KR20220095535A - METHOD FOR EXTRACTING BRAIN ACTIVATION AREA USING POLYNOMIAL REGRESSION FROM fNIRS DATA, RECORDING MEDIUM AND DEVICE FOR PERFORMING THE METHOD - Google Patents
METHOD FOR EXTRACTING BRAIN ACTIVATION AREA USING POLYNOMIAL REGRESSION FROM fNIRS DATA, RECORDING MEDIUM AND DEVICE FOR PERFORMING THE METHOD Download PDFInfo
- Publication number
- KR20220095535A KR20220095535A KR1020200187147A KR20200187147A KR20220095535A KR 20220095535 A KR20220095535 A KR 20220095535A KR 1020200187147 A KR1020200187147 A KR 1020200187147A KR 20200187147 A KR20200187147 A KR 20200187147A KR 20220095535 A KR20220095535 A KR 20220095535A
- Authority
- KR
- South Korea
- Prior art keywords
- data
- polynomial
- fnirs
- extracting
- brain activation
- Prior art date
Links
- 210000004556 brain Anatomy 0.000 title claims abstract description 55
- 230000004913 activation Effects 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims description 26
- 108010064719 Oxyhemoglobins Proteins 0.000 claims abstract description 68
- 238000000605 extraction Methods 0.000 claims abstract description 25
- 230000008859 change Effects 0.000 claims abstract description 19
- 230000006399 behavior Effects 0.000 claims abstract description 18
- 238000010801 machine learning Methods 0.000 claims abstract description 17
- 230000003727 cerebral blood flow Effects 0.000 claims abstract description 16
- 230000009471 action Effects 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000004513 sizing Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 2
- 238000012800 visualization Methods 0.000 claims description 2
- 238000000926 separation method Methods 0.000 claims 1
- 238000002474 experimental method Methods 0.000 abstract description 14
- 238000004364 calculation method Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 4
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 229910052760 oxygen Inorganic materials 0.000 description 3
- 239000001301 oxygen Substances 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004497 NIR spectroscopy Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 108010054147 Hemoglobins Proteins 0.000 description 1
- 102000001554 Hemoglobins Human genes 0.000 description 1
- 238000010420 art technique Methods 0.000 description 1
- 230000004397 blinking Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004886 head movement Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
-
- 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
- A61B5/026—Measuring blood flow
- A61B5/0261—Measuring blood flow using optical means, e.g. infrared light
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
- A61B5/14551—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters for measuring blood gases
- A61B5/14553—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters for measuring blood gases specially adapted for cerebral tissue
-
- 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
- A61B5/4058—Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
- A61B5/4064—Evaluating the brain
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/314—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry with comparison of measurements at specific and non-specific wavelengths
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
- G16B40/20—Supervised data analysis
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B5/00—ICT specially adapted for modelling or simulations in systems biology, e.g. gene-regulatory networks, protein interaction networks or metabolic networks
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/10—Analysis or design of chemical reactions, syntheses or processes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/314—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry with comparison of measurements at specific and non-specific wavelengths
- G01N2021/3144—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry with comparison of measurements at specific and non-specific wavelengths for oxymetry
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Chemical & Material Sciences (AREA)
- Neurology (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Public Health (AREA)
- Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Physiology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Evolutionary Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Biotechnology (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Analytical Chemistry (AREA)
- Crystallography & Structural Chemistry (AREA)
- Pure & Applied Mathematics (AREA)
Abstract
Description
본 발명은 fNIRS 데이터에서 다항회귀를 활용한 뇌 활성화 지역 추출 방법, 이를 수행하기 위한 기록 매체 및 장치에 관한 것으로서, 더욱 상세하게는 fNIRS 기반 뇌 혈류량 측정 모델을 사용하여 추출한 원시 데이터에서 불필요한 특징(feature)을 제거하여 머신 러닝을 활용한 특정 행위에 대한 효율적인 분류 학습을 제공하는 기술에 관한 것이다.The present invention relates to a method for extracting a brain activation region using polynomial regression from fNIRS data, a recording medium and an apparatus for performing the same, and more particularly, to an unnecessary feature (feature) from raw data extracted using an fNIRS-based cerebral blood flow measurement model. ) to provide efficient classification learning for specific behaviors using machine learning.
뇌-컴퓨터 인터페이스는 새로운 커뮤니케이션 기술로서 뇌파 신호를 이용하여 단말이나 장치에 적용된 컴퓨팅 장치를 제어함으로써 두뇌와 컴퓨터 사이의 직접적인 연결을 목표로 하는 기술이다.The brain-computer interface is a new communication technology that aims to directly connect the brain and the computer by controlling a computing device applied to a terminal or device using brain wave signals.
그 중 동작 상상 추정 기술은 사용자가 의도된 동작을 직관적으로 상상하면 그때 발현되는 뇌파를 분석해 사용자가 상상한 동작을 구분해내는 기술로 타 뇌-컴퓨터 인터페이스 기술에 비해 비교적 고차원적인 기술에 해당한다.Among them, motion imagination estimation technology is a technology that distinguishes the user's imagined motion by analyzing the brain waves that are generated when the user intuitively imagines the intended motion.
뇌파 신호는 그 측정 상의 한계로 인해 분석 대상 이외의 눈 깜박임이나 머리 움직임 등의 배경 소음에 의해 오염되기 쉽고, 상상 의도 분류를 위한 뇌파 분석이 어려워 정확도를 높이기가 어렵다고 알려져 있다.It is known that EEG signals are easily polluted by background noise such as blinking of eyes or head movements other than the target of analysis due to limitations in measurement, and it is difficult to increase accuracy because EEG analysis for classification of imaginary intentions is difficult.
이러한 이유로 동작 상상 기반의 뇌-컴퓨터 인터페이스 분류 정확도를 높이기 위해 잡음이 있는 뇌파 신호를 활용해 사용자의 의도를 추정하는 기술은 아직 열려있는 도전 과제이다.For this reason, in order to improve the accuracy of brain-computer interface classification based on motion imagination, a technology for estimating user intention using noisy EEG signals is still an open challenge.
한편, 최근 발전된 딥 러닝 기술로 인해 동작 상상의 의도를 추정하는 기술의 정확도는 향상되었지만, 심층학습 모델(예: 심층 신뢰 신경망, 합성곱 신경망, 순환곱 신경망 등)의 특성상 단일 도메인 특징만을 추출하여 학습시키고 있다.On the other hand, although the accuracy of the technique for estimating the intention of the motion has been improved due to the recently developed deep learning technology, only a single domain feature is extracted due to the nature of the deep learning model (e.g., deep trust neural network, convolutional neural network, recurrent neural network, etc.) are learning
반면, 뇌파에 존재하는 주요 특징 도메인은 공간 영역(spatial domain), 시간 영역(temporal domain) 및 주파수(spectral domain)로 3가지가 있다. 따라서, 다양한 도메인 특징을 융합함으로써 성능을 향상시키고 뇌파 신호를 통한 동작 상상 의도 분석에 맞는 심층학습 모델을 설계할 필요가 있다.On the other hand, there are three main characteristic domains in EEG: a spatial domain, a temporal domain, and a frequency (spectral domain). Therefore, it is necessary to design a deep learning model to improve performance by fusion of various domain features and to analyze motion imagining intentions through EEG signals.
그럼에도 종래의 기술 중 단일 도메인에서 특징을 추출하는 기술들은 다른 도메인의 정보를 추출할 수 없기 때문에 높은 성능의 동작 상상 의도 예측을 수행할 수 없는 문제가 있었다. Nevertheless, among the prior art techniques for extracting features from a single domain, there is a problem in that high performance motion imagination intention prediction cannot be performed because information of other domains cannot be extracted.
또한, 두 종류의 도메인을 융합해 특징을 추출하여 단일 도메인 기술보다 성능을 향상시킬 수는 있지만, 여전히 뇌파 신호를 통한 동작 상상 의도 분석에 적용되기에는 성능이 부족할 뿐만 아니라 특징 선택의 기술적 한계로 인해 대량으로 추출되는 융합 특징을 효과적으로 사용하지 못하는 문제가 있었다.In addition, although it is possible to improve performance over single domain technology by fusing two types of domains to extract features, the performance is still insufficient to be applied to motion imagination intention analysis through EEG signals, and due to the technical limitations of feature selection, There was a problem in that the fusion features extracted in large quantities could not be used effectively.
뿐만 아니라, 뇌파 신호 분석을 통한 뇌-컴퓨터 인터페이스 기술은 뇌파의 신호를 읽어드리고 이를 근간으로 하여 외부의 장비를 실시간으로 작동하는 것을 최종 목표로 한다. 그러나 특징 선택의 기술적 한계와 더불어 실시간 특징 분류 기술의 낮은 정확도로 인해 실제로 적용하기에는 많은 문제점이 있었다.In addition, the brain-computer interface technology through EEG signal analysis reads EEG signals and based on this, the ultimate goal is to operate external equipment in real time. However, there were many problems in practical application due to the technical limitations of feature selection and the low accuracy of the real-time feature classification technique.
최근 fNIRS 기반 뇌 혈류량 측정 모델을 사용해 추출한 원시 데이터에 대해, 머신 러닝을 활용하여 특정 행위에 대한 분류 학습을 하는 분야에 대한 관심이 높아지고 있다. fNIRS(functional near-infrared spectroscopy)는 기능적 근적외선 분광법이라고도 불리며, 뇌의 혈액산소 변화를 측정하기 위해 특정 파장의 빛을 사용하여 뇌 속의 혈중산소의 변화를 측정하는 기술이다. 더 많은 산소가 한 영역으로 갈수록 뇌 속의 그 부분에 더 많이 작용한다. Recently, interest in the field of classification learning for specific behaviors using machine learning on raw data extracted using an fNIRS-based cerebral blood flow measurement model is growing. Functional near-infrared spectroscopy (fNIRS), also called functional near-infrared spectroscopy, is a technology that measures changes in blood oxygen in the brain by using light of a specific wavelength to measure changes in blood oxygen in the brain. The more oxygen goes into an area, the more it works on that area in the brain.
그러나, fNIRS의 원시 데이터를 모두 사용하는 경우 불필요한 영역의 데이터까지 같이 학습하게 된다. 이는 계산량의 증가, 학습시간 증가 등 기계학습을 효율적으로 수행하지 못하게 하는 문제점으로 제시된다.However, when all of the raw data of fNIRS is used, data of an unnecessary area is also learned. This is suggested as a problem that prevents efficient machine learning, such as an increase in the amount of computation and an increase in learning time.
이에, 본 발명의 기술적 과제는 이러한 점에서 착안된 것으로 본 발명의 목적은 fNIRS 데이터에서 다항회귀를 활용한 뇌 활성화 지역 추출 방법을 제공하는 것이다.Accordingly, it is an object of the present invention to provide a method for extracting brain activation regions using polynomial regression from fNIRS data.
본 발명의 다른 목적은 상기 fNIRS 데이터에서 다항회귀를 활용한 뇌 활성화 지역 추출 방법을 수행하기 위한 컴퓨터 프로그램이 기록된 기록 매체를 제공하는 것이다.Another object of the present invention is to provide a recording medium in which a computer program for performing a brain activation region extraction method using polynomial regression from the fNIRS data is recorded.
본 발명의 또 다른 목적은 상기 fNIRS 데이터에서 다항회귀를 활용한 뇌 활성화 지역 추출 방법을 수행하기 위한 장치를 제공하는 것이다.Another object of the present invention is to provide an apparatus for performing a brain activation region extraction method using polynomial regression in the fNIRS data.
상기한 본 발명의 목적을 실현하기 위한 일 실시예에 따른 fNIRS 데이터에서 다항회귀를 활용한 뇌 활성화 지역 추출 방법은, 실험자의 특정 행위 동안 fNIRS 장비의 각 트래이스(trace)를 통해 일정 주기마다 옥시헤모글로빈(OxyHb)의 농도에 대한 원시 데이터를 생성하는 단계; 보간법을 이용하여 각 옥시헤모글로빈(OxyHb)의 농도에 대한 원시 데이터의 컬럼(column)별 다항 방정식을 생성하는 단계; 상기 컬럼별 다항 방정식의 변화량을 기초로 특징을 추출하여 데이터를 다운 사이징하는 단계; 다운 사이징된 컬럼별 다항 방정식으로부터 결정 계수가 가장 높은 최적의 n차 다항식을 탐색하는 단계; 및 상기 최적의 n(여기서, n은 2 이상의 자연수)차 다항식의 기울기의 방향이 다른 트래이스(trace)를 상기 특정 행위에 대한 뇌 활성화 지역으로 추출하는 단계;를 포함한다.The brain activation region extraction method using polynomial regression from fNIRS data according to an embodiment for realizing the above-described object of the present invention is a method for extracting a brain activation region using each trace of the fNIRS device during a specific action of an experimenter. generating raw data on the concentration of hemoglobin (OxyHb); generating a polynomial equation for each column of raw data for the concentration of each oxyhemoglobin (OxyHb) using interpolation; downsizing data by extracting features based on the amount of change in the polynomial equation for each column; searching for an optimal nth-order polynomial having the highest coefficient of determination from the downsized polynomial equation for each column; and extracting, as a brain activation region for the specific behavior, a trace having a different direction of inclination of the optimal nth-order polynomial (where n is a natural number equal to or greater than 2).
본 발명의 실시예에서, 상기 옥시헤모글로빈(OxyHb)의 농도에 대한 원시 데이터를 생성하는 단계는, 실험자의 특정 행위 동안 fNIRS 장비의 각 트래이스(trace)를 통해 뇌 혈류량에 대한 원시 데이터를 측정하는 단계; 각 원시 데이터의 일부를 제거하여 전처리하는 단계; 및 전처리된 원시 데이터 중 옥시헤모글로빈(OxyHb)의 농도에 대한 데이터를 분리하는 단계;를 포함할 수 있다.In an embodiment of the present invention, the step of generating raw data on the concentration of oxyhemoglobin (OxyHb) includes measuring raw data on cerebral blood flow through each trace of the fNIRS device during a specific action of the experimenter. step; preprocessing by removing a portion of each raw data; and separating data on the concentration of oxyhemoglobin (OxyHb) from the preprocessed raw data.
본 발명의 실시예에서, 상기 데이터를 다운 사이징하는 단계는, 각 다항 방정식의 불필요한 값인 바이어스를 제거하여 y절편을 동일하게 하는 단계;를 포함할 수 있다.In an embodiment of the present invention, the step of downsizing the data may include making the y-intercept the same by removing a bias that is an unnecessary value of each polynomial equation.
본 발명의 실시예에서, 상기 특정 행위에 대한 뇌 활성화 지역으로 추출하는 단계는, 결정 계수를 이용하여 계산된 n 값을 적용한 n차 다항식을 데이터 별로 시각화하는 단계; 및 상기 n차 다항식의 기울기의 방향이 다른 트래이스(trace)를 추출하는 단계;를 포함할 수 있다.In an embodiment of the present invention, the step of extracting the brain activation region for the specific behavior includes: visualizing an nth-order polynomial to which n-value calculated using a determination coefficient is applied for each data; and extracting traces having different directions of the slope of the nth-order polynomial.
본 발명의 실시예에서, 상기 fNIRS 데이터에서 다항회귀를 활용한 뇌 활성화 지역 추출 방법은, 추출된 트래이스의 데이터 값을 상기 특정 행위에 대한 새로운 특징으로 머신 러닝에 활용하는 단계;를 더 포함할 수 있다.In an embodiment of the present invention, the method for extracting a brain activation region using polynomial regression from the fNIRS data may further include: using the extracted trace data value as a new feature for the specific action for machine learning; can
상기한 본 발명의 다른 목적을 실현하기 위한 일 실시예에 따른 컴퓨터로 판독 가능한 저장 매체에는, 상기 fNIRS 데이터에서 다항회귀를 활용한 뇌 활성화 지역 추출 방법을 수행하기 위한 컴퓨터 프로그램이 기록되어 있다. In a computer-readable storage medium according to an embodiment for realizing another object of the present invention, a computer program for performing a brain activation region extraction method using polynomial regression from the fNIRS data is recorded.
상기한 본 발명의 또 다른 목적을 실현하기 위한 일 실시예에 따른 fNIRS 데이터에서 다항회귀를 활용한 뇌 활성화 지역 추출 장치는, 실험자의 특정 행위 동안 fNIRS 장비의 각 트래이스(trace)를 통해 일정 주기마다 옥시헤모글로빈(OxyHb)의 농도에 대한 원시 데이터를 생성하는 데이터 생성부; 보간법을 이용하여 각 옥시헤모글로빈(OxyHb)의 농도에 대한 원시 데이터의 컬럼(column)별 다항 방정식을 생성하는 다항식 생성부; 상기 컬럼별 다항 방정식의 변화량을 기초로 특징을 추출하여 데이터를 다운 사이징하는 다운 사이징부; 다운 사이징된 컬럼별 다항 방정식으로부터 결정 계수가 가장 높은 최적의 n차 다항식을 탐색하는 다항식 최적화부; 및 상기 최적의 n(여기서, n은 2 이상의 자연수)차 다항식의 기울기의 방향이 다른 트래이스(trace)를 상기 특정 행위에 대한 뇌 활성화 지역으로 추출하는 영역 추출부;를 포함한다.The brain activation region extraction apparatus using polynomial regression from fNIRS data according to an embodiment for realizing another object of the present invention is a predetermined period through each trace of the fNIRS equipment during a specific action of an experimenter. a data generating unit generating raw data for each concentration of oxyhemoglobin (OxyHb); a polynomial generator for generating a polynomial equation for each column of raw data for each concentration of oxyhemoglobin (OxyHb) using interpolation; a downsizing unit for downsizing data by extracting features based on the amount of change in the polynomial equation for each column; a polynomial optimization unit that searches for an optimal nth-order polynomial having the highest coefficient of determination from the downsized polynomial equation for each column; and a region extraction unit for extracting traces having different directions of inclinations of the optimal nth-order polynomial (where n is a natural number of 2 or more) as brain activation regions for the specific behavior.
본 발명의 실시예에서, 상기 데이터 생성부는, 실험자의 특정 행위 동안 fNIRS 장비의 각 트래이스(trace)를 통해 뇌 혈류량에 대한 원시 데이터를 측정하는 데이터 측정부; 각 원시 데이터의 일부를 제거하여 전처리하는 전처리부; 및 전처리된 원시 데이터 중 옥시헤모글로빈(OxyHb)의 농도에 대한 데이터를 분리하는 데이터 분리부;를 포함할 수 있다.In an embodiment of the present invention, the data generating unit may include: a data measuring unit measuring raw data on cerebral blood flow through each trace of the fNIRS device during a specific action of the experimenter; a preprocessor for preprocessing by removing a portion of each raw data; and a data separator for separating data on the concentration of oxyhemoglobin (OxyHb) from among the preprocessed raw data.
본 발명의 실시예에서, 상기 다운 사이징부는, 각 다항 방정식의 불필요한 값인 바이어스를 제거하여 y절편을 동일하게 할 수 있다.In an embodiment of the present invention, the downsizing unit may make the y-intercept the same by removing a bias that is an unnecessary value of each polynomial equation.
본 발명의 실시예에서, 상기 영역 추출부는, 결정 계수를 이용하여 계산된 n 값을 적용한 n차 다항식을 데이터 별로 시각화하는 시각화부; 및 상기 n차 다항식의 기울기의 방향이 다른 트래이스(trace)를 추출하는 트래이스 추출부;를 포함할 수 있다.In an embodiment of the present invention, the region extracting unit includes: a visualization unit for visualizing an nth-order polynomial to which an n value calculated using a determination coefficient is applied for each data; and a trace extraction unit for extracting traces having different directions of gradients of the nth-order polynomial.
본 발명의 실시예에서, 상기 fNIRS 데이터에서 다항회귀를 활용한 뇌 활성화 지역 추출 장치는, 추출된 트래이스의 데이터 값을 상기 특정 행위에 대한 새로운 특징으로 기계 학습에 활용하는 머신 러닝부;를 더 포함할 수 있다.In an embodiment of the present invention, the apparatus for extracting a brain activation region using polynomial regression from the fNIRS data includes a machine learning unit that uses the extracted trace data value as a new feature for the specific action for machine learning; may include
이와 같은 fNIRS 데이터에서 다항회귀를 활용한 뇌 활성화 지역 추출 방법에 따르면, 방정식을 활용하여 뇌 혈류량의 변화가 있는 위치만 추출하여 분류 실험을 하므로, 데이터의 크기를 대폭 감소시키고 불필요한 특징을 제거하여 효율적인 기계 학습이 가능하다.According to the method of extracting brain activation regions using polynomial regression from such fNIRS data, classification experiments are performed by extracting only the locations where there is a change in cerebral blood flow using the equation, so the size of the data is greatly reduced and unnecessary features are removed to provide efficient machine learning is possible.
도 1은 본 발명의 일 실시예에 따른 fNIRS 데이터에서 다항회귀를 활용한 뇌 활성화 지역 추출 장치의 블록도이다.
도 2는 도 1의 fNIRS 데이터를 모두 활용하여 분류 실험을 한 경우의 데이터 정확도를 나타내는 그래프이다.
도 3은 본 발명에 따라 fNIRS 장비를 활용하여 추출한 원시 데이터의 일부를 시각화한 그래프이다.
도 4는 degree 별 다항식을 추출한 결과를 보여주는 그래프이다.
도 5는 본 발명에 따라 추출한 7차 방정식을 시각화한 그래프들 중 클래스간 그래프들의 기울기 방향이 다른 트래이스 8 개 구간의 그래프이다.
도 6은 fNIRS 장비의 각 송신기와 수신기의 위치를 표현해주는 Optodes Template를 보여주는 도면이다.
도 7은 본 발명에 따른 분류 실험을 한 경우의 데이터 정확도를 나타내는 그래프이다.
도 8은 본 발명의 일 실시예에 따른 fNIRS 데이터에서 다항회귀를 활용한 뇌 활성화 지역 추출 방법의 흐름도이다.1 is a block diagram of an apparatus for extracting brain activation regions using polynomial regression from fNIRS data according to an embodiment of the present invention.
FIG. 2 is a graph showing data accuracy when a classification experiment is performed using all of the fNIRS data of FIG. 1 .
3 is a graph visualizing a part of the raw data extracted by using the fNIRS device according to the present invention.
4 is a graph showing the results of extracting polynomials for each degree.
5 is a graph of 8 trace sections in which the gradient directions of graphs between classes are different among graphs that visualize the 7th equation extracted according to the present invention.
6 is a view showing an Optodes Template expressing the positions of each transmitter and receiver of the fNIRS device.
7 is a graph showing data accuracy when a classification experiment according to the present invention is performed.
8 is a flowchart of a method for extracting a brain activation region using polynomial regression from fNIRS data according to an embodiment of the present invention.
후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이들 실시예는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 여기에 기재되어 있는 특정 형상, 구조 및 특성은 일 실시예에 관련하여 본 발명의 정신 및 범위를 벗어나지 않으면서 다른 실시예로 구현될 수 있다. 또한, 각각의 개시된 실시예 내의 개별 구성요소의 위치 또는 배치는 본 발명의 정신 및 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 취하려는 것이 아니며, 본 발명의 범위는, 적절하게 설명된다면, 그 청구항들이 주장하는 것과 균등한 모든 범위와 더불어 첨부된 청구항에 의해서만 한정된다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭한다.DETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS [0012] DETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS [0010] DETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS [0010] Reference is made to the accompanying drawings, which show by way of illustration specific embodiments in which the present invention may be practiced. These embodiments are described in sufficient detail to enable those skilled in the art to practice the present invention. It should be understood that the various embodiments of the present invention are different but need not be mutually exclusive. For example, certain shapes, structures, and characteristics described herein may be implemented in other embodiments with respect to one embodiment without departing from the spirit and scope of the invention. In addition, it should be understood that the location or arrangement of individual components within each disclosed embodiment may be changed without departing from the spirit and scope of the present invention. Accordingly, the following detailed description is not intended to be taken in a limiting sense, and the scope of the present invention, if properly described, is limited only by the appended claims, along with all scope equivalents to those claimed. Like reference numerals in the drawings refer to the same or similar functions throughout the various aspects.
이하, 도면들을 참조하여 본 발명의 바람직한 실시예들을 보다 상세하게 설명하기로 한다. Hereinafter, preferred embodiments of the present invention will be described in more detail with reference to the drawings.
도 1은 본 발명의 일 실시예에 따른 fNIRS 데이터에서 다항회귀를 활용한 뇌 활성화 지역 추출 장치의 블록도이다.1 is a block diagram of an apparatus for extracting brain activation regions using polynomial regression from fNIRS data according to an embodiment of the present invention.
본 발명에 따른 fNIRS 데이터에서 다항회귀를 활용한 뇌 활성화 지역 추출 장치(10, 이하 장치)는 방정식을 활용하여 뇌 혈류량의 변화가 있는 위치만 추출하여 데이터의 크기를 줄이고, 불필요한 특징(feature)을 제거하여 효율적인 기계 학습을 제공할 수 있다.The brain activation region extraction device (10, hereinafter device) using polynomial regression from fNIRS data according to the present invention extracts only the locations where there is a change in cerebral blood flow by using the equation to reduce the size of the data and remove unnecessary features. can be removed to provide efficient machine learning.
도 1을 참조하면, 본 발명에 따른 장치(10)는 데이터 생성부(110), 다항식 생성부(130), 다운 사이징부(150), 다항식 최적화부(170) 및 영역 추출부(190)를 포함한다.1 , an
본 발명의 상기 장치(10)는 fNIRS 데이터에서 다항회귀를 활용한 뇌 활성화 지역 추출을 수행하기 위한 소프트웨어(애플리케이션)가 설치되어 실행될 수 있으며, 상기 데이터 생성부(110), 상기 다항식 생성부(130), 상기 다운 사이징부(150), 상기 다항식 최적화부(170) 및 상기 영역 추출부(190)의 구성은 상기 장치(10)에서 실행되는 상기 fNIRS 데이터에서 다항회귀를 활용한 뇌 활성화 지역 추출을 수행하기 위한 소프트웨어에 의해 제어될 수 있다. In the
상기 장치(10)는 별도의 단말이거나 또는 단말의 일부 모듈일 수 있다. 또한, 상기 데이터 생성부(110), 상기 다항식 생성부(130), 상기 다운 사이징부(150), 상기 다항식 최적화부(170) 및 상기 영역 추출부(190)의 구성은 통합 모듈로 형성되거나, 하나 이상의 모듈로 이루어 질 수 있다. 그러나, 이와 반대로 각 구성은 별도의 모듈로 이루어질 수도 있다.The
상기 장치(10)는 이동성을 갖거나 고정될 수 있다. 상기 장치(10)는, 서버(server) 또는 엔진(engine) 형태일 수 있으며, 디바이스(device), 기구(apparatus), 단말(terminal), UE(user equipment), MS(mobile station), 무선기기(wireless device), 휴대기기(handheld device) 등 다른 용어로 불릴 수 있다. The
상기 장치(10)는 운영체제(Operation System; OS), 즉 시스템을 기반으로 다양한 소프트웨어를 실행하거나 제작할 수 있다. 상기 운영체제는 소프트웨어가 장치의 하드웨어를 사용할 수 있도록 하기 위한 시스템 프로그램으로서, 안드로이드 OS, iOS, 윈도우 모바일 OS, 바다 OS, 심비안 OS, 블랙베리 OS 등 모바일 컴퓨터 운영체제 및 윈도우 계열, 리눅스 계열, 유닉스 계열, MAC, AIX, HP-UX 등 컴퓨터 운영체제를 모두 포함할 수 있다.The
상기 데이터 생성부(110)는 실험자의 특정 행위 동안 fNIRS 장비의 각 트래이스(trace)를 통해 일정 주기마다 옥시헤모글로빈(OxyHb)의 농도에 대한 원시 데이터를 생성한다.The
일 실시예에서, 특정 방향에서 소리 발생 시, 해당 방향 검지 손가락을 탭(Tapping)하며, 일정 시간 이완 시기(예를 들어, 7초간 무음)를 삽입하였다. 즉, fNIRS 장비를 활용하여 뇌 혈류량 측정하며, 이완 시기와 탭 시기의 이진 분류 실험에서 하나의 데이터에 7초 그리고 소리 발생 시간을 5초로 설정하였다.In one embodiment, when a sound is generated in a specific direction, the index finger in the corresponding direction is tapped, and a relaxation period (eg, silence for 7 seconds) is inserted for a predetermined time. That is, cerebral blood flow was measured using fNIRS equipment, and 7 seconds and 5 seconds of sound generation were set for one data in the binary classification experiment of relaxation and tap times.
fNIRS 세팅은 Brite 24 Model을 적용하고 OxySoft 프로그램을 사용하였다. Optodes template은 좌우 12 채널을 사용하여 총 24개의 채널을 사용하고, DPF는 5.85dpf를 사용하였다. 주파수는 25Hz로 설정하여, 1초에 25번의 옥시헤모글로빈의 농도를 측정하였다.For fNIRS settings,
원시 데이터는 Cvs 파일로 저장하고, 각 데이터의 앞, 뒤를 각각 1s씩 제거하여 전처리하였다. 이에 따라, 하나의 데이터는 5s이고, 각 데이터 컬럼(column)은 5s × 25Hz = 125개가 된다. 각 데이터를 CNN 분류 모델을 통해 옥시헤모글로빈(OxyHb) 농도와 HbDIff(OxyHb - DeOxyHb) 농도로 분리하면, 하나의 데이터의 크기는 [125, 24]가 된다. 데이터의 각 컬럼(column)은 Optodes template의 하나의 트래이스(trace)와 대응한다.The raw data was saved as a Cvs file, and the front and back sides of each data were removed by 1s each for preprocessing. Accordingly, one data is 5s, and each data column is 5s × 25Hz = 125. If each data is separated into oxyhemoglobin (OxyHb) concentration and HbDiff (OxyHb - DeOxyHb) concentration through CNN classification model, the size of one data becomes [125, 24]. Each column of data corresponds to one trace in the Optodes template.
실험 결과, 옥시헤모글로빈(OxyHb) 농도와 HbDIff(OxyHb - DeOxyHb) 농도로 각각 분류하였을 때, 정확도 0.6222으로, 두 특징간의 유사성이 존재하였다. 이에 따라, 본 발명에서는 옥시헤모글로빈(OxyHb) 농도만을 활용하여 방정식 특성 실험을 하였다.As a result of the experiment, when classified into oxyhemoglobin (OxyHb) concentration and HbDiff (OxyHb - DeOxyHb) concentration, the accuracy was 0.6222, and there was a similarity between the two features. Accordingly, in the present invention, an equation characteristic experiment was performed using only the oxyhemoglobin (OxyHb) concentration.
24개 채널을 모두 사용한 옥시헤모글로빈(OxyHb) 농도에 따른 분류 실험(Epochs = 100)에서는 도 2와 같이 테스트 로스(Test loss)는 0.8531 및 테스트 정확도(Test accuracy)는 0.6778의 결과를 얻었다.In the classification experiment according to the oxyhemoglobin (OxyHb) concentration using all 24 channels (Epochs = 100), as shown in FIG. 2 , a test loss of 0.8531 and a test accuracy of 0.6778 were obtained.
상기 다항식 생성부(130)는 보간법을 이용하여 각 옥시헤모글로빈(OxyHb)의 농도에 대한 원시 데이터의 컬럼(column)별 다항 방정식을 생성한다.The
상기 옥시헤모글로빈(OxyHb)의 농도에 대한 데이터 컬럼(column)은 각각 다항 방정식 fi(x)로 표현이 가능하다. 도 3을 참조하면, 하나의 데이터는 다항 방정식 24개와 유사한 형태를 보이므로, 24개의 방정식으로 표현할 수 있다. 즉, 농도 변화 형태는 다항회귀(Polynomial Regression)를 적용할 수 있다.Each data column for the concentration of oxyhemoglobin (OxyHb) can be expressed by a polynomial equation f i (x). Referring to FIG. 3 , since one data has a form similar to 24 polynomial equations, it can be expressed as 24 equations. That is, polynomial regression can be applied to the concentration change form.
상기 다운 사이징부(150)는 상기 컬럼별 다항 방정식의 변화량을 기초로 특징을 추출하여 데이터를 다운 사이징한다. 각 다항식을 표현하면 아래의 수학식 1과 같다.The downsizing
[수학식 1][Equation 1]
수학식 1의 각 다항식에서 불필요한 값인 
상기 다항식 최적화부(170)는 다운 사이징된 컬럼별 다항 방정식으로부터 결정 계수가 가장 높은 최적의 n차 다항식을 탐색한다.The
도 4를 참조하면, Degrees = [1, 3, 5, 6, 7, 8, 9, 10]에서 Degree 별 성능을 비교하여 결정 계수를 도출한다. 최적의 n차 다항식 탐색은 아래의 수학식 2와 같이, R Squeared(결정 계수)를 사용한다.Referring to FIG. 4 , a coefficient of determination is derived by comparing the performance of each degree at Degrees = [1, 3, 5, 6, 7, 8, 9, 10]. The optimal nth-order polynomial search uses R Squeared (coefficient of determination) as shown in
[수학식 2][Equation 2]
여기서, SST는 편차의 제곱합, 즉 실제값, 예측값, 평균값 사이의 차이를 더한 값이다. SSE는 회귀식과 실제값의 차이로, 값이 작을수록 R Squared가 높다. SSR은 회귀식과 평균값의 차이로, 값이 클수록 R Squared가 높다. 여기서, SST = SSE + SSR 이 된다.Here, SST is the sum of squared deviations, that is, a value obtained by adding the difference between the actual value, the predicted value, and the average value. SSE is the difference between the regression equation and the actual value. The smaller the value, the higher the R Squared. SSR is the difference between the regression equation and the mean value. The larger the value, the higher the R Squared. Here, SST = SSE + SSR.
실험 결과, n = 7 일 때, 
상기 영역 추출부(190)는 상기 최적의 n(여기서, n은 2 이상의 자연수)차 다항식의 기울기의 방향이 다른 트래이스(trace)를 상기 특정 행위에 대한 뇌 활성화 지역으로 추출한다.The
도 5를 참조하면, 각 방정식의 기울기를 시각적으로 표현하여 각 트래이스(trace)에서 옥시헤모글로빈(OxyHb)의 변화량이 증가하거나 감소함을 확인할 수 있다. 즉, 추출한 7차 방정식을 시각화한 그래프들 중 클래스간 그래프들의 기울기의 방향이 다른 트래이스를 추출한다.Referring to FIG. 5 , it can be confirmed that the change amount of oxyhemoglobin (OxyHb) increases or decreases in each trace by visually expressing the slope of each equation. That is, from among the graphs that visualize the extracted 7th-order equation, traces with different slope directions of the graphs between classes are extracted.
도 6을 참조하면, fNIRS 장비의 각 송신기와 수신기의 위치를 표현해주는 Optodes Template으로서, 도 5에서 추출된 8개의 트래이스(11 (Rx3-Tx5), 12 (Rx4-Tx5), 13 (Rx5-Tx7), 17 (Rx7-Tx8), 19 (Rx6-Tx6), 20 (Rx6-Tx8), 23 (Rx6-Tx9) 및 24 (Rx8-Tx9))와 대응하는 영역이 추출된다.Referring to FIG. 6 , as an Optodes Template expressing the positions of each transmitter and receiver of the fNIRS device, 8 traces (11 (Rx3-Tx5), 12 (Rx4-Tx5), 13 (Rx5- Tx7), 17 (Rx7-Tx8), 19 (Rx6-Tx6), 20 (Rx6-Tx8), 23 (Rx6-Tx9) and 24 (Rx8-Tx9)) are extracted.
이렇게 추출된 트래이스에 대응하는 fNIRS 장비의 센서들이 특정 행위에 대한 뇌활성화 영역으로 설정된다. 해당 트래이스의 원시 데이터 값을 새로운 특징(Feature)으로 사용할 수 있다. The sensors of the fNIRS device corresponding to the trace extracted in this way are set as brain activation regions for specific actions. The raw data value of the corresponding trace can be used as a new feature.
이 경우, 하나의 데이터 크기는 [125, 8]로 실험 결과인 도 7을 참조하면, 테스트 정확도(Test Accuracy)는 0.6000이 된다. 전체 트래이스를 이용한 도 2의 결과인 0.6778에 비해 정확도가 소폭 감소하였으나, 계산량 및 학습시간이 대폭 감소한 것에 비해 미미한 수준임을 확인할 수 있다.In this case, one data size is [125, 8], and referring to FIG. 7 which is the experimental result, the test accuracy is 0.6000. It can be seen that the accuracy is slightly reduced compared to 0.6778, which is the result of FIG. 2 using the entire trace, but it is insignificant compared to the significantly reduced amount of calculation and learning time.
본 발명과 같이 방정식을 활용하여 뇌 혈류량의 변화가 있는 위치만 추출해 분류 실험을 한 결과, 정확도가 다소 감소하지만, 하나의 데이터의 크기가 [125, 24]에서 [125, 8]로 대폭 감소하고, 불필요한 특징을 제거하여 효율적인 기계 학습이 가능하다.As a result of a classification experiment by extracting only locations where there is a change in cerebral blood flow using the equation as in the present invention, the accuracy is somewhat reduced, but the size of one data is greatly reduced from [125, 24] to [125, 8], , efficient machine learning is possible by removing unnecessary features.
도 8은 본 발명의 일 실시예에 따른 fNIRS 데이터에서 다항회귀를 활용한 뇌 활성화 지역 추출 방법의 흐름도이다.8 is a flowchart of a method for extracting a brain activation region using polynomial regression from fNIRS data according to an embodiment of the present invention.
본 실시예에 따른 fNIRS 데이터에서 다항회귀를 활용한 뇌 활성화 지역 추출 방법은, 도 1의 장치(10)와 실질적으로 동일한 구성에서 진행될 수 있다. 따라서, 도 1의 장치(10)와 동일한 구성요소는 동일한 도면부호를 부여하고, 반복되는 설명은 생략한다. The brain activation region extraction method using polynomial regression from fNIRS data according to the present embodiment may be performed in substantially the same configuration as the
또한, 본 실시예에 따른 fNIRS 데이터에서 다항회귀를 활용한 뇌 활성화 지역 추출 방법은 fNIRS 데이터에서 다항회귀를 활용한 뇌 활성화 지역 추출을 수행하기 위한 소프트웨어(애플리케이션)에 의해 실행될 수 있다.Also, the method for extracting brain activation regions using polynomial regression from fNIRS data according to the present embodiment may be executed by software (application) for performing brain activation region extraction using polynomial regression from fNIRS data.
본 발명은 방정식을 활용하여 뇌 혈류량의 변화가 있는 위치만 추출하여 데이터의 크기를 줄이고, 불필요한 특징(feature)을 제거하여 효율적인 기계 학습을 제공할 수 있다.The present invention can provide efficient machine learning by reducing the size of data by extracting only the location where there is a change in cerebral blood flow by using the equation, and removing unnecessary features.
도 8을 참조하면, 본 실시예에 따른 fNIRS 데이터에서 다항회귀를 활용한 뇌 활성화 지역 추출 방법은, 실험자의 특정 행위 동안 fNIRS 장비의 각 트래이스(trace)를 통해 일정 주기마다 옥시헤모글로빈(OxyHb)의 농도에 대한 원시 데이터를 생성한다(단계 S10). Referring to FIG. 8 , in the method for extracting brain activation regions using polynomial regression from fNIRS data according to this embodiment, oxyhemoglobin (OxyHb) at regular intervals through each trace of the fNIRS device during a specific action of the experimenter Generate raw data for the concentration of (step S10).
상기 옥시헤모글로빈(OxyHb)의 농도에 대한 원시 데이터를 생성하는 단계는, 실험자의 특정 행위 동안 fNIRS 장비의 각 트래이스(trace)를 통해 뇌 혈류량에 대한 원시 데이터를 측정한다. 각 원시 데이터의 일부를 제거하여 전처리하고, 전처리된 원시 데이터 중 옥시헤모글로빈(OxyHb)의 농도에 대한 데이터를 분리할 수 있다.In the generating of raw data on the concentration of oxyhemoglobin (OxyHb), raw data on cerebral blood flow is measured through each trace of the fNIRS device during a specific action of the experimenter. A portion of each raw data may be removed and preprocessed, and data on the concentration of oxyhemoglobin (OxyHb) may be separated from the preprocessed raw data.
일 실시예에서, 특정 방향에서 소리 발생 시, 해당 방향 검지 손가락을 탭(Tapping)하며, 일정 시간 이완 시기(예를 들어, 7초간 무음)를 삽입하였다. 즉, fNIRS 장비를 활용하여 뇌 혈류량 측정하며, 이완 시기와 탭 시기의 이진 분류 실험에서 하나의 데이터에 7초 그리고 소리 발생 시간을 5초로 설정하였다.In one embodiment, when a sound is generated in a specific direction, the index finger in the corresponding direction is tapped, and a relaxation period (eg, silence for 7 seconds) is inserted for a predetermined time. That is, cerebral blood flow was measured using fNIRS equipment, and 7 seconds and 5 seconds of sound generation were set for one data in the binary classification experiment of relaxation and tap times.
fNIRS 세팅은 Brite 24 Model을 적용하고 OxySoft 프로그램을 사용하였다. Optodes template은 좌우 12 채널을 사용하여 총 24개의 채널을 사용하고, DPF는 5.85dpf를 사용하였다. 주파수는 25Hz로 설정하여, 1초에 25번의 옥시헤모글로빈의 농도를 측정하였다.For fNIRS settings,
원시 데이터는 Cvs 파일로 저장하고, 각 데이터의 앞, 뒤를 각각 1s씩 제거하여 전처리하였다. 이에 따라, 하나의 데이터는 5s이고, 각 데이터 컬럼(column)은 5s × 25Hz = 125개가 된다. 각 데이터를 CNN 분류 모델을 통해 옥시헤모글로빈(OxyHb) 농도와 HbDIff(OxyHb - DeOxyHb) 농도로 분리하면, 하나의 데이터의 크기는 [125, 24]가 된다. 데이터의 각 컬럼(column)은 Optodes template의 하나의 트래이스(trace)와 대응한다.The raw data was saved as a Cvs file, and the front and back sides of each data were removed by 1s each for preprocessing. Accordingly, one data is 5s, and each data column is 5s × 25Hz = 125. If each data is separated into oxyhemoglobin (OxyHb) concentration and HbDiff (OxyHb - DeOxyHb) concentration through CNN classification model, the size of one data becomes [125, 24]. Each column of data corresponds to one trace in the Optodes template.
보간법을 이용하여 각 옥시헤모글로빈(OxyHb)의 농도에 대한 원시 데이터의 컬럼(column)별 다항 방정식을 생성한다(단계 S20).An interpolation method is used to generate a polynomial equation for each column of raw data for the concentration of each oxyhemoglobin (OxyHb) (step S20).
상기 옥시헤모글로빈(OxyHb)의 농도에 대한 데이터 컬럼(column)은 각각 다항 방정식 fi(x)로 표현이 가능하다. 예를 들어, 하나의 데이터는 다항 방정식 24개와 유사한 형태를 보이는 경우, 24개의 방정식으로 표현할 수 있다. 즉, 농도 변화 형태는 다항회귀(Polynomial Regression)를 적용할 수 있다.Each data column for the concentration of oxyhemoglobin (OxyHb) can be expressed by a polynomial equation f i (x). For example, when one data has a form similar to 24 polynomial equations, it can be expressed as 24 equations. That is, polynomial regression can be applied to the concentration change form.
상기 컬럼별 다항 방정식의 변화량을 기초로 특징을 추출하여 데이터를 다운 사이징한다(단계 S30).Data is downsized by extracting features based on the amount of change in the polynomial equation for each column (step S30).
상기 데이터를 다운 사이징하는 단계는, 각 다항 방정식의 불필요한 값인 바이어스를 제거하여 y절편을 동일하게 할 수 있다.In the step of downsizing the data, the y-intercept may be equalized by removing the bias, which is an unnecessary value of each polynomial equation.
다운 사이징된 컬럼별 다항 방정식으로부터 결정 계수가 가장 높은 최적의 n차 다항식을 탐색한다(단계 S40).An optimal nth-order polynomial having the highest coefficient of determination is searched for from the downsized polynomial equation for each column (step S40).
예를 들어, n = 7 일 때, 결정 계수가 가장 높다면, 각 데이터의 옥시헤모글로빈(OxyHb)의 농도 변화량을 7차 방정식으로 변환할 수 있다. 이에 따라, 하나의 데이터 크기는 [24, 7]가 된다. 그러나, n = 7 및 그에 따른 데이터 크기는 본 발명의 일 실시예에 불과하며, 실험의 환경 및 특정 행위에 따라 달라질 수 있다.For example, when n = 7, if the coefficient of determination is the highest, the amount of change in the concentration of oxyhemoglobin (OxyHb) in each data may be converted into a seventh-order equation. Accordingly, the size of one data becomes [24, 7]. However, n = 7 and the corresponding data size are only an example of the present invention, and may vary depending on the environment of the experiment and a specific action.
상기 최적의 n(여기서, n은 2 이상의 자연수)차 다항식의 기울기의 방향이 다른 트래이스(trace)를 상기 특정 행위에 대한 뇌 활성화 지역으로 추출한다(단계 S50).Traces with different slopes of the optimal n-order polynomial (here, n is a natural number equal to or greater than 2) are extracted as brain activation regions for the specific behavior (step S50).
상기 특정 행위에 대한 뇌 활성화 지역으로 추출하는 단계는, 결정 계수를 이용하여 계산된 n 값을 적용한 n차 다항식을 데이터 별로 시각화하고, 상기 n차 다항식의 기울기의 방향이 다른 트래이스(trace)를 추출한다.In the step of extracting the brain activation region for the specific behavior, the nth polynomial to which the n value calculated using the determination coefficient is applied is visualized for each data, and a trace having a different slope of the nth polynomial is obtained. extract
이렇게 추출된 트래이스에 대응하는 fNIRS 장비의 센서들이 특정 행위에 대한 뇌활성화 영역으로 설정된다. 해당 트래이스의 원시 데이터 값을 새로운 특징(Feature)으로 사용할 수 있다. The sensors of the fNIRS device corresponding to the trace extracted in this way are set as brain activation regions for specific actions. The raw data value of the corresponding trace can be used as a new feature.
추출된 트래이스의 데이터 값을 상기 특정 행위에 대한 새로운 특징으로 머신 러닝에 활용하여, 기계 학습의 효율을 높일 수 있다.By using the extracted trace data value as a new feature for the specific behavior for machine learning, the efficiency of machine learning can be increased.
본 발명과 같이 방정식을 활용하여 뇌 혈류량의 변화가 있는 위치만 추출해 분류 실험을 한 결과, 정확도가 다소 감소하지만, 하나의 데이터의 크기가 [125, 24]에서 [125, 8]로 대폭 감소하고, 불필요한 특징을 제거하여 효율적인 기계 학습이 가능하다.As a result of a classification experiment by extracting only locations where there is a change in cerebral blood flow using the equation as in the present invention, the accuracy is somewhat reduced, but the size of one data is greatly reduced from [125, 24] to [125, 8], , efficient machine learning is possible by removing unnecessary features.
이와 같은, fNIRS 데이터에서 다항회귀를 활용한 뇌 활성화 지역 추출 방법은 애플리케이션으로 구현되거나 다양한 컴퓨터 구성요소를 통하여 수행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. Such a brain activation region extraction method using polynomial regression from fNIRS data may be implemented as an application or implemented in the form of program instructions that may be executed through various computer components and recorded in a computer-readable recording medium. The computer-readable recording medium may include program instructions, data files, data structures, etc. alone or in combination.
상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것들이거니와 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수도 있다. The program instructions recorded in the computer-readable recording medium are specially designed and configured for the present invention, and may be known and available to those skilled in the computer software field.
컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 ROM, RAM, 플래시 메모리 등과 같은 프로그램 명령어를 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. Examples of the computer-readable recording medium include hard disks, magnetic media such as floppy disks and magnetic tapes, optical recording media such as CD-ROMs and DVDs, and magneto-optical media such as floppy disks. media), and hardware devices specially configured to store and execute program instructions, such as ROM, RAM, flash memory, and the like.
프로그램 명령어의 예에는, 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 상기 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.Examples of program instructions include not only machine language codes such as those generated by a compiler, but also high-level language codes that can be executed by a computer using an interpreter or the like. The hardware device may be configured to operate as one or more software modules for carrying out the processing according to the present invention, and vice versa.
이상에서는 실시예들을 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.Although the above has been described with reference to the embodiments, those skilled in the art can variously modify and change the present invention within the scope without departing from the spirit and scope of the present invention described in the claims below You will understand.
본 발명은 방정식을 활용하여 뇌 혈류량의 변화가 있는 위치만 추출하여 분류 데이터의 크기를 대폭 감소시키고, 불필요한 특징들을 제거할 수 있다. 따라서, 분류 학습 시에 계산량과 학습시간을 감소시키므로, 보건의료뿐 아니라 뇌-컴퓨터 인터페이스 분야에 유용하게 활용할 수 있다.The present invention can greatly reduce the size of classification data and remove unnecessary features by extracting only positions where there is a change in cerebral blood flow by using the equation. Therefore, since it reduces the amount of computation and learning time during classification learning, it can be usefully used not only in health care but also in the brain-computer interface field.
10: fNIRS 데이터에서 다항회귀를 활용한 뇌 활성화 지역 추출 장치
110: 데이터 생성부
130: 다항식 생성부
150: 다운 사이징부
170: 다항식 최적화부
190: 영역 추출부10: Brain activation region extraction device using polynomial regression from fNIRS data
110: data generation unit
130: polynomial generator
150: down sizing unit
170: polynomial optimization unit
190: region extraction unit
Claims (11)
보간법을 이용하여 각 옥시헤모글로빈(OxyHb)의 농도에 대한 원시 데이터의 컬럼(column)별 다항 방정식을 생성하는 단계;
상기 컬럼별 다항 방정식의 변화량을 기초로 특징을 추출하여 데이터를 다운 사이징하는 단계;
다운 사이징된 컬럼별 다항 방정식으로부터 결정 계수가 가장 높은 최적의 n차 다항식을 탐색하는 단계; 및
상기 최적의 n(여기서, n은 2 이상의 자연수)차 다항식의 기울기의 방향이 다른 트래이스(trace)를 상기 특정 행위에 대한 뇌 활성화 지역으로 추출하는 단계;를 포함하는, fNIRS 데이터에서 다항회귀를 활용한 뇌 활성화 지역 추출 방법.
generating raw data on the concentration of oxyhemoglobin (OxyHb) at regular intervals through each trace of the fNIRS device during a specific behavior of the experimenter;
generating a polynomial equation for each column of raw data for the concentration of each oxyhemoglobin (OxyHb) using interpolation;
downsizing data by extracting features based on the amount of change in the polynomial equation for each column;
searching for an optimal nth-order polynomial having the highest coefficient of determination from the down-sized polynomial equation for each column; and
Polynomial regression from fNIRS data, including; extracting traces with different slopes of the optimal nth order polynomial (here, n is a natural number of 2 or more) as a brain activation region for the specific behavior A method of extracting brain activation regions using
실험자의 특정 행위 동안 fNIRS 장비의 각 트래이스(trace)를 통해 뇌 혈류량에 대한 원시 데이터를 측정하는 단계;
각 원시 데이터의 일부를 제거하여 전처리하는 단계; 및
전처리된 원시 데이터 중 옥시헤모글로빈(OxyHb)의 농도에 대한 데이터를 분리하는 단계;를 포함하는, fNIRS 데이터에서 다항회귀를 활용한 뇌 활성화 지역 추출 방법.
The method of claim 1 , wherein generating raw data for the concentration of oxyhemoglobin (OxyHb) comprises:
measuring raw data on cerebral blood flow through each trace of the fNIRS device during a specific behavior of the experimenter;
preprocessing by removing a portion of each raw data; and
Separating the data on the concentration of oxyhemoglobin (OxyHb) from the pre-processed raw data; A method for extracting brain activation regions using polynomial regression from fNIRS data, including.
각 다항 방정식의 불필요한 값인 바이어스를 제거하여 y절편을 동일하게 하는 단계;를 포함하는, fNIRS 데이터에서 다항회귀를 활용한 뇌 활성화 지역 추출 방법.
The method of claim 1, wherein downsizing the data comprises:
A method of extracting brain activation regions using polynomial regression from fNIRS data, including; removing the bias, which is an unnecessary value of each polynomial equation, to make the y-intercept the same.
결정 계수를 이용하여 계산된 n 값을 적용한 n차 다항식을 데이터 별로 시각화하는 단계; 및
상기 n차 다항식의 기울기의 방향이 다른 트래이스(trace)를 추출하는 단계;를 포함하는, fNIRS 데이터에서 다항회귀를 활용한 뇌 활성화 지역 추출 방법.
According to claim 1, wherein the step of extracting the brain activation region for the specific action,
Visualizing an nth-order polynomial to which an n-value calculated using a coefficient of determination is applied for each data; and
A method of extracting a brain activation region using polynomial regression from fNIRS data, including; extracting traces having different directions of slope of the nth-order polynomial.
추출된 트래이스의 데이터 값을 상기 특정 행위에 대한 새로운 특징으로 머신 러닝에 활용하는 단계;를 더 포함하는, fNIRS 데이터에서 다항회귀를 활용한 뇌 활성화 지역 추출 방법.
According to claim 1,
Using the data value of the extracted trace as a new feature for the specific behavior for machine learning; further comprising, a brain activation region extraction method using polynomial regression from fNIRS data.
A computer-readable storage medium in which a computer program for performing the method of extracting a brain activation region using polynomial regression from the fNIRS data according to claim 1 is recorded.
보간법을 이용하여 각 옥시헤모글로빈(OxyHb)의 농도에 대한 원시 데이터의 컬럼(column)별 다항 방정식을 생성하는 다항식 생성부;
상기 컬럼별 다항 방정식의 변화량을 기초로 특징을 추출하여 데이터를 다운 사이징하는 다운 사이징부;
다운 사이징된 컬럼별 다항 방정식으로부터 결정 계수가 가장 높은 최적의 n차 다항식을 탐색하는 다항식 최적화부; 및
상기 최적의 n(여기서, n은 2 이상의 자연수)차 다항식의 기울기의 방향이 다른 트래이스(trace)를 상기 특정 행위에 대한 뇌 활성화 지역으로 추출하는 영역 추출부;를 포함하는, fNIRS 데이터에서 다항회귀를 활용한 뇌 활성화 지역 추출 장치.
a data generation unit generating raw data on the concentration of oxyhemoglobin (OxyHb) at regular intervals through each trace of the fNIRS device during a specific behavior of the experimenter;
a polynomial generator for generating a polynomial equation for each column of raw data for each concentration of oxyhemoglobin (OxyHb) using interpolation;
a downsizing unit for downsizing data by extracting features based on the amount of change in the polynomial equation for each column;
a polynomial optimization unit that searches for an optimal nth-order polynomial having the highest coefficient of determination from the downsized polynomial equation for each column; and
A polynomial in fNIRS data, including; a region extracting unit that extracts traces with different slopes of the optimal n-order polynomial (here, n is a natural number of 2 or more) as a brain activation region for the specific behavior A brain activation region extraction device using regression.
실험자의 특정 행위 동안 fNIRS 장비의 각 트래이스(trace)를 통해 뇌 혈류량에 대한 원시 데이터를 측정하는 데이터 측정부;
각 원시 데이터의 일부를 제거하여 전처리하는 전처리부; 및
전처리된 원시 데이터 중 옥시헤모글로빈(OxyHb)의 농도에 대한 데이터를 분리하는 데이터 분리부;를 포함하는, fNIRS 데이터에서 다항회귀를 활용한 뇌 활성화 지역 추출 장치.
The method of claim 7, wherein the data generating unit,
a data measuring unit that measures raw data on cerebral blood flow through each trace of the fNIRS device during a specific behavior of the experimenter;
a preprocessor for preprocessing by removing a portion of each raw data; and
A data separation unit that separates data on the concentration of oxyhemoglobin (OxyHb) among the preprocessed raw data; including, a brain activation region extraction device using polynomial regression from fNIRS data.
각 다항 방정식의 불필요한 값인 바이어스를 제거하여 y절편을 동일하게 하는, fNIRS 데이터에서 다항회귀를 활용한 뇌 활성화 지역 추출 장치.
The method of claim 7, wherein the down sizing unit,
A brain activation region extraction device using polynomial regression from fNIRS data that equalizes the y-intercept by removing the bias, which is an unnecessary value of each polynomial equation.
결정 계수를 이용하여 계산된 n 값을 적용한 n차 다항식을 데이터 별로 시각화하는 시각화부; 및
상기 n차 다항식의 기울기의 방향이 다른 트래이스(trace)를 추출하는 트래이스 추출부;를 포함하는, fNIRS 데이터에서 다항회귀를 활용한 뇌 활성화 지역 추출 장치.
The method of claim 7, wherein the region extraction unit,
a visualization unit for visualizing an nth-order polynomial to which an n-value calculated using a determination coefficient is applied for each data; and
A brain activation region extraction device using polynomial regression from fNIRS data, including; a trace extraction unit for extracting traces having different directions of the slope of the nth polynomial.
추출된 트래이스의 데이터 값을 상기 특정 행위에 대한 새로운 특징으로 기계 학습에 활용하는 머신 러닝부;를 더 포함하는, fNIRS 데이터에서 다항회귀를 활용한 뇌 활성화 지역 추출 장치.
8. The method of claim 7,
A brain activation region extraction device using polynomial regression from fNIRS data, further comprising; a machine learning unit that uses the extracted trace data value for machine learning as a new feature for the specific behavior.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200187147A KR102502930B1 (en) | 2020-12-30 | 2020-12-30 | METHOD FOR EXTRACTING BRAIN ACTIVATION AREA USING POLYNOMIAL REGRESSION FROM fNIRS DATA, RECORDING MEDIUM AND DEVICE FOR PERFORMING THE METHOD |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200187147A KR102502930B1 (en) | 2020-12-30 | 2020-12-30 | METHOD FOR EXTRACTING BRAIN ACTIVATION AREA USING POLYNOMIAL REGRESSION FROM fNIRS DATA, RECORDING MEDIUM AND DEVICE FOR PERFORMING THE METHOD |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20220095535A true KR20220095535A (en) | 2022-07-07 |
| KR102502930B1 KR102502930B1 (en) | 2023-02-23 |
Family
ID=82397796
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200187147A KR102502930B1 (en) | 2020-12-30 | 2020-12-30 | METHOD FOR EXTRACTING BRAIN ACTIVATION AREA USING POLYNOMIAL REGRESSION FROM fNIRS DATA, RECORDING MEDIUM AND DEVICE FOR PERFORMING THE METHOD |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102502930B1 (en) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH10509629A (en) | 1994-12-01 | 1998-09-22 | アンドレアス ホーフト， | Method and apparatus for determining cerebral blood flow CBF and cerebral blood volume ICBV |
| KR102130254B1 (en) | 2019-10-15 | 2020-07-03 | 주식회사 실리콘사피엔스 | Method and apparatus for simulating blood flow of a subject-specific blood vessel |
| KR20200117089A (en) | 2019-04-02 | 2020-10-14 | 사회복지법인 삼성생명공익재단 | The virtual reality contents control system and the virtual reality contents control method operating by the same |
-
2020
- 2020-12-30 KR KR1020200187147A patent/KR102502930B1/en active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH10509629A (en) | 1994-12-01 | 1998-09-22 | アンドレアス ホーフト， | Method and apparatus for determining cerebral blood flow CBF and cerebral blood volume ICBV |
| KR20200117089A (en) | 2019-04-02 | 2020-10-14 | 사회복지법인 삼성생명공익재단 | The virtual reality contents control system and the virtual reality contents control method operating by the same |
| KR102130254B1 (en) | 2019-10-15 | 2020-07-03 | 주식회사 실리콘사피엔스 | Method and apparatus for simulating blood flow of a subject-specific blood vessel |
Non-Patent Citations (3)
| Title |
|---|
| C. Herff et al., Mental workload during n-back task-quantified in the prefrontal cortex using fNIRS, Front. Hum. Neurosci. Vol.7, 935(2014)* * |
| Md. A. Rahman et al., Activation Modeling and Classification of Voluntary and Imagery Movements From the Prefrontal fNIRS Signals, IEEE Access Vol.8, 218215(2020.12.16.)* * |
| N. T. Hai et al., Temporal hemodynamic classification of two hands tapping using functional near-infrared spectroscopy, Front. Hum. Neurosci. Vol.7, 516(2013)* * |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102502930B1 (en) | 2023-02-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Detection analysis of epileptic EEG using a novel random forest model combined with grid search optimization | |
| US20190336061A1 (en) | Epilepsy seizure detection and prediction using techniques such as deep learning methods | |
| CN111951637B (en) | Task-context-associated unmanned aerial vehicle pilot visual attention distribution mode extraction method | |
| Tralie et al. | (Quasi) periodicity quantification in video data, using topology | |
| KR102443961B1 (en) | Apparatus and method for motor imagery classification using eeg | |
| Zandi et al. | Detection of epileptic seizures in scalp electroencephalogram: an automated real-time wavelet-based approach | |
| KR102256313B1 (en) | Method and apparatus for automatic detection of epileptic seizure waveform based on feature extraction with probabilistic model and machine learning using coefficient in multi-frequency bands from electroencephalogram signals | |
| US20220051075A1 (en) | Methods and apparatuses for tracking weak signal traces | |
| KR20200053171A (en) | Temporal-spectral optimized spatial pattern based eeg analysis technique for motor imagery brain computer interface | |
| KR102502930B1 (en) | METHOD FOR EXTRACTING BRAIN ACTIVATION AREA USING POLYNOMIAL REGRESSION FROM fNIRS DATA, RECORDING MEDIUM AND DEVICE FOR PERFORMING THE METHOD | |
| Li et al. | Detection method of absence seizures based on Resnet and bidirectional GRU | |
| CN116898455B (en) | Sleep electroencephalogram signal detection method and system based on deep learning model | |
| JP6973508B2 (en) | Signal processing equipment, analysis system, signal processing method and signal processing program | |
| JP7215350B2 (en) | Encephalopathy determination program, encephalopathy determination method, and information processing apparatus | |
| Faul et al. | Chaos theory analysis of the newborn EEG-is it worth the wait? | |
| KR102347688B1 (en) | Device method for correlation coefficient based cognitive task classification using demixing eeg channel pair | |
| Ding et al. | Gign: Learning graph-in-graph representations of eeg signals for continuous emotion recognition | |
| RU2751137C1 (en) | Method for determining sleep phase in long-term eeg recording | |
| Dinh et al. | Eeg peak detection in cognitive conflict processing using summit navigator and clustering-based ranking | |
| KR102593035B1 (en) | Method and apparatus for diagnosing epilepsy based on deep learning | |
| US20210386311A1 (en) | Method and system for processing electroencephalogram signal | |
| KR102538631B1 (en) | Apparatus for filtering electrooculography data of personalized sleep care system and method thereof | |
| Ma et al. | A real-time fatigue driving detection system design and implementation | |
| Wang et al. | Rethinking Saliency Map: A Context-Aware Perturbation Method to Explain EEG-Based Deep Learning Model | |
| KR102467948B1 (en) | A method and system of sound source separation and sound visualization |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E90F | Notification of reason for final refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |