CN103200866A - 可现场部署的震荡评估装置 - Google Patents

Abstract

描述了一种用于评估外伤性脑部损伤（TBI）的装置和方法。该装置被配置成使用一个或多个神经学电极从患者的前额采集脑电信号。使所采集的脑电活动数据受到伪像拒绝和特征提取，然后在至少一个分类器功能中组合特征的子集。分类器功能在统计学上将患者置于与脑部机能障碍程度相关的四个类别之一中：1）正常脑电活动；2）符合具有功能性脑部损伤的较不严重临床表现的非结构性损伤的异常脑电活动；3）符合具有功能性脑部损伤的更严重临床表现的非结构性损伤的异常脑电活动；以及4）符合结构性脑部损伤的异常脑电活动。

Description

可现场部署的震荡评估装置

技术领域

本公开涉及神经学评估领域，以及具体而言，涉及一种便携式手持设备和方法，其用于在护理点对患者执行神经学拣别。

背景技术

脑部执行着人体内最复杂和实质性的过程。令人惊讶的是，当代的卫生保健缺乏完善的工具来在护理点客观评估脑部功能。通常通过会见和主观身体检查来评估患者的精神和神经学状态。临床实验室当前没有能力评估脑部功能或病理，只不过能够有助于识别可能从外部影响中枢神经系统（CNS）的毒物、毒素或药物。

脑部成像研究，例如计算层析成像（CT）和磁共振成像（MRI），被广泛用于对脑部结构进行可视化。不过，CT扫描和MRI是解剖学测试，并揭示了非常少的脑部功能信息。例如，在CT扫描上，中毒、震荡、活动癫痫、新陈代谢脑病、感染和众多其他状况（例如糖尿病性昏迷）不显现异常。经典的中风或外伤性脑部损伤（TBI）可能不会立即被成像测试可视化，即使存在清晰且显著的异常脑部功能。类似地，与大多数震荡性脑部损伤病例中存在的神经纤维切变相关的弥漫性轴突损伤（DAI）可能在大多数常规结构图像上仍然不可见。如果未在早期检测到，因DAI造成的肿胀或水肿可能接下来导致昏迷和死亡。

功能性MRI（fMRI）是对MRI的新近改善，其提供脑部各部分中氧合血红蛋白的浓度的相对图像。尽管氧合血红蛋白的浓度是特定脑部区域的新陈代谢功能的有用指标，但其提供了关于脑部之内的基础电化学过程的非常有限的信息。

此外，CT和MRI/fMRI测试装置由于其尺寸、功率需求和成本原因，而不能现场部署。这些评估工具在选定的情况下起着重要作用，但它们并非普遍可用的，需要有经验的人员操作，并且MRI/fMRI在急性神经学状况的早期不提供充分的关键信息。当前的技术不能提供对于及时介入、适当拣别关键的即时信息，以便制定护理急性脑部外伤的适当计划。令人遗憾的是，脑部具有对于修复的非常有限的能力，并且因此在治疗脑部损伤时，时间敏感的拣别和介入是非常重要的。

当前，具有改变的精神状态、急性神经病或头部外伤的急诊室患者必须进行昂贵且耗时的测试以确定通向治疗过程的适当的诊断。令人遗憾的是，在很多情况下，患者的临床状况可能会随着他们等候设备变为可用或等候专家到达和/或在现场外解释测试而恶化，这样的测试不足以诊断患者的状况。ER医生面对的问题是他们的资源限于主观身体检查，并且所有医生关于紧急治疗的管理、神经病学家的额外会诊或患者出院的决定都基于这种身体检查的结果。常常将ER患者送往成像研究，但如早前所讨论的，很多功能性脑部异常在CT扫描或MRI上不可见。最终具有解剖学和结构结论的一些异常往往花费时间来在成像测试上变得可见。这对于很多重要状况而言是成立的，例如局部缺血中风、震荡/外伤性脑部损伤（TBI）、颅内压升高等。这表明需要实时功能性脑部状态评估技术，其可以在ER或在非固定环境下执行，并能够在当今可用的标准临床评估工具之前几个小时检测紧急的神经学状况。而且，还需要一种用于检测远在战场的军人中的TBI以及用于检测运动员中的运动相关的脑部损伤的护理点评估工具。可现场部署、可容易访问、非辐射发射、易用的脑部状态评估工具可能对军队医疗卫生系统（MHS）中颅脑损伤的成功临床管理具有重要影响。类似地，快速的现场评估震荡性颅脑损伤可以防止对已经遭受第一次外伤性脑部影响的运动员造成重复性损伤和“二次影响综合症”。

基于检测和分析脑电活动的EEG（脑电图法）技术，当今在神经诊断中被接受为一种定量脑部状态评估工具。不过，其在临床环境中的应用是特别有限的。限制其采用的一些障碍包括：EEG设备的成本，需要熟练技术人员来管理测试，进行测试要花费时间，以及需要专家解释原始数据。仪器实质上产生了原始的波形，其必须要由专家进行认真解释。数据被EEG技术人员收集和分析，并然后呈现给神经病学家以用于解释和临床评估。此外，在没有额外的信号处理的情况下，对于这些状况中的很多，例如TBI，波形不能被解释专家看到。这使得当前可用的EEG设备对于急诊室中或其他护理点环境处的神经拣别应用是不可行的。更为重要的是，当前的技术不是现场便携式（手持式）的，这使其对于各种现场应用（例如在战场或在体育场事件处）是不切实际的。于是，迫切需要一种具有基于脑电活动的实时结果的手持式客观工具，其能够为患有急性脑部损伤或疾病的患者提供迅速的护理点神经学拣别和治疗指导。

发明内容

本公开通过提供便携式手持装置解决了护理点神经拣别的需求，用于对患者的脑电活动进行客观实时评估。本公开的第一方面包括用于评估患者体内外伤性脑部损伤的设备。该设备包括患者传感器和手持式基本单元，所述患者传感器具有至少一个神经学电极，用于从患者采集脑电信号，该基本单元操作性耦合到患者传感器，用于处理采集的脑电活动数据。基本单元包括数字信号处理器，其被配置成脑电活动数据执行对伪像的自动识别和消除，从数据提取一个或多个特征，以及执行至少三个二元分类功能以将所述患者分类到指示外伤性脑部损伤的存在和严重程度的四个类别之一中。

本公开的另一方面包括一种用于评估患者体内的外伤性脑部损伤的方法。该方法包括如下步骤：将至少一个神经学电极连接到患者的前额以采集脑电信号，以及提供操作性连接到至少一个神经学电极的手持式基本单元，以处理采集的脑电信号。所述基本单元包括数字信号处理器，其被配置成从采集的脑电活动数据执行对伪像的自动识别和消除，从数据提取一个或多个特征，以及执行至少三个二元分类功能以将所述患者分类到指示外伤性脑部损伤的存在和严重程度的四个类别之一中。

要理解，上述一般描述和以下详细描述两者仅仅是示范性和解释性的，并且不是对所要求保护的发明的限制。

并入本说明书中并构成其一部分的附图，图示了本发明的实施例，并与描述一起用于解释本发明各方面的原理。 

附图说明

图1是根据本公开的示范性实施例的神经评估设备的示意图；

图2是根据本公开的示范性实施例的使用临床特性来组织训练数据集的过程的流程图；

图3是根据本公开的示范性实施例的将三个二元分类器以级联方式进行组合时的分类过程的流程图；

图4是根据本公开的示范性实施例的并行执行三个二元分类器时的分类过程的流程图；

图5A-5D图示出了根据本公开的示范性实施例的由神经评估设备为涉及TBI程度的每个类别提供的临床指导；

图6是示出了根据本公开的示范性实施例的针对与TBI程度相关的每个类别的分类结果的表格。

具体实施方式

现在将对符合本公开的某些实施例做出详细参考，附图中图示出了其范例。只要可能，将遍及附图使用相同的附图标记来指代相同或相似的部分。

在示范性实施例中，使用与脑电活动对应的数据来检测患者体内的神经学损伤或疾病。在护理点处使用便携式神经评估装置来测量并分析脑电信号。在本公开的示范性实施例中，使用位于头皮和前额上的标准化位置的变化数量的电极来记录受检者的脑电活动，并且参考一个或多个数据库来评估受检者的脑电信号。例如，使用指示正常脑电活动的收集的规范数据来建立脑电活动的定量特征，其明确地区分在有和无急性神经系统紊乱的情况下所产生的脑部信号。这种规范的数据集包括群体控制组的脑部活动数据。数据库中的规范群体包括在一个或多个方面，例如年龄、性别等与受检者类似的个人。在一个示范性实施例中，使用作为年龄的函数的回归方程来将受检者与数据库中的个人进行比较。由发明人所采用的所收集的规范数据库已经示出了独立于人种背景，并且具有极高的测试-再测试可靠性、特异性（较低的假阳性比率）和灵敏度（较低的假阴性比率）。

根据符合本公开的实施例，图1示出了一种神经评估设备10，用于采集并处理脑电信号，并提供对患者神经学状况的评价。在示范性实施例中，神经评估设备10被实现为用于护理点应用的便携式装置。这种设备由患者传感器40构成，患者传感器40可以耦合到基本单元42，基本单元42可以是手持式的，如图1所图示的。患者传感器40可以包括电极阵列20，该电极阵列20包括至少一个一次性神经学电极，其将被附着于患者头部，以采集脑电信号。该电极被配置用于感测自发的脑部活动以及响应于施加的刺激（例如听觉、视觉、触觉刺激等）而生成的诱发电势两者。在一个示范性实施例中，设备包括五个（活动）通道和三个参考通道。根据国际10/20电极放置系统（AFz除外），电极阵列20由要附着于受检者前额的前（正面）电极：Fp1、Fp2、F7、F8、AFz（也称为Fz'）和Fpz（参考电极）以及要置于耳垂前侧或后侧或在乳突骨上的电极A1和A2构成。如本领域的普通技术人员将理解的，根据需要以及在需要时可以利用其他电极配置。

在一个示范性实施例中，神经评估设备10利用听觉诱发的电势（AEP）信号的优点以绘制特定的听觉、神经学和精神病学的机能障碍。在这样的实施例中，患者传感器40包括任选的可重复使用的耳机35，以在任一只耳朵中提供听觉刺激滴答声（click）。

患者传感器40还包括两个可重复使用的患者接口电缆，其被设计成插入基本单元42中并在患者传感器40和基本单元42之间提供直接通信。第一电缆是电信号电缆41a，其可以配备有标准的揿钮连接器，以附着到置于患者头皮上的一次性电极。第二电缆是AEP刺激电缆41b，其能够提供到耳机31的连接，以用于听觉刺激输送。也可使用其他听觉刺激，以引起中间延迟（20-80毫秒）或晚期听觉反应（>80毫秒），包括P300。

基本单元42主要包括模拟电子模块30、数字电子模块50、用户接口46、刺激发生器54、显示器44和电池43，如图1中所图示的。在某些实施例中，用户接口46和显示器44被组合成单个的输入和输出单元，例如，触摸屏用户接口。模拟电子模块从通过电缆41a操作性连接的神经学电极中的一个或多个接收信号。模拟模块被配置成放大、过滤和预处理从电极采集的模拟波形。模拟模块可以包括信号放大通道，信号放大通道包括至少一个差分放大器、至少一个共模检测器和至少一个具有滤波器的增益级。模拟模块30还可以包括复用器（MUX）和模数转换器（ADC），该复用器组合很多模拟输入信号并将其输出到单个通道中，该模数转换器对所接收到的模拟信号进行数字化。数字电子模块50然后能够处理通过模拟模块30所采集的数字化数据，并能够对数据执行分析以辅助解释脑电活动波形。

再次参考图1，数字电子模块50可以与多个额外装置部件操作性连接。在示范性实施例中，数字电子模块50包括用于处理与所采集的脑电信号对应的数据的数字信号处理器（DSP）51以及存储用于处理数据的指令（例如DSP算法）的存储器52。处理器51可以被配置成执行以下任务-

a) 从采集的脑电信号数据自动识别和消除几种类型的信号伪像；

b) 提取线性和非线性信号特征；以及

c) 使用预先选择的年龄归一化特征（z分数）的子集来进行基于线性和非线性判别分析的分类。

处理器51被配置成实施DSP算法以识别被非脑部生成的伪像所污染的数据，所述非脑部生成的伪像诸如是眼部运动、由肌张力所产生的肌电图活动（EMG）、尖峰（冲击）、外部噪声等，以及并非固定背景状态的估计的一部分的脑部的不常见电活动。使用来自对链接的耳朵（A1+A2）/2参考的五条活动引线Fp1、Fp2、F7、F8、AFz并以100Hz进行采样的信号作为输入来执行伪像识别。在一个实施例中，将2.56秒的输入数据时期（每个时期256个样本）分成长度为320ms的8个基本数据单位（子时期）（每个子时期32个数据点）。基于每个子时期进行伪像识别，并且在每种类型的所识别伪像段附近实现防护频带。然后从至多两个连续数据段构造无伪像的时期，其中每个数据段都不短于960ms（其对应于3个连续的子时期的时间跨度）。然后处理所得到的无伪像数据以提取信号特征并对提取的特征进行分类以提供临床结果。

在另一实施例中，使用美国专利申请公布No. 2009/0263034A1中描述的信号处理方法来执行信号去噪声，在此通过引用将其全文并入。在符合本公开的一个实施例中，伪像识别和拒绝算法遵循以下步骤：

a. 将信号变换成多个信号分量；

b. 计算分量的分形维数；

c. 基于其分形维数识别噪声分量；

d. 自动衰减所识别的噪声分量；

e. 使用逆变换来重构去噪声的信号。

输入的模拟脑电信号首先被数字化，并然后使用线性或非线性信号变换方法，例如快速傅里叶变换、基于独立分量分析（ICA）的变换、小波变换、小波分组变换等，将其解构成其构成系数。然后在变换域中计算系数的分形维数，并衰减分形维数高于预设阈值的系数。然后使用逆信号变换来重新混合完好的和重新缩放的系数以生成去噪声的信号，其进一步被处理以提取信号特征并对提取的特征进行分类。

处理器51被配置成执行存储器52中包含的指令以执行用于从处理过的信号提取定量特征的算法。在一个实施例中，该算法从脑波频带提取各种线性和非线性特征：Delta（1.5-3.5Hz）、Theta（3.5-7.5Hz）、Alpha（7.5-12.5Hz）、Alpha1（7.5-10Hz）、Alpha2（10-12.5Hz）、Beta（12.5-25Hz）、Beta2（25-35Hz）、Gamma（35-50Hz）和高频EEG（>50Hz）。在示范性实施例中，所计算的特征包括，但不限于绝对功率、相对功率、平均频率、相干性、对称性、分形维数、复杂小波特征、熵、基于交互信息的特征和若干种统计学谐波变量。特征提取算法以采取多个“无伪像”或“去噪声”时期作为输入，这些时期具有2.56秒的时间长度，其对应于在100Hz采样的数据的256个样本。计算全套单极和双极特征，并然后针对高斯性（Gaussianity）进行变换。一旦已经证明了高斯分布并应用了年龄回归，则执行统计学Z变换以产生Z分数。使用Z变换来描述与年龄预期正常值的偏差：

Z= 受检者值位于正常范围之内的概率

 

针对每个特征，并针对每个电极，使用来自被认为正常或具有其他预诊断状况的受检者大群体的响应信号的数据库，计算Z分数。具体而言，将每个提取的特征转变为Z变换分数，其表征在受检者体内观察到的所提取特征将符合正常值的概率。

处理器51还被配置成执行基于判别式的分类算法，其中将提取的特征或Z分数分类到一个或多个类别中。在一个实施例中，使用一个或多个线性判别函数执行分类，如美国申请No. 11/195001、美国专利No. 7720530和美国专利申请公开No.2007/0032737中所描述的，在此通过引用将其并入。在另一实施例中，通过将信号特征子集组合成一个或多个二次判别函数来进行分类。设计或构造以任何分类任务为目标的判别函数（例如“正常”vs.“异常”脑部功能）需要从特征N的大可用池选择一组定量信号特征K（其中N>>K）。选择“最好的”特征产生“最好的”分类性能，其特征在于，例如最高的灵敏度/特异性和最低的分类错误率。在说明性实施例中，通过（从所有定量特征的集合）选择特征子集，从训练数据集构造一个或多个二次分类器，以及构造使用这些特征作为输入并产生向特定类别分配受检者数据作为其输出的数学函数。在一些实施例中，训练数据集包括在有或没有异常脑部状态的情况下生成的受检者自己的脑电活动数据的数据库。在一些其他实施例中，训练数据集包括对于其而言先验分类信息可用的所存储的群体参考数据库，例如包括指示具有正常脑部状态的第一多个个体的脑电活动的群体规范数据或指示具有变化水平的脑部异常的第二多个个体的脑电活动的群体参考数据的数据库。

分类器的精确度取决于包括分类器规格的一部分的特征的选择。良好选择的特征不仅可以改善分类精确度，而且减少实现期望水平的分类性能所需的训练数据项的量和质量。在示范性实施例中，使用这里称为“简单特征挑选器” （SFP）算法的特征选择算法来执行对于二元分类任务而言“最好的”特征的搜索。SFP算法通过评价数据库中的所有特征并选择提供最好分类器性能的特征来选择第一特征。选择后续特征以在分类器性能中给出最好的增量改善。使用直接与分类性能相关的目标函数来测试分类器性能。在示范性实施例中，由SFP算法使用的目标函数是二次判别式函数的接收者操作特性（ROC）曲线下方的面积，其通常被称为“曲线下的面积”（AUC）。对于给定的基于判别式的二元分类器，ROC曲线表明在分类阈值T的不同值下可以从分类器预期的灵敏度和特异性。一旦选择了临界值（或阈值）T，测试的输出就变为二元的，并且可以计算针对该特定阈值的灵敏度和特异性。ROC是通过如下点的集合的曲线：{（1-特异性（T），灵敏度（T））}，这是通过以0和100之间的固定增量改变阈值T的值所获得的。在获得ROC曲线之后，计算ROC曲线下方的面积（AUC）。AUC是0和1之间的单个数字，其关联地反映了二元分类器的灵敏度和特异性。于是，AUC提供了可实现的分类器性能的定量全局度量。

在另一个示范性实施例中，SFP算法在每次迭代时向分类器增加多个特征，在每个迭代步骤计算所得到的分类器的AUC，并选择提供AUC中的最大改善的特征。

在又一个示范性实施例中，使用一个或多个演化算法，例如遗传算法、随机突变爬山法和修正的随机突变爬山法，来执行特征选择。

在构造分类器之后，使用对于其而言金本位分类数据可用的测试数据集来评价分类精确度。在一些实施例中，测试数据集与训练集分开。在某些其他示范性实施例中，将所有可用的数据都用于训练和测试分类器。在这样的实施例中，使用10倍和/或留一法（leave-one-out，LOO）交叉验证方法来评价分类器的性能。在构造分类器并测试精确度之后，可以将其用于将未标记的数据记录分类为属于特定类别。

在本公开的示范性实施例中，设计并实施一个或多个二次判别式函数以用于将患者分类到与由外伤性脑部损伤导致的脑部机能障碍的程度相关的四个类别之一中。四个类别包括：1）正常脑电活动；2）符合具有功能性损伤的较不严重的临床表现（这里也称为“轻微TBI”）的非结构性损伤的异常脑电活动；3）符合具有功能性损伤的更严重的临床表现（这里也称为“中度TBI”）的非结构性损伤的异常脑电活动；以及4）符合结构性脑部损伤的异常脑电活动。

在示范性实施例中，通过首先将训练数据库中的数据组织到四个类别中来设计一个或多个二次分类器。将具有正常脑电活动的患者分组到类别1中，并且将CT扫描示出结构性损伤的患者分组到类别4（CT+患者）中。在分类器训练期间可以使用不同的方法以便分离类别2和3。在一些实施例中，使用震荡的标准化评估（SAC）来区分类别2和3中的病人，震荡的标准化评估是一种对与震荡相关联的神经认知损害的存在和严重程度进行客观编档的标准化手段。在科学文献中已经广泛报告了SAC截止分数25作为震荡的指标。在没有损伤前的客观数据（基线测量）的情况下，低于25的SAC分数被认为是由震荡性损伤导致的神经认知异常的指标。在示范性实施例中，将具有异常脑电活动且SAC分数>25的患者分组到类别2（轻微TBI）中，以及将具有异常脑电活动且SAC分数<25的患者分组到类别3（中度TBI）中。

在另一示范性实施例中，基于先验的临床特性来组织数据库。在示范性实施例中，如图2中所示，将怀疑有（利用阳性CT扫描识别的）外伤诱发的结构性脑部损伤的患者分组到类别4中（步骤300）。如果患者没有阳性CT扫描，那么评价患者的其他临床特性。如果患者表现出高风险标准中的一种或多种症状（例如，过往损伤性癫痫、持久呕吐、基部颅骨骨折等）（步骤310），那么将患者分类为类别3。如果不是这样，针对与功能性脑部损伤（例如失去意识、过往损伤性遗忘等）相关联的第一组基线标准来评价患者（步骤320）。如果患者报告了第一基线标准中的任何症状，那么针对与功能性脑部损伤（例如超过30分钟的过往损伤性遗忘等）相关联的第二组基线标准来评价患者（步骤330）。如果患者报告了第二基线标准中的任何症状，那么使用SAC分数和震荡症状清单（SCI）相对于认知损害和迷失方向进一步评价患者报告的症状和体征（步骤360）。如果患者表现出或报告了认知损害和/或迷失方向的任何症状，将患者分类为类别3。如果不是，将患者分类为类别2。此外，如果患者未报告第二组基线标准中的任何症状，那么将患者分类为类别2。另一方面，如果患者未报告第一基线标准的任何症状，那么根据美国神经病学学会（AAN）对震荡的指导方针来评价患者报告的症状（步骤340）。如果患者表现出改变的精神状态（AMS）和与震荡相关联的症状中的至少一个（例如眩晕、头痛、恶心等），那么将患者分类为类别2。如果不是，将患者分类为类别1。

 在示范性实施例中，使用群集算法（例如K平均值群集）作为基于其EEG记录来识别患者在数据库中的性质分组的方式。然后使用这些患者分组来识别在分组之间进行区分的常见临床特性，并且然后使用这些常见临床特性来组织数据库。在示范性实施例中，还使用识别的常见临床特性来在临床试验期间向患者分配临床分类。然后将由该算法提供的分类与临床分类进行比较以确定分类算法的精确度。

可以通过按照各种次序和组合使用一个或多个分类器来实现本发明。例如，可以使用单个多级分类器代替以级联或并行布置的多个分类器。在随后的范例（发明人不将其视为限制）中，使用三个不同的双向（二元）二次分类器来对与TBI的存在和严重程度相关的四个类别进行分类。本领域普通技术人员将理解，如果可以实现临床可接受的分类性能，则也可以使用任何其他类型的线性或非线性分类器（例如线性判别分析、高斯混合模型等）来对类别进行分类。在说明性实施例中，分类器1（这里称为“1 vs. 2，3，4”）意在从异常患者的类别中分出正常患者的类别。分类器2（这里称为“1，2 vs. 3，4”）意在从通过将具有更严重功能性损伤的患者和CT+患者（具有结构性损伤的患者）进行组合而形成的类别中分出通过将正常患者和具有较不严重的功能性损伤的患者进行组合而形成的类别。也可以将这种分类器解释为从中度TBI患者的分组中分出轻微TBI患者的分组。分类器3（这里称为“4 vs. 3，2，1）意在从CT+患者的类别中分出由是或预计是CT-的所有患者（没有结构性损伤的患者）所形成的类别。

在一个示范性实施例中，将三个二元分类器以级联方式组合以在分类过程的结尾提供单个结果，如图3中所图示的。如图中所示，神经评估设备10的处理器51被配置成首先执行分类器1（步骤100）。如果分类器1的结果是“1”，将患者分类为属于以正常脑电活动为特征的类别（类别1）（步骤110）。如果分类器1将患者分类为属于“2，3，4”类别，然后执行分类器2（步骤120）。如果分类器2的结果为“1，2”，则将患者分类为具有轻微TBI（类别2）（步骤130）。如果分类器2将患者分类为属于“3，4”类别，则执行分类器3（步骤140）。如果分类器3的结果为“3，2，1”类别，则将患者分类为具有中度TBI（类别3）（步骤150）。另一方面，如果分类器3的结果是“4”，则将患者分类为属于以结构性脑部损伤为特征的类别（类别4）（步骤160）。

在另一个示范性实施例中，并行运行三个二元分类器，并且基于最高分层或风险提供分类结果，如图4中所图示的。如图中所示，处理器51被配置成并行运行分类器1，2和3（步骤200）。处理器51首先检查分类器1的分类结果（步骤210）。如果分类器1的结果是“1”，将患者分类为属于以正常脑电活动为特征的类别（类别1）（步骤220）。如果不是，检查分类器2的结果（步骤230）。如果分类器2的结果为“1，2”类别，则将患者分类为具有轻微TBI（类别2）（步骤240）。不过，如果分类器2将患者识别为属于“3，4”类别，则检查分类器3的结果（步骤260）。如果分类器3的结果为“3，2，1”类别，则将患者分类为具有中度TBI（类别3）（步骤270）。另一方面，如果分类器3的结果是“4”，则将患者分类为属于以结构性脑部损伤为特征的类别（类别4）（步骤280）。

在另一个示范性实施例中，执行三个二元分类器的顺序如下：[1]执行“4 vs. 3，2，1”分类器以在类别4中的患者和所有组合的其他类别之间进行区分。对于识别为“4”的患者，分类过程结束，并显示结果；如果未被分类为“4”，则进行[2]，执行“1 vs. 2，3，4”分类器以从其余患者（类别2，3或4）中区分出类别1中的患者。对于识别为“1”的患者，完成分类过程；如果未被分类为“1”，则进行[3]，使用“1，2 vs. 3，4”分类器来区分类别2和3中的患者。这个顺序允许通过首先对最高风险（CT+）患者进行分类和清除来对风险进行分层。

在又一实施例中，处理器51被配置成彼此独立地执行三个二元分类器，并提供三个单独的分类结果，以及针对每个分类器的一些客观性能度量。然后由临床医生基于分类性能和其他临床相关因素（例如呈现的症状、损伤历史等）来做出分类决定。

在示范性实施例中，通过针对四个类别的每个类别计算特异性（真阴性比率）和灵敏度（真阳性比率）来测试三个分类器的性能。使用ROC曲线来定量地说明每个二元分类器的性能，并计算特异性和灵敏度值。例如，这允许选择阈值T，其确保根据针对被分离的类别的适当风险分层，始终分配保守的分类。在另一实施例中，并非使用ROC曲线上的阈值来决定患者落在哪个类别，而是在并行执行时，为三个分类器计算属于两个类别的可能。这种方法的好处是为所有患者使用来自全部三个分类器的信息。

在根据本公开的实施例中，处理器51被配置成根据分类结果向参加的医务人员，例如ER医生、拣别护士或紧急响应技术人员提供临床指导。如图5A-5D中所图示的，可以在用户接口46或显示器44的屏幕上显示临床指导。在示范性实施例中，如果将患者分类到类别1中，用户接口46显示临床指导，即患者是正常的，并且如果其他评估（症状，神经学测验等）是正常的，则可以出院（图5A）。如果将患者分类到类别2中，用户接口46显示消息，其建议如果其他评估是正常的则可以让患者出院，但推荐应当安排重新评价以检查加剧的症状（图5B）。类似地，如果将患者分类到类别3中，用户接口46显示消息，其建议临床医生应当使患者停留以便进行密切医学观察和进一步评价（可能是CT扫描），以排除严重的脑部损伤（图5C）。如果将患者分类到类别4中，用户接口46提供临床指导，以立即获得CT扫描和/或将患者转移到更高水平的护理（图5D）。在另一个示范性实施例中，不在用户接口46上显示与类别相关联的临床指导，而是将其包括在临床医生可能参考的装置手册中。

在又一实施例中，可以使用颜色编码的显示器来指示TBI的存在和/或严重程度。如果患者被分类为类别4，则可以在用户接口46上点亮红灯，如果患者被分类为类别1或2，可以点亮黄灯，以及如果患者被分类为类别1，可以点亮绿灯。颜色编码的指示为迅速确定患者体内TBI的存在和严重程度提供了简单、易用和易读的手段。

在某些实施例中，用户接口46传达各种额外的数据，包括，但不限于中间分析结果、使用设置、患者信息、手持装置的电池寿命等。此外，在一些实施例中，神经评估设备10的存储器52包含交互指令，用于使用和操作显示器44的屏幕上或用户接口46上显示的装置。指令可以包括屏幕上显示的交互式富含特征的表示，包括为操作装置提供音频/视频指令的多媒体记录或替代地为简单文本，说明了用于操作和使用装置的逐步骤指令。装置包括交互指令消除了对针对使用的大量训练的需要，允许由除医疗专业人员之外的人员进行部署和使用。

神经评估设备10可以是独立系统或能够结合移动或固定装置进行操作，以促进显示或存储数据，并在需要治疗动作时通知保健人员，由此促进早期识别紧急状况。移动装置可以包括，但不限于远离神经评估设备并与其通信的手持式装置和无线装置。固定装置可以包括，但不限于台式计算机、打印机和其他外围设备，其显示或存储神经学评价的结果。在示范性实施例中，神经评估设备在可移除存储卡47（例如致密闪存（CF）卡）上存储每位患者的文件，其包括会话和测试结果的概要。用户然后可以使用存储卡47来向计算机传输患者信息和流程数据或产生数据和会话概要的打印输出。在另一实施例中，将来自处理器51的结果直接传输到外部移动或固定装置以促进显示或存储数据。例如，可以在使用ＰＣ接口（例如USB端口、IRDA端口、BLUETOOTH?或其他无线链路）连接到基本单元42的PC 48上显示或存储来自处理器51的结果。在又一实施例中，可以无线地或经由电缆向打印机49传输结果，打印机49打印要由参与的医务人员所使用的结果。在示范性实施例中，如本公开中较早所讨论的，用户接口46被配置成向参与的医务人员，例如ER医生、拣别护士或紧急响应技术人员，传送患者信息、治疗指导和/或流程数据。

神经评估设备10被设计用于在急救室、非固定环境和其他现场应用中进行接近患者的测试（即护理点）。神经评估设备意在结合CT扫描、MRI或其他成像研究使用，以提供关于患者神经学状况的补充或确证性信息。护理点神经评估的关键目的是提供快速结果，其指示患者神经学状况的严重程度，从以便可以迅速提供适当的治疗，其可能导致改善的总体临床结果。例如，可以在ER或非固定环境中最初的患者处理期间由EMT、ER护士或任何其他医疗专业人员使用神经评估装置，这将有助于识别具有紧急神经学状况的患者。其也将帮助ER医生确证即时行动方案，为了成像对患者进行优先，或确定是否需要立即转送到神经病学家或神经外科医生。这进而也将使得ER人员能够优化资源的利用（例如，医生的时间，成像测试的使用，神经咨询等），以便向所有患者提供安全和即时护理。

此外，神经评估设备10被设计成可现场部署，亦即，其可以在远离完全服务诊所的位置中使用，例如，在远离军队保健系统的远程战场情形中使用，在运动事件期间使用以用于识别受伤的运动员是否应当被转移以便进行紧急治疗，在集体事故的现场使用以便识别需要关键关注并立即转移到医院的患者，或在对良好训练的医疗技术人员的存在有限访问的的任何其他边远地区使用。

范例：将三个二元分类器应用于脑部机能障碍程度的差异分类

使用三个单独的二元分类器来将受检者在统计学上置于与颅脑损伤后脑部机能障碍程度相关的四个类别之一中。使用神经评估设备10来评价大的控制群体（n=255）和遭受闭口颅脑损伤（n=358）的患者，并在震荡标准评估（SAC）上对其进行评级。使用在标准化位置处置于前额上的电极以盲测方式记录十分钟的闭眼脑电活动。使用去噪声算法来识别和消除非脑部相关活动。提取的特征包括脑电活动的线性和非线性度量，包括：功率、平均频率、半球间和半球内的对称性和相干性、复杂性和连通性。然后相对于年龄预期的正常值变换所有特征。将这些特征的以数学方式选择的子集组合在三个二次分类器功能中，以在统计学上将受检者置于四个类别之一中。使用“简单特征挑选器”（SFP）算法来设计分类功能。使用ROC曲线下方的面积（AUC）作为目标函数，来在灵敏度和特异性方面表达分类性能。

如本公开中较早所述的，类别1涉及正常的脑部活动，类别2涉及轻微TBI，类别3涉及中度TBI，类别4涉及需要立即拣别的结构性脑部损伤。结果表明了将四个类别与彼此区分方面的高精确度，如表1所示（图6）。从所有其他类别分出类别4具有的灵敏度为91%，且特异性为85% （AUC=0.93），从所有其他类别分出类别1具有的灵敏度为81%，且特异性为80%（AUC=0.83），从类别2和1（可以认为要返回到活动，推荐或不推荐继续进行的那些人）分出类别3和4（需要进一步观察和立即拣别的那些人）具有的灵敏度为80%，且特异性为79%（AUC=0.86）。总言之，研究证明了在需要即刻拣别的TBI识别方面，以及在颅脑损伤具有不同水平的脑部机能障碍的那些人的分离方面的高灵敏度和特异性。

考虑到这里公开的本发明的说明书和实践，本发明的其他实施例对于本领域的技术人员而言将是显而易见的。所意在的是，说明书和范例仅被视为示范性的，其中本发明的真实范围和精神由以下权利要求所指示。

Claims (43)

1.一种用于评估患者体内外伤性脑部损伤的设备，包括：

患者传感器，包括至少一个神经学电极；以及

手持式基本单元，其被操作性耦合到所述患者传感器，所述基本单元包括：

数字信号处理器，其被配置成执行从由所述至少一个神经学电极所采集的脑电信号自动识别和消除伪像，从所采集的脑电信号提取一个或多个特征，以及执行至少一个分类功能以将所述患者分类到指示外伤性脑部损伤的存在和严重程度的四个类别之一中。

2.根据权利要求1所述的设备，其中所述至少一个分类功能包括至少三个分类功能。

3.根据权利要求2所述的设备，其中所述数字信号处理器被配置成以级联方式执行所述至少三个分类功能。

4.根据权利要求1所述的设备，其中所述至少一个分类功能包括至少两个分类功能。

5.根据权利要求4所述的设备，其中所述数字信号处理器被配置成并行地执行所述至少两个分类功能。

6.根据权利要求5所述的设备，其中所述数字信号处理器被配置成彼此独立地执行所述至少两个分类功能。

7.根据权利要求6所述的设备，其中所述基本单元还包括用户接口，用于显示一个或多个分类性能度量以使临床医生能够做出关于患者的类别的决定。

8.根据权利要求2所述的设备，其中所述数字信号处理器被配置成按照顺序执行所述至少三个分类功能，所述顺序包括如下步骤：

执行第一分类功能，其被设计成从正常或仅有功能性脑部损伤的患者分类出具有结构性脑部损伤的患者；

执行第二分类功能，其被设计成从具有结构性和/或功能性脑部损伤的患者分类出正常患者；以及

执行第三分类功能，其被设计成分类出具有两个单独级别的功能性脑部损伤的患者。

9.根据权利要求1所述的设备，其中所述基本单元还包括显示单元，用于提供外伤性脑部损伤的存在和严重程度指示。

10.根据权利要求9所述的设备，其中所述显示单元显示所述患者被分类到其中的类别。

11.根据权利要求1所述的设备，其中使用训练数据库来设计至少一个分类功能，所述训练数据库包括控制群体和据报告遭受闭合脑颅损伤的患者。

12.根据权利要求11所述的设备，其中使用震荡标准评估（SAC）分数来组织所述训练数据库。

13.根据权利要求11所述的设备，其中使用一个或多个临床特性来组织所述训练数据库。

14.根据权利要求13所述的设备，其中所述一个或多个临床特性被用于在临床试验期间向患者分配临床分类。

15.根据权利要求11所述的设备，其中所述训练数据库被用于使用交叉验证来测试所述至少一个分类功能的性能。

16.根据权利要求15所述的设备，其中所述交叉验证是留一法交叉验证。

17.根据权利要求1所述的设备，其中所述一个或多个特征包括线性和/或非线性定量特征。

18.根据权利要求1所述的设备，其中所述四个类别包括：符合结构性脑部损伤的异常脑电活动；符合有功能性损伤的严重临床表现的非结构性损伤的异常脑电活动；符合有功能性损伤的较不严重表现的非结构性损伤的异常脑电活动；以及正常脑电活动。

19.根据权利要求2所述的设备，其中所述三个分类功能包括：

第一分类功能，其被设计成从正常或仅有功能性脑部损伤的患者分类出具有结构性脑部损伤的患者；

第二分类功能，其被设计成从具有结构性和/或功能性脑部损伤的患者分类出正常患者；以及

第三分类功能，其被设计成在不存在结构性损伤时分类出具有功能性损伤的严重和较不严重表现的患者。

20.根据权利要求4所述的设备，还包括多级分类器，其中由所述多级分类器执行所述至少两个分类功能。

21.一种用于评估患者体内外伤性脑部损伤的方法，包括如下步骤：

将至少一个神经学电极连接到所述患者的前额以采集脑电信号；以及

提供操作性连接到所述至少一个神经学电极的基本单元以处理所采集的脑电信号；

其中所述基本单元包括数字信号处理器，其被配置成执行从所述至少一个神经学电极采集的脑电信号自动识别和消除伪像，从所采集的脑电信号提取一个或多个特征，以及执行至少一个分类功能以将所述患者分类到指示外伤性脑部损伤的存在和严重程度的四个类别之一中。

22.根据权利要求21所述的方法，其中所述至少一个分类功能包括至少三个分类功能。

23.根据权利要求22所述的方法，其中所述数字信号处理器被配置成以级联方式执行所述至少三个分类功能。

24.根据权利要求21所述的方法，其中所述至少一个分类功能包括至少两个分类功能。

25.根据权利要求24所述的方法，其中所述数字信号处理器被配置成并行地执行所述至少两个分类功能。

26.根据权利要求24所述的方法，其中所述数字信号处理器被配置成彼此独立地执行所述至少两个分类功能。

27.根据权利要求26所述的方法，其中所述基本单元还包括用户接口，用于显示一个或多个分类性能度量以使临床医生能够做出关于患者的类别的决定。

28.根据权利要求22所述的方法，其中所述数字信号处理器被配置成按照顺序执行所述至少三个分类功能，所述顺序包括如下步骤：

执行第一分类功能，其被设计成从正常或仅有功能性脑部损伤的患者分类出具有结构性脑部损伤的患者；

执行第二分类功能，其被设计成从具有结构性和/或功能性脑部损伤的患者分类出正常患者；以及

执行第三分类功能，其被设计成分类出具有两个单独级别的功能性脑部损伤但没有结构性损伤的患者。

29.根据权利要求21所述的方法，其中所述基本单元还包括显示单元，用于提供外伤性脑部损伤的存在和严重程度的指示。

30.根据权利要求29所述的方法，其中所述显示单元显示所述患者被分类到其中的类别。

31.根据权利要求21所述的方法，其中所述四个类别包括：符合结构性脑部损伤的异常脑电活动；符合有功能性损伤的严重临床表现的非结构性损伤的异常脑电活动；符合有功能性损伤的较不严重表现的非结构性损伤的异常脑电活动；以及正常脑电活动。

32.根据权利要求22所述的方法，其中所述三个分类功能包括：

第一分类功能，其被设计成从正常或仅有功能性脑部损伤的患者分类出具有结构性脑部损伤的患者；

第二分类功能，其被设计成从具有结构性和/或功能性脑部损伤的患者分类出正常患者；以及

第三分类功能，其被设计成在不存在结构性损伤时分类出具有功能性损伤的严重和较不严重表现的患者。

33.根据权利要求21所述的方法，其中使用训练数据库来设计所述至少一个分类功能，所述训练数据库包括控制群体和据报告遭受闭合脑颅损伤的患者。

34.根据权利要求33所述的方法，其中使用震荡标准评估（SAC）分数来组织所述训练数据库。

35.根据权利要求33所述的方法，其中使用一系列临床特性来组织所述训练数据库。

36.根据权利要求33所述的方法，其中所述训练数据库被用于使用交叉验证来测试所述三个分类功能的性能。

37.根据权利要求36所述的方法，其中所述交叉验证是留一法交叉验证。

38.根据权利要求21所述的方法，其中所述一个或多个特征包括线性和/或非线性定量特征。

39.根据权利要求21所述的方法，其中所述一个或多个定量特征包括交互信息特征。

40.根据权利要求21所述的方法，其中使用演化分类器构建器算法来设计所述至少一个分类功能。

41.根据权利要求40所述的方法，其中所述演化分类器构建器算法包括遗传算法。

42.根据权利要求40所述的方法，其中所述演化分类器构建器算法包括修正的随机突变爬山算法。

43.根据权利要求24所述的方法，其中所述至少两个分类功能由多级分类器所执行。

Images