BETA 근골격계 질환 생체 신호 데이터
- 분야헬스케어
- 유형 텍스트
- 생성 방식LMM
※ 26년 신규 개방되는 데이터로, 데이터 활용성 검토, 이용자 관점의 개선의견 수렴 등을 통해 수정/보완될 수 있으며 최종데이터, 샘플데이터, 산출물 등은 변경될 수 있습니다
-
데이터 변경이력
데이터 변경이력 버전 일자 변경내용 비고 1.0 2026-06-05 데이터 개방 Beta Version 데이터 히스토리
데이터 히스토리 일자 변경내용 비고 2026-06-05 산출물 최종 공개 소개
- 무릎관절염의 조기 진단 및 스크리닝 모델 개발을 위한 보행 및 생체신호 데이터 구축 - 웨어러블 기반 장기 모니터링 데이터(스마트 인솔)와 정밀 분석 데이터(보행매트, IMU)를 통합하여 근골격계 질환 조기 예측 AI 모델 학습에 활용
구축목적
무릎관절염 조기 예측 및 스크리닝을 위한 AI 모델 개발
-
메타데이터 구조표 데이터 영역 헬스케어 데이터 유형 텍스트 데이터 형식 텍스트 : JSON 데이터 출처 자체 수집 라벨링 유형 관절염 여부, 메타 데이터 및 진단텍스트 등을 포함한 JSON 라벨링 데이터 라벨링 형식 JSON 형식 데이터 활용 서비스 본 사업에서는 활용서비스를 개발하지 않음. 데이터 구축년도/
데이터 구축량2025년/원천데이터(총 600건) 라벨링 데이터(총 600건) -
데이터 구성
데이터 구축 규모
200명의 정상 및 관절염 피검자를 통해 스마트인솔, 보행매트, IMU센서로 수집한 보행데이터 총 600건
- 원천데이터(총 600건)데이터 구성-원천데이터 분석장비 클래스 포맷 규모 (건) 스마트인솔 정상 JSON 100 관절염 JSON 100 보행매트 정상 JSON 100 관절염 JSON 100 IMU센서 정상 JSON 100 관절염 JSON 100
- 라벨링 데이터(총 600건)데이터 구성-라벨링데이터 분석장비 클래스 포맷 규모 (건) 스마트인솔 정상 JSON 100 관절염 JSON 100 보행매트 정상 JSON 100 관절염 JSON 100 IMU센서 정상 JSON 100 관절염 JSON 100
※ 정면의 경우엔 안면부 전체를 포함하여 마스킹 이미지를 통하여 병변 부위를 특정함.
데이터 분포데이터 분포표 분석장비 클래스 규모 (건) 비율(%) 스마트인솔 정상 100 16.7 관절염 100 16.7 보행매트 정상 100 16.7 관절염 100 16.7 IMU센서 정상 100 16.7 관절염 100 16.7 합계 600 100% - 질환별
데이터 분포-질환별 클래스 규모 (명) 비율(%) 정상 100 50% 관절염 100 50% 합계 200 100%
- 질환 부위별데이터 분포-질환 부위별 클래스 규모 비율(%) 좌측 11 5.50% 우측 14 7.00% 양측 75 37.5 합계 200 50% - BMI 분포
데이터 분포-BMI 분포 클래스 규모 비율(%) 저체중 8 4.00% 정상 80 40.00% 과체중 37 18.50% 비만 75 37.50% 합계 200 100% - 연령별 분포
데이터 분포-연령별 분포표 클래스 규모 비율(%) 40대 이하 61 30.50% 50대 77 38.50% 60대 이상 62 31.00% 합계 200 100% -
-
AI 모델 상세 설명서 다운로드
AI 모델 상세 설명서 다운로드 AI 모델 다운로드● 이진 분류 (관절염/정상 분류)
활용 지표: 유효성 및 유용성
* AI 모델 : MLP
- MLP(Multi-Layer Perceptron)는 다층 신경망 구조를 갖는 대표적인 지도학습 기반 모델로, 입력층, 하나 이상의 은닉층, 출력층으로 구성되며 각 층은 Fully Connected Layer로 연결됨.
- MLP는 오차 역전파(backpropagation) 알고리즘을 통해 가중치를 학습함으로써 입력 변수 간의 비선형 관계를 효과적으로 모델링할 수 있으며, 이러한 학습 원리는 Rumelhart et al.에 의해 최초로 정립됨.
스마트 인솔 기반 질환 분류
- 개발언어 및 프레임워크 확인스마트 인솔 기반 질환 분류 - 개발언어 및 프레임워크 확인 품질특성 TASK 명 모델명 개발언어 프레임워크 유효성 스마트 인솔 기반 질환 분류 MLP python Pytorch 2.3.1 - 데이터 학습 모델 및 학습 조건 확인
스마트 인솔 기반 질환 분류-데이터 학습 모델 및 학습 조건 확인 품질특성 TASK 명 모델명 학습데이터
비율학습조건 유효성 스마트 인솔 기반 질환 분류 MLP 8:01:01 batch_size = 32
optimizer = Adam
criterion = CrossEntropyLoss
max_epoch = 300
initial_lr = 1e-4
dropout_rate = 0.3
train/val/test split = 0.8 / 0.1 / 0.1마트 인솔 + 보행매트 기반 질환 분류
- 개발언어 및 프레임워크 확인마트 인솔 + 보행매트 기반 질환 분류 - 개발언어 및 프레임워크 확인 품질특성 TASK 명 모델명 개발언어 프레임워크 유효성 스마트 인솔 + 보행매트 기반 질환 분류 MLP python Pytorch 2.3.1
- 데이터 학습 모델 및 학습 조건 확인마트 인솔 + 보행매트 기반 질환 분류 - 데이터 학습 모델 및 학습 조건 확인표 품질특성 TASK 명 모델명 학습데이터
비율학습조건 유효성 스마트 인솔 + 보행매트 기반 질환 분류 MLP 8:01:01 batch_size = 32
optimizer = Adam
criterion = CrossEntropyLoss
max_epoch = 300
initial_lr = 1e-4
dropout_rate = 0.3
train/val/test split = 0.8 / 0.1 / 0.1
스마트 인솔 + IMU센서 기반 질환 분류- 개발언어 및 프레임워크 확인
스마트 인솔 + IMU센서 기반 질환 분류 - 개발언어 및 프레임워크 확인 품질특성 TASK 명 모델명 개발언어 프레임워크 유효성 스마트 인솔 + IMU센서 기반 질환 분류 MLP python Pytorch 2.3.1
- 데이터 학습 모델 및 학습 조건 확인스마트 인솔 + IMU센서 기반 질환 분류 - 데이터 학습 모델 및 학습 조건 확인표 품질특성 TASK 명 모델명 학습데이터
비율학습조건 유효성 스마트 인솔 + IMU센서 기반 질환 분류 성능 MLP 8:01:01 batch_size = 32
optimizer = Adam
criterion = CrossEntropyLoss
max_epoch = 300
initial_lr = 1e-4
dropout_rate = 0.1
train/val/test split = 0.8 / 0.1 / 0.1서비스 활용 시나리오
본 과제를 통해 구축한 근골격계 질환 생체신호 데이터 및 분석 모델은 직접적인 서비스 제공이 아닌, 임상·연구·기술 활용 가능성 검토를 위한 기반 자료로 활용될 수 있음.
근골격계 진단·평가 지원 활용 가능성● 진단 보조 분석 도구 활용 가능성
스마트 인솔, 보행매트, IMU 센서로 수집된 보행·자세·하중 분포 등 생체신호를 분석하여 정상군과 근골격계 질환군의 특성 차이를 정량적으로 도출하고, 임상의의 판단을 보조하는 참고 자료로 활용 가능함.
● 원격 모니터링 및 평가 시나리오 적용 가능성
일상 환경에서 수집된 생체신호 데이터를 기반으로 보행 패턴, 균형 지표, 관절 사용 특성 등을 분석하여, 비대면 환경에서도 상태 변화 여부를 사전 평가하는 연구적 활용 가능성을 제시함.
● 경과 관찰 및 조기 이상 탐지 활용 가능성
동일 대상자의 반복 측정 데이터를 통해 보행 지표 및 생체신호 변화 추이를 분석함으로써, 기능 저하 또는 이상 징후를 조기에 탐지하는 연구 및 추적 관찰 시나리오에 활용 가능함.
연구 및 데이터 분석 활용● 근골격계 생체신호 통계 분석
구축된 데이터셋을 활용하여 연령, 성별, 질환 유무에 따른 보행·하중·균형 지표의 분포 및 경향을 분석하고, 근골격계 기능 특성에 대한 기초 통계 자료로 활용 가능함.
● AI 모델 학습 및 검증용 데이터 활용
정제·라벨링된 생체신호 데이터를 활용하여 질환 분류, 이상 패턴 탐지, 기능 저하 예측 등의 AI 모델 학습 및 성능 검증 연구에 활용 가능함.
기타정보
대표성
● 정상군 및 근골격계 질환군의 신체 특성, 보행 특성, 변동성을 고려하여 데이터의 분포와 범위를 구성함으로써, 실제 임상 환경을 반영한 대표성 있는 데이터셋을 구축함.차별점
● 본 데이터셋은 스마트 인솔, 보행매트, IMU 센서를 동시에 활용하여 약 200명을 대상으로 구축된 보행 생체신호 데이터로, 다중 센서 기반 보행 데이터를 이 정도 규모로 확보한 사례는 국내외에서도 제한적인 편임. -
설명서 및 활용가이드 다운로드
데이터 설명서 다운로드 구축활용가이드 다운로드● 원천 데이터 구성
원천데이터 구성 표 구분 항목 타입 필수여부 설명 범위 비고 1 meta object Y 메타정보 1-1 patient object Y 환자 정보 1-1-1 id string Y 환자 ID 2 data object Y 측정 데이터 전체 2-1 smart_insole object N 스마트 인솔 데이터 2-1-1 source_path string Y 데이터 경로 2-1-2 values object Y 일자별 인솔 데이터 2-1-2-(n) n=1~10
(day_1 ~ day_10)object Y 날짜별 데이터 2-1-2-(n)-1 balance object Y 균형 데이터 2-1-2-(n)-1-1 L string Y 왼발 균형값 0-100 2-1-2-(n)-1-2 R string Y 오른발 균형값 0-100 2-1-2-(n)-2 stride_length object Y 보폭 2-1-2-(n)-2-1 L string Y 왼발 보폭 0-200 2-1-2-(n)-2-2 R string Y 오른발 보폭 0-200 2-1-2-(n)-3 gait_distance string Y 보행 거리 2-1-2-(n)-4 gait_speed string Y 보행 속도 0-10 2-1-2-(n)-5 foot_pressure_fore object Y 전족부 압력 2-1-2-(n)-5-1 L string Y 왼발 전족부 압력 0-100 2-1-2-(n)-5-2 R string Y 오른발 전족부 압력 0-100 2-1-2-(n)-6 foot_pressure_mid object Y 중족부 압력 2-1-2-(n)-6-1 L string Y 왼발 중족부 압력 0-100 2-1-2-(n)-6-2 R string Y 오른발 중족부 압력 0-100 2-1-2-(n)-7 foot_pressure_rear object Y 후족부 압력 2-1-2-(n)-7-1 L string Y 왼발 후족부 압력 0-100 2-1-2-(n)-7-2 R string Y 오른발 후족부 압력 0-100 2-1-2-(n)-8 foot_angle object Y 발 각도 2-1-2-(n)-8-1 L string Y 왼발 각도 0, 1, 2 0: 내반슬
1: 정상 정렬
2: 외반슬2-1-2-(n)-8-2 R string Y 오른발 각도 0, 1, 2 0: 내반슬
1: 정상 정렬
2: 외반슬2-2 gait_pad object N 보행패드 데이터 2-2-1 source_path string Y 데이터 경로 2-2-2 values object Y 보행패드 값 2-2-2-1 step_length object Y 스텝 길이 2-2-2-1-1 L string Y 왼발 스텝 0-150 2-2-2-1-2 R string Y 오른발 스텝 0-150 2-2-2-2 velocity string Y 속도 0-300 2-2-2-3 stance_phase_rate object Y 입각기 비율 2-2-2-3-1 L string Y 왼발 입각기 0-100 2-2-2-3-2 R string Y 오른발 입각기 0-100 2-2-2-4 swing_phase_rate object Y 유각기 비율 2-2-2-4-1 L string Y 왼발 유각기 0-100 2-2-2-4-2 R string Y 오른발 유각기 0-100 2-2-2-5 double_support_time object Y 이중지지 시간 2-2-2-5-1 L string Y 왼발 이중지지 0-100 2-2-2-5-2 R string Y 오른발 이중지지 0-100 2-3 imu_sensor object N IMU 센서 데이터 2-3-1 source_path string Y 데이터 경로 2-3-2 values object Y IMU 값 2-3-2-1 gait_cycle object Y 보행 주기 2-3-2-1-1 L string Y 왼발 주기 0-5 2-3-2-1-2 R string Y 오른발 주기 0-5 2-3-2-2 knee_flexion_max object Y 최대 무릎 굴곡 2-3-2-2-1 L string Y 왼쪽 굴곡각 0-180 2-3-2-2-2 R string Y 오른쪽 굴곡각 0-180 2-3-2-3 knee_extension_max object Y 최대 무릎 신전 2-3-2-3-1 L string Y 왼쪽 신전각 0-180 2-3-2-3-2 R string Y 오른쪽 신전각 0-180 2-3-2-4 foot_clearance object Y 발 들림 2-3-2-4-1 L string Y 왼발 들림 0-100 2-3-2-4-2 R string Y 오른발 들림 0-100
● 어노테이션 구성구분 항목 타입 필수여부 설명 범위 비고 1 meta object Y 메타정보 1-1 patient object Y 환자 정보 1-1-1 id string Y 환자 ID 1-1-2 gender string Y 성별 0, 1 0:여성 1:남성 1-1-3 age string Y 나이 1-1-4 height string Y 키 1-1-5 weight string Y 몸무게 1-1-6 bmi string Y BMI 1-1-7 foot_size string Y 발 크기 1-1-8 leg_length_L string Y 왼쪽 다리 길이 1-1-9 leg_length_R string Y 오른쪽 다리 길이 1-1-10 condition string N 질환명 1-1-11 symptom string N 증상 2 data object Y 측정 데이터 전체 2-1 smart_insole object N 스마트 인솔 데이터 2-1-1 source_path string Y 데이터 경로 2-1-2 values object Y 일자별 인솔 데이터 2-1-2-(n) n=1~10
(day_1 ~ day_10)object Y 날짜별 데이터 2-1-2-(n)-1 balance object Y 균형 데이터 2-1-2-(n)-1-1 L string Y 왼발 균형값 0-100 2-1-2-(n)-1-2 R string Y 오른발 균형값 0-100 2-1-2-(n)-2 stride_length object Y 보폭 2-1-2-(n)-2-1 L string Y 왼발 보폭 0-200 2-1-2-(n)-2-2 R string Y 오른발 보폭 0-200 2-1-2-(n)-3 gait_distance string Y 보행 거리 2-1-2-(n)-4 gait_speed string Y 보행 속도 0-10 2-1-2-(n)-5 foot_pressure_fore object Y 전족부 압력 2-1-2-(n)-5-1 L string Y 왼발 전족부 압력 0-100 2-1-2-(n)-5-2 R string Y 오른발 전족부 압력 0-100 2-1-2-(n)-6 foot_pressure_mid object Y 중족부 압력 2-1-2-(n)-6-1 L string Y 왼발 중족부 압력 0-100 2-1-2-(n)-6-2 R string Y 오른발 중족부 압력 0-100 2-1-2-(n)-7 foot_pressure_rear object Y 후족부 압력 2-1-2-(n)-7-1 L string Y 왼발 후족부 압력 0-100 2-1-2-(n)-7-2 R string Y 오른발 후족부 압력 0-100 2-1-2-(n)-8 foot_angle object Y 발 각도 2-1-2-(n)-8-1 L string Y 왼발 각도 0, 1, 2 0: 내반슬
1: 정상 정렬
2: 외반슬2-1-2-(n)-8-2 R string Y 오른발 각도 0, 1, 2 0: 내반슬
1: 정상 정렬
2: 외반슬2-2 gait_pad object N 보행패드 데이터 2-2-1 source_path string Y 데이터 경로 2-2-2 values object Y 보행패드 값 2-2-2-1 step_length object Y 스텝 길이 2-2-2-1-1 L string Y 왼발 스텝 0-150 2-2-2-1-2 R string Y 오른발 스텝 0-150 2-2-2-2 velocity string Y 속도 0-300 2-2-2-3 stance_phase_rate object Y 입각기 비율 2-2-2-3-1 L string Y 왼발 입각기 0-100 2-2-2-3-2 R string Y 오른발 입각기 0-100 2-2-2-4 swing_phase_rate object Y 유각기 비율 2-2-2-4-1 L string Y 왼발 유각기 0-100 2-2-2-4-2 R string Y 오른발 유각기 0-100 2-2-2-5 double_support_time object Y 이중지지 시간 2-2-2-5-1 L string Y 왼발 이중지지 0-100 2-2-2-5-2 R string Y 오른발 이중지지 0-100 2-3 imu_sensor object N IMU 센서 데이터 2-3-1 source_path string Y 데이터 경로 2-3-2 values object Y IMU 값 2-3-2-1 gait_cycle object Y 보행 주기 2-3-2-1-1 L string Y 왼발 주기 0-5 2-3-2-1-2 R string Y 오른발 주기 0-5 2-3-2-2 knee_flexion_max object Y 최대 무릎 굴곡 2-3-2-2-1 L string Y 왼쪽 굴곡각 0-180 2-3-2-2-2 R string Y 오른쪽 굴곡각 0-180 2-3-2-3 knee_extension_max object Y 최대 무릎 신전 2-3-2-3-1 L string Y 왼쪽 신전각 0-180 2-3-2-3-2 R string Y 오른쪽 신전각 0-180 2-3-2-4 foot_clearance object Y 발 들림 2-3-2-4-1 L string Y 왼발 들림 0-100 2-3-2-4-2 R string Y 오른발 들림 0-100 3 labels object Y 라벨 데이터 3-1 annotation object Y 주석 3-1-1 class string Y 클래스명 0, 1 0: 정상
1: 무릎관절염3-1-2 side string N 좌우 좌/우/양측 3-1-3 region string N 부위 3-2 diagnosis_text string N 진단 텍스트
● 원천 데이터 포맷원천데이터 포맷-어노테이션(json 포맷 표) 어노테이션 포맷 JSON 예시 {
"meta": {
"patient": {
"id": "SUBJ_001"
}
},
"data": {
"gait_pad": {
"source_path": "원천데이터/보행 매트/무릎관절염/02_pad_001.json",
"values": {
"step_length": {
"L": "60.226",
"R": "59.653"
},
"velocity": "101.8",
"stance_phase_rate": {
"L": "64.9",
"R": "65.8"
},
"swing_phase_rate": {
"L": "35.1",
"R": "34.2"
},
"double_support_time": {
"L": "30.9",
"R": "30.4"
}
}
}
},
"leadTime": 394638
}
● 라벨링 데이터 포맷라벨링 데이터 포맷-어노테이션 포맷(json)표 어노테이션 포맷 JSON 예시 {
"meta": {
"patient": {
"id": "SUBJ_001",
"gender": "1",
"age": "48.0",
"height": "175.0",
"weight": "79.0",
"bmi": "25.8",
"foot_size": "270.0",
"leg_length_L": "1010.0",
"leg_length_R": "1020.0",
"condition": "없음",
"symptom": "보행시 통증"
}
},
"data": {
"gait_pad": {
"source_path": "원천데이터/보행 매트/무릎관절염/02_pad_001.json",
"values": {
"step_length": {
"L": "60.226",
"R": "59.653"
},
"velocity": "101.8",
"stance_phase_rate": {
"L": "64.9",
"R": "65.8"
},
"swing_phase_rate": {
"L": "35.1",
"R": "34.2"
},
"double_support_time": {
"L": "30.9",
"R": "30.4"
}
}
}
},
"labels": {
"annotation": {
"class": "1",
"side": "좌측",
"region": "무릎"
},
"diagnosis_text": "관절염 증상으로 보행 시 불편감이 있음."
}
} -
데이터셋 구축 담당자
수행기관(주관) : 서울대학교병원
수행기관(주관) 책임자명 전화번호 대표이메일 담당업무 조민우 02-2072-4291 windsblues@snu.ac.kr 주관업무 총괄, 데이터 수집/정제/가공/검수, 모델개발 수행기관(참여)
수행기관(참여) 기관명 담당업무 피씨엔 데이터 수집
데이터 검수올빅뎃 가공 도구 제작
데이터 품질관리데이터 관련 문의처
데이터 관련 문의처 담당자명 전화번호 이메일 조민우 02-2072-4291 windsblues@snu.ac.kr 김재영 - 5f217@snuh.org AI모델 관련 문의처
AI모델 관련 문의처 담당자명 전화번호 이메일 조민우 02-2072-4291 windsblues@snu.ac.kr 김재영 - 5f217@snuh.org 저작도구 관련 문의처
저작도구 관련 문의처 담당자명 전화번호 이메일 곽지우 031-697-8722 cs@allbigdat.com
-
인터넷과 물리적으로 분리된 온라인·오프라인 공간으로 의료 데이터를 포함하여 보안 조치가 요구되는 데이터를 다운로드 없이 접근하고 분석 가능
* 온라인 안심존 : 보안이 보장된 온라인 네트워크를 통해 집, 연구실, 사무실 등 어디서나 접속하여 데이터에 접근하고 분석
* 오프라인 안심존 : 추가적인 보안이 필요한 데이터를 대상으로 지정된 물리적 공간에서만 접속하여 데이터에 접근하고 분석 -
- AI 허브 접속
신청자 - 안심존
사용신청신청자신청서류 제출* - 심사구축기관
- 승인구축기관
- 데이터 분석 활용신청자
- 분석모델반출신청자
- AI 허브 접속
-
1. 기관생명윤리위원회(IRB) 심의 결과 통지서 [IRB 알아보기] [공용IRB 심의신청 가이드라인]
2. 기관생명윤리위원회(IRB) 승인된 연구계획서
3. 신청자 소속 증빙 서류 (재직증명서, 재학증명서, 근로계약서 등 택1)
4. 안심존 이용 신청서 [다운로드]
5. 보안서약서 [다운로드]
※ 상기 신청서 및 첨부 서류를 완비한 후 신청을 진행하셔야 정상적으로 절차가 이루어집니다. -
신청 및 이용관련 문의는 safezone1@aihub.kr 또는 02-525-7708, 7709로 문의
데이터셋 다운로드 승인이 완료 된 후 API 다운로드 서비스를 이용하실 수 있습니다.
API 다운로드 파일은 분할 압축되어 다운로드 됩니다. 분할 압축 해제를 위해서는 분할 압축 파일들의 병합이 필요하며 리눅스 명령어 사용이 필요합니다.
리눅스 OS 계열에서 다운로드 받으시길 권장하며 윈도우에서 파일 다운로드 시 wsl(리눅스용 윈도우 하위 시스템) 설치가 필요합니다.
※ 파일 병합 리눅스 명령어
find "폴더경로" -name "파일명.zip.part*" -print0 | sort -zt'.' -k2V | xargs -0 cat > "파일명.zip"
- 해당 명령어 실행 시, 실행 경로 위치에 병합 압축 파일이 생성됩니다.
- 병합된 파일 용량이 0일 경우, 제대로 병합이 되지 않은 상태이니 "폴더경로"가 제대로 입력되었는지 확인 부탁드립니다.
※ 데이터셋 소개 페이지에서 다운로드 버튼 클릭하여 승인이 필요합니다.
오프라인 데이터 이용 안내
본 데이터는 K-ICT 빅데이터센터에서도 이용하실 수 있습니다.
다양한 데이터(미개방 데이터 포함)를 분석할 수 있는 오프라인 분석공간을 제공하고 있습니다.
데이터 안심구역 이용절차 및 신청은 K-ICT빅데이터센터 홈페이지를 참고하시기 바랍니다.
국방데이터 개방 안내
본 데이터는 국방데이터로 군사 보안에 따라 AI허브에서 데이터를 제공하지 않으며,
군 담당자를 통한 별도의 사용 신청이 필요합니다.
-
인터넷과 물리적으로 분리된 온라인·오프라인 공간으로 의료 데이터를 포함하여 보안 조치가 요구되는 데이터를 다운로드 없이 접근하고 분석 가능
* 온라인 안심존 : 보안이 보장된 온라인 네트워크를 통해 집, 연구실, 사무실 등 어디서나 접속하여 데이터에 접근하고 분석
* 오프라인 안심존 : 추가적인 보안이 필요한 데이터를 대상으로 지정된 물리적 공간에서만 접속하여 데이터에 접근하고 분석 -
- AI 허브 접속
신청자 - 안심존
사용신청신청자신청서류 제출* - 심사구축기관
- 승인구축기관
- 데이터 분석 활용신청자
- 분석모델반출신청자
- AI 허브 접속
-
1. 기관생명윤리위원회(IRB) 심의 결과 통지서 [IRB 알아보기] [공용IRB 심의신청 가이드라인]
2. 기관생명윤리위원회(IRB) 승인된 연구계획서
3. 신청자 소속 증빙 서류 (재직증명서, 재학증명서, 근로계약서 등 택1)
4. 안심존 이용 신청서 [다운로드]
5. 보안서약서 [다운로드]
※ 상기 신청서 및 첨부 서류를 완비한 후 신청을 진행하셔야 정상적으로 절차가 이루어집니다. -
신청 및 이용관련 문의는 safezone1@aihub.kr 또는 02-525-7708, 7709로 문의