EEG 기반 신경질환 진단과 뇌-컴퓨터 인터페이스 개인화

EEG-based Neurodiagnosis and Personalization for Brain–Computer Interfaces

연구 내용

EEG 신호의 특징 추출과 분류 모델을 통해 파킨슨병·치매를 포함한 신경질환을 구분하고, 뇌-컴퓨터 인터페이스의 개인차를 줄이기 위한 개인화 학습을 수행하는 연구

EEG 시간영역 특징과 분류 알고리즘을 조합하여 파킨슨병 및 알츠하이머병·전두측두치매의 진단 보조 모델을 구축합니다. 신호 구간 길이와 이동 길이 설정을 통해 진단 관련 패턴이 드러나는 영역을 탐색하고, LDA·SVM 등 전통적 분류기를 포함해 해석 가능한 학습 구성을 적용합니다. 또한 뇌-컴퓨터 인터페이스에서는 딥 메트릭 러닝 기반 개인 그룹핑으로 피험자 간 변동을 완화하여 모터 이미저리 기반 인식의 안정성을 높입니다. 이러한 접근은 데이터 유효성·유용성 검증을 위한 운영 절차와 연계하여 모델 일반화에 필요한 근거를 확보하는 데 차별성을 둡니다.

관련 프로젝트

1건

연구 흐름

초기에는 EEG 신호를 입력으로 하여 파킨슨병을 예측하는 그라디언트 부스팅 기반 의사결정 트리 모델을 구축하고, 신호 특성과 분류 성능의 연동을 확인하는 연구를 수행했습니다. 이후 2024년에는 모터 이미저리 BCI에서 피험자 간 변동을 줄이기 위해 딥 메트릭 러닝 기반 개인 그룹핑으로 학습 대상을 정리하는 방향으로 확장했습니다. 2025년에는 알츠하이머병과 전두측두치매를 시간영역 신호와 Hjorth parameters를 활용해 구분하고, 구간 탐색 전략을 통해 임상 분류에 필요한 특징이 강조되는 조건을 도출하는 연구를 이어갔습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

조기 치매 선별 보조
파킨슨병 위험 분류
EEG 기반 임상 바이오마커 탐색
MI-BCI 개인차 완화 모듈
신경신호 특징 추출 파이프라인
시간영역 분류용 세그먼트 최적화
해석 가능한 신경질환 분류 모델
웨어러블 EEG 적용 절차
신경질환 조기 모니터링 연구
신경신호 품질 중심 BCI 설계