KR20170086056A - 개선된 신호 분석에 기초한 스코어링 방법 - Google Patents
개선된 신호 분석에 기초한 스코어링 방법 Download PDFInfo
- Publication number
- KR20170086056A KR20170086056A KR1020177015061A KR20177015061A KR20170086056A KR 20170086056 A KR20170086056 A KR 20170086056A KR 1020177015061 A KR1020177015061 A KR 1020177015061A KR 20177015061 A KR20177015061 A KR 20177015061A KR 20170086056 A KR20170086056 A KR 20170086056A
- Authority
- KR
- South Korea
- Prior art keywords
- covariance matrix
- subject
- score
- matrix
- neural
- Prior art date
Links
- 238000004458 analytical method Methods 0.000 title claims description 11
- 238000013077 scoring method Methods 0.000 title description 3
- 239000011159 matrix material Substances 0.000 claims abstract description 174
- 230000001537 neural effect Effects 0.000 claims abstract description 139
- 238000000034 method Methods 0.000 claims abstract description 136
- 210000004556 brain Anatomy 0.000 claims description 28
- 230000000638 stimulation Effects 0.000 claims description 25
- 230000033001 locomotion Effects 0.000 claims description 16
- 238000002595 magnetic resonance imaging Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 12
- 238000004497 NIR spectroscopy Methods 0.000 claims description 10
- 238000002600 positron emission tomography Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 7
- 238000002635 electroconvulsive therapy Methods 0.000 claims description 5
- 238000002560 therapeutic procedure Methods 0.000 claims description 5
- 230000007383 nerve stimulation Effects 0.000 claims description 4
- 210000001186 vagus nerve Anatomy 0.000 claims description 4
- 206010010904 Convulsion Diseases 0.000 claims description 3
- 230000003252 repetitive effect Effects 0.000 claims description 2
- 210000001638 cerebellum Anatomy 0.000 claims 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 26
- 230000006870 function Effects 0.000 description 22
- 230000000694 effects Effects 0.000 description 19
- 238000012360 testing method Methods 0.000 description 18
- 208000035475 disorder Diseases 0.000 description 14
- 230000007177 brain activity Effects 0.000 description 12
- 201000010099 disease Diseases 0.000 description 12
- 230000002490 cerebral effect Effects 0.000 description 11
- 238000012549 training Methods 0.000 description 10
- 208000036864 Attention deficit/hyperactivity disease Diseases 0.000 description 9
- 208000013738 Sleep Initiation and Maintenance disease Diseases 0.000 description 8
- 206010022437 insomnia Diseases 0.000 description 8
- 238000010606 normalization Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 230000000007 visual effect Effects 0.000 description 8
- 208000006096 Attention Deficit Disorder with Hyperactivity Diseases 0.000 description 7
- 208000002193 Pain Diseases 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000002566 electrocorticography Methods 0.000 description 6
- 238000002582 magnetoencephalography Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- VZCCETWTMQHEPK-QNEBEIHSSA-N gamma-linolenic acid Chemical compound CCCCC\C=C/C\C=C/C\C=C/CCCCC(O)=O VZCCETWTMQHEPK-QNEBEIHSSA-N 0.000 description 5
- 238000001228 spectrum Methods 0.000 description 5
- 230000001225 therapeutic effect Effects 0.000 description 5
- 208000024827 Alzheimer disease Diseases 0.000 description 4
- 208000015802 attention deficit-hyperactivity disease Diseases 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000004962 physiological condition Effects 0.000 description 4
- 238000013548 repetitive transcranial magnetic stimulation Methods 0.000 description 4
- 208000019901 Anxiety disease Diseases 0.000 description 3
- 208000000094 Chronic Pain Diseases 0.000 description 3
- 208000019695 Migraine disease Diseases 0.000 description 3
- 206010039897 Sedation Diseases 0.000 description 3
- 208000005298 acute pain Diseases 0.000 description 3
- 230000036506 anxiety Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000001684 chronic effect Effects 0.000 description 3
- 238000009792 diffusion process Methods 0.000 description 3
- 238000000537 electroencephalography Methods 0.000 description 3
- 238000005399 mechanical ventilation Methods 0.000 description 3
- 230000006996 mental state Effects 0.000 description 3
- 206010027599 migraine Diseases 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000036280 sedation Effects 0.000 description 3
- 230000001953 sensory effect Effects 0.000 description 3
- 230000003238 somatosensory effect Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 208000031124 Dementia Alzheimer type Diseases 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 2
- 241000124008 Mammalia Species 0.000 description 2
- 208000018737 Parkinson disease Diseases 0.000 description 2
- 208000028017 Psychotic disease Diseases 0.000 description 2
- 208000000323 Tourette Syndrome Diseases 0.000 description 2
- 208000016620 Tourette disease Diseases 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000000747 cardiac effect Effects 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 206010015037 epilepsy Diseases 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000002599 functional magnetic resonance imaging Methods 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 230000003340 mental effect Effects 0.000 description 2
- 230000000626 neurodegenerative effect Effects 0.000 description 2
- 230000010412 perfusion Effects 0.000 description 2
- 230000035790 physiological processes and functions Effects 0.000 description 2
- 208000028173 post-traumatic stress disease Diseases 0.000 description 2
- 230000029058 respiratory gaseous exchange Effects 0.000 description 2
- 210000004761 scalp Anatomy 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000000153 supplemental effect Effects 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 238000011491 transcranial magnetic stimulation Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 206010003805 Autism Diseases 0.000 description 1
- 208000020706 Autistic disease Diseases 0.000 description 1
- 208000012239 Developmental disease Diseases 0.000 description 1
- 206010061818 Disease progression Diseases 0.000 description 1
- 125000002066 L-histidyl group Chemical group [H]N1C([H])=NC(C([H])([H])[C@](C(=O)[*])([H])N([H])[H])=C1[H] 0.000 description 1
- 206010049816 Muscle tightness Diseases 0.000 description 1
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 description 1
- 229910021607 Silver chloride Inorganic materials 0.000 description 1
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001055 chewing effect Effects 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000000994 depressogenic effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000005750 disease progression Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 206010013932 dyslexia Diseases 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004424 eye movement Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000007943 implant Substances 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000002610 neuroimaging Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000000069 prophylactic effect Effects 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000002040 relaxant effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
- 229910052709 silver Inorganic materials 0.000 description 1
- 239000004332 silver Substances 0.000 description 1
- HKZLPVFGJNLROG-UHFFFAOYSA-M silver monochloride Chemical compound [Cl-].[Ag+] HKZLPVFGJNLROG-UHFFFAOYSA-M 0.000 description 1
- 229910001220 stainless steel Inorganic materials 0.000 description 1
- 239000010935 stainless steel Substances 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000009747 swallowing Effects 0.000 description 1
- 229910052718 tin Inorganic materials 0.000 description 1
- 239000011135 tin Substances 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 238000002054 transplantation Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Classifications
-
- A61B5/0482—
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
- A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
- A61B5/0042—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of 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
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
- A61B5/0075—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence by spectroscopy, i.e. measuring spectra, e.g. Raman spectroscopy, infrared absorption spectroscopy
-
- A61B5/04012—
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/242—Detecting biomagnetic fields, e.g. magnetic fields produced by bioelectric currents
- A61B5/245—Detecting biomagnetic fields, e.g. magnetic fields produced by bioelectric currents specially adapted for magnetoencephalographic [MEG] signals
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/372—Analysis of electroencephalograms
- A61B5/374—Detecting the frequency distribution of signals, e.g. detecting delta, theta, alpha, beta or gamma waves
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/375—Electroencephalography [EEG] using biofeedback
-
- 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
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4082—Diagnosing or monitoring movement diseases, e.g. Parkinson, Huntington or Tourette
-
- 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
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
-
- 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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- 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
-
- 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
- A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
-
- 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
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/037—Emission tomography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Biomedical Technology (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Neurology (AREA)
- Psychology (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Neurosurgery (AREA)
- Developmental Disabilities (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Hospice & Palliative Care (AREA)
- Child & Adolescent Psychology (AREA)
- High Energy & Nuclear Physics (AREA)
- Optics & Photonics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Educational Technology (AREA)
- Social Psychology (AREA)
- Power Engineering (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
본 발명은 k = 1...K 기준 공분산 행렬을 특징으로 하는 기준 상태에 대해 피험자의 실시간 신경 신호를 스코어링하는 방법에 관한 것으로서, 상기 방법은 (i) 피험자로부터 신경 신호를 획득하는 단계; (ii) 상기 신경 신호의 공분산 행렬을 계산하는 단계; (iii) 공분산 행렬과 k = 1...K 기준 공분산 행렬 사이의 리만 거리를 계산하는 단계; (iv) 단계 (iii)에서 계산된 거리 중 적어도 하나에 기초하여 실시간으로 연속 점수 s를 계산하는 단계를 포함한다. 본 발명은 또한 피험자의 신경 활동의 자기-조절 변조 또는 외부 변조를 위한 시스템 및 방법에 관한 것이다.
Description
본 발명은 스코어링 방법, 특히 리만 다양체(Riemannian manifold)에서 신경 신호 분석에 기초하여 피험자의 신경 활동을 스코어링하는 방법에 관한 것이다. 특히, 본 발명은 기준 상태에 관한 피험자의 신경 신호의 실시간 스코어링 방법에 관한 것이다. 상기 방법은 근본적인 뇌 활동의 외부 또는 자기-조절 변조에 사용될 수 있다.
기준- 또는 목표-상태에 대한 피험자의 신경 활동의 위치를 실시간으로 확인하는 것이 도전 과제이며 많은 이점을 제공한다. 점수 형태로 추정되는 기준 상태에 대한 상기 위치는 자기-조절 변조 또는 외부 변조를 위해 후속적으로 사용될 수 있다. 핵심 요소 중 하나는 피험자의 신경 활동을 안정적이고 견고하게 분석하고 보고할 수 있는 능력이다. 본 발명에서, 신경 신호는 공분산 행렬로 명명된 기술자(descriptor)를 통해 특징지어진다. 공분산 행렬은 피험자의 두뇌 활동에 대한 좋은 지표가 된다.
상기 접근법은 참고문헌[Barachant et al. (US2012/0071780)] 및 참고문헌[Similowski et al. (WO2013/164462)]에서 이미 사용되었다.
그러나, 출원인이 알고 있는 바로는, 리만 다양체의 공분산 행렬을 사용하여 기준 상태에 대한 피험자의 두뇌 활동의 연속 스코어링에 대한 선행 기술은 존재하지 않는다.
참고문헌[Barachant]은 참고문헌[US 2012/0071780]에서 신경 신호를 분류하는 분류 방법을 개시하며, 이 방법은 다음 단계를 포함한다:
a) 복수의 신경 신호 샘플을 획득하기 위해 결정된 시간 기간에 걸쳐 복수의 전극을 사용하는 단계;
b) 중첩되지 않은 윈도우 상에서 상기 신경 신호들의 공분산 행렬을 추정하는 단계; 및
c) 상기 신경 신호를 분류하는 단계로서, 상기 분류는, 상기 공분산 행렬의 차원과 동일한 차원의 대칭 양정부호 행렬의 리만 다양체에서; 또는 상기 리만 다양체의 접선 공간에서 수행되는, 상기 분류 단계.
참고문헌[Barachant]은 이중 및 다중 분류를 기술한다. 특히, 참고문헌[Barachant]은 리만 다양체에서 신경 신호를 분류하는 방법을 개시한다. 원리는 리만 다양체에서 소위 "클래스 중심(class center)" 점, 예를 들어 두 가지 구별되는 정신적 과제: 손을 움직이는 것을 상상하는 것과 발을 움직이는 것을 상상하는 것에 대응하는 P1과 P2를 규정하는 것이다. 리만 거리는 분류될 대뇌 활동 시험의 공분산 행렬과 대응하는 클래스 중심점 사이에서 계산된다. 대뇌 활동 시험의 공분산 행렬과 점 P1 사이의 리만 거리가 대뇌 활동 시험의 공분산 행렬과 점 P2 사이의 리만 거리보다 작은 경우, 대뇌 활동의 상기 시험은 클래스 1(손을 움직임)과 연관되고, 그렇지 않으면 클래스 2(발을 움직임)와 연관된다. 최종적으로, 분류 단계는 클래스 중심에 대한 최소 거리만을 고려한다.
참고문헌[Similowski]은 상기 환자의 대뇌 전기 활동의 분석으로부터 환자의 생리 상태를 특징짓는 방법을 개시한다. 특히, 참고문헌[Similowski]은 기준 생리 학적 상태로부터 벗어난 환자의 생리학적 상태를 검출하는 방법을 기술한다. 상기 방법은 먼저 기준 생리학적 상태에 대응하는 몇몇 기준 행렬의 결정을 포함한 다음, 다음 단계가 루프 내에서 반복된다:
a) 뇌파계의 신호의 실시간 측정을 수행하고 상이한 주파수 대역의 측정치를 필터링하는 단계;
b) 각 주파수 대역에 대해, 윈도우/에포크(epoch) 상에서의 상기 측정들의 공간 공분산 행렬을 추정하는 단계;
c) M개의 최종 에포크 각각에 대해, 현재 공간 공분산과 기준 공간 공분산 행렬 사이의 최소 거리의 주파수 대역에 걸친 합으로서 규정되는 기준 생리학적 상태로부터의 거리를 계산하는 단계; 및
d) M개의 거리 각각을 미리 규정된 임계값과 비교하는 단계. M개의 거리 중 하나가 임계값을 초과하면 비정상적인 생리적 상태가 검출된 것으로 간주된다.
참고문헌[Barachant et al.]은 최소 거리를 갖는 클래스에 그들을 할당함으로써 신경 신호를 분류하는 방법을 개시하고, 참고문헌[Similowski et al.]은 신경 신호와 기준 상태 사이의 거리를 미리 규정된 임계값과 비교함으로써 생리학적 상태를 검출하는 방법을 개시한다. 이 두 가지 방법은 공분산 행렬 간 거리의 기본 처리를 적용하여 최종적으로 이산 값(분류를 위한 클래스 라벨 또는 검출용 2진법의 상태)을 획득한다.
본 발명의 목적 중 하나는 피험자에게 기준-또는 목표-상태에 대한 그의 신경 활동의 위치를 실시간으로 보고하고, 선택적으로 상기 피험자가 그의 신경 활동을 자기-조절 변조 또는 외부 변조에 의해 목표 상태쪽으로 변조할 수 있게 하는 것이다.
이를 위해, 본 발명은 기준 상태에 관한 피험자의 신경 신호를 스코어링하는 방법을 제공하며, 점수는 거리의 변환으로서 규정되어, 미리 결정된 경계들 사이의 연속적이고 한정된 값을 보장한다.
이에 반해, 참고문헌[Barachant et al.] 및 참고문헌[Similowski et al.]에 의해 제공된 미가공 거리(raw distances)는 피험자에게 무의미하다.
본 발명은 기준 상태에 관한 피험자의 신경 신호의 스코어링을 실시간으로 보고함으로써 피험자의 신경 활동의 연속적인 피드백을 제공한다.
본 발명은 기준 상태에 관한 피험자의 신경 신호의 스코어링을 실시간으로 보고함으로써 피험자의 신경 활동의 연속적인 피드백을 제공한다.
적어도 2개의 클래스 사이에서 신경 신호를 분류하는 참고문헌[Barachant et al.]과 신경 신호가 클래스에 속하는지 아닌지(즉, 임계값을 초과하는지)를 검출하는 참고문헌[Similowski et al.]과는 대조적으로, 본 발명은 기준 상태와 관련하여 신경 신호를 연속적이고 한정적으로 스코어링함으로써, 단일 기준 상태와 관련하여 피험자의 신경 활동을 연속적으로 위치설정한다.
거리를 점수로 변환하는 것은 비-선형 함수 덕분에 이루어지며 잠재적인 하이퍼-파라미터는 피험자의 베이스라인 상태에 맞게 조정된다. 이는 2개의 미리 결정된 경계 사이의 전체 범위에서 사용되고 있는 점수를 가지도록 허용하여, 피험자에게 항상 좋은 점수를 주기나 반대로 항상 나쁜 점수를 주는 것을 회피한다.
또 다른 점은 처리의 속도와 지연에 관련된다. 참고문헌[Barachant et al.]은 공분산 행렬을 추출하고 그 분류를 적용하기 위해 시험 종료(약 3초)를 기다린다. 즉, 이 프레임워크는 실-시간 처리에 도달할 수 없다. 참고문헌[Similowski et al.]은 공분산 행렬을 추출하기 위해 4초 내지 12초의 모바일 윈도우를 사용한다. 또한, 검출 단계는 최종 M개의 행렬을 고려한다. 처리가 실-시간인 경우, 윈도우의 길이 및 고려된 행렬의 수 M이 너무 높아서 실-시간 응답 시스템을 갖지 못한다: 이는 뇌 활동의 시간적으로 부드러운 이미지를 제공하며, 이는 뉴로피드백(neurofeedback)에 적합하지 않다. 이들 접근법과는 반대로, 본 발명은 중첩된 윈도우들, 예를 들어 모든 0.125초의 1.5초 에포크 상의 공분산 행렬을 추출하여 실제로 현재의 뇌 상태를 포착한다.
본 발명은 개선된 스코어링 방법을 개시한다. 본 발명에서, 피험자의 신경 활동은 실시간으로 분석되고, 기준 상태에 대한 신경 활동의 위치는 한정된 연속 점수에 의해 상기 피험자에게 지속적으로 그리고 신뢰성있게 보고된다. 상기 피험자는 자신의 신경 활동을 변조 및 수정하고, 자기-조절 변조 또는 외부 변조에 의해 상기 기준 상태쪽으로 신경 활동을 수행하기 위해 상기 진화(evolution)를 실시간으로 모니터링 할 수 있다.
본 발명은 특히, k = 1...K 기준 공분산 행렬을 특징으로 하는 기준 상태에 대해 피험자의 신경 신호를 실시간 스코어링하는 방법에 관한 것으로서, 상기 방법은 다음 단계:
ⅰ. 피험자로부터 신경 신호를 획득하는 단계;
ⅱ. 상기 신경의 공분산 행렬을 계산하는 단계;
ⅲ. 상기 공분산 행렬과 k = 1...K 기준 공분산 행렬 사이의 리만 거리 dk를 계산하는 단계;
ⅳ. 단계 ⅲ에서 계산된 거리 dk 중 적어도 하나에 기초하여 실시간으로 연속 점수 s를 계산하는 단계를 포함한다.
일 구현예에 따라, 상기 점수는 2개의 미리 결정된 값 a와 b 사이로 한정된다.
k = 1...K 기준 공분산 행렬을 특징으로 하는 기준 상태에 대해 피험자의 적어도 하나의 신경 신호를 실시간으로 스코어링하는 방법에 관한 것으로서, 상기 방법은:
ⅰ. 피험자로부터 적어도 하나의 신경 신호를 획득하는 단계;
ⅱ. 적어도 하나의 주파수 대역에서 적어도 하나의 신호를 필터링하는 단계; 선택적으로 적어도 하나의 필터링된 신호를 연결하는(concatenate) 단계;
ⅲ. 상기 적어도 하나의 필터링된 신경 신호의 공분산 행렬을 계산하는 단계;
ⅳ. 상기 공분산 행렬과 k = 1...K 기준 공분산 행렬 사이의 리만 거리 dk를 계산하는 단계를 포함하고, 상기 방법은 점수 s를 계산하는 단계를 더 포함하고, 상기 점수 s는 연속적이고, 실시간으로 계산되고, 2개의 미리 결정된 값 사이로 한정되고, 단계 ⅳ에서 계산된 거리 dk 중 적어도 하나에 기초한다.
일 구현예에 따라, 점수는 또한:
- 베이스라인 상태를 특성으로 하는 r = 1...R 베이스라인 공분산 행렬을 획득하는 단계;
- 상기 r = 1...R 베이스라인 공분산 행렬과 k = 1 ...K 기준 공분산 행렬 사이의 리만 거리 dr을 계산하는 단계
에 따라 획득된 거리 dr 중 적어도 하나에 기초한다.
일 구현예에 따라, 점수는 거리 dk 중 적어도 하나에, 거리 dr의 기하 평균에 그리고 거리 dr의 기하 표준 편차에 기초한다.
일 구현예에 따라, 적어도 2개의 신경 신호가 획득되고, 적어도 2개의 주파수 대역에서 필터링되고 연결된다.
일 구현예에 따라, 공분산 행렬은 공간주파수 공분산 행렬이다.
일 구현예에 따라, 적어도 하나의 신경 신호는 뇌파 측정법, 뇌전도 검사, 자기 뇌파 검사, 자기 공명 영상, 근적외선 분광법, 양전자 방출 단층 촬영 또는 입체 뇌파 검사에 의해 획득된다. 일 구현예에 따라, 점수 s는 연속적이고 한정된다. 일 구현예에 따라, 단계 i는 바람직하게는 필터링에 의해 상기 적어도 하나의 신경 신호의 전처리를 또한 포함한다. 일 구현예에 따라, 공분산 행렬은 공간주파수 공분산 행렬이다.
일 구현예에 따라, 리만 거리는 상기 공분산 행렬의 차원과 동일한 차원의 대칭 양정부호 행렬의 리만 다양체에서 추정된다.
일 구현예에 따라, k = 1...K 기준 공분산 행렬은 데이터베이스로부터의 기준 상태에 대한 신경 신호 특성의 P 공분산 행렬로부터 리만 클러스터링 방법에 의해 획득된다. 일 구현예에 따라, 리만 클러스터링 방법은 평균-이동(mean-shift), k-평균(k-means), 애버리지 또는 주요 측지 분석(principal geodesic analysis)으로부터 선택된다.
일 구현예에 따라, k = 1...K 기준 공분산 행렬은:
ⅰ. 데이터베이스로부터 신경 신호의 p = 1...P 공분산 행렬 Xp를 획득하고 q = 1...Q, p = q 및 Mq = Xp에 대해서와 같이, Q = P 모드의 초기화를 규정하는 단계;
ⅱ. 하이퍼-파라미터 h 및 커널 윈도우 g를 규정하는 단계;
ⅲ. 각각의 모드 Mq에 대해:
a. Mq와 각각의 행렬 Xp 사이의 P 거리 d(Mq, Xp)를 계산하는 단계;
b. 접선 벡터의 가중된 합으로서 평균 이동 벡터 mh(Mq)
c. 그 다음, Mq = ExpMq(mh(Mq))를 계산하는 단계로서, ExpMq는 접선 공간 상의 점과 리만 다양체 상의 점을 연결한 지수 맵인, 상기 계산 단계;
d. 평균 이동 벡터 mh(Mq)가 임계값보다 높으면, 단계 a 내지 단계 c를 반복하는 단계;
e. 평균 이동 벡터가 임계값보다 낮으면, Mq을 로컬 모드로 유지하는 단계;
ⅳ. h보다 낮은 거리와 모드의 결합에 의해 K개의 구별되는 로컬 모드를 획득하는 단계
에 따라 평균-이동에 의해 획득된다.
대안적인 구현예에 따라, k = 1...K 기준 공분산 행렬은:
ⅰ. 하이퍼-파라미터 K를 규정하는 단계;
ⅱ. 데이터베이스로부터 신경 신호의 p = 1...P 공분산 행렬 Xp를 획득하고 k = 1...K 기준 Mk(상기 데이터베이스로부터 랜덤한 또는 임의의 속성)의 초기화를 규정하는 단계;
ⅲ. 각각의 행렬 Xp에 대해:
a. Xp와 각각의 행렬 Mk 사이의 K 거리 d(Mk, Xp)를 계산하는 단계;
b. 최소 거리가 주어지면 행렬 Xp를 클러스터 Kp
ⅳ. 각각의 클러스터에 귀속된 행렬의 리만 평균(means)으로서 상기 K 기준 행렬을 업데이트하는 단계:
ⅴ. 
;
ⅵ. K 기준 행렬이 하나의 반복(iteration)으로부터 다른 반복으로 더 이상 변하지 않을 때까지 단계 ⅲ 및 단계 ⅳ를 반복하는 단계
에 따라 k-평균에 의해 획득된다.
일 구현예에 따라, k = 1...K 기준 공분산 행렬은 적어도 하나의 피험자-특정 공분산 행렬을 더 포함한다.
본 발명은 또한 피험자의 신경 활동의 자기-조절 변조 또는 외부 변조를 위한 시스템에 관한 것으로서, 상기 시스템은:
- 피험자로부터 적어도 하나의 신경 신호를 획득하기 위한 획득 수단;
- 본 발명에 따른 방법을 구현하기 위한 컴퓨팅 장치;
- 점수 s를 보고하기 위한 출력 수단을 포함한다.
본 발명은 또한 기준 상태에 도달하기 위해 피험자의 신경 활동의 자기-조절 변조를 위한 방법에 관한 것으로서, 상기 방법은; 연속적으로
- 피험자로부터 적어도 하나의 신경 신호를 획득하는 단계; 및
- 본 발명에 따른 방법에 의해 획득된 점수 s를 상기 피험자에게 실시간 보고하는 단계를 포함한다.
일 구현예에 따라, 자기-조절 변조를 위한 상기 방법은 비-치료적이다.
본 발명은 또한 기준 상태에 도달하기 위해 피험자의 신경 활동의 외부 변조를 위한 방법에 관한 것으로서, 상기 방법은:
- 피험자로부터 적어도 하나의 신경 신호를 획득하는 단계;
- 본 발명에 따른 방법에 의해 획득된 점수 s를 조작자에게 실시간으로 보고하는 단계; 및
- 점수 s를 기준 상태에 의해 규정된 목표 점수쪽으로 변조하기 위해 피험자에 외부 변조를 적용하는 단계를 포함한다.
일 구현예에 따라, 외부 변조를 위한 상기 방법은 비-치료적이다.
일 구현예에 따라, 외부 변조는 심뇌 자극, 간접 뇌 자극, 전기 경련 요법, 자기 경련 요법, 경두개 직류 자극, 경두개 자기 자극, 반복 경두개 자기 자극 또는 미주 신경 자극에 의해 적용된다. 일 구현예에 따라, 외부 변조는 또한 임의의 감각 자극(청각, 시각, 체성 감각)과 같은 간접 뇌 자극을 포함한다.
정의
본 발명에서, 하기 용어는 다음과 같은 의미를 갖는다:
- 본 명세서에 사용된 단수 형태("a", "an" 및 "the")는 문맥상 명확하게 달리 지시하지 않는 한 복수 참조를 포함한다.
- 용어 "약(about)"은 본 명세서에서 대략, 거의, 약, 또는 정도를 지칭한다. 용어 "약"이 수치 범위와 함께 사용될 때, 명시된 수치 값의 위와 아래로 경계를 확장함으로써 해당 범위를 수정한다. 일반적으로, 용어 "약"은 본원에서 20%, 바람직하게는 5%의 편차로 표시된 값의 위와 아래의 수치 값을 수정하기 위해 사용된다.
- "베이스라인 상태(baseline state)"는 피험자, 피험자의 모집단 또는 기준 상태가 아닌 비-기준 상태의 모집단의 정신 상태를 지칭한다.
- "한정됨(bounded)": 점수 값의 세트가 한정되면, 점수 s가 한정된다. 즉,
│s│≤ b인 실수 b가 존재한다.
- "교정된 점수(calibrated score)"는 점수 s를 나타내며, 평균 및 표준 편차는 계수가 이전에 획득된 데이터로부터 유도되는 수학적 변환을 사용하여 원하는 값으로 설정된다.
- "컴퓨팅 장치(computing device)"는 컴퓨터-기반 시스템 또는 프로세서-내장 시스템 또는 컴퓨터 프로그램의 명령을 인출(fetch)하여 실행할 수 있는 기타 시스템을 지칭한다.
- "불편(discomfort)"은 안락함 또는 행복감의 부재 또는 감소를 지칭한다. 일 구현예에서, 불편은 통증의 존재와 관련될 수 있다.
- "질병, 장애 또는 병태(disease, disorder or condition)"는 신체적 또는 정신적 체계가 영향을 받는 결함 있는 건강 상태를 지칭한다.
- "전극(electrode)"은 회로의 비금속성 부분과 전기 접촉을 확립하는데 사용되는 도체를 지칭한다. 예를 들어 EEG 전극은 일반적으로 스테인레스 스틸, 주석, 금, 은으로 만들어지고 염화은 코팅으로 덮힌 작은 금속 디스크이다; 특정 위치의 두피 상에 놓인다.
- "뇌전도(electroencephalogram)" 또는 "EEG"는 뇌파계에 의해 만들어진, 두피로부터 뇌의 전기적 활동을 기록함에 의한 뇌파의 흔적을 지칭한다.
- 뇌파계(electroencephalograph)는 뇌파를 탐지하고 기록하는 장치를 지칭한다.
- "에포크(epoch)"는 신경 신호가 획득되는 결정된 기간을 지칭한다.
- "외부 또는 유도된 변조(external or induced modulation)"는 피험자에 의해 유도되지 않는 뇌 활동의 변조를 지칭한다. 상기 변조는 다음의 방법을 포함할 수 있다:
o 심뇌 자극(DBS: Deep brain stimulation);
o 전기 경련 요법(ECT: Electroconvulsive therapy);
o 자기 경련 요법(MST: Magnetic seizure therapy);
o 경두개 직류 자극(tDCS: Transcranial direct current stimulation);
o 경두개 자기 자극(TMS: Transcranial magnetic stimulation);
o 반복 경두개 자기 자극(rTMS: Repetitive transcranial magnetic stimulation); 또는
o 미주 신경 자극(VNS: Vagus nerve stimulation).
외부 변조는 또한 당업자에게 공지된 뇌 활동에 영향을 미치는 임의의 자극 방법, 예를 들면 약물(진정작용) 또는 조정(기계적 환기)을 포함한다. 이러한 자극은 또한 감각 신경 구심부(sensory neural afferences): 청각, 시각, 체성 감각 자극을 통해 간접적으로 뇌에 영향을 미칠 수 있다. 외부 변조는 또한 뇌의 특정 영역에 관심 있는 주파수에서 뇌 활동을 유도하기 위해 상이한 위상 주파수에서 뇌의 두 반구 요소의 동시 자극을 포함할 수 있다(예를 들어, 청각 자극을 위한 바이노럴 비트(binaural beats)).
- "신경 신호(neural signals)"는 본 명세서에서 신경 활동을 측정함으로써 획득되는 신호를 지칭한다. 상기 신경 활동은:
o 심뇌 전극;
o 뇌파 측정법(ECoG: Electrocorticography);
o 뇌 전도 검사(EEG);
o 자기 뇌파 검사(MEG: Magnetoencephalography);
- 자기 공명 영상(MRI): 확산 MRI, 관류 MRI, 기능적 MRI(fMRI);
- 근적외선 분광법(NIRS: Near-infrared spectroscopy);
- 양전자 방출 단층 촬영(PET: Positron emission tomography); 또는
- 입체 뇌파 검사(SEEG: Stereoelectroencephalography)에 의해 측정될 수 있다.
본 발명은 본 발명은 적어도 하나의 신경 신호 또는 신경 신호들의 획득 및 치료에 관한 것이다.
- "실시간(real time)"은 출력이 시간 지연 내에서 주어지고 시간 지연은 변조의 기본 작업을 적절히 수행하는데 필요한 시간 지연보다 작은 것으로 간주되는 프로세스를 지칭한다. 따라서, 자기-조절 변조의 경우, 실시간이란 700ms 미만, 바람직하게는 500ms 미만, 더욱 바람직하게는 400ms 미만, 더욱 더 바람직하게는 250ms 미만의 시간 내에 구현되는 프로세스를 지칭한다. 외부 변조의 경우, 실시간은 외부 변조의 주파수에 따라, 10min 미만, 1min 미만; 30s 미만, 1s 미만 또는 700ms 미만의 시간 내에 구현되는 프로세스를 지칭한다.
- "기준 상태(reference state)"는 예를 들어 눈-뜬 휴식, 눈-감은 휴식, 이완, 명상, 집중, 특정 생각에 초점 맞추기 등과 같이, 결정된 과제를 수행하는 피험자 또는 피험자 모집단의 대뇌 상태의 모델링을 지칭한다.
- "리만 다양체(Riemannian manifold)"는 유클리드 공간에 국부적으로 위상 동형이며 충분히 일정한 스칼라 곱이 정의되는 차별화 가능한 위상 공간을 지칭한다. 스칼라 곱은 리만 다양체 상에 리만 기하학을 규정하는 것을 가능하게 한다.
- "점수(score)"는 본 발명에 따라 미가공 거리에 대해 획득되거나 계산된 임의의 값을 지칭한다. 본 발명의 의미에서, 점수는 기준 상태에 대한 피험자의 신경 활동의 위치를 특징짓는 경계값이다. 점수는 정의된 두 값 사이의 전체 범위에서 사용되고 있는 피험자가 이해할 수 있는 값이다.
- "자기-조절 변조(self-paced modulation)"는 피험자에 의해 유도된 뇌 활동의 변조를 지칭한다. 본 발명의 의미에서, 자기-조절 변조는 뉴로피드백과 동일한 의미를 지니며, 점수 s를 실시간으로 조작하여 뇌의 전기적 활동을 제어하는 피험자의 능력을 의미한다. 자기-조절 변조는 피험자에게 주어진 미리 규정된 명령과 같은 인지적 전략을 포함할 수 있다.
- "피험자(subject)"는 포유동물, 바람직하게는 인간을 지칭한다. 본 발명의 의미에서, 피험자는 환자, 즉 의학적 관심을 받는 사람, 의학적 치료를 받거나 받아온 사람, 또는 발병을 모니터링하는 사람일 수 있다.
- "대칭 양정부호(SPD) 행렬(symmetric positive definite(SPD) matrix)"은 대각선(즉, Aij=Aji)에 대해 대칭이고 엄격히 양의 고유값을 갖는 정방 행렬을 지칭한다. C*C 차원의 SPD 행렬은 C(C+1)/2 독립 요소를 가진다; 따라서 C(C+1)/2 차원의 유클리드 공간에 의해 국부적으로 근사될 수 있다. SPD 공간이 리만 다양체의 구조를 가지고 있음을 보여주는 것이 가능하다. 공분산 행렬은 대칭적인 양정부호 행렬인 것으로 알려져 있다.
- "치료하는(treating)" 또는 "치료(treatment)" 또는 "완화(alleviation)"는 치료법(therapeutic treatment) 및 예방 또는 예방적 조치 모두를 지칭한다; 목적은 표적화된 병리학적 상태 또는 장애를 예방 또는 감쇠(감소)시키는 것이다. 치료가 필요한 사람들은 이미 장애가 있는 사람들과 장애를 가질 경향이 있는 사람들 또는 장애가 예방되어야 하는 사람들을 포함한다. 본 발명의 방법에 따라 치료를 받은 후에, 환자가 더 낮은 점수를 보이는 경우, 피험자 또는 포유동물은 성공적으로 "치료된다."
상세한 설명
본 발명은 k = 1...K 기준 공분산 행렬을 특징으로 하는 기준 상태에 대해 피험자의 신경 신호를 실시간으로 스코어링하는 방법에 관한 것으로서, 상기 방법은:
ⅰ. 피험자로부터 신경 신호를 획득하는 단계;
ⅱ. 상기 신경 신호의 공분산 행렬을 계산하는 단계;
ⅲ. 공분산 행렬과 k = 1...K 기준 행렬 사이의 리만 거리를 계산하는 단계;
ⅳ. 단계 ⅲ에서 추정된 거리에 기초하여 연속 점수 s를 계산하는 단계를 포함한다.
일 구현예에 따라, 신경 신호는 자기 공명 영상(MRI), 바람직하게는 fMRI, 확산 MRI 또는 관류 MRI를 사용하여 획득된다. 다른 구현예에 따라, 신경 신호는 근적외선 분광법(NIRS)을 사용하여 획득된다. 일 구현예에 따라, 신경 신호는 자기 뇌파 검사(MEG)를 사용하여 획득된다. 일 구현예에 따라, 신경 신호는 뇌파 측정법(ECoG)을 사용하여 획득된다. 일 구현예에 따라, 신경 신호는 뇌 전도 검사(EEG)를 사용하여 획득된다. 상기 구현예에서, 다양한 형태의 적절한 헤드셋 또는 전극 시스템이 이러한 신경 신호를 획득하기 위해 이용 가능하다. 예는, Emotiv에서 상용화된 Epoc 헤드셋, Neurosky에서 상용화된 Mindset 헤드셋, SenseLabs에서 상용화된 Versus 헤드셋, Wearable sensing에서 상용화된 DSI 6 헤드셋, BrainProducts에서 상용화된 Xpress 시스템, TMSi로부터 상용화된 Mobita 시스템, TMSi로부터 상용화된 Porti32 시스템, BrainProducts에서 상용화된 ActiChamp 시스템 및 EGI에서 상용화된 Geodesic 시스템을 포함하지만, 이에 제한되지 않는다. 일 구현예에 따라, 신경 신호는 양전자 방출 단층 촬영(PET)을 사용하여 획득된다. 일 구현예에 따라, 신경 신호는 입체 뇌파 검사(SEEG)를 사용하여 획득된다. 일 구현예에 따라, 신경 신호는 이식된 미소 전극 어레이를 사용하여 수집된다. 일 구현예에 따라, 신경 신호는 심뇌 이식을 사용하여 수집된다. 일 구현예에 따라, 신경 신호는 당업자에게 공지된 임의의 대뇌 영상 기술을 사용하여 획득된다. 일 구현예에 따라, 신경 신호는 센서 및/또는 전극의 세트를 사용하여 획득된다. 일 구현예에 따라, 신경 신호는 적어도 4, 8, 10, 15, 16, 17, 18, 19, 20, 25, 50, 75, 100, 150, 200, 250 전극에 의해 획득된다.
일 구현예에 따라, 분석된 신경 신호는 미가공 신경 신호 또는 재구성된 신경 신호이다. 일 구현예에 따라, 분석된 신경 신호는 분석하기 전에 미가공 신호로부터 재구성된다. 일 구현예에 따라, 신경 신호는 당업자에게 공지된 임의의 방법에 의해 재구성된 신경 신호로부터 획득된다. 일 구현예에 따라, 신경 신호는 양전자 방출 단층 촬영(PET)을 사용하여 수집된다. 일 구현예에 따라, 신호는 저해상도 뇌 전자기 단층 촬영(LORETA: low resolution brain electromagnetic tomography)을 사용하여 획득된다.
전체 획득 시간은 본 기술 분야에서 에포크로 알려진 기간으로 세분된다. 각 에포크는 상기 에포크 동안 획득된 시공간 신호를 나타내는 행렬 
과 연관된다. 시공간 신경 신호 
는 C 채널, 전극 또는 센서 및 N 시간 샘플로 구성된다. 예를 들어, 피험자에게는 신경 신호 획득을 위한 C 전극이 장착된다. 각각의 전극 c = 1...C는 시간의 함수로서 신호 Xc(n)을 전달한다. 신호는 이산 시간: X(c, n) = Xc(n)에서 작동하도록 샘플링된 다음 디지털화된다. 이것은 신경 신호 세트의 행렬 표현을 만들었다. 일 구현예에 따라, 실시간 프로세싱을 보장하기 위해, 연속적인 에포크가 중첩된다.
일 구현예에 따라, 공분산 행렬은 공간 공분산 행렬이다. 일 구현예에서, 공간 공분산 행렬은 다음과 같이 계산될 수 있다:
일 구현예에 따라, 신호는 전-처리된다. 일 구현예에 따라, 신호는 중심에 집중된다. 일 구현예에 따라, 신호는 필터링된다. 일 구현예에 따라, 신호는 잡음 제거된다. 일 구현예에 따라, 신호는 클리닝된다. 일 구현예에 따라, 신호는 주파수-필터링된다. 일 구현예에 따라, 주파수 필터링의 차단 주파수는 임의로 선택된다. 다른 구현예에 따르면, 주파수 필터링의 차단 주파수는 예비 주파수 연구로 인해 최적화된다.
일 구현예에 따라, 공분산 행렬은 정규화된다. 일 구현예에 따라, 공분산 행렬은 트레이스를 1로 만드는 트레이스-정규화된다:
일 구현예에 따라, 공분산 행렬은 행렬식을 1로 만드는 행렬식-정규화된다:
정규화 단계, 특히 행렬식 정규화는 세션-대-세션 및/또는 피험자-대-피험자 전달 학습을 허용한다; 한 레코딩에서 다른 레코딩으로 변동의 일부를 제거한다.
일 구현예에 따라, 본 발명의 방법은 적어도 하나의 신경 신호를 실시간으로 스코어링한다. 상기 적어도 하나의 신경 신호는 적어도 하나의 주파수 대역에서 필터링된다. 일 구현예에 따라, 본 발명의 방법은 적어도 2개의 주파수 대역에서 필터링된 적어도 2개의 신경 신호를 실시간으로 스코어링한다. 상기 적어도 2개의 필터링된 신경 신호는 추가로 연결된다.
일 구현예에 따라, 신호 
는 F 주파수 대역에서 필터링됨으로써; f = 1...F 필터링된 신호 
를 얻는다. 일 구현예에 따라, 확장된 신호 
는 필터링된 신호의 수직 연결로서 규정된다:
일 구현예에 따라, 공분산 행렬은 공간주파수 공분산 행렬이다. 일 구현예에서, 공간주파수 공분산 행렬 
은 다음과 같이 계산된다:
일 구현예에 따라, 신경 신호들의 공분산 행렬을 계산하는 단계는 중첩된 윈도우 상에서 상기 신경 신호의 공분산 행렬을 계산하는 단계를 포함한다.
일 구현예에 따라, 신경 신호의 공분산 행렬을 계산하는 단계는 중첩 윈도우 상에서 신경 신호의 공간-주파수 공분산 행렬을 계산하는 단계, 및 상기 공간-주파수 공분산 행렬을 정규화하는 단계를 포함한다.
주어진 에포크와 연관된 각 공분산 행렬은 리만 다양체의 점으로 간주된다. 기준 모집단에 대한 피험자의 신경 활동을 배치하기 위해서는 거리와 평균값 계산이 필요하다. 공분산 행렬에 사용된 메트릭은 참조문헌[
W, Moonen B. A metric for covariance matrices. Quo vadis geodesia, pp. 113-128, 1999]에 상세히 기술되었다.
일 구현예에서, 2개의 공분산 행렬 A 및 B 사이의 리만 거리는 아핀-불변 거리로서 규정될 수 있다:
다른 실시 예에서, 리만 거리는 참고문헌[Li Y, Wong KM. Riemannian Distances for Signal Classification by Power Spectral Density. IEEE Journal of selected topics in signal processing, vol.7, No.4, August 2013]에 기재된 것과 같은 당업자에게 공지된 임의의 다른 거리를 사용하여 계산된다.
일 구현예에 따라, 리만 거리는 공분산 행렬의 차원과 동일한 차원의 대칭적인 양정부호 행렬의 리만 다양체에서 추정된다.
일 구현예에 따라, 공분산 행렬과 k = 1...K 기준 행렬들 사이의 리만 거리가 추정된다.
일 구현예에 따라, k = 1...K 기준 공분산 행렬은 데이터베이스로부터의 신경 신호의 P 공분산 행렬로부터 리만 클러스터링 방법에 의해 획득되며, 
이다. 상기 P 공분산 행렬은 기준 상태의 특성이다.
일 구현예에 따라, 데이터베이스의 P 공분산 행렬은 상이한 피험자 및/또는 신경 신호 획득의 상이한 세션에 대한 기준 상태의 신경 신호 특성의 공분산 행렬이다.
일 구현예에 따라, 리만 클러스터링 방법은 평균-이동, k-평균, 평균 또는 주요 측지 분석으로부터 선택된다.
일 구현예에 따라, 리만 다양체에 대한 평균 이동이 수행된다.
일 구현예에 따라, 리만 다양체에 대한 평균 이동은 참고문헌[Subbarao et al. Nonlinear Mean Shift over Riemannian Manifolds. Int J Comput Vis, vol. 84, pages 1-20 (2009)]에 개시된 바와 같이 수행된다.
일 구현예에 따라, 평균 이동은 반복적으로 수행된다.
일 구현예에 따라, K 기준 공분산 행렬(모드라고도 함)은:
ⅰ. 데이터베이스로부터 신경 신호의 p = 1...P 공분산 행렬 Xp를 획득하고 q = 1...Q, p = q 및 Mq = Xp에 대해서와 같이, Q = P 모드의 초기화를 규정하는 단계;
ⅱ. 하이퍼-파라미터 h 및 커널 윈도우 g를 규정하는 단계;
ⅲ. 각각의 모드 Mq에 대해:
a. Mq와 각각의 행렬 Xp 사이의 P 거리 d(Mq, Xp)를 계산하는 단계;
b. 접선 벡터의 가중된 합으로서 평균 이동 벡터 mh(Mq)
c. 그 다음, Mq = ExpMq(mh(Mq))를 계산하는 단계로서, ExpMq는 접선 공간 상의 점과 리만 다양체 상의 점을 연결한 지수 맵인, 상기 계산 단계;
d. 평균 이동 벡터 mh(Mq)가 임계값보다 높으면, 단계 a 내지 단계 c를 반복하는 단계;
e. 평균 이동 벡터가 임계값보다 낮으면 Mq을 로컬 모드로 유지하는 단계;
ⅳ. h보다 낮은 거리와 모드의 융합에 의해 K개의 구별되는 로컬 모드를 획득하는 단계
에 따라 평균-이동에 의해 획득되고,
여기서:
Expm 및 Logm는 공분산 행렬의 지수 함수와 로그 함수이다(참고문헌[ Barachant et al. Multi-class Brain Computer Interface Classification by Riemannian Geometry, IEEE Transactions on Biomedical Engineering 59, 4 (2012) 920-928 and Congedo M. EEG Source Analysis, HDR, 
de Grenoble: FR, 2013]을 참조한다).
일 구현예에 따라, 임계값은 알고리즘의 수렴을 보장하기 위해 선택되며 바람직하게는 10-1 내지 10-3의 범위이다.
일 구현예에 따라, 리만 다양체에 대한 k-평균이 수행된다.
일 구현예에 따라, 리만 다양체에 대한 k-평균은 참고문헌[Congedo M. EEG Source Analysis, HDR, 
de Grenoble: FR, 2013]에 개시된 바와 같이 수행된다.
일 구현예에 따라, k- 수단은 반복적으로 수행된다.
일 구현예에 따라, K 기준 공분산 행렬은:
ⅰ. 하이퍼-파라미터 K를 규정하는 단계;
ⅱ. 데이터베이스로부터 신경 신호의 p = 1...P 공분산 행렬 Xp를 획득하고 k = 1...K 기준 Mk(데이터베이스로부터 랜덤한 또는 임의의 속성)의 초기화를 규정하는 단계;
ⅲ. 각각의 행렬 Xp에 대해:
a. Xp와 각각의 행렬 Mk 사이의 K 거리 d(Mk, Xp)를 계산하는 단계;
b. 최소 거리가 주어지면 행렬 Xp를 클러스터 Kp
ⅳ. 각각의 클러스터에 귀속된 행렬의 리만 평균으로서 상기 K 기준 행렬을 업데이트하는 단계: 
;
ⅴ. 상기 K 기준 행렬이 하나의 반복으로부터 다른 반복으로 더이상 변하지 않을 때까지 단계 ⅲ 및 단계 ⅳ를 반복하는 단계
에 따라 K-평균에 의해 획득된다.
리만 애버리지는 참고문헌[P. T. Fletcher and S. Joshi, "Principal geodesic analysis on symmetric spaces: Statistics of diffusion tensors," in Computer Vision and Mathematical Methods in Medical and Biomedical Image Analysis, 2004, pp. 87-98]에 기술되어 있다.
일 구현예에 따라, 적어도 하나의 보충 기준 공분산 행렬은 피험자-특정적이다. 일 구현예에 따라, 적어도 하나의 보충 기준 공분산 행렬은 피험자의 교정 세션으로부터 획득된 공분산 행렬의 리만 평균을 추정함으로써 획득된다. 상기 구현예는 피험자의 다음 세션에 대한 수용 가능한 자극 범위 내에 있는 피드백을 제공할 수 있게 한다.
일 구현예에 따라, k = 1...K 기준 공분산 행렬은 피험자-특정적이다. 일 구현예에 따라, k = 1...K 기준 공분산 행렬은 피험자의 상이한 세션으로부터 획득된 공분산 행렬의 리만 평균을 추정함으로써 획득된다. 상기 구현예는 피험자의 다음 세션에 대한 수용 가능한 자극 범위 내에서의 피드백을 제공할 수 있게 한다.
일 구현예에 따라, 각각의 공분산 행렬과 k = 1...K 기준 행렬 사이의 추정 된 거리 dk에 기초하여 한정된 연속 점수 s가 계산된다. 일 구현예에 따라, 각각의 공분산 행렬과 k = 1...K 기준 행렬 사이의 추정된 거리 dk 중 적어도 하나에 기초하여 한정된 연속 점수 s가 계산된다. 일 구현예에 따라, 점수 s는 각각의 공분산 행렬과 k = 1...K 기준 행렬 사이의 최소 거리 dk에 기초한다.
일 구현예에 따라, 점수는 2개의 미리 결정된 값 a 및 b 사이로 한정된다.
일 구현예에 따라, 점수 s는 또한 베이스라인 상태의 공분산 행렬과 k = 1...K 기준 행렬들 사이의 추정된 거리 dk에 기초한다.
실제로, 피험자에 유용하기 위해서는 점수가 두 개의 미리 결정된 경계 사이로 한정되어야 한다. 또한 점수가 가능한 값의 전체 범위 사이에 있음을 보장하기 위해 거리에서 점수로의 변환이 교정되어야 한다.
교정 덕분에 점수는 항상 잠재적인 값의 전체 범위에 있으므로 피험자에게 유사-상수 점수(예를 들면, 항상 좋은 점수, 또는 반대로 항상 나쁜 점수)를 제공하는 것을 피할 수 있다. 상기와 같이 사용 가능한 범위의 점수 값을 최적으로 사용하면 뉴로피드백의 효율성이 크게 향상된다.
일 구현예에 따라, 점수 s는 교정된다. 교정은 알려지지 않은 양(주어진 시간에 임의의 피험자의 베이스라인 활동)과 변조 장치의 작동 범위와 같은 알려진 양(예를 들면, tDCS 장치의 전압, 스피커 볼륨 또는 디스플레이의 상한 및 하한) 사이의 관계를 찾는 과정이다. 교정 과정은 일반적으로 "바이어스"(0으로부터의 애버리지 편차(average departure), 또는 평균)와 분산(평균/바이어스로부터의 제곱 애버리지 편차)을 제어한다. 통계적으로 말하면, 알려지지 않은 양은 일반적으로, 평균 및 표준 편차와 같은 통계로 요약될 수 있는 분포(현재 경우 베이스라인 세션에서 계산된 리만 거리의 분포)로 특징지어진다. 따라서, 교정 절차는 현재의 자극기, 스피커, 스크린 등과 같은 변조 장치의 동작 범위로 이 베이스라인 (제어되지 않은) 분포를 변환시키는 매핑 기능을 찾는 관점에서 표현될 수 있다. 특히, 목표 분산이 두 값 사이로 한정되어야 한다. 개선된 치료 효율성을 위해, 최종 분포가 사용 가능한 동작값 범위를 최적으로 사용하게 하는 것이 또한 바람직하다. 따라서 해당 경계 내의 분산이 최대화된다.
점수를 교정하기 위해 상기 구현예에 따라, 베이스라인 상태, 즉 비-기준 또는 비-목표 상태에 대응하는 신경 신호의 r = 1...R 베이스라인 공분산 행렬을 포함하는 데이터베이스가 사용된다. 상기 데이터베이스는 공지된 베이스라인 상태에서 상이한 피험자 및/또는 신경 신호 획득의 상이한 세션으로부터 획득된 신경 신호를 포함한다. 일 구현예에 따라, 데이터베이스는 피험자의 신경 신호 획득의 이전 세션으로부터 획득된 베이스라인 상태에 대응하는 신경 신호의 공분산 행렬을 포함한다. 따라서 점수는 피험자-특정 방식으로 교정된다. 다른 구현예에 따라, 점수 s는 피험자-특정 방식으로 교정된다. 상기 구현예는 피험자의 다음 세션에 대한 수용 가능한 자극 범위 내에 있는 피드백을 제공할 수 있게 한다.
일 구현예에 따라, 점수 s는 또한 r = 1...R 베이스라인 공분산 행렬과 k = 1...K 기준 행렬 각각 사이의 추정된 거리 dr에 기초한다. 일 구현예에 따라, 점수 s는 또한 r = 1...R 베이스라인 공분산 행렬과 k = 1...K 기준 행렬 각각 사이의 추정된 거리 dr 중 적어도 하나에 기초한다.
일 구현예에 따라, 점수는 거리 dk 중 적어도 하나에, 거리 dr의 기하 평균에 그리고 거리 dr의 기하 표준 편차에 기초한다.
일 구현예에 따라, 공분산 행렬과 k = 1...K 기준 행렬 dk 사이의 리만 거리는 다음의 공식 :
을 사용하여 기하학적 z-점수(표준화된, 즉 단일의 및 제로-중심의 정규 분포)로 변환되고, 여기서 기하 평균 μ와 기하 표준 편차 σ는 r = 1...R 베이스라인 거리 dr에서 다음과 같이 계산된다:
및:
이는 참고문헌[Congedo M. EEG Source Analysis, HDR, 
de Grenoble: FR, 2013]에 개시된 바와 같다.
일 구현예에 따라, 점수 s는 주어진 표준화된 z-점수에 점수를 관련시키는 경계 함수를 사용하여 추정된다. 바람직한 구현예에 따라, 상기 함수는 시그모이드 함수군에 속한다. 바람직한 구현예에 따라, 상기 함수는 로지스틱 함수, 바람직하게는:
이고, 여기서 a는 뉴로피드백 점수 점수의 하한이고 b는 상한이다.
일 구현예에 따라, 상기 경계 a, b는 미리 결정된다(즉, 이들은 파라미터로서 고정된다).
일 구현예에 따라, 점수 s는 a와 b 사이에 엄격하게 한정되며, 여기서 a는 바람직하게는 0이고, b는 바람직하게는 10이다.
다른 비선형 함수는 일반화된 로지스틱 함수, 하이퍼볼릭 탄젠트 함수, 아크 탄젠트 함수, 에러 함수, 및 시그모이드 함수군에 속하는 모든 다른 함수와 같은 z-점수로부터 점수를 얻기 위해 선택될 수 있다.
점수로 거리를 변환하는 것은 z-점수 표준화와 피험자의 상대적 상태에 맞는 점수를 주는 비-선형 함수 덕분이다. 이는, 예를 들어 항상 좋은 점수, 또는 반대로 항상 나쁜 점수와 같은 유사-상수 점수를 주는 것을 피하여, 항상 잠재적인 값의 전체 범위에 있는 점수를 가질 수 있게 한다. 환자의 상대적인 상태 정도로의 진화를 포착하여 사용 가능한 범위의 점수 값을 최적으로 사용하는 것이 뉴로피드백 효율에 필요하다.
다른 구현예에 따라, 점수 s는 로지스틱 함수, 바람직하게는:
상기 구현예에 따라, 비-기준 또는 비-목표 상태에 대응하는 신경 신호의 베이스라인 공분산 행렬을 포함하는 데이터베이스가 사용된다. 상기 데이터베이스는 알려진 베이스라인 상태에서 상이한 피험자 및/또는 신경 신호 획득의 상이한 세션으로부터 획득된 신경 신호를 포함한다. 상기 데이터베이스의 공분산 행렬 각각과 상기에서 상술된 바와 같이 획득된 k = 1...K 기준 행렬 사이의 리만 거리가 추정된다. 상기 리만 거리 중 가장 큰 거리는 
로 참조된다. 파라미터 λ는 시그모이드 함수가 거리 
에 경계 점수, 바람직하게는 9.5와 연관하도록 선택될 수 있다. 다른 구현예에 따라, 점수 s는 피험자-특정 방식으로 교정된다. 이러한 구현예에 따라, 알려진 베이스라인 상태에서 상이한 피험자 및/또는 신경 신호 획득의 상이한 세션으로부터 획득된 신경 신호의 공분산 행렬을 포함하는 데이터베이스는 피험자의 신경 신호 획득의 이전 세션으로부터 획득된 공분산 행렬로 대체된다. 상기 구현예는 피험자의 다음 세션에 대한 수용 가능한 자극 활동 범위 내에 있는 피드백을 제공할 수 있게 한다.
일 구현예에 따라, 점수 s는 a와 b 사이에 엄격하게 한정되며, 여기서 a는 바람직하게는 0이고, b는 바람직하게는 10이다.
일 구현예에 따라, 점수 s는 거리 임계값으로부터 나오는 2진수가 아니다.
일 구현예에 따라, 점수 s는 다중 분류로부터 나오는 클래스 라벨이 아니다.
일 구현예에서, 본 발명은 컴퓨팅 장치의 동작을 지시하기 위해 컴퓨터-판독 가능 매체 상에 저장된 컴퓨터 프로그램으로 구현된다. 일 구현예에서, 컴퓨터 프로그램은 신경 신호 획득 기능, 바람직하게는 ECoG, EEG, MEG, MRI, NIRS, PET 또는 SEEG 획득 기능을 포함한다. 다른 구현예에서, 컴퓨터 프로그램은 신경 신호 데이터, 바람직하게는 ECoG 데이터, EEG 데이터 MEG 데이터, MRI 데이터, NIRS 데이터, PET 데이터 또는 SEEG 데이터를 수집하는 시스템과 통신한다.
또한, 본 발명은 기준 상태에 도달하기 위해 피험자의 신경 활동을 자기-조절 변조하는 방법에 관한 것으로, 상기 방법은 연속적으로:
- 피험자로부터 신경 신호를 획득하는 단계 ; 및
- 본 발명에 따른 방법에 의해 획득된 연속 점수 s를 피험자에게 실시간으로 보고하는 단계를 포함한다.
피험자에 실시간으로 점수 s를 보고함으로써, 피험자는 점수 s가 실시간으로 피험자에 의해 조작될 수 있도록 뇌 전기 활동을 제어할 수 있다.
일 구현예에 따라, 명령은 자기-조절 변조의 세션 동안 피험자에게 주어지며; 상기 명령은 긴장을 푸는 것, 정상적으로 호흡하는 것, 조용히 유지하는 것, 안구 운동을 피하는 것, 근육 긴장을 피하는 것, 빠는 움직임을 피하는 것, 씹는 일을 피하는 것, 어떠한 움직임도 피하는 것을 포함하지만, 이에 제한되지 않는다.
일 구현예에 따라, 자기-조절 변조의 세션 동안 피험자에 명령이 주어지지 않는다.
본 발명은 또한 기준 상태에 도달하기 위해 피험자의 신경 활동의 외부 변조 방법에 관한 것으로서, 상기 방법은 :
- 피험자로부터 신경 신호를 획득하는 단계;
- 조작자에게 본 발명에 따른 방법에 의해 획득된 점수 s를 실시간으로 보고하는 단계;
- 기준 상태에 의해 규정된 목표 점수쪽으로 점수 s를 변조하기 위해 피험자에게 외부 변조를 적용하는 단계를 포함한다. 점수 s를 최소화하기 위해 외부 변조가 적용되는 것이 바람직하다.
일 구현예에 따라, 기준 상태에 도달하기 위해 피험자의 신경 활동의 외부 변조를 위한 방법은 치료적이지 않다.
일 구현예에 따라, 트레이너는 의사일 수 있거나 또는 외부 변조를 피험자에 적용하는 자동화된 장치일 수 있다. 일 구현예에 따라, 외부 변조는 간접 뇌 자극, 심뇌 자극(DBS), 전기 경련 요법(ECT), 자기 경련 요법(MST), 경두개 직결 자극(tDCS), 경두개 자기 자극, 반복 경두개 자기 자극(rTMS) 또는 미주 신경 자극(VNS)에 의해 적용된다. 일 구현예에 따라, 외부 변조는 임의의 감각 자극(청각, 시각, 체성 감각)과 같은 간접 뇌 자극을 포함한다.
본 발명은 또한 피험자의 신경 활동의 자가-조절된 변조 또는 외부 변조를 위한 시스템에 관한 것으로서,
- 피험자로부터 신경 신호를 획득하는 획득 수단;
- 본 발명에 따른 방법을 구현하기 위한 컴퓨팅 장치;
- 점수 s를 보고하기 위한 출력 수단을 포함한다.
일 구현예에 따라, 획득 수단은 본 발명에서 규정된 바와 같은 신경 신호의 획득(즉, 캡처, 기록 및/또는 전송)을 가능하게 하는 당업자에게 공지된 임의의 수단을 포함하며, 바람직하게는, 상술된 바와 같은 전극 또는 헤드셋이다. 일 구현예에 따라, 획득 수단은 신경 신호를 아날로그에서 디지털 포맷으로 확대 및/또는 변환하는 증폭기 유닛을 포함한다.
일 구현예에 따라, 컴퓨팅 장치는 프로세서 및 소프트웨어 프로그램을 포함한다. 프로세서는 디지털화된 신경 신호를 수신하고 소프트웨어 프로그램의 명령 하에서 디지털화된 신경 신호를 처리하여 점수 s를 계산한다. 일 구현예에 따라, 컴퓨팅 장치는 메모리를 포함한다. 일 구현예에 따라, 컴퓨팅 장치는 본 발명에 따른 방법의 원격 구현을 가능하게 하는 네트워크 접속을 포함한다. 일 구현예에 따라, 신경 신호는 컴퓨팅 장치에 무선 통신된다. 일 구현예에 따라, 출력 수단은 컴퓨팅 장치로부터 점수 s를 무선으로 수신한다.
일 구현예에 따라, 출력 수단은 점수 s를 보고하기 위한 수단을 포함한다. 일 구현예에 따라, 점수 s는 시각 수단, 청각 수단, 후각 수단, 촉각 수단(예를 들면, 진동 또는 햅틱 피드백) 및/또는 미각 수단과 같은 피험자의 감각을 사용하여 보고된다. 점수 s는 스크린; 스마트 폰, 컴퓨터 모니터 또는 텔레비전; 또는 헤드 장착 디스플레이와 같은 디스플레이를 사용하여 보고되는 것이 바람직하다.
일 구현예에 따라, 특히 자기-조절 변조(self-paced modulation)의 경우, 점수 s의 보고는 피험자가 트레이닝의 올바른 방향을 자각할 수 있게 한다. 일 구현예에 따라, 점수 s의 보고는 시각적 보고를 포함하며, 여기서 피험자의 실시간 점수 s를 나타내는 타겟이 디스플레이되고, 상기 타겟은 기준 상태에 의해 규정된 목표 점수를 나타내는 위치쪽으로 이동하거나 그 위치로부터 멀어지게 이동한다.
청각 수단을 사용하여 점수 s가 보고되는 일 구현예에 따라, 사운드의 진폭이 상기 점수 s에 의해 직접 변조되는 사운드가 피험자에게 보고된다. 사운드는 진폭이나 주파수로 변조될 수 있는 단순한 비프(beep), 흐르는 물, 파도, 비, 종 소리(dong) 또는 임의의 다른 사운드일 수 있다.
시각 수단을 사용하여 점수 s가 보고되는 일 구현예에 따라, 위치, 크기, 컬러 또는 임의의 다른 파라미터가 상기 점수 s에 의해 변조될 수 있는 스크린상의 객체가 피험자에게 보고된다. 예를 들어, 이는 플레인(plane)의 표현일 수 있으며, 그 고도는 점수 s에 의해 변조된다.
일 구현예에 따라, 자기-조절 변조 및/또는 외부 변조를 위한 시스템 및/또는 방법은 홈 케어 또는 진단용으로 사용된다.
본 발명은 또한 피험자의 불편함을 경감시키기 위한 자기-조절 변조 또는 외부 변조를 위한 시스템의 사용에 관한 것이다. 일 구현예에 따라, 자기-조절 변조 방법 및/또는 외부 변조 방법은 피험자의 불편함을 경감시키기 위한 것이거나, 완화시키는데 사용되기 위한 것이다. 본 발명은 또한 본 발명의 자기-조절 변조 또는 외부 변조를 위한 시스템의 사용을 포함하는, 피험자의 불편함을 완화시키는 방법에 관한 것이다.
일 구현예에 따라, 불편함은 불안 및 스트레스와 같은 정신병적 불편함이다.
일 구현예에 따라, 자기-조절 변조 및/또는 외부 변조를 위한 시스템 및/또는 방법은 만성 또는 급성 통증, 편두통 및 우울증을 경감시키기 위해 사용된다.
일 구현예에 따라, 자기-조절 변조 및/또는 외부 변조를 위한 시스템 및/또는 방법은 다음의 목표 상태: 완화(relaxation)에 도달하기 위해 사용된다. 이 구현예에 따라, 완화될 불편함은 스트레스 또는 불안일 수 있다.
본 발명은 또한 피험자, 바람직하게는 시스템이 필요한 환자의 이후 기술된 것들과 같은 병태, 장애 또는 질병을 치료하기 위한 또는 치료에 사용하기 위한 자기-조절 변조 또는 외부 변조 시스템에 관한 것이다. 일 구현예에 따라, 자기-조절 변조 방법 및/또는 외부 변조 방법은 환자의 병태, 장애 또는 질병을 치료 또는 경감시키기 위해 사용된다. 또한, 본 발명은 본 발명의 자기-조절 변조 또는 외부 변조 시스템의 사용을 포함하는, 시스템을 필요로 하는 피험자의 병태, 장애 또는 질병을 치료하는 방법에 관한 것이다.
본 발명의 자기-조절 변조 방법 및/또는 외부 변조 방법을 사용하여 치료될 수 있는 병태, 장애 또는 질병의 예는 신경 퇴행성 병태, 장애 또는 질병, 정신병적 상태, 질병 또는 장애, 일차성 불면증, 만성 또는 급성 통증, 간질, 투렛 증후군, 편두통 및 우울증을 포함하지만, 이에 제한되지 않는다.
일 구현예에 따라, 치료될 상기 병태, 장애 또는 질병은 신경 퇴행성 병태, 장애 또는 질병, 예를 들어 파킨슨 병 또는 알츠하이머 병이다. 일 구현예에 따라, 자기-조절 변조 및/또는 외부 변조를 위한 시스템 및/또는 방법은 과잉 베타 활성을 감소시키기 위해 표면 및 침습성 EEG-기반 뉴로마커를 사용하여 파킨슨 병을 치료할 수 있다. 일 구현예에 따르면, 자기-조절 변조 및/또는 외부 변조를 위한 시스템 및/또는 방법은 알츠하이머 병을 치료하여 알츠하이머 병의 관찰된 뉴로마커를 감소시키고 뇌의 적합성을 증가시킬 수 있다.
일 구현예에 따라, 상기 치료될 병태, 장애 또는 질병은 정신병적 상태, 질병 또는 장애이며, 예를 들어 주의력-결핍/과다 활동 장애, 전반적 발달 장애, 자폐증, 외상-후 스트레스 장애, 중독 및 수면 장애일 수 있다. 일 구현예에 따라, 자기-조절 변조 및/또는 외부 변조를 위한 시스템 및/또는 방법은 외부 자극에 대한 억제/필터링 회로의 증폭 및 스트레스를 감소시킴으로써 외상-후 스트레스 장애를 치료할 수 있다. 일 구현예에 따라, 자기-조절 변조 및/또는 외부 변조를 위한 시스템 및/또는 방법은 농도의 신경 변조 및 대뇌 경로의 학습 덕분에 주의력 결핍/과다 활동 장애를 치료할 수 있다.
일 구현예에 따라, 상기 치료될 병태, 장애 또는 질병은 일차성 불면증, 만성 또는 급성 통증, 간질, 투렛 증후군, 편두통 및 우울증에서 선택된다. 일 구현예에 따라, 자기-조절 변조 및/또는 외부 변조를 위한 시스템 및/또는 방법은 수면 개시 이전의 상이한 단계의 식별 및 상기 단계의 동적 피드백 덕분에 일차성 불면증을 치료할 수 있다. 일 구현예에 따라, 자기-조절변조 및/또는 외부 변조를 위한 시스템 및/또는 방법은 우울증 뉴로마커의 감소 및 대칭적인 EEG 활동의 균형 덕분에 우울증을 치료할 수 있다.
일 구현예에 따라, 자기-조절 변조 및/또는 외부 변조를 위한 시스템 및/또는 방법은 집중 치료실, 수술실 또는 일반적 병실에서 진정작용을 개선시키는데 사용된다. 따라서, 본 발명은 또한 본 발명의 자기-조절 변조 및/또는 외부 변조를 위한 시스템 및/또는 방법의 사용을 포함하는 집중 치료실, 수술실 또는 일반적 병실에서 진정작용을 개선시키는 방법에 관한 것이다.
일 구현예에 따라, 자기-조절 변조 및/또는 외부 변조를 위한 시스템 및/또는 방법은 경두개 자기 자극 이전에 전-운동 신경망(pre-motor neural networks)의 활성화 및 재 시행에 의한 물리적인 재활을 위해 사용된다. 본 발명은 또한 본 발명의 자기-조절 변조 및/또는 외부 변조를 위한 시스템 및/또는 방법의 사용을 포함하는 물리적인 재활 방법에 관한 것이다.
일 구현예에 따라, 자기-조절 변조 및/또는 외부 변조를 위한 시스템 및/또는 방법은 환자의 특정 대뇌 활동 의미의 일부를 개선하기 위해 사용된다. 따라서, 본 발명은 또한 본 발명의 자기-조절 변조 및/또는 외부 변조를 위한 시스템 및/또는 방법의 사용을 포함하는, 환자의 특정 대뇌 활동 의미를 개선하는 방법에 관한 것이다.
일 구현예에 따라, 자기-조절 변조 및/또는 외부 변조를 위한 시스템 및/또는 방법은, 예를 들어 정밀도와 같이 건강한 피험자(즉, 예를 들면 상기에 열거된 것과 같은 어떤 불편함 또는 질병, 장애 또는 상태를 나타내지 않는 피험자)와 같은 피험자의 기술을 개선하기 위해 사용된다.
따라서, 본 발명은 본 발명의 자기-조절 변조 및/또는 외부 변조를 위한 시스템 및/또는 방법을 사용하는 것을 포함하여, 특정 대뇌 활동의 의미를 개선하고 및/또는 피험자의 기술을 개선하는 방법에 관한 것이다.
상기 상세한 설명의 관점에서, 당업자는 본 발명에 따른 방법을 구현할 수 있다. 특히 이 방법의 구현은 다음의 툴을 사용할 수 있다:
- 2014년 11월 13일 검색된 http://eigen.tuxfamily.org/index.php?title=Main_Page 에서 사용 가능한 선형 대수를 위한 C ++ 템플릿 라이브러리;
- 공분산 행렬 추정 및 조작에 전용인 함수 세트: (i) 2014년 11월 13일 검색된 http://github.com/alexandrebarachant/covariancetoolbox에서 사용 가능한 Matlab 용; (ⅱ) http://github.com/alexandrebarachant/pyRiemann에서 사용 가능한 Python 용;
- 2014 년 11월 13일 검색된 http://code.google.com/p/openvibe-gipsa-extensions/에서 사용 가능한 OpenViBE 플랫폼용 확장 세트. OpenViBE 플랫폼은 BCI(Brain Computer Interface) 및 실시간 신경 과학을 위한 소프트웨어이다. 이는 EEG 신호의 디지털 신호 처리 및 시각화를 위한 구성 요소를 제공한다. 이는 C ++, Matlab 및 Python의 모듈을 사용하여 확장될 수 있다.
실시예
본 발명은 하기 실시예에 의해 추가로 설명된다.
실시예
1 - 피험자의 신경 활동의 자기-조절 변조를 위한 시스템 및 방법의 검증
상세한 설명에서 제안된 자기-조절 변조(즉, 뉴로피드백)를 위한 시스템 및 방법은 실제 데이터에 대해 유효화되었다. 목표 정신 상태는 이완, 즉 피험자가 긴장 및 불안감이 없는 상태였다.
EEG 데이터는 각 세션이 두 부분: 이완과 집중으로 나누어진 피험자-특정 세션으로 구성된다. 이 기법의 목적은 트레이닝 세트(이완 기간 동안 무작위로 선택된 일부 EEG 시간-윈도우)에서 기준 행렬을 추출하고 이러한 기준을 테스트 데이터에 적용하는 것이다(EEG 시간-윈도우는 트레이닝 세트에 포함되지 않음). 본 방법은 기준 모델이 보이지 않는 데이터(즉, 테스트 세트)상에서 이완 기간을 정확하게 식별하는 경우 성공적이라고 간주될 것이다.
재료 및 방법
기록
Emotiv EPOC 헤드셋을 사용하여 뇌 전도 검사(EEG) 데이터가 수집되었다 : 14개의 전극은 확장된 10/20 위치 AF3, F7, F3, FC5, T7, P7, O1, O2, P8, T8, FC6, F4, F8, AF4에 대략 위치되었다. EPOC 헤드셋은 F4 위치에서 공통 모드 감지(CMS : Common Mode Sense) 전극을 사용하고 더욱 통상적인 획득 시스템에서 접지 및 기준과 관련될 수 있는 F3에서 구동 오른쪽 다리 (DRL : Driven Right Leg) 전극을 사용한다. 전극 임피던스는 EPOC 제어 패널을 통해 시각적으로 제어되어 모든 센서가 "녹색"으로 표시된다. 신호는 내부적으로 2048Hz(16-비트)로 디지털화되고 후속적으로 획득 모듈에 전송되기 전에 저역 필터링되고 128Hz로 다운 샘플링된다. 헤드셋은 참여자 랩톱에 무선으로 연결되어 NeuroRT Suite와 인터페이스되었다.
데이터는 61개의 세션으로 구성되며 주 화면에 디스플레이된 사용자의 방향에 따라 두 부분으로 나누어진다:
ⅰ. 눈을 뜨고 1분간 이완한다 ; 및
ⅱ. 눈을 뜨고 1분간 집중한다: 강렬한 생각을 유지하기 위해 피험자 수를 100에서부터 7의 간격으로 거꾸로 센다(count back).
모집단
EEG 데이터는 23세에서 34세 사이의 61명의 건강한 참여자들로부터 파리와 렌(프랑스)에서 획득된다.
데이터 처리
우리가 제공하는 방법은 본질적으로 단일 클래스이다: 우리는 두 가지를 구별하기보다는 하나의 활동을 모델링하려고 한다. 결과적으로, 트레이닝 및 각 이완 세션에 대해 이완 데이터만 고려되었다:
- 미가공 신호는 6개의 주파수 대역(1-4-8-12-16-32 Hz)에서 필터링된다 ;
- 공간-주파수 공분산 행렬은 2s동안 모든 0.0625s마다 중복되는 에포크 상에서 추출되어 규칙화(regularized)된다; 및
- 리만 애버리지 공분산 행렬은 피험자 애버리지 행렬이라 불리는 이러한 이완 부분에서 계산된다. 이 애버리지 행렬은 정규화, 즉 트레이스 정규화되고, 즉 트레이스 정규화 또는 행렬식-정규화된다.
결국, 61개의 독립 행렬을 통산하여 참여자당 하나의 애버리지 행렬이 획득된다.
교차-검증 절차
61개의 피험자 애버리지 행렬이 두 세트로 나누어지는 것을 의미하는 리브-원-아웃(leave-one-out) 교차-검증이 이용되었다: P = 60 행렬로 구성된 트레이닝 세트, 성능 메트릭이 하기에 설명된 대로 도출되는 단일 레프트-아웃 행렬로 구성된 테스트 세트. 이 절차는 61번 반복된다. 61번의 시도 모두에서 성능과 그 변형은 최종적으로 기술과 추정 통계적 유의성을 비교할 수 있도록 보고되었다.
데이터 클러스터링
목적은 클러스터링을 통해 트레이닝 세트에서 기준 행렬을 추출하고 테스트 세트에서 이를 테스트하는 것이다. 본 발명에 따른 방법은 테스트 피험자가 집중 부분 동안보다 이완 부분 동안 기준점에 더 가깝다면 성공적이라고 간주될 것이다.
1. 클러스터링 알고리즘 (리만 애버리지, 리만 K-평균, 리만 평균-이동)을 적용하여 트레이닝 세트의 K개의 기준 행렬을 추정한다.
2. 테스트 행렬과 연관된 EEG 세션을 고려하여, 공간-주파수 공분산 행렬은 앞서 설명한 바와 같이 이완 및 집중 부분의 에포크 상에서 추출되고, 정규화된다. K 기준 행렬과 각각의 에포크 공분산 행렬 사이의 최소 거리가 기록된다.
성능의 평가
각 테스트 피험자에 대해, 거리의 기하 평균은 이완에 대해 계산한 다음, 집중 부분에 대해 계산한다. 뉴로피드백은 이완 동안 거리의 기하 평균이 집중 동안의 것보다 낮은 경우 효율적이라고 간주된다. 이 평가는 61명의 테스트 피험자에 대해 수행된다.
정규화
두 유형의 정규화가 공분산 행렬에 대해 테스트되었다: 결과를 비교한 행렬식 및 트레이스 정규화.
최신 기술과의 비교
통상적인 qEEG 기술은 최신 기술로 간주되어 하기에 기술된 대로 우리의 기술을 벤치마킹하는데 사용되었다. 이전의 검증 프로세스는 동일한 스펙트럼 전력에 적용된다. 이것은 모든 전극과 이전에 선택된 6개의 주파수 대역 (1-4-8-12-16-32Hz)에서의 중첩된 에포크 상에서 계산된다.
각 이완 세션에 대해, 애버리지된(averaged) 스펙트럼이 계산되며 피험자 애버리지 스펙트럼이라고 칭한다. 리브-원-아웃 프로세스에서 트레이닝 세트의 피험자 애버리지 스펙트럼의 평균 및 표준 편차가 계산된다. 테스트 피험자와 연관된 EEG 세션을 고려하면, 스펙트럼은 이전에 기술된 바와 같이 이완 및 집중 부분의 에포크 상에서 추출된다. 그런 다음 트레이닝 세트에서 추정된 평균 및 표준 편차를 사용하여 z-점수로 변환된다. 각 z-스코어링된 스펙트럼의 프로베니우스 놈(Frobenius norm)은 이완 qEEG 모델까지의 거리로 기록된다.
각 피험자에 대해, 거리의 평균은 이완에 대해 계산한 다음 집중 부분에 대해 계산한다. 뉴로피드백은 이완 동안 거리의 평균이 집중 동안의 것보다 낮으면 성공한 것으로 간주된다. 이 평가는 61명의 피험자에 대해 이전에 기술된 것과 똑같은 폴드를 사용하여 수행된다.
결과
이 검증 프레임워크의 결과는 성공적인 세션의 비율(즉, '이완된 세션'에 대한 평균 측지 거리가 피험자가 집중된 세션보다 낮은 세션의 비율)로 하기에 표시된다.
표 1과 표 2와 관련하여, 행렬식 정규화가 트레이스 정규화보다 양호한 결과를 제공한다. 행렬식에 의한 정규화는 두 정신 상태 사이의 더 양호한 구별을 제공하는 것으로 보인다. 또한, k-평균 방법은 테스트된 리만 클러스터링 방법 중에서 가장 효율적인 알고리즘인 것으로 나타났다.
표 3과 관련하여, 리만 클러스터링의 의해 획득된 결과는 통상적인 qEEG보다 우수함으로써 본 발명에 따른 방법의 관련성 및 효율성을 검증한다.
| 행렬의 트레이스 정규화된 결과 | |||
| 클러스터링 방법 | 리만 평균 | 리만 k-평균 | 리만 평균-이동 |
| 성능 % | 63.9 | 67.2 | 62.2 |
| 행렬의 행렬식 정규화된 결과 | |||
| 클러스터링 방법 | 리만 평균 | 리만 k- 평균 | 리만 평균-이동 |
| 성능 % | 67.2 | 70.5 | 62.2 |
| 통상적인 qEEG와 리만 기하학의 비교 결과 | ||
| 방식 | qEEG | 리만 k-평균 |
| 성능 % | 59.02 | 70.5 |
결론
이 실험은 본 발명에서 제안된 뉴로피드백 방식을 검증한다. 결과에 따르면, 리만 클러스터링은 트레이닝 상에서 추정된 기준 행렬이 상이한 피험자로부터 데이터를 테스트하는데 적절하게 적용되기 때문에 우수한 피험자-간 일반화를 제공한다. 실제로 동일한 입력 파라미터를 사용하여, 리만 클러스터링으로 획득된 결과는 통상적인 qEEG 기반 뉴로피드백보다 우수하며, 우리는 뉴로피드백 절차에 대한 최신 기술로 간주한다. 평균적으로, 피험자는 집중 부분보다 이완 부분 동안 기준에서 더 가깝다. 이것은 교정을 필요로 하지 않는 효율적인 뉴로피드백 기술을 위한 길을 열어준다.
실시예
2-자기-조절 변조
피험자 모집단에서, 특정 기록 양식(modality)(ECoG, EEG, MEG, MRI NIRS 또는 PET)을 사용하면 신경 신호의 데이터를 수집할 수 있다. 이 데이터는 목표 활동(즉, 기준 상태)을 규정하는 모델에 맞게 분석된다. 실시간으로, 피험자의 특정 활동은 본 발명의 방법에 따라 목표와 비교될 수 있고, 뇌 활동은 원하는 목적에 도달하도록 자기-조절될 수 있다. 세션의 빈도와 기간은 사례별로 각 상황에 따라 다를 것이다.
| 모집단 | 양식 | 목표 활동 | 변조 | 목적 | 빈도/기간 |
| 파킨슨 환자 | 표면 EEG | 건강한 EEG | 뉴로피드백 | 알츠하이머 병의 진행 지연 | 하루 1시간 |
| ADHD 환자 | 표면 EEG | 집중력 | 뉴로피드백 | 베이스라인 집중력 증가 | 격일로 30분 |
| 정밀 스포츠맨(사수, 궁수, 골퍼) | 표면 EEG | 사전-성공 샷 EEG | 뉴로피드백 | 움직임 정밀도 증가 |
연습동안 |
| 일차성 불면증 | 표면 EEG | 건강한 EEG | 뉴로피드백 | 양호한 수면 | 매일(20분) |
실시예
3-외부 변조
피험자 모집단에서, 특정 기록 양식 (ECoG, EEG, MEG, MRI NIRS 또는 PET)을 사용하면 신경 신호의 데이터를 수집할 수 있다. 이 데이터는 목표 활동을 규정하는 모델에 맞게 분석된다. 실시간으로, 피험자의 특정 활동은 본 발명의 방법에 따라 목표와 비교될 수 있고, 뇌 활동은 원하는 목적에 도달하도록 외부적으로 변조될 수 있다. 세션의 빈도와 기간은 사례별로 각 상황에 따라 다를 것이다.
| 모집단 | 양식 | 목표활동 | 변조 | 목적 | 빈도/기간 |
| 알츠하이머 병 환자 | 전두엽 EEG | 건강한 EEG | 전두엽 tDCS | 알츠하이머 병의 진행 지연 | 하루 1시간 |
| 파킨슨 환자 | 심부 EEG | 건강한 재구성 심도 EEG | 비프음 두뇌 자극 | 임플란트 배터리를 절약하고 질병의 진행을 지연시키기 위해 객관적인 증상에 자극을 조정 | 계속 |
| 신체 재활 | 감각-운동 분야 | 운동 활성화 | 경두개 뇌 자극 | 신경망 강화 | 하루 1시간 |
| 집중 치료실 | 표면 EEG | 호흡 불편의 부재 | 기계적 환기 설정 변경 | 기계적 환기 파라미터 및 환자의 편의를 최적화 | 계속(집중 치료실에서) |
| 우울증 | 표면 EEG | 건강한 EEG | VNS | 환자의 상태에 따른 자극 패턴 조정 | 계속 |
| 무감동 우울증 |
표면 EEG | 건강한 EEG | rTMS | 뇌 활동(좌/우)의 균형과 증상 감소 | 일주일에 한번 |
우리는 이제 설명된 모델링 기술을 사용하여 두 가지 응용을 제시한다. 한 응용은 임상적 맥락에서의 사용을 보여 주지만 다른 응용은 가정용 솔루션에 집중한다.
실시예
4 -
ADHD
(
Attention Deficit Hyperactivity Disorder: 주의력 결핍 과잉행동 장애
)에 대한 상세
한 실시
예
우선, 특정 상태: 예를 들어 눈을 뜨거나, 눈을 감거나, 집중 또는 이완을 하는 상태 동안 건강한 지원자 모집단으로부터 EEG 데이터가 수집된다. 이 기준 데이터 세트의 수집은 한 번 수행되며 응용에 대한 관심 대상 연령대를 동일하게 포함하려고 시도한다. 각 피험자의 기록은 대략 30min 동안 지속되며, 앞에서 설명한 것과 같은 통상적인 EEG 획득 시스템, 특히 Emotiv에서 상용화된 Epoc을 사용할 것이다.
이 데이터 세트의 각 2s-길이의 시간 윈도우는 공분산 행렬로 변환되어 리만 다양체의 한 점으로서 배치될 것이다. 인위적 기간이 반복적으로 식별될 것이다. 그런 다음, 기준 중심(즉, k = 1...K 기준 공분산 행렬)은 상술한 바와 같은 리만 클러스터링 방법에 따라 결정될 것이다.
ADHD 아동 및 청소년은 일반적으로 난독증과 같은 동반 이환 상태를 다루는 의료 및 준의료 종사자와 관련이 있다. ADHD의 치료는 대부분 약물로 이루어지지만 최근의 증거에 따르면 이 환자들은 상이한 EEG 패턴을 보이므로, 뇌의 보다 정상적인 전기 활동쪽으로 이들을 교정하기 위해 뉴로피드백 프로토콜이 구현되었다. 앞서 언급한 기준 상태를 사용하여 정상적인 활동쪽으로 더욱 정확하고 직관적인 피드백을 사용하여 그렇게 하도록 제안한다.
환자는 EEG 데이터 수집 시스템을 셋업하는 개업의 진료소에 도착한다. 이것은 개별 설정이 필요한 20개 이상의 전극이 있는 임상 또는 연구 EEG 시스템을 사용하여 수행될 수 있다. 전체 셋업 절차에는 최대 20분이 소요될 수 있다. 대안적인 EEG 시스템은 또한 셋업 시간을 획기적으로 줄이는데 사용될 수 있다.
응용은 신호를 제어하고 데이터가 적절히 수집되도록 보장한다. 특히, 베이스라인 기록은 신호가 허용 가능한 한도를 초과하여 가공되지 않도록 한다. 그렇다면, 피드백이 청각적 및 시각적 명령의 형태로 조작자에게 제공되어 이를 어떻게 설명할 것인지 알려준다. 조작자는 뉴로피드백 세션의 길이를 결정하고, 본 발명에 따른 방법으로부터 획득된 점수 s가 하기 (비-배제적인 목록)로 나타날 수 있는 피드백 유형이 선택된다:
- 그 진폭이 점수 s, 공분산 행렬과 k = 1...K 기준 공분산 행렬 사이의 리만 거리의 함수에 의해 직접 변조되는 사운드; 사운드는 진폭이나 주파수로 변조될 수 있는 단순한 비프, 흐르는 물, 파도, 비, 종 소리 또는 임의의 다른 사운드일 수 있다;
- 위치, 크기, 컬러 또는 임의의 다른 파라미터가 변조될 수 있는 스크린 상의 객체; 예를 들어, 플레인의 표현일 수 있으며, 그 고도는 점수 s, 공분산 행렬과 k = 1...K 기준 공분산 행렬 사이의 리만 거리의 함수에 의해 변조된다.
세션의 끝에서 몇 가지 초기 결과가 실험자 및 환자에게 제공된다: 세션의 요약, 상이한 세션 간의 진화 및 건강한 모집단 또는 유사한 패턴을 가진 환자 그룹과의 비교. 데이터는 마침내 모델을 교정하고 다음 세션에 대한 활동의 수용 가능한 자극 범위 내에 있는 피드백을 제공하기 위해 사용된다.
실시예
5 - 일차성 불면증에 대한 상세한
실시예
매우 유사한 절차가 다른 의학적 병태에 대해 가정에서 사용될 수 있다. 일차성 불면증은 어떠한 유기적 근원과도 관련이 없는 일종의 불면증이다. 일차성 불면증을 앓고 있는 환자의 모집단은 수면 전에 전두엽 영역의 베타 활동이 증가한 것으로 나타났다. 결과적으로, 이 모집단은 뉴로피드백 프로토콜에 대한 좋은 후보자이며, 그 진정한 영향은 가정용 응용에서만 볼 수 있다.
각 세션은 자발적으로 취침 직전 또는 의학적 약량학(medical posology) 후에 발생한다. 피험자는 사용하기 쉬운 일반 소비자 EEG 장치를 사용할 것이고 우리는 피험자에 대해 셋업하는 것을 배울 것이다. 그는 EEG 헤드셋에 연결하고 개인 데이터와 파라미터를 검색하는 보안 웹 사이트에 로그온한다. 데이터는 원격 실시간 분석 서버로 스트리밍되고 추출된 정보는 예를 들어 양호한 신호 품질을 얻기 위해 피험자를 안내하는 정보를 디스플레이할 수 있는 웹 애플리케이션으로 다시 전송된다: 예를 들어 신호 품질의 실시간 2 또는 3D 지형 열 지도. 양호한 신호를 파악하는 데는 5분이 채 걸리지 않아야 한다.
이 작업이 완료되면 피험자는 상술한 응용과 똑같이 작동하는 여러 피드백 응용 중에서 선택할 수 있다. 실시간 그의 두뇌 활동은 이전에 식별된 기준 공분산 행렬과 비교되고 그에 대해 계산된 거리는 시각 또는 청각적일 수 있는 피드백 형태로(클리닉에서 ADHD에 대해 기술한 것과 유사한 방식으로) 반환된다. 환자는 세션 길이를 선택할 수 있다. 프로토콜의 끝에서, 웹 페이지는 성능, 점수 s의 진화 및 모집단 및/또는 다른 피험자와의 비교와 관련된 정보를 저장하고 디스플레이한다.
Claims (16)
- k = 1...K 기준 공분산 행렬을 특징으로 하는 기준 상태에 대해 피험자의 적어도 하나의 신경 신호를 실시간으로 스코어링하는 방법에 있어서:
ⅰ. 상기 피험자로부터 상기 적어도 하나의 신경 신호를 획득하는 단계;
ⅱ. 적어도 하나의 주파수 대역에서 상기 적어도 하나의 신호를 필터링하는 단계; 선택적으로 적어도 하나의 필터링된 신호를 연결(concatenate)하는 단계;
ⅲ. 상기 적어도 하나의 필터링된 신경 신호의 공분산 행렬을 계산하는 단계;
ⅳ. 상기 공분산 행렬과 k = 1...K 기준 공분산 행렬 사이의 리만 거리 dk를 계산하는 단계를 포함하고;
상기 방법은 점수 s를 계산하는 단계를 더 포함하고, 상기 점수 s는 연속적이고, 실시간으로 계산되고, 2개의 미리 결정된 값 사이로 한정되고, 단계 ⅳ에서 계산된 상기 거리 dk 중 적어도 하나에 기초하는 것을 특징으로 하는, 방법. - 제 1 항에 있어서,
상기 점수는 또한:
- 베이스라인 상태를 특성으로 하는 r = 1...R 베이스라인 공분산 행렬을 획득하는 단계;
- 상기 r = 1...R 베이스라인 공분산 행렬과 k = 1 ...K 기준 공분산 행렬 사이의 리만 거리 dr을 계산하는 단계
에 따라 획득된 거리 dr 중 적어도 하나에 기초하는, 방법. - 제 2 항에 있어서,
상기 점수는 상기 거리 dk 중 적어도 하나에, 상기 거리 dr의 기하 평균에 그리고 상기 거리 dr의 기하 표준 편차에 기초하는, 방법. - 제 1 항 내지 제 3 항 중 어느 한 항에 있어서,
적어도 2개의 신경 신호가 획득되고, 적어도 2개의 주파수 대역에서 필터링되고 연결되는, 방법. - 제 1 항 내지 제 4 항 중 어느 한 항에 있어서,
상기 공분산 행렬은 공간주파수 공분산 행렬인, 방법. - 제 1 항 내지 제 5 항 중 어느 한 항에 있어서,
상기 리만 거리는 상기 공분산 행렬의 차원과 동일한 차원의 대칭 양정부호 행렬의 리만 다양체에서 추정되는, 방법. - 제 1 항 내지 제 6 항 중 어느 한 항에 있어서,
상기 k = 1...K 기준 공분산 행렬은 데이터베이스로부터의 기준 상태에 대한 신경 신호 특성의 P 공분산 행렬로부터 리만 클러스터링 방법에 의해 획득되는, 방법. - 제 7 항에 있어서,
상기 리만 클러스터링 방법은 평균-이동(mean-shift), k-평균(k-means), 애버리지 또는 주요 측지 분석(principal geodesic analysis)으로부터 선택되는, 방법. - 제 8 항에 있어서,
상기 k = 1...K 기준 공분산 행렬은:
ⅰ. 데이터베이스로부터 신경 신호의 p = 1...P 공분산 행렬 Xp를 획득하고 q = 1...Q, p = q 및 Mq = Xp에 대해서와 같이, Q = P 모드의 초기화를 규정하는 단계;
ⅱ. 하이퍼-파라미터 h 및 커널 윈도우 g를 규정하는 단계;
ⅲ. 각각의 모드 Mq에 대해:
a. Mq와 각각의 행렬 Xp 사이의 P 거리 d(Mq, Xp)를 계산하는 단계;
b. 접선 벡터의 가중된 합으로서 평균 이동 벡터 mh(Mq)
를 추정하는 단계;
c. 그 다음, Mq = ExpMq(mh(Mq))를 계산하는 단계로서, ExpMq는 접선 공간 상의 점과 상기 리만 다양체 상의 점을 연결한 지수 맵인, 단계;
d. 상기 평균 이동 벡터 mh(Mq)가 임계값보다 높으면, 단계 a 내지 단계 c를 반복하는 단계;
e. 상기 평균 이동 벡터가 임계값보다 낮으면 Mq을 로컬 모드로 유지하는 단계;
ⅳ. h보다 낮은 거리와 모드의 결합에 의해 K개의 구별되는 로컬 모드를 획득하는 단계
에 따라 평균-이동에 의해 획득되는, 방법. - 제 8 항에 있어서,
상기 k = 1...K 기준 공분산 행렬은:
ⅰ. 하이퍼-파라미터 K를 규정하는 단계;
ⅱ. 데이터베이스로부터 신경 신호의 p = 1...P 공분산 행렬 Xp를 획득하고 k = 1...K 기준 Mk(상기 데이터베이스로부터 랜덤한 또는 임의의 속성)의 초기화를 규정하는 단계;
ⅲ. 각각의 행렬 Xp에 대해:
a. Xp와 각각의 행렬 Mk 사이의 K 거리 d(Mk, Xp)를 계산하는 단계;
b. 최소 거리가 주어지면 행렬 Xp를 클러스터 Kp
에 귀속하는 단계;
ⅳ. 각각의 클러스터에 귀속된 행렬의 리만 평균(means)으로서 상기 K 기준 행렬을 업데이트하는 단계:;
ⅴ. 상기 K 기준 행렬이 하나의 반복(iteration)으로부터 다른 반복으로 더 이상 변하지 않을 때까지 단계 ⅲ 및 단계 ⅳ를 반복(repeat)하는 단계
에 따라 k-평균에 의해 획득되는, 방법. - 제 1 항 내지 제 10 항 중 어느 한 항에 있어서,
상기 k = 1...K 기준 공분산 행렬은 적어도 하나의 피험자-특정 공분산 행렬을 더 포함하는, 방법. - 제 1 항 내지 제 11 항 중 어느 한 항에 있어서,
상기 적어도 하나의 신경 신호는 뇌파 측정법, 뇌전도 검사, 자기 뇌파 검사, 자기 공명 영상, 근적외선 분광법, 양전자 방출 단층 촬영 또는 입체 뇌파 검사에 의해 획득되는, 방법. - 피험자의 신경 활동의 자기-조절 변조 또는 외부 변조를 위한 시스템에 있어서:
- 피험자로부터 적어도 하나의 신경 신호를 획득하기 위한 획득 수단;
- 제 1 항 내지 제 12 항 중 어느 한 항에 따른 방법을 구현하기 위한 컴퓨팅 장치;
- 상기 점수 s를 보고하기 위한 출력 수단을 포함하는, 시스템. - 기준 상태에 도달하기 위해 피험자의 신경 활동의 자기-조절 변조를 위한 방법에 있어서, 연속으로
- 상기 피험자로부터 적어도 하나의 신경 신호를 획득하는 단계; 및
- 제 1 항 내지 제 12 항 중 어느 한 항에 따른 방법에 의해 획득된 점수 s를 상기 피험자에게 실시간 보고하는 단계를 포함하는, 방법. - 기준 상태에 도달하기 위해 피험자의 신경 활동의 외부 변조를 위한 비-치료 방법에 있어서:
- 상기 피험자로부터 적어도 하나의 신경 신호를 획득하는 단계;
- 제 1 항 내지 제 12 항 중 어느 한 항에 따른 방법에 의해 획득된 점수 s를 조작자에게 실시간으로 보고하는 단계; 및
- 상기 점수 s를 상기 기준 상태에 의해 규정된 목표 점수쪽으로 변조하기 위해 상기 피험자에 외부 변조를 적용하는 단계를 포함하는, 방법. - 제 15 항에 있어서,
상기 외부 변조는 심뇌 자극, 간접 뇌 자극, 전기 경련 요법, 자기 경련 요법, 경두개 직류 자극, 경두개 자기 자극, 반복 경두개 자기 자극 또는 미주 신경 자극에 의해 적용되는, 방법.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| EP14193106 | 2014-11-13 | ||
| EP14193106.3 | 2014-11-13 | ||
| PCT/EP2015/076629 WO2016075324A1 (en) | 2014-11-13 | 2015-11-13 | Scoring method based on improved signals analysis |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20170086056A true KR20170086056A (ko) | 2017-07-25 |
Family
ID=51904752
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020177015061A KR20170086056A (ko) | 2014-11-13 | 2015-11-13 | 개선된 신호 분석에 기초한 스코어링 방법 |
Country Status (7)
| Country | Link |
|---|---|
| US (1) | US11116437B2 (ko) |
| EP (1) | EP3217869B1 (ko) |
| JP (1) | JP2017537686A (ko) |
| KR (1) | KR20170086056A (ko) |
| CN (1) | CN107106069A (ko) |
| BR (1) | BR112017009991A2 (ko) |
| WO (1) | WO2016075324A1 (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220101981A1 (en) * | 2020-09-28 | 2022-03-31 | xSensa Labs | Method and system for neuromodulation |
Families Citing this family (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3335630A1 (en) * | 2016-12-15 | 2018-06-20 | Mensia Technologies | Improved signal quality index of multichannel bio-signal using riemannian geometry |
| US20190073605A1 (en) * | 2017-02-27 | 2019-03-07 | Andrew Jay KELLER | Systems and methods for real-time neural command classification and task execution |
| US10713563B2 (en) * | 2017-11-27 | 2020-07-14 | Technische Universiteit Eindhoven | Object recognition using a convolutional neural network trained by principal component analysis and repeated spectral clustering |
| EP3709870A1 (en) * | 2017-12-22 | 2020-09-23 | Bioserenity | System and method for calculation of an index of brain activity |
| CN109657642A (zh) * | 2018-12-29 | 2019-04-19 | 山东建筑大学 | 一种基于黎曼距离的运动想象脑电信号分类方法及系统 |
| US11786694B2 (en) | 2019-05-24 | 2023-10-17 | NeuroLight, Inc. | Device, method, and app for facilitating sleep |
| CN110320411A (zh) * | 2019-07-05 | 2019-10-11 | 北京无线电计量测试研究所 | 一种脉冲幅度不确定度修正方法 |
| CN111615046B (zh) * | 2020-05-11 | 2021-08-24 | 腾讯音乐娱乐科技（深圳）有限公司 | 一种音频信号处理方法及装置、计算机可读存储介质 |
| CN111723661B (zh) * | 2020-05-18 | 2023-06-16 | 广州光达创新科技有限公司 | 一种基于流形嵌入分布对齐的脑机接口迁移学习方法 |
| WO2023057691A1 (fr) * | 2021-10-08 | 2023-04-13 | Institut National de la Santé et de la Recherche Médicale | Procede multimodal de detection d'un changement d'etat physiologique d'un patient et dispositif de surveillance d'un patient pour la mise en œuvre d'un tel procede |
| CN114224341B (zh) * | 2021-12-02 | 2023-12-15 | 浙大宁波理工学院 | 基于可穿戴前额脑电的抑郁症快速诊断筛查系统及方法 |
| CN113951887B (zh) * | 2021-12-22 | 2022-03-25 | 北京航空航天大学杭州创新研究院 | 一种频谱匹配独立成分分析方法及系统 |
| CN117349603B (zh) * | 2023-12-06 | 2024-03-12 | 小舟科技有限公司 | 脑电信号的自适应降噪方法及装置、设备、存储介质 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5355889A (en) * | 1992-06-09 | 1994-10-18 | Albert Eisenstein Health Care Foundation | Monitoring system for producing patient status indicator |
| EP1702558A1 (en) * | 2005-02-28 | 2006-09-20 | Euro-Celtique S.A. | Method and device for the assessment of bowel function |
| GB2465230B (en) | 2008-11-17 | 2013-08-21 | Dialog Devices Ltd | Assessing a subject's circulatory system |
| US8280839B2 (en) * | 2010-02-25 | 2012-10-02 | Mitsubishi Electric Research Laboratories, Inc. | Nearest neighbor methods for non-Euclidean manifolds |
| FR2962821B1 (fr) * | 2010-07-13 | 2013-02-22 | Commissariat Energie Atomique | Procede et systeme de classification de signaux neuronaux, et procede de selection d'electrodes pour commande neuronale directe. |
| CN102179001A (zh) * | 2011-04-25 | 2011-09-14 | 暨南大学 | 一种基于脑电图生物反馈的睡眠治疗装置及其控制方法 |
| FR2990124B1 (fr) | 2012-05-03 | 2014-04-25 | Univ Paris Curie | Procede de caracterisation de l'etat physiologique d'un patient a partir de l'analyse de son activite electrique cerebrale, et dispositif de surveillance faisant application |
| CA2935813C (en) * | 2013-01-08 | 2021-12-21 | Interaxon Inc. | Adaptive brain training computer system and method |
| US20140303424A1 (en) * | 2013-03-15 | 2014-10-09 | Iain Glass | Methods and systems for diagnosis and treatment of neural diseases and disorders |
| CN104825159B (zh) * | 2015-04-23 | 2017-08-22 | 张鸣沙 | 脑电同频检测方法、脑电同频刺激方法与装置 |
-
2015
- 2015-11-13 JP JP2017525401A patent/JP2017537686A/ja active Pending
- 2015-11-13 BR BR112017009991-8A patent/BR112017009991A2/pt not_active Application Discontinuation
- 2015-11-13 WO PCT/EP2015/076629 patent/WO2016075324A1/en active Application Filing
- 2015-11-13 KR KR1020177015061A patent/KR20170086056A/ko unknown
- 2015-11-13 US US15/526,351 patent/US11116437B2/en active Active
- 2015-11-13 EP EP15797939.4A patent/EP3217869B1/en active Active
- 2015-11-13 CN CN201580072469.9A patent/CN107106069A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220101981A1 (en) * | 2020-09-28 | 2022-03-31 | xSensa Labs | Method and system for neuromodulation |
Also Published As
| Publication number | Publication date |
|---|---|
| BR112017009991A2 (pt) | 2018-02-14 |
| WO2016075324A1 (en) | 2016-05-19 |
| US11116437B2 (en) | 2021-09-14 |
| CN107106069A (zh) | 2017-08-29 |
| JP2017537686A (ja) | 2017-12-21 |
| EP3217869A1 (en) | 2017-09-20 |
| EP3217869B1 (en) | 2022-05-25 |
| US20170311832A1 (en) | 2017-11-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3217869B1 (en) | Scoring method based on improved signals analysis | |
| US11253701B2 (en) | Transcranial stimulation device and method based on electrophysiological testing | |
| JP2023521187A (ja) | 脳波に対する測定、分析、制御に基づく音響電気刺激ニューロモデュレーション方法および装置 | |
| Casson et al. | Electroencephalogram | |
| US20200038653A1 (en) | Multimodal closed-loop brain-computer interface and peripheral stimulation for neuro-rehabilitation | |
| Paek et al. | Decoding repetitive finger movements with brain activity acquired via non-invasive electroencephalography | |
| JP2019528104A (ja) | 生体信号のモニタリングのための耳内感知システムおよび方法 | |
| US20110295142A1 (en) | Detector for identifying physiological artifacts from physiological signals and method | |
| US11543879B2 (en) | System for communicating sensory information with an interactive system and methods thereof | |
| JP2008529743A (ja) | 脳波図を用いる神経治療への反応を予測するシステムおよび方法 | |
| JP2007515200A5 (ko) | ||
| Pun et al. | Brain-computer interaction research at the Computer Vision and Multimedia Laboratory, University of Geneva | |
| Kumar et al. | Classification of error-related potentials using linear discriminant analysis | |
| Alamudun et al. | Removal of subject-dependent and activity-dependent variation in physiological measures of stress | |
| Hossain et al. | A preliminary study on automatic motion artifact detection in electrodermal activity data using machine learning | |
| US20210307684A1 (en) | System and method for implementing a stimulation protocol | |
| CN113614751A (zh) | 脑电图信号的识别和提取 | |
| Mahmood et al. | Introduction to Non-Invasive Biomedical Signals for Healthcare | |
| Munavalli et al. | Introduction to Brain–Computer Interface: Applications and Challenges | |
| JP6304626B2 (ja) | リハビリテーション装置 | |
| Kaur et al. | Analyzing eeg based neurological phenomenon in bci systems | |
| Bulagang et al. | Tuning support vector machines for improving four-class emotion classification in virtual reality (vr) using heart rate features | |
| JP6749777B2 (ja) | リハビリテーション装置 | |
| Das et al. | Design approach of Eye Tracking and Mind Operated Motorized System | |
| US11938275B2 (en) | Systems, methods, and devices for custom sleep implementation |