KR100900258B1

KR100900258B1 - 사람 지능측정을 위한 신경생물학적 방법

Info

Publication number: KR100900258B1
Application number: KR1020070080242A
Authority: KR
Inventors: 이건호; 최유용; 김경진; 이종민
Original assignee: 재단법인서울대학교산학협력재단
Priority date: 2006-08-09
Filing date: 2007-08-09
Publication date: 2009-05-29
Anticipated expiration: 2027-08-09
Also published as: WO2008018763A1; US8301223B2; KR20080013829A; US20100174171A1

Abstract

본 발명은 신경생물학적 방법에 의해 사람의 지능을 측정하는 방법에 관한 것이다. 본 발명은 피험자의 MRI 및 fMRI 영상을 이미지 가공하여 피질 두께 및 뇌 활성화를 측정하여 구조적 IQ (sIQ) 및 기능적 IQ (fIQ)를 구하고 이를 예측인자로 사용하여 신경측정 IQ (nIQ)를 측정할 수 있는 방법을 제공한다. 본 발명자들은 신경측정 IQ (nIQ) 모델 개념을 정립하였으며, 이는 일반 인식 능력에 있어 개인적인 차이를 용이하게 평가하는데 도움을 줄 것이다. 이들 결과는 일반 인식 능력이, 2개의 다른 신경적 기초 및 특성 즉, 신경회로의 촉진 및 결정화된 지식의 축적으로 설명될 수 있음을 시사한다.

지능측정, 구조적 IQ, 기능적 IQ, 신경측정 IQ

Description

사람 지능측정을 위한 신경생물학적 방법 {NEUROBIOLOGICAL MODEL TO MEASURE HUMAN INTELLIGENCE}

본 발명은 신경생물학적 방법에 의해 사람의 지능을 측정하는 방법에 관한 것이다.

일반 지능은 일반적으로 지적 능력에 관한 것으로, 개념적으로는 일반 요인 g 또는 유동 추리 능력과 다소 차이가 있다. 전통적인 심리측정에서, 서로 관련 있지만 구분되는 2가지 일반 지능, 즉 유동 일반지능 (gF)과 결정 일반지능 (gC)이 있다고 널리 공지되어 있다 (참고문헌: Cattell, R. B. (1963). Theory of fluid and crystallized intelligence: A critical experiment. J. Educ. Psychol., 54, 1-22; Cattell, R. B. (1987). Intelligence: Its structure, growth and action. New York: Elsevier Science). gF는 일반적으로 추리력 및 새로운 문제-해결 능력, 유사성 및 일련의 문자 및 숫자에서와 같이 관계를 관찰하는 능력을 말하며, 이것은 선행 경험 및 학습된 지식과는 독립적인 것이다. 이와는 대조적으로, gC는 의미론적 지식 및 일시적인 기억을 포함하여 장기간 저장이 가능한 선행 습득 지식에 기초한 인식 기능이다.

20세기 초 이래, 많은 심리측정 종합 테스트 (즉, IQ 테스트; 예컨대, Wechsler-derived batteries, Thorndike test, Kaufman test, Raven test)가 일반 지능에서 개인의 차이를 측정하기 위해 고안되어왔다. 상기 종합 테스트를 사용하여, 심리측정학자들은 궁극적으로 인식 기능을 향상시키기 위해 개인의 차이의 원천을 밝히려고 시도하였다. 그러나, 심리측정 연구자들이 인과적인 증거 보다는 상관적인 증거를 제공하여 왔기 때문에 상기 메커니즘은 여전히 불명확한 상태이다 (참고문헌: Neisser, U., Boodoo, G., Bouchard, T. J. J., Boykin, A. W., Brody, N., Ceci, S. J., et al. (1996). Intelligence: Knowns and unknowns. Am. Psychol., 51, 77-101).

일반 지능의 표준 테스트를 위한 RAPM (Raven's Advanced Progressive Matrices Set II)은 심리측정 g (참고문헌: Raven, J., Raven, J. C., & Court, J. H. (1998). Manual for Raven's Progressive Matrices and Vocabulary Scales. Oxford: Oxford Psychologists Press)의 가장 이론적인 방법 중 하나이다. 표준지능지수(IQ) 테스트인 WAIS (Wechsler's Adult Intelligence Scale)는, 11개의 하위 테스트에 기초한 결정지능과 유동지능 둘 모두를 측정하기 위한 방법이다 (참고문헌: Marshalek, B., Lohman, D. F., & Snow, R. (1983). The complexity continuum in the radex and hierarchical models of intelligence. Intelligence, 7, 107-127; Wechsler, D. (1981). WAIS-R Manual. New York: Psychol. Corp). 11개 하위 테스트는 정보(Information), 이해(Comprehension), 어휘(Vocabulary), 유사성(Similarities), 블록 디자인(Block Design), 사물 조립(Object Assembly), 그림 완성(Picture Completion), 숫자외우기검사(Digit Span), 산술(Arithmetic), 숫자-기호 맞추기(Digit Symbol), 및 그림 정렬(Picture Arrangement)을 포함한다. WAIS의 요인 분석 연구를 통해 언어 이해 및 지각적 조직화(Perceptual Organization)로 명명되는 요인이 있음을 발견되었고, 정보, 이해, 및 유사성 하위 테스트가 언어 이해(Verbal Comprehension) 또는 결정 지능의 강력한 측정 수단으로 분류됨을 입증되었으며, 블록 디자인, 사물조립, 및 그림완성의 하위 테스트는 지각적 조직화 또는 유동 지능의 강력한 측정 방법으로 분류됨을 밝혀졌다 (Beck, N. C., Horwitz, E., Seidenberg, M., Parker, J., & Frank, R. (1985). WAIS-R factor structure in psychiatric and general medical patients. J Consult Clin Psychol, 53(3), 402-405; Leckliter, I. N., Matarazzo, J. D., & Silverstein, A. B. (1986). A literature review of factor analytic studies of the WAIS-R. J Clin Psychol, 42(4), 332-342; Marshalek, B., Lohman, D. F., & Snow, R. (1983). The complexity continuum in the radex and hierarchical models of intelligence. Intelligence, 7, 107-127; McGrew, K. S., & Flanagan, D. P. (1998). The Intelligence Test Desk Reference (ITDR): Gf-Gc Cross-Battery Assessment. Boston: Allyn & Bacon; Parker, K. (1983). Factor analysis of the WAIS-R at nine age levels between 16 and 74 years. Journal of Consulting and Clinical Psychology, 51, 302-308).

지난 10여년에 걸쳐, 해부학적 MRI (Magnetic Resonance Image), fMRI (functional MRI), PET (Positron Emission Tomography) 및 MRS (Magnetic Resonance Spectroscopy)를 포함하는 다양한 기술을 사용하는 신경영상 연구들에 의해 유동 추리, 작업 기억 및 문제-해결 능력과 같은 다양한 인식 기능의 신경생물학적 기초가 밝혀졌다 (Gray, J. R., & Thompson, P. M. (2004). Neurobiology of intelligence: science and ethics. Nat. Rev. Neurosci., 5, 471-482). 그러나, 이러한 접근방법은 gC의 신경적 기초와 gF 또는 단위 요인 g를 차별화하기에는 본질적인 제약을 가지고 있다. 우선, gF와 gC에서 개인차는 정상 코호트 (cohort)에서 강한 상호상관관계를 보인다 (r=.7-.8, Jensen, A. R. (1998). The g factor: The science of mental ability. Westport, CT: Praeger; Kaufman, A. S., & Horn, J. L. (1996). Age changes on test of fluid and crystallized ability for women and men on the Kaufman adolescent and adult intelligence test (KAIT) at ages 17-94 years. Archives of Clinical Neuropsychology, 11, 97-121). 지능의 2가지 기능 도메인 (gF 및 gC)에 대한 명백한 신경적 기초가 존재하긴 하지만, 이들의 관련성은 장기간 저장에서 정보를 암호화하고 회수함으로써 gC의 축적 및 발현을 용이하게 만드는데 gF가 실질적인 역할을 한다는 개념에 의해 설명될 수 있다. 둘째로, WAIS (Wechsler's Adult Intelligence Scale) 하위 테스트 정보 및 어휘의 전형적인 결정 지식 내용은 유동 추리력 및 작업 기억 용량에 낮은 의존도에도 불구하고 높은 g-로딩 (r=.6-.7)인 것으로 밝혀졌다 (Colom, R., Jung, R. E., & Haier, R. J. (2006). Distributed brain sites for the g-factor of intelligence. NeuroImage, 31(3), 1359-1365; Lee, K. H., Choi, Y. Y., Gray, J. R., Cho, S. H., Chae, J. H., Lee, S., et al. (2006). Neural correlates of superior intelligence: stronger recruitment of posterior parietal cortex. NeuroImage, 29(2), 578-586)

따라서 결정 지식에 특이적인 신경 메커니즘을 분석하기 위해서는 보다 상세한 실험적인 이론적 틀과 방법이 필요하다.

본 발명자들은 gC 및 gF의 분리를 설명하는 gF 및 gC의 복합 모델을 공식화하고 추가로 일반 지능에서 개인차를 예측하기 위한 보다 우수한 방법을 개발함으로써 본 발명을 완성하였다.

본 발명의 목적은 사람의 지능을 측정하기 위한 신경측정 IQ 측정 방법을 제공하는 것이다.

상기 목적을 달성하기 위해, 본 발명은 MRI 및 fMRI 측정부, 측정영상 가공부, 예측인자 추출부 및 지능 측정부로 구성된 사람의 신경측정 IQ (nIQ)를 측정하기 위한 시스템을 제공한다.

또한, 본 발명은 (1) 피험자 뇌에 대한 MRI 및 fMRI 영상 측정 단계; (2) 단계 (1)에서 측정된 영상에 대한 이미지 가공 단계; (3) 이미지 가공 영상으로부터 피험자의 대뇌에 대한 구조적 예측인자 (구조적 IQ, sIQ) 및 기능적 예측인자 (기능적 IQ, fIQ)를 도출하는 단계; 및 (4) 상기 구조적 예측인자 및 상기 기능적 예측인자를 이용하여 피험자의 지능을 측정하는 단계를 포함하는, 피험자의 신경측정 IQ (nIQ)를 측정하는 방법을 제공한다.

상기 방법에서, sIQ는 MRI에 의한 해부학적 뇌영상을 이용하고 CLASP (Constrained Laplacian-based Automated Segmentation with Proximities) 알고리즘 (참고문헌: Kim, et al, (2005) Automated 3-D extraction and evaluation of the inner and outer cortical surfaces using a Laplacian map and partial volume effect classification., NeuroImage, 27(1), 210-221)을 이용한 3차원 구 조분석을 통하여 지능과 관련있는 주요 뇌영역에서 측정한 회질 두께(t _i )를 이용한 공식 (하기 식 1),

<식 1>

에 의해 측정된다. 여기에서 s는 피험자의 성별로서 남자의 경우 1, 여자는 0 의 값을 가진다. n 은 지능과 관련한 뇌영역 (ROI)의 수이다. α, β, γ는 상용 통계패키지 (예, SPSS)의 선형회귀분석기법을 피험자들의 두께정보에 적용하여 얻은 값을 사용한다.

fIQ는 fMRI 영상을 이용하고 통계분석 소프트웨어 SPM (Statistical parametric maps, The Wellcome Department of Cognitive Neurology, Institute of Neurology, Functional Imaging Laboratory, London, UK)를 이용한 뇌활동성 분석을 통하여 지능과 관련있는 주요 뇌영역에서 측정한 활성도(a _i )를 이용한 공식 (하기 식 2),

<식 2>

에 의해 도출/측정되었다. 여기에서 s는 피험자의 성별로서 남자의 경우 1, 여자는 0 의 값을 가진다. n 은 지능과 관련한 뇌영역 (ROI)의 수이다. α, β, γ 는 상용 통계패키지의 선형회귀분석기법을 피험자들의 활동성 자료에 적용하여 얻은 값을 사용한다.

상기, 단계 (4)에서 피험자의 지능을 측정하기 위해서는 하기식 3이 사용된다.

<식 3>

상기 식에서, nIQ는 신경측정 IQ; sIQ는 구조적 IQ; fIQ는 기능적 IQ이다. α, β1, β2는 상용 통계패키지의 선형회귀분석기법을 피험자들의 sIQ 및 fIQ 자료에 적용하여 얻은 값을 사용한다.

본 발명에 따른, 뇌의 구조적 및 기능적 측정치를 통합한 신경측정 모델은 사람의 지능을 측정하기 위한 새로운 신경과학적 방법으로 매우 유용하다.

이하, 본 발명을 하기 실시예를 통하여 더욱 상세히 설명한다. 하기 실시예는 본 발명을 예시하고자 하는 것으로, 본 발명을 제한하고자 하는 것은 아니다.

도 1 및 도 6에 도시한 바와 같이, 본 발명은 사람의 신경측정 IQ (nIQ)를 측정하기 위한 방법을 제공하며, 이를 위한 nIQ 측정 시스템은 MRI 측정부, 측정 영상 가공부, 예측인자 추출부 및 지능 측정부로 구성되며, nIQ를 측정하는 방법은 피험자의 MRI 및 fMRI를 측정하고 측정한 영상을 가공한 다음 이로부터 예측인자를 측정하여 피험자의 nIQ를 측정하는 것이다.

본 발명자들은 본 발명에 따른 nIQ 측정 방법의 확립과 함께 본 발명의 nIQ 측정 방법이 종래의 통상적인 IQ 측정방법과 통계학적으로 유의미한 상관도를 가짐을 입증하기 위해 다음과 같은 연구를 수행하였다.

1. 피험자의 선정

연구를 위한 프로토콜을 기관 윤리 위원회 (institutional review boards, IRB; 서울대학교, 가톨릭대학교)로부터 승인받았고 참가자들로부터 서면 동의를 받았다. 469명의 지원자가 모집되었고 잠재적으로 지능발달이 더딘 범위를 제외한 지능의 전체 범위에 대해 스크리닝하였다. 최종적으로, 폭넓은 분포의 WAIS 풀-스케일 (full-scale) IQ (81≤IQ≤150)를 갖는 225명의 건강한 지원자를 선발하였다: 남성=122명/여성=103명, 평균 (SD) 연령=20.9 (2.9) 세, IQ=118 (15). 164명 및 109명의 피험자를 각각 해부학적 및 기능적 MRI 데이터 수집을 위해 스캐닝하였고, 이들 중 48명의 피험자는 구조적 및 기능적 샘플 둘 모두를 입수하였다. 33명의 피험자 (기능적 샘플)로부터의 데이터는 종래에 보고된 바 있다 (Lee, K. H., Choi, Y. Y., Gray, J. R., Cho, S. H., Chae, J. H., Lee, S., et al. (2006). Neural correlates of superior intelligence: stronger recruitment of posterior parietal cortex. NeuroImage, 29(2), 578-586). 구조적 샘플에 대해서는, 피험자를 NRI (Neuroscience Research Institute, 가천대학교) 또는 KAIST (the Korea Advanced Institute of Science and Technology)에서 스캐닝하였다. 피험자들의 두가지 샘플은 WAIS (Wechsler's Adult Intelligence Scale) IQ 및 RAPM (Raven's Advanced Progressive Matrices Set II) 스코어 [t(162)<0.24, P>0.8] 및 성별비 [χ²=1.10, P>0.2]에서 어떠한 유의미한 차이도 없었다. 또한, 각 표면 지점에서 WAIS IQ와 피질 두께와의 상관성은 피셔의 z 트랜스포메이션 (Fisher's z transformation) 분석 결과, NRI 및 KAIST 샘플 사이에서 유의미하게 상이하지는 않았다 (P>0.001 보정안됨; 특히 ROI (region of interest)에서 P>0.01 보정안됨).

2. 종래의 통상적인 심리측정 테스트(Psychometric tests)

모든 피험자들에게 RAPM (Raven's Advanced Progressive Matrices Set II) 및 WAIS (the Wechsler Adult Intelligence Scale-Revised, Korean version)를 수행하였다.

본 발명에서, 정보, 이해, 어휘, 및 유사성 하위 테스트의 합계, 및 블록 디자인, 사물조립, 및 그림 완성 하위 테스트의 합계는 각각 언어 이해 스코어 (또는 gC), 및 지각적 조직화 (또는 gF)의 스코어로 사용되었다.

3. 해부학적 MRI 측정

피험자 중 NRI 샘플의 경우, 1.5T MR 스캐너(Magnetom Avanto, Siemens)를 사용하고 TR = 1160 ms, TE = 4.3 ms, 플립앵글(flip angle) = 15° 시계(field of view) (FOV) = 224 mm, 매트릭스(matrix) = 512 by 512, 슬라이스수) = 192, 및 평균 = 2를 변수로 하여, 연속하는 0.9 mm 축, 3차원 MPRAGE (multi-planar rapidly acquired gradient echo) 영상을 수득하였다. KAIST 샘플의 경우, 3T MR 스캐너(Forte, Isol Technology)를 사용하고, TR = 10 ms, TE = 5.7 ms, 플립앵글 = 10 ° FOV = 220 mm, 매트릭스 = 256 by 256, 슬라이스 수 = 128, 및 슬라이스 두께 = 1.5 mm를 변수로 하여, 3D MPRAGE 영상을 수득했다.

4. 이미지 가공

대뇌 피질 두께를 측정하기 위해, 여러 가공 알고리즘을 사용했다. 먼저, 비균일 자기장으로부터의 MR 영상의 이미지 강도 비균일성을 보정하여, 보정된 부피를 적절한 회백질(GM), 백질(WM) 및 뇌척수액(CSF)으로 분류하였다 (Sled, J. G., Zijdenbos, A. P., & Evans, A. C. (1998). A nonparametric method for automatic correction of intensity nonuniformity in MRI data. IEEE Trans Med Imaging, 17(1), 87-97). 후속하여, 다른 공간에서의 이미지 강도의 지역적 히스토그램을 비교한 후, RF 비균일에 기인한 강도 히스토그램의 이동을 확인하고 보정하였다. 다음, 뇌를 공간적으로 정상화 하기 위해, 3차원 촬영을 위한 정위적 공간(stereotaxic space)으로 상기 강도-보정 이미지를 자동 입력하였다(Collins, D. L., Neelin, P., Peters, T. M., & Evans, A. C. (1994). Automatic 3D intersubject registration of MR volumetric data in standardized Talairach space. J Comput Assist Tomogr, 18(2), 192-205; Talairach, J., & Tournoux, P. (1988). Co-planar stereotaxic atlas of the human brain: 3-dimensional proportional system. Stuttgart: Thieme). 이 방법은, 많은 수의 미리 정렬된 뇌로부터 구축한 개별 부피 강도와 평균 부피 강도와의 연관성을 최대화 하기 위해, 다수 스케일 구배 하강(gradient descent)으로 MRI를 선형 변환하였다. 다음, 3D 정위적 뇌 마스크(stereotaxic brain mask)를 사용하여 잔여 뇌 복셀(voxel)을 제 거했다. 대뇌 피질 표면을 재 구축하기 위해 조직 분류(tissue classification)를 수행했다. INSECT(Intensity-Normalized Stereotaxic Environment for Classification of Tissues)를 사용하여 개별 분류를 수행했다(Zijdenbos, A. P., Forghani, R., & Evans, A. C. (2002). Automatic "pipeline" analysis of 3-D MRI data for clinical trials: application to multiple sclerosis. IEEE Trans Med Imaging, 21(10), 1280-1291). 대뇌고랑(sulci) 중 함유된 CSF를 확인하기 위해, 본 발명자들은 GM과 CSF에 대한 결합된 정보를 제공하는 확률적 분류(probabilistic classification)를 사용하였다. 확률적 CSF 복셀이 대뇌고랑 벽을 나타냈다.

5. 대뇌피질 두께

대뇌 피질 표면의 안팎을 재구성하는 특정 알고리즘이 두께 측정에 요구된다(MacDonald, D., Kabani, N., Avis, D., & Evans, A. C. (2000). Automated 3-D extraction of inner and outer surfaces of cerebral cortex from MRI. NeuroImage, 12(3), 340-356). CLASP(Constrained Laplacian-based Automated Segmentation with Proximities) 알고리즘을 사용하여 이들 표면을 자동으로 재구성했다(Kim, J. S., Singh, V., Lee, J. K., Lerch, J., Ad-Dab'bagh, Y., MacDonald, D., et al. (2005). Automated 3-D extraction and evaluation of the inner and outer cortical surfaces using a Laplacian map and partial volume effect classification. NeuroImage, 27(1), 210-221). CLASP은 구 다각형 모델을 GM과 WM의 경계선으로 변형시켜 내부 대뇌피질 표면을 추적하였다. 다각형 모델의 삼각형의 수는 320개부터 80,920개까지 순차적으로 세밀화되었다. 다음, 외부 대뇌피질 표면은 내부 표면으로부터 라플라시안 맵 (Laplacian map)을 따라 GM과 CSF의 경계로 확장되었으며, 이것은 WM과 CSF사이의 잠재적 표면을 점진적으로 증가시켰다. 대뇌고랑에 묻힌 대뇌피질의 경계를 측정하기 위해, CSF 분율을 간결화 했다(Ma, C.-M., & Wan, S.-Y. (2001). A medial-surface oriented 3-d two-subfield thinning algorithm. Pattern Recogn. Lett., 22, 1439-1446). 본 발명자들은 반구의 대뇌피질 표면 모델을 구축하였으며, 각각은 개별 삼각형 요소가 고해상도 그물을 형성하는 81,920개 다각형으로 구성되었다. 대뇌 피질 모델이 정위적 공간으로 변형된 MR 부피로부터 추산된 것이므로, 자연 공간에서 대뇌 피질의 두께를 측정하기 위해, 본 발명자들은 대뇌피질에 역변환 매트릭스를 적용하고, 이들을 자연 공간에서 재구성했다. 내부 및 외부는 동일한 정점(vertex) 수(40,962개)를 가지므로 표면 사이의 각 정점은 관련성이 있다. 이에 따라, 대뇌 피질의 두께는 자연 공간에서 관련된 정점 사이의 거리로서 용이하게 측정된다. 서로 다른 스캐너의 특성에 따른 편차를 감소시키기 위해, 각각의 NRI 및 KAIST 샘플 내에서만 각 대뇌피질 표면 위치에서 두께를 표준화시켰다.

6. 통계적 분석

본 발명에서 통계적 분석은 상용통계패키지 (SPSS ver.12)를 사용하였다. 상기에서 모든 정점 영역은 대뇌피질 표면에 대한 두께 정보를 가짐을 확인하였다. 피험자 전반에 걸쳐 두께를 비교하기 위해, 두께 정보를 공간적으로 정상화시켰다. CLASP 알고리즘에서, 대뇌피질 표면은 구 다각형 모델로부터 출발한다. 정점 부위 는 구 모델로 용이하게 변형될 수 있다. 또한, 정점 부위는 구상의 평균 주형으로 비선형적으로 입력된다. 이차원에서 주형 대뇌피질의 개체로의 고도로 유연한 변형은 대뇌피질의 입력을 위해 사용된다(Robbins, S. M. (2003). Anatomical standardization of the human brain in Euclidean 3-space and on the cortical 2-manifold. Unpublished Phd thesis, McGill University, Montreal). 이러한 알고리즘은 최단경로맵 (geodesic distance map)을 사용하여 피험자들 사이에 뇌회(gyri)의 관(crown)으로 변형을 가능하게 한다. 변환과 동시에, 정점 부위에 대한 두게 정보는 주형으로 변형된다. 이에 따라, 시그널 대 노이즈(S/N) 비율을 증가시키기 위해 30 mm FWHM (full width half maximum)를 사용하여 DS (diffusion smoothing)을 수행하였다(Chung, M., Worsley, K., Paus, T., Robbins, S., Evans, A., Taylor, J., et al. (2002). Tensor-based surface morphometry. Madison, WI: University of Wisconsin). 피어슨 상관계수(Pearson correlation)를 사용하여 지능의 대뇌피질과의 관련성에 대한 SPM(Statistical parametric maps, The Wellcome Department of Cognitive Neurology, Institute of Neurology, Functional Imaging Laboratory, London, UK)을 구성했다. 전체 뇌에 대한 두께 분포는 먼저 정점-대-정점(vertex-by-vertex) 기초하에 분석되었다.

그 결과, sIQ 측정을 위한 중요 인자인 주요 뇌영역의 회질 두께 (t _i )를 얻었다.

7. fMRI 실험

fMRI는 뇌의 활동에 따른 혈액의 산소 포화도 (BOLD signal: Blood Oxygen Level Dependant signal) 변화를 영상화 하는 기법이다. BOLD 신호의 크기는 뇌 혈류량 변화와 선형 관계에 있으며 이를 통해 뇌활동 상태를 파악할 수 있다. 지능과 기능적 연관성을 확인하기 위해, 본 발명자들은 fMRI에 대해 이전에 이미 개발된 2가지 행동 과제 (단순 g-과제 및 복합 g-과제), 즉 난이도에 차이가 있는 인지과제를 수행할 때 뇌활동 상태를 비교 분석하였다 (Lee, K. H., Choi, Y. Y., Gray, J. R., Cho, S. H., Chae, J. H., Lee, S., et al. (2006). Neural correlates of superior intelligence: stronger recruitment of posterior parietal cortex. NeuroImage, 29(2), 578-586).

그 결과 fIQ 측정을 위한 중요 인자인 주요 뇌영역에서의 활성도 (a _i )를 얻었다.

8. 결과

우선, 뇌의 해부학 및 생리학적 관점에서 지능의 통상적인 신경적 기초를 발견하기 위해, 본 발명자들은 IQ와 관련있는 피질 회백질 두께 및 BOLD (blood oxygenation level dependent) 신호 변화에 대한 통계학적 맵을 제작하였다. 먼저 164명 피험자의 구조적 MR 영상으로 개인간 일치되는 각 뇌의 표면 지점에서 피질 회백질 두께를 결정하였다. 단순 회귀를 사용하여 뇌 영역을 확인하고 이의 두께로 WAIS IQ를 예측하였다 (도 2의 A). 도 2의 A에서, 색상가로막대는 상관성의 통계학적 유의성을 나타내고 (우측: 양성 상관성, 좌측: 음성 상관성), 선은 높은 통 계학적 유의성 (P<0.001 보정안됨)을 갖는 5개 영역을 가르킨다: ATC (anterior temporal cortex), APC (anterior parietal cortex), OTC (opercular temporal cortex), ITC (inferior temporal cortex) 및 MTC (medial temporal cortex). 좌반구는 ATC (anterior temporal cortex), TOC (opercular temporal cortex), ITC (inferior temporal cortex) 및 APC (anterior parietal cortex)에서 유의미한 상관성이 명백한 반면, 우반구는 MTC (medial temporal cortex)에서 유의미한 상관성을 보였다 (P<0.001 보정안됨). 상관성의 좌측 및 우측 영역 크기를 통계학적 유의성에 기초하여 비교하면 (P<0.001 보정안됨), 좌반구는 우반구 보다 영역이 더 넓고 (도 2의 C), 또한 엽성 (lobar) 수준에서는 전두피질 (frontal cortex), 측두피질 (temporal cortex), 섬피질 (insular cortex) 및 두정피질 (parietal cortex)의 모든 좌측이 상관성 영역 크기에 있어 우측보다 더 컸다 (도 2의 D). 도 2의 C 및 D에서, 피질 지역의 크기는 상관성의 통계학적 유의성을 사용하여 정의된 것이다 (P<0.001 보정안됨), 약어 설명은 다음과 같다: Fro: frontal lobe, Tem: temporal lobe, Ins: Insular lobe, Par: parietal lobe, Occ: occipital lobe, L: left, R: right. 둘째로, 본 발명자들은 g-로딩된 추리력 과제를 수행할 때 기능적 MR 스캔을 시작했던 109명의 피험자에 대해 국부 활성화 수준에 의한 WAIS IQ를 예측하기 위해 유사하게 단순 회귀 분석을 수행하였고, 뇌 특히 양측 PPC (posterior parietal cortex), 양측 PFC (prefrontal cortex) 및 ACC (anterior cingulated cortex)에서 유의미한 양성 상관성을 발견하였다 (도 2의 B). 도 2의 B에서, 맵 (map)은 공변수로서 IQ 스코어를 사용한 단순 회귀 분석의 결과를 나타 낸 것이고, 색상가로막대는 상관 관계의 통계학적 유의성을 나타내며 선은 높은 통계학적 유의성 (P<0.001, 보정안됨)을 갖는 5개 영역을 가르킨다: ACC (anterior cingulated cortex), 양측 PFC (prefrontal cortex) 및 양측 PPC (posterior parietal cortex). L은 좌측이고 R은 우측이다. 구조적 상관성과는 대조적으로, 상관성의 좌측 및 우측의 부피를 비교하면, 기능적 상관성은 좌측 우성을 보이지 않았으며 오히려 전체 반구(도 2의 E) 및 전전두엽을 제외한 모든 엽 (lobe) (도 2의 F)에서 다소 우측 우성을 보였다. 도 2의 E 및 F에서, 활성화의 부피 크기는 통계학적 유의성을 사용하여 정의된 것이다 (P<0.001 보정안됨). 약어 설명은 다음과 같다: Fro: frontal lobe, Tem: temporal lobe, Ins: Insular lobe, Par: parietal lobe, Occ: occipital lobe, L: left, R: right.

지능의 구조적 및 기능적 상관성의 대조적인 편측성 및 비-중첩 위치는 2가지 타입의 상관성이 일반 지능의 상이한 차원을 반영할 수 있음을 시사한다. 특히, 좌뇌가 언어처리에 대해 우성인 것을 고려하면 구조적 상관성의 좌측 편측성은 구조적 상관성이 언어 정보 처리, 즉 결정 지능과 관련있는 인식 능력과 강하게 연관되어 있음을 시사한다. 이 문제를 다루기 위해, 본 발명자들은 3가지 주요 지능인 일반 지능 (g), 결정 지능 (gC) 및 유동 지능 (gF)에 대한 구조적 및 기능적 상관 관계를 분석하였다. 우선 구조적 및 기능적 ROI (region of interest)를 통계학적 유의성을 갖는 상관된 영역을 사용하여 결정하였다 (P<0.001). 단순 및 다중 회귀 분석을 사용하여 어떤 지능 (g, gC 및 gF)이 각 ROI 값 (최대 두께 또는 최대 t 스코어)에 의해 잘 예측되는지를 조사하였다. 흥미롭게도, 구조적 및 기능적 ROI 값 모두가 일반적으로 g와 가장 많은 상관성을 보였지만, 구조적 ROI 값에 의해서는 gF 보다 gC가 더 잘 예측되었고, 기능적 ROI는 이와 반대였다 (도 3의 A 및 C). 그 중에서도 5개 ROI 값 모두를 예측 변수로 사용하는 경우, 다중 회귀 분석은 5개 구조적 ROI 값이 gF (R2=15%) 보다 gC (R2=32%)를 더 잘 예측한 반면 (도 3의 B), 5개의 기능적 ROI 값은 gC (R2=20%) 보다 gF (R2=24%)를 더 잘 예측하였다 (도 3의 D). 다중 회귀 분석은 회백질과 gC 사이에 강한 연관성을 제공하였다. 도 3에서, 각 막대 또는 선은 지능 스코어에 대한 개인 수행의 설명된 변화량 (R2)을 나타내며, g는 모든 WAIS 하위 테스트 및 RAPM (Raven's Advanced Progressive Matrices Set II)의 주요 구성요소이고, gC는 WAIS 언어 이해 하위 테스트의 주요 구성요소이고, gF는 WAIS 지각적 조직화 하위 테스트 및 RAPM의 주요 구성요소이다. 약어 설명은 다음과 같다: ATC: anterior temporal cortex, APC: anterior parietal cortex, OTC: opercular temporal cortex, ITC: inferior temporal cortex, MTC: medial temporal cortex, ACC: anterior cingulated cortex, L: left, R: right, PFC: prefrontal cortex, PPC: posterior parietal cortex.

언어 양상과 구조적 상관 관계를 추가로 찾기 위해, 본 발명자들은 WAIS의 모든 언어 및 수행 스코어를 사용하여 하위 테스트 수준에서 상관 분석을 수행하였다. 표 1에서 보는 바와 같이, 모든 ROI에서 언어 IQ는 수행 IQ 보다 피질 두께와 더 강한 연관성을 갖는 것으로 밝혀졌다. 또한, APC, LOC 및 MTC는 수행 IQ에서 통계학적 유의성에 도달하지 못하였다 (P=0.01). 또한, 하위 테스트 수준에서, 언어 및 수행 스코어를 각 ROI에서 비교하는 경우, 언어 스코어는 수행 스코어 보다 피질 두께와 더 유의미한 상관성을 보였다. 또한, 본 발명자들은 성별이 뇌 구조에 영향을 가지기 때문에 성별에 따른 혼란 가능성을 배제하기 위해 언어 IQ (VIQ)와 수행 IQ (PIQ)의 남성 및 여성 맵을 개별적으로 작성하였다 (Goldstein, J. M., Seidman, L. J., Horton, N. J., Makris, N., Kennedy, D. N., Caviness, V. S., Jr., et al. (2001). Normal sexual dimorphism of the adult human brain assessed by in vivo magnetic resonance imaging. Cereb Cortex, 11(6), 490-497; Im, K., Lee, J. M., Lee, J., Shin, Y. W., Kim, I. Y., Kwon, J. S., et al. (2006). Gender difference analysis of cortical thickness in healthy young adults with surface-based methods. Neuroimage, 31(1), 31-38) (도 4). 언어 및 수행 IQ의 성별-특정 맵은 흥미로운 패턴을 보였으며 여기서 측두 피질은 여성의 경우 언어 IQ와 강한 상관성을 보인 반면, 두정 피질은 남성의 경우 언어 IQ와 강한 상관성을 보였다. 이러한 결과는 성별이 뇌 구조의 변화성을 설명하는 요인이 될 수 있음을 시사한다.

표 1. 언어 및 수행 스코어와 지역적 두께의 상관 계수 사이의 비교

	상관 계수 (r)
테스트	ATC	ITC	OTC	MTC	APC
언어 IQ	0.43**	0.30**	0.24*	0.24*	-0.33**
정보 (Information)	0.36**	0.23*	0.21*	0.16	-0.31**
이해 (Comprehension)	0.37**	0.23*	0.22*	0.20	-0.22*
어휘 (Vocabulary)	0.31**	0.15	0.19	0.23*	-0.30**
산술 (Arithmetic)	0.41**	0.30**	0.13	0.18	-0.30**
유사성 (Similarities)	0.22*	0.28**	0.15	0.13	-0.33**
숫자 외우기 검사 (Digit span)	0.28**	0.20*	0.16	0.15	-0.16

수행 IQ	0.36**	0.20*	0.20*	0.15	-0.18
그림 완성 (Picture completion)	0.15	0.09	0.16	0.06	-0.08
그림 정렬 (Picture arrangement)	0.29**	0.14	0.08	0.11	-0.08
숫자-기호 맞추기 (Digit symbol)	0.14	0.10	0.07	0.08	-0.18
블록 디자인 (Block design)	0.29**	0.22*	0.19	0.08	-0.16
사물 조립 (Object assembly)	0.24*	0.15	0.06	0.06	-0.11
각 값은 지능 관련 영역의 피질 두께와 WAIS 언어 및 수행 테스트의 스코어 사이의 피어슨 (Pearson) 상관 계수이다. 약어 설명: ATC, anterior temporal cortex; APC, anterior parietal cortex; OTC, opercular temporal cortex; ITC, inferior temporal cortex; MTC, medial temporal cortex. * P < 0.01; ** P < 0.001.

상기한 결과들을 통해 뇌의 구조적 및 기능적 정보가 지능에 대해 상이한 견해를 제공할 수 있으며, 추가로 뇌의 구조 및 기능의 조합된 정보는 심리측정 IQ를 잘 예측할 수 있음을 시사한다. 심리측정 IQ가 뇌의 지능-관련 측정에 의해 추정될 수 있다는 가능성을 조사하기 위해, 본 발명자들은 신경측정 IQ (nIQ)의 예측 가능성을 추정하였다. 해부학적 및 기능적 데이터를 상이한 피험자로부터 입수하였고 해부학적 및 기능적 영상 모두를 가진 피험자가 단 48명이었기 때문에, 본 발명자들은 구조적 (sIQ) 및 기능적 (fIQ) 측정치에 의해 각각 예측된 심리측정 IQ의 크기를 우선 추정한 다음 sIQ와 fIQ를 2가지 예측 변수로서 가정하는 경우 (도 5의 C의 첫번째 방정식) 다중 상관 계수에 대한 식 (도 5의 C의 두번째 방정식)을 사용하여 nIQ의 예측가능성을 계산하였다. 상기 분석을 위해, 본 발명자들은 뇌 부피가 IQ와 상관되어 있음이 공지되어 있으므로 (Posthuma, D., de Geus, E. J. C., Baare, W. F. C., Hulshoff Pol, H. E., Kahn, R. S., & Boomsma, D. I. (2002). The association between brain volume and intelligence is of genetic origin. Nat. Neurosci., 5(2), 83-84; Witelson, S. F., Beresh, H., & Kigar, D. L. (2006). Intelligence and brain size in 100 postmortem brains: sex, lateralization and age factors. Brain, 129, 386-398) 구조적 예측인자에 대뇌 부피를 추가하여 예측가능성을 증가시켰다.

본 발명자들은 구조적 예측인자 (구조적 ROI의 피질 두께 및 뇌 부피), 또는 기능적 예측인자 (기능적 ROI의 피질 활성화 수준), 및 성별-예측인자 상호작용 조건을 사용하는 다중 선형 회귀 모델을 최초로 제작하였다. 산점도 및 선형 회귀선은 WAIS IQ와 sIQ (r=0.65; 도 5의 A), 또는 fIQ (r=0.61; 도 5의 B)와의 상관성을 보여준다. sIQ 및 fIQ의 예측가능성(r)이 약 0.6이었지만, 예측인자로서 sIQ 및 fIQ 둘 모두를 사용하는 회귀 모델의 예측가능성은 R=0.72로서 향상되었다 (도 5의 C). 또한, 도 5의 C에 도시한 모델은 신경측정 IQ 모델이 심리측정 IQ의 수평으로 구성되어 있음을 보여준다: 심리측정 IQ는 gC 및 gF로 불리는 2가지 지능 구성요소를 가지며, 신경측정 IQ 모델은 gC 및 gF와 각각 강한 연관성을 갖는 sIQ 및 fIQ라는 두 부분을 포함하고 있다. 도 5의 C에서는, 예측인자로서 sIQ 및 fIQ를 사용하는 선형 회귀 모델 (첫번째 방정식)이 적용되는 경우, nIQ의 예측가능성은 두번째 방정식을 사용하여 추정될 수 있으며, 여기서 sIQ 및 fIQ 사이의 상관 계수 (RsIQ-fIQ)는 구조적 및 기능적 데이터 둘 모두를 갖는 샘플 (n=48)에서 계산된다. 첫번째 방정식은 sIQ와 fIQ를 조합함으로써 nIQ에 대한 선형 회귀 모델을 표현한 것이 다. β1, β2, α는 조정 변수이다. 두번째 방정식은 nIQ와 심리측정 IQ (pIQ) 사이의 관계를 설명하기 위해 개발된 것이다. Ra는 변수 a 와 WAIS IQ 사이의 상관 계수이다. 화살표 선상의 각 값은 연결된 인식 수준 사이의 상관 계수이다. 하위 수준 척도 사이의 약한 관계 및 강한 관계를 각각 점선과 실선으로 나타내었다.

본 발명에 따른 nIQ 측정 방법은 도 6에 도시되어 있다.

9. nIQ 측정 방법

도 6의 순서도에 따라, 피험자 (n=15)에 대해 nIQ를 측정하는 방법에 대해 하기에 설명한다.

피험자로부터 MRI 및 fMRI 영상을 측정하고, 측정된 영상에 대해 이미지를 가공함에 있어, MRI 영상을 CLASP 알고리즘을 이용한 3차원 구조분석을 통해 주요 뇌영역 (ROI) [ATC (t1), APC (t2), OTC (t3), MTC (t4), ITC (t5)]에서 회질 두께 (t _i )를 측정하였고 SPSS (ver. 12)를 사용하여 하기 표와 같이 α, β, γ를 구하였다.

표 2. sIQ 측정을 위한 두께 정보 및 α, β, γ

	두께 (thickness, mm)
Subject	ATC (t1)	APC (t2)	OTC (t3)	MTC (t4)	ITC (t5)		WAIS IQ
1	3.3973	3.0284	3.0795	3.6505	3.0779		81
2	3.5472	2.7697	3.3587	3.5223	3.3579		88
3	3.5360	3.0874	3.1505	3.5489	3.4823		93
4	3.8016	2.8780	3.3382	3.6214	3.6255		97
5	3.7832	3.0646	3.2731	3.9524	3.1609		105
6	3.7801	2.9581	3.3682	3.5327	3.2249		108
7	3.3342	2.8050	3.1301	3.1419	3.1461		113
8	3.8213	2.8505	3.3702	3.9210	3.2560		117
9	3.8817	3.1234	3.2663	3.6792	3.3297		122
10	3.7469	2.7438	3.4123	3.1262	3.4203		127
11	3.5629	2.3785	3.0868	3.3649	3.1556		131
12	3.9575	2.8174	3.5140	3.7757	3.4038		134
13	3.7681	2.8313	3.3822	3.8388	3.3457		137
14	3.6394	2.3826	3.3438	5.5450	3.1986		140
15	4.4467	2.7812	3.7359	4.1725	5.8156		143

beta	99.6398	0.9414	-124.8373	-42.3440	-32.7557
gamma	82.7929	-113.4095	-40.2608	32.7403	15.2224
alpha						404.6752

상기 표의 두께, α, β, γ를 상기 <식 1>에 대입함으로써, sIQ를 구하였다.

또한, 상기 fMRI 영상을 SPM을 이용한 뇌활동성 분석에 의해 주요 뇌영역 (ROI) [ACC (a1), LPFC (a2), LPPC (a3), RPFC (a4), RPPC (a5)]에서 활성도 (a _i )를 측정하였고, SPSS (ver. 12)를 사용하여 하기 표와 같이 α, β, γ를 구하였다.

표 3. fIQ 측정을 위한 활동성 및 α, β, γ

	활동성 (activation level)
Subject	ACC (a1)	LPFC (a2)	LPPC (a3)	RPFC (a4)	RPPC (a5)		WAIS IQ
1	2.7085	2.8215	2.5165	1.9046	2.1041		81
2	7.2521	6.8693	5.2058	7.2541	7.1003		88
3	0.8535	2.1237	2.2300	1.0377	3.8223		93
4	6.0600	9.4847	8.5689	8.8851	7.8487		97
5	5.7802	4.7600	7.9985	5.2947	7.2680		105
6	1.6210	4.0212	5.1512	1.5848	6.4020		108
7	4.0608	5.9765	7.5389	4.3258	8.3258		113
8	6.8896	10.1790	11.4300	8.4357	9.3353		117
9	3.4636	3.9196	5.5628	2.2059	5.7121		122
10	5.8808	6.7124	9.4525	5.7221	11.0710		127
11	5.7813	7.8934	6.8647	4.6133	5.8107		131
12	7.9392	7.1404	7.1819	6.8002	7.5485		134
13	3.1627	6.3811	7.5189	4.6214	7.8052		137
14	5.2475	7.0462	6.8134	6.8143	7.3541		140
15	8.0830	11.4660	12.6420	7.3136	12.7440		143

beta	14.3825	5.9361	-10.8812	-11.6721	8.8032
gamma	-18.1314	-7.7279	13.7184	15.1036	-4.8209
alpha						79.9595

상기 표의 두께, α, β, γ를 상기 <식 2>에 대입함으로써, fIQ를 구하였다.

이렇게 구한 sIQ 및 fIQ 수치들을 사용하여 SPSS (ver. 12)로 하기 표와 같이 α, β를 구하였으며, 이들 값들을 상기 <식 3>에 대입함으로써, nIQ를 구하였다.

표 4. nIQ 측정을 위한 sIQ , fIQ 및 조정변수 α 및 β

Subject	sIQ	fIQ		WAIS IQ
1	86.41	86.80		81
2	93.08	108.40		88
3	87.24	98.06		93
4	97.34	95.57		97
5	105.01	106.50		105
6	108.41	108.95		108
7	112.69	114.61		113
8	130.06	134.44		117
9	121.77	117.05		122
10	126.29	136.43		127
11	130.73	132.57		131
12	133.69	111.17		134
13	119.75	124.94		137
14	139.26	119.66		140
15	144.27	140.83		143

beta	0.9963	0.0052
alpha			-0.1728

상기와 같이, 본 발명에 따른 nIQ 측정 방법과 종래의 IQ 측정 방법 사이의 통계적 유의성이 입증되었으며, 이들 결과는 뇌의 구조적 및 기능적 측정치를 통합한 신경측정 모델이 사람의 지능을 측정하기 위한 새로운 신경과학적 방법으로 도입될 수 있음을 시사한다.

또한, 본 발명에 기초하여, 치매추정 환자의 gC와 밀접한 관련이 있는 뇌영역의 대뇌피질두께가 환자와 같은 연령대의 평균적인 두께와 비교하여 현저한 차이가 있을 경우, 단순히 지능이 낮은 차원이 아니라, 병변으로 인해 차이가 날 가능성이 있으므로 현재 특별한 조기진단 기술이 없는 치매 질병 치료에 도움을 줄 수 있을 것이다.

이상 살펴본 바와 같이, 본 발명에 따라 도출된 구조적 IQ 및 기능적 IQ에 대한 공식에 의해 정립된 신경측정 IQ 개념은 일반 인식 능력에 있어 개인적인 차 이를 용이하게 평가하는데 유용하다.

도 1은 본 발명에 따른 사람의 신경측정 IQ (nIQ)를 측정하기 위한 시스템의 구성을 도시한 것이다.

도 2는 지능의 구조적 및 기능적 상관성 및 이들의 편측성을 분석한 결과를 도시한 것으로, 도 2의 A는 피질 회백질 두께와 WAIS (Wechsler's Adult Intelligence Scale) IQ 사이의 상관 관계를 도시한 것이다. 도 2의 B는 추리력 과제 동안 피질 활성화와 WAIS IQ 사이의 상관 관계를 도시한 것이다. 도 2의 C 및 D는 피질 두께와 인식 능력 사이의 상관성의 좌측 우성을 도시한 것이다. 도 2의 E 및 F는 피질 활성화와 인식 능력 사이의 상관성의 양측 우성을 도시한 것이다.

도 3는 지능의 주요 구성요소에 대한 관계에서 구조적 및 기능적 ROI (region of interest) 사이의 차이를 분석한 결과를 도시한 것으로, 레이더 그래프는 3가지 지능 요소 [일반 지능 (g, 회색선), 결정 지능 (gC, 적색선) 및 유동 지능 (gF, 청색선)]와 각 ROI의 피질 두께 (A) 또는 최대 t 스코어 (C)와의 단순 상관성을 보여준다. 막대 그래프는 각 지능 요소와 모든 구조적 (B) 또는 기능적 (D) ROI 값들과의 다중 상관성을 보여준다.

도 4는 지능-관련 영역의 패턴상 성별의 차이를 분석한 결과를 도시한 것으로, 각 맵은 WAIS 언어 IQ 및 수행 IQ에 대한 피질 회백질 두께의 상관성을 보여주며, 좌측 및 우측 패널은 각각 남성 (n=89) 및 여성 (n=75)으로부터의 상관성 데이터를 보여준다. 색상 세로 막대는 상관 계수의 절대값을 나타낸다.

도 5는 구조적 IQ, 기능적 IQ 및 신경측정 IQ의 예측가능성에 대해 도시한 것으로, 도 5의 A 및 B는 구조적 예측인자 (구조적 ROIs의 피질 두께 및 뇌 부피), 또는 기능적 예측인자 (기능적 ROI의 피질 활성화 수준), 및 성별-예측인자 상호작용 조건을 사용한 다중 선형 회귀 모델이다. 산점도 및 선형 회귀선은 WAIS IQ와 sIQ 또는 fIQ와의 상관성을 보여준다. 도 5의 C는 신경측정 IQ (nIQ) 및 예측가능성 추정에 대한 모델 개요이다.

도 6은 본 발명에 따른 사람의 신경측정 IQ (nIQ)를 측정하는 방법의 순서도를 도시한 것이다.

Claims

(1) 피험자 뇌에 대한 MRI 및 fMRI 영상 측정 단계;

(2) 단계 (1)에서 측정된 영상에 대한 이미지 가공 단계;

(3) 이미지 가공 영상으로부터 피험자의 대뇌에 대한 구조적 예측인자 (구조적 IQ, sIQ) 및 기능적 예측인자 (기능적 IQ, fIQ)를 측정하는 단계; 및

(4) 상기 구조적 예측인자 및 상기 기능적 예측인자를 이용하여 피험자의 지능을 측정하는 단계를 포함하는, 피험자의 신경측정 IQ (nIQ)를 측정하는 방법.
제 1항에 있어서, sIQ가 하기 식 1에 의해 측정됨을 특징으로 하는, 피험자의 신경측정 IQ를 측정하는 방법:

<식 1>

상기 식에서, t_i는 회질 두께이고, s는 피험자의 성별로서 남자의 경우 1, 여자는 0 의 값을 가지며, n 은 지능과 관련한 뇌영역 (ROI)의 수이고, α, β, γ는 상용 통계패키지의 선형회귀분석기법을 피험자들의 두께정보에 적용하여 얻은 값이다.
제 1항에 있어서, fIQ가 하기 식 2에 의해 측정됨을 특징으로 하는, 피험자의 신경측정 IQ를 측정하는 방법:

<식 2>

상기 식에서, a_i는 뇌 활성도이고, s는 피험자의 성별로서 남자의 경우 1, 여자는 0 의 값을 가지며, n 은 지능과 관련한 뇌영역 (ROI)의 수이고, α, β, γ는 상용 통계패키지의 선형회귀분석기법을 피험자들의 활동성 자료에 적용하여 얻은 값이다
제 1항에 있어서, 단계 (4)에서 피험자의 지능을 측정하기 위해 하기 식 3이 사용됨을 특징으로 하는, 피험자의 신경측정 IQ를 측정하는 방법.

<식 3>

상기 식에서, nIQ는 신경측정 IQ; sIQ는 구조적 IQ; fIQ는 기능적 IQ이다. α, β1, β2는 상용 통계패키지의 선형회귀분석기법을 피험자들의 sIQ 및 fIQ 자료에 적용하여 얻은 값이다.
MRI 및 fMRI 측정부;

측정영상 가공부;

예측인자 추출부; 및

지능 측정부로 구성된 피험자의 신경측정 IQ 측정 시스템.