KR20170082232A - 생체 신호 분류 장치 및 방법 - Google Patents

생체 신호 분류 장치 및 방법 Download PDF

Info

Publication number
KR20170082232A
KR20170082232A KR1020160001381A KR20160001381A KR20170082232A KR 20170082232 A KR20170082232 A KR 20170082232A KR 1020160001381 A KR1020160001381 A KR 1020160001381A KR 20160001381 A KR20160001381 A KR 20160001381A KR 20170082232 A KR20170082232 A KR 20170082232A
Authority
KR
South Korea
Prior art keywords
signal
data window
bio
feature vector
feature vectors
Prior art date
Application number
KR1020160001381A
Other languages
English (en)
Other versions
KR101777734B1 (ko
Inventor
윤인찬
최귀원
김승종
김형민
김진석
한성민
박종웅
Original Assignee
한국과학기술연구원
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 한국과학기술연구원 filed Critical 한국과학기술연구원
Priority to KR1020160001381A priority Critical patent/KR101777734B1/ko
Publication of KR20170082232A publication Critical patent/KR20170082232A/ko
Application granted granted Critical
Publication of KR101777734B1 publication Critical patent/KR101777734B1/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
    • A61B5/72—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
    • A61B5/0488—
    • 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
    • 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
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
    • 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
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Physiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Neurology (AREA)
  • Neurosurgery (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

대상체로부터 생체 신호를 측정하는 전극부, 상기 생체 신호를 복수의 데이터 윈도우들로 분할하는 분할부, 각각의 데이터 윈도우에 대응되는 특징 벡터들을 추출하는 추출부 및 상기 특징 벡터들에 기초하여 상기 생체 신호를 분류하는 분류기를 포함하되, 상기 특징 벡터는 대응되는 데이터 윈도우에 포함된 스파이크의 수를 포함하는 것을 특징으로 하는, 생체 신호 분류 장치.

Description

생체 신호 분류 장치 및 방법{APPARATUS AND METHOD FOR CLASSIFYING BIO SIGNAL}
본 발명은 신호 분류 장치 및 방법에 관한 것으로, 더욱 상세하게는 미분류 스파이크 기반 패턴 인식을 이용하여 생체 신호로부터 특징 벡터를 추출하고 추출된 특징 벡터를 기초로 생체 신호에 대응되는 자극 위치 또는 의도를 검출하는 미분류 스파이크 기반 패턴 인식을 이용한 신호 분류 장치 및 방법에 관한 것이다.
마비 환자들의 상실된 기능을 재활하기 위해서 기능적 신경근 자극(functional neuromuscular stimulation; FNS)이 개발되었다. FNS 시스템에서, 전기 펄스가 손상되지 않은 말초신경(peripheral nerve)을 흥분시켜서 마비된 근육을 수축시킨다. 이러한 근육 수축은 펄스 폭, 펄스 진폭 및/또는 펄스 주파수를 변화시키는 것에 의한 자극 강도의 변화를 이용하여 변조될 수 있다.
다양한 FNS 시스템들이 현재 마비 환자들의 재활에 사용되고 있다. 그러나, 대부분의 FNS 시스템들은 연속적이거나 반복적인 사용자 입력을 필요로 하는 개-루프(open-loop) 제어 시스템으로서 설계되며, 근육을 과다하게 자극하거나, 근육을 빨리 피로하게 만들거나 조직에 손상을 입히는 경향이 있다. 따라서, 폐-루프 FNS 제어 시스템을 구축하기 위해서는 인공적이거나 또는 자연적인 감각에 기초한 피드백 신호가 요구된다.
FNS 시스템의 피드백 제어를 위해 다양한 인공 센서들이 제안되었으며, 이러한 센서들은 시스템의 근육 힘, 관절 각도, 속도 및 가속과 같은 다양한 변수들을 포함해 현재의 상태를 측정한다.
신경 신호를 기록하기 위해서 다채널 마이크로 전극이 향상된 선택성을 갖고 사용될 수 있다. 예를 들어, 다-전극 시스템으로부터 기록된 구심성 신호들은 사지(limb) 상태를 추정하기 위해서 사용된다. 이러한 신경 신호 분석은 일반적으로 인코딩 스테이지 및 디코딩 스테이지로 분리된다.
인코딩 스테이지에서, 신경 스파이킹(spiking) 활성들은 활동 빈도(firing rate), 내부-스파이크 간격 및 스파이크 수와 같은 통계적인 측정들에 의해 특징지어진다. 이와 같은 측정들은 상태 변수, 즉, 사지 위치들 또는 외부 자극들의 함수로서 모델화 된다. 디코딩 스테이지에서, 상태 변수들은 상기 인코딩 스테이지로부터 파생된 모델을 기초로 하여 관측된 통계적인 측정들로부터 추정될 수 있다.
한국등록특허 10-1422669 B1
인코딩 스테이지에서의 주요한 변화는 하나의 마이크로-전극을 이용하여 기록된 하나 이상의 신경세포로부터의 스파이크들(멀티유닛 활성)을 분류하는 것이다. 세포외(extracellular) 기록이 수행될 때, 마이크로-전극 팁(tip)이 많은 신경세포들에 가까이 위치하며, 마이크로-전극은 한 번에 하나 이상의 활성 신경세포를 탐지하는 경향이 있다.
이러한 경우, 멀티유닛 활성을 스파이크들의 그룹들로 분류하는 과정이 매우 중요하며, 이는 개별 신경세포의 활동 빈도가 디코딩 분석의 정확도에 결정적인 영향을 미치기 때문이다. 따라서, 스파이크-분류의 퍼포먼스를 향상시키기 위해 많은 방법들이 조사되어 왔다. 그러나, 스파이크 분류에 있어서, 예를 들어, 활동 신경세포의 수를 식별; 배경 노이즈로부터 스파이크들을 구별; 및 스파이크 중첩, 전극 드리프트, 비정상 배경 노이즈 및 스파이크 정렬을 처리하는 것과 같은 많은 기본적인 문제점들이 존재한다. 이에 더하여, 스파이크-분류 정확도의 높은 경지를 달성하는데 있어서, 높은 계산량, 과제 복잡성 및 높은 단계의 오퍼레이터 실험 기술이 요청된다.
시간 지연 없이 운동 과제의 자연스러운 제어를 모방하기 위해서, 폐 루프 제어 시스템은 감각 피드백(이벤트들)에 실시간으로 연속적으로 응답하여야 한다. 따라서, 운동 기능을 제어 및 분류하기 위해서는 강력하고 계산에 있어서 효율적인 감각 이벤트 탐지 알고리즘이 필요하다.
상기한 본 발명의 목적을 실현하기 위한 일 실시예에 따른, 생체 신호 분류 장치는 대상체로부터 생체 신호를 측정하는 전극부, 상기 생체 신호를 복수의 데이터 윈도우들로 분할하는 분할부, 각각의 데이터 윈도우에 대응되는 특징 벡터들을 추출하는 특징 추출부, 및 상기 특징 벡터들에 기초하여 상기 생체 신호를 분류하는 분류기를 포함하며, 상기 특징 벡터는 대응되는 데이터 윈도우에 포함된 스파이크의 수를 포함한다.
본 발명의 일 실시예에 있어서, 상기 특징 벡터는 대응되는 데이터 윈도우의 파형 길이 및 평균 절대값을 더 포함할 수 있다.
본 발명의 일 실시예에 있어서, 상기 특징 벡터는 대응되는 데이터 윈도우의 이산 퓨리에 변환에 기초한 에너지를 더 포함할 수 있다.
본 발명의 일 실시예에 있어서, 상기 특징 벡터는 웨이브릿 변환을 이용하여 대응되는 데이터 윈도우로부터 추출된 특징 벡터를 더 포함할 수 있다.
본 발명의 일 실시예에 있어서, 상기 특징 벡터는 웨이브릿 패킷 변환을 이용하여 대응되는 데이터 윈도우로부터 추출된 특징 벡터를 더 포함할 수 있다.
본 발명의 일 실시예에 있어서, 상기 특징 벡터들을 N 차원으로 투영시키는 투영부를 더 포함하되, 상기 N은 상기 특징 벡터들의 원래 차원수보다 작은 자연수일 수 있다.
본 발명의 일 실시예에 있어서, 상기 분할부는 K 번째 데이터 윈도우와 K+1 번째 데이터 윈도우가 부분적으로 중첩되도록 상기 생체 신호를 분할하며, 상기 K는 자연수일 수 있다.
본 발명의 일 실시예에 있어서, 인접하는 데이터 윈도우들의 중첩 비율은 50%일 수 있다.
본 발명의 일 실시예에 있어서, 상기 분류기는 상기 K 번째 데이터 윈도우에 연속하는 K 번째 결정 구간에서 상기 K 번째 데이터 윈도우에 대응되는 생체 신호를 분류할 수 있다.
본 발명의 일 실시예에 있어서, 상기 데이터 윈도우는 50 ms 내지 300 ms의 길이를 가질 수 있다.
본 발명의 일 실시예에 있어서, 상기 생체 신호는 신경 신호를 포함하고, 상기 분류기는 분류된 생체 신호에 기초하여 상기 신경 신호에 대응되는 자극의 위치를 검출할 수 있다.
본 발명의 일 실시예에 있어서, 상기 생체 신호는 근전도 신호를 포함하고, 상기 분류기는 분류된 생체 신호에 기초하여 상기 근전도 신호에 대응되는 대상체의 의도를 검출할 수 있다.
상기한 본 발명의 목적을 실현하기 위한 일 실시예에 따른 생체 신호 분류 방법은, 대상체로부터 생체 신호를 측정하는 단계, 상기 생체 신호를 복수의 데이터 윈도우들로 분할하는 단계, 각각의 데이터 윈도우에 대응되는 특징 벡터들을 추출하는 단계 및 상기 특징 벡터들에 기초하여 상기 생체 신호를 분류하는 단계를 포함하되, 상기 특징 벡터는 대응되는 데이터 윈도우에 포함된 스파이크의 수를 포함한다.
본 발명의 일 실시예에 있어서, 상기 특징 벡터는 대응되는 데이터 윈도우의 파형 길이 및 평균 절대값을 더 포함할 수 있다.
본 발명의 일 실시예에 있어서, 상기 특징 벡터는 대응되는 데이터 윈도우의 이산 퓨리에 변환에 기초한 에너지를 더 포함할 수 있다.
본 발명의 일 실시예에 있어서, 상기 특징 벡터는 웨이브릿 변환을 이용하여 대응되는 데이터 윈도우로부터 추출된 특징 벡터를 더 포함할 수 있다.
본 발명의 일 실시예에 있어서, 상기 특징 벡터는 웨이브릿 패킷 변환을 이용하여 대응되는 데이터 윈도우로부터 추출된 특징 벡터를 더 포함할 수 있다.
본 발명의 일 실시예에 있어서, 상기 특징 벡터들을 N 차원으로 투영시키는 단계를 더 포함하되, 상기 N은 상기 특징 벡터들의 원래 차원수보다 작은 자연수일 수 있다.
본 발명의 일 실시예에 있어서, 상기 생체 신호를 복수의 데이터 윈도우들로 분할하는 단계는, K 번째 데이터 윈도우와 K+1 번째 데이터 윈도우가 부분적으로 중첩되도록 상기 생체 신호를 분할하는 단계를 포함하며, 상기 K는 자연수일 수 있다.
본 발명의 일 실시예에 있어서, 인접하는 데이터 윈도우들의 중첩 비율은 50%일 수 있다.
본 발명의 일 실시예에 있어서, 상기 생체 신호를 분류하는 단계는 상기 K 번째 데이터 윈도우에 연속하는 K 번째 결정 구간에서 상기 K 번째 데이터 윈도우에 대응되는 생체 신호를 분류하는 단계를 포함할 수 있다.
본 발명의 일 실시예에 있어서, 상기 데이터 윈도우는 50 ms 내지 300 ms의 길이를 가질 수 있다.
본 발명의 일 실시예에 있어서, 상기 생체 신호는 신경 신호를 포함하고, 상기 생체 신호를 분류하는 단계는, 분류된 생체 신호에 기초하여 상기 신경 신호에 대응되는 자극의 위치를 검출하는 단계를 포함할 수 있다.
본 발명의 일 실시예에 있어서, 상기 생체 신호는 근전도 신호를 포함하고, 상기 생체 신호를 분류하는 단계는, 분류된 생체 신호에 기초하여 상기 근전도 신호에 대응되는 대상체의 의도를 검출하는 단계를 포함할 수 있다.
이와 같은 미분류 스파이크 기반 패턴 인식을 이용한 신호 분류 장치 및 방법에 따르면, 생체 신호에 대응되는 자극의 위치 내지는 생체 신호의 발생 의도를 높은 정확도를 갖고 분류할 수 있으며, 이벤트 탐지의 처리 시간 지연이 200 ms 보다 작을 수 있다.
도 1은 본 발명의 일 실시예에 따른 생체 신호 분류 장치를 나타내는 블록도이다.
도 2는 쥐의 좌골(sciatic) 및 두렁(saphenous) 신경 분포를 나타낸다.
도 3은 본 발명의 일 실시예에 따른 데이터 윈도우 분할을 설명하기 위한 개념도이다.
도 4는 본 발명의 일 실시예에 따른 특징 벡터 추출을 설명하기 위한 개념도이다.
이하, 첨부한 도면들을 참조하여 본 발명을 보다 상세하게 설명하고자 한다.
도 1은 본 발명의 일 실시예에 따른 생체 신호 분류 장치를 나타내는 블록도이다.
도 1을 참조하면, 생체 신호 분류 장치는 전극부(100), 분할부(200), 특징 추출부(300), 투영부(400) 및 분류기(500)를 포함할 수 있다.
전극부(100)는 대상체로부터 생체 신호를 측정할 수 있다. 일 실시예에서, 생체 신호는 신경 신호(electroneurogram; ENG)를 포함할 수 있으며, 전극부(100)는 대상체로부터 신경 신호를 측정하기 위한 전극을 포함할 수 있다. 다른 실시예에서, 생체 신호는 근전도 신호(electromyogram; EMG)를 포함할 수 있으며, 전극부(100)는 대상체로부터 근전도 신호를 측정하기 위한 전극을 포함할 수 있다.
생체 신호가 신경 신호를 포함하는 일 실시예에서, 전극부(100)는 복수의 채널을 포함하는 마이크로 전극을 포함할 수 있으나, 이에 한정되는 것은 아니다. 예를 들어, 전극부(100)는 16 채널 마이크로 전극(A1x16-5 mm-50-703-CM16, NeuroNexus Technologies, Ann Arbor, MI)을 포함할 수 있다.
전극부(100)가 배치되는 위치는 검출하고자 하는 자극의 위치에 대응하여 결정될 수 있다.
일 실시예에서, 전극부(100)는 대상체의 신경 신호를 측정하기 위하여 대상체의 좌측 제4 요추 신경절(lumbar ganglion) 내로 수직하게 삽입될 수 있다. 전극부(100)의 각각의 전극은 실리콘 기판을 갖는 5mm 길이의 단일 생크(shank)이며, 50 μm의 채널간 거리에서 1x16 레이아웃 내에 30 μm의 직경을 갖는 16 개의 이리듐 채널들로 구성될 수 있다. 기준 및 접지 와이어들은 등에서 피부 아래 위치할 수 있다.
다른 실시예에서, 전극부(100)는 대상체의 근전도 신호를 측정하기 위하여, 측정하고자 하는 근전도 신호에 대응되는 근육이 위치하는 부위에 배치될 수 있다.
신경 신호들 또는 근전도 신호들은 32 kHz 샘플링 레이트를 이용하여 기록되고, 디지털 데이터 획득 시스템(Neuralynx, Tucson, AZ)을 이용하여 300 Hz 내지 5000 Hz 사이에서 대역 통과 필터링될 수 있다.
본 발명의 일 실시예에 따른 신경 신호는 대상체의 특정 자극 위치에 인가된 자극에 대응되는 신경 신호일 수 있다. 이하에서, 전극부(100)가 대상체의 좌측 제4 요추 신경절 내로 수직하게 삽입되는 경우에 대응되는 자극의 위치에 대하여 도 2를 참조하여 자세하게 설명한다.
도 2는 쥐의 좌골(sciatic) 및 두렁(saphenous) 신경 분포를 나타낸다. 도 2를 참조하면, 좌골 신경(SciaticN)은 비골 신경, 경골 신경(TibialN) 및 장딴지 신경(SuralN)을 향해 세 갈래로 나뉘어 진다.
일 실시예에서, 쥐 뒷발의 발바닥의 피부 감수 영역(cutaneous receptive field)들이 경골 신경(TibialN), 장딴지 신경(SuralN) 및 두렁 신경(SaphenousN)에 의해 자극될 수 있다. 두렁 신경(SaphenousN)의 구심성 신경 섬유(afferent fiber)들은 L3 및 L4 후근신경절(Dorsal Root Ganglion; DRG)로부터 투영되고, 좌골 신경(SciaticN)의 구심성 신경 섬유들은 L4, L5 및 L6 후근신경절로부터 투영된다. 두렁 신경(SaphenousN) 및 좌골 신경(SciaticN)은 L4 후근신경절에서 공유되나, 그것들의 신경 세포들의 분포에는 지형적인 차이점이 있다. 신경 신호들이 L4 후근신경절로부터 기록될 때, 감각 신경세포들의 이러한 신경해부학적 분포는 두렁 및 좌골 신경세포들의 구심성 신호들을 동시에 기록하는 것을 가능하게 한다.
감각 신경들의 신경-해부학적 경로에 따라, 감각 이벤트들은 좌측 뒷발의 세 개의 다른 영역들에 대한 기계적 자극에 의해 생성될 수 있다. 예를 들어, 자극들은 장딴지 신경(SuralN), 경골 신경(TibialN) 및 두렁 신경(SaphenousN)에 의해 식별된 영역들에 순차적으로 인가될 수 있다. 이러한 자극들은 세 개의 상이한 영역들에 관련된 세 개의 상이한 구심성 신경들 내에서 신경 전도에 대한 응답을 이끌어 내는 것을 목표로 한다.
일 실시예에서, 자극의 각 세션(session)은 번갈아 나오는 자극 및 비-자극 기간들로 구성되며, 모든 감각 이벤트들이 순차적으로 18회 발생될 때까지 계속될 수 있다. 자극 및 비-자극의 기간들은 동일하게 1.5초로 설정될 수 있으며, 메트로놈을 이용하여 동기화될 수 있다. 따라서, 각각의 세션의 지속 시간은 54초에 가까울 수 있다.
감각 이벤트들은 다섯 마리의 쥐들로부터 수집되었으며, 각각의 쥐들에 대하여 십 회의 세션들이 수행되었다.
다시 도 1을 참조하면, 분할부(200)는 전극부(100)에 의해 획득된 신경 신호 또는 근전도 신호를 포함하는 생체 신호를 복수의 데이터 윈도우들로 분할할 수 있으며, 이에 대한 자세한 설명은 이하에서 도 3을 참조하여 자세하게 설명한다.
도 3은 본 발명의 일 실시예에 따른 데이터 윈도우 분할을 설명하기 위한 개념도이다.
자연스러운 운동 태스킹을 위해서, 교정 제어 명령은 실시간 감각 정보를 기초로 결정되어야 한다. 일반적으로, 감지할 수 없는 지연을 갖고 정보를 피드백 하기 위해서는 복잡하고 우수한 조작 작업이 요구되며, 감지할 수 없는 지연은 최대 300 ms까지 용인될 수 있다.
특징 추출이 데이터 윈도우 상에서 수행될 때, 짧은 데이터 윈도우는 신경 신호 또는 근전도 신호로부터 정보를 저장하기에 충분하지 않으며, 긴 데이터 윈도우는 많은 처리 시간을 필요로 한다. 따라서, 적절한 데이터 윈도우 길이가 결정될 필요가 있다.
분할부(200)는 인접하는 데이터 윈도우들이 부분적으로 중첩되도록 데이터 윈도우들을 설정할 수 있다. 예를 들어, 분할부(200)는 K 번째 데이터 윈도우와 K+1 번째 데이터 윈도우가 부분적으로 중첩되도록 신호를 분할할 수 있으며, 인접하는 데이터 윈도우들의 중첩 비율은 50%일 수 있다(K는 자연수). 예를 들어, 데이터 윈도우 2(DW2)의 전반 50% 및 후반 50%는 각각 데이터 윈도우 1(DW1)의 후반 50% 및 데이터 윈도우 3(DW3)의 전반 50%와 중첩될 수 있다.
또한, 각각의 데이터 윈도우에 대응되는 생체 신호에 대한 분류는 각각의 데이터 윈도우에 연속하는 결정 구간에서 수행될 수 있다. 결정 구간의 길이는 데이터 윈도우의 크기의 절반일 수 있다.
감지할 수 없는 처리 시간 지연을 위해서, 데이터 윈도우의 크기는 50 ms 내지 300 ms일 수 있다. 일 실시예에서, 데이터 윈도우의 길이는 200 ms로 설정될 수 있으며, 결정 구간은 100 ms로 설정될 수 있다. 이하에서는 생체 신호가 신경 신호를 포함하는 실시예를 기준으로 설명하나, 생체 신호가 근전도 신호를 포함하는 실시예의 경우에도 동일하게 적용될 수 있다.
특징 벡터는 데이터 윈도우로부터 추출된다. 실시간 구현을 위해서, 모든 감각 이벤트들은 결정 구간 내에서 탐지 되어야만 한다. 예를 들어, 구심성 신호는 두 부분, 비-자극(NS) 및 감각 이벤트 1(SE1)로 나뉜다. 감각 이벤트 1(SE1)은 3.4s (즉, 데이터 윈도우 2(DW2))에서 발생되나, 결정 1(D1)은 데이터 윈도우 1(DW1)의 비-자극 데이터 샘플들을 이용하여 결정 구간 1(DI1)에서 처리되기 때문에 결정 1(D1)은 감각 이벤트 1(SE1)을 탐지하지 못하며, 결정 2(D2)는 데이터 윈도우 2(DW2)의 감각 이벤트 1(SE1) 데이터 샘플들을 이용하여 결정 구간 2(DI2)에서 처리되기 때문에 결정 2(D2)가 감각 이벤트 1(SE1)을 탐지한다. 따라서, 3.4초에 발생된 감각 이벤트 1(SE1)은 3.6초에 결정 2(D2)에 의해 탐지될 수 있으며, 처리 시간 지연을 200 ms 이내로 제한할 수 있다.
다시 도 1을 참조하면, 특징 추출부(300)는 각각의 데이터 윈도우로부터 각각의 데이터 윈도우에 대응되는 특징 벡터들을 추출할 수 있으며, 이에 대한 자세한 설명은 이하에서 도 4를 참조하여 자세하게 설명한다.
도 4는 본 발명의 일 실시예에 따른 특징 벡터 추출을 설명하기 위한 개념도이다.
패턴 인식의 성능은 특징 선택 및 추출에 의존한다. 도 4를 참조하면, 특징 벡터를 추출하기 위해서 여섯 가지 타입의 특징 벡터들이 촉각 구심성 신호들로부터 추출될 수 있다.
스파이크 분류 기반 활동 빈도의 시계열은 단일 유닛(isolated unit)들로부터 추출되는 반면에, 스파이크 분류 없는 특징 벡터들은 각 채널의 멀티유닛 활성으로부터 구성될 수 있다. 예를 들어, 미분류 스파이크-기반 활동 빈도의 시계열, 파형 길이(waveform length; WL), 평균 절대 값(mean absolute value; MAV), 이산 퓨리에 변환(discrete Fourier transform; DFT), 웨이브릿 변환(wavelet transform; WT) 및 웨이브릿 패킷 변환(wavelet packet transform; WPT)은 스파이크 분류 없이 멀티유닛 활성으로부터 추출될 수 있다.
시간 도메인 특징 벡터 1(time domain feature vector 1; TD1)을 추출하기 위해서는 스파이크 분류-기반 활동 빈도의 시계열이 사용될 수 있다. 스파이크들은 문턱값 방식을 통해 탐지되며, 상기 문턱값은 베이스라인 노이즈의 평균에 각각의 채널에 대한 평균 값의 표준 편차에 3을 곱한 값을 더하여 계산될 수 있다. 예를 들어, 각각의 탐지된 스파이크는 각각의 200 ms 길이의 구간 내에 50개의 샘플 포인트들을 포함할 수 있다. 샘플 스파이크의 다중 교차(multiple crossing)를 방지하기 위해서, 불응기(refractory period)는 0.5 ms로 설정될 수 있다.
스파이크의 분류는, 스파이크들을 형태의 유사성에 기초하여 클러스터들로 그룹화하기 위한 가장 신뢰할 수 있고 가장 일반적으로 사용되는 방법인, PCA(principal component analysis)에 기초하여 수행될 수 있다. PCA는 주어진 기준 차원수에 대한 프로젝션 분산(projection variance)을 선형 직교 변환을 통해 최대화 한다. 원본 스파이크 데이터는 데이터의 최대 분산의 방향에 대응되는 좌표들의 새로운 세트로 변환된다. 상이한 스파이크들을 구분하기 위해서, k-평균(k-means)이 각각의 클러스터 내의 데이터의 평균으로서 클러스터 위치를 정의하기 위해 사용되며, 클러스터들의 수(k)는 1부터 5까지 다양하게 설정된다. 스파이크-분류 결과로부터, 활동 빈도는 구간 폭 동안 스파이크들의 수를 카운트 하는 것에 의해 각각의 단일 유닛으로부터 산출될 수 있다.
시간 도메인 특징 벡터 2(time domain feature vector 2; TD2)를 추출하기 위해 미분류 스파이크-기반 활동 빈도의 시계열이 사용될 수 있다. TD2를 추출하기 위해서, 각각의 채널은 단일 추정 신경세포로서 취급되며, 활동 빈도는 각각의 채널로부터 스파이크 분류 없이 카운트될 수 있고, 스파이크들은 TD1과 동일한 방법으로 탐지될 수 있다. 예를 들어, 하나의 데이터 윈도우에 대응되는 시간 도메인 특징 벡터 2(TD2)는 대응되는 데이터 윈도우에 포함된 스파이크의 수를 포함할 수 있다.
시간 도메인 특징 벡터 3(TD3)을 구성하기 위해서 TD2, 파형 길이(waveform length; WL) 및 평균 절대 값(mean absolute value; MAV)의 조합이 사용될 수 있다. 예를 들어, 하나의 데이터 윈도우에 대응되는 시간 도메인 특징 벡터 3(TD3)은 대응되는 데이터 윈도우에 포함된 스파이크의 수, 대응되는 데이터 윈도우의 파형 길(WL)이 및 대응되는 데이터 윈도우의 평균 절대값(MAV)을 포함할 수 있다.
WL은 시간 세그먼트에 걸친 파형의 누적 길이이며 신호 진폭 및 주파수에 관련된다. WL은 아래 식 1과 같이 정의된다.
[식 1]
Figure pat00001
여기서, N은 각각의 구간 내의 샘플들의 수이며, xi는 각 구간의 i 번째 샘플이다.
MAV는 신호의 절대값의 평균으로서 산출되고 신호의 활동성을 반영한다. MAV는 아래 식 2와 같이 정의된다.
[식 2]
Figure pat00002
WL 및 MAV는 계산의 단순성으로 인해, EMG 및 ENG 신호 특징 추출을 처리하는데 널리 사용된다.
시간 및 주파수 도메인 특징 벡터(time and frequency domain feature vector; TFD)를 구성하기 위해서 TD3 및 이산 퓨리에 변환(discrete Fourier transform; DFT)에 기초한 에너지 특징의 조합이 사용될 수 있다. 예를 들어, 하나의 데이터 윈도우에 대응되는 시간 및 주파수 도메인 특징 벡터(TFD)는 대응되는 데이터 윈도우에 포함된 스파이크의 수, 대응되는 데이터 윈도우의 파형 길이(WL), 대응되는 데이터 윈도우의 평균 절대값(MAV) 및 대응되는 데이터 윈도우의 이산 퓨리에 변환에 기초한 에너지(DFT)를 포함할 수 있다.
DFT에 기초한 에너지는 아래 식 3과 같이 정의된다.
[식 3]
Figure pat00003
여기서, X[k]는 이산 퓨리에 변환 계수들이다. DFT에 기초한 에너지는 신호들을 시간 도메인으로부터 주파수 도메인으로 변환할 수 있으며 신호 파워 밀도를 구할 수 있다.
시간 및 시간-주파수 도메인 특징 벡터 1(time and time-frequency domain feature vector 1; TTFD1)을 구성하기 위해서 TD3 및 웨이브릿 변환(wavelet transformation; WT)의 조합이 사용될 수 있다.
예를 들어, 하나의 데이터 윈도우에 대응되는 시간 및 시간-주파수 도메인 특징 벡터 1(TTFD1)은 대응되는 데이터 윈도우에 포함된 스파이크의 수, 대응되는 데이터 윈도우의 파형 길이(WL), 대응되는 데이터 윈도우의 평균 절대값(MAV) 및 웨이브릿 변환(WT)을 포함할 수 있다.
뉴런 활성의 생체 기록은 신경 파형의 형태들이 심장 박동 및 호흡에 의해 영향을 받기 때문에 유동적이며, 이는 마이크로 전극에 관한 전기적 활성의 위치에 작은 이동을 초래할 수 있으며 기록되는 활동 전위(action potential)의 형태 및 사이즈 양쪽 모두에 직접적으로 영향을 줄 수 있다. 더욱이, 상기 전극은 조직의 부기(swelling) 또는 이동으로 인해 원 기록 위치로부터 이전될 수 있다. WT는 생의학 신호 처리를 위해 널리 사용되며, 이는 신호의 시간 및 주파수 정보 모두를 나타내며 비-정상(non-stationary) 분석에 특히 적합하기 때문이다.
이산 웨이브릿 디콤포지션(discrete wavelet decomposition)은, 신호를 근사치 및 상세 서브-대역들로 분해할 수 있는, Mallat 알고리즘을 이용하여 구현된다. 상기 근사치 및 상세는, 스케일 함수에 대응되는, 저역 통과 필터링된 신호 요소 및, 웨이브릿 함수에 대응되는, 대역 통과 필터링된 신호 요소 각각을 나타낸다. 각각의 분해(decomposition) 레벨에서, 절반-대역(half-band) 필터들은 주파수 대역의 절반에만 걸쳐있는 신호를 생성한다. 상세 서브-대역이 온전하게 유지되는 반면에, WT 분해 과정은 근사치 서브-대역에 대해서 반복된다. 분해 레벨의 깊이는 5로서 특정되며, Symlet7 웨이브릿 및 스케일 함수들이 사용된다.
시간 및 시간-주파수 도메인 특징 벡터 2(TTFD2)를 구성하기 위해서 TD3 및 웨이브릿 패킷 변환(wavelet packet transformation; WPT)의 조합이 사용될 수 있다. 예를 들어, 하나의 데이터 윈도우에 대응되는 시간 및 시간-주파수 도메인 특징 벡터 2(TTFD2)는 대응되는 데이터 윈도우에 포함된 스파이크의 수, 대응되는 데이터 윈도우의 파형 길이(WL), 대응되는 데이터 윈도우의 평균 절대값(MAV) 및 웨이브릿 패킷 변환(WPT)을 포함할 수 있다.
WPT는 근사치 서브-대역뿐만 아니라 상세 서브-대역을 분해하는 WT의 일반화된 버전이다. 패턴 구분을 위해서, 클래스 가분성은 최선 기준의 결정에 대하여 극대화 될 수 있다. 최선 기준은 로컬 판별 기준 알고리즘(local discriminant basis algorithm)을 이용하여 직교 기준으로부터 선택된다. 각각의 클래스의 시간-주파수 에너지 맵은 대칭적인 상대 엔트로피로의 입력으로서 계산되며, 상기 대칭적인 상대 엔트로피는 판별 척도로서 사용된다. 분해 레벨은 5 이며, Symlet7 웨이브릿 및 스케일 함수가 사용된다. 추출된 웨이브릿 계수들은 신호의 에너지 분포의 간략한 묘사를 제공한다. 특징 차원들을 감소시키기 위해서, 각각의 서브-대역내의 계수들의 평균 절대 값이 WT 및 WPT 특징 벡터들로서 추출된다.
다시 도 1을 참조하면, 투영부(400)는 추출된 특징 벡터들을 원래의 차원수 보다 작은 N 차원으로 투영시킬 수 있다(N은 자연수).
시간 및 시간-주파수 도메인 특징 벡터들의 조합은 신경 신호들로부터 많은 양의 정보를 추출할 수 있게 한다. 그러나, 이러한 특징 벡터들은 높은 차원수를 갖고 표현된다. 특징 벡터들의 높은 차원수는 분류기(500)의 학습 파라미터들을 증가시키고, 분석 과정을 복잡하게 만든다. 따라서, 분류기(500)의 학습 오류들을 감소시키고 분류 정확도를 증가시키기 위해서 특징 벡터 집합의 차원수를 감소시킬 필요가 있다.
클래스 분리성을 향상시키는 반면에 특징 벡터들의 차원수를 감소시키기 위해서, PCA를 활용한 선형 비지도 특징 프로젝션(linear unsupervised feature projection)이 적용될 수 있다.
PCA는 투영된 특징들의 좌표가 연관되지 않으며, 원래 특징들의 최대 분산이 적은 수의 좌표로 보전되도록 하는 선형 직교 변환을 이용한 차원 축소 방법이다. 선형 직교 변환에 의해 원본 공분산(covariance) 행렬의 프로젝션 분산을 극대화하는, PCA는 차원수 감소를 위해 광범위하게 사용된다.
투영된 특징 벡터들의 차원수를 결정하기 위해서, 특징 벡터들에 대해 선형 차원수가 조사될 수 있다. 만약 획득된 선형 차원수가 D 라면 D 최대 고유값(eigenvalue)의 합 대 공분산 행렬의 총 고유값의 합의 비는 0.97 이상이다. 예를 들어, 만약 TTFD2를 이용하여 504-차원 특징 벡터들이 생성되고, 선형 차원수에 대한 조사 결과 D = 3이라면, 특징 벡터들은 PCA를 통해 삼차원 서브스페이스 상으로 투영된다. 먼저, 504 x 504 공분산 행렬이 구성된다. 다음으로, 공분산 행렬로부터의 세 개의 최대 고유값을 갖는 세 개의 고유 벡터들이 선택되고, 504 x 3 변환 행렬이 구성된다. 마지막으로, TTFD2 특징 벡터들이 그것들이 전치된 변환 행렬로 곱해지는 삼차원 서브스페이스 상으로 투영될 수 있다.
결과적으로, 분류기는 향상된 분류 정확성을 갖는 결정 면을 찾을 수 있다. 더욱이, 차원수 감소는 처리 시간을 감소시키고, 실시간 구현을 가능하게 한다.
다시 도 1을 참조하면, 분류기(500)는 특징 벡터들에 기초하여 생체 신호를 분류할 수 있다. 구체적으로, 분류기(500)는 데이터 윈도우로부터 추출된 후 차원이 감소된 특징 벡터들을 학습에 의해 미리 결정된 기준에 따라 분류할 수 있으며, 특징 벡터들의 분류를 통해 상기 생체 신호를 분류할 수 있다.
일 실시예에서, 생체 신호가 신경 신호를 포함하는 경우, 분류기(500)는 분류된 생체 신호에 기초하여 신경 신호에 대응되는 자극의 위치를 검출할 수 있다.
다른 실시예에서, 생체 신호가 근전도 신호를 포함하는 경우, 분류기(500)는 분류된 생체 신호에 기초하여 근전도 신호에 대응되는 대상체의 의도를 검출할 수 있다. 여기서, 대상체의 의도는 특정 근육을 움직이게 하기 위한 의도를 의미하며, 상기 의도에 의해 특정 근육으로부터 근전도 신호가 발생될 수 있다.
분류기(500)는 생체 신호를 분류하기 위한 학습 과정을 가질 수 있다. 예를 들어, 분류기(500)는 미리 정해진 자극 이벤트들 및 상기 미리 정해진 자극 이벤트에 의한 생체 신호로부터 추출되고 차원이 감소된 특징 벡터들을 이용하여 학습될 수 있다. 이와는 달리, 분류기(500)는 미리 정해진 특정 근육을 움직이게 하기 위한 의도에 의해 근육으로부터 발생된 근전도 신호로부터 추출되고 차원이 감소된 특징 벡터들 및 상기 의도를 이용하여 학습될 수 있다.
일 실시예에서, 분류기(500)는 MLP(multilayer perceptron)를 포함할 수 있다. MLP는 비선형 구분(nonlinear classification)에 있어서 널리 알려진 분류기이다. MLP는 입력 레이어, 히든(hidden) 레이어 및 출력 레이어에 의해 특징 지어진다. 레이어의 노드 각각은 상기 레이어의 다른 노드들에 연결되며, 연결 강도 및 바이어스(bias)는 오류 역 전파 알고리즘(error back-propagation algorithm)을 이용하여 조정된다.
히든 레이어의 수는 두 개로 설정되며, 각각의 히든 레이어는 10 개의 신경세포들을 갖는다. 출력 레이어는 비-자극과 함께 세 종류의 감각 이벤트들에 대응되는 4 개의 신경세포들로 구성된다. 네트워크 구조는 시행착오(trial-and-error) 절차에 의해 최적화 된다.
MLP 분류기의 분류 성능은 다른 두 개의 분류기들, KNN(k-nearest neighborhood) 및 SVM(support vector machine)과 비교된다. KNN 비교기에 있어서, k-값은 4로 설정되고, SVM 분류기는 신경망 커널(radial basis function kernel)을 이용하여 멀티클래스 문제를 해결하기 위해서 원-어게인스트-올(one-against-all) 방법을 이용하여 구현된다.
본 발명의 실시예들에 따르면, 미분류 스파이크-기반 활동 빈도의 시계열, 파형 길이, 평균 절대 값, 이산 퓨리에 변환에 기초한 에너지, 웨이브릿 변환 또는 웨이브릭 패킷 변환의 조합에 의해 추출된 특징 벡터들을 통해 감각 이벤트 탐지의 처리 시간 지연을 200 ms 보다 감소시킬 수 있으며, 본 발명에 따른 장치 및 방법은 폐 루프 제어 시스템에서의 감각 피드백에 적용될 수 있다.
100: 전극부 200: 분할부
300: 특징 추출부 400: 투영부
500: 분류기

Claims (24)

  1. 대상체로부터 생체 신호를 측정하는 전극부;
    상기 생체 신호를 복수의 데이터 윈도우들로 분할하는 분할부;
    각각의 데이터 윈도우에 대응되는 특징 벡터들을 추출하는 특징 추출부; 및
    상기 특징 벡터들에 기초하여 상기 생체 신호를 분류하는 분류기를 포함하되,
    상기 특징 벡터는
    대응되는 데이터 윈도우에 포함된 스파이크의 수를 포함하는 것을 특징으로 하는, 생체 신호 분류 장치.
  2. 제1항에 있어서, 상기 특징 벡터는
    대응되는 데이터 윈도우의 파형 길이 및 평균 절대값을 더 포함하는 것을 특징으로 하는, 생체 신호 분류 장치.
  3. 제2항에 있어서, 상기 특징 벡터는
    대응되는 데이터 윈도우의 이산 퓨리에 변환에 기초한 에너지를 더 포함하는 것을 특징으로 하는, 생체 신호 분류 장치.
  4. 제2항에 있어서, 상기 특징 벡터는
    웨이브릿 변환을 이용하여 대응되는 데이터 윈도우로부터 추출된 특징 벡터를 더 포함하는 것을 특징으로 하는, 생체 신호 분류 장치.
  5. 제2항에 있어서, 상기 특징 벡터는
    웨이브릿 패킷 변환을 이용하여 대응되는 데이터 윈도우로부터 추출된 특징 벡터를 더 포함하는 것을 특징으로 하는, 생체 신호 분류 장치.
  6. 제1항에 있어서,
    상기 특징 벡터들을 N 차원으로 투영시키는 투영부를 더 포함하되,
    상기 N은 상기 특징 벡터들의 원래 차원수보다 작은 자연수인 것을 특징으로 하는, 생체 신호 분류 장치.
  7. 제1항에 있어서, 상기 분할부는
    K 번째 데이터 윈도우와 K+1 번째 데이터 윈도우가 부분적으로 중첩되도록 상기 생체 신호를 분할하며, 상기 K는 자연수인 것을 특징으로 하는, 생체 신호 분류 장치.
  8. 제7항에 있어서,
    인접하는 데이터 윈도우들의 중첩 비율은 50%인 것을 특징으로 하는, 생체 신호 분류 장치.
  9. 제7항에 있어서, 상기 분류기는
    상기 K 번째 데이터 윈도우에 연속하는 K 번째 결정 구간에서 상기 K 번째 데이터 윈도우에 대응되는 생체 신호를 분류하는 것을 특징으로 하는, 생체 신호 분류 장치.
  10. 제1항에 있어서, 상기 데이터 윈도우는
    50 ms 내지 300 ms의 길이를 갖는 것을 특징으로 하는, 생체 신호 분류 장치.
  11. 제1항에 있어서,
    상기 생체 신호는 신경 신호를 포함하고,
    상기 분류기는 분류된 생체 신호에 기초하여 상기 신경 신호에 대응되는 자극의 위치를 검출하는 것을 특징으로 하는, 생체 신호 분류 장치.
  12. 제2항에 있어서,
    상기 생체 신호는 근전도 신호를 포함하고,
    상기 분류기는 분류된 생체 신호에 기초하여 상기 근전도 신호에 대응되는 대상체의 의도를 검출하는 것을 특징으로 하는, 생체 신호 분류 장치.
  13. 대상체로부터 생체 신호를 측정하는 단계;
    상기 생체 신호를 복수의 데이터 윈도우들로 분할하는 단계;
    각각의 데이터 윈도우에 대응되는 특징 벡터들을 추출하는 단계; 및
    상기 특징 벡터들에 기초하여 상기 생체 신호를 분류하는 단계를 포함하되,
    상기 특징 벡터는
    대응되는 데이터 윈도우에 포함된 스파이크의 수를 포함하는 것을 특징으로 하는, 생체 신호 분류 방법.
  14. 제13항에 있어서, 상기 특징 벡터는
    대응되는 데이터 윈도우의 파형 길이 및 평균 절대값을 더 포함하는 것을 특징으로 하는, 생체 신호 분류 방법.
  15. 제14항에 있어서, 상기 특징 벡터는
    대응되는 데이터 윈도우의 이산 퓨리에 변환에 기초한 에너지를 더 포함하는 것을 특징으로 하는, 생체 신호 분류 방법.
  16. 제14항에 있어서, 상기 특징 벡터는
    웨이브릿 변환을 이용하여 대응되는 데이터 윈도우로부터 추출된 특징 벡터를 더 포함하는 것을 특징으로 하는, 생체 신호 분류 방법.
  17. 제14항에 있어서, 상기 특징 벡터는
    웨이브릿 패킷 변환을 이용하여 대응되는 데이터 윈도우로부터 추출된 특징 벡터를 더 포함하는 것을 특징으로 하는, 생체 신호 분류 방법.
  18. 제13항에 있어서,
    상기 특징 벡터들을 N 차원으로 투영시키는 단계를 더 포함하되,
    상기 N은 상기 특징 벡터들의 원래 차원수보다 작은 자연수인 것을 특징으로 하는, 생체 신호 분류 방법.
  19. 제13항에 있어서, 상기 생체 신호를 복수의 데이터 윈도우들로 분할하는 단계는,
    K 번째 데이터 윈도우와 K+1 번째 데이터 윈도우가 부분적으로 중첩되도록 상기 생체 신호를 분할하는 단계를 포함하며, 상기 K는 자연수인 것을 특징으로 하는, 생체 신호 분류 방법.
  20. 제19항에 있어서,
    인접하는 데이터 윈도우들의 중첩 비율은 50%인 것을 특징으로 하는, 생체 신호 분류 방법.
  21. 제19항에 있어서, 상기 생체 신호를 분류하는 단계는
    상기 K 번째 데이터 윈도우에 연속하는 K 번째 결정 구간에서 상기 K 번째 데이터 윈도우에 대응되는 생체 신호를 분류하는 단계를 포함하는 것을 특징으로 하는, 생체 신호 분류 방법.
  22. 제13항에 있어서, 상기 데이터 윈도우는
    50 ms 내지 300 ms의 길이를 갖는 것을 특징으로 하는, 생체 신호 분류 방법.
  23. 제13항에 있어서,
    상기 생체 신호는 신경 신호를 포함하고,
    상기 생체 신호를 분류하는 단계는,
    분류된 생체 신호에 기초하여 상기 신경 신호에 대응되는 자극의 위치를 검출하는 단계를 포함하는 것을 특징으로 하는, 생체 신호 분류 방법.
  24. 제13항에 있어서,
    상기 생체 신호는 근전도 신호를 포함하고,
    상기 생체 신호를 분류하는 단계는,
    분류된 생체 신호에 기초하여 상기 근전도 신호에 대응되는 대상체의 의도를 검출하는 단계를 포함하는 것을 특징으로 하는, 생체 신호 분류 방법.
KR1020160001381A 2016-01-06 2016-01-06 생체 신호 분류 장치 및 방법 KR101777734B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020160001381A KR101777734B1 (ko) 2016-01-06 2016-01-06 생체 신호 분류 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020160001381A KR101777734B1 (ko) 2016-01-06 2016-01-06 생체 신호 분류 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20170082232A true KR20170082232A (ko) 2017-07-14
KR101777734B1 KR101777734B1 (ko) 2017-09-12

Family

ID=59358605

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160001381A KR101777734B1 (ko) 2016-01-06 2016-01-06 생체 신호 분류 장치 및 방법

Country Status (1)

Country Link
KR (1) KR101777734B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023128081A1 (ko) * 2021-12-29 2023-07-06 주식회사 아이센스 교정 알람 방법

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102247761B1 (ko) * 2019-05-17 2021-05-04 영남대학교 산학협력단 심층 학습을 이용한 심뇌 자극 시스템 및 방법, 그 방법을 이용한 기록 매체

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4482660B2 (ja) 2003-11-19 2010-06-16 広島市 神経細胞刺激部位の推定方法およびそれを用いた脳機能解析装置
JP2010257343A (ja) 2009-04-27 2010-11-11 Niigata Univ 意思伝達支援装置
KR101422669B1 (ko) * 2013-07-08 2014-07-24 한국과학기술연구원 보행 주기 검출 시스템

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023128081A1 (ko) * 2021-12-29 2023-07-06 주식회사 아이센스 교정 알람 방법

Also Published As

Publication number Publication date
KR101777734B1 (ko) 2017-09-12

Similar Documents

Publication Publication Date Title
EP0898460B1 (en) Systems for prediction, rapid detection, warning, prevention or control of changes in activity states in the brain
Kumari et al. Seizure detection in EEG using time frequency analysis and SVM
Anderson et al. Multivariate autoregressive models for classification of spontaneous electroencephalographic signals during mental tasks
US7630757B2 (en) System for the prediction, rapid detection, warning, prevention, or control of changes in activity states in the brain of a subject
Kang et al. The application of cepstral coefficients and maximum likelihood method in EMG pattern recognition [movements classification]
Freeman et al. A neurobiological theory of meaning in perception part V: Multicortical patterns of phase modulation in gamma EEG
Guo et al. A cross-correlated delay shift supervised learning method for spiking neurons with application to interictal spike detection in epilepsy
US20070213786A1 (en) Closed-loop state-dependent seizure prevention systems
Cabrerizo et al. A new parametric feature descriptor for the classification of epileptic and control EEG records in pediatric population
Cherian et al. Theoretical and methodological analysis of EEG based seizure detection and prediction: An exhaustive review
Kamath Teager Energy Based Filter‐Bank Cepstra in EEG Classification for Seizure Detection Using Radial Basis Function Neural Network
Ramos-Aguilar et al. Analysis of EEG signal processing techniques based on spectrograms
Ambulkar et al. Detection of epileptic seizure in eeg signals using window width optimized s-transform and artificial neural networks
KR101777734B1 (ko) 생체 신호 분류 장치 및 방법
Ebrahimpour et al. Epileptic seizure detection using a neural network ensemble method and wavelet transform
Begum et al. EEG based patient monitoring system for mental alertness using adaptive neuro-fuzzy approach
Holdaway et al. Classification of somatosensory-evoked potentials recorded from patients with severe head injuries
Han et al. An unsorted spike-based pattern recognition method for real-time continuous sensory event detection from dorsal root ganglion recording
Elghamry et al. Comparative analysis of various machine learning techniques for epileptic seizures detection and prediction using EEG data
Moctezuma et al. Towards an API for EEG-based imagined speech classification
Pan et al. Detection of epileptic spike-wave discharges using SVM
Mishra et al. Epileptic EEG signal classification using exponential energy and SVM
Pawar et al. Diagnosis and classification of epileptic seizure a neurological disorder using electroencephalography
Fisher et al. Epilepsy detection and monitoring
Farashi Spike detection using a multiresolution entropy based method

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant
R401 Registration of restoration