KR20230059198A - 발달장애아동 통합 교육지원 서비스 제공 방법 - Google Patents
발달장애아동 통합 교육지원 서비스 제공 방법 Download PDFInfo
- Publication number
- KR20230059198A KR20230059198A KR1020210142979A KR20210142979A KR20230059198A KR 20230059198 A KR20230059198 A KR 20230059198A KR 1020210142979 A KR1020210142979 A KR 1020210142979A KR 20210142979 A KR20210142979 A KR 20210142979A KR 20230059198 A KR20230059198 A KR 20230059198A
- Authority
- KR
- South Korea
- Prior art keywords
- developmental
- test
- children
- terminal
- disabilities
- Prior art date
Links
- 208000035976 Developmental Disabilities Diseases 0.000 title claims abstract description 101
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012360 testing method Methods 0.000 claims abstract description 93
- 230000003930 cognitive ability Effects 0.000 claims abstract description 16
- 208000012239 Developmental disease Diseases 0.000 claims description 29
- 210000004556 brain Anatomy 0.000 claims description 28
- 238000013527 convolutional neural network Methods 0.000 claims description 15
- 238000002599 functional magnetic resonance imaging Methods 0.000 claims description 15
- 230000001149 cognitive effect Effects 0.000 claims description 14
- 238000005259 measurement Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 230000002802 cardiorespiratory effect Effects 0.000 claims description 3
- 238000002595 magnetic resonance imaging Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000003387 muscular Effects 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 230000006996 mental state Effects 0.000 claims description 2
- 210000003205 muscle Anatomy 0.000 claims description 2
- 230000006403 short-term memory Effects 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims 1
- 230000008520 organization Effects 0.000 abstract 1
- 238000004891 communication Methods 0.000 description 13
- 238000011161 development Methods 0.000 description 10
- 230000018109 developmental process Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 238000000537 electroencephalography Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 5
- 230000002123 temporal effect Effects 0.000 description 5
- 230000003920 cognitive function Effects 0.000 description 4
- 230000005714 functional activity Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000007177 brain activity Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000008035 nerve activity Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 102000001554 Hemoglobins Human genes 0.000 description 2
- 108010054147 Hemoglobins Proteins 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 230000017531 blood circulation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- VYZAMTAEIAYCRO-UHFFFAOYSA-N Chromium Chemical compound [Cr] VYZAMTAEIAYCRO-UHFFFAOYSA-N 0.000 description 1
- 201000006347 Intellectual Disability Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 231100000871 behavioral problem Toxicity 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 210000000133 brain stem Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 230000000004 hemodynamic effect Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008111 motor development Effects 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 230000000926 neurological effect Effects 0.000 description 1
- 230000036284 oxygen consumption Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000005316 response function Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 210000004761 scalp Anatomy 0.000 description 1
- 238000002603 single-photon emission computed tomography Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1124—Determining motor skills
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/7465—Arrangements for interactive communication between patient and care services, e.g. by using a telephone network
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/22—Social work or social welfare, e.g. community support activities or counselling services
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2503/00—Evaluating a particular growth phase or type of persons or animals
- A61B2503/06—Children, e.g. for attention deficit diagnosis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2505/00—Evaluating, monitoring or diagnosing in the context of a particular type of medical care
- A61B2505/09—Rehabilitation or training
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Business, Economics & Management (AREA)
- Psychiatry (AREA)
- Primary Health Care (AREA)
- Psychology (AREA)
- Physiology (AREA)
- Child & Adolescent Psychology (AREA)
- Artificial Intelligence (AREA)
- Epidemiology (AREA)
- Hospice & Palliative Care (AREA)
- Developmental Disabilities (AREA)
- Tourism & Hospitality (AREA)
- Neurology (AREA)
- Educational Technology (AREA)
- Strategic Management (AREA)
- Social Psychology (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
Abstract
발달장애아동 통합 교육지원 서비스 제공 방법이 제공되며, 적어도 하나의 발달장애아동에 대하여 사회적 능력, 인지적 능력 및 신체적 능력을 검사한 발달장애검사결과를 교수자 단말로부터 업로드받는 단계, 발달장애검사결과를 이용하여 하나의 집단의 평균치를 산출하는 단계 및 평균치에 기 매핑되어 저장된 적어도 하나의 프로그램을 적용하도록 교수자 단말로 전송하는 단계를 포함한다.
Description
본 발명은 발달장애아동 통합 교육지원 서비스 제공 시스템에 관한 것으로, 발달장애검사결과의 평균치를 기반으로 집단에게 프로그램을 제공하고 사전검사 및 사후검사 간 차이를 피드백으로 안내하는 방법을 제공한다.
발달장애(Developmental Disability)는 영유아기부터 시작하는 뇌 신경계 발달 장애들의 집합으로 언어 및 의사 소통, 인지력, 사회성 등의 측면에서 이루어져야 할 발달이 심하게 지체되거나 성취되지 않은 장애를 의미한다. 발달 장애인은 지적 장애인과 자폐성 장애인으로 규정되어지는데, 국내의 경우 전체 장애인 수는 매년 감소하는 추세이나, 발달 장애로 진단 받은 사람의 일부만 장애로 등록하는 것으로 추정되므로 실제 발달 장애인은 등록된 숫자보다 훨씬 더 많을 것으로 추정되고 있다. 발달장애는 영유아기에 진단이 가능한데 이후 평생 지속되며 발달의 가장 기본적인 영역의 많은 부분에 이상을 초래하여, 아동의 독립적인 발달, 교육, 가족 삶의 질에 미치는 영향이 큰 장애라 할 수 있다. 임상과 연구 측면 모두에서 조기 발견과 조기 개입은 매우 중요한 문제인데, 영유아기는 뇌의 가소성이 높은 시기여서 정상적인 형태에 가깝게 변화 할 수 있는 기회를 제공할 뿐 아니라 이차적인 신경학적 손상과 이에 따른 이차적인 심각한 행동 문제가 점차 축적 되는 것을 미리 방지 할 수 있다.
이때, 발달장애를 진단하고 치료하는 방법이 연구 및 개발되었는데, 이와 관련하여 선행기술인 한국공개특허 제2021-0079232호(2021년06월29일 공개) 및 한국공개특허 제2011-0060618호(2011년06월08일 공개)에는, 발달장애를 진단하고 치료할 수 있도록 발달장애수준을 자동으로 검사하여 현재 발달수준을 도출하며, 현재 발달수준에 적합한 치료를 수행한 후 치료 수행결과 발달수준 레벨상승이 요구되면 발달수준 레벨을 상승시켜 상승된 레벨에 해당하는 검사와 치료가 수행되도록 하고, 검사와 치료 수행시 시스템의 판단을 보호자 또는 치료사가 실시간 수정할 수 있도록 하여 시스템의 오류를 바로 잡는 구성과, 발달장애인 관찰정보를 수집한 후 자연어 기반으로 분석하여 관찰결과에 대응하는 단어나 문장을 선별하며, 단어 또는 문장에 대하여 상관지수를 추출하고 군집을 생성하고, 생성된 군집을 기준으로 발달장애인을 분류하고 진단결과를 생성하는 구성이 각각 개시되어 있다.
다만, 전자의 경우 진단자 및 치료자와 같이 발달수준의 레벨 설정 및 증감에 사람의 개입이 필수적이며 후자의 경우 자연어처리 기반으로 발달장애인을 묶는 클러스터링을 진행하기 때문에 단어나 문장이 유사하나 서로 다른 발달정도를 가지는 경우에는 엉뚱한 레벨의 발달정도를 가진 발달장애인이 하나의 그룹으로 묶이는 오류가 발생한다. 이에, 발달장애를 사회적 능력, 인지적 능력 및 신체적 능력에 대하여 검사한 결과에 기반하여 판단하고, 각 집단의 평균치를 산출한 후 평균치를 바탕으로 집단에 맞는 프로그램을 적용한 후, 다시 집단에 대한 사회적 능력, 인지적 능력 및 신체적 능력을 측정함으로써 피드백하거나 집단을 다시 그룹핑하는 구성의 연구 및 개발이 요구된다.
본 발명의 일 실시예는, 발달장애를 사회적 능력, 인지적 능력 및 신체적 능력에 대하여 검사한 결과에 기반하여 판단하고, 각 집단의 평균치를 산출한 후 평균치를 바탕으로 집단에 맞는 프로그램을 적용한 후, 다시 집단에 대한 사회적 능력, 인지적 능력 및 신체적 능력을 측정함으로써 피드백하거나 집단을 다시 그룹핑함으로써, 발달장애아동을 지도하는 각 기관 및 학교에서 집단으로 영유아나 아동을 정확히 진단하고 그룹으로 치료할 수 있도록 하며, 발달장애아동을 보호하거나 교육하는 기관이나 지도교사도 각 그룹이나 집단으로 프로그램을 이어갈 수 있으면서도 개별적인 특성을 놓치지 않을 수 있는, 발달장애아동 통합 교육지원 서비스 제공 시스템을 제공할 수 있다. 다만, 본 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.
상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본 발명의 일 실시예는, 적어도 하나의 발달장애아동에 대하여 사회적 능력, 인지적 능력 및 신체적 능력을 검사한 발달장애검사결과를 교수자 단말로부터 업로드받는 단계, 발달장애검사결과를 이용하여 하나의 집단의 평균치를 산출하는 단계 및 평균치에 기 매핑되어 저장된 적어도 하나의 프로그램을 적용하도록 교수자 단말로 전송하는 단계를 포함한다.
전술한 본 발명의 과제 해결 수단 중 어느 하나에 의하면, 발달장애를 사회적 능력, 인지적 능력 및 신체적 능력에 대하여 검사한 결과에 기반하여 판단하고, 각 집단의 평균치를 산출한 후 평균치를 바탕으로 집단에 맞는 프로그램을 적용한 후, 다시 집단에 대한 사회적 능력, 인지적 능력 및 신체적 능력을 측정함으로써 피드백하거나 집단을 다시 그룹핑함으로써, 발달장애아동을 지도하는 각 기관 및 학교에서 집단으로 영유아나 아동을 정확히 진단하고 그룹으로 치료할 수 있도록 하며, 발달장애아동을 보호하거나 교육하는 기관이나 지도교사도 각 그룹이나 집단으로 프로그램을 이어갈 수 있으면서도 개별적인 특성을 놓치지 않을 수 있다.
도 1은 본 발명의 일 실시예에 따른 발달장애아동 통합 교육지원 서비스 제공 시스템을 설명하기 위한 도면이다.
도 2는 도 1의 시스템에 포함된 교육지원 서비스 제공 서버를 설명하기 위한 블록 구성도이다.
도 3 및 도 4는 본 발명의 일 실시예에 따른 발달장애아동 통합 교육지원 서비스가 구현된 일 실시예를 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따른 발달장애아동 통합 교육지원 서비스 제공 방법을 설명하기 위한 동작 흐름도이다.
도 2는 도 1의 시스템에 포함된 교육지원 서비스 제공 서버를 설명하기 위한 블록 구성도이다.
도 3 및 도 4는 본 발명의 일 실시예에 따른 발달장애아동 통합 교육지원 서비스가 구현된 일 실시예를 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따른 발달장애아동 통합 교육지원 서비스 제공 방법을 설명하기 위한 동작 흐름도이다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미하며, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
명세서 전체에서 사용되는 정도의 용어 "약", "실질적으로" 등은 언급된 의미에 고유한 제조 및 물질 허용오차가 제시될 때 그 수치에서 또는 그 수치에 근접한 의미로 사용되고, 본 발명의 이해를 돕기 위해 정확하거나 절대적인 수치가 언급된 개시 내용을 비양심적인 침해자가 부당하게 이용하는 것을 방지하기 위해 사용된다. 본 발명의 명세서 전체에서 사용되는 정도의 용어 "~(하는) 단계" 또는 "~의 단계"는 "~ 를 위한 단계"를 의미하지 않는다.
본 명세서에 있어서 '부(部)'란, 하드웨어에 의해 실현되는 유닛(unit), 소프트웨어에 의해 실현되는 유닛, 양방을 이용하여 실현되는 유닛을 포함한다. 또한, 1 개의 유닛이 2 개 이상의 하드웨어를 이용하여 실현되어도 되고, 2 개 이상의 유닛이 1 개의 하드웨어에 의해 실현되어도 된다. 한편, '~부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니며, '~부'는 어드레싱 할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 '~부'는 소프트웨어 구성요소들, 객체 지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 '~부'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '~부'들로 결합되거나 추가적인 구성요소들과 '~부'들로 더 분리될 수 있다. 뿐만 아니라, 구성요소들 및 '~부'들은 디바이스 또는 보안 멀티미디어카드 내의 하나 또는 그 이상의 CPU들을 재생시키도록 구현될 수도 있다.
본 명세서에 있어서 단말, 장치 또는 디바이스가 수행하는 것으로 기술된 동작이나 기능 중 일부는 해당 단말, 장치 또는 디바이스와 연결된 서버에서 대신 수행될 수도 있다. 이와 마찬가지로, 서버가 수행하는 것으로 기술된 동작이나 기능 중 일부도 해당 서버와 연결된 단말, 장치 또는 디바이스에서 수행될 수도 있다.
본 명세서에서 있어서, 단말과 매핑(Mapping) 또는 매칭(Matching)으로 기술된 동작이나 기능 중 일부는, 단말의 식별 정보(Identifying Data)인 단말기의 고유번호나 개인의 식별정보를 매핑 또는 매칭한다는 의미로 해석될 수 있다.
이하 첨부된 도면을 참고하여 본 발명을 상세히 설명하기로 한다.
도 1은 본 발명의 일 실시예에 따른 발달장애아동 통합 교육지원 서비스 제공 시스템을 설명하기 위한 도면이다. 도 1을 참조하면, 발달장애아동 통합 교육지원 서비스 제공 시스템(1)은, 적어도 하나의 교수자 단말(100), 교육지원 서비스 제공 서버(300), 적어도 하나의 의료정보 제공서버(400)를 포함할 수 있다. 다만, 이러한 도 1의 발달장애아동 통합 교육지원 서비스 제공 시스템(1)은, 본 발명의 일 실시예에 불과하므로, 도 1을 통하여 본 발명이 한정 해석되는 것은 아니다.
이때, 도 1의 각 구성요소들은 일반적으로 네트워크(Network, 200)를 통해 연결된다. 예를 들어, 도 1에 도시된 바와 같이, 적어도 하나의 교수자 단말(100)은 네트워크(200)를 통하여 교육지원 서비스 제공 서버(300)와 연결될 수 있다. 그리고, 교육지원 서비스 제공 서버(300)는, 네트워크(200)를 통하여 적어도 하나의 교수자 단말(100), 적어도 하나의 의료정보 제공서버(400)와 연결될 수 있다. 또한, 적어도 하나의 의료정보 제공서버(400)는, 네트워크(200)를 통하여 교육지원 서비스 제공 서버(300)와 연결될 수 있다.
여기서, 네트워크는, 복수의 단말 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조를 의미하는 것으로, 이러한 네트워크의 일 예에는 근거리 통신망(LAN: Local Area Network), 광역 통신망(WAN: Wide Area Network), 인터넷(WWW: World Wide Web), 유무선 데이터 통신망, 전화망, 유무선 텔레비전 통신망 등을 포함한다. 무선 데이터 통신망의 일례에는 3G, 4G, 5G, 3GPP(3rd Generation Partnership Project), 5GPP(5th Generation Partnership Project), LTE(Long Term Evolution), WIMAX(World Interoperability for Microwave Access), 와이파이(Wi-Fi), 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), RF(Radio Frequency), 블루투스(Bluetooth) 네트워크, NFC(Near-Field Communication) 네트워크, 위성 방송 네트워크, 아날로그 방송 네트워크, DMB(Digital Multimedia Broadcasting) 네트워크 등이 포함되나 이에 한정되지는 않는다.
하기에서, 적어도 하나의 라는 용어는 단수 및 복수를 포함하는 용어로 정의되고, 적어도 하나의 라는 용어가 존재하지 않더라도 각 구성요소가 단수 또는 복수로 존재할 수 있고, 단수 또는 복수를 의미할 수 있음은 자명하다 할 것이다. 또한, 각 구성요소가 단수 또는 복수로 구비되는 것은, 실시예에 따라 변경가능하다 할 것이다.
적어도 하나의 교수자 단말(100)은, 발달장애아동 통합 교육지원 서비스 관련 웹 페이지, 앱 페이지, 프로그램 또는 애플리케이션을 이용하여 발달장애아동의 검사결과를 업로드하고, 집단 내 발달장애검사결과 평균치에 대응하는 교육 프로그램을 출력하며, 발달장애검사결과의 사전검사 및 사후검사 간 차이에 대응하는 데이터를 출력하고, 시계열 데이터로 검사의 추이를 시각화하여 출력하는 지도자, 교수자, 선생님 등의 단말일 수 있다.
여기서, 적어도 하나의 교수자 단말(100)은, 네트워크를 통하여 원격지의 서버나 단말에 접속할 수 있는 컴퓨터로 구현될 수 있다. 여기서, 컴퓨터는 예를 들어, 네비게이션, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(Desktop), 랩톱(Laptop) 등을 포함할 수 있다. 이때, 적어도 하나의 교수자 단말(100)은, 네트워크를 통해 원격지의 서버나 단말에 접속할 수 있는 단말로 구현될 수 있다. 적어도 하나의 교수자 단말(100)은, 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, 네비게이션, PCS(Personal Communication System), GSM(Global System for Mobile communications), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), Wibro(Wireless Broadband Internet) 단말, 스마트폰(Smartphone), 스마트 패드(Smartpad), 타블렛 PC(Tablet PC) 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치를 포함할 수 있다.
교육지원 서비스 제공 서버(300)는, 발달장애아동 통합 교육지원 서비스 웹 페이지, 앱 페이지, 프로그램 또는 애플리케이션을 제공하는 서버일 수 있다. 그리고, 교육지원 서비스 제공 서버(300)는, 적어도 하나의 발달장애검사와 발달장애검사결과에 대응하는 교육 프로그램을 매핑하여 데이터베이스화하는 서버일 수 있다. 또한, 교육지원 서비스 제공 서버(300)는, 교수자 단말(100)로부터 발달장애검사결과를 업로드받고, 기 그룹핑(Grouping)된 집단 내 평균치를 산출하며, 평균치에 대응하는 교육 프로그램을 교수자 단말(100)로 전송하는 서버일 수 있다. 또, 교육지원 서비스 제공 서버(300)는, 교수자 단말(100)로부터 발달장애검사결과를 다시 업로드받고, 이전 검사를 사전검사로, 현재 검사를 사후검사로 나누어 비교한 후 피드백을 제공하는 서버일 수 있다. 이때, 교육지원 서비스 제공 서버(300)는, 임상학적으로 유의미한 변화만을 교수자 단말(100)로 전달하거나 의미가 없더라도 변화가 있다면 무조건 보고하는 방식으로 교수자 단말(100)로 전달할 수도 있다.
여기서, 교육지원 서비스 제공 서버(300)는, 네트워크를 통하여 원격지의 서버나 단말에 접속할 수 있는 컴퓨터로 구현될 수 있다. 여기서, 컴퓨터는 예를 들어, 네비게이션, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(Desktop), 랩톱(Laptop) 등을 포함할 수 있다.
적어도 하나의 의료정보 제공서버(400)는, 발달장애아동 통합 교육지원 서비스 관련 웹 페이지, 앱 페이지, 프로그램 또는 애플리케이션을 이용하거나 이를 이용하지 않고 교육지원 서비스 제공 서버(300)로 발달장애아동의 의료 데이터(Electronic Medical Record, Electronic Health Records)를 발달장애아동의 보호자의 동의 하에 제공하는 서버일 수 있다.
여기서, 적어도 하나의 의료정보 제공서버(400)는, 네트워크를 통하여 원격지의 서버나 단말에 접속할 수 있는 컴퓨터로 구현될 수 있다. 여기서, 컴퓨터는 예를 들어, 네비게이션, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(Desktop), 랩톱(Laptop) 등을 포함할 수 있다. 이때, 적어도 하나의 의료정보 제공서버(400)는, 네트워크를 통해 원격지의 서버나 단말에 접속할 수 있는 단말로 구현될 수 있다. 적어도 하나의 의료정보 제공서버(400)는, 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, 네비게이션, PCS(Personal Communication System), GSM(Global System for Mobile communications), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), Wibro(Wireless Broadband Internet) 단말, 스마트폰(Smartphone), 스마트 패드(Smartpad), 타블렛 PC(Tablet PC) 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치를 포함할 수 있다.
도 2는 도 1의 시스템에 포함된 교육지원 서비스 제공 서버를 설명하기 위한 블록 구성도이고, 도 3 및 도 4는 본 발명의 일 실시예에 따른 발달장애아동 통합 교육지원 서비스가 구현된 일 실시예를 설명하기 위한 도면이다.
도 2를 참조하면, 교육지원 서비스 제공 서버(300)는, 업로드부(310), 산출부(320), 적용부(330), 피드백부(340), 군집화부(350), 데이터베이스화부(360), 인공지능부(370), 예측부(380) 및 리포트부(390)를 포함할 수 있다.
본 발명의 일 실시예에 따른 교육지원 서비스 제공 서버(300)나 연동되어 동작하는 다른 서버(미도시)가 적어도 하나의 교수자 단말(100) 및 적어도 하나의 의료정보 제공서버(400)로 발달장애아동 통합 교육지원 서비스 애플리케이션, 프로그램, 앱 페이지, 웹 페이지 등을 전송하는 경우, 적어도 하나의 교수자 단말(100) 및 적어도 하나의 의료정보 제공서버(400)는, 발달장애아동 통합 교육지원 서비스 애플리케이션, 프로그램, 앱 페이지, 웹 페이지 등을 설치하거나 열 수 있다. 또한, 웹 브라우저에서 실행되는 스크립트를 이용하여 서비스 프로그램이 적어도 하나의 교수자 단말(100) 및 적어도 하나의 의료정보 제공서버(400)에서 구동될 수도 있다. 여기서, 웹 브라우저는 웹(WWW: World Wide Web) 서비스를 이용할 수 있게 하는 프로그램으로 HTML(Hyper Text Mark-up Language)로 서술된 하이퍼 텍스트를 받아서 보여주는 프로그램을 의미하며, 예를 들어 넷스케이프(Netscape), 익스플로러(Explorer), 크롬(Chrome) 등을 포함한다. 또한, 애플리케이션은 단말 상의 응용 프로그램(Application)을 의미하며, 예를 들어, 모바일 단말(스마트폰)에서 실행되는 앱(App)을 포함한다.
도 2를 참조하면, 업로드부(310)는, 적어도 하나의 발달장애아동에 대하여 사회적 능력, 인지적 능력 및 신체적 능력을 검사한 발달장애검사결과를 교수자 단말(100)로부터 업로드받을 수 있다. 업로드부(310)는, 적어도 하나의 발달장애아동에 대하여 사회적 능력, 인지적 능력 및 신체적 능력을 검사한 발달장애검사결과를 교수자 단말(100)로부터 업로드받을 때, 사회적 능력은 사회성 기술평가척도인 SSRS(Social Skills Rating System), 인지적 능력은 한국판 MMSE(Mini Mental State Examination), 신체적 능력은, 근력, 유연성, 근지구력 및 심폐지구력을 포함하는 체력평가와, 머리둘레, 가슴둘레, 허리둘레, 엉덩이둘레, 신장, 체중 및 BMI를 포함하는 신체계측결과에 기반하여 측정될 수 있다. 물론, 평가척도나 검사방법은 상술한 것에 한정되지 않고 열거되지 않은 이유로 배제되지 않는다.
산출부(320)는, 발달장애검사결과를 이용하여 하나의 집단의 평균치를 산출할 수 있다. 예를 들어, A 집단에 B 내지 F 아동이 있고, B 내지 F 아동의 사회성 능력 검사 중 X 항목의 수치가 존재한다고 가정할 때, X 항목의 수치를 모두 합한 후 B 내지 F의 수 즉 5 명으로 나누면 평균치가 계산된다. 이 평균치에 기 매핑되어 있는 교육 프로그램을 B 내지 F의 아동의 집단, 즉 A 집단에 적용할 수 있다.
적용부(330)는, 평균치에 기 매핑되어 저장된 적어도 하나의 프로그램을 적용하도록 교수자 단말(100)로 전송할 수 있다. 이때, 프로그램이란 발달장애아동을 위한 교육 프로그램일 수 있다.
피드백부(340)는, 적용부(330)에서 평균치에 기 매핑되어 저장된 적어도 하나의 프로그램을 적용하도록 교수자 단말(100)로 전송한 후, 교수자 단말(100)로부터 집단 내 포함된 적어도 하나의 발달장애아동에 대하여 사회적 능력, 인지적 능력 및 신체적 능력을 검사한 발달장애검사결과를 업로드받고, 발달장애검사결과와 이전(Previous) 발달장애검사결과를 비교하여 기 설정된 유의미한 수준의 수치변화가 존재하는지를 확인하고 피드백을 교수자 단말(100)로 전송할 수 있다. 이때, 유의미한 수준은 임상 또는 연구적으로 밝혀진 수준을 의미할 수 있다.
군집화부(350)는, 업로드부(310)에서 적어도 하나의 발달장애아동에 대하여 사회적 능력, 인지적 능력 및 신체적 능력을 검사한 발달장애검사결과를 교수자 단말(100)로부터 업로드받기 이전에, 적어도 하나의 발달장애아동에 대하여 뇌전도(ElectroEncephaloGram) 검사를 수행할 수 있다. 군집화부(350)는, 뇌전도 검사 결과 수집된 뇌파를 신호처리 및 군집화(Clustering)처리하고, 군집화처리된 결과에 기반하여 적어도 하나의 발달장애아동을 적어도 하나의 집단으로 분류할 수 있다. 이때, 뇌파를 신호처리할 때 고속푸리에변환(Fast Fourier Transformation)을 이용할 수 있고, 군집화를 위하여 알파파, 베타파 및 세타파를 포함하는 주파수 밴드(Band)별 뇌파의 파워 스펙트럼을 계산하여 특징을 추출하며, 자기조직화지도(Self-Organizing Map)를 이용하여 군집화를 수행할 수 있다.
<FFT>
이때, 고속푸리에변환(Fast Fourier Transform, FFT)은 이산 푸리에 변환과 그 역변환을 빠르게 수행하는 효율적인 알고리즘이다. 푸리에 변환은 한 함수를 인자로 받아 다른 함수로 변환하는 선형 변환으로, 통신 및 신호처리 등의 분야에서 많이 사용되는 기법이다. 시간 영역(Time Domain)에서보다 주파수 영역에서 신호 분석을 하는 것이 효율적이기 때문에 많이 사용하고 있다. 기본적인 이산 푸리에 변환의 정의는 이하 수학식 1과 같고 k는 0부터 N-1까지의 수이다.
<군집화>
군집화를 수행하기 위해 수집된 뇌파에서 특징을 추출하는데, 발달장애아동은 알파파, 베타파 및 세타파 등의 활성이 정상아동과 다르게 나타난다는 연구에 기초하여, 이를 기반으로 수집한 뇌파를 FFT를 이용하여 주파수 변환을 시킨 후, 주파수 밴드별, 즉 알파파, 베타파, 세타파별로 뇌파의 파워 스펙트럼을 계산하여 특징을 추출할 수 있다. 이때, 자기 조직화 지도(Self-Organizing Map)는, 신경망의 관점에 기반한 군집화 기법이다. 이 방법은 입력 데이터 간의 유사 정도에 따라 여러 그룹으로 나누는 통계적 분석기법이다. 그룹에 속한 객체들의 유사성은 높이고, 다른 그룹의 객체들과의 차이점을 벌리는 것이 목적이며, 그룹 내 객체 간의 유사성과 그룹 간의 차이점을 높일수록 군집화는 뚜렷해진다.
데이터베이스화부(360)는, 업로드부(310)에서 적어도 하나의 발달장애아동에 대하여 사회적 능력, 인지적 능력 및 신체적 능력을 검사한 발달장애검사결과를 교수자 단말(100)로부터 업로드받기 이전에, 사회적 능력, 인지적 능력 및 신체적 능력에 대응하는 적어도 하나의 프로그램을 매핑하여 저장할 수 있다.
인공지능부(370)는, 업로드부(310)에서 적어도 하나의 발달장애아동에 대하여 사회적 능력, 인지적 능력 및 신체적 능력을 검사한 발달장애검사결과를 교수자 단말(100)로부터 업로드받기 이전에, 적어도 하나의 발달장애아동에 대하여 기능성 MRI(Functional Magnetic Resonance Imaging) 촬영 이미지를 수집하고, 기능성 MRI 촬영 이미지를 CNN(Convolutional Neural Network)를 이용하여 군집화처리를 수행할 수 있다. 인공지능부(370)는, 군집화처리된 결과에 기반하여 적어도 하나의 발달장애아동을 적어도 하나의 집단으로 분류할 수 있다.
<기능성 MRI>
뇌신경 세포들이 활동하면 산소 소비량이 증가하고, 이를 보충하기 위해 그 부분의 혈류량이 증가한다는 사실에 착안하여 뇌 활동을 측정하는 방법이다. 뇌의 기능적 활동을 관측하기 위한 방법들은 공간 해상도와 시간 해상도의 관점에서 각각 장단점을 가진다. 전기 또는 자기 신호를 직접적으로 관측하는 EEG, MEG의 경우 시간 해상도는 매우 높은 반면 공간 해상도는 매우 낮다. 이와 반대로 간접적 측정 방법들은 공간 해상도가 매우 높아 뇌의 세부 위치에서의 기능적 측면들을 살펴볼 수 있는 반면 시간 해상도가 낮아 뇌의 빠른 활동 변화를 관측하기에는 부적합하다.
기능성 MRI 영상은 이미 널리 보급된 MRI 영상 장비를 이용하여 뇌의 해부학적 구조 영상과 기능적 활동 영상을 동시에 획득할 수 있다는 장점을 가진다. PET이나 SPECT와 달리 뇌의 기능적 활동의 측정을 위해 방사선 동위 원소와 같은 약물을 투여할 필요가 없어 안전하며 반복적으로 실험을 수행할 수 있다. 시간 해상도와 공간 해상도가 상대적으로 높은데, 뇌가 인지 기능을 수행하면 해당 인지 기능을 담당하는 뇌의 특정 부분에서의 신경 세포 활동이 증가하게 된다. 세포 활동의 증가로 조직 내에서는 많은 양의 산소와 에너지를 필요로 하며, 일시적인 혈류량의 증가를 통해 산소 헤모글로빈의 비율이 높아지게 된다. 이는 산소를 빼앗긴 주변 뇌영역에서의 헤모글로빈에 비해 더 높은 신호를 보이게 된다. 이 신호를 BOLD(Blood Oxygen Level Dependency) 신호라 하며, 기능성 MRI는 이를 측정하여 특정 인지 기능을 수행하는 뇌영역을 분석할 수 있도록 한다.
기능성 MRI에서 관측되는 BOLD 신호는 실제 뇌신경활동보다 몇 초 정도의 지연시간을 가지고 나타하며, 신경 활동을 끝마친 뒤에 곧 기저 상태로 복원하는 특성을 가진다. 이런 특성을 시간 함수로 표현한 것을 혈역동학적 반응 함수(Hemodynamic Response Function, HRF)라 한다. 촬영을 위해서는, 뇌를 슬라이스 단위로 나누어 한 번에 뇌 전체를 촬영한다. 각 슬라이스에서의 BOLD 신호를 2차원 영상으로 표현하고, 각 슬라이스를 결합하여 3차원 뇌 영상을 구성한다. 한 번에 3차원 영상을 촬영하고 이를 시간의 흐름에 따라 반복적으로 촬영하기 때문에 기능성 MRI 영상은 4차원 데이터로 표현된다. 3차원 영상에서 뇌의 일부분을 표현하는 최소 단위를 복셀(Voxel)이라 하며, 일반적으로 하나의 복셀은 3mm×3mm×6mm에 해당하는 뇌 영역을 나타낸다. 뇌의 기능적 특성을 3차원 공간에서의 국소적 복셀 단위로 살펴볼 수 있다는 것은 두피에서 관측되는 신호만을 사용하여 뇌의 기능 활동 근원지를 역으로 찾아가는 EEG, MEG 방법과 대비되는 특징이다.
뇌의 인지 기능에 대한 정보 획득을 위한 방법으로는, 가설을 효율적으로 증명할 수 있는 실험 패러다임을 수행하여야 한다. 실험 패러다임은 다음과 같이 크게 3가지로 분류할 수 있다. 첫 번째는 블록-디자인(Block-design)인데, 특정 과제와 비교(통제) 과제를 각각 하나의 블록으로 설정하고 반복적으로 수행하면서 BOLD 신호의 변화를 관측함으로써 각 과제와 관련된 뇌신경 활동 영역을 획득하는 실험 방법이다. BOLD 신호의 변화주기와 주어진 과제와의 상관관계가 높은 곳을 검출함으로써 해당 부위가 해당 과제의 수행에 대한 기능을 관여하는 부분이라고 결론 내릴 수 있다.
두 번째는 사건-관련(Event-related)으로, 실험으로 주어지는 사건에 대한 뇌 활동이 단기간에 발생한다는 것을 가정한다. 각 사건과 사건 사이에는 수십 초의 자극간 간격이 있는데, 사건은 반복적 패턴을 가지고 제공되는 것이 아니라 무작위로 제공된다. 이는 많은 자극을 반복적, 연속적으로 제공하는 블록-디자인과 다르다. 최근 두각을 보이는 실험 방법으로 EEG나 MEG로 측정한 신호와의 상관관계 분석이 용이하여 정확한 뇌 활성 부위에 대한 공간적, 시간적 정보를 얻는데 많이 활용되고 있다. 세 번째는 혼합(Mixed)인데, 실험을 위한 자극이 일정한 블록 단위로 제공되나, 각 블록 내에서는 다양한 사건들이 무작위로 발생할 수 있다. 이 세 가지 실험을 각 발달장애아동에게 진행한 후 촬영된 기능성 MRI 영상 또는 이미지를 이하의 CNN으로 특징을 추출하여 집단을 나눌 수 있다.
<CNN>
CNN(Convolutional Neural Network)를 이용하여 특징 데이터를 추출할 수 있다. 기능성 MRI도 이미지로 출력되기 때문에, 결과적으로 이미지 분석을 통하여 이미지의 특징을 추출하여 이미지를 비교함으로써 각 발달장애아동을 군집화, 즉 집단을 구분할 수 있게 된다. 발달장애의 종류 및 정도가 유사한 아동끼리 하나의 반(Class)을 구성하고 교육 프로그램을 진행하게 하는 것은 교수자에게 지도목표를 세워주는데 중요한 역할을 하게 된다. CNN은, 스스로 이미지의 특징을 학습하고 학습된 특징을 바탕으로 이미지의 분류 및 이미지의 패턴을 인식할 수 있고, 컨볼루션 층을 이용한 네트워크 구조로 이미지 처리에 적합하며, 이미지 데이터를 입력으로 하여 이미지 내의 특징을 기반으로 이미지를 분류할 수 있기 때문에 본 발명의 일 실시예에서 이용하도록 한다. 다만, CNN에 한정되는 것은 아니고 이미지를 구분하고 그 특징을 추출할 수 있는 방법이라면 그 어떠한 것이든 가능하다 할 것이다.
CNN은, 기능성 MRI 이미지의 특징을 벡터 형태로 추출하고 추출된 특징을 이용하여 이미지 간 유사도를 측정할 수 있다. 기능성 MRI 이미지의 특징을 추출하기 위해 본 발명의 일 실시예에서는, 컨볼루션(Convolution) 레이어, 활성 함수(Activation Function) 레이어, 최대 풀링(Max Pooling) 레이어로 구성된 합성곱 신경망의 기본 구조를 이용한 모델을 이용할 수 있고, 유사도를 측정하기 이전, 이미지를 분류하기 위해 사용되는 소프트맥스 레이어(Softmax Layer) 이전의 레이어로부터 스펙트로그램의 특징 벡터를 추출하여 사용할 수 있다.
기본적으로 전결합 레이어(Fully-Connected Layer)를 가지는 CNN과, 특징 맵(Feature Map) 상의 평균값을 가져오는 GAP 레이어(Global Average Layer)를 가지는 모델로부터 특징을 추출하여 유사도를 측정하는 데 사용할 수 있다. 이미지의 유사도를 측정하기 위한 또 다른 모델로 CNN 기반의 오토인코더 모델을 이용할 수도 있는데, 인코더(Encoder)는 컨볼루션 신경망 구조로 구성되어 있고, 인코더의 결과로 압축된 데이터를 다시 재구성하기 위한 디코더(Decoder)를 포함할 수 있다. 학습된 오토인코더 모델의 특정 레이어로부터 스펙트로그램의 특징을 추출하고, 이를 다시 GAP 레이어를 통해 나온 특징 벡터를 이미지 유사도 측정에 사용할 수 있다. 위 세 가지 모델을 통해 추출된 이미지 특징 벡터로부터 유클리디안거리(Euclidean Distance) 및 코사인 유사도(Cosine Similarity)를 측정할 수 있고, 이를 이용하여 기능성 MRI 이미지 별 유사 정도, 즉 유사도에 따라 정렬할 수 있으며, 정렬된 순서를 이용하여 기능성 MRI 이미지 별 가장 유사하다고 판단되는 데이터뿐만 아니라 가장 유사하지 않다고 판단되는 데이터까지 확인할 수 있다.
예측부(380)는, 업로드부(310)에서 적어도 하나의 발달장애아동에 대하여 사회적 능력, 인지적 능력 및 신체적 능력을 검사한 발달장애검사결과를 교수자 단말(100)로부터 업로드받은 이후에, 사회적 능력, 인지적 능력 및 신체적 능력을 검사한 발달장애검사결과를 시계열 데이터로 저장하고 시각화하고, 시계열 데이터를 LSTM(Long Short-Term Memory)를 이용하여 발달장애검사결과를 예측하며, 예측된 발달장애검사결과를 교수자 단말(100)로 전달할 수 있다. 상술한 피드백부(340)에서는 사전검사 및 사후검사 간의 차이만을 도출했다면, 예측부(380)에서는 한 발달장애아동에 대하여 충분히 오랜 기간 많은 검사결과가 누적된 경우에, 이후 어떻게 발달장애아동이 성장할 것인지를 예측해줄 수 있다.
LSTM은 신경망의 일종으로 시계열 데이터를 다루는데 특화된 딥러닝 모델이다. 각 발달장애검사를 진행할 때 테스트 날짜가 기록되기 때문에 각 발달장애검사 결과를 모아놓으면 시계열 데이터 형태로 나타나고 LSTM 모델의 입력값으로 적합하다. LSTM 모델의 특징(Feature)으로는 각 발달장애검사의 종류와 지표 등을 입력할 수 있다. 딥러닝 단계에 있어, 예측 모델의 하이퍼 파라미터에 따라 예측 모델의 성능이 크게 달라지므로 최적의 하이퍼 파라미터를 조정하는 과정은 필수적이다. 하이퍼 파라미터 조정에 관한 실험으로 훈련 셋과 테스트 셋의 비율, 은닉 층의 유닛의 개수에 관한 실험을 진행할 수 있다. 훈련 셋과 테스트 셋 수를 훈련 셋 X, 테스트 셋 Y 개로 두고 두 개의 은닉 층과 마지막 하나의 시그모이드(Sigmoid) 출력 층을 두고 은닉 층의 유닛의 수를 조절해가며 실험할 수 있다.
리포트부(390)는, 업로드부(310)에서 적어도 하나의 발달장애아동에 대하여 사회적 능력, 인지적 능력 및 신체적 능력을 검사한 발달장애검사결과를 교수자 단말(100)로부터 업로드받은 이후에, 발달장애검사결과를 연속적으로 시행한 경우, 발달장애검사결과를 사전검사 및 사후검사로 나누어 시각화하고, 사전검사 및 사후검사 간 변화량을 산출하여 리포트로 생성할 수 있다.
이하, 상술한 도 2의 교육지원 서비스 제공 서버의 구성에 따른 동작 과정을 도 3 및 도 4를 예로 들어 상세히 설명하기로 한다. 다만, 실시예는 본 발명의 다양한 실시예 중 어느 하나일 뿐, 이에 한정되지 않음은 자명하다 할 것이다.
교육지원 서비스 제공 서버(300)는 발달장애검사를 진행한 결과를 교수자 단말(100)로부터 수집하는데, 도 3a와 같이 사회적 능력을 검사한 결과와, 도 3b와 같이 인지적 능력을 검사한 결과, 도 3c와 같이 신체적 능력 중 신체계측결과와, 도 3d와 같이 신체적 능력 중 체력측정결과를 업로드받게 된다. 그리고 도 3e 내지 도 3h와 같이 결과지를 제공하게 되는데 사전검사 및 사후검사의 비교값을 함께 제공한다는 것이 특징이다. 사전검사 및 사후검사의 비교값은 A-B-C-D 검사가 연속하여 수행된 경우, 바로 이전의 검사인 A-B, B-C, C-D 등과 같이 비교할 수도 있고 특정 어느 시점과 현재 시점, 예를 들어, A-D와 같이 비교할 수도 있다. 이를 비교하기 위하여 도 4a 내지 도 4f와 같이 수치를 비교하게 되고 이를 그래프, 표 등으로 시각화할 수 있다.
이때, 도 3c 및 도 3d에서 신체계측결과와 체력측정결과는 일부만 첨부한 것으로, 이 외에도 신체계측결과에는 가슴둘레, 허리둘레, 엉덩이둘레, 체중, 신장, BMI이 더 포함되고, 체력측정결과에는, 유연성(앉아 윗몸 앞으로 굽히기), 근지구력(윗몸 말아올리기), 심폐지구력(스텝검사)가 포함될 수 있다. 체력측정결과를 분석하기 위해 기준지표가 더 포함되는데, 최소건강기준표, 백분위, 5등급 규준표 등이 더 포함되어 발달정도가 어느 정도인지를 파악할 수 있도록 마련된다. 또, 정량적 평가 이외에 정성적 평가, 즉 질적 평가를 위해 권장사항을 더 마련할 수 있는데, TGMD(Test of Gross Motor Development)-3나, 오세레츠키 검사(Oseresky Motor Skill Test) 등을 더 진행할 수 있고 그 결과를 저장할 수도 있다.
이와 같은 도 2 내지 도 4의 발달장애아동 통합 교육지원 서비스 제공 방법에 대해서 설명되지 아니한 사항은 앞서 도 1을 통해 발달장애아동 통합 교육지원 서비스 제공 방법에 대하여 설명된 내용과 동일하거나 설명된 내용으로부터 용이하게 유추 가능하므로 이하 설명을 생략하도록 한다.
도 5는 본 발명의 일 실시예에 따른 도 1의 발달장애아동 통합 교육지원 서비스 제공 시스템에 포함된 각 구성들 상호 간에 데이터가 송수신되는 과정을 나타낸 도면이다. 이하, 도 5를 통해 각 구성들 상호간에 데이터가 송수신되는 과정의 일 예를 설명할 것이나, 이와 같은 실시예로 본원이 한정 해석되는 것은 아니며, 앞서 설명한 다양한 실시예들에 따라 도 5에 도시된 데이터가 송수신되는 과정이 변경될 수 있음은 기술분야에 속하는 당업자에게 자명하다.
도 5를 참조하면, 교육지원 서비스 제공 서버는, 적어도 하나의 발달장애아동에 대하여 사회적 능력, 인지적 능력 및 신체적 능력을 검사한 발달장애검사결과를 교수자 단말로부터 업로드받는다(S5100).
그리고, 교육지원 서비스 제공 서버는, 발달장애검사결과를 이용하여 하나의 집단의 평균치를 산출하고(S5200), 평균치에 기 매핑되어 저장된 적어도 하나의 프로그램을 적용하도록 교수자 단말로 전송한다(S5300).
상술한 단계들(S5100~S5300)간의 순서는 예시일 뿐, 이에 한정되지 않는다. 즉, 상술한 단계들(S5100~S5300)간의 순서는 상호 변동될 수 있으며, 이중 일부 단계들은 동시에 실행되거나 삭제될 수도 있다.
이와 같은 도 5의 발달장애아동 통합 교육지원 서비스 제공 방법에 대해서 설명되지 아니한 사항은 앞서 도 1 내지 도 4를 통해 발달장애아동 통합 교육지원 서비스 제공 방법에 대하여 설명된 내용과 동일하거나 설명된 내용으로부터 용이하게 유추 가능하므로 이하 설명을 생략하도록 한다.
도 5를 통해 설명된 일 실시예에 따른 발달장애아동 통합 교육지원 서비스 제공 방법은, 컴퓨터에 의해 실행되는 애플리케이션이나 프로그램 모듈과 같은 컴퓨터에 의해 실행가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체를 모두 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다.
전술한 본 발명의 일 실시예에 따른 발달장애아동 통합 교육지원 서비스 제공 방법은, 단말기에 기본적으로 설치된 애플리케이션(이는 단말기에 기본적으로 탑재된 플랫폼이나 운영체제 등에 포함된 프로그램을 포함할 수 있음)에 의해 실행될 수 있고, 사용자가 애플리케이션 스토어 서버, 애플리케이션 또는 해당 서비스와 관련된 웹 서버 등의 애플리케이션 제공 서버를 통해 마스터 단말기에 직접 설치한 애플리케이션(즉, 프로그램)에 의해 실행될 수도 있다. 이러한 의미에서, 전술한 본 발명의 일 실시예에 따른 발달장애아동 통합 교육지원 서비스 제공 방법은 단말기에 기본적으로 설치되거나 사용자에 의해 직접 설치된 애플리케이션(즉, 프로그램)으로 구현되고 단말기에 등의 컴퓨터로 읽을 수 있는 기록매체에 기록될 수 있다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
Claims (10)
- 교육지원 서비스 제공 서버에서 실행되는 교육지원 서비스 제공 방법에 있어서,
적어도 하나의 발달장애아동에 대하여 사회적 능력, 인지적 능력 및 신체적 능력을 검사한 발달장애검사결과를 교수자 단말로부터 업로드받는 단계;
상기 발달장애검사결과를 이용하여 하나의 집단의 평균치를 산출하는 단계; 및
상기 평균치에 기 매핑되어 저장된 적어도 하나의 프로그램을 적용하도록 상기 교수자 단말로 전송하는 단계;
를 포함하는 발달장애아동 통합 교육지원 서비스 제공 방법.
- 제 1 항에 있어서,
상기 평균치에 기 매핑되어 저장된 적어도 하나의 프로그램을 적용하도록 상기 교수자 단말로 전송하는 단계 이후에,
상기 교수자 단말로부터 상기 집단 내 포함된 적어도 하나의 발달장애아동에 대하여 사회적 능력, 인지적 능력 및 신체적 능력을 검사한 발달장애검사결과를 업로드받는 단계;
상기 발달장애검사결과와 이전(Previous) 발달장애검사결과를 비교하여 기 설정된 유의미한 수준의 수치변화가 존재하는지를 확인하고 피드백을 상기 교수자 단말로 전송하는 단계;
를 더 포함하는 것을 특징으로 하는 발달장애아동 통합 교육지원 서비스 제공 방법.
- 제 1 항에 있어서,
상기 적어도 하나의 발달장애아동에 대하여 사회적 능력, 인지적 능력 및 신체적 능력을 검사한 발달장애검사결과를 교수자 단말로부터 업로드받는 단계 이전에,
상기 적어도 하나의 발달장애아동에 대하여 뇌전도(ElectroEncephaloGram) 검사를 수행하는 단계;
상기 뇌전도 검사 결과 수집된 뇌파를 신호처리 및 군집화(Clustering)처리하는 단계;
상기 군집화처리된 결과에 기반하여 상기 적어도 하나의 발달장애아동을 적어도 하나의 집단으로 분류하는 단계;
를 더 포함하는 것을 특징으로 하는 발달장애아동 통합 교육지원 서비스 제공 방법.
- 제 3 항에 있어서,
상기 뇌파를 신호처리할 때 고속푸리에변환(Fast Fourier Transformation)을 이용하는 것을 특징으로 하는 발달장애아동 통합 교육지원 서비스 제공 방법.
- 제 3 항에 있어서,
상기 군집화를 위하여 알파파, 베타파 및 세타파를 포함하는 주파수 밴드(Band)별 뇌파의 파워 스펙트럼을 계산하여 특징을 추출하며, 자기조직화지도(Self-Organizing Map)를 이용하여 군집화를 수행하는 것을 특징으로 하는 발달장애아동 통합 교육지원 서비스 제공 방법.
- 제 1 항에 있어서,
상기 적어도 하나의 발달장애아동에 대하여 사회적 능력, 인지적 능력 및 신체적 능력을 검사한 발달장애검사결과를 교수자 단말로부터 업로드받는 단계 이전에,
상기 사회적 능력, 인지적 능력 및 신체적 능력에 대응하는 적어도 하나의 프로그램을 매핑하여 저장하는 단계;
를 더 포함하는 것을 특징으로 하는 발달장애아동 통합 교육지원 서비스 제공 방법.
- 제 1 항에 있어서,
상기 적어도 하나의 발달장애아동에 대하여 사회적 능력, 인지적 능력 및 신체적 능력을 검사한 발달장애검사결과를 교수자 단말로부터 업로드받는 단계에서,
상기 사회적 능력은 사회성 기술평가척도인 SSRS(Social Skills Rating System);
상기 인지적 능력은 한국판 MMSE(Mini Mental State Examination);
상기 신체적 능력은, 근력, 유연성, 근지구력 및 심폐지구력을 포함하는 체력평가와, 머리둘레, 가슴둘레, 허리둘레, 엉덩이둘레, 신장, 체중 및 BMI를 포함하는 신체계측결과;
에 기반하여 측정되는 것을 특징으로 하는 발달장애아동 통합 교육지원 서비스 제공 방법.
- 제 1 항에 있어서,
상기 적어도 하나의 발달장애아동에 대하여 사회적 능력, 인지적 능력 및 신체적 능력을 검사한 발달장애검사결과를 교수자 단말로부터 업로드받는 단계 이전에,
상기 적어도 하나의 발달장애아동에 대하여 기능성 MRI(Functional Magnetic Resonance Imaging) 촬영 이미지를 수집하는 단계;
상기 기능성 MRI 촬영 이미지를 CNN(Convolutional Neural Network)를 이용하여 군집화처리를 수행하는 단계;
상기 군집화처리된 결과에 기반하여 상기 적어도 하나의 발달장애아동을 적어도 하나의 집단으로 분류하는 단계;
를 더 포함하는 것을 특징으로 하는 발달장애아동 통합 교육지원 서비스 제공 방법.
- 제 1 항에 있어서,
상기 적어도 하나의 발달장애아동에 대하여 사회적 능력, 인지적 능력 및 신체적 능력을 검사한 발달장애검사결과를 교수자 단말로부터 업로드받는 단계 이후에,
상기 사회적 능력, 인지적 능력 및 신체적 능력을 검사한 발달장애검사결과를 시계열 데이터로 저장하고 시각화하는 단계;
상기 시계열 데이터를 LSTM(Long Short-Term Memory)를 이용하여 발달장애검사결과를 예측하는 단계;
예측된 상기 발달장애검사결과를 상기 교수자 단말로 전달하는 단계;
를 더 포함하는 것을 특징으로 하는 발달장애아동 통합 교육지원 서비스 제공 방법.
- 제 1 항에 있어서,
상기 적어도 하나의 발달장애아동에 대하여 사회적 능력, 인지적 능력 및 신체적 능력을 검사한 발달장애검사결과를 교수자 단말로부터 업로드받는 단계 이후에,
상기 발달장애검사결과를 연속적으로 시행한 경우, 상기 발달장애검사결과를 사전검사 및 사후검사로 나누어 시각화하고, 상기 사전검사 및 사후검사 간 변화량을 산출하여 리포트로 생성하는 단계;
를 더 포함하는 것을 특징으로 하는 발달장애아동 통합 교육지원 서비스 제공 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210142979A KR102658654B1 (ko) | 2021-10-25 | 2021-10-25 | 발달장애아동 통합 교육지원 서비스 제공 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210142979A KR102658654B1 (ko) | 2021-10-25 | 2021-10-25 | 발달장애아동 통합 교육지원 서비스 제공 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20230059198A true KR20230059198A (ko) | 2023-05-03 |
| KR102658654B1 KR102658654B1 (ko) | 2024-04-18 |
Family
ID=86380861
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210142979A KR102658654B1 (ko) | 2021-10-25 | 2021-10-25 | 발달장애아동 통합 교육지원 서비스 제공 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102658654B1 (ko) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20190049342A (ko) * | 2017-10-30 | 2019-05-09 | 고려대학교 산학협력단 | 스마트 시니어 인지반응 기반의 모델링 방법 및 장치 |
| KR20190112962A (ko) * | 2018-03-27 | 2019-10-08 | (주)메디즈 | 인지재활훈련 시스템 |
| WO2020081609A1 (en) * | 2018-10-15 | 2020-04-23 | The Board Of Trustees Of The Leland Stanford Junior University | Treatment of depression using machine learning |
| KR20210023631A (ko) * | 2019-08-22 | 2021-03-04 | (주)프로젝트레인보우 | 딥러닝 모듈을 이용한 발달장애 개선 시스템 및 방법 |
-
2021
- 2021-10-25 KR KR1020210142979A patent/KR102658654B1/ko active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20190049342A (ko) * | 2017-10-30 | 2019-05-09 | 고려대학교 산학협력단 | 스마트 시니어 인지반응 기반의 모델링 방법 및 장치 |
| KR20190112962A (ko) * | 2018-03-27 | 2019-10-08 | (주)메디즈 | 인지재활훈련 시스템 |
| WO2020081609A1 (en) * | 2018-10-15 | 2020-04-23 | The Board Of Trustees Of The Leland Stanford Junior University | Treatment of depression using machine learning |
| KR20210023631A (ko) * | 2019-08-22 | 2021-03-04 | (주)프로젝트레인보우 | 딥러닝 모듈을 이용한 발달장애 개선 시스템 및 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102658654B1 (ko) | 2024-04-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Fouragnan et al. | The macaque anterior cingulate cortex translates counterfactual choice value into actual behavioral change | |
| Aslan et al. | A deep learning approach in automated detection of schizophrenia using scalogram images of EEG signals | |
| Meir-Hasson et al. | An EEG finger-print of fMRI deep regional activation | |
| Huysmans et al. | Unsupervised learning for mental stress detection-exploration of self-organizing maps | |
| Buettner et al. | Machine learning based diagnosis of diseases using the unfolded EEG spectra: Towards an intelligent software sensor | |
| Phanphaisarn et al. | Heart detection and diagnosis based on ECG and EPCG relationships | |
| CN113662545B (zh) | 一种基于情绪脑电信号和多任务学习的人格评估方法 | |
| Hordacre et al. | Resting state functional connectivity is associated with motor pathway integrity and upper-limb behavior in chronic stroke | |
| Lahiri et al. | Evolutionary perspective for optimal selection of EEG electrodes and features | |
| Hussain et al. | Quantifying the dynamics of electroencephalographic (EEG) signals to distinguish alcoholic and non-alcoholic subjects using an MSE based Kd tree algorithm | |
| Li et al. | Emotion stimuli-based surface electromyography signal classification employing Markov transition field and deep neural networks | |
| Umematsu et al. | Forecasting stress, mood, and health from daytime physiology in office workers and students | |
| Grossner et al. | Prefrontal gray matter volume predicts metacognitive accuracy following traumatic brain injury. | |
| Bernstein-Eliav et al. | The prediction of brain activity from connectivity: advances and applications | |
| Mutlu-Bayraktar et al. | Relationship between objective and subjective cognitive load measurements in multimedia learning | |
| KR102658654B1 (ko) | 발달장애아동 통합 교육지원 서비스 제공 방법 | |
| Sawan et al. | Hybrid deep learning and metaheuristic model based stroke diagnosis system using electroencephalogram (EEG) | |
| Cofré Lizama et al. | Gait stability reflects motor tracts damage at early stages of multiple sclerosis | |
| Wen et al. | Exploring communication between the thalamus and cognitive control-related functional networks in the cerebral cortex | |
| CN115804601A (zh) | 基于多复杂度减速器装配场景的N-Back次任务脑电试验方法 | |
| US11995891B2 (en) | Computer program and method for training artificial neural network model based on time-series biosignal | |
| Quadrini et al. | Stress Detection from Wearable Sensor Data Using Gramian Angular Fields and CNN | |
| Eroglu et al. | Developmental dyslexia biomarker detection with Quantitative electroencephalography (QEEG) data in children: Feasibility, acceptability, economic impact | |
| Rajaguru et al. | Hilbert transform with elman backpropagation and multilayer perceptrons for epilepsy classification | |
| Zhao et al. | Computational technologies in internet of things and big data technology for physical exercise rehabilitation system |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |