[go: up one dir, main page]

KR101477222B1 - The method of epileptic seizure prediction by sensing the change of the relative ratio of EEG (Electroencephalography) frequency components - Google Patents

The method of epileptic seizure prediction by sensing the change of the relative ratio of EEG (Electroencephalography) frequency components Download PDF

Info

Publication number
KR101477222B1
KR101477222B1 KR1020130033842A KR20130033842A KR101477222B1 KR 101477222 B1 KR101477222 B1 KR 101477222B1 KR 1020130033842 A KR1020130033842 A KR 1020130033842A KR 20130033842 A KR20130033842 A KR 20130033842A KR 101477222 B1 KR101477222 B1 KR 101477222B1
Authority
KR
South Korea
Prior art keywords
eeg signal
band
low
energy
seizure
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
KR1020130033842A
Other languages
Korean (ko)
Other versions
KR20140119315A (en
Inventor
조광현
추현호
정성훈
Original Assignee
한국과학기술원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국과학기술원 filed Critical 한국과학기술원
Priority to KR1020130033842A priority Critical patent/KR101477222B1/en
Publication of KR20140119315A publication Critical patent/KR20140119315A/en
Application granted granted Critical
Publication of KR101477222B1 publication Critical patent/KR101477222B1/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Neurology (AREA)
  • Neurosurgery (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Physiology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

본 발명은, 간질환자의 간질발작을 예측하는 알고리즘에 있어서, 간질발작 발생 이전에 간질발작을 미리 예측하는 방법을 제공한다. 상기 간질발작을 예측하는 방법은 간질환자의 뇌에서 EEG 신호를 측정하는 단계 및 EEG 신호의 주파수 대역별 함량비율을 구하는 단계 및 상기 상대적 주파수 함량비율로부터 간질발작 예측에 적합한 한 개의 채널을 선택하는 단계를 포함하며, 간질발작의 예측은 선택된 주파수 대역별 함량비율의 상대적 변화를 감지함으로써 이루어진다.The present invention provides a method for predicting an epileptic seizure before an epileptic seizure in an algorithm for predicting an epileptic seizure in an epileptic patient. The method of predicting an epileptic seizure includes measuring an EEG signal in a brain of an epileptic patient, calculating a content ratio of the EEG signal in each frequency band, and selecting one channel suitable for predicting epileptic seizure from the relative frequency content ratio And the prediction of an epileptic seizure is accomplished by sensing a relative change in the percentage of content by frequency band selected.

Description

ＥＥＧ (Ｅｌｅｃｔｒｏｅｎｃｅｐｈａｌｏｇｒａｐｈｙ) 신호 주파수의 상대적 비율의 변화 감지에 의한 간질발작 예측방법{The method of epileptic seizure prediction by sensing the change of the relative ratio of EEG (Electroencephalography) frequency components}[0001] The present invention relates to a method for predicting epileptic seizures by detecting a change in the relative ratio of an EEG (Electroencephalography) signal frequency to an electroencephalography (EEG)

본 발명은 간질환자의 뇌에서 측정된 EEG 신호로부터 여러 주파수 대역의 상대적 비율의 변화를 감지하여 간질환자의 간질발작을 미리 예측하는 방법에 관한 것이다.The present invention relates to a method for predicting epileptic seizures in an epileptic patient by detecting a change in the relative ratios of various frequency bands from EEG signals measured in the brain of an epileptic patient.

간질은 뇌질환 중에서 두 번째로 흔한 질병으로서 전 세계 인구의 1%가 이 질병으로 고통을 받고 있다. 간질은 예측이 불가능하고 통제가 안 되는 발작의 발생에 의해 특징 지워지는 질병이다. 이러한 간질발작을 미리 예측하고 통제하기 위해 많은 기법들이 연구되어 왔다. 이러한 대표적인 기법 중 하나는 F. Mormann 등에 의해 발표된 “On the predictability of epileptic seizures”로서 2005년도에 Clinical Neurophysiology: Official Journal of the International Federation of Clinical Neurophysiology에 게재된 것이다. 이 논문에 따르면, 간질발작이 발생하기 전인 전조구간에서, 간질환자의 뇌에서 측정한 EEG 신호의 델타(delta) (0.5-4Hz) 대역 주파수 성분이 다른 모든 대역들의 주파수 성분들에 비해 상대적으로 감소함을 설명하고 있다. 하지만 이 기법만으로는 모든 간질발작들에 대하여 전조구간을 명확히 탐지해내지 못하는 단점이 존재한다.Epilepsy is the second most common disease of brain disease, with 1% of the world's population suffering from it. Epilepsy is a disease characterized by the occurrence of unpredictable and uncontrolled seizures. Many techniques have been studied to predict and control these epileptic seizures in advance. One of these representative techniques has been published in 2005 as "On the predictability of epileptic seizures" published by F. Mormann et al. In Clinical Neurophysiology: The International Federation of Clinical Neurophysiology. According to this article, the delta (0.5-4 Hz) frequency component of the EEG signal measured in the epileptic brain of the epileptic patient before the epileptic seizure is reduced relative to the frequency components of all other bands . However, this technique alone has the disadvantage that it can not clearly detect the precursor zone for all epileptic seizures.

그러므로 간질환자의 뇌에서 측정된 EEG 신호를 바탕으로 하여, 간질발작 예측률이 높고 단순한 알고리즘을 가지는 우수한 간질발작 예측 알고리즘이 절실히 요구된다.Therefore, based on the EEG signal measured in the epileptic patient's brain, there is a desperate need for an excellent epileptic seizure prediction algorithm with a high predictive value for epileptic seizures and a simple algorithm.

본 발명의 목적은 간질환자의 뇌에서 측정된 EEG 신호를 여러 주파수 대역별로 함량 비율을 구한 후, 각 주파수 대역별 함량비율의 변화를 감지하여 간질발작이 일어나기 전에 미리 그 발작의 발생을 예측하는 것이다. 또한, 본 발명의 다른 목적은 상기 목적의 장점을 가지면서도 간질발작 예측을 위한 구조 및 방법을 최대한 간단하고 효율적으로 함으로써 간질발작 예측 알고리즘을 단순화하는 것이다.The purpose of the present invention is to determine the content ratio of the EEG signal measured in the brain of an epileptic patient by various frequency bands and then detect the change of the content ratio of each frequency band to predict occurrence of the seizure before the epileptic seizure occurs . Another object of the present invention is to simplify the prediction algorithm of an epileptic seizure by making the structure and method for predicting epileptic seizures as simple and effective as possible while having the above-mentioned object.

본 발명의 범위가 상술한 과제에 의해 한정되는 것은 아니다.And the scope of the present invention is not limited by the above-described problems.

본 발명은 뇌의 EEG 신호 주파수의 상대적 비율의 변화를 감지하여 간질환자의 간질발작을 미리 예측하는 방법에 관한 것으로서, 예컨대 어떤 신호시스템에서 상태의 전이가 일어날 때, 원신호의 왜곡에 대한 복원율이 느려지는 critical slowing down 개념에서 영감을 받은 것이다. 예컨대 간질환자에게 간질발작이 발생하였을 경우, 간질발작을 미리 예측하여 이에 대비하는 시간을 가질 수 있는 간질발작 예측 알고리즘에 관한 것이다.The present invention relates to a method for predicting the epileptic seizure of a patient with epilepsy by detecting a change in the relative ratio of the EEG signal frequency of the brain to the epileptic seizure. For example, when a state transition occurs in a signal system, It was inspired by the concept of slowing down. For example, an epileptic seizure prediction algorithm capable of predicting an epileptic seizure in advance and having time to prepare for it when an epileptic seizure occurs in a patient with epilepsy.

본 발명에 의한 EEG 신호 주파수의 상대적 비율의 변화 감지에 의한 간질발작 예측 방법은 전체 알고리즘 구성에서 간질환자의 뇌에서 EEG 신호를 측정하는 EEG 신호 측정부, 측정된 EEG 신호를 EEG 신호의 주파수 대역별 상대적 함량비율을 구하는 EEG 신호 가공부, EEG 신호 가공부에서 도출된 상대적 함량비율의 변화에 따라서 간질발작 발생을 예측하는 간질발작 예측부를 포함할 수 있다.The method of predicting the epileptic seizure by detecting the change of the relative ratio of the EEG signal frequency according to the present invention is characterized in that the EEG signal measuring part measures the EEG signal in the brain of the epileptic patient in the whole algorithm configuration, An EEG signal processing unit for obtaining a relative content ratio, and an epileptic seizure predicting unit for predicting occurrence of an epileptic seizure according to a change in the relative content ratio derived from the EEG signal processing unit.

상기 EEG 신호 가공부는, (a) 상기 EEG 신호 측정부로부터 얻어진 정보를 이용하여 고속푸리에변환(FFT, Fast Fourier Transform)을 통해 EEG 신호의 주파수 대역인 델타(delta) (0.5-4Hz), 세타(theta) (4-8Hz), 알파(alpha) (8-12Hz), 저대역 베타(low beta) (12-15Hz), 중대역 베타(mid-range beta) (15-18Hz), 고대역 베타(high beta) (18-30Hz), 및 감마(gamma) (30-128Hz) 대역의 대역별 주파수 성분의 절대적 크기를 구할 수 있다. (b) 델타 대역을 제외한 나머지 대역의 주파수 성분의 절대적 크기를 이용하여 세타, 알파, 저대역 베타 대역의 주파수 성분 크기의 총합과 중대역 베타, 고대역 베타, 감마 대역의 주파수 성분 크기의 총합 간의 상대적 함량비율을 구할 수 있다. (c) 상기 EEG 신호 가공부로부터 얻어진 세타, 알파, 저대역 베타 대역의 주파수 성분 크기와 중대역 베타, 고대역 베타, 감마 대역의 주파수 성분 크기 간의 상대적 함량비율로부터 상기 간질발작 예측부는 상대적 함량비율의 변화를 감지하여 간질발작을 예측할 수 있다.The EEG signal processing unit includes: (a) a delta (0.5-4 Hz) frequency band of an EEG signal (0.5-4 Hz), a theta (0.5 Hz) frequency band through a Fast Fourier Transform (FFT) using information obtained from the EEG signal measurement unit theta (4-8Hz), alpha (8-12Hz), low-beta (12-15Hz), mid-range beta (15-18Hz) high beta) (18-30 Hz), and gamma (30-128 Hz). (b) Using the absolute magnitudes of the frequency components of the remaining bands except for the delta band, the sum of the frequency component sizes of the theta, alpha and low band beta bands and the sum of the frequency components of the middle band beta, high band beta and gamma band Relative content ratio can be obtained. (c) the epileptic seizure predicting unit predicts the relative content ratio between the frequency component sizes of the theta, alpha and low-band beta bands obtained from the EEG signal processing unit and the frequency component sizes of the mid-range beta, high- The epileptic seizure can be predicted.

본 발명에 의하여, 간단한 방법으로 높은 간질발작 예측율을 가질 수 있는 간질발작 예측 알고리즘을 구현하여 간질발작 발생에 따른 위험비용을 사전에 제거할 수 있다.According to the present invention, it is possible to implement a prediction algorithm of an epileptic seizure which can have a high epileptic seizure prediction rate by a simple method, thereby eliminating the risk cost due to the epileptic seizure occurrence.

본 발명에 의하여, 간질환자에게 발생하는 간질발작을 미리 예측하고, 간질환자가 이를 대비하는 시간을 가질 수 있다. According to the present invention, epileptic seizures occurring in patients with epilepsy can be predicted in advance, and the epileptic patients can have time to prepare for them.

또한, 본 발명에 의하여 간질발작 예측을 위한 구조 및 방법을 최대한 간단하고 효율적으로 함으로써 간질발작 예측 알고리즘을 단순화하는 것이다.In addition, the present invention simplifies the algorithm for predicting epilepsy seizures by making the structure and method for predicting seizure seizures as simple and efficient as possible.

본 발명의 범위가 상술한 효과에 의해 제한되는 것은 아니다.The scope of the present invention is not limited by the above-mentioned effects.

도 1은 본 발명에 있어서 간질환자의 뇌에서 간질발작 발생 전후로 여러 채널로부터 측정된 EEG 신호를 나타낸 것이다.
도 2는 본 발명의 일 실시예에 따른 간질환자의 간질발작을 사전에 예측하는 알고리즘의 구조를 개념적으로 나타낸 것이다.
도 3은 본 발명의 일 실시예에 따라 EEG 신호에서 선택된 주파수 대역별 상대적 주파수 함량비율이 구해졌을 경우, 그에 따른 간질발작 예측방법을 설명하기 위한 도면이다.
도 4a 내지 4d는 본 발명의 일 실시예와 비교하기 위한 비교예1를 나타낸 그래프 이다.
도 5a 내지 도 5d는 본 발명의 일 실시예와 비교하기 위한 비교예2를 나타낸 그래프이다.
도 6a 내지 6d는 본 발명의 일 실시예와 비교하기 위한 비교예3를 나타낸 그래프이다.
도 7a 내지 도 7d는 본 발명의 일 실시예와 비교하기 위한 비교예4를 나타낸 것이다.
도 8a 내지 도 8g는 본 발명의 일 실시예에 따른 결과 그래프이다.FIG. 1 shows EEG signals measured from various channels before and after an epileptic seizure in the brain of an epileptic patient according to the present invention.
FIG. 2 conceptually illustrates the structure of an algorithm for predicting epileptic seizures in an epileptic patient according to an embodiment of the present invention.
3 is a diagram for explaining a method for predicting a seizure epilepticus according to an embodiment of the present invention when a relative frequency content ratio is selected for each selected frequency band in an EEG signal.
4A to 4D are graphs showing Comparative Example 1 for comparison with an embodiment of the present invention.
5A to 5D are graphs showing Comparative Example 2 for comparison with an embodiment of the present invention.
6A to 6D are graphs showing Comparative Example 3 for comparison with one embodiment of the present invention.
7A to 7D show Comparative Example 4 for comparison with an embodiment of the present invention.
8A to 8G are graphs of results according to an embodiment of the present invention.

이하, 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 이하에서 사용되는 용어는 단지 특정 실시예를 언급하기 위한 것이며, 본 발명을 한정하는 것을 의도하지 않는다. 또한, 이하에서 사용되는 단수 형태들은 문구들이 이와 명백히 반대의 의미를 나타내지 않는 한 복수 형태들도 포함한다. Hereinafter, embodiments of the present invention will be described in detail with reference to the accompanying drawings, which will be readily apparent to those skilled in the art to which the present invention pertains. The present invention may, however, be embodied in many different forms and should not be construed as limited to the embodiments set forth herein. The terminology used herein is for the purpose of describing particular embodiments only and is not intended to limit the invention. In addition, the singular forms used below include plural forms unless the phrases expressly have the opposite meaning.

도 1은 본 발명에 있어서 간질환자의 뇌에서 간질발작 발생 전후로 여러 채널로부터 측정된 EEG 신호를 나타낸 것이다.FIG. 1 shows EEG signals measured from various channels before and after an epileptic seizure in the brain of an epileptic patient according to the present invention.

도 1의 참조번호 10 내지 23이 가리키는 그래프는 각각 여러 채널로부터 측정된 EEG 신호를 나타낸다. 상기 각 그래프의 가로축은 시간의 흐름을 나타내며, 세로축은 측정된 EEG 신호의 크기를 나타낸다.The graphs indicated by reference numerals 10 to 23 in FIG. 1 represent EEG signals measured from several channels, respectively. The abscissa of each graph represents the flow of time, and the ordinate represents the magnitude of the measured EEG signal.

도 1을 참조하면, 발작간기(Interictal)(101)는 발작이 없는 정상상태의 구간, 발작전기(Preictal)(102)는 발작이 일어나기 전의 전조 현상이 나타나는 구간, 발작기(Ictal)(103)는 간질발작이 발생하고 있는 구간, 발작후기(Postictal)(104)는 간질발작 발생 후 증상이 나타나는 구간, 및 발작시작점(Seizure Onset)(105)은 간질발작의 시작시점을 나타낸다. Referring to FIG. 1, an Interictal 101 is a normal phase without seizure, a Preictal 102 is a period in which a frontal phenomenon occurs before a seizure occurs, an Ictal 103, The epileptic seizure episode, the postictal episode 104, the episode after epileptic seizure, and the Seizure Onset 105 indicate the onset of epileptic seizure.

간질발작이 발생하고 증상이 나타나는 과정을 살펴보면, 발작이 없는 정상상태의 발작간기(101) 구간이 지속되다가, 시점(51)을 기준으로 발작간기(101)가 끝나고 발작전기(102) 구간이 시작되어 단시간 동안 전조 현상이 나타난다. 발작전기(102) 구간에서는 간질환자로부터 외적으로 관찰되는 간질증상은 없지만, 뇌파신호는 비정상상태로 변해있다. 전조 현상이 끝나고 시점(52), 즉 발작시작점(105)을 기준으로 발작전기(102)가 끝나고, 간질발작이 발생하고 있는 발작기(103) 구간이 시작된다. 간질발작이 발생한 후, 시점(53)을 기준으로 발작기(103)가 끝나고 발작후기(104) 구간이 시작된다. 발작후기(104) 구간에서는 간질환자로부터 외적으로 관찰되는 간질증상은 없지만, 뇌파신호는 아직 정상상태로 회복되지 않는다. 상기 측정된 EEG 신호를 이용하여 EEG 신호 가공부에서 주파수 대역별 상대적 함량비율을 구할 수 있다. The seizure period 101 and the seizure period 102 are continued on the basis of the time point 51 and the start of the seizure period 102, And the rolling phenomenon appears for a short time. In epileptic seizures (102), epileptic symptoms are not seen externally from patients with epilepsy, but the EEG signal is in an abnormal state. The epileptic phenomenon ends and the seizure period 102 ends and the epileptic seizure period 103 in which the epileptic seizure occurs is started based on the time point 52, i.e., the seizure start point 105. [ After the epileptic seizure has occurred, the seizure period 103 ends and the late seizure 104 period begins on the basis of the time point 53. In the late phase of seizure (104), there is no epileptic symptom externally observed from the epileptic patient, but the EEG signal has not yet recovered to the normal state. The relative content ratio of each frequency band can be obtained in the EEG signal processing unit using the measured EEG signal.

도 2는 본 발명의 일 실시예에 따른 간질환자의 간질발작을 사전에 예측하는 알고리즘의 구조를 개념적으로 나타낸 것이다.FIG. 2 conceptually illustrates the structure of an algorithm for predicting epileptic seizures in an epileptic patient according to an embodiment of the present invention.

도 2를 참조하면, EEG 신호 주파수의 상대적 비율의 변화 감지에 의한 간질발작 예측 방법은, 전체 알고리즘 구성에서 간질환자의 뇌에서 EEG 신호를 측정하는 EEG 신호 측정부(201), 상기 측정된 EEG 신호를 EEG 신호의 주파수 대역별 상대적 함량비율을 구하는 EEG 신호 가공부(202), 및 상기 EEG 신호 가공부(202)에서 도출된 상대적 함량비율의 변화에 따라서 간질발작 발생을 예측하는 간질발작 예측부(203)를 포함할 수 있다.Referring to FIG. 2, an epileptic seizure predicting method by detecting a change in the relative ratio of the EEG signal frequency includes an EEG signal measuring unit 201 for measuring an EEG signal in the epileptic patient's brain in the entire algorithm configuration, An EEG signal processing unit 202 for obtaining a ratio of the relative content of the EEG signal to each frequency band, and an epileptic seizure predicting unit 202 for predicting occurrence of an epileptic seizure according to a change in the relative content ratio derived from the EEG signal processing unit 202 203).

EEG 신호 측정부(201)는 간질환자의 뇌에서 여러 채널을 통하여 EEG 신호를 측정하도록 되어 있다.The EEG signal measuring unit 201 measures the EEG signal through several channels in the epileptic patient's brain.

EEG 신호 가공부(202)는 상기 측정된 EEG 신호를 이용하여 고속푸리에변환(FFT, Fast Fourier Transform)을 통해 델타 대역을 제외한 나머지 세타, 알파, 저대역 베타, 중대역 베타, 고대역 베타, 감마 대역의 대역별 주파수 성분의 절대적 크기를 구할 수 있다. 상기 주파수 성분의 절대적 크기를 이용하여, 세타, 알파, 저대역 베타 대역의 주파수 성분 크기의 총합과 중대역 베타, 고대역 베타, 감마 대역의 주파수 성분 크기의 총합 간의 상대적 함량비율을 간질환자의 뇌에서 측정된 모든 채널의 EEG 신호에 대하여 구할 수 있다.The EEG signal processing unit 202 performs a Fast Fourier Transform (FFT) using the measured EEG signal, and outputs the remaining theta, alpha, low-band beta, mid-range beta, high- The absolute magnitude of the frequency component of each band of the band can be obtained. Using the absolute magnitude of the frequency component, the ratio of the sum of the frequency component sizes of the theta, alpha and low band beta bands to the sum of the frequency components of the middle band beta, the high band beta and the gamma band, Can be obtained for the EEG signals of all the channels measured at the same time.

본 발명의 일 실시예에서는, 델타, 세타, 알파, 저대역 베타, 중대역 베타, 고대역 베타, 및 감마 신호의 일부 또는 전부를 선택하여 저대역 EEG 신호와 고대역 EEG 신호의 두 그룹으로 분류할 수 있다. 이때 고대역 EEG 신호에 포함된 성분의 주파수는 항상 저대역 EEG 신호에 포함된 성분의 주파수보다 크다. 예컨대, 저대역 EEG 신호에 세타, 알파, 및 저대역 베타 신호를 포함시키고, 고대역 EEG 신호에 중대역 베타, 고대역 베타, 및 감마 신호를 포함시킬 수 있다. 이때, 상기 세타, 알파, 및 저대역 베타 신호 성분의 크기의 총합을 제1 총합(즉, 저대역 EEG 신호의 에너지)으로 지칭할 수 있으며, 중대역 베타, 고대역 베타, 및 감마 신호 성분의 크기의 총합을 제2 총합(즉, 고대역 EEG 신호의 에너지)으로 지칭할 수 있다. 즉, 저대역 EEG 신호의 에너지와 고대역 EEG 신호의 에너지를 분리하여 관찰할 수 있다. In one embodiment of the present invention, some or all of the delta, theta, alpha, low band beta, medium band beta, high band beta, and gamma signals are selected and classified into two groups of low band EEG signals and high band EEG signals can do. At this time, the frequency of the component included in the high-band EEG signal is always larger than the frequency of the component included in the low-band EEG signal. For example, the low-band EEG signal may include theta, alpha, and low-band beta signals, and the high-band EEG signal may include the mid-range beta, high-band beta, and gamma signals. The sum of the sizes of theta, alpha, and low-band beta signal components may be referred to as a first sum (i.e., energy of a low-band EEG signal) The sum of the magnitudes may be referred to as the second sum (i.e., the energy of the highband EEG signal). That is, the energy of the low-band EEG signal and the energy of the high-band EEG signal can be separately observed.

다른 예에서는, 저대역 EEG 신호에 세타 및 알파 신호를 포함시키고, 고대역 EEG 신호에 저대역 베타, 중대역 베타, 고대역 베타, 및 감마 신호를 포함시킬 수 있다. 또 다른 예에서는, 저대역 EEG 신호에 세타, 알파, 저대역 베타, 및 중대역 베타 신호를 포함시키고, 고대역 EEG 신호에 고대역 베타, 및 감마 신호를 포함시킬 수 있다. 또 다른 예에서는, 저대역 EEG 신호에 델타 신호를 포함시키고, 고대역 EEG 신호에 세타, 알파, 저대역 베타, 중대역 베타, 고대역 베타, 및 감마 신호를 포함시킬 수 있다. In another example, the low-band EEG signal may include theta and alpha signals and the high-band EEG signal may include low-band, medium-band, high-band, and gamma signals. In another example, the low-band EEG signal may include theta, alpha, low-band beta, and medium-range beta signals, and the highband EEG signal may include highband beta and gamma signals. In another example, a delta signal may be included in the low-band EEG signal and a high-band EEG signal may include theta, alpha, low-band beta, medium-band beta, highband beta, and gamma signals.

EEG 신호 가공부(202)는 모든 채널의 EEG 신호 각각에 대하여 구해진 상기 제1 총합과 상기 제2 총합 간의 상대적 함량비율로부터 간질발작 예측에 적합한 한 개의 채널을 선택한다. 상기 적합한 채널을 선택하는 기준은 EEG 신호의 발작간기(101), 발작전기(102), 발작기(103), 및 발작후기(104) 구간에서 상기 제1 총합의 제1 함량비율과 상기 제2 총합의 제2 함량비율의 차이가 최대화되는 채널을 찾는 것이다. 예컨대, 도 1에 나타낸 14개의 채널로부터 얻은 14개의 EEG 신호 각각에 대하여 상기 제1 총합과 상기 제2 총합 간의 상대적 함량비율을 구하고, 이 중 함량비율의 크기가 극대화되는 한 개의 채널을 선택할 수 있다. 상기 제1 함량비율과 제2 함량비율의 차이가 최대화되는 채널을 찾음으로써, 발작간기(101), 발작전기(102), 발작기(103), 및 발작후기(104) 구간의 경계를 명확히 하고, 잡음의 영향을 최소화할 수 있다. 상기 상대적 함량비율이 최대화되는 채널을 찾음으로써 얻는 효과를 설명하기 위해서는, 본 발명의 일 실시예를 나타내는 도 8a 내지 도 8g와 본 발명과의 비교예를 나타내는 도 4a 내지 도 4d, 도 5a 내지 도 5d, 도 6a 내지 도 6d, 및 도 7a 내지 도 7d를 참조한다.The EEG signal processing unit 202 selects one channel suitable for predicting epileptic seizure from the relative content ratio between the first total sum and the second total sum obtained for each EEG signal of all channels. The criterion for selecting the appropriate channel is the ratio of the first content of the first total sum to the second content ratio of the EEG signal in the seizure interstitial 101, seizure 102, seizure 103, And to find a channel in which the difference in the second content ratio of the total is maximized. For example, for each of the 14 EEG signals obtained from the 14 channels shown in FIG. 1, a relative content ratio between the first total sum and the second total sum is obtained, and one channel in which the content ratio is maximized can be selected . The boundary between the seizure intervention period 101, seizure period 102, seizure period 103, and seizure seizure 104 is clarified by finding a channel in which the difference between the first content ratio and the second content ratio is maximized , The influence of noise can be minimized. In order to explain the effect obtained by finding the channel in which the relative content ratio is maximized, Figs. 8A to 8G showing an embodiment of the present invention and Figs. 4A to 4D and 5A to 5D showing comparative examples with the present invention 5d, 6a to 6d, and 7a to 7d.

간질발작 예측부(203)는 선택된 채널에서 구해진 상기 제1 총합과 상기 제2 총합 간의 상대적 함량비율로부터 발작전기(102) 구간을 선별해내고, 간질발작 발생경고신호를 출력하도록 할 수 있다. 상기 출력된 간질발작 발생경고신호를 통해 간질발작 발생을 미리 예측하도록 할 수 있다. The epileptic seizure predicting unit 203 may select seizure episodes 102 from the relative content ratio between the first total sum and the second total sum obtained from the selected channel and output an epileptic seizure occurrence warning signal. The occurrence of an epileptic seizure can be predicted in advance through the outputted epileptic seizure occurrence warning signal.

간질발작 예측방법에 대해 더 자세히 설명하기 위해서는, 도 3을 참조한다. For a more detailed description of the method for predicting epileptic seizures, see FIG.

도 3은 본 발명의 일 실시예에 따라 EEG 신호에서 선택된 주파수 대역별 상대적 주파수 함량비율이 구해졌을 경우, 그에 따른 간질발작 예측방법을 설명하기 위한 도면이다.3 is a diagram for explaining a method for predicting a seizure epilepticus according to an embodiment of the present invention when a relative frequency content ratio is selected for each selected frequency band in an EEG signal.

도 3을 참조하면, 본 발명의 일 실시예에 따라, 발작간기(101)와 발작기(103) 구간에서는 제1 총합의 크기(301)가 제2 총합의 크기(302)보다 작으며, 발작전기(102), 발작후기(104) 구간에서는 제1 총합의 크기(301)가 제2 총합의 크기(302)보다 크다. 구간에 따라 변하는 상대적 비율의 특징에 따라, 시점(51)과 시점(52) 사이를 발작전기(102) 구간으로 선별할 수 있으며, 이를 통해 간질발작 발생을 미리 예측할 수 있다.Referring to FIG. 3, according to an embodiment of the present invention, a size 301 of the first total sum is smaller than a size 302 of the second total sum in the seizure period 101 and the seizor 103, The size 301 of the first total sum is larger than the size 302 of the second total sum in the period of the electricity 102 and the period of the seizure 104. [ The epileptic seizure can be predicted in advance through the seizure 102 interval between the time point 51 and the time point 52 according to the characteristics of the relative ratio varying according to the episode.

도 4a 내지 4d는 본 발명의 일 실시예와 비교하기 위한 비교예1를 나타낸 그래프이다.4A to 4D are graphs showing Comparative Example 1 for comparison with an embodiment of the present invention.

도 4a 내지 도 4d에 나타낸 각 그래프의 가로축은 시간축을 나타내며 세로축은 신호의 크기를 나타낸다. 도 4a 내지 도 4d를 참조하면, 도 4a는 EEG 신호의 주파수 대역에서 델타 대역(즉, 저대역 EEG 신호)의 주파수 성분 크기(401)와 델타를 제외한 나머지 세타, 알파, 저대역 베타, 중대역 베타, 고대역 베타, 감마 대역(즉, 고대역 EEG 신호)의 주파수 성분 크기의 총합(402) 간의 상대적 함량비율을 구한 결과 그래프를 나타낸다. 도 4a의 참조번호(40~46)는 각각 상술한 발작시작점을 나타낸다. 그리고 도 4b 내지 도 4d는 각각, 도 4a의 발작시작점(40, 41), 발작시작점(42~45), 및 발작시작점(46)을 포함하는 일부 시구간을 시간축 상에서 확대하여 표시한 것이다. The horizontal axis of each graph shown in FIGS. 4A to 4D represents the time axis, and the vertical axis represents the signal size. 4A through 4D, FIG. 4A illustrates the frequency component size 401 of the delta band (that is, the low-band EEG signal) in the frequency band of the EEG signal and the remaining theta, alpha, low- The ratio of the relative content between the sum of the frequency component sizes 402 of the beta, high-band beta and gamma band (i.e., the high-band EEG signal). Reference numerals 40 to 46 in Fig. 4A indicate the above-described seizure start point, respectively. 4B to 4D are enlarged views of some time periods including the seizure start point 40, 41, seizure start point 42 to 45, and seizure start point 46 of FIG. 4A on the time axis.

도 4a 내지 도 4d에 나타낸 결과를 분석하면, 각각의 발작시작점 전후에 나타난 상기 저대역 EEG 신호의 에너지와 고대역 EEG 신호의 에너지의 비율이 일정한 패턴을 나타내지 않는다. 따라서 도 4a 내지 도 4d와 같은 방식으로 저대역 EEG 신호와 고대역 EEG 신호를 분류하는 경우 상술한 발작전기를 명확하게 정의할 수 없다. 즉, 저대역 EEG 신호에 델타 대역 성분만을 포함시키는 경우 상기 발작전기를 명확하게 정의할 수 없다.4A to 4D, the ratio of the energy of the low-band EEG signal and the energy of the high-band EEG signal appearing before and after each seizure start point does not show a constant pattern. Therefore, when the low-band EEG signal and the high-band EEG signal are classified in the manner as shown in FIGS. 4A to 4D, the above-described seizure can not be clearly defined. That is, if only the delta band component is included in the low-band EEG signal, the seizure can not be clearly defined.

도 5a 내지 도 5d는 본 발명의 일 실시예와 비교하기 위한 비교예2를 나타낸 그래프이다.5A to 5D are graphs showing Comparative Example 2 for comparison with an embodiment of the present invention.

도 5a 내지 도 5d에 나타낸 각 그래프의 가로축은 시간축을 나타내며 세로축은 신호의 크기를 나타낸다. 도 5a 내지 도 5d를 참조하면, 도 5a는 EEG 신호의 주파수 대역 중 델타를 제외한 나머지 6개 대역에서 세타, 알파 대역(즉, 저대역 EEG 신호)의 주파수 성분 크기의 총합(501)과 저대역 베타, 중대역 베타, 고대역 베타, 감마 대역(즉, 고대역 EEG 신호)의 주파수 성분 크기의 총합(502) 간의 상대적 함량비율을 구한 결과 그래프를 나타낸다. 도 5a의 참조번호(40~46)는 각각 상술한 발작시작점을 나타낸다. 그리고 도 5b 내지 도 5d는 각각, 도 5a의 발작시작점(40, 41), 발작시작점(42~45), 및 발작시작점(46)을 포함하는 일부 시구간을 시간축 상에서 확대하여 표시한 것이다. The horizontal axis of each graph shown in FIGS. 5A to 5D represents the time axis, and the vertical axis represents the signal size. 5A through 5D, FIG. 5A illustrates a total sum 501 of frequency components of the theta and alpha bands (that is, a low-band EEG signal) in the remaining six bands excluding the delta among the frequency bands of the EEG signal, (502) of the frequency component sizes of the gamma band (that is, the high-band EEG signal) is plotted. Reference numerals 40 to 46 in FIG. 5A indicate the above-described seizure start point, respectively. 5B to 5D are enlarged views of some time periods including the seizure start point 40, 41, seizure start point 42 to 45, and seizure start point 46 of FIG. 5A on the time axis.

도 5a 내지 도 5d에 나타낸 결과를 분석하면, 각각의 발작시작점 전후에 나타난 상기 저대역 EEG 신호의 에너지와 고대역 EEG 신호의 에너지의 비율이 일정한 패턴이 나타낸다. 따라서 도 5와 같이 상기 델타 대역 성분을 배제한 방식으로 저대역 EEG 신호와 고대역 EEG 신호를 분류하는 경우 상술한 발작전기를 정의할 수 있다. Analysis of the results shown in FIGS. 5A to 5D reveals that the ratio of the energy of the low-band EEG signal and the energy of the high-band EEG signal before and after each seizure start point is constant. Therefore, when the low-band EEG signal and the high-band EEG signal are classified by excluding the delta band component as shown in FIG. 5, the above-described seizure can be defined.

도 6a 내지 6d는 본 발명의 일 실시예와 비교하기 위한 비교예3를 나타낸 그래프이다.6A to 6D are graphs showing Comparative Example 3 for comparison with one embodiment of the present invention.

도 6a 내지 도 6d에 나타낸 각 그래프의 가로축은 시간축을 나타내며 세로축은 신호의 크기를 나타낸다. 도 6a 내지 6d를 참조하면, 도 6a는 EEG 신호의 주파수 대역 중 델타를 제외한 나머지 6개 대역에서 세타, 알파, 저대역 베타, 중대역 베타 대역(즉, 저대역 EEG 신호)의 주파수 성분 크기의 총합(601)과 고대역 베타, 감마 대역(즉, 고대역 EEG 신호)의 주파수 성분 크기의 총합(602) 간의 상대적 함량비율을 구하여 도출한 결과 그래프를 나타낸다. 도 6a의 참조번호(40~46)는 각각 상술한 발작시작점을 나타낸다. 그리고 도 6b 내지 도 6d는 각각, 도 6a의 발작시작점(40, 41), 발작시작점(42~45), 및 발작시작점(46)을 포함하는 일부 시구간을 시간축 상에서 확대하여 표시한 것이다. The horizontal axis of each graph shown in FIGS. 6A to 6D represents the time axis, and the vertical axis represents the signal size. 6A to 6D, FIG. 6A is a graph illustrating the relationship between the frequency components of the frequency components of the theta, alpha, low-band beta, and medium-range beta bands (i.e., low-band EEG signal) And a total content ratio between the sum 601 and the sum of the frequency component sizes 602 of the high-band beta and the gamma band (that is, the high-band EEG signal). Reference numerals 40 to 46 in Fig. 6A indicate the above-described seizure start point, respectively. 6B to 6D are enlarged views of some time periods including the seizure start point 40, 41, seizure start point 42 to 45, and seizure start point 46 of FIG. 6A on the time axis.

도 6a 내지 6d에 나타낸 결과를 분석하면, 각각의 발작시작점 전후에 나타난 상기 저대역 EEG 신호의 에너지와 고대역 EEG 신호의 에너지의 비율이 일정한 패턴이 나타낸다. 따라서 도 5와 같이 상기 델타 대역 성분을 배제한 방식으로 저대역 EEG 신호와 고대역 EEG 신호를 분류하는 경우 상술한 발작전기를 정의할 수 있다. Analysis of the results shown in Figs. 6A to 6D reveals that the ratio of the energy of the low-band EEG signal and the energy of the high-band EEG signal appearing before and after each seizure start point is constant. Therefore, when the low-band EEG signal and the high-band EEG signal are classified by excluding the delta band component as shown in FIG. 5, the above-described seizure can be defined.

도 7a 내지 도 7d는 본 발명의 일 실시예와 비교하기 위한 비교예4를 나타낸 것이다.7A to 7D show Comparative Example 4 for comparison with an embodiment of the present invention.

도 7a 내지 도 7d에 나타낸 각 그래프의 가로축은 시간축을 나타내며 세로축은 신호의 크기를 나타낸다. 도 7a 내지 도 7d를 참조하면, 도 7a는 EEG 신호의 주파수 대역에서 델타, 세타, 알파, 저대역 베타 대역(즉, 저대역 EEG 신호)의 주파수 성분 크기의 총합(701)과 중대역 베타, 고대역 베타, 감마 대역(즉, 고대역 EEG 신호)의 주파수 성분 크기의 총합(702) 간의 상대적 함량비율을 구한 결과 그래프를 나타낸다. 도 7a의 참조번호(40~46)는 각각 상술한 발작시작점을 나타낸다. 그리고 도 7b 내지 도 7d는 각각, 도 7a의 발작시작점(40, 41), 발작시작점(42~45), 및 발작시작점(46)을 포함하는 일부 시구간을 시간축 상에서 확대하여 표시한 것이다. The horizontal axis of each graph shown in FIGS. 7A to 7D represents the time axis, and the vertical axis represents the signal size. 7A to 7D, FIG. 7A shows a sum 701 of frequency component sizes of delta, theta, alpha, and low-band beta bands (i.e., low-band EEG signals) 701 in the frequency band of the EEG signal, (702) of the frequency component magnitudes of the high-band beta, gamma band (i.e., the high-band EEG signal). Reference numerals 40 to 46 in Fig. 7A represent the above-described seizure start point, respectively. 7B to 7D are enlarged views of some time periods including the seizure start point 40, 41, seizure start point 42 to 45, and seizure start point 46 of FIG. 7A on the time axis.

도 7a 내지 도 7d에 따르면, 델타 대역 성분이 오히려 악영향을 미친다는 것을 알 수 있다. 즉, 각각의 발작시작점 전후에 나타난 상기 저대역 EEG 신호의 에너지와 고대역 EEG 신호의 에너지의 비율을 이용하는 방식으로는 상술한 발작전기를 명확하게 정의할 수 없다. 즉, 저대역 EEG 신호에 델타 대역 성분을 함께 포함시키는 경우 상기 발작전기를 명확하게 정의할 수 없다.7A to 7D, it can be seen that the delta band component has rather adverse effects. That is, the above-described seizure can not be clearly defined by a method using the ratio of the energy of the low-band EEG signal and the energy of the high-band EEG signal appearing before and after each seizure start point. That is, when the low-band EEG signal includes the delta band component, the seizure can not be clearly defined.

도 8a 내지 도 8g는 본 발명의 일 실시예에 따른 결과 그래프이다.8A to 8G are graphs of results according to an embodiment of the present invention.

도 8a 내지 도 8d에 나타낸 각 그래프의 가로축은 시간축을 나타내며 세로축은 신호의 크기를 나타낸다. 도 8a 내지 도 8d를 참조하면, 도 8a는 EEG 신호의 주파수 대역 중 델타를 제외한 나머지 6개 대역에서 세타, 알파, 저대역 베타 대역(즉, 저대역 EEG 신호)의 주파수 성분 크기의 총합(801)과 중대역 베타, 고대역 베타, 감마 대역(즉, 고대역 EEG 신호)의 주파수 성분 크기의 총합(802)을 구한 결과 그래프를 나타낸다. 도 8a의 참조번호(40~46)는 각각 상술한 발작시작점을 나타낸다. 그리고 도 8b 내지 도 8d는 각각, 도 8a의 발작시작점(40, 41), 발작시작점(42~45), 및 발작시작점(46)을 포함하는 일부 시구간을 시간축 상에서 확대하여 표시한 것이다. 그리고 도 8e 내지 도 8f는 각각, 도 8b 내지 도 8d의 발작시작점(40, 41), 발작시작점(42, 43), 및 발작시작점(46)을 포함하는 일부 시구간을 시간축 상에서 한 번 더 확대하여 표시한 것이다.The horizontal axis of each graph shown in FIGS. 8A to 8D represents the time axis, and the vertical axis represents the signal size. Referring to FIGS. 8A to 8D, FIG. 8A illustrates a total sum of the frequency component sizes of the theta, alpha, and low-band EEG signals (that is, low-band EEG signals) in the remaining six bands excluding the delta ), And the summation 802 of the frequency component sizes of the mid-range reverse beta, the high-band beta, and the gamma band (i.e., the high-band EEG signal). Reference numerals 40 to 46 in Fig. 8A indicate the above-described seizure start point, respectively. 8B to 8D are enlarged views of some time periods including the seizure start point 40, 41, seizure start point 42 to 45, and seizure start point 46 of FIG. 8A on the time axis. 8A to 8F are diagrams illustrating a method for enlarging a portion of the time period including the seizure start point 40, 41, seizure start point 42, 43 and seizure start point 46 of Figs. 8B to 8D once more on the time axis .

도 8a 내지 도 8g에 나타낸 결과를 분석하면, 각각의 발작시작점 전후에 나타난 상기 저대역 EEG 신호의 에너지와 고대역 EEG 신호의 에너지의 비율의 시간에 따른 패턴은, 발작주기에 대응된다. 따라서 도 8a 내지 도 8g와 같이 상기 델타 대역 성분을 배제한 방식으로 저대역 EEG 신호와 고대역 EEG 신호를 분류하는 경우 상술한 발작전기를 정의할 수 있다. Analysis of the results shown in FIGS. 8A to 8G reveals that the time-dependent pattern of the ratio of the energy of the low-band EEG signal to the energy of the high-band EEG signal appear before and after each seizure start point corresponds to the seizure cycle. Therefore, when the low-band EEG signal and the high-band EEG signal are classified by excluding the delta band component as shown in FIGS. 8A to 8G, the above-described seizure can be defined.

도 4a 내지 도 4d, 도 5a 내지 도 5d, 도 6a 내지 도 6d, 및 도 7a 내지 도 7d과 도 8a 내지 도 8g를 비교하였을 때, 도 8a 내지 도 8g의 실시예에서 가장 명확하게 상기 발작전기를 정의할 수 있음을 알 수 있다.8A to 8G and FIGS. 8A to 8G, it is most clear that the embodiment of FIGS. 8A to 8G, Can be defined.

이하, 본 발명의 일 실시예에 따라 뇌파신호를 분석하는 방법을 설명한다. 이 방법은, 뇌파신호를 획득하는 단계, 및 뇌파신호 중 저대역 뇌파신호의 에너지와 상기 뇌파신호 중 고대역 뇌파신호의 에너지 간의 비율의 시간에 따른 변화를 기초로 간질발작환자의 상태를 검출하는 단계를 포함할 수 있다. 여기서 뇌파신호의 획득은 뇌파신호 탐침을 이용하여 수행할 수 있다. 뇌파신호 탐침은 예컨대, 사람의 머리의 일 지점에 부착되거나 탐침된 전극일 수 있으며, 뇌파신호 탐침은 EEG 신호를 수집할 수 있다. Hereinafter, a method of analyzing an EEG signal according to an embodiment of the present invention will be described. The method comprises the steps of acquiring an EEG signal and detecting the state of the epileptic seizure patient based on the change of the ratio between the energy of the low-band EEG signal and the energy of the high-band EEG signal in the EEG signal, Step < / RTI > Here, acquisition of an EEG signal can be performed using an EEG signal probe. The EEG signal probe may be, for example, an electrode attached or probed at one point on a person's head, and an EEG signal probe may collect the EEG signal.

이때, 상기 저대역 뇌파신호와 상기 고대역 뇌파신호는 모두 델타대역을 포함하지 않을 수 있다. 또한, 상기 저대역 뇌파신호는 세타, 알파, 및 저대역 베타 대역을 포함하며, 상기 고대역 뇌파신호는 중대역 베타, 고대역 베타, 및 감마 대역을 포함할 수 있다.At this time, the low-band EEG signal and the high-band EEG signal may not include a delta band. Also, the low-band EEG signal includes theta, alpha, and low-band beta bands, and the high-band EEG signal may include a middle-band beta, a high-band beta, and a gamma band.

상술한 뇌파신호 분석방법은, 뇌파신호 저장부 및 처리부를 포함하는 장치에서 수행될 수 있다. 상기 뇌파신호 저장부는 상기 뇌파신호 탐침(즉, 뇌파신호 검출부)을 통해 수신된 뇌파신호에 관한 데이터를 상기 처리부에서 처리하기 이전에, 상기 뇌파신호에 관한 데이터를 저장하기 위한 비휘발성 또는 휘발성 메모리일 수 있다.The above-described EEG signal analyzing method may be performed in an apparatus including an EEG signal storing unit and a processing unit. The EEG signal storage unit is a nonvolatile or volatile memory for storing data on the EEG signal before processing the EEG signal received through the EEG signal probe (i.e., the EEG signal detector) .

또한, 본 발명의 다른 실시예에서는 뇌파신호를 필터링하여 저대역 뇌파신호의 에너지와 고대역 뇌파신호의 에너지를 시간에 따라 검출하는 단계, 및 상기 고대역 뇌파신호의 에너지가 상기 저대역 뇌파신호의 에너지보다 작아지기 시작하는 시점에 간질발작 경고신호를 생성하는 단계를 포함하는 간질발작 경고방법을 제공할 수 있다.According to another embodiment of the present invention, there is provided a method of analyzing an EEG signal, the method comprising the steps of: detecting an energy of a low-band EEG signal and energy of a high-band EEG signal by filtering the EEG signal; And generating an epileptic seizure warning signal at a point in time when the epileptic seizure starts to become smaller than the energy.

이때, 도 1 내지 도 8을 통해 살펴보았듯이, 획득된 뇌파신호의 크기는 시간에 따라 빠른 속도로 요동할 수 있다. 따라서, 상기 저대역 뇌파신호의 에너지의 이동평균을 산출하는 단계 및 상기 고대역 뇌파신호의 에너지의 이동평균을 산출하는 단계를 포함함으로써 뇌파신호의 시간에 따른 모양을 부드럽게 만들 수 있다. 이때, 상기 간질발작 경고신호는 상기 저대역 뇌파신호의 에너지의 이동평균이 상기 고대역 뇌파신호의 에너지의 이동평균보다 커지기 시작하는 시점에 생성되도록 할 수 있다.1 through 8, the size of the obtained EEG signal can be swung at a high speed according to time. Accordingly, calculating the moving average of the energy of the low-band EEG signal and calculating the moving average of energy of the high-band EEG signal can smooth the shape of the EEG signal with time. At this time, the epileptic seizure warning signal may be generated at a time when a moving average of energy of the low-band EEG signal starts to become larger than a moving average of energy of the high-band EEG signal.

또한, 본 발명의 또 다른 실시예에서는, 뇌파신호 획득부와 처리부를 포함하는 뇌파신호 분석장치가, 상기 뇌파신호 획득부를 이용하여 뇌파신호를 획득하는 단계, 및 상기 처리부가 상기 획득한 뇌파신호 중 저대역 뇌파신호의 에너지와 고대역 뇌파신호의 에너지 간의 비율의 시간에 따른 변화를 기초로 간질발작환자의 상태를 검출하는 단계를 수행하도록 되어 있는 실행코드가 기록되어 있는 컴퓨터로 읽을 수 있는 저장매체를 제공할 수 있다.According to another embodiment of the present invention, there is provided a method for analyzing an EEG signal including an EEG signal acquisition unit and a processing unit, comprising the steps of: acquiring an EEG signal using the EEG acquisition unit; There is provided a computer readable storage medium having stored thereon executable code for performing a step of detecting a state of a seizure seizure patient based on a change over time of a ratio between energy of a low-band EEG signal and energy of a high- Can be provided.

상술한 본 발명의 실시예들을 이용하여, 본 발명의 기술 분야에 속하는 자들은 본 발명의 본질적인 특성에서 벗어나지 않는 범위 내에 다양한 변경 및 수정을 용이하게 실시할 수 있을 것이다. 특허청구범위의 각 청구항의 내용은 본 명세서를 통해 이해할 수 있는 범위 내에서 인용관계가 없는 다른 청구항에 결합될 수 있다.It will be apparent to those skilled in the art that various modifications and variations can be made in the present invention without departing from the essential characteristics thereof. The contents of each claim in the claims may be combined with other claims without departing from the scope of the claims.

Claims (13)

뇌파신호를 획득하는 단계; 및
뇌파신호 중 고대역 뇌파신호의 에너지에 대한 상기 뇌파신호 중 저대역 뇌파신호의 에너지의 비율이 미리 결정된 값을 초과하게 되면, 간질발작환자가 발작전기에 진입한 것으로 판단하는 단계
를 포함하는,
뇌파신호 분석방법.Acquiring an EEG signal; And
When the ratio of the energy of the low-band EEG signal to the energy of the high-band EEG signal in the EEG signal exceeds a predetermined value, it is determined that the epileptic seizure patient has entered the seizure phase
/ RTI >
EEG signal analysis method. 제1항에 있어서,
상기 저대역 뇌파신호와 상기 고대역 뇌파신호는 모두 델타대역을 포함하지 않는,
뇌파신호 분석방법.The method according to claim 1,
Wherein the low-band EEG signal and the high-band EEG signal do not include a delta band,
EEG signal analysis method. 제1항에 있어서,
상기 저대역 뇌파신호는 세타, 알파, 및 저대역 베타 대역을 포함하며,
상기 고대역 뇌파신호는 중대역 베타, 고대역 베타, 및 감마 대역을 포함하는,
뇌파신호 분석방법.The method according to claim 1,
The low-band EEG signal includes theta, alpha, and low-band beta bands,
Wherein the high-band EEG signal comprises at least one of a medium-range beta, a high-band beta,
EEG signal analysis method. 삭제delete 뇌파신호 저장부 및 처리부를 포함하는 장치로서,
상기 처리부는,
상기 뇌파신호 저장부로부터 뇌파신호를 획득하도록 되어 있고,
상기 뇌파신호 중 고대역 뇌파신호의 에너지에 대한 상기 뇌파신호 중 저대역 뇌파신호의 에너지의 비율이 미리 결정된 값을 초과하게 되면, 간질발작환자가 발작전기에 진입한 것으로 판단하도록 되어 있는,
뇌파신호 분석장치.An apparatus including an EEG signal storage unit and a processing unit,
Wherein,
An EEG signal is acquired from the EEG signal storage unit,
Wherein the epileptic seizure judging unit judges that the epileptic seizure patient has entered the seizure if the ratio of the energy of the low-band EEG signal to the energy of the high-band EEG signal among the EEG signals exceeds a predetermined value,
EEG signal analyzer. 제5항에 있어서,
상기 저대역 뇌파신호와 상기 고대역 뇌파신호는 모두 델타대역을 포함하지 않는,
뇌파신호 분석장치.6. The method of claim 5,
Wherein the low-band EEG signal and the high-band EEG signal do not include a delta band,
EEG signal analyzer. 제6항에 있어서,
상기 저대역 뇌파신호는 세타, 알파, 및 저대역 베타 대역을 포함하며,
상기 고대역 뇌파신호는 중대역 베타, 고대역 베타, 및 감마 대역을 포함하는,
뇌파신호 분석장치.The method according to claim 6,
The low-band EEG signal includes theta, alpha, and low-band beta bands,
Wherein the high-band EEG signal comprises at least one of a medium-range beta, a high-band beta,
EEG signal analyzer. 삭제delete 뇌파신호를 필터링하여 저대역 뇌파신호의 에너지와 고대역 뇌파신호의 에너지를 시간에 따라 검출하는 단계; 및
상기 고대역 뇌파신호의 에너지가 상기 저대역 뇌파신호의 에너지보다 작아지기 시작하는 시점에 간질발작 경고신호를 생성하는 단계
를 포함하는,
간질발작 경고방법. Detecting the energy of the low-band EEG signal and the energy of the high-band EEG signal over time by filtering the EEG signal; And
Generating an epileptic seizure warning signal at a time point when the energy of the high-band EEG signal starts to become smaller than the energy of the low-band EEG signal;
/ RTI >
Epileptic seizure warning method. 제9항에 있어서,
상기 검출하는 단계는, 상기 저대역 뇌파신호의 에너지의 이동평균을 산출하는 단계 및 상기 고대역 뇌파신호의 에너지의 이동평균을 산출하는 단계를 포함하며,
상기 간질발작 경고신호는 상기 저대역 뇌파신호의 에너지의 이동평균이 상기 고대역 뇌파신호의 에너지의 이동평균보다 커지기 시작하는 시점에 생성되는,
간질발작 경고방법.10. The method of claim 9,
Wherein the detecting step includes calculating a moving average of energy of the low-band EEG signal and calculating a moving average of energy of the high-band EEG signal,
Wherein the epileptic seizure warning signal is generated when a moving average of energy of the low-band EEG signal starts to become larger than a moving average of energy of the high-
Epileptic seizure warning method. 뇌파신호 검출부 및 처리부를 포함하는 장치로서,
상기 처리부는,
상기 뇌파신호 검출부로부터 획득된 뇌파신호를 필터링하여 저대역 뇌파신호의 에너지와 고대역 뇌파신호의 에너지를 시간에 따라 검출하도록 되어 있으며,
상기 고대역 뇌파신호의 에너지가 상기 저대역 뇌파신호의 에너지보다 작아지기 시작하는 시점에 간질발작 경고신호를 생성하도록 되어 있는,
간질발작 경고장치. An apparatus including an EEG signal detecting unit and a processing unit,
Wherein,
The EEG signals are filtered to detect the energy of the low-band EEG signal and the energy of the high-band EEG signal with time,
Band EEG signal to generate an epileptic seizure warning signal at a time when the energy of the high-band EEG signal starts to become smaller than the energy of the low-band EEG signal,
Epileptic seizure warning device. 뇌파신호 획득부와 처리부를 포함하는 뇌파신호 분석장치가,
상기 뇌파신호 획득부를 이용하여 뇌파신호를 획득하는 단계; 및
상기 처리부가 상기 획득한 뇌파신호 중 고대역 뇌파신호의 에너지에 대한 저대역 뇌파신호의 에너지의 비율의 미리 결정된 값을 초과하게 되면, 간질발작환자가 발작전기에 진입한 것으로 판단하는 단계
를 수행하도록 되어 있는 실행코드가 기록되어 있는,
컴퓨터로 읽을 수 있는 저장매체.An EEG signal analyzing apparatus including an EEG signal acquisition unit and a processing unit,
Acquiring an EEG signal using the EEG signal acquiring unit; And
When the processing unit exceeds a predetermined value of the ratio of the energy of the low-band EEG signal to the energy of the high-band EEG signal among the acquired EEG signals, it is determined that the seizure seizure patient has entered the seizure
In which the execution code is recorded,
A computer readable storage medium. 제12항에 있어서,
상기 저대역 뇌파신호는 세타, 알파, 및 저대역 베타 대역을 포함하며,
상기 고대역 뇌파신호는 중대역 베타, 고대역 베타, 및 감마 대역을 포함하는,
컴퓨터로 읽을 수 있는 저장매체.13. The method of claim 12,
The low-band EEG signal includes theta, alpha, and low-band beta bands,
Wherein the high-band EEG signal comprises at least one of a medium-range beta, a high-band beta,
A computer readable storage medium.
KR1020130033842A 2013-03-28 2013-03-28 The method of epileptic seizure prediction by sensing the change of the relative ratio of EEG (Electroencephalography) frequency components Active KR101477222B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020130033842A KR101477222B1 (en) 2013-03-28 2013-03-28 The method of epileptic seizure prediction by sensing the change of the relative ratio of EEG (Electroencephalography) frequency components

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020130033842A KR101477222B1 (en) 2013-03-28 2013-03-28 The method of epileptic seizure prediction by sensing the change of the relative ratio of EEG (Electroencephalography) frequency components

Publications (2)

Publication Number Publication Date
KR20140119315A KR20140119315A (en) 2014-10-10
KR101477222B1 true KR101477222B1 (en) 2014-12-30

Family

ID=51991644

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020130033842A Active KR101477222B1 (en) 2013-03-28 2013-03-28 The method of epileptic seizure prediction by sensing the change of the relative ratio of EEG (Electroencephalography) frequency components

Country Status (1)

Country Link
KR (1) KR101477222B1 (en)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020144687A1 (en) * 2019-01-08 2020-07-16 Neuroindex Ltd. Brain activity synchronization
KR20200143873A (en) 2019-06-17 2020-12-28 인하대학교 산학협력단 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
KR20220072649A (en) 2020-11-25 2022-06-02 고려대학교 산학협력단 Apparatus and Method of Seizure Prediction Using Patterns of Functional Connectivity Changes in EEG

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
BR102016016259A2 (en) 2016-07-13 2018-02-06 Gomez & Gomez Ltda Epileptic Outbreak Prediction Method and Device Configured for Epileptic Outbreak Prediction
KR101887182B1 (en) * 2017-01-02 2018-08-09 이화여자대학교 산학협력단 Real time early seizure detection method
KR101978905B1 (en) * 2017-01-24 2019-08-28 이화여자대학교 산학협력단 Early seizure detection method
KR102774639B1 (en) * 2019-11-28 2025-02-27 현대자동차주식회사 Apparatus and method for monitoring epilepsy driver using brain wave
CN114869301A (en) * 2022-04-08 2022-08-09 灵犀云医学科技(北京)有限公司 Method and apparatus for detecting epileptiform discharges
CN116250847B (en) * 2023-03-22 2023-08-01 中国人民解放军东部战区总医院 Brain-computer interaction intelligent epileptic early warning control method suitable for craniocerebral trauma patient

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020055675A1 (en) * 2000-06-07 2002-05-09 New York University Method and system for diagnosing and treating thalamocortical dysrhythmia
KR100425532B1 (en) * 2001-04-19 2004-03-30 학교법인 포항공과대학교 Method and system for predicting epileptic seizures by using non-linear time series analyses of phase patterns

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020055675A1 (en) * 2000-06-07 2002-05-09 New York University Method and system for diagnosing and treating thalamocortical dysrhythmia
KR100425532B1 (en) * 2001-04-19 2004-03-30 학교법인 포항공과대학교 Method and system for predicting epileptic seizures by using non-linear time series analyses of phase patterns

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020144687A1 (en) * 2019-01-08 2020-07-16 Neuroindex Ltd. Brain activity synchronization
KR20200143873A (en) 2019-06-17 2020-12-28 인하대학교 산학협력단 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
KR20220072649A (en) 2020-11-25 2022-06-02 고려대학교 산학협력단 Apparatus and Method of Seizure Prediction Using Patterns of Functional Connectivity Changes in EEG

Also Published As

Publication number Publication date
KR20140119315A (en) 2014-10-10

Similar Documents

Publication Publication Date Title
KR101477222B1 (en) The method of epileptic seizure prediction by sensing the change of the relative ratio of EEG (Electroencephalography) frequency components
Assi et al. Towards accurate prediction of epileptic seizures: A review
Meier et al. Detecting epileptic seizures in long-term human EEG: a new approach to automatic online and real-time detection and classification of polymorphic seizure patterns
Esteller et al. Continuous energy variation during the seizure cycle: towards an on-line accumulated energy
Malinowska et al. Identification of seizure onset zone and preictal state based on characteristics of high frequency oscillations
Sharma et al. Decision support system for focal EEG signals using tunable-Q wavelet transform
Slimen et al. Epileptic seizure prediction based on EEG spikes detection of ictal-preictal states
Page et al. Wearable seizure detection using convolutional neural networks with transfer learning
Ovchinnikov et al. An algorithm for real-time detection of spike-wave discharges in rodents
US8204583B2 (en) System for seizure monitoring and detection
Remakanthakurup Sindhu et al. Trends in the use of automated algorithms for the detection of high‐frequency oscillations associated with human epilepsy
SE532705C2 (en) Apparatus and method for monitoring epileptiform activity
AU2013217991B2 (en) Method for determining the physical and/or psychological state of a subject
BR112019011229A2 (en) seizure semiology including muscle signals collected from electroencephalography electrodes
Altmann et al. Validation of non-REM sleep stage decoding from resting state fMRI using linear support vector machines
KR101535352B1 (en) Measurement of depression depth with frontal lobe brain waves
Shen et al. Epileptic seizure detection for multichannel EEG signals with support vector machines
US9737258B2 (en) Systems and methods for detecting a physiological abnormality in a patient by using cardiac or other chaos in combination with non-increasing parasympathetic modulation
TW201842458A (en) Method for identification of pathological brain activity from scalp electroencephalogram
Zandi et al. Detection of epileptic seizures in scalp electroencephalogram: an automated real-time wavelet-based approach
Krishnan et al. A novel spatiotemporal analysis of peri-ictal spiking to probe the relation of spikes and seizures in epilepsy
Abbaszadeh et al. Probabilistic prediction of Epileptic Seizures using SVM
Thangavel et al. Improving automated diagnosis of epilepsy from EEGs beyond IEDs
Kasprowicz et al. Pattern recognition of overnight intracranial pressure slow waves using morphological features of intracranial pressure pulse
Yoo On predicting epileptic seizures from intracranial electroencephalography

Legal Events

Date Code Title Description
A201 Request for examination
PA0109 Patent application

Patent event code: PA01091R01D

Comment text: Patent Application

Patent event date: 20130328

PA0201 Request for examination
E902 Notification of reason for refusal
PE0902 Notice of grounds for rejection

Comment text: Notification of reason for refusal

Patent event date: 20140429

Patent event code: PE09021S01D

PG1501 Laying open of application
E701 Decision to grant or registration of patent right
PE0701 Decision of registration

Patent event code: PE07011S01D

Comment text: Decision to Grant Registration

Patent event date: 20141219

GRNT Written decision to grant
PR0701 Registration of establishment

Comment text: Registration of Establishment

Patent event date: 20141222

Patent event code: PR07011E01D

PR1002 Payment of registration fee

Payment date: 20141222

End annual number: 3

Start annual number: 1

PG1601 Publication of registration
FPAY Annual fee payment

Payment date: 20171124

Year of fee payment: 4

PR1001 Payment of annual fee

Payment date: 20171124

Start annual number: 4

End annual number: 4

FPAY Annual fee payment

Payment date: 20181203

Year of fee payment: 5

PR1001 Payment of annual fee

Payment date: 20181203

Start annual number: 5

End annual number: 5

FPAY Annual fee payment

Payment date: 20191126

Year of fee payment: 6

PR1001 Payment of annual fee

Payment date: 20191126

Start annual number: 6

End annual number: 6

PR1001 Payment of annual fee

Payment date: 20201201

Start annual number: 7

End annual number: 7

PR1001 Payment of annual fee

Payment date: 20221121

Start annual number: 9

End annual number: 9