1 |
1
사용자가 강화학습 기반의 의사결정 과제 수행하는 동안 행동 데이터를 수집하여 우울증 조기 진단을 위한 행동 지표를 생성하는 단계; 상기 과제 수행 동안 수집된 사용자의 행동 데이터를 이용하여 계산 모델을 통해 과제 수행 전략을 분석하고, 우울증 조기 진단을 위한 모델기반 지표를 생성하는 단계; 상기 과제 수행 동안 획득한 뇌 영상을 상기 모델기반 지표를 이용하여 분석하고, 우울증 조기 진단을 위한 뇌영역 정보량 지표를 생성하는 단계; 상기 뇌영역 정보량 지표를 이용하여 뇌 연결성을 분석하고, 우울증 조기 진단을 위한 뇌 연결성 지표를 생성하는 단계; 및상기 지표들을 기계학습 기반 으로 학습하여, 우울증 조기 진단을 위한 예측 모델을 생성하는 단계를 포함하는 우울증 조기 진단 방법
|
2 |
2
제1항에 있어서,상기 과제 수행 동안 수집된 사용자의 행동 데이터를 이용하여 계산 모델을 통해 과제 수행 전략을 분석하고, 우울증 조기 진단을 위한 모델기반 지표를 생성하는 단계는, 의사 결정에 대한 모델-기반의 영향 및 모델-프리의 영향을 구분하고, 모델-기반 시스템과 모델-프리 시스템의 통합을 설명하는 모델을 기반으로 하며, 상기 모델은 평가, 중재, 행동 선택을 포함하는 과정으로 구성 되는 우울증 조기 진단 방법
|
3 |
3
제2항에 있어서,평가 단계에서, 모델-기반 시스템과 모델-프리 시스템은 주어진 상태에서 행동 값을 학습하고, 모델-기반 시스템은 전방향(FORWARD) 학습 알고리즘을 사용하여 상태 예측 오차(State Prediction Error; SPE)로 상태 전이 확률을 학습하고, 역방향(BACKWARD) 알고리즘으로 행동 값을 계산하는우울증 조기 진단 방법
|
4 |
4
제2항에 있어서,평가 단계에서, 모델-기반 시스템과 모델-프리 시스템은 주어진 상태에서 행동 값을 학습하고, 모델-프리 시스템은 SARSA 알고리즘을 사용하여 보상 예측 오차(Reward Prediction Error; RPE)로 상태-행동 값을 학습하는 우울증 조기 진단 방법
|
5 |
5
제2항에 있어서,중재 과정에서, 모델-기반 시스템이 신뢰성을 업데이트하기 위해 SPE의 이력을 사용하여 계층화된 경험적 베이즈 방법을 구현하는 우울증 조기 진단 방법
|
6 |
6
제2항에 있어서,중재 과정에서, 모델-프리 시스템은 부호 없는 RPE를 기반으로 하는 피어스-홀(Pearce-Hall) 연관성 규칙(associability rule)을 사용하여 신뢰성을 업데이트하는 우울증 조기 진단 방법
|
7 |
7
제2항에 있어서,행동 선택 단계에서, 소프트맥스(softmax) 규칙을 사용하여 확률론적으로 행동을 선택하는 우울증 조기 진단 방법
|
8 |
8
제1항에 있어서,상기 과제 수행 동안 획득한 뇌 영상을 상기 모델기반 지표를 이용하여 분석하고, 우울증 조기 진단을 위한 뇌영역 정보량 지표를 생성하는 단계는, 뇌 영상을 수집하여 T1 평형 영향(T1 equilibrium effects)을 감소시키기 위해 첫 두 개의 볼륨을 제거하고, EPI 영상은 슬라이스 타이밍(slice timing)과 모션 움직임(motion movement)을 위해 수정하고, SPM 소프트웨어가 제공한 표준 템플릿 영상으로 부분적 정규화하는 우울증 조기 진단 방법
|
9 |
9
제8항에 있어서, 일반 선형 모델 분석(general linear model analysis; GLM)을 이용하여 뇌 영상을 분석하고, 피실험자-특정 값 신호 및 중재 신호는 중재 모델로 계산되며 신호는 epi 영상에서 복셀-관련 신호와 비교되고, 리그레서(Regressor)의 순서는 모델-기반 시스템의 예측 오차 및 모델-프리 시스템의 예측 오차, 신뢰성 비교 신호, 모델-기반 시스템의 선택 값, 모델-프리 시스템의 선택 값, 선택된 통합 값과 선택되지 않은 통합 값 간의 차이 및 선택된 동작을 고를 가능성의 순서를 따르고, 리그레서는 결과 해석 시 리그레서 순서의 영향을 제거하기 위해 GLM 분석에서 순차적으로 비-직교화되는 우울증 조기 진단 방법
|
10 |
10
제8항에 있어서, 멀티복셀 패턴 분석(Multivoxel Pattern Analysis; MVPA)을 이용하여 뇌 영상을 분석하고, 특정 관심 영역(Region Of Interest; ROI)에서 다양한 중재 신호 처리를 이해하기 위해 수행되고, 중재 과정에 관여된다고 알려진 3가지의 ROI인 좌/우 하외측 전전두엽피질(inferior lateral prefrontal cortex; ilPFC) 및 전두극 전전두엽 피질(Frontopolar Prefrontal Cortex; FPC)이 선택되며, 각 뇌 영역의 마스크들은 GLM 분석을 통해 기능적으로 정의되는 우울증 조기 진단 방법
|
11 |
11
제8항에 있어서, 신뢰성 관련 신호들은 피실험자들이 예측 오차를 경험할 때 업데이트되고, 현재 자극 표현에서 다음 자극 및 보상 표현까지 촬영된 모든 epi 스캔들은 현재 표현으로부터 신뢰성 신호를 인코딩하기 위해 나타난다고 가정하며, 각 신뢰성 신호에서, 각 피실험자의 상위 일정 비율의 최고 활성 신호 및 하위 일정 비율의 최저 신호 값이 분석에 사용되고, 이진 지원 벡터 머신 분류기가 복셀의 특징을 학습하기 위해 적용되어 마스크 내 모든 복셀들이 학습을 위해 사용되는 우울증 조기 진단 방법
|
12 |
12
제1항에 있어서, 상기 뇌영역 정보량 지표를 이용하여 뇌 연결성을 분석하고, 우울증 조기 진단을 위한 뇌 연결성 지표를 생성하는 단계는, 역동적 인과관계 모델링(Dynamic Causal Modeling; DCM) 방법을 활용하여 과제 수행 동안의 뇌 영역간 연결성 변화를 관찰하는 우울증 조기 진단 방법
|
13 |
13
사용자가 강화학습 기반의 의사결정 과제 수행하는 동안 행동 데이터를 수집하여 우울증 조기 진단을 위한 행동 지표를 생성하는 행동 지표 생성부; 상기 과제 수행 동안 수집된 사용자의 행동 데이터를 이용하여 계산 모델을 통해 과제 수행 전략을 분석하고, 우울증 조기 진단을 위한 모델기반 지표를 생성하는 모델기반 지표 생성부; 상기 과제 수행 동안 획득한 뇌 영상을 상기 모델기반 지표를 이용하여 분석하고, 우울증 조기 진단을 위한 뇌영역 정보량 지표를 생성하는 뇌영역 정보량 지표 생성부; 상기 뇌영역 정보량 지표를 이용하여 뇌 연결성을 분석하고, 우울증 조기 진단을 위한 뇌 연결성 지표를 생성하는 뇌 연결성 지표 생성부; 및상기 지표들을 기계학습 기반 으로 학습하여, 우울증 조기 진단을 위한 예측 모델을 생성하는 우울증 진단 모델링부를 포함하는 우울증 조기 진단 장치
|
14 |
14
제13항에 있어서,상기 모델기반 지표 생성부는, 의사 결정에 대한 모델-기반의 영향 및 모델-프리의 영향을 구분하고, 모델-기반 시스템과 모델-프리 시스템의 통합을 설명하는 모델을 기반으로 하며, 상기 모델은 평가, 중재, 행동 선택을 포함하는 과정으로 구성 되는 우울증 조기 진단 장치
|
15 |
15
제14항에 있어서,상기 모델기반 지표 생성부는, 평가 단계에서, 모델-기반 시스템과 모델-프리 시스템은 주어진 상태에서 행동 값을 학습하고, 모델-기반 시스템은 전방향(FORWARD) 학습 알고리즘을 사용하여 상태 예측 오차(State Prediction Error; SPE)로 상태 전이 확률을 학습하고, 역방향(BACKWARD) 알고리즘으로 행동 값을 계산하는 우울증 조기 진단 장치
|
16 |
16
제14항에 있어서,상기 모델기반 지표 생성부는, 평가 단계에서, 모델-기반 시스템과 모델-프리 시스템은 주어진 상태에서 행동 값을 학습하고, 모델-프리 시스템은 SARSA 알고리즘을 사용하여 보상 예측 오차(Reward Prediction Error; RPE)로 상태-행동 값을 학습하는 우울증 조기 진단 장치
|
17 |
17
제14항에 있어서,상기 모델기반 지표 생성부는, 중재 과정에서, 모델-기반 시스템이 신뢰성을 업데이트하기 위해 SPE의 이력을 사용하여 계층화된 경험적 베이즈 방법을 구현하는 우울증 조기 진단 장치
|
18 |
18
제14항에 있어서,상기 모델기반 지표 생성부는, 중재 과정에서, 모델-프리 시스템은 부호 없는 RPE를 기반으로 하는 피어스-홀(Pearce-Hall) 연관성 규칙(associability rule)을 사용하여 신뢰성을 업데이트하는우울증 조기 진단 장치
|
19 |
19
제14항에 있어서,상기 모델기반 지표 생성부는, 행동 선택 단계에서, 소프트맥스(softmax) 규칙을 사용하여 확률론적으로 행동을 선택하는 우울증 조기 진단 장치
|
20 |
20
제13항에 있어서,상기 뇌영역 정보량 지표 생성부는,뇌 영상을 수집하여 T1 평형 영향(T1 equilibrium effects)을 감소시키기 위해 첫 두 개의 볼륨을 제거하고, EPI 영상은 슬라이스 타이밍(slice timing)과 모션 움직임(motion movement)을 위해 수정하고, SPM 소프트웨어가 제공한 표준 템플릿 영상으로 부분적 정규화하는 우울증 조기 진단 장치
|
21 |
21
제20항에 있어서,상기 뇌영역 정보량 지표 생성부는,일반 선형 모델 분석(general linear model analysis; GLM)을 이용하여 뇌 영상을 분석하고, 피실험자-특정 값 신호 및 중재 신호는 중재 모델로 계산되며 신호는 epi 영상에서 복셀-관련 신호와 비교되고, 리그레서(Regressor)의 순서는 모델-기반 시스템의 예측 오차 및 모델-프리 시스템의 예측 오차, 신뢰성 비교 신호, 모델-기반 시스템의 선택 값, 모델-프리 시스템의 선택 값, 선택된 통합 값과 선택되지 않은 통합 값 간의 차이 및 선택된 동작을 고를 가능성의 순서를 따르고, 리그레서는 결과 해석 시 리그레서 순서의 영향을 제거하기 위해 GLM 분석에서 순차적으로 비-직교화되는우울증 조기 진단 장치
|
22 |
22
제20항에 있어서,상기 뇌영역 정보량 지표 생성부는,멀티복셀 패턴 분석(Multivoxel Pattern Analysis; MVPA)을 이용하여 뇌 영상을 분석하고, 특정 관심 영역(Region Of Interest; ROI)에서 다양한 중재 신호 처리를 이해하기 위해 수행되고, 중재 과정에 관여된다고 알려진 3가지의 ROI인 좌/우 하외측 전전두엽피질(inferior lateral prefrontal cortex; ilPFC) 및 전두극 전전두엽 피질(Frontopolar Prefrontal Cortex; FPC)이 선택되며, 각 뇌 영역의 마스크들은 GLM 분석을 통해 기능적으로 정의되는우울증 조기 진단 장치
|
23 |
23
제20항에 있어서,상기 뇌영역 정보량 지표 생성부는,신뢰성 관련 신호들은 피실험자들이 예측 오차를 경험할 때 업데이트되고, 현재 자극 표현에서 다음 자극 및 보상 표현까지 촬영된 모든 epi 스캔들은 현재 표현으로부터 신뢰성 신호를 인코딩하기 위해 나타난다고 가정하며, 각 신뢰성 신호에서, 각 피실험자의 상위 일정 비율의 최고 활성 신호 및 하위 일정 비율의 최저 신호 값이 분석에 사용되고, 이진 지원 벡터 머신 분류기가 복셀의 특징을 학습하기 위해 적용되어 마스크 내 모든 복셀들이 학습을 위해 사용되는우울증 조기 진단 장치
|
24 |
24
제13항에 있어서,상기 뇌 연결성 지표 생성부는, 역동적 인과관계 모델링(Dynamic Causal Modeling; DCM) 방법을 활용하여 과제 수행 동안의 뇌 영역간 연결성 변화를 관찰하는 우울증 조기 진단 장치
|