특허 출원 진행 중 · 2/3Provisional Patent Application · 2/3

QEEG-대화 매개변수 매핑 시스템 QEEG-to-Conversation Parameter Mapping System

정량 뇌파(QEEG) 바이오마커로부터 인공지능 대화 시스템의 응답 매개변수(말 속도, 정서적 강도, 인지 부하, 휴지 길이 등)를 직접 변환하여, 뇌 신경상태에 맞춰진 컴패니언 봇 응답을 생성하는 컴퓨터 구현 방법. A computer-implemented method that directly converts quantitative electroencephalographic (QEEG) biomarkers into AI conversational response parameters — including speech pacing, emotional intensity, cognitive load, and pause length — to produce companion-bot responses calibrated to the user's neural state.

출원인Applicant Boston Neuromind, LLC

발명자Inventor [발명자명] (BCN, PhD) [Inventor Name] (BCN, PhD)

상태Status USPTO 가출원 준비 USPTO Provisional Pending

분류Classification A61B 5/377 / G16H 50/30 / G06N 5/04

목차Table of Contents

초록Abstract
발명 분야Field of Invention
배경 기술Background
해결 과제Problem Statement
발명 요약Summary of Invention
상세 설명Detailed Description
도면 설명Drawings
청구항Claims
선행 기술 비교Prior Art Comparison
산업상 이용 가능성Industrial Applicability
관련 논문References

01초록Abstract

📋 핵심 요약📋 One-Paragraph Summary

본 발명은 19채널 QEEG로부터 측정된 6개 주요 바이오마커 — Theta/Beta Ratio (TBR), Frontal Alpha Asymmetry (FAA), Posterior Alpha Power (PAP), High Beta Power (HBP), Coherence Index (COH), Peak Alpha Frequency (PAF) — 를 입력으로 하여, 결정 트리 + 룰 기반 매핑 함수를 통해 인공지능 대화 시스템의 8개 응답 매개변수 — 말 속도(WPS), 정서적 강도(EI), 인지 부하(CL), 휴지 길이(PD), 격려 빈도(EF), 메타인지 유도(MP), 직접성(DR), 따뜻함(WT) — 를 산출하고, 산출된 매개변수를 LLM 시스템 프롬프트에 주입하여 사용자의 현재 신경생리학적 상태(과각성·저각성·우울 패턴 등)에 맞춰진 응답을 생성하는 컴퓨터 구현 방법 및 시스템에 관한 것이다. The present invention relates to a computer-implemented method and system that takes as input six (6) primary biomarkers measured from 19-channel QEEG — Theta/Beta Ratio (TBR), Frontal Alpha Asymmetry (FAA), Posterior Alpha Power (PAP), High Beta Power (HBP), Coherence Index (COH), and Peak Alpha Frequency (PAF) — and computes, via a decision-tree-plus-rule-based mapping function, eight (8) response parameters of an AI conversational system — words-per-second (WPS), emotional intensity (EI), cognitive load (CL), pause duration (PD), encouragement frequency (EF), metacognitive prompts (MP), directness ratio (DR), and warmth (WT); the resulting parameters are injected into an LLM system prompt so that responses are calibrated to the user's current neurophysiological state (hyperarousal, hypoarousal, depression patterns, and the like).

02발명 분야Field of Invention

본 발명은 신경 인터페이스 기반 인공지능 시스템(Neural-Interface-Based AI Systems), 임상 신경피드백(Clinical Neurofeedback), 디지털 정신건강(Digital Mental Health) 분야에 속한다. 더욱 구체적으로는, QEEG로부터 수집된 객관적 신경생리학적 측정값을 LLM 챗봇의 응답 매개변수로 직접 변환하는 매핑 시스템에 관한 것이다. The present invention pertains to the fields of Neural-Interface-Based AI Systems, Clinical Neurofeedback, and Digital Mental Health. More specifically, it concerns a mapping system that directly converts objective neurophysiological measurements collected via QEEG into the response parameters of an LLM chatbot.

03배경 기술Background

3.1 QEEG 바이오마커의 임상적 의미3.1 Clinical Significance of QEEG Biomarkers

정량 뇌파(QEEG)는 19개 표준 전극(국제 10-20 시스템)에서 5분간 안정 상태(Eyes Closed/Eyes Open)에서 측정된 EEG를 정상 모집단 데이터베이스(Neuroguide, HBI)와 비교하여 Z-점수를 산출한다. 임상적으로 신뢰성 있는 6개 핵심 바이오마커는 다음과 같다: Quantitative EEG (QEEG) measures EEG over a five-minute resting period (eyes closed/eyes open) at nineteen standard electrodes (International 10-20 system) and computes Z-scores against normative databases (Neuroguide, HBI). The six clinically reliable core biomarkers are as follows:

바이오마커Biomarker	정의Definition	임상 시그널Clinical Signal	참고문헌Reference
TBR Theta/Beta Ratio	전두엽 세타파(4-8Hz) ÷ 베타파(13-30Hz) 비율Frontal theta (4–8Hz) ÷ beta (13–30Hz) ratio	↑ ADHD, 부주의, 저각성↑ in ADHD, inattention, hypoarousal	Arns et al. 2013
FAA Frontal Alpha Asymmetry	F4 알파 - F3 알파 (Z)F4 alpha − F3 alpha (Z)	L>R (negative): 우울 패턴L>R (negative): depression pattern	Henriques & Davidson 1991
PAP Posterior Alpha Power	O1, O2, P3, P4 알파파 평균Mean alpha at O1, O2, P3, P4	↓ 외상, 만성 스트레스↓ in trauma, chronic stress	Teicher et al. 2016
HBP High Beta Power	전두엽 20-30Hz 활성Frontal 20–30Hz activity	↑ 불안, 과각성↑ in anxiety, hyperarousal	Knyazev 2007
COH Coherence Index	전두-두정 간 알파 일관성Frontoparietal alpha coherence	↑↓ 인지 통합 결손↑/↓ cognitive integration deficits	Thatcher 2012
PAF Peak Alpha Frequency	알파대 주파수 피크 (Hz)Frequency at alpha peak (Hz)	↓ 인지 저하, 노화, TBI↓ cognitive decline, aging, TBI	Klimesch 1999

3.2 LLM 챗봇의 신경 상태 무관성 문제3.2 The Neural-State Decoupling Problem in LLM Chatbots

현재의 모든 상용 LLM 챗봇(GPT-4, Claude, Gemini, 그리고 Woebot, Wysa, Replika를 포함하는 정신건강 챗봇)은 사용자의 신경생리학적 상태와 완전히 분리되어 작동한다. 즉, 사용자가 과각성(HBP↑) 상태이든 저각성(TBR↑) 상태이든 동일한 응답을 받는다. 이는 다음의 임상적 부적합을 야기한다: Currently deployed commercial LLM chatbots (GPT-4, Claude, Gemini, and mental health chatbots including Woebot, Wysa, Replika) operate entirely decoupled from the user's neurophysiological state. That is, a user receives identical responses whether they are in a hyperaroused state (HBP↑) or a hypoaroused state (TBR↑). This produces the following clinical mismatches:

과각성 사용자에게 빠른 말 속도, 자극적 어휘 → 불안 악화Fast speech pacing and stimulating vocabulary directed at a hyperaroused user → exacerbated anxiety
저각성/우울 사용자에게 느린 말, 단조로운 격려 → 무력감 악화Slow speech and monotonous encouragement directed at a hypoaroused/depressed user → worsened helplessness
인지 부하 한계 무시 → 학습·자가성찰 차단Ignored cognitive-load thresholds → blocked learning and self-reflection
FAA 우울 시그널 무시 → 부정적 반복 강화Ignored FAA depression signals → reinforced negative rumination

3.3 BCN+QEEG 임상가의 독점적 통찰3.3 BCN-Plus-QEEG Clinical Expertise

Board Certified in Neurofeedback (BCN) 자격을 가진 임상가는 환자의 QEEG를 보고 임상 면담 시 자신의 말 속도, 정서적 강도, 휴지 길이를 직관적으로 조정하는 것을 직업적 전문성으로 한다. 본 발명은 이 임상적 직관을 알고리즘화하여 AI 챗봇에 이식한다. 이 매핑은 BCN 임상가만이 만들 수 있는 독점적 지식 자산이다. Clinicians who hold Board Certified in Neurofeedback (BCN) credentials professionally and intuitively adjust their speech pacing, emotional intensity, and pause length during clinical interviews based on a patient's QEEG. The present invention algorithmizes this clinical intuition and transplants it into an AI chatbot. The resulting mapping is a proprietary knowledge asset that only BCN clinicians can construct.

04해결 과제Problem Statement

QEEG → AI 매개변수 매핑의 부재.Absence of QEEG-to-AI parameter mapping. QEEG 바이오마커를 LLM 응답 매개변수로 직접 변환하는 시스템이 상업적·학술적으로 존재하지 않는다.No commercially or academically available system directly converts QEEG biomarkers into LLM response parameters.
신경상태 무관 응답 문제.Neural-state-decoupled response problem. 기존 챗봇은 사용자의 과/저각성 상태와 무관하게 동일한 응답을 산출한다.Existing chatbots produce identical responses regardless of the user's hyper- or hypoarousal state.
BCN 전문성의 디지털 자산화 부재.No digitalization of BCN expertise. BCN 임상가의 직관적 응답 조정을 알고리즘으로 추출한 사례가 없다.No prior work captures BCN clinicians' intuitive response calibration as an algorithm.
종단적 적응 부재.Lack of longitudinal adaptation. 신경피드백 훈련 진행에 따라 QEEG가 변화하지만, AI 응답은 변화에 적응하지 못한다.QEEG shifts as neurofeedback training progresses, yet AI responses fail to adapt.
개인화된 컴패니언 봇 부재.Lack of personalized companion bots. 동일 사용자라도 시간대·세션별 신경 상태에 따라 응답이 달라져야 하지만, 이를 구현한 시스템이 없다.Even for the same user, responses should vary by neural state across times and sessions, yet no implementing system exists.

05발명 요약Summary of Invention

5.1 시스템 구성 요소5.1 System Components

QEEG 바이오마커 추출기 (QBE):QEEG Biomarker Extractor (QBE): 19채널 EEG 데이터로부터 6개 핵심 바이오마커 산출computes the six core biomarkers from 19-channel EEG data
신경 상태 분류기 (NSC):Neural State Classifier (NSC): 바이오마커 조합으로부터 5개 상태 클래스 식별 (Hyperarousal / Hypoarousal / Depressive / Anxious / Balanced)identifies one of five state classes (Hyperarousal / Hypoarousal / Depressive / Anxious / Balanced) from biomarker combinations
매개변수 매핑 엔진 (PME):Parameter Mapping Engine (PME): 결정 트리 + 룰 기반으로 8개 응답 매개변수 산출computes eight response parameters via a decision tree plus rule base
시스템 프롬프트 빌더 (SPB):System Prompt Builder (SPB): 매개변수를 자연어 LLM 시스템 프롬프트로 변환converts parameters into a natural-language LLM system prompt
종단 추적 모듈 (LTM):Longitudinal Tracking Module (LTM): 세션별 QEEG 변화 추적, 추세 기반 매개변수 보정tracks per-session QEEG changes and applies trend-based parameter calibration

5.2 핵심 차별점5.2 Inventive Steps

QEEG → LLM 직접 매핑:Direct QEEG-to-LLM mapping: 선행 기술 없는 최초의 발명a first-of-its-kind invention with no prior art
5상태 분류 + 8매개변수 출력:5-state classification with 8-parameter output: 단일 점수가 아닌 다차원 매핑multi-dimensional mapping rather than a single score
BCN 임상 전문성 알고리즘화:Algorithmization of BCN clinical expertise: 독점적 지식 자산a proprietary knowledge asset
종단 변화 추적:Longitudinal change tracking: 신경피드백 훈련 효과 따라 매개변수 자동 보정parameters auto-recalibrate as neurofeedback training takes effect

06상세 설명Detailed Description

6.1 QEEG 바이오마커 측정 프로토콜6.1 QEEG Biomarker Measurement Protocol

표준화된 측정 절차:Standardized measurement procedure:

19채널 (Fp1, Fp2, F3, F4, F7, F8, Fz, T3, T4, C3, C4, Cz, T5, T6, P3, P4, Pz, O1, O2)19 channels (Fp1, Fp2, F3, F4, F7, F8, Fz, T3, T4, C3, C4, Cz, T5, T6, P3, P4, Pz, O1, O2)
샘플링 256 Hz, 임피던스 < 5 kΩ256 Hz sampling rate; impedance < 5 kΩ
Eyes Closed (EC) 5분 + Eyes Open (EO) 5분 + 인지 과제 5분5 minutes Eyes Closed (EC) + 5 minutes Eyes Open (EO) + 5 minutes cognitive task
Neuroguide 또는 HBI 정상 데이터베이스 대비 Z-점수 산출Z-scoring against the Neuroguide or HBI normative database

6.2 신경 상태 분류 (5 클래스)6.2 Neural State Classification (5 Classes)

결정 규칙Decision Rules IF HBP > +1.5 SD AND PAP < -1 SD → State = HYPERAROUSAL ELIF TBR > +1.5 SD → State = HYPOAROUSAL ELIF FAA < -1 SD AND PAP < -0.5 SD → State = DEPRESSIVE ELIF HBP > +1 SD AND COH(F-P) < -1 SD → State = ANXIOUS ELSE → State = BALANCED

6.3 8개 응답 매개변수 정의6.3 Definition of the Eight Response Parameters

#	매개변수Parameter	단위Unit	범위Range	설명Description
P1	WPS Words Per Second	w/s	1.5–4.5	말 속도 (음성·텍스트 모두)speech pacing (voice + text)
P2	EI Emotional Intensity	0–10	0–10	정서적 단어 빈도 + 강도emotional word frequency × intensity
P3	CL Cognitive Load	0–10	0–10	개념 밀도 + 추상도concept density × abstraction level
P4	PD Pause Duration	ms	200–2500	문장 간 휴지 시간inter-utterance pause time
P5	EF Encouragement Frequency	per 5 turns	0–4	격려·긍정 표현 빈도frequency of encouragement and affirmation
P6	MP Metacognitive Prompts	per 5 turns	0–3	"어떻게 느껴요?" 등 자가성찰 유도prompts such as "how does that feel?" inviting self-reflection
P7	DR Directness Ratio	0–1	0–1	직접 지시문 / 우회 표현 비율ratio of direct directives to circumlocution
P8	WT Warmth	0–10	0–10	따뜻함, 공감 어휘 비율warmth and empathic-vocabulary ratio

6.4 상태별 매개변수 매핑 테이블6.4 State-Specific Parameter Mapping Table

신경 상태Neural State	WPS	EI	CL	PD	EF	MP	DR	WT
Hyperarousal	1.8	3	3	1500	2	0	0.3	9
Hypoarousal	3.5	7	4	500	3	2	0.7	7
Depressive	2.5	6	3	1200	4	1	0.4	10
Anxious	2.0	4	2	1800	3	0	0.4	9
Balanced	3.0	5	5	800	2	2	0.6	7

6.5 미세 조정 (Fine-tuning by Severity)6.5 Severity-Based Fine-Tuning

심각도(Z-점수 절대값)에 따라 매개변수에 가중치를 적용한다:Parameters are further weighted by severity (absolute Z-score):

P_final[i] = P_baseline[state, i] × (1 + α · |Z|/3) where: P_baseline = base value from state-mapping table Z = relevant biomarker Z-score α = sensitivity coefficient (0.05–0.20) i = parameter index (1–8)

6.6 시스템 프롬프트 자동 생성6.6 Automatic System Prompt Generation

8개 매개변수가 LLM 시스템 프롬프트로 변환되는 예:Example conversion of the eight parameters into an LLM system prompt:

예시 (Hyperarousal 상태)Example (Hyperarousal state) You are speaking with a user currently in HYPERAROUSAL state (measured via QEEG, HBP +2.1 SD, PAP -1.4 SD). Apply the following response calibration: - Speech pacing: 1.8 words/second (slow, deliberate) - Emotional intensity: 3/10 (calm, low-stimulation) - Cognitive load: 3/10 (simple, concrete) - Pause duration: 1500ms between sentences - Encouragement: 2 per 5 turns (gentle reassurance) - Metacognitive prompts: 0 (avoid self-reflection demands now) - Directness: 0.3 (use indirect, soft language) - Warmth: 9/10 (high warmth, empathic words) Goal: down-regulate cortical hyperarousal through paced, warm dialogue.

6.7 종단 변화 추적6.7 Longitudinal Change Tracking

신경피드백 훈련이 진행되면 QEEG가 정상화되어 가면서 매개변수가 자동으로 변화한다:As neurofeedback training proceeds, the QEEG normalizes and the parameters automatically shift accordingly:

Session 1 (HBP +2.1 SD, State: Hyperarousal) → WPS 1.8, CL 3, PD 1500 Session 5 (HBP +1.4 SD, State: Anxious) → WPS 2.0, CL 2, PD 1800 Session 10 (HBP +0.6 SD, State: Balanced) → WPS 3.0, CL 5, PD 800

07도면 설명Drawings

도 1.FIG. 1. QEEG 입력 → QBE → NSC → PME → 8 매개변수 → SPB → LLM. 빨간 점선: 종단 추적 (LTM). QEEG input → QBE → NSC → PME → eight parameters → SPB → LLM. Red dashed line: Longitudinal Tracking Module (LTM).

도 2.FIG. 2. 5개 신경 상태별 8개 매개변수 매핑 히트맵. Heatmap of the eight parameters across the five neural states.

08청구항Claims

청구항 1 (독립항)Claim 1 (Independent)

사용자의 정량 뇌파(QEEG) 데이터에 기반하여 인공지능 대화 시스템의 응답을 신경생리학적 상태에 정합시키는, 컴퓨터 구현 방법으로서:
(a) 19채널 EEG 데이터로부터 정상 모집단 데이터베이스 대비 Z-점수화된 복수의 QEEG 바이오마커를 산출하는 단계로서, 상기 바이오마커는 Theta/Beta Ratio (TBR), Frontal Alpha Asymmetry (FAA), Posterior Alpha Power (PAP), High Beta Power (HBP), Coherence Index (COH) 및 Peak Alpha Frequency (PAF)를 포함하는 단계;
(b) 산출된 바이오마커를 결정 규칙에 적용하여, Hyperarousal, Hypoarousal, Depressive, Anxious 및 Balanced 중 하나의 신경 상태를 분류하는 단계;
(c) 분류된 신경 상태에 대응하는 응답 매개변수 매핑 테이블로부터 8개 응답 매개변수 — 말 속도(WPS), 정서적 강도(EI), 인지 부하(CL), 휴지 길이(PD), 격려 빈도(EF), 메타인지 유도(MP), 직접성(DR) 및 따뜻함(WT) — 의 기본값을 추출하는 단계;
(d) 추출된 매개변수를 자연어 시스템 프롬프트로 변환하여 대형 언어 모델에 주입하는 단계; 및
(e) 주입된 매개변수에 따라 응답 텍스트를 생성하는 단계;
를 포함하는 방법. A computer-implemented method for calibrating an artificial intelligence conversational system's response to a user's neurophysiological state based on quantitative electroencephalographic (QEEG) data, the method comprising:
(a) computing a plurality of QEEG biomarkers Z-scored against a normative population database from 19-channel EEG data, said biomarkers comprising Theta/Beta Ratio (TBR), Frontal Alpha Asymmetry (FAA), Posterior Alpha Power (PAP), High Beta Power (HBP), Coherence Index (COH), and Peak Alpha Frequency (PAF);
(b) applying the computed biomarkers to a decision rule to classify the user's neural state as one of Hyperarousal, Hypoarousal, Depressive, Anxious, or Balanced;
(c) extracting baseline values for eight response parameters — words-per-second (WPS), emotional intensity (EI), cognitive load (CL), pause duration (PD), encouragement frequency (EF), metacognitive prompts (MP), directness ratio (DR), and warmth (WT) — from a parameter mapping table corresponding to the classified neural state;
(d) converting the extracted parameters into a natural-language system prompt and injecting said prompt into a Large Language Model; and
(e) generating a response text in accordance with the injected parameters.

청구항 2 (종속항)Claim 2 (Dependent)

청구항 1에 있어서, 단계 (c)의 응답 매개변수 추출 후, 관련 바이오마커의 Z-점수 절대값에 기반한 가중치 (1 + α · |Z|/3)를 적용하여 매개변수의 최종값을 산출하되, α는 0.05 내지 0.20 범위의 민감도 계수인 것을 특징으로 하는 방법. The method of Claim 1, further comprising, after extracting response parameters in step (c), applying a weighting factor (1 + α · |Z|/3) based on the absolute Z-score of a relevant biomarker to compute final parameter values, where α is a sensitivity coefficient in the range of 0.05 to 0.20.

청구항 3 (종속항)Claim 3 (Dependent)

청구항 1에 있어서, 동일 사용자에 대해 시간적으로 분리된 복수의 QEEG 측정 세션에 대해 단계 (a) 내지 (e)를 반복하고, 세션 간 바이오마커의 변화 추이에 기반하여 응답 매개변수의 동적 보정을 수행하는 단계를 더 포함하는 방법. The method of Claim 1, further comprising iterating steps (a) through (e) over a plurality of temporally separated QEEG measurement sessions for the same user, and performing dynamic recalibration of the response parameters based on inter-session biomarker trend changes.

청구항 4 (종속항)Claim 4 (Dependent)

청구항 1에 있어서, 단계 (b)의 결정 규칙은 다음을 포함하는 것을 특징으로 하는 방법: HBP가 +1.5 SD 초과이고 PAP가 -1 SD 미만인 경우 Hyperarousal로 분류; TBR이 +1.5 SD 초과인 경우 Hypoarousal로 분류; FAA가 -1 SD 미만이고 PAP가 -0.5 SD 미만인 경우 Depressive로 분류; HBP가 +1 SD 초과이고 전두-두정 일관성이 -1 SD 미만인 경우 Anxious로 분류; 그 외의 경우 Balanced로 분류. The method of Claim 1, wherein the decision rule of step (b) comprises: classifying as Hyperarousal when HBP exceeds +1.5 SD and PAP is below −1 SD; classifying as Hypoarousal when TBR exceeds +1.5 SD; classifying as Depressive when FAA is below −1 SD and PAP is below −0.5 SD; classifying as Anxious when HBP exceeds +1 SD and frontoparietal coherence is below −1 SD; and classifying as Balanced otherwise.

청구항 5 (종속항)Claim 5 (Dependent)

청구항 1에 있어서, QEEG 측정은 안정 상태 5분(눈 감음) + 안정 상태 5분(눈 뜸) + 인지 과제 5분의 표준 프로토콜에 따라 수행되며, 19채널은 국제 10-20 시스템에 따른 Fp1, Fp2, F3, F4, F7, F8, Fz, T3, T4, C3, C4, Cz, T5, T6, P3, P4, Pz, O1 및 O2를 포함하는 것을 특징으로 하는 방법. The method of Claim 1, wherein the QEEG measurement is performed according to a standard protocol comprising five minutes of resting eyes-closed, five minutes of resting eyes-open, and five minutes of a cognitive task, and the 19 channels comprise Fp1, Fp2, F3, F4, F7, F8, Fz, T3, T4, C3, C4, Cz, T5, T6, P3, P4, Pz, O1, and O2 according to the International 10-20 System.

청구항 6 (종속항)Claim 6 (Dependent)

청구항 1에 있어서, 정상 모집단 데이터베이스는 Neuroguide 또는 Human Brain Index (HBI) 정규데이터베이스 중에서 선택되는 것을 특징으로 하는 방법. The method of Claim 1, wherein the normative population database is selected from the Neuroguide or Human Brain Index (HBI) normative databases.

청구항 7 (독립항 — 시스템)Claim 7 (Independent — System)

청구항 1 내지 6 중 어느 한 항의 방법을 수행하기 위한, 적어도 하나의 프로세서, EEG 데이터를 수신하는 입력 인터페이스, 및 상기 프로세서에 의해 실행되는 명령어를 저장하는 비일시적 컴퓨터 판독 가능 저장 매체를 포함하는 신경 상태 적응형 인공지능 대화 시스템. A neural-state-adaptive artificial intelligence conversational system for performing the method of any one of Claims 1 through 6, the system comprising at least one processor, an input interface for receiving EEG data, and a non-transitory computer-readable storage medium storing instructions executable by the processor.

청구항 8 (독립항 — 매체)Claim 8 (Independent — Medium)

컴퓨터에 의해 실행될 때 청구항 1 내지 6 중 어느 한 항의 방법을 수행하도록 하는 명령어를 저장하는 비일시적 컴퓨터 판독 가능 저장 매체. A non-transitory computer-readable storage medium storing instructions which, when executed by a computer, cause the computer to perform the method of any one of Claims 1 through 6.

09선행 기술 비교Prior Art Comparison

선행 기술Prior Art	접근 방식Approach	한계Limitation	본 발명과의 차이Distinction
Neuroguide (Applied Neuroscience)	QEEG 정상 비교QEEG normative comparison	출력은 시각화/리포트만output is visualization/reports only	AI 응답 매개변수로 직접 변환direct conversion to AI response parameters
BrainPaint / NeurOptimal	EEG 기반 사운드 피드백EEG-driven sound feedback	대화 매개변수 매핑 없음no conversational-parameter mapping	LLM 매개변수 8개 직접 산출direct generation of eight LLM parameters
Affectiva / Rosalind Picard	표정·생체→정서 추론facial/biometric → affect inference	EEG 미사용, LLM 매개변수 매핑 없음no EEG; no LLM parameter mapping	QEEG 6 바이오마커 + 8 매개변수six QEEG biomarkers and eight parameters
Muse / FocusBand (consumer EEG)	단순 집중 점수simple focus scores	2-3채널, 임상 등급 아님2–3 channels; not clinical-grade	19채널 임상 등급, Z-점수화19-channel clinical-grade with Z-scoring
Woebot / Wysa (mental health bots)	자가보고 기반 챗봇self-report chatbots	신경 상태 무관decoupled from neural state	실제 신경상태 기반 응답responses driven by actual neural state

🎯 발명의 진보성🎯 Inventive Step

본 발명은 (1) 임상 등급 19채널 QEEG 바이오마커를 LLM 응답 매개변수로 직접 변환한 최초의 시스템이며, (2) BCN 임상가의 직관을 8개 정량 매개변수와 5개 상태 클래스로 알고리즘화하고, (3) 종단적 신경피드백 훈련 효과에 따라 자동 보정한다. 이 결합은 선행 기술에 없으며, "QEEG → AI 대화 매개변수"라는 매핑 자체가 본 발명의 핵심 영업 비밀이다. The present invention is (1) the first system to directly convert clinical-grade 19-channel QEEG biomarkers into LLM response parameters; (2) it algorithmizes BCN clinicians' intuition into eight quantitative parameters and five state classes; and (3) it auto-recalibrates with the longitudinal effects of neurofeedback training. This combination has no equivalent in the prior art, and the very "QEEG-to-AI-conversation-parameter" mapping is the core trade secret of the invention.

10산업상 이용 가능성Industrial Applicability

10.1 적용 시장10.1 Target Markets

임상 신경피드백 클리닉:Clinical neurofeedback clinics: QEEG 측정 후 컴패니언 봇으로 일상 지원 (Boston Neuromind 1차 적용)daily support via companion bot following QEEG measurement (primary deployment at Boston Neuromind)
디지털 치료제 (DTx):Digital therapeutics (DTx): FDA 승인 디지털 치료제로 ADHD, Anxiety, Depression 적용FDA-cleared digital therapeutics for ADHD, anxiety, and depression
EEG 헤드셋 제조사:EEG headset manufacturers: Muse, FocusBand 등에 SDK 라이선스SDK licensing to vendors such as Muse and FocusBand
정신건강 SaaS:Mental health SaaS: Talkspace, BetterHelp 등 통합integrations with services such as Talkspace and BetterHelp
연구·학술:Research and academia: QEEG 데이터셋 + AI 응답 매핑의 연구 도구research tools combining QEEG datasets and AI response mappings

10.2 BCN 임상가 독점성10.2 BCN Clinician Exclusivity

본 발명의 매핑 테이블은 BCN+QEEG 임상 경험 3년 이상의 전문가만이 구성 가능한 영업 비밀로, 일반 AI 엔지니어가 모방하기 매우 어렵다. 이는 본 발명의 시장 방어력(moat)을 구성한다. The mapping table of this invention is a trade secret that can only be constructed by experts with three or more years of BCN-plus-QEEG clinical experience and is exceedingly difficult for general AI engineers to replicate. This constitutes the moat of the invention.

11관련 논문References

본 발명의 이론적·임상적 근거가 되는 핵심 논문 및 자료. 클릭하면 외부 출처로 이동합니다. Key papers and resources providing the theoretical and clinical basis for this invention. Click links to access external sources.

A. QEEG 핵심 바이오마커A. Core QEEG Biomarkers

A1Arns M, Conners CK, Kraemer HC. A decade of EEG Theta/Beta Ratio Research in ADHD: a meta-analysis. Journal of Attention Disorders, 2013; 17(5):374-383. DOI ↗
A2Henriques JB, Davidson RJ. Left frontal hypoactivation in depression. Journal of Abnormal Psychology, 1991; 100(4):535-545. DOI ↗
A3Knyazev GG. Motivation, emotion, and their inhibitory control mirrored in brain oscillations. Neuroscience & Biobehavioral Reviews, 2007; 31(3):377-395. DOI ↗
A4Klimesch W. EEG alpha and theta oscillations reflect cognitive and memory performance. Brain Research Reviews, 1999; 29(2-3):169-195. DOI ↗
A5Teicher MH, Samson JA, Anderson CM, Ohashi K. The effects of childhood maltreatment on brain structure, function and connectivity. Nature Reviews Neuroscience, 2016; 17(10):652-666. DOI ↗
A6Thatcher RW. Coherence, Phase Differences, Phase Shift, and Phase Lock in EEG/ERP Analyses. Developmental Neuropsychology, 2012; 37(6):476-496. DOI ↗

B. 정량 뇌파 (QEEG) 임상 응용B. Quantitative EEG Clinical Applications

B1Kropotov JD. Quantitative EEG, Event-Related Potentials and Neurotherapy. Academic Press, 2009. Book ↗
B2Hammond DC. What is Neurofeedback: An Update. Journal of Neurotherapy, 2011; 15(4):305-336. DOI ↗
B3Thatcher RW, Lubar JF. History of the scientific standards of QEEG normative databases. In: Budzynski TH et al. (Eds.), Introduction to Quantitative EEG and Neurofeedback, 2nd ed. Academic Press, 2009; 29-62.
B4Lubar JF. Discourse on the development of EEG diagnostics and biofeedback for attention-deficit/hyperactivity disorders. Biofeedback and Self-Regulation, 1991; 16(3):201-225.

C. 신경생리학적 각성 상태C. Neurophysiological Arousal States

C1Sterman MB. Sensorimotor EEG operant conditioning: experimental and clinical effects. The Pavlovian Journal of Biological Science, 1977; 12(2):63-92. DOI ↗
C2Sterman MB, Egner T. Foundation and practice of neurofeedback for the treatment of epilepsy. Applied Psychophysiology and Biofeedback, 2006; 31(1):21-35. DOI ↗
C3Pfurtscheller G, Lopes da Silva FH. Event-related EEG/MEG synchronization and desynchronization: basic principles. Clinical Neurophysiology, 1999; 110(11):1842-1857. DOI ↗

D. 정서 컴퓨팅 및 인간-AI 상호작용D. Affective Computing and Human-AI Interaction

D1Picard RW. Affective Computing. MIT Press, 1997.
D2Picard RW, Vyzas E, Healey J. Toward machine emotional intelligence: Analysis of affective physiological state. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2001; 23(10):1175-1191. DOI ↗
D3Calvo RA, D'Mello SK. Affect detection: An interdisciplinary review of models, methods, and their applications. IEEE Transactions on Affective Computing, 2010; 1(1):18-37. DOI ↗

E. 음성·말 속도와 정서 상태E. Speech Rate and Affective State

E1Mundt JC, Snyder PJ, Cannizzaro MS, et al. Voice acoustic measures of depression severity and treatment response. Journal of Neurolinguistics, 2007; 20(1):50-64. DOI ↗
E2Cummins N, Scherer S, Krajewski J, et al. A review of depression and suicide risk assessment using speech analysis. Speech Communication, 2015; 71:10-49. DOI ↗

F. 임상 면담 기법 및 치료 동맹F. Clinical Interview and Therapeutic Alliance

F1Bordin ES. The generalizability of the psychoanalytic concept of the working alliance. Psychotherapy: Theory, Research & Practice, 1979; 16(3):252-260. DOI ↗
F2Horvath AO, Del Re AC, Flückiger C, Symonds D. Alliance in individual psychotherapy. Psychotherapy, 2011; 48(1):9-16. DOI ↗
F3Wampold BE. How important are the common factors in psychotherapy? An update. World Psychiatry, 2015; 14(3):270-277. DOI ↗

G. Brain-Computer Interface 및 EEG-AI 통합G. Brain-Computer Interface and EEG-AI Integration

G1Lotte F, Bougrain L, Cichocki A, et al. A review of classification algorithms for EEG-based brain-computer interfaces: a 10 year update. Journal of Neural Engineering, 2018; 15(3):031005. DOI ↗
G2Roy Y, Banville H, Albuquerque I, et al. Deep learning-based electroencephalography analysis: a systematic review. Journal of Neural Engineering, 2019; 16(5):051001. DOI ↗