KR102090671B1 - 다채널 fNIRS 신호에서 동잡음을 제거하는 방법 및 장치 - Google Patents
다채널 fNIRS 신호에서 동잡음을 제거하는 방법 및 장치 Download PDFInfo
- Publication number
- KR102090671B1 KR102090671B1 KR1020180072348A KR20180072348A KR102090671B1 KR 102090671 B1 KR102090671 B1 KR 102090671B1 KR 1020180072348 A KR1020180072348 A KR 1020180072348A KR 20180072348 A KR20180072348 A KR 20180072348A KR 102090671 B1 KR102090671 B1 KR 102090671B1
- Authority
- KR
- South Korea
- Prior art keywords
- channel
- correlation coefficient
- noise
- photoelectrode
- neighboring
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 210000004761 scalp Anatomy 0.000 claims abstract description 13
- 230000001427 coherent effect Effects 0.000 claims abstract description 4
- 230000005540 biological transmission Effects 0.000 claims description 25
- 230000003287 optical effect Effects 0.000 claims description 14
- 108091008695 photoreceptors Proteins 0.000 claims description 13
- 238000000354 decomposition reaction Methods 0.000 claims description 12
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 claims description 10
- 229910052802 copper Inorganic materials 0.000 claims description 10
- 239000010949 copper Substances 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 6
- 230000033001 locomotion Effects 0.000 description 11
- 230000003595 spectral effect Effects 0.000 description 7
- 101100495835 Oryza sativa subsp. japonica Cht1 gene Proteins 0.000 description 5
- 230000000004 hemodynamic effect Effects 0.000 description 4
- 238000002595 magnetic resonance imaging Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000004497 NIR spectroscopy Methods 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000007177 brain activity Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000005021 gait Effects 0.000 description 2
- 210000003128 head Anatomy 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 239000011941 photocatalyst Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000003710 cerebral cortex Anatomy 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 210000000976 primary motor cortex Anatomy 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/27—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands using photo-electric detection ; circuits for computing concentration
- G01N21/274—Calibration, base line adjustment, drift correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Processing (AREA)
- Optical Communication System (AREA)
Abstract
본 발명은 다채널 fNIRS 신호에서 동잡음을 제거하는 방법으로서 두피의 복수의 위치에 N 개의 광극을 배치하고, 광극 간에 채널을 형성하는 단계; 수신광극 각각과 이웃한 이웃채널의 상관계수차이값을 계산하고, 상기 상관계수차이값을 기초로 동잡음이 발생한 수신광극을 검출하는 단계;및 상기 검출된 수신광극과 상기 N 개의 광극의 배치구조를 기초로 동잡음을 제거하는 단계;를 포함하는 것을 특징으로 한다.
Description
본 발명은 근적외선 분광신호에서 동잡음을 제거하기 위한 것이다. 보다 상세히, 뇌의 각 위치에 근적외선 신호를 조사할 때 출력되는 신호를 뇌의 각 위치에 배치된 광극과 광극간에 형성된 채널을 기초로 근적외선 분광신호의 동잡음을 제거하기 위한 것이다.
일반적으로 의료용 영상 장치는 환자의 정보를 획득하여 영상을 제공한다. 이 중 자기공명영상장치는 영상 촬영 조건이 상대적으로 자유롭고, 연부 조직에서의 우수한 대조도와 다양한 진단 정보 영상을 제공해주기 때문에 의료용 영상을 이용한 진단 분야에서 중요한 위치를 차지하고 있다. 그러나 자기공명영상장치의 경우 높은 정확도를 지니고 있지만 고비용과 공간적 제약이 따르는 문제가 있다.
자기공명영상장치의 단점을 보완하거나 해결하기 위하여 자기공명영상장치가 사용될 수 없는 운동이나 재활등의 영역에 근적외선 분광법이 이용되고 있다. 근적외선 분광법에서는 웨이블릿 최소 묘사 길이 디트렌딩 (wavelet description length detrending)기법을 이용하여 근적외선 분광신호의 동잡음을 제거하는 방법이 이용되었다. 그러나 웨이블릿 최소 묘사 길이 디트렌딩 기법의 경우 다채널 근적외선 분광신호의 공간적 특징을 고려하지 않고 각각의 단일 채널의 신호 특징만을 고려한 문제가 있다. 따라서 동잡음이 발생하지 않은 채널 신호의 혈류 역학 반응 신호 성분을 감쇄시키거나 왜곡시킬 수 있는 문제가 발생할 수 있다. 또한 단일 작업(Task) 기반의 실험 환경에서 작업에 의한 혈류 역학 반응 성분을 동잡음 성분으로 판단하여 제거해버리는 문제가 있다.
또한, 최근 각광받고 있는 비침습적인 뇌활성화 측정 방법 중 근적외선 분광법(fNIRS)을 이용한 뇌활성도 측정 방법 등은 보행 훈련 상태를 실시간 측정이 가능하나, 머리, 체간 등의 움직임 등 원하지 않는 잡음 등으로 인해 보행과 관련된 신경생리학적 정보가 포함된 충실한 뇌활성도 신호의 획득이 곤란한 문제점이 있다.
본 발명의 바람직한 일 실시예에서는 근적외선 분광신호의 동잡음을 제거하고자 한다.
본 발명의 또 다른 바람직한 일 실시예에서는 다채널 근적외선 분광신호의 각 채널이 배치된 형태의 특성을 활용하여 동잡음을 제거하고자 한다.
본 발명의 또 다른 바람직한 일 실시예에서는 다채널 웨이블릿 변환을 이용하여 근적외선 분광신호에서 동잡음을 제거하고자 한다.
본 발명의 바람직한 일 실시예로서, 다채널 fNIRS 신호에서 동잡음을 제거하는 방법은 두피의 복수의 위치에 N 개의 광극을 배치하는 단계; 상기 N 개의 광극 간에 채널을 형성하는 단계; 상기 각 채널은 각각 송신광극과 수신광극에 연결되며, 각 채널별로 상기 송신광극과의 상관성을 나타내는 제 1 상관계수 및 상기 수신광극과의 상관성을 나타내는 제 2 상관계수을 계산하는 단계; 상기 각 채널마다 상기 제 1 상관계수과 상기 제 2 상관계수의 차이인 상관계수차이값을 계산하는 단계; 수신광극마다 수신광극의 이웃채널 각각의 상관계수차이값의 합을 계산하는 단계; 상기 상관계수차이값의 합이 가장 높은 수신광극 Ropt을 결정하는 단계; 상기 결정된 수신광극 Ropt과 이웃한 채널 중 상기 상관계수차이값이 가장 높은 채널을 동잡음이 생성된 채널로 선정하는 단계; 및 상기 선정된 채널과 이웃한 송신광극의 이웃채널 전체의 동잡음을 제거하는 단계; 를 포함하는 것을 특징으로 한다.
본 발명의 바람직한 일 실시예로서, 상기 동잡음을 제거하는 단계는 상기 선정된 채널을 웨이블릿 분해(WT, wavelet transformation)하여 상기 선정된 채널의 웨이블릿 밴드별 웨이트를 파악하는 단계; 상기 선정된 채널에 인공신경망(Neural Network)를 적용하여 상기 선정된 채널의 동잡음을 제거한 후 상기 웨이블릿 밴드별 웨이트를 학습하고 결정하는 단계; 및 상기 학습하고 결정된 웨이블릿 밴드별 웨이트를 기초로 상기 선정된 채널과 이웃한 송신광극의 이웃채널에 적용하여 동잡음을 제거하는 단계;를 포함한다.
본 발명의 바람직한 일 실시예로서, 상기 제 1 상관계수 및 상기 제 2 상관계수는 각 채널의 엔트로피값을 기초로 계산되는 것을 특징으로 한다.
본 발명의 바람직한 일 실시예로서, 상기 제 1 상관계수는 상기 송신광극과 이웃한 채널에서 계산된 값으로, 상기 제 1 상관계수는 상기 송신광극과 이웃한 이웃채널 중 임의의 채널의 엔트로피 값과 상기 송신광극과 이웃한 이웃채널 중 상기 임의의 채널을 제외한 나머지 이웃채널의 엔트로피값의 평균값 간의 상관관계를 나타내고, 상기 제 2 상관계수는 상기 수신광극과 이웃한 채널에서 계산된 값으로, 상기 제 2 상관계수는 상기 송신광극과 이웃한 채널 중 임의의 채널의 엔트로피 값과 상기 송신광극과 이웃한 이웃채널 중 상기 임의의 채널을 제외한 나머지 이웃채널의 엔트로피값의 평균값 간의 상관관계를 나타내는 것을 특징으로 한다.
본 발명의 또 다른 바람직한 일 실시예로서, 다채널 fNIRS 신호에서 동잡음을 제거하는 방법은 두피의 복수의 위치에 N 개의 광극을 배치하는 단계; 상기 N 개의 광극 간에 채널을 형성하는 단계; 수신광극 각각과 이웃한 이웃채널의 상관계수차이값을 계산하고, 상기 상관계수차이값을 기초로 동잡음이 발생한 수신광극을 검출하는 단계;및 상기 검출된 수신광극과 상기 N 개의 광극의 배치구조를 기초로 동잡음을 제거하는 단계;를 포함하는 것을 특징으로 한다.
본 발명의 또 다른 바람직한 일 실시예로서, 다채널 fNIRS 신호에서 동잡음을 제거하는 장치는 두피의 복수의 위치에 N 개의 광극을 배치하는 배치부; 상기 N 개의 광극 간에 채널을 형성하는 채널부; 상기 각 채널은 각각 송신광극과 수신광극에 연결되며, 각 채널별로 상기 송신광극과의 상관성을 나타내는 제 1 상관계수 및 상기 수신광극과의 상관성을 나타내는 제 2 상관계수을 계산하고 상기 각 채널마다 상기 제 1 상관계수과 상기 제 2 상관계수의 차이인 상관계수차이값을 계산하는 상관계수차이값계산부; 수신광극마다 수신광극의 이웃채널 각각의 상관계수차이값의 합을 계산하여, 상기 상관계수차이값의 합이 가장 높은 수신광극 Ropt을 결정하는 수신광극결정부; 상기 결정된 수신광극 Ropt과 이웃한 채널 중 상기 상관계수차이값이 가장 높은 채널을 동잡음이 생성된 채널로 선정하는 동잡음채널선정부; 및 상기 선정된 채널과 이웃한 송신광극의 이웃채널 전체의 동잡음을 제거하는 동잡음제거부;를 포함하는 것을 특징으로 한다.
본 발명의 바람직한 일 실시예로서, 상기 동잡음제거부는 상기 선정된 채널을 웨이블릿 분해(WT, wavelet transformation)하여 상기 선정된 채널의 웨이블릿 밴드별 웨이트를 파악하는 웨이블릿분해부; 상기 선정된 채널에 인공신경망(Neural Network)를 적용하여 상기 선정된 채널의 동잡음을 제거한 후 상기 웨이블릿 밴드별 웨이트를 학습하고 결정하는 학습부; 및 상기 학습하고 결정된 웨이블릿 밴드별 웨이트를 기초로 상기 선정된 채널과 이웃한 송신광극의 이웃채널에 적용하여 동잡음을 제거하는 적용부;를 포함하는 것을 특징으로 한다.
본 발명의 바람직한 일 실시예에서는 동잡음이 발생한 경우 광극이 배치된 배치구조를 이용하여 광극들 중 불균형이 가장 큰 광극을 찾아내 동잡음이 가장 많이 발생한 광극을 최우선적으로 찾아내고, 해당 광극과 이웃한 채널들의 동잡음을 제거하는 효과가 있다.
본 발명의 바람직한 일 실시예에서는 동잡음이 가장 많이 발생한 광극을 최우선적으로 찾아내, 해당 광극에서 발생하는 동잡음을 제거함으로써, 동잡음이 발생하지 않은 채널 신호의 혈류 역학 반응 신호 성분을 감쇄시키거나 왜곡시킬 수 있는 문제를 해결할 수 있다. 또한 단일 작업(Task) 기반의 실험 환경에서 작업에 의한 혈류 역학 반응 성분을 동잡음 성분으로 판단하여 제거해버리던 문제를 해결할 수 있다.
도 1 은 본 발명의 바람직한 일 실시예로서, 두피의 복수의 위치에 N 개의 광극을 배치한 일 예를 도시한다.
도 2 는 본 발명의 바람직한 일 실시예로서, N 개의 광극 간에 채널을 형성한 일 예를 도시한다.
도 3 은 본 발명의 바람직한 일 실시예로서, 다채널 fNIRS 신호에서 동잡음을 제거하는 방법의 흐름도를 도시한다.
도 4 는 본 발명의 바람직한 일 실시예로서, 다채널 fNIRS 신호에서 동잡음을 제거하는 상세 흐름도를 도시한다.
도 5 는 본 발명의 바람직한 일 실시예로서, 동잡음이 발생한 채널의 일 예를 도시한다.
도 6 은 본 발명의 바람직한 일 실시예로서, 동잡음을 제거하는 동잡음제거부의 상세구성도를 도시한다.
도 7 내지 8은 본 발명의 바람직한 일 실시예로서, 다채널 fNIRS 신호에서 동잡음을 제거하는 장치의 내부 구성도를 도시한다.
도 2 는 본 발명의 바람직한 일 실시예로서, N 개의 광극 간에 채널을 형성한 일 예를 도시한다.
도 3 은 본 발명의 바람직한 일 실시예로서, 다채널 fNIRS 신호에서 동잡음을 제거하는 방법의 흐름도를 도시한다.
도 4 는 본 발명의 바람직한 일 실시예로서, 다채널 fNIRS 신호에서 동잡음을 제거하는 상세 흐름도를 도시한다.
도 5 는 본 발명의 바람직한 일 실시예로서, 동잡음이 발생한 채널의 일 예를 도시한다.
도 6 은 본 발명의 바람직한 일 실시예로서, 동잡음을 제거하는 동잡음제거부의 상세구성도를 도시한다.
도 7 내지 8은 본 발명의 바람직한 일 실시예로서, 다채널 fNIRS 신호에서 동잡음을 제거하는 장치의 내부 구성도를 도시한다.
이하에서는 도면을 참고하여 설명한다.
도 1 내지 2 는 본 발명의 바람직한 일 실시예로서, 두피의 복수의 위치에 N 개의 광극을 배치하고, 광극 간에 채널이 형성된 일 예를 도시한다.
도 1 내지 2를 참고하면 fNIRS채널은 걷기 작업과 관련된 SMA(supplementary motor area)와 M1(primary motor cortex)를 거의 커버할 수 있음을 알 수 있다. 일반적으로, fNIRS 신호를 이용한 걷기 작업 과정에서 나타나는 동잡음(motion artifact)의 주된 이유는 광극의 위치가 틀어져 제자리에서 벗어나거나 또는 광극 케이블이 흔들린 경우이다. 본 발명의 바람직한 일 실시예에서는 동잡음이 발생하는 경우 광극들 중 불균형이 가장 큰 광극을 찾아내 모션 아티팩트가 발생한 광극을 최우선적으로 찾고자 한다.
본 발명의 바람직한 일 실시예에서는 불균형이 가장 큰 광극을 찾아내기 위해 광극 간의 채널정보를 이용하고자 한다. 도 2 를 참고하여 설명한다.
도 2 는 본 발명의 바람직한 일 실시예로서, 5*5 개의 구조로 형성된 광극(T1~T13, R1~R12)을 도시하며, 광극 간에 40개의 채널을 형성한 일 예를 도시한다. 도 2 에 도시된 각각의 광극은 송신기 T1~T13 광극 또는 수신기 R1~R12 광극으로 구현될 수 있다. 각각의 광극은 대뇌피질의 움직임을 관할하는 영역 및 감각을 관할하는 영역을 커버할 수 있다.
도 2 에서 각 광극은 송신광극(T1~T13) 또는 수신광극(R1~R12)으로 동작할 수 있다. 각각의 광극은 자신을 중심으로 최대 4개의 이웃채널을 구비할 수 있다. R6(210)광극을 예를 들면, R6(210)광극은 T7(220)광극이 전송하는 신호를 CH20(S212)를 통해 수신한다. 마찬가지로, R6(210)은 T7(220), T9(211), T6(213), T4(214) 광극에서 전송하는 신호를 각각 수신하며, CH20(S212), CH24(S211), CH19(S213) 및 CH15(S214) 채널을 각각 생성할 수 있다. 이 경우 R6(210)의 이웃채널은 CH20(S212), CH24(S211), CH19(S213) 및 CH15(S214)이다. 마찬가지 방법으로, T7(220)광극의 이웃채널은 CH25(S221), CH21(S222), CH16(S223) 및 CH20(S212)이다.
본 발명의 바람직한 일 실시예에서는 두피의 복수의 위치에 배치된 N 개의 광극 중 임의의 광극에 발생한 동잡음을 N개의 광극 내지 채널의 배치의 특성에 기초하여 제거할 수 있다.
본 발명의 바람직한 일 실시예로서, T7(220)광극에서 기준선이 표류되거나 점핑되는 등의 다양한 에러가 발생하는 경우, T7(220)광극의 이웃 채널인 CH25(S221), CH21(S222), CH16(S223) 및 CH20(S212)에 동잡음이 발생할 수 있다.
이 경우, R6(210)광극을 둘러싼 4개의 채널들 중 CH24(S211), CH19(S213) 및 CH15(S214) 채널의 fNIRS 신호는 영향을 받지 않으며, CH20(S212)의 fNIRS 신호만 영향을 받게된다.
도 5를 참고하면, R6(210)광극을 둘러싼 채널 중 T7(220)과 인접한 CH20(S212)의 200~400 구간(510)에서 동잡음이 발견되고, 그 외 T7(220)광극의 이웃 채널인 CH24(S211), CH19(S213) 및 CH15(S214) 채널의 신호 패턴에서는 동잡음이 발견되지 않음을 알 수 있다.
이 경우, R6(210)광극을 둘러싼 CH20(S212), CH24(S211), CH19(S213) 및 CH15(S214) 채널들의 엔트로피값을 계산하면, CH24(S211), CH19(S213) 및 CH15(S214) 채널의 경우 서로 유사한 값의 엔트로피 값을 지니게 되고, CH20(S212)의 경우 CH24(S211), CH19(S213) 및 CH15(S214) 채널의 엔트로피 값과의 차이가 발생할 수 있다. 따라서, CH20(S212)의 fNIRS 신호특성이 이웃채널인 CH24(S211), CH19(S213) 및 CH15(S214) 채널의 fNIRS 신호특성과 상이한 경우 CH20(S212)에 이웃한 R6(210)광극 또는 T7(220)광극에 이상이 발생하였다고 추정할 수 있다. 이에 대해서는 도 3 내지 4와 관련된 부분에서 더 상세히 설명하기로 한다.
도 3 은 본 발명의 바람직한 일 실시예로서, 다채널 fNIRS 신호에서 동잡음을 제거하는 방법의 흐름도를 도시한다.
본 발명의 바람직한 일 실시예에서는 도 1에 도시된 일 예와 같이 두피의 복수의 위치에 N 개의 광극을 배치하고(S310), N 개의 광극 간에 채널을 형성한다(S320).
그 후, 채널 각각에 대해 수학식 2를 기초로 제 1 상관계수와 제 2 상관계수를 계산하고(S330), 수학식 3을 기초로 제 1상관계수와 제 2 상관계수의 차이값을 나타내는 상관계수차이값을 계산한다(S340).
여기서, 제 1 상관계수는 송신광극과 이웃한 이웃채널 중 임의의 채널의 엔트로피 값과 송신광극과 이웃한 이웃채널 중 상기 임의의 채널을 제외한 나머지 이웃채널의 엔트로피값의 평균값 간의 상관관계를 나타낸다. 그리고 제 2 상관계수는 수신광극과 이웃한 채널 중 임의의 채널의 엔트로피 값과 수신광극과 이웃한 이웃채널 중 상기 임의의 채널을 제외한 나머지 이웃채널의 엔트로피값의 평균값 간의 상관관계를 나타낸다.
도 2 를 참고하면, T7(220)광극과 이웃한 CH16(S223), CH20(S212), CH21(S222) 및 CH25(S221) 중 CH20(S212)의 제 1 상관계수는 CH20(S212)의 엔트로피 값과 CH16(S223), CH21(S222) 및 CH25(S221) 각각의 엔트로피 값의 합의 평균값 간의 상관값으로 계산된다. 마찬가지로, R6(210)광극과 이웃한 CH15(S214), CH19(S213), CH20(S212) 및 CH24(S211) 중 CH20(S212)의 제 2 상관계수는 CH20(S212)의 엔트로피 값과 CH15(S214), CH19(S213), 및 CH24(S211) 엔트로피 값의 합의 평균값 간의 상관값으로 계산된다.
본 발명의 바람직한 일 실시예에서는 제 1 상관계수 내지 제 2 상관계수를 구하기 위하여 수학식 1을 통해 엔트로피 값을 계산할 수 있다.
수학식 1에서 a(i)는 i 번째 채널의 신호를, N은 샘플의 개수를 나타낸다.
본 발명의 바람직한 일 실시예에서 특정 채널에 대한 n 번째 샘플의 엔트로피값
)은, fNIRS 신호 y(n) 의 1초 이전의(-N/2) 샘플부터 1초 이후의 (+N/2) 샘플을 이용해 계산된다.
또한, 특정 광극에 대한 평균 엔트로피(
는 광극에 연결된 모든 채널의 엔트로피 값들의 동일 시간(n)에 대한 평균 값을 나타낸다.
수학식 3은 상관계수차이값을 나타내고, 광극과 이웃한 이웃채널들이 다른 특성을 지니고, 상관관계가 낮을 경우 상관계수차이값은 높은 값을 나타낼 수 있다.
수학식 3을 통해 각 채널별로 상관계수차이값을 계산한 후(S340)에는 수신광극마다 수신광극의 이웃채널 각각의 상관계수차이값의 합을 계산한다(S350). 그 후 상관계수차이값의 합이 가장 높은 수신광극 Ropt을 결정한다(S360). 그 후, 수신광극 Ropt과 이웃한 채널 중 상관계수차이값이 가장 높은 채널을 동잡음이 생성된 채널로 선정한다(S370).
본 발명의 바람직한 일 실시예에서는 상관계수차이값이 가장 높은 채널 CHUD과 이웃한 송신광극의 이웃채널 전체의 동잡음을 제거한다(S380). 예를 들어, 도 2 에서 R6(210)광극이 상관계수차이값의 합이 가장 큰 광극으로 계산된 경우, R6(210)광극에 이웃한 CH20(S212), CH24(S211), CH19(S213) 및 CH15(S214) 채널 중 가장 상관계수차이값이 큰 채널을 선정한다. 예를 들어 CH20(S212) 채널의 상관계수차이값이 가장 큰 경우, CH20(S212)에 이웃한 T7(220)광극에 이웃한 모든 채널 CH16(S223), CH20(S212), CH21(S222) 및 CH25(S221)에서 동잡음을 제거한다.
도 4 는 본 발명의 바람직한 일 실시예로서, 다채널 fNIRS 신호에서 동잡음을 제거하는 상세 흐름도를 도시한다. 도 6에는 동잡음 제거부(600)의 내부 구성도가 도시되어 있으며, 도 4 및 6을 참고하여 동잡음을 제거하는 과정을 설명한다.
본 발명의 바람직한 일 실시예에서, 다채널 fNIRS 신호에서 동잡음을 제거하기 위하여 WT(Wavelet Transform)을 이용한다. 본 발명의 바람직한 일 실시예에서는, 도 3에 도시된 방법으로 선정된 상관계수차이값이 가장 높은 채널 CHUD에 대해 웨이블릿 분해 방식 WT(Wavelet Transform)을 적용하여 CHUD의 웨이블릿 밴드별 웨이트 변수를 파악한다(S410). 그리고 상관계수차이값이 가장 높은 채널 CHUD에 대해 인공신경망(Neural Network)를 적용하여 채널 CHUD의 동잡음을 제거한 후 웨이블릿 밴드별 웨이트 변수를 학습하고 결정한다(S420). 그 후, 결정된 웨이블릿 밴드별 웨이트 변수를 CHUD과 이웃한 송신광극의 이웃채널을 웨이블릿 분해한 웨이블릿 변수에 적용하여 동잡음을 제거한다(S430).
본 발명의 바람직한 일 실시예에서, 웨이블릿 밴드별 웨이트 변수 wj,m(k)는 수학식 4와 같이 계산된다. 웨이트 변수 wj,m(k)의 초기값은 임의의 값을 적용하고, 그 후 학습부(도 6, 620)에서 선호하는 신호(preferred signal)(도 6, 630)와 출력값간의 에러값을 기초로 학습을 수행한다(S430).
도 2 를 참고하면, 상관계수차이값이 가장 높은 채널로 CH20(S212)이 선정된 경우, 선호하는 신호(630)는 엔트로피 신호 특성이 비슷한 CH24(S211),CH19(S213) 및 CH15(S214)의 평균값일 수 있다.
수학식 4에서 WT는 웨이블릿 분해방식, y(n)은 CHUD의 fNIRS 신호, j는 웨이블릿 변환이 이루어지는 레벨의 개수, k는 m번째 서브밴드의 k번째 웨이블릿 변수를 나타낸다.
일 예로, fNIRS 신호는 10레벨의 웨이블릿 변환을 이용하여 11개 서브밴드의 웨이블릿 변수 wj,m(k)로 분해될 수 있다. 이 경우, j=1,2,...,10, m=1,2,...,11 그리고 k=1,2,..., N/2j 일 수 있다.
도 6을 참고하면, 본 발명에서는 웨이블릿분해부(610)에서 fNIRS 신호를 웨이블릿 분해한 후, 학습부(620)에서 학습을 통해 가장 적합한 웨이블릿 밴드별 웨이트 변수를 파악한다.
학습부(620)는 베이스라인이 점핑되는 경우와 환자가 머리를 급격하게 움직이는 움직임과 같이 구별이 어려운 작업(task)들을 구별하고 학습할 수 있다. 이를 위해, 학습부(630)는 BPNN(back propagation neural network), FFNN(feed forward neural networks)등을 이용하여 기계학습을 수행할 수 있다. 기계학습은 패턴인식, 패턴 분류 등을 포함한다. 본 발명의 바람직한 일 실시예에서, 학습부(620)는 또한 BPNN을 이용하여 모션 아티팩트를 포함하는 동잡음을 수정하도록 학습할 수 있다.
학습부(620)에서는 기계학습을 통해 상관계수차이값이 가장 높은 채널 CHUD에 대해 웨이블릿 밴드별 웨이트 변수 wj,m(k)값을 학습하고, 결정된 웨이트 변수 wj,m(k)값을 결정한다.
상관계수차이값이 가장 높은 채널 CHUD에 대해 학습부(620)를 통해 학습되고 결정된 웨이트 변수 wj,m(k)값은 이 후, 상관계수차이값이 가장 높은 채널 CHUD과 이웃한 송신광극의 이웃채널들의 웨이트 변수값으로 적용되어, 송신광극의 이웃채널들에서 생성된 동잡음을 제거한다.
도 7은 본 발명의 바람직한 일 실시예로서, 다채널 fNIRS 신호에서 동잡음을 제거하는 장치의 내부 구성도를 도시한다.
다채널 fNIRS 신호에서 동잡음을 제거하는 장치(700)는 광극배치부(710), 채널부(720), 상관계수차이값계산부(730), 수신광극결정부(740), 동잡음채널선정부(750) 및 동잡음제거부(760)를 포함한다.
광극배치부(710)는 두피의 복수의 위치에 N 개의 광극을 배치하고, 채널부(720)는 N 개의 광극 간에 채널을 형성한다.
상관계수차이값계산부(730)은 형성된 각각의 채널에 대해 제 1 상관계수와 제 2 상관계수를 계산한다. 그리고, 제 1 상관계수와 제 2 상관계수의 차이인 상관계수차이값을 계산한다.
수신광극결정부(740)는 수신광극마다 수신광극의 이웃채널 각각의 상관계수차이값의 합을 계산하고, 두피에 배치된 모든 수신광극 중 상기 상관계수차이값의 합이 가장 높은 수신광극 Ropt을 결정한다.
동잡음채널선정부(750)는 수신광극 Ropt과 이웃한 채널 중 상관계수차이값이 가장 높은 채널을 동잡음이 생성된 채널로 선정한다. 동잡음제거부(760)는 동잡음채널선정부(750)에서 선정된 채널과 이웃한 송신광극의 이웃채널 전체의 동잡음을 제거한다.
본 발명의 바람직한 일 실시예로서, 도 8 은 동잡음제거부(760)의 구성도를 도시한다.
동잡음제거부(760)는 웨이블릿분해부(762), 학습부(764) 및 적용부(766)를 포함한다. 웨이블릿분해부(762)는 수신광극 Ropt과 이웃한 채널 중 상관계수차이값이 가장 높은 채널을 웨이블릿 분해하여 상관계수차이값이 가장 높은 채널의 웨이블릿 밴드별 웨이트 변수를 파악한다. 학습부(764)는 인공신경망(Neural Network)를 이용하여 상관계수차이값이 가장 높은 채널의 동잡음을 제거하도록 웨이블릿 밴드별 웨이트 변수를 학습하고 최종 웨이트 변수를 결정한다. 적용부(766)는 췌종 웨이트 변수로 결정된 웨이트 변수를 웨이트 변수 모델로 저장하고, 저장된 웨이트 변수 모델을 상관계수차이값이 가장 높은 채널과 이웃한 송신광극의 이웃채널에 적용하여 동잡음을 제거한다.
본 방법발명은 또한 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 기록매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광데이터 저장장치 등이 있다. 또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서 본 발명에 기재된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상이 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의해서 해석되어야하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
Claims (11)
- 다채널 fNIRS 신호에서 동잡음을 제거하는 방법으로,
두피의 복수의 위치에 N 개의 광극을 배치하는 단계;
상기 N 개의 광극 간에 채널을 형성하는 단계;
상기 각 채널은 각각 송신광극과 수신광극에 연결되며, 각 채널별로 상기 송신광극과의 상관성을 나타내는 제 1 상관계수 및 상기 수신광극과의 상관성을 나타내는 제 2 상관계수을 계산하는 단계;
상기 각 채널마다 상기 제 1 상관계수과 상기 제 2 상관계수의 차이인 상관계수차이값을 계산하는 단계;
수신광극마다 수신광극의 이웃채널 각각의 상관계수차이값의 합을 계산하는 단계;
상기 상관계수차이값의 합이 가장 높은 수신광극 Ropt을 결정하는 단계;
상기 결정된 수신광극 Ropt과 이웃한 채널 중 상기 상관계수차이값이 가장 높은 채널을 동잡음이 생성된 채널로 선정하는 단계; 및
상기 선정된 채널과 이웃한 송신광극의 이웃채널 전체의 동잡음을 제거하는 단계; 를 포함하는 것을 특징으로 하는 방법. - 제 1 항에 있어서, 상기 동잡음을 제거하는 단계는
상기 선정된 채널을 웨이블릿 분해(WT, wavelet transformation)하여 상기 선정된 채널의 웨이블릿 밴드별 웨이트를 파악하는 단계;
상기 선정된 채널에 인공신경망(Neural Network)를 적용하여 상기 선정된 채널의 동잡음을 제거한 후 상기 웨이블릿 밴드별 웨이트를 학습하고 결정하는 단계; 및
상기 학습하고 결정된 웨이블릿 밴드별 웨이트 변수를 기초로 상기 선정된 채널과 이웃한 송신광극의 이웃채널에 적용하여 동잡음을 제거하는 단계;를 포함하는 것을 특징으로 하는 방법. - 제 1 항에 있어서, 상기 제 1 상관계수 및 상기 제 2 상관계수는
각 채널의 엔트로피값을 기초로 계산되는 것을 특징으로 하는 방법. - 제 1 항에 있어서,
상기 제 1 상관계수는 송신광극과 이웃한 이웃채널 중 임의의 채널의 엔트로피 값과 상기 송신광극과 이웃한 이웃채널 중 상기 임의의 채널을 제외한 나머지 이웃채널의 엔트로피값의 평균값 간의 상관관계를 나타내고,
상기 제 2 상관계수는 수신광극과 이웃한 채널 중 임의의 채널의 엔트로피 값과 상기 수신광극과 이웃한 이웃채널 중 상기 임의의 채널을 제외한 나머지 이웃채널의 엔트로피값의 평균값 간의 상관관계를 나타내는 것을 특징으로 하는 방법. - 다채널 fNIRS 신호에서 동잡음을 제거하는 방법으로,
두피의 복수의 위치에 N 개의 광극을 배치하는 단계;
상기 N 개의 광극 간에 채널을 형성하는 단계;
수신광극 각각과 이웃한 이웃채널의 상관계수차이값을 계산하고, 상기 상관계수차이값을 기초로 동잡음이 발생한 수신광극을 검출하는 단계;및
상기 검출된 수신광극과 상기 N 개의 광극의 배치구조를 기초로 동잡음을 제거하는 단계;를 포함하는 것을 특징으로 하는 방법. - 제 5 항에 있어서, 상기 상관계수차이값은 각 채널마다 모두 계산되고, 상기 상관계수차이값은 제 1 상관계수와 제 2 상관계수의 차이값을 나타내며, 상기 제 1 상관계수는 각 채널마다 송신광극과의 상관성을 나타내고, 상기 제 2 상관계수는 각 채널마다 수신광극과의 상관성을 나타내는 것을 특징으로 하는 방법.
- 제 5 항에 있어서,
상기 검출된 수신광극의 이웃채널들 중 상관계수차이값이 가장 큰 채널 CHUD을 동잡음이 발생한 채널로 선정하는 것을 특징으로 하는 방법. - 제 7 항에 있어서, 상기 동잡음을 제거하는 단계는
상기 CHUD과 인접한 송신광극과 이웃한 이웃채널 전체의 동잡음을 제거하는 것을 특징으로 하는 방법. - 제 7 항에 있어서, 상기 동잡음을 제거하는 단계는
상기 CHUD을 웨이블릿 분해(WT, wavelet transformation)하여 상기 선정된 채널의 웨이블릿 밴드별 웨이트를 파악하는 단계;
상기 선정된 채널에 인공신경망(Neural Network)를 적용하여 상기 선정된 채널의 동잡음을 제거한 후 상기 웨이블릿 밴드별 웨이트를 학습하고 결정하는 단계; 및
상기 학습하고 결정된 웨이블릿 밴드별 웨이트 변수를 기초로 상기 선정된 채널과 이웃한 송신광극의 이웃채널에 적용하여 동잡음을 제거하는 단계;를 포함하는 것을 특징으로 하는 방법. - 다채널 fNIRS 신호에서 동잡음을 제거하는 장치로서, 상기 장치는
두피의 복수의 위치에 N 개의 광극을 배치하는 광극배치부;
상기 N 개의 광극 간에 채널을 형성하는 채널부;
상기 각 채널은 각각 송신광극과 수신광극에 연결되며, 각 채널별로 상기 송신광극과의 상관성을 나타내는 제 1 상관계수 및 상기 수신광극과의 상관성을 나타내는 제 2 상관계수을 계산하고 상기 각 채널마다 상기 제 1 상관계수과 상기 제 2 상관계수의 차이인 상관계수차이값을 계산하는 상관계수차이값계산부;
수신광극마다 수신광극의 이웃채널 각각의 상관계수차이값의 합을 계산하여, 상기 상관계수차이값의 합이 가장 높은 수신광극 Ropt을 결정하는 수신광극결정부;
상기 결정된 수신광극 Ropt과 이웃한 채널 중 상기 상관계수차이값이 가장 높은 채널을 동잡음이 생성된 채널로 선정하는 동잡음채널선정부; 및
상기 선정된 채널과 이웃한 송신광극의 이웃채널 전체의 동잡음을 제거하는 동잡음제거부;를 포함하는 것을 특징으로 하는 장치. - 제 10항에 있어서, 상기 동잡음제거부는
상기 선정된 채널을 웨이블릿 분해(WT, wavelet transformation)하여 상기 선정된 채널의 웨이블릿 밴드별 웨이트 변수를 파악하는 웨이블릿분해부;
상기 선정된 채널에 인공신경망(Neural Network)를 적용하여 상기 선정된 채널의 동잡음을 제거한 후 상기 웨이블릿 밴드별 웨이트 변수를 학습하고 결정하는 학습부; 및
상기 학습하고 결정된 웨이블릿 밴드별 웨이트 변수를 기초로 상기 선정된 채널과 이웃한 송신광극의 이웃채널에 적용하여 동잡음을 제거하는 적용부;를 포함하는 것을 특징으로 하는 장치.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US16/028,678 US11058359B2 (en) | 2017-09-15 | 2018-07-06 | Method and apparatus for removing noise from multi-channel fNIRS |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170118853 | 2017-09-15 | ||
| KR20170118853 | 2017-09-15 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20190031124A KR20190031124A (ko) | 2019-03-25 |
| KR102090671B1 true KR102090671B1 (ko) | 2020-03-18 |
Family
ID=65907676
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180072348A KR102090671B1 (ko) | 2017-09-15 | 2018-06-22 | 다채널 fNIRS 신호에서 동잡음을 제거하는 방법 및 장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102090671B1 (ko) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101190351B1 (ko) | 2010-12-30 | 2012-10-11 | 고려대학교 산학협력단 | 근적외선 분광 검출 유니트, 근적외선 분광 검출 장치 및 이의 제어 방법 |
| JP5895025B2 (ja) | 2010-07-06 | 2016-03-30 | 株式会社日立メディコ | 生体光計測装置 |
| JP5959016B2 (ja) | 2011-05-31 | 2016-08-02 | 国立大学法人 名古屋工業大学 | 認知機能障害判別装置、認知機能障害判別システム、およびプログラム |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101400316B1 (ko) * | 2012-11-13 | 2014-05-27 | 재단법인대구경북과학기술원 | 생체 신호 잡음 제거 장치 및 그 방법 |
| KR101703547B1 (ko) | 2015-04-09 | 2017-02-07 | 대한민국 | 기능적 근적외선 분광법의 뇌활성도 측정에 따른 유효 채널 추출 방법 및 장치 |
-
2018
- 2018-06-22 KR KR1020180072348A patent/KR102090671B1/ko active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5895025B2 (ja) | 2010-07-06 | 2016-03-30 | 株式会社日立メディコ | 生体光計測装置 |
| KR101190351B1 (ko) | 2010-12-30 | 2012-10-11 | 고려대학교 산학협력단 | 근적외선 분광 검출 유니트, 근적외선 분광 검출 장치 및 이의 제어 방법 |
| JP5959016B2 (ja) | 2011-05-31 | 2016-08-02 | 国立大学法人 名古屋工業大学 | 認知機能障害判別装置、認知機能障害判別システム、およびプログラム |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20190031124A (ko) | 2019-03-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Islam et al. | Methods for artifact detection and removal from scalp EEG: A review | |
| Gao et al. | Facilitating joint chaos and fractal analysis of biosignals through nonlinear adaptive filtering | |
| JP6783927B2 (ja) | 学習型信号分離方法、及び学習型信号分離装置 | |
| JP6884344B2 (ja) | 脳内ネットワークの活動推定システム、脳内ネットワークの活動推定方法、脳内ネットワークの活動推定プログラム、および、学習済み脳活動推定モデル | |
| WO2020090134A1 (ja) | 推定器生成装置、モニタリング装置、推定器生成方法及び推定器生成プログラム | |
| JP2018529409A (ja) | 超高密度の電極に基づく脳撮像システム | |
| Islam et al. | Artifact characterization and removal for in vivo neural recording | |
| Ashokkumar et al. | RETRACTED: Implementation of deep neural networks for classifying electroencephalogram signal using fractional S‐transform for epileptic seizure detection | |
| CN114947883B (zh) | 一种时频域信息融合的深度学习脑电降噪方法 | |
| Kropotov et al. | Differentiation of neuronal operations in latent components of event‐related potentials in delayed match‐to‐sample tasks | |
| KR20190033972A (ko) | 심층신경망을 이용한 자동 뇌파 잡음 제거 방법 및 장치 | |
| CN112957014A (zh) | 一种基于脑电波与神经网络的疼痛检测定位方法及系统 | |
| Mayor-Torres et al. | Interpretable sincnet-based deep learning for emotion recognition from eeg brain activity | |
| Mateo et al. | Noise removal in electroencephalogram signals using an artificial neural network based on the simultaneous perturbation method | |
| Dash et al. | Decoding speech from single trial MEG signals using convolutional neural networks and transfer learning | |
| KR20190073330A (ko) | 심층신경망을 이용한 자동 뇌파 잡음 제거 방법 및 장치 | |
| Baravalle et al. | Discriminating imagined and non-imagined tasks in the motor cortex area: Entropy-complexity plane with a wavelet decomposition | |
| KR102239984B1 (ko) | 휴지기 뇌파를 이용한 뇌전증 진단 정보 제공 장치 및 방법 | |
| Llorella et al. | Convolutional neural networks and genetic algorithm for visual imagery classification | |
| KR102090671B1 (ko) | 다채널 fNIRS 신호에서 동잡음을 제거하는 방법 및 장치 | |
| KR102366557B1 (ko) | 컨볼루션 네트워크를 이용한 광단층 이미지 스페클 제어 장치 및 그 방법 | |
| Korats et al. | A space-time-frequency dictionary for sparse cortical source localization | |
| Mateo-Sotos et al. | An adaptive radial basis function neural network filter for noise reduction in biomedical recordings | |
| Sonmezocak et al. | The Classification of Resampled Pediatric Epilepsy EEG Data Using Artificial Neural Networks with Discrete Fourier Transforms | |
| Chowdhury et al. | Brain connectivity analysis in color perception problem using convergent cross mapping technique |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |