Earticle

초록

영어

In January 2020, COVID19 plunged the whole planet into a pandemic. This has caused great economic losses and is causing social confusion. COVID19 has a superior infection rate among people with underlying disease such as heart disease, high blood pressure, diabetes, stroke, depression, and cancer. In addition, it was studied that patients with underlying disease had a higher fatality rate than those without underlying disease. In this study, the presence or absence of underlying disease was classified using EEG data. The data used to classify the presence or absence of underlying disease was EEG data provided by Data Science lab, consisting of 33 features and 69 samples. Z-score was used for data pretreatment. Classification was performed using the neural network NEWFM and ZNN engine. As a result of the classification of the presence or absence of the underlying disease, the experimental results were 77.945 for NEWFM and 76.4% for ZNN. Through this study, it is expected that EEG data can be measured, the presence or absence of an underlying disease is classified, and those with a high infection rate can be prevented from COVID19. Based on this, there is a need for research that can subdivide underlying disease in the future and research on the effects of each underlying disease on infectious disease.

한국어

2020년 1월, COVID19는 온 지구를 팬데믹에 빠트렸다. 이로 인해 경제적으로 큰 손실을 가져왔으며, 사회적으 로 혼란을 일으키고 있다. 이러한 코로나19는 심장병, 고혈압, 당뇨, 뇌졸중, 우울증, 암 등과 같은 기저질환자들에게 감염률이 월등히 높다. 또한, 기저질환자가 기저질환이 없는 사람들보다 치명률이 훨씬 높다고 연구되었다. 본 연구에서 는 뇌파데이터를 이용하여 기저질환의 유·무를 분류하였다. 기저질환자 유·무에 대한 분류를 위해 사용된 데이터는 데이 터사이언스랩에서 제공하는 뇌파데이터로 33개의 특징과 69개의 샘플로 이루어졌다. 데이터의 전처리는 Z-score를 사용하였다. 분류는 뉴럴네트워크 인 NEWFM와 ZNN엔진을 사용하였다. 실험 결과 기저질환자의 유·무에 대한 분류결 과 NEWFM은 77.94%, ZNN은 76.47%의 실험 결과를 얻었다. 이 연구를 통해 뇌파데이터를 측정하고 기저질환의 유 무를 분류하고 높은 감염률을 보이는 기저질환자들이 COVID19로부터 예방 할 수 있으리라 기대한다. 이를 기반으로 향후 기저질환에 대한 세분류를 할 수 있는 연구가 필요하고, 각 기저질환이 전염병에 미치는 영향에 대해서도 연구가 필요하다.

목차

요약
Abstract
1. 서론
2. 관련연구
2.1 뇌파데이터분석
2.2 NEWFM(NEural network with Weighted Fuzzy Membership funcion)
2.3 ZNN( Zoom-in Neural Netwok)
3. 제안방법
4. 실험
5. 결론
REFERENCES

키워드

저자

• 윤희진 [ Hee-Jin Yoon | 장안대학교 IT학부 인터넷정보통신과 ] Corresponding Author

참고문헌

발행기관

간행물

표지보기 관심저널 등록

• 간행물명

  디지털융복합연구 [Journal of Digital Convergence]

• 간기

  계간

• pISSN

  2713-6434

• eISSN

  2713-6442

• 수록기간

  2003~2026

• 등재여부

  KCI 등재후보

• 십진분류

  KDC 569 DDC 620