| 1 |
1
전기신호수집부(100)가 망막전위도 검사를 통해 기록된 전기신호인 전위값을 수집하는 제1단계;전위값저장부(200)이 상기 수집된 전기신호를 저장하는 제2단계;계층분석부(300)가 상기 전위 값을 입력 값으로 하여 계층적 군집분석을 실시하는 제3단계;계층분류부(400)가 상기 계층적 군집분석을 이용하여 네 개의 계층적 군집으로 분류하는 제4단계;비계층분류부(500)이 상기 네 개의 군집으로 분류된 계층적 군집 중 상기 전위의 절대 값이 0
|
| 2 |
2
제 1항에 있어서,상기 계층적 군집분석은,상기 입력 값의 데이터 중 거리가 가장 가까운 것 두 개를 묶어가면서 하나의 군집으로 병합될 때까지 진행하는 것을 특징으로 하는 머신러닝을 이용한 손상된 망막에서 측정된 망막전위도검사 신호의 분류 방법
|
| 3 |
3
제 2항에 있어서,상기 입력 값의 데이터 중 가장 가까운 거리의 계산은,아래 [식 1]에 의해 계산되는 것을 특징으로 하는 머신러닝을 이용한 손상된 망막에서 측정된 망막전위도검사 신호의 분류 방법 :[식 1](여기서 d(p,q)는 직교 좌표 계 내 두 지점 p=(p1,p2,…
|
| 4 |
4
제 2항에 있어서,상기 입력 값의 데이터를 하나의 군집으로 병합하는 것은,유클리드(Euclidean) 거리의 제곱합의 증분이 최소가 될 때, 두 군집을 포함하여 상위 군집을 형성하는 것을 특징으로 하는 머신러닝을 이용한 손상된 망막에서 측정된 망막전위도검사 신호의 분류 방법
|
| 5 |
5
제 4항에 있어서,상기 유클리드(Euclidean) 거리의 제곱합은,아래 [식 2]에 의해 계산되는 것을 특징으로 하는 머신러닝을 이용한 손상된 망막에서 측정된 망막전위도검사 신호의 분류 방법 :[식 2](SSEi는 I번째 군집에서, 는 변수가 m개일 때 n개의 데이터를 가지는 K개의 군집이 있을 때, i번째 군집의 K번째 변수의 한 지점 pij=(pij1,pij2,…
|
| 6 |
6
제 4항에 있어서,상기 유클리드(Euclidean) 거리의 제곱합의 증분은,아래 [식 3]에 의해 계산되는 것을 특징으로 하는 머신러닝을 이용한 손상된 망막에서 측정된 망막전위도검사 신호의 분류 방법 :[식 3](IAB 는 병합하고자 하는 군집 A,B를 병합했을 때 증분을 나타내며, SSE는 오차제곱합을 나타냄)
|
| 7 |
7
제 1항에 있어서,상기 비계층적 군집은,상기 추출된 상기 전위의 절대값이 0
|
| 8 |
8
제 7항에 있어서,상기 실루엣(silhouette) 계수(S)는 아래 [식 4]에 의해 계산되는 것을 특징으로 하는 머신러닝을 이용한 손상된 망막에서 측정된 망막전위도검사 신호의 분류 방법 : [식 4](여기서, SK(i)는 K개의 군집이 형성됐을 때 i번째 데이터에 대한 실루엣 계수이고,a(i)는 응집도로, i번째 데이터와 동일 군집 내 나머지 데이터와의 평균거리이고,b(i)는 분리도로, i번째 데이터와 가장 가까운 다른 군집 내 모든 데이터와의 평균거리임)
|
| 9 |
9
제 4항에 있어서,상기 군집간의 유클리드(Euclidean) 거리가 0
|
| 10 |
10
제 1항에 있어서,상기 계층적 군집에서 네 개의 군집은,측정 시간이 0ms 및 14ms 일 때,0
|
| 11 |
11
망막전위도 검사를 통해 기록된 전기신호인 전위값을 수집하는 전기신호수집부(100);수집된 전기신호를 저장하는 전위값저장부(200);상기 저장된 전위 값을 입력 값으로 하여 계층적 군집분석을 실시하는 계층분석부(300);상기 계층적 군집분석을 이용하여 네 개의 계층적 군집으로 분류하는 계층분류부(400);상기 네 개의 군집으로 분류된 계층적 군집 중 상기 전위의 절대값이 0
|
| 12 |
12
제 11항에 있어서,상기 계층분석부(300)는,상기 입력 값의 데이터 중 거리가 가장 가까운 것 두 개를 묶어가면서 하나의 군집으로 병합될 때까지 진행하며,상기 입력 값의 데이터 중 가장 가까운 거리의 계산은,아래 [식 1]에 의해 계산되는 것을 특징으로 하는 머신러닝을 이용한 손상된 망막에서 측정된 망막전위도검사 신호의 분류 시스템 :[식 1](여기서 d(p,q)는 직교 좌표 계 내 두 지점 p=(p1,p2,…
|
| 13 |
13
제 12항에 있어서,상기 입력 값의 데이터를 하나의 군집으로 병합하는 것은,유클리드(Euclidean) 거리의 제곱합의 증분이 최소가 될 때, 두 군집을 포함하여 상위 군집을 형성하는 것을 특징으로 하는 머신러닝을 이용한 손상된 망막에서 측정된 망막전위도검사 신호의 분류 시스템
|
| 14 |
14
제 13항에 있어서,상기 유클리드(Euclidean) 거리의 제곱합은,아래 [식 2]에 의해 계산되는 것을 특징으로 하는 머신러닝을 이용한 손상된 망막에서 측정된 망막전위도검사 신호의 분류 시스템 :[식 2](SSEi는 I번째 군집에서, 는 변수가 m개일 때 n개의 데이터를 가지는 K개의 군집이 있을 때, i번째 군집의 K번째 변수의 한 지점 pij=(pij1,pij2,…
|
| 15 |
15
제 13항에 있어서,상기 유클리드(Euclidean) 거리의 제곱합의 증분은,아래 [식 3]에 의해 계산되는 것을 특징으로 하는 머신러닝을 이용한 손상된 망막에서 측정된 망막전위도검사 신호의 분류 시스템 :[식 3](IAB 는 병합하고자 하는 군집 A,B를 병합했을 때 증분을 나타내며, SSE는 오차제곱합을 나타냄)
|
| 16 |
16
제 11항에 있어서,상기 비계층분류부(500)는,상기 추출된 전위의 절대값이 0
|
| 17 |
17
제 16항에 있어서,상기 실루엣(silhouette) 계수(S)는 아래 [식 4]에 의해 계산되는 것을 특징으로 하는 머신러닝을 이용한 손상된 망막에서 측정된 망막전위도검사 신호의 분류 시스템 : [식 4](여기서, SK(i)는 K개의 군집이 형성됐을 때 i번째 데이터에 대한 실루엣 계수이고,a(i)는 응집도로, i번째 데이터와 동일 군집 내 나머지 데이터와의 평균거리이고,b(i)는 분리도로, i번째 데이터와 가장 가까운 다른 군집 내 모든 데이터와의 평균거리임)
|
| 18 |
18
제 12항에 있어서,상기 계층분석부(300)가 상기 입력 값의 데이터를 하나의 군집으로 병합하는 것은 유클리드(Euclidean) 거리의 제곱합을 이용하며,상기 군집간의 유클리드(Euclidean) 거리가 0
|
| 19 |
19
제 11항에 있어서,상기 계층적 군집에서 네 개의 군집은,측정 시간이 0ms 및 14ms 일 때,0
|
