KR102439690B1 - 학습한 컨텐츠의 기억 유지 기간을 예측하는 방법 및 장치 - Google Patents

학습한 컨텐츠의 기억 유지 기간을 예측하는 방법 및 장치 Download PDF

Info

Publication number
KR102439690B1
KR102439690B1 KR1020220003397A KR20220003397A KR102439690B1 KR 102439690 B1 KR102439690 B1 KR 102439690B1 KR 1020220003397 A KR1020220003397 A KR 1020220003397A KR 20220003397 A KR20220003397 A KR 20220003397A KR 102439690 B1 KR102439690 B1 KR 102439690B1
Authority
KR
South Korea
Prior art keywords
subject
learning
pattern similarity
content
patterns
Prior art date
Application number
KR1020220003397A
Other languages
English (en)
Inventor
이수현
권민재
Original Assignee
한국과학기술원
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 한국과학기술원 filed Critical 한국과학기술원
Priority to KR1020220003397A priority Critical patent/KR102439690B1/ko
Application granted granted Critical
Publication of KR102439690B1 publication Critical patent/KR102439690B1/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
    • A61B5/40—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
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • 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
    • A61B5/4058—Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
    • A61B5/4064—Evaluating the brain
    • 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
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • 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
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders

Landscapes

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

Abstract

학습한 컨텐츠의 기억 유지 기간을 예측하는 방법이 개시된다. 개시된 방법은, 피험자를 대상으로 제1 학습 컨텐츠에 관해 학습과 테스트를 수행하면서 상기 피험자를 대상으로 하여 획득된 일련의 제1 뇌신경활성패턴들을 입력받는 단계, 상기 피험자를 대상으로 제2 학습 컨텐츠에 관해 학습과 테스트를 수행하면서 상기 피험자를 대상으로 하여 획득된 일련의 제2 뇌신경활성패턴들을 입력받는 단계 - 상기 제1 학습 컨텐츠 및 상기 제2 학습 컨텐츠는 연관 컨텐츠 쌍을 구성함 -, 상기 제1 뇌신경활성패턴들과 상기 제2 뇌신경활성패턴들 간의 패턴 유사도 값들을 산출하는 단계, 및 상기 패턴 유사도 값들을 기초로 상기 연관 컨텐츠 쌍에 대한 기억 유지 기간을 예측하는 단계를 포함할 수 있다.

Description

학습한 컨텐츠의 기억 유지 기간을 예측하는 방법 및 장치{Method and Apparatus for Predicting a Memory Maintenance Period for a Learned Content}
아래의 개시는 기억의 유지 기간을 예측하는 기술에 관한 것이다.
최근 기억 능력이 저하된 치매 등의 질환 환자를 위하여 다양한 기억 능력 진단 방법이 개발되고 있다. 이러한 진단 방법들은 치매 증상을 예측하는 것뿐만 아니라 치료 후 향상 정도 측정 등에도 이용될 수 있다. 종래의 기억 능력 관련 기술들은 전반적인 기억 능력 향상 혹은 인지 능력 향상에 초점을 맞추고 있으며, 학습 후 행동과제 기반의 기억 인출 테스트를 통해서만 기억 능력의 확인이 가능했다. 따라서 환자 혹은 대상자가 학습과 기억 인출 테스트를 위해 두 번 이상 방문해야 하고, 컨텐츠를 학습 중에 그 컨텐츠가 기억될지 여부를 바로 피드백하기가 불가능하며, 기억 인출 테스트 후에야 피드백을 줄 수 있기 때문에 피드백의 효과가 떨어지는 등 장기간에 걸친 비효율성이 한계로 존재하였다. 또한, 기억 능력 측정에 행동 기반 테스트를 사용하였기 때문에 기억 향상 및 삽입 기술에 이용할 수 있는 신경 기전을 제공하지 못하였다.
관련 선행기술로, 한국 공개특허공보 제10-2019-0049063호가 있다.
본 개시에 의해 해결하고자 하는 과제는 학습한 컨텐츠에 대한 기억 지속 여부를 학습 직후 바로 예측할 수 있도록 하는 기억 유지 기간 예측 방법 및 장치를 제공하는 것이다.
본 개시에 의해 해결하고자 하는 과제는 이상에서 언급한 과제들에 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
본 개시의 일 특징에 따르면, 학습한 컨텐츠의 기억 유지 기간을 예측하는 방법이 제공된다. 본 방법은, 피험자를 대상으로 제1 학습 컨텐츠에 관해 학습과 테스트를 수행하면서 상기 피험자를 대상으로 하여 획득된 일련의 제1 뇌신경활성패턴들을 입력받는 단계, 상기 피험자를 대상으로 제2 학습 컨텐츠에 관해 학습과 테스트를 수행하면서 상기 피험자를 대상으로 하여 획득된 일련의 제2 뇌신경활성패턴들을 입력받는 단계 - 상기 제1 학습 컨텐츠 및 상기 제2 학습 컨텐츠는 연관 컨텐츠 쌍을 구성함 -, 상기 제1 뇌신경활성패턴들과 상기 제2 뇌신경활성패턴들 간의 패턴 유사도 값들을 산출하는 단계, 및 상기 패턴 유사도 값들을 기초로 상기 연관 컨텐츠 쌍에 대한 기억 유지 기간을 예측하는 단계를 포함할 수 있다.
일 실시예에서, 상기 피험자를 대상으로 제1 학습 컨텐츠에 관해 학습과 테스트를 수행하면서 상기 피험자를 대상으로 하여 획득된 일련의 제1 뇌신경활성패턴들을 입력받는 단계는, 상기 피험자를 대상으로 상기 제1 학습 컨텐츠에 관해 학습을 수행하면서 상기 피험자의 뇌를 촬영하여 획득된 제1 기저수준(basal level) 패턴을 입력받는 단계, 및 상기 피험자를 대상으로 상기 제1 학습 컨텐츠에 관해 복수의 테스트를 수행하면서 상기 피험자의 뇌를 촬영하여 획득한 제1 테스트활성패턴들을 입력받는 단계를 포함한다.
일 실시예에서, 상기 피험자를 대상으로 제2 학습 컨텐츠에 관해 학습과 테스트를 수행하면서 상기 피험자를 대상으로 하여 획득된 일련의 제2 뇌신경활성패턴들을 입력받는 단계는, 상기 피험자를 대상으로 상기 제2 학습 컨텐츠에 관해 학습을 수행하면서 상기 피험자의 뇌를 촬영하여 획득한 제2 기저수준 패턴을 입력받는 단계, 및 상기 피험자를 대상으로 상기 제2 학습 컨텐츠에 관해 복수의 테스트를 수행하면서 상기 피험자의 뇌를 촬영하여 획득한 제2 테스트활성패턴들을 입력받는 단계를 포함한다.
일 실시예에서, 상기 제1 뇌신경활성패턴들과 상기 제2 뇌신경활성패턴들 간의 패턴 유사도 값들을 산출하는 단계는, 상기 제1 기저수준 패턴과 상기 제2 기저수준 패턴 간의 기저수준 패턴 유사도 값을 산출하는 단계, 및 상기 제1 테스트활성패턴들 및 제2 테스트활성패턴들 간의 테스트활성패턴 유사도 값들을 산출하는 단계 - 상기 테스트활성패턴 유사도 값들의 각각은 상기 제1 테스트활성패턴들 중 어느 하나와 상기 제2 테스트활성패턴들 중 대응하는 어느 하나 간의 유사도 값임 - 를 포함한다.
일 실시예에서, 상기 패턴 유사도 값들을 기초로 상기 연관 컨텐츠 쌍에 대한 기억 유지 기간을 예측하는 단계는, 상기 테스트활성패턴 유사도 값들 중 적어도 하나가 상기 기저수준 패턴 유사도 값 보다 선정된 값 이상 큰 경우 상기 연관 컨텐츠 쌍을 장기 기억 컨텐츠로 분류하는 단계를 포함한다.
일 실시예에서, 상기 패턴 유사도 값들을 기초로 상기 연관 컨텐츠 쌍에 대한 기억 유지 기간을 예측하는 단계는, 상기 테스트활성패턴 유사도 값들 중 마지막 테스트활성패턴 유사도 값을 포함하는 적어도 하나의 테스트활성패턴 유사도 값이 상기 기저수준 패턴 유사도 값 보다 선정된 값 이상 큰 경우 상기 연관 컨텐츠 쌍을 특정 기간 이상 유지되는 장기 기억 컨텐츠로 분류하는 단계를 포함한다.
일 실시예에서, 상기 테스트활성패턴 유사도 값들 중 적어도 하나가 상기 기저수준 패턴 유사도 값 보다 선정된 값 이상 큰 경우 상기 연관 컨텐츠 쌍을 장기 기억 컨텐츠로 분류하는 단계는, 상기 테스트활성패턴 유사도 값들 중 제3 테스트활성패턴 유사도 값 또는 제4 테스트활성패턴 유사도 값이 상기 기저수준 패턴 유사도 값 보다 선정된 값 이상 큰 경우 상기 연관 컨텐츠 쌍을 장기 기억 컨텐츠로 분류하는 단계를 포함한다.
일 실시예에서, 상기 테스트활성패턴 유사도 값들 중 마지막 테스트활성패턴 유사도 값을 포함하는 적어도 하나의 테스트 활성 패턴 유사도 값이 상기 기저수준 패턴 유사도 값 보다 선정된 값 이상 큰 경우 상기 연관 컨텐츠 쌍을 특정 기간 이상 유지되는 장기 기억 컨텐츠로 분류하는 단계는, 상기 테스트활성패턴 유사도 값들 중 제4 테스트활성패턴 유사도 값이 상기 기저수준 패턴 유사도 값 보다 선정된 값 이상 큰 경우 상기 연관 컨텐츠 쌍을 특정 기간 이상 유지되는 장기 기억 컨텐츠로 분류하는 단계를 포함한다.
일 실시예에서, 상기 제1 뇌신경활성패턴들 및 상기 제2 뇌신경활성패턴들은 상기 피험자의 뇌의 해마(Hippocampus) 또는 전전두엽(Prefrontal lobe)에서의 뇌신경활성패턴을 촬영한 기능적 자기공명영상(fMRI: functional Magnetic Resonance Imaging)을 이용하여 얻어진 패턴들이다.
본 개시의 다른 특징에 따르면, 학습한 컨텐츠의 기억 유지 기간을 예측하기 위한 장치가 제공된다. 본 장치는, 입력부, 저장부, 및 제어부를 포함할 수 있다. 상기 제어부는, 피험자를 대상으로 제1 학습 컨텐츠에 관해 학습과 테스트를 수행하면서 상기 피험자를 대상으로 하여 획득된 일련의 제1 뇌신경활성패턴들이 상기 입력부를 통해 입력되어 상기 저장부에 저장되게 제어하고, 상기 피험자를 대상으로 제2 학습 컨텐츠에 관해 학습과 테스트를 수행하면서 상기 피험자를 대상으로 하여 획득된 일련의 제2 뇌신경활성패턴들이 상기 입력부를 통해 입력되어 상기 저장부에 저장되게 제어하도록 구성될 수 있다 - 상기 제1 학습 컨텐츠 및 상기 제2 학습 컨텐츠는 연관 컨텐츠 쌍을 구성함 -. 상기 제어부는, 상기 제1 뇌신경활성패턴들과 상기 제2 뇌신경활성패턴들 간의 패턴 유사도 값들을 산출하고, 상기 패턴 유사도 값들을 기초로 상기 연관 컨텐츠 쌍에 대한 기억 유지 기간을 예측하도록 더 구성될 수 있다.
일 실시예에서, 상기 제어부는, 상기 피험자를 대상으로 상기 제1 학습 컨텐츠에 관해 학습을 수행하면서 상기 피험자의 뇌를 촬영하여 획득된 제1 기저수준(basal level) 패턴이 상기 입력부를 통해 입력되어 상기 저장부에 저장되게 제어하고, 상기 피험자를 대상으로 상기 제1 학습 컨텐츠에 관해 복수의 테스트를 수행하면서 상기 피험자의 뇌를 촬영하여 획득한 제1 테스트활성패턴들이 상기 입력부를 통해 입력되어 상기 저장부에 저장되게 제어하도록 더 구성된다.
일 실시예에서, 상기 제어부는, 상기 피험자를 대상으로 상기 제2 학습 컨텐츠에 관해 학습을 수행하면서 상기 피험자의 뇌를 촬영하여 획득한 제2 기저수준 패턴이 상기 입력부를 통해 입력되어 상기 저장부에 저장되게 제어하고, 상기 피험자를 대상으로 상기 제2 학습 컨텐츠에 관해 복수의 테스트를 수행하면서 상기 피험자의 뇌를 촬영하여 획득한 제2 테스트활성패턴들이 상기 입력부를 통해 입력되어 상기 저장부에 저장되게 제어하도록 더 구성된다.
일 실시예에서, 상기 제어부는, 상기 제1 기저수준 패턴과 상기 제2 기저수준 패턴 간의 기저수준 패턴 유사도 값을 산출하고, 상기 제1 테스트활성패턴들 및 제2 테스트활성패턴들 간의 테스트활성패턴 유사도 값들을 산출하도록 더 구성된다 - 상기 테스트활성패턴 유사도 값들의 각각은 상기 제1 테스트활성패턴들 중 어느 하나와 상기 제2 테스트활성패턴들 중 대응하는 어느 하나 간의 유사도 값임 -.
일 실시예에서, 상기 제어부는, 상기 테스트활성패턴 유사도 값들 중 적어도 하나가 상기 기저수준 패턴 유사도 값 보다 선정된 값 이상 큰 경우 상기 연관 컨텐츠 쌍을 장기 기억 컨텐츠로 분류하도록 더 구성된다.
일 실시예에서, 상기 제어부는, 상기 테스트활성패턴 유사도 값들 중 마지막 테스트활성패턴 유사도 값을 포함하는 적어도 하나의 테스트활성패턴 유사도 값이 상기 기저수준 패턴 유사도 값 보다 선정된 값 이상 큰 경우 상기 연관 컨텐츠 쌍을 특정 기간 이상 유지되는 장기 기억 컨텐츠로 분류하도록 더 구성된다.
일 실시예에서, 상기 제어부는, 상기 테스트활성패턴 유사도 값들 중 제3 테스트활성패턴 유사도 값 또는 제4 테스트활성패턴 유사도 값이 상기 기저수준 패턴 유사도 값 보다 선정된 값 이상 큰 경우 상기 연관 컨텐츠 쌍을 장기 기억 컨텐츠로 분류하도록 더 구성된다.
일 실시예에서, 상기 제어부는, 상기 테스트활성패턴 유사도 값들 중 제4 테스트활성패턴 유사도 값이 상기 기저수준 패턴 유사도 값 보다 선정된 값 이상 큰 경우 상기 연관 컨텐츠 쌍을 특정 기간 이상 유지되는 장기 기억 컨텐츠로 분류하도록 더 구성된다.
일 실시예에서, 상기 제1 뇌신경활성패턴들 및 상기 제2 뇌신경활성패턴들은 상기 피험자의 뇌의 해마(Hippocampus) 또는 전전두엽(Prefrontal lobe)에서의 뇌신경활성패턴을 촬영한 기능적 자기공명영상(fMRI: functional Magnetic Resonance Imaging)을 이용하여 얻어진 패턴들이다.
개시된 실시예들에 따르면 학습한 컨텐츠에 대한 기억 지속 여부를 학습 직후 바로 예측하여 피드백할 수 있는 기술적 효과가 있다.
도 1은 피험자를 대상으로 학습 컨텐츠에 관해 학습과 테스트를 수행하면서 피험자를 대상으로 하여 뇌신경활성패턴들을 획득하는 과정을 설명하기 위한 개념도이다.
도 2는 학습한 컨텐츠의 기억 유지 기간을 예측하기 위한 장치의 일 실시예의 블록도를 도시한 도면이다.
도 3은 학습한 컨텐츠의 기억 유지 기간을 예측하는 방법의 일 실시예를 설명하기 위한 흐름도를 도시한 도면이다.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 구현될 수 있다. 따라서, 실제 구현되는 형태는 개시된 특정 실시예로만 한정되는 것이 아니며, 본 개시의 범위는 실시예들로 설명한 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
"제1" 또는 "제2" 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, "제1 구성요소"는 "제2 구성요소"로 명명될 수 있고, 유사하게 "제2 구성요소"는 "제1 구성요소"로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 개시에서, "포함하다" 또는 "가지다" 등의 용어는 설명된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 해당 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 개시에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 실시예들을 첨부된 도면들을 참조하여 상세하게 설명한다. 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조 부호를 부여하고, 이에 대한 중복되는 설명은 생략하기로 한다.
도 1은 피험자를 대상으로 학습 컨텐츠에 관해 학습과 테스트를 수행하면서 피험자를 대상으로 하여 뇌신경활성패턴들을 획득하는 과정을 설명하기 위한 개념도이다.
도 1에 개념적으로 도시된 바와 같이, 피험자(120)를 대상으로 하여 뇌신경활성패턴들을 획득하기 위하여 먼저 피험자(120)를 대상으로 학습 컨텐츠를 학습시킬 수 있다. 학습 컨텐츠는 제1 학습 컨텐츠(112) 및 제2 학습 컨텐츠(114)를 포함할 수 있다. 일 실시예에서 제1 학습 컨텐츠(112) 및 제2 학습 컨텐츠(114)는 연관된 컨텐츠 쌍을 구성할 수 있다. 도시된 바와 같이 제1 학습 컨텐츠(112)는 백설공주 그림이고, 제2 학습 컨텐츠(114)는 사과 그림일 수 있다. 백설공주 그림과 사과 그림은 모두 사과 또는 애플(apple)을 연상시킬 의도로 사용되는 컨텐츠라 할 수 있다. 도시된 실시예에서는 백설공주 그림과 사과 그림을 제1 학습 컨텐츠(112) 및 제2 학습 컨텐츠(114)로서 각각 예시하였으나, 서로 연관된 관념을 불러 일으키는 임의의 것들 이외에도 통상 서로 연관되어 있다고 생각되지 않으나 학습을 통해 새롭게 연관되어 있다고 배우게 될 임의의 것들을 제1 학습 컨텐츠(112) 및 제2 학습 컨텐츠(114)로서 사용할 수 있음에 유념하여야 한다. 예컨대, 집 그림과 그릇 그림, 건물 그림과 주전자 그림, 아파트 그림과 자전거 그림, 강아지 그림과 자동차 그림 등 일반적으로 서로 연관되어 있다고 생각되지 않는 것들을 제1 학습 컨텐츠 및 제2 학습 컨텐츠로서 사용할 수 있다. 일 실시예에서, 제1 학습 컨텐츠(112) 및 제2 학습 컨텐츠(114)는 컴퓨터 모니터 또는 TV 화면에 표시될 수 있는 다양한 디지털 포맷의 영상 데이터이다. 피험자(120)를 대상으로 제1 학습 컨텐츠(112) 및 제2 학습 컨텐츠(114)에 관해 학습을 진행하면서 피험자(120)의 뇌를 촬영하여 뇌신경활성패턴들을 획득할 수 있다. 피험자(120)에게 제1 학습 컨텐츠(112)를 보여준 뒤에 '사과'라고 알려주는데, 이 경우 제1 학습 컨텐츠(112)를 보여줌과 동시에 피험자(120)의 뇌를 촬영할 수 있다. 바로 이어서 피험자(120)에게 제2 학습 컨텐츠(114)를 보여준 뒤에 동일하게 '사과'라고 알려주는데, 이 경우도 제2 학습 컨텐츠(114)를 보여줌과 동시에 피험자(120)의 뇌를 촬영할 수 있다. 피험자(120)에게 제1 학습 컨텐츠(112)와 제2 학습 컨텐츠(114)를 모두 학습시킴으로써 피험자(120)가 제1 학습 컨텐츠(112)와 제2 학습 컨텐츠(114)가 서로 연관된 컨텐츠라는 것을 시각적으로 습득할 수 있게 된다. 피험자(120)의 뇌 영상을 기능적 MRI(fMRI: functional Magnetic Resonance Imaging)(130)를 통해 획득하여 뇌의 해마(Hippocampus) 및/또는 전전두엽(Prefrontal lobe) 부분만을 추출함으로써 뇌신경활성패턴을 획득할 수 있다. 일 실시예에서, 뇌신경활성패턴은 fMRI 영상의 다중 복셀 패턴이다. 해마와 전전두엽의 위치를 파악하기 위해 fMRI 촬영 후 구조 촬영(MPRAGE)을 수행하여 뇌 구조 정보를 획득할 수 있다. 본 개시에서 피험자(120)에게 제1 학습 컨텐츠(112)를 처음으로 보여줌과 동시에 촬영하여 획득한 뇌신경활성패턴을 '제1 기저수준(basal level) 패턴'(142)이라 한다. 또한 본 개시에서 피험자(120)에게 제2 학습 컨텐츠(114)를 처음으로 보여줌과 동시에 촬영하여 획득한 뇌신경활성패턴을 '제2 기저수준 패턴'(144)이라 한다.
학습이 끝나면 피험자(120)를 대상으로 테스트를 수행한다. 테스트는 어떤 자극이 들어오면 그 자극을 기억 인출의 단서로 보고 그와 연관되었다고 학습한 다른 자극을 인출하는 과정이다. 테스트 과정에서 피험자(120)는 제1 학습 컨텐츠(112)를 보고 그것과 연관된 것을, 제2 학습 컨텐츠(114)를 보고 그것과 연관된 것을 맞추는 문제를 풀게된다. 테스트 과정에서 피험자(120)가 제1 학습 컨텐츠(112)를 볼 때 피험자(120)의 뇌를 촬영하여 뇌신경활성패턴을 획득할 수 있다. 본 개시에서 이 때 획득된 뇌신경활성패턴을 '제1 테스트활성패턴'이라 한다. 테스트 과정에서 피험자(120)가 제2 학습 컨텐츠(114)를 볼 때 피험자(120)의 뇌를 촬영하여 뇌신경활성패턴을 획득할 수 있다. 본 개시에서 이 때 획득된 뇌신경활성패턴을 '제2 테스트활성패턴'이라 한다.
위와 같은 학습과 테스트는 연이어서 복수회 수행될 수 있다. 일 실시예에서, 위와 같은 학습과 테스트를 번갈아 컨텐츠 당 적어도 4회 이상 수행할 수 있다. 테스트가 4회 수행되는 실시예에서, 4개의 제1 테스트활성패턴과 4개의 제2 테스트활성패턴이 획득될 수 있다. 도시된 실시예에서는 1차 테스트 과정에서 획득된 제1 테스트활성패턴과 제2 테스트활성패턴이 도면번호 152 및 154로 각각 지시되어 있다. 도시된 실시예에서는 2차 테스트 과정에서 획득된 제1 테스트활성패턴과 제2 테스트활성패턴이 도면번호 162 및 164로 각각 지시되어 있다. 도시된 실시예에서는 3차 테스트 과정에서 획득된 제1 테스트활성패턴과 제2 테스트활성패턴이 도면번호 172 및 174로 각각 지시되어 있다. 도시된 실시예에서는 4차 테스트 과정에서 획득된 제1 테스트활성패턴과 제2 테스트활성패턴이 도면번호 182 및 184로 각각 지시되어 있다.
도 2는 학습한 컨텐츠의 기억 유지 기간을 예측하기 위한 장치의 일 실시예의 블록도를 도시한 도면이다.
도 2에 도시된 바와 같이, 기억 유지 기간 예측 장치(200)의 일 실시예는 입력부(220), 저장부(240) 및 제어부(260)를 포함할 수 있다. 입력부(220)는 장치(200)의 외부에서 획득된, 제1 기저수준 패턴(142), 제2 기저수준 패턴(144), 복수의 제1 테스트활성패턴(152, 162, 172, 182) 및 복수의 제2 테스트활성패턴(154, 164, 174, 184)에 관한 데이터를 입력받기 위해 유리하게 사용될 수 있다. 입력부(220)는 본 개시의 다양한 실시예들에 따른 알고리즘들의 수행을 위하여 사용자 명령을 입력하기 위한 하드웨어 및 소프트웨어 모듈로 구성될 수 있다. 일 실시예에서, 입력부(220)는 컴퓨터의 키보드(keyboard), 키패드(keypad), 터치패드(touchpad), 마우스(mouse) 등으로 구성될 수 있으나, 입력부(220)를 구성하는 요소들이 이에 제한되는 것은 아니다.
저장부(240)는 제1 기저수준 패턴(142), 제2 기저수준 패턴(144), 복수의 제1 테스트활성패턴(152, 162, 172, 182) 및 복수의 제2 테스트활성패턴(154, 164, 174, 184)에 관한 데이터를 저장하기 위해 사용될 수 있다. 저장부(240)는 본 개시의 다양한 실시예들에 따른 제어 처리를 수행함에 따라 산출되는 파라미터 값들, 본 개시의 다양한 실시예들에 따른 제어 처리를 수행하는데 필요한 변수값들을 저장하기 위해 사용될 수 있다. 다양한 실시예에서, 저장부(240)는 전술한 각종 영상 패턴들을 DICOM(Digital Imaging and Communications in Medicine) 형식 또는 일반적인 이미지 파일 형식(BMP, JPEG, TIFF 등)으로 저장할 수 있다. 저장부(240)는 제어부(260)의 구현에 필요한 소프트웨어/펌웨어 등을 더 저장할 수 있다. 저장부(240)는 플래시 메모리 타입(flash memory type), 하드 디스크 타입(hard disk type), 멀티미디어 카드(MultiMedia Card: MMC), 카드 타입의 메모리(예를 들어, SD(Secure Digital) 카드 또는 XD(eXtream Digital) 카드 등), RAM(Random Access Memory), SRAM(Static Random Access Memory), ROM(Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크 및 광 디스크 중 어느 하나의 저장 매체로 구현될 수 있으나, 당업자라면 저장부(240)의 구현 형태가 이에 한정되는 것이 아님을 알 수 있을 것이다.
제어부(260)는 피험자(120)를 대상으로 제1 학습 컨텐츠(112)에 관해 학습과 테스트를 수행하면서 피험자(120)를 대상으로 하여 획득된 일련의 제1 뇌신경활성패턴들이 입력부(220)를 통해 입력되어 저장부(240)에 저장되게 제어하도록 구성될 수 있다. 일련의 제1 뇌신경활성패턴들은 제1 기저수준 패턴(142) 및 복수의 제1 테스트활성패턴(152, 162, 172, 182)을 포함할 수 있다. 제어부(260)는 피험자(120)를 대상으로 제2 학습 컨텐츠(114)에 관해 학습과 테스트를 수행하면서 피험자(120)를 대상으로 하여 획득된 일련의 제2 뇌신경활성패턴들이 입력부(220)를 통해 입력되어 저장부(240)에 저장되게 제어하도록 더 구성될 수 있다. 일련의 제2 뇌신경활성패턴들은 제2 기저수준 패턴(144) 및 복수의 제2 테스트활성패턴(154, 164, 174, 184)을 포함할 수 있다.
제어부(260)는 제1 뇌신경활성패턴들과 제2 뇌신경활성패턴들 간의 패턴 유사도 값들을 산출하도록 더 구성될 수 있다. 구체적으로, 제어부(260)는, 제1 기저수준 패턴(142)과 제2 기저수준 패턴(144) 간의 기저수준 패턴 유사도 값을 산출하고, 제1 테스트활성패턴들(152, 162, 172, 182) 및 제2 테스트활성패턴들(154, 164, 174, 184) 간의 테스트활성패턴 유사도 값들을 산출하도록 구성될 수 있다. 여기서 테스트활성패턴 유사도 값들의 각각은 제1 테스트활성패턴들(152, 162, 172, 182) 중 어느 하나와 제2 테스트활성패턴들(154, 164, 174, 184) 중 대응하는 어느 하나 간의 유사도 값일 수 있다. 예컨대 2차 테스트 과정에서 획득된 제1 테스트활성패턴(162)과 제2 테스트활성패턴(164) 간에 테스트활성패턴 유사도 값을 산출할 수 있다. 다른 예로서4차 테스트 과정에서 획득된 제1 테스트활성패턴(182)과 제2 테스트활성패턴(184) 간에 테스트활성패턴 유사도 값을 산출할 수 있다. 일 실시예에서, 기저수준 패턴 유사도 값 및 테스트활성패턴 유사도 값들은 관련 패턴들 간의 피어슨 상관계수(Pearson's Correlation Coefficient) 값을 계산한 후 이 값을 피셔 Z 변환(Fisher's Z Transformation)을 통해 보정한 값이다.
제어부(260)는 패턴 유사도 값들을 기초로 연관 컨텐츠 쌍(제1 학습 컨텐츠 및 제2 학습 컨텐츠)에 대한 기억 유지 기간을 예측하도록 더 구성될 수 있다. 제어부(260)는 테스트활성패턴 유사도 값들 중 적어도 하나가 기저수준 패턴 유사도 값 보다 선정된 값 이상 큰 경우 연관 컨텐츠 쌍을 장기 기억 컨텐츠로 분류하도록 더 구성될 수 있다. 일 실시예에서, 제어부(260)는 테스트활성패턴 유사도 값들 중에서 (3차 테스트 과정에서 획득된 제1 테스트활성패턴(172)과 제2 테스트활성패턴(174) 간에서 산출된) 제3 테스트활성패턴 유사도 값 또는 (4차 테스트 과정에서 획득된 제1 테스트활성패턴(182)과 제2 테스트활성패턴(184) 간에서 산출된) 제4 테스트활성패턴 유사도 값이 기저수준 패턴 유사도 값 보다 선정된 값 이상 큰 경우 연관 컨텐츠 쌍을 장기 기억 컨텐츠로 분류하도록 구성된다. 본 개시에 있어서 장기 기억 컨텐츠는 학습 후 기억이 1일 이상 유지되는 컨텐츠로서 정의된다. 학습 후 1일 또는 4주가 지난 후에 피험자(120)를 대상으로 특정 연관 컨텐츠 쌍과 관련하여 테스트를 수행한 결과 해당 특정 연관 컨텐츠 쌍에 대한 연관성이 기억으로 유지되는 것으로 드러난 경우, 피험자(120)를 대상으로 해당 특정 컨텐츠 쌍과 관련하여 산출된 제3 테스트활성패턴 유사도 값 또는 제4 테스트활성패턴 유사도 값이 기저수준 패턴 유사도 값 보다 선정된 값 이상 큰 것으로 확인되었다.
제어부(260)는 테스트활성패턴 유사도 값들 중 (마지막 테스트 과정에서 획득된 제1 테스트활성패턴과 제2 테스트활성패턴 간에서 산출된) 마지막 테스트활성패턴 유사도 값을 포함하는 적어도 하나의 테스트활성패턴 유사도 값이 기저수준 패턴 유사도 값 보다 선정된 값 이상 큰 경우 연관 컨텐츠 쌍을 특정 기간 이상 유지되는 장기 기억 컨텐츠로 분류하도록 더 구성될 수 있다. 일 실시예에서, 제어부(260)는 테스트활성패턴 유사도 값들 중 (4차 테스트 과정에서 획득된 제1 테스트활성패턴(182)과 제2 테스트활성패턴(184) 간에서 산출된) 제4 테스트활성패턴 유사도 값이 기저수준 패턴 유사도 값 보다 선정된 값 이상 큰 경우 연관 컨텐츠 쌍을 특정 기간 이상 유지되는 장기 기억 컨텐츠로 분류하도록 구성된다. 본 개시에 있어서 특정 기간 이상 유지되는 장기 기억 컨텐츠는 4주 이상 유지되는 장기 기억 컨텐츠로서 정의된다. 학습 후 4주가 지난 후에 피험자(120)를 대상으로 특정 연관 컨텐츠 쌍과 관련하여 뇌신경활성패턴을 획득할 때와 동일한 테스트를 수행한 결과 해당 특정 연관 컨텐츠 쌍에 대한 연관성이 기억으로 유지되는 것으로 드러난 경우, 피험자(120)를 대상으로 해당 특정 컨텐츠 쌍과 관련하여 산출된 제4 테스트활성패턴 유사도 값이 기저수준 패턴 유사도 값 보다 선정된 값 이상 큰 것으로 확인되었다.
도 3은 학습한 컨텐츠의 기억 유지 기간을 예측하는 방법의 일 실시예를 설명하기 위한 흐름도를 도시한 도면이다.
기억 유지 기간 예측 방법의 일 실시예는 피험자(120)를 대상으로 제1 학습 컨텐츠(112)에 관해 학습과 테스트를 수행하면서 피험자(120)를 대상으로 하여 획득된 일련의 제1 뇌신경활성패턴들을 입력받는 단계(S305)로부터 시작된다. 본 단계에서는 피험자(120)를 대상으로 제1 학습 컨텐츠(112)에 관해 학습을 수행하면서 피험자(120)의 뇌를 촬영하여 획득된 제1 기저수준 패턴(142)을 입력받고, 피험자(120)를 대상으로 제1 학습 컨텐츠(112)에 관해 복수의 테스트를 수행하면서 피험자(120)의 뇌를 촬영하여 획득한 제1 테스트활성패턴들(152, 162, 172, 182)을 입력받을 수 있다. 단계(S310)에서는 피험자(120)를 대상으로 제2 학습 컨텐츠(114)에 관해 학습과 테스트를 수행하면서 피험자(120)를 대상으로 하여 획득된 일련의 제2 뇌신경활성패턴들을 입력받는다. 전술한 바와 같이 제2 학습 컨텐츠는 제1 학습 컨텐츠와 함께 연관 컨텐츠 쌍을 구성한다. 본 단계에서는 피험자(120)를 대상으로 제2 학습 컨텐츠(114)에 관해 학습을 수행하면서 피험자(120)의 뇌를 촬영하여 획득한 제2 기저수준 패턴(144)을 입력받고, 피험자(120)를 대상으로 제2 학습 컨텐츠(114)에 관해 복수의 테스트를 수행하면서 피험자(120)의 뇌를 촬영하여 획득한 제2 테스트활성패턴들(154, 164, 174, 184)을 입력받을 수 있다. 본 개시에서는 설명의 편의상 단계(S305)에서 제1 기저수준 패턴(142) 및 제1 테스트활성패턴들(152, 162, 172, 182)을 입력받고 단계(S310)에서 제2 기저수준 패턴(144) 및 제2 테스트활성패턴들(154, 164, 174, 184)을 입력받는 것으로 설명하였으나, 제1 기저수준 패턴(142), 제1 테스트활성패턴들(152, 162, 172, 182), 제2 기저수준 패턴(144) 및 제2 테스트활성패턴들(154, 164, 174, 184)을 모두 한꺼번에 입력받는 실시예도 가능하고 그러한 실시예도 본 개시의 권리범위에 속하는 것임을 인식하여야 한다.
단계(S315)에서는 제1 뇌신경활성패턴들(142, 152, 162, 172, 182)과 제2 뇌신경활성패턴들(144, 154, 164, 174, 184) 간의 패턴 유사도 값들을 산출한다. 본 단계에서는 제1 기저수준 패턴(142)과 제2 기저수준 패턴(144) 간의 기저수준 패턴 유사도 값을 산출할 수 있다. 본 단계에서는 또한 제1 테스트활성패턴들(152, 162, 172, 182) 및 제2 테스트활성패턴들(154, 164, 174, 184) 간의 테스트활성패턴 유사도 값들을 산출할 수 있다. 전술한 바와 같이 테스트활성패턴 유사도 값들의 각각은 제1 테스트활성패턴들(152, 162, 172, 182) 중 어느 하나와 제2 테스트활성패턴들(154, 164, 174, 184) 중 대응하는 어느 하나 간의 유사도 값일 수 있다. 단계(S320)에서는 패턴 유사도 값들을 기초로 연관 컨텐츠 쌍에 대한 기억 유지 기간을 예측한다. 본 단계에서는 테스트활성패턴 유사도 값들 중 적어도 하나가 기저수준 패턴 유사도 값 보다 선정된 값 이상 큰 경우 연관 컨텐츠 쌍을 장기 기억 컨텐츠로 분류할 수 있다. 일 실시예에서, 테스트활성패턴 유사도 값들 중 제3 테스트활성패턴 유사도 값 또는 제4 테스트활성패턴 유사도 값이 기저수준 패턴 유사도 값 보다 선정된 값 이상 큰 경우 연관 컨텐츠 쌍을 장기 기억 컨텐츠로 분류한다. 본 단계에서는 또한 테스트활성패턴 유사도 값들 중 마지막 테스트활성패턴 유사도 값을 포함하는 적어도 하나의 테스트활성패턴 유사도 값이 기저수준 패턴 유사도 값 보다 선정된 값 이상 큰 경우 연관 컨텐츠 쌍을 특정 기간 이상 유지되는 장기 기억 컨텐츠로 분류할 수 있다. 일 실시예에서, 테스트활성패턴 유사도 값들 중 제4 테스트활성패턴 유사도 값이 기저수준 패턴 유사도 값 보다 선정된 값 이상 큰 경우 연관 컨텐츠 쌍을 특정 기간 이상 유지되는 장기 기억 컨텐츠로 분류한다.
이상에서 설명한 실시예들에 따르면 새로운 정보를 학습하는 동안에 뇌신경활성패턴을 측정하는 것만으로 별도의 기억 인출 테스트 없이 학습한 정보에 대한 기억을 얼마나 유지할 수 있을지를 바로 예측하여 피드백을 제공할 수 있는 기술적 효과가 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 컨트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수의 프로세서 또는 하나의 프로세서 및 하나의 컨트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있으며 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
위에서 설명한 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 또는 복수의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 이를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.
112: 제1 학습 컨텐츠
114: 제2 학습 컨텐츠
120: 피험자
130: fMRI
142: 제1 기저수준 패턴
144: 제2 기저수준 패턴
152, 162, 172, 182: 제1 테스트활성패턴
154, 164, 174, 184: 제2 테스트활성패턴
200: 기억 유지 기간 예측 장치
220: 입력부
240: 저장부
260: 제어부

Claims (19)

  1. 기억 유지 기간 예측 장치에 의한 학습한 컨텐츠의 기억 유지 기간을 예측하는 방법으로서,
    상기 기억 유지 기간 예측 장치가 피험자를 대상으로 제1 학습 컨텐츠에 관해 학습과 테스트를 수행하면서 상기 피험자를 대상으로 하여 획득된 일련의 제1 뇌신경활성패턴들을 입력받는 단계,
    상기 기억 유지 기간 예측 장치가 상기 피험자를 대상으로 제2 학습 컨텐츠에 관해 학습과 테스트를 수행하면서 상기 피험자를 대상으로 하여 획득된 일련의 제2 뇌신경활성패턴들을 입력받는 단계 - 상기 제1 학습 컨텐츠 및 상기 제2 학습 컨텐츠는 연관 컨텐츠 쌍을 구성함 -,
    상기 기억 유지 기간 예측 장치가 상기 제1 뇌신경활성패턴들과 상기 제2 뇌신경활성패턴들 간의 패턴 유사도 값들을 산출하는 단계, 및
    상기 기억 유지 기간 예측 장치가 상기 패턴 유사도 값들을 기초로 상기 연관 컨텐츠 쌍에 대한 기억 유지 기간을 예측하는 단계를 포함하고,
    상기 제1 뇌신경활성패턴들은 상기 제1 학습 컨텐츠에 관해 학습과 테스트를 통해 획득된 제1 기저수준(basal level) 패턴 및 제1 테스트활성패턴을 포함하고,
    상기 제2 뇌신경활성패턴들은 상기 제2 학습 컨텐츠에 관해 학습과 테스트를 통해 획득된 제2 기저수준 패턴 및 제2 테스트활성패턴을 포함하는, 기억 유지 기간 예측 방법.
  2. 제1항에 있어서,
    상기 피험자를 대상으로 제1 학습 컨텐츠에 관해 학습과 테스트를 수행하면서 상기 피험자를 대상으로 하여 획득된 일련의 제1 뇌신경활성패턴들을 입력받는 단계는,
    상기 피험자를 대상으로 상기 제1 학습 컨텐츠에 관해 학습을 수행하면서 상기 피험자의 뇌를 촬영하여 획득된 제1 기저수준(basal level) 패턴을 입력받는 단계, 및
    상기 피험자를 대상으로 상기 제1 학습 컨텐츠에 관해 복수의 테스트를 수행하면서 상기 피험자의 뇌를 촬영하여 획득한 제1 테스트활성패턴들을 입력받는 단계를 포함하는, 기억 유지 기간 예측 방법.
  3. 제2항에 있어서,
    상기 피험자를 대상으로 제2 학습 컨텐츠에 관해 학습과 테스트를 수행하면서 상기 피험자를 대상으로 하여 획득된 일련의 제2 뇌신경활성패턴들을 입력받는 단계는,
    상기 피험자를 대상으로 상기 제2 학습 컨텐츠에 관해 학습을 수행하면서 상기 피험자의 뇌를 촬영하여 획득한 제2 기저수준 패턴을 입력받는 단계, 및
    상기 피험자를 대상으로 상기 제2 학습 컨텐츠에 관해 복수의 테스트를 수행하면서 상기 피험자의 뇌를 촬영하여 획득한 제2 테스트활성패턴들을 입력받는 단계를 포함하는, 기억 유지 기간 예측 방법.
  4. 제3항에 있어서,
    상기 제1 뇌신경활성패턴들과 상기 제2 뇌신경활성패턴들 간의 패턴 유사도 값들을 산출하는 단계는,
    상기 제1 기저수준 패턴과 상기 제2 기저수준 패턴 간의 기저수준 패턴 유사도 값을 산출하는 단계, 및
    상기 제1 테스트활성패턴들 및 제2 테스트활성패턴들 간의 테스트활성패턴 유사도 값들을 산출하는 단계 - 상기 테스트활성패턴 유사도 값들의 각각은 상기 제1 테스트활성패턴들 중 어느 하나와 상기 제2 테스트활성패턴들 중 대응하는 어느 하나 간의 유사도 값임 - 를 포함하는, 기억 유지 기간 예측 방법.
  5. 제4항에 있어서,
    상기 패턴 유사도 값들을 기초로 상기 연관 컨텐츠 쌍에 대한 기억 유지 기간을 예측하는 단계는,
    상기 테스트활성패턴 유사도 값들 중 적어도 하나가 상기 기저수준 패턴 유사도 값 보다 선정된 값 이상 큰 경우 상기 연관 컨텐츠 쌍을 장기 기억 컨텐츠로 분류하는 단계를 포함하는, 기억 유지 기간 예측 방법.
  6. 제5항에 있어서,
    상기 패턴 유사도 값들을 기초로 상기 연관 컨텐츠 쌍에 대한 기억 유지 기간을 예측하는 단계는,
    상기 테스트활성패턴 유사도 값들 중 마지막 테스트활성패턴 유사도 값을 포함하는 적어도 하나의 테스트활성패턴 유사도 값이 상기 기저수준 패턴 유사도 값 보다 선정된 값 이상 큰 경우 상기 연관 컨텐츠 쌍을 특정 기간 이상 유지되는 장기 기억 컨텐츠로 분류하는 단계를 포함하는, 기억 유지 기간 예측 방법.
  7. 제5항에 있어서,
    상기 테스트활성패턴 유사도 값들 중 적어도 하나가 상기 기저수준 패턴 유사도 값 보다 선정된 값 이상 큰 경우 상기 연관 컨텐츠 쌍을 장기 기억 컨텐츠로 분류하는 단계는,
    상기 테스트활성패턴 유사도 값들 중 제3회차 테스트활성패턴 유사도 값 또는 제4회차 테스트활성패턴 유사도 값이 상기 기저수준 패턴 유사도 값 보다 선정된 값 이상 큰 경우 상기 연관 컨텐츠 쌍을 장기 기억 컨텐츠로 분류하는 단계를 포함하는, 기억 유지 기간 예측 방법.
  8. 제6항에 있어서,
    상기 테스트활성패턴 유사도 값들 중 마지막 테스트활성패턴 유사도 값을 포함하는 적어도 하나의 테스트 활성 패턴 유사도 값이 상기 기저수준 패턴 유사도 값 보다 선정된 값 이상 큰 경우 상기 연관 컨텐츠 쌍을 특정 기간 이상 유지되는 장기 기억 컨텐츠로 분류하는 단계는,
    상기 테스트활성패턴 유사도 값들 중 제4회차 테스트활성패턴 유사도 값이 상기 기저수준 패턴 유사도 값 보다 선정된 값 이상 큰 경우 상기 연관 컨텐츠 쌍을 특정 기간 이상 유지되는 장기 기억 컨텐츠로 분류하는 단계를 포함하는, 기억 유지 기간 예측 방법.
  9. 제1항에 있어서,
    상기 제1 뇌신경활성패턴들 및 상기 제2 뇌신경활성패턴들은 상기 피험자의 뇌의 해마(Hippocampus) 또는 전전두엽(Prefrontal lobe)에서의 뇌신경활성패턴을 촬영한 기능적 자기공명영상(fMRI: functional Magnetic Resonance Imaging)을 이용하여 얻어진 패턴들인, 기억 유지 기간 예측 방법.
  10. 학습한 컨텐츠의 기억 유지 기간을 예측하기 위한 장치로서,
    입력부, 저장부, 및 제어부를 포함하고,
    상기 제어부는, 피험자를 대상으로 제1 학습 컨텐츠에 관해 학습과 테스트를 수행하면서 상기 피험자를 대상으로 하여 획득된 일련의 제1 뇌신경활성패턴들이 상기 입력부를 통해 입력되어 상기 저장부에 저장되게 제어하고, 상기 피험자를 대상으로 제2 학습 컨텐츠에 관해 학습과 테스트를 수행하면서 상기 피험자를 대상으로 하여 획득된 일련의 제2 뇌신경활성패턴들이 상기 입력부를 통해 입력되어 상기 저장부에 저장되게 제어하도록 구성되고 - 상기 제1 학습 컨텐츠 및 상기 제2 학습 컨텐츠는 연관 컨텐츠 쌍을 구성함 -,
    상기 제어부는, 상기 제1 뇌신경활성패턴들과 상기 제2 뇌신경활성패턴들 간의 패턴 유사도 값들을 산출하고, 상기 패턴 유사도 값들을 기초로 상기 연관 컨텐츠 쌍에 대한 기억 유지 기간을 예측하도록 더 구성되는,
    상기 제1 뇌신경활성패턴들은 상기 제1 학습 컨텐츠에 관해 학습과 테스트를 통해 획득된 제1 기저수준(basal level) 패턴 및 제1 테스트활성패턴을 포함하고,
    상기 제2 뇌신경활성패턴들은 상기 제2 학습 컨텐츠에 관해 학습과 테스트를 통해 획득된 제2 기저수준 패턴 및 제2 테스트활성패턴을 포함하는, 기억 유지 기간 예측 장치.
  11. 제10항에 있어서,
    상기 제어부는, 상기 피험자를 대상으로 상기 제1 학습 컨텐츠에 관해 학습을 수행하면서 상기 피험자의 뇌를 촬영하여 획득된 제1 기저수준(basal level) 패턴이 상기 입력부를 통해 입력되어 상기 저장부에 저장되게 제어하고, 상기 피험자를 대상으로 상기 제1 학습 컨텐츠에 관해 복수의 테스트를 수행하면서 상기 피험자의 뇌를 촬영하여 획득한 제1 테스트활성패턴들이 상기 입력부를 통해 입력되어 상기 저장부에 저장되게 제어하도록 더 구성되는, 기억 유지 기간 예측 장치.
  12. 제11항에 있어서,
    상기 제어부는, 상기 피험자를 대상으로 상기 제2 학습 컨텐츠에 관해 학습을 수행하면서 상기 피험자의 뇌를 촬영하여 획득한 제2 기저수준 패턴이 상기 입력부를 통해 입력되어 상기 저장부에 저장되게 제어하고, 상기 피험자를 대상으로 상기 제2 학습 컨텐츠에 관해 복수의 테스트를 수행하면서 상기 피험자의 뇌를 촬영하여 획득한 제2 테스트활성패턴들이 상기 입력부를 통해 입력되어 상기 저장부에 저장되게 제어하도록 더 구성되는, 기억 유지 기간 예측 장치.
  13. 제12항에 있어서,
    상기 제어부는, 상기 제1 기저수준 패턴과 상기 제2 기저수준 패턴 간의 기저수준 패턴 유사도 값을 산출하고, 상기 제1 테스트활성패턴들 및 제2 테스트활성패턴들 간의 테스트활성패턴 유사도 값들을 산출하도록 더 구성되는 - 상기 테스트활성패턴 유사도 값들의 각각은 상기 제1 테스트활성패턴들 중 어느 하나와 상기 제2 테스트활성패턴들 중 대응하는 어느 하나 간의 유사도 값임 -, 기억 유지 기간 예측 장치.
  14. 제13항에 있어서,
    상기 제어부는, 상기 테스트활성패턴 유사도 값들 중 적어도 하나가 상기 기저수준 패턴 유사도 값 보다 선정된 값 이상 큰 경우 상기 연관 컨텐츠 쌍을 장기 기억 컨텐츠로 분류하도록 더 구성되는, 기억 유지 기간 예측 장치.
  15. 제14항에 있어서,
    상기 제어부는, 상기 테스트활성패턴 유사도 값들 중 마지막 테스트활성패턴 유사도 값을 포함하는 적어도 하나의 테스트활성패턴 유사도 값이 상기 기저수준 패턴 유사도 값 보다 선정된 값 이상 큰 경우 상기 연관 컨텐츠 쌍을 특정 기간 이상 유지되는 장기 기억 컨텐츠로 분류하도록 더 구성되는, 기억 유지 기간 예측 장치.
  16. 제14항에 있어서,
    상기 제어부는, 상기 테스트활성패턴 유사도 값들 중 제3회차 테스트활성패턴 유사도 값 또는 제4회차 테스트활성패턴 유사도 값이 상기 기저수준 패턴 유사도 값 보다 선정된 값 이상 큰 경우 상기 연관 컨텐츠 쌍을 장기 기억 컨텐츠로 분류하도록 더 구성되는, 기억 유지 기간 예측 장치.
  17. 제15항에 있어서,
    상기 제어부는, 상기 테스트활성패턴 유사도 값들 중 제4회차 테스트활성패턴 유사도 값이 상기 기저수준 패턴 유사도 값 보다 선정된 값 이상 큰 경우 상기 연관 컨텐츠 쌍을 특정 기간 이상 유지되는 장기 기억 컨텐츠로 분류하도록 더 구성되는, 기억 유지 기간 예측 장치.
  18. 제10항에 있어서,
    상기 제1 뇌신경활성패턴들 및 상기 제2 뇌신경활성패턴들은 상기 피험자의 뇌의 해마(Hippocampus) 또는 전전두엽(Prefrontal lobe)에서의 뇌신경활성패턴을 촬영한 기능적 자기공명영상(fMRI: functional Magnetic Resonance Imaging)을 이용하여 얻어진 패턴들인, 기억 유지 기간 예측 장치.
  19. 제1항 내지 제9항의 방법 중 어느 하나의 방법을 실행하기 위한, 컴퓨터 판독가능 기록매체에 저장된 컴퓨터 프로그램.
KR1020220003397A 2022-01-10 2022-01-10 학습한 컨텐츠의 기억 유지 기간을 예측하는 방법 및 장치 KR102439690B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220003397A KR102439690B1 (ko) 2022-01-10 2022-01-10 학습한 컨텐츠의 기억 유지 기간을 예측하는 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220003397A KR102439690B1 (ko) 2022-01-10 2022-01-10 학습한 컨텐츠의 기억 유지 기간을 예측하는 방법 및 장치

Publications (1)

Publication Number Publication Date
KR102439690B1 true KR102439690B1 (ko) 2022-09-02

Family

ID=83281058

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220003397A KR102439690B1 (ko) 2022-01-10 2022-01-10 학습한 컨텐츠의 기억 유지 기간을 예측하는 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102439690B1 (ko)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20060010555A (ko) * 2004-07-28 2006-02-02 박종한 기억장애 선별 검사도구
JP2018189966A (ja) * 2011-11-16 2018-11-29 ヴェロニク・デボラ・ボーボ 記憶を改善するためのコンピュータ生成三次元仮想現実環境
KR20190049063A (ko) * 2017-11-01 2019-05-09 이화여자대학교 산학협력단 생리 심리 반응 정보 및 회상 자극 반응 정보를 이용한 인지 부하 측정 방법 및 인지 부하 측정 장치

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20060010555A (ko) * 2004-07-28 2006-02-02 박종한 기억장애 선별 검사도구
JP2018189966A (ja) * 2011-11-16 2018-11-29 ヴェロニク・デボラ・ボーボ 記憶を改善するためのコンピュータ生成三次元仮想現実環境
KR20190049063A (ko) * 2017-11-01 2019-05-09 이화여자대학교 산학협력단 생리 심리 반응 정보 및 회상 자극 반응 정보를 이용한 인지 부하 측정 방법 및 인지 부하 측정 장치

Similar Documents

Publication Publication Date Title
CN103908256B (zh) 用于支持多参数图像的获取的设备和方法
JP5553972B2 (ja) 電子医療記録影響データ取得、処理および表示システムおよび方法
US11848098B2 (en) Identifying anomalous brain data
US20170147782A1 (en) Method for automatically determining a contrast agent injection protocol
US11257211B2 (en) Medical image processing apparatus, medical image processing system, and medical image processing method
EP3477325A2 (en) Decoding patient characteristics and brain state from magnetic resonance imaging data
US20230298759A1 (en) Information processing apparatus, information processing method, and program
US20220148738A1 (en) Generating brain network impact scores
CN116685261A (zh) 使用自动编码器神经网络处理脑数据
WO2022027084A1 (en) Deriving target data from selected brain data
US11348242B2 (en) Prediction apparatus, prediction method, prediction program
US20210196125A1 (en) Tomographic image prediction device and tomographic image prediction method
JP6843785B2 (ja) 診断支援システム、診断支援方法、及びプログラム
US10365340B1 (en) Monitoring dynamics of patient brain state during neurosurgical procedures
KR102439690B1 (ko) 학습한 컨텐츠의 기억 유지 기간을 예측하는 방법 및 장치
US11551351B2 (en) Priority judgement device, method, and program
JP7315181B2 (ja) 探索方法及び情報処理システム
US11763948B2 (en) Centrality rankings of network graphs generated using connectomic brain data
US20200253548A1 (en) Classifying a disease or disability of a subject
US20220351832A1 (en) Methods for operating an evaluation system for medical image data sets, evaluation systems, computer programs and electronically readable storage mediums
EP4083650A1 (en) Controlling a scanning operation of a medical imaging device
JP7064430B2 (ja) 優先度判定装置、方法およびプログラム
KR102375258B1 (ko) 병변 영역 검출 장치, 병변 영역 검출 방법 및 컴퓨터 프로그램
TW202111657A (zh) 醫療資源整合系統、計算機裝置及醫療資源整合方法
WO2021100546A1 (ja) 人工知能処理システム、アップロード管理装置、方法、プログラム

Legal Events

Date Code Title Description
GRNT Written decision to grant