BR112016005113A2 - Método e aparelho para detectar convulsões incluindo caracterização por áudio - Google Patents

Abstract

A presente invenção refere-se a um método para monitorar um paciente em relação a convulsões com manifestações motoras que pode compreender monitorar um paciente com uso de um ou mais sensores de EMG e acústicos e determinar se os dados coletados são indicativos de atividade de convulsão.

Description

Relatório Descritivo da Patente de Invenção para "MÉTO-

DO E APARELHO PARA DETECTAR CONVULSÕES INCLUINDO CARACTERIZAÇÃO POR ÁUDIO". REFERÊNCIA CRUZADA A PEDIDOS RELACIONADOS

[0001] Este pedido reivindica a prioridade sobre o Pedido de Pa- tente Provisório nº U.S. 61/875.429 depositado em 9 de setembro de 2013, o Pedido de Patente Provisório nº U.S. 61/915.236 depositado em 12 de dezembro de 2013, o Pedido de Patente Provisório nº U.S. 61/969.660 depositado em 24 de março de 2014, o Pedido de Patente Provisório nº U.S. 61/979.225 depositado em 14 de abril de 2014 e o Pedido de Patente Provisório nº U.S. 62.001.302 depositado em 21 de maio de 2014, e é uma continuação-em-parte do Pedido de Patente U.S. nº de série 13/275.309 depositado em 17 de outubro de 2011, que reivindica a prioridade ao Pedido de Patente Provisório U.S. nº de série 61/393.747 depositado em 15 de outubro de 2010 e é uma conti- nuação-em-parte do Pedido de Patente U.S. nº de série 13/542.596 depositado em 7 de julho de 2012, que reivindica a prioridade ao Pedi- do de Patente Provisório U.S. nº de série 61/504.582 depositado em 5 de julho de 2011.

ANTECEDENTES DA INVENÇÃO

[0002] Uma convulsão pode ser caracterizada como atividade sin- cronizada anormal ou excessiva no cérebro. No começo de uma con- vulsão, os neurônios no cérebro podem começar a disparar em uma localização específica. Conforme a convulsão progride, esse disparo de neurônios pode se espalhar pelo cérebro e, em alguns casos, mui- tas áreas do cérebro podem se tornar fagocitadas nessa atividade. A atividade convulsiva no cérebro pode fazer com que o cérebro envie sinais elétricos através do sistema nervoso periférico para diferentes músculos em que a ativação dos quais pode iniciar uma redistribuição de íons dentro de fibras musculares. Em eletromiografia (EMG), um eletrodo pode ser posto em ou próximo à pele e configurado para me- dir mudanças em potencial elétrico resultante de fluxo de íon durante essa ativação muscular.

[0003] A detecção de EMG pode ser particularmente susceptível a uso em aparelhos que podem ser minimamente intrusivos, que interfe- rem minimamente com atividades diárias e que podem ser conforta- velmente usados durante o sono. Portanto, métodos para monitorar a atividade convulsiva de pacientes, incluindo métodos para monitorar em ambulatório ou configurações residenciais, podem se beneficiar do uso de detecção de EMG. Para alguns pacientes, um evento convulsi- vo também pode ser apresentado como um grito ou vocalização audí- vel que pode ocorrer tipicamente no início de uma convulsão. Assim como a detecção de EMG, a detecção de áudio de convulsões pode ser particularmente susceptível a métodos de monitoramento de paci- ente que podem ser minimamente intrusivos, e o monitoramento de atividade convulsiva com o uso de um ou mais sensores acústicos in- dividualmente ou em combinação com EMG pode ser usado em méto- dos aprimorados para monitorar um paciente em relação à atividade convulsiva.

SUMÁRIO DA INVENÇÃO

[0004] Em algumas modalidades, um método para monitorar um paciente em relação a convulsões com manifestações motoras pode compreender monitorar um paciente com o uso de um ou mais EMG e sensores acústicos e determinar se dados coletados com o uso de um dos tipos de sensor excede um valor limiar. Em algumas modalidades, caso um valor limiar seja encontrado, um paciente pode ser adicional- mente monitorado por um período de tempo subsequente e um proto- colo de alarme pode ser iniciado caso um evento que corrobora ou se- gundo limiar seja alcançado durante tal período de tempo subsequen- te.

BREVE DESCRIÇÃO DOS DESENHOS

[0005] A Figura 1 ilustra uma modalidade de um sistema de detec- ção de convulsão que inclui um ou mais sensores acústicos.

[0006] A Figura 2 ilustra uma modalidade de um método para mo- nitorar um paciente com o uso de dados coletados ou recebidos de um sensor acústico.

[0007] A Figura 3 ilustra uma modalidade adicional de um método para monitorar um paciente com o uso de dados coletados ou recebi- dos de um sensor acústico.

[0008] A Figura 4 ilustra um método para monitorar um paciente com o uso de dados coletados ou recebidos de um sensor acústico e que podem ser usados junto com dados de EMG.

[0009] A Figura 5 ilustra outro método para monitorar um paciente com o uso de dados de áudio que podem ser usados junto com dados de EMG.

DESCRIÇÃO DETALHADA

[0010] Os aparelhos e métodos descritos no presente documento podem ser usados para detectar convulsões e alertar a tempo cuida- dores de eventos relacionados à convulsão e podem ser adicionalmen- te usados para fornecer uma indicação antecipada de que um evento convulsivo detectado pode representar certos riscos de efeitos adver- sos incluindo SUDEP. Os aparelhos podem incluir sensores fixados a um paciente ou a vestimenta do paciente e podem ser configurados para medição de atividade elétrica muscular com o uso de eletromio- grafia (EMG). A detecção de convulsões com o uso de eletrodos de EMG e/ou outros sensores é adicionalmente descrita, por exemplo, no Pedido de Patente do Requerente nos U.S. 13/275.309 e 13/542.596 e o Pedido de Patente Provisório do Requerente nos U.S. 61/875.429,

61.910.827, 61/915.236, 61/969.660, 61/979.225 e 62/001.302 em que as descrições de cada estão plenamente incorporadas no presente documento a título de referência. Conforme descrito no presente do- cumento, um sensor acústico pode ser adicionalmente usado para monitorar o estado de um paciente e, em algumas modalidades, dados de áudio podem ser coletados ou recebidos de um sensor acústico e/ou armazenados em conjunto com dados de EMG. Os dados de áu- dio podem ser usados para melhorar a precisão de detecção de con- vulsão em tempo real e/ou usados em revisão de dados de sensor co- letados. Por exemplo, os dados de áudio podem ser coletados, anali- sados em tempo real e usados na tomada de uma decisão sobre se deve para alertar um cuidador que um paciente pode estar vivenciando uma convulsão. Em algumas modalidades, os dados de áudio podem ser usados para corroborar com a detecção de atividade convulsiva com base em uma ou mais porções de dados de EMG, incluindo da- dos de EMG coletados durante um ou mais períodos de tempo anteci- pados ou pré-convulsão e podem, em combinação com os dados de EMG, ser usados para iniciar um alarme de emergência ou outra res- posta de alarme. Os dados de áudio coletados também podem ser analisados em momentos após um período de monitoramento e po- dem ser usados para verificar se uma convulsão ou evento relaciona- do à convulsão ocorreu.

[0011] Em algumas modalidades, monitorar um paciente com o uso de dados de áudio coletados ou recebidos podem ser tanto semi como plenamente automatizados. Por exemplo, um sistema de monito- ramento pode ser configurado para operar sem a necessidade de in- terpretação por um cuidador remoto com o uso de um processador configurado para analisar os dados em relação a elementos caracterís- ticos de atividade convulsiva. Em algumas modalidades, um processa- dor pode ser configurado para identificar padrões repetitivos incluídos em dados de áudio que atendem um ou mais critérios que podem ser indicativos de uma convulsão e pesam a presença daqueles padrões em um método que pode ser usado para acionar um alarme ou iniciar outra resposta de sistema. E, aqueles métodos podem ser automati- zados sem necessitar entrada de cuidador ou interpretação. Alternati- vamente, os dados de áudio podem ser transmitidos para que um cui- dador remoto interprete. Particularmente, dados com suspeita de se- rem relacionados à atividade convulsiva podem ser enviados para que um cuidador revise após identificação ou exibição inicial com o uso de um programa automatizado. Por exemplo, um processador pode ser configurado para identificar padrões associados à atividade convulsiva e caso aqueles padrões sejam encontrados presentes, os dados de áudio podem ser transmitidos para que um cuidador interprete e/ou verifique adicionalmente em relação à atividade convulsiva. Portanto, um processador pode ser configurado para acionar diretamente um alarme com o uso de um ou mais algoritmos que incluem dados de áudio ou podem ser configurados para filtrar sons de outros elementos sonoros que identificam aqueles mais propensos a indicar a presença de uma convulsão.

[0012] Em algumas modalidades, os dados de áudio podem ser processados de modo a calcular um ou mais valores de entrada para uso em um algoritmo de detecção de convulsão. Um algoritmo de de- tecção que incorpora dados de áudio pode operar individualmente ou em combinação com outros dados para detectar uma convulsão. Por exemplo, em algumas modalidades, os dados de áudio podem ser in- seridos em uma rotina de monitoramento que também inclui entradas derivadas de um ou mais EMG e/ou outros sensores. Em algumas da- quelas modalidades, uma rotina de detecção de áudio pode focar em um tipo de convulsão ou uma manifestação específica de um ou mais tipos de convulsão. Por exemplo, um paciente que vivencia uma con- vulsão pode, às vezes, produzir sons característicos indicativos de tensão respiratória, mas para outras convulsões, o paciente pode fa-

lhar em produzir tal padrão sonoro específico. Uma rotina de detecção de áudio pode ser configurada para ser seletiva para uma ou mais manifestações específicas de atividade convulsiva e, quando identifi- cadas, a confiança em detecção pode ser alta. Entretanto, em algumas modalidades, pode ser benéfico combinar a detecção de áudio com outros dados de sensor particularmente incluindo EMG que pode ser tornado altamente responsivo para atividade convulsiva generalizada. E, em algumas modalidades, a detecção de áudio pode ser combinada com EMG não somente para aprimorar a eficiência de detecção, mas também para auxiliar em classificar convulsões identificadas. Em al- gumas modalidades, mais de uma rotina de detecção de áudio pode ser executada em conjunto em um método para analisar dados para várias assinaturas de áudio que podem estar presentes para diferentes manifestações convulsivas. Por exemplo, em algumas modalidades, uma rotina de detecção de áudio pode examinar dados de áudio em relação à presença de um sinal de alta amplitude que pode indicar um grito ou examinar dados de áudio em relação a um sinal de alta ampli- tude seguido de uma porção continuada de amplitude de áudio inferior e uma segunda rotina de detecção de áudio pode examinar dados de áudio em relação a um ou mais padrões e determinar caso os padrões mostrem periodicidade indicativa de uma ou mais partes de uma con- vulsão. Aquelas rotinas podem ser, em algumas modalidades, especí- ficas para paciente e adaptadas para detectar sons específicos para um dado paciente ou demografia de paciente. E, em algumas modali- dades, o software de reconhecimento de voz pode ser usado para identificar que um dado som foi derivado de certo paciente.

[0013] Os dados de áudio podem, em algumas modalidades, ser coletados ou recebidos durante um ou mais períodos de tempo e ca- racterísticas dos dados calculadas ao longo do tempo. Por exemplo, uma característica derivada de dados de áudio pode ser uma métrica relacionada à resistência ou potência de uma onda da qual os dados foram derivados tal como uma amplitude de sinal ou amplitude con- forme comparado com um nível de referência e um valor para a carac- terística pode ser expressado, por exemplo, em decibéis ou outra uni- dade relativa que expressa amplitude, resistência ou potência de uma onda sonora.

Uma característica de dados de áudio pode ser rastrea- da e tendências nos dados podem ser analisadas em relação a carac- terísticas convulsivas.

Por exemplo, uma característica tal como ampli- tude de sinal pode ser considerada ao longo do tempo e a presença de um ou mais padrões de dados ou pontos chave no sinal (tal como va- lores máximos locais ou valor máximo local que encontra alguma am- plitude de limiar pode ser determinado). Um valor máximo local pode ser relacionado a uma atividade física específica executada pelo paci- ente (tal como dificuldade respiratória) e pode se repetir.

Por exemplo, cada vez que o paciente executa a atividade um valor máximo local ou valor máximo local que encontra alguma amplitude de limiar pode es- tar presente.

Através do rastreamento da posição de valores máximos locais ou outro valor ou padrão de repetição a atividade subjacente executada pelo paciente pode então ser monitorada.

Por exemplo, a periodicidade e/ou duração de intervalos de tempo de ou entre pa- drões repetitivos de dados de áudio podem ser determinados e com- parados àqueles típicos para um paciente que vivencia uma convul- são.

Conforme usado no presente documento, o termo "periodicidade" se refere a quão regular certo padrão pode se manifestar ou repetir ao longo do tempo.

Em algumas modalidades, uma ou mais característi- cas de dados de áudio podem ser determinadas e usadas para identi- ficar um ou mais padrões de dados repetitivos.

As características de dados de áudio podem, a título de exemplo não limitador, incluir inten- sidade ou amplitude de sinal de áudio, amplitude em uma dada fre- quência (ou sobre certa faixa de frequência), taxa de mudança de am-

plitude, coeficiente angular espectral, outros dados, ou combinações de características de áudio dos mesmos. Em algumas modalidades, dados de um sinal coletado ou recebido podem ser comparados a um ou mais padrões de modelo de dados associados a uma atividade que pode tipicamente se repetir para um paciente que vivencia uma con- vulsão. Por exemplo, com o uso de software de reconhecimento de padrão uma similaridade de dados para um modelo padrão pode ser determinada (tal como através do uso de análise de regressão), e um valor de certeza para se uma dada porção de dados se equipara ao padrão pode ser determinado. Uma certeza de que um padrão detec- tado corresponde a uma atividade executada por um paciente durante uma convulsão pode ser determinada e, para aumentar a confiança de que dados podem ser identificados de forma apropriada como relacio- nados a uma convulsão, tendências no padrão ao longo do tempo po- dem ser determinadas. Por exemplo, quando um paciente está sob tensão respiratória, o mesmo pode tender a arfar repetitivamente ao longo do tempo mas, conforme o paciente se cansa, o som produzido durante a dificuldade respiratória pode enfraquecer ou mudar de fre- quência. Durante o exame de dados coletados ou recebidos que se espera que correspondam a uma atividade do paciente (tal como uma arfada), mudanças e/ou trocas nos dados podem ser comparadas àquelas típicas para um paciente que vivencia uma convulsão (durante progressão convulsiva normal ou anormal) e caso aquelas mudanças e/ou trocas estejam dentro de limites esperados, a certeza de detec- ção de convulsão pode ser aprimorada.

[0014] Em algumas modalidades, para identificar um padrão de repetição em dados de áudio coletados ou recebidos, um ou mais al- goritmos podem ser executados para comparar dados com um conjun- to de modelo de dados derivados ou gravados de uma ou mais ações executadas por um paciente durante uma convulsão e um valor de cer-

teza pode ser atribuído para uma porção identificada de dados tal co- mo com o uso de um ou mais algoritmos de regressão de dados. Por exemplo, dados coletados e dados modelos podem ser sobrepostos (variando a posição relativa de um conjunto de dados clínicos e dados modelos), e em algumas modalidades, uma análise ponto a ponto de desvios (para cada posição de variação) pode ser executada e, quan- do sobreposta conforme apropriado para minimizar os desvios, um va- lor de similaridade entre os dados de paciente clínico e dados modelos pode ser determinado. Caso o desvio total entre pontos seja adequa- do, um padrão pode ser julgado a ser detectado. Para relacionar adici- onalmente o padrão à atividade convulsiva, um valor de periodicidade de uma pluralidade de padrões detectados pode então ser determina- do. Em algumas modalidades, os dados também podem ser processa- dos por um ou mais algoritmos para identificar que o som é relaciona- do a um paciente. Um algoritmo para identificar que um som é relacio- nado a um paciente pode, por exemplo, incluir ou ter base em qual- quer dentre vários algoritmos ou programas de reconhecimento de voz.

[0015] Em algumas modalidades, os dados de áudio podem ser filtrados e/ou corrigidos para levar em consideração ruídos ambientes ou um nível de ruído ambiente e, em algumas modalidades, a filtragem espacial de um sinal de áudio pode ser usada para isolar sons que se originam de diferentes localizações dentro de ou próximas a uma regi- ão de monitoramento. Em algumas modalidades, os dados de áudio podem ser classificados com base em um ou mais eventos que podem produzir certo som ou componente sonoro. Por exemplo, os dados de áudio podem ser classificados como por serem características de qualquer quantidade de eventos incluindo, a título de exemplo não limi- tador, ocorrência de uma convulsão, fala humana, fechamento de por- tas, latido de um cachorro, caminhada, toque de telefone, outros even-

tos e combinações dos mesmos. Alguns eventos podem ser julgados como ruído de plano de fundo que podem não indicar a presença de uma convulsão. Isto é, fontes de ruído não relacionadas à convulsão podem ser caracterizadas. Em algumas modalidades, eventos que po- dem ser indiretamente produzidos por um paciente durante uma con- vulsão podem ser caracterizados. Por exemplo, durante uma porção clônica de uma convulsão, um paciente pode se mover para frente e para trás o que causa oscilação de objetos próximos, tais como mó- veis, que podem produzir um som audível. E, em algumas modalida- des, um objeto tal como um item de decoração pode ser proposital- mente modificado para produzir um som característico quando movido de maneira rítmica. Por exemplo, um sino ou outro dispositivo sonoro pode ser associado a um item de móveis que produz um som caracte- rístico em resposta a movimento próximo. Preferivelmente, tal sino po- de produzir uma oscilação que é precisamente capturada por um transdutor acústico sendo que a oscilação é diferente de outros sons. Por exemplo, um dispositivo de produção sonora pode oscilar em uma frequência que é prontamente passada por um entalhe inverso ou combinação de filtros passa-alta e passa-baixa. Em algumas modali- dades, para facilitar a classificação de dados de áudio, os sons podem ser caracterizados em termos de intensidade, formato espectral ou ou- tras características e armazenados em um banco de dados para com- paração com dados coletados durante monitoramento. Os dados cole- tados e/ou dados espacialmente filtrados podem ser compatíveis com dados derivados de um ou mais sons conhecidos e uma probabilidade de que um som ou componente de um som total pode ser fornecido de uma convulsão (ou descontado como associado a um evento não con- vulsivo) pode então ser calculada e usada em um algoritmo de detec- ção de convulsão.

[0016] Em algumas modalidades, os dados de áudio podem ser coletados com o uso de uma ou mais rotinas de monitoramento que podem ser executadas de forma intermitente ou que podem ser confi- guradas para acionar certas respostas somente caso ativadas por se- rem precedidas por outros eventos dentro de um período de tempo.

Por exemplo, os dados de áudio podem, em algumas modalidades, ser coletados, mas somente podem iniciar uma resposta de alarme caso os dados de áudio sejam temporariamente correlacionados com a de- tecção de dados de EMG associada a um evento relacionado a con- vulsão.

Por exemplo, algumas rotinas para eletromiografia podem examinar se um paciente pode estar vivenciando manifestações moto- ras fracas tipicamente presentes anteriores a uma convulsão.

E, caso aquelas rotinas produzam uma resposta, pode-se julgar que o paciente está em risco de ter uma convulsão.

Em algumas modalidades, detec- ções fracas podem terminar de forma passiva sem interromper o paci- ente ou produzir uma resposta ativa caso, por exemplo, os eventos fracos falhem em terminar ou caso a detecção seja corroborada por outro evento.

Em algumas modalidades, a corroboração de manifesta- ções motoras iniciais de uma convulsão, incluindo manifestações de- tectadas anterior a ou sem uma porção de fase clônica de uma con- vulsão, pode ser realizada com base em um ou mais padrões de áudio detectados.

Isto é, em algumas modalidades, uma rotina de detecção de áudio pode ser executada ou ativada para fornecer uma dada res- posta somente caso precedida por uma detecção de dados de EMG anteriores.

Por exemplo, caso manifestações motoras fracas sejam detectadas com EMG, uma rotina de detecção de áudio pode se tornar ativa de tal modo que a rotina pode emitir um alarme caso os dados de áudio indiquem a presença de atividade convulsiva e corrobore com os dados de EMG.

Devido ao fato de que aquelas manifestações motoras fracas somente podem estar presentes de forma intermitente – se uma convulsão se manifestar de fato ou não, a probabilidade de uma inicia-

ção positiva falsa ou inadvertida de um alarme com base em dados de áudio coletados pode ser minimizada.

[0017] Uma variedade de sistemas pode ser usada de forma ade- quada para coletar EMG, áudio e outros dados relacionados a pacien- te, priorizando dados para armazenamento, organizando tais dados para otimização de sistema e/ou iniciando um alarme em resposta a uma suspeita de convulsão. A Figura 1 ilustra uma modalidade exem- plificativa de tal sistema. Na modalidade da Figura 1, um sistema de detecção de convulsão 10 pode incluir uma câmera de vídeo 9, uma unidade de detecção 12, um sensor acústico 13, uma estação-base 14 e um transceptor de alerta 16. A unidade de detecção pode compre- ender um ou mais eletrodos de EMG com capacidade de detectar si- nais elétricos de músculos em ou próximos à superfície da pele de um paciente, e entregar aqueles sinais de EMG elétricos para um proces- sador para processamento. A estação-base pode compreender um computador com capacidade de receber e processar sinais de EMG da unidade de detecção e/ou dados acústicos de um sensor acústico, que determina a partir do EMG processado e/ou sinais acústicos se uma convulsão pode ter ocorrido e envia um alerta para um cuidador. Um transceptor de alerta pode ser transportado por, ou posto próximo a, um cuidador para receber e retransmitir alertas transmitidos pela esta- ção-base. Outros componentes que podem ser incluídos no sistema 10 incluindo, por exemplo, um transceptor de alerta 16, dispositivo sem fio 17, 18, banco de dados de armazenamento 19, e um ou mais transceptores ambientais (não mostrado) são descritos em maiores detalhes no Pedido de Patente do Requerente nos U.S. 13/275.309 e 13/542.596.

[0018] Conforme mostrado na Figura 1, um ou mais sensores acústicos 13 podem ser incluídos em um sistema de detecção 10. Os sensores acústicos podem, por exemplo, ser postos em uma ou mais localizações dentro de ou próximas a uma área de monitoramento. Um sensor acústico pode, em algumas modalidades, ser fixado a um paci- ente ou à vestimenta do paciente. Portanto, um sensor acústico pode ser fixado e pode se mover em conjunto com um paciente ou pode permanecer estacionário conforme um paciente se move. Na Figura 1, o sensor acústico 13 é mostrado como por ser uma unidade separada de outros elementos. Por exemplo, uma unidade de detecção 12 pode ser fixada a um braço de um paciente e um sensor acústico 13 pode ser trajado no mesmo ou em outro braço. Entretanto, um sensor acús- tico também pode ser integrado em um ou mais outros dispositivos. Por exemplo, um sensor acústico pode ser integrado em qualquer den- tre a câmera de vídeo 9, a unidade de detecção 12, a estação-base 14 ou integrado em algum outro dispositivo ou elemento.

[0019] A Figura 2 ilustra um método exemplificativo 20 de analisar um sinal de áudio em relação a características convulsivas. Em uma etapa 22, um sinal de áudio pode ser coletado com o uso de um ou mais sensores acústicos ou dados podem ser importados para um processador para análise. Um sensor acústico ou microfone pode, por exemplo, incluir um transdutor de acústico para elétrico adequado para converter uma onda sonora em um sinal elétrico. Um transdutor pode, em algumas modalidades, operar sem distorção de sinal significativa por uma faixa de frequência desejada que pode, por exemplo, incluir a faixa de frequência de fala humana e/ou incluir outras frequências tal como pode ser útil para caracterizar espectralmente qualquer dentre várias fontes de ruído ambiental ou dispositivos de produção sonora incluindo aqueles que podem ser especificamente associados a uma ou mais unidades de móveis ou objetos em um local de monitoramen- to. Conforme usado no presente documento, caracterização espectral de dados acústicos se refere à descrição de intensidade de sinal sobre uma ou mais frequências. Na etapa 24, um sinal coletado ou recebido de áudio pode ser processado para determinar o valor de uma ou mais características dos dados de áudio. Por exemplo, na etapa 24, o sinal pode ser processado ou condicionado tal como para remover ruído de plano de fundo e/ou para isolar uma banda de frequência desejada ou distribuição de bandas de frequência. Em algumas modalidades, o si- nal pode ser processado através de um conversor de analógico para digital adequado para processamento de sinais que podem ser tão al- tos quanto cerca de 5 KHz a cerca de 10 KHz. Em algumas modalida- des, um ou mais filtros passa-alta e/ou baixa também podem ser usa- dos para condicionar um sinal de áudio coletado.

[0020] O processamento pode, em algumas modalidades, incluir adicionalmente uma comparação de sinal com dados de áudio previa- mente adquiridos durante um ou mais períodos de referência. Por exemplo, um período de referência pode ser coletado, e características de áudio de linha-base do período de referência tal como um nível de linha-base de uma característica de áudio e/ou flutuações de ruído em uma característica de áudio podem ser estabelecidas. O sinal de áudio coletado pode, em algumas modalidades, ser processado através da escala de uma característica de dados de áudio em termos de uma razão para um valor de linha-base ou escala em termos de uma quan- tidade de desvios padrões acima de um nível de ruído de linha-base de características. Por exemplo, a amplitude de dados de áudio ou a amplitude sobre uma ou mais bandas de frequência pode ser uma ca- racterística que pode ser comparada a níveis de amplitude de linha- base e/ou, de outro modo, escalada por comparação para um nível de linha-base de amplitude.

[0021] O processamento de dados na etapa 24 pode ser usado para determinar o valor de uma ou mais características de dados de áudio. Por exemplo, em algumas modalidades, o processamento de dados pode ser usado para avaliar como uma característica de dados de áudio, tal como a amplitude dos mesmos, rastreia ao longo do tem- po. Por exemplo, em algumas modalidades, dados de áudio processa- dos podem ser dados de amplitude associados a uma porção deseja- da de frequências monitoradas e, em algumas modalidades, dados de amplitude podem incluir todas ou uma porção selecionada de frequên- cias coletadas.

[0022] Mediante o processamento de dados para determinar valo- res característicos para os dados e conforme os valores rastreiam ao longo do tempo, um algoritmo pode examinar adicionalmente se o va- lor característico muda ao longo do tempo em uma maneira esperada para uma atividade convulsiva. Por exemplo, na etapa 26, em algumas modalidades, dados processados podem ser analisados para identifi- car pontos distintos dentre os valores determinados para a caracterís- tica, e examinar se os pontos distintos atendem uma ou mais exigên- cias de periodicidade associadas a atividade convulsiva. Por exemplo, um ponto distinto pode ser identificado caso o ponto encontre um valor de amplitude de limiar, e a temporização ou periodicidade entre aque- les pontos pode então ser examinado. Isto é, a etapa 26 pode incluir comparar valores de dados para uma característica rastreada ao longo do tempo (conforme descrito na etapa 24), que identifica pontos distin- tivos ou críticos com base em encontrar um critério de limiar e deter- minar se a temporização entre pontos distintos ou críticos ao longo dos tempos atende uma exigência de periodicidade.

[0023] Em algumas modalidades, uma pluralidade de pontos dis- tintos pode ser avaliada e valores de periodicidade para tempos entre os pontos podem ser determinados. Entretanto, algumas tendências em um sinal de áudio podem não se repetir. Por exemplo, em algumas convulsões, um grito inicial ou de alta intensidade (conforme adicio- nalmente descrito abaixo) pode estar presente e, em algumas modali- dades, um grito de alta intensidade inicial (às vezes seguido de um período sustentado de menores sinais de amplitude) pode ser identifi- cado através da análise de sinal de áudio processado. E, embora em algumas modalidades o sinal de áudio possa ser inserido junto com outros dados de sensor (preferivelmente dados de EMG) para detectar uma convulsão, em outras modalidades uma ou mais características de sinal de áudio podem ser usadas para acionar diretamente um alarme. Por exemplo, caso um sinal de áudio seja coletado ou recebi- do (etapa 22) e caso amplitude seja rastreada ao longo do tempo (eta- pa 24) e em análise de assinaturas de tendências de amplitude (etapa 26) de um grito de alta intensidade seguido de um período de atraso e então uma série de repetição de pontos distintos ou padrões indicati- vos de uma pluralidade de arfadas é detectada, a confiança em detec- ção de convulsão pode ser alta.

[0024] Em algumas modalidades, o processamento e análise de sinal de áudio podem incluir executar um ou mais programas de reco- nhecimento de padrão para identificar dentro de dados de áudio caso certa porção dos dados se correlacione a um padrão. Por exemplo, em algumas modalidades, um ponto distintivo ou crítico (conforme descrito acima) pode ser uma parte de um padrão incluindo, por exemplo, um padrão modelado em referência a uma atividade comumente executa- da durante uma convulsão. Em algumas modalidades, reconhecimento de padrão pode incluir suavizar um conjunto de dados, identificar um ou mais valores extremos em um conjunto de dados e aplicar um ou mais procedimentos, incluindo sobreposição e análise de regressão. Por exemplo, um programa pode identificar um valor máximo local em um conjunto de dados de áudio e tentar encaixar dados ao redor da máxima local para um ou mais funções modelo associadas a certo som. Por exemplo, um som modelo pode representar ou ser derivado de uma gravação de um paciente com dificuldade respiratória e um dado conjunto de dados pode ser comparado ao som modelo através da sobreposição e encaixe de dados coletados com o uso de análise de regressão e que determina se o som atende um nível limiar de simi- laridade para o som modelo. Por exemplo, um algoritmo pode determi- nar se certa porção de dados se correlaciona a um padrão de uma ar- fada ou se correlaciona ao padrão de uma arfada em alguma probabi- lidade.

[0025] Durante uma convulsão, alguns pacientes podem gritar, grunhir ou arfar e a amplitude ou intensidade total de um sinal acústico resultante pode ser alta. A presença de um pico ou pico sustentado em amplitude de sensor acústico pode, portanto, tender a correlacionar com um estado convulsivo. Entretanto, outros eventos também podem tender a produzir sinais de áudio de alta amplitude. Portanto, em mo- dalidades preferenciais, o sinal processado pode ser analisado de mo- do a discriminar os dados acústicos de fontes não convulsivas. Em vá- rias modalidades descritas no presente documento, a discriminação de dados acústicos de eventos não convulsivos pode ser alcançada de vários modos.

[0026] Por exemplo, quando alguns pacientes vivenciam uma con- vulsão, o paciente pode forçar uma grande quantidade de ar através da garganta do mesmo e um sinal audível tende a ser produzido. Al- guns pacientes tendem a inspirar e expirar ar dos pulmões em uma maneira repetitiva, e um padrão sonoro resultante, às vezes caracteri- zado como um grunhido ou uma arfada, pode ser repetido em tempo com um grau de regularidade. Algumas modalidades no presente do- cumento podem analisar um sinal de áudio coletado em relação à pre- sença de um padrão sonoro que se assemelha a uma arfada ou gru- nhido convulsivo. Além disso, algumas modalidades podem determinar se o padrão sonoro é repetido, e um padrão de repetição sonoro pode ser usado para detectar a presença de uma convulsão. Particularmen- te, a periodicidade de um padrão sonoro de uma convulsão pode ser mais regular e/ou pode, para algumas convulsões, incluir um compo- nente de frequência mais baixo que alguns outros sons incluindo, por exemplo, a fala humana normal. Por exemplo, a fala humana normal pode tender a ter mais variação que sons produzidos durante uma convulsão. Além disso, a regularidade de sons produzidos em uma convulsão pode ser mais aleatória na fala humana e geralmente não varia da mesma forma que alguém que pode, por exemplo, estar lu- tando para inspirar e expirar ar repetitivamente como em certas partes de uma convulsão.

[0027] A taxa de repetição de membros individuais de um padrão de repetição sonoro para um paciente que vivencia uma convulsão pode ser caracterizada, e para alguns pacientes a quantidade de membros padrões presentes ao longo do tempo pode ser de cerca de 0,5 a cerca de 5 membros padrões por segundo. Por exemplo, para alguns pacientes pelo menos cerca de três membros de um padrão de repetição sonoro para cada segundo podem estar presentes no início de uma parte de uma convulsão com a quantidade por cair tipicamente durante a progressão de convulsões. Tal quantidade pode cair de for- ma constante através de uma progressão de convulsões ou terminar de forma abrupta. Tal progressão pode ser caracterizada por tempo e comunicada para um cuidador e pode ser comparada a modelos de progressão incluindo aqueles para progressão ou recuperação convul- siva normal e anormal. Em algumas modalidades, a periodicidade de um padrão de repetição sonoro pode ser determinada para um pacien- te individual ou estimada para um paciente com base em uma ou mais características de paciente (por exemplo, a idade, sexo, altura e/ou peso do paciente) e, em algumas modalidades, uma periodicidade es- perada de um padrão sonoro convulsivo pode ser estimada anterior ao monitoramento de paciente.

[0028] Em algumas modalidades, o som pode ser coletado e um algoritmo de reconhecimento de padrão pode sondar dados acústicos resultantes para um ou mais padrões de distinção.

Por exemplo, o som pode ser coletado e processado para identificar porções de dados de áudio associadas a um som convulsivo repetitivo.

Um padrão de dis- tinção pode ser identificado com base na presença de um certo ele- mento de dados ou combinação de elementos de dados.

Por exemplo, a presença de uma amplitude de limiar local máxima, amplitude de li- miar local máxima seguida de um período sustentado de amplitude acústica em queda, ou máxima de local limiar com porções circundan- tes similares para uma ou mais funções modelo pode ser usada para identificar um padrão.

Para identificar um padrão, dados de áudio po- dem ser guardados e integrados ao longo das unidades de tempo (ou compartimentos) para aprimorar sinal para ruído.

Os dados podem ser guardados dentro de períodos de tempo conforme pode ser apropriado para rastrear mudanças relevantes através de um período de tempo tal como durante inalação e/ou exalação durante uma arfada ou grunhido convulsivo.

Por exemplo, em algumas convulsões, os dados de áudio de um grunhido podem mudar de forma mais vagarosa conforme um indivíduo inala ar e mais rapidamente conforme o diafragma força ar para fora dos pulmões.

Alguns pacientes podem tender a emitir um som reconhecível próximo a momentos que seguem quando o ar foi, em sua maioria, expelido dos pulmões.

Por exemplo, o paciente pode arfar para tentar recuperar a respiração.

E, para capturar confiavel- mente sons produzidos durante a contração e/ou expansão dos pul- mões, dados podem, por exemplo, ser guardados e integrados em pe- ríodos de até cerca de 50 milissegundos.

Um padrão de repetição so- noro pode, em algumas modalidades, ser segmentado em várias par- tes e partes individuais do padrão sonoro podem ser identificadas.

Por exemplo, durante inalação e exalação, diferentes sons podem ser emi- tidos e, através da examinação de dados de áudio para um padrão ca-

racterístico associado a inalação seguida de exalação, sons anormais associados a uma convulsão podem ser identificados. Por exemplo, devido ao fato de que a respiração normal pode mostrar um perfil de inalação e exalação mais simétrico que algumas convulsões, segmen- tar um som em um primeiro padrão associado a inalação e um segun- do padrão associado a exalação pode ser usado em algoritmos para detectar a presença de uma convulsão. Isto é, o tempo relativo em que um paciente é julgado como por inalar e exalar pode ser identificado e uma razão de tempo de inalação para tempo de exalação pode ser determinada. Uma razão que é significativamente diferente de cerca de 1:1 (tal como fora de um faixa que se estende de cerca de 0,8:1 a cerca de 1,2:1) pode ser usada para caracterizar tensão respiratória e possível atividade convulsiva. Particularmente, em algumas modalida- des, um som detectado pode ser examinado em relação a característi- cas de uma arfada ou grunhido convulsivo, que pode incluir segmentar os dados e buscar partes de dados típicas de inalação e típicas de exalação e caracterizar se a duração das partes são mais ou menos simétricas em duração. Isto é, para respiração pesada, assimetria temporal com uma parte por durar mais que a outra pode ser identifi- cada.

[0029] Um algoritmo pode determinar adicionalmente se um pa- drão de dados identificado mantém uma periodicidade esperada. Por exemplo, embora porções de um grunhido possam mostrar assimetria entre partes de inalação e exalação o padrão total de inalação e exa- lação pode ser caracterizado como por ter regularidade mais alta que outros sons incluindo a fala. Por exemplo, caso um padrão esteja pre- sente e se repita ao longo do tempo com uma regularidade de cerca de uma vez a cada 0,2 a cerca de 2 segundos, e o padrão seja detec- tado uma quantidade de vezes (tal como pelo menos 4 a cerca de 10 vezes) ou por um certo período, a iniciação de um alarme de convul-

são pode ser encorajada. Qualquer dentre vários pontos dentro de um padrão detectado pode ser usado para identificar temporização em que um padrão detectado ocorre e pode ser adicionalmente usado pa- ra avaliar a periodicidade do padrão. Por exemplo, o tempo inicial, mé- dio ou final de um padrão detectado pode ser usado. A maioria dos padrões descritos no presente documento pode incluir um valor de amplitude máximo local que encontra algum limiar e o tempo de tal va- lor pode ser convenientemente usado para identificar a posição em tempo de um padrão detectado.

[0030] Em algumas modalidades, mudanças em periodicidade ao longo do tempo podem ser rastreadas (mesmo após um alarme pode ser iniciado) e, por exemplo, um algoritmo pode buscar sinais de recu- peração anormal de uma convulsão. A periodicidade de um padrão sonoro repetido pode, em algumas modalidades, ser adicionalmente comparada à periodicidade de rajadas de dados de EMG. Por exem- plo, ambos as rajadas de dados de EMG e os períodos de tensão res- piratória podem ser relacionados à presença de sinais não coordena- dos enviado de diferentes partes do cérebro e, para alguns pacientes, a fase e/ou periodicidade de rajadas e a fase e/ou periodicidade de dados de áudio produzidos durante períodos de tensão respiratória podem ser relacionados e/ou rastreados juntos incluindo identificar quando um paciente pode estrar mostrando sinais anormais de pro- gressão convulsiva e/ou recuperação.

[0031] Em algumas modalidades, dados de áudio podem possuir alta amplitude (frequentemente associado a mudanças de frequência características) durante tempos de um grunhido ou arfada logo após a exalação iniciar. De modo mais genérico, qualquer ponto ou pontos em um padrão incluindo, por exemplo, pontos identificados como por en- contrar uma exigência de limiar ou condição ou outra característica distinta pode ser identificado e usado em um cálculo de periodicidade.

Para alguns pacientes, durante algumas porções de uma convulsão, um grunhido característico pode ser alto em amplitude e o paciente pode repetir um som similar, mas fadiga muscular pode diminuir a am- plitude geral do padrão sonoro. Isto é, um padrão repetitivo pode ser identificado por uma quantidade de vezes, mas repetições subsequen- tes podem ser caracterizadas como por ter amplitude diminuída. Do mesmo modo, para alguns pacientes um ou mais valores de periodici- dade podem se acumular ao longo do tempo. Portanto, em algumas modalidades, a detecção de um padrão característico em dados de áudio acompanhados por uma diminuição de amplitude geral de sinal e/ou tendências em periodicidade podem ser usadas em um algoritmo de detecção de convulsão.

[0032] Em algumas modalidades, os dados de áudio podem ser coletados e analisados por uma pluralidade de intervalos de tempo. Por exemplo, os dados de áudio podem ser analisados ao longo dos intervalos de tempo conforme for apropriado para capturar amplitude e/ou mudanças de frequência que podem ocorrer durante o curso de uma convulsão. Por exemplo, em algumas modalidades, os dados de áudio podem ser divididos em intervalos de cerca de 0,01 a cerca de 0,1 segundos. Durante qualquer dado intervalo um ou mais valores característicos de áudio ou dados de áudio processados podem ser calculados e o(s) valor(es) característico(s) pode(m) ser armazena- do(s). Um algoritmo pode analisar valores característicos de intervalos de coleta sucessivos ou analisar dados suavizados por um período de tempo e buscar um ou mais padrões característicos. Mediante a identi- ficação de dois ou mais membros de padrão de repetição, um algorit- mo pode determinar se o padrão satisfaz uma ou mais exigências de periodicidade para uma convulsão. Por exemplo, um padrão pode ser identificado por encontrar uma condição limiar tal como a presença de um valor de amplitude acústica limiar ou amplitude acústica limiar que é uma máxima local, e um método pode determinar um intervalo de tempo entre padrões detectados. Por exemplo, um intervalo de tempo entre detecções adjacentes de dois valores de amplitude de limiar po- de ser determinado. Caso o período de tempo entre os valores limiares seja característica de um estado convulsivo, um alarme pode ser envi- ado ou um alarme pode ser enviado caso corroborado por outros da- dos.

[0033] Um método 30 para monitorar um paciente em relação a características convulsivas com base na periodicidade de um ou mais pontos distintivos ou padrões característicos identificados de um sinal acústico é ilustrado na Figura 3. Em uma etapa 32, sinal ou sinal ade- quadamente processado (por exemplo, sinal corrigido de plano de fun- do ou filtrado) pode ser coletado ou recebido por um intervalo de tem- po e um ou mais valores de dados podem ser calculados do sinal de áudio ou acústico coletado. Os valores de dados calculados por um intervalo podem incluir, a título de exemplo não limitador, dados de amplitude e, em algumas modalidades, os dados de amplitude podem ser associados a uma ou mais frequências espectrais. Por exemplo, um paciente com dificuldade respiratória pode tender a produzir sons em uma ou mais bandas de frequência e em algumas rotinas para análise de dados de amplitude de dados de áudio pode ser isolado com base em frequências gravadas para um paciente ou certa demo- grafia de paciente.

[0034] Em uma etapa 34, o(s) valor(es) de dados calculado(s) po- de(m) ser armazenado(s) e, em uma etapa 36, valores de dados ar- mazenados incluindo dados de outros intervalos próximos podem ser analisados para identificar dados que atendem um ou mais critérios. Conforme descrito acima, em algumas modalidades, um ou mais pro- gramas de reconhecimento de padrão podem ser executados em um conjunto de dados ao longo do tempo (por exemplo, dados associado a uma quantidade de intervalos de tempo adjacentes). Em algumas modalidades, caso uma amplitude de um sinal de áudio em um inter- valo de tempo exceda um certo limiar ou caso um sinal de áudio seja maior em amplitude que outras amplitudes em intervalos próximos de tempo (por exemplo, caso o sinal de áudio qualifique como um valor máximo local limiar) os dados acústicos podem satisfazer uma ampli- tude de critério de limiar. O ponto pode ser julgado distintivo e usado em cálculos adicionais. Outros pontos distintos ou limiares também podem ser identificados. Por exemplo, em algumas modalidades, uma mínima local em amplitude ou um ponto de inflexão em dados derivati- vos de amplitude pode ser identificado. De modo mais genérico, em algumas modalidades, um ponto distintivo ou identificado pode ser qualquer ponto em um padrão detectado tal como o início, meio ou fim de um padrão detectado que pode confiavelmente marcar o tempo em que o padrão foi detectado.

[0035] Para alguns pacientes, os dados acústicos podem ser ca- racterizados por mudanças em características espectrais. Por exem- plo, durante uma porção de um período convulsivo, tal como durante porções iniciais de um grunhido, a frequência média de dados pode ser diferente da frequência média em outros períodos convulsivos tal como porções subsequentes do grunhido. Isto é, as frequências domi- nantes de sons produzidos por um paciente durante uma convulsão pode mudar e, em algumas modalidades, um algoritmo de detecção pode identificar caso a frequência distribuição de dados acústicos mu- de em uma maneira definida para atender um critério. Por exemplo, um grunhido ou arfada pode se estender por múltiplos intervalos de tempo e, em cada intervalo, uma frequência média ou mediana de si- nal dados pode ser determinada. A frequência média pode mudar no período de tempo de um grunhido e, para alguns pacientes, pode, por exemplo, mover para frequências mais altas e então para frequências mais baixas ao longo do tempo. Portanto, um valor de dados calculado em uma etapa 32 pode ser o valor de frequência média ou mediana de sinal coletado durante um intervalo. Os dados podem ser armazena- dos em uma etapa 34 e comparados a outros valores de frequência em intervalos próximos em uma etapa 36. Por exemplo, caso dados em um intervalo estejam em um ponto em que a frequência média transita entre aumento e diminuição ou transita entre diminuição e au- mento, o intervalo de tempo pode ser marcado. Em algumas modali- dades, um método pode determinar se uma frequência média ou me- diana limiar ou frequência média ou mediana local é alcançada.

[0036] Na etapa 36, dados podem ser analisados para determinar se um ponto padrão ou distintivo está presente nos dados de áudio. Por exemplo, um ponto distintivo pode ser identificado com base em encontrar um ou mais critérios tal como encontrar critérios como um valor de amplitude máximo local ou o valor de amplitude máximo local encontrar algum limiar. Na etapa 38, a periodicidade de uma pluralida- de de padrões ou pontos identificados ao longo do tempo pode ser examinada.

[0037] Em uma etapa 38, um ou mais tempos entre pontos identifi- cados de um padrão detectado podem ser determinados. Por exemplo, pode-se determinar que um período de tempo de 0,5 segundo passa- do entre intervalos de dados identificados como por atender um certo limiar devido ao fato de que os pontos satisfazem a condição de serem valores máximos de amplitude local limiar. Em uma etapa 40 um algo- ritmo pode analisar se os tempos são indicativos de uma convulsão. Por exemplo, em algumas modalidades, um período de tempo pode ser identificado como indicativo de uma convulsão caso o período seja entre cerca de 0,2 a cerca de 2 segundos. Um algoritmo pode ser sin- tonizado de modo que qualquer quantidade de períodos de tempo adequados deva ser identificada antes de uma convulsão ser indicada.

Por exemplo, o período entre 2 ou mais pontos identificados ou pa- drões detectados pode ser determinado e, conforme uma maior quan- tidade de períodos adequados é medida, o algoritmo pode indicar uma probabilidade mais alta de que uma convulsão pode estar ocorrendo. Por exemplo, em algumas modalidades, um algoritmo pode iniciar um alarme até que pelo menos cerca de 4 a cerca de 10 padrões sejam identificados. A regularidade de duração ou regularidade de períodos de tempo pode ser adicionalmente analisada em um algoritmo. Por exemplo, um desvio padrão ou outra métrica estatística associada a múltiplos períodos pode ser usada para analisar se os determinados períodos são adequadamente periódicos.

[0038] A título de exemplo apenas, se durante um período de mo- nitoramento um paciente inalar e exalar 10 vezes e se em momentos próximos a que o paciente começa um ciclo de aspiração o ar começar a ser transportado para os pulmões, um som reconhecível será produ- zido, esse som pode ser distinguido por amplitude e/ou frequência (por exemplo, uma parte no ciclo de aspiração e expiração pode ser esco- lhido ou detectado a partir de outros pontos) e identificado como um ponto em um padrão relacionado à convulsão. Com 10 ciclos pode ha- ver 9 períodos entre pontos identificados (que, nesse exemplo, é um som reconhecido produzido durante a aspiração como um paciente com dificuldade respiratória). Esse som reconhecido pode, por exem- plo, incluir um máximo local em amplitude em um determinado mo- mento ou pode ser distinguido de outras maneiras. Por exemplo, os momentos identificados podem ser distinguidos convenientemente por números subscritos da seguinte forma: T1 , T2, T3, …, T10

[0039] Os períodos relativos entre os momentos identificados po- dem ser calculados da seguinte forma: T2 – T1 = ∆ T1

T3 – T2 = ∆ T2 … T10 – T9 = ∆ T9

[0040] E, qualquer um dentre inúmeros procedimentos pode ser usado para determinar uma ou mais métricas de como os períodos de tempo podem ser periódicos ou regulares. Por exemplo, em uma mo- dalidade, os períodos de tempo entre pontos identificados podem ser determinados (conforme acima) e um período de tempo médio pode ser calculado. O período de tempo médio pode ser comparado a perí- odos de tempo medidos individualmente (por exemplo, quanto desvio do período médio está presente) e um desvio padrão, relativo ou em porcentagem é determinado. Por exemplo, um processador pode exe- cutar cálculos da seguinte forma: Período de tempo médio = (∆T1 + ∆T2 + ∆T3 + … + ∆T9)/(N=9) = ∆T(méd.) Desvio médio = ∑ │ Desvios Individuais │/ nº Desvios = │ (∆T1 – ∆T (méd.)) │ + │ (∆T2 – ∆T (méd.)) │+ … │(∆T9 – ∆T (méd.))│/ (N=9) Desvio em porcentagem = [Desvio médio / ∆T(méd.)] x 100 %

[0041] Um desvio em porcentagem, por exemplo, pode ser compa- rado a um ou mais valores de limiar de desvio em porcentagem e se o desvio em porcentagem satisfizer os critérios de limiar, a periodicidade do padrão detectado (por exemplo, série de 10 aspirações e expira- ções que produz 10 padrões de repetição no exemplo acima) pode ser vista como indicativo de atividade de convulsão. Por exemplo, se o re- quisito de periodicidade for preenchido, em seguida, um alarme ou ou- tra resposta poderá ser executada. Um algoritmo pode, em algumas modalidades, incluir uma comparação de um desvio em porcentagem com um ou mais valores de limiar que incluem um desvio em porcen- tagem mínimo e/ou um desvio em porcentagem máximo. Por exemplo,

uma fonte de ruído repetida que é artificialmente periódica pode apre- sentar muito pouco desvio em porcentagem e pode não ser considera- da indicativo de uma convulsão. No entanto, a fala humana que pode ser mais aleatória do que os sons produzidos durante uma convulsão pode ser menos periódica. E, em algumas modalidades, um método de detecção de áudio pode incluir comparação de dados tanto com um desvio em porcentagem mínimo quanto com um desvio em porcenta- gem máximo (ou outra métrica de periodicidade adequada) e compa- ração com um período mínimo e/ou máximo. Por exemplo, no local em que uma porção de dados de áudio tem um padrão que se repete den- tro de limiar para desvio em porcentagem (por exemplo, satisfaz limia- res mínimo e máximo para periodicidade) e em que a porção de dados de áudio inclui um padrão que se repete entre algum número de vezes mínimo e máximo por segundo os dados de áudio podem ser conside- rados indicativos de uma convulsão.

[0042] Em algumas modalidades, os dados acústicos podem ser usados individualmente para acionar um estado de alarme. No entan- to, em algumas modalidades, um algoritmo de detecção também pode analisar (conforme mostrado em uma etapa 42) se outros dados de sensor (por exemplo, dados de EMG) suportam uma constatação de que uma convulsão pode ocorrer. Por exemplo, se os dados acústicos forem coletados e for determinado que os dados são característicos de uma convulsão e, no mesmo período de tempo, a área de valores de EMG de limiar de período de tempo também é satisfeita, um método 30 pode considerar a certeza de detecção de convulsão alta e pode iniciar um protocolo de alarme em uma etapa 44. Em algumas modali- dades, os dados acústicos podem ser ponderados junto com os dados de EMG para determinar a probabilidade de uma convulsão ocorrer. E, em algumas modalidades, os dados acústicos podem ser usados para colaborar com uma constatação de que as manifestações motoras fra-

cas são indicativas de atividade de convulsão. Em algumas modalida- des, os dados de áudio podem atuar como entrada em um algoritmo de supervisão, conforme descrito no Pedido Copendente Relacionado do Requerente nº 13/275.309 depositado no dia 17 de outubro de 2011 e incorporado no presente documento a título de referência. Para al- guns pacientes, um atraso temporal entre manifestações audíveis de uma convulsão e manifestações musculares de uma convulsão pode ocorrer às vezes e um período de tempo em que os dados EMG e da- dos acústicos são determinados como relacionados pode ser ajustado consequentemente.

[0043] Em algumas modalidades, um algoritmo de detecção de convulsão pode incluir entradas de cada um dentre um ou mais senso- res de EMG e um ou mais sensores acústicos e, por exemplo, se os sensores de ambos os tipos exceder níveis de limiar apropriados, um estado de alarme será acionado. Algumas dessas modalidades podem monitorar a periodicidade de padrões acústicos detectados e/ou po- dem integrar outras assinaturas de dados acústicos. A Figura 4 ilustra um método exemplificativo 50 em que um alarme pode ser iniciado se, por exemplo, cada um dentre um sensor de EMG e um sensor acústi- co exceder os respectivos níveis de limiar durante um determinado pe- ríodo de tempo. Em uma etapa 52, um paciente pode ser monitorado com uso de uma combinação de sensores de EMG e sensores acústi- cos e o método pode procurar por um primeiro evento de detecção de limiar. Se um sensor exceder um limiar, o método pode, conforme mostrado em uma etapa 54, estabelecer um período de tempo para o monitoramento de um evento de limiar do outro tipo de sensor e conti- nuar a monitorar o paciente. Por exemplo, se um primeiro evento for o excedente de um limiar de EMG, o método poderá estabelecer um pe- ríodo subsequente a esse evento em que a detecção de limiar de um sinal de áudio pode acionar um alarme. Portanto, conforme mostrado em uma etapa 56, um método 50 pode determinar se a detecção de limiar tanto de um sensor de EMG quanto de um sensor acústico foi satisfeita dentro do período de tempo estabelecido. Se tanto os even- tos de EMG de limiar quanto os eventos acústicos de limiar foram sa- tisfeitos, conforme mostrado na etapa 58, um protocolo de alarme po- de ser iniciado. Alternativamente, se nenhum evento colaborador foi detectado, o sistema pode voltar a monitorar um paciente em busca de um próximo evento de limiar. Por exemplo, um método 50 pode exigir que um evento seja detectado e que um evento colaborador seja de- tectado dentro de um período de tempo de cerca de até 2 minutos ou até cerca de 5 minutos.

[0044] Para alguns pacientes, os sons produzidos durante uma parte de uma convulsão podem ser diferentes dos sons produzidos durante outras partes de uma convulsão. Por exemplo, para alguns pacientes, muitas vezes, durante uma porção tônica de uma convul- são, um paciente pode expirar rapidamente às vezes com um grito al- to. O paciente pode não inalar e começar a respiração rítmica durante um período de tempo. Por exemplo, durante ou após o início da fase clônica, o paciente pode recomeçar a aspiração e, em algum momen- to, o paciente pode começar a produzir repetitivamente um padrão de som, muitas vezes, conforme tentam restabelecer a respiração está- vel. Alguns métodos no presente documento podem levar em conside- ração dados de áudio com o tempo e identificar recursos típicos de várias partes de uma convulsão, aqueles recursos podem ser analisa- dos conjuntamente a fim de aumentar a certeza da detecção de con- vulsão. Por exemplo, um método de monitorar um paciente pode inclu- ir analisar dados de áudio coletados para um grito de alta amplitude ou som típico do início de uma convulsão e acompanhar os dados para procurar por padrões de uma tentativa de restabelecer a respiração estável. Por exemplo, se um grito de alta amplitude for seguido por si-

nais de áudio de amplitude inferior durante algum tempo característico e, posteriormente, por um padrão repetitivo (conforme discutido acima em relação à Figura 4), uma convulsão poderá ser considerada pre- sente e um alarme ou outra resposta poderá ser iniciada.

[0045] Ademais, em algumas modalidades de métodos para detec- tar uma convulsão, os dados de áudio podem ser coletados juntamen- te com outros dados de sensor. Caso as tendências nos dados de áu- dio pareçam indicar a transição entre mais de uma parte de uma con- vulsão (conforme discutido acima) e caso os outros dados de sensor ajudem aquelas transições, a certeza de detecção de convulsão pode- rá ser enormemente aprimorada. Por exemplo, em algumas modalida- des, mais de uma rotina de eletromiografia pode ser executada junto com a coleção de sinal de áudio e a pluralidade de dados pode ser usada não apenas para detectar uma convulsão, mas também para acompanhar as mudanças na atividade de convulsão durante a transi- ção entre uma ou mais fases de convulsão. Várias aplicações associ- adas ao tratamento ou ao fim de convulsões (por exemplo, como pode incluir estimulação de nervo Vagal), à coleção ou transmissão seletiva de dados de sensor adicionais e/ou às respostas seletivas e padroni- zadas para uma condição de convulsão detectada podem se beneficiar da detecção e do acompanhamento de mudanças na atividade de convulsão, conforme descrito no presente documento.

[0046] Em algumas modalidades, um método de monitorar um pa- ciente em busca de atividade de convulsão pode incluir uma primeira rotina de EMG que é altamente responsiva a manifestações motoras iniciais e/ou atividade tônica e uma segunda rotina de EMG pode ser seletiva para atividade de fase clônica. As rotinas que podem ser reali- zadas responsivas ou seletivas para a detecção de manifestações mo- toras iniciais típicas de atividade de convulsão ou para fases diferentes de uma convulsão são descritas, por exemplo, no Pedido Provisório

Copendente do Requerente nº 62/001.302 depositado no dia 21 de maio de 2014 e também no Pedido Provisório Copendente do Reque- rente nº 62/032.147 depositado no dia 1º de agosto de 2014, cujas descrições são incorporadas no presente documento a título de refe- rência.

[0047] Por exemplo, uma rotina que pode ser responsiva a mani- festações motoras iniciais e/ou atividade tônica pode incluir coletar si- nais de EMG durante um determinado período de tempo e integrar a amplitude de sinais coletados dentro de uma ou mais janelas de tempo consecutivas ou sobrepostas dentro desse período e, em seguida, de- terminar se a amplitude integrada foi elevada com um determinado li- miar durante um período de tempo, conforme pode ser determinado, por exemplo, se o limiar for satisfeito de maneira consistente ou com uma determinada probabilidade durante várias janelas de tempo. Os níveis de amplitude de sinal de EMG podem ser calculados a partir de sinal coletado em uma ou mais bandas de frequência e filtros apropri- ados podem ser usados para isolar uma ou mais bandas de frequência alvo. Os níveis de limiar de amplitude integrada de sinal de EMG e/ou os requisitos em que um valor de limiar é mantido para um período de tempo podem, em algumas modalidades, ser ajustados para tonar es- sa rotina responsiva a manifestações motoras que podem ser mais fracas do que tipicamente encontrado em uma convulsão ou em uma convulsão que pode ser perigosa. As janelas de tempo de integração podem ser estabelecidas para aprimorar a detecção de manifestações motoras relativamente fracas. Por exemplo, em algumas modalidades, as janelas de tempo de integração para coleção de sinal de EMG po- dem ter a duração de pelo menos cerca de 20 milissegundos, pelo menos cerca de 50 milissegundos ou pelo menos cerca de 100 milis- segundos.

[0048] Em algumas modalidades, um nível de limiar de amplitude de sinal de EMG pode ser realizado com base em uma medição de uma amplitude de sinal que um indivíduo pode fornecer durante uma contração muscular voluntária. E, em algumas modalidades, para cap- turar manifestações motoras fracas, um valor de cerca de 2% a cerca de 50% de um valor de contração voluntária máxima pode ser ajusta- do.

[0049] Também a título de exemplo, uma rotina que pode ser sele- tiva para atividade de fase clônica pode incluir determinar se uma por- ção de dados de EMG inclui surtos de fase clônica, visto que pode ser baseada em cumprimento de um critério de largura de surto mínima e/ou largura de surto máxima, e se um número de surtos for detectado, a rotina poderá ser considerada responsiva e a atividade de fase clôni- ca será detectada. Isto é, uma rotina pode contar surtos ou determinar uma taxa de surto e se o número ou a taxa exceder um limiar, uma resposta positiva poderá ser registrada. Em algumas modalidades, um envelope de surto pode ser gerado e o envelope de surto pode gerar impacto em um limiar de SNR que pode ser usado para identificar sur- tos. Por exemplo, com um método de detecção de pico simples, os surtos podem ser qualificados satisfazendo-se um limiar SNR de cerca de 1,25 a cerca de 20 e satisfazendo-se um limiar mínimo para largura de surto de cerca de 25 a cerca de 75 milissegundos e limiar de largu- ra de surto máxima não superior a cerca de 250 milissegundos a cerca de 400 milissegundos. Os surtos podem ser contados e vários surtos ou uma taxa de surtos pode ser determinada. Por exemplo, uma res- posta de rotina positiva pode ser acionada para alguns pacientes, se entre cerca de 2 a cerca de 6 surtos forem medidos dentro de uma ja- nela de tempo de cerca de 1 segundo ou se outro número adequado de surtos for contado em alguma outra janela de tempo apropriada.

[0050] Um método 60 para monitorar um paciente em busca de características de convulsão que pode incluir coleção e processamen-

to ou processamento tanto de dados de áudio quanto de dados de EMG é mostrado na Figura 5. Assim como o método 50, a presença tanto de dados de áudio quanto de dados de EMG pode geralmente aumentar a certeza de que uma convulsão está presente. No entanto, no método 50, em algumas modalidades, pode ser exigido apenas que um evento de convulsão seja detectado e um evento colaborador tam- bém seja detectado. Por exemplo, um evento pode ser baseado em dados de EMG e um evento colaborador pode ser baseado em dados de áudio. E, se um evento for detectado e uma detecção colaboradora realizada em menos de cerca de 2 minutos, os eventos poderão ser considerados colaboradores e um alarme poderá ser iniciado.

[0051] Para aprimorar a eficiência de detecção, no método 60, as rotinas particulares são executadas, as quais individualmente ou em combinação podem facilitar a detecção seletiva de uma ou mais fases ou partes de convulsão. Isto é, por exemplo, levando-se em conside- ração primeiro os dados de EMG, uma combinação das rotinas exem- plificativas anteriormente mencionadas pode ser executada. E, se aquelas rotinas de EMG forem individualmente responsivas a uma de- terminada parte de uma convulsão, um alarme poderá ser acionado em alguns pacientes. Quando ambas as rotinas afirmam atividade de convulsão, um alarme também pode ser acionado, posto que a certeza na detecção de convulsão e de severidade da convulsão pode ser alta. Por exemplo, a detecção de atividade clônica seletiva pode estar rela- cionada a efeitos adversos de uma convulsão e, geralmente, uma res- posta de emergência pode ser executada se uma convulsão tônica- clônica for detectada. Quando a detecção de manifestações motoras fracas ou atividade de fase tônica é seguida por detecção de atividade de fase clônica seletiva, o padrão de detecções pode aumentar a cer- teza de que uma convulsão foi detectada e pode ser usado adicional- mente para classificar a convulsão com um evento de convulsão tôni-

ca-clônica clássico.

[0052] Em seguida, levando-se em consideração os dados de áu- dio, em uma rotina, a energia sonora pode ser coletada e processada para identificar a presença tanto de sinais de amplitude alta que po- dem ser típicos de um grito próximo ao início de uma convulsão quan- to em uma segunda detecção de áudio, os dados de rotina podem ser examinados em busca da presença de padrões repetitivos que podem, por exemplo, ser indicativos de uma pessoa com dificuldade respirató- ria, visto que tentam lidar com ou se recuperar de uma convulsão. Em algumas modalidades, uma rotina para buscar dados de áudio também pode ou identifica alternativamente sons produzidos indiretamente por um paciente lutando contra uma convulsão. Por exemplo, uma rotina pode examinar dados de áudio em busca de sinais de que uma mobí- lia ou um dispositivo de som está se movendo de maneira rítmica. No- vamente, quando mais de um recurso de atividade está presente (por exemplo, em que ambas as rotinas indicam a presença de assinaturas de atividade de convulsão), a probabilidade de ocorrer uma convulsão é alta e um alarme pode ser acionado. Para aprimorar a certeza, uma rotina pode procurar por um atraso característico entre os vários as- pectos de dados de áudio. Por exemplo, quando um padrão de som repetitivo é correlacionado temporariamente (por exemplo, separado por um tempo esperado) com um grito, a certeza de detecção pode ser aumentada. Por exemplo, se um grito, geralmente indicativo de ativi- dade tônica, for detectado e um padrão de som repetitivo for identifica- do em seguida (tanto a partir de dificuldade respiratória quanto movi- mento rítmico de mobília ou de um dispositivo de som) dentro de cerca de 5 a cerca de 45 segundos, a certeza de detecção de convulsão po- derá ser aprimorada. A combinação pode ser seletivamente distinguida de uma convulsão tônica-clônica.

[0053] A título de contraste com o método 50, o método 60 pode aprimorar a eficiência de detecção levando-se em consideração em um algoritmo de detecção uma relação temporal entre várias rotinas que individualmente ou em combinação são seletivas para uma ou mais partes de uma convulsão. E, consideravelmente, quando duas rotinas para a mesma parte são detectadas mais ou menos no mesmo tempo, as detecções podem ser ponderadas apropriadamente. Por exemplo, se as detecções forem realizadas em duas rotinas e quando as rotinas forem seletivas para tempos próximos ao início de uma con- vulsão, as detecções pode ser superponderadas de maneira linear. Isto é, se as duas detecções forem realizadas e correlacionadas a tempo, a contribuição dos eventos para detecção de convulsão poderá ser ajustada consequentemente. Por exemplo, em algumas modalida- des, as detecções podem contribuir de maneira não linear (ou de ma- neira cumulativa). Em algumas modalidades, se as detecções forem realizadas, mas não correlacionadas a tempo, os eventos ainda pode- rão ser incluídos em um algoritmo para detectar uma convulsão, mas apenas com um peso reduzido. Alternativamente, pode ser exigido que a coerência temporal entre os eventos seja mantida. Isto é, sem serem correlacionadas, as detecções podem ser desconectadas. Devido ao fato de que as várias rotinas podem ser correlacionadas com a mesma parte de uma convulsão, os requisitos para coerência temporal podem ser estritos e o risco de identificar incorretamente uma convulsão pode ser minimizado consequentemente.

[0054] Em referência novamente à Figura 5, em uma etapa 62, os dados de áudio e dados de EMG podem ser coletados e processados. Alternativamente, o método 60 pode compreender um método para analisar dados de sensor. Isto é, os dados de sensor podem ser cole- tados separadamente e o método 60 pode ser usado para analisar os dados em busca de um evento de convulsão. No método 60, uma plu- ralidade de rotinas pode ocorrer conjuntamente. As rotinas podem ser seletivas individualmente ou em combinação para uma parte de uma convulsão e o método pode ponderar várias detecções de uma manei- ra baseada no momento esperado para as várias respostas, conforme esperado em uma convulsão atual. Por exemplo, em algumas modali- dades, cada uma dentre uma primeira rotina e uma segunda rotina pa- ra detecção com uso de EMG (incluindo aquelas descritas acima) po- de ser executada conjuntamente (na etapa 62) e vários algoritmos po- de avaliar os dados tanto para cada parte isolada de uma convulsão quanto para vários eventos de convulsão com múltiplas partes. Da mesma forma, conforme mostrado também na etapa 62, cada uma dentre uma primeira e uma segunda rotina para detecção de assinatu- ras de áudio de uma convulsão pode ser executada. Por exemplo, uma rotina pode analisar dados de áudio coletados em busca da ocor- rência de dados de áudio de amplitude alta que podem indicar a pre- sença de um grito audível, posto que pode ocorrer próximo ao início de uma convulsão, e uma segunda rotina de áudio pode procurar por da- dos repetitivos indicativos de porções posteriores de uma convulsão ou de recuperação de convulsão.

[0055] Uma primeira rotina para detecção de EMG pode procurar por atividade de fase tônica ou atividade de pré-convulsão. Quando um grito audível é correlacionado a tempo com detecção de atividade de fase tônica de EMG, as detecções relativas podem ser combinadas em um algoritmo para detecção de convulsão. Em particular, em al- gumas modalidades, o peso relativo das detecções (etapa 64) pode ser adicionado de uma maneira superlinear, isto é, no exemplo acima não apenas ambas as detecções foram realizadas (de EMG e áudio), mas as detecções foram realizadas com coerência temporal de uma maneira esperada e porque as partes são, muitas vezes, relacionadas à mesma parte de uma convulsão, o aumento de certeza na detecção de convulsão pode ser alto, em particular. Isto é, os eventos de áudio e EMG que se espera que ocorra mais a tempo foram realizados e os sinais foram correlacionados temporariamente. Em algumas modalida- des, as rotinas para identificação de convulsão ou atividade de fase tônica precoce com uso de EMG e rotinas para detectar um grito de alta amplitude inicial podem ser consideradas temporariamente corre- lacionadas e ponderadas em um algoritmo para detecção de convul- são se os eventos ocorrerem dentro de cerca de 1 minuto.

[0056] Da mesma forma, um algoritmo pode analisar dados de áu- dio coletados em busca da ocorrência de dados de áudio repetitivos que podem indicar, por exemplo, a presença de um paciente tentando restabelecer o controle da respiração ou induzindo movimento rítmico de som e que podem ocorrer após manifestações iniciais de uma con- vulsão. Adicionalmente, um algoritmo pode analisar dados de EMG com uso de uma ou mais rotinas seletivas para atividade de fase clôni- ca e/ou para dados de EMG associados à recuperação pós-convulsão. Para alguns pacientes, a presença de surtos de fase clônica e a pre- sença de falta de ar podem estar altamente correlacionadas. E, em algumas modalidades, as rotinas para identificação de atividade de fase clônica com uso de EMG e rotinas para detectar respirações pro- fundas repetitivas podem ser consideradas temporariamente correlaci- onadas e ponderadas em um algoritmo para detecção de convulsão se os eventos ocorrerem dentro de cerca de 30 segundos. Ademais, para alguns pacientes, as tendências em periodicidade para a rotina de áu- dio anteriormente mencionada e a rotina de detecção EMG podem es- tar altamente correlacionadas. Por exemplo, as manifestações motoras de paciente, conforme medidas em respostas de EMG e respostas de áudio de paciente, (por exemplo, falta de ar) podem estar relaciona- das.

[0057] Em algumas modalidades, um nível de limiar de ativação de um sensor acústico pode ser baseado em um nível que está um de-

terminado número de desvios padrões acima de um nível de linha de base coletado para um sensor acústico durante um período referente a não convulsão. Alternativamente, em algumas modalidades, um nível de limiar de ativação de áudio pode ser ajustado com base em uma razão entre um nível de linha de base de sensores acústicos e um ní- vel de ruído de limiar. Por exemplo, um nível de limiar de um sensor acústico pode ser alcançado mediante um aumento no sinal acústico de cerca de 10 decibéis a cerca de 40 decibéis acima do nível de linha de base de sensores acústicos medido. Em outras modalidades, um nível de limiar de ativação para um sensor acústico pode ser definido com base em um sensor que alcança um determinado nível de decibel acima de um valor de referência padrão. Um sensor acústico pode ser calibrado, por exemplo, contra um sinal de 0 db, como pode ser tipi- camente medido com uso de uma pressão externa de cerca de 20 mi- cropascais. Em algumas modalidades, um nível de limiar de ativação de um sensor acústico pode ser satisfeito se o sensor acústico medir som em um nível que exceda cerca de 50 decibéis ou cerca de 75 de- cibéis. Em algumas modalidades, um nível de limiar de ativação de áudio pode ser alto o suficiente, de modo que a fala normal não possa exceder o limiar, mas um grito, como pode ser típico de alguns pacien- tes que experimentam uma convulsão, pode exceder um nível de limi- ar de ativação.

[0058] Um valor de limiar de atividade de EMG pode ser baseado em qualquer uma dentre várias características de atividade de EMG que incluem, por exemplo, um valor estatístico T quadrado, a presença de surtos de amplitude ou combinações de características de EMG dos mesmos. Em algumas modalidades, os sinais de EMG podem ser coletados para um período de tempo e processados por filtragem para selecionar uma pluralidade de bandas de frequência. Por exemplo, um espectro de frequência de EMG pode ser partido em várias bandas de frequência, como três ou mais, e uma ou mais características de cada banda de frequência, por exemplo, teor de potência da banda ou den- sidade espectral em uma ou mais frequências dentro da banda, podem ser medidas. Uma característica medida para uma banda de frequên- cia pode ser normalizada por sua variância e covariância em relação à característica, conforme medida em outras bandas de frequência e va- lores normalizados resultantes processados para determinar um ou mais valores estatísticos T quadrados. Um valor estatístico T quadrado pode ser comparado a um valor estatístico T quadrado de referência e se o valor T quadrado exceder o valor de referência, uma condição de limiar poderá ser satisfeita. Em algumas modalidades, os valores T quadrados de referência podem ser estabelecidos com uso de um ou mais períodos de referência e/ou treinamento. Por exemplo, um valor T quadrado de referência pode ser vários desvios padrões a partir de uma linha de base T quadrada obtida enquanto um paciente pode es- tar descansando. Em outras modalidades, um valor T quadrado de re- ferência pode ser dimensionado com base em uma medição obtida enquanto um paciente pode estar executando uma contração voluntá- ria máxima e/ou pode ser calculado com base em uma circunferência de antebraço de paciente.

[0059] Em algumas modalidades, o início de um protocolo de alarme pode depender da satisfação de níveis de limiar tanto de áudio quanto de atividade de EMG dentro de um determinado período de tempo. Por exemplo, para eliminar a detecção positiva falsa de uma convulsão com base em sinais de áudio que ocorrem a partir de even- tos de não convulsão que também podem ser altos, pode-se exigir que a ativação de EMG ocorra adicionalmente à detecção de áudio e ape- nas se ambos os eventos de limiar ocorrerem em um período de tem- po estabelecido é que um protocolo de alarme poderá ser iniciado. A correlação temporal de ativação de EMG e de ativação de áudio pode ser ajustada para um paciente ou grupo de pacientes.

[0060] Em algumas modalidades, os dados de um ou mais senso- res acústicos podem ser usados juntamente com outros dados de um ou mais outros sensores em um método de detecção de convulsão. Por exemplo, os dados de áudio podem ser coletados como parte de um submétodo em um algoritmo configurado para avaliar periodica- mente dados de um sensor acústico e procurar por períodos de sinais de amplitude alta. Caso detectado, o submétodo poderá aumentar o valor de um registro e transferir periodicamente o conteúdo de regis- tros para um registro de acumulação. Portanto, um registro de acumu- lação pode servir como uma métrica de atividade acústica. Um registro de acumulação pode ser ajustado periodicamente (por exemplo, in- crementado ou decrementado) em uma taxa desejada e pode ser con- figurado de modo que apenas os dados acústicos recentes sejam reti- dos. Portanto, se durante um determinado período de tempo a ativida- de acústica for alta, o registro de acumulação poderá ter tendência a aumentar de valor. Outros submétodos, conforme descrito mais minu- ciosamente nos Pedidos de Patente no U.S. 13/275.309 e 13/542.596, também podem estar operando e podem atuar como sentinelas de ca- racterísticas diferentes de dados de EMG. Periodicamente, um algo- ritmo de supervisão pode analisar o conteúdo de um ou mais registros de acumulação para determinar se uma convulsão pode ocorrer. Se o algoritmo de supervisão determinar que a soma de valores ou uma soma ponderada de valores nos registros de acumulação excede um limiar, então, um protocolo de alarme poderá ser iniciado.

[0061] Em algumas modalidades, uma pluralidade de sensores de áudio pode estar presente em uma região de monitoramento e os sons originários dentro da ou próximos à região podem ser detectados por sensores diferentes. A variação entre os sinais detectados pode ser usada para filtrar especialmente componentes de som. Por exemplo, a filtragem espacial de dados de áudio pode ser usada em combinação com dados associados a uma posição esperada ou medida de um pa- ciente. Por exemplo, os componentes de som que podem se originá- rios de uma localização que é espacialmente distinta do paciente po- dem ser desconectados ou ponderados por um fator que diminui a im- portância de um som ou de um componente de som usada em um al- goritmo de detecção de convulsão. Em algumas modalidades, um ou mais transceptores ambientais podem ser colocados em uma área de detecção e, conforme um paciente se move, a posição relativa de um paciente pode ser estabelecida.

[0062] Em algumas modalidades, os dados acústicos podem ser analisados em tempo real e integrados a um algoritmo para determinar se um protocolo de alarme deve ou não ser iniciado. A análise de da- dos acústicos pode ser totalmente ou semiautomática. Por exemplo, em algumas modalidades, os dados acústicos podem incluir dados de amplitude ou dados normalizados e podem ser integrados a um algo- ritmo de detecção sem a necessidade de interpretação por cuidador pessoal. No entanto, em algumas modalidades, os dados de áudio também podem ser enviados para um cuidador durante ou após uma convulsão. Por exemplo, em algumas modalidades, os dados de áudio ou dados de áudio que se correlacionam com atividade de convulsão possível podem ser enviados para o corpo de funcionários remoto trei- nado para realizar a ação apropriada. Em algumas modalidades, os dados enviados para o corpo de funcionários remoto pode ser com- primido a fim de reduzir a largura de banda de transmissão ou proces- sador a fim de incentivar a análise eficiente pelo cuidador pessoal. Por exemplo, os dados de áudio e/ou dados de EMG podem ser comprimi- dos adequadamente, de modo que as informações possam ser pron- tamente percorridas durante a análise.

[0063] Em algumas modalidades, a detecção de uma convulsão ou evento relacionado à convulsão possível pode acionar transmissão automática de dados de EMG e de áudio para uma instalação de mo- nitoramento remota. Por exemplo, se um alarme for acionado, os da- dos procedentes e após o evento podem ser enviados para revisão. Em algumas modalidades, os dados de EMG podem ser reduzidos a fim de reduzir o tamanho do arquivo, mas não são reduzidos a ponto de perderem sua qualidade visível. A redução do arquivo, por exem- plo, pode torná-lo mais responsivo quando os dados de um computa- dor local com serviço de internet são manipulados. Um cuidador que visualiza os dados em um computador local pode selecionar para ver/ouvir qualquer porção dos dados transmitidos. Em uma modalida- de, um intervalo de cinco minutos em cada lado de um evento espera- do (por exemplo, 10 minutos de dados) pode ser enviado e/ou transfe- rido para revisão. Um cuidador que visualiza os dados em um compu- tador local pode selecionar para visualizar/ouvir os dez minutos com- pletos ou selecionar uma série de botões rotulados 1 a 10 para visuali- zar/ouvir segmento de 1 minuto, em particular. O software pode ser configurado de modo que uma porção de dados de EMG selecionada possa rolar através da tela em uma taxa, de modo que os dados de áudio associados (por exemplo, dados coletados ao mesmo tempo em que os dados de EMG) sejam ouvidos simultaneamente.

[0064] Embora o método e o aparelho revelados e suas vantagens tenham sido descritos em detalhes, deve-se compreender que várias mudanças, substituições e alterações podem ser realizadas no presen- te documento sem que se afaste da invenção, conforme definido pelas reivindicações anexas. Ademais, o escopo do presente pedido não se destina a ser limitado às modalidades particulares do processo, má- quina, fabricação, composição ou matéria, meios, métodos e etapas descritos no relatório descritivo. O uso da palavra "inclui", por exemplo, deve ser interpretado como a palavra "que compreende" seria, isto é,

de maneira ilimitada.

Como uma pessoa irá apreciar prontamente a partir da revelação, os processos, máquinas, fabricação, composições de matéria, meios, métodos ou etapas, já existentes ou que serão de- senvolvidos posteriormente, os quais realizam substancialmente a mesma função ou alcançam substancialmente o mesmo resultado das modalidades correspondentes descritas no presente documento, po- dem ser utilizados.

Consequentemente, as reivindicações anexas se destinam a incluir em seu escopo esses processos, máquinas, fabrica- ção, composições de matéria, meios, métodos ou etapas.

Claims (15)

REIVINDICAÇÕES

1. Sistema de aparelhos para detectar crises de convulsões caracterizado pelo fato de que compreende: um ou mais sensores acústicos configurados para coletar ondas sonoras e produzir um ou mais sinais de áudio representativos das ondas sonoras coletadas; um processador configurado para receber um ou mais si- nais de áudio, processar os um ou mais sinais de áudio para determi- nar se qualquer uma das atividades de áudio associadas com o apare- cimento de crise ou a atividade de áudio associada à atividade de crise de fase clônica ou recuperação de pós-crise é detectada, e iniciar um alerta com base em se a atividade de áudio associada com o início da crise e/ou a atividade de áudio associada à atividade da fase clônica ou a recuperação pós-crise é detectada; em que o processador é configurado para executar uma primeira rotina de detecção de áudio para a detecção da atividade de áudio associada ao início da crise, a primeira rotina de detecção de áudio incluindo a análise de pelo menos um dos um ou mais sinais de áudio para um sinal de alta amplitude de pelo menos cerca de 50 de- cibéis a cerca de 75 decibéis seguidos por um período de tempo de amplitude de sinal de áudio inferior, o período de tempo de amplitude de sinal de áudio inferior durando pelo menos cerca de 5 segundos; em que o processador é configurado para executar uma segunda rotina de detecção de áudio para a detecção da atividade de áudio associada à atividade de crise de fase clônica ou recuperação de pós-crise, a segunda rotina de detecção de áudio incluindo a análi- se de pelo menos um dos um ou mais sinais de áudio para detectar uma ou mais partes de um sinal de áudio que repete; em que o sistema é configurado para enviar o alerta para um ou mais dispositivos remotos associados a um ou mais cuidadores remotos.

2. Sistema, de acordo com a reivindicação 1, caracterizado pelo fato de que ainda compreende um dispositivo de produção de som associado a um ou mais objetos em uma localidade de monitora- mento, os um ou mais objetos configurados para produzir som de uma frequência característica em resposta ao movimento rítmico próximo de um ou mais objetos; e em que pelo menos um dos um ou mais sensores acústicos inclui um filtro de entalhe inverso ou uma combinação de um filtro pas- sa alta e um filtro passa baixa; e em que o filtro de entalhe inverso ou a combinação do filtro passa alta e o filtro passa baixa estão configurados para passar a fre- quência característica.

3. Sistema, de acordo com a reivindicação 1, caracterizado pelo fato de que ainda compreende: um transceptor de alerta; em que o transceptor de alerta é configurado para ser transportado, ou colocado perto, de um cuidador dentro de uma locali- dade de monitoramento; em que o transceptor de alerta é configurado para receber um alerta iniciado a partir do processador e transmitir o alerta para um ou mais dispositivos remotos associados a um ou mais cuidadores re- motos.

4. Sistema, de acordo com a reivindicação 1, caracterizado pelo fato de que ainda compreende: um ou mais transceptores ambientais posicionados dentro de uma localidade de monitoramento, os um ou mais transceptores ambientais sendo configurados para estabelecer uma localização es- perada de um paciente dentro da localidade de monitoramento; em que os um ou mais sensores acústicos incluem uma pluralidade de sensores acústicos posicionados na localização de mo- nitoramento; em que o processador é configurado para determinar a va- riação entre os sinais de áudio recolhidos a partir da pluralidade de sensores acústicos e sinais de áudio descontados se sons produzindo o sinal de áudio originarem-se de uma localização que é espacialmen- te distinta da localização esperada do paciente.

5. Sistema, de acordo com a reivindicação 1, caracterizado pelo fato de que as uma ou mais partes que repetem incluem um va- lor máximo local na amplitude do sinal de áudio, o valor máximo local excedendo uma amplitude do sinal de limiar; e em que uma ou mais partes que repetem repete dentro de um período de tempo de cerca de 0,2 segundos a cerca de 2 segun- dos.

6. Sistema, de acordo com a reivindicação 5, caracterizado pelo fato de que uma ou mais partes que repetem são detectadas pe- lo menos cerca de 4 a cerca de 10 vezes, para que a atividade de cri- se seja detectada na segunda rotina de detecção de áudio.

7. Sistema, de acordo com a reivindicação 1, caracterizado pelo fato de que uma ou mais partes que repetem incluem uma por- ção de sinal de áudio qualificado utilizando uma análise de regressão como sendo similar a uma porção de modelo de dados de áudio; em que a porção de modelo de dados de áudio é derivada de gravações de um paciente ofegante durante períodos de inalação de ar e/ou períodos de exalação de ar durante uma ou mais crises gravadas.

8. Sistema, de acordo com a reivindicação 1, caracterizado pelo fato de que uma ou mais partes que repetem incluem uma por- ção de sinal de áudio qualificado como similar a um ciclo de inalação e exalação para um paciente durante uma crise;

em que o ciclo de inalação e exalação é definido por um grau de assimetria temporal entre as partes de inalação e as partes de exalação do ciclo de inalação e exalação.

9. Sistema, de acordo com a reivindicação 1, caracterizado pelo fato de que uma ou mais partes que repetem incluem uma por- ção de sinal de áudio qualificado como similar a um ciclo de inalação e exalação para um paciente durante um estresse respiratório; em que o processador é ainda configurado para determinar uma proporção de tempos entre as partes de inalação e as partes de exalação do ciclo de inalação e exalação e comparar a proporção para uma razão esperada durante uma respiração normal quando um paci- ente não está sofrendo de estresse respiratório.

10. Sistema, de acordo com a reivindicação 9, caracteriza- do pelo fato de que a razão esperada durante a respiração normal está entre cerca de 0,8:1 e cerca de 1,2:1.

11. Sistema, de acordo com a reivindicação 1, caracteriza- do pelo fato de que o processador é ainda configurado para determi- nar uma ou mais métricas quão regular em tempo uma ou mais partes que repetem são detectadas e comparar uma ou mais métricas com um ou mais valores de limiar adequados para qualificar isso de modo que uma ou mais partes que repetem sejam representativas da ativi- dade de crise.

12. Sistema, de acordo com a reivindicação 11, caracteri- zado pelo fato de que uma ou mais métricas para quão regular em tempo as uma ou mais partes que repetem são detectadas é um des- vio padrão dos tempos entre partes repetitivas, desvio relativo de tem- pos entre partes repetitivas ou desvio percentual de tempos entre par- tes repetitivas.

13. Sistema, de acordo com a reivindicação 1, caracteriza- do pelo fato de que o processador é ainda configurado para determi-

nar uma ou mais métricas para quão regular em tempo as uma ou mais partes são detectadas e para comparar as uma ou mais métricas com os valores de limiar adequados para distinguir o som produzido durante uma crise a partir do discurso humano típico.

14. Sistema, de acordo com a reivindicação 1, caracteriza- do pelo fato de que o processador é ainda configurado para determi- nar uma ou mais métricas para quão regular em tempo as uma ou mais partes do sinal de áudio é repetida e comparar as uma ou mais métricas para valores de limiar adequados para distinguir o som pro- duzido durante uma crise de fontes artificiais de som demasiado regu- lar para ser indicativo da atividade de crise.

15. Sistema, de acordo com a reivindicação 1, caracteriza- do pelo fato de que o início de um alerta é ainda baseado em dados de eletromiografia coletados em conjunto com um ou mais sinais de áudio.