AI-Hub

#축구 킥 동작 # 축구공 궤적 데이터

NEW 비전영역, 축구 킥 동작 및 축구공 궤적 데이터 구축

분야스포츠
유형 비디오 , 이미지

구축년도 : 2022 갱신년월 : 2023-12 조회수 : 3,001 다운로드 : 51 용량 :

샘플 데이터

※샘플데이터는 데이터의 이해를 돕기 위해 별도로 가공하여 제공하는 정보로써 원본 데이터와 차이가 있을 수 있으며,
데이터에 따라서 민감한 정보는 일부 마스킹(*) 처리가 되어 있을 수 있습니다.

소개 파일 목록 (API 다운로드)

※ 내국인만 데이터 신청이 가능합니다.

데이터 토론 문의하기 목록

데이터 변경이력

데이터 변경이력
버전	일자	변경내용	비고
1.1	2023-12-06	데이터 최종 개방
1.0	2023-06-07	데이터 개방(Beta Version)

데이터 히스토리

데이터 히스토리
일자	변경내용	비고
2023-12-20	산출물 전체 공개

소개

ㅇ 데이터셋 구성 : 
-축구 킥 동작: 원천데이터: 이미지, 라벨링데이터: json
-축구 킥 궤적: 원천데이터: 동영상, 라벨링데이터: json
ㅇ 데이터 규모: 
-축구 킥 동작: 원천데이터: 이미지, 라벨링데이터: json
-축구 킥 궤적: 원천데이터: 동영상, 라벨링데이터: json

구축목적

- 축구 킥 동작 : 축구 킥 동작 인식을 통한 정/오자세 분석 및 코칭, 개인별 축구 킥 동작 패턴 발견을 통한 훈련시스템 개발

메타데이터 구조표
데이터 영역	스포츠	데이터 유형	비디오 , 이미지
데이터 형식	이미지 (.jpg), 영상	데이터 출처	온/오프라인 크라우드 소싱 촬영
라벨링 유형	축구 킥동작(이미지), 축구 공궤적(영상)	라벨링 형식	JSON, MP4
데이터 활용 서비스	축구 킥 궤적 : 축구 킥 궤적 에측을 통한 시뮬레이션 기반 훈련 시스템 개발	데이터 구축년도/ 데이터 구축량	2022년/1,140,480장

1. 데이터 구축 규모

구분		라벨링 타입	라벨링 요소	규모	산출근거
축구 킥 동작 데이터		2D keypoints	객체 (공) 1개	1,140,480	23760킥 * 6개 동작 * 8CH
			자세(선수) 22개
		3D keypoints	객체 (공) 1개	142,500	23760킥 * 6개 동작
			자세(선수) 22개
축구 공 궤적 데이터	초기	2D keypoints	객체 (공) 1개	570,240	23,760킥 * 6CH * 4frame
	궤적				(총 570,240개의 좌표 정보)
	후기	3D keypoints	객체 (공)	23,760	23,760킥 * 모든 프레임
	궤적		1개		(총 약800만개의 좌표 정보)
데이터 설명		- 1개의 원천 데이터 객체(공) 및 자세(선수)를 라벨링 함 (1:N)
		- 자세 및 공은 원천데이터 이미지 1장당 선수 1인과 함께 객체(공)가 포함됨

2. 데이터 인원수 기준 선수 및 킥 발의 분류

축구 킥 동작 원시데이터 획득 계획 – 선수 및 킥 발의 분류
구분	선수			킥 발의 비율
				오른발	오른발	왼발	왼발
				-80%	킥 수	-20%	킥 수
선수 114명	남	성인	48	38	8,448	10	2,112
		초등	12	10	1,920	2	480
		중등	12	10	1,920	2	480
		고등	12	10	1,920	2	480
	여	성인	12	10	1,920	2	480
		초등	6	5	960	1	240
		중등	6	5	960	1	240
		고등	6	5	960	1	240
	합계		114	91	19,008	23	4,752

저작도구 설명서 및 저작도구 다운로드
저작도구 설명서 다운로드 저작도구 다운로드

AI 모델 상세 설명서 다운로드

AI 모델 상세 설명서 다운로드 AI 모델 다운로드

1. 축구 킥 동작데이터

내용	학습용 데이터의 유효성
항목
	• 유효성 검사항목
	- 데이터셋의 활용목적에 맞는 구체적인 학습 Task(모델의 탐지, 추론, 예측 등) 설정 여부
	- 학습 Task에 부합하는 AI모델 선정 및 개별 AI모델 구현
	- AI모델에 따른 성능지표 설정 및 학습성능 측정

	[참고3] 유효성 항목(비디오 데이터 예시)
	품질특성	TASK 명	모델명	지표
	유효성	자동 킥 동작 및 자세 추정, 분석	AlphaPose	mAP
		축구 공 궤적 예측	TrajectNet	Mean point difference
	• 유효성 검사기준
	- 사전준비: AI모델, 학습 Task, 성능지표 마련
	- 검사단위: 학습 Task별 구현한 AI모델
	- 검사수량: 구축한 학습용 데이터의 전체분량
	- 검사방법: 구축한 데이터를 AI모델에 학습 후 정량지표별 결과 출력
결과	※ 실제 모델을 돌린 증빙자료(표,차트 등)를 붙임자료로 필수로 첨부한다.
	ex) 몇 개의 데이터로 몇 번을 학습 수행한 것인지, 타임스탬프와 함께 결과화면(log)을 캡쳐
	품질특성	TASK 명	모델명	지표	목표치	결과값
	유효성	자동 킥 동작 및 자세 추정, 분석	AlphaPose	mAP(OKS0.75)	0.8 이상	0.5907
		축구 공 궤적 예측	TrajectNet	Mean point difference	0.44m 이하	-

ㅇ 유효성 검증환경
아래에서 유효성 검증환경에 대하여 기술하도록 한다. 2가지 이상의 임무와 데이터셋 구성이 다른 경우에는 반드시 개별적으로 작성한다.

유효성 항목 및 지표
항목명	추정성능
임무	자세 추정(Pose Estimation)
지표	mAP
측정 산식	< coco mAP Metrics 출처 : https://cocodataset.org/#keypoints-eval >
HW 사양
구성방식	로컬 서버
CPU	11th Gen Intel(R) Core(TM) i9-11900K @ 3.50GHz
Memory	64GB
GPU	GeForce RTX 3090
Storage	1.0TB
OS	Ubuntu 20.04
알고리즘 및 학습 조건
개발 언어	python 3.8.10
프레임워크	pytorch 1.10.1+cu113, cuda 11.3
알고리즘	AlphaPose
학습조건	Batch Size = 128, Learning Rate = 0.001
데이터셋 분할 (수량, 비율)	1Cycle 구축 데이터 23,283건(라벨 데이터 기준)
	• 학습용 데이터셋: 18,626개 (0.8)
	• 검증용 데이터셋: 2,328개 (0.1)
	• 평가용 데이터셋: 2,329개 (0.1)
구축목표 총 데이터 수량 대비 비율	구축목표 데이터 수량 1140,480개 / 유효성검증데이터 총수량 23,283개
기타사항
	그림. AlphaPose 모델 학습 로그

	그림. AlphaPose 모델 평가 로그

2. 축구 킥 궤적데이터

내용	학습용 데이터의 유효성
항목
	유효성 검사항목
	- 데이터셋의 활용목적에 맞는 구체적인 학습 Task(모델의 탐지, 추론, 예측 등) 설정 여부
	- 학습 Task에 부합하는 AI모델 선정 및 개별 AI모델 구현
	- AI모델에 따른 성능지표 설정 및 학습성능 측정

	[참고3] 유효성 항목(비디오 데이터 예시)
	품질특성	TASK 명	모델명	지표
	유효성	예측성능	TrajectNet	예측오차거리
			(자체개발)

	유효성 검사기준
	- 사전준비: AI모델, 학습 Task, 성능지표 마련
	- 검사단위: 학습 Task별 구현한 AI모델
	- 검사수량: 구축한 학습용 데이터의 전체분량
	- 검사방법: 구축한 데이터를 AI모델에 학습 후 정량지표별 결과 출력
결과	※ 실제 모델을 돌린 증빙자료(표,차트 등)를 붙임자료로 필수로 첨부한다.
	ex) 몇 개의 데이터로 몇 번을 학습 수행한 것인지, 타임스탬프와 함께 결과화면(log)을 캡쳐
	품질특성	TASK 명	모델명	지표	목표치	결과값
	유효성	예측성능	TrajectNet (자체개발)	예측오차거리	0.44m 이하	달성

유효성 항목 및 지표
항목명	추정성능
임무	축구공 궤적 예측
지표	mean point difference (0.44m)
지표	축구 궤적 추정 딥러닝 모델의 경우 세계 최초로 개발되고 있음. 따라서, 연구 개발 노력이 상당히 소요되고 있음. 킥데이터를 3차원으로 추적하는 알고리즘(축구장 카메라 calibration, 영상으로부터 2차원 공 위치 추출, 3차원 위치 데이터들에 대한 spline근사화 알고리즘 등등)과 딥러닝 모델을 개발하는 것을 동시에 하기에 무리가 있으나, 현재까지 킥데이터 3차원 추적은 성공적으로 마무리되어 데이터를 목표치까지 가공하였고, 인공지능 모델은 11월 이내에 완료목표.
측정 산식
측정 산식	<킥데이터 취득 경기장 및 볼트래킹 데이터>
HW 사양
구성방식	로컬 서버
CPU	AMD 6 Cores (Not important under well performing GPU)
Memory	128GB
GPU	RTX Quadro 8000
Storage	1.0TB
OS	Ubuntu 20.04
알고리즘 및 학습 조건
개발 언어	c++
프레임워크	Koon (Wolfson Lab’s deeplearning framework), cuda 11.4
알고리즘	ResNet 50, Hot spot 기반 위치 추정
학습조건	Batch Size = 32~64, Learning Rate = 0.001, ADAM
데이터셋 분할 (수량, 비율)	1Cycle 구축 데이터 2,718건(라벨 데이터 기준)
	• 학습용 데이터셋: 2,174개 (0.8)
	• 검증용 데이터셋: 271개 (0.1)
	• 평가용 데이터셋: 271개 (0.1)
구축목표 총 데이터 수량 대비 비율	구축목표 데이터 수량 23,760개 / 유효성검증데이터 총수량 2,718개
구축목표 총 데이터 수량 대비 비율	축구 궤적 추정 딥러닝 모델의 경우 세계 최초로 개발되고 있음. 따라서, 연구 개발 노력이 상당히 소요되고 있음. 킥데이터를 3차원으로 추적하는 알고리즘(축구장 카메라 calibration, 영상으로부터 2차원 공 위치 추출, 3차원 위치 데이터들에 대한 spline근사화 알고리즘 등등)과 딥러닝 모델을 개발하는 것을 동시에 하기에 무리가 있으나, 현재까지 킥데이터 3차원 추적은 성공적으로 마무리되어 데이터를 목표치까지 가공하였고, 인공지능 모델 11월 이내에 완료계획.
기타사항
기타사항	그림. 궤적 추정 네트워크 학습용 딥러닝 프레임워크

데이터 성능 점수

측정값 (%)

기준값 (%)

데이터 성능 지표

데이터 성능 지표
번호	측정항목	AI TASK	학습모델	지표명	기준값 점수	측정값 점수
1	동작 자세에 대한 인공지능 자세 추정 성능	Pose Estimation	AlphaPose	mAP	80 %	98.98 %
2	축구공 궤적 예측 성능	Prediction	ResNet 50	Mean point difference	0.44 M	0.26 M

※ 데이터 성능 지표가 여러 개일 경우 각 항목을 클릭하면 해당 지표의 값이 그래프에 표기됩니다.

※ AI모델 평가 지표에 따라 측정값의 범위, 판단 기준이 달라질 수 있습니다. (ex. 오류율의 경우, 낮을수록 좋은 성능을 내는 것으로 평가됩니다)

설명서 및 활용가이드 다운로드

데이터 설명서 다운로드 구축활용가이드 다운로드

라벨링 대상에 따른 메타데이터

-라벨링 대상에 따른 라벨링 방법

라벨링 대상		라벨링 방법
객체 (1)	공	keypoints (1)
객체 (1)	공	keypoints (1)
자세 (22)	코	keypoints (22)
	목
	오른쪽 어깨
	오른쪽 팔꿈치
	오른쪽 손목
	왼쪽 어깨
	왼쪽 팔꿈치
	왼쪽 손목
	오른쪽 엉덩이
	오른쪽 무릎
	오른쪽 발목
	왼쪽 엉덩이
	왼쪽 무릎
	왼쪽 발목
	오른쪽 눈
	왼쪽 눈
	오른쪽 귀
	왼쪽 귀
	오른쪽 엄지발가락
	오른쪽 발뒷꿈치
	왼쪽 엄지발가락
	왼쪽 발뒷꿈치

- 축구 영상(자세) 데이터 keypoints(22개) 라벨링 타입

No.	속성명	속성 설명	Type	필수여부	작성 예시
1	annotations[].keypoint.id	키포인트 식별자	string	선택	PLT_TA_0001
					(분류_순번)
2	annotations[].keypoint.name	키포인트 객체 이름	string	선택	동작명
3	annotations[].keypoint.category	키포인트 객체 유형	string	선택	동작_분류
4	annotations[].keypoint.points[]	키포인트 3차원 좌표값 (x, y, z)의 집합	list,	선택	[(100, 105, 207),...,(160,104, 169)]
			number

- 영상 샘플데이터(축구 킥 동작 라벨링 예시)

keypoints(22개) 라벨링 예시

{ "metaData": "", "dataInfo": [ { "축구 킥": "soccer kick" } ], "inspRejectYn": "N", "labelingInfo": [ { "pose": { "location": { "왼쪽 뒷꿈치": { "x": "322", "y": "247", "z": "127", "view": 1 }, "왼쪽 발목": { "x": "335", "y": "258", "z": "137", "view": 1 },	"왼쪽 팔꿈치": { "x": "286", "y": "216", "z": "138", "view": 1 }, "왼쪽 귀": { "x": "238", "y": "185", "z": "112", "view": 1 }, "오른쪽 뒷꿈치": { "x": "317", "y": "270", "z": "145", "view": 1 }, "오른쪽 엄지 발가락": { "x": "277", "y": "284", "z": "163", "view": 1 }, ...	... "오른쪽 엉덩이": { "x": "343", "y": "205", "z": "128", "view": 1 }, "왼쪽 엄지 손가락": { "x": "297", "y": "290", "z": "130", "view": 1 }, "왼쪽 중지 손가락": { "x": "304", "y": "289", "z": "138", "view": 1 } }, "label": "축구 킥", "type": "pose" } } ] }

- 축구 킥 동작 데이터 2D, 3D keypoints 정의

keypoints list
Index	Name	한글	Index	Name	한글
0	Nose	코	101	Ball	축구공

1	Neck	목

2	RShoulder	오른쪽 어깨

3	RElbow	오른쪽 팔꿈치

4	RWrist	오른쪽 손목

5	LShoulder	왼쪽 어깨

6	LElbow	왼쪽 팔꿈치


7	LWrist	왼쪽 손목

8	RHip	오른쪽 엉덩이


9	RKnee	오른쪽 무릎

10	RAnkle	오른쪽 발목


11	RBigToe	오른쪽 엄지발가락

12	RSmallToe	오른쪽 발뒷꿈치

13	LHip	왼쪽 엉덩이


14	LKnee	왼쪽 무릎

15	LAnkle	왼쪽 발목

16	LBigToe	왼쪽 엄지발가락
17	LSmallToe	왼쪽 발뒷꿈치
18	REye	오른쪽 눈
19	LEye	왼쪽 눈
20	REar	오른쪽 귀
21	LEar	왼쪽 귀

- 영상 샘플데이터(축구 공 궤적 데이터 라벨링 예시)

3D keypoints(1개) 라벨링 예시

{ "metaData": "", "dataInfo": [ { "축구 공 궤적": "soccer ball trajectory" } ], "inspRejectYn": "N", "labelingInfo": [ { "position": { "location": { "시점1": { "x": "322", "y": "247", "z": "127", "view": 1 }, "시점2": { "x": "335", "y": "258", "z": "137", "view": 1 },	"시점3": { "x": "286", "y": "216", "z": "138", "view": 1 }, "시점4": { "x": "238", "y": "185", "z": "112", "view": 1 }, "시점5": { "x": "317", "y": "270", "z": "145", "view": 1 }, "시점6": { "x": "277", "y": "284", "z": "163", "view": 1 }, ...	... "시점8": { "x": "343", "y": "205", "z": "128", "view": 1 }, "시점9": { "x": "297", "y": "290", "z": "130", "view": 1 }, "시점10": { "x": "304", "y": "289", "z": "138", "view": 1 } }, "label": "축구 공 궤적", "type": "position" } } ] }

- 축구 공 궤적 데이터 3D keypoints 정의

keypoints list
Index	Name	한글
101	Ball	축구공

ㅇ이노테이션 포맷

라벨은 다음과 같이 구성되며, 항목별 타입과 필수여부 및 값

항목

항목명

타입

필수여부

설명

범위

metaData

object

데이터 속성 기본정보

inspRejectYn

String

검수현황값

labelingInfo

array

라벨링정보

3-1

pose

object

3-1-1

location

object

3-1-1-1

코(Nose )

object

(x,y,view)값으로 위치를 표현. View는 포인트별로
1 :보이는포인트,
-1 : 보이지않는 포인트로 정의

3-1-1-1-1

string

3-1-1-1-2

string

3-1-1-1-3

view

number

3-1-1-2

목(Neck)

object

3-1-1-2-1

string

3-1-1-2-2

string

3-1-1-2-3

view

number

3-1-1-3

오른쪽어깨(RShoulder)

object

3-1-1-3-1

string

3-1-1-3-2

string

3-1-1-3-3

view

number

3-1-1-4

오른쪽 팔꿈치(RElbow)

object

3-1-1-4-1

string

3-1-1-4-2

string

3-1-1-4-3

view

number

3-1-1-5

오른쪽 손목(RWrist)

object

3-1-1-5-1

string

3-1-1-5-2

string

3-1-1-5-3

view

number

3-1-1-6

왼쪽 어깨(LShoulder)

object

3-1-1-6-1

string

3-1-1-6-2

string

3-1-1-6-3

view

number

3-1-1-7

왼쪽 팔꿈치(LElbow)

object

3-1-1-7-1

string

3-1-1-7-2

string

3-1-1-7-3

view

number

3-1-1-8

왼쪽 손목(LWrist)

object

3-1-1-8-1

string

3-1-1-8-2

string

3-1-1-8-3

view

number

3-1-1-9

오른쪽 엉덩이(RHip)

object

3-1-1-9-1

string

3-1-1-9-2

string

3-1-1-9-3

view

number

3-1-1-10

오른쪽 무릎(RKnee)

object

3-1-1-10-1

string

3-1-1-10-2

string

3-1-1-10-3

view

number

3-1-1-11

오른쪽 발목(RAnkle)

object

3-1-1-11-1

string

3-1-1-11-2

string

3-1-1-11-3

view

number

3-1-1-12

오른쪽엄지발가락(RBigToe)

object

3-1-1-12-1

string

3-1-1-12-2

string

3-1-1-12-3

view

number

3-1-1-13

오른쪽발뒷꿈치(RSmallToe)

object

3-1-1-13-1

string

3-1-1-13-2

string

3-1-1-13-3

view

number

3-1-1-14

왼쪽 엉덩이(LHip)

object

3-1-1-14-1

string

3-1-1-14-2

string

3-1-1-14-3

view

number

3-1-1-15

왼쪽 무릎(LKnee)

object

3-1-1-15-1

string

3-1-1-15-2

string

3-1-1-15-3

view

number

3-1-1-16

왼쪽 발목(LAnkle)

object

3-1-1-16-1

string

3-1-1-16-2

string

3-1-1-16-3

view

number

3-1-1-17

왼쪽 엄지발가락(LBigToe)

object

3-1-1-17-1

string

3-1-1-17-2

string

3-1-1-17-3

view

number

3-1-1-18

왼쪽 발뒷꿈치(LSmallToe)

object

3-1-1-18-1

string

3-1-1-18-2

string

3-1-1-18-3

view

number

3-1-1-19

오른쪽 눈(REye)

object

3-1-1-19-1

string

3-1-1-19-2

string

3-1-1-19-3

view

number

3-1-1-20

왼쪽 눈(LEye)

object

3-1-1-20-1

string

3-1-1-20-2

string

3-1-1-20-3

view

number

3-1-1-21

오른쪽 귀(REar)

object

3-1-1-21-1

string

3-1-1-21-2

string

3-1-1-21-3

view

number

3-1-1-22

왼쪽 귀(LEar)

object

3-1-1-22-1

string

3-1-1-22-2

string

3-1-1-22-3

view

number

3-1-1-23

축구공(Ball)

object

3-1-1-22-1

string

3-1-1-22-2

string

3-1-1-22-3

view

number

항목						항목명	타입	필수여부	설명	범위
		3-1-2				label	string		soccer kick Keypoints	고정
		3-1-2				label	string		soccer kick Keypoints
		3-1-3				type	string		pose	고정
	3-2					Soccer Ball	object
		3-2-1				location	object
			3-2-1-1			축구공(Ball)	object	Y	축구공
					3-2-1-1-1	x	string	Y
					3-2-1-1-2	y	string	Y
					3-2-1-1-3	view	number	Y
	3-3					wind gauge	object	Y	풍향계
		3-3-1				location	object	Y
			3-3-1-1			풍향계	object	Y
				3-3-1-1-1		wind direction	number	Y	풍향
				3-3-1-1-2		wind speed	number	Y	풍속
				3-3-1-1-3		temperature	number	Y	온도
				3-3-1-1-4		humidity	number	Y	습도
		3-5-1				Keypoints	object	Y	킥포인트좌표값
			3-5-1-1			Xstart	string	Y
			3-5-1-2			Xend	string	Y
		3-5-2				label	string
		3-5-3				type	string
	3-6					categories	object
		3-6-1				poomsae	string		킥 동작 분류
	3-7					images	object		이미지정보
		3-7-1				id	string	Y	이미지파일명
		3-7-2				width	number		이미지너비	1920
		3-7-3				height	number		이미지높이	1080
		3-7-4				license	string		이미지라이선스
		3-7-5				camera id	string		카메라 id	0~8
		3-7-6				date created	string		이미지촬영일자
	3-8					videos	object		영상정보
		3-8-1				id	string		영상파일명
		3-8-2				width	number		프레임너비	1920
		3-8-3				height	number		프레임높이	1080
		3-8-4				frame rate	number		프레임속도	120
		3-8-5				camera id	string		카메라 id	0~8
		3-8-6				license	string		영상라이선스
		3-8-7				date created	string		영상촬영일자
	3-9					actors	object		킥커 선수정보
		3-9-1				id	string		선수별 고유 ID
		3-9-2				sex	string	Y	선수 성별
		3-9-3				age	string	Y	선수연령에 따라 4분류로 분류
		3-9-4				level	string	Y	선수별 등급
		3-9-5				kigkeo bal	string	Y	킥커 발(오른발, 왼발)
		3-9-6				free kick area	string	Y	프리킥영역
		3-9-7				soccer ball	string	Y	공종류
	3-10					info	object
		3-10-1				version	string		데이터 버전
		3-10-2				description	string		데이터 이름
		3-10-3				contributor	string		데이터 제공자
		3-10-4				url	string		데이터 참조 URL

데이터셋 구축 담당자

수행기관(주관) : ㈜에어패스

수행기관(주관)
책임자명	전화번호	대표이메일	담당업무
고영국	1577-2750	dbea@daum.net	사업 실무책임자/ 데이터 관리 총괄 / 데이터 전처리 및 학습

수행기관(참여)

수행기관(참여)
기관명	담당업무
㈜컴아트시스템	데이터 수집

데이터 관련 문의처

데이터 관련 문의처
담당자명	전화번호	이메일
고영국	1577-2750	dbea@daum.net

보건의료 데이터 개방 안내

보건의료 데이터는 온라인 및 오프라인 안심존을 통해 개방됩니다.

안심존이란 안심존 이용메뉴얼 안심존 이용신청

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
1. AI 허브 접속
  신청자
2. 안심존
  사용신청신청자신청서류 제출*
3. 심사구축기관
4. 승인구축기관
5. 데이터 분석 활용신청자
6. 분석모델반출신청자
1. 기관생명윤리위원회(IRB) 심의 결과 통지서 [IRB 알아보기]
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