KR101366348B1 - Depression diagnosis method using hrv based on neuro-fuzzy network - Google Patents
Depression diagnosis method using hrv based on neuro-fuzzy network Download PDFInfo
- Publication number
- KR101366348B1 KR101366348B1 KR1020110116069A KR20110116069A KR101366348B1 KR 101366348 B1 KR101366348 B1 KR 101366348B1 KR 1020110116069 A KR1020110116069 A KR 1020110116069A KR 20110116069 A KR20110116069 A KR 20110116069A KR 101366348 B1 KR101366348 B1 KR 101366348B1
- Authority
- KR
- South Korea
- Prior art keywords
- ecg
- hrv
- frequency domain
- fuzzy
- neuro
- Prior art date
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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02405—Determining heart rate variability
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Cardiology (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Physiology (AREA)
- Social Psychology (AREA)
- Developmental Disabilities (AREA)
- Educational Technology (AREA)
- Psychology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Child & Adolescent Psychology (AREA)
- Signal Processing (AREA)
- Hospice & Palliative Care (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
본 발명은 우울증 진단을 위한 뉴로-퍼지 네트워크 기반의 데이터 분석 방법에 관한 것으로서, 보다 구체적으로는 (1) 미리 설정된 시간 동안, 심전도(Electrocardiogram, ECG) 신호를 수신하는 단계; (2) 상기 수신된 신호를 심박 변이도(Heart Rate Variability, HRV)로 변환하는 단계; (3) 상기 변환된 심박 변이도(HRV)에 대하여 주파수 영역 특징 및 시간 영역 특징을 추출하는 단계; 및 (4) 상기 추출된 주파수 영역 특징 및 시간 영역 특징을 각각, 가중 퍼지 소속 함수 기반의 퍼지 신경망(Neuro Network with a Weighted Fuzzy Membership function, NEWFM)에 입력하여, 가중 퍼지 소속 함수의 경계합(Bounded Sum of Weighted Fuzzy Membership functions, BSWFM)을 학습시키는 단계를 포함하는 것을 그 구성상의 특징으로 한다.
본 발명에서 제안하고 있는 우울증 진단을 위한 뉴로-퍼지 네트워크 기반의 데이터 분석 방법에 따르면, 심전도(ECG) 신호를 수신하여 이를 심박 변이도(HRV)로 변환하고, 그로부터 주파수 영역 특징 및 시간 영역 특징을 추출한 뒤, 이를 각각 가중 퍼지 소속 함수 기반의 퍼지 신경망(NEWFM)에 입력하여, 가중 퍼지 소속 함수의 경계합(BSWFM)을 학습시킴으로써, 우울증 여부를 간편하게 진단할 수 있다. 또한, 본 발명에 따르면, 심전도(ECG) 신호를 측정할 수 있는 스마트 기기를 이용하여 전문가의 도움 없이도 심전도(ECG) 신호를 측정하여 분석하며, 분석된 결과를 정상인의 결과와 비교함으로써, 일반인이 집에서 손쉽게 우울증과 관련한 정신 건강 상태를 확인할 수 있다.The present invention relates to a neuro-fuzzy network-based data analysis method for diagnosing depression, and more particularly, comprising: (1) receiving an electrocardiogram (ECG) signal for a predetermined time; (2) converting the received signal into Heart Rate Variability (HRV); (3) extracting a frequency domain feature and a time domain feature with respect to the transformed heart rate variability (HRV); And (4) inputting the extracted frequency domain features and time domain features into a weighted fuzzy membership function-based fuzzy neural network (NEWFM) and bounding the weighted fuzzy membership functions, respectively. Its configuration features, including the steps of learning Sum of Weighted Fuzzy Membership functions (BSWFM).
According to the neuro-fuzzy network-based data analysis method for diagnosing depression, the present invention receives an ECG signal and converts it into HRV, and extracts a frequency domain feature and a time domain feature therefrom. Thereafter, each of them is input to a weighted fuzzy membership function-based fuzzy neural network (NEWFM), and the boundary sum of the weighted fuzzy membership function (BSWFM) is learned to easily diagnose depression. In addition, according to the present invention, by using a smart device capable of measuring the ECG (ECG) signal by measuring and analyzing the ECG signal without the help of an expert, by comparing the analysis results with the results of normal people, You can easily check your mental health status related to depression at home.
Description
본 발명은 우울증 진단을 위한 데이터 분석 방법에 관한 것으로서, 보다 구체적으로는 우울증 진단을 위한 뉴로-퍼지 네트워크 기반의 데이터 분석 방법에 관한 것이다.The present invention relates to a data analysis method for diagnosing depression, and more particularly, to a data analysis method based on neuro-fuzzy networks for diagnosing depression.
우울증은 누구에게나 흔히 발생할 수 있는 기분 장애(mood disorder)이다. 우울증에 걸린 사람들은 대개, 자신의 기분을 조절하지 못하거나, 즐거운 활동에 관심을 보이지 않는 등의 증상을 나타낸다. 그러나 우울증에 걸린 사람에게서 나타나는 이러한 증상들도, 때에 따라서는 그 기복이 심하기 때문에, 우울증을 정확하게 진단하고 치료하는 것이 생각만큼 쉽지 않다.
Depression is a mood disorder that is common to everyone. People who are depressed usually have symptoms such as inability to control their moods or lack of interest in fun activities. However, these symptoms in depressed people, because of their ups and downs at times, are not as easy as they might be to diagnose and treat depression correctly.
종래의 우울증 진단 방법은 주로, 뇌파(Electroencephalogram, EEG)를 분석하여, 이상 징후를 포착하는 방식으로 이루어져 왔다. 뇌파는, 머리 표면에 부착한 전극을 통해 뇌의 전기적인 활동을 비침습적(noninvasive)으로 측정한 전기 신호로서, 1920년대에 한스 베르거(Hans Berger)가 최초로 사람의 뇌파를 검출한 이래, 신경세포(neuron), 교세포(glia cell), 혈뇌 장벽(blood-brain barrier)에 의해 결정되는 뇌의 전기적 활동을 시간에 따라 측정함으로써, 사람의 뇌파를 검출할 수 있게 되었다. 이렇게 얻어진 뇌파의 시간 변화 패턴은 일반적으로, 매우 복잡하게 진동하는 파형으로 나타나는데, 이에 대하여 주파수 스펙트럼 분석 기법을 적용함으로써, 뇌의 활동을 진단할 수 있다. 일반적으로, 뇌파에 포함된 진동의 주파수 범위를 기준으로, 0.2~3.99㎐이면 델타 파(delta wave), 4~7.99㎐이면 쎄타 파(theta wave), 8~12.99㎐이면 알파 파(alpha wave), 13~29.99㎐이면 베타 파(beta wave), 30~50㎐이면 감마 파(gamma wave) 등으로 분류할 수 있다. 또한, 뇌파를 발생시키는 원인을 기준으로, 뇌파를 자발 뇌파(Spontaneous Potential, SP) 및 유발 뇌파(Evoked Potential, EP)로 구분할 수 있는데, 자발 뇌파란, 외부 자극의 유무와 상관없이 뇌의 신경망이 활동하면서 발생하는 파형을 의미하는 반면에, 유발 뇌파는 특정한 정보가 포함된 자극을 반복적으로 제시하여, 그 자극을 처리하는 데에 관련된 뇌의 전기적 활동만을 얻은 파형을 가리킨다.
Conventional methods for diagnosing depression have mainly been performed by analyzing electroencephalograms (EGEs) to capture abnormal symptoms. EEG is a noninvasive measure of the electrical activity of the brain through electrodes attached to the surface of the head, and since Hans Berger first detected human brain waves in the 1920s, nerve cells By measuring the electrical activity of the brain over time determined by neurons, glia cells, and blood-brain barriers, human brain waves can be detected. The temporal change pattern of the EEG thus obtained generally appears as a very complex oscillating waveform. By applying a frequency spectrum analysis technique, brain activity can be diagnosed. Generally, based on the frequency range of vibration included in the EEG, the delta wave is 0.2-3.99 Hz, theta wave is 4-7.99 Hz, and the alpha wave is 8-12.99 Hz. For example, 13 ~ 29.99㎐ can be classified as a beta wave, and 30 ~ 50㎐ can be classified as a gamma wave. In addition, the brain waves can be classified into spontaneous potential (SP) and induced brain waves (Evoked Potential (EP)) based on the cause of generating the brain waves. While the term refers to a waveform that occurs during activity, an induced brain wave refers to a waveform that repeatedly presents a stimulus containing specific information and obtains only the electrical activity of the brain involved in processing the stimulus.
통상적으로 측정된 뇌파에는, 상대적으로 작은 진폭을 가진 유발 뇌파 성분이 자발 뇌파 성분에 파묻혀 하나의 파형으로 나타나므로, 그로부터 유발 뇌파 성분을 얻기 위해서는 앙상블 평균(Ensemble Averaging) 과정을 거친다. 즉, 동일한 자극을 반복 제시하되, 이를 제시하는 시각을 다르게 하여 여러 개의 뇌파를 얻고, 이렇게 얻어진 복수의 뇌파를 평균하여 해당 자극과 무관한 자발 뇌파 성분을 제거함으로써, 사건 관련 유발 전위(Event-Related Potential, ERP)를 얻을 수 있다. 이와 같이 추출된 유발 뇌파 성분은, 몇 개의 피크(peak)를 가진 단순한 형태의 파형으로 나타나는데, 그 중에서도, 자극을 제시한 후 200~800㎳(0.2~0.8초)의 시간대에 발생한 피크들은, 외부 자극의 물리적 영향 이외에 선택적 주의, 기억 탐색, 인지 과정 등과 같은 내인적 요소에 해당하는 정신 활동에 깊이 관계되므로, 정신 의학과 및 인지 심리학 분야에서 많이 활용되고 있다.
In general, the measured EEG causes an induced EEG component having a relatively small amplitude to be buried in a spontaneous EEG component and appears as a waveform, and thus, an ensemble averaging process is performed to obtain the induced EEG component. In other words, by repeatedly presenting the same stimulus, and obtaining different brain waves by differently presenting the time, and by averaging the plurality of brain waves obtained by removing the spontaneous EEG component irrelevant to the stimulus, Potential, ERP). The induced EEG component extracted in this way is represented by a simple waveform having several peaks. Among them, peaks generated at 200 to 800 Hz (0.2 to 0.8 seconds) after the stimulus is presented, In addition to the physical effects of stimulation, since they are deeply related to mental activities corresponding to endogenous factors such as selective attention, memory search, and cognitive process, they are widely used in psychiatry and cognitive psychology.
특히, P300은, 자극 제시 후 약 300㎳ 부근에 나타나는 양(positive)의 피크로서, 뇌의 정보처리 기전과 관련하여 전 세계적으로 가장 많이 연구되고 있으며, 최근에는 P300을 보다 세분화하여, 자극 제시 후 약 600㎳ 부근에 나타나는 양의 피크인 P600을 이용한 연구도 증가하고 있다. 종래의 우울증 진단 기술에서는, 이와 같은 P300 성분 또는 P600 성분이 포함된 사건 관련 유발 전위를 이용하여 우울증 여부를 진단하는 방법이 주로 개시되어 왔다.
Particularly, P300 is a positive peak appearing around 300 Hz after stimulus presentation, and is most studied in the world regarding the information processing mechanism of the brain. Recently, P300 has been further refined to show stimulation. Increasingly, studies using P600, a positive peak appearing around 600 Hz, are increasing. In the conventional depression diagnosis technology, a method of diagnosing depression using a P300 component or an event-related induction potential containing the P600 component has been mainly disclosed.
그러나 이러한 뇌파(EEG) 분석을 통한 우울증 진단은, 신호대 잡음비(Signal to Noise Ratio, SNR)가 작고, 정밀한 뇌파 측정을 위해 필요한 EEG 전극의 구성이 복잡하며, 얻어진 뇌파를 분석하기 위해 요구되는 CPU의 성능이 높고, 메모리의 용량이 많아야 하는 등의 문제점이 있었다. 또한, 이러한 복잡한 측정기기 및 방법을 이용한 진단은, 전문가 없이, 일반인이 간편하게 집에서 시행할 수 없는 한계가 있었다.
However, the diagnosis of depression through EEG analysis has a small signal-to-noise ratio (SNR), a complicated configuration of the EEG electrode required for accurate EEG measurement, and the CPU required to analyze the obtained EEG. There are problems such as high performance and large memory capacity. In addition, the diagnosis using such a complicated measuring device and method, there is a limit that the general public can not be easily performed at home without an expert.
이러한 문제점을 극복하기 위해 최근에는, 우울증에 걸린 사람들에게 공통으로 나타나는 심장 박동의 특이한 변화 패턴을 분석하여, 정신 건강 상태를 진단하기 위한 연구가 활발하게 진행되고 있다. 그러나 이러한 심박 변이도(Heart Rate Variability, HRV)를 이용하여 정신 건강을 진단하는 기술에서도, 아직까지 우울증을 진단하는 구체적인 방법은 개시되지 않고 있으며, 특히, 데이터로부터 원하는 특징을 추출하는 정도가 우수한, 퍼지 신경망에 기반한 우울증 진단 방법은 제시되지 않은 문제가 있다.In order to overcome these problems, recently, researches for diagnosing mental health conditions have been actively conducted by analyzing unusual patterns of changes in the heartbeat that are common to people with depression. However, even in the art of diagnosing mental health using the heart rate variability (HRV), no specific method for diagnosing depression has been disclosed. Neural network-based depression diagnosis has a problem that is not presented.
본 발명은 기존에 제안된 방법들의 상기와 같은 문제점들을 해결하기 위해 제안된 것으로서, 심전도(Electrocardiogram, ECG) 신호를 수신하여 이를 심박 변이도(Heart Rate Variability, HRV)로 변환하고, 그로부터 주파수 영역 특징 및 시간 영역 특징을 추출한 뒤, 이를 각각 가중 퍼지 소속 함수 기반의 퍼지 신경망(Neuro Network with a Weighted Fuzzy Membership function, NEWFM)에 입력하여, 가중 퍼지 소속 함수의 경계합(Bounded Sum of Weighted Fuzzy Membership, BSWFM)을 학습시킴으로써, 우울증 여부를 간편하게 진단할 수 있는, 우울증 진단을 위한 뉴로-퍼지 네트워크 기반의 데이터 분석 방법을 제공하는 것을 그 목적으로 한다.
The present invention has been proposed to solve the above problems of the conventionally proposed methods, by receiving an electrocardiogram (ECG) signal and converting it into heart rate variability (HRV), and from there the frequency domain characteristics and After extracting the time domain features, each of them is input to a Neuro Network with a Weighted Fuzzy Membership function (NEWFM) and bounded sum of weighted fuzzy membership (BSWFM). The purpose of the present invention is to provide a neuro-fuzzy network-based data analysis method for diagnosing depression, which can easily diagnose depression.
또한, 본 발명은, 심전도(ECG) 신호를 측정할 수 있는 스마트 기기를 이용하여 전문가의 도움 없이도 심전도(ECG) 신호를 측정하여 분석하며, 분석된 결과를 정상인의 결과와 비교함으로써, 일반인이 집에서 손쉽게 우울증과 관련한 정신 건강 상태를 확인할 수 있는, 우울증 진단을 위한 뉴로-퍼지 네트워크 기반의 데이터 분석 방법을 제공하는 것을 다른 목적으로 한다.In addition, the present invention, by using a smart device capable of measuring the ECG (ECG) signal by measuring and analyzing the ECG signal without the help of an expert, by comparing the analysis results with the results of normal people, Another aim is to provide a neuro-fuzzy network-based data analysis method for diagnosing depression, which can easily identify mental health status related to depression.
상기한 목적을 달성하기 위한 본 발명의 특징에 따른 우울증 진단을 위한 뉴로-퍼지 네트워크 기반의 데이터 분석 방법은, 심전도 신호를 수신하여 우울증 진단을 위한 데이터를 분석하는 장치가,Neuro-fuzzy network-based data analysis method for diagnosing depression according to the characteristics of the present invention for achieving the above object, the apparatus for receiving the electrocardiogram signal to analyze the data for diagnosing depression,
(1) 미리 설정된 시간 동안, 심전도(Electrocardiogram, ECG) 신호를 수신하는 단계;(1) receiving an electrocardiogram (ECG) signal for a preset time;
(2) 상기 수신된 심전도(ECG) 신호를 심박 변이도(Heart Rate Variability, HRV)로 변환하는 단계;(2) converting the received electrocardiogram (ECG) signal into heart rate variability (HRV);
(3) 상기 변환된 심박 변이도(HRV)에 대하여 주파수 영역 특징 및 시간 영역 특징을 추출하는 단계; 및(3) extracting a frequency domain feature and a time domain feature with respect to the transformed heart rate variability (HRV); And
(4) 상기 추출된 주파수 영역 특징 및 시간 영역 특징을 각각, 가중 퍼지 소속 함수 기반의 퍼지 신경망(Neuro Network with a Weighted Fuzzy Membership function, NEWFM)에 입력하여, 가중 퍼지 소속 함수의 경계합(Bounded Sum of Weighted Fuzzy Membership functions, BSWFM)을 학습시키는 단계를 포함하는 것을 그 구성상의 특징으로 한다.
(4) The bounded sum of the weighted fuzzy membership function is inputted by inputting the extracted frequency-domain and time-domain features into a weighted fuzzy membership function (NEWFM), respectively. It comprises the steps of learning of the Weighted Fuzzy Membership functions (BSWFM).
바람직하게는,Preferably,
(0) 적어도 2 이상의 모드를 포함하는 정동 내용 자극(affective contents stimulus)을, 사용자에게 제공하는 단계를 더 포함할 수 있다.
(0) The method may further include providing the user with affective contents stimulus including at least two modes.
바람직하게는,Preferably,
상기 단계 (1)에서는, 30분 이내의 시간 동안 심전도(ECG) 신호를 수신하며,In the step (1), receiving an ECG signal for a time within 30 minutes,
상기 단계 (2)에서는, 상기 심전도(ECG) 신호를 QRS 감지 알고리즘에 의하여 심박 변이도(HRV)로 변환할 수 있다.
In the step (2), the ECG signal may be converted into HRV by a QRS detection algorithm.
바람직하게는, 상기 단계 (3)에서는,Preferably, in the step (3)
상기 심박 변이도(HRV)에 대하여, 적어도 4 이상의 주파수 영역 특징과, 적어도 2 이상의 시간 영역 특징을 추출하되,Extract at least four frequency domain features and at least two time domain features with respect to the heart rate variability (HRV),
상기 주파수 영역 특징은, 0.0033㎐ 이상 0.04㎐ 미만의 제1 주파수 영역 값, 0.04㎐ 이상 0.15㎐ 미만의 제2 주파수 영역 값, 0.15㎐ 이상 0.4㎐ 미만의 제3 주파수 영역 값, 및 상기 제2 주파수 영역 값과 상기 제3 주파수 영역 값의 비율 중 적어도 어느 하나를 포함하고,The frequency domain characteristic may include a first frequency domain value of 0.0033 Hz or more and less than 0.04 Hz, a second frequency domain value of 0.04 Hz or more and less than 0.15 Hz, a third frequency domain value of 0.15 Hz or more and less than 0.4 Hz, and the second frequency. At least one of a ratio between a range value and the third frequency range value,
상기 시간 영역 특징은, RR 간격의 표준 편차(SDNN), 또는 연속적인 RR 간격의 평균 제곱근(R㎳SD)을 포함하며,The time domain feature includes a standard deviation of the RR interval (SDNN), or the mean square root of the consecutive RR intervals (R㎳SD),
상기 RR 간격의 표준 편차(SDNN)는 다음 수학식 a과 같이 표현되고,The standard deviation SDNN of the RR interval is expressed by the following equation a,
상기 연속적인 RR 간격의 평균 제곱근(R㎳SD)은 다음 수학식 b와 같이 표현될 수 있다.The mean square root (R 연속 SD) of the consecutive RR intervals may be expressed by Equation b below.
<수학식 a>≪ Formula (a) >
<수학식 b>Equation (b)
이때, N은 전체 R 피크의 수, RRj는 j번째 RR 간격, 
Where N is the total number of R peaks, RR j is the jth RR interval,
바람직하게는,Preferably,
(5) 상기 학습된 각각의 가중 퍼지 소속 함수의 경계합(BSWFM)을, 미리 설정된 값과 비교하는 단계를 더 포함할 수 있다.(5) The method may further include comparing the boundary sum (BSWFM) of the learned weighted fuzzy membership functions with a preset value.
본 발명에서 제안하고 있는 우울증 진단을 위한 뉴로-퍼지 네트워크 기반의 데이터 분석 방법에 따르면, 심전도(ECG) 신호를 수신하여 이를 심박 변이도(HRV)로 변환하고, 그로부터 주파수 영역 특징 및 시간 영역 특징을 추출한 뒤, 이를 각각 가중 퍼지 소속 함수 기반의 퍼지 신경망(NEWFM)에 입력하여, 가중 퍼지 소속 함수의 경계합(BSWFM)을 학습시킴으로써, 우울증 여부를 간편하게 진단할 수 있다.
According to the neuro-fuzzy network-based data analysis method for diagnosing depression, the present invention receives an ECG signal and converts it into HRV, and extracts a frequency domain feature and a time domain feature therefrom. Thereafter, each of them is input to a weighted fuzzy membership function-based fuzzy neural network (NEWFM), and the boundary sum of the weighted fuzzy membership function (BSWFM) is learned to easily diagnose depression.
또한, 본 발명에 따르면, 심전도(ECG) 신호를 측정할 수 있는 스마트 기기를 이용하여 전문가의 도움 없이도 심전도(ECG) 신호를 측정하여 분석하며, 분석된 결과를 정상인의 결과와 비교함으로써, 일반인이 집에서 손쉽게 우울증과 관련한 정신 건강 상태를 확인할 수 있다.In addition, according to the present invention, by using a smart device capable of measuring the ECG (ECG) signal by measuring and analyzing the ECG signal without the help of an expert, by comparing the analysis results with the results of normal people, You can easily check your mental health status related to depression at home.
도 1은 본 발명의 일 실시예에 따른 우울증 진단을 위한 뉴로-퍼지 네트워크 기반의 데이터 분석 방법의 흐름을 도시한 도면.
도 2는 본 발명의 일 실시예에 따른 우울증 진단을 위한 뉴로-퍼지 네트워크 기반의 데이터 분석 방법의 단계 S100에서 사용자에게 제공되는 정동 내용 자극(affective contents stimulus)의 예를 도시한 도면.
도 3은 본 발명의 일 실시예에 따른 우울증 진단을 위한 뉴로-퍼지 네트워크 기반의 데이터 분석 방법의 단계 S300에서 심박 변이도(HRV)에서 나타날 수 있는 전형적인 QRS 파를 도시한 도면.
도 4a 및 도 4b는 정상인 및 우울증 환자에 대하여 각각, 본 발명의 일 실시예에 따른 우울증 진단을 위한 뉴로-퍼지 네트워크 기반의 데이터 분석 방법의 단계 S300을 적용한 결과를 도시한 도면.
도 5는 본 발명의 일 실시예에 따른 우울증 진단을 위한 뉴로-퍼지 네트워크 기반의 데이터 분석 방법의 단계 S500에서 사용되는 가중 퍼지 소속 함수 기반의 퍼지 신경망(NEWFM)의 구조를 도시한 도면.
도 6은 본 발명의 일 실시예에 따른 우울증 진단을 위한 뉴로-퍼지 네트워크 기반의 데이터 분석 방법의 단계 S500에서 사용되는 NEWFM에 의해 학습시키는 가중 퍼지 소속 함수의 경계합(BSWFM)을 도시한 도면.
도 7a 내지 도 7f는 정상인 및 우울증 환자에 대하여 각각, 본 발명의 일 실시예에 따른 우울증 진단을 위한 뉴로-퍼지 네트워크 기반의 데이터 분석 방법의 단계 S500을 적용한 결과를 도시한 도면.1 is a flow diagram illustrating a data analysis method based on a neuro-fuzzy network for diagnosing depression according to an embodiment of the present invention.
FIG. 2 illustrates an example of affective contents stimulus provided to a user in step S100 of a neuro-fuzzy network-based data analysis method for diagnosing depression according to an embodiment of the present invention. FIG.
3 illustrates a typical QRS wave that may appear in heart rate variability (HRV) at step S300 of a neuro-fuzzy network based data analysis method for diagnosing depression in accordance with one embodiment of the present invention.
4A and 4B illustrate the results of applying step S300 of a neuro-fuzzy network-based data analysis method for diagnosing depression according to an embodiment of the present invention to a normal person and a depressed patient, respectively.
5 is a diagram illustrating the structure of a weighted fuzzy membership function based fuzzy neural network (NEWFM) used in step S500 of a neuro-fuzzy network-based data analysis method for diagnosing depression according to an embodiment of the present invention.
6 is a diagram illustrating a boundary sum of weighted fuzzy membership functions (BSWFM) trained by NEWFM used in step S500 of a neuro-fuzzy network-based data analysis method for diagnosing depression according to an embodiment of the present invention.
7A to 7F illustrate results of applying step S500 of a neuro-fuzzy network-based data analysis method for diagnosing depression according to an embodiment of the present invention, for a normal person and a depressed patient, respectively.
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.
Hereinafter, preferred embodiments of the present invention will be described in detail with reference to the accompanying drawings, in order that those skilled in the art can easily carry out the present invention. In the following detailed description of the preferred embodiments of the present invention, a detailed description of known functions and configurations incorporated herein will be omitted when it may make the subject matter of the present invention rather unclear. In the drawings, like reference numerals are used throughout the drawings.
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.
In addition, in the entire specification, when a part is referred to as being 'connected' to another part, it may be referred to as 'indirectly connected' not only with 'directly connected' . In addition, the term 'comprising' of an element means that the element may further include other elements, not to exclude other elements unless specifically stated otherwise.
도 1은 본 발명의 일 실시예에 따른 우울증 진단을 위한 뉴로-퍼지 네트워크 기반의 데이터 분석 방법의 흐름을 나타내는 도면이다. 도 1에 도시된 바와 같이, 본 발명의 일 실시예에 따른 우울증 진단을 위한 뉴로-퍼지 네트워크 기반의 데이터 분석 방법은, 미리 설정된 시간 동안, 심전도(ECG) 신호를 수신하는 단계(S200), 수신된 심전도(ECG) 신호를 심박 변이도(HRV)로 변환하는 단계(S300), 심박 변이도(HRV)에 대하여 주파수 영역 특징 및 시간 영역 특징을 추출하는 단계(S400), 및 추출된 주파수 영역 특징 및 시간 영역 특징을 각각, 가중 퍼지 소속 함수 기반의 퍼지 신경망(NEWFM)에 입력하여, 가중 퍼지 소속 함수의 경계합(BSWFM)을 학습시키는 단계(S500)를 포함하여 구성될 수 있으며, 적어도 2 이상의 모드를 포함하는 정동 내용 자극을 사용자에게 제공하는 단계(S100), 또는 학습된 각각의 가중 퍼지 소속 함수의 경계합(BSWFM)을 미리 설정된 값과 비교하여, 사용자의 우울증 여부를 진단하는 단계(S600)를 더 포함하여 구성될 수 있다.
1 is a diagram illustrating a flow of a data analysis method based on a neuro-fuzzy network for diagnosing depression according to an embodiment of the present invention. As shown in FIG. 1, in the neuro-fuzzy network-based data analysis method for diagnosing depression according to an embodiment of the present disclosure, an ECG signal is received during a predetermined time (S200). Converting the ECG signal to heart rate variability (SVV) (S300), extracting the frequency domain feature and the time domain feature with respect to the HRV (S400), and extracting the frequency domain feature and time Each of the region features may be input to a weighted fuzzy membership function based fuzzy neural network (NEWFM) to learn a boundary sum of the weighted fuzzy membership functions (BSWFM) (S500). Providing the emotional content stimulation to the user including a step (S100), or by comparing the threshold of each weighted fuzzy membership function learned (BSWFM) with a predetermined value to diagnose whether the user is depressive It may be configured to further include a system (S600).
본 발명은 상기와 같은 구성을 채택함으로써, 심전도(ECG) 신호를 측정할 수 있는 스마트 기기를 이용하여, 전문가의 도움 없이도, 일반인이 집에서 손쉽게 우울증과 관련한 정신 건강 상태를 확인할 수 있다. 한편, 본 발명의 일 실시예에 따른 우울증 진단을 위한 뉴로-퍼지 네트워크 기반의 데이터 분석 방법은, 사용자의 심전도(ECG) 신호를 측정하는 측정부, 측정된 심전도(ECG) 신호를 연산 처리하는 제어부, 및 연산 처리된 결과를 사용자에게 제공하는 디스플레이부를 포함하는 장치에 대하여 적용될 수 있으며, 특히, 심전도(ECG) 신호를 측정할 수 있는 측정부가 구비된 경우라면, 데스크톱, 노트북, 스마트폰, 태블릿 PC 등의 통상적인 사용자 단말기에 대하여도 얼마든지 적용될 수 있다. 이하에서는, 본 발명의 일 실시예에 따른 우울증 진단을 위한 뉴로-퍼지 네트워크 기반의 데이터 분석 방법의 각각의 단계에 대하여 상세히 설명하도록 한다.
The present invention, by adopting the above configuration, by using a smart device capable of measuring ECG (ECG) signal, the general public can easily check the mental health state associated with depression at home, without the help of experts. On the other hand, a neuro-fuzzy network-based data analysis method for diagnosing depression according to an embodiment of the present invention, a measuring unit for measuring the ECG signal of the user, a control unit for calculating the calculated ECG signal , And a device including a display unit for providing a calculated result to a user, and in particular, when a measurement unit capable of measuring an ECG signal is provided, a desktop, a laptop, a smartphone, a tablet PC The same may be applied to any conventional user terminal. Hereinafter, each step of the neuro-fuzzy network-based data analysis method for diagnosing depression according to an embodiment of the present invention will be described in detail.
단계 S100에서는, 적어도 2 이상의 모드를 포함하는 정동 내용 자극을 사용자에게 제공할 수 있다. 정동 내용 자극(affective contents stimulus)이란, 사용자로 하여금 행복, 기쁨, 고통, 스트레스, 짜증, 공포 등과 같은 다양한 감정을 유발시키는 내용을 포함한 자극으로서, 인지 심리학 및 정신 의학과 등의 분야에서는, 여러 감정들에 관련된 자율신경계의 변화를 분석하기 위해 다모드 정동 내용 자극(Multimodal Affective Contents, MAC)을 활용한 연구가 많이 이루어지고 있다. 단계 S100에서는, 이러한 정동 내용 자극의 예로서 도 2와 같은 정동 내용 자극을 사용자에게 제공할 수 있다.
In operation S100, an emotional content stimulus including at least two modes may be provided to the user. Affective contents stimulus is a stimulus that includes content that causes the user to create various emotions such as happiness, joy, pain, stress, irritability, fear, etc. In the fields of cognitive psychology and psychiatry, In order to analyze changes in the autonomic nervous system related to the study, many studies using multimodal Affective Contents (MAC) have been conducted. In operation S100, the user may be provided with the emotional content stimulus as shown in FIG. 2 as an example of such emotional content stimulus.
도 2는 본 발명의 일 실시예에 따른 우울증 진단을 위한 뉴로-퍼지 네트워크 기반의 데이터 분석 방법의 단계 S100에서 사용자에게 제공되는 정동 내용 자극의 예를 도시한 도면이다. 도 2에 도시된 바와 같이, 단계 S100에서 제공되는 정동 내용 자극에는, 고통, 스트레스, 짜증, 공포와 같은 부정적인 감정을 유발시키기 위하여, 스트룹(Stroop) 테스트, 풍선 불기, 공포 영화 시청, 못생긴 남녀 감상, 시끄러운 소리, 신(sour) 사탕 먹기, 록 음악 듣기 등과 같은 자극을, 일정한 시간 동안 사용자에게 제공할 수 있다. 또한, 이러한 부정적인 감정에 이어서, 행복, 기쁨, 감동 등과 같은 긍정적인 감정을 유발시키기 위하여, 고개 움직여 머리 이완시키기, 자장가를 들으며 향기로운 냄새 맡기, 자연의 소리를 들으며 명상하기, 웃긴 비디오 시청하기, 마시멜로(marshmallow)를 먹고, 달콤한 주스를 마시면서 경쾌한 음악 듣기, 잘생긴 남자와 예쁜 여자의 모습을 감상하기 등과 같은 자극을 일정한 시간 동안 사용자에게 제공할 수 있다. 실시예에 따라서는, 각각의 모드(부정적, 긍정적)에 해당하는 정동 내용 자극을 제공하기 전후에, 사용자의 감정을 이완시킬 수 있도록 아무런 자극도 가하지 않는 등 휴식 시간을 부여할 수도 있다. 다만, 이상과 같은 정동 내용 자극은, 본 발명을 구현하기 위한 장치를 통해 이루어지는 것이므로, 이러한 장치를 통하여, 단순히 상기와 같은 자극에 관련된 동영상을 시청하도록 하여, 정동 내용 자극을 제공할 수도 있다.
FIG. 2 is a diagram illustrating an example of an emotional content stimulus provided to a user in step S100 of a neuro-fuzzy network-based data analysis method for diagnosing depression according to an embodiment of the present invention. As shown in FIG. 2, the emotional content stimulus provided in step S100 includes a stroop test, blowing a balloon, watching a horror movie, and an ugly man and woman in order to cause negative emotions such as pain, stress, irritability, and fear. Stimulation, such as listening, loud noises, eating sour candy, listening to rock music, and the like, can be provided to the user for a period of time. Also, following these negative emotions, you can move your head to relax, to relax your head, smell the fragrant while listening to lullabies, meditate while listening to the sounds of nature, watch funny videos, and marshmallow Stimulation such as eating marshmallows, drinking sweet juices, listening to cheerful music, watching handsome men and pretty women, etc. can be provided to the user for a period of time. According to an exemplary embodiment, before or after providing the emotional content stimulus corresponding to each mode (negative or positive), a rest time may be given such that no stimulus is applied to relax the user's emotion. However, since the above-described emotional content stimulation is made through the apparatus for implementing the present invention, the emotional content stimulation may be provided by simply watching a video related to the stimulus through such a device.
단계 S200에서는, 미리 설정된 시간 동안, 심전도(ECG) 신호를 수신할 수 있다. 심전도 신호(Electrocardiogram signal)란, 심장 박동을 느낄 수 있는 여러 신체 부위에 전극을 설치한 뒤, 일정한 시간 동안 심장 박동에 의한 전기적 변화를 감지하여 얻어지는 신호로서, 신체의 건강 상태를 확인하기 위한 비침습적(noninvasive, 인체에 고통을 주지 않고 실시하는) 검사에 많이 활용되고 있다. 이때, 심전도 신호는, 심혈관계의 전기적 활동을 연속적으로 모니터링할 수 있는 홀터 모니터(Holter moniter) 등과 같은 측정부를 통하여 수신될 수 있다. 단계 S200에서는, 수신된 심전도(ECG) 신호를 심박 변이도(HRV)로 변환하기에 충분한 시간 동안 심전도(ECG) 신호를 수신할 수 있는데, 예를 들어, 30분 이내의 시간 동안 심전도(ECG) 신호를 수신할 수 있다.
In operation S200, an ECG signal may be received for a preset time. Electrocardiogram signal (Electrocardiogram signal) is a signal obtained by detecting the electrical changes caused by the heart rhythm for a certain time after the electrode is installed in various body parts that can feel the heart rhythm, non-invasive to check the health state of the body It is widely used for noninvasive testing. In this case, the ECG signal may be received through a measurement unit such as a Holter monitor capable of continuously monitoring the electrical activity of the cardiovascular system. In step S200, an ECG signal may be received for a time sufficient to convert the received ECG signal into a HRV, for example, an ECG signal for a time of less than 30 minutes. Can be received.
단계 S300에서는, 수신된 심전도(ECG) 신호를 심박 변이도(HRV)로 변환할 수 있다. 심박 변이도(Heart Rate Variability, HRV)는, 심장 박동의 시간에 따른 변화로서, 심전도(ECG) 신호, 혈압, 혈량 측정기에 나타나는 펄스 파형 등으로부터 검출될 수 있는데, 그 중에서도 심전도 신호로부터 심박 변이도(HRV)를 확인하는 방법이 가장 정확한 것으로 알려져 있다. 이때, 심전도(ECG) 신호는 QRS 감지 알고리즘에 의하여 심박 변이도(HRV)로 변환될 수 있는데, 이때, QRS 파(QRS complex)란, 심실근의 탈분극 과정(deplarization)에 의해 나타나는 파형으로서, 도 3에서와 같이, P, Q, R, S, T 파로 명명된 5개의 굴곡을 가지는 파형을 말한다.
In operation S300, the received ECG signal may be converted into a heart rate variability HRV. Heart rate variability (HRV) is a change over time of the heartbeat, which can be detected from an electrocardiogram (ECG) signal, a blood pressure, a pulse waveform appearing on a blood flow meter, and, among others, a heart rate variability (HRV). ) Is known to be the most accurate. In this case, the ECG signal may be converted into a heart rate variability (HRV) by a QRS detection algorithm. In this case, the QRS wave is a waveform that appears by depolarization of the ventricular muscle, FIG. 3. As in, it refers to a waveform having five bends named P, Q, R, S, T waves.
도 3은 본 발명의 일 실시예에 따른 우울증 진단을 위한 뉴로-퍼지 네트워크 기반의 데이터 분석 방법의 단계 S300에서 심박 변이도(HRV)에서 나타날 수 있는 전형적인 QRS 파를 도시한 도면이다. 도 3에 도시된 바와 같이, P파에 이어지는 최초의 하향파가 Q파, P파에 이어지는 최초의 상향파가 R파, 그리고 R에 이어지는 하향파가 S파에 해당한다. 정상적인 심박 변이도에서는 QRS파의 폭이 0.06~0.10초로 나타나는데, QRS파의 폭이 0.10초 이상인 경우에는 심실 내전도 장애가 있는 것으로 진단될 수 있다.
3 is a diagram illustrating a typical QRS wave that may appear in heart rate variability (HRV) in step S300 of a neuro-fuzzy network-based data analysis method for diagnosing depression according to an embodiment of the present invention. As shown in FIG. 3, the first down wave following the P wave corresponds to the Q wave, the first up wave following the P wave corresponds to the R wave, and the down wave following R corresponds to the S wave. In normal heart rate variability, the width of the QRS wave appears as 0.06 to 0.10 sec. If the width of the QRS wave is 0.10 sec or more, it may be diagnosed as having a ventricular conduction disorder.
도 4a 및 도 4b는 정상인 및 우울증 환자에 대하여 각각, 본 발명의 일 실시예에 따른 우울증 진단을 위한 뉴로-퍼지 네트워크 기반의 데이터 분석 방법의 단계 S300을 적용한 결과를 도시한 도면이다. 도 4a 및 도 4b에 도시된 바와 같이, 정상인 및 우울증 환자로부터 수신한 심전도 신호를 이용하여 심박 변이도로 변환할 경우, 심박 변이도에 두드러진 차이가 있음을 확인할 수 있다. 즉, 도 4a에 나타난 정상인의 RR 간격은, 도 4b에 나타난 우울증 환자의 RR 간격에 비하여 대체로 더 큰 진폭을 가진 진동 형태로 나타난다. 이와 같은 두 집단 데이터의 특성은, 후술할 단계 S400에서, 통계적 분석을 하기 위한 자료로 사용될 수 있다.
4A and 4B illustrate the results of applying step S300 of a neuro-fuzzy network-based data analysis method for diagnosing depression according to an embodiment of the present invention to a normal person and a depressed patient, respectively. As shown in Figures 4a and 4b, it can be seen that there is a significant difference in heart rate variability when converted to heart rate variability using the ECG signals received from normal people and patients with depression. That is, the RR interval of the normal person shown in FIG. 4A is in the form of a vibration having a larger amplitude than the RR interval of the depressed patient shown in FIG. 4B. The characteristics of these two groups of data, in step S400 to be described later, can be used as data for statistical analysis.
단계 S400에서는, 심박 변이도(HRV)에 대하여 주파수 영역 특징 및 시간 영역 특징을 추출할 수 있다. 대체로, 주파수 영역 특징은 짧은 시간 동안의 심박 변이도(HRV)로부터 추출될 수 있으며, 시간 영역 특징은 보다 긴 시간 동안의 심박 변이도(HRV)로부터 추출될 수 있다. 한편, 실시예에 따라, 단계 S400에서는, 적어도 4 이상의 주파수 영역 특징을 추출할 수 있는데, 이때, 추출되는 주파수 영역 특징에는, 0.0033㎐ 이상 0.04㎐ 미만의 제1 주파수 영역 값(Very Low Frequency, VLF), 0.04 ㎐이상 0.15㎐ 미만의 제2 주파수 영역 값(Low Frequency, LF), 0.15㎐ 이상 0.4㎐ 미만의 제3 주파수 영역 값(High Frequency, HF), 및 상기 제2 주파수 영역 값과 상기 제3 주파수 영역 값의 비율(LF/HF) 중 적어도 어느 하나가 포함될 수 있다. 또한, 실시예에 따라, 단계 S400에서는, 적어도 2 이상의 시간 영역 특징을 추출할 수 있는데, 이때, 추출되는 시간 영역 특징에는, 다음 수학식 1 및 수학식 2로 표현되는, RR 간격의 표준 편차(SDNN), 또는 연속적인 RR 간격의 평균 제곱근(R㎳SD)이 포함될 수 있다.In operation S400, the frequency domain feature and the time domain feature may be extracted with respect to the HRV. In general, the frequency domain features may be extracted from short time heart rate variability (HRV), and the time domain features may be extracted from longer time heart rate variability (HRV). According to an exemplary embodiment, at step S400, at least four frequency domain features may be extracted. In this case, the extracted frequency domain features include a first frequency domain value (Very Low Frequency, VLF) of 0.0033 Hz or more and less than 0.04 Hz. ), A second frequency domain value (Low Frequency, LF) of 0.04 Hz or more and less than 0.15 Hz, a third frequency domain value (High Frequency, HF) of 0.15 Hz or more and less than 0.4 Hz, and the second frequency domain value and the first frequency range At least one of the ratio (LF / HF) of three frequency domain values may be included. Further, according to an embodiment, in step S400, at least two or more time domain features may be extracted. In this case, the extracted time domain features include the standard deviation of the RR intervals represented by
이때, N은 전체 R 피크의 수, RRj는 j번째 RR 간격, 
Where N is the total number of R peaks, RR j is the jth RR interval,
단계 S500에서는, 추출된 주파수 영역 특징 및 시간 영역 특징을 각각, 가중 퍼지 소속 함수 기반의 퍼지 신경망(NEWFM)에 입력하여, 가중 퍼지 소속 함수의 경계합(BSWFM)을 학습시킬 수 있다. 도 5를 참조하여 가중 퍼지 소속 함수 기반의 퍼지 신경망(NEWFM)을 설명하면, NEWFM은 입력(input) 레이어, 하이퍼박스(hyperbox) 레이어, 클래스(class) 레이어를 포함하는 3개의 레이어로 구성될 수 있다. 이때, 입력 레이어는, n개의 특징을 가진 입력 패턴이 입력되는, n개의 입력 노드로 구성될 수 있고, 하이퍼박스 레이어는, 각각이 n개의 입력 노드에 대한 n개의 BSWFM을 포함하며 클래스 노드에 연결되는, m개의 하이퍼박스 노드로 구성될 수 있다. 또한, 클래스 레이어는, 각각이 적어도 하나 이상의 하이퍼박스 노드에 연결되는 p개의 클래스 노드로 구성될 수 있다. 한편, 입력 노드에 입력되는 h번째 입력 패턴은 수학식 3과 같이 표현될 수 있다.In operation S500, the extracted frequency-domain feature and the time-domain feature may be input to a fuzzy neural network based on the weighted fuzzy membership function, respectively, to train the boundary sum of the weighted fuzzy membership function (BSWFM). Referring to FIG. 5, a fuzzy neural network (NEWFM) based on a weighted fuzzy membership function may be composed of three layers including an input layer, a hyperbox layer, and a class layer. have. In this case, the input layer may be composed of n input nodes into which input patterns having n characteristics are input, and the hyperbox layer includes n BSWFMs for n input nodes, each connected to a class node. It may consist of m hyperbox nodes. In addition, the class layer may be composed of p class nodes, each of which is connected to at least one hyperbox node. On the other hand, the h-th input pattern input to the input node can be expressed as shown in equation (3).
이때, class는 분류 결과를 가리키며, Ah는 입력 패턴의 n개 특징을 나타낸다.
In this case, the class indicates a classification result and A h indicates n features of the input pattern.
하이퍼박스 노드 Bl는 각각, n 개의 퍼지 집합으로 구성되는데, 그 중 i번째 퍼지 집합은 도 6에서와 같이, Bl i로 표현되는 가중 퍼지 소속 함수(Weighted Fuzzy Membership function, WFM)를 가진다. 도 6은 본 발명의 일 실시예에 따른 우울증 진단을 위한 뉴로-퍼지 네트워크 기반의 데이터 분석 방법의 단계 S500에서 사용되는 NEWFM에 의해 학습되는 가중 퍼지 소속 함수의 경계합(BSWFM)을 도시한 도면이다. 도 6에 도시된 바와 같이, 가중 퍼지 소속 함수(WFM) Bl i는 연속된 시변화 신호 x(t)에 대한 원래의 소속 함수(original membership function)인 μl i 1, μl i 2, μl i 3 등에 대하여, 가중치 Wl i 1, Wl i 2, Wl i 3 등을 준 소속 함수를 나타낸다. 도 6에서는, μl i 1, μl i 2, μl i 3 에 대하여, 각각 0.7, 0.8, 0.3의 가중치를 준 WFM(wl i 1, wl i 2, wl i 3)이 도시되었다.
Each hyperbox node B l is composed of n fuzzy sets, of which the i th fuzzy set has a weighted fuzzy membership function (WFM) represented by B l i , as shown in FIG. 6. FIG. 6 is a diagram illustrating a boundary sum (BSWFM) of weighted fuzzy membership functions learned by NEWFM used in step S500 of a neuro-fuzzy network-based data analysis method for diagnosing depression according to an embodiment of the present invention. . As shown in FIG. 6, the weighted fuzzy membership function (WFM) B l i is the original membership function μ l i 1 , μ l i 2 , for the continuous time-varying signal x (t). For μ l i 3 and the like, the membership function given the weights W l i 1 , W l i 2 , W l i 3 , and the like is shown. In FIG. 6, WFM (w l i 1 , w l i 2 , w l i 3 ) with weights of 0.7, 0.8, 0.3 are shown for μ l i 1 , μ l i 2 , μ l i 3 , respectively. It became.
한편, 가중 퍼지 소속 함수의 경계합(BSWFM)은, 도 6의 굵은 선과 같은 다각형 모양으로 나타날 수 있는데, 이때, 가중 퍼지 소속 함수 Bl i에 대한 BSWFM 값인 BSl i(ai)은, 수학식 4와 같이 표현될 수 있다.Meanwhile, the boundary sum of the weighted fuzzy membership function (BSWFM) may be represented by a polygonal shape as shown in the thick line of FIG. 6, where BS l i (a i ), which is the BSWFM value for the weighted fuzzy membership function B l i , It can be expressed as Equation 4.
이때, ai는 입력 패턴 Ah의 i번째 특징값을 나타낸다. 도 6에는, νl i 2 및 νl i 3의 사이에 위치한 ai에 대한 BSWFM 값이 도시되었다.
At this time, a i represents the i th characteristic value of the input pattern A h . In FIG. 6, the BSWFM values for a i located between v l i 2 and v l i 3 are shown.
도 7a 내지 도 7f는 정상인 및 우울증 환자에 대하여 각각, 본 발명의 일 실시예에 따른 우울증 진단을 위한 뉴로-퍼지 네트워크 기반의 데이터 분석 방법의 단계 S500을 적용한 결과를 도시한 도면이다. 도 7a 내지 도 7f에 도시된 바와 같이, 정상인 및 우울증 환자에 대하여 각각, 본 발명의 일 실시예에 따른 우울증 진단을 위한 뉴로-퍼지 네트워크 기반의 데이터 분석 방법의 단계 S500을 적용할 경우, 0.0033㎐ 이상 0.04㎐ 미만의 제1 주파수 영역 값(VLF), 0.04㎐ 이상 0.15㎐ 미만의 제2 주파수 영역 값(LF), 0.15㎐ 이상 0.4㎐ 미만의 제3 주파수 영역 값(HF), 및 상기 제2 주파수 영역 값과 상기 제3 주파수 영역 값의 비율(LF/HF), RR 간격의 표준 편차(SDNN), 및 연속적인 RR 간격의 평균 제곱근(R㎳SD)의 특징들을 분류한 퍼지 값(fuzzy value)의 분포에서는, 정상인의 경우와 우울증 환자의 경우가 구분되는 차이점을 확인할 수 있다.
7A to 7F illustrate the results of applying step S500 of the neuro-fuzzy network-based data analysis method for diagnosing depression according to an embodiment of the present invention, for a normal person and a depressed patient, respectively. As shown in FIGS. 7A to 7F, when a step S500 of a neuro-fuzzy network-based data analysis method for diagnosing depression according to an embodiment of the present invention is applied to a normal person and a depression patient, respectively, 0.0033 ms The first frequency domain value VLF less than or equal to 0.04 kHz, The second frequency domain value LF less than or equal to 0.04 kHz and less than 0.15 GHz, The third frequency domain value HF less than or equal to 0.15 GHz and less than 0.4 GHz, and the second A fuzzy value that classifies the features of the ratio of the frequency domain value to the third frequency domain value (LF / HF), the standard deviation of the RR interval (SDNN), and the mean square root of the successive RR intervals (R㎳SD). ), We can see the difference between normal and depressed patients.
단계 S600에서는, 학습된 각각의 가중 퍼지 소속 함수의 경계합(BSWFM)을 미리 설정된 값과 비교하여, 사용자의 우울증 여부를 진단할 수 있다. 이 경우, 도 7a 내지 도 7f에 도시된 특징들의 퍼지 값 분포를 이용하여, 사용자의 심전도(ECG) 신호로부터 변환된 심박 변이도(HRV)의 특징이, 우울증 환자의 특징에 가까운지에 따라, 사용자의 정신 상태를 우울증 상태로 진단할 수 있다. 즉, 도 7a 내지 도 7f에 도시된 특징들의 퍼지 값 분포를 미리 설정해 둔 다음, 사용자로부터 검출된 심박 변이도(HRV)를 NEWFM에 의해 학습시킨 BSWFM이 상기 미리 설정한 값과 얼마나 차이가 있는지를 비교하여, 정상인에 대한 분포와의 차이보다 우울증 환자에 대한 분포와의 차이가 더 작은 경우, 사용자의 정신 상태가, 우울증 상태에 있음을 알려주도록 설정할 수 있다.
In step S600, the user may be diagnosed with depression by comparing the learned boundary sum (BSWFM) of each weighted fuzzy membership function with a preset value. In this case, by using the fuzzy value distribution of the features illustrated in FIGS. 7A to 7F, the characteristics of the HRV converted from the ECG signal of the user are close to those of the depressed patient. Mental state can be diagnosed as depressive state. That is, after setting the fuzzy value distribution of the features shown in FIGS. 7A to 7F in advance, and comparing the difference between the BSWFM trained by NEWFM with the heart rate variability (HRV) detected from the user, the difference is different from the preset value. Thus, when the difference with the distribution for the depressed patient is smaller than the difference with the distribution for the normal person, the mental state of the user may be set to indicate that the depression state.
이상 설명한 본 발명은 본 발명이 속한 기술분야에서 통상의 지식을 가진 자에 의하여 다양한 변형이나 응용이 가능하며, 본 발명에 따른 기술적 사상의 범위는 아래의 특허청구범위에 의하여 정해져야 할 것이다.The present invention may be embodied in many other specific forms without departing from the spirit or essential characteristics of the invention.
S100: 적어도 2 이상의 모드를 포함하는 정동 내용 자극을 사용자에게 제공하는 단계
S200: 미리 설정된 시간 동안, 심전도(ECG) 신호를 수신하는 단계
S300: 수신된 심전도(ECG) 신호를 심박 변이도(HRV)로 변환하는 단계
S400: 심박 변이도(HRV)에 대하여 주파수 영역 특징 및 시간 영역 특징을 추출하는 단계
S500: 추출된 주파수 영역 특징 및 시간 영역 특징을 각각, 가중 퍼지 소속 함수 기반의 퍼지 신경망(NEWFM)에 입력하여, 가중 퍼지 소속 함수의 경계합(BSWFM)을 학습시키는 단계
S600: 학습된 각각의 가중 퍼지 소속 함수의 경계합(BSWFM)을 미리 설정된 값과 비교하여, 사용자의 우울증 여부를 진단하는 단계S100: providing a user with an emotional content stimulus comprising at least two modes
S200: Receiving an ECG signal for a preset time
S300: converting the received electrocardiogram (ECG) signal into heart rate variability (HRV)
S400: extracting a frequency domain feature and a time domain feature with respect to heart rate variability (HRV)
S500: inputting the extracted frequency-domain feature and time-domain feature into the weighted fuzzy membership function based fuzzy neural network (NEWFM), respectively, to train the boundary sum of the weighted fuzzy membership function (BSWFM)
S600: diagnosing the user's depression by comparing the learned boundary sum (BSWFM) of each weighted fuzzy membership function with a preset value
Claims (5)
(1) 미리 설정된 시간 동안, 심전도(Electrocardiogram, ECG) 신호를 수신하는 단계;
(2) 상기 수신된 심전도(ECG) 신호를 심박 변이도(Heart Rate Variability, HRV)로 변환하는 단계;
(3) 상기 변환된 심박 변이도(HRV)에 대하여 주파수 영역 특징 및 시간 영역 특징을 추출하는 단계; 및
(4) 상기 추출된 주파수 영역 특징 및 시간 영역 특징을 각각, 가중 퍼지 소속 함수 기반의 퍼지 신경망(Neuro Network with a Weighted Fuzzy Membership function, NEWFM)에 입력하여, 가중 퍼지 소속 함수의 경계합(Bounded Sum of Weighted Fuzzy Membership functions, BSWFM)을 학습시키는 단계를 포함하되,
(0) 적어도 2 이상의 모드를 포함하는 정동 내용 자극(affective contents stimulus)을, 사용자에게 제공하는 단계를 더 포함하며,
(5) 상기 학습된 각각의 가중 퍼지 소속 함수의 경계합(BSWFM)을, 미리 설정된 값과 비교하는 단계를 더 포함하는 것을 특징으로 하는, 우울증 진단을 위한 뉴로-퍼지 네트워크 기반의 데이터 분석 방법.
A device for receiving ECG signals and analyzing data for diagnosing depression,
(1) receiving an electrocardiogram (ECG) signal for a preset time;
(2) converting the received electrocardiogram (ECG) signal into heart rate variability (HRV);
(3) extracting a frequency domain feature and a time domain feature with respect to the transformed heart rate variability (HRV); And
(4) The bounded sum of the weighted fuzzy membership function is inputted by inputting the extracted frequency-domain and time-domain features into a weighted fuzzy membership function (NEWFM), respectively. of Weighted Fuzzy Membership functions (BSWFM),
(0) further comprising providing to the user an affective contents stimulus comprising at least two modes,
And (5) comparing the learned boundary weight (BSWFM) of each weighted fuzzy membership function with a preset value, wherein the neuro-fuzzy network-based data analysis method for diagnosing depression.
상기 단계 (1)에서는, 30분 이내의 시간 동안 심전도(ECG) 신호를 수신하며,
상기 단계 (2)에서는, 상기 심전도(ECG) 신호를 QRS 감지 알고리즘에 의하여 심박 변이도(HRV)로 변환하는 것을 특징으로 하는, 우울증 진단을 위한 뉴로-퍼지 네트워크 기반의 데이터 분석 방법.
The method of claim 1,
In the step (1), receiving an ECG signal for a time within 30 minutes,
In step (2), the ECG signal is converted into heart rate variability (HRV) by a QRS detection algorithm, characterized in that the neuro-fuzzy network-based data analysis method for diagnosing depression.
상기 심박 변이도(HRV)에 대하여, 적어도 4 이상의 주파수 영역 특징과, 적어도 2 이상의 시간 영역 특징을 추출하되,
상기 주파수 영역 특징은, 0.0033㎐ 이상 0.04㎐ 미만의 제1 주파수 영역 값, 0.04㎐ 이상 0.15㎐ 미만의 제2 주파수 영역 값, 0.15㎐ 이상 0.4㎐ 미만의 제3 주파수 영역 값, 및 상기 제2 주파수 영역 값과 상기 제3 주파수 영역 값의 비율 중 적어도 어느 하나를 포함하고,
상기 시간 영역 특징은, RR 간격의 표준 편차(SDNN), 또는 연속적인 RR 간격의 평균 제곱근(R㎳SD)을 포함하며,
상기 RR 간격의 표준 편차(SDNN)는 다음 수학식 a와 같이 표현되고,
상기 연속적인 RR 간격의 평균 제곱근(R㎳SD)은 다음 수학식 b와 같이 표현되는 것을 특징으로 하는, 우울증 진단을 위한 뉴로-퍼지 네트워크 기반의 데이터 분석 방법.
<수학식 a>
<수학식 b>
이때, N은 전체 R 피크의 수, RRj는 j번째 RR 간격,
2. The method according to claim 1, wherein in the step (3)
Extract at least four frequency domain features and at least two time domain features with respect to the heart rate variability (HRV),
The frequency domain characteristic may include a first frequency domain value of 0.0033 Hz or more and less than 0.04 Hz, a second frequency domain value of 0.04 Hz or more and less than 0.15 Hz, a third frequency domain value of 0.15 Hz or more and less than 0.4 Hz, and the second frequency. At least one of a ratio between a range value and the third frequency range value,
The time domain feature includes a standard deviation of the RR interval (SDNN), or the mean square root of the consecutive RR intervals (R㎳SD),
The standard deviation (SDNN) of the RR interval is expressed by the following equation a,
The mean square root (R㎳SD) of the consecutive RR intervals is represented by the following equation b, Neuro-fuzzy network-based data analysis method for diagnosing depression.
<Formula a>
Equation b
Where N is the total number of R peaks, RR j is the jth RR interval,
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020110116069A KR101366348B1 (en) | 2011-11-08 | 2011-11-08 | Depression diagnosis method using hrv based on neuro-fuzzy network |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020110116069A KR101366348B1 (en) | 2011-11-08 | 2011-11-08 | Depression diagnosis method using hrv based on neuro-fuzzy network |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20130050817A KR20130050817A (en) | 2013-05-16 |
| KR101366348B1 true KR101366348B1 (en) | 2014-02-24 |
Family
ID=48661080
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020110116069A KR101366348B1 (en) | 2011-11-08 | 2011-11-08 | Depression diagnosis method using hrv based on neuro-fuzzy network |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR101366348B1 (en) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102043376B1 (en) * | 2018-08-16 | 2019-11-11 | 한국과학기술연구원 | Method for real time analyzing stress using deep neural network algorithm |
| KR102152957B1 (en) * | 2019-10-18 | 2020-09-07 | (의료)길의료재단 | The discrimination of panic disorder from other anxiety disorders based on heart rate variability and the apparatus thereof |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3056138B1 (en) | 2015-02-11 | 2020-12-16 | Samsung Electronics Co., Ltd. | Electrocardiogram (ecg)-based authentication apparatus and method thereof, and training apparatus and method thereof for ecg-based authentication |
| KR102333992B1 (en) * | 2015-03-12 | 2021-12-02 | 한국전자통신연구원 | Apparatus and method for emergency psychiatric state prediction |
| KR102006962B1 (en) * | 2017-11-03 | 2019-08-02 | 계명대학교 산학협력단 | Wearable patch type stress tracker sensor which reduces user's mental and physical stress based on artificial intelligence and stress tracking method thereof |
| KR102163217B1 (en) * | 2018-06-14 | 2020-10-08 | 한국과학기술원 | Method and Apparatus for ECG Arrhythmia Classification using a Deep Convolutional Neural Network |
| CN112263253B (en) * | 2020-11-18 | 2021-09-17 | 山东大学 | Depression recognition system, medium and equipment based on deep learning and electrocardiosignal |
| KR102322234B1 (en) * | 2020-12-29 | 2021-11-05 | (주)씨어스테크놀로지 | Method And Apparatus for Visualizing Electrocardiogram by Using Deep Learning |
| KR102432275B1 (en) * | 2021-02-22 | 2022-08-16 | 주식회사 히포티앤씨 | Data processing method For Depressive disorder diagnosis method using artificial intelligence based on multi-indicator |
| CN114027842B (en) * | 2021-11-18 | 2023-02-28 | 赵永翔 | Objective screening system, method and device for depression |
| CN114190942B (en) * | 2021-12-13 | 2023-10-03 | 沃民高新科技（北京）股份有限公司 | Method for computer-implemented depression detection based on audio analysis |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20080084132A (en) * | 2007-03-15 | 2008-09-19 | 임준식 | Method for extracting nonlinear time series prediction model using neural network with weighted fuzzy membership functions |
| KR20100008875A (en) * | 2008-07-17 | 2010-01-27 | 가톨릭대학교 산학협력단 | Stress monitoring apparatus and method using measurement of electrocardiogram |
-
2011
- 2011-11-08 KR KR1020110116069A patent/KR101366348B1/en active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20080084132A (en) * | 2007-03-15 | 2008-09-19 | 임준식 | Method for extracting nonlinear time series prediction model using neural network with weighted fuzzy membership functions |
| KR20100008875A (en) * | 2008-07-17 | 2010-01-27 | 가톨릭대학교 산학협력단 | Stress monitoring apparatus and method using measurement of electrocardiogram |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102043376B1 (en) * | 2018-08-16 | 2019-11-11 | 한국과학기술연구원 | Method for real time analyzing stress using deep neural network algorithm |
| US11317840B2 (en) | 2018-08-16 | 2022-05-03 | Korea Institute Of Science And Technology | Method for real time analyzing stress using deep neural network algorithm |
| KR102152957B1 (en) * | 2019-10-18 | 2020-09-07 | (의료)길의료재단 | The discrimination of panic disorder from other anxiety disorders based on heart rate variability and the apparatus thereof |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20130050817A (en) | 2013-05-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101366348B1 (en) | Depression diagnosis method using hrv based on neuro-fuzzy network | |
| Blascovich et al. | Social psychophysiology for social and personality psychology | |
| Greco et al. | Advances in Electrodermal activity processing with applications for mental health | |
| Anderer et al. | An E-health solution for automatic sleep classification according to Rechtschaffen and Kales: validation study of the Somnolyzer 24× 7 utilizing the Siesta database | |
| Barreto et al. | Non-intrusive physiological monitoring for automated stress detection in human-computer interaction | |
| Hadjileontiadis | EEG-based tonic cold pain characterization using wavelet higher order spectral features | |
| JP2006514570A (en) | Anesthesia and sedation monitoring system and method | |
| US20050033189A1 (en) | Electrophysiological intuition indicator | |
| Pouryayevali et al. | On establishing evaluation standards for ECG biometrics | |
| Scanlon et al. | Your brain on bikes: P3, MMN/N2b, and baseline noise while pedaling a stationary bike | |
| Nardelli et al. | Reliability of lagged poincaré plot parameters in ultrashort heart rate variability series: Application on affective sounds | |
| EP1216656A1 (en) | Method and apparatus for estimating degree of neuronal impairment in brain cortex | |
| Zhang et al. | New algorithm for the depression diagnosis using HRV: A neuro-fuzzy approach | |
| Mikuckas et al. | Emotion recognition in human computer interaction systems | |
| Khosrowabadi et al. | The dynamic emotion recognition system based on functional connectivity of brain regions | |
| KR101534809B1 (en) | Multidimensional physiological signal-based method which evaluates the efficiency of audio-video content devised to enhance the attention abilities of humans | |
| Norhazman et al. | Behaviour of EEG Alpha Asymmetry when stress is induced and binaural beat is applied | |
| Candia-Rivera | Modeling brain-heart interactions from Poincaré plot-derived measures of sympathetic-vagal activity | |
| Gazi et al. | Respiratory markers significantly enhance anxiety detection using multimodal physiological sensing | |
| Wang et al. | A Novel Rapid Assessment of Mental Stress by Using PPG Signals Based on Deep Learning | |
| Alawieh et al. | A real-time ECG feature extraction algorithm for detecting meditation levels within a general measurement setup | |
| Carrick et al. | Brain vital signs in elite ice hockey: towards characterizing objective and specific neurophysiological reference values for concussion management | |
| Bonjyotsna et al. | Correlation of drowsiness with electrocardiogram: A review | |
| Tara et al. | Advances of cardiac state-inducing prototype and design of GUI to anatomize cardiac signal for ascertaining psychological working competence | |
| Oh et al. | Effects of noisy sounds on human stress using ECG signals: an empirical study |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant | ||
| FPAY | Annual fee payment |
Payment date: 20170206 Year of fee payment: 4 |
|
| FPAY | Annual fee payment |
Payment date: 20180208 Year of fee payment: 5 |
|
| FPAY | Annual fee payment |
Payment date: 20190129 Year of fee payment: 6 |