• 한국정보과학회:학술대회논문집
• /
• 한국정보과학회 2012년도 한국컴퓨터종합학술대회논문집 Vol.39 No.1(B)
• /
• pp.507-509
• /
• 2012

심전도 질환 데이터는 일반적으로 분류기를 사용한 실험이 많다. 심전도 신호는 QRS-Complex와 R-R interval을 추출하는 경우가 많은데 본 실험에서는 R-R interval을 추출하여 실험하였다. 심전도 데이터의 분류 실험은 일반적으로 SVM(Support Vector Machine)과 MLP(Multilayer Perceptron)으로 실험되지만 본 실험은 Decision Tree를 사용하여 정확도 향상을 추구하였다. 그리고 정확도 비교 분석을 위해 SVM과 MLP 분류기 실험을 같이 수행하였고, 동일한 데이터와 간격으로 실험한 타 논문의 결과와 비교해 보았다. Decision Tree를 다른 분류기와 타 논문의 결과와 비교해 보니 정확도 부분에서는 Decision Tree가 가장 우수하였다.

• 인터넷정보학회논문지
• /
• 제12권6호
• /
• pp.63-71
• /
• 2011

심전도 질환 데이터는 일반적으로 분류기를 사용한 실험이 많다. 심전도 신호는 QRS-Complex와 R-R interval을 추출하는 경우가 많은데 본 실험에서는 R-R interval을 추출하여 실험하였다. 심전도 데이터의 분류기 실험은 일반적으로 SVM(Support Vector Machine)과 MLP(Multilayer Perceptron) 분류기로 수행되지만 본 실험은 정확도 향상을 위해 Random Forest 분류기 알고리즘 중 Decision Tree를 Best-First Decision Tree(B-F Tree)로 수정하여 실험하였다. 그리고 정확도 비교분석을 위해 SVM, MLP, RBF(Radial Basic Function) Network와 Decision Tree 분류기 실험을 같이 수행하였고, 동일한 데이터와 간격으로 실험한 타 논문의 결과와 비교해보았다. 수정한 Random Forest 분류기의 정확도를 다른 네 개의 분류기와 타 논문의 실험과 비교해보니 정확도 부분에서는 Random Forest가 가장 우수하였다. 본 실험의 전처리 과정은 대역통과 필터(Band-pass filter)를 사용하여 R-R interval을 추출하였는데 향후에는 정확한 간격을 추출하기 위한 필터의 연구가 사려된다.

• 한국생물정보학회:학술대회논문집
• /
• 한국생물정보시스템생물학회 2005년도 BIOINFO 2005
• /
• pp.243-248
• /
• 2005

도메인 조합에 기반한 단백질 상호작용 예측 기법은 효모와 같은 특정 종에 대하여 우수한예측 정확도를 보이는 것으로 알려졌으나, 인간과 같은 고등 생명체의 단백질에 대한 상호작용 예측을 수행하기 위하여는 여러종에 대한 기법의 적절성검증과 최적의 학습집단 구성 방안에 대한 연구가 선행되어야 한다. 본 논문에서는, 초파리 단백질을 이용한 예측 정확도 검증으로 도메인 조합 기법의 일반화 가능성을 타진 하고 이종간의 상호작용 예측실험 및 정확도 검증을 통하여 비교적 연구가 덜 되어진 종의 단백질 상호작용 예측을 위한 학습집단 구성 방법에 대하여 기술한다. 초파리 실험에서는 10351개의 상호작용이 있는 단백질 쌍 가운데, 80%와 20%를 각각 학습집단 및 실험집단으로 사용하였으며, 상호작용이 없는단백질 쌍의 학습집단은 1배에서 5배까지 변화시키면서 예측 정확도를 관찰하였다. 이 결과77.58%의 민감도와 92.61%의 특이도를 확인하였다. 이종간의 상호작용 예측 실험은 효모, 초파리, 효모, 초파리에 해당하는 학습집단 각각을 바탕으로 Human, Mouse, E. coli, C. elegans 등의 단백질 상호작용 예측을 수행하였다. 실험 곁과 학습집단의 도메인이 실험집단의 도메인과 많이 겹칠수록 높은 정확도를 보여주었으며, 도메인 집단간의 유사도를 나타내기 위해 고안한 Domain Overlapping Rate(DOR) 는 상호작용 예측 정확도의 중요한 요소임을 찾아내었다.

• 한국정보과학회:학술대회논문집
• /
• 한국정보과학회 2005년도 가을 학술발표논문집 Vol.32 No.2 (2)
• /
• pp.235-237
• /
• 2005

도메인 조합 기반의 단백질-단백질 상호작용 예측 기법(DCPPIP)은 효모 단백질에 대하여 뛰어난 정확도를 보여준다. 그러나 다른 종에서의 예측 정확도 및 기법의 유효성은 아직까지 검증되지 않고 있다. 본 논문에서는, 초파리 및 인간 단백질을 이용한 예측 정확도 검증 및 이종간의 상호작용 예측 실험의 결과를 기술한다. 초파리와 인간 단백질의 실험에서는 각각 10,351개와 2,345개의 상호작용 단백질 쌍이 사용되었다. 초파리와 인간의 상호작용 단백질 쌍 중 $80\%$와 $20\%$를 각각 학습집단 및 실험집단으로 사용하였으며. 상호작용이 없는 단백질 쌍의 학습집단은 1배에서 5배까지 변화시키면서 예측 정확도를 관찰하였다. 정확도는 실험집단 중 학습집단과 도메인이 완전히 혹은 부분적으로 겹치는 쌍들에 대하여 계산하였다. 이 결과 초파리에서는 약 $77\%$의 민감도와 $92\%$의 특이도가 확인되었고 인간 단백질에 대하여는 약 $96\%$의 민감도와 $95\%$의 특이도를 보여주었다. 이종간의 상호작용 예측 실험은 효모, 초파리, 효모+초파리에 해당하는 학습집단 각각을 바탕으로 Human, Mouse, H. pylori, E. coli, C. elegans 등의 단백질 상호작용 예측을 수행하였다. 실험 결과 학습집단의 도메인이 실험집단의 도메인과 많이 겹칠 수륵 높은 정확도를 보여주었으며, 도메인 집단간의 유사도를 나타내기 위해 고안한 Domain Overlapping Rate(DOR)는 상호작용 예측 정확도의 중요한 요소임을 찾아 내었다.

• 한국정보처리학회:학술대회논문집
• /
• 한국정보처리학회 2013년도 춘계학술발표대회
• /
• pp.212-214
• /
• 2013

심전도 데이터는 일반적으로 분류기를 사용한 실험이 많으며, QRS-Complex와 R-R interval 간격을 추출하여 실험한다. 본 연구에서는 R-R interval을 추출하였다. 그리고 R-R interval 데이터와 HRV 데이터를 구성하였고, 베이지안 네트워크 분류기를 사용하여 정확도를 도출하였다. 심장관련 데이터는 심전도 뿐 아니라 심장병 데이터도 있는데 심전도 데이터와 같이 분류실험을 시행하여 정확도를 도출하였다. 그리고 베이지안 네트워크분류기의 정확도를 분석하기 위해 타 논문의 실험결과와 비교하였다. 타 논문과 본 연구의 결과를 비교해보니 베이지안 네트워크가 타 결과에 비해서 정확도 도출이 우수하였다.

• 한국정보과학회 언어공학연구회:학술대회논문집(한글 및 한국어 정보처리)
• /
• 한국정보과학회언어공학연구회 2001년도 제13회 한글 및 한국어 정보처리 학술대회
• /
• pp.123-129
• /
• 2001

지금까지 한국어 품사 부착을 위해 다양한 모델이 제안되었고 95% 이상의 높은 정확도를 보여주고 있다. 그러나 4-5%의 오류는 실제 응용 분야에서 많은 문제를 야기시킬 수 있다. 이러한 오류를 최소화하기 위해서는 오류를 분석하고 이를 수정할 수 있는 규칙들을 학습하여 재사용하는 방범이 효과적이다. 오류 수정 규칙을 학습하기 위한 기존의 방법들은 수동학습 방법과 자동 학습 방법으로 나눌 수 있다 수동 학습 방법은 많은 비용이 요구되는 단점이 있다. 자동 학습 방법의 경우 모두 변형규칙 기반 접근 방법을 사용하였는데 어휘 정보를 고려할 경우 탐색 공간과 규칙 적용 시간이 매우 크다는 단점이 있다. 따라서 본 논문에서는 초기 모델에 대한 오류 수정 규칙을 효율적으로 학습하기 위한 새로운 방법으로 결정 트리 학습 방법을 확장한 통계적 결정 그래프 학습 방법을 제안한다. 제안된 방법으로 두 가지 실험을 수행하였다. 초기 모델의 정확도가 높고 말뭉치의 크기가 작은 첫 번째 실험의 경우 초기 모델의 정확도 95.48%를 97.37%까지 향상시킬 수 있었다. 초기 모델의 정확도가 낮고 말뭉치 크기가 큰 두 번째 실험의 경우 초기 모델의 정확도 87.22%를 95.59%로 향상시켰다. 또한 실험을 통해 결정 트리 학습 방법에 비해 통계적 결정 그래프 학습 방법이 더욱 효과적임을 알 수 있었다.

• 한국전자통신학회논문지
• /
• 제14권6호
• /
• pp.1153-1160
• /
• 2019

본 논문에서는 CNN의 컨볼루션 레이어 개수 및 커널의 크기와 개수가 CNN에 어떠한 영향을 끼치는지 실험을 통해 알아보기 위해 진행하였다. 또한 분석을 위해 일반적인 CNN도 실험하여 실험에 사용된 CNN과 비교하였다. 분석에 사용될 신경망들은 CNN을 기반으로 하며 각각의 실험모델들은 레이어 개수, 커널의 크기 및 개수를 일정한 값으로 고정해 실험을 진행하였다. 모든 실험에는 2계층의 완전연결계층을 고정으로 사용하였다. 다른 변수들은 모두 동일한 값을 주어 실험하였다. 분석결과 레이어의 수가 작을 경우 커널의 크기 및 개수와 상관없이 데이터의 분산 값이 작아 견고한 정확도를 보여주었다. 레이어의 수가 커질수록 정확도도 증가됐으나 일정 수치 이상부턴 오히려 정확도가 내려갔으며 분산 값도 커져 정확도 편차가 크게 나타났다. 커널의 개수는 다른 변수보다 학습속도에 큰 영향을 끼쳤다.

• 문화기술의 융합
• /
• 제9권5호
• /
• pp.167-173
• /
• 2023

이 연구의 목적은 대학생을 대상으로 심폐소생술 마네킹을 사용하여 인공호흡과 흉부 압박의 정확도를 분석하였다. 첫째, 가슴압박 횟수에서 실험대상자 A, F, H, I, J는 60회에서 63회로 각각 비슷한 횟수를 나타냈고, 기준보다 매우 낮았다. 실험대상자 B, D, E, G는 90회에서 91회로 나타나 정상범위를 유지하였다. 그런데 C는 119회로 다소 높게 나타났다. 둘째, 가슴압박 깊이는 58.60mm로 대부분 깊게 압박하였다. 실험대상자 C는 51mm로 정상에 근접하였고, 실험대상자 A~J는 55mm~62mm로 유의하게 높게 나타났다. 그 이유는 가슴압박의 경험이 전혀 없는 불안정한 심리상태와 자신감이 부족한 결과로 보인다. 셋째, 정확도에 있어서, 실험대상자 E는 12%로 나타나 정확도가 가장 낮았고, A~J는 33%~80%로 나타났다. 실험대상자 B는 95%의 정확도를 보였는데, 이는 D가 군 복무 중 이론 교육을 통하여, 가슴압박 지점을 정확하게 인지한 결과로 보인다.

• 전력전자학회:학술대회논문집
• /
• 전력전자학회 2019년도 전력전자학술대회
• /
• pp.445-446
• /
• 2019

전기적 등가회로의 모델의 정확도 향상을 위하여 정확한 내부 저항과 OCV의 반영은 필수적이며, 이를 위한 OCV 실험에서 SOC 구간을 작게 작을수록 OCV의 정확도는 향상되지만 실험시간은 증가한다. 따라서 실험 시간을 고려한 적당한 SOC(5%, 10%) 구간으로 실험을 진행하며, 측정 되지 않은 영역의 내부 파라미터는 선형보간법으로 등가회로 모델에 반영한다. 이러한 문제로, 본 연구는 SOC 추정에의 주요 인자인 OCV의 추정 기법으로 뉴럴 네트워크(Neural Network)를 사용하였다. 추정 방법은 뉴럴 네트워크로 기존 OCV 실험 데이터를 학습하여 모델을 구축한다. 학습 모델의 입력값으로 용량 실험 데이터의 전압, 전류를 적용하였고 결과로 얻은 SOC-OCV 곡선을 비교 분석하였다.

• 정보처리학회논문지B
• /
• 제18B권6호
• /
• pp.341-348
• /
• 2011

생체신호의 한 분야인 심전도는 분류알고리즘을 사용한 실험이 일반적이다. 심전도를 실험한 논문에서 사용된 분류알고리즘은 대부분 SVM(Support Vector Machine), MLP(Multilayer Perceptron) 이었으나, 본 실험은 Random Forest 분류기를 시도하였다. 실험방법은 Random Forest 알고리즘을 실험데이터의 신호의 특징에 기반하여 분석하도록 수정하였고, 분류기의 수정된 알고리즘 성능을 규명하기 위하여 SVM과 MLP 분류기와 정확도를 비교 분석하였다. 실험에서는 심전도 신호의 R-R interval을 추출하여 시행하였으며 또한 동일한 데이터를 사용한 타 논문의 결과와 본 실험의 결과를 비교 분석하였다. 결과는 수정된 Random Forest 분류기가 SVM, MLP 분류기, 그리고 타 실험의 결과보다 정확도 부분에서는 우수한 결과를 도출하였다. 본 실험의 전처리 과정에서는 대역통과필터를 사용하여 R-R interval을 추출하였다. 그러나 심전도 실험에서는 대역통과 필터 뿐 아니라, 웨이블릿 변환, 메디안 필터, 유한 임펄스 필터 등으로 실험하는 경우가 많다. 따라서 향후에는 전처리과정에서 기저선 잡음(baseline wandering)을 효율적으로 제거하는 필터의 선택이 필요하며, R-R interval을 정확하게 추출할 수 있는 방법에 대한 연구가 필요하다고 사려된다.