KR102513398B1 - 뇌파 신호를 정량적으로 분석한 결과를 이용한 뇌파 판독 소견 작성 장치 및 방법 - Google Patents

뇌파 신호를 정량적으로 분석한 결과를 이용한 뇌파 판독 소견 작성 장치 및 방법 Download PDF

Info

Publication number
KR102513398B1
KR102513398B1 KR1020210013500A KR20210013500A KR102513398B1 KR 102513398 B1 KR102513398 B1 KR 102513398B1 KR 1020210013500 A KR1020210013500 A KR 1020210013500A KR 20210013500 A KR20210013500 A KR 20210013500A KR 102513398 B1 KR102513398 B1 KR 102513398B1
Authority
KR
South Korea
Prior art keywords
eeg
index
category
signal
field
Prior art date
Application number
KR1020210013500A
Other languages
English (en)
Other versions
KR20220109913A (ko
Inventor
황희
김헌민
정윤기
전용훈
Original Assignee
서울대학교병원
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 서울대학교병원 filed Critical 서울대학교병원
Priority to KR1020210013500A priority Critical patent/KR102513398B1/ko
Publication of KR20220109913A publication Critical patent/KR20220109913A/ko
Application granted granted Critical
Publication of KR102513398B1 publication Critical patent/KR102513398B1/ko

Links

Images

Classifications

    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/24Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316Modalities, i.e. specific diagnostic methods
    • A61B5/369Electroencephalography [EEG]
    • A61B5/372Analysis of electroencephalograms
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/48Other medical applications
    • A61B5/4806Sleep evaluation
    • A61B5/4812Detecting sleep stages or cycles
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/72Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235Details of waveform analysis
    • A61B5/7246Details of waveform analysis using correlation, e.g. template matching or determination of similarity
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H15/00ICT specially adapted for medical reports, e.g. generation or transmission thereof
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Surgery (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Psychiatry (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Psychology (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Signal Processing (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

실시예들은, 대상 환자의 뇌파 신호, 및 상기 대상 환자의 서지사항 데이터를 수신하는 단계; 상기 뇌파 신호에 기초하여 관심 구간을 식별하고, 상기 관심 구간에 기초하여 뇌파 분석을 위한 정량화 지표를 포함한 분석 결과를 산출하는 단계; 상기 대상 환자의 서지사항 입력 결과 및 뇌파 분석 결과에 기초하여 템플릿을 생성하는 단계; 및 상기 템플릿의 카테고리, 해당 카테고리에 연관된 필드, 및 상기 필드에 대한 값으로부터 복수의 문장을 갖는 소견서를 생성하는 단계를 포함한 단계를 수행하는 뇌파 판독 소견 작성 장치 및 상기 단계를 포함한 뇌파 판독 소견 방법에 관련된다.

Description

뇌파 신호를 정량적으로 분석한 결과를 이용한 뇌파 판독 소견 작성 장치 및 방법 {DEVICE AND METHOD FOR WRITING BRAINWAVE READ OPINION PAPER USING RESULT OF QUANTITATIVE ANALYSIS OF BRAINWAVE SIGNAL}
본 발명은 뇌파 신호를 판독하여 자동으로 소견서를 작성하는 기술에 관한 것으로서, 보다 상세하게는 뇌파 신호로부터 복수의 정량화된 뇌파 지표의 값을 자동으로 산출하고, 산출된 뇌파 지표의 값을 사용해 뇌파 판독 소견서를 자동으로 작성하는 장치 및 방법에 관한 것이다.
뇌파는 신경계에서 뇌신경 사이에 신호가 전달될 때 생기는 전기의 흐름으로, 심신의 상태에 따라 다르게 나타난다. 이러한 뇌의 활동 상태를 신호 형태로 측정하여 분석하면 사람의 상태를 판단할 수 있다. 즉, 뇌파를 사용하면 사람의 심신 상태는 물론, 뇌에 질환이 있는지 여부를 판단할 수 있다.
이러한 뇌파 판독은 일반적으로 임상의사에 의해 정성적으로 수행되고, 그에 대한 결과는 임상 의사가 직접 소견서를 작성하는 방식으로 환자에게 제공된다. 때문에, 임상의사의 수준에 따라 뇌파 판독의 결과가 주관적이고, 소견서 작성에 오랜 시간이 걸리기 때문에 임상의사에게 높은 피로도가 부과되는 문제가 있다.
특허공개공보 제10-2015-0082322호 (2015.07.15.)
본 발명의 실시예들에 따르면, 뇌파 신호로부터 복수의 정량화된 뇌파 지표의 값을 자동으로 산출하고, 각 뇌파 지표에 대응한 필드 및 이들이 속하는 카테고리를 갖는 템플릿을 생성하며, 상기 템플릿을 사용해 자동으로 소견서를 생성하는 뇌파 판독 소견 작성 장치 및 방법을 제공한다.
본 발명의 실시예들에서는, 프로세서를 포함한 장치에 의해 수행되는, 뇌파 신호를 정량적으로 분석한 결과를 이용한 뇌파 판독 소견 작성 방법에 있어서, 대상 환자의 뇌파 신호, 및 상기 대상 환자의 서지사항 데이터를 수신하는 단계; 상기 뇌파 신호에 기초하여 관심 구간을 식별하고, 상기 관심 구간에 기초하여 뇌파 분석을 위한 뇌파 지표를 포함한 분석 결과를 산출하는 단계; 상기 대상 환자의 서지사항 입력 결과 및 뇌파 분석 결과에 기초하여 템플릿을 생성하는 단계; 및 상기 템플릿의 카테고리, 해당 카테고리에 연관된 필드, 및 상기 필드에 대한 값으로부터 복수의 문장을 갖는 소견서를 생성하는 단계를 포함하는 뇌파 판독 소견 작성 방법을 제공한다.
또한, 본 발명의 실시예들에서는, 전술한 뇌파 판독 소견 작성 방법을 수행하기 위한 프로그램을 기록한, 컴퓨터 판독가능 기록매체를 제공한다.
또한, 본 발명의 실시예들에서는, 대상 환자의 뇌파 신호, 및 상기 대상 환자의 서지사항 데이터를 수신하는 입력부; 상기 뇌파 신호에 기초하여 관심 구간을 식별하고, 상기 관심 구간에 기초하여 뇌파 분석을 위한 뇌파 지표를 포함한 분석 결과를 산출하는 뇌파 분석부; 상기 대상 환자의 서지사항 입력 결과 및 뇌파 분석 결과에 기초하여 템플릿을 생성하는 템플릿 생성부; 및 상기 템플릿의 카테고리, 해당 카테고리에 연관된 필드, 및 상기 필드에 대한 값으로부터 복수의 문장을 생성하는 소견 생성부를 포함하는 뇌파 판독 소견 작성 장치를 제공한다.
본 발명의 일 측면에 따른 뇌파 판독 소견 작성 장치는 복수의 정량화된 뇌파 지표 값을 사용하여 뇌파 판독 소견을 자동으로 작성함으로써, 뇌파 판독의 객관성과 정확도를 향상시키고, 뇌파 판독 업무량을 감소시킬 수 있다.
본 발명의 효과들은 이상에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 청구범위의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
본 발명 또는 종래 기술의 실시예의 기술적 해결책을 보다 명확하게 설명하기 위해, 실시예에 대한 설명에서 필요한 도면이 아래에서 간단히 소개된다. 아래의 도면들은 본 명세서의 실시예를 설명하기 위한 목적일 뿐 한정의 목적이 아니라는 것으로 이해되어야 한다. 또한, 설명의 명료성을 위해 아래의 도면들에서 과장, 생략 등 다양한 변형이 적용된 일부 요소들이 도시될 수 있다.
도 1은, 본 발명의 일 실시예에 따른, 뇌파 판독 소견 작성 장치의 개략적인 블록도이다.
도 2는, 본 발명의 일 실시예에 따른, 수면 상태 분석 모델의 개념적인 구조도(architecture diagram)이다.
도 3은, 본 발명의 일 실시예에 따른, 잡파 분석 모델의 개념적인 구조도(architecture diagram)이다.
도 4는, 본 발명의 일 실시예에 따른, 잡파 분석 모델의 파라미터를 결정하는 과정의 흐름도이다.
도 5는, 본 발명의 일 실시예에 따른, 관심 주파수 영역의 필터의 선택을 설명하기 위한 테이블이다.
도 6a 및 도 6b는, 본 발명의 일 실시예에 따른, 2차원 시각 패턴의 이미지를 도시한 도면이다.
도 7은, 본 발명의 일 실시예에 따른, 뇌파 신호에서 관심 구간을 레이블링한 결과를 도시한 도면이다.
도 8을, 본 발명의 일 실시예에 따른, 템플릿을 도시한 도면이다.
도 9는, 본 발명의 일 실시예에 따른, 템플릿을 사용해 생성된 소견서를 도시한 도면이다.
도 10은, 본 발명의 일 실시예에 따른, 뇌파 판독 소견 작성 방법의 흐름도이다.
여기서 사용되는 전문 용어는 단지 특정 실시예를 언급하기 위한 것이며, 본 발명을 한정하는 것을 의도하지 않는다. 여기서 사용되는 단수 형태들은 문장들이 이와 명백히 반대의 의미를 나타내지 않는 한 복수 형태들도 포함한다. 명세서에서 사용되는 "포함하는"의 의미는 특정 특성, 영역, 정수, 단계, 동작, 요소 및/또는 성분을 구체화하며, 다른 특성, 영역, 정수, 단계, 동작, 요소 및/또는 성분의 존재나 부가를 제외시키는 것은 아니다.
다르게 정의하지는 않았지만, 여기에 사용되는 기술용어 및 과학용어를 포함하는 모든 용어들은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 일반적으로 이해하는 의미와 동일한 의미를 가진다. 보통 사용되는 사전에 정의된 용어들은 관련기술문헌과 현재 개시된(disclosed) 내용에 부합하는 의미를 가지는 것으로 추가 해석되고, 정의되지 않는 한 이상적이거나 매우 공식적인 의미로 해석되지 않는다.
이하에서, 도면을 참조하여 본 발명의 실시예들에 대하여 상세히 살펴본다.
도 1은, 본 발명의 일 실시예에 따른, 뇌파 판독 소견 작성 장치의 개략적인 블록도이다.
도 1을 참조하면, 상기 뇌파 판독 소견 작성 장치(1)는 입력부(10); 뇌파 분석부(30); 템플릿 생성부(50); 소견 생성부(70)를 포함한다. 또한, 일부 실시예들에서, 상기 장치(1)는 표시부(90)를 더 포함할 수도 있다.
실시예들에 따른 뇌파 판독 소견 작성 장치(1)는 전적으로 하드웨어이거나, 전적으로 소프트웨어이거나, 또는 부분적으로 하드웨어이고 부분적으로 소프트웨어인 측면을 가질 수 있다. 예컨대, 시스템 또는 장치는 데이터 처리 능력이 구비된 하드웨어 및 이를 구동시키기 위한 운용 소프트웨어를 통칭할 수 있다. 본 명세서에서 "부(unit)", “모듈(module)”“장치”, 또는 "시스템" 등의 용어는 하드웨어 및 해당 하드웨어에 의해 구동되는 소프트웨어의 조합을 지칭하는 것으로 의도된다. 예를 들어, 하드웨어는 CPU(Central Processing Unit), GPU(Graphic Processing Unit) 또는 다른 프로세서(processor)를 포함하는 데이터 처리 가능한 컴퓨팅 장치일 수 있다. 또한, 소프트웨어는 실행중인 프로세스, 객체(object), 실행파일(executable), 실행 스레드(thread of execution), 프로그램(program) 등을 지칭할 수 있다.
입력부(10)는 상기 장치(1)의 입/출력과 관련된 기기를 프로세서 및/또는 메모리를 포함한 장치(1) 내 다른 구성요소(예컨대, 뇌파 분석부(30); 템플릿 생성부(50); 및 소견 생성부(70))와 연결시킨다. 상기 입력부(10)는 연결된 입/출력과 관련된 장치들에 따라 소프트웨어 및/또는 하드웨어의 조합으로 구현될 수 있다.
일 실시예에서, 입력부(10)는 신호 입력 장비(미도시)로부터 측정된 대상 환자의 뇌파 신호, 및 입력 기기(미도시)로부터 입력된 상기 대상 환자의 서지사항 데이터를 수신한다. 수신된 뇌파 신호와 서지사항 데이터는 상기 다른 구성요소(30, 50, 또는 70)으로 공급된다.
일부 실시예에서, 상기 입력부(10)는 통신 모듈(미도시)을 포함할 수도 있다. 이로 인해, 입력부(10)는 객체와 객체가 네트워킹할 수 있는, 유선 통신, 무선 통신, 3G, 4G, 유선 인터넷 또는 무선 인터넷 등을 포함한, 다양한 통신 방법에 의해 다른 장치와 통신할 수 있다. 예를 들어, 입력부(10)는 월드 와이드 웹(WWW, World Wide Web)과 같은 인터넷, 인트라넷과 같은 네트워크 및/또는 셀룰러 전화 네트워크, 무선 네트워크, 그리고 무선 통신을 통해 통신하도록 구성된다.
그러면, 상기 입력부(10)는 외부 기기로부터 전기 통신을 통해 대상 환자의 뇌파 신호 데이터, 및 대상 환자의 서지사항 데이터를 수신할 수도 있다.
상기 신호 입력 장비는 뇌파 분석 대상(예컨대, 진단 대상)의 뇌파 신호를 획득하도록 구성된다.
뇌파 신호를 통한 진단 대상은 진단 목적에 의존한다. 예를 들어, 뇌전증 환자인지 여부를 판단하기 위한 진단의 경우, 상기 진단 대상은 뇌전증 진단을 받지 않는, 정상 환자일 수 있다. 여기서, 정상 환자는 실제로 뇌전증이 없는 환자를 의미하는 것은 아니며, 뇌전증 여부가 미정인 환자를 지칭한다.
상기 신호 입력 장비는 복수의 전극을 통해 분석 대상의 뇌파를 신호로 획득하도록 구성된다. 복수의 전극은 뇌에서 방출되는 뇌파 정보를 획득하고, 뇌파 정보를 신호 형태로 출력한다. 각 전극은 뇌의 타겟 부위에 대응하는 분석 대상의 두부의 부위별로 장착되며, 한 전극쌍에서 획득한 신호는 채널로 지칭된다. 상기 신호 입력 장비는, 예를 들어, 19채널의 뇌전도(EEG) 계측 장비일 수 있으나, 이에 제한되진 않는다.
상기 입력부(10)는 이러한 분석 대상의 뇌파 신호를 상기 뇌파 입력 장비로부터 획득하여 뇌파 분석부(30)로 공급한다.
표시부(90)는 상기 장치(1)에 저장 및/또는 처리된 정보를 디스플레이하는 구성요소로서, 예를 들어, LCD, OLED, 플렉서블 스크린 등을 포함할 수 있으나, 이에 제한되진 않는다.
일 실시예에서, 표시부(90)는 뇌파 분석부(30), 템플릿 생성부(50), 또는 소견 생성부(70)의 데이터 처리 결과를 표시하여 사용자에게 시각적으로 정보를 제공하도록 구성된다.
상기 장치(1)는 뇌파 분석부(30)에 의해 입력부(10)에서 수신한 뇌파 신호에 기초하여 관심 구간을 식별하고, 상기 관심 구간에 기초하여 뇌파 분석을 위한 정량화 지표를 포함한 분석 결과를 산출하고, 템플릿 생성부(50)에 의해 상기 대상 환자의 서지사항 입력 결과 및 뇌파 분석 결과에 기초하여 하나 이상의 템플릿을 생성하며, 그리고 소견 생성부(70)에 의해 상기 템플릿의 카테고리, 해당 카테고리에 속한 필드에 대한 값으로부터 복수의 문장을 생성한다.
일 실시예에서, 상기 뇌파 분석부(30)는 뇌파 분석 모델을 통해 진단 대상의 뇌파 신호에서 관심 구간을 미리 학습된 유형별로 레이블링하고, 레이블링된 관심 구간에 기초하여 진단 대상의 뇌파 상태를 정량적으로 분석한 정량 지표를 산출하도록 구성된다.
뇌파 분석부(30)는 뇌파 신호를 분석하여 뇌파 신호에 포함된 관심 구간을 유형에 따라 식별(또는 표시)하는, 레이블링 동작을 수행하고, 또한, 레이블링 결과에 기초하여 뇌파와 관련된 정량적 지표를 산출하는, 정량적 분석 동작을 수행할 수 있다.
뇌파 분석부(30)는 전술한 레이블링 동작을 수행하기 이전에, 수신한 뇌파 신호를 뇌파 데이터로 변환할 수 있다. 획득된 뇌파 신호는 파싱(parshing)되어 뇌파 신호(즉, 뇌파 정보)가 기계어로 변환된다. 상기 뇌파 데이터는 뇌파 신호 및/또는 뇌파 신호가 획득된 장비(예컨대, 뇌파 전극)에 관한 데이터를 포함한다.
일 실시예에서, 신호 입력 장비의 뇌파 신호는 뇌파 표준 포맷의 데이터로 변환될 수 있다. 여기서, 뇌파 표준 포맷은 EDF(European Data Format)일 수 있다.
그러면, 뇌파 분석부(30)에서 관심 구간을 레이블링하기 위한 일련의 과정들(예컨대, 뇌파 신호의 분석)은 뇌파 신호를 기계어로 변환한 데이터(예컨대, EDF 데이터)를 대상으로 갖는 동작을 의미한다.
관심 구간 레이블링
상기 뇌파 분석부(30)는 뇌파 분석 모델을 통해 진단 대상의 뇌파 신호에서 관심 구간을 미리 학습된 유형별로 레이블링하고, 레이블링된 관심 구간에 기초하여 진단 대상의 뇌파 상태를 정량적으로 분석한 정량 지표를 산출하도록 구성된다.
관심 구간은 불규칙한 사인파 형태의 뇌파 신호에서 뇌파 분석을 위해 요구되는 구간이다. 일 실시예에서, 관심 구간은 잡파(artifact) 신호가 나타난 구간, 및/또는 수면 상태가 나타난 구간을 포함한다. 레이블링 대상이 잡파 및 수면 상태인 경우, 뇌파 신호에서 잡파가 나타난 부분 구간은 뇌파의 유형별로 레이블링되고, 뇌파 신호에서 수면 상태가 나타난 부분 구간은 (통상적으로 수면 스테이지(sleep stage)로 지칭되는) 수면 상태의 유형별로 레이블링된다. 상기 수면 스테이지는 웨이킹(waking, W), N1 수면(N1 sleep, N1), N2 수면(N2 sleep, N2), N3 수면(N3 sleep, N3)를 포함한다.
일 실시예에서, 뇌파 분석 모델에는 뇌파 신호를 이미지로 표현한 뇌파 신호 이미지가 입력될 수도 있다.
일 실시예에서, 뇌파 분석 모델은 복수의 서브 모델을 포함한다. 여기서, 서브 모델의 수는 레이블링되는 관심 구간의 수 보다 적다. 예를 들어, 뇌파 분석 모델은 뇌파 신호에서 수면 상태가 나타난 부분 구간을 레이블링하도록 구성된 수면 상태 분석 모델, 및/또는 뇌파 신호에서 잡파가 나타난 부분 구간을 레이블링하도록 구성된 잡파 분석 모델을 포함한다.
수면 상태 분석 모델은 뇌파 신호를 수신하여 수면 스테이지를 자동으로 레이블링하도록 구성된다.
도 2는, 본 발명의 일 실시예에 따른, 수면 상태 분석 모델의 개념적인 구조도(architecture diagram)이다.
도 2를 참조하면, 수면 상태 분석 모델은 주파수 도메인 상에서의 시변 주파수 특징 및 시간 도메인 상에서의 시공간(temporal and spatial) 특징을 추출하고, 두 특징에 기초하여 입력 데이터에 연관된 수면 스테이지의 유형(클래스)을 결정한다.
일 실시예에서, 수면 상태 분석 모델은 특징을 추출하는 특징 추출 레이어, 및 추출된 특징에 기초하여 입력 데이터를 연관된 스테이지로 분류하는 분류 레이어를 포함한다. 특징 추출 레이어는 서로 상이한 도메인 상의 특징을 추출하도록 구성된다.
상기 특징 추출 레이어는 시간 도메인 레이어(TDL), 및 주파수 도메인 레이어(FDL)를 포함한다. 뇌파 신호에서 원본 신호(original signal)(예컨대, 원시 신호(raw signal) 또는 전처리 신호)의 시간에 따른 내용이 중요한 정보이지만, 또한 주파수 내용도 중요한 정보이다. 수면 상태 분석 모델은 시간 도메인 상의 정보 및 주파수 도메인 상의 정보를 동시에 모델링하기 위해 두 개의 독립적인 레이어를 포함한다.
시간 도메인 레이어(TDL)는 세그먼트 레이어, 및 컨볼루션 레이어를 포함한다. 세그먼트 레이어는 공간적 특징 및 시간적 특징을 모두 활용할 수 있도록, 뇌파 신호를 분할한다. 예를 들어, 30초의 에폭 구간을 갖는 뇌파 신호가 획득된 경우, 이 에폭 구간은 1초의 세그먼트로 분할될 수 있으나, 이에 제한되진 않는다. 세그먼트 레이어에 의해, 수면 상태 분석 모델의 파라미터는 뇌파 신호에서 시간적 특징 및 공간적 특징을 모두 학습할 수 있다.
컨볼루션 레이어는 시간 도메인 상에서 공간적 특징 및 시간적 특징을 추출하도록 구성된다. 또한, 시간 도메인 레이어는 배치 정규화 레이어, 활동 레이어(예컨대, ReLU), 풀링 레이어 등과 같은, 기계학습 모델의 성능을 개선할 수 있는 다른 레이어를 더 포함할 수도 있다.
일 예에서, 시간 도메인 레이어는, 도 2에 도시된 바와 같이, 세그먼트 레이어, (예컨대, 5의 사이즈를 갖는 컨볼루션 필터를 갖는) 컨볼루션 레이어, 배치 정규화 레이어, 활동 레이어(ReLU), 및 (예컨대, 컨볼루션 필터의 커널과 동일 사이즈를 갖는) 맥스-풀링 레이어를 포함할 수 있다. 그러나, 이에 제한되진 않는다.
시간 도메인 레이어(TDL)의 은닉 벡터(hidden representation)은 다음의 수학식으로 표현될 수 있다.
[수학식 1]
Figure 112021012289616-pat00001
여기서,
Figure 112021012289616-pat00002
는 뇌파 신호(EEG)의 i번째 에폭에서 j번째 세그먼트를 의미하고, TDLθ은, 시간 정보로부터 결정되는 파라미터(θ)를 갖는, 상기 모델에서 사용된 시간 도메인 레이어(TDL)를 의미하며, C와 L은 채널의 수 및 세그먼트의 길이를 각각 가리킨다.
컨볼루션 레이어 등은 i번째 에폭에서 1번째 세그먼트 내지 j번째 세그먼트를 수신하여 특징을 추출함으로써, 특징 추출 값(즉, 은닉 벡터h)을 산출한다. 도 2에서 1번째 세그먼트와 j번째 세그먼트가 입력되는 컨볼루션 레이어는 개별적으로 도시되어 있으나, 실제로 개별적인 레이어로 구성된 것을 의미하지 않고, 입력 데이터만이 상이한 것으로 통상의 기술자에게 명백히 이해될 것이다.
주파수 도메인 레이어(FDL)는 시간 도메인 레이어(TDL)와 입력 데이터가 상이할 뿐, 특징을 추출하는 부분은 유사하므로, 차이점을 위주로 아래에서 서술한다.
주파수 도메인 레이어(FDL)의 세그먼트 레이어는 시간 도메인 상에서 분할된 세그먼트를 주파수 정보로 변환하도록 더 구성된다. 그러면, 입력 신호의 모든 세그먼트는 주파수 정보로 변환된다. 따라서, 주파수 도메인 레이어(FDL)는 주파수 도메인 상에서의 특징을 추출한다. 이를 위해, 주파수 도메인 레이어(FDL)는, 시간 도메인 레이어의 파라미터(θ)와 독립적인, 파라미터(θf)를 가진다.
주파수 도메인 레이어(FDL)의 세그먼트 레이어가 원시 신호(xi j)를 주파수 정보로 변환하는 함수(f(xi j))로 구성된 경우, 주파수 도메인 레이어(FDL)의 은닉 벡터(g i j)은 다음의 수학식으로 표현된다.
[수학식 2]
Figure 112021012289616-pat00003
여기서, FDLθ은, 주파수 정보로부터 결정되는 파라미터(θf)를 갖는, 상기 모델에서 사용된 주파수 도메인 레이어(FDL)를 의미한다.
주파수 변환 함수(f(x))에 대해서, 통상적인 PSD 추정 대신에, IF(Instantaneous frequency)가 이용된다. IF는 짧은 시간 범위를 갖는 신호 세그먼트에 있어서 시변 위상(time-varying phase)을 고려하기에 적합하다. 각각의 뇌파 신호(EEG) 세그먼트(xi j)가 시간에 의존하는 점을 고려하면, 분석 형태(z(t))는 아래의 수학식으로 표현될 수 있다.
[수학식 3]
Figure 112021012289616-pat00004
여기서, Ai j는 z(t)의 포락선(envelope) 및 Фi j는 z(t)의 위상, 즉 arctan(H(xi j(t))/xi j(t))이다. H(x(t))는 힐버트 변환(Hilbert transform)을 의미한다. IF는 시간에 대한 Фi j(t)의 미분을 스케일링하여 취할 수 있으며, 아래의 수학식으로 표현된다.
[수학식 4]
Figure 112021012289616-pat00005
시간 도메인 레이어 및 주파수 도메인 레이어는, 전술한 실시예들에 제한되지 않으며, 뇌파 신호의 특징을 추출하는 CNN(Convolutional Neural Network) 구조를 가질 수 있다.
한편, 수면 상태 분석 모델에서 입력 신호의 시간 도메인 상의 특징 및 주파수 도메인 상의 특징이 각각 추출되면, 추출된 특징이 결합되어 분류 레이어에 입력된다. 예를 들어, 시간 및 주파수 도메인 레이어의 은닉 벡터가 각각 산출되면, 각 은닉 벡터가 결합되어(concatenated) 분류 레이어에 입력된다. 일 실시예에서, 추출된 특징의 결합은 동일한 세그먼트 상에서 추출된 특징의 결합이다.
분류 레이어(CL)는 내부의 다수의 뉴럴 네트워크가 연결된 체인 레이어, 및 완전 연결 레이어를 포함한다. 체인 레이어의 내부 뉴럴 네트워크는 셀로도 지칭될 수 있다. 각 셀은 상이한 입력 데이터의 시간에 연관된다. 체인 레이어의 셀의 수는 에폭 구간과 세그먼트 구간에 의존한다. 예를 들어, 에폭 구간이 30초이고 세그먼트가 1초인 경우, 체인 레이어에서 동일 레이어에 포함된 셀은 30개일 수 있다.
체인 레이어는 이전 뉴럴 네트워크의 정보에 의존하는 구조를 갖는 레이어이다. 여기서, 이전 뉴럴 네트워크의 정보에 의존하는 것은 수면 상태 분석 모델이 t초에서 추론 동작을 수행할 경우, 그 이전 시간에서의 연산 결과 또한 고려하여 해당 동작을 수행한다는 것을 의미한다. 예를 들어, 입력된 뇌파 신호가 0초 내지 t초의 시간을 갖는 경우, t초에서의 수면 스테이지는 0초 내지 t-1초의 연산 결과에 의존하여 결정된다. 상기 체인 레이어는, 예를 들어, RNN, LSTM 구조 등을 포함할 수도 있으나 이에 제한되진 않는다.
일 실시예에서, 체인 레이어는 두 개의 은닉 레이어(hidden layer)를 포함한다. 제1 은닉 레이어는 제2 은닉 레이어와 전방향 연결(forward connection)을 가지며, 각 은닉 레이어 내부의 셀은 서로 전방향 및/또는 후방향(backward)으로 정보 전달이 가능한, 양방향 연결을 가진다. 여기서, 동일한 은닉 레이어 내부에서 다른 셀로부터/로의 정보 전달은 상이한 입력(예컨대, 상이한 세그먼트)에 의한 산출 결과에 의존한다.
도 2를 참조하면, t초에서 추론 동작은 t초에서의 세그먼트(xi j, f(xi j)) 및 그 이전 시간에서의 세그먼트(예컨대, 1초 내지 t-1초에서의 세그먼트)에 기초한다.
일 실시예에서, t초에서 입력 에폭에 대한 체인 레이어의 연산 결과(li t)는 체인 레이어의 마지막 타임 스텝 벡터(last time step vector)일 수 있다.
완전 연결 레이어는 체인 레이어에 의해 산출된 값(li t)에 기초하여 입력 신호가 연관된 클래스(즉, 수면 스테이지의 유형)를 결정한다. 일 실시예에서, 완전 연결 레이어는 확률 값을 산출하여 클래스를 결정하도록 더 구성된다. 상기 확률 값은, 예를 들어 SoftMax 함수에 의해 산출되나, 이에 제한되진 않는다.
예를 들어, 분류 레이어에서의 데이터 처리 흐름은 다음의 수학식으로 각각 표현된다.
[수학식 5]
Figure 112021012289616-pat00006
[수학식 6]
Figure 112021012289616-pat00007
[수학식 7]
Figure 112021012289616-pat00008
여기서, ci={ci1, ci2, …ciN}은 두 은닉 벡터가 결합된 벡터를 의미한다. li는 체인 레이어(예컨대, LSTM)의 마지막 타임 스텝의 벡터이다. li가 SoftMax 함수를 갖는 완전 연결 레이어에 입력되면, 클래스를 결정하는데 사용되는 확률 p가 산출된다. 상기 분류 레이어는 상기 확률 p에 기초하여 입력 데이터에 연관된 수면 스테이지를 레이블링하도록 구성된다.
상기 시간 도메인 레이어, 주파수 도메인 레이어 및 분류 레이어는 다수의 트레이닝 샘플에 의해 학습된다. 각 트레이닝 샘플은 트레이닝 대상으로부터 획득된, 특정 에폭 구간(예컨대, 30초)의 트레이닝 뇌파 신호 및 에폭 구간에 연관된 수면 스테이지를 나타내는 레이블링 데이터를 포함한다. 학습을 위해, 세그먼트 레이어는 단일 트레이닝 뇌파 신호의 전체 구간을 세그먼트 단위로 분할하여 다수의 세그먼트를 획득한다. 시간 도메인 레이어 및 주파수 도메인 레이어는 상기 세그먼트를 트레이닝 데이터로 학습될 수 있다. 예를 들어, 트레이닝 샘플 세트의 레이블링 데이터가 W, N1, N2 3가지 유형인 경우, 도 2와 같이 3가지 유형의 수면 스테이지를 레이블링하도록 학습된다. 그러나, 이에 제한되지 않으며, W, N1, N2, N3 등과 같은 보다 더 많은 수면 스테이지의 유형의 수로 학습될 수도 있다.
시간 도메인 레이어, 주파수 도메인 레이어 및/또는 분류 레이어의 학습 방식은 CNN, RNN, LSTM 구조의 기계학습 모델에 대해 통상적으로 사용되는 학습 방식이므로, 자세한 설명은 생략한다.
이와 같이, 도 2의 수면 상태 분석 모델은 서로 상이한 뉴럴 네트워크(CNN, RNN(또는 LSTM)) 구조를 가지며, 다수의 도메인 상의 특징을 사용하도록 학습되는, 멀티-도메인 하이브리드 뉴럴 네트워크(mult-domain HNN) 구조를 가진다. 도 2의 구조를 갖는 수면 상태 분석 모델은 뇌파 신호(예컨대, EEG)의 시간적 불변성 측면의 특징(local time-invariant features) 뿐만 아니라 시간적 의존성(temporal dependencies) 측면의 특징을 학습할 수 있다.
뇌파 신호에서 뇌파의 유형을 검출하는 잡파 분석 모델은 입력 데이터에서 특징을 추출하고, 추출한 특징을 복원하는 네트워크 아키텍처를 가진다.
도 3은, 본 발명의 일 실시예에 따른, 잡파 분석 모델의 개념적인 구조도(architecture diagram)이다.
일 실시예에서, 잡파 분석 모델은 입력 데이터에서 특징을 추출하는 인코더(E)와 추출된 특징을 변환하는 디코더(D) 부분을 포함한다. 예를 들어, 잡파 분석 모델은 입력 데이터를 잠재변수(z)로 인코더한 후, 스스로 입력 데이터를 복원한다. 여기서, 잠재변수(z)는 학습 목표에 대해 의미론적인 성분으로 활용되지 않는다. 잡파 분석 모델은, 예를 들어, 오토인코더(AutoEncoder) 등의 구조를 가질 수 있으나, 이에 제한되진 않으며, 입력 데이터를 인코더한 후, 스스로 입력 데이터를 복원하는 다양한 네트워크 아키텍처를 가질 수도 있다.
인코더(E)는 특징을 추출하는 컨볼루션 레이어를 포함한다. 여기서, 추출되는 특징은 신호와 관련된 특징(normal feature) 및 뇌파의 유형과 관련된 특징(artifact feature)을 포함한다.
또한, 인코더(E)는 풀링 레이어, 배치 정규화 레이어(batch normalization layer), 드롭 아웃(drop-out) 레이어 등과 같은, 잡파 분석 모델의 성능을 개선할 수 있는 다른 레이어를 더 포함할 수 있다. 인코더는, 예를 들어, CNN(Convolutional Neural Network), RNN(Recurrent Boltzmann Machine), DBN(deep belief network) 등의 구조를 가질 수 있으나, 이에 제한되지 않으며 다양한 기계학습 모델의 특징 추출 구조를 가질 수 있다.
디코더(D)는 인코더(E)에서 출력되는 데이터(예컨대, 추출된 특징)를 수신하여 인코더의 입력 데이터로 복원한다. 여기서 복원은 인코더의 입력 데이터와 유사한 데이터로 변환하는 동작이다. 예컨대, 디코더는 변환 당시의 잡파 분석 모델 구조에서 입력 데이터의 벡터와 가장 가까운 간격을 갖도록 추출된 특징을 변환하여, 추출된 특징을 모델의 입력 데이터로 복원한다.
잡파 분석 모델에서 인코더/디코더의 학습에는 복수의 트레이닝 샘플이 사용된다.
일 실시예에서, 각 트레이닝 샘플은 뇌파 신호에서 사인파 패턴을 보다 정확하게 표현하는 트레이닝 이미지(training image)를 각각 포함한다. 상기 트레이닝 이미지는 트레이닝 대상의 뇌파 신호로부터 획득된다.
도 4는, 본 발명의 일 실시예에 따른, 잡파 분석 모델의 파라미터를 결정하는 과정의 흐름도이다.
도 4를 참조하면, 트레이닝 이미지를 획득하기 위해, 우선 트레이닝 대상의 뇌파 신호(이하, “트레이닝 뇌파 신호”)를 획득한다(S410). 단계(S410)에서 복수의 채널을 통해 복수의 트레이닝 뇌파 신호를 포함한 트레이닝 뇌파 신호 세트가 획득된다.
단계(S410) 이후, 트레이닝 뇌파 신호에서 노이즈를 제거한다(S430). 노이즈 제거의 전처리를 통해 전처리된 트레이닝 뇌파 신호가 획득된다(S430). 여기서, 노이즈는 델타 파(delta wave)를 포함하거나, 또는 뇌파 분석을 저해하는 다른 신호를 더 포함할 수도 있다.
그러나, 뇌분석 기술 분야에서 통상적으로 노이즈로 간주되는 잡파(artifact)는 단계(S430)에서 제거되는 본 출원의 노이즈에 포함되지 않는다.
일 실시예에서, 고주파 필터를 단계(S410)의 트레이닝 뇌파 신호에 적용하여 포함된 델타 파(delta wave)를 제거한다(S430). 델타 파가 제거되면 평탄화된 뇌파 신호가 획득된다. 상기 고주파 필터는, 예를 들어 4Hz HPF 일 수 있으나, 이에 제한되지 않으며, 델타 파를 제거하기에 적합한 다른 필터 영역을 갖는 고주파 필터일 수 있다.
이하, 설명의 명료성을 위해, 트레이닝 뇌파 신호는 전처리된 것으로 지칭하여 트레이닝 이미지의 생성 과정을 상세히 설명한다.
단계(S410 및 S430)를 거친 복수의 트레이닝 뇌파 신호는 뇌파 분석을 위해 요구되는 잡파(artifact)의 유형에 따라 분류되어, 유형별 서브 세트를 형성한다(S440). 각 서브 세트는 동일한 유형에 속하는 잡파를 포함한 트레이닝 뇌파 신호를 포함한다. 또한, 각 서브 세트는 해당하는 잡파를 식별하는 뇌파의 유형(label) 데이터를 더 포함할 수도 있다. 잡파 분석 모델이 식별할 수 있는 관심 구간의 유형의 수는 서브 세트의 수에 의존한다.
예를 들어, 뇌파의 유형은: Ms(Muscle), EO(Eye-open), EC(Eye-closed), EP(Electrode pop) 등을 포함하나, 이에 제한되지 않으며, 뇌파 분석에 요구되는 다양한 뇌파의 유형(예를 들어, 펄스 잡파 등)을 더 포함할 수 있다. 즉, 잡파 분석 모델이 식별 가능한 뇌파의 유형은 트레이닝 샘플의 트레이닝 뇌파 신호에 의존한다.
단계(S440)에서 트레이닝 뇌파 신호가 뇌파의 유형별로 서브 세트화되면, 각 서브 세트 내 트레이닝 뇌파 신호로부터 해당 뇌파의 유형에 대한 특징 패턴을 추출한다.
일 실시예에서, 뇌파의 유형에 대한 특징 패턴은: 뇌파의 유형별로 형성된, 서브 세트의 트레이닝 뇌파 신호를 미리 설정된 관심 주파수 영역으로 필터링하여 추출된다. 여기서, 관심 주파수 영역은 뇌파 신호에서 특정 잡파의 신호적 특성이 규칙성 있는 사인파 형태로 나타나는 고유한 주파수 영역이다. 불규칙한 사인파 형태를 갖는 뇌파 신호에서 관심 주파수 영역을 필터링하면, 규칙성을 보이는 부분 영역이 검출된다. 이러한 규칙성을 보이는 부분이 뇌파 분석에서 요구되는 관심 구간으로서, 레이블 대상이다. 즉, 특징 패턴은 뇌파 신호에서 일부 구간이 특정 관심 구간으로 식별되는데 요구되는, 신호적 특성이 반영된 구간의 신호 패턴이다.
일 실시예에서, 각 서브 세트에 연관된 뇌파의 유형에 대한 관심 주파수 영역은 몽타주, 수면 스테이지, 최소 에폭, 및 특징 패턴을 추출할 채널 중 하나 이상에 기초하여 상기 관심 주파수 영역을 필터 영역으로 갖는 필터를 선택하여 추출된다.
해당 뇌파의 유형에 연관된 필터를 선택하기 위해, 뇌파 신호의 몽타주(montage) 및/또는 스테이지(stage)에 대한 입력을, 서브 세트에 의존하는, 각 뇌파의 유형 별로 수신할 수도 있다.
몽타주는 뇌파 측정을 위해 전극의 배치와 유도법과 배열에 따라 뇌파를 기록하는 방식을 지칭한다. 상기 몽타주는 뇌파 신호가 측정된 채널에 기초하여 결정된다. 상기 뇌파 신호의 몽타주는, 예를 들어 ARM(Average Reference Montage), 또는 LBM(Longitudinal Bipolar Montage)을 포함한다.
상기 스테이지는 수면과 관련된 상태를 나타내며, 수면 중 측정한 뇌파의 특성 변화를 바탕으로 선택된다. 상기 스테이지는, 예를 들어 W, N1, N2 등을 포함한다. 뇌파 신호가 장시간 동안 획득된 경우, 상기 뇌파 신호는 하나 이상의 스테이지 유형을 가질 수 있다.
또한, 필터 선택 이전에, 특징 패턴을 검출할 구간(duration)에 대한 입력을, 트레이닝 샘플에 의해 결정된, 각 레이블 별로 수신할 수도 있다. 일부 실시예에서, 상기 구간은 최소 에폭(Min. epoch)으로 선택된다.
또한, 필터 선택 이전에, 특징 패턴을 검출할 채널에 대한 입력을 수신할 수 있다. 사용자의 입력에 의해 대상 전극이 선택된 경우, 선택된 대상 전극이 특징 패턴을 검출할 채널로 결정된다.
이와 같이, 트레이닝 샘플에 의하여 결정된, 각 레이블 별로 몽타주(ARM 또는 LBM), 수면 스테이지(W, N1, 및/또는 N2), 최소 에폭, 및/또는 특징 패턴을 추출할 채널 등에 대한 입력이 수신되면, 입력에 기초하여 각 레이블에 대한 필터가 선택된다.
도 5는, 본 발명의 일 실시예에 따른, 관심 주파수 영역의 필터의 선택을 설명하기 위한 테이블이다.
도 5에 도시된 바와 같이, 분석구간의 유형(PDR)에 있어서, a) 분석구간의 유형(PDR)에 대한 몽타주(예컨대, ARM) 및 수면 스테이지(예컨대, W)에 대한 입력을 수신하고; 분석구간의 유형(PDR)에 대해 검출할 최소 에폭(즉, 구간)에 대한 입력(예컨대, 1초 내지 2 초 중 임의의 초)을 수신하며; 분석구간의 유형(PDR)에 대해 검출할 채널에 대한 입력을 수신한 이후, 전술한 입력에 기초하여 5-13Hz의 필터 영역을 갖는 BPS(Band Pass Filter)가 분석구간의 유형(PDR)에 대한 필터로 선택된다.
그러면, 분석구간의 유형(PDR)에 대한 서브 세트의 트레이닝 뇌파 신호(예컨대, 평탄화된 트레이닝 뇌파 신호)에 상기 BPS가 적용되고, 결국 분석구간의 유형(PDR)과 관련된, 규칙성을 보이는 뇌파 신호의 일부가 분석구간의 유형(PDR)에 대한 특징 패턴으로 추출된다.
또한, 수면방추파의 유형(SS)에 있어서도, 도 4와 같이, 수면방추파의 유형(SS)에 대한 몽타주 및 수면 스테이지에 대한 입력, 수면방추파의 유형(SS)에 대해 검출할 최소 에폭(즉, 구간)에 대한 입력, 수면방추파의 유형(SS)에 대해 검출할 채널에 대한 입력을 수신한 이후, 전술한 입력에 기초하여 11-16Hz의 필터 영역을 갖는 BPS(Band Pass Filter)가 수면방추파의 유형(SS)에 대한 필터로 선택된다.
그러면, 수면방추파의 유형(SS)에 대한 서브 세트의 트레이닝 뇌파 신호(예컨대, 평탄화된 트레이닝 뇌파 신호)에 상기 BPS가 적용되고, 결국 수면방추파의 유형(SS)과 관련된, 규칙성을 보이는 뇌파 신호의 일부가 수면방추파의 유형(SS)에 대한 특징 패턴으로 추출된다.
또한, 뇌파의 유형(Ms)에 있어서도, 도 4와 같이, 뇌파의 유형(Ms)에 대한 몽타주 및 수면 스테이지에 대한 입력, 뇌파의 유형(Ms)에 대해 검출할 최소 에폭(즉, 구간)에 대한 입력, 뇌파의 유형(Ms)에 대해 검출할 채널에 대한 입력을 수신한 이후, 전술한 입력에 기초하여 30Hz의 필터 영역을 갖는 BPS(Band Pass Filter)가 뇌파의 유형(Ms)에 대한 필터로 선택된다.
그러면, 뇌파의 유형(Ms)에 대한 서브 세트의 트레이닝 뇌파 신호(예컨대, 평탄화된 트레이닝 뇌파 신호)에 상기 BPS가 적용되고, 결국 뇌파의 유형(Ms)과 관련된, 규칙성을 보이는 뇌파 신호의 일부가 뇌파의 유형(Ms)에 대한 특징 패턴으로 추출된다.
단계(S440)에서, 각 레이블별로 특징 패턴 서브 세트가 추출된다. 동일한 특징 패턴 서브 세트에 포함된 동일 레이블에 대한 복수의 특징 패턴은 반드시 동일하지는 않는다. 트레이닝 대상 사이의 신체적 차이로 인해, 미세한 차이가 있을 수 있다.
단계(S430)에 의해 평탄화된 트레이닝 뇌파 신호가 획득되고, 단계(S340)에 의해 각 레이블에 대응하는 특징 패턴이 획득되면, 평탄화된 트레이닝 뇌파 신호 및 추출된 특징 패턴을 결합하여 시각 패턴을 생성한다(S450). 일부 실시예에서, 상기 시각 패턴은, 2차원의 특징 패턴이 시각적으로 나타난 (예컨대, 그래프 형태의), 2차원 이미지로 표현될 수도 있다.
도 6a 및 도 6b는, 본 발명의 일 실시예에 따른, 2차원 시각 패턴의 이미지를 도시한 도면이다.
도 6a는 분석구간의 유형(PDR)에 대한 2차원 시각 패턴을 도시한 도면이고, 도 6b는, 뇌파의 유형(Ms)에 대한 2차원 시각 패턴을 도시한 도면이다.
도 6a에서 분석구간의 유형(PDR)에 대한 원시(raw) 트레이닝 뇌파 신호(노란색 선)는 전처리되어 평탄화된 트레이닝 뇌파 신호(파란색 선)이 획득된다. 이후, 분석구간의 유형(PDR)에 연관된 필터를 적용하여 (도 6a의 윈도우에 도시된) 분석구간의 유형(PDR)의 관심 구간(DI, Duration of Interest)을 추출한다. 이 평탄화된 트레이닝 뇌파 신호와 관심 구간을 결합하여 도 6a의 하단의 2차원 시각 패턴이 생성된다.
도 6b에서 뇌파의 유형(Ms)에 대한 원시(raw) 트레이닝 뇌파 신호(노란색 선)는 전처리되어 평탄화된 트레이닝 뇌파 신호(파란색 선)이 획득된다. 이후, 뇌파의 유형(Ms)에 연관된 필터를 적용하여 (도 6b의 윈도우에 도시된) 뇌파의 유형(Ms)의 관심 구간을 추출한다. 이 평탄화된 트레이닝 뇌파 신호와 관심 구간을 결합하여 도 6b의 하단의 2차원 시각 패턴이 생성된다(S450).
잡파 분석 모델의 트레이닝 이미지는 상기 시각 패턴의 이미지 데이터이다. 상기 트레이닝 이미지는 전체 뇌파 신호 구간에서 관심 구간 영역의 사인파 패턴을 정확히 표현한다. 이 트레이닝 이미지를 각각 포함한 각 트레이닝 샘플을 이용하여, 잡파 분석 모델이 학습되고, 결국 잡파 분석 모델의 파라미터 또한 결정된다(S360). 이러한 학습에 의해 잡파 분석 모델의 파라미터가 수렴하는 경우, 잡파 분석 모델의 학습이 완료된다.
일 실시예에서, 인코더 및 디코더를 갖는 잡파 분석 모델은 입력 데이터(x)와 복원된 데이터(x', 즉 디코더된 x) 사이의 차이(즉, 손실함수)를 최소화하도록 학습된다. 예를 들어, 잡파 분석 모델은 인코더된 입력 데이터에서 관심 구간에 대응하는 영역(예컨대, 추출된 특징 패턴의 영역)은 뇌파의 유형에 따른 특징 패턴에 가깝게 복원하고, 반면 비-관심 구간 영역은 뇌파 신호(예컨대, 전처리 신호)에 가깝게 복원한다. 즉, 잡파 분석 모델은 관심 구간과 비-관심 구간의 신호 패턴의 차이가 구별되는 출력 데이터를 생성한다.
도 6의 트레이닝 이미지를 통해, 인코더/디코더의 파라미터가 결정된다.
일 실시예에서, 잡파 분석 모델은 입력 데이터에 연관된 클래스를 결정하는 분류기(C)를 더 포함한다. 다시 도 3을 참조하면, 분류기는 인코더/디코더에서 생성된, 관심 구간과 비-관심 구간의 신호 패턴의 차이가 더 부각된 출력 데이터를 입력 데이터로 수신한다. 분류기는 이 입력 데이터의 특징 패턴에 연관된 클래스를 결정하도록 학습된다.
상기 분류기(C)는, 예를 들어, 완전 연결 레이어를 포함하나, 이에 제한되지 않으며, 입력 데이터의 클래스를 결정하는 다양한 분류기 구조를 가질 수 있다.
상기 분류기(C)의 파라미터(예컨대, 가중치)는 트레이닝 데이터와 클래스 정보를 포함한 트레이닝 샘플을 통해 학습된다. 일 실시예에서, 분류기(C)의 파라미터를 학습하기 위한 트레이닝 샘플은, 인코더/디코더(D/E) 부분의 학습을 위한 트레이닝 샘플일 수 있다. 여기서, 트레이닝 샘플은 시각 패턴인 트레이닝 이미지 및 시각 패턴에 연관된 뇌파의 유형 정보를 레이블링 데이터로 포함한다.
분류기(C)의 학습 과정은, 예를 들어 전향 계산(bias calucation), 오류 역전파, 가중치 업데이트의 3단계를 통해 수행된다. 그러나, 이에 제한되지 않으며, 레이어 내 연결선에 가중치가 할당된 네트워크 아키텍처의 파라미터를 학습할 수 있는 다양한 기계학습 방식이 적용될 수 있다. 이러한 학습 과정의 단계들은 뉴럴 네트워크 구조의 학습 모델에 대해 통상적으로 사용되는 학습 과정이므로, 자세한 설명은 생략한다.
학습이 완료되면, 잡파 분석 모델은 뇌파 신호의 전체 구간에서 관심 구간을 유형별로 레이블링할 수 있다.
학습 시 사용되는 트레이닝 샘플 세트가 복수의 레이블링(즉, 뇌파의 유형)과 연관되므로, 학습이 완료된 단일 잡파 분석 모델은 다수의 관심 구간을 레이블링할 수 있다.
따라서, 상기 장치(1)에서, n개의 유형의 관심 구간을 레이블링하고자 경우, 특정 레이블에 대해서만 각각 식별하도록 학습된, n개의 모델이 더 이상 요구될 필요가 없다.
상기 뇌파 분석 모델은 프로세서에 의해 학습된다. 예를 들어, 뇌파 분석 모델은 상기 장치(1)에 포함된 학습부(미도시) 또는 다른 외부 장치(예컨대, 컴퓨터 등)에 의해 수행될 수도 있다. 외부 장치에 의해 학습된 경우, 유/무선의 전기 통신을 통해 학습된 뇌파 분석 모델을 사용하기 이전에 수신하여 상기 장치(1)에 저장한다.
또한, 학습된 뇌파 분석 모델은 클라우드 서버에 저장되고, 상기 장치(1)는 상기 클라우드 서버와 통신하여 뇌파 분석 모델을 이용하도록 구성될 수도 있다.
상기 장치(1)는 전술한 과정에 의해 획득된 레이블링 결과를 뇌파 신호에 레이블링 결과를 표시한 화면(screen)을 제공하는 것과 같이 시각적으로 제공하거나, 또는 텍스트로 제공할 수도 있다. 여기서, 레이블링 결과는 레이블링된 관심 구간 또는 관심 구간의 유형(예컨대, 수면 스테이지, 뇌파의 유형 등)을 포함한다.
화면 상에 레이블링된 관심 구간은 다른 관심 구간의 일부를 포함하거나, 또는 전부를 포함할 수도 있다. 일부를 포함하는 경우, 레이블링된 서로 다른 관심 구간은 부분적으로 중첩되어 표시된다. 전부를 포함하는 경우, 레이블링된 서로 다른 관심 구간 중 하나는 다른 관심 구간에 부분으로서 포함된다.
도 7은, 본 발명의 일 실시예에 따른, 뇌파 신호에서 관심 구간을 레이블링한 결과를 도시한 도면이다.
다수의 채널을 통해 분석 대상의 뇌파 신호가 획득되면 도 7과 같은 결과가 사용자에게 제공될 수도 있다.
채널(Fp1-AVG)에서는, 뇌파 분석 모델에 의해, 도 7의 시간 구간 동안 3개의 관심 구간이 유형에 따라서 각각 EO, EC, EC로 레이블링된다.
채널(O2-AVG)에서는, 뇌파 분석 모델에 의해, 도 7의 시간 구간 동안 5개의 관심 구간이 유형에 따라서 각각 PSWY(Posterior Slow Waves of Youth), PDR, PDR, PDR, PDR로 레이블링된다. 여기서, PDR과 PDR의 관심 구간은 부분적으로 중첩된다.
뇌파 분석 모델은 채널별로 관심 구간을 검출하여 유형별로 레이블링할 뿐만 아니라, 채널 세트에서 관심 구간(즉, 관심 영역)을 검출하여 레이블링할 수도 있다. 여기서 복수의 채널 상에서의 뇌파 신호에서 검출되는 관심 영역은 면적을 갖는 형태, 또는 선 형태일 수 있다.
우선 도 7에서 19개의 채널 상의 뇌파 신호에서 수면 스테이지 W가 레이블링된다. 또한, 도 7에서 19개의 채널 상의 뇌파 신호에서 관심 영역8개는 유형에 따라서 BG(Background), EO, EB, EB, EB, EC로 각각 레이블링된다. 도 7의 분석구간의 유형(BG)와 분석구간의 유형(PDR)과 같이, 관심 구간의 뇌파 신호는 관심 영역의 일부 뇌파 신호일 수도 있다. 또는 도 7의 뇌파의 유형(EB)와 뇌파의 유형(EO)와 같이, 관심 영역의 뇌파 신호는 관심 구간의 일부 뇌파 신호일 수도 있다.
일부 실시예에서, 도 7에 도시된, 관심 구간을 레이블링한 결과는 토글(toggle) 형식으로 제공될 수 있다. 사용자에게 레이블링 결과를 제공하는 인터페이스에 따라 레이블링 결과가 표시되거나, 표시되지 않은 상태로 뇌파 신호의 그래프가 제공될 수 있다.
정량적 지표 산출
뇌파 분석부(30)는 관심 구간으로 레이블링된 수면 스테이지 및/또는 뇌파의 유형에 기초하여 분석 대상의 뇌파 신호를 정량적으로 분석한 뇌파 지표를 산출하도록 더 구성된다. 도 7의 수면 스테이지 또는 잡파 유형과 같은, 레이블링 결과에 기초하여 뇌파 분석과 관련된 정량적 지표(뇌파 지표)가 산출된다.
상기 뇌파 분석과 관련된 정량적 지표는 수면 스테이지별로 연관된다. 수면 스테이지 W의 정량적 지표와 수면 스테이지 N1의 정량적 지표는 동일한 부분을 가지거나, 또는 서로 다른 부분을 가질 수도 있다.
일 실시예에서, 뇌파 신호에서 수면 스테이지 W가 레이블링되는 경우, 해당 구간 상의 뇌파 신호에 대한 뇌파 지표가 산출된다. 여기서, 뇌파 지표의 항목은, 예를 들어, 구간 주파수 항목 또는 구간 진폭 항목(이하, “구간 주파수/진폭 항목”), 비대칭성(asymmetry) 항목, 국부 대칭성(local asymmetry) 항목, 활동(activity) 항목, 전방 후방 경사(anterior-posterior gradient) 항목 등을 포함할 수 있다.
구간 주파수/진폭 항목은 전체 채널 각각에 대한 에폭별 원시 신호(raw signal), 에폭별 PSD, 및/또는 에폭별 피크 주파수/진폭의 범위에 기초하여 산출될 수도 있다.
뇌파 분석부(30)는 채널을 선택하고, 선택된 채널에서 수면 스테이지 W 구간 상의 뇌파 신호에 대한 주파수 및 진폭 관련 정보에 기초하여 구간 주파수/진폭 항목을 산출할 수도 있다. 일 실시예에서, 구간 주파수/진폭 항목은 피크 주파수 및/또는 진폭 범위(ranged amplitude)일 수 있다. 여기서, 구간 주파수 항목으로서 피크 주파수는 다음의 수학식에 의해 산출된다.
[수학식 8]
Figure 112021012289616-pat00009
이를 위해, 뇌파 분석부(30)는 뇌파 신호의 PSD를 산출하도록 더 구성된다.
한편, 구간 진폭 항목으로서 진폭 범위는 다음의 수학식에 의해 산출된다.
[수학식 9]
Figure 112021012289616-pat00010
여기서, window size는 미리 설정된 값으로서, 예를 들어 1초 일 수 있으나 이에 제한되진 않는다. Window는 서로 오버랩되지 않도록 설정될 수 있다.
일부 실시예에서, 선택된 채널은 전체 채널일 수 있다. 다른 일부 실시예에서, 전체 채널 중 PDR 채널을 제외한 채널이 선택될 수도 있다. 또 다른 일부 실시예에서, 구간 주파수/진폭 항목은 선택된 체인(예컨대, parasagittal chain)의 각 에폭에 대한 채널별 주파수/진폭 항목, 좌측/우측의 주파수/진폭 항목, 원시 신호, 및 PSD 등을 사용하여 산출된, 선택된 체인(예컨대, parasagittal chain) 에 대한 대표 값일 수도 있다. 여기서, 상기 대표 값은 항목은 전체 에폭에 대한 평균 값일 수도 있으나, 이에 제한되진 않으며 전체 에폭에 대한 다른 대표 값일 수도 있다.
수면 스테이지 W의 구간이 복수의 에폭을 포함하는 경우, 상기 피크 주파수 및 진폭 범위는 에폭별로 산출된다. 즉, 에폭의 수가 분석 구간의 개수이다. 에폭별 피크 주파수의 평균 및 에폭별 진폭 범위의 평균이 뇌파 지표로 산출된다.
상기 구간 주파수/진폭 항목의 산출 결과는 공차 범위를 더 포함할 수도 있다. 그러면, 상기 구간 주파수/진폭 항목의 산출 결과는 평균과 같은 특정 산출 값과 해당 평균을 기준으로 갖는 공차 범위를 포함한다.
비대칭성 항목은 좌측/우측 채널의 신호 간의 일치 정도를 나타낸다. 비대칭성 항목은 좌측/우측 채널에서의 피크 주파수에 관련된 인자 또는 진폭 범위에 관련된 인자를 포함한다.
상기 비대칭성 항목은 좌측 채널 또는 우측 채널에 따른 에폭별 피크 주파수 및 진폭 범위, 에폭별 원시 신호(raw signal), 에폭별 PSD에 기초하여 산출된다.
일 실시예에서, 비대칭성 항목은 좌측 채널의 피크 주파수 및 우측 채널의 피크 주파수 차이에 기초하여 산출된다. 일부 실시예에서, 피크 주파수는 에폭별 피크 주파수의 평균을 나타낸다.
다른 일 실시예에서, 비대칭성 항목은 구간 진폭 항목(예컨대, 좌측 채널의 진폭 범위) 및 우측 채널의 구간 진폭 항목(예컨대, 진폭 범위) 간의 비율로 산출된다. 일부 실시예에서, 진폭 범위는 에폭별 진폭 범위의 평균을 나타낸다.
이와 같이, 뇌파 분석부(30)는 좌측 채널과 우측 채널의 주파수 또는 진폭 값을 사용하여 주파수 측면의 비대칭성 항목 또는 진폭 측면의 비대칭성 항목을 산출할 수도 있다.
국부 대칭성(local symmetry) 항목은 채널 배치와 관련된 체인 또는 좌/우 채널의 쌍으로부터 획득된 뇌파 신호에 기초하여 산출된다. 여기서, 체인은: temporal(좌/우), parasagittal (좌/우), mid-line 등을 포함한다.
상기 국부 대칭성 항목은 체인 또는 좌측/우측 특정 채널의 쌍을 선택하고, 선택된 체인 또는 쌍에 대한 구간 주파수/진폭에 기초하여 산출된다.
활동(acitivity) 항목은 뇌의 활동과 관련된 항목으로서, 비정상적인 느린 활동(abnormal slow activity) 항목 또는 느린 활동(slow activity)을 포함한다.
상기 활동 항목은 채널 각각에 대해서, 해당 채널의 전체 구간에서 계산된 에폭별 PSD에 기초하여 계산된다. 상기 에폭별 PSD의 값은 3차원 그래프로 구현할 수도 있다.
일 실시예에서, 상기 뇌파 분석부(30)는 에폭별 PSD에 기초하여 뇌가 활동한 것을 나타내는 제1 레이블 데이터 또는 뇌가 비활동되었다는 것을 나타내는 제2 레이블 데이터를 상기 느린 활동 항목으로 산출할 수도 있다. 예를 들어 뇌파 분석부(30)는 비정상적인 느린 활동(abnormal slow activity)가 없다고 분석될 경우, 이를 가리키는 레이블 데이터를 상기 활동 항목의 값으로 생성할 수도 있다.
전방-후방 경사 항목은 몽타주가 LBM인 경우에 산출된다. 전방 채널(예컨대, F1-F3, Fp2, F4 등)에서 분석 대상의 전방 뇌파 신호가 획득되고 그리고 후방 채널(예컨대, P3-O1, P4-O2 등)에서 분석 대상의 후방 뇌파 신호가 획득되면, 뇌파 분석부(30)는 에폭별로 경사를 계산하여 전방-후방 경사 항목에 대한 값을 산출한다. 여기서, 경사는 전방 채널 및 후방 채널의 구간 진폭 항목(예컨대, 진폭 범위)에 기초하여 산출된다. 즉, 에폭 상에서 채널별 진폭이 전방-후방 경사의 항목에 대한 값을 산출하는데 사용된다.
일부 실시예에서, 이 경사 항목에 대한 값은 에폭별 대표 값(예컨대 평균 값)일 수 있다.
뇌파 분석부(30)는 뇌파 신호의 레이블링 결과에 의존하여 하나 이상의 뇌파 지표를 산출할 수도 있다. 뇌파 신호에서 수면 스테이지 N1, N2, 또는 N3이 레이블링 되는 경우, 해당 구간 상의 뇌파 신호에 기초하여 해당 구간에서의 뇌파 지표가 산출된다. 여기서, 뇌파 지표는, 예를 들어, 구간 주파수 및 진폭 정보, 비대칭성성, 국부 대칭성성, 활성, 전방-후방 경사 등과 같은, 수면 스테이지 W이 레이블링 된 경우와 동일한 뇌파 지표를 포함할 수 있다.
또한, 상기 뇌파 분석부(30)는 뇌파의 유형에 의존하여 각 유형별로 지정된 뇌파 지표를 산출할 수도 있다.
일 실시예에서, 뇌파 신호에서 잡파의 유형으로서 PDR이 레이블링되는 경우, 해당 구간 상의 뇌파 신호에 대한 뇌파 지표가 산출된다. 여기서, 뇌파 지표의 항목은, 예를 들어, 구간 주파수/진폭 항목, 조절(regulation), 비대칭성(asymmetry), 변조(modulation), 개안(eyes-opening)에 대한 반응성(reactivity) 등을 포함할 수 있다.
유형PDR에 관련된 항목에 대한 값은 구간 주파수 또는 히스토그램, 구간 진폭 또는 히스토그램, 에폭별 원시 신호, 에폭별 PSD 등을 사용하여 산출된다.
분석 구간의 유형(PDR)에 대응하는 구간의 뇌파 신호에 있어 구간 주파수/진폭 항목은 후방(posterior) 채널 중 좌/우측 채널을 선택하고, 선택된 채널의 뇌파 신호로부터 피크 주파수 및 피크-투-피크 진폭을 산출하여 획득된다.
일 실시예에서, 에폭별 주파수 및 히스토그램이 산출되고, 다음의 수학식에 의해 구간 주파수 항목으로서 피크 주파수가 산출된다.
[수학식 10]
Peak frequency = max (선택 채널의 PSD)
또한, 에폭별 진폭 및 히스토그램이 산출되고, 다음의 수학식에 의해 구간 진폭 항목으로서 진폭 값이 산출된다.
[수학식 11]
Amplitude = 선택 채널의 peak-to-peak amplitude
한편, 조절(regulation) 항목은 전술한 구간 주파수 항목을 산출하는 과정과 유사하다. 에폭별 주파수 및 히스토그램, 에폭별 원시 신호, 에폭별 PSD 등을 사용해 상기 조절 항목을 산출한다.
비대칭성 항목은 좌/우측 채널의 피크 주파수 또는 진폭 범위에 기초하여 산출한다. PDR 구간에서의 비대칭성 항목의 산출 및 제공하는 과정은 수면 스테이지 W에서의 비대칭성 항목을 산출하는 과정과 유사하므로, 자세한 설명은 생략한다. 이 경우, 산출되는 비대칭성 항목은 수면 스테이지 W와 뇌파의 유형PDR에 연관된다.
변조(modulation)는: PDR 구간에서의 뇌파 신호의 엔벨로프 진폭의 표준 편차(SD)를 산출한 뒤, 다음의 수학식을 통해 산출된다.
[수학식 12]
Modulation = mean(에폭별 엔벨로프 진폭의 SD)
여기서, 엔벨로프 진폭은 에폭 동안의 뇌파 신호에 기초한다.
일 실시예에서, 엔벨로프 진폭은 국부적 피크에 의한 스플라인 보간법(spline interpolation)을 통해 산출될 수 있다. 여기서, 엔벨로프 진폭은 abs(upper-lower)일 수 있다.
개안에 대한 반응성(reactivity to eyes-opening)은 특정 주파수 구간에서 개안 시간 동안의 주파수 구간의 면적 및 폐안 시간 동안의 주파수 구간 면적에 기초하여 산출된다.
일 실시예에서, 주파수 구간을 설정하고(예컨대, 8~13Hz), 시간-주파수 분포에서 폐안(eyes-closed) 시간, 개안(eyes-opening) 시간, 및 재-폐안 시간에서의 주파수 구간의 면적에 기초하여 산출된다. 여기서, 폐안 시간, 개안 시간, 재-폐안 시간은 미리 설정된 시간으로서, 예를 들어, 각각 3초일 수 있으나, 이에 제한되진 않는다.
일 실시예에서, 개안에 대한 반응성 항목은 다음의 수학식으로 산출된다.
[수학식 13]
반응성 항목 = (ratio_1+ratio_2)/2
여기서, ratio_1은 개안 시간의 주파수 구간 면적/폐안 시간의 주파수 구간 면적을 나타내고, ratio_2는 개안 시간의 주파수 구간 면적/재-폐안 시간에서의 주파수 구간의 면적을 나타낸다.
일 실시예에서, 뇌파 신호에서 유형으로서 활성화(activation)가 레이블링되는 경우, 해당 구간 상의 뇌파 신호에 대한 뇌파 지표가 산출된다. 여기서, 뇌파 지표의 항목은, 예를 들어, 간헐적 광 자극(Intermittent photic stimulation)과 과호흡(Hyperventilation) 항목을 포함한다.
뇌파 분석부(30)는 특정 주파수의 구간(예컨대, 12Hz의 photic stimulation)를 선택하고, 전채 채널을 선택하며, 전체 채널의 뇌파 신호에서 상기 특정 구간(예컨대, photic stimulation 구간)을 기준으로 다수의 구간으로 분할한 뒤, 각 구간에 대한 PSD를 산출하고, 산출된 PSD를 사용해 간헐적 광 자극 항목에 대한 값을 산출할 수도 있다. PSD에 기초하여 상기 다수의 구간 범위에서 간헐적 광 자극이 검출되면, 간헐적 광 자극이 존재한다는 것을 나타낸 제1 레이블 데이터가 상기 간헐적 광 자극에 대한 값으로 산출된다. 또는, PSD에 기초하여 상기 다수의 구간 범위에서 간헐적 광 자극이 검출되지 않으면, 간헐적 광 자극이 존재하지 않는다는 것을 나타낸 제2 레이블 데이터가 상기 간헐적 광 자극에 대한 값으로 산출된다.
상기 다수의 구간은 상기 photic stimulation 구간 이외에 개안(eyes-opne), 폐안(eyes-closed), 및/또는 post-stimuation 구간을 더 포함한다. 일부 실시예에서, 각 구간의 크기는 3초일 수도 있다. 다른 일부 실시예에서, 개안 구간 및 폐안 구간의 크기는 에폭마다 다를 수도 있다.
뇌파 분석부(30)는 전체 채널을 선택하고, 상기 전체 채널의 뇌파 신호에서 과호흡 구간을 포함한 다수의 구간으로 분할한다. 상기 다수의 구간은 프리-과호흡 구간, 과호흡 구간, 포스트-과호흡 구간을 포함한다. 과호흡 구간의 검출 여부에 따라서, 과호흡이 존재한다는 것을 나타낸 제1 레이블 데이터 또는 과호흡이 존재하지 않는 다는 것을 나타낸 제2 레이블 데이터가 상기 과호흡 항목에 대한 값으로 산출된다.
일 실시예에서, 상기 뇌파 분석부(30)는 뇌파 신호에서 수면 서지요소(sleep graphoelements, SG)를 추가로 분석할 수도 있다. 뇌파 분석부(30)는 뇌파 신호의 파형을 시각적으로 분석하여 지표화하여, 수면 서지요소에 관한 지표를 산출한다.
일 실시예에서, 수면 서지요소에 관한 뇌파 지표는 두정부 에파(Vertex sharp transients)의 정도를 분석한 제1 요소 지표, 수면 방추파(Sleep spindles)의 정도를 분석한 제2 요소 지표 및/또는 K-복합체(K-complex)의 정도를 분석한 제3 요소 지표를 포함한다.
뇌파 분석부(30)는 전채 채널을 선택하고, 전체 채널의 뇌파 신호에서 에폭 별로 두정부 에파를 검출한 뒤, 검출된 에폭별 두정부 에파를 사용하여 제1 요소 지표를 산출한다. 에폭의 개수가 상기 제1 요소 지표를 산출하기 위한 분석 구간의 개수이다.
두정부 에파를 검출하기 위해, 중심(central) 영역의 뇌파 신호가 중점적으로 사용된다.
상기 제1 요소 지표는 진폭 항목, 간격(duration) 항목, 비대칭성 항목 및/또는 피크 위치 항목을 포함할 수도 있다. 일부 실시예에서, 진폭 항목 또는 간격 항목은 대표 값(예컨대, 평균)에 대한 공차 범위를 더 포함할 수도 있다. 그러면, 진폭 항목 또는 간격 항목은 평균의 ± 표준편차(standard deviation)로 산출될 수도 있다.
뇌파 분석부(30)는 전채 채널을 선택하고, 전체 채널의 뇌파 신호에서 에폭 별로 K-복합체를 검출한 뒤, 검출된 에폭별 K-복합체를 사용하여 제3 요소 지표를 산출한다. 에폭의 개수가 상기 제3 요소 지표를 산출하기 위한 분석 구간의 개수이다.
상기 제3 요소 지표는 진폭 항목, 간격(duration) 항목, 비대칭성 항목 및/또는 피크 위치 항목을 포함할 수도 있다. 일부 실시예에서, 진폭 항목 또는 간격 항목은 대표 값(예컨대, 평균)에 대한 공차 범위를 더 포함할 수도 있다. 그러면, 진폭 항목 또는 간격 항목은 평균의 ± 표준편차(standard deviation)로 산출될 수도 있다.
뇌파 분석부(30)는 전체 채널을 선택하고, 전체 채널의 뇌파 신호에서 에폭별로 수면 방추파를 검출한 뒤, 검출된 에폭별 수면 방추파를 사용하여 제2 요소 지표를 산출한다. 에폭의 개수가 상기 제2 요소 지표를 산출하기 위한 분석 구간의 개수이다.
수면 방추파를 검출하기 위해, 전체 채널 중 세로 양극성 몽타주(longitudinal bipolar montage)를 기본 채널로, 정면(frontal) 영역의 뇌파 신호를 중점적으로 사용된다.
상기 제2 요소 지표는 진폭 항목, 간격(duration) 항목, 비대칭성 항목 및/또는 피크 위치 항목을 포함할 수도 있다. 일부 실시예에서, 진폭 항목 또는 간격 항목은 대표 값(예컨대, 평균)에 대한 공차 범위를 더 포함할 수도 있다. 그러면, 진폭 항목 또는 간격 항목은 평균의 ± 표준편차(standard deviation)로 산출될 수도 있다.
템플릿 생성과 소견서 작성
상기 장치(1)는 텍스트 기반 템플릿 형식 또는 소견서 형식으로 레이블링 결과 및/또는 뇌파 지표 산출 결과를 사용자에게 제공할 수도 있다. 상기 템플릿 형식은 레이블링 결과 및/또는 뇌파 지표의 산출 결과의 정보가 테이블 구조체에 표현된 형식으로서 템플릿 생성부(50)에 의해 생성된다. 소견서 형식은 레이블링 결과 및/또는 뇌파 지표의 산출 결과가 문구(phrase) 또는 문장으로 서술된 형식으로서 소견 생성부(70)에 의해 생성된다. 이하, 설명의 명료성을 위해, 문장으로 서술된 소견서를 사용하여 본 발명의 실시예들을 보다 상세하게 서술한다.
템플릿 생성부(50)는 소견서의 문장을 생성하는데 사용되는 템플릿을 생성한다.
상기 템플릿은 하나 이상의 카테고리, 필드 및 필드의 값을 포함한 구조체이다.
상기 카테고리는 나이, 성명 등의 항목이 속하는 신원 카테고리, 레이블링된 수면 스테이지를 요약하여 설명하는 요약 카테고리, 및 레이블링된 수면 스테이지에 대응하는 스테이지 카테고리를 포함한다.
상기 요약 카테고리는 레이블링된 수면 스테이지를 항목으로 가지며, 예를 들어 웨이크-수면 스테이지(wake-sleep stages)의 명칭으로 지칭될 수도 있다.
상기 스테이지 카테고리의 명칭과 수는 뇌파 분석부(30)에 의한 수면 스테이지의 레이블링 결과에 의존한다. 예를 들어, 대상자의 뇌파 신호에 대해서 뇌파 분석부(30)가 수면 스테이지W, N1, N2 및 SG를 레이블링한 경우, 카테고리는 W의 카테고리, N1의 카테고리, N2 의 카테고리 및 SG의 카테고리를 포함한다.
상기 카테고리 중 적어도 하나는 하위 카테고리를 포함할 수도 있다. 수면 스테이지와 뇌파의 유형이 동시에 레이블링될 경우, 수면 스테이지의 카테고리는 메인 카테고리에 대응하고, 뇌파의 유형은 하위 카테고리에 대응한다. 예를 들어, 수면 스테이지 W 및 유형BG, PDR, 및 Activation이 레이블링될 경우, 메인 카테고리W와 하위 카테고리 BG, PDR, Activation이 생성된다. 또는, 수면 스테이지N1 및 유형BG가 레이블링되면, 메인 카테고리N1 및 하위 카테고리BG가 생성된다.
필드는 소견서를 작성하는데 사용되는 항목이다. 뇌파 판독 소견서에는 환자의 나이, 성명 등과 같은 개인정보뿐 아니라 수면 스테이지별 정량적인 뇌파 지표를 포함한 정보가 기재되는데, 이러한 정보가 필드에 대응한다. 즉, 필드는 개인정보의 항목 또는 뇌파 지표의 항목에 대응한 필드를 포함한다.
예를 들어, 뇌파 지표의 항목에 대응한 필드는 구간 주파수/진폭 항목, 비대칭성 항목, 활동 항목, 경사 항목, 조절 항목, 변조 항목, 반응성 항목, 피크 위치 항목 및/또는 동기화(synchrony) 항목 등을 포함할 수도 있다.
상기 템플릿은 레이블링 결과에 따라 동일한 필드가 다수 생성될 수도 있다. 예를 들어, 구간 주파수/진폭 항목, 비대칭성 항목 등은 수면 스테이지 W, N1, 또는 N2에 대해서 각각 산출되므로, 상기 템플릿은 스테이지 카테고리W, N1, 또는 N2에 속하는 각각의 구간 주파수/진폭 항목 등을 포함할 수도 있다. 또는, 구간 주파수/진폭 항목은, 뇌파의 유형PDR, BG 에 대해서 각각 산출되므로, 상기 템플릿은 하위 카테고리PDR, BG에 각각 속하는 구간 주파수/진폭 항목 등을 포함할 수도 있다.
도 8을, 본 발명의 일 실시예에 따른, 템플릿을 도시한 도면이다.
도 8을 참조하면, 상기 템플릿 생성부(50)는 신원 카테고리 및 상기 신원 카테고리에 연관된 필드를 포함한 제1 영역(A), 요약 카테고리 및 상기 요약 카테고리에 연관된 하나 이상의 필드를 포함한 제2 영역(B)을 생성할 수도 있다.
상기 제1 영역(A)에 포함된 필드는 신원 카테고리에 속하는 개인정보의 항목에 대응한다. 상기 제1 영역(A)의 필드 및 이에 대한 값은 최초 대상 환자의 서지사항 입력 결과에 의해 획득된다. 예를 들어, 대상 환자의 나이가 입력되면, 도 8에 도시된 바와 같이, 나이 필드 및 해당 나이의 수치가 필드 값으로 상기 제1 영역(A)에 포함된다.
상기 제2 영역(B)에 포함된 필드는 레이블링된 수면 스테이지에 대응한다. 상기 제2 영역(B)의 요약 카테고리에 연관된 필드가 스테이지 카테고리로 사용되며, 스테이지 카테고리의 명칭이 도 8에 도시된 바와 같이 제2 영역(B)에 표현될 수도 있다.
일 실시예에서, 수면 스테이지의 필드에 대한 값은 수면 스테이지의 길이일 수도 있다. 상기 제2 영역(B)에 표현되는 길이는 수면 스테이지의 구간을 시간 단위로 표현한 수치일 수도 있다.
또한, 상기 템플릿 생성부(50)는 상기 제2 영역(B)의 필드를 카테고리로 갖는 하나 이상의 영역을 생성한다. 상기 영역의 수는 레이블링된 수면 스테이지의 수에 의존한다. 도 8에 도시된 바와 같이 제2 영역(B)이 3개의 필드(W, N1, N2)를 포함할 경우, 스테이지 카테고리(W)에 대한 영역(C), 스테이지 카테고리N1에 대한 영역(D), 스테이지 카테고리 N2에 대한 영역(E)가 제3 영역으로 생성된다.
이들 제3 영역(즉, 영역(C, D, E))은 각각 스테이지 카테고리, 하위 카테고리 및 이에 연관된 필드를 포함한다. 상기 하위 카테고리에 연관된 필드는 하위 카테고리에 대응한 뇌파의 유형과 관련된 뇌파 지표의 항목이다.
예를 들어, 영역(C)은 스테이지 카테고리W를 포함한다. 그리고, 영역(C)은 하위 카테고리 BG, 및 이에 연관된 필드로서 구간 주파수/진폭 항목, 비대칭성 항목, 활동 항목, 경사 항목에 대응한 필드를 포함하고, 다른 하위 카테고리PDR 및 이에 연관된 필드로서 구간 주파수/진폭 항목, 비대칭성 항목, 활동 항목, 조절 항목, 변조 항목, 반응성 항목에 대응한 필드를 포함하며, 또 다른 하위 카테고리Activation 및 이에 연관된 필드로서 과호흡 항목, 간헐적 광 자극 항목에 대응한 필드를 포함한다.
스테이지 카테고리N1 및 N2를 포함한 영역(D, E)도, 도 8에 도시된 바와 같이, 해당 스테이지 카테고리N1, N2에 각각 연관된 필드를 포함한다.
또한, 상기 템플릿 생성부(50)는 뇌파 분석부(30)에서 수면 서지요소에 관한 뇌파 지표를 산출할 경우, 상기 수면 서지요소에 대한 영역(F)을 생성할 수도 있다. 상기 영역(F)은 수면 서지요소에 관한 뇌파 지표를 하위 카테고리로 포함한다. 예를 들어, 도 8에 도시된 바와 같이 영역(F)은 제1 요소 지표, 제3 요소 지표 및 제2 요소 지표를 하위 카테고리로 가진다.
상기 영역(F)은 제1 요소 지표, 제3 요소 지표 및 제2 요소 지표의 하위 카테고리 각각에 연관된 필드를 포함한다. 상기 필드는 해당 요소 지표에 속하는 항목에 대응한다. 예를 들어, 도 8에 도시된 바와 같이 제1 요소 지표의 카테고리에는 피크 위치의 필드, 대칭성의 필드가 연관된다. 제2 요소 지표인 수면 방추파 카테고리에는 구간 주파수/진폭 항목, 비대치성 항목 및 동기화 항목이 연관된다.
소견 생성부(70)는 템플릿에 포함된 카테고리의 텍스트(예컨대, 명칭), 및 해당 카테고리에 연관된 필드의 텍스트(예컨대, 명칭), 및 상기 필드에 대한 값(숫자 또는 문자)으로부터 복수의 문장을 생성한다. 특정 문장은 메인 카테고리를 포함한 단일 영역(A, B, C, D, E 또는 F) 또는 이들 다수로부터 생성된다.
소견서는 복수의 문장을 포함하며, 각 문장은 표현이 삽입되는 공간인 삽입 공간을 포함한 구조체로부터 완성된다.
소견 생성부(70)는 템플릿에 포함된 정보에 대해서 미리 연관된, 구조체 형식의 문장을 검색한다(retrieve). 특정 카테고리, 필드 및 이들의 조합에 대해서 문장이 검색될 것으로 미리 설정되어 있다. 소견 생성부(70)는 상기 특정 카테고리, 필드, 또는 이들의 조합이 상기 템플릿에 포함되어 있을 경우, 각각에 연관된 하나 이상의 문장을 검색한다. 상기 문장에 뇌파 지표의 값 등이 삽입되어 문장이 완성된다.
문장의 구조체는 정적 부분과 동적 부분을 포함한다. 정적 부분은 소견서에서 모든 환자에 대해 공통적으로 사용되는 표현이 기재되는 부분이다. 정적 부분에는 고정된 문자가 포함되며, 해당 고정 문자는 미리 설정되어 있다.
동적 부분은 복수의 삽입 공간을 포함한다. 상기 삽입 공간은 상기 동적 부분에 문자 및 숫자 중 적어도 하나로 서술된 표현이 삽입되는 위치이다. 상기 삽입 공간에 삽입되는 표현은, 메인 카테고리 또는 하위 카테고리와 같은 카테고리를 서술하는 텍스트, 필드를 서술하는 텍스트, 및/또는 해당 필드의 값, 즉 필드 값에 기초한다. 도 8의 템플릿에서 카테고리, 필드, 필드 값 각각과 삽입 공간이 미리 매핑되며, 매핑된 위치로 표현이 삽입된다. 예를 들어, 특정 카테고리, 특정 필드가 있어 검색된 문장 구조체는 상기 특정 필드에 대한 필드 값에 매핑된 삽입 공간을 포함한다.
상기 복수의 삽입 공간 중 일부에는 카테고리의 텍스트, 필드의 텍스트 또는 상기 필드 값을 그대로 삽입될 수도 있다.
예를 들어, 상기 템플릿에 포함된 카테고리의 명칭(도 8의 age)이 카테고리의 텍스트로서 해당 삽입 공간에 그대로 삽입될 수도 있다. 또는, 상기 템플릿에 포함된 필드 값(예컨대, 도 8의 “present”)이 해당 삽입 공간에 그대로 삽입될 수도 있다.
또한, 상기 복수의 삽입 공간 중 다른 일부에는 상기 복수의 삽입 공간 중 다른 일부에 카테고리의 텍스트, 필드의 텍스트 또는 상기 필드 값을 상기 삽입 공간의 배열 관계에 기초하여 변환한 표현이 삽입될 수도 있다.
예를 들어, 도 8의 템플릿에서 하위 카테고리 BG의 비정상적 느린 활동 필드의 필드 값이 “none”이다. 상기 필드 값에 기초한 표현이 삽입되는 문장 구조에서 상기 하위 카테고리 BG의 비정상적 느린 활동 필드의 필드 값에 미리 매핑된 삽입 공간에 필드 값”none”이 그대로 삽입되면, 삽입 공간의 상대적인 위치, 즉 문장 구조체 내에서의 배열 관계에 따라서 완성된 문장으로 구현되지 않을 수도 있다. 상기 소견 생성부(70)는 삽입 공간의 배열 관계에 기초하여 상기 간헐적 광 자극의 필드 값을 “no”와 같은, 문장 구조 내에서 해당 삽입 공간이 배열된 순서에 적합한 표현으로 변환하여 삽입할 수도 있다.
일 실시예에서, 상기 복수의 삽입 공간 중 적어도 하나는 필드 값을 산출하는데 사용된 정보와 매핑된다. 예를 들어, 뇌파 지표를 사용하는데 사용된, 분석 구간의 수, 시간 등의 관련 정보가 상기 삽입 공간과 매핑될 수도 있다.
상기 소견 생성부(70)는 템플릿의 다수의 영역에 포함된 카테고리의 텍스트, 필드의 텍스트, 또는 필드 값에 기초하여 단일 문장을 생성할 수도 있다.
도 9는, 본 발명의 일 실시예에 따른, 템플릿을 사용해 생성된 소견서를 도시한 도면이다.
도 9를 참조하면, 첫번째 문단 내 문장에 포함된 삽입 공간 각각은 제1 영역(A) 및 제2 영역(B)의 필드, 그리고 필드 값과 미리 매핑된다. 그러면, 제1 영역(A)의 필드 값에 기초한 표현(“11”)이 미리 매핑된 위치에 삽입되고, 그리고 제2 영역(A)의 필드의 텍스트(W, N1, N2) 및 그 값(11m 50s, 3m 20s, 14m 30s)에 기초한 표현 “waking (11m 50s), stage N1 (3m 20s), and stage N2 (14m 30s)”이 미리 매핑된 위치에 각각 삽입된다.
또는, 소견 생성부(70)는 템플릿의 단일 영역에 기초하여 다수의 문장을 생성할 수도 있다.
일 실시예에서, 상기 다수의 문장은 하위 카테고리별로 문단(pharagraph)을 이룰 수도 있다. 각각의 하위 카테고리별 문단은 해당 하위 카테고리에 연관된 필드 및 이에 대한 값에 기초한 하나 이상의 문장을 포함한다. 여기서, 상기 하위 카테고리에 연관된 메인 카테고리에 기초한 표현은 상기 하위 카테고리의 문단 중 첫번째 문단에 삽입된다.
예를 들어, 도 8의 영역(C)은 하위 카테고리 BG, PDR, 및 Activation을 가진다. 그러면, 도 9에 도시된 바와 같이 소견 생성부(70)는 도 8의 영역(C)의 정보를 사용하여 하위 카테고리 BG에 대한 문단, PDR에 대한 문단 및 activation에 대한 문단을 생성할 수도 있다.
하위 카테고리BG에 포함된 첫번째 문장 및 두번째 문장의 동적 부분에 포함된 삽입 공간 각각은 하위 카테고리BG에 연관된 필드와 미리 매핑된다. 그러면 영역(C)에 포함된, 하위 카테고리BG에 연관된 일부 필드(예컨대, 구간 주파수/진폭 항목) 및 그에 대한 값에 기초한 표현 “medium to high amplitude (60.67±7.4 μV (42.68 μV ~80.11 μV)), theta/alpha frequency (8.61±0.73 Hz (5.38Hz~10.06 Hz))”이 두번째 문장의 미리 매핑된 위치에 삽입된다. 또한, 영역(C) 에 포함된, 하위 카테고리BG에 연관된 다른 일부 필드(예컨대, 비대칭성 항목, 활동 항목, 경사 항목) 및 그에 대한 값에 기초한 표현 “symmetric”“abnormal slow activity”“”가 상기 BG에 대한 문단의 세번째 문장에 미리 매핑된 위치에 삽입된다.
한편, 영역(C)의 메인 카테고리의 텍스트에 기반한 표현(main waking)은 해당 문단의 첫번째 문장에 미리 매핑된 위치에 삽입된다. 또한, 영역(C)의 하위 카테고리 BG에 연관된 필드의 값을 산출하는데 사용된 정보가 미리 매핑된 위치에 삽입될 수도 있다. 예를 들어, 도 9에 도시된 바와 같이, 수면 스테이지BG의 뇌파 지표를 산출하는데 사용된, 분석 구간의 수에 기초한 표현 “37 epochs”이 삽입될 수도 있다.
유사하게, 하위 카테고리PDR에 대한 단락에 포함된 동적 부분에서 복수의 삽입 공간 각각이 하위 카테고리PDR에 연관된 필드와 미리 매핑된다. 그러면, 전술한 하위 카테고리BG와 유사하게, 상기 하위 카테고리PDR에 연관된 필드 및 그에 대한 값에 기초한 표현이 미리 매핑된 위치에 각각 삽입된다.
예를 들어, 영역(C)에 포함된, 하위 카테고리PDR에 연관된 일부 필드(예컨대, 구간 주파수/진폭 항목) 및 그에 대한 값에 기초한 표현 “posterior dominant rhythm” “high amplitude (101.32 ± 25.3 μV (35 ~ 154 μV)) alpha rhythm (8.26±0.36Hz (7.81~10.35Hz))”이 해당 문단의 두번째 문장에 삽입될 수도 있다. 또한, 영역(C) 에 포함된, 하위 카테고리PDR에 연관된 다른 일부 필드(예컨대, 비대칭성 항목, 조절 항목, 변조 항목, 반응성 항목) 및 그에 대한 값에 기초한 표현 “well regulated”, “good modulation”, “symmetric in frequency and amplitude”, “reactivity”가 문단의 세번째, 네번째 및 다섯번째 문장 내에 미리 매핑된 위치에 각각 삽입된다.
또한, 영역(C)의 하위 카테고리 BG에 연관된 필드의 값을 산출하는데 사용된 정보가 미리 매핑된 위치에 삽입될 수도 있다. 예를 들어, 도 9에 도시된 바와 같이, 수면 스테이지PDR의 뇌파 지표를 산출하는데 사용된, 분석 구간의 수에 기초한 표현 “97 epochs from right and 103 epochs from left”이 삽입될 수도 있다.
유사하게, 하위 카테고리Activation에 대한 단락에 포함된 동적 부분에서 복수의 삽입 공간 각각이 하위 카테고리Activation에 연관된 필드와 미리 매핑된다. 그러면, 전술한 하위 카테고리BG와 유사하게, 상기 하위 카테고리Activation에 연관된 필드 및 그에 대한 값에 기초한 표현이 미리 매핑된 위치에 각각 삽입된다.
예를 들어, 영역(C)에 포함된, 하위 카테고리Activation에 연관된 일부 필드(예컨대, 과호흡 항목) 및 그에 대한 값에 기초한 표현 “hyperventilation” “no abnormal finding”이 해당 문단의 첫번째 문장에 삽입될 수도 있다. 또한, 영역(C)에 포함된, 하위 카테고리Activation에 연관된 다른 일부 필드(예컨대, 간헐적 광 자극 항목) 및 그에 대한 값에 기초한 표현”intermittent photic stimulation”“o abnormal activity”이 해당 문단의 두번째 문장에 삽입될 수도 있다.
또한, 영역(C)의 하위 카테고리 Activation에 연관된 필드의 값을 산출하는데 사용된 정보가 미리 매핑된 위치에 삽입될 수도 있다. 예를 들어, 도 9에 도시된 바와 같이, 과호흡에 대한 뇌파 지표의 값과 간헐적 광 자극에 대한 뇌파 지표의 값을 각각 산출하는데 사용된, 분석 시간에 기초한 표현 ”3 minutes and 2 seconds”과 분석 주파수에 기초한 표현 ”2 Hz, 5Hz, 10Hz, 12 Hz, 15 Hz and 20Hz”가 삽입될 수도 있다.
다른 영역(D, E, F)에 대한 문단에 포함되는 다수의 문장은 각 문단에 대한 하위 카테고리에 연관된 필드, 및 그에 대한 값에 기초한 표현이 해당 카테고리, 필드 및 필드 값에 미리 매핑된 삽입 공간에 각각 삽입되어 생성된다. 이러한 과정은 템플릿의 영역(C)를 사용하여 문장을 생성하는 전술한 과정과 유사하므로, 자세한 설명은 생략한다.
본 발명의 다른 일 측면에 따른 뇌파 판독 소견 작성 방법은 상기 뇌파 판독 소견 작성 장치(1)와 같은, 프로세서를 포함한 컴퓨팅 장치에 의해 수행될 수도 있다. 이하, 설명의 명료성을 위해, 뇌파 판독 소견 작성 장치(1)에 의해 수행되는 실시예들을 통해 뇌파 판독 소견 작성 방법을 서술한다.
도 10은, 본 발명의 일 실시예에 따른, 뇌파 판독 소견 작성 방법의 흐름도이다.
도 10을 참조하면, 상기 뇌파 판독 소견 작성 방법은: 대상 환자의 뇌파 신호, 및 상기 대상 환자의 서지사항 데이터를 수신하는 단계(S1100); 상기 뇌파 신호에 기초하여 관심 구간을 식별하고, 상기 관심 구간에 기초하여 뇌파 분석을 위한 정량화 지표를 포함한 분석 결과를 산출하는 단계(S1300); 상기 대상 환자의 서지사항 입력 결과 및 뇌파 분석 결과에 기초하여 하나 이상의 템플릿을 생성하는 단계(S1500); 및 상기 템플릿의 카테고리, 해당 카테고리에 연관된 필드, 및 상기 필드에 대한 값으로부터 복수의 문장을 갖는 소견서를 생성하는(S1700)를 포함한다.
일 실시예에서, 상기 단계(S1500)는: 신원 카테고리를 포함한, 상기 템플릿 내 제1 영역, 그리고 요약 카테고리를 포함한 상기 템플릿 내 제2 영역을 생성하는 단계를 포함할 수도 있다. 상기 제1 영역은 신원 카테고리에 연관된 필드, 및 그에 대한 값(즉 필드 값)을 포함한다. 상기 제2 영역은 요약 카테고리에 연관된 필드 및 그에 대한 값을 포함한다. 여기서, 상기 제2 영역에 포함된 필드는 상기 뇌파 분석부에 의해 레이블링된, 수면 스테이지에 대응한다.
일 실시예에서, 상기 단계(S1500)는: 상기 제1 템플릿의 필드를 카테고리로 갖는, 하나 이상의 제3 영역을 생성하는 단계를 더 포함할 수도 있다. 상기 제3 영역은 상기 수면 스테이지에 대응한 스테이지 카테고리, 해당 스테이지 카테고리에 연관된 필드, 및 상기 필드에 대한 필드 값을 포함하고, 상기 제3 영역의 필드는 정량화된 뇌파 지표의 항목에 대응한다.
일 실시예에서, 상기 단계(S1700)에서, 소견서는 상기 템플릿에 포함된 카테고리의 텍스트, 필드의 텍스트 및 필드의 값에 기초하여 각각 생성된 복수의 문장을 포함하도록 생성될 수도 있다. 여기서, 상기 문장은 미리 고정된 문자로 이루어진 정적 부분과 상기 텍스트 및 값에 따라 변하는 텍스트가 삽입되는 동적 부분을 포함하며,
상기 동적 부분은 문자 및 숫자 중 적어도 하나로 서술된 표현이 삽입되는 복수의 삽입 공간을 포함하며, 상기 복수의 삽입 공간에는 상기 카테고리의 텍스트, 필드의 텍스트 또는 필드 값에 기초한 표현이 각각 삽입된다. 복수의 삽입 공간 각각에 대해서는 카테고리, 필드 또는 필드 값이 미리 매핑된다.
일 실시예에서, 상기 단계(S1700)는, 상기 복수의 삽입 공간 중 일부에 카테고리의 텍스트, 필드의 텍스트 또는 상기 필드 값을 그대로 삽입하는 단계를 포함할 수도 있다.
일 실시예에서, 상기 단계(S1700)는, 상기 복수의 삽입 공간 중 다른 일부에 카테고리의 텍스트, 필드의 텍스트 또는 상기 필드 값을 문장 구조에서 상기 삽입 공간의 배열 관계에 기초하여 변환한 표현을 삽입하는 단계를 포함할 수도 있다.
단계(S1100 내지 S1700)에서 수행되는 동작에 대해서는 입력부(10), 뇌파 분석부(30), 템플릿 생성부(50) 및 소견 생성부(70)를 참조하여 위에서 서술하였는바 자세한 설명은 생략한다.
이러한 상기 뇌파 판독 소견 작성 장치(1) 및 방법은 복수의 정량화된 뇌파 지표 값을 사용하여 뇌파 판독 소견을 자동으로 작성함으로써, 뇌파 판독의 객관성과 정확도를 향상시키고, 뇌파 판독 업무량을 감소시킬 수 있다.
상기 뇌파 판독 소견 작성 장치(1)가 본 명세서에 서술되지 않은 다른 구성요소를 포함할 수도 있다는 것이 통상의 기술자에게 명백할 것이다. 예를 들어, 상기 뇌파 판독 소견 작성 장치(1)는 네트워크 인터페이스, 데이터 엔트리를 위한 입력 장치, 및 디스플레이, 인쇄 또는 다른 데이터 표시를 위한 출력 장치를 포함하는, 본 명세서에 서술된 동작에 필요한 다른 하드웨어 요소를 포함할 수도 있다.
이상에서 설명한 실시예들에 따른 뇌파 판독 소견 작성 장치(1) 및 동작은 적어도 부분적으로 컴퓨터 프로그램으로 구현되어, 컴퓨터로 읽을 수 있는 기록매체에 기록될 수 있다. 예를 들어, 프로그램 코드를 포함하는 컴퓨터-판독가능 매체로 구성되는 프로그램 제품과 함께 구현되고, 이는 기술된 임의의 또는 모든 단계, 동작, 또는 과정을 수행하기 위한 프로세서에 의해 실행될 수 있다.
상기 컴퓨터는 데스크탑 컴퓨터, 랩탑 컴퓨터, 노트북, 스마트 폰, 또는 이와 유사한 것과 같은 컴퓨팅 장치일 수도 있고 통합될 수도 있는 임의의 장치일 수 있다. 컴퓨터는 하나 이상의 대체적이고 특별한 목적의 프로세서, 메모리, 저장공간, 및 네트워킹 구성요소(무선 또는 유선 중 어느 하나)를 가지는 장치다. 상기 컴퓨터는 예를 들어, 마이크로소프트의 윈도우와 호환되는 운영 체제, 애플 OS X 또는 iOS, 리눅스 배포판(Linux distribution), 또는 구글의 안드로이드 OS와 같은 운영체제(operating system)를 실행할 수 있다.
상기 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록신원확인 장치를 포함한다. 컴퓨터가 읽을 수 있는 기록매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장신원확인 장치 등을 포함한다. 또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수도 있다. 또한, 본 실시예를 구현하기 위한 기능적인 프로그램, 코드 및 코드 세그먼트(segment)들은 본 실시예가 속하는 기술 분야의 통상의 기술자에 의해 용이하게 이해될 수 있을 것이다.
이상에서 살펴본 본 발명은 도면에 도시된 실시예들을 참고로 하여 설명하였으나 이는 예시적인 것에 불과하며 당해 분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 실시예의 변형이 가능하다는 점을 이해할 것이다. 그러나, 이와 같은 변형은 본 발명의 기술적 보호범위 내에 있다고 보아야 한다. 따라서, 본 발명의 진정한 기술적 보호범위는 첨부된 특허청구범위의 기술적 사상에 의해서 정해져야 할 것이다.

Claims (18)

  1. 프로세서를 포함한 장치에 의해 수행되는, 뇌파 신호를 정량적으로 분석한 결과를 이용한 뇌파 판독 소견 작성 방법에 있어서,
    대상 환자의 뇌파 신호, 및 상기 대상 환자의 서지사항 데이터를 수신하는 단계;
    상기 뇌파 신호에서 관심 구간을 식별하고, 상기 관심 구간으로부터 뇌파 분석을 위한 뇌파 지표를 포함한 분석 결과를 산출하는 단계;
    상기 대상 환자의 서지사항 입력 결과 및 뇌파 분석 결과로부터 템플릿을 생성하는 단계 - 상기 템플릿은 하나 이상의 카테고리, 필드 및 필드 값을 포함함; 및
    상기 템플릿에 포함된 카테고리의 텍스트, 해당 카테고리에 연관된 필드의 텍스트, 및 상기 필드에 대한 값으로부터 복수의 문장을 갖는 소견서를 생성하는 단계를 포함하며, 상기 카테고리는,
    신원 카테고리, 레이블링된 수면 스테이지를 요약하여 설명하는 요약 카테고리, 레이블링된 수면 스테이지에 대응하는 하나 이상의 스테이지 카테고리를 포함하고,
    상기 템플릿을 생성하는 단계는,
    신원 카테고리 및 상기 신원 카테고리에 연관된 필드를 포함한 제1 영역; 요약 카테고리 및 상기 요약 카테고리에 연관된 필드를 포함한 제2 영역; 스테이지 카테고리, 하위 카테고리 및 상기 하위 카테고리에 연관된 필드를 포함한 하나 이상의 제3 영역을 생성하는 단계인 것을 특징으로 하는 뇌파 판독 소견 작성 방법.
  2. 제1항에 있어서,
    상기 제2 영역에 포함된 필드는,
    뇌파 분석부에 의해 레이블링된 수면 스테이지에 대응하는 것을 특징으로 하는 뇌파 판독 소견 작성 방법.
  3. 제1항에 있어서,
    상기 제3 영역의 수는,
    뇌파 분석부에 의해 레이블링된 수면 스테이지의 수에 대응하고,
    상기 하위 카테고리에 연관된 필드는,
    하위 카테고리에 대응하는 뇌파의 유형과 관련된 뇌파 지표의 항목에 대응한 것을 특징으로 하는 뇌파 판독 소견 작성 방법.
  4. 제1항에 있어서,
    상기 문장은 미리 고정된 문자로 이루어진 정적 부분과 상기 텍스트 및 값에 따라 변하는 텍스트가 삽입되는 동적 부분을 포함하며,
    상기 동적 부분은 문자 및 숫자 중 적어도 하나로 서술된 표현이 삽입되는 복수의 삽입 공간을 포함하며, 상기 복수의 삽입 공간에는 상기 카테고리의 텍스트, 필드의 텍스트 또는 필드 값에 따른 표현이 각각 삽입되며,
    복수의 삽입 공간 각각에 대해서 카테고리, 필드 또는 필드 값이 미리 매핑된 것을 특징으로 하는 뇌파 판독 소견 작성 방법.
  5. 제4항에 있어서,
    상기 복수의 삽입 공간 중 일부에 카테고리의 텍스트, 필드의 텍스트 또는 상기 필드 값이 그대로 삽입되는 것을 특징으로 하는 뇌파 판독 소견 작성 방법.
  6. 제4항에 있어서,
    상기 복수의 삽입 공간 중 다른 일부에는 카테고리의 텍스트, 필드의 텍스트 또는 상기 필드 값을 상기 삽입 공간의 배열 관계에 기초하여 변환한 표현이 삽입되는 것을 특징으로 하는 뇌파 판독 소견 작성 방법.
  7. 제1항에 있어서, 상기 관심 구간은 상기 뇌파 신호에서 관심 구간을 레이블링하도록 학습된 뇌파 분석 모델에 상기 뇌파 신호를 적용하여 식별되고,
    상기 뇌파 분석 모델의 학습을 위해 사용된 트레이닝 이미지는, 트레이닝 뇌파 신호를 전처리한 제1 신호 및 해당 관심 구간의 유형에 연관된 필터를 상기 제1 신호에 적용하여 추출된 제2 신호를 결합하여 생성되고, 상기 제2 신호는 불규칙한 뇌파 신호에서 규칙성 있는 사인파 형태의 패턴을 포함하는 것을 특징으로 하는 뇌파 판독 소견 작성 방법.
  8. 제1항에 있어서, 상기 뇌파 지표를 산출하는 단계는,
    상기 대상 환자의 뇌파 신호에서 수면 스테이지인 웨이킹(waking, W) 스테이지, N1 수면(N1 sleep, N1) 스테이지, 또는 N2 수면(N2 sleep, N2) 스테이지가 레이블링되는 경우, 해당 구간 상의 뇌파 신호에 대한 뇌파 지표를 산출하는 단계를 포함하며, 상기 뇌파 지표는, 구간 주파수 지표 또는 구간 진폭 지표를 포함하고,
    상기 구간 주파수 지표는 다음의 수학식에 의해 산출되며,
    구간 주파수 지표 = max(mean(전체 채널의 Power Spectral Density))
    상기 구간 진폭 지표는 다음의 수학식에 산출되며,
    구간 진폭 지표 = mean(peak-to-peak amplitude)
    여기서, peak-to-peak amplitude는 미리 설정된 윈도우 사이즈 내 피크 신호의 진폭에 기초한 것을 특징으로 하는 뇌파 판독 소견 작성 방법.
  9. 제8항에 있어서,
    뇌파 신호에서 잡파의 유형으로서 PDR(posterior dominant rhythm)이 레이블링되는 경우, 해당 구간 상의 뇌파 신호에 대한 뇌파 지표를 산출하는 단계를 포함하며, 상기 뇌파 지표는, 구간 주파수 지표 또는 구간 진폭 지표를 포함하고,
    상기 구간 주파수 지표는 다음의 수학식에 의해 산출되며,
    구간 주파수 지표 = max (선택 채널의 Power Spectral Density)
    상기 구간 진폭 지표는 다음의 수학식에 산출되며,
    구간 진폭 지표 = 선택 채널의 peak-to-peak amplitude
    인 것을 특징으로 하는 뇌파 판독 소견 작성 방법.
  10. 제9항에 있어서,
    상기 뇌파 지표는 변조 지표를 더 포함하며,
    상기 변조 지표는 다음의 수학식에 의해 산출되고,
    변조 지표 = mean(에폭별 엔벨로프 진폭의 표준 편차)
    여기서, 엔벨로프 진폭은 에폭 동안의 뇌파 신호에 기초한 것을 특징으로 하는 뇌파 판독 소견 작성 방법.
  11. 제10항에 있어서,
    상기 뇌파 지표는 개안(eyes-opening)에 대한 반응성 지표를 더 포함하며,
    상기 개안에 대한 반응성 지표는 다음의 수학식으로 산출되며,
    반응성 지표 = (ratio_1+ratio_2)/2
    여기서, ratio_1은 개안 시간의 주파수 구간 면적/폐안 시간의 주파수 구간 면적을 나타내고, ratio_2는 개안 시간의 주파수 구간 면적/재-폐안 시간에서의 주파수 구간의 면적을 나타내는 것을 특징으로 하는 뇌파 판독 소견 작성 방법.
  12. 제1항 내지 제11항 중 어느 하나의 항에 따른 뇌파 판독 소견 작성 방법을 수행하기 위한 프로그램을 기록한, 컴퓨터 판독가능 기록매체.
  13. 대상 환자의 뇌파 신호, 및 상기 대상 환자의 서지사항 데이터를 수신하는 입력부;
    상기 뇌파 신호에서 관심 구간을 식별하고, 상기 관심 구간으로부터 뇌파 분석을 위한 뇌파 지표를 포함한 분석 결과를 산출하는 뇌파 분석부;
    상기 대상 환자의 서지사항 입력 결과 및 뇌파 분석 결과로부터 템플릿을 생성하는 템플릿 생성부 - 상기 템플릿은 하나 이상의 카테고리, 필드 및 필드 값을 포함함; 및
    상기 템플릿에 포함된 카테고리의 텍스트, 해당 카테고리에 연관된 필드의 텍스트, 및 상기 필드에 대한 값으로부터 복수의 문장을 생성하는 소견 생성부를 포함하며,
    상기 카테고리는,
    신원 카테고리, 레이블링된 수면 스테이지를 요약하여 설명하는 요약 카테고리, 레이블링된 수면 스테이지에 대응하는 하나 이상의 스테이지 카테고리를 포함하고,
    상기 템플릿 생성부는,
    신원 카테고리 및 상기 신원 카테고리에 연관된 필드를 포함한 제1 영역; 요약 카테고리 및 상기 요약 카테고리에 연관된 필드를 포함한 제2 영역; 스테이지 카테고리, 하위 카테고리 및 상기 하위 카테고리에 연관된 필드를 포함한 하나 이상의 제3 영역을 생성하는 것을 특징으로 하는 뇌파 판독 소견 작성 장치.
  14. 제13항에 있어서,
    상기 제2 영역에 포함된 필드는 상기 뇌파 분석부에 의해 레이블링된, 수면 스테이지에 대응인 것을 특징으로 하는 뇌파 판독 소견 작성 장치.
  15. 제13항에 있어서,
    상기 제3 영역의 수는,
    상기 뇌파 분석부에 의해 레이블링된 수면 스테이지의 수에 대응하고,
    상기 하위 카테고리에 연관된 필드는,
    하위 카테고리에 대응하는 뇌파의 유형과 관련된 뇌파 지표의 항목에 대응한 것을 특징으로 하는 뇌파 판독 소견 작성 장치.
  16. 제13항에 있어서,
    상기 문장은 미리 고정된 문자로 이루어진 정적 부분과 상기 텍스트 및 값에 따라 변하는 텍스트가 삽입되는 동적 부분을 포함하며,
    상기 동적 부분은 문자 및 숫자 중 적어도 하나로 서술된 표현이 삽입되는 복수의 삽입 공간을 포함하며, 상기 복수의 삽입 공간에는 상기 카테고리의 텍스트, 필드의 텍스트 또는 필드 값에 따른 표현이 각각 삽입되며,
    복수의 삽입 공간 각각에 대해서 카테고리, 필드 또는 필드 값이 미리 매핑된 것을 특징으로 하는 뇌파 판독 소견 작성 장치.
  17. 제16항에 있어서,
    상기 복수의 삽입 공간 중 일부에 카테고리의 텍스트, 필드의 텍스트 또는 상기 필드 값이 그대로 삽입되는 것을 특징으로 하는 뇌파 판독 소견 작성 장치.
  18. 제16항에 있어서,
    상기 복수의 삽입 공간 중 다른 일부에는 카테고리의 텍스트, 필드의 텍스트 또는 상기 필드 값을 상기 삽입 공간의 배열 관계에 기초하여 변환한 표현이 삽입되는 것을 특징으로 하는 뇌파 판독 소견 작성 장치.
KR1020210013500A 2021-01-29 2021-01-29 뇌파 신호를 정량적으로 분석한 결과를 이용한 뇌파 판독 소견 작성 장치 및 방법 KR102513398B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210013500A KR102513398B1 (ko) 2021-01-29 2021-01-29 뇌파 신호를 정량적으로 분석한 결과를 이용한 뇌파 판독 소견 작성 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210013500A KR102513398B1 (ko) 2021-01-29 2021-01-29 뇌파 신호를 정량적으로 분석한 결과를 이용한 뇌파 판독 소견 작성 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20220109913A KR20220109913A (ko) 2022-08-05
KR102513398B1 true KR102513398B1 (ko) 2023-03-24

Family

ID=82826350

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210013500A KR102513398B1 (ko) 2021-01-29 2021-01-29 뇌파 신호를 정량적으로 분석한 결과를 이용한 뇌파 판독 소견 작성 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102513398B1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116636815B (zh) * 2023-06-06 2024-03-01 中国人民解放军海军特色医学中心 基于脑电信号的水下作业人员睡眠质量评估方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6231480B2 (ja) * 2011-09-19 2017-11-15 パーシスト ディベロップメント コーポレーション Eeg記録を分析するための方法及びシステム
US20190142291A1 (en) * 2015-03-23 2019-05-16 Temple University-Of The Commonwealth System Of Higher Education System and Method for Automatic Interpretation of EEG Signals Using a Deep Learning Statistical Model
EP3506279A1 (en) * 2018-01-02 2019-07-03 Koninklijke Philips N.V. Automatic diagnosis report preparation
KR102011126B1 (ko) * 2018-04-30 2019-08-14 고려대학교 산학협력단 뇌 연결성을 이용한 의식 수준 기반의 수면 단계 측정 방법 및 장치
KR102169529B1 (ko) * 2019-11-29 2020-10-23 서울대학교병원 뇌파 분석과 관련된 관심 구간을 뇌파 신호에서 레이블링하는 방법 및 이를 수행하는 뇌파 분석 시스템

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2536390C2 (ru) * 2012-10-31 2014-12-20 Общество с ограниченной ответственностью "1С" Способ для автоматизированного создания отчетов
WO2014075029A1 (en) 2012-11-10 2014-05-15 The Regents Of The University Of California Systems and methods for evaluation of neuropathologies

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6231480B2 (ja) * 2011-09-19 2017-11-15 パーシスト ディベロップメント コーポレーション Eeg記録を分析するための方法及びシステム
US20190142291A1 (en) * 2015-03-23 2019-05-16 Temple University-Of The Commonwealth System Of Higher Education System and Method for Automatic Interpretation of EEG Signals Using a Deep Learning Statistical Model
EP3506279A1 (en) * 2018-01-02 2019-07-03 Koninklijke Philips N.V. Automatic diagnosis report preparation
KR102011126B1 (ko) * 2018-04-30 2019-08-14 고려대학교 산학협력단 뇌 연결성을 이용한 의식 수준 기반의 수면 단계 측정 방법 및 장치
KR102169529B1 (ko) * 2019-11-29 2020-10-23 서울대학교병원 뇌파 분석과 관련된 관심 구간을 뇌파 신호에서 레이블링하는 방법 및 이를 수행하는 뇌파 분석 시스템

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Jeon C-H, etc., EEG-based Real-time Automated Analysis System Depression. 2014년 춘계학술발표대회 논문집. 제21권, 제1호, 1001~1004페이지 (2014년 4월)*

Also Published As

Publication number Publication date
KR20220109913A (ko) 2022-08-05

Similar Documents

Publication Publication Date Title
US11468288B2 (en) Method of and system for evaluating consumption of visual information displayed to a user by analyzing user's eye tracking and bioresponse data
KR102236791B1 (ko) 뇌파 분석 기반 환자진단 지원 시스템 및 방법
Molinaro et al. Out‐of‐synchrony speech entrainment in developmental dyslexia
Brodbeck et al. Eelbrain, a Python toolkit for time-continuous analysis with temporal response functions
KR102169529B1 (ko) 뇌파 분석과 관련된 관심 구간을 뇌파 신호에서 레이블링하는 방법 및 이를 수행하는 뇌파 분석 시스템
CN113712507B (zh) 评估意识障碍程度的系统、恢复倾向预测方法和存储介质
Koskinen et al. Identifying fragments of natural speech from the listener's MEG signals
Cross et al. Oscillatory and aperiodic neural activity jointly predict language learning
Deniz et al. Semantic representations during language comprehension are affected by context
Arana et al. Sensory modality-independent activation of the brain network for language
KR102513398B1 (ko) 뇌파 신호를 정량적으로 분석한 결과를 이용한 뇌파 판독 소견 작성 장치 및 방법
Lin et al. Modified multiscale sample entropy and cross-sample entropy based on horizontal visibility graph
Parmar et al. A novel and efficient Wavelet Scattering Transform approach for primitive-stage dyslexia-detection using electroencephalogram signals
Mellot et al. Harmonizing and aligning M/EEG datasets with covariance-based techniques to enhance predictive regression modeling
Teng et al. Segmenting and predicting musical phrase structure exploits neural gain modulation and phase precession
Henke et al. Fast and slow rhythms of naturalistic reading revealed by combined eye-tracking and electroencephalography
Eisenhauer et al. Context-based facilitation in visual word recognition: Evidence for visual and lexical but not pre-lexical contributions
Zhang et al. High-speed image analysis reveals chaotic vibratory behaviors of pathological vocal folds
Nora et al. Impaired cortical tracking of speech in children with developmental language disorder
Shukla et al. An improved decision support system for identification of abnormal EEG signals using a 1D convolutional neural network and savitzky-golay filtering
Hollenstein Leveraging cognitive processing signals for natural language understanding
Ghibaudo et al. A unifying method to study Respiratory Sinus Arrhythmia dynamics implemented in a new toolbox
CN116098633A (zh) 一种意识障碍的微创介入脑机接口意念脑控系统
Molavi et al. Comparison of different methods for emotion classification
WO2021230775A1 (ru) Способ определения фазы сна в длительной записи ээг

Legal Events

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