1 |
1
컴퓨터 장치에 의해 수행되는, 수술 전 뇌 신호를 이용한 마취제 요구량 예측 방법에 있어서,(a) 수술 전부터 획득된 피측정자의 뇌 신호에 대한 전처리 및 주파수별 특징 정보를 추출하는 단계;(b) 상기 주파수별 특징 정보를 마취제 요구량 예측 모델에 입력하여 상기 피측정자에 대한 최소 마취제 요구량 및 최대 마취제 요구량을 예측하는 단계; 및(c) 상기 예측된 최소 마취제 요구량, 최대 마취제 요구량 및 상기 피측정자의 개인정보를 최적 마취제 요구량 예측 모델에 입력하여 상기 피측정자에 대한 최적의 마취제 요구량을 예측하는 단계를 포함하는, 수술 전 뇌 신호를 이용한 마취제 요구량 예측 방법
|
2 |
2
제1항에 있어서,상기 (a) 단계는수술 전 깨어있는 상태부터 마취 경과 시간 동안 측정된 피측정자의 뇌 신호를 획득하는 단계;상기 측정된 뇌 신호들을 주파수별 특징 분석에 적합하도록 전처리하는 단계; 및상기 전처리된 뇌 신호들에 기초하여 각 주파수 별로 두 채널 간의 기능적 연결성과 엔트로피 분석을 수행하는 단계를 포함하는 것인, 수술 전 뇌 신호를 이용한 마취제 요구량 예측 방법
|
3 |
3
제1항에 있어서,상기 (b) 단계는사용자에 의해 데이터베이스에 저장된 마취제 중 적어도 하나가 선택된 경우, 상기 선택된 마취제에 해당하는 마취 데이터 정보를 추출하는 단계; 및상기 추출된 마취 데이터 정보를 학습 데이터로 하여 상기 마취제 요구량 예측 모델을 학습시키는 단계를 포함하되,상기 마취 데이터 정보는 기존 환자에 대한 수술 전 뇌파, 마취제의 종류, 최소 마취 요구량 및 최대 마취 요구량을 포함하는 것인, 수술 전 뇌 신호를 이용한 마취제 요구량 예측 방법
|
4 |
4
제1항에 있어서,상기 (b) 단계는상기 주파수별 특징 정보에 기초하여 뇌파의 공간적인 정보를 처리하는 단계; 및뇌파의 시간적인 정보를 처리하는 단계를 포함하되,상기 공간적인 정보는 컨볼루션 뉴럴 네트워크(Convolutional Neural Network) 및 오토 인코더(Autoencoder)를 포함하는 기계학습 알고리즘으로 분석하고,상기 시간적인 정보는 양방향 순환 뉴럴 네트워크(Bi-directional recurrent neural network), 장단기 기억(Long Short-Term Memory), 게이트 순환 유닛 (Gated recurrent unit) 및 은닉 마르코프 모델 (Hidden markov model)을 포함하는 기계학습 알고리즘으로 분석하는 것인, 수술 전 뇌 신호를 이용한 마취제 요구량 예측 방법
|
5 |
5
제3항에 있어서,상기 (c) 단계는상기 선택된 마취제에 따라 예측된 최소 마취제 요구량, 최대 마취제 요구량 및 상기 사용자에 의해, 입력된 피측정자의 개인정보를 학습 데이터로 하여 상기 최적 마취제 요구량 예측 모델을 학습시키는 단계를 포함하되,상기 개인정보는 피측정자의 나이, 몸무게, 키, 성별 및 심박출량을 포함하는 것이고,상기 최적 마취제 요구량 예측 모델은테이블형 학습 데이터의 처리를 위해 선형 판별 분석(Linear discriminant analysis), 서포트 벡터 머신(Support vector machine) 및 랜덤 포레스트 분류기(Random forest classifier)를 포함하는 기계학습 알고리즘으로 분석한 것인, 수술 전 뇌 신호를 이용한 마취제 요구량 예측 방법
|
6 |
6
수술 전 뇌 신호를 이용한 마취제 요구량 예측 장치에 있어서,수술 전 뇌 신호를 이용한 마취제 요구량 예측 방법을 수행하기 위한 프로그램이 저장된 메모리; 및상기 프로그램을 수행하는 프로세서;를 포함하며, 상기 프로세서는, 상기 프로그램의 실행에 따라, 수술 전부터 측정된 피측정자의 뇌 신호에 대한 전처리 및 주파수별 특징 정보를 추출하고, 상기 주파수별 특징 정보를 마취제 요구량 예측 모델에 입력하여 상기 피측정자에 대한 최소 마취제 요구량 및 최대 마취제 요구량을 예측하고,상기 예측된 최소 마취제 요구량, 최대 마취제 요구량 및 상기 피측정자의 개인정보를 최적 마취제 요구량 예측 모델에 입력하여 상기 피측정자에 대한 최적의 마취제 요구량을 예측하는, 수술 전 뇌 신호를 이용한 마취제 요구량 예측 장치
|
7 |
7
제6항에 있어서,상기 프로세서는수술 전 깨어있는 상태부터 마취 경과 시간 동안 측정된 피측정자의 뇌 신호를 획득하고,상기 측정된 뇌 신호들을 주파수별 특징 분석에 적합하도록 전처리하고,상기 전처리된 뇌 신호들에 기초하여 각 주파수 별로 두 채널 간의 기능적 연결성과 엔트로피 분석을 수행하는 것인, 수술 전 뇌 신호를 이용한 마취제 요구량 예측 장치
|
8 |
8
제6항에 있어서,상기 프로세서는사용자에 의해 데이터베이스에 저장된 마취제 중 적어도 하나가 선택된 경우, 상기 선택된 마취제에 해당하는 마취 데이터 정보를 추출하고,상기 추출된 마취 데이터 정보를 학습 데이터로 하여 상기 마취제 요구량 예측 모델을 학습시키되,상기 마취 데이터 정보는 기존 환자에 대한 수술 전 뇌파, 마취제의 종류, 최소 마취 요구량 및 최대 마취 요구량을 포함하는 것인, 수술 전 뇌 신호를 이용한 마취제 요구량 예측 장치
|
9 |
9
제6항에 있어서,상기 프로세서는상기 주파수별 특징 정보에 기초하여 뇌파의 공간적인 정보를 처리하고,뇌파의 시간적인 정보를 처리하되,상기 공간적인 정보는 컨볼루션 뉴럴 네트워크(Convolutional Neural Network) 및 오토 인코더(Autoencoder)를 포함하는 기계학습 알고리즘으로 분석하고,상기 시간적인 정보는 양방향 순환 뉴럴 네트워크(Bi-directional recurrent neural network), 장단기 기억(Long Short-Term Memory), 게이트 순환 유닛 (Gated recurrent unit) 및 은닉 마르코프 모델 (Hidden markov model)을 포함하는 기계학습 알고리즘으로 분석하는 것인, 수술 전 뇌 신호를 이용한 마취제 요구량 예측 장치
|
10 |
10
제8항에 있어서,상기 프로세서는상기 선택된 마취제에 따라 예측된 최소 마취제 요구량, 최대 마취제 요구량 및 상기 사용자에 의해, 입력된 피측정자의 개인정보를 학습 데이터로 하여 상기 최적 마취제 요구량 예측 모델을 학습시키되,상기 개인정보는 피측정자의 나이, 몸무게, 키, 성별 및 심박출량을 포함하는 것이고,상기 최적 마취제 요구량 예측 모델은테이블형 학습 데이터의 처리를 위해 선형 판별 분석(Linear discriminant analysis), 서포트 벡터 머신(Support vector machine) 및 랜덤 포레스트 분류기(Random forest classifier)를 포함하는 기계학습 알고리즘으로 분석한 것인, 수술 전 뇌 신호를 이용한 마취제 요구량 예측 장치
|