제1항에 있어서, 상기 프로그램 명령어들은, 상기 복수의 부위에서 획득한 뇌전도 신호 중 관심 주파수 대역을 통과시키는 대역 통과 필터링을 수행하고, 상기 대역 통과 필터링된 신호에서 잡음을 제거하고, 상기 잡음 제거된 신호에서 데이터 정규화를 수행하는 딥러닝 기반 뇌전증 발작 진단 장치.

딥러닝 기반 뇌전증 발작 진단 장치로서, 프로세서; 및상기 프로세서에 연결되는 메모리를 포함하되, 사용자로부터 복수의 부위에서 획득한 뇌전도 신호를 전처리하고, 합성곱 신경망 기반의 시간-공간-주파수 네트워크를 통해 상기 전처리된 뇌전도 신호의 제1 특징 벡터를 추출하고, 인과 합성곱 계층을 통해 뇌전증 발작을 진단하고자 하는 현재 시점 t로부터 이전 시점들의 제1 특징 벡터를 입력 받아 상기 이전 시점부터 현재 시점까지의 각 시간대의 제2 특징 벡터를 추출하고, 확장 합성곱 계층을 통해 상기 현재 시점 이후의 시간에서의 제3 특징 벡터를 추출하고, 상기 추출된 제3 특징 벡터를 이용하여 뇌전증 발작 여부를 판단하도록, 상기 프로세서에 의해 실행되는 프로그램 명령어들을 저장하되, 상기 프로그램 명령어들은, 확장 비율이 2 이상인 합성곱 필터를 통해 현재 시점 이후의 시간에서의 특징을 추출하고, 활성함수를 통해 상기 추출된 특징을 비선형화하고, 상기 활성함수의 출력과 상기 인과 합성곱 계층에서의 출력 사이의 잔차를 가산하여 상기 제3 특징 벡터를 추출하는 딥러닝 기반 뇌전증 발작 진단 장치.

삭제

딥러닝 기반 뇌전증 발작 진단 장치로서, 사용자로부터 복수의 부위에서 획득한 뇌전도 신호를 전처리하는 전처리부; 합성곱 신경망 기반의 시간-공간-주파수 네트워크를 통해 상기 전처리된 뇌전도 신호의 제1 특징 벡터를 추출하는 특징 추출부; 인과 합성곱 계층을 통해 뇌전증 발작을 진단하고자 하는 현재 시점 t로부터 이전 시점들의 제1 특징 벡터를 입력 받아 상기 이전 시점부터 현재 시점까지의 각 시간대의 제2 특징 벡터를 추출하고, 확장 합성곱 계층을 통해 상기 현재 시점 이후의 시간에서의 제3 특징 벡터를 추출하는 인과 신경망; 및상기 추출된 제3 특징 벡터를 이용하여 뇌전증 발작 여부를 판단하는 클래스 분류 학습부를 포함하되, 상기 인과 신경망은, 확장 비율이 2 이상인 합성곱 필터를 통해 현재 시점 이후의 시간에서의 특징을 추출하고, 활성함수를 통해 상기 추출된 특징을 비선형화하고, 상기 활성함수의 출력과 상기 인과 합성곱 계층에서의 출력 사이의 잔차를 가산하여 상기 제3 특징 벡터를 추출하는 딥러닝 기반 뇌전증 발작 진단 장치.

프로세서 및 메모리를 포함하는 장치에서, 딥러닝 기반으로 뇌전증 발작을 진단하는 방법으로서, 사용자로부터 복수의 부위에서 획득한 뇌전도 신호를 전처리하는 단계; 합성곱 신경망 기반의 시간-공간-주파수 네트워크를 통해 상기 전처리된 뇌전도 신호의 제1 특징 벡터를 추출하는 단계; 인과 합성곱 계층을 통해 뇌전증 발작을 진단하고자 하는 현재 시점 t로부터 이전 시점들의 제1 특징 벡터를 입력 받아 상기 이전 시점부터 현재 시점까지의 각 시간대의 제2 특징 벡터를 추출하는 단계; 확장 합성곱 계층을 통해 상기 현재 시점 이후의 시간에서의 제3 특징 벡터를 추출하는 단계; 및상기 추출된 제3 특징 벡터를 이용하여 뇌전증 발작 여부를 판단하는 단계를 포함하되, 상기 제3 특징 벡터를 추출하는 단계는, 확장 비율이 2 이상인 합성곱 필터를 통해 현재 시점 이후의 시간에서의 특징을 추출하는 단계;활성함수를 통해 상기 추출된 특징을 비선형화하는 단계; 및상기 활성함수의 출력과 상기 인과 합성곱 계층에서의 출력 사이의 잔차를 가산하여 상기 제3 특징 벡터를 추출하는 단계를 포함하는 딥러닝 기반 뇌전증 발작 진단 방법.