CN102973266B - 用于自动痉挛监测的方法、设备和计算机程序产品 - Google Patents
用于自动痉挛监测的方法、设备和计算机程序产品 Download PDFInfo
- Publication number
- CN102973266B CN102973266B CN201210259105.XA CN201210259105A CN102973266B CN 102973266 B CN102973266 B CN 102973266B CN 201210259105 A CN201210259105 A CN 201210259105A CN 102973266 B CN102973266 B CN 102973266B
- Authority
- CN
- China
- Prior art keywords
- parameter set
- parameter
- set sequence
- spasm
- reference point
- Prior art date
- Legal status (The legal status 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 status listed.)
- Active
Links
Classifications
-
- 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
-
- 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
- A61B5/242—Detecting biomagnetic fields, e.g. magnetic fields produced by bioelectric currents
- A61B5/245—Detecting biomagnetic fields, e.g. magnetic fields produced by bioelectric currents specially adapted for magnetoencephalographic [MEG] signals
-
- 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
- A61B5/40—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
Abstract
本发明名称为“用于自动痉挛监测的方法、设备和计算机程序产品”。从受检者获得的脑波信号数据导出至少一个参数集时间序列,其中每个参数集序列包括序贯参数集并且每个参数集包括至少两个信号参数的值,这些值从该脑波信号数据导出。为了减少受检者间变化的易感性以及提高对每个记录的适应性,该受检者的过去的EEG信号数据用于确定包络目标,其包含序贯参数集从参数空间中的过去信号数据形式导出的参数点。还确定参考点,其在参数空间中的位点取决于过去的信号数据。然后从受检者获得至少一个新的参数点,并且确定演变指示器集。
Description
技术领域
本公开大体上涉及脑波信号的监测。更具体地,本发明涉及用于监测脑波信号的演变的机制和脑波信号中痉挛(seizure)活动的自动检测。
背景技术
世界上大约5%的人在他们的生命中经历痉挛活动。当在没有外部刺激的情况下重复地出现痉挛时,人将患有癫痫症(epilepsy)。整个人口的大约0.5%属于该核心群,这使癫痫症成为最常见的神经系统紊乱。根据当前的标准化,存在两个主要类别的痉挛:整体痉挛和部分痉挛。整体痉挛牵涉整个大脑,而部分痉挛牵涉大脑的受限区域。这些主要类别被进一步分成若干子类别,其描述了在痉挛期间人所展示的运动类型以及意识和知觉如何受到影响。一般地,剧烈的、阵发性的、且不自主的肌肉惊厥(convulsion)称作惊厥,并常常涉及痉挛。
脑电描记法(EEG)是用于评估大脑活动的完善的方法。测量电极典型地附连在头皮上来记录并且分析皮层的椎体细胞中生成的弱的生物电势信号。备选地,电极可侵入式地附连在大脑和头骨之间,或附连在大脑组织内部。几十年来EEG已经在大脑的神经系统的基础研究以及多种中枢神经系统疾病和紊乱的临床诊断中广泛地使用。
癫痫症患者的行为和EEG的文献提供用于癫痫症的手术规划、诊断和后续治疗的重要信息。当间歇且不可预知地发生痉挛时,典型地使用持续若干天的长期监测以便捕捉涉及痉挛的EEG和行为表现的足够信息。在专用设备和人员可用于该目的的医院里,典型地采用癫痫症监测单元(EMU)做这些记录。然而,远程医疗和变化(ambulatory)记录领域中的新发展使得在不久的将来家庭监测对于癫痫症患者可能是切实可行的。
长期EEG记录产生大量的EEG数据,其随后由经认证的医师查看。采用视觉分析,基于经验搜索已知的具体EEG波形形态和动态模式来对应于痉挛。详细地检验找到的形态和模式来获得关于痉挛的类型和起因的信息。因为视觉分析是基于由人类观察者实行的模式识别,所以分析过程具有某些局限性,例如痉挛识别的主观性和分析的缓慢性。查看长期EEG记录可需要若干小时的工作。在查看期间,人的大脑可容易变得疲劳并且可错过痉挛,特别是短的那些。
为了有助于视觉EEG查看,从二十世纪七十年代以来已经开发了自动痉挛检测算法。然而,因为在EEG中患者痉挛活动的表现互不相同,因此开发普遍功能的自动检测器具有挑战性。自动痉挛检测领域的新进展涉及患者特定的痉挛检测器。它们终结了人类观察者与基于计算机的检测器之间的性能差距。这些检测器是半自动的;在检测器可以搜索相似的实例之前人类观察者必须从数据标记一个痉挛实例。尽管有局限性和计算中的新进展,视觉EEG查看保留了痉挛检测的技术发展水平。
除对于诊断目的重要外,痉挛检测在旨在防止脑损伤的护理决策方面具有至关重要的作用。如果痉挛活动在几分钟内没有缓解,不可逆脑损伤的风险急剧增加。延长的痉挛活动称作癫痫持续状态(SE)并且其是主要的医疗紧急事件。遭受SE的患者在重症监护病房(ICU)重度治疗。整体SE导致具有持续智力病态(intellectualmorbidity)的不可逆脑损伤。取决于病因,整体SE的死亡率可从20至30%。
在过去的十年内,在ICU患者中已经广泛地实现痉挛的盛行。已经观察到甚至没有癫痫症史或没有任何神经紊乱的患者可在ICU中表现出痉挛。这些痉挛的原因可涉及危重病,例如缺氧、缺血、中毒、和代谢异常。而且,像中风、脑出血、脑肿瘤、中枢神经系统感染、和脑外伤的神经病变增加了痉挛的风险。使该患者群中痉挛检测尤其具有挑战性的是绝大多数痉挛是非惊厥性的。即,患者在痉挛期间没有展现出剧烈的运动。根据当前的知识,EEG是非惊厥性痉挛的唯一特定指示器。实际上,18-34%遭受无法解释的意识水平降低的神经重症监护患者已经显示出具有非惊厥性痉挛并且这些患者的10%处于非惊厥性癫痫持续状态(NCSE)。根据当前的理解,非惊厥性痉挛与惊厥性痉挛相似地产生不可逆脑损伤,并且从而对于该患者群也强烈推荐药物治疗。
为重症监护患者实行的痉挛检测对自动痉挛检测算法设置了新的要求。同时,借助于持续EEG监测和耗时的视觉EEG分析来检测这些痉挛。痉挛需要利用抗惊厥药物的急性治疗,并且从而涉及视觉查看的延迟对于患者通常是不利的。因此,迫切需要自动的在线痉挛检测器。
使用从EMU收集的数据开发的可买到的自动算法对于ICU患者人群没有被正确地评估。在EMU中,这些检测器每小时产生0.6-2.4个误检。在ICU环境中,假阳性率甚至很可能更高,因为神经病ICU患者的EEG特有地包含非常类似于痉挛的异常特征,例如三相波和α昏迷。然而,用抗惊厥药物治疗这些异常EEG特征对于患者可具有不利的影响。因此,ICU中痉挛活动的可靠检测尤其重要。
如上文描述的,几十年来自动痉挛检测已经是已知的技术挑战。然而,现今的自动化痉挛检测系统仍将具有两个普遍的缺点:不能适于多种不同的受检者并且也不能适于像ICU的新的应用领域中遇到的患者数据。不能适于广泛的受检者通过显著的EEG痉挛波形中的个体间差异以及通过宽动态变化(其甚至发生在遭受痉挛的单个受检者的信号数据中)而加剧。不能适于ICU患者数据通过以下事实而加剧:ICU中遇到的非惊厥性痉挛的危险程度的新知识为ICU环境中的自动在线痉挛检测的智能和技术性能设置新的、更苛刻的准则。
发明内容
上文提到的问题在本文解决,其将从下列说明书理解。该说明书描述了用于监测脑波信号以及通过评估信号的时间演变而检测痉挛活动的新的方法。为了减少受检者间变化的易感性以及提高对每个记录的适应性,受检者的过去的EEG信号数据用于确定包络目标,其包含参数点,参数点序贯从参数空间中的过去信号数据形式导出的参数集。这里,参数点指在参数空间中从信号通道数据导出的N个参数的集在一个时期期间所限定的点,该参数空间的N个维度分别由这N个参数限定。典型地,N等于二。因为目标包含参数点,所以其在该情况下称为包络目标。此外,确定参考点,其在参数空间中的位点(location)取决于过去的信号数据。参考点可从与包络目标相同的历史数据导出或从包络目标导出。然后从受检者获得至少一个新的参数点并且确定演变指示器集,其指示在参数空间中新的点相对于包络目标和参考点的位置。然后可以多种方式采用该演变指示器集来向用户指示痉挛活动是否存在。例如,如果演变指示器集指示新的点的位置满足关于包络目标和参考点的预定准则,可做出关于痉挛活动存在的决定并且痉挛活动的存在可指示给用户。在相反的情况下,新的参数点可用于更新包络目标和参考点,或至少历史数据,下次将基于该历史数据计算包络目标和参考点。此外,可分别基于一个或多个EEG通道确定一个或多个演变指示器集,并且可以多种方式使用从每个集获得的比较结果来决定痉挛活动的存在。
在一实施例中,一种用于监测大脑中的痉挛活动的方法,包括:从自受检者获得的脑波信号数据导出第一参数集序列,其中该第一参数集序列包括序贯参数集并且每个参数集包括至少两个信号参数的值,这些值从脑波信号数据导出;以及在由至少两个信号参数限定的参数空间中从第一参数集序列确定包络目标,其中该包络目标包含该参数空间中的第一参数集序列。该方法还包括:确定参考点,其中该参考点在参数空间中的位点取决于第一参数集序列;从脑波信号数据获得第二参数集序列,其中该第二参数集序列包括第一参数集序列的序贯参数集后的至少一个参数集;以及确定演变指示器集,其指示(a)第二参数集序列相对于包络目标的位点和(b)第二参数集序列相对于参考点的方向。该方法进一步包括基于(i)第一参数集序列的序贯参数集和(ii)第二参数集序列有条件地更新包络目标和参考点,其中有条件地更新包括如果演变指示器集未能满足指示痉挛活动的预定位点和方向准则就执行更新并且如果演变指示器集满足预定位点和方向准则就跳过更新,以及指示演变指示器集是否满足预定位点和方向准则,由此产生脑波信号数据中的痉挛活动的指示。
在另一个实施例中,一种用于监测大脑中的痉挛活动的设备,包括:参数确定单元,其配置成从自受检者获得的脑波信号数据导出第一参数集序列,其中该第一参数集序列包括序贯参数集并且每个参数集包括至少两个信号参数的值,这些值从脑波信号数据导出;以及包络单元,其配置成(i)在由至少两个信号参数限定的参数空间中从第一参数集序列确定包络目标和(ii)确定参考点,其中该包络目标包含该参数空间中的第一参数集序列并且其中该参考点在该参数空间中的位点取决于第一参数集序列。该设备还包括演变指示器单元,其配置成限定演变指示器集,该演变指示器集指示(a)第二参数集序列相对于包络目标的位点和(b)第二参数集序列相对于参考点的方向,其中参数确定单元配置成导出第二参数集序列并且其中第二参数集序列包括第一参数集序列的序贯参数集后的至少一个参数集。该设备进一步包括更新单元,其配置成基于(i)第一参数集序列的序贯参数集和(ii)第二参数集序列有条件地执行包络目标和参考点的更新,其中该更新单元配置成如果演变指示器集未能满足指示痉挛活动的预定位点和方向准则就执行更新并且如果演变指示器集满足预定位点和方向准则就跳过更新。该设备还包括指示单元,其配置成指示演变指示器集是否满足预定位点和方向准则,由此产生脑波信号数据中的痉挛活动的指示。
在又一个实施例中,一种用于监测大脑中的痉挛活动的计算机程序产品,包括:第一程序产品部分,其配置成从自受检者获得的脑波信号数据导出第一参数集序列,其中该第一参数集序列包括序贯参数集并且每个参数集包括至少两个信号参数的值,这些值从脑波信号数据导出;以及第二程序产品部分,其配置成(i)在由至少两个信号参数限定的参数空间中从第一参数集序列确定包络目标和(ii)确定参考点,其中该包络目标包含该参数空间中的第一参数集序列并且其中该参考点在该参数空间中的位点取决于第一参数集序列。该计算机程序产品还包括第三程序产品部分,其配置成限定演变指示器集,该演变指示器集指示(a)第二参数集序列相对于包络目标的位点和(b)第二参数集序列相对于参考点的方向,其中第一程序产品部分配置成导出第二参数集序列并且其中第二参数集序列包括第一参数集序列的序贯参数集后的至少一个参数集。该计算机程序产品进一步包括:第四程序产品部分,其配置成基于(i)第一参数集序列的序贯参数集和(ii)第二参数集序列有条件地执行包络目标和参考点的更新,其中该第四程序产品部分配置成如果演变指示器集未能满足指示痉挛活动的预定位点和方向准则就执行更新并且如果演变指示器集满足预定位点和方向准则就跳过更新;以及第五程序产品部分,其配置成指示演变指示器集是否满足预定位点和方向准则,由此产生脑波信号数据中的痉挛活动的指示。
将通过下列详细描述和附图使本发明的多种其他特征、目标和优势对于本领域技术人员明显。
附图说明
图1是图示用于监测痉挛活动的方法的一个实施例的流程图;
图2图示参数空间中包络目标的示例;
图3图示在图1的实施例中实施的痉挛活动检查的示例;
图4图示用于监测痉挛活动的方法的进一步的实施例;
图5图示在四个不同的EEG测量通道的情况下痉挛活动检测的示例;
图6图示用于基于一个或多个脑波通道信号监测痉挛活动的设备/系统;以及
图7图示图6的设备/系统的控制和处理单元的操作实体。
具体实施方式
图1图示用于监测受检者的脑波信号的方法的一个实施例。描述的操作涉及一个测量通道并且如果使用多个测量通道则相似的操作可应用于每个测量通道。在下文连同图5论述多通道实施例。在多通道实施例中,例如关于痉挛活动的存在/不存在的最终决定可基于多个通道特定决定而做出。
如常见的,在步骤101从受检者获得的脑波信号数据分成连续时间段或时间窗口,通常称为时期(步骤102)。时期的顺序从而代表相应的测量通道的脑波信号数据并且可逐个时期处理信号。一个时期的长度可变化,但可以是例如一秒。时期可重叠或不重叠。截然不同的信号样本可代替时期用于确定参数,尽管在该情况下参数将可能更嘈杂。
对于每个时期,包括至少两个参数的参数集从时期的信号数据(步骤103)导出。即,在步骤103脑波信号被参数化,由此获得描述信号的至少两个参数的相应的时序。例如,涉及脑波信号的振幅和频率的参数可从信号数据导出。备选地,可导出涉及振幅的第一参数和涉及尖峰率的第二参数。参数的确定可包括可选的滤波,其中参数的时程被平滑并且去除可能波动。例如,可应用十一个序贯参数值的中值滤波。
接着,在步骤104参数值可映射到参数空间中。该参数空间在这里指这样的空间,其的N个维度分别由对于每个时期确定的N个参数(N≥2)限定。即,并行参数值限定参数空间中的点。典型地,N等于二并且参数空间从而是二维空间,例如平面或坐标系,其中一个轴代表一个参数并且另一个轴代表另一个参数。当使用两个参数时,大脑的当前状态由二维参数空间中的点{x(n),y(n)}表示,其中x(n)是第一参数的值,y(n)是第二参数的值,并且n是时间序列中离散样本点的顺序号。点{x(n),y(n)}在这里称为参数点。即,参数点由对于时期获得的参数集限定。
接着,过程在步骤105检验包络目标和参考点是否已经形成并且从而存在于参数空间中。如果情况不是这样,过程首先收集足够的参数点用于生成包络目标(步骤103、104、105/否、106/否)并且当其在步骤106通知已经收集足够的参考点时在步骤107生成包络目标和关联的参考点。包络目标是几何目标,其包含参数空间中的M个参数点,其中这M个参数点典型地是不指示痉挛活动的M个最新参数点。在最近出现痉挛活动的周期的情况下,M个参数点的第一子集可来自痉挛活动周期之前的周期并且M个参数点的第二子集来自痉挛活动周期之后的周期。因此,M个参数点不必定形成连续时间序列的参数点,而可形成间隙时间序列。参考点是取决于这M个参数点的点并且典型地、但不必须定位于包络目标内。参考点可以是,例如,M个参数点的质心。可基于M个参数点而直接确定参考点,即,独立于包络目标,但过程还可基于M个参数点首先确定包络目标并且只有在这时才基于包络目标确定参考点。例如,参考点可确定为包络目标的质心。
在生成包络目标和关联的参考点之后,过程导出下一个时期的新的参数集并且将该新的参数集映射到参数空间中(步骤103和104)。过程然后在步骤105检测包络目标和参考点存在并且第一次跳到步骤108。在步骤108,过程将新的参数点的位置与包络目标和参考点比较,其中位置指参数空间中的位置。更具体地,位置指相对于包络目标的位点和相对于参考点的方向。如果位置满足预定痉挛准则,过程在步骤109决定痉挛活动存在并且在步骤110将痉挛告知用户。如果在步骤109检测到位点不满足痉挛准则,在步骤111使用新的参数集更新包络目标和参考点。例如,包络目标的最早的参数点可被新的参数点取代并且可使用新的参数点的集更新包络目标和参考点。过程然后回到步骤103来确定下一个参数集。因此,包络目标和关联的参考点充当位点和方向参考数据,最新的参数点的位置与该位点和方向参考数据进行比较。
即使图1示出脑波信号的采集和划分作为前两个步骤,但显然的是于在线监测中连续实施这些步骤,并且对于从步骤102获得的每个时期以上文的方式实施步骤103至111。时期的处理还可在已经收集给定量的历史数据的时候开始,使得可生成包络目标。然而,方法还可在线用于监测先前采集的脑波数据中的可能的痉挛。监测还可在没有自动生成告知痉挛活动是否存在的用户通知的情况下实施。即,包络目标、参考点、和最近参数集的位置可呈现给用户,由此给予用户将最新参数点的位置与包络目标和参考点比较的机会,以及基于该比较做出痉挛活动存在/不存在的决定。
提出的方法实质上是自适应的。在线更新的包络目标和关联的参考点获悉在每个患者中遇到的正常的EEG模式并且从而能够适于在任何给定时间遇到的EEG信号数据。方法只监测临床医生的查看中也意识到的EEG特性。
图2图示包络目标22和参考点23的示例。在该示例中,从每个时期导出两个参数。获得的参数值然后映射到二维参数空间21中,例如X-Y坐标系,其中x轴代表第一参数并且y轴代表第二参数(或反之亦然)。映射到参数空间的参数点24用小的黑点指示。在该示例中包络目标是多边形22,具体是包含参数点的凸包。包络目标形成所基于的历史长度典型地是1至3分钟。假设时期长度是上文提到的1秒,典型地从60至180个参数点导出包络目标。在一个实施例中,点是不指示痉挛活动的最近参数点。因此,包络目标描述了最新的无痉挛的参数点如何分布在参数空间中。凸包是数学和计算几何中已经确立的术语,其涉及位于向量空间中的点的包络。若干不同的算法可用于生成凸包,例如快速凸包算法(QuickHullalgorithm)。限定由向量xi组成的集X的凸包的一个方式是:
在图2中,较大的黑点是构成凸包的顶点的参数点。包的边界25由连接顶点的线限定。用小的圆圈指示的参考点23可基于与包络目标相同的参数点而确定。典型地,参考点是所述参数点的质心,但可以是这样的任何点,其位点取决于参数点并且从而适于参数集时间序列。如上文提到的,参考点还可基于包络目标确定,例如作为包络目标的质心。
图3图示在图1的步骤108和109中实施的痉挛活动检查的一个实施例。图示出在步骤107形成并且在步骤111更新的包络目标31和参考点32。在图中已经省略参数点。在该实施例中,参考点是形成包络目标的参数点的质心。然后在质心和当前参数点34之间形成向量33。向量因为其指示信号的时间演变是否发生朝着代表痉挛活动的参数空间域而在该上下文中称为方向向量。在该示例中,x轴对应于频率参数并且y轴对应于功率参数。
为方向向量设置的痉挛活动准则可改变。在一个实施例中,为了要满足的痉挛活动准则,方向向量的角度处于由下角度限制36和上角度限制37限定的预定扇形35中,其中参考点是该扇形的顶点。要检查的另外的痉挛准则可以是当前参数点离包络目标的边界38的(最短)距离。在图3中,该距离用D指示。从而,在一个实施例中,在检测到痉挛活动之前方向向量必须处于预定扇形中并且距离D必须足够长。除包络目标和关联的参考点之外,对于痉挛活动的检测所确定的参数在该上下文中称为演变指示器,因为它们指示信号演变到视为痉挛域的参数空间域。从而,在上文的实施例中,方向向量33的角度和距离D是形成演变指示器集的演变指示器,痉挛准则在该演变指示器集上设置。即,在检测到痉挛活动之前,参数点的相对位置必须满足某些准则。典型地,痉挛准则牵涉为了检测到痉挛活动,最新参数点的位置必须处于相对于参考点的预定扇形中并且充分远离包络目标的边界。在图3的示例中,这牵涉位置必须处于由上角度限制37、点A、点B、和下角度限制36限定的扇形区域中。在其中轴由频率参数和功率参数确定的典型示例中,扇形涵盖第一象限的绝大部分,即,下角度限制在零附近并且上角度限制在pi弧度的一半附近。因为痉挛准则典型地是对最新参数点的位置设置的位点和方向准则,所以痉挛准则在下文也称为位点和方向准则。包括包络目标、参考点和演变指示器的变量的集因为集的变量指示痉挛活动的存在/不存在而在这里称为痉挛指示器集。演变指示器集还可包括量化由包络目标外部的参数点制成的路径的长度的特征。路径在这里指序贯参数点在参数空间中形成的路径。此外,演变指示器集可包含测量EEG信号中的源于肌肉的活动的量的信号特征。如果在信号中检测到大量的EMG,将不指示痉挛活动。
角度准则减少了由多种EEG模式引起的假阳性痉挛检测,多种EEG模式例如爆发-抑制和α昏迷。爆发-抑制是通常在ICU患者中发现的EEG模式。爆发-抑制可作为药物治疗的结果而显现或其可涉及神经功能障碍。癫痫样的特征可以爆发-抑制模式存在,但爆发-抑制本身不应与痉挛活动混淆。爆发-抑制期间在EEG信号中存在相当数量的变化。小电压周期与较高电压周期交替,在该较高电压周期中高频率受到抑制。在描述的方法中,这些变化视为频率参数和功率参数的同步变化。在描述的参数空间中,在扇形中出现这些变化而不是涉及痉挛活动的变化。更具体地,爆发-抑制模式转化成二维参数空间的右下方和左上方之间的变化。涉及痉挛活动的演变在参数空间的不同扇形中出现。因此,通过应用位点和方向准则,由爆发-抑制模式产生的假阳性检测可被最小化。
α昏迷是在ICU患者中存在的另一个有问题的模式。在α昏迷中,因为稳定的α节律是信号中的主要组成,EEG保持相当地平稳。α昏迷有时与痉挛活动混淆,但α昏迷模式不应用抗癫痫药物治疗。因此,不应触发痉挛检测。在α昏迷期间,在描述的信号参数中存在很少的演变。即使绝对参数值是异常的,描述的系统的自适应性防止由α昏迷产生的检测。在α昏迷开始时,即当其他节律减弱时,假检测可由量化演变的量的演变指示器集阻止。此外,快速α爆发开始典型地视为频率参数值的突跳,其中功率参数值很少变化。
在这里要注意尽管参考点的位点取决于形成包络目标的参数点并且尽管参考点典型地在包络目标内,但是如果例如通过添加固定向量到形成包络目标的参数点的质心而获得参考点,参考点还可在包络目标外部。
图4图示用于监测受检者的脑波信号的方法的另一个实施例。在该实施例中,在检测到痉挛活动之前,必须满足四个不同的准则。在图4的示例中,使用变量SA和CHS。SA是具有值“真”(痉挛活动存在)和“假”(无痉挛活动存在)的布尔变量,并且CHS是存储包络目标外部的连续参数点的数目的计数器。CHS的目的是避免由瞬态或非常短期的持续时间的其他干扰引起的假阳性检测。在该实施例中,首先收集历史数据,变量SA和CHS设置成零(步骤401),并且产生包络目标和参考点(步骤402)。在包络目标和参考点的产生中,可省略检测的过去痉挛事件。当生成包络目标和参考点时,过程基于参考点和当前参数点确定方向向量(步骤403)。过程然后分别在步骤404、405、407、和408检验四个不同的准则。在步骤404,过程检验当前参数点是否在包络目标内部。如果情况不是这样,过程在步骤405检验是否满足角度准则。如果满足角度准则,计数器值CHS递增(步骤406)并且过程然后在步骤407检查计数器值是否已经达到Tmin的最小值。如果情况是这样的,过程进一步在步骤408检查当前参数点到包络目标的边界的距离是否大于需要的最小值Dmin。如果情况是这样的,在步骤409,变量SA获得值“真”。也就是说,如果满足上文提到的四个不同的准则就检测到痉挛活动。如果在步骤404检测到当前参数点在包络目标内部或如果在步骤405检测到方向向量的角度不在预定扇形中,过程经由步骤412回到步骤402,在该步骤412中变量SA设置成值“假”并且变量CHS设置成值零。如果在步骤408检测到到边界的距离短于需要的最小值Dmin,则出现相似的瞬态。如果在步骤407检测到计数器值还未达到Tmin的最小值,则过程回到步骤403来取得下一个参数点并且生成相应的方向向量。
步骤409之后,过程检查在检测到痉挛活动之后是否可能已经恢复测量。在该示例中,如果参数点回到包络目标的边界内部或接近包络目标的边界则执行恢复,其在步骤410测试。如果情况是这样的,重新产生包络目标和参考点并且变量在过程回到步骤401时回到它们的初始值。如果未满足恢复准则,过程回到步骤403来取得下一个参数点并且确定关联的方向向量。
在图4的实施例中,在可检测到痉挛活动之前,每个新的参数集经受多个检查。与步骤404/否比较,例如参数点在包络目标内部等某些特征立即指示无痉挛活动存在并且从而这样的特征的检测立即终止对当前参数点的痉挛活动检测过程。如上文提到的,高EMG水平的检测可以是取消检测开始的一个特征。可终止检测过程的另一个特征是包络目标边界外部的路径的长度短于需要的最小路径长度,其中路径长度是指示由参数空间中的连续参数点形成的路径的长度。尽管可使用此路径长度准则来代替需要包络目标外部的最小数目的连续参数点(步骤407)的上文的准则,但是还可并行使用这两个准则来避免由不同类型的短期干扰引起的假阳性检测。
代替在步骤410中测试的准则,或作为在步骤410中测试的准则的附加,还可使用其他准则来检查在检测到痉挛活动之后是否可恢复测量。这样的准则可包括缩短路径长度(当痉挛结束时路径长度缩短)、检测指示痉挛活动结束的发作后抑制、和检测肌肉惊厥。
在生成包络目标和参考点之后确定的每个演变指示器集还可基于超出一个连续参数集而确定。演变指示器集生成的该实施例还可应用于下文论述的多通道实施例。在下文使用术语第二参数集序列来指代演变指示器集可基于其而产生的一个或多个参数集,而术语第一参数集序列指位点和方向参考(即,包络目标和参考点)基于其而确定的参数集。
逐个时期导出的参数的数目和类型可取决于应用。对于二维空间中的痉挛检测,一个适合的参数集可包括指示频率的第一参数和指示脑波信号的振幅/功率的第二参数。可采用多种方式估计这些参数。此外,痉挛活动准则典型地取决于限定参数空间的参数。
如上文提到的,监测可在没有机器生成的痉挛活动的存在/不存在的通知的情况下实施。在这些实施例中,演变指示器集、或每个参数集时间序列的最新参数点的位置可呈现给用户。另外,信息可呈现给用户,这使用户能够评估痉挛活动是否存在。该信息可包括包络目标和/或参考点和/或为演变指示器集设置的准则。在机器生成的通知的情况下,可使用存在和不存在通知两者,或当痉挛活动不存在时可跳过通知。
如上文提到的,使用的参数可代表脑波信号的频率和振幅。正弦信号的频率是明确的量。然而,例如EEG等非平稳信号自身不适于分解成正弦分量。对于这样的信号,频率的概念失去其有效性,并且需要使用解释过程的随时间变化性质的参数。瞬时频率(IF)是随时间变化的参数,当其随时间变化时其限定信号的谱峰的位点。在物理上,所述参数只对单分量信号有意义。对于多分量信号,单值的瞬时频率的概念尽管其在分析下仍可表征信号的频率含量,但在物理上变得没有意义。为了克服该限制,可将多分量信号滤波到若干相邻频带并且可在每个带内估计瞬时频率。
Hilbert变换是用于瞬时频率推导的传统的方法。由以下获得信号s(t)的Hilbert变换:
其中p.v.指示积分的柯西主值并且τ是时滞。信号s(t)和H[s(t)]通常说成正交,因为理论上它们是90度反相位。然而,理论上这只在某些条件下是真实的。可使用Hilbert变换的结果导出Gabor复信号z(t):
使用Gabor复信号z(t),可通过获取信号z(t)的相导数而导出瞬时频率IF:
时期的平均IF值可用作涉及频率的参数。
备选地,涉及频率的参数可通过使用信号矩和/或Hjorth参数而估计。信号的偶次矩确定为:
其中m是偶数并且指示矩的次数,并且是信号的功率谱密度。在该上下文中,术语信号矩相对于上文的方程使用,而有时术语谱矩用作相同含义。如本领域技术人员认识到的,信号的零次矩与信号的总功率相同。
自从二十世纪七十年代以来,Hjorth参数或Hjorth斜率描述符已经广泛地在EEG信号分析中使用。它们是用于展示信号的谱性质的易于计算的参数。第一Hjorth参数是活动性。它对应于相同的信号的零次矩,即,对应于总功率。第二Hjorth参数是移动性,限定为归一化二阶信号矩的平方根:
移动性=
移动性表征信号的主频率。使用移动性方程估计主频率通常产生与经由Hilbert变换的IF推导相似样貌的时间曲线。然而,仍存在一个叫做复杂性的Hjorth参数。复杂性表征信号的半带宽并且其确定为:
复杂性=
只在单峰功率谱的情况下,即,在信号仅具有一个主频率峰的情况下,移动性和复杂性在物理上具有与谱界标、主频率及相应半带宽有意义的关系。在多峰信号的情况下,可与已经连同Hilbert变换描述相似地避免该限制,即,通过使用例如先验滤波,由此将频率范围分成若干子带。
尽管Hjorth参数和偶次信号矩在上文经由信号的功率谱密度而确定,但是它们还可从时域EEG信号直接估计。信号的一阶导数x(1)和二阶导数x(2)可使用两个和三个连续信号样本估计:
因此,偶次信号矩的估计可使用下列时域平均而确定:
还可通过连续时域信号样本和导数产生多种其他频率估计,由此产生单变量频率参数。例如,诸如非线性能量算子(NLEO)能量算子可应用于该目的。非线性能量算子限定为:
其中,选择指数值使得并且。指数值例如可选择如下:l=1、p=2、q=0,并且s=3。在EEG应用中,NLEO的绝对值通常是首选的。如上文限定的,非线性能量算子不是纯频率度量,因为变化的信号振幅也影响它。为了获得信号频率的粗略估计,非线性能量算子可除以x(n)2。
信号在每个时期期间改变符号的次数是粗略地对应于信号的主频率的简单的特征。然而,使用作为频率参数的特征的主要问题是对噪声的敏感性。另一方面,在一些应用中,过零率可用作信号噪度的度量。与利用Hilbert变换和Hjorth参数相似,先验滤波可使过零率不太受噪声影响。
谱边缘频率指示包含给定百分比的信号总功率的子带的极限频率。例如,中值频率或50%谱边缘频率(SEF50%)指示极限频率,其将总功率分割成两半:50%的功率位于SEF50%频率之下并且50%位于其之上。其他常用的SEF参数是SEF90%和SEF95%,其指示90%(95%)的信号功率在相关频率之下。峰值功率频率指示在功率谱密度中具有最高峰值的频率。EEG的平均频率可使用下列方程计算:
应该注意到无法使用功率谱密度S计算奇次信号矩,因为它是偶函数。因此,上文的方程的分子不是信号的一次矩。信号的奇次矩可从Gabor复信号的功率谱密度推导。
如上文描述的,多种技术可用于获得指示脑波信号的当前频率内容的单个参数。上文的频率相关参数代表参数的示例,其可用作参数集的频率相关参数。然而,产生指示脑波信号数据的频率内容的单个参数的任何技术可在信号的参数化阶段中使用。
信号的零次矩,即总功率是振幅相关参数的一个备选项。如在上文的方程中呈现的,总功率可从功率谱密度或直接从时域信号导出。另一个常用的振幅估计是均方根(RMS)振幅:
平均振幅可计算为绝对信号样本值的平均值:
相似地,中间振幅可从绝对信号样本值导出。对于峰到峰振幅估计,首先从时域信号搜索局部最小值和最大值。之后,可导出连续最小值和最大值的差异,并且用于振幅估计。RMS、平均值和中间峰到峰振幅可与上文描述的相似地导出,但用差异值代替信号样本值。
也已经在EEG信号分析中成功采用多种波分解方法。这些方法属于模仿方法组,因为它们常常有助于模仿人类观察者。在波分解方法中,也可搜索局部最小值和最大值,但常常采用比在简单的峰到峰振幅方法中更高级的逻辑和处理。波分解方法可被精细调谐以搜索一些预定的EEG模式,例如EEG尖峰等。使用例如所谓的半波等波分解的输出数据,可导出多种振幅和频率估计。
如在频率参数的情况下,可在脑波信号的参数化阶段中使用任何适当的技术来产生指示脑波信号的当前振幅的单个参数。
如上文论述的,在生成参数之前滤波可导致提高的信噪比。常常,带通滤波提高参数的灵敏度和特定性来跟踪表征痉挛活动的EEG信号变化。痉挛活动的EEG表现可粗略分成两个类别;在第一类别中可观数量的演变在短时段内(从大约10秒至大约10分钟)在EEG的频率和振幅中发生,而在第二类别中发生由具有高重复率(典型地至少每秒三个复数)的周期EEG尖峰或尖波构成的尖峰活动。频率和振幅演变常常在低于大约20Hz的频率中是最佳可见的,而尖峰活动在高于20Hz的频率中最佳地识别。通过预滤波级的截止频率的适当选择,可使该方法对感兴趣的痉挛活动更灵敏和特定。
当EEG从成年人的头皮测量时,EEG频率范围覆盖从0Hz到大约70Hz的频率。为了监测演变的痉挛,去除EEG的至少部分贝塔活动(13-30Hz)和整个伽马活动(30-70Hz)是有利的,由此提高自动化痉挛检测器的灵敏度和特定性。从而,低通滤波器的合适的截止频率在12和20Hz之间。此外,低频可包含运动伪像或其他瞬态,或由出汗或差的电极接触引起的低频波动。因此,使用具有在1和2Hz之间或附近某处的截止频率的高通滤波是有利的。在应用上文描述的滤波器后,输出数据仍然包含表征演变的痉挛的最有关的信号分量。如上文论述的,滤波可在脑波信号参数化之前实施,并且它也可在信号分成连续时期之前实施,即在图1的步骤102之前和在下文图5的步骤51之前。
参数空间还可扩展到高于两个维度,尽管因为参数空间的维度增加呈现和解释可能变得更复杂。在三维空间的情况下,第三个参数可以是例如尖峰率,其限定在预定时间窗口中检测到多少尖峰。
在一个实施例中,二维参数空间可以是自适应的,即y轴可代表例如振幅/功率的一个参数,但由x轴代表的参数可变化。例如,x轴可取决于痉挛活动的类型代表瞬时频率或尖峰率。在检测的尖峰活动的情况下尖峰率是优选参数,而对于演变的痉挛,瞬时频率是优选参数。然而,许多痉挛是这两个类别的混合物。也就是说,它们具有来自两个类别的特性。因此,过程可从信号数据确定多个参数并且监测每个参数的演变。如果具体参数示出显著的演变,参数空间的维度中的一个可设置来代表所述参数。这可应用于多于一个的参数/维度。
在包括多个信号通道的实施例中,还可检查这些通道之间的参数的时间相干性。当痉挛发生时,不同脑区的脑波信号开始采用不同的方式表现,即痉挛在不同的脑区具有不同的影响。当部分痉挛发生时这是尤其可辨别的。
图5图示多通道监测机制的一个可能实施例。在该示例中,在步骤50从受检者采集四通道EEG信号数据;两个通道从左脑半球并且两个通道从右脑半球。两个EEG信号从而从每个脑半球获得;这两个EEG信号中的第一个的测量地点更靠近前脑区,而第二个的测量地点离前脑区更远,而更靠近枕骨脑区。此外,所述两个信号中的一个的测量地点可比另一个信号更靠近颞脑区。这样,可利用大脑的全部三个维度:颅侧-尾侧、前部-后部和中间-侧面。电极安置在对侧相同位置是有利的,即左脑半球的每个电极在右脑半球的对应脑区上具有一对。每个通道的信号再次分成连续时期(步骤51)。
在图5的示例中,对于每个通道的每个时期确定两个参数;一个指示振幅并且另一个指示相应信号的频率(步骤52)。每个通道的这些参数然后在步骤53映射到参数空间(因为在每个通道上确定相同的参数,这里假设参数空间是所有通道共有的)。除四个通道特定的参数集(每个包括所述两个参数)外,导出相同脑半球的通道之间的和相对脑半球的对应通道之间的平均参数集{振幅,频率}并且映射到参数空间中(步骤54)。因此,对于每个时期获得四个另外的参数集,每个另外的集包括振幅参数的平均值和频率参数的平均值。
结果,获得四个通道特定的参数集和四个另外的参数集,并且从而可从受检者获得的四个EEG信号通道导出具有专用参考点的总共八个包络目标;在步骤55中基于通道特定参数确定的具有相应参考点的四个通道特定包络目标,以及在步骤56中基于参数的通道间平均值确定的具有相应另外的参考点的四个另外的包络目标。例如方向矢量角和距离D的演变指示器也可在步骤55和56中确定。每个步骤55和56从而对于每个时期输出痉挛指示器集,即提供有参考点和演变指示器集的包络目标。从两个或更多不同通道的数据导出的痉挛指示器集这里称为另外的痉挛指示器集,而“痉挛指示器”可指通道特定的痉挛指示器或另外的痉挛指示器。基于八个痉挛指示器集中的每个与位点和方向准则,然后可在步骤57中做出关于痉挛活动的存在/不存在的判断,例如与在图4的实施例中相似地。每个步骤57从而对于每个时期输出“痉挛活动存在”(变量SA)的真值或假值。在步骤58中,确定同时存在的真值的总数。
当检测到痉挛活动时,它在EEG信号通道中的一个或多个上是可检测的。即,因为痉挛可在大脑中局部发生,对于痉挛的检测,它足以能够在EEG通道中的一个上检测该痉挛。如果痉挛仅在上文的四个通道中的一个上是可检测的,仍然影响三个痉挛指示器集:从其中痉挛是可检测的EEG通道导出的指示器集和受所述EEG通道影响的其他两个指示器集。痉挛引致的影响从而可以在三个痉挛指示器集中存在:在从所述EEG通道导出的指示器集中和在所述通道对其有影响的两个另外的指示器集中。从而,在步骤59中使用的痉挛阈值可以是一个、两个或三个。即,在一个实施例中,如果在步骤59中检测到八个同时存在的判断中的至少一个指示痉挛活动则检测到痉挛,在另一个实施例中如果在步骤59中检测到八个同时存在的判断中的至少两个指示痉挛活动则检测到痉挛,并且在进一步的实施例中如果在步骤59中检测到八个同时存在的判断中的至少三个指示痉挛活动,则检测到痉挛。如果痉挛活动没有在步骤59中检测到,更新历史数据来获得下一个时期的更新的包络目标和参考点。
基于每个痉挛指示器集计算概率度量来获得八个概率度量也是可能的,每个度量指示相应参数集时间序列上估计的痉挛活动概率。在该实施例中,在步骤57至59中实施的操作不同于上文实施例的那些,其中在步骤57做出八个同时存在的判断。代替做出上文描述的八个时间序列特定判断,可在步骤57中计算八个概率度量。因为痉挛影响三个指示器集,过程然后可在步骤58中确定例如三个最大概率度量的平均值。在步骤59中,该平均值然后可与相应的痉挛阈值比较,由此就痉挛活动的存在/不存在做出决定。如上文,如果没有检测到痉挛活动则更新历史数据,由此获得下一个时期的更新的包络目标和参考点。
与图1的单通道实施例比较,图5的多通道实施例在痉挛检测中提供提高的知觉力,因为它在检测受限在大脑的有限区域的痉挛中是更有效率的。在其他多通道实施例中,对于痉挛活动检测使用所有通道可能不是必须的,但该方法可应用于通道的子集。此外,采用通道间的参数值可能不是必须的,而可仅使用通道特定的痉挛指示器集。然而,取决于应用,所有痉挛指示器集是基于两个或更多通道的脑波数据形成的另外的指示器集,这也可以是可能的。如果另外的痉挛指示器集基于一个或多个通道对或其他通道组合确定,这样的另外指示器集的数目可变化。此外,除平均值外另一个总值可基于通道对或通道组合确定。
从EEG数据逐个时期导出的参数也可提供有预定加权因子。参数的不同权重的使用可提高痉挛检测的灵敏度和特定性。
图6图示用于监测痉挛活动的设备或系统的一个实施例。从受检者/患者610采集的脑波数据典型地是EEG信号数据。在单通道EEG测量或双通道EEG测量的情况下,由于容易使用该测量和对患者引起的不便减少,患者的额头是优选的EEG测量地点。然而,可使用多种电极放置系统,尤其是在多通道实施例中。一个可能的放置系统连同图5描述。
从EEG传感器获得的信号供应给放大器级611,放大器级611放大信号之后,对信号采样并且在A/D转换器612中将它们转换成数字化格式。这些数字化的信号然后供应给控制和处理单元613(包括微处理器),其然后可将信号记录为EEG时间序列并且将信号分成连续时期。
控制和处理单元提供有保持从传感器获得的数字化EEG信号数据的存储器或数据库单元615。在信号数据的实际评估之前,控制和处理单元可执行用于提高EEG信号数据质量的多种预处理阶段,或所述阶段可在位于EEG传感器和控制与处理单元之间的单独元件中实施。EEG信号数据的实际记录从而采用常规方式发生,即包括上文的元件的测量装置600充当常规EEG测量装置。
另外,控制和处理单元613提供有用于在EEG通道数据中监测痉挛活动的可执行算法。为了对每个通道逐个时期确定参数,控制和处理单元可使用一个或多个参数确定算法616来从信号数据导出参数。控制和处理单元可进一步使用一个或多个映射算法617来将参数值映射到参数空间中,由此在参数空间中获得至少一个参数点时间序列,以及包络算法618,其配置成对每个时间序列确定包络目标和参数空间中的相应参考点。为了生成演变指示器集,控制和处理单元可执行适于确定演变指示器的算法619。对于演变指示器与位点和方向准则的比较,可提供单独比较算法620。控制和处理单元可进一步提供有痉挛检测算法621,其配置成当由控制和处理单元执行时对痉挛的存在判断做出,并且提供有显示控制算法622,其配置成向用户呈现监测结果。控制和处理单元可在连接到控制和处理单元的监视器614的屏幕上显示结果。这可使用关于监测和/或痉挛检测结果的文本和/或图形信息采用许多方式实施。当检测到痉挛活动时,该信息可伴随有视觉和/或听觉警报。如果对于当前时期没有检测到痉挛活动,该痉挛检测算法621可发起历史数据的更新,使得包络算法618对于包络目标和参考点的确定一直能够使用最新的历史数据。
如果使用自适应参数空间,控制和处理单元还可提供有参数监测算法623,其当由控制和处理单元执行时选择限定该参数空间的参数。
该系统进一步包括用户接口624,用户可通过其控制系统的操作。
如在图7中示出的,就监测痉挛活动来说,控制和处理单元从而可包括多个操作实体:参数确定单元71,其配置成从用于监测的每个通道的每个时期导出至少两个参数;映射单元72,其配置成将从单元71获得的这些参数映射到参数空间;以及痉挛指示器集确定单元73,其配置成对每个时间序列确定包络目标、关联的参考点和演变指示器。单元73从而可分成单独的子单元:包络单元74,其配置成确定并且更新基于历史数据获得的参考数据,即包络目标和参考点;以及演变指示器单元75,其配置成基于最新的参数点确定演变指示器。该参数确定单元71可提供有预滤波器70,用于在脑波信号数据的参数化之前去除伽马活动和贝塔活动的一部分。
每个时间序列的痉挛指示器集可作为输入数据供应给指示单元76,其配置成采用该输入信息,由此给予用户痉挛活动的指示。该指示单元可包括比较和判断做出单元77、78,其分别配置成比较演变指示器集与预定位点和方向准则,并且对痉挛活动的存在做出判断。该判断做出单元可控制包络单元中历史数据的更新,其取决于是否检测到痉挛活动。然而,该判断做出单元还可实施包络单元的更新。更新需要的操作包括在单元77、78和74中,并且因此所述单元可被认作更新单元,其有条件地更新历史数据和包络目标以及参考点。如果使用自适应参数空间,控制和处理单元可进一步包括参数监测单元79,其配置成选择限定参数空间的参数。
要注意到图6和图7图示控制和处理单元的功能性在逻辑意义上并且鉴于信号演变的评估的划分。在真实设备中,功能性可采用不同方式分布在该设备的元件或单元之间。例如,映射功能和用于确定痉挛指示器集的功能可包括在相同单元中。此外,每个单元可对一个或多个通道/时间序列实施它的操作,并且参数单元可确定一个或多个通道对或通道组合的参数总值,例如平均值。此外,功能性取决于实施例。例如,功能性可取决于是否实现痉挛活动的存在/不存在的机器生成的通知而相当大地不同。
此外,尽管一个控制和处理单元(数据处理实体)可执行需要的计算,但脑波信号数据的处理可分布在分布式系统或例如医院LAN(局域网)的网络内的不同的数据处理实体之间。例如,常规测量装置可记录EEG信号数据,并且例如处理器或服务器的外部计算实体可负责痉挛监测。
脑波信号数据可以是EEG信号数据或脑磁图(MEG)信号数据。MEG指示大脑活动的磁分量,即它是EEG的磁对应物。测量装置600从而还可充当常规MEG测量装置,尽管MEG测量设置比EEG测量设置贵得多。
使常规EEG或MEG测量装置600能够监测/检测痉挛波形的软件也可单独地送交给测量装置,例如在诸如CD或存储器卡的数据载体上,或通过电信网络。也就是说,常规EEG或MEG测量装置可通过包括软件的插入单元升级,该软件使该测量装置能够评估信号演变并且可能地还能够采用上文描述的方式检测痉挛。软件模块可包括算法617至620和622,并且可能地还包括算法621,尽管算法621的内容可取决于用户视图的实现。为了维持更新的历史数据,需要算法620的比较功能性用于决定何时更新历史数据。软件还可用于离线分析脑波信号数据。万一常规测量装置确定对于痉挛指示器的确定需要的参数,从软件模块省略参数算法616可以是可能的。配置成从脑波信号数据导出参数集序列的软件部分还可包括上文描述的预滤波器,其配置成在导出参数集序列之前从脑波信号数据去除伽马活动和至少部分贝塔活动。软件插入单元可利用监测痉挛活动的专用显示单元。
上文,描述用于几何地产生包络目标的一个方法。备选地,包络目标可分析地产生。作为分析包络目标创建的示例,下文呈现一些原理。首先,目标可在参数空间中分析地描述。这些实现包括从参数集分布计算统计变量,并且基于那些变量限定闭合曲线。为了给出示例,参数集可被正交化,并且可限定椭圆(在2-D参数空间中)或椭圆体(在3-D参数空间中),其描述该分布。例如,半轴可由最大化方差的方向限定(PCA-主分量分析):让D代表之前居中的参数点的矩阵,具有是参数点的行。应用奇异值分解来获得D=WSV T,其中W包含D的奇异值矢量,或等同地可以连同S的对角值使用来限定所述闭合曲线的参数点的协方差的特征矢量。在PCA中,半轴的方向由最大化方差的准则限定。再一个示例是使用ICA(独立分量分析),其实现最大化变量的统计独立性的准则。又一个示例将是限定每个参数值的范围,和限定矩形(在2-D参数空间中)或矩形立方体(在3-D参数空间中),其封入参数集或参数集的子集。第二,包络目标可由参数集描述。示例是上文描述的凸包。该包可限定为参数集的列表。
本书面描述使用示例来公开包括最佳模式的本发明,并还使本领域技术人员能制作和使用本发明。本发明可取得专利的范围由权利要求定义,且可包括本领域技术人员想到的其它示例。如果此类其它示例具有与权利要求字面语言无不同的结构要素或操作要素,或者如果它们包括与权利要求字面语言无实质不同的等效结构要素或操作要素,则它们规定为在权利要求的范围之内。
附图标记列表
101获得脑波信号数据
102脑波信号数据分成时期
103确定参数集
104将参数集映射到参数空间中
105检查现有包络目标和参考点
106检查收集的数据
107生成包络目标和参考点
108比较步骤
109痉挛准则测试
110指示痉挛活动
111更新包络目标和参考点
21二维参数空间
22包络目标
23参考点
24参数点
25包络目标的边界(凸包)
31包络目标
32参考点
33方向向量
34参数点
35扇形
36、37扇形限制
38包络目标的边界
401获得历史数据
402生成/更新包络目标和参考点
403确定方向矢量
404检查第一准则
405检查第二准则
406计数器递增
407检查第三准则
408检查第四准则
409布尔变量的设置
410测量恢复测试
412变量的设置
50脑波信号数据的采集
51数据分成时期
52参数的确定
53、54参数集映射到参数空间中
55、56痉挛指示器集的确定
57判断做出步骤
58确定正面判断的数目
59痉挛判断做出
600测量装置
610受检者/患者
611放大器级
612A/D转换器
613控制和处理单元
614显示单元/监视器
615存储器/数据库
616参数确定算法
617映射算法
618包络算法
619演变指示器算法
620比较算法
621痉挛检测算法
622显示控制算法
623参数监测算法
70预滤波器
71参数确定单元
72映射单元
73痉挛指示器集确定单元
74包络单元
75演变指示器单元
76指示单元
77比较单元
78判断做出单元
79参数监测单元。
Claims (10)
1.一种用于监测大脑中的痉挛活动的设备,所述设备包括:
-参数确定单元(616;71),其配置成从自受检者(610)获得的脑波信号数据导出第一参数集序列,其中所述第一参数集序列包括序贯参数集并且每个参数集包括至少两个信号参数的值,所述值从所述脑波信号数据导出;
-包络单元(618;74),其配置成(i)在由所述至少两个信号参数限定的参数空间中从所述第一参数集序列确定包络目标和(ii)确定参考点,其中所述包络目标包含所述参数空间中的所述第一参数集序列,并且其中所述参考点在所述参数空间中的位点取决于所述第一参数集序列;
演变指示器单元(619;75),其配置成限定演变指示器集,所述演变指示器集指示(a)第二参数集序列相对于所述包络目标的位点和(b)第二参数集序列相对于所述参考点的方向,其中所述参数确定单元(616;71)配置成导出所述第二参数集序列并且其中所述第二参数集序列包括所述第一参数集序列的所述序贯参数集后的至少一个参数集;
更新单元(621、618;74、77、78),其配置成基于(i)所述第一参数集序列的序贯参数集和(ii)所述第二参数集序列有条件地执行所述包络目标和所述参考点的更新,其中所述更新单元配置成如果所述演变指示器集未能满足指示痉挛活动的预定位点和方向准则就执行所述更新,并且如果所述演变指示器集满足所述预定位点和方向准则就跳过所述更新;以及
指示单元(622;76),其配置成指示所述演变指示器集是否满足所述预定位点和方向准则,由此产生所述脑波信号数据中的痉挛活动的指示。
2.如权利要求1所述的设备,进一步包括配置成从所述受检者采集所述脑波信号数据的测量单元。
3.如权利要求2所述的设备,其中
-所述测量单元配置成从所述受检者采集多个脑波信号通道,其中每个脑波信号通道包含所述脑波信号数据;
-所述参数确定单元(616;71)配置成导出所述多个脑波信号通道中的每个的所述第一参数集序列,由此获得对应的多个第一参数集序列;
-所述包络单元(618;74)配置成(a)从所述对应的多个第一参数集序列中的每个确定所述包络目标,由此获得对应的多个包络目标,以及(b)确定所述对应的多个第一参数集序列中的每个的所述参考点,由此获得对应的多个参考点;
-所述参数确定单元(616;71)配置成获得所述多个脑波信号通道中的每个的所述第二参数集序列,由此获得对应的多个第二参数集序列;
-所述演变指示器单元(619;75)配置成确定所述对应的多个第二参数集序列中的每个的演变指示器集,由此获得对应的多个演变指示器集;以及
-所述更新单元(621、618;74、77、78)配置成比较所述对应的多个演变指示器集中的每个与所述预定位点和方向准则,由此获得对应的多个比较结果;以及
-所述指示单元(622;76)配置成基于所述对应的多个比较结果产生痉挛活动的所述指示。
4.如权利要求1所述的设备,其中,所述至少两个信号参数包括指示所述脑波信号数据的瞬时频率的第一信号参数,以及指示所述脑波信号数据的功率的第二信号参数。
5.如权利要求4所述的设备,其中
-所述参数空间(21)的维度由所述第一信号参数和所述第二信号参数确定;以及
-所述更新单元配置成检查所述第二参数集序列是否在所述包络目标(31)外和在所述参数空间中的扇形(35)内,其中所述参考点(32)构成所述扇形的顶点。
6.如权利要求3所述的设备,其中
-所述参数确定单元(616;71)进一步配置成导出至少一个另外的第一参数集序列,其中所述至少一个另外的第一参数集序列中的每个包括序贯参数集,并且每个参数集包括所述至少两个信号参数的总值,每个总值从脑波信号通道的给定集导出;
-所述包络单元(618;74)进一步配置成确定所述至少一个另外的第一参数集序列中的每个的包络目标,由此获得至少一个另外的包络目标,以及确定所述至少一个另外的第一参数集序列中的每个的参考点,由此获得至少一个另外的参考点;
-所述演变指示器单元(619;75)进一步配置成确定所述至少一个另外的包络目标中的每个的另外的演变指示器集,由此获得至少一个另外的演变指示器集;以及
-所述更新单元(621、618;74、77、78)配置成比较所述至少一个另外的演变指示器集中的每个与所述预定位点和方向准则,由此获得至少一个另外的比较结果;以及
-所述指示单元(622;76)进一步配置成基于所述对应的多个比较结果和所述至少一个另外的比较结果产生痉挛活动的所述指示。
7.如权利要求1所述的设备,其中,所述包络单元(618;74)配置成通过凸包算法几何地确定所述包络目标。
8.如权利要求1所述的设备,其中所述指示单元(622;76)配置成至少当所述演变指示器集满足所述预定位点和方向准则时产生痉挛活动的所述指示。
9.如权利要求8所述的设备,其中所述指示单元(622;76)配置成当跳过所述更新时指示痉挛活动的存在并且当执行所述更新时指示痉挛活动的不存在。
10.一种用于监测大脑中的痉挛活动的装置,包括:
用于从自受检者(610)获得的脑波信号数据导出第一参数集序列的第一装置,其中所述第一参数集序列包括序贯参数集并且每个参数集包括至少两个信号参数的值,所述值从所述脑波信号数据导出;用于(i)在由所述至少两个信号参数限定的参数空间(21)中从所述第一参数集序列确定包络目标(22;31)和(ii)确定参考点(23;32)的第二装置,其中所述包络目标包含所述参数空间中的所述第一参数集序列,并且其中所述参考点在所述参数空间中的位点取决于所述第一参数集序列;
用于限定演变指示器集的第三装置,所述演变指示器集指示(a)第二参数集序列相对于所述包络目标(22;31)的位点和(b)所述第二参数集序列相对于所述参考点(23;32)的方向,其中所述第一装置配置成导出所述第二参数集序列并且其中所述第二参数集序列包括所述第一参数集序列的所述序贯参数集后的至少一个参数集;
用于基于(i)所述第一参数集序列的所述序贯参数集和(ii)所述第二参数集序列有条件地执行所述包络目标(22;31)和所述参考点(23;32)的更新的第四装置,其中所述第四装置配置成如果所述演变指示器集未能满足指示痉挛活动的预定位点和方向准则就执行所述更新,并且如果所述演变指示器集满足所述预定位点和方向准则就跳过所述更新;以及
用于指示所述演变指示器集是否满足所述预定位点和方向准则,由此产生所述脑波信号数据中的痉挛活动的指示的第五装置。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US13/190009 | 2011-07-25 | ||
US13/190,009 US8600493B2 (en) | 2011-07-25 | 2011-07-25 | Method, apparatus and computer program product for automatic seizure monitoring |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102973266A CN102973266A (zh) | 2013-03-20 |
CN102973266B true CN102973266B (zh) | 2015-11-18 |
Family
ID=47597785
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210259105.XA Active CN102973266B (zh) | 2011-07-25 | 2012-07-25 | 用于自动痉挛监测的方法、设备和计算机程序产品 |
Country Status (2)
Country | Link |
---|---|
US (1) | US8600493B2 (zh) |
CN (1) | CN102973266B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9072482B2 (en) * | 2010-09-16 | 2015-07-07 | General Electric Company | Method and apparatus for automatic seizure monitoring |
US10595787B2 (en) * | 2011-10-14 | 2020-03-24 | Flint Hills Scientific, Llc | Apparatus and systems for event detection using probabilistic measures |
US10420937B2 (en) * | 2014-06-23 | 2019-09-24 | Hrl Laboratories, Llc | Method and apparatus to determine optimal brain stimulation to induce desired behavior |
WO2018200723A1 (en) | 2017-04-25 | 2018-11-01 | Washington University | Resorbable implant for stimulating tissue, systems including such implant, and methods of using |
WO2019060298A1 (en) | 2017-09-19 | 2019-03-28 | Neuroenhancement Lab, LLC | METHOD AND APPARATUS FOR NEURO-ACTIVATION |
US11717686B2 (en) | 2017-12-04 | 2023-08-08 | Neuroenhancement Lab, LLC | Method and apparatus for neuroenhancement to facilitate learning and performance |
US11478603B2 (en) | 2017-12-31 | 2022-10-25 | Neuroenhancement Lab, LLC | Method and apparatus for neuroenhancement to enhance emotional response |
US11364361B2 (en) | 2018-04-20 | 2022-06-21 | Neuroenhancement Lab, LLC | System and method for inducing sleep by transplanting mental states |
WO2020056418A1 (en) | 2018-09-14 | 2020-03-19 | Neuroenhancement Lab, LLC | System and method of improving sleep |
GB2579827A (en) * | 2018-12-14 | 2020-07-08 | Brainpatch Ltd | Brain interfacing apparatus and method |
US11786694B2 (en) | 2019-05-24 | 2023-10-17 | NeuroLight, Inc. | Device, method, and app for facilitating sleep |
US20210022636A1 (en) * | 2019-07-23 | 2021-01-28 | Mindsall, Inc. | Bio-signal detecting headband |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5010890A (en) * | 1983-08-11 | 1991-04-30 | Vitacomm, Ltd. | Vital signs monitoring system |
CN101259016A (zh) * | 2007-03-06 | 2008-09-10 | 李小俚 | 实时自动检测癫痫特征波的方法 |
CN101284156A (zh) * | 2008-06-02 | 2008-10-15 | 西安电子科技大学 | 注意缺陷障碍症的个性化矫治方法及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060100530A1 (en) * | 2000-11-28 | 2006-05-11 | Allez Physionix Limited | Systems and methods for non-invasive detection and monitoring of cardiac and blood parameters |
WO2005071600A1 (en) * | 2004-01-15 | 2005-08-04 | Koninklijke Philips Electronics, N.V. | Decision support system to detect the presence of artifacts in patients' monitoring signals using morphograms |
US9072482B2 (en) * | 2010-09-16 | 2015-07-07 | General Electric Company | Method and apparatus for automatic seizure monitoring |
-
2011
- 2011-07-25 US US13/190,009 patent/US8600493B2/en active Active
-
2012
- 2012-07-25 CN CN201210259105.XA patent/CN102973266B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5010890A (en) * | 1983-08-11 | 1991-04-30 | Vitacomm, Ltd. | Vital signs monitoring system |
CN101259016A (zh) * | 2007-03-06 | 2008-09-10 | 李小俚 | 实时自动检测癫痫特征波的方法 |
CN101284156A (zh) * | 2008-06-02 | 2008-10-15 | 西安电子科技大学 | 注意缺陷障碍症的个性化矫治方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
US20130030317A1 (en) | 2013-01-31 |
CN102973266A (zh) | 2013-03-20 |
US8600493B2 (en) | 2013-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102973266B (zh) | 用于自动痉挛监测的方法、设备和计算机程序产品 | |
US9072482B2 (en) | Method and apparatus for automatic seizure monitoring | |
US10849563B2 (en) | Methods and systems for brain function analysis | |
US10420499B2 (en) | Method and system of detecting seizures | |
CA3045904A1 (en) | Semiology of seizures including muscle signals collected from electroencephalography electrodes | |
US10736525B2 (en) | Systems and methods for characterization of seizures | |
WO2007149553A2 (en) | Alertness/drowsiness and cognitive capacity index | |
CN114615924B (zh) | 基于脑电图(eeg)非线性变化的用于癫痫发作检测的系统和方法 | |
KR101768332B1 (ko) | 우울 정도를 실시간으로 분석하는 방법 및 그 시스템 | |
EP3451903A1 (en) | Predictive neuromarkers of alzheimer's disease | |
CN106551691A (zh) | 一种心率变异性分析方法、装置及用途 | |
Migliorelli et al. | SGM: a novel time-frequency algorithm based on unsupervised learning improves high-frequency oscillation detection in epilepsy | |
Wei et al. | Epileptic seizure detection in clinical EEGs using an XGBoost-based method | |
WO2021075548A1 (ja) | 脳状態推定装置、コンピュータプログラム、脳状態推定方法、脳機能の検査システムおよび方法 | |
WO2004028362A1 (en) | Eeg-based fatigue detection | |
Shi et al. | Microstate feature fusion for distinguishing AD from MCI | |
George et al. | Predicting Autonomic Dysfunction in Anxiety Disorder from ECG and Respiratory Signals Using Machine Learning Models. | |
Wu et al. | Epileptic seizure detection system based on multi-domain feature and spike feature of EEG | |
Zhao et al. | A knowledge-based approach for automatic quantification of epileptiform activity in children with electrical status epilepticus during sleep | |
Lu et al. | Automated detection of dynamical change in EEG signals based on a new rhythm measure | |
CN114469138A (zh) | 基于时频域的脑电爆发抑制模式的检测方法、系统及介质 | |
KR102142694B1 (ko) | 뇌신경 질환 진단 시스템 및 방법 | |
Karimoi et al. | Classification of EEG signals using hyperbolic tangent-tangent plot | |
GB2578929A (en) | Automatic brain disorder tendency screening using statistical features of MEG data | |
Shams et al. | Fuzzy model for detection and estimation of the degree of autism spectrum disorder |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |