KR20210103370A - 수술 전 뇌 신호를 이용한 마취제 요구량 예측 방법 및 장치 - Google Patents

수술 전 뇌 신호를 이용한 마취제 요구량 예측 방법 및 장치 Download PDF

Info

Publication number
KR20210103370A
KR20210103370A KR1020200096937A KR20200096937A KR20210103370A KR 20210103370 A KR20210103370 A KR 20210103370A KR 1020200096937 A KR1020200096937 A KR 1020200096937A KR 20200096937 A KR20200096937 A KR 20200096937A KR 20210103370 A KR20210103370 A KR 20210103370A
Authority
KR
South Korea
Prior art keywords
anesthetic
demand
subject
brain
information
Prior art date
Application number
KR1020200096937A
Other languages
English (en)
Other versions
KR102476684B9 (ko
KR102476684B1 (ko
Inventor
이성환
이민지
권용석
Original Assignee
고려대학교 산학협력단
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 고려대학교 산학협력단 filed Critical 고려대학교 산학협력단
Publication of KR20210103370A publication Critical patent/KR20210103370A/ko
Application granted granted Critical
Publication of KR102476684B1 publication Critical patent/KR102476684B1/ko
Publication of KR102476684B9 publication Critical patent/KR102476684B9/ko

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • 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]
    • 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
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • 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
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/02—Reservations, e.g. for tickets, services or events
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • 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
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Epidemiology (AREA)
  • Software Systems (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Primary Health Care (AREA)
  • Heart & Thoracic Surgery (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Physiology (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Cardiology (AREA)
  • Business, Economics & Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Chemical & Material Sciences (AREA)
  • Psychology (AREA)
  • Medicinal Chemistry (AREA)
  • Tourism & Hospitality (AREA)
  • Oral & Maxillofacial Surgery (AREA)

Abstract

본 발명의 일 실시예에 따르는, 컴퓨터 장치에 의해 수행되는, 수술 전 뇌 신호를 이용한 마취제 요구량 예측 방법은 (a) 수술 전부터 측정된 피측정자의 뇌 신호에 대한 전처리 및 주파수별 특징 정보를 추출하는 단계; (b) 주파수별 특징 정보를 마취제 요구량 예측 모델에 입력하여 피측정자에 대한 최소 마취제 요구량 및 최대 마취제 요구량을 예측하는 단계; 및 (c) 예측된 최소 마취제 요구량, 최대 마취제 요구량 및 피측정자의 개인정보를 최적 마취제 요구량 예측 모델에 입력하여 피측정자에 대한 최적의 마취제 요구량을 예측하는 단계를 포함한다.

Description

수술 전 뇌 신호를 이용한 마취제 요구량 예측 방법 및 장치{METHOD AND APPARATUS FOR PREDICTION THE ANESTHETIC REQUIREMENTS USING PREOPERATIVE BRAIN SIGNALS}
본 발명은 수술 전 뇌 신호를 이용한 마취제 요구량 예측 방법 및 장치에 관한 것이다.
일반적으로 수술 및 치료와 같은 의료행위를 할 경우, 수술 시 수반되는 통증을 없애기 위해 마취를 하게 된다. 최근에 마취는 수술을 위해서 수술실에서만 행해지는 것이 아니라, 검사 중 환자가 느낄 수 있는 통증을 없애거나, 환자의 움직임이 없어야 시행할 수 있는 각종 검사나 중재적 시술을 진행하기 위해서도 폭넓게 사용되고 있다.
마취 및 의식 심도가 적정하게 유지되는 것은 환자에게 중요하다. 마취가 얕으면 수술 도중 깨어나 고통을 겪기도 하고, 반대로 마취가 너무 깊으면 심장발작·합병증·사망에 이를 수 있다. 수술이나 수면내시경 시술을 위한 마취과정에서 발생하는 사고는 1만 명 당 0.8~3.3명이다. 이 가운데 0.9명은 뇌 손상까지 유발한다. 특히 마취한 뒤 시술할 때 환자가 호흡이 곤란해져도 제대로 의사표시를 할 수 없다는 게 더 큰 문제이다. 이러한 마취로 인한 사고는 불특정 다수에게 불시에 일어날 수 있고, 곧바로 환자 사망으로 이어질 수 있을 수 있기 때문에 예방이 최선일 수밖에 없다. 이런 사고를 방지하기 위해 마취 및 의식 심도를 정량적으로 평가하는 것이 필요하지만, 현재 마취 심도는 환자의 상태를 파악하여 마취약의 농도를 조절하는 마취통증의학과 의사의 경험과 지식에 의해 결정된다. 따라서 마취를 유도할 수 있는 최소의 마취제 요구량과 부작용을 일으키지 않는 최대의 마취제를 객관적으로 추정할 수 있는 장치가 필요하다.
현재 마취 심도 모니터링 시장의 90% 이상을 차지하는 대표적인 환자 감시 장치인 이중분광지수(Bispectral index, BIS)나 엔트로피 지수는 뇌의 활성 정도를 통해 마취 심도를 예측한다. 특히, BIS는 1부터 100까지 마취 심도를 나타내게 되며, 수술 중 적절한 범위는 40~60으로 알려져 있다. 40보다 낮으면 너무 마취가 깊게 된 것이고, 60보다 높으면 마취가 얕게 되어 있다는 것을 말하며, 80 이상이 되면 환자가 외부의 자극을 느끼게 되어 수술 후 통증을 기억하는 ‘수술 중 각성’과 같은 마취 사고가 발생할 가능성이 높다. 수술 중 각성은 마취 중 환자의 의식이 깨어나 수술 중 고통을 느끼면서도 몸은 움직일 수 없는 경우를 말하며, 보통 1,000명당 1명꼴로 발생하는 것으로 보고되어 있다. 통증과 마비 느낌이 동반되는 경우 죽음에 대한 공포, 불안감 등의 ‘외상 후 스트레스 장애(Post-traumatic stress disorder)가 발생할 가능성이 매우 높다. 따라서 적정 BIS 범위 내에서 마취를 유지하는 것이 가장 이상적이며, 적정량의 마취제를 사용할 수가 있어서 수술이 끝나고 마취에서 빨리 깨어날 수가 있고, 구토나 어지러움을 방지할 수가 있다. 그러나 이러한 기술들은 마취 및 의식 심도를 판단하는데 참고하는 수치일 뿐, 최종적으로 의식과 무의식의 판별은 의사의 주관적 판단이 필요하고, 진정 평가 척도와 상이한 결과가 빈번하게 발생하며, 수치화까지 최대 60초의 시간이 필요하기 때문에 갑작스럽게 일어날 수 있는 의료 사고에 대한 즉각적인 대처가 불가능하다는 단점이 있다. 또한 전신마취에는 높은 신뢰도를 가지고 있으나, 진정마취 상태 분류에는 낮은 신뢰도와 성능을 보여 실제 의식 심도 모니터링에 한계점을 가지고 있다. 따라서 수술 전의 환자의 상태를 고려하여 의사에게 적절한 마취제 투여량을 제시하여 의료사고 발생을 최소화할 수 있게 도와줄 수 있는 시스템이 필요하다.
한편, 생체신호를 사용하여 마취 및 의식 심도를 측정하는 기술로서 대한민국 특허등록 제 10-1079785호(발명의 명칭: 마취심도 지표 산출을 위한 뇌전도 분석 장치)는 다수의 파라미터를 추출하여 마취심도 사이의 상관관계를 기준으로 환경이나 사용자에 따라 적합한 파라미터 추출법에 관한 기술을 개시하고 있다. 그러나, 단일 지표 개발이 아닌 특징 추출 기술에 관한 것으로 다양한 환경 변수에 따라 변화하는 마취 및 의식 심도를 파악하는데 어려움이 있다.
한편, 신체가 마취되면 의식에서 무의식 상태로 전이하면서 신경계가 가지고 있는 정보통합능력이 현저하게 감소하며, 의식의 소실은 뇌 신호의 시간적ㆍ공간적 자기조직화가 깨지면서 일어난다. 특히 의식이 없어질 때 인지를 다루는 전두엽에서 감각을 다루는 후두엽으로 흘러가는 정보가 급격하게 감소한다. 정맥주사로 주입되는 마취제의 경우 마취제가 뇌까지 도달하는 속도가 심박출량과 같은 심장 기능에 영향을 받으며 환자가 마취될 때까지 필요한 마취제 요구량에 영향을 주는 것이 밝혀졌다. 또한 신체적인 기능 이외에 환자의 심리적 상태와 통증에 대한 민감도 등도 마취제 요구량에 영향을 준다는 연구결과가 보고되었다. 이에 따라 최근 연구에서는 수술 전 뇌파에서 마취에 필요한 최소의 마취제 요구량을 Canonical correlation analysis를 통해 예측함으로써 수술 전 뇌파만으로도 마취제 요구량을 충분히 예측 가능함이 보고되었다.
마취 및 의식 심도를 측정하는 이유 중 하나는 마취 중 변화하는 마취 및 의식심도가 호흡이 멈추거나, 인지능력에 손상을 일으킬 수 있는 수준에 도달하지 않게 하고, 수술 중 마취에서 깨어나는 일을 막기 위해서다. 하지만 이는 수술자가 지속적으로 지표를 확인해야하며 환자간의 편차와 수술 상황간의 편차를 수술자의 주관적인 경험을 활용하여 판단해야 한다는 문제가 있다.
따라서, 단순하게 뇌의 전기적 신호 자체를 분석하는 것이 아니라, 의식과 무의식에서 중요한 뇌 신호의 특징을 수치화하여 앞서 언급된 기술들의 한계점을 극복할 수 있는 수술 전 뇌 신호를 이용한 마취제 요구량을 예측하는 방법이 요구되고 있다.
본 발명은 수술 전의 뇌 신호를 측정하고, 측정된 뇌 신호를 통해 개개인마다 또는 개인의 여러 상황에 따라 다른 마취제 요구량을 예측할 수 있는 수술 전 뇌 신호를 이용한 마취제 요구량 예측 방법 및 장치를 제공하는 것을 목적으로 한다.
본 발명의 일 실시예에 따르는, 컴퓨터 장치에 의해 수행되는, 수술 전 뇌 신호를 이용한 마취제 요구량 예측 방법은 (a) 수술 전부터 측정된 피측정자의 뇌 신호에 대한 전처리 및 주파수별 특징 정보를 추출하는 단계; (b) 주파수별 특징 정보를 마취제 요구량 예측 모델에 입력하여 피측정자에 대한 최소 마취제 요구량 및 최대 마취제 요구량을 예측하는 단계; 및 (c) 예측된 최소 마취제 요구량, 최대 마취제 요구량 및 피측정자의 개인정보를 최적 마취제 요구량 예측 모델에 입력하여 피측정자에 대한 최적의 마취제 요구량을 예측하는 단계를 포함한다.
(a) 단계는 수술 전 깨어있는 상태부터 마취 경과 시간 동안 측정된 피측정자의 뇌 신호를 획득하는 단계; 측정된 뇌 신호들을 주파수별 특징 분석에 적합하도록 전처리하는 단계; 및 전처리된 뇌 신호들에 기초하여 각 주파수 별로 두 채널 간의 기능적 연결성과 엔트로피 분석을 수행하는 단계를 포함한다.
(b) 단계는 사용자에 의해 데이터베이스에 저장된 마취제 중 적어도 하나가 선택된 경우, 선택된 마취제에 해당하는 마취 데이터 정보를 추출하는 단계; 및 추출된 마취 데이터 정보를 학습 데이터로 하여 마취제 요구량 예측 모델을 학습시키는 단계를 포함하되, 마취 데이터 정보는 기존 환자에 대한 수술 전 뇌파, 마취제의 종류, 최소 마취 요구량 및 최대 마취 요구량을 포함한다.
(b) 단계는 주파수별 특징 정보에 기초하여 뇌파의 공간적인 정보를 처리하는 단계; 및 뇌파의 시간적인 정보를 처리하는 단계를 포함하되, 공간적인 정보는 컨볼루션 뉴럴 네트워크(Convolutional Neural Network) 및 오토 인코더(Autoencoder)를 포함하는 기계학습 알고리즘으로 분석하고, 시간적인 정보는 양방향 순환 뉴럴 네트워크(Bi-directional recurrent neural network), 장단기 기억(Long Short-Term Memory), 게이트 순환 유닛 (Gated recurrent unit) 및 은닉 마르코프 모델 (Hidden markov model)을 포함하는 기계학습 알고리즘으로 분석한다.
(c) 단계는 선택된 마취제에 따라 예측된 최소 마취제 요구량, 최대 마취제 요구량 및 사용자에 의해, 입력된 피측정자의 개인정보를 학습 데이터로 하여 최적 마취제 요구량 예측 모델을 학습시키는 단계를 포함하되, 개인정보는 피측정자의 나이, 몸무게, 키, 성별 및 심박출량을 포함하는 것이고, 최적 마취제 요구량 예측 모델은 테이블형 학습 데이터의 처리를 위해 선형 판별 분석(Linear discriminant analysis), 서포트 벡터 머신(Support vector machine) 및 랜덤 포레스트 분류기(Random forest classifier)를 포함한다.
본 발명의 다른 실시예에 따른 수술 전 뇌 신호를 이용한 마취제 요구량 예측 장치는 수술 전 뇌 신호를 이용한 마취제 요구량 예측 방법을 수행하기 위한 프로그램이 저장된 메모리; 및 프로그램을 수행하는 프로세서;를 포함하며, 프로세서는, 프로그램의 실행에 따라, 수술 전부터 측정된 피측정자의 뇌 신호에 대한 전처리 및 주파수별 특징 정보를 추출하고, 주파수별 특징 정보를 마취제 요구량 예측 모델에 입력하여 피측정자에 대한 최소 마취제 요구량 및 최대 마취제 요구량을 예측하고, 예측된 최소 마취제 요구량, 최대 마취제 요구량 및 피측정자의 개인정보를 최적 마취제 요구량 예측 모델에 입력하여 피측정자에 대한 최적의 마취제 요구량을 예측한다.
프로세서는 수술 전 깨어있는 상태부터 마취 경과 시간 동안 측정된 피측정자의 뇌 신호를 획득하고, 측정된 뇌 신호들을 주파수별 특징 분석에 적합하도록 전처리하고, 전처리된 뇌 신호들에 기초하여 각 주파수 별로 두 채널 간의 기능적 연결성과 엔트로피 분석을 수행한다.
프로세서는 사용자에 의해 데이터베이스에 저장된 마취제 중 적어도 하나가 선택된 경우, 선택된 마취제에 해당하는 마취 데이터 정보를 추출하고, 추출된 마취 데이터 정보를 학습 데이터로 하여 마취제 요구량 예측 모델을 학습시키되, 마취 데이터 정보는 기존 환자에 대한 수술 전 뇌파, 마취제의 종류, 최소 마취 요구량 및 최대 마취 요구량을 포함한다.
프로세서는 주파수별 특징 정보에 기초하여 뇌파의 공간적인 정보를 처리하고, 뇌파의 시간적인 정보를 처리하되, 공간적인 정보는 컨볼루션 뉴럴 네트워크(Convolutional Neural Network) 및 오토 인코더(Autoencoder)를 포함하는 기계학습 알고리즘으로 분석하고, 시간적인 정보는 양방향 순환 뉴럴 네트워크(Bi-directional recurrent neural network), 장단기 기억(Long Short-Term Memory), 게이트 순환 유닛 (Gated recurrent unit) 및 은닉 마르코프 모델 (Hidden markov model)을 포함하는 기계학습 알고리즘으로 분석한다.
프로세서는 선택된 마취제에 따라 예측된 최소 마취제 요구량, 최대 마취제 요구량 및 사용자에 의해, 입력된 피측정자의 개인정보를 학습 데이터로 하여 최적 마취제 요구량 예측 모델을 학습시키되, 개인정보는 피측정자의 나이, 몸무게, 키, 성별 및 심박출량을 포함하는 것이고, 최적 마취제 요구량 예측 모델은 테이블형 학습 데이터의 처리를 위해 선형 판별 분석(Linear discriminant analysis), 서포트 벡터 머신(Support vector machine) 및 랜덤 포레스트 분류기(Random forest classifier)를 포함하는 기계학습 알고리즘으로 분석한다.
본 발명은 수술 전의 사용자의 뇌 신호를 측정하고, 측정된 뇌 신호를 분석하여 마취가 유도되는 최소의 마취제 요구량과 부작용을 일으키지 않는 최대의 마취제 요구량을 예측할 수 있다.
또한 사용자에게 적절한 마취제 요구량의 범위를 수술 전에 미리 제시하기 때문에, 기존 방법보다 안전하게 마취를 유도시키는 것이 가능하다.
도 1은 본 발명의 일 실시예에 따른 수술 전 뇌 신호를 이용한 마취제 요구량 예측 시스템의 구성도이다.
도 2는 도 1의 프로세서의 구성을 설명하는 블록도이다.
도 3은 본 발명의 일 실시예에 따른 주파수 별 특징인 파워 스펙트럼 밀도(Power spectral density)를 설명하기 위한 그래프이다.
도 4는 본 발명의 일 실시예에 따른 주파수 별 특징인 스펙트럼 엔트로피(Spectral entropy)를 설명하기 위한 그래프이다.
도 5는 본 발명의 일 실시예에 따른 최적 마취제 예측을 위한 모델 학습 방법을 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시예에 따른 수술 전 뇌 신호를 이용한 마취제 요구량 예측 장치에 따라 예측된 피측정자의 마취제 요구량이 표시된 사용자 인터페이스의 예시도이다.
도 7은 본 발명의 일 실시예에 따른 수술 전 뇌 신호를 이용한 마취제 요구량 예측 방법을 설명하기 위한 순서도이다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
본 명세서에 있어서 '부(部)'란, 하드웨어에 의해 실현되는 유닛(unit), 소프트웨어에 의해 실현되는 유닛, 양방을 이용하여 실현되는 유닛을 포함한다. 또한, 1 개의 유닛이 2 개 이상의 하드웨어를 이용하여 실현되어도 되고, 2 개 이상의 유닛이 1 개의 하드웨어에 의해 실현되어도 된다. 한편, '~부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니며, '~부'는 어드레싱 할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 '~부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 '~부'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '~부'들로 결합되거나 추가적인 구성요소들과 '~부'들로 더 분리될 수 있다. 뿐만 아니라, 구성요소들 및 '~부'들은 디바이스 또는 보안 멀티미디어카드 내의 하나 또는 그 이상의 CPU들을 재생시키도록 구현될 수도 있다.
이하에서 언급되는 "마취 및 의식 심도 모니터링 장치"는 네트워크를 통해 서버나 타 단말에 접속할 수 있는 컴퓨터나 휴대용 단말기로 구현될 수 있다. 여기서, 컴퓨터는 예를 들어, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(desktop), 랩톱(laptop) 등을 포함하고, 휴대용 단말기는 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), Wibro(Wireless Broadband Internet), LTE(Long Term Evolution) 통신 기반 단말, 스마트폰, 태블릿 PC 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치를 포함할 수 있다. 또한, “네트워크”는 근거리 통신망(Local Area Network; LAN), 광역 통신망(Wide Area Network; WAN) 또는 부가가치 통신망(Value Added Network; VAN) 등과 같은 유선 네트워크나 이동 통신망(mobile radio communication network) 또는 위성 통신망 등과 같은 모든 종류의 무선 네트워크로 구현될 수 있다.
이하, 본 발명의 일 실시예에 대하여 구체적으로 설명하도록 한다.
도 1은 본 발명의 일 실시예에 따른 수술 전 뇌 신호를 이용한 마취제 요구량 예측 시스템의 구성도이다.
도 1을 참조하면, 본 발명의 일 실시예에 따르는 시스템은 뇌 신호 측정부(200), 마취제 요구량 예측 장치(100), 마취제 제시부(300)를 포함한다.
뇌 신호 측정부(200)는 수술 전 깨어있는 상태부터 마취 경과 시간 동안 변화하는 전기적 신호를 측정하기 위하여 피측정자의 두피에 접촉하거나 또는 두피에 인접한 복수의 전극을 통해 EEG(electroencephalography) 신호를 측정할 수 있다. 예시적으로, 뇌 신호 측정부(200)는 실용성을 위해 후두엽의 뇌 신호만을 측정해도 무방하다. 이때, 피측정자는 수술을 위한 마취가 요구되는 환자로서, 수술 전 깨어있는 상태일 수 있다.
일 예로, 뇌 신호 측정부(200)는 마취제 투여 전의 깨어있는 상태의 피측정자의 뇌 신호를 측정할 수 있다. 이때 측정된 뇌 신호를 기초로 마취제 요구량 예측 장치(100)에서 전처리 및 주파수별 특징 정보를 추출할 수 있다.
마취제 요구량 예측 장치(100)는 뇌 신호 측정부(200)와 무선 또는 유선으로 연결되어 수술 전부터 측정된 피측정자의 뇌 신호에 대한 전처리 및 주파수별 특징 정보를 추출하고, 주파수별 특징 정보를 마취제 요구량 예측 모델에 입력하여 피측정자에 대한 최소 마취제 요구량 및 최대 마취제 요구량을 예측하고, 예측된 최소 마취제 요구량, 최대 마취제 요구량 및 피측정자의 개인정보를 최적 마취제 요구량 예측 모델에 입력하여 피측정자에 대한 최적의 마취제 요구량을 예측할 수 있다. 그리고, 예측된 피측정자의 최소 및 최대 마취제 요구량과 최적의 마취제 요구량을 마취제 제시부(300)로 제공할 수 있다.
마취제 제시부(300)는 예측된 피측정자의 최소 및 최대 마취제 요구량과 최적 마취제 요구량을 사용자에게 사용자 인터페이스를 통해 시각적으로 제시한다. 이와 같은 사용자 인터페이스에 대한 상세한 설명은 도 6을 참조하여 후술하도록 한다.
한편, 정보통합이론(Integrated information theory)에 따르면, 의식을 가지고 있을 때에는 대뇌의 정보 통합이 이루어져 있으나, 무의식에는 전기적 활성 신호가 있으나 대뇌의 정보 통합이 깨져있다고 설명하고 있다. 또한 최근에는 후두엽을 Posterior Hot Zone이라고 부르며, 의식의 상관 관계(Neural correlates of consciousness)가 가장 높은 지역으로서, 의식의 수준에 따른 특징이 가장 명확하게 드러나는 뇌 영역으로 밝혀지고 있다. 즉, 신체가 마취되면 의식에서 무의식 상태로 전이하면서 신경계가 가지고 있는 정보통합능력이 현저하게 감소하며, 의식의 소실은 뇌파의 시간적ㆍ공간적 자기조직화가 깨지면서 일어난다. 특히 의식이 없어질 때 인지를 다루는 전두엽에서 감각을 다루는 후두엽으로 흘러가는 정보가 급격하게 감소하게 된다. 이러한 의식과 무의식에서의 뇌의 변화는 단순히 뇌파의 전위와 주파수 파워 크기와 같은 단순한 지표만을 가지고서는 설명할 수 없다.
따라서, 본 발명에서는 단순하게 뇌의 전기적 신호 자체를 분석하는 것이 아니라, 의식과 무의식에서 중요한 뇌신경들의 상호작용을 수치화하여 앞서 언급된 기술들의 한계점을 극복할 수 있는 방법을 제안한다. 다시 말해서, 뇌 신경계의 정보통합이 마취에 의해 바뀐다는 인지통합적 패러다임을 바탕으로 뇌 네트워크 분석을 통해 서로 다른 영역들끼리의 상호작용까지 파악함으로써 수술 전 뇌 신호 분석을 통한 마취제 요구량 예측할 수 있다.
이하, 본 발명의 일 실시예에 따른 수술 전 뇌 신호를 이용한 마취제 요구량 예측 장치(100)의 구성에 대하여 구체적으로 설명하도록 한다.
도 2는 도 1의 프로세서의 구성을 설명하는 블록도이다.
도2를 참조하면, 마취제 요구량 예측 장치(100)는 수술 전 뇌 신호를 이용한 마취제 요구량 예측 방법을 수행하기 위한 프로그램이 저장된 메모리(110) 및 프로그램(또는 애플리케이션)을 수행하는 프로세서(120)를 포함하여 구성될 수 있다. 여기서 프로세서(120)는 메모리(110)에 저장된 프로그램의 실행에 따라 다양한 기능을 수행할 수 있는데, 각 기능에 따라 프로세서(120)에 포함되는 세부 모듈들을 전처리부(121), 특징 추출부(122), 최소 마취제 예측부(123), 최대 마취제 예측부(124) 및 최적 마취제 예측부(125)로 나타낼 수 있다.
전처리부(121)는 뇌 신호 측정부(200)로부터 수술 전 깨어있는 상태부터 마취 경과 시간 동안 측정된 피측정자의 뇌 신호를 획득하고, 측정된 뇌 신호들을 주파수별 특징 분석에 적합하도록 전처리할 수 있다. 이때 뇌 신호는 두피에 접촉하거나 또는 두피에 인접한 전극에서 측정된 EEG 신호이다. 예시적으로, 전처리부(121)는 측정된 뇌 신호들로부터 머리 및 안구의 움직임이나 눈 깜빡임 등에 의한 잡음을 제거하고, 잡음이 제거된 뇌 신호들을 수면 또는 의식과 관련된 특정 주파수 대역으로 필터링을 수행할 수 있다. 일 예로, 뇌 신호(예를 들어, 뇌파 데이터)에 대한 분석은 30초의 시간 창(Time window) 범위 내에서 이루어질 수 있다. 또한, 프로세서(120)는 뇌파 데이터에 대해 특정 주파수 영역으로 필터링한 후, 특징 추출부(122)를 통해 주파수 영역에서의 분석을 진행할 수 있다.
한편, 뇌 신호는 주파수와 전압의 범위에 따라 델타, 쎄타, 알파, 베타, 감마파 등으로 나눠진다. 델타(δ)파는 0.1~4Hz의 주파수와 20~200μV의 진폭을 보이며, 정상인의 깊은 수면 상태나 신생아들로부터 주로 나타난다. 쎄타(θ)파는 4~8Hz의 주파수와 20~100μV의 진폭을 보이며, 정서적으로 안정된 상태나 수면상태에서 나타난다. 알파(α)파는 8~12Hz의 주파수와 20~60μV의 진폭을 보이며, 긴장이 이완된 편안한 상태에서 나타나며 안정된 상태일수록 진폭이 증가된다. 베타(β)파는 12~30Hz의 주파수와 2~20μV의 진폭을 보이며, 깨어 있거나 의식적인 활동을 할 때 나타난다. 감마(γ)파는 30~50Hz의 주파수와 2~20μV의 진폭을 보이며, 강한 흥분 상태에서 나타난다.
특징 추출부(122)는 전처리된 뇌 신호들에 기초하여 각 주파수 별로 두 채널 간의 기능적 연결성과 엔트로피 분석을 수행할 수 있다.
도 3은 본 발명의 일 실시예에 따른 주파수 별 특징인 파워 스펙트럼 밀도(Power spectral density)를 설명하기 위한 그래프이다.
도 4는 본 발명의 일 실시예에 따른 주파수 별 특징인 스펙트럼 엔트로피(Spectral entropy)를 설명하기 위한 그래프이다.
도3은 마취제 요구량이 높은 그룹과 낮은 그룹에 따른 수술 전 전두엽의 파워 스펙트럼 밀도의 차이를 나타낸 것이다. 델타, 쎄타, 알파, 감마파 대역의 파워 스펙트럼 밀도는 마취제 요구량과 관계없지만, 스핀들(Spindle)과 베타파 대역의 파워 스펙트럼 밀도는 마취제 요구량이 높은 그룹일수록 낮은 값을 보인다.
도4는 마취제 요구량이 높은 그룹과 낮은 그룹에 따른 수술 전 스펙트럼 엔트로피의 차이를 나타낸 것이다. 델타, 쎄타, 알파파 대역, 스핀들, 그리고 베타파 대역의 스펙트럼 엔트로피는 마취제 요구량과 관계없지만, 감마파 대역의 스펙트럼 엔트로피는 마취제 요구량이 높은 그룹일수록 높은 값을 보인다.
다시 말해서, 피측정자들의 뇌 신호를 획득하고, 특징 추출부(122)를 통해 주파수 영역에서의 특징을 분석한 결과, 파워 스펙트럼 밀도의 경우, 스핀들과 베타파 대역에서 마취제 요구량이 높은 그룹이 마취제 요구량이 낮은 그룹보다 낮은 값을 가지며, 그 차이가 크게 나타났다. 또한, 스펙트럼 엔트로피의 경우, 감마파 대역에서 마취제 요구량이 높은 그룹이 마취제 요구량이 낮은 그룹보다 높은 값을 가지며, 그 차이가 과 낮은 그룹간의 차이가 크게 나타났다.
예를들어, 특징 추출부(122)는 마취제 요구량이 높은 그룹과 낮은 그룹 간의 특징 차이가 분명하게 나타나는 스핀들, 베타파 및 감마파 주파수 대역을 이용하여, 진폭 및 위상 값에 기초하여 두 채널 간의 기능적 연결성을 산출할 수 있다.
이때, 기능적 연결성(Functional connectivity)은 관심영역의 신호들의 위상이 서로 얼마나 동기화되어 있느냐를 판별하는 척도로서 위상 동기화 지수(Phase locking value), 위상 지연 지수(Phase lag index)등과 같은 값들을 포함한다.
상술한 파워 스펙트럼 밀도, 위상 동기화 지수, 위상 지연 지수, 스펙트럼 엔트로피를 구하는 구체적인 과정은 널리 알려진 공지의 기술이므로 그에 따른 상세한 설명은 생략한다. 특히, 수술 전 깨어있는 상태의 피측정자의 뇌 신호의 기능적 연결성 지수를 추출하여, 피측정자에 대한 적절한 마취제 요구량을 제공할 수 있다. 이에 따라, 피측정자(환자)는 적절한 마취제 요구량이 투여될 수 있어, 부작용을 예방할 수 있으며, 수술자가 수술에만 집중할 수 있도록 도우며, 인재에 의한 의료사고 또한 방지할 수 있다, 또한, 수술 전 깨어있을 때의 기능적 연결성 지수와 피측정자의 마취 및 의식 심도를 비교하여 제공할 수 있기 때문에, 의식에서 무의식으로 전환하는 시점 혹은 무의식에서 의식으로 전환하는 시점도 제공할 수 있어, 의식과 무의식을 정확하게 판별할 수 있는 바이오마커로 사용할 수 있다.
도 5는 본 발명의 일 실시예에 따른 최적 마취제 예측을 위한 모델 학습 방법을 설명하기 위한 도면이다.
도 5를 참조하면, 예시적으로, 사용자가 데이터베이스(130)에 저장된 마취제 중 적어도 하나를 선택하면(S11), 프로세서(120)는 선택된 마취제에 해당하는 마취 데이터 정보를 추출하고(S12), 추출된 마취 데이터 정보를 학습 데이터로 하여 마취제 요구량 예측 모델을 학습시킬 수 있다(S13, S22). 이때 마취 데이터 정보는 기존 환자에 대한 수술 전 뇌파, 마취제의 종류, 최소 마취 요구량 및 최대 마취 요구량을 포함할 수 있다. 또한, 기존 환자에 대한 마취 데이터 정보에 기초한 최적 마취 요구량을 학습 데이터로 하여 최적 마취제 요구량 예측 모델을 학습시킬 수 있다(S14, S25).
예시적으로, 프로세서(120)는 뇌 신호 측정부(200)로부터 수술 전 깨어있는 상태부터 마취 경과 시간 동안 측정된 피측정자의 뇌 신호를 획득하고, 측정된 피측정자의 뇌 신호에 대한 전처리 및 주파수별 특징 정보를 추출할 수 있다(S21). 이어서, 주파수별 특징 정보를 마취제 요구량 예측 모델에 입력하여(S22), 피측정자에 대한 최소 마취제 요구량을 예측하고(S23-1), 피측정자에 대한 최대 마취제 요구량을 예측할 수 있다(S23-2). 다음으로, 프로세서(120)는 사용자에 의해 선택된 마취제에 따라 예측된 최소 마취제 요구량, 최대 마취제 요구량 및 사용자에 의해 입력된 피측정자의 개인정보(S24)를 학습 데이터로 하여, 최적 마취제 요구량 예측 모델을 학습시킬 수 있다(S25). 여기서, 개인정보는 피측정자(환자)의 나이, 몸무게, 키, 성별 및 심박출량을 포함할 수 있다.
이후, 기존 환자의 마취 데이터 정보에 기초한 최적 마취 요구량(실제 값)과 최적 마취제 요구량 예측 모델로부터 예측된 최적 마취 요구량(예측 값)과 비교하여 수술 전 피측정자에 대한 최적의 마취제 요구량을 예측할 수 있다(S26).
프로세서(120)는 주파수별 특징 정보에 기초하여 뇌파의 공간적인 정보를 처리하고, 뇌파의 시간적인 정보를 처리하되, 공간적인 정보는 컨볼루션 뉴럴 네트워크(Convolutional Neural Network) 및 오토 인코더(Autoencoder)를 포함하는 기계학습 알고리즘으로 분석하고, 시간적인 정보는 양방향 순환 뉴럴 네트워크(Bi-directional recurrent neural network), 장단기 기억(Long Short-Term Memory), 게이트 순환 유닛 (Gated recurrent unit) 및 은닉 마르코프 모델 (Hidden markov model)을 포함하는 기계학습 알고리즘으로 분석할 수 있다.
예시적으로, 최소 마취제 예측부(123)는 기계 학습 알고리즘을 이용하여 무의식의 시작 시점, 해당 의식 단계에서 뇌의 마취제 농도를 바탕으로 마취에 필요한 최소의 마취제 요구량을 예측할 수 있다.
예시적으로, 최대 마취제 예측부(124)는 기계 학습 알고리즘을 이용하여 부작용의 발생 시점, 해당 시점에서 뇌의 마취제 농도를 바탕으로 부작용을 일으키지 않는 최대의 마취제 요구량을 예측할 수 있다.
또한, 최적 마취제 요구량 예측 모델은 테이블형 학습 데이터의 처리를 위해 선형 판별 분석(Linear discriminant analysis), 서포트 벡터 머신(Support vector machine) 및 랜덤 포레스트 분류기(Random forest classifier)를 포함하는 기계학습 알고리즘으로 분석할 수 있다.
예시적으로, 최적 마취제 예측부(125)는 예측된 최소와 최대의 마취제 요구량과 환자의 나이, 성별, 심박출량 등 피측정자의 개인정보를 바탕으로 하여 피측정자(환자)에게 알맞은 최적의 마취제 요구량을 제시할 수 있다.
도 6은 본 발명의 일 실시예에 따른 수술 전 뇌 신호를 이용한 마취제 요구량 예측 장치에 따라 예측된 피측정자의 마취제 요구량이 표시된 사용자 인터페이스의 예시도이다.
도 6을 참조하면, 마취제 제시부(300)는 피측정자의 측정된 뇌 신호를 표시하고, 피측정자의 마취를 유도하는 최소 마취제 요구량과 부작용을 일으키지 않는 최대 마취제 요구량을 표시하고, 최소 및 최대 요구량으로부터 산출된 최적의 마취제 요구량을 표시할 수 있다. 또한, 마취제 제시부(300)는 데이터베이스(130)에 저장된 복수의 마취제 종류를 표시하여, 사용자에 의해 마취제가 선택된 경우, 선택되지 않은 다른 마취제와 식별가능하도록 표시될 수 있다. 또한 피측정자의 개인정보를 입력할 수 있는 예측 요소 입력부를 포함할 수 있다.
예시적으로, 사용자가 마취제의 종류를 선택하고, 피측정자(환자)의 성별, 나이, 몸무게, 키, 심박출량, 환자 병력 등의 개인정보를 입력하는 경우, 마취제 제시부(300)는 개인정보에 따라 부작용에 대한 환자의 손실이 다르므로, 이러한 특징을 고려하여 환자마다 적절한 마취제 요구량을 수술이 시작되기 전에 제시할 수 있다.
이하에서는 상술한 도1 내지 도6에 도시된 구성 중 동일한 기능을 수행하는 구성의 경우 설명을 생략하기로 한다.
도 7은 본 발명의 일 실시예에 따른 수술 전 뇌 신호를 이용한 마취제 요구량 예측 방법을 설명하기 위한 순서도이다.
도 7을 참조하면, 본 발명의 일 실시예에 따르는, 수술 전 뇌 신호를 이용한 마취제 요구량 예측 방법은 수술 전부터 측정된 피측정자의 뇌 신호에 대한 전처리 및 주파수별 특징 정보를 추출하는 단계(S110), 주파수별 특징 정보를 마취제 요구량 예측 모델에 입력하여 피측정자에 대한 최소 마취제 요구량 및 최대 마취제 요구량을 예측하는 단계(S120) 및 예측된 최소 마취제 요구량, 최대 마취제 요구량 및 피측정자의 개인정보를 최적 마취제 요구량 예측 모델에 입력하여 피측정자에 대한 최적의 마취제 요구량을 예측하는 단계(S130)를 포함한다.
S110단계는 수술 전 깨어있는 상태부터 마취 경과 시간 동안 측정된 피측정자의 뇌 신호를 획득하는 단계 측정된 뇌 신호들을 주파수별 특징 분석에 적합하도록 전처리하는 단계 및 전처리된 뇌 신호들에 기초하여 각 주파수 별로 두 채널 간의 기능적 연결성과 엔트로피 분석을 수행하는 단계를 포함할 수 있다.
S120단계는 사용자에 의해 데이터베이스에 저장된 마취제 중 적어도 하나가 선택된 경우, 선택된 마취제에 해당하는 마취 데이터 정보를 추출하는 단계 및 추출된 마취 데이터 정보를 학습 데이터로 하여 마취제 요구량 예측 모델을 학습시키는 단계를 포함하되, 마취 데이터 정보는 기존 환자에 대한 수술 전 뇌파, 마취제의 종류, 최소 마취 요구량 및 최대 마취 요구량을 포함할 수 있다.
S120단계는 주파수별 특징 정보에 기초하여 뇌파의 공간적인 정보를 처리하는 단계 및 뇌파의 시간적인 정보를 처리하는 단계를 포함하되, 공간적인 정보는 컨볼루션 뉴럴 네트워크(Convolutional Neural Network) 및 오토 인코더(Autoencoder)를 포함하는 기계학습 알고리즘으로 분석하고, 시간적인 정보는 양방향 순환 뉴럴 네트워크(Bi-directional recurrent neural network), 장단기 기억(Long Short-Term Memory), 게이트 순환 유닛 (Gated recurrent unit) 및 은닉 마르코프 모델 (Hidden markov model)을 포함하는 기계학습 알고리즘으로 분석할 수 있다.
S130 단계는 선택된 마취제에 따라 예측된 최소 마취제 요구량, 최대 마취제 요구량 및 사용자에 의해, 입력된 피측정자의 개인정보를 학습 데이터로 하여 최적 마취제 요구량 예측 모델을 학습시키는 단계를 포함하되, 개인정보는 피측정자의 나이, 몸무게, 키, 성별 및 심박출량을 포함하는 것이고, 최적 마취제 요구량 예측 모델은 테이블형 학습 데이터의 처리를 위해 선형 판별 분석(Linear discriminant analysis), 서포트 벡터 머신(Support vector machine) 및 랜덤 포레스트 분류기(Random forest classifier)를 포함한다.
본 발명의 일 실시예는 컴퓨터에 의해 실행되는 프로그램 모듈과 같은 컴퓨터에 의해 실행가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체를 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다. 본 발명의 방법 및 시스템은 특정 실시예와 관련하여 설명되었지만, 그것들의 구성 요소 또는 동작의 일부 또는 전부는 범용 하드웨어 아키텍쳐를 갖는 컴퓨터 시스템을 사용하여 구현될 수 있다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
100: 마취제 요구량 예측 장치
110: 메모리
120: 프로세서
130: 데이터베이스
200: 뇌 신호 측정부
300: 마취제 제시부

Claims (10)

  1. 컴퓨터 장치에 의해 수행되는, 수술 전 뇌 신호를 이용한 마취제 요구량 예측 방법에 있어서,
    (a) 수술 전부터 획득된 피측정자의 뇌 신호에 대한 전처리 및 주파수별 특징 정보를 추출하는 단계;
    (b) 상기 주파수별 특징 정보를 마취제 요구량 예측 모델에 입력하여 상기 피측정자에 대한 최소 마취제 요구량 및 최대 마취제 요구량을 예측하는 단계; 및
    (c) 상기 예측된 최소 마취제 요구량, 최대 마취제 요구량 및 상기 피측정자의 개인정보를 최적 마취제 요구량 예측 모델에 입력하여 상기 피측정자에 대한 최적의 마취제 요구량을 예측하는 단계를 포함하는, 수술 전 뇌 신호를 이용한 마취제 요구량 예측 방법.
  2. 제1항에 있어서,
    상기 (a) 단계는
    수술 전 깨어있는 상태부터 마취 경과 시간 동안 측정된 피측정자의 뇌 신호를 획득하는 단계;
    상기 측정된 뇌 신호들을 주파수별 특징 분석에 적합하도록 전처리하는 단계; 및
    상기 전처리된 뇌 신호들에 기초하여 각 주파수 별로 두 채널 간의 기능적 연결성과 엔트로피 분석을 수행하는 단계를 포함하는 것인, 수술 전 뇌 신호를 이용한 마취제 요구량 예측 방법.
  3. 제1항에 있어서,
    상기 (b) 단계는
    사용자에 의해 데이터베이스에 저장된 마취제 중 적어도 하나가 선택된 경우, 상기 선택된 마취제에 해당하는 마취 데이터 정보를 추출하는 단계; 및
    상기 추출된 마취 데이터 정보를 학습 데이터로 하여 상기 마취제 요구량 예측 모델을 학습시키는 단계를 포함하되,
    상기 마취 데이터 정보는 기존 환자에 대한 수술 전 뇌파, 마취제의 종류, 최소 마취 요구량 및 최대 마취 요구량을 포함하는 것인, 수술 전 뇌 신호를 이용한 마취제 요구량 예측 방법.
  4. 제1항에 있어서,
    상기 (b) 단계는
    상기 주파수별 특징 정보에 기초하여 뇌파의 공간적인 정보를 처리하는 단계; 및
    뇌파의 시간적인 정보를 처리하는 단계를 포함하되,
    상기 공간적인 정보는 컨볼루션 뉴럴 네트워크(Convolutional Neural Network) 및 오토 인코더(Autoencoder)를 포함하는 기계학습 알고리즘으로 분석하고,
    상기 시간적인 정보는 양방향 순환 뉴럴 네트워크(Bi-directional recurrent neural network), 장단기 기억(Long Short-Term Memory), 게이트 순환 유닛 (Gated recurrent unit) 및 은닉 마르코프 모델 (Hidden markov model)을 포함하는 기계학습 알고리즘으로 분석하는 것인, 수술 전 뇌 신호를 이용한 마취제 요구량 예측 방법.
  5. 제3항에 있어서,
    상기 (c) 단계는
    상기 선택된 마취제에 따라 예측된 최소 마취제 요구량, 최대 마취제 요구량 및 상기 사용자에 의해, 입력된 피측정자의 개인정보를 학습 데이터로 하여 상기 최적 마취제 요구량 예측 모델을 학습시키는 단계를 포함하되,
    상기 개인정보는 피측정자의 나이, 몸무게, 키, 성별 및 심박출량을 포함하는 것이고,
    상기 최적 마취제 요구량 예측 모델은
    테이블형 학습 데이터의 처리를 위해 선형 판별 분석(Linear discriminant analysis), 서포트 벡터 머신(Support vector machine) 및 랜덤 포레스트 분류기(Random forest classifier)를 포함하는 기계학습 알고리즘으로 분석한 것인, 수술 전 뇌 신호를 이용한 마취제 요구량 예측 방법.
  6. 수술 전 뇌 신호를 이용한 마취제 요구량 예측 장치에 있어서,
    수술 전 뇌 신호를 이용한 마취제 요구량 예측 방법을 수행하기 위한 프로그램이 저장된 메모리; 및
    상기 프로그램을 수행하는 프로세서;를 포함하며,
    상기 프로세서는, 상기 프로그램의 실행에 따라,
    수술 전부터 측정된 피측정자의 뇌 신호에 대한 전처리 및 주파수별 특징 정보를 추출하고,
    상기 주파수별 특징 정보를 마취제 요구량 예측 모델에 입력하여 상기 피측정자에 대한 최소 마취제 요구량 및 최대 마취제 요구량을 예측하고,
    상기 예측된 최소 마취제 요구량, 최대 마취제 요구량 및 상기 피측정자의 개인정보를 최적 마취제 요구량 예측 모델에 입력하여 상기 피측정자에 대한 최적의 마취제 요구량을 예측하는, 수술 전 뇌 신호를 이용한 마취제 요구량 예측 장치.
  7. 제6항에 있어서,
    상기 프로세서는
    수술 전 깨어있는 상태부터 마취 경과 시간 동안 측정된 피측정자의 뇌 신호를 획득하고,
    상기 측정된 뇌 신호들을 주파수별 특징 분석에 적합하도록 전처리하고,
    상기 전처리된 뇌 신호들에 기초하여 각 주파수 별로 두 채널 간의 기능적 연결성과 엔트로피 분석을 수행하는 것인, 수술 전 뇌 신호를 이용한 마취제 요구량 예측 장치.
  8. 제6항에 있어서,
    상기 프로세서는
    사용자에 의해 데이터베이스에 저장된 마취제 중 적어도 하나가 선택된 경우, 상기 선택된 마취제에 해당하는 마취 데이터 정보를 추출하고,
    상기 추출된 마취 데이터 정보를 학습 데이터로 하여 상기 마취제 요구량 예측 모델을 학습시키되,
    상기 마취 데이터 정보는 기존 환자에 대한 수술 전 뇌파, 마취제의 종류, 최소 마취 요구량 및 최대 마취 요구량을 포함하는 것인, 수술 전 뇌 신호를 이용한 마취제 요구량 예측 장치.
  9. 제6항에 있어서,
    상기 프로세서는
    상기 주파수별 특징 정보에 기초하여 뇌파의 공간적인 정보를 처리하고,
    뇌파의 시간적인 정보를 처리하되,
    상기 공간적인 정보는 컨볼루션 뉴럴 네트워크(Convolutional Neural Network) 및 오토 인코더(Autoencoder)를 포함하는 기계학습 알고리즘으로 분석하고,
    상기 시간적인 정보는 양방향 순환 뉴럴 네트워크(Bi-directional recurrent neural network), 장단기 기억(Long Short-Term Memory), 게이트 순환 유닛 (Gated recurrent unit) 및 은닉 마르코프 모델 (Hidden markov model)을 포함하는 기계학습 알고리즘으로 분석하는 것인, 수술 전 뇌 신호를 이용한 마취제 요구량 예측 장치.
  10. 제8항에 있어서,
    상기 프로세서는
    상기 선택된 마취제에 따라 예측된 최소 마취제 요구량, 최대 마취제 요구량 및 상기 사용자에 의해, 입력된 피측정자의 개인정보를 학습 데이터로 하여 상기 최적 마취제 요구량 예측 모델을 학습시키되,
    상기 개인정보는 피측정자의 나이, 몸무게, 키, 성별 및 심박출량을 포함하는 것이고,
    상기 최적 마취제 요구량 예측 모델은
    테이블형 학습 데이터의 처리를 위해 선형 판별 분석(Linear discriminant analysis), 서포트 벡터 머신(Support vector machine) 및 랜덤 포레스트 분류기(Random forest classifier)를 포함하는 기계학습 알고리즘으로 분석한 것인, 수술 전 뇌 신호를 이용한 마취제 요구량 예측 장치.
KR1020200096937A 2020-02-13 2020-08-03 수술 전 뇌 신호를 이용한 마취제 요구량 예측 방법 및 장치 KR102476684B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020200017852 2020-02-13
KR20200017852 2020-02-13

Publications (3)

Publication Number Publication Date
KR20210103370A true KR20210103370A (ko) 2021-08-23
KR102476684B1 KR102476684B1 (ko) 2022-12-13
KR102476684B9 KR102476684B9 (ko) 2023-11-13

Family

ID=77499462

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200096937A KR102476684B1 (ko) 2020-02-13 2020-08-03 수술 전 뇌 신호를 이용한 마취제 요구량 예측 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102476684B1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220029173A (ko) * 2020-09-01 2022-03-08 고려대학교 산학협력단 딥러닝을 이용한 수면유도제 투여량 예측방법 및 예측 장치
CN114391810A (zh) * 2022-01-06 2022-04-26 深圳元海恒鑫医疗科技有限公司 一种基于脑电信号监测儿童麻醉靶控智能化方法及系统
CN116884605A (zh) * 2023-08-24 2023-10-13 上海罗根医疗科技有限公司 一种手术麻醉信息智能管理系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120009610A (ko) * 2010-07-19 2012-02-02 주식회사 멕 아이씨에스 마취 심도 모니터링 시스템 및 방법
KR20180059985A (ko) * 2016-11-28 2018-06-07 참엔지니어링(주) 히든 마르코프 모델을 이용한 마취 심도 측정 방법 및 장치
KR20180073114A (ko) * 2016-12-22 2018-07-02 고려대학교 산학협력단 진정마취심도 모니터링 방법 및 그 장치
KR20190026555A (ko) * 2017-09-05 2019-03-13 고려대학교 산학협력단 뇌 네트워크 분석을 통한 마취 및 의식 심도 모니터링 방법 및 장치

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120009610A (ko) * 2010-07-19 2012-02-02 주식회사 멕 아이씨에스 마취 심도 모니터링 시스템 및 방법
KR20180059985A (ko) * 2016-11-28 2018-06-07 참엔지니어링(주) 히든 마르코프 모델을 이용한 마취 심도 측정 방법 및 장치
KR20180073114A (ko) * 2016-12-22 2018-07-02 고려대학교 산학협력단 진정마취심도 모니터링 방법 및 그 장치
KR20190026555A (ko) * 2017-09-05 2019-03-13 고려대학교 산학협력단 뇌 네트워크 분석을 통한 마취 및 의식 심도 모니터링 방법 및 장치

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220029173A (ko) * 2020-09-01 2022-03-08 고려대학교 산학협력단 딥러닝을 이용한 수면유도제 투여량 예측방법 및 예측 장치
CN114391810A (zh) * 2022-01-06 2022-04-26 深圳元海恒鑫医疗科技有限公司 一种基于脑电信号监测儿童麻醉靶控智能化方法及系统
CN116884605A (zh) * 2023-08-24 2023-10-13 上海罗根医疗科技有限公司 一种手术麻醉信息智能管理系统
CN116884605B (zh) * 2023-08-24 2024-04-26 上海罗根医疗科技有限公司 一种手术麻醉信息智能管理系统

Also Published As

Publication number Publication date
KR102476684B9 (ko) 2023-11-13
KR102476684B1 (ko) 2022-12-13

Similar Documents

Publication Publication Date Title
Coll et al. Systematic review and meta-analysis of the relationship between the heartbeat-evoked potential and interoception
Raimondo et al. Brain–heart interactions reveal consciousness in noncommunicating patients
Johnstone et al. EEG from a single-channel dry-sensor recording device
Van Hecke et al. Electroencephalogram and heart rate regulation to familiar and unfamiliar people in children with autism spectrum disorders
Zheng et al. Unobtrusive and multimodal wearable sensing to quantify anxiety
EP1989998B1 (en) Methods and apparatus for monitoring consciousness
KR102476684B1 (ko) 수술 전 뇌 신호를 이용한 마취제 요구량 예측 방법 및 장치
US8244341B2 (en) Method and device for determining depressive disorders by measuring bioelectromagnetic signals of the brain
Mai et al. Interoception is associated with heartbeat-evoked brain potentials (HEPs) in adolescents
US11219400B2 (en) System, process, and devices for real-time brain monitoring
US20150217082A1 (en) Sleep assistant system, method, and non-transitory computer-readable medium for assisting in easing hardship of falling asleep
Poltavski The use of single-electrode wireless EEG in biobehavioral investigations
Jacob et al. Towards defining biomarkers to evaluate concussions using virtual reality and a moving platform (BioVRSea)
US20220160287A1 (en) System, process, and devices for real-time brain monitoring
Al-Shargie Early detection of mental stress using advanced neuroimaging and artificial intelligence
Kasos et al. Bilateral comparison of traditional and alternate electrodermal measurement sites
Fitzpatrick et al. Is borderline personality disorder really an emotion dysregulation disorder and, if so, how? A comprehensive experimental paradigm
Molina et al. Electroencephalographic and peripheral temperature dynamics during a prolonged psychomotor vigilance task
Soundirarajan et al. Information-based analysis of the relationship between brain and facial muscle activities in response to static visual stimuli
Desai et al. Electrodermal activity (EDA) for treatment of neurological and psychiatric disorder patients: a review
KR102045559B1 (ko) 뇌 네트워크 분석을 통한 마취 및 의식 심도 모니터링 방법 및 장치
LaCount et al. Dynamic cardiovagal response to motion sickness: a point-process heart rate variability study
JP2023537996A (ja) 修正された意識状態のレベルおよび／または疼痛のレベルと組み合わせたおよび／または相関した不安のレベルを測定するための方法およびシステム
KR102496561B1 (ko) 뇌파 분석을 기반으로 치매를 예측하는 인공지능 관제시스템, 관제방법, 관제서버 및 노인 맞춤형 서비스 제공방법
US11219394B2 (en) System, process, and devices for real-time brain monitoring in panic and anxiety disorder

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
G170 Re-publication after modification of scope of protection [patent]