KR20230150303A

KR20230150303A - 생리학적 신호의 위치파악

Info

Publication number: KR20230150303A
Application number: KR1020237029877A
Authority: KR
Inventors: 미하엘 바그너
Original assignee: 컴퓨메딕스 리미티드
Priority date: 2021-02-25
Filing date: 2021-02-25
Publication date: 2023-10-30
Also published as: EP4297651A1; AU2021429161A1; CN116940282A; WO2022180420A1; US20240122549A1; JP2024509075A; CA3210703A1

Abstract

본 발명은, EEG, MEG, ECG 등에 적합한 것과 같은 센서로부터의 전기생리학적 신호 데이터와 같이 선형 관계를 표시하거나 선형화된 관계로 변환될 수 있는 데이터의 획득 및 분석을 위한 방법 및 장치를 제공한다. 컴퓨터 소프트웨어에서 구현될 수 있는 방법은, 기존의 선택 방법에 따라 피질 전류 흐름 벡터 필드 또는 피질 위치에 대한 활동 지시 값의 분포를 연산하는 단계, 어떤 전류가 내부로 흐르지 않는지를 결정하는 단계, 전류가 내부로 흐르지 않는 위치를 나타내는 항목이 다른 항목에 비해 적은 대각선 가중 행렬을 정의하는 단계, 대각선 가중 행렬을 통합하되 기존의 선택 방법에 따라 피질 전류 흐름 벡터를 재계산하거나, 활동 지시 값의 분포를 수정하여, 전류가 내부로 흐르지 않는 위치를 나타내는 값이 수정 전보다 작은 활동을 나타내는 단계를 포함한다. 방법의 출력은 적절한 모니터에 표시하도록 컴퓨터 파일에 저장될 수 있다.

Description

생리학적 신호의 위치파악

본 발명은, 생리학적 과정, 특히, 뇌파(electroencephalogram: EEG) 및 뇌자도(magnetoencephalogram: MEG) 측정에 연관된 전기생리학적 신호를 획득하는 장치 및 상기 장치에 의해 상기 측정에서 생성된 전기 신호를 분석하는 방법에 관한 것이다.

뇌 활동은 머리 근처에 위치한 전극 센서(EEG) 또는 머리 표면 위에 위치한 코일(MEG)의 전기 신호 측정값으로 구성된 EEG 및 MEG로부터의 데이터에 의해 표현될 수 있다. 센서 출력으로부터 획득된 EEG 및 MEG 데이터의 분석 시, 뇌 활동은 개별 3차원 벡터 필드로서 표현될 수 있으며, 각 벡터는 쌍극자 전류원(이하 "전류원"이라고 함)을 나타낸다. 그 결과는 특정 시점과 시간 경과에 따라 기능하는 뇌에서의 뉴런의 기본 시냅스 활동의 표현을 제공한다.

발작성 간질 뇌 활동의 EEG 및 MEG 기록에는 스파이크라고 알려진 파형 형태가 종종 포함된다. 이러한 스파이크의 시작 또는 피크에 소스 위치파악(localization) 기술을 사용하면 간질 네트워크와 관련된 뇌 위치를 밝힐 수 있다. 스파이크의 시작 또는 피크의 파형 형태는, 크기가 최소 10 cm²(EEG) 또는 6 cm²(MEG)인 피질 회백질의 확장된 패치로부터의 피라미드 세포라고 하는 뉴런 유형의 동시 활동에 의해 생성된다. EEG 및 MEG 신호의 소스는 피라미드 세포 뉴런의 활동이기 때문에 그리고 그 특정 세포 유형의 지배적 배향으로 인해, 뇌 전류 흐름의 배향은 국소 피질 회백질 표면에 수직인 것으로 알려져 있다. 스파이크의 시작 및 피크는 뉴런 활성화 사이클의 탈분극 부분으로부터 압도적인 정도로 이어지는 활동을 나타내기 때문에, 뇌 전류 흐름의 방향은 또한 내부를 가리키고 회백질-백질 경계를 향하는 것으로 알려져 있다. 최신 기술은, 뇌 활동이 피질 회백질에서만 발생하고, 피질 전류 흐름의 배향이 피질 회백질 표면에 수직이고, 이웃하는 피질 위치들이 유사한 활동을 갖는다는 제약 조건을 소스 위치파악 알고리즘에 통합하는 것이다. 생리학적 기능을 나타내기 위해 측정가능한 생리학적 신호의 특성 범위를 이용하는 것을 개선할 필요가 있다.

전술한 벡터 필드와 측정된 신호 간의 관계가 선형이라는 것은 당업계에 알려져 있다. 이 관계는, 머리에 인접한 센서 레이아웃(EEG) 또는 머리 위의 센서 레이아웃(MEG), 기준 선택(그라운드)，측정 노이즈 및 "순방향 모델"로 알려진 머리의 도전 특성에 의해 고유하게 결정된다. 임의의 시점에 대해, 이 선형 관계는 Ax + n = b로 나타낼 수 있으며, 여기서 A(리드 필드 행렬(lead field matrix))는 순방향 모델과 기준 선택을 나타내고, n은 측정 노이즈를 나타내고, b는 측정된 데이터를 나타내고, x는 이산화 지점당 1개 내지 3개의 항목을 포함하는 전류원의 강도 벡터인 "전류"를 나타낸다. 앞서 언급한 벡터 필드는 A를 계산하는 데 사용되는 단위 벡터들로 구성되며, 각 단위 벡터는 x의 해당 스칼라 항목에 의해 승산된다. 편의상, 본원에서는, 행렬을 나타내는 기호는 굵은 대문자로 표기하고, 벡터를 나타내는 기호는 굵은 소문자로 표기하고, 벡터의 제N 항목인 x는 x_N에 의해 식별되고, 행렬(A)의 제(M,N) 항목은 A_M,N에 의해 식별된다.

전류원의 특정 분포에 대해, 센서 레이아웃, 기준, 순방향 모델 및 전기 노이즈가 없다고 가정하면, 측정된 생리학적 전기 신호 데이터가 고유하게 예측될 수 있다. 이것은 "순방향 문제"라고 알려져 있다.

그러나, 측정된 생리학적 전기 신호 데이터, 센서 레이아웃, 기준 및 순방향 모델의 임의의 선택된 세트에 대해, 하기 이유들 중 임의의 것으로 인해 전류원의 분포가 고유하게 연산될 수 없다는 문제가 있다:

* 센서의 수가 제한되어 있고 또는

* 노이즈를 알 수 없고 또는

* 통상적으로 알려진 값(센서)보다 알려지지 않은 값(전류)이 더 많고 또는

* 측정가능한 신호를 생성하지 않는 전류 구성(무반응원(silent source))이 있다.

전기생리학적 측정에서 흔히 발생하는 이러한 문제 상황은 당업계에서 자세 불량 및 조건 불량 역 문제라고 알려져 있다. 그러나, 이러한 전류의 추정은, 예를 들어, 측정 결과를 의미 있게 만들기 위해 EEG 및 MEG 분석에서 중요한 목표이다.

전류를 연산하기 위한 당업계에 알려진 방법은, 측정된 생리학적 신호 데이터가 주어진 경우, 데이터의 노이즈 특성을 포함하는 데이터 모델 및 전류의 가정된 특징을 포함하는 소스 모델을 이용한다. 데이터의 노이즈 특성(데이터 모델)은, 통상적으로 상기 가정을 사용하여 측정된 신호 데이터로부터 추정될 수 있는 노이즈 공분산 행렬(C_n)을 사용하여 표현된다. 데이터 및 리드 필드 행렬도 "사전 백색화"되어, 1의 노이즈 공분산 행렬을 생성할 수 있다.

전류의 특성(소스 모델)과 관련하여 당업계에서 널리 알려진 가정은 대부분의 전류가 작거나 0이라는 것이다. 이 가정은, 예를 들어, 하나의 국소화된 활동 유형이 지배적이라고 가정될 수 있는 관찰된 뇌 상태의 특성으로부터 또는 관심 있는 공통 특징을 공유하는 많은 데이터 인스턴스가 평균화되고 결국 관찰된 특징을 제외한 모든 특징이 평균화 프로세스에 의해 억제되는 실험의 특성에 의해 파생된다. 해당 소스 모델은, L2-노름(norm)()이 최소로 가정되고 여기서 C_S가 x의 소스 공분산인 최소 노름 최소 제곱 모델이다. 소스 공분산에 대한 정보가 없으면, C_S = 1이다. 정규화는 데이터 모델과 소스 모델의 영향의 균형을 맞추는 데 사용된다. 이러한 논리에 따라, 고유값(x_opt)(여기서 x_opt는 위에서 정의한 바와 같은 최적의 벡터임)은 하기 식을 최소화하여 선형 역 문제를 해결함으로써 얻어질 수 있다.

여기서 λ는 정규화 파라미터이다. x_opt에 대한 분석 해를 얻을 수 있다는 것은 당업계에 잘 알려져 있다. 또한, 추가 정보 없이 λ의 최적값을 얻을 수 있다는 것은 당업계에 잘 알려져 있다.

피라미드 세포 뉴런이 존재하는 개별 피질 회백질 시트("회백질 표면")의 중간층의 표현을 자기 공명 영상(MRI) 데이터로부터 얻을 수 있다는 것은 당업계에 잘 알려져 있다. 생성되는 뉴런의 배향이 회백질 표면에 국소적으로 수직이기 때문에, 피질 전류를 추정해야 하고 이전에 언급한 이산화 지점이 회백질 내의 배향의 가변성을 고려하도록 충분히 조밀하게 피질 회백질 표면을 샘플링하면, 전류원의 벡터(x)가 이산화 지점당 하나의 항목만을 포함할 수 있다는 점도 당업계에 잘 알려져 있다. 리드 필드 행렬(A)이 지속적으로 내부 또는 외부를 가리키는 단위 전류를 기반으로 생성되면, x_N의 부호는 위치(N)에서의 전류가 내부로 흐르는지(탈분극) 외부로 흐르는지(재분극)에 대한 지시자의 역할을 할 수 있다. 이 문맥에서, "내부"는 "백질 쪽으로"를 의미하고, "외부"는 "연막면 쪽으로"를 의미한다.

전류를 나타내는 벡터(x_opt)를 계산하지 않고 오히려 관심 이벤트를 생성하는 데 관여할 가능성이 있는 피질 위치를 나타내는 메트릭을 사용하여 벡터(s_opt)를 계산하는 방법이 존재한다는 것이 당업계에 알려져 있다. 이들 중 일례가 sLORETA 방 법이다.

본원에서, "포함하는"(including) 또는 "포함하는"(comprising)이라는 단어는, 동일한 의미로 상호 교환가능하게 사용되며, 이는 임의의 명시된 특징 또는 특징들의 목록으로 제한되지 않다.

피질 전류 흐름의 내부를 가리키는 방향은 MEG 및 EEG 측정을 분석하는 데 아직 제약 조건으로서 사용되지 않았다. 이러한 방향 제약이 본 발명의 대상이다. 통상적으로 소스 위치파악의 대상인 대부분의 유형의 뇌 활동은 탈분극형 뉴런 활동으로부터 압도적인 정도로 이어지지 않으며 따라서 주목할만한 임상 관련 예외의 일례인 간질 스파이크에 있어서 피질 전류 흐름의 내부를 가리키는 방향을 특징으로 할 수 없기 때문에, 피질 전류 흐름의 내부를 가리키는 방향을 소스 위치파악 알고리즘의 제약으로서 사용하는 것은 최신 기술의 명백한 확장이 아니다.

본 발명의 목적은 EEG 및/또는 MEG 신호 측정을 포함하는 데이터를 변환하여 탈분극 뉴런으로부터의 뇌 활동(내부 전류 흐름)만을 나타내는 방법을 제공하는 것이다. 본 발명의 다른 목적은 전기생리학적 신호 데이터를 분석하여 해석 및 분석을 위한 생리학적 활동의 표현을 포함하는 결과를 제공하도록 컴퓨터 소프트웨어에서 구현될 수 있는 알고리즘을 제공하는 것이다. 본 발명의 또 다른 목적은 본원에 기술된 바와 같이 선형 관계로 생리학적 신호 측정값을 획득하고 신호 측정값을 생리학적 활동의 표현으로 변환하는 장치를 제공하는 것이다.

본 발명은 측정된 신호의 생리학적 해석을 가능하게 하는 전기생리학적 신호 데이터의 분석 방법을 제공한다. 본 발명에 따르면, 생리학적 신호 데이터(b)가 측정되고, 리드 필드 행렬(A)이 연산된다. 또한, 이산 피질 소스 전류 벡터(x_opt) 또는 피질 전류 흐름의 가능성을 나타내는 이산 메트릭(s_opt)이 연산된다.

일 양태에서, 본 발명은 마이크로프로세서를 사용하여 센서로부터의 전기 신호 데이터를 변환하는 방법을 제공하며, 이 방법은, 전기 신호 데이터를 수집하여 컴퓨터 파일에 저장하는 단계; 데이터를 미리 처리하는 단계; 하나 이상의 관심 시점을 마킹하는 단계; 평균화 단계를 적용하는 단계; 피질 위치 및 대응하는 뉴런 배향을 계산하고 얻는 단계; 위치 가중치 및/또는 피질 전류를 계산하는 단계; 어떤 전류가 내부로 흐르지 않는지를 결정하는 단계; 이에 따라 가중치를 수정하는 단계; 가중치에 따라 전류를 계산하는 단계; 피질 위치에 대한 활동 지시 값의 분포를 계산하는 단계; 피질 전류 흐름의 방향을 계산, 추출 또는 추정하는 단계; 어떤 전류가 내부로 흐르지 않는지를 결정하는 단계; 이에 따라 값의 분포를 수정하는 단계; 및 결과 데이터를 적어도 하나의 컴퓨터 파일에 저장하는 단계를 포함한다. 바람직하게, 이 방법은, 데이터를 시각적으로 표현하기에 적합한 형태로 변환하기 위해 데이터 이미징 기술을 저장된 결과에 적용하는 단계 및 변환된 데이터를 육안 검사를 위해 표시하는 단계를 포함한다.

다른 일 양태에서, 본 발명은 전기 신호 데이터를 수집하고, 변환하고, 표시하는 장치를 제공하며, 이 장치는, 전기 신호를 수집하는 센서; 전기 신호 데이터를 저장하는 수단; 및 컴퓨터 프로그램을 갖는 적어도 하나의 마이크로프로세서를 포함하고, 컴퓨터 프로그램은, 데이터를 미리 처리하는 단계; 사용자가 하나 이상의 관심 시점을 마킹하거나 갖게 하는 단계; 평균화 단계를 적용하는 단계; 피질 위치 및 대응하는 뉴런 배향을 계산하거나 얻는 단계; 위치 가중치 및/또는 피질 전류를 계산하는 단계; 어떤 전류가 내부로 흐르지 않는지를 결정하는 단계; 이에 따라 가중치를 수정하는 단계; 가중치에 따라 전류를 계산하는 단계; 피질 위치에 대한 활동 지시 값의 분포를 계산하는 단계; 피질 전류 흐름의 방향을 계산, 추출 또는 추정하는 단계; 어떤 전류가 내부로 흐르지 않는지를 결정하는 단계; 이에 따라 값의 분포를 수정하는 단계를 구현한다. 바람직하게, 이 장치는 변환된 데이터를 저장하는 수단을 포함한다. 바람직하게, 이 장치는 변환된 데이터를 표시하는 수단을 포함한다.

도 1은 본 발명의 방법의 흐름도를 도시한다.
도 2는 도 2의 (a)의 25개 채널에 전기 임펄스가 기록된 EEG 신호 및 도 2의 (b)의 컴퓨터 생성 전압 지형 플롯의 일례를 도시한다. 단계 8 또는 청구항 1의 a) 및 청구항 2의 a)의 결과가 여기에 도시되어 있다.
도 3은 본 발명의 방법을 사용한 EEG 데이터 분석의 일례를 도시한다. 단계 12 또는 청구항 1의 b)의 결과가 여기에 도시되어 있다.
도 4는 본 발명의 방법을 사용한 EEG 데이터 분석의 추가 예를 도시한다. 단계 15 또는 청구항 1의 e)의 결과가 여기에 도시되어 있다.
도 5는 본 발명의 방법을 사용한 EEG 데이터 분석의 추가 예를 도시한다. 단 계 18 또는 청구항 2의 c)의 결과가 여기에 도시되어 있다.
도 6은 본 발명의 방법을 사용한 EEG 데이터 분석의 추가 예를 도시한다. 단계 20 또는 청구항 2의 e)의 결과가 여기에 도시되어 있다.

이 방법은 EEG 및 MEG 측정 신호에 가장 편리하게 적용되어 뇌 활동을 나타내는 결과를 제공한다. 본 발명은 EEG 및 MEG 데이터의 수집 및 분석에 가장 유리하게 적용되지만, 이 방법은 EEG 및 MEG 데이터의 분석에 제한되지 않으며, 본 발명은, 예를 들어, 뇌 활동의 심전도(ECoG) 측정, 뇌 활동의 두개내(iEEG) 측정, 심장 활동의 심전도(ECG) 측정 및 자기심전도(MCG) 측정에 대한 응용분야에서와 같이 보다 일반적인 응용분야를 갖는다는 것을 이해할 것이다. 본 발명은, 본원에 설명된 선형 관계를 표시하거나 이를 위해 (예를 들어, 뉴턴의 방법을 사용하여) 선형화될 수 있는 전기생리학적 데이터를 포함하는 데이터의 분석 방법을 제공한다. 본 발명은 x 또는 s의 값의 부호가 0 또는 양수만, 혹은 0 또는 음수만인 것으로 알려진 모든 경우에 유용하다.

본 발명에 따르면, 이 방법은, 피질 전류를 계산하는 기존 방법, 혹은 관심 이벤트를 생성하는 데 관여할 가능성이 있는 피질 위치를 나타내는 메트릭을 제공하는 값들의 분포를 계산하고 추가로 피질 소스별로 전류 흐름의 방향을 계산하거나 추출 또는 추정하도록 허용하는 기존 방법을 보강하는 데 사용될 수 있다. 다음에서는, 두 가지 선택 사항에 대해 설명한다.

피질 전류를 계산하는 기존 방법을 보강하는 데 사용될 때, 이 방법이 본 발명의 목적을 위해 계산된 피질 전류의 강도를 간접적으로 변조하는 가중 행렬 또는 다른 메커니즘을 통합하도록 허용하는 경우, 이 메커니즘은, 내부를 가리키는 방향 없이 계산된 피질 소스가 덜 활성화되는 원하는 효과에 대한 이전에 계산된 전류 흐름 방향에 따라 피질 소스에 가중치를 할당하는 데 사용된다. 이러한 가중치가 특정 알고리즘의 정의마다 가중 역 계산의 여러 반복에 기초하여 반복적으로 결정되도록 이 방법이 구현되는 경우, 본 발명의 목적을 위해 수행되는 추가 가중치는, 예를 들어, 각 반복 후에 또는 기존 방법의 마지막 반복 후의 최종 단계에서 기존 알고리즘에 통합될 수 있다. 이 방법이 반복 가중치 방식으로 구현되지 않는 경우에는, 기존 방법이 실행된 후, 동일하거나 유사한 방법이 반복되지만, 이제 1차 실행에서 얻은 피질 전류에 기초하여 본 발명의 목적을 위해 수행된 가중치를 통합한다.

"소스 가중"이라고 알려진 변환 기술은 하기 등식(equality)을 이용한다.

여기서 C_p는 x의 소스 공분산 행렬이다. C_p는 소스 분포에 대한 외부 사전 지식을 인코딩한다. 이러한 정보를 이용할 수 없으면, C_p = 1이다. 대각 가중 행렬(W)은 소스 가중 방법 자체에 의해 결정된다. A, b, C_p가 주어졌을 때, W에 따라 상이한 x 값을 얻는다. W를 결정하기 위해서는, 기존 방법에 의해 계산된 x의 값이 사용되어, W_N = f(x_N)이며, 여기서 가중 함수(f)는, 값이 결코 음수로 되지 않지만, x_N 값이 전류가 내부를 향하여 흐르지 않음을 나타내면 x_N 값이 전류가 내부로 향하고 있음을 나타내는 경우에 비해 더 작아지도록 설계된다. 예를 들어,

f(x) = 1, x<0 이면; 혹은

f(x) = 0

이때 위치(N)에서 내부로 흐르는 전류가 x_N의 음수 값에 의해 식별된다고 가정한다. 이어서, 가중 행렬(W)을 사용하여 피질 소스 전류 벡터(x_opt)를 다시 계산한다. 실제 계산에서는, 통상적으로는 W를 실제로 반전시킬 필요가 없으며, 이로부터 음수 값(W_N)은 문제가 되지 않는다. 기존 선택 방법의 구현에 따라 W를 명시적으로 반전해야 하는 경우에는, 1/0은 큰 양수이어야 한다.

본 발명의 방법은, 전기 신호 데이터를 이전에 유용한 것으로 알려지지 않은 방식으로 표현으로 변환하기 위해 전술한 기술을 컴퓨터 소프트웨어로 편리하게 구현한다.

가중 행렬의 사용은 당업계에 공지되어 있다. 그러나, 소스 분포에서 원하는 양의 초점을 달성하거나 x의 L2-노름 이외의 노름을 효과적으로 최소화하기 위해 가중 행렬이 당업계에서 사용된다. 본 발명에 따르면, 가중 행렬은 내부로 흐르지 않는 전류를 억제하는 데 사용되어, 그 결과로 발견된 놀라운 유용성을 제공한다. 전기생리학적 신호 측정, 예를 들어, EEG 또는 MEG 측정 또는 다른 적합한 측정과 함께 사용되는 본 발명의 방법은 이전에 제시되지 않았다.

본 발명은, 전기생리학적 신호 데이터를 획득하기 위한 전극, 상기 데이터를 저장하는 수단, 상기 데이터를 변환하는 수단, 변환 시 계산을 수행하기 위한 마이크로프로세서, 방법의 알고리즘을 구현하는 컴퓨터 소프트웨어, 변환된 데이터를 저장하는 수단 및 변환된 데이터를 표시하는 수단을 갖는 장치를 포함한다. 일 실시예에서, 본 발명은, EEG 측정을 위한 EEG 장치와 전극, EEG 데이터를 전자적으로 저장하는 수단, 컴퓨터 소프트웨어를 저장하고 본 발명을 구현하는 컴퓨터 소프트웨어를 실행하는 수단, 변환된 데이터를 전자적으로 저장하는 수단 및 변환된 데이터를 표시하기 위한 스크린을 포함한다. 스크린은 화상을 표시할 수 있는 임의의 적합한 스크린일 수 있다. 스크린은 아날로그 또는 디지털 모니터의 스크린을 포함할 수 있다. 본 발명의 범위는 목적을 달성할 많은 실시예를 포함한다는 것을 이해할 것이다.

방법의 실시예는 도 1에 도시된 순서도의 박스로 예시된 데이터 수집 및 변환 단계의 조합을 포함한다. 초기에, 예를 들어, EEG 및 MEG의 경우에, 센서 전극들은 피험자의 머리 근처에 배열되고(1), 컴퓨터는 출력을 수집하여 컴퓨터 데이터 파일로 변환하도록 설정된다(2). 본 발명의 범위는 본원에 기술된 바와 같은 방법에 사용하기에 적합한 임의의 유형의 생리학적 신호를 포함함을 이해할 것이다. 전기생리학적 신호를 나타내는 변환된 데이터는 추가 처리를 위해 수집 및/또는 저장된다(3). 데이터를 처리할 때, 데이터를 전처리할지 여부를 결정한다(4). 데이터는 전처리되거나(5) 또는 전처리 없이 관심 시점(들)이 표시될 수 있다(6). 데이터를 추가로 처리할 때, 하나 이상의 관심 시점이 표시되었는지 여부가 결정된다(7). 데이터는 평균화될 수 있거나(8), 피질 위치 및 대응 신경 배향이 계산되거나 획득될 수 있으며, 노이즈 공분산, 리드 필드 및 이전 소스 공분산이 평균화 없이 계산될 수 있다(9). 기존의 선택 방법은 피질 전류를 계산하고 위치 가중을 허용하는 방법이다(10). 후속하여, 기존 방법에 따라 위치 가중치 및/또는 피질 전류를 계산한다(12). 어떤 전류가 내부로 흐르지 않는지를 결정한다(13). 가중치(W)는 이에 따라 정의되거나 수정된다(14). 가중치(W)를 고려하여 피질 전류가 계산된다(15). 추가 반복이 필요한지 여부를 결정한다(16). 결과 데이터는, 추후 사용을 위해 컴퓨터 파일로 출력되거나 시각적으로 표시될 데이터를 표현하기 위한 적절한 데이터 이미징 기술에 의한 추가 변환을 위해 랜덤 액세스 메모리(RAM)에 저장된다(21).

보다 구체적으로, 반복 또는 다른 임의의 가중된 선형 역 솔버(solver)와 함께 최소 노름 최소 자승(MNLS) 또는 초점 미달 시스템 솔루션(FOCUSS) 또는 sLORETA-가중된 정확 최소-노름(SWARM)을 기존의 선택 방법으로서 사용하는 방법은 하기 단계들에서 피질 소스 전류 벡터(x_opt)를 결정한다:

a) 전기 신호 데이터를 컴퓨터 파일로 수집한다. 선택적으로, 필터링과 같은 전처리를 적용한다.

b) 관심 시점을 마킹한다. 선택적으로, 평균화를 적용한다.

c) 피질 위치, 대응 신경 배향, 노이즈 공분산(C_n), 리드 필드(A) 및 이전 소스 공분산(C_p)을 결정한다.

d) 성공적으로 반복되거나 단계 e)로 계속할 때까지 기존의 선택 방법을 실행함으로써 측정된 데이터(b), 노이즈 공분산(C_n), 리드 필드(A) 및 이전 소스 공분산(C_p)에 기초하여 전류 밀도 벡터(x_opt) 및 최종 가중 행렬(W_final)을 연산한다. MNLS의 경우, 반복 횟수는 1이고, W_final = 1이다.

e) 해당 엔트리(위치당 하나)가 x_opt에서 대응하는 값의 함수에 의해 결정되도록 대각선 가중 행렬(W)을 연산하여, 내부를 가리키지 않는 전류 흐름의 위치가, 내부를 가리키는 전류 흐름의 위치보다, 더 작은 가중치를 아래와 같이 얻는다.

f) 관련 가중된 선형 역 문제를 해결하여 측정된 데이터(b), 노이즈 공분산(C_n), 리드 필드(A), 대각 가중 행렬(W 및 W_final) 및 가중 소스 공분산()에 기초하여 업데이트된 전류 밀도 벡터(x_opt)를 재연산한다.

g) 선택 방법이 반복 방법이고 단계 d)에서 반복하지 않기로 선택된 경우, 성공적으로 반복되지 않는 한 단계 d)를 계속한다.

일부 W_N,N이 0으로 설정된 가중 행렬(W)을 사용하는 것에 대한 대안으로, 이 방법은, 많은 경우에, 해당 소스 위치를 제거하여 x 및 x_opt의 차원을 줄이고 리드 필드(A) 및 이전 소스 공분산(C_p)을 재계산하거나 단순히 해당 행과 열을 삭제함으로써 구현될 수도 있다.

이 메커니즘은, 본 발명의 목적을 위해 관심 이벤트를 생성하는 데 관여할 가능성이 있는 피질 위치를 나타내는 메트릭(s)을 제공하는 값의 분포를 계산하고 추가로 피질 소스별로 전류 흐름의 방향을 계산하거나 추출 또는 추정하도록 허용하는 방법에 의해 보완되는 기존 방법을 보강하는 데 사용될 때, 전류 흐름의 내부를 가리키는 방향이 없는 위치가 관심 이벤트를 생성하는 데 관여할 가능성이 덜함을 나타내도록 값들의 분포를 수정하는 데 사용된다.

본 발명에 따르면, 결과 메트릭(s_opt)은, 기존 방법의 결과(s) 및 주어진 위치(N)에서 전류 흐름의 방향이 내부를 가리키는지 여부에 대한 정보에 기초하여 계산되어, s_opt에서, s에 비해, 내부로 흐르는 전류가 없는 위치는 관심 이벤트를 생성하는 데 관여할 가능성이 더 낮은 것을 나타내는 값을 얻는다. 예를 들어,

위치(N)에서의 전류가 내부로 흐르는 경우; 아니라면

본 발명에 따르면, 결과 메트릭(s)의 수정과 함께 피질 전류 흐름의 방향에 대한 정보는 결과에서 발견된 놀라운 유용성을 제공한다. 전기생리학적 신호 측정, 예를 들어, EEG 또는 MEG 측정 또는 다른 적합한 측정과 함께 사용되는 본 발명의 방법은 이전에 제시되지 않았다.

본 발명은, 전기생리학적 신호 데이터를 획득하기 위한 전극, 상기 데이터를 저장하는 수단, 상기 데이터를 변환하는 수단, 변환 시 계산을 수행하기 위한 마이크로프로세서, 방법의 알고리즘을 구현하는 컴퓨터 소프트웨어, 변환된 데이터를 저장하는 수단 및 변환된 데이터를 표시하는 수단을 갖는 장치를 포함한다. 일 실시예에서, 본 발명은, EEG 측정을 위한 EEG 장치와 전극, EEG 데이터를 전자적으로 저장하는 수단, 컴퓨터 소프트웨어를 저장하고 본 발명을 구현하는 컴퓨터 소프트웨어를 실행하는 수단, 변환된 데이터를 전자적으로 저장하는 수단 및 변환된 데이터를 표시하기 위한 스크린을 포함한다. 스크린은 화상을 표시할 수 있는 임의의 적합한 스크린일 수 있다. 이는 아날로그 또는 디지털 모니터의 스크린을 포함할 수 있다. 본 발명의 범위는 목적을 달성할 많은 실시예를 포함한다는 것을 이해할 것이다.

방법의 실시예는 도 1에 도시된 순서도의 박스로 예시된 데이터 수집 및 변환 단계의 조합을 포함한다. 초기에, 예를 들어, EEG 및 MEG의 경우에, 센서 전극들은 피험자의 머리 근처에 배열되고(1), 컴퓨터는 출력을 수집하여 컴퓨터 데이터 파일로 변환하도록 설정된다(2). 본 발명의 범위는 본원에 기술된 바와 같은 방법에 사용하기에 적합한 임의의 유형의 생리학적 신호를 포함함을 이해할 것이다. 전기생리학적 신호를 나타내는 변환된 데이터는 추가 처리를 위해 수집 및/또는 저장된다(3). 데이터를 처리할 때, 데이터를 전처리할지 여부를 결정한다(4). 데이터는 전처리되거나(5) 또는 전처리 없이 관심 시점(들)이 표시될 수 있다(6). 데이터를 추가로 처리할 때, 하나 이상의 관심 시점이 표시되었는지 여부가 결정된다(7). 데이터는 평균화될 수 있거나(8), 피질 위치 및 대응 신경 배향이 계산되거나 획득될 수 있으며, 노이즈 공분산, 리드 필드 및 이전 소스 공분산이 평균화 없이 계산될 수 있다(9). 기존의 선택 방법은 가능한 피질 전류 흐름의 위치를 계산하고 그 방향을 계산, 추출 또는 추정하게 허용하는 방법이다(10). 후속하여, 피질 위치에 대한 활동 표시 값의 분포를 기존 방법에 따라 계산한다(17). 피질 전류 흐름의 방향을 계산한다(18). 어떤 전류가 내부로 흐르는지를 결정한다(19). 활동 표시 값의 분포를 전류 흐름의 방향에 따라 수정한다(20). 결과 데이터는, 추후 사용을 위해 컴퓨터 파일로 출력되거나 시각적으로 표시될 데이터를 표현하기 위한 적절한 데이터 이미징 기술에 의한 추가 변환을 위해 랜덤 액세스 메모리(RAM)에 저장된다(21).

보다 구체적으로, 기존 선택 방법으로서 sLORETA를 사용하는 방법은, 다음 단계들에서 관심 이벤트 생성에 관여할 가능성이 있는 피질 위치를 나타내는 메트릭(s_opt)을 결정한다.

b) 관심 시점을 마킹한다. 선택적으로, 평균화를 적용한다.

d) 관련된 비가중 선형 역 문제를 해결하여 측정된 데이터(b), 노이즈 공분산(C_n), 리드 필드(A) 및 이전 소스 공분산(C_p)에 기초하여 전류 밀도 벡터(x_opt)를 연산한다.

e) 전류 밀도 벡터(x_opt)에 기반으로 sLORETA 결과(s)를 연산한다.

f) x_opt에 저장된 전류 흐름의 방향이 내부를 가리키지 않는 위치를 결정한다.

g) 관심 이벤트 생성에 관여할 가능성이 더 낮은 값을 전류 흐름의 방향이 내부를 가리키는 위치에 할당함으로써 sLORETA 결과에 기초하여 메트릭(s_opt)을 연산한다.

기존의 선택 방법으로서 반복 없이 SWARM을 사용하는 방법은 피질 전류를 계산하기 전에 메트릭(s)과는 대조적으로 메트릭(s_opt)을 사용한다. 대안으로서 그리고 관심 이벤트 생성에 관여할 가능성이 0임을 나타내는 값을 할당하여 sLORETA 결과(s)에 기초하여 메트릭(s_opt)을 연산할 때에만, 반복 없이 SWARM을 사용하는 방법이 해당 소스 위치를 제거하여 s_opt의 차원을 줄임으로써 구현될 수도 있다.

본 발명의 방법은 방법을 컴퓨터 알고리즘으로 구현함으로써 가장 편리하게 실행된다. 특히, 의미있는 결과를 제공하기 위해 본 발명의 방법에 의해 변환되어야 하는 EEG 또는 MEG의 측정에서 획득되는 많은 양의 신호 데이터가 있다.

예

탈분극과 이어서 재분극 단계를 모델링하는 소스 강도 시간-경과가 있는 점 소스를 포함하는 시뮬레이션된 EEG 데이터가 도 2에 도시되어 있다. 왼쪽에 있는 도 2의 (a)에는, EEG의 머리에 위치한 25개 센서의 출력(2)이 도시되고, 분석에 사용되는 시점을 나타내는 수직 시간 커서(3)에 의해 표시된 시점에서 눈금(4) 및 각 채널의 ㎶ 단위의 진폭(5)이 함께 도시되며, 이는 탈분극 단계의 피크이다. 또한, 각 센서(채널)는 왼쪽(1)의 순서에 따라 라벨이 지정된다. 오른쪽에 있는 도 2의 (b)에는, 센서(2)(해당 라벨에 의해 식별됨)의 컴퓨터-생성 렌더링 및 선택한 시점에 대한 전압(3)의 등전위선이 사용된 눈금(1)과 함께 도시되어 있다. 노이즈 공분산 행렬(C_n)은 이 예에서 대각선이고, 모든 0이 아닌 항목은 신호 대 잡음비 10에 해당하는 (0.5 ㎶)²이다. 소스 사전 공분산 행렬(C_p)은 1이다.

도 3 내지 도 6은 EEG 신호 데이터에 적용된 분석 결과를 도시한다. 이러한 모든 도에 있어서, a 내지 c 부분에서, 3D 솔루션 공간을 통한 3개의 직교 컷은 분석 결과(2)를 도시한다. 분석 결과는 분석 결과의 위치, 배향 및 강도를 나타내는 화살표로서 표시된다. 각 화살표가 나타내는 위치는 꼬리와 끝 사이의 중간 지점인 화살표의 중심이다. 각 화살표가 나타내는 강도는 화살표의 색상과 또한 크기에 의해 표시된다. 티치(teach) 화살표의 끝은 피질 전류 흐름의 방향을 나타낸다. 또한, 오른쪽("R")(1) 및 왼쪽("L")을 나타내는 라벨, 해부학적 배경(5) 및 소스 위치가 분포되어 있는 피질 시트(4)의 중간층을 나타내는 표면이 도시되어 있다. 직교 컷에서, 검은색 십자형(3)은 시뮬레이션된 점 소스의 위치를 도시한다. d 부분에서는, c 부분에 따라 십자선 주변 영역의 확대 보기를 볼 수 있다. e 부분에서는, 분석 결과를 표시하는 데 사용되는 색상을 나타내는 눈금을 볼 수 있다.

도 3은 기존 방법인 SWARM을 반복하여 사용한 결과를 도시한다. 눈금에 표시된 단위는 전류 쌍극자 모멘트인 pAmm이다.

도 4는 제안된 방법의 결과를 도시하며, 여기서 기존 방법은 SWARM 방법을 반복적으로 사용한다. 눈금에 표시된 단위는 전류 쌍극자 모멘트인 pAmm이다.

도 5는 기존 방법인 sLORETA의 결과를 도시한다. 눈금에 표시된 단위는 단위가 없는 F-분포 통계 점수를 나타낸다.

도 6은 기존 방법이 sLORETA 방법인 제안된 방법의 결과를 도시한다. 눈금에 표시된 단위는 단위가 없는 F-분포 통계 점수를 나타낸다.

참고 문헌

Dale A.M., Sereno M.l. Improved Localization of Cortical Activity by Combining EEG and MEG with MRI Cortical Surface Reconstruction: A Linear Approach. Journal of Cognitive Neuroscience 5, 162-176, 1993.

Fuchs M., Wagner M., Kohler T., Wischmann H.A. Linear and Nonlinear Current Density Reconstructions. J Clin Neurophysiol 16, 267-295, 1999.

Gorodnitsky I.F., George J.S., Rao B.D. Neuromagnetic source imaging with FOCUSS: a recursive weighted minimum norm algorithm. Electroencephalogry and Clinical Neurophysiology 4, 231-51, 1995.

Hamalainen M., Ilmoniemi R. Interpreting magnetic fields of the brain: minimum norm estimates. Report TKK-F-A559, Helsinki University of Technology, Espoo, 1984.

Kohler T. Losungen des bioelektromagnetischen inversen Problems. PhD-Thesis, University of Hamburg, Hamburg, 1998.

Pascual-Marqui R.D. Review of methods for solving the EEG inverse problem. International Journal of Bioelectromagnetism 1, 75-86, 1999.

Pascual-Marqui R.D. Standardized low resolution brain electromagnetic tomography (sLORETA): technical details. Methods & Findings in Experimental & Clinical Pharmacology 24D, 5-12, 2002.

Pascual-Marqui R.D., Michel C.M., Lehmann D. Low resolution electromagnetic tomography: a new method for localizing electrical activity in the brain. International Journal of Psychophysiology 18, 49-65, 1994.

Sekihara K., Sahani M., Nagarajan S.S. Localization bias and spatial resolution of adaptive and non-adaptive spatial filters for MEG source reconstruction. Neuroimage 25, 1056-1067, 2005

Tao JX, Ray A, Hawes-Ebersole S, Ebersole JS. Intracranial EEG substrates of scalp EEG interical spikes. Epilepsia 2005;46:669-676.

Tarantola A. Inverse Problem Theory (2nd edition). Elsevier, Amsterdam, 1994.

Wagner M. Rekonstruktion Neuronaler Strome. Shaker Verlag, Aachen, 1998.

Wagner M, Fuchs M, Kastner J. Current Density Reconstructions and Deviation Scans Using Extended Sources. In: Biomag 2002. Eds.: H. Nowak, J. Haueisen, F. GieBler, R. Huonker, VDE Verlag, Berlin, Offenbach 2002, 804-806.

Wagner M., Fuchs M., Kastner J. Evaluation of sLORETA in the presence of noise and multiple sources. Brain Topogr. 16, 277-80, 2004.

Wagner M, Fuchs M, Kastner J. (2007) SWARM: sLORETA-weighted accurate minimum-norm inverse solutions. (Eds) Cheyne D, Ross B, Stroink G, Weinberg H. New Frontiers in Biomagnetism. Amsterdam, Elsevier pp.185-188.

Claims

마이크로프로세서를 사용하여 센서로부터의 전기 신호 데이터를 변환하는 방법으로서,
a) 전기 신호 데이터를 수집하여 컴퓨터 파일에 저장하는 단계;
b) 기존의 선택 방법에 따라 피질 전류 벡터를 연산하는 단계;
c) 어떤 전류가 내부로 흐르지 않는지를 결정하는 단계;
d) 전류가 내부로 흐르지 않는 위치를 나타내는 항목이 다른 항목에 비해 적은 대각선 가중 행렬을 연산하는 단계;
e) 이전 단계에서 결정된 상기 대각선 가중 행렬을 통합하되 상기 기존의 선택 방법에 따라 상기 피질 전류 벡터를 연산하는 단계; 및
f) 결과 데이터를 적어도 하나의 컴퓨터 파일에 저장하는 단계를 포함하는, 방법.
마이크로프로세서를 이용하여 센서로부터의 전기 신호 데이터를 변환하는 방법으로서,
a) 전기 신호 데이터를 수집하여 컴퓨터 파일에 저장하는 단계;
b) 기존의 선택 방법에 따라 피질 위치에 대한 활동 지시 값의 분포를 계산하는 단계;
c) 피질 전류 흐름의 방향을 계산, 추출 또는 추정하는 단계;
d) 어떤 전류가 내부로 흐르지 않는지를 결정하는 단계;
e) 상기 활동 지시 값의 분포를 수정하여, 전류가 내부로 흐르지 않는 위치를 나타내는 값이 상기 수정 전보다 작은 활동을 나타내는 단계; 및
f) 결과 데이터를 적어도 하나의 컴퓨터 파일에 저장하는 단계를 포함하는, 방법.
제1항 또는 제2항에 있어서,
데이터를 시각적으로 표현하기에 적합한 데이터의 형태로 변환하기 위해 데이터 이미징 기술을 저장된 결과에 적용하는 단계를 더 포함하는, 방법.
제3항에 있어서,
변환된 데이터를 육안 검사를 위해 표시하는 단계를 더 포함하는, 방법.
전기 신호 데이터를 수집, 변환 및 표시하는 장치로서,
전기 신호를 수집하는 센서;
전기 신호 데이터를 저장하는 수단; 및
저장된 저기 신호 데이터를 변환하도록, 기존의 선택 방법을 구현하는 컴퓨터 프로그램, 피질 전류 흐름의 방향을 결정하는 알고리즘 및 대각선 가중 행렬 알고리즘 또는 활동 지시 값의 분포를 수정하기 위한 알고리즘을 갖는 적어도 하나의 마이크로로프로세서를 포함하는, 장치.
제5항에 있어서,
변환된 데이터를 저장하는 수단을 더 포함하는, 장치.
제5항 또는 제6항에 있어서,
상기 변환된 데이터를 표시하는 수단을 더 포함하는, 장치.