KR102075503B1 - 치매 예측 시스템 및 그 구동방법 - Google Patents

치매 예측 시스템 및 그 구동방법 Download PDF

Info

Publication number
KR102075503B1
KR102075503B1 KR1020170078414A KR20170078414A KR102075503B1 KR 102075503 B1 KR102075503 B1 KR 102075503B1 KR 1020170078414 A KR1020170078414 A KR 1020170078414A KR 20170078414 A KR20170078414 A KR 20170078414A KR 102075503 B1 KR102075503 B1 KR 102075503B1
Authority
KR
South Korea
Prior art keywords
dementia
information
group
directional data
brain
Prior art date
Application number
KR1020170078414A
Other languages
English (en)
Other versions
KR20180138328A (ko
Inventor
김원배
프란츠 리 훈
유희경
Original Assignee
주식회사 데이터사이언스랩
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 주식회사 데이터사이언스랩 filed Critical 주식회사 데이터사이언스랩
Priority to KR1020170078414A priority Critical patent/KR102075503B1/ko
Priority to US15/655,071 priority patent/US20180368699A1/en
Publication of KR20180138328A publication Critical patent/KR20180138328A/ko
Application granted granted Critical
Publication of KR102075503B1 publication Critical patent/KR102075503B1/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
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
    • A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
    • A61B3/12—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for looking at the eye fundus, e.g. ophthalmoscopes
    • A61B3/1241—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for looking at the eye fundus, e.g. ophthalmoscopes specially adapted for observation of ocular blood flow, e.g. by fluorescein angiography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
    • A61B5/0042—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part for the brain
    • A61B5/0478—
    • 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
    • A61B5/25—Bioelectric electrodes therefor
    • A61B5/279—Bioelectric electrodes therefor specially adapted for particular uses
    • A61B5/291—Bioelectric electrodes therefor specially adapted for particular uses for electroencephalography [EEG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—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]
    • A61B5/372—Analysis of electroencephalograms
    • A61B5/374—Detecting the frequency distribution of signals, e.g. detecting delta, theta, alpha, beta or gamma waves
    • 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
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6813—Specially adapted to be attached to a specific body part
    • A61B5/6814—Head
    • 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
    • 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
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • 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
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/46—NMR spectroscopy
    • G01R33/465—NMR spectroscopy applied to biological material, e.g. in vitro testing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2333/00—Assays involving biological materials from specific organisms or of a specific nature
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2800/00—Detection or diagnosis of diseases
    • G01N2800/28—Neurological disorders
    • G01N2800/2814—Dementia; Cognitive disorders

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Neurology (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Psychology (AREA)
  • Data Mining & Analysis (AREA)
  • Hospice & Palliative Care (AREA)
  • Developmental Disabilities (AREA)
  • Child & Adolescent Psychology (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Cardiology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Hematology (AREA)
  • Databases & Information Systems (AREA)
  • Neurosurgery (AREA)
  • Immunology (AREA)
  • General Physics & Mathematics (AREA)
  • Urology & Nephrology (AREA)
  • Chemical & Material Sciences (AREA)
  • Social Psychology (AREA)
  • Business, Economics & Management (AREA)

Abstract

치매 예측 시스템 및 그 구동방법에 관한 기술이다. 치매 예측 시스템은 피험자의 뇌파 정보 및 시각 정보를 검출하는 바이오 신호 수집 모듈, 및 상기 뇌파 정보 및 상기 시각 정보로부터 피험자의 바이오 신호의 방향성 데이터를 산출하고 상기 방향성 데이터를 기 설정된 치매 그룹 및 정상 그룹의 훈련 데이터를 이용하여 정상 그룹과 치매 그룹으로 분류하도록 구성된 뇌노화 판별 모듈을 포함할 수 있다.

Description

치매 예측 시스템 및 그 구동방법{System of Predicting Dementia and Operating Method The Same}
본 발명은 치매 예측 시스템 및 그 구동방법에 관한 것으로, 보다 구체적으로는 뇌파 정보 및 시각적 정보를 이용한 치매 예측 시스템 및 그 구동방법에 관한 것이다.
생체 신호를 이용하여 인체의 다양한 건강 상태를 측정하는 기술이 연구되고 있다.
생체 신호는 예를 들어 뇌전도(Electroencephalogram; EEG 뇌파), 근전도(electromyogram; EMG), 심전도(Electrocardiography; ECG) 등을 포함할 수 있다. 그 중 뇌전도는 대뇌 피질에 자극이 가해지면 신경세포 사이에 이온화된 전류가 흐르면서 전기장과 자기장이 형성되고, 두피에 부착한 전극을 통해 미세한 전위 변화를 측정하여 얻어지는 파형을 이른다. 일반적으로, 뇌전도는 0~100+Hz 주파수 대역에 분포되고, 전위 변화가 수 십 ㎶ 정도이므로 전위 변화분을 증폭시켜 뇌전도로서 기록하고 있다.
뇌전도는 뇌의 활동상태 즉, 진동하는 주파수 범위에 따라 델타(δ)파(4Hz 이하), 세타(θ)파(4~8Hz), 알파(α)파(8~12Hz), 베타(β)파(12~30Hz), 감마(γ)파(30~50Hz)로 구분될 수 있다.
뇌전도는 수면과 각성 상태 및 뇌의 이상 상태를 진단하는 데에도 이용되고 있으며, 최근에는 뇌전도를 통해 치매를 진단하는 연구가 활발하게 진행되고 있다.
최근 디지털 뇌전도 측정기(예를 들어, 뇌파 센서)가 개발되면서 뇌파의 분석 및 적용을 통해, 치매를 진단하는 방법이 개발되고 있다. 하지만, 정확한 판독을 위해서는 상당 기간 숙련된 판독자 또는 임상 전문가의 개입이 필요하고, 숙련된 임상가들 사이에서도 주관적 판단 기준이 다를 수 있다.
본 발명은 사람의 생체 정보 및 감각 정보를 이용하여, 치매를 사전에 예측할 수 있는 시스템 및 그 구동방법을 제공하는 것이다.
본 발명의 일 실시예에 따른 치매 예측 시스템은 피험자의 생체 정보 및 감각 정보를 분석 및 연산한 파라미터를 이용하여, 치매 그룹 및 건강 그룹으로 분류하도록 구성될 수 있다.
또한, 본 발명의 일 실시예에 따른 치매 예측 시스템은, 피험자의 뇌파 정보 및 시각 정보를 검출하는 바이오 신호 수집 모듈, 및 상기 뇌파 정보 및 상기 시각 정보로부터 피험자의 바이오 신호의 방향성 데이터를 산출하고 상기 방향성 데이터를 기 설정된 치매 그룹 및 정상 그룹의 훈련 데이터를 이용하여 정상 그룹과 치매 그룹으로 분류하도록 구성된 뇌노화 판별 모듈을 포함할 수 있다.
상기 뇌파 정보는 알파파의 피크 주파수, 알파파와 세타파의 절대 파워 비율 및 알파파의 파워맵 중 적어도 하나를 포함할 수 있다. 상기 시각 정보는 인체의 망막에 아밀로이드 성분의 침착 여부를 포함할 수 있다.
또한, 본 발명의 일 실시예에 따른 치매 예측 시스템의 구동 방법은 다음과 같다. 먼저, 치매 그룹의 생체 정보 및 감각 정보를 수집하고, 정상 그룹의 생체 정보 및 감각 정보를 수집하여, 각 그룹에 대한 훈련 데이터를 설정한다. 다음, 피험자의 생체 정보 및 감각 정보를 검출한다. 이어서, 상기 피험자의 생체 정보 및 감각 정보를 조합 및 연산하여, 상기 감각 정보가 반영된 생체 정보의 방향성 데이터를 생성한다. 다음, 상기 방향성 데이터를 상기 훈련 데이터를 이용하여 치매 그룹인지 정상 그룹인지 분류한다. 상기 피험자의 생체 정보 및 감각 정보를 검출하는 단계, 방향성 데이터를 생성하는 단계 및 분류하는 단계를 반복하는 단계를 포함한다.
본 발명의 실시예에 따르면, 생체 정보인 뇌파 정보 및 시각 정보의 조합을 통해 특징 벡터를 구성하고, 상기 특징 벡터를 훈련 데이터로 이용하여, 치매 그룹과 정상 그룹을 보다 명확하게 분류할 수 있다.
나아가, 상기한 특징 벡터 및 그로부터 얻어지는 특징 공간으로부터, 예를 들어, 상기 기준치(H)와의 거리 및 분포들을 통해, 경도 인지 장애(Mild cognitive impairment), 치매 잠재 그룹(건망증 위험군) 및 정상인 그룹을 구분할 수 있을 것이다.
또한, 분류가 이루어진 피험자의 방향성 데이터는 훈련 데이터로서 업데이트되어, 보다 명확한 데이터 기준값을 제공할 수 있다.
도 1은 본 발명의 일 실시예에 치매 예측 시스템의 블록도이다.
도 2는 피험자의 뇌구조를 보여주는 상면도이다.
도 3은 치매 환자 및 정상인의 알파파 맵을 보여주는 도면이다.
도 4는 본 발명의 일 실시예에 따른 치매 그룹과 정상 그룹의 훈련 데이터 분포를 보여주는 그래프이다
도 5 및 도 6은 본 발명의 일 실시예에 따른 치매 예측 시스템의 구동 방법을 설명하기 위한 플로우챠트이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 도면에서 층 및 영역들의 크기 및 상대적인 크기는 설명의 명료성을 위해 과장된 것일 수 있다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.
도 1은 본 발명의 일 실시예에 따른 치매 예측 시스템을 보여주는 블록도이다.
도 1을 참조하면, 본 실시예에 따른 치매 예측 시스템(100)은 바이오 신호 수집 모듈(200) 및 뇌노화 판별 모듈(300)을 포함할 수 있다.
상기 바이오 신호 수집 모듈(200)은 생체 신호 검출부(210) 및 시각 정보 검출부(250)를 포함할 수 있다.
생체 신호 검출부(210)는 피험자의 뇌파를 검출하기 위한 뇌파 검출 센서 및 모니터링 장치를 포함할 수 있다. 상기 뇌파 검출 센서는 예를 들어, 두뇌의 8개 채널의 뇌파 측정기를 통해 얻어진 결과일 수 있다. 이와 같은 뇌파 측정기와 관련하여, 대한민국 특허 출원 10-2017-0061005호에 자세히 개시되어 있다. 하지만, 여기에 한정되지 않고, 32채널 또는 64채널의 뇌파 측정기를 이용하여 뇌파를 측정할 수 있다.
예를 들어, 8개 채널의 뇌파 측정기를 이용하는 경우, 도 2에 도시된 피험자의 뇌구조 중 전두극(Frontal pole: Fp1, Fp2), 전두부(Frontal: F3, F4), 중심부(Central: C3, C4), 두정부(Parietal: P3, P4), 후두부(Occipital: O1, O2), 측두정부(Anterior temporal: F7, F8), 측두중앙부(Middle temporal: T3, T4), 측두후부(Posterior temporal: T5,T6), 정중전두부(Midline-Frontal: Fz), 정중중심부(Midline-Central :Cz), 정중두정부(Midline-Parietal: Pz) 중 선택되는 8개 부분에 뇌파 검출 채널(도시되지 않음)을 부착하여, 피험자의 뇌파를 측정할 수 있다. 각 채널마다 델타파, 세타파, 알파파, 베타파 및 감마파 등이 추출될 수 있다. 상기 추출되는 모든 파장의 주파수는 치매 예측 진단의 지도 학습을 위해 사용될 수 있으나, 본 실시예에서는 노화 상태 해석에 중요한 파라미터, 예컨대, 알파파 및 세타파를 주로 이용할 수 있다. 또한, 생체 신호 검출부(210)는 예를 들어, 안정한 상태에서 검출되는 뇌파 정보일 수 있다.
상기 시각 정보 검출부(250)는 예를 들어, 눈 영상 분석기(Eye imaging device)를 포함할 수 있다. 또한, 상기 시각 정보 검출부(250)는 눈 영상 분석기 및 이를 통해 검출된 다양한 시각 정보를 모니터링할 수 있는 모니터링 장치를 포함할 수 있다. 또한, 상기 시각 정보 검출부(250)는 상기 눈 영상 분석기로부터 망막에 침착된 베타 아밀로이드 체크 신호를 검출할 수 있다. 상기 베타 아밀로이드 체크 신호는 뇌 노화 기능을 센싱할 수 있는 바이오 마커가 될 수 있다.
일반적으로 뇌에 베타 아밀로이드 물질의 침착은 치매의 특징적인 징후이다. 그럼에도 불구하고, 뇌에 베타 아밀로이드 물질의 침착은 어느 정도 치매가 진행되었을 때 발견될 수 있으며, 검출 방법 역시 매우 복잡하고 피험자에게 고통이 수반될 수 있기에, 조기 진단이 어려웠다.
한편, 인체의 망막은 눈의 다른 구조와 달리, 중추 신경계의 일부로서, 뇌의 많은 특징을 공유하는 것으로 알려져 있다. 이에 따라, 눈 영상 분석기를 통해 피험자의 망막을 촬영하는 경우, 망막내 베타 아밀로이드 물질이 침착되었는지 쉽게 검출할 수 있다. 더욱이, 베타 아밀로이드 물질은 뇌에 침착되기 전에 먼저 망막에 침착되기 때문에, 조기에 뇌 이상 여부를 검출할 수 있다. 이를 통해, 망막의 베타 아밀로이드 물질의 침착은 뇌의 노화를 판단할 수 있는 파라미터로 이용될 수 있으며, 뇌 검사와 같이 피험자에게 고통이 수반되지 않으므로, 쉽게 검사를 진행할 수 있다.
또한, 상기 눈 영상 분석기는 하이퍼스펙트럴 이미징(hyperspectral imaging) 기법을 이용하여 망막을 촬영할 수 있다. 상기 하이퍼스펙트럴 이미징 기법은, 인체의 안구에 광을 조사하고, 상기 안구의 뒤편의 망막에 도달된 광을 다시 반사시키고, 반사된 광의 파장을 이용하여 망막 이미지를 표시하는 방법이다.
본 실시예에서는 인체의 시각 정보로서, 망막에 베타 아밀로이드 물질의 침착 여부를 이용하였지만, 여기에 한정되지 않고, 눈 영상 분석기의 이미지 센서를 통해 측정된 망막 혈관의 폭의 변화를 시각 정보로서 이용할 수 있다. 이 때, 망막 혈관의 폭은 망막 동맥 및 정맥에 기초하는 수치일 수 있다.
한편, 뇌노화 판별 모듈(300)은 제 1 분석부(310), 제 2 분석부(330), 방향성 데이터 생성부(350) 및 머신 러닝부(370)를 포함할 수 있다.
제 1 분석부(310)는 상기 생체 신호 검출부(210)로부터 검출된 뇌파 정보를 입력 받아, 분석에 필요한 파라미터들을 생성할 수 있다.
상기 제 1 분석부(310)는 상기 생체 신호 검출부(210)로부터 입력되는 다양한 정보로부터, 알파파의 파형 특징을 생성할 수 있다. 예로, 뇌의 알파파의 피크 주파수(frequency where the power is maximal within the alpha spectrum), 알파파와 세타파의 절대 파워 비율(Pα /θ) 및 알파파의 파워 맵, 알파파의 평균,분산, 첨도 및 왜도 등의 파라미터를 생성할 수 있다.
먼저, 상기 뇌의 알파파의 피크 주파수 정보는 뇌의 기능을 판단하는 데 매우 중요한 요소가 될 수 있다. 예를 들어, 뇌가 노화되었거나 치매에 가까울수록 알파 피크 주파수가 느리게 나타난다. 한편, 뇌의 기능이 좋은 경우, 알파파 주파수 범위인 8 내지 12Hz 범위에서 피크 주파수가 높게 나타난다. 특히, 안정 상태에서 전두엽의 2부위에서 알파파가 고유 리듬으로 우세하게 측정되기 때문에, 전두엽의 2부위(예를 들어, 도 2의 전두극의 2부위: Fp1, Fp2)와 콘택되는 채널을 통해 측정된 신호를 이용할 수 있다.
한편, 뇌의 노화 기능이 저하될수록 알파파의 비율보다 세타파의 비율이 상대적으로 높게 나타나는 것으로 알려져 있다. 이는 인지 기능에 장애가 생기면서, 저주파 대역의 뇌파가 상대적으로 활성화되기 때문이다. 이에 따라, 하기의 식 1에 기재된 알파파와 세타파의 절대 파워 비율(Pα /θ)은 뇌의 노화를 판단하는 데 주요 척도가 될 수 있다.
<식 1>
Pα /θ = (Pα Fp1 + Pα Fp2)/ (P θ FP1 + Pθ FP2)
여기서, Pα Fp1: 제 1 전두극에서의 알파파의 절대 파워,
Pα Fp2: 제 2 전두극에서의 알파파의 절대 파워,
P θ FP1: 제 1 전두극에서의 세타파의 절대 파워 및
P θ FP2: 제 2 전두극에서의 세타파의 절대 파워를 지시한다.
여기서, 상기 절대 파워는 측정된 뇌파의 주파수에 대한 파워를 나타내는 파워 스펙트럼에서 막대 그래프 높이의 총합에 해당할 수 있다.
또한, 상기 알파파의 파워 맵은 상기 생체 신호 검출부(210)의 8개 채널 각각에서 획득되는 알파파의 절대 파워값에 의해 구해질 수 있다. 예를 들어, 뇌의 기능이 저하되거나, 치매 환자의 경우, 정상인에 비해 각 채널에서 획득되는 알파파의 절대 파워값이 감소되기 때문에, 이와 같은 변화량을 치매 예측 파라미터로서 이용할 수 있다.
또한, 치매 환자의 경우, 도 3에 도시된 바와 같이, 알파파의 공간적 분포가 일반인과 다르게 나타날 수 있다. 예를 들어, 중증 치매 환자의 경우, 후두엽보다 전두엽 부위에 알파파가 편향 분포됨이 관찰되므로 이와 같은 알파파의 파워 맵을 치매 예측 파라미터로 이용할 수 있다.
추가적으로, 알파파의 평균 및 분산을 치매 예측 파라미터로 이용할 수도 있다. 여기서, 상기 알파파의 평균이라 함은 알파파의 파워 스펙트럼의 평균 주파수를 나타내고, 알파파의 분산이라 함은 상기 알파파의 평균을 중심으로 알파파 파형의 퍼짐 정도 즉, 너비를 나타낼 수 있다. 예를 들어, 치매가 진행될수록, 알파파의 진폭은 낮고, 분산은 넓게 분포되는 특징이 있다.
제 2 분석부(330)는 상기 시각 정보 검출부(250)의 눈 영상 분석기로부터 망막에 베타 아밀로이드 물질이 침착 여부 데이터를 입력 받아, 침착이 발견되는 경우 1, 그렇지 않은 경우 0의 신호를 출력하도록 처리될 수 있다.
방향성 데이터 생성부(350)는 제 1 분석부(310)에서 산출된 파라미터 및 제 2 분석부(330)에서 산출된 파라미터를 각각 입력받아, 각각의 파라미터에 대한 특징 벡터 및 각각의 파라미터의 조합을 통한 벡터 공간을 구성할 수 있다.
예를 들어, 상기 방향성 데이터 생성부(350)는 하기의 식 2로부터 치매 예측을 위한 특징 벡터(
Figure 112017059477374-pat00001
, feature vector)를 산출할 수 있다.
<식 2>
Figure 112017059477374-pat00002
여기서,
Figure 112017059477374-pat00003
는
Figure 112017059477374-pat00004
파의 피크 주파수,
Pα /θ는 알파파와 세타파의 절대 파워 비율,
Figure 112017059477374-pat00005
는 알파파의 파워 맵,
αmean은 알파파의 평균,
αvar은 알파파의 분산, 및
Rβ은 망막 침착 베타 아밀로이드를 지시할 수 있다.
또한, 방향성 데이터 생성부(350)는 하기의 식 3으로부터 치매 예측을 위한 특징 공간(F,
Figure 112017059477374-pat00006
)을 산출할 수 있다.
<식 3>
Figure 112017059477374-pat00007
여기서, 상기 I는 각 파라미터의 변수 범위(분포)를 지시하는 것으로, 각 파라미터의 유효 구간 범위(유효 분포)를 나타낼 수 있다.
예를 들어, 알파파의 피크 주파수 분포(
Figure 112017059477374-pat00008
)는 알파파 피크 주파수가 8 내지 12Hz에 해당되므로, [8,12]로 설정될 수 있고, 알파파의 절대 파워 및 세타파의 절대 파워의 비의 분포(
Figure 112017059477374-pat00009
)는 정상인의 알파파의 절대 파워와 세타파의 절대 파워 비율이 1.5 이상임을 고려하여 볼 때, [0.1, 3]으로 설정될 수 있다. 즉, 치매 환자의 경우, 알파파의 피크 레벨은 낮은 반면 세타파의 출현 비율이 높으므로, 상기 비율이 0.1~3 사이로 설정될 수 있다. 또한, 알파파의 파워맵의 분포(
Figure 112017059477374-pat00010
)는 8개의 채널 각각에 대해 [0,100]으로 설정할 수 있고, 알파파의 평균 분포(
Figure 112017059477374-pat00011
)는 알파파의 주파수 범위인 [8,12]로 설정할 수 있다. 또한, 알파파의 분산 분포(
Figure 112017059477374-pat00012
)는 정상인의 알파파 분산 분포가 0 내지 4임을 감안하여, 분산 공식에 의거하여 [0,42]로 설정할 수 있다. 한편, 망막에 베타 아밀로이드 침착 여부(
Figure 112017059477374-pat00013
)는 [0,1]로 설정될 수 있다.
피험자 개인별 특징 벡터는 각 파라미터마다 유효 구간을 갖는 공간, 즉, 특징 공간으로 구성될 수 있다. 또한, 상기 식 3에 의한 특징 공간은 예컨대 13차원의 고차원 공간으로 표현될 수 있다.
이와 같은 방향성 데이터 생성부(350)는 피험자로부터 검출된 생체 신호 정보 및 시각 정보를 분석 및 연산하여, 피험자의 시각적 정보가 반영된 생체 정보의 방향성 데이터를 추출할 수 있다.
머신 러닝부(370)는 피험자별 시각적 정보가 반영된 생체 정보의 방향성 데이터를 제공받아, 유사 데이터 개체들끼리 분류한다. 본 실시예의 머신 러닝부(370)는 지도 학습 방식(supervised learning)을 이용할 수 있다.
상기 지도 학습 방식은 훈련 데이터(training data)로 부터 하나의 함수를 유추하는 작업으로서, 이미 데이터 베이스(380)상에 치매 그룹의 방향성 데이터인지 정상 그룹의 방향성 데이터인지 구분되어 있는 훈련 데이터를 이용하여, 피험자의 방향성 데이터가 어떤 그룹의 데이터와 더 유사한 유형을 갖는지 분류하는 일련의 과정일 수 있다.
상기 훈련 데이터는 피험자에게서 측정한 방향성 데이터와 동일한 조건으로 얻어진 시각적 정보가 반영된 생체 정보의 방향성을 나타내는 벡터일 수 있다. 또한, 상기 훈련 데이터는 상기 지도 학습 방식에 의해 어느 그룹에 속하는지 표시될 수 있다. 이때, 상기 분류(classification)라 함은 상기 유추된 함수 중 입력 객체의 벡터가 어떤 종류의 값인지 표시하는 작업을 일컬을 수 있다. 본 발명은 이러한 개념의 지도 학습 방식을 기반으로 하여, 치매 여부를 예측할 수 있다.
본 실시예의 머신 러닝부(370)는 고차원의 특징 공간에 대해 정상 그룹과 치매 그룹으로 분류할 수 있으며, 정상 그룹 및 치매 그룹의 분류는 다음의 식 4로 정의될 수 있다.
<식 4>
C = {C1,C2}
여기서, C1은 정상군, C2는 치매군을 지시한다.
머신 러닝부(370)는 훈련 데이터에 대해 정상 그룹은 C1, 치매 그룹은 C2로 페어링하여, (
Figure 112017059477374-pat00014
,C)를 제공하면, SVM(support vector machine) 알고리즘을 통해, 분류된 결과에 따라 정밀한 예측 결과를 얻어낼 수 있다.
상기 SVM 알고리즘은 일반적으로 지도 학습 방식을 통해 훈련되고, 출력 결과를 입력 데이터와 관련시키는 최상의 함수로 계산될 수 있다. 상기 SVM 알고리즘은 Bernhard Schoelkopf, Alex Smola, "Learning with Kernels" MIT Press, Cambridge, MA 2002에 자세히 기술되어 있다.
도 4를 참조하면, 입력되는 데이터는 상기 SVM 알고리즘을 통해 각각의 클래스(C1,C2)에서 최소한 오차로 정상 그룹과 치매 그룹으로 분류될 수 있다.
이와 같은 머신 러닝 과정을 통해 훈련 데이터를 기준으로, 분류 그룹을 형성하면, 이후, 실제 피험자의 타겟 데이터가 입력되는 경우, 어느 그룹에 해당하는 지 쉽게 분류될 수 있다.
분석 신호의 고도화 및 정밀화를 위하여, 기준치(hyperplane:H)와 서포트 벡터(support vector:S1, S2)간의 갭(g)을 설정하는 것이 중요하다. 여기서, 상기 기준치(H)는 클래스 1(C1) 과 클래스 2(C2) 사이의 갭(g)의 중간 값에 해당할 수 있고, 서포트 벡터(S1)는 상기 기준치(H)와 가장 인접한 클래스 1(C1)의 경계선을 나타내고, 서포트 벡터(S2)는 상기 기준치(H)와 가장 인접한 클래스 2(C2)의 경계선을 나타낼 수 있다.
상기 기준치(H)는 상술한 바와 같이, 갭(g)의 중간 값으로 설정하는 것이 일반적이지만, 분류된 그룹내의 유사도와 상관도를 체크하여, 상기 기준치(H)가 설정이 변경될 수 있다.
상기 머신 러닝부(370)는 훈련 데이터의 누적 회수가 증대될수록, 기초 데이터량이 풍부해지기 때문에, 정확한 치매 예측이 가능하다. 즉, 복수의 피험자의 방향성 데이터들이 상기 훈련 데이터로 포함됨으로써, 클래스 1 및 2(C1, C2)의 분포의 경계선이 보다 명확해질 것이고, 오차의 확률을 더욱 줄일 수 있게 된다.
이때, 특징 벡터 산출 과정에서, 신호 분석의 고도화와 정밀화를 위해 알파파의 평균(
Figure 112017059477374-pat00015
) 및 알파파의 분산(
Figure 112017059477374-pat00016
) 대신, 알파파의 첨도 및 왜도를 특징으로 선택할 수도 있다. 첨도와 왜도는 치매의 현상을 특징짓는 주요한 팩터가 될 수 있다.
예를 들어, 알파파의 파형이 가우시안 형태를 이루지 못하고 한 점을 중심으로 집중되거나, 혹은 가우시안 형태를 이루지만 그 중심축이 일측으로 치우진 경우, 하기의 식 5와 같이, 특징 벡터와 특징 공간의 벡터 성분으로 알파파의 첨도(αkurtosis) 및 왜도(αskew)가 반영될 수 있다. 이와 같은 알파파의 첨도 및 왜도는 상기 생체 신호 검출부(210)의 검출 결과를 통해, 상기 제 1 분석부(310)에서 획득될 수 있다.
<식 5>
Figure 112017059477374-pat00017
Figure 112017059477374-pat00018
또한, 본 실시예에서는 시각적 정보로서 망막의 베타 아밀로이드의 침착 여부를 이용하였지만, 동공 광반사 테스트를 통한 파라미터를 이용할 수도 있다.
이미지 분석 기술을 사용한 동공 크기 측정법(Pupilometry)은 동공 반응에 대한 대기 시간과 같은 단일 PLR(Pupillary light reflex) 테스트에서 여러 매개 변수를 얻을 수 있다. 이에 따라, 피험자를 식 6 및 식 7의 특징 벡터를 이용하여 맵핑할 수 있다.
<식 6>
Figure 112017059477374-pat00019
여기서, EPLR은 PLR 테스트로부터 얻어진 변수를 나타낸다.
<식 7>
Figure 112017059477374-pat00020
또한, 실험자의 의도에 따라, 특정 파라미터를 추가 및 생략할 수 있다.
도 5 및 도 6을 참조하여, 본 발명의 실시예에 따른 치매 예측 시스템의 구동 방법에 대해 설명하도록 한다.
먼저, 도 5를 참조하여 설명하면, 치매 그룹의 생체 정보 및 감각 정보를 수집하고, 정상 그룹의 생체 정보 및 감각 정보를 수집하여, 각 그룹에 대한 훈련 데이터를 설정한다(S1). 이때, 상기 훈련 데이터는 데이터베이스 형태로 저장될 수 있다. 여기서, 생체 정보는 상술한 바와 같이, 뇌파 정보일 수 있고, 감각 정보는 상술한 시각 정보일 수 있다.
다음, 상기 훈련 데이터와 동일한 조건하에서, 피험자의 생체 정보 및 감각 정보를 검출한다(S2).
다음, 뇌노화 모듈(300)을 통하여, 상기 생체 정보 및 감각 정보의 주요 파라미터를 추출하고, 이들을 조합 및 연산하여, 상기 감각 정보가 반영된 생체 정보의 방향성 데이터를 생성한다(S3).
상기 방향성 데이터는 상기 데이터 베이스상 훈련 데이터를 기준으로 클래스 1(정상 그룹)인지 클래스 2(치매 그룹)인지를 분류한다(S4, S5, S6).
상기 분류 과정을 보다 구체적으로 설명하면, 먼저, 상기 방향성 데이터가 클래스 1(C1)내에 위치하는지 판정한다(S4). 만일, 피험자의 방향성 데이터가 클래스 1(C1)에 위치하는 경우, 상기 머신 러닝부(370)는 피험자를 정상 그룹으로 판정한다(S5). 즉, 특징 벡터는 특징 공간에 표시되는 하나의 개체이며, 서포트 벡터는 상기 기준치(H)에 의해 구분되는 모든 특징 벡터의 일부에 해당할 수 있다.
한편, 피험자의 방향성 데이터가 클래스 1(C1)내에 위치하지 않는 경우(S6), 도 4 및 도 6에 도시된 바와 같이, 상기 방향성 데이터가 클래스 1(C1)의 특징 벡터와 기준치(H) 사이에 위치하는지 판정한다(S61). 피험자의 방향성 데이터가 클래스 1(C1)의 특징 벡터와 기준치(H) 사이(g1)에 위치하는 경우, 치매 위험군은 아니지만, 정상인 보다는 치매 발병 요소를 가지고 있기 때문에, 치매 잠재 그룹 내지는 건망증 위험군으로 판정할 수 있다(S62).
피험자의 방향성 데이터가 기준치(H)와 클래스 2(C2)의 특징 벡터 사이(g2)에 위치하는 경우(S63), 완전한 치매 상태는 아니지만, 경도 인지 장애등 치매 위험군으로 판정할 수 있다(S64). 만일, 피험자의 방향성 데이터가 기준치(H)와 클래스 2(C2)의 특징 벡터 사이에 위치하지 않고, 클래스 2(C2)에 해당하는 경우, 치매로 판정한다(S65).
상술한 바와 같이, 상기 단계 S2 내지 S6의 단계를 반복 수행함으로써, 오차 범위를 줄일 수 있어, 보다 정확한 훈련 데이터 확보할 수 있을 것이다. 다시 말해, 분류가 완료된 피험자의 방향성 데이터는 기준이 되는 상기 훈련 데이터에 지속적으로 반영되어, 기준이 되는 보다 정확한 훈련 데이터를 구성할 수 있다.
또한, 본 발명의 실시예에서는 바이오 신호 수집 모듈(200)로서 뇌파 검출 센서를 이용하였지만, 여기에 한정되지 않고, 맥파(HRV: Heartrate variability) 감지 및 근전도 센서를 이용하여 인체 신호를 수집할 수도 있다.
본 발명의 실시예에 따르면, 생체 정보인 뇌파 정보 및 시각 정보의 조합을 통해 특징 벡터를 구성하고, 상기 특징 벡터를 훈련 데이터로 이용하여, 치매 그룹과 정상 그룹을 보다 명확하게 분류할 수 있다.
나아가, 상기한 특징 벡터 및 그로부터 얻어지는 특징 공간으로부터, 예를 들어, 상기 기준치(H)와의 거리 및 분포들을 통해, 경도 인지 장애(Mild cognitive impairment), 치매 잠재 그룹(건망증 위험군) 및 정상인 그룹을 구분할 수 있을 것이다.
또한, 피험자의 방향성 데이터가 훈련데이터로서 업데이트되어, 보다 명확한 데이터 기준값을 제공할 수 있다.
이상 본 발명을 바람직한 실시예를 들어 상세하게 설명하였으나, 본 발명은 상기 실시예에 한정되지 않고, 본 발명의 기술적 사상의 범위 내에서 당 분야에서 통상의 지식을 가진 자에 의하여 여러 가지 변형이 가능하다.
200 : 바이오 수집 모듈 210 : 생체 신호 검출부
250 : 시각 정보 검출부 300 : 뇌노화 판별 모듈
310 : 제 1 분석부 320 : 제 2 분석부
350 : 방향성 데이터 생성부 370 : 머신 러닝부

Claims (19)

  1. 삭제
  2. 피험자의 생체 정보 및 감각 정보를 분석 및 연산한 파라미터를 이용하여, 치매 그룹 및 건강 그룹으로 분류하도록 구성되는 치매 예측 시스템으로서,
    상기 생체 정보 및 상기 감각 정보를 검출하는 바이오 신호 수집 모듈; 및
    상기 바이오 신호 수집 모듈의 검출 결과를 근거로 하여, 뇌노화 여부를 판별하는 방향성 데이터를 생성하는 뇌노화 판별 모듈을 더 포함하는 치매 예측 시스템.
  3. 제 2 항에 있어서,
    상기 바이오 신호 수집 모듈은,
    상기 생체 정보로서, 인체의 뇌파 정보를 검출하는 생체 신호 검출부, 및
    상기 감각 정보로서, 상기 인체의 시각 정보를 검출하는 시각 정보 검출부를 포함하는 치매 예측 시스템.
  4. 제 3 항에 있어서,
    상기 시각 정보 검출부는 상기 인체의 망막의 베타 아밀로이드 물질의 침착 여부, 망막 혈관의 폭 및 PLR(Pupillary light reflex) 테스트 결과 중 적어도 하나를 검출하도록 구성되는 치매 예측 시스템.
  5. 제 3 항에 있어서,
    상기 뇌노화 판별 모듈은,
    상기 생체 신호 검출부로부터 검출된 데이터를 처리하는 제 1 분석부;
    상기 시각 정보 검출부로부터 검출된 데이터를 처리하는 제 2 분석부;
    상기 제 1 및 제 2 분석부에서 추출된 파라미터들을 조합 및 연산하여 방향성 데이터를 생성하는 방향성 데이터 생성부; 및
    상기 방향성 데이터를, 유사 데이터 개체들끼리 분류하여 상기 치매 그룹과 상기 건강 그룹으로 분류하는 머신 러닝부를 포함하는 치매 예측 시스템.
  6. 제 5 항에 있어서,
    상기 제 1 분석부는 상기 생체 신호 검출부의 검출 결과를 통해, 뇌의 알파파의 피크 주파수 파라미터, 상기 뇌의 알파파와 세타파의 절대 파워 비율 파라미터 및 상기 뇌의 알파파의 파워맵 파라미터 중 적어도 하나를 생성하도록 구성되는 치매 예측 시스템.
  7. 제 5 항에 있어서,
    상기 제 1 분석부는 상기 생체 신호 검출부의 검출 결과를 통해, 뇌의 알파파의 평균 및 상기 뇌의 알파파의 분산을 산출하여, 상기 방향성 데이터 생성부에 제공하는 치매 예측 시스템.
  8. 제 5 항에 있어서,
    상기 제 1 분석부는 상기 생체 신호 검출부의 검출 결과를 통해 뇌의 알파파의 첨도 및 상기 뇌의 알파파의 왜도 분포를 산출하여, 상기 방향성 데이터 생성부에 제공하는 치매 예측 시스템.
  9. 제 5 항에 있어서,
    상기 제 2 분석부는 상기 시각 정보 검출부의 검출 결과를 통해, 망막에 베타 아밀로이드 성분의 침착 여부를 신호화하여 상기 방향성 데이터 생성부에 제공하는 치매 예측 시스템.
  10. 제 5 항에 있어서,
    상기 방향성 데이터 생성부는 상기 제 1 및 제 2 분석부에서 제공되는 파라미터들을 조합하여, 특징 벡터 및 특징 벡터 공간을 생성하도록 구성되는 치매 예측 시스템.
  11. 제 5 항에 있어서,
    상기 머신 러닝부는,
    치매 환자 및 정상인의 생체 정보 및 시각 정보를 검출하고, 훈련 데이터를 이용하여 상기 치매 환자와 상기 정상인의 상기 생체 정보 및 상기 시각 정보에 따른 상기 방향성 데이터를 분류하고, 분류된 상기 방향성 데이터의 결과를 상기 훈련 데이터에 반영하도록 구성되며,
    상기 훈련 데이터는 상기 치매 환자의 방향성 데이터 및 상기 정상인의 방향성 데이터를 포함하는 치매 예측 시스템.
  12. 피험자의 뇌파 정보 및 시각 정보를 검출하는 바이오 신호 수집 모듈; 및
    상기 뇌파 정보 및 상기 시각 정보로부터 피험자의 바이오 신호의 방향성 데이터를 산출하고, 상기 방향성 데이터를 기 설정된 치매 그룹 및 정상 그룹의 훈련 데이터를 이용하여 정상 그룹과 치매 그룹으로 분류하도록 구성된 뇌노화 판별 모듈을 포함하는 치매 예측 시스템.
  13. 제 12 항에 있어서,
    상기 뇌파 정보는 알파파의 피크 주파수, 알파파와 세타파의 절대 파워 비율 및 알파파의 파워맵 중 적어도 하나를 포함하는 치매 예측 시스템.
  14. 제 12 항에 있어서,
    상기 시각 정보는 인체의 망막에 베타 아밀로이드 성분의 침착 여부를 포함하는 치매 예측 시스템.
  15. (a) 치매 그룹의 생체 정보 및 감각 정보를 수집하고, 정상 그룹의 생체 정보 및 감각 정보를 수집하여, 각 그룹에 대한 훈련 데이터를 설정하는 단계;
    (b) 피험자의 생체 정보 및 감각 정보를 검출하는 단계;
    (c) 상기 피험자의 생체 정보 및 감각 정보를 조합 및 연산하여, 상기 감각 정보가 반영된 생체 정보의 방향성 데이터를 생성하는 단계;
    (d) 상기 방향성 데이터를 상기 훈련 데이터를 이용하여 상기 치매 그룹인지, 상기 정상 그룹인지 분류하는 단계; 및
    상기 (b) 단계 내지 (d) 단계를 반복 수행하는 단계를 포함하는 치매 예측 시스템의 구동 방법.
  16. 제 15 항에 있어서,
    상기 방향성 데이터를 상기 훈련 데이터를 이용하여 분류하는 단계는,
    피험자의 상기 방향성 데이터가 상기 정상 그룹의 범위에 위치되는 경우, 정상으로 판단하고,
    상기 피험자의 상기 방향성 데이터가 상기 치매 그룹의 범위에 위치되는 경우, 치매로 판단하는 단계를 포함하는 치매 예측 시스템의 구동 방법.
  17. 제 16 항에 있어서,
    상기 방향성 데이터를 상기 훈련 데이터를 이용하여 분류하는 단계는,
    상기 치매 그룹 범위와 상기 정상 그룹의 범위 사이의 중간값을 기준치로 설정하는 단계;
    상기 기준치와 상기 정상그룹 범위 사이에 위치하는 방향성 데이터를 갖는 피험자를 치매 잠재군으로 판정하고,
    상기 기준치와 상기 치매 그룹 범위 사이에 위치하는 방향성 데이터를 갖는 피험자를 치매 위험군으로 판정하는 단계를 더 포함하는 치매 예측 시스템의 구동 방법.
  18. 제 15 항에 있어서,
    상기 피험자의 생체 정보 및 감각 정보를 조합 및 연산하여, 상기 감각 정보가 반영된 생체 정보의 방향성 데이터를 생성하는 단계는,
    상기 생체 정보 및 감각 정보를 이용하여 특징 벡터 및 특징 벡터 공간을 구성하는 단계를 포함하는 치매 예측 시스템의 구동 방법.
  19. 제 15 항에 있어서,
    상기 반복 단계를 통해, 상기 피험자의 방향성 데이터를 상기 훈련 데이터로 반영하는 치매 예측 시스템의 구동방법.
KR1020170078414A 2017-06-21 2017-06-21 치매 예측 시스템 및 그 구동방법 KR102075503B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020170078414A KR102075503B1 (ko) 2017-06-21 2017-06-21 치매 예측 시스템 및 그 구동방법
US15/655,071 US20180368699A1 (en) 2017-06-21 2017-07-20 System of predicting dementia and operating method thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170078414A KR102075503B1 (ko) 2017-06-21 2017-06-21 치매 예측 시스템 및 그 구동방법

Publications (2)

Publication Number Publication Date
KR20180138328A KR20180138328A (ko) 2018-12-31
KR102075503B1 true KR102075503B1 (ko) 2020-02-10

Family

ID=64691231

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170078414A KR102075503B1 (ko) 2017-06-21 2017-06-21 치매 예측 시스템 및 그 구동방법

Country Status (2)

Country Link
US (1) US20180368699A1 (ko)
KR (1) KR102075503B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021225226A1 (ko) * 2020-05-06 2021-11-11 (주)자이온프로세스 알츠하이머 진단 장치 및 방법
KR102693065B1 (ko) 2023-06-29 2024-08-07 중앙대학교 산학협력단 뇌파 분석에 기반한 뇌 인지 장애 환자 분류 방법 및 그 장치

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102239984B1 (ko) * 2019-02-15 2021-04-14 고려대학교 산학협력단 휴지기 뇌파를 이용한 뇌전증 진단 정보 제공 장치 및 방법
KR102057047B1 (ko) * 2019-02-27 2019-12-18 한국과학기술정보연구원 질병 예측 장치 및 이를 이용한 질병 예측 방법
KR102067412B1 (ko) 2019-08-21 2020-01-17 서울대학교병원 치매 평가 방법 및 이를 이용한 장치
KR102418399B1 (ko) * 2020-12-04 2022-07-07 주식회사 에이아이플랫폼 인공지능 기반 치매 조기 진단 플랫폼
KR102287191B1 (ko) * 2021-03-12 2021-08-09 주식회사 아이메디신 뇌파 데이터 분석을 통한 중증인지장애 환자 분류 방법, 서버 및 컴퓨터프로그램
KR102322647B1 (ko) * 2021-05-25 2021-11-09 주식회사 아이메디신 뇌파 신호 사이의 상관관계를 이용한 알츠하이머성 치매 진단방법, 서버 및 컴퓨터프로그램
KR102697857B1 (ko) * 2021-12-30 2024-08-23 동의대학교 산학협력단 안저 영상 학습을 이용한 치매 예측 선별 시스템 및 방법
CN117051111B (zh) * 2023-10-12 2024-01-26 上海爱谱蒂康生物科技有限公司 生物标志物组合在制备预测肺癌的试剂盒中的应用

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012157732A (ja) * 2012-04-24 2012-08-23 Yamamoto Katsumi 疾患の診断方法
US20160022167A1 (en) * 2013-03-15 2016-01-28 Adam J. Simon System and signatures for the multi-modal physiological stimulation and assessment of brain health

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012157732A (ja) * 2012-04-24 2012-08-23 Yamamoto Katsumi 疾患の診断方法
US20160022167A1 (en) * 2013-03-15 2016-01-28 Adam J. Simon System and signatures for the multi-modal physiological stimulation and assessment of brain health

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021225226A1 (ko) * 2020-05-06 2021-11-11 (주)자이온프로세스 알츠하이머 진단 장치 및 방법
KR102693065B1 (ko) 2023-06-29 2024-08-07 중앙대학교 산학협력단 뇌파 분석에 기반한 뇌 인지 장애 환자 분류 방법 및 그 장치

Also Published As

Publication number Publication date
US20180368699A1 (en) 2018-12-27
KR20180138328A (ko) 2018-12-31

Similar Documents

Publication Publication Date Title
KR102075503B1 (ko) 치매 예측 시스템 및 그 구동방법
US11172835B2 (en) Method and system for monitoring sleep
US6217525B1 (en) Reduced lead set device and method for detecting acute cardiac ischemic conditions
EP1880667B1 (en) Detection of focal epileptiform activity
KR20180001367A (ko) 운전자의 생체 신호를 기반으로 하는 운전자의 상태 판별 장치 및 방법
KR102037970B1 (ko) 뇌파 측정 장치, 이를 포함하는 치매 진단 및 예방 시스템 및 방법
US11647962B2 (en) System and method for classifying and modulating brain behavioral states
US20060282008A1 (en) System and method for vision examination utilizing fault detection
WO1993014695A1 (en) Diagnosing brain conditions by quantitative electroencephalography
JP6023210B2 (ja) Ｅｅｇアーチファクトを検出及び除去するための方法及びシステム
WO2020175759A1 (ko) 생체 신호 센서 탑재 hmd 기기를 활용한 사용자의 스트레스 분석 및 개인 정신건강 관리 시스템 및 방법
KR102231979B1 (ko) 사용자의 집중도를 판단하는 방법 및 이를 위한 웨어러블 디바이스
Gupta et al. A support system for automatic classification of hypertension using BCG signals
CN108601549A (zh) 用于定量eeg的阻抗监测
CN116421187B (zh) 一种基于言语层级序列的注意力缺陷多动障碍的分析系统
Jegan et al. Mental Stress Detection and Classification using SVM Classifier: A Pilot Study
CN107296586A (zh) 视觉误差检测设备/方法及基于该设备的书写系统/方法
CN105144225B (zh) 多患者eeg监控
Mohammed et al. A Survey for Lie Detection Methodology Using EEG Signal Processing
KR20240021495A (ko) 뇌파측정 측정 기술을 활용한 치매 진단과 치매 예방 방법
WO2008040846A1 (en) Apparatus and method for determining the functional state of a brain
Rundo et al. Deep bio-sensing embedded system for a robust car-driving safety assessment
CN117158970B (zh) 一种情绪识别方法、系统、介质及计算机
LU505476B1 (en) Multi-modal and multi-parameter neural feedback training system based on virtual reality
Patil et al. Stress detection using heart rate variability

Legal Events

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