걸음걸이 분석 기반의 파킨슨병 분류를 위한 특징 추출

이상홍 ( Sang-hong Lee ),임준식 ( Joon S. Lim ),신동근 ( Dong-kun Shin ) 한국인터넷정보학회 2010 인터넷정보학회논문지 Vol.11 No.6

본 논문은 걸음걸이 분석 기반의 특징 추출과 NEWFM(Neural Network with Weighted Fuzzy Membership Functions)을 이용하여 건강한 사람의 족압(foot pressure)과 파킨슨병 환자의 족압으로부터 건강한 사람과 파킨슨병 환자를 분류하는 방안을 제시하고 있다. NEWFM에서 사용할 입력을 추출하기 위해서 첫 번째 단계에서는 PhysioBank에서 제공하는 족압 데이터와 시간에 따른 족압의 변화를 이용하여 각각 4개의 특징을 추출하였다. 두 번째 단계에서는 웨이블릿 변환(wavelet transform, WT)을 이용하여 이전 단계에서 추출한 8개의 특징으로부터 웨이블릿 계수를 추출하였다. 마지막 단계에서는 추출된 웨이블릿 계수들을 이용하여 통계적 기법인 주파수 분포와 주파수 변동량을 이용하여 40개의 입력을 추출하였다. NEWFM은 족압 데이터로부터 8개의 특징을 추출하여 건강한 사람과 파킨슨병 환자를 분류하였을 때 왼쪽 족압과 오른쪽 족압의 차를 이용한 특징과 시간에 따른 족압의 변화에 대한 차를 이용한 특징의 경우에 높은 정확도(accuracy)가 나타났다. 이러한 결과를 통하여 걸음걸이에 있어서 질질 끄는 특징을 보이는 파킨슨병 환자의 양쪽 족압의 차가 건강한 사람의 양쪽 족압의 차보다는 상대적으로 적다는 특징을 본 실험을 통해 확인할 수 있었다. This paper presents a measure to classify healthy persons and Parkinson disease patients from the foot pressure of healthy persons and that of Parkinson disease patients using gait analysis based characteristics extraction and Neural Network with Weighted Fuzzy Membership Functions (NEWFM). To extract the inputs to be used in NEWFM, in the first step, the foot pressure data provided by the PhysioBank and changes in foot pressure over time were used to extract four characteristics respectively. In the second step, wavelet coefficients were extracted from the eight characteristics extracted from the previous stage using the wavelet transform (WT). In the final step, 40 inputs were extracted from the extracted wavelet coefficients using statistical methods including the frequency distribution of signals and the amount of variability in the frequency distribution. NEWFM showed high accuracy in the case of the characteristics obtained using differences between the left foot pressure and the right food pressure and in the case of the characteristics obtained using differences in changes in foot pressure over time when healthy persons and Parkinson disease patients were classified by extracting eight characteristics from foot pressure data. Based on these results, the fact that differences between the left and right foot pressures of Parkinson disease patients who show a characteristic of dragging their feet in gaits were relatively smaller than those of healthy persons could be identified through this experiment.

Learning Distribution Graphs Using a Neuro-Fuzzy Network for Naive Bayesian Classifier

전설위,임준식,Tian, Xue-Wei,Lim, Joon S. The Society of Digital Policy and Management 2013 디지털융복합연구 Vol.11 No.11

Naive Bayesian classifiers 네이브 베이지안 분류기는 샘플 데이터로부터 쉽게 구현될 수 있는 강력하고도 많이 사용되는 형식의 분류기다. 그러나 강한 조건부 독립성으로 인하여 효율이 저하되는 분류 결과를 초래한다. 일반적으로 네이브 베이지안 분류기는 연속성을 가진 특징 데이터의 우도를 처리하기 위해 가우시안 분산을 사용한다. 속성들의 확률밀도는 항상 가우시안 분산에 적합한 것만은 아니다. 또 다른 형식의 분류기는 지도학습을 통해 퍼지 규칙과 퍼지집합을 학습할 수 있는 퍼지신경망이다. 퍼지신경망과 네이브 베이지안 분류기간에는 구조적 유사성을 가지고 있기 때문에 퍼지신경망으로 학습된 분산 그래프를 네이브 베이지안 분류기에 적용하고자 하는 방안이 본 연구의 목적이다. 따라서 네이브 베이지안 분류기에 가우시안 분산 그래프를 사용한 결과와 퍼지 분산 그래프를 사용한 결과를 비교하였다. 이를 위해 leukemia와 colon의 DNA 마이크로어레이 데이터를 적용하여 분류하였다. 네이브 베이지안 분류기에 퍼지 분산 그래프를 사용한 결과 가우시안 분산 그래프를 사용한 결과보다 더 신뢰성이 있음을 보여주었다. Naive Bayesian classifiers are a powerful and well-known type of classifiers that can be easily induced from a dataset of sample cases. However, the strong conditional independence assumptions can sometimes lead to weak classification performance. Normally, naive Bayesian classifiers use Gaussian distributions to handle continuous attributes and to represent the likelihood of the features conditioned on the classes. The probability density of attributes, however, is not always well fitted by a Gaussian distribution. Another eminent type of classifier is the neuro-fuzzy classifier, which can learn fuzzy rules and fuzzy sets using supervised learning. Since there are specific structural similarities between a neuro-fuzzy classifier and a naive Bayesian classifier, the purpose of this study is to apply learning distribution graphs constructed by a neuro-fuzzy network to naive Bayesian classifiers. We compare the Gaussian distribution graphs with the fuzzy distribution graphs for the naive Bayesian classifier. We applied these two types of distribution graphs to classify leukemia and colon DNA microarray data sets. The results demonstrate that a naive Bayesian classifier with fuzzy distribution graphs is more reliable than that with Gaussian distribution graphs.

자동 특징 추출기법에 의한 최소의 주식예측 특징선택

이상홍(Sang-Hong Lee),임준식(Joon S. Lim) 한국지능시스템학회 2009 한국지능시스템학회논문지 Vol.19 No.2

본 논문은 가중 퍼지소속함수 기반 신경망(Neural Network with Weighted Fuzzy Membership Functions, NEWFM)기반의 자동 특징 추출기법을 사용하여 1일 후의 주식 예측을 하는 방안을 제안하고 있다. 비중복면적 분산측정법에 의해 중요도가 가장 낮은 특징입력을 자동적으로 하나씩 제거하면서 최소의 특징입력을 선택하였다. 특징입력으로써 CPPn,m (Current Price Position of the day n)과 최근 32일간의 CPPn,m을 웨이블릿 변환한 38개의 계수들 중 비중복면적 분산측정법에 의해서 자동적으로 추출된 2개의 계수가 사용되었다. 제안된 방법으로 1989년부터 1998년까지의 실험군을 사용한 결과로써 60.93%의 예측율을 나타내었다. This paper presents a methodology to 1-day-forecast stock index using the automatic feature extraction method based on the neural network with weighted fuzzy membership functions (NEWFM). The distributed non-overlap area measurement method selects the minimized number of input features by automatically removing the worst input features one by one. CPPn,m (Current Price Position of the day n: percentage of the difference between the price of the day n and the moving average from the day n-1 to the day n-m) and the 2 wavelet transformed coefficients from the recent 32 days of CPPn,m are selected as minimized features using bounded sum of weighted fuzzy membership functions (BSWFMs). For the data sets, from 1989 to 1998, the proposed method shows that the forecast rate is 60.93%.

Biology-Signal Analysis Software Implemented by Java

Xue-Wei Tian,Joon S. Lim(임준식) 한국지능시스템학회 2011 한국지능시스템학회 학술발표 논문집 Vol.21 No.1

The method for analysing the heart rate variability (HRV) has been adopted for assessment of health. In this paper, a summary of computer program for advanced HRV analysis which has calculated all the commonly used time and frequency domain measures of HRV as well as the nonlinear Poincare plot has been presented. The program was originally developed by using eclipse 3.4.2 based on JDK 1.6 and the generated results can be saved as a format of Microsoft Excel, which could be more convenient for further heart disease diagnostic analysis.

KOSPI 예측을 위한 NEWFM 기반의 특징입력 및 퍼지규칙 추출

이상홍 ( Sang-hong Lee ),임준식 ( Joon S. Lim ) 한국인터넷정보학회 2008 인터넷정보학회논문지 Vol.9 No.1

본 논문은 가중 퍼지소속함수 기반 신경망(Neural Network with Weighted Fuzzy Membership Functions, NEWFM)을 사용하여 생성된 퍼지규칙과 비중복면적 분산 측정법에 의해 추출된 최소의 특징입력을 이용하여, 1일 후의 KOSPI 예측을 하는 방안을 제안하고 있다. NEWFM은 KOSPI의 최근 32일 동안의 CPPn,m(Current Price Position of day n for n-1 to n-m days)을 이용하여 1일 후의 KOSPI 상승과 하락을 예측한다. 특징입력으로써 CPPn,m과 최근 32일간의 CPPn,m을 웨이블릿 변환한 38개의 계수들 중 비중복면적 분산 측정법을 적용하여 추출된 5개의 계수가 사용되었다. 제안된 방법으로 1991년부터 1998년까지의 실험군을 사용한 결과 평균 67.62%의 예측율을 나타내었다. This paper presents a methodology to forecast KOSPI index by extracting fuzzy rules based on the neural network with weighted fuzzy membership functions (NEWFM) and the minimized number of input features using the distributed non-overlap area measurement method. NEWFM classifies upward and downward cases of KOSPI using the recent 32 days of CPPn,m (Current Price Position of day n for n-1 to n-m days) of KOSPI. The five most important input features among CPPn,m and 38 wavelet transformed coefficients produced by the recent 32 days of CPPn,m are selected by the non-overlap area distribution measurement method. For the data sets, from 1991 to 1998, the proposed method shows that the average of forecast rate is 67.62%.

간질 분류를 위한 NEWFM 기반의 특징입력 및 퍼지규칙 추출

이상홍 ( Sang-hong Lee ),임준식 ( Joon S. Lim ) 한국인터넷정보학회 2009 인터넷정보학회논문지 Vol.10 No.5

본 논문은 가중 퍼지소속함수 기반 신경망(Neural Network with Weighted Fuzzy Membership Functions, NEWFM)을 이용하여 간질 증세를 가진 사람과 건강한 사람의 뇌파(electroencephalogram, EEG)로부터 정상 파형과 간질(epilepsy) 파형을 분류하는 방안을 제시하고 있다. NEWFM에서 사용할 특징입력을 추출하기 위해서 첫 번째 단계에서는 웨이블릿 변환(wavelet transform, WT)을 이용하였다. 두 번째 단계에서는 첫 번째 단계에서 생성한 웨이블릿 계수들을 주파수 분포와 주파수 변동량을 이용하여 24개의 특징입력을 추출하였다. NEWFM은 이들 24개의 특징입력을 이용하여 정상 파형과 간질 파형을 분류하였을 때 98%의 분류성능을 나타내었다. This paper presents an approach to classify normal and epilepsy from electroencephalogram(EEG) using a neural network with weighted fuzzy membership functions(NEWFM). To extract input features used in NEWFM, wavelet transform is used in the first step. In the second step, the frequency distribution of signal and the amount of changes in frequency distribution are used for extracting twenty-four numbers of input features from coefficients and approximations produced by wavelet transform in the previous step. NEWFM classifies normal and epilepsy using twenty four numbers of input features, and then the accuracy rate is 98%.

감성콘텐츠 자극에 의한 HRV 신호와 피로의 연관성에 관한 연구

장진흥(Zhen-Xing Zhang),임준식(Joon S. Lim) 한국지능시스템학회 2011 한국지능시스템학회 학술발표 논문집 Vol.21 No.1

본 연구에서는 감성콘텐츠 자극에 의한 심박수변이도(HRV) 분석을 통하여 자율신경계의 변화에 따라 피로와의 연관성을 알아보고, HRV 평가지표 중 피로와 관련성 있는 지표를 살펴본다. 본 논문의 실험방법은 Krupp의 자가평가 피로도 설문지(SFS, Self-rating Fatigue Scale)를 통해 15명의 피로 환자와 15명의 건강한 피험자들을 구별해내고, 이 피험자들이 13분의 감성 콘텐츠를 보면서 무선 홀터 심장모니터를 이용하여 ECG 신호를 수집하였다. 13분 동안 수집된 ECG신호에서 R-R간격 추출 알고리즘 통해 HRV를 얻었다. 자율신경계와 HRV 연관성을 분석하기 위하여, HRV의 시간영역 특징 SDNN, RMSSD와 주파수영역 특징 VLF, LF, HF, LF/HF rate 6개의 특징을 추출한다. 이런 HRV특징들은 통계기법에 따라 주파수 영역 특징 VLF가 높을 때와 LF가 낮을 때 피로상태를 가지고 있었다. 향후에는 퍼지신경망 기반에 이러한 HRV 시간-주파수 특징들을 이용하여 실시간 피로 검출 알고리즘을 개발할 수 있다.

Gene Classification for Leukemia Using Naive Bayesian Models

Xue-Wei Tian(전설위),Joon S. Lim(임준식) 한국지능시스템학회 2013 한국지능시스템학회 학술발표 논문집 Vol.23 No.2

뉴로-퍼지 신경망 기반의 우울증 진단을 위한 최적의 컨텐츠 판별

김민우(Min-woo. Kim),임준식(Joon S. Lim) 한국지능정보시스템학회 2018 한국지능정보시스템학회 학술대회논문집 Vol.2018 No.6

운동 형상 분류를 위한 웨이블릿 기반 최소의 특징 선택

이상홍(Sang-Hong Lee),신동근(Dong-Kun Shin),임준식(Joon S. Lim) 한국콘텐츠학회 2010 한국콘텐츠학회논문지 Vol.10 No.6

본 논문은 가중 퍼지소속함수 기반 신경망(neural network with weighted fuzzy membership functions, NEWFM)과 웨이블릿 기반의 특징 추출기법을 사용하여 왼쪽 또는 오른쪽의 운동 형상을 분류하는 방안을 제안하고 있다. 초기 특징을 추출하기 위해서 첫 번째 단계에서 웨이블릿 변환(wavelet transforms)을 이용하여 뇌파(electroencephalogram, EEG) 신호로부터 웨이블릿 계수들을 추출하였다. 두 번째 단계에서는 첫 번째 단계에서 추출한 웨이블릿 계수들을 통계적인 방법인 주파수 분포와 주파수변동량을 이용하여 60개의 초기 특징을 추출하였다. 이들 60개의 초기 특징은 NEWFM에서 제공하는 비중복면적 분산 측정법에 의해 중요도가 가장 낮은 특징을 하나씩 제거되면서 정확도가 가장 높은 6개의 최소 특징을 선택되었다. 이들 6개의 최소 특징을 NEWFM의 입력으로 사용하여 86.43%의 정확도를 구하였다. This paper presents a methodology for classifying left and right motor imagery using a neural network with weighted fuzzy membership functions (NEWFM) and wavelet-based feature extraction. Wavelet coefficients are extracted from electroencephalogram(EEG) signal by wavelet transforms in the first step. In the second step, sixty numbers of initial features are extracted from wavelet coefficients by the frequency distribution and the amount of variability in frequency distribution. The distributed non-overlap area measurement method selects the minimized number of features by removing the worst input features one by one, and then minimized six numbers of features are selected with the highest performance result. The proposed methodology shows that accuracy rate is 86.43% with six numbers of features.