[논문]포터블 수면유도 뉴로피드백 시스템 구현을 위한 수면뇌파 상태 분류기 성능 평가

이택

doi:10.15207/jkcs.2018.9.11.083

[국내논문] 포터블 수면유도 뉴로피드백 시스템 구현을 위한 수면뇌파 상태 분류기 성능 평가
Performance evaluation of sleep stage classifier for the sleep-inducing portable neurofeedback system 원문보기

한국융합학회논문지 = Journal of the Korea Convergence Society, v.9 no.11, 2018년, pp.83 - 90

이택 (성신여자대학교 융합보안공학과)

초록
AI-Helper

최근 많은 사람들이 불면증으로 인한 노동력저하, 인지기능저하, 정신질환 증가 등의 불편을 겪고 있다. 이에 대한 해결책은 인지치료나 약물치료가 거의 전부인 수준이나 부작용과 의존성 문제로 인해 장기적으로는 권장되지 않는 방법이다. 따라서 본 논문에서는 수면 유도에 도움이 되는 포터블 뇌파 측정기 기반 뉴로피드백 시스템을 제안한다. 그리고 시스템을 구현하는 데 가장 핵심적인 기능인 뇌파 상태 분류기를 설계하고 평가하며 성능에 영향을 미칠 수 있는 여러 요인들에 대해 최적화된 분류기 모델링 방법을 제시한다. 제안한 분류기를 이용할 시 포터블 뇌파 측정기에서 각성과 수면 단계를 97.9% 정확하게 구분할 수 있었다.

Abstract ▼ AI-Helper

Recently, many people have suffered from insomnia, labor loss, cognitive decline, and mental illness. The solution to this problem is almost entirely cognitive therapy or medication, but it is not recommended in the long term due to side effects and dependency problems. Therefore, in this paper, we propose a neuro feedback system based on portable EEG that helps induce sleeping. We design and evaluate the EEG classifier, which is the most important function to implement the system, and propose an optimized classifier modeling method for various factors that can affect performance. When using the proposed classifier, we could distinguish 97.9% of awakening and sleep phase in portable EEG.

Keyword

표/그림 (8)

그림 Fig. 1. Class labeling of NeuroSky EEG data by referring to the expert labels
표 Table 1. The proposed features for classification
그림 Fig. 2. Performance comparison of the tested learning algorithms
그림 Fig. 3. Contribution of features in classification
그림 Fig. 4. Performance comparison of the different labeling approaches
그림 Fig. 5. Performance in the different window size
그림 Fig. 6. Performance comparison between Embletta and NeuroSky (6 states, 5s window size)
그림 Fig. 7. Performance comparison between Embletta and NeuroSky (2 states, 30s window size)

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

따라서 본 연구에서는 불면증 개선을 위해 뇌기능 조절과 뇌 훈련을 통하여 수면을 유도하는 새로운 패러다 임의 포터블 뇌파 측정기 기반의 뉴로피드백 시스템을 제안한다. 수면 전에 뉴로피드백 훈련을 통해 뇌를 명상 상태로 스스로 조절하도록 훈련함으로 인해 수면을 유도할 수 있는 기술이라 할 수 있다.
제안 시스템을 구현하기 위해 필요한 가장 핵심적인 기능은 피드백 타이밍을 결정하기 위해 수면 진행단계에서 관찰되는 뇌파의 상태(각성/입면/수면)를 실시간으로 분류하는 기술이다. 따라서 본 논문에서는 뇌파 상태 분류기 모델을 기계학습 알고리즘에 기반하여 설계하고 실험을 통해 평가하여 최적화된 모델을 제시하고자 한다.
2의 결과를 통해 표1에서 제안한 13개의 특징이 뇌파 상태를 분류하는 데 있어서 효과적임을 입증하였다.그렇다면 13개의 특징 중에서 어떤 특징이 특히나 뇌파 상태를 분류하는 데 더 높은 기여를 하는가에 대해 살펴 보고자 한다.
수집 데이터의 신뢰성 확보를 위해 전문의료장비를 이용하는 것이 바람직하겠으나 본 연구에서는 수면유도를 위한 포터블 뉴로피드백 시스템을 구현하기 위해 포터블 뇌파측정기(NeuroSky)에 기반하여 뇌파 상태 분류기 모델을 구축하였다.
본 논문에서는 포터블 뇌파측정기를 이용하여 수면 유도에 도움이 되는 뉴로피드백 훈련을 할 수 있는 시스템 아이디어를 제안하였으며, 특히 수면 뇌파 상태 분류기 모델을 설계하고 성능을 검증하여 최적화된 모델을 도출하도록 하였다. 뇌파 상태 분류를 위하여 13가지 특징정보 추출 방법을 제안하였으며, 특징별 기여도를 분석하였고, 뇌파 상태 분류 정확도 평가의 신뢰성 확보를 위해 교차검증을 실시하였다.

가설 설정

어떤 특징이 gain ratio 값이 높으면 분류 기준으로 채택되었을 때 더 많은 인스턴스 변별력을 갖는 것을 의미한다. Fig. 3에서는 비교 시 편의를 위해 특징별 gain ratio 값을 정규화(가장 높은 gain ratio 값을 1로 보정)하였으며, 2 단계 뇌파 상태 클래스 레이블링과 30초 윈도우 사이즈를 가정하였다.
4와 같은 성능 비교 실험을 진행하였다. 지도 학습 알고리즘으로 Random Forest를 사용하였고, 30초 윈도우 사이즈를 가정하였다. 레이블링 단계가 높아지면 성능이 감소하는 것을 확인 할 수 있었으나, 각성 단계에서 입면단계를 구분해야하는 뉴로피드백 시스템에게 필요한 2단계 또는 3단계 레이블링 방식에서는 그래도 상대적으로 훌륭한 성능을 내는 것을 확인할 수 있었다.
윈도우의 사이즈에 따라 노이즈 필터링 효과와 뇌파 특징 안정화 효과가 달라질 수 있으므로 당연히 이는 분류기 성능에 영향을 미치게 된다. 따라서 Fig. 5와 같이 윈도우 사이즈 조건 변환에 따른 분류기 모델의 성능 변화를 실험하였다(단, 2단계 클래스 레이블링 방식 가정).

제안 방법

본 연구에서 제안하는 수면 유도를 위한 뉴로피드백 시스템은 포터블 뇌파 측정기를 통해 일정 시간간격으로 뇌파를 수집하며 기계학습 알고리즘을 통해 뇌파의 수면 진행 상태를 실시간으로 판단하고 분류한다. 분류된 뇌파상태에 따라 입면단계(예: drowsy, shallow sleep)에서 수면에 도움이 되는 소리 자극(예: 물방울 소리, 풀벌레 소리, 심장소리, 화이트 노이즈 등)을 피험자에게 제공하며 피험자는 제공받은 뉴로피드백을 통해 스스로 수면에 진입하는 뇌파를 유도할 수 있는 훈련 기회를 갖게 된다.
따라서 학습을 위해서는 예측하고자 하는 상태 정보(class)와 예측에 사용될 특징정보(feature)가 필요하다. 먼저 전문 의료장비(Embletta[2], multi-channel, wet sensor)와 포터블 장비(NeuroSky[3], single channel, dry sensor)를 피험자에게 동시에 착용케 하여 피험자로부터 EEG 뇌파 데이터를 수집한다. Embletta는 실험실 안에서만 이용할수 있는 다소 복잡한 기기이기 때문에 기계학습을 위한 클래스 정보 획득에만 이용하며, 실제 뉴로피드백 시스템 실행단계에서는 NeuroSky에서 실시간으로 추출되는 EEG 데이터만 이용한다.
객관적이고 신뢰할 수 있는 양질의 클래스 레이블링 데이터를 얻기 위해 Embletta 기기로부터 수집한 EEG 데이터를 수면분석 전문가가 육안으로 판독하여 수면 진행 상태에 따라 6단계(S0 - Eye Open, S1 - Wake, S2 - Arousal, S3 - N1, S4 - N2+N3, S5 - REM)로 상세 레이블링한다. 그러나 2장에서 제안한 뉴로피드백 시스 템을 구현하기 위해서는 2단계 또는 3단계 기반 수면진 행상태 클래스 레이블링이면 충분하다.
그러나 2장에서 제안한 뉴로피드백 시스 템을 구현하기 위해서는 2단계 또는 3단계 기반 수면진 행상태 클래스 레이블링이면 충분하다. 따라서 포터블 기기인 NeuroSky로부터 얻어지는 EEG 데이터를 윈도우 구간별로 각성/수면 2단계 또는 각성/입면/수면 3단계로 구분하도록 한다. 2단계 클래스 레이블링(binary classification)의 경우 기계학습 알고리즘의 클래스 분류 확률 값을 이용하여 확률값이 0에 가까울수록 각성상태로 판단하고 1에 가까울수록 수면 상태로 판단하며, 0.
alpha 파가 줄어들고 delta파가 늘어나는 현상은 수면의 진행을 묘사하는 대표현상이라 할 수 있으므로 이들의 비율을 특징화하였다.
각성 상태에서는 각 뇌파들이 불안정한 모습(진폭이 요동침) 을 보이지만 입면과 숙면 단계에 접어들면 진폭의 편차가 안정화 되는 모습을 보였다. 따라서, 각 뇌파에 대해 관찰 윈도우 구간에서 표준편차를 특징화하였다. alpha 파가 줄어들고 delta파가 늘어나는 현상은 수면의 진행을 묘사하는 대표현상이라 할 수 있으므로 이들의 비율을 특징화하였다.
검증 단계에서 제안 분류기 모델의 성능에 영향을 줄수 있는 다양한 조건들을 테스트하였다. 실험 시 Embletta와 NeuroSky 장비를 동시에 이용하여 12명의 피험자들로부터 EEG 데이터를 수집하였다.
실험 시 Embletta와 NeuroSky 장비를 동시에 이용하여 12명의 피험자들로부터 EEG 데이터를 수집하였다. 피험자들에게 수면을 취할 수 있는 환경을 제공하고 약 1시간반에서 2시간 가량 데이터를 초단위로 수집하였다. 장비의 sampling rate은 Embletta의 경우 500Hz, NeuroSky의 경우 512Hz이었다.
장비의 sampling rate은 Embletta의 경우 500Hz, NeuroSky의 경우 512Hz이었다. 신뢰할 수 있는 클래스 레이블링을 위해 수면분석전문가가 육아으로 수면 상태 판독을 실시 하였다. 기계학습 모델 구축과 성능 평가를 위해 Weka 3.
어떤 지도 학습 알고리즘을 사용하는가에 따라 분류기 모델의 성능이 달라질 수 있다. 따라서 실험을 통해 알고리즘별 성능을 비교 분석하였다. 성능 비교를 위해 서로 특성이 다른 대표적인 지도학습 알고리즘(Naive Bayes, Logistic Regression, Random Forest, SVM)을 선정하였다.
레이블링 방식에 따른 모델 성능 차이를 알아보기 위해 Fig. 4와 같은 성능 비교 실험을 진행하였다. 지도 학습 알고리즘으로 Random Forest를 사용하였고, 30초 윈도우 사이즈를 가정하였다.
윈도우 사이즈를 5초에서 30초까지 변화하며 분류기 모델의 성능을 측정하였다. 과거부터 수면다원검사를 실시할 때 30초 구간으로 뇌파 판독과 기록표를 작성해온 관례[9]에 따라 최대 30초 구간까지 윈도우 사이즈를 변화시켜 보며 실험하였다.
윈도우 사이즈를 5초에서 30초까지 변화하며 분류기 모델의 성능을 측정하였다. 과거부터 수면다원검사를 실시할 때 30초 구간으로 뇌파 판독과 기록표를 작성해온 관례[9]에 따라 최대 30초 구간까지 윈도우 사이즈를 변화시켜 보며 실험하였다. 결과에서 볼 수 있듯이 윈도우 사이즈가 크면 이동평균 효과에 의해 노이즈가 크게 감소하여 분류 모델의 성능이 증가된다.
결론적으로 최적 성능의 분류기를 도출하기 위해서는 첫째, 지도학습 알고 리즘 선택이 중요하며 응용 시 사용자 그룹에 대한 편향 -분산 트레이드오프(Bias-variance tradeoff) 과정이 필요하다. 둘째, 모델링에 모든 가용한 특징들을 포함시키기 보다는 성능 기여에 도움이 되는 최소 조합만을 특징 선택 과정을 통해 선별 적용한다. 셋째, 클래스 레이블링은 저단계 방식을 이용하고 분류기 출력 확률을 이용하여 사용자의 민감도에 맞는 피드백 시점을 결정한다.

대상 데이터

본 논문의 범위는 상기 제안한 뉴로피드백 시스템을 구현하는 데 있어 핵심 기능에 해당하는 뇌파 상태 분류기 구현을 위한 기계학습 모델링으로 한정한다. 시스템 구현은 현재 진행 중이며 향후 연구 주제로 다루고자 한다.
검증 단계에서 제안 분류기 모델의 성능에 영향을 줄수 있는 다양한 조건들을 테스트하였다. 실험 시 Embletta와 NeuroSky 장비를 동시에 이용하여 12명의 피험자들로부터 EEG 데이터를 수집하였다. 피험자들에게 수면을 취할 수 있는 환경을 제공하고 약 1시간반에서 2시간 가량 데이터를 초단위로 수집하였다.

데이터처리

3 툴[7]을 이용하였다. 학습 데이터에 과적합 (overfitting)되는 문제를 막고 모델의 일반화 성능 확보를 위해 10분할 교차검증(10-fold cross validation)을 실시하였다.
본 논문에서는 포터블 뇌파측정기를 이용하여 수면 유도에 도움이 되는 뉴로피드백 훈련을 할 수 있는 시스템 아이디어를 제안하였으며, 특히 수면 뇌파 상태 분류기 모델을 설계하고 성능을 검증하여 최적화된 모델을 도출하도록 하였다. 뇌파 상태 분류를 위하여 13가지 특징정보 추출 방법을 제안하였으며, 특징별 기여도를 분석하였고, 뇌파 상태 분류 정확도 평가의 신뢰성 확보를 위해 교차검증을 실시하였다. 향후에는 본 논문에서 제안한 수면 뇌파 상태 분류기를 더욱 고도화하여 불면증을 겪는 환자의 뉴로피드백 임상 연구에 적용하고자 한다.

이론/모형

본 연구에서는 수면 뇌파 상태 분류기 설계를 위해 지도 학습 알고리즘(supervised learning)을 사용한다. 따라서 학습을 위해서는 예측하고자 하는 상태 정보(class)와 예측에 사용될 특징정보(feature)가 필요하다.
EEG 데이터 수집이 완료되면 푸리에 변환(Fourier transform)을 통해 주파수분석을 시행한다. 본 연구에서는 빠른 성능의 푸리에 변환을 위해 Welch FFT(fast Fourier transform) 기법[4]을 이용한다. 피험자에 따라 데이터 수집 일시에 따라 관찰되는 주파수 파워 절대값 범위가 달라지므로 정규화 전처리 과정을 거친다.
신뢰할 수 있는 클래스 레이블링을 위해 수면분석전문가가 육아으로 수면 상태 판독을 실시 하였다. 기계학습 모델 구축과 성능 평가를 위해 Weka 3.8.3 툴[7]을 이용하였다. 학습 데이터에 과적합 (overfitting)되는 문제를 막고 모델의 일반화 성능 확보를 위해 10분할 교차검증(10-fold cross validation)을 실시하였다.
따라서 실험을 통해 알고리즘별 성능을 비교 분석하였다. 성능 비교를 위해 서로 특성이 다른 대표적인 지도학습 알고리즘(Naive Bayes, Logistic Regression, Random Forest, SVM)을 선정하였다.
2는 해당 알고리즘을 이용하여 뇌파 분류기 모델을 구축하였을 때 교차검증 과정을 거쳐 나온 성능 평가 결과이다. 평가 척도로는 Accuracy, F-Measure, ROC Area를 이용하였다. 척도는 1에 가까울수록 좋은 성능을 의미한다.
3은 각 특징의 상대적인 분류 기여도이다. 기여도 측정을 위해 gain ratio 알고리즘[8]을 이용하였다. Gain ratio 알고리즘은 decision tree 계열 알고리즘에서 특징의 기여도를 측정하는 데 이용된다.

성능/효과

피험자에 따라 데이터 수집 일시에 따라 관찰되는 주파수 파워 절대값 범위가 달라지므로 정규화 전처리 과정을 거친다. 결과 적으로 Delta(0.5~4Hz), Theta(4~7Hz), Alpha(8~12Hz), Sigma(12~16Hz), Beta(12~30Hz) 대역의 주파수 스펙트럼 파워 정보를 얻는다. 이렇게 5가지 주파수 대역을 추출한 이유는 이들이 특히나 수면 단계를 분석하는 데 있어서 관련성이 크다고 알려져 있기 때문이다[5,6]
각성, 입면, 수면 단계에서 두드러지게 관찰되는 주파수 대역의 뇌파 신호에 대해 주어진 윈도우 구간에서 mean을 구하는 이유는 노이즈 필터링과 기기 착용 시 마다 시시각각 변하는 신호 편차를 고려한 대표 베이스라인 값을 특징으로 정하기 위함이다. 각성 상태에서는 각 뇌파들이 불안정한 모습(진폭이 요동침) 을 보이지만 입면과 숙면 단계에 접어들면 진폭의 편차가 안정화 되는 모습을 보였다. 따라서, 각 뇌파에 대해 관찰 윈도우 구간에서 표준편차를 특징화하였다.
특히나 포터블 뇌파측정기를 이용하기 때문에 기기로부터 수집되는 EEG 데이터에 노이즈가 포함될 가능성도 크다. 따라서 특징추출을 하는 데 있어서 시간 축 상에서 특정 길이의 윈도우 내에서 EEG 데이터를 분석함으로서 안정화된 대표값을 추출할 수 있으며 동시에 이동평균(moving average) 과정을 통해 자연스럽게 노이즈 필터링과 유실 신호 보정 효과를 얻을 수 있다.
Fig. 2의 결과를 통해 표1에서 제안한 13개의 특징이 뇌파 상태를 분류하는 데 있어서 효과적임을 입증하였다.그렇다면 13개의 특징 중에서 어떤 특징이 특히나 뇌파 상태를 분류하는 데 더 높은 기여를 하는가에 대해 살펴 보고자 한다.
기여도 결과를 보면 alpha파 특징이 수면상태를 구분 하는데 가장 큰 영향을 미쳤다. 즉, 수면 상태 진행에 따라 alpha파의 증감이 가장 뚜렷하게 관찰되었다고 할 수있다.
즉, 수면 상태 진행에 따라 alpha파의 증감이 가장 뚜렷하게 관찰되었다고 할 수있다. 다음으로 alpha파와 delta파 또는 alpha파와 theta 파의 비율이 가장 영향력 있는 특징이었다. 즉, 실험 과정 에서 입면 단계가 진행될 수록 alpha파가 줄고 delta파가 증가하는 현상 또는 alpha파가 줄고 theta파가 증가하는 현상이 확연하게 나타났다는 의미로 해석된다.
다음으로 alpha파와 delta파 또는 alpha파와 theta 파의 비율이 가장 영향력 있는 특징이었다. 즉, 실험 과정 에서 입면 단계가 진행될 수록 alpha파가 줄고 delta파가 증가하는 현상 또는 alpha파가 줄고 theta파가 증가하는 현상이 확연하게 나타났다는 의미로 해석된다. 반면에 delta파에 관한 특징은 상대적으로 분류 공헌도가 높지않았다.
지도 학습 알고리즘으로 Random Forest를 사용하였고, 30초 윈도우 사이즈를 가정하였다. 레이블링 단계가 높아지면 성능이 감소하는 것을 확인 할 수 있었으나, 각성 단계에서 입면단계를 구분해야하는 뉴로피드백 시스템에게 필요한 2단계 또는 3단계 레이블링 방식에서는 그래도 상대적으로 훌륭한 성능을 내는 것을 확인할 수 있었다.
과거부터 수면다원검사를 실시할 때 30초 구간으로 뇌파 판독과 기록표를 작성해온 관례[9]에 따라 최대 30초 구간까지 윈도우 사이즈를 변화시켜 보며 실험하였다. 결과에서 볼 수 있듯이 윈도우 사이즈가 크면 이동평균 효과에 의해 노이즈가 크게 감소하여 분류 모델의 성능이 증가된다. 반면 윈도우 사이 즈가 작아지면 이동평균 효과가 떨어져 분류기가 노이즈에 취약하게 되며, 학습용 데이터 인스턴스들 사이에서 특징정보의 변별력이 떨어져 결국 성능이 감소하게 된다.
6에서와 같이 성능을 내기 어려운 악조건 상황에서는 Embletta와 NeuroSky의 성능차가더 벌어지는 것을 확인하였다. 그러나, 본 연구에서 포터블 기기 기반 뉴로피드백 시스템을 구현하기 위해서는 6 단계 레이블링과 5초 윈도우 사이즈의 실행 조건은 현실 적이지 않은 과한 조건이며 오히려 Fig. 7의 실행 조건이본 연구의 응용 목적에 더 가까운 조건이므로 NeuroSky 장비를 이용한 뉴로피드백 시스템 구현이 충분히 가능성이 있다고 판단 된다.
둘째, 모델링에 모든 가용한 특징들을 포함시키기 보다는 성능 기여에 도움이 되는 최소 조합만을 특징 선택 과정을 통해 선별 적용한다. 셋째, 클래스 레이블링은 저단계 방식을 이용하고 분류기 출력 확률을 이용하여 사용자의 민감도에 맞는 피드백 시점을 결정한다. 넷째, 고성능을 위해 윈도우 사이즈를 대략 10초이상으로 설정(Fig.
셋째, 클래스 레이블링은 저단계 방식을 이용하고 분류기 출력 확률을 이용하여 사용자의 민감도에 맞는 피드백 시점을 결정한다. 넷째, 고성능을 위해 윈도우 사이즈를 대략 10초이상으로 설정(Fig. 5 참고) 하되 사용자의 피드백 반응 시간을 고려하여 분류기 확률 임계점을 0.5에서 높거나 낮게 적절히 조절한다.

후속연구

본 논문의 범위는 상기 제안한 뉴로피드백 시스템을 구현하는 데 있어 핵심 기능에 해당하는 뇌파 상태 분류기 구현을 위한 기계학습 모델링으로 한정한다. 시스템 구현은 현재 진행 중이며 향후 연구 주제로 다루고자 한다.
5의 민감도 분석 결과를 이용하여 적절한 윈도우 사이즈를 정할 필요가 있다. 향후에는 실제 시스템 응용 환경에서 여러 번 반복실험하여 적절히 윈도우 사이즈를 튜닝하는 trade-off 과정이 필요할 것이다.
따라서 이 같은 요소들의 영향도를 4 장에서 실험을 통하여 분석하였다. 결론적으로 최적 성능의 분류기를 도출하기 위해서는 첫째, 지도학습 알고 리즘 선택이 중요하며 응용 시 사용자 그룹에 대한 편향 -분산 트레이드오프(Bias-variance tradeoff) 과정이 필요하다. 둘째, 모델링에 모든 가용한 특징들을 포함시키기 보다는 성능 기여에 도움이 되는 최소 조합만을 특징 선택 과정을 통해 선별 적용한다.
다채널 전문 뇌파측정기(8채널 락싸 제품 PolyG-I)를 이용하였고 교차검증을 실시하지 않았기 때문에 해당 기술을 포터블 뉴로피드백 시스템에 응용하기 위해서는 추가 검증이 필요할 것으로 보인다.
베타파를 줄이고 시그마파를 유지하는 경우 편안한 음악 재생이라는 보상을 제공하는 방식을 취한다. 그러나 해당 연구는 수면 뇌파 분류 자동화 기술을 제안하는 것이 아니라 실험실 내에서 다채널의 전문 뇌파측정 기기(Procomp 5)를 이용하여 뉴로피드백 훈련 프로토콜의 효과성을 검증하기 위한 연구로서 개인차가 있는 뇌파 특성에 유연하게 기계학습 하는 포터블 뉴로피드백 시스템 구현에 활용하기 힘들다.이밖에 졸음 감지에 관한 관련 연구로 눈의 움직임이나 깜빡거림 현상, 동공의 크기 변화, 눈의 응시방향, 얼굴 표정 등을 이미지 인식을 통해 졸음 탐지하는 연구[14], 스트레스와 말초체온과의 상관관계를 분석하는 연구 [15], 졸음 현상이 올 때 심박수의 변화에 대한 분석 연구 [16], 피부 임피던스 신호분석[17] 등에 관한 연구가 있었 으나 이는 뇌파 분석 기반 수면상태 분류에 보조적인 특징으로 사용될 수 있으리라 본다.
뇌파 상태 분류를 위하여 13가지 특징정보 추출 방법을 제안하였으며, 특징별 기여도를 분석하였고, 뇌파 상태 분류 정확도 평가의 신뢰성 확보를 위해 교차검증을 실시하였다. 향후에는 본 논문에서 제안한 수면 뇌파 상태 분류기를 더욱 고도화하여 불면증을 겪는 환자의 뉴로피드백 임상 연구에 적용하고자 한다.

질의응답

핵심어	질문	논문에서 추출한 답변
	불면증 치료의 문제점은 무엇인가?	불면증으로 인한 노동력저하, 인지기 능저하와 수반되는 사고 및 산업재해, 의료이용증가, 다른 신체 및 정신질환 발생의 증가 등을 고려하면 그 사회적 비용은 천문학적인 수준임을 짐작 할 수 있다. 하지만 이처럼 많은 사람들이 겪는 수면 문제에 비해 이에 대한 해결책은 인지치료나 약물치료가 거의 전부인 수준으로 특히 약물치료는 의존성 문제가 심각하며 자연스런 수면 각성주기를 해치기 때문에 수면장애의 해결책이 되기 어려운 실정이다.
	뉴로피드백 시스템이란 무엇인가?	따라서 본 연구에서는 불면증 개선을 위해 뇌기능 조절과 뇌 훈련을 통하여 수면을 유도하는 새로운 패러다 임의 포터블 뇌파 측정기 기반의 뉴로피드백 시스템을 제안한다. 수면 전에 뉴로피드백 훈련을 통해 뇌를 명상 상태로 스스로 조절하도록 훈련함으로 인해 수면을 유도할 수 있는 기술이라 할 수 있다.
	뉴로피드백 시스템으로 뇌파를 분류한 이후의 과정은 무엇인가?	본 연구에서 제안하는 수면 유도를 위한 뉴로피드백 시스템은 포터블 뇌파 측정기를 통해 일정 시간간격으로 뇌파를 수집하며 기계학습 알고리즘을 통해 뇌파의 수면 진행 상태를 실시간으로 판단하고 분류한다. 분류된 뇌파상태에 따라 입면단계(예: drowsy, shallow sleep)에서 수면에 도움이 되는 소리 자극(예: 물방울 소리, 풀벌레 소리, 심장소리, 화이트 노이즈 등)을 피험자에게 제공하며 피험자는 제공받은 뉴로피드백을 통해 스스로 수면에 진입하는 뇌파를 유도할 수 있는 훈련 기회를 갖게 된다.이 과정에서 포터블 뇌파 측정기를 사람이 직접 착용하고 잠을 자기 때문에 겉으로는 잠을 청하는 것처럼 보이 지만 잠을 청한다기 보다는 뇌 이완을 하는 것이라 할 수있다.

참고문헌 (17)

Yonhapnews. (2017. 7. 12). 'Stress republic' ... "540,000 people are insomnia". www.yonhapnews.co.kr/bulletin/2017/07/11/0200000000AKR20170711142900017.HTML
Embla Systems, Inc. (2010). EmblettaX100.carestreammedical.com/wp-content/uploads/Carestream-Embla-Embletta-X100.pdf
NeuroSky (2018). NeuroSky Mindwave. www.neurosky.com
Welch. P. (1967). The use of Fast Fourier Transform for the estimation of power spectra: A method based on time averaging over short, modified periodograms. IEEE Transactions on Audio and Electroacoustics, AU-15 (2):70-73
Wolpert. E. (1969). A manual of standardized terminology, techniques and scoring system for sleep stages of human subjects. Archives of General Psychiatry, 20(2), 246.
R. Agarwal & G. Jean. (2001). Computer-assisted sleep staging. IEEE Transactions on Biomedical Engineering, 48(12), 1412-1423.

상세보기
Weka 3 (2018). Data mining software in Java. www.cs.waikato.ac.nz/ml/weka/
E. Alpaydin. (2010). Introduction to Machine Learning, 2nd ed. Cambridge, MA, USA: The MIT Press.
A. Rechtschaffen & A. Kales. (1968). A manual of standardized terminology, techniques and scoring system of sleep stages in human subjects. Los Angeles: Brain Information Service/Brain Research Institute, University of California.
J. H. Jang, S. Y. Cho & B. Y. Kim. (2002). Automatic sleep stage scoring using single-channel EEG signal. Korean Journal of Brain Science and Technology, 2(2), 129-135.
J. E. Lee & S. K. Yoo. (2013). The design of feature selecting algorithm for sleep stage analysis. Journal of The Institute of Electronics Engineers of Korea, 50(10).
H. S. Han & U. P. Chong. (2012). Electroencephalogrambased driver drowsiness detection system using AR coefficients and SVM. Journal of Korean Institute of Intelligence Systems, 22(6).
J. E. Jeon & S. W. Choi. (2017). Insomnia treatment using neurofeedback: EEG beta decrease protocol. Korean Journal of Clinical Psychology, 36(3), 351-368.
Y. H. Joo, J. K. Kim & I. H. Ra. (2008). Intelligent drowsiness drive warning system. Journal of Korean Institute of Intelligent Systems, 18(2), 223-229.

원문보기 상세보기
H. Kataoka, H. Yoshida, A. Saijo, M. Yasuda & M. Osumi. (1998). Development of a skin temperature measuring system for non-contact stress evaluation. Proceedings of the 20th Annual International Conference of the IEEE Engineering in Medicine and Biology Society, 2, 940-943.
A. Bunde, S. Havlin, J. Kantelhardt, T. Penzel, J. Peter & K. Voigt. (2000). Correlated and uncorrelated regions in heart-rate fluctuations during sleep. Phys. Rev. Lett, 8(85), 3736-3739.
Y. B. Lee & M. H. Lee. (2007). Automobile system for drowsiness accident detection using EDA signal analysis. The Transactions of KIEE, 56(2), 227-450.

활용도 분석정보

상세보기

다운로드

내보내기

활용도 Top5 논문

해당 논문의 주제분야에서 활용도가 높은 상위 5개 콘텐츠를 보여줍니다.
더보기 버튼을 클릭하시면 더 많은 관련자료를 살펴볼 수 있습니다.

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증