• 대한의용생체공학회:의공학회지
• /
• 제36권5호
• /
• pp.169-176
• /
• 2015

Implantable closed-loop epilepsy controllers require ideally both accurate epileptic seizure detection and low power consumption. On-chip oscillators can be used in implantable devices because they consume less power than other oscillators such as crystal oscillators. In this study, we investigated the tolerable error range of a lower power on-chip oscillator without losing the accuracy of seizure detection. We used 24 ictal and 14 interictal intracranial electroencephalographic segments recorded from epilepsy surgery patients. The performance variations with respect to oscillator frequency errors were estimated in terms of specificity, modified sensitivity, and detection timing difference of seizure onset using Generic Osorio Frei Algorithm. The frequency errors of on-chip oscillators were set at ${\pm}10%$ as the worst case. Our results showed that an oscillator error of ${\pm}10%$ affected both specificity and modified sensitivity by less than 3%. In addition, seizure onsets were detected with errors earlier or later than without errors and the average detection timing difference varied within less than 0.5 s range. The results suggest that on-chip oscillators could be useful for low-power implantable devices without error compensation circuitry requiring significant additional power. These findings could help the design of closed-loop systems with a seizure detector and automated stimulators for intractable epilepsy patients.

• The Korean Journal of Physiology and Pharmacology
• /
• 제23권2호
• /
• pp.131-139
• /
• 2019

Manually reviewing electroencephalograms (EEGs) is labor-intensive and demands automated seizure detection systems. To construct an efficient and robust event detector for experimental seizures from continuous EEG monitoring, we combined spectral analysis and deep neural networks. A deep neural network was trained to discriminate periodograms of 5-sec EEG segments from annotated convulsive seizures and the pre- and post-EEG segments. To use the entire EEG for training, a second network was trained with non-seizure EEGs that were misclassified as seizures by the first network. By sequentially applying the dual deep neural networks and simple pre- and post-processing, our autodetector identified all seizure events in 4,272 h of test EEG traces, with only 6 false positive events, corresponding to 100% sensitivity and 98% positive predictive value. Moreover, with pre-processing to reduce the computational burden, scanning and classifying 8,977 h of training and test EEG datasets took only 2.28 h with a personal computer. These results demonstrate that combining a basic feature extractor with dual deep neural networks and rule-based pre- and post-processing can detect convulsive seizures with great accuracy and low computational burden, highlighting the feasibility of our automated seizure detection algorithm.

• 한국지능시스템학회논문지
• /
• 제18권2호
• /
• pp.251-256
• /
• 2008

많은 연구자들은 여러 개의 채널을 가진 Electroencephalogram(EEG) 신호를 기반으로 한 사람의 감정인식을 위해 두뇌와 컴퓨터의 인터페이스에 관한 연구를 하고 있다. EEG 신호를 이용한 연구들은 주로 의학 분야와 심리학의 영역에서 간질이나 발작 등을 알아내고 거짓말 탐지기로써의 역할로 많이 사용되어져 왔다. 최근에는 사람의 두뇌와 컴퓨터 간의 인터페이스에 관한 연구들이 뇌파를 이용한 로봇의 제어하거나 게임을 하는 등의 여러 가지 공학적인 접근으로써 많은 연구가 진행되고 있다. 특히, EEG 신호를 통해서 두뇌를 연구하는 분야에서 EEG 신호의 잡음을 제거해서 보다 정확한 신호를 추출하는 연구에도 많이 중점을 두고 있다. 본 논문에서는 사람의 감정에 따른 EEG 신호를 측정하고 측정된 EEG 신호를 5개 부분의 주파수 영역으로 분류하였다. 영역별로 분류된 EEG 신호들은 전체영역에 대한 상대적인 비율의 값으로 계산하게 된다. 그 값들은 Bayesian Networks를 통해서 현재 어떠한 감정을 나타내는지 확률 값으로 나타낸다. 그 결과 값에 따라 사람의 감정은 아바타로 표현하게 된다.

• Clinical and Experimental Pediatrics
• /
• 제48권8호
• /
• pp.901-906
• /
• 2005

가와사끼병은 소아 연령에서 발병하는 급성 전신성 혈관염으로 현재 소아 후천성 심질환의 가장 흔한 원인이다. 아직 원인 불명이고 진단도 여전히 임상 증상에 의존하고 있는데, 최근 비호발 연령의 환자 및 비전형적 가와사끼병의 증례 보고와 이들에서 빈발하는 관상 동맥 합병증의 보고가 증가되고 있다. 관상동맥 합병증의 위험 인자 중 하나인 지속적 발열과 혈소판 감소증은 매우 어린 영아에서 간혹 초기 감별 진단을 어렵게 만든다. 저자들은 패혈증으로 전원된 3개월 여아에서 초기에 정맥글로불린과 스테로이드 등의 약제로 치료하였으나 빈혈, 혈소판 감소증과 발열이 지속되다 거대 관상 동맥류와 액와 동맥류를 합병한 1례를 보고하는 바이다.