• Proceedings of the Korean Statistical Society Conference
• /
• 2004.11a
• /
• pp.219-225
• /
• 2004

코호넨(T. Kohonen)의 자기조직화지도(Self-Organizing Map; SOM)은 저차원 그리드 공간에 고차원 다변량 자료를 축약하여 시각적으로 나타내는 비지도 학습법의 일종으로 최근 들어 통계 분석자들이 많은 관심을 가지고 있는 분야이다. 그러나 SOM은 개체공간의 연속형으로 표현되는 개체를 저차원 그리드공간에 승자노드에 비연속적으로 표현한다는 단점을 지니고 있다. 본 논문에서는 SOM을 통계적 목적으로 사용하기 위해 요구되는 그리드공간에 개체를 연속적으로 표현하는 방법들을 제안하고 활용 예를 제시하고자 한다

• Proceedings of the Korean Society for Emotion and Sensibility Conference
• /
• 2009.11a
• /
• pp.154-157
• /
• 2009

본 논문은 ECG의 긴장과 이완상태를 자동으로 인식하기 위해서 SOM 학습을 이용한다. 기존의 ECG 연구는 자극원의 유무에 따라서 정상상태와 변화상태를 비교하여 데이터를 분석하였다. 본 연구에서는 피험자를 ECG로 측정하여 분석한 후 SOM학습을 이용해서 자동으로 긴장과 이완상태를 분석한다. 실험은 피험자에게 슈팅게임을 하게 한 후 ECG로 측정한다. SOM 입력벡터는 측정된 ECG의 HRV분석으로 시간분석과 주파수분석의 특징벡터들을 추출한다. 특징이 추출된 입력벡터들은 SOM으로 학습하여 자동으로 피험자의 긴장과 이완상태를 분류하여 인식할 수 있었다. ECG와 SOM학습의 매칭도 결과는 71%의 정확도를 보였다.

• Journal of the Institute of Electronics Engineers of Korea SP
• /
• v.42 no.6
• /
• pp.43-54
• /
• 2005

This paper proposes a novel texture segmentation method using Bayesian image segmentation method and SOM(Self Organization feature Map). Multi-scale wavelet coefficients are used as the input of SOM, and likelihood and a posterior probability for observations are obtained from trained SOMs. Texture segmentation is performed by a posterior probability from trained SOMs and MAP(Maximum A Posterior) classification. And the result of texture segmentation is improved by context information. This proposed segmentation method shows better performance than segmentation method by HMT(Hidden Markov Tree) model. The texture segmentation results by SOM and multi-sclae Bayesian image segmentation technique called HMTseg also show better performance than by HMT and HMTseg.

• Science of Emotion and Sensibility
• /
• v.14 no.2
• /
• pp.197-206
• /
• 2011

The purpose of the study was to suggest automatic recognition of the subject's level of arousal into high arousal and low arousal with neural network SOM learning. The automatic recognition in the level of arousal is composed of three stages. First, it is a stage of ECG measurement and analysis. It measures the subject playing a shooting game with ECG and extracts characteristics for SOM learning. Second, it is a stage of SOM learning. It learns input vectors extracting characteristics. Finally, it is a stage of arousal recognition which recognize the subject's level of arousal when new vectors are input after SOM learning is completed. The study expresses recognition results in the level of arousal and the level of arousal in numerical value and graph when SOM learning results in the level of arousal and new vectors are input. Finally, SOM evaluation was analyzed average 86% by comparing emotion evaluation results of the existing research with automatic recognition results of SOM in order. The study could experience automatic recognition with other levels of arousal by each subject with SOM.

• Proceedings of the Korean Society of Computer Information Conference
• /
• 2009.01a
• /
• pp.169-172
• /
• 2009

본 논문은 SOM을 이용하여 비행슈팅게임을 하는 게이머의 긴장과 이완상태를 학습한다. 학습된 SOM을 이용해 게이머의 새로운 심박데이터가 입력되었을 때 긴장과 이완 상태에서 플레이하는 게이머의 인식을 제안한다. 게이머들은 비행슈팅게임을 플레이하면서 게임 환경들의 패턴들에 익숙해진다. 게이머들은 반복하면서 지루해지면서 자연스럽게 긴장감도 떨어지게 된다. 만약 긴장이완 정도를 알 수 있다면 게이머의 상태에 맞게 게임환경을 조절하여 긴장감을 유지할 수 있을 것이다. 본 연구에서는 비행슈팅게임을 하는 게이머의 심박신호를 이용하여 게이머의 긴장이완상태를 신경망 SOM으로 분류한다. SOM은 주어진 입력패턴에 정확한 답을 정해주지 않고 자기 스스로 학습하여 해답을 찾는 신경망중의 하나이다. 따라서 게이머의 심박신호는 SOM 학습을 통해 게이머의 긴장과 이완상태들을 군집화 할 수 있다. 비행슈팅게임을 20회 반복 플레이하여 SOM으로 게이머의 심박신호를 입력해 본 결과 긴장이완상태를 인식 할 수 있었다.

• The Korean Journal of Applied Statistics
• /
• v.18 no.1
• /
• pp.83-98
• /
• 2005

Exploring distributional patterns of multivariate data is very essential in understanding the characteristics of given data set, as well as in building plausible models for the data. For that purpose, low-dimensional visualization methods have been developed by many researchers along various directions. As one of methods, Kohonen's SOM (Self-Organizing Map) is prominent. SOM compresses the volume of the data, yields abstraction from the data and offers visual display on low-dimensional grids. Although it is proven quite effective, it has one undesirable property: SOM's display is discrete. In this study, we propose two techniques for enhancing quality of SOM's display, so that SOM's display becomes continuous. The proposed methods are demonstrated in two numerical examples.

• Proceedings of the Korean Society for Emotion and Sensibility Conference
• /
• 2009.05a
• /
• pp.87-90
• /
• 2009

사람들은 같은 상황에서도 감정적 경험에 따라 다르게 반응한다. 상황에 따른 감정을 나타내고자 하는 인공감정에 대한 많은 연구가 이루어지고 있지만, 기존의 인공감정들은 같은 상황에서 같은 반응을 하도록 설계되었다. 하지만 현재 느끼는 감정이 과거에 경험했던 감정적 경험에 영향을 받기 때문에 같은 상황에서 다른 반응을 유발한다. 본 논문은 감정적 경험을 기억해서 현재의 감정에 영향을 주는 메커니즘을 제안한다. 감정적 기억은 연관성이 있는 기억끼리 연상되는데 이 과정은 SOM의 연관성이 있는 것끼리 뭉치면서 스스로 학습하는 자기조직화의 특성과 유사하다. 이러한 유사점을 이응해서 감정적 경험을 기억하는 과정을 설계했다. 제안된 방법을 가위바위보로 승자가 패자를 뿅망치로 때리는 게임에 적용하여 같은 상황에서도 감정적 경험에 의해 다르게 반응하는 모습을 나타낸다. 게임을 진행하면서 가위바위보 승패에 따라 분노, 공포, 쾌락 등의 감정을 경험하게 되는데 이러한 감정적 경험이 SOM을 이용한 감정기억메커니즘에 의해 기억된다. 그 결과 감정적 경험에 대한 기억이 가위바위보에 이겼을 때의 느끼는 감정에 영향을 주어 현재 느끼는 감정 상태에 따라 뿅망치 파워가 달라지도록 했다.

• Journal of the Korea Society of Computer and Information
• /
• v.15 no.2
• /
• pp.65-74
• /
• 2010

We propose a system that automatically recognizes the tense or relaxed condition of scrolling-shooting game subject that plays. Existing study compares the changed values of source of stimulation to the player by suggesting the source, and thus involves limitation in automatic classification. This study applies SOM of unsupervised learning for automatic classification and recognition of player's condition change. Application of SOM for automatic recognition of tense and relaxed condition is composed of two steps. First, ECG measurement and analysis, is to extract characteristic vector through HRV analysis by measuring ECG after having the player play the game. Secondly, SOM learning and recognition, is to classify and recognize the tense and relaxed conditions of player through SOM learning of the input vectors of heart beat signals that the characteristic extracted. Experiment results are divided into three groups. The first is HRV frequency change and the second the SOM learning results of heart beat signal. The third is the analysis of match rate to identify SOM learning performance. As a result of matching the LF/HF ratio of HRV frequency analysis to the distance of winner neuron of SOM based on 1.5, a match rate of 72% performance in average was shown.

• KSBB Journal
• /
• v.20 no.4
• /
• pp.291-298
• /
• 2005

Two-dimensional (2D) spectrofluorometer is often used to monitor various fermentation processes. The change in fluorescence intensities resulting from various combinations of excitation and emission wavelengths is investigated by using a spectra subtraction technique. But it has a limited capacity to classify the entire fluorescence spectra gathered during fermentations and to extract some useful information from the data. This study shows that the self-organizing map (SOM) is a useful and interpretative method for classification of the entire gamut of fluorescence spectral data and selection of some combinations of excitation and emission wavelengths, which have useful fluorometric information. Some results such as normalized weights and variances indicate that the SOM network is capable of interpreting the fermentation processes of S. cerevisiae and recombinant E. coli monitored by a 2D spectrofluorometer.

• Biotechnology and Bioprocess Engineering:BBE
• /
• v.11 no.5
• /
• pp.432-441
• /
• 2006

2D fluorescence sensors produce a great deal of spectral data during fermentation processes, which can be analyzed using a variety of statistical techniques. Principal component analysis (PCA) and a self-organizing map (SOM) were used to analyze these 2D fluorescence spectra and to extract useful information from them. PCA resulted in scores and loadings that were visualized in the score-loading plots and used to monitor various fermentation processes with recombinant Escherichia coli and Saccharomyces cerevisiae. The SOM was found to be a useful and interpretative method of classifying the entire gamut of 2D fluorescence spectra and of selecting some significant combinations of excitation and emission wavelengths. The results, including the normalized weights and variances, indicated that the SOM network is capable of being used to interpret the fermentation processes monitored by a 2D fluorescence sensor.