• 한국산학기술학회논문지
• /
• 제18권10호
• /
• pp.442-447
• /
• 2017

이 연구의 목적은 등속성 장비를 이용하여 고등학교 야구선수들을 대상으로 주관절 근육의 평가 기준치를 설정하는데 있다. 상지에 의학적으로 문제가 없는 고등학교 야구선수 201명을 대상으로 하였다. 주관절 검사는 HUMAC NORM(CSMI, USA) system을 이용하여 굴곡, 신전운동을 부하속도 $60^{\circ}/sec$에서 4회를 실시하였으며, 절대근력(peak torque)와 상대근력(peak torque % body weight)을 측정하였다. Cajori의 5단계(6.06%, 24.17%, 38.30%, 24.17%, and 6.06%)로 구분한 구간추정(interval estimation)방식에 의해 평가 기준치를 나타내었다. 이 연구의 결과에서 각속도 $60^{\circ}/sec$에서 주관절의 절대근력(peak torque) 굴근의 평균은 $37.88{\pm}8.14Nm$ 신근은 $44.59{\pm}11.79Nm$으로 나타났으며, 상대근력(peak torque % body weight) 굴근의 평균은 $50.06{\pm}8.66Nm$ 신근은 $58.28{\pm}12.84Nm$로 나타났다. 각속도 $60^{\circ}/sec$에서 주관절 굴근(flexer)과 신근(extensor)의 절대근력(peak torque)과 상대근력(peak torque % body weight)의 평가기준치는 설정하였다. 이 연구에서 분석 된 결과를 토대로 다음과 같이 결론을 이끌어 냈다. 주관절은 야구선수들에게 가장 많이 발생되는 손상임에도 불구하고 국내외 주관절 근력에 관한 연구가 미비한 실정이다. 주관절 손상을 예방하고 경기력 향상을 위해 상대적 근력 수준과 훈련효과를 보다 객관적으로 평가할 수 있는 근력 척도가 필요하다. 주관절의 절대근력과 상대근력의 평가기준치를 제시함으로서 고교선수, 야구지도자, 선수트레이너, 재활전문가 등에게 손상회복 및 재활 복귀 시 유용하게 자료가 될 것으로 생각되며, 객관적인 임상 평가 데이터로 활용하는 데 매우 유용한 정보라고 사료된다.

• 지능정보연구
• /
• 제25권1호
• /
• pp.127-137
• /
• 2019

재범예측은 70년대 이전부터 전문가들에 의해서 꾸준히 연구되어온 분야지만, 최근 재범에 의한 범죄가 꾸준히 증가하면서 재범예측의 중요성이 커지고 있다. 특히 미국과 캐나다에서 재판이나 가석방심사 시 재범 위험 평가 보고서를 결정적인 기준으로 채택하게 된 90년대를 기점으로 재범예측에 관한 연구가 활발해졌으며, 비슷한 시기에 국내에서도 재범요인에 관한 실증적인 연구가 시작되었다. 지금까지 대부분의 재범예측 연구는 재범요인 분석이나 재범예측의 정확성을 높이는 연구에 집중된 경향을 보이고 있다. 그러나 재범 예측에는 비대칭 오류 비용 구조가 있기 때문에 경우에 따라 예측 정확도를 최대화함과 동시에 예측 오분류 비용을 최소화하는 연구도 중요한 의미를 가진다. 일반적으로 재범을 저지르지 않을 사람을 재범을 저지를 것으로 오분류하는 비용은 재범을 저지를 사람을 재범을 저지르지 않을 것으로 오분류하는 비용보다 낮다. 전자는 추가적인 감시 비용만 증가되는 반면, 후자는 범죄 발생에 따른 막대한 사회적, 경제적 비용을 야기하기 때문이다. 이러한 비대칭비용에 따른 비용 경제성을 반영하여, 본 연구에서 비대칭 오류 비용을 고려한 XGBoost 기반 재범 예측모델을 제안한다. 모델의 첫 단계에서 최근 데이터 마이닝 분야에서 높은 성능으로 각광받고 있는 앙상블 기법, XGBoost를 적용하였고, XGBoost의 결과를 로지스틱 회귀 분석(Logistic Regression Analysis), 의사결정나무(Decision Trees), 인공신경망(Artificial Neural Networks), 서포트 벡터 머신(Support Vector Machine)과 같은 다양한 예측 기법과 비교하였다. 다음 단계에서 임계치의 최적화를 통해 FNE(False Negative Error)와 FPE(False Positive Error)의 가중 평균인 전체 오분류 비용을 최소화한다. 이후 모델의 유용성을 검증하기 위해 모델을 실제 재범예측 데이터셋에 적용하여 XGBoost 모델이 다른 비교 모델 보다 우수한 예측 정확도를 보일 뿐 아니라 오분류 비용도 가장 효과적으로 낮춘다는 점을 확인하였다.