WO2022260228A1 - 자동 잡음신호 구간 검출 방법 및 장치 - Google Patents

자동 잡음신호 구간 검출 방법 및 장치 Download PDF

Info

Publication number
WO2022260228A1
WO2022260228A1 PCT/KR2021/018058 KR2021018058W WO2022260228A1 WO 2022260228 A1 WO2022260228 A1 WO 2022260228A1 KR 2021018058 W KR2021018058 W KR 2021018058W WO 2022260228 A1 WO2022260228 A1 WO 2022260228A1
Authority
WO
WIPO (PCT)
Prior art keywords
noise signal
power
noise
epoch
data
Prior art date
Application number
PCT/KR2021/018058
Other languages
English (en)
French (fr)
Inventor
강승완
박욱업
Original Assignee
주식회사 아이메디신
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 주식회사 아이메디신 filed Critical 주식회사 아이메디신
Priority to US18/027,572 priority Critical patent/US11903718B2/en
Publication of WO2022260228A1 publication Critical patent/WO2022260228A1/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
    • A61B5/24—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
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • 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
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • A61B5/7207—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal of noise induced by motion artifacts
    • 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
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • A61B5/7217—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal of noise originating from a therapeutic or surgical apparatus, e.g. from a pacemaker

Definitions

  • the present invention relates to a technology for detecting and removing noise, and more particularly, to a method and apparatus for automatically detecting noise signal intervals by converting time-series data into a frequency domain and detecting noise based on a flow change in frequency power values.
  • a biosignal is a combination of various signals, and may have a significant effect on the analysis result unless a noise removal process is performed.
  • a noise removal process is performed.
  • time series data since it has a very sensitive response to patterns such as the subject's state and movement, the process of removing noise is very important.
  • a general process of analyzing a biosignal is divided into a preprocessing step and an analysis step.
  • the preprocessing step the process of refining the data necessary for analysis is passed, and a part of the process includes a process of removing noise.
  • EEG signals measured in the human brain can be acquired through contact electrodes other than the scalp, and at this time, various signals such as body hair, resistance in the skin, and muscle movements of the subject are also measured. Therefore, signals other than the EEG are regarded as noise, and an accurate analysis value can be derived only when the noise is removed in the preprocessing step.
  • Types of noise can generally be classified into various types such as safety (eye movement: Electrooculography), electromyography (muscle movement: Electromyogram), electrocardiogram, and movement (non-physiological artifacts). Accordingly, while there is a process of removing the noise by Principal Component Analysis (PCA) and Independent Component Analysis (ICA), which reflect the signal characteristics of noise, the types and causes of noise corresponding to motion are very diverse. Therefore, it is very difficult to implement as an automation algorithm.
  • PCA Principal Component Analysis
  • ICA Independent Component Analysis
  • the technique used in EEG analysis mainly uses a calculation method that calculates and quantifies in the frequency domain.
  • the type of brain wave may be classified into a frequency band.
  • Delta waves are 0.5 to 4 Hz
  • Theta waves are 4 to 7 Hz
  • Alpha waves are 8 to 12 Hz
  • SMR (Sensory Motor Rhythm) waves are 12 to 15 Hz
  • Beta waves are 15 to 18 Hz.
  • High Beta waves can be classified as 18 Hz or higher.
  • theta wave it is a waveform that appears mainly when drowsiness comes during wakefulness, and can have a significant impact on wakefulness brain wave analysis.
  • dementia or cognitive impairment
  • dementia may occur in the human brain as aging progresses, and at this time, as an important feature of brain waves, there is a variation of theta waves. Therefore, if slow waves (Delta, Theta, etc.) as noise are not well distinguished, there is a high possibility of making errors in EEG biomarkers that can determine functionality and degeneration.
  • a signal related to drowsiness is representative. Drowsiness is closely related to theta wave, and if it is not well detected and removed, it can have a great influence on the analysis.
  • Korean Patent Laid-open Publication No. 10-2010-0114256 relates to a method and device for measuring brain waves, in which the size of brain waves is small, so when sensing, external noise and noise, sensing environment, etc.
  • An EEG measurement method and apparatus capable of detecting only actual EEG frequencies from which noise is removed by receiving an EEG signal and a noise signal when measuring EEG at a place where a brain wave exists.
  • An embodiment of the present invention is to provide an automatic noise signal section detection method and apparatus for detecting noise based on a flow change of a frequency power value by converting time series data into a frequency domain.
  • An embodiment of the present invention can expect a mechanism that can be applied to the same form of noise not only in brain waves but also in various biosignals, and automatically detects and removes noise signal sections to increase the reliability and accuracy of analysis results. It is intended to provide an automatic noise signal section detection method and device that can be applied to various research and development because accessibility can be lowered in various fields where research and application have been difficult due to low noise.
  • an automatic noise signal section detection method includes receiving input data and generating initial data in a time-frequency domain; calculating power for each epoch for each channel of the initial data; generating a power graph for a specific frequency domain of each channel based on the power for each epoch; generating a baseline based on an average of each channel value on the power graph; and determining, as a noise signal section, a section exceeding a predetermined threshold based on the baseline on the power graph.
  • the generating of the initial data may include receiving time-series data for each channel as the input data by performing a predetermined pre-processing step based on the raw data.
  • the step of calculating the power for each epoch may include setting a predetermined time interval as a length (window) of the epoch; and sequentially calculating the power for each epoch while moving the epoch according to the time axis of the initial data.
  • the step of sequentially calculating the power for each epoch may include setting a movement interval of the epoch to include an overlapping section of a predetermined ratio between successive epochs before and after the movement.
  • the generating of the power graph may include determining a delta or theta region of the brain wave signal as the specific frequency region and generating a graph of a frequency power flow over time as the power graph.
  • Generating the power graph may include selectively applying the frequency power based on absolute power or relative power.
  • the generating of the baseline may include setting a size of a unit bin for generating the baseline and a movement interval based on a time axis of the power graph; and calculating an average of each channel value for each unit period while moving according to the movement interval.
  • the method may further include determining frequency powers of the specific frequency domain, the threshold value, and the power graph, respectively, according to the type of the noise signal.
  • the step of determining the noise signal interval if there is at least one noise signal, individually set at least one threshold value for each noise signal, and based on the number of channels exceeding the at least one threshold value according to the noise signal.
  • the step of determining the noise signal interval may be included.
  • the determining of the noise signal interval may include a first step of determining the noise signal interval based on absolute power of the frequency power; a second step of determining the noise signal section based on the relative power of the frequency power; a third step of determining the noise signal section based on the sum of the absolute power and the relative power; and a fourth step of finally determining the noise signal section through a combination of the first to third steps.
  • the method may further include removing a noise removal section defined based on the noise signal section from the power graph.
  • the removing from the power graph may include determining the noise removal section by adding a predetermined margin section before and after the noise signal section, respectively.
  • the method may include generating a feature map for each epoch based on the initial data; constructing an independent model for classifying the noise signal section by learning the feature map for each epoch; and determining a final noise signal interval based on the first noise signal interval classified based on the baseline and the second noise signal interval classified by the independent model.
  • an apparatus for detecting an automatic noise signal section includes a data conversion unit receiving input data and generating initial data in a time-frequency domain; a data processing unit that calculates power for each epoch for each channel of the initial data; a data analyzer generating a power graph for a specific frequency domain of each channel based on the power for each epoch; a baseline generating unit generating a baseline based on an average of each channel value on the power graph; and a noise signal detector configured to determine, as a noise signal section, a section exceeding a preset threshold based on the baseline on the power graph.
  • the disclosed technology may have the following effects. However, it does not mean that a specific embodiment must include all of the following effects or only the following effects, so it should not be understood that the scope of rights of the disclosed technology is limited thereby.
  • a method and apparatus for automatically detecting a period of a noise signal convert time-series data into a frequency domain and detect noise based on a flow change of a frequency power value.
  • the automatic noise signal section detection method and apparatus can expect a mechanism that can be applied to the same type of noise not only in brain waves but also in various biosignals, and automatically detects and removes noise signal sections to obtain an analysis result. Reliability and accuracy can be increased, and accessibility can be reduced in various fields where research and application were difficult due to low expertise, so it can be applied to various research and development.
  • FIG. 1 is a diagram illustrating a noise signal section detection system according to the present invention.
  • FIG. 2 is a diagram explaining the system configuration of the device for detecting a noise signal section of FIG. 1. Referring to FIG. 1
  • FIG. 3 is a diagram explaining the functional configuration of the device for detecting a section of a noise signal of FIG. 1 .
  • FIG. 4 is a flowchart illustrating a noise signal removal method to which an automatic noise signal interval detection method according to the present invention is applied.
  • FIG. 5 is a flowchart illustrating an automatic noise signal interval detection method according to the present invention.
  • FIG. 6 is a diagram illustrating a general frequency flow of slow wave noise in a drowsiness period and a specific motion period.
  • FIG. 7 is a diagram illustrating a baseline according to the present invention.
  • FIG. 9 is a diagram illustrating a noise signal section according to the present invention.
  • FIG. 10 is a flowchart illustrating a method for detecting a noise signal section based on a PSD and an image according to the present invention.
  • first and second are used to distinguish one component from another, and the scope of rights should not be limited by these terms.
  • a first element may be termed a second element, and similarly, a second element may be termed a first element.
  • the identification code (eg, a, b, c, etc.) is used for convenience of explanation, and the identification code does not describe the order of each step, and each step clearly follows a specific order in context. Unless otherwise specified, it may occur in a different order than specified. That is, each step may occur in the same order as specified, may be performed substantially simultaneously, or may be performed in the reverse order.
  • the present invention can be implemented as computer readable code on a computer readable recording medium
  • the computer readable recording medium includes all types of recording devices storing data that can be read by a computer system.
  • Examples of computer-readable recording media include ROM, RAM, CD-ROM, magnetic tape, floppy disk, and optical data storage devices.
  • the computer-readable recording medium may be distributed to computer systems connected through a network, so that computer-readable codes may be stored and executed in a distributed manner.
  • FIG. 1 is a diagram illustrating a noise signal section detection system according to the present invention.
  • a noise signal section detection system 100 may include a user terminal 110 , a noise signal section detection device 130 and a database 150 .
  • the user terminal 110 may correspond to a computing device capable of collecting and providing bio-signals measured from the user. That is, the user can collect or measure bio-signals such as his/her brainwaves and heartbeats through the user terminal 110, and can deliver the collected information to the noise signal section detection system 100 for noise removal. .
  • the user terminal 110 may be implemented as a smart phone, laptop computer, or computer that is connected to and operable with the noise signal section detection device 130, and is not necessarily limited thereto, and may be implemented with various devices such as a tablet PC. .
  • the user terminal 110 may be connected to the noise signal period detection device 130 through a network, and a plurality of user terminals 110 may be simultaneously connected to the noise signal period detection device 130 .
  • the user terminal 110 may install and execute a dedicated program or application capable of using a predetermined service provided by the noise signal section detection system 100 .
  • the noise signal interval detection device 130 may be implemented as a server corresponding to a computer or program capable of generating a refined signal by removing noise based on a physiological signal measured from a user.
  • the noise signal section detection device 130 may be connected to the user terminal 110 through a wired network or a wireless network such as Bluetooth or WiFi, and may transmit/receive data with the user terminal 110 through the network.
  • the noise signal interval detection device 130 may be implemented to operate in conjunction with a separate external system (not shown in FIG. 1) to collect data or provide additional functions.
  • the noise signal section detection device 130 may be included in the user terminal 110 and implemented.
  • the noise signal section detection device 130 as one component of the user terminal 110, may be implemented as an independent module that performs the automatic noise signal section detection method according to the present invention.
  • the noise signal interval detection device 130 will be described as a device independent of the user terminal 110 .
  • the database 150 may correspond to a storage device for storing various information necessary for the operation of the noise signal section detection device 130 .
  • the database 150 may store information about biosignals collected or measured from a user, and may store information for preprocessing of biosignals, but is not necessarily limited thereto, and a device for detecting a noise signal section ( 130) can store collected or processed information in various forms in the process of performing the automatic noise signal section detection method.
  • the database 150 is shown as a device independent of the noise signal section detection device 130, but is not necessarily limited thereto, and is a logical storage device of the noise signal section detection device 130, and is a noise signal. Of course, it may be included in the section detection device 130 and implemented.
  • FIG. 2 is a diagram explaining the system configuration of the device for detecting a noise signal section of FIG. 1. Referring to FIG. 1
  • the apparatus 130 for detecting a noise signal section may be implemented by including a processor 210, a memory 230, a user input/output unit 250, and a network input/output unit 270.
  • the processor 210 may execute a procedure for processing each step in the process of the noise signal section detection device 130 operating, manage the memory 230 read or written throughout the process, and Synchronization time between volatile memory and non-volatile memory in 230 can be scheduled.
  • the processor 210 may control the overall operation of the noise signal section detection device 130, and is electrically connected to the memory 230, the user input/output unit 250, and the network input/output unit 270 to prevent data flow between them. You can control it.
  • the processor 210 may be implemented as a central processing unit (CPU) of the noise signal section detection device 130 .
  • the memory 230 is implemented as a non-volatile memory such as a solid state drive (SSD) or a hard disk drive (HDD) and may include an auxiliary memory used to store all data necessary for the noise signal section detection device 130. and may include a main memory implemented as a volatile memory such as RAM (Random Access Memory).
  • SSD solid state drive
  • HDD hard disk drive
  • main memory implemented as a volatile memory such as RAM (Random Access Memory).
  • the user input/output unit 250 may include an environment for receiving user input and an environment for outputting specific information to the user.
  • the user input/output unit 250 may include an input device including an adapter such as a touch pad, a touch screen, an on-screen keyboard, or a pointing device, and an output device including an adapter such as a monitor or touch screen.
  • the user input/output unit 250 may correspond to a computing device connected through a remote connection, and in such a case, the noise signal section detection device 130 may be implemented as an independent server.
  • the network input/output unit 270 includes an environment for connecting to an external device or system through a network, and includes, for example, a local area network (LAN), a metropolitan area network (MAN), a wide area network (WAN), and a VAN ( An adapter for communication such as Value Added Network) may be included.
  • LAN local area network
  • MAN metropolitan area network
  • WAN wide area network
  • VAN VAN
  • An adapter for communication such as Value Added Network may be included.
  • FIG. 3 is a diagram explaining the functional configuration of the device for detecting a section of a noise signal of FIG. 1 .
  • the noise signal interval detection device 130 includes a data conversion unit 310, a data processing unit 320, a data analysis unit 330, a baseline generation unit 340, and a noise signal detection unit 350. , a noise signal removal unit 360, a parameter setting unit 370, a model building unit 380 and a control unit 390 may be included.
  • the data converter 310 may receive input data and generate initial data in the time-frequency domain.
  • the data conversion unit 310 may receive a biosignal (eg, an EEG signal) including noise collected from the user, wherein the biosignal corresponds to time-series data about the flow of signal intensity over time. can do.
  • the data conversion unit 310 may convert time series data into frequency domain data so that a noise signal section detection operation using frequency power may be performed.
  • the data conversion unit 310 may utilize a Superlet method applied based on FFT (Fast Fourier Transform) as a method for converting time series domain data into frequency domain data.
  • the Superlet method has strength in temporal resolution compared to the FFT method, and may be suitable for calculating frequency power within a short interval.
  • the data conversion unit 310 may use the Superlet method for data conversion, but it is not necessarily limited thereto, and various methods that can theoretically be calculated in the frequency domain may be used.
  • the data conversion unit 310 may selectively convert frequency domain data into time-frequency data.
  • the data conversion unit 310 may receive time-series data for each channel as input data by performing a predetermined pre-processing step based on raw data. That is, the input data transmitted to the data converter 310 may correspond to cleaned data from which noise is primarily removed by a predetermined preprocessing operation. This will be described in more detail in FIG. 5 .
  • the data processing unit 320 may calculate power for each epoch for each channel of initial data.
  • the initial data may be composed of signals for a plurality of channels.
  • an EEG signal it may be composed of a plurality of signals collected through electrode sensors attached to the user's head.
  • electrodes Fp1, Fp2, F7, F8, F3, F4, Fz, T3, T4, C3, C4, Cz, T5, T6 disposed at predetermined positions according to the International Standard 10-20 system , P3, P4, Pz, O1, O2)
  • the EEG signals collected from them may consist of a total of 19 channels (or frequency bands).
  • the data processing unit 320 may perform an independent operation for each channel of the initial data.
  • the data processing unit 320 may set a predetermined time interval as the length (window) of the epoch, and may sequentially calculate power for each epoch while moving the epoch according to the time axis of the initial data.
  • the data processing unit 320 may determine an epoch length for calculating power spectrum density (PSD).
  • an epoch may correspond to a time unit for calculating frequency power. That is, the epoch length may be defined as a predetermined time interval, and may be set to, for example, 4 seconds (s). Meanwhile, the epoch length may be variably applied according to characteristics of raw data.
  • the data processing unit 320 may sequentially extract signal sections corresponding to the epoch length along the time axis of the initial data, and calculate the frequency power (PSD) based on the corresponding signal section. can That is, the data processing unit 320 may repeatedly perform an operation of calculating an epoch band power of each epoch from initial data after setting an epoch length.
  • the data processing unit 320 may set the movement interval of the epoch to include an overlapping section by a predetermined ratio between successive epochs before and after the movement. For example, when the overlap ratio is set to 90%, the data processing unit 320 may set the movement interval of epochs so that 90% overlap occurs for each epoch section (overlapping windowing). That is, when the epoch length is 4 seconds and the overlap ratio is 90%, if the first section for the epoch is 0 to 4 s, the second section may correspond to 0.4 to 4.4 s. Meanwhile, it goes without saying that an overlapping ratio between epochs may be variably applied.
  • the power for each epoch (frequency power for each section (PSD)) calculated by the data processing unit 320 may include information about the flow of frequency power over time.
  • the data processing unit 320 may generate a feature map for each epoch based on initial data. That is, the data processing unit 320 may generate a feature map for each epoch for each channel of initial data. The data processing unit may calculate power for each epoch based on the initial data and generate the power for each epoch as a visualized image. That is, the feature map for each epoch may correspond to an image generated by visualizing power for each epoch. The feature maps generated by the data processing unit 320 may be used as training data to build an independent model for detecting noise signal intervals.
  • the data analyzer 330 may generate a power graph for a specific frequency domain of each channel based on the power for each epoch.
  • the data analyzer 330 determines a delta or theta region of the EEG signal as a specific frequency region and generates a graph of a frequency power flow over time as a power graph. can do. For example, when a user's EEG signal is analyzed to detect slow drift caused by a drowsiness period or a specific movement, power flows in the delta and theta frequency bands among the EEG signal channels are important. can do.
  • the data analyzer 330 may determine the delta or theta region as a specific frequency region, and extract power information of a corresponding frequency band from the power of each epoch to generate a power graph.
  • the power graph may be expressed as a graph of a flow of frequency power over time. That is, the power graph may correspond to a two-dimensional graph of an x-axis and a y-axis, and the x-axis may be expressed as a time axis and the y-axis may be expressed as a PSD axis.
  • the data analyzer 330 may apply frequency power by dividing it based on absolute power or relative power.
  • absolute power absolute power
  • relative power may be calculated through a ratio (%) occupied by each power value of a plurality of preprocessed EEG signals in the total sum of power values of a plurality of preprocessed EEG signals.
  • the method of calculating the absolute power and the relative power is not necessarily limited thereto, and various methods may be applied.
  • the y-axis of the power graph may correspond to a PSD value for delta or theta, and may be generated based on absolute power or relative power, respectively.
  • the noise signal interval detection apparatus 130 may selectively apply absolute power or relative power of the power graph according to the characteristics of the noise signal to be detected.
  • first noise eg, drowsiness interval noise
  • second noise eg, specific motion interval noise
  • PSD Abs absolute power
  • PSD Rel relative power
  • both absolute and relative powers can be used for each noise, and can be classified according to the sum of the absolute and relative powers.
  • the baseline generating unit 340 may generate a baseline based on the average of each channel value on the power graph.
  • the baseline may correspond to a reference line for classifying noise, and a frequency power trend for each channel may be removed through the baseline.
  • the baseline generator 340 may generate a baseline for detecting a noise signal based on integrated information of frequency powers of a plurality of channels constituting the basic data.
  • the baseline generation unit 340 may generate a baseline through an average of each channel value, but is not limited thereto, and various methods may be used to integrate each channel value.
  • the baseline generation unit 340 may set the size and movement interval of the unit interval for generating the baseline based on the time axis of the power graph, and move according to the movement interval to obtain the value of each channel value for each unit interval. average can be calculated. For example, as shown in FIG. 7 , the baseline generation unit 340 generates a baseline based on a specific range (eg, 150 bins) for the entire range (500 epochs in the case of FIG. 7 ). can Also, the baseline generation unit 340 may generate a baseline while moving the unit interval at 1 epoch intervals.
  • a specific range eg, 150 bins
  • the baseline generation unit 340 may generate a baseline while moving the unit interval at 1 epoch intervals.
  • PSD data having a total of 500 epochs can be generated when a PSD is generated based on a 4-second window and 90% overlapping for EEG data having a length of 3 minutes and 20 seconds (200 seconds).
  • bins may correspond to criteria for determining x values used to calculate the mean of the baseline. As the bin value increases, sensitivity to PSD changes can be increased, and as the bin value decreases, robustness to PSD changes can be obtained.
  • the noise signal detector 350 may determine, as a noise signal section, a section exceeding a preset threshold based on a baseline on the power graph. That is, the noise signal detector 350 may determine a time domain exceeding a threshold based on the baseline as a noise signal period (bad epoch area).
  • the noise signal detector 350 individually sets at least one threshold value for each noise signal when there is at least one noise signal, and based on the number of channels exceeding the at least one threshold value according to the noise signal
  • the noise signal interval can be determined. That is, thresholds may be independently set for each noise signal in order to identify noises, and a plurality of thresholds may be set for the same noise signal if necessary. In general, since the first noise (drowsy interval noise) and the second noise (specific motion interval noise) have different magnitudes, different threshold values must be determined for each noise.
  • a second threshold greater than the first threshold is set in case of detecting the second noise together with the first noise
  • 1) the number of channels exceeding the first threshold in actual data is 3 (no channel exceeds the second threshold), it is not determined as noise (data 1 in Table 1)
  • 2) the number of channels exceeding the first threshold is 3 and the second threshold
  • the corresponding noise may be identified as first noise (data 2 in Table 1).
  • the noise signal detector 350 may set a plurality of threshold criteria for each noise signal, and set the number of channels exceeding each threshold in inverse proportion to the size of the threshold criteria.
  • the noise signal detection unit 350 may determine the noise signal section based on various combinations of absolute or relative power of frequency power. That is, the noise signal detection unit 350 may basically determine the noise signal interval by applying a single criterion of absolute power or noise power, and may determine the noise signal interval based on the sum of absolute and relative powers, if necessary. . For example, the noise signal detection unit 350 first examines whether or not it is first noise based on absolute power, and then finally examines whether it is first noise based on relative power to define a noise signal section. can However, the operation of the noise signal detection unit 350 is not limited to the above order, and the relative power may be reviewed first and the absolute power may be reviewed later.
  • the noise signal detector 350 performs a first step of determining a noise signal section based on the absolute power of frequency power, a second step of determining a noise signal section based on the relative power of frequency power, absolute power and The third step of determining the noise signal section based on the sum of the relative powers and the fourth step of finally determining the noise signal section through a combination of the first to third steps may be performed.
  • the noise signal detector 350 may determine a final noise signal interval based on the first noise signal interval classified based on the baseline and the second noise signal interval classified by the independent model.
  • the noise signal detection unit 350 may detect the noise signal section based on the baseline based on the PSD, but a method of detecting the noise signal through an image may also be applied. That is, the noise signal detector 350 may detect a noise signal section using an independent model built on the basis of a feature map for each epoch as visualized information.
  • An independent model may be generated as a result of learning feature maps for each epoch, and may be performed by the model builder 380 . This will be described in more detail with reference to FIG. 10 .
  • the noise signal removal unit 360 may remove a noise removal section defined based on the noise signal section from the power graph. In one embodiment, the noise signal removing unit 360 may determine a noise removing section by adding a predetermined margin section before and after the noise signal section.
  • the noise signal remover 360 may re-specify the removal section so that the start and end of the waveform related to the noise signal can be included in the noise signal section by adding an extra section before/after the noise signal section.
  • the noise removal section may correspond to a section respecified for signal removal. This will be described in more detail in FIG. 9 .
  • the parameter setting unit 370 may determine a specific frequency domain, a threshold value, and frequency power of a power graph according to the type of noise signal. That is, the noise signal interval detection apparatus 130 may set various parameters for noise signal detection through the parameter setting unit 370 .
  • the parameter setting unit 370 may individually set threshold values according to characteristics of noise to be detected.
  • the parameter setting unit 370 may also change the standard for the frequency domain or absolute and relative power of the PSD, which is the standard, respectively, according to the noise.
  • the model builder 380 may build an independent model for classifying noise signal sections by learning feature maps for each epoch. This will be described in more detail in FIG. 10 .
  • the control unit 390 controls the overall operation of the noise signal interval detection device 130, the data conversion unit 310, the data processing unit 320, the data analysis unit 330, the baseline generation unit 340, the noise A control flow or data flow between the signal detector 350, the noise signal remover 360, the parameter setter 370, and the model builder 380 may be managed.
  • FIG. 4 is a flowchart illustrating a noise signal removal method to which an automatic noise signal section detection method according to the present invention is applied.
  • the apparatus 130 for detecting a noise signal period may perform a preprocessing operation for detecting a noise signal period based on a physiological signal measured from a user (S410).
  • the noise signal interval detection device 130 is not limited to a specific device and may measure the EEG signal through various devices.
  • the EEG signal since the EEG signal has a very fine size of a ⁇ V unit, it needs to be greatly amplified and must be measured in detail. In addition, since the EEG signal is small in size, it may be affected by the user's eye movements, muscle activities, external devices, and the like.
  • measurement of the EEG signal can be started only when the resistance between the electrodes of the EEG and the human scalp falls below a certain standard.
  • an operation to lower impedance may be required, such as removing foreign substances between the user's scalp and electrodes and combing the user's hair.
  • the user should be in an awake resting state and measure the brain waves in a sitting state.
  • the data sampling rate for EEG data must be 200 Hz or higher, and must be extracted in the form of raw data.
  • the noise signal interval detection device 130 may perform filtering in a frequency range to be analyzed and interpreted for the time series signal of raw raw data. Analysis is mainly performed at 1 to 45 Hz, but the frequency range is not limited.
  • the reason for filtering the signal below 1 Hz is that the transition of the signal between 0 and 1 Hz is not only very valuable, but also very sensitive to noise. In addition, as an analysis result, it may fall within a range generally excluded from analysis.
  • the noise signal section detection device 130 may selectively perform a notch filter as needed. For example, in the case of Korea, there is AC power noise of 55 or 60 Hz, and it may be different for each country and region. The noise signal section detection device 130 may then sequentially perform predetermined preprocessing operations and, as a result, receive the time-series data from which noise is primarily removed as input data and start an operation for detecting the noise signal section. Yes (S430).
  • FIG. 5 is a flowchart illustrating an automatic noise signal interval detection method according to the present invention.
  • the noise signal section detection apparatus 130 may specifically perform an operation for detecting a noise signal section based on input data received through a predetermined preprocessing step.
  • the noise signal section detection apparatus 130 may perform an operation of converting input data into basic data of the frequency domain through a superlet data step (S510).
  • the noise signal section detection apparatus 130 may calculate power for each epoch from the basic data through an epoch band power step (S530).
  • the noise signal section detection apparatus 130 may generate a power graph for a specific frequency domain based on power for each epoch through a Delta, Theta transition step (S550).
  • the noise signal section detection apparatus 130 may generate a baseline as a result of integrating the signals of each channel on the power graph through a detrend step (S570).
  • the noise signal section detection apparatus 130 may detect the noise signal section through comparison with the baseline through the detecting bad epoch step (S590).
  • FIG. 6 is a diagram illustrating a general frequency flow of slow wave noise in a drowsiness period and a specific motion period.
  • the noise signal section detection apparatus 130 may generate a power graph for a specific frequency domain of each channel based on power for each epoch through the data analyzer 330 . That is, it is possible to grasp the flow of frequency power over time through the power graph.
  • power flow in the delta and theta frequency bands may be important in detecting slow wave noise (slow dirft) generated according to a drowsiness period and a specific movement. 6 may show a general frequency flow phenomenon for such slow wave noise.
  • FIG. 6A shows input data for the drowsiness interval noise (first noise)
  • FIG. 6B may correspond to delta or theta PSD data for the drowsiness interval noise. That is, it can be confirmed that most of the electrodes show a large flow change within the power flow of Delta and Theta at the same time.
  • FIG. 6C shows input data for a specific motion section noise (second noise)
  • FIG. 6D may correspond to delta or theta PSD data for the specific motion section noise. That is, it can be confirmed that a specific electrode shows a very large change in the power flow of Delta or Theta, unlike the flow of other electrodes.
  • the noise signal interval detection apparatus 130 may determine the noise signal interval based on various combinations of absolute or relative power of frequency power through the noise signal detector 350 .
  • 8A may show a process of applying a threshold value for detecting a noise signal interval based on absolute power
  • FIG. 8B may show a process of applying a threshold value for detecting a noise signal interval based on relative power. The process of application can be indicated.
  • the threshold value may change according to the first noise (noise in a drowsiness interval) and the second noise (noise in a specific motion interval).
  • the frequency domain, absolute (Abs), or relative (Rel) standards of the standard PSD may also be changed.
  • a criterion for catching a bad epoch may be formed as an ensemble.
  • a bad epoch may be defined by first examining whether it is first noise based on Abs power and then finally checking whether it is first noise based on Rel power.
  • the present invention is not limited to the above order, and Rel power may be examined first, Abs power may be reviewed later, or noise may be checked by an Abs and Rel power combination.
  • FIG. 9 is a diagram illustrating a noise signal section according to the present invention.
  • the noise signal section detection apparatus 130 may remove a noise removal section defined based on the noise signal section from the power graph through the noise signal removal unit 360 .
  • a criterion for setting a section may be required in order to remove a specified section of the noise signal.
  • the interval is redetermined so as to include the start and end of the wave of the noise signal with ease by adding an extra interval forward/backward.
  • the noise signal section detection apparatus 130 may remove 8 seconds by adding a specific time back and forth (for example, 180 seconds - to 188 seconds +) instead of rejecting exactly 8 seconds.
  • FIG. 10 is a flowchart illustrating a method for detecting a noise signal section based on a PSD and an image according to the present invention.
  • the noise signal section detection method according to the present invention can be applied to various types of noise. That is, it may correspond to a method applicable to various bio-signals using time-series data in addition to brain waves.
  • the method of detecting the noise signal interval may be a method of capturing a bad epoch through an image instead of only using the PSD (ie, an ensemble or consensus method).
  • the method for detecting a noise signal interval integrates a PSD-based noise signal detection process (first process, S1010) and an image-based noise signal detection process (second process, S1030) to generate a noise signal. section can be detected. That is, the first process and the second process are independently performed, and as a result of integrating noise signal periods detected in each process, a final noise signal period can be determined.
  • first process S1010
  • second process S1030
  • processor 230 memory
  • noise signal detection unit 360 noise signal removal unit
  • parameter setting unit 380 model building unit

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Physics & Mathematics (AREA)
  • Psychiatry (AREA)
  • Psychology (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)

Abstract

본 발명은 자동 잡음신호 구간 검출 방법 및 장치에 관한 것으로, 상기 방법은 입력 데이터를 수신하여 시간-주파수 도메인의 초기 데이터를 생성하는 단계; 상기 초기 데이터의 각 채널에 대해 에포크(epoch)별 파워(power)를 산출하는 단계; 상기 에포크별 파워를 기초로 상기 각 채널의 특정 주파수 영역에 대한 파워 그래프를 생성하는 단계; 상기 파워 그래프 상에서 각 채널 값의 평균을 기초로 베이스라인(baseline)을 생성하는 단계; 및 상기 파워 그래프 상에서 상기 베이스라인을 기준으로 기 설정된 임계값(threshold)을 초과하는 구간을 잡음신호 구간으로 결정하는 단계;를 포함한다.

Description

자동 잡음신호 구간 검출 방법 및 장치
본 발명은 잡음 검출 및 제거 기술에 관한 것으로, 보다 상세하게는 시계열 데이터를 주파수 도메인으로 변환하여 주파수 파워값의 흐름 변화를 바탕으로 잡음을 검출하는 자동 잡음신호 구간 검출 방법 및 장치에 관한 것이다.
생체 신호는 다양한 신호들의 결합체로써, 잡음을 제거하는 공정과정을 거치지 않으면 분석결과에 상당한 영향을 줄 수 있다. 특히, 시계열 데이터의 경우 피험자의 상태, 움직임 등과 같은 패턴에 매우 예민한 반응을 가지고 있으므로 잡음을 제거하는 공정과정이 매우 중요하다.
생체 신호를 분석하는 일반적인 과정은 전처리단계(Preprocessing), 분석단계(Analysis)로 나뉜다. 전처리단계에서 분석에 필요한 데이터를 정제하는 과정을 지나게 되고, 해당 과정의 일부 중 잡음 제거 공정과정이 포함된다.
사람의 뇌에서 측정되는 뇌파 신호는 두피 외 접촉된 전극을 통해 습득이 가능하며, 이때 신체 모발 및 피부내 저항, 피험자의 근육 움직임 등 다양한 신호들도 함께 측정된다. 따라서, 뇌파 이외의 신호들을 잡음으로 간주하며, 전처리단계에서 잡음을 제거하는 과정을 거쳐야 정확한 분석값을 도출할 수 있다.
잡음의 종류에는 일반적으로 안전도(안구움직임: Electrooculography), 근전도(근육움직임: Electromyogram), 심전도(Electrocardiogram), 움직임(non-physiological artifacts) 등 다양하게 분류할 수 있다. 이에 따라 잡음의 신호적 특성을 반영한 주성분분석(PCA, Principal Component Analysis), 독립성분분석(ICA: Independent Component Analysis)으로 제거하는 과정이 있는 반면 움직임에 해당되는 잡음은 그 종류와 원인이 매우 다양하기 때문에 자동화 알고리즘으로 구현하기가 매우 까다롭다.
즉, 생체신호 분석 결과의 신뢰성과 일관성, 정확성을 위해 특히 움직임에 해당되는 잡음을 검출하고 제거하는 과정이 무엇보다 중요하다.
뇌파 분석에서 사용하는 기술은 주로 주파수 도메인으로 계산하여 정량화하는 계산법을 이용하고 있다. 이때, 뇌파의 종류를 주파수의 대역으로 분류할 수 있다. 예를 들어, 델타(Delta)파는 0.5~4Hz, 세타(Theta)파는 4~7Hz, 알파(Alpha)파는 8~12Hz, SMR(Sensory Motor Rhythm)파는 12~15Hz, 베타(Beta)파는 15~18Hz, 하이-베타(High Beta)파는 18Hz 이상으로 분류될 수 있다. 특히, Theta파의 경우 각성 중 졸음이 왔을 때 주로 나타나는 파형으로써, 각성뇌파분석에 있어서 상당한 영향을 줄 수 있다.
특히, 사람의 뇌는 노화가 진행됨에 따라 치매(혹은 인지장애)가 발생할 수 있는데, 이 때 뇌파의 중요한 특징으로서 Theta파의 변형이 있다. 따라서 잡음으로서의 서파(Slow wave; Delta, Theta 등)를 잘 구별하지 못한다면 기능성 및 퇴행성을 판단할 수 있는 뇌파 바이오마커에도 오류를 범할 가능성이 높다.
피험자의 상태 및 움직임에 따른 잡음(non-physiological artifacts)중에는 졸음과 관련된 신호가 대표적이다. 졸음은 Theta파와 밀접한 관계가 있고, 이를 잘 검출하고 제거하지 못한다면 분석에 많은 영향을 줄 수 있다.
한국 공개특허공보 제10-2010-0114256호는 뇌파 측정 방법 및 장치에 있어서, 뇌파의 크기가 작아 센싱시 외부 잡음과 소음, 센싱환경 등에 많은 방해를 받는 경우 의료기관 등의 밀폐실이 아닌 일반적인 외부잡음이 존재하는 장소에서 뇌파를 측정하는 경우에 뇌파 신호 및 잡음 신호를 수신하여 잡음을 제거한 실제 뇌파 주파수만 검출할 수 있는 뇌파 측정 방법 및 장치에 관한 것이다.
[선행기술문헌]
[특허문헌]
한국공개특허 제10-2019-0059364호 (2019.05.31)
한국공개특허 제10-2010-0114256호 (2010.10.25)
본 발명의 일 실시예는 시계열 데이터를 주파수 도메인으로 변환하여 주파수 파워값의 흐름 변화를 바탕으로 잡음을 검출하는 자동 잡음신호 구간 검출 방법 및 장치를 제공하고자 한다.
본 발명의 일 실시예는 뇌파 뿐만 아니라 다양한 생체 신호에서도 동일한 잡음의 형태에 응용할 수 있는 메커니즘을 기대할 수 있고, 자동으로 잡음 신호 구간을 검출 및 제거하여 분석 결과의 신뢰도와 정확성이 높일 수 있으며, 전문성이 낮아 연구 및 적용이 힘들었던 다양한 분야에서 접근성을 낮출 수 있어 다양한 연구 및 개발 등에 접목시킬 수 있는 자동 잡음신호 구간 검출 방법 및 장치를 제공하고자 한다.
실시예들 중에서, 자동 잡음신호 구간 검출 방법은 입력 데이터를 수신하여 시간-주파수 도메인의 초기 데이터를 생성하는 단계; 상기 초기 데이터의 각 채널에 대해 에포크(epoch)별 파워(power)를 산출하는 단계; 상기 에포크별 파워를 기초로 상기 각 채널의 특정 주파수 영역에 대한 파워 그래프를 생성하는 단계; 상기 파워 그래프 상에서 각 채널 값의 평균을 기초로 베이스라인(baseline)을 생성하는 단계; 및 상기 파워 그래프 상에서 상기 베이스라인을 기준으로 기 설정된 임계값(threshold)을 초과하는 구간을 잡음신호 구간으로 결정하는 단계;를 포함한다.
상기 초기 데이터를 생성하는 단계는 로우 데이터(raw data)를 기초로 소정의 전처리 단계를 수행하여 상기 각 채널에 대한 시계열 데이터를 상기 입력 데이터로서 수신하는 단계를 포함할 수 있다.
상기 에포크별 파워를 산출하는 단계는 소정의 시간 구간을 상기 에포크의 길이(window)로 설정하는 단계; 및 상기 에포크를 상기 초기 데이터의 시간축에 따라 이동시키면서 상기 에포크별 파워를 순차적으로 산출하는 단계를 포함할 수 있다.
상기 에포크별 파워를 순차적으로 산출하는 단계는 이동 전후의 연속하는 에포크들 사이에 소정의 비율만큼의 중복 구간을 포함하도록 상기 에포크의 이동 간격을 설정하는 단계를 포함할 수 있다.
상기 파워 그래프를 생성하는 단계는 뇌파 신호에 관한 델타(delta) 또는 세타(theta) 영역을 상기 특정 주파수 영역으로 결정하고 시간의 흐름에 따른 주파수 파워의 흐름에 관한 그래프를 상기 파워 그래프로서 생성하는 단계를 포함할 수 있다.
상기 파워 그래프를 생성하는 단계는 상기 주파수 파워를 절대 파워(absolute power) 또는 상대 파워(relative power)를 기준으로 선택적으로 적용하는 단계를 포함할 수 있다.
상기 베이스라인을 생성하는 단계는 상기 파워 그래프의 시간축을 기준으로 상기 베이스라인 생성을 위한 단위 구간(bin)의 크기와 이동 간격을 설정하는 단계; 및 상기 이동 간격에 따라 이동하면서 상기 단위 구간마다 상기 각 채널 값의 평균을 산출하는 단계를 포함할 수 있다.
상기 방법은 잡음신호의 종류에 따라 상기 특정 주파수 영역, 상기 임계값 및 상기 파워 그래프의 주파수 파워를 각각 결정하는 단계를 더 포함할 수 있다.
상기 잡음신호 구간으로 결정하는 단계는 상기 잡음신호가 적어도 하나 이상인 경우 상기 잡음신호 별로 적어도 하나의 임계값을 개별 설정하고 상기 잡음신호에 따라 상기 적어도 하나의 임계값을 초과하는 채널의 개수를 기준으로 상기 잡음신호 구간을 결정하는 단계를 포함할 수 있다.
상기 잡음신호 구간으로 결정하는 단계는 상기 주파수 파워의 절대 파워를 기준으로 상기 잡음신호 구간을 결정하는 제1 단계; 상기 주파수 파워의 상대 파워를 기준으로 상기 잡음신호 구간을 결정하는 제2 단계; 상기 절대 파워 및 상기 상대 파워 간의 합의체를 기준으로 상기 잡음신호 구간을 결정하는 제3 단계; 및 상기 제1 내지 제3 단계들 간의 조합을 통해 상기 잡음신호 구간을 최종 결정하는 제4 단계를 포함할 수 있다.
상기 방법은 상기 잡음신호 구간을 기준으로 정의되는 잡음제거 구간을 상기 파워 그래프에서 제거하는 단계를 더 포함할 수 있다.
상기 파워 그래프에서 제거하는 단계는 상기 잡음신호 구간의 전과 후에 소정의 여유 구간을 각각 추가하여 상기 잡음제거 구간을 결정하는 단계를 포함할 수 있다.
상기 방법은 상기 초기 데이터를 기초로 에포크별 피처맵을 생성하는 단계; 상기 에포크별 피처맵을 학습하여 상기 잡음신호 구간을 분류하는 독립 모델을 구축하는 단계; 및 상기 베이스라인을 기초로 분류된 제1 잡음신호 구간 및 상기 독립 모델에 의해 분류된 제2 잡음신호 구간을 기초로 최종 잡음신호 구간을 결정하는 단계를 더 포함할 수 있다.
실시예들 중에서, 자동 잡음신호 구간 검출 장치는 입력 데이터를 수신하여 시간-주파수 도메인의 초기 데이터를 생성하는 데이터 변환부; 상기 초기 데이터의 각 채널에 대해 에포크(epoch)별 파워(power)를 산출하는 데이터 가공부; 상기 에포크별 파워를 기초로 상기 각 채널의 특정 주파수 영역에 대한 파워 그래프를 생성하는 데이터 분석부; 상기 파워 그래프 상에서 각 채널 값의 평균을 기초로 베이스라인(baseline)을 생성하는 베이스라인 생성부; 및 상기 파워 그래프 상에서 상기 베이스라인을 기준으로 기 설정된 임계값(threshold)을 초과하는 구간을 잡음신호 구간으로 결정하는 잡음신호 검출부;를 포함한다.
개시된 기술은 다음의 효과를 가질 수 있다. 다만, 특정 실시예가 다음의 효과를 전부 포함하여야 한다거나 다음의 효과만을 포함하여야 한다는 의미는 아니므로, 개시된 기술의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.
본 발명의 일 실시예에 따른 자동 잡음신호 구간 검출 방법 및 장치는 시계열 데이터를 주파수 도메인으로 변환하여 주파수 파워값의 흐름 변화를 바탕으로 잡음을 검출할 수 있다.
본 발명의 일 실시예에 따른 자동 잡음신호 구간 검출 방법 및 장치는 뇌파 뿐만 아니라 다양한 생체 신호에서도 동일한 잡음의 형태에 응용할 수 있는 메커니즘을 기대할 수 있고, 자동으로 잡음 신호 구간을 검출 및 제거하여 분석 결과의 신뢰도와 정확성이 높일 수 있으며, 전문성이 낮아 연구 및 적용이 힘들었던 다양한 분야에서 접근성을 낮출 수 있어 다양한 연구 및 개발 등에 접목시킬 수 있다.
도 1은 본 발명에 따른 잡음신호 구간 검출 시스템을 설명하는 도면이다.
도 2는 도 1의 잡음신호 구간 검출 장치의 시스템 구성을 설명하는 도면이다.
도 3은 도 1의 잡음신호 구간 검출 장치의 기능적 구성을 설명하는 도면이다.
도 4는 본 발명에 따른 자동 잡음신호 구간 검출 방법이 적용된 잡음신호 제거 방법을 설명하는 순서도이다.
도 5는 본 발명에 따른 자동 잡음신호 구간 검출 방법을 설명하는 순서도이다.
도 6은 졸음 구간 및 특정 움직임 구간에서의 서파 잡음에 대한 일반적인 주파수 흐름을 설명하는 도면이다.
도 7은 본 발명에 따른 베이스라인을 설명하는 도면이다.
도 8은 주파수 파워의 절대 파워와 상대 파워를 설명하는 도면이다.
도 9는 본 발명에 따른 잡음신호 구간을 설명하는 도면이다.
도 10은 본 발명에 따른 PSD 및 이미지 기반의 잡음신호 구간의 검출 방법을 설명하는 순서도이다.
본 발명에 관한 설명은 구조적 내지 기능적 설명을 위한 실시예에 불과하므로, 본 발명의 권리범위는 본문에 설명된 실시예에 의하여 제한되는 것으로 해석되어서는 아니 된다. 즉, 실시예는 다양한 변경이 가능하고 여러 가지 형태를 가질 수 있으므로 본 발명의 권리범위는 기술적 사상을 실현할 수 있는 균등물들을 포함하는 것으로 이해되어야 한다. 또한, 본 발명에서 제시된 목적 또는 효과는 특정 실시예가 이를 전부 포함하여야 한다거나 그러한 효과만을 포함하여야 한다는 의미는 아니므로, 본 발명의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.
한편, 본 출원에서 서술되는 용어의 의미는 다음과 같이 이해되어야 할 것이다.
"제1", "제2" 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하기 위한 것으로, 이들 용어들에 의해 권리범위가 한정되어서는 아니 된다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어"있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결될 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어"있다고 언급된 때에는 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 한편, 구성요소들 간의 관계를 설명하는 다른 표현들, 즉 "~사이에"와 "바로 ~사이에" 또는 "~에 이웃하는"과 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함하는 것으로 이해되어야 하고, "포함하다"또는 "가지다" 등의 용어는 실시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이며, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
각 단계들에 있어 식별부호(예를 들어, a, b, c 등)는 설명의 편의를 위하여 사용되는 것으로 식별부호는 각 단계들의 순서를 설명하는 것이 아니며, 각 단계들은 문맥상 명백하게 특정 순서를 기재하지 않는 이상 명기된 순서와 다르게 일어날 수 있다. 즉, 각 단계들은 명기된 순서와 동일하게 일어날 수도 있고 실질적으로 동시에 수행될 수도 있으며 반대의 순서대로 수행될 수도 있다.
본 발명은 컴퓨터가 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현될 수 있고, 컴퓨터가 읽을 수 있는 기록 매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함한다. 컴퓨터가 읽을 수 있는 기록 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있다. 또한, 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.
여기서 사용되는 모든 용어들은 다르게 정의되지 않는 한, 본 발명이 속하는 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한 이상적이거나 과도하게 형식적인 의미를 지니는 것으로 해석될 수 없다.
도 1은 본 발명에 따른 잡음신호 구간 검출 시스템을 설명하는 도면이다.
도 1을 참조하면, 잡음신호 구간 검출 시스템(100)은 사용자 단말(110), 잡음신호 구간 검출 장치(130) 및 데이터베이스(150)를 포함할 수 있다.
사용자 단말(110)은 사용자로부터 측정한 생체신호를 수집하여 제공할 수 있는 컴퓨팅 장치에 해당할 수 있다. 즉, 사용자는 사용자 단말(110)을 통해 자신의 뇌파, 심박동 등의 생체 신호를 수집하거나 측정할 수 있고, 이에 관한 잡음 제거를 위해 수집한 정보를 잡음신호 구간 검출 시스템(100)에게 전달할 수 있다.
또한, 사용자 단말(110)은 잡음신호 구간 검출 장치(130)와 연결되어 동작 가능한 스마트폰, 노트북 또는 컴퓨터로 구현될 수 있으며, 반드시 이에 한정되지 않고, 태블릿 PC 등 다양한 디바이스로도 구현될 수 있다. 사용자 단말(110)은 잡음신호 구간 검출 장치(130)와 네트워크를 통해 연결될 수 있고, 복수의 사용자 단말(110)들은 잡음신호 구간 검출 장치(130)와 동시에 연결될 수도 있다. 또한, 사용자 단말(110)은 잡음신호 구간 검출 시스템(100)이 제공하는 소정의 서비스를 이용할 수 있는 전용 프로그램 또는 어플리케이션을 설치하여 실행할 수 있다.
잡음신호 구간 검출 장치(130)는 사용자로부터 측정된 생체 신호를 기초로 잡음을 제거하여 정제 신호를 생성할 수 있는 컴퓨터 또는 프로그램에 해당하는 서버로 구현될 수 있다. 잡음신호 구간 검출 장치(130)는 사용자 단말(110)과 유선 네트워크 또는 블루투스, WiFi 등과 같은 무선 네트워크로 연결될 수 있고, 네트워크를 통해 사용자 단말(110)과 데이터를 송·수신할 수 있다. 또한, 잡음신호 구간 검출 장치(130)는 데이터의 수집 또는 추가 기능의 제공을 위하여 별도의 외부 시스템(도 1에 미도시함)과 연동하여 동작하도록 구현될 수도 있다.
한편, 도 1과 달리 잡음신호 구간 검출 장치(130)는 사용자 단말(110) 내부에 포함되어 구현될 수 있다. 이 경우, 잡음신호 구간 검출 장치(130)는 사용자 단말(110)의 일 구성요소로서 본 발명에 따른 자동 잡음신호 구간 검출 방법을 수행하는 독립적인 모듈로 구현될 수 있다. 여기에서는 보다 명확한 이해를 위하여 잡음신호 구간 검출 장치(130)를 사용자 단말(110)과 독립된 장치로서 설명한다.
데이터베이스(150)는 잡음신호 구간 검출 장치(130)의 동작 과정에서 필요한 다양한 정보들을 저장하는 저장장치에 해당할 수 있다. 예를 들어, 데이터베이스(150)는 사용자로부터 수집 또는 측정된 생체 신호들에 관한 정보를 저장할 수 있고, 생체 신호의 전처리를 위한 정보를 저장할 수 있으며, 반드시 이에 한정되지 않고, 잡음신호 구간 검출 장치(130)가 자동 잡음신호 구간 검출 방법을 수행하는 과정에서 다양한 형태로 수집 또는 가공된 정보들을 저장할 수 있다.
또한, 도 1에서, 데이터베이스(150)는 잡음신호 구간 검출 장치(130)와 독립적인 장치로서 도시되어 있으나, 반드시 이에 한정되지 않고, 잡음신호 구간 검출 장치(130)의 논리적인 저장장치로서 잡음신호 구간 검출 장치(130)에 포함되어 구현될 수 있음은 물론이다.
도 2는 도 1의 잡음신호 구간 검출 장치의 시스템 구성을 설명하는 도면이다.
도 2를 참조하면, 잡음신호 구간 검출 장치(130)는 프로세서(210), 메모리(230), 사용자 입출력부(250) 및 네트워크 입출력부(270)를 포함하여 구현될 수 있다.
프로세서(210)는 잡음신호 구간 검출 장치(130)가 동작하는 과정에서의 각 단계들을 처리하는 프로시저를 실행할 수 있고, 그 과정 전반에서 읽혀지거나 작성되는 메모리(230)를 관리할 수 있으며, 메모리(230)에 있는 휘발성 메모리와 비휘발성 메모리 간의 동기화 시간을 스케줄할 수 있다. 프로세서(210)는 잡음신호 구간 검출 장치(130)의 동작 전반을 제어할 수 있고, 메모리(230), 사용자 입출력부(250) 및 네트워크 입출력부(270)와 전기적으로 연결되어 이들 간의 데이터 흐름을 제어할 수 있다. 프로세서(210)는 잡음신호 구간 검출 장치(130)의 CPU(Central Processing Unit)로 구현될 수 있다.
메모리(230)는 SSD(Solid State Drive) 또는 HDD(Hard Disk Drive)와 같은 비휘발성 메모리로 구현되어 잡음신호 구간 검출 장치(130)에 필요한 데이터 전반을 저장하는데 사용되는 보조기억장치를 포함할 수 있고, RAM(Random Access Memory)과 같은 휘발성 메모리로 구현된 주기억장치를 포함할 수 있다.
사용자 입출력부(250)는 사용자 입력을 수신하기 위한 환경 및 사용자에게 특정 정보를 출력하기 위한 환경을 포함할 수 있다. 예를 들어, 사용자 입출력부(250)는 터치 패드, 터치 스크린, 화상 키보드 또는 포인팅 장치와 같은 어댑터를 포함하는 입력장치 및 모니터 또는 터치스크린과 같은 어댑터를 포함하는 출력장치를 포함할 수 있다. 일 실시예에서, 사용자 입출력부(250)는 원격 접속을 통해 접속되는 컴퓨팅 장치에 해당할 수 있고, 그러한 경우, 잡음신호 구간 검출 장치(130)는 독립적인 서버로서 수행될 수 있다.
네트워크 입출력부(270)은 네트워크를 통해 외부 장치 또는 시스템과 연결하기 위한 환경을 포함하고, 예를 들어, LAN(Local Area Network), MAN(Metropolitan Area Network), WAN(Wide Area Network) 및 VAN(Value Added Network) 등의 통신을 위한 어댑터를 포함할 수 있다.
도 3은 도 1의 잡음신호 구간 검출 장치의 기능적 구성을 설명하는 도면이다.
도 3을 참조하면, 잡음신호 구간 검출 장치(130)는 데이터 변환부(310), 데이터 가공부(320), 데이터 분석부(330), 베이스라인 생성부(340), 잡음신호 검출부(350), 잡음신호 제거부(360), 파라미터 설정부(370), 모델 구축부(380) 및 제어부(390)를 포함할 수 있다.
데이터 변환부(310)는 입력 데이터를 수신하여 시간-주파수 도메인의 초기 데이터를 생성할 수 있다. 데이터 변환부(310)는 사용자로부터 수집된 잡음을 포함하는 생체 신호(예를 들어, 뇌파 신호)를 수신할 수 있으며, 이때 생체 신호는 시간의 흐름에 따른 신호 세기의 흐름을 관한 시계열 데이터에 해당할 수 있다. 데이터 변환부(310)는 시계열 데이터를 주파수 도메인의 데이터로 변환하여 주파수 파워를 이용한 잡음신호 구간 검출 동작이 수행될 수 있도록 지원할 수 있다.
보다 구체적으로, 데이터 변환부(310)는 시계열 도메인의 데이터를 주파수 도메인의 데이터로 변환하기 위한 방법으로 FFT(Fast Fourier Transform)를 기반으로 응용한 Superlet 방법을 활용할 수 있다. Superlet 방법은 FFT 방법에 비해 시간적 해상도에 강점을 가지고 있으며, 짧은 구간 내 주파수 파워를 계산하는데 적합할 수 있다. 한편, 데이터 변환부(310)는 데이터 변환을 위해 Superlet 방법을 사용할 수 있으나, 반드시 이에 한정되지 않고, 이론적으로 주파수 도메인으로 계산할 수 있는 다양한 방법들이 사용될 수 있음은 물론이다. 데이터 변환부(310)는 주파수 도메인의 데이터를 시간-주파수 형식의 데이터로 선택적으로 변환할 수 있다.
일 실시예에서, 데이터 변환부(310)는 로우 데이터(raw data)를 기초로 소정의 전처리 단계를 수행하여 각 채널에 대한 시계열 데이터를 입력 데이터로서 수신할 수 있다. 즉, 데이터 변환부(310)에 전달되는 입력 데이터는 소정의 전처리 동작에 의해 1차적으로 잡음이 제거된 정제 데이터(cleaned data)에 해당할 수 있다. 이에 대해서는 도 5에서 보다 자세히 설명한다.
데이터 가공부(320)는 초기 데이터의 각 채널에 대해 에포크(epoch)별 파워(power)를 산출할 수 있다. 여기에서, 초기 데이터는 복수의 채널들에 대한 신호들로 구성될 수 있다. 예를 들어, 뇌파 신호의 경우 사용자의 머리에 부착된 전극 센서들을 통해 수집된 복수의 신호들로 구성될 수 있다. 특히, 뇌파 신호의 경우 국제표준 10-20 시스템에 따라 소정의 위치에 배치된 전극들(Fp1, Fp2, F7, F8, F3, F4, Fz, T3, T4, C3, C4, Cz, T5, T6, P3, P4, Pz, O1, O2))을 통해 측정될 수 있으며, 이들로부터 수집되는 뇌파 신호는 총 19개의 채널(또는 주파수 대역)들로 구성될 수 있다.
이에 따라, 데이터 가공부(320)는 초기 데이터의 각 채널에 대해 독립적인 동작을 수행할 수 있다. 일 실시예에서, 데이터 가공부(320)는 소정의 시간 구간을 에포크의 길이(window)로 설정할 수 있고, 에포크를 초기 데이터의 시간축에 따라 이동시키면서 에포크별 파워를 순차적으로 산출할 수 있다.
먼저, 데이터 가공부(320)는 주파수 파워(PSD, Power Spectrum Density)를 산출하기 위한 에포크(epoch) 길이를 결정할 수 있다. 여기에서, 에포크(epoch)는 주파수 파워를 산출하기 위한 시간 단위에 해당할 수 있다. 즉, 에포크 길이는 소정의 시간 구간으로 정의될 수 있으며, 예를 들어, 4초(s)로 설정될 수 있다. 한편, 에포크 길이는 생체 신호(raw data)의 특성에 따라 가변적으로 적용될 수 있다.
에포크 길이(window)가 설정된 경우, 데이터 가공부(320)는 초기 데이터의 시간축을 따라 에포크 길이만큼의 신호 구간을 순차적으로 추출할 수 있고, 해당 신호 구간을 기준으로 주파수 파워(PSD)를 산출할 수 있다. 즉, 데이터 가공부(320)는 에포크 길이를 설정한 후 초기 데이터로부터 각 에포크의 주파수 파워(epoch band power)를 산출하는 동작을 반복적으로 수행할 수 있다.
일 실시예에서, 데이터 가공부(320)는 이동 전후의 연속하는 에포크들 사이에 소정의 비율만큼의 중복 구간을 포함하도록 에포크의 이동 간격을 설정할 수 있다. 예를 들어, 중복 비율이 90%로 설정된 경우 데이터 가공부(320)는 에포크 구간 별로 90% 겹침이 발생하도록 에포크의 이동 간격을 설정할 수 있다(overlapping windowing). 즉, 에포크 길이가 4초이고 중복 비율이 90%인 경우 에포크에 관한 제1 구간이 0 ~ 4s이면 제2 구간은 0.4 ~ 4.4s에 해당할 수 있다. 한편, 에포크들 간의 중복(overlapping) 비율도 가변적으로 적용될 수 있음은 물론이다. 데이터 가공부(320)에 의해 산출되는 에포크별 파워(구간별 주파수 파워(PSD))는 시간의 흐름에 따른 주파수 파워의 흐름에 관한 정보를 포함할 수 있다.
일 실시예에서, 데이터 가공부(320)는 초기 데이터를 기초로 에포크별 피처맵을 생성할 수 있다. 즉, 데이터 가공부(320)는 초기 데이터의 각 채널에 대해 에포크별 피처맵을 생성할 수 있다. 데이터 가공부는 초기 데이터를 기초로 에포크별 파워를 산출할 수 있고, 에포크별 파워를 시각화된 이미지로 생성할 수 있다. 즉, 에포크별 피처맵은 에포크별 파워를 시각화하여 생성된 이미지에 해당할 수 있다. 데이터 가공부(320)에 의해 생성된 피처맵들은 잡음신호 구간 검출을 위한 독립 모델을 구축하는데 학습 데이터로 사용될 수 있다.
데이터 분석부(330)는 에포크별 파워를 기초로 각 채널의 특정 주파수 영역에 대한 파워 그래프를 생성할 수 있다. 일 실시예에서, 데이터 분석부(330)는 뇌파 신호에 관한 델타(delta) 또는 세타(theta) 영역을 특정 주파수 영역으로 결정하고 시간의 흐름에 따른 주파수 파워의 흐름에 관한 그래프를 파워 그래프로서 생성할 수 있다. 예를 들어, 사용자의 뇌파 신호를 분석하여 졸음 구간이나 특정 움직임에 따른 서파 잡음(slow drift)을 검출하는 경우, 뇌파 신호의 채널 중 델타(delta)와 세타(theta) 주파수 대역의 파워 흐름이 중요할 수 있다.
이에 따라, 데이터 분석부(330)는 델타 또는 세타 영역을 특정 주파수 영역으로 결정할 수 있고 에포크별 파워로부터 해당 주파수 대역의 파워 정보를 추출하여 파워 그래프를 생성할 수 있다. 여기에서, 파워 그래프는 시간의 흐름에 따른 주파수 파워의 흐름에 관한 그래프로 표현될 수 있다. 즉, 파워 그래프는 x축과 y축의 2차원 그래프에 해당할 수 있고, x축은 시간축으로, y축은 PSD축으로 표현될 수 있다.
일 실시예에서, 데이터 분석부(330)는 주파수 파워를 절대 파워(absolute power) 또는 상대 파워(relative power)를 기준으로 구분하여 적용할 수 있다. 여기에서, 절대 파워(absolute power)는 전처리된 복수의 뇌파 신호 각각의 파워값(예: 복수의 뇌파 신호 각각이 출현한 정도)의 합산을 통해 산출될 수 있다. 또한, 상대 파워(relative power)는 전처리된 복수의 뇌파 신호의 파워값의 총합에서, 전처리된 복수의 뇌파 신호 각각의 파워값이 차지하는 비율(%)을 통해 산출될 수 있다. 다만, 절대 파워 및 상대 파워의 산출 방법은 반드시 이에 한정되지 않고 다양한 방법이 적용될 수 있음은 물론이다.
따라서, 파워 그래프의 y축은 델타 또는 세타에 관한 PSD값에 해당할 수 있으며, 절대 파워 또는 상대 파워를 기준으로 각각 생성될 수 있다. 잡음신호 구간 검출 장치(130)는 검출하려는 잡음신호의 특성에 따라 파워 그래프의 절대 파워 또는 상대 파워를 선택적으로 적용할 수 있다.
예를 들어, 서로 다른 제1 잡음(예를 들어, 졸음 구간 잡음) 및 제2 잡음(예를 들어, 특정 움직임 구간 잡음)을 절대 파워(PSD Abs) 또는 상대 파워(PSD Rel)를 기준으로 분류해보면, 제2 잡음의 경우 상대 파워 PSD를 기준으로 하였을 때 잘 분류해 내고 제1 잡음의 경우 절대 파워 PSD를 기준으로 하였을 때 잘 분류해 낼 수 있다. 즉, 각각의 잡음에 대해서 절대 및 상대 파워 둘 다 사용될 수 있고, 절대 및 상대 파워의 합의체에 따라 분류될 수도 있다.
베이스라인 생성부(340)는 파워 그래프 상에서 각 채널 값의 평균을 기초로 베이스라인(baseline)을 생성할 수 있다. 여기에서, 베이스라인(baseline)은 잡음을 분류하는 기준라인에 해당할 수 있으며, 베이스라인을 통해 채널별 주파수 파워의 트랜드(trend)가 제거될 수 있다. 베이스라인 생성부(340)는 기초 데이터를 구성하는 복수의 채널들에 대한 각각의 주파수 파워를 통합한 정보를 기초로 잡음신호 검출을 위한 베이스라인을 생성할 수 있다. 이때, 베이스라인 생성부(340)는 각 채널 값의 평균을 통해 베이스라인을 생성할 수 있으며, 반드시 이에 한정되지 않고, 각 채널 값을 통합하기 위해 다양한 방법이 사용될 수 있다.
일 실시예에서, 베이스라인 생성부(340)는 파워 그래프의 시간축을 기준으로 베이스라인 생성을 위한 단위 구간의 크기와 이동 간격을 설정할 수 있고, 이동 간격에 따라 이동하면서 단위 구간마다 각 채널 값의 평균을 산출할 수 있다. 예를 들어, 베이스라인 생성부(340)는 도 7에 도시된 바와 같이, 전체 범위(도 7의 경우, 500 epoch)에 대해 특정 범위(예를 들어, 150bin)을 기준으로 베이스라인을 생성할 수 있다. 또한, 베이스라인 생성부(340)는 단위 구간을 1 epoch 간격으로 이동하면서 베이스라인을 생성할 수 있다.
이때, 빈(bin)의 크기가 작아지는 경우 PSD 변화에 대해 민감해질 수 있고, 이와 반대로 bin의 크기가 커지는 경우 PSD 변화에 대해 강인해질 수 있다. 도 7에서, 3분 20초(200초)의 길이를 가지는 뇌파 데이터에 대해 4초 길이의 window 및 90% overlapping을 기준으로 PSD를 생성하는 경우 총 500 epoch를 가지는 PSD 데이터가 생성될 수 있다. 또한, bin은 베이스라인의 평균을 산출하는데 사용되는 x값들의 결정 기준에 해당할 수 있다. Bin 값이 올라갈수록 PSD 변화에 대해 민감해질 수 있고, bin 값이 작아질수록 PSD 변화에 강인해질 수 있다.
잡음신호 검출부(350)는 파워 그래프 상에서 베이스라인을 기준으로 기 설정된 임계값(threshold)을 초과하는 구간을 잡음신호 구간으로 결정할 수 있다. 즉, 잡음신호 검출부(350)는 베이스라인을 기준으로 임계값을 넘어서는 시간 영역을 잡음신호 구간(bad epoch 영역)으로 결정할 수 있다.
일 실시예에서, 잡음신호 검출부(350)는 잡음신호가 적어도 하나 이상인 경우 잡음신호 별로 적어도 하나의 임계값을 개별 설정하고 잡음신호에 따라 상기 적어도 하나의 임계값을 초과하는 채널의 개수를 기준으로 잡음신호 구간을 결정할 수 있다. 즉, 잡음들을 식별하기 위하여 각각의 잡음신호마다 임계값이 독립적으로 설정될 수 있으며, 필요에 따라 동일 잡음신호에 대해 복수의 임계값들이 설정될 수도 있다. 일반적으로 제1 잡음(졸음 구간 잡음) 및 제2 잡음(특정 움직임 구간 잡음)의 크기가 서로 다르기 때문에 임계값은 각각의 잡음 별로 상이하게 결정되어야 한다.
구분 제1 잡음 제2 잡음 잡음 유무
제1 임계값 채널 수 제2 임계값 채널 수
1.5 4 2 2
데이터 1 3 0 X
데이터 2 3 1 O(제1 잡음)
데이터 3 6 0 O(제1 잡음)
데이터 4 2 2 O(제2 잡음)
예를 들어, 상기의 표 1을 참조하면, 제1 잡음에 대한 제1 임계값을 초과하는 채널의 개수가 4로 설정된 경우, 실제 데이터에서 제1 임계값을 초과하는 채널의 개수가 4 이상이면 제1 잡음으로 결정될 수 있으나, 제1 임계값을 초과하는 채널의 개수가 4 미만인 경우에는 해당 데이터는 제1 잡음으로 결정될 수 없다.
다른 예로서, 제1 잡음과 함께 제2 잡음을 검출하는 경우에 있어, 제1 임계값보다 큰 제2 임계값이 설정된 것으로 가정하면, 실제 데이터에서 1)제1 임계값을 초과하는 채널의 개수가 3인 경우(제2 임계값을 초과하는 채널은 없음)에는 잡음으로 결정되지 않고(표 1의 데이터 1), 2)제1 임계값을 초과하는 채널의 개수가 3이면서 제2 임계값을 초과하는 채널의 개수가 1인 경우에는 잡음으로 결정되며 해당 잡음은 제1 잡음으로 식별될 수 있다(표 1의 데이터 2). 또한, 3)제1 임계값을 초과하는 채널의 개수가 6이면서 제2 임계값을 초과하는 채널이 없는 경우에는 잡음으로 결정되며, 해당 잡음은 제1 잡음으로 식별될 수 있다(표 1의 데이터 3).
만약 제2 임계값을 초과하는 채널의 개수가 2로 설정된 경우에 4)제1 임계값을 초과하는 채널의 개수가 2이면서 제2 임계값을 초과하는 채널의 개수가 2인 경우에는 잡음으로 결정되며, 해당 잡음은 제2 잡음으로 식별될 수 있다(표 1의 데이터 4). 즉, 잡음신호 검출부(350)는 잡음신호 별로 복수개의 임계값 기준을 설정할 수 있고, 각각의 임계값을 초과하는 채널의 개수는 임계값 기준 크기에 반비례하도록 설정할 수 있다.
일 실시예에서, 잡음신호 검출부(350)는 주파수 파워의 절대 또는 상대 파워의 다양한 조합을 기준으로 잡음신호 구간을 결정할 수 있다. 즉, 잡음신호 검출부(350)는 기본적으로 절대 파워 또는 잡음 파워의 단일 기준을 적용하여 잡음신호 구간을 결정할 수 있으며, 필요에 따라 절대 및 상대 파워들 간의 합의체를 기준으로 잡음신호 구간을 결정할 수도 있다. 예를 들어, 잡음신호 검출부(350)는 절대 파워를 기준으로 제1 잡음인지 여부를 1차적으로 검토하고 다음으로 상대 파워를 기준으로 제1 잡음인지 여부를 최종적으로 검토하여 잡음신호 구간을 정의할 수 있다. 다만, 잡음신호 검출부(350)의 동작은 상기 순서에 구속되는 것은 아니고, 상대 파워를 먼저 검토하고 절대 파워를 나중에 검토할 수도 있으며, 절대 및 상대 파워 합의체에 의해 잡음 여부를 검토할 수도 있다.
보다 구체적으로, 잡음신호 검출부(350)는 주파수 파워의 절대 파워를 기준으로 잡음신호 구간을 결정하는 제1 단계, 주파수 파워의 상대 파워를 기준으로 잡음신호 구간을 결정하는 제2 단계, 절대 파워 및 상대 파워 간의 합의체를 기준으로 잡음신호 구간을 결정하는 제3 단계 및 제1 내지 제3 단계들 간의 조합을 통해 잡음신호 구간을 최종 결정하는 제4 단계를 수행할 수 있다.
일 실시예에서, 잡음신호 검출부(350)는 베이스라인을 기초로 분류된 제1 잡음신호 구간 및 독립 모델에 의해 분류된 제2 잡음신호 구간을 기초로 최종 잡음신호 구간을 결정할 수 있다. 잡음신호 검출부(350)는 PSD에 기반한 베이스라인을 기초로 잡음신호 구간을 검출할 수 있으나, 이와 달리 이미지를 통해 검출하는 방법을 함께 적용할 수도 있다. 즉, 잡음신호 검출부(350)는 시각화된 정보로서 에포크별 피처맵을 기초로 구축된 독립 모델을 이용하여 잡음신호 구간을 검출할 수 있다. 독립 모델은 에포크별 피처맵을 학습한 결과로서 생성될 수 있으며, 모델 구축부(380)에 의해 수행될 수 있다. 이에 대해서는 도 10에서 보다 자세히 설명한다.
잡음신호 제거부(360)는 잡음신호 구간을 기준으로 정의되는 잡음제거 구간을 파워 그래프에서 제거할 수 있다. 일 실시예에서, 잡음신호 제거부(360)는 잡음신호 구간의 전과 후에 소정의 여유 구간을 각각 추가하여 잡음제거 구간을 결정할 수 있다.
잡음신호 구간을 제거함에 있어 잡음이 심하게 변형이 되는 구간만을 국소적으로 제거하는 경우 신호의 비연결성(disconnection)이 발생할 수 있으며, 이는 뇌파 분석 알고리즘에 영향을 줄 수 있다. 따라서, 잡음신호 제거부(360)는 잡음신호 구간의 앞/뒤로 여유분의 구간을 추가하여 잡음신호에 관한 파형의 시작과 끝이 여유롭게 포함될 수 있도록 제거 구간을 재특정할 수 있다. 여기에서, 잡음제거 구간은 신호 제거를 위해 재특정된 구간에 해당할 수 있다. 이에 대해서는, 도 9에서 보다 자세히 설명한다.
파라미터 설정부(370)는 잡음신호의 종류에 따라 특정 주파수 영역, 임계값 및 파워 그래프의 주파수 파워를 각각 결정할 수 있다. 즉, 잡음신호 구간 검출 장치(130)는 파라미터 설정부(370)를 통해 잡음신호 검출을 위한 다양한 파라미터들을 설정할 수 있다. 파라미터 설정부(370)는 검출하려는 잡음의 특성에 따라 임계값을 개별적으로 설정할 수 있다. 또한, 파라미터 설정부(370)는 잡음에 따라 기준이 되는 PSD의 주파수 영역 또는 절대 및 상대 파워에 관한 기준도 각각 변경할 수 있다.
모델 구축부(380)는 에포크별 피처맵을 학습하여 잡음신호 구간을 분류하는 독립 모델을 구축할 수 있다. 이에 대해서는, 도 10에서 보다 자세히 설명한다.
제어부(390)는 잡음신호 구간 검출 장치(130)의 전체적인 동작을 제어하고, 데이터 변환부(310), 데이터 가공부(320), 데이터 분석부(330), 베이스라인 생성부(340), 잡음신호 검출부(350), 잡음신호 제거부(360), 파라미터 설정부(370) 및 모델 구축부(380) 간의 제어 흐름 또는 데이터 흐름을 관리할 수 있다.
도 4는 본 발명에 따른 자동 잡음신호 구간 검출 방법이 적용된 잡음신호 제거 방법을 설명하는 순서도이다.
도 4를 참조하면, 잡음신호 구간 검출 장치(130)는 사용자로부터 측정된 생체 신호를 기초로 잡음신호 구간 검출을 위한 전처리(preprocessing) 동작을 수행할 수 있다(S410). 예를 들어, 피험자의 뇌파 신호(raw EEG signal)를 측정하는 경우 잡음신호 구간 검출 장치(130)는 특정 기기로 제한되지 않고 다양한 장치들를 통해 뇌파 신호를 측정할 수 있다.
특히, 뇌파 신호는 μV단위의 매우 미세한 크기를 가진다는 점에서, 크게 증폭될 필요성이 있으며 세밀하게 측정되어야 한다. 또한, 뇌파 신호는 그 크기가 미세하다는 점에서 사용자의 눈 움직임, 근육 활동, 외부 기기 등에 의해서 영향을 받을 수 있다.
따라서, 뇌파 신호 측정은 뇌파계의 전극과 사람의 두피 사이의 저항이 특정 기준 이하가 되어야 측정을 시작할 수 있다. 뇌파 신호의 측정 및 수집 단계에서 사용자의 두피와 전극 사이에 이물질을 제거하고 사용자의 머리카락을 헤집어 주는 등 임피던스를 낮추는 동작(5kΩ 이하)이 요구될 수 있다.
바람직하게는, 사용자는 각성 안정상태에 있어야 하고 앉은 상태에서 뇌파를 측정하여야 한다. 뇌파 데이터에 대한 데이터 샘플링 속도는 200Hz이상이어야 하고, 가공하지 않은 raw data 형태로 추출되어야 한다.
또한, 잡음신호 구간 검출 장치(130)는 가공하지 않은 raw data의 시계열 신호를 분석 및 해석하고자 할 주파수 범위로 필터링을 수행할 수 있다. 주로 1 ~ 45Hz로 분석을 진행하지만 주파수의 범위에 제한되지는 않는다.
1Hz이하의 신호를 필터하는 이유는 0 ~ 1Hz의 신호의 추이는 매우 값이 클 뿐만 아니라, 잡음에 매우 민감하게 움직일 수 있는 범위이기 때문이다. 또한, 분석 결과로써 일반적으로 해석 대상에서는 제외하는 범위에 해당할 수 있다.
잡음신호 구간 검출 장치(130)는 필요에 따라 선택적으로 전원잡음제거(Notch filter)도 수행할 수 있다. 예를 들어, 한국의 경우 55 or 60Hz의 교류전원잡음이 있으며, 나라별 지역별로 상이할 수 있다. 잡음신호 구간 검출 장치(130)는 이후 소정의 전처리 연산을 순차적으로 수행할 수 있으며, 결과적으로 1차적으로 잡음이 제거된 시계열 데이터를 입력 데이터로 수신하여 잡음신호 구간 검출을 위한 동작을 개시할 수 있다(S430).
도 5는 본 발명에 따른 자동 잡음신호 구간 검출 방법을 설명하는 순서도이다.
도 5를 참조하면, 잡음신호 구간 검출 장치(130)는 도 4에서 설명한 바와 같이, 소정의 전처리 단계를 거쳐 수신된 입력 데이터를 기초로 잡음신호 구간 검출을 위한 동작을 구체적으로 수행할 수 있다.
보다 구체적으로, 잡음신호 구간 검출 장치(130)는 Superlet data 단계(S510)를 통해 입력 데이터를 주파수 도메인의 기초 데이터로 변환하는 동작을 수행할 수 있다.
이후, 잡음신호 구간 검출 장치(130)는 Epoch band power 단계(S530)를 통해 기초 데이터로부터 에포크별 파워를 산출할 수 있다. 잡음신호 구간 검출 장치(130)는 Delta, Theta transition 단계(S550)를 통해 에포크별 파워를 기초로 특정 주파수 영역에 관한 파워 그래프를 생성할 수 있다.
이후, 잡음신호 구간 검출 장치(130)는 Detrend 단계(S570)를 통해 파워 그래프 상에서 각 채널의 신호들을 통합한 결과로서 베이스라인을 생성할 수 있다. 잡음신호 구간 검출 장치(130)는 Detecting bad epoch 단계(S590)를 통해 베이스라인과의 비교를 통해 잡음신호 구간을 검출할 수 있다.
도 6은 졸음 구간 및 특정 움직임 구간에서의 서파 잡음에 대한 일반적인 주파수 흐름을 설명하는 도면이다.
도 6a 내지 6d를 참조하면, 잡음신호 구간 검출 장치(130)는 데이터 분석부(330)를 통해 에포크별 파워를 기초로 각 채널의 특정 주파수 영역에 대한 파워 그래프를 생성할 수 있다. 즉, 파워 그래프를 통해 시간의 흐름에 따른 주파수 파워의 흐름을 파악할 수 있게 된다. 특히, 졸음 구간과 특정 움직임에 따라 발생하는 서파 잡음(slow dirft)을 검출하는데, 델타와 세타 주파수 대역의 파워 흐름이 중요할 수 있다. 도 6은 이러한 서파 잡음에 대한 일반적인 주파수 흐름의 현상을 나타낼 수 있다.
보다 구체적으로, 도 6a는 졸음 구간 잡음(제1 잡음)에 대한 입력 데이터를 나타내고, 도 6b는 졸음 구간 잡음에 대한 델타 또는 세타의 PSD 데이터에 해당할 수 있다. 즉, Delta와 Theta의 파워 흐름내에서 동시간에 대부분의 전극에서 큰 흐름의 변화를 보이고 있음을 확인할 수 있다.
또한, 도 6c는 특정 움직임 구간 잡음(제2 잡음)에 대한 입력 데이터를 나타내고, 도 6d는 특정 움직임 구간 잡음에 대한 델타 또는 세타의 PSD 데이터에 해당할 수 있다. 즉, Delta또는 Theta의 파워 흐름내에서 특정 전극이 다른 전극의 흐름과 다르게 매우 큰 변화를 보이고 있음을 확인할 수 있다.
도 8은 주파수 파워의 절대 파워와 상대 파워를 설명하는 도면이다.
도 8을 참조하면, 잡음신호 구간 검출 장치(130)는 잡음신호 검출부(350)를 통해 주파수 파워의 절대 또는 상대 파워의 다양한 조합을 기준으로 잡음신호 구간을 결정할 수 있다. 도 8a는 절대 파워(Absolute power)를 기준으로 잡음신호 구간 검출을 위한 임계값을 적용하는 과정을 나타낼 수 있고, 도 8b는 상대 파워(Relative power)를 기준으로 잡음신호 구간 검출을 위한 임계값을 적용하는 과정을 나타낼 수 있다.
제1 잡음(졸음 구간 잡음) 및 제2 잡음(특정 움직임 구간 잡음)에 따라 임계(Threshold)값은 변할 수 있다. 또한, 기준이 되는 PSD의 주파수 영역 또는 절대(Abs), 상대(Rel) 기준도 변경될 수 있다.
여기에서, bad epoch를 잡아내는 기준은 앙상블로 형성될 수 있다. 예를 들어, Abs 파워를 기준으로 제1 잡음인지 여부를 1차적으로 검토하고 다음으로 Rel 파워를 기준으로 제1 잡음인지 여부를 최종적으로 검토하여 bad epoch을 정의할 수 있다.
본 발명은 상기 순서에 구속되는 것은 아니고, Rel 파워를 먼저 검토하고 Abs 파워를 나중에 검토할 수도 있으며, Abs 및 Rel 파워 합의체에 의해 잡음 여부를 검토할 수도 있다.
도 9는 본 발명에 따른 잡음신호 구간을 설명하는 도면이다.
도 9를 참조하면, 잡음신호 구간 검출 장치(130)는 잡음신호 제거부(360)를 통해 잡음신호 구간을 기준으로 정의되는 잡음제거 구간을 파워 그래프에서 제거할 수 있다.
보다 구체적으로, 특정된 잡음신호의 구간을 제거하기 위해서 구간을 설정해주는 기준도 필요할 수 있다. 구간을 제거함에 있어서 잡음이 심하게 변형이 되는 구간만 국소적으로 제거한다면 신호의 비연결성(Disconnection)이 발생하여 이후 뇌파 분석 알고리즘에 영향을 줄 수 있다. 따라서, 앞/뒤로 여유분의 구간을 추가하여 잡음 신호의 파동의 시작과 끝을 여유롭게 포함할 수 있도록 구간을 재특정한다.
도 9에서, bin의 크기가 150인 경우, 300 epoch에서 잡음을 감지하는 경우, 잡음은 450 epoch에서 시작하는 것이 되고, 470 epoch에서 끝나는 경우 잡음은 470 epoch에서 사라지는 것이므로 450 내지 470 epoch 구간을 잡음신호 구간으로 결정할 수 있다(0.4 * 20 = 총 8초). 따라서, 잡음신호 구간 검출 장치(130)는 정확히 8초를 제거(rejection)시키는 것이 아니라 앞 뒤로 특정시간을 추가하여 제거할 수 있다(예를 들어, 180초- ~ 188초+).
도 10은 본 발명에 따른 PSD 및 이미지 기반의 잡음신호 구간의 검출 방법을 설명하는 순서도이다.
도 10을 참조하면, 본 발명에 따른 잡음신호 구간 검출 방법은 다양한 잡음의 종류에도 응용이 가능할 수 있다. 즉, 뇌파 이외에 시계열 데이터를 이용한 다양한 생체 신호에도 적용 가능한 방법에 해당할 수 있다.
또한, 잡음신호 구간 검출 방법은 PSD 만으로 Bad Epoch를 잡아내지 않고, 이미지를 통해 잡아내는 방법도 가능할 수 있다(즉, 앙상블 또는 합의체 방식).
도 10에서, 본 발명에 따른 잡음신호 구간 검출 방법은 PSD 기반의 잡음신호 검출 과정(제1 과정, S1010)과 이미지 기반의 잡음신호 검출 과정(제2 과정, S1030)을 통합적으로 적용하여 잡음신호 구간을 검출할 수 있다. 즉, 제1 과정과 제2 과정이 각각 독립적으로 수행되고, 각 과정에서 검출된 잡음신호 구간이 통합된 결과 최종적인 잡음신호 구간이 결정될 수 있다.
상기에서는 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
[부호의 설명]
100: 잡음신호 구간 검출 시스템
110: 사용자 단말 130: 잡음신호 구간 검출 장치
150: 데이터베이스
210: 프로세서 230: 메모리
250: 사용자 입출력부 270: 네트워크 입출력부
310: 데이터 변환부 320: 데이터 가공부
330: 데이터 분석부 340: 베이스라인 생성부
350: 잡음신호 검출부 360: 잡음신호 제거부
370: 파라미터 설정부 380: 모델 구축부
390: 제어부

Claims (14)

  1. 입력 데이터를 수신하여 시간-주파수 도메인의 초기 데이터를 생성하는 단계;
    상기 초기 데이터의 각 채널에 대해 에포크(epoch)별 파워(power)를 산출하는 단계;
    상기 에포크별 파워를 기초로 상기 각 채널의 특정 주파수 영역에 대한 파워 그래프를 생성하는 단계;
    상기 파워 그래프 상에서 각 채널 값의 평균을 기초로 베이스라인(baseline)을 생성하는 단계; 및
    상기 파워 그래프 상에서 상기 베이스라인을 기준으로 기 설정된 임계값(threshold)을 초과하는 구간을 잡음신호 구간으로 결정하는 단계;를 포함하는 자동 잡음신호 구간 검출 방법.
  2. 제1항에 있어서, 상기 초기 데이터를 생성하는 단계는
    로우 데이터(raw data)를 기초로 소정의 전처리 단계를 수행하여 상기 각 채널에 대한 시계열 데이터를 상기 입력 데이터로서 수신하는 단계를 포함하는 것을 특징으로 하는 자동 잡음신호 구간 검출 방법.
  3. 제1항에 있어서, 상기 에포크별 파워를 산출하는 단계는
    소정의 시간 구간을 상기 에포크의 길이(window)로 설정하는 단계; 및
    상기 에포크를 상기 초기 데이터의 시간축에 따라 이동시키면서 상기 에포크별 파워를 순차적으로 산출하는 단계를 포함하는 것을 특징으로 하는 자동 잡음신호 구간 검출 방법.
  4. 제3항에 있어서, 상기 에포크별 파워를 순차적으로 산출하는 단계는
    이동 전후의 연속하는 에포크들 사이에 소정의 비율만큼의 중복 구간을 포함하도록 상기 에포크의 이동 간격을 설정하는 단계를 포함하는 것을 특징으로 하는 자동 잡음신호 구간 검출 방법.
  5. 제1항에 있어서, 상기 파워 그래프를 생성하는 단계는
    뇌파 신호에 관한 델타(delta) 또는 세타(theta) 영역을 상기 특정 주파수 영역으로 결정하고 시간의 흐름에 따른 주파수 파워의 흐름에 관한 그래프를 상기 파워 그래프로서 생성하는 단계를 포함하는 것을 특징으로 하는 자동 잡음신호 구간 검출 방법.
  6. 제5항에 있어서, 상기 파워 그래프를 생성하는 단계는
    상기 주파수 파워를 절대 파워(absolute power) 또는 상대 파워(relative power)를 기준으로 선택적으로 적용하는 단계를 포함하는 것을 특징으로 하는 자동 잡음신호 구간 검출 방법.
  7. 제1항에 있어서, 상기 베이스라인을 생성하는 단계는
    상기 파워 그래프의 시간축을 기준으로 상기 베이스라인 생성을 위한 단위 구간(bin)의 크기와 이동 간격을 설정하는 단계; 및
    상기 이동 간격에 따라 이동하면서 상기 단위 구간마다 상기 각 채널 값의 평균을 산출하는 단계를 포함하는 것을 특징으로 하는 자동 잡음신호 구간 검출 방법.
  8. 제1항에 있어서,
    잡음신호의 종류에 따라 상기 특정 주파수 영역, 상기 임계값 및 상기 파워 그래프의 주파수 파워를 각각 결정하는 단계를 더 포함하는 것을 특징으로 하는 자동 잡음신호 구간 검출 방법.
  9. 제8항에 있어서, 상기 잡음신호 구간으로 결정하는 단계는
    상기 잡음신호가 적어도 하나 이상인 경우 상기 잡음신호 별로 적어도 하나의 임계값을 개별 설정하고 상기 잡음신호에 따라 상기 적어도 하나의 임계값을 초과하는 채널의 개수를 기준으로 상기 잡음신호 구간을 결정하는 단계를 포함하는 것을 특징으로 하는 자동 잡음신호 구간 검출 방법.
  10. 제8항에 있어서, 상기 깊이위치 및 회전각 추출부는
    제8항에 있어서, 상기 잡음신호 구간으로 결정하는 단계는
    상기 주파수 파워의 절대 파워를 기준으로 상기 잡음신호 구간을 결정하는 제1 단계;
    상기 주파수 파워의 상대 파워를 기준으로 상기 잡음신호 구간을 결정하는 제2 단계;
    상기 절대 파워 및 상기 상대 파워 간의 합의체를 기준으로 상기 잡음신호 구간을 결정하는 제3 단계; 및
    상기 제1 내지 제3 단계들 간의 조합을 통해 상기 잡음신호 구간을 최종 결정하는 제4 단계를 포함하는 것을 특징으로 하는 자동 잡음신호 구간 검출 방법.
  11. 제1항에 있어서,
    상기 잡음신호 구간을 기준으로 정의되는 잡음제거 구간을 상기 파워 그래프에서 제거하는 단계를 더 포함하는 것을 특징으로 하는 자동 잡음신호 구간 검출 방법.
  12. 제11항에 있어서, 상기 파워 그래프에서 제거하는 단계는
    상기 잡음신호 구간의 전과 후에 소정의 여유 구간을 각각 추가하여 상기 잡음제거 구간을 결정하는 단계를 포함하는 것을 특징으로 하는 자동 잡음신호 구간 검출 방법.
  13. 제1항에 있어서,
    상기 초기 데이터를 기초로 에포크별 피처맵을 생성하는 단계;
    상기 에포크별 피처맵을 학습하여 상기 잡음신호 구간을 분류하는 독립 모델을 구축하는 단계; 및
    상기 베이스라인을 기초로 분류된 제1 잡음신호 구간 및 상기 독립 모델에 의해 분류된 제2 잡음신호 구간을 기초로 최종 잡음신호 구간을 결정하는 단계를 더 포함하는 것을 특징으로 하는 자동 잡음신호 구간 검출 방법.
  14. 입력 데이터를 수신하여 시간-주파수 도메인의 초기 데이터를 생성하는 데이터 변환부;
    상기 초기 데이터의 각 채널에 대해 에포크(epoch)별 파워(power)를 산출하는 데이터 가공부;
    상기 에포크별 파워를 기초로 상기 각 채널의 특정 주파수 영역에 대한 파워 그래프를 생성하는 데이터 분석부;
    상기 파워 그래프 상에서 각 채널 값의 평균을 기초로 베이스라인(baseline)을 생성하는 베이스라인 생성부; 및
    상기 파워 그래프 상에서 상기 베이스라인을 기준으로 기 설정된 임계값(threshold)을 초과하는 구간을 잡음신호 구간으로 결정하는 잡음신호 검출부;를 포함하는 자동 잡음신호 구간 검출 장치.
PCT/KR2021/018058 2021-05-18 2021-12-02 자동 잡음신호 구간 검출 방법 및 장치 WO2022260228A1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US18/027,572 US11903718B2 (en) 2021-05-18 2021-12-02 Automatic noise signal interval detection method and device

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
KR20210063832 2021-05-18
KR10-2021-0074930 2021-06-09
KR1020210074930A KR102452201B1 (ko) 2021-05-18 2021-06-09 자동 잡음신호 구간 검출 방법 및 장치

Publications (1)

Publication Number Publication Date
WO2022260228A1 true WO2022260228A1 (ko) 2022-12-15

Family

ID=83597965

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2021/018058 WO2022260228A1 (ko) 2021-05-18 2021-12-02 자동 잡음신호 구간 검출 방법 및 장치

Country Status (3)

Country Link
US (1) US11903718B2 (ko)
KR (1) KR102452201B1 (ko)
WO (1) WO2022260228A1 (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110087501A (ko) * 2010-01-26 2011-08-03 중앙대학교 산학협력단 생체신호의 특징 추출 장치 및 방법
KR20180060237A (ko) * 2016-11-28 2018-06-07 대한민국(국립재활원장) 피험자 피로도를 반영한 뇌파 분석 방법 및 시스템

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101579543B1 (ko) 2009-04-15 2015-12-28 에스케이텔레콤 주식회사 뇌파 측정 방법 및 장치
US9295838B2 (en) * 2012-10-31 2016-03-29 The Regents Of The University Of California Methods and systems for treating neurological movement disorders
KR101464066B1 (ko) * 2013-01-17 2014-11-20 강승완 생체 정보 측정 장치 및 생체 정보 측정 방법
JP7053459B2 (ja) * 2015-10-05 2022-04-12 タタ コンサルタンシー サービシズ リミテッド 認知負荷測定のためのｅｅｇ信号を処理する方法およびシステム
US10791197B2 (en) * 2017-01-20 2020-09-29 Apple Inc. Managing access to media accounts
US11318278B2 (en) * 2017-09-13 2022-05-03 Massachusetts Institute Of Technology Methods and apparatus for inducing or modifying sleep
KR20190059364A (ko) 2017-11-23 2019-05-31 주식회사 아이메디신 뇌파 분석을 통한 뇌 나이 추정 방법 및 시스템
KR102257291B1 (ko) * 2018-09-14 2021-05-28 주식회사 아이메디신 인지 장애 판별 방법 및 컴퓨터 프로그램
KR20210129632A (ko) * 2018-12-21 2021-10-28 이씨엠 (엥스띠뛰 뒤 쎄르보 에 드 라 모엘 에삐니에르) 신경변성을 측정하고 모니터링하기 위한 시스템 및 방법
US20220167908A1 (en) * 2019-03-18 2022-06-02 Health Tech Connex Inc. System and method for automatic evoked potential measurement
WO2020226257A1 (ko) * 2019-05-09 2020-11-12 엘지전자 주식회사 인공 지능형 뇌파 측정 밴드와 이를 이용한 학습 시스템 및 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110087501A (ko) * 2010-01-26 2011-08-03 중앙대학교 산학협력단 생체신호의 특징 추출 장치 및 방법
KR20180060237A (ko) * 2016-11-28 2018-06-07 대한민국(국립재활원장) 피험자 피로도를 반영한 뇌파 분석 방법 및 시스템

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
LESKE ET AL.: "Reducing power line noise in EEG and MEG data via spectrum interpolation", NEUROIMAGE, vol. 189, 2019, pages 763 - 776, XP085636016, DOI: 10.1016/j.neuroimage.2019.01.026 *
NOLAN ET AL.: "FASTER: fully automated statistical thresholding for EEG artifact rejection", JOURNAL OF NEUROSCIENCE METHODS, vol. 192, no. 1, 2010, pages 152 - 162, XP027258927 *
ROY ET AL.: "Deep learning-based electroencephalography analysis: a systematic review", JOURNAL OF NEURAL ENGINEERING, vol. 16, no. 5, 2019, pages 1 - 37, XP020343627, DOI: 10.1088/1741-2552/ab260c *

Also Published As

Publication number Publication date
KR102452201B1 (ko) 2022-10-12
US11903718B2 (en) 2024-02-20
US20230255538A1 (en) 2023-08-17

Similar Documents

Publication Publication Date Title
US4987903A (en) Method and apparatus for identifying and alleviating semantic memory deficiencies
JP4532739B2 (ja) 警戒状態および嗜眠状態の検出および追跡システム
US4776345A (en) Interactive determination of sleep stages
WO2018135692A1 (ko) 동작 인식 및 제어를 위한 웨어러블 장치 및 이를 이용한 동작 인식 제어 방법
US7035685B2 (en) Apparatus and method for measuring electroencephalogram
WO2019103187A1 (ko) 뇌파를 통한 뇌 인지기능 평가 플랫폼 및 방법
KR100722457B1 (ko) 카오스론적인 휴먼 팩터 평가장치
WO2021107309A1 (ko) 뇌파 분석과 관련된 관심 구간을 뇌파 신호에서 레이블링하는 방법 및 이를 수행하는 뇌파 분석 시스템
KR100945197B1 (ko) 의료검사를 수행하기 위한 시스템, 시각검사를 수행하기 위한 방법 및 일련의 감각자극 표시를 시각 유발 전위신호의 샘플링율과 동기화하는 방법
US20180279938A1 (en) Method of diagnosing dementia and apparatus for performing the same
de Tommaso et al. Combined EEG/EMG evaluation during a novel dual task paradigm for gait analysis
US4984578A (en) Method and apparatus for identifying and alleviating semantic memory deficiencies
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
WO2019103186A1 (ko) 뇌파 분석을 통한 뇌 나이 추정 방법 및 시스템
WO2022260228A1 (ko) 자동 잡음신호 구간 검출 방법 및 장치
WO2019103188A1 (ko) 뇌파 분석을 통한 외상성 뇌손상 평가 시스템 및 방법
WO2023243873A9 (ko) 섬망 발생 예측 방법 및 이를 이용한 섬망 발생 예측용 장치
JP3223851B2 (ja) メンタルストレス判定装置
JP4788956B2 (ja) 脳活動解析方法および装置
CN110051351B (zh) 咬牙信号获取方法以及电子设备的控制方法及装置
WO2020036256A1 (ko) 의식 상태 모니터링 방법 및 장치
Ibáñez et al. An asynchronous BMI system for online single-trial detection of movement intention
Akila¹ et al. Smart brain-controlled wheelchair and devices based on EEG in low cost for disabled person
Jin et al. Quantifying the impact and profiling functional EEG artifacts

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: 21945292

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: 21945292

Country of ref document: EP

Kind code of ref document: A1