🌐 English|한국어

사용자 가이드

이 가이드는 Modan2를 사용한 기하학적 형태계측 분석에 대한 종합적인 지침을 제공합니다.

시작하기

Modan2 실행하기

설치된 애플리케이션에서:

  • Windows: 시작 메뉴 → Modan2

  • macOS: 응용 프로그램 → Modan2.app

  • Linux: 터미널: python3 Modan2.py

소스에서 실행:

cd Modan2
python3 Modan2.py

메인 창 개요

Modan2 메인 창은 여러 주요 구성 요소로 이루어져 있습니다:

  1. 메뉴 바: 파일, 편집, 보기, 도구, 도움말

  2. 툴바: 일반 작업에 대한 빠른 접근

  3. 데이터셋 트리 뷰 (왼쪽): 데이터셋의 계층적 뷰

  4. 객체 테이블 (중앙): 선택한 데이터셋의 객체 목록

  5. 객체 미리보기 (오른쪽): 선택한 객체의 시각적 미리보기

  6. 상태 바 (하단): 정보 및 진행 표시기

데이터셋 다루기

새 데이터셋 만들기

  1. “새 데이터셋” 버튼을 클릭하거나 Ctrl+N 을 누르세요

  2. 데이터셋 정보를 입력하세요:

    • 이름: 데이터셋의 설명적인 이름

    • 차원: 2D 또는 3D

    • 설명: 선택적 상세 설명

    • 상위 데이터셋: 선택사항 - 계층 구조 생성

  3. 확인 을 클릭하여 데이터셋을 생성하세요

참고

계층적 데이터셋을 사용하여 관련 연구를 구성할 수 있습니다. 예를 들어:

  • Study_2024 (상위)

    • Subspecies_A (하위)

    • Subspecies_B (하위)

데이터셋 변수

변수는 통계 분석을 위한 그룹화 및 범주형 데이터를 정의합니다.

변수 추가:

  1. 데이터셋 선택

  2. 툴바에서 “변수 추가” 를 클릭하세요

  3. 변수 유형 선택:

    • 범주형: 그룹 (예: “수컷”, “암컷”, “유년”)

    • 연속형: 수치 측정값 (예: 나이, 무게)

  4. 변수 이름 입력

  5. 범주형 변수의 경우 가능한 값들을 추가하세요

객체 변수 설정:

  1. 테이블에서 객체 선택

  2. 변수 열을 클릭하세요

  3. 값을 입력하거나 선택하세요

  4. Enter 를 누르거나 다른 곳을 클릭하여 저장하세요

예제 워크플로우:

Dataset: Bird Wings
Variables:
  - Species (categorical): sparrow, robin, finch
  - Sex (categorical): male, female
  - Age (continuous): numeric

Objects:
  - wing_001.jpg → Species: sparrow, Sex: male, Age: 2.5
  - wing_002.jpg → Species: sparrow, Sex: female, Age: 1.8

데이터 가져오기

2D 이미지 가져오기

지원 형식: JPG, PNG, BMP, TIFF, GIF

방법 1: 드래그 앤 드롭

  1. 트리 뷰에서 데이터셋을 선택하세요

  2. 파일 관리자에서 이미지 파일을 드래그하세요

  3. 데이터셋이나 객체 테이블에 드롭하세요

  4. 이미지는 파일 이름을 객체 이름으로 자동 가져오기됩니다

방법 2: 가져오기 대화상자

  1. 데이터셋 선택 → 파일 → 객체 가져오기

  2. “이미지 추가” 를 클릭하세요

  3. 하나 이상의 이미지 파일을 선택하세요

  4. 목록을 검토하세요

  5. “가져오기” 를 클릭하세요

팁

일관된 이름 사용: specimen_001.jpg, specimen_002.jpg 등으로 쉬운 정렬을 위해

3D 모델 가져오기

지원 형식: OBJ, PLY, STL

방법 1: 드래그 앤 드롭

  1. 3D 데이터셋을 선택하세요

  2. 3D 모델 파일을 애플리케이션으로 드래그하세요

  3. 모델은 자동 스케일링과 함께 가져오기됩니다

방법 2: 가져오기 대화상자

  1. 파일 → 객체 가져오기 → 3D 모델 추가

  2. 파일 선택

  3. 검토 및 가져오기

3D 모델 요구사항:

  • 메시는 다양체여야 합니다 (닫힌 표면)

  • 적절한 폴리곤 수 (<100k 면 권장)

  • 최상의 시각화를 위해 원점에 중심 배치

랜드마크 파일 가져오기

지원 형식: TPS, NTS, CSV

TPS 형식 예제:

LM=5
12.5 34.2
45.6 78.9
23.1 56.4
67.8 12.3
89.0 45.6
IMAGE=specimen_001.jpg
ID=1

LM=5
15.2 32.8
...

TPS/NTS 가져오기:

  1. 파일 → 가져오기 → 랜드마크 파일 가져오기

  2. TPS 또는 NTS 파일을 선택하세요

  3. Modan2는 다음을 수행합니다:

    • 각 표본에 대한 객체 생성

    • 이미지 파일에 연결 (IMAGE= 필드가 있는 경우)

    • 랜드마크 좌표 가져오기

  4. “가져오기” 를 클릭하세요

CSV 형식:

object,lm1_x,lm1_y,lm2_x,lm2_y,lm3_x,lm3_y
specimen_001,12.5,34.2,45.6,78.9,23.1,56.4
specimen_002,15.2,32.8,48.1,76.2,25.3,54.7

객체 다루기

객체 보기

테이블에서 객체를 더블클릭 하여 객체 대화상자 를 여세요.

객체 대화상자는 다음을 보여줍니다:

  • 객체 메타데이터 (이름, ID, 생성 날짜)

  • 연결된 이미지 또는 3D 모델

  • 랜드마크 테이블

  • 랜드마크가 시각화된 2D/3D 뷰어

랜드마크 배치 (2D)

  1. 2D 객체에 대한 객체 대화상자 열기

  2. 이미지를 클릭하여 랜드마크를 배치하세요

  3. 랜드마크는 순차적으로 번호가 매겨집니다 (1, 2, 3, …)

  4. 랜드마크를 우클릭하여 삭제하세요

  5. 클릭하고 드래그하여 기존 랜드마크를 이동하세요

객체 대화상자에서의 키보드 단축키:

  • Ctrl+Z - 마지막 랜드마크 되돌리기

  • Delete - 선택한 랜드마크 제거

  • +/- - 확대/축소

  • Space+Drag - 이미지 이동

  • Home - 확대 재설정

랜드마크 배치 (3D)

  1. 3D 객체에 대한 객체 대화상자 열기

  2. 모델 회전:

    • 왼쪽 마우스 드래그: 회전

    • 오른쪽 마우스 드래그: 이동

    • 마우스 휠: 확대/축소

  3. 표면을 클릭하여 랜드마크를 배치하세요

  4. 랜드마크는 색상이 있는 구체로 나타납니다

  5. 랜드마크를 우클릭하여 삭제하세요

3D 뷰어 컨트롤:

  • R - 카메라 재설정

  • W - 와이어프레임 모드

  • S - 솔리드/표면 모드

  • L - 조명 전환

랜드마크 좌표 편집

랜드마크 테이블에서:

  1. 좌표 셀을 더블클릭하세요

  2. 새 값을 입력하세요

  3. Enter 를 눌러 저장하세요

  4. 뷰어가 자동으로 업데이트됩니다

수동 좌표 입력이 유용한 경우:

  • 정밀한 조정

  • 디지타이징 오류 수정

  • 외부 소스에서 좌표 가져오기

결측 랜드마크

랜드마크를 배치할 수 없는 경우 (손상된 표본, 가려진 특징):

  1. 랜드마크 위치를 비워두거나,

  2. 랜드마크 테이블에서 우클릭 → “결측으로 표시”

  3. 셀에 “MISSING” 이 표시됩니다

  4. 뷰어에서:

    • “추정값 표시” 체크박스 선택됨: 빈 원이 추정 위치를 표시합니다

    • 체크박스 선택 안 됨: 시각화 없음

추정 방식:

  • Modan2는 완전한 표본에서 Procrustes 정렬된 평균 형태를 사용합니다

  • 추정값은 현재 객체의 스케일과 위치에 맞게 변환됩니다

  • 추정된 랜드마크는 “3?” 레이블이 있는 빈 원 으로 표시됩니다

참고

결측 랜드마크는 Procrustes 중첩 중 반복적 대체를 통해 처리됩니다. 자세한 내용은 결측 랜드마크 처리 를 참조하세요.

표시 옵션

객체 대화상자에서 시각화를 사용자 정의하세요:

  • 랜드마크 표시: 랜드마크 가시성 전환

  • 인덱스 표시: 랜드마크 번호 표시/숨기기

  • 폴리곤 표시: 랜드마크를 선으로 연결 (와이어프레임)

  • 기준선 표시: 특정 랜드마크 사이의 기준선 강조

  • 추정값 표시: 결측 랜드마크에 대한 추정 위치 표시 (빈 원)

크기 컨트롤:

  • 랜드마크 크기: 원 반지름 조정

  • 인덱스 크기: 레이블 글꼴 크기 조정

통계 분석

개요

Modan2는 세 가지 주요 통계 분석을 제공합니다:

  1. 주성분 분석 (PCA): 형태 변이 탐색

  2. 정준 판별 분석 (CVA): 그룹 간 판별

  3. MANOVA: 그룹 차이 검정

모든 분석은 전처리 단계로 Procrustes 중첩 을 필요로 합니다.

분석 실행

  1. 트리 뷰에서 데이터셋을 선택하세요

  2. “데이터셋 분석” 버튼을 클릭하거나 메뉴: 도구 → 데이터셋 분석

  3. 새 분석 대화상자 가 열립니다:

    • 분석 유형: PCA, CVA 또는 MANOVA

    • 데이터셋: 미리 선택됨

    • 옵션: 분석별 설정

  4. 옵션 구성 (아래 참조)

  5. “확인” 을 클릭하여 실행하세요

Procrustes 중첩

수행 작업:

  • 모든 형태를 공통 좌표계에 정렬합니다

  • 위치, 회전 및 스케일로 인한 차이를 제거합니다

  • 형태 변이만 남깁니다

결측 랜드마크 처리:

데이터셋에 결측 랜드마크가 있는 경우, Procrustes는 반복적 대체 를 사용합니다:

  1. 완전한 표본만으로 시작

  2. 평균 형태 계산

  3. 평균에서 결측 랜드마크 추정

  4. 추정값으로 Procrustes 재실행

  5. 수렴할 때까지 반복 (최대 100회 반복)

옵션:

  • 기준 형태: - 평균 형태: 기본값, 평균 사용 - 첫 번째 객체: 첫 번째 표본을 기준으로 사용

Procrustes 실행 시점:

  • PCA, CVA 또는 MANOVA 이전에 자동으로

  • 결과가 캐시됨 - 후속 분석은 정렬된 형태를 재사용합니다

주성분 분석 (PCA)

목적: 형태 변이의 주요 축 식별

사용 시기:

  • 형태 다양성 탐색

  • 형태 공간 시각화

  • 이상치 식별

  • 차원 축소

PCA 실행:

  1. 도구 → 데이터셋 분석 → PCA

  2. 옵션:

    • PC 수: 계산할 주성분 수 (기본값: 전체)

    • 공분산 행렬 사용: 체크 해제 = 상관 행렬 (기본값)

  3. 확인 을 클릭하세요

결과 해석:

데이터 탐색 대화상자 가 다음과 함께 열립니다:

  • 스크리 플롯: 각 PC에 의해 설명되는 분산 표시

    • X축: PC 번호

    • Y축: % 분산

    • 의미 있는 PC 수를 결정하기 위해 “엘보”를 찾으세요

  • PC 점수 플롯: 표본의 산점도

    • X축: PC1 (일반적으로 가장 높은 분산)

    • Y축: PC2 (두 번째로 높은)

    • 그룹별로 색상이 지정된 점들 (변수가 정의된 경우)

  • 형태 변이 와이어프레임:

    • 각 PC를 따른 형태 변화 표시

    • PC 축의 극단에서 최소/최대 형태

  • PC 점수 테이블: 각 표본의 수치 점수

PCA 결과 내보내기:

  • PC 점수 내보내기: 각 객체의 점수가 포함된 CSV 파일

  • 로딩 내보내기: 각 PC에 대한 랜드마크 기여도

  • 플롯 내보내기: 산점도를 PNG/PDF로 저장

예제 워크플로우:

Dataset: Skull shapes (50 specimens, 20 landmarks)

PCA Results:
  PC1: 45% variance → Overall size (allometry)
  PC2: 23% variance → Skull width
  PC3: 12% variance → Jaw length

Interpretation:
  - Most variation is size-related
  - PC2 separates species A (narrow) vs. B (wide)
  - PC3 shows sexual dimorphism within species

정준 판별 분석 (CVA)

목적: 사전 정의된 그룹 간 분리 최대화

사용 시기:

  • 종/집단 간 판별

  • 분류 정확도 테스트

  • 진단적 특징 식별

요구사항:

  • 데이터셋 변수를 통해 정의된 최소 2개 그룹

  • 그룹당 최소 2개 표본

CVA 실행:

  1. 도구 → 데이터셋 분석 → CVA

  2. 옵션:

    • 그룹화 변수: 범주형 변수 선택 (예: “종”)

    • CV 수: 기본값 = min(그룹-1, 랜드마크*2)

  3. 확인 을 클릭하세요

결과 해석:

  • CV 점수 플롯: CV 축에 표시된 표본

    • 이상적으로는 그룹이 뚜렷한 클러스터를 형성합니다

    • 중첩은 유사성을 나타냅니다

  • 분류 테이블: CVA가 얼마나 잘 판별하는지 표시

    • 행: 실제 그룹

    • 열: 예측된 그룹

    • 대각선 = 올바른 분류

    • 비대각선 = 오분류

  • 판별 함수: 통계적 세부사항

    • Wilks’ Lambda: 작을수록 더 나은 분리 (0-1 척도)

    • P-값: 그룹 차이의 유의성

예제:

Dataset: Bird beaks, Variable: Species (A, B, C)

CVA Results:
  CV1: 78% discrimination
  CV2: 15% discrimination

Classification Table:
           Predicted A  Predicted B  Predicted C
Actual A      18           2            0
Actual B       1          19            0
Actual C       0           1           19

Overall accuracy: 93.3%

MANOVA

목적: 그룹이 형태에서 유의하게 다른지 검정

사용 시기:

  • 공식적인 가설 검정

  • 여러 그룹을 동시에 비교

  • 효과 크기 평가

MANOVA 실행:

  1. 도구 → 데이터셋 분석 → MANOVA

  2. 옵션:

    • 그룹화 변수: 범주형 변수 선택

    • 알파 수준: 유의성 임계값 (기본값: 0.05)

  3. 확인 을 클릭하세요

결과 해석:

  • Wilks’ Lambda: 검정 통계량 (0-1)

    • 작을수록 = 더 많은 그룹 분리

    • 0 = 완벽한 분리

    • 1 = 분리 없음

  • F-통계량: 그룹 간 변이 대 그룹 내 변이의 비율

  • P-값: 그룹 차이가 우연으로 인한 것일 확률

    • P < 0.05: 유의한 차이 (귀무가설 기각)

    • P ≥ 0.05: 유의한 차이 없음

  • 효과 크기 (부분 η²): 그룹에 의해 설명되는 분산의 비율

예제:

Hypothesis: Male and female skulls differ in shape

MANOVA Results:
  Wilks' Lambda: 0.234
  F(40, 18) = 3.45
  P-value: 0.002
  Partial η²: 0.766

Conclusion: Significant sex-related shape differences (P < 0.05)
76.6% of shape variation explained by sex

결측 랜드마크 처리

Modan2는 분석 중 결측 랜드마크를 자동으로 처리합니다:

Procrustes 중:

  1. 완전한 표본 식별 (결측 랜드마크 없음)

  2. 완전한 표본에 대해 Procrustes 실행 → 평균 형태

  3. 결측 데이터가 있는 각 표본에 대해:

    • 평균 형태에서 결측 랜드마크 추정

    • 표본에 맞추기 위해 스케일/위치 변환 적용

    • 임시 작업 복사본에서 좌표 업데이트 (데이터베이스에는 아님)

  4. 추정값으로 Procrustes 재실행

  5. 수렴할 때까지 반복

PCA/CVA/MANOVA 중:

  • Procrustes 이후 좌표 사용 (대체된 값 포함)

  • 결측 랜드마크는 추정값으로 처리됩니다

  • 추가 대체 불필요

제한사항:

  • 단순 평균 기반 대체 (향후 릴리스에서 고급 방법 제공)

  • 정확도는 충분한 완전한 표본 보유에 달려 있습니다

  • 많은 양의 결측 데이터 (>30%)는 결과에 영향을 줄 수 있습니다

모범 사례:

  • 데이터셋에서 <10% 결측 랜드마크를 목표로 하세요

  • 최소 50%의 표본이 완전한지 확인하세요

  • 추정 위치가 타당한지 생물학적 지식을 사용하여 확인하세요

시각화

2D 뷰어

기능:

  • 확대/축소: 마우스 휠 또는 +/-

  • 이동: Space + 드래그 또는 중간 마우스 버튼

  • 뷰 재설정: Home 키

  • 랜드마크 오버레이: 인덱스가 있는 색상 원

내보내기 옵션:

  • 우클릭 → “이미지 내보내기”

  • 형식: PNG, JPG, PDF

  • 해상도: 원본 또는 사용자 정의 DPI

3D 뷰어

컨트롤:

  • 회전: 왼쪽 마우스 드래그

  • 이동: 오른쪽 마우스 드래그 또는 Shift + 왼쪽 드래그

  • 확대/축소: 마우스 휠

  • 재설정: R 키

렌더링 모드:

  • 와이어프레임 (W): 메시 가장자리 표시

  • 솔리드 (S): 조명이 있는 채워진 표면

  • 와이어프레임 + 솔리드: 둘 다 동시에

랜드마크 표시:

  • 랜드마크를 구체로 렌더링

  • 슬라이더를 통해 크기 조정 가능

  • 인덱스 레이블 선택사항

조명:

  • 전환: L 키

  • 복잡한 표면에 대한 깊이 인식 향상

통계 플롯

사용 가능한 플롯:

  • 스크리 플롯 (PCA): PC당 설명되는 분산

  • PC 점수 플롯 (PCA): PC 축의 표본

  • CV 점수 플롯 (CVA): CV 축의 표본

  • 형태 변이 플롯: PC/CV 극단의 와이어프레임

사용자 정의:

  • 그룹 색상: 변수별 자동 할당

  • 점 크기: 조정 가능

  • 축 레이블: 분산 %와 함께 자동

  • 범례: 그룹 이름 및 색상 표시

플롯 내보내기:

  1. 플롯에서 우클릭 → “플롯 내보내기”

  2. 형식: PNG, SVG, PDF

  3. 해상도: 300 DPI 기본값 (조정 가능)

데이터 내보내기

데이터셋 내보내기

파일 → 데이터셋 내보내기

  1. 데이터셋 선택

  2. 내보내기 형식 선택:

    • TPS: TPS 형식의 랜드마크 좌표

    • NTS: NTS 형식 (레거시)

    • CSV: 스프레드시트 호환

    • JSON: 메타데이터가 있는 기계 판독 가능

  3. 옵션:

    • 분석 결과 포함: PC/CV 점수 포함

    • 변수 포함: 그룹화 데이터 내보내기

    • 결측 포함: 결측 랜드마크에 대해 “NA” 내보내기

  4. “내보내기” 를 클릭하세요

CSV 내보내기 형식:

object,lm1_x,lm1_y,lm2_x,lm2_y,species,sex,PC1,PC2
spec_001,12.5,34.2,45.6,78.9,A,male,0.234,-0.123
spec_002,15.2,32.8,48.1,76.2,A,female,0.156,-0.089

분석 결과 내보내기

데이터 탐색 대화상자 에서:

  • PC 점수 내보내기: 표본당 점수가 포함된 CSV

  • 형태 데이터 내보내기: 정렬된 랜드마크 좌표 (Procrustes 이후)

  • 통계 내보내기: 요약 통계 (평균, 표준편차 등)

키보드 단축키

전역 단축키

  • Ctrl+N - 새 데이터셋

  • Ctrl+Shift+N - 새 객체

  • Ctrl+O - 데이터베이스 열기

  • Ctrl+S - 변경사항 저장

  • Ctrl+W - 창 닫기

  • Ctrl+Q - 애플리케이션 종료

  • Delete - 선택한 항목 삭제

  • F5 - 뷰 새로고침

객체 대화상자

  • Ctrl+Z - 마지막 작업 되돌리기

  • Delete - 선택한 랜드마크 제거

  • + / - - 확대/축소

  • Home - 확대 재설정

  • Space+Drag - 이동

  • Ctrl+C - 랜드마크 좌표 복사

  • Ctrl+V - 좌표 붙여넣기

3D 뷰어

  • R - 카메라 재설정

  • W - 와이어프레임 모드

  • S - 솔리드 모드

  • L - 조명 전환

  • F - 뷰에 맞추기

환경설정

파일 → 환경설정 또는 Ctrl+, (macOS: Cmd+,)

일반 설정

  • 기본 데이터베이스 위치: 새 데이터베이스가 생성되는 위치

  • 자동 저장 간격: 자동 저장 빈도 (0 = 비활성화)

  • 언어: English 또는 Korean (한국어)

표시 설정

  • 랜드마크 색상: 새 객체의 기본 색상

  • 인덱스 색상: 랜드마크 번호 레이블 색상

  • 배경 색상: 뷰어 배경 (흰색/검정색/회색)

  • 글꼴 크기: UI 텍스트 크기

  • 테마: 라이트 또는 다크 (사용 가능한 경우)

분석 설정

  • 최대 Procrustes 반복: 기본값 100

  • 수렴 임계값: 반복을 중단할 시점 (기본값: 0.0001)

  • PCA 방법: 공분산 또는 상관 행렬

  • CVA 교차 검증: Leave-one-out 또는 K-fold

고급 설정

  • 로깅 활성화: 디버그 로그를 파일에 작성

  • 로그 수준: INFO, DEBUG, WARNING, ERROR

  • GPU 가속: 3D 렌더링에 GPU 사용 (사용 가능한 경우)

  • 메모리 제한: 대용량 데이터셋을 위한 최대 RAM (MB)

팁 및 모범 사례

데이터 구성

  1. 일관된 이름 사용: species_ID_number.jpg (예: sparrow_001.jpg)

  2. 계층적으로 구성: 관련 데이터셋 그룹화

  3. 메타데이터 문서화: 설명 필드 사용

  4. 정기적 백업: 데이터베이스 내보내기 또는 modan.db 복사

랜드마크 배치

  1. 랜드마크를 신중하게 정의: 해부학적으로 의미 있는 점 사용

  2. 일관성 유지: 모든 표본에 동일한 랜드마크

  3. 고해상도 이미지 사용: 더 나은 정밀도

  4. 모호한 점 피하기: 명확하고 반복 가능한 특징 선택

  5. 랜드마크 문서화: 정의를 기록 (예: “부리 끝”)

통계 분석

  1. 가정 확인: 정규 분포, 분산의 동질성

  2. 표본 크기: PCA는 최소 30개 표본, CVA는 그룹당 10개 이상

  3. 결과 검증: 교차 검증, 부트스트랩 재표본추출

  4. 신중하게 해석: 통계적 유의성 ≠ 생물학적 유의성

  5. 먼저 시각화: 공식 검정 전에 PCA로 탐색

성능 최적화

  1. 사용하지 않는 데이터셋 닫기: 메모리 사용량 감소

  2. 3D 폴리곤 수 제한: 가져오기 전에 메시 단순화

  3. 미리보기에 낮은 해상도 사용: 분석에만 전체 해상도 사용

  4. 하위 집합에서 분석 실행: 먼저 작은 샘플로 테스트

  5. 캐시 지우기: 도구 → 캐시 지우기 (애플리케이션이 느려진 경우)

일반적인 워크플로우

워크플로우 1: 2D 형태계측 연구

1. Collect images (photographs, scans)
2. Create dataset in Modan2
3. Import images
4. Define landmarks (e.g., 15 points on butterfly wing)
5. Place landmarks on all specimens
6. Define variables (species, sex, location)
7. Run Procrustes + PCA
8. Explore shape variation
9. Run CVA if groups exist
10. Export results for publication

워크플로우 2: 3D 형태계측 연구

1. Acquire 3D scans (CT, laser, photogrammetry)
2. Clean/process meshes (MeshLab, Blender)
3. Import OBJ/PLY files to Modan2
4. Place 3D landmarks
5. Run Procrustes
6. Perform PCA/CVA
7. Export shape data for further analysis (R, Python)

워크플로우 3: 결측 데이터 연구

1. Import dataset with incomplete specimens
2. Mark missing landmarks (right-click → "Mark as Missing")
3. Verify estimation: Object Dialog → "Show Estimated" checkbox
4. Run Procrustes (automatic imputation)
5. Check convergence (logged in console)
6. Run PCA/CVA/MANOVA with imputed data
7. Validate results against complete-specimen-only analysis

문제 해결

분석 실패

오류: Not enough complete specimens for Procrustes

해결책: 결측 랜드마크가 없는 최소 2개의 완전한 표본 필요

오류: CVA requires at least 2 groups

해결책: 여러 값을 가진 그룹화 변수 정의

랜드마크가 표시되지 않음

문제: 랜드마크를 배치했지만 보이지 않음

해결책:

  • “랜드마크 표시” 체크박스가 활성화되어 있는지 확인

  • “랜드마크 크기” 슬라이더 조정

  • 확대 - 랜드마크가 너무 작을 수 있음

느린 성능

문제: 분석 중 애플리케이션 멈춤

해결책:

  • 데이터셋 크기 축소 (더 작은 데이터셋으로 분할)

  • 다른 애플리케이션 닫기

  • RAM 할당 증가 (환경설정 → 메모리 제한)

  • 3D 메시 단순화 (폴리곤 수 축소)

다음 단계