BR112021011242A2 - Dispositivo usável, método para operar um dispositivo usável, e, aparelho - Google Patents

Dispositivo usável, método para operar um dispositivo usável, e, aparelho Download PDF

Info

Publication number
BR112021011242A2
BR112021011242A2 BR112021011242-1A BR112021011242A BR112021011242A2 BR 112021011242 A2 BR112021011242 A2 BR 112021011242A2 BR 112021011242 A BR112021011242 A BR 112021011242A BR 112021011242 A2 BR112021011242 A2 BR 112021011242A2
Authority
BR
Brazil
Prior art keywords
brain
signal
person
seizure
ultrasound
Prior art date
Application number
BR112021011242-1A
Other languages
English (en)
Inventor
Eric Kabrams
Jose Camara
Owen Kaye-Kauderer
Alexander B. Leffell
Jonathan M. Rothberg
Maurizio Arienzo
Kamyar Firouzi
Original Assignee
Liminal Sciences, Inc.
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Liminal Sciences, Inc. filed Critical Liminal Sciences, Inc.
Publication of BR112021011242A2 publication Critical patent/BR112021011242A2/pt

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N7/00—Ultrasound therapy
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • A61B5/0004—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by the type of physiological signal transmitted
    • A61B5/0006—ECG or EEG signals
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
    • A61B5/0075—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence by spectroscopy, i.e. measuring spectra, e.g. Raman spectroscopy, infrared absorption spectroscopy
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A61B5/372—Analysis of electroencephalograms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A61B5/375—Electroencephalography [EEG] using biofeedback
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4058—Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
    • A61B5/4064—Evaluating the brain
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4082—Diagnosing or monitoring movement diseases, e.g. Parkinson, Huntington or Tourette
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4094—Diagnosing or monitoring seizure diseases, e.g. epilepsy
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4836—Diagnosis combined with treatment in closed-loop systems or methods
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6813—Specially adapted to be attached to a specific body part
    • A61B5/6814—Head
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7221—Determining signal validity, reliability or quality
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M21/00—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/168—Evaluating attention deficit, hyperactivity
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/25—Bioelectric electrodes therefor
    • A61B5/279—Bioelectric electrodes therefor specially adapted for particular uses
    • A61B5/291—Bioelectric electrodes therefor specially adapted for particular uses for electroencephalography [EEG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M21/00—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis
    • A61M2021/0005—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis by the use of a particular sense, or stimulus
    • A61M2021/0027—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis by the use of a particular sense, or stimulus by the hearing sense
    • A61M2021/0038—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis by the use of a particular sense, or stimulus by the hearing sense ultrasonic
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M2205/00—General characteristics of the apparatus
    • A61M2205/05—General characteristics of the apparatus combined with other kinds of therapy
    • A61M2205/058—General characteristics of the apparatus combined with other kinds of therapy with ultrasound therapy
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M2230/00—Measuring parameters of the user
    • A61M2230/08—Other bio-electrical signals
    • A61M2230/10—Electroencephalographic signals
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N7/00—Ultrasound therapy
    • A61N2007/0004—Applications of ultrasound therapy
    • A61N2007/0021—Neural system treatment
    • A61N2007/0026—Stimulation of nerve tissue
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N7/00—Ultrasound therapy
    • A61N2007/0073—Ultrasound therapy using multiple frequencies

Abstract

DISPOSITIVO USÁVEL, MÉTODO PARA OPERAR UM DISPOSITIVO USÁVEL, E, APARELHO. Em alguns aspectos, um dispositivo usável por ou afixado a ou implantado dentro de uma pessoa inclui um sensor configurado para detectar um sinal a partir do cérebro da pessoa e um transdutor configurado para aplicar ao cérebro um sinal acústico.

Description

1 / 68 DISPOSITIVO USÁVEL, MÉTODO PARA OPERAR UM DISPOSITIVO USÁVEL, E, APARELHO
REFERÊNCIA CRUZADA A PEDIDOS RELACIONADOS
[001] Este pedido reivindica prioridade como disposto no Título 35 do U.S.C. § 119(e) do Pedido Provisório dos E.U.A. Número de Série 62/779.188, intitulado “NONINVASIVE NEUROLOGICAL DISORDER TREATMENT MODALITY”, depositado em 13 de dezembro de 2018, Pedido Provisório dos E.U.A. Número de Série 62/822.709, intitulado “SYSTEMS AND METHODS FOR A WEARABLE DEVICE INCLUDING STIMULATION AND MONITORING COMPONENTS”, depositado em 22 de março de 2019, Pedido Provisório dos E.U.A. Número de Série 62/822.697, intitulado “SYSTEMS AND METHODS FOR A WEARABLE DEVICE FOR SUBSTANTIALLY NON-DESTRUCTIVE ACOUSTIC STIMULATION”, depositado em 22 de março de 2019, Pedido Provisório dos E.U.A. Número de Série 62/822.684, intitulado “SYSTEMS AND
METHODS FOR A WEARABLE DEVICE FOR RANDOMIZED ACOUSTIC STIMULATION”, depositado em 22 de março de 2019, Pedido Provisório dos E.U.A. Número de Série 62/822.679, intitulado “SYSTEMS
AND METHODS FOR A WEARABLE DEVICE FOR TREATING A NEUROLOGICAL DISORDER USING ULTRASOUND STIMULATION”, depositado em 22 de março de 2019, Pedido Provisório dos E.U.A. Número de Série 62/822.675, intitulado “SYSTEMS AND METHODS FOR A
DEVICE FOR STEERING ACOUSTIC STIMULATION USING MACHINE LEARNING”, depositado em 22 de março de, 2019, Pedido Provisório dos E.U.A. Número de Série 62/822.668, intitulado “SYSTEMS
AND METHODS FOR A DEVICE USING A STATISTICAL MODEL TRAINED ON ANNOTATED SINAL DATA”, depositado em 22 de março de 2019, e Pedido Provisório dos E.U.A. Número de Série 62/822.657, intitulado “SYSTEMS AND METHODS FOR A DEVICE FOR ENERGY
2 / 68 EFFICIENT MONITORING OF THE BRAIN”, depositado em 22 de março de 2019, todos os quais são pelo presente incorporados ao presente documento em suas totalidades.
ANTECEDENTES
[002] Estimativas recentes da Organização Mundial da Saúde (OMS) colocaram os distúrbios neurológicos como constituindo mais de 6% da carga global de doenças. Tais distúrbios neurológicos podem incluir epilepsia, doença de Alzheimer e doença de Parkinson. Por exemplo, cerca de 65 milhões de pessoas em todo o mundo sofrem de epilepsia. Os próprios Estados Unidos têm cerca de 3,4 milhões de pessoas que sofrem de epilepsia, com um impacto econômico estimado de US$ 15 bilhões. Esses pacientes sofrem de sintomas como convulsões recorrentes, que são episódios de atividade neural excessiva e sincronizada no cérebro. Como mais de 70% dos pacientes de epilepsia vivem com controle subideal de suas convulsões, tais sintomas podem ser desafiadores para os pacientes na escola, em situações sociais e de trabalho, em atividades cotidianas como dirigir e até mesmo em uma vida independente.
SUMÁRIO
[003] Em alguns aspectos, um dispositivo usável por ou conectado a ou implantado dentro de uma pessoa que inclui um sensor configurado para detectar um sinal do cérebro da pessoa e um transdutor configurado para aplicar ao cérebro um sinal acústico.
[004] Em algumas modalidades, o sensor inclui um sensor de eletroencefalograma (EEG) e o sinal inclui um sinal de EEG.
[005] Em algumas modalidades, o transdutor inclui um transdutor de ultrassom e o sinal acústico inclui um sinal de ultrassom.
[006] Em algumas modalidades, o sinal de ultrassom tem uma frequência entre 100 kHz e 1 MHz, uma resolução espacial entre 0,001 cm3 e 0,1 cm3, e/ou uma densidade de potência entre 1 e 100 watts/cm2 como
3 / 68 medido pela intensidade média de pulso de pico espacial.
[007] Em algumas modalidades, o sinal de ultrassom tem uma baixa densidade de potência, por exemplo, entre 1 e 100 watts/cm2 e é substancialmente não destrutivo em relação ao tecido quando aplicado ao cérebro.
[008] Em algumas modalidades, o sensor e o transdutor são dispostos na cabeça da pessoa de uma maneira não invasiva.
[009] Em algumas modalidades, o dispositivo inclui um processador em comunicação com o sensor e o transdutor. O processador é programado para receber, do sensor, o sinal detectado do cérebro e transmitir uma instrução para o transdutor para aplicar ao cérebro o sinal acústico.
[0010] Em algumas modalidades, o processador é programado para transmitir a instrução ao transdutor para aplicar ao cérebro o sinal acústico em um ou mais intervalos aleatórios.
[0011] Em algumas modalidades, o dispositivo inclui pelo menos um outro transdutor configurado para aplicar ao cérebro um sinal acústico e o processador é programado para selecionar um dos transdutores para transmitir a instrução para aplicar ao cérebro o sinal acústico no um ou mais intervalos aleatórios.
[0012] Em algumas modalidades, o processador é programado para analisar o sinal para determinar se o cérebro está exibindo um sintoma de um distúrbio neurológico e transmitir a instrução ao transdutor para aplicar ao cérebro o sinal acústico em resposta à determinação de que o cérebro está exibindo o sintoma do distúrbio neurológico.
[0013] Em algumas modalidades, o sinal acústico suprime um sintoma de um distúrbio neurológico.
[0014] Em algumas modalidades, o distúrbio neurológico inclui um ou mais dentre acidente vascular cerebral, doença de Parkinson, enxaqueca, tremores, demência frontotemporal, lesão cerebral traumática, depressão,
4 / 68 ansiedade, doença de Alzheimer, demência, esclerose múltipla, esquizofrenia, dano cerebral, neurodegeneração, doença do sistema nervoso central (SNC), encefalopatia, doença de Huntington, autismo, transtorno de déficit de atenção e hiperatividade (TDAH) , esclerose lateral amiotrófica (ELA), e concussão.
[0015] Em algumas modalidades, o sintoma inclui uma convulsão.
[0016] Em algumas modalidades, o sinal inclui um sinal elétrico, um sinal mecânico, um sinal óptico, e/ou um sinal infravermelho.
[0017] Em alguns aspectos, um método para operar um dispositivo usável por ou conectado a ou implantando dentro de uma pessoa, o dispositivo que inclui um sensor configurado para detectar um sinal do cérebro da pessoa e um transdutor configurado para aplicar ao cérebro um sinal acústico, inclui receber, do sensor, o sinal detectado do cérebro e aplicar ao cérebro, com o transdutor, o sinal acústico.
[0018] Em alguns aspectos, um aparelho inclui um dispositivo usado por ou conectado a ou implantado dentro de uma pessoa. O dispositivo inclui um sensor configurado para detectar um sinal do cérebro da pessoa e um transdutor configurado para aplicar ao cérebro um sinal acústico.
[0019] Em alguns aspectos, um dispositivo usável por uma pessoa inclui um sensor configurado para detectar um sinal do cérebro da pessoa e um transdutor configurado para aplicar ao cérebro um sinal de ultrassom. O sinal de ultrassom tem uma baixa densidade de potência, por exemplo, entre 1 e 100 watts/cm2 e é substancialmente não destrutivo em relação ao tecido quando aplicado ao cérebro.
[0020] Em algumas modalidades, o sensor e o transdutor estão dispostos na cabeça da pessoa de uma maneira não invasiva.
[0021] Em algumas modalidades, o sensor inclui um sensor de eletroencefalograma (EEG) e o sinal inclui um sinal de EEG.
[0022] Em algumas modalidades, o transdutor inclui um transdutor de ultrassom.
5 / 68
[0023] Em algumas modalidades, o sinal de ultrassom tem uma frequência entre 100 kHz e 1 MHz, uma resolução espacial entre 0,001 cm3 e 0,1 cm3, e/ou a baixa densidade de potência entre 1 e 100 watts/cm2 como medido pela intensidade média de pulso de pico espacial.
[0024] Em algumas modalidades, o sinal de ultrassom suprime um sintoma de um distúrbio neurológico.
[0025] Em algumas modalidades, o distúrbio neurológico inclui um ou mais dentre acidente vascular cerebral, doença de Parkinson, enxaqueca, tremores, demência frontotemporal, lesão cerebral traumática, depressão, ansiedade, doença de Alzheimer, demência, esclerose múltipla, esquizofrenia, dano cerebral, neurodegeneração, doença do sistema nervoso central (SNC), encefalopatia, doença de Huntington, autismo, transtorno de déficit de atenção e hiperatividade (TDAH) , esclerose lateral amiotrófica (ELA), e concussão.
[0026] Em algumas modalidades, o sintoma inclui uma convulsão.
[0027] Em algumas modalidades, o sinal inclui um sinal elétrico, um sinal mecânico, um sinal óptico, e/ou um sinal infravermelho.
[0028] Em alguns aspectos, um método para operar um dispositivo usável por uma pessoa, o dispositivo que inclui um sensor configurado para detectar um sinal do cérebro da pessoa e um transdutor configurado para aplicar ao cérebro um sinal de ultrassom, inclui aplicar ao cérebro o sinal de ultrassom. O sinal de ultrassom tem uma baixa densidade de potência, por exemplo, entre 1 e 100 watts/cm2 e é substancialmente não destrutivo em relação ao tecido quando aplicado ao cérebro.
[0029] Em alguns aspectos, um método inclui aplicar ao cérebro de uma pessoa, por um dispositivo usado ou conectado à pessoa, um sinal de ultrassom.
[0030] Em alguns aspectos, um aparelho inclui um dispositivo usado ou conectado a uma pessoa. O dispositivo inclui um sensor configurado para detectar um sinal do cérebro da pessoa e um transdutor configurado para
6 / 68 aplicar ao cérebro um sinal de ultrassom. O sinal de ultrassom tem uma baixa densidade de potência, por exemplo, entre 1 e 100 watts/cm2 e é substancialmente não destrutivo em relação ao tecido quando aplicado ao cérebro.
[0031] Em alguns aspectos, um dispositivo usável por uma pessoa inclui um transdutor configurado para aplicar ao cérebro da pessoa sinais acústicos.
[0032] Em algumas modalidades, o transdutor é configurado para aplicar ao cérebro da pessoa sinais acústicos aleatoriamente.
[0033] Em algumas modalidades, o transdutor inclui um transdutor de ultrassom, e os sinais acústicos incluem um sinal de ultrassom.
[0034] Em algumas modalidades, o sinal de ultrassom tem uma frequência entre 100 kHz e 1 MHz, uma resolução espacial entre 0,001 cm3 e 0,1 cm3, e/ou uma densidade de potência entre 1 e 100 watts/cm2 como medido pela intensidade média de pulso de pico espacial.
[0035] Em algumas modalidades, o sinal de ultrassom tem uma baixa densidade de potência, por exemplo, entre 1 e 100 watts/cm2 e é substancialmente não destrutivo em relação ao tecido quando aplicado ao cérebro.
[0036] Em algumas modalidades, o transdutor é disposto na cabeça da pessoa de uma maneira não invasiva.
[0037] Em algumas modalidades, o sinal acústico suprime um sintoma de um distúrbio neurológico.
[0038] Em algumas modalidades, o distúrbio neurológico inclui um ou mais dentre acidente vascular cerebral, doença de Parkinson, enxaqueca, tremores, demência frontotemporal, lesão cerebral traumática, depressão, ansiedade, doença de Alzheimer, demência, esclerose múltipla, esquizofrenia, dano cerebral, neurodegeneração, doença do sistema nervoso central (SNC), encefalopatia, doença de Huntington, autismo, transtorno de déficit de atenção
7 / 68 e hiperatividade (TDAH) , esclerose lateral amiotrófica (ELA), e concussão.
[0039] Em algumas modalidades, o sintoma inclui uma convulsão.
[0040] Em alguns aspectos, um método para operar um dispositivo usável por uma pessoa, o dispositivo que inclui um transdutor, inclui aplicar ao cérebro da pessoa sinais acústicos.
[0041] Em alguns aspectos, um aparelho inclui um dispositivo usado ou conectado a uma pessoa. O dispositivo inclui um transdutor configurado para aplicar ao cérebro da pessoa sinais acústicos.
[0042] Em alguns aspectos, um dispositivo usável por ou conectado a ou implantado dentro de uma pessoa inclui um sensor configurado para detectar um sinal de eletroencefalograma (EEG) do cérebro da pessoa e um transdutor configurado para aplicar ao cérebro um sinal de ultrassom substancialmente não destrutivo de baixa potência.
[0043] Em algumas modalidades, o sinal de ultrassom tem uma frequência entre 100 kHz e 1 MHz, uma resolução espacial entre 0,001 cm3 e 0,1 cm3, e/ou uma densidade de potência entre 1 e 100 watts/cm2 como medido pela intensidade média de pulso de pico espacial.
[0044] Em algumas modalidades, o sensor e o transdutor estão dispostos na cabeça da pessoa de uma maneira não invasiva.
[0045] Em algumas modalidades, o sinal de ultrassom suprime uma convulsão epiléptica.
[0046] Em algumas modalidades, o dispositivo inclui um processador em comunicação com o sensor e o transdutor. O processador é programado para receber, do sensor, o sinal de EEG detectado do cérebro e transmitir uma instrução ao transdutor para aplicar ao cérebro o sinal de ultrassom.
[0047] Em algumas modalidades, o processador é programado para transmitir a instrução ao transdutor para aplicar ao cérebro o sinal de ultrassom em um ou mais intervalos aleatórios.
[0048] Em algumas modalidades, o dispositivo inclui pelo menos um
8 / 68 outro transdutor configurado para aplicar ao cérebro um sinal de ultrassom e o processador é programado para selecionar um dos transdutores para transmitir a instrução para aplicar ao cérebro o sinal de ultrassom no um ou mais intervalos aleatórios.
[0049] Em algumas modalidades, o processador é programado para analisar o sinal de EEG para determinar se o cérebro está exibindo a convulsão epiléptica e transmitir a instrução para o transdutor para aplicar ao cérebro o sinal de ultrassom em resposta à determinação de que o cérebro está exibindo a convulsão epiléptica.
[0050] Em alguns aspectos, um método para operar um dispositivo usável por ou conectado a ou implantado dentro de uma pessoa, o dispositivo que inclui um sensor configurado para detectar um sinal de eletroencefalograma (EEG) do cérebro da pessoa e um transdutor configurado para aplicar ao cérebro um sinal de ultrassom substancialmente não destrutivo de baixa potência, inclui receber, pelo sensor, o sinal de EEG e aplicar ao cérebro, com o transdutor, o sinal de ultrassom.
[0051] Em alguns aspectos, um aparelho inclui um dispositivo usado ou conectado a ou implantado dentro de uma pessoa. O dispositivo inclui um sensor configurado para detectar um sinal de eletroencefalograma (EEG) do cérebro da pessoa e um transdutor configurado para aplicar ao cérebro um sinal de ultrassom substancialmente não destrutivo de baixa potência.
[0052] Em alguns aspectos, um dispositivo inclui um sensor configurado para detectar um sinal do cérebro da pessoa e uma pluralidade de transdutores, cada um configurado para aplicar ao cérebro um sinal acústico. Um da pluralidade de transdutores é selecionado com o uso de um modelo estatístico treinado em dados de sinais anteriores do cérebro.
[0053] Em algumas modalidades, o dispositivo inclui um processador em comunicação com o sensor e a pluralidade de transdutores. O processador é programado para fornecer dados de um primeiro sinal detectado do cérebro
9 / 68 como entrada para o modelo estatístico treinado para obter uma saída que indica uma primeira intensidade prevista de um sintoma de um distúrbio neurológico e, com base na primeira intensidade prevista do sintoma, selecionar um dentre a pluralidade de transdutores em uma primeira direção para transmitir uma primeira instrução para aplicar um primeiro sinal acústico.
[0054] Em algumas modalidades, o processador é programado para fornecer dados de um segundo sinal detectado do cérebro como entrada para o modelo estatístico treinado para obter uma saída que indica uma segunda intensidade prevista do sintoma do distúrbio neurológico, em resposta à segunda intensidade prevista que é menor do que a primeira intensidade prevista, selecionar um dentre a pluralidade de transdutores na primeira direção para transmitir uma segunda instrução para aplicar um segundo sinal acústico, e, em resposta à segunda intensidade prevista que é maior do que a primeira intensidade prevista, selecionar um dentre a pluralidade de transdutores em uma direção oposta ou diferente da primeira direção para transmitir a segunda instrução para aplicar o segundo sinal acústico.
[0055] Em algumas modalidades, o modelo estatístico compreende uma rede de aprendizado profundo.
[0056] Em algumas modalidades, a rede de aprendizado profundo compreende uma Rede Neural Convolucional Profunda (DCNN) para codificar os dados em um espaço de representação n-dimensional e uma Rede Neural Recorrente (RNN) para calcular uma pontuação de detecção observando-se mudanças no espaço de representação ao longo do tempo. A pontuação de detecção indica uma intensidade prevista do sintoma do distúrbio neurológico.
[0057] Em algumas modalidades, dados dos sinais anteriores detectados do cérebro são acessados a partir de um registro de saúde eletrônico da pessoa.
10 / 68
[0058] Em algumas modalidades, o sensor inclui um sensor de eletroencefalograma (EEG) e o sinal inclui um sinal de EEG.
[0059] Em algumas modalidades, o transdutor inclui um transdutor de ultrassom e o sinal acústico inclui um sinal de ultrassom.
[0060] Em algumas modalidades, o sinal de ultrassom tem uma frequência entre 100 kHz e 1 MHz, uma resolução espacial entre 0,001 cm3 e 0,1 cm3, e/ou uma densidade de potência entre 1 e 100 watts/cm2 como medido pela intensidade média de pulso de pico espacial.
[0061] Em algumas modalidades, o sinal de ultrassom tem uma baixa densidade de potência, por exemplo, entre 1 e 100 watts/cm2 e é substancialmente não destrutivo em relação ao tecido quando aplicado ao cérebro.
[0062] Em algumas modalidades, o sensor e o transdutor estão dispostos na cabeça da pessoa de uma maneira não invasiva.
[0063] Em algumas modalidades, o sinal acústico suprime um sintoma de um distúrbio neurológico.
[0064] Em algumas modalidades, o distúrbio neurológico inclui um dentre acidente vascular cerebral, doença de Parkinson, enxaqueca, tremores, demência frontotemporal, lesão cerebral traumática, depressão, ansiedade, doença de Alzheimer, demência, esclerose múltipla, esquizofrenia, dano cerebral, neurodegeneração, doença do sistema nervoso central (SNC), encefalopatia, doença de Huntington, autismo, transtorno de déficit de atenção e hiperatividade (TDAH) , esclerose lateral amiotrófica (ELA), e concussão.
[0065] Em algumas modalidades, o sintoma inclui uma convulsão.
[0066] Em algumas modalidades, o sinal inclui um sinal elétrico, um sinal mecânico, um sinal óptico, e/ou um sinal infravermelho.
[0067] Em alguns aspectos, um método para operar um dispositivo, o dispositivo que inclui um sensor configurado para detectar um sinal do cérebro da pessoa e uma pluralidade de transdutores, cada um configurado
11 / 68 para aplicar ao cérebro um sinal acústico, inclui selecionar um dentre a pluralidade de transdutores com o uso de um modelo estatístico treinado em dados de sinais anteriores detectados do cérebro.
[0068] Em alguns aspectos, um aparelho inclui um dispositivo que inclui um sensor configurado para detectar um sinal do cérebro da pessoa e uma pluralidade de transdutores, cada um configurado para aplicar ao cérebro um sinal acústico. O dispositivo é configurado para selecionar um dentre a pluralidade de transdutores com o uso de um modelo estatístico treinado em dados de sinais anteriores detectados do cérebro.
[0069] Em alguns aspectos, um dispositivo inclui um sensor configurado para detectar um sinal do cérebro da pessoa e uma pluralidade de transdutores, cada um configurado para aplicar ao cérebro um sinal acústico. Um da pluralidade de transdutores é selecionado com o uso de um modelo estatístico treinado em dados de sinal anotados com um ou mais valores relacionados para identificar uma condição de saúde.
[0070] Em algumas modalidades, os dados de sinal anotados com o um ou mais valores relacionados para identificar a condição de saúde compreende os dados de sinal anotados com os respectivos valores relacionados ao aumento da intensidade de um sintoma de um distúrbio neurológico.
[0071] Em algumas modalidades, o modelo estatístico foi treinado em dados de sinais anteriores detectados do cérebro anotados com os respectivos valores entre 0 e 1 relacionados ao aumento de intensidade do sintoma do distúrbio neurológico.
[0072] Em algumas modalidades, o modelo estatístico inclui uma perda de função que tem um termo de regularização que é proporcional a uma variação de saídas do modelo estatístico, uma normal L1/L2 de uma derivada das saídas, ou uma normal L1/L2 de uma segunda derivada das saídas.
[0073] Em algumas modalidades, o dispositivo inclui um processador
12 / 68 em comunicação com o sensor e a pluralidade de transdutores. O processador é programado para fornecer dados de um primeiro sinal detectado do cérebro como entrada para o modelo estatístico treinado para obter uma saída que indica uma primeira intensidade prevista do sintoma do distúrbio neurológico e, com base na primeira intensidade prevista do sintoma, selecionar um dentre a pluralidade de transdutores em uma primeira direção para transmitir uma primeira instrução para aplicar um primeiro sinal acústico.
[0074] Em algumas modalidades, o processador é programado para fornecer dados de um segundo sinal detectado do cérebro como entrada para o modelo estatístico treinado para obter uma saída que indica uma segunda intensidade prevista do sintoma do distúrbio neurológico, em resposta à segunda intensidade prevista que é menor do que a primeira intensidade prevista, selecionar um dentre a pluralidade de transdutores na primeira direção para transmitir uma segunda instrução para aplicar um segundo sinal acústico, e, em resposta à segunda intensidade prevista que é maior do que a primeira intensidade prevista, selecionar um dentre a pluralidade de transdutores em uma direção oposta ou diferente da primeira direção para transmitir a segunda instrução para aplicar o segundo sinal acústico.
[0075] Em algumas modalidades, o modelo estatístico treinado compreende uma rede de aprendizado profundo.
[0076] Em algumas modalidades, a rede de aprendizado profundo compreende uma Rede Neural Convolucional Profunda (DCNN) para codificar os dados em um espaço de representação n-dimensional e uma Rede Neural Recorrente (RNN) para calcular uma pontuação de detecção observando-se mudanças no espaço de representação ao longo do tempo. A pontuação de detecção indica uma intensidade prevista do sintoma do distúrbio neurológico.
[0077] Em algumas modalidades, os dados de sinal incluem dados de sinais anteriores detectados do cérebro que são acessados a partir de um
13 / 68 registro de saúde eletrônico da pessoa.
[0078] Em algumas modalidades, o sensor inclui um sensor de eletroencefalograma (EEG) e o sinal inclui um sinal de EEG.
[0079] Em algumas modalidades, o transdutor inclui um transdutor de ultrassom e o sinal acústico inclui um sinal de ultrassom.
[0080] Em algumas modalidades, o sinal de ultrassom tem uma frequência entre 100 kHz e 1 MHz, uma resolução espacial entre 0,001 cm3 e 0,1 cm3, e/ou uma densidade de potência entre 1 e 100 watts/cm2 como medido pela intensidade média de pulso de pico espacial.
[0081] Em algumas modalidades, o sinal de ultrassom tem uma baixa densidade de potência, por exemplo, entre 1 e 100 watts/cm2 e é substancialmente não destrutivo em relação ao tecido quando aplicado ao cérebro.
[0082] Em algumas modalidades, o sensor e o transdutor estão dispostos na cabeça da pessoa de uma maneira não invasiva.
[0083] Em algumas modalidades, o sinal acústico suprime o sintoma do distúrbio neurológico.
[0084] Em algumas modalidades, o distúrbio neurológico inclui um ou mais dentre acidente vascular cerebral, doença de Parkinson, enxaqueca, tremores, demência frontotemporal, lesão cerebral traumática, depressão, ansiedade, doença de Alzheimer, demência, esclerose múltipla, esquizofrenia, dano cerebral, neurodegeneração, doença do sistema nervoso central (SNC), encefalopatia, doença de Huntington, autismo, transtorno de déficit de atenção e hiperatividade (TDAH) , esclerose lateral amiotrófica (ELA), e concussão.
[0085] Em algumas modalidades, o sintoma inclui uma convulsão.
[0086] Em algumas modalidades, o sinal inclui um sinal elétrico, um sinal mecânico, um sinal óptico, e/ou um sinal infravermelho.
[0087] Em alguns aspectos, um método para operar um dispositivo, o dispositivo inclui um sensor configurado para detectar um sinal do cérebro da
14 / 68 pessoa e uma pluralidade de transdutores, cada um configurado para aplicar ao cérebro um sinal acústico, inclui selecionar um dentre a pluralidade de transdutores com o uso de um modelo estatístico treinado em dados de sinal anotados com um ou mais valores relacionados para identificar uma condição de saúde.
[0088] Em alguns aspectos, um aparelho inclui um dispositivo que inclui um sensor configurado para detectar um sinal do cérebro da pessoa e uma pluralidade de transdutores, cada um configurado para aplicar ao cérebro um sinal acústico. O dispositivo é configurado para selecionar um dentre a pluralidade de transdutores com o uso de um modelo estatístico treinado em dados de sinal anotados com um ou mais valores relacionados para identificar uma condição de saúde.
[0089] Em alguns aspectos, um dispositivo inclui um sensor configurado para detectar um sinal do cérebro da pessoa e um primeiro processador em comunicação com o sensor. O primeiro processador é programado para identificar uma condição de saúde e, com base na condição de saúde identificada, fornece dados do sinal para um segundo processador fora do dispositivo para corroborar ou contradizer a condição de saúde identificada.
[0090] Em algumas modalidades, identificar a condição de saúde compreende prever a intensidade de um sintoma de um distúrbio neurológico.
[0091] Em algumas modalidades, o processador é programado para fornecer dados do sinal detectados do cérebro como entrada para um primeiro modelo estatístico treinado para obter uma saída que indica a intensidade prevista, determinar se a intensidade prevista excede um limite que indica a presença do sintoma, e, em resposta à intensidade prevista que excede o limite, transmite dados do sinal para um segundo processador fora do dispositivo.
[0092] Em algumas modalidades, o primeiro modelo estatístico foi
15 / 68 treinado em dados de sinais anteriores detectados do cérebro.
[0093] Em algumas modalidades, o primeiro modelo estatístico treinado é treinado para ter alta sensibilidade e baixa especificidade, e o primeiro processador com o uso do primeiro modelo estatístico treinado usa uma quantidade menor de potência do que o primeiro processador com o uso do segundo modelo estatístico treinado.
[0094] Em algumas modalidades, o segundo processador é programado para fornecer dados do sinal para um segundo modelo estatístico treinado para obter um saída para corroborar ou contradizer a intensidade prevista.
[0095] Em algumas modalidades, o segundo modelo estatístico treinado é treinado para ter alta sensibilidade e alta especificidade.
[0096] Em algumas modalidades, o primeiro modelo estatístico treinado e/ou o segundo modelo estatístico treinado compreende uma rede de aprendizado profundo.
[0097] Em algumas modalidades, a rede de aprendizado profundo compreende uma Rede Neural Convolucional Profunda (DCNN) para codificar os dados em um espaço de representação n-dimensional e uma Rede Neural Recorrente (RNN) para calcular uma pontuação de detecção observando-se mudanças no espaço de representação ao longo do tempo. A pontuação de detecção indica uma intensidade prevista do sintoma do distúrbio neurológico.
[0098] Em algumas modalidades, o sensor inclui um sensor de eletroencefalograma (EEG) e o sinal inclui um sinal de EEG.
[0099] Em algumas modalidades, o sensor é disposto na cabeça da pessoa de uma maneira não invasiva.
[00100] Em algumas modalidades, o distúrbio neurológico inclui um ou mais dentre acidente vascular cerebral, doença de Parkinson, enxaqueca, tremores, demência frontotemporal, lesão cerebral traumática, depressão,
16 / 68 ansiedade, doença de Alzheimer, demência, esclerose múltipla, esquizofrenia, dano cerebral, neurodegeneração, doença do sistema nervoso central (SNC), encefalopatia, doença de Huntington, autismo, transtorno de déficit de atenção e hiperatividade (TDAH) , esclerose lateral amiotrófica (ELA), e concussão.
[00101] Em algumas modalidades, o sintoma inclui uma convulsão.
[00102] Em algumas modalidades, o sinal inclui um sinal elétrico, um sinal mecânico, um sinal óptico, e/ou um sinal infravermelho.
[00103] Em alguns aspectos, um método para operar um dispositivo, o dispositivo que inclui um sensor configurado para detectar um sinal do cérebro da pessoa e um transdutor configurado para aplicar ao cérebro um sinal acústico, inclui identificar uma condição de saúde e, com base na condição de saúde identificada, fornecer dados do sinal para um segundo processador fora do dispositivo para corroborar ou contradizer a condição de saúde identificada.
[00104] Em alguns aspectos, um aparelho inclui um dispositivo que inclui um sensor configurado para detectar um sinal do cérebro da pessoa e um transdutor configurado para aplicar ao cérebro um sinal acústico. O dispositivo é configurado para identificar uma condição de saúde e, com base na condição de saúde identificada, fornecer dados do sinal para um segundo processador fora do dispositivo para corroborar ou contradizer a condição de saúde identificada.
[00105] Deve-se observar que todas as combinações dos conceitos anteriores e conceitos adicionais discutidos em mais detalhes abaixo (contanto que tais conceitos não sejam mutuamente inconsistentes) são contemplados como sendo parte do assunto inventivo revelado no presente documento. Em particular, todas as combinações de assunto reivindicado que aparecem no final dessa revelação são contempladas como sendo parte do assunto inventivo revelado no presente documento.
BREVE DESCRIÇÃO DOS DESENHOS
17 / 68
[00106] Vários aspectos e modalidades serão descritos com referência às seguintes Figuras. As Figuras não são necessariamente desenhadas em escala.
[00107] A Figura 1 mostra um dispositivo usável por uma pessoa, por exemplo, para tratar um sintoma de um distúrbio neurológico, de acordo com algumas modalidades da tecnologia descrita no presente documento.
[00108] As Figuras 2A-2B mostram exemplos ilustrativos de um dispositivo usável por uma pessoa para tratar um sintoma de um distúrbio neurológico e dispositivo(s) móvel(is) que executam um aplicativo em comunicação com o dispositivo, de acordo com algumas modalidades da tecnologia descrita no presente documento.
[00109] A Figura 3A mostra um exemplo ilustrativo de um dispositivo móvel e/ou um servidor de nuvem em comunicação com um dispositivo usável por uma pessoa para tratar um sintoma de um distúrbio neurológico, de acordo com algumas modalidades da tecnologia descrita no presente documento.
[00110] A Figura 3B mostra um diagrama de blocos de um dispositivo móvel e/ou um servidor de nuvem em comunicação com um dispositivo usável por uma pessoa para tratar um sintoma de um distúrbio neurológico, de acordo com algumas modalidades da tecnologia descrita no presente documento.
[00111] A Figura 4 mostra um diagrama de blocos para um dispositivo usável que inclui componentes de estimulação e monitoramento, de acordo com algumas modalidades da tecnologia descrita no presente documento.
[00112] A Figura 5 mostra um diagrama de blocos para um dispositivo usável para estimulação acústica substancialmente não destrutiva, de acordo com algumas modalidades da tecnologia descrita no presente documento.
[00113] A Figura 6 mostra um diagrama de blocos para um dispositivo usável para estimulação acústica, por exemplo, estimulação acústica aleatória,
18 / 68 de acordo com algumas modalidades da tecnologia descrita no presente documento.
[00114] A Figura 7 mostra um diagrama de blocos para um dispositivo usável para tratar um distúrbio neurológico com o uso de estimulação de ultrassom, de acordo com algumas modalidades da tecnologia descrita no presente documento.
[00115] A Figura 8 mostra um diagrama de blocos para um dispositivo para direcionar a estimulação acústica, de acordo com algumas modalidades da tecnologia descrita no presente documento.
[00116] A Figura 9 mostra um diagrama de fluxo para um dispositivo para direcionar a estimulação acústica, de acordo com algumas modalidades da tecnologia descrita no presente documento.
[00117] A Figura 10 mostra um diagrama de blocos para um dispositivo com o uso de um modelo estatístico treinado em dados de sinal anotados, de acordo com algumas modalidades da tecnologia descrita no presente documento.
[00118] A Figura 11A mostra um diagrama de fluxo para um dispositivo com o uso de um modelo estatístico treinado em dados de sinal anotados, de acordo com algumas modalidades da tecnologia descrita no presente documento.
[00119] A Figura 11B mostra uma rede neural convencional que pode ser usada para detectar um ou mais sintomas de um distúrbio neurológico, de acordo com algumas modalidades da tecnologia descrita no presente documento.
[00120] A Figura 11C mostra uma interface exemplificativa que inclui previsões de uma rede de aprendizado profundo, de acordo com algumas modalidades da tecnologia descrita no presente documento.
[00121] A Figura 12 mostra um diagrama de blocos para um dispositivo para monitoramento eficiente de energia do cérebro, de acordo
19 / 68 com algumas modalidades da tecnologia descrita no presente documento.
[00122] A Figura 13 mostra um diagrama de fluxo para um dispositivo para monitoramento eficiente de energia do cérebro, de acordo com algumas modalidades da tecnologia descrita no presente documento.
[00123] A Figura 14 mostra um diagrama de blocos de um sistema de computador ilustrativo que pode ser usado para implementar algumas modalidades da tecnologia descrita no presente documento.
DESCRIÇÃO DETALHADA
[00124] As opções de tratamento convencionais para distúrbios neurológicos, como epilepsia, apresentam uma troca entre invasão e eficácia. Por exemplo, a cirurgia pode ser eficaz no tratamento de convulsões epilépticas para alguns pacientes, mas o procedimento é invasivo. Em outro exemplo, embora os medicamentos antiepilépticos sejam não invasivos, eles podem não ser eficazes para alguns pacientes. Algumas abordagens convencionais têm usado dispositivos de estimulação cerebral para fornecer estimulação elétrica na tentativa de evitar e tratar sintomas de distúrbios neurológicos, como convulsões. Outras abordagens convencionais têm usado lasers de alta intensidade e ultrassom de alta intensidade (HIFU) para remover o tecido cerebral. Essas abordagens podem ser altamente invasivas e frequentemente são implementadas apenas após a localização bem-sucedida do foco da convulsão, isto é, localizar o foco da convulsão no cérebro a fim de realizar a remoção do tecido cerebral ou estimulação elétrica alvo nesse local. No entanto, essas abordagens são com base na suposição de que a destruição ou estimulação elétrica do tecido no foco irá interromper as convulsões. Embora, isso possa ser o caso para alguns pacientes, não é o caso para outros pacientes que sofrem dos mesmos distúrbios neurológicos ou semelhantes. Embora alguns pacientes observam uma redução nas convulsões após a resseção ou remoção, há muitos pacientes que não veem nenhum benefício ou exibem sintomas ainda piores do que antes ao tratamento. Por
20 / 68 exemplo, alguns pacientes com convulsões moderadamente graves desenvolvem convulsões após a cirurgia, enquanto alguns pacientes desenvolvem tipos de convulsões totalmente diferentes. Portanto, abordagens convencionais podem ser altamente invasivas, difíceis de implementar corretamente e, ainda assim, benéficas apenas para alguns pacientes.
[00125] Os inventores constataram uma opção de tratamento eficaz para distúrbios neurológicos que também são não invasivos ou minimamente invasivos e/ou substancialmente não destrutivo. Os inventores propuseram os sistemas descritos e métodos em que, em vez de tentar matar o tecido cerebral em uma única operação, o tecido cerebral é ativado com o uso de sinais acústicos, por exemplo, ultrassom de baixa intensidade, entregue transcranialmente para estimular neurônios em determinadas regiões do cérebro de uma maneira substancialmente não destrutiva. Em algumas modalidades, o tecido cerebral pode ser ativado em intervalos aleatórios, por exemplo, esporadicamente ao longo do dia e/ou noite, desse modo evitando que o cérebro se acomode em um estado de convulsão. Em algumas modalidades, o tecido cerebral pode ser ativado em resposta à detecção de que o cérebro do paciente está exibindo sinais de uma convulsão, por exemplo, ao monitorar medições de eletroencefalograma (EEG) do cérebro. Consequentemente, algumas modalidades dos sistemas e métodos descritos fornecem tratamento não invasivo e/ou substancialmente não destrutivo de sintomas de distúrbios neurológicos, como acidente vascular cerebral, Parkinson, enxaqueca, tremores, demência frontotemporal, lesão cerebral traumática, depressão, ansiedade, Alzheimer, demência, esclerose múltipla, esquizofrenia, dano cerebral, neurodegeneração, doença do sistema nervoso central (SNC), encefalopatia, Huntington, autismo, TDHA, ELA, concussão, e/ou outros distúrbios neurológicos adequados.
[00126] Por exemplo, algumas modalidades dos sistemas e métodos descritos podem fornecer tratamento que permite que um ou mais sensores
21 / 68 sejam colocados no couro cabeludo da pessoa. Portanto, o tratamento pode ser não invasivo porque nenhuma cirurgia é necessária para arrumar os sensores no couro cabeludo para monitorar o cérebro da pessoa. Em outro exemplo, algumas modalidades dos sistemas e métodos descritos podem fornecer para o tratamento que permite que um ou mais sensores sejam colocados logo abaixo do couro cabeludo da pessoa. Portanto, o tratamento pode ser minimamente invasivo porque uma cirurgia subcutânea, ou um procedimento semelhante que requer pequenas ou nenhuma incisão, pode ser usado para arrumar os sensores logo abaixo do couro cabeludo para monitorar o cérebro da pessoa. Em outro exemplo, algumas modalidades dos sistemas e métodos descritos podem fornecer para o tratamento que se aplica ao cérebro, com um ou mais transdutores, a um sinal de ultrassom de baixa intensidade. Portanto, o tratamento pode ser substancialmente não destrutivo porque nenhum tecido cerebral é removido ou dissecado durante a aplicação do tratamento no cérebro.
[00127] Em algumas modalidades, os sistemas e métodos descritos fornecem para um dispositivo usável por uma pessoa a fim de tratar um sintoma de um distúrbio neurológico. O dispositivo pode incluir um transdutor que é configurado para aplicar ao cérebro um sinal acústico. Em algumas modalidades, o sinal acústico pode ser um sinal de ultrassom que é aplicado com o uso de uma baixa resolução espacial, por exemplo, da ordem de centenas de milímetros cúbicos. Ao contrário do tratamento de ultrassom (por exemplo, HIFU) que é usado para remoção de tecido, algumas modalidades dos sistemas e métodos descritos usam baixa resolução espacial para a estimulação de ultrassom. Os requisitos de baixa resolução espacial podem reduzir a frequência de estimulação (por exemplo, na ordem de 100 kHz - 1 MHz), desse modo, permitindo que o sistema opere em níveis de energia baixos, pois esses sinais de frequência mais baixa experimentam atenuação significativamente menor ao passar pelo crânio da pessoa. Essa
22 / 68 diminuição no uso de potência pode ser adequada para uso substancialmente não destrutivo e/ou para uso em um dispositivo usável. Consequentemente, o uso de baixa energia pode possibilitar que algumas modalidades dos sistemas e métodos descritos sejam implementados em um dispositivo de baixa potência, sempre ligado, e/ou usável por uma pessoa.
[00128] Em algumas modalidades, os sistemas e métodos descritos fornecem para um dispositivo usável por uma pessoa que inclui componentes de estimulação e monitoramento. O dispositivo pode incluir um sensor que é configurado para detectar um sinal, por exemplo, um sinal elétrico, um sinal mecânico, um sinal óptico, um sinal infravermelho, ou outro tipo de sinal adequado do cérebro da pessoa. Por exemplo, o dispositivo pode incluir um sensor de EEG, ou outro sensor adequado, ou seja, é configurado para detectar um sinal elétrico como um sinal de EEG, ou outro sinal adequado do cérebro da pessoa. O dispositivo pode include um transdutor que é configurado para aplicar ao cérebro um sinal acústico. Por exemplo, o dispositivo pode incluir um transdutor de ultrassom que é configurado para aplicar ao cérebro um sinal de ultrassom. Em outro exemplo, o dispositivo pode incluir um transdutor de cunha para aplicar ao cérebro um sinal de ultrassom. A Publicação do Pedido de Patente E.U.A. Nº. 2018/0280735 fornece informações adicionais sobre modalidades exemplificativas de transdutores de cunha, cuja totalidade dos quais é incorporada a título de referência ao presente documento.
[00129] Em algumas modalidades, o dispositivo usável pode incluir um processador em comunicação com o sensor e/ou o transdutor. O processador pode receber, do sensor, um sinal detectado do cérebro. O processador pode transmitir uma instrução ao transdutor para aplicar ao cérebro o sinal acústico. Em algumas modalidades, o processador pode ser programado para analisar o sinal para determinar se o cérebro está exibindo um sintoma de um distúrbio neurológico, por exemplo, uma convulsão. O processador pode ser
23 / 68 programado para transmitir a instrução ao transdutor para aplicar ao cérebro o sinal acústico, por exemplo, em resposta à determinação de que o cérebro está exibindo o sintoma do distúrbio neurológico. O sinal acústico pode suprimir o sintoma do distúrbio neurológico, por exemplo, uma convulsão.
[00130] Em algumas modalidades, o sinal de ultrassom pode ter uma baixa densidade de potência e ser substancialmente não destrutivo em relação ao tecido quando aplicado ao cérebro.
[00131] Em algumas modalidades, o transdutor de ultrassom pode ser conduzido por uma forma de onda de voltagem de modo que a densidade de potência, como medida pela intensidade média de pulso de pico espacial, do foco acústico do sinal de ultrassom, distinguido em água, esteja na faixa de 1 a 100 watts/cm2. Quando em uso, a densidade de potência que atinge o foco no cérebro do paciente pode ser atenuada pelo crânio do paciente na faixa descrita acima em 1-20 dB. Em algumas modalidades, a densidade de potência pode ser medida pela média temporal de pico espacial (Ispta) ou outra métrica adequada. Em algumas modalidades, um índice mecânico, que mede pelo menos uma porção dos bioefeitos do sinal de ultrassom, no foco acústico do sinal de ultrassom pode ser determinado. O índice mecânico pode ser menor do que 1,9 para evitar cavitação no ou próximo do foco acústico.
[00132] Em algumas modalidades, o sinal de ultrassom pode ter uma frequência entre 100 kHz e 1 MHz, ou outra faixa adequada. Em algumas modalidades, o sinal de ultrassom pode ter uma resolução espacial entre 0,001 cm3 e 0,1 cm3, ou outra faixa adequada.
[00133] Em algumas modalidades, o dispositivo pode aplicar ao cérebro com o transdutor um sinal acústico em um ou mais intervalos aleatórios. Por exemplo, o dispositivo pode aplicar ao cérebro de um paciente o sinal acústico em momentos aleatórios ao longo do dia e/ou noite, por exemplo, a cada 10 minutos. Em outro exemplo, para pacientes com epilepsia generalizada, o dispositivo pode estimular o tálamo em momentos aleatórios
24 / 68 ao longo do dia e/ou noite, por exemplo, a cada 10 minutos. Em algumas modalidades, o dispositivo pode incluir outro transdutor. O dispositivo pode selecionar um dos transdutores para aplicar ao cérebro o sinal acústico em um ou mais intervalos aleatórios. Em algumas modalidades, o dispositivo pode incluir um arranjo de transdutores que podem ser programados para apontar um feixe ultrassônico em qualquer local dentro do crânio ou para criar um padrão de radiação ultrassônica com múltiplos focos.
[00134] Em algumas modalidades, o sensor e o transdutor estão dispostos na cabeça da pessoa de uma maneira não invasiva. Por exemplo, o dispositivo pode ser disposto na cabeça da pessoa de uma maneira não invasiva, como colocado no couro cabeludo da pessoa ou de outra maneira adequada. Um exemplo ilustrativo do dispositivo é descrito em relação à Figura 1 abaixo. Em algumas modalidades, o sensor e o transdutor são dispostos na cabeça da pessoa de uma maneira minimamente não invasiva. Por exemplo, o dispositivo pode ser disposto na cabeça da pessoa através de uma cirurgia subcutânea, ou um procedimento semelhante que requer pequenas incisões, como colocado logo abaixo do couro cabeludo da pessoa ou de outra maneira adequada.
[00135] Em algumas modalidades, pode-se considerar que uma convulsão ocorra quando um grande número de neurônios dispara de forma sincronizada com relações de fase estruturadas. A atividade coletiva de uma população de neurônios pode ser matematicamente representada como um ponto que evolui em um espaço de alta dimensão, com cada dimensão que corresponde à voltagem da membrana de um único neurônio. Nesse espaço, uma convulsão pode ser representada por um ciclo limite estável, um atrator periódico isolado. À medida que o cérebro realiza suas tarefas diárias, seu estado, representado por um ponto no espaço de alta dimensão, pode se mover ao redor do espaço, traçando trajetórias complicadas. No entanto, se este ponto ficar muito perto de uma determinada região perigosa do espaço, por
25 / 68 exemplo, a bacia de atração da convulsão, o ponto pode ser puxado para o estado de convulsão. Dependendo do paciente, determinadas atividades, como provação de sono, consumo de álcool e ingerir determinados alimentos pode ter uma tendência a empurrar o estado cerebral para mais perto da zona de perigo da bacia de atração da convulsão. O tratamento convencional que envolve a dissecção/remoção da fonte estimada do tecido cerebral da convulsão tenta mudar a paisagem nesse espaço. Enquanto para alguns pacientes o ciclo limite de convulsão possa ser eliminado, para outros o ciclo limite antigo pode se tornar mais fortemente atraente ou talvez um novo possa aparecer. Além disso, qualquer tipo de cirurgia no tecido cerebral, incluindo a colocação cirúrgica de eletrodos, é altamente invasiva e como o cérebro é uma rede complicada e incrivelmente grande, pode não ser trivial prever os efeitos no nível da rede de eliminar ou prejudicar um pedaço do tecido cerebral espacialmente localizado.
[00136] Algumas modalidades dos sistemas e métodos descritos, em vez de localizar a convulsão e eliminar a fonte estimada de tecido cerebral, monitoram o cérebro com o uso, por exemplo, de sinais de EEG, para determinar quando o estado cerebral está se aproximando da bacia de atração para uma convulsão. Sempre que é detectado que o estado cerebral está se aproximando dessa zona de perigo, o cérebro é perturbado com o uso, por exemplo, de um sinal acústico, para empurrar o estado cerebral para fora da zona de perigo. Em outras palavras, em vez de tentar mudar a paisagem nesse espaço, algumas modalidades dos sistemas e métodos descritos aprendem o que a paisagem do cérebro, monitoram o estado cerebral e pingam o cérebro quando necessário, desse modo eliminando-o da zona perigo. Algumas modalidades dos sistemas e métodos descritos fornecem estimulação neural não invasiva, substancialmente não destrutiva, dissipação de energia inferior (por exemplo, do que outras terapias de ultrassom transcranianas), e/ou uma estratégia de supressão acoplada a um dispositivo de registro elétrico não
26 / 68 invasivo.
[00137] Por exemplo, para pacientes com epilepsia generalizada, algumas modalidades dos sistemas e métodos descritos podem estimular o tálamo ou outra região adequada do cérebro em momentos aleatórios ao longo do dia e/ou noite, por exemplo, a cada 10 minutos. O dispositivo pode usar uma frequência de ultrassom de cerca de 100 kHz - 1 MHz com um consumo de energia de cerca de 1 - 100 watts/cm2 como medido pela intensidade média de pulso de pico espacial. Em outro exemplo, para pacientes com epilepsia do lobo temporal esquerdo, algumas modalidades dos sistemas e métodos descritos podem estimular o lobo temporal esquerdo ou outra região do cérebro em resposta à detecção de um aumento do nível de risco de convulsão com base nos sinais de EEG (por exemplo, acima algum limite predeterminado). O lobo temporal esquerdo pode ser estimulado até que os sinais de EEG indiquem que o nível de risco de convulsão tenha diminuído e/ou até que um algum limite de tempo de estimulação máximo (por exemplo, vários minutos) tenha sido atingido. O limite predeterminado pode ser determinado com o uso de algoritmos de treinamento de aprendizado de máquina treinados nos registros de EEG do paciente e um algoritmo de monitoramento pode medir o nível de risco de convulsão com o uso de sinais de EEG.
[00138] Em algumas modalidades, as estratégias de supressão de convulsão podem ser categorizadas por sua resolução espacial e temporal e podem variar por paciente. A resolução espacial refere-se ao tamanho das estruturas cerebrais que estão sendo ativadas/inibidas. Em algumas modalidades, a baixa resolução espacial pode ser de algumas centenas e milímetros cúbicos, por exemplo, da ordem de 0,1 centímetros cúbicos. Em algumas modalidades, a resolução espacial média pode ser da ordem de 0,01 centímetros cúbicos. Em algumas modalidades, a alta resolução espacial pode ser de alguns milímetros cúbicos, por exemplo, na ordem de 0,001
27 / 68 centímetros cúbicos. A resolução temporal geralmente refere-se à receptividade da estimulação. Em algumas modalidades, a baixa resolução temporal pode incluir estimulação aleatória sem levar em conta quando é provável que ocorram convulsões. Em algumas modalidades, a resolução temporal média pode incluir estimulação em resposta a um pequeno aumento na probabilidade de convulsão. Em algumas modalidades, a alta resolução temporal pode incluir estimulação em resposta à detecção de uma alta probabilidade de convulsão, por exemplo, logo após o início da convulsão. Em algumas modalidades, o uso de estratégias com resolução temporal média e alta pode exigir o uso de um dispositivo de gravação de atividade cerebral e a execução de aprendizado de máquina de algoritmos para detectar a probabilidade de ocorrer uma convulsão em um futuro próximo.
[00139] Em algumas modalidades, o dispositivo pode usar uma estratégia com resolução espacial de baixa a média e baixa resolução temporal. O dispositivo pode estimular de forma grosseira estruturas cerebrais conectadas centralmente para evitar a ocorrência de convulsões, com o uso de ultrassom transcraniano de baixa potência. Por exemplo, o dispositivo pode estimular uma ou mais regiões do cérebro com estimulação de ultrassom de uma baixa resolução espacial (por exemplo, na ordem de centenas e milímetros cúbicos) em momentos aleatórios ao longo do dia e/ou noite. O efeito dessa estimulação aleatória pode ser para evitar que o cérebro se acomode em seus padrões familiares que geralmente levam a convulsões. O dispositivo pode ter como alvo núcleos subtalâmicos individuais e outras regiões cerebrais adequadas com alta conectividade para evitar que ocorram convulsões.
[00140] Em algumas modalidades, o dispositivo pode empregar uma estratégia com resolução espacial baixa a média e resolução temporal média a alta. O dispositivo pode incluir um ou mais sensores para monitorar o cérebro de forma não invasiva e detectar um alto nível de risco de convulsão (por
28 / 68 exemplo, maior probabilidade de ocorrer uma convulsão dentro de uma hora). Em resposta à detecção de um alto nível de risco de convulsão, o dispositivo pode aplicar estimulação de ultrassom de baixa potência que é transmitida através do crânio, para o cérebro, ativando e/ou inibindo as estruturas cerebrais para evitar/parar a ocorrência de convulsões. Por exemplo, a estimulação de ultrassom pode incluir frequência de 100 kHz a 1 MHz e/ou densidade de potência de 1 a 100 watts/cm2 como medido pela intensidade média de pulso de pico espacial. O dispositivo pode ter como alvo as estruturas cerebrais como o tálamo, córtex piriforme, estruturas em escala grosseiras no mesmo hemisfério que os focos de convulsão (por exemplo, para pacientes com epilepsia localizada), e outras estruturas cerebrais adequadas para evitar a ocorrência de convulsões.
[00141] A Figura 1 mostra diferentes aspectos 100, 110, e 120 de um dispositivo usável por uma pessoa para tratar um sintoma de um distúrbio neurológico, de acordo com algumas modalidades da tecnologia descrita no presente documento. O dispositivo pode ser um dispositivo de previsão e/ou detecção de convulsão não invasivo. Em algumas modalidades, no aspecto 100, o dispositivo pode incluir um dispositivo de processamento local 102 e um ou mais eletrodos 104. O dispositivo de processamento local 102 pode incluir um relógio de pulso, uma pulseira, um colar, uma fone de ouvido sem fio, ou outro dispositivo adequado. O dispositivo de processamento local 102 pode incluir um rádio e/ou um conector físico para transmitir dados para um servidor de nuvem, um telefone móvel, ou outro dispositivo adequado. O dispositivo de processamento local 102 pode receber, de um sensor, um sinal detectado do cérebro e transmitir uma instrução para um transdutor para aplicar ao cérebro um sinal acústico. Os eletrodos 104 podem incluir um ou mais sensores configurados para detectar um sinal do cérebro da pessoa, por exemplo, um sinal de EEG, e/ou um ou mais transdutores configurados para aplicar ao cérebro um sinal acústico, por exemplo, um sinal de ultrassom. O
29 / 68 sinal acústico pode ter uma baixa densidade de potência e ser substancialmente não destrutivo em relação ao tecido quando aplicado ao cérebro. Em algumas modalidades, um eletrodo pode incluir um sensor ou um transdutor. Em algumas modalidades, um eletrodo pode incluir tanto um sensor quanto um transdutor. Em algumas modalidades, um, 10, 20, ou outro número adequado de eletrodos pode estar disponível. Os eletrodos podem ser fixados de forma removível ao dispositivo.
[00142] Em algumas modalidades, no aspecto 110, o dispositivo pode incluir um dispositivo de processamento local 112, um sensor 114, e um transdutor 116. O dispositivo pode ser disposto na cabeça da pessoa de uma maneira não invasiva, tal como colocado no couro cabeludo da pessoa ou de outra maneira adequada. O dispositivo de processamento local 112 pode incluir um relógio de pulso, uma pulseira, um colar, um fone de ouvido sem fio, ou outro dispositivo adequado. O dispositivo de processamento local 112 pode incluir um rádio e/ou um conector físico para transmitir dados para um servidor de nuvem, um telefone móvel, ou outro dispositivo adequado. O dispositivo de processamento local 112 pode receber, do sensor 114, um sinal detectado do cérebro e transmitir uma instrução ao transdutor 116 para aplicar ao cérebro um sinal acústico. O sensor 114 pode ser configurado para detectar um sinal do cérebro da pessoa, por exemplo, um sinal de EEG. O transdutor 116 pode ser configurado para aplicar ao cérebro um sinal acústico, por exemplo, um sinal de ultrassom. O sinal acústico pode ter uma baixa densidade de potência e ser substancialmente não destrutivo em relação ao tecido quando aplicado ao cérebro. Em algumas modalidades, um eletrodo pode incluir um sensor ou um transdutor. Em algumas modalidades, um eletrodo pode incluir tanto um sensor quanto um transdutor. Em algumas modalidades, um, 10, 20, ou outro número adequado de eletrodos pode estar disponível. Os eletrodos podem ser fixados de forma removível ao dispositivo.
30 / 68
[00143] Em algumas modalidades, no aspecto 120, o dispositivo pode incluir um dispositivo de processamento local 122 e um eletrodo 124. O dispositivo pode ser disposto na cabeça da pessoa de uma maneira não invasiva, tal como colocado sobre o ouvido da pessoa ou de outra maneira adequada. O dispositivo de processamento local 122 pode incluir um relógio de pulso, uma pulseira, um colar, um fone de ouvido sem fio, ou outro dispositivo adequado. O dispositivo de processamento local 122 pode incluir um rádio e/ou um conector físico para transmitir dados para um servidor de nuvem, um telefone móvel, ou outro dispositivo adequado. O dispositivo de processamento local 122 pode receber, do eletrodo 124, um sinal detectado do cérebro e/ou transmitir uma instrução para o eletrodo 124 para aplicar ao cérebro um sinal acústico. O eletrodo 124 pode incluir um sensor configurado para detectar um sinal do cérebro da pessoa, por exemplo, um sinal de EEG, e/ou um transdutor configurado para aplicar ao cérebro um sinal acústico, por exemplo, um sinal de ultrassom. O sinal acústico pode ter uma baixa densidade de potência e ser substancialmente não destrutivo em relação ao tecido quando aplicado ao cérebro. Em algumas modalidades, o eletrodo 124 pode incluir um sensor ou um transdutor. Em algumas modalidades, o eletrodo 124 pode incluir tanto um sensor quanto um transdutor. Em algumas modalidades, um, 10, 20, ou outro número adequado de eletrodos pode estar disponível. Os eletrodos podem ser fixados de forma removível ao dispositivo.
[00144] Em algumas modalidades, o dispositivo pode incluir um ou mais sensores para detectar som, movimento, sinais ópticos, frequência cardíaca e outras modalidades de detecção adequadas. Por exemplo, o sensor pode detectar um sinal elétrico, um sinal mecânico, um sinal óptico, um sinal infravermelho, ou outro tipo de sinal adequado. Em algumas modalidades, o dispositivo pode incluir um fone de ouvido sem fio, um sensor inserido no fone de ouvido sem fio e um transdutor. O sensor pode detectar um sinal, por
31 / 68 exemplo, um sinal de EEG, do cérebro da pessoa enquanto o fone de ouvido sem fio está presente no ouvido da pessoa. O fone de ouvido sem fio pode ter um invólucro associado ou anexo que inclui um dispositivo de processamento local para receber e processar o sinal do sensor e/ou transmitir uma instrução ao transdutor para aplicar ao cérebro um sinal acústico.
[00145] Em algumas modalidades, o dispositivo pode incluir um sensor para detectar um sinal mecânico, como um sinal com uma frequência na faixa audível. Por exemplo, o sensor pode ser usado para detectar um sinal audível do cérebro que indica uma convulsão. O sensor pode ser um receptor acústico disposto no couro cabeludo da pessoa para detectar um sinal audível do cérebro que indica uma convulsão. Em outro exemplo, o sensor pode ser um acelerômetro disposto no couro cabeludo da pessoa para detectar um sinal audível do cérebro que indica uma convulsão. Dessa maneira, o dispositivo pode ser usado para “ouvir” a convulsão na hora que ela ocorre.
[00146] As Figuras 2A-2B mostram exemplos ilustrativos de um dispositivo usável por uma pessoa para tratar um sintoma de um distúrbio neurológico e dispositivo(s) móvel(is) que executam um aplicativo em comunicação com o dispositivo, de acordo com algumas modalidades da tecnologia descrita no presente documento. A Figura 2A mostra um exemplo ilustrativo de um dispositivo 200 usável por uma pessoa para tratar um sintoma de um distúrbio neurológico e um dispositivo móvel 210 que executa um aplicativo em comunicação com o dispositivo 200. Em algumas modalidades, o dispositivo 200 pode ser capaz de prever convulsões, detectar convulsões e alertar usuários e responsáveis, rastrear e gerenciar a condição, e/ou suprimir sintomas de distúrbios neurológicos, como convulsões. O dispositivo 200 pode se conectar ao dispositivo móvel 210, como um telefone móvel, relógio, ou outro dispositivo adequado via BLUETOOTH, WIFI, ou outra conexão adequada. O dispositivo 200 pode monitorar atividade neural com um ou mais sensores 202 e compartilhar dados com um usuário, um
32 / 68 responsável, ou outra entidade adequada com o uso do processador 204. O dispositivo 200 pode aprender sobre padrões de pacientes individuais. O dispositivo 200 pode acessar dados de sinais anteriores detectados do cérebro a partir de um registro de saúde eletrônico da pessoa que usa o dispositivo
200.
[00147] A Figura 2B mostra exemplos ilustrativos de dispositivos móveis 250 e 252 que executam um aplicativo em comunicação com um dispositivo usável por uma pessoa para tratar um sintoma de um distúrbio neurológico, por exemplo, dispositivo 200. Por exemplo, o dispositivo móvel 250 ou 252 pode exibir em tempo real o risco de convulsão para a pessoa que sofre do distúrbio neurológico. No caso de uma convulsão, o dispositivo móvel 250 ou 252 pode alertar a pessoa, um cuidador, ou outra entidade adequada. Por exemplo, o dispositivo móvel 250 ou 252 pode informar um responsável que uma convulsão é prevista nos próximos 30 minutos, próxima hora, ou outro período de tempo adequado. Em outro exemplo, o dispositivo móvel 250 ou 252 pode enviar alertas ao responsável quando uma convulsão ocorrer e/ou gravar a atividade convulsiva, como sinais do cérebro, para o responsável refinar o tratamento do distúrbio neurológico da pessoa. Em algumas modalidades, o dispositivo usável 200 e/ou o dispositivo móvel 250 ou 252 pode analisar um sinal, como um sinal de EEG, detectado do cérebro para determinar se o cérebro está exibindo um sintoma de um distúrbio neurológico. O dispositivo usável 200 pode aplicar ao cérebro um sinal acústico, como um sinal de ultrassom, em resposta à determinação de que o cérebro está exibindo o sintoma do distúrbio neurológico.
[00148] Em algumas modalidades, o dispositivo usável 200, o dispositivo móvel 250 ou 252, e/ou outro dispositivo de computação adequado pode fornecer um ou mais sinais, por exemplo, um sinal de EEG ou outro sinal adequado, detectado do cérebro para uma rede de aprendizado profundo para determinar se o cérebro está exibindo um sintoma de um
33 / 68 distúrbio neurológico, por exemplo, uma convulsão ou outro sintoma adequado. A rede de aprendizado profundo pode ser treinada em dados coletados de uma população de pacientes e/ou a pessoa que usa o dispositivo usável 200. O dispositivo móvel 250 ou 252 pode gerar uma interface para avisar a pessoa e/ou um responsável quando a pessoa é provável de ter uma convulsão e/ou quando a pessoa estará livre de convulsões. Em algumas modalidades, o dispositivo usável 200 e/ou o dispositivo móvel 250 ou 252 podem permitir que a comunicação direcional para e da pessoa que sofre do distúrbio neurológico. Por exemplo, a pessoa pode informar o dispositivo usável 200 por meio de mensagem, fala, ou outro modo de entrada adequado que “Acabei de tomar uma cerveja e estou preocupado, posso ter mais probabilidade de ter uma convulsão”. O dispositivo usável 200 pode responder usando um modo de saída adequado que “Ok, o dispositivo estará em alerta máximo”. A rede de aprendizado profundo pode usar essas informações para auxiliar em previsões futuras para a pessoa. Por exemplo, a rede de aprendizado profundo pode adicionar essas informações aos dados usados para atualizar/treinar a rede de aprendizado profundo. Em outro exemplo, a rede de aprendizado profundo pode usar essas informações como entrada para ajudar a prever o próximo sintoma para a pessoa. Adicionalmente ou alternativamente, o dispositivo usável 200 pode auxiliar a pessoa e/ou o responsável no rastreamento de sono e/ou padrões de dieta da pessoa que sofre do distúrbio neurológico e fornecer essas informações quando solicitada. A rede de aprendizado profundo pode adicionar essas informações aos dados usados para atualizar/treinar a rede de aprendizado profundo e/ou usar essas informações como entrada para ajudar a prever o próximo sintoma para a pessoa. Informações adicionais sobre a rede de aprendizado profundo são fornecidas em relação às Figuras 11B e 11C.
[00149] A Figura 3A mostra um exemplo ilustrativo 300 de um dispositivo móvel e/ou um servidor de nuvem em comunicação com um
34 / 68 dispositivo usável por uma pessoa para tratar um sintoma de um distúrbio neurológico, de acordo com algumas modalidades da tecnologia descrita no presente documento. Nesse exemplo, o dispositivo usável 302 pode monitorar a atividade cerebral com um ou mais sensores e enviar os dados para o dispositivo móvel 304 da pessoa, por exemplo, um telefone móvel, um relógio de pulso, ou outro dispositivo móvel adequado. O dispositivo móvel 304 pode analisar os dados e/ou enviar os dados para um servidor 306, por exemplo, um servidor de nuvem. O servidor 306 pode executar uma ou mais algoritmos de aprendizado de máquina para analisar os dados. Por exemplo, o servidor 306 pode usar uma rede de aprendizado profundo que leva os dados ou uma parte dos dados como entrada e gera saída com informações sobre um ou mais sintomas previstos, por exemplo, uma intensidade prevista de uma convulsão. Os dados analisados podem ser exibidos no dispositivo móvel 304 e/ou um aplicativo em um dispositivo de computação 308. Por exemplo, o dispositivo móvel 304 e/ou dispositivo de computação 308 pode exibir o risco de convulsão em tempo real para a pessoa que sofre do distúrbio neurológico. No caso de uma convulsão, o dispositivo móvel 304 e/ou dispositivo de computação 308 pode alertar a pessoa, um responsável, ou outra entidade adequada. Por exemplo, o dispositivo móvel 304 e/ou dispositivo de computação 308 podem informar um responsável que uma convulsão está prevista nos próximos 30 minutos, próxima hora, ou outro período de tempo adequado. Em outro exemplo, o dispositivo móvel 304 e/ou dispositivo de computação 308 podem enviar alertas ao responsável quando uma convulsão ocorrer e/ou gravar a atividade convulsiva, tais como sinais do cérebro, para o responsável refinar o tratamento do distúrbio neurológico da pessoa.
[00150] Em algumas modalidades, um ou mais alertas podem ser gerados por um algoritmo de aprendizado de máquina treinada para detectar e/ou prever convulsões. Por exemplo, o algoritmo de aprendizado de máquina pode incluir uma rede de aprendizado profundo, por exemplo, como descrito
35 / 68 em relação às Figuras 11B e 11C. Quando o algoritmo detecta que uma convulsão está presente, ou prevê que uma convulsão pode se desenvolver em um futuro próximo (por exemplo, dentro de uma hora), um alerta pode ser enviado para um aplicativo móvel. A interface do aplicativo móvel pode incluir comunicação bidirecional, por exemplo, além do aplicativo móvel enviar notificações ao paciente, o paciente pode ter a capacidade de inserir informações no aplicativo móvel para melhorar o desempenho do algoritmo. Por exemplo, se o algoritmo de aprendizado de máquina não tiver a certeza dentro de um limite de confiança de que o paciente está tendo uma convulsão, ele pode enviar uma pergunta ao paciente através do aplicativo móvel, perguntando ao paciente se ele teve ou não uma convulsão. Se o paciente responder não, o algoritmo pode levar isso em consideração e treinar ou treinar novamente consequentemente.
[00151] A Figura 3B mostra um diagrama de blocos 350 de um dispositivo móvel e/ou um servidor de nuvem em comunicação com um dispositivo usável por uma pessoa para tratar um sintoma de um distúrbio neurológico, de acordo com algumas modalidades da tecnologia descrita no presente documento. O dispositivo 360 pode incluir um relógio de pulso, uma pulseira, um colar, um fone de ouvido sem fio, ou outro dispositivo adequado. O dispositivo 360 pode incluir um ou mais sensores (bloco 362) para adquirir sinais do cérebro (por exemplo, de sensores de EEG, acelerômetros, sensores de eletrocardiograma (EEG), e/ou outros sensores adequados). O dispositivo 360 pode incluir uma interface inicial analógica (bloco 364) para condicionar, amplificar, e/ou digitalizar os sinais adquiridos pelos sensores (bloco 362). O dispositivo 360 pode incluir uma interface final digital (bloco 366) para armazenamento temporário, pré-processamento, e/ou empacotamento dos sinais de saída da interface inicial analógica (bloco 364). O dispositivo 360 pode incluir circuitos de transmissão de dados (bloco 368) para transmitir os dados da interface final digital (bloco 366) para um aplicativo móvel 370, por
36 / 68 exemplo, via BLUETOOTH. Adicionalmente ou alternativamente, o circuito de transmissão de dados (bloco 368) pode enviar informações de depuração para um computador, por exemplo, via USB, e/ou enviar informações de backup para armazenamento local, por exemplo, um cartão micro SD.
[00152] O aplicativo móvel 370 pode ser executado em um telefone móvel ou outro dispositivo adequado. O aplicativo móvel 370 pode receber dados do dispositivo 370 (bloco 372) e enviar os dados para um servidor de nuvem 380 (bloco 374). O servidor de nuvem 380 pode receber dados do aplicativo móvel 370 (bloco 382) e armazenar os dados em um banco de dados (bloco 383). O servidor de nuvem 380 pode extrair recursos de detecção (bloco 384), executar um algoritmo de detecção (bloco 386) e enviar os resultados de volta para o aplicativo móvel 370 (bloco 388). Detalhes adicionais a respeito do algoritmo de detecção são descritos posteriormente nesta revelação, incluindo em relação às Figuras 11B e 11C. O aplicativo móvel 370 pode receber os resultados do servidor de nuvem 380 (bloco 376) e exibir os resultados para o usuário (bloco 378).
[00153] Em algumas modalidades, o dispositivo 360 pode transmitir os dados diretamente para o servidor de nuvem 380, por exemplo, através da Internet. O servidor de nuvem 380 pode enviar os resultados para o aplicativo móvel 370 para exibir ao usuário. Em algumas modalidades, o dispositivo 360 pode transmitir os dados diretamente ao servidor de nuvem 380, por exemplo, através da Internet. O servidor de nuvem 380 pode enviar os resultados de volta para o dispositivo 360 para exibir ao usuário. Por exemplo, o dispositivo 360 pode ser um relógio de pulso com uma tela para exibição dos resultados. Em algumas modalidades, o dispositivo 360 pode transmitir os dados para o aplicativo móvel 370, e o aplicativo móvel 370 pode extrair recursos de detecção, executar um algoritmo de detecção, e/ou exibir os resultados ao usuário no aplicativo móvel 370 e/ou o dispositivo 360. Outras variações adequadas de interações entre o dispositivo 360, o aplicativo móvel 370, e/ou
37 / 68 o servidor de nuvem 380 podem ser possíveis e estão dentro do escopo dessa revelação.
[00154] A Figura 4 mostra um diagrama de blocos para um dispositivo usável 400 que inclui componentes de estimulação e monitoramento, de acordo com algumas modalidades da tecnologia descrita no presente documento. O dispositivo 400 que pode ser usado por (ou conectado a ou implantado dentro de) uma pessoa e inclui um componente de monitoramento 402, um componente de estimulação 404, e um processador 406. O componente de monitoramento 402 pode incluir um sensor que é configurado para detectar um sinal, por exemplo, um sinal elétrico, um sinal mecânico, um sinal óptico, um sinal infravermelho, ou outro tipo de sinal adequado, do cérebro da pessoa. Por exemplo, o sensor pode ser um sensor de eletroencefalograma (EEG) e o sinal pode ser um sinal elétrico, como um sinal de EEG. O componente de estimulação 404 pode incluir um transdutor configurado para aplicar ao cérebro um sinal acústico. Por exemplo, o transdutor pode ser um transdutor de ultrassom e o sinal acústico pode ser um sinal de ultrassom. Em algumas modalidades, o sinal de ultrassom pode ter uma baixa densidade de potência e ser substancialmente não destrutivo em relação ao tecido quando aplicado ao cérebro. Em algumas modalidades, o sensor e o transdutor pode ser dispostos na cabeça da pessoa de uma maneira não invasiva.
[00155] O processador 406 pode estar em comunicação com o componente de monitoramento 402 e o componente de estimulação 404. O processador 406 pode ser programado para receber, do componente de monitoramento 402, o sinal detectado do cérebro e transmitir uma instrução para o componente de estimulação 404 para aplicar ao cérebro o sinal acústico. Em algumas modalidades, o processador 406 pode ser programado para transmitir a instrução para o componente de estimulação 404 para aplicar ao cérebro o sinal acústico em um ou mais intervalos aleatórios. Em algumas
38 / 68 modalidades, o componente de estimulação 404 pode incluir dois ou mais transdutores e o processador 406 pode ser programado para selecionar um dos transdutores para transmitir a instrução para aplicar ao cérebro o sinal acústico em um ou mais intervalos aleatórios.
[00156] Em algumas modalidades, o processador 406 pode ser programado para analisar o sinal do componente de monitoramento 402 para determinar se o cérebro está exibindo um sintoma de um distúrbio neurológico. O processador 406 pode transmitir a instrução para o componente de estimulação 404 para aplicar ao cérebro o sinal acústico em resposta à determinação de que o cérebro está exibindo o sintoma do distúrbio neurológico. O sinal acústico pode suprimir o sintoma do distúrbio neurológico. Por exemplo, o sintoma pode ser uma convulsão e o distúrbio neurológico pode ser um ou mais dentre acidente vascular cerebral, doença de Parkinson, enxaqueca, tremores, demência frontotemporal, lesão cerebral traumática, depressão, ansiedade, doença de Alzheimer, demência, esclerose múltipla, esquizofrenia, dano cerebral, neurodegeneração, doença do sistema nervoso central (SNC), encefalopatia, doença de Huntington, autismo, transtorno de déficit de atenção e hiperatividade (TDAH) , esclerose lateral amiotrófica (ELA), e concussão.
[00157] Em algumas modalidades, o software para programar os transdutores de ultrassom pode enviar leituras de sensor em tempo real (por exemplo, de sensores de EEG, acelerômetros, sensores de EKG, e/ou outros sensores adequados) para um processador que opera algoritmos de aprendizado de máquina continuamente, por exemplo, uma rede de aprendizado profundo como descrito em relação às Figuras 11B e 11C. Por exemplo, esse processador pode ser local, no próprio dispositivo, ou na nuvem. Esses algoritmos de aprendizado de máquina em execução no processador podem realizar três tarefas: 1) detectar quando uma convulsão está presente, 2) prever quando uma a convulsão é provável de ocorrer dentro
39 / 68 de um futuro próximo (por exemplo, dentro de uma hora), e 3) enviar um local para apontar o feixe de estimulação de ultrassom. Imediatamente após o processador detectar que uma convulsão começou, o feixe de estimulação de ultrassom pode ser ligado e apontado para o local determinado pela saída do(s) algoritmo(s). Para pacientes com convulsões que sempre têm as mesmas características/foco, é provável que, uma vez um bom local do feixe seja encontrado, pode não mudar. Outro exemplo de como o feixe pode ser ativado é quando o processador prevê que uma convulsão provavelmente ocorrerá em um futuro próximo, o feixe pode ser ligado em uma intensidade relativamente baixa (por exemplo, em relação à intensidade usada quando uma convulsão é detectada). Em algumas modalidades, o alvo para o feixe de estimulação de ultrassom pode não ser o próprio foco da convulsão. Por exemplo, o alvo pode ser um “ponto de estrangulamento”, de convulsão, isto é, um local fora do foco de convulsão que, quando estimulado pode interromper a atividade convulsiva.
[00158] A Figura 5 mostra um diagrama de blocos para um dispositivo usável 500 para estimulação acústica substancialmente não destrutiva, de acordo com algumas modalidades da tecnologia descrita no presente documento. O dispositivo 500 usável por uma pessoa e inclui um componente de monitoramento 502 e um componente de estimulação 504. O componente de monitoramento 502 e/ou o componente de estimulação 504 podem ser dispostos na cabeça da pessoa de uma maneira não invasiva.
[00159] O componente de monitoramento 502 pode incluir um sensor que é configurado para detectar um sinal, por exemplo, um sinal elétrico, um sinal mecânico, um sinal óptico, um sinal infravermelho, ou outro tipo de sinal adequado, do cérebro da pessoa. Por exemplo, o sensor pode ser um sensor de eletroencefalograma (EEG) e o sinal pode ser um sinal de EEG. O componente de estimulação 504 pode incluir um transdutor de ultrassom configurado para aplicar ao cérebro um sinal de ultrassom que tem uma baixa
40 / 68 densidade de potência, por exemplo, entre 1 e 100 watts/cm2 e é substancialmente não destrutivo em relação ao tecido quando aplicado ao cérebro. Por exemplo, o sinal de ultrassom pode ter uma frequência entre 100 kHz e 1 MHz, uma resolução espacial entre 0,001 cm3 e 0,1 cm3, e/ou a baixa densidade de potência entre 1 e 100 watts/cm2 como medido pela intensidade média de pulso de pico espacial. O sinal de ultrassom pode suprimir o sintoma do distúrbio neurológico. Por exemplo, o sintoma pode ser uma convulsão e o distúrbio neurológico pode ser epilepsia ou outro distúrbio neurológico adequado.
[00160] A Figura 6 mostra um diagrama de blocos para um dispositivo usável 600 para estimulação acústica, por exemplo, estimulação acústica aleatória, de acordo com algumas modalidades da tecnologia descrita no presente documento. O dispositivo 600 usável por uma pessoa e inclui um componente de estimulação 604 e um processador 606. O componente de estimulação 604 pode incluir um transdutor que é configurado para aplicar ao cérebro da pessoa sinais acústicos. Por exemplo, o transdutor pode ser um transdutor de ultrassom e o sinal acústico pode ser um sinal de ultrassom. Em algumas modalidades, o sinal de ultrassom pode ter uma baixa densidade de potência e ser substancialmente não destrutivo em relação ao tecido quando aplicado ao cérebro. Em algumas modalidades, o transdutor pode ser disposto na cabeça da pessoa de uma maneira não invasiva.
[00161] Em algumas modalidades, o processador 606 pode transmitir uma instrução para o componente de estimulação 604 para ativar o tecido cerebral em intervalos aleatórios, por exemplo, esporadicamente ao longo do dia e/ou noite, desse modo evitando que o cérebro se acomode em um estado de convulsão. Por exemplo, para pacientes com epilepsia generalizada, o dispositivo 600 pode estimular o tálamo ou outra região adequada do cérebro em momentos aleatórios ao longo do dia e/ou noite, por exemplo, a cada 10 minutos. Em algumas modalidades, o componente de estimulação 604 pode
41 / 68 incluir outro transdutor. O dispositivo 600 e/ou o processador 606 podem selecionar um dos transdutores para aplicar ao cérebro o sinal acústico em um ou mais intervalos aleatórios.
[00162] A Figura 7 mostra um diagrama de blocos para um dispositivo usável 700 para tratar um distúrbio neurológico usando estimulação de ultrassom, de acordo com algumas modalidades da tecnologia descrita no presente documento. O dispositivo 700 que pode ser usado por (ou conectado a ou implantado dentro de) uma pessoa e pode ser usado para tratar convulsões epilépticas. O dispositivo 700 inclui um sensor 702, um transdutor 704 e um processador 706. O sensor 702 pode ser configurado para detectar um sinal de EEG do cérebro da pessoa. O transdutor 704 pode ser configurado para aplicar ao cérebro uma sinal de ultrassom substancialmente não destrutivo de baixa potência. O sinal de ultrassom pode suprimir uma ou mais convulsões epiléticas. Por exemplo, o sinal de ultrassom pode ter uma frequência entre 100 kHz e 1 MHz, uma resolução espacial entre 0,001 cm3 e 0,1 cm3, e/ou uma densidade de potência entre 1 e 100 watts/cm2 como medido pela intensidade média de pulso de pico espacial. Em algumas modalidades, o sensor e o transdutor podem ser dispostos na cabeça da pessoa de uma maneira não invasiva.
[00163] O processador 706 pode estar em comunicação com o sensor 702 e o transdutor 704. O processador 706 pode ser programado para receber, do sensor 702, o sinal de EEG detectado do cérebro e transmitir uma instrução para o transdutor 704 para aplicar ao cérebro o sinal de ultrassom. Em algumas modalidades, o processador 706 pode ser programado para analisar o sinal de EEG para determinar se o cérebro está exibindo uma convulsão epiléptica e, em resposta à determinação de que o cérebro está exibindo a convulsão epiléptica, transmitir a instrução para o transdutor 704 para aplicar ao cérebro o sinal de ultrassom.
[00164] Em algumas modalidades, o processador 706 pode ser
42 / 68 programado para transmitir uma instrução para o transdutor 704 para aplicar ao cérebro o sinal de ultrassom em um ou mais intervalos aleatórios. Em algumas modalidades, o transdutor 704 pode incluir dois ou mais transdutores e o processador 706 pode ser programado para selecionar um dos transdutores para transmitir uma instrução para aplicar ao cérebro o sinal de ultrassom em um ou mais intervalos aleatórios.
SISTEMA DE CIRCUITO FECHADO USANDO APRENDIZADO DE MÁQUINA PARA DIRECIONAR O FOCO DO FEIXE DE ULTRASSOM DENTRO DO CÉREBRO HUMANO
[00165] As interfaces convencionais cérebro-máquina são limitadas em que as regiões do cérebro que recebem estimulação podem não ser alteradas em tempo real. Isso pode ser problemático porque muitas vezes é difícil localizar uma região cerebral apropriada para estimular a fim de tratar sintomas de distúrbios neurológicos. Por exemplo, na epilepsia, pode não estar claro qual região dentro do cérebro deve ser estimulada para suprimir ou interromper uma convulsão. A região do cérebro apropriada pode ser o foco da convulsão (que pode ser difícil de localizar), uma região que pode servir para suprimir a convulsão, ou outra região adequada do cérebro. Soluções convencionais, como estimuladores neurais responsivos eletrônicos implantáveis e estimuladores cerebrais profundos, só podem ser posicionados uma vez pelos médicos, dando seu melhor palpite ou escolhendo alguma região pré-determinada do cérebro. Portanto, as regiões do cérebro que podem receber estimulação não podem ser alteradas em tempo real nos sistemas convencionais.
[00166] Os inventores observaram que o tratamento para distúrbios neurológicos pode ser mais eficaz quando a região do cérebro da estimulação pode ser alterada em tempo real e, em particular, quando a região do cérebro pode ser alterada remotamente. Como a região do cérebro pode ser alterada em tempo real e/ou remotamente, dezenas (ou mais) de localizações por
43 / 68 segundo podem ser tentadas, desse modo fechando na região do cérebro apropriada para estimulação rapidamente em relação à duração de uma convulsão média. Esse tratamento pode ser alcançado com o uso de ultrassom para estimular o cérebro. Em algumas modalidades, o paciente pode usar um arranjo de transdutores de ultrassom (por exemplo, tal arranjo é colocado no couro cabeludo da pessoa), e um feixe de ultrassom pode ser direcionado usando métodos de formação de feixe, como arranjos em fases. Em algumas modalidades, com transdutores de cunha, menos números de transdutores podem ser usados. Em algumas modalidades, com transdutores de cunha, o dispositivo pode ser mais eficiente em termos de energia devido aos requisitos de potência dos transdutores de cunha. A Publicação do Pedido de Patente E.U.A. Nº. 2018/0280735 fornece informações adicionais em modalidades exemplificativas dos transdutores de cunha, cuja totalidade é incorporada a título de referência ao presente documento. O alvo do feixe pode ser alterado programando-se o arranjo. Se a estimulação em uma determinada região do cérebro não estiver funcionado, o feixe pode ser movido para outra região do cérebro para tentar novamente, sem causar danos ao paciente.
[00167] Em algumas modalidades, um algoritmo de aprendizado de máquina que detecta o estado cerebral pode ser conectado ao algoritmo de direcionamento do feixe para fazer um sistema de circuito fechado, por exemplo, incluindo uma rede de aprendizado profundo. O algoritmo de aprendizado de máquina que detecta o estado cerebral pode ter como entrada gravações de sensores de EEG, sensores de EKG, acelerômetros, e/ou outros sensores adequados. Vários filtros podem ser aplicados a essas entradas combinadas e as saídas desses filtros podem ser combinadas de uma forma geralmente não linear, para extrair uma representação útil dos dados. Então, um classificador pode ser treinado nessa representação de alto nível. Isso pode ser realizado usando aprendizado profundo e/ou pré-especificando os filtros e treinando um classificador, como uma Máquina de Vetor de Suporte (SVM).
44 / 68 Em algumas modalidades, o algoritmo de aprendizado de máquina pode incluir o treinamento de uma Rede Neural Recorrente (RNN), como uma unidade de memória de curto prazo (LSTM) com base em RNN, para mapear os dados de entrada de alta dimensão em uma trajetória de variação suave através de um espaço representativo de um estado cerebral de nível superior. Esses algoritmos de aprendizado de máquina em execução no processador podem realizar três tarefas: 1) detectar quando um sintoma de um distúrbio neurológico está presente, por exemplo, uma convulsão, 2) prever quando um sintoma provavelmente ocorrerá em um futuro próximo (por exemplo, dentro de uma hora), e 3) emitir um local para apontar o sinal acústico estimulante, por exemplo, um feixe de ultrassom. Qualquer uma dessas tarefas podem ser realizadas com o uso de uma rede de aprendizado profundo ou outra rede adequada. Mais detalhes a respeito dessa técnica são descritos posteriormente nesta revelação, incluindo em relação às Figuras 11B e 11C.
[00168] Tomando o exemplo de epilepsia, o objetivo pode suprimir ou interromper uma convulsão que já começou. Nesse exemplo, o sistema de circuito fechado pode funcionar como a seguir. Primeiro, o sistema pode executar um algoritmo de medição que mede a “intensidade” da atividade convulsiva, com o feixe posicionado em algum local inicial predefinido (por exemplo, o hipocampo para pacientes com epilepsia do lobo temporal). A localização do feixe pode então ser ligeiramente alterada e a mudança resultante na intensidade da convulsão pode ser medida com o uso de algoritmo de medição. Se a atividade convulsiva diminuiu, o sistema pode continuar movendo o feixe nessa direção. Se a atividade convulsiva aumentou, o sistema pode mover o feixe na direção oposta ou diferente. Como a localização do feixe pode ser programada eletronicamente, dezenas de localizações do feixe por segundo podem ser tentadas, desse modo fechando o local de estimulação apropriado rapidamente em relação à duração de uma convulsão média.
45 / 68
[00169] Em algumas modalidades, algumas regiões do cérebro podem ser inapropriadas para estimulação. Por exemplo, estimular partes do tronco cerebral pode levar a danos irreversíveis ou desconforto. Nesse caso, o sistema de circuito fechado pode seguir uma solução de descida gradiente “restrita”, onde o local de estimulação apropriado é obtido a partir de um conjunto de pontos variáveis. Isso pode garantir que as regiões fora do limite do cérebro nunca sejam estimuladas.
[00170] A Figura 8 mostra um diagrama de blocos para um dispositivo 800 para direcionar a estimulação acústica, de acordo com algumas modalidades da tecnologia descrita no presente documento. O dispositivo 800, por exemplo, um dispositivo usável, pode ser parte de um sistema de circuito fechado que usa aprendizado de máquina para direcionar o foco de um feixe de ultrassom dentro do cérebro. O dispositivo 800 pode incluir um componente de monitoramento 802, por exemplo, um sensor, que é configurado para detectar um sinal, por exemplo, um sinal elétrico, um sinal mecânico, um sinal óptico, um sinal infravermelho, ou outro tipo de sinal adequado, do cérebro da pessoa. Por exemplo, o sensor pode ser um sensor de EEG e o sinal pode ser um sinal elétrico, como um sinal de EEG. O dispositivo 800 pode incluir um componente de estimulação 804, por exemplo, um conjunto de transdutores, cada um configurado para aplicar ao cérebro um sinal acústico. Por exemplo, um ou mais dos transdutores pode ser um transdutor de ultrassom e o sinal acústico pode ser um sinal de ultrassom. O sensor e/ou o conjunto de transdutores pode ser disposto na cabeça da pessoa de uma maneira não invasiva. Em algumas modalidades, o dispositivo 800 pode incluir um processador 806 em comunicação com o sensor e o conjunto de transdutores. O processador 806 pode selecionar um dos transdutores com o uso de um modelo estatístico treinado em dados de sinais anteriores detectados do cérebro. Por exemplo, dados de sinais anteriores detectados do cérebro podem ser acessados a partir de um registro de saúde
46 / 68 eletrônico da pessoa.
[00171] A Figura 9 mostra um diagrama de fluxo 900 para um dispositivo para direcionar estimulação acústica, de acordo com algumas modalidades da tecnologia descrita no presente documento.
[00172] Em 902, o processador, por exemplo, processador 806, pode receber, do sensor, dados de um primeiro sinal detectado do cérebro.
[00173] Em 904, o processador pode acessar um modelo estatístico treinado. O modelo estatístico pode ser treinado com o uso de dados de sinais anteriores detectados do cérebro. Por exemplo, o modelo estatístico pode incluir uma rede de aprendizado profundo treinada com o uso de dados de sinais anteriores detectados do cérebro.
[00174] Em 906, o processador pode fornecer dados do primeiro sinal detectados do cérebro como entrada para o modelo estatístico treinado, por exemplo, uma rede de aprendizado profundo, para obter uma saída indicando uma primeira intensidade prevista de um sintoma de um distúrbio neurológico, por exemplo, uma convulsão epiléptica.
[00175] Em 908, com base na primeira intensidade prevista do sintoma, o processador pode selecionar um dos transdutores em uma primeira direção para transmitir uma primeira instrução para aplicar um primeiro sinal acústico. Por exemplo, o primeiro sinal acústico pode ser um sinal de ultrassom que tem uma baixa densidade de potência, por exemplo, entre 1 e 100 watts/cm2 e é substancialmente não destrutivo em relação ao tecido quando aplicado ao cérebro. O sinal acústico pode suprimir o sintoma do distúrbio neurológico.
[00176] Em 910, o processador pode transmitir a instrução para o transdutor selecionado para aplicar o primeiro sinal acústico ao cérebro.
[00177] Em algumas modalidades, o processador pode ser programado para fornecer dados de um segundo sinal detectado do cérebro como entrada para o modelo estatístico treinado para obter uma saída que indica uma
47 / 68 segunda intensidade prevista do sintoma do distúrbio neurológico. Se for determinado que a segunda intensidade prevista é menor do que a primeira intensidade prevista, o processador pode selecionar um dos transdutores na primeira direção para transmitir uma segunda instrução para aplicar um segundo sinal acústico. Se for determinado que a segunda intensidade prevista é maior do que a primeira intensidade prevista, o processador pode selecionar um dos transdutores em uma direção oposta ou diferente da primeira direção para transmitir a segunda instrução para aplicar o segundo sinal acústico.
ALGORITMOS DE DETECÇÃO NOVOS
[00178] As abordagens convencionais consideram a detecção de convulsões um problema de classificação. Por exemplo, uma janela de dados de EEG (por exemplo, 5 segundos de duração) pode ser alimentada em um classificador que emite uma etiqueta binária que representa se a entrada é ou não de uma convulsão. A execução do algoritmo em tempo real pode envolver a execução do algoritmo em janelas consecutivas de dados de EEG. No entanto, os inventores constataram que não há nada em tal estrutura de algoritmo, ou no treinamento do algoritmo, para acomodar que o cérebro não alterne rapidamente para trás e para frente entre convulsão e não convulsão. Se a janela atual for uma convulsão, há uma grande probabilidade que a próxima janela também seja uma convulsão. Esse raciocínio só falhará no final da convulsão. Da mesma forma, se a janela atual não for uma convulsão, há uma grande probabilidade de que a próxima janela também não seja uma convulsão. Esse raciocínio só falhará no início da convulsão. Os inventores observaram que seria preferível refletir a “suavidade” do estado convulsivo na estrutura do algoritmo ou no treinamento penalizando as saídas de rede que oscilam em escalas de tempo curtas. Os inventores realizaram isso, por exemplo, adicionando-se um termo de regularização à função de perda que é proporcional à variação total das saídas ou a norma L1/L2 da derivada (calculada por meio de diferença finita) das saídas, ou a norma L1/L2 da
48 / 68 segunda derivada das saídas. Em algumas modalidades, RNNs com unidades LSTM podem dar automaticamente uma saída uniforme. Em algumas modalidades, uma maneira de alcançar a suavidade das saídas de detecção pode ser para treinar um algoritmo de detecção convencional, não suave e alimentar seus resultados em um filtro passa-baixo causal e usar essa saída filtrada passa-baixo como o resultado final. Isso pode garantir que o resultado final seja suave. Por exemplo, o algoritmo de detecção não suave pode usar uma ou ambas das seguintes equações para gerar o resultado final:
[00179] Nas equações (1) e (2), y[i] é o rótulo de verdade de convulsão, ou nenhuma convulsão, para a amostra i, ŷw[i] é a saída do algoritmo para a amostra i. L(w) é a função de perda de aprendizado de máquina avaliada no modelo parametrizado por w (destinado a representar os pesos em uma rede). O primeiro termo em L(w) pode medir a precisão com que o algoritmo classifica as convulsões. O segundo termo em L(w) (multiplicado por λ) é um termo de regularização que pode encorajar o algoritmo a aprender soluções que mudam suavemente com o tempo. As equações (1) e (2) são dois exemplos de regularização como mostrado. A equação (1) é a normal de variação total (TV) e a equação (2) é o valor absoluto da primeira derivada. Ambas as equações podem tentar impor suavidade. Na equação (1), a norma de TV pode ser pequena para uma saída suave e grande para uma saída que não é suave. Na equação (2), o valor absoluto da primeira derivada é penalizado para tentar impor suavidade. Em determinados casos, a equação (1) pode funcionar melhor do que a equação (2), ou vice-versa, cujos resultados podem ser determinados empiricamente treinando-se um algoritmo de detecção convencional, não suave usando a
49 / 68 equação (1) e comparando o resultado final com um algoritmo semelhante treinado usando a equação (2).
[00180] Convencionalmente, os dados de EEG são anotados de forma binária, de modo que o momento seja classificado como não uma convulsão e o próximo seja classificado como uma convulsão. Os horários exatos de início e término de uma convulsão são relativamente arbitrários, pois pode não haver uma maneira objetiva de localizar o início e o fim de uma convulsão. No entanto, com o uso de algoritmos convencionais, o algoritmo de detecção pode ser penalizado por não concordar perfeitamente com a anotação. Os inventores observaram que pode ser melhor anotar “suavemente” os dados, por exemplo, com o uso de etiquetas de janela suaves que sobem de 0 para 1 e caem suavemente de 1 para 0, com 0 representando uma não convulsão e 1 representando uma convulsão. Esse esquema de anotação pode refletir melhor que as convulsões evoluem com o tempo e que pode haver ambiguidade envolvida na demarcação precisa. Consequentemente, os inventores aplicaram esse esquema de anotação para reformular a detecção de convulsão de um problema de detecção para um problema de aprendizado de máquina de regressão.
[00181] A Figura 10 mostra um diagrama de blocos para um dispositivo usando um modelo estatístico treinado em dados de sinais anotados, de acordo com algumas modalidades da tecnologia descrita no presente documento. O modelo estatístico pode incluir uma rede de aprendizado profundo ou outro modelo adequado. O dispositivo 1000, por exemplo, um dispositivo usável, pode incluir um componente de monitoramento 1002, por exemplo, um sensor, que é configurado para detectar um sinal, por exemplo, um sinal elétrico, um sinal mecânico, um sinal óptico, um sinal infravermelho, ou outro tipo de sinal adequado, do cérebro da pessoa. Por exemplo, o sensor pode ser um sensor de EEG e o sinal pode ser um sinal de EEG. O dispositivo 1000 pode incluir um
50 / 68 componente de estimulação 1004, por exemplo, um conjunto de transdutores, cada um configurado para aplicar ao cérebro um sinal acústico. Por exemplo, um ou mais dos transdutores podem ser um transdutor de ultrassom e o sinal acústico pode ser um sinal de ultrassom. O sensor e/ou o conjunto de transdutores pode ser disposto na cabeça da pessoa de uma maneira não invasiva.
[00182] Em algumas modalidades, o dispositivo 1000 pode incluir um processador 1006 em comunicação com o sensor e o conjunto de transdutores. O processador 1006 pode selecionar um dos transdutores usando um modelo estatístico treinado em dados de sinal anotados com um ou mais valores relacionados para identificar uma condição de saúde, por exemplo, os respectivos valores relacionados ao aumento da intensidade de um sintoma de um distúrbio neurológico. Por exemplo, os dados de sinal podem incluir dados de sinais anteriores detectados do cérebro e pode ser acessado a partir de um registro de saúde eletrônico da pessoa. Em algumas modalidades, o modelo estatístico pode ser treinado em dados de sinais anteriores detectados do cérebro anotados com os respectivos valores, por exemplo, entre 0 e 1, relativos ao aumento da intensidade do sintoma do distúrbio neurológico. Em algumas modalidades, o modelo estatístico pode incluir uma função de perda com um termo de regularização que é proporcional a uma variação de saídas do modelo estatístico, uma norma L1/L2 de uma derivada de saídas, ou uma norma L1/L2 de uma segunda derivada de saídas.
[00183] A Figura 11A mostra um diagrama de fluxo 1100 para um dispositivo usando um modelo estatístico treinado em dados de sinais anotados, de acordo com algumas modalidades da tecnologia descrita no presente documento.
[00184] Em 1102, o processador, por exemplo, processador 1006, pode receber, do sensor, dados de um primeiro sinal detectado do cérebro.
[00185] Em 1104, o processador pode acessar um modelo estatístico
51 / 68 treinado, em que o modelo estatístico foi treinado usando dados de sinais anteriores detectados do cérebro anotados com um ou mais valores relacionados para identificar uma condição de saúde, por exemplo, os respectivos valores (por exemplo, entre 0 e 1) relacionados ao aumento da intensidade de um sintoma de um distúrbio neurológico.
[00186] Em 1106, o processador pode fornecer dados do primeiro sinal detectado do cérebro como entrada para o modelo estatístico treinado para obter uma saída que indica uma primeira intensidade prevista do sintoma do distúrbio neurológico, por exemplo, uma convulsão epiléptica.
[00187] Em 1108, com base na primeira intensidade prevista do sintoma, o processador pode selecionar um dentre a pluralidade de transdutores em uma primeira direção para transmitir uma primeira instrução para aplicar um primeiro sinal acústico.
[00188] Em 1110, o processador pode transmitir a instrução para o transdutor selecionado para aplicar o primeiro sinal acústico ao cérebro. Por exemplo, o primeiro sinal acústico pode ser um sinal de ultrassom que tem uma baixa densidade de potência, por exemplo, entre 1 e 100 watts/cm2 e é substancialmente não destrutivo em relação ao tecido quando aplicado ao cérebro. O sinal acústico pode suprimir o sintoma do distúrbio neurológico.
[00189] Em algumas modalidades, o processador pode ser programado para fornecer dados de um segundo sinal detectado do cérebro como entrada para o modelo estatístico treinado para obter uma saída que indica uma segunda intensidade prevista do sintoma do distúrbio neurológico. Se for determinado que a segunda intensidade prevista é menor do que a primeira intensidade prevista, o processador pode selecionar um dos transdutores na primeira direção para transmitir uma segunda instrução para aplicar um segundo sinal acústico. Se for determinado que a segunda intensidade prevista é maior do que a primeira intensidade prevista, o processador pode selecionar um dos transdutores em uma direção oposta ou diferente da primeira direção
52 / 68 para transmitir a segunda instrução para aplicar o segundo sinal acústico.
[00190] Em algumas modalidades, os inventores desenvolveram uma rede de aprendizado profundo para detectar um ou mais outros sintomas de um distúrbio neurológico. Por exemplo, a rede de aprendizado profundo pode ser usada para prever convulsões. A rede de aprendizado profundo inclui uma Rede Neural Convolucional Profunda (DCNN), que insere ou codifica os dados em um espaço de representação n-dimensional (por exemplo, 16- dimensional) e uma Rede Neural Recorrente (RNN), que calcula as pontuações de detecção observando-se alterações no espaço de representação ao longo do tempo. No entanto, a rede de aprendizado profundo não é tão limitada e pode incluir componentes arquitetônicos alternativos ou adicionais adequados para prever um ou mais sintomas de um distúrbio neurológico.
[00191] Em algumas modalidades, os recursos que são fornecidos como entrada para a rede de aprendizado profundo podem ser recebidos e/ou transformados no domínio do tempo ou no domínio da frequência. Em algumas modalidades, uma rede treinada usando recursos com base no domínio de frequência podem emitir previsões mais precisas em comparação com outra rede treinada usando recursos com base no domínio de tempo. Por exemplo, uma rede treinada usando recursos com base no domínio da frequência podem emitir previsões mais precisas porque a forma de onda induzida nos dados de sinal de EEG capturados durante uma convulsão pode ter exposição limitada temporariamente. Consequentemente, uma transformada em ondeleta discreta (DWT), por exemplo, com a ondeleta mãe Daubechies 4-tab (db-4) ou outra ondeleta adequada, pode ser usada para transformar os dados de sinal de EEG no domínio da frequência. Outras transformadas em ondeleta adequadas podem ser usadas adicionalmente ou alternativamente a fim de transformar os dados de sinal de EEG em uma forma adequada para entrada na rede de aprendizado profundo. Em algumas modalidades, janelas de um segundo de dados de sinal de EEG em cada canal
53 / 68 podem ser escolhidas e a DWT pode ser aplicado em até 5 níveis, ou outro número e níveis adequados. Nesse caso, cada entrada de lote para a rede de aprendizado profundo pode ser um tensor com dimensões iguais a (tamanho de lote x frequência de amostragem x número de canais de EEG x níveis de DWT + 1). Esse tensor pode ser fornecido ao codificador DCNN da rede de aprendizado profundo.
[00192] Em algumas modalidades, as estatísticas de sinal podem ser diferentes para pessoas diferentes e podem mudar ao longo do tempo, mesmo para uma pessoa em particular. Portanto, a rede pode ser altamente suscetível a sobre ajuste especialmente quando os dados de treinamento fornecidos não são grandes o suficiente. Essa informações podem ser utilizadas no desenvolvimento da estrutura de treinamento para a rede de modo que o codificador DCNN possa inserir o sinal em um espaço no qual pelo menos, desvios temporais transmitem informações sobre a convulsão. Durante o treinamento, uma ou mais funções objetivas podem ser usadas para ajustar o codificador DCNN, incluindo uma perda Siamesa e uma perda de classificação, que são descritas abaixo.
[00193] 1. Perda Siamesa: em estruturas de aprendizado de uma ou poucas tentativas, isto é, estruturas com pequenos conjuntos de dados de treinamento, uma perda Siamesa com base na rede pode ser projetada para indicar que um par de situações de entrada são da mesma categoria ou não. A configuração na rede pode ser apontada para detectar se duas amostras temporariamente próximas são da mesma categoria ou não no mesmo paciente.
[00194] 2. Perda de Classificação: A entropia binária cruzada é uma função objetivo amplamente usada para aprendizado supervisionado. Essa função objetivo pode ser usada para diminuir a distância entre inserções da mesma categoria enquanto aumenta a distância classes tanto quanto possível, independentemente do comportamento por partes e subjetividade das
54 / 68 estatísticas do sinal de EEG. Os segmentos de dados emparelhados ajudam a aumentar as comparações de amostra quadraticamente e, portanto, mitigar o sobre ajuste causado pela falta de dados.
[00195] Em algumas modalidades, cada vez que um lote de dados de treinamento é formado, o início de janelas de um segundo pode ser selecionado aleatoriamente para ajudar com o aumento de dados, desse modo aumentando o tamanho dos dados de treinamento.
[00196] Em algumas modalidades, o codificador DCNN pode incluir uma rede neural convolucional 2D de 13 camadas com pooling máximo fracionário (FMP). Após o treinar o codificador DCNN, os pesos dessa rede pode ser corrigidos. A saída de um codificador DCNN pode então ser usada como uma camada de entrada para um RNN para detecção final. Em algumas modalidades, o RNN pode incluir um LSTM bidirecional seguido por duas camadas de rede neural totalmente conectadas. Em um exemplo, o RNN pode ser treinado alimentando-se 30 amostras de sinal de EEG de domínio de frequência de um segundo para o codificador DCNN e, em seguida, a saída resultante para o RNN em cada tentativa.
[00197] Em algumas modalidades, o aumento de dados e/ou inferência estatística pode ajudar a reduzir o erro de estimativa para a rede de aprendizado profundo. Em um exemplo, para a configuração proposta para essa rede de aprendizado profundo, cada janela de tempo de 30 segundos pode ser avaliada várias vezes, adicionando-se interferência ao início das janelas de tempo de um segundo. O número de amostragem pode depender da capacidade computacional. Por exemplo, para a configuração descrita, a capacidade em tempo real pode ser mantida com até 30 vezes de simulação de Monte-Carlo.
[00198] Deve-se observar que a rede de aprendizado profundo descrita é apenas um exemplo de implementação e que outras implementações podem ser empregadas. Por exemplo, em algumas modalidades, um ou mais outros
55 / 68 tipos de camadas de rede neural podem ser incluídos na rede de aprendizado profundo em vez de ou além de uma ou mais das camadas na arquitetura descrita. Por exemplo, em algumas modalidades, uma ou mais camadas convolucionais, transpostas, convolucionais, pooling, unpooling, e/ou normalização em lote podem ser incluídas na rede de aprendizado profundo. Como outro exemplo, a arquitetura pode incluir uma ou mais camadas para realizar uma transformação não linear entre pares de camadas adjacentes. A transformação não linear pode ser uma transformação de unidade linear retificada (ReLU), um sigmoide, e/ou qualquer outro tipo adequado de transformação não linear, uma vez que os aspectos da tecnologia descrita no presente documento não são limitados a esse respeito.
[00199] Como outro exemplo de uma variação, em algumas modalidades, qualquer outro tipo adequado de arquitetura de Rede Neural Recorrente pode ser usado em vez de ou em adição a uma arquitetura LSTM.
[00200] Deve-se observar também que, embora na arquitetura descrita dimensões ilustrativas sejam fornecidas para as entradas e saídas para as várias camadas, essa dimensões são para fins ilustrativos e outras dimensões podem ser usadas em outras modalidades.
[00201] Qualquer técnica de otimização adequada pode ser usada para estimar os parâmetros da rede neural a partir dos dados de treinamento. Por exemplo, uma ou mais das seguintes técnicas de otimização podem ser usadas: descida gradiente estocástica (SGD), descida gradiente de minilote, momentum SGD, gradiente acelerado de Nesterov, Adagrad, Adadelta, RMSprop, Estimativa de Momento Adaptativo (Adam), AdaMax, Estimativa de Momento Adaptativo Acelerado por Nesterov (Nadam), AMSGrad.
[00202] A Figura 11B mostra uma rede neural convolucional 1150 que pode ser usada para detectar um ou mais sintomas de um distúrbio neurológico, de acordo com algumas modalidades da tecnologia descrita no presente documento. A rede de aprendizado profundo descrita no presente
56 / 68 documento pode incluir a rede neural convolucional 1150 e adicionalmente ou alternativamente outro tipo de rede, adequado para detectar se o cérebro está exibindo um sintoma de um distúrbio neurológico e/ou para orientar a transmissão de um sinal acústico para uma região do cérebro. Por exemplo, a rede neural convolucional 1150 pode ser usada para detectar uma convulsão e/ou prever um local do cérebro para transmitir um sinal de ultrassom. Como mostrado, a rede neural convolucional compreende uma camada de entrada 1154 configurada para receber informações sobre a entrada 1152 (por exemplo, um tensor), uma camada de saída 1158 configurada para fornecer a saída (por exemplo, classificações em um espaço de representação n- dimensional) e uma pluralidade de camadas ocultas 1156 conectadas entre a camada de entrada 1154 e a camada de saída 1158. A pluralidade de camadas ocultas 1156 inclui camadas de convolução e pooling 1160 e camadas totalmente conectadas 1162.
[00203] A camada de entrada 1154 pode ser seguida por uma ou mais camadas de convolução e pooling 1160. Uma camada convolucional pode compreender um conjunto de filtros que são espacialmente menores (por exemplo, têm uma largura e/ou altura menor) do que a entrada para camada convolucional (por exemplo, a entrada 1152). Cada um dos filtros pode ser convolvido com a entrada para a camada convolucional para produzir um mapa de ativação (por exemplo, mapa de ativação bidimensional) indicativo das respostas desse filtro em cada posição espacial. A camada convolucional pode ser seguida por uma camada de pooling que faz uma amostragem inferior da saída de uma camada convolucional para reduzir suas dimensões. A camada de pooling pode usar qualquer uma de uma variedade de técnicas de pooling, como pooling máximo e/ou pooling médio global. Em algumas modalidades, a redução da amostragem pode ser realizada pela própria camada de convolução (por exemplo, sem uma camada de pooling) usando passadas.
57 / 68
[00204] As camadas de convolução e pooling 1160 podem ser seguidas por camadas totalmente conectadas 1162. As camadas totalmente conectadas 1162 podem compreender uma ou mais camadas, podem compreender uma ou mais camadas, cada uma com um ou mais neurônios que recebem uma entrada de uma camada anterior (por exemplo, uma camada convolucional ou pooling) e fornece uma saída para uma camada subsequente (por exemplo, a camada de saída 1158). As camadas totalmente conectadas 1162 podem ser descritas como “densas” porque cada um desses neurônios em uma determinada camada pode receber uma entrada de cada neurônio em uma camada anterior e fornecer uma saída para cada neurônio em uma camada subsequente. As camadas totalmente conectadas 1162 podem ser seguidas por uma camada de saída 1158 que fornece a saída da rede neural convolucional. A saída pode ser, por exemplo, uma indicação de qual classe, de um conjunto de classes, a entrada 1152 (ou qualquer parte da entrada 1152) pertence. A rede neural convolucional pode ser treinada usando um algoritmo do tipo de descida gradiente estocástico ou outro algoritmo adequado. A rede neural convolucional pode continuar a ser treinada até que a precisão em um conjunto de validação (por exemplo, uma porção mantida dos dados de treinamento) sature ou usando qualquer outro critério ou critério adequado.
[00205] Deve-se observar que a rede neural convolucional mostrada na Figura 11B é apenas uma implementação de exemplo e que outras implementações podem ser empregadas. Por exemplo, uma ou mais camadas podem ser adicionadas ou removidas da rede neural convolucional mostrada na Figura 11B. Camadas de exemplo adicionais que podem ser adicionadas à rede neural convolucional incluem: uma camada de preenchimento, uma camada de concatenação e uma camada superior. Uma camada superior pode ser configurada para aumentar a amostragem da entrada para a camada. Uma camada ReLU pode ser configurada para aplicar um retificador (às vezes referido como uma função de rampa) como uma função de transferência para
58 / 68 a entrada. Uma camada de preenchimento pode ser configurada para alterar o tamanho da entrada para a camada preenchendo uma ou mais dimensões da entrada. Uma camada concatenada pode ser configurada para combinar múltiplas entradas (por exemplo, combinar entradas de múltiplas camadas) em uma única camada.
[00206] Redes neurais convolucionais podem ser empregadas para realizar qualquer uma de uma variedade de funções descritas no presente documento. Deve-se observar que mais de uma rede neural convolucional pode ser empregada para fazer previsões em algumas modalidades. A primeira e segunda redes neurais podem compreender um arranjo diferente de camadas e/ou ser treinadas usando dados de treinamento diferente.
[00207] A Figura 11C mostra uma interface exemplificativa 1170 que inclui previsões de uma rede de aprendizado profundo, de acordo com algumas modalidades da tecnologia descrita no presente documento. A interface 1170 pode ser gerada para exibição em um dispositivo de computação, por exemplo, dispositivo de computação 308 ou outro dispositivo adequado. Um dispositivo usável, um dispositivo móvel, e/ou outro dispositivo adequado pode fornecer um ou mais sinais detectados do cérebro, por exemplo, um sinal de EEG ou outro sinal adequado, para o dispositivo de computação. Por exemplo, a interface 1170 mostra dados de sinal 1172 que incluem dados de sinal de EEG. Esses dados de sinal podem ser usados para treinar uma rede de aprendizado profundo para determinar se o cérebro está exibindo um sintoma de um distúrbio neurológico, por exemplo, uma convulsão ou outro sintoma adequado. A interface 1170 mostra ainda os dados de sinal de EEG 1174 com convulsões previstas e anotações do médico indicando uma convulsão. As convulsões previstas podem ser determinadas com base em uma saída da rede de aprendizado profundo. Os inventores desenvolveram essas redes de aprendizado profundo para detectar convulsões e constataram que as previsões correspondem de perto às
59 / 68 anotações de um neurologista. Por exemplo, como indicado na Figura 11C, os picos 1178, que indicam convulsões previstas, são encontrados sobrepostos ou quase sobrepostos com as anotações do médico 1176 indicando uma convulsão.
[00208] O dispositivo de computação, o dispositivo móvel, ou outro dispositivo adequado podem gerar uma parte da interface 1170 para avisar a pessoa e/ou um responsável quando a pessoa provavelmente terá uma convulsão e/ou quando a pessoa estará livre de convulsão. A interface 1170 gerada em um dispositivo móvel, por exemplo, dispositivo móvel 304, e/ou um dispositivo de computação, por exemplo, dispositivo de computação 308, pode exibir uma indicação 1180 ou 1182 para saber se uma convulsão é detectada ou não. Por exemplo, o dispositivo móvel pode exibir em tempo real risco de convulsão para uma pessoa que sofre de um distúrbio neurológico. No caso de uma convulsão, o dispositivo móvel pode alertar a pessoa, um responsável, ou outra entidade adequada. Por exemplo, o dispositivo móvel pode informar um responsável que uma convulsão está prevista nos próximos 30 minutos, próxima hora, ou outro período de tempo adequado. Em outro exemplo, o dispositivo móvel pode enviar alertas ao responsável quando uma convulsão ocorrer e/ou gravar a atividade convulsiva, como sinais do cérebro, para o responsável refinar o tratamento do distúrbio neurológico da pessoa.
ALGORITMOS EM CAMADAS PARA OTIMIZAR O CONSUMO DE ENERGIA E DESEMPENHO
[00209] Os inventores observaram que, para possibilitar que um dispositivo seja funcional com longas durações entre as cargas de bateria, pode ser necessário reduzir o consumo de energia tanto quanto possível. Pode haver pelo menos duas atividades que dominam o consumo de energia:
1. Executar algoritmos de aprendizado de máquina, por exemplo, uma rede de aprendizado profundo, para classificar o estado
60 / 68 cerebral com base em medições fisiológicas (por exemplo, convulsão vs. Não convulsão, ou medir o risco de ter convulsão em um futuro próximo, etc.); e/ou
2. Transmitir dados do dispositivo para um telefone móvel ou para um servidor para processamento posterior e/ou execução de algoritmos de aprendizado de máquina nos dados.
[00210] Em algumas modalidades, algoritmos menos intensivos em computação podem ser executados no dispositivo, por exemplo, um dispositivo usável e quando a saída do(s) algoritmo(s) excede um limite especificado, o dispositivo pode, por exemplo, ligar o rádio e transmitir os dados relevantes para um telefone móvel ou um servidor, por exemplo, um servidor de nuvem, para processamento posterior por meio de algoritmos mais intensivos de computação. Tomando o exemplo da detecção de convulsão, um algoritmo mais computacionalmente intensivo ou pesado pode ter uma baixa taxa de falso-positivo e uma baixa taxa de falso-negativo. Para obter um algoritmo menos computacionalmente intensivo ou leve, uma taxa ou outra pode ser sacrificada. Os inventores observaram que a chave é permitir mais falsos positivos, isto é, um algoritmo de detecção com alta sensibilidade (por exemplo, nunca perde uma verdadeira convulsão) e baixa especificidade (por exemplo, muitos falsos positivos, muitas vezes rotula os dados como uma convulsão quando não é convulsão). Sempre que o algoritmo leve do dispositivo rotula os dados como uma convulsão, o dispositivo pode transmitir os dados para o dispositivo móvel ou o servidor de nuvem para executar o algoritmo pesado. O dispositivo pode receber os resultados do algoritmo pesado e exibir esses resultados ao usuário. Dessa forma, o algoritmo leve não pode atuar como um filtro que reduz drasticamente a quantidade de energia consumida, por exemplo, reduzindo-se o poder de computação e/ou a quantidade de dados transmitidos, enquanto mantém o desempenho previsível de todo o sistema, incluindo o dispositivo, o telefone
61 / 68 móvel, e/ou o servidor de nuvem.
[00211] A Figura 12 mostra um diagrama de blocos para um dispositivo para monitoramento eficiente de energia do cérebro, de acordo com algumas modalidades da tecnologia descrita no presente documento. O dispositivo 1200, por exemplo, um dispositivo usável, pode incluir um componente de monitoramento 1202, por exemplo, um sensor, que é configurado para detectar um sinal, por exemplo, um sinal elétrico, um sinal mecânico, um sinal óptico, um sinal infravermelho, ou outro tipo adequado de sinal do cérebro da pessoa. Por exemplo, o sensor pode ser um sensor de EEG sensor e o sinal pode ser um sinal elétrico, como um sinal de EEG. O sensor pode ser disposto na cabeça da pessoa de uma maneira não invasiva.
[00212] O dispositivo 1200 pode incluir um processador 1206 em comunicação com o sensor. O processador 1206 pode ser programado para identificar uma condição de saúde, por exemplo, prever uma intensidade de um sintoma de um distúrbio neurológico, e com base na condição de saúde identificada, por exemplo, fornecer dados do sinal para um processador 1256 fora do dispositivo 1200 para corroborar ou contradizer a condição de saúde identificada, por exemplo, intensidade prevista.
[00213] A Figura 13 mostra um diagrama de fluxo 1300 para um dispositivo para monitoramento eficiente de energia do cérebro, de acordo com algumas modalidades da tecnologia descrita no presente documento.
[00214] Em 1302, o processador, por exemplo, processador 1206, pode receber, do sensor, dados do sinal detectado do cérebro.
[00215] Em 1304, o processador pode acessar um primeiro modelo estatístico treinado. O primeiro modelo estatístico pode ser treinado com o uso de dados de sinais anteriores detectados do cérebro.
[00216] Em 1306, o processador pode fornecer dados do sinal detectado do cérebro como entrada para o primeiro modelo estatístico treinado para obter uma saída identificando uma condição de saúde, por
62 / 68 exemplo, que indica uma intensidade prevista de um sintoma de um distúrbio neurológico.
[00217] Em 1308, o processador pode determinar se a intensidade prevista excede um limite que indica a presença do sintoma.
[00218] Em 1310, em resposta à intensidade prevista que excede o limite, o processador pode transmitir dados do sinal para um segundo processador fora do dispositivo. Em algumas modalidades, o segundo processador, por exemplo, processador 1256, pode ser programado para fornecer dados do sinal para um segundo modelo estatístico treinado para obter uma saída para corroborar ou contradizer a condição de saúde identificada, por exemplo, a intensidade prevista do sintoma.
[00219] Em algumas modalidades, o primeiro modelo estatístico treinado é treinado para ter sensibilidade e baixa especificidade. Em algumas modalidades, o segundo modelo estatístico treinado pode ser treinado para ter alta sensibilidade e alta especificidade. Portanto, o primeiro processador que usa o primeiro modelo estatístico treinado pode usar uma quantidade menor de energia do que o primeiro processador que usa o segundo modelo estatístico treinado.
EXEMPLO DE ARQUITETURA DE COMPUTADOR
[00220] Uma implementação ilustrativa de um sistema de computador 1400 que pode ser usado em conexão com qualquer uma das modalidades da tecnologia descrita no presente documento é mostrada na Figura 14. O sistema de computador 1400 inclui um ou mais processadores 1410 e um ou mais artigos de fabricação que compreendem meios de armazenamento legíveis por computador (por exemplo, memória 1420 e um ou mais meios de armazenamento não voláteis 1430). O processador 1410 pode controlar a gravação de dados e a leitura de dados da memória 1420 e o dispositivo de armazenamento não volátil 1430 de qualquer maneira adequada, uma vez que os aspectos da tecnologia descrita no presente documento não são limitados a
63 / 68 esse respeito. Para executar qualquer uma das funcionalidades descritas no presente documento, o processador 1410 pode executar uma ou mais instruções executáveis por processador armazenadas em um meio de armazenamento legível por computador não transitório (por exemplo, a memória 1420), que pode servir como um meio de armazenamento legível por computador não transitório que armazena instruções executáveis por processador para execução pelo processador 1410.
[00221] O dispositivo de computação 1400 também pode incluir uma interface de entrada/saída (I/O) 1440 por meio da qual o dispositivo de computação pode se comunicar com outros dispositivos de computação (por exemplo, através de uma rede) e também pode incluir uma ou mais interfaces de I/O de usuário 1450, por meio do qual o dispositivo de computação pode fornecer saída e receber entrada de um usuário. As interfaces de I/O do usuário podem incluir dispositivos como um teclado, um mouse, um microfone, um dispositivo de exibição (por exemplo, um monitor ou tela de toque), alto-falantes, uma câmera, e/ou vários outros tipos de dispositivos de I/O.
[00222] As modalidades descritas acima podem ser implementadas de várias maneiras. Por exemplo, as modalidades podem ser implementadas com o uso de hardware, software ou uma combinação dos mesmos. Quando implementado em software, o código de software pode ser executado em qualquer processador adequado (por exemplo, um microprocessador) ou coleção de processadores, se fornecido em um único dispositivo de computação ou distribuído entre vários dispositivos de computação. Deve-se observar que qualquer componente ou coleção de componentes que desempenham as funções descritas acima pode ser genericamente considerado como um ou mais controladores que controlam as funções discutidas acima. O um ou mais controladores podem ser implementados de várias maneiras, como com hardware dedicado ou com hardware de uso geral (por exemplo,
64 / 68 um ou mais processadores) que é programado usando microcódigo ou software para executar as funções citadas acima.
[00223] A esse respeito, deve-se observar que uma implementação das modalidades descritas no presente documento compreende pelo menos um meio de armazenamento legível por computador (por exemplo, RAM, ROM, EEPROM, memória flash ou outra tecnologia de memória, CD-ROM, discos versáteis digitais (DVD) ou outro armazenamento de disco óptico, cassetes magnéticos, fita magnética, armazenamento de disco magnético ou outros dispositivos de armazenamento magnético, ou outro meio de armazenamento legível por computador tangível e não transitório) codificado com um programa de computador (isto é, uma pluralidade de instruções executáveis) que, quando executado em um ou mais processadores, executa as funções discutidas acima de uma ou mais modalidades. O meio legível por computador pode ser transportável, de modo que o programa armazenado no mesmo possa ser carregado em qualquer dispositivo de computação para implementar aspectos das técnicas discutidas no presente documento. Além disso, deve-se observar que a referência a um programa de computador que, quando executado, executa qualquer uma das funções discutidas acima, não se limita a um programa de aplicativo em execução em um computador hospedeiro. Em vez disso, os termos programa de computador e software são usados no presente documento em um sentido genérico para fazer referência a qualquer tipo de código de computador (por exemplo, software de aplicativo, firmware, microcódigo, ou qualquer outra forma de instrução de computador) que pode ser empregado para programar um ou mais processadores para implementar aspectos das técnicas discutidas no presente documento.
[00224] Os termos “programa” ou “software” são usados no presente documento em um sentido genérico para se referir a qualquer tipo de código de computador ou conjunto de instruções executáveis por processador que podem ser empregados para programar um computador ou outro processador
65 / 68 para implementar vários aspectos das modalidades, como discutido acima. Adicionalmente, deve-se observar que de acordo com um aspecto, um ou mais programas de computador que, quando executados, executam métodos da revelação fornecida no presente documento, não precisam residir em um único computador ou processador, mas podem ser distribuídos de forma modular entre diferentes computadores ou processadores para implementar vários aspectos da revelação fornecida no presente documento.
[00225] As instruções executáveis por processador podem estar em muitas formas, como módulos de programas, executados por um ou mais computadores ou outros dispositivos. Geralmente, os módulos de programa incluem rotinas, programas, objetos, componentes, estruturas de dados, etc. que desempenham tarefas específicas ou implementam tipos de dados abstratos específicos. Normalmente, a funcionalidade dos módulos de programa pode ser combinada ou distribuída como desejado em várias modalidades.
[00226] Além disso, as estruturas de dados podem ser armazenadas em um meio de armazenamento legível por computador não transitório em qualquer forma adequada. Para simplificar a ilustração, as estruturas de dados podem ser mostradas para ter campos que são relacionados por meio da localização na estrutura de dados. Tais relações podem ser alcançadas da mesma forma atribuindo armazenamento para os campos com localizações em um meio legível por computador não transitório que transporta a relação entre os campos. No entanto, qualquer mecanismo adequado pode ser usado para estabelecer relacionamentos entre as informações nos campos de uma estrutura de dados, incluindo através do uso de ponteiros, etiquetas ou outros mecanismos que estabelecem relacionamentos entre elementos de dados.
[00227] Além disso, vários conceitos inventivos podem ser inseridos como um ou mais processos, dos quais exemplos foram fornecidos. Os atos realizados como parte de cada processo podem ser ordenados de qualquer
66 / 68 forma adequada. Consequentemente, as modalidades podem ser construídas nas quais os atos são realizados em uma ordem diferente da ilustrada, o que pode incluir o desempenho de alguns atos simultaneamente, embora mostrado como atos sequenciais em modalidades ilustrativas.
[00228] Todas as definições, como definido e usado no presente documento, devem ser entendidas como controlando as definições do dicionário e/ou significados comuns dos termos definidos.
[00229] Como usado no presente documento neste relatório descritivo e nas reivindicações, a frase “pelo menos um”, em referência a uma lista de um ou mais elementos, deve ser entendida como significando pelo menos um elementos selecionado a partir de qualquer um ou mais dos elementos na lista de elementos, mas não necessariamente incluindo pelo menos um de cada um dos elementos especificamente listados dentro da lista de elementos e não excluindo quaisquer combinações de elementos na lista de elementos. Essa definição também permite que elementos possam opcionalmente estar presentes diferentes dos elementos especificamente identificados dentro da lista de elementos aos quais a frase “pelo menos um” refere-se, sejam eles relacionados ou não aos elementos especificamente identificados. Assim, como um exemplo não limitativo, “pelo menos um dentre A e B” (ou, equivalentemente, “pelo menos um dentre A ou B”, ou, equivalentemente “pelo menos um dentre A e/ou B”) pode se referir, em uma modalidade, para pelo menos um, opcionalmente incluindo mais de um, A, sem B presente (e opcionalmente incluindo elementos diferentes de B); em outra modalidade, para pelo menos um, opcionalmente incluindo mais de um, B, sem A presente (e opcionalmente incluindo elementos diferentes de A); em ainda outra modalidade, para pelo menos um, opcionalmente incluindo mais de um, A, e para pelo menos um, opcionalmente incluindo mais de um, B (e opcionalmente incluindo outros elementos); etc.
[00230] A frase “e/ou”, como usado no presente documento no
67 / 68 relatório descritivo e nas reivindicações, deve ser entendida como significando “um ou ambos” dos elementos assim conjugados, isto é, elementos que estão conjuntivamente presentes em alguns casos e disjuntivamente presentes em outros casos. Vários elementos listados com “e/ou” devem ser interpretados da mesma maneira, isto é, “um ou mais” dos elementos assim conjugados. Outros elementos podem opcionalmente estar presentes além dos elementos especificamente identificados pela cláusula “e/ou”, sejam eles relacionados ou não a esses elementos especificamente identificados. Assim, como um exemplo não limitativo, uma referência a “A e/ou B”, quando usada em conjunto com linguagem aberta, como “compreendendo” pode se referir, em uma modalidade, a apenas A (opcionalmente incluindo elementos diferentes de B); em outra modalidade, a apenas B (opcionalmente incluindo elementos diferentes de A); em ainda outra modalidade, tanto para A quanto B (opcionalmente incluindo outros elementos); etc.
[00231] O uso de termos ordinais como “primeiro”, “segundo”, “terceiro”, etc., nas reivindicações para modificar um elemento de reivindicação não conota por si só qualquer prioridade, precedência, ou ordem de um elemento de reivindicação sobre outro ou a ordem temporal na qual os atos de um método são realizados. Esses termos são usados meramente como rótulos para distinguir um elemento de reivindicação com determinado nome de outro elemento com o mesmo nome (mas para uso do termo ordinal).
[00232] A fraseologia e terminologia usadas no presente documento são para fins de descrição e não devem ser consideradas como limitantes. O uso de “que inclui”, “que compreende”, “que tem”, “que contém”, “que envolve”, e variações dos mesmos, destina-se a abranger os itens listados a seguir e itens adicionais.
[00233] Tendo descrito várias modalidades das técnicas descritas no presente documento em detalhes, várias modificações e melhorias ocorrerão
68 / 68 prontamente para aqueles versados na técnica. Tais modificações e melhorias se destinam a estar dentro do espírito e escopo da revelação. Consequentemente, a descrição anterior é apenas a título de exemplo e não se destina a ser limitante. As técnicas são limitadas apenas como definido pelas seguintes reivindicações e seus equivalentes.
[00234] Alguns aspectos da tecnologia descrita no presente documento podem ser melhor compreendidos com base nas modalidades ilustrativas não limitativas descritas abaixo no Apêndice. Embora alguns aspectos no Apêndice, bem como outras modalidades descritas no presente documento, são descritas em relação ao tratamento de convulsões para epilepsia, esses aspectos e/ou modalidades podem ser igualmente aplicáveis ao tratamento de sintomas para qualquer distúrbio neurológico adequado. Quaisquer limitações das modalidades descritas abaixo no Apêndice são limitações apenas das modalidades descritas no Apêndice e não são limitações de quaisquer outras modalidades descritas no presente documento.

Claims (20)

REIVINDICAÇÕES
1. Dispositivo usável por uma pessoa, caracterizado pelo fato de que compreende: um sensor configurado para detectar um sinal do cérebro da pessoa; e um transdutor configurado para aplicar ao cérebro um sinal acústico, em que o sinal de ultrassom tem uma baixa densidade de potência e é substancialmente não destrutivo em relação ao tecido quando aplicado ao cérebro para evitar que o cérebro se acomode em um padrão que precede um sintoma de um distúrbio neurológico.
2. Dispositivo de acordo com a reivindicação 1, caracterizado pelo fato de que o sinal de ultrassom tem a baixa densidade de potência e é substancialmente não destrutivo em relação ao tecido quando aplicado a uma ou mais estruturas centralmente conectadas do cérebro.
3. Dispositivo de acordo com a reivindicação 1, caracterizado pelo fato de que o sinal de ultrassom tem uma resolução espacial entre 10 mm3 e 100 mm3.
4. Dispositivo de acordo com a reivindicação 1, caracterizado pelo fato de que o sinal de ultrassom tem uma resolução espacial entre 100 mm3 e 1000 mm3.
5. Dispositivo de acordo com a reivindicação 1, caracterizado pelo fato de que o sensor e o transdutor são dispostos na cabeça da pessoa de uma maneira não invasiva.
6. Dispositivo de acordo com a reivindicação 1, caracterizado pelo fato de que o sensor inclui um sensor de eletroencefalograma (EEG), e em que o sinal inclui um sinal de EEG.
7. Dispositivo de acordo com a reivindicação 1, caracterizado pelo fato de que o transdutor inclui um transdutor de ultrassom.
8. Dispositivo de acordo com a reivindicação 7, caracterizado pelo fato de que o sinal de ultrassom tem uma frequência entre 100 kHz e 1 MHz, uma resolução espacial entre 0,001 cm3 e 0,1 cm3, e/ou a baixa densidade de potência entre 1 e 100 watts/cm2 como medido pela intensidade média de pulso de pico espacial.
9. Dispositivo de acordo com a reivindicação 7, caracterizado pelo fato de que o sinal de ultrassom suprime o sintoma do distúrbio neurológico.
10. Dispositivo de acordo com a reivindicação 9, caracterizado pelo fato de que o distúrbio neurológico inclui um ou mais dentre acidente vascular cerebral, doença de Parkinson, enxaqueca, tremores, demência frontotemporal, lesão cerebral traumática, depressão, ansiedade, doença de Alzheimer, demência, esclerose múltipla, esquizofrenia, dano cerebral, neurodegeneração, doença do sistema nervoso central (SNC), encefalopatia, doença de Huntington, autismo, transtorno de déficit de atenção e hiperatividade (TDAH), esclerose lateral amiotrófica (ELA), e concussão.
11. Dispositivo de acordo com a reivindicação 9, caracterizado pelo fato de que o sintoma inclui convulsão.
12. Dispositivo de acordo com a reivindicação 1, caracterizado pelo fato de que o sinal compreende um sinal elétrico, um sinal mecânico, um sinal óptico, e/ou um sinal infravermelho.
13. Método para operar um dispositivo usável por uma pessoa, sendo que o dispositivo inclui um sensor configurado para detectar um sinal do cérebro da pessoa e um transdutor configurado para aplicar ao cérebro um sinal de ultrassom, caracterizado pelo fato de que compreende: aplicar ao cérebro o sinal de ultrassom, em que o sinal de ultrassom tem uma baixa densidade de potência e é substancialmente não destrutivo em relação ao tecido quando aplicado ao cérebro.
14. Método de acordo com a reivindicação 13, caracterizado pelo fato de que o sinal de ultrassom tem uma resolução espacial entre 10 mm3 e 100 mm3.
15. Método de acordo com a reivindicação 13, caracterizado pelo fato de que o sinal de ultrassom tem uma resolução espacial entre 100 mm3 e 1000 mm3.
16. Método, caracterizado pelo fato de que compreende: aplicar ao cérebro de uma pessoa, por um dispositivo usado por ou conectado à pessoa, um sinal de ultrassom para evitar que o cérebro se acomode em um padrão que precede um sintoma de um distúrbio neurológico.
17. Aparelho, caracterizado pelo fato de que compreende: um dispositivo usado por ou conectado a uma pessoa, que inclui um sensor configurado para detectar um sinal do cérebro da pessoa e um transdutor configurado para aplicar ao cérebro um sinal de ultrassom, em que o sinal de ultrassom tem uma baixa densidade de potência e é substancialmente não destrutivo em relação ao tecido quando aplicado ao cérebro.
18. Aparelho de acordo com a reivindicação 17, caracterizado pelo fato de que o sinal de ultrassom tem a baixa densidade de potência e é substancialmente não destrutivo em relação ao tecido quando aplicado a uma ou mais estruturas centralmente conectadas do cérebro para evitar que o cérebro se acomode em um padrão que precede um sintoma de um distúrbio neurológico.
19. Aparelho de acordo com a reivindicação 17, caracterizado pelo fato de que o sinal de ultrassom tem uma resolução espacial entre 10 mm3 e 100 mm3.
20. Aparelho de acordo com a reivindicação 17, caracterizado pelo fato de que o sinal de ultrassom tem uma resolução espacial entre 100 mm3 e 1000 mm3.
BR112021011242-1A 2018-12-13 2019-12-13 Dispositivo usável, método para operar um dispositivo usável, e, aparelho BR112021011242A2 (pt)

Applications Claiming Priority (17)

Application Number Priority Date Filing Date Title
US201862779188P 2018-12-13 2018-12-13
US62/779,188 2018-12-13
US201962822709P 2019-03-22 2019-03-22
US201962822684P 2019-03-22 2019-03-22
US201962822697P 2019-03-22 2019-03-22
US201962822675P 2019-03-22 2019-03-22
US201962822668P 2019-03-22 2019-03-22
US201962822679P 2019-03-22 2019-03-22
US201962822657P 2019-03-22 2019-03-22
US62/822,657 2019-03-22
US62/822,697 2019-03-22
US62/822,709 2019-03-22
US62/822,668 2019-03-22
US62/822,675 2019-03-22
US62/822,679 2019-03-22
US62/822,684 2019-03-22
PCT/US2019/066249 WO2020123953A1 (en) 2018-12-13 2019-12-13 Systems and methods for a wearable device for substantially non-destructive acoustic stimulation

Publications (1)

Publication Number Publication Date
BR112021011242A2 true BR112021011242A2 (pt) 2021-08-24

Family

ID=71072240

Family Applications (5)

Application Number Title Priority Date Filing Date
BR112021011231-6A BR112021011231A2 (pt) 2018-12-13 2019-12-13 Dispositivo usável, método para operar um dispositivo usável, e, aparelho
BR112021011280-4A BR112021011280A2 (pt) 2018-12-13 2019-12-13 Dispositivo, método para operar um dispositivo, e, aparelho
BR112021011242-1A BR112021011242A2 (pt) 2018-12-13 2019-12-13 Dispositivo usável, método para operar um dispositivo usável, e, aparelho
BR112021011297-9A BR112021011297A2 (pt) 2018-12-13 2019-12-13 Dispositivo usável, método para operar um dispositivo usável, e, aparelho
BR112021011270-7A BR112021011270A2 (pt) 2018-12-13 2019-12-13 Dispositivo, método para operar um dispositivo, e, aparelho

Family Applications Before (2)

Application Number Title Priority Date Filing Date
BR112021011231-6A BR112021011231A2 (pt) 2018-12-13 2019-12-13 Dispositivo usável, método para operar um dispositivo usável, e, aparelho
BR112021011280-4A BR112021011280A2 (pt) 2018-12-13 2019-12-13 Dispositivo, método para operar um dispositivo, e, aparelho

Family Applications After (2)

Application Number Title Priority Date Filing Date
BR112021011297-9A BR112021011297A2 (pt) 2018-12-13 2019-12-13 Dispositivo usável, método para operar um dispositivo usável, e, aparelho
BR112021011270-7A BR112021011270A2 (pt) 2018-12-13 2019-12-13 Dispositivo, método para operar um dispositivo, e, aparelho

Country Status (12)

Country Link
US (7) US20210146164A9 (pt)
EP (7) EP3893996A1 (pt)
JP (5) JP2022512254A (pt)
KR (5) KR20210102306A (pt)
CN (5) CN113301952A (pt)
AU (7) AU2019397537A1 (pt)
BR (5) BR112021011231A2 (pt)
CA (7) CA3122273A1 (pt)
IL (5) IL283727A (pt)
MX (5) MX2021007041A (pt)
TW (7) TW202029928A (pt)
WO (7) WO2020123950A1 (pt)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2022512254A (ja) * 2018-12-13 2022-02-02 リミナル サイエンシズ インコーポレイテッド 実質的に非破壊的な音響刺激のためのウェアラブルデバイス用のシステムおよび方法
US11850427B2 (en) 2019-12-02 2023-12-26 West Virginia University Board of Governors on behalf of West Virginia University Methods and systems of improving and monitoring addiction using cue reactivity
EP4157445A1 (en) * 2020-05-27 2023-04-05 Attune Neurosciences, Inc. Ultrasound systems and associated devices and methods for modulating brain activity
EP3971911A1 (en) * 2020-09-17 2022-03-23 Koninklijke Philips N.V. Risk predictions
US20220110604A1 (en) * 2020-10-14 2022-04-14 Liminal Sciences, Inc. Methods and apparatus for smart beam-steering
CN112465264A (zh) * 2020-12-07 2021-03-09 湖北省食品质量安全监督检验研究院 食品安全风险等级预测方法、装置及电子设备
EP4255287A2 (en) 2020-12-07 2023-10-11 University College Cork - National University of Ireland, Cork Method and intraoral scanner for detecting the topography of the surface of a translucent object, in particular a dental object
CN113094933B (zh) * 2021-05-10 2023-08-08 华东理工大学 基于注意力机制的超声波损伤检测分析方法及其应用
US11179089B1 (en) 2021-05-19 2021-11-23 King Abdulaziz University Real-time intelligent mental stress assessment system and method using LSTM for wearable devices
CA3226161A1 (en) * 2021-07-16 2023-01-19 Zimmer Us, Inc. Dynamic sensing and intervention system
WO2023115558A1 (en) * 2021-12-24 2023-06-29 Mindamp Limited A system and a method of health monitoring
US20230409703A1 (en) * 2022-06-17 2023-12-21 Optum, Inc. Prediction model selection for cyber security

Family Cites Families (33)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9042988B2 (en) * 1998-08-05 2015-05-26 Cyberonics, Inc. Closed-loop vagus nerve stimulation
US6678548B1 (en) * 2000-10-20 2004-01-13 The Trustees Of The University Of Pennsylvania Unified probabilistic framework for predicting and detecting seizure onsets in the brain and multitherapeutic device
US8187181B2 (en) * 2002-10-15 2012-05-29 Medtronic, Inc. Scoring of sensed neurological signals for use with a medical device system
WO2004107963A2 (en) * 2003-06-03 2004-12-16 Allez Physionix Limited Non-invasive determination of intracranial pressure via acoustic transducers
US9820658B2 (en) * 2006-06-30 2017-11-21 Bao Q. Tran Systems and methods for providing interoperability among healthcare devices
US7733224B2 (en) * 2006-06-30 2010-06-08 Bao Tran Mesh network personal emergency response appliance
US7558622B2 (en) * 2006-05-24 2009-07-07 Bao Tran Mesh network stroke monitoring appliance
WO2008057365A2 (en) * 2006-11-02 2008-05-15 Caplan Abraham H Epileptic event detection systems
US20080161712A1 (en) * 2006-12-27 2008-07-03 Kent Leyde Low Power Device With Contingent Scheduling
US9443141B2 (en) * 2008-06-02 2016-09-13 New York University Method, system, and computer-accessible medium for classification of at least one ICTAL state
CN102791332A (zh) * 2009-11-04 2012-11-21 代理并代表亚利桑那州立大学的亚利桑那董事会 调节大脑活动的设备和方法
US20140194726A1 (en) * 2013-01-04 2014-07-10 Neurotrek, Inc. Ultrasound Neuromodulation for Cognitive Enhancement
US20160001096A1 (en) * 2009-11-11 2016-01-07 David J. Mishelevich Devices and methods for optimized neuromodulation and their application
US20120283604A1 (en) * 2011-05-08 2012-11-08 Mishelevich David J Ultrasound neuromodulation treatment of movement disorders, including motor tremor, tourette's syndrome, and epilepsy
WO2013142908A1 (en) * 2012-03-29 2013-10-03 The University Of Queensland A method and apparatus for processing patient sounds
WO2013152035A1 (en) * 2012-04-02 2013-10-10 Neurotrek, Inc. Device and methods for targeting of transcranial ultrasound neuromodulation by automated transcranial doppler imaging
US20140303424A1 (en) * 2013-03-15 2014-10-09 Iain Glass Methods and systems for diagnosis and treatment of neural diseases and disorders
US20150068069A1 (en) * 2013-07-27 2015-03-12 Alexander Bach Tran Personally powered appliance
CN104623808B (zh) * 2013-11-14 2019-02-01 先健科技(深圳)有限公司 脑深部刺激系统
US9498628B2 (en) * 2014-11-21 2016-11-22 Medtronic, Inc. Electrode selection for electrical stimulation therapy
CN104548390B (zh) * 2014-12-26 2018-03-23 中国科学院深圳先进技术研究院 一种获得用于发射穿颅聚焦超声的超声发射序列的方法及系统
WO2016110804A1 (en) * 2015-01-06 2016-07-14 David Burton Mobile wearable monitoring systems
US10098539B2 (en) * 2015-02-10 2018-10-16 The Trustees Of Columbia University In The City Of New York Systems and methods for non-invasive brain stimulation with ultrasound
US20160243381A1 (en) * 2015-02-20 2016-08-25 Medtronic, Inc. Systems and techniques for ultrasound neuroprotection
CN104857640A (zh) * 2015-04-22 2015-08-26 燕山大学 一种闭环式经颅超声脑刺激装置
CA3001317A1 (en) * 2015-10-08 2017-04-13 Brain Sentinel, Inc. Method and apparatus for detecting and classifying seizure activity
CN108778140A (zh) * 2016-01-05 2018-11-09 神经系统分析公司 用于确定临床指征的系统和方法
US20170258390A1 (en) * 2016-02-12 2017-09-14 Newton Howard Early Detection Of Neurodegenerative Disease
CN105943031B (zh) * 2016-05-17 2018-12-07 西安交通大学 可穿戴经颅超声神经刺激与电生理记录联合系统与方法
US10360499B2 (en) * 2017-02-28 2019-07-23 Anixa Diagnostics Corporation Methods for using artificial neural network analysis on flow cytometry data for cancer diagnosis
CN107485788B (zh) * 2017-08-09 2020-05-22 李世俊 一种驱动磁刺激仪线圈位置自动调整的磁共振导航装置
US11810670B2 (en) * 2018-11-13 2023-11-07 CurieAI, Inc. Intelligent health monitoring
JP2022512254A (ja) * 2018-12-13 2022-02-02 リミナル サイエンシズ インコーポレイテッド 実質的に非破壊的な音響刺激のためのウェアラブルデバイス用のシステムおよび方法

Also Published As

Publication number Publication date
US20210138275A9 (en) 2021-05-13
TW202106232A (zh) 2021-02-16
US20200188700A1 (en) 2020-06-18
JP2022513911A (ja) 2022-02-09
EP3893996A1 (en) 2021-10-20
WO2020123948A1 (en) 2020-06-18
EP3893998A1 (en) 2021-10-20
TW202037391A (zh) 2020-10-16
CA3122274A1 (en) 2020-06-18
CA3121792A1 (en) 2020-06-18
CN113329692A (zh) 2021-08-31
IL283731A (en) 2021-07-29
CA3122104A1 (en) 2020-06-18
US20200188697A1 (en) 2020-06-18
TW202031197A (zh) 2020-09-01
IL283729A (en) 2021-07-29
WO2020123935A1 (en) 2020-06-18
AU2019396555A1 (en) 2021-07-15
BR112021011270A2 (pt) 2021-08-31
EP3893743A1 (en) 2021-10-20
CA3122273A1 (en) 2020-06-18
EP3893997A1 (en) 2021-10-20
WO2020123950A1 (en) 2020-06-18
TW202034844A (zh) 2020-10-01
KR20210102305A (ko) 2021-08-19
US20200188701A1 (en) 2020-06-18
CN113301952A (zh) 2021-08-24
JP2022513910A (ja) 2022-02-09
MX2021007010A (es) 2021-10-14
WO2020123953A8 (en) 2020-08-13
WO2020123954A1 (en) 2020-06-18
JP2022513241A (ja) 2022-02-07
AU2019395260A1 (en) 2021-07-15
CA3121810A1 (en) 2020-06-18
MX2021007042A (es) 2021-10-22
WO2020123955A1 (en) 2020-06-18
CN113382684A (zh) 2021-09-10
MX2021007041A (es) 2021-10-22
JP2022512254A (ja) 2022-02-02
EP3893745A1 (en) 2021-10-20
BR112021011280A2 (pt) 2021-08-31
US20210146164A9 (en) 2021-05-20
IL283727A (en) 2021-07-29
JP2022512503A (ja) 2022-02-04
IL283932A (en) 2021-07-29
US20200188699A1 (en) 2020-06-18
US20210138276A9 (en) 2021-05-13
KR20210102304A (ko) 2021-08-19
WO2020123953A1 (en) 2020-06-18
BR112021011231A2 (pt) 2021-08-24
US20200188702A1 (en) 2020-06-18
WO2020123968A1 (en) 2020-06-18
IL283816A (en) 2021-07-29
KR20210102307A (ko) 2021-08-19
US20200188698A1 (en) 2020-06-18
MX2021007033A (es) 2021-10-22
BR112021011297A2 (pt) 2021-08-31
CN113301953A (zh) 2021-08-24
MX2021007045A (es) 2021-10-22
CA3121751A1 (en) 2020-06-18
AU2019395257A1 (en) 2021-07-15
AU2019395261A1 (en) 2021-07-15
EP3893743A4 (en) 2022-09-28
CA3122275A1 (en) 2021-06-18
TW202029928A (zh) 2020-08-16
KR20210102306A (ko) 2021-08-19
EP3893999A1 (en) 2021-10-20
AU2019397537A1 (en) 2021-07-15
EP3893744A1 (en) 2021-10-20
CN113301951A (zh) 2021-08-24
AU2019396603A1 (en) 2021-07-15
US20200194120A1 (en) 2020-06-18
KR20210102308A (ko) 2021-08-19
TW202037390A (zh) 2020-10-16
TW202037389A (zh) 2020-10-16
AU2019396606A1 (en) 2021-07-15

Similar Documents

Publication Publication Date Title
BR112021011242A2 (pt) Dispositivo usável, método para operar um dispositivo usável, e, aparelho

Legal Events

Date Code Title Description
B11A Dismissal acc. art.33 of ipl - examination not requested within 36 months of filing
B11Y Definitive dismissal - extension of time limit for request of examination expired [chapter 11.1.1 patent gazette]