KR102287191B1 - 뇌파 데이터 분석을 통한 중증인지장애 환자 분류 방법, 서버 및 컴퓨터프로그램 - Google Patents

뇌파 데이터 분석을 통한 중증인지장애 환자 분류 방법, 서버 및 컴퓨터프로그램 Download PDF

Info

Publication number
KR102287191B1
KR102287191B1 KR1020210032457A KR20210032457A KR102287191B1 KR 102287191 B1 KR102287191 B1 KR 102287191B1 KR 1020210032457 A KR1020210032457 A KR 1020210032457A KR 20210032457 A KR20210032457 A KR 20210032457A KR 102287191 B1 KR102287191 B1 KR 102287191B1
Authority
KR
South Korea
Prior art keywords
cognitive impairment
group
users
classifying
severe
Prior art date
Application number
KR1020210032457A
Other languages
English (en)
Inventor
강승완
박욱업
고주희
김남헌
정태균
정혜린
Original Assignee
주식회사 아이메디신
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 아이메디신 filed Critical 주식회사 아이메디신
Priority to KR1020210032457A priority Critical patent/KR102287191B1/ko
Priority to KR1020210086273A priority patent/KR102366056B1/ko
Priority to KR1020210086274A priority patent/KR102365139B1/ko
Priority to JP2023555743A priority patent/JP2024512433A/ja
Priority to PCT/KR2021/010379 priority patent/WO2022191367A1/ko
Application granted granted Critical
Publication of KR102287191B1 publication Critical patent/KR102287191B1/ko
Priority to US17/680,235 priority patent/US11547346B2/en

Links

Images

Classifications

    • 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
    • G16H40/67—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 remote operation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—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
    • 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
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
    • 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
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • 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
    • 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
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • G06N3/0427—
    • 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
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • 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
    • G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
    • 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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • 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
    • A61B2576/00—Medical imaging apparatus involving image processing or analysis
    • A61B2576/02—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part
    • A61B2576/026—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part for the brain

Abstract

뇌파 데이터 분석을 통한 중증인지장애 환자 분류 방법, 서버 및 컴퓨터프로그램이 제공된다. 본 발명의 다양한 실시예에 따른 뇌파 데이터 분석을 통한 중증인지장애 환자 분류 방법은, 컴퓨팅 장치에 의해 수행되는 방법에 있어서, 복수의 사용자에 대한 뇌파 데이터를 수집하는 뇌파 수집 단계, 상기 수집된 뇌파 데이터를 분석하여 상기 복수의 사용자를 중증인지장애 그룹 또는 비 중증인지장애 그룹으로 분류하는 제1 분류단계, 상기 비 중증인지장애 그룹에 포함된 사용자를 정상 그룹 또는 기억장애형 경도인지장애(amnestic Mild Cognitive Impairment, aMCI) 그룹으로 분류하는 제2 분류단계 및 상기 정상 그룹에 포함된 사용자를 정상 범위 내 그룹 또는 인지장애 잠복기 그룹으로 분류하고, 상기 기억장애형 경도인지장애 그룹에 포함된 사용자를 알츠하이머가 아닌 경도인지장애 그룹 또는 치매전 경도인지장애 그룹으로 분류하는 제3 분류단계를 포함할 수 있다.

Description

뇌파 데이터 분석을 통한 중증인지장애 환자 분류 방법, 서버 및 컴퓨터프로그램{METHOD, SERVER AND COMPUTER PROGRAM FOR CLASSIFYING SEVERE COGNITIVE IMPAIRMENT PATIENTS BY ANALYZING EEG DATA}
본 발명의 다양한 실시예는 뇌파 데이터 분석을 통한 중증인지장애 환자 분류 방법, 서버 및 컴퓨터프로그램에 관한 것이다.
치매(dementia)란, 뇌 질환으로 초래된 일련의 증세를 의미한다.
치매는 인식 능력의 저하로 일상적인 활동 능력 결여 상태가 되는 것으로, 치매가 진행되면, 사고력, 행동 및 일상 생활 수행에 영향을 미치게 된다. 의사들은 두 개 이상의 인식 기능(예: 기억력, 언어 기능, 정보 이해, 공간 기능, 판단력 및 주의력을 포함)이 현저하게 손상될 경우 치매로 진단한다.
치매 환자는 문제를 해결하고 감정을 통제하는데 어려움이 있을 수 있으며, 인격 변화를 겪을 수도 있다. 치매 환자가 겪는 정확한 증세는 치매를 일으킨 질환에 의해 손상된 뇌가 어떤 부위인가에 달려 있다. 치매의 여러 유형에서는 뇌의 신경 세포 일부가 기능을 멈추고 다른 세포들과의 연결이 사라져 죽게 된다. 치매는 대개 꾸준히 진행된다. 즉, 치매는 점차적으로 뇌로 퍼지며 환자의 증세는 시간이 지나면서 악화된다.
우리나라의 경우, 65세 이상 노인 인구 중 약 9.5%인 29만명 정도가 노인성 치매로 고생하고 있으며, 이 중 73%인 18만명은 습관적으로 거리를 배회하는 등 중증 환자이다. 이는 앞으로 인구의 노령화가 가속화됨에 따라 지속적으로 증가할 것으로 예상된다.
치매는 아직까지 효과적인 치료제가 개발되어 있지 않으므로, 치매조기발견에 따른 예방관리가 무엇보다도 중요한 질환이다. 그러나 현재까지 치매진단은 주로 신경심리검사에 의존하고 있으며, 보조적 수단으로써 MRI(뇌위축 등 뇌변형 검사) 또는 PET(아밀로이드 침착수준 검사) 등이 사용되고 있으나 검사비용이 비싼 단점이 있으며, 뇌척수액 검사법(아밀로이드 혹은 타우 단백질의 양을 측정)은 침습적인 방법으로써 환자들이 꺼려하는 단점이 있다.
이러한 문제점을 개선하기 위하여, 종래에는 뇌파 데이터 분석을 통한 치매 진단 플랫폼을 개발하여, 환자의 뇌파 데이터를 분석(예: 뇌파 데이터가 치매 환자의 뇌파 데이터인지 또는 정상인의 뇌파 데이터인지 분석)함으로써, 해당 환자가 치매 환자인지 여부를 판단하였다.
그러나, 이러한 종래의 치매 진단 플랫폼의 경우, 뇌파 데이터를 분석하여 해당 환자가 정상 상태인지 또는 치매 상태인지를 분류 즉, 정상 상태와 치매 상태를 단순히 이분법적으로 나누는 기술에 불과하다는 점에서, 현재 치매 질환을 앓고 있는 환자를 식별할 수는 있으나, 정상 상태이더라도 치매 발생 가능성이 있는 사용자를 선별하는 것이 불가능하다는 문제가 있다.
한국공개특허 제10-2018-0109529호 (2018.10.08)
본 발명이 해결하고자 하는 과제는 상술한 종래의 치매 진단 플랫폼의 문제점을 개선하기 위하여, 복수의 사용자에 대한 뇌파 데이터를 분석하여 정상 상태인 사용자와 치매 환자를 분류할 뿐만 아니라, 정상 상태인 사용자들에 대해서도, 기억 장애 유무, 기억 장애의 종류 및 정도 등을 고려하여 치매의 가능성을 세분화함으로써, 현재 치매를 앓고 있는 환자를 식별할 수 있을 뿐만 아니라 정상 상태인 사용자들 중에서도 치매 발생 확률이 있는 사용자들을 조기 선별할 수 있는 뇌파 데이터 분석을 통한 중증인지장애 환자 분류 방법, 서버 및 컴퓨터프로그램을 제공하는 것이다.
본 발명이 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
상술한 과제를 해결하기 위한 본 발명의 일 실시예에 따른 뇌파 데이터 분석을 통한 중증인지장애 환자 분류 방법은, 컴퓨팅 장치에 의해 수행되는 방법에 있어서, 복수의 사용자에 대한 뇌파 데이터를 수집하는 뇌파 수집 단계, 상기 수집된 뇌파 데이터를 분석하여 상기 복수의 사용자를 중증인지장애 그룹 또는 비 중증인지장애 그룹으로 분류하는 제1 분류단계, 상기 비 중증인지장애 그룹에 포함된 사용자를 정상 그룹 또는 기억장애형 경도인지장애(amnestic Mild Cognitive Impairment, aMCI) 그룹으로 분류하는 제2 분류단계 및 상기 정상 그룹에 포함된 사용자를 정상 범위 내 그룹 또는 인지장애 잠복기 그룹으로 분류하고, 상기 기억장애형 경도인지장애 그룹에 포함된 사용자를 알츠하이머가 아닌 경도인지장애 그룹 또는 치매전 경도인지장애 그룹으로 분류하는 제3 분류단계를 포함할 수 있다.
다양한 실시예에서, 상기 뇌파 수집 단계는, 제1 사용자의 머리의 서로 다른 위치에 부착되는 복수의 뇌파 측정 채널을 통해 복수의 단위 뇌파 데이터를 수집하는 단계, 상기 수집된 복수의 단위 뇌파 데이터를 수치화 및 이미지화하여 정량화된 뇌파 데이터(QEEG)를 생성하는 단계 및 기 설정된 성별 및 연령별 기준에 기초하여 상기 생성된 정량화된 뇌파 데이터를 표준화시키는 단계를 포함할 수 있다.
다양한 실시예에서, 상기 정량화된 뇌파 데이터(QEEG)를 생성하는 단계는, 고속 푸리에 변환(Fast-Fourier Transform)에 기초하여, 상기 측정된 복수의 단위 뇌파 데이터에 대한 주파수 도메인을 산출하는 단계, 상기 산출된 주파수 도메인에 기초하여, 상기 측정된 복수의 단위 뇌파 데이터 중 동일한 시점에 측정된 복수의 단위 뇌파 데이터에 대응하는 주파수 도메인을 상기 복수의 뇌파 측정 채널의 위치에 따라 재배열하는 단계 및 상기 재배열된 복수의 단위 뇌파 데이터를 시계열에 따라 축적하여 대칭 이미지(symmetry image) 형태의 정량화된 뇌파 데이터를 생성하는 단계를 포함할 수 있다.
다양한 실시예에서, 상기 제1 분류단계는, 제1 분류 모델을 이용하여 상기 생성된 정량화된 뇌파 데이터를 이미지 분석함으로써, 상기 복수의 사용자 각각에 대한 중증인지장애 확률 및 비 중증인지장애 확률을 산출하는 단계 및 상기 산출된 중증인지장애 확률 및 상기 산출된 비 중증인지장애 확률을 이용하여 상기 복수의 사용자를 상기 중증인지장애 그룹 또는 상기 비 중증인지장애 그룹으로 분류하는 단계를 포함할 수 있다.
다양한 실시예에서, 상기 제2 분류단계는, 제2 분류 모델을 이용하여, 상기 비 중증인지장애 그룹에 포함된 사용자 중 기억 장애(Memory impairment)가 있는 사용자를 상기 기억장애형 경도인지장애 그룹으로 분류하고, 상기 기억장애형 경도인지장애 그룹으로 분류되지 않은 사용자를 상기 정상 그룹으로 분류하는 단계를 포함할 수 있다.
다양한 실시예에서, 상기 제3 분류단계는, 사용자 분류를 위한 최적화된 분류 모델 - 상기 최적화된 분류 모델은 제3 분류 모델 및 제4 분류 모델을 포함함 - 을 생성하는 단계, 상기 제3 분류 모델을 이용하여, 상기 정상 그룹에 포함된 사용자 중 주관적 인지 감소(Subjective Cognitive Decline, SCD)가 없는 사용자를 상기 정상 범위 내 그룹으로 분류하고, 상기 주관적 인지 감소가 있는 사용자를 상기 인지장애 잠복기 그룹으로 분류하는 단계 및 상기 제4 분류 모델을 이용하여 상기 기억장애형 경도인지장애 그룹에 포함된 사용자 중 인출 장애(Retrieval Failure)를 가진 사용자를 상기 알츠하이머가 아닌 경도인지장애 그룹으로 분류하고, 저장 장애(Encoding Failure)를 가진 사용자를 상기 치매전 경도인지장애 그룹으로 분류하는 단계를 포함할 수 있다.
다양한 실시예에서, 상기 최적화된 분류 모델을 생성하는 단계는, 상기 복수의 사용자 각각으로부터 수집된 복수의 뇌파 데이터를 분석하여 도출되는 복수의 특징값 중 기 설정된 개수의 특징값을 임의로 반복 선택하여 서로 다른 복수의 특징값 조합을 생성하고, 상기 생성된 복수의 특징값 조합 각각을 이용하여 복수의 다차원 모델을 생성하는 단계, 상기 생성된 복수의 다차원 모델 각각에 대한 정확도를 산출하는 단계 및 상기 산출된 정확도가 높은 순서에 따라 상위 N개의 다차원 모델을 선택하고, 상기 선택된 N개의 다차원 모델 각각에 포함된 특징값 각각에 대한 개수를 카운팅하며, 가장 높은 카운팅 값을 가지는 특징값부터 순차적으로 M개의 특징값을 선택하고, 상기 선택된 M개의 특징값을 포함하는 상기 최적화된 분류 모델을 생성하는 단계를 포함할 수 있다.
다양한 실시예에서, 상기 제1 분류단계에 따른 분류 결과, 상기 제2 분류단계에 따른 분류 결과 및 상기 제3 분류단계에 따른 분류 결과를 이용하여, 상기 정상 범위 내 그룹, 상기 인지장애 잠복기 그룹, 상기 알츠하이머가 아닌 경도인지장애 그룹, 상기 치매전 경도인지장애 그룹 및 상기 중증인지장애 그룹 각각에 포함된 사용자에 대한 중증인지장애 정도를 스코어링하는 단계를 더 포함할 수 있다.
다양한 실시예에서, 기 스코어링하는 단계는, 상기 중증인지장애 정도에 따라 상기 정상 범위 내 그룹에 포함된 사용자에 대하여 0 내지 50 범위 내의 점수를 부여하는 단계, 상기 중증인지장애 정도에 따라 상기 인지장애 잠복기 그룹에 포함된 사용자에 대하여 50 내지 60 범위 내의 점수를 부여하는 단계, 상기 중증인지장애 정도에 따라 상기 알츠하이머가 아닌 경도인지장애 그룹에 포함된 사용자에 대하여 60 내지 70 범위 내의 점수를 부여하는 단계, 상기 중증인지장애 정도에 따라 상기 치매전 경도인지장애 그룹에 포함된 사용자에 대하여 따라 70 내지 85 범위 내의 점수를 부여하는 단계 및 상기 중증인지장애 정도에 따라 상기 중증인지장애 그룹에 포함된 사용자에 대하여 85 내지 100 범위 내의 점수를 부여하는 단계를 포함할 수 있다.
상술한 과제를 해결하기 위한 본 발명의 다른 실시예에 따른 뇌파 데이터 분석을 통한 중증인지장애 환자 분류 서버는, 프로세서, 네트워크 인터페이스, 메모리 및 상기 메모리에 로드(load)되고, 상기 프로세서에 의해 실행되는 컴퓨터 프로그램을 포함하되, 상기 컴퓨터 프로그램은, 복수의 사용자에 대한 뇌파 데이터를 수집하는 뇌파 수집 인스트럭션(instruction), 상기 수집된 뇌파 데이터를 분석하여 상기 복수의 사용자를 중증인지장애 그룹 또는 비 중증인지장애 그룹으로 분류하는 제1 분류 인스트럭션, 상기 비 중증인지장애 그룹에 포함된 사용자를 정상 그룹 또는 기억장애형 경도인지장애(amnestic Mild Cognitive Impairment, aMCI) 그룹으로 분류하는 제2 분류 인스트럭션 및 상기 정상 그룹에 포함된 사용자를 정상범위 내 그룹 또는 인지장애 잠복기 그룹으로 분류하고, 상기 기억장애형 경도인지장애 그룹에 포함된 사용자를 알츠하이머가 아닌 경도인지장애 그룹 또는 치매전 경도인지장애 그룹으로 분류하는 제3 분류 인스트럭션을 포함할 수 있다.
상술한 과제를 해결하기 위한 본 발명의 또 다른 실시예에 따른 컴퓨터프로그램은, 컴퓨팅 장치와 결합되어, 복수의 사용자에 대한 뇌파 데이터를 수집하는 뇌파 수집 단계, 상기 수집된 뇌파 데이터를 분석하여 상기 복수의 사용자를 중증인지장애 그룹 또는 비 중증인지장애 그룹으로 분류하는 제1 분류단계, 상기 비 중증인지장애 그룹에 포함된 사용자를 정상 그룹 또는 기억장애형 경도인지장애(amnestic Mild Cognitive Impairment, aMCI) 그룹으로 분류하는 제2 분류단계 및 상기 정상 그룹에 포함된 사용자를 정상범위 내 그룹 또는 인지장애 잠복기 그룹으로 분류하고, 상기 기억장애형 경도인지장애 그룹에 포함된 사용자를 알츠하이머가 아닌 경도인지장애 그룹 또는 치매전 경도인지장애 그룹으로 분류하는 제3 분류단계를 실행시키기 위하여 컴퓨터로 판독가능한 기록매체에 저장될 수 있다.
본 발명의 기타 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.
본 발명의 다양한 실시예에 따르면, 복수의 사용자에 대한 뇌파 데이터를 분석하여 정상 상태인 사용자와 치매 환자를 분류할 뿐만 아니라, 정상 상태인 사용자들에 대해서도, 기억 장애 유무, 기억 장애의 종류 및 정도 등을 고려하여 치매의 가능성을 세분화함으로써, 현재 치매를 앓고 있는 환자를 식별할 수 있을 뿐만 아니라 정상 상태인 사용자들 중에서도 치매 발생 확률이 있는 사용자들을 조기 선별할 수 있다는 이점이 있다.
본 발명의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 일 실시예에 따른 뇌파 데이터 분석을 통한 중증인지장애 환자 분류 시스템을 도시한 도면이다.
도 2는 본 발명의 다른 실시예에 따른 뇌파 데이터 분석을 통한 중증인지장애 환자 분류 서버의 하드웨어 구성도이다.
도 3은 본 발명의 또 다른 실시예에 따른 뇌파 데이터 분석을 통한 중증인지장애 환자 분류 방법의 순서도이다.
도 4는 다양한 실시예에서, 뇌파 데이터 분석을 통한 중증인지장애 환자 분류 방법에 따라 사용자를 분류 및 스코어링하는 과정을 도시한 도면이다.
도 5 및 6은 다양한 실시예에서, 정량화된 뇌파 데이터를 생성하는 방법을 설명하기 위한 도면이다.
도 7은 다양한 실시예에서, 정량화된 뇌파 데이터를 생성하는 방법에 따라 생성된 대칭 이미지 형태의 정량화된 뇌파 데이터를 예시적으로 도시한 도면이다.
도 8은 다양한 실시예에서, 최적화된 분류 모델을 생성하는 방법의 순서도이다.
도 9는 다양한 실시예에서, 도 9의 방법에 따라 최적화된 분류 모델을 생성하는 과정을 도시한 도면이다.
도 10은 다양한 실시예에서, 각 그룹에 포함된 사용자에 대한 중증인지장애 정도를 스코어링하는 과정을 설명하기 위한 그래프이다.
도 11 및 12는 다양한 실시예에서, 뇌파 데이터 분석을 통한 중증인지장애 환자 분류 방법에 따라 도출되는 결과 데이터를 예시적으로 도시한 도면이다.
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 제한되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술 분야의 통상의 기술자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다. 명세서 전체에 걸쳐 동일한 도면 부호는 동일한 구성 요소를 지칭하며, "및/또는"은 언급된 구성요소들의 각각 및 하나 이상의 모든 조합을 포함한다. 비록 "제1", "제2" 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 구성요소는 본 발명의 기술적 사상 내에서 제2 구성요소일 수도 있음은 물론이다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야의 통상의 기술자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.
명세서에서 사용되는 "부" 또는 “모듈”이라는 용어는 소프트웨어, FPGA 또는 ASIC과 같은 하드웨어 구성요소를 의미하며, "부" 또는 “모듈”은 어떤 역할들을 수행한다. 그렇지만 "부" 또는 “모듈”은 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. "부" 또는 “모듈”은 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 "부" 또는 “모듈”은 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 "부" 또는 “모듈”들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 "부" 또는 “모듈”들로 결합되거나 추가적인 구성요소들과 "부" 또는 “모듈”들로 더 분리될 수 있다.
공간적으로 상대적인 용어인 "아래(below)", "아래(beneath)", "하부(lower)", "위(above)", "상부(upper)" 등은 도면에 도시되어 있는 바와 같이 하나의 구성요소와 다른 구성요소들과의 상관관계를 용이하게 기술하기 위해 사용될 수 있다. 공간적으로 상대적인 용어는 도면에 도시되어 있는 방향에 더하여 사용시 또는 동작시 구성요소들의 서로 다른 방향을 포함하는 용어로 이해되어야 한다. 예를 들어, 도면에 도시되어 있는 구성요소를 뒤집을 경우, 다른 구성요소의 "아래(below)"또는 "아래(beneath)"로 기술된 구성요소는 다른 구성요소의 "위(above)"에 놓여질 수 있다. 따라서, 예시적인 용어인 "아래"는 아래와 위의 방향을 모두 포함할 수 있다. 구성요소는 다른 방향으로도 배향될 수 있으며, 이에 따라 공간적으로 상대적인 용어들은 배향에 따라 해석될 수 있다.
본 명세서에서, 컴퓨터는 적어도 하나의 프로세서를 포함하는 모든 종류의 하드웨어 장치를 의미하는 것이고, 실시 예에 따라 해당 하드웨어 장치에서 동작하는 소프트웨어적 구성도 포괄하는 의미로서 이해될 수 있다. 예를 들어, 컴퓨터는 스마트폰, 태블릿 PC, 데스크톱, 노트북 및 각 장치에서 구동되는 사용자 클라이언트 및 애플리케이션을 모두 포함하는 의미로서 이해될 수 있으며, 또한 이에 제한되는 것은 아니다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예를 상세하게 설명한다.
본 명세서에서 설명되는 각 단계들은 컴퓨터에 의하여 수행되는 것으로 설명되나, 각 단계의 주체는 이에 제한되는 것은 아니며, 실시 예에 따라 각 단계들의 적어도 일부가 서로 다른 장치에서 수행될 수도 있다.
본 명세서에서는, 중증인지장애(예: 알츠하이머성 치매(ALZheimer's disease dementia, ADD))를 기준으로 복수의 사용자를 분류하는 것으로 설명하고 있으나, 이에 한정되지 않고, 뇌파 데이터를 포함하는 사용자의 생체 데이터를 분석하여 분류 가능한 다양한 질병에 대해서도 동일 또는 유사한 형태로 적용이 가능하다.
도 1은 본 발명의 일 실시예에 따른 뇌파 데이터 분석을 통한 중증인지장애 환자 분류 시스템을 도시한 도면이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 뇌파 데이터 분석을 통한 중증인지장애 환자 분류 시스템은 중증인지장애 환자 분류 서버(100), 사용자 단말(200) 및 외부 서버(300)를 포함할 수 있다.
여기서, 도 1에 도시된 뇌파 데이터 분석을 통한 중증인지장애 환자 분류 시스템은 일 실시예에 따른 것이고, 그 구성 요소가 도 1에 도시된 실시예에 한정되는 것은 아니며, 필요에 따라 부가, 변경 또는 삭제될 수 있다.
일 실시예에서, 중증인지장애 환자 분류 서버(100)는 복수의 사용자에 대한 뇌파 데이터를 수집하고, 수집한 뇌파 데이터를 분석하여, 복수의 사용자 각각을 중증인지장애 그룹, 정상범위 내(Within Normal Limits, WNL) 그룹, 인지장애 잠복기(Preclinical AD) 그룹, 알츠하이머가 아닌 경도인지장애(Non-AD Mild Cognitive Impairment, Non-AD MCI) 그룹 및 치매전 경도인지장애(Prodromal AD) 그룹 중 어느 하나의 그룹으로 분류할 수 있다. 그러나, 이에 한정되지 않는다.
다양한 실시예에서, 중증인지장애 환자 분류 서버(100)는 사용자의 요청에 따라 사용자의 뇌파 데이터를 분석하여 사용자가 중증인지장애 환자인지 여부를 판단하고, 판단 결과(예: 사용자가 속한 그룹에 대한 정보, 치매 여부 또는 치매 발생 확률(점수)에 대한 정보 등)를 포함하는 결과 리포트(예: 도 11 및 12)를 제공할 수 있다. 예를 들어, 중증인지장애 환자 분류 서버(100)는 네트워크(400)를 통해 사용자 단말(200) 및 뇌파 측정 장치(미도시)와 연결될 수 있으며, 사용자 단말(200)로부터 얻은 진단 요청에 대한 응답으로 뇌파 측정 장치로부터 뇌파 데이터를 수집 및 분석함으로써, 결과 리포트를 생성 및 제공할 수 있다.
여기서, 네트워크(400)는 복수의 단말 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조를 의미할 수 있다. 예를 들어, 네트워크(400)는 근거리 통신망(LAN: Local Area Network), 광역 통신망(WAN: Wide Area Network), 인터넷(WWW: World Wide Web), 유무선 데이터 통신망, 전화망, 유무선 텔레비전 통신망 등을 포함할 수 있다.
또한, 여기서, 무선 데이터 통신망은 3G, 4G, 5G, 3GPP(3rd Generation Partnership Project), 5GPP(5th Generation Partnership Project), LTE(Long Term Evolution), WIMAX(World Interoperability for Microwave Access), 와이파이(Wi-Fi), 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), RF(Radio Frequency), 블루투스(Bluetooth) 네트워크, NFC(Near-Field Communication) 네트워크, 위성 방송 네트워크, 아날로그 방송 네트워크, DMB(Digital Multimedia Broadcasting) 네트워크 등을 포함할 수 있으나, 이에 한정되지 않는다.
일 실시예에서, 사용자 단말(200)은 네트워크(400)를 통해 중증인지장애 환자 분류 서버(100)와 연결될 수 있으며, 중증인지장애 환자 분류 서버(100)가 제공하는 사용자 인터페이스(User Interface, UI)를 통해, 뇌파 데이터 분석을 통한 중증인지장애 환자 분류 프로세스의 수행을 요청할 수 있고, 이에 대한 응답으로, 사용자가 속한 그룹에 대한 정보, 치매 여부 또는 치매 발생 확률(점수)에 대한 정보를 포함하는 결과 리포트를 제공받을 수 있다.
다양한 실시예에서, 사용자 단말(200)은 휴대성과 이동성이 보장되는 무선 통신 장치로서, 네비게이션, PCS(Personal Communication System), GSM(Global System for Mobile communications), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), Wibro(Wireless Broadband Internet) 단말, 스마트폰(Smartphone), 스마트 패드(Smartpad), 타블렛PC(Tablet PC) 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치를 포함할 수 있으나, 이에 한정되지 않는다.
일 실시예에서, 외부 서버(300)는 네트워크(400)를 통해 중증인지장애 환자 분류 서버(100)와 연결될 수 있으며, 중증인지장애 환자 분류 서버(100)가 뇌파 데이터 분석을 통한 중증인지장애 환자 분류 프로세스를 수행하기 위하여 필요한 각종 정보/데이터를 저장 및 관리하거나, 뇌파 데이터 분석을 통한 중증인지장애 환자 분류 프로세스를 수행함에 따라 생성되는 각종 정보/데이터를 저장 및 관리할 수 있다. 예를 들어, 외부 서버(300)는 중증인지장애 환자 분류 서버(100) 외부에 별도로 구비되는 저장 서버일 수 있으나, 이에 한정되지 않는다. 이하, 도 2를 참조하여 중증인지장애 환자 분류 서버(100)의 하드웨어 구성에 대해 설명하도록 한다.
도 2는 본 발명의 다른 실시예에 따른 뇌파 데이터 분석을 통한 중증인지장애 환자 분류 서버의 하드웨어 구성도이다.
도 2를 참조하면, 본 발명의 다른 실시예에 따른 중증인지장애 환자 분류 서버(100)(이하, “서버(100)”)는 하나 이상의 프로세서(110), 프로세서(110)에 의하여 수행되는 컴퓨터 프로그램(151)을 로드(Load)하는 메모리(120), 버스(130), 통신 인터페이스(140) 및 컴퓨터 프로그램(151)을 저장하는 스토리지(150)를 포함할 수 있다. 여기서, 도 2에는 본 발명의 실시예와 관련 있는 구성요소들만 도시되어 있다. 따라서, 본 발명이 속한 기술분야의 통상의 기술자라면 도 2에 도시된 구성요소들 외에 다른 범용적인 구성 요소들이 더 포함될 수 있음을 알 수 있다.
프로세서(110)는 서버(100)의 각 구성의 전반적인 동작을 제어한다. 프로세서(110)는 CPU(Central Processing Unit), MPU(Micro Processor Unit), MCU(Micro Controller Unit), GPU(Graphic Processing Unit) 또는 본 발명의 기술 분야에 잘 알려진 임의의 형태의 프로세서를 포함하여 구성될 수 있다.
또한, 프로세서(110)는 본 발명의 실시예들에 따른 방법을 실행하기 위한 적어도 하나의 애플리케이션 또는 프로그램에 대한 연산을 수행할 수 있으며, 서버(100)는 하나 이상의 프로세서를 구비할 수 있다.
다양한 실시예에서, 프로세서(110)는 프로세서(110) 내부에서 처리되는 신호(또는, 데이터)를 일시적 및/또는 영구적으로 저장하는 램(RAM: Random Access Memory, 미도시) 및 롬(ROM: Read-Only Memory, 미도시)을 더 포함할 수 있다. 또한, 프로세서(110)는 그래픽 처리부, 램 및 롬 중 적어도 하나를 포함하는 시스템온칩(SoC: system on chip) 형태로 구현될 수 있다.
메모리(120)는 각종 데이터, 명령 및/또는 정보를 저장한다. 메모리(120)는 본 발명의 다양한 실시예에 따른 방법/동작을 실행하기 위하여 스토리지(150)로부터 컴퓨터 프로그램(151)을 로드할 수 있다. 메모리(120)에 컴퓨터 프로그램(151)이 로드되면, 프로세서(110)는 컴퓨터 프로그램(151)을 구성하는 하나 이상의 인스트럭션들을 실행함으로써 상기 방법/동작을 수행할 수 있다. 메모리(120)는 RAM과 같은 휘발성 메모리로 구현될 수 있을 것이나, 본 개시의 기술적 범위가 이에 한정되는 것은 아니다.
버스(130)는 서버(100)의 구성 요소 간 통신 기능을 제공한다. 버스(130)는 주소 버스(address Bus), 데이터 버스(Data Bus) 및 제어 버스(Control Bus) 등 다양한 형태의 버스로 구현될 수 있다.
통신 인터페이스(140)는 서버(100)의 유무선 인터넷 통신을 지원한다. 또한, 통신 인터페이스(140)는 인터넷 통신 외의 다양한 통신 방식을 지원할 수도 있다. 이를 위해, 통신 인터페이스(140)는 본 발명의 기술 분야에 잘 알려진 통신 모듈을 포함하여 구성될 수 있다. 몇몇 실시예에서, 통신 인터페이스(140)는 생략될 수도 있다.
스토리지(150)는 컴퓨터 프로그램(151)을 비 임시적으로 저장할 수 있다. 서버(100)를 통해 뇌파 데이터 분석을 통한 중증인지장애 환자 분류 프로세스를 수행하는 경우, 스토리지(150)는 뇌파 데이터 분석을 통한 중증인지장애 환자 분류 프로세스를 제공하기 위하여 필요한 각종 정보를 저장할 수 있다.
스토리지(150)는 ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리 등과 같은 비휘발성 메모리, 하드 디스크, 착탈형 디스크, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터로 읽을 수 있는 기록 매체를 포함하여 구성될 수 있다.
컴퓨터 프로그램(151)은 메모리(120)에 로드될 때 프로세서(110)로 하여금 본 발명의 다양한 실시예에 따른 방법/동작을 수행하도록 하는 하나 이상의 인스트럭션들을 포함할 수 있다. 즉, 프로세서(110)는 상기 하나 이상의 인스트럭션들을 실행함으로써, 본 발명의 다양한 실시예에 따른 상기 방법/동작을 수행할 수 있다.
일 실시예에서, 컴퓨터 프로그램(151)은 복수의 사용자에 대한 뇌파 데이터를 수집하는 뇌파 수집 단계, 수집된 뇌파 데이터를 분석하여 복수의 사용자를 중증인지장애 그룹 또는 비 중증인지장애 그룹으로 분류하는 제1 분류단계, 비 중증인지장애 그룹에 포함된 사용자를 정상 그룹 또는 기억장애형 경도인지장애(amnestic Mild Cognitive Impairment, aMCI) 그룹으로 분류하는 제2 분류단계 및 정상 그룹에 포함된 사용자를 정상 범위 내 그룹 또는 인지장애 잠복기 그룹으로 분류하고, 기억장애형 경도인지장애 그룹에 포함된 사용자를 알츠하이머가 아닌 경도인지장애 그룹 또는 치매전 경도인지장애 그룹으로 분류하는 제3 분류단계를 포함하는 뇌파 데이터 분석을 통한 중증인지장애 환자 분류 방법을 수행하도록 하는 하나 이상의 인스트럭션을 포함할 수 있다.
본 발명의 실시예와 관련하여 설명된 방법 또는 알고리즘의 단계들은 하드웨어로 직접 구현되거나, 하드웨어에 의해 실행되는 소프트웨어 모듈로 구현되거나, 또는 이들의 결합에 의해 구현될 수 있다. 소프트웨어 모듈은 RAM(Random Access Memory), ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리(Flash Memory), 하드 디스크, 착탈형 디스크, CD-ROM, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터 판독가능 기록매체에 상주할 수도 있다.
본 발명의 구성 요소들은 하드웨어인 컴퓨터와 결합되어 실행되기 위해 프로그램(또는 애플리케이션)으로 구현되어 매체에 저장될 수 있다. 본 발명의 구성 요소들은 소프트웨어 프로그래밍 또는 소프트웨어 요소들로 실행될 수 있으며, 이와 유사하게, 실시 예는 데이터 구조, 프로세스들, 루틴들 또는 다른 프로그래밍 구성들의 조합으로 구현되는 다양한 알고리즘을 포함하여, C, C++, 자바(Java), 어셈블러(assembler) 등과 같은 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 기능적인 측면들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다. 이하, 도 3 내지 12를 참조하여, 서버(100)에 의해 수행되는 뇌파 데이터 분석을 통한 중증인지장애 환자 분류 프로세스에 대하여 설명하도록 한다.
도 3은 본 발명의 또 다른 실시예에 따른 뇌파 데이터 분석을 통한 중증인지장애 환자 분류 방법의 순서도이며, 도 4는 다양한 실시예에서, 뇌파 데이터 분석을 통한 중증인지장애 환자 분류 방법에 따라 사용자를 분류 및 스코어링하는 과정을 도시한 도면이다.
도 3 및 4를 참조하면, S110 단계에서, 서버(100)는 복수의 사용자에 대한 뇌파 데이터를 수집하는 뇌파 수집 동작을 수행할 수 있다. 예를 들어, 서버(100)는 뇌파 측정 장치(미도시)를 통해 실시간으로 측정된 복수의 사용자에 대한 뇌파 데이터를 수집할 수 있다. 그러나, 이에 한정되지 않고, 서버(100)는 외부 서버(300)로부터 기 저장된 복수의 사용자 각각에 대한 뇌파 데이터를 제공받을 수 있다.
여기서, 뇌파 데이터는 사용자의 머리(두피)의 서로 다른 위치에 부착되는 복수의 뇌파 측정 채널(예: 총 19개의 채널(예: Fp1, Fp2, F3, F4, C3, C4, P3, P4, O1, O2, F7, F8, T3, T4, T5, T6, Fz, Cz, Pz))을 포함하는 뇌파 측정 장치(미도시)를 통해 측정되는 복수의 단위 뇌파 데이터(예: 각 채널을 통해 측정되는 독립적인 뇌파 신호)를 의미할 수 있다.
다양한 실시예에서, 서버(100)는 복수의 사용자 각각에 대하여, 복수의 사용자가 별도의 동작을 취하고 있지 않은 평상 시 상태에서 측정되는 뇌파 데이터뿐만 아니라 각종 테스트(예: 언어 유창성 검사, 보스톤 이름대기 검사, 간이 정신상태 검사, 단어 목록 기억 검사, 구성 행동 검사, 단어 목록 회상 검사, 단어 목록 재인 검사, 구성 회상 검사, 길만들기 검사 A/B 등)를 수행하는 과정에서 측정되는 뇌파 데이터를 수집할 수 있다.
다양한 실시예에서, 서버(100)는 복수의 사용자에 대하여 수집된 복수의 뇌파 데이터 각각을 가공하여 복수의 정량화된 뇌파 데이터(QEEG)를 생성할 수 있다. 이하, 도 5 및 6을 참조하여 설명하도록 한다.
도 5 및 6은 다양한 실시예에서, 정량화된 뇌파 데이터를 생성하는 방법을 설명하기 위한 도면이다.
도 5 및 6을 참조하면, S210 단계에서, 서버(100)는 제1 사용자의 머리의 서로 다른 위치에 부착되는 복수의 뇌파 측정 채널을 통해 수집된 복수의 단위 뇌파 데이터에 대한 주파수 도메인을 산출할 수 있다.
다양한 실시예에서, 서버(100)는 복수의 단위 뇌파 데이터 각각에 대하여 사전 결정된 범위의 주파수에 기초한 주파수 변환을 수행하여 하나 이상의 스펙트로그램(예: 도 6(A))을 생성할 수 있다.
여기서, 스펙트로그램은, 소리나 파동을 시각화하여 파악하기 위한 것으로, 파형(waveform)과 스펙트럼(spectrum)의 특징을 조합하여 나타낸 이미지에 관련한 것일 수 있다. 스펙트로그램은 시간 축과 주파수 축의 변화에 따라 진폭의 차이를 인쇄 농도 또는, 표시 색상의 차이로 나타낸 것일 수 있다. 그러나, 이에 한정되지 않는다.
또한, 여기서, 사전 결정된 범위의 주파수는, 1~45Hz일 수 있으나, 이에 한정되지 않는다.
다양한 실시예에서, 서버(100)는 뇌파 데이터가 측정된 시간이 기 설정된 시간(예: 4초) 미만인 경우, 오버래핑(overlapping)을 통해 스펙트로그램의 크기를 정사각 행렬로 맞출 수 있다. 예를 들어, 서버(100)는 정사각 행렬로 구성된 각 스펙트로그램을 시간 축에 기반하여 relative power를 계산(해당 시간대의 상대적인 세기를 계산)하고, 각 행렬 내 가장 큰 값을 기준으로 하여 -1 내지 1 사이의 스케일링을 수행하여 하나 이상의 스펙트로그램을 생성할 수 있다. 그러나, 이에 한정되지 않는다.
다양한 실시예에서, 서버(100)는 고속 푸리에 변환(Fast-Fourier Transform)에 기초하여 주파수 도메인을 산출하되, 시간과 주파수에 따른 변화를 보다 효율적으로 표현하기 위하여 superlet 기법을 이용하여 주파수 도메인을 산출할 수 있다. 그러나, 이에 한정되지 않고, 다양한 주파수 도메인 산출 방법(예: 웨이블릿 변환(wavelet transform))이 적용될 수 있다.
S220 단계에서, 서버(100)는 S210 단계에서 산출된 주파수 도메인에 기초하여, 복수의 단위 뇌파 데이터 중 뇌파 측정 채널을 통해 동일한 시점에 측정된 복수의 단위 뇌파 데이터에 대응하는 주파수 도메인을 복수의 뇌파 측정 채널의 위치에 따라 재배열함으로써, 복수의 영상 서브 데이터(예: 도 6(B))를 생성할 수 있다.
예를 들어, 서버(100)는 동일한 시점에 측정된 것으로 판단된 복수의 단위 뇌파 데이터를 사용자의 두피 표면 복수의 영역(즉, 19개의 영역) 각각의 위치(예: 사용자의 두피 표면에 대응하는 위치)에 따라 재배열(예: 총 19개의 뇌파 측청 채널의 위치를 기반으로, 복수의 단위 뇌파 데이터를 좌측 및 우측 각각 11개(3개의 공통 채널(Fz, Cz, Pz) 포함)로 나누어 재배열)함으로써, 영상 서브 데이터를 생성할 수 있다.
다양한 실시예에서, 서버(100)는 서로 다른 시점에 대한 복수의 영상 서브 데이터를 생성할 수 있다.
S230 단계에서, 서버(100)는 재배열된 복수의 단위 뇌파 데이터를 시계열에 따라 축적할 수 있다. 예를 들어, 서버(100)는 S230 단계를 거쳐 생성된 서로 다른 시점에 대한 복수의 영상 서브 데이터를 시계열에 따라 축적할 수 있다(예: 도 6(B)). 여기서, 복수의 영상 서브 데이터 각각은 주파수 영역에 대한 정보뿐 아니라 채널 별 연결성에 관련한 정보를 더 포함할 수 있다.
S240 단계에서 서버(100)는 정량화된 뇌파 데이터를 생성할 수 있다.
여기서, 사용되는 주파수는 1Hz 내지 45Hz일 수 있으며, 정량화된 뇌파 데이터는 도 6(B)에 도시된 바와 같이 대칭 이미지(symmetry image) 형태로 표현될 수 있다. 이는 주파수의 전체 영역뿐만 아니라 채널별로 위상(topologic)에 대한 정보를 포함되어 있기 때문에 정량화된 뇌파 데이터만으로 한 번에 모든 정보(예 주파수(Frequency), 주파수별 세기(Power), 신호가 발생하는 위치(Location), 다른 신호와의 관련성(Relation), 신호의 패턴(규칙성, 복잡성)(Time-dynamics))를 확인할 수 있다는 이점이 있다.
여기서, 정량화된 뇌파 데이터의 형태는 상술한 대칭형 이미지에 제한되지 않으며, 토폴로지 이미지(topology image), 시간-주파수 이미지(time-frequency image) 등 다양한 형태의 이미지가 적용될 수 있다.
다양한 실시예에서, 서버(100)는 기 설정된 성별 및 연령별 기준에 기초하여 S240 단계에서 생성된 정량화된 뇌파 데이터를 표준화(예: 표준점수 표준화)시킬 수 있다. 그러나, 이에 한정되지 않는다.
다시, 도 3 및 4를 참조하면, S120 단계에서, 서버(100)는 정량화된 뇌파 데이터를 분석하여 복수의 사용자를 중증인지장애 그룹 또는 비 중증인지장애 그룹으로 분류하는 제1 분류동작을 수행할 수 있다.
다양한 실시예에서, 서버(100)는 제1 분류 모델을 이용하여 복수의 사용자를 중증인지장애 그룹 또는 비 중증인지장애 그룹으로 분류할 수 있다.
여기서, 제1 분류 모델은 대칭 이미지 형태의 정량화된 뇌파 데이터를 이미지 분석하여 대칭 이미지 값(Symmetry image value)을 특징값으로 추출하고, 추출된 특징값에 따라 중증인지장애 환자일 확률을 산출 및 분류하는 모델(예: 랜덤 포레스트(Random forest(8:2) 5 fold C.V) 모델)로, 중증인지장애 환자 여부가 레이블링된 복수의 정량화된 뇌파 데이터를 학습 데이터로 하여 기 학습된 모델일 수 있다.
여기서, 제1 분류 모델은 하나 이상의 네트워크 함수로 구성되며, 하나 이상의 네트워크 함수는 일반적으로 ‘노드’라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 ‘노드’들은 ‘뉴런(neuron)’들로 지칭될 수도 있다. 하나 이상의 네트워크 함수는 적어도 하나 이상의 노드들을 포함하여 구성된다. 하나 이상의 네트워크 함수를 구성하는 노드(또는 뉴런)들은 하나 이상의 ‘링크’에 의해 상호 연결될 수 있다.
제1 분류 모델 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 전술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.
하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 노드는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 제1 분류 모델이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.
전술한 바와 같이, 제1 분류 모델은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호연결 되어 제1 분류 모델 내에서 입력 노드 및 출력 노드 관계를 형성한다. 제1 분류 모델 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 제1 분류 모델의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 가중치 값이 상이한 두 제1 분류 모델이 존재하는 경우, 두 개의 제1 분류 모델들은 서로 상이한 것으로 인식될 수 있다.
제1 분류 모델을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다. 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 제1 분류 모델 내에서 레이어의 차수는 전술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.
최초 입력 노드는 제1 분류 모델 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 제1 분류 모델 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 제1 분류 모델 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 제1 분류 모델을 구성하는 노드들을 의미할 수 있다. 본 개시의 일 실시예에 따른 제1 분류 모델은 입력 레이어의 노드가 출력 레이어에 가까운 히든 레이어의 노드보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 제1 분류 모델일 수 있다.
제1 분류 모델은 하나 이상의 히든 레이어를 포함할 수 있다. 히든 레이어의 히든 노드는 이전의 레이어의 출력과 주변 히든 노드의 출력을 입력으로 할 수 있다. 각 히든 레이어 별 히든 노드의 수는 동일할 수도 있고 상이할 수도 있다. 입력 레이어의 노드의 수는 입력 데이터의 데이터 필드의 수에 기초하여 결정될 수 있으며 히든 노드의 수와 동일할 수도 있고 상이할 수도 있다. 입력 레이어에 입력된 입력 데이터는 히든 레이어의 히든 노드에 의하여 연산될 수 있고 출력 레이어인 완전 연결 레이어(FCL: fully connected layer)에 의해 출력될 수 있다.
다양한 실시예에서, 제1 분류 모델은 딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)일 수 있다. 딥 뉴럴 네트워크는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 제1 분류 모델을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨벌루셔널 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
다양한 실시예에서, 네트워크 함수는 오토 인코더를 포함할 수도 있다. 오토 인코더는 입력 데이터와 유사한 출력 데이터를 출력하기 위한 인공 신경망의 일종일 수 있다. 오토 인코더는 적어도 하나의 히든 레이어를 포함할 수 있으며, 홀수 개의 히든 레이어가 입출력 레이어 사이에 배치될 수 있다. 각각의 레이어의 노드의 수는 입력 레이어의 노드의 수에서 병목 레이어(인코딩)라는 중간 레이어로 축소되었다가, 병목 레이어에서 출력 레이어(입력 레이어와 대칭)로 축소와 대칭되어 확장될 수도 있다. 차원 감소 레이어와 차원 복원 레이어의 노드는 대칭일 수도 있고 아닐 수도 있다.
오토 인코더는 비선형 차원 감소를 수행할 수 있다. 입력 레이어 및 출력 레이어의 수는 입력 데이터의 전처리 이후에 남은 센서들의 수와 대응될 수 있다. 오토 인코더 구조에서 인코더에 포함된 히든 레이어의 노드의 수는 입력 레이어에서 멀어질수록 감소하는 구조를 가질 수 있다. 병목 레이어(인코더와 디코더 사이에 위치하는 가장 적은 노드를 가진 레이어)의 노드의 수는 너무 작은 경우 충분한 양의 정보가 전달되지 않을 수 있으므로, 특정 수 이상(예를 들어, 입력 레이어의 절반 이상 등)으로 유지될 수도 있다.
다양한 실시예에서, 제1 분류 모델은 지도학습 방법에 의해 학습된 모델일 수 있다. 여기서, 지도학습은 통상적으로 특정 데이터와 특정 데이터에 연관된 정보를 레이블링하여 학습 데이터를 생성(예: 도 7)하고, 이를 이용하여 학습시키는 방법으로써, 인과 관계를 가진 두 데이터를 레이블링하여 학습 데이터를 생성하고, 생성된 학습 데이터를 통해 학습하는 방법을 의미한다.
보다 구체적으로, 서버(100)는 레이블링된 학습 데이터를 이용하여 분류 모델을 구성하는 하나 이상의 네트워크 함수에 대한 학습을 수행할 수 있다. 예를 들어, 서버(100)는 학습 입력 데이터 각각을 하나 이상의 네트워크 함수에 입력시키고, 하나 이상의 네트워크 함수로 연산된 출력 데이터 각각과 학습 입력 데이터 각각의 레이블에 해당하는 학습 출력 데이터 각각을 비교하여 오차를 도출할 수 있다. 즉, 분류 모델의 학습에서 학습 입력 데이터는 하나 이상의 네트워크 함수의 입력 레이어에 입력될 수 있으며, 학습 출력 데이터는 하나 이상의 네트워크 함수의 출력과 비교될 수 있다.
서버(100)는 학습 입력 데이터에 대한 하나 이상의 네트워크 함수의 연산 결과와 학습 출력 데이터(레이블)의 오차에 기초하여 분류 모델을 학습시킬 수 있다.
또한, 서버(100)는 오차에 기초하여 하나 이상의 네트워크 함수의 가중치를 역전파 방식으로 조정할 수 있다. 즉, 서버(100)는 학습 입력 데이터에 대한 하나 이상의 네트워크 함수의 연산 결과와 학습 출력 데이터의 오차에 기초하여 하나 이상의 네트워크 함수의 출력이 학습 출력 데이터에 가까워지도록 가중치를 조정할 수 있다.
서버(100)는 하나 이상의 네트워크 함수의 학습이 사전 결정된 에폭 이상 수행된 경우, 검증 데이터를 이용하여 학습의 중단 여부를 결정할 수 있다. 사전 결정된 에폭은 전체 학습 목표 에폭의 일부일 수 있다.
검증 데이터는 레이블링된 학습 데이터 중 적어도 일부로 구성될 수 있다. 즉, 서버(100)는 학습 데이터를 통해 분류 모델의 학습을 수행하며, 분류 모델의 학습이 사전 결정된 에폭 이상 반복된 후, 검증 데이터를 이용하여 분류 모델의 학습 효과가 사전 결정된 수준 이상인지 여부를 판단할 수 있다. 예를 들어, 서버(100)는 100개의 학습 데이터를 이용하여 목표 반복 학습 횟수가 10회인 학습을 수행하는 경우, 사전 결정된 에폭인 10회의 반복 학습을 수행한 후, 10개의 검증 데이터를 이용하여 3회의 반복 학습을 수행하여, 3회의 반복 학습 동안 분류 모델 출력의 변화가 사전결정된 수준 이하인 경우 더 이상의 학습이 무의미한 것으로 판단하고 학습을 종료할 수 있다.
즉, 검증 데이터는 분류 모델의 반복 학습에서 에폭별 학습의 효과가 일정 이상인지 이하인지 여부에 기초하여 학습의 완료를 결정하는 데 이용될 수 있다. 전술한 학습 데이터, 검증 데이터의 수 및 반복 횟수는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
서버(100)는 테스트 데이터를 이용하여 하나 이상의 네트워크 함수의 성능을 테스트하여 하나 이상의 네트워크 함수의 활성화 여부를 결정함으로써, 분류 모델을 생성할 수 있다. 테스트 데이터는 분류 모델의 성능을 검증하기 위하여 사용될 수 있으며, 학습 데이터 중 적어도 일부로 구성될 수 있다. 예를 들어, 학습 데이터 중 70%는 분류 모델의 학습(즉, 레이블과 비슷한 결과값을 출력하도록 가중치를 조정하기 위한 학습)을 위해 활용될 수 있으며, 30%는 분류 모델의 성능을 검증하기 위한 테스트 데이터로써 활용될 수 있다. 서버(100)는 학습이 완료된 분류 모델에 테스트 데이터를 입력하고 오차를 측정하여 사전 결정된 성능 이상인지 여부에 따라 분류 모델의 활성화 여부를 결정할 수 있다.
서버(100)는 학습이 완료된 분류 모델에 테스트 데이터를 이용하여 학습 완료된 분류 모델의 성능을 검증하고 학습 완료된 분류 모델의 성능이 사전에 결정된 기준 이상인 경우 해당 분류 모델을 다른 어플리케이션에서 사용하도록 활성화할 수 있다.
또한, 서버(100)는 학습 완료된 분류 모델의 성능이 사전에 결정된 기준 이하인 경우 해당 분류 모델을 비활성화하여 폐기할 수 있다. 예를 들어, 서버(100)는 정확도(accuracy), 정밀도(precision), 재현율(recall) 등의 요소를 기준으로 하여 생성된 분류 모델 모델의 성능을 판단할 수 있다. 전술한 성능 평가 기준은 예시일 뿐이며 본 개시는 이에 제한되지 않는다. 본 개시의 일 실시예에 따라 서버(100)는 각각의 분류 모델을 독립적으로 학습시켜 복수의 분류 모델 모델을 생성할 수 있으며, 성능을 평가하여 일정 성능 이상의 분류 모델만을 사용할 수 있다.
다양한 실시예에서, 서버(100)는 제1 분류 모델을 이용하여 정량화된 뇌파 데이터를 이미지 분석함으로써, 복수의 사용자 각각에 대한 중증인지장애 확률 및 비 중증인지장애 확률을 산출할 수 있고, 산출된 중증인지장애 확률 및 비 중증인지장애 확률을 이용하여 복수의 사용자를 중증인지장애 그룹 또는 비 중증인지장애 그룹으로 분류할 수 있다. 예를 들어, 서버(100)는 산출된 중증인지장애 확률 및 비 중증인지장애 확률을 이용하여 중증인지장애 확률이 기 설정된 제1 확률 이상이며, 비 중증인지장애 확률이 기 설정된 제2 확률 미만인 사용자를 중증인지장애 그룹으로 분류하고, 중증인지장애 그룹으로 분류되지 않은 나머지 사용자를 비 중증인지장애 그룹으로 분류할 수 있다.
그러나, 이에 한정되지 않고, 서버(100)는 상기의 방법과 반대로 비 중증인지장애 확률이 기 설정된 제1 확률 이상이며, 중증인지장애 확률이 기 설정된 제2 확률 미만인 사용자를 비 중증인지장애 그룹으로 분류하고, 비 중증인지장애 그룹으로 분류되지 않은 나머지 사용자를 중증인지장애 그룹으로 분류할 수 있다.
다만, 비 중증인지장애 그룹으로 분류된 사용자들을 중증인지장애 정도에 따라 여러 그룹으로 세분화하기 위하여, 중증인지장애 확률이 기 설정된 제1 확률이상인 사용자들 즉, 명확하게 중증인지장애인 것으로 판단되는 사용자들만을 중증인지장애 그룹으로 분류하고, 나머지 사용자들을 비 중증인지장애 그룹으로 분류하는 것이 바람직하다.
다양한 실시예에서, 서버(100)는 기 설정된 뇌파 데이터 제거 조건(예: 유력 알츠하이머병 치매의 핵심 임상 기준)에 기초하여, 제1 분류 모델의 학습에 사용되는 뇌파 데이터에 대한 필터링을 수행할 수 있다.
예를 들어, 서버(100)는 복수의 뇌파 데이터 중 나이 및 성별에서 이상이 있는 것으로 판단되는 뇌파 데이터 및 정상 뇌파 데이터에서 TBR2 표준 점수가 기준 이상인 뇌파 데이터를 제거할 수 있다.
또한, 서버(100)는 복수의 뇌파 데이터 중 객관적 증거가 불충분한 경우의 뇌파 데이터 및 비 전형적이고 의문점이 있는 뇌파 데이터를 제거할 수 있다. 그러나, 이에 한정되지 않는다. 예를 들어, 서버(100)는 사용자가 인지적 손상의 특징 측면에서는 유력 알츠하이머병 치매의 핵심 임상 기준을 만족하지만 인지 장애가 급작스러운 발명 양상을 보이거나 점진적 감퇴의 객관적(병력이나 인지검사 상) 증거가 불충분한 경우, 이러한 사용자의 뇌파 데이터를 제거할 수 있다.
또한, 서버(100)는 유력 알츠하이머병 치매의 모든 핵심 임상 기준을 만족하지만, 인지 장애의 발명이나 약화와 시간적으로 연관된 뇌졸중의 병력이 있는 사용자, 다수의 뇌경색 또는 크기가 큰 뇌경색이 존재하는 사용자, 심한 백질 고강도신호 병변 등으로 확인되는 상당한 수준의 뇌혈관 질환을 가진 사용자, 치매 존재 자체를 제외한 루이체 치매의 핵심 증상들을 포함하는 사용자, 활동성 신경학적 질환이나 비신경학적 동반 질환 또는 인지기능에 심각한 영향을 줄 수 있는 약물을 사용한 사용자의 뇌파 데이터를 학습 데이터에서 제거할 수 있다. 그러나, 이에 한정되지 않는다.
S130 단계에서, 서버(100)는 비 중증인지장애 그룹에 포함된 사용자를 정상 그룹 또는 기억장애형 경도인지장애 그룹으로 분류하는 제2 분류동작을 수행할 수 있다.
다양한 실시예에서, 서버(100)는 제2 분류 모델을 이용하여, 비 중증인지장애 그룹에 포함된 사용자 중 기억 장애(Memory impairment)가 있는 사용자를 기억장애형 경도인지장애 그룹으로 분류하고, 기억장애형 경도인지장애 그룹으로 분류되지 않은 사용자(예: 기억 장애가 없는 사용자)를 정상 그룹으로 분류할 수 있다.
여기서, 제2 분류 모델은 랜덤 포레스트, LGBM, 그래디언트 부스팅(Gradient boosting) 및 TBR 관련 특징 값을 추출하는 SVM, KNN, TREE, 균형화된 랜덤 포레스트(balanced Random forest, BRF) 모델일 수 있으나, 이에 한정되지 않는다.
다양한 실시예에서, 서버(100)는 제2 분류 모델을 이용하여 비 중증인지장애 그룹에 포함된 사용자 중 기억 장애와 관련된 질환을 가지는 사용자를 우선적으로 선택 및 분류하고, 이후, 기억 장애와 관련된 질환을 가지지 않은 정상의 사용자를 선택 및 분류하는 동작을 수행할 수 있다.
이를 위해, 제2 분류 모델은 서로 다른 2개이상의 분류 모델(예: 민감도(Sensitivity)가 특화된 분류 모델과 특이도(Specificity)가 특화된 분류 모델)을 포함할 수 있고, 민감도가 특화된 분류 모델과 특이도가 특화된 분류모델 등의 조합을 이용하여 분류하는 동작을 수행할 수 있다.
일 실시예에서, 서버(100)는 민감도가 특화된 분류 모델 및 특이도가 특화된 분류 모델을 순서에 상관없이 조합하여 분류하는 동작을 수행할 수 있다. 예를 들어, 서버(100)는 사용자의 선택에 따라 민감도가 특화된 분류 모델을 통해 분류하는 동작을 수행한 후에 특이도가 특화된 분류 모델을 통해 분류하는 동작을 수행할 수 있다. 다른 예를 들어, 서버(100)는 사용자의 선택에 따라 특이도가 특화된 분류 모델을 통해 분류하는 동작을 수행한 후에 민감도가 특화된 분류 모델을 통해 분류하는 동작을 수행할 수 있다.
다른 일 실시예에서, 제2 분류 모델은 적어도 하나 이상의 민감도가 특화된 분류모델과 적어도 하나 이상의 특이도가 특화된 분류모델을 포함할 수 있고, 서버(100)는 적어도 하나 이상의 민감도가 특화된 분류 모델과 적어도 하나 이상의 특이도가 특화된 분류 모델을 이용하여 분류하는 동작을 수행할 수 있다. 예를 들어, 서버(100)는 제1 특이도가 특화된 분류 모델을 이용하여 분류하는 동작을 수행하고 제1 민감도가 특화된 분류모델을 이용하여 분류하는 동작을 수행하고 제2 특이도가 특화된 분류 모델을 이용하여 분류하는 동작을 수행할 수 있다. 또한, 서버(100)는 그 목적에 맞게 복수개의 분류 모델의 조합을 통해 분류하는 동작을 수행할 수 있다.
여기서, 민감도가 특화된 분류 모델은 기억 장애와 관련된 질환을 가진 사용자들의 뇌파 데이터를 제1 학습 데이터로 하여 학습된 모델 즉, 기억 장애와 관련된 질환을 가진 사용자에 대하여 기억 장애와 관련된 질환이 있음을 판단하는 모델이며, 특이도가 특화된 분류 모델은 기억 장애와 관련된 질환을 가지지 않은 사용자들의 뇌파 데이터를 제2 학습 데이터로 하여 학습된 모델 즉, 기억 장애와 관련된 질환을 가지지 않은 사용자에 대하여 기억 장애와 관련된 질환이 없음을 판단하는 모델일 수 있다.
다양한 실시예에서, 서버(100)는 제1 학습 데이터를 이용하여 민감도가 특화된 분류 모델을 학습시키고, 제2 학습 데이터를 이용하여 특이도가 특화된 분류 모델을 학습시키되, 제1 학습 데이터와 제2 학습 데이터가 불균형한 경우(예: 제1 학습 데이터의 수와 제2 학습 데이터의 수가 기 설정된 값 이상의 차이를 가질 경우), 민감도가 특화된 분류 모델을 학습시키기 위한 제1 학습 데이터와 특이도가 특화된 분류 모델을 학습시키기 위한 제2 학습 데이터의 비율이 소정의 비율 이하가 되도록 보정(예: Balanced Random forest)할 수 있고, 이를 통해, 2개의 분류 모델 간의 학습 데이터가 불균형한 것을 극복할 수 있다.
S140 단계에서, 서버(100)는 정상 그룹에 포함된 사용자를 정상 범위 내 그룹 또는 인지장애 잠복기 그룹으로 분류하고, 기억장애형 경도인지장애 그룹에 포함된 사용자를 알츠하이머가 아닌 경도인지장애 그룹 또는 치매전 경도인지장애 그룹으로 분류하는 제3 분류동작을 수행할 수 있다.
먼저, 서버(100)는 사용자 분류를 위한 최적화된 분류 모델을 생성할 수 있다. 예를 들어, 서버(100)는 정상 그룹에 포함된 사용자를 정상 범위 내 그룹 또는 인지장애 잠복기 그룹으로 분류하기 위한 제3 분류 모델과 기억장애형 경도인지장애 그룹에 포함된 사용자를 알츠하이머가 아닌 경도인지장애 그룹 또는 치매전 경도인지장애 그룹으로 분류하기 위한 제4 분류 모델을 생성할 수 있다. 이하, 도 8 및 9를 참조하여, 서버(100)에 의해 수행되는 최적화된 분류 모델 생성 방법에 대해 설명하도록 한다.
도 8은 다양한 실시예에서, 최적화된 분류 모델을 생성하는 방법의 순서도이며, 도 9는 다양한 실시예에서, 도 9의 방법에 따라 최적화된 분류 모델을 생성하는 과정을 도시한 도면이다.
도 9 및 10을 참조하면, S310 단계에서, 서버(100)는 서로 다른 특징값 조합을 포함하는 복수의 다차원 모델을 생성할 수 있다. 예를 들어, 서버(100)는 10개의 특징값(예: 도 10의 "FT1", "FT2" 내지 "FT10") 중 기 설정된 개수인 3개의 특징 값을 임의로 반복 선택하여 서로 다른 복수의 특징값 조합을 생성할 수 있고, 생성된 복수의 특징값 조합 각각을 이용하여 복수의 다차원 모델(3차원 모델)을 생성할 수 있다. 이때, 서버(100)는 10개의 특징값에 대하서, 서로 다른 조합을 가지는 모든 특징값 조합(예: 10C3개의 조합)에 대한 다차원 모델을 생성할 수 있다.
여기서, 다차원 모델을 구성하는 특징값은 복수의 사용자 각각으로부터 수집된 복수의 뇌파 데이터를 분석하여 도출되는 것일 수 있으나, 이에 한정되지 않는다.
S320 단계에서, 서버(100)는 S310 단계를 거쳐 생성된 복수의 다차원 모델 각각에 대한 정확도를 산출할 수 있다. 예를 들어, 서버(100)는 복수의 다차원 모델을 이용하여 복수의 사용자를 기 설정된 조건에 따라 분류하고, 분류한 결과와 실제 결과를 비교하여 분류의 정확도를 산출할 수 있다.
이때, 서버(100)는 정상 그룹의 사용자를 분류하는 제3 분류 모델과 기억장애형 경도인지장애 그룹의 사용자를 분류하는 제4 분류 모델을 개별적으로 생성하기 위하여, 서로 다른 조건에 따른 분류 정확도를 개별적으로 산출할 수 있다. 예를 들어, 서버(100)는 제3 분류 모델을 생성하기 위하여, 복수의 다차원 모델을 이용하여 정상 그룹에 포함된 사용자를 정상 범위 내 그룹 또는 인지장애 잠복기 그룹으로 분류하고, 분류한 결과와 실제 결과를 비교하여, 정상 그룹에 대한 분류 정확도를 산출할 수 있다. 또한, 서버(100)는 제4 분류 모델을 생성하기 위하여, 복수의 다차원 모델을 이용하여 기억장애형 경도인지장애 그룹에 포함된 사용자를 알츠하이머가 아닌 경도인지장애 그룹 또는 치매전 경도인지장애 그룹으로 분류하고, 분류한 결과를 다시 실제 결과와 비교하여 기억장애형 경도인지장애 그룹에 대한 분류 정확도를 산출할 수 있다.
여기서, 실제 결과는, 복수의 사용자를 대상으로 수행되는 각종 테스트(예: 언어 유창성 검사, 보스톤 이름대기 검사, 간이 정신상태 검사, 단어 목록 기억 검사, 구성 행동 검사, 단어 목록 회상 검사, 단어 목록 재인 검사, 구성 회상 검사, 길만들기 검사 A/B 등)에 따라 복수의 사용자를 직접 분류한 결과를 의미할 수 있다.
또한, 여기서, 정확도는 복수의 다차원 모델을 이용하여 분류한 결과와 실제 결과 간의 유사한 정도를 수치화하여 나타낸 것일 수 있으나, 이에 한정되지 않는다.
S330 단계에서, 서버(100)는 S320 단계를 거쳐 산출된 정확도가 높은 순서에 따라 상위 N개의 다차원 모델을 선택하고, 선택된 N개의 다차원 모델 각각에 포함된 특징값 각각에 대한 개수를 카운팅하며, 가장 높은 카운팅 값을 가지는 특징값부터 순차적으로 M개의 특징값을 선택할 수 있다.
예를 들어, 도 10에 도시된 바와 같이, 서버(100)는 복수의 다차원 모델을 S320 단계를 통해 산출된 정확도가 높은 순서대로 정렬하고, 정렬된 복수의 다차원 모델 중 상위 5개의 다차원 모델을 선택할 수 있다. 이후, 서버(100)는 상위 5개의 다차원 모델에 포함된 특징값들 중 상위 M개의 특징값을 선택할 수 있다.
이때, 서버(100)는 상기의 복수의 다차원 모델보다 더 정확도 높은 분류 모델을 생성하기 위하여, 복수의 다차원 모델에 포함된 특징값의 수보다 더 많은 특징값이 포함되도록 할 수 있다. 예를 들어, 복수의 다차원 모델이 3개의 특징값을 포함하는 3차원 모델일 경우, 최적화된 분류 모델이 4개 이상의 특징값을 포함하도록 상위 4개의 특징값을 선택할 수 있다.
S340 단계에서, 서버(100)는 S330 단계에서 선택된 M개의 특징 값을 포함하는 최적화된 분류 모델을 생성할 수 있다.
다시, 도 3 및 4를 참조하여, 서버(100)는 제3 분류 모델을 이용하여 정상 그룹에 포함된 사용자 중 주관적 인지 감소(Subjective Cognitive Decline, SCD)가 없는 사용자를 정상 범위 내 그룹으로 분류하고, 주관적 인지 감소가 있는 사용자를 인지장애 잠복기 그룹으로 분류할 수 있다.
또한, 서버(100)는 제4 분류 모델을 이용하여 기억장애형 경도인지장애 그룹에 포함된 사용자 중 인출 장애(Retrieval Failure)를 가진 사용자를 알츠하이머가 아닌 경도인지장애 그룹으로 분류하고, 저장 장애(Encoding Failure)를 가진 사용자를 치매전 경도인지장애 그룹으로 분류할 수 있다.
S150 단계에서, 서버(100)는 S120 단계 내지 S140 단계를 거쳐 복수의 사용자를 분류한 결과를 이용하여, 정상 범위 내 그룹, 인지장애 잠복기 그룹, 알츠하이머가 아닌 경도인지장애 그룹, 치매전 경도인지장애 그룹 및 중증인지장애 그룹 각각에 포함된 사용자에 대한 중증인지장애 정도를 스코어링할 수 있다.
여기서, 중증인지장애 정도는 각 그룹을 분류하는 기준이 되는 요소(Factor)에 대한 정도를 의미할 수 있다. 예를 들어, 정상 그룹에 포함된 사용자들에 대한 중증인지장애 정도는 주관적 인지 감소의 정도를 의미할 수 있고, 기억장애형 경도 인지장애 그룹 중 알츠하이머가 아닌 경도장애 그룹에 포함된 사용자에 대한 중증인지장애 정도는 인출 장애의 정도를 의미할 수 있으며, 치매전 경도인지장애 그룹에 포함된 사용자에 대한 중증인지장애 정도는 저장 장애의 정도를 의미할 수 있다. 또한, 중증인지장애 그룹에 포함된 사용자에 대한 중증인지장애 정도는 실제 중증인지장애가 진행된 정도를 의미할 수 있다. 그러나, 이에 한정되지 않는다.
다양한 실시예에서, 서버(100)는 스코어링 모델을 이용하여 정상 범위 내 그룹, 인지장애 잠복기 그룹, 알츠하이머가 아닌 경도인지장애 그룹, 치매전 경도인지장애 그룹 및 중증인지장애 그룹 각각에 속한 사용자들에 대한 점수를 스코어링할 수 있다.
여기서, 스코어링 모델은 각각의 그룹에 속한 사용자들에 대한 정보(예: 속한 그룹에 대한 정보 및 중증인지장애 정도)를 입력으로 하여 해당 사용자의 치매 확률를 점수로 산출하는 모델일 수 있다. 예를 들어, 스코어링 모델은 인지장애 잠복기 그룹, 알츠하이머가 아닌 경도인지장애 그룹, 치매전 경도인지장애 그룹 및 중증인지장애 그룹 각각에 속한 사용자들에 대한 점수를 스코어링하기 위한 스코어링 함수를 생성할 수 있고, 생성된 스코어링 함수에 상기의 입력값을 입력하여, 사용자에 대한 점수를 산출할 수 있다.
여기서, 스코어링 함수는 도 10에 도시된 바와 같이, 각 그룹마다 서로 상이한 기울기를 가지는 1차 함수 형태로 구현될 수 있으나, 이에 한정되지 않는다.
다양한 실시예에서, 서버(100)는 도 10에 도시된 스코어링 함수에 기초하여, 중증인지장애 정도에 따라 정상 범위 내 그룹에 포함된 사용자에 대하여 0 내지 50 범위 내의 점수를 부여하고, 인지장애 잠복기 그룹에 포함된 사용자에 대하여 50 내지 60 범위 내의 점수를 부여할 수 있다.
또한, 서버(100)는 도 10에 도시된 스코어링 함수에 기초하여, 중증인지장애 정도에 따라 알츠하이머가 아닌 경도인지장애 그룹에 포함된 사용자에 대하여 60 내지 70 범위 내의 점수를 부여하고, 치매전 경도인지장애 그룹에 포함된 사용자에 대하여 따라 70 내지 85 범위 내의 점수를 부여하며, 중증인지장애 그룹에 포함된 사용자에 대하여 85 내지 100 범위 내의 점수를 부여할 수 있다.
다양한 실시예에서, 서버(100)는 제1 사용자로부터 뇌파 데이터를 포함하는 치매 진단 요청을 입력받는 경우, 치매 진단 요청에 대한 응답으로 제1 사용자의 뇌파 데이터를 이용하여, 제1 사용자에 대한 정량화된 뇌파 데이터를 생성하는 동작, 정량화된 뇌파 데이터를 분석하여 제1 사용자를 어느 하나의 그룹으로 분류하는 동작 및 분류된 그룹 및 중증인지장애 정도에 따라 스코어링하는 동작을 수행할 수 있고, 각 동작을 수행함에 따라 도출되는 결과를 조합하여 결과 리포트(예: 도 11 및 12)를 제공할 수 있다.
이를 통해, 사용자의 뇌파 데이터를 수집하여 입력하는 간단한 동작만으로 사용자가 중증인지장애 환자인지를 판단할 수 있을 뿐만 아니라, 중증인지장애 환자가 아니더라도 중증인지장애로 발전될 가능성이 어느정도 되는지를 수치화하여 제공함으로써, 사용자가 중증인지장애와 관련하여 본인의 상태를 좀더 명확하게 파악하고 이에 따른 조치를 취할 수 있도록 한다는 이점이 있다.
전술한 뇌파 데이터 분석을 통한 중증인지장애 환자 분류 방법은 도면에 도시된 순서도를 참조하여 설명하였다. 간단한 설명을 위해 뇌파 데이터 분석을 통한 중증인지장애 환자 분류 방법은 일련의 블록들로 도시하여 설명하였으나, 본 발명은 상기 블록들의 순서에 한정되지 않고, 몇몇 블록들은 본 명세서에 도시되고 시술된 것과 상이한 순서로 수행되거나 또는 동시에 수행될 수 있다. 또한, 본 명세서 및 도면에 기재되지 않은 새로운 블록이 추가되거나, 일부 블록이 삭제 또는 변경된 상태로 수행될 수 있다.
이상, 첨부된 도면을 참조로 하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야의 통상의 기술자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며, 제한적이 아닌 것으로 이해해야만 한다.
100 : 중증인지장애 환자 분류 서버
200 : 사용자 단말
300 : 외부 서버
400 : 네트워크

Claims (11)

  1. 컴퓨팅 장치에 의해 수행되는 방법에 있어서,
    복수의 사용자에 대한 뇌파 데이터를 수집하는 뇌파 수집 단계;
    상기 수집된 뇌파 데이터를 분석하여 상기 복수의 사용자를 중증인지장애 그룹 또는 비 중증인지장애 그룹으로 분류하는 제1 분류단계;
    상기 비 중증인지장애 그룹에 포함된 사용자를 정상 그룹 또는 기억장애형 경도인지장애(amnestic Mild Cognitive Impairment, aMCI) 그룹으로 분류하는 제2 분류단계; 및
    상기 정상 그룹에 포함된 사용자를 정상 범위 내 그룹 또는 인지장애 잠복기 그룹으로 분류하고, 상기 기억장애형 경도인지장애 그룹에 포함된 사용자를 알츠하이머가 아닌 경도인지장애 그룹 또는 치매전 경도인지장애 그룹으로 분류하는 제3 분류단계를 포함하며,
    상기 뇌파 수집 단계는,
    제1 사용자의 머리의 서로 다른 위치에 부착되는 복수의 뇌파 측정 채널을 통해 복수의 단위 뇌파 데이터를 수집하는 단계;
    상기 수집된 복수의 단위 뇌파 데이터를 수치화 및 이미지화하여 정량화된 뇌파 데이터(QEEG)를 생성하는 단계; 및
    기 설정된 성별 및 연령별 기준에 기초하여 상기 생성된 정량화된 뇌파 데이터를 표준화시키는 단계를 포함하고,
    상기 정량화된 뇌파 데이터(QEEG)를 생성하는 단계는,
    고속 푸리에 변환(Fast-Fourier Transform)에 기초하여, 상기 측정된 복수의 단위 뇌파 데이터에 대한 주파수 도메인을 산출하는 단계;
    상기 산출된 주파수 도메인에 기초하여, 상기 측정된 복수의 단위 뇌파 데이터 중 동일한 시점에 측정된 복수의 단위 뇌파 데이터에 대응하는 주파수 도메인을 상기 복수의 뇌파 측정 채널의 위치에 따라 재배열하는 단계; 및
    상기 재배열된 복수의 단위 뇌파 데이터를 시계열에 따라 축적하여 대칭 이미지(symmetry image) 형태의 정량화된 뇌파 데이터를 생성하는 단계를 포함하는,
    뇌파 데이터 분석을 통한 중증인지장애 환자 분류 방법.
  2. 삭제
  3. 삭제
  4. 제1항에 있어서,
    상기 제1 분류단계는,
    제1 분류 모델을 이용하여 상기 생성된 정량화된 뇌파 데이터를 이미지 분석함으로써, 상기 복수의 사용자 각각에 대한 중증인지장애 확률 및 비 중증인지장애 확률을 산출하는 단계; 및
    상기 산출된 중증인지장애 확률 및 상기 산출된 비 중증인지장애 확률을 이용하여 상기 복수의 사용자를 상기 중증인지장애 그룹 또는 상기 비 중증인지장애 그룹으로 분류하는 단계를 포함하는,
    뇌파 데이터 분석을 통한 중증인지장애 환자 분류 방법.
  5. 컴퓨팅 장치에 의해 수행되는 방법에 있어서,
    복수의 사용자에 대한 뇌파 데이터를 수집하는 뇌파 수집 단계;
    상기 수집된 뇌파 데이터를 분석하여 상기 복수의 사용자를 중증인지장애 그룹 또는 비 중증인지장애 그룹으로 분류하는 제1 분류단계;
    상기 비 중증인지장애 그룹에 포함된 사용자를 정상 그룹 또는 기억장애형 경도인지장애(amnestic Mild Cognitive Impairment, aMCI) 그룹으로 분류하는 제2 분류단계; 및
    상기 정상 그룹에 포함된 사용자를 정상 범위 내 그룹 또는 인지장애 잠복기 그룹으로 분류하고, 상기 기억장애형 경도인지장애 그룹에 포함된 사용자를 알츠하이머가 아닌 경도인지장애 그룹 또는 치매전 경도인지장애 그룹으로 분류하는 제3 분류단계를 포함하며,
    상기 제2 분류단계는,
    제2 분류 모델을 이용하여, 상기 비 중증인지장애 그룹에 포함된 사용자 중 기억 장애(Memory impairment)가 있는 사용자를 상기 기억장애형 경도인지장애 그룹으로 분류하고, 상기 기억장애형 경도인지장애 그룹으로 분류되지 않은 사용자를 상기 정상 그룹으로 분류하는 단계를 포함하는,
    뇌파 데이터 분석을 통한 중증인지장애 환자 분류 방법.
  6. 컴퓨팅 장치에 의해 수행되는 방법에 있어서,
    복수의 사용자에 대한 뇌파 데이터를 수집하는 뇌파 수집 단계;
    상기 수집된 뇌파 데이터를 분석하여 상기 복수의 사용자를 중증인지장애 그룹 또는 비 중증인지장애 그룹으로 분류하는 제1 분류단계;
    상기 비 중증인지장애 그룹에 포함된 사용자를 정상 그룹 또는 기억장애형 경도인지장애(amnestic Mild Cognitive Impairment, aMCI) 그룹으로 분류하는 제2 분류단계; 및
    상기 정상 그룹에 포함된 사용자를 정상 범위 내 그룹 또는 인지장애 잠복기 그룹으로 분류하고, 상기 기억장애형 경도인지장애 그룹에 포함된 사용자를 알츠하이머가 아닌 경도인지장애 그룹 또는 치매전 경도인지장애 그룹으로 분류하는 제3 분류단계를 포함하며,
    상기 제3 분류단계는,
    사용자 분류를 위한 최적화된 분류 모델 - 상기 최적화된 분류 모델은 제3 분류 모델 및 제4 분류 모델을 포함함 - 을 생성하는 단계;
    상기 제3 분류 모델을 이용하여, 상기 정상 그룹에 포함된 사용자 중 주관적 인지 감소(Subjective Cognitive Decline, SCD)가 없는 사용자를 상기 정상 범위 내 그룹으로 분류하고, 상기 주관적 인지 감소가 있는 사용자를 상기 인지장애 잠복기 그룹으로 분류하는 단계; 및
    상기 제4 분류 모델을 이용하여 상기 기억장애형 경도인지장애 그룹에 포함된 사용자 중 인출 장애(Retrieval Failure)를 가진 사용자를 상기 알츠하이머가 아닌 경도인지장애 그룹으로 분류하고, 저장 장애(Encoding Failure)를 가진 사용자를 상기 치매전 경도인지장애 그룹으로 분류하는 단계를 포함하는,
    뇌파 데이터 분석을 통한 중증인지장애 환자 분류 방법.
  7. 제6항에 있어서,
    상기 최적화된 분류 모델을 생성하는 단계는,
    상기 복수의 사용자 각각으로부터 수집된 복수의 뇌파 데이터를 분석하여 도출되는 복수의 특징값 중 기 설정된 개수의 특징값을 임의로 반복 선택하여 서로 다른 복수의 특징값 조합을 생성하고, 상기 생성된 복수의 특징값 조합 각각을 이용하여 복수의 다차원 모델을 생성하는 단계;
    상기 생성된 복수의 다차원 모델 각각에 대한 정확도를 산출하는 단계; 및
    상기 산출된 정확도가 높은 순서에 따라 상위 N개의 다차원 모델을 선택하고, 상기 선택된 N개의 다차원 모델 각각에 포함된 특징값 각각에 대한 개수를 카운팅하며, 가장 높은 카운팅 값을 가지는 특징값부터 순차적으로 M개의 특징값을 선택하고, 상기 선택된 M개의 특징값을 포함하는 상기 최적화된 분류 모델을 생성하는 단계를 포함하는,
    뇌파 데이터 분석을 통한 중증인지장애 환자 분류 방법.
  8. 제1항에 있어서,
    상기 제1 분류단계에 따른 분류 결과, 상기 제2 분류단계에 따른 분류 결과 및 상기 제3 분류단계에 따른 분류 결과를 이용하여, 상기 정상 범위 내 그룹, 상기 인지장애 잠복기 그룹, 상기 알츠하이머가 아닌 경도인지장애 그룹, 상기 치매전 경도인지장애 그룹 및 상기 중증인지장애 그룹 각각에 포함된 사용자에 대한 중증인지장애 정도를 스코어링하는 단계를 더 포함하는,
    뇌파 데이터 분석을 통한 중증인지장애 환자 분류 방법.
  9. 제8항에 있어서,
    상기 스코어링하는 단계는,
    상기 중증인지장애 정도에 따라 상기 정상 범위 내 그룹에 포함된 사용자에 대하여 0 내지 50 범위 내의 점수를 부여하는 단계;
    상기 중증인지장애 정도에 따라 상기 인지장애 잠복기 그룹에 포함된 사용자에 대하여 50 내지 60 범위 내의 점수를 부여하는 단계;
    상기 중증인지장애 정도에 따라 상기 알츠하이머가 아닌 경도인지장애 그룹에 포함된 사용자에 대하여 60 내지 70 범위 내의 점수를 부여하는 단계;
    상기 중증인지장애 정도에 따라 상기 치매전 경도인지장애 그룹에 포함된 사용자에 대하여 따라 70 내지 85 범위 내의 점수를 부여하는 단계; 및
    상기 중증인지장애 정도에 따라 상기 중증인지장애 그룹에 포함된 사용자에 대하여 85 내지 100 범위 내의 점수를 부여하는 단계를 포함하는,
    뇌파 데이터 분석을 통한 중증인지장애 환자 분류 방법.
  10. 프로세서;
    네트워크 인터페이스;
    메모리; 및
    상기 메모리에 로드(load)되고, 상기 프로세서에 의해 실행되는 컴퓨터 프로그램을 포함하되,
    상기 프로세서는,
    상기 컴퓨터 프로그램에 포함된 하나 이상의 인스트럭션을 실행함으로써, 제1항, 제5항 또는 제6항의 방법을 수행하는,
    뇌파 데이터 분석을 통한 중증인지장애 환자 분류 서버.
  11. 컴퓨팅 장치와 결합되어,
    제1항, 제5항 또는 제6항의 방법을 실행시키기 위하여 컴퓨터로 판독가능한 기록매체에 저장된,
    컴퓨터로 읽을 수 있는 기록매체에 기록된 컴퓨터프로그램.
KR1020210032457A 2021-03-12 2021-03-12 뇌파 데이터 분석을 통한 중증인지장애 환자 분류 방법, 서버 및 컴퓨터프로그램 KR102287191B1 (ko)

Priority Applications (6)

Application Number Priority Date Filing Date Title
KR1020210032457A KR102287191B1 (ko) 2021-03-12 2021-03-12 뇌파 데이터 분석을 통한 중증인지장애 환자 분류 방법, 서버 및 컴퓨터프로그램
KR1020210086273A KR102366056B1 (ko) 2021-03-12 2021-07-01 뇌파 데이터 분석을 통한 치매 중증도 분류 방법, 서버 및 컴퓨터프로그램
KR1020210086274A KR102365139B1 (ko) 2021-03-12 2021-07-01 뇌파 데이터 분석 기반의 단계적인 치매 환자 분류 방법, 서버 및 컴퓨터프로그램
JP2023555743A JP2024512433A (ja) 2021-03-12 2021-08-06 脳波データ分析を通じての重症認知障害患者分類方法、サーバーおよびコンピュータプログラム
PCT/KR2021/010379 WO2022191367A1 (ko) 2021-03-12 2021-08-06 뇌파 데이터 분석을 통한 중증인지장애 환자 분류 방법, 서버 및 컴퓨터프로그램
US17/680,235 US11547346B2 (en) 2021-03-12 2022-02-24 Method, server, and computer program for classifying severe cognitive impairment patients by analyzing EEG data

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210032457A KR102287191B1 (ko) 2021-03-12 2021-03-12 뇌파 데이터 분석을 통한 중증인지장애 환자 분류 방법, 서버 및 컴퓨터프로그램

Related Child Applications (2)

Application Number Title Priority Date Filing Date
KR1020210086274A Division KR102365139B1 (ko) 2021-03-12 2021-07-01 뇌파 데이터 분석 기반의 단계적인 치매 환자 분류 방법, 서버 및 컴퓨터프로그램
KR1020210086273A Division KR102366056B1 (ko) 2021-03-12 2021-07-01 뇌파 데이터 분석을 통한 치매 중증도 분류 방법, 서버 및 컴퓨터프로그램

Publications (1)

Publication Number Publication Date
KR102287191B1 true KR102287191B1 (ko) 2021-08-09

Family

ID=77313167

Family Applications (3)

Application Number Title Priority Date Filing Date
KR1020210032457A KR102287191B1 (ko) 2021-03-12 2021-03-12 뇌파 데이터 분석을 통한 중증인지장애 환자 분류 방법, 서버 및 컴퓨터프로그램
KR1020210086274A KR102365139B1 (ko) 2021-03-12 2021-07-01 뇌파 데이터 분석 기반의 단계적인 치매 환자 분류 방법, 서버 및 컴퓨터프로그램
KR1020210086273A KR102366056B1 (ko) 2021-03-12 2021-07-01 뇌파 데이터 분석을 통한 치매 중증도 분류 방법, 서버 및 컴퓨터프로그램

Family Applications After (2)

Application Number Title Priority Date Filing Date
KR1020210086274A KR102365139B1 (ko) 2021-03-12 2021-07-01 뇌파 데이터 분석 기반의 단계적인 치매 환자 분류 방법, 서버 및 컴퓨터프로그램
KR1020210086273A KR102366056B1 (ko) 2021-03-12 2021-07-01 뇌파 데이터 분석을 통한 치매 중증도 분류 방법, 서버 및 컴퓨터프로그램

Country Status (4)

Country Link
US (1) US11547346B2 (ko)
JP (1) JP2024512433A (ko)
KR (3) KR102287191B1 (ko)
WO (1) WO2022191367A1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116098587B (zh) * 2023-01-13 2023-10-10 北京中科睿医信息科技有限公司 一种基于眼动的认知评估方法、装置、设备及介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011172942A (ja) * 2000-02-09 2011-09-08 Cns Response Inc 定量的ｅｅｇを使用して脳の生理学的不均衡を分類および処置する方法
KR20180109529A (ko) 2017-03-28 2018-10-08 (주)지아이시그널 치매 진단 장치 및 방법과 어플리케이션
KR20180138328A (ko) * 2017-06-21 2018-12-31 (주)지아이시그널 치매 예측 시스템 및 그 구동방법

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007149985A2 (en) * 2006-06-21 2007-12-27 Lexicor Medical Technology, Llc Assessing dementia and dementia-type disorders
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
WO2014075029A1 (en) * 2012-11-10 2014-05-15 The Regents Of The University Of California Systems and methods for evaluation of neuropathologies

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011172942A (ja) * 2000-02-09 2011-09-08 Cns Response Inc 定量的ｅｅｇを使用して脳の生理学的不均衡を分類および処置する方法
KR20180109529A (ko) 2017-03-28 2018-10-08 (주)지아이시그널 치매 진단 장치 및 방법과 어플리케이션
KR20180138328A (ko) * 2017-06-21 2018-12-31 (주)지아이시그널 치매 예측 시스템 및 그 구동방법

Also Published As

Publication number Publication date
KR102366056B9 (ko) 2022-09-06
US11547346B2 (en) 2023-01-10
WO2022191367A1 (ko) 2022-09-15
KR102366056B1 (ko) 2022-02-25
KR102365139B1 (ko) 2022-02-25
US20220287621A1 (en) 2022-09-15
JP2024512433A (ja) 2024-03-19

Similar Documents

Publication Publication Date Title
Al Hanai et al. Detecting Depression with Audio/Text Sequence Modeling of Interviews.
Kamal et al. Alzheimer’s patient analysis using image and gene expression data and explainable-AI to present associated genes
KR102197112B1 (ko) 시계열 생체 신호 기반의 인공신경망 모델 학습 컴퓨터 프로그램 및 방법
Buscema et al. The IFAST model allows the prediction of conversion to Alzheimer disease in patients with mild cognitive impairment with high degree of accuracy
Silva et al. Model based on deep feature extraction for diagnosis of Alzheimer’s disease
US20100217145A1 (en) Method of processing multichannel and multivariate signals and method of classifying sources of multichannel and multivariate signals operating according to such processing method
KR102208759B1 (ko) 생체 신호에 기반하여 건강상태 및 병리증상을 진단하기 위한 딥러닝 모델 생성방법
Vadovský et al. Parkinson's disease patients classification based on the speech signals
Stamate et al. A machine learning framework for predicting dementia and mild cognitive impairment
Stamate et al. Identifying psychosis spectrum disorder from experience sampling data using machine learning approaches
KR102365139B1 (ko) 뇌파 데이터 분석 기반의 단계적인 치매 환자 분류 방법, 서버 및 컴퓨터프로그램
El-Sappagh et al. The role of medication data to enhance the prediction of Alzheimer’s progression using machine learning
Stamate et al. Predicting psychosis using the experience sampling method with mobile apps
Anusri et al. An early prediction of Parkinson’s disease using facial emotional recognition
Dash A systematic review of adaptive machine learning techniques for early detection of Parkinson's disease
KR102336111B1 (ko) 뇌파 데이터에 기반하여 뇌 나이 예측 정보를 제공하는 신경망 모델을 생성하기 위한 방법 및 컴퓨팅 장치
KR102366534B1 (ko) 인공지능 모델 학습을 위한 표준화된 뇌파 이미지 생성방법, 장치 및 컴퓨터프로그램
KR102417448B1 (ko) 머신 러닝 기반 잠복기별 치매 예측 방법, 그리고 이를 구현하기 위한 장치
Ouhmida et al. Parkinson’s diagnosis hybrid system based on deep learning classification with imbalanced dataset
KR102548478B1 (ko) 약물 반응성 분류 및 예측을 위한 디지털 피노타이핑 방법, 장치 및 컴퓨터프로그램
Kumar et al. An evaluation of different fast fourier transform-transfer learning pipelines for the classification of wink-based EEG signals
Sharma et al. Prediction of Parkinson's Disease Using Machine Learning Techniques
KR20220148717A (ko) 뇌파 데이터에 기초하여 복수의 사용자들 중 인지장애 환자를 분류하는 방법 및 서버
Pandey et al. Mental Health Prediction for Juvenile Using Machine Learning Techniques
Dubbioso et al. Precision medicine in ALS: Identification of new acoustic markers for dysarthria severity assessment

Legal Events

Date Code Title Description
A107 Divisional application of patent
E701 Decision to grant or registration of patent right
GRNT Written decision to grant