An electroencephalography (EEG)-connectome processor for mental health monitoring systems is proposed. From 19-channel EEG signals, the proposed processor extracts features and they are used to determine whether the mental state is healthy or not. As it deals with the mental health, the most important thing is high accuracy. Connectome is known as the most accurate approach for complicated mental health because it contains information about inter-channel connectivity. However, it requires more memory and computational costs. As a result, the proposed processor is implemented to calculate connectome with memory reduction and computational cost reduction schemes.
Before calculating connectome, EEG reconstruction has to be proceeded. Reconstruction optimizer (ReOpt) block compensates the reconstruction parameters named embedding delay and embedding dimension. Optimal selection of delay leads to the highest accuracy up to 95%, and optimal selection of dimension averagely halves the computational cost. Synchronization likelihood extractor (SLE) block calculates synchronization likelihoods (SLs) as a connectome feature. Sparse matrix inscription (SMI) scheme is proposed in SLE to reduce the required memory size to 1/24. Totally 171 SLs are calculated as the outputs of SLE. Small world feature extractor (SWFE) block converts those 171 SLs into 6 small world features to reduce the data dimension. 171 SLs or 6 small world features become the input vectors for the classifier, radial basis function (RBF) kernel-based support vector machine (SVM). Look-up-tables (LUTs) are adopted to replace the floating-point operations in SWFE and RBF, resulting in 54% decrease of required operations.
The validity of the proposed processor is verified with 19-channel EEG measurement for controls and Alzheimer’s disease (AD) patients. Thanks to SLE, the proposed processor achieves 95% of diagnosis accuracy. The proposed processor occupies $3.8 mm^2$, consumes 1.71mW, and has 0.6 seconds of latency in $0.18\mum$ CMOS technology.
정신 건강 모니터링을 위한 커넥톰 프로세서를 제안한다. 이 프로세서는 19 채널 뇌전도 신호로부터 의미 있는 지표를 추출하고, 추출한 지표를 이용해 정신 건강 상태를 진단한다. 이때, 사람의 정신 건강과 관련되어 있기 때문에 진단의 정확도가 가장 중요한 기준이 된다. 따라서 복잡한 정신 질환을 판별하기에 가장 정확한 지표 중 하나로 알려진 커넥톰을 채택하였다. 커넥톰은 채널 사이의 연관관계를 비롯해 기존에 보지 않던 정보를 담고 있어 정확도가 높은 반면 많은 메모리와 계산비용을 필요로 한다. 따라서 이 커넥톰 프로세서는 메모리와 계산비용을 줄이는 데 초점을 맞춰 설계되었다.
커넥톰을 계산하기 위해서는 이에 앞서 뇌전도 신호의 reconstruction을 먼저 진행해야 한다. Reconstruction optimizer (ReOpt) 블록은 reconstruction에 사용되는 변수들의 최적 값을 계산해주는 역할을 한다. 변수의 최적화를 통해 95%의 고정확도를 얻을 수 있으며, 계산비용 역시 평균적으로 절반을 줄일 수 있게 된다. Synchronization likelihood extractor (SLE) 블록은 뇌전도 신호와 reconstruction을 위한 변수들로부터, 대표적 커넥톰 지표인 synchronization likelihood (SL) 을 계산하는 역할을 한다. 여기서 sparse matrix inscription (SMI) 기법을 통해 메모리 크기를 1/24로 줄였으며, 연산 결과로서 171개의 SL 값이 나오게 된다. Small world feature extractor (SWFE) 블록은 이 171개의 SL 값을 6개의 small world 지표로 바꾸어주어 분류기로 들어가는 데이터의 크기를 줄인다. 분류기로는 radial basis function (RBF) kernel-based support vector machine (SVM) 을 사용하였다. SWFE와 RBF에는 부동소수점 연산이 필요한데, look-up table (LUT) 로 이를 대체해 계산비용을 54% 줄일 수 있었다.
커넥톰 프로세서의 유효성을 검증하기 위해 실제 알츠하이머병 환자와 대조군으로부터 19 채널 뇌전도 신호를 측정해 분석을 진행했다. 최종적으로 커넥톰 또는 SL을 계산해주는 SLE로 인해 95%의 정확도로 알츠하이머병 진단에 성공하였다. 커넥톰 프로세서는 $0.18\mum$ CMOS 공정에서 $3.8mm^2$ 면적 안에 집적되었으며, 1.71mW의 전력을 소모하고 0.6초의 지연시간 안에 커넥톰을 계산할 수 있었다.
