KR101653910B1 - 뇌파 측정 기법에 기초한 대뇌 네트워크 특성 분석을 이용한 뉴로피드백 방법 및 장치 - Google Patents

뇌파 측정 기법에 기초한 대뇌 네트워크 특성 분석을 이용한 뉴로피드백 방법 및 장치 Download PDF

Info

Publication number
KR101653910B1
KR101653910B1 KR1020150027873A KR20150027873A KR101653910B1 KR 101653910 B1 KR101653910 B1 KR 101653910B1 KR 1020150027873 A KR1020150027873 A KR 1020150027873A KR 20150027873 A KR20150027873 A KR 20150027873A KR 101653910 B1 KR101653910 B1 KR 101653910B1
Authority
KR
South Korea
Prior art keywords
functional connectivity
connectivity
eeg signals
index
cerebral
Prior art date
Application number
KR1020150027873A
Other languages
English (en)
Inventor
김경환
최정우
차광수
최종두
정민희
현 김
Original Assignee
연세대학교 원주산학협력단
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 연세대학교 원주산학협력단 filed Critical 연세대학교 원주산학협력단
Priority to KR1020150027873A priority Critical patent/KR101653910B1/ko
Application granted granted Critical
Publication of KR101653910B1 publication Critical patent/KR101653910B1/ko

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
    • A61B5/24—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]
    • A61B5/375—Electroencephalography [EEG] using biofeedback
    • A61B5/0482—

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Psychology (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Engineering & Computer Science (AREA)
  • Psychiatry (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

본 발명의 실시예들에 따른 뉴로피드백 장치는 유의 연결성 임계치 설정부와 대뇌 네트워크 분석부를 포함할 수 있다. 유의 연결성 임계치 설정부는 사용자가 휴식 상태인 동안에 검출된 복수 채널의 뇌파 신호들 사이의 기능적 연결성 지수에 기초하여, 각 채널쌍의 뇌파 신호들 사이의 기능적 연결성이 유의성을 가지는지 판단하기 위한 유의 연결성 임계치들을 설정할 수 있다. 대뇌 네트워크 분석부는 사용자가 뇌 활동 중인 동안에 검출된 복수 채널의 뇌파 신호들 사이의 기능적 연결성 지수들 및 유의 연결성 임계치들에 기초하여 복수 채널의 뇌파 신호들 사이의 기능적 연결성 패턴을 도출하며, 도출된 기능적 연결성 패턴으로부터 대뇌 네트워크 특성을 정량화한 대뇌 활동 지표를 산출할 수 있다.

Description

뇌파 측정 기법에 기초한 대뇌 네트워크 특성 분석을 이용한 뉴로피드백 방법 및 장치{APPARATUS AND METHOD FOR NEUROFEEDBACK USING BRAIN NETWORK CHARACTERISTIC ANALYSIS BASED ON ELECTROENCEPHALOGRAM}
본 발명은 뉴로피드백 기술에 관한 것으로, 더욱 상세하게는, 뇌파 측정 기법에 기초한 뉴로피드백 기술에 관한 것이다.
뉴로피드백(Neurofeedback)은 뇌파 검사(Electroencephalograhpy, EEG)와 같은 기법을 이용하여 실시간적으로 측정되는 뇌파 신호를 피험자가 보거나 듣거나 느낄 수 있는 감각 자극 신호로 변환하고 피험자에게 감각 자극 신호를 전달함으로써 피험자가 특정한 뇌 활동을 강화하도록 훈련할 수 있는 기술을 통칭한다.
뉴로피드백 기술은 뇌-컴퓨터 인터페이스(Brain-Computer Interface, BCI) 기술과도 밀접한 기술이며, 신경 및 정신 계통 질병의 치료, 언어 장애 치료, 신체 재활과 같은 의료 분야나, 게임이나 학습 어플리케이션, 운동 선수들의 집중력 훈련 등에 활용될 수 있을 것으로 기대되고 있다.
종래에 구현된 기술들은 피험자의 특정한 뇌 활동으로부터 측정되는 EEG 신호들의 진폭 및 주파수 파라미터들을 가지고 뇌 활동을 지표화하고, 수치화된 지표를 시각, 청각 내지 촉각 자극 신호로 변환하는 방식으로 구성되어 있다.
일반적으로 EEG 신호에 관하여 몇 가지 주요 주파수 대역들이 알려져 있다. 베타파(13~30 Hz)는 일명 "스트레스파"로서 깨어 있고 눈을 뜬 상태에서 주의 집중을 하거나 경계 상태에 있을 때의 뇌파이고, 알파파(8~13 Hz)는 눈을 감은 상태, 이완된 상태 내지 경계가 느슨해졌을 때의 뇌파이며, 세타파(4~8 Hz)는 약한 뇌 활동으로서 백일몽을 꾸는 것과 같은 상태의 뇌파이고, 델타파(0.5~4 Hz)는 수면이나 병리적 뇌 활동을 할 때의 뇌파이며, 감마파(30 Hz 이상)는 극도의 각성과 흥분 시에 전두엽과 두정엽에서 많이 발생하는 뇌파로 알려져있다. 그 밖에 감각 운동 리듬(SMR, Sensorymotor Rhythm, 12~15 Hz)이라는 뇌파가 알려져 있다.
하지만 두피에 접촉하거나 또는 두피에 인접한 전극에서 측정된 EEG 신호는 진폭이 1~100 μV 정도로 아주 낮은 데다, 두피 근육에서 발생하는 근전도나 눈동자의 움직임과 함께 발생하는 안전도 신호가 혼입될 수 있어 부정확하다.
따라서, 단순히 측정된 EEG 신호 파형과 주파수 대역을 정밀하게 분석하는 것이 반드시 특정한 뇌 활동의 식별을 보장하는 것은 아니다.
기존의 뉴로피드백 시스템들은 대부분 해당 전극에서 측정된 뇌파의 크기 혹은 주파수 파워를 사용자에게 제공한다. 예를 들어 "뉴로피드백 장치 및 방법(특허공개번호 제10-2008-0039808호)"는 뇌파의 전위와 주파수 파워 크기를 이용하여 사용자의 실시간 뇌활동 변화를 정량적인 수치로 제공한다.
한편, 사람의 뇌 활동은 뇌를 이루고 있는 무수히 많은 뇌신경들의 상호작용에 의해 이루어지는데, 작게는 바로 인접해 있는 뇌신경들끼리의 상호작용에서부터 크게는 신경 집단들끼리, 더 크게는 뇌의 서로 다른 영역들끼리의 상호작용에 의해 다양한 뇌 정보 처리 과정이 이루어진다.
뇌신경들 간 상호작용의 범위에 따라 이를 관찰할 수 있는 다양한 방법들이 존재하는데, 두피에 부착된 전극을 통해 측정된 뇌파는 해당 전극 하부에 존재하는 뇌신경집단 내 뇌신경들의 국소적 상호작용만이 반영된다고 할 수 있다.
대뇌 영역간 기능적 연결성을 활용한 종래 특허로 "뇌파기반 실시간 기능적 피질 연결성 모니터링 시스템(특허공개번호 제10-2010-0026426호)"는 뇌파를 기반으로 대뇌 영역간 기능적 연결성을 관찰 기술을 적용할 수 있지만, 정성적인 분석에 불과하여 단순 연결성 패턴만 모니터링 할 수 있기 때문에 피험자에게 피드백을 제공할 수 없고 뉴로피드백을 통한 자가 훈련을 수행할 수 없다.
기능적 연결성 분석을 적용한 뉴로피드백 시스템에 대한 종래 특허로는 "뇌기능 훈련을 위한 기능성 자기공명영상 데이터 처리 방법(특허등록번호 제10-1323318호)"이 있지만, 기능적 자기공명영상장치를 이용한 방법이어서 뇌 혈류량의 변화를 측정하므로 시간 해상도가 낮아 사용자의 뇌활동 변화를 실시간으로 관찰하기 어렵고, 뇌신경활동을 직접적으로 반영하지 못한다는 단점이 있다.
[1] 특허공개번호 제10-2008-0039808호 [2] 특허공개번호 제10-2010-0026426호 [3] 특허등록번호 제10-1323318호
본 발명이 해결하고자 하는 과제는 뇌파 측정 기법에 기초한 대뇌 네트워크 특성 분석을 이용한 뉴로피드백 방법 및 장치를 제공하는 데에 있다.
본 발명이 해결하고자 하는 과제는 뇌파 측정 기법에 기초하여 기능적 연결성 패턴을 도출하고, 기능적 연결성 패턴들에 의해 대뇌 네트워크를 생성하는 대뇌 네트워크 특성 분석을 이용한 뉴로피드백 방법 및 장치를 제공하는 데에 있다.
본 발명이 해결하고자 하는 과제는 뇌파 측정 기법에 기초하여 도출된 기능적 연결성 패턴에 의해 대뇌 네트워크를 생성하고, 대뇌 네트워크의 특성을 정량화하며, 정량화된 대뇌 네트워크 특성을 사용자에게 피드백할 수 있는 뉴로피드백 방법 및 장치를 제공하는 데에 있다.
본 발명의 일 측면에 따른 뉴로피드백 장치는 사용자가 휴식 상태인 동안에 검출된 복수 채널의 뇌파 신호들 사이의 기능적 연결성 지수에 기초하여, 각 채널쌍의 뇌파 신호들 사이의 기능적 연결성이 유의성을 가지는지 판단하기 위한 유의 연결성 임계치들을 설정하는 유의 연결성 임계치 설정부; 및 사용자가 뇌 활동 중인 동안에 검출된 복수 채널의 뇌파 신호들 사이의 기능적 연결성 지수들 및 상기 유의 연결성 임계치들에 기초하여 복수 채널의 뇌파 신호들 사이의 기능적 연결성 패턴을 도출하며, 도출된 기능적 연결성 패턴으로부터 대뇌 네트워크 특성을 정량화한 대뇌 활동 지표를 산출하는 대뇌 네트워크 분석부를 포함할 수 있다.
일 실시예에 따라, 상기 뉴로피드백 장치는 상기 정량화된 대뇌 활동 지표에 기초한 감각 자극 정보를 생성하여 사용자에게 제공하는 피드백 자극 생성부를 더 포함할 수 있다.
일 실시예에 따라, 상기 유의 연결성 임계치 설정부는 휴식 상태에서 복수 채널의 뇌파 신호들을 수신하고, 적어도 하나의 관심 주파수 대역으로 필터링하며, 각 채널쌍마다 뇌파 신호들 사이의 기능적 연결성 지수들을 모두 산출하는 휴식 상태 기능적 연결성 분석부; 및 휴식 상태에서 산출된 상기 기능적 연결성 지수들의 분포를 기초로 각 채널쌍들 및 각 대역별로 유의 연결성 임계치들을 설정하는 임계치 설정부를 포함할 수 있다.
일 실시예에 따라, 상기 기능적 연결성 지수는 각 채널쌍의 뇌파 신호들 사이의 위상동기화 지수, 상관 지수, 간섭 지수, 그레인저 인과율(GCI), PDC, DTF, 상호 정보량, 전송 엔트로피, 동기 유사도 중 하나일 수 있다.
일 실시예에 따라, 상기 대뇌 네트워크 분석부는 사용자가 뇌 활동 중인 동안에 복수 채널의 뇌파 신호들을 검출하고, 검출된 복수 채널의 뇌파 신호들에 대하여 각 채널쌍마다 뇌파 신호들 사이의 기능적 연결성 지수들을 모두 산출하며, 활동 상태에서 산출된 기능적 연결성 지수들과 상기 유의 연결성 임계치들에 기초하여, 복수 채널의 뇌파 신호들 사이의 기능적 연결성 패턴을 도출하는 활동 상태 기능적 연결성 분석부; 및 도출된 기능적 연결성 패턴으로부터 대뇌 네트워크 특성을 정량화하여 대뇌 활동 지표를 산출하는 네트워크 특성 분석부를 포함할 수 있다.
일 실시예에 따라, 상기 기능적 연결성 패턴은 두피에 접촉한 전극들을 정점들로 보고, 두 전극들 사이에 기능적 연결성 지수가 유의 연결성 임계치를 초과하여 유의한 연결성이 있음을 의미하는 선분들을 모서리로 하여 연결한 연결성 그래프일 수 있다.
일 실시예에 따라, 상기 네트워크 특성 분석부는 상기 도출된 기능적 연결성 패턴으로부터 정규화된 그래프 이론 수치를 산출하고, 산출된 정규화된 그래프 이론 수치로부터 대뇌 네트워크 특성을 정량화한 대뇌 활동 지표를 산출하도록 동작할 수 있다.
일 실시예에 따라, 상기 네트워크 특성 분석부는 기능적 연결성 패턴으로부터 산출된 그래프 이론 수치를 복수의 랜덤 네트워크들로부터 산출된 랜덤 그래프 이론 수치들의 통계적 대표값으로 나누어, 정규화된 그래프 이론 수치를 산출하도록 동작할 수 있다.
일 실시예에 따라, 상기 랜덤 그래프 이론 수치들의 통계적 대표값은 평균값, 중앙값, 최빈값 중 하나일 수 있다.
일 실시예에 따라, 상기 랜덤 네트워크들은 기능적 연결성 패턴의 모서리 개수 및 정점 개수와 동일한 모서리 개수 및 정점 개수를 가지지만 정점들의 위치가 무작위로 선정되는 네트워크들일 수 있다.
일 실시예에 따라, 상기 랜덤 네트워크들은 검출된 복수 채널의 뇌파 신호들에 주파수 대역에서 랜덤 위상 노이즈를 주입하여 생성된 랜덤 위상 뇌파 신호들로부터 산출되는 네트워크들일 수 있다.
일 실시예에 따라, 상기 뉴로피드백 장치는 상기 기능적 연결성 패턴을 시각화하여 사용자에게 제공하는 피드백 자극 생성부를 더 포함할 수 있다.
본 발명의 다른 측면에 따라 컴퓨터에서 수행되는 대뇌 네트워크 특성 분석을 이용한 뉴로피드백 방법은, 상기 컴퓨터가, 두피에 부착 또는 접촉한 복수의 전극들로부터 대뇌 활동 시에 생성되는 복수의 전기적 신호들을 수신하고, 수신된 복수의 전기적 신호들로부터 복수 채널의 뇌파 신호들을 검출하는 단계; 사용자가 휴식 상태인 동안에 검출된 복수 채널의 뇌파 신호들 사이의 기능적 연결성 지수에 기초하여, 각 채널쌍의 뇌파 신호들 사이의 기능적 연결성이 유의성을 가지는지 판단하기 위한 유의 연결성 임계치들을 설정하는 단계; 사용자가 뇌 활동 중인 동안에 검출된 복수 채널의 뇌파 신호들 사이의 기능적 연결성 지수들 및 유의 연결성 임계치들에 기초하여 복수 채널의 뇌파 신호들 사이의 기능적 연결성 패턴을 도출하는 단계; 및 상기 도출된 기능적 연결성 패턴으로부터 대뇌 네트워크 특성을 정량화한 대뇌 활동 지표를 산출하는 단계를 포함할 수 있다.
일 실시예에 따라, 상기 뉴로피드백 방법은 상기 컴퓨터가, 상기 정량화된 대뇌 활동 지표에 기초한 감각 자극 정보를 생성하여 사용자에게 제공하는 단계를 더 포함할 수 있다.
일 실시예에 따라, 상기 유의 연결성 임계치들을 설정하는 단계는, 휴식 상태에서 복수 채널의 뇌파 신호들을 수신하고, 적어도 하나의 관심 주파수 대역으로 필터링하는 단계; 각 채널쌍마다 뇌파 신호들 사이의 기능적 연결성 지수들을 모두 산출하는 단계; 및 휴식 상태에서 산출된 상기 기능적 연결성 지수들의 분포를 기초로 각 채널쌍들 및 각 대역별로 유의 연결성 임계치들을 설정하는 단계를 포함할 수 있다.
일 실시예에 따라, 상기 기능적 연결성 지수는 각 채널쌍의 뇌파 신호들 사이의 위상동기화 지수, 상관 지수, 간섭 지수, 그레인저 인과율(GCI), PDC, DTF, 상호 정보량, 전송 엔트로피, 동기 유사도 중 하나일 수 있다.
일 실시예에 따라, 상기 기능적 연결성 패턴을 도출하는 단계는, 사용자가 뇌 활동 중인 동안에 복수 채널의 뇌파 신호들을 검출하는 단계; 상기 검출된 복수 채널의 뇌파 신호들에 대하여 각 채널쌍마다 뇌파 신호들 사이의 기능적 연결성 지수들을 모두 산출하는 단계; 및 활동 상태에서 산출된 상기 기능적 연결성 지수들과 상기 유의 연결성 임계치들에 기초하여, 복수 채널의 뇌파 신호들 사이의 기능적 연결성 패턴을 도출하는 단계를 포함할 수 있다.
일 실시예에 따라, 상기 기능적 연결성 패턴은 두피에 접촉한 전극들을 정점들로 보고, 두 전극들 사이에 기능적 연결성 지수가 유의 연결성 임계치를 초과하여 유의한 연결성이 있음을 의미하는 선분들을 모서리로 하여 연결한 연결성 그래프일 수 있다.
일 실시예에 따라, 상기 대뇌 활동 지표를 산출하는 단계는, 상기 도출된 기능적 연결성 패턴으로부터 정규화된 그래프 이론 수치를 산출하는 단계; 및 상기 산출된 정규화된 그래프 이론 수치로부터 대뇌 네트워크 특성을 정량화한 대뇌 활동 지표를 산출하는 단계를 포함할 수 있다.
일 실시예에 따라, 상기 정규화된 그래프 이론 수치를 산출하는 단계는, 상기 기능적 연결성 패턴으로부터 산출된 그래프 이론 수치를 복수의 랜덤 네트워크들로부터 산출된 랜덤 그래프 이론 수치들의 통계적 대표값으로 나누어, 정규화된 그래프 이론 수치를 산출하는 단계를 포함할 수 있다.
일 실시예에 따라, 상기 랜덤 그래프 이론 수치들의 통계적 대표값은 평균값, 중앙값, 최빈값 중 하나일 수 있다.
일 실시예에 따라, 상기 랜덤 네트워크들은 기능적 연결성 패턴의 모서리 개수 및 정점 개수와 동일한 모서리 개수 및 정점 개수를 가지지만 정점들의 위치가 무작위로 선정되는 네트워크들일 수 있다.
일 실시예에 따라, 상기 랜덤 네트워크들은 검출된 복수 채널의 뇌파 신호들에 주파수 대역에서 랜덤 위상 노이즈를 주입하여 생성된 랜덤 위상 뇌파 신호들로부터 산출되는 네트워크들일 수 있다.
일 실시예에 따라, 상기 뉴로피드백 방법은 상기 기능적 연결성 패턴을 시각화하여 사용자에게 제공하는 단계를 더 포함할 수 있다.
본 발명의 대뇌 네트워크 특성 분석을 이용한 뉴로피드백 방법 및 장치에 따르면, 뇌파 측정 기법에 기초하여 대뇌 네트워크 특성을 분석할 수 있다.
본 발명의 대뇌 네트워크 특성 분석을 이용한 뉴로피드백 방법 및 장치에 따르면, 뇌파 측정 기법에 기초하여 기능적 연결성 패턴을 도출하고, 기능적 연결성 패턴들에 의해 대뇌 네트워크를 생성할 수 있다.
본 발명의 대뇌 네트워크 특성 분석을 이용한 뉴로피드백 방법 및 장치에 따르면, 뇌파 측정 기법에 기초하여 도출된 기능적 연결성 패턴에 의해 대뇌 네트워크를 생성하고, 대뇌 네트워크의 특성을 정량화하며, 정량화된 대뇌 네트워크 특성 지수를 사용자에게 피드백할 수 있다.
도 1은 본 발명의 일 실시예에 따른 대뇌 네트워크 특성 분석을 이용한 뉴로피드백 장치를 예시한 블록도이다.
도 2는 본 발명의 일 실시예에 따른 대뇌 네트워크 특성 분석을 이용한 뉴로피드백 장치의 유의 연결성 임계치 설정부 및 대뇌 네트워크 분석부를 세부적으로 예시한 블록도이다.
도 3은 본 발명의 일 실시예에 따른 대뇌 네트워크 특성 분석을 이용한 뉴로피드백 장치의 유의 연결성 임계치 설정부 내의 휴식 상태 기능적 연결성 분석부의 구성을 좀더 세부적으로 예시한 블록도이다.
도 4는 본 발명의 일 실시예에 따른 대뇌 네트워크 특성 분석을 이용한 뉴로피드백 장치의 대뇌 네트워크 분석부의 활동 상태 기능적 연결성 분석부의 구성을 좀더 세부적으로 예시한 블록도이다.
도 5는 본 발명의 일 실시예에 따른 대뇌 네트워크 특성 분석을 이용한 뉴로피드백 장치의 대뇌 네트워크 분석부 내의 기능적 연결성 분석부에서 분석되는 기능적 연결성 패턴을 예시한 모식도이다.
도 6은 본 발명의 일 실시예에 따른 대뇌 네트워크 특성 분석을 이용한 뉴로피드백 장치의 대뇌 네트워크 분석부 내의 네트워크 특성 분석부의 구성을 좀더 세부적으로 예시한 블록도이다.
도 7은 본 발명의 일 실시예에 따른 대뇌 네트워크 특성 분석을 이용한 뉴로피드백 장치가 제공할 수 있는 대뇌 활동 지표를 예시한 도면이다.
도 8은 본 발명의 일 실시예에 따른 대뇌 네트워크 특성 분석을 이용한 뉴로피드백 방법을 예시한 순서도이다.
본문에 개시되어 있는 본 발명의 실시예들에 대해서, 특정한 구조적 내지 기능적 설명들은 단지 본 발명의 실시예를 설명하기 위한 목적으로 예시된 것으로, 본 발명의 실시예들은 다양한 형태로 실시될 수 있으며 본문에 설명된 실시예들에 한정되는 것으로 해석되어서는 아니 된다.
이하, 첨부한 도면들을 참조하여, 본 발명의 바람직한 실시예를 보다 상세하게 설명하고자 한다. 도면상의 동일한 구성요소에 대해서는 동일한 참조부호를 사용하고 동일한 구성요소에 대해서 중복된 설명은 생략한다.
도 1은 본 발명의 일 실시예에 따른 대뇌 네트워크 특성 분석을 이용한 뉴로피드백 장치를 예시한 블록도이다.
도 1을 참조하면, 대뇌 네트워크 특성 분석을 이용한 뉴로피드백 장치(10)는 다채널 뇌파 측정부(11), 유의 연결성 임계치 설정부(12), 대뇌 네트워크 분석부(13) 및 피드백 자극 생성부(14)를 포함할 수 있다.
다채널 뇌파 측정부(11)는 두피에 부착 또는 접촉한 복수의 전극들로부터 대뇌 활동 시에 생성되는 복수의 전기적 신호들을 수신하고, 수신된 복수의 전기적 신호들로부터 복수 채널의 뇌파 신호들을 검출한다. 다채널 뇌파 측정부(11)는 잡음 성분을 제거하고 뇌 활동에 의한 전기적 신호들을 강화할 수 있는 여러 수단들, 예를 들어 저역 통과 필터링, 저잡음 증폭 등의 회로들로써 구현될 수 있다.
유의 연결성 임계치 설정부(12)는 사용자가 휴식 상태인 동안에 검출된 복수 채널의 뇌파 신호들 사이의 기능적 연결성 지수에 기초하여, 각 채널쌍의 뇌파 신호들 사이의 기능적 연결성이 유의성을 가지는지 판단하기 위한 유의 연결성 임계치들을 설정한다.
대뇌 네트워크 분석부(13)는 사용자가 뇌 활동 중인 동안에 검출된 복수 채널의 뇌파 신호들 사이의 기능적 연결성 지수들 및 유의 연결성 임계치들에 기초하여 복수 채널의 뇌파 신호들 사이의 기능적 연결성 패턴을 도출하며, 도출된 기능적 연결성 패턴으로부터 대뇌 네트워크 특성을 정량화한 대뇌 활동 지표를 산출한다.
피드백 자극 생성부(14)는 정량화된 대뇌 활동 지표에 기초한 감각 자극 정보를 생성하여 사용자에게 제공한다.
사용자가 감각 자극 정보에 따라 반응하면서 뇌 활동에 변화가 일어나면 정량화된 대뇌 네트워크 특성 및 대뇌 활동 지표가 변화할 것이고 이에 따라 감각 자극 정보가 변화할 것이다. 따라서, 사용자는 감각 자극 정보가 바람직한 방향으로 변하도록 뇌 활동을 조절할 수 있을 것으로 기대된다.
실시예에 따라, 피드백 자극 생성부(14)는 대뇌 네트워크 분석부(13)로부터 제공되는 기능적 연결성 패턴을 시각화하여 사용자에게 제공할 수도 있다.
도 2는 본 발명의 일 실시예에 따른 대뇌 네트워크 특성 분석을 이용한 뉴로피드백 장치의 유의 연결성 임계치 설정부 및 대뇌 네트워크 분석부를 세부적으로 예시한 블록도이다.
도 2를 참조하면, 유의 연결성 임계치 설정부(12)는 사용자가 휴식 상태인 동안에 복수 채널의 뇌파 신호들을 검출하고, 검출된 복수 채널의 뇌파 신호들로부터 각 채널쌍마다 뇌파 신호들 사이의 기능적 연결성 지수들을 모두 산출하며, 산출된 기능적 연결성 지수들에 기초하여, 임의의 두 채널의 뇌파 신호들 사이의 기능적 연결성이 유의성을 가지는지 판단하기 위한 유의 연결성 임계치들을 설정한다.
이를 위해 구체적으로, 유의 연결성 임계치 설정부(12)는 휴식 상태 기능적 연결성 분석부(121)와 임계치 산출부(122)를 포함할 수 있다.
휴식 상태 기능적 연결성 분석부(121)는 휴식 상태에서 복수 채널의 뇌파 신호들을 수신하고, 적어도 하나의 관심 주파수 대역으로 필터링하며, 모든 뇌파 신호들에 대하여 각각 짝지워지는 두 채널들, 즉 각 채널쌍마다 뇌파 신호들 사이의 기능적 연결성 지수들을 모두 산출할 수 있다.
실시예에 따라, 복수 채널의 뇌파 신호들은 세타 대역(4~8 Hz), 알파 대역(8~13 Hz), 베타 대역(13~30 Hz) 및 감마 대역(30~ Hz)의 주파수 대역들에 따라 필터링될 수 있다.
실시예에 따라, 기능적 연결성 지수는 두 채널의 필터링된 뇌파 신호들 사이의 위상동기화 지수(Phase Locking Vaule, PLV), 상관 지수(correlation coefficient), 간섭 지수(coherence coefficient), 그레인저 인과율(Granger's Causality Index), PDC(Partial Directed Coherence), DTF(Directed Transfer Function), 상호 정보량(Mutual Information), 전송 엔트로피(Transfer Entropy), 동기 유사도(Synchronization Likelihood) 중 하나일 수 있다.
임계치 산출부(122)는 휴식 상태에서 산출된 기능적 연결성 지수들의 분포를 기초로 각 채널쌍들 및 각 대역별로 유의 연결성 임계치들을 설정할 수 있다.
실시예에 따라, 유의 연결성 임계치들은 각 채널쌍 및 각 주파수 대역별로 소정 시구간 동안 측정되는 기능적 연결성 지수들에 관하여 예를 들어 평균값, 중간값, 최빈값, 최대값, 최소값이나, 최대값과 최소값의 차이의 20% 또는 80%에 해당하는 값, 또는 최빈값의 50%에 해당하는 값들 중 가장 작은 값과 같이, 설계자가 선택하는 다양한 산출법에 따라 설정될 수 있다.
또한, 대뇌 네트워크 분석부(13)는 사용자가 뇌 활동 중인 동안에 복수 채널의 뇌파 신호들을 검출하고, 검출된 복수 채널의 뇌파 신호들에 대하여 짝지워지는 각 채널쌍마다 뇌파 신호들 사이의 기능적 연결성 지수들을 모두 산출하며, 활동 상태에서 산출된 기능적 연결성 지수들과 유의 연결성 임계치들에 기초하여, 복수 채널의 뇌파 신호들 사이의 기능적 연결성 패턴을 도출하며, 도출된 기능적 연결성 패턴으로부터 대뇌 네트워크 특성을 정량화한 대뇌 활동 지표를 산출한다.
이를 위해 구체적으로, 대뇌 네트워크 분석부(13)는 활동 상태 기능적 연결성 분석부(131)와 네트워크 특성 분석부(132)를 포함할 수 있다.
활동 상태 기능적 연결성 분석부(131)는 사용자가 뇌 활동 중인 동안에 복수 채널의 뇌파 신호들을 검출하고, 검출된 복수 채널의 뇌파 신호들에 대하여 짝지워지는 각 채널쌍마다 뇌파 신호들 사이의 기능적 연결성 지수들을 모두 산출하며, 활동 상태에서 산출된 기능적 연결성 지수들과 유의 연결성 임계치 설정부(12)에서 제공되는 유의 연결성 임계치들에 기초하여, 복수 채널의 뇌파 신호들 사이의 기능적 연결성 패턴을 도출할 수 있다.
네트워크 특성 분석부(132)는 도출된 기능적 연결성 패턴으로부터 대뇌 네트워크 특성을 정량화하여 대뇌 활동 지표를 산출하고, 산출된 대뇌 활동 지표를 피드백 자극 생성부(14)에 제공할 수 있다.
실시예에 따라, 복수 채널의 뇌파 신호들은 세타 대역(4~8 Hz), 알파 대역(8~13 Hz), 베타 대역(13~30 Hz) 및 감마 대역(30~ Hz)의 주파수 대역들에 따라 필터링될 수 있다.
실시예에 따라, 기능적 연결성 지수는 두 채널의 필터링된 뇌파 신호들 사이의 위상동기화 지수, 상관 지수, 간섭 지수, 그레인저 인과율(GCI), PDC, DTF, 상호 정보량, 전송 엔트로피, 동기 유사도 중 하나일 수 있다.
실시예에 따라, 기능적 연결성 패턴은 기능적 연결성 지수가 유의 연결성 임계치를 초과하는 채널쌍들로 구성되는 네트워크이다.
기능적 연결성 패턴은 두피에 접촉한 전극들을 2차원적으로 또는 3차원적으로 배열된 정점들(node)로 보고, 두 전극들 사이에 기능적 연결성 지수가 유의 연결성 임계치를 초과하여 유의한 연결성이 있음을 의미하는 선분들을 모서리(edge)로 하는 연결성 그래프로 구체화될 수 있다.
실시예에 따라, 기능적 연결성 패턴은 주파수 대역별로 생성될 수 있다.
실시예에 따라, 활동 상태 기능적 연결성 분석부(131)도 도출된 기능적 연결성 패턴을 피드백 자극 생성부(14)에 제공할 수 있다.
네트워크 특성 분석부(132)는 도출된 기능적 연결성 패턴으로부터 정규화된 그래프 이론 수치를 산출하고, 산출된 정규화된 그래프 이론 수치로부터 대뇌 네트워크 특성을 정량화한 대뇌 활동 지표를 산출할 수 있다.
구체적으로, 네트워크 특성 분석부(132)는 기능적 연결성 패턴으로부터 산출된 그래프 이론 수치를 복수의 랜덤 네트워크들로부터 산출된 랜덤 그래프 이론 수치들의 통계적 대표값으로 나누어, 정규화된 그래프 이론 수치를 산출할 수 있다.
그래프 이론 수치는 예를 들어 그래프 이론 분야에 알려진 특성 경로 길이(Characteristic Path Lenght), 클러스터링 지수(Clustering Coefficient), SWI(Small Worldness Index), 연결성 정도(Degree), 사이 중앙성(Betweenness Centrality), 인접 중앙성(Closeness Centrality), 모듈화 지수(Modularity), 허브 지수(Hub), 리치 클럽 지수(Richi Club Coefficient) 등과 같은 적어도 하나의 그래프 이론 수치들을 포함할 수 있다.
랜덤 그래프 이론 수치들의 통계적 대표값은 예를 들어 평균값, 중앙값, 최빈값 등으로 산출될 수 있다.
실시예에 따라, 랜덤 네트워크들은 기능적 연결성 패턴의 모서리 개수 및 정점 개수와 동일한 모서리 개수 및 정점 개수를 가지지만 정점들의 위치가 무작위로 선정되는 네트워크들이다.
실시예에 따라, 랜덤 네트워크들은 검출된 복수 채널의 뇌파 신호들에 주파수 대역에서 랜덤 위상 노이즈를 주입하여 생성된 랜덤 위상 뇌파 신호들로부터 산출되는 네트워크들이다.
한편, 유의 연결성 임계치 설정부(12)나 대뇌 네트워크 분석부(13)는 모두 기능적 연결성을 분석하는 구성을 가지므로, 복수 채널의 뇌파 신호들에 관하여 산출되는 기능적 연결성 지수들을 이용하는 공통점이 있다.
다만, 유의 연결성 임계치 설정부(12)는 사용자가 휴식 상태일 때의 뇌파 신호들에 대해 기능적 연결성을 분석하고, 대뇌 네트워크 분석부(13)는 뇌 활동 중일 때의 뇌파 신호들에 대해 기능적 연결성을 분석하는 점이 다르다고 할 수 있다.
사용자의 뇌는 휴식 상태이거나 활동 상태 중 어느 한 상태일 것이고 휴식 상태이면서 동시에 활동 상태이기는 어려울 것이다. 따라서, 유의 연결성 임계치 설정부(12)나 대뇌 네트워크 분석부(13)는 각자 기능적 연결성 분석 작업을 개별적으로 수행하도록 구성될 수도 있지만, 유의 연결성 임계치 설정부(12)나 대뇌 네트워크 분석부(13) 중 어느 하나에서 기능적 연결성 분석 작업이 수행되고 다른 하나는 기능적 연결성 분석 결과를 전달받아 이용하도록 구성될 수도 있다.
도 3은 본 발명의 일 실시예에 따른 대뇌 네트워크 특성 분석을 이용한 뉴로피드백 장치의 유의 연결성 임계치 설정부 내의 휴식 상태 기능적 연결성 분석부의 구성을 좀더 세부적으로 예시한 블록도이다.
도 3을 참조하면, 휴식 상태 기능적 연결성 분석부(121)는 뇌파 필터링부(1211) 및 위상 동기화 지수 산출부(1212)를 포함할 수 있다.
뇌파 필터링부(1211)는 휴식 상태에서 복수 채널의 뇌파 신호들을 수신하고, 적어도 하나의 관심 주파수 대역으로 필터링한다.
위상 동기화 지수 산출부(1212)는 모든 뇌파 신호들에 대하여 각각 짝지워지는 두 채널들, 즉 각 채널쌍마다 뇌파 신호들 사이의 기능적 연결성 지수들로서 위상 동기화 지수들(PLV)을 산출한다.
구체적으로 위상 동기화 지수 산출부(1212)는 필터링된 뇌파 신호들의 순간 위상들을 산출한다.
예를 들어, 위상 동기화 지수 산출부(1212)는 뇌파 신호
Figure 112015019629748-pat00001
를 수학식 1과 같이 힐버트 변환(Hilbert Transform)하여 힐버트 변환 뇌파 신호
Figure 112015019629748-pat00002
를 획득하고, 뇌파 신호
Figure 112015019629748-pat00003
의 순간 위상
Figure 112015019629748-pat00004
을 다음 수학식 2와 같이 산출할 수 있다.
Figure 112015019629748-pat00005
Figure 112015019629748-pat00006
실시예에 따라, 뇌파 신호의 순간 위상은 힐버트 연산 대신에 연속 웨이블릿 변환을 이용하여 산출될 수도 있다.
두 개의 뇌파 신호들 사이의 위상 동기화 지수(PLV)는 두 뇌파 신호들 사이의 순간 위상차가 시간에 따라 얼마나 일정하게 유지되는지를 정량화한 지수로서, 예를 들어 다음 수학식 3과 같이 산출될 수 있다.
Figure 112015019629748-pat00007
수학식 3에서
Figure 112015019629748-pat00008
는 i번째 및 k번째 뇌파 신호들의 위상 동기화 지수이고, T는 뇌파 신호들로부터 위상 동기화 지수를 산출하기 위해 순간 위상 값들을 관찰하는 시구간의 길이이고, t는 한 샘플 시간이며,
Figure 112015019629748-pat00009
와
Figure 112015019629748-pat00010
는 각각 i번째 및 k번째 뇌파 신호들의 순간 위상들이다. j는 허수(imaginary number)이다.
수학식 3의 위상 동기화 지수(PLV)는 0부터 1 사이의 실수로 도출되며 1에 가까울수록 두 뇌파 신호들이 기능적으로 강하게 연결되어 있거나 동기화되어 있음을 의미하므로, 기능적 연결성 지수로서 활용될 수 있다.
도 4는 본 발명의 일 실시예에 따른 대뇌 네트워크 특성 분석을 이용한 뉴로피드백 장치의 대뇌 네트워크 분석부의 활동 상태 기능적 연결성 분석부의 구성을 좀더 세부적으로 예시한 블록도이다.
도 4를 참조하면, 활동 상태 기능적 연결성 분석부(131)는 뇌파 필터링부(1311), 위상 동기화 지수 산출부(1312), 기능적 연결성 유의성 판정부(1313) 및 기능적 연결성 패턴 생성부(1314)를 포함할 수 있다.
뇌파 필터링부(1311)는 뇌 활동 상태에서 복수 채널의 뇌파 신호들을 수신하고, 적어도 하나의 관심 주파수 대역으로 필터링한다.
위상 동기화 지수 산출부(1312)는 모든 뇌파 신호들에 대하여 각각 짝지워지는 두 채널들, 즉 각 채널쌍마다 뇌파 신호들 사이의 기능적 연결성 지수들로서 위상 동기화 지수들(PLV)을 산출한다.
구체적으로 위상 동기화 지수 산출부(1312)는 필터링된 뇌파 신호들의 순간 위상들을 예를 들어 상술한 수학식 1 및 2와 같이 산출한다.
실시예에 따라, 뇌파 신호의 순간 위상은 힐버트 연산 대신에 연속 웨이블릿 변환을 이용하여 산출될 수도 있다.
또한 위상 동기화 지수 산출부(1312)는 두 개의 뇌파 신호들 사이의 위상 동기화 지수(PLV)를 상술한 수학식 3과 같이 산출할 수 있다.
기능적 연결성 유의성 판정부(1313)는 활동 상태에서 산출된 기능적 연결성 지수들과 유의 연결성 임계치 설정부(12)에서 제공되는 유의 연결성 임계치들에 기초하여, 각 채널쌍들에 관하여 기능적 연결성의 유의성 여부를 판정할 수 있다.
예를 들어, 기능적 연결성 유의성 판정부(1313)는 어떤 채널쌍에 관하여 산출된 기능적 연결성 지수가 그 채널쌍에 관하여 설정된 유의 연결성 임계치보다 크면 그 채널쌍의 기능적 연결성이 유의성이 있다고 판정할 수 있다.
기능적 연결성 패턴 생성부(1314)는 기능적 연결성에 유의성이 있다고 판정된 채널쌍들을 서로 연결하여 기능적 연결성 패턴을 도출할 수 있다.
기능적 연결성 패턴에 관하여 설명하기 위해 도 5를 참조하면, 도 5는 본 발명의 일 실시예에 따른 대뇌 네트워크 특성 분석을 이용한 뉴로피드백 장치의 대뇌 네트워크 분석부 내의 기능적 연결성 분석부에서 분석되는 기능적 연결성 패턴을 예시한 모식도이다.
도 5에서, 사용자의 두뇌 활동으로부터 발생하는 전기적 신호들을 측정하기 위해 두피의 여러 위치에 복수의 전극들이 배치되어 있는 모습이 예시되어 있다.
전극들을 2차원적으로 또는 3차원적으로 배열하고, 두 전극들 사이에 기능적 연결성 지수가 유의 연결성 임계치를 초과하여 유의미한 기능적 연결성이 있다고 판정된 경우에 두 전극들을 선분으로 연결하면, 전극이 노드이고 선분이 모서리인 연결성 그래프가 얻어진다.
도 5에서 기능적 연결성 패턴들은 각 주파수 대역들마다, 또한 휴식 상태와 뇌 활동 상태일 때에 실시간적으로 각각 획득될 수 있다.
뇌 활동 상태인 동안의 기능적 연결성 패턴들은 휴식 상태인 동안의 기능적 연결성 패턴들과 확연히 다름을 시각적으로 볼 수 있다.
기능적 연결성 패턴은 그 자체로 뇌 활동에 관한 시각적 피드백으로 이용될 수 있다. 다만, 예를 들어 세타파의 기능적 연결성 패턴에서 볼 수 있듯이 어느 정도 이상의 뇌 활동이 일어나면 뇌 활동들의 차이를 시각적으로 구분하기 쉽지 않을 것이므로, 서로 다른 뇌 활동들 사이에 기능적 연결성 패턴을 구분하기 좋게 분석할 필요가 있다.
도 6은 본 발명의 일 실시예에 따른 대뇌 네트워크 특성 분석을 이용한 뉴로피드백 장치의 대뇌 네트워크 분석부 내의 네트워크 특성 분석부의 구성을 좀더 세부적으로 예시한 블록도이다.
도 6을 참조하면, 네트워크 특성 분석부(132)는 기능적 연결성 패턴 정량화부(1321), 랜덤 네트워크 정량화부(1322) 및 정량화 지수 산출부(1323)를 포함할 수 있다.
기능적 연결성 패턴 정량화부(1321)는 기능적 연결성 패턴으로부터 그래프 이론 수치를 산출한다. 그래프 이론 수치는 예를 들어 그래프 이론 분야에 알려진 특성 경로 길이, 클러스터링 지수, SWI, 연결성 정도, 사이 중앙성, 인접 중앙성, 모듈화 지수, 허브 지수, 리치 클럽 지수 등과 같은 적어도 하나의 그래프 이론 수치들을 포함할 수 있다.
예를 들어, 그래프 이론 수치가 특성 경로 길이라면, 그래프 이론 수치는 다음 수학식 4와 같이 산출될 수 있다.
Figure 112015019629748-pat00011
여기서, L은 원거리 네트워크 상태를 대표하는 특성 경로 길이이고, N은 정점들의 개수, i 및 j는 정점들의 인덱스, di,j는 정점 i에서 정점 j가 연결되기까지 필요한 최소 모서리 개수이다.
한편, 그래프 이론 수치가 클러스터링 지수라면, 그래프 이론 수치는 다음 수학식 5와 같이 산출될 수 있다.
Figure 112015019629748-pat00012
여기서 C는 클러스터링 지수이고, N은 정점들의 개수, i는 정점들의 인덱스, ci는 정점 i에 연결된 이웃 정점들에 대한 정점 i의 연결성 정도(Degree)이다.
나아가, 그래프 이론 수치가 SWI라면, 그래프 이론 수치는 다음 수학식 6과 같이 산출될 수 있다.
Figure 112015019629748-pat00013
여기서 C는 수학식 5에서 산출되는 클러스터링 지수이고, L은 수학식 4에서 산출되는 특성 경로 길이이다. SWI 값은 네트워크의 효율성을 정량화할 수 있으며, SWI 값이 큰 네트워크는 근거리 연결성 및 원거리 연결성이 모두 강하여 정점간 상호 작용이 큰 네트워크로 이해될 수 있다.
랜덤 네트워크 정량화부(1322)는 복수의 랜덤 네트워크들로부터 랜덤 그래프 이론 수치들의 통계적 대표값을 산출할 수 있다.
랜덤 그래프 이론 수치들의 통계적 대표값은 예를 들어 평균값, 중앙값, 최빈값 등으로 산출될 수 있다.
실시예에 따라, 랜덤 네트워크들은 기능적 연결성 패턴의 모서리 개수 및 정점 개수와 동일한 모서리 개수 및 정점 개수를 가지지만 정점들의 위치가 무작위로 선정되는 네트워크들이다.
이러한 랜덤 네트워크들은 다음과 같이 행렬의 형태로 처리될 수 있다.
예를 들어, 도출된 기능적 연결성 패턴에 상응하는 기능적 연결성 네트워크 행렬은, N 개의 전극들, 즉 N 개의 채널들 중 각각 선택되는 두 채널들 사이에 유의한 연결성이 있으면 행렬 요소가 1이고 유의한 연결성이 없으면 행렬 요소가 0인, N×N 행렬로서 구체화될 수 있다.
이에 따라, 랜덤 네트워크들은, 행렬 요소들이 모두 0 또는 1인 N×N 행렬로서, 1의 개수가 기능적 연결성 네트워크 행렬 중의 1의 개수와 같으면서 1인 행렬 요소들이 무작위적으로 배치되는 복수의 행렬들로 처리될 수 있다.
실시예에 따라, 랜덤 네트워크들은 검출된 복수 채널의 뇌파 신호들에 주파수 대역에서 랜덤 위상 노이즈를 주입하여 생성된 랜덤 위상 뇌파 신호들로부터 산출되는 네트워크들이다.
랜덤 네트워크 정량화부(1322)는 유의미한 통계적 대표값을 도출할 수 있을 정도의 개수만큼, 예를 들어 수십 개의 랜덤 네트워크들을 만들고, 각 랜덤 네트워크로부터 그래프 이론 수치들을 산출하며, 산출된 그래프 이론 수치들을 예를 들어 평균하여 랜덤 그래프 이론 수치들의 통계적 대표값을 산출할 수 있다.
정량화 지수 산출부(1323)는 그래프 이론 수치를 랜덤 그래프 이론 수치들의 통계적 대표값으로 나누어, 정규화된 그래프 이론 수치를 산출할 수 있고, 정규화된 그래프 이론 수치에 기초하여, 대뇌 네트워크 특성을 정량화한 대뇌 활동 지표를 산출할 수 있다.
실시예에 따라 정량화 지수 산출부(1323)는 정규화된 그래프 이론 수치를 그대로 대뇌 활동 지표로 출력할 수 있다.
실시예에 따라 정량화 지수 산출부(1323)는 두 개 이상의 정규화된 그래프 이론 수치들을 조합하여 대뇌 활동 지표를 출력할 수 있다.
도 7은 본 발명의 일 실시예에 따른 대뇌 네트워크 특성 분석을 이용한 뉴로피드백 장치가 제공할 수 있는 대뇌 활동 지표를 예시한 도면이다.
도 7을 참조하면, 세타파의 주파수 대역에 상응하는 뇌파 신호들에 관하여, 정규화된 연결성 정도와 정규화된 SWI 및 피드백되는 대뇌 활동 지표가 예시된다.
여기서는 대뇌 활동 지표는 정규화된 연결성 정도와 정규화된 SWI의 평균으로 산출된다.
도 8은 본 발명의 일 실시예에 따른 대뇌 네트워크 특성 분석을 이용한 뉴로피드백 방법을 예시한 순서도이다.
본 발명의 대뇌 네트워크 특성 분석을 이용한 뉴로피드백 방법은 다채널로 측정되는 뇌파 신호들을 입력받고, 뇌파 신호들의 네트워크 특성을 분석할 수 있도록 프로그래밍된 컴퓨터에서 수행될 수 있다.
이에 따라, 본 발명의 대뇌 네트워크 특성 분석을 이용한 뉴로피드백 방법은, 단계(S81)에서, 컴퓨터가 두피에 부착 또는 접촉한 복수의 전극들로부터 대뇌 활동 시에 생성되는 복수의 전기적 신호들을 수신하고, 수신된 복수의 전기적 신호들로부터 복수 채널의 뇌파 신호들을 검출하는 단계로부터 시작할 수 있다.
단계(S82)에서, 컴퓨터는 사용자가 휴식 상태인 동안에 검출된 복수 채널의 뇌파 신호들 사이의 기능적 연결성 지수에 기초하여, 각 채널쌍의 뇌파 신호들 사이의 기능적 연결성이 유의성을 가지는지 판단하기 위한 유의 연결성 임계치들을 설정한다.
실시예에 따라, 복수 채널의 뇌파 신호들은 세타 대역(4~8 Hz), 알파 대역(8~13 Hz), 베타 대역(13~30 Hz) 및 감마 대역(30~ Hz)의 주파수 대역들에 따라 필터링될 수 있다.
실시예에 따라, 기능적 연결성 지수는 두 채널의 필터링된 뇌파 신호들 사이의 위상동기화 지수, 상관 지수, 간섭 지수, 그레인저 인과율(GCI), PDC, DTF, 상호 정보량, 전송 엔트로피, 동기 유사도 중 하나일 수 있다.
단계(S83)에서, 컴퓨터는 사용자가 뇌 활동 중인 동안에 검출된 복수 채널의 뇌파 신호들 사이의 기능적 연결성 지수들 및 유의 연결성 임계치들에 기초하여 복수 채널의 뇌파 신호들 사이의 기능적 연결성 패턴을 도출할 수 있다.
실시예에 따라, 기능적 연결성 패턴은 기능적 연결성 지수가 유의 연결성 임계치를 초과하는 채널쌍들로 구성되는 네트워크이다.
실시예에 따라, 기능적 연결성 패턴은 주파수 대역별로 생성될 수 있다.
단계(S84)에서, 컴퓨터는 도출된 기능적 연결성 패턴으로부터 대뇌 네트워크 특성을 정량화한 대뇌 활동 지표를 산출한다.
실시예에 따라, 단계(S84)는 컴퓨터가 도출된 기능적 연결성 패턴으로부터 정규화된 그래프 이론 수치를 산출하는 단계와, 컴퓨터가 산출된 정규화된 그래프 이론 수치로부터 대뇌 네트워크 특성을 정량화한 대뇌 활동 지표를 산출하는 단계를 포함할 수 있다.
좀더 구체적으로, 단계(84)는 컴퓨터가 기능적 연결성 패턴으로부터 산출된 그래프 이론 수치를 복수의 랜덤 네트워크들로부터 산출된 랜덤 그래프 이론 수치들의 통계적 대표값으로 나누어, 정규화된 그래프 이론 수치를 산출하는 단계를 포함할 수 있다.
그래프 이론 수치는 예를 들어 그래프 이론 분야에 알려진 특성 경로 길이, 클러스터링 지수, SWI, 연결성 정도, 사이 중앙성, 인접 중앙성, 모듈화 지수, 허브 지수, 리치 클럽 지수 등과 같은 적어도 하나의 그래프 이론 수치들을 포함할 수 있다.
실시예에 따라, 랜덤 그래프 이론 수치들의 통계적 대표값은 예를 들어 평균값, 중앙값, 최빈값 등으로 산출될 수 있다.
실시예에 따라, 랜덤 네트워크들은 기능적 연결성 패턴의 모서리 개수 및 정점 개수와 동일한 모서리 개수 및 정점 개수를 가지지만 정점들의 위치가 무작위로 선정되는 네트워크들이다.
실시예에 따라, 랜덤 네트워크들은 검출된 복수 채널의 뇌파 신호들에 주파수 대역에서 랜덤 위상 노이즈를 주입하여 생성된 랜덤 위상 뇌파 신호들로부터 산출되는 네트워크들이다.
단계(S85)에서, 컴퓨터는 정량화된 대뇌 활동 지표에 기초한 감각 자극 정보를 생성하여 사용자에게 제공한다.
실시예에 따라, 단계(S86)에서, 컴퓨터는 기능적 연결성 패턴을 시각화하여 사용자에게 제공할 수도 있다.
본 실시예 및 본 명세서에 첨부된 도면은 본 발명에 포함되는 기술적 사상의 일부를 명확하게 나타내고 있는 것에 불과하며, 본 발명의 명세서 및 도면에 포함된 기술적 사상의 범위 내에서 당업자가 용이하게 유추할 수 있는 변형예와 구체적인 실시예는 모두 본 발명의 권리범위에 포함되는 것이 자명하다고 할 것이다.
또한, 본 발명에 따른 장치는 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의하여 읽힐 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 기록매체의 예로는 ROM, RAM, 광학 디스크, 자기 테이프, 플로피 디스크, 하드 디스크, 비휘발성 메모리 등을 포함한다. 또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.
10 뉴로피드백 장치 11 다채널 뇌파 측정부
12 유의 연결성 임계치 설정부
121 휴식 상태 기능적 연결성 분석부
1211 뇌파 필터링부 1212 위상 동기화 지수 산출부
122 임계치 산출부
13 대뇌 네트워크 분석부
131 활동 상태 기능적 연결성 분석부
1311 뇌파 필터링부 1312 위상 동기화 지수 산출부
1313 기능적 연결성 유의성 판정부 1314 기능적 연결성 패턴 생성부
132 네트워크 특성 분석부
1321 기능적 연결성 패턴 정량화부 1322 랜덤 네트워크 정량화부
1323 정량화 지수 산출부
14 피드백 자극 생성부

Claims (25)

  1. 사용자가 휴식 상태인 동안에 검출된 복수 채널의 뇌파 신호들 사이의 기능적 연결성 지수에 기초하여, 각 채널쌍의 뇌파 신호들 사이의 기능적 연결성이 유의성을 가지는지 판단하기 위한 유의 연결성 임계치들을 설정하는 유의 연결성 임계치 설정부; 및
    사용자가 뇌 활동 중인 동안에 검출된 복수 채널의 뇌파 신호들 사이의 기능적 연결성 지수들 및 상기 유의 연결성 임계치들에 기초하여 복수 채널의 뇌파 신호들 사이의 기능적 연결성 패턴을 도출하며, 도출된 기능적 연결성 패턴으로부터 대뇌 네트워크 특성을 정량화한 대뇌 활동 지표를 산출하는 대뇌 네트워크 분석부를 포함하는 뉴로피드백 장치.
  2. 청구항 1에 있어서,
    상기 정량화된 대뇌 활동 지표에 기초한 감각 자극 정보를 생성하여 사용자에게 제공하는 피드백 자극 생성부를 더 포함하는 것을 특징으로 하는 뉴로피드백 장치.
  3. 청구항 1에 있어서, 상기 유의 연결성 임계치 설정부는
    휴식 상태에서 복수 채널의 뇌파 신호들을 수신하고, 적어도 하나의 관심 주파수 대역으로 필터링하며, 각 채널쌍마다 뇌파 신호들 사이의 기능적 연결성 지수들을 모두 산출하는 휴식 상태 기능적 연결성 분석부; 및
    휴식 상태에서 산출된 상기 기능적 연결성 지수들의 분포를 기초로 각 채널쌍들 및 각 대역별로 유의 연결성 임계치들을 설정하는 임계치 설정부를 포함하는 것을 특징으로 하는 뉴로피드백 장치.
  4. 청구항 1에 있어서, 상기 기능적 연결성 지수는 각 채널쌍의 뇌파 신호들 사이의 위상동기화 지수, 상관 지수, 간섭 지수, 그레인저 인과율(GCI), PDC, DTF, 상호 정보량, 전송 엔트로피, 동기 유사도 중 하나인 것을 특징으로 하는 뉴로피드백 장치.
  5. 청구항 1에 있어서, 상기 대뇌 네트워크 분석부는
    사용자가 뇌 활동 중인 동안에 복수 채널의 뇌파 신호들을 검출하고, 검출된 복수 채널의 뇌파 신호들에 대하여 각 채널쌍마다 뇌파 신호들 사이의 기능적 연결성 지수들을 모두 산출하며, 활동 상태에서 산출된 기능적 연결성 지수들과 상기 유의 연결성 임계치들에 기초하여, 복수 채널의 뇌파 신호들 사이의 기능적 연결성 패턴을 도출하는 활동 상태 기능적 연결성 분석부; 및
    도출된 기능적 연결성 패턴으로부터 대뇌 네트워크 특성을 정량화하여 대뇌 활동 지표를 산출하는 네트워크 특성 분석부를 포함하는 것을 특징으로 하는 뉴로피드백 장치.
  6. 청구항 5에 있어서, 상기 기능적 연결성 패턴은 두피에 접촉한 전극들을 정점들로 보고, 두 전극들 사이에 기능적 연결성 지수가 유의 연결성 임계치를 초과하여 유의한 연결성이 있음을 의미하는 선분들을 모서리로 하여 연결한 연결성 그래프인 것을 특징으로 하는 뉴로피드백 장치.
  7. 청구항 6에 있어서, 상기 네트워크 특성 분석부는 상기 도출된 기능적 연결성 패턴으로부터 정규화된 그래프 이론 수치를 산출하고, 산출된 정규화된 그래프 이론 수치로부터 대뇌 네트워크 특성을 정량화한 대뇌 활동 지표를 산출하도록 동작하는 것을 특징으로 하는 뉴로피드백 장치.
  8. 청구항 7에 있어서, 상기 네트워크 특성 분석부는 기능적 연결성 패턴으로부터 산출된 그래프 이론 수치를 복수의 랜덤 네트워크들로부터 산출된 랜덤 그래프 이론 수치들의 통계적 대표값으로 나누어, 정규화된 그래프 이론 수치를 산출하도록 동작하는 것을 특징으로 하는 뉴로피드백 장치.
  9. 청구항 8에 있어서, 상기 랜덤 그래프 이론 수치들의 통계적 대표값은 평균값, 중앙값, 최빈값 중 하나인 것을 특징으로 하는 뉴로피드백 장치.
  10. 청구항 8에 있어서, 상기 랜덤 네트워크들은 기능적 연결성 패턴의 모서리 개수 및 정점 개수와 동일한 모서리 개수 및 정점 개수를 가지지만 정점들의 위치가 무작위로 선정되는 네트워크들인 것을 특징으로 하는 뉴로피드백 장치.
  11. 청구항 8에 있어서, 상기 랜덤 네트워크들은 검출된 복수 채널의 뇌파 신호들에 주파수 대역에서 랜덤 위상 노이즈를 주입하여 생성된 랜덤 위상 뇌파 신호들로부터 산출되는 네트워크들인 것을 특징으로 하는 뉴로피드백 장치.
  12. 청구항 1에 있어서,
    상기 기능적 연결성 패턴을 시각화하여 사용자에게 제공하는 피드백 자극 생성부를 더 포함하는 것을 특징으로 하는 뉴로피드백 장치.
  13. 컴퓨터에서 수행되는 대뇌 네트워크 특성 분석을 이용한 뉴로피드백 방법으로서,
    상기 컴퓨터가,
    두피에 부착 또는 접촉한 복수의 전극들로부터 대뇌 활동 시에 생성되는 복수의 전기적 신호들을 수신하고, 수신된 복수의 전기적 신호들로부터 복수 채널의 뇌파 신호들을 검출하는 단계;
    사용자가 휴식 상태인 동안에 검출된 복수 채널의 뇌파 신호들 사이의 기능적 연결성 지수에 기초하여, 각 채널쌍의 뇌파 신호들 사이의 기능적 연결성이 유의성을 가지는지 판단하기 위한 유의 연결성 임계치들을 설정하는 단계;
    사용자가 뇌 활동 중인 동안에 검출된 복수 채널의 뇌파 신호들 사이의 기능적 연결성 지수들 및 유의 연결성 임계치들에 기초하여 복수 채널의 뇌파 신호들 사이의 기능적 연결성 패턴을 도출하는 단계; 및
    상기 도출된 기능적 연결성 패턴으로부터 대뇌 네트워크 특성을 정량화한 대뇌 활동 지표를 산출하는 단계를 포함하는 뉴로피드백 방법.
  14. 청구항 13에 있어서,
    상기 컴퓨터가, 상기 정량화된 대뇌 활동 지표에 기초한 감각 자극 정보를 생성하여 사용자에게 제공하는 단계를 더 포함하는 것을 특징으로 하는 뉴로피드백 방법.
  15. 청구항 13에 있어서, 상기 유의 연결성 임계치들을 설정하는 단계는,
    휴식 상태에서 복수 채널의 뇌파 신호들을 수신하고, 적어도 하나의 관심 주파수 대역으로 필터링하는 단계;
    각 채널쌍마다 뇌파 신호들 사이의 기능적 연결성 지수들을 모두 산출하는 단계; 및
    휴식 상태에서 산출된 상기 기능적 연결성 지수들의 분포를 기초로 각 채널쌍들 및 각 대역별로 유의 연결성 임계치들을 설정하는 단계를 포함하는 것을 특징으로 하는 뉴로피드백 방법.
  16. 청구항 13에 있어서, 상기 기능적 연결성 지수는 각 채널쌍의 뇌파 신호들 사이의 위상동기화 지수, 상관 지수, 간섭 지수, 그레인저 인과율(GCI), PDC, DTF, 상호 정보량, 전송 엔트로피, 동기 유사도 중 하나인 것을 특징으로 하는 뉴로피드백 방법.
  17. 청구항 13에 있어서, 상기 기능적 연결성 패턴을 도출하는 단계는,
    사용자가 뇌 활동 중인 동안에 복수 채널의 뇌파 신호들을 검출하는 단계;
    상기 검출된 복수 채널의 뇌파 신호들에 대하여 각 채널쌍마다 뇌파 신호들 사이의 기능적 연결성 지수들을 모두 산출하는 단계; 및
    활동 상태에서 산출된 상기 기능적 연결성 지수들과 상기 유의 연결성 임계치들에 기초하여, 복수 채널의 뇌파 신호들 사이의 기능적 연결성 패턴을 도출하는 단계를 포함하는 것을 특징으로 하는 뉴로피드백 방법.
  18. 청구항 17에 있어서, 상기 기능적 연결성 패턴은 두피에 접촉한 전극들을 정점들로 보고, 두 전극들 사이에 기능적 연결성 지수가 유의 연결성 임계치를 초과하여 유의한 연결성이 있음을 의미하는 선분들을 모서리로 하여 연결한 연결성 그래프인 것을 특징으로 하는 뉴로피드백 방법.
  19. 청구항 18에 있어서, 상기 대뇌 활동 지표를 산출하는 단계는,
    상기 도출된 기능적 연결성 패턴으로부터 정규화된 그래프 이론 수치를 산출하는 단계; 및
    상기 산출된 정규화된 그래프 이론 수치로부터 대뇌 네트워크 특성을 정량화한 대뇌 활동 지표를 산출하는 단계를 포함하는 것을 특징으로 하는 뉴로피드백 방법.
  20. 청구항 19에 있어서, 상기 정규화된 그래프 이론 수치를 산출하는 단계는,
    상기 기능적 연결성 패턴으로부터 산출된 그래프 이론 수치를 복수의 랜덤 네트워크들로부터 산출된 랜덤 그래프 이론 수치들의 통계적 대표값으로 나누어, 정규화된 그래프 이론 수치를 산출하는 단계를 포함하는 것을 특징으로 하는 뉴로피드백 방법.
  21. 청구항 20에 있어서, 상기 랜덤 그래프 이론 수치들의 통계적 대표값은 평균값, 중앙값, 최빈값 중 하나인 것을 특징으로 하는 뉴로피드백 방법.
  22. 청구항 20에 있어서, 상기 랜덤 네트워크들은 기능적 연결성 패턴의 모서리 개수 및 정점 개수와 동일한 모서리 개수 및 정점 개수를 가지지만 정점들의 위치가 무작위로 선정되는 네트워크들인 것을 특징으로 하는 뉴로피드백 방법.
  23. 청구항 20에 있어서, 상기 랜덤 네트워크들은 검출된 복수 채널의 뇌파 신호들에 주파수 대역에서 랜덤 위상 노이즈를 주입하여 생성된 랜덤 위상 뇌파 신호들로부터 산출되는 네트워크들인 것을 특징으로 하는 뉴로피드백 방법.
  24. 청구항 13에 있어서,
    상기 기능적 연결성 패턴을 시각화하여 사용자에게 제공하는 단계를 더 포함하는 것을 특징으로 하는 뉴로피드백 방법.
  25. 컴퓨터에서 청구항 13 내지 청구항 24 중 어느 한 청구항에 따른 뉴로피드백 방법의 각 단계들을 수행하도록 작성되어 컴퓨터에서 독출 가능한 기록 매체에 기록된 프로그램.
KR1020150027873A 2015-02-27 2015-02-27 뇌파 측정 기법에 기초한 대뇌 네트워크 특성 분석을 이용한 뉴로피드백 방법 및 장치 KR101653910B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020150027873A KR101653910B1 (ko) 2015-02-27 2015-02-27 뇌파 측정 기법에 기초한 대뇌 네트워크 특성 분석을 이용한 뉴로피드백 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020150027873A KR101653910B1 (ko) 2015-02-27 2015-02-27 뇌파 측정 기법에 기초한 대뇌 네트워크 특성 분석을 이용한 뉴로피드백 방법 및 장치

Publications (1)

Publication Number Publication Date
KR101653910B1 true KR101653910B1 (ko) 2016-09-06

Family

ID=56946185

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020150027873A KR101653910B1 (ko) 2015-02-27 2015-02-27 뇌파 측정 기법에 기초한 대뇌 네트워크 특성 분석을 이용한 뉴로피드백 방법 및 장치

Country Status (1)

Country Link
KR (1) KR101653910B1 (ko)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180065709A (ko) 2016-12-08 2018-06-18 정은지 발달 장애 기능 개선을 위한 뉴로피드백 장치와 영상 콘텐츠를 이용하는 훈련 시스템 및 그 방법
KR20190026555A (ko) * 2017-09-05 2019-03-13 고려대학교 산학협력단 뇌 네트워크 분석을 통한 마취 및 의식 심도 모니터링 방법 및 장치
KR102011126B1 (ko) * 2018-04-30 2019-08-14 고려대학교 산학협력단 뇌 연결성을 이용한 의식 수준 기반의 수면 단계 측정 방법 및 장치
CN110251124A (zh) * 2019-07-19 2019-09-20 太原理工大学 一种有效性脑网络的确定方法及系统
WO2019235741A1 (ko) * 2018-06-05 2019-12-12 국방과학연구소 조종사의 각성 상태를 정량화하는 장치 및 방법
KR20200046612A (ko) 2018-10-25 2020-05-07 현대모비스 주식회사 경보 발생 시스템 및 그의 동작 방법
KR20200099811A (ko) * 2019-02-15 2020-08-25 고려대학교 산학협력단 휴지기 뇌파를 이용한 뇌전증 진단 정보 제공 장치 및 방법
KR20200145173A (ko) * 2019-06-21 2020-12-30 인하대학교 산학협력단 연결 그래프(Connected graph)에서 정점(Vertex) 랜덤 위치 초기화와 간선길이 바이너리 서치를 활용한 실시간 간선길이 보정 및 시각화 방법 및 시스템
US11000224B2 (en) 2017-09-05 2021-05-11 Korea University Research And Business Foundation Method and apparatus of monitoring anaesthesia and consciousness depth through brain network analysis
KR20210110508A (ko) * 2020-02-28 2021-09-08 동서대학교 산학협력단 뇌 기능 활성도 시각화 장치 및 방법
CN113974650A (zh) * 2021-06-29 2022-01-28 华南师范大学 一种脑电网络功能分析方法、装置，电子设备及存储介质
US20220101981A1 (en) * 2020-09-28 2022-03-31 xSensa Labs Method and system for neuromodulation

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20040055504A (ko) * 2002-12-21 2004-06-26 한국전자통신연구원 뇌파 바이오피드백 시스템과 그 제어 방법
KR20080039808A (ko) 2006-11-01 2008-05-07 강만희 피험자 반응 분석 장치, 방법 및 적성 검사 장치
KR20080039806A (ko) * 2006-11-01 2008-05-07 강만희 뉴로 피드백 장치 및 방법
KR20100026426A (ko) 2008-08-29 2010-03-10 연세대학교 산학협력단 뇌파 기반 실시간 기능적 피질 연결성 모니터링 시스템
KR20120018963A (ko) * 2010-08-24 2012-03-06 연세대학교 산학협력단 뇌파 신호로부터 2차원 공간-주파수 ｅｒｄ／ｅｒｓ 패턴을 생성하는 방법, 이 2차원 공간-주파수 ｅｒｄ／ｅｒｓ 패턴을 이용한 인간 의도를 분류하는 방법 및 이 분류 방법으로 분류된 뇌파 신호를 입력신호로 사용하는 뇌-컴퓨터 인터페이스 장치
KR101323318B1 (ko) 2012-09-06 2013-10-29 고려대학교 산학협력단 뇌 기능 훈련을 위한 기능성 자기공명영상 데이터 처리 방법

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20040055504A (ko) * 2002-12-21 2004-06-26 한국전자통신연구원 뇌파 바이오피드백 시스템과 그 제어 방법
KR20080039808A (ko) 2006-11-01 2008-05-07 강만희 피험자 반응 분석 장치, 방법 및 적성 검사 장치
KR20080039806A (ko) * 2006-11-01 2008-05-07 강만희 뉴로 피드백 장치 및 방법
KR20100026426A (ko) 2008-08-29 2010-03-10 연세대학교 산학협력단 뇌파 기반 실시간 기능적 피질 연결성 모니터링 시스템
KR20120018963A (ko) * 2010-08-24 2012-03-06 연세대학교 산학협력단 뇌파 신호로부터 2차원 공간-주파수 ｅｒｄ／ｅｒｓ 패턴을 생성하는 방법, 이 2차원 공간-주파수 ｅｒｄ／ｅｒｓ 패턴을 이용한 인간 의도를 분류하는 방법 및 이 분류 방법으로 분류된 뇌파 신호를 입력신호로 사용하는 뇌-컴퓨터 인터페이스 장치
KR101323318B1 (ko) 2012-09-06 2013-10-29 고려대학교 산학협력단 뇌 기능 훈련을 위한 기능성 자기공명영상 데이터 처리 방법

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180065709A (ko) 2016-12-08 2018-06-18 정은지 발달 장애 기능 개선을 위한 뉴로피드백 장치와 영상 콘텐츠를 이용하는 훈련 시스템 및 그 방법
KR20190026555A (ko) * 2017-09-05 2019-03-13 고려대학교 산학협력단 뇌 네트워크 분석을 통한 마취 및 의식 심도 모니터링 방법 및 장치
KR102045559B1 (ko) * 2017-09-05 2019-11-18 고려대학교 산학협력단 뇌 네트워크 분석을 통한 마취 및 의식 심도 모니터링 방법 및 장치
US11000224B2 (en) 2017-09-05 2021-05-11 Korea University Research And Business Foundation Method and apparatus of monitoring anaesthesia and consciousness depth through brain network analysis
KR102011126B1 (ko) * 2018-04-30 2019-08-14 고려대학교 산학협력단 뇌 연결성을 이용한 의식 수준 기반의 수면 단계 측정 방법 및 장치
US11191922B2 (en) 2018-04-30 2021-12-07 Korea University Research And Business Foundation Method and system for inducing sleep
WO2019235741A1 (ko) * 2018-06-05 2019-12-12 국방과학연구소 조종사의 각성 상태를 정량화하는 장치 및 방법
KR20200046612A (ko) 2018-10-25 2020-05-07 현대모비스 주식회사 경보 발생 시스템 및 그의 동작 방법
KR102239984B1 (ko) 2019-02-15 2021-04-14 고려대학교 산학협력단 휴지기 뇌파를 이용한 뇌전증 진단 정보 제공 장치 및 방법
KR20200099811A (ko) * 2019-02-15 2020-08-25 고려대학교 산학협력단 휴지기 뇌파를 이용한 뇌전증 진단 정보 제공 장치 및 방법
KR20200145173A (ko) * 2019-06-21 2020-12-30 인하대학교 산학협력단 연결 그래프(Connected graph)에서 정점(Vertex) 랜덤 위치 초기화와 간선길이 바이너리 서치를 활용한 실시간 간선길이 보정 및 시각화 방법 및 시스템
KR102220158B1 (ko) * 2019-06-21 2021-02-25 인하대학교 산학협력단 연결 그래프(Connected graph)에서 정점(Vertex) 랜덤 위치 초기화와 간선길이 바이너리 서치를 활용한 실시간 간선길이 보정 및 시각화 방법 및 시스템
CN110251124A (zh) * 2019-07-19 2019-09-20 太原理工大学 一种有效性脑网络的确定方法及系统
KR20210110508A (ko) * 2020-02-28 2021-09-08 동서대학교 산학협력단 뇌 기능 활성도 시각화 장치 및 방법
KR102498776B1 (ko) * 2020-02-28 2023-02-13 동서대학교 산학협력단 뇌 기능 활성도 시각화 장치 및 방법
US20220101981A1 (en) * 2020-09-28 2022-03-31 xSensa Labs Method and system for neuromodulation
CN113974650A (zh) * 2021-06-29 2022-01-28 华南师范大学 一种脑电网络功能分析方法、装置，电子设备及存储介质

Similar Documents

Publication Publication Date Title
KR101653910B1 (ko) 뇌파 측정 기법에 기초한 대뇌 네트워크 특성 분석을 이용한 뉴로피드백 방법 및 장치
Merletti et al. Analysis of motor units with high-density surface electromyography
Trongnetrpunya et al. Assessing granger causality in electrophysiological data: removing the adverse effects of common signals via bipolar derivations
Jin et al. Linear and nonlinear information flow based on time-delayed mutual information method and its application to corticomuscular interaction
US9072482B2 (en) Method and apparatus for automatic seizure monitoring
CN108577834B (zh) 一种用于癫痫间期棘波自动检测的方法
US8600493B2 (en) Method, apparatus and computer program product for automatic seizure monitoring
US20070179396A1 (en) Method and System for Detecting and Classifying Facial Muscle Movements
US20180279938A1 (en) Method of diagnosing dementia and apparatus for performing the same
KR101535352B1 (ko) 전두엽 뇌파를 이용한 우울증 심도 측정 방법
Li et al. Different contexts in the oddball paradigm induce distinct brain networks in generating the P300
Gaikwad et al. Novel approach for stress recognition using EEG signal by SVM classifier
US20220031242A1 (en) Method and system for collecting and processing bioelectrical signals
Mozaffarilegha et al. Visibility graph analysis of speech evoked auditory brainstem response in persistent developmental stuttering
Ríos-Herrera et al. The influence of EEG references on the analysis of spatio-temporal interrelation patterns
Moser et al. Evaluating complexity of fetal MEG signals: a comparison of different metrics and their applicability
Vakorin et al. Complexity analysis of source activity underlying the neuromagnetic somatosensory steady-state response
Tiwari et al. Detection of insomnia using advanced complexity and entropy features of sleep stage data of EEG recordings
Wang et al. Automatic reference selection for quantitative EEG interpretation: Identification of diffuse/localised activity and the active earlobe reference, iterative detection of the distribution of EEG rhythms
KR101919907B1 (ko) 다중 신경생리신호 기반 사용자 간 상호작용 모니터링 장치 및 방법
Andrade et al. Statistical evaluation of recurrence quantification analysis applied on single trial evoked potential studies
Radhakrishnan et al. Investigating EEG Signals of Autistic Individuals Using Detrended Fluctuation Analysis.
Raman et al. Electroencephalogram (EEG), its processing and feature extraction
Wei et al. Automatic recognition of chewing noises in epileptic EEG based on period segmentation
CN110234272B (zh) 麻醉阶段识别与麻醉深度计算方法及装置

Legal Events

Date Code Title Description
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20190717

Year of fee payment: 4