KR20230110386A - Eeg-based parkinson's subtype classification device - Google Patents
Eeg-based parkinson's subtype classification device Download PDFInfo
- Publication number
- KR20230110386A KR20230110386A KR1020220005676A KR20220005676A KR20230110386A KR 20230110386 A KR20230110386 A KR 20230110386A KR 1020220005676 A KR1020220005676 A KR 1020220005676A KR 20220005676 A KR20220005676 A KR 20220005676A KR 20230110386 A KR20230110386 A KR 20230110386A
- Authority
- KR
- South Korea
- Prior art keywords
- eeg
- parkinson
- subtype
- feature
- subtype classification
- Prior art date
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4082—Diagnosing or monitoring movement diseases, e.g. Parkinson, Huntington or Tourette
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/372—Analysis of electroencephalograms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4842—Monitoring progression or stage of a disease
-
- 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
- A61B5/72—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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Psychiatry (AREA)
- Artificial Intelligence (AREA)
- Neurology (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Neurosurgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Psychology (AREA)
- Developmental Disabilities (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
본 발명은 사용자의 시간 변화에 따라 나타나는 뇌파 신호를 획득하는 뇌파 신호 수신 단계, 상기 뇌파 신호를 주파수 분석하여 뇌파 피처를 생성하는 뇌파 피처 생성 단계 및 상기 뇌파 피처를 파킨슨 서브 타입 분류 모델에 입력하여 상기 사용자의 파킨슨병 서브타입을 결정하는 서브타입 결정 단계를 포함하는 뇌파 기반의 파킨슨 서브타입 분류 방법에 관한 것이다.The present invention relates to an EEG-based Parkinson's subtype classification method comprising the steps of receiving an EEG signal that acquires an EEG signal that appears over time of a user, generating an EEG feature by frequency-analyzing the EEG signal, and inputting the EEG feature into a Parkinson's subtype classification model to determine the subtype of Parkinson's disease of the user.
Description
본 발명은 뇌파 기반의 파킨슨 서브타입 분류 방법에 관한 것으로, 좀 더 상세하게는, 사용자의 시간 변화에 따라 나타나는 뇌파 신호를 획득하는 뇌파 신호 수신 단계, 상기 뇌파 신호를 주파수 분석하여 뇌파 피처를 생성하는 뇌파 피처 생성 단계 및 상기 뇌파 피처를 파킨슨 서브 타입 분류 모델에 입력하여 상기 사용자의 파킨슨병 서브타입을 결정하는 서브타입 결정 단계를 포함할 수 있다.The present invention relates to an EEG-based Parkinson's subtype classification method, and more particularly, may include an EEG signal receiving step of acquiring an EEG signal appearing according to a change in time of a user, an EEG feature generating step of generating an EEG feature by frequency analysis of the EEG signal, and a subtype determining step of inputting the EEG feature into a Parkinson's subtype classification model to determine the user's Parkinson's disease subtype.
파킨슨병은 명확한 발병 원인이 없이 천천히 진행성으로 나타나는 신경 퇴행성 질환으로, 병리학적으로 흑질 세밀부나 청반에 신경세포의 소실과 교세포(신경전달을 하지는 못하고 신경세포들이 기능을 수행하는데 도움을 주는 세포)의 증식이 관찰된다.Parkinson's disease is a slowly progressive neurodegenerative disease without a clear cause. Pathologically, loss of nerve cells and proliferation of glial cells (cells that help nerve cells perform their functions without performing nerve transmission) are observed in the substantia nigra or blue plaque.
파킨슨병은 치매와 더불어 대표적인 2대 신경퇴행성 노인질환으로 인구 고령화에 따라 전세계적으로 발병률이 증가하고 있다. 또한, 파킨슨병은 노인에게만 발생하는 것이 아니라 환자의 약 20%는 50세 이하의 젊은 사람이어서 심각성이 부각되고 있다.Parkinson's disease, along with dementia, is one of the two major neurodegenerative diseases of the elderly, and its incidence is increasing worldwide with the aging of the population. In addition, Parkinson's disease does not only occur in the elderly, but about 20% of patients are young people under the age of 50, so the seriousness is being highlighted.
파킨슨병은 떨림(Tremor)이 가장 먼저 나타나는 증상으로 이야기 되어 있지만, 많은 환자들이 설명하기 힘든 모호한 증상들(이상 감각, 근육의 통증, 근육의 경련)을 호소하기도 한다.In Parkinson's disease, tremor is said to be the first symptom, but many patients complain of vague symptoms that are difficult to explain (such as abnormal sensations, muscle pain, and muscle spasms).
파킨슨병이 진행하면 독립적인 일상생활을 수행하기 어렵고, 사회활동이 제한되며, 인지 기능장애, 자율신경장애, 통증과 같은 비운동성 증상을 동반하는데, 이러한 증상들은 쉽게 환자의 삶의 질을 저하시킨다.As Parkinson's disease progresses, it is difficult to perform independent daily life, social activities are restricted, and accompanied by non-motor symptoms such as cognitive dysfunction, autonomic nervous disorder, and pain, which easily reduce the patient's quality of life.
실제로 파킨슨병 환자의 삶의 질은 같은 노인성 질환인 뇌졸중 환자대비 평균 14% 낮은 것으로 확인되었으며, 당뇨병 환자와 비교해도 모든 영역에서 낮게 나타났다고 보고되어 있고, 노인에서 통증을 제외한 모든 영역에서 파킨슨병 환자의 삶의 질이 같은 연령과 성별의 일반인과 비교해 낮은 것으로 나타났다.In fact, the quality of life of patients with Parkinson's disease was confirmed to be 14% lower on average than that of stroke patients, the same geriatric disease, and it was reported that it was lower in all areas compared to diabetic patients.
또한, 파킨슨병은 신체적인 운동 기능 저하만 가져오는 게 아니라, 불안감, 무관심, 우울증 및 치매와 같은 정신적 증상을 또한 겪게 된다. 따라서 파킨슨병 환자는 치매로 발전할 가능성이 정상인보다 최고 6배가량 높으며 사망률도 3배 가까이 높다고 보고되고 있다.In addition, Parkinson's disease not only causes physical motor function decline, but also suffers from mental symptoms such as anxiety, apathy, depression and dementia. Therefore, it is reported that patients with Parkinson's disease are up to six times more likely to develop dementia than normal people, and their mortality rate is three times higher.
또한, 파킨슨병 환자의 경제활동 인구 비율은 치매 대비 9배 높아, 환자의 생산성 저하가 가계 부담과 가족 전체의 삶의 질에 상당한 영향을 미치는 것으로 나타났다. 건강보험심사평가원의 2016년 질병통계자료를 비교, 분석한 결과, 치매의 경우 전체 359,705명의 환자 중 40-50대가 차지하는 비율이 1.3%(4,828명)인 반면, 파킨슨병의 경우 전체 96,499명의 환자 중 40-50대가 차지하는 비율이 9.1%(8,816명)인 것으로 나타났다.In addition, the economically active population ratio of Parkinson's disease patients is 9 times higher than that of dementia, indicating that the patient's productivity decline has a significant impact on the household burden and the quality of life of the entire family. As a result of comparing and analyzing the 2016 disease statistics data of the Health Insurance Review and Assessment Service, in the case of dementia, the proportion of people in their 40s-50s out of a total of 359,705 patients was 1.3% (4,828), while in the case of Parkinson's disease, the proportion of people in their 40s-50s out of 96,499 patients was found to be 9.1% (8,816).
또한, 설문에 따르면, 파킨슨병 환자 및 보호자들은 '최신 치료 기술의 적극적 도입 및 지원(62%)'을 가장 필요로 하는 것으로 나타났으며, 이어 '치료비용에 대한 환자 부담 경감(3 8%)', '파킨슨병 환자 가족지원 서비스(31%)’가 뒤를 이었다. 특히, '환자 가족지원 서비스' 및 '국내 파킨슨병 연구 활성화’는 환자 보호자들의 요구 비율이 상대적으로 높았으며, 새로운 치료방법 개발 및 완치약·신약 개발이 필요하다는 의견이 있었었다.In addition, according to the survey, Parkinson's disease patients and their caregivers appeared to need 'active introduction and support of the latest treatment technology (62%)' the most, followed by 'reduction of the patient's burden of treatment costs (3 8%)' and 'Parkinson's disease patient family support service' (31%). In particular, the 'Patient Family Support Service' and 'Revitalization of Domestic Parkinson's Disease Research' had a relatively high percentage of requests from patients' guardians, and there was an opinion that the development of new treatment methods and new drugs was necessary.
하지만, 발병률이 증가하고 있음에도 불구하고 사회적 관심을 받지 못하고 있는 현실이다. 특히, 울아산병원 파킨슨병센터의 조사에 의하면 우리나라의 경우, 증상 발생 후 평균 18개월 후에야 파킨슨병으로 진단됐다. 그만큼 환자들의 고통과 의료비용이 낭비되고 있다는 문제가 있다.However, despite the increasing incidence, it is a reality that is not receiving social attention. In particular, according to the investigation by the Parkinson's Disease Center at Ulasan Hospital, in Korea, Parkinson's disease was diagnosed only after an average of 18 months after the onset of symptoms. There is a problem that the suffering of patients and medical expenses are wasted.
이러한 파킨슨 병의 치료에서의 문제점은 환자의 구체적인 서브타입을 구별하기 어렵다는 것이다.A problem in the treatment of Parkinson's disease is that it is difficult to distinguish specific subtypes of patients.
본 발명의 일 실시예는 파킨슨병의 서브타입을 구별할 수 있는 모델을 기초로 환자의 뇌파측정을 통해 해당 환자의 파킨슨 서브타입을 구별하는 뇌파 기반의 파킨슨 서브타입 분류 방법에 관한 것이다.An embodiment of the present invention relates to an EEG-based Parkinson's subtype classification method for distinguishing a Parkinson's subtype of a patient through EEG measurement of the patient based on a model capable of discriminating the subtype of Parkinson's disease.
본 발명의 일 실시예에 따른 뇌파 기반의 파킨슨 서브타입 분류 방법은 사용자의 시간 변화에 따라 나타나는 뇌파 신호를 획득하는 뇌파 신호 수신 단계, 상기 뇌파 신호를 주파수 분석하여 뇌파 피처를 생성하는 뇌파 피처 생성 단계; 및 상기 뇌파 피처를 파킨슨 서브 타입 분류 모델에 입력하여 상기 사용자의 파킨슨병 서브타입을 결정하는 서브타입 결정 단계를 포함할 수 있다.An EEG-based Parkinson's subtype classification method according to an embodiment of the present invention includes an EEG signal reception step of acquiring an EEG signal that appears according to a user's time change, an EEG feature generation step of generating an EEG feature by frequency-analyzing the EEG signal; and determining a Parkinson's disease subtype of the user by inputting the EEG feature into a Parkinson's subtype classification model.
상기 뇌파 피처는, 상기 파킨슨 서브 타입 분류 모델에서 파킨슨 서브 타입을 분류하기 위한 피처로 결정된 기준 피처를 포함할 수 있다.The EEG feature may include a reference feature determined as a feature for classifying a Parkinson's subtype in the Parkinson's subtype classification model.
상기 뇌파 신호에 포함된 잡음을 제거하는 뇌파 잡음 제거 단계를 더 포함할 수 있다.An EEG noise removal step of removing noise included in the EEG signal may be further included.
상기 파킨슨 서브 타입은, 치료 약제를 기준으로 정의되고, 제1 파킨슨 타입, 제2 파킨슨 타입, ... 및 제n 파킨슨 타입을 포함할 수 있다.The Parkinson's subtype is defined based on the treatment agent, and may include a first Parkinson's type, a second Parkinson's type, ... and an nth Parkinson's type.
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.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.
본 발명의 일 실시예에 따른 뇌파 기반의 파킨슨 서브타입 분류 방법은 파킨슨병의 서브타입을 구별할 수 있는 모델을 기초로 환자의 뇌파측정을 통해 해당 환자의 파킨슨 서브타입을 구별할 수 있다.The EEG-based Parkinson's subtype classification method according to an embodiment of the present invention can discriminate the Parkinson's subtype of a patient by measuring the EEG of the patient based on a model capable of discriminating the subtype of Parkinson's disease.
도 1은 본 발명의 일 실시예에 따른 뇌파 기반의 파킨슨 서브타입 분류 시스템을 설명하는 도면이다.
도 2는 일 실시예에 따른 뇌파 기반의 파킨슨 서브타입 분류 방법의 물리적 구성을 설명하는 도면이다.
도 3는 일 실시예에 따른 뇌파 기반의 파킨슨 서브타입 분류 방법의 기능적 구성을 설명하는 도면이다.1 is a diagram illustrating an EEG-based Parkinsonian subtype classification system according to an embodiment of the present invention.
2 is a diagram illustrating a physical configuration of an EEG-based Parkinsonian subtype classification method according to an embodiment.
3 is a diagram illustrating a functional configuration of an EEG-based Parkinsonian subtype classification method according to an embodiment.
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.Since the description of the present invention is only an embodiment for structural or functional description, the scope of the present invention should not be construed as being limited by the embodiments described in the text. That is, since the embodiment can be changed in various ways and can have various forms, it should be understood that the scope of the present invention includes equivalents capable of realizing the technical idea. In addition, since the object or effect presented in the present invention does not mean that a specific embodiment should include all of them or only such effects, the scope of the present invention should not be construed as being limited thereto.
한편, 본 출원에서 서술되는 용어의 의미는 다음과 같이 이해되어야 할 것이다.Meanwhile, the meaning of terms described in this application should be understood as follows.
"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.Terms such as "first" and "second" are used to distinguish one component from another, and the scope of rights should not be limited by these terms. For example, a first element may be termed a second element, and similarly, a second element may be termed a first element.
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.It should be understood that when an element is referred to as being “connected” to another element, it may be directly connected to the other element, but other elements may exist in the middle. On the other hand, when an element is referred to as being "directly connected" to another element, it should be understood that no intervening elements exist. Meanwhile, other expressions describing the relationship between components, such as “between” and “immediately between” or “adjacent to” and “directly adjacent to” should be interpreted similarly.
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.Singular expressions should be understood to include plural expressions unless the context clearly dictates otherwise, and terms such as "comprise" or "having" are intended to designate that an embodied feature, number, step, operation, component, part, or combination thereof exists, and it should be understood that the presence or addition of one or more other features, numbers, steps, operations, components, parts, or combinations thereof is not precluded.
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.In each step, 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 is context-specific. 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.
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 있으며, 또한, 캐리어 웨이브(예를 들어 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다. 또한, 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.The present invention can be implemented as computer readable code on a computer readable recording medium, and 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, optical data storage device, and the like, and also include those implemented in the form of carrier waves (for example, transmission through the Internet). In addition, 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.
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.All terms used herein have the same meaning as commonly understood by one of ordinary skill in the art to which the present invention belongs, unless defined otherwise. Terms defined in commonly used dictionaries should be interpreted as consistent with meanings in the context of the related art, and cannot be interpreted as having ideal or excessively formal meanings unless explicitly defined in the present application.
도 1은 본 발명의 일 실시예에 따른 뇌파 기반의 파킨슨 서브타입 분류 시스템(100)을 설명하는 도면이다.1 is a diagram illustrating an EEG-based Parkinsonian subtype classification system 100 according to an embodiment of the present invention.
도 1을 참조하면, 뇌파 기반의 파킨슨 서브타입 분류 시스템(100)은 사용자 단말(110), 뇌파 기반의 파킨슨 서브타입 분류 장치(130) 및 데이터베이스(150)를 포함할 수 있다.Referring to FIG. 1 , an EEG-based Parkinson's subtype classification system 100 may include a user terminal 110, an EEG-based Parkinson's subtype classification apparatus 130, and a database 150.
사용자 단말(110)은 뇌파 기반의 파킨슨 서브타입 분류 장치(130)를 통해 수집되는 뇌파 데이터 및 이를 분석한 메타데이터에 대한 확인을 할 수 있는 스마트폰, 웨어러블 디바이스로 구현될 수 있으며, 반드시 이에 한정되지 않고, 태블릿 PC 등 다양한 디바이스로도 구현될 수 있다. 사용자 단말(110)은 뇌파 기반의 파킨슨 서브타입 분류 장치(130)와 네트워크를 통해 연결될 수 있고, 복수의 사용자 단말(110)들은 뇌파 기반의 파킨슨 서브타입 분류 장치(130)와 동시에 연결될 수 있다.The user terminal 110 may be implemented as a smart phone or a wearable device capable of checking EEG data collected through the EEG-based Parkinsonian subtype classification device 130 and metadata analyzed therefrom, but is not limited thereto, and may also be implemented in various devices such as a tablet PC. The user terminal 110 may be connected to the brain wave-based Parkinson's subtype classification device 130 through a network, and a plurality of user terminals 110 may be simultaneously connected to the brain wave-based Parkinson's subtype classification device 130.
뇌파 기반의 파킨슨 서브타입 분류 장치(130)는 외부 데이터를 수신하고, 해당 외부 데이터에 대한 전방향 학습 및 강화학습을 수행하고 이를 통해 모델을 고도화하는 단계들을 순차적으로 수행하는 컴퓨터 또는 프로그램에 해당하는 서버로 구현될 수 있다. 뇌파 기반의 파킨슨 서브타입 분류 장치(130)는 사용자 단말(110)과 블루투스, WiFi, 통신망 등을 통해 무선으로 연결될 수 있고, 네트워크를 통해 사용자 단말(110)과 데이터를 주고받을 수 있다.The brain wave-based Parkinsonian subtype classification apparatus 130 receives external data, performs omnidirectional learning and reinforcement learning on the external data, and sequentially performs steps to advance the model through this. It can be implemented as a server corresponding to a computer or program. The brain wave-based Parkinsonian subtype classification device 130 may be wirelessly connected to the user terminal 110 through Bluetooth, WiFi, or a communication network, and may exchange data with the user terminal 110 through the network.
데이터베이스(150)는 외부 데이터를 수신하고, 해당 외부 데이터에 대한 전방향 학습 및 강화학습을 수행하고 이를 통해 모델을 고도화하는 단계들을 순차적으로 수행하고 위 과정을 통해 생성되는 다양한 정보들을 저장하는 저장장치에 해당할 수 있다. 뿐만 아니라, 데이터베이스(150)는 뇌파 기반의 파킨슨 서브타입 분류 장치(130)가 외부 데이터를 수신하고, 외부 데이터를 수신하고, 해당 외부 데이터에 대한 전방향 학습 및 강화학습을 수행하고 이를 통해 모델을 고도화하는 단계들을 순차적으로 수행하는 과정에서 다양한 형태로 수집 또는 가공된 정보들을 저장할 수 있다.The database 150 receives external data, performs forward learning and reinforcement learning on the external data, sequentially performs steps to advance the model through this, and stores various information generated through the above process. It may correspond to a storage device. In addition, the database 150 may store information collected or processed in various forms in the process of sequentially performing steps in which the brain wave-based Parkinson's subtype classification apparatus 130 receives external data, receives the external data, performs omnidirectional learning and reinforcement learning on the corresponding external data, and thereby advances the model.
도 2는 일 실시예에 따른 뇌파 기반의 파킨슨 서브타입 분류 장치(130)의 물리적 구성을 설명하는 도면이다.2 is a diagram illustrating a physical configuration of an apparatus 130 for classifying Parkinson's subtypes based on brain waves according to an embodiment.
도 2를 참조하면, 뇌파 기반의 파킨슨 서브타입 분류 장치(130)는 프로세서(210), 메모리(230), 사용자 입출력부(250) 및 네트워크 입출력부(270)를 포함하여 구현될 수 있다.Referring to FIG. 2 , an apparatus 130 for classifying Parkinson's subtypes based on brain waves may be implemented by including a processor 210, a memory 230, a user input/output unit 250, and a network input/output unit 270.
프로세서(210)는 수신한 뇌파를 변환하고 시계열 데이터로 이루어진 뇌파에 대해 변환을 통해 뇌파 피처를 추출하고 뇌파 피처를 분석하여 해당 환자의 파킨슨 서브타입을 분류하는 동작을 수행하는 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 뇌파 기반의 파킨슨 서브타입 분류 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 뇌파 기반의 파킨슨 서브타입 분류 장치(130)의 CPU(Central Processing Unit)로 구현될 수 있다.The processor 210 may execute a procedure that converts the received EEG, extracts EEG features through conversion of the EEG composed of time-series data, analyzes the EEG features, and classifies the Parkinsonian subtype of the patient, manages the memory 230 that is read or written throughout the process, and schedules a synchronization time between volatile memory and non-volatile memory in the memory 230. The processor 210 may control the overall operation of the apparatus 130 for classifying Parkinson's subtype based on brain waves, and is electrically connected to the memory 230, the user input/output unit 250, and the network input/output unit 270 to control data flow between them. The processor 210 may be implemented as a central processing unit (CPU) of the apparatus 130 for classifying Parkinson's subtypes based on brain waves.
메모리(230)는 SSD(Solid State Drive) 또는 HDD(Hard Disk Drive)와 같은 비휘발성 메모리로 구현되어 뇌파 기반의 파킨슨 서브타입 분류 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.The memory 230 may include an auxiliary memory implemented as a non-volatile memory such as a solid state drive (SSD) or a hard disk drive (HDD) and used to store all data necessary for the brain wave-based Parkinson's subtype classification device 130, and may include a main memory implemented as a volatile memory such as random access memory (RAM).
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, 뇌파 기반의 파킨슨 서브타입 분류 장치(130)는 서버로서 수행될 수 있다.The user input/output unit 250 may include an environment for receiving user input and an environment for outputting specific information to the user. For example, 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. In one embodiment, the user input/output unit 250 may correspond to a computing device connected through a remote connection, and in such a case, the brain wave-based Parkinson's subtype classification device 130 may be implemented as a server.
네트워크 입출력부(270)는 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.The network input/output unit 270 includes an environment for connecting to an external device or system through a network, and may include, for example, adapters for communication such as a local area network (LAN), a metropolitan area network (MAN), a wide area network (WAN), and a value added network (VAN).
도 3은 일 실시예에 따른 뇌파 기반의 파킨슨 서브타입 분류 장치(130)의 기능적 구성을 설명하는 도면이다. 도 3을 참조하면, 뇌파 기반의 파킨슨 서브타입 분류 장치는 뇌파 신호 수신부(310), 뇌파 피처 생성부(320), 서브타입 결정부(330) 및 뇌파 잡음 제거부(340)를 포함할 수 있다.3 is a diagram illustrating a functional configuration of an apparatus 130 for classifying Parkinson's subtypes based on brain waves according to an embodiment. Referring to FIG. 3 , the apparatus for classifying Parkinson's subtypes based on EEG may include an EEG signal receiver 310, an EEG feature generator 320, a subtype determiner 330, and an EEG noise removal unit 340.
뇌파 신호 수신부(310)는 사용자의 시간 변화에 따라 나타나는 뇌파 신호를 획득할 수 있다. 여기서, 뇌파 신호 수신부(310)는 제1 사용자의 머리의 서로 다른 위치 부착되는 복수의 채널(2, 4, 8, 16, 19, 24, 68, 128 또는 256 개로, 캡 또는 개별 전극들을 부착)을 포함하여, 뇌파 측정 10-20 시스템에 준하여 각각의 채널을 통해 독립적인 뇌파 신호를 측정하는 장치일 수 있고, 복수의 채널 각각을 통해 복수의 뇌파 신호를 수집할 수 있다. 예를 들어, 뇌파 신호 수신부(310)는 19개의 채널(예: Fp1, Fp2, F3, F4, C3, C4, P3, P4, O1, O2, F7, F8, T3, T4, T5, T6, Fz, Cz, Pz)(여기서, Fz, Cz, Pz은 공통 채널)을 포함할 수 있으며, 19개의 채널을 통해 독립적인 19개의 뇌파 신호를 측정할 수 있다.The EEG signal receiving unit 310 may obtain an EEG signal that appears according to the user's time change. Here, the EEG signal receiving unit 310 may include a plurality of channels (2, 4, 8, 16, 19, 24, 68, 128, or 256 caps or individual electrodes attached) attached to different positions of the head of the first user, and may be a device for measuring independent EEG signals through each channel according to the EEG measurement 10-20 system, and may collect a plurality of EEG signals through each of the plurality of channels. . For example, the EEG signal receiver 310 may include 19 channels (eg, Fp1, Fp2, F3, F4, C3, C4, P3, P4, O1, O2, F7, F8, T3, T4, T5, T6, Fz, Cz, Pz) (where Fz, Cz, and Pz are common channels), and measure 19 independent EEG signals through the 19 channels. You can.
다양한 실시예에서, 컴퓨팅 장치는 뇌파 신호 수신부(310)를 통해, 제1 사용자가 별도의 동작을 취하고 있지 않은 평상 시 상태에서 측정되는 복수의 뇌파 신호를 수집할 수 있으나, 이에 한정되지 않고, 각종 동작을 취하거나 각종 테스트를 수행하는 과정에서 측정되는 복수의 뇌파 신호를 수집할 수 있다.In various embodiments, the computing device may collect a plurality of EEG signals measured in a normal state in which the first user is not performing a separate operation through the EEG signal receiver 310, but is not limited thereto, and may collect a plurality of EEG signals measured in the process of taking various actions or performing various tests.
뇌파 피처 생성부(320)는 뇌파 신호를 주파수 분석하여 뇌파 피처를 생성할 수 있다. 여기에서 주파수 분석은 푸리에 분석을 통해 시계열 데이터를 주파수 데이터로 나타내는 것을 의미할 수 있다. 뇌파 피처 생성부(320)는 10-20 전극법(10-20 System)에 따른 두피 전극 위치를 뇌파 발생 위치로 결정하고 뇌파 신호의 주파수 성분에 따라 뇌파 주파수 대역을 델타(delta), 세타(theta), 알파(alpha), 베타(beta) 및 감마(gamma)로 구분하여 결정할 수 있다. 10-20 전극법(10-20 System)은 뇌파를 측정하기 위한 두피 전극의 위치를 정의하는 대표적인 방법에 해당할 수 있다. '10'과 '20'은 인접한 전극 사이의 실제 거리가 두개골의 전체 앞뒤 또는 오른쪽 거리의 10% 또는 20%라는 사실에 해당할 수 있다. 각 전극의 위치는 전두엽(Fp), 전두엽(F), 측두구(T), 정수리(P), 후두(O) 및 중앙(C)으로 표현될 수 있다. 또한, 뇌파 주파수 대역은 델타 0 ~ 4 Hz, 세타 4 ~ 8 Hz, 알파 8 ~ 13 Hz, 베타 13 ~ 30 Hz 및 감마 30 ~ 50 Hz으로 정의될 수 있다. 예를 들어, 피처 집합 정의부(310)는 특정 피처를 'Fp1d'으로 정의할 수 있고, 이 경우 해당 피처는 Fp1 전극 위치에서 측정된 delta파의 신호값에 대응될 수 있다.The EEG feature generation unit 320 may generate EEG features by frequency-analyzing the EEG signal. Here, frequency analysis may mean representing time series data as frequency data through Fourier analysis. The EEG feature generating unit 320 determines the location of the scalp electrodes according to the 10-20 electrode method (10-20 System) as the EEG generation location, and classifies and determines the EEG frequency bands into delta, theta, alpha, beta, and gamma according to the frequency components of the EEG signal. The 10-20 electrode method (10-20 System) may correspond to a representative method for defining locations of scalp electrodes for measuring brain waves. '10' and '20' may correspond to the fact that the actual distance between adjacent electrodes is 10% or 20% of the total anteroposterior or lateral distance of the skull. The location of each electrode can be expressed as frontal lobe (Fp), frontal lobe (F), temporal lobe (T), parietal lobe (P), occipital lobe (O), and center (C). In addition, the EEG frequency band may be defined as delta 0 ~ 4 Hz, theta 4 ~ 8 Hz, alpha 8 ~ 13 Hz, beta 13 ~ 30 Hz, and gamma 30 ~ 50 Hz. For example, the feature set definition unit 310 may define a specific feature as 'Fp1d', and in this case, the corresponding feature may correspond to a signal value of a delta wave measured at the position of the Fp1 electrode.
상기 파킨슨 서브 타입 분류 모델에서 파킨슨 서브 타입을 분류하기 위한 피처로 결정된 기준 피처를 포함할 수 있다. 피처(feature)는 데이터를 특정하는 특성에 관한 정보에 해당할 수 있다.The Parkinson's subtype classification model may include a reference feature determined as a feature for classifying the Parkinson's subtype. A feature may correspond to information about characteristics that specify data.
서브타입 결정부(330)는 뇌파 피처를 파킨슨 서브 타입 분류 모델에 입력하여 상기 사용자의 파킨슨병 서브타입을 결정할 수 있다. 서브타입 결정부(330)는 피처 집합으로 정의된 다양한 피처들을 이용하여 차원별 피처 조합을 생성할 수 있다. 이때, 차원은 피처 조합을 구성하는 피처의 개수에 해당할 수 있다. 예를 들어, 1차원의 피처 조합은 하나의 피처로 구성될 수 있고, 2차원의 피처 조합은 2개의 피처들로 구성될 수 있다.The subtype determiner 330 may determine the subtype of Parkinson's disease of the user by inputting the EEG features to a Parkinson's subtype classification model. The subtype determiner 330 may generate a dimensionally specific feature combination using various features defined as a feature set. In this case, the dimension may correspond to the number of features constituting the feature combination. For example, a one-dimensional feature combination may consist of one feature, and a two-dimensional feature combination may consist of two features.
뇌파 잡음 제거부(340)는 뇌파 신호에 포함된 잡음을 제거할 수 있다. 뇌파 잡음 제거부(340)는 복수의 뇌파 신호를 전처리하여 특정 주파수 대역의 뇌파 신호를 필터링할 수 있다. 예를 들어, 뇌파 잡음 제거부(340)는 복수의 뇌파 신호 중 필요하지 않은 주파수 대역 또는 잡음(noise)에 취약할 수 있는 주파수 대역(예 4Hz 미만의 주파수 대역에 대응하는 뇌파 신호, 45Hz를 초과하는 주파수 대역에 대응하는 뇌파 신호)을 필터링하여 1 내지 45Hz 범위의 주파수 대역에 대응되는 뇌파 신호만을 추출할 수 있다.The EEG noise removal unit 340 may remove noise included in the EEG signal. The EEG noise removal unit 340 may filter EEG signals of a specific frequency band by pre-processing a plurality of EEG signals. For example, the EEG noise remover 340 may extract only EEG signals corresponding to frequency bands in the range of 1 to 45 Hz by filtering unnecessary frequency bands or frequency bands that may be susceptible to noise among a plurality of EEG signals (e.g., EEG signals corresponding to frequency bands below 4 Hz and EEG signals corresponding to frequency bands above 45 Hz).
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.Although the above has been described with reference to preferred embodiments of the present invention, those skilled in the art can variously modify and change the present invention without departing from the spirit and scope of the present invention described in the claims below. It will be understood that it can be changed.
100: 뇌파 기반의 파킨슨 서브타입 분류 시스템
110: 사용자 단말
130: 뇌파 기반의 파킨슨 서브타입 분류 장치
150: 데이터베이스
210: 프로세서
230: 메모리
250: 사용자 입출력부
270: 네트워크 입출력부
310: 뇌파 신호 수신부
320: 뇌파 피처 생성부
330: 서브타입 결정부
340: 뇌파 잡음 제거부100: EEG-based Parkinson's subtype classification system
110: user terminal
130: EEG-based Parkinsonian subtype classification device
150: database
210: processor 230: memory
250: user input/output unit 270: network input/output unit
310: EEG signal receiver 320: EEG feature generator
330: subtype determination unit 340: EEG noise removal unit
Claims (3)
상기 뇌파 신호를 주파수 분석하여 뇌파 피처를 생성하는 뇌파 피처 생성부; 및
상기 뇌파 피처를 파킨슨 서브 타입 분류 모델에 입력하여 상기 사용자의 파킨슨병 서브타입을 결정하는 서브타입 결정부를 포함하는 뇌파 기반의 파킨슨 서브타입 분류 장치.
an EEG signal receiving unit for obtaining an EEG signal that appears according to a user's time change;
an EEG feature generation unit generating EEG features by frequency-analyzing the EEG signal; and
and an EEG-based Parkinson's subtype classification apparatus comprising a subtype determiner configured to input the brain wave features into a Parkinson's subtype classification model to determine the Parkinson's disease subtype of the user.
상기 뇌파 피처는,
상기 파킨슨 서브 타입 분류 모델에서 파킨슨 서브 타입을 분류하기 위한 피처로 결정된 기준 피처를 포함하고,
상기 뇌파 신호에 포함된 잡음을 제거하는 뇌파 잡음 제거부를 더 포함하는 것을 특징으로 하는 뇌파 기반의 파킨슨 서브타입 분류 장치.
According to claim 1,
The brain wave feature,
Including a reference feature determined as a feature for classifying a Parkinson's subtype in the Parkinson's subtype classification model;
EEG-based Parkinsonian subtype classification apparatus further comprising an EEG noise removal unit for removing noise included in the EEG signal.
상기 파킨슨 서브 타입은,
치료 약제를 기준으로 정의되고, 제1 파킨슨 타입, 제2 파킨슨 타입, ... 및 제n 파킨슨 타입을 포함하는 것을 특징으로 하는 뇌파 기반의 파킨슨 서브타입 분류 장치.
According to claim 2,
The Parkinson's subtype,
An apparatus for classifying Parkinson's subtypes based on EEG, characterized in that it is defined based on a therapeutic drug and includes a first Parkinson type, a second Parkinson type, ... and an n-th Parkinson type.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020220005676A KR20230110386A (en) | 2022-01-14 | 2022-01-14 | Eeg-based parkinson's subtype classification device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020220005676A KR20230110386A (en) | 2022-01-14 | 2022-01-14 | Eeg-based parkinson's subtype classification device |
Publications (1)
Publication Number | Publication Date |
---|---|
KR20230110386A true KR20230110386A (en) | 2023-07-24 |
Family
ID=87428466
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020220005676A KR20230110386A (en) | 2022-01-14 | 2022-01-14 | Eeg-based parkinson's subtype classification device |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR20230110386A (en) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140049583A (en) | 2007-01-11 | 2014-04-25 | 애슈워쓰 브라더스, 인코포레이티드 | Buttonless conveyor belt |
-
2022
- 2022-01-14 KR KR1020220005676A patent/KR20230110386A/en unknown
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140049583A (en) | 2007-01-11 | 2014-04-25 | 애슈워쓰 브라더스, 인코포레이티드 | Buttonless conveyor belt |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hussain et al. | HealthSOS: Real-time health monitoring system for stroke prognostics | |
Estraneo et al. | Multicenter prospective study on predictors of short-term outcome in disorders of consciousness | |
US12036030B2 (en) | Methods for modeling neurological development and diagnosing a neurological impairment of a patient | |
Sitt et al. | Large scale screening of neural signatures of consciousness in patients in a vegetative or minimally conscious state | |
US20090264785A1 (en) | Method and Apparatus For Assessing Brain Function Using Diffusion Geometric Analysis | |
JP7373555B2 (en) | Quantification of motor function using EEG signals | |
Aljalal et al. | Detection of Parkinson’s disease from EEG signals using discrete wavelet transform, different entropy measures, and machine learning techniques | |
Kjaer et al. | Detection of paroxysms in long-term, single-channel EEG-monitoring of patients with typical absence seizures | |
Selvaraj et al. | EEG database of seizure disorders for experts and application developers | |
Rafiei et al. | Automated detection of major depressive disorder with EEG signals: a time series classification using deep learning | |
US20220015685A1 (en) | Systems and methods for brain state capture and referencing | |
Amrani et al. | EEG signal analysis using deep learning: A systematic literature review | |
Liu et al. | A Pilot Study on EEG-Based Evaluation of Visually Induced Motion Sickness | |
Liu et al. | Epileptic seizure detection using convolutional neural network: A multi-biosignal study | |
Vicchietti et al. | Computational methods of EEG signals analysis for Alzheimer’s disease classification | |
Kim et al. | Cognitive-motor dissociation following pediatric brain injury: what about the children? | |
Sabio et al. | A scoping review on the use of consumer-grade EEG devices for research | |
KR20230110386A (en) | Eeg-based parkinson's subtype classification device | |
KR20230110388A (en) | Apparatus and method for classifying parkinson's patients based on eeg image | |
Bashir et al. | EEG based major depressive disorder (MDD) detection using machine Learning | |
Qaisar | Adaptive rate EEG processing and machine learning-based efficient recognition of epilepsy | |
KR20230110387A (en) | Eeg-based parkinson's severity classification apparatus and method | |
Orhanbulucu et al. | Detection of amyotrophic lateral sclerosis disease from event-related potentials using variational mode decomposition method | |
Maher et al. | Towards long term monitoring: Seizure detection with reduced electroencephalogram channels | |
Shivabalan et al. | Discriminating cognitive performance using biomarkers extracted from linear and nonlinear analysis of EEG signals by machine learning |