개인 맞춤형 경도인지장애 진단 장치에서 실행되는 개인 맞춤형 경도인지장애 진단 방법에 있어서,사용자의 뇌 활성 데이터를 기초로 뇌 관심 영역 사이의 연결성을 분석하여 기능적 연결 네트워크를 생성하는 단계;상기 기능적 연결 네트워크에 앙상블 강화학습 에이전트를 적용하여 상기 뇌 관심 영역 사이의 연결을 제거하는 단계; 및상기 기능적 연결 네트워크를 미리 학습된 질병 분류기의 입력 데이터로 이용하여 경도인지장애 여부를 판단하는 단계를 포함하는 것을 특징으로 하는 개인 맞춤형 경도인지장애 진단 방법.

제1항에 있어서,상기 기능적 연결 네트워크에 앙상블 강화학습 에이전트를 적용하여 상기 뇌 관심 영역 사이의 연결을 제거하는 단계는강화학습 적용을 위한 마르코프 결정 과정을 정의하는 단계;상기 마르코프 결정 과정에서 정의된 정보를 이용하여 앙상블 강화학습 에이전트를 학습하는 단계; 및상기 학습이 앙상블 강화학습 에이전트의 정책을 이용하여 특정 액션을 결정하는 단계를 포함하는 것을 특징으로 하는 개인 맞춤형 경도인지장애 진단 방법.

제2항에 있어서,상기 앙상블 강화학습 에이전트를 학습하는 단계는상기 앙상블 강화학습 에이전트를 통해 에피소드를 생성하여 중앙 집중식 버퍼에 저장하는 단계; 및상기 중앙 집중식 버퍼에 저장된 에피소드에 대한 샘플링 방법으로 미니배치를 생성하고, 상기 미니배치를 통해 상기 앙상블 강화학습 에이전트를 학습하는 단계를 포함하는 것을 특징으로 하는 개인 맞춤형 경도인지장애 진단 방법.

제3항에 있어서,상기 앙상블 강화학습 에이전트를 학습하는 단계는상기 에이전트를 통해 상기 기능적 연결 네트워크의 현재 상태를 관찰하고 복수의 액션에 대한 정책을 생성하는 단계;상기 정책을 기반으로 복수의 액션 중 특정 액션을 선택하고 상기 액션에 따라 뇌 관심 영역 사이의 연결을 제거하여 상기 기능적 연결 네트워크의 상태를 다음 상태로 전이시키는 단계;상기 기능적 연결 네트워크의 현재 상태 및 다음 상태를 비교하고, 상기 비교 결과에 따라 상기 액션에 리워드를 할당하는 단계를 포함하는 것을 특징으로 하는 개인 맞춤형 경도인지장애 진단 방법.

제4항에 있어서,상기 비교 결과에 따라 상기 액션에 리워드를 할당하는 단계는상기 현재 상태의 진단 신뢰도 및 상기 다음 상태의 진단 신뢰도를 이용하여 기본 리워드를 산출하는 단계;상기 현재 상태의 진단 신뢰도 및 상기 다음 상태를 비교하여 성능 개선 여부를 판단하여 보너스 리워드를 산출하는 단계; 및상기 기본 리워드 및 보너스 리워드를 이용하여 총 리워드를 산출하고 상기 총 리워드를 이용하여 상기 액션에 리워드를 할당하는 단계를 포함하는 것을 특징으로 하는 개인 맞춤형 경도인지장애 진단 방법.

제5항에 있어서,상기 성능 개선 여부를 판단하여 보너스 리워드를 산출하는 단계는상기 현재 상태의 진단 신뢰도가 미리 결정된 임계값 이하이고 상기 다음 상태의 진단 신뢰도가 미리 결정된 임계값을 초과하는 경우 보너스 리워드를 증가시키는 단계; 및상기 현재 상태의 진단 신뢰도가 미리 결정된 임계값을 초과하고 상기 다음 상태의 진단 신뢰도가 미리 결정된 임계값 이하로 떨어지는 경우 보너스 리워드를 감소시키는 단계를 포함하는 것을 특징으로 하는 개인 맞춤형 경도인지장애 진단 방법.

제3항에 있어서,상기 앙상블 강화학습 에이전트를 학습하는 단계는상기 기능적 연결 네트워크의 상태를 입력받아 가능한 모든 액션에 대한 정책을 생성하는 액터 네트워크를 업데이트하는 단계;상기 상태와 액션을 입력으로 받아 상기 상태 및 액션의 쌍의 예측 리워드를 산출하는 크리틱 네트워크를 업데이트하는 단계; 및엔트로피를 조절하는 온도 계수를 학습하여 상기 에이전트의 정책이 새로운 액션을 시도하면서 높은 리워드를 검색하는 탐색 과정 및 높은 리워드가 예상되는 액션을 선택하는 활용 과정 사이의 균형을 유지하도록 하는 온도 네트워크를 업데이트하는 단계를 포함하는 것을 특징으로 하는 개인 맞춤형 경도인지장애 진단 방법.

제7항에 있어서,상기 앙상블 강화학습 에이전트를 학습하는 단계는상기 크리딕 네트워크의 예측 리워드를 합산하여 가치 평가를 수행하여 최종 예측 리드워드를 산출하는 결합 네트워크를 업데이트하는 단계를 포함하는 것을 특징으로 하는 개인 맞춤형 경도인지장애 진단 방법.

제7항에 있어서,상기 기능적 연결 네트워크를 미리 학습된 질병 분류기의 입력 데이터로 이용하여 경도인지장애 여부를 판단하는 단계는상기 에이전트 별 상기 액터 네트워크를 결합하여 정책을 생성하는 단계;상기 정책을 기반으로 특정 액션을 선택하여 기능적 연결 네트워크를 최적화를 진행하는 단계;상기 크리틱 네트워크를 통해 현재 상태 및 액션을 이용하여 해당 상태에서 액션을 수행했을 때의 예측 리워드를 산출하는 단계;상기 결합 네트워크를 이용하여 전체 예측 리워드를 산출하는 단계; 및상기 높은 리워드를 가지는 상태를 선택한 후 상기 상태를 이용하여 질병 분류기를 통해 최종 진단하는 단계를 포함하는 것을 특징으로 하는 개인 맞춤형 경도인지장애 진단 방법.

개인 맞춤형 경도인지장애 진단 장치에 있어서,복수의 에이전트를 포함하고,상기 복수의 에이전트로 하여금:사용자의 뇌 활성 데이터를 기초로 뇌 관심 영역 사이의 연결성을 분석하여 기능적 연결 네트워크를 생성하는 동작;상기 기능적 연결 네트워크에 앙상블 강화학습 에이전트를 적용하여 상기 뇌 관심 영역 사이의 연결을 제거하는 동작; 및상기 기능적 연결 네트워크를 미리 학습된 질병 분류기의 입력 데이터로 이용하여 경도인지장애 여부를 판단하는 동작을 수행하도록 하는 개인 맞춤형 경도인지장애 진단 장치.

제10항에 있어서,상기 기능적 연결 네트워크에 앙상블 강화학습 에이전트를 적용하여 상기 뇌 관심 영역 사이의 연결을 제거하는 동작은강화학습 적용을 위한 마르코프 결정 과정을 정의하는 동작;상기 마르코프 결정 과정에서 정의된 정보를 이용하여 앙상블 강화학습 에이전트를 학습하는 동작; 및상기 학습이 앙상블 강화학습 에이전트의 정책을 이용하여 특정 액션을 결정하는 동작을 포함하는 것을 특징으로 하는 개인 맞춤형 경도인지장애 진단 장치.

제11항에 있어서,상기 앙상블 강화학습 에이전트를 학습하는 동작은상기 앙상블 강화학습 에이전트를 통해 에피소드를 생성하여 중앙 집중식 버퍼에 저장하는 동작; 및상기 중앙 집중식 버퍼에 저장된 에피소드에 대한 샘플링 방법으로 미니배치를 생성하고, 상기 미니배치를 통해 상기 앙상블 강화학습 에이전트를 학습하는 동작을 포함하는 것을 특징으로 하는 개인 맞춤형 경도인지장애 진단 장치.

제12항에 있어서,상기 앙상블 강화학습 에이전트를 학습하는 동작은상기 에이전트를 통해 상기 기능적 연결 네트워크의 현재 상태를 관찰하고 복수의 액션에 대한 정책을 생성하는 동작;상기 정책을 기반으로 복수의 액션 중 특정 액션을 선택하고 상기 액션에 따라 뇌 관심 영역 사이의 연결을 제거하여 상기 기능적 연결 네트워크의 상태를 다음 상태로 전이시키는 동작; 및상기 기능적 연결 네트워크의 현재 상태 및 다음 상태를 비교하고, 상기 비교 결과에 따라 상기 액션에 리워드를 할당하는 동작을 포함하는 것을 특징으로 하는 개인 맞춤형 경도인지장애 진단 장치.

제13항에 있어서,상기 비교 결과에 따라 상기 액션에 리워드를 할당하는 동작은상기 현재 상태의 진단 신뢰도 및 상기 다음 상태의 진단 신뢰도를 이용하여 기본 리워드를 산출하는 동작;상기 현재 상태의 진단 신뢰도 및 상기 다음 상태를 비교하여 성능 개선 여부를 판단하여 보너스 리워드를 산출하는 동작; 및상기 기본 리워드 및 보너스 리워드를 이용하여 총 리워드를 산출하고 상기 총 리워드를 이용하여 상기 액션에 리워드를 할당하는 동작을 포함하는 것을 특징으로 하는 개인 맞춤형 경도인지장애 진단 장치.

제14항에 있어서,상기 성능 개선 여부를 판단하여 보너스 리워드를 산출하는 동작은상기 현재 상태의 진단 신뢰도가 미리 결정된 임계값 이하이고 상기 다음 상태의 진단 신뢰도가 미리 결정된 임계값을 초과하는 경우 보너스 리워드를 증가시키는 동작; 및상기 현재 상태의 진단 신뢰도가 미리 결정된 임계값을 초과하고 상기 다음 상태의 진단 신뢰도가 미리 결정된 임계값 이하로 떨어지는 경우 보너스 리워드를 감소시키는 동작을 포함하는 것을 특징으로 하는 개인 맞춤형 경도인지장애 진단 장치.

제12항에 있어서,상기 앙상블 강화학습 에이전트를 학습하는 동작은상기 기능적 연결 네트워크의 상태를 입력받아 가능한 모든 액션에 대한 정책을 생성하는 액터 네트워크를 업데이트하는 동작;상기 상태와 액션을 입력으로 받아 상기 상태 및 액션의 쌍의 예측 리워드를 산출하는 크리틱 네트워크를 업데이트하는 동작; 및엔트로피를 조절하는 온도 계수를 학습하여 상기 에이전트의 정책이 새로운 액션을 시도하면서 높은 리워드를 검색하는 탐색 과정 및 높은 리워드가 예상되는 액션을 선택하는 활용 과정 사이의 균형을 유지하도록 하는 온도 네트워크를 업데이트하는 동작을 포함하는 것을 특징으로 하는 개인 맞춤형 경도인지장애 진단 장치.

제16항에 있어서,상기 앙상블 강화학습 에이전트를 학습하는 동작은상기 크리딕 네트워크의 예측 리워드를 합산하여 가치 평가를 수행하여 최종 예측 리드워드를 산출하는 결합 네트워크를 업데이트하는 동작을 포함하는 것을 특징으로 하는 개인 맞춤형 경도인지장애 진단 장치.

제16항에 있어서,상기 기능적 연결 네트워크를 미리 학습된 질병 분류기의 입력 데이터로 이용하여 경도인지장애 여부를 판단하는 동작은상기 에이전트 별 상기 액터 네트워크를 결합하여 정책을 생성하는 동작;상기 정책을 기반으로 특정 액션을 선택하여 기능적 연결 네트워크를 최적화를 진행하는 동작;상기 크리틱 네트워크를 통해 현재 상태 및 액션을 이용하여 해당 상태에서 액션을 수행했을 때의 예측 리워드를 산출하는 동작;상기 결합 네트워크를 이용하여 전체 예측 리워드를 산출하는 단계; 및상기 높은 리워드를 가지는 상태를 선택한 후 상기 상태를 이용하여 질병 분류기를 통해 최종 진단하는 동작을 포함하는 것을 특징으로 하는 개인 맞춤형 경도인지장애 진단 장치.

컴퓨터가 판독 가능한 에이전트를 저장하고 있는 저장 매체에 있어서,상기 에이전트는, 컴퓨팅 장치에 의해 실행될 때, 상기 컴퓨팅 장치로 하여금,사용자의 뇌 활성 데이터를 기초로 뇌 관심 영역 사이의 연결성을 분석하여 기능적 연결 네트워크를 생성하는 동작;상기 기능적 연결 네트워크에 앙상블 강화학습 에이전트를 적용하여 상기 뇌 관심 영역 사이의 연결을 제거하는 동작; 및상기 기능적 연결 네트워크를 미리 학습된 질병 분류기의 입력 데이터로 이용하여 경도인지장애 여부를 판단하는 단계를 포함하는 것을 특징으로 하는 저장 매체.

제19항에 있어서,상기 기능적 연결 네트워크에 앙상블 강화학습 에이전트를 적용하여 상기 뇌 관심 영역 사이의 연결을 제거하는 동작은강화학습 적용을 위한 마르코프 결정 과정을 정의하는 동작;상기 마르코프 결정 과정에서 정의된 정보를 이용하여 앙상블 강화학습 에이전트를 학습하는 동작; 및상기 학습이 앙상블 강화학습 에이전트의 정책을 이용하여 특정 액션을 결정하는 동작을 포함하는 것을 특징으로 하는 저장 매체.