심실빈맥/심실세동 분류를 위한 NEWFM 기반의 퍼지규칙 추출

신동근 ( Dong-kun Shin ),이상홍 ( Sang-hong Lee ),임준식 ( Joon S. Lim ) 한국인터넷정보학회 2009 인터넷정보학회논문지 Vol.10 No.2

본 논문은 가중 퍼지소속함수 기반 신경망(Neural Network with Weighted Fuzzy Membership Functions, NEWFM)을 이용하여 Creighton University Ventricular Tachyarrhythmia DataBase(CUDB)의 심전도(ECG) 신호로부터 정상리듬(Normal Sinus Rhythm, NSR)과 심실빈맥/심실세동(Ventricular Tachycardia/Ventricular Fibrillation, VT/VF)을 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 생성된 웨이블릿 계수들을 위상공간 재구성(Phase Space Reconstruction, PSR)과 첨단(Peak) 추출기법의 입력 값으로 이용하여 2개의 특징입력을 추출하였다. NEWFM은 이들 2개의 특징입력을 이용하여 정상리듬과 심실빈맥/심실세동을 분류하였고 그 결과로 90.13%의 분류성능을 나타내었다. This paper presents an approach to classify normal and Ventricular Tachycardia/Ventricular Fibrillation(VT/VF) from the Creighton University Ventricular Tachyarrhythmia DataBase(CUDB) using the neural network with weighted fuzzy membership functions(NEWFM). In the first step, wavelet transform is used for producing input values which are used in the next step. In the second step, two numbers of input features are extracted by phase space reconstruction method and peak extraction method using coefficients produced by wavelet transform in the previous step. NEWFM classifies normal and VT/VF beats using two numbers of input features, and then the accuracy rate is 90.13%.

낙상 검출을 위한 NEWFM 기반의 최소의 특징입력 선택

신동근 ( Dong-kun Shin ),이상홍 ( Sang-hong Lee ),임준식 ( Joon Shik Lim ) 한국인터넷정보학회 2009 인터넷정보학회논문지 Vol.10 No.3

본 논문은 가중 퍼지소속함수 기반 신경망(Neural Network with Weighted Fuzzy Membership Functions, NEWFM)기반의 특징추출기법을 사용하여 낙상을 검출하는 방안을 제안하고 있다. 비중복면적 분산 측정법에 의해 중요도가 가장 낮은 특징입력을 하나씩 제거하면서 최소의 특징입력을 선택하였다. 특징입력으로써 가속도 센서를 통해 입력된 가속도 변화랑을 웨이블릿 변환한 33개의 계수들 중 비중복면적 분산측정법에 의해서 추출된 19개의 계수가 사용되었다. 제안된 방법으로 민감도가 95%, 특이도가 97.25%, 정확도가 96.125%를 나타내었다. This paper presents a methodology for a fall detection using the 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 removing the worst input features one by one. Nineteen number of wavelet transformed coefficients captured by a triaxial accelerometer are selected as minimized features using the non-overlap area distribution measurement method. The proposed methodology shows that sensitivity, specificity, and accuracy are 95%, 97.25%, and 96.125%, respectively.

주성분 분석과 수면 2기를 이용한 수면 장애 분류

신동근(Dong-Kun Shin) 한국콘텐츠학회 2011 한국콘텐츠학회논문지 Vol.11 No.4

본 논문은 수면 2기의 EEG 선호와 주성분 분석(principle component analysis)을 이용하여 수면 장애를 분류하는 방안을 제안하고 있다. 초기 특징을 추출하기 위해서 첫 번째 단계에서는 수면 2기의 EEG 신호가 고속 푸리에 변환(fast Fourier transforms)에 의해서 잡음을 제거하는 과정이 수행되었다. 잡음이 제거 된 EEG 신호를 두 번째 단계에서는 주성분 분석을 이용하여 5개의 차원으로 축소하였다. 마지막 단계에서는 축소된 5개의 차원을 가중 퍼지소속함수 기반 신경망(neural network with weighted fuzzy membership functions, NEWFM)의 입력으로 사용하여 분류성능을 측정하였다. 분류성능에 있어서 정확도(accuracy), 특이도(specificity), 민감도(sensitivity)가 모두 100%로 나타났다. This paper presents a methodology for classifying sleep disturbance using electroencephalogram (EEG) signal at sleep stage 2 and principal component analysis. For extracting initial features, fast Fourier transforms(FFT) were carried out to remove some noise from EEG signal at sleep stage 2. In the second phase, we used principal component analysis to reduction from EEG signal that was removed some noise by FFT to 5 features. In the final phase, 5 features were used as inputs of NEWFM to get performance results. The proposed methodology shows that accuracy rate, specificity rate, and sensitivity were all 100%.

웨이블릿 변환과 퍼지 신경망을 이용한 단기 KOSPI 예측

신동근(Dong-Kun Shin),정경용(Kyung-Yong Chung) 한국콘텐츠학회 2011 한국콘텐츠학회논문지 Vol.11 No.6

KOSPI는 정치 및 경제를 포함한 다양한 요소에 영향을 받는 관계로 정확한 단기 KOSPI 예측 방법론 개발은 매우 어려운 문제로 여겨지고 있다. 본 논문에서는 가중 퍼지소속함수 기반 신경망(NEWFM; neural network with weighted fuzzy membership functions)의 특징 추출기법을 사용하여 5일 동안의 주가 단기추세를 예측하는 방안을 제안한다. 비중복면적 분산 측정법에 의해 중요도가 가장 낮은 특징입력을 하나씩 제거하면서 최소의 특징입력을 선택한다. 특징입력으로써 기술지표를 이용하여 얻은 데이터를 웨이블릿 변환을 이용하여 39개의 계수들을 추출한다. 이들 39개의 특징입력 중 비중복면적 분산측정법에 의해서 추출된 12개의 계수가 사용된다. 제안된 방법에서는 민감도가 72.79%, 특이도가 74.76%, 정확도가 73.84%를 나타낸다. The methodology of KOSPI forecast has been considered as one of the most difficult problem to develop accurately since short-term KOSPI is correlated with various factors including politics and economics. In this paper, we presents a methodology for forecasting short-term trends of stock price for five days using the feature selection method based on a neural network with weighted fuzzy membership functions (NEWFM). The distributed non-overlap area measurement method selects the minimized number of input features by removing the worst input features one by one. A technical indicator are selected for preprocessing KOSPI data in the first step. In the second step, thirty-nine numbers of input features are produced by wavelet transforms. Twelve numbers of input features are selected as the minimized numbers of input features from thirty-nine numbers of input features using the non-overlap area distribution measurement method. The proposed method shows that sensitivity, specificity, and accuracy rates are 72.79%, 74.76%, and 73.84%, respectively.

가중 퍼지소속함수 기반 신경망과 웨이블릿 변환을 이용한 심실 빈맥/세동 검출

신동근(Dong-Kun Shin),장진홍(Zhen-Xing Zhang),이상홍(Sang-Hong Lee),임준식(Joon S. Lim),이정현(Jung-Hyun Lee) 한국콘텐츠학회 2009 한국콘텐츠학회논문지 Vol.9 No.7

본 논문은 가중 퍼지소속함수 기반 신경망(Neural Network with Weighted Fuzzy Membership Functions, NEWFM)과 웨이블릿 변환(wavelet transforms, WT)을 이용하여 Creighton University Ventricular Tachyarrhythmia Database(CUDB)의 심전도 신호로부터 정상리듬(normal sinus rhythm, NSR)과 심실 빈맥/세동(ventricular tachycardia/fibrillation, VT/VF)을 검출하는 방안을 제시하고 있다. NEWFM에서 사용할 특징입력을 추출하기 위해서 첫 번째 단계에서는 웨이블릿 변환을 이용하여 스케일 레벨 3과 레벨 4의 주파수 대역에서 d3과 d4의 계수들을 각각 선택하였다. 두 번째 단계에서는 d3과 d4의 계수들에 대한 구간별 표준편차를 이용하여 8개의 특징입력을 추출하였다. NEWFM은 이들 8개의 특징입력을 이용하여 정상리듬과 심실 빈맥/세동을 검출하였고 그 결과로 90.1%의 검출성능을 나타내었다. This paper presents an approach to classify normal and ventricular tachycardia/fibrillation(VT/VF) from the Creighton University Ventricular Tachyarrhythmia Database(CUDB) using the neural network with weighted fuzzy membership functions(NEWFM) and wavelet transforms. In the first step, wavelet transforms are used to obtain the detail coefficients at levels 3 and 4. In the second step, all of detail coefficients d3 and d4 are classified into four intervals, respectively, and then the standard deviations of the specific intervals are used as eight numbers of input features of NEWFM. NEWFM classifies normal and VT/VF beats using eight numbers of input features, and then the accuracy rate is 90.1%.

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.

음성 신호와 NEWFM을 이용한 파킨슨병 환자의 분류

이상홍(Sang-Hong Lee),신동근(Dong-Kun Shin) 한국지능시스템학회 2011 한국지능시스템학회 학술발표 논문집 Vol.21 No.1

본 논문은 음성 신호와 NEWFM(Neural Network with Weighted Fuzzy Membership Functions)을 이용하여 파킨슨병 환자를 분류하는 방안을 제시하고 있다. 본 논문에서는 음성 신호로부터 추출한 특징을 이용하여 파킨슨병 환자와 건강한 사람을 분류하기 위해서 UCI Repository (http://archive.ics.uci.edu/ml/datasets/Parkinsons)에서 제공하는 음성 신호를 사용하였다. 본 논문에서는 음성 신호로부터 추출한 22개의 특징을 이용하여 건강한 사람과 파킨슨병 환자를 분류하였을 때 분류 성능으로 정확도(accuracy), 특이도(specificity), 민감도(sensitivity)가 각각 88.21%, 85.71%, 88.75%로 나타났다.

방향족 디아민에 의한 Bis - F 계 에폭시수지의 경화반응 . 1

맹기석(Ki Suck Maeng),김공수(Kong Soo Kim),신동근(Dong Kun Shin),김영철(Young Chul Kim) 한국고분자학회 1990 폴리머 Vol.14 No.2

Glass Fabric / BMI 적층판의 삼점굴곡 시험시 발생되는 손상 및 파단현상에 대해 지지간 거리와 시편두께의 비가 미치는 영향

이재락(Jae Rock Lee),김준형(Joon Hyung Kim),신동근(Dong Kun Shin),김영철(Young Chul Kim),윤동진(Dong Jin Yoon) 한국고분자학회 1991 폴리머 Vol.15 No.3

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.