• 정신신체의학
• /
• 제4권2호
• /
• pp.269-276
• /
• 1996

신체형장애의 정신역동에 대하여 이론적 고찰을 하였다. 신체화(身體化)란 본능적 욕동을 방어하는 과정에서 생긴 갈등을 정신적으로 처리하지 못하고. 신체 증상으로 처리하는 것을 말한다(Moore 1990). Ford(1983)는 인생을 사는 방법 중의 하나라고 하였고, Dunbar(1954)는 정신 에너지가 신체증상으로 바뀌어진 것이라고 했다. Schur(1955)에 의하면, 신체화(身體化)는 갈등에 의해서 일어나는 하나의 퇴행현상이라고 한다. Schur는 이런 현상을 '재(再) 신체화(身體化)(resomatization)'라 했다. 갈등의 신체화(身體化) 반응중 가장 흔한 것이 통증(痛症)(pain)이다. 통증(痛症)은 어린시절의 경험에서 유래한 무의식적 의미를 가지고 있다. 통증(痛症)(pain)은 사랑 획득의 방법이며, 잘못한 행동에 대한 벌로 사용되기도 하고, 속죄(贖罪)의 수단이 되기도 한다. 통증(痛症)중에서도 흉통(胸痛)(chest pain)은 특별한 의미를 갖는다. 일반적으로 '가슴이 아프다'는 말은 '마음이 아프다'는 의미와 같이 쓰인다. 그리고 가슴은 마음을 상징하고 마음은 심장을 생각나게 하여 마음의 아픔을 심장의 통증(痛症)(pain)으로 인식하는 경향이 높다. Kellner(1990)는 적개심과 분노, 특히 억압된 적개심이 신체화(身體化)의 중요한 인자라고 하였다. 정신분석가인 Bacon(1953)dms '심장동통(心臟疼痛)에 대한 정신분석적 관찰'에서 정신분석 시간에 사랑받고 싶은 욕구가 좌절된 환자가 이로 인한 분노와 두려움 때문에 왼편 가슴에서 왼쪽 팔로 뻗쳐 내려가는 심장동통을 호소하는 증례(症例)들을 발표했다. 그녀는 심장동통과 관계된 욕구들이 의존욕구와 공격욕구라고 하였다. 신체형장애의 정신치료에서는 공감적인 관계와 치료적 동맹이 필수적이며, 증상시작의 시점을 중심으로 유발인자를 가려내고 증상과 유발인자의 관계를 이해하도록 돕는 것이 출발이다. 증상을 통하여 표현되고 있는 환자의 심리내적인 갈등을 발견하여 해석해 주는 것이 치료의 과정이다. 이런 기법을 기초로 치료한 세 사람의 신체형장애 증례를 소개하였다. 첫 번째 소개한 히스테리성 실어증을 가진 H군은 억압된 분노가 역동적인 원인이었다. 유발인자와 관련지어 해석을 해주었고, 이차이득을 얻은 후에 회복되었다. 두 번째 소개한 심장노이로제에 빠진 치과의사의 경우는 아버지의 사랑을 잃을 것에 대한 불안이 역동적 원인이었다. 유발인자와 관련지어 증상을 해석하였고, 아버지의 사랑을 잃을까봐 두려워하는 마음속의 아이를 보여주었고, 이제는 어른이 되었으니 자신의 주인이 되어 살라고 교육적인 해석을 듣고 호전되었다. 세 번째 부인은 심한 흉통발작으로 내과에서 의뢰되어 왔는데 의존욕구의 좌절과 이로 인한 분노, 그리고 분리 불안이 역동적 원인이었다. 이 부인은 holter monitor를 메자 증상이 극적으로 사라졌는데 이것을 계기로 자신의 중상이 심인성이라는 것을 알고부터 치료동맹이 이루어졌고, 그 후 정기적인 정신치료 시간에는 증상과 유발인자들 사이의 관계를 해석해 주었다. 이를 통하여 분리불안이 증상과 관계되어 있다는 것을 이해하고 환자는 증상이 일어나도 덜 두려워하게 되었고, 해외여행이나 사회적인 활동이 가능해졌다.

• 지능정보연구
• /
• 제17권4호
• /
• pp.109-130
• /
• 2011

연속발생 데이터는 데이터의 원천으로부터 데이터 저장소로 연속적으로 축적이 되는 데이터를 말한다. 이렇게 축적된 데이터의 크기는 시간이 지남에 따라 점점 커진다. 또한 이러한 대용량 데이터에서 정보를 추출하기 위해서는 저장공간, 시간, 그리고 많은 자원이 필요하다. 이러한 연속발생 데이터의 특성은 시간이 지남에 따라 축적된 대용량 데이터의 이용을 어렵고 고비용이 되게 한다. 만약 정보나 패턴을 추출할 때 누적된 전체 발생 데이터 중에서 최근의 일부만 사용 한다면 적은 일부 표본의 사용의 문제로 인하여 전체 데이터 사용에서 발견될 수 있는 유용한 정보의 유실이 있을 수 있다. 이러한 문제점을 해결하기 위해서 본 연구는 연속발생 데이터를 발생 시점에서 계속 모으기 보다 이러한 발생되는 데이터에서 규칙을 추출하여 효율적으로 지식을 관리하고자 한다. 이 방법은 기존의 방법에 비하여 적은 양의 데이터 저장공간을 필요로 한다. 또한 이렇게 축적된 규칙집합은 미래에 예측을 위해서 언제든 실시간 예측을 할 수 있게 준비가 된다. 여러 예측 모델을 결합시키는 방법인 앙상블 이론에 의하면 본 연구가 제시하는 데로 체계적으로 규칙집합을 시간에 따라 융합시킬 경우 더 나은 예측 성과가 가능하다. 본 연구는 주식시장의 변동성을 예측하기 위하여 주식시장 데이터를 사용하였다. 본 연구는 이 데이터를 이용해 본 연구가 제시하는 방법과 기존의 방법의 예측 정확도를 비교 하였다.