KR102502930B1 - fNIRS 데이터에서 다항회귀를 활용한 뇌 활성화 지역 추출 방법, 이를 수행하기 위한 기록 매체 및 장치 - Google Patents
fNIRS 데이터에서 다항회귀를 활용한 뇌 활성화 지역 추출 방법, 이를 수행하기 위한 기록 매체 및 장치 Download PDFInfo
- Publication number
- KR102502930B1 KR102502930B1 KR1020200187147A KR20200187147A KR102502930B1 KR 102502930 B1 KR102502930 B1 KR 102502930B1 KR 1020200187147 A KR1020200187147 A KR 1020200187147A KR 20200187147 A KR20200187147 A KR 20200187147A KR 102502930 B1 KR102502930 B1 KR 102502930B1
- Authority
- KR
- South Korea
- Prior art keywords
- polynomial
- data
- equation
- fnirs
- extracting
- Prior art date
Links
- 210000004556 brain Anatomy 0.000 title claims abstract description 52
- 230000004913 activation Effects 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 21
- 108010064719 Oxyhemoglobins Proteins 0.000 claims abstract description 72
- 230000009471 action Effects 0.000 claims abstract description 20
- 238000000605 extraction Methods 0.000 claims abstract description 19
- 230000003727 cerebral blood flow Effects 0.000 claims abstract description 16
- 230000008859 change Effects 0.000 claims abstract description 15
- 239000000284 extract Substances 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 5
- 230000007423 decrease Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 2
- 238000012800 visualization Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 claims 2
- 238000010801 machine learning Methods 0.000 abstract description 14
- 238000002474 experimental method Methods 0.000 abstract description 12
- 230000006399 behavior Effects 0.000 abstract description 10
- 238000004364 calculation method Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 4
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 229910052760 oxygen Inorganic materials 0.000 description 3
- 239000001301 oxygen Substances 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004497 NIR spectroscopy Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 108010054147 Hemoglobins Proteins 0.000 description 1
- 102000001554 Hemoglobins Human genes 0.000 description 1
- 230000004397 blinking Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000004886 head movement Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004513 sizing Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/026—Measuring blood flow
- A61B5/0261—Measuring blood flow using optical means, e.g. infrared light
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
- A61B5/14551—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters for measuring blood gases
- A61B5/14553—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters for measuring blood gases specially adapted for cerebral tissue
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/314—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry with comparison of measurements at specific and non-specific wavelengths
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
- G16B40/20—Supervised data analysis
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B5/00—ICT specially adapted for modelling or simulations in systems biology, e.g. gene-regulatory networks, protein interaction networks or metabolic networks
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/10—Analysis or design of chemical reactions, syntheses or processes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/314—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry with comparison of measurements at specific and non-specific wavelengths
- G01N2021/3144—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry with comparison of measurements at specific and non-specific wavelengths for oxymetry
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Chemical & Material Sciences (AREA)
- Neurology (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Public Health (AREA)
- Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Physiology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Evolutionary Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Biotechnology (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Analytical Chemistry (AREA)
- Crystallography & Structural Chemistry (AREA)
- Pure & Applied Mathematics (AREA)
Abstract
fNIRS 데이터에서 다항회귀를 활용한 뇌 활성화 지역 추출 방법은, 실험자의 특정 행위 동안 fNIRS 장비의 각 트래이스(trace)를 통해 일정 주기마다 옥시헤모글로빈(OxyHb)의 농도에 대한 원시 데이터를 생성하는 단계; 보간법을 이용하여 각 옥시헤모글로빈(OxyHb)의 농도에 대한 원시 데이터의 컬럼(column)별 다항 방정식을 생성하는 단계; 상기 컬럼별 다항 방정식의 변화량을 기초로 특징을 추출하여 데이터를 다운 사이징하는 단계; 다운 사이징된 컬럼별 다항 방정식으로부터 결정 계수가 가장 높은 최적의 n차 다항식을 탐색하는 단계; 및 상기 최적의 n(여기서, n은 2 이상의 자연수)차 다항식의 기울기의 방향이 다른 트래이스(trace)를 상기 특정 행위에 대한 뇌 활성화 지역으로 추출하는 단계;를 포함한다. 이에 따라, 방정식을 활용하여 뇌 혈류량의 변화가 있는 위치만 추출하여 분류 실험을 하므로, 기계 학습에 있어 계산량과 학습 시간을 감소시킬 수 있다.
Description
본 발명은 fNIRS 데이터에서 다항회귀를 활용한 뇌 활성화 지역 추출 방법, 이를 수행하기 위한 기록 매체 및 장치에 관한 것으로서, 더욱 상세하게는 fNIRS 기반 뇌 혈류량 측정 모델을 사용하여 추출한 원시 데이터에서 불필요한 특징(feature)을 제거하여 머신 러닝을 활용한 특정 행위에 대한 효율적인 분류 학습을 제공하는 기술에 관한 것이다.
뇌-컴퓨터 인터페이스는 새로운 커뮤니케이션 기술로서 뇌파 신호를 이용하여 단말이나 장치에 적용된 컴퓨팅 장치를 제어함으로써 두뇌와 컴퓨터 사이의 직접적인 연결을 목표로 하는 기술이다.
그 중 동작 상상 추정 기술은 사용자가 의도된 동작을 직관적으로 상상하면 그때 발현되는 뇌파를 분석해 사용자가 상상한 동작을 구분해내는 기술로 타 뇌-컴퓨터 인터페이스 기술에 비해 비교적 고차원적인 기술에 해당한다.
뇌파 신호는 그 측정 상의 한계로 인해 분석 대상 이외의 눈 깜박임이나 머리 움직임 등의 배경 소음에 의해 오염되기 쉽고, 상상 의도 분류를 위한 뇌파 분석이 어려워 정확도를 높이기가 어렵다고 알려져 있다.
이러한 이유로 동작 상상 기반의 뇌-컴퓨터 인터페이스 분류 정확도를 높이기 위해 잡음이 있는 뇌파 신호를 활용해 사용자의 의도를 추정하는 기술은 아직 열려있는 도전 과제이다.
한편, 최근 발전된 딥 러닝 기술로 인해 동작 상상의 의도를 추정하는 기술의 정확도는 향상되었지만, 심층학습 모델(예: 심층 신뢰 신경망, 합성곱 신경망, 순환곱 신경망 등)의 특성상 단일 도메인 특징만을 추출하여 학습시키고 있다.
반면, 뇌파에 존재하는 주요 특징 도메인은 공간 영역(spatial domain), 시간 영역(temporal domain) 및 주파수(spectral domain)로 3가지가 있다. 따라서, 다양한 도메인 특징을 융합함으로써 성능을 향상시키고 뇌파 신호를 통한 동작 상상 의도 분석에 맞는 심층학습 모델을 설계할 필요가 있다.
그럼에도 종래의 기술 중 단일 도메인에서 특징을 추출하는 기술들은 다른 도메인의 정보를 추출할 수 없기 때문에 높은 성능의 동작 상상 의도 예측을 수행할 수 없는 문제가 있었다.
또한, 두 종류의 도메인을 융합해 특징을 추출하여 단일 도메인 기술보다 성능을 향상시킬 수는 있지만, 여전히 뇌파 신호를 통한 동작 상상 의도 분석에 적용되기에는 성능이 부족할 뿐만 아니라 특징 선택의 기술적 한계로 인해 대량으로 추출되는 융합 특징을 효과적으로 사용하지 못하는 문제가 있었다.
뿐만 아니라, 뇌파 신호 분석을 통한 뇌-컴퓨터 인터페이스 기술은 뇌파의 신호를 읽어드리고 이를 근간으로 하여 외부의 장비를 실시간으로 작동하는 것을 최종 목표로 한다. 그러나 특징 선택의 기술적 한계와 더불어 실시간 특징 분류 기술의 낮은 정확도로 인해 실제로 적용하기에는 많은 문제점이 있었다.
최근 fNIRS 기반 뇌 혈류량 측정 모델을 사용해 추출한 원시 데이터에 대해, 머신 러닝을 활용하여 특정 행위에 대한 분류 학습을 하는 분야에 대한 관심이 높아지고 있다. fNIRS(functional near-infrared spectroscopy)는 기능적 근적외선 분광법이라고도 불리며, 뇌의 혈액산소 변화를 측정하기 위해 특정 파장의 빛을 사용하여 뇌 속의 혈중산소의 변화를 측정하는 기술이다. 더 많은 산소가 한 영역으로 갈수록 뇌 속의 그 부분에 더 많이 작용한다.
그러나, fNIRS의 원시 데이터를 모두 사용하는 경우 불필요한 영역의 데이터까지 같이 학습하게 된다. 이는 계산량의 증가, 학습시간 증가 등 기계학습을 효율적으로 수행하지 못하게 하는 문제점으로 제시된다.
이에, 본 발명의 기술적 과제는 이러한 점에서 착안된 것으로 본 발명의 목적은 fNIRS 데이터에서 다항회귀를 활용한 뇌 활성화 지역 추출 방법을 제공하는 것이다.
본 발명의 다른 목적은 상기 fNIRS 데이터에서 다항회귀를 활용한 뇌 활성화 지역 추출 방법을 수행하기 위한 컴퓨터 프로그램이 기록된 기록 매체를 제공하는 것이다.
본 발명의 또 다른 목적은 상기 fNIRS 데이터에서 다항회귀를 활용한 뇌 활성화 지역 추출 방법을 수행하기 위한 장치를 제공하는 것이다.
상기한 본 발명의 목적을 실현하기 위한 일 실시예에 따른 fNIRS 데이터에서 다항회귀를 활용한 뇌 활성화 지역 추출 방법은, 실험자의 특정 행위 동안 fNIRS 장비의 각 트래이스(trace)를 통해 일정 주기마다 옥시헤모글로빈(OxyHb)의 농도에 대한 원시 데이터를 생성하는 단계; 보간법을 이용하여 각 옥시헤모글로빈(OxyHb)의 농도에 대한 원시 데이터의 컬럼(column)별 다항 방정식을 생성하는 단계; 상기 컬럼별 다항 방정식의 변화량을 기초로 특징을 추출하여 데이터를 다운 사이징하는 단계; 다운 사이징된 컬럼별 다항 방정식으로부터 결정 계수가 가장 높은 최적의 n차 다항식을 탐색하는 단계; 및 상기 최적의 n(여기서, n은 2 이상의 자연수)차 다항식의 기울기의 방향이 다른 트래이스(trace)를 상기 특정 행위에 대한 뇌 활성화 지역으로 추출하는 단계;를 포함한다.
본 발명의 실시예에서, 상기 옥시헤모글로빈(OxyHb)의 농도에 대한 원시 데이터를 생성하는 단계는, 실험자의 특정 행위 동안 fNIRS 장비의 각 트래이스(trace)를 통해 뇌 혈류량에 대한 원시 데이터를 측정하는 단계; 각 원시 데이터의 일부를 제거하여 전처리하는 단계; 및 전처리된 원시 데이터 중 옥시헤모글로빈(OxyHb)의 농도에 대한 데이터를 분리하는 단계;를 포함할 수 있다.
본 발명의 실시예에서, 상기 데이터를 다운 사이징하는 단계는, 각 다항 방정식의 불필요한 값인 바이어스를 제거하여 y절편을 동일하게 하는 단계;를 포함할 수 있다.
본 발명의 실시예에서, 상기 특정 행위에 대한 뇌 활성화 지역으로 추출하는 단계는, 결정 계수를 이용하여 계산된 n 값을 적용한 n차 다항식을 데이터 별로 시각화하는 단계; 및 상기 n차 다항식의 기울기의 방향이 다른 트래이스(trace)를 추출하는 단계;를 포함할 수 있다.
본 발명의 실시예에서, 상기 fNIRS 데이터에서 다항회귀를 활용한 뇌 활성화 지역 추출 방법은, 추출된 트래이스의 데이터 값을 상기 특정 행위에 대한 새로운 특징으로 머신 러닝에 활용하는 단계;를 더 포함할 수 있다.
상기한 본 발명의 다른 목적을 실현하기 위한 일 실시예에 따른 컴퓨터로 판독 가능한 저장 매체에는, 상기 fNIRS 데이터에서 다항회귀를 활용한 뇌 활성화 지역 추출 방법을 수행하기 위한 컴퓨터 프로그램이 기록되어 있다.
상기한 본 발명의 또 다른 목적을 실현하기 위한 일 실시예에 따른 fNIRS 데이터에서 다항회귀를 활용한 뇌 활성화 지역 추출 장치는, 실험자의 특정 행위 동안 fNIRS 장비의 각 트래이스(trace)를 통해 일정 주기마다 옥시헤모글로빈(OxyHb)의 농도에 대한 원시 데이터를 생성하는 데이터 생성부; 보간법을 이용하여 각 옥시헤모글로빈(OxyHb)의 농도에 대한 원시 데이터의 컬럼(column)별 다항 방정식을 생성하는 다항식 생성부; 상기 컬럼별 다항 방정식의 변화량을 기초로 특징을 추출하여 데이터를 다운 사이징하는 다운 사이징부; 다운 사이징된 컬럼별 다항 방정식으로부터 결정 계수가 가장 높은 최적의 n차 다항식을 탐색하는 다항식 최적화부; 및 상기 최적의 n(여기서, n은 2 이상의 자연수)차 다항식의 기울기의 방향이 다른 트래이스(trace)를 상기 특정 행위에 대한 뇌 활성화 지역으로 추출하는 영역 추출부;를 포함한다.
본 발명의 실시예에서, 상기 데이터 생성부는, 실험자의 특정 행위 동안 fNIRS 장비의 각 트래이스(trace)를 통해 뇌 혈류량에 대한 원시 데이터를 측정하는 데이터 측정부; 각 원시 데이터의 일부를 제거하여 전처리하는 전처리부; 및 전처리된 원시 데이터 중 옥시헤모글로빈(OxyHb)의 농도에 대한 데이터를 분리하는 데이터 분리부;를 포함할 수 있다.
본 발명의 실시예에서, 상기 다운 사이징부는, 각 다항 방정식의 불필요한 값인 바이어스를 제거하여 y절편을 동일하게 할 수 있다.
본 발명의 실시예에서, 상기 영역 추출부는, 결정 계수를 이용하여 계산된 n 값을 적용한 n차 다항식을 데이터 별로 시각화하는 시각화부; 및 상기 n차 다항식의 기울기의 방향이 다른 트래이스(trace)를 추출하는 트래이스 추출부;를 포함할 수 있다.
본 발명의 실시예에서, 상기 fNIRS 데이터에서 다항회귀를 활용한 뇌 활성화 지역 추출 장치는, 추출된 트래이스의 데이터 값을 상기 특정 행위에 대한 새로운 특징으로 기계 학습에 활용하는 머신 러닝부;를 더 포함할 수 있다.
이와 같은 fNIRS 데이터에서 다항회귀를 활용한 뇌 활성화 지역 추출 방법에 따르면, 방정식을 활용하여 뇌 혈류량의 변화가 있는 위치만 추출하여 분류 실험을 하므로, 데이터의 크기를 대폭 감소시키고 불필요한 특징을 제거하여 효율적인 기계 학습이 가능하다.
도 1은 본 발명의 일 실시예에 따른 fNIRS 데이터에서 다항회귀를 활용한 뇌 활성화 지역 추출 장치의 블록도이다.
도 2는 도 1의 fNIRS 데이터를 모두 활용하여 분류 실험을 한 경우의 데이터 정확도를 나타내는 그래프이다.
도 3은 본 발명에 따라 fNIRS 장비를 활용하여 추출한 원시 데이터의 일부를 시각화한 그래프이다.
도 4는 degree 별 다항식을 추출한 결과를 보여주는 그래프이다.
도 5는 본 발명에 따라 추출한 7차 방정식을 시각화한 그래프들 중 클래스간 그래프들의 기울기 방향이 다른 트래이스 8 개 구간의 그래프이다.
도 6은 fNIRS 장비의 각 송신기와 수신기의 위치를 표현해주는 Optodes Template를 보여주는 도면이다.
도 7은 본 발명에 따른 분류 실험을 한 경우의 데이터 정확도를 나타내는 그래프이다.
도 8은 본 발명의 일 실시예에 따른 fNIRS 데이터에서 다항회귀를 활용한 뇌 활성화 지역 추출 방법의 흐름도이다.
도 2는 도 1의 fNIRS 데이터를 모두 활용하여 분류 실험을 한 경우의 데이터 정확도를 나타내는 그래프이다.
도 3은 본 발명에 따라 fNIRS 장비를 활용하여 추출한 원시 데이터의 일부를 시각화한 그래프이다.
도 4는 degree 별 다항식을 추출한 결과를 보여주는 그래프이다.
도 5는 본 발명에 따라 추출한 7차 방정식을 시각화한 그래프들 중 클래스간 그래프들의 기울기 방향이 다른 트래이스 8 개 구간의 그래프이다.
도 6은 fNIRS 장비의 각 송신기와 수신기의 위치를 표현해주는 Optodes Template를 보여주는 도면이다.
도 7은 본 발명에 따른 분류 실험을 한 경우의 데이터 정확도를 나타내는 그래프이다.
도 8은 본 발명의 일 실시예에 따른 fNIRS 데이터에서 다항회귀를 활용한 뇌 활성화 지역 추출 방법의 흐름도이다.
후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이들 실시예는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 여기에 기재되어 있는 특정 형상, 구조 및 특성은 일 실시예에 관련하여 본 발명의 정신 및 범위를 벗어나지 않으면서 다른 실시예로 구현될 수 있다. 또한, 각각의 개시된 실시예 내의 개별 구성요소의 위치 또는 배치는 본 발명의 정신 및 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 취하려는 것이 아니며, 본 발명의 범위는, 적절하게 설명된다면, 그 청구항들이 주장하는 것과 균등한 모든 범위와 더불어 첨부된 청구항에 의해서만 한정된다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭한다.
이하, 도면들을 참조하여 본 발명의 바람직한 실시예들을 보다 상세하게 설명하기로 한다.
도 1은 본 발명의 일 실시예에 따른 fNIRS 데이터에서 다항회귀를 활용한 뇌 활성화 지역 추출 장치의 블록도이다.
본 발명에 따른 fNIRS 데이터에서 다항회귀를 활용한 뇌 활성화 지역 추출 장치(10, 이하 장치)는 방정식을 활용하여 뇌 혈류량의 변화가 있는 위치만 추출하여 데이터의 크기를 줄이고, 불필요한 특징(feature)을 제거하여 효율적인 기계 학습을 제공할 수 있다.
도 1을 참조하면, 본 발명에 따른 장치(10)는 데이터 생성부(110), 다항식 생성부(130), 다운 사이징부(150), 다항식 최적화부(170) 및 영역 추출부(190)를 포함한다.
본 발명의 상기 장치(10)는 fNIRS 데이터에서 다항회귀를 활용한 뇌 활성화 지역 추출을 수행하기 위한 소프트웨어(애플리케이션)가 설치되어 실행될 수 있으며, 상기 데이터 생성부(110), 상기 다항식 생성부(130), 상기 다운 사이징부(150), 상기 다항식 최적화부(170) 및 상기 영역 추출부(190)의 구성은 상기 장치(10)에서 실행되는 상기 fNIRS 데이터에서 다항회귀를 활용한 뇌 활성화 지역 추출을 수행하기 위한 소프트웨어에 의해 제어될 수 있다.
상기 장치(10)는 별도의 단말이거나 또는 단말의 일부 모듈일 수 있다. 또한, 상기 데이터 생성부(110), 상기 다항식 생성부(130), 상기 다운 사이징부(150), 상기 다항식 최적화부(170) 및 상기 영역 추출부(190)의 구성은 통합 모듈로 형성되거나, 하나 이상의 모듈로 이루어 질 수 있다. 그러나, 이와 반대로 각 구성은 별도의 모듈로 이루어질 수도 있다.
상기 장치(10)는 이동성을 갖거나 고정될 수 있다. 상기 장치(10)는, 서버(server) 또는 엔진(engine) 형태일 수 있으며, 디바이스(device), 기구(apparatus), 단말(terminal), UE(user equipment), MS(mobile station), 무선기기(wireless device), 휴대기기(handheld device) 등 다른 용어로 불릴 수 있다.
상기 장치(10)는 운영체제(Operation System; OS), 즉 시스템을 기반으로 다양한 소프트웨어를 실행하거나 제작할 수 있다. 상기 운영체제는 소프트웨어가 장치의 하드웨어를 사용할 수 있도록 하기 위한 시스템 프로그램으로서, 안드로이드 OS, iOS, 윈도우 모바일 OS, 바다 OS, 심비안 OS, 블랙베리 OS 등 모바일 컴퓨터 운영체제 및 윈도우 계열, 리눅스 계열, 유닉스 계열, MAC, AIX, HP-UX 등 컴퓨터 운영체제를 모두 포함할 수 있다.
상기 데이터 생성부(110)는 실험자의 특정 행위 동안 fNIRS 장비의 각 트래이스(trace)를 통해 일정 주기마다 옥시헤모글로빈(OxyHb)의 농도에 대한 원시 데이터를 생성한다.
일 실시예에서, 특정 방향에서 소리 발생 시, 해당 방향 검지 손가락을 탭(Tapping)하며, 일정 시간 이완 시기(예를 들어, 7초간 무음)를 삽입하였다. 즉, fNIRS 장비를 활용하여 뇌 혈류량 측정하며, 이완 시기와 탭 시기의 이진 분류 실험에서 하나의 데이터에 7초 그리고 소리 발생 시간을 5초로 설정하였다.
fNIRS 세팅은 Brite 24 Model을 적용하고 OxySoft 프로그램을 사용하였다. Optodes template은 좌우 12 채널을 사용하여 총 24개의 채널을 사용하고, DPF는 5.85dpf를 사용하였다. 주파수는 25Hz로 설정하여, 1초에 25번의 옥시헤모글로빈의 농도를 측정하였다.
원시 데이터는 Cvs 파일로 저장하고, 각 데이터의 앞, 뒤를 각각 1s씩 제거하여 전처리하였다. 이에 따라, 하나의 데이터는 5s이고, 각 데이터 컬럼(column)은 5s × 25Hz = 125개가 된다. 각 데이터를 CNN 분류 모델을 통해 옥시헤모글로빈(OxyHb) 농도와 HbDIff(OxyHb - DeOxyHb) 농도로 분리하면, 하나의 데이터의 크기는 [125, 24]가 된다. 데이터의 각 컬럼(column)은 Optodes template의 하나의 트래이스(trace)와 대응한다.
실험 결과, 옥시헤모글로빈(OxyHb) 농도와 HbDIff(OxyHb - DeOxyHb) 농도로 각각 분류하였을 때, 정확도 0.6222으로, 두 특징간의 유사성이 존재하였다. 이에 따라, 본 발명에서는 옥시헤모글로빈(OxyHb) 농도만을 활용하여 방정식 특성 실험을 하였다.
24개 채널을 모두 사용한 옥시헤모글로빈(OxyHb) 농도에 따른 분류 실험(Epochs = 100)에서는 도 2와 같이 테스트 로스(Test loss)는 0.8531 및 테스트 정확도(Test accuracy)는 0.6778의 결과를 얻었다.
상기 다항식 생성부(130)는 보간법을 이용하여 각 옥시헤모글로빈(OxyHb)의 농도에 대한 원시 데이터의 컬럼(column)별 다항 방정식을 생성한다.
상기 옥시헤모글로빈(OxyHb)의 농도에 대한 데이터 컬럼(column)은 각각 다항 방정식 fi(x)로 표현이 가능하다. 도 3을 참조하면, 하나의 데이터는 다항 방정식 24개와 유사한 형태를 보이므로, 24개의 방정식으로 표현할 수 있다. 즉, 농도 변화 형태는 다항회귀(Polynomial Regression)를 적용할 수 있다.
상기 다운 사이징부(150)는 상기 컬럼별 다항 방정식의 변화량을 기초로 특징을 추출하여 데이터를 다운 사이징한다. 각 다항식을 표현하면 아래의 수학식 1과 같다.
[수학식 1]
수학식 1의 각 다항식에서 불필요한 값인 
를 제거하면 y절편이 동일해지고, 각 다항식의 
값을 새로운 특징(Feature)으로 사용하면, 하나의 데이터 크기는 [125, 24]에서 [24, n]로 줄어든다.
상기 다항식 최적화부(170)는 다운 사이징된 컬럼별 다항 방정식으로부터 결정 계수가 가장 높은 최적의 n차 다항식을 탐색한다.
도 4를 참조하면, Degrees = [1, 3, 5, 6, 7, 8, 9, 10]에서 Degree 별 성능을 비교하여 결정 계수를 도출한다. 최적의 n차 다항식 탐색은 아래의 수학식 2와 같이, R Squeared(결정 계수)를 사용한다.
[수학식 2]
여기서, SST는 편차의 제곱합, 즉 실제값, 예측값, 평균값 사이의 차이를 더한 값이다. SSE는 회귀식과 실제값의 차이로, 값이 작을수록 R Squared가 높다. SSR은 회귀식과 평균값의 차이로, 값이 클수록 R Squared가 높다. 여기서, SST = SSE + SSR 이 된다.
실험 결과, n = 7 일 때, 
값이 가장 높으므로, 각 데이터의 옥시헤모글로빈(OxyHb)의 농도 변화량을 7차 방정식으로 변환할 수 있다. 이에 따라, 하나의 데이터 크기는 [24, 7]가 된다. 그러나, n = 7 및 그에 따른 데이터 크기는 본 발명의 일 실시예에 불과하며, 실험의 환경 및 특정 행위에 따라 달라질 수 있다.
상기 영역 추출부(190)는 상기 최적의 n(여기서, n은 2 이상의 자연수)차 다항식의 기울기의 방향이 다른 트래이스(trace)를 상기 특정 행위에 대한 뇌 활성화 지역으로 추출한다.
도 5를 참조하면, 각 방정식의 기울기를 시각적으로 표현하여 각 트래이스(trace)에서 옥시헤모글로빈(OxyHb)의 변화량이 증가하거나 감소함을 확인할 수 있다. 즉, 추출한 7차 방정식을 시각화한 그래프들 중 클래스간 그래프들의 기울기의 방향이 다른 트래이스를 추출한다.
도 6을 참조하면, fNIRS 장비의 각 송신기와 수신기의 위치를 표현해주는 Optodes Template으로서, 도 5에서 추출된 8개의 트래이스(11 (Rx3-Tx5), 12 (Rx4-Tx5), 13 (Rx5-Tx7), 17 (Rx7-Tx8), 19 (Rx6-Tx6), 20 (Rx6-Tx8), 23 (Rx6-Tx9) 및 24 (Rx8-Tx9))와 대응하는 영역이 추출된다.
이렇게 추출된 트래이스에 대응하는 fNIRS 장비의 센서들이 특정 행위에 대한 뇌활성화 영역으로 설정된다. 해당 트래이스의 원시 데이터 값을 새로운 특징(Feature)으로 사용할 수 있다.
이 경우, 하나의 데이터 크기는 [125, 8]로 실험 결과인 도 7을 참조하면, 테스트 정확도(Test Accuracy)는 0.6000이 된다. 전체 트래이스를 이용한 도 2의 결과인 0.6778에 비해 정확도가 소폭 감소하였으나, 계산량 및 학습시간이 대폭 감소한 것에 비해 미미한 수준임을 확인할 수 있다.
본 발명과 같이 방정식을 활용하여 뇌 혈류량의 변화가 있는 위치만 추출해 분류 실험을 한 결과, 정확도가 다소 감소하지만, 하나의 데이터의 크기가 [125, 24]에서 [125, 8]로 대폭 감소하고, 불필요한 특징을 제거하여 효율적인 기계 학습이 가능하다.
도 8은 본 발명의 일 실시예에 따른 fNIRS 데이터에서 다항회귀를 활용한 뇌 활성화 지역 추출 방법의 흐름도이다.
본 실시예에 따른 fNIRS 데이터에서 다항회귀를 활용한 뇌 활성화 지역 추출 방법은, 도 1의 장치(10)와 실질적으로 동일한 구성에서 진행될 수 있다. 따라서, 도 1의 장치(10)와 동일한 구성요소는 동일한 도면부호를 부여하고, 반복되는 설명은 생략한다.
또한, 본 실시예에 따른 fNIRS 데이터에서 다항회귀를 활용한 뇌 활성화 지역 추출 방법은 fNIRS 데이터에서 다항회귀를 활용한 뇌 활성화 지역 추출을 수행하기 위한 소프트웨어(애플리케이션)에 의해 실행될 수 있다.
본 발명은 방정식을 활용하여 뇌 혈류량의 변화가 있는 위치만 추출하여 데이터의 크기를 줄이고, 불필요한 특징(feature)을 제거하여 효율적인 기계 학습을 제공할 수 있다.
도 8을 참조하면, 본 실시예에 따른 fNIRS 데이터에서 다항회귀를 활용한 뇌 활성화 지역 추출 방법은, 실험자의 특정 행위 동안 fNIRS 장비의 각 트래이스(trace)를 통해 일정 주기마다 옥시헤모글로빈(OxyHb)의 농도에 대한 원시 데이터를 생성한다(단계 S10).
상기 옥시헤모글로빈(OxyHb)의 농도에 대한 원시 데이터를 생성하는 단계는, 실험자의 특정 행위 동안 fNIRS 장비의 각 트래이스(trace)를 통해 뇌 혈류량에 대한 원시 데이터를 측정한다. 각 원시 데이터의 일부를 제거하여 전처리하고, 전처리된 원시 데이터 중 옥시헤모글로빈(OxyHb)의 농도에 대한 데이터를 분리할 수 있다.
일 실시예에서, 특정 방향에서 소리 발생 시, 해당 방향 검지 손가락을 탭(Tapping)하며, 일정 시간 이완 시기(예를 들어, 7초간 무음)를 삽입하였다. 즉, fNIRS 장비를 활용하여 뇌 혈류량 측정하며, 이완 시기와 탭 시기의 이진 분류 실험에서 하나의 데이터에 7초 그리고 소리 발생 시간을 5초로 설정하였다.
fNIRS 세팅은 Brite 24 Model을 적용하고 OxySoft 프로그램을 사용하였다. Optodes template은 좌우 12 채널을 사용하여 총 24개의 채널을 사용하고, DPF는 5.85dpf를 사용하였다. 주파수는 25Hz로 설정하여, 1초에 25번의 옥시헤모글로빈의 농도를 측정하였다.
원시 데이터는 Cvs 파일로 저장하고, 각 데이터의 앞, 뒤를 각각 1s씩 제거하여 전처리하였다. 이에 따라, 하나의 데이터는 5s이고, 각 데이터 컬럼(column)은 5s × 25Hz = 125개가 된다. 각 데이터를 CNN 분류 모델을 통해 옥시헤모글로빈(OxyHb) 농도와 HbDIff(OxyHb - DeOxyHb) 농도로 분리하면, 하나의 데이터의 크기는 [125, 24]가 된다. 데이터의 각 컬럼(column)은 Optodes template의 하나의 트래이스(trace)와 대응한다.
보간법을 이용하여 각 옥시헤모글로빈(OxyHb)의 농도에 대한 원시 데이터의 컬럼(column)별 다항 방정식을 생성한다(단계 S20).
상기 옥시헤모글로빈(OxyHb)의 농도에 대한 데이터 컬럼(column)은 각각 다항 방정식 fi(x)로 표현이 가능하다. 예를 들어, 하나의 데이터는 다항 방정식 24개와 유사한 형태를 보이는 경우, 24개의 방정식으로 표현할 수 있다. 즉, 농도 변화 형태는 다항회귀(Polynomial Regression)를 적용할 수 있다.
상기 컬럼별 다항 방정식의 변화량을 기초로 특징을 추출하여 데이터를 다운 사이징한다(단계 S30).
상기 데이터를 다운 사이징하는 단계는, 각 다항 방정식의 불필요한 값인 바이어스를 제거하여 y절편을 동일하게 할 수 있다.
다운 사이징된 컬럼별 다항 방정식으로부터 결정 계수가 가장 높은 최적의 n차 다항식을 탐색한다(단계 S40).
예를 들어, n = 7 일 때, 결정 계수가 가장 높다면, 각 데이터의 옥시헤모글로빈(OxyHb)의 농도 변화량을 7차 방정식으로 변환할 수 있다. 이에 따라, 하나의 데이터 크기는 [24, 7]가 된다. 그러나, n = 7 및 그에 따른 데이터 크기는 본 발명의 일 실시예에 불과하며, 실험의 환경 및 특정 행위에 따라 달라질 수 있다.
상기 최적의 n(여기서, n은 2 이상의 자연수)차 다항식의 기울기의 방향이 다른 트래이스(trace)를 상기 특정 행위에 대한 뇌 활성화 지역으로 추출한다(단계 S50).
상기 특정 행위에 대한 뇌 활성화 지역으로 추출하는 단계는, 결정 계수를 이용하여 계산된 n 값을 적용한 n차 다항식을 데이터 별로 시각화하고, 상기 n차 다항식의 기울기의 방향이 다른 트래이스(trace)를 추출한다.
이렇게 추출된 트래이스에 대응하는 fNIRS 장비의 센서들이 특정 행위에 대한 뇌활성화 영역으로 설정된다. 해당 트래이스의 원시 데이터 값을 새로운 특징(Feature)으로 사용할 수 있다.
추출된 트래이스의 데이터 값을 상기 특정 행위에 대한 새로운 특징으로 머신 러닝에 활용하여, 기계 학습의 효율을 높일 수 있다.
본 발명과 같이 방정식을 활용하여 뇌 혈류량의 변화가 있는 위치만 추출해 분류 실험을 한 결과, 정확도가 다소 감소하지만, 하나의 데이터의 크기가 [125, 24]에서 [125, 8]로 대폭 감소하고, 불필요한 특징을 제거하여 효율적인 기계 학습이 가능하다.
이와 같은, fNIRS 데이터에서 다항회귀를 활용한 뇌 활성화 지역 추출 방법은 애플리케이션으로 구현되거나 다양한 컴퓨터 구성요소를 통하여 수행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다.
상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것들이거니와 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수도 있다.
컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 ROM, RAM, 플래시 메모리 등과 같은 프로그램 명령어를 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다.
프로그램 명령어의 예에는, 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 상기 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상에서는 실시예들을 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.
본 발명은 방정식을 활용하여 뇌 혈류량의 변화가 있는 위치만 추출하여 분류 데이터의 크기를 대폭 감소시키고, 불필요한 특징들을 제거할 수 있다. 따라서, 분류 학습 시에 계산량과 학습시간을 감소시키므로, 보건의료뿐 아니라 뇌-컴퓨터 인터페이스 분야에 유용하게 활용할 수 있다.
10: fNIRS 데이터에서 다항회귀를 활용한 뇌 활성화 지역 추출 장치
110: 데이터 생성부
130: 다항식 생성부
150: 다운 사이징부
170: 다항식 최적화부
190: 영역 추출부
110: 데이터 생성부
130: 다항식 생성부
150: 다운 사이징부
170: 다항식 최적화부
190: 영역 추출부
Claims (11)
- 실험자의 특정 행위 동안 fNIRS 장비의 각 트래이스(trace)를 통해 일정 주기마다 옥시헤모글로빈(OxyHb)의 농도에 대한 원시 데이터를 생성하는 단계;
보간법을 이용하여 각 옥시헤모글로빈(OxyHb)의 농도에 대한 원시 데이터의 컬럼(column)별 다항 방정식을 생성하는 단계;
상기 컬럼별 다항 방정식의 변화량을 기초로 특징을 추출하여 데이터를 다운 사이징하는 단계;
다운 사이징된 컬럼별 다항 방정식으로부터 결정 계수가 가장 높은 최적의 n차 다항식을 탐색하는 단계; 및
상기 최적의 n(여기서, n은 2 이상의 자연수)차 다항식의 기울기의 방향이 다른 트래이스(trace)를 상기 특정 행위에 대한 뇌 활성화 지역으로 추출하는 단계;를 포함하고,
상기 특정 행위에 대한 뇌 활성화 지역으로 추출하는 단계는,
결정 계수를 이용하여 계산된 n 값을 적용한 n차 다항식을 데이터 별로 시각화하는 단계; 및
상기 n차 다항식의 기울기의 방향이 다른 트래이스(trace)를 추출하는 단계;를 포함하고,
상기 특정 행위에 대한 뇌 활성화 지역으로 추출하는 단계는,
각 다항 방정식의 기울기를 시각적으로 표현하여 각 트래이스(trace)에서 옥시헤모글로빈(OxyHb)의 변화량이 증가하거나 감소함을 확인하여 추출한 n차 다항식을 시각화한 그래프들 중 클래스간 그래프들의 기울기의 방향이 다른 트래이스를 추출하고,
fNIRS 장비의 각 송신기와 수신기의 위치를 표현해주는 Optodes Template에서 상기 추출된 트래이스와 대응하는 영역을 추출하고,
이렇게 추출된 트래이스에 대응하는 fNIRS 장비의 센서들을 특정 행위에 대한 뇌활성화 영역으로 설정하고,
상기 옥시헤모글로빈(OxyHb)의 농도에 대한 원시 데이터를 생성하는 단계는,
실험자의 특정 행위 동안 fNIRS 장비의 각 트래이스(trace)를 통해 뇌 혈류량에 대한 원시 데이터를 측정하는 단계;
각 원시 데이터의 일부를 제거하여 전처리하는 단계; 및
전처리된 원시 데이터 중 옥시헤모글로빈(OxyHb)의 농도에 대한 데이터를 분리하는 단계;를 포함하고,
상기 데이터를 다운 사이징하는 단계는,
각 다항 방정식의 불필요한 값인 바이어스를 제거하여 y절편을 동일하게 하는 단계;를 포함하고,
상기 다운 사이징된 컬럼별 다항 방정식으로부터 결정 계수가 가장 높은 최적의 n차 다항식을 탐색하는 단계는,
Degrees별 성능을 비교하여 아래 수학식과 같이 결정 계수(R Squared)를 도출하고,
[수학식]
상기 수학식에서 SST는 실제값, 예측값, 평균값 사이의 차이를 더한 편차의 제곱합이고, SSE는 회귀식과 실제값의 차이로, 값이 작을수록 R Squared가 높고, SSR은 회귀식과 평균값의 차이로, 값이 클수록 R Squared가 높고, SST = SSE + SSR이 되는, fNIRS 데이터에서 다항회귀를 활용한 뇌 활성화 지역 추출 방법.
- 삭제
- 삭제
- 삭제
- 삭제
- 제1항에 따른 상기 fNIRS 데이터에서 다항회귀를 활용한 뇌 활성화 지역 추출 방법을 수행하기 위한 컴퓨터 프로그램이 기록된 컴퓨터로 판독 가능한 저장 매체.
- 실험자의 특정 행위 동안 fNIRS 장비의 각 트래이스(trace)를 통해 일정 주기마다 옥시헤모글로빈(OxyHb)의 농도에 대한 원시 데이터를 생성하는 데이터 생성부;
보간법을 이용하여 각 옥시헤모글로빈(OxyHb)의 농도에 대한 원시 데이터의 컬럼(column)별 다항 방정식을 생성하는 다항식 생성부;
상기 컬럼별 다항 방정식의 변화량을 기초로 특징을 추출하여 데이터를 다운 사이징하는 다운 사이징부;
다운 사이징된 컬럼별 다항 방정식으로부터 결정 계수가 가장 높은 최적의 n차 다항식을 탐색하는 다항식 최적화부; 및
상기 최적의 n(여기서, n은 2 이상의 자연수)차 다항식의 기울기의 방향이 다른 트래이스(trace)를 상기 특정 행위에 대한 뇌 활성화 지역으로 추출하는 영역 추출부;를 포함하고,
상기 영역 추출부는,
결정 계수를 이용하여 계산된 n 값을 적용한 n차 다항식을 데이터 별로 시각화하는 시각화부; 및
상기 n차 다항식의 기울기의 방향이 다른 트래이스(trace)를 추출하는 트래이스 추출부;를 포함하고,
상기 영역 추출부는,
각 다항 방정식의 기울기를 시각적으로 표현하여 각 트래이스(trace)에서 옥시헤모글로빈(OxyHb)의 변화량이 증가하거나 감소함을 확인하여 추출한 n차 다항식을 시각화한 그래프들 중 클래스간 그래프들의 기울기의 방향이 다른 트래이스를 추출하고,
fNIRS 장비의 각 송신기와 수신기의 위치를 표현해주는 Optodes Template에서 상기 추출된 트레이스와 대응하는 영역을 추출하고,
이렇게 추출된 트래이스에 대응하는 fNIRS 장비의 센서들을 특정 행위에 대한 뇌활성화 영역으로 설정하고,
상기 데이터 생성부는,
실험자의 특정 행위 동안 fNIRS 장비의 각 트래이스(trace)를 통해 뇌 혈류량에 대한 원시 데이터를 측정하는 데이터 측정부;
각 원시 데이터의 일부를 제거하여 전처리하는 전처리부; 및
전처리된 원시 데이터 중 옥시헤모글로빈(OxyHb)의 농도에 대한 데이터를 분리하는 데이터 분리부;를 포함하고,
상기 다운 사이징부는,
각 다항 방정식의 불필요한 값인 바이어스를 제거하여 y절편을 동일하게 하고,
상기 다항식 최적화부는,
Degrees별 성능을 비교하여 아래 수학식과 같이 결정 계수(R Squared)를 도출하고,
[수학식]
상기 수학식에서 SST는 실제값, 예측값, 평균값 사이의 차이를 더한 편차의 제곱합이고, SSE는 회귀식과 실제값의 차이로, 값이 작을수록 R Squared가 높고, SSR은 회귀식과 평균값의 차이로, 값이 클수록 R Squared가 높고, SST = SSE + SSR이 되는, fNIRS 데이터에서 다항회귀를 활용한 뇌 활성화 지역 추출 장치.
- 삭제
- 삭제
- 삭제
- 삭제
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200187147A KR102502930B1 (ko) | 2020-12-30 | 2020-12-30 | fNIRS 데이터에서 다항회귀를 활용한 뇌 활성화 지역 추출 방법, 이를 수행하기 위한 기록 매체 및 장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200187147A KR102502930B1 (ko) | 2020-12-30 | 2020-12-30 | fNIRS 데이터에서 다항회귀를 활용한 뇌 활성화 지역 추출 방법, 이를 수행하기 위한 기록 매체 및 장치 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20220095535A KR20220095535A (ko) | 2022-07-07 |
| KR102502930B1 true KR102502930B1 (ko) | 2023-02-23 |
Family
ID=82397796
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200187147A KR102502930B1 (ko) | 2020-12-30 | 2020-12-30 | fNIRS 데이터에서 다항회귀를 활용한 뇌 활성화 지역 추출 방법, 이를 수행하기 위한 기록 매체 및 장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102502930B1 (ko) |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0794729B1 (de) | 1994-12-01 | 2001-04-11 | Hoeft, Andreas, Prof. Dr. med. | Vorrichtung zur ermittlung der hirndurchblutung und des intracraniellen blutvolumens |
| KR20200117089A (ko) | 2019-04-02 | 2020-10-14 | 사회복지법인 삼성생명공익재단 | 가상현실 컨텐츠 제어 시스템 및 이를 이용한 가상현실 컨텐츠 제어 방법 |
| KR102130254B1 (ko) | 2019-10-15 | 2020-07-03 | 주식회사 실리콘사피엔스 | 대상자 고유의 혈관에 대한 혈류 시뮬레이션 방법 및 장치 |
-
2020
- 2020-12-30 KR KR1020200187147A patent/KR102502930B1/ko active IP Right Grant
Non-Patent Citations (3)
| Title |
|---|
| C. Herff et al., Mental workload during n-back task-quantified in the prefrontal cortex using fNIRS, Front. Hum. Neurosci. Vol.7, 935(2014)* |
| Md. A. Rahman et al., Activation Modeling and Classification of Voluntary and Imagery Movements From the Prefrontal fNIRS Signals, IEEE Access Vol.8, 218215(2020.12.16.)* |
| N. T. Hai et al., Temporal hemodynamic classification of two hands tapping using functional near-infrared spectroscopy, Front. Hum. Neurosci. Vol.7, 516(2013)* |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20220095535A (ko) | 2022-07-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Detection analysis of epileptic EEG using a novel random forest model combined with grid search optimization | |
| US20190336061A1 (en) | Epilepsy seizure detection and prediction using techniques such as deep learning methods | |
| Kolekar et al. | A nonlinear feature based epileptic seizure detection using least square support vector machine classifier | |
| Zandi et al. | Detection of epileptic seizures in scalp electroencephalogram: an automated real-time wavelet-based approach | |
| KR20200053171A (ko) | 동작 상상 뇌-컴퓨터 인터페이스를 위한 시간-주파수 최적 공간 패턴 기반 뇌파 분석 방법 | |
| KR102502930B1 (ko) | fNIRS 데이터에서 다항회귀를 활용한 뇌 활성화 지역 추출 방법, 이를 수행하기 위한 기록 매체 및 장치 | |
| Pazhanirajan et al. | EEG signal classification using linear predictive cepstral coefficient features | |
| WO2020061346A1 (en) | Methods and apparatuses for tracking weak signal traces | |
| CN116898455B (zh) | 一种基于深度学习模型的睡眠脑电信号检测方法及系统 | |
| Li et al. | Detection method of absence seizures based on Resnet and bidirectional GRU | |
| Faul et al. | Chaos theory analysis of the newborn EEG-is it worth the wait? | |
| Ibrahim et al. | An adaptive learning approach for EEG-based computer aided diagnosis of epilepsy | |
| KR20160094059A (ko) | 광용적맥파를 이용하여 사용자 의도 및 사용자 상태를 추정하는 장치 및 방법 | |
| JP6973508B2 (ja) | 信号処理装置、解析システム、信号処理方法および信号処理プログラム | |
| Ding et al. | Gign: Learning graph-in-graph representations of eeg signals for continuous emotion recognition | |
| KR102347688B1 (ko) | 뇌전도 신호의 분해를 이용한 상관관계 계수 특징 기반 인지 심상 분류 장치 및 방법 | |
| Utomo et al. | Driver fatigue prediction using different sensor data with deep learning | |
| Shoka et al. | Fast seizure detection from eeg using machine learning | |
| Anand et al. | Epileptic seizure detection in EEG signal using discrete stationary wavelet-based stockwell transform | |
| KR102593035B1 (ko) | 딥러닝 기반 뇌전증 발작 진단 방법 및 장치 | |
| CN103705242B (zh) | 一种人体呼吸监测设备中吸气波的提取方法 | |
| Nassif et al. | Automatic order selection in autoregressive modeling with application in eeg sleep-stage classification | |
| KR102538631B1 (ko) | 개인 맞춤형 수면 케어 시스템의 eog 데이터 필터 장치 및 방법 | |
| Siviero et al. | Motor-imagery EEG signal decoding using multichannel-empirical wavelet transform for brain computer interfaces | |
| Wang et al. | Rethinking Saliency Map: A Context-Aware Perturbation Method to Explain EEG-Based Deep Learning Model |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E90F | Notification of reason for final refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |