KR102256313B1 - Method and apparatus for automatic detection of epileptic seizure waveform based on feature extraction with probabilistic model and machine learning using coefficient in multi-frequency bands from electroencephalogram signals - Google Patents
Method and apparatus for automatic detection of epileptic seizure waveform based on feature extraction with probabilistic model and machine learning using coefficient in multi-frequency bands from electroencephalogram signals Download PDFInfo
- Publication number
- KR102256313B1 KR102256313B1 KR1020190071478A KR20190071478A KR102256313B1 KR 102256313 B1 KR102256313 B1 KR 102256313B1 KR 1020190071478 A KR1020190071478 A KR 1020190071478A KR 20190071478 A KR20190071478 A KR 20190071478A KR 102256313 B1 KR102256313 B1 KR 102256313B1
- Authority
- KR
- South Korea
- Prior art keywords
- level
- seizure
- signal
- module
- denotes
- 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
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4094—Diagnosing or monitoring seizure diseases, e.g. epilepsy
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Neurology (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Neurosurgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Psychology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
본 발명의 다양한 실시예들은 사용자의 뇌전도 신호를 측정하는 뇌전도 측정 모듈; 뇌전도 측정 모듈에 의해 획득한 뇌전도 신호의 노이즈를 제거하고 데이터를 분할하는 신호 처리 모듈; 신호 처리 모듈로부터 정제 과정을 거친 가공된 뇌전도 신호의 주파수 대역을 분해하고, 분해된 주파수 대역의 계수를 이용하여, 레벨에 따른 임계치를 생성하고, 임계치를 이용하여 특징벡터를 추출해내는 특징추출 모듈; 특징추출 모듈에서 산출된 특징벡터를 이용하여, 코드북을 생성하고, 기계학습 및 확률모델을 기반으로 한 발작파 검출부와, 검출된 발작파의 시점 및 횟수를 기록하는 분류 모듈; 분류 모듈로부터 제공된 발작파 검출 시점 및 횟수를 출력하고, 실시간으로 발작파를 검출해내는 출력 모듈을 포함하는, 멀티 주파수 대역 계수를 이용한 특징추출 및 확률모델과 기계학습에 의한 간질 발작파 자동 검출 방법에 대한 것이다. Various embodiments of the present invention include an electroencephalogram measurement module for measuring a user's electroencephalogram signal; A signal processing module that removes noise from the EEG signal acquired by the EEG measurement module and divides the data; A feature extraction module that decomposes a frequency band of the processed EEG signal that has undergone a refinement process from the signal processing module, generates a threshold value according to a level using coefficients of the decomposed frequency band, and extracts a feature vector using the threshold value; A classification module that generates a codebook using the feature vector calculated by the feature extraction module, and records a seizure wave detection unit based on machine learning and a probability model, and a time point and number of the detected seizure wave; Feature extraction and probability model using multi-frequency band coefficients and automatic detection method of epileptic seizure waves by machine learning, including an output module that outputs the seizure detection time and number provided from the classification module and detects seizure waves in real time For.
Description
본 발명의 다양한 실시예들은 뇌전증(간질)에 의한 뇌전도 신호의 발작파를 검출하기 위한 방법 및 장치에 관한 것으로, 더욱 상세하게는 뇌전도 측정 장치로부터 획득되는 뇌전도 신호를 기반으로 효율적인 특징추출과 최적의 기계학습 및 확률모델을 이용하여, 자동으로 간질 발작파를 검출하고 진단하며, 발작 시점 및 발작 횟수에 대한 뇌전증 환자의 정보를 제공하고, 실시간으로 발작파에 대한 알림을 출력하는 방법 및 장치에 관한 것이다. Various embodiments of the present invention relate to a method and apparatus for detecting a seizure wave of an EEG signal due to epilepsy (epilepsy), and in more detail, efficient feature extraction and optimization based on the EEG signal obtained from an EEG measurement device. Method and apparatus for automatically detecting and diagnosing epileptic seizure waves using machine learning and probabilistic models, providing information on epilepsy patients about the time and number of seizures, and outputting alerts about seizure waves in real time. It is about.
뇌전증은 전 세계 인구의 약 1-2%가 겪고 있는 질병으로, 뇌전증에 의한 발작은 예측이 불가능하고, 일상생활에서 관리하는데 큰 어려움이 따른다. 특히, 뇌전증 환자 중, 산소 호흡기를 착용하거나, 혹은 약물을 투여 중인 중증환자의 경우, 뇌전증에 의한 발작이 일어났을 경우 (이하, 간질 발작이라 지칭한다.), 통제하기가 힘들며, 치명적인 피해를 입을 수 있으므로, 간질 발작를 검출하거나 예측하는 시스템이 필요하다. Epilepsy is a disease that about 1-2% of the world's population suffers, and seizures caused by epilepsy are unpredictable, and it is very difficult to manage in daily life. In particular, among patients with epilepsy, in severe patients wearing oxygen respirators or taking drugs, when seizures caused by epilepsy occur (hereinafter referred to as epileptic seizures), it is difficult to control and fatal damage. Because it can be worn, a system that detects or predicts epileptic seizures is needed.
간질 발작은 뇌전도, 환자의 과거 병력, 갑작스러운 기절 등에 의해, 환자가 스스로 자각 하는 방법 등을 이용하여 역추적 하는 방법으로 진단을 해오고 있으며, 뇌전증이 의심되는 경우, 장시간 뇌전도 신호를 기록하여 발작 시점 및 횟수 등을 임상의나 전문의가 수동적으로 확인할 수 있다. Epilepsy seizures have been diagnosed by tracking back through electroencephalography, patient's past medical history, and sudden fainting, using the method of self-awareness of the patient. If epilepsy is suspected, the EEG signal is recorded for a long time. The timing and frequency of seizures can be manually checked by a clinician or specialist.
이러한 뇌전도 신호를 이용한 뇌전증 진단 방법은, 많은 시간과 인력이 요구되어, 검사의 유용성에도 불구하고 많은 병원에서 보편적으로 사용되기에 제한이 있다. 따라서, 장시간 뇌전도 신호를 이용한 뇌전증 진단 방법을 위해, 자동 발작파 검출을 위한 기술들이 많이 소개되고 있다. The method for diagnosing epilepsy using such an EEG signal requires a lot of time and manpower, and thus, despite the usefulness of the test, it is limited in being universally used in many hospitals. Therefore, for a method for diagnosing epilepsy using an EEG signal for a long time, many techniques for automatic seizure detection have been introduced.
예를 들면, 발작파 모니터링을 위해 적용되는 특징추출방법과 검출 분류 기법은 자동 발작파 검출 시스템의 정확도를 향상시키고, 시스템의 효율성을 증대시킬 수 있다. 또한, 뇌전도 신호를 분할하여 사용하는데 필요한 윈도우 크기는, 검출 정확도와 검출 속도에 중요한 요소 중 하나이며, 윈도우 크기에 따라 간질 발작 검출 시스템의 성능이 달라질 수 있다. For example, a feature extraction method and a detection classification technique applied for seizure monitoring can improve the accuracy of an automatic seizure detection system and increase the efficiency of the system. In addition, the window size required for dividing and using the EEG signal is one of important factors for detection accuracy and detection speed, and the performance of the epileptic seizure detection system may vary depending on the window size.
특허문헌1에 기재된 기술은, 뇌전도 신호 기반 간질발작을 예측하는 알고리즘에 있어서, 간질 발작 발생 이전에 간질발작을 미리 예측하는 방법을 제공한다. 이와 같이 구성된 간질발작 예측 방법은 간질 발작이 일어나기 전에 미리 그 발작의 발생을 예측함으로써 의료 시스템이나 헬스케어 시스템에 실질적으로 적용되는데 긍정적인 효과를 줄 수 있다. 그러나, 이러한 간질 발작 예측 방법은 실시간 예측을 고려하지 않고 있으며, 장시간 기록된 뇌전도 신호를 해석하는데 한계가 있다. The technique described in
한편, 특허문헌2에 기재된 기술은 이동통신 단말기를 이용한 뇌전증 환자 모니터링 장치 및 방법에 관한 것으로, 이와 같이 구성된 뇌전증 환자 모니터링 시스템은 환자의 정보를 실시간으로 모니터링하고 응급 상황을 감지하고 판단하여 신속한 조치를 취할 수 있도록 하는 점에서 헬스케어 분야에 적용할 수 있는 효과적인 시스템이다. 그러나, 이러한 시스템은 시스템의 정확도나 효율성의 극대화를 위한 특징추출방법 및 검출 분류 모델의 최적화에 대해서는 고려하지 않고 있다. Meanwhile, the technology described in
상기한 문제점들을 해결하기 위해, 본 발명의 다양한 실시예들은 사용자로부터 획득한 뇌전도 신호에서, 뇌전도 신호의 주파수 대역을 분해하여 계수를 추출하며, 반복적인 연산방법을 통해 정교한 특징값을 추출함으로써, 다양한 기계학습과 확률모델을 기반으로 성능 평가를 수행하는 기술에 대해 제안하며, 이를 통해 정확하고 빠른 검출 성능을 보이는, 효율적인 간질 발작파 모니터링을 제공하고자 한다. In order to solve the above problems, various embodiments of the present invention extract coefficients by decomposing the frequency band of the EEG signal from the EEG signal obtained from the user, and extracting sophisticated feature values through an iterative calculation method. We propose a technology that performs performance evaluation based on machine learning and probabilistic models, and through this, we intend to provide efficient epileptic seizure monitoring with accurate and fast detection performance.
본 발명의 다양한 실시예들에 따른 간질 발작파 검출 장치는, 측정되는 뇌전도 신호로부터 특징벡터를 추출하도록 구성되는 특징 추출 모듈, 기계학습 및 확률모델을 이용하여, 상기 특징벡터로부터 발작파를 검출하도록 구성되는 분류 모듈, 및 상기 발작파와 관련된 정보를 출력하도록 구성되는 출력 모듈을 포함할 수 있다. The epileptic seizure detection apparatus according to various embodiments of the present invention uses a feature extraction module configured to extract a feature vector from a measured EEG signal, a machine learning and a probability model, to detect a seizure wave from the feature vector. It may include a classification module configured, and an output module configured to output information related to the seizure wave.
다양한 실시예들에 따르면, 상기 특징 추출 모듈은, 상기 뇌전도 신호에 이산웨이브릿변환을 적용하여 다수의 주파수 대역들로 분해하고, 각각의 주파수 대역에 대한 레벨에 따른 임계치를 생성하여, 상기 임계치와 상기 분해된 주파수 대역들의 신호 계수들을 비교하고, 상기 임계치 이상인 적어도 하나의 신호 계수를 카운팅하고, 상기 레벨이 상기 특정 레벨에 만족하면, 모든 레벨의 카운팅 값들의 변화율의 평균을 산출하여 상기 분해된 주파수 대역들 각각으로부터 상기 특징벡터를 추출하도록 구성될 수 있다. According to various embodiments, the feature extraction module decomposes into a plurality of frequency bands by applying a discrete wavelet transform to the EEG signal, and generates a threshold value according to a level for each frequency band, The signal coefficients of the decomposed frequency bands are compared, at least one signal coefficient equal to or greater than the threshold is counted, and if the level is satisfied with the specific level, an average of the rate of change of the counting values of all levels is calculated, and the decomposed frequency It may be configured to extract the feature vector from each of the bands.
본 발명의 다양한 실시예들에 따른 간질 발작파 검출 장치의 동작 방법은, 측정되는 뇌전도 신호로부터 특징벡터를 추출하는 동작, 기계학습 및 확률모델을 이용하여, 상기 특징벡터로부터 발작파를 검출하는 동작, 및 상기 발작파와 관련된 정보를 출력하는 동작을 포함할 수 있다. The operation method of the epileptic seizure wave detection apparatus according to various embodiments of the present invention includes an operation of extracting a feature vector from a measured EEG signal, and an operation of detecting a seizure wave from the feature vector using machine learning and a probability model. And outputting information related to the seizure wave.
다양한 실시예들에 따르면, 상기 특징벡터 추출 동작은, 상기 뇌전도 신호에 이산웨이브릿변환을 적용하여 다수의 주파수 대역들로 분해하는 동작, 각각의 주파수 대역에 대한 레벨에 따른 임계치를 생성하여, 상기 임계치와 상기 분해된 주파수 대역들의 신호 계수들을 비교하는 동작, 상기 임계치 이상인 적어도 하나의 신호 계수를 카운팅하는 동작, 및 상기 레벨이 상기 특정 레벨에 만족하면, 모든 레벨의 카운팅 값들의 변화율의 평균을 산출하여, 상기 분해된 주파수 대역들 각각으로부터 상기 특징벡터를 추출하는 동작을 포함할 수 있다.According to various embodiments, the feature vector extraction operation includes an operation of decomposing into a plurality of frequency bands by applying a discrete wavelet transform to the EEG signal, generating a threshold value according to a level for each frequency band, and the Comparing a threshold value with signal coefficients of the decomposed frequency bands, counting at least one signal coefficient equal to or greater than the threshold value, and calculating an average of the rate of change of counting values of all levels when the level is satisfied with the specific level Thus, an operation of extracting the feature vector from each of the decomposed frequency bands may be included.
본 발명의 다양한 실시예들에 따르면, 장시간 기록된 뇌전도 신호를 분석 및 해석하는 데 있어서, 물리적인 시간과 인력에 따른 문제가 해소될 수 있으며, 보다 빠르고, 정확한 검출 성능을 보임으로써, 보다 효율적인 발작파 모니터링을 제공할 수 있다. According to various embodiments of the present invention, in analyzing and interpreting the EEG signals recorded for a long time, problems due to physical time and manpower can be solved, and by showing a faster and more accurate detection performance, more efficient seizures. Wave monitoring can be provided.
아울러, 본 발명의 다양한 실시예들에 따르면, 간질 발작파 시점 및 횟수, 검출 정보를 출력하는 기능을 탑재하여, 전문의, 보호자 및 환자에게 환자의 건강관리 시스템을 제공할 수 있으므로, 발작 예방, 치료 방법, 응급 처치 방법 등의 정보를 효과적으로 지원할 수 있다. In addition, according to various embodiments of the present invention, a function for outputting the timing and number of epileptic seizure waves, and detection information can be provided to provide a health management system for patients to specialists, guardians, and patients, thus preventing seizures, It can effectively support information such as treatment methods and first aid methods.
도 1은 본 발명의 다양한 실시예들에 따른 간질 발작파 검출 장치의 간략한 개념도이다.
도 2는 도 1의 뇌전도 신호 측정부에서 측정되는 정상인의 뇌전도 신호 출력 그래프이다.
도 3은도 1의 뇌전도 신호 측정부에서 측정되는 뇌전증 환자의 뇌전도 신호 출력 그래프이다.
도 4는 본 발명의 다양한 실시예들에 따른 간질 발작파 검출 장치의 블록도이다.
도 5는 도 4의 주파수 대역 분해부가 이산웨이브렛변환을 이용하여 뇌전도 신호의 주파수 대역을 분해한 결과를 나타내는 그래프이다.
도 6은 도 4의 주파수 대역 분해부에서 주파수 대역 분해를 위해 사용되는 모웨이브렛 함수들을 나타내는 그래프이다.
도 7은 본 발명의 다양한 실시예들에 따른 간질 발작파 검출 방법의 순서도이다. 1 is a schematic diagram of an apparatus for detecting epileptic seizures according to various embodiments of the present invention.
FIG. 2 is a graph showing an EEG signal output of a normal person measured by the EEG signal measuring unit of FIG. 1.
3 is an output graph of an EEG signal of a patient with epilepsy measured by the EEG signal measuring unit of FIG. 1.
4 is a block diagram of an apparatus for detecting epileptic seizures according to various embodiments of the present invention.
5 is a graph showing a result of decomposing a frequency band of an EEG signal by using a discrete wavelet transform by the frequency band decomposition unit of FIG. 4.
6 is a graph showing mo wavelet functions used for frequency band decomposition in the frequency band decomposition unit of FIG. 4.
7 is a flowchart of a method for detecting epileptic seizure waves according to various embodiments of the present invention.
이하, 본 문서의 다양한 실시예들이 첨부된 도면을 참조하여 설명된다.Hereinafter, various embodiments of the present document will be described with reference to the accompanying drawings.
이하에서는, 본 발명의 다양한 실시예들에 따른 멀티 주파수 대역 계수를 이용한 특징추출 및 확률 모델과 기계학습에 의한 간질 발작파 자동 검출 방법 및 장치를 제공한다. Hereinafter, a method and apparatus for automatically detecting epileptic seizure waves by machine learning and feature extraction and probability models using multi-frequency band coefficients according to various embodiments of the present invention are provided.
본 발명의 다양한 실시예들은 사용자의 뇌전도 신호를 측정하는 뇌전도 측정 센서로부터 취득된 뇌전도 신호를 수신하여, 뇌전도의 원래 형태의 신호에서 노이즈를 제거하고, 데이터를 분할하는 신호 처리 모듈, 신호 처리 모듈로부터 가공된 신호에서 다양한 주파수 대역으로 분할하기 위한 주파수 대역 분해부, 특징벡터를 추출하는 특징 추출 모듈, 추출된 특징벡터로부터 주파수 대역 밴드 별 발작 상태 별 클러스터링을 통해 군집 클래스를 생성하는 코드북 생성부, 기계학습 및 확률모델을 기반으로 발작파를 검출하고, 발작 시점 및 횟수를 기록하는 분류 모듈, 및 사용자 및 의사에게 발작파 검출 시점 및 횟수를 출력하고, 실시간으로 발작파 검출 결과를 제공해주는 출력모듈을 포함하는 뇌전도 신호 기반 간질 발작파 자동 검출 장치 및 그의 동작 방법을 제공한다. Various embodiments of the present invention are from a signal processing module and a signal processing module that receives an EEG signal acquired from an EEG measurement sensor that measures a user's EEG signal, removes noise from the original EEG signal, and divides data. A frequency band decomposition unit for dividing the processed signal into various frequency bands, a feature extraction module for extracting a feature vector, a codebook generator for generating a cluster class through clustering for each seizure state for each frequency band band from the extracted feature vector, and a machine A classification module that detects seizure waves based on learning and probability models and records the time and number of seizures, and an output module that outputs seizure detection times and times to users and doctors, and provides seizure detection results in real time. It provides an apparatus for automatically detecting epileptic seizure waves based on an EEG signal and a method of operation thereof.
다양한 실시예들에 따르면, 특징 추출 모듈에 포함되는 주파수 대역 분해부와 특징벡터 추출부는 뇌전도를 다양한 멀티 주파수 대역으로 분해하여, 보다 정교하게 발작파를 검출하기 위한 것으로, 멀티 주파수 대역에서, 웨이브렛변환을 통해 웨이브렛 계수를 산출해내고, 각 주파수 대역마다 웨이브렛 계수의 주파수 변동의 특성을 살려 특징 값으로 추출하며, 반복적인 연산을 통해 기존 방법보다 정확도를 개선하는 목적을 지닌 멀티 주파수 대역 계수를 이용한다. According to various embodiments, a frequency band decomposing unit and a feature vector extracting unit included in the feature extraction module are for decomposing EEG into various multi-frequency bands to more accurately detect seizure waves. In a multi-frequency band, wavelet Multi-frequency band coefficients with the purpose of calculating wavelet coefficients through transformation, extracting them as feature values by taking advantage of the frequency fluctuation characteristics of the wavelet coefficients for each frequency band, and improving accuracy over conventional methods through repetitive calculations. Use
다양한 실시예들에 따르면, 분류 모듈에 포함되는 발작파 검출부는 기계학습 및 확률모델을 기반으로 발작파, 발작파 시점, 발작파 횟수, 휴지기-발작간기-발작기 등을 예측 및 검출해낼 수 있도록, 다양한 기계학습 방법과 확률모델을 선택적, 적응적으로 결정할 수 있다. According to various embodiments, the seizure wave detector included in the classification module may predict and detect seizure waves, seizure time points, number of seizure waves, resting period-interseizure period-seizure period, etc., based on machine learning and probabilistic models. In addition, various machine learning methods and probability models can be selectively and adaptively determined.
다양한 실시예들에 따르면, 출력 모듈에 포함되는 발작파 검출 시점 및 횟수 출력부는, 사용자 및 의사가 환자의 일상생활에서, 장시간 측정된 뇌전도 신호를 보다 효율적이고 빠르게 분석하고 관찰할 수 있도록, 기록된 결과를 기반으로 발작파 시점 및 횟수를 제공하며, 실시간 발작파 결과부는 사용자나 의사에 환자의 현재 상태에 따른 실시간 발작파 검출에 대한 정보를 제공할 수 있다. According to various embodiments, the seizure wave detection time and frequency output unit included in the output module is recorded so that the user and the doctor can more efficiently and quickly analyze and observe the EEG signals measured for a long time in the patient's daily life. The seizure wave timing and number of times are provided based on the result, and the real-time seizure wave result unit may provide information on real-time seizure detection according to the patient's current state to a user or a doctor.
도 1은 본 발명의 다양한 실시예들에 따른 간질 발작파 검출 장치(100)의 간략한 개념도이다. 도 2는 도 1의 뇌전도 신호 측정부(101)에서 측정되는 정상인의 뇌전도 신호의 그래프이다. 도 3은 도 1의 뇌전도 신호 측정부(101)에서 측정되는 뇌전증 환자의 뇌전도 신호의 그래프이다.1 is a simplified conceptual diagram of an epileptic seizure
도 1을 참조하면, 본 발명의 다양한 실시예들에 따른 간질 발작파 검출 장치(100)는, 뇌의 표면에서 비침습적으로 뇌전도 신호를 측정하는 뇌전도 신호 측정부(101), 뇌전도 신호에 대한 기록을 분석하여 발작파를 검출하기 위한 제 1 간질 발작파 검출 모듈(102, 103, 104, 105) 및 뇌전도 신호를 실시간으로 분석하여 발작파를 검출하기 위한 제 2 간질 발작파 검출 모듈(106, 107, 108, 109)을 포함할 수 있다. 뇌전도 신호 측정부(101)는 정상인에 대해, 도 2에 도시된 바와 같이 나타나는 뇌전도 신호를 측정할 수 있다. 뇌전도 신호 측정부(101)는 뇌전증 환자에 대해, 도 3에 도시된 바와 같이 나타나는 뇌전도 신호를 측정할 수 있다. Referring to FIG. 1, the epileptic seizure
제 1 간질 발작파 검출 모듈(102, 103, 104, 105)은 기록 측정부(102), 뇌전도 신호 처리부(103), 발작 시점 및 횟수 검출부(104) 및 피드백 제공부(105)를 포함할 수 있다. 기록 측정부(102)는 뇌전도 신호 측정부(101)를 통해 단/장기간 동안 뇌전도 신호를 측정하여 기록할 수 있다. 뇌전도 신호 처리부(103)는 기록 측정부(102)를 통해 기록된 뇌전도 신호를 처리하여, 특징벡터를 추출할 수 있다. 발작 시점 및 횟수 검출부(104)는 뇌전도 신호 처리부(103)에서 추출된 특징벡터를 기반으로, 기계학습 및 확률모델을 이용하여 간질 발작파의 발작 시점 및 횟수를 검출할 수 있다. 피드백 제공부(105)는 발작 시점 및 횟수 검출부(104)에서 검출된 발작 시점 ?? 횟수를 기반으로, 환자, 전문의, 보호자 등에게 뇌전증 진단 및 치료를 위한 피드백을 제공할 수 있다. The first epileptic seizure
제 2 간질 발작파 검출 모듈(106, 107, 108, 109)은 실시간 측정부(106), 뇌전도 신호 처리부(107), 실시간 발작파 검출부(108) 및 알림 경고부(109)를 포함할 수 있다. 실시간 측정부(016)는 뇌전도 신호 측정부(101)를 통해 실시간으로 뇌전도 신호를 측정할 수 있다. 뇌전도 신호 처리부(107)는 실시간 측정부(106)에서 측정되는 뇌전도 신호를 처리하여, 특징 벡터를 추출할 수 있다. 실시간 발작파 검출부(108)는특징벡터를 기반으로, 실시간 발작파를 검출할 수 있다. 알림 경고부(109)는 사용자에게 간질 발작 발생의 유무 및 정도에 대한 정보를 제공할 수 있다. The second epileptic seizure
도 4는 본 발명의 다양한 실시예들에 따른 간질 발작파 검출 장치(예: 도 1의 간질 발작파 검출 장치(100))(400)의 블록도이다. 도 4는 뇌전도 신호 기반의 멀티 주파수 대역 계수를 이용한 특징추출 및 확률모델과 기계학습에 의한 간질 발작파 자동 검출을 위한 간질 발작파 검출 장치(400)를 도시하고 있다. 도 5는 도 4의 주파수 대역 분해부(413)가 이산웨이브렛변환을 이용하여 뇌전도 신호의 주파수 대역을 분해한 결과를 나타내는 그래프이다. 도 6은 도 4의 주파수 대역 분해부(413)에서 주파수 대역 분해를 위해 사용되는 모웨이브렛 함수들을 나타내는 그래프이다.4 is a block diagram of an epileptic seizure wave detection apparatus (eg, epileptic seizure
도 4를 참조하면, 다양한 실시예들에 따른 간질 발작파 검출 장치(400)는, 뇌전도 측정 모듈(예: 도 1의 뇌전도 신호 측정부(101), 기록 측정부(102) 또는 실시간 측정부(106) 중 적어도 어느 하나)(401), 신호 처리 모듈(예: 도 1의 뇌신호 처리부(103, 107))(402), 특징 추출 모듈(예: 도 1의 뇌신호 처리부(103, 107)들 중 적어도 어느 하나)(403), 분류 모듈(예: 도 1의 발작 시점 및 횟수 검출부(104) 또는 실시간 발작파 검출부(108) 중 적어도 어느 하나)(404) 및 출력 모듈(예: 도 1의 피드백 제공부(105) 또는 알림 경고부(109) 중 적어도 어느 하나)(405)를 포함할 수 있다. Referring to FIG. 4, the epileptic seizure
뇌전도 측정 모듈(401)은 뇌의 표면에서 비침습적으로 뇌전도 신호를 측정할 수 있다. 일 실시예에 따르면, 뇌전도 측정 모듈(401)은 뇌전도 신호를 기록할 수 있다. 이 때 뇌전도 측정 모듈(401)은 뇌전도 신호에 대한 기록을 측정된 시점으로부터 미리 정해진 기간 동안 유지할 수 있다. 다른 실시예에 따르면, 뇌전도 측정 모듈(401)은 실시간으로 뇌전도 신호를 측정할 수 있다. 즉 뇌전도 측정 모듈(401)은 실시간으로 뇌전도 신호를 신호 처리 모듈(402)에 전달할 수 있다. 뇌전도 측정 모듈(401)은 정상인에 대해, 도 2에 도시된 바와 같이 나타나는 뇌전도 신호를 측정할 수 있다. 뇌전도 측정 모듈(401)은 뇌전증 환자에 대해, 도 3에 도시된 바와 같이 나타나는 뇌전도 신호를 측정할 수 있다. 뇌전도 측정 모듈(401)은 뇌전도 측정 장치(411)를 포함할 수 있다. The
뇌전도 측정 장치(411)는 복수의 채널로 구성된 뇌전도 신호 센서를 포함할 수 있다. 뇌전도 신호 센서는 뇌전도 신호 측정을 위한 국제 표준법에 따라 사용자의 머리 표면에 개별적으로 부착되며, 사용하는 목적에 따라 뇌전도 신호 센서의 부착 위치 또는 뇌전도 신호 센서의 전극 개수 중 적어도 어느 하나가 달라질 수 있다. 예를 들면, 뇌전도 신호 센서는, 국제 뇌과학회연합표준배치법인 10-20 시스템에 따라 전두부, 중신부, 두정부, 후두부, 측두부 등에 부착될 수 있다. 일 예로, 뇌전도 신호 센서는 전극의 접지로 양 이개(Ear lobe)에 부착될 수도 있다. 다른 예로, 부가적인 생체 정보를 획득하기 위해, 안구전도(EOG, electrooculogram)와 심전도(ECG, electrocardiogram), 근전도(EMG, electromygoram) 등이 더 측정될 수 있다. 안구전도 및 심전도 신호는 환자의 수면 상태, 활동 상태 등을 확인하기 위한 것이며, 근전도 신호는 환자의 움직임에 의해 발생하는 근전도 및 노이즈 신호가 뇌전도 신호에 미치는 영향을 분석하고 확인하기 위함이다. The
신호 처리 모듈(402)은, 뇌전도 측정 모듈(401)로부터 측정되는 뇌전도 신호를 가공할 수 있다. 일 실시예에 따르면, 신호 처리 모듈(402)은 미리 정해진 기간 동안 측정된 뇌전도 신호를 뇌전도 측정 모듈(401)로부터 획득하여, 가공할 수 있다. 다른 실시예에 따르면, 신호 처리 모듈(402)은 실시간으로 뇌전도 신호를 뇌전도 측정 모듈(401)로부터 획득하여, 가공할 수 있다. 신호 처리 모듈(402)은 노이즈 제거부(412)와 데이터 분할부(422)를 포함할 수 있다. The
노이즈 제거부(412)는 뇌전도 신호로부터 노이즈를 제거할 수 있다. 예를 들면, 노이즈 제거부(412)는, 전원 노이즈나 움직임에 의한 노이즈, 또한 근전도 신호를 제거할 수 있는 로우패스필터, 하이패스필터, 밴드패스 필터, 노치필터 등을 포함할 수 있다. 뇌전도 신호는 알파 (8-12.99 Hz), 델타 (0.2-3.99 Hz), 세타 (4-7.99 Hz), 베타 (13-30 Hz), 감마파 (30Hz 이상) 등의 다양한 주파수 영역을 가지며, 심신의 상태에 따라 각각 다르게 나타나므로, 활동 상태에 따라 적합한 주파수를 선택하고, 이 외의 주파수는 노이즈 제거부의 필터 등을 이용하여 제거할 수 있다. The
데이터 분할부(422)는 뇌전도 신호에 데이터 분할을 적용할 수 있다. 예를 들면, 데이터 분할부(422)는 뇌전도 신호에 대하여, 데이터 분할을 위해 사용되는 윈도우 크기를 지정하고, 윈도우 크기를 기반으로, 뇌전도 신호에 데이터 분할을 적용할 수 있다. The
특징 추출 모듈(403)은 뇌전도 신호로부터 간질 발작파와 관련된 특징을 추출할 수 있다. 특징 추출 모듈(403)은 주파수 대역 분해부(413)와 특징벡터 추출부(423)를 포함할 수 있다. The
주파수 대역 분해부(413)는 다양한 주파수 대역으로 뇌전도 신호를 해석하기 위해, 뇌전도 신호를 분해할 수 있다. 주파수 대역 분해부(413)는 뇌전도 신호를 복수 개의 주파수 대역으로 분해할 수 있다. 주파수 대역 분해부(413)는, 도 5의 (a)에 도시된 바와 같이 정상인의 뇌전도 신호를 복수 개의 주파수 대역으로 분해할 수 있다. 주파수 대역 분해부(413)는, 도 5의 (b)에 도시된 바와 같이 뇌전증 환자의 뇌전도 신호를 복수 개의 주파수 대역으로 분해할 수 있다. 일 실시예에 따르면, 주파수 대역 분해부(413)는 이산웨이브렛변환(Discrete wavelet transform)을 이용하여, 뇌전도 신호를 복수 개의 주파수 대역으로 분해할 수 있다. 이산웨이브렛변환을 이용하여 뇌전도 신호를 분해하는 데 있어서, 분해레벨과 적절한 모웨이브렛 함수(Mother wavelet function)의 선택이 상당히 중요할 수 있다. The frequency
예를 들면, 모웨이브렛 함수는, 도 6의 (a), (b), (c), (d) 및 (e)에 도시된 바와 같이 Daubechies, Coiflet, Symlet, Haar 등의 웨이브렛 함수를 포함할 수 있다. 도 6에서, (a)는 Daubechies 3차 함수를 나타내고, (b)는 Daubechies 4차 함수를 나타내고, (c)는 Coiflet 3차 함수를 나타내고, (d)는 Coiflet 4차 함수를 나타내고, (e)는 Symlet 4차 함수를 나타낼 수 있다. 도 6의 (f)에 도시된 바와 같이 간질 발작파를 나타내는 뇌전도 신호가 측정되면, 주파수 대역 분해부(413)는 도 6의 (f)에 도시된 뇌전도 신호와 도 6의 (a), (b), (c), (d) 및 (e)에 도시된 모웨이브렛 함수의 상관성(correlation)을 확인하여, 자세하게는 정규화된 상호 연관성을 찾는 방식인 Normalized Cross Correlation (NCC) 을 사용할 수 있다. NCC 방법은 입력된 신호와 찾고자 하는 신호의 선형적인 차이 및 교차 검증을 통해 상관도를 계산할 수 있고, 이를 기반으로 주파수 대역 분해부(413)에서 모웨이브렛 함수를 선택할 수 있다. 이를 통해, 주파수 대역 분해부(413)는, 모웨이브렛 함수를 이용하여 뇌전도 신호의 주파수 대역을 분해할 수 있다. 일 예로, 주파수 대역 분해부(413)는 상세계수와 근사계수를 추출하여 분해레벨에 따른 계수를 구할 수 있다. For example, the mo wavelet function is a wavelet function such as Daubechies, Coiflet, Symlet, Haar, etc. as shown in (a), (b), (c), (d) and (e) of FIG. 6 Can include. In Figure 6, (a) represents the Daubechies cubic function, (b) represents the Daubechies quaternary function, (c) represents the Coiflet cubic function, (d) represents the Coiflet quaternary function, (e ) Can represent the Symlet quaternary function. When an EEG signal representing an epileptic seizure wave is measured as shown in FIG. 6(f), the frequency
특징벡터 추출부(423)는 뇌전도 신호로부터 간질 발작파 검출을 위한 특징벡터를 추출할 수 있다. 특징벡터 추출부(423)는 뇌전도 신호의 주파수 대역 별 특징벡터를 추출할 수 있다. 특징벡터 추출부(423)는 주어진 N개의 뇌전도 신호들을 기반으로, 주파수 대역 분해부(413)에서 선택된 웨이브렛 계수를 이용하여, 반복적인 연산을 수행함에 따라, 주파수 대역 별 특징벡터를 추출할 수 있다.The
분류 모듈(404)은 특징 추출 모듈(403)에서 추출된 특징벡터를 분류할 수 있다. 분류 모듈(404)은 코드북 생성부(414), 발작파 검출부(424) 및 발작 시점 및 횟수 기록부(434)를 포함할 수 있다. The
코드북 생성부(414)는 특징벡터를 적어도 하나의 군집으로 클러스터링하고, 각 군집마다 인덱스를 부여하여, 코드북을 생성할 수 있다. 코드북은 발작파 검출부(424)에서 포함될 수 있는 확률모델기반의 분류모델을 위해 사용될 수 있다. The
발작파 검출부(424)는 다양한 기계학습 및 확률 모델 기반의 분류 모델을 이용하여, 특징벡터로부터 간질 발작파를 검출할 수 있다. 특징벡터 추출부(423)에서 추출된 특징벡터 또는 코드북 생성부(414)에서 생성된 코드북 중 적어도 어느 하나에 대해, 다양한 기계학습 및 확률 모델 기반의 분류 모델을 이용하여, 간질 발작파를 검출할 수 있다. 기계학습은, 예컨대 SVM(Support vector machine), LDA(Linear discriminant analysis), QDA(Quadratic discriminant analysis), K-NN(K-nearest neighbor), K-means 등의 기법들을 포함할 수 있다. 확률모델은, 예컨대 HMM(Hidden markov model) 등의 기법들을 포함할 수 있다. 발작파 검출부(424)는 적어도 하나의 기계학습 기법 및 적어도 하나의 확률 모델 기법을 사용하여, 간질 발작파를 검출할 수 있다. The seizure
발작 시점 및 횟수 기록부(434)는 간질 발작파의 발작 시점과 횟수를 검출할 수 있다. 그리고 발작 시점 및 횟수 기록부(434)는 간질 발작파의 발작 시점과 횟수를 기록할 수 있다. The seizure timing and number of
출력 모듈(405)은 간질 발작파와 관련된 정보를 제공할 수 있다. 출력 모듈(405)은 발작파 검출 시점 및 횟수 출력부(415) 또는 실시간 발작 결과부(425) 중 적어도 어느 하나를 포함할 수 있다. 발작파 검출 시점 및 횟수 출력부(415)는 발작 시점 및 횟수 기록부(434)에서 검출된 간질 발작파의 발작 시점 및 횟수를 출력할 수 있다. 실시간 발작 결과부(425)는 실시간으로 검출되는 간질 발작파에 대한 알림을 출력할 수 있다. 예를 들면, 뇌전도 측정 모듈(401)의 뇌전도 측정 장치(411)를 통해 실시간으로 측정되는 뇌전도 신호로부터 발작파 검출부(424)를 통해 간질 발작파가 검출되면, 실시간 발작 결과부(425)가 실시간으로 간질 발작파에 대한 알림을 출력할 수 있다. The output module 405 may provide information related to an epileptic seizure wave. The output module 405 may include at least one of a seizure detection time and
도 7은 본 발명의 다양한 실시예들에 따른 간질 발작파 검출 방법의 순서도이다. 도 7는 뇌전도 신호 기반의 멀티 주파수 대역 계수를 이용한 특징추출 및 확률모델과 기계학습에 의한 간질 발작파 자동 검출 방법을 도시하고 있다.7 is a flowchart of a method for detecting epileptic seizure waves according to various embodiments of the present invention. 7 shows a feature extraction and probability model using multi-frequency band coefficients based on an EEG signal, and a method of automatically detecting epileptic seizure waves by machine learning.
도 7을 참조하면, 간질 발작파 검출 장치(400)가 701 동작에서 뇌전도 신호의 입력을 검출할 수 있다. 뇌전도 측정 모듈(401)이 뇌전도 측정 장치(411)를 통해 입력되는 뇌전도 신호를 측정할 수 있다. 신호 처리 모듈(402)은, 뇌전도 측정 모듈(401)로부터 측정되는 뇌전도 신호를 가공할 수 있다.Referring to FIG. 7, the
간질 발작파 검출 장치(400)는 702 동작에서 뇌전도 신호를 복수 개의 주파수 대역으로 분해할 수 있다. 특징 추출 모듈(403)의 주파수 대역 분해부(413)가 이산웨이브렛변환을 통해, 뇌전도 신호를 복수 개의 주파수 대역으로 분해할 수 있다. 이를 통해, 분해된 주파수 대역마다 웨이브렛 계수를 가질 수 있다. The epileptic seizure
간질 발작파 검출 장치(400)는 703 동작 내지 706 동작을 수행하고, 이로 인해 707 동작에서 뇌전도 신호로부터 특징 벡터를 생성할 수 있다. 간질 발작파 검출 장치(400)는 703 동작 내지 706 동작을 수행하는 데 있어서, 주파수 대역 별 웨이브렛 계수를 이용할 수 있다. 이 때 간질 발작파 검출 장치(400)는 703 동작 내지 706 동작을 반복하여 수행할 수 있다. The epileptic seizure
간질 발작파 검출 장치(400)는 703 동작에서 레벨 수를 증가시킬 수 있다. 초기 레벨 값은 0으로 시작되며, 레벨 수는 1 씩 증가될 수 있다. 703 동작에서 레벨 수가 증가되면, 간질 발작파 검출 장치(400)는 704 동작에서 각 레벨 별 임계치(Threshold)를 생성할 수 있다. 임계치는 하기 [수학식 1]과 같이 생성될 수 있다.The epileptic seizure
여기서, t는 703 동작에 따른 레벨을 의미하고,
는 초기 임계치를 의미하며, 주파수 대역 별 웨이브렛 계수 중 최대값으로 지정될 수 있다. 즉 704 동작에서, 임계치는, 입력되는 신호 크기의 1/2, 1/4, 1/8, ... (1/2)t-1 씩으로 생성될 수 있다. Here, t means a level according to
간질 발작파 검출 장치(400)는 705 동작에서 임계치를 이용하여, 각 주파수 대역 별 특징 값을 추출할 수 있다. 이 때 간질 발작파 검출 장치(400)는 웨이브렛 계수에서 레벨 별 임계치보다 큰 웨이브렛 계수의 값들을 카운팅하며, 그 값이 카운팅 값, δ라 지칭될 수 있다. 이를 통해, 간질 발작파 검출 장치(400)는 특정 임계치를 기준으로, 입력되는 신호의 주파수 변동에 따른 변화를 특징 값으로 추출할 수 있다. 간질 발작파 검출 장치(400)는 하기 [수학식 2]와 같이 웨이브렛 계수에서 레벨 별 임계치보다 큰 웨이브렛 계수의 값들을 카운팅할 수 있다. The epileptic seizure
여기서, N은 샘플 개수를 의미하고, t는 레벨을 의미하고, a는 입력된 신호, 즉 웨이브렛 계수를 의미하며,
는 임계치를 의미할 수 있다. Here, N denotes the number of samples, t denotes a level, a denotes an input signal, that is, a wavelet coefficient, May mean a threshold.
간질 발작파 검출 장치(400)는 706 동작에서 특정 레벨에 도달했는 지의 여부를 판단할 수 있다. 여기서, 특정 레벨은 임의로 지정할 수 있으며, 0 이상의 값을 가질 수 있다. 706 동작에서 특정 레벨에 도달하지 않은 것으로 판단되면, 간질 발작파 검출 장치(400)는 703 동작으로 복귀하여, 703 동작 내지 706 동작을 반복할 수 있다. 706 동작에서 특정 레벨에 도달한 것으로 판단되면, 간질 발작파 검출 장치(400)는 703 동작 내지 706 동작의 반복을 중단할 수 있다. The epileptic seizure
706 동작에서 특정 레벨에 도달한 것으로 판단되면, 간질 발작파 검출 장치(400)는 707 동작에서 각 주파수 대역 별 특징벡터를 생성할 수 있다. 즉 특징 벡터는 주파수 대역 별로 분해되어 추출되며, 최종 특징 값인 ASCOT은 하기 [수학식 3]과 같이 산출되며, 레벨에 따른 카운팅한 값, δ의 변화율의 평균으로 계산될 수 있다. If it is determined that the specific level has been reached in
여기서, t는 레벨을 의미하고, δ는 수학식 2에서 도출된 카운팅한 값을 의미한다. i는 t만큼 1씩 증가하고, 현재 i번째 레벨의 δ값과 현재의 전 레벨인 i-1의 δ값의 값을 뺀 차에 제곱을 한 후, 모든 값의 평균을 구하여 계산할 수 있다. Here, t denotes a level, and δ denotes a counted value derived from
간질 발작파 검출 장치(400)는 708 동작에서 특징벡터 기반 클러스터링을 수행할 수 있다. 이 때 간질 발작파 검출 장치(400)는 특징벡터로 생성된 특징 값들을 군집화할 수 있다. 예를 들면, 702 동작에서 뇌전도 신호가 N 개의 주파수 대역으로 분해되었고, 특징 값들을 M 개의 발작 상태로 분류하고자 할 때, 간질 발작파 검출 장치(400)는 N*M 개의 군집을 생성할 수 있다. 일 예로, 뇌전도 신호가 6 개의 주파수 대역으로 분해되었고, 특징 값들을 발작기 및 발작 간기 상태의 두 가지 상태로 분류하고자 하는 경우, 간질 발작파 검출 장치(400)는 특징 값들을 총 6x2의 12 가지 클래스로 클러스터링할 수 있다. 이는 각 발작 상태별 주파수 대역 밴드에 따른 특징 값들을 클러스터링한 결과로, 후술되는 710 동작에서 학습 모델 생성을 위해 사용될 수 있다. The epileptic seizure
간질 발작파 검출 장치(400)는 709 동작에서 특징벡터를 기반으로 코드북을 생성할 수 있다. 이 때 간질 발작파 검출 장치(400)는 708 동작에서 클러스터링을 통해 생성된 특징 값들의 군집에 인덱스(index)를 부여하여, 코드북을 생성할 수 있다. 예를 들면, N 개의 군집이 생성되면, 각각의 군집에 1부터 N 까지의 번호가 인덱스로 부여될 수 있다. 여기서, 번호는 순차적으로, 임의적으로 부여될 수 있다. The epileptic seizure
간질 발작파 검출 장치(400)는 710 동작에서 특징벡터 및 코드북을 기반으로, 다양한 기계학습 및 확률모델을 이용하여 발작파를 검출할 수 있다. 이 때 간질 발작파 검출 장치(400)는 발작간기/발작기를 분류하기 위한 분류기 모델을 생성할 수 있다. 기계학습이라 함은, 학습 단계에서 획득한 데이터를 이용하여 정보를 학습하고, 학습된 정보를 효율적으로 사용하기 위해, 작업을 반복적으로 수행함으로써 결과를 얻어내는 기술의 개선 과정으로, 예컨대 SVM(Support vector machine), LDA(Linear discriminant analysis), QDA(Quadratic discriminant analysis), K-NN(K-nearest neighbor), K-means 등의 기법들을 포함할 수 있다. 간질 발작파 검출 장치(400)는 적어도 하나의 기계학습 기법을 사용하여, 발작파를 검출할 수 있다. 확률모델이라 함은, 우연하게 생성되는 현상을 수식화한 것이며 통계적인 확률 분포에 따라 새로 입력되는 데이터를 학습시키는 것으로, HMM (Hidden Markov model) 등의 기법들을 포함할 수 있다. 간질 발작파 검출 장치(400)는 적어도 하나의 확률모델 기법을 사용하여, 발작파를 검출할 수 있다. The epileptic seizure
본 발명의 다양한 실시예들에 따르면, 발작파를 검출하는 데 기계학습 및 확률모델을 모두 사용하는 이유는, 단순히 뇌전도 신호의 배경파와 다르게 이상적인 징후를 나타내는 발작파를 검출해내는 이진분류는 기계학습이 더 효율적이며, 시간영역에 따라 발작 휴지기, 발작간기, 발작파가 순차적으로 발생할 때, 이에 대한 시계열에 따른 예측 및 검출에는 확률모델이 더 유리하기 때문이다. 따라서, 본 발명의 다양한 실시예들에서는 기계학습 기법 및 확률모델 기법이 선택적으로, 적응적으로 선택되어 사용될 수 있다. According to various embodiments of the present invention, the reason why both machine learning and probability models are used to detect seizure waves is that binary classification that detects seizure waves that represent ideal signs different from the background waves of the EEG signal is simply machine learning. This is because the probability model is more advantageous for prediction and detection according to a time series when seizure cessation, seizure period, and seizure wave occur sequentially according to the time domain. Accordingly, in various embodiments of the present invention, a machine learning technique and a probability model technique may be selectively and adaptively selected and used.
간질 발작파 검출 장치(400)는 711동작에서 검출된 발작파와 관련된 전체 성능 평가가 이루어질 수 있다. 이 때 간질 발작파 검출 장치(400)는 710 동작에서 검출된 발작파, 발작시점, 발작 횟수 등의 정확도, 정밀도, 특이도 등을 평가할 수 있다. 간질 발작파 검출 장치(400)는 712 동작에서 최종적으로 발작파 시점 및 횟수 검출의 결과를 제공하여, 713 동작에서 뇌전증을 진단해 낼 수 있다. The epileptic seizure
본 발명의 다양한 실시예들에 따른 간질 발작파 검출 장치(400)는, 측정되는 뇌전도 신호로부터 특징벡터를 추출하도록 구성되는 특징 추출 모듈(423), 기계학습 및 확률모델을 이용하여, 특징벡터로부터 발작파를 검출하도록 구성되는 분류 모듈(424), 및 발작파와 관련된 정보를 출력하도록 구성되는 출력 모듈(405)을 포함할 수 있다. The epileptic
다양한 실시예들에 따르면, 특징 추출 모듈(423)은, 뇌전도 신호에 이산웨이브릿변환을 적용하여 다수의 주파수 대역들로 분해하고, 각각의 주파수 대역에 대한 레벨에 따른 임계치를 생성하여, 임계치와 상기 분해된 주파수 대역들의 신호 계수들을 비교하고, 임계치 이상인 적어도 하나의 신호 계수를 카운팅하고, 레벨이 특정 레벨에 만족하면, 모든 레벨의 카운팅 값들의 변화율의 평균을 산출하여 분해된 주파수 대역들 각각으로부터 특징벡터를 추출하도록 구성될 수 있다. According to various embodiments, the
다양한 실시예들에 따르면, 특징 추출 모듈(423)은, 레벨이 미리 정해진 특정 레벨을 만족하지 않으면, 레벨을 1 만큼 증가시키고, 레벨에 따른 임계치를 생성하여 임계치 이상인 적어도 하나의 신호 계수를 카운팅하는 것을 반복하도록 구성될 수 있다. According to various embodiments, the
다양한 실시예들에 따르면, 특징 추출 모듈(423)은, 하기 [수학식 4]에 표현되는 바와 같이, 레벨에 따른 임계치를 산출하도록 구성될 수 있다. According to various embodiments, the
여기서, t는 레벨을 의미하고,
는 미리 정해진 초기 임계치를 의미하고, L은 특정 레벨을 의미할 수 있다. Where t means level, Denotes a predetermined initial threshold, and L may denote a specific level.
다양한 실시예들에 따르면, 특징 추출 모듈(423)은, 하기 [수학식 5]에 표현되는 바와 같이, 레벨에 따른 임계치를 이용하여, 입력되는 신호의 주파수 변동에 따른 변화를 카운팅하도록 구성될 수 있다. According to various embodiments, the
여기서, δ는 카운팅 값을 의미하고, N은 샘플 개수를 의미하고, t는 레벨을 의미하고, a는 입력되는 신호, 즉 신호 계수를 의미하고,
는 임계치를 의미할 수 있다. Here, δ denotes a counting value, N denotes the number of samples, t denotes a level, a denotes an input signal, that is, a signal coefficient, May mean a threshold.
다양한 실시예들에 따르면, 특징 추출 모듈(423)은, 입력되는 신호의 주파수 변동에 따른 변화에 대한 카운팅 값을 기준으로, 하기 [수학식 6]에 표현되는 바와 같이 평균을 산출하도록 구성될 수 있다.According to various embodiments, the
여기서, t는 레벨을 의미하고, δ는 카운팅 값을 의미할 수 있다. Here, t denotes a level, and δ may denote a counting value.
본 발명의 다양한 실시예들에 따른 간질 발작파 검출 장치(400)의 동작 방법은, 측정되는 뇌전도 신호로부터 특징벡터를 추출하는 동작, 기계학습 및 확률모델을 이용하여, 특징벡터로부터 발작파를 검출하는 동작, 및 발작파와 관련된 정보를 출력하는 동작을 포함할 수 있다. The operating method of the epileptic seizure
다양한 실시예들에 따르면, 특징벡터 추출 동작은, 뇌전도 신호에 이산웨이브릿변환을 적용하여 다수의 주파수 대역들로 분해하는 동작, 각각의 주파수 대역에 대한 레벨에 따른 임계치를 생성하여, 임계치와 분해된 주파수 대역들의 신호 계수들을 비교하는 동작, 임계치 이상인 적어도 하나의 신호 계수를 카운팅하는 동작, 및 레벨이 특정 레벨에 만족하면, 모든 레벨의 카운팅 값들의 변화율의 평균을 산출하여, 분해된 주파수 대역들 각각으로부터 특징벡터를 추출하는 동작을 포함할 수 있다. According to various embodiments, the feature vector extraction operation includes an operation of applying a discrete wavelet transform to an EEG signal to decompose into a plurality of frequency bands, generating a threshold value according to a level for each frequency band, and decomposing the threshold value and the decomposition. Comparing the signal coefficients of the frequency bands, counting at least one signal coefficient greater than or equal to a threshold, and if the level is satisfied with a specific level, the average of the rate of change of the counting values of all levels is calculated, and the decomposed frequency bands It may include an operation of extracting feature vectors from each.
다양한 실시예들에 따르면, 특징 벡터 추출 동작은, 레벨이 미리 정해진 특정 레벨을 만족하지 않으면, 레벨을 1 만큼 증가시키는 동작을 더 포함하고, 레벨에 따른 임계치를 생성하여 분해된 주파수 대역들의 신호 계수들과 비교하는 동작으로 복귀할 수 있다. According to various embodiments, the feature vector extraction operation further includes an operation of increasing the level by 1 when the level does not satisfy a predetermined specific level, and generating a threshold value according to the level to generate a signal coefficient of the decomposed frequency bands. You can return to the operation that compares with
다양한 실시예들에 따르면, 임계치과 상기 신호 계수들 비교 동작은, 상기 [수학식 4]에 표현되는 바와 같이, 상기 레벨에 따른 임계치를 산출하는 동작을 포함할 수 있다.According to various embodiments, the operation of comparing the threshold value and the signal coefficients may include an operation of calculating a threshold value according to the level, as expressed in [Equation 4].
다양한 실시예들에 따르면, 신호 계수 카운팅 동작은, 상기 [수학식 5]에 표현되는 바와 같이, 레벨에 따른 임계치를 이용하여, 입력되는 신호의 주파수 변동에 따른 변화를 카운팅하는 동작을 포함할 수 있다. According to various embodiments, the signal coefficient counting operation may include counting a change according to a frequency fluctuation of an input signal using a threshold value according to a level, as expressed in [Equation 5]. have.
다양한 실시예들에 따르면, 특징벡터 추출 동작은, 입력되는 신호의 주파수 변동에 따른 변화에 대한 카운팅 값을 기준으로, 상기 [수학식 6]에 표현되는 바와 같이 상기 평균을 산출하는 동작을 포함할 수 있다. According to various embodiments, the feature vector extraction operation may include an operation of calculating the average as expressed in [Equation 6] based on a counting value for a change according to a frequency variation of an input signal. I can.
본 발명의 다양한 실시예들에 따르면, 장시간 기록된 뇌전도 신호를 분석 및 해석하는 데 있어서, 물리적인 시간과 인력에 따른 문제가 해소될 수 있으며, 보다 빠르고, 정확한 검출 성능을 보임으로써, 보다 효율적인 발작파 모니터링을 제공할 수 있다. According to various embodiments of the present invention, in analyzing and interpreting the EEG signals recorded for a long time, problems due to physical time and manpower can be solved, and by showing a faster and more accurate detection performance, more efficient seizures. Wave monitoring can be provided.
아울러, 본 발명의 다양한 실시예들에 따르면, 간질 발작파 시점 및 횟수, 검출 정보를 출력하는 기능을 탑재하여, 전문의, 보호자 및 환자에게 환자의 건강관리 시스템을 제공할 수 있으므로, 발작 예방, 치료 방법, 응급 처치 방법 등의 정보를 효과적으로 지원할 수 있다. In addition, according to various embodiments of the present invention, a function for outputting the timing and number of epileptic seizure waves, and detection information can be provided to provide a health management system for patients to specialists, guardians, and patients, thus preventing seizures, It can effectively support information such as treatment methods and first aid methods.
본 문서의 다양한 실시예들 및 이에 사용된 용어들은 본 문서에 기재된 기술을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 해당 실시 예의 다양한 변경, 균등물, 및/또는 대체물을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다. 본 문서에서, "A 또는 B", "A 및/또는 B 중 적어도 하나", "A, B 또는 C" 또는 "A, B 및/또는 C 중 적어도 하나" 등의 표현은 함께 나열된 항목들의 모든 가능한 조합을 포함할 수 있다. "제 1", "제 2", "첫째" 또는 "둘째" 등의 표현들은 해당 구성요소들을, 순서 또는 중요도에 상관없이 수식할 수 있고, 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 뿐 해당 구성요소들을 한정하지 않는다. 어떤(예: 제 1) 구성요소가 다른(예: 제 2) 구성요소에 "(기능적으로 또는 통신적으로) 연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로 연결되거나, 다른 구성요소(예: 제 3 구성요소)를 통하여 연결될 수 있다.Various embodiments of the present document and terms used therein are not intended to limit the technology described in this document to a specific embodiment, and should be understood to include various modifications, equivalents, and/or substitutes of the corresponding embodiment. In connection with the description of the drawings, similar reference numerals may be used for similar elements. Singular expressions may include plural expressions unless the context clearly indicates otherwise. In this document, expressions such as "A or B", "at least one of A and/or B", "A, B or C" or "at least one of A, B and/or C" are all of the items listed together. It can include possible combinations. Expressions such as "first", "second", "first" or "second" can modify the corresponding elements regardless of their order or importance, and are only used to distinguish one element from another. It does not limit the components. When any (eg, first) component is referred to as being “(functionally or communicatively) connected” or “connected” to another (eg, second) component, the component is It may be directly connected to the component, or may be connected through another component (eg, a third component).
본 문서에서 사용된 용어 "모듈"은 하드웨어, 소프트웨어 또는 펌웨어로 구성된 유닛을 포함하며, 예를 들면, 로직, 논리 블록, 부품, 또는 회로 등의 용어와 상호 호환적으로 사용될 수 있다. 모듈은, 일체로 구성된 부품 또는 하나 또는 그 이상의 기능을 수행하는 최소 단위 또는 그 일부가 될 수 있다. 예를 들면, 모듈은 ASIC(application-specific integrated circuit)으로 구성될 수 있다. The term "module" used in this document includes a unit composed of hardware, software, or firmware, and may be used interchangeably with terms such as, for example, logic, logic blocks, parts, or circuits. The module may be an integrally configured component or a minimum unit that performs one or more functions, or a part thereof. For example, the module may be configured as an application-specific integrated circuit (ASIC).
다양한 실시예들에 따르면, 기술한 구성요소들의 각각의 구성요소(예: 모듈 또는 프로그램)는 단수 또는 복수의 개체를 포함할 수 있다. 다양한 실시예들에 따르면, 전술한 해당 구성요소들 중 하나 이상의 구성요소들 또는 동작들이 생략되거나, 또는 하나 이상의 다른 구성요소들 또는 동작들이 추가될 수 있다. 대체적으로 또는 추가적으로, 복수의 구성요소들(예: 모듈 또는 프로그램)은 하나의 구성요소로 통합될 수 있다. 이런 경우, 통합된 구성요소는 복수의 구성요소들 각각의 구성요소의 하나 이상의 기능들을 통합 이전에 복수의 구성요소들 중 해당 구성요소에 의해 수행되는 것과 동일 또는 유사하게 수행할 수 있다. 다양한 실시예들에 따르면, 모듈, 프로그램 또는 다른 구성요소에 의해 수행되는 동작들은 순차적으로, 병렬적으로, 반복적으로, 또는 휴리스틱하게 실행되거나, 동작들 중 하나 이상이 다른 순서로 실행되거나, 생략되거나, 또는 하나 이상의 다른 동작들이 추가될 수 있다. According to various embodiments, each component (eg, a module or program) of the described components may include a singular number or a plurality of entities. According to various embodiments, one or more components or operations among the above-described corresponding components may be omitted, or one or more other components or operations may be added. Alternatively or additionally, a plurality of components (eg, a module or program) may be integrated into one component. In this case, the integrated component may perform one or more functions of each component of the plurality of components in the same or similar to that performed by the corresponding component among the plurality of components prior to integration. According to various embodiments, operations performed by a module, program, or other component may be sequentially, parallel, repeatedly, or heuristically executed, or one or more of the operations may be executed in a different order or omitted. , Or one or more other actions may be added.
100, 400: 간질 발작파 검출 장치
101 뇌전도 신호 측정부 102: 기록 측정부
103: 뇌전도 신호 처리부 104: 발작 시점 및 횟수 검출부
105: 피드백 제공부 106: 실시간 측정부
107: 뇌전도 신호 처리부 108: 실시간 발작파 검출부
109: 알림 경고부
401: 뇌전도 측정 모듈 402: 신호 처리 모듈
403: 특징 추출 모듈 404: 분류 모듈
405: 출력 모듈 411: 뇌전도 측정 장치
412: 노이즈 제거부 413: 주파수 대역 분해부
414: 코드북 생성부 415: 발작파 검출 시점 및 횟수 출력부
422: 데이터 분할부 423: 특징벡터 추출부
424: 발작파 검출부 425: 실시간 발작 결과부
434: 발작시점 및 횟수 기록부100, 400: epileptic seizure wave detection device
101 EEG signal measuring unit 102: recording measuring unit
103: electroencephalogram signal processing unit 104: seizure timing and frequency detection unit
105: feedback providing unit 106: real-time measurement unit
107: electroencephalogram signal processing unit 108: real-time seizure wave detection unit
109: notification warning unit
401: electroencephalogram measurement module 402: signal processing module
403: feature extraction module 404: classification module
405: output module 411: electroencephalogram measuring device
412: noise removal unit 413: frequency band decomposition unit
414: codebook generation unit 415: seizure detection time and number output unit
422: data division unit 423: feature vector extraction unit
424: seizure wave detection unit 425: real-time seizure result unit
434: Seizure time and number of records
Claims (10)
상기 특징 추출 모듈이 측정되는 뇌전도 신호로부터 특징벡터를 추출하는 동작;
상기 분류 모듈이 기계학습 및 확률모델을 이용하여, 상기 특징벡터로부터 발작파를 검출하는 동작; 및
상기 출력 모듈이 상기 발작파와 관련된 정보를 출력하는 동작을 포함하고,
상기 특징벡터 추출 동작은,
상기 뇌전도 신호에 이산웨이브릿변환을 적용하여 다수의 주파수 대역들로 분해하는 동작;
각각의 주파수 대역에 대한 레벨에 따른 임계치를 생성하여, 상기 임계치와 상기 분해된 주파수 대역들의 신호 계수들을 비교하는 동작;
상기 임계치 이상인 적어도 하나의 신호 계수를 카운팅하는 동작; 및
상기 레벨이 상기 특정 레벨에 만족하면, 모든 레벨의 카운팅 값들의 변화율의 평균을 산출하여, 상기 분해된 주파수 대역들 각각으로부터 상기 특징벡터를 추출하는 동작을 포함하고,
상기 특징 벡터 추출 동작은,
상기 레벨이 미리 정해진 특정 레벨을 만족하지 않으면, 상기 레벨을 1 만큼 증가시키는 동작을 더 포함하고,
상기 레벨에 따른 임계치를 생성하여 상기 분해된 주파수 대역들의 신호 계수들과 비교하는 동작으로 복귀하고,
상기 임계치과 상기 신호 계수들 비교 동작은,
아래의 [수식 i]에 표현되는 바와 같이, 상기 레벨에 따른 임계치를 산출하는 동작을 포함하고,
[수식 i]
여기서, 상기 t는 상기 레벨을 의미하고, 상기 는 미리 정해진 초기 임계치를 의미하고, 상기 L은 상기 특정 레벨을 의미함.
상기 신호 계수 카운팅 동작은,
아래의 [수식 ii]에 표현되는 바와 같이, 상기 레벨에 따른 임계치를 이용하여, 입력되는 신호의 주파수 변동에 따른 변화를 카운팅하는 동작을 포함하고,
[수식 ii]
여기서, 상기 δ는 카운팅 값을 의미하고, 상기 N은 샘플 개수를 의미하고, 상기 t는 상기 레벨을 의미하고, a는 상기 입력되는 신호, 즉 상기 신호 계수를 의미하고, 상기 는 상기 임계치를 의미함.
상기 분해된 주파수 대역들 각각으로부터 상기 특징벡터 추출 동작은,
상기 입력되는 신호의 주파수 변동에 따른 변화에 대한 카운팅 값을 기준으로, 아래의 [수식 iii]에 표현되는 바와 같이 상기 평균을 산출하는 동작을 포함하는 방법.
[수식 iii]
여기서, 상기 t는 상기 레벨을 의미하고, 상기 δ는 상기 카운팅 값을 의미함.
In the operating method of the epileptic seizure wave detection apparatus comprising a feature extraction module, a classification module, and an output module,
Extracting a feature vector from the EEG signal measured by the feature extraction module;
Detecting, by the classification module, a seizure wave from the feature vector using machine learning and a probability model; And
The output module includes an operation of outputting information related to the seizure wave,
The feature vector extraction operation,
Decomposing the EEG signal into a plurality of frequency bands by applying a discrete wavelet transform;
Generating a threshold value according to a level for each frequency band, and comparing the threshold value with signal coefficients of the decomposed frequency bands;
Counting at least one signal coefficient equal to or greater than the threshold; And
If the level satisfies the specific level, calculating an average of rate of change of counting values of all levels, and extracting the feature vector from each of the decomposed frequency bands,
The feature vector extraction operation,
If the level does not satisfy a predetermined specific level, further comprising an operation of increasing the level by 1,
Returning to an operation of generating a threshold according to the level and comparing the signal coefficients of the decomposed frequency bands,
Comparing the threshold value and the signal coefficients,
As represented by the following [Equation i], including the operation of calculating a threshold value according to the level,
[Equation i]
Here, the t means the level, the Denotes a predetermined initial threshold, and L denotes the specific level.
The signal coefficient counting operation,
As represented by the following [Equation ii], using the threshold according to the level, including the operation of counting the change according to the frequency fluctuation of the input signal,
[Equation ii]
Here, δ denotes a counting value, N denotes the number of samples, t denotes the level, a denotes the input signal, that is, the signal coefficient, and the Means the threshold.
The feature vector extraction operation from each of the decomposed frequency bands,
And calculating the average as expressed in [Equation iii] below, based on the counting value for the change according to the frequency fluctuation of the input signal.
[Equation iii]
Here, t means the level, and δ means the counting value.
측정되는 뇌전도 신호로부터 특징벡터를 추출하도록 구성되는 특징 추출 모듈;
기계학습 및 확률모델을 이용하여, 상기 특징벡터로부터 발작파를 검출하도록 구성되는 분류 모듈; 및
상기 발작파와 관련된 정보를 출력하도록 구성되는 출력 모듈을 포함하고,
상기 특징 추출 모듈은,
상기 뇌전도 신호에 이산웨이브릿변환을 적용하여 다수의 주파수 대역들로 분해하고,
각각의 주파수 대역에 대한 레벨에 따른 임계치를 생성하여, 상기 임계치와 상기 분해된 주파수 대역들의 신호 계수들을 비교하고,
상기 임계치 이상인 적어도 하나의 신호 계수를 카운팅하고,
상기 레벨이 상기 특정 레벨에 만족하면, 모든 레벨의 카운팅 값들의 변화율의 평균을 산출하여 상기 분해된 주파수 대역들 각각으로부터 상기 특징벡터를 추출하도록 구성되고,
상기 특징 추출 모듈은,
상기 레벨이 미리 정해진 특정 레벨을 만족하지 않으면, 상기 레벨을 1 만큼 증가시키고, 상기 레벨에 따른 임계치를 생성하여 상기 임계치 이상인 적어도 하나의 신호 계수를 카운팅하는 것을 반복하도록 구성되고,
상기 특징 추출 모듈은,
아래의 [수식 iv]에 표현되는 바와 같이, 상기 레벨에 따른 임계치를 산출하도록 구성되고,
[수식 iv]
여기서, 상기 t는 상기 레벨을 의미하고, 상기 는 미리 정해진 초기 임계치를 의미하고, 상기 L은 상기 특정 레벨을 의미함.
아래의 [수식 v]에 표현되는 바와 같이, 상기 레벨에 따른 임계치를 이용하여, 입력되는 신호의 주파수 변동에 따른 변화를 카운팅하도록 구성되고,
[수식 v]
여기서, 상기 δ는 카운팅 값을 의미하고, 상기 N은 샘플 개수를 의미하고, 상기 t는 상기 레벨을 의미하고, a는 상기 입력되는 신호, 즉 상기 신호 계수를 의미하고, 상기 는 상기 임계치를 의미함.
상기 입력되는 신호의 주파수 변동에 따른 변화에 대한 카운팅 값을 기준으로, 아래의 [수식 vi]에 표현되는 바와 같이 상기 평균을 산출하도록 구성되는 장치.
[수식 vi]
여기서, 상기 t는 상기 레벨을 의미하고, 상기 δ는 상기 카운팅 값을 의미함.
In the epileptic seizure wave detection device,
A feature extraction module configured to extract a feature vector from the measured EEG signal;
A classification module configured to detect a seizure wave from the feature vector using machine learning and a probability model; And
And an output module configured to output information related to the seizure wave,
The feature extraction module,
Applying a discrete wavelet transform to the EEG signal to decompose into a plurality of frequency bands,
By generating a threshold value according to a level for each frequency band, comparing the threshold value and signal coefficients of the decomposed frequency bands,
Counting at least one signal coefficient equal to or greater than the threshold,
When the level is satisfied with the specific level, the feature vector is extracted from each of the decomposed frequency bands by calculating an average of rate of change of counting values of all levels,
The feature extraction module,
If the level does not satisfy a predetermined specific level, the level is increased by 1, and a threshold value according to the level is generated to repeat counting at least one signal coefficient equal to or greater than the threshold value,
The feature extraction module,
As expressed in [Equation iv] below, it is configured to calculate a threshold value according to the level,
[Equation iv]
Here, the t means the level, the Denotes a predetermined initial threshold, and L denotes the specific level.
As represented by the following [Equation v], by using the threshold according to the level, it is configured to count the change according to the frequency fluctuation of the input signal,
[Equation v]
Here, δ denotes a counting value, N denotes the number of samples, t denotes the level, a denotes the input signal, that is, the signal coefficient, and the Means the threshold.
An apparatus configured to calculate the average as expressed in [Equation vi] below, based on a counting value for a change according to a frequency fluctuation of the input signal.
[Equation vi]
Here, t means the level, and δ means the counting value.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020190071478A KR102256313B1 (en) | 2019-06-17 | 2019-06-17 | Method and apparatus for automatic detection of epileptic seizure waveform based on feature extraction with probabilistic model and machine learning using coefficient in multi-frequency bands from electroencephalogram signals |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020190071478A KR102256313B1 (en) | 2019-06-17 | 2019-06-17 | Method and apparatus for automatic detection of epileptic seizure waveform based on feature extraction with probabilistic model and machine learning using coefficient in multi-frequency bands from electroencephalogram signals |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20200143873A KR20200143873A (en) | 2020-12-28 |
KR102256313B1 true KR102256313B1 (en) | 2021-05-26 |
Family
ID=74087021
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020190071478A KR102256313B1 (en) | 2019-06-17 | 2019-06-17 | Method and apparatus for automatic detection of epileptic seizure waveform based on feature extraction with probabilistic model and machine learning using coefficient in multi-frequency bands from electroencephalogram signals |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102256313B1 (en) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022196944A1 (en) * | 2021-03-16 | 2022-09-22 | 아주대학교산학협력단 | Method and device for predicting recurrence of early seizure |
CN113197545B (en) * | 2021-04-08 | 2022-10-04 | 山东师范大学 | Epilepsy detection system based on graph attention residual error network and focus loss |
CN114091540B (en) * | 2021-11-23 | 2024-05-07 | 山东大学 | Method for constructing cold test intelligent detection model of diesel engine, detection method and system |
CN116898454B (en) * | 2023-07-11 | 2024-09-17 | 湖北大学 | Epileptic classification method and system based on electroencephalogram feature fusion deep learning model |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101675875B1 (en) | 2015-06-12 | 2016-11-15 | 금오공과대학교 산학협력단 | Method and system for searching electroencephalography signal using spectrum analysis and vector quantization |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101477222B1 (en) | 2013-03-28 | 2014-12-30 | 한국과학기술원 | The method of epileptic seizure prediction by sensing the change of the relative ratio of EEG (Electroencephalography) frequency components |
KR101602033B1 (en) | 2014-01-13 | 2016-03-09 | 울산대학교 산학협력단 | Apparatus for monitoring patients with epilepsy using the mobile communication terminal and method thereof |
-
2019
- 2019-06-17 KR KR1020190071478A patent/KR102256313B1/en active IP Right Grant
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101675875B1 (en) | 2015-06-12 | 2016-11-15 | 금오공과대학교 산학협력단 | Method and system for searching electroencephalography signal using spectrum analysis and vector quantization |
Also Published As
Publication number | Publication date |
---|---|
KR20200143873A (en) | 2020-12-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Epilepsy seizure prediction on EEG using common spatial pattern and convolutional neural network | |
García-Martínez et al. | A review on nonlinear methods using electroencephalographic recordings for emotion recognition | |
Natu et al. | [Retracted] Review on Epileptic Seizure Prediction: Machine Learning and Deep Learning Approaches | |
KR102256313B1 (en) | Method and apparatus for automatic detection of epileptic seizure waveform based on feature extraction with probabilistic model and machine learning using coefficient in multi-frequency bands from electroencephalogram signals | |
KR102141185B1 (en) | A system of detecting epileptic seizure waveform based on coefficient in multi-frequency bands from electroencephalogram signals, using feature extraction method with probabilistic model and machine learning | |
Martis et al. | Epileptic EEG classification using nonlinear parameters on different frequency bands | |
Alotaibi et al. | Ensemble Machine Learning Based Identification of Pediatric Epilepsy. | |
JP2022536552A (en) | Seizure detection system and method based on changes in electroencephalogram (EEG) nonlinearity | |
US11291413B2 (en) | Systems and methods for linear-time clustering for bounded, repeatable, rare events in physiological signals | |
Azami et al. | Entropy analysis of univariate biomedical signals: Review and comparison of methods | |
Lee et al. | Automated epileptic seizure waveform detection method based on the feature of the mean slope of wavelet coefficient counts using a hidden Markov model and EEG signals | |
JP2023099043A (en) | Systems and methods for seizure detection based on changes in electroencephalogram (eeg) non-linearities | |
US8805484B2 (en) | System, apparatus and method for diagnosing seizures | |
Nagarajan et al. | Scalable machine learning architecture for neonatal seizure detection on ultra-edge devices | |
Shyu et al. | A low complexity estimation method of entropy for real-time seizure detection | |
Sharmila et al. | Detection of epileptic seizure from electroencephalogram signals based on feature ranking and best feature subset using mutual information estimation | |
Khan et al. | Autoregressive features based classification for seizure detection using neural network in scalp Electroencephalogram | |
Bedeeuzzaman et al. | Dispersion measures and entropy for seizure detection | |
Ansari et al. | A review on automated detection of non-convulsive seizures using eeg | |
Asha et al. | Automated seizure detection from multichannel EEG signals using support vector machine and artificial neural networks | |
Übeyli | Probabilistic neural networks combined with wavelet coefficients for analysis of electroencephalogram signals | |
Varnosfaderani et al. | Artifacts Removal Techniques for the European iEEG Dataset | |
Goel et al. | Epileptic seizure prediction and classification based on statistical features using LSTM fully connected neural network | |
Song et al. | Epileptic EEG signal analysis and identification based on nonlinear features | |
Shoka et al. | Fast seizure detection from eeg using machine learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E902 | Notification of reason for refusal | ||
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |