KR101640310B1

KR101640310B1 - 뇌파 분석을 통한 조현병 환자 또는 정신질환 환자의 증상 심각도를 예측하는 방법 및 장치

Info

Publication number: KR101640310B1
Application number: KR1020140120339A
Authority: KR
Inventors: 임창환; 김도원; 이승환
Original assignee: 한양대학교 산학협력단
Priority date: 2014-09-11
Filing date: 2014-09-11
Publication date: 2016-07-18
Anticipated expiration: 2034-09-11
Also published as: KR20160031124A

Abstract

정신질환 환자의 증상 심각도 예측 방법 및 장치가 제시된다. 본 발명에서 제안하는 정신질환 환자의 증상 심각도 예측 방법은 상기 정신질환 환자가 미리 정해진 행동을 수행하는 중에 발생하는 사건유발전위를 이용한 뇌파 분석을 통해 복수의 생체지표들을 획득하는 단계, 상기 복수의 생체지표들 중 상기 예측에 필요한 생체지표들을 선택하는 단계, 상기 선택된 생체지표들을 이용하여 상기 환자의 증상 심각도 예측 모델을 수립하는 단계, 상기 환자의 증상 심각도 예측 모델을 이용하여 상기 환자의 증상 심각도를 예측하는 단계를 포함할 수 있다.

Description

뇌파 분석을 통한 조현병 환자 또는 정신질환 환자의 증상 심각도를 예측하는 방법 및 장치{Method and Apparatus for Estimation of Symptom Severity Scores for Patients with Schizophrenia using Electroencephalogram Analysis}

본 발명은 뇌파 분석을 통하여 조현병 환자의 증상 심각도를 예측하는 방법 및 장치에 관한 것이다.

현재까지의 연구에 따르면 조현병 환자들은 일반인에 비하여 다양한 인지기능의 저하를 보이는 것이 밝혀졌다. 그 중 특징적인 증상 중 하나는 상대방의 얼굴을 보고 어떤 감정의 표정을 짓는지 잘 인식을 못하는, 얼굴감정인식이 저하되는 것이다. 이러한 조현병 환자들의 얼굴감정인식 기능저하는 뇌파에도 반영되는 것으로 밝혀졌다. 예를 들어 얼굴감정인식을 수행하는 과제를 주어주고 사건유발전위(event-related potential)를 측정하였을 때, 얼굴인식과정에서 발생하는 다양한 사건유발전위의 전위에 차이가 있음이 밝혀졌고, 뇌의 다양한 영역의 활동성 (activation) 역시 일반인과 다른 패턴을 가진 다는 것이 보고되었다. 이러한 발견들은 조현병의 기전연구 혹은 특정 정신질환의 객관적인 진단 관련 연구에 이용이 되어 왔다. 이러한 차이를 이용하여 조현병의 증상 심각도를 예측하기 위한 방법을 필요로 한다.

본 발명이 이루고자 하는 기술적 과제는 정신질환 환자가 보이는 뇌파의 특성 중 증세와 상관성이 높은 특성을 이용하여 환자의 증상 심각도를 예측하기 위한 방법 및 장치를 제공하는데 있다. 다시 말해, 환자들의 예후를 객관적이고 정량적으로 평가하기 위한 방법 및 장치를 제공하고자 한다.

일 측면에 있어서, 본 발명에서 제안하는 정신질환 환자의 증상 심각도 예측 방법은 상기 정신질환 환자가 미리 정해진 행동을 수행하는 중에 발생하는 사건유발전위를 이용한 뇌파 분석을 통해 복수의 생체지표들을 획득하는 단계, 상기 복수의 생체지표들 중 상기 예측에 필요한 생체지표들을 선택하는 단계, 상기 선택된 생체지표들을 이용하여 상기 환자의 증상 심각도 예측 모델을 수립하는 단계, 상기 환자의 증상 심각도 예측 모델을 이용하여 상기 환자의 증상 심각도를 예측하는 단계를 포함할 수 있다.

정신질환 환자가 미리 정해진 행동을 수행하는 중에 발생하는 사건유발전위를 이용한 뇌파 분석을 통해 복수의 생체지표들을 획득하는 단계는 상기 환자가 미리 정해진 행동을 수행하는 중에 상기 환자의 뇌파를 측정하여 사건유발전위를 계산을 위한 전처리를 수행하고, 상기 전처리된 뇌파를 이용하여 사건유발전위를 계산할 수 있다.

상기 사건유발전위의 계산은 뇌 전류원 이미징 알고리즘을 이용하여 상기 환자의 머리 표면의 전위 값이 아닌 뇌 피질의 전류원 값을 계산할 수 있다.

상기 뇌 전류원 이미징 알고리즘은 상기 환자의 뇌 회백질을 미리 정해진 크기의 복셀로 일정하게 나누고, 상기 각 복셀의 뇌 전류원 분포 및 증상 심각도와 유의미한 상관관계를 갖는 복셀을 찾을 수 있다.

상기 예측에 필요한 생체지표들은 일반선형모델의 단계적 변수 선택법을 이용하여 선택할 수 있다.

상기 일반선형모델의 단계적 변수 선택법은 상기 획득된 생체지표에서 사건유발전위 값과 복셀들의 전류원 값을 일반선형모델의 독립변수로 대입하고, 상기 환자의 증상 심각도를 예측에 있어서 유의미한 생체지표만을 선택할 수 있다.

상기 환자의 증상 심각도 예측 모델은 양성증상 및 음성증상의 예측을 포함하고, 상기 양성증상 및 음성증상에 따라 복수의 생체지표가 선택될 수 있다.

또 다른 일 측면에 있어서, 본 발명에서 제안하는 정신질환 환자의 증상 심각도 예측 장치는 상기 정신질환 환자가 미리 정해진 행동을 수행하는 중에 발생하는 사건유발전위를 이용한 뇌파 분석을 통해 복수의 생체지표들을 획득하는 생체지표 생성부, 상기 복수의 생체지표들 중 상기 예측에 필요한 생체지표들을 선택하는 생체지표 선택부, 상기 선택된 생체지표들을 이용하여 상기 환자의 증상 심각도 예측 모델을 수립하는 모델링부, 상기 환자의 증상 심각도 예측 모델을 이용하여 상기 환자의 증상 심각도를 예측하는 증상 심각도 예측부를 포함할 수 있다.

상기 생체지표 생성부는 상기 환자가 미리 정해진 행동을 수행하는 중에 상기 환자의 뇌파를 측정하는 측정부, 상기 환자의 사건유발전위를 계산을 위한 전처리를 수행하는 전처리부, 상기 전처리된 뇌파를 이용하여 사건유발전위를 계산하는 계산부를 포함할 수 있다.

상기 계산부는 뇌 전류원 이미징 알고리즘을 이용하여 상기 환자의 머리 표면의 전위 값이 아닌 뇌 피질의 전류원 값을 계산하고, 상기 뇌 전류원 이미징 알고리즘은 상기 환자의 뇌 회백질을 미리 정해진 크기의 복셀로 일정하게 나누고, 상기 각 복셀의 뇌 전류원 분포 및 증상 심각도와 유의미한 상관관계를 갖는 복셀을 찾을 수 있다.

상기 생체지표 선택부는 일반선형모델의 단계적 변수 선택법을 이용하여 상기 예측에 필요한 생체지표들을 선택하고, 상기 일반선형모델의 단계적 변수 선택법은 상기 획득된 생체지표에서 사건유발전위 값과 복셀들의 전류원 값을 일반선형모델의 독립변수로 대입하고, 상기 환자의 증상 심각도를 예측에 있어서 유의미한 생체지표만을 선택할 수 있다.

상기 모델링부는 양성증상 및 음성증상의 예측을 포함하는 환자의 증상 심각도 예측 모델을 생성하고, 상기 양성증상 및 음성증상에 따라 복수의 생체지표를 선택하여 상기 증상 심각도 예측 모델을 생성할 수 있다.

본 발명의 실시예들에 따르면 의사가 환자나 환자의 가족과의 질의를 통하여 주관적으로 평가해오던 종래기술에 따른 증상 심각도의 측정을 정량적인 생체신호 지표를 통하여 객관적으로 평가 할 수 있는 보조수단으로 사용할 있다. 또한, 본 발명과 조현병의 다른 특징적 증상을 반영하는 패러다임을 사용하여 더욱 우수한 예측 모델을 만들 수 있다. 또한, 조현병뿐만 아니라 다른 정신질환의 특징적인 증상을 잘 반영할 수 있는 패러다임을 사용하여 다른 정신질환에도 적용되어 사용 될 수 있다.

도 1은 본 발명의 일 실시예에 따른 정신질환 환자의 증상 심각도 예측 방법을 설명하기 위한 흐름도이다.
도 2는 본 발명의 일 실시예에 따른 각 전극의 4개의 ERP 요소들(P100, N170, N250, and P300)의 그랜드 평균을 나타낸 그래프이다.
도 3은 본 발명의 일 실시예에 따른 평상시의 소스 활성화 및 양성증상 PANSS 심각도 사이에 상관관계를 나타내는 도면이다.
도 4는 본 발명의 일 실시예에 따른 음성증상 심각도 및 P100 소스의 왼쪽 반추상회(left fusiform gyrus) 사이의 역상관 관계를 나타내는 도면이다.
도 5는 본 발명의 일 실시예에 따른 정신질환 환자의 증상 심각도 예측 장치를 나타내는 도면이다.

본 발명은 뇌파 분석을 통하여 조현병 또는 정신질환 환자의 증상 심각도를 예측하는 방법으로써 환자들의 예후를 객관적이고 정량적으로 평가하는데 목적을 가지고 있다. 먼저, 정신질환의 질병마다 서로 다른 행동학적인 이상을 보이는 것을 이용하여 조현병 환자들의 행동학적인 이상이 뇌파에 가장 반영 될 수 있는 패러다임을 작성할 수 있다. 이후, 해당 패러다임을 진행하는 동안 측정된 뇌파에서 사건유발전위, 연결성, 뇌 전류원 이미징 등의 생체지표 후보를 수집할 수 있다. 수집된 생체지표 후보들을 기반으로 환자의 증상 심각도를 가장 잘 예측할 수 있는 생체지표를 선별하고 이를 토대로 만들어진 증상 심각도 예측 모델을 이용하여 조현병의 증상 심각도를 예측할 수 있다.

조현병의 중요 증상 중 하나인 얼굴감정인식 기능을 잘 반영하는 과제를 수행하는 동안 뇌파를 측정할 수 있다. 그리고, 사건 유발 전위와 뇌 전류원 이미징 등 다양한 뇌파 분석 방법을 이용하여 증세를 예측할 수 있는 다양한 생물학적 지표 후보들을 계산할 수 있다. 이 중 환자의 증상 심각도와 상관성이 높은 지표들을 추려낸 후에, 선택된 생물학적 지표를 통하여 역으로 환자의 증상 심각도를 예측할 수 있다. 이하, 본 발명의 실시 예를 첨부된 도면을 참조하여 상세하게 설명한다.

도 1은 본 발명의 일 실시예에 따른 정신질환 환자의 증상 심각도 예측 방법을 설명하기 위한 흐름도이다.

정신질환 환자의 증상 심각도 예측 방법은 상기 정신질환 환자가 미리 정해진 행동을 수행하는 중에 발생하는 사건유발전위를 이용한 뇌파 분석을 통해 복수의 생체지표들을 획득하는 단계(110), 상기 복수의 생체지표들 중 상기 예측에 필요한 생체지표들을 선택하는 단계(120), 상기 선택된 생체지표들을 이용하여 상기 환자의 증상 심각도 예측 모델을 수립하는 단계(130), 상기 환자의 증상 심각도 예측 모델을 이용하여 상기 환자의 증상 심각도를 예측하는 단계(140)를 포함할 수 있다.

단계(110)에서, 상기 정신질환 환자가 미리 정해진 행동을 수행하는 중에 발생하는 사건유발전위를 이용한 뇌파 분석을 통해 복수의 생체지표들을 획득할 수 있다. 이때, 상기 환자가 미리 정해진 행동을 수행하는 중에 상기 환자의 뇌파를 측정하여 사건유발전위를 계산을 위한 전처리를 수행할 수 있다. 그리고, 상기 전처리된 뇌파를 이용하여 사건유발전위를 계산할 수 있다.

일 실시예에 따른 사건유발전위의 계산은 뇌 전류원 이미징 알고리즘을 이용하여 상기 환자의 머리 표면의 전위 값이 아닌 뇌 피질의 전류원 값을 계산할 수 있다. 뇌 전류원 이미징 알고리즘은 먼저, 상기 환자의 뇌 회백질을 미리 정해진 크기의 복셀(voxel)로 일정하게 나눌 수 있다. 그리고, 각 복셀의 뇌 전류원 분포 및 증상 심각도와 유의미한 상관관계를 갖는 복셀을 찾을 수 있다.

예를 들어, 조현병 환자 총 23명이 얼굴감정인식 과제를 수행하는 동안의 뇌파를 측정할 수 있다. 이때, 측정된 뇌파는 1000 Hz로 샘플링 되었고 두피 64개 채널, EOG(electrooculogram) 2채널을 측정할 수 있다. 조현병 환자의 주요 증상인 얼굴감정인식 둔화에 초점을 맞추었다. 환자는 모니터에서 제공되는 3가지 감정(행복, 공포, 무표정)의 얼굴 사진을 보면서 무표정을 제외한 감정적인 얼굴을 보았을 때 오른쪽 엄지를 버튼을 이용하여 반응을 하도록 하였다. 해당 측정은 약 20~30분 정도가 소요되며 측정된 신호 중 무표정 자극을 보았을 때의 뇌파만 이용하여 분석이 진행될 수 있다.

조현병 환자의 증상 심각도를 측정하는 방법은 일 실시예일뿐 이와 유사한 다른 정신질환의 증상 심각도 또한 예측 가능하다. 그리고, 얼굴감정인식 과제를 이용한 뇌파 측정뿐만 아니라, 정신질환의 종류에 따라 적합한 해당 패러다임을 진행하는 동안, 뇌파 측정을 실시하여 증상 심각도를 예측할 수 있다.

얼굴감정인식을 할 때 통상적으로 나타나는 사건유발전위는 P100, N170, N250, P300으로 알려져 있다. 여기에서 측정된 뇌파를 이용하여 사건유발전위를 계산하기 위한 신호의 다양한 전처리가 수행될 수 있다. 이후, 개인 별로 각 사건유발전위의 전위 값을 측정하고, 추후에 증상 심각도를 예측하는 생체지표 후보에 각 사건유발전위의 전위 값이 사용될 수 있다. 측정된 사건유발전위들을 이용하여 전류원 이미징을 통하여 머리의 표면의 전위 값이 아닌 뇌 피질의 전류원 값을 계산할 수 있다.

예를 들어, 뇌 전류원 이미징 알고리즘을 sLORETA(standardized low resolution brain electromagnetic tomography) 방법을 사용하여 계산할 수 있다. 해당 방법은 뇌의 회백질을 5mm x 5mm x 5mm의 정육면체, 다시 말해 복셀로 고르게 나누어 각 위치마다 전류원의 분포를 추정할 수 있다. 구해진 각 복셀의 뇌 전류원 분포와 증상 심각도와 유의미한 상관관계를 갖는 복셀을 찾을 수 있다. 다시 말해, 얼굴감정인식을 수행하고 있을 때 발생하는 뇌 전류원과 환자의 증상 심각도와 상관관계가 있는 뇌의 부위를 찾을 수 있다. 위의 방법으로 찾아진 유의미한 복셀들의 전류원 값도 증상 심각도를 예측하는 생체지표 후보로 사용할 수 있다.

표 1은 조현병 환자들의 양성증상과 음성증상과 유의미한 상관성을 가지는 복셀들과 이들의 상관 정도, 그리고 부위를 나타낸다.

<표 1>

단계(120)에서, 상기 복수의 생체지표들 중 상기 예측에 필요한 생체지표들을 선택할 수 있다. 상기 예측에 필요한 생체지표들은 일반선형모델의 단계적 변수 선택법을 이용하여 선택할 수 있다. 상기 일반선형모델의 단계적 변수 선택법은 획득된 생체지표에서 사건유발전위 값과 복셀들의 전류원 값을 일반선형모델의 독립변수로 대입할 수 있다. 그리고, 상기 환자의 증상 심각도를 예측에 있어서 유의미한 생체지표만을 선택할 수 있다.

단계(130)에서, 상기 선택된 생체지표들을 이용하여 상기 환자의 증상 심각도 예측 모델을 수립할 수 있다. 다시 말해, 환자의 증상 심각도는 생체지표 후보 중에서 일반선형모델의 단계적 변수 선택법에 의하여 선택된 지표들을 사용하여 증상 심각도 예측 모델을 수립할 수 있다. 환자의 증상 심각도 예측 모델은 양성증상 및 음성증상의 예측을 포함할 수 있다. 그리고, 상기 양성증상 및 음성증상에 따라 다른 종류의 복수의 생체지표가 선택될 수 있다.

단계(140)에서, 환자의 증상 심각도 예측 모델을 이용하여 상기 환자의 증상 심각도를 예측할 수 있다. 예를 들어, 환자의 증상 심각도 예측 모델의 검증은 각 증상별로 선택된 유의미한 생체지표들 이용하여 총 23명의 환자 중 한명의 데이터를 돌아가면서 제외하고 남은 22명의 환자의 데이터를 이용하여 일반선형모델의 계수를 구하고 예측된 증상심각도의 오차를 구하는 LOOCV(leave-one-out cross-validation)를 이용할 수 있다. 해당 방법에 의하여 양성증상은 약 3.34점, 음성증상은 약 3.90점의 평균 오차를 가지고 증상 심각도를 우수하게 예측할 수 있었다. 표2는 선택된 생체 지표와 예측된 증상 심각도와 실제 점수간의 오차를 보여준다. 다시 말해, 조현병 환자의 양성증상 및 음성증상을 예측하기 위해 선택된 생체지표를 이용한 환자의 증상 심각도 예측 모델과 검증을 통한 오차율을 나타낸다.

<표 2>

이후, 실시예에 따른 환자의 증상 심각도 예측 모델을 이용한 상기 환자의 증상 심각도를 예측하는 과정을 도 2 내지 도 4를 참조하여 더욱 상세히 설명한다.

실시예에 따른 환자의 증상 심각도 예측 모델을 검증하기 위해 23명의 조현병 환자들이 참여되었다. 모든 참가자들은 안정적이고, 오른손 잡이이고, 보통의 시력을 가지고 있다. 참가자들의 평균 나이는 32.2 ± 10.1 세이고, 11명은 여자이다. 모든 참가자들은 조현병을 진단 받았다. 정신병리학 신드롬(psychopathologic syndromes)에 따른 증상의 심각도를 측정하기 위해, 모든 참가자들은 PANSS를 사용하여 평가되었다. 신경계 원의 활성화는 두 개의 안전도(electrooculography) 채널(VEOG 및 HEOG)을 포함하는 64개의 전극으로부터 기록된 EEG 데이터를 이용하여 평가된다. 288개의 안면 자극은 각 환자에게 랜덤으로 제공되고, 동일한 환자에게 세가지 다른 감정 상태(무표정, 두려움, 및 행복)에 대한 개연성을 찾을 수 있다. 기록된 EEG 신호들은 원하지 않는 신호들을 제거하기 위해 전처리 되고, 얼굴 감정인식과 관련된 것으로 알려진 P100, N170, N250, P300의 4개의 ERP 요소들을 확인하기 위한 평균을 낸다. 각 ERP 요소에 대한 소스 이미지는 각 환자에 대해 sLORETA를 사용하여 재구성될 수 있고, 증상 심각도와 관련 있는 복셀들이 확인되었다. 유의미한 복셀들은 해부학 부위에 기반하여 그룹화되고, 각 그룹에서 최대 상관관계를 갖는 복셀들이 선택된다.

각 환자들의 양성 및 음성 증상 심각도를 예측하기 위해 우리는 일반 선형 모델(GLM: general linear model)에 기반한 예측 모델을 수립할 수 있다. 각 환자들의 복셀의 ERP 크기 및 소스 활동은 회귀 모델에서 독립 변수로 선택된 각 그룹에서 최대 상관 값을 가질 수 있다. PANSS의 양성 및 음성 증상은 회귀 모델에서 종속변수로 사용될 수 있다. 불필요한 또는 관련이 적은 값을 제거하기 위해, 0.05/0.10의 허용오차를 갖는 단계 선택법이 사용되었다.

도 2는 본 발명의 일 실시예에 따른 각 전극의 4개의 ERP 요소들(P100, N170, N250, and P300)의 그랜드 평균을 나타낸 그래프이다. 도 2(a)는 P100 요소를 나타내는 PO7 및 PO8 전극의 그랜드 평균 ERP를 나타내는 도면이다. 도 2(b)는 N170 요소를 나타내는 P7, P8, PO7 및 PO8 전극의 그랜드 평균 ERP를 나타내는 도면이다. 도 2(c)는 N250 요소를 나타내는 F1, F2, FC1, FC2, FC3 및 FC4 전극의 그랜드 평균 ERP를 나타내는 도면이다. 도 2(d)는 P300 요소를 나타내는 F1, F2, FC1 및 FC2 전극의 그랜드 평균 ERP를 나타내는 도면이다.

평균 PANSS 심각도는 양성증상 및 음성증상에 대하여 각각 20.2 ± 7.8 및 18.7 ± 7.4 이다. 각 감정상태의 수용비율은 무표정 73.22 ± 20.98%, 행복한 표정 88.17 ± 16.42%, 및 두려운 표정 87.62 ± 23.15% 이다. 지정된 전극으로부터의 그랜드 평균(Grand averaged) ERP은 도 2에 나타내었고, 4 개의 ERP 요소들에 대한 상세한 크기 및 값과 및 다른 통계 데이터들은 표 3에 나타내었다.

<표 3>

ANOVA 분석은 다른 감정들(neutral, fearful, and happy) 사이에 차이를 갖지 않는 P100 [F(2, 65) = 1.436, p = 0.245], N170 [F(2,66) = 0.073, p = 0.930], 및 P300 [F(2,66) = 0.131, p = 0.878]의 피크 크기(μV) 를 나타낸다. 하지만, N250의 피크 크기는 감정들 사이에 상당한 차이를 보인다[F(2,66) = 3.894, p = 0.025]. 무표정이 행복한 감정보다 피크 크기가 더 큰 것을 찾을 수 있다. [-1.80 ± 0.98 vs. -2.63 ± 1.11, p = 0.048 (Bonferroni corrected)] 무표정에 대한 히트 비율(hit rates)은 73.22 ± 20.97이고, 두려운 얼굴에 대한 비율은 87.62 ± 23.14이고, 행복한 얼굴에 대한 비율은 88.17 ± 16.42로, 상당한 차이를 보여주지 않는다. [F(2,48) = 2.994, p = 0.62].

도 3은 본 발명의 일 실시예에 따른 평상시의 소스 활성화 및 양성증상 PANSS 심각도 사이에 상관관계를 나타내는 도면이다. 도 3(a)는 P100의 소스 활성화 및 양성증상 PANSS 심각도 사이에 상관관계를 나타내는 도면이다. 도 3(b)는 N170의 소스 활성화 및 양성증상 PANSS 심각도 사이에 상관관계를 나타내는 도면이다. 도 3(c)는 N250의 소스 활성화 및 양성증상 PANSS 심각도 사이에 상관관계를 나타내는 도면이다. 같은 ERP 내에서 다른 색상은 그룹(clusters)의 차이를 나타낸다. 예를 들어, 도 3(a)의 310a, 320a, 330a, 340a, 도 3(b)의 310b 및 도 3(c)의 310c는 그룹(clusters)의 차이를 나타낸다.

먼저, 무표정 자극의 PANSS 양성증상 심각도들은 P100 요소의 4 개의 소스 활성화 그룹과 역상관 관계를 가지고 있다(도 3(a) 참조): 아래마루소엽(inferior parietal lobule)(BA 40, r = -0.647), 중심전회(precentral gyrus)(BA 6, r = -0.639), 설전부(precuneus)(BA 31, r = -0.662), 및 섬(insula)(BA 13, r = -0.616). N170 요소에 대한 중전두회(middle frontal gyrus)(BA 10, r = -0.607) 주위(도 3(b) 참조), N250 요소에 대한 내전두회(medial frontal gyrus)(BA10, r = -0.657) 주위(도 3(c) 참조)의 소스 활성화 그룹들 또한 PANSA 양성증상 심각도와 역상관 관계를 보여줄 수 있다. P300 요소의 소스 활성화 및 PANSS 심각도 사이에서는 역상관 관계를 갖지 않는다.

다음으로 두려운 표정 자극의 소스 활성화 및 양성증상 심각도 사이의 의미 있는 관계는 오직 P100 요소에서만 찾아질 수 있다. PANSS 양성증상 심각도는 연상회(supramarginal gyrus)(BA 40, r = -0.625), 중심전회(precentral gyrus)(BA 6, r = -0.616), 아래마루소엽(inferior parietal lobule)(BA 40, r = -0.581), 중축두회(middle temporal gyrus)(BA 37, r = -0.579), 섬(insular)(BA 13, r = -0.595), 중축두회(middle temporal gyrus)(BA37, r = -0.536), 및 설전부(precuneus)(BA 31, r = -0.685)(도 3(a) 참조)를 포함하는 7개의 구분된 그룹과 역상관 관계를 가질 수 있다. 하지만, N170, N250, 또는 P300와 같은 나머지 요소들은 PANSS 심각도와 상관관계를 갖는 어떠한 소스 그룹(source clusters)도 보여주지 않는다.

마지막으로, 행복한 표정 자극의 가장 강한 역 상관관계는 PANSS 양성증상 심각도와 P100 심각도 활성화 사이의 아래마루소엽(inferior parietal lobule)(BA 40, r = -0.664)에서 찾을 수 있다(표 4 참조).

<표 4>

P100 소스 활성화 또한 연상회(supramarginal gyrus)(BA 40, r = -0.593), 상전두회(superior frontal gyrus)(BA 6, r = -0.581), 중전두회(middle frontal gyrus)(BA 9, r = -0.570), 및 설전부(precuneus) (BA 31, r = -0.643) 에서 PANSS 양성증상 심각도와 역상관 관계를 가질 수 있다. 중전두회(middle frontal gyrus)(BA 40, r = -0.591)에서 N170 소스 활성화는 양성증상 심각도와 역상관 관계를 보여준다. N250 및 P300 소스 활성화는 PANSS 양성 심각도와 의미 있는 관계를 보여주지 않는다.

도 4는 본 발명의 일 실시예에 따른 음성증상 심각도 및 P100 소스의 왼쪽 반추상회(left fusiform gyrus) 사이의 역상관 관계를 나타내는 도면이다. 도 4(a)는 조현병 환자가 무표정 자극을 받았을 때 음성증상 심각도 및 P100 소스의 왼쪽 반추상회(left fusiform gyrus) 사이의 역상관 관계를 나타내는 도면이다. 도 4(b)는 두려운 표정 자극을 받았을 때 음성증상 심각도 및 P100 소스의 왼쪽 반추상회(left fusiform gyrus) 사이의 역상관 관계를 나타내는 도면이다. 도 4(c)는 행복한 표정 자극을 받았을 때 음성증상 심각도 및 P100 소스의 왼쪽 반추상회(left fusiform gyrus) 사이의 역상관 관계를 나타내는 도면이다.

먼저, 무표정 표정 자극의 음성증상 심각도는 P100 요소에서 두 개의 소스 그룹(sub-gyral (BA 37, r = -0.702) 및 증측두회(middle temporal gyrus (BA 39, r = -0.693) (도 2(a) 참조)) 및 N250 요소에서 하나의 그룹(middle frontal gyrus (BA 10, r = -0.600) (도 2(b) 참조)) 과 상당한 상관관계를 보여준다. 그리고, N170 또는 P300 요소에서 PANSS 심각도와의 상관관계는 보여지지 않는다.

다음으로, 두려운 표정 자극의 P100의 소스 활성화는 뚜렷한 뇌 영역, 다시 말해 inferior temporal lobule (BA 37, r = -0.532), 아래마루소엽(inferior parietal lobule)(BA 40, r = -0.523), 및 하전두회(inferior frontal gyrus)(BA 9, r = -0.722)(도 4(a) 참조) 에서 강한 역상관 관계를 갖는 것이 보여진다. N170, N250, 또는 P300와 같은 나머지 요소들과 소스 활성화 사이에서 유의미한 상관관계를 찾을 수 없다.

마지막으로, 행복한 표정 자극의 음성증상 심각도들은 환자가 행복한 얼굴을 봤을 때 P100 소스 활성화와 역상관 관계이다. 중측두회(middle temporal gyrus)(BA 39, r = -0.688) 에서 P100 소스 그룹은 PANSS와 강한 역상관 관계가 보여지지만, 다른 영역이나 요소들에 대한 추가적인 관계는 없다.

도 5는 본 발명의 일 실시예에 따른 정신질환 환자의 증상 심각도 예측 장치를 나타내는 도면이다.

정신질환 환자의 증상 심각도 예측 장치(500)는 생체지표 생성부(510), 생체지표 선택부(520), 모델링 부(530), 증상 심각도 예측부(540)를 포함할 수 있다.

생성부(510)는 정신질환 환자가 미리 정해진 행동을 수행하는 중에 발생하는 사건유발전위를 이용한 뇌파 분석을 통해 복수의 생체지표들을 획득할 수 있다. 생성부(510)는 측정부(511), 전처리부(512), 계산부(513)를 포함할 수 있다.

측정부(511)는 환자가 미리 정해진 행동을 수행하는 중에 상기 환자의 뇌파를 측정할 수 있다.

전처리부(512)는 환자의 사건유발전위를 계산을 위한 전처리를 수행할 수 있다.

계산부(513)는 전처리된 뇌파를 이용하여 사건유발전위를 계산할 수 있다. 계산부(513)는 뇌 전류원 이미징 알고리즘을 이용하여 상기 환자의 머리 표면의 전위 값이 아닌 뇌 피질의 전류원 값을 계산할 수 있다. 상기 뇌 전류원 이미징 알고리즘을 수행하기 위해 환자의 뇌 회백질을 미리 정해진 크기의 복셀로 일정하게 나눌 수 있다. 그리고, 각 복셀의 뇌 전류원 분포 및 증상 심각도와 유의미한 상관관계를 갖는 복셀을 찾을 수 있다.

생체지표 선택부(520)는 복수의 생체지표들 중 상기 예측에 필요한 생체지표들을 선택할 수 있다. 생체지표 선택부(520)는 일반선형모델의 단계적 변수 선택법을 이용하여 상기 예측에 필요한 생체지표들을 선택할 수 있다. 상기 일반선형모델의 단계적 변수 선택법은 상기 획득된 생체지표에서 사건유발전위 값과 복셀들의 전류원 값을 일반선형모델의 독립변수로 대입할 수 있다. 그리고, 상기 환자의 증상 심각도를 예측에 있어서 유의미한 생체지표만을 선택할 수 있다.

모델링부(530)는 선택된 생체지표들을 이용하여 상기 환자의 증상 심각도 예측 모델을 수립할 수 있다. 모델링부(530)는 양성증상 및 음성증상의 예측을 포함하는 환자의 증상 심각도 예측 모델을 생성할 수 있다. 그리고, 상기 양성증상 및 음성증상에 따라 복수의 생체지표를 선택하여 상기 증상 심각도 예측 모델을 생성할 수 있다.

증상 심각도 예측부(540)는 환자의 증상 심각도 예측 모델을 이용하여 상기 환자의 증상 심각도를 예측할 수 있다.

이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.

그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims

정신질환 환자의 증상 심각도 예측 방법에 있어서,
상기 정신질환 환자가 미리 정해진 행동을 수행하는 중에 발생하는 사건유발전위를 이용한 뇌파 분석을 통해 복수의 생체지표들을 획득하는 단계;
상기 복수의 생체지표들 중 상기 예측에 필요한 생체지표들을 선택하는 단계;
상기 선택된 생체지표들을 이용하여 상기 환자의 증상 심각도 예측 모델을 수립하는 단계; 및
상기 환자의 증상 심각도 예측 모델을 이용하여 상기 환자의 증상 심각도를 예측하는 단계
를 포함하고,
정신질환 환자의 해당 질병에 따른 행동학적인 이상이 뇌파에 반영되는 패러다임을 작성하여 상기 정신질환 환자가 해당 패러다임을 수행하는 동안 측정된 뇌파에서 사건유발전위, 연결성, 뇌 전류원 이미징을 포함하는 복수의 생체지표들을 획득하고, 획득된 생체지표들을 기반으로 상기 정신질환 환자의 증상 심각도를 예측하는 생체지표들을 선별하여 일반 선형 모델(GLM: general linear model)에 기반한 증상 심각도 예측 모델을 수립하고, 상기 일반 선형 모델을 통해 역으로 정신질환 환자의 증상 심각도를 예측하고,
정신질환 환자가 미리 정해진 행동을 수행하는 중에 발생하는 사건유발전위를 이용한 뇌파 분석을 통해 복수의 생체지표들을 획득하는 단계는,
상기 환자가 미리 정해진 행동을 수행하는 중에 상기 환자의 뇌파를 측정하여 사건유발전위를 계산하기 위한 전처리를 수행하고, 상기 전처리된 뇌파를 이용하여 사건유발전위를 계산하고,
상기 예측에 필요한 생체지표들은 상기 획득된 생체지표에서 사건유발전위 값과 복셀들의 전류원 값을 일반선형모델의 독립변수로 대입하고, 상기 환자의 증상 심각도를 예측에 있어서 증상 심각도와 관련된 생체지표들을 선택하는 단계적 변수 선택법을 이용하여 선택되는
정신질환 환자의 증상 심각도 예측 방법.
삭제
제1항에 있어서,
상기 사건유발전위의 계산은 뇌 전류원 이미징 알고리즘을 이용하여 상기 환자의 머리 표면의 전위 값이 아닌 뇌 피질의 전류원 값을 계산하는
정신질환 환자의 증상 심각도 예측 방법.
제3항에 있어서,
상기 뇌 전류원 이미징 알고리즘은 상기 환자의 뇌 회백질을 미리 정해진 크기의 복셀로 일정하게 나누고, 상기 각 복셀의 뇌 전류원 분포 및 증상 심각도와 유의미한 상관관계를 갖는 복셀을 찾는
정신질환 환자의 증상 심각도 예측 방법.
삭제
삭제
제1항에 있어서,
상기 환자의 증상 심각도 예측 모델은 양성증상 및 음성증상의 예측을 포함하고, 상기 양성증상 및 음성증상에 따라 복수의 생체지표가 선택되는
정신질환 환자의 증상 심각도 예측 방법.
정신질환 환자의 증상 심각도 예측 장치에 있어서,
상기 정신질환 환자가 미리 정해진 행동을 수행하는 중에 발생하는 사건유발전위를 이용한 뇌파 분석을 통해 복수의 생체지표들을 획득하는 생체지표 생성부;
상기 복수의 생체지표들 중 상기 예측에 필요한 생체지표들을 선택하는 생체지표 선택부;
상기 선택된 생체지표들을 이용하여 상기 환자의 증상 심각도 예측 모델을 수립하는 모델링부; 및
상기 환자의 증상 심각도 예측 모델을 이용하여 상기 환자의 증상 심각도를 예측하는 증상 심각도 예측부
를 포함하고,
정신질환 환자의 해당 질병에 따른 행동학적인 이상이 뇌파에 반영되는 패러다임을 작성하여 상기 정신질환 환자가 해당 패러다임을 수행하는 동안 측정된 뇌파에서 사건유발전위, 연결성, 뇌 전류원 이미징을 포함하는 복수의 생체지표들을 획득하고, 획득된 생체지표들을 기반으로 상기 정신질환 환자의 증상 심각도를 예측하는 생체지표들을 선별하여 일반 선형 모델(GLM: general linear model)에 기반한 증상 심각도 예측 모델을 수립하고, 상기 일반 선형 모델을 통해 역으로 정신질환 환자의 증상 심각도를 예측하고,
상기 생체지표 생성부는,
상기 환자가 미리 정해진 행동을 수행하는 중에 상기 환자의 뇌파를 측정하는 측정부;
상기 환자의 사건유발전위를 계산을 위한 전처리를 수행하는 전처리부; 및
상기 전처리된 뇌파를 이용하여 사건유발전위를 계산하는 계산부
를 포함하고,
상기 생체지표 선택부는,
상기 획득된 생체지표에서 사건유발전위 값과 복셀들의 전류원 값을 일반선형모델의 독립변수로 대입하고, 상기 환자의 증상 심각도를 예측에 있어서 증상 심각도와 관련된 생체지표들을 선택하는 단계적 변수 선택법을 이용하여 예측에 필요한 생체지표들을 선택하는
는 정신질환 환자의 증상 심각도 예측 장치.
삭제
제8항에 있어서,
상기 계산부는,
뇌 전류원 이미징 알고리즘을 이용하여 상기 환자의 머리 표면의 전위 값이 아닌 뇌 피질의 전류원 값을 계산하고,
상기 뇌 전류원 이미징 알고리즘은 상기 환자의 뇌 회백질을 미리 정해진 크기의 복셀로 일정하게 나누고, 상기 각 복셀의 뇌 전류원 분포 및 증상 심각도와 유의미한 상관관계를 갖는 복셀을 찾는
정신질환 환자의 증상 심각도 예측 장치.
삭제
제8항에 있어서,
상기 모델링부는,
양성증상 및 음성증상의 예측을 포함하는 환자의 증상 심각도 예측 모델을 생성하고, 상기 양성증상 및 음성증상에 따라 복수의 생체지표를 선택하여 상기 증상 심각도 예측 모델을 생성하는
정신질환 환자의 증상 심각도 예측 장치.