지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 노호석
- 발행연도
- 2019
- 저작권
- 숙명여자대학교 논문은 저작권에 의해 보호받습니다.
이용수15
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
최근에 부정맥 환자가 증가하면서 부정맥을 예측하는 연구가 활발하게 진행되고 있다. 기존의 많은 연구들은 특정한 시점의 RR 간격 데이터에서 추출한 특징변수 다변량 데이터에 기반하여 부정맥을 예측하였다. 본 연구에서는 심장 상태가 시간에 따라 변해가는 패턴도 부정맥 예측에 중요한 정보가 될 수 있다고 생각하여 다변량 시계열을 기반으로 생성된 데이터로 부정맥을 예측하는 분류 러너를 생성하고 그 분류 성능을 다변량 데이터 기반 러너와 비교하였다.
먼저 특징변수별로 분류 러너를 만들어 성능을 비교하였다. 52개 특징변수 각각의 값 또는 시계열에 기반하여 1-Nearest Neighbor(1-NN) 분류 러너를 구축하고 Leave-One-Out Cross-Validation (LOOCV)으로 정분류율을 계산하여 분류 성능을 평가하였다. 이때 데이터 클래스의 불균형 문제로 인해 언더샘플링을 실시하였으며 언더샘플링을 100번 반복 후 정분류율을 평균한 값으로 분류 성능을 평가하였다. 특징변수의 시계열 데이터 간의 거리는 R package TSclust에서 제공하는 CID, COR, CORT, DTWARP, EUCL 5가지 거리 함수를 사용하여 계산하였다. 그 결과 DTWARP로 시계열간 거리를 계산했을 때 시계열 기반 1-NN이 값 기반 1-NN과 비교했을 때 분류 성능 향상이 가장 좋았으며 그 다음으로 CID, CORT가 좋았고 그 다음으로 EUCL이 좋았다. 거리 함수가 COR인 경우에는 오히려 성능 저하를 가져오는 것을 확인하였다.
특징변수별 분류 러너를 앙상블한 것의 성능을 비교할 때는 시계열 간 거리 함수는 DTWARP만 사용하였다. 최종 성능 비교를 위해서 언더샘플링을 100번 반복했을 때, 다변량 시계열 기반 앙상블 러너의 정분류율이 다변량 기반 앙상블 러너의 정분류율과 같거나 큰 횟수의 비율을 고려하였다. 그 결과 다변량 시계열을 기반으로 앙상블한 것의 성능이 다변량 기반으로 앙상블한 것의 성능보다 더 좋음을 확인하였다.
먼저 특징변수별로 분류 러너를 만들어 성능을 비교하였다. 52개 특징변수 각각의 값 또는 시계열에 기반하여 1-Nearest Neighbor(1-NN) 분류 러너를 구축하고 Leave-One-Out Cross-Validation (LOOCV)으로 정분류율을 계산하여 분류 성능을 평가하였다. 이때 데이터 클래스의 불균형 문제로 인해 언더샘플링을 실시하였으며 언더샘플링을 100번 반복 후 정분류율을 평균한 값으로 분류 성능을 평가하였다. 특징변수의 시계열 데이터 간의 거리는 R package TSclust에서 제공하는 CID, COR, CORT, DTWARP, EUCL 5가지 거리 함수를 사용하여 계산하였다. 그 결과 DTWARP로 시계열간 거리를 계산했을 때 시계열 기반 1-NN이 값 기반 1-NN과 비교했을 때 분류 성능 향상이 가장 좋았으며 그 다음으로 CID, CORT가 좋았고 그 다음으로 EUCL이 좋았다. 거리 함수가 COR인 경우에는 오히려 성능 저하를 가져오는 것을 확인하였다.
특징변수별 분류 러너를 앙상블한 것의 성능을 비교할 때는 시계열 간 거리 함수는 DTWARP만 사용하였다. 최종 성능 비교를 위해서 언더샘플링을 100번 반복했을 때, 다변량 시계열 기반 앙상블 러너의 정분류율이 다변량 기반 앙상블 러너의 정분류율과 같거나 큰 횟수의 비율을 고려하였다. 그 결과 다변량 시계열을 기반으로 앙상블한 것의 성능이 다변량 기반으로 앙상블한 것의 성능보다 더 좋음을 확인하였다.
목차
1. 연구 배경 및 개요 = 12. 용어 설명 = 22.1. 부정맥 = 22.2. RR 간격(RR interval) = 23. 분석 = 43.1 원 데이터 설명 = 43.2 분석 데이터 생성 = 83.2.1 다변량 데이터 생성 = 83.2.2 다변량 시계열 데이터 생성 = 103.3 분석 = 133.3.1 특징변수별 분류 러너의 성능 비교 = 133.3.2 특징변수별 분류 러너를 앙상블한 것의 성능 비교 = 214. 결론 및 전망 = 23
최근 본 자료
댓글(0)
0