무엇을 찾고 계세요?
닫기
삭제
상세검색

최근검색어

    인기검색어

      통합검색
      국내학술논문
      학위논문
      해외학술논문
      학술지
      단행본
      연구보고서
      공개강의

      KCI등재

      SCOPUS

      Recent use of deep learning techniques in clinical applications based on gait: a survey

      • 내보내기
      • 내책장담기
        • URL 복사
      • 오류접수
      이 자료를 본 이용자가 본 자료
        나만을 위한 추천자료
          다국어 초록 (Multilingual Abstract)

          Gait analysis has been studied for a long time and applied to fields such as security, sport, and medicine. In particular, clinical gait analysis has played a significant role in improving the quality of healthcare. With the growth of machine learning technology in recent years, deep learning-based approaches to gait analysis have become popular. However, a large number of samples are required for training models when using deep learning, where the amount of available gait-related data may be limited for several reasons. This paper discusses certain techniques that can be applied to enable the use of deep learning for gait analysis in case of limited availability of data. Recent studies on the clinical applications of deep learning for gait analysis are also reviewed, and the compatibility between these applications and sensing modalities is determined. This article also provides a broad overview of publicly available gait databases for different sensing modalities.

          더보기
          참고문헌 (Reference)
          • 1 Ribeiro, M. T., "“Why should i trust you?” explaining the predictions of any classifier" 1135-1144, 2016
          • 2 Abu-Faraj, Z. O., "Wiley Encyclopedia of Electrical and Electronics Engineering" 1-34, 2015
          • 3 Van Iersel, M. B., "What is a waddling gait?" 26 (26): 678-682, 2004
          • 4 Pardoel, S., "Wearable-sensor-based detection and prediction of freezing of gait in Parkinson’s disease : A review" 19 (19): 5141-, 2019
          • 5 Kim, S., "Wearable sensor-based gait classification in idiopathic toe walking adolescents" 55 (55): 178-, 2019
          • 6 Qian, X., "Wearable computing architecture over distributed deep learning hierarchy : Fall detection study" 20 (20): 9408-9416, 2020
          • 7 LeMoyne, R., "Wearable body and wireless inertial sensors for machine learning classification of gait for people with friedreich’s ataxia" IEEE 147-151, 2016
          • 8 Bachlin, M., "Wearable assistant for Parkinson’s disease patients with the freezing of gait symptom" 14 (14): 436-446, 2010
          • 9 Torresani, L., "Weakly Supervised Learning" Springer US 883-885, 2014
          • 10 Jung, D., "Walking-in-place characteristics-based geriatric assessment using deep convolutional neural networks" IEEE 3931-3935, 2020
          • 11 Nguyen, T. -N., "Walking gait dataset: Point clouds, skeletons and silhouettes" DIRO, University of Montreal 2018
          • 12 Zhai, Y., "Visual attention detection in video sequences using spatiotemporal cues" 815-824, 2006
          • 13 Ortells, J., "Vision-based gait impairment analysis for aided diagnosis" 56 (56): 1553-1564, 2018
          • 14 Lu, M., "Vision-based estimation of mds-updrs gait scores for assessing Parkinson’s disease motor severity" Springer 637-647, 2020
          • 15 Verlekar, T. T., "Using transfer learning for classification of gait pathologies" IEEE 2376-2381, 2018
          • 16 Zhan, A., "Using smartphones and machine learning to quantify Parkinson disease severity : The mobile Parkinson disease score" 75 (75): 876-880, 2018
          • 17 El-Ziaat, H., "Using multifeature fusion for detecting freezing of gait episodes in patients with Parkinson’s disease" IEEE 92-97, 2020
          • 18 Elkholy, A., "Unsupervised gei-based gait disorders detection from different views" IEEE 5423-5426, 2019
          • 19 Albawi, S., "Understanding of a convolutional neural network" IEEE 1-6, 2017
          • 20 Zeng, M., "Understanding and improving recurrent networks for human activity recognition by continuous attention" 56-63, 2018
          • 21 Vaith, A., "Uncertainty based active learning with deep neural networks for inertial gait analysis" IEEE 1-8, 2020
          • 22 Sharif Bidabadi, S., "Tracking foot drop recovery following lumbar-spine surgery, applying multiclass gait classification using machine learning techniques" 19 (19): 2542-, 2019
          • 23 Guayacan, L. C., "Towards understanding spatio-temporal Parkinsonian patterns from salient regions of a 3d convolutional network" IEEE 3688-3691, 2020
          • 24 Wen, Q., "Time series data augmentation for deep learning: A survey"
          • 25 Gonzalez, E. G., "Time series data augmentation and dropout roles in deep learning applied to fall detection" Springer 563-570, 2020
          • 26 McDonough, A. L., "The validity and reliability of the gaitrite system’s measurements : A preliminary evaluation" 82 (82): 419-425, 2001
          • 27 Benson, L. C., "The use ofwearable devices forwalking and running gait analysis outside of the lab : A systematic review" 63 : 124-138, 2018
          • 28 Enright, P. L., "The six-minute walk test" 48 (48): 783-785, 2003
          • 29 Ding, Z., "The real time gait phase detection based on long short-term memory" IEEE 33-38, 2018
          • 30 Bot, B. M., "The mpower study, Parkinson disease mobile data collected using researchkit" 3 (3): 1-9, 2016
          • 31 Reisberg, B., "The global deterioration scale for assessment of primary degenerative dementia" 139 (139): 1136-1139, 1982
          • 32 Sutherland, D. H., "The evolution of clinical gait analysis : Part ii kinematics" 16 (16): 159-179, 2002
          • 33 Sveinbjornsdottir, S., "The clinical symptoms of Parkinson’s disease" 139 : 318-324, 2016
          • 34 Turner, A., "The classification of minor gait alterations using wearable sensors and deep learning" 66 (66): 3136-3145, 2019
          • 35 Davidson, M., "System for protection from falls"
          • 36 Zhu, T., "Synthetic minority oversampling technique for multiclass imbalance problems" 72 : 327-340, 2017
          • 37 Liu, X., "Synthesizing foot and ankle kinematic characteristics for lateral collateral ligament injuries detection" 8 : 188429-188440, 2020
          • 38 Chen, J., "Surface emg based continuous estimation of human lower limb joint angles by using deep belief networks" 40 : 335-342, 2018
          • 39 Balaji, E., "Supervised machine learning based gait classification system for early detection and stage classification of Parkinson’s disease" 94 : 106494-, 2020
          • 40 Panel on Prevention of Falls in Older Persons, A. G. S., "Summary of the updated American geriatrics society/British geriatrics society clinical practice guideline for prevention of falls in older persons" 59 (59): 148-157, 2011
          • 41 Cimolin, V., "Summary measures for clinical gait analysis : A literature review" 39 (39): 1005-1010, 2014
          • 42 Flagg, C., "Streaming gait assessment for Parkinson’s disease"
          • 43 Mbourou, G. A., "Step length variability at gait initiation in elderly fallers and non-fallers, and young adults" 49 (49): 21-26, 2003
          • 44 Gafurov, D., "Spoof attacks on gait authentication system" 2 (2): 491-502, 2007
          • 45 Goh, S. K., "Spatio–spectral representation learning for electroencephalographic gait-pattern classification" 26 (26): 1858-1867, 2018
          • 46 Springer, S., "Spatiotemporal gait parameters as predictors of lower-limb overuse injuries in military training" 2016 : 5939164-, 2016
          • 47 Tu, J., "Spatial-temporal data augmentation based on lstm autoencoder network for skeleton-based human action recognition" IEEE 3478-3482, 2018
          • 48 Mauldin, T. R., "Smartfall : A smartwatch-based fall detection system using deep learning" 18 (18): 3363-, 2018
          • 49 Nguyen, T. -N., "Skeletonbased gait index estimation with lstms" IEEE 468-473, 2018
          • 50 Sucerquia, A., "Sisfall : A fall and movement dataset" 17 (17): 198-, 2017
          • 51 Bromley, J., "Signature verification using a ‘siamese’ time delay neural network" 7 (7): 669-688, 1993
          • 52 Bergamini, L., "Signal processing and machine learning for diplegia classification" Springer 97-108, 2017
          • 53 Sheng, T., "Siamese networks for weakly supervised human activity recognition" IEEE 4069-4075, 2019
          • 54 Koller, W. C., "Senile gait : A distinct neurologic entity" 1 (1): 661-669, 1985
          • 55 Rehman, R. Z. U., "Selecting clinically relevant gait characteristics for classification of early Parkinson’s disease : A comprehensive machine learning approach" 9 (9): 1-12, 2019
          • 56 Zhao, N., "See your mental state from your walk: Recognizing anxiety and depression through kinect-recorded gait data" 14 (14): e0216591-, 2019
          • 57 Zhao, F., "Robust lstmautoencoders for face de-occlusion in the wild" 27 (27): 778-790, 2017
          • 58 Holanda, L. J., "Robotic assisted gait as a tool for rehabilitation of individuals with spinal cord injury : A systematic review" 14 (14): 1-7, 2017
          • 59 Wu, Y., "Research on gait detection algorithm based on plantar pressure" 1549 : 022068-, 2020
          • 60 Malasinghe, L. P., "Remote patient monitoring : A comprehensive study" 10 (10): 57-76, 2019
          • 61 Alizadeh, M., "Remote monitoring of human vital signs using mm-wave fmcw radar" 7 : 54958-54968, 2019
          • 62 Yang, Y. -R., "Relationships between gait and dynamic balance in early Parkinson’s disease" 27 (27): 611-615, 2008
          • 63 Collins, S. H., "Reducing the energy cost of humanwalking using an unpowered exoskeleton" 522 (522): 212-215, 2015
          • 64 Hinton, G. E., "Reducing the dimensionality of data with neural networks" 313 (313): 504-507, 2006
          • 65 Wang, F., "Recognition of the gait phase based on new deep learning algorithm usingmultisensor information fusion" 31 (31): 3041-3054, 2019
          • 66 Prakash, C., "Recent developments in human gait research : parameters, approaches, applications, machine learning techniques, datasets and challenges" 49 (49): 1-40, 2018
          • 67 Fahn, S., "Recent developments in Parkinson’s disease volume II" Macmillan Healthcare Information 153-, 1987
          • 68 Kang, I., "Real-time neural network-based gait phase estimation using a robotic hip exoskeleton" 2 (2): 28-37, 2019
          • 69 Huang, Y., "Real-time intended knee joint motion prediction by deep-recurrent neural networks" 19 (19): 11503-11509, 2019
          • 70 Taborri, J., "Real-time gait detection based on hidden markov model: is it possible to avoid training procedure?" IEEE 141-145, 2015
          • 71 Verghese, J., "Quantitative gait markers and incident fall risk in older adults" 64 (64): 896-901, 2009
          • 72 Simon, S. R., "Quantification of human motion : gait analysis–benefits and limitations to its application to clinical problems" 37 (37): 1869-1880, 2004
          • 73 Wold, S., "Principal component analysis" 2 (2): 37-52, 1987
          • 74 Stolze, H., "Prevalence of gait disorders in hospitalized neurological patients" 20 (20): 89-94, 2005
          • 75 Mahlknecht, P., "Prevalence and burden of gait disorders in elderly men andwomen aged 60–97 years: a population-based study" 8 (8): e69627-, 2013
          • 76 Nagashima, M., "Prediction of plantar forces during gait using wearable sensors and deep neural networks" IEEE 3629-3632, 2019
          • 77 Shalin, G., "Prediction of freezing of gait in Parkinson’s disease from foot plantar-pressure arrays using a convolutional neural network" IEEE 244-247, 2020
          • 78 Hu, X., "Pre-impact fall detection" 15 (15): 61-, 2016
          • 79 Goldberger, A. L., "Physiobank, physiotoolkit, and physionet:Components of a new research resource for complex physiologic signals" 101 (101): e215-e220, 2000
          • 80 Wang, X., "Phasebeat: Exploiting csi phase data for vital signmonitoring with commodity wifi devices" IEEE 1230-1239, 2017
          • 81 Ngu, A. H., "Personalized fall detection system" IEEE 1-7, 2020
          • 82 Tinetti, M. E., "Performance-oriented assessment ofmobility problems in elderly patients" 34 (34): 119-126, 1986
          • 83 Adadi, A., "Peeking inside the black-box : a survey on explainable artificial intelligence(XAI)" 6 : 52138-52160, 2018
          • 84 Zhang, H., "Pdlens: Smartphone knows drug effectiveness among Parkinson’s via daily-life activity fusion" 1-14, 2020
          • 85 Jun, K., "Pathological gait classification using kinect v2 and gated recurrent neural networks" 8 : 139881-139891, 2020
          • 86 Li, W., "Passive radar for opportunistic monitoring in e-health applications" 6 : 1-10, 2018
          • 87 Tahir, N. M., "Parkinson disease gait classification based on machine learning approach" 12 (12): 180-185, 2012
          • 88 Wang, S. -H., "PSSPNN : Patchshuffle Stochastic Pooling Neural Network for an Explainable Diagnosis of COVID-19 with Multiple-Way Data Augmentation" 2021 : 6633755-, 2021
          • 89 Huynh, Q. T., "Optimization of an accelerometer and gyroscope-based fall detection algorithm" 2015 : 452078-, 2015
          • 90 Bach, S., "On pixel-wise explanations for non-linear classifier decisions by layer-wise relevance propagation" 10 (10): e0130140-, 2015
          • 91 Mohammadian Rad, N., "Novelty detection using deep normative modeling for imu-based abnormal movement monitoring in Parkinson’s disease and autism spectrum disorders" 18 (18): 3533-, 2018
          • 92 Yang, J., "Novel soft smart shoes for motion intent learning of lower limbs using LSTMwith a convolutional autoencoder" 21 (21): 1906-1917, 2020
          • 93 Khokhlova, M., "Normal and pathological gait classification lstm model" 94 : 54-66, 2019
          • 94 Nonnekes, J., "Neurological disorders of gait, balance and posture : A sign-based approach" 14 (14): 183-, 2018
          • 95 De Venuto, D., "Multisensing architecture for the balance losses during gait via physiologic signals recognition" 20 (20): 13959-13968, 2020
          • 96 Jung, D., "Multiple classification of gait using time-frequency representations and deep convolutional neural networks" 28 (28): 997-1005, 2020
          • 97 Auvinet, E., "Multiple cameras fall dataset" DIRO-Universite de Montreal 2010
          • 98 Johnson, W. R., "Multidimensional ground reaction forces andmoments fromwearable sensor accelerations via deep learning" 68 (68): 289-297, 2020
          • 99 Luo, J., "Multi-set canonical correlation analysis for 3d abnormal gait behaviour recognition based on virtual sample generation" 8 : 32485-32501, 2020
          • 100 Lord, S., "Moving forward on gait measurement : Toward a more refined approach" 28 (28): 1534-1543, 2013
          • 101 Goetz, C. G., "Movement disorder society-sponsored revision of the unified Parkinson’s disease rating scale(mdsupdrs) : Scale presentation and clinimetric testing results" 23 (23): 2129-2170, 2008
          • 102 Weiner, W. J., "Motor fluctuations in Parkinson’s disease" 3 (3): 101-, 2006
          • 103 Jankovic, J., "Motor fluctuations and dyskinesias in Parkinson’s disease: Clinical manifestations" 20 (20): S11-S16, 2005
          • 104 Yu, S., "Motion sensorbased assessment on fall risk and Parkinson’s disease severity:A deep multi-source multi-task learning (dmml) approach" IEEE 174-179, 2018
          • 105 Fasano, A., "Modulation of gait coordination by subthalamic stimulation improves freezing of gait" 26 (26): 844-851, 2011
          • 106 Martindale, C. F., "Mobile gait analysis using personalised hidden markov models for hereditary spastic paraplegia patients" IEEE 5430-5433, 2018
          • 107 Wehman, T., "Methods and apparatus for determining work performed by an individual from measured physiological parameters"
          • 108 Grosset, K. A., "Medicine-taking behavior : Implications of suboptimal compliance in Parkinson’s disease" 20 (20): 1397-1404, 2005
          • 109 Camuffo, D., "Measuring wind and indoor airmotions. Microclimate for Cultural Heritage" 483-511, 2014
          • 110 Grosset, K., "Measuring therapy adherence in Parkinson’s disease: A comparison of methods" 77 (77): 249-251, 2006
          • 111 Moro, M., "Markerless gait analysis in stroke survivors based on computer vision and deep learning: A pilot study" 2097-2104, 2020
          • 112 Eskofier, B. M., "Marker-based classification of young–elderly gait pattern differences via direct pca feature extraction and svms" 16 (16): 435-442, 2013
          • 113 Choi, A., "Machine learning approach to predict center of pressure trajectories in a complete gait cycle: A feedforward neural network vs. lstm network" 57 (57): 2693-2703, 2019
          • 114 Reyes, J. F., "Lstm and convolution networks exploration for Parkinson’s diagnosis" IEEE 1-4, 2019
          • 115 Zhang, Y., "Lower limb motor function assessment based on tensorflowconvolutional neural network and kernel entropy component analysis–local tangent space alignment" 12 (12): 1687814020942650-, 2020
          • 116 Zaroug, A., "Lower limb kinematics trajectory prediction using long short-term memory neural networks" 8 : 362-, 2020
          • 117 Hochreiter, S., "Long short-term memory" 9 (9): 1735-1780, 1997
          • 118 Carpinella, I., "Locomotor function in the early stage of Parkinson’s disease" 15 (15): 543-551, 2007
          • 119 Cho, K., "Learning phrase representations using rnn encoder-decoder for statistical machine translation"
          • 120 Bengio, Y., "Learning long-term dependencies with gradient descent is difficult" 5 (5): 157-166, 1994
          • 121 Donovan, S., "Laserlight cues for gait freezing in Parkinson’s disease : An open-label study" 17 (17): 240-245, 2011
          • 122 Rose., Jessica, "Kinematics of Normal Human Walking" 23-44, 1994
          • 123 Abbass, S. J., "Kinematic analysis of human gait cycle" 16 (16): 208-222, 2013
          • 124 Ma, Y., "Investigation of gait characteristics in glaucoma patients with a shoe-integrated sensing system" IEEE 433-438, 2015
          • 125 Han, C. -X., "Investigation of eeg abnormalities in the early stage of Parkinson’s disease" 7 (7): 351-359, 2013
          • 126 Dindorf, C., "Interpretability of input representations for gait classification in patients after total hip arthroplasty" 20 (20): 4385-, 2020
          • 127 Patil, S., "International Conference on Soft Computing and Signal Processing" Springer 39-51, 2019
          • 128 Song, Z., "International Conference on Robotics and Rehabilitation Intelligence" Springer 3-15, 2020
          • 129 Yu, H., "International Conference on Neural Information Processing" Springer 633-642, 2019
          • 130 Stocchi, F., "Intermittent vs continuous levodopa administration in patients with advanced Parkinson disease : A clinical and pharmacokinetic study" 62 (62): 905-910, 2005
          • 131 Craig, J. J., "Instrumented balance andwalking assessments in persons with multiple sclerosis show strong test-retest reliability" 14 (14): 43-, 2017
          • 132 Bolus, N. B., "Instrumented ankle–foot orthosis : Toward a clinical assessment tool for patient-specific optimization of orthotic ankle stiffness" 22 (22): 2492-2501, 2017
          • 133 Chen, Y. -C., "Indoor rfid gait monitoring system for fall detection" IEEE 207-212, 2010
          • 134 San-Segundo, R., "Increasing robustness in the detection of freezing of gait in Parkinson’s disease" 8 (8): 119-, 2019
          • 135 Hausdorff, J. M., "Increased gait unsteadiness in communitydwelling elderly fallers" 78 (78): 278-283, 1997
          • 136 Murray, E., "Implementing a pediatric fall prevention policy and program" 42 (42): 256-260, 2016
          • 137 Deng, J., "Imagenet: A large-scale hierarchical image database" IEEE 248-255, 2009
          • 138 Bloem, B., "Idiopathic senile gait disorders are signs of subclinical disease" 48 (48): 1098-1101, 2000
          • 139 Tortora, S., "Hybrid human-machine interface for gait decoding through Bayesian fusion of eeg and emg classifiers" 14 : 89-, 2020
          • 140 Nutt, J., "Human walking and higher-level gait disorders, particularly in the elderly" 43 (43): 268-268, 1993
          • 141 Kwolek, B., "Human fall detection on embedded platform using depth maps and wireless accelerometer" 117 (117): 489-501, 2014
          • 142 Chatzaki, C., "Human daily activity and fall recognition using a smartphone’s acceleration sensor" Springer 100-118, 2016
          • 143 Lilien, C., "Home-based monitor for gait and activity analysis" (150) : e59668-, 2019
          • 144 Chakraborty, S., "Handbook of Research on Engineering, Business, and Healthcare Applications of Data Science and Analytics" IGI Global 363-372, 2020
          • 145 El-ziaat, H., "Hand-crafted and learned features fusion for predicting freezing of gait events in patients with Parkinson’s disease" Springer 336-345, 2019
          • 146 Hu, K., "Graph sequence recurrent neural network for vision-based freezing of gait detection" 29 : 1890-1901, 2019
          • 147 Creswell, A., "Generative adversarial networks : An overview" 35 (35): 53-65, 2018
          • 148 Stevens, J. A., "Gender differences for nonfatal unintentional fall related injuries among older adults" 11 (11): 115-119, 2005
          • 149 Ferrari, A., "Gaitbased diplegia classification using lsmt networks" 2019 : 3796898-, 2019
          • 150 Alharthi, A. S., "Gait spatiotemporal signal analysis for Parkinson’s disease detection and severity rating" 21 (21): 1838-1848, 2020
          • 151 Prado, A., "Gait segmentation of data collected by instrumented shoes using a recurrent neural network classifier" 30 (30): 355-366, 2019
          • 152 Su, B., "Gait phase recognition using deep convolutional neural network with inertial measurement units" 10 (10): 109-, 2020
          • 153 Yuan, Y., "Gait phase classification based on semg signals using long short-term memory for lower limb exoskeleton robot" IOP Publishing 853 : 012041-, 2020
          • 154 Taborri, J., "Gait partitioning methods : A systematic review" 16 (16): 66-, 2016
          • 155 Wang, X., "Gait feature analysis of polyneuropathy patients" IEEE 58-63, 2015
          • 156 Ismail, H., "Gait estimation and analysis from noisy observations" IEEE 2707-2712, 2019
          • 157 Sudarsky, L., "Gait disorders in the elderly" 322 (322): 1441-1446, 1990
          • 158 Pirker, W., "Gait disorders in adults and the elderly" 129 (129): 81-95, 2017
          • 159 Fernandes, C., "Gait classification of patients with fabry’s disease based on normalized gait features obtained using multiple regression models" IEEE 2288-2295, 2019
          • 160 Kaczmarczyk, K., "Gait classification in post-stroke patients using artificial neural networks" 30 (30): 207-210, 2009
          • 161 Hoang, N. S., "Gait classification for Parkinson’s disease using stacked 2d and 1d convolutional neural network" IEEE 44-49, 2019
          • 162 Kaufman, K. R., "Gait characteristics of patients with knee osteoarthritis" 34 (34): 907-915, 2001
          • 163 Carroll, M., "Gait characteristics associated with the foot and ankle in inflammatory arthritis : A systematic review and metaanalysis" 16 (16): 1-13, 2015
          • 164 Liu, X., "Gait can reveal sleep quality with machine learning models" 14 (14): e0223012-, 2019
          • 165 Sanchez-DelaCruz, E., "Gait biomarkers classification by combining assembled algorithms and deep learning : Results of a local study" 2019 : 3515268-, 2019
          • 166 Buckley, C., "Gait asymmetry post-stroke : Determining valid and reliable methods using a single accelerometer located on the trunk" 20 (20): 37-, 2020
          • 167 Wolfson, L., "Gait assessment in the elderly: A gait abnormality rating scale and its relation to falls" 45 (45): M12-M19, 1990
          • 168 Whittle, M. W., "Gait analysis: An introduction" Butterworth–Heinemann 2014
          • 169 Tao, W., "Gait analysis using wearable sensors" 12 (12): 2255-2283, 2012
          • 170 Li, Y., "Gait analysis using stereo camera in daily environment" IEEE 1471-1475, 2019
          • 171 Hayashi, H., "Gait analysis using a support vector machine for lumbar spinal stenosis" 38 (38): e959-e964, 2015
          • 172 Baker, R., "Gait analysis methods in rehabilitation" 3 (3): 4-, 2006
          • 173 Muro-De-La-Herran, A., "Gait analysis methods : An overview of wearable and non-wearable systems, highlighting clinical applications" 14 (14): 3362-3394, 2014
          • 174 Kale, A., "Gait analysis for human identification" Springer 706-714, 2003
          • 175 Perry, J., "Gait analysis : Normal and pathological function" 12 (12): 815-, 1992
          • 176 Chen, F., "Gait acquisition and analysis system for osteoarthritis based on hybrid prediction model" 85 : 101782-, 2020
          • 177 Horsak, B., "Gai t rec, a large-scale ground reaction force dataset of healthy and impaired gait" 7 (7): 1-8, 2020
          • 178 Aversano, L., "Fuzzy neural networks to detect Parkinson disease" IEEE 1-8, 2020
          • 179 Sherstinsky, A., "Fundamentals of recurrent neural network(rnn)and long short-term memory(lstm)network" 404 : 132306-, 2020
          • 180 Teplan, M., "Fundamentals of eeg measurement" 2 (2): 1-11, 2002
          • 181 Lynn, S. K., "Frontal plane knee moments in golf : Effect of target side foot position at address" 9 (9): 275-, 2010
          • 182 Cohen, R. G., "Freezing of gait is associated with a mismatch between motor imagery and motor execution in narrow doorways, not with failure to judge doorway passability" 49 (49): 3981-3988, 2011
          • 183 Nonnekes, J., "Freezing of gait : A practical approach to management" 14 (14): 768-778, 2015
          • 184 Abdul Razak, A. H., "Foot plantar pressure measurement system : A review" 12 (12): 9884-9912, 2012
          • 185 Wu, J., "Feature extraction via kpca for classification of gait patterns" 26 (26): 393-411, 2007
          • 186 Jun, K., "Feature extraction using an rnn autoencoder for skeleton-based abnormal gait recognition" 8 : 19196-19207, 2020
          • 187 Martinez, M., "Falls risk classification of older adults using deep neural networks and transfer learning" 24 (24): 144-150, 2019
          • 188 Lockhart, T., "Fall-sensing systems, hip protector systems, and other protective systems"
          • 189 Arrieta, A. B., "Explainable artificial intelligence(xai) : Concepts, taxonomies, opportunities and challenges toward responsible ai" 58 : 82-115, 2020
          • 190 Lin, C. -W., "Evaluation of vertical ground reaction forces pattern visualization in neurodegenerative diseases identification using deep learning and recurrence plot image feature extraction" 20 (20): 3857-, 2020
          • 191 Lim, M. R., "Evaluation of the elderly patient with an abnormal gait" 15 (15): 107-117, 2007
          • 192 Kondragunta, J., "Estimation of gait parameters from3d pose for elderly care" 66-72, 2019
          • 193 Nguyen, T. -N., "Estimation of gait normality index based on point clouds through deep auto-encoder" 2019 (2019): 65-, 2019
          • 194 Nguyen, T. -N., "Estimating skeleton-based gait abnormality index by sparse deep autoencoder" IEEE 311-315, 2018
          • 195 Gholami, M., "Estimating lower extremity running gait kinematics with a single accelerometer : A deep learning approach" 20 (20): 2939-, 2020
          • 196 Guo, Y., "Emg-based abnormal gait detection and recognition" IEEE 1-6, 2020
          • 197 Turker, K. S., "Electromyography : some methodological problems and issues" 73 (73): 698-710, 1993
          • 198 Liang, S., "Elderly fall risk prediction with plantar center of force using convlstm algorithm" IEEE 36-41, 2019
          • 199 Chisholm, K. M., "Elderly deaths due to ground-level falls" 31 (31): 350-354, 2010
          • 200 Gams, A., "Effects of robotic knee exoskeleton on human energy expenditure" 60 (60): 1636-1644, 2013
          • 201 Lu, C., "Effect of cue timing and modality on gait initiation in Parkinson disease with freezing of gait" 98 (98): 1291-1299, 2017
          • 202 Park, S., "Eeg-based gait state and gait intention recognition using spatio-spectral convolutional neural network" IEEE 1-3, 2019
          • 203 Vu, H. T. T., "Ed-fnn : A new deep learning algorithm to detect percentage of the gait cycle for powered prostheses" 18 (18): 2389-, 2018
          • 204 Aversano, L., "Early detection of Parkinson disease using deep neural networks on gait dynamics" IEEE 1-8, 2020
          • 205 Subha, D. P., "EEG signal analysis : A survey" 34 (34): 195-212, 2010
          • 206 Qian, X., "EAI International Conference on Body Area Networks" Springer 37-49, 2019
          • 207 Hausdorff, J. M., "Dynamic markers of altered gait rhythm in amyotrophic lateral sclerosis" 88 : 2045-2053, 2000
          • 208 Zhao, A., "Dual channel lstm based multi-feature extraction in gait for diagnosis of neurodegenerative diseases" 145 : 91-97, 2018
          • 209 Tran, V. P., "Doppler radar-based non-contact health monitoring for obstructive sleep apnea diagnosis : A comprehensive review" 3 (3): 3-, 2019
          • 210 Hu, S., "Domain generalization via multidomain discriminant analysis" PMLR 292-302, 2020
          • 211 Garcıa-Pinillos, F., "Does fatigue alter step characteristics and stiffness during running?" 76 : 259-263, 2020
          • 212 Brown, P., "Does Parkinsonian action tremor contribute to muscle weakness in Parkinson’s disease?" 120 (120): 401-408, 1997
          • 213 Chakraborty, J., "Discrete wavelet transform based data representation in deep neural network for gait abnormality detection" 62 : 102076-, 2020
          • 214 Khan, P., "Differential channel state information based human activity recognition in iot networks" 7 (7): 11290-11302, 2020
          • 215 Janssen, D., "Diagnosing fatigue in gait patterns by support vector machines and self-organizing maps" 30 (30): 966-975, 2011
          • 216 Lai, D. T., "Detection of tripping gait patterns in the elderly using autoregressive features and support vector machines" 41 (41): 1762-1772, 2008
          • 217 Kiprijanovska, I., "Detection of gait abnormalities for fall risk assessment using wrist-worn inertial sensors and deep learning" 20 (20): 5373-, 2020
          • 218 Medrano, C., "Detecting falls as novelties in acceleration patterns acquired with smartphones" 9 (9): e94811-, 2014
          • 219 Farah, J. D., "Design, development, and evaluation of a local sensor-based gait phase recognition system using a logistic model decision tree for orthosis-control" 16 (16): 22-, 2019
          • 220 Su, F. -C., "Design and testing of a genetic algorithm neural network in the assessment of gait patterns" 22 (22): 67-74, 2000
          • 221 Kidzinski, Ł., "Deep neural networks enable quantitative movement analysis using single-camera videos" 11 (11): 1-10, 2020
          • 222 Tortora, S., "Deep learning-based bci for gait decoding from eegwith lstm recurrent neural network" 2020
          • 223 Vuong, N. K., "Deep learning with long short-term memory networks for classification of dementia related travel patterns" IEEE 5563-5566, 2020
          • 224 Nait Aicha, A., "Deep learning to predict falls in older adults based on daily-life trunk accelerometry" 18 (18): 1654-, 2018
          • 225 Sharifi Renani, M., "Deep learning in gait parameter prediction for oa and tka patients wearing imu sensors" 20 (20): 5553-, 2020
          • 226 Zhang, H., "Deep learning identifies digital biomarkers for self-reported Parkinson’s disease" 1 (1): 100042-, 2020
          • 227 Rane, L., "Deep learning for musculoskeletal force prediction" 47 (47): 778-789, 2019
          • 228 Hssayeni, M. D., "Deep learning for medication assessment of individuals with Parkinson’s disease using wearable sensors" IEEE 1-4, 2018
          • 229 Alharthi, A. S., "Deep learning for ground reaction force data analysis: Application to wide-area floor sensing" IEEE 1401-1406, 2019
          • 230 Tunca, C., "Deep learning for fall risk assessment with inertial sensors : utilizing domain knowledge in spatio-temporal gait parameters" 24 (24): 1994-2005, 2019
          • 231 Potluri, S., "Deep learning based gait abnormality detection using wearable sensor system" IEEE 3613-3619, 2019
          • 232 Sivaranjini, S., "Deep learning based diagnosis of Parkinson’s disease using convolutional neural network" 79 : 1-13, 2019
          • 233 Torvi, V. G., "Deep domain adaptation to predict freezing of gait in patients with Parkinson’s disease" IEEE 1001-1006, 2018
          • 234 Drozdzal, M., "Deep Learning and Data Labeling for Medical Applications" Springer 179-187, 2016
          • 235 El Maachi, I., "Deep 1dconvnet for accurate Parkinson disease detection and severity prediction from gait" 143 : 113075-, 2020
          • 236 DeLee, J., "DeLee & Drez’s orthopaedic sports medicine: Principles and Practice" Saunders/Elsevier 2010
          • 237 Varma, V. R., "Daily physical activity patterns during the early stage of alzheimer’s disease" 55 (55): 659-667, 2017
          • 238 Nieuwboer, A., "Cueing training in the home improves gaitrelatedmobility in Parkinson’s disease: The rescue trial" 78 (78): 134-140, 2007
          • 239 Gu, X., "Crosssubject and cross-modal transfer for generalized abnormal gait pattern recognition" 32 (32): 546-560, 2020
          • 240 Ngeo, J., "Control of an optimal finger exoskeleton based on continuous joint angle estimation from emg signals" IEEE 338-341, 2013
          • 241 Shrestha, A., "Continuous human activity classification from FMCW radar with Bi-LSTM networks" 20 (20): 13607-13619, 2020
          • 242 Mirza, M., "Conditional generative adversarial nets"
          • 243 Christian, J., "Computer aided analysis of gait patterns in patientswith acute anterior cruciate ligament injury" 33 : 55-60, 2016
          • 244 Pinzone, O., "Comprehensive non-dimensional normalization of gait data" 44 : 68-73, 2016
          • 245 Paldino, M. J., "Comparison of the diagnostic accuracy of pet/mri to pet/ctacquired fdg brain exams for seizure focus detection : A prospective study" 47 (47): 1500-1507, 2017
          • 246 Ceseracciu, E., "Comparison of markerless and marker-based motion capture technologies through simultaneous data collection during gait: Proof of concept" 9 (9): e87640-, 2014
          • 247 Kangas, M., "Comparison of low-complexity fall detection algorithms for body attached accelerometers" 28 (28): 285-291, 2008
          • 248 Gonzalez, I., "Comparison between passive vision-based system and a wearable inertial-based system for estimating temporal gait parameters related to the gaitrite electronic walkway" 62 : 210-223, 2016
          • 249 Myrick, K. M., "Clinical assessment and management of ankle sprains" 33 (33): 244-248, 2014
          • 250 Ewins, D., "Clinical Engineering" Elsevier 389-406, 2014
          • 251 Alvarez, C., "Classification of idiopathic toe walking based on gait analysis : Development and application of the itw severity classification" 26 (26): 428-435, 2007
          • 252 Williams, G., "Classification of gait disorders following traumatic brain injury" 30 (30): E13-E23, 2015
          • 253 Nutt, J. G., "Classification of gait and balance disorders" 87 : 135-141, 2001
          • 254 Bidabadi, S. S., "Classification of foot drop gait characteristic due to lumbar radiculopathy using machine learning algorithms" 71 : 234-240, 2019
          • 255 Ilias, S., "Classification of autism children gait patterns using neural network and support vector machine" IEEE 52-56, 2016
          • 256 Wang, Y., "Characterizing and detecting freezing of gait using multi-modal physiological signals"
          • 257 Barth, J., "Biometric and mobile gait analysis for early diagnosis and therapy monitoring in Parkinson’s disease" IEEE 868-871, 2011
          • 258 Sagawa, Y. Jr, "Biomechanics and physiological parameters during gait in lower-limb amputees : a systematic review" 33 (33): 511-526, 2011
          • 259 Butt, A., "Biomechanical parameters assessment for the classification of Parkinson disease using bidirectional long short-term memory" IEEE 5761-5764, 2020
          • 260 Joy, E., "Biological disease of neurological & psychiatric disorders in adolescents" 7 (7): 1-1, 2021
          • 261 Li, H., "Bi-lstm network for multimodal continuous human activity recognition and fall detection" 20 (20): 1191-1201, 2019
          • 262 Ioffe, S., "Batch normalization: Accelerating deep network training by reducing internal covariate shift" PMLR 448-456, 2015
          • 263 Lai, D. T., "Automatic recognition of gait patterns exhibiting patellofemoral pain syndrome using a support vector machine approach" 13 (13): 810-817, 2009
          • 264 Kidzinski, Ł., "Automatic real-time gait event detection in children using deep neural networks" 14 (14): e0211466-, 2019
          • 265 Daliri, M. R., "Automatic diagnosis of neuro-degenerative diseases using gait dynamics" 45 (45): 1729-1734, 2012
          • 266 Alaqtash, M., "Automatic classification of pathological gait patterns using ground reaction forces and machine learning algorithms" IEEE 453-457, 2011
          • 267 Mannini, A., "Automatic classification of gait in children with early-onset ataxia or developmental coordination disorder and controls using inertial sensors" 52 : 287-292, 2017
          • 268 Hasan, C. Z. C., "Automated classification of autism spectrum disorders gait patterns using discriminant analysis based on kinematic and kinetic gait features" 7 (7): 150-156, 2017
          • 269 Baldi, P., "Autoencoders, unsupervised learning, and deep architectures" 37-49, 2012
          • 270 Delval, A., "Auditory cueing of gait initiation in Parkinson’s disease patients with freezing of gait" 125 (125): 1675-1681, 2014
          • 271 Ahmedt-Aristizabal, D., "Attention networks for multi-task signal analysis" IEEE 184-187, 2020
          • 272 Meadows, B., "Atlas of Orthoses and Assistive Devices" Elsevier 207-215.e1, 2019
          • 273 Newman, A. B., "Associations of subclinical cardiovascular disease with frailty" 56 (56): M158-M166, 2001
          • 274 Phelan, E. A., "Assessment and management of fall risk in primary care settings" 99 (99): 281-293, 2015
          • 275 Lehmann, A., "Assessing medication adherence : Options to consider" 36 (36): 55-69, 2014
          • 276 Vallejo, M., "Artificial neural networks as an alternative to traditional fall detection methods" IEEE 1648-1651, 2013
          • 277 Nguyen, T. -N., "Applying adversarial autoencoder for estimating human walking gait abnormality index" 22 (22): 1597-1608, 2019
          • 278 Manap, H. H., "Anomalous gait detection using naive bayes classifier" IEEE 378-381, 2012
          • 279 Steinmetzer, T., "Analyzing gait symmetry with automatically synchronized wearable sensors in daily life" 77 : 103118-, 2020
          • 280 Phinyomark, A., "Analysis of big data in gait biomechanics : Current trends and future directions" 38 (38): 244-260, 2018
          • 281 Ying, X., "An overview of overfitting and its solutions" 1168 : 022022-, 2019
          • 282 Yan, T., "An oscillator-based smooth real-time estimate of gait phase for wearable robotics" 41 (41): 759-774, 2017
          • 283 Nakagome, S., "An empirical comparison of neural networks and machine learning algorithms for eeg gait decoding" 10 (10): 1-17, 2020
          • 284 Zhen, T., "An acceleration based fusion of multiple spatiotemporal networks for gait phase detection" 17 (17): 5633-, 2020
          • 285 Galvao, Y. M., "Amultimodal approach using deep learning for fall detection" 168 : 114226-, 2021
          • 286 Bringas, S., "Alzheimer’s disease stage identification using deep learning models" 109 : 103514-, 2020
          • 287 Grabiner, P. C., "Age-related changes in spatial and temporal gait variables" 82 (82): 31-35, 2001
          • 288 Kobayashi, Y., "Age-independent and age-dependent sex differences in gait pattern determined by principal component analysis" 46 : 11-17, 2016
          • 289 Naıt-Ali, A., "Advanced Biosignal Processing" Springer Science & Business Media 2009
          • 290 Settles, B., "Active learning literature survey" University of Wisconsin–Madison 2009
          • 291 Lee, D. -W., "Abnormal gait recognition using 3d joint information of multiple kinects system and rnn-lstm" IEEE 542-545, 2019
          • 292 Pachon-Suescun, C. G., "Abnormal gait detection by means of LSTM" 10 (10): 2088-8708, 2020
          • 293 Pandit, T., "Abnormal gait detection by classifying inertial sensor data using transfer learning" IEEE 1444-1447, 2019
          • 294 Brunner, R., "Abnormal emg muscle activity during gait in patients without neurological disorders" 27 (27): 399-407, 2008
          • 295 Pan, S. J., "A survey on transfer learning" 22 (22): 1345-1359, 2009
          • 296 Van Engelen, J. E., "A survey on semisupervised learning" 109 (109): 373-440, 2020
          • 297 Shorten, C., "A survey on image data augmentation for deep learning" 6 (6): 60-, 2019
          • 298 Wan, C., "A survey on gait recognition" 51 (51): 1-35, 2018
          • 299 Dargan, S., "A survey of deep learning and its applications : A new paradigm to machine learning" 27 : 1-22, 2019
          • 300 Moeslund, T. B., "A survey of computer vision-based human motion capture" 81 (81): 231-268, 2001
          • 301 Singh, J. P., "A survey of behavioral biometric gait recognition: Current success and future perspectives" 1-42, 2019
          • 302 Yu, S., "A study on gaitbased gender classification" 18 (18): 1905-1910, 2009
          • 303 Chinmilli, P., "A review on wearable inertial tracking based human gait analysis and control strategies of lower-limb exoskeletons" 3 (3): 398-415, 2017
          • 304 Kharb, A., "A review of gait cycle and its parameters" 13 : 78-83, 2011
          • 305 Nukala, B., "A real-time robust fall detection system using a wireless gait analysis sensor and an artificial neural network" IEEE 219-222, 2014
          • 306 Maqbool, H. F., "A real-time gait event detection for lower limb prosthesis control and evaluation" 25 (25): 1500-1509, 2016
          • 307 Shibuya, N., "A real-time fall detection system using a wearable gait analysis sensor and a support vector machine (svm) classifier" IEEE 66-67, 2015
          • 308 Esquenazi, A., "A randomized comparative study of manually assisted versus robotic-assisted body weight supported treadmill training in persons with a traumatic brain injury" 5 (5): 280-290, 2013
          • 309 Chambers, H. G., "A practical guide to gait analysis" 10 (10): 222-231, 2002
          • 310 Ajay, J., "A pervasive and sensor-free deep learning system for Parkinsonian gait analysis" IEEE 108-111, 2018
          • 311 Ragab, M. G., "A novel onedimensional cnn with exponential adaptive gradients for air pollution index prediction" 12 (12): 10090-, 2020
          • 312 Yu, X., "A novel hybrid deep neural network to predict pre-impact fall for older people based on wearable inertial sensors" 8 : 63-, 2020
          • 313 Gong, L., "A novel computer vision based gait analysis technique for normal and Parkinson’s gaits classification" IEEE 209-215, 2020
          • 314 Marchi, E., "A novel approach for automatic acoustic novelty detection using a denoising autoencoder with bidirectional lstm neural networks" IEEE 5-, 2015
          • 315 Lempereur, M., "A new deep learning-based method for the detection of gait events in children with gait disorders : Proof-of-concept and concurrent validity" 98 : 109490-, 2020
          • 316 Rubio-Solis, A., "A multilayer interval type-2 fuzzy extreme learning machine for the recognition of walking activities and gait events using wearable sensors" 389 : 42-45, 2020
          • 317 Gholami, F., "A microsoft kinect-based point-of-care gait assessment framework for multiple sclerosis patients" 21 (21): 1376-1385, 2016
          • 318 Yang, M., "A machine learning approach to assessing gait patterns for complex regional pain syndrome" 34 (34): 740-746, 2012
          • 319 Zhao, A., "A hybrid spatiotemporal model for detection and severity rating of Parkinson’s disease from gait data" 315 : 1-8, 2018
          • 320 Medeiros, L., "A gait analysis approach to track Parkinson’s disease evolution using principal component analysis" IEEE 48-53, 2016
          • 321 Wu, T., "A functional mri study of automaticmovements in patients with Parkinson’s disease" 128 (128): 2250-2259, 2005
          • 322 Dierick, F., "A force measuring treadmill in clinical gait analysis" 20 (20): 299-303, 2004
          • 323 Xia, Y., "A dual-modal attention-enhanced deep learning network for quantification of Parkinson’s disease characteristics" 28 (28): 42-51, 2019
          • 324 Paragliola, G., "A deep learning-based approach for the classification of gait dynamics in subjects with a neurodegenerative disease" Springer 452-468, 2020
          • 325 Zhang, S., "A deep learning-based approach for gait analysis in Huntington disease"
          • 326 Zhang, Y., "A deep convolutional-recurrent neural network for freezing of gait detection in patients with Parkinson’s disease" IEEE 1-6, 2019
          • 327 Filtjens, B., "A data-driven approach for detecting gait events during turning in peoplewith Parkinson’s disease and freezing of gait" 80 : 130-136, 2020
          • 328 Bringas, S., "A convolutional neural network-based method for human movement patterns classification in alzheimer’s disease" MDPI 31 : 72-, 2019
          • 329 Abid, M., "A comparative study of end-to-end discriminative deep learning models for knee joint kinematic time series classification" IEEE 1-6, 2019
          • 330 Laroche, D., "A classification study of kinematic gait trajectories in hip osteoarthritis" 55 : 42-48, 2014
          • 331 Zhou, Z. -H., "A brief introduction to weakly supervised learning" 5 (5): 44-53, 2018
          • 332 Kulbacki, M., "4gait: Synchronized mocap, video, grf and emg datasets: Acquisition, management and applications" Springer 555-564, 2014
          • 333 Huang, J. -C., "3d-cldnn: An effective architecture on deep neural network for semg-based lower limb abnormal recognition" IEEE 906-907, 2019
          • 334 Zago, M., "3d tracking of human motion using visual skeletonization and stereoscopic vision" 8 : 181-, 2020
          • 335 Nguyen, T. -N., "3d reconstruction with time-of-flight depth camera and multiple mirrors" 6 : 38106-38114, 2018
          더보기

          동일학술지(권/호) 다른 논문

          동일학술지 더보기

          분석정보

          활용도 분석
          논문 주제 분석
          연구자 주제 분석

          View

          상세정보조회

          0

          usage

          원문다운로드

          0

          대출신청

          0

          복사신청

          0

          EDDS신청

          0

          동일 주제 내 활용도 TOP

            더보기

              연도별 연구동향

              연도별 활용동향

              연관논문

                연구자 네트워크 맵

                • 공동연구자 (0)

                  • 유사연구자 (0) 활용도상위20명

                      인용정보 인용지수 설명보기
                      • 학술지 이력
                        학술지 이력
                        연월일 이력구분 이력상세 등재구분
                        2023 평가예정 해외DB학술지평가 신청대상 (해외등재 학술지 평가)
                        2020-01-01 평가 등재학술지 유지 (해외등재 학술지 평가) KCI등재
                        2017-03-13 학술지명변경 한글명 : Journal of Computational Design and Engineering -> Journal of Computational Design and Engineering
                        외국어명 : Journal of Computational Design and Engineering -> Journal of Computational Design and Engineering                        		 KCI등재
                        2017-03-01 평가 SCOPUS 등재 (기타) KCI등재
                        2016-06-13 학회명변경 한글명 : 한국CAD/CAM학회 -> 한국CDE학회
                        영문명 : Society Of Cadcam Engineers -> Society for Computational Design and Engineering
                      • 학술지 인용정보
                        학술지 인용정보
                        기준연도 WOS-KCI 통합IF(2년) KCIF(2년) KCIF(3년)
                        2016 0 0 0
                        KCIF(4년) KCIF(5년) 중심성지수(3년) 즉시성지수
                        0 0 0 0

                      연관 공개강의

                      연관 공개강의(KOCW) Resources: Deep Learning with Mini Whiteboards Teachers TV Teachers TV
                      연관 공개강의(KOCW) 딥러닝(Deep Learning)이란 신한대학교 신종우
                      연관 공개강의(KOCW) 비전공자를 위한 AI 딥러닝(Deep Learning) K-MOOC 한국과학기술원 오종훈
                      연관 공개강의(KOCW) AI를 위한 딥러닝 중앙대학교 곽일엽
                      연관 공개강의(KOCW) 딥러닝과 컴퓨터비전 고려사이버대학교 이홍섭

                      서지정보 내보내기(Export)

                      닫기

                      내보내기 형태를 선택하세요

                      서지정보의 형식을 선택하세요

                      참고문헌양식 참고문헌양식안내
                      취소 내보내기

                      내책장담기

                      닫기

                      필수표가 있는 항목은 반드시 기재해 주셔야 합니다.

                      동일자료를 같은 책장에 담을 경우 담은 시점만 최신으로 수정됩니다.

                      취소 내책장에 담기

                      새책장 만들기

                      닫기

                      필수표가 있는 항목은 반드시 기재해 주셔야 합니다.

                      • 책장설명은 [내 책장/책장목록]에서 수정할 수 있습니다.

                      • 책장카테고리 설정은 최소1개 ~ 최대3개까지 가능합니다.

                      취소 새 책장 만들어 자료 담기 새 책장 등록 새 책장 수정

                      관심분야 검색

                      닫기

                      트리 또는 검색을 통해 관심분야를 선택 하신 후 등록 버튼을 클릭 하십시오.

                        관심분야 검색 결과
                        대분류 중분류 관심분야명
                        검색결과가 없습니다.

                        선택된 분야 (선택분야는 최소 하나 이상 선택 하셔야 합니다.)

                        등록

                        소장기관 정보

                        닫기

                        문헌복사 및 대출서비스 정책은 제공도서관 규정에 따라 상이할수 있음

                        권호소장정보

                        닫기

                          오류접수

                          닫기
                          오류접수

                          [ 논문 정보 ]

                            [ 신청자 정보 ]

                            •   -     -  

                            • ※ 개인정보 노출 방지를 위해 민감한 개인정보 내용은 가급적 기재를 자제하여 주시기 바랍니다.
                              (상담을 위해 불가피하게 개인정보를 기재하셔야 한다면, 가능한 최소한의 개인정보를 기재하여 주시기 바랍니다.)

                            • 작성하신 내용을 완료하시려면 [보내기] 버튼을, 수정하시려면 [수정]버튼을 눌러주세요.

                            취소 오류접수 수정 보내기

                            오류 접수 확인

                            닫기
                            오류 접수 확인

                            • 고객님, 오류접수가 정상적으로 신청 되었습니다.

                              문의하신 내용은 3시간 이내에 메일로 답변을 드릴 수 있도록 하겠습니다.

                              다만, 고객센터 운영시간(평일 09:00 ~ 18:00) 이외에는

                              처리가 다소 지연될 수 있으니 이 점 양해 부탁 드립니다.

                              로그인 후, 문의하신 내용은 나의상담내역에서 조회하실 수 있습니다.

                            [접수 정보]

                            나의 상담내역 바로가기

                            음성서비스 신청

                            닫기
                            음성서비스 신청

                            [ 논문 정보 ]

                              [ 신청자 정보 ]

                              •   -     -  

                              • 작성하신 내용을 완료하시려면 [신청] 버튼을, 수정하시려면 [수정]버튼을 눌러주세요.

                              취소 음성서비스 신청 수정 신청

                              음성서비스 신청 확인

                              닫기
                              음성서비스 신청 확인

                              • 서비스 신청이 완료되었습니다.

                                신청하신 내역에 대한 처리 완료 시 메일로 별도 안내 드리도록 하겠습니다.

                                음성서비스 신청 증가 등의 이유로 처리가 다소 지연될 수 있으니, 이 점 양해 부탁드립니다.

                                감합니다.

                              [신청 정보]

                              41061 대구광역시 동구 동내로 64(동내동1119) KERIS빌딩

                              고객센터 (평일: 09:00 ~ 18:00)1599-3122

                              Copyright© KERIS. ALL RIGHTS RESERVED

                              PC 버전 바로가기

                              회원가입
                              학술연구정보서비스 검색
                              MYRISS
                              회원서비스
                              About RISS
                              RISS 처음 방문 이세요?
                              고객센터
                              RISS 활용도 분석
                              최신/인기 학술자료
                              해외자료신청(E-DDS)
                              공지사항
                              해외전자정보서비스 검색
                              Databases & Journals
                              해외전자자료 이용안내

                              이용약관

                              닫기

                              학술연구정보서비스 이용약관 (2017년 1월 1일 ~ 현재 적용)

                              1. 제 1 장 총칙

                                1. 제 1 조 (목적)

                                  • 이 약관은 한국교육학술정보원(이하 "교육정보원"라 함)이 제공하는 학술연구정보서비스의 웹사이트(이하 "서비스" 라함)의 이용에 관한 조건 및 절차와 기타 필요한 사항을 규정하는 것을 목적으로 합니다.

                                2. 제 2 조 (약관의 효력과 변경)

                                  1. ① 이 약관은 서비스 메뉴에 게시하여 공시함으로써 효력을 발생합니다.
                                  2. ② 교육정보원은 합리적 사유가 발생한 경우에는 이 약관을 변경할 수 있으며, 약관을 변경한 경우에는 지체없이 "공지사항"을 통해 공시합니다.
                                  3. ③ 이용자는 변경된 약관사항에 동의하지 않으면, 언제나 서비스 이용을 중단하고 이용계약을 해지할 수 있습니다.

                                3. 제 3 조 (약관외 준칙)

                                  • 이 약관에 명시되지 않은 사항은 관계 법령에 규정 되어있을 경우 그 규정에 따르며, 그렇지 않은 경우에는 일반적인 관례에 따릅니다.

                                4. 제 4 조 (용어의 정의)

                                  이 약관에서 사용하는 용어의 정의는 다음과 같습니다.
                                  1. ① 이용자 : 교육정보원과 이용계약을 체결한 자
                                  2. ② 이용자번호(ID) : 이용자 식별과 이용자의 서비스 이용을 위하여 이용계약 체결시 이용자의 선택에 의하여 교육정보원이 부여하는 문자와 숫자의 조합
                                  3. ③ 비밀번호 : 이용자 자신의 비밀을 보호하기 위하여 이용자 자신이 설정한 문자와 숫자의 조합
                                  4. ④ 단말기 : 서비스 제공을 받기 위해 이용자가 설치한 개인용 컴퓨터 및 모뎀 등의 기기
                                  5. ⑤ 서비스 이용 : 이용자가 단말기를 이용하여 교육정보원의 주전산기에 접속하여 교육정보원이 제공하는 정보를 이용하는 것
                                  6. ⑥ 이용계약 : 서비스를 제공받기 위하여 이 약관으로 교육정보원과 이용자간의 체결하는 계약을 말함
                                  7. ⑦ 마일리지 : RISS 서비스 중 마일리지 적립 가능한 서비스를 이용한 이용자에게 지급되며, RISS가 제공하는 특정 디지털 콘텐츠를 구입하는 데 사용하도록 만들어진 포인트

                              2. 제 2 장 서비스 이용 계약

                                1. 제 5 조 (이용계약의 성립)

                                  1. ① 이용계약은 이용자의 이용신청에 대한 교육정보원의 이용 승낙에 의하여 성립됩니다.
                                  2. ② 제 1항의 규정에 의해 이용자가 이용 신청을 할 때에는 교육정보원이 이용자 관리시 필요로 하는
                                    사항을 전자적방식(교육정보원의 컴퓨터 등 정보처리 장치에 접속하여 데이터를 입력하는 것을 말합니다)
                                    이나 서면으로 하여야 합니다.
                                  3. ③ 이용계약은 이용자번호 단위로 체결하며, 체결단위는 1 이용자번호 이상이어야 합니다.
                                  4. ④ 서비스의 대량이용 등 특별한 서비스 이용에 관한 계약은 별도의 계약으로 합니다.

                                2. 제 6 조 (이용신청)

                                  1. ① 서비스를 이용하고자 하는 자는 교육정보원이 지정한 양식에 따라 온라인신청을 이용하여 가입 신청을 해야 합니다.
                                  2. ② 이용신청자가 14세 미만인자일 경우에는 친권자(부모, 법정대리인 등)의 동의를 얻어 이용신청을 하여야 합니다.

                                3. 제 7 조 (이용계약 승낙의 유보)

                                  1. ① 교육정보원은 다음 각 호에 해당하는 경우에는 이용계약의 승낙을 유보할 수 있습니다.
                                    1. 1. 설비에 여유가 없는 경우
                                    2. 2. 기술상에 지장이 있는 경우
                                    3. 3. 이용계약을 신청한 사람이 14세 미만인 자로 친권자의 동의를 득하지 않았을 경우
                                    4. 4. 기타 교육정보원이 서비스의 효율적인 운영 등을 위하여 필요하다고 인정되는 경우
                                  2. ② 교육정보원은 다음 각 호에 해당하는 이용계약 신청에 대하여는 이를 거절할 수 있습니다.
                                    1. 1. 다른 사람의 명의를 사용하여 이용신청을 하였을 때
                                    2. 2. 이용계약 신청서의 내용을 허위로 기재하였을 때

                                4. 제 8 조 (계약사항의 변경)

                                  이용자는 다음 사항을 변경하고자 하는 경우 서비스에 접속하여 서비스 내의 기능을 이용하여 변경할 수 있습니다.
                                  1. ① 성명 및 생년월일, 신분, 이메일
                                  2. ② 비밀번호
                                  3. ③ 자료신청 / 기관회원서비스 권한설정을 위한 이용자정보
                                  4. ④ 전화번호 등 개인 연락처
                                  5. ⑤ 기타 교육정보원이 인정하는 경미한 사항

                              3. 제 3 장 서비스의 이용

                                1. 제 9 조 (서비스 이용시간)

                                  • 서비스의 이용 시간은 교육정보원의 업무 및 기술상 특별한 지장이 없는 한 연중무휴, 1일 24시간(00:00-24:00)을 원칙으로 합니다. 다만 정기점검등의 필요로 교육정보원이 정한 날이나 시간은 그러하지 아니합니다.

                                2. 제 10 조 (이용자번호 등)

                                  1. ① 이용자번호 및 비밀번호에 대한 모든 관리책임은 이용자에게 있습니다.
                                  2. ② 명백한 사유가 있는 경우를 제외하고는 이용자가 이용자번호를 공유, 양도 또는 변경할 수 없습니다.
                                  3. ③ 이용자에게 부여된 이용자번호에 의하여 발생되는 서비스 이용상의 과실 또는 제3자에 의한 부정사용 등에 대한 모든 책임은 이용자에게 있습니다.

                                3. 제 11 조 (서비스 이용의 제한 및 이용계약의 해지)

                                  1. ① 이용자가 서비스 이용계약을 해지하고자 하는 때에는 온라인으로 교육정보원에 해지신청을 하여야 합니다.
                                  2. ② 교육정보원은 이용자가 다음 각 호에 해당하는 경우 사전통지 없이 이용계약을 해지하거나 전부 또는 일부의 서비스 제공을 중지할 수 있습니다.
                                    1. 1. 타인의 이용자번호를 사용한 경우
                                    2. 2. 다량의 정보를 전송하여 서비스의 안정적 운영을 방해하는 경우
                                    3. 3. 수신자의 의사에 반하는 광고성 정보, 전자우편을 전송하는 경우
                                    4. 4. 정보통신설비의 오작동이나 정보 등의 파괴를 유발하는 컴퓨터 바이러스 프로그램등을 유포하는 경우
                                    5. 5. 정보통신윤리위원회로부터의 이용제한 요구 대상인 경우
                                    6. 6. 선거관리위원회의 유권해석 상의 불법선거운동을 하는 경우
                                    7. 7. 서비스를 이용하여 얻은 정보를 교육정보원의 동의 없이 상업적으로 이용하는 경우
                                    8. 8. 비실명 이용자번호로 가입되어 있는 경우
                                    9. 9. 일정기간 이상 서비스에 로그인하지 않거나 개인정보 수집․이용에 대한 재동의를 하지 않은 경우
                                  3. ③ 전항의 규정에 의하여 이용자의 이용을 제한하는 경우와 제한의 종류 및 기간 등 구체적인 기준은 교육정보원의 공지, 서비스 이용안내, 개인정보처리방침 등에서 별도로 정하는 바에 의합니다.
                                  4. ④ 해지 처리된 이용자의 정보는 법령의 규정에 의하여 보존할 필요성이 있는 경우를 제외하고 지체 없이 파기합니다.
                                  5. ⑤ 해지 처리된 이용자번호의 경우, 재사용이 불가능합니다.

                                4. 제 12 조 (이용자 게시물의 삭제 및 서비스 이용 제한)

                                  1. ① 교육정보원은 서비스용 설비의 용량에 여유가 없다고 판단되는 경우 필요에 따라 이용자가 게재 또는 등록한 내용물을 삭제할 수 있습니다.
                                  2. ② 교육정보원은 서비스용 설비의 용량에 여유가 없다고 판단되는 경우 이용자의 서비스 이용을 부분적으로 제한할 수 있습니다.
                                  3. ③ 제 1 항 및 제 2 항의 경우에는 당해 사항을 사전에 온라인을 통해서 공지합니다.
                                  4. ④ 교육정보원은 이용자가 게재 또는 등록하는 서비스내의 내용물이 다음 각호에 해당한다고 판단되는 경우에 이용자에게 사전 통지 없이 삭제할 수 있습니다.
                                    1. 1. 다른 이용자 또는 제 3자를 비방하거나 중상모략으로 명예를 손상시키는 경우
                                    2. 2. 공공질서 및 미풍양속에 위반되는 내용의 정보, 문장, 도형 등을 유포하는 경우
                                    3. 3. 반국가적, 반사회적, 범죄적 행위와 결부된다고 판단되는 경우
                                    4. 4. 다른 이용자 또는 제3자의 저작권 등 기타 권리를 침해하는 경우
                                    5. 5. 게시 기간이 규정된 기간을 초과한 경우
                                    6. 6. 이용자의 조작 미숙이나 광고목적으로 동일한 내용의 게시물을 10회 이상 반복하여 등록하였을 경우
                                    7. 7. 기타 관계 법령에 위배된다고 판단되는 경우

                                5. 제 13 조 (서비스 제공의 중지 및 제한)

                                  1. ① 교육정보원은 다음 각 호에 해당하는 경우 서비스 제공을 중지할 수 있습니다.
                                    1. 1. 서비스용 설비의 보수 또는 공사로 인한 부득이한 경우
                                    2. 2. 전기통신사업법에 규정된 기간통신사업자가 전기통신 서비스를 중지했을 때
                                  2. ② 교육정보원은 국가비상사태, 서비스 설비의 장애 또는 서비스 이용의 폭주 등으로 서비스 이용에 지장이 있는 때에는 서비스 제공을 중지하거나 제한할 수 있습니다.

                                6. 제 14 조 (교육정보원의 의무)

                                  1. ① 교육정보원은 교육정보원에 설치된 서비스용 설비를 지속적이고 안정적인 서비스 제공에 적합하도록 유지하여야 하며 서비스용 설비에 장애가 발생하거나 또는 그 설비가 못쓰게 된 경우 그 설비를 수리하거나 복구합니다.
                                  2. ② 교육정보원은 서비스 내용의 변경 또는 추가사항이 있는 경우 그 사항을 온라인을 통해 서비스 화면에 공지합니다.

                                7. 제 15 조 (개인정보보호)

                                  1. ① 교육정보원은 공공기관의 개인정보보호에 관한 법률, 정보통신이용촉진등에 관한 법률 등 관계법령에 따라 이용신청시 제공받는 이용자의 개인정보 및 서비스 이용중 생성되는 개인정보를 보호하여야 합니다.
                                  2. ② 교육정보원의 개인정보보호에 관한 관리책임자는 학술연구정보서비스 이용자 관리담당 부서장(학술정보본부)이며, 주소 및 연락처는 대구광역시 동구 동내로 64(동내동 1119) KERIS빌딩, 전화번호 054-714-0114번, 전자메일 privacy@keris.or.kr 입니다. 개인정보 관리책임자의 성명은 별도로 공지하거나 서비스 안내에 게시합니다.
                                  3. ③ 교육정보원은 개인정보를 이용고객의 별도의 동의 없이 제3자에게 제공하지 않습니다. 다만, 다음 각 호의 경우는 이용고객의 별도 동의 없이 제3자에게 이용 고객의 개인정보를 제공할 수 있습니다.
                                    1. 1. 수사상의 목적에 따른 수사기관의 서면 요구가 있는 경우에 수사협조의 목적으로 국가 수사 기관에 성명, 주소 등 신상정보를 제공하는 경우
                                    2. 2. 신용정보의 이용 및 보호에 관한 법률, 전기통신관련법률 등 법률에 특별한 규정이 있는 경우
                                    3. 3. 통계작성, 학술연구 또는 시장조사를 위하여 필요한 경우로서 특정 개인을 식별할 수 없는 형태로 제공하는 경우
                                  4. ④ 이용자는 언제나 자신의 개인정보를 열람할 수 있으며, 스스로 오류를 수정할 수 있습니다. 열람 및 수정은 원칙적으로 이용신청과 동일한 방법으로 하며, 자세한 방법은 공지, 이용안내에 정한 바에 따릅니다.
                                  5. ⑤ 이용자는 언제나 이용계약을 해지함으로써 개인정보의 수집 및 이용에 대한 동의, 목적 외 사용에 대한 별도 동의, 제3자 제공에 대한 별도 동의를 철회할 수 있습니다. 해지의 방법은 이 약관에서 별도로 규정한 바에 따릅니다.

                                8. 제 16 조 (이용자의 의무)

                                  1. ① 이용자는 서비스를 이용할 때 다음 각 호의 행위를 하지 않아야 합니다.
                                    1. 1. 다른 이용자의 이용자번호를 부정하게 사용하는 행위
                                    2. 2. 서비스를 이용하여 얻은 정보를 교육정보원의 사전승낙없이 이용자의 이용이외의 목적으로 복제하거나 이를 출판, 방송 등에 사용하거나 제3자에게 제공하는 행위
                                    3. 3. 다른 이용자 또는 제3자를 비방하거나 중상모략으로 명예를 손상하는 행위
                                    4. 4. 공공질서 및 미풍양속에 위배되는 내용의 정보, 문장, 도형 등을 타인에게 유포하는 행위
                                    5. 5. 반국가적, 반사회적, 범죄적 행위와 결부된다고 판단되는 행위
                                    6. 6. 다른 이용자 또는 제3자의 저작권등 기타 권리를 침해하는 행위
                                    7. 7. 기타 관계 법령에 위배되는 행위
                                  2. ② 이용자는 이 약관에서 규정하는 사항과 서비스 이용안내 또는 주의사항을 준수하여야 합니다.
                                  3. ③ 이용자가 설치하는 단말기 등은 전기통신설비의 기술기준에 관한 규칙이 정하는 기준에 적합하여야 하며, 서비스에 장애를 주지 않아야 합니다.

                                9. 제 17 조 (광고의 게재)

                                  교육정보원은 서비스의 운용과 관련하여 서비스화면, 홈페이지, 전자우편 등에 광고 등을 게재할 수 있습니다.

                              4. 제 4 장 서비스 이용 요금

                                1. 제 18 조 (이용요금)

                                  1. ① 서비스 이용료는 기본적으로 무료로 합니다. 단, 민간업체와의 협약에 의해 RISS를 통해 서비스 되는 콘텐츠의 경우 각 민간 업체의 요금 정책에 따라 유료로 서비스 합니다.
                                  2. ② 그 외 교육정보원의 정책에 따라 이용 요금 정책이 변경될 경우에는 온라인으로 서비스 화면에 게시합니다.

                              5. 제 5 장 마일리지 정책

                                1. 제 19 조 (마일리지 정책의 변경)

                                  1. ① RISS 마일리지는 2017년 1월부로 모두 소멸되었습니다.
                                  2. ② 교육정보원은 마일리지 적립ㆍ사용ㆍ소멸 등 정책의 변경에 대해 온라인상에 공지해야하며, 최근에 온라인에 등재된 내용이 이전의 모든 규정과 조건보다 우선합니다.

                              6. 제 6 장 저작권

                                1. 제 20 조 (게재된 자료에 대한 권리)

                                  서비스에 게재된 자료에 대한 권리는 다음 각 호와 같습니다.
                                  1. ① 게시물에 대한 권리와 책임은 게시자에게 있으며, 교육정보원은 게시자의 동의 없이는 이를 영리적 목적으로 사용할 수 없습니다.
                                  2. ② 게시자의 사전 동의가 없이는 이용자는 서비스를 이용하여 얻은 정보를 가공, 판매하는 행위 등 서비스에 게재된 자료를 상업적 목적으로 이용할 수 없습니다.

                              7. 제 7 장 이의 신청 및 손해배상 청구 금지

                                1. 제 21 조 (이의신청금지)

                                  이용자는 교육정보원에서 제공하는 서비스 이용시 발생되는 어떠한 문제에 대해서도 무료 이용 기간 동안은 이의 신청 및 민원을 제기할 수 없습니다.

                                2. 제 22 조 (손해배상청구금지)

                                  이용자는 교육정보원에서 제공하는 서비스 이용시 발생되는 어떠한 문제에 대해서도 무료 이용 기간 동안은 교육정보원 및 관계 기관에 손해배상 청구를 할 수 없으며 교육정보원은 이에 대해 책임을 지지 아니합니다.

                              8. 부칙

                                이 약관은 2000년 6월 1일부터 시행합니다.

                              9. 부칙(개정 2005. 5. 31)

                                이 약관은 2005년 5월 31일부터 시행합니다.

                              10. 부칙(개정 2010. 1. 1)

                                이 약관은 2010년 1월 1일부터 시행합니다.

                              11. 부칙(개정 2010. 4 1)

                                이 약관은 2010년 4월 1일부터 시행합니다.

                              12. 부칙(개정 2017. 1 1)

                                이 약관은 2017년 1월 1일부터 시행합니다.

                              학술연구정보서비스 개인정보처리방침

                              Ver 8.6 (2023년 1월 31일 ~ )

                              닫기

                              학술연구정보서비스(이하 RISS)는 정보주체의 자유와 권리 보호를 위해 「개인정보 보호법」 및 관계 법령이 정한 바를 준수하여, 적법하게 개인정보를 처리하고 안전하게 관리하고 있습니다. 이에 「개인정보 보호법」 제30조에 따라 정보주체에게 개인정보 처리에 관한 절차 및 기준을 안내하고, 이와 관련한 고충을 신속하고 원활하게 처리할 수 있도록 하기 위하여 다음과 같이 개인정보 처리방침을 수립·공개합니다.

                              주요 개인정보 처리 표시(라벨링)

                              목    차

                              처리목적 제1조(개인정보의 처리 목적)
                              RISS는 개인정보를 다음의 목적을 위해 처리합니다. 처리하고 있는 개인정보는 다음의 목적 이외의 용도로는 이용되지 않으며, 이용 목적이 변경되는 경우에는 「개인정보 보호법」 제18조에 따라 별도의 동의를 받는 등 필요한 조치를 이행할 예정입니다.
                              가. 서비스 제공
                                   - 콘텐츠 제공, 문헌배송 및 결제, 요금정산 등 서비스 제공
                              나. 회원관리
                                   - 회원제 서비스 이용에 따른 본인확인,
                                   - 만14세 미만 아동 개인 정보 수집 시 법정 대리인 동의여부 확인, 추후 법정 대리인 본인확인
                                   - 분쟁 조정을 위한 기록보존, 불만처리 등을 위한 원활한 의사소통 경로의 확보, 공지사항 전달
                              다. 서비스 개선
                                   - 신규 서비스 개발 및 특화
                                   - 통계학적 특성에 따른 서비스 제공 및 광고 게재, 이벤트 등 정보 전달 및 참여 기회 제공
                                   - 서비스 이용에 대한 통계
                              보유 기간제2조(개인정보의 처리 및 보유 기간)
                              가. 처리기간 및 보유 기간:

                              3년

                              또는 회원탈퇴시까지
                              나. 다만, 다음의 사유에 해당하는 경우에는 해당 사유 종료시 까지 정보를 보유 및 열람합니다.
                                   ▶ 신청 중인 서비스가 완료 되지 않은 경우
                                        - 보존 이유 : 진행 중인 서비스 완료(예:원문복사 등)
                                        - 보존 기간 : 서비스 완료 시까지
                                        - 열람 예정 시기 : 수시(RISS에서 신청된 서비스의 처리내역 및 진행상태 확인 요청 시)
                                   ▶ 관련법령에 의한 정보보유 사유 및 기간
                                        - 대금결제 및 재화 등의 공급에 관한 기록 :

                              5년

                              (「전자상거래 등에서의 소비자보호에 관한
                                         법률」 제 6조 및 시행령 제 6조)
                                        - 소비자의 불만 또는 분쟁 처리에 관한 기록 :

                              3년

                              (「전자상거래 등에서의 소비자보호에 관한
                                         법률」 제 6조 및 시행령 제 6조)
                                        - 접속에 관한 기록 :

                              2년

                              이상(개인정보보호위원회 : 개인정보의 안전성 확보조치 기준)
                              처리 항목제3조(처리하는 개인정보의 항목)
                              가. 필수 항목 : ID, 이름, 생년월일, 신분(직업구분), 이메일, 소속분야,
                                   보호자 성명(어린이회원), 보호자 이메일(어린이회원)
                              나: 선택 항목 : 소속기관명, 학과/부서명, 학번/직원번호, 전화, 주소, 장애인 여부
                              다. 자동수집항목 : IP주소, ID, 서비스 이용기록, 방문기록
                              개인 정보제4조(개인정보파일 등록 현황)
                              개인정보파일의 명칭 운영근거 / 처리목적 개인정보파일에 기록되는 개인정보의 항목 보유기간
                              학술연구정보서비스 이용자 가입정보 파일 한국교육학술정보원법 필수 ID, 비밀번호, 성명, 생년월일, 신분(직업구분), 이메일, 소속분야, 웹진메일 수신동의 여부 3년
                              또는
                              탈퇴시
                              선택 소속기관명, 소속도서관명, 학과/부서명, 학번/직원번호, 휴대전화, 주소
                              제3자 제공제5조(개인정보의 제3자 제공)
                              가. RISS는 원칙적으로 정보주체의 개인정보를 제1조(개인정보의 처리 목적)에서 명시한 범위 내에서
                                   처리하며, 정보주체의 사전 동의 없이는 본래의 범위를 초과하여 처리하거나 제3자에게 제공하지
                                   않습니다. 단, 정보주체의 동의, 법률의 특별한 규정 등 개인정보 보호법 제17조 및 제18조에 해당하는
                                   경우에만 개인정보를 제3자에게 제공합니다.
                              나. RISS는 원활한 서비스 제공을 위해 다음의 경우 정보주체의 동의를 얻어 필요 최소한의 범위로만
                                   제공합니다.
                                   - 복사/대출 배송 서비스를 위해서 아래와 같이 개인정보를 제공합니다.
                                        1. 개인정보 제공 대상 : 제공도서관, ㈜이니시스(선불결제 시)
                                        2. 개인정보 제공 목적 : 복사/대출 서비스 제공
                                        3. 개인정보 제공 항목 : 이름, 전화번호, 이메일
                                        4. 개인정보 보유 및 이용 기간 : 신청건 발생일 후 5년
                              ▶ 개인정보 제공에 동의하지 않을 권리가 있으며, 거부하는 경우 서비스 이용이 불가합니다.
                              처리 위탁제6조(개인정보 처리업무의 위탁)
                              RISS는 원활한 개인정보 업무처리를 위하여 다음과 같이 개인정보 처리업무를 위탁하고 있습니다.
                              가. 위탁하는 업무 내용 : 회원 개인정보 처리
                              나. 수탁업체명 : ㈜퓨쳐누리
                              RISS는 위탁계약 체결 시 「개인정보 보호법」 제26조에 따라 위탁업무 수행 목적 외 개인정보 처리금지, 안전성 확보조치, 재위탁 제한, 수탁자에 대한 관리·감독, 손해배상 등 책임에 관한 사항을 계약서 등 문서에 명시하고, 수탁자가 개인정보를 안전하게 처리하는지를 감독하고 있습니다.
                              위탁업무의 내용이나 수탁자가 변경될 경우에는 지체 없이 본 개인정보 처리방침을 통하여 공개하도록 하겠습니다.
                              파기제7조(개인정보의 파기 절차 및 방법)
                              가. 파기절차
                                   - 개인정보의 파기 : 보유기간이 경과한 개인정보는 종료일로부터 지체 없이 파기
                                   - 개인정보파일의 파기 : 개인정보파일의 처리 목적 달성, 해당 서비스의 폐지, 사업의 종료 등 그
                                    개인정보파일이 불필요하게 되었을 때에는 개인정보의 처리가 불필요한 것으로 인정되는 날로부터
                                    지체 없이 그 개인정보파일을 파기.
                              나. 파기방법
                                   - 전자적 형태의 정보는 기록을 재생할 수 없는 기술적 방법을 사용하여 파기.
                                   - 종이에 출력된 개인정보는 분쇄기로 분쇄하거나 소각을 통하여 파기.
                              정보주체의 권리의무제8조(정보주체와 법정대리인의 권리·의무 및 그 행사 방법)
                              정보주체(만 14세 미만인 경우에는 법정대리인을 말함)는 개인정보주체로서 다음과 같은 권리를 행사할 수 있습니다.
                              가. 권리 행사 항목 및 방법
                                   - 권리 행사 항목: 개인정보 열람 요구, 오류 정정 요구, 삭제 요구, 처리정지 요구
                                   - 권리 행사 방법: 개인정보 처리 방법에 관한 고시 별지 제8호(대리인의 경우 제11호) 서식에 따라
                                    작성 후 서면, 전자우편, 모사전송(FAX), 전화, 인터넷(홈페이지 고객센터) 제출
                              나. 개인정보 열람 및 처리정지 요구는 「개인정보 보호법」 제35조 제5항, 제37조 제2항에 의하여
                                    정보주체의 권리가 제한 될 수 있음
                              다. 개인정보의 정정 및 삭제 요구는 다른 법령에서 그 개인정보가 수집 대상으로 명시되어 있는 경우에는
                                    그 삭제를 요구할 수 없음
                              라. RISS는 정보주체 권리에 따른 열람의 요구, 정정·삭제의 요구, 처리정지의 요구 시
                                    열람 등 요구를 한 자가 본인이거나 정당한 대리인인지를 확인함.
                              마. 정보주체의 권리행사 요구 거절 시 불복을 위한 이의제기 절차는 다음과 같습니다.
                                   1) 해당 부서에서 열람 등 요구에 대한 연기 또는 거절 시 요구 받은 날로부터 10일 이내에 정당한 사유
                                      및 이의제기 방법 등을 통지
                                   2) 해당 부서에서 정보주체의 이의제기 신청 및 접수(서면, 유선, 이메일 등)하여 개인정보보호 담당자가
                                      내용 확인
                                   3) 개인정보관리책임자가 처리결과에 대한 최종 검토
                                   4) 해당부서에서 정보주체에게 처리결과 통보
                              *. [교육부 개인정보 보호지침 별지 제1호] 개인정보 (열람, 정정·삭제, 처리정지) 요구서
                              *. [교육부 개인정보 보호지침 별지 제2호] 위임장
                              안전성확보조치제9조(개인정보의 안전성 확보조치)
                              가. 내부관리계획의 수립 및 시행 : RISS의 내부관리계획 수립 및 시행은 한국교육학술정보원의 내부
                                    관리 지침을 준수하여 시행.
                              나. 개인정보 취급 담당자의 최소화 및 교육
                                   - 개인정보를 취급하는 분야별 담당자를 지정․운영
                                   - 한국교육학술정보원의 내부 관리 지침에 따른 교육 실시
                              다. 개인정보에 대한 접근 제한
                                   - 개인정보를 처리하는 데이터베이스시스템에 대한 접근권한의 부여, 변경, 말소를 통하여
                                   개인정보에 대한 접근통제 실시
                                   - 침입차단시스템, ID/패스워드 및 공인인증서 확인을 통한 접근 통제 등 보안시스템 운영
                              라. 접속기록의 보관 및 위변조 방지
                                   - 개인정보처리시스템에 접속한 기록(웹 로그, 요약정보 등)을 2년 이상 보관, 관리
                                   - 접속 기록이 위변조 및 도난, 분실되지 않도록 보안기능을 사용
                              마. 개인정보의 암호화 : 이용자의 개인정보는 암호화 되어 저장 및 관리
                              바. 해킹 등에 대비한 기술적 대책
                                   - 보안프로그램을 설치하고 주기적인 갱신·점검 실시
                                   - 외부로부터 접근이 통제된 구역에 시스템을 설치하고 기술적/물리적으로 감시 및 차단
                              사. 비인가자에 대한 출입 통제
                                   - 개인정보를 보관하고 있는 개인정보시스템의 물리적 보관 장소를 별도 설치․운영
                                   - 물리적 보관장소에 대한 출입통제, CCTV 설치․운영 절차를 수립, 운영
                              자동화 수집제10조(개인정보 자동 수집 장치의 설치·운영 및 거부)
                              가. 정보주체의 이용정보를 저장하고 수시로 불러오는 ‘쿠키(cookie)’를 사용합니다.
                              나. 쿠키는 웹사이트를 운영하는데 이용되는 서버(http)가 이용자의 컴퓨터브라우저에게 보내는 소량의
                                   정보이며 이동자들의 PC 컴퓨터내의 하드디스크에 저장되기도 합니다.
                                   1) 쿠키의 사용목적 : 이용자에게 보다 편리한 서비스 제공하기 위해 사용됩니다.
                                   2) 쿠키의 설치·운영 및 거부 : 브라우저 옵션 설정을 통해 쿠키 허용, 쿠키 차단 등의 설정을 할 수
                                        있습니다.
                                        - Internet Explorer : 웹브라우저 우측 상단의 도구 메뉴 > 인터넷 옵션 > 개인정보 > 설정 > 고급
                                        - Edge : 웹브라우저 우측 상단의 설정 메뉴 > 쿠키 및 사이트 권한 > 쿠키 및 사이트 데이터
                                           관리 및 삭제
                                        - Chrome : 웹브라우저 우측 상단의 설정 메뉴 > 보안 및 개인정보 보호 > 쿠키 및 기타 사이트
                                           데이터
                                   3) 쿠키 저장을 거부 또는 차단할 경우 서비스 이용에 어려움이 발생할 수 있습니다.
                              개인정보보호책임자제11조(개인정보 보호책임자)
                              가. RISS는 개인정보 처리에 관한 업무를 총괄해서 책임지고, 개인정보 처리와 관련한 정보주체의
                                   불만처리 및 피해구제 등을 위하여 아래와 같이 개인정보 보호책임자를 지정하고 있습니다.
                              구분 담당자 연락처
                              KERIS 개인정보 보호책임자 정보보호본부 김태우 - 이메일 : lsy@keris.or.kr
                              - 전화번호 : 053-714-0439
                              - 팩스번호 : 053-714-0195
                              KERIS 개인정보 보호담당자 개인정보보호부 이상엽
                              RISS 개인정보 보호책임자 대학학술본부 장금연 - 이메일 : giltizen@keris.or.kr
                              - 전화번호 : 053-714-0149
                              - 팩스번호 : 053-714-0194
                              RISS 개인정보 보호담당자 학술진흥부 길원진

                              나. 정보주체는 RISS의 서비스(또는 사업)을 이용하시면서 발생한 모든 개인정보 보호 관련 문의, 불만처리,
                                   피해구제 등에 관한 사항을 개인정보 보호책임자 및 담당부서로 문의 할 수 있습니다.
                                   RISS는 정보주체의 문의에 대해 답변 및 처리해드릴 것입니다.
                              열람 청구제12조(개인정보의 열람청구를 접수·처리하는 부서)
                              가. 자체 개인정보 열람청구 접수ㆍ처리 창구
                                   부서명 : 대학학술본부/학술진흥부
                                   담당자 : 길원진
                                   이메일 : giltizen@keris.or.kr
                                   전화번호 : 053-714-0149
                                   팩스번호 : 053-714-0194
                              나. 개인정보 열람청구 접수ㆍ처리 창구
                                   - 개인정보보호 포털 웹사이트(www.privacy.go.kr)
                                   - 개인정보보호 포털 → 민원마당 → 개인정보 열람 등 요구(본인확인을 위한
                                     휴대전화·아이핀(I-PIN) 등이 있어야 함)
                              권익침해 구제제13조(정보주체의 권익침해에 대한 구제방법)
                              ‣ 정보주체는 개인정보침해로 인한 구제를 받기 위하여 개인정보분쟁조정위원회, 한국인터넷진흥원
                                 개인정보침해신고센터 등에 분쟁해결이나 상담 등을 신청할 수 있습니다. 이 밖에 기타 개인정보
                                 침해의 신고, 상담에 대하여는 아래의 기관에 문의하시기 바랍니다.

                                 가. 개인정보분쟁조정위원회 : (국번없이) 1833-6972(www.kopico.go.kr)
                                 나. 개인정보침해신고센터 : (국번없이) 118(privacy.kisa.or.kr)
                                 다. 대검찰청 : (국번없이) 1301 (www.spo.go.kr)
                                 라. 경찰청 : (국번없이) 182 (ecrm.cyber.go.kr)

                              ‣RISS는 정보주체의 개인정보자기결정권을 보장하고, 개인정보침해로 인한 상담 및 피해 구제를
                                  위해 노력하고 있으며, 신고나 상담이 필요한 경우 아래의 담당부서로 연락해 주시기 바랍니다.
                                 ▶ 개인정보 관련 고객 상담 및 신고
                                    부서명 : 학술진흥부
                                    담당자 : 길원진
                                    연락처 : ☎053-714-0149 / (Mail) giltizen@keris.or.kr / (Fax) 053-714-0194
                              ‣「개인정보 보호법」제35조(개인정보의 열람), 제36조(개인정보의 정정·삭제), 제37조(개인정보의
                                 처리정지 등)의 규정에 의한 요구에 대하여 공공기관의 장이 행한 처분 또는 부작위로 인하여 권리
                                 또는 이익의 침해를 받은 자는 행정심판법이 정하는 바에 따라 행정심판을 청구할 수 있습니다.
                                 ※ 행정심판에 대해 자세한 사항은 중앙행정심판위원회(www.simpan.go.kr) 홈페이지를 참고
                                 하시기 바랍니다.
                              처리방침 변경제14조(추가적인 이용ㆍ제공 판단기준)
                              RISS는 「개인정보 보호법」제15조제3항 및 제17조제4항에 따라 「개인정보 보호법 시행령」
                              제14조의2에 따른 사항을 고려하여 정보주체의 동의 없이 개인정보를 추가적으로 이용 · 제공할 수 있습니다.
                              이에 따라 RISS는 정보주체의 동의 없이 추가적인 이용 · 제공을 하는 경우, 본 개인정보처리방침을
                              통해 아래와 같은 추가적인 이용 · 제공을 위한 고려사항에 대한 판단기준을 안내드리겠습니다.
                                   ▶ 개인정보를 추가적으로 이용 · 제공하려는 목적이 당초 수집 목적과 관련성이 있는지 여부
                                   ▶ 개인정보를 수집한 정황 또는 처리 관행에 비추어 볼 때 추가적인 이용 · 제공에 대한 예측
                                        가능성이 있는지 여부
                                   ▶ 개인정보의 추가적인 이용 · 제공이 정보주체의 이익을 부당하게 침해하는지 여부
                                   ▶ 가명처리 또는 암호화 등 안전성 확보에 필요한 조치를 하였는지 여부
                              처리방침 변경제15조(개인정보 처리방침의 변경)
                              RISS는 「개인정보 보호법」제30조에 따라 개인정보 처리방침을 변경하는 경우 정보주체가 쉽게
                              확인할 수 있도록 홈페이지에 공개하고 변경이력을 관리하고 있습니다.
                              ‣ 이 개인정보처리방침은 2023. 1. 31. 부터 적용됩니다.
                              ‣ 이전의 개인정보처리방침은 상단에서 확인할 수 있습니다.

                              닫기
                              변경하기 다음에 변경하기 1개월후 변경하기

                              자동로그아웃 안내

                              닫기
                              로그인연장 로그아웃 로그인 RISS 초기화면

                              인증오류 안내

                              닫기

                              귀하께서는 휴면계정 전환 후 1년동안 회원정보 수집 및 이용에 대한
                              재동의를 하지 않으신 관계로 개인정보가 삭제되었습니다.

                              (참조 : RISS 이용약관 및 개인정보처리방침)

                              신규회원으로 가입하여 이용 부탁 드리며, 추가 문의는 고객센터로 연락 바랍니다.

                              - 기존 아이디 재사용 불가

                              휴면계정 안내

                              RISS는 [표준개인정보 보호지침]에 따라 2년을 주기로 개인정보 수집·이용에 관하여 (재)동의를 받고 있으며, (재)동의를 하지 않을 경우, 휴면계정으로 전환됩니다.

                              (※ 휴면계정은 원문이용 및 복사/대출 서비스를 이용할 수 없습니다.)

                              휴면계정으로 전환된 후 1년간 회원정보 수집·이용에 대한 재동의를 하지 않을 경우, RISS에서 자동탈퇴 및 개인정보가 삭제처리 됩니다.

                              고객센터 1599-3122

                              ARS번호+1번(회원가입 및 정보수정)

                              회원가입 닫기