WO2022114593A1 - 뇌파 신호의 기능적 연결성 변화 패턴을 이용한 발작 예측 장치 및 방법 - Google Patents

뇌파 신호의 기능적 연결성 변화 패턴을 이용한 발작 예측 장치 및 방법 Download PDF

Info

Publication number
WO2022114593A1
WO2022114593A1 PCT/KR2021/016085 KR2021016085W WO2022114593A1 WO 2022114593 A1 WO2022114593 A1 WO 2022114593A1 KR 2021016085 W KR2021016085 W KR 2021016085W WO 2022114593 A1 WO2022114593 A1 WO 2022114593A1
Authority
WO
WIPO (PCT)
Prior art keywords
functional connectivity
change pattern
seizure
frequency band
eeg signal
Prior art date
Application number
PCT/KR2021/016085
Other languages
English (en)
French (fr)
Inventor
김병조
김정빈
윤영욱
김하욤
Original Assignee
고려대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 고려대학교 산학협력단 filed Critical 고려대학교 산학협력단
Publication of WO2022114593A1 publication Critical patent/WO2022114593A1/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4094—Diagnosing or monitoring seizure diseases, e.g. epilepsy
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/25—Bioelectric electrodes therefor
    • A61B5/251—Means for maintaining electrode contact with the body
    • A61B5/257—Means for maintaining electrode contact with the body using adhesive means, e.g. adhesive pads or tapes
    • 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
    • A61B5/25—Bioelectric electrodes therefor
    • A61B5/279—Bioelectric electrodes therefor specially adapted for particular uses
    • A61B5/291—Bioelectric electrodes therefor specially adapted for particular uses for electroencephalography [EEG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A61B5/372—Analysis of electroencephalograms
    • A61B5/374—Detecting the frequency distribution of signals, e.g. detecting delta, theta, alpha, beta or gamma waves
    • 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
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • 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
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders

Definitions

  • the present application relates to an apparatus and method for predicting seizures using a change pattern of functional connectivity of EEG signals.
  • an embodiment of the present invention provides a seizure prediction apparatus using a functional connectivity change pattern of an EEG signal.
  • the seizure prediction apparatus using the functional connectivity change pattern of the EEG signal includes: an EEG signal collecting unit for collecting EEG signals of a subject; a functional connectivity pattern analysis unit for analyzing the functional connectivity change pattern of the EEG signal collected by the EEG signal collecting unit; and a seizure prediction unit that predicts a seizure based on the functional connectivity change pattern.
  • another embodiment of the present invention provides a seizure prediction method using a change pattern of functional connectivity of EEG signals.
  • the seizure prediction method using the functional connectivity change pattern of the EEG signal includes: collecting EEG signals of a subject in real time; analyzing the functional connectivity change pattern of the EEG signals collected in real time; and predicting a seizure based on a change pattern of the functional connectivity variable.
  • seizures can be predicted in advance based on EEG signals obtained from electrodes attached to the scalp non-invasively for general people.
  • 1 is a diagram illustrating a comparison of change patterns of functional connectivity variables for each frequency band of an EEG signal for each time section before the occurrence of a seizure.
  • FIG. 2 is a diagram for explaining a functional connectivity change pattern indicator for predicting seizures according to the present invention.
  • FIG. 3 is a block diagram of a seizure prediction apparatus using a functional connectivity change pattern of an EEG signal according to an embodiment of the present invention.
  • FIG. 4 is a flowchart of a seizure prediction method using a functional connectivity change pattern of an EEG signal according to another embodiment of the present invention.
  • a pattern of functional connectivity change of EEG signals is presented as a quantitative indicator capable of predicting seizures before seizures occur.
  • the functional connectivity of the EEG signal shows a synchronized change pattern when the seizure occurs using the concept of functional connectivity of the EEG signal
  • the functional connectivity of the EEG signal seen before the seizure occurs
  • graph theory which is a mathematical methodology for expressing functional connectivity of EEG signals as quantified variables. Since a method of calculating functional connectivity variables according to graph theory is known to those skilled in the art, a detailed description thereof will be omitted.
  • Table 1 summarizes the functional connectivity variables that can be calculated according to graph theory and their explanations.
  • 1 is a diagram illustrating a comparison of change patterns of functional connectivity variables for each frequency band of an EEG signal for each time section before the occurrence of a seizure.
  • the time interval before the occurrence of the seizure is divided in units of 20 seconds based on the timing of the occurrence of the seizure, and divided into a plurality of time intervals as follows. did
  • the results of analyzing the functional connectivity variables for each frequency band of the EEG signal that is, the Delta, Theta, Alpha, Beta, and Gamma bands for each time section divided as described above, can be shown as shown in FIG. 1 .
  • Differentiating the rate of change of the functional connectivity variables for each frequency band according to the transition of the time interval can be divided into a time series change pattern of the functional connectivity variables, that is, an increase (positive value) and a decrease (negative value).
  • a negative value that is, a decreasing pattern
  • an inflection point that changes to a positive value that is, an increasing pattern
  • the change pattern as described above may be represented as shown in FIG. 2 , and such a change pattern may be used as a functional connectivity change pattern indicator for predicting seizures according to the present invention.
  • FIG. 3 is a block diagram of a seizure prediction apparatus using a functional connectivity change pattern of an EEG signal according to an embodiment of the present invention.
  • the seizure prediction apparatus 100 using a functional connectivity change pattern of an EEG signal includes an EEG signal collection unit 110 , a functional connectivity pattern analysis unit 120 , and a seizure prediction unit. 130 may be included.
  • the EEG signal collection unit 110 is for collecting EEG signals of the subject.
  • the EEG signal collecting unit 110 may collect EEG signals in real time from the EEG measuring device 10 attached to the subject's scalp and non-invasively acquiring EEG signals of the subject.
  • the functional connectivity pattern analysis unit 120 is to analyze the functional connectivity change pattern of the EEG signals collected in real time by the EEG signal collection unit 110 .
  • the functional connectivity pattern analyzer 120 may analyze at least one functional connectivity variable for each frequency band of an EEG signal and analyze a change pattern of the functional connectivity variable over time.
  • the functional connectivity pattern analysis unit 120 analyzes at least one functional connectivity variable for each frequency band of EEG signals collected in real time, and according to the passage of time, the functional connectivity variable for each unit time (eg, 1 second). By differentiating the rate of change of , the change pattern of each functional connectivity variable can be analyzed.
  • the frequency band may include one or more of a Theta frequency band, an Alpha frequency band, a Beta frequency band, and a Gamma frequency band.
  • the functional connectivity variable may be at least one of a radius and a diameter, but is not necessarily limited thereto.
  • the seizure prediction unit 130 is for predicting a seizure based on the functional connectivity change pattern analyzed by the functional connectivity pattern analysis unit 120 .
  • the seizure prediction unit 130 may predict a seizure based on an inflection point appearing in a change pattern of a functional connectivity variable in each frequency band.
  • the seizure prediction unit 130 may predict the occurrence of a seizure after 20 to 40 seconds when one or more of the following inflection points appear in the change pattern of the diameter or radius as described above with reference to FIG. 2 .
  • Theta frequency band an inflection point that changes from a negative value to a positive value
  • Alpha frequency band an inflection point that changes from a positive value to a negative value
  • Beta frequency band an inflection point that changes from a positive value to a negative value and then changes to a positive value again
  • Gamma frequency band an inflection point that changes from a positive value to a negative value
  • the seizure prediction apparatus 100 described above with reference to FIG. 3 may be implemented by a processing apparatus capable of processing and analyzing an EEG signal.
  • FIG. 4 is a flowchart of a seizure prediction method using a functional connectivity change pattern of an EEG signal according to another embodiment of the present invention.
  • the subject's EEG signals are collected in real time (S210), and after analyzing the functional connectivity change patterns of the EEG signals collected in real time (S220), seizures based on the change patterns of the functional connectivity variables can be predicted (S230).
  • the seizure prediction method described above with reference to FIG. 4 may be performed by the seizure prediction apparatus illustrated in FIG. 3 .
  • the seizure prediction method using the functional connectivity change pattern of the EEG signal according to the embodiment of the present invention can be applied to various fields requiring real-time monitoring of health status.
  • the present invention monitors the health status of occupants in real time while driving an autonomous vehicle, predicts danger signals of high-risk occupational groups (eg, airplane pilots, bus drivers, high-rise workers, etc.), or the elderly living alone It can be applied to real-time monitoring of the health status of children from vulnerable groups who do not receive care services, nursing facilities, and nursing homes.
  • high-risk occupational groups eg, airplane pilots, bus drivers, high-rise workers, etc.
  • the elderly living alone can be applied to real-time monitoring of the health status of children from vulnerable groups who do not receive care services, nursing facilities, and nursing homes.

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Neurology (AREA)
  • Psychiatry (AREA)
  • Neurosurgery (AREA)
  • Physiology (AREA)
  • Psychology (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

본 발명의 일 실시예에 따른 뇌파 신호의 기능적 연결성 변화 패턴을 이용한 발작 예측 장치는, 대상자의 뇌파신호를 수집하는 뇌파신호 수집부; 상기 뇌파신호 수집부에 의해 수집된 뇌파신호의 기능적 연결성 변화 패턴을 분석하는 기능적 연결성 패턴 분석부; 및 상기 기능적 연결성 변화 패턴을 기초로 발작을 예측하는 발작 예측부를 포함할 수 있다.

Description

뇌파 신호의 기능적 연결성 변화 패턴을 이용한 발작 예측 장치 및 방법
본 출원은 뇌파 신호의 기능적 연결성 변화 패턴을 이용한 발작 예측 장치 및 방법에 관한 것이다.
뇌기능을 정량적으로 평가할 수 있는 뇌파 신호를 이용하여 발작을 진단 및/또는 예측하기 위한 지표를 발굴하기 위한 연구들이 진행되고 있다.
이전의 연구들은 주로 두개골을 절개하고 침습적 검사를 통해 얻은 뇌파 신호를 이용하여 지표를 발굴하였으며, 특히 난치성 뇌전증 환자들을 대상으로 한 연구들이 대부분이어서 일반적인 사람들을 대상으로 발작을 예측하기 위해 적용하기에는 한계가 있다.
뿐만 아니라, 발작을 진단 및/또는 예측하기 위한 기존의 지표들은 대부분 발작의 초점이 되는 국소 영역의 데이터를 바탕으로 한 것이므로, 발작 초점의 위치를 특정하기 어려운 경우, 즉 다양한 발작 초점을 가지는 경우나 전신뇌전증과 같이 뇌 전체에서 동시에 발작이 발생하는 등 불특정 다수의 대상군에 범용으로 적용하기에는 한계가 있다.
따라서, 당해 기술분야에서는 일반적인 사람들을 대상으로 하여 비침습적으로 두피에 부착된 전극에서 얻은 뇌파 신호를 기초로 발작을 사전에 예측하기 위한 방안이 요구되고 있다.
상기 과제를 해결하기 위해서, 본 발명의 일 실시예는 뇌파 신호의 기능적 연결성 변화 패턴을 이용한 발작 예측 장치를 제공한다.
상기 뇌파 신호의 기능적 연결성 변화 패턴을 이용한 발작 예측 장치는, 대상자의 뇌파신호를 수집하는 뇌파신호 수집부; 상기 뇌파신호 수집부에 의해 수집된 뇌파신호의 기능적 연결성 변화 패턴을 분석하는 기능적 연결성 패턴 분석부; 및 상기 기능적 연결성 변화 패턴을 기초로 발작을 예측하는 발작 예측부를 포함할 수 있다.
또한, 본 발명의 다른 실시예는 뇌파 신호의 기능적 연결성 변화 패턴을 이용한 발작 예측 방법을 제공한다.
상기 뇌파 신호의 기능적 연결성 변화 패턴을 이용한 발작 예측 방법은, 대상자의 뇌파 신호를 실시간으로 수집하는 단계; 실시간으로 수집된 뇌파신호의 기능적 연결성 변화 패턴을 분석하는 단계; 및 기능적 연결성 변수의 변화 패턴을 기초로 발작을 예측하는 단계를 포함할 수 있다.
덧붙여 상기한 과제의 해결수단은, 본 발명의 특징을 모두 열거한 것이 아니다. 본 발명의 다양한 특징과 그에 따른 장점과 효과는 아래의 구체적인 실시형태를 참조하여 보다 상세하게 이해될 수 있을 것이다.
본 발명의 일 실시예에 따르면, 일반적인 사람들을 대상으로 하여 비침습적으로 두피에 부착된 전극에서 얻은 뇌파 신호를 기초로 발작을 사전에 예측할 수 있다.
특히, 발작 발생의 확률이나 뇌전증 환자의 중증도에 영향을 받지 않고, 발작 초점의 위치에도 영향을 받지 않고 보다 정확하게 발작을 예측할 수 있다.
도 1은 발작 발생 이전에 시간 구간별로 뇌파 신호의 주파수 대역별 기능적 연결성 변수들의 변화 패턴을 비교하여 도시하는 도면이다.
도 2는 본 발명에 따라 발작을 예측하기 위한 기능적 연결성 변화 패턴 지표를 설명하기 위한 도면이다.
도 3은 본 발명의 일 실시예에 따른 뇌파 신호의 기능적 연결성 변화 패턴을 이용한 발작 예측 장치의 구성도이다.
도 4는 본 발명의 다른 실시예에 따른 뇌파 신호의 기능적 연결성 변화 패턴을 이용한 발작 예측 방법의 흐름도이다.
<부호의 설명>
10: 뇌파 측정기
100: 발작 예측 장치
110: 뇌파신호 수집부
120: 기능적 연결성 패턴 분석부
130: 발작 예측부
이하, 첨부된 도면을 참조하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 바람직한 실시예를 상세히 설명한다. 다만, 본 발명의 바람직한 실시예를 상세하게 설명함에 있어, 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략한다. 또한, 유사한 기능 및 작용을 하는 부분에 대해서는 도면 전체에 걸쳐 동일한 부호를 사용한다.
덧붙여, 명세서 전체에서, 어떤 부분이 다른 부분과 '연결'되어 있다고 할 때, 이는 '직접적으로 연결'되어 있는 경우뿐만 아니라, 그 중간에 다른 소자를 사이에 두고 '간접적으로 연결'되어 있는 경우도 포함한다. 또한, 어떤 구성요소를 '포함'한다는 것은, 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있다는 것을 의미한다.
본 발명에서는 발작이 발생하기 이전에 발작을 예측해 줄 수 있는 정량 지표로서 뇌파 신호의 기능적 연결성(functional connectivity) 변화 패턴을 제시한다.
보다 구체적으로, 본 발명에서는 뇌파 신호의 기능적 연결성 개념을 이용하여 발작 발생시에 뇌파 신호의 기능적 연결성이 동기화(synchronization) 되는 변화 패턴을 보인다는 점을 기초로 발작 발생 시점 이전에 보이는 뇌파 신호의 기능적 연결성의 동적 변화 패턴을 정량화함으로써, 이를 기초로 발작을 사전에 예측할 수 있는 기술을 제안한다.
본 발명에서는 뇌파 신호의 기능적 연결성을 정량화된 변수들로 표현해 주는 수학적 방법론인 그래프 이론을 적용할 수 있다. 그래프 이론에 따라 기능적 연결성 변수들을 산출하는 방법은 통상의 기술자에게 알려진 사항이므로 이에 대한 구체적인 설명은 생략한다.
하기의 표 1은 그래프 이론에 따라 산출할 수 있는 기능적 연결성 변수들과 이에 대한 설명을 정리한 것이다.
변수 설명
평균 차수(Average degree) 노드 사이 직접 연결된 평균 연결 수
평균 강도(Average strength) 노드 사이 연결 강도의 평균
반경(Radius) 최소 편심
※편심(eccentricity)은 한 노드와 다른 노드 사이의 최단 경로
지름(Diameter) 최대 편심
경로 거리(Characteristic path length) 네트워크의 전반적인 라우팅 효율성 정도
전반적 효율성 (Global efficiency) 전체 네트워크를 통한 정보 전파의 효율성
국소적 효율성(Local efficiency) 인접한 노드들 간의 직접 연결을 통한 정보 전파의 효율성
군집 계수(Clustering coefficient) 로컬 클러스터링 또는 네트워크의 군집성의 정도
이행성(Transitivity) 네트워크 내에서 세 노드들이 삼각형으로 연결성을 가지려는 비율
모듈화 지수(Modularity) 하위 집합 내에서는 조밀한 연결을 가지고 하위 집합 간에는 드문 연결을 가지도록, 노드를 복수의 하위 집합으로 나눌 수 있는 정도
동류성(Assortativity) 유사한 개수의 에지로 해당 노드를 연결하는 노드의 경향
좁은세상성(Small-worldness) 동일한 평균 차수를 갖는 무작위(random) 네트워크와 유사한 경로 거리를 갖지만 군집화 정도가 큰 좁은세상(small world) 네트워크의 특성을 갖는 경향
도 1은 발작 발생 이전에 시간 구간별로 뇌파 신호의 주파수 대역별 기능적 연결성 변수들의 변화 패턴을 비교하여 도시하는 도면이다.
도 1을 참조하면, 본 발명에서는 발작 발생의 예측이 가능한 가장 빠른 시점을 확인하기 위해 발작 발생 시점을 기준으로 발작 발생 이전의 시간 구간을 20초 단위로 구분하여 다음과 같이 복수의 시간 구간으로 구분하였다.
1) 제 1 시간 구간(기저 상태, Baseline)
2) 제 2 시간 구간(발작 발생 60~40초전, preictal(60-40s))
3) 제 3 시간 구간(발작 발생 40~20초전, preictal(40-20s))
4) 제 4 시간 구간(발작 발생 20초전~발작 발생 직전, Ictal onset)
상술한 바와 같이 구분된 각각의 시간 구간에 대해 뇌파 신호의 각 주파수 대역별, 즉 Delta, Theta, Alpha, Beta, Gamma 대역에 대해 기능적 연결성 변수들을 분석한 결과는 도 1과 같이 나타낼 수 있다.
시간 구간의 전이에 따라 각 주파수 대역별 기능적 연결성 변수들의 변화율을 미분하면 시계열적인 기능적 연결성 변수들의 변화 패턴, 즉 증가(양의 값)와 감소(음의 값)로 구분할 수 있다.
특히, 각 주파수 대역별 기능적 연결성 변수들 중에서 지름 및 반경의 변화 패턴은 다음과 같이 나타나게 된다.
1) Theta 주파수 대역
제 1 시간 구간 내지 제 3 시간 구간까지는 음의 값, 즉 감소 패턴을 보이다가 제 3 시간 구간에서 제 4 시간 구간으로 전이할 때 양의 값, 즉 증가 패턴으로 변화하는 변곡점이 발생한다.
2) Alpha 주파수 대역
제 1 시간 구간 내지 제 3 시간 구간까지는 양의 값, 즉 증가 패턴을 보이다가 제 3 시간 구간에서 제 4 시간 구간으로 전이할 때 음의 값, 즉 감소 패턴으로 변화하는 변곡점이 발생한다.
3) Beta 주파수 대역
제 1 시간 구간에서 제2 시간 구간으로 전이할 때 양의 값, 즉 증가 패턴을 보이다가, 제 2 시간 구간에서 제 3 시간 구간으로 전이할 때 음의 값, 즉 감소 패턴으로 변화하고, 다시 제 3 시간 구간에서 제 4 시간 구간으로 전이할 때 양의 값, 즉 증가 패턴으로 변화하는 변곡점이 발생한다.
4) Gamma 주파수 대역
제 1 시간 구간 내지 제 3 시간 구간까지는 양의 값, 즉 증가 패턴을 보이다가 제 3 시간 구간에서 제 4 시간 구간으로 전이할 때 음의 값, 즉 감소 패턴으로 변화하는 변곡점이 발생한다.
상술한 바와 같은 변화 패턴은 도 2에 도시된 바와 같이 나타낼 수 있으며, 이와 같은 변화 패턴이 본 발명에 따라 발작을 예측하기 위한 기능적 연결성 변화 패턴 지표로 사용될 수 있다.
상술한 바와 같은 지름 및 반경의 변화 패턴을 기초로 하면, 각 주파수 대역에서의 변화 패턴에서 음의 값/양의 값이 전환되는 변곡점이 제 2 시간 구간으로부터 제 3 시간 구간까지 존재함을 알 수 있다.
이를 기초로 최소한 발작 발생 40~20초전, 즉 제 3 시간 구간에는 뇌파 신호의 적어도 하나의 주파수 대역에서의 기능적 연결성 변수들 중 지름 및 반경의 변화 패턴을 이용하여 발작을 예측할 수 있게 된다.
도 3은 본 발명의 일 실시예에 따른 뇌파 신호의 기능적 연결성 변화 패턴을 이용한 발작 예측 장치의 구성도이다.
도 3을 참조하면, 본 발명의 일 실시예에 따른 뇌파 신호의 기능적 연결성 변화 패턴을 이용한 발작 예측 장치(100)는 뇌파신호 수집부(110), 기능적 연결성 패턴 분석부(120) 및 발작 예측부(130)를 포함하여 구성될 수 있다.
뇌파신호 수집부(110)는 대상자의 뇌파신호를 수집하기 위한 것이다.
일 실시예에 따르면, 뇌파신호 수집부(110)는 대상자의 두피에 부착되어 비침습적으로 대상자의 뇌파신호를 획득하는 뇌파 측정기(10)로부터 뇌파신호를 실시간으로 수집할 수 있다.
기능적 연결성 패턴 분석부(120)는 뇌파신호 수집부(110)에 의해 실시간으로 수집된 뇌파신호의 기능적 연결성 변화 패턴을 분석하기 위한 것이다.
일 실시예에 따르면, 기능적 연결성 패턴 분석부(120)는 뇌파신호의 주파수 대역별로 적어도 하나의 기능적 연결성 변수를 분석하고, 시계열적인 기능적 연결성 변수의 변화 패턴을 분석할 수 있다.
구체적으로, 기능적 연결성 패턴 분석부(120)는 실시간으로 수집하는 뇌파신호의 주파수 대역별로 적어도 하나의 기능적 연결성 변수를 분석하고, 시간 흐름에 따라 단위 시간(예를 들어, 1초)별로 기능적 연결성 변수의 변화율을 미분하여 각 기능적 연결성 변수의 변화 패턴을 분석할 수 있다.
여기서, 주파수 대역은 Theta 주파수 대역, Alpha 주파수 대역, Beta 주파수 대역 및 Gamma 주파수 대역 중 하나 이상을 포함할 수 있다.
또한, 기능적 연결성 변수는 반경(Radius) 및 지름(Diameter) 중 적어도 하나일 수 있으나, 반드시 이로 제한되는 것은 아니다.
발작 예측부(130)는 기능적 연결성 패턴 분석부(120)에 의해 분석된 기능적 연결성 변화 패턴을 기초로 발작을 예측하기 위한 것이다.
일 실시예에 따르면, 발작 예측부(130)는 각 주파수 대역에서의 기능적 연결성 변수의 변화 패턴에서 나타나는 변곡점을 기초로 발작을 예측할 수 있다.
구체적으로 예를 들어, 발작 예측부(130)는 도 2를 참조하여 상술한 바와 같이 지름 또는 반경의 변화 패턴에서 다음과 같은 변곡점이 하나 이상 나타나는 경우 20~40초후에 발작 발생을 예측할 수 있다.
1) Theta 주파수 대역: 음의 값에서 양의 값으로 변화하는 변곡점
2) Alpha 주파수 대역: 양의 값에서 음의 값으로 변화하는 변곡점
3) Beta 주파수 대역: 양의 값에서 음의 값으로 변화한 후, 다시 양의 값으로 변화하는 변곡점
4) Gamma 주파수 대역: 양의 값에서 음의 값으로 변화하는 변곡점
도 3을 참조하여 상술한 발작 예측 장치(100)는 뇌파 신호의 처리 및 분석이 가능한 프로세싱 장치에 의해 구현될 수 있다.
도 4는 본 발명의 다른 실시예에 따른 뇌파 신호의 기능적 연결성 변화 패턴을 이용한 발작 예측 방법의 흐름도이다.
도 4를 참조하면, 우선, 대상자의 뇌파 신호를 실시간으로 수집하고(S210), 실시간으로 수집된 뇌파신호의 기능적 연결성 변화 패턴을 분석한 후(S220), 기능적 연결성 변수의 변화 패턴을 기초로 발작을 예측할 수 있다(S230).
여기서, 각 단계를 수행하는 구체적인 방법은 도 3을 참조하여 상술한 바와 동일하므로, 이에 대한 중복적인 설명은 생략한다.
도 4를 참조하여 상술한 발작 예측 방법은 도 3에 도시된 발작 예측 장치에 의해 수행될 수 있다.
상술한 바와 같은 본 발명의 실시예에 따른 뇌파 신호의 기능적 연결성 변화 패턴을 이용한 발작 예측 방법은 건강상태의 실시간 모니터링이 필요한 다양한 분야에서 적용될 수 있다.
예를 들어, 본 발명은 자율주행자동차 주행 중에 탑승자의 건강상태를 실시간으로 모니터링하거나, 고위험 직업군(예를 들어, 비행기 조종사, 버스 운전사, 고층 작업장 근로자 등)의 위험 신호를 예측하거나, 독거노인, 요양시설, 돌봄 서비스를 받지 못하는 취약계층 아동 등의 건강상태를 실시간으로 모니터링하기 위해 적용될 수 있다.
이를 통해, 사고발생을 조기에 탐지할 수 있고, 사전 예측에 따른 직접의료비용의 절감과 더불어 사회경제적 부담을 경감시킬 수 있다.
또한, 적용 범위를 확대함으로써 사회적 안전 보장을 위한 인프라로서 활용할 수 있다.
본 발명은 전술한 실시예 및 첨부된 도면에 의해 한정되는 것이 아니다. 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 있어, 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 본 발명에 따른 구성요소를 치환, 변형 및 변경할 수 있다는 것이 명백할 것이다.

Claims (9)

  1. 대상자의 뇌파신호를 수집하는 뇌파신호 수집부;
    상기 뇌파신호 수집부에 의해 수집된 뇌파신호의 기능적 연결성 변화 패턴을 분석하는 기능적 연결성 패턴 분석부; 및
    상기 기능적 연결성 변화 패턴을 기초로 발작을 예측하는 발작 예측부를 포함하는 뇌파 신호의 기능적 연결성 변화 패턴을 이용한 발작 예측 장치.
  2. 제 1 항에 있어서,
    상기 뇌파신호 수집부는 대상자의 두피에 부착되어 비침습적으로 대상자의 뇌파신호를 획득하는 뇌파 측정기로부터 뇌파신호를 실시간으로 수집하는 것을 특징으로 하는 뇌파 신호의 기능적 연결성 변화 패턴을 이용한 발작 예측 장치.
  3. 제 1 항에 있어서,
    상기 기능적 연결성 패턴 분석부는 상기 뇌파신호의 주파수 대역 별로 적어도 하나의 기능적 연결성 변수를 분석하고, 시계열적인 기능적 연결성 변수의 변화 패턴을 분석하는 것을 특징으로 하는 뇌파 신호의 기능적 연결성 변화 패턴을 이용한 발작 예측 장치.
  4. 제 3 항에 있어서,
    상기 기능적 연결성 패턴 분석부는 시간 흐름에 따라 단위 시간별로 기능적 연결성 변수의 변화율을 미분하여 각 기능적 연결성 변수의 변화 패턴을 분석하는 것을 특징으로 하는 뇌파 신호의 기능적 연결성 변화 패턴을 이용한 발작 예측 장치.
  5. 제 3 항에 있어서,
    상기 주파수 대역은 Theta 주파수 대역, Alpha 주파수 대역, Beta 주파수 대역 및 Gamma 주파수 대역 중 하나 이상을 포함하는 것을 특징으로 하는 뇌파 신호의 기능적 연결성 변화 패턴을 이용한 발작 예측 장치.
  6. 제 3 항에 있어서,
    상기 기능적 연결성 변수는 반경(Radius) 및 지름(Diameter) 중 적어도 하나인 것을 특징으로 하는 뇌파 신호의 기능적 연결성 변화 패턴을 이용한 발작 예측 장치.
  7. 제 6 항에 있어서,
    상기 발작 예측부는 각 주파수 대역에서의 기능적 연결성 변수의 변화 패턴에서 나타나는 변곡점을 기초로 발작을 예측하는 것을 특징으로 하는 뇌파 신호의 기능적 연결성 변화 패턴을 이용한 발작 예측 장치.
  8. 제 7 항에 있어서,
    상기 발작 예측부는 지름 또는 반경의 변화 패턴에서,
    Theta 주파수 대역에서 음의 값에서 양의 값으로 변화하는 변곡점;
    Alpha 주파수 대역에서 양의 값에서 음의 값으로 변화하는 변곡점;
    Beta 주파수 대역에서 양의 값에서 음의 값으로 변화한 후, 다시 양의 값으로 변화하는 변곡점; 및
    Gamma 주파수 대역에서 양의 값에서 음의 값으로 변화하는 변곡점;
    중 하나 이상의 변곡점이 나타나는 경우 20~40초후에 발작 발생을 예측하는 것을 특징으로 하는 뇌파 신호의 기능적 연결성 변화 패턴을 이용한 발작 예측 장치.
  9. 대상자의 뇌파 신호를 실시간으로 수집하는 단계;
    실시간으로 수집된 뇌파신호의 기능적 연결성 변화 패턴을 분석하는 단계; 및
    기능적 연결성 변수의 변화 패턴을 기초로 발작을 예측하는 단계를 포함하는 뇌파 신호의 기능적 연결성 변화 패턴을 이용한 발작 예측 방법.
PCT/KR2021/016085 2020-11-25 2021-11-08 뇌파 신호의 기능적 연결성 변화 패턴을 이용한 발작 예측 장치 및 방법 WO2022114593A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020200160491A KR102455070B1 (ko) 2020-11-25 2020-11-25 뇌파 신호의 기능적 연결성 변화 패턴을 이용한 발작 예측 장치 및 방법
KR10-2020-0160491 2020-11-25

Publications (1)

Publication Number Publication Date
WO2022114593A1 true WO2022114593A1 (ko) 2022-06-02

Family

ID=81756068

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2021/016085 WO2022114593A1 (ko) 2020-11-25 2021-11-08 뇌파 신호의 기능적 연결성 변화 패턴을 이용한 발작 예측 장치 및 방법

Country Status (2)

Country Link
KR (1) KR102455070B1 (ko)
WO (1) WO2022114593A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002502270A (ja) * 1996-01-23 2002-01-22 ユニバーシティ オブ カンザス 脳の活動状態変化を予測、早期検出、警告、予防または制御するためのシステム
KR20070031501A (ko) * 2005-09-14 2007-03-20 재단법인 한국정신과학연구소 전전두엽에서 측정한 뇌파 데이터의 고속푸리에변환을 통한누적데이터의 패턴분석을 이용한 건강진단 장치 및 그방법
KR20140119315A (ko) * 2013-03-28 2014-10-10 한국과학기술원 ＥＥＧ (Ｅｌｅｃｔｒｏｅｎｃｅｐｈａｌｏｇｒａｐｈｙ) 신호 주파수의 상대적 비율의 변화 감지에 의한 간질발작 예측방법
KR20180086995A (ko) * 2017-01-24 2018-08-01 이화여자대학교 산학협력단 경련뇌파 조기탐지 방법
KR20200019541A (ko) * 2018-08-14 2020-02-24 광운대학교 산학협력단 뇌 질환 치료를 위한 Ｆ-ＴＦＴＡ를 사용한 다채널 ＥＣｏＧ 전극과 뇌파 수집센서를 구비하는 무선 송수신 의료기기

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002502270A (ja) * 1996-01-23 2002-01-22 ユニバーシティ オブ カンザス 脳の活動状態変化を予測、早期検出、警告、予防または制御するためのシステム
KR20070031501A (ko) * 2005-09-14 2007-03-20 재단법인 한국정신과학연구소 전전두엽에서 측정한 뇌파 데이터의 고속푸리에변환을 통한누적데이터의 패턴분석을 이용한 건강진단 장치 및 그방법
KR20140119315A (ko) * 2013-03-28 2014-10-10 한국과학기술원 ＥＥＧ (Ｅｌｅｃｔｒｏｅｎｃｅｐｈａｌｏｇｒａｐｈｙ) 신호 주파수의 상대적 비율의 변화 감지에 의한 간질발작 예측방법
KR20180086995A (ko) * 2017-01-24 2018-08-01 이화여자대학교 산학협력단 경련뇌파 조기탐지 방법
KR20200019541A (ko) * 2018-08-14 2020-02-24 광운대학교 산학협력단 뇌 질환 치료를 위한 Ｆ-ＴＦＴＡ를 사용한 다채널 ＥＣｏＧ 전극과 뇌파 수집센서를 구비하는 무선 송수신 의료기기

Also Published As

Publication number Publication date
KR102455070B1 (ko) 2022-10-14
KR20220072649A (ko) 2022-06-02

Similar Documents

Publication Publication Date Title
Barzegaran et al. Properties of functional brain networks correlate with frequency of psychogenic non-epileptic seizures
Li et al. Transition of brain networks from an interictal to a preictal state preceding a seizure revealed by scalp EEG network analysis
WO2018004028A1 (ko) 뇌파 기반 주의력 결핍 과잉 행동 장애 진단 시스템
CN104903897A (zh) 癫痫和癫痫发作的易发性的评定
Yee et al. A dual-task analysis of resource allocation in dysthymia and anhedonia.
CN106447023A (zh) 基于模体结构的大脑默认网络有向连接分析方法
Lenne et al. Decrease of mutual information in brain electrical activity of patients with relapsing-remitting multiple sclerosis
WO2021201464A1 (ko) 생체 신호 분석 알고리즘과 시스템 및 방법
WO2021107362A1 (ko) 뇌파 측정 기술을 이용하여 언어 능숙도를 진단하는 방법
Wadhera Brain network topology unraveling epilepsy and ASD Association: Automated EEG-based diagnostic model
KR102239984B1 (ko) 휴지기 뇌파를 이용한 뇌전증 진단 정보 제공 장치 및 방법
WO2022114593A1 (ko) 뇌파 신호의 기능적 연결성 변화 패턴을 이용한 발작 예측 장치 및 방법
WO2021256877A1 (ko) 환자생성 생체바이오 데이터(pghd) 및 dna분석 데이터 기반의 원격진료시 다중 진료과 선정 및 사후 모니터링 방법 및 시스템
WO2019103188A1 (ko) 뇌파 분석을 통한 외상성 뇌손상 평가 시스템 및 방법
KR20200142441A (ko) 피질 기능 뇌 네트워크를 이용한 뇌기능 이상부위 측정장치 및 그 방법
Nielsen et al. Out-of-hospital multimodal seizure detection: a pilot study
CN111584088B (zh) 一种基于病源信息熵的电网施工人员高原病风险判断方法
Scorza et al. Computational models predicts premature death in epilepsy?
KR101366127B1 (ko) Ｓｍａｌｌ－ｗｏｒｌｄｎｅｓｓ 및 Ｗｏｒｋ Ｏｕｔｐｕｔ을 이용한 정신분열병 구분방법
WO2020242018A1 (ko) 디지털 콘텐츠를 소비하는 소비자의 상태 진단 방법 및 장치
WO2024043453A1 (ko) 다중 생체신호 기반 노인성 인지장애 진단 방법 및 장치
Faccini et al. Neurological evaluation of microcephalic children with Zika syndrome and congenital cytomegalovirus infection
Schraegle et al. Global network alterations of the cognitive phenotypes in pediatric temporal lobe epilepsy
Tolmacheva et al. Estimation of inter-channel phase synchronization of EEG signals in the ridges of their wavelet spectrograms in patients with traumatic brain injury
WO2024005323A1 (ko) 대뇌 자동조절능 평가 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: 21898419

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 21898419

Country of ref document: EP

Kind code of ref document: A1