OFF
생몰정보
소속
직위
직업
활동분야
주기
서지
국회도서관 서비스 이용에 대한 안내를 해드립니다.
검색결과 (전체 1건)
원문 있는 자료 (1) 열기
원문 아이콘이 없는 경우 국회도서관 방문 시 책자로 이용 가능
목차보기더보기
Title Page
Contents
Abstract 8
Chapter 1. Introduction 10
1.1. Research Background 10
1.2. Previous researches 12
1.3. Research Objectives 14
Chapter 2. Materials and Methods 16
2.1. Participants 16
2.2. Robot system 16
2.3. Robot-assisted ADHD Test 17
2.3.1. Test Environment 18
2.3.2. Test Procedure 20
2.4. Paper-based test 20
2.4.1. Child Behavior Checklist 6-18 (CBCL 6-18) 20
2.4.2. K-ADHDDS 20
2.5. Sample Data 21
2.6. Algorithms 24
2.6.1. Logistic Regression (LR) 24
2.6.2. Support Vector Machine (SVM) 25
2.6.3. Random Forest (RF) 26
2.6.4. Gradient Boosting (GB) 27
2.7. Classification of children's ADHD 28
2.7.1. Data Pre-processing 28
2.7.2. Grid-search and Cross-validation 29
2.7.3. Classification 29
2.8. Evaluation Metrics 30
2.8.1. Accuracy 30
2.8.2. Precision 31
2.8.3. Recall 31
2.8.4. F Measure 32
Chapter 3. Results and Discussion 33
3.1. Classification result with robot data only 33
3.2. Classification result with robot data and paper-based data 41
Chapter 4. Conclusion 48
References 49
Abstract (Korean) 53
Table 2.1. Measurements of the robot-assisted test 22
Table 2.2. Data characteristics 23
Table 2.3. Confusion Matrix Table 30
Table 3.1. Grid-search Parameter List (Robot data) 34
Table 3.2. Performance Table of Training Dataset (Robot data) 35
Table 3.3. Performance Table of Test Dataset (Robot data) 36
Table 3.4. Confusion Matrix of LR (Robot Data) 37
Table 3.5. Confusion Matrix of SVM (Robot Data) 37
Table 3.6. Confusion Matrix of RF (Robot Data) 37
Table 3.7. Confusion Matrix of GB (Robot Data) 37
Table 3.8. Grid-search Parameter List (All Data) 41
Table 3.9. Performance Table of Training Dataset (All Data) 42
Table 3.10. Performance Table of Test Dataset (All Data) 43
Table 3.11. Confusion Matrix of LR (All Data) 44
Table 3.12. Confusion Matrix of SVM (All Data) 44
Table 3.13. Confusion Matrix of RF (All Data) 44
Table 3.14. Confusion Matrix of GB (All Data) 44
Figure 2.1. Appearance of SILBOT-3 and its Major Components 17
Figure 2.2. Environment of ADHD Diagnosis Game 19
Figure 2.3. Scene of ADHD Diagnosis Game 19
Figure 2.4. LR Classification Sigmoid Function Example 25
Figure 3.1. Learning Curve of LR (Robot Data) 39
Figure 3.2. Learning Curve of SVM (Robot Data) 39
Figure 3.3. Learning Curve of RF (Robot Data) 40
Figure 3.4. Learning Curve of GB (Robot Data) 40
Figure 3.5. Learning Curve of LR (All Data) 46
Figure 3.6. Learning Curve of SVM (All Data) 46
Figure 3.7. Learning Curve of RF (All Data) 47
Figure 3.8. Learning Curve of GB (All Data) 47
초록보기 더보기
이 연구는 아동 ADHD의 전통적인 진단 방법의 문제점을 해결하기 위한 것이다. 기존의 진단에는 문제점과 한계점이 있다: 진단의 객관성 및 일관성 부족, 진단을 위한 행동 데이터의 사용 부재, "ADHD 위기" 진단의 어려움. 이러한 문제점을 해결하기 위해 뇌파 및 자기 공명 영상과 같은 센서 장치를 이용한 기계 학습 기술을 활용한 연구들이 진행되고 있다. 그러나 이들 중 누구도 문제를 해결하는 데는 성공하지 못했다. 이 연구는 로봇 보조 ADHD 검사에서 수집된 데이터로부터 학습한 자동화된 아동 ADHD 분류기의 개발을 제시한다. 우리의 접근 방식에는 다음과 같은 연구들이 있다. 첫째, 지도기반의 다중 클래스 분류는 아동 ADHD를 정상, 심한 ADHD 및 위기 3가지 범주로 진단하는 데 사용된다. 둘째, 로봇 센서가 수집한 행동 데이터를 바탕으로 테스트 중에 아동의 행동을 관찰함으로써 임상의가 식별하기 어려운 ADHD 위기를 진단할 수 있다. 마지막으로, 하이퍼-파라미터 최적화를 통해 서로 다른 알고리즘 중에서 가장 잘 수행된 분류기를 찾는다. 결과에서 변수 최적화를 구해진 최고 성능의 분류기는 F1 점수 기준으로 95%까지의 성능을 보이며 임상적으로 의미 있다는 것을 나타냈다. ADHD 위기를 확인하는 가능성 또한 입증되었다. 이 연구는 현장의 교사와 임상의에게 객관적이고 일관된 방식으로 아동 ADHD를 분류할 수 있는 보조 도구를 제공할 수 있음을 보여준다.
도서위치안내: / 서가번호:
우편복사 목록담기를 완료하였습니다.
* 표시는 필수사항 입니다.
* 주의: 국회도서관 이용자 모두에게 공유서재로 서비스 됩니다.
저장 되었습니다.
로그인을 하시려면 아이디와 비밀번호를 입력해주세요. 모바일 간편 열람증으로 입실한 경우 회원가입을 해야합니다.
공용 PC이므로 한번 더 로그인 해 주시기 바랍니다.
아이디 또는 비밀번호를 확인해주세요
