CN101489475A - Eeg分析系统 - Google Patents

Abstract

一种用于分析代表脑活动的脑电图信号的方法，其包括i)为一部分所述信号的信号表示产生系数数据；ii)产生代表输出信号的平均幅值的第一增益数据，该输出信号是基于所述信号表示和所述系数数据而产生的；iii)产生代表所述部分的平均幅值的第二增益数据；以及iv)基于所述第一增益数据和所述第二增益数据，产生代表所述脑的下皮层活动的脑状态数据。

Description

EEG分析系统

技术领域

【0001】本发明涉及用于分析脑电图(EEG)信号以产生代表脑活动的显示的方法和系统。

背景技术

【0002】用于量化脑的功能状态的方法可能涉及到分析来自实验对象的自发的或者刺激锁定的头皮可记录的电活动。这可能涉及到分析早期、中期和/或后期的刺激诱发成分的波长(例如，如在国际专利公布WO2001/74248中所描述的)；或者使用频域或时域方法对自发记录的活动(不是对特定的或普通的刺激的响应)的光谱分析(例如，如在欧洲专利申请EP0898234中所描述的)；或者在其中自发的和诱发的EEG活动都被分析以确定脑状态的混合方法(例如，如在国际专利公布WO2004/054441中描述的)。

【0003】尽管当使用适当构建的统计判别函数时，这些方法已显示出具有临床效果，但是不清楚这些测量反映的行为和脑功能的生理学性质是怎样的。例如，使用这些方法探测到的可能是EMG(肌电图)活动的变化而不是EEG活动的变化。Messner报告(在Anesth Analg，2003，97，448-491页中发表)描述了对于完全清醒的人在神经肌肉阻断的情况下双光谱指数如何下降。然而，Liley等人在最近对负责产生有节奏的头皮可记录脑电活动的生物学机制的理论和实验研究中(如在国际专利公布WO2004/064633和其引用的参考文献中描述的)提供了特定的理论框架，该理论框架使得能够构建更偏向生理学的特定脑功能测量。

【0004】在健康、疾病和治疗干预中对脑状态进行估计时，重要的是区分由脑(皮层)功能改变导致发生脑状态变化和由对大脑皮层的输入的改变导致发生的脑状态变化。虽然对各种事件相关电位(ERP)的早期成分的分析可能提供关于皮层的各种输入路径的完整性信息，但是由于并非所有的皮层区域都是外围获得的感官信息的接收者，该技术不可避免地受到限制。例如，前额皮层既不直接地也不间接地(通过下皮层核)接受任何感官信息。该方法的另一个局限性是，为了获得足够的信噪比，必须确定多个顺次出现的刺激的诱发响应，这明显地限制了所获得的结果的时间分辨率。然而，有一些方法试图通过使用一些预测算法(例如，在国际专利公布WO2001/74248中所描述的)提高时间分辨率。

【0005】涉及使用时域或频域方法的光谱分析的定量EEG(QEEG)方法(例如，在欧洲专利申请EP0898234中所描述的)不能分辨皮层输入的变化和大脑(皮层)状态的变化，这是因为这种技术不能对EEG光谱功率的改变的生理源作出假设。原则上这是当前QEEG方法的试探方法的结果。

【0006】因此，不易确定来自实验对象的EEG信号的改变是由于皮层输入(例如，到大脑的不同区域)的变化导致的，还是皮层对这一输入的响应的量化和定量变化的结果。

【0007】因此，需要解决上述的一个或更多的问题，或者至少提供有用的替代。

发明内容

【0008】根据本发明，提供了用于分析代表脑活动的脑电图信号的方法，其包括：

i)为一部分所述信号的信号表示产生系数数据；

ii)产生代表输出信号的平均幅值的第一增益数据，该输出信号是基于所述信号表示和所述系数数据而产生的；

iii)产生代表所述部分的平均幅值的第二增益数据；以及

iv)基于所述第一增益数据和所述第二增益数据，产生代表所述脑的下皮层活动的脑状态数据。

本发明还提供用于分析代表脑活动的脑电图信号的系统，该系统包括处理器模块，该处理器模块适于：

i)为一部分所述信号的信号表示产生系数数据；

ii)产生代表输出信号的平均幅值的第一增益数据，该输出信号是基于所述信号表示和所述系数数据而产生的；

iii)产生代表所述部分的平均幅值的第二增益数据；以及

iv)基于所述第一增益数据和所述第二增益数据，产生代表所述脑的下皮层活动的脑状态数据。

【0009】本发明也提供了存储在计算机可读介质上用于执行上述方法的任何步骤的计算机可执行代码。

【0010】本发明也提供了用于执行上述方法的系统。

附图说明

【0011】参照附图，仅用于举例的目的，本文描述了本发明的优选实施例，其中：

图1是EEG处理系统中的部件的框图；

图2是在EEG处理系统控制下执行的步骤的流程图；

图3是该系统的EEG记录界面；

图4是在复查状态下的该系统的EEG记录界面；

图5是该系统的传感器诊断界面；

图6是该系统的设置界面；

图7是该系统的日期/时间设置界面；

图8是该系统的系统配置界面；

图9是该系统的输出设置界面。

具体实施方式

【0012】如图1所示，脑电图(EEG)处理系统100包括信号处理模块106、响应指数计算模块108、完整性测试模块110、存储器模块112、显示处理器模块114、数据导出模块116以及配置模块120。模块106和模块110被耦连到置于实验对象的头皮上的多个头皮电极102。这些电极102根据国际10:20标准系统被置于该实验对象的头皮上，并且可能包括根据需要使用的附加中点电极。例如，电极102可能被附连到带上，该带将这些电极置于和实验对象的前额的中点相对。虽然这些电极102优选地被连接到耳朵并且使用鼻根部作为基底被附连到电极帽上，但也可以使用其他的电极布置。这些电极102探测来自实验对象的头皮的EEG信号，该信号接着被EEG处理系统100所接受和处理。

【0013】EEG处理系统100的部件可能在软件中实现并且在运行标准操作系统(诸如Microsoft Windows^TM或Unix)的标准计算机(诸如由IBM公司<http://www.ibm.com>提供的标准计算机)上执行。本领域的技术人员也应理解由这些部件执行的处理也可以至少部分地由例如专用集成电路(ASIC)或者现场可编程门阵列(FPGA)的专用硬件电路来执行。系统100的部件可能被实现为硬件、嵌入式固件和软件的组合。

【0014】信号处理模块106接收和放大由电极102所探测到的EEG信号，并且通过对来自EEG信号的低频运动伪差、肌电图(EMG)伪差和/或主干扰噪声(一般在20Hz到75Hz范围内)进行滤波来执行初步信号伪差抑制。例如，模块106在将带通滤波器(例如，低通滤波器)施加到在0Hz到60Hz中某处的信号上之前，可能使用50-60Hz陷波滤波器对探测到的EEG信号进行滤波。模块106接着使用标准模数转换部件产生代表EEG信号的数字取样。可能以固定速率(诸如每秒128到512个取样)以及优选地不小于14比特分辨率的条件下使EEG信号数字化。

【0015】响应指数计算模块108可能执行进一步的信号伪差抑制，包括从数字EEG信号中去除未被信号处理模块106去除的附加伪差，其可能危害后续的ARMA模型系数的估计。这涉及使用各种手段和算法去除50-60Hz的主污染，诸如使用最小均方自适应滤波。

【0016】响应指数计算模块108接着将这些取样存储到存储器112中，并且根据由用户选定的处理选项处理这些取样。用户可以选择这样的处理选项：其控制响应指数计算模块108以存储为EEG记录会话产生的取样，以及取回和处理所存储的取样。由模块108执行的处理涉及产生多个段，每个段包括预定数量的连续取样(例如，代表EEG信号的两秒的部分)。模块108可能基于增量(或者“滑动窗口”)方法产生多个段，例如，通过在预定的时间间隔产生新段从而每个新段包括一个或多于一个由信号处理模块106产生的新取样以及由模块106先前产生的取样。模块108基于每个段的各自的取样产生每个段的EEG信号的时不变(time invariant)自回归移动平均(ARMA)表示(例如，基于公式2)。模块108接着基于各自的时不变ARMA表示产生脑响应数据。

【0017】每个段/EEG取样点的脑响应数据包括(i)代表自回归(AR)系数和移动平均(MA)系数的系数数据；(ii)代表基于该系数数据确定的复平面上的一个或多于一个极点位置的极点数据；(iii)代表基于该系数数据确定的复平面上的一个或多于一个零点位置的零点数据；以及(iv)代表由极点数据确定的平均极点位置的平均极点数据。

【0018】用户可以选择不同的处理选项，此选项控制响应指数计算模块108来将取样存储在存储器112中并且基于递归方法处理这些取样。由模块108执行的处理涉及为EEG信号的每个顺次取样点产生一部分EEG信号的时变ARMA表示。取样点可能对应于模块106产生的每个各自的取样，或者替代地，模块108在预定的时间间隔选择新的取样点。基于EEG信号的固定阶数的时变ARMA表示，模块108递归地(例如，基于公式3)为每个取样点分别产生系数数据，其取决于针对当前取样点以及多个先前取样点的被取样EEG信号数值，并取决于和先前EEG取样点相对应的系数数据。模块108接着基于该取样点的对应系数数据为每个取样点产生极点数据、零点数据和/或平均极点数据。

【0019】由模块108执行的处理包括为每个段/取样点的ARMA表示产生AR系数和MA系数，且每个ARMA表示具有在8到13之间的AR阶数和在5到11之间的MA阶数。然而，ARMA表示优选地具有阶数为8的AR和阶数为5的MA。为每个段/取样点产生的AR系数和MA系数使能对应的ARMA表示(当使用AR系数和MA系数作为参数时)代表对应的段/取样点的EEG信号。

【0020】每个段中的取样代表EEG信号的不同部分，相邻段中的取样可能重叠并且代表EEG信号的公共部分。例如，一个段可能包括在紧接着该段前面的另一个段所包含的取样的50％。相邻段中的取样的重叠程度可能变化，更大的重叠程度(例如，共用超过50％的取样)使能对AR系数和MA系数的更好估计。因此，可以基于AR系数和MA系数提供实验对象的脑功能和/或下皮层输入/活动的水平的更准确表示。

【0021】响应指数计算模块108接着基于对应的脑响应数据为每个段/取样点生成指数数据和乘积数据，并且将该指数数据和乘积数据存储在存储器112中。该乘积数据代表乘积值，该乘积值代表输入到实验对象的大脑的下皮层输入水平，且该乘积值是基于相应段/取样点的EEG取样、系数数据和ARMA表示产生的。该乘积值可能被定标到落入预定义的范围内(例如，包含端点从0到100，基于公式13或者14)。较大的乘积值代表输入到实验对象的大脑的下皮层输入的较高水平，而较低的乘积值代表下皮层输入的较低水平。

【0022】指数数据代表指数数值，该指数数值代表实验对象的大脑的功能状态(即，大脑响应对大脑的下皮层输入的方式)，且其基于平均极点数据而产生。该指数数值可能被定标落入预定义的范围内(例如，包含端点从0到100，基于公式13或者14)。脑功能的降低或者抑制(例如，由于对实验对象引入降低下皮层反应的麻醉试剂所导致)导致模块108产生小的指数数值以代表脑的低功能状态。例如，指数数值为0代表没有脑活动。当脑功能正常或者未被抑制时(例如，在没有影响皮层的干涉条件下神志的正常警觉状态中)，模块108中的结果产生大的指数数值以代表脑较高的功能水平。例如，指数数值为100代表完全清醒状态的大脑。实验对象的大脑的功能状态的变化可能由不同段/窗口的指数数值的值的变化来确定。本发明的优势在于对实验对象的大脑的功能的估计将固有的皮层状态所导致的脑活动程度考虑进去。

【0023】响应指数计算模块108将脑响应数据、指数数据和/或乘积数据(总称为脑状态数据)传送到显示处理器模块114，以产生代表用于显示设备104(例如，CRT或者LCD显示器)的一个或多于一个用户界面显示的显示数据。显示处理器模块114可能从输入设备118(例如，多键数据输入设备或者鼠标)接收用户输入，同时产生用于显示设备104的显示数据。在一个实施例中，输入设备118和显示设备104被组合为一个I/O设备(例如，触摸显示屏)，从而显示处理器模块114从同一个I/O设备接受并向同一个I/O设备发送显示数据。基于从存储器112取回的脑响应数据、指数数据和/或乘积数据，该显示处理器模块114可能还产生一个或多于一个显示界面。图3和图7是由模块114产生的用户显示界面的例子。

【0024】图3是由显示模块114在使用滑动窗口选项处理EEG信号时产生的EEG记录界面300。界面300包括监视器选项卡(tab)308，传感器检测选项卡312以及设置选项卡314，用于访问与EEG处理系统100执行的不同功能相关联的用户界面。界面300是在监视器选项卡308下产生的，并且包括基于指数数据产生的脑响应指数302、代表脑响应指数302的数值在时间上的变化的脑响应图304以及代表基于EEG取样产生的被探测EEG信号的EEG图306。界面300包括允许用户开始和结束由EEG处理系统100执行的EEG记录/监视会话的控制按钮310。界面300还包括用于显示信息的字段，诸如显示当前日期/时间的日期/时间字段332，以及用于显示用户选择的处理选项以及当前在界面300上显示的记录数据的创建日期/时间的状态字段320。界面300包括可调整滚动条334，该滚动条允许用户选择图304和/或306的视图部分以显示在界面300上。

【0025】界面300可能包括用于记录与每个各自按钮相关联的事件的一个或多于一个事件标志按钮324、326和328。例如，按钮324可能用于指示实验对象在麻醉中失去意识的时间，而按钮326可能用来指示实验对象恢复意识的时间。每个按钮324、326、328与不同的颜色相关联，并且当用户选择按钮324、336、328时，在脑响应图304上产生对应颜色的线，该线对应于该按钮被操作的时间。在脑响应图304上记录的事件的时间位置被存储在存储器112中。

【0026】基于脑响应指数302产生记录界面300的脑响应图304，从而产生一部分的图304以便显示对应于响应指数302的数值的预定范围的颜色，其中用不同的颜色代表每个预定义范围。例如，如果指数302在0到20之间(含边界)，则以第一颜色(例如，以蓝色)显示图304下的对应字段。如果指数302在21到40之间(含边界)，则以第二颜色(例如，以深绿色，如图3中条目318所示)显示图304下的对应字段。如果指数302在41到60之间(含边界)，则以第三颜色(例如，以浅绿色)显示图304下的对应字段。如果指数302在61到80之间(含边界)，则以第四颜色(例如，以橙色，如图3中条目316所示)显示图304下的对应字段。如果指数302在81到100之间(含边界)，则以第五颜色(例如，以红色)显示图304下的对应字段。记录界面300可能包括基于乘积数据所产生的类似的图，例如，产生该图的一部分以显示对应于乘积数值的预定范围的颜色，其中用不同的颜色代表每个预定义范围。

【0027】图4是在复查状态下的EEG记录界面300，即，当用户已经操作控制按钮310以停止系统100处理EEG信号时的EEG记录界面。如图4所示，状态字段320显示出指示处理已经停止的消息。界面300也包括删除按钮332和存储位置字段330(例如，作为下拉菜单)，该删除按钮332用于删除存储器112中与最近的EEG记录相关联的数据，该存储位置字段330用于用户指定存储位置(例如，文件路径和名字)和/或参数以导出与当前EEG记录相关联的数据。

【0028】图5是由显示模块114在用户选择传感器检测选项卡312时生成的传感器诊断界面500。诊断界面500允许用户控制用于验证电极102的操作状态的诊断过程。系统100在诊断过程的控制下测量每个各自电极之间的阻抗并且将它与参考值相比较。诊断界面500包括对应于每个各自电极的旗标502、504、506，如果该电极具有超过用于准确工作所需的范围的阻抗(例如，如果高于5—10千欧姆)，则特定电极的旗标被着色。

【0029】图6是显示模块114在用户选择设置选项卡314时产生的设置界面。该设置界面包括显示设置选项卡602、日期/时间设置选项卡604、系统配置选项卡606、输出设置选项卡608以及打印机设置选项卡610，用于访问用户界面以配置EEG处理系统100的操作参数。显示模块114在用户选择显示设置选项卡602时产生显示设置界面600。界面600包括用于用户选择和/或配置以下内容的字段：每个阈值脑响应指数水平/范围以及它们对应的颜色；与每个事件标志按钮324、326、328相关联的事件；显示刷新率；显示平滑参数；以及脑响应图304和/或EEG图306的扫描速度和灵敏度(即幅度)的字段。

【0030】图7是显示模块114在用户选择日期/时间设置选项卡604时产生的日期/时间界面700。界面700包括用于用户选择和/或配置系统时钟日期/时间显示格式的字段。

【0031】图8是显示模块114在用户选择系统配置选项卡606时产生的系统配置界面800。界面800包括用于显示以下内容的显示字段：序列号、硬件版本号、固件版本号以及系统100的跳线设置。界面800包括供用户选择和/或配置以下内容的字段：低通滤波器的参数值、探测EEG信号的信道、取样率、轮询间隔(例如，以毫秒为单位)以及用于预定标EEG取样以便显示在EEG图304上的参数。

【0032】图9是显示模块114在用户选择输出设置选项卡608时生成的输出设置界面900。该界面包括供用户选择和/或配置由数据导出模块116产生的输出数据的类型和/或格式的字段，以及数据导出模块116的端口速度(例如，串行端口速度)的字段。由数据导出模块116产生的输出数据被传送到输出设备104a(例如，打印机、磁盘驱动器、USB端口、串行/并行端口等)。由数据导出模块116产生的输出数据可能代表：

(i)病人状态报告(例如，包括图、表、病人脑功能状态的简要描述和/或该状态随时间的变化)；

(ii)代表被记录的EEG信号的信号输出；和/或

(iii)包括任何上述特征的数据文件。

【0033】显示模块114在用户选择打印机设置选项卡610时产生打印机设置界面，其包括用于选择和配置由数据导出模块116产生的用于输出设备104a(例如，打印机)的输出数据的类型和/或格式的用户可调整字段。

【0034】EEG处理系统100的配置模块120从输入设备118接收用户输入，并且产生配置数据，该配置数据用于控制响应指数计算模块108和显示处理器模块114的操作。该配置数据包括控制信号、参数和/或指令，其控制模块108和/或114来执行一个或多于一个以下内容：

(i)选择用于处理EEG取样的处理选项；

(ii)定义相邻的段/窗口的重叠程度；

(iii)配置模块108以存储EEG取样、脑响应数据、指数数据和/或乘积数据到存储器112；

(iv)定义由显示模块产生的用户界面的显示特性(例如，包括界面显示布局、屏幕尺寸、屏幕刷新率、扫描速度和显示的图的灵敏度、脑响应指数阈值范围以及对应的颜色、平滑设置等)

(v)定义日期和时间设置；

(vi)定义事件标志设置(例如，包括与每个事件标志按钮相关联的事件数目和类型，以及与每个事件类型相关联的颜色)；

(vii)定义数据导出设置(例如，包括要由数据导出模块116产生的数据输出的类型、格式和/或传输速度；)；和/或

(viii)定义、选择或者配置系统100的其他操作参数(诸如传感器检测率，以及由模块106和108执行的滤波的带通滤波范围(Hz))。

【0035】完整性测试模块110通过比较从电极102探测到的EEG信号与期望参数(例如，在2到100微伏的原始EEG RMS幅值，以及在0到30Hz之间的EEG功率的90％)来连续评估该信号，以确定电极102的操作状态。

【0036】可以基于下述理论假设来分析从实验对象探测到的EEG信号：EEG信号是被滤波的随机过程的结果。如在国际专利公布WO2004/064633中描述的，从实验对象探测到的EEG信号可以在数学上描述为公式1：

$H_e(\mathrm{\&omega;};q)=\frac{N(\mathrm{\&omega;};q)}{D(\mathrm{\&omega;};q)}P\left(\mathrm{\&omega;}\right)$              公式1

其中He代表频域的EEG信号，P代表来自脑的其他部分对实验对象的皮层的输入，其可被用来估计皮层的功能状态。N和D定义ω中的多项式，其根(root)确定EEG信号的支配频率。P(ω)被假设为代表高斯白噪声，并且因此独立于频率ω(即，P(ω)＝P₀是在理论上确定为与下皮层输入成比例的常数)。在公式1中，q代表生理参数的列表，这些生理参数理论上为分子N和分母D确定ω中的多项式的系数。

【0037】各个段/取样点的EEG信号可以被表述为各自的ARMA时间序列表示，以及更有优势地，被表述为自回归阶数为8以及移动平均阶数为5的固定阶数ARMA时间序列表示。公式2是代表(8，5)阶ARMA表示的不同公式，其用于产生EEG信号的一部分的表示：

$y\left[n\right]=-\underset{k=1}{\overset{8}{\mathrm{\&Sigma;}}}{a}_{k}y[n-k]+\underset{k=0}{\overset{5}{\mathrm{\&Sigma;}}}{b}_{k}u[n-k]$               公式2

其中，y[n]代表被取样EEG信号数值的顺序序列(即，y[n]是第n个顺次取样)，y[n-k]代表y[n]的取样值前面的第k个值；u[n-k]代表高斯白噪声过程；而a_k和b_k被包括在系数数据中并且各自代表对应于段的EEG信号的一部分的AR(自回归)系数和MA(移动平均)系数。对AR和MA系数的估计可以通过多种方式产生，例如，使用Delft University ofTechnology的P.M.T.Broersen的ARMASA Matlab Toolbox程序，或者使用其他ARMA建模软件包。

【0038】如公式2中示出的EEG信号的时不变ARMA表示可以被重写为如公式3中示出的EEG信号的时变ARMA时间序列表示：

$y\left[n\right]=-\underset{k=1}{\overset{8}{\mathrm{\&Sigma;}}}{a}_k^{\left(n\right)}y[n-k]+\underset{k=0}{\overset{5}{\mathrm{\&Sigma;}}}{b}_k^{\left(n\right)}u[n-k]$                  公式3

【0039】分别由和

代表的公式3中的AR和MA系数被表达为时间的函数(针对时间常数n)。通过表示出公式4和公式5：

${\mathrm{\&theta;}}_n={(-a_1^{\left(n\right)},...,{-a}_8^{\left(n\right)},b_1^{\left(n\right)},...,b_5^{\left(n\right)})}^T$                  公式4

                   公式5

公式3可以在状态空间中被重写为如公式6所示的形式：

                              公式6

其中代表回归向量，θ_n代表与公式4中的模型参数(或者状态)相对应的模型参数(或者状态)，而u_n代表与公式3中的u[n-k]相对应的高斯白噪声过程。通过假设模型参数θ_n为当没有在先信息可用时的随机游动，根据下面的公式7中示出的一般方案，可以从先前的θ_n值和y_n值递归地估计θ_n：

${\widehat{\mathrm{\&theta;}}}_n={\widehat{\mathrm{\&theta;}}}_{n-1}+K_n{\mathrm{\&epsiv;}}_n$                              公式7

其中K_n和ε_n分别代表在EEG信号的先前取样点处估计的ARMA模型的递归确定的滤波增益和预测误差。可用各种方法来递归地产生时变的AR和MA系数θ_n的估计。例如，可能基于卡尔曼(Kalman)自适应滤波方法(例如，Tarvainen等人，Estimation of non-stationary EEG withKalman smoother approach：an application to event-relatedsynchronization(ERS)，IEEE Trans Biomed Eng，2004，51，pp.516-524中所描述的方法)来产生系数数据，或者基于任何其他的递归处理方法(例如，Ljung L.，System Identification-Theory for the User，PrenticeHall，Upper Saddle River，NJ.2nd edition 1999所描述的递归处理方法)，或者使用软件(例如，与

 System Identification Toolboxversion 6.0相关联的功能)来产生模型参数在θ_n处(表示为

)的最佳估计值(例如，在均方意义上)。

公式2和公式3可以被重写为公式8中示出的Z域表示：

$Y\left(z\right)=\frac{\underset{k=0}{\overset{5}{\mathrm{\&Sigma;}}}{b}_k{z}^{-k}}{\underset{k=0}{\overset{8}{\mathrm{\&Sigma;}}}{a}_k{z}^{-k}}U\left(z\right)$                             公式8

其中Y(z)代表在z域中EEG信号的一部分的ARAM表示；U(z)代表z域中的高斯白噪声过程；而系数a_k和b_k分别对应于相应段/取样点的AR和MA系数。通常，ARMA系数的估计涉及将b₀和a₀定义成一个整体。

【0040】与公式8所描述的系统相关联的极点对应于公式8中的分母的根。基于公式9使用相应段/取样点(其中极点被表示为p)的系数数据产生每个段/取样点的极点数据。公式9具有8个可能的解(或者极点)，不是所有的解都必须不同。

$\underset{k=0}{\overset{8}{\mathrm{\&Sigma;}}}{a}_k{p}^{-k}=\underset{k=0}{\overset{8}{\mathrm{\&Sigma;}}}{a}_k{p}^{8-k}=0$                             公式9

【0041】与公式8所描述的系统相关联的零点对应于公式8中的分子的根。基于公式10使用相应段/取样点(其中零点被表示为z)的系数数据产生每个段/取样点的零点数据。公式10具有5个可能的解(或者零点)，不是所有的解都必须不同。

$\underset{k=0}{\overset{5}{\mathrm{\&Sigma;}}}{b}_k{z}^{-k}=\underset{k=0}{\overset{5}{\mathrm{\&Sigma;}}}{b}_k{z}^{5-k}=0$                              公式10

【0042】由基于公式9和公式10产生的数据所表示的极点和零点是复数。每个各自的段/取样点的极点和零点可以在z平面中绘出，其中一个或多于一个极点和/或零点的位置变化代表对实验对象的大脑皮层的输入的水平变化，且极点的平均位置的变化代表实验对象的脑功能状态的变化。然而，基于一个或者多于一个极点和/或零点的移动来量化脑功能状态的变化在技术上是困难的。

【0043】如国际专利公布WO2004/064633所描述的，各种药理干涉导致在复平面(或者z平面)上绘出的公式8的极点的子集的运动是期待的。通过产生代表所有极点的平均运动的数值来量化极点的子集的运动是可能的，其中这些极点由基于公式8生成的数据来表示。特别地，发现极点运动的平均实部对于药理控制/干预大脑是特别敏感的。

${\stackrel{\&OverBar;}{z}}_p\&equiv;\underset{i=1}{\overset{i=8}{\mathrm{\&Sigma;}}}{z}_{i,p}$                              公式11

【0044】在公式11中，z_i，p代表第i个极点，以及因此/8代表复平面上的平均极点位置。因为如果是复数，则复共轭对/8中存在的极点z_i，p总是实数。基于公式12产生平均极点数据：

＝a₁                        公式12

【0045】由于多项式的特性，可以根据第一AR系数确定平均极点位置，该第一AR系数是基于公式2(用a₁表示)通过将a₁系数除以8而产生的。然而，由于平均极点位置要被定标以形成合适的指数(即数值，例如在0到100之间的数值)，不必要执行这一除法以获得平均极点位置。但是，替代地，可能基于数值自身确定平均极点位置的改变效果。由于/8总是大于或等于-1并且小于或等于1，其可以被合适的定标从而其在区间0到100上延伸。例如，可能基于公式13被线性地定标以给出代表皮层活动或者功能的指数(index)：

index＝c-m                     公式13

其中，c和m是常数，其被选择以确保指数处于某一预定义范围内。也可以基于公式14被非线性地定标以给出代表皮层的活动或功能的指数：

$\mathrm{index}=\frac{d}{1+e^{-a}(\stackrel{\&OverBar;}{z_p}-b)}$                      公式14

其中，a、b和d是常数，其被选择以确保指数处于某一预定义范围内。每个各自的段/取样点的指数数据代表指数值，该指数值是基于公式13或者公式14使用相应段/取样点的平均极点数据产生的。

【0046】由平均极点数据表示的每个各自的段/取样点的未定标的平均实数极点数值被绘制成图表(例如，图3中的图表304)，以将未定标的平均实数极值的变化显示为时间的函数或者相对于相应段/取样点数的函数。期望未定标的平均实数极点响应于治疗干预或疾病而增大或减小。作为替代，可以通过适当地定义并构造判别函数来处理平均实数极点和其他AR和MR系数，以产生代表脑的功能状态的单个标量。这种判别函数可能通过使用任何数目的可购买到的统计程序包—例如，Systat(Systat Software Inc，Richmond，USA)—的逐步判别分析来确定。

【0047】公式1中示出的理论上导出的转移函数可以被重写为如公式15所示的因子化规范形式：

$H_e(\mathrm{\&omega;};q)=\frac{g\left(q\right)\underset{k=1}{\overset{k=5}{\mathrm{\&Pi;}}}[\mathrm{i\&omega;}-z_k^{\&prime;}\left(q\right)]}{\underset{k=1}{\overset{k=8}{\mathrm{\&Pi;}}}[\mathrm{i\&omega;}-p_k^{\&prime;}\left(q\right)]}P\left(\mathrm{\&omega;}\right)$                    公式15

其中，P(ω)代表对大脑的皮层输入的水平。由于在实际皮层中的皮层输入存在预期的时间复杂度，这种输入被假设为与高斯随机(白噪声)过程实际相同并且代表该过程，即P(ω)＝P₀。在公式15中，基于多个生理学参数(由q表示)确定8个极点(由

表示)和5个零点(由

表示)中每一个的数值。公式15的的数值是基于公式16使用基于公式10所产生的零值数据而产生的。公式15的

的数值是基于公式17使用基于公式9所产生的极值数据而产生的。

$z_k^{\&prime;}=f_s\ln \left|z_k\right|+f_s\mathrm{Arg}\left(z_k\right)/2\mathrm{\&pi;}$                       公式16

$p_k^{\&prime;}=f_s\ln \left|p_k\right|+f_s\mathrm{Arg}\left(p_k\right)/2\mathrm{\&pi;}$                      公式17

其中，f_s是EEG取样(数字化)频率。在公式15中，g(q)代表明显依赖于一个或多于一个用q表示的参数的增益因子。理论上，在将干预(例如，麻醉剂)应用到实验对象之前和应用期间，期待实验对象的g(q)的值一般保持不变，其中该干预的应用影响皮层的功能状态。因此，g(q)的值被假定为常数。乘积g(q)p(ω)可以被用来估计对实验对象的大脑的皮层输入的水平，且由于g(q)被假定为常数，期待g(q)P(ω)的值的任何变化都是由P(ω)的变化引起的。

【0048】EEG处理系统100基于公式18产生代表公式15中的乘积g(q)P(ω)的数据，这基于假定P(ω)代表高斯白噪声：

$g\left(q\right)P\left(\mathrm{\&omega;}\right)=\frac{<\tilde{Y}\left(t\right)>}{<Y\left(t\right)>}$                        公式18

其中代表EEG信号的一部分(例如，EEG信号的选定段)的平均信号幅值；而<Y(t)>代表EEG信号的相应部分的ARMA增益值。

的值可以被确定为选定段/取样点的EEG信号的幅值的均方根(RMS)。ARMA增益值<Y(t)>可以被确定为选定段/取样点的EEG信号的信号表示的幅值的RMS。

【0049】选定段的AR和MA系数是基于时不变的ARMA表示(即基于公式2)产生的，因此该段的EEG信号的信号表示是基于公式2产生的。该信号表示代表基于公式2(即公式2中的y[n])产生的数值序列，其中公式2的输出是在其被归一化的白噪声输入驱动时基于该选定段的AR和MA系数产生的(即其中u[n-k]代表由零均值单位方差的高斯随机过程所确定的随机值)。

【0050】选定取样点的AR和MA系数是基于时变的ARMA表示(即基于公式3)产生的，该取样点的EEG信号的信号表示是基于公式3产生的。该信号表示代表数值序列(即公式3中的y[n])，其中公式3的输出是在其被归一化的白噪声输入驱动时基于该选定取样点的AR和MA系数产生的(即其中u[n-k]代表由零均值单位方差的高斯随机过程所确定的随机值)。

【0051】ARMA可以以多种方式产生，例如，使用Delft University ofTechnology的P.M.T.Broersen的ARMASA Matlab工具箱程序的arma2cor函数，或者使用任何其他的ARMA建模软件包。

公式2和3代表EEG信号的一部分的固定阶数(8，5)ARMA表示。尽管期望具有阶数为8的自回归以及阶数为5的移动平均的ARMA表示给出最佳结果，但也可以选择其他的AR和MA阶数。

【0052】理论上，根据公式19，增益因子g依赖于参数q：

                      公式19

且因此皮层输入P(ω)可以使用公式20来估计：

             公式20

其中，在公式19和公式20中，

代表皮层中的刺激的效力(其与休息时的刺激活动的跨膜驱动力成比例)，γ_e代表刺激的相应速率常数，而τ_e代表有效无源膜时间常数。在平均场建模中，不期望

γ_e和τ_e对应的值在干预期间从它们未被干扰的值中被显著扰动。使用公式20确定的皮层输入P(ω)，以及从基于公式2或者3产生的系数a_k和b_k获得的极点和零点，代表从实验对象探测到的EEG信号的更复杂的线性动态特征。

【0053】因此，在关于特定药剂对单个神经生理特性的影响的知识的帮助下(关于该知识具有扩展信息)，本文公开的技术可以用于确定受所述药剂影响的对脑的输入的变化。当考虑到已知影响脑功能的多种药剂具有分布于整个中枢神经系统的作用部位和目标时，这是特别适用的。

【0054】例如，一氧化氮既是催眠剂也是止痛药剂，并且已知皮层性地和下皮层性地影响多个部位(例如，Hopkins PM在Nitrous oxide：aunique drug of continuing importance for anaesthesia，Best Pract Res ClinAnaesthesiol.，2005，Sep，19(3)，pp.381-9中所讨论的；以及Rudolph U和Antkowiak B.在Molecular and neuronal substrates for generalanaesthetics.，Nat Rev Neurosci.，2004，Sep，5(9)，pp.709-20中所讨论的)。能够无创地量化催眠的水平和止痛的水平具有巨大的临床实用性，因为分离测量对后续的临床管理以及临床结果有重要的影响。例如，探测到适当的止痛对于在手术程序中实现生理的(自主的)稳定性是重要的，并且帮助提高手术后的临床结果。量化下皮层输入的幅值可能提供一种通过监视外围导出的感应信息到达皮层的程度来评估止痛水平的方法。

【0055】图2是EEG处理系统100执行的EEG分析方法200的流程图。方法200开始于步骤202，其中信号处理模块106通过电极102从实验对象接收EEG信号。在步骤204，模块106放大EEG信号。在步骤206，模块106使用带通滤波器对EEG信号滤波，以去除低频运动伪差、EMG分量和主要伪差(一般出现在0Hz到50-60Hz)，以及其它外部噪声源。在步骤208，模块106将EEG信号转换为数字EEG取样。

【0056】步骤210基于用户的选择决定如何处理EEG取样。如果用户选择用于基本实时地分析取样的处理选项，则步骤210进行到步骤212。否则，选择默认的处理选项，并且步骤210进行到步骤216。

【0057】响应指数计算模块108对由模块108生成的每个新取样点执行步骤212到214。在步骤212，模块108在EEG取样上执行附加的伪差去除，包括从取样中进一步去除0Hz到50-50Hz的周期干扰，已知该周期干扰会影响后续的对AR和MA系数的估计。

【0058】在步骤214，模块108生成每个取样点的系数数据，其代表每个窗口的EEG信号的时变ARMA表示的AR和MA系数。例如，在步骤214，模块108使用卡尔曼自适应滤波方法直接地根据EEG取样生成AR和MA系数。在步骤214，系数数据代表AR和MA系数的如上所述的最佳值。步骤214接着进行到步骤222和步骤224，其分别并行地执行。

【0059】在步骤216，模块108生成多个段，每个段代表针对同样持续时间的数字EEG信号的一部分。例如，每个段可能代表EEG信号的两秒的取样并且可能与相邻段具有重叠的部分。在步骤218，模块108对每个段滤波以从信号中去除附加伪差，包括去除0Hz到50-60Hz的周期干扰，已知该周期干扰会影响后续的对AR和MA系数的估计。在步骤220，模块108基于每个段的EEG信号的各自时不变的ARMA表示(例如，基于(8，5)阶ARMA表示)生成系数数据。可以使用软件，诸如与MATLAB

 System Identification Toolbox version 6.0相关联的函数，来生成系数数据。步骤220接着进行到步骤222和步骤224。

【0060】在步骤222，针对每个段/取样点，模块108基于在步骤214或者步骤220中用于为相应段/取样点生成系数数据的相应ARMA表示来生成代表ARMA增益值(即公式18中的<Y(t)>)的ARMA增益数据。这涉及到将估计的AR和MA系数施加到相应的ARMA表示(即公式2或公式10)，以及通过用归一化白噪声输入(由u[n-k]表示)驱动相应的ARMA表示来生成信号表示(由y[n]表示)。

【0061】在步骤222，当使用的时不变的ARMA表示时(在步骤216，218和220)，模块108也基于相应段的EEG取样为每个段/取样点生成代表信号增益值(即公式18中的

)的信号增益数据，或者当使用时变的ARMA表示时(在步骤212和214)，模块108为一系列EEG取样值生成信号增益数据。每个取样点的

的数值是基于探测到的EEG信号的合适部分生成的，该适当部分或者处于生成相应取样点的系数数据的时间的中心，或者基于包括当前取样点和在当前取样点之前的被取样EEG信号的适当构建的平均而生成。作为替代，

的数值是基于每个各自的段而生成的，每个各自的段由模块108在步骤216处生成。

【0062】在步骤233，模块108接着根据公式18并基于相应的ARMA增益数据和信号增益数据为每个段/取样点生成乘积数据，其代表乘积g(q)P(ω)的值。g(q)P(ω)的数值变化代表下皮层输入(由P(ω)表示)的幅值变化。

【0063】步骤224基于公式9和公式10生成极点数据，并且接着模块108基于公式12生成平均极点数据，该平均极点数据代表每个各自的段/取样点的未定标的平均极点位置。模块108接着基于公式13或者公式14生成指数数据，该指数数据代表相应段/取样点的平均极点位置的定标的数字表示。

【0064】步骤223和224进行到步骤226，其中显示模块114基于脑状态数据(例如，使用极点数据、零点数据、平均极点数据、指数数据和/或乘积数据)产生显示数据，该显示数据代表用户界面，并优选包括EEG取样的表示，以反映实验对象的大脑的功能性状态和/或实验对象的大脑的下皮层活动的水平。步骤226也控制数据导出模块以生成输出数据，该输出数据包括代表EEG取样、脑状态数据、原始平均极点数据和/或定标平均极点数据的数据。方法200在步骤226之后结束。

【0065】由定标的平均极点数据(或者未定标的平均极点数据)表示的数值变化反映实验对象的大脑的功能状态变化(即脑如何响应于皮层输入)。由皮层输入数据表示的数值变化反映乘积g(q)P(ω)的数值变化，并因此反映脑皮层输入的水平。由ARMA增益提供的优点，以及进而下皮层输入的测量的优点，在于增强确定实验对象的脑功能的生理特性(并因此增强临床的实用性)。

【0066】在不偏离参考附图所描述的本发明的范围的情况下，对于本领域的技术人员来说，很多修改是显而易见的。

【0067】本说明书中对现有技术的引用不是，也不应被认为是，关于现有技术构成在澳大利亚的公知技术的一种认可或者任何形式的暗示。

Claims (16)

1.一种用于分析代表脑活动的脑电图信号的方法，其包括：

i)为所述信号的一部分的信号表示产生系数数据；

ii)产生代表输出信号的平均幅值的第一增益数据，该输出信号是基于所述信号表示和所述系数数据而产生的；

iii)产生代表所述部分的平均幅值的第二增益数据；以及

iv)基于所述第一增益数据和所述第二增益数据，产生代表所述脑的下皮层活动的脑状态数据。

2.根据权利要求1所述的方法，其中所述信号表示是所述信号的被选择的所述部分的时不变自回归移动平均表示，所述信号表示具有阶数为8的自回归和阶数为5的移动平均。

3.根据权利要求1或2所述的方法，其中所述第一增益数据代表所述输出信号的所述幅值的均方根。

4.根据权利要求3所述的方法，其中当所述信号表示由白噪声输入信号驱动时，基于所述信号表示并使用所述部分的所述系数数据产生所述输出信号。

5.根据前面的权利要求的任何一项所述的方法，其中所述第二增益数据代表所述部分的所述幅值的均方根。

6.根据前面的权利要求的任何一项所述的方法，其包括基于所述脑状态数据产生代表一个或多于一个显示界面的显示数据。

7.根据权利要求6所述的方法，其中所述显示数据包括代表图表的数据，所述图表代表所述脑的下皮层活动水平随时间的变化。

8.根据权利要求7所述的方法，其中所述脑状态数据代表所述下皮层活动水平，所述脑状态数据基于通过将基于所述第二增益数据的所述平均值除以基于所述第一增益数据的所述平均值而产生的商。

9.根据权利要求7所述的方法，其中所述显示数据代表所述下皮层活动水平，所述显示数据基于对应于所述下皮层活动水平的数值的不同预定范围的颜色，其中每个所述范围使用不同的颜色来表示。

10.根据权利要求1所述的方法，其中所述信号表示是所述部分的时变自回归移动平均表示，所述信号表示具有阶数为8的自回归和阶数为5的移动平均。

11.根据权利要求10所述的方法，其中所述信号表示代表在特定时间点的所述信号，其中基于在所述部分内的一个或多于一个其他时间点上的所述信号，并基于在所述其他时间点中的一个时间点上的所述信号的信号表示的所述系数数据，递归地产生所述系数数据。

12.根据权利要求11所述的方法，其中基于涉及Kalman自适应滤波的所述信号的自回归移动平均表示来产生所述系数数据。

13.根据权利要求11或12所述的方法，其中当所述信号表示由白噪声输入信号驱动时，基于所述信号表示并使用所述时间点的所述系数数据产生所述输出信号。

14.一种系统，其用于执行根据权利要求1—13中任何一项所述的方法。

15.一种用于分析代表脑活动的脑电图信号的系统，其包括适合于执行以下步骤的处理器模块：

i)为所述信号的一部分的信号表示产生系数信号；

ii)产生代表输出信号的平均幅值的第一增益数据，该输出信号是基于所述信号表示和所述系数数据而产生的；

iii)产生代表所述部分的平均幅值的第二增益数据；以及

iv)基于所述第一增益数据和所述第二增益数据，产生代表所述脑的下皮层活动的脑状态数据。

16.存储在计算机可读介质上的计算机可执行代码，所述计算机可执行代码用于执行根据权利要求1—13所述的方法的任何步骤。

Images