KR20150128471A - 뇌 손상 환자를 위한 재활 치료 지원 장치 및 방법 - Google Patents

뇌 손상 환자를 위한 재활 치료 지원 장치 및 방법 Download PDF

Info

Publication number
KR20150128471A
KR20150128471A KR1020140055891A KR20140055891A KR20150128471A KR 20150128471 A KR20150128471 A KR 20150128471A KR 1020140055891 A KR1020140055891 A KR 1020140055891A KR 20140055891 A KR20140055891 A KR 20140055891A KR 20150128471 A KR20150128471 A KR 20150128471A
Authority
KR
South Korea
Prior art keywords
patient
rehabilitation
brain
information
model
Prior art date
Application number
KR1020140055891A
Other languages
English (en)
Inventor
강효아
감혜진
Original Assignee
삼성전자주식회사
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 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020140055891A priority Critical patent/KR20150128471A/ko
Priority to US14/693,703 priority patent/US20150325139A1/en
Publication of KR20150128471A publication Critical patent/KR20150128471A/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4058—Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
    • A61B5/4064—Evaluating the brain
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B24/00—Electric or electronic controls for exercising apparatus of preceding groups; Controlling or monitoring of exercises, sportive games, training or athletic performances
    • A63B24/0075—Means for generating exercise programs or schemes, e.g. computerized virtual trainer, e.g. using expert databases
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B5/00—Electrically-operated educational appliances
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2505/00—Evaluating, monitoring or diagnosing in the context of a particular type of medical care
    • A61B2505/09—Rehabilitation or training
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2576/00—Medical imaging apparatus involving image processing or analysis
    • A61B2576/02—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part
    • A61B2576/026—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part for the brain
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B19/00—Teaching not covered by other main groups of this subclass

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Neurology (AREA)
  • Primary Health Care (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Epidemiology (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychology (AREA)
  • Signal Processing (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Databases & Information Systems (AREA)
  • Neurosurgery (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Radiology & Medical Imaging (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Hospice & Palliative Care (AREA)
  • Social Psychology (AREA)
  • Developmental Disabilities (AREA)
  • Child & Adolescent Psychology (AREA)
  • Educational Technology (AREA)

Abstract

뇌 손상 환자를 위한 재활 치료 지원 장치에 관한 것으로, 그 장치는 뇌와 관련된 환자 정보 및 지식 정보 등을 활용하여 뇌 영역 간 네트워크 모델 및 뇌의 각 영역에 대한 재활 효율성 모델을 생성하는 모델 생성부와, 새로운 환자의 뇌 관련 정보가 입력되면 그 환자의 뇌 관련 정보와 뇌 영역 간 네트워크 모델 및 재활 효율성 모델을 통합 분석하여 그 환자에 적용할 재활 모델을 생성하는 환자 적용부를 포함할 수 있다.

Description

뇌 손상 환자를 위한 재활 치료 지원 장치 및 방법{APPARATUS AND METHOD FOR SUPPORTING REHABILITAION OF PATIENT WITH BRAIN DEMAGE}
뇌 손상 환자를 위한 재활 치료 지원 장치 및 방법에 관한 것으로, 뇌 손상 영역을 대체 보완할 수 있는 영역의 활성화를 지원하는 기술과 관련된다.
2000년대 초반까지 성인의 경우 뇌손상을 입으면 뇌 세포 재생이 되지 않아 이를 회복하기 어려운 것으로 알려져 왔다. 하지만, 2000년대 초반 이후 뇌의 비손상 영역이 손상 영역의 기능을 대체함으로써 뇌 손상에서 회복이 될 수 있음을 시사하는 연구 결과들이 나오기 시작했다. 손상된 뇌 영역을 다른 비 손상 뇌 영역들에서 대체하는 현상을 뇌 가소성이라고 하며, 뇌 손상 후 행동/인지 장애가 많은 뇌졸증(stroke) 환자나 AD 환자의 재활 과정에서의 적용을 위해 다양한 연구가 진행되고 있다.
최근에는 뇌 손상 환자의 재활에 있어, 손상을 입은 뇌 영역의 대체 영역에 전기/자기장 자극을 가하거나, 시각적 자극을 가함으로써 재활시 효과를 향상할 수 있음이 알려졌다. 대체 영역에 대한 뇌의 자극 방법에 대해서는 다양한 연구들이 있으나, 지금까지는 뇌의 자극 영역에 대한 결정은 기존에 알려진 뇌의 영역별 기능이나 경험적 근거에 따라 이루어져 재활 방법 간의 관계를 충분하게 고려하지 못하였다.
뇌 손상 환자들의 질병 및 재활 정보, 전문가 등의 뇌 관련 지식 정보를 이용하여 뇌의 영역 간에 네트워크 모델을 생성하고, 이를 이용한 환자 개인별 재활 프로그램을 제공하는 재활 치료 지원 장치 및 방법이 제시된다.
일 양상에 따르면, 뇌 손상 환자를 위한 재활 치료 지원 장치는 환자의 뇌 관련 정보를 기초로 환자의 뇌 상태와 관련된 환자 상태 시나리오를 생성하는 환자 상태 분석부와, 환자 상태 시나리오를 이용하여 뇌 영역 간 네트워크 모델에서 환자에 적용할 네트워크 모델을 결정하는 네트워크 모델 결정부 및 결정된 네트워크 모델 및 재활 효율성 모델을 참조하여, 환자에 적용할 재활 모델을 생성하는 재활 모델 생성부를 포함할 수 있다.
환자 상태 분석부는 환자의 뇌 관련 정보를 분석하여 하나 이상의 주요 특징에 대한 특징값을 추출하고, 추출된 특징값을 미리 정의된 분석 기술에 적용하여, 환자 상태 시나리오를 생성할 수 있다.
환자 상태 분석부는 환자의 뇌 관련 정보를 분석하여 하나 이상의 주요 특징에 대한 특징값을 추출하고, 추출된 특징값의 시간적 변화 추세와 환자 정보 DB에 저장된 환자들의 뇌 관련 질환의 진행 정보의 유사 정도에 기초하여 획득된 하나 이상의 환자 정보를 이용하여 환자 상태 시나리오를 생성할 수 있다.
네트워크 모델 결정부는 환자 상태 시나리오를 이용하여 환자의 현재 뇌 손상 영역 및 추후 뇌 손상 예측 영역 중의 하나 이상을 판단하고, 뇌 영역 간 네트워크 모델에서 판단된 영역과 관련된 하나 이상의 서브 네트워크 모델을 추출하고, 추출된 하나 이상의 서브 네트워크 모델 중의 적어도 하나를 환자에 적용할 네트워크 모델로 결정할 수 있다.
네트워크 모델 결정부는 환자 상태 시나리오를 이용하여 판단된 영역에 대한 뇌의 기능 변화를 더 판단하고, 판단된 뇌의 기능 변화를 기초로 추출된 하나 이상의 서브 네트워크 모델에 가중치를 부여하고, 그 가중치 부여 결과를 이용하여 하나 이상의 서브 네트워크 모델 중의 적어도 하나를 환자에 적용할 네트워크 모델로 결정할 수 있다.
재활 모델 생성부는 결정된 네트워크 모델을 이용하여 판단된 영역의 기능에 대한 대체 영역 또는 보완 영역을 결정하고, 재활 효율성 모델을 참조하여 결정된 영역의 재활을 위한 재활 모델을 생성할 수 있다.
재활 모델 생성부는 환자 상태 시나리오와 유사한 환자들의 재활 정보 및 지식 정보 중의 하나 이상을 기초로 하여 재활 프로그램을 결정 및 그 재활 프로그램의 적용에 따른 기능 회복 정보를 포함하는 효과를 예측하고, 결정된 재활 프로그램 및 효과 정보를 포함하는 재활 모델을 생성할 수 있다.
재활 치료 지원 장치는 생성된 재활 모델을 사용자에게 제공하는 재활 모델 제공부를 더 포함할 수 있다.
일 양상에 따르면, 뇌 손상 환자를 위한 재활 치료 지원 방법은 환자의 뇌 관련 정보를 기초로 환자의 뇌 상태와 관련된 환자 상태 시나리오를 생성하는 단계와, 환자 상태 시나리오를 이용하여 뇌 영역 간 네트워크 모델에서 환자에 적용할 네트워크 모델을 결정하는 단계 및 결정된 네트워크 모델 및 재활 효율성 모델을 참조하여, 환자에 적용할 재활 모델을 생성하는 단계를 포함할 수 있다.
환자 상태 시나리오 생성 단계는 환자의 뇌 관련 정보를 분석하여 하나 이상의 주요 특징에 대한 특징값을 추출하는 단계를 포함하고, 추출된 특징값을 미리 정의된 분석 기술에 적용하여 환자 상태 시나리오를 생성할 수 있다.
환자 상태 시나리오 생성 단계는 환자의 뇌 관련 정보를 분석하여 하나 이상의 주요 특징에 대한 특징값을 추출하는 단계를 포함하고, 추출된 특징값의 시간적 변화 추세와 환자 정보 DB에 저장된 환자들의 뇌 관련 질환의 진행 정보의 유사 정도에 기초하여 획득된 하나 이상의 환자 정보를 이용하여 환자 상태 시나리오를 생성할 수 있다.
네트워크 모델 결정 단계는 환자 상태 시나리오를 이용하여 환자의 현재 뇌 손상 영역 및 추후 뇌 손상 예측 영역 중의 하나 이상을 판단하는 단계와, 뇌 영역 간 네트워크 모델에서 판단된 영역과 관련된 하나 이상의 서브 네트워크 모델을 추출하는 단계 및 추출된 하나 이상의 서브 네트워크 모델 중의 적어도 하나를 환자에 적용할 네트워크 모델로 결정하는 단계를 포함할 수 있다.
네트워크 모델 결정 단계는 환자 상태 시나리오를 이용하여 판단된 영역에 대한 뇌의 기능 변화를 판단하는 단계를 더 포함하고, 환자에 적용할 네트워크 모델로 결정하는 단계는 추출된 하나 이상의 서브 네트워크 모델에 대하여 판단된 뇌의 기능 변화에 기초하여 가중치를 부여하는 단계 및 가중치 부여 결과를 이용하여 하나 이상의 서브 네트워크 모델 중에서 적어도 하나를 환자에 적용할 네트워크 모델로 결정하는 단계를 포함할 수 있다.
재활 모델 생성 단계는 결정된 네트워크 모델을 이용하여 판단된 영역의 기능에 대한 대체 영역 또는 보완 영역을 결정하고, 재활 효율성 모델을 참조하여 상기 결정된 영역의 재활을 위한 재활 모델을 생성하는 단계를 포함할 수 있다.
재활 모델 생성 단계는 환자 상태 시나리오와 유사한 환자들의 재활 정보 및 지식 정보 중의 하나 이상을 기초로 재활 프로그램의 결정 및 상기 재활 프로그램의 적용에 따른 기능 회복 정도를 포함하는 효과를 예측하는 단계 및 결정된 재활 프로그램 및 효과를 포함하는 재활 모델을 생성하는 단계를 포함할 수 있다.
또한, 재활 치료 지원 방법은 생성된 재활 모델을 사용자에게 제공하는 단계를 더 포함할 수 있다.
일 양상에 따르면, 뇌 손상 환자를 위한 재활 치료 지원 장치는 뇌 관련 환자들의 질환 정보 및 재활 정보 중의 하나 이상을 포함하는 환자 정보를 저장하는 환자 정보 DB와, 뇌 관련 지식 정보를 저장하는 지식 정보 DB 및 환자 정보 DB 또는 지식 정보 DB에 저장된 정보를 참조하여, 뇌의 각 영역의 관계를 분석하여 뇌 영역 간 네트워크 모델을 생성하는 네트워크 모델 생성부를 포함할 수 있다.
네트워크 모델 생성부는 뇌의 각 영역의 대체 영역 또는 보완 영역을 결정하고, 뇌의 각 영역과 결정된 영역 간의 네트워크를 구성하여 뇌 영역 간 네트워크 모델을 생성할 수 있다.
네트워크 모델 생성부는 뇌의 각 영역이 담당하는 기능별로 대체 영역 또는 보완 영역을 결정하여 뇌의 각 영역에 대한 하나 이상의 기능별 서브 네트워크 모델을 생성하고, 생성된 서브 네트워크 모델을 포함하는 뇌의 영역 간 네트워크 모델을 생성할 수 있다.
또한, 재활 치료 지원 장치는 환자 정보 DB 및 지식 정보 DB에 저장된 정보 중의 하나 이상을 기초로, 뇌의 각 영역에 대한 재활 프로그램의 효과를 분석하여 재활 효율성 모델을 생성하는 재활 효율성 모델 생성부를 더 포함할 수 있다.
이때, 재활 프로그램의 효과는 재활 프로그램의 적용에 따른 기능 회복 정도, 재활 프로그램에 대한 환자의 참여도, 재활 프로그램에 대한 환자의 만족도, 재활 프로그램의 편의성, 재활 프로그램 적용 과정에서의 환자의 정신적 및 육체적 고통 정도 중의 하나 이상을 포함할 수 있다.
또한, 재활 치료 지원 장치는 환자에 제공된 재활 모델의 재활 프로그램을 적용함에 따른 환자의 재활 정보를 수집하고, 수집된 재활 정보를 환자 정보 DB에 저장하는 환자 정보 수집부를 더 포함할 수 있다.
일 양상에 따르면, 뇌 손상 환자를 위한 재활 치료 지원 장치는 뇌와 관련된 환자 정보 및 지식 정보 중의 하나 이상을 분석하여, 뇌의 각 영역의 관계 정보를 포함하는 뇌 영역 간 네트워크 모델 및 뇌의 각 영역에 대한 재활 효율성 모델을 생성하는 모델 생성부와, 새로운 환자의 뇌 관련 정보가 입력되면 환자의 뇌 관련 정보와, 뇌 영역 간 네트워크 모델 및 재활 효율성 모델을 통합 분석하여 그 환자에 적용할 재활 모델을 생성하는 환자 적용부를 포함할 수 있다.
모델 생성부는 뇌의 각 영역에 대하여 그 각 영역이 담당하는 하나 이상의 기능별 서브 네트워크를 생성하고, 생성된 서브 네트워크를 포함하는 뇌 영역 간 네트워크 모델을 생성할 수 있다.
상기 모델 생성부는 뇌의 각 영역에 대하여 재활 프로그램의 적용에 따른 기능 회복 정도를 포함하는 재활 프로그램의 효과를 예측하고, 예측된 재활 프로그램의 효과를 포함하는 재활 효율성 모델을 생성할 수 있다.
환자 적용부는 재활 모델을 환자에 적용함에 따른 환자의 재활 정보를 수집하고, 수집된 재활 정보를 모델 생성부에 피드백할 수 있다.
뇌 손상 환자들의 질병이나 재활 정보, 전문가의 지식 정보를 활용하여 뇌 손상 환자들의 재활을 위한 효과적인 모델을 구축할 수 있다. 또한 구축된 모델을 이용하여 뇌 손상 환자들의 개인별 재활 모델을 제시하여 재활 효과를 향상시킬 수 있다.
도 1은 일 실시예에 따른 뇌 손상 환자를 위한 재활 치료 지원 장치의 블록도이다.
도 2는 다른 실시예에 따른 뇌 손상 환자를 위한 재활 치료 지원 장치의 블록도이다.
도 3a 내지 도 3c는 뇌 영역 간 네트워크 모델을 설명하기 위한 도면이다.
도 4는 또 다른 실시예에 따른 뇌 손상 환자를 위한 재활 치료 지원 장치의 블록도이다.
도 5a 내지 도 5c는 뇌 손상 환자에 적용할 재활 모델을 설명하기 위한 도면이다.
도 6은 일 실시예에 따른 뇌 손상 환자를 위한 재활 치료 지원 방법의 흐름도이다.
도 7은 다른 실시예에 따른 뇌 손상 환자를 위한 재활 치료 지원 방법의 흐름도이다.
도 8은 또 다른 실시예에 따른 뇌 손상 환자를 위한 재활 치료 지원 방법의 흐름도이다.
기타 실시예들의 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다. 기재된 기술의 이점 및 특징, 그리고 그것들을 달성하는 방법은 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.
이하, 뇌 손상 환자를 위한 재활 치료 지원 장치 및 방법의 실시예들을 도면들을 참고하여 자세히 설명하도록 한다.
도 1은 일 실시예에 따른 뇌 손상 환자를 위한 재활 치료 지원 장치의 블록도이다.
도 1을 참조하면, 뇌 손상 환자를 위한 재활 치료 지원 장치(100)는 모델 생성부(110) 및 환자 적용부(120)를 포함할 수 있다.
모델 생성부(110)는 뇌와 관련된 환자 정보 또는 지식 정보를 분석하여 뇌 영역 간 네트워크 모델 및 뇌의 각 영역에 대한 재활 효율성 모델을 생성할 수 있다.
이때, 뇌와 관련된 환자 정보는 복수의 뇌 손상 환자들에 대한 각종 정보를 포함할 수 있다. 예를 들어, 뇌와 관련된 환자 정보는 뇌 손상 환자의 X-Ray, CT(Computed Tomography), MRI(Magnetic Resonance Imaging) 등의 구조적인 뇌 단층 영상 또는 다층의 연속적인 영상이나, fMRI(functional Magnetic Resonance Imaging), PET(Positron Emission Tomography) 등의 기능적인 뇌 단층 영상 또는 다층의 연속적인 영상을 포함할 수 있다. 이때, 뇌 단층 영상은 1종 이상 또는 2회 이상 촬영한 영상일 수 있다.
또한, 환자 정보는 영상 이미지로부터 추출한 텍스트, 그래프 형식의 뇌 영역 관련도에 대한 정보를 포함할 수 있다. 또한, 환자에게 재활 모델을 적용하는 과정의 모니터링 정보로서 기능 회복 정보, 환자의 참여도, 편의성, 재활 프로그램 진행 과정에서 환자가 겪은 정신적, 육체적 고통 및 환자의 기대 결과에 따른 만족도 등의 각종 재활 효과 정보를 포함할 수 있다.
또한, 환자 정보는 병원에서 환자들에 대해 관리하는 전자의무기록(EMR), 예컨대, 성별, 연령, 질병 이력, 가족력, 일반적인 진료 환경에서 획득한 랩(lab) 검사 수치, 기억력/언어/운동 등의 기능 검사 결과값 등을 포함할 수 있다.
이때, 지식 정보는 재활 치료에 사용되는 가이드라인 정보, 기계 학습(machine learning)이나 데이터 마이닝을 통하여 문헌으로부터 추출된 뇌 영역 간 관련도 정보나 재활 치료 정보, 재활 치료의 종류 및 방법 등의 정보를 포함할 수 있다.
모델 생성부(110)는 이와 같이 복수의 환자들에 대해 수집된 각종 환자 정보, 의료 관련 전문가들에 의해 생성되는 각종 지식 정보를 분석하여, 뇌의 각 영역에 대한 대체 영역 또는 보완 영역을 결정하고, 뇌의 각 영역과 대체 영역 또는 보완 영역을 네트워크로 구성하여 뇌 영역 간의 네트워크 모델을 생성할 수 있다.
뇌 영역 간 네트워크 모델은 뇌 영역이 담당하는 기능을 중심으로 특정 영역의 기능이 손상되는 경우 그 기능을 대체하거나 보완하는 영역에 대한 관계를 나타낸다. 이때, 대체 영역은 뇌의 특정 영역이 손상됨으로써 특정 기능이 변화되거나 손상되는 경우 그와 동일하거나 실질적으로 동일하다고 할 수 있는 기능을 수행하는 뇌의 다른 영역을 의미할 수 있다. 또한, 보완 영역은 변화되거나 손상된 기능과는 동일하지 않지만 그 기능을 보완하여 다른 기능을 수행할 수 있도록 하는 뇌의 다른 영역을 의미할 수 있다.
즉, 뇌 영역 간 네트워크 모델은 예컨대, 언어, 사고, 운동, 기억 등 여러 활동 및 기능적 측면에서의 뇌의 특정 기능의 회복(rehabilitation)과 관련하여, 뇌의 특정 영역이 손상되었을 때 자연적으로 또는 재활을 통해서 손상된 기능을 회복하거나 보완할 수 있는 뇌의 영역들에 대한 정보를 기록한 기능적 연관도(functinal association map)일 수 있다.
일 예로, 모델 생성부(110)는 텍스트 형태로 기록된 문헌 정보 및 전문가 지식 등을 실제 환자의 뇌 구조상의 위치에 매핑을 하거나, 기존 환자들의 진료 정보, 재활에 따른 기능 회복과 관련된 다양한 형태의 환자 정보를 패턴 인식(pattern recognition), 기계 학습 알고리즘(machine learning algorithm), 다양한 수학적 모델링 기법이나 통계 기반의 분석 기법을 적용하여 뇌 영역 간 네트워크 모델을 그래프 형태로 생성할 수 있다.
모델 생성부(110)는 수집된 각종 정보들을 분석하여 뇌의 특정 영역에 대하여 재활 프로그램을 적용하는 경우의 효과를 예측하고, 예측된 재활 프로그램의 효과를 포함하는 재활 효율성 모델을 생성할 수 있다. 일 예로, 모델 생성부(110)는 환자 정보나 지식 정보 중의 환자별 재활 프로그램의 종류 및 방법에 따른 효과 정보를 클렌징(cleansing)한 후, 각종 수학적 모델링 기법이나 통계 기반의 분석 기법 및 기계 학습(machine learning) 기법 등의 다양한 분석 기술을 적용하여 재활 효율성 모델을 생성할 수 있다.
이때, 재활 프로그램은 운동과 물리 치료를 통한 재활 외에도 약물을 통한 재활 방법, 특정 뇌 영역 자극을 통한 재활 방법, 정신과 상담을 통한 재활 방법을 포함할 수 있다. 또한, 재활 프로그램의 효과는 재활 프로그램의 적용에 따른 기능 회복 정도, 환자의 참여도, 편의성, 재활 프로그램 진행 과정에서 환자가 겪는 정신적, 육체적 고통 정도 및 환자의 기대 결과에 따른 만족도 등을 포함할 수 있다.
환자 적용부(120)는 새로운 환자에 대한 뇌 관련 정보가 입력되면, 그 환자의 뇌 관련 정보를 분석한다. 그리고, 그 분석 결과와 뇌 영역 간 네트워크 모델 및 재활 효율성 모델을 통합 분석하여 그 환자에 최적화된 재활 모델을 생성할 수 있다. 이때, 환자에 최적화된 재활 모델은 재활 프로그램과 그 재활 프로그램의 적용에 따른 기능 회복 정도를 포함하는 효과 예측 정보를 포함할 수 있다.
이때, 재활 모델의 재활 프로그램은 물리 치료 종류, 강도, 시기, 기간 등의 물리 치료와, 재활 효율을 높이는 약물의 종류, 양, 투약 시기, 투약 기간 등의 약물 치료와, 전기나 자기장으로 자극할 뇌의 영역, 자극의 강도, 시기, 기간 등의 자극 치료와, 운동의 종류, 강도, 시기, 기간 등의 운동 치료 및 정신과 상담의 주기의 상담 프로그램 종류, 기간 등의 정신 치료 등의 다양한 방법을 포함할 수 있다.
환자 적용부(120)는 환자에 대하여 생성된 재활 모델을 사용자 즉, 환자나 재활을 담당하는 담당 의사 등의 의료진에게 제공할 수 있다.
또한, 환자 적용부(120)는 환자나 재활을 담당하는 의료진이 입력하는 재활 모델의 적용 결과를 모델 생성부(110)에 피드백하여 모델 생성에 반영하도록 할 수 있다. 이때, 환자 적용부(120)가 피드백하는 정보로는 앞에서 예시한 바와 같이, 재활 모델의 적용에 따른 효과 정보를 포함할 수 있다.
모델 생성부(110)는 환자 적용부(120)로부터 피드백된 정보들을 환자 정보로 관리하고, 그 정보들을 뇌 영역 간 네트워크 모델 생성 및 재활 효율성 모델 생성에 활용할 수 있다.
도 2는 다른 실시예에 따른 뇌 손상 환자를 위한 재활 치료 지원 장치의 블록도로서, 도 2의 재활 치료 지원 장치(200)는 도 1의 모델 생성부(110)의 일 실시예일 수 있다. 도 3a 내지 도 3c는 뇌 영역 간 네트워크 모델을 설명하기 위한 도면이다.
도 2를 참조하면, 뇌 손상 환자를 위한 재활 치료 지원 장치(200)는 환자 정보 수집부(210), 환자 정보 DB(220), 지식 정보 DB(230) 및 네트워크 모델 생성부(240) 및 재활 효율성 모델 생성부(250)를 포함할 수 있다.
환자 정보 수집부(210)는 환자에 최적화된 재활 모델의 적용에 따른 효과 등의 재활 정보를 수집하고, 수집된 재활 정보를 환자 정보 DB(220)에 저장하여 관리한다.
환자 정보 DB(220)는 복수의 뇌 손상 환자들에 대한 질병 정보나, 재활 모델의 적용에 따른 재활 정보 등을 포함하는 환자 정보를 저장하고 관리한다. 이때, 환자 정보는 앞에서 예시한 바와 같이, 구조적 또는 기능적인 뇌 단층 영상이나 다층의 연속적인 영상, 그 영상 이미지로부터 추출한 텍스트, 그래프 형식의 뇌 영역 관련도에 대한 정보, 재활 프로그램 적용에 따른 기능 회복 정도 등의 효과 정보, 전자의무기록(EMR)을 포함할 수 있다.
지식 정보 DB(230)는 뇌와 관련된 각종 문헌이나 연구 논문 등으로부터 추출된 뇌 관련 지식 정보로서, 이미 알려진 뇌의 영역 간 관계 정보나, 재활 치료의 가이드라인, 재활 프로그램에 따른 알려진 효과 등의 정보를 포함할 수 있다.
네트워크 모델 생성부(240)는 이와 같이 환자 정보 DB(220), 지식 정보 DB(230)에 저장되어 있는 뇌와 관련된 각종 정보를 참조하여, 뇌의 각 영역의 관계를 분석하고, 그 분석 결과를 이용하여 뇌 영역 간 네트워크 모델을 생성할 수 있다.
예를 들어, 네트워크 모델 생성부(240)는 뇌의 각 영역에 대하여 특정 영역이 손상되는 경우 그 특정 영역을 대체하거나 보완할 영역을 결정하고, 그 특정 영역과 결정된 대체 영역이나 보완 영역 간의 네트워크를 구성하여 뇌 영역 간 네트워크 모델(22)을 생성할 수 있다.
이때, 네트워크 모델 생성부(240)는 뇌의 특정 영역에 대하여 그 특정 영역이 담당하는 하나 이상의 기능별 대체 영역이나 보완 영역을 결정하고, 각 기능별 서브 네트워크 모델을 생성할 수 있다. 또한, 이와 같이 생성된 서브 네트워크 모델을 포함하는 뇌의 영역 간의 전체 네트워크 모델(22)을 생성할 수 있다. 즉, 뇌 영역 간 네트워크 모델(22)은 각 영역별로 하나 이상의 서브 네트워크를 포함하도록 생성될 수 있다.
도 3a는 다수의 뇌 손상 환자들에 대하여 시계열적으로 수집되어 환자 정보 DB(220)에 관리되는 뇌 활성 영역 영상 데이터를 도시한 것이다. 도 3a를 참조하면, 환자 1의 뇌 활성 영상 데이터를 통하여 뇌 손상 영역(31)과, 뇌 손상 영역(31)의 대체 영역/보완 영역(32)을 결정할 수 있다. 환자 1의 대체 영역/보완 영역(32)에 재활 프로그램을 적용하고 시간이 경과함에 따라 대체 영역/보완 영역이 더욱 활성화되는 것을 알 수 있다.
도 3b 및 3c는 뇌의 영역 간의 네트워크 모델을 도시한 것이다.
네트워크 모델 생성부(240)는 환자 정보 DB(220)에 저장된 복수의 환자에 대한 영상 데이터를 분석하여 도 3b에 도시된 바와 같이 뇌의 손상 영역(40)에 대한 대체/보완 영역(41,42,43)을 결정하고, 그 연관 정도를 나타내어 뇌 영역 간 네트워크 모델(22)을 생성할 수 있다. 예를 들어, 뇌의 손상 영역(40)이 왼쪽 모터 피질(Left Motor Cortex)인 경우 그 대체/보완 영역(41, 42, 43)은 각각 오른쪽 모터 피질(Right Motor Cortex), 왼쪽 감각 피질(Left Sensory Cortex) 및 오른쪽 감각 피질(Right Sensory Cortex)일 수 있다.
이때, 네트워크 모델 생성부(240)는 도 3b에 도시된 바와 같이, 특정 뇌 영역 1에 대하여 각 기능별로 대체/보완 영역을 결정하여 서브 네트워크를 구성함으로써 하나 이상의 서브 네트워크를 포함하는 뇌 영역 간 네트워크 모델(22)을 생성할 수 있다.
다시 도 2를 참조하면, 재활 효율성 모델 생성부(250)는 환자 정보 DB(220) 및 지식 정보 DB(230)에 저장된 각종 정보 중에서 환자들에게 실제로 적용된 재활 모델의 효과나, 전문가 등의 경험을 통해 수집된 재활 관련 정보를 이용하여 뇌의 각 영역에 대한 재활 프로그램의 효과를 분석하고, 분석 결과를 이용하여 재활 효율성 모델(23)을 생성할 수 있다.
이때, 재활 효율성 모델 생성부(250)는 뇌의 특정 영역이 손상되는 경우 그 특정 영역의 대체 영역이나 보완 영역에 대한 하나 이상의 재활 프로그램에 대하여 기능 회복 정도는 정상 대비 약 50%, 환자의 만족도는 약 70% 등과 같이 재활 효율을 수치화된 값으로 계산할 수 있다. 또한, 이와 같이 뇌의 각 영역에 대하여 재활 프로그램별로 산출된 재활 효율을 포함하는 재활 효율성 모델(23)을 생성할 수 있다.
도 4는 또 다른 실시예에 따른 뇌 손상 환자를 위한 재활 치료 지원 장치의 블록도이다. 이때, 도 4의 재활 치료 지원 장치(300)는 도 1의 환자 적용의 일 실시예일 수 있다. 도 5a 내지 도 5c는 뇌 손상 환자의 재활 치료를 지원하는 일 실시예를 설명하기 위한 도면이다.
도 4를 참조하면, 재활 치료 지원 장치(300)는 환자 상태 분석부(310), 네트워크 모델 결정부(320), 재활 모델 생성부(330) 및 재활 모델 제공부(340)를 포함할 수 있다.
환자 상태 분석부(310)는 새로운 환자의 뇌 관련 정보가 입력되면, 입력된 뇌 관련 정보를 분석하여 환자의 뇌 상태와 관련된 환자 상태 시나리오(31)를 생성할 수 있다.
이때, 환자 상태 시나리오(31)는 그 환자의 뇌 구조 변화 정보 및 뇌 기능의 변화 예측 정보 등을 포함할 수 있다. 이때, 뇌 구조 변화 정보는 현재 뇌 손상 영역, 뇌 구조의 변화 및 뇌 구조의 변화 추이 중의 하나 이상을 포함할 수 있다. 또한, 뇌 기능의 변화 예측 정보는 뇌 구조의 변화 추이에 따른 기능 변화의 속도, 방향 및 특징 중의 하나 이상을 포함할 수 있다.
환자 상태 분석부(310)는 환자의 입력된 뇌 관련 정보를 분석하여 뇌의 구조변화와 기능적 측면에서 주요 관심영역(ROI: Region Of Interest)이나 패턴 등을 도출하거나, 하나 이상의 주요 특징에 대한 특징값을 추출하고 추출된 특징값을 기초로 환자 상태 시나리오(31)를 생성할 수 있다.
이때, 주요 특징은 환자의 뇌 관련 질환의 특성을 효과적으로 반영하는 특징을 나타내는 것으로서, 예를 들어,　아밀로이드 베타 수치/혈압/혈관 탄성도 등의 질병에 따른 랩(lab)　검사　수치, 기억력/언어/운동　등의　기능검사　결과　값, 뇌 영상 촬영 기기에 의해 촬영된 영상으로부터 측정된 뇌의 부피, 영역별 두께, 뇌의 형상(shape), 특정 기능 수행시의 뇌의 활성화 분포,　시간에 따른 뇌의 활성화 변화,　혈관 분포 및 두께 등을 포함할 수 있다.
환자 상태 분석부(310)는 주요 특징의 각각에 적합하도록 환자 정보 DB(220)에 저장된 환자들의 측정 데이터(raw data)를 그대로 특징값으로 사용할 수 있다. 또는, 특정 시간 단위(예: 1초, 주 단위 등)마다 다수의 환자들의 측정 데이터의 총합, 평균, 중앙값, 최대/최소값, 분산, 표준편차, 이상치 갯수, 기준 값 이상/이하 값, 또는 두 개 이상의 수치 값을 이용하여 비율 등을 산출하고, 그 산출된 값을 그 주요 특징의 특징값으로 사용하는 것도 가능하다.
일 예에 따르면, 환자 상태 분석부(310)는 이와 같이 추출된 주요 특징값들을 미리 정의된 분석 기술에 적용하여 환자 상태 시나리오(31)를 생성할 수 있다. 예를 들어, 추출된 주요 특징값들의 시간적인 변화 추세를 전술한 바와 같은 패턴 인식(pattern recognition), 기계 학습 알고리즘(machine learning algorithm), 일반적인 수학적 모델링 기법, 시계열 데이터 분석 기법 등에 적용하여 환자 상태 시나리오(31)를 생성할 수 있다.
다른 예에 따르면, 환자 상태 분석부(310)는 기 수집되어 있는 환자 정보 DB(220) 내의 여러 환자의 질환 진행 정보와 추출된 특징값의 시간적 변화 추세의 유사 정도에 기초하여, 환자 상태 시나리오(31)를 생성할 수 있다. 이때, 정보들 사이의 유사도를 평가하는 일반적인 유사도 측정 방법(similarity measure)에 기반하여 가장 유사한 환자 정보를 획득하고, 획득된 환자의 질환 진행 상황을 고려하여 새로운 환자의 질환 진행 방향 등의 환자 상태 시나리오(31)를 생성할 수 있다.
도 5a는 입력된 새로운 대상 환자의 뇌 활성 영역 영상 데이터로서, 시간의 흐름에 따라 촬영된 뇌 영상 데이터를 도시한 것이다. 도 5b는 환자 상태 분석부(310)에 의해 도 5a의 영상 데이터를 이용하여 분석된 환자 상태 및 진행 예상을 도시한 것으로, 대상 환자의 현재 손상 영역, 기존 손상 영역 및 손상 확대 예상 영역을 나타내고 있다.
네트워크 모델 결정부(320)는 생성된 환자 상태 시나리오(31), 뇌 영역 간 네트워크 모델(32) 및 재활 효율성 모델(33)을 통합적으로 분석하여, 그 대상 환자에 적용할 네트워크 모델을 결정할 수 있다.
네트워크 모델 결정부(320)는 환자 상태 시나리오(31)를 이용하여 환자의 현재 뇌 손상 영역 및 추후 뇌 손상 예측 영역 등을 판단하고, 뇌 영역 간 네트워크 모델에서 판단된 영역과 관련된 하나 이상의 서브 네트워크 모델을 추출할 수 있다. 또한, 추출된 서브 네트워크 모델에서 그 환자에 적용하기에 적합한 네트워크 모델을 결정할 수 있다.
네트워크 모델 결정부(320)는 환자 상태 시나리오를 이용하여 판단된 영역에 대한 뇌의 기능 변화를 더 판단할 수 있다. 또한, 판단된 뇌의 기능 변화를 기초로 추출된 하나 이상의 서브 네트워크 모델 중에서 환자에 적용할 네트워크 모델을 결정할 수 있다. 이때, 하나 이상의 서브 네트워크 모델 각각에 판단된 뇌의 기능 변화에 기초하여 가중치를 부여하고, 가중치 부여 결과를 이용하여 그 환자에 가장 적합한 서브 네트워크 모델을 환자에 적용할 네트워크 모델로 결정할 수 있다.
예를 들어, 가중치는 뇌의 손상 영역에 대한 기능별 추후 기능 변화에 따른 손상 정도에 기초하여 부여될 수 있다. 즉, 도 3c를 참조하면, 환자의 뇌 손상 영역이 뇌 영역 1이라고 하고, 추후 예상되는 기능의 변화가 기능 1 및 기능 2의 손상이 예상되는 경우, 기능 손상이 가장 크게 예상되는 기능 2에 대한 서브 네트워크에 가장 높은 가중치를 부여하여 그 기능 2에 대한 서브 네트워크를 그 환자에 적용할 네트워크 모델로 결정할 수 있다.
또는, 가중치는 기능 변화에 따른 손상된 기능의 회복 정도에 기초하여 부여될 수 있다. 즉, 도 3c를 참조하면, 추후 예상되는 기능의 변화가 기능 1 및 기능 2의 손상이 예상되고 특히 기능 2의 손상이 가장 크게 예상되는 경우에 그 기능 2에 대해 예측된 기능 회복 정도가 기능 1의 회복 정도 보다 더 낮은 경우에는 기능 1의 서브 네트워크에 더 높은 가중치를 부여하여 기능 1의 서브 네트워크를 그 환자에 적용할 네트워크 모델로 결정할 수 있다.
재활 모델 생성부(330)는 결정된 네트워크 모델을 이용하여, 뇌 손상 영역의 기능과 관련된 대체 영역이나 보완 영역을 결정하고, 재활 효율성 모델을 참조하여 결정된 대체 영역이나 보완 영역의 재활을 위한 재활 모델을 생성할 수 있다.
이때, 재활 모델 생성부(330)는 환자 상태 시나리오(31)와 유사한 환자들의 재활 정보나 지식 정보를 기초로 재활 프로그램을 결정하고, 결정된 재활 프로그램의 적용에 따른 기능 회복 정도를 포함하는 효과를 예측할 수 있다. 또한, 결정된 재활 프로그램 및 예측된 효과를 포함하여 재활 모델을 생성할 수 있다.
도 5c는 환자에 적용될 재활 모델(50)의 일 예이다. 도시된 바와 같이, 대상 환자에 대하여 생성된 재활 모델은 분석된 뇌의 상태 정보(51), 그 뇌의 상태에 따른 재활 프로그램(52) 및 재활 프로그램의 적용에 따라 예측되는 효과로서 기능 회복 수준 정보(53)를 포함할 수 있다. 도 5c를 참조하면, 대상 환자의 손상 영역에 대하여 3개의 대체/보완 영역 ①, ② 및 ③이 결정되었으며, 각 대체/보완 영역에 대한 재활 프로그램이 제시되었다.
재활 모델 제공부(340)는 재활 모델 생성부(330)에 의해 생성된 재활 모델을 사용자에게 제공한다. 이때, 사용자는 그 대상 환자일 수 있으며, 그 대상 환자의 재활을 담당하는 의사, 물리 치료사 등의 의료 관계자일 수 있다.
도 6은 일 실시예에 따른 뇌 손상 환자를 위한 재활 치료 지원 방법의 흐름도이다.
도 6의 실시예는 도 1의 재활 치료 지원 장치(100)에 의해 수행되는 재활 치료 지원 방법의 일 실시예일 수 있다.
도 6을 참조하면, 재활 치료 지원 장치(100)는 복수의 뇌 손상 환자들의 뇌와 관련된 환자 정보나, 전문가나 다수의 연구 문헌들로부터 수집되는 뇌 관련 지식 정보를 분석하여 뇌 영역 간의 네트워크 모델 및 재활 효율성 모델을 생성한다(510).
이때, 앞에서 자세히 설명한 바와 같이, 환자 정보나 지식 정보는 뇌와 관련된 각종 정보로서, 환자들의 뇌 영상 데이터, 재활 모델의 적용에 따른 재활 효과, 뇌의 영역 간 관계 정보 등에 대하여 기존의 분석 정보 등을 포함할 수 있다. 이와 같이, 뇌와 관련되어 미리 수집되는 다양한 정보들을 활용하여 분석함으로써 뇌의 각 영역에 대하여 특정 영역이 손상되는 경우 그 손상된 영역의 기능과 관련된 대체/보완 영역과의 관계를 도출하고, 이를 기능 연관도 등의 그래프 형태 등의 다양한 형태의 뇌 영역간 네트워크 모델을 생성할 수 있다.
또한, 환자 정보나 지식 정보의 재활 정보를 활용하여, 뇌의 특정 영역에 대한 재활 프로그램 적용시의 효과, 예컨대, 기능 회복 정도 등을 예측하고 이를 활용하여 뇌의 각 영역에 대한 재활 프로그램의 재활 효율성 모델을 생성하는 것이 가능하다.
그 다음, 새로운 뇌 손상 환자에 대한 뇌 관련 정보, 예컨대, 시계열적으로 촬영된 뇌 단층 또는 다층 영상 데이터가 입력되면, 그 정보들을 분석하여 그 환자의 뇌 손상 영역 및 대체/보완 영역을 판단하고, 단계 510에서 생성된 뇌 영역 간 네트워크 모델, 재활 효율성 모델을 참조하여 실제로 그 환자에 적용할 재활 모델을 생성할 수 있다(520).
그 다음, 그 환자에 대해 생성된 재활 모델을 사용자에게 제공하여 그 환자에 적용하고, 재활 모델의 적용 결과에 따른 재활 효과 등의 정보를 단계 510으로 피드백할 수 있다(530).
도 7은 다른 실시예에 따른 뇌 손상 환자를 위한 재활 치료 지원 방법의 흐름도이다.
도 7의 실시예는 도 2의 재활 치료 지원 장치(200)에 의해 수행되는 재활 치료 지원 방법의 일 실시예일 수 있다.
도 7을 참조하면, 재활 치료 지원 장치(200)는 뇌 손상 환자에 실제로 적용된 재활 모델의 효과 등의 재활 정보가 피드백되면, 피드백되는 재활 정보들을 수신하고, 수신된 정보들을 복수의 환자들에 대한 질병 정보나 재활 정보 등의 환자 정보를 저장하고 있는 환자 정보 DB에 저장하여 관리할 수 있다(610).
그 다음, 환자 정보 DB나 지식 정보 DB에 저장되어 있는 각종 뇌 관련 정보를 기초로 뇌의 각 영역 간의 관계를 분석할 수 있다(620). 뇌의 각 영역 간의 관계는 뇌의 특정 영역이 손상되는 경우 그 손상된 영역의 하나 이상의 기능과 관련되어 그 기능을 대체하거나 보완할 수 있는 영역들 간의 관계를 의미한다.
그 다음, 뇌의 각 영역 간의 관계 정보가 분석되면, 그 분석 정보를 기초로 뇌 영역 간의 네트워크 모델을 생성한다(630). 이때, 뇌의 특정 영역의 각 기능별로 서브 네트워크를 구성하여 전체 네트워크 모델을 생성할 수 있다.
그 다음, 환자 정보 DB나 지식 정보 DB에 저장된 각종 재활 정보들을 이용하여 뇌의 특정 영역에 대한 하나 이상의 재활 프로그램 적용하는 경우의 각 재활 프로그램별 재활 효과 등을 분석할 수 있다(640). 이때, 재활 효과는 그 재활 프로그램을 적용하는 경우 예상되는 기능 회복 정도, 환자들의 참여도, 만족도, 환자들이 느끼는 고통의 정도 등에 대한 수치화된 값일 수 있다.
그 다음, 재활 프로그램별 재활 효과 등의 분석 결과를 이용하여 재활 효율성 모델을 생성할 수 있다(650).
도 8은 또 다른 실시예에 따른 뇌 손상 환자를 위한 재활 치료 지원 방법의 흐름도이다.
도 8의 실시예는 도 4의 재활 치료 지원 장치(300)에 의해 수행되는 재활 치료 지원 방법의 일 실시예일 수 있다.
도 8을 참조하면, 재활 치료 지원 장치(300)는 새로운 뇌 손상 환자에 대한 뇌 관련 정보, 예컨대 시계열적인 뇌 영상 촬영 데이터를 입력받을 수 있다(710).
그 다음, 새로운 뇌 손상 환자의 뇌 관련 정보가 입력되면, 입력된 정보를 분석하여 환자의 뇌 상태와 관련된 환자 상태 시나리오를 생성할 수 있다(720). 이때, 환자 상태 시나리오는 환자의 현재 뇌 손상 영역, 추후 예상되는 손상 영역, 기 손상된 영역 및, 현재의 뇌 손상 및 추후 예상되는 손상에 따른 변화되는 기능, 기능 변화의 정도, 속도 및 방향 등의 정보를 포함할 수 있다.
그 다음, 새로운 환자에 대하여 환자 상태 시나리오가 생성되면, 생성된 환자 상태 시나리오 및 기 생성되어 있는 뇌 영역 간 네트워크 모델을 분석하여 그 환자에 적용하기에 적합한 네트워크 모델을 결정할 수 있다(730). 이때, 환자에 적합한 네트워크 모델은 뇌 영역 간 네트워크 모델에서 손상된 뇌의 영역 및 손상된 기능과 관련된 서브 네트워크 모델일 수 있다. 또한, 손상되거나 손상 예상 영역에 대한 변화된 기능, 기능별 손상 정도, 기능 변화 속도 및 방향 등을 고려하여 각 기능과 관련된 서브 네트워크 모델에 가중치를 부여하고, 그 결과를 기초로 하나 이상의 서브 네트워크 모델을 결정할 수 있다.
그 다음, 새로운 환자에 대하여 네트워크 모델이 결정되면 기 생성되어 있는 재활 효율성 모델을 참조하여 그 환자에 적용할 재활 모델을 생성할 수 있다(740). 이때, 재활 모델은 뇌의 손상된 영역의 기능과 관련된 대체/보완 영역별로 각각의 재활 프로그램을 포함할 수 있으며, 또한, 각 재활 프로그램별 재활 효과 정보를 포함할 수 있다.
그 다음, 생성된 재활 모델을 그 환자에 적용할 수 있도록 사용자에게 제공할 수 있다(750). 이때, 담당 의사 등의 재활 전문가는 그 환자의 재활 모델을 검토하고, 필요한 경우 그 환자에 보다 최적화되도록 재활 모델을 수정하여 환자에 적용할 수 있다.
한편, 본 실시 예들은 컴퓨터로 읽을 수 있는 기록 매체에 컴퓨터가 읽을 수 있는 코드로 구현하는 것이 가능하다. 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, 플로피디스크, 광 데이터 저장장치 등이 있으며, 또한 캐리어 웨이브(예를 들어 인터넷을 통한 전송)의 형태로 구현하는 것을 포함한다. 또한, 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다. 그리고 본 실시예들을 구현하기 위한 기능적인(functional) 프로그램, 코드 및 코드 세그먼트들은 본 발명이 속하는 기술 분야의 프로그래머들에 의하여 용이하게 추론될 수 있다.
본 개시가 속하는 기술분야의 통상의 지식을 가진 자는 개시된 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다.
100, 200, 300: 재활 치료 지원 장치
110: 모델 생성부 120: 환자 적용부
210: 환자 정보 수집부 220: 환자 정보 DB
230: 지식 정보 DB 240: 네트워크 모델 생성부
250: 재활 효율성 모델 생성부 310: 환자 상태 분석부
320: 네트워크 모델 결정부 330: 재활 모델 생성부
340: 재활 모델 제공부

Claims (26)

  1. 환자의 뇌 관련 정보를 기초로 환자의 뇌 상태와 관련된 환자 상태 시나리오를 생성하는 환자 상태 분석부;
    상기 환자 상태 시나리오를 이용하여 뇌 영역 간 네트워크 모델에서 상기 환자에 적용할 네트워크 모델을 결정하는 네트워크 모델 결정부; 및
    상기 결정된 네트워크 모델 및 재활 효율성 모델을 참조하여, 상기 환자에 적용할 재활 모델을 생성하는 재활 모델 생성부를 포함하는 뇌 손상 환자를 위한 재활 치료 지원 장치.
  2. 제1항에 있어서,
    상기 환자 상태 분석부는
    상기 환자의 뇌 관련 정보를 분석하여 하나 이상의 주요 특징에 대한 특징값을 추출하고, 추출된 특징값을 미리 정의된 분석 기술에 적용하여, 상기 환자 상태 시나리오를 생성하는 뇌 손상 환자를 위한 재활 치료 지원 장치.
  3. 제1항에 있어서,
    상기 환자 상태 분석부는
    상기 환자의 뇌 관련 정보를 분석하여 하나 이상의 주요 특징에 대한 특징값을 추출하고, 추출된 특징값의 시간적 변화 추세와 환자 정보 DB에 저장된 환자들의 뇌 관련 질환의 진행 정보의 유사 정도에 기초하여 획득된 하나 이상의 환자 정보를 이용하여 상기 환자 상태 시나리오를 생성하는 뇌 손상 환자를 위한 재활 치료 지원 장치.
  4. 제1항에 있어서,
    상기 네트워크 모델 결정부는
    상기 환자 상태 시나리오를 이용하여 상기 환자의 현재 뇌 손상 영역 및 추후 뇌 손상 예측 영역 중의 하나 이상을 판단하고,
    상기 뇌 영역 간 네트워크 모델에서 상기 판단된 영역과 관련된 하나 이상의 서브 네트워크 모델을 추출하고, 상기 추출된 하나 이상의 서브 네트워크 모델 중의 적어도 하나를 상기 환자에 적용할 네트워크 모델로 결정하는 뇌 손상 환자를 위한 재활 치료 지원 장치.
  5. 제4항에 있어서,
    상기 네트워크 모델 결정부는
    상기 환자 상태 시나리오를 이용하여 상기 판단된 영역에 대한 뇌의 기능 변화를 더 판단하고,
    상기 판단된 뇌의 기능 변화를 기초로 상기 추출된 하나 이상의 서브 네트워크 모델에 가중치를 부여하고, 그 가중치 부여 결과를 이용하여 상기 하나 이상의 서브 네트워크 모델 중의 적어도 하나를 상기 환자에 적용할 네트워크 모델로 결정하는 뇌 손상 환자를 위한 재활 치료 지원 장치.
  6. 제4항에 있어서,
    상기 재활 모델 생성부는
    상기 결정된 네트워크 모델을 이용하여 상기 판단된 영역의 기능에 대한 대체 영역 또는 보완 영역을 결정하고, 상기 재활 효율성 모델을 참조하여 상기 결정된 영역의 재활을 위한 재활 모델을 생성하는 뇌 손상 환자를 위한 재활 치료 지원 장치.
  7. 제1항에 있어서,
    상기 재활 모델 생성부는
    상기 환자 상태 시나리오와 유사한 환자들의 재활 정보 및 지식 정보 중의 하나 이상을 기초로 하여 재활 프로그램을 결정 및 그 재활 프로그램의 적용에 따른 기능 회복 정보를 포함하는 효과를 예측하고, 상기 결정된 재활 프로그램 및 효과 정보를 포함하는 재활 모델을 생성하는 뇌 손상 환자를 위한 재활 치료 지원 장치.
  8. 제1항에 있어서,
    상기 생성된 재활 모델을 사용자에게 제공하는 재활 모델 제공부를 더 포함하는 뇌 손상 환자를 위한 재활 치료 지원 장치.
  9. 환자의 뇌 관련 정보를 기초로 환자의 뇌 상태와 관련된 환자 상태 시나리오를 생성하는 단계;
    상기 환자 상태 시나리오를 이용하여 뇌 영역 간 네트워크 모델에서 상기 환자에 적용할 네트워크 모델을 결정하는 단계; 및
    상기 결정된 네트워크 모델 및 재활 효율성 모델을 참조하여, 상기 환자에 적용할 재활 모델을 생성하는 단계를 포함하는 뇌 손상 환자를 위한 재활 치료 지원 방법.
  10. 제9항에 있어서,
    상기 환자 상태 시나리오 생성 단계는
    상기 환자의 뇌 관련 정보를 분석하여 하나 이상의 주요 특징에 대한 특징값을 추출하는 단계를 포함하고,
    상기 추출된 특징값을 미리 정의된 분석 기술에 적용하여 상기 환자 상태 시나리오를 생성하는 뇌 손상 환자를 위한 재활 치료 지원 방법.
  11. 제9항에 있어서,
    상기 환자 상태 시나리오 생성 단계는
    상기 환자의 뇌 관련 정보를 분석하여 하나 이상의 주요 특징에 대한 특징값을 추출하는 단계를 포함하고,
    상기 추출된 특징값의 시간적 변화 추세와 환자 정보 DB에 저장된 환자들의 뇌 관련 질환의 진행 정보의 유사 정도에 기초하여 획득된 하나 이상의 환자 정보를 이용하여 상기 환자 상태 시나리오를 생성하는 뇌 손상 환자를 위한 재활 치료 지원 방법.
  12. 제9항에 있어서,
    상기 네트워크 모델 결정 단계는
    상기 환자 상태 시나리오를 이용하여 상기 환자의 현재 뇌 손상 영역 및 추후 뇌 손상 예측 영역 중의 하나 이상을 판단하는 단계;
    상기 뇌 영역 간 네트워크 모델에서 상기 판단된 영역과 관련된 하나 이상의 서브 네트워크 모델을 추출하는 단계; 및
    상기 추출된 하나 이상의 서브 네트워크 모델 중의 적어도 하나를 상기 환자에 적용할 네트워크 모델로 결정하는 단계를 포함하는 뇌 손상 환자를 위한 재활 치료 지원 방법.
  13. 제12항에 있어서,
    상기 네트워크 모델 결정 단계는
    상기 환자 상태 시나리오를 이용하여 상기 판단된 영역에 대한 뇌의 기능 변화를 판단하는 단계를 더 포함하고,
    상기 환자에 적용할 네트워크 모델로 결정하는 단계는
    상기 추출된 하나 이상의 서브 네트워크 모델에 대하여 상기 판단된 뇌의 기능 변화에 기초하여 가중치를 부여하는 단계; 및
    상기 가중치 부여 결과를 이용하여 상기 하나 이상의 서브 네트워크 모델 중에서 적어도 하나를 상기 환자에 적용할 네트워크 모델로 결정하는 단계를 포함하는 뇌 손상 환자를 위한 재활 치료 지원 방법.
  14. 제12항에 있어서,
    상기 재활 모델 생성 단계는
    상기 결정된 네트워크 모델을 이용하여 상기 판단된 영역의 기능에 대한 대체 영역 또는 보완 영역을 결정하는 단계; 및
    상기 재활 효율성 모델을 참조하여 상기 결정된 영역의 재활을 위한 재활 모델을 생성하는 단계를 포함하는 뇌 손상 환자를 위한 재활 치료 지원 방법.
  15. 제12항에 있어서,
    상기 재활 모델 생성 단계는
    상기 환자 상태 시나리오와 유사한 환자들의 재활 정보 및 지식 정보 중의 하나 이상을 기초로 재활 프로그램의 결정 및 상기 재활 프로그램의 적용에 따른 기능 회복 정도를 포함하는 효과를 예측하는 단계; 및
    상기 결정된 재활 프로그램 및 효과를 포함하는 재활 모델을 생성하는 단계를 포함하는 뇌 손상 환자를 위한 재활 치료 지원 방법.
  16. 제9항에 있어서,
    상기 생성된 재활 모델을 사용자에게 제공하는 단계를 더 포함하는 뇌 손상 환자를 위한 재활 치료 지원 방법.
  17. 뇌 관련 환자들의 질환 정보 및 재활 정보 중의 하나 이상을 포함하는 환자 정보를 저장하는 환자 정보 DB;
    뇌 관련 지식 정보를 저장하는 지식 정보 DB; 및
    상기 환자 정보 DB 또는 지식 정보 DB에 저장된 정보를 참조하여, 뇌의 각 영역의 관계를 분석하여 뇌 영역 간 네트워크 모델을 생성하는 네트워크 모델 생성부를 포함하는 뇌 손상 환자를 위한 재활 치료 지원 장치.
  18. 제17항에 있어서,
    상기 네트워크 모델 생성부는
    뇌의 각 영역의 대체 영역 또는 보완 영역을 결정하고, 상기 뇌의 각 영역과 상기 결정된 영역 간의 네트워크를 구성하여 상기 뇌 영역 간 네트워크 모델을 생성하는 뇌 손상 환자를 위한 재활 치료 지원 장치.
  19. 제18항에 있어서,
    상기 네트워크 모델 생성부는
    뇌의 각 영역이 담당하는 기능별로 대체 영역 또는 보완 영역을 결정하여 상기 뇌의 각 영역에 대한 하나 이상의 기능별 서브 네트워크 모델을 생성하고, 생성된 서브 네트워크 모델을 포함하는 상기 뇌의 영역 간 네트워크 모델을 생성하는 뇌 손상 환자를 위한 재활 치료 지원 장치.
  20. 제17항에 있어서,
    상기 환자 정보 DB 및 지식 정보 DB에 저장된 정보 중의 하나 이상을 기초로, 뇌의 각 영역에 대한 재활 프로그램의 효과를 분석하여 재활 효율성 모델을 생성하는 재활 효율성 모델 생성부를 더 포함하는 뇌 손상 환자를 위한 재활 치료 지원 장치.
  21. 제20항에 있어서,
    상기 재활 프로그램의 효과는
    재활 프로그램의 적용에 따른 기능 회복 정도, 재활 프로그램에 대한 환자의 참여도, 재활 프로그램에 대한 환자의 만족도, 재활 프로그램의 편의성, 재활 프로그램 적용 과정에서의 환자의 정신적 및 육체적 고통 정도 중의 하나 이상을 포함하는 뇌 손상 환자를 위한 재활 치료 지원 장치.
  22. 제17항에 있어서,
    환자에 제공된 재활 모델의 재활 프로그램을 적용함에 따른 상기 환자의 재활 정보를 수집하고, 수집된 재활 정보를 환자 정보 DB에 저장하는 환자 정보 수집부를 더 포함하는 뇌 손상 환자를 위한 재활 치료 지원 장치.
  23. 뇌와 관련된 환자 정보 및 지식 정보 중의 하나 이상을 분석하여, 뇌의 각 영역의 관계 정보를 포함하는 뇌 영역 간 네트워크 모델 및, 뇌의 각 영역에 대한 재활 효율성 모델을 생성하는 모델 생성부; 및
    새로운 환자의 뇌 관련 정보가 입력되면, 환자의 뇌 관련 정보와 상기 뇌 영역 간 네트워크 모델 및 재활 효율성 모델을 통합 분석하여 상기 환자에 적용할 재활 모델을 생성하는 환자 적용부를 포함하는 뇌 손상 환자를 위한 재활 치료 지원 장치.
  24. 제23항에 있어서,
    상기 모델 생성부는
    뇌의 각 영역에 대하여 그 각 영역이 담당하는 하나 이상의 기능별 서브 네트워크를 생성하고, 생성된 서브 네트워크를 포함하는 상기 뇌 영역 간 네트워크 모델을 생성하는 뇌 손상 환자를 위한 재활 치료 지원 장치.
  25. 제23항에 있어서,
    상기 모델 생성부는
    뇌의 각 영역에 대하여 재활 프로그램의 적용에 따른 기능 회복 정도를 포함하는 재활 프로그램의 효과를 예측하고, 예측된 재활 프로그램의 효과를 포함하는 상기 재활 효율성 모델을 생성하는 뇌 손상 환자를 위한 재활 치료 지원 장치.
  26. 제23항에 있어서,
    상기 환자 적용부는
    상기 재활 모델을 환자에 적용함에 따른 환자의 재활 정보를 수집하고, 수집된 재활 정보를 상기 모델 생성부에 피드백하는 뇌 손상 환자를 위한 재활 치료 지원 장치.
KR1020140055891A 2014-05-09 2014-05-09 뇌 손상 환자를 위한 재활 치료 지원 장치 및 방법 KR20150128471A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020140055891A KR20150128471A (ko) 2014-05-09 2014-05-09 뇌 손상 환자를 위한 재활 치료 지원 장치 및 방법
US14/693,703 US20150325139A1 (en) 2014-05-09 2015-04-22 Apparatus and method for supporting rehabilitation of brain-damaged patient

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020140055891A KR20150128471A (ko) 2014-05-09 2014-05-09 뇌 손상 환자를 위한 재활 치료 지원 장치 및 방법

Publications (1)

Publication Number Publication Date
KR20150128471A true KR20150128471A (ko) 2015-11-18

Family

ID=54368355

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020140055891A KR20150128471A (ko) 2014-05-09 2014-05-09 뇌 손상 환자를 위한 재활 치료 지원 장치 및 방법

Country Status (2)

Country Link
US (1) US20150325139A1 (ko)
KR (1) KR20150128471A (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190122189A (ko) * 2019-10-21 2019-10-29 성균관대학교산학협력단 뇌졸중 환자의 운동 회복 예측 모델
WO2020197233A3 (ko) * 2019-03-25 2020-11-19 세종대학교산학협력단 다중시기 측부혈류 영상을 생성하기 위한 학습 방법 및 기계 학습을 이용한 다중시기 측부혈류 영상 생성 방법
WO2022019429A1 (ko) * 2020-07-22 2022-01-27 울산과학기술원 운동정보 디코딩을 위한 뇌신경 세포 간의 운동관련 네트워크 특성 추출 방법 및 장치
KR20220085256A (ko) * 2020-12-15 2022-06-22 영남대학교 산학협력단 뇌졸중 환자의 임상 데이터를 이용한 운동 기능 회복 예후 예측 장치 및 그 방법

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150379239A1 (en) * 2007-10-15 2015-12-31 Alterg, Inc. Systems and methods for management and scheduling of differential air pressure and other unweighted or assisted treatment systems
WO2019079655A1 (en) 2017-10-18 2019-04-25 Alterg, Inc. SYSTEM FOR COLLECTING AND ANALYZING APPROPRIATE DATA AND METHODS OF OPERATING DRIVING SYSTEMS WITH RELIEF
WO2019089850A1 (en) 2017-10-31 2019-05-09 Alterg, Inc. System for unweighting a user related methods of exercise
JP6798068B2 (ja) * 2018-12-21 2020-12-09 株式会社元気広場 機能改善支援装置および機能改善支援システム
JP7279428B2 (ja) * 2019-03-13 2023-05-23 オムロンヘルスケア株式会社 リハビリ支援装置、リハビリ支援方法、及びリハビリ支援プログラム
JP7349078B2 (ja) * 2019-10-04 2023-09-22 日本電気株式会社 リハビリ計画装置、リハビリ計画方法、及びプログラム
JP7431402B2 (ja) * 2019-10-30 2024-02-15 日本電気株式会社 情報処理装置、支援方法及びプログラム
JP2023109113A (ja) * 2022-01-26 2023-08-07 日本電気株式会社 リハビリメニュー決定支援装置、そのシステム、方法及びプログラム

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6066163A (en) * 1996-02-02 2000-05-23 John; Michael Sasha Adaptive brain stimulation method and system
US20050090372A1 (en) * 2003-06-24 2005-04-28 Mark Burrows Method and system for using a database containing rehabilitation plans indexed across multiple dimensions
EP2024901A2 (en) * 2006-05-25 2009-02-18 Elminda Ltd. Neuropsychological spatiotemporal pattern recognition
WO2009069135A2 (en) * 2007-11-29 2009-06-04 Elminda Ltd. System and method for neural modeling of neurophysiological data
US8712748B2 (en) * 2007-06-27 2014-04-29 Roche Diagnostics Operations, Inc. Medical diagnosis, therapy, and prognosis system for invoked events and methods thereof
US8706205B2 (en) * 2007-11-29 2014-04-22 Elminda Ltd. Functional analysis of neurophysiological data
EP2227725A4 (en) * 2007-11-29 2013-12-18 Elminda Ltd CLINICAL APPLICATIONS OF MODELING AND ANALYSIS OF NEUROPSYCHOLOGICAL DATA MODELS
US8548823B2 (en) * 2008-07-08 2013-10-01 International Business Machines Corporation Automatically determining ideal treatment plans for complex neuropsychiatric conditions
WO2011086563A2 (en) * 2010-01-18 2011-07-21 Elminda Ltd. Method and system for weighted analysis of neurophysiological data
US8838565B2 (en) * 2011-11-17 2014-09-16 CereScan Corporation Neuroimaging database systems and methods
CN104955388B (zh) * 2012-11-13 2018-12-25 艾欧敏达有限公司 采用时空划分的神经生理学数据分析
WO2015071901A2 (en) * 2013-11-13 2015-05-21 Elminda Ltd. Method and system for managing pain

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020197233A3 (ko) * 2019-03-25 2020-11-19 세종대학교산학협력단 다중시기 측부혈류 영상을 생성하기 위한 학습 방법 및 기계 학습을 이용한 다중시기 측부혈류 영상 생성 방법
US12026878B2 (en) 2019-03-25 2024-07-02 The Catholic University Of Korea Industry-Academic Cooperation Foundation Learning method for generating multiphase collateral image and multiphase collateral image generating method using maching learning
KR20190122189A (ko) * 2019-10-21 2019-10-29 성균관대학교산학협력단 뇌졸중 환자의 운동 회복 예측 모델
WO2022019429A1 (ko) * 2020-07-22 2022-01-27 울산과학기술원 운동정보 디코딩을 위한 뇌신경 세포 간의 운동관련 네트워크 특성 추출 방법 및 장치
KR20220012099A (ko) * 2020-07-22 2022-02-03 울산과학기술원 운동정보 디코딩을 위한 뇌신경 세포 간의 운동관련 네트워크 특성 추출 방법 및 장치
KR20220085256A (ko) * 2020-12-15 2022-06-22 영남대학교 산학협력단 뇌졸중 환자의 임상 데이터를 이용한 운동 기능 회복 예후 예측 장치 및 그 방법

Also Published As

Publication number Publication date
US20150325139A1 (en) 2015-11-12

Similar Documents

Publication Publication Date Title
KR20150128471A (ko) 뇌 손상 환자를 위한 재활 치료 지원 장치 및 방법
JP7471222B2 (ja) 睡眠段階の予測及びそれに基づいた介入準備
Gladstone et al. The Fugl-Meyer assessment of motor recovery after stroke: a critical review of its measurement properties
Cipresso et al. Is your phone so smart to affect your state? An exploratory study based on psychophysiological measures
McGonigal et al. On seizure semiology
AU2019391425B2 (en) Apparatus and method for utilizing a brain feature activity map database to characterize content
WO2015071901A2 (en) Method and system for managing pain
CN109567803B (zh) 基于实时神经反馈技术的海马体自我调节分析方法
EP3958275A1 (en) Systems, methods and devices for sleep intervention quality estimation
US10918862B1 (en) Method for automated closed-loop neurostimulation for improving sleep quality
Molteni et al. Brain connectivity modulation after exoskeleton-assisted gait in chronic hemiplegic stroke survivors: A pilot study
Erguzel et al. Machine learning approaches to predict repetitive transcranial magnetic stimulation treatment response in major depressive disorder
CN114828930A (zh) 用于递送感觉刺激以促进睡眠开始的系统
Sonkusare et al. Dynamic interactions between anterior insula and anterior cingulate cortex link perceptual features and heart rate variability during movie viewing
WO2024094557A1 (en) Migraine management using functional brain imaging
Iram et al. A classifier fusion strategy to improve the early detection of neurodegenerative diseases
Li et al. Synergy through integration of digital cognitive tests and wearable devices for mild cognitive impairment screening
Priyadarshini et al. The Role of the Internet of Things (IoT) in Biomedical Engineering: Present Scenario and Challenges
Garfinkel et al. Neuroimaging studies of interoception and self-awareness
Wang et al. Prediction of Cognitive Task Activations via Resting-State Functional Connectivity Networks: An EEG Study
Xu et al. Interhemispheric Cortical Network Connectivity Reorganization Predicts Vision Impairment in Stroke
EP4282329A1 (en) Fmri guided coma therapy optimization
Rodrigues et al. Dispositivos Vestíveis para monitoramento psicofisiológico do estresse: uma revisão narrativa
Rodrigues et al. Wearables devices for monitoring psychophysiological stress: a narrative review
Manini et al. WRIST-WORN TRI-AXIAL ACCELEROMETER VALIDATION IN YOUNG, MIDDLE-AGED, AND OLDER ADULTS

Legal Events

Date Code Title Description
WITN Application deemed withdrawn, e.g. because no request for examination was filed or no examination fee was paid