KR102406389B1 - 뇌에 대한 치료 및 조치 결정 방법 및 프로그램 - Google Patents

뇌에 대한 치료 및 조치 결정 방법 및 프로그램 Download PDF

Info

Publication number
KR102406389B1
KR102406389B1 KR1020210145684A KR20210145684A KR102406389B1 KR 102406389 B1 KR102406389 B1 KR 102406389B1 KR 1020210145684 A KR1020210145684 A KR 1020210145684A KR 20210145684 A KR20210145684 A KR 20210145684A KR 102406389 B1 KR102406389 B1 KR 102406389B1
Authority
KR
South Korea
Prior art keywords
epilepsy
data
eeg data
state
computer
Prior art date
Application number
KR1020210145684A
Other languages
English (en)
Other versions
KR20210134274A (ko
Inventor
구용서
Original Assignee
재단법인 아산사회복지재단
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 재단법인 아산사회복지재단 filed Critical 재단법인 아산사회복지재단
Publication of KR20210134274A publication Critical patent/KR20210134274A/ko
Application granted granted Critical
Publication of KR102406389B1 publication Critical patent/KR102406389B1/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
    • A61B5/0075—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence by spectroscopy, i.e. measuring spectra, e.g. Raman spectroscopy, infrared absorption spectroscopy
    • 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
    • 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
    • A61B5/72—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
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Artificial Intelligence (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Signal Processing (AREA)
  • Psychology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

뇌에 대한 치료 및 조치 결정 방법 및 프로그램이 제공된다. 상기 뇌에 대한 치료 및 조치 결정 방법은 컴퓨터가 미리 정해진 일정 시간 동안 제1환자의 뇌파 데이터 및 정량화 뇌파 데이터를 획득하되, 상기 뇌파 데이터 및 정량화 뇌파 데이터는 상호 매칭 가능하도록 미리 정해진 일정 구간으로 분할되어 있는 것인, 데이터 획득단계; 상기 컴퓨터가 상기 뇌파 데이터 상의 파형 정보를 기반으로 하여 상기 뇌파 데이터 상에서 뇌전증 지속상태에 해당하는 구간을 도출하여 제1뇌전증 지속상태 뇌파 데이터를 획득하는 단계; 상기 컴퓨터가 상기 파형 정보를 기반으로 하여 상기 뇌파 데이터 상에서 상기 뇌전증 지속상태에 해당하는지 여부가 도출되지 않는 구간에 대하여, 상기 정량화 뇌파 데이터 상의 정보를 기반으로 하여 상기 정량화 뇌파 데이터 상에서 상기 뇌전증 지속상태에 해당하는 구간과 매칭되는 뇌파 데이터 구간을 도출하여 제2뇌전증 지속상태 뇌파 데이터를 획득하는 단계; 상기 컴퓨터가 상기 미리 정해진 일정 시간 동안 뇌 영상 데이터 또는 의식상태데이터 중 적어도 하나를 획득하는 단계; 상기 컴퓨터가 상기 뇌 영상 데이터 또는 의식상태데이터 중 적어도 하나와, 상기 제1뇌전증 지속상태 뇌파 데이터 및 상기 제2뇌전증 지속상태 뇌파 데이터를 매칭하여 학습함에 따라, 상기 뇌파 데이터에 대한 뇌손상 수준을 예측하는, 뇌손상 수준 예측 단계; 및 상기 컴퓨터가 예측된 상기 뇌손상 수준에 따라 손상된 뇌에 대한 치료 및 조치를 결정하여 제시하는 단계;를 포함한다.

Description

뇌에 대한 치료 및 조치 결정 방법 및 프로그램{METHOD AND PROGRAM FOR DETERMINING TREATMENT AND ACTION FOR BRAIN}
본 발명은 뇌에 대한 치료 및 조치 결정 방법 및 프로그램에 관한 것이다.
‘뇌전증지속상태(status epilepticus)’는 뇌전증 발작이 지속되는 상태이다. 이는 일반적으로 반복적인 발작이 있는 만성질환인 ‘뇌전증(epilepsy)’과는 전혀 다른 질환이다. 일반적으로 대부분의 뇌전증 발작은 수 분 이내에 저절로 멈추고, 발작 후 일정기간 불응기를 보이며 회복하는 반면에 뇌전증지속상태는 발작이 지속되거나 의식 회복이 없이 뇌전증 발작이 반복되는 상태를 의미한다. 오랫동안 지속되는 뇌전증 발작은 뇌손상을 일으킬 뿐만 아니라, 이환율이 높고 사망률도 20-30%에 육박한다. 뇌전증지속상태는 뇌전증이 있는 환자들에서 발생하기도 하지만, 그렇지 않은 경우에서도 많이 발생한다. 특히, 고령화 사회에서 뇌 손상을 일으키는 뇌졸중, 뇌염, 치매 등 다양한 질환에서 발생하는 경우가 많다. 뇌전증지속상태가 이러한 상황에서 처음 발현하였을 경우에는 뇌전증으로 진행하는 경우도 있지만, 그렇지 않은 경우도 있어서 뇌전증과 뇌전증지속상태는 전혀 다른 질환으로 볼 수 있다.
기존에 일반적인 뇌전증에 대해서는 경련파형 또는 환자의 신체움직임을 기반으로 뇌전증 발작의 발생여부에 판단에 대한 기술은 많이 존재하고 있다. 하지만, 뇌전증 지속상태는 운동 발작이 없어서 환자를 직접 눈으로 확인하여도 뇌전증 발작이 지속되고 있는지 알기 어렵다. 따라서, 뇌파 데이터를 이용한 전문가의 시각적 분석이 진단에 결정적인 역할을 한다. 또한, 현재 기술 수준에서는 뇌전증 발작을 시사하는 뇌파 소견이 얼마나 오래 지속되어야 뇌손상을 일으키는지는 알기 어려운 상태이다.
삭제
한국공개특허공보 제10-2019-0059377호 (공개일: 2019년 05월 31일)
본 발명이 해결하고자 하는 과제는 뇌파 데이터, 정량화 뇌파 데이터, 근적외선 분광법 데이터, 임상데이터 등을 이용하여 뇌손상 지속상태의 발생여부를 판단할 수 있도록 하는, 뇌에 대한 치료 및 조치 결정 방법 및 프로그램을 제공하고자 한다.
또한, 본 발명이 해결하고자 하는 과제는 뇌전증 지속상태에 따른 뇌손상 수준을 뇌 영상 데이터 또는 환자의 의식 상태 데이터를 통하여 도출하고, 뇌손상 지표까지 도출해내는, 뇌에 대한 치료 및 조치 결정 방법 및 프로그램을 제공하고자 한다.
또한, 본 발명은 뇌전증지속상태의 경련파 형태, 경련파의 발생횟수, 빈도, 시간간격 등을 반영하여, 뇌전증지속상태에 따른 환자의 뇌손상 수준을 정확히 산출하는, 컴퓨터에 의한 뇌에 대한 치료 및 조치 결정 방법 및 프로그램을 제공하고자 한다.
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 뇌에 대한 치료 및 조치 결정 방법은, 컴퓨터가 미리 정해진 일정 시간 동안 제1환자의 뇌파 데이터 및 정량화 뇌파 데이터를 획득하되, 상기 뇌파 데이터 및 정량화 뇌파 데이터는 상호 매칭 가능하도록 미리 정해진 일정 구간으로 분할되어 있는 것인, 데이터 획득단계; 상기 컴퓨터가 상기 뇌파 데이터 상의 파형 정보를 기반으로 하여 상기 뇌파 데이터 상에서 뇌전증 지속상태에 해당하는 구간을 도출하여 제1뇌전증 지속상태 뇌파 데이터를 획득하는 단계; 상기 컴퓨터가 상기 파형 정보를 기반으로 하여 상기 뇌파 데이터 상에서 상기 뇌전증 지속상태에 해당하는지 여부가 도출되지 않는 구간에 대하여, 상기 정량화 뇌파 데이터 상의 정보를 기반으로 하여 상기 정량화 뇌파 데이터 상에서 상기 뇌전증 지속상태에 해당하는 구간과 매칭되는 뇌파 데이터 구간을 도출하여 제2뇌전증 지속상태 뇌파 데이터를 획득하는 단계; 상기 컴퓨터가 상기 미리 정해진 일정 시간 동안 뇌 영상 데이터 또는 의식상태데이터 중 적어도 하나를 획득하는 단계; 상기 컴퓨터가 상기 뇌 영상 데이터 또는 의식상태데이터 중 적어도 하나와, 상기 제1뇌전증 지속상태 뇌파 데이터 및 상기 제2뇌전증 지속상태 뇌파 데이터를 매칭하여 학습함에 따라, 상기 뇌파 데이터에 대한 뇌손상 수준을 예측하는, 뇌손상 수준 예측 단계; 및 상기 컴퓨터가 예측된 상기 뇌손상 수준에 따라 손상된 뇌에 대한 치료 및 조치를 결정하여 제시하는 단계;를 포함할 수 있다.
상술한 과제를 해결하기 위한 본 발명의 일 실시예에 따른 뇌에 대한 치료 및 조치 결정 방법은 상기 컴퓨터가 제1근적외선 분광법 데이터에 대하여, 상기 제1뇌전증 지속상태 뇌파 데이터 및 상기 제2뇌전증 지속상태 뇌파 데이터와 매칭하여, 뇌전증 지속상태에 대한 제1근적외선 분광법 데이터의 특징을 도출하는 단계; 및 상기 제1근적외선 분광법 데이터의 특징을 기반으로 하여 제2환자로부터 획득된 제2근적외선 분광법 데이터를 기반으로서, 상기 제2환자에 대한 뇌전증 지속상태 여부를 판단하는 단계를 더 포함하고, 상기 데이터 획득단계는, 상기 컴퓨터가 상기 제1환자의 상기 미리 정해진 일정 시간 동안 근적외선 분광법을 이용하여 제1근적외선 분광법 데이터를 획득하는 것을 더 포함하되, 상기 제1근적외선 분광법 데이터는, 상기 뇌파 데이터 및 상기 정량화 뇌파 데이터와 상호 매칭 가능하도록 일정 구간 분할되어 있는 것일 수 있다.
상술한 과제를 해결하기 위한 본 발명의 일 실시예에 따른 뇌에 대한 치료 및 조치 결정 방법은 상기 컴퓨터가 상기 뇌파 데이터에 대하여, 상기 제1뇌전증 지속상태 뇌파 데이터 및 상기 제2뇌전증 지속상태 뇌파 데이터를 뇌전증 지속상태의 특징값으로 학습하는 단계를 더 포함할 수 있다.
상술한 과제를 해결하기 위한 본 발명의 일 실시예에 따른 뇌에 대한 치료 및 조치 결정 방법은 상기 컴퓨터가 상기 뇌파 데이터에 대하여, 상기 제1뇌전증 지속상태 뇌파 데이터, 상기 제2뇌전증 지속상태 뇌파 데이터 및 도출된 상기 뇌전증 지속상태에 대한 제1근적외선 분광법 데이터의 특징을 특징값으로 학습하는 단계를 더 포함할 수 있다.
상술한 과제를 해결하기 위한 본 발명의 일 실시예에 따른 뇌에 대한 치료 및 조치 결정 방법은 상기 컴퓨터가 상기 학습하는 단계에 의해 도출된 뇌전증 지속상태의 특정 뇌파구간 발생 후에 임상학적 변화를 학습하여 뇌손상의 수준을 뇌손상 지표로서 생성하여 제시하는 단계를 더 포함할 수 있다.
상술한 과제를 해결하기 위한 본 발명의 일 실시예에 따른 컴퓨터 프로그램은 하드웨어인 컴퓨터와 결합되어, 상술한 방법 중 어느 하나에 따른 뇌에 대한 치료 및 조치 결정 방법을 실행시키기 위해 컴퓨터 판독 가능 기록매체에 저장된다.
본 발명의 기타 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.
상기와 같은 본 발명에 따르면, 기존에 뇌파 데이터 만으로는 확인하기 어려웠던 뇌전증 지속상태의 발생을 확인할 수 있다.
또한, 상기와 같은 본 발명에 따르면, 뇌전증 지속상태 발생에 따른 뇌손상의 발생 수준을 의료진에게 안내할 수 있다.
또한, 본 발명을 통해, 수치화된 지표로 안내함에 따라, 의료진이 환자의 현재 상태를 직감하여 의료진의 의사결정에 영향을 미칠 수 있다.
또한, 본 발명을 통해, 뇌전증지속상태의 원인질환을 산출하여 안내함에 따라 의료진이 빠르게 환자에게 조치를 취할 수 있다.
또한, 본 발명을 통해, 뇌전증 지속상태의 회복 후의 신경학적 예후를 예측할 수 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 데이터를 이용한 뇌전증 지속상태 구간 도출 방법의 순서도이다.
도 2는 본 발명의 다른 실시예에 따른 뇌파 데이터만으로 도출되지 않는 구간에 대하여 정량화 뇌파 데이터를 이용하여 뇌전증 지속상태 구간을 도출하는 방법의 순서도이다.
도 3은 본 발명의 다른 실시예에 따른 근적외선 분광법 데이터를 이용하여 뇌전증 지속상태 여부를 판단하는 방법의 순서도이다.
도 4는 동일 환자에 대한 정량화 뇌파 데이터 그래프와 근적외선 분광법 데이터 그래프를 매칭시킨 결과를 나타낸 도면이다.
도 5는 본 발명의 다른 실시예에 따른 뇌손상 수준을 예측하는 방법의 순서도이다.
도 6은 본 발명의 다른 실시예에 따른 뇌손상 수준을 지표로서 생성하여 제시하는 방법의 순서도이다.
도 7은 본 발명의 다른 실시예에 따른 뇌손상 수준에 따라 손상된 뇌에 대한 치료 및 조치를 결정하여 제시하는 방법의 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.
본 명세서에서 '컴퓨터'는 연산처리를 수행하여 사용자에게 결과를 시각적으로 제시할 수 있는 다양한 장치들이 모두 포함된다. 예를 들어, 컴퓨터는 데스크 탑 PC, 노트북(Note Book) 뿐만 아니라 스마트폰(Smart phone), 태블릿 PC, 셀룰러폰(Cellular phone), 피씨에스폰(PCS phone; Personal Communication Service phone), 동기식/비동기식 IMT-2000(International Mobile Telecommunication-2000)의 이동 단말기, 팜 PC(Palm Personal Computer), 개인용 디지털 보조기(PDA; Personal Digital Assistant) 등도 해당될 수 있다. 또한, 컴퓨터는 의료영상을 획득하거나 관찰하는 의료장비도 해당될 수 있다. 또한, 컴퓨터는 다양한 클라이언트 컴퓨터와 연결되는 서버 컴퓨터가 해당될 수 있다. 또한, 컴퓨터는 하나 이상의 장치로 이루어질 수도 있다.
본 명세서에서 '뇌전증 지속상태'는 외적으로 행동으로 표현되는지와 상관없이, 뇌손상을 일으키는 비정상적인 신경활동의 지속 또는 반복 발생여부를 기반으로 판단하는 것이다.
본 명세서에서 '뇌파 데이터'는 뇌의 활동에 따라 일어나는 전류 또는 그것을 도출·증폭하여 기록한 데이터이다. '뇌파 데이터'는 두피에 전극을 붙여 뇌의 전기적 활동을 기록하는 뇌파 검사(Electroencephalography; EEG)에 의해 파형 그래프의 형태로 획득된다.
본 명세서에서 '정량화 뇌파 데이터'는 두피 센서를 통해 추출한 뇌파를 아날로그 뇌파 신호로 추출한 후, 디지털 신호로 변환한 데이터이다. '정량화 뇌파 데이터'는 정량화 뇌파 검사(Quantitative electroencephalography, qEEG)에 의해 뇌 지도의 형태로 획득된다.
본 명세서에서 '근적외선 분광법(Near-infrared spectroscopy; NIRS) 데이터'는 두피 표면에 근적외선을 제공함에 따라 혈류 변화를 측정한 데이터를 의미한다.
이하, 도면을 참조하여 본 발명의 실시예들에 따른 뇌전증지속상태의 뇌손상 지표 산출방법 및 프로그램에 대해 설명하기로 한다.
본 발명의 실시예들에 따른 심층신경망(Deep Neural Network; DNN)은, 하나 이상의 컴퓨터 내에 하나 이상의 레이어(Layer)를 구축하여 복수의 데이터를 바탕으로 판단을 수행하는 시스템 또는 네트워크를 의미한다. 예를 들어, 심층신경망은 컨볼루션 풀링 층(Convolutional Pooling Layer), 로컬 접속 층(a locally-connected layer) 및 완전 연결 층(fully-connected layer)을 포함하는 층들의 세트로 구현될 수 있다. 컨볼루션 풀링 층 또는 로컬 접속 층은 영상 내 특징들을 추출하도록 구성될 수 있다. 완전 연결 층은 영상의 특징 간의 상관 관계를 결정할 수 있다. 일부 실시 예에서, 심층신경망의 전체적인 구조는 컨볼루션 풀링 층에 로컬 접속 층이 이어지고, 로컬 접속 층에 완전 연결 층이 이러지는 형태로 이루어질 수 있다. 심층신경망은 다양한 판단기준(즉, 파라미터(Parameter))를 포함할 수 있고, 입력되는 영상 분석을 통해 새로운 판단기준(즉, 파라미터)를 추가할 수 있다.
본 발명의 실시예들에 따른 심층신경망은, 영상분석에 적합한 콘볼루셔널 신경망이라고 부르는 구조로서, 주어진 영상 데이터들로부터 가장 분별력(Discriminative Power)가 큰 특징을 스스로 학습하는 특징 추출층(Feature Extraction Layer)와 추출된 특징을 기반으로 가장 높은 예측 성능을 내도록 예측 모델을 학습하는 예측층(Prediction Layer)이 통합된 구조로 구성될 수 있다.
특징 추출층은 영상의 각 영역에 대해 복수의 필터를 적용하여 특징 지도(Feature Map)를 만들어 내는 콘볼루션 층(Convolution Layer)과 특징 지도를 공간적으로 통합함으로써 위치나 회전의 변화에 불변하는 특징을 추출할 수 있도록 하는 통합층(Pooling Layer)을 번갈아 수 차례 반복하는 구조로 형성될 수 있다. 이를 통해, 점, 선, 면 등의 낮은 수준의 특징에서부터 복잡하고 의미 있는 높은 수준의 특징까지 다양한 수준의 특징을 추출해낼 수 있다.
콘볼루션 층은 입력 영상의 각 패치에 대하여 필 터와 국지 수용장(Local Receptive Field)의 내적에 비선형 활성 함수(Activation Function)을 취함으로 서 특징지도(Feature Map)을 구하게 되는데, 다른 네트워크 구조와 비교하여, CNN은 희소한 연결성 (Sparse Connectivity)과 공유된 가중치(Shared Weights)를 가진 필터를 사용하는 특징이 있다. 이러한 연결구조는 학습할 모수의 개수를 줄여주고, 역전파 알고리즘을 통한 학습을 효율적으로 만들어 결과적으로 예측 성능을 향상시킨다.
통합 층(Pooling Layer 또는 Sub-sampling Layer)은 이전 콘볼루션 층에서 구해진 특징 지도의 지역 정보를 활용하여 새로운 특징 지도를 생성한다. 일반적으로 통합 층에 의해 새로 생성된 특징지도는 원래의 특징 지도보다 작은 크기로 줄어드는데, 대표적인 통합 방법으로는 특징 지도 내 해당 영역의 최대값을 선택하는 최대 통합(Max Pooling)과 특징 지도 내 해당 영역의 평균값을 구하는 평균 통합(Average Pooling) 등이 있다. 통합 층의 특징지도는 일반적으로 이전 층의 특징 지도보다 입력 영상에 존재하는 임의의 구조나 패턴의 위치에 영향을 적게 받을 수 있다. 즉, 통합층은 입력 영상 혹은 이전 특징 지도에서의 노이즈나 왜곡과 같은 지역적 변화에 보다 강인한 특징을 추출할 수 있게 되고, 이러한 특징은 분류 성능에 중요한 역할을 할 수 있다. 또 다른 통합 층의 역할은, 깊은 구조상에서 상위의 학습 층으로 올라갈수록 더 넓은 영역의 특징을 반영할 수 있게 하는 것으로서, 특징 추출 층이 쌓이면서, 하위 층에서는 지역적인 특징을 반영하고 상위 층으로 올라 갈수록 보다 추상적인 전체 영상의 특징을 반영하는 특징 생성할 수 있다.
이와 같이, 콘볼루션 층과 통합 층의 반복을 통해 최종적으로 추출된 특징은 다중 신경망(MLP: Multi-layer Perception)이나 서포트 벡터 머신(SVM: Support Vector Machine)과 같은 분류 모델이 완전 연결 층(Fully-connected Layer)의 형태로 결합되어 분류 모델 학습 및 예측에 사용될 수 있다.
다만, 본 발명의 실시예들에 따른 심층신경망의 구조는 이에 한정되지 아니하고, 다양한 구조의 신경망으로 형성될 수 있다.
도 1은 본 발명의 일 실시예에 따른 뇌파 데이터를 이용한 뇌전증 지속상태 구간 도출 방법의 순서도이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 뇌전증 지속상태의 뇌손상 지표 산출방법은, 컴퓨터가 제1환자의 뇌파 데이터를 획득하는 단계(S111) 및 컴퓨터가 뇌파 데이터 상에서 제1뇌전증 지속상태 뇌파 데이터 구간을 도출하는 단계(S130)를 포함한다.
컴퓨터가 제1환자의 뇌파 데이터를 획득하는 단계(S111)는, 컴퓨터가 미리 정해진 일정 시간동안 제1환자의 뇌파 데이터를 획득하되, 뇌파 데이터는 미리 정해진 일정 구간으로 분할되어 있는 것이다.
미리 정해진 일정 구간은 뇌전증 지속상태를 판단하는 최소 단위시간 길이일 수 있고, 사용자가 임의대로 지정한 일정 구간일 수 있다.
다만, 미리 정해진 일정 구간은 후술하는 정량화 뇌파 데이터 또는 근적외선 분광법 데이터에 대하여도 뇌파 데이터의 분할 구간과 동일한 미리 정해진 일정 구간으로 분할하여야 한다.
컴퓨터가 뇌파 데이터 상에서 제1 뇌전증 지속상태 뇌파 데이터 구간을 도출하는 단계(S130)는, 컴퓨터가 뇌파 데이터 상의 파형 정보를 기반으로 하여 뇌파 데이터 상에서 뇌전증 지속상태에 해당하는 제1뇌전증 지속상태 뇌파 데이터 구간을 도출하는 것이다.
뇌파 데이터 상의 파형은 시각적으로 확인하면, 뇌전증 지속상태에 해당하는 구간을 파악할 수 있다. 뇌전증 지속상태에 해당하는 파형의 구간을 외부(예컨대, 의료진 등)로부터 입력 받거나, 컴퓨터 상에 미리 저장된 파형의 구간을 통하여, 해당 파형 구간을 뇌전증 지속상태에 해당하는 제1뇌전증 지속상태 뇌파 데이터 구간으로서 도출한다.
뇌전증 지속상태에 해당하는 파형의 구간을 외부로부터 입력 받는 것이란, 의료진 등이 기존에 알려진 뇌전증 지속상태에 상응하는 파형을 포함하는 구간에 대하여 레이블링(Labling)하는 것을 포함하고, 컴퓨터가 레이블링 된 구간을 추출하여 분류한다. 예컨대, 컴퓨터는 이미지 인식 방식으로 이미 파악된 파형이미지가 포함된 뇌파 데이터 구간을 추출한다.
의료진으로부터 뇌파 데이터에 대하여 뇌전증 지속상태에 해당되는 구간이 레이블링된 파형을 이용하여 뇌전증 지속상태에 해당되는 뇌파 데이터 구간을 도출하나, 뇌파 데이터만으로는 뇌전증 지속상태에 해당되는 구간에 대하여 판단이 되지 않는 구간이 있다.
따라서, 뇌파 데이터만으로 도출되지 않는 구간에 대하여는 보완하는 추가 데이터를 이용하여 뇌전증 지속상태에 해당하는 구간이 있는지 도출해 낼 수 있다.
도 2는 본 발명의 다른 실시예에 따른 뇌파 데이터만으로 도출되지 않는 구간에 대하여 정량화 뇌파 데이터를 이용하여 뇌전증 지속상태 구간을 도출하는 방법의 순서도이다.
도 2를 참조하면, 뇌전증 지속상태 구간을 도출하는 방법은, 컴퓨터가 제1 환자의 뇌파 데이터 및 정량화 뇌파 데이터를 획득하는 단계(S112), 컴퓨터가 제1 뇌전증 지속상태 뇌파 데이터 구간을 도출하는 단계(S130) 및 컴퓨터가 제2 뇌전증 지속상태 뇌파 데이터 구간을 도출하는 단계(S150)를 포함한다.
컴퓨터가 제1환자의 뇌파 데이터 및 정량화 뇌파 데이터를 획득하는 단계(S112)는 컴퓨터가 미리 정해진 일정 시간 동안 제1환자의 뇌파 데이터 및 정량화 뇌파 데이터를 획득하되, 뇌파 데이터 및 정량화 뇌파 데이터는 상호 매칭 가능하도록 미리 정해진 일정 구간으로 분할되어 있는 것이다.
컴퓨터가 제2뇌전증 지속상태 뇌파 데이터 구간을 도출하는 단계(S150)는 상술한 바와 같이, 컴퓨터가 뇌파 데이터 상의 파형 정보만으로는 뇌전증 지속상태에 해당되는지 여부가 도출되지 않는 구간에 대하여, 추가 데이터인 정량화 뇌파 데이터 상의 정보를 기반으로, 정량화 뇌파 데이터 상에서 뇌전증 지속상태인 구간으로 파악되는 부분의 구간과 매칭되는 뇌파 데이터 구간을 추출하여, 뇌파 데이터 구간을 뇌전증 지속상태 구간인 제2뇌전증 지속상태 뇌파 데이터로서 도출하는것이다.
정량화 뇌파 데이터는, 스펙트럼, 비선형적 동적분석, 프랙탈 분석, 뉴로메트릭스 분석 등 다양한 분석법에 의해 분석될 수 있으며, 정량화 뇌파 데이터 상의 정보는 다양한 분석법에 의해 획득된 정량화 뇌파 데이터 상의 정보가 모두 포함될 수 있다.
정량화 뇌파 데이터 상의 정보를 기반으로 뇌파 데이터 만으로는 파악할 수 없는 뇌전증 지속상태에 해당되는 뇌파 데이터 구간을 도출함으로써, 뇌파 데이터의 파형 정보를 보완하여 뇌전증 지속상태에 해당여부에 대하여 보다 더 정확하게 파악할 수 있다.
또한, 뇌파 데이터와 정량화 뇌파 데이터는 상호 보완 가능한 것으로서, 정량화 뇌파 데이터에 대하여, 정량화 뇌파 데이터 상의 정보로 파악되지 않는 구간에 대하여는 뇌파 데이터의 파형 정보를 기반으로 하여 뇌전증 지속상태에 해당되는지 여부를 도출할 수 있다.
정량화 뇌파 데이터를 기준으로 하여 뇌전증 지속상태 해당 여부를 도출한다면, 정량화 뇌파 데이터의 정보를 기반으로 하여 뇌전증 지속상태에 해당하는 구간을 도출하고, 정량화 뇌파 데이터의 정보로 도출되지 않는 부분의 경우에는, 뇌파 데이터의 파형 정보를 이용하여 뇌파 데이터 상에서 뇌전증 지속상태로 파악되는 구간과 매칭되는 정량화 뇌파 데이터 구간을 추출하여 도출할 수 있다.
도출된 데이터들은, 뇌전증 지속상태 도출을 위한 학습 데이터로서 활용될 수 있으며, 따라서 컴퓨터는 뇌파 데이터에 대하여, 제1뇌전증 지속상태 뇌파 데이터 및 제2뇌전증 지속상태 뇌파 데이터를 뇌전증 지속상태의 특징값으로 학습한다.
반복적인 학습으로, 뇌파 데이터만을 가지고도 각 구간이 뇌전증 지속상태에 해당되는지 여부에 대하여 정확하게 파악할 수 있다.
도 3은 본 발명의 다른 실시예에 따른 근적외선 분광법 데이터를 이용하여 뇌전증 지속상태 여부를 판단하는 방법의 순서도이다.
도 3을 참조하면, 근적외선 분광법 데이터를 이용하여 뇌전증 지속상태 여부를 판단하는 방법은, 컴퓨터가 제1환자의 뇌파 데이터, 정량화 뇌파 데이터 및 제1근적외선 분광법 데이터를 획득하는 단계(S113), 컴퓨터가 제1뇌전증 지속상태 뇌파 데이터 구간을 도출하는 단계(S130), 컴퓨터가 제2뇌전증 지속상태 뇌파 데이터 구간을 도출하는 단계(S150), 컴퓨터가 뇌전증 지속상태에 대한 제1근적외선 분광법 데이터의 특징을 도출하는 단계(S170) 및 컴퓨터가 제2환자에 대한 뇌전증 지속상태 여부를 판단하는 단계(S190)를 포함한다.
컴퓨터가 제1환자의 뇌파 데이터, 정량화 뇌파 데이터 및 제1근적외선 분광법 데이터를 획득하는 단계(S113)는, 컴퓨터가 제1환자의 미리 정해진 일정 시간 동안 뇌파 데이터, 정량화 뇌파 데이터 및 근적외선 분광법을 이용하여 제1근적외선 분광법 데이터를 획득하되, 뇌파 데이터, 정량화 뇌파 데이터 및 제1근적외선 분광법 데이터는 상호 매칭 가능하도록 일정 구간 분할되어 있는 것이다.
컴퓨터가 뇌전증 지속상태에 대한 제1근적외선 분광법 데이터의 특징을 도출하는 단계(S170)는, 컴퓨터가 제1근적외선 분광법 데이터에 대하여, 제1 뇌전증 지속상태 뇌파 데이터 및 제2뇌전증 지속상태 뇌파 데이터와 매칭하여, 뇌전증 지속상태에 대한 제1근적외선 데이터의 특징을 도출하는 것이다.
즉, 뇌전증 지속상태에 대한 제1근적외선 분광법 데이터의 특징은 뇌파 데이터 및 정량화 뇌파 데이터를 이용하여 도출된 뇌전증 지속상태 구간과 매칭함으로써 획득되는 것이다.
컴퓨터가 제2환자에 대한 뇌전증 지속상태 여부를 판단하는 단계(S190)는, 컴퓨터가 제1근적외선 분광법 데이터의 특징을 기반으로 하여 제2환자로부터 획득된 제2근적외선 분광법 데이터에 대하여 제2환자에 대한 뇌전증 지속상태 여부를 판단하는 것이다.
도출된 뇌전증 지속상태에 대한 제1근적외선 분광법 데이터의 특징을 기반으로 함으로써 새로운 환자의 제2근적외선 분광법 데이터만을 이용하여 뇌전증 지속상태에 해당하는지 확인할 수 있다.
도출된 데이터들은, 뇌전증 지속상태 도출을 위한 학습 데이터로서 활용될 수 있으며, 따라서 컴퓨터는 뇌파 데이터에 대하여, 제1뇌전증 지속상태 뇌파 데이터, 제2뇌전증 지속상태 뇌파 데이터 및 뇌전증 지속상태에 대한 제1근적외선 분광법 데이터의 특징을 뇌전증 지속상태의 특징값으로 학습한다.
반복적인 학습으로, 뇌파 데이터만을 가지고도 각 구간이 뇌전증 지속상태에 해당되는지 여부에 대하여 정확하게 파악할 수 있다.
도 4는 동일 환자에 대한 정량화 뇌파 데이터 그래프와 근적외선 분광법 데이터 그래프를 매칭시킨 결과를 나타낸 도면이다.
도 4의 (a) 및 (b)는 각각 다른 구간에 대한 그래프를 나타내는 것이고, 하나의 구간이 아닌 각 구간마다 동일하게 적용됨을 보여주기 위하여 나타낸 도면이다. 따라서, 도 4의 (a) 도면을 기초로 설명한다.
도 4의 (a)에서 위에 개시된 도면은 근적외선 분광법 데이터 그래프에 해당되며, 도 4의 (a)에서 아래에 개시된 도면은 정량화 뇌파 데이터 그래프에 해당된다.
근적외선 분광법 데이터 그래프 상에는 옥시 헤모글로빈(oxyhemoglobin) 값을 나타내는 데이터(10)와, 디옥시 헤모글로빈(deoxyhemoglobin) 값을 나타내는 데이터(20)가 나타나 있다.
각 그래프에서 띠의 형태로 표시된 부분은, 각각이 매칭되는 부분으로서 표시한 부분에 해당된다.
정량화 뇌파 데이터 그래프 상에서 실선으로 표현된 값들은 오른쪽 및 왼쪽 반구의 뇌파를 피크 인벨로프(PeakEnvelope)로 표현된 정량화 뇌파 데이터(qEEG)값으로 나타낸 것이다.
근적외선 분광법 데이터 그래프 상의 띠 내의 값을 살펴보면, 옥시 헤모글로빈 값이 증가한 부분에 해당되고, 정량화 뇌파 데이터 그래프 상의 띠 내의 값을 살펴보면, 피크 인벨로프(PeakEnvelope)로 표현된 정량화 뇌파 데이터(qEEG)값이 상승되는 부분에 해당됨을 확인할 수 있다.
각 그래프 상의 띠에 해당되는 정량화 뇌파 데이터와 근적외선 분광법 데이터가 상승하는 구간은, 실제로 혈류역학적인(hemodynamic) 변화가 뇌에서도 일어나고 있다는 것을 확인하였다.
이와 같은 결과는 도 4의 (b)에서도 상승 구간에서 반복적인 결과가 도출되는 것으로 확인되어, 정량화 뇌파 데이터 값과 근적외선 분광법 데이터 값이 상승하는 구간을 확인하여, 뇌전증 지속상태에 해당되는지 여부를 정확하게 파악할 수 있다.
또한, 나아가 정량화 뇌파 데이터 값 없이도, 근적외선 분광법 데이터 값만으로서, 상승하는 구간을 통해 뇌전증 지속상태에 해당되는 여부를 정확하게 파악할 수 있다.
도 5는 본 발명의 다른 실시예에 따른 뇌손상 수준을 예측하는 방법의 순서도이다.
도 5를 참조하면, 뇌손상 수준을 예측하는 방법은, 컴퓨터가 제1환자의 뇌파 데이터 및 정량화 뇌파 데이터를 획득하는 단계(S112), 컴퓨터가 제1뇌전증 지속상태 뇌파 데이터 구간을 도출하는 단계(S130), 컴퓨터가 제2뇌전증 지속상태 뇌파 데이터 구간을 도출하는 단계(S150), 컴퓨터가 뇌 영상 데이터 또는 의식상태 데이터 중 적어도 하나를 획득하는 단계(S210) 및 컴퓨터가 뇌파 데이터에 대한 뇌손상 수준을 예측하는 단계(S230)를 포함한다.
컴퓨터가 뇌 영상 데이터 또는 의식상태 데이터 중 적어도 하나를 획득하는 단계(S210)는, 컴퓨터가 미리 정해진 일정시간 동안 뇌 영상 데이터 또는 의식상태 데이터 중 적어도 하나를 획득하는 것이다.
뇌 영상 데이터는, 컴퓨터 단층촬영(Computed Tomography, CT), 자기공명영상(Magnetic Resonance Imaging, MRI), 양성자 단층촬영(Positron Emission Tomography, PET) 및 뇌자도(Magnetoencephalography, MEG)에 의해 획득된 영상 데이터를 모두 포함할 수 있다.
의식상태 데이터는, 의식상태를 평가하는 도구(Glasgow coma scale, GCS)를 이용한 결과값을 포함한다.
컴퓨터가 뇌파 데이터에 대한 뇌손상 수준을 예측하는 단계(S230)는, 컴퓨터가 뇌 영상 데이터 또는 의식상태 데이터 중 적어도 하나와, 제1뇌전증 지속상태 뇌파 데이터 및 제2 뇌전증 지속상태 뇌파 데이터를 매칭하여 학습함에 따라, 뇌파 데이터에 대한 뇌손상 수준을 예측하는 것이다.
뇌손상 수준을 예측하는 방법은, 시간당 뇌전증 지속상태에 해당하는 특징이 얼마나 있는지를 기반으로 하여 뇌상태를 판단할 수 있다.
뇌상태를 시각적으로 확인할 수 있는 뇌 영상 데이터와 의식 상태를 수치적으로 나타낸 의식상태 데이터 중 적어도 하나를 이용하여 뇌파 데이터 상에서 뇌전증 지속상태에 해당하는 구간에 대하여 매칭하며 뇌상태에 대하여 보다 더 정확하게 판단할 수 있다.
또한, 뇌손상 수준은 뇌전증 지속상태에 따라 경련파의 형태, 경련파의 발생횟수, 빈도, 시간간격 등을 반영하여 환자의 정확한 뇌손상 수준을 산출할 수도 있다.
나아가, 판단한 뇌상태에 대하여 뇌손상의 수준을 지표로서 제시할 수도 있다.
일 실시예로, 뇌손상의 수준을 지표로 나타내는 뇌손상정도의 지표는 발작 기간 동안의 혈류역학적인 변화 정도에 따른 것으로, 하기의 수학식 1에 의할 수 있다.
<수학식 1>
Figure 112021124150000-pat00001
NIRSt는 근적외선 분광법으로 측정된 혈류역학적인 변화 정도이며, t는 변화가 지속되는 시간에 해당된다.
NIRSt값은 미리 정해진 일정 시간 기준으로 하여 발작이 있었는지 유무의 결과를 합하는 것이다. 미리 정해진 일정 시간은 가장 정확하게 판단할 수 있는 시간 기준에 의할 수 있으며, 바람직하게는 10초를 기준으로 할 수 있다.
도 6은 본 발명의 다른 실시예에 따른 뇌손상 수준을 지표로서 생성하여 제시하는 방법의 순서도이다.
도 6을 참조하면, 뇌손상 수준을 지표로서 생성하여 제시하는 방법은, 컴퓨터가 뇌전증 지속상태의 특정 뇌파구간 발생 후에 임상학적 변화를 학습하여 뇌 손상의 수준을 지표로서 생성하여 제시하는 단계(S250)를 더 포함한다.
도 5에서 상술한 뇌손상의 수준에 대하여 예측한 것을 기반으로 하여 뇌손상의 수준을 지표로서 생성한다.
즉, 컴퓨터는 신규 환자의 뇌파 데이터에 대해 뇌손상 지표를 산출하여 제공할 수 있는 학습모델을 구축한다. 일 실시예로, 뇌손상지표는 미리 정해진 수치범위 내의 값으로 산출되는 것일 수 있다. 예를 들어, 뇌손상이 되지 않은 상태를 0으로 하고, 뇌 전체 또는 뇌의 특정범위 전체가 손상된 상태를 100으로 하여, 컴퓨터는 각 환자의 뇌파 데이터를 기반으로 뇌손상 상태를 0부터 100사이의 값으로 산출하여 제공되도록 학습모델을 구축한다.
도 7은 본 발명의 다른 실시예에 따른 뇌손상 수준에 따라 손상된 뇌에 대한 치료 및 조치를 결정하여 제시하는 방법의 순서도이다.
도 7을 참조하면, 뇌손상 수준에 따라 손상된 뇌에 대한 치료 및 조치를 결정하여 제시하는 방법은, 컴퓨터가 뇌손상 수준에 따라 뇌에 대한 치료 및 조치를 결정하여 제시하는 단계(S270)를 더 포함한다.
뇌손상 수준을 예측한 이후에는, 뇌손상 수준에 따른 뇌에 대한 각종 치료나 조치를 제시하여 준다. 컴퓨터가 제공하는 치료 및 조치는, 의료진으로부터 미리 입력받은 뇌손상 수준에 따른 치료나 조치일 수 있고, 각 뇌손상 수준에 따라 치료나 조치에 대한 결과 값을 학습하여 가장 적절한 치료나 조치를 제공하는 것을 포함할 수 있다.
예컨대, 컴퓨터는 뇌손상 수준에 따라 마취약제를 넣는 양을 결정할 수 있다.
또한, 본 발명의 일 실시예에 따른 뇌전증 지속상태의 뇌손상 지표 산출방법은, 컴퓨터가 뇌파 데이터별 뇌전증 지속상태 원인질환 기준을 생성하는 단계 및 컴퓨터가 신규 환자의 연속적으로 획득되는 뇌파데이터를 기반으로 학습모델을 통해 뇌전증 지속상태의 발생원인을 판단하여 제공하는 단계를 더 포함한다.
뇌전증 지속상태는 일반적인 뇌전증뿐만 아니라 뇌졸중, 뇌염 (특히, 자가면역성 뇌염), 치매, 간성혼수 등 다양한 질환에서 발생한다. 뇌전증지속상태가 오래 지속되면 심각한 뇌손상이 발생하게 되므로, 발생원인에 대한 빠른 조치가 필요하다. 따라서, 기존에 뇌전증 지속상태의 발생원인을 알고 있는 환자의 뇌파 데이터를 심층신경망으로 학습하고, 신규 환자의 뇌파 데이터에 대해 뇌전증 지속상태 발생원인을 예측할 수 있다.
이를 위해, 컴퓨터는 뇌파 데이터에 대한 제1뇌전증 지속상태 뇌파 데이터 및 제2뇌전증 지속상태 뇌파 데이터에 각 환자의 내원 원인을 기반으로 결정된 뇌전증 지속상태 발생원인 데이터를 더 포함하여 학습데이터셋으로서 학습할 수 있다.
일실시예로, 컴퓨터는 뇌손상지표 산출과 별개로 뇌전증 지속상태 발생원인 데이터를 포함하는 학습데이터셋을 이용하여 뇌전증 지속상태 원인예측모델을 구축할 수 있다. 모든 환자에 대해 뇌전증 지속상태 발생원인을 알고 있지 않아서, 뇌손상 지표 산출에 이용되는 데이터량과 뇌전증 지속상태 원인예측모델에 이용가능한 데이터량에 차이가 존재할 수 있으므로, 별도로 학습을 수행할 수 있다.
또한, 발생원인뿐만 아니라, 뇌전증 지속상태 발생 후의 예후를 학습데이터로서 활용하여 학습하여 예후에 대한 학습 모델을 구축할 수 있다.
뇌전증 지속상태 발생 후의 예후는 미리 정해진 시간 단위에 따라 분류되어 활용될 수 있다.
이상에서 전술한 본 발명의 일 실시예에 따른 뇌전증지속상태의 뇌손상 지표 산출방법은, 하드웨어인 컴퓨터와 결합되어 실행되기 위해 프로그램(또는 어플리케이션)으로 구현되어 매체에 저장될 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.
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.

Claims (6)

  1. 컴퓨터가 미리 정해진 일정 시간 동안 제1환자의 뇌파 데이터 및 정량화 뇌파 데이터를 획득하되, 상기 뇌파 데이터 및 정량화 뇌파 데이터는 상호 매칭 가능하도록 미리 정해진 일정 구간으로 분할되어 있는 것인, 데이터 획득단계;
    상기 컴퓨터가 상기 뇌파 데이터 상의 파형 정보를 기반으로 하여 상기 뇌파 데이터 상에서 뇌전증 지속상태에 해당하는 구간을 도출하여 제1뇌전증 지속상태 뇌파 데이터를 획득하는 단계;
    상기 컴퓨터가 상기 파형 정보를 기반으로 하여 상기 뇌파 데이터 상에서 상기 뇌전증 지속상태에 해당하는지 여부가 도출되지 않는 구간에 대하여, 상기 정량화 뇌파 데이터 상의 정보를 기반으로 하여 상기 정량화 뇌파 데이터 상에서 상기 뇌전증 지속상태에 해당하는 구간과 매칭되는 뇌파 데이터 구간을 도출하여 제2뇌전증 지속상태 뇌파 데이터를 획득하는 단계;
    상기 컴퓨터가 상기 미리 정해진 일정 시간 동안 뇌 영상 데이터 또는 의식상태데이터 중 적어도 하나를 획득하는 단계;
    상기 컴퓨터가 상기 뇌 영상 데이터 또는 의식상태데이터 중 적어도 하나와, 상기 제1뇌전증 지속상태 뇌파 데이터 및 상기 제2뇌전증 지속상태 뇌파 데이터를 매칭하여 학습함에 따라, 상기 뇌파 데이터에 대한 뇌손상 수준을 예측하는, 뇌손상 수준 예측 단계; 및
    상기 컴퓨터가 예측된 상기 뇌손상 수준에 따라 손상된 뇌에 대한 치료 및 조치를 결정하여 제시하는 단계를 포함하는,
    뇌에 대한 치료 및 조치 결정 방법.
  2. 제1항에 있어서,
    상기 컴퓨터가 제1근적외선 분광법 데이터에 대하여, 상기 제1뇌전증 지속상태 뇌파 데이터 및 상기 제2뇌전증 지속상태 뇌파 데이터와 매칭하여, 뇌전증 지속상태에 대한 제1근적외선 분광법 데이터의 특징을 도출하는 단계; 및
    상기 제1근적외선 분광법 데이터의 특징을 기반으로 하여 제2환자로부터 획득된 제2근적외선 분광법 데이터를 기반으로서, 상기 제2환자에 대한 뇌전증 지속상태 여부를 판단하는 단계를 더 포함하고,
    상기 데이터 획득단계는,
    상기 컴퓨터가 상기 제1환자의 상기 미리 정해진 일정 시간 동안 근적외선 분광법을 이용하여 제1근적외선 분광법 데이터를 획득하는 것을 더 포함하되, 상기 제1근적외선 분광법 데이터는, 상기 뇌파 데이터 및 상기 정량화 뇌파 데이터와 상호 매칭 가능하도록 일정 구간 분할되어 있는 것인,
    뇌에 대한 치료 및 조치 결정 방법.
  3. 제1항에 있어서,
    상기 컴퓨터가 상기 뇌파 데이터에 대하여, 상기 제1뇌전증 지속상태 뇌파 데이터 및 상기 제2뇌전증 지속상태 뇌파 데이터를 뇌전증 지속상태의 특징값으로 학습하는 단계를 더 포함하는,
    뇌에 대한 치료 및 조치 결정 방법.
  4. 제2항에 있어서,
    상기 컴퓨터가 상기 뇌파 데이터에 대하여, 상기 제1뇌전증 지속상태 뇌파 데이터, 상기 제2뇌전증 지속상태 뇌파 데이터 및 도출된 상기 뇌전증 지속상태에 대한 제1근적외선 분광법 데이터의 특징을 특징값으로 학습하는 단계를 더 포함하는,
    뇌에 대한 치료 및 조치 결정 방법.
  5. 제1항에 있어서,
    상기 컴퓨터가 상기 학습하는 단계에 의해 도출된 뇌전증 지속상태의 특정 뇌파구간 발생 후에 임상학적 변화를 학습하여 뇌손상의 수준을 뇌손상 지표로서 생성하여 제시하는 단계를 더 포함하는,
    뇌에 대한 치료 및 조치 결정 방법.
  6. 하드웨어인 컴퓨터와 결합되어, 제1항 내지 제5항 중 어느 하나의 항에 따른 뇌에 대한 치료 및 조치 결정 방법을 실행시키기 위해 컴퓨터 판독 가능 기록매체에 저장된 컴퓨터 프로그램.
KR1020210145684A 2019-02-07 2021-10-28 뇌에 대한 치료 및 조치 결정 방법 및 프로그램 KR102406389B1 (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
KR20190014596 2019-02-07
KR1020190014596 2019-02-07
KR1020190131581A KR102321395B1 (ko) 2019-02-07 2019-10-22 뇌전증 지속상태의 뇌손상 지표 산출 방법 및 프로그램

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
KR1020190131581A Division KR102321395B1 (ko) 2019-02-07 2019-10-22 뇌전증 지속상태의 뇌손상 지표 산출 방법 및 프로그램

Publications (2)

Publication Number Publication Date
KR20210134274A KR20210134274A (ko) 2021-11-09
KR102406389B1 true KR102406389B1 (ko) 2022-06-08

Family

ID=72265764

Family Applications (2)

Application Number Title Priority Date Filing Date
KR1020190131581A KR102321395B1 (ko) 2019-02-07 2019-10-22 뇌전증 지속상태의 뇌손상 지표 산출 방법 및 프로그램
KR1020210145684A KR102406389B1 (ko) 2019-02-07 2021-10-28 뇌에 대한 치료 및 조치 결정 방법 및 프로그램

Family Applications Before (1)

Application Number Title Priority Date Filing Date
KR1020190131581A KR102321395B1 (ko) 2019-02-07 2019-10-22 뇌전증 지속상태의 뇌손상 지표 산출 방법 및 프로그램

Country Status (1)

Country Link
KR (2) KR102321395B1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102321395B1 (ko) * 2019-02-07 2021-11-03 재단법인 아산사회복지재단 뇌전증 지속상태의 뇌손상 지표 산출 방법 및 프로그램
KR102578089B1 (ko) 2021-06-25 2023-09-13 임인종 뇌전증 모니터링 장치 및 이를 포함하는 뇌전증 모니터링 플랫폼

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101283479B1 (ko) * 2012-04-05 2013-07-12 서울대학교산학협력단 연결성 분석을 이용한 뇌 병소의 국지화 장치 및 방법
KR20190059377A (ko) 2017-11-23 2019-05-31 주식회사 아이메디신 뇌파 분석을 통한 외상성 뇌손상 평가 시스템 및 방법
KR102321395B1 (ko) * 2019-02-07 2021-11-03 재단법인 아산사회복지재단 뇌전증 지속상태의 뇌손상 지표 산출 방법 및 프로그램

Also Published As

Publication number Publication date
KR20200097192A (ko) 2020-08-18
KR20210134274A (ko) 2021-11-09
KR102321395B1 (ko) 2021-11-03

Similar Documents

Publication Publication Date Title
KR102406389B1 (ko) 뇌에 대한 치료 및 조치 결정 방법 및 프로그램
CN108186011B (zh) 房颤检测方法、装置及可读存储介质
Hammad et al. Deep learning models for arrhythmia detection in IoT healthcare applications
AU2020349425A1 (en) Systems and methods for seizure prediction and detection
Lima et al. Kernel machines for epilepsy diagnosis via EEG signal classification: A comparative study
US8693788B2 (en) Assessing features for classification
Sharmila et al. Wavelet-based feature extraction for classification of epileptic seizure EEG signal
US11317840B2 (en) Method for real time analyzing stress using deep neural network algorithm
KR102141185B1 (ko) 확률모델 및 기계학습과 함께 특징추출을 이용한 뇌전도 신호의 멀티 주파수 대역 계수 기반 간질 발작파 검출 시스템
Azami et al. Entropy analysis of univariate biomedical signals: Review and comparison of methods
CN115337018B (zh) 基于整体动态特征的心电信号分类方法及系统
Abbaszadeh et al. Probabilistic prediction of Epileptic Seizures using SVM
CN113662560A (zh) 发作间期痫样放电的检测方法、存储介质和设备
Shayeste et al. Automatic seizure detection based on Gray Level Co-occurrence Matrix of STFT imaged-EEG
Santoso et al. Epileptic EEG signal classification using convolutional neural network based on multi-segment of EEG signal
Chourasia et al. ECG heartbeat classification using CNN
Shah et al. Analysis of EEG for Parkinson’s Disease Detection
KR101998114B1 (ko) 심박변이도 파라미터 선택을 이용한 일상생활의 스트레스 모니터링 방법
CN117017297A (zh) 驾驶员疲劳的预测和识别模型建立方法及其应用
Srivastava et al. Fuzzy entropy based seizure detection algorithms for eeg data analysis
Desai et al. Transfer-learning for differentiating epileptic patients who respond to treatment based on chronic ambulatory ECoG data
Al-hajjar et al. Epileptic seizure detection using feature importance and ML classifiers
CN113197545B (zh) 基于图注意力残差网络与焦点损失的癫痫检测系统
KR102426291B1 (ko) 머신러닝을 이용한 고혈압 예측시스템에서 수행되는 고혈압 예측방법 및 시스템, 이를 수행하는 컴퓨터 프로그램
Kim et al. Detection of R-peaks in ECG signal by adaptive linear neuron (ADALINE) artificial Neural Network

Legal Events

Date Code Title Description
A107 Divisional application of patent
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant