KR20160089770A - 뉴럴 네트워크 분석 방법 - Google Patents

뉴럴 네트워크 분석 방법 Download PDF

Info

Publication number
KR20160089770A
KR20160089770A KR1020150009390A KR20150009390A KR20160089770A KR 20160089770 A KR20160089770 A KR 20160089770A KR 1020150009390 A KR1020150009390 A KR 1020150009390A KR 20150009390 A KR20150009390 A KR 20150009390A KR 20160089770 A KR20160089770 A KR 20160089770A
Authority
KR
South Korea
Prior art keywords
neuron
neural network
neurons
network analysis
analysis module
Prior art date
Application number
KR1020150009390A
Other languages
English (en)
Inventor
김국화
김아영
Original Assignee
한국전자통신연구원
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 한국전자통신연구원 filed Critical 한국전자통신연구원
Priority to KR1020150009390A priority Critical patent/KR20160089770A/ko
Publication of KR20160089770A publication Critical patent/KR20160089770A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/483—Physical analysis of biological material
    • G01N33/4833—Physical analysis of biological material of solid biological material, e.g. tissue samples, cell cultures
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12N—MICROORGANISMS OR ENZYMES; COMPOSITIONS THEREOF; PROPAGATING, PRESERVING, OR MAINTAINING MICROORGANISMS; MUTATION OR GENETIC ENGINEERING; CULTURE MEDIA
    • C12N5/00—Undifferentiated human, animal or plant cells, e.g. cell lines; Tissues; Cultivation or maintenance thereof; Culture media therefor
    • C12N5/06—Animal cells or tissues; Human cells or tissues
    • C12N5/0602—Vertebrate cells
    • C12N5/0618—Cells of the nervous system
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
    • C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
    • C12Q1/02—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving viable microorganisms
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
    • G01N33/5005—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving human or animal cells

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • Organic Chemistry (AREA)
  • Immunology (AREA)
  • Zoology (AREA)
  • Wood Science & Technology (AREA)
  • Molecular Biology (AREA)
  • Biochemistry (AREA)
  • Biotechnology (AREA)
  • General Health & Medical Sciences (AREA)
  • Genetics & Genomics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Analytical Chemistry (AREA)
  • Hematology (AREA)
  • Microbiology (AREA)
  • Urology & Nephrology (AREA)
  • Biophysics (AREA)
  • Food Science & Technology (AREA)
  • Cell Biology (AREA)
  • Pathology (AREA)
  • Medicinal Chemistry (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Neurosurgery (AREA)
  • Neurology (AREA)
  • Optics & Photonics (AREA)
  • Tropical Medicine & Parasitology (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

복수의 뉴런들 각각이 서로 연결된 뉴럴 네트워크의 연결관계를 분석하는 뉴럴 네트워크 분석 방법은 뉴럴 네트워크 분석 모듈이, 제1뉴런에 전기 자극 신호를 인가하고 상기 전기 자극 인가에 따라 복수의 뉴런들에서 발생하는 반응 신호들을 감지하는 단계와, 뉴럴 네트워크 분석 모듈이, 상기 전기 자극 인가한 시점부터 상기 반응 신호들 각각의 발생에 소요된 시간을 측정하는 단계와, 뉴럴 네트워크 분석 모듈이, 상기 측정된 시간을 기초로 상기 복수의 뉴런들 각각의 연결관계를 분석하는 단계를 포함한다.

Description

뉴럴 네트워크 분석 방법{METHOD FOR ANALYSING NEURAL NETWORK }
본 발명의 개념에 따른 실시 예는 뉴런의 네트워크 분석 방법에 관한 것으로서, 특히 뉴런에 전기 자극 신호를 인가하여 출력되는 스파이크 신호를 분석하고, 분석 결과에 따라 뉴런 간의 연결관계를 분석할 수 있는 뉴런 네트워크 분석 방법에 관한 것이다.
인체의 신경 세포의 일종인 뉴런은 신경계의 단위로 자극과 흥분을 전달한다. 뉴럴 네트워크는 이러한 뉴런 간의 자극과 흥분을 전달하는 특성을 모델링하여 문제를 해결하는 소프트웨어적 수학 모델이다.
뉴런 간의 네트워크를 분석하기 위해서 기존에는 자발적 신호를 측정하고 그 신호에서 스파이크(spike)의 시간 정보를 이용하여 전극 간의 연결성을 파악하거나, 버스트 신호(burst signal)의 특성을 이용하여 네트워크 분석이 이루어졌다. 신호 시간 정보를 이용하여 연결을 확인하는 방법은 확률적인 분석 결과만 도출되기 때문에, 보다 더 정확한 정보를 얻기 위해서는 많은 신호 측정이 이루어져야 된다.
뉴런 네트워크 분석 방법들 중에서 교차 상관(cross correlation)과 상호 정보(mutual information)를 이용한 뉴럴 네트워크 분석 방법은 두 개의 뉴런 사이에서 발생되는 신호를 분석한다. 하지만, 뉴런들의 수가 증가해도 뉴런들 전체에 대해 일대일 분석이 수행되어야 한다. 따라서, 이러한 뉴런 네트워크 분석 방법들은 비용 및 시간적 측면에서 어려움이 존재한다.
본 발명이 이루고자 하는 기술적인 과제는, 상술한 문제점을 해결하기 위해 발명한 것으로서, 뉴런들이 연결된 네트워크에 따라 자극에 대한 반응의 시간적 차이를 분석하여 뉴런들 사이의 연결성과 방향성을 예측하는 뉴럴 네트워크 분석 방법을 제공하는 것이다.
본 발명의 실시 예에 따른 뉴럴 네트워크 분석 방법은 뉴럴 네트워크 분석 모듈이, 제1뉴런에 전기 자극 인가하고 상기 전기 자극 인가에 따라 복수의 뉴런들에서 발생하는 전기 반응들을 감지하는 단계와, 뉴럴 네트워크 분석 모듈이, 상기 전기 자극 인가한 시점부터 상기 전기 반응들 각각의 발생에 소요된 시간을 측정하는 단계와, 뉴럴 네트워크 분석 모듈이, 상기 측정된 시간을 기초로 상기 복수의 뉴런들 각각의 연결관계를 분석하는 단계를 포함한다.
본 발명의 실시 예에 따른 뉴럴 네트워크 분석 방법은 뉴런에 인가된 자극에 대한 반응 시간을 측정하고, 발생되는 스파이크 신호를 감지하여 모든 뉴럴 네트워크를 분석하지 않고도 특정한 뉴런 간의 연결관계를 간단한 방법에 의해 예측할 수 있다.
본 발명의 상세한 설명에서 인용되는 도면을 보다 충분히 이해하기 위하여 각 도면의 상세한 설명이 제공된다.
도 1은 본 발명의 실시 예에 따른 복수의 뉴런들이 서로 연결된 뉴럴 네트워크와 뉴럴 네트워크 분석 모듈을 포함하는 뉴럴 네트워크 분석 시스템의 개략적인 블록도이다.
도 2는 본 발명의 실시 예에 따른 복수의 뉴런들 각각에서 반응이 발생되는 시간에 기초하여 뉴럴 네트워크의 연결관계를 분석하는 방법을 설명하기 위한 개념도이다.
도 3은 본 발명의 실시 예에 따른 복수의 뉴런들 각각을 초기 반응 뉴런과 지연 반응 뉴런으로 구분하는 방법을 설명하는 개념도이다.
도 4a는 본 발명의 실시 예에 따른 제1뉴런에 전기 자극 신호를 인가한 후 복수의 뉴런들 각각의 연결관계를 분석하기 위한 방법을 설명하기 위한 개념도를 나타낸다.
도 4b는 본 발명의 실시 예에 따른 제2뉴런에 전기 자극 신호를 인가한 후 복수의 뉴런들 각각의 연결관계를 분석하기 위한 방법을 설명하기 위한 개념도를 나타낸다.
도 5는 본 발명의 실시 예에 따른 뉴럴 네트워크 분석 모듈이 뉴럴 네트워크로 공급하는 전기 자극 신호를 도시한 파형도이다.
도 6은 본 발명의 실시 예에 따른 뉴럴 네트워크 분석 방법을 설명하기 위한 흐름도를 나타낸다.
본 명세서에 개시되어 있는 본 발명의 개념에 따른 실시 예들에 대해서 특정한 구조적 또는 기능적 설명은 단지 본 발명의 개념에 따른 실시 예들을 설명하기 위한 목적으로 예시된 것으로서, 본 발명의 개념에 따른 실시 예들은 다양한 형태들로 실시될 수 있으며 본 명세서에 설명된 실시 예들에 한정되지 않는다.
본 발명의 개념에 따른 실시 예들은 다양한 변경들을 가할 수 있고 여러 가지 형태들을 가질 수 있으므로 실시 예들을 도면에 예시하고 본 명세서에서 상세하게 설명하고자 한다. 그러나, 이는 본 발명의 개념에 따른 실시 예들을 특정한 개시 형태들에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어는 다양한 구성 요소들을 설명하는데 사용될 수 있지만, 상기 구성 요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성 요소를 다른 구성 요소로부터 구별하는 목적으로만, 예컨대 본 발명의 개념에 따른 권리 범위로부터 벗어나지 않은 채, 제1구성 요소는 제2구성 요소로 명명될 수 있고 유사하게 제2구성 요소는 제1구성 요소로도 명명될 수 있다.
어떤 구성 요소가 다른 구성 요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성 요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성 요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성 요소가 다른 구성 요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는 중간에 다른 구성 요소가 존재하지 않는 것으로 이해되어야 할 것이다. 구성 요소들 간의 관계를 설명하는 다른 표현들, 즉 "~사이에"와 "바로 ~사이에" 또는 "~에 이웃하는"과 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.
본 명세서에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로서, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 본 명세서에 기재된 특징, 숫자, 단계, 동작, 구성 요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성 요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 나타낸다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
도 1은 본 발명의 실시 예에 따른 복수의 뉴런들이 서로 연결된 뉴럴 네트워크와 뉴럴 네트워크 분석 모듈을 포함하는 뉴럴 네트워크 분석 시스템의 개략적인 블록도이다.
도 1을 참조하면, 뉴럴 네트워크 분석 시스템(10)은 뉴럴 네트워크 분석 모듈(100)과 뉴럴 네트워크(200)를 포함한다.
뉴럴 네트워크 분석 모듈(100)은 뉴럴 네트워크(200)로 전기 자극 신호(ES)를 인가하고, 뉴럴 네트워크(200)의 복수의 뉴런들(예컨대, N1, N2, N3 및 N4 ) 각각으로부터 스파이크 신호(SP1 및 SP2)를 감지할 수 있다.
예컨대, 뉴럴 네트워크 분석 모듈(100)은 복수의 뉴런들 중에서 기준 뉴런(전기 자극 신호(ES)를 인가하는 특정한 뉴런)의 전극에 구형파의 전기 자극 신호(ES)를 인가할 수 있다.
뉴럴 네트워크 분석 모듈(100)은 뉴런에서 발생되는 스파이크 신호(SP1 및 SP2)를 실시간으로 감지할 수 있고, 복수의 뉴런들 각각의 스파이크 신호(SP1 및 SP2)의 발생시점을 저장할 수 있다.
예컨대, 뉴럴 네트워크 분석 모듈(100)은 전기 자극 신호(ES)를 기준 뉴런으로 인가한 후, 전기 자극 신호(ES)를 인가하지 않은 나머지 뉴런들 각각의 전극으로부터 출력되는 스파이크 신호(SP1 및 SP2)를 실시간으로 감지하고, 감지된 시간을 저장할 수 있다.
또한, 뉴럴 네트워크 분석 모듈(100)은 전기 자극 신호(ES)를 상기 기준 뉴런으로 인가한 후부터 뉴런들 각각의 전극들로부터 스파이크 신호(SP1 및 SP2)를 감지한 때까지의 시간을 계산할 수 있다.
실시 예에 따라, 뉴럴 네트워크 분석 모듈(100)은 복수의 뉴런들 각각의 전극에서 스파이크 신호(SP1 및 SP2)를 감지하는 데까지 걸린 시간을 계산하고, 계산된 시간이 짧은 순서로 복수의 뉴런들이 가깝게 연결된 것으로 분석할 수 있다.
다른 실시 예에 따라, 뉴럴 네트워크 분석 모듈(100)은 특정한 뉴런의 전극에 전기 자극 신호(ES)의 인가를 반복하고, 전기 자극 신호(ES)를 인가하지 않은 나머지 뉴런들 중에서 가장 많은 횟수로 스파이크 신호(SP1 및 SP2)가 감지된 뉴런을 상기 특정한 뉴런과 가장 강하게 연결된 것으로 분석할 수 있다.
뉴런 네트워크는 서로 연결된 복수의 뉴런들을 포함한다. 복수의 뉴런들 각각은 뉴럴 네트워크 분석 모듈(100)로부터 전기 자극 신호(ES)를 기초로 스파이크 신호(SP1 및 SP2)를 발생시킬 수 있다. 또한, 복수의 뉴런들 각각은 연결된 다른 뉴런으로부터 전달된 스파이크 신호를 기초로 새로운 스파이크 신호를 발생시킬 수 있다.
예컨대, 제1뉴런(N1)은 뉴럴 네트워크 분석 모듈(100)로부터 전기 자극 신호(ES)를 인가받은 후, 제1스파이크 신호(SP1)를 생성할 수 있다. 제1뉴런(N1)은 연결된 제2뉴런(N2)과 제3뉴런(N3)으로 제1스파이크 신호(SP1)를 전달할 수 있다. 제3뉴런(N3)은 제1스파이크 신호(SP1)를 기초로 새로운 제2스파이크 신호(SP2)를 생성할 수 있고, 제3뉴런(N3)과 연결된 제4뉴런(N4)으로 제2스파이크 신호(SP2)를 전달할 수 있다.
도 2는 본 발명의 실시 예에 따른 복수의 뉴런들 각각에서 반응이 발생되는 시간에 기초하여 뉴럴 네트워크의 연결관계를 분석하는 방법을 설명하기 위한 개념도이다.
도 1과 도 2를 참조하면, 뉴럴 네트워크 분석 모듈(100)이 기준 뉴런(전기 자극 신호(ES)를 인가하는 특정한 뉴런; Reference)에 전기 자극 신호(ES)를 인가한 후, 일정한 시간(예컨대, 시간 300ms) 안에 스파이크 신호가 감지되는 뉴런은 기준 뉴런과 연결되어 있는 전극으로 판단될 수 있다.
또한, 뉴럴 네트워크 분석 모듈(100)이 전기 자극 신호(ES)를 기준 뉴런(Reference)에 반복적으로 인가할 때, 반복적으로 스파이크 신호가 감지되는 뉴런을 기준 뉴런과 가장 강하게 연결된 것으로 판단할 수 있다.
예컨대, 기준 뉴런(Reference)에 전기 자극 신호(ES)를 인가한 후, 시간 300ms 안에 스파이크 신호가 감지된 뉴런들(Target2, Target3 및 Target5)은 기준 뉴런과 연결된 것으로 판단될 수 있다. 하지만, 전기 자극 신호(ES)를 인가한 후, 시간 300ms 안에 스파이크 신호가 감지되지 않은 뉴런들(Target1 및 Target4)은 기준 뉴런과 연결되지 않은 것으로 판단될 수 있다.
예컨대, 시간 300ms 안에 스파이크 신호가 감지된 뉴런들(Target2, Target3 및 Target5) 중에서 뉴런(target2)에서 가장 많은 스파이크 신호가 감지된다면, 뉴런(target2)이 기준 뉴런(Reference)과 가장 강하게 연결된 것으로 판단될 수 있다.
도 3은 본 발명의 실시 예에 따른 복수의 뉴런들 각각을 초기 반응 뉴런과 지연 반응 뉴런으로 구분하는 방법을 설명하는 개념도이다.
도 1부터 도 3을 참조하면, 뉴럴 네트워크 분석 모듈(100)은 전기 자극 신호(ES)를 기준 뉴런으로 인가한 후, 시간 10ms 안에서 반응하는 전극을 초기 반응 뉴런(ER)으로 분류하고, 시간 10ms 이후에 반응하는 전극을 지연 반응 뉴런(DR)으로 분류할 수 있다.
실시 예에 따라, 본 명세서에서 설명의 편의를 위해 초기 반응 뉴런(ER)과 지연 반응 뉴런(DR)을 구분하는 기준 시간을 10ms로 설명하였지만, 기준 시간은 시간 20ms, 30ms, 40ms 등으로 다양하게 변경되어 실시될 수 있다.
초기 반응 뉴런(ER)으로 분류된 뉴런들(N1 및 N2)은 지연 반응 뉴런(DR)으로 분류된 뉴런들(N3 및 N4)보다 더 기준 뉴런과 가까이 연결된 것으로 판단될 수 있다.
실시 예에 따라, 뉴럴 네트워크 분석 모듈(100)은 초기 반응 뉴런(ER)으로 분류된 뉴런들(N1 및 N2) 중에서 어느 하나의 뉴런에 전기 자극 신호(ES)를 인가한 후, 감지되는 스파이크 신호에 따라 상기 어느 하나의 뉴런을 제외한 나머지 뉴런들 중에서 새로운 초기 반응 뉴런(ER)과 지연 반응 뉴런(DR)을 분류할 수 있다. 이때, 상기 어느 하나에 의해 분류된 새로운 초기 반응 뉴런(ER)은 상기 어느 하나의 뉴런과 연결된 것뿐만 아니라, 기준 뉴런과 연결된 것으로 판단될 수 있다.
도 4a는 본 발명의 실시 예에 따른 제1뉴런에 전기 자극을 인가한 후 복수의 뉴런들 각각의 연결관계를 분석하기 위한 방법을 설명하기 위한 개념도이고, 도 4b는 본 발명의 실시 예에 따른 제2뉴런(N2)에 전기 자극을 인가한 후 복수의 뉴런들 각각의 연결관계를 분석하기 위한 방법을 설명하기 위한 개념도를 나타낸다.
도 1 및 도 4a를 참조하면, 뉴럴 네트워크 분석 모듈(100)은 기준 뉴런으로부터 다른 뉴런에 자극이 전달되는 시간을 측정할 수 있다.
예컨대, 뉴럴 네트워크 분석 모듈(100)은 제1뉴런(N1)에 전기 자극 신호(ES)를 인가한 후, 제2뉴런(N2)과 제3뉴런(N3)에서 스파이크 신호가 감지될 때까지 시간을 측정할 수 있다.
예컨대, 뉴럴 네트워크 분석 모듈(100)은 제1뉴런(N1)에 전기 자극 신호(ES)를 인가하고 시간 5ms가 경과한 후에 제2뉴런(N2)에서 제2스파이크 신호(SP2)가 감지할 수 있고, 시간 17ms가 경과한 후에 제3뉴런(N3)에서 제3스파이크 신호(SP3)가 감지할 수 있다.
도 4a를 참조하면, 제1뉴런(N1)으로부터 제2뉴런(N2)으로 자극이 전달되는 시간은 5ms이고, 제1뉴런(N1)으로부터 제3뉴런(N2)으로 자극이 전달되는 시간은 17ms이다.
실시 예에 따라, 제1뉴런(N1)이 기준 뉴런(전기 자극 신호(ES)가 인가되는 뉴런)일 때, 제1뉴런(N1)에 자극 인가 후 시간 10ms 내에서 반응하는 제2뉴런(N2)은 초기 반응 뉴런(ER)이고, 제3뉴런(N3)은 지연 반응 뉴런(DR)으로 분류될 수 있다.
도 1, 도 4a 및 도 4b를 참조하면, 뉴럴 네트워크 분석 모듈(100)은 제2뉴런(N2)에 전기 자극 신호(ES)를 인가한 후, 제1뉴런(N1), 제3뉴런(N3)과 제4뉴런(N4) 및 제5뉴런(N5)에서 스파이크 신호가 감지될 때까지 시간을 측정할 수 있다.
예컨대, 도 4b를 참조하면 뉴럴 네트워크 분석 모듈(100)이 제2뉴런(N2)에 전기 자극 신호(ES)를 인가한 후, 제2뉴런(N2)으로부터 제1뉴런(N1)으로 자극이 전달되는 시간은 10ms이고, 제2뉴런(N2)으로부터 제3뉴런(N3)으로 자극이 전달되는 시간은 12ms이고, 제2뉴런(N2)으로부터 제4뉴런(N4)으로 자극이 전달되는 시간은 3ms이고, 제2뉴런(N2)으로부터 제5뉴런(N5)으로 자극이 전달되는 시간은 3ms이다.
즉, 제2뉴런(N2)에 자극이 가해지면 시간 3ms가 경과된 후 제4뉴런(N4)과 제5뉴런(N5)이 반응하고, 시간 10ms가 경과된 후 제1뉴런(N1)이 반응하고, 시간 12ms가 경과된 후 제3뉴런(N3)이 반응한다.
실시 예에 따라, 제2뉴런(N2)이 기준 뉴런(전기 자극 신호(ES)가 인가되는 뉴런)일 때, 시간 10ms 내에서 반응하는 제4뉴런(N4)과 제5뉴런(N5)은 초기 반응 뉴런(ER)이고, 제1뉴런(N1)과 제3뉴런(N3)은 지연 반응 뉴런(DR)으로 분류될 수 있다.
도 4a와 도 4b를 참조하면, 뉴런 네트워크 분석 모듈은 제1뉴런(N1)이 기준 뉴런일 때 및 제2뉴런(N2)이 기준 뉴런일 때 모두 반응한 제3뉴런(N3)을 제1뉴런(N1)과 제2뉴런(N2)에 연결된 것으로 판단할 수 있다.
제1뉴런(N1)이 기준 뉴런일 때 제3뉴런(N3)의 반응 시간은 17ms이고, 제2뉴런(N2)이 기준 뉴런일 때 제3뉴런(N3)의 반응 시간은 12ms이다. 뉴럴 네트워크 분석 모듈(100)은 제3뉴런(N3)의 반응 시간들을 이용하여 뉴런 간의 연결관계를 분석할 수 있다. 뉴럴 네트워크 분석 모듈(100)은 제1뉴런(N1)이 기준 뉴런일 때보다 제2뉴런(N2)이 기준 뉴런일 때 제3뉴런(N3)의 반응 시간이 짧기 때문에, 제3뉴런(N3)이 제1뉴런(N1) 보다 제2뉴런(N2)에 더 가깝게 연결된 것으로 판단할 수 있다.
또한, 제1뉴런(N1)이 기준 뉴런일 때 제2뉴런(N2)의 반응 시간은 5ms이고, 제2뉴런(N2)이 기준 뉴런일 때 제1뉴런(N1)의 반응 시간은 10ms이다. 뉴럴 네트워크 분석 모듈(100)은 제2뉴런(N2)이 기준 뉴런일 때보다 제1뉴런(N1)이 기준 뉴런일 때 제1뉴런(N1)과 제2뉴런(N2) 사이의 반응시간이 더 짧기 때문에, 제2뉴런(N2)이 제1뉴런(N1)에 연결되는 방향보다 제1뉴런(N1)이 제2뉴런(N2)에 연결되는 방향에 더 강하게 연결된 것으로 판단할 수 있다.
도 5는 본 발명의 실시 예에 따른 뉴럴 네트워크 분석 모듈이 뉴럴 네트워크로 공급하는 전기 자극 신호를 도시한 파형도이다.
도 1 및 도 5를 참조하면, 뉴럴 네트워크 분석 모듈(100)은 뉴럴 네트워크(200)의 기준 뉴런에 전기 자극 신호(ES)를 인가한다.
예컨대, 뉴럴 네트워크 분석 모듈(100)은 양극 펄스(biphasic pulse) 형태의 진폭 ±500mV, 펄스폭 200μs, 주기 2~3s인 전기 자극 신호(ES)를 생성하여 기준 뉴런에 인가할 수 있다.
실시 예에 따라, 뉴럴 네트워크 분석 모듈(100)은 1Hz 이하의 저주파수의 전기 자극 신호(ES)를 기준 뉴런으로 10번 반복하여 인가할 수 있다. 뉴럴 네트워크 분석 모듈(100)은 각 뉴런들의 10번의 반응시간을 평균하여, 각 뉴런의 평균 반응 시간을 계산할 수 있다. 예컨대, 뉴럴 네트워크 분석 모듈(100)은 기준 뉴런에 대한 뉴런들 각각의 반응 시간을 평균 반응 시간으로 설정하고, 상기 평균 반응 시간을 이용하여 뉴런들의 연결 관계를 판단할 수 있다.
도 6은 본 발명의 실시 예에 따른 뉴럴 네트워크 분석 방법을 설명하기 위한 흐름도를 나타낸다.
뉴럴 네트워크 분석 모듈(100)은 복수의 뉴런들 중에서 기준 뉴런을 선택하고(S100), 양극 펄스(biphasic pulse) 형태의 구형파인 전기 자극 신호(ES)를 생성한다(S110).
뉴럴 네트워크 분석 모듈(100)은 생성된 전기 자극 신호(ES)를 기준 뉴런에 인가하고(S120), 기준 뉴런이 생성한 스파이크 신호의 전달에 따라 발생하는 복수의 뉴런들의 반응을 감지한다(S130).
뉴럴 네트워크 분석 모듈(100)은 반응이 감지된 뉴런들을 초기 반응 뉴런(ER)과 지연 반응 뉴런(DR)으로 분류하고(S140), 초기 반응 뉴런(ER)들 중에서 다시 전기 자극 신호(ES)를 인가할 새로운 기준 뉴런을 선택한다(S150).
본 발명은 도면에 도시된 실시 예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시 예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 등록청구범위의 기술적 사상에 의해 정해져야 할 것이다.
100: 뉴럴 네트워크 분석 모듈
200: 뉴럴 네트워크

Claims (1)

  1. 복수의 뉴런들 각각이 서로 연결된 뉴럴 네트워크의 연결관계를 분석하는 방법에 있어서,
    뉴럴 네트워크 분석 모듈이, 제1뉴런에 전기 자극 인가하고 상기 전기 자극 인가에 따라 복수의 뉴런들에서 발생하는 전기 반응들을 감지하는 단계;
    뉴럴 네트워크 분석 모듈이, 상기 전기 자극 인가한 시점부터 상기 전기 반응들 각각의 발생에 소요된 시간을 측정하는 단계; 및
    뉴럴 네트워크 분석 모듈이, 상기 측정된 시간을 기초로 상기 복수의 뉴런들 각각의 연결관계를 분석하는 단계를 포함하는 뉴럴 네트워크 분석 방법.
KR1020150009390A 2015-01-20 2015-01-20 뉴럴 네트워크 분석 방법 KR20160089770A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020150009390A KR20160089770A (ko) 2015-01-20 2015-01-20 뉴럴 네트워크 분석 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020150009390A KR20160089770A (ko) 2015-01-20 2015-01-20 뉴럴 네트워크 분석 방법

Publications (1)

Publication Number Publication Date
KR20160089770A true KR20160089770A (ko) 2016-07-28

Family

ID=56681689

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020150009390A KR20160089770A (ko) 2015-01-20 2015-01-20 뉴럴 네트워크 분석 방법

Country Status (1)

Country Link
KR (1) KR20160089770A (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210109176A (ko) 2020-02-27 2021-09-06 성민준 목욕탕 배수구의 발낌 익사사고 방지용 y-자형 배수구

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210109176A (ko) 2020-02-27 2021-09-06 성민준 목욕탕 배수구의 발낌 익사사고 방지용 y-자형 배수구

Similar Documents

Publication Publication Date Title
Mattia et al. Heterogeneous attractor cell assemblies for motor planning in premotor cortex
Taylor et al. Diverse synaptic mechanisms generate direction selectivity in the rabbit retina
Maex et al. Model circuit of spiking neurons generating directional selectivity in simple cells
Schomburg et al. The spiking component of oscillatory extracellular potentials in the rat hippocampus
Schachter et al. Dendritic spikes amplify the synaptic signal to enhance detection of motion in a simulation of the direction-selective ganglion cell
Carstens et al. Rat tail flick reflex: magnitude measurement of stimulus-response function, suppression by morphine and habituation
WO2007111542A8 (en) Medical system for monitoring and localisation of electrode leads in the heart
Ibarz et al. Bursting regimes in map-based neuron models coupled through fast threshold modulation
WO2020096736A4 (en) Cardiac stimulation system with automated optimization of his bundle pacing for cardiac resynchronization therapy
Ramezani et al. A communication theoretical modeling of axonal propagation in hippocampal pyramidal neurons
Mesin et al. Motor unit firing rates and synchronisation affect the fractal dimension of simulated surface electromyogram during isometric/isotonic contraction of vastus lateralis muscle
van Gendt et al. A fast, stochastic, and adaptive model of auditory nerve responses to cochlear implant stimulation
CN107480414A (zh) 治疗心律失常的医疗设备及其心室阈值搜索方法
Eckhorn Neural mechanisms of visual feature binding investigated with microelectrodes and models
Kim et al. A computational model that predicts behavioral sensitivity to intracortical microstimulation
Jahnke et al. Guiding synchrony through random networks
KR20160089770A (ko) 뉴럴 네트워크 분석 방법
Jung et al. Weak signal amplification and detection by higher-order sensory neurons
CN103989482A (zh) 用于幻听检测的声音刺激器及用于幻听检测的装置
Kehoe et al. Rapid accumulation of inhibition accounts for saccades curved away from distractors
Thomas et al. Genesis and role of coordinated firing in a feedforward network: a model study of the enteric nervous system
US11331494B2 (en) Brain tissue stimulation method, apparatus and computer program
KR102021977B1 (ko) 말초 운동 신경신호 측정 시스템 및 이를 이용한 말초 운동 신경신호 판별 방법
O’Shea et al. Temporal irregularity quantification and mapping of optical action potentials using wave morphology similarity
Linaro et al. Inferring network dynamics and neuron properties from population recordings

Legal Events

Date Code Title Description
WITN Withdrawal due to no request for examination