http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
태권도 수련이 성장기 어린이의 성장호르몬 및 혈중 지질에 미치는 영향
김정환(JungWhan Kim) 인하대학교 스포츠과학연구소 2004 스포츠과학논문집 Vol.16 No.-
본 연구는 태권도 운동이 청소년들의 발육발달에 미치는 영향을 알아보기 위하여 태권도 수련 중 채혈을 통해 성장호르몬과 IGF-I 을 분석하였다. 연구 대상자는 10~13세의 인천지역 초등학교 남아 중 태권도 수련을 3년 이상 한 숙련자집단 5명과 1년 미만의 비숙련자 집단 5명 총 10명이었다. 태권도 운동프로그램의 운동 강도는 50~60% HRmax이며 운동시간은 45분이었다. 채혈은 운동전, 운동직후, 회복기 60분 3단계로 하였다. 측정 변인을 태권도 숙련정도 및 운동전, 후 일원변량분석(One-way ANOVA) 하였다. 연구결과 태권도 운동이 성장호르몬의 많은 분비와 혈중 지질의 감소를 가져왔으며 특히 태권도 수련을 3년 이상 한 숙련자집단이 비숙련자 집단보다 유의한 차이를 보였다. 이에 따라 태권도 운동이 성장과 관련된 호르몬 분비에 영향을 미치는 것으로 규명되었다. 따라서 지속적이고 규칙적인 태권도의 수련은 성장기 어린이의 성장발달에 필요한 성장호르몬 분비와 지질의 감소로 성장의 촉진과 지나친 콜레스테롤의 섭취와 운동부 족으로 오는 비만과 심혈관계 질환을 예방하여 성장기 어린이의 바른 신체의 구성과 발달을 가져오는 데 효과적이라고 할 수 있다. The purpose of this study is to investigate the effect of taekwondo training on the Growth hormone and blood lipid. The subjects were divided into the two groups : one is expert group(5 elementary school students) and the other is beginner group(5 elementary school students). The subjects were training basic motion of Taekwondo for 45 minutes. GH, IGF-I & blood lipid were measured before training and after training. The result of this study were as follow ; The expert group had more secretion of IGF-I than the beginner group. but GH had not. GH secretion after training is 14times than before training. In the aspect of changes of blood lipid, TC & LDL-C decreased after training and HDL-C & TG increased after training.
Mean Shift 분석을 이용한 그래프 컷 기반의 자동 칼라 영상 분할 (pp.936-946)
박안진(Anjin Park),김정환(Jungwhan Kim),정기철(Keechul Jung) 한국정보과학회 2009 정보과학회논문지 : 소프트웨어 및 응용 Vol.36 No.11
그래프 컷(graph cuts) 방법은 주어진 사전정보와 각 픽셀간의 유사도를 나타내는 데이터 항(data term)과 이웃하는 픽셀간의 유사도를 나타내는 스무드 항(smoothness term)으로 구성된 에너지 함수를 전역적으로 최소화하는 방법으로, 최근 영상 분할에 많이 이용되고 있다. 기존 그래프 컷 기반의 영상 분할 방법에서 데이터 항을 설정하기 위해 GMM(Gaussian mixture model)을 주로 이용하였으며, 평균과 공분산을 각 클래스를 위한 사전정보로 이용하였다. 이 때문에 클래스의 모양이 초구(hyper-sphere) 또는 초타원(hyper-ellipsoid)일 때만 좋은 성능을 보이는 단점이 있다. 다양한 클래스의 모양에서 좋은 성능을 보이기 위해, 본 논문에서는 mean shift 분석 방법을 이용한 그래프 컷 기반의 자동 영상분할 방법을 제안한다. 데이터 항을 설정하기 위해 L<SUP>*</SUP>u<SUP>*</SUP>v<SUP>*</SUP> 색상공간에서 임의로 선택된 초기 mean으로부터 밀도가 높은 지역인 모드(mode)로 이동하는 mean의 집합들을 사전정보로 이용한다. Mean shift 분석 방법은 군집화에서 좋은 성능을 보이지만, 오랜 수행시간이 소요되는 단점이 있다. 이를 해결하기 위해 특징공간을 3차원 격자로 변형하였으며, mean의 이동은 격자에서 모든 픽셀이 아닌 3차원 윈도우내의 1차원 모멘트(moment)를 이용한다. 실험에서 GMM을 이용한 그래프 컷 기반의 영상분할 방법과 최근 많이 이용되고 있는 mean shift와 normalized cut기반의 영상분할 방법을 제안된 방법과 비교하였으며, Berkeley dataset을 기반으로 앞의 세 가지 방법보다 좋은 성능을 보였다. A graph cuts method has recently attracted a lot of attentions for image segmentation, as it can globally minimize energy functions composed of data term that reflects how each pixel fits into prior information for each class and smoothness term that penalizes discontinuities between neighboring pixels. In previous approaches to graph cuts-based automatic image segmentation, GMM(Gaussian mixture models) is generally used, and means and covariance matrixes calculated by EM algorithm were used as prior information for each cluster. However, it is practicable only for clusters with a hyper-spherical or hyper-ellipsoidal shape, as the cluster was represented based on the covariance matrix centered on the mean. For arbitrary-shaped clusters, this paper proposes graph cuts-based image segmentation using mean shift analysis. As a prior information to estimate the data term, we use the set of mean trajectories toward each mode from initial means randomly selected in L<SUP>*</SUP>u<SUP>*</SUP>v<SUP>*</SUP> color space. Since the mean shift procedure requires many computational times, we transform features in continuous feature space into 3D discrete grid, and use 3D kernel based on the first moment in the grid, which are needed to move the means to modes. In the experiments, we investigate the problems of mean shift-based and normalized cuts-based image segmentation methods that are recently popular methods, and the proposed method showed better performance than previous two methods and graph cuts-based automatic image segmentation using GMM on Berkeley segmentation dataset.