Support Vector Machine을 이용한 생체 신호 분류기 개발 = Development of a Clinical Decision Support System Utilizing Support Vector Machine

국문 초록 (Abstract)

피부 저항을 이용한 생체 신호는 스트레스성 질환에 따라 각각 다른 특성을 보이고 있으며 이 특성을 이용하여 스트레스성 질환을 진단하는 생체진단 장비들이 개발 되었으며, 장비들은 피부 저항 측정기에서 측정한 신호를 해석하기 쉽게 출력해주며, 그 분야의 전문가는 출력 신호를 직접 보고 어떤 스트레스성 질환의 가능성이 높은지를 판단하게 된다. 하지만 각 측정 대상자에게서 측정된 생체 신호를 분석하여 측정 대상자가 어떤 스트레스성 질환을 가지고 있는지를 사람이 정확히 판단하기는 매우 어려울 뿐만 아니라 판단의 결과가 잘못될 가능성도 매우 높다. 이런 문제점을 해결하기 위하여 본 연구에서는 머신러닝 기법을 이용하여 측정된 신호가 어떤 스트레스성 질환의 신호에 해당하는지를 판단하는 기능을 구현하였다. 측정 장비의 낮은 컴퓨팅 능력을 고려하여 분류 기법은 SVM을 사용하였으며, 훈련 데이터와 테스트 데이터는 13개의 질환을 중심으로 오차범위 5를 사용하여 각 질환 당 1,000개를 랜덤하게 생성하여 사용하였다. 모의실험 결과에서 90% 이상의 판단 정확도를 보였으며 앞으로 측정 장비가 실제로 환자들에게 적용되면 다시 생성된 데이터로 분류기를 재훈련 할 수 있게 구성하였다.

다국어 초록 (Multilingual Abstract)

Biomedical signals using skin resistance have different characteristics according to stress diseases. Biological diagnostic devices for diagnosing stress diseases have been developed by using these characteristics, and devices have been developed so that the signals measured by the skin storage meter can be easily analyzed. Experts in the field will look directly at the output signal to determine the likelihood of any stress disorder. However, it is very difficult for a person to accurately determine whether a person to be measured has a stress disorder by analyzing a bio-signal measured by each person to be measured, and the result of the judgment is very likely to be wrong.
In order to solve these problems, we implemented the function of determining the signal of a stress disorder by using the machine learning technique. SVM was used as a classification method in consideration of low computing ability of measurement equipment. Training data and test data were randomly generated for each disease using error range 5 based on 13 diseases. Simulation results showed more than 90% decision accuracy. In the future, if the measurement equipment is actually applied to the patients, we can retrain the classifier with the newly generated data.

목차 (Table of Contents)

• 요약
• ABSTRACT
• Ⅰ. 서론
• Ⅱ. 관련 연구
• Ⅲ. 측정된 생체 신호 관리
• Ⅳ. 결론
• References
• 저자소개

참고문헌 (Reference)

• 1 김정래, "홈 네트워크 방식의 헬스 케어 시스템 구현" 한국전자통신학회 6 (6): 987-991, 2011
• 2 한영오, "생체신호를 이용한 감성조명 시스템" 한국전자통신학회 9 (9): 499-507, 2014
• 3 이학재, "사물인터넷 기반의 배뇨관리 시스템 설계 및 구현" 한국전자통신학회 12 (12): 209-218, 2017
• 4 오영환, "빅데이터 기반의 실시간 생체 신호 모니터링을 이용한 분석시스템: 야구 수비능력 측정을 중심으로" 한국전자통신학회 13 (13): 221-228, 2018
• 5 P. Harrington, "Machine learning in action" Manning Publication 2013
• 6 C. Chang, "LIVSVM: a library for support vector machine" 2 (2): 27:1-27:26, 2011
• 7 윤석주, "ECG 특징추출 기반 개인 바이오 인식" 한국전자통신학회 10 (10): 521-526, 2015
• 8 B. Boser, "A training algorithm for optimal margin classifier" 144-152, 1992
• 9 송범용, "7구역진단기의 임상응용에 대한 고찰 (1) - VEGA-DFM 722 및 ABR-2000 중심으로 -" 대한침구의학회 23 (23): 231-239, 2006
• 10 유정석, "7구역진단기의 Factor AA의 유형분석과 임상지표와의 상관성 연구" 대한침구의학회 24 (24): 159-170, 2007