KR102322647B1 - 뇌파 신호 사이의 상관관계를 이용한 알츠하이머성 치매 진단방법, 서버 및 컴퓨터프로그램 - Google Patents
뇌파 신호 사이의 상관관계를 이용한 알츠하이머성 치매 진단방법, 서버 및 컴퓨터프로그램 Download PDFInfo
- Publication number
- KR102322647B1 KR102322647B1 KR1020210067187A KR20210067187A KR102322647B1 KR 102322647 B1 KR102322647 B1 KR 102322647B1 KR 1020210067187 A KR1020210067187 A KR 1020210067187A KR 20210067187 A KR20210067187 A KR 20210067187A KR 102322647 B1 KR102322647 B1 KR 102322647B1
- Authority
- KR
- South Korea
- Prior art keywords
- eeg signals
- index
- dementia
- user
- eeg
- Prior art date
Links
- 208000024827 Alzheimer disease Diseases 0.000 title claims abstract description 106
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000004590 computer program Methods 0.000 title claims abstract description 18
- 206010012289 Dementia Diseases 0.000 title claims description 32
- 210000004556 brain Anatomy 0.000 claims abstract description 17
- 238000013473 artificial intelligence Methods 0.000 claims description 75
- 238000003745 diagnosis Methods 0.000 claims description 43
- 239000011159 matrix material Substances 0.000 claims description 23
- DZHSAHHDTRWUTF-SIQRNXPUSA-N amyloid-beta polypeptide 42 Chemical compound C([C@@H](C(=O)N[C@@H](C)C(=O)N[C@@H](CCC(O)=O)C(=O)N[C@@H](CC(O)=O)C(=O)N[C@H](C(=O)NCC(=O)N[C@@H](CO)C(=O)N[C@@H](CC(N)=O)C(=O)N[C@@H](CCCCN)C(=O)NCC(=O)N[C@@H](C)C(=O)N[C@H](C(=O)N[C@@H]([C@@H](C)CC)C(=O)NCC(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CCSC)C(=O)N[C@@H](C(C)C)C(=O)NCC(=O)NCC(=O)N[C@@H](C(C)C)C(=O)N[C@@H](C(C)C)C(=O)N[C@@H]([C@@H](C)CC)C(=O)N[C@@H](C)C(O)=O)[C@@H](C)CC)C(C)C)NC(=O)[C@H](CC=1C=CC=CC=1)NC(=O)[C@@H](NC(=O)[C@H](CC(C)C)NC(=O)[C@H](CCCCN)NC(=O)[C@H](CCC(N)=O)NC(=O)[C@H](CC=1N=CNC=1)NC(=O)[C@H](CC=1N=CNC=1)NC(=O)[C@@H](NC(=O)[C@H](CCC(O)=O)NC(=O)[C@H](CC=1C=CC(O)=CC=1)NC(=O)CNC(=O)[C@H](CO)NC(=O)[C@H](CC(O)=O)NC(=O)[C@H](CC=1N=CNC=1)NC(=O)[C@H](CCCNC(N)=N)NC(=O)[C@H](CC=1C=CC=CC=1)NC(=O)[C@H](CCC(O)=O)NC(=O)[C@H](C)NC(=O)[C@@H](N)CC(O)=O)C(C)C)C(C)C)C1=CC=CC=C1 DZHSAHHDTRWUTF-SIQRNXPUSA-N 0.000 claims description 19
- 238000001228 spectrum Methods 0.000 claims description 15
- 238000003384 imaging method Methods 0.000 claims description 12
- 230000003190 augmentative effect Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 5
- 238000009877 rendering Methods 0.000 claims description 4
- 230000001131 transforming effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 19
- 238000004891 communication Methods 0.000 description 18
- 238000012549 training Methods 0.000 description 16
- 238000012360 testing method Methods 0.000 description 12
- 102000013455 Amyloid beta-Peptides Human genes 0.000 description 10
- 108010090849 Amyloid beta-Peptides Proteins 0.000 description 10
- 238000012795 verification Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000010998 test method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000002591 computed tomography Methods 0.000 description 3
- 210000003128 head Anatomy 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 238000000691 measurement method Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 3
- 210000004204 blood vessel Anatomy 0.000 description 2
- 230000003925 brain function Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000002599 functional magnetic resonance imaging Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 229940121896 radiopharmaceutical Drugs 0.000 description 2
- 239000012217 radiopharmaceutical Substances 0.000 description 2
- 230000002799 radiopharmaceutical effect Effects 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000011888 autopsy Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 210000003710 cerebral cortex Anatomy 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 208000010877 cognitive disease Diseases 0.000 description 1
- 230000003920 cognitive function Effects 0.000 description 1
- 210000003792 cranial nerve Anatomy 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000537 electroencephalography Methods 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 208000027061 mild cognitive impairment Diseases 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 108090000765 processed proteins & peptides Proteins 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 210000004761 scalp Anatomy 0.000 description 1
- 201000000980 schizophrenia Diseases 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
- G01R23/16—Spectrum analysis; Fourier analysis
-
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Psychiatry (AREA)
- Biophysics (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Neurology (AREA)
- Mathematical Physics (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Psychology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Child & Adolescent Psychology (AREA)
- Developmental Disabilities (AREA)
- Hospice & Palliative Care (AREA)
- General Physics & Mathematics (AREA)
- Neurosurgery (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
뇌파 신호 사이의 상관관계를 이용한 알츠하이머성 치매 진단방법, 서버 및 컴퓨터프로그램이 제공된다. 본 발명의 다양한 실시예에 따른 뇌파 신호 사이의 상관관계를 이용한 알츠하이머성 치매 진단방법은, 컴퓨팅 장치에 의해 수행되는 방법에 있어서, 사용자로부터 복수의 뇌파 신호를 수집하는 단계, 상기 복수의 뇌파 신호 사이의 상관관계를 나타내는 지표를 산출하는 단계, 상기 산출된 지표를 이미지화하여 지표 이미지를 생성하는 단계 및 상기 생성된 지표 이미지를 분석하여 상기 사용자에 대한 아밀로이드(Amyloid) 양성 또는 음성을 판단하는 단계를 포함할 수 있다.
Description
본 발명의 다양한 실시예는 뇌파 신호 사이의 상관관계를 이용한 알츠하이머성 치매 진단방법, 서버 및 컴퓨터프로그램에 관한 것이다.
종래에는, 뇌의 기능적 메커니즘을 규명하기 위하여 뇌파(Electroencephalogram: EEG), 뇌자도(Magnetoencephalogram: MEG), 기능적자기공명영상(functional Magnetic Resonance Imaging: fMRI) 등의 다양한 비침습적 측정방법이 활용되고 있다.
이중, 뇌파(EEG)는 뇌 피질 표면에서 발생하는 신경 세포들의 동기화된 활동으로 인하여 발생하는 생체 내부의 전류 흐름을 두피에 부착된 전극(electrode)을 이용하여 측정하는 전기 신호를 의미하며, 이러한 뇌파의 분석을 통해 뇌신경 세포들의 활동 정보를 비침습적으로 측정할 수 있다.
뇌파를 이용한 뇌기능 연구는 다른 뇌기능 매핑 방법에 비하여 측정방법이 단순하고, 환경에 대한 제약조건이 가장 적으며, 시스템의 구성이 저렴하고, 시간분해능이 뛰어나다는 다양한 장점을 보유하고 있어 처음 기록된 1924년을 기점으로 뇌 과학 및 공학 연구에서 가장 기본적인 연구수단으로 활용되고 있다.
최근에는 뇌파를 단순 뇌의 전기생리학적 메커니즘을 이해하는 용도로 사용하는 것을 넘어, 인공지능(예: 기계학습, 딥 러닝)을 이용하여 사람의 인지, 감정 혹은 심리상태를 간접적으로 측정하거나, 알츠하이머, 불안장애, 정신분열병, 우울증 등 다양한 신경정신질환을 진단하거나, 사용자가 직접 자신의 뇌파상태를 파악하면서 원하는 뇌파 상태로 자가 조절하는 방법을 익히는 뉴로피드백(Neurofeedback)을 제공하거나, 뇌파를 이용하여 외부기기를 조작하거나 의사소통을 보조하는 뇌-컴퓨터 인터페이스(Brain-Computer interface: BCI)를 제공하거나 또는 전자기장을 이용하여 뇌의 신경세포를 자극하여 치료목적으로 이용하는 등 다양한 응용기술이 연구 및 적용되고 있다.
이처럼 다양한 연구분야에서 사용되는 뇌파는 표준 측정법(예: 10-20 시스템)이 지정되어 있다. 10-20 시스템에서는 신뢰 가능한 뇌파를 기록하기 위해서는 최소 19개 전극 채널이 필요하며, 가능하다면 더 많은 수의 채널을 사용하는 것이 권장된다. 10-20 시스템의 몽타주(montage)에서는 앞서 언급된 19개 전극의 위치를 대뇌피질(Cerebral cortex)의 구역에 의거하여 지정해준다.
이러한 뇌파는 알츠하이머성 치매 혹은 그 전 단계인 경도인지장애의 진단에 도움이 될 수 있다. 질병을 앓고 있는 군과 그렇지 않은 군의 뇌파를 비교해 보았을 때 나타나는 분명한 차이가 이미 많은 연구를 통해 확인되었다. 뿐만 아니라, 알츠하이머 환자의 뇌 부검 결과, 베타-아밀로이드(β-Amyloid) 펩타이드에 의한 플라크(plaque)가 발견된다는 것 또한 검증된 바 있다. 이는 베타-아밀로이드 펩타이드가 피험자의 뇌에 존재할 시, 당장 인지기능에 문제를 보이지 않는다고 하더라도 치매 고위험군에 속한다는 것을 의미한다.
치매는 아직까지 효과적인 치료제가 개발되어 있지 않은 바, 치매조기발견에 따른 예방관리가 무엇보다도 중요하며, 치매를 조기에 발견하고 예방하기 위해서는 베타-아밀로이드 펩타이드의 유무를 판단하는 것이 중요하다.
기존에 베타-아밀로이드 펩타이드의 유무를 판단하기 위해 사용되는 검사 방법은 아밀로이드 PET(Amyloid PET)이라는 방사성의약품 (Radiopharmaceutical)을 사용한 이미징 기법이다. 그러나, 이러한 검사 방법은 검사 비용도 높을 뿐만 아니라 환자가 많은 해로운 방사능에 노출된다는 위험성이 크다는 문제가 있다.
본 발명이 해결하고자 하는 과제는 뇌파 신호 사이의 상관관계를 나타내는 지표를 산출하고, 산출된 지표를 이용하여 지표 이미지를 생성하며, 인공지능 모델을 통해 지표 이미지를 분석하여 알츠하이머성 치매 여부를 진단함으로써, 저비용으로 검사를 진행할 수 있을 뿐만 아니라, 신체에 전혀 해롭지 않은 혁신적인 알츠하이머성 치매 진단을 수행할 수 있는 뇌파 신호 사이의 상관관계를 이용한 알츠하이머성 치매 진단방법, 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 신호 사이의 상관관계를 이용한 알츠하이머성 치매 진단방법은, 컴퓨팅 장치에 의해 수행되는 방법에 있어서, 사용자로부터 복수의 뇌파 신호를 수집하는 단계, 상기 복수의 뇌파 신호 사이의 상관관계를 나타내는 지표를 산출하는 단계, 상기 산출된 지표를 이미지화하여 지표 이미지를 생성하는 단계 및 상기 생성된 지표 이미지를 분석하여 상기 사용자에 대한 아밀로이드(Amyloid) 양성 또는 음성을 판단하는 단계를 포함할 수 있다.
다양한 실시예에서, 상기 복수의 뇌파 신호를 수집하는 단계는, 상기 사용자의 머리의 서로 다른 위치에 부착되는 복수의 뇌파 측정 채널을 통해 상호 독립된 복수의 뇌파 신호를 수집하는 단계 및 상기 수집된 복수의 뇌파 신호를 푸리에 변환(Fourier Transform)하여, 상기 수집된 복수의 뇌파 신호의 축을 시간에서 주파수로 변환하는 단계를 포함하며, 상기 지표를 산출하는 단계는, 상기 주파수로 변환된 복수의 뇌파 신호 각각에 대한 지표를 산출하는 단계를 포함할 수 있다.
다양한 실시예에서, 상기 지표를 산출하는 단계는, 하기의 수학식 1을 이용하여 상기 수집된 복수의 뇌파 신호 각각의 위상차이를 나타내는 허수부 긴밀성(imaginary coherence, iCoh) 지표를 산출하는 단계를 포함할 수 있다.
<수학식 1>
여기서, 상기 iCoh는 상기 허수부 긴밀성 지표, 상기 Sij(f)는 i채널과 j채널을 통해 수집된 뇌파 신호 사이의 교차 스펙트럼, 상기 Sii(f)는 상기 i채널을 통해 수집된 뇌파 신호의 스펙트럼 및 상기 Sjj(f)는 상기 j채널을 통해 수집된 뇌파 신호의 스펙트럼일 수 있다.
다양한 실시예에서, 상기 허수부 긴밀성 지표를 산출하는 단계는, 하기의 수학식 2를 이용하여 상기 i채널과 상기 j채널을 통해 수집된 뇌파 신호 사이의 교차 스펙트럼인 상기 Sij(f)를 산출하는 단계를 포함할 수 있다.
<수학식 2>
여기서, 상기 Sij(f)는 상기 i채널과 상기 j채널을 통해 수집된 뇌파 신호 사이의 교차 스펙트럼, 상기 xi(f)는 상기 i채널을 통해 수집된 뇌파 신호의 시간축을 주파수축으로 변환한 값 및 상기 x-j*(f)는 상기 j채널을 통해 수집된 뇌파 신호의 시간축을 주파수축으로 변환한 값의 켤레 복소수(complex conjugate)일 수 있다.
다양한 실시예에서, 상기 지표를 산출하는 단계는, 상기 복수의 뇌파 신호 중 델타(Delta) 주파수 대역의 뇌파 신호와 감마(Gamma) 주파수 대역의 뇌파 신호를 제외한 나머지 뇌파 신호들 사이의 상관관계를 나타내는 지표를 산출하는 단계를 포함할 수 있다.
다양한 실시예에서, 상기 지표 이미지를 생성하는 단계는, 상기 산출된 지표를 이용하여 주파수 대역대별 행렬을 생성하는 단계, 상기 생성된 주파수 대역대별 행렬을 정규화하는 단계, 상기 정규화된 주파수 대역대별 행렬을 기 설정된 템플릿 상에 배치하고, 상기 기 설정된 템플릿 상에 배치된 상기 정규화된 주파수 대역대별 행렬을 이미지 랜더링하여 상기 지표 이미지를 생성하는 단계를 포함할 수 있다.
다양한 실시예에서, 상기 사용자에 대한 아밀로이드(Amyloid) 양성 또는 음성을 판단하는 단계는, 인공지능 모델을 생성하는 단계, 상기 생성된 인공지능 모델을 통해 상기 생성된 지표 이미지를 분석하여 상기 사용자에 대한 베타-아밀로이드(β-Amyloid) 펩타이드 유무를 판단하는 단계 및 상기 판단된 베타-아밀로이드 펩타이드 유무에 기초하여 상기 사용자에 대한 알츠하이머성 치매 여부를 판단하는 단계를 포함할 수 있다.
다양한 실시예에서, 상기 인공지능 모델을 생성하는 단계는, 복수의 치매 양성 환자 각각에 대한 복수의 뇌파 신호를 이용하여 생성된 복수의 제1 지표 이미지 및 복수의 치매 음성 환자 각각에 대한 복수의 뇌파 신호를 이용하여 생성된 복수의 제2 지표 이미지를 학습 데이터로 하여 상기 인공지능 모델을 학습시키되, 상기 복수의 제1 지표 이미지의 수와 상기 복수의 제2 지표 이미지의 차이가 기 설정된 값을 초과하는 경우, 상기 복수의 제1 지표 이미지를 증강하는 단계를 포함할 수 있다.
다양한 실시예에서, 상기 복수의 제1 지표 이미지를 증강하는 단계는, 제1 치매 양성 환자로부터 수집된 복수의 제1 뇌파 신호를 포함하는 뇌파 데이터를 기 설정된 시간간격마다 소정의 시간 길이를 가지도록 분할하여 복수의 단위 뇌파 데이터를 생성하는 단계 및 상기 복수의 단위 뇌파 데이터 각각에 포함된 복수의 제1 뇌파 신호를 이용하여 복수의 제1 지표 이미지를 생성하는 단계를 포함할 수 있다.
다양한 실시예에서, 상기 생성된 인공지능 모델은 제1 인공지능 모델 및 제2 인공지능 모델을 포함하며, 상기 사용자에 대한 아밀로이드(Amyloid) 양성 또는 음성을 판단하는 단계는, 상기 제1 인공지능 모델을 이용하여 상기 사용자에 대한 베타-아밀로이드 펩타이드 유무를 판단함으로써, 상기 사용자를 알츠하이머성 치매 그룹 또는 비 알츠하이머성 치매 그룹으로 분류하는 단계 및 상기 사용자가 상기 알츠하이머성 치매 그룹으로 분류된 경우, 상기 제2 인공지능 모델을 이용하여 상기 생성된 지표 이미지를 분석함으로써, 상기 사용자에 대한 알츠하이머성 치매 정도를 판단하는 단계를 포함할 수 있다.
상술한 과제를 해결하기 위한 본 발명의 다른 실시예에 따른 뇌파 신호 사이의 상관관계를 이용한 알츠하이머성 치매 진단서버는, 프로세서, 네트워크 인터페이스, 메모리 및 상기 메모리에 로드(load)되고, 상기 프로세서에 의해 실행되는 컴퓨터 프로그램을 포함하되, 상기 컴퓨터 프로그램은, 사용자로부터 복수의 뇌파 신호를 수집하는 인스트럭션(instruction), 상기 복수의 뇌파 신호 사이의 상관관계를 나타내는 지표를 산출하는 인스트럭션 상기 산출된 지표를 이미지화하여 지표 이미지를 생성하는 인스트럭션 및 상기 생성된 지표 이미지를 분석하여 상기 사용자에 대한 아밀로이드(Amyloid) 양성 또는 음성을 판단하는 단계를 인스트럭션을 포함할 수 있다.
상술한 과제를 해결하기 위한 본 발명의 또 다른 실시예에 따른 컴퓨터로 읽을 수 있는 기록매체에 기록된 컴퓨터프로그램은, 컴퓨팅 장치와 결합되어, 사용자로부터 복수의 뇌파 신호를 수집하는 단계, 상기 복수의 뇌파 신호 사이의 상관관계를 나타내는 지표를 산출하는 단계, 상기 산출된 지표를 이미지화하여 지표 이미지를 생성하는 단계 및 상기 생성된 지표 이미지를 분석하여 상기 사용자에 대한 아밀로이드(Amyloid) 양성 또는 음성을 판단하는 단계를 실행시키기 위하여 컴퓨터로 판독가능한 기록매체에 저장될 수 있다.
본 발명의 기타 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.
본 발명의 다양한 실시예에 따르면, 뇌파 신호 사이의 상관관계를 나타내는 지표를 산출하고, 산출된 지표를 이용하여 지표 이미지를 생성하며, 인공지능 모델을 통해 지표 이미지를 분석하여 알츠하이머성 치매 여부를 진단함으로써, 저비용으로 검사를 진행할 수 있을 뿐만 아니라, 신체에 전혀 해롭지 않은 혁신적인 알츠하이머성 치매 진단을 수행할 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 종래의 아밀로이드 PET 검사 방법에 따른 검사 결과를 나타낸 도면이다.
도 2는 본 발명의 일 실시예에 따른 뇌파 신호 사이의 상관관계를 이용한 알츠하이머성 치매 진단시스템을 도시한 도면이다.
도 3은 본 발명의 다른 실시예에 따른 뇌파 신호 사이의 상관관계를 이용한 알츠하이머성 치매 진단서버의 하드웨어 구성도이다.
도 4는 본 발명의 또 다른 실시예에 따른 뇌파 신호 사이의 상관관계를 이용한 알츠하이머성 치매 진단방법의 순서도이다.
도 5는 다양한 실시예에서, 지표 이미지를 생성하는 방법을 설명하기 위한 순서도이다.
도 6 내지 8은 다양한 실시예에 적용 가능한 지표 이미지를 예시적으로 도시한 도면이다.
도 9는 다양한 실시예에서, 인공지능 모델을 이용하여 지표 이미지를 분석하는 방법을 설명하기 위한 순서도이다.
도 2는 본 발명의 일 실시예에 따른 뇌파 신호 사이의 상관관계를 이용한 알츠하이머성 치매 진단시스템을 도시한 도면이다.
도 3은 본 발명의 다른 실시예에 따른 뇌파 신호 사이의 상관관계를 이용한 알츠하이머성 치매 진단서버의 하드웨어 구성도이다.
도 4는 본 발명의 또 다른 실시예에 따른 뇌파 신호 사이의 상관관계를 이용한 알츠하이머성 치매 진단방법의 순서도이다.
도 5는 다양한 실시예에서, 지표 이미지를 생성하는 방법을 설명하기 위한 순서도이다.
도 6 내지 8은 다양한 실시예에 적용 가능한 지표 이미지를 예시적으로 도시한 도면이다.
도 9는 다양한 실시예에서, 인공지능 모델을 이용하여 지표 이미지를 분석하는 방법을 설명하기 위한 순서도이다.
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.
도 1은 종래의 아밀로이드 PET 검사 방법에 따른 검사 결과를 나타낸 도면이다.
도 1을 참조하면, 종래에 시행된 연구 결과에 따르면, 치매 환자와 뇌신경세포를 둘러싼 지방막에 쌓이는 베타-아밀로이드(β-Amyloid) 간의 연결성이 확인되었다. 보다 구체적으로, 치매의 진행에 따라 베타-아밀로이드의 축적 정도가 증가하는 것을 알 수 있었다.
치매 증상은 그 진행에 따라서, 개인별로 차이는 있으나, 뇌 각 영역 간의 연결성이 떨어지는 증상이 보이는 바, 이러한 사항을 고려하여, 베타-아밀로이드의 축적 정도를 치매 판단에 대한 지표로서 사용할 수 있었다.
뇌혈관내의 베타-아밀로이드 존재 여부를 판단하기 위하여, 종래에는 아밀로이드 PET 검사 방법을 사용하였다. 아밀로이드 PET 검사 방법은 방사성의약품 (Radiopharmaceutical)을 사용한 이미징 기법으로, 특정 동위원소를 주사를 통해 투여한 후, 약 90분 정도 후 CT 촬영을 하여 뇌혈관내의 베타-아밀로이드 존재 여부를 판단한다.
여기서, CT 촬영 결과는 도 1에 도시된바 와 같으며, 치매 환자가 정상 상태보다 상대적으로 붉은색을 띄는 것을 확인할 수 있다. 또한, 정상 상태인 경우에도 아밀로이드 양성반응을 보인 환자가 음성 반응을 보인 환자보다 상대적으로 더 붉은색을 띄는 것을 알 수 있다.
즉, 종래에는 이와 같이, 특정 동위원소를 투여한 후 CT 촬영한 결과를 눈으로 직접 확인(색상, 뇌의 형태)하며, 베타-아밀로이드 존재 여부를 판단하고, 이에 따른 치매를 진단하였다.
그러나, 앞서 설명한 바와 같이, 아밀로이드 PET 검사 방법은 환자가 방사능에 노출된다는 점에서 위험성이 클 뿐만 아니라, 검사 비용도 높아 환자에게 경제적, 신체적으로 큰 부담감을 줄 수 있다는 문제가 있다. 이하, 도 2 내지 8을 참조하여, 상기의 아밀로이드 PET 검사 방법의 문제점을 극복하기 위하여, 베타-아밀로이드와 치매 증상 간의 상관관계를 역으로 이용하여, 환자 뇌 내부의 베타-아밀로이드 존재 여부를 판단하는 뇌파 신호 사이의 상관관계를 이용한 알츠하이머성 치매 진단방법에 대해 설명하도록 한다.
도 2는 본 발명의 일 실시예에 따른 뇌파 신호 사이의 상관관계를 이용한 알츠하이머성 치매 진단시스템을 도시한 도면이다.
도 2를 참조하면, 본 발명의 일 실시예에 따른 뇌파 신호 사이의 상관관계를 이용한 알츠하이머성 치매 진단시스템은 알츠하이머성 치매 진단서버(100), 사용자 단말(200) 및 외부 서버(300)를 포함할 수 있다.
여기서, 도 2에 도시된 뇌파 신호 사이의 상관관계를 이용한 알츠하이머성 치매 진단시스템은 일 실시예에 따른 것이고, 그 구성 요소가 도 2에 도시된 실시예에 한정되는 것은 아니며, 필요에 따라 부가, 변경 또는 삭제될 수 있다.
일 실시예에서, 알츠하이머성 치매 진단서버(100)는 사용자에 대하여 수집된 복수의 뇌파 신호를 분석하여 사용자에 대한 알츠하이머성 치매 여부를 진단할 수 있다. 예를 들어, 알츠하이머성 치매 진단서버(100)는 뇌파 측정 장치를 통해 수집된 사용자에 대한 복수의 뇌파 신호 사이의 상관관계를 나타내는 지표를 산출하고, 산출된 지표를 이미지화하여 지표 이미지를 생성하여, 기 학습된 인공지능 모델을 이용하여 지표 이미지를 분석함으로써, 사용자에 대한 알츠하이머성 치매 여부를 진단할 수 있다.
여기서, 기 학습된 인공지능 모델은 지표 이미지를 입력값으로 하여 사용자에 대한 베타-아밀로이드 펩타이드 유무 또는 알츠하이머성 치매 여부를 결과값으로 출력하는 모델일 수 있다. 그러나, 이에 한정되지 않고, 기 학습된 인공지능 모델은 사용자에 대한 복수의 뇌파 신호를 입력값으로 하여 사용자에 대한 베타-아밀로이드 펩타이드 유무 또는 알츠하이머성 치매 여부를 결과값으로 출력하는 모델일 수 있다. 이를 위해, 기 학습된 인공지능 모델은 알츠하이머성 치매 여부 또는 베타-아밀로이드 펩타이드 유무가 레이블링(Labeling)된 복수의 지표 이미지를 학습 데이터로 하여 학습된 모델일 수 있다.
여기서, 기 학습된 인공지능 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.
인공지능 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, 인공지능 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, 인공지능 모델은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호연결 되어 인공지능 모델 내에서 입력 노드 및 출력 노드 관계를 형성한다. 인공지능 모델 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 인공지능 모델의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 가중치 값이 상이한 두 인공지능 모델이 존재하는 경우, 두 개의 인공지능 모델들은 서로 상이한 것으로 인식될 수 있다.
인공지능 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, 인공지능 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 인공지능 모델 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 인공지능 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 인공지능 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 인공지능 모델을 구성하는 노드들을 의미할 수 있다. 본 개시의 일 실시예에 따른 인공지능 모델은 입력 레이어의 노드가 출력 레이어에 가까운 히든 레이어의 노드보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 인공지능 모델일 수 있다.
인공지능 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, 기 학습된 인공지능 모델은 알츠하이머성 치매 여부 또는 베타-아밀로이드 펩타이드 유무가 레이블링(Labeling)된 복수의 지표 이미지를 학습 데이터로 하여 지도학습(supervised learning)될 수 있다. 그러나, 이에 한정되지 않고, 다양한 학습 방법이 적용될 수 있다.
여기서, 지도학습은 통상적으로 특정 데이터와 특정 데이터에 연관된 정보를 레이블링하여 학습 데이터를 생성하고, 이를 이용하여 학습시키는 방법으로써, 인과 관계를 가진 두 데이터를 레이블링하여 학습 데이터를 생성하고, 생성된 학습 데이터를 통해 학습하는 방법을 의미한다.
보다 구체적으로, 알츠하이머성 치매 진단서버(100)는 레이블링된 학습 데이터를 이용하여 인공지능 모델을 구성하는 하나 이상의 네트워크 함수에 대한 학습을 수행할 수 있다. 예를 들어, 알츠하이머성 치매 진단서버(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, 인공지능 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.
알츠하이머성 치매 진단서버(100)는 학습 입력 데이터에 대한 하나 이상의 네트워크 함수의 연산 결과와 학습 출력 데이터(레이블)의 오차에 기초하여 인공지능 모델을 학습시킬 수 있다.
또한, 알츠하이머성 치매 진단서버(100)는 오차에 기초하여 하나 이상의 네트워크 함수의 가중치를 역전파 방식으로 조정할 수 있다. 즉, 알츠하이머성 치매 진단서버(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.
알츠하이머성 치매 진단서버(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, 알츠하이머성 치매 진단서버(100)는 학습 데이터를 통해 인공지능 모델의 학습을 수행하며, 인공지능 모델의 학습이 사전결정된 에폭 이상 반복된 후, 검증 데이터를 이용하여 인공지능 모델의 학습 효과가 사전 결정된 수준 이상인지 여부를 판단할 수 있다. 예를 들어, 알츠하이머성 치매 진단서버(100)는 100개의 학습 데이터를 이용하여 목표 반복 학습 횟수가 10회인 학습을 수행하는 경우, 사전결정된 에폭인 10회의 반복 학습을 수행한 후, 10개의 검증 데이터를 이용하여 3회의 반복 학습을 수행하여, 3회의 반복 학습 동안 인공지능 모델 출력의 변화가 사전결정된 수준 이하인 경우 더 이상의 학습이 무의미한 것으로 판단하고 학습을 종료할 수 있다.
즉, 검증 데이터는 인공지능 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.
알츠하이머성 치매 진단서버(100)는 테스트 데이터를 이용하여 하나 이상의 네트워크 함수의 성능을 테스트하여 하나 이상의 네트워크 함수의 활성화 여부를 결정함으로써, 인공지능 모델을 생성할 수 있다. 테스트 데이터는 인공지능 모델의 성능을 검증하기 위하여 사용될 수 있으며, 학습 데이터 중 적어도 일부로 구성될 수 있다. 예를 들어, 학습 데이터 중 70%는 인공지능 모델의 학습(즉, 레이블과 비슷한 결과값을 출력하도록 가중치를 조정하기 위한 학습)을 위해 활용될 수 있으며, 30%는 인공지능 모델의 성능을 검증하기 위한 테스트 데이터로써 활용될 수 있다. 알츠하이머성 치매 진단서버(100)는 학습이 완료된 인공지능 모델에 테스트 데이터를 입력하고 오차를 측정하여 사전 결정된 성능 이상인지 여부에 따라 인공지능 모델의 활성화 여부를 결정할 수 있다.
알츠하이머성 치매 진단서버(100)는 학습이 완료된 인공지능 모델에 테스트 데이터를 이용하여 학습 완료된 인공지능 모델의 성능을 검증하고 학습 완료된 인공지능 모델의 성능이 사전에 결정된 기준 이상인 경우 해당 인공지능 모델을 다른 어플리케이션에서 사용하도록 활성화할 수 있다.
또한, 알츠하이머성 치매 진단서버(100)는 학습 완료된 인공지능 모델의 성능이 사전에 결정된 기준 이하인 경우 해당 인공지능 모델을 비활성화하여 폐기할 수 있다. 예를 들어, 알츠하이머성 치매 진단서버(100)는 정확도(accuracy), 정밀도(precision), 재현율(recall) 등의 요소를 기준으로 하여 생성된 인공지능 모델 모델의 성능을 판단할 수 있다. 전술한 성능 평가 기준은 예시일 뿐이며 본 개시는 이에 제한되지 않는다. 본 개시의 일 실시예에 따라 알츠하이머성 치매 진단서버(100)는 각각의 인공지능 모델을 독립적으로 학습시켜 복수의 인공지능 모델 모델을 생성할 수 있으며, 성능을 평가하여 일정 성능 이상의 인공지능 모델만을 사용할 수 있다. 그러나, 이에 한정되지 않는다.
다양한 실시예에서, 알츠하이머성 치매 진단서버(100)는 네트워크(400)를 통해 사용자 단말(200)과 연결될 수 있으며, 뇌파 신호 사이의 상관관계를 이용한 알츠하이머성 치매 진단 프로세스를 수행함에 따라 도출된 결과(예: 알츠하이머성 치매 여부 또는 베타-아밀로이드 펩타이드 유무)를 제공할 수 있다. 또한, 알츠하이머성 치매 진단서버(100)는 사용자가 알츠하이머성 치매인 것으로 판단되는 경우, 알츠하이머성 치매의 정도를 판단하여 안내할 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 포함한다.
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 등이 포함되나 이에 한정되지는 않는다.
일 실시예에서, 사용자 단말(200)은 네트워크(400)를 통해 알츠하이머성 치매 진단서버(100)와 연결될 수 있으며, 알츠하이머성 치매 진단서버(100)로 복수의 뇌파 신호를 제공할 수 있고, 제공된 복수의 뇌파 신호에 대한 응답으로 각종 정보(예: 알츠하이머성 치매 여부 또는 베타-아밀로이드 펩타이드 유무)를 제공받을 수 있다.
여기서, 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 있다. 그러나, 이에 한정되지 않고, 사용자 단말(200)은 환자 상태 모니터링 장치(예: 중환자실 내에 구비되는 Bed-side모니터, ICU(Intensive Care Unit) 내에 배치되는 모니터링, 감시 장치)일 수 있다.
일 실시예에서, 외부 서버(300)는 네트워크(400)를 통해 알츠하이머성 치매 진단서버(100)와 연결될 수 있으며, 알츠하이머성 치매 진단서버(100)가 뇌파 신호 사이의 상관관계를 이용한 알츠하이머성 치매 진단방법을 수행하기 위해 필요한 각종 정보/데이터를 제공하거나, 뇌파 신호 사이의 상관관계를 이용한 알츠하이머성 치매 진단방법을 수행함에 따라 도출되는 결과 데이터를 제공받아 저장 및 관리할 수 있다. 예를 들어, 외부 서버(300)는 알츠하이머성 치매 진단서버(100)의 외부에 별도로 구비되는 저장 서버일 수 있으나, 이에 한정되지 않는다. 이하, 도 3을 참조하여, 뇌파 신호 사이의 상관관계를 이용한 알츠하이머성 치매 진단방법을 수행하는 알츠하이머성 치매 진단서버(100)의 하드웨어 구성에 대해 설명하도록 한다.
도 3은 본 발명의 다른 실시예에 따른 뇌파 신호 사이의 상관관계를 이용한 알츠하이머성 치매 진단서버의 하드웨어 구성도이다.
도 3을 참조하면, 본 발명의 다른 실시예에 따른 알츠하이머성 치매 진단서버(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 3에는 본 발명의 실시예와 관련 있는 구성요소들만 도시되어 있다. 따라서, 본 발명이 속한 기술분야의 통상의 기술자라면 도 3에 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 신호 사이의 상관관계를 이용한 알츠하이머성 치매 진단 프로세스를 수행하는 경우, 스토리지(150)는 뇌파 신호 사이의 상관관계를 이용한 알츠하이머성 치매 진단 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 사용자로부터 복수의 뇌파 신호를 수집하는 단계, 복수의 뇌파 신호 사이의 상관관계를 나타내는 지표를 산출하는 단계, 산출된 지표를 이미지화하여 지표 이미지를 생성하는 단계 및 생성된 지표 이미지를 분석하여 사용자에 대한 아밀로이드(Amyloid) 양성 또는 음성을 판단하는 단계를 포함하는 뇌파 신호 사이의 상관관계를 이용한 알츠하이머성 치매 진단방법을 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 4 내지 8을 참조하여 설명하도록 한다.
도 4는 본 발명의 또 다른 실시예에 따른 뇌파 신호 사이의 상관관계를 이용한 알츠하이머성 치매 진단방법의 순서도이다.
도 4를 참조하면, S110 단계에서, 서버(100)는 사용자로부터 복수의 뇌파 신호를 수집할 수 있다. 예를 들어, 서버(100)는 사용자의 머리에 부착 및 설치되어, 사용자의 뇌파를 측정하는 뇌파 측정 장치와 연결될 수 있고, 뇌파 측정 장치를 통해 지속적 또는 소정의 주기마다 사용자에 대한 뇌파 신호를 측정 및 수집할 수 있다.
여기서, 뇌파 측정 장치는 사용자의 머리의 서로 다른 위치 부착되는 복수의 채널(2, 4, 8, 16, 19, 24, 68, 128 또는 256 개로, 캡 또는 개별 전극들을 부착)을 포함하여, 뇌파 측정 10-20 시스템에 준하여 각각의 채널을 통해 독립적인 뇌파 신호를 측정하는 장치일 수 있고, 복수의 채널 각각을 통해 복수의 뇌파 신호를 수집할 수 있다. 예를 들어, 뇌파 측정 장치는 19개의 채널(예: Fp1, Fp2, F3, F4, C3, C4, P3, P4, O1, O2, F7, F8, T3, T4, T5, T6, Fz, Cz, Pz)(여기서, Fz, Cz, Pz은 공통 채널)을 포함할 수 있으며, 19개의 채널을 통해 독립적인 19개의 뇌파 신호를 측정할 수 있다. 그러나, 이에 한정되지 않는다.
다양한 실시예에서, 서버(100)는 후술되는 S120 단계에서 주파수 대역별로 복수의 뇌파 신호 사이의 상관관계를 나타내는 지표를 산출하기 위하여, 복수의 뇌파 신호를 푸리에 변환(Fourier Transform)함으로써, 복수의 뇌파 신호의 시간축을 주파수축으로 변환할 수 있다.
S120 단계에서, 서버(100)는 S110 단계에서 수집한 복수의 뇌파 신호를 이용하여, 복수의 뇌파 신호 사이의 상관관계를 나타내는 지표를 산출할 수 있다.
다양한 실시예에서, 서버(100)는 복수의 뇌파 신호 사이의 상관관계 중 복수의 뇌파 신호 각각의 위상차이를 나타내는 허수부 긴밀성(imaginary coherence, iCoh) 지표를 산출할 수 있다.
여기서, 본 발명의 일 실시예에 따른 뇌파 신호 사이의 상관관계를 이용한 알츠하이머성 치매 진단방법은 복수의 뇌파 신호 사이의 상관관계 중 복수의 뇌파 신호 각각의 위상차이를 나타내는 iCoh 지표를 이용하는 것으로 설명하고 있으나, 이에 한정되지 않고, 복수의 뇌파 신호 사이의 상관관계를 나타내는 어떠한 지표든 적용이 가능하다.
다양한 실시예에서, 서버(100)는 하기의 수학식 1을 이용하여 iCoh 지표를 산출할 수 있다.
<수학식 1>
여기서, iCoh는 상기 허수부 긴밀성 지표, Sij(f)는 i채널과 j채널을 통해 수집된 뇌파 신호 사이의 교차 스펙트럼, Sii(f)는 i채널을 통해 수집된 뇌파 신호의 스펙트럼 및 상기 Sjj(f)는 j채널을 통해 수집된 뇌파 신호의 스펙트럼을 의미할 수 있다(또한, 여기서, im( )는 괄호 내에 기재된 값의 허수부 코히어런스(imaginary part of coherence)를 의미하고, abs( )는 괄호 내에 기재된 값의 절대값을 의미할 수 있다). 그러나, 이에 한정되지 않는다.
이때, 서버(100)는 하기의 수학식 2를 이용하여 i채널과 j채널을 통해 수집된 뇌파 신호 사이의 교차 스펙트럼인 Sij(f)를 산출할 수 있다.
<수학식 2>
여기서, Sij(f)는 i채널과 j채널을 통해 수집된 뇌파 신호 사이의 교차 스펙트럼, xi(f)는 i채널을 통해 수집된 뇌파 신호의 시간축을 주파수축으로 변환한 값 및 x-j*(f)는 j채널을 통해 수집된 뇌파 신호의 시간축을 주파수축으로 변환한 값의 켤레 복소수(complex conjugate)를 의미할 수 있다. 그러나, 이에 한정되지 않는다.
다양한 실시예에서, 서버(100)는 복수의 뇌파 신호 중 델타(Delta) 주파수 대역의 뇌파 신호와 감마(Gamma) 주파수 대역의 뇌파 신호를 제외한 나머지 뇌파 신호들 사이의 상관관계를 나타내는 지표를 산출할 수 있다.
즉, 서버(100)는 총 8개의 주파수 대역의 뇌파 신호(예: 델타(Delta) 주파수 대역(1~4Hz), 쎄타(Theta) 주파수 대역(4~8Hz), 알파 1(Alpha 1) 주파수 대역(8~10Hz), 알파 2(Alpha 2) 주파수 대역(10~12Hz), 베타 1(Beta 1) 주파수 대역(12~15Hz), 베타 2(Beta 2) 주파수 대역(15~20Hz), 베타 3(Beta 3) 주파수 대역(20~30Hz) 및 감마(Gamma) 주파수 대역(30~45Hz)의 뇌파 신호) 중 뇌파의 특성상 노이즈에 취약한 대역인 델타 주파수 대역의 뇌파 신호와 감마 주파수 대역의 뇌파 신호를 필터링하고, 나머지 6개의 주파수 대역의 뇌파 신호만을 고려하여 지표를 산출할 수 있다.
예를 들어, 서버(100)는 쎄타 주파수 대역의 복수의 뇌파 신호(19개 채널을 통해 수집된 독립된 19개의 뇌파 신호)에 대하여, 상기의 수학식 1 및 2를 이용하여 19개의 뇌파 신호 각각에 대한 iCoh 지표 즉, 361개(19*19)의 iCoh 지표를 산출할 수 있다. 또한, 서버(100)는 나머지 알파 1 주파수 대역, 알파 2 주파수 대역, 베타 1 주파수 대역, 베타 2 주파수 대역 및 베타 3 주파수 대역의 뇌파 신호 각각에 대해서도 상기의 방법과 동일하게 iCoh 지표를 산출할 수 있다. 그러나, 이에 한정되지 않고, 델타 주파수 대역의 뇌파 신호와 감마 주파수 대역의 뇌파 신호를 포함한 총 8개 주파수 대역의 뇌파 신호에 대하여 주파수 대역별로 각각 iCoh 지표를 산출할 수 있다.
여기서, 10-20 시스템 기반의 19개의 채널을 통해 수집된 19개 뇌파 신호 각각에 대한 iCoh 지표를 산출하는 것으로 설명하고 있으나, 이에 한정되지 않고, Desikan-Killiany atlas regions 기반의 총 34개의 관심 지점에 따른 뇌파 신호 각각에 대한 iCoh 지표를 산출하는 등 다양한 방식이 적용될 수 있다.
S130 단계에서, 서버(100)는 S120 단계에서 산출된 지표를 이미지화하여 지표 이미지를 생성할 수 있다. 이하, 도 5를 참조하여, 서버(100)에 의해 수행되는 지표 이미지 생성 방법에 대해 설명하도록 한다.
도 5는 다양한 실시예에서, 지표 이미지를 생성하는 방법을 설명하기 위한 순서도이다.
도 5를 참조하면, S210 단계에서, 서버(100)는 도 4의 S120 단계를 거쳐 산출된 지표를 이용하여 주파수 대역대별 행렬을 생성할 수 있다.
예를 들어, 서버(100)는 쎄타 주파수 대역의 뇌파 신호에 대하여 산출된 총 361개의 지표를 이용하여, 19행, 19열을 가지는 행렬(19x19행렬)을 생성할 수 있다. 또한, 서버(100)는 동일한 방법으로, 알파 1 주파수 대역, 알파 2 주파수 대역, 베타 1 주파수 대역, 베타 2 주파수 대역 및 베타 3 주파수 대역의 뇌파 신호 각각에 대하여 산출된 지표들을 이용하여 19x19 행렬을 생성할 수 있다. 그러나, 이에 한정되지 않는다.
즉, 서버(100)는 총 6개의 주파수 대역의 뇌파 신호에 대하여 각각 19x19행렬을 생성함으로써, 총 6개의 19x19 행렬을 생성할 수 있다. 그러나, 이에 한정되지 않고, 주파수 대역의 필터링 없이 총 8개의 주파수 대역의 뇌파 신호를 사용할 경우 8개의 19x19행렬을 생성할 수 있다.
S220 단계에서, 서버(100)는 S210 단계에서 생성된 주파수 대역대별 행렬을 정규화(Normalization)할 수 있다. 예를 들어, 서버(100)는 행렬 내에 배치된 각각의 지표값을 0 내지 1 범위 내의 값으로 정규화할 수 있다.
여기서, 서버(100)에 의해 수행되는 정규화 방법은 하기의 수학식 3을 이용하여 수행될 수 있으나, 이에 한정되지 않는다.
<수학식 3>
여기서, iCohij-norm는, i채널을 통해 수집된 뇌파 신호와 j채널을 통해 수집된 뇌파 신호 사이의 지표값을 정규화한 값, iCohij는 i채널을 통해 수집된 뇌파 신호와 j채널을 통해 수집된 뇌파 신호 사이의 지표값, iCohmax는 복수의 지표값 중 최대값 및 iCohmin은 복수의 지표값 중 최소값일 수 있다.
이때, 서로 동일한 채널을 통해 수집된 두개의 뇌파 신호는 상호 동일한 신호인 바, 서버(100)는 서로 동일한 채널을 통해 수집된 두개의 뇌파 신호에 대한 지표를 정규화한 값을 0으로 처리할 수 있다.
S230 단계에서, 서버(100)는 정규화된 주파수 대역대별 행렬을 기 설정된 템플릿 상에 배치할 수 있다. 여기서, 기 설정된 템플릿은 도 6에 도시된 바와 같이 정규화된 주파수 대역대별 행렬을 가로축으로 이어 붙인 형태 또는 도 7에 도시된 바와 같이 정규화된 주파수 대역대별 행렬을 세로축으로 이어 붙인 형태 또는 도 8에 도시된 바와 같이 주파수 대역별 행렬을 주파수 대역에 따라 시리즈로 형성된 형태일 수 있다. 그러나, 이에 한정되지 않고, 기 설정된 템플릿은 2행3열, 3행2열 등 사용자로부터 자유롭게 설정 가능하되, 인공지능 모델을 학습시키기 위한 학습 데이터로서 사용되는 지표 이미지의 템플릿과 사용자에 대한 알츠하이머성 치매를 진단하기 위해 사용되는 지표 이미지의 템플릿이 일관성을 가지도록 설정될 수 있다.
즉, 기 설정된 템플릿은 사용자로부터 자유롭게 설정 및 변경 가능하되, 사용자로부터 설정된 템플릿의 형태로 생성된 지표 이미지를 학습 데이터로 하여 인공지능 모델이 학습되도록 할 수 있다.
S240 단계에서, 서버(100)는 S230 단계를 거쳐 기 설정된 템플릿 상에 배치된 정규화된 주파수 대역대별 행렬을 이미지 렌더링하여 지표 이미지를 생성할 수 있다. 여기서, 서버(100)에 의해 수행되는 이미지 렌더링 방식은 이미 공지된 다양한 기술이 적용가능한 바, 구체적인 방식에 대해서는 한정하지 않는다.
여기서, 서버(100)에 의해 생성된 지표 이미지는 도 6 내지 8에 도시된 바와 같다.
먼저, 도 6 및 7을 참조하면, 지표 이미지는 각각의 주파수 대역의 행렬에 대응하는 정사각형 형태의 단위 지표 이미지가 기 설정된 템플릿에 따라 배치된 형태(예: 주파수 대역의 크기에 따라 가로로 이어붙인 형태 또는 주파수 대역의 크기에 따라 세로로 이어붙인 형태)를 가질 수 있다.
이때, 서로 동일한 채널을 통해 측정된 두개의 뇌파 신호 사이의 지표값을 정규화한 값이 0인 바, 각각의 단위 지표 이미지에서 서로 동일한 채널을 통해 측정된 뇌파 신호 사이의 지표를 가리키는 부분은 즉 좌측 상단부인 1행 1열부터 우측 하단부인 19행 19열을 연결하는 대각선은 사전에 설정된 색상(예: 검정색, 짙은 남색 등)이 적용될 수 있다.
또한, i채널을 통해 수집된 뇌파 신호와 j채널을 통해 수집된 뇌파 신호 사이의 상관관계를 나타내는 지표와 j채널을 통해 수집된 뇌파 신호와 i채널을 통해 수집된 뇌파 신호 사이의 상관관계를 나타내는 지표가 상호 동일한 바, 각각의 단위 지표 이미지는 좌측 상단부인 1행 1열부터 우측 하단부인 19행 19열을 연결하는 대각선을 기준으로 대칭 형태(예: 데칼코마니(Decalcomanie))를 보일 수 있다.
다음으로, 도 8을 참조하면, 지표 이미지는 각각의 주파수 대역의 행렬에 대응하는 정사각형 형태의 단위 지표 이미지가 주파수 대역별로 시리즈 형태로 구성될 수 있다. 예를 들어, 서버(100)는 관심 지점의 위치에 따른 뇌파 신호 간의 지표 즉, 쎄타, 알파1, 알파2, 베타1, 베타2 및 베타3 주파수 대역 각각의 뇌파 신호에 대하여 산출된 지표를 이용하여 주파수 대역별 행렬을 개별적으로 생성하고, 개별적으로 생성된 각각의 행렬을 이용하여 생성된 단위 지표 이미지를 생성하며, 생성된 단위 지표 이미지를 주파수 대역별로 배치하여 하나의 시리즈로 구성할 수 있다.
이때, 관심 지점의 위치는 10-20 시스템 기반의 19개의 채널 각각의 위치일 수 있으나, 이에 한정되지 않고, Desikan-Killiany atlas regions 기반의 총 34개의 관심 지점(예: banks-STS, Caudal-anterior-cingulate, Caudal-middle-fronta, cuneus, entorhinal, frontal-pole, fusiform, inferior-parietal, inferior-tempora, insula, isthmus-cingulate, lateral-occipital, lateral-orbitofrontal, lingual, medial-orbitofrontal, middle-temporal, paracentral, parahippocampal, pars-opercularis, pars-orbitalis, pars-triangularis, pericalcarine, post-central, posterior-cingulate, precentral, precuneus, rostral-anterior-cingulate, rostral-middle-frontal, superior-frontal, superior-parietal, superior-temporal, supramarginal, temporal-pole 및 transverse-temporal)일 수 있으나, 이에 한정되지 않는다.
다시 도 4를 참조하면, S140 단계에서, 서버(100)는 S130 단계에서 생성된 지표 이미지를 분석하여 사용자에 대한 아밀로이드(Amyloid) 양성 또는 음성을 판단하고, 이에 따라 알츠하이머성 치매 여부를 진단할 수 있다.
다양한 실시예에서, 서버(100)는 기 학습된 인공지능 모델을 이용하여 지표 이미지를 분석함으로써, 베타-아밀로이드 펩타이드의 유무 및 이에 따른 알츠하이머성 치매 여부를 진단할 수 있다. 이하, 도 9를 참조하여 설명하도록 한다.
도 9는 다양한 실시예에서, 인공지능 모델을 이용하여 지표 이미지를 분석하는 방법을 설명하기 위한 순서도이다.
도 9를 참조하면, S310 단계에서, 서버(100)는 베타-아밀로이드 펩타이드의 유무 및 이에 따른 알츠하이머성 치매 여부를 진단하기 위한 인공지능 모델을 생성할 수 있다. 여기서, 인공지능 모델은 랜덤 포레스트(Random forest) 모델일 수 있으나, 이에 한정되지 않고, 인공지능 모델은 합성곱 신경망(Convolutional Neural Network, CNN) 등 다양한 모델이 적용될 수 있다.
먼저, 서버(100)는 인공지능 모델을 학습하기 위한 학습 데이터를 생성할 수 있다. 예를 들어, 서버(100)는 복수의 치매 양성 환자 각각에 대하여 수집된 복수의 뇌파 신호를 이용하여 복수의 뇌파 신호 사이의 상관관계를 나타내는 지표를 산출하고, 산출된 지표를 이미지화하여 복수의 제1 지표 이미지를 생성할 수 있다.
또한, 서버(100)는 복수의 치매 음성 환자 각각에 대하여 수집된 복수의 뇌파 신호를 이용하여 복수의 뇌파 신호 사이의 상관관계를 나타내는 지표를 산출하고, 산출된 지표를 이미지화하여 복수의 제2 지표 이미지를 생성할 수 있다.
이후, 서버(100)는 복수의 제1 지표 이미지 및 복수의 제2 지표 이미지 각각에 치매 여부를 레이블링함으로써, 인공지능 모델을 학습시키기 위한 학습 데이터를 생성할 수 있다.
여기서, 일반적으로 학습 데이터로서 이용되는 치매 양성 환자의 제1 지표 이미지가 치매 음성 환자의 제2 지표 이미지의 수에 비해 적기 때문에, 치매 양성 환자에 대하여 치매가 있음을 검출하기 위한 학습 데이터가 부족하다는 문제 즉, 학습 데이터의 불균형 문제가 발생할 수 있다.
이를 고려하여, 서버(100)는 복수의 제1 지표 이미지의 수와 복수의 제2 지표 이미지의 차이가 기 설정된 값을 초과하는 경우, 복수의 제1 지표 이미지를 증강하여, 복수의 제1 지표 이미지의 수와 복수의 제2 지표 이미지의 수의 불균형을 보정할 수 있다.
다양한 실시예에서, 서버(100)는 제1 치매 양성 환자로부터 수집된 복수의 제1 뇌파 신호를 포함하는 뇌파 데이터를 기 설정된 시간간격마다 소정의 시간 길이를 가지도록 분할하여 복수의 단위 뇌파 데이터를 생성할 수 있고, 복수의 단위 뇌파 데이터 각각에 포함된 복수의 제1 뇌파 신호를 이용하여 복수의 제1 지표 이미지를 생성함으로써, 제1 지표 이미지를 증강할 수 있다.
예를 들어, 총 2분 길이의 치매 양성 환자에 대한 뇌파 데이터가 있을 경우, 해당 뇌파 데이터를 30초 간격마다 1분의 시간 길이를 가지도록 분할 즉, 뇌파 데이터를 0초 내지 1분, 30초 내지 1분 30초, 1분 내지 2분으로 분할할 수 있고, 분할된 3개의 뇌파 데이터를 이용하여 3개의 제1 지표 이미지를 생성함으로써, 하나의 제1 지표 이미지로 3개로 증강할 수 있다.
여기서, 서버(100)는 복수의 제1 지표 이미지의 수와 복수의 제2 지표 이미지의 수에 기초하여, 복수의 제1 지표 이미지 각각에 대하여 증강할 제1 지표 이미지의 개수를 결정하고, 결정된 개수의 제1 지표 이미지가 생성되도록 뇌파 데이터를 분할할 시간간격과 시간길이를 결정할 수 있다.
이후, 서버(100)는 상기의 방법에 따라 생성된 학습 데이터를 이용하여 인공지능 모델을 학습시킬 수 있다. 이때, 서버(100)는 학습 데이터를 이용하여 인공지능 모델을 지도학습 시킬 수 있으나, 이에 한정되지 않고, 다양한 학습 방법이 적용될 수 있다.
다양한 실시예에서, 서버(100)는 지표 이미지를 학습 데이터로 학습된 인공지능 모델에 대하여 학습에 대한 검증을 수행할 수 있다. 예를 들어, 서버(100)는 k-fold 교차 검증(예: 5-fold)을 이용하여 기 학습된 인공지능 모델에 대한 성능을 평가할 수 있다. 이후, 서버(100)는 기 학습된 인공지능 모델에 대한 성능 평가 결과에 기초하여 평가 결과가 기 설정된 기준 이하인 경우, 인공지능 모델의 학습을 위한 학습 데이터를 증강하여 인공지능 모델을 재학습시킬 수 있다. 이때, 서버(100)는 평가 결과의 크기에 따라 증강할 학습 데이터의 수를 결정할 수 있다.
S320 단계에서, 서버(100)는 S310 단계에서 생성된 인공지능 모델을 이용하여 사용자에 대한 알츠하이머성 치매 여부를 판단할 수 있다. 예를 들어, 서버(100)는 지표 이미지를 인공지능 모델의 입력값으로 하여, 사용자에 대한 알츠하이머성 치매 여부 판단 결과에 관한 결과값을 추출하거나, 베타-아밀로이드 펩타이드 유무에 관한 결과값을 추출하고, 이에 따라 사용자에 대한 알츠하이머성 치매 여부를 판단할 수 있다.
다양한 실시예에서, 서버(100)는 인공지능 모델을 이용하여 지표 이미지를 분석함으로써, 사용자가 알츠하이머성 치매일 확률을 산출할 수 있고, 산출된 확률에 기초하여 사용자에 대한 알츠하이머성 치매 여부를 판단할 수 있다. 예를 들어, 서버(100)는 인공지능 모델을 이용하여 산출된 확률이 기 설정된 값(예: 0.5)를 초과할 경우, 해당 사용자를 알츠하이머성 치매 환자인 것으로 판단할 수 있다.
S330 단계에서, 서버(100)는 사용자가 알츠하이머성 치매인 것으로 판단되는 경우, 알츠하이머성 치매의 정도를 판단할 수 있다.
먼저, 서버(100)는 제1 인공지능 모델을 이용하여 사용자에 대한 지표 이미지를 분석하여 사용자에 대한 알츠하이머성 치매 여부 또는 베타-아밀로이드 펩타이드 유무를 판단함으로써, 사용자를 알츠하이머성 치매 그룹 또는 비 알츠하이머성 치매 그룹으로 분류할 수 있다.
이후, 서버(100)는 사용자가 알츠하이머성 치매 그룹으로 분류된 경우, 제2 인공지능 모델을 이용하여 사용자에 대한 복수의 뇌파 신호를 이용하여 생성된 지표 이미지를 분석함으로써, 사용자에 대한 알츠하이머성 치매 정도를 판단할 수 있다. 여기서, 제2 인공지능 모델은, 치매의 정도가 레이블링된 지표 이미지를 학습 데이터로 하여 학습된 모델일 수 있다. 그러나, 이에 한정되지 않고, 제2 인공지능 모델은 지표 이미지의 전체 영역에서 붉은색으로 표시된 영역이 차지하는 비율을 산출하는 모델일 수 있다
다양한 실시예에서, 서버(100)는 사용자에 대한 복수의 뇌파 신호를 이용하여 생성된 지표 이미지를 분석하여, 0 내지 100 범위의 점수로 스코어링 하고, 스코어링된 결과를 알츠하이머성 치매 정도로써 사용자에게 제공할 수 있다. 예를 들어, 서버(100)는 제2 인공지능 모델을 이용하여 지표 이미지의 전체 영역에서 붉은색으로 표시된 영역이 차지하는 비율을 산출하고, 산출된 비율을 0 내지 100 범위의 점수로 환산하여 치매 정도를 산출할 수 있으며, 산출된 점수를 알츠하이머성 치매 정도로써 사용자에게 제공할 수 있다.
추가적으로, 서버(100)는 사용자가 알츠하이머성 치매가 아닌 것으로 판단되어 비 알츠하이머성 치매 그룹으로 분류된 경우에도, 제2 인공지능 모델을 통해 해당 사용자에 대한 지표 이미지를 분석하여 사용자에 대한 치매 발병 가능성을 판단할 수 있다. 예를 들어, 서버(100)는 제2 인공지능 모델을 이용하여 지표 이미지의 전체 영역에서 붉은색으로 표시된 영역이 차지하는 비율을 산출하고, 산출된 비율을 0 내지 100 범위의 점수로 환산하여 치매 발병 가능성을 산출할 수 있으며, 산출된 치매 발병 가능성을 사용자에게 제공할 수 있다.
전술한 뇌파 신호 사이의 상관관계를 이용한 알츠하이머성 치매 진단방법은 도면에 도시된 순서도를 참조하여 설명하였다. 간단한 설명을 위해 뇌파 신호 사이의 상관관계를 이용한 알츠하이머성 치매 진단방법은 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 : 알츠하이머성 치매 진단서버(서버)
200 : 사용자 단말
300 : 외부 서버
400 : 네트워크
200 : 사용자 단말
300 : 외부 서버
400 : 네트워크
Claims (12)
- 컴퓨팅 장치에 의해 수행되는 방법에 있어서,
사용자로부터 복수의 뇌파 신호를 수집하는 단계;
상기 복수의 뇌파 신호 사이의 상관관계를 나타내는 지표를 산출하는 단계;
상기 산출된 지표를 이미지화하여 지표 이미지를 생성하는 단계; 및
상기 생성된 지표 이미지를 분석하여 상기 사용자에 대한 아밀로이드(Amyloid) 양성 또는 음성을 판단하는 단계를 포함하며,
상기 지표 이미지를 생성하는 단계는,
상기 산출된 지표를 이용하여 주파수 대역대별 행렬을 생성하는 단계;
상기 생성된 주파수 대역대별 행렬을 정규화하는 단계; 및
상기 정규화된 주파수 대역대별 행렬을 기 설정된 템플릿 상에 배치하고, 상기 기 설정된 템플릿 상에 배치된 상기 정규화된 주파수 대역대별 행렬을 이미지 랜더링하여 상기 지표 이미지를 생성하는 단계를 포함하는,
뇌파 신호 사이의 상관관계를 이용한 알츠하이머성 치매 진단방법. - 제1항에 있어서,
상기 복수의 뇌파 신호를 수집하는 단계는,
상기 사용자의 머리의 서로 다른 위치에 부착되는 복수의 뇌파 측정 채널을 통해 상호 독립된 복수의 뇌파 신호를 수집하는 단계; 및
상기 수집된 복수의 뇌파 신호를 푸리에 변환(Fourier Transform)하여, 상기 수집된 복수의 뇌파 신호의 축을 시간에서 주파수로 변환하는 단계를 포함하며,
상기 지표를 산출하는 단계는,
상기 주파수로 변환된 복수의 뇌파 신호 각각에 대한 지표를 산출하는 단계를 포함하는,
뇌파 신호 사이의 상관관계를 이용한 알츠하이머성 치매 진단방법. - 컴퓨팅 장치에 의해 수행되는 방법에 있어서,
사용자로부터 복수의 뇌파 신호를 수집하는 단계;
상기 복수의 뇌파 신호 사이의 상관관계를 나타내는 지표를 산출하는 단계;
상기 산출된 지표를 이미지화하여 지표 이미지를 생성하는 단계; 및
상기 생성된 지표 이미지를 분석하여 상기 사용자에 대한 아밀로이드(Amyloid) 양성 또는 음성을 판단하는 단계를 포함하며,
상기 지표를 산출하는 단계는,
하기의 수학식 1을 이용하여 상기 수집된 복수의 뇌파 신호 각각의 위상차이를 나타내는 허수부 긴밀성(imaginary coherence, iCoh) 지표를 산출하는 단계를 포함하는,
뇌파 신호 사이의 상관관계를 이용한 알츠하이머성 치매 진단방법.
<수학식 1>
여기서, 상기 iCoh는 상기 허수부 긴밀성 지표, 상기 Sij(f)는 i채널과 j채널을 통해 수집된 뇌파 신호 사이의 교차 스펙트럼, 상기 Sii(f)는 상기 i채널을 통해 수집된 뇌파 신호의 스펙트럼 및 상기 Sjj(f)는 상기 j채널을 통해 수집된 뇌파 신호의 스펙트럼 - 제3항에 있어서,
상기 허수부 긴밀성 지표를 산출하는 단계는,
하기의 수학식 2를 이용하여 상기 i채널과 상기 j채널을 통해 수집된 뇌파 신호 사이의 교차 스펙트럼인 상기 Sij(f)를 산출하는 단계를 포함하는,
뇌파 신호 사이의 상관관계를 이용한 알츠하이머성 치매 진단방법.
<수학식 2>
여기서, 상기 Sij(f)는 상기 i채널과 상기 j채널을 통해 수집된 뇌파 신호 사이의 교차 스펙트럼, 상기 xi(f)는 상기 i채널을 통해 수집된 뇌파 신호의 시간축을 주파수축으로 변환한 값 및 상기 x-j*(f)는 상기 j채널을 통해 수집된 뇌파 신호의 시간축을 주파수축으로 변환한 값의 켤레 복소수(complex conjugate) - 제1항에 있어서,
상기 지표를 산출하는 단계는,
상기 복수의 뇌파 신호 중 델타(Delta) 주파수 대역의 뇌파 신호와 감마(Gamma) 주파수 대역의 뇌파 신호를 제외한 나머지 뇌파 신호들 사이의 상관관계를 나타내는 지표를 산출하는 단계를 포함하는,
뇌파 신호 사이의 상관관계를 이용한 알츠하이머성 치매 진단방법. - 삭제
- 삭제
- 컴퓨팅 장치에 의해 수행되는 방법에 있어서,
사용자로부터 복수의 뇌파 신호를 수집하는 단계;
상기 복수의 뇌파 신호 사이의 상관관계를 나타내는 지표를 산출하는 단계;
상기 산출된 지표를 이미지화하여 지표 이미지를 생성하는 단계; 및
상기 생성된 지표 이미지를 분석하여 상기 사용자에 대한 아밀로이드(Amyloid) 양성 또는 음성을 판단하는 단계를 포함하며,
상기 사용자에 대한 아밀로이드(Amyloid) 양성 또는 음성을 판단하는 단계는,
인공지능 모델을 생성하는 단계;
상기 생성된 인공지능 모델을 통해 상기 생성된 지표 이미지를 분석하여 상기 사용자에 대한 베타-아밀로이드(β-Amyloid) 펩타이드 유무를 판단하는 단계; 및
상기 판단된 베타-아밀로이드 펩타이드 유무에 기초하여 상기 사용자에 대한 알츠하이머성 치매 여부를 판단하는 단계를 포함하고,
상기 인공지능 모델을 생성하는 단계는,
복수의 치매 양성 환자 각각에 대한 복수의 뇌파 신호를 이용하여 생성된 복수의 제1 지표 이미지 및 복수의 치매 음성 환자 각각에 대한 복수의 뇌파 신호를 이용하여 생성된 복수의 제2 지표 이미지를 학습 데이터로 하여 상기 인공지능 모델을 학습시키되, 상기 복수의 제1 지표 이미지의 수와 상기 복수의 제2 지표 이미지의 차이가 기 설정된 값을 초과하는 경우, 상기 복수의 제1 지표 이미지를 증강하는 단계를 포함하는,
뇌파 신호 사이의 상관관계를 이용한 알츠하이머성 치매 진단방법. - 제8항에 있어서,
상기 복수의 제1 지표 이미지를 증강하는 단계는,
제1 치매 양성 환자로부터 수집된 복수의 제1 뇌파 신호를 포함하는 뇌파 데이터를 기 설정된 시간간격마다 소정의 시간 길이를 가지도록 분할하여 복수의 단위 뇌파 데이터를 생성하는 단계; 및
상기 복수의 단위 뇌파 데이터 각각에 포함된 복수의 제1 뇌파 신호를 이용하여 복수의 제1 지표 이미지를 생성하는 단계를 포함하는,
뇌파 신호 사이의 상관관계를 이용한 알츠하이머성 치매 진단방법. - 컴퓨팅 장치에 의해 수행되는 방법에 있어서,
사용자로부터 복수의 뇌파 신호를 수집하는 단계;
상기 복수의 뇌파 신호 사이의 상관관계를 나타내는 지표를 산출하는 단계;
상기 산출된 지표를 이미지화하여 지표 이미지를 생성하는 단계; 및
상기 생성된 지표 이미지를 분석하여 상기 사용자에 대한 아밀로이드(Amyloid) 양성 또는 음성을 판단하는 단계를 포함하며,
상기 사용자에 대한 아밀로이드(Amyloid) 양성 또는 음성을 판단하는 단계는,
인공지능 모델을 생성하는 단계;
상기 생성된 인공지능 모델을 통해 상기 생성된 지표 이미지를 분석하여 상기 사용자에 대한 베타-아밀로이드(β-Amyloid) 펩타이드 유무를 판단하는 단계; 및
상기 판단된 베타-아밀로이드 펩타이드 유무에 기초하여 상기 사용자에 대한 알츠하이머성 치매 여부를 판단하는 단계를 포함하고,
상기 생성된 인공지능 모델은 제1 인공지능 모델 및 제2 인공지능 모델을 포함하며,
상기 사용자에 대한 아밀로이드(Amyloid) 양성 또는 음성을 판단하는 단계는,
상기 제1 인공지능 모델을 이용하여 상기 사용자에 대한 베타-아밀로이드 펩타이드 유무를 판단함으로써, 상기 사용자를 알츠하이머성 치매 그룹 또는 비 알츠하이머성 치매 그룹으로 분류하는 단계; 및
상기 사용자가 상기 알츠하이머성 치매 그룹으로 분류된 경우, 상기 제2 인공지능 모델을 이용하여 상기 생성된 지표 이미지를 분석함으로써, 상기 사용자에 대한 알츠하이머성 치매 정도를 판단하는 단계를 포함하는,
뇌파 신호 사이의 상관관계를 이용한 알츠하이머성 치매 진단방법. - 프로세서;
네트워크 인터페이스;
메모리; 및
상기 메모리에 로드(load)되고, 상기 프로세서에 의해 실행되는 컴퓨터 프로그램을 포함하되,
상기 프로세스는,
상기 컴퓨터 프로그램에 포함된 하나 이상의 인스트럭션을 실행함으로써, 제1항, 제3항, 제8항 또는 제10항의 방법을 수행하는,
뇌파 신호 사이의 상관관계를 이용한 알츠하이머성 치매 진단서버. - 컴퓨팅 장치와 결합되어,
제1항, 제3항, 제8항 또는 제10항의 방법을 실행시키기 위하여 컴퓨터로 판독가능한 기록매체에 저장된,
컴퓨터로 읽을 수 있는 기록매체에 기록된 컴퓨터프로그램.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210067187A KR102322647B1 (ko) | 2021-05-25 | 2021-05-25 | 뇌파 신호 사이의 상관관계를 이용한 알츠하이머성 치매 진단방법, 서버 및 컴퓨터프로그램 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210067187A KR102322647B1 (ko) | 2021-05-25 | 2021-05-25 | 뇌파 신호 사이의 상관관계를 이용한 알츠하이머성 치매 진단방법, 서버 및 컴퓨터프로그램 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102322647B1 true KR102322647B1 (ko) | 2021-11-09 |
Family
ID=78610385
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210067187A KR102322647B1 (ko) | 2021-05-25 | 2021-05-25 | 뇌파 신호 사이의 상관관계를 이용한 알츠하이머성 치매 진단방법, 서버 및 컴퓨터프로그램 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102322647B1 (ko) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114305451A (zh) * | 2022-01-26 | 2022-04-12 | 杭州电子科技大学 | 熵稳定性判据的儿童脑电功能连接图谱构建方法 |
| KR102647076B1 (ko) * | 2023-02-14 | 2024-03-14 | 주식회사 아이메디신 | 뇌파 데이터 분석을 통한 테라피 프로토콜 결정방법, 장치 및 컴퓨터프로그램 |
| KR102685710B1 (ko) * | 2023-02-14 | 2024-07-19 | 주식회사 아이메디신 | 인공지능 모델의 학습 및 분석을 위한 생체 데이터 증강 방법, 장치 및 컴퓨터프로그램 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| KR20190132832A (ko) * | 2018-05-21 | 2019-11-29 | 고려대학교 산학협력단 | 딥러닝을 기반으로 하는 아밀로이드 양성 또는 음성을 예측하기 위한 방법 및 장치 |
| KR102151497B1 (ko) * | 2019-12-02 | 2020-09-04 | 가천대학교 산학협력단 | 사용자의 뇌 질환을 진단하는 방법, 시스템 및 컴퓨터-판독가능 매체 |
-
2021
- 2021-05-25 KR KR1020210067187A patent/KR102322647B1/ko active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| KR20190132832A (ko) * | 2018-05-21 | 2019-11-29 | 고려대학교 산학협력단 | 딥러닝을 기반으로 하는 아밀로이드 양성 또는 음성을 예측하기 위한 방법 및 장치 |
| KR102151497B1 (ko) * | 2019-12-02 | 2020-09-04 | 가천대학교 산학협력단 | 사용자의 뇌 질환을 진단하는 방법, 시스템 및 컴퓨터-판독가능 매체 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114305451A (zh) * | 2022-01-26 | 2022-04-12 | 杭州电子科技大学 | 熵稳定性判据的儿童脑电功能连接图谱构建方法 |
| CN114305451B (zh) * | 2022-01-26 | 2024-04-23 | 杭州电子科技大学 | 熵稳定性判据的儿童脑电功能连接图谱构建方法 |
| KR102647076B1 (ko) * | 2023-02-14 | 2024-03-14 | 주식회사 아이메디신 | 뇌파 데이터 분석을 통한 테라피 프로토콜 결정방법, 장치 및 컴퓨터프로그램 |
| KR102685710B1 (ko) * | 2023-02-14 | 2024-07-19 | 주식회사 아이메디신 | 인공지능 모델의 학습 및 분석을 위한 생체 데이터 증강 방법, 장치 및 컴퓨터프로그램 |
| WO2024172440A1 (ko) * | 2023-02-14 | 2024-08-22 | 주식회사 아이메디신 | 뇌파 데이터 분석을 통한 테라피 제공방법, 장치 및 컴퓨터프로그램 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102322647B1 (ko) | 뇌파 신호 사이의 상관관계를 이용한 알츠하이머성 치매 진단방법, 서버 및 컴퓨터프로그램 | |
| US11559697B2 (en) | System and method for generating electromagnetic treatment protocols for the nervous system | |
| US20210267465A1 (en) | Systems and methods for detecting strokes | |
| EP4115940B1 (en) | Method, server and computer program for designing customized headgear for transcranial direct current stimulation | |
| JP7586450B2 (ja) | 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 | |
| US20210035665A1 (en) | Brain network activity estimation system, method of estimating activities of brain network, brain network activity estimation program, and trained brain activity estimation model | |
| Klepl et al. | Characterising Alzheimer’s disease with EEG-based energy landscape analysis | |
| Sharma et al. | SzHNN: A novel and scalable deep convolution hybrid neural network framework for schizophrenia detection using multichannel EEG | |
| Sahu et al. | SCZ-SCAN: An automated Schizophrenia detection system from electroencephalogram signals | |
| KR102366534B1 (ko) | 인공지능 모델 학습을 위한 표준화된 뇌파 이미지 생성방법, 장치 및 컴퓨터프로그램 | |
| KR102239984B1 (ko) | 휴지기 뇌파를 이용한 뇌전증 진단 정보 제공 장치 및 방법 | |
| Aslam et al. | Channels and features identification: a review and a machine-learning based model with large scale feature extraction for emotions and ASD classification | |
| KR102340670B1 (ko) | 딥러닝 기반의 심리생리검사 시스템 및 방법 | |
| KR102658654B1 (ko) | 발달장애아동 통합 교육지원 서비스 제공 방법 | |
| US20220151540A1 (en) | Explainable artificial intelligence system for diagnosis of mental diseases and the control method thereof | |
| US20220374771A1 (en) | Method, apparatus, and computer program for creating standardized brainwave image for training artificial intelligence model | |
| KR20230120172A (ko) | 인공지능 모델 학습을 위한 표준화된 뇌파 이미지 생성방법, 장치 및 컴퓨터프로그램 | |
| Atchuthan et al. | Classification of noxious and non-noxious event-related potentials from S1 in pigs using a convolutional neural network | |
| KR102308844B1 (ko) | 인공지능 모델을 이용한 혼수상태 환자의 예후 예측방법, 서버 및 컴퓨터프로그램 | |
| Turnip et al. | Comparison of Classification Systems for Detection of Drug Effects on the Brain Using Machine Learning-Based EEG Signals | |
| KR102647076B1 (ko) | 뇌파 데이터 분석을 통한 테라피 프로토콜 결정방법, 장치 및 컴퓨터프로그램 | |
| KR102548478B1 (ko) | 약물 반응성 분류 및 예측을 위한 디지털 피노타이핑 방법, 장치 및 컴퓨터프로그램 | |
| Sagar et al. | Deep Learning Technique for Detection of Depression Using EEG Data By ANN |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PA0109 | Patent application |
Patent event code: PA01091R01D Comment text: Patent Application Patent event date: 20210525 |
|
| PA0201 | Request for examination | ||
| PA0302 | Request for accelerated examination |
Patent event date: 20210526 Patent event code: PA03022R01D Comment text: Request for Accelerated Examination Patent event date: 20210525 Patent event code: PA03021R01I Comment text: Patent Application |
|
| PE0902 | Notice of grounds for rejection |
Comment text: Notification of reason for refusal Patent event date: 20210729 Patent event code: PE09021S01D |
|
| E701 | Decision to grant or registration of patent right | ||
| PE0701 | Decision of registration |
Patent event code: PE07011S01D Comment text: Decision to Grant Registration Patent event date: 20211025 |
|
| GRNT | Written decision to grant | ||
| PR0701 | Registration of establishment |
Comment text: Registration of Establishment Patent event date: 20211101 Patent event code: PR07011E01D |
|
| PR1002 | Payment of registration fee |
Payment date: 20211101 End annual number: 3 Start annual number: 1 |
|
| PG1601 | Publication of registration |