| 1 |
1
패턴 분류 장치의 기계 학습을 위해 미리 패턴의 범주가 분류된 복수개의 뇌 상태 신호를 획득하는 뇌 상태 신호 획득부; 상기 복수개의 뇌 상태 신호 각각에서 복수개의 특징점을 추출하여 복수개의 특징 벡터를 획득하는 특징점 추출부; 상기 복수개의 특징 벡터 각각에서 각 특징 벡터에 포함된 특징점들의 평균을 차감하여 부유잡음을 제거하는 정규화부; SVM 분류 기법을 이용하여 상기 복수개의 특징 벡터 각각에 대해 최대의 여백을 갖는 적어도 하나의 선형 판별 함수를 적어도 하나의 분류기로서 획득하고, 획득된 상기 적어도 하나의 분류기에 상기 복수개의 특징 벡터를 대입하여 분류기 출력값을 계산하는 SVM 분류부; 적어도 하나의 상기 분류기 출력값에서 시계열적 부유 잡음을 제거하는 출력 보정부; 및 상기 출력 보정부에 의해 보정된 상기 분류기 출력값을 분석하여 상기 뇌 상태 신호의 패턴을 대응하는 범주로 분류하는 분류 판별부; 를 포함하는 fMRI의 패턴 분류 장치
|
| 2 |
2
제1 항에 있어서, 상기 SVM 분류부는 분류할 상기 범주의 개수에 대응하는 개수로 상기 선형 판별 함수를 획득하고, 상기 분류할 범주의 개수가 복수개이면, 일대 나머지 접근법을 이용하여 복수개의 상기 선형 판별 함수를 획득하는 것을 특징으로 하는 fMRI의 패턴 분류 장치
|
| 3 |
3
제2 항에 있어서, 상기 분류 판별부는 상기 분류할 범주의 개수가 복수개이면, 복수개의 보정된 상기 분류기 출력값을 비교하여, 최대값을 갖는 상기 분류기 출력값을 분석하고, 상기 최대값을 갖는 분류기 출력값에 대응하는 분류기에 대응하는 범주로 상기 뇌 상태 신호의 패턴을 분류하는 것을 특징으로 하는 fMRI의 패턴 분류 장치
|
| 4 |
4
제1 항에 있어서, 상기 출력 보정부는 상기 적어도 하나의 분류기 출력값 각각에 대해 최소 제곱법을 이용하여 기울기 및 옵셋을 획득하고, 획득된 상기 기울기와 상기 옵셋을 이용하여 상기 시계열적 부유 잡음을 탐색하며, 상기 분류기 출력값에서 탐색된 상기 시계열적 부유 잡음을 차감하여 제거하는 것을 특징으로 하는 fMRI의 패턴 분류 장치
|
| 5 |
5
제1 항에 있어서, 상기 특징점 추출부는 기설정된 뇌구조 영상을 기설정된 영역별로 분할하고, 상기 분할된 영역의 영상을 상기 뇌 상태 신호와 정합하며, 정합된 상기 영상을 마스크로 이용하여 상기 뇌 상태 신호의 특징점들을 추출하는 것을 특징으로 하는 fMRI의 패턴 분류 장치
|
| 6 |
6
제1 항에 있어서, 상기 fMRI의 패턴 분류 장치는 상기 뇌 상태 신호 획득부가 획득한 상기 복수개의 뇌 상태 신호에 대해 공간 정렬 및 평활화하여 상기 특징점 추출부로 전송하는 전처리부; 를 더 포함하는 것을 특징으로 하는 fMRI의 패턴 분류 장치
|
| 7 |
7
뇌 상태 신호 획득부, 특징점 추출부, 정규화부, SVM 분류부, 출력 보정부 및 분류 판별부를 포함하는 fMRI의 패턴 분류 장치의 fMRI의 패턴 분류 방법에 있어서, 상기 뇌 상태 신호 획득부가 패턴 분류 장치의 기계 학습을 위해 미리 패턴의 범주가 분류된 복수개의 뇌 상태 신호를 획득하는 단계; 상기 특징점 추출부가 상기 복수개의 뇌 상태 신호 각각에서 복수개의 특징점을 추출하여 복수개의 특징 벡터를 획득하는 단계; 상기 정규화부가 상기 복수개의 특징 벡터 각각에서 각 특징 벡터에 포함된 특징점들의 평균을 차감하여 부유잡음을 제거함으로써 정규화하는 단계; 상기 SVM 분류부가 SVM 분류 기법을 이용하여 상기 복수개의 특징 벡터 각각에 대해 최대의 여백을 갖는 적어도 하나의 선형 판별 함수를 적어도 하나의 분류기로서 획득하는 단계; 상기 SVM 분류부가 획득된 상기 적어도 하나의 분류기에 상기 복수개의 특징 벡터를 대입하여 분류기 출력값을 계산하는 단계; 상기 출력 보정부가 적어도 하나의 상기 분류기 출력값에서 시계열적 부유 잡음을 제거하여 상기 분류기 출력값을 보정하는 단계; 및 상기 분류 보정된 상기 분류기 출력값을 분석하여 상기 뇌 상태 신호의 패턴을 대응하는 범주로 분류하는 단계; 를 포함하는 fMRI의 패턴 분류 방법
|
| 8 |
8
제7 항에 있어서, 상기 특징 벡터를 획득하는 단계는 기설정된 뇌구조 영상을 기설정된 영역별로 분할하는 단계; 상기 분할된 영역의 영상을 상기 뇌 상태 신호와 정합하는 단계; 정합된 상기 영상을 마스크로 이용하여 상기 뇌 상태 신호의 특징점들을 추출하는 단계; 기설정된 탐지 알고리즘 또는 분산 분석 알고리즘 중 하나를 이용하여 상기 추출된 특징점들 중 일부 특징점을 선별하는 단계; 및 선별된 상기 특징점들을 상기 특징 벡터로 획득하는 단계; 를 포함하는 것을 특징으로 하는 fMRI의 패턴 분류 방법
|
| 9 |
9
제7 항에 있어서, 상기 분류기로서 획득하는 단계는 분류할 상기 범주의 개수를 판별하고, 상기 분류할 범주의 개수가 복수개이면, 일대 나머지 접근법을 이용하여 복수개의 상기 선형 판별 함수를 획득하는 것을 특징으로 하는 fMRI의 패턴 분류 방법
|
| 10 |
10
제9 항에 있어서, 상기 분류기 출력값을 보정하는 단계는 상기 분류할 범주의 개수가 복수개이면, 복수개의 보정된 상기 분류기 출력값을 비교하여, 최대값을 갖는 상기 분류기 출력값을 분석하는 단계; 및 상기 최대값을 갖는 분류기 출력값에 대응하는 분류기에 대응하는 범주로 상기 뇌 상태 신호의 패턴을 분류하는 단계; 를 포함하는 것을 특징으로 하는 fMRI의 패턴 분류 방법
|
| 11 |
11
제7 항에 있어서, 상기 출력값을 보정하는 단계는 상기 적어도 하나의 분류기 출력값 각각에 대해 최소 제곱법을 이용하여 기울기 및 옵셋을 획득하는 단계; 획득된 상기 기울기와 상기 옵셋을 이용하여 상기 시계열적 부유 잡음을 탐색하는 단계; 및 상기 분류기 출력값에서 탐색된 상기 시계열적 부유 잡음을 차감하여 제거하는 단계; 를 포함하는 것을 특징으로 하는 fMRI의 패턴 분류 방법
|
| 12 |
12
제7 항에 있어서, 상기 fMRI의 패턴 분류 방법은 상기 뇌 상태 신호 획득부가 획득한 상기 복수개의 뇌 상태 신호에 대해 공간 정렬하고, 상기 공간 정렬된 상기 복수개의 뇌 상태 신호 각각에 포함된 복수개의 복셀들의 신호대 잡음비를 증가하기 위해 평활화하는 전처리 단계; 를 더포함하는 것을 특징으로 하는 fMRI의 패턴 분류 방법
|
