WO2022004986A1 - 뇌파를 이용한 운동 핫스팟 위치 검출 장치 및 방법, 및 이를 이용한 경두개 전기자극 장치 - Google Patents

뇌파를 이용한 운동 핫스팟 위치 검출 장치 및 방법, 및 이를 이용한 경두개 전기자극 장치 Download PDF

Info

Publication number
WO2022004986A1
WO2022004986A1 PCT/KR2021/002118 KR2021002118W WO2022004986A1 WO 2022004986 A1 WO2022004986 A1 WO 2022004986A1 KR 2021002118 W KR2021002118 W KR 2021002118W WO 2022004986 A1 WO2022004986 A1 WO 2022004986A1
Authority
WO
WIPO (PCT)
Prior art keywords
hotspot
eeg
location
exercise
electrical stimulation
Prior art date
Legal status (The legal status 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 status listed.)
Ceased
Application number
PCT/KR2021/002118
Other languages
English (en)
French (fr)
Inventor
황한정
최가영
김원석
백남종
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Korea University Research and Business Foundation
Seoul National University Hospital
Original Assignee
Korea University Research and Business Foundation
Seoul National University Hospital
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
Priority claimed from KR1020200080383A external-priority patent/KR102670799B1/ko
Priority claimed from KR1020200133831A external-priority patent/KR102673197B1/ko
Application filed by Korea University Research and Business Foundation, Seoul National University Hospital filed Critical Korea University Research and Business Foundation
Priority to US18/014,007 priority Critical patent/US20240032848A1/en
Publication of WO2022004986A1 publication Critical patent/WO2022004986A1/ko
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4058—Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
    • A61B5/4064—Evaluating the brain
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6802—Sensor mounted on worn items
    • A61B5/6803—Head-worn items, e.g. helmets, masks, headphones or goggles
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N1/00—Electrotherapy; Circuits therefor
    • A61N1/02—Details
    • A61N1/04—Electrodes
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N1/00—Electrotherapy; Circuits therefor
    • A61N1/02—Details
    • A61N1/04—Electrodes
    • A61N1/0404—Electrodes for external use
    • A61N1/0408—Use-related aspects
    • A61N1/0456—Specially adapted for transcutaneous electrical nerve stimulation [TENS]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N1/00—Electrotherapy; Circuits therefor
    • A61N1/02—Details
    • A61N1/04—Electrodes
    • A61N1/0404—Electrodes for external use
    • A61N1/0472—Structure-related aspects
    • A61N1/0476—Array electrodes (including any electrode arrangement with more than one electrode for at least one of the polarities)
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N1/00—Electrotherapy; Circuits therefor
    • A61N1/18—Applying electric currents by contact electrodes
    • A61N1/20—Applying electric currents by contact electrodes continuous direct currents
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N1/00—Electrotherapy; Circuits therefor
    • A61N1/18—Applying electric currents by contact electrodes
    • A61N1/32—Applying electric currents by contact electrodes alternating or intermittent currents
    • A61N1/36—Applying electric currents by contact electrodes alternating or intermittent currents for stimulation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N1/00—Electrotherapy; Circuits therefor
    • A61N1/18—Applying electric currents by contact electrodes
    • A61N1/32—Applying electric currents by contact electrodes alternating or intermittent currents
    • A61N1/36—Applying electric currents by contact electrodes alternating or intermittent currents for stimulation
    • A61N1/36014—External stimulators, e.g. with patch electrodes
    • A61N1/36025—External stimulators, e.g. with patch electrodes for treating a mental or cerebral condition
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N1/00—Electrotherapy; Circuits therefor
    • A61N1/18—Applying electric currents by contact electrodes
    • A61N1/32—Applying electric currents by contact electrodes alternating or intermittent currents
    • A61N1/36—Applying electric currents by contact electrodes alternating or intermittent currents for stimulation
    • A61N1/36014—External stimulators, e.g. with patch electrodes
    • A61N1/3603—Control systems
    • A61N1/36031—Control systems using physiological parameters for adjustment
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N2/00—Magnetotherapy
    • A61N2/004—Magnetotherapy specially adapted for a specific therapy
    • A61N2/006—Magnetotherapy specially adapted for a specific therapy for magnetic stimulation of nerve tissue
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/4806—Functional imaging of brain activation
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Definitions

  • the present invention relates to an apparatus and method for detecting a location of a motion hotspot, and more particularly, an apparatus and method for detecting a location of a motion hotspot using an EEG capable of detecting a location of a motor hotspot based on an EEG, and a transcranial using the same It relates to an electrical stimulation device.
  • the present invention is a research result of "Development of BCI-based brain cognitive computing technology that recognizes human intentions using deep learning” (task number 2017-0-00451) conducted with the support of the Information and Communication Planning and Evaluation Institute with the funding of the Korean government. to be.
  • the present invention is the research result of the basic research project (2020R1A4A1017775) carried out with the support of the National Research Foundation with the funding of the Ministry of Science and ICT.
  • Transcranial electrical stimulation is a technology that non-invasively applies microscopic direct current or alternating current to the scalp of subjects such as motor function rehabilitation patients. It is known to be effective in improving disorders or alleviating symptoms of mental disorders such as nervous system pain or depression.
  • transcranial electrical stimulation is used in parallel with the rehabilitation exercise, and the stimulation is generally applied to the motor area (hotspot) of the brain.
  • the stimulation is generally applied to the motor area (hotspot) of the brain.
  • a location (brain/scalp region) where a motor evoked potential (MEP) of a specific part of the body, such as a finger, is most clearly generated.
  • MEP motor evoked potential
  • the present invention provides an apparatus and method for detecting a location of a motor hotspot using EEG capable of detecting a location of a motor hotspot based on EEG, a transcranial electrical stimulation apparatus using the same, and a program for detecting a location of a motor hotspot using EEG It is to provide this recorded recording medium.
  • the present invention provides the location of transcranial electrical stimulation by automatically detecting the location of individual exercise hotspots through EEG measurement instead of the cumbersome transcranial magnetic stimulation (TMS) method.
  • TMS transcranial magnetic stimulation
  • a device and method for detecting the location of a motion hotspot using EEG that can perform electroencephalographic stimulation treatment and can increase the effect of motor function rehabilitation and brain function improvement through home care and continuous treatment of electroencephalography rehabilitation, and transcranial using the same
  • An object of the present invention is to provide a recording medium in which a program for detecting a motion hotspot position using an electrical stimulation device and brain waves is recorded.
  • the present invention provides an apparatus and method for detecting a motion hotspot location that anyone can easily and accurately automatically determine a target location for transcranial electrical stimulation using a convolutional neural network based on EEG data collected from a user without a large amount of database.
  • An object of the present invention is to provide a recording medium in which a program for detecting a motion hotspot location using a transcranial electrical stimulation device and EEG is recorded.
  • An apparatus for detecting a location of a motion hotspot using EEG includes: A motion hotspot location detecting device for detecting a location of a motion hotspot, which is a target location for transcranial electrical stimulation of a scalp of a subject, wherein the EEG generated in the subject a plurality of EEG measurement electrodes configured to measure EEG at different locations to collect EEG data; and an exercise hotspot position detection unit configured to detect the position of the exercise hotspot based on the EEG data respectively collected by the plurality of EEG measurement electrodes.
  • the transcranial electrical stimulation device is a transcranial electrical stimulation device for detecting a motion hot spot location of a subject and applying transcranial electrical stimulation to a scalp region corresponding to the motion hot spot location, wherein the a head wearable body provided in a form that can be worn on the scalp; a plurality of EEG measuring electrodes distributedly disposed on the inner surface of the head wearable body to measure EEG generated in the object at different locations to collect EEG data; an exercise hotspot position detecting unit configured to detect the position of the exercise hotspot based on the EEG data collected by the plurality of EEG measuring electrodes, respectively; and a transcranial electrical stimulation electrode provided on the head wearable body to apply the transcranial electrical stimulation on the scalp of the subject.
  • a method for detecting a motion hotspot location using EEG includes: A motion hotspot location detection method for detecting a location of a motion hotspot that is a target location for transcranial electrical stimulation of a scalp of a subject, wherein the EEG generated in the subject collecting EEG data measured at different locations with respect to and detecting, by an exercise hotspot position detection unit, the position of the exercise hotspot based on the brain wave data.
  • a computer-readable recording medium in which a program for executing the method for detecting the position of a motion hotspot using the brain wave is recorded.
  • an apparatus and method for detecting a motion hot spot using EEG capable of detecting a location of a motion hotspot based on an EEG, a transcranial electrical stimulation device using the same, and an EEG for detecting the location of a motion hotspot
  • a recording medium on which a program is recorded is provided.
  • TMS transcranial magnetic stimulation
  • ⁇ Electric brain stimulation treatment can be performed without space restrictions, and motor function rehabilitation and brain function improvement effects can be increased through home care and continuous treatment of brain electrical stimulation rehabilitation.
  • FIG. 1 is a perspective view illustrating a state of use of a transcranial electrical stimulation device including a motion hot spot position detection device using brain waves according to an embodiment of the present invention.
  • FIG. 2 is a plan view of an apparatus for detecting a motion hotspot position using brain waves according to an embodiment of the present invention.
  • FIG. 3 is a block diagram of an apparatus for detecting a location of a motion hot spot using brain waves according to an embodiment of the present invention.
  • FIG. 4 is a block diagram of a motion hotspot position detection unit constituting an apparatus for detecting a motion hotspot position using brain waves according to an embodiment of the present invention.
  • FIG. 5 is an exemplary diagram of EEG data collected by an apparatus for detecting a location of a motion hotspot using EEG according to an embodiment of the present invention.
  • FIG. 6 is a block diagram of a feature data calculation unit constituting an apparatus for detecting a location of a motion hot spot using brain waves according to an embodiment of the present invention.
  • FIG. 7 is an exemplary diagram of a power spectrum density generated by an apparatus for detecting a position of a motion hot spot using an EEG according to an embodiment of the present invention.
  • FIG. 8 is a graph illustrating a hotspot position error calculated based on power spectrum densities corresponding to six frequency bands of the feature data calculator.
  • FIG. 9 is a conceptual diagram of an artificial neural network constituting an apparatus for detecting a location of a motion hotspot using brain waves according to an embodiment of the present invention.
  • FIG. 10 is a conceptual diagram for explaining a process of learning an artificial neural network constituting an apparatus for detecting a location of a motion hot spot using brain waves according to an embodiment of the present invention.
  • 11A and 11B are examples showing the positions of a plurality of EEG measuring electrodes constituting the apparatus for detecting the position of a motion hot spot using EEG according to an embodiment of the present invention and the location of a motion hot spot calculated by transcranial magnetic stimulation (TMS) It is also
  • 12A to 12D are exemplary views illustrating an arrangement of a plurality of EEG measuring electrodes constituting an apparatus for detecting a location of a motion hot spot using EEG according to various embodiments of the present disclosure.
  • FIG 13 is an exemplary view of the transcranial electrical stimulation electrodes constituting the transcranial electrical stimulation device according to an embodiment of the present invention.
  • FIG 14 is an exemplary view of the transcranial electrical stimulation electrodes constituting the transcranial electrical stimulation device according to another embodiment of the present invention.
  • 15 is a flowchart of a method for detecting a location of a motion hotspot using brain waves according to an embodiment of the present invention.
  • 16 is a view comparing the position of the exercise hotspot detected by the method for detecting the position of the exercise hotspot using brain waves according to an embodiment of the present invention with the position of the exercise hotspot detected by the transcranial magnetic stimulation method.
  • 17 is a graph showing the transcranial electrical stimulation position error calculated based on the feature extraction of power spectrum densities corresponding to six frequency bands.
  • FIG. 19 is a conceptual diagram of a convolutional neural network constituting an EEG-based transcranial electrical stimulation positioning device using a convolutional neural network according to an embodiment of the present invention.
  • 20 is a graph showing the position error of transcranial electrical stimulation calculated according to an embodiment of the present invention while gradually reducing the number of channels applied for analysis from 63 channels to 9 channels based on the exercise area.
  • ' ⁇ unit, ⁇ module' is a unit that processes at least one function or operation, and may refer to, for example, software, FPGA, or hardware component.
  • the functions provided by ' ⁇ unit, ⁇ module' may be performed separately by a plurality of components, or may be integrated with other additional components.
  • 'Part, ⁇ module' in this specification is not necessarily limited to software or hardware, and may be configured to be in an addressable storage medium, or may be configured to reproduce one or more processors.
  • An apparatus and method for detecting a location of a motion hotspot using an EEG is for automatically determining a location of a motor hotspot that is a target location of transcranial electrical stimulation for an object based on electroencephalography (EEG).
  • EEG electroencephalography
  • FIG. 1 is a perspective view illustrating a state of use of a transcranial electrical stimulation device including a motion hot spot position detection device using brain waves according to an embodiment of the present invention.
  • 2 is a plan view of an apparatus for detecting a motion hotspot position using brain waves according to an embodiment of the present invention.
  • the transcranial electrical stimulation apparatus will be described as an embodiment of an apparatus for detecting a motion hot spot using EEG, and the apparatus and method for detecting a location of a motion hot spot using EEG according to an embodiment of the present invention are transcranial. It should be noted in advance that it is not limited to being applied to the electrical stimulation device.
  • the transcranial electrical stimulation apparatus includes a motion hotspot position detection apparatus 100 .
  • the exercise hotspot position detecting apparatus 100 is provided to detect the position of the exercise hotspot, which is a target position for transcranial electrical stimulation (tES) with respect to the scalp of the subject 10 .
  • tES transcranial electrical stimulation
  • the exercise hotspot position detecting apparatus 100 may include a head wearable body 110 , a plurality of EEG measuring electrodes 120 , an exercise hotspot position detecting unit 130 , and a transcranial electrical stimulation electrode 140 .
  • the head wearable body 110 may be provided in a form that can be worn on the scalp of the object 10 .
  • the head wearable body 110 may be worn on at least a portion of the scalp of the object 10 in the form of a headset, a hat, or the like.
  • the object 10 may be, for example, a head including the brain of a motor function rehabilitation patient who suffers from a motor dysfunction appearing after the onset of various brain lesions such as stroke, but is not limited thereto.
  • the plurality of EEG measuring electrodes 120 is configured to collect EEG data by measuring EEG generated in the object 10 at different locations when the subject performs a specific exercise (eg, rehabilitation-related action).
  • the plurality of EEG measuring electrodes 120 may be dispersedly disposed on the inner surface of the head wearable body 110 to collect EEG data at different locations on the scalp of the subject 10 .
  • the head wearable body 110 may be provided with a reference electrode 122 and a ground electrode 124 in addition to the plurality of EEG measuring electrodes 120 .
  • the reference electrode 122 may be an electrode for providing a potential value that is a reference for EEG. That is, a potential measurement value of the EEG measurement electrode 120 based on the potential value of the reference electrode 120 may be obtained as EEG data.
  • the potential difference between the reference signal that is the potential value of the reference electrode 120 and the measurement signal for each position of the EEG measuring electrode 120 may be finally collected as EEG data for each channel.
  • a separate reference electrode may not be attached.
  • the EEG data may be an EEG signal collected by the EEG measurement electrode 120 , or may be an EEG signal collected by the EEG measurement electrode 120 based on the EEG signal collected by the reference electrode 122 .
  • the ground electrode 124 may be an electrode attached for the purpose of setting the potential difference of the equipment itself to zero in order to provide an accurate potential difference between the EEG measuring electrode 120 and the reference electrode 122 .
  • the exercise hotspot position detector 130 is configured to detect the position of the exercise hotspot of the object 10 based on EEG data respectively collected by the plurality of EEG measuring electrodes 120 .
  • the exercise hotspot position detection unit 130 may include at least one processor and a memory for storing an exercise hotspot position detection algorithm.
  • the exercise hotspot position detection unit 130 may be provided on the head wearable body 110 , and may be electrically connected to each EEG measuring electrode 120 and the transcranial electrical stimulation electrode 140 .
  • the motion hot spot position detection unit 130 excludes the motion hot spot 3D position information measured by the transcranial magnetic stimulation method, and only by a plurality of EEG measuring electrodes 120 The position of the exercise hotspot can be detected based on only the EEG data collected for each channel.
  • the exercise hotspot position detection unit 130 may be disposed in the form of a single module on the outside of the transcranial electrical stimulation electrode 140 in order to increase the space utilization, but the arrangement position of the exercise hotspot position detection unit 130 is It is not limited by what is shown.
  • the transcranial electrical stimulation electrode 140 is provided on the head wearable body 110 to apply transcranial electrical stimulation on the scalp of the subject 10 .
  • the transcranial electrical stimulation electrode 140 may apply transcranial electrical stimulation to a scalp region corresponding to the motion hot spot location of the object 10 detected by the motion hot spot location detection unit 130 .
  • the transcranial electrical stimulation electrode 140 may non-invasively apply a fine current (transcranial electrical stimulation) such as direct current or alternating current to the exercise hotspot region, which is a brain exercise region of a subject (eg, an exercise rehabilitation patient). Accordingly, it is possible to improve the effect of exercise rehabilitation of subjects such as exercise rehabilitation patients.
  • a fine current transcranial electrical stimulation
  • the transcranial electrical stimulation electrode 140 may include an electrode set including two electrodes, an anode electrode and a cathode electrode.
  • the position of the electrical stimulation by the positive electrode and the negative electrode may be determined according to the position of the motion hotspot.
  • one of the positive electrode and the negative electrode applies electrical stimulation at the location of the motion hotspot, and the other electrode applies an electrical signal on a location spaced apart by a set distance according to the location of the motion hotspot.
  • the transcranial electrical stimulation electrode 140 may apply electrical stimulation through any one electrode according to the position of the exercise hotspot among the plurality of arranged electrodes, and may be configured to apply the electric stimulation by moving the electrode to the position of the exercise hotspot. have.
  • EEG data is collected by a plurality of EEG measurement electrodes 120 provided on the head-wearable body 110 worn by the subject himself, and the precise movement hotspot position is detected by transcranial Electrical stimulation can be applied.
  • the present invention instead of the method of measuring transcranial magnetic stimulation of a cumbersome procedure after constructing an artificial neural network, it automatically detects the position of individual exercise hotspots through simple EEG measurement and provides the position of transcranial electrical stimulation, thereby enhancing the professionalism of the user.
  • Electric brain stimulation treatment can be performed at the location of exercise hotspots regardless of time and space, and the effect of motor function rehabilitation and brain function improvement can be increased through home care and continuous treatment of electric brain stimulation rehabilitation.
  • the exercise hotspot position detecting apparatus 100 may include a plurality of EEG measuring electrodes 120 and the exercise hotspot position detecting unit 130 .
  • the exercise hotspot position detector 130 is an artificial neural network that calculates the position of the exercise hotspot based on the time domain EEG data collected for each channel assigned to the plurality of EEG measuring electrodes 120 or feature data extracted from the EEG data. Neural Network may be included.
  • the artificial neural network model of the exercise hotspot position detection unit 130 is a movement hotspot corresponding to EEG data collected for each channel by a plurality of EEG measuring electrodes 120 and transcranial magnetic stimulation data measured by transcranial magnetic stimulation. It can be learned based on location.
  • the artificial neural network learning method of the exercise hotspot position detection unit 130 will be described later with reference to FIG. 10 .
  • the motion hotspot position detection unit 130 may include a feature data calculation unit 134 and an artificial neural network 136 .
  • FIG. 5 is an exemplary diagram of EEG data collected by an apparatus for detecting a location of a motion hotspot using EEG according to an embodiment of the present invention.
  • the three EEG data shown in FIG. 5 are EEG data collected by the 'c3' electrode, the 'cz' electrode, and the 'c4' electrode among the plurality of EEG measurement electrodes shown in FIG. 2 , respectively.
  • FIG. 6 is a block diagram of a feature data calculation unit constituting an apparatus for detecting a location of a motion hot spot using brain waves according to an embodiment of the present invention.
  • 7 is an exemplary diagram of a power spectrum density (PSD) generated by an apparatus for detecting a position of a motion hot spot using an EEG according to an embodiment of the present invention.
  • PSD power spectrum density
  • the feature data calculator 134 collects time domain EEG data EEGD1 , EEGD2 , EEGD3 collected for each of the plurality of channels allocated to the plurality of EEG measuring electrodes 120 . ) to frequency domain data to generate power spectrum densities (FT1, FT2, FT3) for each channel.
  • the feature data calculating unit 134 converts the EEG data (EEGD1, EEGD2, EEGD3) into power spectrum densities (FT1, FT2, FT3) through a fast Fourier transform (FFT). can do.
  • the feature data calculator 134 may convert the EEG data into a power spectrum density according to Equation 1 below, for example.
  • Equation 1 f(x) is EEG data of an epoch-divided time domain, f( ⁇ ) is a power spectrum density of a frequency domain converted from EEG data of a time domain, x is time and ⁇ is frequency.
  • the feature data calculator 134 may convert EEG data for each channel into power spectrum densities FT1, FT2, and FT3 to calculate feature data including the same.
  • the feature data calculating unit 134 uses, in addition to the fast Fourier transform, a wavelet transform according to Equation 2, or an auto regressive method according to Equation 3 below. It is also possible to convert EEG data in the time domain into power spectrum density.
  • Equation 2 X(a,b) is the wavelet-transformed data from the EEG data of the time domain divided equally (epoch), x(t) is the EEG data of the time domain divided equally, ⁇ is the wavelet transform function, and (a,b) is (scale factor, time factor).
  • Equation 3 S(f) is the frequency domain data transformed from the EEG data of the time domain divided equally by autoregression, f is the frequency, ⁇ is the autoregression function, ⁇ 2 z is The variance of EEG data, p is the number of channels of EEG data, and k is an integer (1 ⁇ k ⁇ p).
  • the channel-specific feature data calculated by the feature data calculator 134 may be input to input nodes of the artificial neural network 136 to calculate the motion hotspot location.
  • the artificial neural network 136 may calculate a motion hotspot location based on the feature data including the power spectrum density calculated for each channel by the feature data calculator 134 .
  • the feature data calculator 134 may include a preprocessor 1342 and a feature data extractor 1344 .
  • the preprocessors 1342 and 1342 may perform preprocessing, such as noise removal, on the EEG data for each channel collected by the plurality of EEG measuring electrodes 120 .
  • the feature data extraction unit 1344 may include, from the EEG data for each channel on which preprocessing such as noise removal has been performed by the preprocessor 1342, a power spectrum density, a correlation between EEG data, and/or a phase synchronization index, etc. can be extracted.
  • the feature data extraction unit 1344 may include a fast Fourier transform unit 1346 , a correlation coefficient calculation unit 1348 , and/or a phase synchronization index calculation unit 1350 .
  • the fast Fourier transform unit 1346 may perform fast Fourier transform on EEG data for each channel to generate a power spectrum density and extract feature data including the same.
  • the feature data including the power spectrum density extracted by the feature data extraction unit 1344 may be input to the artificial neural network to detect the location of the motion hotspot.
  • the correlation coefficient calculator 1348 may calculate a correlation coefficient indicating a correlation between a plurality of EEG data.
  • the feature data including the correlation coefficient extracted by the feature data extractor 1344 may be input to the artificial neural network for detecting the location of the motion hotspot.
  • the phase synchronization index calculator 1350 may calculate a phase synchronization index between a plurality of EEG data.
  • the feature data including the phase synchronization index extracted by the feature data extraction unit 1344 may be input to the artificial neural network for detecting the location of the motion hotspot.
  • delta is the error of the motion hotspot position calculated based on the extraction of the power spectrum density in the frequency range of 1 to 4 Hz
  • theta is the density of the power spectrum in the frequency range of 4 to 8 Hz.
  • beta is the error of the motion hotspot position calculated based on extracting the power spectrum density in the 13 ⁇ 30 Hz frequency range
  • Gamma is the power spectrum density in the 30 ⁇ 50 Hz frequency range.
  • the error of the position of the motion hotspot calculated based on it, Full is the error of the position of the motion hotspot calculated based on the density of the entire power spectrum including the frequency range of 1 to 50 Hz.
  • the error of the position of the motion hotspot for each frequency band is obtained by extracting and extracting the power spectrum density for each frequency band through the process of fast Fourier transform (FFT) of the EEG data collected for each channel by each EEG measuring electrode. It is calculated by comparing the position of the motor hotspot obtained by inputting the power spectrum density for each channel to the artificial neural network with the position of the movement-induced brain region found by transcranial magnetic stimulation (TMS).
  • FFT fast Fourier transform
  • the motion hotspot location measurement error is the lowest when the frequency range of 1 to 50 Hz is used.
  • the motion hotspot location is calculated by extracting the power spectrum density of the frequency band (30 ⁇ 50 Hz frequency range) corresponding to gamma, the motion hotspot location measurement error is higher than when the power spectrum density of other frequency bands is extracted. It can be seen that (EDG) is small, and a low error almost equal to that of the case of using the power spectrum density in the frequency range of 1 to 50 Hz is shown.
  • the frequency range of the power spectrum density for extracting feature data is not limited to the aforementioned specific frequency band and can be freely set to various frequency bands.
  • the power spectrum density may be extracted by a method such as a wavelet transform or auto-regression in addition to the fast Fourier transform.
  • FIG. 9 is a conceptual diagram of an artificial neural network constituting an apparatus for detecting a location of a motion hotspot using brain waves according to an embodiment of the present invention.
  • the artificial neural network 136 is a movement hotspot location based on EEG data in the time domain collected for each channel assigned to the plurality of EEG measuring electrodes 120 or feature data extracted from EEG data. can be calculated.
  • the artificial neural network 136 is composed of a fully connected layer deep neural network, but is not limited thereto, and is composed of various neural networks such as a convolutional neural network. it might be
  • the artificial neural network 136 includes input nodes IN, hidden nodes HN, and output nodes ON.
  • the input nodes IN, the hidden nodes HN, and the output nodes ON may be provided in a fully connected layer structure.
  • Channel-specific feature data FEAT1, FEAT2, FEAT3, ..., FEAT63 calculated by the feature data calculator 134 may be input to the input nodes IN of the artificial neural network 136 .
  • feature data calculated for each 63 channels based on EEG data collected by 63 electrodes is input to the input nodes IN of the artificial neural network 136 , but The number may be variously changed according to the number of channels (the number of EEG measuring electrodes).
  • the three-dimensional coordinates of the position of the exercise hotspot may be output to the output nodes ON of the artificial neural network 136 .
  • the motion hotspot position calculated by the artificial neural network 136 is transmitted to the transcranial electrical stimulation electrode 140, and the transcranial electrical stimulation position is the stimulation position applied by the transcranial electrical stimulation electrode 140 according to the motion hotspot position. can be determined.
  • 10 is a conceptual diagram for explaining a process of learning an artificial neural network constituting an apparatus for detecting a location of a motion hotspot using brain waves according to an embodiment of the present invention.
  • 11 is an exemplary view showing the positions of a plurality of EEG measuring electrodes constituting the apparatus for detecting the position of a motion hot spot using EEG according to an embodiment of the present invention and the location of a motion hot spot calculated by transcranial magnetic stimulation (TMS).
  • TMS transcranial magnetic stimulation
  • characteristic data such as power spectrum density extracted from EEG data collected for each channel by a plurality of EEG measuring electrodes 120 (FEAT) and transcranial magnetic stimulation (TMS)
  • FEAT EEG measuring electrodes 120
  • TMS transcranial magnetic stimulation
  • the exercise hot spot location (HSP) by transcranial magnetic stimulation (TMS) is, for example, an electrode for measuring the exercise evoked potential (MEP) in a specific body part, such as the index finger of the subject's right hand.
  • transcranial magnetic stimulation After making contact, by applying transcranial magnetic stimulation to the brain part of the subject, it can be calculated by finding the transcranial magnetic stimulation application region (brain/scalp region) where the exercise-induced potential of a specific body part is most clearly generated. .
  • the subject performs an exercise task, such as repeating an exercise task (for example, pressing the space bar once using the right or left index finger) several times in line with the red circle appearing on the monitor.
  • learning of the artificial neural network may be performed by an artificial neural network learning model using cross-validation (eg, 10-fold cross-validation).
  • FIG. 12 is an exemplary diagram illustrating an arrangement of a plurality of EEG measuring electrodes constituting an apparatus for detecting a location of a motion hot spot using EEG according to various embodiments of the present disclosure.
  • the error was measured by comparing the position of the motion hotspot of the transcranial magnetic stimulation method, and as a result, all errors were found to be less than 1 cm. It is confirmed, and this corresponds to an allowable error range that is smaller than the diameter of the electrode for electrical brain stimulation (at least 1 cm or more).
  • the method of detecting the motion hotspot location based on the power spectrum density of the EEG data for each channel has been mainly described.
  • the position of the exercise hotspot may be detected.
  • the feature data calculator of the motion hotspot location detector may calculate feature data including a correlation coefficient and/or a phase synchronization index between brain wave data collected for each channel.
  • the artificial neural network may calculate the motion hotspot location based on the feature data including the correlation coefficient and/or the phase synchronization index calculated by the feature data calculator.
  • the feature data calculating unit 134 of the motion hotspot position detection unit may include a correlation coefficient calculating unit 1348, and the correlation coefficient calculating unit 1348 may include the following Equation 4 Accordingly, feature data corresponding to a correlation coefficient between brain wave data collected for each channel may be calculated.
  • Equation 4 r is the correlation coefficient between the collected EEG data, A mn , B mn are two EEG data to be calculated for the correlation coefficient, A and B are the average of each EEG data, m, n(1 ⁇ m ⁇ N, 1 ⁇ n ⁇ N, where N is the number of EEG data channels, m, n are integers) is the channel number of EEG data.
  • the feature data calculation unit 134 of the motion hotspot position detection unit may include a phase synchronization index calculation unit 1350, and the phase synchronization index calculation unit 1350 is configured to perform localization through source localization.
  • An exercise hotspot location may be detected by calculating feature data including various network parameters.
  • the feature data calculation unit 134 is based on feature data including, for example, a phase locking value (PLV), which is a coefficient for comparing how the phases of two signals (brain wave data) are synchronized. to detect the location of the exercise hotspot.
  • PLV phase locking value
  • the feature data calculator 134 calculates a phase value by performing Hilbert transform on each of the plurality of filtered EEG signals, and calculates a phase synchronization index between the two phase values based on Equation 5 below. can do.
  • Equation 5 ⁇ 1 and ⁇ 2 are the phase values of the two EEG signals calculated by the Hilbert transform, N fast is the length of the measurement time period of the phase values of the two EEG signals, and t is the sample time.
  • one or more of the EEG data for each channel, the power spectrum density (power spectrum data) frequency-converted from the EEG data for each channel, the correlation coefficient between the EEG data, and the network parameters (phase synchronization index) based on the local origin measurement (phase synchronization index) are artificial neural networks It may be applied as an input variable (or input variables) of
  • the transcranial electrical stimulation electrode 140 may be provided in a structure in which a plurality of electrical stimulation applying electrodes 142 are arranged on a two-dimensional plane or curved surface.
  • the transcranial electrical stimulation electrode 140 operates the electrical stimulation applying electrode 144 corresponding to the motion hot spot position detected by the motion hot spot position detection unit 130 among the plurality of electrical stimulation applying electrodes 142 to the motion hot spot position. Electrical stimulation may be applied to the corresponding scalp region.
  • the transcranial electrical stimulation electrode 140 may include one electrical stimulation applying electrode 146 .
  • the transcranial electrical stimulation apparatus may include an electrode moving unit 160 provided in the head wearable body 110 to move the electrical stimulation applying electrode 146 to the exercise hotspot position.
  • the electrode moving unit 160 may move the electrical stimulation applying electrode 146 in a two-dimensional or three-dimensional direction on a flat or curved moving surface according to the movement hotspot position detected by the movement hotspot position detection unit 130 .
  • the electrode moving unit 160 moves the electrical stimulation applying electrode 146 in the first direction along the first guide bar 162 along the first driving unit 166 and the first guide bar 162 .
  • a second guide bar 164 provided movably in the first direction and arranged in a second direction perpendicular to the first direction, and the electric stimulation applying electrode 146 along the second guide bar 164 in the second direction It may include a second driving unit 168 that moves.
  • the electrode moving unit 160 may include a third driving unit (not shown) for moving the electrical stimulation applying electrode 146 in a third direction perpendicular to both the first direction and the second direction.
  • the driving mechanism for moving the electrical stimulation applying electrode 146 is not particularly limited as long as it can move the electrical stimulation applying electrode 146 in a two-dimensional or three-dimensional direction, and all are applicable.
  • the movement hot spot location (three-dimensional coordinates) is measured based on transcranial magnetic stimulation (TMS) (S110), and the patient's movement behavior (for example, the space bar By measuring EEG data according to the act of pressing), the measurement data may be collected (S120).
  • TMS transcranial magnetic stimulation
  • an artificial neural network model may be learned based on the collected measurement data, and the three-dimensional coordinates of the exercise hotspot may be detected based on EEG using the learned artificial neural network model (S130).
  • feature data such as power spectrum density extracted from EEG data collected for each channel by a plurality of EEG measurement electrodes 120 and the movement hotspot location calculated by transcranial magnetic stimulation (TMS) are combined with the artificial neural network 136. It is possible to learn weights between input nodes, hidden nodes, and output nodes of the artificial neural network 136 by input as input nodes of .
  • EEG generated in the object 10 is measured at different locations by a plurality of EEG measuring electrodes 120 provided in the head wearable body 110 to measure EEG data can be collected.
  • the artificial neural network 136 is based on the EEG data collected by the motion hotspot position detection unit 130 and the plurality of EEG measuring electrodes 120, respectively. ) to detect the exercise hotspot location.
  • transcranial electricity is applied to the scalp region corresponding to the detected exercise hotspot position by the transcranial electrical stimulation electrode 140 provided on the head wearable body 110 .
  • a stimulus may be applied (S140).
  • the transcranial electrical stimulation electrode 140 non-invasively applies an electric current (transcranial electrical stimulation) such as microscopic direct current or alternating current (transcranial electrical stimulation) to the exercise hotspot region, which is the brain movement area of the subject (eg, an exercise rehabilitation patient), thereby providing exercise function. It is possible to improve the effect of exercise rehabilitation of subjects such as rehabilitation patients.
  • an electric current transcranial electrical stimulation
  • microscopic direct current or alternating current transcranial electrical stimulation
  • one or more electrical stimulation applying electrodes are selected from among the plurality of electrical stimulation applying electrodes arranged on the head wearable body 110 , or a head worn type
  • a method such as moving the transcranial electrical stimulation electrode provided on the body 110 according to the position of the exercise hotspot, it is possible to efficiently apply electrical stimulation to the position of the exercise hotspot to maximize the exercise function rehabilitation effect.
  • a specific method for detecting a motion hotspot location from EEG data collected for each channel by a plurality of EEG measurement electrodes can be understood through the description of the embodiments of the motion hotspot location detection device and the transcranial electrical stimulation device. A description will be omitted.
  • FIG. 16 is a diagram comparing the position of the exercise hotspot detected by the method for detecting the position of the exercise hotspot using brain waves according to an embodiment of the present invention with the position of the exercise hotspot detected by the transcranial magnetic stimulation (TMS) method.
  • the motion hotspot location (EEG-Hotspot) detected according to the embodiment of the present invention is less than 1 cm from the motion hotspot location (TMS-Hotspot) detected by the transcranial magnetic stimulation method. , this corresponds to the allowable error range considering that the size (diameter) of the electrode for electrical brain stimulation is at least 1 cm.
  • EEG data can be collected by a plurality of EEG measurement electrodes 120 provided on the head wearable body 110 worn by the subject himself, thereby accurately detecting the location of the exercise hotspot.
  • transcranial electrical stimulation may be applied to the detected motion hot spot location.
  • the subject can obtain improved motor rehabilitation effects by applying brain electrical stimulation to the correct brain motor region for each individual. It can be obtained, and it is possible to reduce the inconvenience caused by visiting the hospital and reduce the cost.
  • a motion hotspot location is determined through a machine learning-based algorithm such as a fully connected layer deep neural network model.
  • a machine learning-based algorithm such as a fully connected layer deep neural network model.
  • big data for learning the neural network model is required for more accurate motion hotspot location detection, and the detection speed may be reduced due to an increase in the amount of learning in proportion to this.
  • a method for automatically detecting a subject's exercise hotspot by a deep learning-based algorithm such as a convolutional neural network using only brain wave data for each individual without a large amount of database will be described below.
  • an EEG-based transcranial electrical stimulation positioning apparatus and method using a convolutional neural network will be described with reference to FIGS. 17 to 20 .
  • a convolutional neural network is used based on electroencephalography (EEG) data collected from a user without a large amount of database.
  • EEG electroencephalography
  • a target position for transcranial electrical stimulation of the subject may be automatically determined.
  • transcranial electrical stimulation is determined using a convolutional neural network based on brain waves, without using big data for generalization of the detection model, transcranial electrical stimulation convinced can easily and accurately determine the target position for . Therefore, it is possible to detect the location of a motion hotspot faster and simpler than the method of building a neural network model based on a large amount of data.
  • 17 is a graph showing the transcranial electrical stimulation position error calculated based on the feature extraction of power spectrum densities corresponding to six frequency bands.
  • delta is the error of the transcranial electrical stimulation position calculated based on the extraction of the power spectrum density in the frequency range of 1 to 4 Hz
  • theta is the power in the frequency range of 4 to 8 Hz
  • the error of the transcranial electrical stimulation position calculated based on the extraction of the spectral density, alpha is the error of the transcranial electrical stimulation position calculated based on the extraction of the power spectrum density in the frequency range of 8 to 13 Hz.
  • beta is the error of the transcranial electrical stimulation position calculated based on the extraction of the power spectrum density in the 13 ⁇ 30 Hz frequency range
  • Gamma is the power spectrum density in the 30 ⁇ 50 Hz frequency range. Therefore, the error of the position of the transcranial electrical stimulation calculated based on this, the full, is the error of the position of the transcranial electrical stimulation calculated based on the density of the entire power spectrum including the frequency range of 1 to 50 Hz.
  • the error of the transcranial electrical stimulation position for each frequency band shown in FIG. 17 is a power spectrum for each frequency band through the process of fast Fourier transform (FFT) of the EEG data collected for each channel by each EEG measuring electrode. It was calculated by extracting the density and comparing the position of the transcranial electrical stimulation obtained by inputting the extracted power spectrum density to the convolutional neural network with the position of the movement-induced brain region found by transcranial magnetic stimulation (TMS).
  • FFT fast Fourier transform
  • the average error with the transcranial electrical stimulation position coordinates detected by the conventional TMS is less than 0.1 cm in all conditions regardless of the frequency band.
  • the average error of the transcranial electrical stimulation position coordinates calculated according to the embodiment of the present invention based on the total power spectrum density including the entire 1 ⁇ 50 Hz frequency range is the case of using the right hand and the case of using the left hand when detecting TMS. All were about 0.03 cm. Therefore, the frequency range of the power spectrum density for extracting the feature data is not limited to a specific frequency band and can be freely set to various frequency bands.
  • the power spectrum density was extracted as feature data, but the position of transcranial electrical stimulation may be detected by extracting other feature data such as the aforementioned correlation between EEG and phase synchronization index.
  • the power spectrum density may be extracted by a method such as a wavelet transform or auto-regression in addition to the fast Fourier transform.
  • 19 is a conceptual diagram of a convolutional neural network constituting an EEG-based transcranial electrical stimulation positioning device using a convolutional neural network according to an embodiment of the present invention.
  • the artificial neural network 136 may be implemented as a convolutional neural network.
  • the convolutional neural network may calculate the position of transcranial electrical stimulation based on EEG data in the time domain collected for each channel allocated to the plurality of EEG measurement electrodes 120 or feature data extracted from EEG data.
  • the convolutional convolutional neural network shown in the embodiment of FIG. 19 includes a plurality of convolution layers 136a, a plurality of pooling layers 136b, and a fully connected layer 136c. ), but is not limited thereto.
  • the plurality of convolution layers 136a may generate convolutional data by performing temporal and/or spatial axis convolution processing using a convolution filter based on EEG data or feature data extracted therefrom. have.
  • the plurality of pooling layers 136b may perform a pooling process to learn in a direction that maximizes the features of the input values in order to minimize the data loss of EEG data, which has a much smaller dimension than the image, but, The present invention is not limited thereto.
  • the fully connected layer 136c may perform a role of classification/regression based on features extracted based on EEG data.
  • the fully connected layer 136c may derive a three-dimensional coordinate value through regression as a final output by unraveling the result derived from the previous stage into a one-dimensional array in order to derive a three-dimensional coordinate value. That is, by transforming the feature matrix extracted from the convolutional layer at the front end of the fully connected layer 136c into the form of a feature vector, the three-dimensional coordinate value of the motor hotspot can be derived through the regression model in the final output layer.
  • feature data of a size of 63 (number of channels) ⁇ 50 (input size of the entire frequency band) is inputted from EEG data of the entire frequency band corresponding to 1 to 50 Hz to the convolutional neural network,
  • the size of the input data may be changed according to the frequency band.
  • feature data having a size of 63 ⁇ 4 may be input to the convolutional neural network.
  • feature data having sizes of 63 ⁇ 5, 63 ⁇ 6, 63 ⁇ 18, and 63 ⁇ 21 may be input, but limited thereto it is not
  • FIG. 20 is a graph showing the position error of transcranial electrical stimulation calculated according to an embodiment of the present invention while gradually reducing the number of channels applied for analysis from 63 channels to 9 channels based on the exercise area. Since there was no statistical difference in the errors of the right and left hands, the results for both hands were averaged. As shown in Figure 20, it can be seen that the transcranial electrical stimulation position calculated using the convolutional neural network according to the embodiment of the present invention has a low error of about 0.1 cm or less.
  • transcranial electrical stimulation can be applied to the detected transcranial electrical stimulation position.
  • TMS transcranial magnetic stimulation
  • the apparatus, method, and component described in the embodiments may include, for example, a processor, a controller, an arithmetic logic unit (ALU), a digital signal processor, a microcomputer, a field programmable gate (FPGA). Array), a programmable logic unit (PLU), a microprocessor, or any other device capable of executing and responding to instructions, may be implemented using one or more general purpose or special purpose computers.
  • ALU arithmetic logic unit
  • FPGA field programmable gate
  • PLU programmable logic unit
  • microprocessor or any other device capable of executing and responding to instructions, may be implemented using one or more general purpose or special purpose computers.
  • the processing device may run an operating system and one or more software applications running on the operating system.
  • a processing device may also access, store, manipulate, process, and generate data in response to execution of the software.
  • a processing device is sometimes described as being used, but a person of ordinary skill in the art will recognize that the processing device includes a plurality of processing elements and/or a plurality of types of processing elements. It will be understood that this may include
  • the processing device may include a plurality of processors or one processor and one controller. Other processing configurations are also possible, such as a Parallel Processor.
  • the software may include a computer program, code, instructions, or a combination of one or more thereof, which configures a processing device to operate as desired or is independently or collectively processed You can command the device.
  • the software and/or data may be any kind of machine, component, physical device, virtual equipment, computer storage medium or device, to be interpreted by or provide instructions or data to the processing device. , or may be permanently or temporarily embody in a transmitted signal wave.
  • the software may be distributed over networked computer systems and stored or executed in a distributed manner.
  • Software and data may be stored in one or more computer-readable recording media.
  • the method according to the embodiment may be implemented in the form of program instructions that can be executed through various computer means and recorded in a computer-readable medium.
  • the computer-readable medium may include program instructions, data files, data structures, etc. alone or in combination.
  • the program instructions recorded on the medium may be specially designed and configured for the embodiment, or may be known and available to those skilled in the art of computer software.
  • Examples of the computer-readable recording medium include magnetic media such as hard disks, floppy disks and magnetic tapes, optical media such as CDROMs and DVDs, and ROM, RAM, and flash memory.
  • Hardware devices specially configured to store and execute program instructions, such as, etc. are included.
  • Examples of program instructions include not only machine language codes such as those generated by a compiler, but also high-level language codes that can be executed by a computer using an interpreter or the like.
  • the hardware devices described above may be configured to operate as one or more software modules to perform the operations of the embodiments, and vice versa.

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Medical Informatics (AREA)
  • Pathology (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Psychiatry (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Neurology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Psychology (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Evolutionary Computation (AREA)
  • Child & Adolescent Psychology (AREA)
  • Developmental Disabilities (AREA)
  • Hospice & Palliative Care (AREA)
  • Social Psychology (AREA)
  • Neurosurgery (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

뇌파를 기반으로 운동 핫스팟(motor hotspot) 위치를 검출할 수 있는 뇌파를 이용한 운동 핫스팟 위치 검출 장치 및 방법, 이를 이용한 경두개 전기자극 장치 및 뇌파를 이용하여 운동 핫스팟 위치를 검출하기 위한 프로그램이 기록된 기록 매체가 개시된다. 본 발명의 실시예에 따른 뇌파를 이용한 운동 핫스팟 위치 검출 장치는, 대상체의 두피에 대한 경두개 전기자극을 위한 목표 위치인 운동 핫스팟 위치를 검출하는 운동 핫스팟 위치 검출 장치로서, 상기 대상체에서 발생되는 뇌파를 상이한 위치들에서 측정하여 뇌파 데이터를 수집하도록 구성되는 다수의 뇌파 측정 전극; 및 상기 다수의 뇌파 측정 전극에 의해 각각 수집된 뇌파 데이터를 기반으로 상기 운동 핫스팟 위치를 검출하도록 구성되는 운동 핫스팟 위치 검출부를 포함한다.

Description

뇌파를 이용한 운동 핫스팟 위치 검출 장치 및 방법, 및 이를 이용한 경두개 전기자극 장치
본 발명은 운동 핫스팟 위치 검출 장치 및 방법에 관한 것으로, 보다 상세하게는 뇌파를 기반으로 운동 핫스팟(motor hotspot) 위치를 검출할 수 있는 뇌파를 이용한 운동 핫스팟 위치 검출 장치 및 방법, 및 이를 이용한 경두개 전기자극 장치에 관한 것이다.
본 발명은 대한민국 정부의 재원으로 정보통신기획평가원의 지원을 받아 수행된 "딥러닝을 이용하여 사람의 의도를 인지하는 BCI 기반 뇌인지컴퓨팅 기술 개발"(과제번호 2017-0-00451)의 연구결과이다.
또한, 본 발명은 과학기술정보통신부의 재원으로 한국연구재단의 지원을 받아 수행된 기초연구사업(2020R1A4A1017775)의 연구결과이다.
경두개 전기자극(tES: transcranial electrical stimulation)은 미세한 직류, 교류 등의 전류를 운동 기능 재활 환자 등의 대상자의 두피에 비침습적으로 인가하는 기술로, 뇌졸중과 같은 다양한 뇌병변 발병 후 흔히 나타나는 운동 기능 장애를 개선하거나, 신경계 통증 혹은 우울증 등의 정신 질환 증상을 완화하는 효과가 있다고 알려져 있다.
경두개 전기자극을 인가하는 위치는 대상자의 질환 및 치료 목적에 따라 상이하다. 운동 재활 효과를 극대화하기 위해 경두개 전기자극을 재활 운동과 병행하여 사용하는데, 일반적으로 뇌의 운동 영역(hotspot)에 자극을 인가한다. 종래에 개인별 운동 영역의 탐색을 위해, 손가락 등 신체 특정 부위의 운동유발전위(MEP: motor evoked potential)가 가장 뚜렷하게 발생되는 경두개 자기자극(TMS: transcranial magnetic stimulation) 인가 위치(뇌/두피 영역 부위)를 찾고 해당 위치에 뇌 전기자극을 인가하는 방식이 활용되고 있다. 즉, 경두개 자기자극 방식으로 찾은 두피 상의 운동 핫스팟 위치에 전기자극 전극을 부착하여 경두개 전기자극을 위한 전류를 인가하게 된다.
이러한 종래의 경두개 전기자극을 위한 운동 핫스팟 위치 선정 방법은 환자가 휴대하는 것이 불가능한 고가의 경두개 자기자극 장비를 활용해야 하는 관계로, 환자가 경두개 자기자극 장비가 구비된 병원을 매번 내원해야 하는 번거로움이 따른다. 특히 경두개 전기자극 치료를 필요로 하는 환자들 중 다수는 신체 움직임이 불편한 환자이기 때문에, 환자가 느끼는 불편함이 훨씬 크고, 비용 상의 부담도 크다는 문제가 있다. 또한 경두개 자기자극 방식으로 유도되는 운동유발전위(MEP)를 기반으로 운동 핫스팟 위치를 결정하기 위해서는 의사 등 전문가의 경험적인 판단이 수반되어야만 하므로, 전문가의 숙련도에 따라 운동 핫스팟 위치가 상이하게 결정될 수 있다.
본 발명은 뇌파를 기반으로 운동 핫스팟(motor hotspot) 위치를 검출할 수 있는 뇌파를 이용한 운동 핫스팟 위치 검출 장치 및 방법, 이를 이용한 경두개 전기자극 장치 및 뇌파를 이용하여 운동 핫스팟 위치를 검출하기 위한 프로그램이 기록된 기록 매체를 제공하기 위한 것이다.
또한, 본 발명은 번거로운 경두개 자기자극(TMS) 방식 대신, 뇌파 측정을 통해 개인별 운동 핫스팟 위치를 자동 탐지하여 경두개 전기자극 위치를 제공해줌으로써, 사용자의 전문성에 구애받지 않고 시·공간 상의 제약 없이 뇌전기 자극 치료를 수행할 수 있으며, 뇌전기 자극 재활의 홈케어 및 지속적 치료를 통해 운동 기능 재활 및 뇌 기능 개선 효과를 증대할 수 있는 뇌파를 이용한 운동 핫스팟 위치 검출 장치 및 방법, 이를 이용한 경두개 전기자극 장치 및 뇌파를 이용하여 운동 핫스팟 위치를 검출하기 위한 프로그램이 기록된 기록 매체를 제공하기 위한 것이다.
또한, 본 발명은 다량의 데이터베이스 없이도 사용자로부터 수집된 뇌파 데이터를 기반으로 합성곱 신경망을 이용하여 경두개 전기자극을 위한 목표 위치를 누구나 손쉽고 정확하게 자동 결정할 수 있는 운동 핫스팟 위치 검출 장치 및 방법, 이를 이용한 경두개 전기자극 장치 및 뇌파를 이용하여 운동 핫스팟 위치를 검출하기 위한 프로그램이 기록된 기록 매체를 제공하기 위한 것이다.
본 발명의 실시예에 따른 뇌파를 이용한 운동 핫스팟 위치 검출 장치는: 대상체의 두피에 대한 경두개 전기자극을 위한 목표 위치인 운동 핫스팟 위치를 검출하는 운동 핫스팟 위치 검출 장치로서, 상기 대상체에서 발생되는 뇌파를 상이한 위치들에서 측정하여 뇌파 데이터를 수집하도록 구성되는 다수의 뇌파 측정 전극; 및 상기 다수의 뇌파 측정 전극에 의해 각각 수집된 뇌파 데이터를 기반으로 상기 운동 핫스팟 위치를 검출하도록 구성되는 운동 핫스팟 위치 검출부를 포함한다.
본 발명의 실시예에 따른 경두개 전기자극 장치는: 대상체의 운동 핫스팟 위치를 검출하여 상기 운동 핫스팟 위치에 해당하는 두피 부위에 경두개 전기자극을 인가하기 위한 경두개 전기자극 장치로서, 상기 대상체의 두피에 착용 가능한 형태로 제공되는 헤드 착용형 몸체; 상기 대상체에서 발생된 뇌파를 상이한 위치들에서 측정하여 뇌파 데이터를 수집하도록 상기 헤드 착용형 몸체의 내면에 분산 배치되는 다수의 뇌파 측정 전극; 상기 다수의 뇌파 측정 전극에 의해 각각 수집된 뇌파 데이터를 기반으로 상기 운동 핫스팟 위치를 검출하도록 구성되는 운동 핫스팟 위치 검출부; 및 상기 대상체의 두피 상에 상기 경두개 전기자극을 인가하도록 상기 헤드 착용형 몸체에 마련되는 경두개 전기자극 전극을 포함한다.
본 발명의 실시예에 따른 뇌파를 이용한 운동 핫스팟 위치 검출 방법은: 대상체의 두피에 대한 경두개 전기자극을 위한 목표 위치인 운동 핫스팟 위치를 검출하는 운동 핫스팟 위치 검출 방법으로서, 상기 대상체에서 발생되는 뇌파에 대해 상이한 위치들에서 측정된 뇌파 데이터를 수집하는 단계; 및 운동 핫스팟 위치 검출부에 의해, 상기 뇌파 데이터를 기반으로 상기 운동 핫스팟 위치를 검출하는 단계를 포함한다.
본 발명의 실시예에 따르면, 상기 뇌파를 이용한 운동 핫스팟 위치 검출 방법을 실행하기 위한 프로그램이 기록된 컴퓨터로 판독 가능한 기록 매체가 제공된다.
본 발명의 실시예에 의하면, 뇌파를 기반으로 운동 핫스팟 위치를 검출할 수 있는 뇌파를 이용한 운동 핫스팟 위치 검출 장치 및 방법, 이를 이용한 경두개 전기자극 장치 및 뇌파를 이용하여 운동 핫스팟 위치를 검출하기 위한 프로그램이 기록된 기록 매체가 제공된다.
또한, 본 발명의 실시예에 의하면, 번거로운 경두개 자기자극(TMS) 방식 대신, 뇌파 측정을 통해 개인별 운동 핫스팟 위치를 자동 탐지하여 경두개 전기자극 위치를 제공해줌으로써, 사용자의 전문성에 구애받지 않고 시·공간 상의 제약 없이 뇌전기 자극 치료를 수행할 수 있으며, 뇌전기 자극 재활의 홈케어 및 지속적 치료를 통해 운동 기능 재활 및 뇌 기능 개선 효과를 증대할 수 있다.
또한, 본 발명의 실시예에 의하면, 다량의 데이터베이스 없이도 사용자로부터 수집된 뇌파 데이터를 기반으로 합성곱 신경망을 이용하여 경두개 전기자극을 위한 목표 위치를 누구나 손쉽고 정확하게 자동 결정할 수 있다.
도 1은 본 발명의 실시예에 따른 뇌파를 이용한 운동 핫스팟 위치 검출 장치를 포함하는 경두개 전기자극 장치의 사용 상태를 나타낸 사시도이다.
도 2는 본 발명의 실시예에 따른 뇌파를 이용한 운동 핫스팟 위치 검출 장치의 평면도이다.
도 3은 본 발명의 실시예에 따른 뇌파를 이용한 운동 핫스팟 위치 검출 장치의 구성도이다.
도 4는 본 발명의 실시예에 따른 뇌파를 이용한 운동 핫스팟 위치 검출 장치를 구성하는 운동 핫스팟 위치 검출부의 구성도이다.
도 5는 본 발명의 실시예에 따른 뇌파를 이용한 운동 핫스팟 위치 검출 장치에 의해 수집한 뇌파 데이터의 예시도이다.
도 6은 본 발명의 실시예에 따른 뇌파를 이용한 운동 핫스팟 위치 검출 장치를 구성하는 특징데이터 산출부의 구성도이다.
도 7은 본 발명의 실시예에 따른 뇌파를 이용한 운동 핫스팟 위치 검출 장치에 의해 생성된 파워스펙트럼 밀도의 예시도이다.
도 8은 특징데이터 산출부의 6개의 주파수 대역에 해당하는 파워스펙트럼 밀도를 기반으로 산출한 핫스팟 위치 오차를 나타낸 그래프이다.
도 9는 본 발명의 실시예에 따른 뇌파를 이용한 운동 핫스팟 위치 검출 장치를 구성하는 인공신경망의 개념도이다.
도 10은 본 발명의 실시예에 따른 뇌파를 이용한 운동 핫스팟 위치 검출 장치를 구성하는 인공신경망을 학습하는 과정을 설명하기 위한 개념도이다.
도 11a 및 도 11b는 본 발명의 실시예에 따른 뇌파를 이용한 운동 핫스팟 위치 검출 장치를 구성하는 다수의 뇌파 측정 전극의 위치와, 경두개 자기자극(TMS)에 의해 산출한 운동 핫스팟 위치를 나타낸 예시도이다.
도 12a 내지 도 12d는 본 발명의 다양한 실시예들에 따른 뇌파를 이용한 운동 핫스팟 위치 검출 장치를 구성하는 다수의 뇌파 측정 전극의 배열을 나타낸 예시도이다.
도 13은 본 발명의 일 실시예에 따른 경두개 전기자극 장치를 구성하는 경두개 전기자극 전극의 예시도이다.
도 14는 본 발명의 다른 실시예에 따른 경두개 전기자극 장치를 구성하는 경두개 전기자극 전극의 예시도이다.
도 15는 본 발명의 실시예에 따른 뇌파를 이용한 운동 핫스팟 위치 검출 방법의 순서도이다.
도 16은 본 발명의 실시예에 따른 뇌파를 이용한 운동 핫스팟 위치 검출 방법에 의해 검출된 운동 핫스팟 위치를 경두개 자기자극 방식으로 검출된 운동 핫스팟 위치와 비교한 도면이다.
도 17은 6개의 주파수 대역에 해당하는 파워스펙트럼 밀도를 특징으로 추출하여 이를 기반으로 산출한 경두개 전기자극 위치 오차를 나타낸 그래프이다.
도 18은 전처리 단계별 평균 경두개 전기자극 위치 검출 오차를 나타낸 그래프이다.
도 19는 본 발명의 실시예에 따른 합성곱 신경망을 이용한 뇌파 기반 경두개 전기자극 위치 결정 장치를 구성하는 합성곱 신경망의 개념도이다.
도 20은 분석에 적용된 채널의 수를 운동 영역을 중심으로 전체 63 채널에서 9개 채널까지 점진적으로 줄여가면서 본 발명의 실시예에 따라 산출한 경두개 전기자극 위치 오차를 나타낸 그래프이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.
본 명세서에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 본 명세서에서 사용되는 '~부, ~모듈'은 적어도 하나의 기능이나 동작을 처리하는 단위로서, 예를 들어 소프트웨어, FPGA 또는 하드웨어 구성요소를 의미할 수 있다. '~부, ~모듈'에서 제공하는 기능은 복수의 구성요소에 의해 분리되어 수행되거나, 다른 추가적인 구성요소와 통합될 수도 있다. 본 명세서의 '~부, ~모듈'은 반드시 소프트웨어 또는 하드웨어에 한정되지 않으며, 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고, 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 이하에서는 도면을 참조하여 본 발명의 실시예에 대해서 구체적으로 설명하기로 한다.
본 발명의 실시예에 따른 뇌파를 이용한 운동 핫스팟 위치 검출 장치 및 방법은 뇌파(EEG: electroencephalography)를 기반으로 대상체에 대한 경두개 전기자극 목표 위치인 운동 핫스팟(motor hotspot) 위치를 자동으로 결정하기 위한 것이다.
도 1은 본 발명의 실시예에 따른 뇌파를 이용한 운동 핫스팟 위치 검출 장치를 포함하는 경두개 전기자극 장치의 사용 상태를 나타낸 사시도이다. 도 2는 본 발명의 실시예에 따른 뇌파를 이용한 운동 핫스팟 위치 검출 장치의 평면도이다.
본 발명의 실시예에 따른 경두개 전기자극 장치는 뇌파를 이용한 운동 핫스팟 위치 검출 장치의 일 실시예로서 설명되는 것으로, 본 발명의 실시예에 따른 뇌파를 이용한 운동 핫스팟 위치 검출 장치 및 방법은 경두개 전기자극 장치에 적용되는 것으로 제한되지 않음을 미리 밝혀둔다.
도 1 및 도 2를 참조하면, 본 발명의 실시예에 따른 경두개 전기자극 장치는 운동 핫스팟 위치 검출 장치(100)를 포함한다. 운동 핫스팟 위치 검출 장치(100)는 대상체(10)의 두피에 대한 경두개 전기자극(tES: transcranial electrical stimulation)을 위한 목표 위치인 운동 핫스팟의 위치를 검출하기 위해 제공된다.
운동 핫스팟 위치 검출 장치(100)는 헤드 착용형 몸체(110), 다수의 뇌파 측정 전극(120), 운동 핫스팟 위치 검출부(130) 및 경두개 전기자극 전극(140)을 포함할 수 있다.
헤드 착용형 몸체(110)는 대상체(10)의 두피에 착용 가능한 형태로 제공될 수 있다. 헤드 착용형 몸체(110)는 헤드셋, 모자 등의 형태로, 대상체(10)의 두피 중의 적어도 일부에 착용될 수 있다.
대상체(10)는 예를 들어, 뇌졸중과 같은 다양한 뇌병변 발병 후 나타나는 운동 기능 장애를 겪는 운동 기능 재활 환자의 뇌를 포함하는 두부(頭部)일 수 있으나, 이에 제한되는 것은 아니다.
다수의 뇌파 측정 전극(120)은 대상자가 특정 운동 행위(예를 들어, 재활 관련 행동) 시에 대상체(10)에서 발생되는 뇌파를 상이한 위치들에서 측정하여 뇌파 데이터를 수집하도록 구성된다. 다수의 뇌파 측정 전극(120)은 대상체(10)의 두피 상의 상이한 위치들에서 뇌파 데이터를 수집하도록 헤드 착용형 몸체(110)의 내면에 분산 배치될 수 있다.
헤드 착용형 몸체(110)에는 다수의 뇌파 측정 전극(120) 외에, 기준 전극(122)과, 접지 전극(124)이 마련될 수 있다.
기준 전극(122)은 뇌파에 대한 기준이 되는 전위값을 제공하기 위한 전극일 수 있다. 즉, 기준 전극(120)의 전위값을 기준으로 한 뇌파 측정 전극(120)의 전위 측정값이 뇌파 데이터로 획득될 수 있다.
다시 말해, 기준 전극(120)의 전위값인 기준 신호와, 뇌파 측정 전극(120)의 위치별 측정 신호 간의 전위차가 최종적으로 각 채널별 뇌파 데이터로 수집될 수 있다. 단, 뇌파 측정 전극(120) 간의 평균 값을 기준값으로 사용하는 경우에는 별도의 기준 전극이 부착되지 않을 수도 있다.
뇌파 데이터는 뇌파 측정 전극(120)에 의해 수집된 뇌파 신호일 수도 있고, 기준 전극(122)에 의해 수집된 뇌파 신호를 기준으로 뇌파 측정 전극(120)에 의해 수집되는 뇌파 신호일 수도 있다.
접지 전극(124)은 뇌파 측정 전극(120)과 기준 전극(122) 간의 정확한 전위차를 제공하기 위해 장비 자체의 전위차를 0점에 맞춰 주는 용도로 부착되는 전극일 수 있다.
운동 핫스팟 위치 검출부(130)는 다수의 뇌파 측정 전극(120)에 의해 각각 수집된 뇌파 데이터를 기반으로 대상체(10)의 운동 핫스팟 위치를 검출하도록 구성된다.
운동 핫스팟 위치 검출부(130)는 적어도 하나의 프로세서(processor)와, 운동 핫스팟 위치 검출 알고리즘을 저장하는 메모리(memory)를 포함할 수 있다. 운동 핫스팟 위치 검출부(130)는 헤드 착용형 몸체(110)에 마련될 수 있으며, 각 뇌파 측정 전극(120) 및 경두개 전기자극 전극(140)과 전기신호적으로 연결될 수 있다.
실시예에서, 인공신경망 모델이 구축되고 나면, 운동 핫스팟 위치 검출부(130)는 경두개 자기자극 방식에 의해 측정되는 운동 핫스팟 3차원 위치 정보를 제외하고, 오직 다수의 뇌파 측정 전극(120)에 의해 채널별로 수집된 뇌파 데이터만을 기반으로 운동 핫스팟의 위치를 검출할 수 있다.
일 실시예에서, 운동 핫스팟 위치 검출부(130)는 공간 활용도를 높이기 위해 경두개 전기자극 전극(140)의 외측에 하나의 모듈 형태로 배치될 수 있으나, 운동 핫스팟 위치 검출부(130)의 배치 위치가 도시된 바에 의해 제한되는 것은 아니다.
경두개 전기자극 전극(140)은 대상체(10)의 두피 상에 경두개 전기자극을 인가하도록 헤드 착용형 몸체(110)에 마련된다. 경두개 전기자극 전극(140)은 운동 핫스팟 위치 검출부(130)에 의해 검출된 대상체(10)의 운동 핫스팟 위치에 해당하는 두피 부위에 경두개 전기자극을 인가할 수 있다.
경두개 전기자극 전극(140)은 대상자(예를 들어, 운동재활 환자)의 뇌 운동 영역인 운동 핫스팟 부위에 미세한 직류, 교류 등의 전류(경두개 전기자극)를 비침습적으로 인가할 수 있다. 이에 따라 운동재활 환자 등 대상자의 운동 재활 효과를 향상시킬 수 있다.
실시예에서, 경두개 전기자극 전극(140)은 양극 전극과 음극 전극의 두 개의 전극을 포함하는 전극 세트를 포함할 수 있다. 양극 전극 및 음극 전극에 의한 전기자극 위치는 운동 핫스팟 위치에 따라 결정될 수 있다.
예를 들어, 양극 전극 및 음극 전극 중 어느 하나의 전극은 운동 핫스팟 위치에서 전기자극을 인가하고, 다른 하나의 전극은 운동 핫스팟 위치에 따라 설정 거리 만큼 이격된 위치 상에 전기신호를 인가할 수 있다.
경두개 전기자극 전극(140)은 다수의 배열된 전극 중 운동 핫스팟 위치에 따라 어느 하나의 전극을 통해 전기자극을 인가할 수도 있고, 전극을 운동 핫스팟 위치로 이동시켜 전기자극을 인가하도록 구성될 수도 있다.
상술한 바와 같은 본 발명의 실시예에 의하면, 대상자 스스로가 착용한 헤드 착용형 몸체(110)에 마련된 다수의 뇌파 측정 전극(120)에 의해 뇌파 데이터를 수집하여 정확한 운동 핫스팟 위치를 검출하여 경두개 전기자극을 인가할 수 있다.
따라서, 대상자는 경두개 자기자극(TMS: transcranial magnetic stimulation)으로 운동 유발 전위(MEP: motor evoked potential)가 가장 뚜렷하게 유발되는 뇌 영역을 찾기 위해 병원에 내원하지 않더라도 개인별 정확한 뇌 운동 영역에 뇌 전기 자극을 가하여 향상된 운동 재활 효과를 얻을 수 있으며, 병원 내원으로 인한 불편을 줄이고 의료 비용 지출을 절감할 수 있다.
또한, 본 발명의 실시예에 의하면, 인공신경망 구축 후 번거로운 절차의 경두개 자기자극 측정 방식 대신 간단한 뇌파 측정을 통해 개인별 운동 핫스팟 위치를 자동 탐지하여 경두개 전기자극 위치를 제공해줌으로써, 사용자의 전문성에 구애받지 않고 시·공간 상의 제약 없이 운동 핫스팟 위치에 뇌전기 자극 치료를 수행할 수 있으며, 뇌전기 자극 재활의 홈케어 및 지속적 치료를 통해 운동 기능 재활 및 뇌 기능 개선 효과를 증대할 수 있다.
도 3은 본 발명의 실시예에 따른 뇌파를 이용한 운동 핫스팟 위치 검출 장치의 구성도이다. 도 1 및 도 3을 참조하면, 운동 핫스팟 위치 검출 장치(100)는 다수의 뇌파 측정 전극(120) 및 운동 핫스팟 위치 검출부(130)를 포함할 수 있다.
운동 핫스팟 위치 검출부(130)는 다수의 뇌파 측정 전극(120)에 할당된 채널별로 각각 수집된 시간 영역의 뇌파 데이터 또는 뇌파 데이터로부터 추출된 특징 데이터를 기반으로 운동 핫스팟 위치를 산출하는 인공신경망(Artificial Neural Network)을 포함할 수 있다.
운동 핫스팟 위치 검출부(130)의 인공신경망 모델은 다수의 뇌파 측정 전극(120)에 의해 다수의 채널별로 수집된 뇌파 데이터와, 경두개 자기자극에 의해 측정된 경두개 자기자극 데이터에 해당하는 운동 핫스팟 위치를 기반으로 학습될 수 있다. 운동 핫스팟 위치 검출부(130)의 인공신경망 학습 방법은 도 10을 참조하여 후술된다.
도 4는 본 발명의 실시예에 따른 뇌파를 이용한 운동 핫스팟 위치 검출 장치를 구성하는 운동 핫스팟 위치 검출부의 구성도이다. 도 1 내지 도 4를 참조하면, 운동 핫스팟 위치 검출부(130)는 특징데이터 산출부(134) 및 인공신경망(136)을 포함할 수 있다.
도 5는 본 발명의 실시예에 따른 뇌파를 이용한 운동 핫스팟 위치 검출 장치에 의해 수집된 뇌파 데이터의 예시도이다. 도 5에 도시된 3개의 뇌파 데이터는 각각 도 2에 도시된 다수의 뇌파 측정 전극 중 'c3' 전극, 'cz' 전극 및 'c4' 전극에 의해 수집된 뇌파 데이터이다.
도 6은 본 발명의 실시예에 따른 뇌파를 이용한 운동 핫스팟 위치 검출 장치를 구성하는 특징데이터 산출부의 구성도이다. 도 7은 본 발명의 실시예에 따른 뇌파를 이용한 운동 핫스팟 위치 검출 장치에 의해 생성된 파워스펙트럼 밀도(PSD; power spectrum density)의 예시도이다.
도 3 내지 도 7을 참조하면, 일 실시예에서, 특징 데이터 산출부(134)는 다수의 뇌파 측정 전극(120)에 할당된 다수의 채널별로 수집된 시간 영역의 뇌파 데이터(EEGD1, EEGD2, EEGD3)를 주파수 영역 데이터로 변환하여 채널별 파워스펙트럼 밀도(FT1, FT2, FT3)를 생성할 수 있다.
본 발명의 일 실시예에서, 특징 데이터 산출부(134)는 고속푸리에변환(FFT: fast fourier transform)을 통해 뇌파 데이터(EEGD1, EEGD2, EEGD3)를 파워스펙트럼 밀도(FT1, FT2, FT3)로 변환할 수 있다. 특징 데이터 산출부(134)는 예를 들어, 하기 수식 1에 따라 뇌파 데이터를 파워스펙트럼 밀도로 변환할 수 있다.
[수식 1]
Figure PCTKR2021002118-appb-I000001
수식 1에서, f(x)는 균등 분할(epoch)된 시간 영역(time domain)의 뇌파 데이터, f(ε)는 시간 영역의 뇌파 데이터로부터 변환된 주파수 영역(frequency domain)의 파워스펙트럼 밀도, x는 시간, ε는 주파수를 나타낸다.
일 실시예에서, 특징데이터 산출부(134)는 다수의 채널별로 뇌파 데이터를 파워스펙트럼 밀도(FT1, FT2, FT3)로 변환하여 이를 포함하는 특징 데이터를 산출할 수 있다.
본 발명의 다른 실시예에서, 특징 데이터 산출부(134)는 고속푸리에변환 이외에도, 하기 수식 2에 따른 웨이블릿 변환(wavelet transform), 또는 하기 수식 3에 따른 자동 회귀(auto regressive) 방식 등을 사용하여 시간 영역의 뇌파 데이터를 파워스펙트럼 밀도로 변환할 수도 있다.
[수식 2]
Figure PCTKR2021002118-appb-I000002
수식 2에서, X(a,b)는 균등 분할(epoch)된 시간 영역(time domain)의 뇌파 데이터로부터 웨이블릿 변환된 데이터, x(t)는 균등 분할된 시간 영역(time domain)의 뇌파 데이터, ψ는 웨이블릿 변환 함수, (a,b)는 (스케일 인자, 시간 인자)이다.
[수식 3]
Figure PCTKR2021002118-appb-I000003
수식 3에서, S(f)는 자동 회귀에 의해 균등 분할(epoch)된 시간 영역(time domain)의 뇌파 데이터로부터 변환된 주파수 영역의 데이터, f는 주파수, φ는 자동 회귀 함수, σ2 z는 뇌파 데이터의 분산, p는 뇌파 데이터의 채널 개수, k는 정수(1≤k≤p)이다.
특징데이터 산출부(134)에 의해 산출된 채널별 특징 데이터는 운동 핫스팟 위치 산출을 위해 인공신경망(136)의 입력 노드들로 입력될 수 있다. 인공신경망(136)은 특징데이터 산출부(134)에 의해 다수의 채널별로 산출된 파워스펙트럼 밀도를 포함하는 특징 데이터를 기반으로 운동 핫스팟 위치를 산출할 수 있다.
도 8은 특징데이터 산출부의 6개의 주파수 대역에 해당하는 파워스펙트럼 밀도를 특징으로 추출하여 이를 기반으로 산출한 핫스팟 위치 오차를 나타낸 그래프이다. 도 3, 도 4, 도 7 및 도 8을 참조하면, 특징데이터 산출부(134)는 전처리부(1342) 및 특징데이터 추출부(1344)를 포함할 수 있다.
전처리부(1342)(1342)는 다수의 뇌파 측정 전극(120)에 의해 수집된 채널별 뇌파 데이터에 대해 잡음 제거 등의 전처리를 수행할 수 있다.
특징데이터 추출부(1344)는 전처리부(1342)에 의해 잡음 제거 등의 전처리가 수행된 채널별 뇌파 데이터로부터, 파워스펙트럼 밀도, 뇌파 데이터 간 상관 관계 및/또는 위상 동기화 지수 등을 포함하는 특징 데이터를 추출할 수 있다.
본 발명의 일 실시예에서, 특징데이터 추출부(1344)는 고속 푸리에 변환부(1346), 상관계수 산출부(1348) 및/또는 위상 동기화 지수 산출부(1350)를 포함할 수 있다.
고속 푸리에 변환부(1346)는 채널별 뇌파 데이터를 고속 푸리에 변환하여 파워스펙트럼 밀도를 생성하여 이를 포함하는 특징 데이터를 추출할 수 있다. 특징데이터 추출부(1344)에 의해 추출된 파워스펙트럼 밀도를 포함하는 특징 데이터는 운동 핫스팟 위치 검출을 위해 인공신경망으로 입력될 수 있다.
상관계수 산출부(1348)는 다수의 뇌파 데이터 간의 상관 관계를 나타내는 상관 계수를 산출할 수 있다. 특징데이터 추출부(1344)에 의해 추출된 상관 계수를 포함하는 특징 데이터는 운동 핫스팟 위치 검출을 위해 인공신경망으로 입력될 수 있다.
위상 동기화 지수 산출부(1350)는 다수의 뇌파 데이터 간의 위상 동기화 지수를 산출할 수 있다. 특징데이터 추출부(1344)에 의해 추출된 위상 동기화 지수를 포함하는 특징 데이터는 운동 핫스팟 위치 검출을 위해 인공신경망으로 입력될 수 있다.
도 8의 그래프들 중 델타(Delta)는 1 ~ 4 Hz 주파수 범위의 파워스펙트럼 밀도를 추출하여 이를 기반으로 산출한 운동 핫스팟 위치의 오차, 세타(Theta)는 4 ~ 8 Hz 주파수 범위의 파워스펙트럼 밀도를 추출하여 이를 기반으로 산출한 운동 핫스팟 위치의 오차, 알파(Alpha)는 8 ~ 13 Hz 주파수 범위의 파워스펙트럼 밀도를 추출하여 이를 기반으로 산출한 운동 핫스팟 위치의 오차이다.
또한, 베타(Beta)는 13 ~ 30 Hz 주파수 범위의 파워스펙트럼 밀도를 추출하여 이를 기반으로 산출한 운동 핫스팟 위치의 오차, 감마(Gamma)는 30 ~ 50 Hz 주파수 범위의 파워스펙트럼 밀도를 추출하여 이를 기반으로 산출한 운동 핫스팟 위치의 오차, 전체(Full)는 1 ~ 50 Hz 주파수 범위를 포함하는 전체 파워스펙트럼 밀도를 기반으로 산출한 운동 핫스팟 위치의 오차이다.
이때 각 주파수 대역별 운동 핫스팟 위치의 오차는 각 뇌파 측정 전극에 의해 채널별로 수집된 뇌파 데이터를 고속푸리에변환(fast fourier transform: FFT)하는 과정을 통해 각 주파수 대역별로 파워스펙트럼 밀도를 추출하고, 추출된 채널별 파워스펙트럼 밀도를 인공신경망에 입력하여 얻은 운동 핫스팟 위치를 경두개 자기자극(TMS)에 의해 찾은 운동 유발 뇌 영역 위치와 비교하는 방법으로 산출한 것이다.
도 8에 도시된 결과로부터, 1 ~ 50 Hz 주파수 범위를 사용하였을 때의 운동 핫스팟 위치 측정 오차(EDG)가 가장 낮은 것을 알 수 있다. 또한, 감마(Gamma)에 해당하는 주파수 대역(30 ~ 50 Hz 주파수 범위)의 파워스펙트럼 밀도를 추출하여 운동 핫스팟 위치를 산출한 경우, 다른 주파수 대역의 파워스펙트럼 밀도를 추출한 경우보다 운동 핫스팟 위치 측정 오차(EDG)가 적고, 1 ~ 50 Hz 주파수 범위의 파워스펙트럼 밀도를 이용한 경우와 거의 동등한 수준의 낮은 오차를 나타내는 것을 알 수 있다.
특징 데이터를 추출하기 위한 파워스펙트럼 밀도의 주파수 범위는 앞서 언급한 특정 주파수 대역으로 제한되지 않고 다양한 주파수 대역으로 자유롭게 설정 가능하다.
또한, 파워스펙트럼 밀도 외에, 앞서 언급한 뇌파 간 상관 관계, 위상 동기화 지수 등의 다른 특징 데이터를 추출하여 운동 핫스팟 위치를 검출할 수도 있다. 또한, 파워스펙트럼 밀도는 고속 푸리에 변환 외에도, 웨이블릿 변환 또는 자동 회귀 등의 방식으로 추출될 수도 있다.
도 9는 본 발명의 실시예에 따른 뇌파를 이용한 운동 핫스팟 위치 검출 장치를 구성하는 인공신경망의 개념도이다. 도 4 및 도 9를 참조하면, 인공신경망(136)은 다수의 뇌파 측정 전극(120)에 할당된 채널별로 각각 수집된 시간 영역의 뇌파 데이터 또는 뇌파 데이터로부터 추출된 특징 데이터를 기반으로 운동 핫스팟 위치를 산출할 수 있다.
도 9의 실시예에서 인공신경망(136)은 완전연결층 심층 신경망(fully connected layer deep neural network)으로 구성되어 있으나, 이에 제한되지는 않으며, 컨볼루션 신경망(convolution neural network) 등의 다양한 신경망으로 구성될 수도 있다.
도 9의 실시예에 따른 인공신경망(136)은 입력 노드들(IN), 은닉 노드들(HN) 및 출력 노드들(ON)을 포함한다. 입력 노드들(IN), 은닉 노드들(HN) 및 출력 노드들(ON)은 완전 연결층(fully connected layer) 구조로 제공될 수 있다.
인공신경망(136)의 입력 노드들(IN)에는 특징데이터 산출부(134)에 의해 산출된 채널별 특징데이터(FEAT1, FEAT2, FEAT3, ..., FEAT63)가 입력될 수 있다. 도 9의 실시예에서는 63개의 전극에 의해 수집된 뇌파 데이터를 기반으로 63개의 채널별로 산출된 특징데이터가 인공신경망(136)의 입력 노드들(IN)에 입력되나, 입력 노드들(IN)의 개수는 채널 개수(뇌파 측정 전극 개수)에 따라 다양하게 변화될 수 있다.
인공신경망(136)의 출력 노드들(ON)에는 운동 핫스팟 위치의 3차원 좌표가 출력될 수 있다. 인공신경망(136)에 의해 산출된 운동 핫스팟 위치는 경두개 전기자극 전극(140)으로 전달되고, 경두개 전기자극 위치가 운동 핫스팟 위치에 따라 경두개 전기자극 전극(140)에 의해 인가되는 자극 위치가 결정될 수 있다.
도 10은 본 발명의 실시예에 따른 뇌파를 이용한 운동 핫스팟 위치 검출 장치를 구성하는 인공신경망을 학습하는 과정을 설명하기 위한 개념도이다. 도 11은 본 발명의 실시예에 따른 뇌파를 이용한 운동 핫스팟 위치 검출 장치를 구성하는 다수의 뇌파 측정 전극의 위치와, 경두개 자기자극(TMS)에 의해 산출한 운동 핫스팟 위치를 나타낸 예시도이다.
도 3, 도 10 및 도 11을 참조하면, 다수의 뇌파 측정 전극(120)에 의해 채널 별로 수집된 뇌파 데이터로부터 추출된 파워스펙트럼 밀도 등의 특징 데이터(FEAT)와, 경두개 자기자극(TMS)에 의해 산출된 운동 핫스팟 위치(HSP)를 인공신경망의 입력 노드들로 입력하여, 인공신경망의 입력 노드들과 은닉 노드들 및 출력 노드들 간의 가중치를 학습할 수 있다.
도 11에 도시된 예에서, 경두개 자기자극(TMS)에 의한 운동 핫스팟 위치(HSP)는 일 예를 들면, 대상자의 오른손 검지손가락 등 신체 특정 부위에 운동유발전위(MEP) 측정을 위한 전극을 접촉시킨 후, 대상자의 두뇌 부분에 경두개 자기자극을 인가하여, 신체 특정 부위의 운동유발전위가 가장 뚜렷하게 발생되는 경두개 자기자극 인가 영역(뇌/두피 영역 부위)을 찾는 방식으로 산출될 수 있다.
이때 뇌파 데이터를 수집하는 과정에서 피험자는 모니터에 나타나는 빨간색 동그라미에 맞춰 운동 과제(예를 들어, 오른손 또는 왼손 검지 손가락을 이용하여 스페이스바를 1회 누르는 운동 과제)를 수회 반복하는 등의 운동 행위를 할 수 있다. 실시예에서, 인공신경망의 학습은 교차 검증(cross-validation)을 활용한 인공신경망 학습 모델(예를 들어, 10-겹 교차 검증)에 의해 수행될 수 있다.
도 12는 본 발명의 다양한 실시예들에 따른 뇌파를 이용한 운동 핫스팟 위치 검출 장치를 구성하는 다수의 뇌파 측정 전극의 배열을 나타낸 예시도이다. 도 12에 도시된 바와 같이, 뇌파 측정 전극(120)의 개수(채널 개수)를 63 채널 보다 감소시키면서 경두개 자기자극 방식의 운동 핫스팟 위치와 비교하여 오차를 측정한 결과, 모두 오차가 1cm 미만인 것으로 확인되며, 이는 뇌전기 자극용 전극의 지름(최소 1 cm 이상) 보다 작은 허용 가능한 오차 범위에 해당한다.
이상의 실시예에서는 채널별 뇌파 데이터의 파워스펙트럼 밀도를 기반으로 운동 핫스팟 위치를 검출하는 방식이 주로 설명되었으나, 운동 핫스팟 위치 검출부는 채널별 뇌파 데이터를 직접 인공신경망의 입력 노드에 입력하거나, 파워스펙트럼 밀도 이외의 다른 특징 파라미터를 추출하여 인공신경망의 입력 노드에 입력함으로써 운동 핫스팟 위치를 검출할 수도 있다.
예를 들어, 운동 핫스팟 위치 검출부의 특징 데이터 산출부는 다수의 채널별로 수집된 뇌파 데이터 간의 상관 계수 및/또는 위상 동기화 지수를 포함하는 특징 데이터를 산출할 수 있다. 인공신경망은 특징 데이터 산출부에 산출된 상관 계수 및/또는 위상 동기화 지수를 포함하는 특징 데이터를 기반으로 운동 핫스팟 위치를 산출할 수 있다.
일 실시예에서, 도 7에 도시된 바와 같이, 운동 핫스팟 위치 검출부의 특징 데이터 산출부(134)는 상관계수 산출부(1348)를 포함할 수 있으며, 상관계수 산출부(1348)는 하기 수식 4에 따라 다수의 채널별로 수집된 뇌파 데이터 간의 상관 계수(correlation coefficient)에 해당하는 특징 데이터를 산출할 수 있다.
[수식 4]
Figure PCTKR2021002118-appb-I000004
수식 4에서, r는 수집된 뇌파 데이터들 간의 상관 계수, Amn, Bmn는 상관 계수 산출 대상인 두 뇌파 데이터, A, B는 각 뇌파 데이터의 평균, m, n(1≤m≤N, 1≤n≤N, N은 뇌파 데이터 채널 개수, m, n은 정수)은 뇌파 데이터의 채널 번호이다.
다른 실시예에서, 운동 핫스팟 위치 검출부의 특징 데이터 산출부(134)는 위상 동기화 지수 산출부(1350)를 포함할 수 있으며, 위상 동기화 지수 산출부(1350)는 국소원측정(source localization)을 통한 다양한 네트워크 파라미터를 포함하는 특징 데이터를 산출하여 운동 핫스팟 위치를 검출할 수 있다.
특징 데이터 산출부(134)는 예를 들어 두 신호(뇌파 데이터)의 위상(phase)이 얼마나 동기화되어 있는지를 비교하는 계수인 위상동기화지수(PLV: phase locking value) 등을 포함하는 특징 데이터를 기반으로 운동 핫스팟 위치를 검출할 수 있다.
일 실시예로, 특징 데이터 산출부(134)는 필터링된 다수의 뇌파 신호 각각을 힐버트 변환(Hilbert Transform)하여 위상값을 산출하고, 하기 수식 5를 기반으로 두 위상값 상호 간의 위상 동기화 지수를 산출할 수 있다.
[수식 5]
Figure PCTKR2021002118-appb-I000005
수식 5에서, φ1, φ2는 힐버트 변환에 의해 산출된 두 뇌파 신호들의 위상값들, Nfast는 두 뇌파 신호들의 위상값들의 측정 시구간의 길이, t는 샘플 시간이다.
한편, 채널별 뇌파 데이터, 채널별 뇌파 데이터로부터 주파수 변환된 파워스펙트럼 밀도(파워스펙트럼 데이터), 뇌파 데이터들 간의 상관 계수 및 국소원측정 기반 네트워크 파라미터(위상 동기화 지수) 중 하나 혹은 둘 이상이 인공 신경망의 입력 변수(또는 입력 변수들)로 적용될 수도 있다.
도 13은 본 발명의 일 실시예에 따른 경두개 전기자극 장치를 구성하는 경두개 전기자극 전극의 예시도이다. 도 1 및 도 13을 참조하면, 경두개 전기자극 전극(140)는 2차원 평면 또는 곡면 상에 다수의 전기자극 인가 전극(142)이 배열된 구조로 제공될 수 있다.
경두개 전기자극 전극(140)은 다수의 전기자극 인가 전극(142) 중 운동 핫스팟 위치 검출부(130)에 의해 검출된 운동 핫스팟 위치에 해당하는 전기자극 인가 전극(144)을 작동시켜 운동 핫스팟 위치에 해당하는 두피 부위에 전기자극을 인가할 수 있다.
도 14는 본 발명의 다른 실시예에 따른 경두개 전기자극 장치를 구성하는 경두개 전기자극 전극의 예시도이다. 도 1 및 도 14를 참조하면, 경두개 전기자극 전극(140)는 하나의 전기자극 인가 전극(146)을 포함할 수 있다.
경두개 전기자극 장치는 전기자극 인가 전극(146)을 운동 핫스팟 위치로 이동시키도록 헤드 착용형 몸체(110)에 마련되는 전극 이동부(160)를 구비할 수 있다.
전극 이동부(160)는 운동 핫스팟 위치 검출부(130)에 의해 검출된 운동 핫스팟 위치에 따라 전기자극 인가 전극(146)을 평면 또는 곡면의 이동면 상에서 2차원 방향 또는 3차원 방향으로 이동시킬 수 있다.
실시예에서, 전극 이동부(160)는 전기자극 인가 전극(146)을 제1 가이드바(162)를 따라 제1 방향으로 이동시키는 제1 구동부(166), 제1 가이드바(162)를 따라 제1 방향으로 이동 가능하게 제공되고 제1 방향과 수직한 제2 방향으로 배열되는 제2 가이드바(164), 제2 가이드바(164)를 따라 전기자극 인가 전극(146)을 제2 방향으로 이동시키는 제2 구동부(168)를 포함할 수 있다.
또한, 전극 이동부(160)는 전기자극 인가 전극(146)을 제1 방향 및 제2 방향에 모두 수직한 제3 방향을 따라 이동시키는 제3 구동부(도시 생략)를 구비할 수도 있다. 전기자극 인가 전극(146)을 이동시키는 구동 매커니즘은 전기자극 인가 전극(146)을 2차원 또는 3차원 방향으로 이동시킬 수 있는 것이라면 특별히 제한되지 않고 모두 적용 가능하다.
도 15는 본 발명의 실시예에 따른 뇌파를 이용한 운동 핫스팟 위치 검출 방법의 순서도이다. 도 1, 도 3 및 도 15를 참조하면, 경두개 자기자극(TMS) 기반으로 운동 핫스팟 위치(3차원 좌표)를 측정하고(S110), 이와 별개로 환자의 운동행위(예를 들어, 스페이스바를 누르는 행위)에 따른 뇌파 데이터를 측정하여 측정 데이터를 수집할 수 있다(S120).
측정 데이터가 수집되면, 수집된 측정 데이터를 기반으로 인공신경망 모델을 학습하고, 학습된 인공신경망 모델을 이용하여 뇌파 기반으로 운동 핫스팟의 3차원 좌표를 검출할 수 있다(S130).
즉, 다수의 뇌파 측정 전극(120)에 의해 채널 별로 수집된 뇌파 데이터로부터 추출된 파워스펙트럼 밀도 등의 특징 데이터와, 경두개 자기자극(TMS)에 의해 산출된 운동 핫스팟 위치를 인공신경망(136)의 입력 노드들로 입력하여 인공신경망(136)의 입력 노드들과 은닉 노드들 및 출력 노드들 간의 가중치를 학습할 수 있다.
예를 들어, 인공신경망(136)이 학습된 후, 헤드 착용형 몸체(110)에 마련된 다수의 뇌파 측정 전극(120)에 의해, 대상체(10)에서 발생되는 뇌파를 상이한 위치들에서 측정하여 뇌파 데이터를 수집할 수 있다.
다수의 뇌파 측정 전극(120)에 의해 채널 별로 뇌파 데이터가 수집되면, 운동 핫스팟 위치 검출부(130)에 의해, 다수의 뇌파 측정 전극(120)에 의해 각각 수집된 뇌파 데이터를 기반으로 인공신경망(136)에 의해 운동 핫스팟 위치를 검출할 수 있다.
운동 핫스팟 위치 검출부(130)에 의해 운동 핫스팟 위치가 검출되면, 헤드 착용형 몸체(110)에 마련된 경두개 전기자극 전극(140)에 의해, 검출된 운동 핫스팟 위치에 해당하는 두피 부위에 경두개 전기자극을 인가할 수 있다(S140).
경두개 전기자극 전극(140)은 대상자(예를 들어, 운동재활 환자)의 뇌 운동 영역인 운동 핫스팟 부위에 미세한 직류, 교류 등의 전류(경두개 전기자극)를 비침습적으로 인가함으로써, 운동 기능 재활 환자 등의 대상자의 운동 재활 효과를 향상시킬 수 있다.
이때, 운동 핫스팟 위치 검출부(130)에 의해 검출된 운동 핫스팟 위치에 따라, 헤드 착용형 몸체(110)에 배열된 다수의 전기자극 인가 전극 중 어느 하나 이상의 전기자극 인가 자극을 선택하거나, 헤드 착용형 몸체(110)에 마련된 경두개 전기자극 전극을 운동 핫스팟 위치에 따라 이동시키는 등의 방법으로, 운동 핫스팟 위치에 효율적으로 전기자극을 가하여 운동 기능 재활 효과를 극대화할 수 있다.
다수의 뇌파 측정 전극에 의해 채널 별로 수집된 뇌파 데이터로부터 운동 핫스팟 위치를 검출하기 위한 구체적인 방법은 앞서 운동 핫스팟 위치 검출 장치 및 경두개 전기자극 장치의 실시예에 대한 설명을 통해 이해할 수 있으므로, 중복되는 설명은 생략하기로 한다.
도 16은 본 발명의 실시예에 따른 뇌파를 이용한 운동 핫스팟 위치 검출 방법에 의해 검출된 운동 핫스팟 위치를 경두개 자기자극(TMS) 방식으로 검출된 운동 핫스팟 위치와 비교한 도면이다. 도 16에 도시된 바와 같이, 본 발명의 실시예에 따라 검출된 운동 핫스팟 위치(EEG-Hotspot)는 경두개 자기자극 방식으로 검출된 운동 핫스팟 위치(TMS-Hotspot)와 1 cm 미만의 차이를 나타내며, 이는 뇌전기 자극용 전극의 크기(지름)가 최소 1 cm 이상인 점을 고려할 때 허용 가능한 오차 범위에 해당하는 것이다.
상술한 본 발명의 실시예에 의하면, 대상자 스스로가 착용한 헤드 착용형 몸체(110)에 마련된 다수의 뇌파 측정 전극(120)에 의해 뇌파 데이터를 수집하여 정확한 운동 핫스팟 위치를 검출할 수 있다.
또한, 본 발명의 실시예에 따른 뇌파를 이용한 운동 핫스팟 위치 검출 장치 및 방법을 경두개 전기자극 장치에 적용하는 경우에는, 검출된 운동 핫스팟 위치에 경두개 전기자극을 인가할 수 있다.
따라서, 대상자는 경두개 자기자극(TMS)으로 운동 유발 전위(MEP)가 가장 뚜렷하게 유발되는 뇌 영역을 찾기 위해 병원에 매번 내원하지 않더라도 개인별 정확한 뇌 운동 영역에 뇌 전기 자극을 가하여 향상된 운동 재활 효과를 얻을 수 있으며, 병원 내원으로 인한 불편을 줄이고 비용 지출을 절감할 수 있다.
상술한 실시예에서는 예를 들어, 완전연결층 심층 신경망 모델과 같은 기계학습 기반의 알고리즘을 통해 운동 핫스팟 위치를 결정한다. 이 경우, 보다 정확한 운동 핫스팟 위치 검출을 위해 신경망 모델의 학습을 위한 빅데이터를 필요로 하며, 이와 비례하여 학습량 증가로 인해 검출 속도가 저하될 수 있다. 이러한 문제를 방지하기 위하여, 이하에서는 다량의 데이터베이스 없이 각 개인별 뇌파 데이터만을 이용하여 합성곱 신경망과 같은 딥러닝 기반의 알고리즘에 의해 대상자의 운동 핫스팟을 자동으로 검출할 수 있는 방안에 대해 설명한다.
이하에서 도 17 내지 도 20을 참조하여, 본 발명의 다른 실시예에 따른 합성곱 신경망을 이용한 뇌파 기반 경두개 전기자극 위치 결정 장치 및 방법에 대해 설명한다. 본 발명의 실시예에 따른 합성곱 신경망을 이용한 뇌파 기반 경두개 전기자극 위치 결정 장치 및 방법에 의하면, 다량의 데이터베이스 없이도 사용자로부터 수집된 뇌파(EEG: electroencephalography) 데이터를 기반으로 합성곱 신경망을 이용하여 대상체에 대한 경두개 전기자극을 위한 목표 위치를 자동으로 결정할 수 있다.
도 17 내지 도 20에 도시된 실시예에 의하면, 뇌파를 기반으로 합성곱 신경망을 이용하여 경두개 전기자극 목표 위치를 결정하므로, 검출 모델의 일반화를 위한 빅데이터를 사용하지 않고도, 경두개 전기자극을 위한 목표 위치를 누구나 손쉽고 정확하게 결정할 수 있으며, 학습량 증가에 따라 검출 속도가 상당히 저하되는 문제점을 해소할 수 있다. 따라서 다량의 데이터를 기반으로 신경망 모델을 구축하는 방식보다 빠르고 간편하게 운동 핫스팟 위치를 검출할 수 있다.
도 17은 6개의 주파수 대역에 해당하는 파워스펙트럼 밀도를 특징으로 추출하여 이를 기반으로 산출한 경두개 전기자극 위치 오차를 나타낸 그래프이다. 도 17의 그래프들 중 델타(Delta)는 1 ~ 4 Hz 주파수 범위의 파워스펙트럼 밀도를 추출하여 이를 기반으로 산출한 경두개 전기자극 위치의 오차, 세타(Theta)는 4 ~ 8 Hz 주파수 범위의 파워스펙트럼 밀도를 추출하여 이를 기반으로 산출한 경두개 전기자극 위치의 오차, 알파(Alpha)는 8 ~ 13 Hz 주파수 범위의 파워스펙트럼 밀도를 추출하여 이를 기반으로 산출한 경두개 전기자극 위치의 오차이다.
또한, 베타(Beta)는 13 ~ 30 Hz 주파수 범위의 파워스펙트럼 밀도를 추출하여 이를 기반으로 산출한 경두개 전기자극 위치의 오차, 감마(Gamma)는 30 ~ 50 Hz 주파수 범위의 파워스펙트럼 밀도를 추출하여 이를 기반으로 산출한 경두개 전기자극 위치의 오차, 전체(Full)는 1 ~ 50 Hz 주파수 범위를 포함하는 전체 파워스펙트럼 밀도를 기반으로 산출한 경두개 전기자극 위치의 오차이다.
도 17에 도시된 각 주파수 대역별 경두개 전기자극 위치의 오차는 각 뇌파 측정 전극에 의해 채널별로 수집된 뇌파 데이터를 고속푸리에변환(fast fourier transform: FFT)하는 과정을 통해 각 주파수 대역별로 파워스펙트럼 밀도를 추출하고, 추출된 채널별 파워스펙트럼 밀도를 합성곱 신경망에 입력하여 얻은 경두개 전기자극 위치를 경두개 자기자극(TMS)에 의해 찾은 운동 유발 뇌 영역 위치와 비교하는 방법으로 산출한 것이다.
도 18은 전처리 단계별 평균 경두개 전기자극 위치 검출 오차를 나타낸 그래프이다. 도 17 및 도 18에 도시된 결과로부터, 주파수 대역과 무관하게 모든 조건에서 기존의 TMS로 검출한 경두개 전기자극 위치 좌표와의 평균 오차가 0.1 cm 미만임을 확인할 수 있다. 특히 전체 1 ~ 50 Hz 주파수 범위를 포함하는 전체 파워스펙트럼 밀도를 기반으로 본 발명의 실시예에 따라 산출된 경두개 전기자극 위치 좌표의 평균 오차는 TMS 검출시 오른손을 이용한 경우와, 왼손을 이용한 경우 모두 약 0.03 cm 였다. 따라서 특징 데이터를 추출하기 위한 파워스펙트럼 밀도의 주파수 범위는 특정 주파수 대역으로 제한되지 않고 다양한 주파수 대역으로 자유롭게 설정 가능하다.
합성곱 신경망의 전처리 및 특징 추출 성능을 함께 검증하기 위해, 전처리부터 특징 추출까지 1) 원신호를 이용한 경우(RAW), 2) 재참조 방식을 이용하여 잡음을 제거한 경우(CAR), 3) 재참조 및 대역통과필터를 이용하여 잡음을 제거한 경우(CAR+BPF), 4) 재참조, 대역통과필터 및 독립성분분석을 모두 이용하여 잡음을 제거한 경우(CAR+BPF+ICA)의 4 경우로 구분하여 각각의 경우에 대해 경두개 전기자극 위치 검출 성능(위치 오차)을 도출하였다.
도 18에서 알 수 있듯이 전처리 단계가 심화될수록 낮은 오차를 보였으나, 전처리되지 않은 원신호를 이용한 경우(RAW)에서도 평균 0.25 cm 이하의 낮은 위치 오차를 확인할 수 있었다. 이는 합성곱 신경망을 이용할 경우 전문가의 판단에 근거하는 별도의 전처리 과정 없이 누구나 손쉽게 개인별 운동영역을 검출할 수 있다는 것을 시사한다.
한편, 도 17 및 도 18의 실시예에서는 파워스펙트럼 밀도를 특징 데이터로 추출하였으나, 앞서 언급한 뇌파 간 상관 관계, 위상 동기화 지수 등의 다른 특징 데이터를 추출하여 경두개 전기자극 위치를 검출할 수도 있다. 또한, 파워스펙트럼 밀도는 고속 푸리에 변환 외에도, 웨이블릿 변환 또는 자동 회귀 등의 방식으로 추출될 수도 있다.
도 19는 본 발명의 실시예에 따른 합성곱 신경망을 이용한 뇌파 기반 경두개 전기자극 위치 결정 장치를 구성하는 합성곱 신경망의 개념도이다. 도 4 및 도 19를 참조하면, 인공신경망(136)은 합성곱 신경망으로 구현될 수 있다. 합성곱 신경망은 다수의 뇌파 측정 전극(120)에 할당된 채널별로 각각 수집된 시간 영역의 뇌파 데이터 또는 뇌파 데이터로부터 추출된 특징 데이터를 기반으로 경두개 전기자극 위치를 산출할 수 있다.
도 19의 실시예에 도시된 합성곱 합성곱 신경망은 다수의 컨볼루션층(Convolution layer)(136a)과 다수의 풀링층(Pooling layer)(136b), 및 완전 연결층(Fully connected layer)(136c)으로 구성될 수 있으나, 이에 제한되지는 않는다.
다수의 컨볼루션층(136a)은 뇌파 데이터 또는 이로부터 추출된 특징 데이터를 기반으로 합성곱 필터를 이용하여 시간 축 및/또는 공간 축 합성곱(convolution) 처리를 수행하여 합성곱 데이터를 생성할 수 있다.
다수의 풀링층(136b)은 이미지보다 차원의 크기가 월등히 작은 뇌파 데이터의 데이터 손실을 최소화하기 위하여 입력값의 특징을 최대한 부각시킬 수 있는 방향으로 학습하도록 풀링(pooling) 처리를 수행할 수 있으나, 이에 한정되는 것은 아니다.
완전 연결층(136c)은 뇌파 데이터를 기반으로 추출한 특징들을 기반으로 분류/회귀의 역할을 수행할 수 있다. 완전 연결층(136c)은 3차원 좌표값을 도출하기 위해 앞단에서 도출된 결과를 1차원 배열로 풀어내어 마지막 출력으로 회귀(regression)를 통해 3차원 좌표값을 도출할 수 있다. 즉, 완전 연결층(136c) 앞단의 컨볼루션층에서 추출된 특징 행렬을 특징 벡터의 형태로 변환하여 최종 출력층에서 회귀(regression) 모델을 통해 운동 핫스팟(motor hotspot)의 3차원 좌표값을 도출할 수 있다.
도 19에 도시된 실시예에서는 합성곱 신경망에 1 ~50 Hz에 해당하는 전체 주파수 대역의 뇌파 데이터로부터 63(채널수)×50(전체 주파수 대역의 입력 크기) 크기의 특징 데이터가 입력되고 있으나, 주파수 대역에 따라 입력 데이터의 크기는 변화될 수 있다.
예를 들어, 델타 대역의 파워스펙트럼 밀도를 이용하는 경우, 합성곱 신경망에 63×4 크기의 특징 데이터가 입력될 수 있다. 또한, 세타 대역, 알파 대역, 베타 대역, 감마 대역의 파워스펙트럼 밀도를 이용하는 경우에는 각각 63×5, 63×6, 63×18, 63×21 크기의 특징 데이터가 입력될 수 있으나, 이에 한정되는 것은 아니다.
도 20은 분석에 적용된 채널의 수를 운동 영역을 중심으로 전체 63 채널에서 9개 채널까지 점진적으로 줄여가면서 본 발명의 실시예에 따라 산출한 경두개 전기자극 위치 오차를 나타낸 그래프이다. 오른손과 왼손의 오차가 통계적으로 차이가 나지 않아 두 손에 대한 결과를 평균하였다. 도 20에 도시된 바와 같이, 본 발명의 실시예에 따라 합성곱 신경망을 이용하여 산출된 경두개 전기자극 위치는 약 0.1 cm 이하의 낮은 오차를 가지는 것을 알 수 있다.
본 발명의 실시예에 따른 합성곱 신경망을 이용한 뇌파 기반 경두개 전기자극 위치 결정 장치 및 방법을 경두개 전기자극 장치에 적용하는 경우, 검출된 경두개 전기자극 위치에 경두개 전기자극을 인가할 수 있다.
따라서, 대상자는 경두개 자기자극(TMS)으로 운동 유발 전위가 가장 뚜렷하게 유발되는 뇌 영역을 찾기 위해 병원에 매번 내원하지 않더라도 개인별 정확한 뇌 운동 영역에 뇌 전기 자극을 가하여 향상된 운동 재활 효과를 얻을 수 있으며, 병원 내원으로 인한 불편을 줄이고 비용 지출을 절감할 수 있다.
또한, 다량의 데이터베이스 없이도 개인별 뇌파 데이터만을 이용하여 합성곱 신경망과 같은 딥러닝 기반의 알고리즘에 의해 누구나 손쉽고 정확하게 경두개 전기자극을 위한 목표 위치인 대상자의 운동 핫스팟을 자동으로 검출할 수 있으며, 학습량 증가에 따라 검출 속도가 저하되는 문제도 방지할 수 있다.
이상에서 설명된 실시예들의 구성 중 적어도 일부는 하드웨어 구성요소, 소프트웨어 구성요소, 및/ 또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(Arithmetic Logic Unit), 디지털 신호 프로세서(Digital Signal Processor), 마이크로컴퓨터, FPGA(Field Programmable Gate Array), PLU(Programmable Logic Unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다.
처리 장치는 운영 체제 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술 분야에서 통상의 지식을 가진 자는 처리 장치가 복수 개의 처리 요소(Processing Element) 및/또는 복수 유형의 처리요소를 포함할 수 있음을 이해할 것이다.
예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(Parallel Processor) 와 같은, 다른 처리 구성(Processing configuration)도 가능하다. 소프트웨어는 컴퓨터 프로그램(Computer Program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다.
소프트웨어 및/ 또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody) 될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다.
컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CDROM, DVD와 같은 광기록 매체(optical media) 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다. 그러므로, 다른 구현들, 다른 실시예들 및 청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.

Claims (20)

  1. 대상체의 두피에 대한 경두개 전기자극을 위한 목표 위치인 운동 핫스팟 위치를 검출하는 운동 핫스팟 위치 검출 장치로서,
    상기 대상체에서 발생되는 뇌파를 상이한 위치들에서 측정하여 뇌파 데이터를 수집하도록 구성되는 다수의 뇌파 측정 전극; 및
    상기 다수의 뇌파 측정 전극에 의해 각각 수집된 뇌파 데이터를 기반으로 상기 운동 핫스팟 위치를 검출하도록 구성되는 운동 핫스팟 위치 검출부를 포함하는, 뇌파를 이용한 운동 핫스팟 위치 검출 장치.
  2. 제1항에 있어서,
    상기 운동 핫스팟 위치 검출부는,
    상기 다수의 뇌파 측정 전극에 할당된 채널별로 각각 수집된 시간 영역의 뇌파 데이터 또는 상기 뇌파 데이터로부터 추출된 특징 데이터를 기반으로 상기 운동 핫스팟 위치를 산출하도록 구성되는 인공 신경망을 포함하는, 뇌파를 이용한 운동 핫스팟 위치 검출 장치.
  3. 제2항에 있어서,
    상기 운동 핫스팟 위치 검출부는, 상기 채널별로 수집된 뇌파 데이터로부터 상기 특징 데이터를 추출하도록 구성되는 특징 데이터 추출부를 더 포함하고,
    상기 인공신경망은, 상기 특징 데이터 추출부에 의해 상기 뇌파 데이터로부터 추출된 상기 특징 데이터를 기반으로 상기 운동 핫스팟 위치를 산출하도록 구성되는, 뇌파를 이용한 운동 핫스팟 위치 검출 장치.
  4. 제3항에 있어서,
    상기 특징 데이터 추출부는,
    상기 다수의 뇌파 측정 전극에 할당된 다수의 채널별로 수집된 시간 영역의 뇌파 데이터로부터 푸리에 변환, 웨이블릿 변환 또는 자동 회귀 방식을 통해 채널별 파워스펙트럼 밀도를 포함하는 특징 데이터를 산출하도록 구성되고,
    상기 인공신경망은 상기 다수의 채널별로 산출된 상기 파워스펙트럼 밀도를 포함하는 특징 데이터를 기반으로 상기 운동 핫스팟 위치를 산출하도록 구성되는, 뇌파를 이용한 운동 핫스팟 위치 검출 장치.
  5. 제3항에 있어서,
    상기 특징 데이터 추출부는, 상기 다수의 채널별로 수집된 뇌파 데이터 간의 상관 계수를 포함하는 특징 데이터를 산출하도록 구성되는 상관계수 산출부를 포함하고,
    상기 인공신경망은 상기 상관 계수를 포함하는 상기 특징 데이터를 기반으로 상기 운동 핫스팟 위치를 산출하도록 구성되는, 뇌파를 이용한 운동 핫스팟 위치 검출 장치.
  6. 제3항에 있어서,
    상기 특징 데이터 추출부는, 상기 다수의 채널별로 수집된 뇌파 데이터 간의 위상 동기화 지수를 포함하는 특징 데이터를 산출하도록 구성되는 위상 동기화 지수 산출부를 포함하고,
    상기 인공신경망은 상기 위상 동기화 지수를 포함하는 상기 특징 데이터를 기반으로 상기 운동 핫스팟 위치를 산출하도록 구성되는, 뇌파를 이용한 운동 핫스팟 위치 검출 장치.
  7. 제2항에 있어서,
    상기 인공신경망은, 다수의 채널별로 수집된 뇌파 데이터와, 경두개자기자극에 의해 측정된 운동 핫스팟 위치를 기반으로 학습되는, 뇌파를 이용한 운동 핫스팟 위치 검출 장치.
  8. 제2항에 있어서,
    상기 인공신경망은 합성곱 신경망을 포함하는, 뇌파를 이용한 운동 핫스팟 위치 검출 장치.
  9. 제1항에 있어서,
    상기 대상체의 두피에 착용 가능한 형태로 제공되는 헤드 착용형 몸체를 더 포함하고,
    상기 다수의 뇌파 측정 전극은, 상기 대상체의 두피 상의 상이한 위치들에서 상기 뇌파 데이터를 수집하도록 상기 헤드 착용형 몸체의 내면에 분산 배치되는, 뇌파를 이용한 운동 핫스팟 위치 검출 장치.
  10. 제9항에 있어서,
    상기 대상체의 두피 상에 상기 경두개 전기자극을 인가하도록 상기 헤드 착용형 몸체에 마련되는 경두개 전기자극 전극; 및
    상기 경두개 전기자극 전극을 상기 운동 핫스팟 위치로 이동시키도록 상기 헤드 착용형 몸체에 마련되는 전극 이동부를 더 포함하는, 뇌파를 이용한 운동 핫스팟 위치 검출 장치.
  11. 대상체의 운동 핫스팟 위치를 검출하여 상기 운동 핫스팟 위치에 해당하는 두피 부위에 경두개 전기자극을 인가하기 위한 경두개 전기자극 장치로서,
    상기 대상체의 두피에 착용 가능한 형태로 제공되는 헤드 착용형 몸체;
    상기 대상체에서 발생된 뇌파를 상이한 위치들에서 측정하여 뇌파 데이터를 수집하도록 상기 헤드 착용형 몸체의 내면에 분산 배치되는 다수의 뇌파 측정 전극;
    상기 다수의 뇌파 측정 전극에 의해 각각 수집된 뇌파 데이터를 기반으로 상기 운동 핫스팟 위치를 검출하도록 구성되는 운동 핫스팟 위치 검출부; 및
    상기 대상체의 두피 상에 상기 경두개 전기자극을 인가하도록 상기 헤드 착용형 몸체에 마련되는 경두개 전기자극 전극을 포함하는, 경두개 전기자극 장치.
  12. 제11항에 있어서,
    상기 운동 핫스팟 위치 검출부는,
    상기 다수의 뇌파 측정 전극에 할당된 채널별로 각각 수집된 시간 영역의 뇌파 데이터 또는 상기 뇌파 데이터로부터 추출된 특징 데이터를 기반으로 상기 운동 핫스팟 위치를 산출하도록 구성되는 인공 신경망을 포함하는, 경두개 전기자극 장치.
  13. 제11항에 있어서,
    상기 운동 핫스팟 위치에 따라 상기 경두개 전기자극 전극을 평면 또는 곡면의 이동면 상에서 2차원 방향 또는 3차원 방향으로 이동시키도록 구성되는 전극 이동부를 더 포함하는, 경두개 전기자극 장치.
  14. 대상체의 두피에 대한 경두개 전기자극을 위한 목표 위치인 운동 핫스팟 위치를 검출하는 운동 핫스팟 위치 검출 방법으로서,
    상기 대상체에서 발생되는 뇌파에 대해 상이한 위치들에서 측정된 뇌파 데이터를 수집하는 단계; 및
    운동 핫스팟 위치 검출부에 의해, 상기 뇌파 데이터를 기반으로 상기 운동 핫스팟 위치를 검출하는 단계를 포함하는, 뇌파를 이용한 운동 핫스팟 위치 검출 방법.
  15. 제14항에 있어서,
    상기 뇌파 데이터를 수집하는 단계는 다수의 뇌파 측정 전극으로부터 상기 뇌파 데이터를 수집하는 단계를 포함하고,
    상기 운동 핫스팟 위치를 검출하는 단계는,
    인공 신경망에 의해, 상기 다수의 뇌파 측정 전극에 할당된 채널별로 각각 수집된 시간 영역의 뇌파 데이터 또는 상기 뇌파 데이터로부터 추출된 특징 데이터를 기반으로 상기 운동 핫스팟 위치를 산출하는 단계를 포함하는, 뇌파를 이용한 운동 핫스팟 위치 검출 방법.
  16. 제15항에 있어서,
    상기 운동 핫스팟 위치를 검출하는 단계는,
    상기 다수의 채널별로 수집된 시간 영역의 뇌파 데이터로부터 주파수 영역 데이터로 변환된 파워스펙트럼 밀도, 상기 다수의 채널별로 수집된 뇌파 데이터 간의 상관 계수 및 위상 동기화 지수 중 적어도 하나를 포함하는 특징 데이터를 산출하는 단계; 및
    상기 파워스펙트럼 밀도, 상기 상관 계수 및 상기 위상 동기화 지수 중 적어도 하나를 포함하는 특징 데이터를 기반으로 상기 운동 핫스팟 위치를 산출하는 단계를 포함하는, 뇌파를 이용한 운동 핫스팟 위치 검출 방법.
  17. 제15항에 있어서,
    다수의 채널별로 수집된 뇌파 데이터와, 경두개자기자극에 의해 측정된 운동 핫스팟 위치를 기반으로 인공지능 모델을 학습하여 상기 인공 신경망을 구축하는 단계를 더 포함하고,
    상기 운동 핫스팟 위치를 검출하는 단계는,
    상기 인공 신경망이 구축된 후, 상기 경두개자기자극에 의해 측정된 운동 핫스팟 위치를 제외하고 상기 다수의 채널별로 수집된 뇌파 데이터 만을 이용하여 상기 인공 신경망에 의해 상기 운동 핫스팟 위치를 검출하는, 뇌파를 이용한 운동 핫스팟 위치 검출 방법.
  18. 제15항에 있어서,
    상기 인공신경망은 합성곱 신경망을 포함하는, 뇌파를 이용한 운동 핫스팟 위치 검출 방법.
  19. 제14항에 있어서,
    전극 이동부에 의해, 상기 대상체의 두피 상에 상기 경두개 전기자극을 인가하도록 상기 다수의 뇌파 측정 전극이 배열된 헤드 착용형 몸체에 마련되는 경두개 전기자극 전극을 상기 운동 핫스팟 위치에 따라 이동시키는 단계를 더 포함하는, 뇌파를 이용한 운동 핫스팟 위치 검출 방법.
  20. 제14항에 기재된 뇌파를 이용한 운동 핫스팟 위치 검출 방법을 실행하기 위한 프로그램이 기록된 컴퓨터로 판독 가능한 기록 매체.
PCT/KR2021/002118 2020-06-30 2021-02-19 뇌파를 이용한 운동 핫스팟 위치 검출 장치 및 방법, 및 이를 이용한 경두개 전기자극 장치 Ceased WO2022004986A1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US18/014,007 US20240032848A1 (en) 2020-06-30 2021-02-19 Apparatus and method for detecting motor hotspot position by using brainwave, and transcranial electrical stimulation apparatus using same

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
KR1020200080383A KR102670799B1 (ko) 2020-06-30 2020-06-30 뇌파를 이용한 운동 핫스팟 위치 검출 장치 및 방법, 및 이를 이용한 경두개 전기자극 장치
KR10-2020-0080383 2020-06-30
KR10-2020-0133831 2020-10-16
KR1020200133831A KR102673197B1 (ko) 2020-10-16 2020-10-16 합성곱 신경망을 이용한 개인별 뇌파 기반 경두개 전기자극 위치 결정 장치 및 방법, 및 이를 이용한 경두개 전기자극 장치

Publications (1)

Publication Number Publication Date
WO2022004986A1 true WO2022004986A1 (ko) 2022-01-06

Family

ID=79316393

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2021/002118 Ceased WO2022004986A1 (ko) 2020-06-30 2021-02-19 뇌파를 이용한 운동 핫스팟 위치 검출 장치 및 방법, 및 이를 이용한 경두개 전기자극 장치

Country Status (2)

Country Link
US (1) US20240032848A1 (ko)
WO (1) WO2022004986A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116226710A (zh) * 2023-02-22 2023-06-06 华南师范大学 一种脑电信号分类方法和帕金森病检测装置

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
USD1041016S1 (en) * 2020-05-05 2024-09-03 Kamran Ansari Transcranial stimulation device

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011084341A1 (en) * 2009-12-16 2011-07-14 Medtronic, Inc. Stimulation electrode selection
US20130204315A1 (en) * 2011-08-05 2013-08-08 Ndi Medical, Llc Systems for and methods of transcranial direct current electrical stimulation
KR101465613B1 (ko) * 2012-12-20 2014-11-27 (주)와이브레인 머리 착용 장치 및 이를 이용한 경두개 전기 자극 시스템

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4967038A (en) * 1986-12-16 1990-10-30 Sam Techology Inc. Dry electrode brain wave recording system
US20090112278A1 (en) * 2007-10-30 2009-04-30 Neuropace, Inc. Systems, Methods and Devices for a Skull/Brain Interface
US11786694B2 (en) * 2019-05-24 2023-10-17 NeuroLight, Inc. Device, method, and app for facilitating sleep

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011084341A1 (en) * 2009-12-16 2011-07-14 Medtronic, Inc. Stimulation electrode selection
US20130204315A1 (en) * 2011-08-05 2013-08-08 Ndi Medical, Llc Systems for and methods of transcranial direct current electrical stimulation
KR101465613B1 (ko) * 2012-12-20 2014-11-27 (주)와이브레인 머리 착용 장치 및 이를 이용한 경두개 전기 자극 시스템

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
CHOI GA-YOUNG, HAN CHANG-HEE, LIM HYUNMI, KU JEONGHUN, KIM WON-SEOK, HWANG HAN-JEONG: "Electroencephalography-based Motor Hotspot Detection : ", PROCEEDINGS OF THE 13TH INTERNATIONAL JOINT CONFERENCE ON BIOMEDICAL ENGINEERING SYSTEMS AND TECHNOLOGIES, SCITEPRESS - SCIENCE AND TECHNOLOGY PUBLICATIONS, 1 January 2020 (2020-01-01) - 26 February 2020 (2020-02-26), pages 195 - 198, XP055884136, ISBN: 978-989-7583-98-8, DOI: 10.5220/0008937201950198 *
CHOI GA-YOUNG; SHIM MISEON; HWANG HAN-JEONG: "Motor Hotspot Identification Based on Electroencephalography", 2020 8TH INTERNATIONAL WINTER CONFERENCE ON BRAIN-COMPUTER INTERFACE (BCI), IEEE, 26 February 2020 (2020-02-26), pages 1 - 4, XP033750256, ISBN: 978-1-7281-4706-2, DOI: 10.1109/BCI48061.2020.9061642 *
CHOI, GA-YOUNG ET AL.: "Deep learning based EEG neuronavigation to identify motor hotspot", 2020 KOREAN ARTIFICIAL INTELLIGENCE ASSOCIATION SUMMER CONFERENCE, August 2020 (2020-08-01), pages 1 - 4 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116226710A (zh) * 2023-02-22 2023-06-06 华南师范大学 一种脑电信号分类方法和帕金森病检测装置

Also Published As

Publication number Publication date
US20240032848A1 (en) 2024-02-01

Similar Documents

Publication Publication Date Title
KR102673197B1 (ko) 합성곱 신경망을 이용한 개인별 뇌파 기반 경두개 전기자극 위치 결정 장치 및 방법, 및 이를 이용한 경두개 전기자극 장치
WO2019216504A1 (ko) 인간 감정 인식을 위한 딥 생리적 정서 네트워크를 이용한 인간 감정 추정 방법 및 그 시스템
WO2019088769A1 (ko) 개방형 api 기반 의료 정보 제공 방법 및 시스템
WO2018093131A1 (ko) 수면 무호흡 측정장치 및 그 방법
WO2018135692A1 (ko) 동작 인식 및 제어를 위한 웨어러블 장치 및 이를 이용한 동작 인식 제어 방법
WO2022004986A1 (ko) 뇌파를 이용한 운동 핫스팟 위치 검출 장치 및 방법, 및 이를 이용한 경두개 전기자극 장치
WO2020054918A1 (ko) 인지 장애 진단 방법 및 컴퓨터 프로그램
WO2018205424A1 (zh) 基于肌电的生物识别方法、终端及计算机可读存储介质
WO2018093136A1 (ko) 피험자의 영상 모니터링 장치 및 그 방법과, 영상 모니터링 시스템
WO2012153965A2 (ko) 뇌-컴퓨터 접속 장치, 그리고 그의 분류 방법
WO2010032929A2 (ko) 뇌파 분석을 이용한 치매 진단 장치 및 방법
WO2017099340A1 (ko) 전자 장치, 그의 신호 처리 방법, 생체 신호 측정 시스템 및 비일시적 컴퓨터 판독가능 기록매체
WO2023140453A1 (ko) 운동 장애 관련 정보제공방법 및 이에 사용되는 장치
CN116150646A (zh) 一种基于非均匀频带mfmdrm的运动想象脑电信号分类算法
WO2021194197A1 (ko) 주요 우울증에 대한 정보 제공 방법 및 이를 이용한 주요 우울증에 대한 정보 제공용 디바이스
WO2021201582A1 (ko) 피부 병변의 원인 분석 방법 및 장치
WO2021251796A1 (ko) 심장 상태 감지 센서 장치 및 이를 이용한 복합 생활 지원 솔루션 제공 시스템
WO2021215749A1 (ko) 모발 정보 제공 방법 및 장치와 이를 위한 모근 분석 모델 생성 방법
WO2025121492A1 (ko) 중추신경계 이상 탐지 방법
WO2022014902A1 (ko) 생체 신호를 획득하는 전자 장치 및 그 운용 방법
WO2024258050A1 (ko) 압전소자를 통해 측정된 심탄도를 이용하여 심리 상태를 케어하는 방법 및 시스템
WO2025018475A1 (ko) 생체 신호 측정 장치
WO2022260228A1 (ko) 자동 잡음신호 구간 검출 방법 및 장치
WO2019190185A1 (ko) 인공지능을 이용한 시계열 데이터 학습 및 분석 방법
WO2016021771A1 (ko) 척추 질환 판단 장치 및 방법

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: 21831818

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 18014007

Country of ref document: US

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 21831818

Country of ref document: EP

Kind code of ref document: A1