• Journal of the Korean Academy of Child and Adolescent Psychiatry
• /
• 제10권2호
• /
• pp.145-157
• /
• 1999

이 논문은 소아청소년 정신병동에 입원한 아동에서 신체적, 정서적 학대와 방임이 동반된 아동을 선별하여 이루어졌다. 입원 아동중 이에 해당하는 아동이 얼마나 되는지 살펴보았으며 학대가 아동의 정서행동에 미치는 영향이 다양하고 가족의 특성과 발달과정에 따른 영향이 서로 상호 작용할 것으로 생각되어 특징적 증상과 발달력, 학대의 특성, 학대자의 특성, 가족역동, 정신병리의 임상적 특징을 알아보았다. 1995년 9월부터 1997년 8월까지 서울대학교 병원 소아청소년 정신과 병동에 입원한 아동 중 주치의의 면담과 병록지를 참조하여 학대와 방임이 뚜렷하다고 판단된 아동, 22명을 대상으로 조사하였다. 1) 아동의 인구학적 특징：성별은 남아가 1：6.3의 비율로 압도적으로 많았고 평균연령은 $11.1{\pm}2.5$세였다. 형제순서는 첫째가 12명(54.5%), 둘째 5명(23%), 셋째는 2명(9%)이었고 독자는 3명(13.5%)이었다. 2) 가족의 특징：사회경제적 상태는 중상 3명(13.5%), 중 9명(41%), 중하 9명(41%), 하 1명(0.5%)이었다. 가족 수는 3인 이하 3명(13.5%), 4∼5인이 17명(77.5%), 6∼7인 2명(9%)이었다. 부가 직업이 있는 경우는 18명(81.8%)이었고 모가 직업이 있는 것은 7명(32%)이었다. 결혼상태는 이혼과 별거가 5명(23.0%), 재혼 2명(9%)이었고 심각한 부부불협화는 19명(86.5%)에서 보였다. 부에서 반사회적 행동은 7명(32%), 알콜 중독은 10명(45.5%)이었다. 모의 알콜남용이 5명(23%)이었고 우울은 17명(77.3%)에서 보였으며 정신과 진료력이 6명(27%)에서 있었다. 3) 학대의 특징：신체적 학대가 18명(81.8%), 신체적 방임과 정서적 방임은 4명(18.2%)이었다. 학대 시작시기는 3세 이전이 15명(54.5%) 3세 이후가 5명(27.5%), 학령기가 1명(5%)이었다. 학대가 부에 의해서만 일어나는 경우는 2명(9%)이었고 모에 의해서만 일어나는 경우는 8명(35.4%)이었으며 부모에 의해 동시에 일어나는 경우는 8명(35.4%)이었다. 배우자 구타가 동반된 것은 7례(27%)에서 였고 배우자 학대의 피해자는 자녀에 대해 신체적 학대나 정서적 학대를 가하고 있었다. 형제자매가 같이 학대를 받고 있는 것은 4명(18.2%)이었다. 4) 학대아동의 일반적 특징 및 발달력：원하던 아이로 태어난 것은 10명(45.5%)이었고 원하지 않는 아이로 태어난 아동이 12명(54.5%)이었다. 학대이전에 언어나 운동발달상의 이상을 보인 아동은 9명(41%)이었으며 공존하는 발달장애가 있는 아동은 모두 15명이었는데 이들 중 학대이전에 뚜렷한 발달지체의 증거가 없었던 경우는 6명(27.5%)이었다. 또 학대이전 과잉운동을 보인 아동은 9명(41%), 키우기 어렵게 지각한 아동이(difficult child) 6명(27.5%)이었다. 뇌파의 이상소견은 5명(23%), 두뇌의 컴퓨터단층촬영이나 핵자기 공명술 이상소견은 4명(18.2%), 벤더-게스탈트검사에서 기질성 뇌장애를 의심할만한 소견은 14명(63.5%)에서 보였다. 지능검사의 결과는 평균이상 IQ는 12명((54.5%), 지능지체 및 경계선 지능은 9명(41.0%)이었다. 5) 주 진단 및 공존진단：주 진단으로는 행실장애가 6명(27.3%), 경계선장애(borderline child) 5명(23.0%), 우울병 4명(18%), 주의력결핍-과잉운동장애 4명(18%), 달리 분류되지 않는 전반적 발달장애 2명(9%), 선택적 함구증 1명(5%)이었다. 모든 대상 아동이 주 진단 이외의 2∼6개 이상의 다양한 공존진단을 보였다. 공존진단에는 주의력결핍-과잉운동장애, 우울병, 경계선지능 및 정신지체, 학습장애, 언어발달장애, 적대적 반항장애, 만성 틱장애, 기능성 유뇨증과 유분증, 달리 분류되지 않는 불안장애, 해리 장애, 기질성 성격장애순이었다. 6) 치료경과：이들 아동의 입원기간은 평균 2.4개월(${\pm}1.5$)이었고. 이들 중 권유에 의한 퇴원은 14명(63.5%), 조기거역퇴원은 6명(27.3%)이었고 증상의 호전을 보인 것은 모두 11명(50%)이었고 변함이 없는 경우도 11명(50%)였다.

• 지능정보연구
• /
• 제24권1호
• /
• pp.205-225
• /
• 2018

Convolutional Neural Network (ConvNet)은 시각적 특징의 계층 구조를 분석하고 학습할 수 있는 대표적인 심층 신경망이다. 첫 번째 신경망 모델인 Neocognitron은 80 년대에 처음 소개되었다. 당시 신경망은 대규모 데이터 집합과 계산 능력이 부족하여 학계와 산업계에서 널리 사용되지 않았다. 그러나 2012년 Krizhevsky는 ImageNet ILSVRC (Large Scale Visual Recognition Challenge) 에서 심층 신경망을 사용하여 시각적 인식 문제를 획기적으로 해결하였고 그로 인해 신경망에 대한 사람들의 관심을 다시 불러 일으켰다. 이미지넷 첼린지에서 제공하는 다양한 이미지 데이터와 병렬 컴퓨팅 하드웨어 (GPU)의 발전이 Krizhevsky의 승리의 주요 요인이었다. 그러므로 최근의 딥 컨볼루션 신경망의 성공을 병렬계산을 위한 GPU의 출현과 더불어 ImageNet과 같은 대규모 이미지 데이터의 가용성으로 정의 할 수 있다. 그러나 이러한 요소는 많은 도메인에서 병목 현상이 될 수 있다. 대부분의 도메인에서 ConvNet을 교육하기 위해 대규모 데이터를 수집하려면 많은 노력이 필요하다. 대규모 데이터를 보유하고 있어도 처음부터 ConvNet을 교육하려면 많은 자원과 시간이 소요된다. 이와 같은 문제점은 전이 학습을 사용하면 해결할 수 있다. 전이 학습은 지식을 원본 도메인에서 새 도메인으로 전이하는 방법이다. 전이학습에는 주요한 두 가지 케이스가 있다. 첫 번째는 고정된 특징점 추출기로서의 ConvNet이고, 두번째는 새 데이터에서 ConvNet을 fine-tuning 하는 것이다. 첫 번째 경우, 사전 훈련 된 ConvNet (예: ImageNet)을 사용하여 ConvNet을 통해 이미지의 피드포워드 활성화를 계산하고 특정 레이어에서 활성화 특징점을 추출한다. 두 번째 경우에는 새 데이터에서 ConvNet 분류기를 교체하고 재교육을 한 후에 사전 훈련된 네트워크의 가중치를 백프로퍼게이션으로 fine-tuning 한다. 이 논문에서는 고정된 특징점 추출기를 여러 개의 ConvNet 레이어를 사용하는 것에 중점을 두었다. 그러나 여러 ConvNet 레이어에서 직접 추출된 차원적 복잡성을 가진 특징점을 적용하는 것은 여전히 어려운 문제이다. 우리는 여러 ConvNet 레이어에서 추출한 특징점이 이미지의 다른 특성을 처리한다는 것을 발견했다. 즉, 여러 ConvNet 레이어의 최적의 조합을 찾으면 더 나은 특징점을 얻을 수 있다. 위의 발견을 토대로 이 논문에서는 단일 ConvNet 계층의 특징점 대신에 전이 학습을 위해 여러 ConvNet 계층의 특징점을 사용하도록 제안한다. 본 논문에서 제안하는 방법은 크게 세단계로 이루어져 있다. 먼저 이미지 데이터셋의 이미지를 ConvNet의 입력으로 넣으면 해당 이미지가 사전 훈련된 AlexNet으로 피드포워드 되고 3개의 fully-connected 레이어의 활성화 틀징점이 추출된다. 둘째, 3개의 ConvNet 레이어의 활성화 특징점을 연결하여 여러 개의 ConvNet 레이어의 특징점을 얻는다. 레이어의 활성화 특징점을 연결을 하는 이유는 더 많은 이미지 정보를 얻기 위해서이다. 동일한 이미지를 사용한 3개의 fully-connected 레이어의 특징점이 연결되면 결과 이미지의 특징점의 차원은 4096 + 4096 + 1000이 된다. 그러나 여러 ConvNet 레이어에서 추출 된 특징점은 동일한 ConvNet에서 추출되므로 특징점이 중복되거나 노이즈를 갖는다. 따라서 세 번째 단계로 PCA (Principal Component Analysis)를 사용하여 교육 단계 전에 주요 특징점을 선택한다. 뚜렷한 특징이 얻어지면, 분류기는 이미지를 보다 정확하게 분류 할 수 있고, 전이 학습의 성능을 향상시킬 수 있다. 제안된 방법을 평가하기 위해 특징점 선택 및 차원축소를 위해 PCA를 사용하여 여러 ConvNet 레이어의 특징점과 단일 ConvNet 레이어의 특징점을 비교하고 3개의 표준 데이터 (Caltech-256, VOC07 및 SUN397)로 실험을 수행했다. 실험결과 제안된 방법은 Caltech-256 데이터의 FC7 레이어로 73.9 %의 정확도를 얻었을 때와 비교하여 75.6 %의 정확도를 보였고 VOC07 데이터의 FC8 레이어로 얻은 69.2 %의 정확도와 비교하여 73.1 %의 정확도를 보였으며 SUN397 데이터의 FC7 레이어로 48.7%의 정확도를 얻었을 때와 비교하여 52.2%의 정확도를 보였다. 본 논문에 제안된 방법은 Caltech-256, VOC07 및 SUN397 데이터에서 각각 기존에 제안된 방법과 비교하여 2.8 %, 2.1 % 및 3.1 %의 성능 향상을 보였다.