CN103228209A - 复合脑功能监视和显示系统 - Google Patents

Abstract

一种脑活动的显示方法，所述方法包括步骤：(i)获取来自脑部的脑电图(EEG)信号；(ii)将所述EEG信号分割为或连续或重叠的分段，所述分段包括所述EEG信号的一系列采样；(iii)将所述EEG分段表示为具有8到13之间的自回归阶以及5到11之间的移动平均阶的固定阶的自回归移动平均(ARMA)信号表示；(iv)以z域表示法重写所述固定阶ARMA信号表示以获得z域表示；(v)对所述EEG信号的所述分段，针对所述固定阶ARMA信号表示，产生AR系数数据和MA系数数据；(vi)通过将所述EEG信号的所述分段的所述系数数据代入到所述z域表示中，而确定所述EEG信号的所述分段的所述z域表示的极点和零点；(vii)计算步骤(vi)中所确定的极点数目的和；(viii)计算步骤(vi)中所确定的零点数目的和；(ix)以所述z域表示法将所述ARMA信号表示表示为无限阶自回归(AR)模型；(x)从所述固定阶ARMA表示的在步骤(v)中所产生的AR和MA系数数据，确定所述无限阶AR模型的自回归系数数据；(xi)确定所述EEG信号的所述分段的所述无限阶AR模型的极点和，作为：(a)所述无限阶AR模型的第一自回归系数；或(b)如步骤(vii)和(viii)分别确定的极点之和与零点之和的差值；(xii)通过将判别函数应用到步骤(xi)中所确定的所述EEG信号的所述分段的所述无限AR模型的极点和，而确定所述EEG信号的所述分段的表示脑活动的指数值；以及(xiii)在显示装置上显示所述指数值。

Description

复合脑功能监视和显示系统

技术领域

本发明涉及一种基于皮层响应状态和皮层神经元输入而监视脑功能的方法和系统。

背景技术

一种量化脑功能的方法可以包括分析对象的自发或刺激锁定头皮可记录电活动。例如，这包括分析早期、中期和/或后期刺激诱发分量的波形(例如，国际专利公开WO2001/74248中所描述的)；或者使用频域或时域方法进行自发可记录活动(并不响应于特定或通常的刺激)的光谱分析(例如，欧洲专利申请EP0898234中所描述的)；或者对自发和诱发EEG活动都进行分析以确定脑状态的混合方法(例如，国际专利公开WO2004/054441中所描述的)。

尽管这些方法已被显示在采用合适构造统计判别函数的情况下是临床有效的，但是目前仍不清楚这些测量值所反映的行为和脑功能的生理方面内容。例如，这些方法可以探测EMG活动的变化，却不能探测EEG活动的变化。Messner报告(公开于Anesth Analg，2003.97.488-491页)描述了在完全清醒的人的神经肌肉阻滞过程中的脑电双频指数如何下跌。Liley等人最新的理论和实验工作(如国际专利公开WO2004/064633中所描述的)提出了一种特殊的理论框架，其能够进行脑功能的更多生理特定测量值的构造。该框架能够在表现由各种内部或外部因素而导致的皮层活动中的变化上呈现出更大的结构和功能特异性。

在评估对象的脑功能时(例如，在健康，疾病和/或治疗性干预期间)，或在用于控制或娱乐目的时出于控制或与一些外部硬件设备(诸如计算机)交互的目的，重要的在于，区分引起脑功能变化的因素。例如，其包括脑(皮层)状态变化(即，脑部固有的对来自皮层下或远处皮层源的输入的接受)以及皮层神经元输入程度的变化(其可以作为到大脑皮层的替代输入的结果)。尽管各种事件相关电位(ERP)的早期分量分析可以提供关于到皮层的各种输入途径的完整性的信息，但是这些技术固有受限的，因为并不是所有的皮层区域是周边衍生感觉信息的接收方。例如，额叶皮层(通过皮层下核)不会直接或间接接收到任何感官的信息。这种方法的另一个限制在于，为了获得足够的信号-噪声比，必须确定多个顺序呈现刺激的诱发响应，其清晰地限定了所获取结果的时间分辨率。然而，存在试图通过使用某些形式的预测方法来改善时间分辨率的方法(例如，国际专利公开WO2001/74248中所描述的)。

包含采用时域或频域方法光谱分析的定量EEG(QEEG)方法(例如，欧洲专利申请EP0898234中所描述的)不能够在皮层输入和脑(皮层)状态的变化之间进行区分，因为该技术不能对EEG功率谱变化的生理源做出相关假设。这主要是当前QEEG方法的启发式方法的结果。

因此，难于确定对象中EEG信号的变化是由于皮层输入(例如，提供到脑部的不同区域)变化而引起，还是皮层如何对该输入进行响应的定性和定量变化的结果。也没有令人满意的方式，来基于皮层响应状态变化和皮层神经元输入的程度来表示对象脑功能的变化。

期望解决上述一个或多个问题，或者至少提供有用的替代。

发明内容

根据本发明提供一种脑活动的显示方法，所述方法包括步骤：

(i)获取来自脑部的脑电图(EEG)信号；

(ii)将所述EEG信号分割为或连续或重叠的分段，所述分段包括所述EEG信号的一系列采样；

(iii)将所述EEG分段表示为具有8到13之间的自回归阶以及5到11之间的移动平均阶的固定阶的自回归移动平均(ARMA)信号表示；

(iv)以z域表示法重写所述固定阶ARMA信号表示以获得z域表示；

(v)对所述EEG信号的所述分段，针对所述固定阶ARMA信号表示，产生AR系数数据和MA系数数据；

(vi)通过将所述EEG信号的所述分段的所述系数数据代入到所述z域表示中，而确定所述EEG信号的所述分段的所述z域表示的极点和零点；

(vii)计算步骤(vi)中所确定的极点数目的和；

(viii)计算步骤(vi)中所确定的零点数目的和；

(ix)以所述z域表示法将所述ARMA信号表示表示为无限阶自回归(AR)模型；

(x)从所述固定阶ARMA表示的在步骤(v)中所产生的AR和MA系数数据，确定所述无限阶AR模型的自回归系数数据；

(xi)确定所述EEG信号的所述分段的所述无限阶AR模型的极点和，作为：

(a)所述无限阶AR模型的第一自回归系数；或

(b)如步骤(vii)和(viii)分别确定的极点之和与零点之和的差值；

(xii)通过将判别函数应用到步骤(xi)中所确定的所述EEG信号的所述分段的所述无限AR模型的极点和，而确定所述EEG信号的所述分段的表示脑活动的指数值；以及

(xiii)在显示装置上显示所述指数值。

本发明还提供一种存储在计算机可读媒介上的计算机可执行编码以执行如上所述的方法中的任一步骤。

本发明还提供一种执行如上所述方法的系统。

本发明还提供一种用于显示对象脑活动的系统，所述系统包括：

多个电极，用于从对象的脑部采集EEG信号；

数字化装置，用于将EEG信号转化为数字化EEG数据信号；

计算装置，用于：

(i)将所述EEG信号分割为或连续或重叠的分段，所述分段包括所述EEG信号的一系列样本；

(ii)将所述EEG分段表示为具有8到13之间的自回归阶以及5到11之间的移动平均阶的固定阶的自回归移动平均(ARMA)信号表示；

(iii)以z域表示法重写所述固定阶ARMA信号表示以获得z域表示；

(iv)对所述EEG信号的所述分段，针对所述固定阶ARMA信号表示，产生AR系数数据和MA系数数据；

(v)通过将所述EEG信号的所述分段的所述系数数据代入到所述z域表示中，而确定所述EEG信号的所述分段的所述z域表示的极点和零点；

(vi)计算步骤(v)中所确定的极点数目的和；

(vii)计算步骤(v)中所确定的零点数目的和；

(viii)以所述z域表示法将所述ARMA信号表示表示为无限阶自回归(AR)模型；

(ix)从所述固定阶ARMA表示的在步骤(iv)中所产生的AR和MA系数数据，确定所述无限阶AR模型的自回归系数数据；

(x)确定所述EEG信号的所述分段的所述无限阶AR模型的极点和，作为：

(a)所述无限阶AR模型的第一自回归系数；或

(b)如步骤(vi)和(vii)分别确定的极点之和与零点之和的差值；

(xi)通过将判别函数应用到步骤(x)中所确定的所述EEG信号的所述分段的所述无限AR模型的极点和，而确定所述EEG信号的所述分段的表示脑活动的指数值；以及

(xii)生成用于在显示装置上显示所述指数值的显示数据。

附图说明

本发明的优选实施例仅仅通过实例的方式，参照附图在此进行描述，其中：

图1是EEG处理系统中的部件的框图；

图2是在系统控制下所执行步骤的流程图；

图3是系统的EEG记录界面；

图4是回顾状态下系统的EEG记录界面；

图5是系统的传感器诊断界面；

图6是系统的设置界面；

图7是系统的日期/时间设置界面；

图8是系统的系统配置界面；以及

图9是系统的输出设置界面。

具体实施方式

脑电图(EEG)处理系统100，如图1所示，包括信号处理模块106、脑功能指数计算模块108、完整性测试模块110、存储器模块112、显示处理器模块114、数据输出模块116、以及配置模块120。模块106和110耦接到布置在对象头皮上的多个头皮电极102。电极102根据国际10∶20标准系统而定位在对象的头皮上，并且如果需要可以使用额外的中点电极。例如，电极102可以附加在将电极相对于对象前额中点定位的带上。尽管电极102优选地参考链接到耳朵并且附在使用鼻根作为接地的电极帽上，但也可以使用其他电极布置。电极102探测来自对象头皮的EEG信号，其随后通过EEG处理系统100接收和处理。

EEG处理系统100的组件可以采用软件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IBM公司http://www.ibm.com所提供的)上执行。本领域技术人员也可以意识到，组件所执行的方法也可以至少部分地通过专用硬件电路来执行，例如，专用集成电路(ASIC)或现场可编程门阵列(FPGA)。系统100的组件也可以通过硬件、嵌入式固件和软件的组合来实现。

信号处理模块106接收并放大电极102所探测的EEG信号，并且通过从EEG信号中滤波低频移动伪像、肌电图(EMG)伪像和/或主要干扰噪音(通常范围为20Hz到75Hz)而执行初步信号伪像抑制。例如，模块106可以在对某些地方波长范围为0Hz到60Hz的信号应用带通滤波器(例如低通滤波器)之前，使用50～60Hz陷波滤波器滤波所探测的EEG信号。模块106随后使用标准模拟数字转换部件来产生EEG信号的数字采样表示。EEG信号可以以固定率数字化(诸如每秒128到512采样)，并且优选地，不少于14比特分辨率。

脑功能指数计算模块108可以执行进一步的信号伪像抑制和其它信号预处理，包括从信号处理模块106没有移除伪像的数字EEG信号中移除额外伪像，这种额外伪像可以损害ARMA模型系数的随后估计。这包括使用各种装置或算法诸如最小均方自适应滤波来移除50-60Hz的主要污染。

脑功能指数计算模块108随后将采样存储在存储器112中，并且依照用户所选择的处理选项来处理采样。用户可以选择处理选项，其控制脑功能指数计算模块108存储为EEG记录会话而产生的采样、以及接收和处理所存储的采样。模块108所执行的处理包括产生多个分段，每个均包括预定数目的连续采样(例如，EEG信号的2秒部分的表示)。模块108可以基于递增(或者“滑动窗”)方式来产生分段，例如，通过预定时间间隔产生新的分段式的每个新的分段包括由信号处理模块106所产生的一个或多个新采样以及由模块106在前所产生的采样。模块108基于每个分段的各自采样，为每个分段产生EEG信号的非时变自回归移动平均(ARMA)表示(例如，基于等式2)。模块108随后基于各自非时变ARMA表示而产生每个分段的脑响应数据。

每个分段/EEG采样点的脑响应数据包括(i)表示自回归(AR)系数和移动平均(MA)系数的系数数据；(ii)表示基于系数数据所确定的复合平面上一个或多个极点位置的极点数据；(iii)表示基于系数数据所确定的复合平面上一个或多个零点位置的零点数据；(iv)表示从极点数据中所确定的极点平均位置的平均极点数据；以及(v)表示基于系数数据而确定的极点和零点的组合平均位置的复合极点-零点数据。

平均极点数据和复合极点-零点数据提供皮层对其输入的响应的互补但不同的测量值，并且已经被发现来提供皮层动态状态的有意义的测量值。平均极点数据和复合极点-零点数据将分别称为皮层状态和复数皮层状态。从适当记录EEG的分析中获取的皮层状态和复数皮层状态，可以被缩放以落入预定范围内(例如，基于如下的等式13或14，从0到100)。例如，更大值可以被限定为表示皮层对其输入的更高响应程度，而更小值则表示更少响应状态。

用户可以选择不同的处理选项，其控制脑功能指数计算模块108将采样存储在存储器112中并根据递归方式处理采样。模块108执行的方法包括对于EEG信号的每个连续采样点产生EEG信号的一部分的时变ARMA表示。采样点可以对应模块106所产生的每个各自采样，或者替代的，模块108以预定时间间隔选择新的采样点。模块108以递归方式(例如，基于如下等式3)基于EEG信号的固定阶时变ARMA表示而分别产生每个采样点的系数数据，其取决于当前采样点和多个在前采样点的采样EEG信号值，以及在前EEG采样点对应的系数数据。模块108随后基于采样点的对应系数数据，为每个采样点产生极点数据、零点数据、皮层状态数据以及复数皮层状态数据。

模块108所执行的处理包括为每个分段/采样点的ARMA表示产生AR系数和MA系数，以及每个ARMA表示具有8到14之间的AR阶和5到11之间的MR阶。然而，ARMA表示优选地具有8阶AR和5阶MA。每个分段/采样点所产生的AR和MA系数使对应ARMA表示(当使用AR和MA作为参数)能表示对应分段/采样点的EEG信号。

每个分段中的采样表示EEG信号的不同部分，并且相邻分段中的采样可以重叠并且表示EEG信号的共同部分。例如，分段可以包括紧接与它的另一个分段中所包含的采样的50％。相邻分段的采样的重叠程度可以改变，并且更大的重叠程度(例如，具有多于50％的公共采样)使得能够更好的估计AR和MA系数。因此，可以基于AR和MA系数来更为精确地表示对象的脑功能和/或经皮层输入/活动程度。

脑功能指数计算模块108随后基于对应皮层状态、复数皮层状态和皮层输入数据而产生每个分段/采样点的脑功能指数数据，并且将指数数据存储在存储器112中。皮层输入数据表示输入到对象脑部的皮层输入水平的积值，并且其基于对应分段/采样点的EEG采样、系数数据、以及ARMA表示而产生。皮层输入数据可以被缩放以落入预定范围内(例如，基于如下的等式13或14，从0到100)。例如，更大值可以表示更高程度的对象脑部皮层输入，而更小值则表示更低程度的对象脑部皮层输入。

脑功能指数数据表示指数数目，其表示对象的脑功能状态(即，脑响应皮层下输入的方式和脑部经皮下输入的幅度)并且其基于皮层输入数据、皮层状态数据和/或复数皮层状态数据而产生。指数数目可以被缩放以落入预定范围内(例如，基于如下的等式13或14，从0到100)。例如，脑功能的减少或抑制(例如，由于向对象注射麻醉剂或镇静剂减少了皮层响应和/或皮层神经元输入)导致模块108产生小的指数数目来表示脑的低功能状态。例如，指数值0表示没有功能性脑活动。当脑功能正常或非抑制时(例如，在没有影响皮层的干扰情况下的精神正常警报状态下)，导致模块108产生较大指数数目来表示脑的更高功能性状态。例如，指数值100表示脑处于完全清醒状态。可以通过不同分段/窗口的指数值变化来确定对象的脑功能状态变化。本发明的优点在于对象脑功能的评定考虑了皮层响应状态和皮层输入水平所导致的脑活动程度。

脑功能指数计算模块108传递脑功能指数数据、皮层状态、复数皮层状态和皮层输入数据(统称脑功能数据)给显示处理模块114来产生显示数据，显示数据表示显示设备104(例如CRT或LCD显示器)的一个或多个用户界面显示。显示处理模块114可以从输入设备118(例如，多键数据输入设备或鼠标)来接收用户输入同时产生显示设备104的显示数据。在一实施例中，输入设备118和显示设备104被合并到一个I/O设备(例如触摸屏显示器)中使得显示处理器模块114从同一I/O设备接收用户输入，并且发送显示数据给同一I/O设备。显示处理器模块114还基于从存储器112检索的脑功能数据而产生一个或多个显示界面。图3到9是模块114所产生用户界面显示的实例。

图3是当使用滑动窗口选项处理EEG信号时显示模块114所产生的记录界面300。界面300包括来与访问与EEG处理系统100所执行的不同功能相关联的监视选显卡308、传感器核对选项卡312以及设置选项卡314。界面300产生在监视选项卡308下方，并且包括基于脑功能数据所产生的脑功能指数302、表示脑功能指数302随时间变化的脑功能图标304、以及表示基于EEG信号所产生的探测EEG信号的EEG图表306。界面300包括控制按钮310，其使用户能够启动或停止EEG处理系统100所执行的EEG记录/监视会话。界面300还包括显示信息的区域，诸如显示当前日期/时间的日期/时间区域322、以及显示用户所选择处理选项以及在界面300上当前所显示记录数据的创建日期/时间的状态区域320。界面300包括包括可调整的滚动条334，其使用户能够选择图表304和/或306的观察部分来显示在界面300上。

界面300可以包括一个或多个事件标记按钮324、326、328用于记录每个单独按钮的相关事件。例如，按钮324可以用于指示对象在麻醉状态下失去知觉的时刻，和按钮326可用于指示在该对象苏醒时刻。每个按钮324、326、328关联不同颜色，并且当用户选择按钮324、326、328时，在脑功能图标304上对应于操作按钮的时刻而产生对应颜色的线。脑功能图标304上所记录的事件时间位置存储在存储器112中。

基于脑功能指数302产生记录界面300的脑功能图表304使得产生一部分图表304来用于以与脑功能指数302对应的颜色进行显示，其中每个预定范围通过不同颜色表示。例如，如果指数302在0到20(包括本身)之间，图表304下的对应区域采用第一颜色显示(例如，蓝色)。如果指数302在21到40(包括本身)之间，图表304下的对应区域采用第二颜色显示(例如，暗绿色，如图3中的项目318所示)。如果指数302在41到60(包括本身)之间，图表304下的对应区域采用第三颜色显示(例如，浅绿色)。如果指数302在61到80(包括本身)之间，图表304下的对应区域采用第四颜色显示(例如，橙色，如图3中的项目316所示)。如果指数302在81到100(包括本身)之间，图表304下的对应区域采用第五颜色显示(例如红色)。记录界面300可以包括基于皮层状态数据、和/或复数皮层状态数据、和/或皮层输入数据而产生的类似图表，例如，产生一部分图表用于以与预定值范围对应的颜色进行显示，其中每个预定范围通过不同颜色表示。

图4是回看状态下的EEG记录界面300，即，当用户操作控制按钮310停止系统100处理EEG信号时。如图4所示，状态区域320显示指示处理已经停止的消息。界面300还包括删除按钮332以从存储器112中删除与最近EEG记录相关的数据，以及还包括存储位置区域330(例如，下拉菜单)为用户指定存储位置(例如，文件路径和文件名)和/或参数来导出最近EEG记录相关的数据。

图5是当用户选择传感器检测选项卡312时显示模块114所产生的传感器诊断界面500。诊断界面500使用户能够控制诊断方法来识别电极102的操作状态。在诊断方法的控制下，系统100测量每个各自电极之间的阻抗并且将其和参考值比较。诊断界面500包括与每个各自电极对应的标记502、504、506，以及如果电极的阻抗在精确性能所需的范围之外(例如，如果其大于5-10kOhms)，则特定电极的标记被着色。

图6是当用户选择设置选项卡314时显示模块114所产生的设置界面。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来访问用户界面以配置EEG处理系统100的操作参数。当用户选择显示设置选项卡602时显示模块114产生显示设置界面600。界面600包括：用于让用户选择和/或配置每个阈值脑功能指数程度/范围和其对应颜色的区域；与每个事件标记按钮324、326、328相关的事件；显示刷新率；显示平滑参数；以及EEG图表306的扫描速度和敏感度(即，振幅)。

图7是当用户选择日期/时间设置选项卡604时显示模块114所产生的日期/时间设置界面700。界面700包括用户区域来选择和/或配置系统时钟日期/时间显示格式。

图8是当用户选择系统配置选项卡606时显示模块114所产生的系统配置界面800。界面800包括用户区域来显示系统100的序列号、硬件版本号、固件版本号、以及跳线设置。界面800包括用户区域来选择和/或配置低通滤波器的参数值、探测EEG信号的通道、采样率、轮询间隔(例如，微秒级)、以及对显示在EEG图表304的EEG采样预分频的参数。

图9是当用户选择输出设置选项卡608时显示模块114所产生的输出设置界面900。界面包括用户区域来选择和/或配置由数据导出模块116产生的类型和/或格式、以及数据导出模块116的端口速度(例如，串口)。数据导出模块116所产生的输出数据被传导给输出设备104a(例如，打印机、磁盘驱动器、USB端口、串/并口等等)。输出导出模块116所产生的输出数据可以表示：i)患者状态报告(例如，包括患者脑功能状态，和/或该状态随时间变化的图表、表格、总体描述)；ii)记录EEG信号的信号输出表示；和/或iii)包括任意上述特征的数据文件。

当用户选择打印机设置选项卡610时显示模块114产生打印机设置界面，其包括用户可调整区域来选择和/或配置数据导出模块116所产生的输出数据针对输出设备104a(例如打印机)的类型和/或格式。

EEG处理系统100的配置模块120从输入设备118接收用户输入，并且产生配置数据用于控制脑功能指数计算模块108和显示处理器模块114的操作。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执行一个或多个如下：i)选择处理EEG采样的处理选项；ii)限定相邻分段/窗口之间的重叠程度；iii)配置模块108来将EEG采样和脑功能指数存储在存储器112中；iv)限定显示模块所产生的用户界面的显示特性(例如，包括界面显示的布局、屏幕尺寸、屏幕刷新率、所显示图表的扫描速度和敏感度；脑功能指数阈值范围和对应颜色；平滑设置等等)；v)限定日期和时间设置；vi)限定事件标记设置(例如，包括每个事件标记按钮相关的事件数目和类型，以及每个事件类型的相关颜色)；vii)限定数据导出设置(例如包括数据导出模块116将要产生的数据输出的类型、格式、和/或传输速度)；和/或viii)限定、选择或配置系统100的其他操作参数(诸如传感器检测率、以及模块106和108所执行的滤波器的带通滤波器范围(Hz))。

通过将信号相对于期望参数(例如，范围为2～100微伏的原始EEG RMS振幅和在0和30Hz之间的脑电功率的90％)比较，完整性测试模块110连续地估计从电极102所探测的EEG信号来确定电极102的操作状态。

可以基于EEG信号是滤波随机过程的结果这一理论假设，来分析从对象探测的EEG信号。如国际专利公开WO2004/064633中所描述的，从对象探测的EEG信号可以如等式1地数学性描述如下：

$H_e(\mathrm{\ω};q)=\frac{N(\mathrm{\ω};q)}{D(\mathrm{\ω};q)}P\left(\mathrm{\ω}\right)$ 等式1

其中H_e表示频域中的EEG信号，以及P表示从脑其他部分进入到对象中皮层的输入，其可以用于评估皮层的功能状态。N和D限定了ω中的多项式，ω的根确定了EEG信号的优势频率。P(ω)假设为表示高斯白噪声，并且因此其无关于频率ω(即，P(ω)＝P₀是恒定的，其理论上确定为与皮层下输入的幅值成比例)。在等式1中，q表示一系列生理参数，其理论地为分子N和分母D确定ω中多项式的系数。

每个各自的分段/采样点的EEG信号可以被表示为非时变ARMA时序表示，并且更优选的，表示为具有自回归阶数8以及移动平均阶数5的各自固定阶非时变ARMA时序表示。等式2是表示(8，5)阶ARMA表示的差分方程，用于产生EEG信号的一部分的表示：

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

其中y[n]表示采样EEG信号值的有序序列(即，y[n]是第n个序列采样])，y[n-k]表示y[n]之前第k个采样；u[n-k]表示高斯白噪声处理；以及a_k和b_k包含在系数数据中并且分别表示与分段对应的一部分EEG信号的AR(自回归)系数和MA(移动平均)系数。可以采用多种方式来产生对AR和MA系数的估计，例如，使用Delft University of Technology的P.M.T.Broersen的ARMASAMatlab工具盒应用，或使用其他任意ARMA建模软件包。

如等式2所示的EEG信号的非时变ARMA表示，可以重写为如等式3所示的EEG信号的时变ARMA时序表示：

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

等式3的AR和MA系数，分别表示为

和

可以表示为时间函数(对于时间常数n)。通过等式4和5：

${\mathrm{\θ}}_u={(-a_1^{\left(n\right)},...,{-a}_8^{\left(n\right)},b_1^{\left(n\right)},...,b_5^{\left(n\right)})}^T$ 等式4

等式5

等式3可以重写为如等式6的状态空间形式：

等式6

其中表示回归向量，θ_n表示与等式4相对应的模型参数(或状态)，以及u_n表示与等式3中的u[n-k]对应的高斯白噪声处理。通过假设当没有先验信息可用时模型参数θ_n演变为随机游走，θ_n可以根据等式7中所示的如下通用方案从θ_n和y_n的前面的值递归地估计出来：

${\widehat{\mathrm{\θ}}}_n={\widehat{\mathrm{\θ}}}_{n-1}+K_n{\mathrm{\ϵ}}_n$ 等式7

其中K_n和ε_n分别表示EEG信号在前采样点处所估计的ARMA模型的递归确定滤波增益和预定误差。可以采用各种方法来递归产生时变AR和MA系数θ_n的估计。例如，可以基于Kalman自适应滤波方法来产生系数数据(例如，如Tarvainen等人在IEEE Trans Biomed Eng，2004，51，pp.516-524的Estimation of non-stationary EEG with Kalman smoother approach：anapplication to event-related synchronization(ERS)中所描述的)，或者基于任意其他递归处理方法(例如，Ljung L在Prentice Hall，Upper Saddle River，NJ.2ndedition 1999的System identification-Theory for the User中所描述的递归处理方法)来产生系数数据，或者使用软件(例如与MATLAB

System IdentificationToolbox version 7.4相关的函数)，来产生θ_n中模型参数(表示为

)的优选估计值(例如，在均方意义中)，来产生系数数据。

等式2和3可以以z域表示法重写，表示为等式8：

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

其中Y(z)表示z域中部分EEG信号的ARMA表示；U(z)表示z域中的高斯白噪声；以及系数a_k和b_k分别表示对应分段/采样点的AR/MA系数。通常，ARMA系数的估计包括限定b₀和a₀为单位元素。

等式8中所描述系统相关的极点对应于等式8中的分母的根。使用对应分段/采样点的系数数据，基于等式9而产生每个分段/采样点的极点数据(其中极点表示为p)。对于等式9存在8个可能解(或极点)，并非全都不同。

$\underset{k=0}{\overset{8}{\mathrm{\Σ}}}{a}_k{p}^{-k}=\underset{k=0}{\overset{8}{\mathrm{\Σ}}}{a}_k{p}^{8-k}=0$ 等式9

等式8中所描述系统相关的零点对应于等式8中的分子的根。使用对应分段/采样点的系数数据，基于等式10而产生每个分段/采样点的零点数据(其中极点表示为z)。对于等式10存在5个可能解(或零点)，并非全都不同。

$\underset{k=0}{\overset{5}{\mathrm{\Σ}}}{b}_k{z}^{-k}=\underset{k=0}{\overset{5}{\mathrm{\Σ}}}{b}_k{z}^{5-k}=0$ 等式10

基于等式9和10所产生数据来表示的极点和零点是复数。每个各自分段/采样点的极点和零点可以描绘在z平面上，其中极点和/或零点中一个或多个的位置变化，或者极点和/或零点平均位置的变化，表示对象脑功能状态的变化。然而，基于一个或多个极点和/或零点的变化在技术上极难量化脑部的功能状态。

如国际专利公开WO2004/064633中所描述的，期望各种药理干预导致等式8的极点子集在绘制在复数平面(或者z平面)中时的运动。其可以通过产生值来量化极点子集的运动，该值指定皮层状态，表示基于等式8所产生数据而表示的所有极点的平均运动。特别的，发现极点运动的平均实数部分对于脑部的药理操作/干预特别敏感。

可以从极点的和<z_p>中确定平均极点位置

对于具有自回归阶数8的ARMA模型，可以使用等式11计算<z_p>，其中z_i，p表示第i个极点：

$<z_p>=\underset{i=1}{\overset{i=8}{\mathrm{\&Sigma;}}}{z}_{i,p}$ 等式11

可选地，作为多项式性能的结果，极点的和<z_p>可以从基于等式2所产生的第一AR系数(表示为a₁)来确定，即

<z_p>＝-a₁       等式12

通过将<z_p>除以极点数目来确定平均极点位置

对于具有自回归阶数8的ARMA模型，

等于<z_p>/8。因为，如果是复数的话，极点z_i，p以复数共轭对形式存在，因此通常是实数。

由于平均极点位置将被缩放来形成恰当的指数表示皮层状态(即，数值，例如，范围从0到100)，因此其不必执行该除法来表示平均极点位置。可选地，其可以基于<z_p>自身的值来去确定平均极点位中变化的效果。

因为平均极点通常大于或等于-1并且小于或等于1，因此其前可以被恰当的缩放使得其在间隔0到100之间延伸。例如，基于等式13可以线性缩放平均极点来给出皮层状态的指数表示：

index＝c-m<z_p>            等式13

其中c和m是被选择以确保指数处于某预定范围内的常数并且<z_p>用于替代

表示平均极点。还可以基于等式14非线性缩放平均极点来给出皮层状态的指数表示：

$\mathrm{index}=\frac{100}{1+e^{-a(<z_p>-b)}}$ 等式14

其中a，b和d是被选择以确保指数处于某预定范围内的常数并且<z_p>用于表示平均极点。

使用对应分段/采样点的平均极点数据，基于等式13或等式14，产生表示为指数值的每个各自分段/采样点的皮层状态数据。可选地，通过合适限定和构造的判别函数来处理每个实数极点数据以产生单个标量表示的皮层状态。可使用例如IBM SPSS统计(SPSS Inc.，Chicago，USA)的逐步判别函数分析函数/方法或以任意数目的市售统计软件的套件形式广泛可获得的类似函数，通过逐步判别分析来确定该判别函数。

从每个各自分段/采样点的平均极点数据中所推导出的皮层状态被绘制成图表以显示皮层响应状态根据时间或者相对于对应分段/采样点数的变化。皮层状态按照期望响应于治疗干预或疾病而增加或减少。可选地，可以从AR和MA系数中推导出其他参数来表示皮层响应状态的变化。例如，其可以采用类似于使用平均极点位置量化极点运动的方法，采用平均零点位置来量化等式8的零点运动。然而，由于底层的生理学理论(如国际专利公开WO2004/064633中所描述的)，零点并不被期望独立于极点移动，因此监视平均零点运动被期望在对象脑功能评估中具有有限的使用。

等式1中分子和分母的多项式理论上取决于生理参数q的范围，与极点运动结合的等式8零点运动的量化测量值是皮层响应状态的相关替代测量值。然而，很难将极点和零点数据组合为既有意义又生理相关的单一标量测量值。一种方法是利用ARMA和AR时序模型之间的关系。

Kolmogorov理论(在Kolmogorov AN的Interpolation and Extrapolationvon Stationaren Zufdlligen Folgen，Bull.Acad.Sci.USSR Ser.Math，Vol.5.1941，pp3-14中详细记载并且在Kay S的Modern Spectral Estimation-Theory andApplication，Prentice Hall，Englewood Cliffs，NJ.1988讨论)指出任何ARMA模型都可以等价期望表示为无限阶的AR模型。依照原始ARMA模型的极点和零点位置来定位无限阶AR模型的极点。随后，可以使用无限阶AR模型的极点运动来测量ARMA模型的极点和零点运动。

无限AR模型的系数可以使用递归差分方程从ARMA模型系数中确定(参考例如Kay S，Modern Spectral Estimation-Theory and Application，PrenticeHall，Englewood Cliffs，NJ.1988)：

$c_n=-\underset{k=1}{\overset{q}{\mathrm{\&Sigma;}}}{b}_k{c}_{n-k}+\underset{k=0}{\overset{p}{\mathrm{\&Sigma;}}}{a}_k{\mathrm{\&delta;}}_{n-k};n\&GreaterEqual;0$ 等式15

其中c_n是无限阶AR模型的系数，a_k和b_k分别对应ARMA模型的AR和MA系数，p和q是ARMA模型的AR和MA部分的各自阶数以及δ_n-k是Diracdelta函数。对于n-k＜0，c_n-k的值被设置为等于0。

作为多项式特性的结果，无限阶AR模型的第一AR系数c₁，对应于极点和的负数并且因此可以用于提供对应ARMA滤波结构的标量测量值。假设a₀和b₀是单位元素，c₀等于单位元素则c₁可以通过减化等式15为如下而计算：

c₁＝a₁-b₁    等式16

从估算的ARMA过程中第一AR和MA系数计算得到的结果测量值，指示复数皮层状态。其可以用于表示皮层的响应状态并且比较皮层状态提供该响应互补但不同的测量值。可选地，由于对于固定阶AR或ARMA模型的平均极点位置的计算，存在另一种方法来计算c₁给定的复数皮层状态。因为基于等式9-12，公共系数a₁和b₁可以如下表示：

$a_1=-\underset{i=1}{\overset{i=p}{\mathrm{\&Sigma;}}}{z}_{i,p}\&equiv;-<z_p>$ 等式17

以及

$b_1=-\underset{i=1}{\overset{i=q}{\mathrm{\&Sigma;}}}{z}_{i,z}\&equiv;-<z_z>$ 等式18

其中z_i，p是p阶AR和q阶MA的ARMA模型的第i个极点，z_i，z是p阶AR和q阶MA的ARMA模型的第i个零点，以及<z_z>是零点之和，复数皮层状态c₁也可以通过该(p，q)ARMA模型的极点和与零点和的差值的相反数来计算，

$c_1=-\underset{i=1}{\overset{i=p}{\mathrm{\&Sigma;}}}{z}_{i,p}+\underset{i=1}{\overset{i=q}{\mathrm{\&Sigma;}}}{z}_{i,z}\&equiv;-<z_p>+<z_z>$ 等式19

对于无限阶AR模型，将c₁的相反数除以极点数(其是无限的)以获得平均极点位置将总会导致平均极点位置处于z平面的原点。如此该平均值将不能提供ARMA滤波状态的有意义的标量测量值。然而，由于ARMA模型的阶界定了a₁(极点和)和b₁(零点和)，因此无限阶AR模型的极点和c₁也被界定。对于AR阶数8和MA阶数5的ARMA模型情况，a₁和b₁被分别界定在+8到-8和+5到-5的范围中，因此c₁被界定在+13到-13的范围中。通过将c₁除以13，允许复数皮层状态测量值被缩放，使得其总能够大于或等于-1并且小于或等于1。

也可以使用等式13和14，利用从c₁获得的无限阶AR模型的极点和<z_p>来缩放复数皮层状态(即，例如从0-100的数值)。可选地，可以使用上述涉及的判别函数以缩放复数皮层状态来形成合适的指数。每个各自分段/采样点的复数皮层状态数据可以被绘制为图表以显示皮层响应状态作为时间的函数或相对于对应分段/采样点数目的变化。复数皮层状态被期望响应于治疗干预或疾病而增加或减少。

使用Wold分解理论的推论可获得类似的测量值(在Wold H的A Study inthe Analysis of Stationary Time Series，Almqvist & Wiksell，Stockholm，1954中详细描述并且在Kay S的Modern Spectral Estimation-Theory and Application，Prentice Hall，Englewood Cliffs，NJ.1988中讨论)，在该理论中任意ARMA模型可以等效地表示为无限阶的MA模型。可以以类似于上述的无限阶AR模型的极点的方式使用无限阶MA模型的零点运动来作为ARMA模型中的极点和零点的运动度量。然而，该方法并没有为上述所已经公开的方法提供有意义的替代或者更大的优点，因为，作为时间序列模型之间关系的结果，无限MA表示的零点之和等于无限AR表示的极点之和的相反数，即，无限阶MA模型的零点和等于-c₁(其中c₁如等式16所限定)。因此通过无限阶AR极点和或无限阶MA模型的零点和限定所估计ARMA滤波器的标量测量值，得到相同的基本测量值。换句话说，复数皮层状态的两种计算方法给出了等价的结果。

如等式1所示的理论推导出的传递函数可以采用考虑规范的形式表示为等式20：

$H_e(\mathrm{\&omega;};q)=\frac{g\left(q\right)\underset{k=1}{\overset{k=5}{\mathrm{\&Pi;}}}[\mathrm{i\&omega;}-z_k^{\&prime;}\left(q\right)]}{\underset{k=1}{\overset{k=8}{\mathrm{\&Pi;}}}[\mathrm{i\&omega;}-p_k^{\&prime;}\left(q\right)]}P\left(\mathrm{\&omega;}\right)$ 等式20

其中P(ω)表示脑的皮层输入水平。由于实际皮层中的皮层瀚入的预期时间复杂度，该输入被假设为具有不能辨别的形式，并且表示为，高斯随机(白噪声)过程。在等式20中，基于多个生理参数(表示为q)来确定8个极点(表示为

)和5个零点(表示为

)的每个值。

使用基于等式10所产生的零点数据基于等式21来产生等式20中的值

使用基于等式9所产生的极点数据基于等式21来产生等式20中的值

$z_k^{\&prime;}=f_s\ln \left|z_k\right|+f_s\mathrm{Arg}\left(z_k\right)/2\mathrm{\&pi;}$ 等式21

$p_k^{\&prime;}=f_s\ln \left|p_k\right|+f_s\mathrm{Arg}\left(p_k\right)/2\mathrm{\&pi;}$ 等式22

其中f_s是EEG采样(数字化)频率。在等式20中，g(q)表示增益因子，其精确地取决于表示为q的一个或多个参数。理论上，期望对象的g(q)值在可能影响皮层功能状态的干预施加到对象(例如麻醉剂)之前和过程中都保持基本不变。因此，g(q)的值假设为恒定的。使用乘积g(q)P(ω))来估计对象脑部的皮层输入水平，并且因此g(q)被假设为恒定。期望g(q)P(ω)中的任何变化都是由于P(ω)的变化引起的。

基于等式23，EEG处理系统100产生皮层输入数据来表示特定时间点对象脑部所接收到的皮层神经元输入。等式23假设P(ω)表示高斯白噪声：

$g\left(q\right)P\left(\mathrm{\&omega;}\right)=\frac{<\tilde{Y}\left(t\right)>}{<Y\left(t\right)>}$ 等式23

其中

表示部分EEG信号(例如，EEG信号的所选择分段)的平均信号振幅；以及<Y(t)>表示EEG信号对应部分的ARMA增益值。如果采用非时变ARMA表示，对于选择时段使用固定长度的窗口来将

值确定为EEG信号振幅的均方根(RMS)；或者如果采用时变ARMA表示，则对于每个采样点通过使用固定长度的滑动窗口来将<Y(t)>值确定为EEG信号振幅的均方根(RMS)。ARMA增益<Y(t)>可以被确定为所选择分段/采样点的EEG信号的信号表示的振幅的RMS值。

基于非时变ARMA表示来产生所选择分段的AR和MA系数(即，基于等式2)，这样基于等式2产生该分段的EEG信号的信号表示。信号表示表现为基于等式2所产生的一系列值(即等式2中的y[n])，其中当通过正常化白噪声输入(即，其中u[n-k]表示零点平均单位变量高斯随机过程所确定的随机值)驱动时，基于所估计的所选择分段的AR和MA系数来产生等式2的输出。

基于时变ARMA表示来产生所选择采样点的AR和MA系数(即，基于等式3)，这样基于等式3产生该采样点的EEG信号的信号表示。信号表示表现为基于等式3所产生的一系列值(即等式3中的y[n])，其中当通过正常化白噪声输入(即，其中u[n-k]表示零点平均单位变量高斯随机过程所确定的随机值)驱动时，基于所估计的所选择采样点的AR和MA系数来产生等式3的输出。

可采用多种方式产生ARMA增益，例如，使用Delft University ofTechnology的P.M.T.Broersen的ARMASA Matlab Toolbox应用中的arma2cor函数，或者使用任意其它ARMA建模软件包。

等式2和3表示EEG信号的一部分的固定阶(8，5)ARMA表示。尽管预期具有自回归阶数8和移动平均阶数5的ARMA表示会给出最佳结果，但是也可以选择其它AR和MA阶数。

理论上，增益系数，g，根据等式24而依赖于参数q：

$g\&cong;\frac{\exp \left(1\right){\mathrm{\&psi;}}_e\left[h_e^{*}\left(q\right)\right]{\mathrm{\&gamma;}}_e}{{\mathrm{\&tau;}}_e}$ 等式24

以及因此皮层输入，P(ω)可以使用等式25估计：

$P\left(\mathrm{\&omega;}\right)\&cong;\frac{{\mathrm{\&tau;}}_e<\tilde{Y}\left(t\right)>}{\exp \left(1\right){\mathrm{\&psi;}}_e\left[h_e^{*}\left(q\right)\right]{\mathrm{\&gamma;}}_e<Y\left(t\right)>}$ 等式25

其中，在等式24和25中，

表示皮层中的激发效能(并且其与休息时兴奋性活动的跨膜驱动力成比例)，γ_e表示激发的对应率常数以及τ_e表示有效主动膜时间常数。在平均场模型中，并不期望干预期间

γ_e、τ_e的各个值从其不受干扰的值发生明显扰动。使用等式23确定的乘积g(q)P(ω)表示皮层输入。皮层输入，与从等式2或3中的系数a_k和b_k所获得的极点和零点一起，相比较单独使用ARMA系数，表示从对象探测到的EEG信号动态的更为广泛的线性特征。

因此，掌握了特定药剂如何影响单个神经元生理特性的知识(其可能具有广泛的信息)，本文中所公开的技术可以用于确定脑部输入中可能受所述药剂影响的变量。当认为已知影响脑功能的各种药剂具有沿着整个中枢神经网络分布的活动位置和目标时，这是特别重要的。

例如，一氧化二氮是一种催眠剂和止痛剂并且以及已知的皮层地和皮层下地影响位置(例如，如Hopkins PM的Nitrous oxide：a unique drug of continuingimportance for anaesthesia，Best Pract Res Clin Anaesthesiol.，2005，Sep，19(3)，pp.381-9以及Rudolph U和Antkowiak B的Molecular and neuronal substratesfor general anaesthetics.，Nat Rev Neurosci.，2004，Sep，5(9).pp.709-20中所讨论的)。能够非侵入式地量化催眠剂和止痛剂的水平具有重要的临床实用性，因为各自测量值在随后的和正在进行的临床管理和临床结果中具有重要意义。例如，探测足够的镇痛剂对于在外科手术期间实现生理(自主)稳定性是重要的，以及辅助改善术后临床结果。通过监视外围衍生感觉信息到达皮层的程度来量化皮层下输入的幅值，可以提供评定镇痛程度的一种方式。

皮层输入、皮层状态和复数皮层状态的推导测量值可以单独显示，或者合成为表示对象脑功能状态的单一指数。可以采用数字的方法来将这些测量值组成为单个的数字。例如，可以将指数计算为投射到皮层输入、皮层状态值和复数皮层状态的测量值所限定的三维空间的向量的长度，使得

$\mathrm{index}=\sqrt{{\left(\mathrm{\&alpha;CI}\right)}^2+{\left(\mathrm{\&beta;CS}\right)}^2+{\left(\mathrm{\&gamma;}{\mathrm{CS}}_c\right)}^2}$ 等式26

其中CI表示皮层输入，CS对应于皮层状态。CS_c表示复数皮层状态和α、β和γ表示恰当的缩放因素或函数。随后可使用等式13和14的恰当变形来将结果指数缩放到预定范围(例如，从0到100)，即

scaled index＝m×index-c    等式27

其中c和m是被选择以确保指数位于某预定范围内的常数并且指数如等式26所限定。等式26中所限定的指数也可以非线性缩放来给出如下缩放指数：

$\mathrm{scaledindex}=\frac{d}{1+e^{-\mathrm{aindex}-b}}$ 等式28

其中a，b和d是被选择以确保缩放后的指数位于预定范围内的常数。

替代的，皮层输入、皮层状态和复数皮层状态数据和能够从ARMA模型或EEG数据中抽取的其它测量值可以通过上述涉及的判别函数进行处理来产生表示脑功能状态的单一标量。

图2是EEG处理系统100所执行的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使用带通滤波对EEG信号滤波以移除低频伪像、EMG分量和主要伪像(通常出现在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采样。

步骤210基于用户选择确定如何处理EEG采样。如果用户选择处理选项来基本上实时分析采样，步骤210进行步骤212。否则，选择默认的处理选项并且步骤210进行到步骤216。

对于模块108所产生的每个新采样点，脑功能指数计算模块108执行步骤212和214。在步骤212，模块108将对EEG采样执行额外伪像抑制和信号处理，包括从采样中额外的移除周期性0Hz到50-60Hz干扰，其已知的危害AR和MA系数的随后估计。

在步骤214，模块108产生每个采样点的系数数据，表示数字化所获得每个采样EEG值的EEG信号的时变ARMA表示(例如，基于(8，5)阶ARMA表示)的AR和MA系数。例如，在步骤214，模块108使用Kalman自适应滤波方法而直接从EEG采样中产生AR和MA系数。在步骤214中，系数数据表示如上所述的AR和MA系数的优选值。步骤214随后进行到步骤222和步骤224，其彼此并行地执行。可以使用软件诸如与MATLABSystemIdentification Toolbox version 7.4相关的函数来产生时变系数数据。

在步骤216，模块108产生多个分段，每个表示相同时段的数字EEG信号的一部分。例如，每个分段可以表示为EEG信号的2秒采样并且可以与相邻分段重叠。在步骤218，模块108执行附加信号预处理，包括滤波每个分段以从信号中移除附加伪像，其包括移除周期性0Hz到50-60Hz干扰，所述干扰已知的危害AR和MA系数的随后估计。在步骤220，模块108基于每个分段的EEG信号的各自非时变ARMA表示来产生系数数据(例如基于(8，5)阶ARMA表示)。可以采用多种方式产生每个固定长度分段的AR和MA系数的估计，例如使用Delft University of Technology的P.M.T.Broersen的ARMASA Matlab工具盒应用，或使用其他任意ARMA建模软件包。步骤220随后进入到步骤222和步骤224。

在步骤222，模块108对于每个分段/采样点，基于步骤214或220中所使用的用于产生相应分段/采样点的系数数据的相应ARMA表示，来产生表示ARMA增益值(即，等式23中的<Y(t)>)ARMA增益数据。其包括将估计的AR和MA系数应用到相应ARMA表示(即，等式2或等式10)，以及通过驱动具有正常白噪声输入(表示为u[n-k])的相应ARMA表示来产生信号表示(表示为y[n])。

在步骤222，在采用非时变ARMA表示的情况下(步骤216、218、220)下对于每个分段/采样点，或者在采用时变ARMA表示的情况下(步骤212和214)对于EEG采样值范围，模块108还基于对应分段的EEG采样而产生表示信号增益值的信号增益数据(即，等式23中的

)。基于所探测EEG信号的恰当部分而产生每个采样点的

值，所探测信号的恰当部分中心位于对应采样点的系数数据所产生的时刻；或者基于包含当前采样点和当前采样点之前的采样EEG信号的恰当构造的平均值而产生每个采样点的

值。可选地，在步骤216基于模块108所产生的每个各自分段而产生

值。

在步骤223，模块108随后基于对应的ARMA增益数据和信号增益数据，根据等式23，对于每个分段/采样点，产生表示为乘积g(q)P(ω)值的皮层输入数据。g(q)P(ω)值的变化表示皮下输入的幅值变化(通过P(ω)表示)。

步骤224基于等式9和10产生极点和零点数据，随后模块108针对每个各自分段/采样点，基于等式12产生皮层状态数据以及基于等式16产生复数皮层状态数据。

步骤223和224进行到步骤226，其中模块108基于皮层输入数据、皮层状态数据和/或复数皮层状态数据来产生脑功能指数数据，所述数据表示对应分段/采样点的脑功能缩放的数字表示。例如，可以根据等式26而从组合的皮层输入状态数据、皮层状态数据和复数皮层状态数据推导出脑函数指数数据。随后可以基于使用等式27或28，缩放该脑功能数据以让其位于预定范围内。随后将该缩放的脑功能指数发送到显示模块114，在显示模块114中以包括单一指数值302的各种格式和/或作为直到并包括当前时刻的所选择时间间隔内所限定的序列值的图表304来显示其。

在步骤228中，显示模块114基于脑功能数据(例如，使用极点数据、零点数据、皮层输入数据、皮层状态数据、复数皮层状态数据和/或脑功能指数数据)产生表示用户界面的显示数据，并且该显示数据优选的包括EEG采样的表示，以表示对象脑部的功能状态和/或对象脑部的皮下活动水平。步骤228还可以控制数据导出模块来产生输出数据，该输出数据包括表示EEG采样的数据，脑功能数据，原始和/或缩放的皮层输入、皮层状态和/或复数皮层状态数据。方法200在步骤228后结束。

皮层状态数据和/或复数皮层状态数据所表示的值的变化表示对象脑部的功能状态的变化(即，脑如何响应皮层输入)。皮层输入数据所表示的值变化表示乘积g(q)P(ω)的值的变化并且因此表示脑皮层输入的水平。ARMA增益所提供的优点以及由此皮下输入的测量值将增强对象脑功能确定的生理特定性(以及由此临床实用性)。

在不脱离在此参照附图描述的本发明的范围的情况下，各种修改对于本领域技术人员来说是显而易见的。

本说明书中对任何现有技术的引用不是，也不应认为是，承认或者任意形式地暗示现有技术构成澳大利亚公知常识的一部分。

Claims (22)

1.一种脑活动的显示方法，所述方法包括步骤：

(i)获取来自脑部的脑电图(EEG)信号；

(ii)将所述EEG信号分割为或连续或重叠的分段，所述分段包括所述EEG信号的一系列采样；

(iii)将所述EEG分段表示为具有8到13之间的自回归阶以及5到11之间的移动平均阶的固定阶的自回归移动平均(ARMA)信号表示；

(iv)以z域表示法来重写所述固定阶ARMA信号表示以获得z域表示；

(v)对所述EEG信号的所述分段，针对所述固定阶ARMA信号表示，产生AR系数数据和MA系数数据；

(vi)通过将所述EEG信号的所述分段的所述系数数据代入到所述z域表示中，而确定所述EEG信号的所述分段的所述z域表示的极点和零点；

(vii)计算步骤(vi)中所确定的极点数目的和；

(viii)计算步骤(vi)中所确定的零点数目的和；

(ix以所述z域表示法将所述ARMA信号表示表示为无限阶自回归(AR)模型；

(x)从所述固定阶ARMA表示的步骤(v)中所产生的AR和MA系数数据，来确定所述无限阶AR模型的自回归系数数据；

(xi)确定所述EEG信号的所述分段的所述无限阶AR模型的极点和，作为：

(a)所述无限阶AR模型的第一自回归系数；或

(b)如步骤(vii)和(viii)分别确定的极点之和与零点之和的差值；

(xii)通过应用判别函数到步骤(xi)中所确定的所述EEG信号的所述分段的所述无限AR模型的极点和，而确定所述EEG信号的所述分段的表示脑活动的指数值；以及

(xiii)在显示装置上显示所述指数值。

2.如权利要求1所述的方法，包括在步骤(iii)中向该方法的用户提供选择时变或非时变ARMA信号表示的选项的步骤。

3.如权利要求1或2所述的方法，其中指数值是范围0-100中的数字。

4.如权利要求1-3的任一个所述的方法，其中通过使用缩放函数来确定所述指数值，所述缩放函数通过将判别分析应用到步骤(xi)中所确定的所述无限阶AR模型的极点和上而确定。

5.如权利要求3所述的方法，其中使用等式index＝c-m<z_p>来确定所述指数值，

其中c和m是被选择以确保所述指数值处于所述范围内的常数，并且<z_p>是所述无限阶AR模型的极点和。

6.如权利要求3所述的方法，其中使用等式

$\mathrm{index}=\frac{100}{1+e^{-a(<z_p>-b)}}$ 来确定指数值，

其中a和b是被选择以确保所述指数值处于所述范围内的常数，并且<z_p>是所述无限阶AR模型的极点和。

7.如权利要求1到3的任一个所述的方法，其中通过将所述无限阶AR模型的极点和与皮层状态和皮层输入的测量值相组合来确定所述指数值，所述皮层状态和皮层输入的测量值也可以使用由应用判别分析所确定的函数而从ARMA模型和EEG数据中推导出。

8.如权利要求2所述的方法，包括步骤：

(xiv)选择8阶自回归和5阶移动平均的固定阶数非时变ARMA信号表示：

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

其中y[n]表示所述EEG信号采样的有序序列，y[n-k]表示y[n]之前第k个采样值；u[n-k]表示高斯白噪声处理；以及a_k和b_k表示所述EEG信号的所述分段的在步骤(v)中分别确定的估计出的自回归AR和移动平均MA系数数据；

(xv)对于一个或多个所述EEG分段，估计步骤(xiv)中等式的固定阶数ARMA信号表示的自回归AR系数a₁-a₈和移动平均MA系数b₀-b₅；

(xvi)在步骤(xiv)的等式上执行步骤(iv)，使得z域表示为z域等式：

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

(xvii)将估计的自回归AR和移动平均MA系数代入到步骤(xvi)的z域等式中；

(xviii)使同等式

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

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

在步骤(xvi)的z域等式上执行步骤(vi)；

其中有均由符号p表示的8个极点，并有由符号z表示的5个零点；

(xix)使用

$\left(a\right)---c_1=-\underset{i=1}{\overset{i=8}{\mathrm{\&Sigma;}}}{z}_{i,p}+\underset{i=1}{\overset{i=5}{\mathrm{\&Sigma;}}}{z}_{i,z}\&equiv;-<z_p>+<z_z>;$ 或

(b)c₁＝a₁-b₁

执行步骤(xi)，其中z_i，p是第i个极点，z_i，z是第i个零点以及a₁和b₁分别是所述非时变ARMA信号表示的第一自回归和第一移动平均系数以及c₁是无限阶AR模型的第一系数。

9.如权利要求8所述的方法，包括步骤：

(xx)对于每个时间常数n，分别递归估计自回归系数a₁-a₈和移动平均系数b₀-b₅为

和

使得如下固定阶时变ARMA表示将被选择：

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

(xxi)使用等式计算步骤(xix)(b)，其中

和

是时间常数n处8阶自回归和5阶移动平均的所述时变ARMA表示的各自的第一自回归系数和移动平均系数。

10.如权利要求1到9任一个所述的方法，其中步骤(xiii)包括以图表形式显示所述指数值的步骤。

11.如权利要求1到10任一个所述的方法，其中步骤(xiii)包括采用与所述指数值的不同预定值范围相对应的颜色来显示所述指数值的步骤，其中每个预定范围采用不同颜色表示。

12.一种用于显示对象脑活动的系统，所述系统包括：

多个电极，用于从对象的脑部采集EEG信号；

数字化装置，用于将EEG信号转化为数字化EEG数据信号；

计算装置，用于：

(i)将所述EEG信号分割为或连续或重叠的分段，所述分段包括所述EEG信号的一系列采样；

(ii)将所述EEG分段表示为具有8到13之间的自回归阶以及5到11之间的移动平均阶的固定阶的自回归移动平均(ARMA)信号表示；

(iii)以z域表示法重写所述固定阶ARMA信号表示以获得z域表示；

(iv)对所述EEG信号的所述分段，针对所述固定阶ARMA信号表示，产生AR系数数据和MA系数数据；

(v)通过将所述EEG信号的所述分段的所述系数数据代入到所述z域表示中，而确定所述EEG信号的所述分段的所述z域表示的极点和零点；

(vi)计算步骤(v)中所确定的极点数目的和；

(vii)计算步骤(v)中所确定的零点数目的和；

(viii)以所述z域表示法将所述ARMA信号表示表示为无限阶自回归(AR)模型；

(ix)从所述固定阶ARMA表示的在步骤(iv)中所产生的AR和MA系数数据，来确定所述无限阶AR模型的自回归系数数据；

(x)确定所述EEG信号的所述分段的所述无限阶AR模型的极点和，作为：

(a)所述无限阶AR模型的第一自回归系数；或

(b)如步骤(vi)和(vii)分别确定的极点和与零点和的差值；

(xi)通过应用判别函数到步骤(x)中所确定的所述EEG信号的所述分段的所述无限AR模型的极点，而确定所述EEG信号的所述分段的表示脑活动的指数值；以及

(xii)生成用于在显示装置上显示所述指数值的显示数据。

13.如权利要求12所述的系统，其中计算装置为系统的用户提供选择步骤(ii)中的时变或非时变ARMA信号表示的选项。

14.如权利要求12或13所述的系统，其中计算装置确定指数值为范围从0-100的数字。

15.如权利要求12-14的任一个所述的系统，其中计算装置通过使用缩放函数来确定指数值，所述缩放函数通过将判别分析应用到所述无限阶AR模型的极点和上而确定。

16.如权利要求14所述的系统，其中计算装置使用等式

index＝c-m<z_p>来确定指数值，

其中c和m是被选择以确保指数值处于所述范围内的常数，并且<z_p>是所述无限阶AR模型的极点和。

17.如权利要求14所述的系统，其中计算装置使用等式

$\mathrm{index}=\frac{100}{1+e^{-a(<z_p>-b)}}$ 来确定指数值，

其中a和b被选择以确保指数值处于所述范围内的常数，并且<z_p>是所述无限阶AR模型的极点和。

18.如权利要求11到14的任一个所述的系统，其中通过将所述无限阶AR模型的极点和与皮层状态和皮层输入的测量值相组合来确定指数值，所述皮层状态和皮层输入的测量值也可以使用由应用判别分析所确定的函数而从ARMA模型和EEG数据中推导出。

19.如权利要求13所述的系统，其中计算装置执行步骤：

(xiii)选择8阶自回归和5阶移动平均的固定阶数非时变ARMA信号表示：

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

其中y[n]表示所述EEG信号的采样的有序序列，y[n-k]表示y[n]之前第k个采样值；u[n-k]表示高斯白噪声处理；以及a_k和b_k表示所述EEG信号的所述分段的在步骤(iv)中分别确定的估计的自回归AR和移动平均MA系数数据；

(xiv)对于所述EEG的一个或多个分段，估计步骤(ix)中等式的固定阶数ARMA信号表示的自回归AR系数a₁-a₈和移动平均MA系数b₀-b₅；

(xv)在步骤(xiii)的等式上执行步骤(iii)，使得z域表示为z域等式：

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

(xvi)将估计的自回归AR和移动平均MA系数代入到步骤(xv)的z域等式中；

(xvii)使用等式

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

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

在步骤(xv)的z域等式中的执行步骤(v)；

其中有8个均由符号p表示的极点，且有5个由符号z表示的零点；

(xviii)使用 $\left(a\right)---c_1=-\underset{i=1}{\overset{i=8}{\mathrm{\&Sigma;}}}{z}_{i,p}+\underset{i=1}{\overset{i=5}{\mathrm{\&Sigma;}}}{z}_{i,z}\&equiv;-<z_p>+<z_z>;$ 或

(b)c₁＝a₁-b₁

执行步骤(x)，其中z_i，p是第i个极点，z_i，z是第i个零点以及a₁和b₁分别是所述非时变ARMA信号表示的第一自回归和第一移动平均系数以及c₁是无限阶AR模型的第一系数。

20.如权利要求19所述的系统，其中计算装置执行以下步骤：

(xix)对于每个时间常数n，分别递归估计自回归系数a₁-a₈和移动平均系数b₀-b₅为

和

使得如下固定阶时变ARMA表示被选择：

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

(xx)使用等式

计算步骤(xviii)(b)，其中和

是时间常数n处8阶自回归和5阶移动平均的所述时变ARMA表示的各自的第一自回归和移动平均系数。

21.如权利要求12到20任一个所述的系统，还包括耦接以从计算装置接收显示数据的显示装置，并且其中显示装置以图表形式显示所述指数值。

22.如权利要求12到21任一个所述的系统，其中显示装置采用与所述指数值的不同预定值范围相对应的颜色来显示所述指数值，其中每个预定范围采用不同颜色表示。

Images