KR102452201B1 - 자동 잡음신호 구간 검출 방법 및 장치 - Google Patents

자동 잡음신호 구간 검출 방법 및 장치 Download PDF

Info

Publication number
KR102452201B1
KR102452201B1 KR1020210074930A KR20210074930A KR102452201B1 KR 102452201 B1 KR102452201 B1 KR 102452201B1 KR 1020210074930 A KR1020210074930 A KR 1020210074930A KR 20210074930 A KR20210074930 A KR 20210074930A KR 102452201 B1 KR102452201 B1 KR 102452201B1
Authority
KR
South Korea
Prior art keywords
noise signal
power
section
noise
data
Prior art date
Application number
KR1020210074930A
Other languages
English (en)
Inventor
강승완
박욱업
Original Assignee
주식회사 아이메디신
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 아이메디신 filed Critical 주식회사 아이메디신
Priority to US18/027,572 priority Critical patent/US11903718B2/en
Priority to PCT/KR2021/018058 priority patent/WO2022260228A1/ko
Application granted granted Critical
Publication of KR102452201B1 publication Critical patent/KR102452201B1/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
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A61B5/372—Analysis of electroencephalograms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A61B5/372—Analysis of electroencephalograms
    • A61B5/374—Detecting the frequency distribution of signals, e.g. detecting delta, theta, alpha, beta or gamma waves
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays
    • A61B5/743—Displaying an image simultaneously with additional graphical information, e.g. symbols, charts, function plots
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • A61B5/7207—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal of noise induced by motion artifacts
    • 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
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • A61B5/7217—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal of noise originating from a therapeutic or surgical apparatus, e.g. from a pacemaker

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Physics & Mathematics (AREA)
  • Psychiatry (AREA)
  • Psychology (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)

Abstract

본 발명은 자동 잡음신호 구간 검출 방법 및 장치에 관한 것으로, 상기 방법은 입력 데이터를 수신하여 시간-주파수 도메인의 초기 데이터를 생성하는 단계; 상기 초기 데이터의 각 채널에 대해 에포크(epoch)별 파워(power)를 산출하는 단계; 상기 에포크별 파워를 기초로 상기 각 채널의 특정 주파수 영역에 대한 파워 그래프를 생성하는 단계; 상기 파워 그래프 상에서 각 채널 값의 평균을 기초로 베이스라인(baseline)을 생성하는 단계; 및 상기 파워 그래프 상에서 상기 베이스라인을 기준으로 기 설정된 임계값(threshold)을 초과하는 구간을 잡음신호 구간으로 결정하는 단계;를 포함한다.

Description

자동 잡음신호 구간 검출 방법 및 장치{AUTOMATIC NOISE SIGNAL SECTION DETECTION METHOD AND APPARATUS}
본 발명은 잡음 검출 및 제거 기술에 관한 것으로, 보다 상세하게는 시계열 데이터를 주파수 도메인으로 변환하여 주파수 파워값의 흐름 변화를 바탕으로 잡음을 검출하는 자동 잡음신호 구간 검출 방법 및 장치에 관한 것이다.
생체 신호는 다양한 신호들의 결합체로써, 잡음을 제거하는 공정과정을 거치지 않으면 분석결과에 상당한 영향을 줄 수 있다. 특히, 시계열 데이터의 경우 피험자의 상태, 움직임 등과 같은 패턴에 매우 예민한 반응을 가지고 있으므로 잡음을 제거하는 공정과정이 매우 중요하다.
생체 신호를 분석하는 일반적인 과정은 전처리단계(Preprocessing), 분석단계(Analysis)로 나뉜다. 전처리단계에서 분석에 필요한 데이터를 정제하는 과정을 지나게 되고, 해당 과정의 일부 중 잡음 제거 공정과정이 포함된다.
사람의 뇌에서 측정되는 뇌파 신호는 두피 외 접촉된 전극을 통해 습득이 가능하며, 이때 신체 모발 및 피부내 저항, 피험자의 근육 움직임 등 다양한 신호들도 함께 측정된다. 따라서, 뇌파 이외의 신호들을 잡음으로 간주하며, 전처리단계에서 잡음을 제거하는 과정을 거쳐야 정확한 분석값을 도출할 수 있다.
잡음의 종류에는 일반적으로 안전도(안구움직임: Electrooculography), 근전도(근육움직임: Electromyogram), 심전도(Electrocardiogram), 움직임(non-physiological artifacts) 등 다양하게 분류할 수 있다. 이에 따라 잡음의 신호적 특성을 반영한 주성분분석(PCA, Principal Component Analysis), 독립성분분석(ICA: Independent Component Analysis)으로 제거하는 과정이 있는 반면 움직임에 해당되는 잡음은 그 종류와 원인이 매우 다양하기 때문에 자동화 알고리즘으로 구현하기가 매우 까다롭다.
즉, 생체신호 분석 결과의 신뢰성과 일관성, 정확성을 위해 특히 움직임에 해당되는 잡음을 검출하고 제거하는 과정이 무엇보다 중요하다.
뇌파 분석에서 사용하는 기술은 주로 주파수 도메인으로 계산하여 정량화하는 계산법을 이용하고 있다. 이때, 뇌파의 종류를 주파수의 대역으로 분류할 수 있다. 예를 들어, 델타(Delta)파는 0.5~4Hz, 세타(Theta)파는 4~7Hz, 알파(Alpha)파는 8~12Hz, SMR(Sensory Motor Rhythm)파는 12~15Hz, 베타(Beta)파는 15~18Hz, 하이-베타(High Beta)파는 18Hz 이상으로 분류될 수 있다. 특히, Theta파의 경우 각성 중 졸음이 왔을 때 주로 나타나는 파형으로써, 각성뇌파분석에 있어서 상당한 영향을 줄 수 있다.
특히, 사람의 뇌는 노화가 진행됨에 따라 치매(혹은 인지장애)가 발생할 수 있는데, 이 때 뇌파의 중요한 특징으로서 Theta파의 변형이 있다. 따라서 잡음으로서의 서파(Slow wave; Delta, Theta 등)를 잘 구별하지 못한다면 기능성 및 퇴행성을 판단할 수 있는 뇌파 바이오마커에도 오류를 범할 가능성이 높다.
피험자의 상태 및 움직임에 따른 잡음(non-physiological artifacts)중에는 졸음과 관련된 신호가 대표적이다. 졸음은 Theta파와 밀접한 관계가 있고, 이를 잘 검출하고 제거하지 못한다면 분석에 많은 영향을 줄 수 있다.
한국 공개특허공보 제10-2010-0114256호는 뇌파 측정 방법 및 장치에 있어서, 뇌파의 크기가 작아 센싱시 외부 잡음과 소음, 센싱환경 등에 많은 방해를 받는 경우 의료기관 등의 밀폐실이 아닌 일반적인 외부잡음이 존재하는 장소에서 뇌파를 측정하는 경우에 뇌파 신호 및 잡음 신호를 수신하여 잡음을 제거한 실제 뇌파 주파수만 검출할 수 있는 뇌파 측정 방법 및 장치에 관한 것이다.
한국공개특허 제10-2019-0059364호 (2019.05.31) 한국공개특허 제10-2010-0114256호 (2010.10.25)
본 발명의 일 실시예는 시계열 데이터를 주파수 도메인으로 변환하여 주파수 파워값의 흐름 변화를 바탕으로 잡음을 검출하는 자동 잡음신호 구간 검출 방법 및 장치를 제공하고자 한다.
본 발명의 일 실시예는 뇌파 뿐만 아니라 다양한 생체 신호에서도 동일한 잡음의 형태에 응용할 수 있는 메커니즘을 기대할 수 있고, 자동으로 잡음 신호 구간을 검출 및 제거하여 분석 결과의 신뢰도와 정확성이 높일 수 있으며, 전문성이 낮아 연구 및 적용이 힘들었던 다양한 분야에서 접근성을 낮출 수 있어 다양한 연구 및 개발 등에 접목시킬 수 있는 자동 잡음신호 구간 검출 방법 및 장치를 제공하고자 한다.
실시예들 중에서, 자동 잡음신호 구간 검출 방법은 입력 데이터를 수신하여 시간-주파수 도메인의 초기 데이터를 생성하는 단계; 상기 초기 데이터의 각 채널에 대해 에포크(epoch)별 파워(power)를 산출하는 단계; 상기 에포크별 파워를 기초로 상기 각 채널의 특정 주파수 영역에 대한 파워 그래프를 생성하는 단계; 상기 파워 그래프 상에서 각 채널 값의 평균을 기초로 베이스라인(baseline)을 생성하는 단계; 및 상기 파워 그래프 상에서 상기 베이스라인을 기준으로 기 설정된 임계값(threshold)을 초과하는 구간을 잡음신호 구간으로 결정하는 단계;를 포함한다.
상기 초기 데이터를 생성하는 단계는 로우 데이터(raw data)를 기초로 소정의 전처리 단계를 수행하여 상기 각 채널에 대한 시계열 데이터를 상기 입력 데이터로서 수신하는 단계를 포함할 수 있다.
상기 에포크별 파워를 산출하는 단계는 소정의 시간 구간을 상기 에포크의 길이(window)로 설정하는 단계; 및 상기 에포크를 상기 초기 데이터의 시간축에 따라 이동시키면서 상기 에포크별 파워를 순차적으로 산출하는 단계를 포함할 수 있다.
상기 에포크별 파워를 순차적으로 산출하는 단계는 이동 전후의 연속하는 에포크들 사이에 소정의 비율만큼의 중복 구간을 포함하도록 상기 에포크의 이동 간격을 설정하는 단계를 포함할 수 있다.
상기 파워 그래프를 생성하는 단계는 뇌파 신호에 관한 델타(delta) 또는 세타(theta) 영역을 상기 특정 주파수 영역으로 결정하고 시간의 흐름에 따른 주파수 파워의 흐름에 관한 그래프를 상기 파워 그래프로서 생성하는 단계를 포함할 수 있다.
상기 파워 그래프를 생성하는 단계는 상기 주파수 파워를 절대 파워(absolute power) 또는 상대 파워(relative power)를 기준으로 선택적으로 적용하는 단계를 포함할 수 있다.
상기 베이스라인을 생성하는 단계는 상기 파워 그래프의 시간축을 기준으로 상기 베이스라인 생성을 위한 단위 구간(bin)의 크기와 이동 간격을 설정하는 단계; 및 상기 이동 간격에 따라 이동하면서 상기 단위 구간마다 상기 각 채널 값의 평균을 산출하는 단계를 포함할 수 있다.
상기 방법은 잡음신호의 종류에 따라 상기 특정 주파수 영역, 상기 임계값 및 상기 파워 그래프의 주파수 파워를 각각 결정하는 단계를 더 포함할 수 있다.
상기 잡음신호 구간으로 결정하는 단계는 상기 잡음신호가 적어도 하나 이상인 경우 상기 잡음신호 별로 적어도 하나의 임계값을 개별 설정하고 상기 잡음신호에 따라 상기 적어도 하나의 임계값을 초과하는 채널의 개수를 기준으로 상기 잡음신호 구간을 결정하는 단계를 포함할 수 있다.
상기 잡음신호 구간으로 결정하는 단계는 상기 주파수 파워의 절대 파워를 기준으로 상기 잡음신호 구간을 결정하는 제1 단계; 상기 주파수 파워의 상대 파워를 기준으로 상기 잡음신호 구간을 결정하는 제2 단계; 상기 절대 파워 및 상기 상대 파워 간의 합의체를 기준으로 상기 잡음신호 구간을 결정하는 제3 단계; 및 상기 제1 내지 제3 단계들 간의 조합을 통해 상기 잡음신호 구간을 최종 결정하는 제4 단계를 포함할 수 있다.
상기 방법은 상기 잡음신호 구간을 기준으로 정의되는 잡음제거 구간을 상기 파워 그래프에서 제거하는 단계를 더 포함할 수 있다.
상기 파워 그래프에서 제거하는 단계는 상기 잡음신호 구간의 전과 후에 소정의 여유 구간을 각각 추가하여 상기 잡음제거 구간을 결정하는 단계를 포함할 수 있다.
상기 방법은 상기 초기 데이터를 기초로 에포크별 피처맵을 생성하는 단계; 상기 에포크별 피처맵을 학습하여 상기 잡음신호 구간을 분류하는 독립 모델을 구축하는 단계; 및 상기 베이스라인을 기초로 분류된 제1 잡음신호 구간 및 상기 독립 모델에 의해 분류된 제2 잡음신호 구간을 기초로 최종 잡음신호 구간을 결정하는 단계를 더 포함할 수 있다.
실시예들 중에서, 자동 잡음신호 구간 검출 장치는 입력 데이터를 수신하여 시간-주파수 도메인의 초기 데이터를 생성하는 데이터 변환부; 상기 초기 데이터의 각 채널에 대해 에포크(epoch)별 파워(power)를 산출하는 데이터 가공부; 상기 에포크별 파워를 기초로 상기 각 채널의 특정 주파수 영역에 대한 파워 그래프를 생성하는 데이터 분석부; 상기 파워 그래프 상에서 각 채널 값의 평균을 기초로 베이스라인(baseline)을 생성하는 베이스라인 생성부; 및 상기 파워 그래프 상에서 상기 베이스라인을 기준으로 기 설정된 임계값(threshold)을 초과하는 구간을 잡음신호 구간으로 결정하는 잡음신호 검출부;를 포함한다.
개시된 기술은 다음의 효과를 가질 수 있다. 다만, 특정 실시예가 다음의 효과를 전부 포함하여야 한다거나 다음의 효과만을 포함하여야 한다는 의미는 아니므로, 개시된 기술의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.
본 발명의 일 실시예에 따른 자동 잡음신호 구간 검출 방법 및 장치는 시계열 데이터를 주파수 도메인으로 변환하여 주파수 파워값의 흐름 변화를 바탕으로 잡음을 검출할 수 있다.
본 발명의 일 실시예에 따른 자동 잡음신호 구간 검출 방법 및 장치는 뇌파 뿐만 아니라 다양한 생체 신호에서도 동일한 잡음의 형태에 응용할 수 있는 메커니즘을 기대할 수 있고, 자동으로 잡음 신호 구간을 검출 및 제거하여 분석 결과의 신뢰도와 정확성이 높일 수 있으며, 전문성이 낮아 연구 및 적용이 힘들었던 다양한 분야에서 접근성을 낮출 수 있어 다양한 연구 및 개발 등에 접목시킬 수 있다.
도 1은 본 발명에 따른 잡음신호 구간 검출 시스템을 설명하는 도면이다.
도 2는 도 1의 잡음신호 구간 검출 장치의 시스템 구성을 설명하는 도면이다.
도 3은 도 1의 잡음신호 구간 검출 장치의 기능적 구성을 설명하는 도면이다.
도 4는 본 발명에 따른 자동 잡음신호 구간 검출 방법이 적용된 잡음신호 제거 방법을 설명하는 순서도이다.
도 5는 본 발명에 따른 자동 잡음신호 구간 검출 방법을 설명하는 순서도이다.
도 6은 졸음 구간 및 특정 움직임 구간에서의 서파 잡음에 대한 일반적인 주파수 흐름을 설명하는 도면이다.
도 7은 본 발명에 따른 베이스라인을 설명하는 도면이다.
도 8은 주파수 파워의 절대 파워와 상대 파워를 설명하는 도면이다.
도 9는 본 발명에 따른 잡음신호 구간을 설명하는 도면이다.
도 10은 본 발명에 따른 PSD 및 이미지 기반의 잡음신호 구간의 검출 방법을 설명하는 순서도이다.
본 발명에 관한 설명은 구조적 내지 기능적 설명을 위한 실시예에 불과하므로, 본 발명의 권리범위는 본문에 설명된 실시예에 의하여 제한되는 것으로 해석되어서는 아니 된다. 즉, 실시예는 다양한 변경이 가능하고 여러 가지 형태를 가질 수 있으므로 본 발명의 권리범위는 기술적 사상을 실현할 수 있는 균등물들을 포함하는 것으로 이해되어야 한다. 또한, 본 발명에서 제시된 목적 또는 효과는 특정 실시예가 이를 전부 포함하여야 한다거나 그러한 효과만을 포함하여야 한다는 의미는 아니므로, 본 발명의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.
한편, 본 출원에서 서술되는 용어의 의미는 다음과 같이 이해되어야 할 것이다.
"제1", "제2" 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하기 위한 것으로, 이들 용어들에 의해 권리범위가 한정되어서는 아니 된다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어"있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결될 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어"있다고 언급된 때에는 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 한편, 구성요소들 간의 관계를 설명하는 다른 표현들, 즉 "~사이에"와 "바로 ~사이에" 또는 "~에 이웃하는"과 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함하는 것으로 이해되어야 하고, "포함하다"또는 "가지다" 등의 용어는 실시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이며, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
각 단계들에 있어 식별부호(예를 들어, a, b, c 등)는 설명의 편의를 위하여 사용되는 것으로 식별부호는 각 단계들의 순서를 설명하는 것이 아니며, 각 단계들은 문맥상 명백하게 특정 순서를 기재하지 않는 이상 명기된 순서와 다르게 일어날 수 있다. 즉, 각 단계들은 명기된 순서와 동일하게 일어날 수도 있고 실질적으로 동시에 수행될 수도 있으며 반대의 순서대로 수행될 수도 있다.
본 발명은 컴퓨터가 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현될 수 있고, 컴퓨터가 읽을 수 있는 기록 매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함한다. 컴퓨터가 읽을 수 있는 기록 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있다. 또한, 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.
여기서 사용되는 모든 용어들은 다르게 정의되지 않는 한, 본 발명이 속하는 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한 이상적이거나 과도하게 형식적인 의미를 지니는 것으로 해석될 수 없다.
도 1은 본 발명에 따른 잡음신호 구간 검출 시스템을 설명하는 도면이다.
도 1을 참조하면, 잡음신호 구간 검출 시스템(100)은 사용자 단말(110), 잡음신호 구간 검출 장치(130) 및 데이터베이스(150)를 포함할 수 있다.
사용자 단말(110)은 사용자로부터 측정한 생체신호를 수집하여 제공할 수 있는 컴퓨팅 장치에 해당할 수 있다. 즉, 사용자는 사용자 단말(110)을 통해 자신의 뇌파, 심박동 등의 생체 신호를 수집하거나 측정할 수 있고, 이에 관한 잡음 제거를 위해 수집한 정보를 잡음신호 구간 검출 시스템(100)에게 전달할 수 있다.
또한, 사용자 단말(110)은 잡음신호 구간 검출 장치(130)와 연결되어 동작 가능한 스마트폰, 노트북 또는 컴퓨터로 구현될 수 있으며, 반드시 이에 한정되지 않고, 태블릿 PC 등 다양한 디바이스로도 구현될 수 있다. 사용자 단말(110)은 잡음신호 구간 검출 장치(130)와 네트워크를 통해 연결될 수 있고, 복수의 사용자 단말(110)들은 잡음신호 구간 검출 장치(130)와 동시에 연결될 수도 있다. 또한, 사용자 단말(110)은 잡음신호 구간 검출 시스템(100)이 제공하는 소정의 서비스를 이용할 수 있는 전용 프로그램 또는 어플리케이션을 설치하여 실행할 수 있다.
잡음신호 구간 검출 장치(130)는 사용자로부터 측정된 생체 신호를 기초로 잡음을 제거하여 정제 신호를 생성할 수 있는 컴퓨터 또는 프로그램에 해당하는 서버로 구현될 수 있다. 잡음신호 구간 검출 장치(130)는 사용자 단말(110)과 유선 네트워크 또는 블루투스, WiFi 등과 같은 무선 네트워크로 연결될 수 있고, 네트워크를 통해 사용자 단말(110)과 데이터를 송·수신할 수 있다. 또한, 잡음신호 구간 검출 장치(130)는 데이터의 수집 또는 추가 기능의 제공을 위하여 별도의 외부 시스템(도 1에 미도시함)과 연동하여 동작하도록 구현될 수도 있다.
한편, 도 1과 달리 잡음신호 구간 검출 장치(130)는 사용자 단말(110) 내부에 포함되어 구현될 수 있다. 이 경우, 잡음신호 구간 검출 장치(130)는 사용자 단말(110)의 일 구성요소로서 본 발명에 따른 자동 잡음신호 구간 검출 방법을 수행하는 독립적인 모듈로 구현될 수 있다. 여기에서는 보다 명확한 이해를 위하여 잡음신호 구간 검출 장치(130)를 사용자 단말(110)과 독립된 장치로서 설명한다.
데이터베이스(150)는 잡음신호 구간 검출 장치(130)의 동작 과정에서 필요한 다양한 정보들을 저장하는 저장장치에 해당할 수 있다. 예를 들어, 데이터베이스(150)는 사용자로부터 수집 또는 측정된 생체 신호들에 관한 정보를 저장할 수 있고, 생체 신호의 전처리를 위한 정보를 저장할 수 있으며, 반드시 이에 한정되지 않고, 잡음신호 구간 검출 장치(130)가 자동 잡음신호 구간 검출 방법을 수행하는 과정에서 다양한 형태로 수집 또는 가공된 정보들을 저장할 수 있다.
또한, 도 1에서, 데이터베이스(150)는 잡음신호 구간 검출 장치(130)와 독립적인 장치로서 도시되어 있으나, 반드시 이에 한정되지 않고, 잡음신호 구간 검출 장치(130)의 논리적인 저장장치로서 잡음신호 구간 검출 장치(130)에 포함되어 구현될 수 있음은 물론이다.
도 2는 도 1의 잡음신호 구간 검출 장치의 시스템 구성을 설명하는 도면이다.
도 2를 참조하면, 잡음신호 구간 검출 장치(130)는 프로세서(210), 메모리(230), 사용자 입출력부(250) 및 네트워크 입출력부(270)를 포함하여 구현될 수 있다.
프로세서(210)는 잡음신호 구간 검출 장치(130)가 동작하는 과정에서의 각 단계들을 처리하는 프로시저를 실행할 수 있고, 그 과정 전반에서 읽혀지거나 작성되는 메모리(230)를 관리할 수 있으며, 메모리(230)에 있는 휘발성 메모리와 비휘발성 메모리 간의 동기화 시간을 스케줄할 수 있다. 프로세서(210)는 잡음신호 구간 검출 장치(130)의 동작 전반을 제어할 수 있고, 메모리(230), 사용자 입출력부(250) 및 네트워크 입출력부(270)와 전기적으로 연결되어 이들 간의 데이터 흐름을 제어할 수 있다. 프로세서(210)는 잡음신호 구간 검출 장치(130)의 CPU(Central Processing Unit)로 구현될 수 있다.
메모리(230)는 SSD(Solid State Drive) 또는 HDD(Hard Disk Drive)와 같은 비휘발성 메모리로 구현되어 잡음신호 구간 검출 장치(130)에 필요한 데이터 전반을 저장하는데 사용되는 보조기억장치를 포함할 수 있고, RAM(Random Access Memory)과 같은 휘발성 메모리로 구현된 주기억장치를 포함할 수 있다.
사용자 입출력부(250)는 사용자 입력을 수신하기 위한 환경 및 사용자에게 특정 정보를 출력하기 위한 환경을 포함할 수 있다. 예를 들어, 사용자 입출력부(250)는 터치 패드, 터치 스크린, 화상 키보드 또는 포인팅 장치와 같은 어댑터를 포함하는 입력장치 및 모니터 또는 터치스크린과 같은 어댑터를 포함하는 출력장치를 포함할 수 있다. 일 실시예에서, 사용자 입출력부(250)는 원격 접속을 통해 접속되는 컴퓨팅 장치에 해당할 수 있고, 그러한 경우, 잡음신호 구간 검출 장치(130)는 독립적인 서버로서 수행될 수 있다.
네트워크 입출력부(270)은 네트워크를 통해 외부 장치 또는 시스템과 연결하기 위한 환경을 포함하고, 예를 들어, LAN(Local Area Network), MAN(Metropolitan Area Network), WAN(Wide Area Network) 및 VAN(Value Added Network) 등의 통신을 위한 어댑터를 포함할 수 있다.
도 3은 도 1의 잡음신호 구간 검출 장치의 기능적 구성을 설명하는 도면이다.
도 3을 참조하면, 잡음신호 구간 검출 장치(130)는 데이터 변환부(310), 데이터 가공부(320), 데이터 분석부(330), 베이스라인 생성부(340), 잡음신호 검출부(350), 잡음신호 제거부(360), 파라미터 설정부(370), 모델 구축부(380) 및 제어부(390)를 포함할 수 있다.
데이터 변환부(310)는 입력 데이터를 수신하여 시간-주파수 도메인의 초기 데이터를 생성할 수 있다. 데이터 변환부(310)는 사용자로부터 수집된 잡음을 포함하는 생체 신호(예를 들어, 뇌파 신호)를 수신할 수 있으며, 이때 생체 신호는 시간의 흐름에 따른 신호 세기의 흐름을 관한 시계열 데이터에 해당할 수 있다. 데이터 변환부(310)는 시계열 데이터를 주파수 도메인의 데이터로 변환하여 주파수 파워를 이용한 잡음신호 구간 검출 동작이 수행될 수 있도록 지원할 수 있다.
보다 구체적으로, 데이터 변환부(310)는 시계열 도메인의 데이터를 주파수 도메인의 데이터로 변환하기 위한 방법으로 FFT(Fast Fourier Transform)를 기반으로 응용한 Superlet 방법을 활용할 수 있다. Superlet 방법은 FFT 방법에 비해 시간적 해상도에 강점을 가지고 있으며, 짧은 구간 내 주파수 파워를 계산하는데 적합할 수 있다. 한편, 데이터 변환부(310)는 데이터 변환을 위해 Superlet 방법을 사용할 수 있으나, 반드시 이에 한정되지 않고, 이론적으로 주파수 도메인으로 계산할 수 있는 다양한 방법들이 사용될 수 있음은 물론이다. 데이터 변환부(310)는 주파수 도메인의 데이터를 시간-주파수 형식의 데이터로 선택적으로 변환할 수 있다.
일 실시예에서, 데이터 변환부(310)는 로우 데이터(raw data)를 기초로 소정의 전처리 단계를 수행하여 각 채널에 대한 시계열 데이터를 입력 데이터로서 수신할 수 있다. 즉, 데이터 변환부(310)에 전달되는 입력 데이터는 소정의 전처리 동작에 의해 1차적으로 잡음이 제거된 정제 데이터(cleaned data)에 해당할 수 있다. 이에 대해서는 도 5에서 보다 자세히 설명한다.
데이터 가공부(320)는 초기 데이터의 각 채널에 대해 에포크(epoch)별 파워(power)를 산출할 수 있다. 여기에서, 초기 데이터는 복수의 채널들에 대한 신호들로 구성될 수 있다. 예를 들어, 뇌파 신호의 경우 사용자의 머리에 부착된 전극 센서들을 통해 수집된 복수의 신호들로 구성될 수 있다. 특히, 뇌파 신호의 경우 국제표준 10-20 시스템에 따라 소정의 위치에 배치된 전극들(Fp1, Fp2, F7, F8, F3, F4, Fz, T3, T4, C3, C4, Cz, T5, T6, P3, P4, Pz, O1, O2))을 통해 측정될 수 있으며, 이들로부터 수집되는 뇌파 신호는 총 19개의 채널(또는 주파수 대역)들로 구성될 수 있다.
이에 따라, 데이터 가공부(320)는 초기 데이터의 각 채널에 대해 독립적인 동작을 수행할 수 있다. 일 실시예에서, 데이터 가공부(320)는 소정의 시간 구간을 에포크의 길이(window)로 설정할 수 있고, 에포크를 초기 데이터의 시간축에 따라 이동시키면서 에포크별 파워를 순차적으로 산출할 수 있다.
먼저, 데이터 가공부(320)는 주파수 파워(PSD, Power Spectrum Density)를 산출하기 위한 에포크(epoch) 길이를 결정할 수 있다. 여기에서, 에포크(epoch)는 주파수 파워를 산출하기 위한 시간 단위에 해당할 수 있다. 즉, 에포크 길이는 소정의 시간 구간으로 정의될 수 있으며, 예를 들어, 4초(s)로 설정될 수 있다. 한편, 에포크 길이는 생체 신호(raw data)의 특성에 따라 가변적으로 적용될 수 있다.
에포크 길이(window)가 설정된 경우, 데이터 가공부(320)는 초기 데이터의 시간축을 따라 에포크 길이만큼의 신호 구간을 순차적으로 추출할 수 있고, 해당 신호 구간을 기준으로 주파수 파워(PSD)를 산출할 수 있다. 즉, 데이터 가공부(320)는 에포크 길이를 설정한 후 초기 데이터로부터 각 에포크의 주파수 파워(epoch band power)를 산출하는 동작을 반복적으로 수행할 수 있다.
일 실시예에서, 데이터 가공부(320)는 이동 전후의 연속하는 에포크들 사이에 소정의 비율만큼의 중복 구간을 포함하도록 에포크의 이동 간격을 설정할 수 있다. 예를 들어, 중복 비율이 90%로 설정된 경우 데이터 가공부(320)는 에포크 구간 별로 90% 겹침이 발생하도록 에포크의 이동 간격을 설정할 수 있다(overlapping windowing). 즉, 에포크 길이가 4초이고 중복 비율이 90%인 경우 에포크에 관한 제1 구간이 0 ~ 4s이면 제2 구간은 0.4 ~ 4.4s에 해당할 수 있다. 한편, 에포크들 간의 중복(overlapping) 비율도 가변적으로 적용될 수 있음은 물론이다. 데이터 가공부(320)에 의해 산출되는 에포크별 파워(구간별 주파수 파워(PSD))는 시간의 흐름에 따른 주파수 파워의 흐름에 관한 정보를 포함할 수 있다.
일 실시예에서, 데이터 가공부(320)는 초기 데이터를 기초로 에포크별 피처맵을 생성할 수 있다. 즉, 데이터 가공부(320)는 초기 데이터의 각 채널에 대해 에포크별 피처맵을 생성할 수 있다. 데이터 가공부는 초기 데이터를 기초로 에포크별 파워를 산출할 수 있고, 에포크별 파워를 시각화된 이미지로 생성할 수 있다. 즉, 에포크별 피처맵은 에포크별 파워를 시각화하여 생성된 이미지에 해당할 수 있다. 데이터 가공부(320)에 의해 생성된 피처맵들은 잡음신호 구간 검출을 위한 독립 모델을 구축하는데 학습 데이터로 사용될 수 있다.
데이터 분석부(330)는 에포크별 파워를 기초로 각 채널의 특정 주파수 영역에 대한 파워 그래프를 생성할 수 있다. 일 실시예에서, 데이터 분석부(330)는 뇌파 신호에 관한 델타(delta) 또는 세타(theta) 영역을 특정 주파수 영역으로 결정하고 시간의 흐름에 따른 주파수 파워의 흐름에 관한 그래프를 파워 그래프로서 생성할 수 있다. 예를 들어, 사용자의 뇌파 신호를 분석하여 졸음 구간이나 특정 움직임에 따른 서파 잡음(slow drift)을 검출하는 경우, 뇌파 신호의 채널 중 델타(delta)와 세타(theta) 주파수 대역의 파워 흐름이 중요할 수 있다.
이에 따라, 데이터 분석부(330)는 델타 또는 세타 영역을 특정 주파수 영역으로 결정할 수 있고 에포크별 파워로부터 해당 주파수 대역의 파워 정보를 추출하여 파워 그래프를 생성할 수 있다. 여기에서, 파워 그래프는 시간의 흐름에 따른 주파수 파워의 흐름에 관한 그래프로 표현될 수 있다. 즉, 파워 그래프는 x축과 y축의 2차원 그래프에 해당할 수 있고, x축은 시간축으로, y축은 PSD축으로 표현될 수 있다.
일 실시예에서, 데이터 분석부(330)는 주파수 파워를 절대 파워(absolute power) 또는 상대 파워(relative power)를 기준으로 구분하여 적용할 수 있다. 여기에서, 절대 파워(absolute power)는 전처리된 복수의 뇌파 신호 각각의 파워값(예: 복수의 뇌파 신호 각각이 출현한 정도)의 합산을 통해 산출될 수 있다. 또한, 상대 파워(relative power)는 전처리된 복수의 뇌파 신호의 파워값의 총합에서, 전처리된 복수의 뇌파 신호 각각의 파워값이 차지하는 비율(%)을 통해 산출될 수 있다. 다만, 절대 파워 및 상대 파워의 산출 방법은 반드시 이에 한정되지 않고 다양한 방법이 적용될 수 있음은 물론이다.
따라서, 파워 그래프의 y축은 델타 또는 세타에 관한 PSD값에 해당할 수 있으며, 절대 파워 또는 상대 파워를 기준으로 각각 생성될 수 있다. 잡음신호 구간 검출 장치(130)는 검출하려는 잡음신호의 특성에 따라 파워 그래프의 절대 파워 또는 상대 파워를 선택적으로 적용할 수 있다.
예를 들어, 서로 다른 제1 잡음(예를 들어, 졸음 구간 잡음) 및 제2 잡음(예를 들어, 특정 움직임 구간 잡음)을 절대 파워(PSD Abs) 또는 상대 파워(PSD Rel)를 기준으로 분류해보면, 제2 잡음의 경우 상대 파워 PSD를 기준으로 하였을 때 잘 분류해 내고 제1 잡음의 경우 절대 파워 PSD를 기준으로 하였을 때 잘 분류해 낼 수 있다. 즉, 각각의 잡음에 대해서 절대 및 상대 파워 둘 다 사용될 수 있고, 절대 및 상대 파워의 합의체에 따라 분류될 수도 있다.
베이스라인 생성부(340)는 파워 그래프 상에서 각 채널 값의 평균을 기초로 베이스라인(baseline)을 생성할 수 있다. 여기에서, 베이스라인(baseline)은 잡음을 분류하는 기준라인에 해당할 수 있으며, 베이스라인을 통해 채널별 주파수 파워의 트랜드(trend)가 제거될 수 있다. 베이스라인 생성부(340)는 기초 데이터를 구성하는 복수의 채널들에 대한 각각의 주파수 파워를 통합한 정보를 기초로 잡음신호 검출을 위한 베이스라인을 생성할 수 있다. 이때, 베이스라인 생성부(340)는 각 채널 값의 평균을 통해 베이스라인을 생성할 수 있으며, 반드시 이에 한정되지 않고, 각 채널 값을 통합하기 위해 다양한 방법이 사용될 수 있다.
일 실시예에서, 베이스라인 생성부(340)는 파워 그래프의 시간축을 기준으로 베이스라인 생성을 위한 단위 구간의 크기와 이동 간격을 설정할 수 있고, 이동 간격에 따라 이동하면서 단위 구간마다 각 채널 값의 평균을 산출할 수 있다. 예를 들어, 베이스라인 생성부(340)는 도 7에 도시된 바와 같이, 전체 범위(도 7의 경우, 500 epoch)에 대해 특정 범위(예를 들어, 150bin)을 기준으로 베이스라인을 생성할 수 있다. 또한, 베이스라인 생성부(340)는 단위 구간을 1 epoch 간격으로 이동하면서 베이스라인을 생성할 수 있다.
이때, 빈(bin)의 크기가 작아지는 경우 PSD 변화에 대해 민감해질 수 있고, 이와 반대로 bin의 크기가 커지는 경우 PSD 변화에 대해 강인해질 수 있다. 도 7에서, 3분 20초(200초)의 길이를 가지는 뇌파 데이터에 대해 4초 길이의 window 및 90% overlapping을 기준으로 PSD를 생성하는 경우 총 500 epoch를 가지는 PSD 데이터가 생성될 수 있다. 또한, bin은 베이스라인의 평균을 산출하는데 사용되는 x값들의 결정 기준에 해당할 수 있다. Bin 값이 올라갈수록 PSD 변화에 대해 민감해질 수 있고, bin 값이 작아질수록 PSD 변화에 강인해질 수 있다.
잡음신호 검출부(350)는 파워 그래프 상에서 베이스라인을 기준으로 기 설정된 임계값(threshold)을 초과하는 구간을 잡음신호 구간으로 결정할 수 있다. 즉, 잡음신호 검출부(350)는 베이스라인을 기준으로 임계값을 넘어서는 시간 영역을 잡음신호 구간(bad epoch 영역)으로 결정할 수 있다.
일 실시예에서, 잡음신호 검출부(350)는 잡음신호가 적어도 하나 이상인 경우 잡음신호 별로 적어도 하나의 임계값을 개별 설정하고 잡음신호에 따라 상기 적어도 하나의 임계값을 초과하는 채널의 개수를 기준으로 잡음신호 구간을 결정할 수 있다. 즉, 잡음들을 식별하기 위하여 각각의 잡음신호마다 임계값이 독립적으로 설정될 수 있으며, 필요에 따라 동일 잡음신호에 대해 복수의 임계값들이 설정될 수도 있다. 일반적으로 제1 잡음(졸음 구간 잡음) 및 제2 잡음(특정 움직임 구간 잡음)의 크기가 서로 다르기 때문에 임계값은 각각의 잡음 별로 상이하게 결정되어야 한다.
구분 제1 잡음 제2 잡음 잡음 유무
제1 임계값 채널 수 제2 임계값 채널 수
1.5 4 2 2
데이터 1 3 0 X
데이터 2 3 1 O(제1 잡음)
데이터 3 6 0 O(제1 잡음)
데이터 4 2 2 O(제2 잡음)
예를 들어, 상기의 표 1을 참조하면, 제1 잡음에 대한 제1 임계값을 초과하는 채널의 개수가 4로 설정된 경우, 실제 데이터에서 제1 임계값을 초과하는 채널의 개수가 4 이상이면 제1 잡음으로 결정될 수 있으나, 제1 임계값을 초과하는 채널의 개수가 4 미만인 경우에는 해당 데이터는 제1 잡음으로 결정될 수 없다.
다른 예로서, 제1 잡음과 함께 제2 잡음을 검출하는 경우에 있어, 제1 임계값보다 큰 제2 임계값이 설정된 것으로 가정하면, 실제 데이터에서 1)제1 임계값을 초과하는 채널의 개수가 3인 경우(제2 임계값을 초과하는 채널은 없음)에는 잡음으로 결정되지 않고(표 1의 데이터 1), 2)제1 임계값을 초과하는 채널의 개수가 3이면서 제2 임계값을 초과하는 채널의 개수가 1인 경우에는 잡음으로 결정되며 해당 잡음은 제1 잡음으로 식별될 수 있다(표 1의 데이터 2). 또한, 3)제1 임계값을 초과하는 채널의 개수가 6이면서 제2 임계값을 초과하는 채널이 없는 경우에는 잡음으로 결정되며, 해당 잡음은 제1 잡음으로 식별될 수 있다(표 1의 데이터 3).
만약 제2 임계값을 초과하는 채널의 개수가 2로 설정된 경우에 4)제1 임계값을 초과하는 채널의 개수가 2이면서 제2 임계값을 초과하는 채널의 개수가 2인 경우에는 잡음으로 결정되며, 해당 잡음은 제2 잡음으로 식별될 수 있다(표 1의 데이터 4). 즉, 잡음신호 검출부(350)는 잡음신호 별로 복수개의 임계값 기준을 설정할 수 있고, 각각의 임계값을 초과하는 채널의 개수는 임계값 기준 크기에 반비례하도록 설정할 수 있다.
일 실시예에서, 잡음신호 검출부(350)는 주파수 파워의 절대 또는 상대 파워의 다양한 조합을 기준으로 잡음신호 구간을 결정할 수 있다. 즉, 잡음신호 검출부(350)는 기본적으로 절대 파워 또는 잡음 파워의 단일 기준을 적용하여 잡음신호 구간을 결정할 수 있으며, 필요에 따라 절대 및 상대 파워들 간의 합의체를 기준으로 잡음신호 구간을 결정할 수도 있다. 예를 들어, 잡음신호 검출부(350)는 절대 파워를 기준으로 제1 잡음인지 여부를 1차적으로 검토하고 다음으로 상대 파워를 기준으로 제1 잡음인지 여부를 최종적으로 검토하여 잡음신호 구간을 정의할 수 있다. 다만, 잡음신호 검출부(350)의 동작은 상기 순서에 구속되는 것은 아니고, 상대 파워를 먼저 검토하고 절대 파워를 나중에 검토할 수도 있으며, 절대 및 상대 파워 합의체에 의해 잡음 여부를 검토할 수도 있다.
보다 구체적으로, 잡음신호 검출부(350)는 주파수 파워의 절대 파워를 기준으로 잡음신호 구간을 결정하는 제1 단계, 주파수 파워의 상대 파워를 기준으로 잡음신호 구간을 결정하는 제2 단계, 절대 파워 및 상대 파워 간의 합의체를 기준으로 잡음신호 구간을 결정하는 제3 단계 및 제1 내지 제3 단계들 간의 조합을 통해 잡음신호 구간을 최종 결정하는 제4 단계를 수행할 수 있다.
일 실시예에서, 잡음신호 검출부(350)는 베이스라인을 기초로 분류된 제1 잡음신호 구간 및 독립 모델에 의해 분류된 제2 잡음신호 구간을 기초로 최종 잡음신호 구간을 결정할 수 있다. 잡음신호 검출부(350)는 PSD에 기반한 베이스라인을 기초로 잡음신호 구간을 검출할 수 있으나, 이와 달리 이미지를 통해 검출하는 방법을 함께 적용할 수도 있다. 즉, 잡음신호 검출부(350)는 시각화된 정보로서 에포크별 피처맵을 기초로 구축된 독립 모델을 이용하여 잡음신호 구간을 검출할 수 있다. 독립 모델은 에포크별 피처맵을 학습한 결과로서 생성될 수 있으며, 모델 구축부(380)에 의해 수행될 수 있다. 이에 대해서는 도 10에서 보다 자세히 설명한다.
잡음신호 제거부(360)는 잡음신호 구간을 기준으로 정의되는 잡음제거 구간을 파워 그래프에서 제거할 수 있다. 일 실시예에서, 잡음신호 제거부(360)는 잡음신호 구간의 전과 후에 소정의 여유 구간을 각각 추가하여 잡음제거 구간을 결정할 수 있다.
잡음신호 구간을 제거함에 있어 잡음이 심하게 변형이 되는 구간만을 국소적으로 제거하는 경우 신호의 비연결성(disconnection)이 발생할 수 있으며, 이는 뇌파 분석 알고리즘에 영향을 줄 수 있다. 따라서, 잡음신호 제거부(360)는 잡음신호 구간의 앞/뒤로 여유분의 구간을 추가하여 잡음신호에 관한 파형의 시작과 끝이 여유롭게 포함될 수 있도록 제거 구간을 재특정할 수 있다. 여기에서, 잡음제거 구간은 신호 제거를 위해 재특정된 구간에 해당할 수 있다. 이에 대해서는, 도 9에서 보다 자세히 설명한다.
파라미터 설정부(370)는 잡음신호의 종류에 따라 특정 주파수 영역, 임계값 및 파워 그래프의 주파수 파워를 각각 결정할 수 있다. 즉, 잡음신호 구간 검출 장치(130)는 파라미터 설정부(370)를 통해 잡음신호 검출을 위한 다양한 파라미터들을 설정할 수 있다. 파라미터 설정부(370)는 검출하려는 잡음의 특성에 따라 임계값을 개별적으로 설정할 수 있다. 또한, 파라미터 설정부(370)는 잡음에 따라 기준이 되는 PSD의 주파수 영역 또는 절대 및 상대 파워에 관한 기준도 각각 변경할 수 있다.
모델 구축부(380)는 에포크별 피처맵을 학습하여 잡음신호 구간을 분류하는 독립 모델을 구축할 수 있다. 이에 대해서는, 도 10에서 보다 자세히 설명한다.
제어부(390)는 잡음신호 구간 검출 장치(130)의 전체적인 동작을 제어하고, 데이터 변환부(310), 데이터 가공부(320), 데이터 분석부(330), 베이스라인 생성부(340), 잡음신호 검출부(350), 잡음신호 제거부(360), 파라미터 설정부(370) 및 모델 구축부(380) 간의 제어 흐름 또는 데이터 흐름을 관리할 수 있다.
도 4는 본 발명에 따른 자동 잡음신호 구간 검출 방법이 적용된 잡음신호 제거 방법을 설명하는 순서도이다.
도 4를 참조하면, 잡음신호 구간 검출 장치(130)는 사용자로부터 측정된 생체 신호를 기초로 잡음신호 구간 검출을 위한 전처리(preprocessing) 동작을 수행할 수 있다(S410). 예를 들어, 피험자의 뇌파 신호(raw EEG signal)를 측정하는 경우 잡음신호 구간 검출 장치(130)는 특정 기기로 제한되지 않고 다양한 장치들를 통해 뇌파 신호를 측정할 수 있다.
특히, 뇌파 신호는 μV단위의 매우 미세한 크기를 가진다는 점에서, 크게 증폭될 필요성이 있으며 세밀하게 측정되어야 한다. 또한, 뇌파 신호는 그 크기가 미세하다는 점에서 사용자의 눈 움직임, 근육 활동, 외부 기기 등에 의해서 영향을 받을 수 있다.
따라서, 뇌파 신호 측정은 뇌파계의 전극과 사람의 두피 사이의 저항이 특정 기준 이하가 되어야 측정을 시작할 수 있다. 뇌파 신호의 측정 및 수집 단계에서 사용자의 두피와 전극 사이에 이물질을 제거하고 사용자의 머리카락을 헤집어 주는 등 임피던스를 낮추는 동작(5kΩ 이하)이 요구될 수 있다.
바람직하게는, 사용자는 각성 안정상태에 있어야 하고 앉은 상태에서 뇌파를 측정하여야 한다. 뇌파 데이터에 대한 데이터 샘플링 속도는 200Hz이상이어야 하고, 가공하지 않은 raw data 형태로 추출되어야 한다.
또한, 잡음신호 구간 검출 장치(130)는 가공하지 않은 raw data의 시계열 신호를 분석 및 해석하고자 할 주파수 범위로 필터링을 수행할 수 있다. 주로 1 ~ 45Hz로 분석을 진행하지만 주파수의 범위에 제한되지는 않는다.
1Hz이하의 신호를 필터하는 이유는 0 ~ 1Hz의 신호의 추이는 매우 값이 클 뿐만 아니라, 잡음에 매우 민감하게 움직일 수 있는 범위이기 때문이다. 또한, 분석 결과로써 일반적으로 해석 대상에서는 제외하는 범위에 해당할 수 있다.
잡음신호 구간 검출 장치(130)는 필요에 따라 선택적으로 전원잡음제거(Notch filter)도 수행할 수 있다. 예를 들어, 한국의 경우 55 or 60Hz의 교류전원잡음이 있으며, 나라별 지역별로 상이할 수 있다. 잡음신호 구간 검출 장치(130)는 이후 소정의 전처리 연산을 순차적으로 수행할 수 있으며, 결과적으로 1차적으로 잡음이 제거된 시계열 데이터를 입력 데이터로 수신하여 잡음신호 구간 검출을 위한 동작을 개시할 수 있다(S430).
도 5는 본 발명에 따른 자동 잡음신호 구간 검출 방법을 설명하는 순서도이다.
도 5를 참조하면, 잡음신호 구간 검출 장치(130)는 도 4에서 설명한 바와 같이, 소정의 전처리 단계를 거쳐 수신된 입력 데이터를 기초로 잡음신호 구간 검출을 위한 동작을 구체적으로 수행할 수 있다.
보다 구체적으로, 잡음신호 구간 검출 장치(130)는 Superlet data 단계(S510)를 통해 입력 데이터를 주파수 도메인의 기초 데이터로 변환하는 동작을 수행할 수 있다.
이후, 잡음신호 구간 검출 장치(130)는 Epoch band power 단계(S530)를 통해 기초 데이터로부터 에포크별 파워를 산출할 수 있다. 잡음신호 구간 검출 장치(130)는 Delta, Theta transition 단계(S550)를 통해 에포크별 파워를 기초로 특정 주파수 영역에 관한 파워 그래프를 생성할 수 있다.
이후, 잡음신호 구간 검출 장치(130)는 Detrend 단계(S570)를 통해 파워 그래프 상에서 각 채널의 신호들을 통합한 결과로서 베이스라인을 생성할 수 있다. 잡음신호 구간 검출 장치(130)는 Detecting bad epoch 단계(S590)를 통해 베이스라인과의 비교를 통해 잡음신호 구간을 검출할 수 있다.
도 6은 졸음 구간 및 특정 움직임 구간에서의 서파 잡음에 대한 일반적인 주파수 흐름을 설명하는 도면이다.
도 6a 내지 6d를 참조하면, 잡음신호 구간 검출 장치(130)는 데이터 분석부(330)를 통해 에포크별 파워를 기초로 각 채널의 특정 주파수 영역에 대한 파워 그래프를 생성할 수 있다. 즉, 파워 그래프를 통해 시간의 흐름에 따른 주파수 파워의 흐름을 파악할 수 있게 된다. 특히, 졸음 구간과 특정 움직임에 따라 발생하는 서파 잡음(slow dirft)을 검출하는데, 델타와 세타 주파수 대역의 파워 흐름이 중요할 수 있다. 도 6은 이러한 서파 잡음에 대한 일반적인 주파수 흐름의 현상을 나타낼 수 있다.
보다 구체적으로, 도 6a는 졸음 구간 잡음(제1 잡음)에 대한 입력 데이터를 나타내고, 도 6b는 졸음 구간 잡음에 대한 델타 또는 세타의 PSD 데이터에 해당할 수 있다. 즉, Delta와 Theta의 파워 흐름내에서 동시간에 대부분의 전극에서 큰 흐름의 변화를 보이고 있음을 확인할 수 있다.
또한, 도 6c는 특정 움직임 구간 잡음(제2 잡음)에 대한 입력 데이터를 나타내고, 도 6d는 특정 움직임 구간 잡음에 대한 델타 또는 세타의 PSD 데이터에 해당할 수 있다. 즉, Delta또는 Theta의 파워 흐름내에서 특정 전극이 다른 전극의 흐름과 다르게 매우 큰 변화를 보이고 있음을 확인할 수 있다.
도 8은 주파수 파워의 절대 파워와 상대 파워를 설명하는 도면이다.
도 8을 참조하면, 잡음신호 구간 검출 장치(130)는 잡음신호 검출부(350)를 통해 주파수 파워의 절대 또는 상대 파워의 다양한 조합을 기준으로 잡음신호 구간을 결정할 수 있다. 도 8a는 절대 파워(Absolute power)를 기준으로 잡음신호 구간 검출을 위한 임계값을 적용하는 과정을 나타낼 수 있고, 도 8b는 상대 파워(Relative power)를 기준으로 잡음신호 구간 검출을 위한 임계값을 적용하는 과정을 나타낼 수 있다.
제1 잡음(졸음 구간 잡음) 및 제2 잡음(특정 움직임 구간 잡음)에 따라 임계(Threshold)값은 변할 수 있다. 또한, 기준이 되는 PSD의 주파수 영역 또는 절대(Abs), 상대(Rel) 기준도 변경될 수 있다.
여기에서, bad epoch를 잡아내는 기준은 앙상블로 형성될 수 있다. 예를 들어, Abs 파워를 기준으로 제1 잡음인지 여부를 1차적으로 검토하고 다음으로 Rel 파워를 기준으로 제1 잡음인지 여부를 최종적으로 검토하여 bad epoch을 정의할 수 있다.
본 발명은 상기 순서에 구속되는 것은 아니고, Rel 파워를 먼저 검토하고 Abs 파워를 나중에 검토할 수도 있으며, Abs 및 Rel 파워 합의체에 의해 잡음 여부를 검토할 수도 있다.
도 9는 본 발명에 따른 잡음신호 구간을 설명하는 도면이다.
도 9를 참조하면, 잡음신호 구간 검출 장치(130)는 잡음신호 제거부(360)를 통해 잡음신호 구간을 기준으로 정의되는 잡음제거 구간을 파워 그래프에서 제거할 수 있다.
보다 구체적으로, 특정된 잡음신호의 구간을 제거하기 위해서 구간을 설정해주는 기준도 필요할 수 있다. 구간을 제거함에 있어서 잡음이 심하게 변형이 되는 구간만 국소적으로 제거한다면 신호의 비연결성(Disconnection)이 발생하여 이후 뇌파 분석 알고리즘에 영향을 줄 수 있다. 따라서, 앞/뒤로 여유분의 구간을 추가하여 잡음 신호의 파동의 시작과 끝을 여유롭게 포함할 수 있도록 구간을 재특정한다.
도 9에서, bin의 크기가 150인 경우, 300 epoch에서 잡음을 감지하는 경우, 잡음은 450 epoch에서 시작하는 것이 되고, 470 epoch에서 끝나는 경우 잡음은 470 epoch에서 사라지는 것이므로 450 내지 470 epoch 구간을 잡음신호 구간으로 결정할 수 있다(0.4 * 20 = 총 8초). 따라서, 잡음신호 구간 검출 장치(130)는 정확히 8초를 제거(rejection)시키는 것이 아니라 앞 뒤로 특정시간을 추가하여 제거할 수 있다(예를 들어, 180초- ~ 188초+).
도 10은 본 발명에 따른 PSD 및 이미지 기반의 잡음신호 구간의 검출 방법을 설명하는 순서도이다.
도 10을 참조하면, 본 발명에 따른 잡음신호 구간 검출 방법은 다양한 잡음의 종류에도 응용이 가능할 수 있다. 즉, 뇌파 이외에 시계열 데이터를 이용한 다양한 생체 신호에도 적용 가능한 방법에 해당할 수 있다.
또한, 잡음신호 구간 검출 방법은 PSD 만으로 Bad Epoch를 잡아내지 않고, 이미지를 통해 잡아내는 방법도 가능할 수 있다(즉, 앙상블 또는 합의체 방식).
도 10에서, 본 발명에 따른 잡음신호 구간 검출 방법은 PSD 기반의 잡음신호 검출 과정(제1 과정, S1010)과 이미지 기반의 잡음신호 검출 과정(제2 과정, S1030)을 통합적으로 적용하여 잡음신호 구간을 검출할 수 있다. 즉, 제1 과정과 제2 과정이 각각 독립적으로 수행되고, 각 과정에서 검출된 잡음신호 구간이 통합된 결과 최종적인 잡음신호 구간이 결정될 수 있다.
상기에서는 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
100: 잡음신호 구간 검출 시스템
110: 사용자 단말 130: 잡음신호 구간 검출 장치
150: 데이터베이스
210: 프로세서 230: 메모리
250: 사용자 입출력부 270: 네트워크 입출력부
310: 데이터 변환부 320: 데이터 가공부
330: 데이터 분석부 340: 베이스라인 생성부
350: 잡음신호 검출부 360: 잡음신호 제거부
370: 파라미터 설정부 380: 모델 구축부
390: 제어부

Claims (14)

  1. 데이터 변환부, 데이터 가공부, 데이터 분석부, 베이스라인 생성부 및 잡음신호 검출부를 포함하는 자동 잡음신호 구간 검출 장치에서 수행되는 자동 잡음신호 구간 검출 방법에 있어서,
    상기 데이터 변환부를 통해, 입력 데이터를 수신하여 시간-주파수 도메인의 초기 데이터를 생성하는 단계;
    상기 데이터 가공부를 통해, 상기 초기 데이터의 각 채널에 대해 에포크(epoch)별 파워(power)를 산출하는 단계;
    상기 데이터 분석부를 통해, 상기 에포크별 파워를 이용하여 시간 변화에 따른 상기 각 채널의 특정 주파수 영역에 대한 파워 그래프를 생성하는 단계;
    상기 베이스라인 생성부를 통해, 상기 파워 그래프 상에서 각 채널 값의 평균을 산출하여 베이스라인(baseline)을 생성하는 단계; 및
    상기 잡음신호 검출부를 통해, 상기 파워 그래프 상에서 상기 베이스라인을 기준으로 기 설정된 임계값(threshold)을 초과하는 구간을 잡음신호 구간으로 결정하는 단계;를 포함하되,
    상기 잡음신호 구간으로 결정하는 단계는 상기 잡음신호가 적어도 하나 이상인 경우 상기 잡음신호 별로 적어도 하나의 임계값을 개별 설정하고 상기 잡음신호에 따라 상기 적어도 하나의 임계값을 초과하는 채널의 개수를 기준으로 상기 잡음신호 구간을 결정하는 단계를 포함하는 것을 특징으로 하는 자동 잡음신호 구간 검출 방법.
  2. 제1항에 있어서, 상기 초기 데이터를 생성하는 단계는
    로우 데이터(raw data)를 기초로 특정의 전처리 단계를 수행하여 상기 각 채널에 대한 시계열 데이터를 상기 입력 데이터로서 수신하는 단계를 포함하는 것을 특징으로 하는 자동 잡음신호 구간 검출 방법.
  3. 제1항에 있어서, 상기 에포크별 파워를 산출하는 단계는
    특정의 시간 구간을 상기 에포크의 길이(window)로 설정하는 단계; 및
    상기 에포크를 상기 초기 데이터의 시간축에 따라 이동시키면서 상기 에포크별 파워를 순차적으로 산출하는 단계를 포함하는 것을 특징으로 하는 자동 잡음신호 구간 검출 방법.
  4. 제3항에 있어서, 상기 에포크별 파워를 순차적으로 산출하는 단계는
    이동 전후의 연속하는 에포크들 사이에 특정의 비율만큼의 중복 구간을 포함하도록 상기 에포크의 이동 간격을 설정하는 단계를 포함하는 것을 특징으로 하는 자동 잡음신호 구간 검출 방법.
  5. 제1항에 있어서, 상기 파워 그래프를 생성하는 단계는
    뇌파 신호에 관한 델타(delta) 또는 세타(theta) 영역을 상기 특정 주파수 영역으로 결정하고 시간의 변화에 따른 주파수 파워의 변화에 관한 그래프를 상기 파워 그래프로서 생성하는 단계를 포함하는 것을 특징으로 하는 자동 잡음신호 구간 검출 방법.
  6. 제5항에 있어서, 상기 파워 그래프를 생성하는 단계는
    절대 파워(absolute power) 및 상대 파워(relative power) 중 어느 하나를 선택하여 상기 주파수 파워에 적용하는 단계를 포함하는 것을 특징으로 하는 자동 잡음신호 구간 검출 방법.
  7. 제1항에 있어서, 상기 베이스라인을 생성하는 단계는
    상기 파워 그래프의 시간축을 기준으로 상기 베이스라인 생성을 위한 단위 구간(bin)의 크기와 이동 간격을 설정하는 단계; 및
    상기 이동 간격에 따라 이동하면서 상기 단위 구간마다 상기 각 채널 값의 평균을 산출하는 단계를 포함하는 것을 특징으로 하는 자동 잡음신호 구간 검출 방법.
  8. 제1항에 있어서,
    잡음신호의 종류에 따라 상기 특정 주파수 영역, 상기 임계값 및 상기 파워 그래프의 주파수 파워를 각각 결정하는 단계를 더 포함하는 것을 특징으로 하는 자동 잡음신호 구간 검출 방법.
  9. 삭제
  10. 제8항에 있어서, 상기 잡음신호 구간으로 결정하는 단계는
    상기 주파수 파워의 절대 파워에 따라 잡음인지 여부를 검토하여 상기 잡음신호 구간을 결정하는 제1 단계;
    상기 주파수 파워의 상대 파워에 따라 잡음인지 여부를 검토하여 상기 잡음신호 구간을 결정하는 제2 단계;
    상기 절대 파워 및 상기 상대 파워를 합산한 결과에 따라 잡음인지 여부를 검토하여 상기 잡음신호 구간을 결정하는 제3 단계; 및
    상기 제1 내지 제3 단계들 간의 조합을 통해 상기 잡음신호 구간을 최종 결정하는 제4 단계를 포함하는 것을 특징으로 하는 자동 잡음신호 구간 검출 방법.
  11. 제1항에 있어서,
    상기 잡음신호 구간을 기준으로 정의되는 잡음제거 구간을 상기 파워 그래프에서 제거하는 단계를 더 포함하는 것을 특징으로 하는 자동 잡음신호 구간 검출 방법.
  12. 제11항에 있어서, 상기 파워 그래프에서 제거하는 단계는
    상기 잡음신호 구간의 전과 후에 기 설정된 특정 구간을 각각 추가하여 해당 추가된 특정 구간과 상기 잡음신호 구간을 상기 잡음제거 구간으로 결정하는 단계를 포함하는 것을 특징으로 하는 자동 잡음신호 구간 검출 방법.
  13. 제1항에 있어서,
    상기 초기 데이터의 각 채널에 대해 에포크별 파워를 산출하고 상기 에포크별 파워를 시각화하여 생성된 이미지에 해당하는 에포크별 피처맵을 생성하는 단계;
    상기 에포크별 피처맵을 학습 데이터로서 학습하여 상기 잡음신호 구간을 분류하는 학습 모델을 구축하는 단계; 및
    상기 베이스라인에 따라 분류된 제1 잡음신호 구간 및 상기 학습 모델에 의해 분류된 제2 잡음신호 구간 중 적어도 하나를 이용하여 최종 잡음신호 구간을 결정하는 단계를 더 포함하는 것을 특징으로 하는 자동 잡음신호 구간 검출 방법.
  14. 입력 데이터를 수신하여 시간-주파수 도메인의 초기 데이터를 생성하는 데이터 변환부;
    상기 초기 데이터의 각 채널에 대해 에포크(epoch)별 파워(power)를 산출하는 데이터 가공부;
    상기 에포크별 파워를 이용하여 시간 변화에 따른 상기 각 채널의 특정 주파수 영역에 대한 파워 그래프를 생성하는 데이터 분석부;
    상기 파워 그래프 상에서 각 채널 값의 평균을 산출하여 베이스라인(baseline)을 생성하는 베이스라인 생성부; 및
    상기 파워 그래프 상에서 상기 베이스라인을 기준으로 기 설정된 임계값(threshold)을 초과하는 구간을 잡음신호 구간으로 결정하는 잡음신호 검출부;를 포함하되,
    상기 잡음신호 검출부는 상기 잡음신호가 적어도 하나 이상인 경우 상기 잡음신호 별로 적어도 하나의 임계값을 개별 설정하고 상기 잡음신호에 따라 상기 적어도 하나의 임계값을 초과하는 채널의 개수를 기준으로 상기 잡음신호 구간을 결정하는 것을 특징으로 하는 자동 잡음신호 구간 검출 장치.
KR1020210074930A 2021-05-18 2021-06-09 자동 잡음신호 구간 검출 방법 및 장치 KR102452201B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
US18/027,572 US11903718B2 (en) 2021-05-18 2021-12-02 Automatic noise signal interval detection method and device
PCT/KR2021/018058 WO2022260228A1 (ko) 2021-05-18 2021-12-02 자동 잡음신호 구간 검출 방법 및 장치

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR20210063832 2021-05-18
KR1020210063832 2021-05-18

Publications (1)

Publication Number Publication Date
KR102452201B1 true KR102452201B1 (ko) 2022-10-12

Family

ID=83597965

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210074930A KR102452201B1 (ko) 2021-05-18 2021-06-09 자동 잡음신호 구간 검출 방법 및 장치

Country Status (3)

Country Link
US (1) US11903718B2 (ko)
KR (1) KR102452201B1 (ko)
WO (1) WO2022260228A1 (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100114256A (ko) 2009-04-15 2010-10-25 에스케이 텔레콤주식회사 뇌파 측정 방법 및 장치
KR20190059364A (ko) 2017-11-23 2019-05-31 주식회사 아이메디신 뇌파 분석을 통한 뇌 나이 추정 방법 및 시스템

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101081369B1 (ko) 2010-01-26 2011-11-08 중앙대학교 산학협력단 생체신호의 특징 추출 장치 및 방법
US9295838B2 (en) * 2012-10-31 2016-03-29 The Regents Of The University Of California Methods and systems for treating neurological movement disorders
KR101464066B1 (ko) * 2013-01-17 2014-11-20 강승완 생체 정보 측정 장치 및 생체 정보 측정 방법
US11154229B2 (en) * 2015-10-05 2021-10-26 Tata Consultancy Services Limited Method and system for pre-processing of an EEG signal for cognitive load measurement
KR101889387B1 (ko) 2016-11-28 2018-09-20 대한민국 피험자 피로도를 반영한 뇌파 분석 방법 및 시스템
US10791197B2 (en) * 2017-01-20 2020-09-29 Apple Inc. Managing access to media accounts
US11318278B2 (en) * 2017-09-13 2022-05-03 Massachusetts Institute Of Technology Methods and apparatus for inducing or modifying sleep
WO2020054918A1 (ko) * 2018-09-14 2020-03-19 주식회사 아이메디신 인지 장애 진단 방법 및 컴퓨터 프로그램
KR20210129632A (ko) * 2018-12-21 2021-10-28 이씨엠 (엥스띠뛰 뒤 쎄르보 에 드 라 모엘 에삐니에르) 신경변성을 측정하고 모니터링하기 위한 시스템 및 방법
WO2020186353A1 (en) * 2019-03-18 2020-09-24 Healthtech Connex Inc. System and method for automatic evoked potential measurement
US20210166577A1 (en) * 2019-05-09 2021-06-03 Lg Electronics Inc. Artificial intelligent electroencephalography headband and learning system and method using the same

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100114256A (ko) 2009-04-15 2010-10-25 에스케이 텔레콤주식회사 뇌파 측정 방법 및 장치
KR20190059364A (ko) 2017-11-23 2019-05-31 주식회사 아이메디신 뇌파 분석을 통한 뇌 나이 추정 방법 및 시스템

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Leske S, Dalal S S, Reducing power line noise in EEG and MEG data via spectrum interpolation. Neuroimage. Vol.189, pp.763~776 (2019.01.11.)* *
Nolan H, etc., FASTER: Fully Automated Statistical Thresholding for EEG artifact Rejection. Journal of Neuroscience Methods. Vol.192, pp.152~162 (2010)* *
Roy Y, etc., Deep learning-based electroencephalography analysis: a systematic review. Journal of Neural Engineering. Vol.16, pp.1~37 (2019.08.14.)* *

Also Published As

Publication number Publication date
US11903718B2 (en) 2024-02-20
US20230255538A1 (en) 2023-08-17
WO2022260228A1 (ko) 2022-12-15

Similar Documents

Publication Publication Date Title
CN107788970B (zh) 一种基于多生理参数方法融合的脑力负荷评估方法
US7848795B2 (en) Determination of sleep depth
US20070066914A1 (en) Method and System for Detecting and Classifying Mental States
Islam et al. EEG mobility artifact removal for ambulatory epileptic seizure prediction applications
JP7373555B2 (ja) Ｅｅｇ信号を使用した運動機能の定量化
EP0773504A1 (en) Improvements relating to physiological monitoring
US20180279938A1 (en) Method of diagnosing dementia and apparatus for performing the same
US20100125215A1 (en) Sleep analysis system and method for analyzing sleep thereof
EP1934677A1 (en) Method and system for detecting and classifying facial muscle movements
KR101768332B1 (ko) 우울 정도를 실시간으로 분석하는 방법 및 그 시스템
JP2022536552A (ja) 脳波（ｅｅｇ）の非線形性の変化に基づく発作検出システム及び方法
JP2023099043A (ja) 脳波（ｅｅｇ）の非線形性の変化に基づく発作検出システム及び方法
CN115316957A (zh) 基于多参数指标的围术期麻醉深度监测系统
KR102452201B1 (ko) 자동 잡음신호 구간 검출 방법 및 장치
Dey et al. Recognition of motor imagery left and right hand movement using EEG
KR101919907B1 (ko) 다중 신경생리신호 기반 사용자 간 상호작용 모니터링 장치 및 방법
Wadekar et al. Development of LabVIEW platform for EEG signal analysis
CN113729624A (zh) 意识水平测定方法及计算机程序
WO2008040846A1 (en) Apparatus and method for determining the functional state of a brain
KR100327117B1 (ko) 뇌파를 이용한 긍정/부정 의사 분별 장치 및 그 방법
Gaurav et al. Entropy based EEG irregularity quantification in single-channel SSVEP-based BCIS
Dadhich et al. A flexible analytic wavelet transform and ensemble bagged tree model for electroencephalogram-based meditative mind-wandering detection
CN214065040U (zh) 油烟机声品质的评价装置以及油烟机
CN117158970B (zh) 一种情绪识别方法、系统、介质及计算机
KR20230120216A (ko) 인공지능 기반의 단계적 뇌파 잡음 제거 장치 및 방법

Legal Events

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