KR20220007841A - 딥러닝을 이용한 뇌파 분류장치 및 이를 포함하는 뇌파 측정 시스템 - Google Patents

딥러닝을 이용한 뇌파 분류장치 및 이를 포함하는 뇌파 측정 시스템 Download PDF

Info

Publication number
KR20220007841A
KR20220007841A KR1020210022635A KR20210022635A KR20220007841A KR 20220007841 A KR20220007841 A KR 20220007841A KR 1020210022635 A KR1020210022635 A KR 1020210022635A KR 20210022635 A KR20210022635 A KR 20210022635A KR 20220007841 A KR20220007841 A KR 20220007841A
Authority
KR
South Korea
Prior art keywords
eeg
signal
classification
user
stimulation
Prior art date
Application number
KR1020210022635A
Other languages
English (en)
Other versions
KR102505750B1 (ko
Inventor
정종욱
Original Assignee
주식회사 퀀텀랩스
정종욱
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 주식회사 퀀텀랩스, 정종욱 filed Critical 주식회사 퀀텀랩스
Publication of KR20220007841A publication Critical patent/KR20220007841A/ko
Application granted granted Critical
Publication of KR102505750B1 publication Critical patent/KR102505750B1/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—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
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
    • G06F3/015—Input arrangements based on nervous system activity detection, e.g. brain waves [EEG] detection, electromyograms [EMG] detection, electrodermal response detection
    • 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
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2203/00—Indexing scheme relating to G06F3/00 - G06F3/048
    • G06F2203/01—Indexing scheme relating to G06F3/01
    • G06F2203/011—Emotion or mood input determined on the basis of sensed human body parameters such as pulse, heart rate or beat, temperature of skin, facial expressions, iris, voice pitch, brain activity patterns

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Public Health (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Psychiatry (AREA)
  • Veterinary Medicine (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Computational Linguistics (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Primary Health Care (AREA)
  • Fuzzy Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Epidemiology (AREA)
  • Physiology (AREA)
  • Databases & Information Systems (AREA)
  • Dermatology (AREA)
  • Neurology (AREA)
  • Neurosurgery (AREA)
  • Human Computer Interaction (AREA)
  • Psychology (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

본 발명은 딥러닝을 이용한 뇌파 측정장치 및 이를 포함하는 뇌파 측정 시스템은, 뇌파 신호를 수집하는 수집부, 수집된 상기 뇌파 신호를 전처리하는 전처리부, 및 전처리된 상기 뇌파 신호를 입력받아 상기 뇌파 신호의 정상 여부를 분류하는 분류부를 포함하고, 상기 분류부는 1차원 컨벌루션 신경망을 활용하여 전처리된 상기 뇌파 신호로부터 특징 벡터 데이터를 추출하는 특징추출모듈 및 상기 특징 벡터 데이터가 완전 연결 신경망을 거치도록 하여 딥러닝을 수행한 결과에 따라 상기 뇌파 신호의 정상 여부를 분류하는 분류모듈을 포함하는 것을 특징으로 하며, 뇌파 신호의 정상 또는 비정상 여부를 용이하게 분류할 수 있는 딥러닝을 이용한 뇌파 측정장치 및 이를 포함하는 뇌파 측정 시스템을 제공한다.

Description

딥러닝을 이용한 뇌파 분류장치 및 이를 포함하는 뇌파 측정 시스템{APPARATUS FOR CLASSIFYING BRAIN WAVE USING DEEP LEARNING AND SYSTEM FOR MEASURING BRAIN WAVE HAVING THE SAME}
본 발명은 딥러닝을 이용한 뇌파 분류장치 및 이를 포함하는 뇌파 측정 시스템에 관한 것이다.
BCI(Brain Computer Interface)는 인간의 두뇌와 컴퓨터를 직접 연결하여 뇌파를 통해 컴퓨터를 제어하는 인터페이스 기술을 의미하며, BCI 기술은 넓게는 HCI(Human Computer Interface) 기술에 속한다. 뇌파를 통해 휠체어나 로봇과 같은 기계를 조작할 수도 있기 때문에, BCI 기술은 BMI(Brain Machine Interface)라고 불리기도 한다.
BCI 기술은 주로 의료적인 목적으로 많이 활용되었으며, 측정 기기의 무게가 무겁고 센서가 많이 달려 있어 착용이 번거롭다는 단점이 있었으나 최근에는 헤드셋 형태의 가볍고 착용이 간편한 기기가 개발되어 게임, 집중력 향상 연습 등 다양한 용도로 활용되고 있다.
뇌는 인체 머리의 내부 기관으로 신경계의 최고 중추기관이며, 대뇌, 소뇌, 중간뇌, 다리뇌, 연수로 나뉜다. 또한, 뇌는 뉴런 활동 준위의 합이 뇌의 표피에서 측정되는 신호인 뇌파를 발생하는데, 뇌파는 두뇌를 구성하는 신경세포들의 전기적 활동을 두피에서 전극을 통해 간접적으로 측정할 수 있는 전기신호를 의미한다.
뇌의 상태를 측정하는 기존 방법으로, 두피에 전극을 구비한 패드를 장착하여 전극으로부터 수신되는 뇌파를 측정해 검사하는 EEG(electroencephalogram) 검사, 뇌를 방사선이나 초음파를 이용하여 여러 각도에서 단층 촬영해 검사하는 CT 검사, 자기공명에 의해 뇌를 촬영하는 MRI 검사 등이 있다.
최근 BCI 기술의 발전 등으로 인해 뇌 건강 등에 대하여 사회적 관심이 증가하고 있으며, 이를 연구하기 위해 다양한 뇌파 신호를 수집하고 있다. 그러나 짧은 시간 동안 많은 데이터가 수집되는 뇌파 데이터의 특징으로 인해 기존 방법으로는 다양한 데이터 중 정상적인 뇌파 신호만을 분류하기는 어려운 문제점이 있다.
본 발명의 기술적 사상이 이루고자 하는 기술적 과제는, 수집되는 뇌파 신호를 용이하게 정상 또는 비정상으로 분류하는 딥러닝을 이용한 뇌파 분류장치 및 이를 포함하는 뇌파 측정 시스템을 제공하기 위한 것이다.
본 발명의 기술적 사상에 의한 일 양태에 따른 딥러닝을 이용한 뇌파 분류장치는, 뇌파 신호를 수집하는 수집부, 수집된 상기 뇌파 신호를 전처리하는 전처리부 및 전처리된 상기 뇌파 신호를 입력받아 상기 뇌파 신호의 정상 여부를 분류하는 분류부를 포함하고, 상기 분류부는 1차원 컨벌루션 신경망을 활용하여 전처리된 상기 뇌파 신호로부터 특징 벡터 데이터를 추출하는 특징추출모듈 및 상기 특징 벡터 데이터가 완전 연결 신경망을 거치도록 하여 딥러닝을 수행한 결과에 따라 상기 뇌파 신호의 정상 여부를 분류하는 분류모듈을 포함할 수 있다.
예시적인 실시예에 따르면, 상기 특징추출모듈의 상기 1차원 컨벌루션 신경망은 압축된 상기 특징 벡터 데이터를 추출하기 위하여 층이 깊어질수록 신경망에 포함된 노드의 개수가 적어지도록 구성될 수 있다.
예시적인 실시예에 따르면, 상기 분류모듈의 마지막층의 활성화함수는 시그모이드 함수를 적용하여, 상기 뇌파 신호의 정상 여부를 확률로 출력할 수 있다.
본 발명의 기술적 사상에 의한 일 양태에 따른 딥러닝을 이용한 뇌파 분류뇌파 측정 시스템은, 딥러닝을 이용한 뇌파 분류장치, 상기 딥러닝을 이용한 뇌파 분류장치와 통신 가능하며 사용자의 머리에 착용 가능한 뇌파 측정장치 및 상기 분류모듈에서의 상기 확률이 미리 설정된 값 미만인 경우 사용자에게 비정상 뇌파 신호임을 알리는 알람부를 포함하고, 상기 뇌파 측정장치는 바디에 고정되며 상기 사용자의 뇌파 신호를 획득하기 위한 적어도 하나 이상의 측정 전극을 갖는 전극부를 포함할 수 있다.
예시적인 실시예에 따르면, 상기 전극부는 상기 사용자의 뇌를 자극하기 위한 적어도 하나 이상의 자극 전극을 더 포함하며, 상기 뇌파 측정장치는 상기 전극부와 전기적으로 연결되도록 상기 바디에 구비되며 상기 측정 전극으로부터 출력되는 상기 뇌파 신호를 참조하여 상기 뇌파 신호를 분석하고 상기 자극 전극으로 출력되는 자극 신호를 생성하는 전극 제어부를 더 포함할 수 있다.
본 발명의 특징 및 이점들은 첨부도면에 의거한 다음의 상세한 설명으로부터 더욱 명백해질 것이다.
이에 앞서, 본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이고 사전적인 의미로 해석되어서는 아니 되며, 발명자가 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념을 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합되는 의미와 개념으로 해석되어야만 한다.
본 발명의 기술적 사상에 의한 실시예들에 따른 딥러닝을 이용한 뇌파 분류장치 및 이를 포함하는 뇌파 측정 시스템은, 1차원 컨벌루션 신경망을 활용한 특징추출 모듈을 통해 특징 벡터 데이터를 추출하고, 분류모듈을 통해 특징 벡터 데이터가 완전 연결 신경망을 거치도록 함으로써, 딥러닝을 수행한 결과에 따라 뇌파 신호의 정상 또는 비정상 여부를 용이하게 분류할 수 있다.
또한, 본 발명에 따르면, 사용자가 뇌파 측정장치를 잘못 착용했을 때 뇌파 분류장치가 비정상 뇌파 신호로 분류하여 알람부가 사용자에게 통지하도록 함으로써, 정확한 착용을 통한 정확한 뇌파 측정이 이루어지도록 할 수 있다.
또한, 본 발명에 따르면, 사용자가 뇌파 측정장치를 잘못 착용했을 때 알람부가 사용자에게 통지하여 올바른 착용을 유도함으로써, 자극 전극을 통한 뇌 자극이 뇌의 엉뚱한 영역에 가해져 좋지 않은 영향을 주는 것을 방지할 수 있다.
본 발명의 상세한 설명에서 인용되는 도면을 보다 충분히 이해하기 위하여 각 도면의 간단한 설명이 제공된다.
도 1은 본 발명의 일 실시예에 따른 딥러닝을 이용한 뇌파 분류장치의 세부구성을 나타낸 블록도이다.
도 2는 도 1에 도시한 딥러닝을 이용한 뇌파 분류장치의 수집부가 수집하는 뇌파 신호를 나타내는 도면이다.
도 3은 도 1에 도시한 딥러닝을 이용한 뇌파 분류장치의 분류부를 설명하기 위한 도면이다.
도 4는 도 1에 도시한 딥러닝을 이용한 뇌파 분류장치의 분류부에 포함된 특징추출모듈과 분류모듈을 설명하기 위한 도면이다.
도 5 및 도 6은 도 4에 도시한 딥러닝을 이용한 뇌파 분류장치의 특징추출모듈을 설명하기 위한 도면이다.
도 7은 도 4에 도시한 딥러닝을 이용한 뇌파 분류장치의 분류모듈의 활성화 함수를 나타낸 도면이다.
도 8은 도 1에 도시한 딥러닝을 이용한 뇌파 분류장치를 포함하는 뇌파 측정 시스템을 나타낸 블록도이다.
도 9는 도 8에 도시한 뇌파 측정 시스템의 뇌파 측정장치를 나타낸 사시도이다.
도 10은 도 9에 도시한 뇌파 측정장치의 제어관계를 나타낸 블록도이다.
도 11은 본 발명의 다른 실시예에 따른 뇌파 측정 시스템의 뇌파 측정장치를 나타낸 사시도이다.
도 12는 도 11에 도시한 뇌파 측정장치의 제어관계를 나타낸 블록도이다.
도 13 내지 도 15는 도 11에 도시한 뇌파 측정장치에 장착된 자극 전극의 위치를 설명하기 위한 도면이다.
도 16은 도 11에 도시한 뇌파 측정장치의 자극 신호 생성부에서 출력되는 자극 신호를 나타내는 도면이다.
본 발명의 목적, 특정한 장점들 및 신규한 특징들은 첨부된 도면들과 연관되는 이하의 상세한 설명과 실시예로부터 더욱 명백해질 것이다. 본 명세서에서 각 도면의 구성요소들에 참조번호를 부가함에 있어서, 동일한 구성 요소들에 한해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 번호를 가지도록 하고 있음에 유의하여야 한다. 또한, 본 발명을 설명함에 있어서, 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명은 생략한다.
본 발명의 구성 요소를 설명하는 데 있어서, 제 1, 제 2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질이나 차례 또는 순서 등이 한정되지 않는다. 또한, 본 명세서에서, 어떤 구성 요소가 다른 구성 요소에 "연결", "결합" 또는 "접속"된다고 기재된 경우, 그 구성 요소는 그 다른 구성 요소에 직접적으로 연결되거나 또는 접속될 수 있지만, 각 구성 요소 사이에 또 다른 구성 요소가 "연결", "결합" 또는 "접속"될 수도 있다고 이해되어야 할 것이다. "연결", "결합" 또는 "접속"의 경우, 물리적으로 "연결", "결합" 또는 "접속"되는 것뿐만 아니라 필요에 따라 전기적으로 "연결", "결합" 또는 "접속"되는 것으로 이해될 수 있다.
본 명세서에 기재된 "~부(유닛)", "~기", "~자", "~모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다. 또한, 본 명세서에 기재된 "포함하다", "구성하다" 또는 "가지다" 등의 용어는, 특별히 반대되는 기재가 없는 한 해당 구성 요소가 내재될 수 있음을 의미하는 것이므로, 다른 구성 요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것으로 해석되어야 한다.
그리고 본 명세서에서의 구성부들에 대한 구분은 각 구성부가 담당하는 주기능 별로 구분한 것에 불과함을 명확히 하고자 한다. 즉, 이하에서 설명할 2개 이상의 구성부가 하나의 구성부로 합쳐지거나 또는 하나의 구성부가 보다 세분화된 기능별로 2개 이상으로 분화되어 구비될 수도 있다. 그리고 이하에서 설명할 구성부 각각은 자신이 담당하는 주 기능 이외에도 다른 구성부가 담당하는 기능 중 일부 또는 전부의 기능을 추가적으로 수행할 수도 있으며, 구성부 각각이 담당하는 주기능 중 일부 기능이 다른 구성부에 의해 전담되어 수행될 수도 있음은 물론이다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예를 상세히 설명하기로 한다.
도 1은 본 발명의 일 실시예에 따른 딥러닝을 이용한 뇌파 분류장치(100)의 세부구성을 나타낸 블록도이다. 이하, 이를 참조하여 본 실시예에 따른 딥러닝을 이용한 뇌파 분류장치(100)에 대해 살펴보기로 한다.
도 1에 도시한 바와 같이, 본 실시예에 따른 딥러닝을 이용한 뇌파 분류장치(100)는 수집부(110), 전처리부(120) 및 분류부(130)를 포함하고, 분류부(130)는 특징추출모듈(131) 및 분류모듈(132)을 포함할 수 있다.
수집부(110)는 뇌파 신호를 수집하는 부분으로 수집부(110)가 수집하는 뇌파 신호는 크게 훈련용 데이터셋과 평가용 데이터셋을 포함할 수 있다. 훈련용 데이터셋은 이후에 설명될 딥러닝 기술을 활용한 분류부(130)를 학습시키기 위한 데이터며, 평가용 데이터셋은 실제 정상 뇌파인지 여부를 알고 싶어하는 데이터일 수 있다.
수집부(110)는 훈련용 데이터셋의 경우 여러 뇌파 신호(EEG)가 저장되어 있는 병원, 연구기관 등의 외부DB 또는 뇌파 측정장치 등으로부터 수집할 수 있는데, 예를 들어 Temple Universiy의 TUH EEG Corpus 데이터셋을 활용할 수 있다. 이러한 훈련용 데이터셋의 경우 데이터 특징값(뇌파 신호)과 실제 데이터 분류값(전문가가 해당 뇌파 신호를 정상 또는 비정상으로 분류한 결과)이 모두 포함되어 있을 수 있다. 또한, 수집부(110)가 수집하는 평가용 데이터셋은 예를 들어 사용자가 머리에 착용하는 뇌파 측정장치(300a; 도 9에 도시됨)로부터 수집할 수 있으며, 평가용 데이터셋에는 데이터의 특징값(비정상 여부를 판단하려 하는 뇌파 신호)만 포함되어 있을 수 있다.
한편, 수집부(110)가 수집하는 뇌파 신호(Electroencephalography, EEG, 뇌전도)는 신경계와 뇌신경 사이에 신호가 발생할 때 생기는 미세한 생체 전기로, 뇌 표면에서 발생하는 전기 포텐셜 차이를 전극을 사용해 측정할 수 있다. 뇌파 신호는 그 주파수와 진폭에 따라 분류될 수 있는데, 델타(δ)파, 쎄타(θ)파, 알파(α)파, 베타(β)파, 감마(γ)파로 분류될 수 있다.
보다 구체적으로, 델타파는 0.2~4Hz의 주파수와 20~200μV의 진폭을 가지며, 정상인의 깊은 수면 상태나 신생아에서 주로 나타난다.
세타파는 4~8Hz의 주파수와 20~100μV의 진폭을 가지며, 정서적으로 안정된 상태나 수면에 빠지기 전에 나타난다.
알파파는 8~13Hz의 주파수와 20~60μV의 진폭을 가지며, 명상 같은 편안한 상태에서 나타나고 스트레스 해소 및 집중력 향상에 도움을 준다. 사람이 눈을 감고 몸을 이완시키면 뇌는 알파파를 생산하게 되고, 건강하고 스트레스 없는 상태의 사람들은 알파파 활동 상태가 많이 생성되는 경향이 있다.
베타파는 13~30Hz의 주파수와 2~20μV의 진폭을 가지며, 긴장, 흥분 상태 등 활동할 때에 나타난다. 베타파는 운동력 향상에 도움을 주고 의식이 깨어 있을 때의 뇌파이다. 우리가 눈을 뜨고, 걷고, 흥분하고, 외부 세계에 초점을 맞추고 있는 상태에서는 베타파가 주로 나타난다. 베타파는 주로 전두엽에서 많이 나타나며, 깨어 있을 때, 말할 때와 같이 모든 의식적인 활동을 할 때 나타나고, 특히 불안한 상태나 긴장 시, 복잡한 계산처리시에 우세하게 나타난다.
감마파는 30Hz 이상의 가장 높은 주파수와 2~20μV의 진폭을 가지며, 주로 흥분했을 때 나타난다. 감마파는 베타파보다 더 빠르게 진동하는 형태로 정서적으로 더욱 초조한 상태이거나 추리, 판단 등의 고도의 인지정보처리와 관련된다.
도 2는 도 1에 도시한 딥러닝을 이용한 뇌파 분류장치(100)의 수집부(110)가 수집하는 뇌파 신호를 나타내는 도면이다. 이하, 도 1 및 도 2를 참조하여 본 실시예에 따른 딥러닝을 이용한 뇌파 분류장치(100)의 전처리부(120)에 대해 살펴보기로 한다.
전처리부(120)는 수집된 뇌파 신호를 분류부(130)에 입력하기 적합한 데이터로 전처리하는 부분으로 크게 세 가지 방식의 전처리를 수행할 수 있는데, 이를 위해 샘플링모듈(121), 세팅모듈(122) 및 정규화모듈(123)을 포함할 수 있다. 먼저, 샘플링모듈(121)은 수집부(110)에서 수집된 뇌파 신호의 샘플링 주기를 예를 들어 100Hz로 낮추는 다운 샘플링(down sampling)을 수행하고, 다음 세팅모듈(122)은 뇌파 신호의 시작값을 원점 세팅할 수 있다. 즉, 도 2와 같이 수집부(110)가 수집하는 뇌파 신호는 시간에 따라 파형을 그리는 형태인데, 데이터의 통일성을 위하여 데이터 시작점을 (0,0)으로 설정해줄 필요성이 있으며, 이에 세팅모듈(122)이 원점 세팅 과정을 거칠 수 있다. 마지막으로 정규화모듈(123)이 뇌파 신호의 진폭(EEG의 전위) 스케일을 -1~+1로 설정하는 정규화 과정을 수행하며, 이에 분류부(130)에 입력하기 적합한 형태의 뇌파 신호 전처리 데이터가 구현될 수 있다.
도 3은 도 1에 도시한 딥러닝을 이용한 뇌파 분류장치(100)의 분류부(130)를 설명하기 위한 도면이다. 이하, 도 1 및 도 3을 참조하여 본 실시예에 따른 딥러닝을 이용한 뇌파 분류장치(100)의 분류부(130)에 대해 살펴보기로 한다.
인공지능이란 인간의 지능으로 할 수 있는 사고, 학습, 자기 개발 등을 컴퓨터가 할 수 있도록 하는 방법을 연구하는 컴퓨터 공학 및 정보기술의 한 분야로서, 컴퓨터가 인간의 지능적인 행동을 모방할 수 있도록 하는 것을 의미할 수 있다. 인공지능 기술 중 특히 주목받는 분야는 머신 러닝(Machine Learning)이며, 기계 학습이라고도 불리는 머신 러닝은 컴퓨터가 데이터를 통해 학습하고 사람처럼 어떤 대상 혹은 상황을 이해할 수 있게 하는 기술일 수 있는데, 컴퓨터를 학습시켜 패턴을 찾아내 분류하는 기술적 방식으로 컴퓨터가 데이터를 분석할 수 있게 하는 알고리즘이 핵심일 수 있다. 데이터를 활용하는 알고리즘을 정교하게 만들면 컴퓨터가 학습해가며 사용자들에게 의미 있는 결과물을 제공할 수 있다.
일반적으로 머신 러닝은 인공지능의 한 분야로 컴퓨터가 여러 데이터를 이용하여 학습한 내용을 기반으로 새로운 데이터에 대한 적절한 작업을 수행할 수 있도록 하는 알고리즘과 기술을 개발하는 분야를 의미한다. 기계 학습은 학습 방식에 따라 지도 학습(supervised learning, 감독 학습), 준지도 학습(semi-supervised learning), 비지도 학습(unsupervised learning, 자율 학습), 강화 학습(reinforcement learning)으로 분류된다. 지도 학습(supervised learning)은 미리 구축된 학습용 데이터(training data)를 활용하여 모델을 학습하며, 준지도 학습(semi-supervised learning)은 학습용 데이터와 정리되지 않은 데이터를 모두 훈련에 사용하는 방법이다. 비지도 학습(unsupervised learning)은 별도의 학습용 데이터를 구축하는 것이 아니라 데이터 자체를 분석하거나 군집(clustering)하면서 학습한다. 강화 학습(reinforcement learning)은 학습 수행 결과에 대해 적절한 보상을 주면서 피드백을 통해 학습한다.
머신 러닝을 구현하는 기술 중 하나인 딥러닝은, 인간이 사물을 구분하듯 데이터 속에서 패턴을 발견하고 분류를 통해 예측하며 인공신경망을 기반으로 한다. 이러한 딥러닝 기술은 뇌파 신호로부터 비정상 뇌파 신호로 판단할 수 있는 필요 패턴을 추출하는데 유용할 수 있으며, 본 실시예에 따른 분류부(130)는 이러한 딥러닝 기술을 활용할 수 있다.
딥러닝 기술은 여러 개의 은닉층을 가지고 분류(Classification), 군집화(Clustering), 시계열 데이터 분석을 위한 Long-Short Term Memory(LSTM), 시지각 데이터 처리를 위한 Convolutional Neural Network(CNN), 회귀 분석 등 다양한 비정형 데이터를 처리할 수 있는 가능성을 제시하였는데, 딥러닝 기술은 크게 입력층(Input Layer), 은닉층(Hidden Layers), 출력층(Output Layer) 세 요소로 구성되어 있으며, 은닉층(Hidden Layers)은 여러 개의 노드와 활성화 함수(Activation Function), 노드 간의 연결 정도를 의미하는 가중치(weights)와 바이어스(biases)로 구성될 수 있다.
도 3의 (a)는 노드, 가중치값(xn), 바이어스값(b)과 활성화 함수(f(x)) 간의 관계를 나타내며, (a)의 구조가 반복적으로 구성될 경우 도 3의 (b) 구조를 갖게 될 수 있다. (a)에 나타낸 바와 같이 단일 노드는 하나의 입력값(xn)을 가지며, 하나의 입력값은 가중치값(wn)과 곱해지게 되고 곱해진 값들(x0w0…xnwn)은 바이어스(b)가 적용되어 활성화 함수의 입력값으로 입력될 수 있다. 활성화 함수(f(x))는 입력신호를 출력신호로 변환하는 비선형 함수로 데이터를 비정형 형태로 표현하는 역할을 수행할 수 있다.
수집부(110)가 수집한 훈련용 데이터셋은 데이터 특징값(뇌파 신호)과 실제 데이터 분류값(뇌파 신호의 비정상 여부 판단결과)을 모두 포함한 상태로 분류부(130)에 제공되며, 분류부(130)의 딥러닝 모델은 이러한 훈련용 데이터셋을 통해 최적의 가중치값과와 바이어스값을 도출해낼 수 있다. 또한, 이후 모델은 데이터의 특징값(정상 여부를 판단하려 하는 뇌파 신호)을 기반으로 자체적으로 예측값(해당 뇌파 신호가 정상인지 여부)을 생성해낼 수 있다.
이와 같은 과정을 거쳐 학습된 분류부(130)에 평가용 데이터셋이 입력되면 분류부(130)는 특징추출모듈(131)을 통해 평가용 데이터셋의 뇌파 신호로부터 특징 벡터 데이터를 추출하고, 분류모듈(132)을 통해 뇌파 신호의 정상 여부를 분류할 수 있다.
도 4는 도 1에 도시한 딥러닝을 이용한 뇌파 분류장치(100)의 분류부(130)에 포함된 특징추출모듈(131)과 분류모듈(132)을 설명하기 위한 도면이고, 도 5 및 도 6은 도 4에 도시한 딥러닝을 이용한 뇌파 분류장치(100)의 특징추출모듈(131)을 설명하기 위한 도면이며, 도 7은 도 4에 도시한 딥러닝을 이용한 뇌파 분류장치(100)의 분류모듈(132)의 활성화 함수를 나타낸 도면이다. 이하, 도 1 내지 도 7을 참조하여 본 실시예에 따른 분류부(130)에 대해 더욱 자세히 살펴보기로 한다.
본 실시예에 따른 딥러닝을 이용한 뇌파 분류장치(100)의 분류부(130)는 1차원 컨벌루션 신경망을 활용한 특징추출모듈(131) 및 완전 연결 신경망을 활용한 분류모듈(132)을 포함할 수 있다.
컨벌루션 신경망은 컨벌루션을 통해 이미지나 배열 형태로 주어진 데이터의 특징을 추출해내는 방식으로 ANN(Artifical Neural Network), DNN(Deep Neral Network) 대비 데이터에 숨어 있는 특징을 추출하는데 더 좋은 성능을 나타낼 수 있다.
뇌파 신호는 도 2와 같이 시간을 x축으로 하고 뇌파 신호의 진폭을 y축으로 하는 2차원으로 표현되는데, 시계열적으로 데이터를 나열하게 되면 뇌파 신호의 진폭만으로 1차원 데이터를 표현할 수 있다. 이에 특징추출모듈(131)로서는 컨벌루션 신경망(CNN; Convolutional Neural Networks)에서 이미지 분석을 위해 통상적으로 활용되는 2차원 컨벌루션 신경망이 아닌 1차원 컨벌루션 신경망을 활용할 수 있으며, 이에 뇌파 신호의 특징을 더욱 효율적으로 추출할 수 있다.
이러한 특징추출모듈(131)은 도 4에 도시한 바와 같이 컨벌루션층(Convolutionn)과 풀링층(Pooln)을 지속적으로 수행하여 층이 깊어지도록 할 수 있다. 이때 컨벌루션층(Convolutionn)에서는 도 5와 같이 전처리된 1차원의 뇌파 신호(133)에 특정 크기의 필터(커널; 134)을 이용한 합성곱 과정을 통해 출력값(135)을 얻어내며, 이와 같이 얻어낸 출력값(135)을 풀링(Pooln)층을 통해 샘플링할 수 있다. 일 예로 Max Pooling 기법에서는 필터 크기만큼의 데이터에서 가장 큰 값을 출력값으로 저장할 수 있다.
이와 같은 컨벌루션층(Convolutionn)과 풀링층(Pooln)을 거치는 과정을 커널을 달리하면서 반복적으로 수행하며, 이에 점차적으로 층이 깊어질 수 있고 층이 깊어질수록 결과값이 더욱 축약될 수 있다. 이와 같은 1차원 컨벌루션 신경망을 활용한 특징추출모듈(131)을 통해 전처리된 뇌파 신호를 입력하면 결과값이 축약되면서 최종적으로 특징 벡터 데이터가 추출될 수 있는데, 이때 특징 벡터 데이터가 처음 뇌파 신호의 특징을 잘 반영할 수 있도록 도 6과 같이 층이 깊어질수록 길이가 짧아지게, 즉 신경망에 포함된 노드의 개수가 적어지도록 구성할 수 있다.
한편, 특징추출모듈(131)을 통해 추출된 특징 벡터 데이터는 분류모듈(132)의 완전 연결 신경망을 거칠 수 있다. 이때, 완전 연결 신경망으로 연결되기 위해 플래튼(Flatten)을 수행할 수 있으며, 분류모듈(132)에서는 훈련용 데이터셋을 통해 딥러닝을 수행한 결과에 따라, 입력된 뇌파 신호, 더욱 상세하게는 평가용 데이터셋의 전처리된 뇌파 신호가 특징추출모듈(131)에 입력되어 추출된 특징 벡터 데이터의 정상 여부를 분류할 수 있다.
여기서, 분류모듈(132)의 완전 연결 신경망에 포함된 마지막층의 활성화 함수는 도 7과 같은 시그모이드 함수일 수 있다(Sigmoid function). 시그모이드 함수는 0과 1 사이로 값을 표현할 수 있어 분류모듈(132)을 거친 특징 벡터 데이터는 최종적으로 1개의 스칼라값인 0과 1 사이의 값으로 표현될 수 있으며, 이를 확률로 판단할 수 있다. 일 예로서 최종값이 0.75로 산출되면 경우에 따라 해당 뇌파 신호가 정상일 가능성을 75%로 판단하는 것이 가능할 수 있으며, 또는 반대로 경우에 따라 해당 뇌파 신호가 비정상일 가능성을 75%로 판단하는 것이 가능할 수 있다.
이와 같이 분류부(130)가 딥러닝 기술을 통해 학습하며 전처리된 뇌파신호가 분류부(130)를 통과하면서 뇌파 신호가 정상인지 여부가 확률로서 출력될 수 있다. 이에 병원이나 연구기관의 담당자는 본 실시예에 따른 딥러닝을 이용한 뇌파 분류장치를 통해 간단하게 뇌파 신호만을 입력하여 정상 여부 결과값을 확률로 알 수 있으므로, 복잡하게 여러 정보 등을 입력하여 뇌파 신호의 정상 여부를 판단하는 기존 기술 대비 편의성을 향상시킬 수 있다. 또한, 1차원 컨벌루션 신경망과 완전 연결 신경망을 활용하여 학습 및 정상 뇌파 여부를 판단하므로, 기존 대비 판단 정확성이 향상될 수 있다.
도 8은 도 1에 도시한 딥러닝을 이용한 뇌파 분류장치(100)를 포함하는 뇌파 측정 시스템(200)을 나타낸 블록도이다.
도 8에 도시한 바와 같이, 본 실시예에 따른 뇌파 측정 시스템(200)은 딥러닝을 이용한 뇌파 분류장치(100), 딥러닝을 이용한 뇌파 분류장치(100)와 통신 가능하게 연결된 뇌파 측정장치(300a)를 포함할 수 있으며, 선택적으로 사용자 단말 장치(400)와 네트워크를 통해 연결될 수 있다.
뇌파 측정장치(300a)는 뇌파 신호를 측정하고자 하는 사용자의 뇌파 신호를 측정하기 위한 장치로 사용자의 뇌파 신호를 측정하여 네트워크를 통해 뇌파 분류장치(100)에 제공할 수 있다.
여기서, 네트워크는 예를 들어, WiFi(wireless fidelity)와 같은 무선인터넷, WiBro(wireless broadband internet) 또는 WiMax(world interoperability for microwave access)와 같은 휴대인터넷, GSM(global system for mobile communication) 또는 CDMA(code division multiple access)와 같은 2G 이동통신망, WCDMA(wideband code division multiple access) 또는 CDMA2000과 같은 3G 이동통신망, HSDPA(high speed downlink packet access) 또는 HSUPA(high speed uplink packet access)와 같은 3.5G 이동통신망, LTE(long term evolution)망 또는 LTE-Advanced 망과 같은 4G 이동통신망 등과 같은 다양한 네트워크로 구현될 수 있다.
한편, 사용자 단말 장치(400)는 뇌파 측정장치(300a) 또는 딥러닝을 이용한 뇌파 분류장치(100)에 접속한 후 통신할 수 있는 기능과 이미지나 텍스트를 출력할 수 있는 디스플레이 기능을 포함하는 디지털 기기로서, 데스크탑 컴퓨터, 노트북 컴퓨터, 웹 패드, 이동 전화기(스마트폰) 등과 같이 메모리 수단을 구비하고 마이크로 프로세서를 탑재하여 연산 능력을 갖춘 디지털 기기라면 얼마든지 본 발명에 따른 사용자 단말 장치(400)로서 채택될 수 있다. 사용자 단말 장치(400)에는 뇌파 측정장치(300a)에 의해 분석된 사용자의 뇌파 정보, 두뇌 활동 상태, 딥러닝을 이용한 뇌파 분류장치(100)에서 정상으로 분류되었는지 여부 등이 디스플레이될 수 있다.
도 9는 도 8에 도시한 뇌파 측정 시스템(200)의 뇌파 측정장치(300a)를 나타낸 사시도이고, 도 10은 도 9에 도시한 뇌파 측정장치(300a)의 제어관계를 나타낸 블록도이다. 이하, 도 9 및 도 10을 참조하여 본 실시예에 따른 뇌파 측정 시스템(200)의 뇌파 측정장치(300a)에 대해 살펴보기로 한다.
도 9에 도시한 바와 같이, 본 실시예에 따른 뇌파 측정장치(300a)는 바디(310), 전극부(320a), 전원 온/오프 버튼(330), 충전 단자(340)를 포함하여 구성될 수 있다.
먼저, 바디(310)는 머리에 착용 가능한 것으로 헤어 밴드의 형태일 수 있으며, 또는 헤드셋이나 헬멧의 형태를 가질 수도 있다. 충전 단자(340)는 바디(310) 내에 구비된 배터리(도면 미도시)에 연결된 것으로서 충전용 USB가 삽입될 수 있는 USB 포트일 수 있다.
전극부(320a)는 적어도 하나 이상의 측정 전극을 포함할 수 있으며, 측정 전극은 바디(310)에 구비되어 뇌파 신호를 측정하는 데 사용될 수 있다.
또한, 도 9에는 도시되지 않았으나 뇌파 측정장치(300a)의 내부에는 도 10과 같이 전극 제어부(350a)와 알람부(360)가 포함될 수 있으며, 전극 제어부(350a)는 측정 전극으로부터 출력되는 출력 신호를 참조로 하여 사용자의 뇌파 신호를 측정하는 기능을 수행할 수 있다.
한편, 알람부(360)은 뇌파 측정장치(300a)가 사용자의 머리에 잘 착용이 되지 않았을 때 이를 사용자에게 알려주는 모듈일 수 있다. 구체적으로 사용자가 뇌파 측정장치(300a)를 예를 들어 삐뚤게 착용하는 등 제대로 착용하지 않게 되면, 전극부(320a)가 사용자의 머리에 닿지 않거나 너무 일부분만 닿는 등의 문제가 발생할 수 있으며, 이에 따라 측정되는 뇌파 신호가 비정상적일 수 있다. 뇌파 측정장치(300a)의 전극 제어부(350a)는 측정한 뇌파 신호를 네트워크를 통해 딥러닝을 이용한 뇌파 분류장치(100)로 송신하는데, 이와 같이 제대로 착용되지 않을 경우 뇌파 신호에 문제가 발생할 수 있고 딥러닝을 이용한 뇌파 분류장치(100)는 비정상 뇌파로 분류할 수 있다. 이때, 알람부(360)는 딥러닝을 이용한 뇌파 분류장치(100)로부터 정상 뇌파 신호 여부에 대한 데이터, 예를 들어 딥러닝을 이용한 뇌파 분류장치(100)의 분류모듈(132)이 뇌파 신호의 정상 여부를 확률로 출력한 값이 미리 설정된 값 미만인 경우 사용자에게 비정상 뇌파 신호임을 통지할 수 있다. 통지 방식으로는 예를 들어 바디(310)를 진동시거나, 바디(310)에 별도의 스피커를 두어 소리를 발산시키는 방식 등 사용자에게 알려줄 수 있는 방식이라면 무엇이든 채용 가능할 수 있다.
이러한 알람부(360)는 본 실시예에서 설명하는 바와 같이 뇌파 측정장치(300a)에 설치되는 것이 가능하며, 또는 네트워크를 통해 연결된 사용자 단말 장치(400)나 딥러닝을 이용한 뇌파 분류장치(100)에 설치되거나 또는 별도 장치화되는 것도 가능하고, 본 발명은 이를 포괄하는 개념일 수 있다. 예를 들어 사용자 단말 장치(400)에 알람부(360)가 설치되는 경우 사용자 단말 장치(400)의 디스플레이를 통해 알람을 표시하거나, 사용자 단말 장치(400)의 스피커를 통해 소리를 내거나, 또는 사용자 단말 장치(400)를 진동시키는 방식을 이용할 수 있을 것이다.
도 11은 본 발명의 다른 실시예에 따른 뇌파 측정 시스템의 뇌파 측정장치(300b)를 나타낸 사시도이다. 이하, 이를 참조하여 본 실시예에 따른 뇌파 측정 시스템에 대해 살펴보기로 한다.
본 실시예에 따른 뇌파 측정 시스템은 딥러닝을 이용한 뇌파 분류장치(100)와 뇌파 측정장치(300b)를 포함하되, 뇌파 측정장치(300b)가 뇌파 신호를 측정하는 기능뿐만 아니라 뇌를 자극하는 기능까지 가질 수 있다.
앞선 실시예에서 뇌파 측정장치(300b)를 잘못 착용할 경우 딥러닝을 이용한 뇌파 분류장치(100)가 측정된 뇌파 신호를 비정상으로 분류한 것을 근거로 알람부(360)가 이를 사용자에게 알람하는 것을 설명하였다. 본 실시예에 따른 뇌파 측정장치(300b)는 뇌파 신호를 측정하는 기능뿐만 아니라 뇌를 자극하는 기능까지 포함하고 있기 때문에, 앞선 실시예에서 보다 뇌파 측정장치(300b)가 잘못 착용되지 않도록 하는 것이 중요하며, 이에 잘못 착용되면 본 실시예에 따른 뇌파 측정 시스템에 포함된 알람부(360)가 이를 통지하는 것이 중요하다. 이는 뇌의 정확한 위치에 전기 신호를 가하는 것이 중요하기 때문인데, 이하에서 더욱 구체적으로 살펴보기로 한다.
본 실시예에 따른 뇌파 측정장치(300b)는 도 11에 도시한 바와 같이 바디(310), 전극부(320b), 전원 온/오프 버튼(330) 및 충전 단자(340)를 포함하며, 전극부(320b)가 측정 전극(321)뿐 아니라 자극 전극(322)을 더 포함하고, 구성요소로서 도메인 선택 버튼(370)을 더 포함할 수 있다.
본 실시예에 따른 전극부(320b)는 측정 전극(321)뿐 아니라 복수의 자극 전극(322)을 포함할 수 있으며, 이러한 자극 전극(322)도 측정 전극(321)과 같이 바디(310)에 구비될 수 있다. 자극 전극(322)은 입력 받은 전기 자극 신호를 출력하여 뇌의 특정 영역에 전기 자극을 가할 수 있는 전극일 수 있다.
도메인 선택 버튼(370)은 사용자가 제1 내지 제3 도메인 중 어느 하나를 선택할 수 있도록 하는 적어도 어느 하나의 버튼을 포함할 수 있다. 사용자가 도메인 선택 버튼을 조작하여 제1 내지 제3 도메인 중 어느 하나를 선택하면, 선택된 도메인 정보는 도메인 제어부(351; 도 12에 도시됨)로 출력되고 도메인 제어부(351)는 사용자에 의해 선택된 도메인 정보를 뇌파 분석부(352; 도 12에 도시됨) 및 자극 신호 생성부(353; 도 11에 도시됨) 중 적어도 어느 하나로 출력할 수 있다. 여기서 제1 도메인은 학습과 기억에 관련되고, 제2 도메인은 수면에 관련되며, 제3 도메인은 스트레스에 관련된 것일 수 있다.
한편, 도 11에 도시되지는 않았으나 본 발명의 실시예에 따른 뇌파 측정장치(300b)는 사용자의 자세를 감지할 수 있는 센서를 더 포함할 수 있으며, 도메인 제어부(351)는 센서로부터 출력되는 감지 신호를 기초로 제1 도메인 및 제2 도메인 중 어느 하나를 선택할 수 있다. 구체적으로 사용자의 자세가 앉거나 선 자세인 것으로 판단되면 제1 도메인을 선택하고, 사용자의 자세가 누운 자세인 것으로 판단되면 제2 도메인으로 선택할 수 있다. 이를 위하여, 센서는 가속도 센서, 자이로 센서 및 지자기 센서 중 적어도 어느 하나를 포함할 수 있다. 즉, 본 발명의 실시예에 따르면 사용자가 도메인 선택 버튼(370)을 조작하지 않더라도 뇌파 측정장치(300b)가 사용자의 자세를 감지하여 제1 도메인 및 제2 도메인 중 어느 하나를 자동으로 선택할 수 있으며, 사용자가 제3 도메인이 선택된 상태에서 뇌파 측정장치(300b)를 활용하고자 하는 경우 도메인 선택 버튼(370)을 통해 제3 도메인을 선택할 수 있다.
바디(310)의 내부에 설치되는 전극 제어부(350b; 도 12에 도시됨)는 측정 전극(321)으로부터 출력되는 출력 신호를 참조로 하여 사용자의 뇌파 신호를 측정하고, 측정된 사용자의 뇌파 신호에 대응하는 뇌 자극 신호를 생성하여 자극 전극(322)으로 출력하는 기능을 수행할 수 있다.
한편, 뇌파 측정장치(300b)와 네트워크를 통해 연결되는 사용자 단말 장치에는 뇌파 측정장치(300b)에 의해 분석된 사용자의 뇌파 정보, 사용자 두뇌 활동 상태 등이 디스플레이될 수 있으며, 사용자가 뇌파 측정장치(300b) 이용 시 제1 내지 제3 도메인 중 어느 하나를 선택할 수 있도록 하는 사용자 인터페이스가 디스플레이될 수 있다. 또한, 사용자가 자극 신호 생성에 필요한 교류 전류의 주파수 및 진폭 중 적어도 어느 하나를 선택할 수 있도록 하는 인터페이스가 디스플레이될 수도 있다.
도 12는 도 11에 도시한 뇌파 측정장치(300b)의 제어관계를 나타낸 블록도이다.
도 12를 참조하면, 전극 제어부(350b)는 도메인 제어부(351), 뇌파 분석부(352) 및 자극 신호 생성부(353)를 포함할 수 있다.
도메인 제어부(351)는 센서로부터 출력되는 감지 신호 및/또는 도메인 선택 버튼(370)부로부터 출력되는 신호를 참조하여 제1 도메인 내지 제3 도메인 중 어느 하나를 선택하고, 선택된 도메인 정보를 뇌파 분석부(352) 및 자극 신호 생성부(353) 중 적어도 어느 하나로 출력할 수 있다.
뇌파 분석부(352)는 측정 전극(321)으로부터 출력되는 전기 신호를 이용하여 사용자의 뇌파 신호 및 두뇌 활동을 분석하는 기능을 수행할 수 있다. 이때, 뇌파 분석부(352)는 측정 전극(321)으로부터 출력된 출력 신호 및 도메인 제어부(351)로부터 획득한 선택된 도메인 정보를 함께 참조하여 사용자의 두뇌 활동을 예측할 수 있다.
예를 들어, 선택된 도메인이 학습과 기억에 관련된 제1 도메인이며 출력 신호에 주파수가 8Hz 이상이고 13Hz 미만인 알파파가 포함되지 않은 경우, 뇌파 분석부(352)는 사용자의 두뇌 활동이 '집중력 저하' 상태인 것으로 판단할 수 있다. 또한, 선택된 도메인이 제1 도메인이며 출력 신호에 8Hz 이상이고 13Hz 미만인 알파파가 포함되지 않으면서 주파수가 60Hz 이상인 고(高)감마파가 포함된 경우, 사용자의 두뇌 활동이 '주의 분산' 상태인 것으로 판단할 수 있다. 또한, 선택된 도메인이 제1 도메인이며 출력 신호에 주파수가 4Hz 이상이고 6Hz 미만인 저(低)세타파가 포함된 경우, 사용자의 두뇌 활동이 '졸림' 또는 '주의력 저하' 상태인 것으로 판단할 수 있다.
다음으로, 선택된 도메인이 수면에 관련된 제2 도메인이며 출력 신호에 주파수가 30Hz 이상이고 60Hz 미만인 감마파가 포함되는 경우, 뇌파 분석부(352)는 사용자의 두뇌 활동이 '수면 전 각성' 상태인 것으로 판단할 수 있다. 또한, 선택된 도메인이 제2 도메인이며 출력 신호에 주파수가 주파수가 14Hz 이상이고 21Hz 미만인 베타파가 포함되거나 주파수가 8Hz 이상이고 13Hz 미만인 알파파가 포함되지 않은 경우, 사용자의 두뇌 활동이 '불안 및 긴장 중 적어도 어느 하나에 따른 수면 장애' 상태인 것으로 판단할 수 있다.
다음으로, 선택된 도메인이 스트레스에 관련된 제3 도메인이며 출력 신호에 주파수가 21Hz 이상이고 30Hz 미만인 고(高)베타파가 포함되거나 주파수가 30Hz 이상인 감마파가 포함되는 경우, 사용자의 두뇌 활동이 '스트레스로 인한 극도의 각성' 상태인 것으로 판단할 수 있다.
뇌파 분석부(352)는 이와 같이 분석된 사용자의 뇌파 신호 및 두뇌 상태에 대한 정보를 자극 신호 생성부(353)로 출력할 수 있다.
본 발명의 실시예에 따른 뇌파 분석부(352)는 측정 전극(321)으로부터 출력되는 전기 신호뿐만 아니라 도메인 정보까지 참조하여 사용자의 두뇌 상태를 분석하므로, 사용자의 두뇌 상태를 보다 정확하게 판단할 수 있다. 즉, 본 발명의 실시예에 따르면 사용자의 두뇌 상태를 분석함에 있어서 뇌파 신호만을 이용하지 않고 사용자의 상황(예를 들어, 사용자가 학습 중인지 수면 중인지 여부)을 함께 고려한다.
예를 들어, 측정 전극으로부터 출력되는 전기 신호가 주파수가 8Hz 이상이고 13Hz 미만인 알파파를 포함하지 않는 경우라도 도메인 제어부(351)에 의하여 선택된 도메인이 제1 도메인인지 제3 도메인인지에 따라, 뇌파 분석부(352)는 사용자의 두뇌 활동의 상태를 다르게 판단될 수 있다.
또한, 측정 전극으로부터 출력되는 전기 신호가 주파수가 30Hz 이상인 감마파를 포함하는 경우라도 도메인 제어부(351)에 의하여 선택된 도메인이 제2 도메인인지 제3 도메인인지에 따라, 뇌파 분석부(352)는 사용자의 두뇌 활동의 상태를 다르게 판단될 수 있다.
본 발명의 실시예에 따른 자극 신호 생성부(353)는 뇌파 분석부(352)로부터 획득한 사용자의 뇌파 신호 및 두뇌 상태 정보와, 도메인 제어부(351)로부터 획득한 선택된 도메인 정보를 함께 참조로 하여 자극 신호를 생성하고, 생성된 자극 신호를 복수의 자극 전극(322) 중 적어도 어느 하나로 출력할 수 있다.
복수의 자극 전극(322)은 사용자가 뇌파 측정장치(300b)를 머리에 착용했을 때 전두엽 영역, 측두엽 영역, 후두엽 영역 중 적어도 어느 한 영역에 전기 자극을 가할 수 있는 위치에 배치될 수 있으며 특히 전전두엽 영역에 전기 자극을 가할 수 있는 위치에 배치되도록 뇌파 측정장치(300b)에 고정될 수 있다. 뇌파 측정장치(300b)에 고정된 자극 전극(322)의 구체적인 위치는 이하에서 도 13 내지 도 15를 참조로 하여 자세하게 알아보기로 한다.
도 13 내지 도 15는 도 11에 도시한 뇌파 측정장치(300b)에 장착된 자극 전극(322)의 위치를 설명하기 위한 도면이다. 도 13은 사용자의 머리 위에서 바라봤을 때 사용자의 머리와 접촉하는 자극 전극(322)을 나타낸 것이고, 도 14는 사용자의 왼쪽 측면을 바라봤을 때 사용자의 머리와 접촉하는 자극 전극(322)을 나타낸 것이며, 도 15는 사용자의 오른쪽 측면을 바라봤을 때 사용자의 머리와 접촉하는 자극 전극(322)을 나타낸 것이다.
도 13 내지 도 15를 참조하면 복수의 자극 전극(322)은 제1 자극 전극(Fp1), 제2 자극 전극(Fp2), 제3 자극 전극(AF7) 및 제4 자극 전극(AF8)을 포함할 수 있으며, 사용자가 뇌파 측정장치(300b)를 머리에 착용하였을 때, 제1 내지 제4 자극 전극(Fp1, Fp2, AF7, AF8)은 전전두엽 영역 상에 위치할 수 있다. 이때, 도 13 내지 도 15에 도시된 제1 내지 제4 자극 전극(Fp1, Fp2, AF7, AF8)은 도 11에 도시된 자극 전극(322)과 동일한 것일 수 있다.
제1 자극 전극(Fp1) 및 제2 자극 전극(Fp2)의 자극 영역은, 복내측 전전두피질(ventromedial prefrontal cortex) 영역이다. 이 영역은 쾌감, 충동, 의지 조절, 및 감정과 관련된 뇌의 영역으로 알려져 있다.
또한, 제3 자극 전극(AF7) 및 제4 자극 전극(AF8)은 제1 자극 전극(Fp1) 및 제2 자극 전극(Fp2)의 바깥 영역에 위치하며, 제3 자극 전극(AF7)은 제1 자극 전극(Fp1)의 왼편 바깥 영역에 제4 자극 전극(AF8)은 제2 자극 전극(Fp2)의 오른편 바깥 영역에 위치할 수 있다.
사용자의 두뇌 활동이 학습 중 '집중력 저하' 상태인 경우, 자극 신호 생성부(353)는 주파수가 8Hz 이상 12Hz 미만인 자극 신호를 생성하고, 생성된 자극 신호를 제3 자극 전극(AF7) 및 제4 자극 전극(AF8)으로 출력할 수 있다. 제3 자극 전극(AF7) 및 제4 자극 전극(AF8)으로 출력된 자극 신호는 사용자의 뇌를 자극하여 알파파 생성을 유도하고, 이로써 사용자의 집중력을 강화할 수 있다.
사용자의 두뇌 활동이 학습 중 '주의 분산' 상태인 경우, 자극 신호 생성부(353)는 주파수가 30Hz 이상 40Hz 미만인 자극 신호를 생성하고, 생성된 자극 신호를 제1 자극 전극(Fp1) 및 제2 자극 전극(Fp2)으로 출력할 수 있다. 제1 자극 전극(Fp1) 및 제2 자극 전극(Fp2)으로 출력된 자극 신호는 사용자의 뇌를 자극하여 저감마파, SMR(Sensory Motor Rhythm)파 및 세타파 생성을 유도하고, 이로써 사용자의 연합 기억 능력, 장기 기억 능력을 공고화할 수 있다.
또는, 사용자의 두뇌 활동이 학습 중 '주의 분산' 상태인 경우, 자극 신호 생성부(353)는 주파수가 30Hz 이상 40Hz 미만인 자극 신호를 생성하여 제1 자극 전극(Fp1) 및 제2 자극 전극(Fp2)으로 출력한 후 주파수가 8Hz 이상 12Hz 미만인 자극 신호를 생성하여 제3 자극 전극(AF7) 및 제4 자극 전극(AF8)으로 출력할 수도 있다. 이 경우 주파수가 30Hz 이상 40Hz 미만인 자극 신호를 제1 자극 전극(Fp1) 및 제2 자극 전극(Fp2)으로 출력한 후 주파수가 8Hz 이상 12Hz 미만인 자극 신호를 제3 자극 전극(AF7) 및 제4 자극 전극(AF8)으로 출력하여 사용자 뇌를 자극하는 총 시간은 기 설정된 시간(예를 들어, 15분)을 넘지 않도록 설정될 수 있다.
사용자의 두뇌 활동이 학습 중 '졸림' 또는 '주의력 저하' 상태인 경우, 자극 신호 생성부(353)는 주파수가 13Hz 이상 30Hz 미만인 자극 신호를 생성하고, 생성된 자극 신호를 제1 내지 제4 자극 전극(Fp1, Fp2, AF7, AF8)으로 출력할 수 있다. 제1 내지 제4 자극 전극(Fp1, Fp2, AF7, AF8)으로 출력된 자극 신호는 사용자의 뇌를 자극하여 뇌 영역간 좌우 균형을 맞추는 뇌파 동조(synchrony)를 유도할 수 있으며, 이로써 사용자의 집행 통제(executive control) 기능을 강화할 수 있다. 한편, 뇌파 동조를 유도하기 위하여 좌측에 위치하는 제1 자극 전극(Fp1) 및 제3 자극 전극(AF7)으로 출력되는 자극 신호의 주파수와 우측에 위치하는 제2 자극 전극(Fp2) 및 제4 자극 전극(AF8)으로 출력되는 자극 신호의 주파수가 상이할 수 있다.
사용자의 두뇌 활동이 '수면 전 각성' 상태인 경우, 자극 신호 생성부(353)는 주파수가 4Hz 이상 8Hz 미만인 자극 신호를 생성하고, 생성된 자극 신호를 제3 자극 전극(AF7) 및 제4 자극 전극(AF8)으로 출력할 수 있다. 제3 자극 전극(AF7) 및 제4 자극 전극(AF8)으로 출력된 자극 신호는 사용자의 뇌를 자극하여 세타파 생성을 유도하고, 이로써 사용자는 잠에 빠져들 때의 상태로 유도될 수 있다.
사용자의 두뇌 활동이 '불안 및 긴장 중 적어도 어느 하나에 따른 수면 장애' 상태인 경우, 자극 신호 생성부(353)는 주파수가 14Hz 이상 30Hz 미만인 자극 신호를 생성하고, 생성된 자극 신호를 제1 자극 전극(Fp1) 및 제2 자극 전극(Fp2)으로 출력할 수 있다. 제1 자극 전극(Fp1) 및 제2 자극 전극(Fp2)으로 출력된 자극 신호는 사용자의 뇌를 자극하여 델타파와 베타파의 비율(delta to beta ratio)이 기 설정된 파라미터를 갖도록 유도하고, 이로써 사용자의 불안 정서에 따른 인지 저하를 방지할 수 있다.
사용자의 두뇌 활동이 '스트레스로 인한 극도의 각성' 상태인 경우, 자극 신호 생성부(353)는 주파수가 0.1Hz 이상 640Hz 미만인 자극 신호를 생성하고, 생성된 자극 신호를 제1 내지 제4 자극 전극(Fp1, Fp2, AF7, AF8)으로 출력할 수 있다. 제1 내지 제4 자극 전극(Fp1, Fp2, AF7, AF8)으로 출력된 자극 신호는 사용자의 뇌를 자극하여 알파파, 베타파 및 SMR파 생성을 유도하고, 이로써 사용자는 이완 효과를 얻을 수 있다.
본 발명의 실시예에 따른 자극 신호 생성부(353)에서 생성되는 자극 신호는 교류 신호와 직류 신호가 중첩되어 형성된 교류-직류 중첩 신호일 수 있다. 본 발명의 실시예에 따른 교류-직류 중첩 신호는 도 16을 참조하여 자세하게 알아보기로 한다.
도 16은 도 11에 도시한 뇌파 측정장치(300b)의 자극 신호 생성부(353)에서 출력되는 자극 신호를 나타내는 도면이다.
도 16을 참조하면, 교류-직류 중첩 신호인 자극 신호는, 전압 값 A 또는 전류 값 A를 갖는 직류 신호와 진폭이 전압 값 B 또는 전류 값 B인 교류 신호가 중첩된 것일 수 있다.
본 발명의 실시예에 따른 자극 신호는 교류 신호와 직류 신호가 중첩됨에 따라 항상 양의 값을 가질 수 있으며, 이를 위하여 A는 B 보다 큰 값을 갖도록 설정될 수 있다.
제1 도메인 및 제2 도메인 중 어느 하나가 선택된 경우, 자극 신호 생성부(353)는 도 16에 도시된 것과 같은 신호, 즉 중첩된 교류 신호가 하나의 주파수 및 진폭으로 형성된 것인 자극 신호를 생성할 수 있다.
또한, 제3 도메인이 선택된 경우, 자극 신호 생성부(353)는 시간의 흐름에 따라 주파수 및 진폭 중 적어도 어느 하나가 변하는 교류 신호가 중첩된 자극 신호를 생성할 수 있다. 이 경우, 사용자는 사용자 단말기를 통해 교류 신호의 주파수 및 진폭 중 적어도 어느 하나를 변경/설정할 수 있다.
한편, 선택된 도메인이 제1 도메인인 경우, 자극 신호 생성부(353)에서 생성되는 자극 신호 각각의 세기는 0.8mA/cm2 내지 1mA/cm2 일 수 있다. 또한, 선택된 도메인이 제2 도메인 또는 제3 도메인인 경우, 자극 신호 생성부(353)에서 생성되는 자극 신호 각각의 세기는 0.25mA/cm2 일 수 있다.
즉, 본 발명의 실시예에 따른 뇌파 측정장치(300b)는 활발한 두뇌 활동이 필요한 경우(예를 들어, 학습 중)에는 상대적으로 센 자극 신호를 사용자에게 인가하고, 수면이나 스트레스 관리가 필요한 경우에는 상대적으로 약한 자극 신호를 사용자에게 인가할 수 있다.
여기서 자극 신호의 세기는 자극 전극(322)의 단위 면적에 입력되는 전류의 크기를 의미할 수 있고, 자극 신호의 세기는, 자극 전극(322)의 면적, 인체 저항(생체 저항), 자극 전극(322)으로 출력되는 자극 신호의 주파수 값, 자극 신호의 전압 값 등을 참조하여 산출될 수 있다.
본 발명의 실시예에 따르면, 자극 전극(322)을 통한 최대 자극 시간이 미리 설정될 수 있으며, 예를 들어 최대 자극 시간은 15분으로 설정될 수 있다. 즉 자극 신호 생성부(353)는 자극 신호 생성 시점부터 기 설정된 시간(예를 들어, 15분)을 초과하면 자극 신호 생성 및 출력을 중단할 수 있다.
이와 유사한 취지로 본 발명의 실시예에 따른 전극 제어부(350b)는 자극 전극들로 출력되는 자극 신호의 전류 값을 감지하고 감지된 전류 값이 기 설정된 값보다 큰 경우, 자극 신호 생성부(353)의 자극 신호 출력을 차단하는 과전류 차단부(354)를 더 포함할 수 있으며, 과도한 전류가 사용자의 두피에 인가되지 않도록 차단할 수 있다.
과전류 차단부(354)는 전류 센서를 포함하며 전류 센서를 이용하여 자극 신호의 전류 값을 감지할 수 있고, 또는 인체 저항(생체 저항), 자극 전극으로 출력되는 자극 신호의 주파수 값, 자극 신호의 전압 값을 참조하여 자극 신호의 전류 값을 산출할 수도 있다.
본 발명의 실시예에 따른 측정 전극(321)으로부터 측정된 전기 신호를 참조로 하여 분석된 뇌파 신호, 선택된 도메인 정보와 뇌파 신호를 참조로 분석된 사용자의 두뇌 상태, 두뇌 상태에 대응하여 생성된 자극 신호의 정보(자극 신호의 주파수, 자극 신호 세기)와 생성된 자극 신호가 입력되는 자극 전극(322)의 종류를 표로 나타내면 아래의 [표 1]과 같다.
도메인 측정 뇌파 신호 두뇌
상태		 활성화되는
자극 전극		 자극 신호의
세기(단위: mA/cm2) 		자극 신호의
주파수
1(학습과 기억) 알파파(8~13Hz)가 나타나지 않음 집중력
저하		 AF7, AF8 0.8~1 8~12Hz
1(학습과 기억) 알파파(8~13Hz)가 나타나지 않음 & 고감마파(60Hz 이상)가 나타남 주의
분산		 Fp1, Fp2 0.8~1 30~40Hz
1(학습과 기억) 저세타파(4~6Hz)가 나타남 졸림/주의력
저하		 Fp1, Fp2,
AF7, AF8		 0.8~1 13~30Hz
2(수면) 감마파(30~60Hz)가 나타남 수면 전각성 AF7, AF8 0.25 4~8Hz
2(수면) 베타파(14~21Hz)가 나타남 or알파파(8~13Hz)가 나타나지 않음 불안/
긴장		 Fp1, Fp2 0.25 14~30Hz
3(스트레스) 고베타파(21~30Hz)가 나타남 or 감마파(30Hz 이상)가 나타남 극도의
각성		 Fp1, Fp2,
AF7, AF8		 0.25 0.1~640Hz
이하에서는 본 발명의 실시예에 따른 뇌파 측정장치를 이용한 뇌 자극 방법을 알아보기로 한다.
뇌파 자극장치의 전원이 'on' 상태가 되면 먼저 도메인 제어부(351)는 제1 내지 제3 도메인 중 어느 하나를 선택한다. 이때, 도메인 제어부(351)는 센서를 통해 뇌파 측정장치(300b)를 착용한 사용자의 자세를 감지하여 제1 도메인 및 제2 도메인 중 어느 하나를 선택하거나, 도메인 선택 버튼(370)이나 사용자 단말 장치를 통해 선택된 도메인 정보를 수신할 수도 있다.
도메인이 선택된 후 뇌파 분석부(352)는 측정 전극(321)으로부터 출력된 전기 신호 참조로 하여 사용자의 뇌파 신호 분석하고, 선택된 도메인 정보와 분석된 뇌파 신호 참조로 하여 사용자 두뇌 활동 상태를 분석한다.
이후 자극 신호 생성부(353)는 뇌파 분석부(352)에서 출력되는 사용자의 두뇌 활동 상태 정보를 참조하여 자극 신호를 생성하고 생성된 자극 신호를 복수의 자극 전극(322) 중 적어도 어느 하나로 출력한다.
본 발명의 실시예에 따르면, 측정된 뇌파 신호만을 참조하여 사용자에게 적합한 뇌 자극 신호를 인가하는 것이 아니라, 동일한 뇌파 신호가 측정되더라도 사용자의 주변 상황에 따라 서로 다른 뇌 자극 신호를 인가하므로, 보다 적절한 뇌 자극이 가능하다.
또한, 본 발명의 실시예에 따르면, 사용자의 상황을 나타내는 특정 도메인이 선택된 후 뇌파 분석부(352)가 사용자의 뇌파 신호를 분석하므로, 뇌파 분석부(352)는 스펙트럼이 넓은 뇌파 영역 중에서 집중적으로 모니터링 하여야 할 뇌파 영역을 구분하여 분석함으로써 뇌파 분석의 정확도와 효율성을 높일 수 있다.
이상 본 발명을 구체적인 실시예를 통하여 상세히 설명하였으나, 이는 본 발명을 구체적으로 설명하기 위한 것으로, 본 발명에 따른 딥러닝을 이용한 뇌파 분류장치 및 이를 포함하는 뇌파 측정 시스템은 이에 한정되지 않으며, 본 발명의 기술적 사상 내에서 당해 분야의 통상의 지식을 가진 자에 의해 그 변형이나 개량이 가능함은 명백하다고 할 것이다.
본 발명의 단순한 변형 내지 변경은 모두 본 발명의 영역에 속하는 것으로 본 발명의 구체적인 보호 범위는 첨부된 특허청구범위에 의하여 명확해질 것이다.
100 : 딥러닝을 이용한 뇌파 분류장치
110 : 수집부 120 : 전처리부
130 : 분류부 131 : 특징추출모듈
132 : 분류모듈 200 : 뇌파 측정 시스템
300a, 300b : 뇌파 측정장치 320a, 320b : 전극부
321 : 측정 전극 322 : 자극 전극
350a, 350b : 전극 제어부 360 : 알람부
400 : 사용자 단말 장치

Claims (5)

  1. 뇌파 신호를 수집하는 수집부;
    수집된 상기 뇌파 신호를 전처리하는 전처리부; 및
    전처리된 상기 뇌파 신호를 입력받아 상기 뇌파 신호의 정상 여부를 분류하는 분류부;
    를 포함하고,
    상기 분류부는 1차원 컨벌루션 신경망을 활용하여 전처리된 상기 뇌파 신호로부터 특징 벡터 데이터를 추출하는 특징추출모듈 및 상기 특징 벡터 데이터가 완전 연결 신경망을 거치도록 하여 딥러닝을 수행한 결과에 따라 상기 뇌파 신호의 정상 여부를 분류하는 분류모듈을 포함하는 딥러닝을 이용한 뇌파 분류장치.
  2. 제1항에 있어서,
    상기 특징추출모듈의 상기 1차원 컨벌루션 신경망은 압축된 상기 특징 벡터 데이터를 추출하기 위하여 층이 깊어질수록 신경망에 포함된 노드의 개수가 적어지도록 구성된 것을 특징으로 하는 딥러닝을 이용한 뇌파 분류장치.
  3. 제2항에 있어서,
    상기 분류모듈의 마지막층의 활성화함수는 시그모이드 함수를 적용하여, 상기 뇌파 신호의 정상 여부를 확률로 출력하는 것을 특징으로 하는 딥러닝을 이용한 뇌파 분류장치.
  4. 제3항에 따른 딥러닝을 이용한 뇌파 분류장치;
    상기 딥러닝을 이용한 뇌파 분류장치와 통신 가능하며 사용자의 머리에 착용 가능한 뇌파 측정장치; 및
    상기 분류모듈에서의 상기 확률이 미리 설정된 값 미만인 경우 사용자에게 비정상 뇌파 신호임을 알리는 알람부;
    를 포함하고,
    상기 뇌파 측정장치는 바디에 고정되며 상기 사용자의 뇌파 신호를 획득하기 위한 적어도 하나 이상의 측정 전극을 갖는 전극부를 포함하는 것을 특징으로 하는 뇌파 측정 시스템.
  5. 제4항에 있어서,
    상기 전극부는 상기 사용자의 뇌를 자극하기 위한 적어도 하나 이상의 자극 전극을 더 포함하며,
    상기 뇌파 측정장치는 상기 전극부와 전기적으로 연결되도록 상기 바디에 구비되며 상기 측정 전극으로부터 출력되는 상기 뇌파 신호를 참조하여 상기 뇌파 신호를 분석하고 상기 자극 전극으로 출력되는 자극 신호를 생성하는 전극 제어부를 더 포함하는 것을 특징으로 하는 뇌파 측정 시스템.
KR1020210022635A 2020-07-12 2021-02-19 딥러닝을 이용한 뇌파 분류장치 및 이를 포함하는 뇌파 측정 시스템 KR102505750B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR20200085784 2020-07-12
KR1020200085784 2020-07-12

Publications (2)

Publication Number Publication Date
KR20220007841A true KR20220007841A (ko) 2022-01-19
KR102505750B1 KR102505750B1 (ko) 2023-03-03

Family

ID=80052624

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210022635A KR102505750B1 (ko) 2020-07-12 2021-02-19 딥러닝을 이용한 뇌파 분류장치 및 이를 포함하는 뇌파 측정 시스템

Country Status (1)

Country Link
KR (1) KR102505750B1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11803177B1 (en) 2021-06-14 2023-10-31 MakinaRocks Co., Ltd. Method and apparatus for detecting anomaly data
CN117334289A (zh) * 2022-07-14 2024-01-02 安徽七度生命科学集团有限公司 脑波诱导素材的生成方法、设备和装置
KR20240080265A (ko) 2022-11-29 2024-06-07 서울과학기술대학교 산학협력단 개인 맞춤형 뇌파 자극 제어 시스템 및 방법

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101293446B1 (ko) 2011-04-29 2013-08-05 가톨릭대학교 산학협력단 움직임을 상상하는 뇌파 분류 방법 및 그 장치
KR20150061609A (ko) * 2014-12-26 2015-06-04 (주)와이브레인 뇌파 측정 및 두뇌 자극 시스템
KR101566786B1 (ko) 2015-06-23 2015-11-06 (주)와이브레인 전기 자극 및 생체 전위 측정 장치
KR101748731B1 (ko) * 2016-09-22 2017-06-20 금오공과대학교 산학협력단 아이겐 페이스 개념을 이용한 뇌파 신호 분류 방법 및 이를 실행하는 장치

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101293446B1 (ko) 2011-04-29 2013-08-05 가톨릭대학교 산학협력단 움직임을 상상하는 뇌파 분류 방법 및 그 장치
KR20150061609A (ko) * 2014-12-26 2015-06-04 (주)와이브레인 뇌파 측정 및 두뇌 자극 시스템
KR101566786B1 (ko) 2015-06-23 2015-11-06 (주)와이브레인 전기 자극 및 생체 전위 측정 장치
KR101748731B1 (ko) * 2016-09-22 2017-06-20 금오공과대학교 산학협력단 아이겐 페이스 개념을 이용한 뇌파 신호 분류 방법 및 이를 실행하는 장치

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Craik A, etc., Deep learning for electroencephalogram(EEG) classification tasks: a review. Journal of Neural Engineering. 16, pp.1~28 (2019.04.09.)* *
Stroke severity classification based on EEG signals using 1D convolutional neural network(2020) *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11803177B1 (en) 2021-06-14 2023-10-31 MakinaRocks Co., Ltd. Method and apparatus for detecting anomaly data
CN117334289A (zh) * 2022-07-14 2024-01-02 安徽七度生命科学集团有限公司 脑波诱导素材的生成方法、设备和装置
KR20240080265A (ko) 2022-11-29 2024-06-07 서울과학기술대학교 산학협력단 개인 맞춤형 뇌파 자극 제어 시스템 및 방법

Also Published As

Publication number Publication date
KR102505750B1 (ko) 2023-03-03

Similar Documents

Publication Publication Date Title
KR102505750B1 (ko) 딥러닝을 이용한 뇌파 분류장치 및 이를 포함하는 뇌파 측정 시스템
JP7471222B2 (ja) 睡眠段階の予測及びそれに基づいた介入準備
CN110522983B (zh) 基于人工智能的脑刺激系统、方法、设备和存储介质
Masood et al. Modeling mental stress using a deep learning framework
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
RU2656556C2 (ru) Основанная на мозговых волнах сенсорная стимуляция с обратной связью для вызова сна
CN104955385B (zh) 增大睡眠分阶的准确性的感官刺激
US20140023999A1 (en) Detection and feedback of information associated with executive function
CN111712194B (zh) 用于确定睡眠启动潜伏期的系统和方法
KR101566788B1 (ko) 하지기능 및 보행기능을 위한 뇌-컴퓨터 인터페이스를 기반한 기능적 전기자극치료기
CN110049714A (zh) 用于促进觉醒的系统和方法
KR102383921B1 (ko) 사용자 맞춤형 수면 관리 방법 및 시스템
Nguyen et al. In-ear biosignal recording system: A wearable for automatic whole-night sleep staging
KR20160085577A (ko) 생체신호를 이용한 심리상태 판단 장치 및 방법
KR102480151B1 (ko) 뇌 자극 장치
Dahal et al. Modeling of cognition using EEG: a review and a new approach
Xu et al. Fatigue EEG feature extraction based on tasks with different physiological states for ubiquitous edge computing
JP2022525985A (ja) 前頭部脳活動モニタリングセンサからの情報に基づいた深い睡眠の強化
CN111372639B (zh) 用于向用户递送感官刺激以增强用户中的认知域的系统
Kanna et al. Clinical Analysis of EEG for Cognitive Activation Using MATLAB Applications
KR101693716B1 (ko) 뇌파를 이용한 졸음정도 및 집중정도의 판단 방법 및 이를 이용한 집중력저감 알림 시스템
KR102496561B1 (ko) 뇌파 분석을 기반으로 치매를 예측하는 인공지능 관제시스템, 관제방법, 관제서버 및 노인 맞춤형 서비스 제공방법
US20220233805A1 (en) Customized-type sleep management method and system
Yan et al. A dry electrode based headband voice brain-computer interface device
Kanaga et al. A Pilot Investigation on the Performance of Auditory Stimuli based on EEG Signals Classification for BCI Applications

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
AMND Amendment
X701 Decision to grant (after re-examination)