WO2020085553A1 - 뉴로 피드백을 이용한 수면 유도 장치 및 방법 - Google Patents

뉴로 피드백을 이용한 수면 유도 장치 및 방법 Download PDF

Info

Publication number
WO2020085553A1
WO2020085553A1 PCT/KR2018/012913 KR2018012913W WO2020085553A1 WO 2020085553 A1 WO2020085553 A1 WO 2020085553A1 KR 2018012913 W KR2018012913 W KR 2018012913W WO 2020085553 A1 WO2020085553 A1 WO 2020085553A1
Authority
WO
WIPO (PCT)
Prior art keywords
sleep
subject
inducing
stimulus
prediction model
Prior art date
Application number
PCT/KR2018/012913
Other languages
English (en)
French (fr)
Inventor
이헌정
조철현
이정빈
이병욱
인호
이택
Original Assignee
고려대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 고려대학교 산학협력단 filed Critical 고려대학교 산학협력단
Publication of WO2020085553A1 publication Critical patent/WO2020085553A1/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A61B5/372—Analysis of electroencephalograms
    • 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]
    • A61B5/375—Electroencephalography [EEG] using biofeedback
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4806—Sleep evaluation
    • A61B5/4809—Sleep detection, i.e. determining whether a subject is asleep or not
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M21/00—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis
    • A61M21/02—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis for inducing sleep or relaxation, e.g. by direct nerve stimulation, hypnosis, analgesia
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N99/00—Subject matter not provided for in other groups of this subclass
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M21/00—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis
    • A61M2021/0005—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis by the use of a particular sense, or stimulus
    • A61M2021/0022—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis by the use of a particular sense, or stimulus by the tactile sense, e.g. vibrations
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M21/00—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis
    • A61M2021/0005—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis by the use of a particular sense, or stimulus
    • A61M2021/0027—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis by the use of a particular sense, or stimulus by the hearing sense
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M21/00—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis
    • A61M2021/0005—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis by the use of a particular sense, or stimulus
    • A61M2021/0044—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis by the use of a particular sense, or stimulus by the sight sense
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M2205/00—General characteristics of the apparatus
    • A61M2205/50—General characteristics of the apparatus with microprocessors or computers

Definitions

  • the present invention relates to a sleep inducing technique for improving sleep, in particular, by using the neuro-feedback technology to measure the user's brain waves to predict the sleep state, in accordance with the characteristics of the individual device that helps to enter the sleep, It relates to a method and a recording medium recording the method.
  • Insomnia complains of difficulty in starting or maintaining sleep, or sleep that is not rejuvenated. 27% of the modern adult population are known to experience temporary insomnia and 9% have chronic insomnia.
  • insomnia causes various, but psychological and behavioral responses to irregular life due to increased stress are considered to be one of the main causes.
  • the problems brought by insomnia cause various accidents and abnormal psychiatric problems such as depression, anxiety, and bipolar disorder, and cardiovascular and immune system abnormalities. It is very difficult to calculate the direct and indirect social burdens caused by insomnia arithmetically, but it is very difficult to calculate the labor force due to insomnia, increased medical use, decreased cognitive function, and resulting traffic accidents, industrial accidents and other accidents, and other physical diseases and depression. Considering the increase in mental illness, the social burden is predicted to be astronomical. However, the current treatment of insomnia has several problems.
  • the most commonly used sleeping pill prescription is the ease of sleeping, but it has side effects. In other words, resistance and dependence occur, and the prescription dose gradually increases and the drug is difficult to stop. In addition, the symptoms of sleep apnea that are often accompanied by increased cardiovascular side effects, problems such as decreased memory during the day, increased risk of falls, and abnormal behaviors such as binge eating, violent behavior, and suicide while intoxicated Can occur.
  • CBT non-pharmacological cognitive behavior therapy
  • the core of the CBT treatment process is the process of creating a relaxation state that can relieve anxiety, tension, and sleep when insomnia occurs. If a method for effectively accomplishing this is developed, it will provide a breakthrough in the treatment of insomnia.
  • Non-patent document 1 Carrier, Julie, et al. "The effects of age and gender on sleep EEG power spectral density in the middle years of life (ages 20-60 years old).” Psychophysiology 38.2 (2001): 232-242.
  • the technical problem to be solved by the present invention is to prevent the side effects of sleeping pills prescription for the treatment of insomnia patients in the related art, and in applying the non-pharmacological cognitive behavioral therapy, sleep induction technology using the existing neurofeedback according to the age of each individual brain Because the characteristics of the signal are not taken into consideration, the problem of inaccurate discrimination is resolved according to the subject, and a sudden stimulus is applied to the subject when proceeding from the awake state to the sleep state, thereby preventing side effects that hinder sleep induction. .
  • a sleep inducing method includes: (a) a sleep inducing device pre-building and storing a sleep prediction model for a plurality of users; (b) the sleep inducing device receiving at least one of the EEG or user characteristic information of the subject measured using the EEG measurement means and selecting a sleep prediction model corresponding to the subject; (c) the sleep induction device generating a sleep induction stimulus for inducing the subject's sleep; (d) determining, by the sleep-inducing device, a sleep-wake state according to the sleep prediction model by measuring the brain waves of the subject responding to the sleep-inducing stimulus using the brain-wave measuring means; And (e) when the sleep-wake state corresponds to a sleepiness pattern as a result of the discrimination, the sleep-inducing device generates a feedback signal to reduce the stimulus that causes arousal, thereby controlling the sleep-inducing stimulus so that the subject And inducing a reduction in stimulation to be
  • the step of constructing and storing the sleep prediction model in advance includes: (a1) measuring brain waves for a plurality of users, but classifying the measured brain waves into age groups of users; (a2) extracting the properties of the EEG from the classified EEG by using the power spectrum of the frequency band; And (a3) deriving a sleep prediction model representing a sleep-wake state according to the attribute value for each user's age group using a machine learning algorithm for the extracted brain wave attributes.
  • the step of classifying the (a1) measured brainwaves by the age group of the user may include a polysomnography device for measuring the state of sleep and a device for measuring the brainwaves of the user at the same time Measure brain signals by utilizing, but can synchronize the measured sleep state.
  • the step of extracting the properties of the (a2) brainwaves may include the average and standard deviation of the power spectrum values of the frequency bands from the brainwaves by the age group, alpha / beta
  • the properties of the EEG can be extracted by calculating the ratio of each average value according to the combination of (beta) / delta / theta.
  • the step of deriving the sleep prediction model (a3) is performed by a user using a machine learning algorithm including at least one of a logistic regression or a random forest algorithm.
  • the sleep prediction model representing the sleep-wake state according to the attribute value for each age group may be derived in the form of a regression equation or a decision tree.
  • the step of classifying the (a1) measured brainwaves by the age group of the user, (a4) using a logistic regression algorithm has the largest odds ratio of the sleep prediction model
  • the method may further include selecting an attribute as an attribute having a relatively high effect on sleep-wake state prediction.
  • the step (b) of selecting a sleep prediction model corresponding to the subject may include (b1) inputting user-specific information including the age of the subject, or a pretest process Receiving the EEG of the subject measured through; And (b2) selecting a sleep prediction model corresponding to the subject from a pre-built sleep prediction model for a plurality of users.
  • the (d) determining the sleep-wake state according to the sleep prediction model may include (d1) measuring the EEG of the subject in response to the sleep-inducing stimulus to determine the frequency of each frequency band. Calculating an average for the power spectrum values; And (d2) determining a sleep-wake state of a subject from the sleep prediction model according to a ratio of an average power spectrum value of the alpha wave band and an average power spectrum value of the theta wave band.
  • the step of controlling the sleep-inducing stimulus by generating a feedback signal to reduce the stimulus causing arousal (e1), (e1) the sleep-wake state is an elevation pattern from the awakening pattern Detecting a point in time when entering; And (e2) generating a feedback signal that reduces the stimulus causing arousal from the sensed time point and controlling the sleep-induced stimulus by performing gradual signal control until it approaches the sleep pattern.
  • (e3) through the ratio of the average power spectrum of the alpha-band power spectrum and the average power spectrum of the theta-wave band, checking the progress of the sleepiness state may further include.
  • a sleep induction method includes: (f) when the sleep-wake state of the subject reaches a sleep pattern, the sleep induction device stops feedback; And (g) the sleep inducing device updating the sleep induction feedback method by measuring a time required for the subject to sleep.
  • a recording medium readable by a computer recording a program for executing the sleep-inducing method described above on a computer is provided.
  • an apparatus for inducing sleep includes: a model storage unit for pre-constructing and storing a sleep prediction model for a plurality of users; An input unit that receives the brainwaves of the subject measured using the EEG measurement means, the sleep state of the subject, and user characteristic information; And receiving at least one of the subject's EEG or user characteristic information through the input unit, selecting a sleep prediction model corresponding to the subject from the model storage unit, generating a sleep-inducing stimulus for inducing the subject's sleep, The sleep-awakening state according to the sleep prediction model is determined by measuring the brainwave of the subject responding to the sleep-inducing stimulus using the EEG measuring means, and awakening when the sleep-wakening state corresponds to a sleepy pattern It includes; a processing unit for generating a feedback signal to reduce the stimulation causing the control to induce the subject to recognize the reduction of the stimulation by adjusting the sleep-induced stimulation.
  • the model storage unit measures the EEG for a plurality of users, classifies the measured EEG according to the user's age group, and power spectrum of the frequency band from the classified EEG according to the age band ) To extract the properties of the EEG, and extract the properties of the extracted EEG by using a machine learning algorithm to derive and store the sleep prediction model representing the sleep-wake state according to the property value for each age group of the user. have.
  • the model storage unit the average and standard deviation of the power spectrum (power spectrum) value of the frequency band from the brainwaves by age group, alpha (alpha) / beta (delta) / delta (theta) EEG combination Attributes of brain waves are extracted by calculating the ratio of each average value according to, but the attribute having the highest odds ratio of the sleep prediction model using a logistic regression algorithm has a relatively high effect on sleep-wake state prediction It can be selected as an attribute.
  • the processing unit receives user-specific information including the age of the subject through the input unit, or receives the brainwaves of the subject measured through a pretest process, and multiple It is possible to select a sleep prediction model corresponding to the subject from a sleep prediction model previously constructed for a user of.
  • the processing unit measures the brain waves of the subject responding to the sleep-inducing stimulus to calculate an average of power spectrum values of each frequency band, and an average power spectrum value of the alpha wave band
  • the sleep-wake state of the subject can be determined from the sleep prediction model according to the ratio of the average power spectrum of the theta-wave band.
  • the processing unit detects a point in time when the sleep-wake state enters the elevation pattern from the awakening pattern, and generates a feedback signal to reduce the stimulus causing awakening from the detected time point
  • the sleep-inducing stimulus is adjusted by performing gradual signal control until it approaches the sleep pattern, but the progress of the sleepiness state can be examined through a ratio of the average power spectrum of the alpha-wave band and the average power spectrum of the theta-wave band.
  • the processor stops feedback when the sleep-wake state of the subject reaches a sleep pattern, and updates the sleep guidance feedback method by measuring the time it takes for the subject to sleep can do.
  • the sleep-inducing stimulus includes any one of sound, light, or vibration
  • the feedback signal is obtained by changing any one of the intensity, frequency, period, stimulus type, or shape of the stimulus It can induce the subject to notice a decrease in stimulation.
  • a sleep-wake state discrimination model for each age group is provided to a plurality of users suffering from insomnia to select a predictive model that matches the characteristics of an individual's age or brain signal, thereby It is possible to more accurately determine the sleep-wake state, and provides sleep-inducing feedback to sleepy subjects to continuously evaluate sleep progress, but by inducing the subject to recognize the reduction of the stimulus that causes wakefulness, it is fast and effective insomnia. It is possible to improve, and by measuring the time required to reach the input of the subject, the sleep guidance feedback is updated to optimize the personalized sleep guidance for the individual subject.
  • FIG. 1 is a view illustrating a state of brain waves according to stimulation in the field of sleep induction technology in which embodiments of the present invention are implemented.
  • FIG. 2 is a flowchart illustrating a sleep induction method using neuro feedback according to an embodiment of the present invention.
  • FIG. 3 is a flowchart more specifically illustrating a process of pre-establishing a sleep prediction model in the sleep derivation method of FIG. 2 according to an embodiment of the present invention.
  • FIG. 4 is a diagram illustrating property values of brain waves to be used as learning data adopted by embodiments of the present invention and the sleep-wake state accordingly.
  • FIG. 5 exemplifies the performance comparison result of a model trained by including the performance of the model (f-measure) and the standard deviation of the average value and the ratio of the model trained with the power spectrum average value of delta / theta / alpha / beta for subjects in their 30s. It is one drawing.
  • FIG. 6 is a diagram illustrating a result showing how each property of an EEG can be determined with a relatively high probability of sleep-wake state through a logistic regression algorithm.
  • FIG. 7 is a diagram illustrating a part of a decision model built by a random forest algorithm.
  • FIG. 8 is a diagram illustrating a result of predicting a sleep state by a logistic regression and a random forest algorithm.
  • FIG. 9 is a flowchart illustrating a process of updating a sleep guidance feedback method in the sleep guidance method of FIG. 2 according to an embodiment of the present invention.
  • 10 is a diagram illustrating changes in alpha and theta powers in the process from awakening to sleeping.
  • FIG. 11 is a diagram illustrating a change in brain waves in the wakeful state.
  • FIG. 12 is a view for explaining a change in the alpha wave in FIG. 11.
  • 13 is a view for explaining the pie of EEG according to age.
  • FIG. 14 is a block diagram showing a sleep inducing apparatus using neuro feedback according to an embodiment of the present invention.
  • EEG published by German Hans Berger (1873-1941) in 1929, is an important biosignal showing the activity of the human brain.
  • EEG is classified into delta waves (1 ⁇ 4Hz), theta waves (4 ⁇ 8Hz), alpha waves (8 ⁇ 13Hz), beta waves (13 ⁇ 30Hz), and gamma waves (30 ⁇ 120Hz) according to the mental activity state.
  • Delta waves are brain waves generated during deep sleep, theta waves are generated during normal sleep, and are the basic brain waves when dreaming.
  • Alpha waves are brain waves that appear when you are resting. Close your eyes and rest while your consciousness is awake. It comes out strongly when there is.
  • Beta waves are brain waves that occur when the brain is doing some mental work, like learning.
  • Gamma waves are brain waves that appear when cognitive functions occur by combining information scattered in various parts of the brain.
  • EEG is a normal mental action, the vibration is fast or slow. If not, it means that the brain's function is abnormal. That is, since the normal brain and the abnormal brain exhibit distinct features in the EEG, it is possible to determine whether the brain is abnormal by measuring the EEG.
  • Biofeedback is the technology that controls the involuntary muscles or autonomic nervous system with our will.
  • biofeedback technology that controls brain waves is called neurofeedback by combining it with the neuro- prefix, neuro.
  • the brain By measuring the user's brain waves and notifying the user that a specific brain wave has occurred, the brain automatically strengthens the specific brain wave. This is like the conditional reflection discovered by Dr. Pavlov. If you strike a bell while feeding the dog, it will drool even if you hit the bell later. This means that the brain's unconditional reflex circuit, which looks like it's drooling, is connected to the bell, creating a conditional society. If you keep repeating this, the newly created conditional reflection circuit will be strengthened to make it a habit. Then, even if you hit the bell, you will drool.
  • neuro feedback refers to a method of strengthening the circuit of the brain wave by strengthening the activity of a specific frequency band of the brain wave through learning and training, and repeat training by giving a stimulus to recognize it when a desired brain wave comes out In the process of performing it and repeating it, it becomes possible to control the state of the EEG by itself.
  • Dr. Joe Kamiya of the University of Chicago, USA conducted the first experiment to change the state of the mind by adjusting brain waves according to the principle of neurofeedback. This experiment showed that the brainwaves that can be arbitrarily controlled can be controlled at will, which is the first neurofeedback experiment in a true sense.
  • Dr. Rosenfeld reported successful experiments in treating depression through neurofeedback training to balance the left and right brain alpha waves.
  • Dr. Peniston and Dr. Kulkoski reported that it was effective in treating neurotoxicity and post-traumatic stress disorder (PTSD) by providing neurofeedback training.
  • PTSD post-traumatic stress disorder
  • the existing method of treating insomnia using the neurofeedback technique has proposed a method of training to induce relaxation state well through usual training.
  • it is a completely different situation to actually sleep, and rather, attempting to ask for a real sleep in a state where there is not enough relaxation training may cause anxiety and adversely affect the brain's wakefulness.
  • This is because the sleep controlled by the autonomic nerve cannot be controlled by an effort to sleep consciously. Therefore, it is necessary to give feedback from a person who sleeps through neurofeedback about changes in brain waves caused by autonomic nerves.
  • FIG. 1 is a view illustrating the state of the brain wave according to the stimulation in the field of sleep induction technology in which embodiments of the present invention is implemented, the red box represents the brain wave of the awakening state, the other indicates the sleep state.
  • neurofeedback has been used as a method of training a targeted EEG state through audio-visual stimulation, usually in awake state.
  • researchers of the present invention when applying neurofeedback during sleep, do not give a stimulus in the awake state before sleep, but then select a method to repeatedly learn the state by giving appropriate sound stimulation when the body is relaxed and close to sleep Was introduced.
  • this method may activate cognitive function by sound stimulation, making it difficult to fall into sleep.
  • a method in which sound is reduced as it approaches the desired brain wave state in the course of sleep is differentiated from the conventional control method of neurofeedback, maximizing stability in inducing sleep Experimentally proved that it can.
  • FIG. 1 it can be seen from FIG. 1 (a) that awakening a2 occurs again by sound stimulation after reaching the surface a1.
  • FIG. 1 (b) according to the feedback method of reducing the intensity of the stimulus causing the arousal proposed by the embodiments of the present invention, the sound stimulus is almost extinguished after reaching the sleep b1 and does not cause arousal. You can confirm that there is.
  • the embodiments of the present invention proposed below using these technical principles are close to sleep by providing feedback to induce the subject to recognize the reduction of the stimulus causing arousal in the sleep induction mechanism of the conventional neurofeedback. After that, the side effects that were awakened again were blocked.
  • the embodiments of the present invention note that the state of the brain waves appearing in the process of sleep-wakening differs depending on the individual, thereby providing a basic sleep-inducing stimulus to the subject to test the subject's condition in response thereto (pretest )
  • pretest a basic sleep-inducing stimulus to the subject to test the subject's condition in response thereto
  • FIG. 2 is a flowchart illustrating a sleep induction method using neuro feedback according to an embodiment of the present invention.
  • the sleep inducing device pre-builds and stores a sleep prediction model for a plurality of users.
  • a sleep prediction model for a plurality of users.
  • the brain signals of a large number of users are measured in advance to generate a sleep prediction model according to individual characteristics (age). For example, depending on the age, the maximum value of the brain signal amplitude at awakening may be 12 Hz, while some people are slow at 10 Hz.
  • the measured brain signals are classified according to these user characteristics, and after converting the classified brain signals into input variables of a machine learning algorithm through various signal processing algorithms, the user's sleep-wakening A model for determining whether or not is extracted.
  • a more specific process of constructing the sleep prediction model will be described later with reference to FIG. 3.
  • the sleep inducing device receives at least one of the EEG or user characteristic information of the subject measured using the EEG measurement means and selects a sleep prediction model corresponding to the subject.
  • user-specific information including the age of the subject is input, or the brainwave of the subject measured through a pretest process is input. That is, the user's age is inputted into a wearable brain signal measuring device used by the user (or software including the software implementing the same), or the user's EEG characteristics are measured through a pretest process for measuring the EEG.
  • Discriminate Since a user may have a brain signal pattern different from a general brain signal pattern of the corresponding age group, before selecting a sleep prediction model, it is necessary to accurately determine the brain signal pattern of the current subject through brain signal measurement in a pretest process. There is.
  • a sleep prediction model corresponding to the subject may be selected from a sleep prediction model previously built for a plurality of users through step S110. For example, if the user's age is input as 30s, a sleep prediction model in 30s may be selected from the models classified in step S110. Alternatively, when a user measures brain signals through a pretest process, a sleep prediction model for an age group corresponding to the corresponding amplitude value may be selected according to the maximum value of the brain signal amplitude.
  • step S130 the sleep inducing device generates a sleep-inducing stimulus for inducing the sleep of the subject.
  • basic sleep-inducing stimuli eg, sound, vibration, visual stimuli, etc.
  • step S140 the sleep-inducing device measures the brain waves of the subject responding to the sleep-inducing stimulus using the EEG measuring means to determine a sleep-wake state according to the sleep prediction model.
  • the brainwaves of the subject responding to the sleep-inducing stimulus are measured to average the power spectrum values of each frequency band.
  • the sleep-wake state of the subject is determined from the sleep prediction model according to the ratio of the average power spectrum of the alpha-wave band and the average power spectrum of theta-wave band.
  • the average of the power spectrum values of the alpha wave band and the power spectrum of the theta wave band Find the ratio to the mean of the values. From the measured ratio of the alpha wave and theta wave of the user, that is, when the corresponding ratio value increases from 'alpha / theta wave', it can be determined that the awakening state is approached, and when the ratio value decreases, it can be determined that the sleep rate is approached.
  • FFT fast Fourier transform
  • the sleep-inducing device when the sleep-wake state corresponds to a sleepiness pattern, the sleep-inducing device generates a feedback signal to reduce the stimulus causing arousal through step S160, thereby controlling the sleep-inducing stimulus
  • the subject is induced to be aware of a decrease in irritation. To this end, it detects a time point when the sleep-wake state enters the elevation pattern from the wake-up pattern, and generates a feedback signal that reduces the stimulus causing wakefulness from the sensed time point to gradually control the signal until it approaches the sleep pattern. It is desirable to control the sleep-induced stimulation by performing. At this time, the progress of the sleepy state may be checked through a ratio of the average power spectrum value of the alpha wave band and the average power spectrum value of the theta wave band.
  • step S150 when the ratio value of 'alpha / theta wave' in step S150 becomes lower than the existing ratio value, that is, when it is determined that the theta wave increases and the user becomes closer to the drowsiness state, sleep-induced stimulation is gradually reduced. By doing so, it provides the feedback that informs the user that their attempt to rise is successful, so that they fall into sleep naturally. For example, it is possible to give feedback to the user that the attempt of elevation is proceeding well by giving a sound stimulus of 100% in volume through step S130 and then decreasing the volume by 10% each time through step S160.
  • Methods to reduce the stimulus include reducing the volume of the sound, increasing the interval of the sound, how much the volume of the sound is reduced, and how many seconds the interval of the sound is experimentally derived from the clinical field or the operator Can be adjusted. These values can also be automatically adjusted to personal customization by measuring the time to enter the surface in the future.
  • FIG. 3 is a flowchart illustrating in more detail the process of constructing a sleep prediction model (S110) in advance in the sleep derivation method of FIG. 2 according to an embodiment of the present invention.
  • step S111 the sleep inducing device measures brain waves for a plurality of users, but classifies the brain waves measured through step S112 according to a user's age group.
  • This process is a preliminary task to create a sleep prediction model, a polysomnography device that plays a role in determining a user's sleep awakening state, and a wearable brain signal that a user who is experiencing physical insomnia will use to improve sleep. It is preferable to measure and record the sleep brain signal value of the user by simultaneously using the measuring device, but to synchronize the measured sleep state.
  • the polysomnography device more accurately measures sleep-related body signals to determine the state of sleep (awakening, drowsiness, sleep, etc.) by viewpoint, and the wearable brain signal measurement device records brain signals obtained from sensor electrodes attached to the forehead. do.
  • the reason for using these two devices at the same time in making the sleep prediction model is to increase the discrimination accuracy of the wearable device used to derive the actual elevation from the information of the sleep polygraph device having high reliability in determining sleep state.
  • the brain signal data measured in this way is separately classified into age groups, i.e., 10s, 20s, 30s, 40s, 50s, 60s, 70s, 80s, etc., to create a sleep prediction model according to the user's age group. do.
  • the sleep inducing device extracts the properties of the EEG using the power spectrum of the frequency band from the classified EEGs.
  • the average and standard deviation of the power spectrum values of the frequency band from the brainwaves by the age group each average value according to the EEG combination of alpha / alpha / beta / delta / theta
  • the ratio of the average value for example, alpha / theta, alpha / delta, through fast Fourier transform), Theta / delta, beta / delta, etc.
  • These attributes are used as input values of the machine learning classification algorithm to be performed in the next step S114.
  • the sleep inducing device derives a sleep prediction model indicating a sleep-wake state according to attribute values for each age group of a user by using a machine learning algorithm to extract the properties of the extracted EEG.
  • a machine learning algorithm for example, a logistic regression or a random forest algorithm may be used, and a sleep prediction model indicating a sleep-wake state according to the attribute value for each user's age group. It can be derived in the form of a regression equation or a decision tree.
  • FIG. 4 is a diagram illustrating property values of brain waves to be used as learning data adopted by embodiments of the present invention and the sleep-wake state accordingly.
  • the sleep-wake state is a value measured by brain signal measurement equipment and is divided into two types: wake / sleep in the last column.
  • the delta / theta / alpha / beta average is a frequency range of each brain signal in a brain signal through a fast Fourier transform (delta wave 0.2 to 3.99 Hz, theta wave 4 to 7.99 Hz, alpha wave 8 to 12.99 Hz, It shows the average of the power spectrum values measured at beta wave 13 ⁇ 30Hz).
  • the standard deviation and ratio of the average value of each frequency range (alpha / theta, alpha / delta, theta / delta, beta / delta)
  • classification performance is improved by using it as a kind of learning data.
  • FIG. 5 exemplifies the performance comparison result of a model trained by including the performance of the model (f-measure) and the standard deviation of the average value and the ratio of the model trained with the power spectrum average value of delta / theta / alpha / beta for subjects in their 30s.
  • the machine learning algorithm used for learning is a logistic regression algorithm. In particular, it shows higher performance by adding the standard deviation of the average value of the power spectrum as training data.
  • performance evaluation measures such as precision and recall in addition to the f-feasure illustrated in FIG. 5.
  • FIG. 6 is a diagram illustrating a result showing how each property of an EEG can be determined with a relatively high probability of sleep-wake state through a logistic regression algorithm.
  • the 'beta / delta' property has a relatively high proportion in determining sleep-wake state compared to other properties. That is, by using the logistic regression algorithm, the property having the highest odds ratio of the sleep prediction model is selected as the property having a relatively high influence on the sleep-wake state prediction, so that the judgment of the sleep-wake state can be greatly assisted. You can.
  • the machine learning algorithm it is possible to grasp an attribute having a higher influence than the average value of the power spectrum by adding the standard deviation and the ratio attribute to the training data, and when predicting the sleep state through the selected sleep prediction model in response to the subject, it is relatively Only minimal data with higher impact can be extracted and used to predict sleep.
  • the brain signal attribute values of subjects in their 30s were learned to build a model with each machine learning algorithm, and the results of predicting sleep state by logistic regression and random forest algorithm were illustrated.
  • the model created through the logistic regression algorithm was able to predict the sleep state with an average accuracy of 92.7%
  • the random forest classification algorithm was able to predict the sleep state of the training data with an accuracy of 98.9%.
  • the model built from each machine learning algorithm can be used to determine the sleep state through the process of measuring the brain signal of the actual subject and extracting the properties of the brain signal.
  • the result value is extracted as a linear regression equation, and may be composed of a linear equation of the following equation (1).
  • Equation 1 is a multiple regression model extracted by performing a logistic regression algorithm, where a, b, ..., etc. represent the regression coefficients of this regression model, and x 1 , x 2 , ... are dependent variables y, that is, an independent variable for obtaining a threshold value for determining the awakening-sleep state.
  • x 1 , x 2 , ..., etc. mean each attribute value (brain signal spectrum average value, standard deviation, ratio), and each attribute multiplies the coefficients extracted through learning by the logistic regression algorithm.
  • the value of the linear regression equation may be calculated.
  • this value is y
  • equation (2) is calculated to obtain a threshold value that can determine the awakening-sleep state.
  • Equation 2 converts the threshold value obtained from the multiple regression model of Equation 1 into a single regression model and extracts a value between '0' and '1'.
  • the threshold value of Equation 2 is greater than or equal to '0.5', it can be determined that it is awakened, and when it is less than '0.5', it is a sleep state.
  • the awakening-sleep state can be grasped based on the threshold value of '0.5'.
  • the user's sleep state can be determined more strictly or insensitively by adjusting this threshold according to the user's characteristics. have.
  • the default threshold value is lowered to '0.3', it is determined to be in a sleep state only when the probability value is less than 30%, so the sleep-induced stimulation can be changed more strictly, and the default threshold value is set to '0.7'. If it is high, it is possible to change the sleep-induced stimulation more insensitively because all probability values of 0% to 70% are determined as the sleep state.
  • FIG. 7 is a diagram illustrating a part of a decision model built by a random forest algorithm using a machine learning tool called 'Weka'. Depending on the condition of the value of each property, the Sleep or Wake state is determined.
  • 'x_mean' represents the average power spectrum value of the brain signal frequency band x
  • 'x_stdev' represents the standard deviation of the average value.
  • 'x / y' represents the ratio of the average power spectral values of x and y.
  • step S160 is continuously described in step S160 of generating a feedback signal that reduces stimulation and controlling sleep-induced stimulation.
  • step S160 more sophisticated stimulation control is required to induce sleep in terms of implementation. If the user shows a sleepy brain wave pattern, the sleep-inducing stimulus is reduced in step S160 (for example, the volume is adjusted to -10%), depending on the ratio of alpha wave and theta wave in applying this control method in clinical trials. Continuing to reduce stimulation can result in a situation where feedback is interrupted (for example, the volume is 0%) even though the user has not reached a complete sleep pattern. Therefore, it is necessary to more precisely control the process of controlling the sleep-induced stimulation in step S160.
  • the sleep-inducing stimulus is reduced in step S160 (for example, the volume is adjusted to -10%), depending on the ratio of alpha wave and theta wave in applying this control method in clinical trials.
  • Continuing to reduce stimulation can result in a situation where feedback is interrupted (for example, the volume is 0%) even though the user has not reached a complete sleep pattern. Therefore, it is necessary to more precisely control the process of controlling the sleep-induced stimulation in step S160.
  • the minimum feedback is continued if the theta brain waves in the last 30 seconds are less than 1/3 of the total brain waves (about 33%).
  • determining the minimum feedback maintenance through the ratio of theta brain waves to the total brain waves is a criterion for determining whether to sleep deeply. At this time, the ratio '1/3' of theta brainwaves is an example derived from experimental results, and the ratio may be set differently according to implementation needs.
  • step S170 when the sleep-wake state of the subject reaches a sleep pattern, the sleep inducing device stops feedback through step S180.
  • the age group it is determined whether the user is in a sleep state or an awake state by a selected sleep-awakeness model.
  • a polysomnography device that serves to determine the sleep awakening state must be used, but there is already a sleep-wake discrimination model that has been learned and built with the user's wearable brain signal measurement device. Therefore, by observing the output value of this model, it is possible to determine the sleep-wake state even with a wearable brain signal measuring device without a corresponding device. Stop sleeping induction feedback because no more feedback is meaningless when you are asleep.
  • step S190 the sleep inducing device updates a sleep induction feedback method by measuring a time taken from the initial sleep induction stimulation application time (step S130) to the sleep. If the time taken so far is shorter than the existing time, the type of sleep-inducing feedback in step S160 or a method or cycle for reducing stimulation is considered to be the most suitable method for the current subject, and the control values are stored in step S160. This can be used not only to personalize with a feedback method suitable for the current subject, but also as a basic sleep-inducing stimulus for a user having the same age or brain signal characteristics.
  • step S160 If the time taken so far is longer than the existing time, it is determined that the type of sleep guidance feedback or the stimulus control method of step S160 is not suitable, and the value or control method of the feedback stored in step S160 is different for the next attempt. It is necessary to change it to.
  • the process of reaching sleep in awakening is evaluated, and sleep-inducing stimulation according to neurofeedback is reduced.
  • changes in the subject's individual EEG are considered and reflected.
  • the frequency of the alpha wave is slowed and the power is reduced, thereby reducing sleep-induced stimulation (sound).
  • the alpha wave is lost, focusing on the characteristics of the sleep brain waves previously learned through machine learning, it is confirmed that sleep is achieved when the complete level 1 sleep is reached, and the sleep-inducing stimulus is extinguished.
  • machine learning data of a similar group is applied by classifying based on an individual's age and EEG characteristics.
  • FIG. 10 is a diagram illustrating changes in alpha and theta powers in the process from awakening to sleeping. Referring to FIG. 10, it can be seen that the feedback gradually decreases as the frequency of the alpha wave changes to the awakening-elevation, and when the first stage sleep is reached, the sound is completely extinguished.
  • a change in feedback in the awakening state is also important.
  • the frequency of the alpha wave becomes slower and the power becomes weaker as the water gets closer to the surface even in the same awakening state.
  • FIG. 11 is a diagram illustrating a change in brain waves in the wakeful state
  • FIG. 12 is a diagram for explaining a change in alpha waves in FIG. 11.
  • the blue box (c1) represents the arousal state of 10 Hz
  • the green box (c2) slowly represents the awakening state (drowsy) of slowing to 9 Hz.
  • the blue box (c1) and the green box (c2) in FIG. 11 show the results of the analysis of the alpha wave, and the closer to the water surface, the slower the peak frequency (peak frequency) and the power (power). Also becomes smaller.
  • the fact that the EEG reflects mental and physical activity by frequency band is common to users, but there are individual differences. In particular, it is influenced by age, personality, and medical condition, which means that the peak frequency and power may be different even if the alpha wave is predominantly awake-lung stable. EEG during sleep is also affected by various factors, but the fact that alpha waves are lost and theta waves dominate when entering sleep in a large frame is the same for everyone.
  • FIG. 13 is a view for explaining the pie of EEG according to age.
  • the peaks (yellow boxes) of the alpha wave band are the same, but power tends to decrease with age.
  • the peak frequency varies depending on the individual, but the smaller the power, the faster the tendency.
  • the pre-test process is to investigate the current EEG characteristics in advance, and once performed, it is not necessary to re-execute for a long time, but may be additionally performed as necessary.
  • FIG. 14 is a block diagram illustrating a sleep inducing apparatus 1000 using neuro feedback according to an embodiment of the present invention, and is a reconstruction of a series of processes described with reference to FIG. 2 in terms of device configuration. Therefore, here, only functions / operations of each component are briefly described in order to avoid duplication of description.
  • the model storage unit 10 is configured to store and predict a sleep prediction model in advance for a plurality of users.
  • the model storage unit 10 measures the EEG for a plurality of users, classifies the measured EEG by age of the user, and uses the power spectrum of the frequency band from the classified EEG by the age band.
  • the attribute is extracted, and the extracted attribute of the EEG can be derived and stored by using a machine learning algorithm to derive a sleep prediction model representing the sleep-wake state according to the attribute value for each user's age group.
  • model storage unit 10 extracts the properties of brain waves by calculating the ratio of each average value according to the combination of brain waves, but uses the logistic regression algorithm to set the property with the highest odds ratio of the sleep prediction model relative to sleep-wake state prediction It can be selected as a highly influential attribute.
  • the input unit 20 is configured to receive the EEG of the subject measured using the EEG measurement means, the state of the subject's sleep, and user characteristic information.
  • the processor 30 receives at least one of the EEG or user characteristic information of the subject through the input unit 20, selects a sleep prediction model corresponding to the subject from the model storage unit 10, and sleeps the subject
  • a sleep-inducing stimulus for inducing a body is generated, and the EEG of the subject responding to the sleep-inducing stimulus is measured using the EEG measuring means to determine a sleep-wake state according to the sleep prediction model, and the result of the determination is the sleep -When the arousal state corresponds to the sleepiness pattern, it is a component that induces the subject to recognize the decrease in the stimulation by generating a feedback signal that reduces the stimulation causing the arousal and controlling the sleep-induced stimulation.
  • the sleep-inducing stimulus includes any one of sound, light, or vibration, and the feedback signal causes the subject to recognize a decrease in stimulation by changing any one of the intensity, frequency, period, type or form of the stimulus You can induce them to do it.
  • the processing unit 30 receives user-specific information including the age of the subject through the input unit 20 or receives the brainwaves of the subject measured through a pretest process, and for multiple users A sleep prediction model corresponding to the subject can be selected from a previously constructed sleep prediction model.
  • the processing unit 30 measures the brain waves of the subject responding to the sleep-induced stimulation to calculate an average of the power spectrum values of each frequency band, the power spectrum average value of the alpha wave band and the power spectrum of theta wave band.
  • the sleep-wake state of the subject can be determined from the sleep prediction model according to the ratio of the average value.
  • the processing unit 30 detects a time point when the sleep-wake state enters the elevation pattern from the wake-up pattern, and generates a feedback signal to reduce the stimulus causing wakefulness from the sensed time point to approach the sleep pattern.
  • the sleep-induced stimulation may be adjusted by performing gradual signal control until the sleepiness state can be examined through a ratio of an average power spectrum value of the alpha wave band and an average power spectrum value of the theta wave band.
  • the processing unit 30 may stop the feedback when the sleep-wake state of the subject reaches the sleep pattern, and update the sleep-induced feedback method by measuring the time required for the subject to sleep.
  • a sleep-wake state discrimination model for each age group is provided to a plurality of users suffering from insomnia by selecting a predictive model that matches the characteristics of an individual's age or brain signal.
  • Sleep-wake state can be more accurately determined according to brain signals, and sleep-inducing feedback is provided to the sleepy subject to continuously evaluate the sleep progression, but to induce the subject to recognize the decrease in the stimulus that causes wakefulness. By doing so, it is possible to improve sleep quickly and effectively, and by measuring the time required to reach the input of the subject, the sleep guidance feedback is updated to enable personalized sleep guidance optimized for the individual subject.
  • inventions of the present invention can be implemented in computer-readable code on a computer-readable recording medium.
  • the computer-readable recording medium includes any kind of recording device in which data readable by a computer system is stored.
  • Examples of computer-readable recording media include ROM, RAM, CD-ROM, magnetic tape, floppy disks, optical data storage devices, and the like.
  • the computer-readable recording medium can be distributed over network coupled computer systems so that the computer readable code is stored and executed in a distributed fashion.
  • functional programs, codes, and code segments for implementing the present invention can be easily inferred by programmers in the technical field to which the present invention pertains.

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Anesthesiology (AREA)
  • Pathology (AREA)
  • Molecular Biology (AREA)
  • Psychology (AREA)
  • Biophysics (AREA)
  • Surgery (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Psychiatry (AREA)
  • Hematology (AREA)
  • Pain & Pain Management (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Acoustics & Sound (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

본 발명은 뉴로 피드백을 이용한 수면 유도 기술에 관한 것으로, 수면 유도 장치는, 다수의 사용자에 대해 수면 예측 모델을 미리 구축하여 저장하고, 뇌파 측정 수단을 이용하여 측정된 피험자의 뇌파 또는 사용자 특성 정보 중 적어도 하나를 입력받아 피험자에 대응하는 수면 예측 모델을 선택하고, 피험자의 수면을 유도하기 위한 수면 유도 자극을 생성하고, 뇌파 측정 수단을 이용하여 수면 유도 자극에 반응하는 피험자의 뇌파를 측정하여 수면 예측 모델에 따른 수면-각성 상태를 판별하며, 판별 결과 수면-각성 상태가 졸림 패턴에 해당할 경우, 각성을 유발하는 자극을 감소시키는 피드백(feedback) 신호를 생성하여 수면 유도 자극을 조절함으로써 피험자가 자극의 감소를 인지할 수 있도록 유도한다.

Description

뉴로 피드백을 이용한 수면 유도 장치 및 방법
본 발명은 불면 개선을 위한 수면 유도 기술에 관한 것으로, 특히 뉴로 피드백 기술을 이용하여 사용자의 뇌파를 측정하여 수면 상태를 예측하되, 개인의 특성에 부합하여 쉽게 수면에 접어들 수 있도록 도와주는 장치, 방법 및 그 방법을 기록한 기록매체에 관한 것이다.
불면증은 수면의 시작이나 유지의 어려움, 또는 원기 회복이 되지 않는 수면을 호소하는 것으로, 현대 성인인구의 27%는 일시적인 불면증을 경험하며, 9%는 만성적인 불면을 경험한다고 알려져 있다.
불면증의 원인은 다양하지만, 스트레스의 증가에 불규칙한 생활에 따른 심리 행동적 반응이 주요한 원인 중 하나로 생각된다. 불면증이 가져오는 문제는 각종 사고 및 우울증, 불안증, 조울증과 같은 정신과적 문제의 증가, 심혈관계, 면역계 이상 등 신체 기능의 이상을 야기한다. 불면증으로 인한 직, 간접적 사회적 부담을 산술적으로 계산하기가 매우 어려우나, 불면증으로 인한 노동력 저하, 의료 이용 증가, 인지 기능 저하와 그로 인한 교통사고 및 산업재해 및 기타 사고발생, 다른 신체질환 및 우울증 등의 정신질환 발생의 증가 등을 고려하면 그 사회적 부담은 천문학적인 수준일 것으로 예측된다. 그러나, 현재의 불면증 치료는 여러 가지 문제점을 가지고 있다.
가장 흔히 사용되는 수면제 처방은 쉽게 잠을 재우는 편리성이 있으나 이에 따른 부작용을 안고 있다. 즉, 내성과 의존성이 발생하여 처방 용량이 점점 증가되고 약을 끊기 힘든 상태가 발생한다. 또한 흔히 동반하는 수면무호흡증의 증상이 악화되어 심혈관계 부작용이 증가하고, 낮 시간의 기억력 저하 등의 문제가 나타나며, 낙상의 위험성 증가 및 약에 취한 상태에서 폭식, 폭력적 행동, 자살 등의 이상 행동이 발생할 수 있다.
이런 이유에서, 수면의학계에서는 불면증의 첫 번째 추천 치료법으로 비약물학적인 인지행동치료(cognitive behavior therapy, CBT)를 추천한다. 즉 불면증 환자가 만성적으로 갖고 있는 잠에 대한 잘못된 믿음, 과도한 기대, 걱정, 잘못된 수면습관, 불규칙한 수면 스케쥴과 과각성과 긴장 상태를 해결하여 잠을 잘 수 있도록 돕는 치료방법이다. CBT는 수면위생교육, 수면제한요법, 자극제한요법, 인지치료, 이완요법 등으로 구성이 되는데, 반복적인 교육과 훈련을 통하여 생각과 행동을 변화시키는 것이다. 그러나 CBT의 문제점은 치료에 많은 시간과 비용이 든다는 것이다. 많은 시간을 전문가와 만나서 이를 교육받고 행동 교정을 받는 과정이 필요하다.
CBT 치료과정의 핵심은 불면증이 발생되는 불안, 긴장을 가라앉히고 잠을 잘 수 있는 이완상태를 만들어가는 과정이므로 이를 효과적으로 이루게 하는 방법이 개발이 된다면 불면증 치료에 획기적인 전기를 마련하게 될 것이다.
이와 관련하여 과거부터 비슷한 생각하에 여러 도구의 개발이 시도되어 왔다. 기존에 뉴로 피드백(neuro-feedback)을 이용하는 치료 기기가 제안되었는데, 이는 뇌파의 피드백을 통한 이완 훈련을 하는 것으로 평소의 불안과 긴장을 이완시키는 것으로 이 기구를 사용하여 실제 잠에 이르게 하는 것은 아니다. 또한 외부적인 자극을 통하여 뇌파의 동조화를 만들어가는 장치도 개발되어 있으나, 이것 역시 불면증 환자로 하여금 잠으로 바로 이어지는 피드백을 주는 방법은 아니며 과학적으로 효과가 검증된 것은 아니다.
한편, 수면 장애 개선에 뉴로 피드백을 적용함에 있어서 종래의 연구들이 나이에 따른 뇌파의 변화를 고려하지 못했다는 점이 문제점으로 지적되었다. 이하에서 첨부되는 선행기술문헌은 수면 유도에 있어서 나이와 성별의 영향을 고려할 수 있음을 소개하고 있다.
(선행기술문헌)
(비특허문헌)
(비특허문헌 1)Carrier, Julie, et al. "The effects of age and gender on sleep EEG power spectral density in the middle years of life (ages 20-60 years old)." Psychophysiology 38.2 (2001): 232-242.
본 발명이 해결하고자 하는 기술적 과제는, 종래의 불면증 환자의 치료를 위한 수면제 처방의 부작용을 방지하고, 비약물학적인 인지행동치료을 적용함에 있어서 기존의 뉴로 피드백을 이용한 수면 유도 기술이 개인별 연령대에 따른 뇌신호의 특징을 고려하지 않아 피험자에 따라 수면 상태의 판별이 부정확한 문제를 해결하며, 각성 상태에서 수면 상태로 진행될 때 피험자에게 갑작스러운 자극이 가해짐으로써 오히려 수면 유도를 방해하는 부작용을 방지하고자 한다.
상기 기술적 과제를 해결하기 위하여, 본 발명의 일 실시예에 따른 수면 유도 방법은, (a) 수면 유도 장치가 다수의 사용자에 대해 수면 예측 모델을 미리 구축하여 저장하는 단계; (b) 상기 수면 유도 장치가 뇌파 측정 수단을 이용하여 측정된 피험자의 뇌파 또는 사용자 특성 정보 중 적어도 하나를 입력받아 상기 피험자에 대응하는 수면 예측 모델을 선택하는 단계; (c) 상기 수면 유도 장치가 상기 피험자의 수면을 유도하기 위한 수면 유도 자극을 생성하는 단계; (d) 상기 수면 유도 장치가 상기 뇌파 측정 수단을 이용하여 상기 수면 유도 자극에 반응하는 상기 피험자의 뇌파를 측정하여 상기 수면 예측 모델에 따른 수면-각성 상태를 판별하는 단계; 및 (e) 판별 결과 상기 수면-각성 상태가 졸림 패턴에 해당할 경우, 상기 수면 유도 장치가 각성을 유발하는 자극을 감소시키는 피드백(feedback) 신호를 생성하여 상기 수면 유도 자극을 조절함으로써 상기 피험자가 자극의 감소를 인지할 수 있도록 유도하는 단계;를 포함한다.
일 실시예에 따른 수면 유도 방법에서, 상기 (a) 수면 예측 모델을 미리 구축하여 저장하는 단계는, (a1) 다수의 사용자에 대해 뇌파를 측정하되 측정된 뇌파를 사용자의 연령대별로 분류하는 단계; (a2) 분류된 상기 연령대별 뇌파로부터 주파수 대역의 파워 스펙트럼(power spectrum)을 이용하여 뇌파의 속성을 추출하는 단계; 및 (a3) 추출된 상기 뇌파의 속성을 기계 학습(machine learning) 알고리즘을 이용하여 사용자의 연령대별로 속성값에 따른 수면-각성 상태를 나타내는 수면 예측 모델을 도출하는 단계;를 포함할 수 있다.
일 실시예에 따른 수면 유도 방법에서, 상기 (a1) 측정된 뇌파를 사용자의 연령대별로 분류하는 단계는, 수면의 상태를 측정하는 수면다원검사(polysomnography) 기기와 사용자의 뇌파를 측정하는 기기를 동시에 활용하여 뇌 신호를 측정하되, 측정된 수면 상태를 동기화할 수 있다.
일 실시예에 따른 수면 유도 방법에서, 상기 (a2) 뇌파의 속성을 추출하는 단계는, 상기 연령대별 뇌파로부터 주파수 대역의 파워 스펙트럼(power spectrum) 값의 평균 및 표준편차, 알파(alpha)/베타(beta)/델타(delta)/세타(theta)의 뇌파 조합에 따른 각 평균값의 비율을 산출함으로써 뇌파의 속성을 추출할 수 있다.
일 실시예에 따른 수면 유도 방법에서, 상기 (a3) 수면 예측 모델을 도출하는 단계는, 로지스틱 회귀(logistic regression) 또는 랜덤 포레스트(random forest) 알고리즘 중 적어도 하나를 포함하는 기계 학습 알고리즘을 이용하여 사용자의 연령대별로 상기 속성값에 따라 수면-각성 상태를 나타내는 수면 예측 모델을 회귀식 또는 의사 결정 트리(decision tree)의 형태로 도출할 수 있다.
일 실시예에 따른 수면 유도 방법에서, 상기 (a1) 측정된 뇌파를 사용자의 연령대별로 분류하는 단계는, (a4) 로지스틱 회귀 알고리즘을 이용하여 상기 수면 예측 모델의 오즈 비율(odds ratio)이 가장 큰 속성을 수면-각성 상태 예측에 상대적으로 높은 영향을 주는 속성으로서 선택하는 단계;를 더 포함할 수 있다.
일 실시예에 따른 수면 유도 방법에서, 상기 (b) 피험자에 대응하는 수면 예측 모델을 선택하는 단계는, (b1) 피험자의 연령을 포함하는 사용자 특정 정보를 입력받거나, 또는 프리테스트(pretest) 과정을 통해 측정된 상기 피험자의 뇌파를 입력받는 단계; 및 (b2) 다수의 사용자에 대해 미리 구축된 수면 예측 모델로부터 상기 피험자에 대응하는 수면 예측 모델을 선택하는 단계;를 포함할 수 있다.
일 실시예에 따른 수면 유도 방법에서, 상기 (d) 수면 예측 모델에 따른 수면-각성 상태를 판별하는 단계는, (d1) 상기 수면 유도 자극에 반응하는 상기 피험자의 뇌파를 측정하여 각 주파수 대역의 파워 스펙트럼 값에 대한 평균을 산출하는 단계; 및 (d2) 알파파 대역의 파워 스펙트럼 평균값과 세타파 대역의 파워 스펙트럼 평균값의 비율에 따라 상기 수면 예측 모델로부터 피험자의 수면-각성 상태를 판별하는 단계;를 포함할 수 있다.
일 실시예에 따른 수면 유도 방법에서, 상기 (e) 각성을 유발하는 자극을 감소시키는 피드백 신호를 생성하여 수면 유도 자극을 조절하는 단계는, (e1) 상기 수면-각성 상태가 각성 패턴으로부터 입면 패턴으로 진입하는 시점을 감지하는 단계; 및 (e2) 감지된 시점으로부터 각성을 유발하는 자극을 감소시키는 피드백 신호를 생성하여 수면 패턴에 근접할 때까지 점진적인 신호 제어를 수행함으로써 상기 수면 유도 자극을 조절하는 단계;를 포함할 수 있다. 또한, (e3) 알파파 대역의 파워 스펙트럼 평균값과 세타파 대역의 파워 스펙트럼 평균값의 비율을 통해 졸림 상태의 진행 상태를 검사하는 단계;를 더 포함할 수 있다.
일 실시예에 따른 수면 유도 방법은, (f) 상기 피험자의 수면-각성 상태가 수면 패턴에 도달한 경우, 상기 수면 유도 장치가 피드백을 중단하는 단계; 및 (g) 상기 수면 유도 장치가 상기 피험자가 수면까지 소요되는 시간을 측정하여 수면 유도 피드백 방식을 업데이트하는 단계;를 더 포함할 수 있다.
한편, 이하에서는 상기 기재된 수면 유도 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체를 제공한다.
상기 기술적 과제를 해결하기 위하여, 본 발명의 일 실시예에 따른 수면 유도 장치는, 다수의 사용자에 대해 수면 예측 모델을 미리 구축하여 저장하는 모델 저장부; 뇌파 측정 수단을 이용하여 측정된 피험자의 뇌파, 피험자의 수면의 상태 및 사용자 특성 정보를 입력받는 입력부; 및 상기 입력부를 통해 피험자의 뇌파 또는 사용자 특성 정보 중 적어도 하나를 입력받아 상기 모델 저장부로부터 상기 피험자에 대응하는 수면 예측 모델을 선택하고, 상기 피험자의 수면을 유도하기 위한 수면 유도 자극을 생성하고, 상기 뇌파 측정 수단을 이용하여 상기 수면 유도 자극에 반응하는 상기 피험자의 뇌파를 측정하여 상기 수면 예측 모델에 따른 수면-각성 상태를 판별하며, 판별 결과 상기 수면-각성 상태가 졸림 패턴에 해당할 경우 각성을 유발하는 자극을 감소시키는 피드백(feedback) 신호를 생성하여 상기 수면 유도 자극을 조절함으로써 상기 피험자가 자극의 감소를 인지할 수 있도록 유도하는 처리부;를 포함한다.
일 실시예에 따른 수면 유도 장치에서, 상기 모델 저장부는, 다수의 사용자에 대해 뇌파를 측정하되 측정된 뇌파를 사용자의 연령대별로 분류하고, 분류된 상기 연령대별 뇌파로부터 주파수 대역의 파워 스펙트럼(power spectrum)을 이용하여 뇌파의 속성을 추출하며, 추출된 상기 뇌파의 속성을 기계 학습(machine learning) 알고리즘을 이용하여 사용자의 연령대별로 속성값에 따른 수면-각성 상태를 나타내는 수면 예측 모델을 도출하여 저장할 수 있다. 또한, 상기 모델 저장부는, 상기 연령대별 뇌파로부터 주파수 대역의 파워 스펙트럼(power spectrum) 값의 평균 및 표준편차, 알파(alpha)/베타(beta)/델타(delta)/세타(theta)의 뇌파 조합에 따른 각 평균값의 비율을 산출함으로써 뇌파의 속성을 추출하되, 로지스틱 회귀 알고리즘을 이용하여 상기 수면 예측 모델의 오즈 비율(odds ratio)이 가장 큰 속성을 수면-각성 상태 예측에 상대적으로 높은 영향을 주는 속성으로서 선택할 수 있다.
일 실시예에 따른 수면 유도 장치에서, 상기 처리부는, 상기 입력부를 통해 피험자의 연령을 포함하는 사용자 특정 정보를 입력받거나 또는 프리테스트(pretest) 과정을 통해 측정된 상기 피험자의 뇌파를 입력받고, 다수의 사용자에 대해 미리 구축된 수면 예측 모델로부터 상기 피험자에 대응하는 수면 예측 모델을 선택할 수 있다.
일 실시예에 따른 수면 유도 장치에서, 상기 처리부는, 상기 수면 유도 자극에 반응하는 상기 피험자의 뇌파를 측정하여 각 주파수 대역의 파워 스펙트럼 값에 대한 평균을 산출하며, 알파파 대역의 파워 스펙트럼 평균값과 세타파 대역의 파워 스펙트럼 평균값의 비율에 따라 상기 수면 예측 모델로부터 피험자의 수면-각성 상태를 판별할 수 있다.
일 실시예에 따른 수면 유도 장치에서, 상기 처리부는, 상기 수면-각성 상태가 각성 패턴으로부터 입면 패턴으로 진입하는 시점을 감지하고, 감지된 시점으로부터 각성을 유발하는 자극을 감소시키는 피드백 신호를 생성하여 수면 패턴에 근접할 때까지 점진적인 신호 제어를 수행함으로써 상기 수면 유도 자극을 조절하되, 알파파 대역의 파워 스펙트럼 평균값과 세타파 대역의 파워 스펙트럼 평균값의 비율을 통해 졸림 상태의 진행 상태를 검사할 수 있다.
일 실시예에 따른 수면 유도 장치에서, 상기 처리부는, 상기 피험자의 수면-각성 상태가 수면 패턴에 도달한 경우 피드백을 중단하고, 상기 피험자가 수면까지 소요되는 시간을 측정하여 수면 유도 피드백 방식을 업데이트할 수 있다.
일 실시예에 따른 수면 유도 장치에서, 상기 수면 유도 자극은 소리, 빛 또는 진동 중 어느 하나를 포함하고, 상기 피드백 신호는 자극의 강도, 빈도, 주기, 자극의 유형 또는 형태 중 어느 하나를 변화시킴으로써 피험자로 하여금 자극의 감소를 인지할 수 있도록 유도할 수 있다.
본 발명의 실시예들은, 불면을 겪고 있는 다수의 사용자들을 대상으로 연령대별 수면-각성 상태 판별 모델을 마련하여 개인의 연령 또는 뇌 신호의 특성에 부합하는 예측 모델을 선택함으로써 피험자의 뇌 신호에 따른 수면-각성 상태를 보다 정확하게 판별할 수 있고, 졸림 상태의 피험자에게 수면 유도 피드백을 제공하여 수면 진행 상황을 지속적으로 평가하되 각성을 유발하는 자극의 감소를 피험자가 인지할 수 있도록 유도함으로써 빠르고 효과적인 불면 개선이 가능하며, 피험자의 입력 도달 소요 시간을 측정하여 수면 유도 피드백을 업데이트함으로써 피험자 개인에게 최적화된 맞춤형 수면 유도가 가능하다.
도 1은 본 발명의 실시예들이 구현되는 수면 유도 기술 분야에서 자극에 따른 뇌파의 상태를 예시한 도면이다.
도 2는 본 발명의 일 실시예에 따른 뉴로 피드백을 이용한 수면 유도 방법을 도시한 흐름도이다.
도 3은 본 발명의 일 실시예에 따른 도 2의 수면 유도 방법에서 수면 예측 모델을 미리 구축하는 과정을 보다 구체적으로 도시한 흐름도이다.
도 4는 본 발명의 실시예들이 채택하고 있는 학습 데이터로 사용될 뇌파의 속성값들과 그에 따른 수면-각성 상태를 예시한 도면이다.
도 5는 30대 피험자를 대상으로 델타/세타/알파/베타의 파워 스펙트럼 평균값으로 학습시킨 모델의 성능(f-measure)과 평균값의 표준편차, 비율을 포함하여 학습시킨 모델의 성능 비교 결과를 예시한 도면이다.
도 6은 로지스틱 회귀(logistic regression) 알고리즘을 통해 뇌파의 각 속성들이 상대적으로 얼마나 높은 확률로 수면-각성 상태를 결정할 수 있는지를 나타내는 결과를 예시한 도면이다.
도 7은 랜덤 포레스트(random forest) 알고리즘에 의해 구축된 의사 결정 모델의 일부를 예시한 도면이다.
도 8은 로지스틱 회귀 및 랜덤 포레스트 알고리즘에 의해 수면 상태를 예측한 결과를 예시한 도면이다.
도 9는 본 발명의 일 실시예에 따른 도 2의 수면 유도 방법에서 수면 유도 피드백 방식을 업데이트하는 과정을 설명하기 위한 흐름도이다.
도 10은 각성 상태로부터 수면 상태에 이르는 과정에서 나타나는 알파, 세타 파워의 변화를 예시한 도면이다.
도 11은 각성 상태에서의 뇌파의 변화를 예시한 도면이다.
도 12는 도 11에서의 알파파의 변화를 설명하기 위한 도면이다.
도 13은 연령대에 따른 뇌파의 파이를 설명하기 위한 도면이다.
도 14는 본 발명의 일 실시예에 따른 뉴로 피드백을 이용한 수면 유도 장치를 도시한 블록도이다.
본 발명의 실시예들을 설명하기에 앞서, 뉴로 피드백 기술의 개요와 이를 활용한 불면증 치료 기술에서 나타내는 문제점들을 검토한 후, 이들 문제점을 해결하기 위해 본 발명의 실시예들이 채택하고 있는 기술적 수단을 개괄적으로 소개하도록 한다.
1929년에 독일의 한스 베르거(Hans Berger, 1873~1941)가 발표한 뇌파는 인간의 뇌 활동상태를 보여주는 중요한 생체신호다. 뇌파는 정신 활동 상태에 따라 크게 델타파(1~4Hz), 세타파(4~8Hz), 알파파(8~13Hz), 베타파(13~30Hz), 감마파(30~120Hz)로 구분한다. 델타파는 깊은 수면 상태에서 발생되는 뇌파이고, 세타파는 일반적인 수면 상태에서 발생되는 뇌파이고 꿈을 꿀 때의 기본 뇌파이며, 알파파는 쉬고 있을 때 나오는 뇌파로 의식이 깨어 있는 상태에서 눈을 감고 휴식을 취하고 있을 때 강하게 나온다. 베타파는 학습처럼 뇌가 어떤 정신 작업을 하고 있을 때 나오는 뇌파다. 감마파는 뇌의 여러 부분에 흩어져 있는 정보들이 조합돼 인지작용이 발생했을 때 나타나는 뇌파다.
뇌파는 이렇게 정상적인 정신 작용에 따라 그 진동이 빠르거나 느려진다. 만일 그렇지 않으면 뇌의 기능이 비정상이라는 의미다. 즉, 정상적인 뇌와 비정상적인 뇌는 뇌파에서 분명한 특징을 나타내기 때문에 뇌파를 측정하여 뇌의 이상 여부를 판단할 수 있다.
일반적으로 뇌의 리듬처럼 자율신경계가 조절하는 몸의 기능은 우리가 통제할 수 없는 것으로 알려졌다. 그러나 미국 예일대의 밀러 박사는 내장이나 심장의 근육처럼 우리 의지로 조절할 수 없는 근육(불수의근)이나 자율신경계도 조건에 따라 우리 의지로 조절이 가능하다는 사실을 1950년대에 발견했다. 이렇게 불수의근이나 자율신경계를 우리 의지로 제어하는 기술이 바로 바이오피드백(biofeedback)이다. 특히 뇌파를 통제하는 바이오피드백 기술을 신경이란 의미의 접두사 뉴로(neuro-)와 결합해 뉴로 피드백(neurofeedback)이라 부른다.
뉴로 피드백의 발견은 1934년으로 거슬러 올라가는데, 영국 케임브리지대의 매튜 박사와 아드리안 박사는 뇌파측정기를 제작해 뇌파를 측정해봤다. 하루는 뇌파를 측정하면서 알파파가 나올 때만 스피커에서 소리가 나게 해 봤다. 그러자 알파파가 점점 강해지는 현상을 발견했다. 이것이 바로 뉴로 피드백의 원리다.
사용자의 뇌파를 측정해서 특정 뇌파가 발생했다는 것을 사용자에게 알려주면 뇌는 자동으로 그 특정 뇌파를 강화시킨다. 이것은 마치 파블로프 박사가 발견한 조건반사와 같은 것이다. 개에게 먹이를 주면서 종을 치면 나중에는 종만 쳐도 침을 흘린다. 먹이를 보면 침을 흘린다는 뇌의 무조건적 반사회로가 종소리와 연결돼 조건반사회로가 만들어졌다는 말이다. 이것을 계속 반복하면 새롭게 만들어진 조건반사 회로가 강화돼 습관화가 이뤄진다. 그러면 종만 쳐도 침을 흘리게 된다. 이와 같은 원리로 특정 뇌파가 나올 때마다 이것을 알려주면 뇌에서 그 뇌파에 의한 회로가 발달되고 계속 반복하면 그 회로가 강화되어 특정 뇌파가 증가하게 되는 것이다. 즉, 뉴로 피드백이란, 뇌파의 특정 주파수 대역의 활성을 학습, 훈련을 통해 강화하여 해당 뇌파가 발생하는 회로를 강화하는 방법을 말한며, 원하는 뇌파가 나올 때 이를 인지 할 수 있는 자극을 주어 반복 훈련을 수행하고, 이를 거듭하는 과정에서 스스로 뇌파의 상태를 조절할 수 있게 된다.
1958년 미국 시카고대의 조 카미야 박사는 뉴로 피드백의 원리에 따라 뇌파를 조절해서 마음의 상태를 바꾸는 실험을 최초로 했다. 이 실험은 임의로 조절할 수 없다는 뇌파를 의지로 조절할 수 있다는 결과를 보여준 것으로서 진정한 의미에서 최초의 뉴로 피드백 실험이라 할 수 있다.
1971년 미국 UCLA의 배리 스터먼 박사는 SMR파(뇌의 감각운동피질에서 발생하는 12~16Hz의 뇌파)를 이용한 뉴로 피드백으로 간질병을 치료하는 데 성공했다. 이것은 세계 최초로 뉴로 피드백을 질병 치료에 적용한 사례다. 1976년에 미국 테네시대의 루바 박사는 SMR파와 베타파를 이용한 뉴로 피드백으로 ADD와 ADHD를 치료하는 데 성공적인 예를 보고하였다.
1979년에 미국의 데이비슨 박사는 좌뇌와 우뇌의 알파파 균형이 깨지면 우울증에 걸린다는 사실을 발견했다. 소위 정서장애에 대한 뇌파적 이상을 발견한 것이다. 1995년에 로젠펠트 박사는 좌뇌와 우뇌의 알파파 균형을 맞춰주는 뉴로 피드백 훈련을 통해 우울증을 치료하는 실험에 성공했다고 보고하였다. 한편 1989년에 페니스톤 박사와 쿨코스키 박사는 알코올중독이나 외상후스트레스장애(PTSD) 환자에게 뉴로 피드백 훈련을 시켜 치료하는 데 효과가 있음을 보고했다.
한편, 이러한 뉴로 피드백 기술을 활용한 기존의 불면증 치료 방법은 평소 훈련을 통해서 이완 상태를 잘 유도할 수 있도록 훈련하는 방식을 제안하고 있다. 그러나, 이렇게 훈련이 이루어진다고 하더라도 실제 잠을 자는 것은 전혀 다른 상황이며, 오히려 충분한 이완 훈련이 덜된 상태에서 실제 잠을 청하는 시도는 수행불안을 가져와서 뇌의 각성 상태를 가져오는 역효과가 나타나기도 한다. 이는 자율신경에 의하여 조절되는 수면을 의식적인 잠을 자려는 노력으로는 조절할 수 없기 때문이다. 그러므로 자율신경에 의한 뇌파의 변화를 뉴로 피드백을 통하여 잠을 청하는 사람에서 피드백을 주는 것이 필요하다.
또한, 수면을 유도하기 위해 일정 시간 간격의 주파수로 자극을 주어 뇌파를 동조화하는 기존의 불면증 치료 방법도 시도되고 있으나, 뇌파동조라는 현상으로 입면을 유도하는 것이 과학적 근거가 부족하고, 자극이 오히려 환자의 각성을 유발시킬 수도 있다. 따라서, 이러한 부작용 없이 뉴로 피드백 기술을 활용하여 환자 스스로 편안한 수면 상태로 유도할 수 있는 기술적 수단을 제시하고자 한다.
이하에서는 도면을 참조하여 본 발명의 실시예들을 구체적으로 설명하도록 한다. 다만, 하기의 설명 및 첨부된 도면에서 본 발명의 요지를 흐릴 수 있는 공지 기능 또는 구성에 대한 상세한 설명은 생략한다. 또한, 도면 전체에 걸쳐 동일한 구성 요소들은 가능한 한 동일한 도면 부호로 나타내고 있음에 유의하여야 한다.
도 1은 본 발명의 실시예들이 구현되는 수면 유도 기술 분야에서 자극에 따른 뇌파의 상태를 예시한 도면으로서, 빨간 상자는 각성 상태의 뇌파를 나타내고, 그 외는 수면 상태를 나타낸다.
지금까지의 뉴로 피드백이라 함은 통상적으로 깨어 있는 상태에서, 시청각 자극을 통해 목표하는 뇌파 상태를 훈련시키는 방법으로 사용되어 왔다. 본 발명의 연구자들은, 수면 중 뉴로 피드백을 적용함에 있어서, 수면 전 각성 상태에서는 자극을 주지 않다가, 몸이 이완되고 수면에 근접해 질 때 적절한 소리 자극을 주어 그 상태를 반복적으로 학습시키는 방법을 선택하여 도입할 수 있었다. 그러나, 테스트 과정에서 이러한 방법은 오히려 소리 자극에 의해 인지 기능을 활성화시켜, 수면에 빠져들기 어렵게 할 수 있다는 문제를 발견하였다. 이를 보완하기 위해 안출된 본 발명에서는, 수면이 빠져드는 과정에서 원하는 뇌파 상태에 가까워질수록 소리가 줄어드는 방법을 착안하게 되었으며, 이는 통상적인 뉴로 피드백의 제어 방식과는 차별화된 것으로 수면 유도에 안정감을 극대화 할 수 있음을 실험적으로 입증하였다.
도 1을 참조하면, 도 1의 (a)에서는 수면(a1)에 도달한 후 소리 자극에 의해 다시 각성(a2)이 발생하는 것을 확인할 수 있다. 이에 반해, 본 발명의 실시예들이 제안하는 각성을 유발하는 자극의 강도를 감소시키는 피드백 방식에 따른 도 1의 (b)에서는 수면(b1)에 도달한 후 소리 자극이 거의 소멸되어 각성을 야기하지 않고 있는 것을 확인할 수 있다.
이러한 기술적 원리를 이용하여 이하에서 제안되는 본 발명의 실시예들은 종래의 뉴로 피드백의 수면 유도 기작에 있어서 각성을 유발하는 자극의 감소를 피험자 스스로가 인지할 수 있도록 유도하는 피드백을 제공함으로써 수면에 근접한 이후 재차 각성되는 부작용을 차단하였다.
이와 더불어, 본 발명의 실시예들은 개인에 따라 수면-각성의 과정에서 나타나는 뇌파의 상태가 상이함에 주목하여, 기본적인 수면 유도 자극을 피험자에게 제공하여 이에 반응하는 피험자의 상태를 검사하는 프리테스트(pretest) 과정을 도입함으로써 개인의 특성에 따라 최적화된 수면-각성 모델을 선택하고, 이를 통해 임상 적용시 시행 착오를 현저하게 감소시키도록 구성하였다.
도 2는 본 발명의 일 실시예에 따른 뉴로 피드백을 이용한 수면 유도 방법을 도시한 흐름도이다.
S110 단계에서, 수면 유도 장치는 다수의 사용자에 대해 수면 예측 모델을 미리 구축하여 저장한다. 불면을 겪고 있는 환자의 불면 개선을 위해 수면 유도 자극을 제공하기 위해서는 피험자의 뇌 신호를 측정하여 수면 상태 직전의 졸림 상태에 도달해 있는지 여부를 판단할 수 있어야 한다. 본 과정에서는 미리 다수의 사용자의 뇌 신호를 측정하여 개인의 특성(연령대)에 따른 수면 예측 모델을 생성한다. 예를 들어, 연령에 따라서 각성 시 뇌 신호 진폭의 최대값이 12Hz인 경우도 있으며, 반면 10Hz로 다소 느린 사람도 있다. 따라서, 보다 정확한 수면 판별 모델을 구축하기 위해서 이러한 사용자 특성에 따라 측정된 뇌 신호를 분류하고, 분류된 뇌 신호를 다양한 신호 처리 알고리즘을 거쳐 기계 학습 알고리즘의 입력 변수로 변환한 후에 사용자의 수면-각성 여부를 판별하는 모델을 추출한다. 수면 예측 모델을 구축하는 보다 구체적인 과정은 이후 도 3을 참조하여 설명하도록 한다.
S120 단계에서, 상기 수면 유도 장치가 뇌파 측정 수단을 이용하여 측정된 피험자의 뇌파 또는 사용자 특성 정보 중 적어도 하나를 입력받아 상기 피험자에 대응하는 수면 예측 모델을 선택한다. 이 과정에서는, 피험자의 연령을 포함하는 사용자 특정 정보를 입력받거나, 또는 프리테스트(pretest) 과정을 통해 측정된 상기 피험자의 뇌파를 입력받는다. 즉, 사용자가 사용하는 웨어러블(wearable) 뇌 신호 측정 장치(또는 이를 구현하는 소프트웨어를 포함한다.)에 사용자의 연령을 입력하거나, 뇌파를 측정하는 프리테스트(pretest) 과정을 통해 사용자의 뇌파 특성을 판별한다. 사용자에 따라서 해당 연령대의 일반적인 뇌 신호 패턴과는 상이한 뇌 신호 패턴을 가질 수 있기 때문에, 수면 예측 모델을 선택하기 전, 프리테스트 과정의 뇌 신호 측정을 통해 현재 피험자의 뇌 신호 패턴을 정확하게 판별할 필요가 있다.
그런 다음, 판별된 뇌파의 특성에 따라 앞서 S110 단계를 통해 다수의 사용자에 대해 미리 구축된 수면 예측 모델로부터 상기 피험자에 대응하는 수면 예측 모델을 선택할 수 있다. 예를 들어, 사용자의 연령을 30대라고 입력하였을 경우, S110 단계에서 분류된 모델 중 30대의 수면 예측 모델을 선택할 수 있다. 또는, 사용자가 프리테스트 과정을 통해 뇌 신호를 측정한 경우 뇌 신호 진폭의 최대값에 따라 연령과 상관없이 해당 진폭 값에 대응하는 연령대의 수면 예측 모델을 선택할 수도 있다.
S130 단계에서, 상기 수면 유도 장치가 상기 피험자의 수면을 유도하기 위한 수면 유도 자극을 생성한다. 이 과정에서는, 불면을 겪고 있는 사용자의 수면을 유도하기 위한 기본적인 수면 유도 자극(예를 들어, 소리, 진동, 시각적인 자극 등)을 생성하게 된다.
S140 단계에서, 상기 수면 유도 장치가 상기 뇌파 측정 수단을 이용하여 상기 수면 유도 자극에 반응하는 상기 피험자의 뇌파를 측정하여 상기 수면 예측 모델에 따른 수면-각성 상태를 판별한다. 먼저, 상기 수면 유도 자극에 반응하는 상기 피험자의 뇌파를 측정하여 각 주파수 대역의 파워 스펙트럼 값에 대한 평균을 산출한다. 그런 다음, 알파파 대역의 파워 스펙트럼 평균값과 세타파 대역의 파워 스펙트럼 평균값의 비율에 따라 상기 수면 예측 모델로부터 피험자의 수면-각성 상태를 판별한다.
보다 구체적으로, 측정된 뇌 신호에 대해 고속 푸리에 변환(fast Fourier transform, FFT)을 통해 뇌파를 분리한 후, 각 뇌파의 파워 스펙트럼 값 중에서 알파파 대역의 파워 스펙트럼 값의 평균과 세타파 대역의 파워 스펙트럼 값의 평균에 대한 비율을 구한다. 측정된 사용자의 알파파 및 세타파의 비율, 즉 '알파파/세타파'로부터 해당 비율 값이 증가하면 각성 상태에 가까워진다고 판단하고, 비율 값이 감소하면 졸림 상태에 가까워진다고 판단할 수 있다.
S150 단계의 판별 결과 상기 수면-각성 상태가 졸림 패턴에 해당할 경우, 상기 수면 유도 장치는 S160 단계를 통해 각성을 유발하는 자극을 감소시키는 피드백(feedback) 신호를 생성하여 상기 수면 유도 자극을 조절함으로써 상기 피험자가 자극의 감소를 인지할 수 있도록 유도한다. 이를 위해, 상기 수면-각성 상태가 각성 패턴으로부터 입면 패턴으로 진입하는 시점을 감지하고, 감지된 시점으로부터 각성을 유발하는 자극을 감소시키는 피드백 신호를 생성하여 수면 패턴에 근접할 때까지 점진적인 신호 제어를 수행함으로써 상기 수면 유도 자극을 조절하는 것이 바람직하다. 이때, 알파파 대역의 파워 스펙트럼 평균값과 세타파 대역의 파워 스펙트럼 평균값의 비율을 통해 졸림 상태의 진행 상태를 검사할 수 있다.
보다 구체적으로, S150 단계의 '알파파/세타파'의 비율 값이 기존의 비율 값보다 낮아지는 경우 즉, 세타파가 더 증가하여 사용자가 졸림 상태에 더 가까워진다고 판단되는 경우, 서서히 수면 유도 자극을 감소시킴으로써 사용자로 하여금 자신의 입면 시도가 성공적으로 진행되고 있음을 알려주는 피드백을 제공하여 자연스럽게 수면에 빠지도록 한다. 예를 들어, S130 단계를 통해 볼륨 100%의 소리 자극을 주었다가 본 S160 단계를 거칠 때마다 볼륨을 10%씩 감소시킴으로써 사용자에게 입면의 시도가 잘 진행되고 있음을 피드백할 수 있다. 자극을 줄이는 방법으로는 소리의 크기를 줄이는 방법, 소리의 간격을 늘리는 방법 등이 있으며, 소리의 크기를 얼마나 줄이는지, 소리의 간격을 몇 초씩 늘리는지에 대해서는 임상 현장에서 실험적으로 도출하거나 시술자가 적절히 조절할 수 있다. 이 값들은 추후 수면에 진입하는 시간을 측정하여 개인 맞춤형으로 자동 조절될 수도 있다.
도 3은 본 발명의 일 실시예에 따른 도 2의 수면 유도 방법에서 수면 예측 모델을 미리 구축하는 과정(S110)을 보다 구체적으로 도시한 흐름도이다.
S111 단계에서, 수면 유도 장치는, 다수의 사용자에 대해 뇌파를 측정하되 S112 단계를 통해 측정된 뇌파를 사용자의 연령대별로 분류한다. 이 과정은 수면 예측 모델을 만들기 위한 사전 작업으로서, 사용자의 수면 각성 상태를 판별하는 역할을 수행하는 수면다원검사(polysomnography) 기기와 실제 불면을 겪고 있는 사용자가 불면 개선을 위해 사용하게 될 웨어러블 뇌 신호 측정 장치를 동시에 이용하여 사용자의 수면 뇌 신호 값을 측정하여 기록하되, 측정된 수면 상태를 동기화하는 것이 바람직하다. 수면다원검사 기기는 수면 관련 신체 신호를 보다 정밀하게 측정하여 시점별로 수면의 상태(각성, 졸림, 수면 등)을 판별하고, 웨어러블 뇌 신호 측정 장치는 이마에 부착되는 센서 전극에서 얻어지는 뇌 신호를 기록한다. 수면 예측 모델을 만드는데 있어 이렇게 두 가지 장치를 동시에 사용하는 이유는, 수면 상태 판별에 높은 신뢰도를 갖는 수면다원검사 기기 정보로부터 실제 입면 유도에 사용할 웨어러블 장치의 판별 정확도를 높이기 위함이다.
이렇게 측정된 뇌 신호 데이터는 사용자의 연령대에 따른 수면 예측 모델을 만들기 위해서 연령대별로, 즉, 10대, 20대, 30대, 40대, 50대, 60대, 70대, 80대 등으로 따로 분류한다.
S113 단계에서, 상기 수면 유도 장치는, 분류된 상기 연령대별 뇌파로부터 주파수 대역의 파워 스펙트럼(power spectrum)을 이용하여 뇌파의 속성을 추출한다. 이를 위해, 상기 연령대별 뇌파로부터 주파수 대역의 파워 스펙트럼(power spectrum) 값의 평균 및 표준편차, 알파(alpha)/베타(beta)/델타(delta)/세타(theta)의 뇌파 조합에 따른 각 평균값의 비율을 산출함으로써 뇌파의 속성을 추출할 수 있다. 구현의 관점에서, 고속 푸리에 변환을 통해 각 주파수 대역(델타파, 세타파, 알파파, 베타파)의 파워 스펙트럼의 평균값, 표준편차 및 평균값의 비율(예를 덜어, 알파/세타, 알파/델타, 세타/델타, 베타/델타 등)을 산출할 수 있다. 이 속성들은 다음의 S114 단계에서 수행할 기계 학습 분류 알고리즘의 입력 값으로써 활용된다.
S114 단계에서, 상기 수면 유도 장치는, 추출된 상기 뇌파의 속성을 기계 학습(machine learning) 알고리즘을 이용하여 사용자의 연령대별로 속성값에 따른 수면-각성 상태를 나타내는 수면 예측 모델을 도출한다. 이러한 기계 학습 알고리즘은, 예를 들어, 로지스틱 회귀(logistic regression) 또는 랜덤 포레스트(random forest) 알고리즘 등이 활용될 수 있는데, 사용자의 연령대별로 상기 속성값에 따라 수면-각성 상태를 나타내는 수면 예측 모델을 회귀식 또는 의사 결정 트리(decision tree)의 형태로 도출할 수 있다.
도 4는 본 발명의 실시예들이 채택하고 있는 학습 데이터로 사용될 뇌파의 속성값들과 그에 따른 수면-각성 상태를 예시한 도면이다. 수면-각성 상태는 뇌 신호 측정 장비를 통해서 측정된 값으로써 가장 마지막 열에 각성/수면의 두 가지 유형으로 구분된다.
도 4를 참조하면, 델타/세타/알파/베타 평균은 고속 푸리에 변환을 통해 뇌 신호에서 각 뇌 신호의 주파수 범위(델타파 0.2~3.99Hz, 세타파 4~7.99Hz, 알파파 8~12.99Hz, 베타파 13~30Hz)에서 측정된 파워 스펙트럼 값의 평균을 나타낸다. 델타/세타/알파/베타 파워 스펙트럼의 평균값을 기계 학습 알고리즘의 학습 데이터로 활용할 뿐만 아니라, 각 주파수 범위의 평균값의 표준편차와 비율(알파/세타, 알파/델타, 세타/델타, 베타/델타) 역시 학습 데이터의 한 종류로 활용함으로써 분류 성능을 향상시켰다.
도 5는 30대 피험자를 대상으로 델타/세타/알파/베타의 파워 스펙트럼 평균값으로 학습시킨 모델의 성능(f-measure)과 평균값의 표준편차, 비율을 포함하여 학습시킨 모델의 성능 비교 결과를 예시한 도면이다. 학습을 위해 사용한 기계 학습 알고리즘은 로지스틱 회귀 알고리즘이다. 특히, 파워 스펙트럼 평균값의 표준편차를 학습 데이터로 추가함으로써 더 높은 성능을 보여주고 있다. 사용자의 연령대별 수면 예측 모델의 성능을 평가하기 위해, 도 5에 예시된 f-feasure 이외에 precision, recall과 같은 성능 평가 척도의 활용이 가능하다.
도 6은 로지스틱 회귀(logistic regression) 알고리즘을 통해 뇌파의 각 속성들이 상대적으로 얼마나 높은 확률로 수면-각성 상태를 결정할 수 있는지를 나타내는 결과를 예시한 도면이다.
도 6을 참조하면, 'beta/delta' 속성이 다른 속성들에 비해 수면-각성 상태를 결정하는데 상대적으로 매우 높은 비율을 가지고 있음을 알 수 있다. 즉, 로지스틱 회귀 알고리즘을 이용하여 수면 예측 모델의 오즈 비율(odds ratio)이 가장 큰 속성을 수면-각성 상태 예측에 상대적으로 높은 영향을 주는 속성으로서 선택함으로써 수면-각성 상태의 판단에 큰 도움을 받을 수 있다. 이렇게 기계 학습 알고리즘을 활용함으로써 표준편차, 비율 속성을 학습 데이터에 추가함으로써 파워 스펙트럼 평균값보다 영향력이 높은 속성을 파악할 수 있고, 이후 피험자에 대응하여 선택된 수면 예측 모델을 통해 수면 상태를 예측할 때, 상대적으로 영향력이 더 높은 최소한의 데이터만을 추출하여 수면 상태의 예측에 활용할 수 있다.
이러한 속성 데이터를 가지고 분류된 뇌 신호 데이터 중 30대 피실험자들의 뇌신호 속성값을 학습하여 각 기계 학습 알고리즘으로 모델을 구축한 결과, 로지스틱 회귀 및 랜덤 포레스트 알고리즘에 의해 수면 상태를 예측한 결과를 예시한 도 8과 같이 로지스틱 회귀 알고리즘을 통해 만들어진 모델은 평균 92.7%의 정확도로 수면 상태의 예측이 가능했으며, 랜덤 포레스트 분류 알고리즘은 98.9%의 정확도로 학습 데이터의 수면 상태를 예측할 수 있었다. 각 기계 학습 알고리즘으로부터 구축된 모델은 실제 피험자의 뇌 신호를 측정하고 뇌 신호의 속성을 추출하는 과정을 거쳐 수면 상태를 판별하는데 활용될 수 있다.
로지스틱 회귀 알고리즘에 의해서 구축된 모델의 경우, 그 결과값이 선형 회귀식으로 추출되는데 다음의 수학식 1과 같은 형태의 1차 방정식으로 구성될 수 있다.
Figure PCTKR2018012913-appb-M000001
수학식 1은 로지스틱 회귀 알고리즘 수행을 통해 추출되는 다중 회귀 모형으로 a, b, ... 등은 이 회귀 모델의 상관 계수(regression coefficient)를 나타내고 x1, x2, ... 등은 종속변수 y 즉, 각성-수면 상태를 판별하는 임계값을 구하기 위한 독립변수이다. 여기서, x1, x2, ... 등은 각 속성 값(뇌신호 스펙트럼 평균 값, 표준 편차, 비율)을 의미하고, 각 속성에 로지스틱 회귀 알고리즘이 학습을 통해 추출한 계수를 승산하게 된다. 피험자의 뇌 신호 값이 속성 변환을 거쳐서 이 회귀식의 속성 값이 x 변수에 입력되면 해당 선형 회귀식의 값을 계산할 수 있다. 이 값을 y라고 하였을 때, 다시 다음의 수학식 2를 산출하면 각성-수면 상태를 판별할 수 있는 임계값을 얻을 수 있다.
Figure PCTKR2018012913-appb-M000002
수학식 2는 수학식 1의 다중 회귀 모형에서 구해지는 임계값을 단일 회귀 모형으로 변환하여 '0'과 '1' 사이의 값으로 추출해준다. 수학식 2의 임계값이 '0.5' 이상인 경우는 각성 상태이고, '0.5' 미만인 경우는 수면 상태라고 판별할 수 있다. 기본적으로 '0.5'라는 임계값을 기준으로 각성-수면 상태를 파악할 수 있으나, 필요에 따라서는 사용자의 특성에 따라서 이 임계값을 조절하여 사용자의 수면 상태를 더욱 엄격하게 또는 더욱 둔감하게 판별할 수도 있다. 예를 들어, 기본 임계값을 '0.3'으로 낮출 경우, 확률 값이 30% 미만일 경우에만 수면 상태로 판별하므로 조금 더 엄격하게 수면 유도 자극의 변화를 줄 수 있고, 기본 임계값을 '0.7'로 높일 경우, 0%~70%의 확률 값 모두를 수면 상태로 판별 때문에 더욱 둔감하게 수면 유도 자극을 변화시킬 수 있다.
랜덤 포레스트 알고리즘에 의해서 구축된 모델의 경우, 중첩된 의사 결정 트리를 거쳐 최종적으로 각성 상태인지 수면 상태인지 판별할 수 있다. 도 7은 'Weka'라는 기계 학습 도구를 사용하여 랜덤 포레스트(random forest) 알고리즘에 의해 구축된 의사 결정 모델의 일부를 예시한 도면이다. 각 속성의 값의 조건에 따라서 Sleep(수면)이나 Wake(각성) 상태가 결정된다. 'x_mean'은 뇌 신호 주파수 대역 x의 평균 파워 스펙트럼 값을 나타내고, 'x_stdev'는 그 평균값의 표준 편차를 나타낸다. 마지막으로, 'x/y'는 x와 y의 평균 파워 스펙트럼 값의 비율을 나타낸다.
이상의 과정을 통해 다양한 유형의 사용자에 대한 수면 예측 모델이 구축될 수 있음을 설명하였다.
도 9는 본 발명의 일 실시예에 따른 도 2의 수면 유도 방법에서 수면 유도 피드백 방식을 업데이트하는 과정을 추가적으로 설명하기 위한 흐름도이다. 설명의 중복을 피하기 위해, 자극을 감소시키는 피드백 신호를 생성하여 수면 유도 자극을 조절하는 S160 단계에 연속하여 이후의 절차를 설명하도록 한다.
다만, S160 단계의 경우 구현의 관점에서 수면을 유도하기 위해 보다 정교한 자극의 조절이 요구된다. 만약 사용자가 졸림 뇌파 패턴을 보이게 되면 S160 단계에서 수면 유도 자극을 감소시키게 (예를 들어, 볼륨을 -10%로 조절) 되는데, 임상 실험에 이러한 조절 방식을 적용함에 있어서 알파파와 세타파의 비율에 따라서 자극을 계속 줄이다보면 사용자가 완전한 수면 패턴에 도달하지 않았는데도 불구하고 피드백이 중단되는 상황(예를 들어, 볼륨이 0%)이 발생할 수 있다. 따라서, S160 단계의 수면 유도 자극을 조절하는 과정을 보다 정교하게 제어할 필요가 있다.
이를 위해, 졸림 뇌파에 따라 자극이 줄어들다가 피드백이 완전히 중단되기 바로 직전 단계에 도달하였을 경우, 최근 30초 동안의 세타 뇌파가 전체 뇌파의 1/3(약 33%) 이하라면 최소한의 피드백을 계속 유지시키는 방식을 도입할 수 있다. 즉, 피드백을 최소한의 수준으로 유지하다가 세타 뇌파가 전체 뇌파의 1/3을 초과하게 되면 피드백을 완전히 중단하는 S180 단계로 진행하되, 1/3을 넘어가지 않더라도 S170 단계에서 수면 패턴 조건을 만족하게 되면 무조건 피드백을 중단할 수도 있다. 이와 같이, 전체 뇌파에 대한 세타 뇌파의 비율을 통해 최소한의 피드백 유지를 결정하는 것은 깊은 수면(deep sleep) 여부를 판단하는 기준이 된다. 이때, 세타 뇌파의 비율 '1/3'은 실험 결과 도출된 일례로서 구현상의 필요에 따라 그 비율을 다르게 설정할 수 있다.
S170 단계에서, 상기 피험자의 수면-각성 상태가 수면 패턴에 도달한 경우, S180 단계를 통해 상기 수면 유도 장치가 피드백을 중단한다. 연령대에 따라서 선택된 수면-각성 판별 모델에 의해서 사용자가 수면 상태인지 각성 상태인지 판별하게 된다. 실제 사용자의 수면이나 각성 상태를 판별하기 위해서는 수면 각성 상태를 판별하는 역할의 수면다원검사(polysomnography) 기기를 사용해야 하지만, 이미 사용자의 웨어러블 뇌 신호 측정 장치로 학습하고 구축한 수면-각성 판별 모델이 있기 때문에 이 모델의 출력 값을 관측하면 해당 기기 없이 웨어러블 뇌 신호 측정 장치로도 수면-각성 상태 판별이 가능하다. 수면 상태이면 더 이상의 피드백은 무의미하기 때문에 수면 유도 피드백을 중단한다.
S190 단계에서, 상기 수면 유도 장치는 최초 수면 유도 자극 인가 시점(S130 단계)에서부터 상기 피험자가 수면까지 소요되는 시간을 측정하여 수면 유도 피드백 방식을 업데이트한다. 만약 현재까지 소요된 시간이 기존 시간보다 더 짧아졌다면, S160 단계의 수면 유도 피드백의 종류 또는 자극을 줄이는 방법이나 주기 등이 현재 피험자에게 가장 적합한 방식이라고 보고 S160 단계에 그 제어값들을 저장한다. 이는 현재 피험자에게 적합한 피드백 방식으로 개인화시킬 뿐만 아니라 동일한 연령대나 뇌 신호의 특징을 가진 사용자의 기본 수면 유도 자극으로도 활용될 수 있다. 만약 현재까지 소요된 시간이 기존 시간보다 더 길어졌다면, S160 단계의 수면 유도 피드백의 종류 또는 자극 제어 방법이 적합하지 않다고 판단하여 다음 번의 시도에는 S160 단계에 저장된 피드백의 종류나 제어 방법 등을 다른 값으로 바꾸어 실시할 필요가 있다.
이상에서 제시된 본 발명의 실시예들에서는 각성에서 수면에 도달하는 과정을 평가하고 뉴로 피드백에 따른 수면 유도 자극을 줄여나간다. 각성 상태에서는 피험자 개인 뇌파의 변화를 중점적으로 고려하여 반영한다. 가령, 알파파의 주파수(frequency)가 느려지고 파워(power)가 작아짐을 분석하여 수면 유도 자극(소리)를 줄여나간다. 이후 알파파가 소실되면, 기계 학습을 통해 사전에 학습된 수면 뇌파 특성을 중점적으로 비교하여 완전한 1단계 수면에 도달할 경우 수면임을 확인하고 수면 유도 자극을 소멸시킨다. 이때, 개인의 연령과 뇌파 특성을 바탕으로 분류하여 유사한 그룹의 기계 학습 데이터를 적용시킨다.
도 10은 각성 상태로부터 수면 상태에 이르는 과정에서 나타나는 알파, 세타 파워의 변화를 예시한 도면이다. 도 10을 참조하면, 각성-입면기에 알파파의 주파수 변화에 따라 서서히 피드백을 줄여나가며, 1단계 수면에 도달하면 소리가 완전히 소멸됨을 확인할 수 있다.
본 발명의 실시예들에서는 각성 상태에서의 피드백 변화도 중요하게 여기고 있다. 가령 같은 각성 상태라도 수면에 근접해 질수록 알파파의 주파수(frequency)는 느려지고 파워(power)도 약해진다. 이를 구분하여 각성 상태에서도 적절히 소리를 줄여나가는 방법을 채택하여 사용자에게 더 안정감을 심어줄 수 있으며, 효과적인 수면 유도가 가능하다.
도 11은 각성 상태에서의 뇌파의 변화를 예시한 도면이고, 도 12는 도 11에서의 알파파의 변화를 설명하기 위한 도면이다.
도 11에서, 파란색 상자(c1)는 10Hz의 각성 상태를 나타내고, 초록색 상자(c2)는 9Hz로 서서히 느려지며 수면에 가까워지는 각성 상태(drowsy)를 나타낸다. 도 12를 참조하면, 도 11에서의 파란색 상자(c1)와 초록색 상자(c2)에서 알파파의 분석 결과를 보여주고 있으며, 수면에 가까워질수록 피크 주파수(peak frequency)는 느려지고, 파워(power)도 작아진다.
이처럼 각성 상태에서의 피드백을 위해 개인 간의 뇌파 차이를 사전에 분석할 필요가 있다. 완전한 각성 상태에서 알파파의 피크 주파수(peak frequnecy)가 9Hz 정도로 다소 느린 사람도 있고, 11Hz인 사람도 있으며, 파워도 개인차가 있다. 개인마다 다른 뇌파 특성을 분석하기 위해 수면 전 프리테스트(pretest)의 수행이 필요하다. 프리테스트는 수면 전 5분간 진행할 수 있으며, 뉴로 피드백 소프트웨어의 안내 음성에 따라 눈을 감고 안정된 상태로 수행할 수 있다. 측정된 각성-폐안 안정시의 뇌파를 기준으로 개인 맞춤형 뉴로 피드백이 수행될 수 있다.
한편, 뇌파가 주파수 대역별 정신적, 신체적 활동을 반영한다는 사실은 사용자에게 공통된 특징이나, 개인별 차이가 존재한다. 특히 연령, 성격, 의학적 상태(medical condition)에 의해 영향을 받는데, 가령 알파파가 우세한 각성-폐안 안정 상태라도 피크 주파수와 파워는 다를 수 있음을 의미한다. 수면시의 뇌파도 다양한 요인의 영향을 받지만, 큰 틀에서 수면에 들어가면 알파파가 소실되고 세타파가 우세해 지는 것은 모두에게 동일하게 적용된다.
도 13은 연령대에 따른 뇌파의 파이를 설명하기 위한 도면이다. 도 13을 참조하면, 10대에서 60대까지 8명의 각성-폐안시 뇌파를 분석한 결과, 알파파 대역의 피크(노란색 상자)가 나타나는 것은 동일하나, 나이가 들수록 파워가 작아지는 경향이 있었으며, 피크 주파수는 개인별 차가 있으나, 파워가 작을수록 빨라지는 경향성이 보인다.
이처럼 뇌파의 연령별 차이는 많은 연구를 통해 입증된 사실이며, 개인 뇌파의 차이는 하루 아침에 변하지 않고, 수년간의 노화에 따라 서서히 변하게 된다. 따라서, 본 발명의 실시예들에서 프리테스트 과정은 현재의 뇌파 특성을 사전에 조사하는 것으로서, 한번 수행한 후에는 오랜 기간 재시행 할 필요가 없으나, 필요에 따라 추가로 시행할 수 있다.
도 14는 본 발명의 일 실시예에 따른 뉴로 피드백을 이용한 수면 유도 장치(1000)를 도시한 블록도로서, 앞서 도 2를 통해 기술한 일련의 과정을 장치 구성의 관점에서 재구성한 것이다. 따라서, 여기서는 설명의 중복을 피하고자 각 구성의 기능/동작만을 약술하도록 한다.
모델 저장부(10)는, 다수의 사용자에 대해 수면 예측 모델을 미리 구축하여 저장하는 구성이다. 이러한 모델 저장부(10)는, 다수의 사용자에 대해 뇌파를 측정하되 측정된 뇌파를 사용자의 연령대별로 분류하고, 분류된 상기 연령대별 뇌파로부터 주파수 대역의 파워 스펙트럼(power spectrum)을 이용하여 뇌파의 속성을 추출하며, 추출된 상기 뇌파의 속성을 기계 학습(machine learning) 알고리즘을 이용하여 사용자의 연령대별로 속성값에 따른 수면-각성 상태를 나타내는 수면 예측 모델을 도출하여 저장할 수 있다.
또한, 상기 모델 저장부(10)는, 상기 연령대별 뇌파로부터 주파수 대역의 파워 스펙트럼(power spectrum) 값의 평균 및 표준편차, 알파(alpha)/베타(beta)/델타(delta)/세타(theta)의 뇌파 조합에 따른 각 평균값의 비율을 산출함으로써 뇌파의 속성을 추출하되, 로지스틱 회귀 알고리즘을 이용하여 상기 수면 예측 모델의 오즈 비율(odds ratio)이 가장 큰 속성을 수면-각성 상태 예측에 상대적으로 높은 영향을 주는 속성으로서 선택할 수 있다.
입력부(20)는, 뇌파 측정 수단을 이용하여 측정된 피험자의 뇌파, 피험자의 수면의 상태 및 사용자 특성 정보를 입력받는 구성이다.
처리부(30)는, 상기 입력부(20)를 통해 피험자의 뇌파 또는 사용자 특성 정보 중 적어도 하나를 입력받아 상기 모델 저장부(10)로부터 상기 피험자에 대응하는 수면 예측 모델을 선택하고, 상기 피험자의 수면을 유도하기 위한 수면 유도 자극을 생성하고, 상기 뇌파 측정 수단을 이용하여 상기 수면 유도 자극에 반응하는 상기 피험자의 뇌파를 측정하여 상기 수면 예측 모델에 따른 수면-각성 상태를 판별하며, 판별 결과 상기 수면-각성 상태가 졸림 패턴에 해당할 경우 각성을 유발하는 자극을 감소시키는 피드백(feedback) 신호를 생성하여 상기 수면 유도 자극을 조절함으로써 상기 피험자가 자극의 감소를 인지할 수 있도록 유도하는 구성이다. 여기서, 상기 수면 유도 자극은 소리, 빛 또는 진동 중 어느 하나를 포함하고, 상기 피드백 신호는 자극의 강도, 빈도, 주기, 자극의 유형 또는 형태 중 어느 하나를 변화시킴으로써 피험자로 하여금 자극의 감소를 인지할 수 있도록 유도할 수 있다.
이러한 처리부(30)는, 상기 입력부(20)를 통해 피험자의 연령을 포함하는 사용자 특정 정보를 입력받거나 또는 프리테스트(pretest) 과정을 통해 측정된 상기 피험자의 뇌파를 입력받고, 다수의 사용자에 대해 미리 구축된 수면 예측 모델로부터 상기 피험자에 대응하는 수면 예측 모델을 선택할 수 있다.
또한, 상기 처리부(30)는, 상기 수면 유도 자극에 반응하는 상기 피험자의 뇌파를 측정하여 각 주파수 대역의 파워 스펙트럼 값에 대한 평균을 산출하며, 알파파 대역의 파워 스펙트럼 평균값과 세타파 대역의 파워 스펙트럼 평균값의 비율에 따라 상기 수면 예측 모델로부터 피험자의 수면-각성 상태를 판별할 수 있다.
또한, 상기 처리부(30)는, 상기 수면-각성 상태가 각성 패턴으로부터 입면 패턴으로 진입하는 시점을 감지하고, 감지된 시점으로부터 각성을 유발하는 자극을 감소시키는 피드백 신호를 생성하여 수면 패턴에 근접할 때까지 점진적인 신호 제어를 수행함으로써 상기 수면 유도 자극을 조절하되, 알파파 대역의 파워 스펙트럼 평균값과 세타파 대역의 파워 스펙트럼 평균값의 비율을 통해 졸림 상태의 진행 상태를 검사할 수 있다.
나아가, 상기 처리부(30)는, 상기 피험자의 수면-각성 상태가 수면 패턴에 도달한 경우 피드백을 중단하고, 상기 피험자가 수면까지 소요되는 시간을 측정하여 수면 유도 피드백 방식을 업데이트할 수 있다.
상기된 본 발명의 실시예들에 따르면, 불면을 겪고 있는 다수의 사용자들을 대상으로 연령대별 수면-각성 상태 판별 모델을 마련하여 개인의 연령 또는 뇌 신호의 특성에 부합하는 예측 모델을 선택함으로써 피험자의 뇌 신호에 따른 수면-각성 상태를 보다 정확하게 판별할 수 있고, 졸림 상태의 피험자에게 수면 유도 피드백을 제공하여 수면 진행 상황을 지속적으로 평가하되 각성을 유발하는 자극의 감소를 피험자가 인지할 수 있도록 유도함으로써 빠르고 효과적인 불면 개선이 가능하며, 피험자의 입력 도달 소요 시간을 측정하여 수면 유도 피드백을 업데이트함으로써 피험자 개인에게 최적화된 맞춤형 수면 유도가 가능하다.
한편, 본 발명의 실시예들은 컴퓨터로 읽을 수 있는 기록 매체에 컴퓨터가 읽을 수 있는 코드로 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록 매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함한다.
컴퓨터가 읽을 수 있는 기록 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장장치 등을 포함한다. 또한, 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다. 그리고 본 발명을 구현하기 위한 기능적인(functional) 프로그램, 코드 및 코드 세그먼트들은 본 발명이 속하는 기술 분야의 프로그래머들에 의하여 용이하게 추론될 수 있다.
이상에서 본 발명에 대하여 그 다양한 실시예들을 중심으로 살펴보았다. 본 발명에 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 실시예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.
(부호의 설명)
1000: 수면 유도 장치
10: 모델 저장부
20: 입력부
30: 처리부

Claims (20)

  1. (a) 수면 유도 장치가 다수의 사용자에 대해 수면 예측 모델을 미리 구축하여 저장하는 단계;
    (b) 상기 수면 유도 장치가 뇌파 측정 수단을 이용하여 측정된 피험자의 뇌파 또는 사용자 특성 정보 중 적어도 하나를 입력받아 상기 피험자에 대응하는 수면 예측 모델을 선택하는 단계;
    (c) 상기 수면 유도 장치가 상기 피험자의 수면을 유도하기 위한 수면 유도 자극을 생성하는 단계;
    (d) 상기 수면 유도 장치가 상기 뇌파 측정 수단을 이용하여 상기 수면 유도 자극에 반응하는 상기 피험자의 뇌파를 측정하여 상기 수면 예측 모델에 따른 수면-각성 상태를 판별하는 단계; 및
    (e) 판별 결과 상기 수면-각성 상태가 졸림 패턴에 해당할 경우, 상기 수면 유도 장치가 각성을 유발하는 자극을 감소시키는 피드백(feedback) 신호를 생성하여 상기 수면 유도 자극을 조절함으로써 상기 피험자가 자극의 감소를 인지할 수 있도록 유도하는 단계;를 포함하는 수면 유도 방법.
  2. 제 1 항에 있어서,
    상기 (a) 단계는,
    (a1) 다수의 사용자에 대해 뇌파를 측정하되 측정된 뇌파를 사용자의 연령대별로 분류하는 단계;
    (a2) 분류된 상기 연령대별 뇌파로부터 주파수 대역의 파워 스펙트럼(power spectrum)을 이용하여 뇌파의 속성을 추출하는 단계; 및
    (a3) 추출된 상기 뇌파의 속성을 기계 학습(machine learning) 알고리즘을 이용하여 사용자의 연령대별로 속성값에 따른 수면-각성 상태를 나타내는 수면 예측 모델을 도출하는 단계;를 포함하는 수면 유도 방법.
  3. 제 2 항에 있어서,
    상기 (a1) 단계는,
    수면의 상태를 측정하는 수면다원검사(polysomnography) 기기와 사용자의 뇌파를 측정하는 기기를 동시에 활용하여 뇌 신호를 측정하되, 측정된 수면 상태를 동기화하는 수면 유도 방법.
  4. 제 2 항에 있어서,
    상기 (a2) 단계는,
    상기 연령대별 뇌파로부터 주파수 대역의 파워 스펙트럼(power spectrum) 값의 평균 및 표준편차, 알파(alpha)/베타(beta)/델타(delta)/세타(theta)의 뇌파 조합에 따른 각 평균값의 비율을 산출함으로써 뇌파의 속성을 추출하는 수면 유도 방법.
  5. 제 2 항에 있어서,
    상기 (a3) 단계는,
    로지스틱 회귀(logistic regression) 또는 랜덤 포레스트(random forest) 알고리즘 중 적어도 하나를 포함하는 기계 학습 알고리즘을 이용하여 사용자의 연령대별로 상기 속성값에 따라 수면-각성 상태를 나타내는 수면 예측 모델을 회귀식 또는 의사 결정 트리(decision tree)의 형태로 도출하는 수면 유도 방법.
  6. 제 2 항에 있어서,
    상기 (a) 단계는,
    (a4) 로지스틱 회귀 알고리즘을 이용하여 상기 수면 예측 모델의 오즈 비율(odds ratio)이 가장 큰 속성을 수면-각성 상태 예측에 상대적으로 높은 영향을 주는 속성으로서 선택하는 단계;를 더 포함하는 수면 유도 방법.
  7. 제 1 항에 있어서,
    상기 (b) 단계는,
    (b1) 피험자의 연령을 포함하는 사용자 특정 정보를 입력받거나, 또는 프리테스트(pretest) 과정을 통해 측정된 상기 피험자의 뇌파를 입력받는 단계; 및
    (b2) 다수의 사용자에 대해 미리 구축된 수면 예측 모델로부터 상기 피험자에 대응하는 수면 예측 모델을 선택하는 단계;를 포함하는 수면 유도 방법.
  8. 제 1 항에 있어서,
    상기 (d) 단계는,
    (d1) 상기 수면 유도 자극에 반응하는 상기 피험자의 뇌파를 측정하여 각 주파수 대역의 파워 스펙트럼 값에 대한 평균을 산출하는 단계; 및
    (d2) 알파파 대역의 파워 스펙트럼 평균값과 세타파 대역의 파워 스펙트럼 평균값의 비율에 따라 상기 수면 예측 모델로부터 피험자의 수면-각성 상태를 판별하는 단계;를 포함하는 수면 유도 방법.
  9. 제 1 항에 있어서,
    상기 (e) 단계는,
    (e1) 상기 수면-각성 상태가 각성 패턴으로부터 입면 패턴으로 진입하는 시점을 감지하는 단계; 및
    (e2) 감지된 시점으로부터 각성을 유발하는 자극을 감소시키는 피드백 신호를 생성하여 수면 패턴에 근접할 때까지 점진적인 신호 제어를 수행함으로써 상기 수면 유도 자극을 조절하는 단계;를 포함하는 수면 유도 방법.
  10. 제 9 항에 있어서,
    (e3) 알파파 대역의 파워 스펙트럼 평균값과 세타파 대역의 파워 스펙트럼 평균값의 비율을 통해 졸림 상태의 진행 상태를 검사하는 단계;를 더 포함하는 수면 유도 방법.
  11. 제 1 항에 있어서,
    (f) 상기 피험자의 수면-각성 상태가 수면 패턴에 도달한 경우, 상기 수면 유도 장치가 피드백을 중단하는 단계; 및
    (g) 상기 수면 유도 장치가 상기 피험자가 수면까지 소요되는 시간을 측정하여 수면 유도 피드백 방식을 업데이트하는 단계;를 더 포함하는 수면 유도 방법.
  12. 제 1 항 내지 제 11 항 중에 어느 한 항의 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체.
  13. 다수의 사용자에 대해 수면 예측 모델을 미리 구축하여 저장하는 모델 저장부;
    뇌파 측정 수단을 이용하여 측정된 피험자의 뇌파, 피험자의 수면의 상태 및 사용자 특성 정보를 입력받는 입력부; 및
    상기 입력부를 통해 피험자의 뇌파 또는 사용자 특성 정보 중 적어도 하나를 입력받아 상기 모델 저장부로부터 상기 피험자에 대응하는 수면 예측 모델을 선택하고, 상기 피험자의 수면을 유도하기 위한 수면 유도 자극을 생성하고, 상기 뇌파 측정 수단을 이용하여 상기 수면 유도 자극에 반응하는 상기 피험자의 뇌파를 측정하여 상기 수면 예측 모델에 따른 수면-각성 상태를 판별하며, 판별 결과 상기 수면-각성 상태가 졸림 패턴에 해당할 경우 각성을 유발하는 자극을 감소시키는 피드백(feedback) 신호를 생성하여 상기 수면 유도 자극을 조절함으로써 상기 피험자가 자극의 감소를 인지할 수 있도록 유도하는 처리부;를 포함하는 수면 유도 장치.
  14. 제 13 항에 있어서,
    상기 모델 저장부는,
    다수의 사용자에 대해 뇌파를 측정하되 측정된 뇌파를 사용자의 연령대별로 분류하고, 분류된 상기 연령대별 뇌파로부터 주파수 대역의 파워 스펙트럼(power spectrum)을 이용하여 뇌파의 속성을 추출하며, 추출된 상기 뇌파의 속성을 기계 학습(machine learning) 알고리즘을 이용하여 사용자의 연령대별로 속성값에 따른 수면-각성 상태를 나타내는 수면 예측 모델을 도출하여 저장하는 것을 특징으로 하는 수면 유도 장치.
  15. 제 14 항에 있어서,
    상기 모델 저장부는,
    상기 연령대별 뇌파로부터 주파수 대역의 파워 스펙트럼(power spectrum) 값의 평균 및 표준편차, 알파(alpha)/베타(beta)/델타(delta)/세타(theta)의 뇌파 조합에 따른 각 평균값의 비율을 산출함으로써 뇌파의 속성을 추출하되, 로지스틱 회귀 알고리즘을 이용하여 상기 수면 예측 모델의 오즈 비율(odds ratio)이 가장 큰 속성을 수면-각성 상태 예측에 상대적으로 높은 영향을 주는 속성으로서 선택하는 것을 특징으로 하는 수면 유도 장치.
  16. 제 13 항에 있어서,
    상기 처리부는,
    상기 입력부를 통해 피험자의 연령을 포함하는 사용자 특정 정보를 입력받거나 또는 프리테스트(pretest) 과정을 통해 측정된 상기 피험자의 뇌파를 입력받고, 다수의 사용자에 대해 미리 구축된 수면 예측 모델로부터 상기 피험자에 대응하는 수면 예측 모델을 선택하는 것을 특징으로 하는 수면 유도 장치.
  17. 제 13 항에 있어서,
    상기 처리부는,
    상기 수면 유도 자극에 반응하는 상기 피험자의 뇌파를 측정하여 각 주파수 대역의 파워 스펙트럼 값에 대한 평균을 산출하며, 알파파 대역의 파워 스펙트럼 평균값과 세타파 대역의 파워 스펙트럼 평균값의 비율에 따라 상기 수면 예측 모델로부터 피험자의 수면-각성 상태를 판별하는 것을 특징으로 하는 수면 유도 장치.
  18. 제 13 항에 있어서,
    상기 처리부는,
    상기 수면-각성 상태가 각성 패턴으로부터 입면 패턴으로 진입하는 시점을 감지하고, 감지된 시점으로부터 각성을 유발하는 자극을 감소시키는 피드백 신호를 생성하여 수면 패턴에 근접할 때까지 점진적인 신호 제어를 수행함으로써 상기 수면 유도 자극을 조절하되, 알파파 대역의 파워 스펙트럼 평균값과 세타파 대역의 파워 스펙트럼 평균값의 비율을 통해 졸림 상태의 진행 상태를 검사하는 것을 특징으로 하는 수면 유도 장치.
  19. 제 13 항에 있어서,
    상기 처리부는,
    상기 피험자의 수면-각성 상태가 수면 패턴에 도달한 경우 피드백을 중단하고, 상기 피험자가 수면까지 소요되는 시간을 측정하여 수면 유도 피드백 방식을 업데이트하는 것을 특징으로 하는 수면 유도 장치.
  20. 제 13 항에 있어서,
    상기 수면 유도 자극은 소리, 빛 또는 진동 중 어느 하나를 포함하고,
    상기 피드백 신호는 자극의 강도, 빈도, 주기, 자극의 유형 또는 형태 중 어느 하나를 변화시킴으로써 피험자로 하여금 자극의 감소를 인지할 수 있도록 유도하는 것을 특징으로 하는 수면 유도 장치.
PCT/KR2018/012913 2018-10-25 2018-10-29 뉴로 피드백을 이용한 수면 유도 장치 및 방법 WO2020085553A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2018-0127979 2018-10-25
KR1020180127979A KR102226640B1 (ko) 2018-10-25 2018-10-25 뉴로 피드백을 이용한 수면 유도 장치 및 방법

Publications (1)

Publication Number Publication Date
WO2020085553A1 true WO2020085553A1 (ko) 2020-04-30

Family

ID=70330628

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2018/012913 WO2020085553A1 (ko) 2018-10-25 2018-10-29 뉴로 피드백을 이용한 수면 유도 장치 및 방법

Country Status (2)

Country Link
KR (1) KR102226640B1 (ko)
WO (1) WO2020085553A1 (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112932501A (zh) * 2021-01-25 2021-06-11 上海海事大学 一种基于一维卷积神经网络自动识别失眠方法
CN114053551A (zh) * 2022-01-13 2022-02-18 深圳市心流科技有限公司 基于脑电信号的辅助入眠方法、装置、终端及存储介质
CN114652938A (zh) * 2022-02-18 2022-06-24 南京安睡科技有限公司 一种促进睡眠的智能闭环调控刺激系统及使用方法
EP4120898A4 (en) * 2020-06-29 2024-04-17 SRI International SYSTEMS AND METHODS IMPLEMENTING SLEEP MANAGEMENT

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102424403B1 (ko) * 2020-06-03 2022-07-22 주식회사 룩시드랩스 사용자 상태를 예측하기 위한 방법 및 그 장치
KR102510646B1 (ko) * 2021-04-06 2023-03-16 고려대학교 산학협력단 비침습적 뇌자극을 통한 생체시계 및 수면주기 제어 장치, 이를 이용한 제어 방법 및 이를 제공하기 위한 컴퓨터 프로그램이 기록된 컴퓨터-판독가능매체

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100397374B1 (ko) * 2001-02-10 2003-09-13 학교법인 포항공과대학교 뇌파를 이용한 가전기기 원격제어장치 및 그 방법
JP2010220649A (ja) * 2009-03-19 2010-10-07 Toyota Motor Corp 睡眠装置及び睡眠維持方法
JP2011092536A (ja) * 2009-10-30 2011-05-12 Toyota Motor Corp 刺激効果予測装置、睡眠深度予測装置、刺激効果予測方法及び車両制御装置
KR20140128018A (ko) * 2013-04-26 2014-11-05 고려대학교 산학협력단 뉴로 피드백을 이용한 수면 유도 장치 및 방법
JP2015013046A (ja) * 2013-07-05 2015-01-22 富士通株式会社 睡眠支援装置、睡眠支援方法及びプログラム

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100397374B1 (ko) * 2001-02-10 2003-09-13 학교법인 포항공과대학교 뇌파를 이용한 가전기기 원격제어장치 및 그 방법
JP2010220649A (ja) * 2009-03-19 2010-10-07 Toyota Motor Corp 睡眠装置及び睡眠維持方法
JP2011092536A (ja) * 2009-10-30 2011-05-12 Toyota Motor Corp 刺激効果予測装置、睡眠深度予測装置、刺激効果予測方法及び車両制御装置
KR20140128018A (ko) * 2013-04-26 2014-11-05 고려대학교 산학협력단 뉴로 피드백을 이용한 수면 유도 장치 및 방법
JP2015013046A (ja) * 2013-07-05 2015-01-22 富士通株式会社 睡眠支援装置、睡眠支援方法及びプログラム

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4120898A4 (en) * 2020-06-29 2024-04-17 SRI International SYSTEMS AND METHODS IMPLEMENTING SLEEP MANAGEMENT
CN112932501A (zh) * 2021-01-25 2021-06-11 上海海事大学 一种基于一维卷积神经网络自动识别失眠方法
CN114053551A (zh) * 2022-01-13 2022-02-18 深圳市心流科技有限公司 基于脑电信号的辅助入眠方法、装置、终端及存储介质
CN114053551B (zh) * 2022-01-13 2022-05-17 深圳市心流科技有限公司 基于脑电信号的辅助入眠方法、装置、终端及存储介质
CN114652938A (zh) * 2022-02-18 2022-06-24 南京安睡科技有限公司 一种促进睡眠的智能闭环调控刺激系统及使用方法
CN114652938B (zh) * 2022-02-18 2023-12-26 南京安睡科技有限公司 一种促进睡眠的智能闭环调控刺激系统及使用方法

Also Published As

Publication number Publication date
KR20200046598A (ko) 2020-05-07
KR102226640B1 (ko) 2021-03-11

Similar Documents

Publication Publication Date Title
WO2020085553A1 (ko) 뉴로 피드백을 이용한 수면 유도 장치 및 방법
Koch et al. Neural correlates of consciousness: progress and problems
WO2014175684A1 (ko) 뉴로 피드백을 이용한 수면 유도 장치 및 방법
Lehembre et al. Electrophysiological investigations of brain function in coma, vegetative and minimally conscious patients.
Ribary Dynamics of thalamo-cortical network oscillations and human perception
Neumann et al. Conscious perception of brain states: mental strategies for brain–computer communication
WO2020116796A1 (ko) 수면개선을 위한 인공지능 기반 비침습적 뇌회로 조절치료시스템 및 방법
Mahmoudi et al. Electro-encephalogram based brain–computer interface: improved performance by mental practice and concentration skills
Jones et al. Heart rate and somatic concomitants of mental imagery
De Massari et al. Brain–computer interface and semantic classical conditioning of communication in paralysis
Montini et al. Sleep-related hypermotor epilepsy vs disorders of arousal in adults: a step-wise approach to diagnosis
Pino A randomized controlled trial (RCT) to explore the effect of audio-visual entrainment among psychological disorders
Tart The hypnotic dream: Methodological problems and a review of the literature.
Falconer et al. Developing an integrated brain, behavior and biological response profile in posttraumatic stress disorder (PTSD)
Azza et al. Sleep’s role in updating aversive autobiographical memories
Huang et al. AI empowered virtual reality integrated systems for sleep stage classification and quality enhancement
Zech et al. Hypnosis measured with monitors of anesthetic depth–EEG changes during the test for Harvard Group Scale of Hypnotic Susceptibility
Boucsein et al. Applications of electrodermal recording
WO2021040206A1 (ko) 사용자 맞춤형 수면 관리 방법 및 시스템
Feng et al. Application of brain-computer-interface in awareness detection using machine learning methods
Lacaux et al. Embracing sleep-onset complexity
Venugopal et al. Beyond hypnograms: assessing sleep stability using acoustic and electrical stimulation
KR20200130527A (ko) Ai 기반 공황증상 예측 시스템 및 방법
Karuppathal et al. Brainwave entrainment through external sensory stimulus: a therapy for insomnia
Del Prete Enhancements of EEG Artifact Automatic Correction Algorithm and Processing of Hemiplegic Patients' EEG

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18937995

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18937995

Country of ref document: EP

Kind code of ref document: A1