본문 바로가기 주메뉴 바로가기
22대 대한민국 국회 국회정보길라잡이 국회의원검색
회원가입 로그인
HOME

정보검색

소장정보 검색

국회도서관 홈으로 정보검색 소장정보 검색
결과 내 검색 동의어 포함
결과 내 검색 동의어 포함

-

목차보기

표제지

목차

국문요약 11

제1장 서론 13

제2장 이론적 배경 16

2.1. 모터그레이드(Motor Grade) 16

2.2. 심층학습(Deep Learning) 18

2.2.1. 합성곱 신경망(Convolutional Neural Network, CNN) 19

2.2.2. 순환 신경망(Recurrent Neural Network, RNN) 26

2.2.3. 합성곱 순환 신경망(Convolutional Recurrent Neural Network, CRNN) 32

2.2.4. 전이학습(Transfer Learning) 34

제3장 시스템 설계 36

3.1. Sensor Device Module 37

3.2. PC Program 39

제4장 실험설계 및 데이터 수집 40

4.1. 실험 설계 40

4.2. 데이터 수집 45

제5장 모터그레이드 정량평가를 위한 CRNN 모델 설계 47

5.1. 합성곱 계층 설계 48

5.2. 순환 계층 설계 51

5.3. 완전연결 계층 설계 51

제6장 실험 결과 54

6.1. 알고리즘 성능 평가 54

6.1.1. 심층학습 개발환경 57

6.1.2. 평가 데이터 구성 58

6.1.3. 성능 평가 결과 60

6.2. 알고리즘 선정 72

6.3. 선행연구 알고리즘과 비교 평가 74

제7장 고찰 75

제8장 결론 77

참고문헌 79

ABSTRACT 83

표목차

Table 2-1. Medical Research Council scale modified from Paternostro-Sluga et al. 17

Table 4-1. Motor grade evaluation action 40

Table 4-2. Data set configuration 41

Table 4-3. Motion module positioning 41

Table 4-4. Muscle module electrode positioning 42

Table 4-5. Data set statistics 46

Table 5-1. CNN 1 layer architecture 49

Table 5-2. CNN 2 layer architecture 49

Table 5-3. CNN 3 layer architecture 50

Table 5-4. CNN 4 layer architecture 50

Table 5-5. CRNN 2 layer architecture 53

Table 6-1. Deep learning development environment 57

Table 6-2. Prior research Behavior Patterns According to MRC Evaluation Indicators 59

Table 6-3. Right arm algorithm 10-fold cross validation results 60

Table 6-4. Left arm algorithm 10-fold cross validation results 61

Table 6-5. Right leg algorithm 10-fold cross validation results 61

Table 6-6. Left leg algorithm 10-fold cross validation results 61

Table 6-7. Algorithm normality test for right arm 63

Table 6-8. Algorithm normality test for left arm 64

Table 6-9. Algorithm normality test for right leg 65

Table 6-10. Algorithm normality test for left leg 66

Table 6-11. Results of homogeneity test of variance for right arm 68

Table 6-12. One way ANOVA results of F1 score for right arm 68

Table 6-13. Results of homogeneity test of variance for left arm 69

Table 6-14. One way ANOVA results of F1 score for left arm 69

Table 6-15. Results of homogeneity test of variance for right leg 70

Table 6-16. One way ANOVA results of F1 score for right leg 70

Table 6-17. Results of homogeneity test of variance for left leg 71

Table 6-18. One way ANOVA results of F1 score for left leg 71

Table 6-19. Algorithm selected in each limb 73

Table 6-20. Results of comparative analysis with previous research algorithm 74

그림목차

Figure 2-1. Basic structure of CNN 19

Figure 2-2. Convolution operation according to stride size 20

Figure 2-3. Zero padding 21

Figure 2-4. Mathematical expression & graph of (a) tanh (b) ReLu function 22

Figure 2-5. Max pooling & average pooling 24

Figure 2-6. Structure of fully connected layer 25

Figure 2-7. Structure of RNN 27

Figure 2-8. Internal structure of LSTM 29

Figure 2-9. Internal structure of GRU 30

Figure 2-10. CRNN model 33

Figure 2-11. Transfer learning model 34

Figure 3-1. System block diagram 36

Figure 3-2. Sensor device module block diagram 37

Figure 3-3. Sensor device module 38

Figure 3-4. PC program 39

Figure 4-1. Sensor device module attached to arm 43

Figure 4-2. Sensor device module attached to leg 44

Figure 5-1. Summary of CRNN motor grade evaluation algorithm 47

Figure 5-2. Designed convolutional layer 48

Figure 5-3. Designed CRNN architecture 52

Figure 6-1. K-fold cross validation 54

Figure 6-2. Confusion matrix 55

Figure 6-3. Right arm F1 score boxplot 63

Figure 6-4. Left arm F1 score boxplot 64

Figure 6-5. Right leg F1 score boxplot 65

Figure 6-6. Left leg F1 score boxplot 66

초록보기

 본 논문은 신경계 질환환자의 재활치료 중 객관적인 모터그레이드 평가를 위하여 블루투스 통신을 기반으로 움직임 데이터를 수집하는 Device를 개발하고, 신경계 질환 환자를 대상으로 실험을 설계하여 데이터를 수집한다. 또한 Convolution Recurrent Neural Network(CRNN) 기반의 모터그레이드 평가 알고리즘을 개발하여 실제 신경계 질환 환자에게 적용하는 것을 목적으로 한다.

모터그레이드(Motor Grade)는 근력의 정도를 평가하는 것으로, 근력의 세기를 통해 신경의 손상 정도를 판별할 수 있다. 모터그레이드 평가법은 검사대상자의 움직임이나 자극에 대한 반응을 의료진의 주관적인 시선으로 관찰 후 점수를 평가하는 특성을 가지고 있다. 이에 따라 피검사자의 동일한 움직임을 보고 검사자마다 서로 다른 등급으로 평가하는 등의 문제점이 있다.

이에 본 연구에서는 객관적인 움직임 데이터를 획득하기 위해 블루투스 통신 기반의 Module을 개발하였으며, 재활치료를 진행중인 신경계 질환 환자 15명을 대상으로 Data Set을 획득했다. 또한 CRNN 기반 모터그레이드 정량평가 알고리즘을 개발하여, 획득한 Data Set을 학습시키고 검증하였다. 본 실험에서 획득한 Data Set의 적은 개수를 보완하기 위하여 선행연구에서 획득한 일반인 대상 Data Set을 전이학습 방식을 사용하여 학습에 사용하였고, 정확도를 비교 평가하였다.

선행연구와 비교하기 위하여 10겹 교차검증 방식을 사용하여 정확도를 계산한 결과 Right Arm의 경우 97.97±0.02%, Left Arm은 97.23±0.05%, Right Leg는 97.12±0.03% Left Leg는 97.03±0.04%의 정확도를 보였다. 동일한 데이터 베이스를 이용하여 선행 연구의 알고리즘과 비교하였을 때 본 연구의 알고리즘이 팔의 경우 약 4~5%, 다리의 경우 약 14~21% 이상으로 정확도가 더 높게 나타났다.

그러나 본 연구에서 획득한 환자 Data Set은 모터그레이드의 각 단계를 완벽하게 판별하는데 있어 그 수가 부족하다. 따라서 더 다양한 실험군을 대상으로 Data Set을 수집할 필요가 있으며, 현재 개발된 알고리즘은 Knee Rotation, Elbow Rotation, Finger Movement에 한정 되어있어 다양한 움직임에 대한 Data Set을 적용가능한 알고리즘의 개발이 필요하다. 이러한 한계점들을 보완하고, 본 연구의 모터그레이드 정량평가 시스템을 이용하여 실제 모터그레이드 평가를 보조한다면 신경계 질환 환자들의 근력평가에 긍정적인 영향을 미칠 수 있을 것으로 사료된다.

추천서가 (다양한 추천 자료를 만나보세요)

권호기사보기

권호기사 목록 테이블로 기사명, 저자명, 페이지, 원문, 기사목차 순으로 되어있습니다.
기사명 저자명 페이지 원문 기사목차