KR101366127B1 - Distinguishing Method of the Schizophrenia Using a Small-worldness and Work Output - Google Patents

Distinguishing Method of the Schizophrenia Using a Small-worldness and Work Output Download PDF

Info

Publication number
KR101366127B1
KR101366127B1 KR1020110123399A KR20110123399A KR101366127B1 KR 101366127 B1 KR101366127 B1 KR 101366127B1 KR 1020110123399 A KR1020110123399 A KR 1020110123399A KR 20110123399 A KR20110123399 A KR 20110123399A KR 101366127 B1 KR101366127 B1 KR 101366127B1
Authority
KR
South Korea
Prior art keywords
small
worldness
network
world network
schizophrenia
Prior art date
Application number
KR1020110123399A
Other languages
Korean (ko)
Other versions
KR20130057602A (en
Inventor
조광현
조성환
신동관
Original Assignee
한국과학기술원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국과학기술원 filed Critical 한국과학기술원
Priority to KR1020110123399A priority Critical patent/KR101366127B1/en
Publication of KR20130057602A publication Critical patent/KR20130057602A/en
Application granted granted Critical
Publication of KR101366127B1 publication Critical patent/KR101366127B1/en

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Psychiatry (AREA)
  • Veterinary Medicine (AREA)
  • Surgery (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Neurology (AREA)
  • Psychology (AREA)
  • Hospice & Palliative Care (AREA)
  • Child & Adolescent Psychology (AREA)
  • Developmental Disabilities (AREA)
  • Physiology (AREA)
  • Educational Technology (AREA)
  • Social Psychology (AREA)
  • Neurosurgery (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

본 발명은 Small-worldness 및 Work Output을 이용한 정신분열병 구분방법에 관한 것으로, 해결하고자 하는 과제는 정신분열병을 진단하기 위한 기준을 수치적으로 정량화하여 정상인, 정신분열병 고위험군 및 정신분열병 환자를 객관적으로 구분할 수 있는 Small-worldness 및 Work Output을 이용한 정신분열병 구분방법을 제공하는 것이다.
본 발명에 따른 Small-worldness를 이용한 정신분열병 구분방법은 피험자의 복수개의 뇌파신호 쌍의 동기화를 이용하여 Small-world 네트워크를 구성하는 단계와, 상기 Small-world 네트워크에서 뇌파신호 쌍의 특성 경로 길이(characteristic path length)와 뇌파신호 클러스터의 클러스터링 계수(clustering coefficient)를 계산하여 상기 Small-world 네트워크의 특성을 결정하는 단계와, 상기 특성 경로 길이(characteristic path length)와 클러스터링 계수(clustering coefficient)를 이용하여 상기 Small-world 네트워크의 Small-worldness를 계산하는 단계 및 상기 Small-worldness를 이용하여 상기 피험자가 정신분열병에 대한 정상인인지, 고위험군인지 또는 환자인지를 구분하는 단계를 포함하는 것을 특징으로 한다.The present invention relates to a method for distinguishing schizophrenia using small-worldness and work output, and the problem to be solved is to quantitatively quantify the criteria for diagnosing schizophrenia, and to objectively distinguish between normal, schizophrenic and schizophrenic patients. It is to provide a schizophrenic classification method using small-worldness and work output.
The schizophrenia classification method using small-worldness according to the present invention comprises the steps of constructing a small-world network using synchronization of a plurality of EEG signal pairs of a subject, and the characteristic path length of the EEG signal pair in the small-world network ( determining a characteristic of the small-world network by calculating a characteristic path length and a clustering coefficient of the EEG cluster, and using the characteristic path length and the clustering coefficient Calculating a small-worldness of the small-world network and using the small-worldness to distinguish whether the subject is a normal person, a high risk group, or a patient with schizophrenia.

Description

Ｓｍａｌｌ－ｗｏｒｌｄｎｅｓｓ 및 Ｗｏｒｋ Ｏｕｔｐｕｔ을 이용한 정신분열병 구분방법{Distinguishing Method of the Schizophrenia Using a Small-worldness and Work Output}Distinguishing method of the schizophrenia using a small-worldness and work output} using Ｓｍａｌｌ－ｗｏｒｌｄｎｅｓｓ and Ｗｏｒｋ Ｏｕｔｐｕｔ

본 발명은 Small-worldness 및 Work Output을 이용한 정신분열병 구분방법에 관한 것으로, 정상인, 정신분열병 고위험군 및 정신분열병 환자를 객관적으로 구분할 수 있는 Small-worldness 및 Work Output을 이용한 정신분열병 구분방법에 관한 것이다.
The present invention relates to a schizophrenic classification method using Small-worldness and Work Output, and to a schizophrenic division method using Small-worldness and Work Output that can objectively distinguish between the normal, schizophrenic high-risk group and schizophrenic patients.

정신분열병(Schizophrenia)이란 사회활동과 가족관계를 악화시키는 일종의 만성 사고 장애로써 환각(hallucination), 망상(dilusion), 환영(ilusion), 기이한 행동 등을 보이는 양성 증상, 감정의 둔화(anhedonia), 언어의 제한(allogia), 분열 증상(disorganized symptoms), 자극에 대한 반응 저하(avolition) 등의 음성 증상은 물론 집중력 저하, 언어와 사고능력 저하와 같은 인지 기능의 이상을 포함한 다양한 증상을 보이는 질환이다. 위와 같은 증상이 복합적이고 지속적으로 나타나는 경우에 정신분열병으로 진단할 수 있다.
Schizophrenia is a type of chronic accident disorder that exacerbates social activities and family relationships. Positive symptoms, such as hallucinations, delusions, illusions, strange behaviors, anhedonia, Negative symptoms, including language limitations, disorganized symptoms, and avolition, as well as cognitive dysfunctions such as poor concentration, poor speech and thinking. . Schizophrenia can be diagnosed when these symptoms are complex and persistent.

종래에는 정신분열병으로 진단되기 이전 단계인 고위험군에 해당하는지 여부를 진단하기 위해서 환자에 대해 복잡한 문진을 수행하고, 그 결과를 정신과 전문의가 검토하는 과정이 반드시 필요했다.In the past, it was necessary to perform a complicated questionnaire on a patient and examine the results by a psychiatrist to diagnose whether he or she was a high-risk group before being diagnosed with schizophrenia.

문진은 의사의 관점으로 묻고, 환자가 호소하는 자각증세를 듣는 한편, 환자가족의 병력을 조회하는 것인데, 환자의 출생 상태와 과거에 걸렸던 병에 대한 경위가 포함되고, 유전과 관련된 가족병력 등을 검토하기도 하며, 문진 도중 환자의 성격, 감수성, 의학적인 상태, 생활태도 등을 자세히 관찰하기도 한다.The questionnaire asks the doctor's point of view, listens to the patient's complaints, and checks the medical history of the patient's family, including the history of the patient's birth, past illnesses, and family history related to heredity. In some cases, the patient's personality, susceptibility, medical condition, and attitudes of life may be examined in detail.

즉, 기존의 정신분열병 고위험군의 판단은 이와 같이 의사의 문진에 의해 주관적 또는 정성적으로 이루어져 진단 결과를 객관적으로 정량화할 수 없는 문제점이 있었다.
In other words, the conventional schizophrenic high risk group has been subjectively or qualitatively determined by a doctor's questionnaire, and thus there is a problem that objective diagnosis cannot be quantified objectively.

이에 본 출원인은 상기한 종래 기술의 문제점을 해결하기 위해 한국 특허출원 제10-2011-0004122호에서 정신분열병 고위험군의 구별기준을 수치적으로 정량화하는 방법을 소개한 바 있다.
In this regard, the present applicant has introduced a method of numerically quantifying the criteria for distinguishing a high risk group of schizophrenia in Korean Patent Application No. 10-2011-0004122 to solve the above problems of the prior art.

그러나, 상기 특허출원에서는 정상인과 정신분열병 고위험군만을 구별할 수 있을 뿐, 정상인, 정신분열병 고위험군 및 정신분열병 환자에 대한 구별기준을 수치적으로 정량화하지 못하여, 이들 3그룹을 객관적으로 구분할 수 없는 문제점이 있었다.
However, the patent application can only distinguish between normal people and schizophrenic high-risk groups, and it is not possible to quantify the criteria for normal, schizophrenic high-risk and schizophrenic patients, so that these three groups cannot be distinguished objectively. there was.

본 발명은 상기한 바와 같은 문제를 해결하기 위해 발명된 것으로, 정신분열병을 진단하기 위한 기준을 수치적으로 정량화하여 정상인, 정신분열병 고위험군 및 정신분열병 환자를 객관적으로 구분할 수 있는 Small-worldness 및 Work Output을 이용한 정신분열병 구분방법을 제공하는 것을 목적으로 한다.
The present invention has been invented to solve the problems described above, Small-worldness and Work Output that can objectively distinguish between normal, schizophrenic high-risk and schizophrenic patients by numerically quantifying the criteria for diagnosing schizophrenia The purpose of the present invention is to provide a method for distinguishing schizophrenia.

상기한 바와 같은 목적을 달성하기 위해 본 발명에 따른 Small-worldness를 이용한 정신분열병 구분방법은 뇌파신호 검출부에서 검출된 복수 개의 뇌파신호 쌍의 동기화를 이용하여 뇌의 기능적 연결 네트워크인 Small-world 네트워크를 구성하는 단계와, 상기 Small-world 네트워크에서 뇌파신호 쌍의 특성 경로 길이(characteristic path length)와 뇌파신호 클러스터의 클러스터링 계수(clustering coefficient)를 계산하여 상기 Small-world 네트워크의 특성을 결정하는 단계와, 상기 특성 경로 길이(characteristic path length)와 클러스터링 계수(clustering coefficient)를 이용하여 상기 Small-world 네트워크의 Small-worldness를 계산하는 단계 및 상기 계산된 Small-worldness와 기 설정된 정상인의 Small-worldness와의 차이에 따라 상기 복수 개의 뇌파신호가 정신분열병에 대해 정상인의 뇌파신호, 고위험군의 뇌파신호 및 환자의 뇌파신호 중 어느 하나로 구분하는 단계를 포함하는 것을 특징으로 한다.In order to achieve the above object, the schizophrenia classification method using small-worldness according to the present invention uses a small-world network, which is a functional connection network of the brain, by using synchronization of a plurality of EEG signal pairs detected by an EEG signal detector. Determining the characteristics of the small-world network by calculating characteristic path lengths of the EEG signal pairs and clustering coefficients of the EEG clusters in the small-world network; Calculating the small-worldness of the small-world network using the characteristic path length and clustering coefficients, and the difference between the calculated small-worldness and the small-worldness of a predetermined normal person. Accordingly, the plurality of EEG signals are high-risk EEG signals of normal people for schizophrenia Of it is characterized in that of the brain wave signal in the EEG signal and the patient includes a step to separate by any one.

또한, 상기 Small-world network 구성 단계에서, 상기 Small-world network는 동기화값이 특정 임계값 이상이 되는 뇌파신호 쌍을 선택한 후 링크로 연결하여 구성할 수 있다.In addition, in the small-world network configuration step, the small-world network may be configured by selecting an EEG signal pair whose synchronization value is greater than or equal to a specific threshold and connecting the link.

또한, 상기 Small-world network 구성 단계에서, 상기 뇌파신호는 쎄타(θ) 주파수 대역인 3 내지 8 Hz에서의 뇌파신호일 수 있다.In addition, in the small-world network configuration step, the EEG signal may be an EEG signal at 3 to 8 Hz, which is theta (θ) frequency band.

또한, 상기 Small-world 네트워크 특성 결정 단계에서, 상기 특성 경로 길이(characteristic path length)는 특정 뇌파신호 쌍 사이에서 가장 짧은 경로를 구성하는 에지(edge)의 수일 수 있다.Further, in the small-world network characteristic determination step, the characteristic path length may be the number of edges constituting the shortest path between specific EEG signal pairs.

또한, 상기 Small-world 네트워크 특성 결정 단계에서, 상기 특성 경로 길이(characteristic path length)는 상기 Small-world 네트워크에 포함된 모든 뇌파신호 쌍에 대한 특성 경로 길이의 평균값일 수 있다.In the small-world network characteristic determination step, the characteristic path length may be an average value of characteristic path lengths for all the EEG signal pairs included in the small-world network.

또한, 상기 Small-world 네트워크 특성 결정 단계에서, 상기 클러스터링 계수(clustering coefficient)는 하기의 식에 의해 계산될 수 있다.In addition, in the small-world network characteristic determination step, the clustering coefficient may be calculated by the following equation.

Figure 112011093151892-pat00001
Figure 112011093151892-pat00001

(여기서, Ci는 클러스터링 계수, i는 네트워크의 노드 수, n은 이웃한 노드 사이의 링크 수)Where C i is the clustering coefficient, i is the number of nodes in the network, and n is the number of links between neighboring nodes.

또한, 상기 Small-world 네트워크 결정 단계에서, 상기 클러스터링 계수(clustering coefficient)는 상기 Small-world 네트워크에 포함된 노드에 대한 클러스터링 계수의 평균값일 수 있다.In addition, in the small-world network determination step, the clustering coefficient may be an average value of clustering coefficients for nodes included in the small-world network.

또한, 상기 Small-worldness 계산 단계에서, 상기 Small-worldness는 하기의 식에 의해 계산될 수 있다.Further, in the small-worldness calculation step, the small-worldness may be calculated by the following equation.

Figure 112011093151892-pat00002
Figure 112011093151892-pat00002

(여기서, σ는 Small-worldness, γ는 실제 네트워크에 대한 클러스터링 계수(Cnet)와 랜덤 네트워크에 대한 클러스터링 계수(Cran)의 비, λ는 실제 네트워크에 대한 특성 경로 길이(Lnet)와 랜덤 네트워크에 대한 특성 경로 길이(Lran)의 비)
Where σ is Small-worldness, γ is the ratio of the clustering coefficient (Cnet) to the real network and the clustering coefficient (Cran) for the random network, and λ is the characteristic path length (Lnet) for the real network and Ratio of characteristic path length (Lran)

또한, 본 발명에 따른 Work Output을 이용한 정신분열병 구분방법은 뇌파신호 검출부에서 검출된 복수 개의 뇌파신호 쌍에 대한 동기화값을 계산하는 단계와, 제 1항 내지 제 8항 중 어느 하나의 항에 따른 Small-world 네트워크에서 Small-worldness를 계산하는 단계와, 상기 동기화값과 Small-worldness를 이용하여 정신분열병 구분자인 Work Output을 계산하는 단계 및 상기 계산된 Work Output와 기 설정된 정상인의 Work Output와의 차이에 따라 상기 복수 개의 뇌파신호가 정신분열병에 대해 정상인의 뇌파신호, 고위험군의 뇌파신호 및 환자의 뇌파신호 중 어느 하나로 구분하는 단계를 포함하는 것을 특징으로 한다.In addition, the schizophrenic classification method using the Work Output according to the present invention comprises the steps of calculating the synchronization value for the plurality of EEG signal pairs detected by the EEG signal detection, and according to any one of claims 1 to 8 Calculating a small-worldness in a small-world network, calculating a work output that is a schizophrenic identifier using the synchronization value and the small-worldness, and a difference between the calculated work output and a predetermined work output of a normal person. Accordingly, the plurality of EEG signals may be classified into any one of a normal human EEG signal, a high risk group EEG signal, and an EEG signal of a patient for schizophrenia.

또한, 상기 Small-worldness 계산 단계는 상기 피험자의 복수개의 뇌파신호 쌍의 동기화를 이용하여 뇌의 기능적 연결 네트워크인 Small-world 네트워크를 구성하는 공정과, 상기 Small-world 네트워크에서 뇌파신호 쌍의 특성 경로 길이(characteristic path length)와 뇌파신호 클러스터의 클러스터링 계수(clustering coefficient)를 계산하여 상기 Small-world 네트워크의 특성을 결정하는 공정 및 상기 특성 경로 길이(characteristic path length)와 클러스터링 계수(clustering coefficient)를 이용하여 상기 Small-world 네트워크의 Small-worldness를 계산하는 공정을 포함할 수 있다.In addition, the small-worldness calculation step comprises the step of configuring a small-world network, which is a functional connection network of the brain by synchronizing the plurality of EEG signal pairs of the subject, and the characteristic path of the EEG signal pair in the small-world network A process of determining the characteristics of the small-world network by calculating a characteristic path length and clustering coefficients of the EEG clusters and using the characteristic path length and clustering coefficients And calculating a small-worldness of the small-world network.

또한, 상기 Work Output 계산 단계에서, 상기 Work Output은 하기의 식에 의해 계산될 수 있다.In the work output calculation step, the work output may be calculated by the following equation.

Figure 112011093151892-pat00003
Figure 112011093151892-pat00003

(여기서, WO는 Work Output, S는 동기화값, SW는 Small-worldness)
Where WO is Work Output, S is Synchronization, and SW is Small-worldness.

상기한 바와 같이 본 발명에 따른 Small-worldness 및 Work Output을 이용한 정신분열병 구분방법에 의하면, 정신분열병을 진단하기 위한 기준을 수치적으로 정량화하여 정상인, 정신분열병 고위험군 및 정신분열병 환자를 객관적으로 구분할 수 있는 효과가 있다.
As described above, according to the schizophrenia classification method using Small-worldness and Work Output according to the present invention, by quantitatively quantifying the criteria for diagnosing schizophrenia can be objectively distinguish between the normal, schizophrenic high-risk group and schizophrenic patients It has an effect.

도 1은 본 발명에 따른 Small-worldness를 이용한 정신분열병 구분방법의 일 블록도.
도 2는 본 발명에 따른 Work Output을 이용한 정신분열병 구분방법의 일 블록도.
도 3은 본 발명에 따른 Work Output을 이용한 정신분열병 구분방법 중 Small-worldness 계산 단계의 일 블록도.
도 4는 본 발명에 따른 구두 N-Back 워킹 메모리 태스크(working memory task)의 개념도.
도 5는 본 발명에 따른 구두 N-Back 워킹 메모리 태스크(working memory task)의 수행 결과를 나타내는 그래프.
도 6은 본 발명에 따른 구두 N-Back 워킹 메모리 태스크(working memory task)의 동기화값의 분포를 나타내는 그래프.
도 7은 본 발명에 따른 구두 N-Back 워킹 메모리 태스크(working memory task)의 Small-worldness의 분포를 나타내는 그래프.
도 8은 본 발명에 따른 구두 N-Back 워킹 메모리 태스크(working memory task)의 Small-worldness에서 워킹 메모리 부하 효과(working memory load effect)를 나타내는 그래프.
도 9는 본 발명에 따른 구두 N-Back 워킹 메모리 태스크(working memory task)에서 수행률(performance)과 Work Output의 상관관계를 나타내는 그래프.1 is a block diagram of a schizophrenia classification method using small-worldness according to the present invention.
2 is a block diagram of a schizophrenia classification method using the Work Output according to the present invention.
Figure 3 is a block diagram of a small-worldness calculation step of schizophrenia classification method using Work Output according to the present invention.
4 is a conceptual diagram of an oral N-Back working memory task in accordance with the present invention.
FIG. 5 is a graph showing a result of performing an oral N-Back working memory task according to the present invention. FIG.
6 is a graph showing the distribution of synchronization values of a verbal N-Back working memory task according to the present invention.
7 is a graph showing the distribution of small-worldness of oral N-Back working memory tasks in accordance with the present invention.
8 is a graph showing the working memory load effect in small-worldness of an oral N-Back working memory task in accordance with the present invention.
9 is a graph showing a correlation between performance and Work Output in an oral N-Back working memory task according to the present invention.

이하, 첨부된 도면을 참조하여 본 발명의 실시 예를 상세히 설명한다. 우선, 도면들 중 동일한 구성요소 또는 부품들은 가능한 한 동일한 참조부호를 나타내고 있음에 유의해야 한다. 본 발명을 설명함에 있어서 관련된 공지기능 혹은 구성에 대한 구체적인 설명은 본 발명의 요지를 모호하게 하지 않기 위해 생략한다.
Hereinafter, embodiments of the present invention will be described in detail with reference to the accompanying drawings. First, it should be noted that the same components or parts among the drawings denote the same reference numerals whenever possible. In the following description of the present invention, a detailed description of known functions and configurations incorporated herein will be omitted so as not to obscure the subject matter of the present invention.

도 1은 본 발명에 따른 Small-worldness를 이용한 정신분열병 구분방법의 일 블록도이다.
1 is a block diagram of a schizophrenia classification method using small-worldness according to the present invention.

본 발명에 따른 Small-worldness를 이용한 정신분열병 구분방법은 도 1에 도시된 바와 같이, Small-world 네트워크 구성 단계(S10)와, Small-world 네트워크 특성 결정 단계(S20)와, Small-worldness 계산 단계(S30) 및 피험자 구분 단계(S40)를 포함한다.
Schizophrenia classification method using small-worldness according to the present invention, as shown in Figure 1, Small-world network configuration step (S10), Small-world network characteristics determination step (S20), Small-worldness calculation step (S30) and subject classification step (S40).

상기 Small-world 네트워크 구성 단계(S10)는 피험자의 복수개의 뇌파신호 쌍의 동기화를 이용하여 뇌의 기능적 연결 네트워크인 Small-world 네트워크를 구성하는 단계이다.
The small-world network configuration step (S10) is a step of configuring a small-world network, which is a functional connection network of the brain, using synchronization of a plurality of EEG signal pairs of a subject.

상기 Small-world 네트워크 구성 단계(S10)에서는 피검자 뇌의 서로 다른 영역에 설치된 전극으로부터 복수개의 뇌파신호를 검출하고, 전송된 뇌파신호를 두 개씩 조합하여 그 조합된 쌍의 동기화값을 계산한 후, 계산 결과를 뇌파신호 동기화 행렬로 나타낼 수 있다. 이후, 상기 뇌파신호 동기화 행렬에 있는 상기 뇌파신호 쌍의 동기화값을 이용하여 뇌의 기능적 연결 네트워크인 Small-world 네트워크를 구성할 수 있다.
In the small-world network constructing step (S10), a plurality of EEG signals are detected from electrodes installed in different regions of the brain of the examinee, the transmitted EEG signals are combined two by one, and then a synchronization value of the combined pairs is calculated. The calculation result can be represented by the EEG signal synchronization matrix. Subsequently, a small-world network, which is a functional connection network of the brain, may be configured by using synchronization values of the EEG signal pairs in the EEG signal synchronization matrix.

구체적으로, 상기 Small-world 네트워크 구성 단계(S10)에서 상기 뇌파신호 쌍의 동기화값을 이용하여 상기 Small-world network를 구성하기 위해, 동기화값이 특정 임계값(threshold) 이상이 되는 뇌파신호 쌍을 선택한 후 링크를 이용하여 서로 연결함으로써 상기 Small-world network를 구성할 수 있다. 이때, 상기 뇌파신호는 쎄타(θ) 주파수 대역인 3 내지 8 Hz에서의 뇌파신호일 수 있다.
Specifically, in order to configure the small-world network by using the synchronization value of the EEG signal pair in the small-world network configuration step (S10), the EEG signal pair whose synchronization value is equal to or greater than a certain threshold (threshold) After the selection, the small-world network can be configured by connecting to each other using a link. In this case, the EEG signal may be an EEG signal at 3 to 8 Hz, which is theta (θ) frequency band.

상기 Small-world 네트워크 특성 결정 단계(S20)는 상기 Small-world 네트워크에서 뇌파신호 쌍의 특성 경로 길이(characteristic path length)와 뇌파신호 클러스터의 클러스터링 계수(clustering coefficient)를 계산하여 상기 Small-world 네트워크의 특성을 결정하는 단계이다.The small-world network characteristic determination step (S20) may be performed by calculating a characteristic path length of an EEG signal pair and a clustering coefficient of an EEG signal cluster in the small-world network. This is the step of determining the characteristics.

상기 Small-world 네트워크의 특성은 두 개의 측정자(measure)로 결정될 수 있는데, 상기 Small-world 네트워크의 특성을 결정하기 위해, 뇌파신호의 특성 경로 길이(characteristic path length)와 클러스터링 계수(clustering coefficient)가 상기 측정자로 사용될 수 있다.
The characteristics of the small-world network may be determined by two measures. In order to determine the characteristics of the small-world network, a characteristic path length and a clustering coefficient of an EEG signal may be determined. It can be used as the measuring instrument.

상기 특성 경로 길이(characteristic path length)는 특정 뇌파신호 쌍 사이에서 가장 짧은 경로를 구성하는 에지(edge)의 수이며, 이때, 상기 특성 경로 길이(characteristic path length)는 상기 Small-world 네트워크에 포함된 모든 뇌파신호 쌍에 대한 특성 경로 길이의 평균값으로 나타낼 수 있다.The characteristic path length is the number of edges constituting the shortest path between specific EEG signal pairs, wherein the characteristic path length is included in the small-world network. It can be expressed as an average of characteristic path lengths for all EEG signal pairs.

예를 들어, Small-world 네트워크에서 노드 i 및 j 사이에 가장 짧은 경로의 에지(edge) 수가 2인 경우, i 및 j 사이의 특성 경로 길이는 'L(i,j)=2'와 같이 나타낼 수 있고, 상기 Small-world 네트워크의 특성 경로 길이 L은 L(i,j)의 평균값으로 나타낼 수 있다.
For example, in the small-world network, if the number of edges of the shortest path between nodes i and j is 2, the characteristic path length between i and j is represented as 'L (i, j) = 2'. The characteristic path length L of the small-world network may be represented by an average value of L (i, j) .

한편, 상기 클러스터링 계수(clustering coefficient)는 하기의 [수학식 1]에 의해 계산될 수 있다. 여기서, 상기 클러스터링 계수(clustering coefficient)는 상기 Small-world 네트워크에 포함된 노드에 대한 클러스터링 계수의 평균값으로 나타낼 수 있다.
Meanwhile, the clustering coefficient may be calculated by Equation 1 below. Here, the clustering coefficient may be represented as an average value of clustering coefficients for nodes included in the small-world network.

Figure 112011093151892-pat00004
Figure 112011093151892-pat00004

여기서, Ci는 노드 i에 대한 클러스터링 계수이고, i는 네트워크의 노드 수이며, n은 이웃한 노드 사이의 링크 수이다.
Where C i is the clustering coefficient for node i, i is the number of nodes in the network, and n is the number of links between neighboring nodes.

예를 들어, Small-world 네트워크에서 노드 i가 4개이고, 이웃한 노드 사이의 링크 수가 4인 경우, Ci는 4/6이고, 상기 Small-world 네트워크의 클러스터링 계수 C는 Ci의 평균값으로 나타낼 수 있다.
For example, if there are four nodes i in a small-world network and the number of links between neighboring nodes is 4, C i is 4/6, and the clustering coefficient C of the small-world network is represented by an average value of C i . Can be.

따라서, 상기 Small-world 네트워크는 높은 클러스터링과 상대적으로 짧은 특성 경로 길이를 가질 수 있다.
Thus, the small-world network can have high clustering and relatively short characteristic path lengths.

상기 Small-worldness 계산 단계(S30)는 상기 특성 경로 길이(characteristic path length)와 클러스터링 계수(clustering coefficient)를 이용하여 상기 Small-world 네트워크의 Small-worldness를 계산하는 단계이다.The small-worldness calculation step (S30) is a step of calculating the small-worldness of the small-world network by using the characteristic path length and the clustering coefficient.

구체적으로, 상기 Small-worldness 계산 단계(S30)에서, 상기 Small-worldness는 하기의 [수학식 2]에 의해 계산될 수 있다.
Specifically, in the small-worldness calculation step (S30), the small-worldness may be calculated by Equation 2 below.

Figure 112011093151892-pat00005
Figure 112011093151892-pat00005

여기서, σ는 Small-worldness이고, γ는 실제 네트워크에 대한 클러스터링 계수(Cnet)와 랜덤 네트워크에 대한 클러스터링 계수(Cran)의 비이며, λ는 실제 네트워크에 대한 특성 경로 길이(Lnet)와 랜덤 네트워크에 대한 특성 경로 길이(Lran)의 비이다. σ>1이면 네트워크가 small-world 구조를 가지고 있다고 할 수 있다.
Where σ is Small-worldness, γ is the ratio of the clustering coefficient (Cnet) for the real network and the clustering coefficient (Cran) for the random network, and λ is the characteristic path length (Lnet) for the real network and the random network. Is the ratio of the characteristic path length (Lran) to. If σ> 1, then the network has a small-world structure.

한편, 네트워크의 특성 경로 길이를 계산할 때, 네트워크가 연결 네트워크인 경우에는 문제가 없지만, 만약 네트워크에서 경로가 존재하지 않는 노드쌍이 존재하는 경우, 가장 짧은 경로 길이 d가 무한대가 되어 문제가 발생할 수 있다.On the other hand, when calculating the characteristic path length of the network, there is no problem when the network is a connected network, but if there is a node pair in which there is no path in the network, the shortest path length d becomes infinite and a problem may occur. .

이를 해결하기 위한 방법으로 하기의 [수학식 3]과 같이, 가장 짧은 경로 길이를 계산하고 그 역수의 평균을 구한 뒤, 다시 역수를 취해 특성 경로 길이로 활용할 수 있다.
As a method for solving this problem, as shown in Equation 3 below, the shortest path length may be calculated, the inverse of the inverse is calculated, and the inverse may be again used as a characteristic path length.

Figure 112011093151892-pat00006
Figure 112011093151892-pat00006

상기 피험자 구분 단계(S40)는 특정 피험자로부터 계산된 상기 Small-worldness를 이용하여 상기 피험자가 정신분열병에 대해 정상인인지, 고위험군인지 또는 환자인지를 구분하는 단계이다.
The subject sorting step (S40) is a step of discriminating whether the subject is a normal person, a high risk group or a patient for schizophrenia using the small-worldness calculated from a specific subject.

이하, 본 발명에 따른 Work Output을 이용한 정신분열병 구분방법을 상세히 설명한다.
Hereinafter, the schizophrenia classification method using the Work Output according to the present invention will be described in detail.

도 2는 본 발명에 따른 Work Output을 이용한 정신분열병 구분방법의 일 블록도이다.
2 is a block diagram of a schizophrenic classification method using Work Output according to the present invention.

본 발명에 따른 Work Output을 이용한 정신분열병 구분방법은 도 2에 도시된 바와 같이, 뇌파신호 동기화값 계산 단계(S100)와, Small-worldness 계산 단계(S200)와, Work Output 계산 단계(S300) 및 피험자 구분 단계(S400)를 포함한다.
Schizophrenia classification method using the Work Output according to the present invention, as shown in Figure 2, the EEG signal synchronization value calculation step (S100), Small-worldness calculation step (S200), Work Output calculation step (S300) and Subject classification step (S400).

상기 뇌파신호 동기화값 계산 단계(S100)는 피험자의 복수개의 뇌파신호 쌍에 대한 동기화값을 계산하는 단계이다.The EEG signal synchronization value calculating step (S100) is a step of calculating a synchronization value for a plurality of EEG signal pairs of a subject.

구체적으로, 상기 뇌파신호 동기화값 계산 단계(S100)에서는 피검자 뇌의 서로 다른 영역에 설치된 전극으로부터 복수개의 뇌파신호를 검출하고, 전송된 뇌파신호를 두 개씩 조합하여 그 조합된 쌍의 동기화값을 계산한 후, 계산 결과를 뇌파신호 동기화 행렬로 나타낼 수 있다.
Specifically, in the step of calculating the EEG signal synchronization value (S100), a plurality of EEG signals are detected from electrodes installed in different regions of the brain of the examinee, and two transmitted EEG signals are combined to calculate the synchronization value of the combined pair. After that, the calculation result may be represented by an EEG signal synchronization matrix.

도 3은 본 발명에 따른 Work Output을 이용한 정신분열병 구분방법 중 Small-worldness 계산 단계의 일 블록도이다.
Figure 3 is a block diagram of a small-worldness calculation step of schizophrenia classification method using Work Output according to the present invention.

상기 Small-worldness 계산 단계(S200)는 Small-world 네트워크에서 Small-worldness를 계산하는 단계로, 도 3에 도시된 바와 같이, Small-world 네트워크 구성 공정(S210)과, Small-world 네트워크 특성 결정 공정(S220) 및 Small-worldness 계산 공정(S230)을 포함한다.
The small-worldness calculation step (S200) is a step of calculating small-worldness in a small-world network, as shown in FIG. 3, a small-world network configuration process (S210) and a small-world network characteristic determination process (S220) and the small-worldness calculation process (S230).

상기 Small-world 네트워크 구성 공정(S210)은 상기 뇌파신호 동기화 행렬에 있는 상기 뇌파신호 쌍의 동기화값을 이용하여 뇌의 기능적 연결 네트워크인 Small-world 네트워크를 구성하는 공정으로, 상술한 본 발명에 따른 Small-worldness를 이용한 정신분열병 구분방법의 Small-world 네트워크 구성 단계와 그 구성 및 내용이 동일하다.
The small-world network construction process (S210) is a process of constructing a small-world network which is a functional connection network of the brain by using the synchronization values of the EEG signal pairs in the EEG signal synchronization matrix. The steps and configuration and contents of Small-world network of the schizophrenic classification method using small-worldness are the same.

또한, 상기 Small-world 네트워크 특성 결정 공정(S220)은 상기 Small-world 네트워크에서 뇌파신호 쌍의 특성 경로 길이(characteristic path length)와 뇌파신호 클러스터의 클러스터링 계수(clustering coefficient)를 계산하여 상기 Small-world 네트워크의 특성을 결정하는 공정으로, 상술한 본 발명에 따른 Small-worldness를 이용한 정신분열병 구분방법의 Small-world 네트워크 특성 결정 단계와 그 구성 및 내용이 동일하다.
In addition, the small-world network characteristic determination process (S220) calculates the characteristic path length of the EEG signal pair and the clustering coefficient of the EEG cluster in the small-world network to calculate the clustering coefficient. In the process of determining the characteristics of the network, the configuration and content of the small-world network characteristic determination step of the schizophrenia classification method using Small-worldness according to the present invention is the same.

더불어, 상기 Small-worldness 계산 공정(S230)은 상기 특성 경로 길이(characteristic path length)와 클러스터링 계수(clustering coefficient)를 이용하여 상기 Small-world 네트워크의 Small-worldness를 계산하는 공정으로, 상술한 본 발명에 따른 Small-worldness를 이용한 정신분열병 구분방법의 Small-worldness 계산 단계와 그 구성 및 내용이 동일하다.
In addition, the small-worldness calculation step (S230) is a step of calculating the small-worldness of the small-world network by using the characteristic path length and the clustering coefficient, the present invention described above Small-worldness calculation step of the schizophrenic classification method using small-worldness according to the structure and its configuration and content are the same.

상기 Work Output 계산 단계(S300)는 상기 동기화값과 Small-worldness를 이용하여 구분자, 즉, 정신분열병 여부를 구분할 수 있는 수단인 Work Output을 계산하는 단계이다.The work output calculation step (S300) is a step of calculating a work output, which is a means for distinguishing whether a schizophrenic is distinguished using the synchronization value and the small-worldness.

상기 Work Output 계산 단계(S300)에서 상기 Work Output은 본 발명자들이 정의한 용어로 상기 Work Output은 하기의 식에 의해 계산될 수 있다.
In the work output calculation step (S300), the work output is a term defined by the inventors, and the work output may be calculated by the following equation.

Figure 112011093151892-pat00007
Figure 112011093151892-pat00007

여기서, WO는 Work Output, S는 동기화값, SW는 Small-worldness이며, 상기 동기화(Synchronization)값은 신호 강도를 의미하고, Small-worldness는 신호 전송의 효율을 의미한다.
Here, WO is Work Output, S is synchronization value, SW is Small-worldness, and the Synchronization value means signal strength, and Small-worldness means efficiency of signal transmission.

상기 피험자 구분 단계(S400)는 상기 Work Output을 이용하여 상기 피험자가 정신분열병에 대해 정상인인지, 고위험군인지 또는 환자인지를 구분하는 단계이다.
The subject classification step (S400) is a step of distinguishing whether the subject is a normal person, a high risk group or a patient for the schizophrenia using the Work Output.

이하, 본 발명에 따른 Small-worldness 및 Work Output을 이용한 정신분열병 구분방법의 실험예를 상세히 설명한다.
Hereinafter, an experimental example of a schizophrenia classification method using Small-worldness and Work Output according to the present invention will be described in detail.

먼저, 피험자를 3그룹, 구체적으로, 정신분열병에 대한 정상인과, 고위험군 및 환자로 나누고, 각 그룹의 피험자에게 구두 N-Back 워킹 메모리 태스크를 수행하여 뇌파신호를 획득하였다.
First, subjects were divided into 3 groups, specifically, normal persons, schizophrenia, and patients with schizophrenia, and subjects in each group performed oral N-Back working memory tasks to acquire EEG signals.

도 4는 본 발명에 따른 구두 N-Back 워킹 메모리 태스크(working memory task)의 개념도이다.
4 is a conceptual diagram of an oral N-Back working memory task according to the present invention.

여기서, 상기 구두 N-Back 워킹 메모리 태스크는 특정 자극을 가한 후, N번째에 동일한 자극이 가해지는 경우를 의미하는 것으로, 예를 들어, 도 4에 도시된 바와 같이, 2Back의 경우, P자극을 가한 후, 다음 자극은 P와 다른 D자극이 가해지고, 이후, P자극과 동일한 자극이 가해지는 경우이다.
Here, the verbal N-Back working memory task refers to a case in which the same stimulus is applied to the Nth time after applying a specific stimulus. For example, as shown in FIG. After the addition, the next stimulus is a case where a D stimulus different from P is applied, and then the same stimulus as the P stimulus is applied.

도 5는 본 발명에 따른 구두 N-Back 워킹 메모리 태스크(working memory task)의 수행 결과를 나타내는 그래프이다.
5 is a graph showing a result of performing an oral N-Back working memory task according to the present invention.

정신분열병에 대한 정상인과, 고위험군 및 환자의 구두 N-Back 워킹 메모리 태스크(working memory task)의 수행 결과는 도 5에 도시된 바와 같다.Results of the oral N-Back working memory task performed by normal persons, high-risk groups, and patients with schizophrenia are shown in FIG. 5.

구체적으로, 도 5에 도시된 바와 같이, 구두 2-Back 및 3-Back 워킹 메모리 태스크 수행의 결과, 중요한 그룹별 차이가 나타나는데, 정신분열병 환자는 정상인과 비교하여 구두 2-Back 및 3-Back 워킹 메모리 태스크(working memory task)에서 상당히 나쁜 수행결과를 보여주었다.
Specifically, as shown in FIG. 5, as a result of performing oral 2-Back and 3-Back working memory tasks, an important group difference appears. Schizophrenic patients have oral 2-Back and 3-Back walking in comparison with normal people. The working memory task showed quite bad results.

도 6은 본 발명에 따른 구두 N-Back 워킹 메모리 태스크(working memory task)의 동기화값의 분포를 나타내는 그래프이다.
6 is a graph showing the distribution of synchronization values of an oral N-Back working memory task according to the present invention.

또한, 정신분열병에 대한 정상인과, 고위험군 및 환자의 구두 N-Back 워킹 메모리 태스크(working memory task)의 동기화값의 분포는 도 6에 도시된 바와 같다.In addition, the distribution of synchronization values of oral N-Back working memory tasks of normal people, high-risk groups and patients with schizophrenia is shown in FIG. 6.

구체적으로, 도 6에 도시된 바와 같이, 구두 0-Back의 경우에는 환자의 동기화값이 정상인과 고위험군의 동기화값보다 크게 증가되었고, 구두 1-Back, 2-Back, 3-Back의 경우에는 고위험군의 동기화값이 정상인과 환자의 동기화값보다 크게 증가되었다.Specifically, as shown in FIG. 6, in the case of verbal 0-Back, the synchronization value of the patient was significantly increased than that of the normal person and the high-risk group, and in the case of oral 1-Back, 2-Back, and 3-Back, the high-risk group The synchronization value of was increased more than that of normal and patient.

한편, 도 6에 기재된 p값은 비교되는 그룹이 서로 구분되는 정도를 나타내는 값으로, 작은 수치일수록 그룹이 더 잘 구분되는데, 예를 들어, p값<0.05인 경우에 그룹이 잘 구분된다 할 수 있다.
On the other hand, the p value described in FIG. 6 is a value representing the degree to which the groups to be compared are distinguished from each other, and the smaller the value is, the better the group is distinguished. have.

도 7은 본 발명에 따른 구두 N-Back 워킹 메모리 태스크(working memory task)의 Small-worldness의 분포를 나타내는 그래프이다.
7 is a graph showing the distribution of small-worldness of oral N-Back working memory tasks according to the present invention.

또한, 정신분열병에 대한 정상인과, 고위험군 및 환자의 구두 N-Back 워킹 메모리 태스크(working memory task)의 Small-worldness의 분포는 도 7에 도시된 바와 같다.In addition, the distribution of small-worldness of oral N-Back working memory tasks of normal people, high-risk and patients with schizophrenia is shown in FIG. 7.

구체적으로, 도 7에 도시된 바와 같이, 구두 0-Back의 경우에는 정신분열병에 대한 정상인과, 고위험군 및 환자 사이에 Small-worldness가 유지되고, 구두 1-Back의 경우에는 정상인과, 고위험군 및 환자 사이에 Small-worldness가 감소하는 경향이 있으며, 특히, 구두 2-Back 및 3-Back의 경우에는 환자의 Small-worldness가 정상인의 Small-worldness보다 크게 감소되었다.
Specifically, as shown in FIG. 7, in the case of oral 0-Back, small-worldness is maintained between a normal person, a high risk group, and a patient for schizophrenia, and in the case of oral 1-Back, a normal person, a high risk group, and a patient. Small-worldness tends to decrease, especially in the case of oral 2-back and 3-back, the patient's small-worldness is significantly reduced than that of normal people.

도 8은 본 발명에 따른 구두 N-Back 워킹 메모리 태스크(working memory task)의 Small-worldness에서 워킹 메모리 부하 효과(working memory load effect)를 나타내는 그래프이다.
8 is a graph illustrating the working memory load effect in small-worldness of an oral N-Back working memory task according to the present invention.

한편, 구두 N-Back 워킹 메모리 태스크(working memory task)의 Small-worldness에서 워킹 메모리 부하 효과는 도 8에 도시된 바와 같다.Meanwhile, the working memory load effect in the small-worldness of the verbal N-Back working memory task is shown in FIG. 8.

구체적으로, 도 8에 도시된 바와 같이, Z-score는 더 어려운 워킹 메모리 태스크를 의미하는 것으로, 정상인과 환자 사이의 small-worldness의 차이는 더욱 커지며, 구두 0-Back 및 1-Back의 경우에는 small-worldness의 차이가 크지 않지만, 구두 2-Back 및 3-Back의 경우에는 정상인과 환자 사이의 small-worldness의 차이가 큼을 알 수 있다.
Specifically, as shown in FIG. 8, Z-score refers to a more difficult working memory task, and the difference in small-worldness between a normal person and a patient is greater, and in the case of verbal 0-Back and 1-Back Although the difference in small-worldness is not large, it can be seen that in the case of oral 2-back and 3-back, the difference in small-worldness between a normal person and a patient is large.

도 9는 본 발명에 따른 구두 N-Back 워킹 메모리 태스크(working memory task)에서 수행률(performance)과 Work Output의 상관관계를 나타내는 그래프이다.
9 is a graph showing a correlation between performance and Work Output in an oral N-Back working memory task according to the present invention.

정신분열병에 대한 정상인과, 고위험군 및 환자의 구두 N-Back 워킹 메모리 태스크(working memory task)에서 수행률(performance)과 Work Output의 상관관계는 도 9에 도시된 바와 같다.The correlation between performance and Work Output in oral N-Back working memory tasks of normal people, high-risk groups and patients for schizophrenia is shown in FIG. 9.

구체적으로, 도 9에 도시된 바와 같이, 구두 0-Back, 1-Back 및 2-Back의 경우에 워킹 메모리 태스크(working memory task) 수행률(performance)과 Work Output의 상관관계가 양의 기울기를 가지며 선형으로 비례함을 알 수 있다.
Specifically, as shown in FIG. 9, in the case of verbal 0-Back, 1-Back, and 2-Back, the correlation between the working memory task performance and the Work Output has a positive slope. And linearly proportional.

상기와 같은 실험예에 따라 정신분열병 고위험군에는 보상 메카니즘이 정상적으로 작동하여 예를 들어, 고위험군에서 높은 동기화는 낮은 네트워크 신호 전송 효율, 즉, small-worldness를 보상하나, 정신분열병 환자에서는 보상 메카니즘이 정상적으로 작동하지 않아 네트워크 신호 전송 효율을 보상하지 않음을 알 수 있다.
According to the experimental example described above, the compensation mechanism is normally operated in the high risk group of schizophrenia. For example, the high synchronization in the high risk group compensates for the low network signal transmission efficiency, that is, the small-worldness, but the compensation mechanism is normally operated in the schizophrenic patient. It does not compensate for the network signal transmission efficiency.

상술한 바와 같이, 본 실험예에 따르면, 워킹 메모리 수행률은 구두 2-Back 및 3-Back 태스크에서 정신분열병 환자가 정상인보다 크게 감소하고, 동기화는 구두 1-Back, 2-Back 및 3-Back 태스크에서 정신분열병 고위험군이 정신분열병 환자나 정상인보다 크게 증가한다.As described above, according to the present experimental example, the working memory performance was significantly reduced in the schizophrenic patients than the normal in the oral 2-Back and 3-Back tasks, the synchronization is oral 1-Back, 2-Back and 3-Back In the task, the high risk group of schizophrenia increases significantly more than schizophrenic patients and normal people.

또한, Small-worldness는 구두 0-Back에서 정상인, 정신분열병 고위험군 및 정신분열병 환자 사이에 유지되나, 구두 2-Back 및 3-Back 태스크에서 정신분열병 환자의 Small-worldness는 정상인보다 크게 감소한다. 또한, 워킹 메모리 부하 효과(working memory load effect)는 정상인과 정신분열병 환자 사이의 Small-worldness 차이에 있으며, 어려운 워킹 메모리 태스크일수록 정상인과 환자 사이의 Small-worldness 차이가 크게 증가한다.In addition, small-worldness is maintained between normal, schizophrenic, and schizophrenic patients in oral 0-Back, but the small-worldness of schizophrenic patients in oral 2-Back and 3-Back tasks is significantly reduced than normal. In addition, the working memory load effect is a small-worldness difference between a normal person and a schizophrenic patient, and a difficult working memory task increases a small-worldness difference between a normal person and a patient.

더불어, 워킹 메모리 수행률과 Work Output 사이에는 긍정 상관관계(positive correlation)가 있고, 상기 실험을 통해 정신분열병 고위험군에는 보상 메커니즘이 정상적으로 동작하여 낮은 네트워크 신호 전송 효율을 보상하지만 정신분열병 환자에는 보상 메커니즘이 정상적으로 동작하지 않아 네트워크 신호 전송 효율을 보상하지 않는다.In addition, there is a positive correlation between the working memory performance and the work output. Through the above experiments, the compensation mechanism works well for the high risk group of schizophrenia, which compensates for the low network signal transmission efficiency, but the compensation mechanism for the schizophrenic patients. It does not operate normally and does not compensate for network signal transmission efficiency.

이처럼, 본 발명에 따르면, 정신분열병을 진단하기 위한 기준을 수치적으로 정량화하여 정상인, 정신분열병 고위험군 및 정신분열병 환자를 객관적으로 구분할 수 있다.
As such, according to the present invention, the criteria for diagnosing schizophrenia can be numerically quantified to objectively distinguish between normal, schizophrenic, high-risk and schizophrenic patients.

이상과 같이 본 발명에 따른 Small-worldness 및 Work Output을 이용한 정신분열병 구분방법을 예시한 도면을 참조로 하여 설명하였으나, 본 명세서에 개시된 실시 예와 도면에 의해 본 발명이 한정되는 것은 아니며, 본 발명의 기술사상 범위 내에서 당업자에 의해 다양한 변형이 이루어질 수 있음은 물론이다.
As described above with reference to the drawings illustrating a schizophrenia classification method using Small-worldness and Work Output according to the present invention, the present invention is not limited by the embodiments and drawings disclosed herein, the present invention Of course, various modifications can be made by those skilled in the art within the scope of the technical idea.

S10:Small-world 네트워크 구성 단계
S20:Small-world 네트워크 특성 결정 단계
S30:Small-worldness 계산 단계
S40:피험자 구분 단계
S100:뇌파신호 동기화값 계산 단계;
S200:Small-worldness 계산 단계
S210:Small-world 네트워크 구성 공정
S220:Small-world 네트워크 특성 결정 공정
S230:Small-worldness 계산 공정
S300:Work Output 계산 단계
S400:피험자 구분 단계S10: Small-world Network Configuration Steps
S20: Small-world Network Characterization Steps
S30: Small-worldness calculation step
S40: Subject classification step
S100: EEG signal synchronization value calculation step;
S200: Small-worldness calculation step
S210: Small-world network construction process
S220: Small-world network characterization process
S230: Small-worldness calculation process
S300: Work Output Calculation Step
S400: subject classification step

Claims (11)

뇌파신호 검출부에서 검출된 복수 개의 뇌파신호로부터 정신분열병 구분방법에 있어서,
상기 복수 개의 뇌파신호 쌍의 동기화를 이용하여 뇌의 기능적 연결 네트워크인 Small-world 네트워크를 구성하는 단계;
상기 Small-world 네트워크에서 뇌파신호 쌍의 특성 경로 길이(characteristic path length)와 뇌파신호 클러스터의 클러스터링 계수(clustering coefficient)를 계산하여 상기 Small-world 네트워크의 특성을 결정하는 단계;
상기 특성 경로 길이(characteristic path length)와 클러스터링 계수(clustering coefficient)를 이용하여 상기 Small-world 네트워크의 Small-worldness를 계산하는 단계; 및
상기 계산된 Small-worldness와 기 설정된 정상인의 Small-worldness와의 차이에 따라 상기 복수 개의 뇌파신호가 정신분열병에 대해 정상인의 뇌파신호, 고위험군의 뇌파신호 및 환자의 뇌파신호 중 어느 하나로 구분하는 단계를 포함하는 것을 특징으로 하는 Small-worldness를 이용한 정신분열병 구분방법.
In the schizophrenia classification method from a plurality of EEG signals detected by the EEG signal detection unit,
Constructing a small-world network which is a functional connection network of the brain by synchronizing the plurality of EEG signal pairs;
Determining a characteristic of the small-world network by calculating a characteristic path length of an EEG signal pair and a clustering coefficient of an EEG cluster in the small-world network;
Calculating small-worldness of the small-world network using the characteristic path length and clustering coefficients; And
And dividing the plurality of EEG signals into any one of normal EEG signals, high-risk EEG signals, and patient EEG signals according to the difference between the calculated small-worldness and the small-worldness of the normal person. Schizophrenia classification method using Small-worldness characterized in that.
제 1항에 있어서,
상기 Small-world network 구성 단계에서,
상기 Small-world network는 동기화값이 특정 임계값 이상이 되는 뇌파신호 쌍을 선택한 후 링크로 연결하여 구성하는 것을 특징으로 하는 Small-worldness를 이용한 정신분열병 구분방법.
The method of claim 1,
In the small-world network configuration step,
The small-world network is a schizophrenia classification method using small-worldness, characterized in that configured by connecting the link after the EEG signal pairs having a synchronization value of more than a certain threshold.
제 1항에 있어서,
상기 Small-world network 구성 단계에서,
상기 뇌파신호는 쎄타(θ) 주파수 대역인 3 내지 8 Hz에서의 뇌파신호인 것을 특징으로 하는 Small-worldness를 이용한 정신분열병 구분방법.
The method of claim 1,
In the small-world network configuration step,
The EEG signal is a schizophrenia classification method using small-worldness, characterized in that the EEG signal in theta (θ) frequency band of 3 to 8 Hz.
제 1항에 있어서,
상기 Small-world 네트워크 특성 결정 단계에서,
상기 특성 경로 길이(characteristic path length)는 특정 뇌파신호 쌍 사이에서 가장 짧은 경로를 구성하는 에지(edge)의 수인 것을 특징으로 하는 Small-worldness를 이용한 정신분열병 구분방법.
The method of claim 1,
In the small-world network characteristic determination step,
The characteristic path length is a schizophrenia classification method using small-worldness, characterized in that the number of edges (edge) constituting the shortest path between a particular EEG signal pair.
제 1항에 있어서,
상기 Small-world 네트워크 특성 결정 단계에서,
상기 특성 경로 길이(characteristic path length)는 상기 Small-world 네트워크에 포함된 모든 뇌파신호 쌍에 대한 특성 경로 길이의 평균값인 것을 특징으로 하는 Small-worldness를 이용한 정신분열병 구분방법.
The method of claim 1,
In the small-world network characteristic determination step,
The characteristic path length is a schizophrenia classification method using small-worldness, characterized in that the average value of the characteristic path length for all the EEG signal pairs included in the small-world network.
제 1항에 있어서,
상기 Small-world 네트워크 특성 결정 단계에서,
상기 클러스터링 계수(clustering coefficient)는 하기의 식에 의해 계산되는 것을 특징으로 하는 Small-worldness를 이용한 정신분열병 구분방법.

Figure 112011093151892-pat00008

(여기서, Ci는 클러스터링 계수, i는 네트워크의 노드 수, n은 이웃한 노드 사이의 링크 수)
The method of claim 1,
In the small-world network characteristic determination step,
The clustering coefficient (clustering coefficient) is a schizophrenia sorting method using small-worldness, characterized in that calculated by the following equation.

Figure 112011093151892-pat00008

Where C i is the clustering coefficient, i is the number of nodes in the network, and n is the number of links between neighboring nodes.
제 1항에 있어서,
상기 Small-world 네트워크 결정 단계에서,
상기 클러스터링 계수(clustering coefficient)는 상기 Small-world 네트워크에 포함된 노드에 대한 클러스터링 계수의 평균값인 것을 특징으로 하는 Small-worldness를 이용한 정신분열병 구분방법.
The method of claim 1,
In the small-world network determination step,
The clustering coefficient (clustering coefficient) is a schizophrenia classification method using small-worldness, characterized in that the average value of the clustering coefficient for the nodes included in the small-world network.
제 1항에 있어서,
상기 Small-worldness 계산 단계에서,
상기 Small-worldness는 하기의 식에 의해 계산되는 것을 특징으로 하는 Small-worldness를 이용한 정신분열병 구분방법.

Figure 112011093151892-pat00009

(여기서, σ는 Small-worldness, γ는 실제 네트워크에 대한 클러스터링 계수(Cnet)와 랜덤 네트워크에 대한 클러스터링 계수(Cran)의 비, λ는 실제 네트워크에 대한 특성 경로 길이(Lnet)와 랜덤 네트워크에 대한 특성 경로 길이(Lran)의 비)
The method of claim 1,
In the small-worldness calculation step,
The small-worldness is schizophrenia classification method using small-worldness, characterized in that calculated by the following equation.

Figure 112011093151892-pat00009

Where σ is Small-worldness, γ is the ratio of the clustering coefficient (Cnet) to the real network and the clustering coefficient (Cran) for the random network, and λ is the characteristic path length (Lnet) for the real network and Ratio of characteristic path length (Lran)
뇌파신호 검출부에서 검출된 복수 개의 뇌파신호로부터 정신분열병 구분방법에 있어서,
상기 복수 개의 뇌파신호 쌍에 대한 동기화값을 계산하는 단계;
제 1항 내지 제 8항 중 어느 하나의 항에 따른 Small-world 네트워크에서 Small-worldness를 계산하는 단계;
상기 동기화값과 Small-worldness를 이용하여 정신분열병 구분자인 Work Output을 계산하는 단계; 및
상기 계산된 Work Output와 기 설정된 정상인의 Work Output와의 차이에 따라 상기 복수 개의 뇌파신호가 정신분열병에 대해 정상인의 뇌파신호, 고위험군의 뇌파신호 및 환자의 뇌파신호 중 어느 하나로 구분하는 단계를 포함하는 것을 특징으로 하는 Work Output을 이용한 정신분열병 구분방법.
In the schizophrenia classification method from a plurality of EEG signals detected by the EEG signal detection unit,
Calculating a synchronization value for the plurality of EEG signal pairs;
Calculating small-worldness in the small-world network according to any one of claims 1 to 8;
Calculating a Work Output which is a schizophrenic separator using the synchronization value and Small-worldness; And
And dividing the plurality of EEG signals into any one of normal EEG signals, high risk EEG signals, and patient EEG signals according to a difference between the calculated Work Output and the Work Output of a normal person. Schizophrenia classification using Work Output.
제 9항에 있어서,
상기 Small-worldness 계산 단계는,
상기 복수개의 뇌파신호 쌍에 대한 동기화값을 이용하여 뇌의 기능적 연결 네트워크인 Small-world 네트워크를 구성하는 공정;
상기 Small-world 네트워크에서 뇌파신호 쌍의 특성 경로 길이(characteristic path length)와 뇌파신호 클러스터의 클러스터링 계수(clustering coefficient)를 계산하여 상기 Small-world 네트워크의 특성을 결정하는 공정; 및
상기 특성 경로 길이(characteristic path length)와 클러스터링 계수(clustering coefficient)를 이용하여 상기 Small-world 네트워크의 Small-worldness를 계산하는 공정을 포함하는 것을 특징으로 하는 Work Output을 이용한 정신분열병 구분방법.
The method of claim 9,
The small-worldness calculation step,
Constructing a small-world network that is a functional connection network of the brain by using synchronization values for the plurality of EEG signal pairs;
Determining a characteristic of the small-world network by calculating a characteristic path length of an EEG signal pair and a clustering coefficient of an EEG signal cluster in the small-world network; And
And calculating a small-worldness of the small-world network by using the characteristic path length and clustering coefficients.
제 9항에 있어서,
상기 Work Output 계산 단계에서,
상기 Work Output은 하기의 식에 의해 계산되는 것을 특징으로 하는 Work Output을 이용한 정신분열병 구분방법.

Figure 112011093151892-pat00010

(여기서, WO는 Work Output, S는 동기화값, SW는 Small-worldness)
The method of claim 9,
In the Work Output calculation step,
The Work Output is schizophrenia classification method using the Work Output, characterized in that calculated by the following equation.

Figure 112011093151892-pat00010

Where WO is Work Output, S is Synchronization, and SW is Small-worldness.
KR1020110123399A 2011-11-24 2011-11-24 Distinguishing Method of the Schizophrenia Using a Small-worldness and Work Output KR101366127B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020110123399A KR101366127B1 (en) 2011-11-24 2011-11-24 Distinguishing Method of the Schizophrenia Using a Small-worldness and Work Output

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020110123399A KR101366127B1 (en) 2011-11-24 2011-11-24 Distinguishing Method of the Schizophrenia Using a Small-worldness and Work Output

Publications (2)

Publication Number Publication Date
KR20130057602A KR20130057602A (en) 2013-06-03
KR101366127B1 true KR101366127B1 (en) 2014-02-25

Family

ID=48857143

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020110123399A KR101366127B1 (en) 2011-11-24 2011-11-24 Distinguishing Method of the Schizophrenia Using a Small-worldness and Work Output

Country Status (1)

Country Link
KR (1) KR101366127B1 (en)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101607432B1 (en) 2015-01-14 2016-03-29 서울대학교산학협력단 Method, System and Computer Program for Personal authentication based on electroencephalography

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003310564A (en) 2002-04-22 2003-11-05 Fuji Xerox Co Ltd Automatic brain wave analyzing apparatus and method
US7577472B2 (en) 2005-03-18 2009-08-18 The Mcw Research Foundation Inc. MRI method for producing an index indicative of brain disorders
KR20110096394A (en) * 2010-02-22 2011-08-30 인제대학교 산학협력단 Method for differential diagnosis of psychiatric diseases using n100 amplitude slopes
WO2012021789A1 (en) 2010-08-13 2012-02-16 Children's Medical Center Corporation Methods and apparatus for risk assessment of developmental disorders during early cognitive development

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003310564A (en) 2002-04-22 2003-11-05 Fuji Xerox Co Ltd Automatic brain wave analyzing apparatus and method
US7577472B2 (en) 2005-03-18 2009-08-18 The Mcw Research Foundation Inc. MRI method for producing an index indicative of brain disorders
KR20110096394A (en) * 2010-02-22 2011-08-30 인제대학교 산학협력단 Method for differential diagnosis of psychiatric diseases using n100 amplitude slopes
WO2012021789A1 (en) 2010-08-13 2012-02-16 Children's Medical Center Corporation Methods and apparatus for risk assessment of developmental disorders during early cognitive development

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101607432B1 (en) 2015-01-14 2016-03-29 서울대학교산학협력단 Method, System and Computer Program for Personal authentication based on electroencephalography

Also Published As

Publication number Publication date
KR20130057602A (en) 2013-06-03

Similar Documents

Publication Publication Date Title
Geng et al. Impact of fetal-neonatal iron deficiency on recognition memory at 2 months of age
Avissar et al. Meta-analysis of mismatch negativity to simple versus complex deviants in schizophrenia
Song et al. DTI measures track and predict motor function outcomes in stroke rehabilitation utilizing BCI technology
De Oliveira et al. Screening for depression in people with epilepsy: comparative study among neurological disorders depression inventory for epilepsy (NDDI-E), hospital anxiety and depression scale depression subscale (HADS-D), and Beck depression inventory (BDI)
Hernández et al. Brain white matter damage in aging and cognitive ability in youth and older age
Hinnant et al. Codevelopment of externalizing and internalizing symptoms in middle to late childhood: Sex, baseline respiratory sinus arrhythmia, and respiratory sinus arrhythmia reactivity as predictors
Torres et al. Obsessive–compulsive disorder and personality disorder: Evidence from the British National Survey of Psychiatric Morbidity 2000
Woods et al. Family versus intimate partners: Estimating who matters more for health in a 20-year longitudinal study.
US20110230781A1 (en) Apparatus and method for dementia diagnosis through eeg (electroencephalogram) analysis
Matic et al. Objective differentiation of neonatal EEG background grades using detrended fluctuation analysis
Hristopulos et al. Disrupted information flow in resting-state in adolescents with sports related concussion
Silemek et al. Functional and structural connectivity substrates of cognitive performance in relapsing remitting multiple sclerosis with mild disability
Xiong et al. Differential of frequency and duration mismatch negativity and theta power deficits in first-episode and chronic schizophrenia
Soliński et al. Heart rate variability comparison between young males after 4–6 weeks from the end of SARS-CoV-2 infection and controls
Pinto et al. Influence of age and education on the performance of elderly in the Brazilian version of the Montreal Cognitive Assessment battery
Milrad et al. Relationship satisfaction, communication self-efficacy, and chronic fatigue syndrome-related fatigue
Sehatpour et al. Deficits in pre-attentive processing of spatial location and negative symptoms in subjects at clinical high risk for schizophrenia
Whittingslow et al. Knee acoustic emissions as a digital biomarker of disease status in juvenile idiopathic arthritis
Menardi et al. Heritability of brain resilience to perturbation in humans
KR101366127B1 (en) Distinguishing Method of the Schizophrenia Using a Small-worldness and Work Output
Leming et al. Normative pathways in the functional connectome
KR20120082689A (en) Method and apparatus for quantifying risk of developing schizophrenia using brainwave synchronization level, and computer-readable media recording codes for the method
KR20190059377A (en) Traumatic brain injury evaluation system and method using brain wave analysis
Zhang et al. Predicting the symptom severity in autism spectrum disorder based on EEG metrics
Deligianni et al. Expertise and task pressure in fNIRS-based brain connectomes

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E90F Notification of reason for final refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20170125

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20180129

Year of fee payment: 5

FPAY Annual fee payment

Payment date: 20190201

Year of fee payment: 6

FPAY Annual fee payment

Payment date: 20200129

Year of fee payment: 7