메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류
인문학
인문학 일반 역사학 철학 종교학 어문학 기타 인문학
사회과학
사회과학 일반 경영학 관광학 교육학 군사학 문헌정보학 법학 사회학 신문방송학 심리과학 정치외교학 지리학 행정학 경제학 무역학 인류학 기타 사회과학
자연과학
자연과학 일반 물리학 생물학 생활과학 수학·통계학 천문학 지구과학 화학 기타 자연과학
공학
공학 일반 건축공학 기계공학 산업공학 재료·에너지공학 전기전자공학 조선해양공학 화학공학 컴퓨터학 기타공학
의약학
의학 일반 간호학 수의학 약학 한의학 기초의학 임상의학 기타 의약학
농수해양학
농수해양학 일반 농학 수산학 식품과학 임학 축산학 해상운송학 기타 농수해양학
예술체육학
예술 일반 디자인 미술 미용 사진 음악학 의상 체육 공연매체예술 기타 예술체육학
복합학
학제간연구 과학기술학 뇌인지과학 기술정책 기타 복합학

ENG

추천
검색
질문

논문 기본 정보

자료유형
학술저널
저자정보
Hyunki Kim (Korea Advanced Institute of Science and Technology) Kiseok Song (K-Healthware) Taehwan Roh (K-Healthware) Hoi-Jun Yoo (Korea Advanced Institute of Science and Technology)
저널정보
대한전자공학회 JOURNAL OF SEMICONDUCTOR TECHNOLOGY AND SCIENCE Journal of Semiconductor Technology and Science Vol.16 No.4
발행연도
2016.8
수록면
436 - 442 (7page)

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색
질문

초록· 키워드

오류제보하기
An electroencephalogram (EEG)-connectome processor to monitor and diagnose mental health is proposed. From 19-channel EEG signals, the proposed processor determines whether the mental state is healthy or unhealthy by extracting significant features from EEG signals and classifying them. Connectome approach is adopted for the best diagnosis accuracy, and synchronization likelihood (SL) is chosen as the connectome feature. Before computing SL, reconstruction optimizer (ReOpt) block compensates some parameters, resulting in improved accuracy. During SL calculation, a sparse matrix inscription (SMI) scheme is proposed to reduce the memory size to 1/24. From the calculated SL information, a small world feature extractor (SWFE) reduces the memory size to 1/29. Finally, using SLs or small word features, radial basis function (RBF) kernel-based support vector machine (SVM) diagnoses user’s mental health condition. For RBF kernels, look-up-tables (LUTs) are used to replace the floating-point operations, decreasing the required operation by 54%. Consequently, The EEG-connectome processor improves the diagnosis accuracy from 89% to 95% in Alzheimer’s disease case. The proposed processor occupies 3.8 ㎟ and consumes 1.71 mW with 0.18μm CMOS technology.
#Connectome #EEG processor #brain disease #synchronization likelihood #wearable

목차

Abstract
Ⅰ. INTRODUCTION
Ⅱ. ARCHITECTURE
Ⅲ. IMPLEMENTATION RESULTS
Ⅳ. CONCLUSIONS
REFERENCES

참고문헌 (10)

참고문헌 신청
[학술대회논문] - H. Kim / 2015 / A 95%accurate EEG-connectome processor for a mental health monitoring system / Asian Solid-State Circuits Conference (A-SSCC) google schola [학술대회논문] - T. Roh / 2012 / A 259.6μW nonlinear HRV-EEG chaos processor with body channel communication interface for mental health monitoring / ISSCC Dig. Tech. Papers : 294 ~ 296 google schola [학술대회논문] - T. Roh / 2014 / A 2.14mW EEG neuro-feedback processor with transcranial electrical stimulation for mental-health management / ISSCC Dig. Tech. Papers : 318 ~ 319 google schola [학술지(정기간행물)] - M. Ahmadlou / 2012 / Graph theoretical analysis of organization of functional brain networks in ADHD / Clinical EEG and Neuroscience 43 (1) : 5 ~ 13 google schola [학술지(정기간행물)] - C. J. Stam / 2007 / Small-world networks and functional connectivity in Alzheimer’s disease / Cerebral Cortex 17 (1) : 92 ~ 99 google schola

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

최근 본 자료

전체보기

댓글(0)

0

UCI(KEPA) : I410-ECN-0101-2017-569-001108846