KR101255477B1

KR101255477B1 - 사상체질 분류방법

Info

Publication number: KR101255477B1
Application number: KR1020110067073A
Authority: KR
Inventors: 범수균
Original assignee: 국립대학법인 울산과학기술대학교 산학협력단
Priority date: 2011-07-06
Filing date: 2011-07-06
Publication date: 2013-04-16
Also published as: KR20130008677A

Abstract

본 발명은 다수의 표본으로부터 설문지의 내용을 추출하여 판별분석 모형을 적용하여 판별함수를 정의하고 상기 판별함수를 기반으로 사상체질을 정확하게 분류하는 사상체질 분류 방법을 제공하는 것에 그 목적이 있다.
상기의 목적을 달성하기 위하여 본 발명은 데이터베이스를 포함하며 상기 데이터베이스를 관리하는 서버, 상기 서버와 연결되는 네트워크, 상기 네트워크에 연결되어 상기 서버와 데이터를 교환하는 클라이언트를 포함하는 컴퓨터 시스템을 이용하여 개별 환자의 사상체질을 분류하기 위한 사상체질 분류방법에 있어서, 확진된 체질분류를 갖는 다수의 환자를 대상으로 설문을 조사하여 상기 설문의 결과를 기반으로 판별분석 기법을 통하여 선형판별함수를 수립하는 사상체질 분류 모델 수립 단계; 상기 사상체질 분류 모델 수립 단계에서 적용된 설문지를 제시하는 설문지 제시 단계; 상기 단계에서 제시되는 설문지의 문항에 따라 환자가 해당 항목을 입력하는 정보 입력 단계; 상기 단계에 입력된 설문 문항의 답변을 상기 선형판별함수에 대입하여 체질별 선형판별함수를 계산하는 함수식 계산 단계; 상기 단계에서 계산된 체질별 함수식을 이용하여 각 체질별 확률을 계산하는 체질별 확률 계산 단계; 및 상기 단계에서 계산된 체질별 확률 중 가장 높은 확률을 선정하여 환자의 체질을 선정하는 체질 선정 단계를 포함하는 것을 특징으로 한다.

Description

사상체질 분류방법{Distinction method based on four-phase constitution}

본 발명은 사상체질 분류방법에 관한 것으로 더욱 상세하게는 데이터 마이닝 기법을 이용한 사상체질 분류방법에 관한 것이다.

사상체질의학은 이 제마가 정립한 한의학의 한 분야로, 인간의 체질을 太陽人, 少陽人, 太陰人, 少陰人의 사상으로 정의하고 있으며, 각 체질적 특성에 따라 성질재간, 용모사기, 심성심욕, 생리병리 및 사회적 양생법 등에 있어 차이가 생긴다고 한다. 이렇게 한의학에서는 사람의 체질을 4개로 나누어 이에 따라 치료방법을 달리하는데 이를 사상체질의학이라 한다.

사상체질의학의 우수성은 많은 임상의사들로부터 환영을 받으면서도 체질진단의 난이성과 객관성에 많은 문제가 제기되고 있으며, 이러한 어려움을 극복하기 위한 방법의 일환으로 체질판별의 객관화를 위하여 많은 연구결과가 꾸준히 제시되고 있다. 많은 연구자들은 사상체질을 분류하기 위하여 설문 결과를 기초자료로 사용하고 있는데, 체질별로 새로운 설문문항을 만들어 사상체질분류검사지을 구성하였고, 다시 체질분석에 부적합하거나 수검자의 반응빈도가 낮은 문항을 삭제하는 등 설문지의 신뢰도를 높이고자 설문지의 보완작업을 진행하여 사상체질분류검사지(QSCCII)를 개발하여 사용하고 있다.

QSCCII는 자기보고식 설문지 개발이후 업그레이드 연구가 있었으나, 2002년도 한국한의학연구원과 사상체질의학회의 공동연구결과 QSCC에는 태양인의 판별식이 없고 체질진단 정확률이 낮고 자기보고식 설문지가 갖는 여러 가지 문제로 인하여 수정보다는 새로운 체질진단프로그램 개발의 필요성이 대두되었고, 2003년 한국한의학연구원과 사상체질의학회는 새로운 사상체질진단프로그램 개발을 공동으로 연구하여 2005년 의사의 객관적 소견을 위주로 하는 의사용 체질진단지와 환자의 주관적 소견을 위주로 하는 환자용 체질설문지를 만들었다.

그러나 임상에서 쉽고 편리하게 적용할 수 있는 만족할 만한 결과는 아직까지 부족한 상황이므로, 체질진단을 종합적이면서 정확하고 편리하게 진단할 수 있는 새로운 방식의 사상체질 분류방법이 요구되고 있다.

본 발명은 상기와 같은 단점을 극복하기 위하여 안출된 것으로 다수의 표본으로부터 설문지의 내용을 추출하여 판별분석 모형을 적용하여 판별함수를 정의하고 상기 판별함수를 기반으로 사상체질을 정확하게 분류하는 사상체질 분류 방법을 제공하는 것에 그 목적이 있다.

또한, 태양인을 제외한 나머지 세 체질에 대한 분류의 정확도가 판별분석 방식보다 높은 의사결정나무분석 모형을 동시에 적용하여 그 결과를 제공함으로써 사상체질 분류 판정의 정확도를 높이는 것에 그 목적이 있다.

상기의 목적을 달성하기 위하여 본 발명은 데이터베이스를 포함하며 상기 데이터베이스를 관리하는 서버, 상기 서버와 연결되는 네트워크, 상기 네트워크에 연결되어 상기 서버와 데이터를 교환하는 클라이언트를 포함하는 컴퓨터 시스템을 이용하여 개별 환자의 사상체질을 분류하기 위한 사상체질 분류방법에 있어서, 확진된 체질분류를 갖는 다수의 환자를 대상으로 설문을 조사하여 상기 설문의 결과를 기반으로 판별분석 기법을 통하여 선형판별함수를 수립하는 사상체질 분류 모델 수립 단계; 상기 사상체질 분류 모델 수립 단계에서 적용된 설문지를 제시하는 설문지 제시 단계; 상기 단계에서 제시되는 설문지의 문항에 따라 환자가 해당 항목을 입력하는 정보 입력 단계; 상기 단계에 입력된 설문 문항의 답변을 상기 선형판별함수에 대입하여 체질별 선형판별함수를 계산하는 함수식 계산 단계; 상기 단계에서 계산된 체질별 함수식을 이용하여 각 체질별 확률을 계산하는 체질별 확률 계산 단계; 및 상기 단계에서 계산된 체질별 확률 중 가장 높은 확률을 선정하여 환자의 체질을 선정하는 체질 선정 단계를 포함하는 것을 특징으로 한다.

바람직하게는, 상기 설문지는 기본적인 인적사항과 추가하여 용모 항목, 체형 항목, 체형 항목, 성격 항목, 소화 항목, 잠 항목, 배변 항목, 대변 항목, 땀 항목, 소변 항목 및 평소 흔한 증상 항목을 포함하여 전체 항목의 문항이 228개인 것을 특징으로 한다.

더욱 바람직하게는, 상기 정보 입력 단계에서의 입력은 설문지 해당 문항에 대한 답변이 아닐 경우에는 1, 보통일 경우에는 2, 그럴 경우에는 3을 입력하는 것을 특징으로 한다.

더욱 바람직하게는, 상기 선형판별함수는 체질별로 정의되며, 각 체질별로 상수항과 상기 문항의 답변인 1, 2 또는 3에 곱하여지는 계수를 포함하는 것을 특징으로 한다.

바람직하게는, 상기 사상체질 분류 모델 수립 단계에서의 선형판별함수는 4개의 체질별 함수를 하나의 함수셋으로 표현할 경우, 제1판별단계로 전체 표본에서 정의되는 함수셋 1개, 제2판별단계로 여자/남자로 구분되는 표본에서 정의되는 함수셋 2개와, 제3판별단계로 나이17-32/나이33-64/나이65-80의 표본으로부터 정의되는 함수셋 3개와, 제4판단계로 BMI저체중/MBI정상/BMI과체중으로 구분되는 표본에서 정의되는 함수셋 3개와, 제5판별단계로 여자 & 나이17-32/나이33-64/나이65-80, 남자 & 나이17-32/나이33-64/나이65-80로 구분되는 표본에서 정의되는 함수셋 6개와, 제6판별단계로 여자& BMI저체중/BMI정상/BMI과체중, 남자& BMI저체중/BMI정상/BMI과체중의 표본으로부터 정의되는 함수셋 6개와, 제7판별단계로 나이17-32 & BMI저체중/BMI정상/BMI과체중, 나이33-64 & BMI저체중/BMI정상/BMI과체중, 나이65-80 & BMI저체중/BMI정상/BMI과체중의 표본으로부터 정의되는 함수셋 9개와, 제8판별단계로 여자 & 나이17-32 & BMI저체중/BMI정상/BMI과체중, 여자 & 나이33-64 & BMI저체중/BMI정상/BMI과체중, 여자 & 나이65-80 & BMI저체중/BMI정상/BMI과체중, 남자 & 나이17-32 & BMI저체중/BMI정상/BMI과체중, 남자 & 나이33-64 & BMI저체중/BMI정상/BMI과체중, 남자 & 나이65-80 & BMI저체중/BMI정상/BMI과체중의 표본으로부터 정의되는 18개의 함수셋으로 정의되는 것을 특징으로 한다.

더욱 바람직하게는, 상기 함수식 계산 단계와 체질별 확률 계산 단계에서의 함수식은 판별단계별로 수행되는 것을 특징으로 한다.

바람직하게는 , 상기 함수식 계산 단계는 Qj가 각 문항에 대한 입력 값으로 1, 2 또는 3이며, ai는 사상체질별 선형판별함수의 상수항이고, bij는 사상체질별 선형판별함수의 계수 중 각 설문 변수에 대한 계수이며, i는 태양인 1, 소양인 2, 태음인 3 및 소음인 4를 나타낼 경우

의 식을 이용하여 체질별 선형판별함구 PTi를 계산하는 것을 특징으로 한다.

더욱 바람직하게는, 상기 체질별 확률 계산 단계는

의 식을 이용하여 체질별 확률 PPTi를 계산하는 것을 특징으로 한다.

바람직하게는, 상기 체질별 확률 계산 단계에서는 의사결정나무분석에 의한 체질의 확률을 더 포함하는 것을 특징으로 한다.

더욱 바람직하게는, 상기 체질 선정 단계에서 최종 확률은 선형판별함수에 의한 체질을 주로하고 의사결정나무분석에 의한 체질을 부기하여 선정하는 것을 특징으로 한다.

바람직하게는, 상기 PTi와 PPTi는 클라이언트에서 계산되는 것을 특징으로 한다.

바람직하게는, 상기 체질 선정 단계에서 선형판별식을 이용한 확률의 선정 시 최고 확률이 0.6 미만인 경우에는 체질 선정을 유보하는 것을 특징으로 한다.

상기와 같은 과제 해결 수단을 통하여 본 발명은 다수의 표본을 이용하여 정확한 사상체질을 정확하게 모델링하고, 이러한 모델링을 기반으로 개별 환자의 정확한 체질을 분류할 수 있는 효과가 있다.

도 1은 본 발명에 따른 사상체질 분류방법이 적용되는 컴퓨터 시스템의 구성도이며,
도 2는 본 발명에 따른 사상체질 분류방법의 흐름도이며,
도 3은 도 2의 설문을 위한 설문지의 일부 구성이며,
도 4는 도 2의 설문을 위한 설문지의 일부 구성이며,
도 5는 도 2의 설문을 위한 설문지의 일부 구성이며,
도 6은 도 2의 설문을 위한 설문지의 일부 구성이며,
도 7은 도 2의 설문을 위한 설문지의 일부 구성이며,
도 8은 도 2의 설문을 위한 설문지의 일부 구성이며,
도 9는 도 2의 설문을 위한 설문지의 일부 구성이며,
도 10은 판별분석법에 따른 선형판별함수의 계수의 일부를 나타내는 표이며,
도 11은 판별분석법에 따른 선형판별함수의 계수의 일부를 나타내는 표이며,
도 12는 판별분석법에 따른 선형판별함수의 계수의 일부를 나타내는 표이며,
도 13은 판별분석법에 따른 선형판별함수의 계수의 일부를 나타내는 표이며,
도 14는 판별분석법에 따른 선형판별함수의 계수의 일부를 나타내는 표이며,
도 15는 판별분석법에 따른 선형판별함수의 계수의 일부를 나타내는 표이며,
도 16은 의사결정나무분석 모형 중 상위 4단계의 구조를 나타내는 구성도이며,
도 17은 의사결정나무분석의 판별함수의 일부를 나타내는 구성도이며,
도 18은 의사결정나무분석의 판별함수의 일부를 나타내는 구성도이며,
도 19는 의사결정나무분석의 판별함수의 일부를 나타내는 구성도이며,
도 20은 의사결정나무분석의 판별함수의 일부를 나타내는 구성도이며,
도 21은 의사결정나무분석의 판별함수의 일부를 나타내는 구성도이며,
도 22는 본 발명에 따른 사상체질분류 방법으로 분류된 환자의 예를 나타내는 시스템의 출력화면이다.

이하 본 발명을 첨부한 도면을 참조하여 구체적으로 설명한다.

본 발명에 따른 사상체질 분류 방법은 도 1에 도시된 바와 같이 서버(10), 네트워크(40) 및 클라이언트(60)로 이루어지는 시스템(100)에서 수행되며, 도 2에 도시된 바와 같이 사상체질 분류 모델 수립 단계(S1), 환자에게 설문지를 제공하는 설문지 제공단계(S2), 제공된 설문지의 문항을 입력하는 정보 입력단계(S3), 제공된 정보를 기초로 하여 선형판별함수식을 계산하는 함수식 계산 단계(S4), 각 체질별 확률을 계산하는 체질별 확률 계산 단계(S5) 및 체질을 선정하는 체질 선정 단계(S6)를 포함하여 구성된다.

먼저 본 발명에 따른 사상체질 분류 방법이 구현되는 컴퓨터 시스템에 대하여 설명한다.

상기 컴퓨터 시스템(100)은 도 1에 도시된 바와 같아, 서버(10), 상기 서버(10) 내에 포함되는 데이터베이스(20), 네트워크(40) 및 클라이언트(60)를 포함하여 구성된다.

상기 서버(10)는 데이터베이스(20)를 포함하며, 상기 데이터베이스(20)를 이용하여 사상체질의 설문을 관리, 사상체질의 진단이 수행되며 또한 데이터베이스(20)를 관리한다. 상기 클라이언트(60)에서 요청하는 정보를 상기 서버(10)는 상기 데이터베이스(20)에서 검색하여 전송한다.

상기 클라이언트(60)는 환자, 의사 또는 관리자에 의하여 필요한 자료의 입력 및 검색, 의사의 진단 및 처방, 관리자에 의한 시스템 업그레이드가 수행된다.

한편, 일부 복잡한 연산은 클라이언트(60)에서 수행되어 서버(10)의 부담을 줄일 수 있다.

상기와 같은 컴퓨터 시스템(100)에서 본 발명은 다음과 같은 단계가 수행되며, 상기 단계에 대하여 구체적으로 설명한다.

사상체질 분류 모델 수립 단계( S1 )

본 단계에서는 후술하는 사상체질별 선형판별함수의 상수항과 사상체질별 선형판별함수의 계수를 수립하기 위하여 사상체질이 명확한 진단된 다수의 환자를 대상을 설문조사를 실시한다.

본 발명에 따른 설문지는 도 3 내지 도 9에 도시된 바와 같이 환자의 주관적 소견을 위주로 하는 것으로 인적사항, 용모, 체형, 성격, 소화, 수면, 대변, 땀, 소변, 평소 흔한 증상의 항목으로 이루어지며, 각 항목에는 필요한 문항으로 이루어져 있으며, 각 문항은 Pi_j로 구분하며, 여기서 i, j는 양의 정수이다. 예를 들어 P7_6은 상기 도 4에 도시된 바와 같이 "턱이 뾰쪽하다"라는 문항을 나타낸다. 각 항목의 질문에 대하여 "1"은 "아니다", "2"는 "보통이다", "3"은 "그렇다"를 의미한다. 따라서, P7_6의 값이 2이며, "턱이 뾰쪽하지않고 보통이다"라는 의미이다.

먼저, 본 발명은 9개 한의과대학의 10개 부속한방병원에서 치료를 받은 환자들 중 각 병원의 사상체질전문의로부터 체질진단을 받고 최소한 4주 이상 사상체질 처방을 사용한 후 주 증상이 전반적으로 호전되어 체질이 확인된 환자 2,641명을 대상으로 하고 있다. 이 중에서 한 개 이상의 문항에 결측 값이 있는 환자 109명을 제외한 2,532명의 문진 데이터가 연구 대상이다. 2,532명에 대한 사상체질별 분포는 표 1 과 같다.

	태양	소양	태음	소음	합계
환자수	59	809	928	736	2,532
%	2.33	31.95	36.65	29.07	100

데이터 파일에는 종종 일관성이 없고 불완전하며 오류가 있는 데이터가 존재할 수 있다. 따라서 데이터 입력 과정에서 발생한 오류를 수정하기 위하여 데이터 정제(data cleansing) 과정을 거침으로서 데이터의 질을 보장할 수 있다. 본 연구에서는 총 2,641명을 대상으로 한 개 이상 결측 값이 있는 데이터는 모두 제거한다. 데이터 정제 작업 과정을 거치면서 얻은 표본은 제거된 환자 109명의 데이터를 제외한 2,532명이었다.

상기 데이터를 데이터 마이닝의 기법인 판별분석모형(discreiminant analysis model)을 적용하여 사상체질분류함수를 추정한다. 먼저 데이터 정제 작업 과정을 거친 후 얻은 전체 표본에 대하여 판별분석모형을 적용하여 판별함수를 추정하고 사상체질에 대한 분류결과를 알아본다. 사상체질의 4집단으로 분류하기 위하여 데이터 정제 작업 과정을 거친 후 얻은 전체표본 2,532명에 대해서 SAS의 PROC DISCRIM을 이용하여 판별분석모형을 적용한 결과로 얻은 사상체질별 판별함수의 계수는 도 10 내지 도 15와 같다.

본 발명에서 적용한 판별분석(discriminant analysis)은 다변량자료분석의 한 분야로서 집단간의 차이를 식별하는데 사용되는 여러 개의 서로 상관되어 있는 판별변수(discriminant variable)와 사전에 정의된 하나의 집단변수(group variable)를 가지고 있는 다변량자료를 대상으로, 집단간의 분리 정도에 관한 해석과 각 개체를 특정 집단에 분류하는데 필요한 적정분류기준의 설정 및 판별변수에 관한 구조분석, 그리고 이에 따른 분류방법과 관련된 통계적 기법을 총괄적으로 포함하고 있다.

판별분석(discriminant analysis)은 독립변수가 수치형이고 종속변수는 범주형일 때 유용한 통계적 분석방법이다. 판별분석은 미리 정해진 그룹간의 차이를 잘 설명하여 줄 수 있는 독립변수들의 선형결합(판별함수)을 찾고, 이 함수식에 따라 새로운 개체를 분류하는 것이 주된 절차이다. 판별함수는 그룹 내 분산(variance within group)에 비하여 그룹 간 분산(variance between group)이 최대화되도록 얻어지며 그 식은 다음과 같다.

Z=W₁X₁+W₂X₂+... +W_pX_p

여기서 Z는 판별점수(discriminant score), W_i는 판별가중값(discriminant weight) 즉 판별함수 계수이고, X_i는 독립변수(independent variable)이다.

자료들로부터 판별함수(discriminant function)를 얻으면, 이로부터 각 그룹 내의 개체마다 판별점수를 모두 구하고, 그룹마다 판별점수의 평균을 구한 것을 그룹의 중심(centroid)이라 하여 이들 중심간의 거리가 그룹들 간에 분류가 잘 되었는가를 판단하는 측도가 된다. 즉 이 그룹들 간의 중심들이 서로 멀리 떨어져 있으면 개체의 분류가 잘된 것이다. 또한 이 중심을 이용하여 새로운 개체를 어느 그룹에 분류할 것인가를 결정하는 경계점을 구한다.

여기서 구한 판별함수를 전체 표본 2,532명에 적용한 결과는 표 1, 표 2와 같으며, 정분류율(accuracy)이 65.68%, 오분류율(error rate)이 34.32%로 나타났다. 그리고 정분류율을 체질별로 살펴보면 태양인 86.44%, 소음인 69.84%, 태음인 66.92%, 소양인 58.96%의 순으로 높게 나타났으며, 사상체질 판별분석모형에서는 특히 태양인 판별에 강한 특성을 가지고 있음을 알 수 있다.

		실제체질(도수/%)
		태양	소양	태음	소음	합계
예측된 체질	태양	51 86.44	59 7.29	34 3.66	37 5.03	181 7.15
	소양	4 6.78	477 58.96	155 16.70	107 14.54	743 29.34
	태음	2 3.39	139 17.18	621 66.92	78 10.60	840 33.18
	소음	2 3.39	134 16.56	118 12.72	514 69.84	768 30.33
	합계	59 100.00	809 100.00	928 100.00	736 100.00	2,532 100.00

	태양	소양	태음	소음	합계
오분류율 (도수/%)	8 13.56	332 41.04	307 33.08	222 30.16	869 34.32
정분류율 (도수/%)	51 86.44	477 58.96	621 66.92	514 69.84	1,663 65.68

이후 본 발명은 상기와 같은 표본에서 구하여진 상수항과 선형판별함수의 계수를 이용하여 진행한다.

한편, 본 단계에서 수립된 모형은 환자의 특성을 고려하지 않고 문항에 대한 정보만을 위한 것이나, 환자의 특성을 추가하는 경우 상기 판별함수를 추가하여 수립할 수 있다. 예를 들어 환자를 표 4와 같이 분류하는 경우에는 전체 48개의 판별함수를 계산할 수 있다.

판별단계	사상체질 판별 조건	판별함수 개수
1	전체-분류없음	1
2	여자/남자	2
3	나이17-32/나이33-64/나이65-80	3
4	BMI저체중/BMI정상/BMI과체중	3
5	여자 & 나이17-32/나이33-64/나이65-80 남자 & 나이17-32/나이33-64/나이65-80	3 3
6	여자& BMI저체중/BMI정상/BMI과체중 남자& BMI저체중/BMI정상/BMI과체중	3 3
7	나이17-32 & BMI저체중/BMI정상/BMI과체중 나이33-64 & BMI저체중/BMI정상/BMI과체중 나이65-80 & BMI저체중/BMI정상/BMI과체중	3 3 3
8	여자 & 나이17-32 & BMI저체중/BMI정상/BMI과체중 여자 & 나이33-64 & BMI저체중/BMI정상/BMI과체중 여자 & 나이65-80 & BMI저체중/BMI정상/BMI과체중 남자 & 나이17-32 & BMI저체중/BMI정상/BMI과체중 남자 & 나이33-64 & BMI저체중/BMI정상/BMI과체중 남자 & 나이65-80 & BMI저체중/BMI정상/BMI과체중	3 3 3 3 3 3
	합계	48

여기서 판별단계가 "1"인 경우가 도 9 내지 도 14가 해당 판별함수가 되며, 이하 단계에서는 해당되는 표본으로 판별분석모형으로 해당 판별함수를 수립할 수 있다.

다음은 데이터마이닝의 또 다른 기법인 의사결정나무분석 모형에 대하여 설명한다.

본 발명에서 적용한 의사결정나무(decision tree)는 의사결정규칙을 나무 구조로 도표화하여 관심대상이 되는 집단을 몇 개의 소집단으로 분류하거나 예측하는 분석방법이다. 분석과정이 나무구조에 의해서 표현되기 때문에, 신경망분석, 판별분석, 회귀분석 등과 같은 방법들에 비해, 연구자가 분석과정을 쉽게 이해하고 설명할 수 있다는 장점을 가지고 있다. 의사결정나무는 분류 또는 예측을 목적으로 하는 어떤 경우에도 사용될 수 있으나, 분석의 정확도보다는 분석과정의 설명이 필요한 경우에 더 유용하게 사용된다.

의사결정나무분석 모형의 알고리즘은 CHAID(chi-squared automatic interaction detection) 알고리즘과 CART(classification and regression trees) 알고리즘 그리고 C4.5 등과 같은 다양한 알고리즘이 제안되어 있다.

본 발명에서는 CART 알고리즘을 다룬다. CART를 통하여 의사결정나무의 분할규칙에 의한 나무모형의 성장(growing), 최종모형의 선정을 위한 의사결정나무의 가지치기(pruning)등을 이론적으로 정립하였다. 여기서 CART 알고리즘은 이산형 목표변수인 경우에 적용하는 불순도(impurity)를 측정하는 지니 지수(Gini index) 또는 연속형 목표변수인 경우에 적용하는 분산의 감소량을 이용하여 이진분리(binary split)를 수행하는 알고리즘이다.

즉 이진분리를 수행하기 위해 범주형 변수의 경우 {b₁, b₂,..., b_c}에서 설명변수 X_i에 대해 다음과 같은 질문을 통해 분리를 실행한다.

{Is Xm∈S?} ∨S⊂{b₁, b₂,..., b_c}

위의 질문을 만족하면 S 이고 그렇지 못하면 S^c로 자료를 분할하게 된다. 연속형 변수에 대해서는 설명변수 (X₁, X₂, ..., X_m) 에 대해 질문

{IS Xm < k?}∨k∈{-∞, ∞}를 통해 2개의 부분집합을 생성한다.

이산형 목표변수에 대한 분리기준은 위에서 언급한 것처럼 CART는 이산형 목표변수에 대해서는 지니지수(Gini index)를 이용한다. 지니지수는 각 노드에서의 불순도(impurity) 또는 다양도(diversity)를 재는 측도로 어느 한 쪽의 범주만으로 구성되어 있는 노드일 수록 순수하다고 판단 한다. 즉 이 지니지수가 작을수록 순수하다고 판단하며 작은 값을 가지는 방향으로 분리가 이뤄진다. 지니지수(G)는 다음과 같은 식을 통해 얻어 진다.

여기서 c는 목표변수의 범주의 수, n은 전체 관측치의 수, n_ij는 목표변수의 j번째 범주에 속하는 관측치의 수이다. 위 의식에서 P(i)는 어떤 관측치가 i번째 범주에 속해 있는 확률이고, P(i)P(j)는 어느 한 관측치가 실제로 i번째 범주에 속해 있음에도 불구하고 j번째범주에 속해 있다고 분류하는 오분류의 확률이다. 즉 이렇게 오분류가 일어날 확률을 모두 더해 위의식을 얻었다.

CART는 지니지수(G)를 가장 감소 시켜주는 설명변수와 그 변수의최적 분리를 자식노드로 선택하는데 이때 사용되는 지니지수의 감소량은 다음과 같이 정의된다.

위의 수정된 지니지수를 이용해 자식노드가 분리될 때 불순도가 작아지도록 이진분리(Binary split)가 일어난다.

그리고 정지 규칙은 CART 알고리즘의 경우, 불순도 또는 분산의 감소량이 임의로 지정해준 β값보다 작으면 더 이상의 분리가 일어나지 않는다.

한편, 데이터 정제 작업 과정을 거친 후 얻은 전체표본 2,532명에 대하여 의사결정나무분석모형을 적합시킨 후, 사상체질별 분류율을 알아본다. 여기에서는 의사결정나무모형의 알고리즘 중 CART(classification and regression trees) 알고리즘을 적용한다. 분리기준(split criterion)은 부모 노드(parent node)에서 25명, 정지규칙(stopping rule)은 자식 노드(child node)에서는 5명을 지정하였고 나무의 깊이(depth of tree)는 10단계로 설정하였다. 그리고 분류오류(classification error)를 크게 할 위험(risk)이 높거나 부적절한 추론규칙(induction rule)을 가지고 있는 가지(branch)는 가지치기(pruning)하였다. 사상체질의 4집단으로 분류하기 위하여 의사결정나무분석모형을 적합한 결과는 도 16과 같으며, 상위 4단계만을 보여주고 있다. 의사결정나무분석모형의 전체 적합 결과로 총 10단계의 의사결정나무 구조로써 122개의 최종노드(terminal node)로 구성 되었다.

도 16의 뿌리 노드(root node)에 있는 설문항 P10_3에 대한 응답 결과에 따라 좌/우 중간 노드(internal node)로 분리된다. 즉 P10_3의 3지 설문항에서 1번을 응답하였을 경우 왼쪽 노드로 분리되고, 2 또는 3을 선택하였을 경우에는 오른쪽 노드로 분리된다. CART 알고리즘을 적용한 의사결정나무를 전체표본 2,532명에 적용한 결과는 표 5, 표 6과 같다. 태양인을 제외한 세 체질에 대한 정분류율이 72.00%, 오분류율이 28.00%로 나타났으며, 태양인을 제외한 세 체질에 대해서는 판별분석모형보다 정분류율이 비교적 높게 나타났다. 그리고 정분류율을 체질별로 살펴보면 태양인 0%로 의사결정나무분석모형 적용에 있어서 태양인을 전혀 판별할 수 없는 것으로 나타났다. 그리고 태음인 80.49% 소양인 70.70% 소음인 68.48%의 순으로 높게 나타났다. 이는 태양인을 판별할 수 있는 정분류율이 10% 정도임을 착안하여 태양인 판별에 대한 정분류율을 0%로 낮추고 나머지 세 체질의 정분류율을 높이도록 의사결정나무를 조정하여 적합시켰다.

		실제체질(도수/%)
		태양	소양	태음	소음	합계
예측된 체질	태양	0 0.00	0 0.00	0 0.00	0 0.00	0 0.00
	소양	24 40.68	572 70.70	113 12.18	121 16.44	830 29.34
	태음	23 38.98	130 16.07	747 80.49	111 15.08	1,011 33.18
	소음	12 20.34	107 13.23	68 7.33	504 68.48	691 30.33
	합계	59 100.00	809 100.00	928 100.00	736 100.00	2,532 100.00

	태양	소양	태음	소음	합계
오분류율 (도수/%)	59 100.00	237 29.30	181 19.51	232 31.52	709 28.00
정분류율 (도수/%)	0 0.00	572 70.70	747 80.49	504 68.48	1,823 72.00

전체 의사결정나무의 함수 식은 도 17 내지 도 21에 도시하였다.

설문지 제공 단계( S2 )

먼저 설문지 제공 단계(S2)는 인적사항을 제외하고 전체 228개의 문항으로 이루어져 있는 설문지를 제공하는 단계이다.

본 단계에서는 상반된 문항에 대한 잘못된 입력을 검사하고 다시 바른 설문 응답을 유도하는 상반된 문항검사 기능을 포함한다.

예를 들면 P73-1의 질문의 경우에는 "고기를 자주 먹으면 속이 불편하다"라는 항목이며, 이에 대한 답변으로 "3 그렇다"로 답변한 경우에 P74-8의 질문 "육식을 좋아한다"에 대한 답변으로 "3 그렇다"할 경우에는 두 가지 질문에 상반된 결과를 나타내는 것으로 판단되어 이럴 때는 별도의 안내를 제공한다.

정보 입력 단계( S3 )

본 단계에서는 상기 설문지 제공 단계에서 제공되는 설문지의 문항을 입력하는 단계이다.

본 단계는 클라이언트(60)에서 제시하는 설문지의 개별 문항을 환자가 직접 입력한다. 본 단계에서 입력되는 정보는 상기한 바와 같이 상반된 문항에 대한 잘못된 입력을 검사하는 기능을 포함하며, 제공되는 안내에 따라 입력한다.

함수식 계산 단계(S4)

상기 함수식 계산 단계(S3)에서는 상기 정보 입력 단계에서 입력된 정보를 이용하여 다음의 선형판별함수 PTi를 계산한다.

수학식 1:

단, Qj는 각 문항에 대한 입력 값으로 1, 2 또는 3이며, ai는 사상체질별 선형판별함수의 상수항이며, bij는 사상체질별 선형판별함수의 계수 중 각 설문 변수에 대한 계수이며, i는 태양인 1, 소양인 2, 태음인 3 및 소음인 4를 나타낸다.

따라서 계산식 1에 의하여 태양인, 소양인, 태음인 및 소음인에 대한 각 선형판별함수를 계산할 수 있다.

여기서, ai와 bij는 도 9 내지 도 14에 도시되어 있다.

상기 도면에서 도시된 "Constant"가 a를 의미하며, 예를 들어 a1은 태양인에 대한 Constant로 그 값은 -216.48453이고, a2는 소양인에 대한 값으로 -214.65003, a3는 태음인, a4는 소음인으로 각각 -216.89150, -216.39314이다.

그리고 bij는 p의 값으로 확인된다. 예를 들어 b2 4는 p1_4 중 소양인에 해당하는 1.42427이며, 같은 방식으로 b3,12는 p2_3의 태음인에 해당하는 1.52871이 그 값이다.

체질별 확률 계산 단계( S5 )

상기 S3단계에서 구한 각 체질별 선형판별함수 PTi를 이용하여 각체질별 확률을 다음 수학식 2를 이용하여 계산한다.

수학식 2:

상기 수학식 2를 이용하여 각 체질별 확률을 계산할 수 있다.

상기 수학식 2의 계산 후에 의사결정나무분석를 이용하여 사상체질의 확률을 추가로 계산한다.

즉, 본 단계 후에 판별분석에 의한 4개의 체질별 확률 PPT와 의사결정나무분석을 통한 체질의 확률을 구한다.

체질 선정 단계(S6)

상기 단계에서 계산된 체질별 확률을 이용하여 최종적으로 체질을 수학식 3을 이용하여 선정한다.

수학식 3

체질=Max[PPTi]

즉, 최종 체질은 4개의 확률 중 가장 높은 값의 체질을 선택하여 사상체질의 분류 판정을 한다.

또한, 의사결정나무분석을 통한 체질확률을 추가적으로 제시한다.

본 단계에서는 분류 판정 오류의 위험성을 줄이기 위해 각 분류 체질에 대한 확률 값이 0.6미만인 경우에는 체질분류 판정을 유보한다.

한편, 도 22는 '여자, 나이 37세인 늘푸른 환자'의 예를 보여주는 도면이다.사상체질 판별을 위한 최종 확률과 판별 결과가 출력된 화면으로써 첫 번째 항목의 '전체-분류없음'의 결과는 성과 나이와 비만도(BMI)를 구분하지 않고 모든 데이터로부터 얻은 선형판별함수로 계산된 결과로서 각 체질의 확률이 태양=0.00434, 소양=0.01666, 태음=0.02595 그리고 소음=0.95305로 나타났으며 결국 소음인으로 판별된 예를 보여주고 있다. 그 밖에 남녀 성별을 구분하여 판별한 '여자' 항목과 나이를 구분한 나이 '33-64' 항목 그 밖의 비만도(BMI)와 나이 그리고 성에 따라 총 8가지 조건의 선형판별함수로 판별한 결과들이 출력된다. 각 조건에 해당되는 그룹별 판별 결과가 다를 수 있으며 이는 진단 의사에게 사상체질 진단을 위한 참고 및 연구 자료로 제공된다. 특히 마지막 조건의 체질 판별결과를 보면 '.'(점)으로 표시되어 체질분류를 위한 판정결과가 유보된 상태를 보여주고 있다. 이는 각 체질 중 가장 큰 확률값, 즉 태음 체질의 확률이 0.57606로써 0.6미만이므로 판정을 하지 않은 경우를 보여주고 있다.

그리고 하단에서는 의사결정나무모형의 체질분류함수로 'if-then' 추론에 의해 분류된 결과와 의사결정나무분석모형의 분류 변수 경로를 보여주고 있다. 의사결정나무는 총 122개 터미널 노드를 가지고 있으며, 최고 깊이로는 10단계의 추론 과정으로 구성되어 있다. 경로의 가장 왼쪽에 나타난 변수 'P45'는 터미널 노드에 해당되고 오른쪽 끝에 있는 변수 P10_3은 뿌리 노드에 해당된다.

이상에서는 본 발명을 특정의 바람직한 실시예에 대하여 도시하고 설명하였으나, 본 발명은 이러한 실시예에 한정되지 않으며, 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 특허청구범위에서 청구하는 본 발명의 기술적 사상에 벗어나지 않는 범위내에서 실시할 수 있는 다양한 형태의 실시예들을 모두 포함한다.

10: 서버 20: 데이터 베이스
40: 네트워크 60: 클라이언트
S1: 사상체질 분류 모델 수립 단계 S2: 설문지 제공 단계
S3: 정보 입력 단계 S4: 함수식 계산 단계
S5: 체질별 확률 계산 단계 S6: 체질 선정 단계

Claims

데이터베이스를 포함하며 상기 데이터베이스를 관리하는 서버, 상기 서버와 연결되는 네트워크, 상기 네트워크에 연결되어 상기 서버와 데이터를 교환하는 클라이언트를 포함하는 컴퓨터 시스템을 이용하여 개별 환자의 사상체질을 분류하기 위한 사상체질 분류방법에 있어서,
사상체질전문의로부터 사상체질의 확진을 받고, 사상체질 처방을 사용한 후 증상이 호전된 복수의 표본 환자들을 대상으로 표본 환자의 주관적 소견을 포함하는 설문지로 설문을 조사하고, 상기 설문 결과를 사전 정보로 이용하기 위하여 판별분석 기법을 통하여 선형판별함수를 수립하는 사상체질 분류 모델 수립 단계;
상기 사상체질 분류 모델 수립 단계에서 적용된 설문지를 환자에게 제시하는 설문지 제시 단계;
상기 설문지 제시 단계에서 제시되는 설문지의 문항에 따라 환자가 해당 항목을 입력하는 정보 입력 단계;
상기 정보 입력 단계에 입력된 설문 문항의 답변을 상기 선형판별함수에 대입하여 체질별 선형판별함수를 계산하는 함수식 계산 단계;
상기 함수식 계산 단계에서 계산된 체질별 함수식을 이용하여 각 체질별 확률을 계산하는 체질별 확률 계산 단계; 및
상기 체질별 확률 계산 단계에서 계산된 체질별 확률 중 가장 높은 확률을 선정하여 환자의 체질을 선정하는 체질 선정 단계를 포함하는 것을 특징으로 하는 사상체질 분류방법.
청구항 1에 있어서, 상기 설문지는 인적사항과 추가하여 용모 항목, 체형 항목, 체형 항목, 성격 항목, 소화 항목, 잠 항목, 배변 항목, 대변 항목, 땀 항목, 소변 항목 및 평소 흔한 증상 항목을 포함하여 전체 항목의 문항이 228개인 것을 특징으로 하는 사상체질 분류방법.
청구항 2에 있어서, 상기 정보 입력 단계에서 환자의 입력은 설문지 해당 문항에 대한 답변이 아닐 경우에는 1, 보통일 경우에는 2, 그럴 경우에는 3을 입력하는 것을 특징으로 하는 사상체질 분류방법.
청구항 3에 있어서, 상기 선형판별함수는 체질별로 정의되며, 각 체질별로 상수항과 상기 문항의 답변인 1, 2 또는 3에 곱하여지는 계수를 포함하는 것을 특징으로 하는 사상체질 분류방법.
청구항 1에 있어서, 상기 사상체질 분류 모델 수립 단계에서의 선형판별함수는 4개의 체질별 함수를 하나의 함수셋으로 표현할 경우, 제1판별단계로 전체 표본에서 정의되는 함수셋 1개, 제2판별단계로 여자/남자로 구분되는 표본에서 정의되는 함수셋 2개와, 제3판별단계로 나이17-32/나이33-64/나이65-80의 표본으로부터 정의되는 함수셋 3개와, 제4판단계로 BMI저체중/MBI정상/BMI과체중으로 구분되는 표본에서 정의되는 함수셋 3개와, 제5판별단계로 여자 & 나이17-32/나이33-64/나이65-80, 남자 & 나이17-32/나이33-64/나이65-80로 구분되는 표본에서 정의되는 함수셋 6개와, 제6판별단계로 여자& BMI저체중/BMI정상/BMI과체중, 남자& BMI저체중/BMI정상/BMI과체중의 표본으로부터 정의되는 함수셋 6개와, 제7판별단계로 나이17-32 & BMI저체중/BMI정상/BMI과체중, 나이33-64 & BMI저체중/BMI정상/BMI과체중, 나이65-80 & BMI저체중/BMI정상/BMI과체중의 표본으로부터 정의되는 함수셋 9개와, 제8판별단계로 여자 & 나이17-32 & BMI저체중/BMI정상/BMI과체중, 여자 & 나이33-64 & BMI저체중/BMI정상/BMI과체중, 여자 & 나이65-80 & BMI저체중/BMI정상/BMI과체중, 남자 & 나이17-32 & BMI저체중/BMI정상/BMI과체중, 남자 & 나이33-64 & BMI저체중/BMI정상/BMI과체중, 남자 & 나이65-80 & BMI저체중/BMI정상/BMI과체중의 표본으로부터 정의되는 18개의 함수셋으로 정의되는 것을 특징으로 하는 사상체질 분류방법.
청구항 5에 있어서, 상기 함수식 계산 단계와 체질별 확률 계산 단계에서의 함수식은 판별단계별로 수행되는 것을 특징으로 하는 사상체질 분류방법.
청구항 1에 있어서, 상기 함수식 계산 단계는 Qj가 각 문항에 대한 입력 값으로 1, 2 또는 3이며, ai는 사상체질별 선형판별함수의 상수항이고, bij는 사상체질별 선형판별함수의 계수 중 각 설문 변수에 대한 계수이며, i는 태양인 1, 소양인 2, 태음인 3 및 소음인 4를 나타낼 경우

의 식을 이용하여 체질별 선형판별함수 PTi를 계산하는 것을 특징으로 하는 사상체질 분류방법.
청구항 7에 있어서, 상기 체질별 확률 계산 단계는

의 식을 이용하여 체질별 확률 PPTi를 계산하는 것을 특징으로 하는 사상체질 분류방법.
청구항 1에 있어서, 상기 체질별 확률 계산 단계에서는 의사결정나무분석에 의한 체질의 확률을 더 포함하는 것을 특징으로 하는 사상체질 분류방법.
청구항 9에 있어서, 상기 체질 선정 단계에서 최종 확률은 선형판별함수에 의한 체질을 기본으로 하고 의사결정나무분석에 의한 체질을 부기하여 선정하는 것을 특징으로 하는 사상체질 분류방법.
청구항 8에 있어서, 상기 PTi와 PPTi는 클라이언트에서 계산되는 것을 특징으로 하는 사상체질 분류방법.
청구항 1에 있어서, 상기 체질 선정 단계에서 선형판별식을 이용한 확률의 선정 시 최고 확률이 0.6 미만인 경우에는 체질 선정을 유보하는 것을 특징으로 하는 사상체질 분류방법.