 진단한 임상체질을 종속변수(목표변수)로 사용하였으며 변수 선택에 의해 선택된 각 소증항목별 문항들을 독립변수로 사용하여 여러 모형구축기법을 적용하였다 모형의 정확성 및 안정성을 위해 데이터정제 작업을 거친 전체표본 2, 532명의 설문자료를 이용하였다. 모형구축 결과로는 표 7과 같이 각 분류모형에 대한 각 체질별 정 분류율의 결과를 얻을 수 있었다.
시스템의 주요 모듈에는 사상체질 설문 모듈과 데이터 관리 모듈 그리고 사상체질진단 모듈로로 구성되어있다. 각 시스템 주요 모듈은 다음과 같다.
있다. 이 중에 한 개 이상 결측값이 있는 환자 109명을 제외한 2,532명의 문잔 데이터가 연구 대상이다 2,532명에 대한 사상체질별 분포는 표 1과 같다
이론/모형
분류율을 알아본다. 본 연구에서는 의사결정나무분석모형의 알고리즘 중 CART(classification and regression trees) 알고리즘을 적용한다. 분리기준(split criterion)은 부모 노드(parent node)에서 25명, 정지규칙(stopping rule)은 자식 노드(child node)에서는 5명을 지정하였고 나무의 깊이(depth of tree)는 10단계로 설정하였다, 그리고 분류오류(classification error)를 크게 할 위험(risk)이 높거나 부적절한 추론규칙(induction rule)을 가지고 있는 가지(branch)는 가지치기(pruning)하였다.
대한 분류 결과를 알아본다. 본 연구에서와 같이종속변수가 4개의 범주를 갖고 있으나 자연스러운 순서가 없는 경우를 고려하여 다항(polychotomous) 로지스틱회귀 모형을 사용한다.
성능/효과
분류결과를 알아본다. MLP 신경망에서 모형 선택 기준을 오 분류율로 하여 은닉 마디(hidden units)를 1개에서부터 100개까지 변화시키면서 적합해본 결과, 오분류율이 가장 낮고 은닉 마디 수가 적은 모형의 결과이며 15개의 은닉 마디 수를 갖는다. 전체표본에 대하여 신경망분석모형을 적합한 결과는 표 4와 같으며, 정분류율 (accuracy)이 65.
00%로 나타났으며, 태양인을 제외한 세 체질에 대해서는 판별분석모형보다 정분류율이 비교적 높게 나타났다. 그리고 정분류율을 체질별로 살펴보면 태양인 0%로 의사결정나무분석모형 적용에 있어서 태양인을 전혀 판별할 수 없는 것으로 나타났다. 그리고 태음인 80.
75%로 나타났다. 그리고 정분류율을 체질별로 살펴보면 태양인 49.15% 소음인 40.22%, 소양인 35.72% 그리고 태음인 24.57%의 순으로 나타났으며, 정분류율이 극히 낮다는 것을 알 수 있다. 따라서 체질 정보를 모르는 상황에서 군집 분석한 결과는 체질 정보를 알고 있을 때의 판별분석, 의사결정 나무 분석, 로지스틱회귀분석 그리고 신경망 분석 결과보다 오분류율이 높아져서 비효율적인 방법임을 알 수 있다.
데이터 정제 작업 과정을 거친 후 얻은 표본 2,532 명에 대하여 다항 로지스틱 회귀분석 모형을 적용한 결과는 표 5와 같으며, 정 분류율(accuracy)이 68.64%, 오분류율(error rate)이 31.36%로 나타났다. 그리고 정분류율을 체질별로 살펴보면 태음인 92.
데이터 정제 작업 과정을 거친 후 얻은 표본 2,532명에 대하여 군집 분석모형을 적용한 결과는 표 6과 같으며, 정분류율(accuracy)이 33.25%, 오 분류율(error rate)이 66.75%로 나타났다. 그리고 정분류율을 체질별로 살펴보면 태양인 49.
57%의 순으로 나타났으며, 정분류율이 극히 낮다는 것을 알 수 있다. 따라서 체질 정보를 모르는 상황에서 군집 분석한 결과는 체질 정보를 알고 있을 때의 판별분석, 의사결정 나무 분석, 로지스틱회귀분석 그리고 신경망 분석 결과보다 오분류율이 높아져서 비효율적인 방법임을 알 수 있다.
추정한다. 먼저 데이터 정제 작업 과정을 거친 후 얻은 전체 표본에 대하여 판별분석모형을 적용하여 판별함수를 추정하고 사상체질에 대한 분류결과를 알아본다 판별함수를 전체 표본 2, 532명에 적용한 결과는 표 2와 같으며, 정 분류율(accuracy) 이 65.68%, 오분류율(error rate)이 3432%로 나타났다 그리고 정분류율을 체질별로 살펴보면 태양인 86.44%, 소음인 69.84%, 태음인 66.92%, 소양인 58.96%의 순으로 높게 나타났으며, 사상체질 판별분석모형에서는 특히 태양인 판별에 강한 특성을 가지고 있음을 알 수 있다. 기존의 체질진단시스템은 태양인을 판별할 수 없다는 취약점을 감안할 때 본 연구에서 구축되는 판별분석모형은 그 문제해결을 위한 대안이 될 수 있다고 볼 수 있다.
본 연구에서 사용된 환자용설문지와 임상데이터를 토대로 구축된 판별분석모형과 의사결정나무분석모형의 정분류율은 표 8에서 보여주는 것과 같이 모든 체질에서 기존의 Q9CCⅡ의 정 분류율 보다 향상된 것을 확인 할 수 있으며, 이는 개선된 체질 분류 설문지가 사상체질 분류와 판정에 큰 영향을 주고 있다는 것을 말해준다.
본 연구에서와 같은 사상체질분류함수를 개발할 때는 군집의 개수가 4개로 미리 결정되어 있고 관측값들을 4개의 군집으로 구분시키는(partitionWig) 절차를 따라야 하므로 PROC FASTCLUS가 적절한 방법이라고 할 수 있다. 실제로는 환자의 사상체질을 알고 있지만, 이러한 실제 체질 정보를 모른다고 가정하고 상호배반 적 군집방법인 k-평균 군집 방법을 적용하였고, 분류된 군집을 사상체질로 분류하는 방법은 각각의 실제 체질별로 행 비율(row percent)을 구한 다음 분류된 군집을 가장 큰 비율을 가지는 체질로 분류하고, 이 과정을 모든 군집에 상호배반 적으로 비율의 크기순으로 반복하여 적용하였다.
MLP 신경망에서 모형 선택 기준을 오 분류율로 하여 은닉 마디(hidden units)를 1개에서부터 100개까지 변화시키면서 적합해본 결과, 오분류율이 가장 낮고 은닉 마디 수가 적은 모형의 결과이며 15개의 은닉 마디 수를 갖는다. 전체표본에 대하여 신경망분석모형을 적합한 결과는 표 4와 같으며, 정분류율 (accuracy)이 65.88%, 오 분류율(error rate)이 34.12%로 나타났다 그리고 정 분류율을 체질별로 살펴보면 소음인 81.79%, 태양인 72.88%, 태음인 66.16%, 소양인 62.91%의 순으로 높게 나타났다.
CART 알고리즘을 적용한 의사결정나무를 전체표본 2,532명에 적용한 결과는 표 3과 같다. 태양인을 제외한 세 체질에 대한 정분류율이 72.00%, 오분류율이 28.00%로 나타났으며, 태양인을 제외한 세 체질에 대해서는 판별분석모형보다 정분류율이 비교적 높게 나타났다. 그리고 정분류율을 체질별로 살펴보면 태양인 0%로 의사결정나무분석모형 적용에 있어서 태양인을 전혀 판별할 수 없는 것으로 나타났다.
후속연구
향후 연구과제로서는 사상체질 분류함수의 지속적인 업그레이드를 통해 진단시스템의 신뢰도를 높여 나가는 일이며, 무엇보다도 응답자들이 이해하기 쉽고 혼동을 피할 수 있는 설문 개발을 통해 신뢰도를 향상시키는 것이 무엇보다 중요한 일이라고 할 수 있겠다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.