CN107921262B

CN107921262B - 用于优化脊髓刺激的机器学习

Info

Publication number: CN107921262B
Application number: CN201680049020.5A
Authority: CN
Inventors: 迈克尔·A·莫菲特; 纳塔利·A·布里尔; 顾健文; 胡安·加布里埃尔·因卡皮耶·奥多内滋; 朱常芳; 赫曼特·博基尔; 斯蒂芬·卡西里
Original assignee: Boston Scientific Neuromodulation Corp
Current assignee: Boston Scientific Neuromodulation Corp
Priority date: 2015-08-26
Filing date: 2016-08-23
Publication date: 2021-06-18
Anticipated expiration: 2036-08-23
Also published as: CN107921262A; WO2017035140A1; US20170056642A1; US20230256249A1; EP3341073A1; US20210069512A1; EP3341073B1; US11666761B2; US10842997B2

Abstract

一种系统包括：处理器；以及存储器装置，所述存储器装置包括指令，所述指令当由所述处理器运行时使所述处理器：访问对象的患者度量；使用所述患者度量作为到机器学习算法的输入，所述机器学习算法用于搜索多个神经调制参数集合并用于识别所述多个神经调制参数集合中的候选神经调制参数集合，所述候选神经调制参数集合被设计为产生在时间域和空间域上变化的非规则波形；以及使用所述候选神经调制参数集合对神经调制器进行编程以刺激所述对象。

Description

用于优化脊髓刺激的机器学习

相关申请的交叉引用

本申请根据35U.S.C.§119(e)要求于2015年8月26日提交的序列号为62/210,221的美国临时专利申请和于2016年1月12日提交的序列号为62/277,686的美国临时专利申请的优先权的权益，其中的每个通过引用整体并入本文。

技术领域

本文大体涉及医学装置，并且更具体地涉及用于递送神经调制的系统、装置和方法。

背景技术

包括神经刺激的神经调制已经被提出作为针对许多疾病的治疗。神经刺激的示例包括脊髓刺激(SCS)、深度脑刺激(DBS)、外周神经刺激(PNS)、以及功能电刺激(FES)。可植入神经刺激系统已经被应用以递送这种治疗。可植入神经刺激系统可以包括可植入神经刺激器(也被称为可植入脉冲发生器(IPG))以及一个或多个可植入引线，每个可植入引线包括一个或多个电极。可植入神经刺激器通过放置在神经系统中的目标部位上或附近的一个或多个电极递送神经刺激能量。外部编程装置用于以控制神经刺激能量的递送的刺激参数来对可植入神经刺激器进行编程。

神经刺激能量可以以电神经刺激脉冲的形式被递送。递送使用指定神经刺激脉冲的模式(pattern)的空间方面(要刺激哪里)、时间方面(何时刺激)、以及信息方面(指引神经系统根据期望做出响应的脉冲的模式)的刺激参数来控制。许多当前神经刺激系统被编程为以一个或几个均匀的波形连续地或突发地递送周期性脉冲。然而，神经信号可以包括更复杂的模式来传递各种类型的信息，包括疼痛的感觉、压力、温度、等等。神经系统可能将具有简单刺激模式(pattern)的人为刺激解读为非自然现象，并且以非预想的且不期望的感觉和/或移动做出响应。例如，已知一些神经刺激治疗引起感觉异常和/或非靶向组织或器官的振动。

最近的研究已经表明某些神经刺激治疗的效用和效率能够被改善，并且它们的副作用能够通过使用模仿在人体中观察到的神经信号的自然模式的神经刺激脉冲的模式来减少。

发明内容

示例1包括主题(例如一种方法，用于执行动作的装置，包括当由机器执行时使所述机器执行动作的指令的机器可读介质，或者一种用于执行以下各项的设备)，其包括：在计算机化系统处访问对象的患者度量；使用所述患者度量作为到在所述计算机化系统上运行的机器学习算法的输入，所述机器学习算法用于搜索多个神经调制参数集合并用于识别所述多个神经调制参数集合中的候选神经调制参数集合，所述候选神经调制参数集合被设计为产生在时间域和空间域上变化的非规则波形；以及使用所述候选神经调制参数集合对神经调制器进行编程以刺激所述对象。

在示例2中，示例1所述的主题可以包括，其中，所述对象是患者。

在示例3中，示例1至2中的任一项所述的主题可以包括，其中，所述患者是来自临床前试验的动物。

在示例4中，示例1至3中的任一项所述的主题可以包括，其中，所述机器学习算法包括遗传算法。

在示例5中，示例1至4中的任一项所述的主题可以包括，其中，所述机器学习算法包括神经网络。

在示例6中，示例1至5中的任一项所述的主题可以包括，其中，所述计算机化系统为基于云的系统，并且其中，对所述神经调制器进行编程包括将所述候选神经调制参数集合发送到所述基于云的系统的客户端装置。

在示例7中，示例1至6中的任一项所述的主题可以包括，其中，所述患者度量为客观疼痛度量。

在示例8中，示例1至7中的任一项所述的主题可以包括，其中，所述客观疼痛度量为通过由所述对象佩戴的传感器感测到的生理指示。

在示例9中，示例1至8中的任一项所述的主题可以包括，其中，所述患者度量为主观疼痛度量。

在示例10中，示例1至9中的任一项所述的主题可以包括，其中，所述主观疼痛度量从询问所述对象获得。

在示例11中，示例1至10中的任一项所述的主题可以包括，其中，所述空间域包括与分化或极性相关的至少一个参数。

在示例12中，示例1至11中的任一项所述的主题可以包括，其中，所述候选神经调制参数集合被设计为产生逐脉冲变化的脉冲突发。

在示例13中，示例1至12中的任一项所述的主题可以包括，从用户接收选定参数；以及使用所述选定参数来集中所述机器学习算法。

示例14包括一种机器可读介质，其包括指令，所述指令当由机器运行时使所述机器执行示例1至13中的任一项的操作。

示例15包括一种装置，其包括用于执行示例1-13中的任一项的单元。

示例16包括主题(例如一种装置、设备、或机器)，其包括：处理器；以及存储器装置，所述存储器装置包括指令，所述指令当由所述处理器运行时使所述处理器：访问对象的患者度量；使用所述患者度量作为到机器学习算法的输入，所述机器学习算法用于搜索多个神经调制参数集合并识别所述多个神经调制参数集合中的候选神经调制参数集合，所述候选神经调制参数集合被设计为产生在时间域和空间域上变化的非规则波形；以及使用所述候选神经调制参数集合对神经调制器进行编程以刺激所述对象。

在示例17中，示例16所述的主题可以包括，其中，所述对象是患者。

在示例18中，示例16至17中的任一项所述的主题可以包括，其中，所述患者是来自临床前试验的动物。

在示例19中，示例16至18中的任一项所述的主题可以包括，其中，所述机器学习算法包括遗传算法。

在示例20中，示例16至19中的任一项所述的主题可以包括，其中，所述机器学习算法包括神经网络。

在示例21中，示例16至20中的任一项所述的主题可以包括，其中，所述系统为基于云的系统，并且其中，用于提供所述候选神经调制参数集合的指令包括用于将所述候选神经调制参数集合发送到所述基于云的系统的客户端装置的指令。

在示例22中，示例16至21中的任一项所述的主题可以包括，其中，所述患者度量为客观疼痛度量。

在示例23中，示例16至22中的任一项所述的主题可以包括，其中，所述客观疼痛度量为通过由所述对象佩戴的传感器感测到的生理指示。

在示例24中，示例16至23中的任一项所述的主题可以包括，其中，所述患者度量为主观疼痛度量。

在示例25中，示例16至24中的任一项所述的主题可以包括，其中，所述主观疼痛度量从询问所述对象获得。

在示例26中，示例16至25中的任一项所述的主题可以包括，其中，所述空间域包括与分化或极性相关的至少一个参数。

在示例27中，示例16至26中的任一项所述的主题可以包括，其中，所述候选神经调制参数集合被设计为产生逐脉冲变化的脉冲突发。

在示例28中，示例16至27中的任一项所述的主题可以包括，其中，所述存储器装置还包括指令，所述指令当由所述处理器运行时使所述处理器：从用户接收选定参数；以及使用所述选定参数来集中所述机器学习算法。

示例29包括主题(例如一种方法，用于执行动作的装置，包括当由机器执行时使所述机器执行动作的指令的机器可读介质，或者一种用于执行以下各项的设备)，其包括：在计算机化系统处访问对象的患者度量；使用所述患者度量作为到在所述计算机化系统上运行的机器学习算法的输入，所述机器学习算法用于搜索多个神经调制参数集合并用于识别所述多个神经调制参数集合中的候选神经调制参数集合，所述候选神经调制参数集合被设计为产生在时间域和空间域上变化的非规则波形；使用所述候选神经调制参数集合对神经调制器进行编程以刺激所述对象；以及产生所述非规则波形。

在示例30中，示例29所述的主题可以包括，其中，所述对象是患者。

在示例31中，示例29至30中的任一项所述的主题可以包括，其中，所述患者是来自临床前试验的动物。

在示例32中，示例29至31中的任一项所述的主题可以包括，其中，所述机器学习算法包括遗传算法。

在示例33中，示例29至32中的任一项所述的主题可以包括，其中，所述候选神经调制参数集合被设计为产生逐脉冲变化的脉冲突发。

在示例34中，示例29至33中的任一项所述的主题可以包括，从用户接收选定参数；以及使用所述选定参数来集中所述机器学习算法。

示例35包括主题(例如一种机器可读介质、计算机可读介质、或其他存储的指令)，其包括指令，所述指令当运行时使装置：访问对象的患者度量；使用所述患者度量作为到机器学习算法的输入，所述机器学习算法用于搜索多个神经调制参数集合并识别所述多个神经调制参数集合中的候选神经调制参数集合，所述候选神经调制参数集合被设计为产生在时间域和空间域上变化的非规则波形；以及使用所述候选神经调制参数集合对神经调制器进行编程以刺激所述对象。

本发明内容是本申请的教导中的一些的概述并且不旨在为本主题的排他性或穷尽性处置。在详细描述和随附权利要求书中找到关于本主题的进一步细节。在阅读和理解以下详细描述并查看形成本公开内容的一部分的附图后，本公开内容的其他方面将对本领域技术人员变得显而易见，附图中的每个都不应在限制性的意义上来理解。本公开内容的范围由随附权利要求及其合法等效方案限定。

附图说明

通过示例在附图中的各图中图示各个实施例。这样的实施例是例示性的并且不旨在为本主题的穷尽的或排他性的实施例。

图1图示了脊髓的一部分。

图2通过示例图示了神经调制系统的实施例。

图3通过示例图示了例如可以被实现在图2的神经调制系统中的调制装置的实施例。

图4通过示例图示了例如可以被实现为图2的神经调制系统中的编程装置的编程装置的实施例。

图5通过示例图示了可植入神经调制系统以及系统可以被使用在其中的环境的部分。

图6通过示例图示了SCS系统的实施例。

图7通过示例图示了利用机器学习来优化神经刺激模式的系统中的数据和控制流的实施例。

图8通过示例图示了利用机器学习来优化神经刺激模式的系统中的数据和控制流的另一实施例。

图9通过示例图示了在空间域和时间域中构造刺激波形的实施例。

图10通过示例图示了利用机器学习来优化神经刺激模式的系统的实施例。

图11通过示例图示了利用机器学习来优化神经刺激模式的方法的实施例。

图12是图示了根据示例实施例的在其内可以运行指令集或指令序列以使机器执行本文中讨论的方法中的任一个的以计算机化系统的示例形式的机器的框图。

具体实施方式

下面结合附图本主题的以下详细描述引用附图，附图通过图示示出了本主题可以被实践于其中的具体方面和实施例。这些实施例以使得本领域技术人员能够实践本主题的充分的细节来描述。可以在不脱离本主题的范围的情况下利用其他实施例，并且可以做出结构、逻辑和电气变化。在本公开内容中对“一”、“一个”或“各种”实施例的引用不必为相同实施例，并且这样的引用预见多于一个实施例。因此，以下详细描述不应在限制性意义上来理解，并且范围仅由随附权利要求连同这样的权利要求被赋予的合法等效方案的完整范围限定。

本文中描述的各种实施例涉及脊髓调制。本文中提供脊髓的生理学和相关设备的简单描述以帮助读者。图1通过示例图示了脊髓100的一部分，脊髓100包括脊髓的白质101和灰质102。灰质102包括细胞体、突触、树突和轴突末端。因此，突触位于灰质中。白质101包括连接灰质区的有髓轴突。脊髓的典型横截面包括基本上由白质101的椭圆形外部区包围的灰质102的中心“蝴蝶”形中心区。脊柱(DC)103的白质包括形成在轴向方向上延伸的传入纤维的主要为大的有髓轴突。灰质的“蝴蝶”形中心区的背部部分被称为背角(DH)104。与在轴向方向上延伸的DC纤维相反，DH纤维能够被取向在许多方向上，包括垂直于脊髓的纵轴。还图示了脊神经105的示例，包括背根(DR)105、背根神经节107以及腹根108。背根105主要将感觉信号运载到脊髓中，并且腹根用作传出运动根。背根和腹根接合以形成混合脊神经105。

SCS已经用于缓解疼痛。用于传统SCS编程的治疗目标已经为使在白质中沿着脊髓的纵轴延伸的DC纤维的刺激(即，康复)最大化并使垂直于脊髓的纵轴延伸的其他纤维(主要是背根纤维)的刺激最小化，如图1所示。DC的白质包括形成传入纤维的主要为大的有髓轴突。尽管没有很好地理解疼痛缓解的完整机制，但是应相信，疼痛信号的感知经由疼痛的门控理论被抑制，其表明经由电刺激的无害接触或压力传入的增强的活动在脊髓的DH内产生释放抑制性神经递质(γ-氨基丁酸(GABA)、甘氨酸)的神经元间活动，其继而降低宽动态范围(WDR)感觉神经元对从使神经分布于患者的疼痛区域的背根(DR)神经纤维过来的疼痛信号的有害传入输入的超敏性以及处置一般WDR异位。因此，已经瞄准DC神经纤维的大感觉传入来以提供疼痛缓解的幅度进行刺激。当前可植入神经调制系统通常包括邻近患者的脊髓的脊柱(即停靠在硬脑膜附近或上)并且沿着患者的脊髓的纵轴植入的电极。

大感觉DC神经纤维的激活还通常产生常常伴随传统SCS治疗的感觉异常感觉。一些实施例在能量的递送由于诸如感觉异常的感觉而可感知的情况下递送治疗。尽管诸如感觉异常的备选或人为感觉通常相对于疼痛的感觉是可容忍的，但是患者有时将这些感觉报告为不舒服的，并且因此，可能在一些情况下认为他们对神经调制治疗具有不利的副作用。例如，一些实施例递送在治疗上对处置疼痛有效的亚感知治疗，但是患者不能感觉到调制场的递送(例如，感觉异常)。亚感知治疗可以包括有效地阻止DC中的传入纤维中的疼痛信号的传输的对脊髓的更高频率的调制(例如，大约1500Hz或以上)。本文中的一些实施例在DC组织上选择性地调制DH组织或DR组织以提供亚感知治疗。这样的选择性调制不以这些较高频率被递送。例如，选择性调制可以以小于1200Hz的频率被递送。在一些实施例中，选择性调制可以以小于1000Hz的频率被递送。在一些实施例中，选择性调制可以以小于500Hz的频率被递送。在一些实施例中，选择性调制可以以小于350Hz的频率被递送。在一些实施例中，选择性调制可以以小于130Hz的频率被递送。选择性调制可以以低频率(例如低至2Hz)被递送。选择性调制可以甚至在没有脉冲(例如0Hz)的情况下被递送以对某个神经组织进行调制。通过示例而非限制的方式，选择性调制可以在从以下频率中选择的频率范围内被递送：2Hz至1200Hz；2Hz至1000Hz；2Hz至500Hz；2Hz至350Hz；或2Hz至130Hz。系统可以被开发以将任何这些范围的下端从2Hz提高到其他频率，例如，通过示例而非限制，为10Hz、20Hz、50Hz或100Hz。通过示例而非限制，进一步指出，选择性调制可以在占空比内被递送，其中在占空比的刺激ON部分递送刺激(例如脉冲串)，并且在占空比的刺激OFF部分不递送刺激(例如脉冲串)。通过示例而非限制，占空比可以为大约10％±5％、20％±5％、30％±5％、40％±5％、50％±5％或60％±5％。例如，在刺激ON部分期间10ms的脉冲突发跟有15ms没有脉冲对应于40％的占空比。

图2图示了神经调制系统的实施例。图示的系统210包括电极211、调制装置212和编程装置213。电极211被配置为被放置在患者中的一个或多个神经目标上或附近。调制装置212被配置为电连接到电极211并且通过电极211将例如以电脉冲的形式的神经调制能量递送到一个或多个神经目标。神经调制的递送通过使用多个调制参数来控制，多个调制参数例如为指定电脉冲和通过其递送电脉冲中的每个的电极的选择的调制参数。在各种实施例中，多个调制参数中的至少一些参数可由诸如医生或其他护理者的用户编程。编程装置213向用户提供对用户可编程参数的可及性。在各种实施例中，编程装置213被配置为经由有线或无线链路被通信地耦合到调制装置。在各种实施例中，编程装置213包括允许用户设定和/或调节用户可编程调制参数的值的图形用户接口(GUI)214。

图3图示了例如可以被实现在图2的神经调制系统210中的调制装置312的实施例。图示的调制装置312的实施例包括调制输出电路315和调制控制电路316。本领域技术人员将理解，神经调制系统210可以包括额外的部件，例如用于治疗的患者监视和/或反馈控制的感测电路、遥测电路以及电源。调制输出电路315产生并递送神经调制脉冲。调制控制电路316使用多个调制参数来控制神经调制脉冲的递送。引线系统317包括：一个或多个引线，每个引线被配置为电连接到调制装置312；以及多个电极311-1至311-N，其使用一个或多个引线被分布在电极布置中。每个引线可以具有包括两个或更多个电极(其还可以被称为触点)的电极阵列。多个引线可以提供多个电极阵列以提供电极布置。每个电极是提供调制输出电路315与患者的组织之间的电气接口的单个导电触点，其中N≥2。神经调制脉冲均从调制输出电路315通过从电极311-1至311-N选择的电极集合被递送。引线的数量和每个引线上的电极的数量可以取决于例如神经调制的(一个或多个)目标的分布和控制在每个目标处的电场的分布的需要。在一个实施例中，通过示例而非限制，引线系统包括两个引线，每个引线具有八个电极。

神经调制系统可以被配置为对脊目标组织或其他神经组织进行调制。用于将电脉冲递送到靶向组织的电极的配置构成电极配置，其中电极能够被选择性地编程以用作阳极(正)、阴极(负)、或不用(零)。换言之，电极配置将极性表示为正、负、或零。可以被控制或改变的其他参数包括电脉冲的幅度、脉冲宽度、和速率(或频率)。每个电极配置连同电脉冲参数能够被称为“调制参数集合”。包括到电极的分化的电流分布(作为百分数阴极电流、百分数阳极电流、或者关闭)的每个调制参数集合可以被存储和组合到调制程序中，其然后能够被用于对患者内的多个区域进行调制。

可用于与生成各种复杂电脉冲的能力组合的电极的数量将可用调制参数集的大量选择呈现给临床医生或患者。例如，如果要被编程的神经调制系统具有十六个电极，则上百万的调制参数集合可以可用于编程到神经调制系统中。另外，例如，SCS系统可以具有三十二个电极，其将可用于编程的调制参数集合的数量指数级增加。为了促进这种选择，临床医生一般通过计算机编程系统来编程调制参数集合以允许基于患者反馈或其他手段来确定最优调制参数并且随后编程期望的调制参数集合。闭环机制可以用于识别和测试调制参数集合，接收患者或临床医生反馈，并且还修订调制参数集合以尝试优化用于疼痛缓解的刺激范式。患者或临床医生反馈可以为反映疼痛、感觉异常覆盖、或患者关于刺激的满意度的其他方面的客观和/或主观度量。

图4图示了例如可以被实现为图2的神经调制系统中的编程装置213的编程装置413的实施例。编程装置413包括存储装置418、编程控制电路419和GUI 414。编程控制电路419生成多个调制参数，其根据神经调制脉冲的模式来控制神经调制脉冲的递送。在各种实施例中，GUI 414包括任何类型的呈现装置，例如交互式或非交互式屏幕，以及允许用户编程调制参数的任何类型的用户输入装置，例如触摸屏、键盘、小键盘、触摸板、跟踪球、操纵杆、以及鼠标。特别地，存储装置418可以存储要被编程到调制装置中的调制参数。编程装置413可以将多个调制参数发送到调制装置。在一些实施例中，编程装置413可以将功率发送到调制装置(例如，图3的调制装置312)。编程控制电路419可以生成多个调制参数。在各种实施例中，编程控制电路419可以针对安全性规则检查多个调制参数的值以将这些值限制在安全性规则的约束内。

在各种实施例中，神经调制的电路，包括其在本文中讨论的各种实施例，可以使用硬件、软件和固件的组合来实现。例如，GUI 414的电路、调制控制电路316以及编程控制电路419，包括其在本文中讨论的各种实施例，可以使用被构建为执行一个或多个特定功能的专用电路或被编程为执行(一个或多个)这样的功能的通用电路来实现。这样的通用电路包括但不限于微处理器或其部分、微控制器或其部分以及可编程逻辑电路或其部分。

图5通过示例图示了可植入神经调制系统以及系统可以被使用在其中的环境的部分。该系统被图示用于植入在脊髓附近。然而，神经调制系统可以被配置为对其他神经目标进行调制。系统520包括可植入系统521、外部系统522以及提供可植入系统521与外部系统522之间的无线通信的遥测链路523。可植入系统521被图示为被植入在患者的身体内。可植入系统521包括可植入调制装置(还被称为可植入脉冲发生器或IPG)512、引线系统517以及电极511。引线系统517包括一个或多个引线以及被分布在一个或多个引线中的多个电极511，每个引线被配置为被电连接到调制装置512。在各种实施例中，外部系统402包括一个或多个外部(不可植入)装置，每个外部装置允许用户(例如，临床医生或其他护理者和/或患者)与可植入系统521进行通信。在一些实施例中，外部系统522包括旨在使临床医生或其他护理者初始化和调节针对可植入系统521的设置的编程装置和旨在用于由患者使用的远程控制设备。例如，远程控制装置可以允许患者打开和关闭治疗和/或调节多个调制参数中的某些患者可编程参数。远程控制装置还可以提供用于使患者在可植入神经调制系统的操作时提供反馈的机制。反馈可以是反映感知到的疼痛、治疗的有效性、或患者舒适或状况的其他方面的度量。

引线系统517的(一个或多个)神经调制引线可以邻近要被刺激的脊髓区(例如，停靠在硬脑膜附近或上)被放置。例如，(一个或多个)神经调制引线可以沿着患者的脊髓的纵轴被植入。由于(一个或多个)神经调制引线离开脊柱的位置附近的空间的缺乏，可植入调制装置512可以被植入在腹部中或臀部上的外科上制作的袋中，或者可以被植入在患者的身体的其他位置中。(一个或多个)引线延伸部可以用于方便可植入调制装置512远离(一个或多个)神经调制引线的出口点的植入。

用于优化刺激参数的机器学习的应用

识别优化的刺激模式以缓解神经调制(例如，SCS)中的疼痛是有挑战的，因为参数空间如此之大，访问患者疼痛的客观度量未被使用，并且响应延时可能很长(例如高达几天)。机器学习系统可以被使用在闭环混合临床或临床前过程中以开发用于疼痛管理的优化的刺激模式。刺激模式可以在时间域和空间域两者中被调制。

刺激模式的初始集合可以根据所有可用刺激模式的域生成。初始集合可以基于临床前疼痛试验。初始集合可以使用一个或多个机器学习或优化算法获得以搜索并识别有效模式。

在临床系统中，患者可以被提供有一个或多个刺激模式，其可以通过患者在具有临床监督或没有临床监督的情况下来测试。客观疼痛度量、主观疼痛度量、或客观疼痛度量和主观疼痛度量两者都可以从患者接收，其被使用在机器学习或优化算法中以开发另外模式集合。客观疼痛度量包括在生理学上表示的那些，例如EEG活动、心率、心律变化性、皮肤电反应、等等。例如，主观疼痛度量可以由患者提供并且被表示为“强疼痛”、“较低疼痛”、或数字地表示在一范围内。疼痛度量可以使用诸如无线网络、系缆通信、短距离遥测、或这样的机制的组合的各种通信机制来通信。患者可以手动输入特定信息(例如主观疼痛分数)。

本文中提供了疼痛度量的非穷尽列表。疼痛度量的一个示例是EEG活动(例如，躯体感觉皮层中的塞塔活动和前额叶皮层中的伽马活动已经被示出为与疼痛相关)。另一示例疼痛度量为fMRI(前扣带回皮层和脑岛中的活动已经被示出为与慢性疼痛中的变化相关)。另一示例疼痛度量为fMRI(包括丘脑、初级躯体感觉皮层、前扣带回皮层、前额叶皮层、以及小脑的并且在疼痛条件下被激活的疼痛矩阵中的活动)。另一示例疼痛度量为心率变化性、皮肤电反应、皮质醇水平以及自主系统功能的其他度量(自主系统健康已经被示出为与疼痛相关)。另一示例疼痛度量为身体活动(身体活动的量已经被示出为与疼痛相关)。另一示例疼痛度量为疼痛分数(可以通过接口被输入，患者在接口中在视觉模拟量表上选择点或者点击数字评级量表上的数字)。另一示例疼痛度量为定量感觉测试[例如，空间鉴别(两点、位置、直径)、时间鉴别、检测阈值(机械、热、电)、疼痛阈值(机械、热、电)、时间刺激、热烤](QST测度已经被示出为与疼痛相关)。另一示例疼痛度量为躯体感觉唤起的电位、触点热唤起的电位(这些已经被示出为与疼痛相关)。另一示例疼痛度量为H反射、伤害性屈反射(这些已经被示出为通过SCS被减少)。另一示例疼痛度量为条件性放置偏好(例如，在一个腔室中，利用一个范式1来刺激，在另一腔室中，利用范式2来刺激。动物花费大多数时间的腔室获胜并且继续下一轮)。另一示例疼痛度量为疼痛矩阵中的局部场电位记录(能够利用临床前模型中的有创电极获得这些区中的神经活动的记录)。

一些疼痛度量本质上主要是临床前的(例如，条件性放置偏好和局部场电位记录)，而其他疼痛度量本质上主要是临床的(例如，疼痛分数和定量感觉测试)。然而，应理解，疼痛度量可以在临床前或临床设置中被获得。

疼痛度量可以从患者连续地或重复地被收集并且被馈送到机器学习或优化算法中以精炼或改变刺激模式。例如，患者可以与编程器、远程控制、床边监视器、或其他患者装置进行交互以记录身体条件、疼痛、药物剂量、等等。患者装置可以被有线或无线连接到具有机器学习系统的系统。该闭环机制提供在机器学习或优化算法的重复迭代期间减少搜索域的优点。通过减少搜索域，临床医生能够更快地识别有效模式，并且患者可能经受较短的编程过程，其产生较少的不适。

身体系统可以采取许多不同的形式。可以使用可穿戴传感器(例如，心率监视器、加速度计、EEG头戴式组件)测量从患者或临床前模型收集的数据。要求手动输入的疼痛度量可以经由由患者使用的远程控制或其他外部装置(例如蜂窝电话)输入。

图6通过示例图示了SCS系统600的实施例。SCS系统600一般包括多个神经刺激引线12(在这种情况下，两个经皮引线12a和12b)、可植入脉冲发生器(IPG)14、外部远程控制(RC)16、临床医生的编程器(CP)18、外部试验刺激器(ETS)20、以及外部充电器22。

IPG 14通常经由两个引线延伸部24被物理连接到神经刺激引线12，其承载以阵列布置的多个电极26。在图示的实施例中，神经刺激引线12是经皮引线，并且为此，电极26沿着神经刺激引线12被布置为成一条直线。图示的神经刺激引线12的数量是两个，尽管能够提供任何适当数量的神经刺激引线12，包括仅仅一个。备选地，外科桨板引线能够代替经皮引线中的一个或多个来使用。如下面还将进一步详细描述的，IPG 14包括根据刺激参数集合将以脉冲电波形(即，电脉冲的时间序列)的形式的电刺激能量递送到电极阵列26的脉冲发生电路。IPG 14和神经刺激引线12连同例如中空针、探针、隧道工具以及隧道管一起能够被提供为可植入神经刺激套件。

ETS 20还可以经由经皮引线延伸部28或外部线缆30被物理连接到神经刺激引线12。与IPG 14具有类似脉冲发生电路的ETS 20还根据刺激参数集合将以脉冲电波形的形式的电刺激能量递送到电极阵列26。ETS 20与IPG 14之间的主要差别在于ETS 20是在神经刺激引线12已经被植入之后并且在IPG 14的植入之前在试验的基础上使用的不可植入装置，以测试要被提供的刺激的响应度。因此，本文中参考IPG 14描述的任何功能能够类似地关于ETS 20被执行。

RC 16可以用于经由双向RF通信链路32遥测地控制ETS 20。一旦IPG 14和刺激引线12被植入，RC 16就可以用于经由双向RF通信链路34遥测地控制IPG 14。这样的控制允许IPG 14被打开或关闭并且要在植入之后利用不同的刺激程序来编程。一旦IPG 14已经被编程，并且其电源已经被充电或者以其他方式补充，IPG 14就可以如所编程的起作用而无需RC 16存在。

CP 18向用户提供用于在手术室中和在后续过程中编程IPG 14和ETS 20的详细刺激参数。CP 18可以通过经由IR通信链路36通过RC 16与IPG 14或ETS 20间接地通信来执行该功能。备选地，CP 18可以经由RF通信链路(未示出)与IPG 14或ETS 20直接地通信。

外部充电器22是用于经由感应链路38对IPG 14经皮地充电的便携式装置。一旦IPG 14已经被编程，并且其电源已经通过外部充电器22充电或以其他方式补充，IPG 14就可以如所编程的起作用而无需RC 16或CP 18存在。

为了本说明书的目的，术语“神经调制器”、“刺激器”、“神经刺激”和“刺激”大体是指影响神经组织的神经活动的电能量的递送，其可以为兴奋性的或抑制性的；例如通过发起动作电位、抑制或阻止动作电位的传播、影响神经递质/神经调制器释放或摄取中的变化，以及诱发组织的神经可塑性或神经形成中的变化。出于简洁的目的，本文中将不再描述RC 16、ETS 20和外部充电器22的细节。

算法可以驻存在CP、IPG、ETS、RC或由患者使用的其他外部装置上，或者经由Wi-Fi、蓝牙、蜂窝数据或其他有线/无线方案连接到患者外部的云或远程服务器中。在CP、远程控制、或其他外部装置上可以存在GUI，其使得能够选择算法以及手动输入。算法的训练可以在临床中或日常生活中发生，并且可以被设定为连续地或仅仅在某些时间处被运行。优化数据可以被存储在云中，使得优化的模式和历史能够在患者从试验移动到永久植入时并且还在IPG被更换的情况下被转移。

图7通过示例图示了利用机器学习来优化神经调制模式的系统中的数据和控制流的实施例。可以使用临床前疼痛模型，或者备选地，来自先前刺激的反馈可以用于初始化系统(框700)。刺激患者并且获得一个或多个患者度量(框702)。患者度量可以经由与患者的被动或主动参与来获得。例如，患者度量可以从感测和关联患者中的生理变化或状态导出。在这种情况下，患者被动地提供患者度量而没有主动参与。备选地，(例如，通过临床医生或利用电子图形用户接口)可以提示患者提供患者度量。在被动参与期间收集的患者度量可以被称为客观疼痛测量结果，因为它们通常是大多数不能由患者控制的生理反应，例如EEG活动或心率变化性。经由与患者的主动参与收集的一些患者度量可以被称为主观患者度量，其中要求患者描述疼痛。患者度量可以包括疼痛的各种方面，例如以数值测度的严重性、疼痛的(一个或多个)位置、疼痛的感觉(例如，麻木、形状急性疼痛、悸动、等等)、疼痛的持续时间、或疼痛的其他方面。患者度量还可以包括调查问卷的结果、对关于健康的总体状态的询问的反应、记忆测试(例如，工作记忆任务)的结果、评级量表、等等。

(一个或多个)患者度量被用作到机器学习或优化算法(框704)的输入。各种算法可以被使用，例如遗传算法、神经网络、或强化学习策略(例如，Q学习、时间差学习、或马尔科夫决策过程)。机器学习或优化算法可以修改一个或多个变量，例如时间延迟、刺激串中的一个或多个脉冲的幅度、脉冲形状、分化或刺激的空间位置中的逐脉冲变化。

在临床前设置中，客观患者度量可以从研究(例如动物研究)收集并且用于识别可以被用作临床环境中的初始设置的参数设置的子集。临床前机器学习闭环系统的一个益处在于能够在优化上花费多得多的时间。另一益处在于能够使用疼痛的更无创度量(例如，植入在大脑中的电极)。因此，一些实施例首先使用临床前系统来识别比其他刺激范式更好的刺激范式，并且然后使用临床系统来进一步磨炼患者中的这些识别的刺激模式。除了遗传算法，要求大数据集的机器学习算法(例如神经网络)可以被采用在临床前模型中。临床前模型还将使得能够在由于增加的测试时间的量的更大的参数空间中进行探索。该信息能够用于表征刺激参数并且在临床系统中设计优化算法。

在框704处，机器学习或优化算法可以为遗传算法。在优化搜索期间调制描述在时间和空间域中的任意波形的刺激参数。目标函数使用患者度量来评价测试的刺激波形。患者度量可以为客观反馈或主观反馈。基于目标函数值，新刺激参数被选择用于随后的测试。目标函数可以包括若干反馈成分，例如疼痛分数和副作用分数。目标函数可以然后被定制以通过调节目标函数分量权重以比另一方面(例如疼痛或副作用)更多地强调一个方面来适合个体患者的需要。遗传算法想要由于在搜索期间改变刺激参数使目标函数值最小化。

在实施例中，遗传算法驻存和运行在远程控制上。患者能够决定方便的时间以使用“最优”模式来调制他们的刺激。刺激波形被选择并且患者能够将幅度增加到他们的舒适水平。针对测试的每次迭代，刺激被施予的时间量可以是患者可调节的，例如5分钟。在5分钟之后，幅度可以被减小到0，新刺激然后基于患者的反馈而被排队，幅度被增加到患者的舒适水平，并且患者的反馈被记录。该反馈机制可以继续允许患者优化他们的刺激。在患者选择完成或终止准则被满足(例如，目标函数被满足)时，通过他们的反馈度量测量的最好的刺激可以被保存并可用于使用。患者可以稍后返回并使用他们的远程控制在他们方便时进一步优化。

在框706处产生算法导出的刺激模式的输出。这些刺激模式能够具有逐脉冲的计时变化，例如脉冲开始时间、脉冲结束时间、脉冲持续时间以及脉冲间隔，逐脉冲的脉冲幅度和脉冲形状变化，并且能够具有逐脉冲的刺激的空间位置的变化，包括针对每个脉冲的活动电极的选择，使用活动电极的调制能量的极性和分化。模式可以是规则的重复的模式，或者在脉冲组中和脉冲组的组中在调制参数(幅度、脉冲宽度、脉冲间隔、脉冲极性、等等)中的至少一些中可以为非规则的。

尽管本公开内容中的一些讨论SCS，但是应理解可以使用本文中描述的系统和方法控制其他类型的神经调制。后面是电位使用情况的非穷尽列表。

在神经精神病使用情况下，许多神经精神病障碍存在，包括重性抑郁、强迫症、成瘾、厌食症、双相情感障碍、抽动秽语综合征、等等。大脑刺激已经被调查为减少或消除这样的障碍的症状的方法。

神经精神病症状可能难以定量地测量，但是已经在抑郁症与EEG特征之间以及在抑郁症与诸如心率变化性的自主特征之间发现相关。可以为候选的其他自主测度包括呼吸的特性、皮肤电反应或与自主平衡相关的其他测度。因为EEG是候选，所以期望局部场电位鲜明特征还可能包含当被恰当地处理时可以被用作反馈信号的信息。

因此，在实施例中，具有神经精神病障碍(例如抑郁症)的患者可能接收神经组织或内分泌组织的刺激器(例如，大脑刺激器、神经刺激器或脊髓刺激器)。机器学习方法可以用于优化刺激的模式，其中优化包括使一个或多个目标度量的成本函数最小化或最大化。在相关实施例中，可以使用主观度量，例如来自患者或护理者电子地记录到系统中的电子日记的分数。主观测量分数可以来自标准调查问卷(例如，汉密顿抑郁评级量表)或对关于总体健康或健康的状态的询问的反应。在又一相关实施例中，主观分数和客观分数两者都可以被组合和使用。在又一相关实施例中，主观反应构成“地面真值”，并且客观度量可以结合地面真值使用以适应机器学习模型。主观度量和客观度量的这样的混合的使用是有用的，因为生物系统常常不是静态的并且随时间变化。这样的实施例允许系统对如对患者的益处的适应和习惯的现象做出反应。

在心脏功能使用情况下，已知外周神经(例如，迷走神经)、脊髓(例如，针对心绞痛的SCS)或DBS的刺激可以影响心脏功能。心脏功能的一些直接和间接测度能够被客观地测得，包括心率、心率变化性、血氧灌注、血压、患者活动、EKG特性。在实施例中，针对具有起搏器或除颤器的患者的心脏中的电极可以使得能够感测心房心室协调、心脏EMG和其他测度。这样的测量结果可以用作除了神经刺激器之外的机器学习算法的候选输出目标。在一些情况下，这些度量可以从可穿戴装置获得。

因为其涉及本公开内容，所以在实施例中，具有诸如高血压的心脏状况的患者可以接收神经组织或内分泌组织的刺激器，并且机器学习方法可以用于优化刺激的模式，其中优化包括使包括诸如血压的一个或多个目标度量的成本函数最小化或最大化。在相关实施例中，诸如高血压的心脏状况的临床前模型被配置具有神经组织的刺激器和具有对定量度量(例如，血压)的访问和刺激模式的访问的优化算法(例如机器学习)并且用于优化刺激模式以实现理想血压。该刺激模式或类似的模式可以之后被随后用作针对相同状况或相关状况使用相同刺激目标或相关刺激目标(例如神经组织)被刺激的患者中的初始设置。

在癫痫使用情况下，应理解，癫痫是中枢神经系统障碍，其中大脑中的神经活动变得异常而没有明显的原因，并且表现在复发的抽搐或不寻常的行为和感觉以及意识丧失的时段中。抽搐可以具有可变持续时间并且可以从几乎不能检测到至明显的摇晃而变化。多于30％的患者遭受持久的抽搐，尽管有最大抗癫痫药物治疗。存在对备选处置的迫切需要。

深度脑刺激(DBS)、脊髓刺激(SCS)、迷走神经刺激(VNS)、以及外周神经刺激(PNS)是针对癫痫中的电位治疗益处的主动调查的所有对象。除了他们针对难以利用药物处置的患者的处置的电位，这些神经刺激处置可以用于使用抽搐的生理信号来适时地递送治疗，由此减少不必要的刺激并且可能改善治疗。

患者度量包括在该背景下感兴趣的生理信号，例如EEG、近红外光谱(NIRS)或脑活动的其他无创测度、肌肉活动的EMG或备选测度、心脏活动的EKG或其他测度、以及临床医生、患者或护理者报告。这些测量结果单个地或一起可以用于导出针对病理学的严重性度量。例如，头皮EEG的谱分析能够用于确定抽搐发作和停止以及抽搐的持续时间和频率，并且后者能够用于导出癫痫严重性度量。从该分析得到的度量可以用于量化患者对刺激设置的反应并且该数据然后被用作对机器学习算法的输入。该算法的输出包括减少疾病严重性的候选刺激设置。

在膀胱过度活动症(OAB)使用情况下，特定神经刺激可以被用作处置。OAB是与泌尿功能相关的症状的聚集，其中主要是突然强烈的尿意。美国男人中的大约30％和美国女人中的40％遭受膀胱过度活动症。行为干预、药物、膀胱注射、以及神经刺激全部被用作OAB的处置。证据还指示深度脑刺激和脊髓刺激两者都可以在处置一些OAB症状中具有效力。

OAB可以通过包括空白频率、空白体积、疼痛空白的频率、健康和尿急的主观患者报告、等等的客观度量和主观度量来量化。神经刺激对OAB严重性的影响可以使用这些准则来评估并且得到的数据作为输入被馈送到机器学习算法。该算法的输出包括可以减小症状严重性的候选刺激设置。

其他类型的障碍可以通过诸如移动障碍或认知障碍的神经调制来处置。移动障碍包括如帕金森疾病的疾患。帕金森疾病以震颤、动作迟缓和僵化的主要症状为特征。丘脑、STN(丘脑底核)或GPi(苍白球)的深度脑刺激常常用于改善这些症状。然而，由神经学家对DBS的调节传统上通过一系列过程来完成，其中神经学家做出程序调节，观察特定症状(例如，震颤、手臂僵化)、任务(例如，手指叩击、快速地交替移动)或副作用(例如，构音障碍、肌肉抽搐)，并且然后做出进一步调节。这是耗时的并且可能不能在所有身体区中的所有症状上优化刺激设置。

机器学习算法可以用于通过采取在多个神经刺激设置处的多个评估(例如，来自植入引线的局部场电位测量结果，基于MRI和CT图像的引线的解剖放置、运动日记信息、统一帕金森疾病评级量表(UPDRS)分数、使用可穿戴加速度计的定量评估、语音记录、计时运动测试)并且然后基于这些数据的整体推荐设置而非在一次观察或两次观察之后做出系列调节来改善DBS编程。

类似的方法可以用于其他移动障碍，诸如肌张力障碍，其进一步由DBS响应的缓慢发作复杂化并且导致使用系列观察调节的困难；或基本震颤，其可以示出在稍微不同的刺激设置处的针对身体的不同部分的优化震颤控制。

认知障碍包括诸如阿尔茨海默病或帕金森相关的痴呆的疾患。DBS还用于影响结构，例如穹窿、麦纳尔底核或内嗅皮层。认知性能是复杂的并且可以通过各种各样的方法来评估，各种各样的方法包括工作记忆任务(例如，N-back测试、mini-cog)、调查问卷和评级量表(简易精神状态检查(MMSE)、马蒂斯痴呆评定量表、阿尔茨海默病评估量表-认知(ADAS-cog)、等等)、大脑成像、情绪评估以及双运动认知任务。另外，如移动障碍评价，认知性能评估起来可能是耗时的，并且不能将其本身借给通过系列观察来编程。因此，机器学习算法可以用于通过采取在多个神经刺激设置处的多个评估(例如，来自植入引线的局部场电位测量结果，基于MRI和CT图像的引线的解剖放置、工作记忆任务、调查问卷、评级量表、等等)并且然后基于这些数据的整体推荐设置而非在一次观察或两次观察之后做出系列调节来改善DBS编程。

图8通过示例图示了利用机器学习来优化神经调制模式的系统中的数据和控制流的另一实施例。

在阶段800处，访问初始输入参数以构建波形(阶段802)。输入参数可以包括活动触点分化和波形特性，例如刺激脉冲串中的每个脉冲的幅度、时间延迟、脉冲宽度、或形状。构建的波形用于经由植入装置刺激患者(阶段804)。

在阶段806处，接收患者的反馈。取决于由神经调制处置的疾病或障碍，患者反馈可以包括各种客观度量或主观度量。诸如患者的EEG、药物治疗、心率、心率变化性、血氧灌注、血压、患者活动分数、抽搐频率或持续时间、脑活动的近红外光谱(NIRS)、肌肉活动的EMG或其他测度、使用可穿戴加速度计的评估、计时电机测试、存储器测试、情绪评估、脑成像、双电机认知任务、等等的客观度量可以被使用。主观患者反馈可以包括对调查问卷的响应、日记的总结、临床医生报告、或评级量表(例如，MMSE、马蒂斯痴呆评定量表、ADAS-cog(阿尔茨海默病评估量表-认知)、等等)。因此，在相关的实施例中，患者反馈可以为患者度量，例如疼痛分数或生物标记。

在阶段808处，分析患者的反馈以确保是否需要对刺激参数的额外的修改。在阶段810处使用遗传算法来识别一个或多个刺激参数。遗传算法是基于进化的原理的通用搜索算法。对优化问题的候选解的群体(被称为个体、生物或表型)朝向更好的解进化。每个候选解具有能够被突变或改变的属性集(其染色体或基因型)。遗传算法以找到最好解为目标将选择(阶段810-1)、交叉(阶段810-2)和突变(阶段810-3)的操作进行组合。选择-交叉-突变过程逐代偏好更好的解。当遗传算法达到终止状态(例如，最大数量的代)或已经收敛到一解(例如，使目标函数最小化或最大化)(阶段810-4)时，则针对优化的治疗的刺激参数被认为被达到(阶段812)。优化的刺激参数可以被使用，直到患者的条件改变或者直到参数不再有效。当遗传算法尚未达到终止准则或者收敛状态时，则识别和测试波形参数的下一集合(阶段814)。参数用于构建波形(阶段802)并且循环继续。

在选择阶段(810-1)中，更高适合度的染色体被选择为变成下一代染色体的共同创立者。染色体被选择的概率基于适合度功能。适合度功能用于选择哪些染色体将被选出以存活到下一代。适合度功能是在机器学习应用中使用的目标函数的形式。适合度功能的一个示例设计可以是使疼痛减少最大化同时使受感觉异常影响的区最小化。适合度选择功能的示例包括适合度比例选择、波尔茨曼选择、锦标赛选择、排序选择、稳态选择、截断选择和局部选择。

交叉阶段(810-2)用于选择两个染色体(例如，父母)并将它们组合以产生新染色体(例如，后代)。可以使用各种交叉技术，例如一点交叉、两点交叉或均匀交叉。一点交叉功能使用父母染色体中的单个点，并且针对后代染色体的第一部分使用一个父母并且(在交叉点之后)针对后代染色体的剩余部分使用另一父母。两点交叉使用染色体上的两个点来产生(一个或多个)后代染色体中的三段，针对后代染色体的第一部分和第三部分使用一个父母并且针对后代染色体的第二部分使用另一父母。交叉点可以在染色体之中被随机地或均匀地选择。其他功能可以用于将染色体进行组合。一个示例功能可以用于对父母染色体中的每个基因等同地进行加权并且从一个父母染色体中选择基因用于后代染色体。

突变阶段(810-3)改变后代染色体中的一个或多个基因值。基因值可以从一般基因池中的染色体中随机地选择。突变的基因值可以被约束到一范围(例如，原始基因值的±25％)。突变防止选定染色体群体变得死板。

遗传算法的终止(810-4)可以通过运行特定数量的迭代(例如，产生特定数量的代)或者通过产生满足适合度要求的染色体来实现。其他常见的终止条件是达到分配的预算(计算时间/金钱)、达到最高排序解的适合度或者达到染色体的平台使得连续的迭代不再产生更好的结果、或者这些条件的组合。

为了本讨论的目的，刺激协议可以被认为是构建以脉冲开始的块的构造。脉冲是单个波形并且通常具有微秒范围内的时间尺度。突发是脉冲的序列并且可以具有微秒至秒范围上的时间尺度。串是突发的序列并且可以取决于使用的编程而具有毫秒、秒或甚至分钟的时间尺度。编程序列是脉冲、突发和串的组合。编程序列还可以包括暂停；没有电刺激的时段。编程序列可以在短持续时间内为周期性的或者在短持续时间内为非周期性的，但是在某个更长的“宏脉冲”持续时间内进行重复。

在脉冲突发或脉冲串中，脉冲之间的间隔可以是规则的或不规则的。一般，时间域包括控制脉冲的计时、大小或形状的刺激参数。时间域参数包括但不限于脉冲速率、脉冲幅度、脉冲形状、脉冲宽度以及(例如，突发或串之间的)脉冲间延迟。

除了脉冲的特性，使用空间域中的刺激参数来控制刺激的位置和方向。各种空间域参数包括但不限于引线激活(例如，(哪个或哪些)引线是活动的/不活动的)、电极激活(例如，引线中的(哪个或哪些)电极是活动的/不活动的)以及活动触点分化(例如，在活动电极中，多少电流被供应到引线中的每个活动电极)。

图9通过示例图示了在空间域和时间域中构造刺激波形的实施例。脉冲突发可以被表示为空间时间向量900。空间时间向量900包括用于空间元素902和时间元素904的参数。在该示例中，空间时间向量900对三个脉冲的脉冲突发进行参数化。在空间域中，空间元素902包括针对每个触点指示指数的分化。在时间域中，时间元素904包括针对脉冲#1、脉冲#2和脉冲#3中的每个的脉冲宽度、时间延迟、按比例的幅度以及形状指数。形状指数的时间元素使用“形状指数”来指示，其中例如形状指数1指示方波形状，2指示高斯波形，并且3指示渐增的三角波形。应理解，可以使用更多的或更少的波形。

空间时间向量900中的每个元素可以被认为是基因并且空间时间向量900可以使用遗传算法例如通过基因的选择、突变和交叉来优化。

基于空间时间向量900中的元素(参数)，(来自远端的)第二电极906和第四电极908上的接触分化分别利用“-1”和“1”来分化。在时间域中，根据时间域参数来产生脉冲910-1、910-2、910-3。

图10通过示例图示了利用机器学习来优化神经调制模式的系统1000的实施例。系统1000可以采用许多形式中的一种。系统1000可以为由患者或临床医生使用的远程控制装置或其他外部装置。备选地，系统1000可以为服务器或基于云的装置、网络器具、或经由网络(或网络的组合)连接到用户装置的其他联网装置。网络可以包括本地网络、短距离网络或长距离网络，例如蓝牙、蜂窝、Wi-Fi、或其他有线或无线网络。

系统1000包括处理器1002和存储器1004。处理器可以为任何单个处理器或协作地动作的处理器的组。存储器1004可以为任何类型的存储器，包括易失性存储器或非易失性存储器。存储器1004可以包括指令，所述指令当由处理器1002运行时使处理器1002访问对象的患者度量。患者度量可以被存储在存储器1004中或者在系统1000的远程。例如，患者度量可以使用各种访问协议从远程存储系统访问。在实施例中，对象为患者。在这样的实施例中，患者可以正在临床情境中使用系统1000。在另一实施例中，对象为来自临床前试验的动物。患者度量可以用于量化由患者感觉到的并且经由与患者的被动或主动参与获得的疼痛或不适的水平。

处理器1002还可以使用患者度量作为到机器学习算法的输入，机器学习算法用于搜索多个神经调制参数集合并用于识别多个神经调制参数集合中的候选神经调制参数集合，候选神经调制参数集合被设计为产生在时间域和空间域上变化的非规则波形。在实施例中，机器学习算法包括遗传算法。在这样的实施例中，神经调制参数集合可以被表示为染色体中的基因。通过使用选择、交叉和突变，遗传算法可以从参数集合的池中导出最优神经调制参数集合。在另一实施例中，机器学习算法包括神经网络。

处理器1002还可以使用候选神经调制参数集合对神经调制器进行编程以刺激对象。

在实施例中，系统1000为基于云的系统，并且在这样的实施例中，对神经调制器进行编程包括将候选神经调制参数集合发送到基于云的系统的客户端装置。客户端装置可以为SCS系统中的CP、IPG、ETS、或RC。

在实施例中，患者度量为客观疼痛度量。在另一个实施例中，客观疼痛度量为通过由对象佩戴的传感器感测到的生理指示。客观疼痛度量的示例包括但不限于EEG活动、心率、心率变化性、皮肤电反应、等等。应理解，可以使用其他类型的客观度量，例如患者活动、EEG、EKG、或EMG测量结果、等等，并且系统对客观患者数据的使用不限于客观疼痛度量。

在实施例中，患者度量为主观疼痛度量。在另一个实施例中，主观疼痛度量从询问对象获得。对象可以为患者，并且询问患者可以经由患者装置执行。患者装置可以包括图形用户接口，在图形用户接口内一个或多个提示可以被显示以关于IPG的功能、性能或效用询问患者。可以要求患者例如使用文本输入、身体图或其他用户接口元件描述疼痛的严重性或位置以指示主观疼痛度量。应理解，可以使用其他类型的主观度量，例如患者对临床医生的询问的反应、患者日记、调查问卷以及评级表(MMSE、马蒂斯痴呆评级量表、ADAS-cog)、等等，并且系统对主观患者数据的使用不限于主观疼痛度量。

在实施例中，空间域包括与分化或极性相关的至少一个参数。可以包括空间域的其他方面，例如参考图8描述的方面。

在实施例中，候选神经调制参数集合被设计为产生逐脉冲变化的脉冲突发。改变不同脉冲的幅度、脉冲形状、脉冲宽度或其他方面可以提供关于重复脉冲不可获得的额外的疼痛管理。

在实施例中，处理器还可以包括从用户接收选定参数并使用选定参数来集中机器学习算法。选定参数可以为脉冲在时间域或空间域中的一个或多个方面，例如幅度。

图11通过示例图示了利用机器学习来优化神经调制模式的方法1100的实施例。在1102处，在计算机化系统处访问对象的患者度量。在实施例中，对象为患者。在实施例中，对象为来自临床前试验的动物。

在1104处，使用患者度量作为到在计算机化系统上运行的机器学习算法的输入，机器学习算法用于搜索多个神经调制参数集合并用于识别多个神经调制参数集合中的候选神经调制参数集合，候选神经调制参数集合被设计为产生在时间域和空间域上变化的非规则波形。

在实施例中，机器学习算法包括遗传算法。在实施例中，机器学习算法包括神经网络。

在实施例中，患者度量为客观疼痛度量。在另一实施例中，客观疼痛度量为通过由对象佩戴的传感器感测到的生理指示。在实施例中，患者度量为主观疼痛度量。在另一实施例中，主观疼痛度量从询问对象获得。

在实施例中，空间域包括与分化或极性相关的至少一个参数。

在实施例中，候选神经调制参数集合被设计为产生逐脉冲变化的脉冲突发。

在1106处，使用候选神经调制参数集合对神经调制器进行编程以刺激对象。在实施例中，计算机化系统为基于云的系统，并且对神经调制器进行编程包括将候选神经调制参数集合发送到基于云的系统的客户端装置。神经调制器可以之后产生非规则波形。

在实施例中，方法1100还包括从用户接收选定参数并使用选定参数来集中机器学习算法。

图12是图示了根据示例实施例的在其内可以运行指令集或指令序列以使机器执行本文中讨论的方法中的任一个的以计算机化系统1200的示例形式的机器的框图。在备选实施例中，机器用作独立装置或可以被连接(例如联网)到其他机器。在联网部署中，机器可以以服务器-客户机网络环境中的服务器或客户机的能力进行操作，或者其可以用作对等(或分布式)网络环境中的对等机器。机器可以为个人计算机(PC)、平板PC、混合平板电脑、个人数字助理(PDA)、移动电话、可植入脉冲发生器(IPG)、外部远程控制(RC)、临床医生的编程器(CP)、外部试验刺激器(ETS)、或能够运行指定要由机器采取的动作的指令(顺序的或其他方式)的任何机器。另外，尽管仅仅图示了单个机器，但是术语“机器”应还被理解为包括单独地或联合地运行的(一个或多个)指令集以执行本文中讨论的方法中的任何一个或多个的机器的任何汇集。类似地，术语“基于处理器的系统”应被理解为包括由处理器(例如，计算机)控制或操作以单独地或联合地运行指令以执行本文中讨论的方法中的一个或多个的一个或多个机器的任何集合。

示例计算机化系统1200包括至少一个处理器1202(例如，中央处理单元(CPU)、图形处理单元(GPU)或两者、处理器核心、计算节点、等等)、主存储器1204和静态存储器1206，其经由链路1208(例如，总线)与彼此进行通信。计算机化系统1200还可以包括视频显示单元1210、字母数字输入装置1212(例如，键盘)以及用户接口(UI)导航装置1214(例如，鼠标)。在实施例中，视频显示单元1210、输入装置1212和UI导航装置1214被并入到触摸屏显示器中。计算机化系统1200可以额外地包括存储装置1216(例如，驱动器单元)、信号生成装置1218(例如，扬声器)、网络接口装置1220以及一个或多个传感器(未示出)，例如全球定位系统(GPS)传感器、指南针、加速度计、或其他传感器。

存储装置1216包括机器可读介质1222，其上存储了实现本文中描述的方法或功能中的任何一个或多个或由本文中描述的方法或功能中的任何一个或多个利用的数据结构和指令的一个或多个集合1224(例如，软件)。指令1224还可以在由计算机化系统1200对其的运行期间完全地或至少部分地驻存在主存储器1204、静态存储器1206和/或处理器1202内，其中主存储器1204、静态存储器1206和处理器1202还构成机器可读介质。

尽管在示例实施例中将机器可读介质1222图示为单个介质，但是术语“机器可读介质”可以包括存储一个或多个指令1224的单个介质或多个介质(例如，中心式或分布式数据库，和/或相关联的缓存和服务器)。术语“机器可读介质”还应被理解为包括能够存储、编码或承载用于由机器运行的并且使机器执行本公开内容的方法中的一个或多个的指令或者能够存储、编码或承载由这样的指令使用的或与这样的指令相关联的数据结构的任何有形介质。因此，术语“机器可读介质”应被理解为包括但不限于固态存储器、以及光学和磁性介质。机器可读介质的具体示例包括非易失性存储器，通过示例包括但不限于，半导体存储器器件(例如，电可编程只读存储器(EPROM)、电可擦可编程只读存储器(EEPROM))、以及闪存器件；诸如内部硬盘和可移除盘的磁盘；磁光盘；以及CD-ROM和DVD-ROM盘。

指令1224还可以使用传输介质经由利用许多公知传输协议(例如，HTTP)中的任一个的网络接口装置1220在通信网络1226上被发送或接收。通信网络的示例包括局域网(LAN)、广域网(WAN)、互联网、移动电信网络、普通老式电话(POTS)网络、以及无线数据网络(例如，Wi-Fi、3G和4G LTE/LTE-A或WiMAX网络)。术语“传输介质”应被理解为包括能够存储、编码、或承载用于由机器运行的指令并且包括数字或模拟通信信号或其他无形介质以促进这样的软件的通信的任何无形介质。

以上详细描述旨在为说明性的而非限制性的。因此，本公开内容的范围应当参考随附权利要求连同这样的权利要求被赋予的等效方案的完整范围来确定。

Claims

1.一种用于优化脊髓刺激的机器学习的设备，包括：

在计算机化系统处访问对象的患者度量的装置；

使用所述患者度量作为到在所述计算机化系统上运行的机器学习算法的输入的装置，所述机器学习算法用于搜索多个神经调制参数集合并用于识别所述多个神经调制参数集合中的候选神经调制参数集合，从而由神经调制器用来递送非规则波形用于神经调制，其中所述非规则波形在时间域和空间域两者上变化，其中所述时间域包括控制脉冲的计时、大小或形状的刺激参数，所述空间域包括到电极的分化的电流分布；以及

使用所述候选神经调制参数集合使得所述神经调制器使用所述非规则波形电刺激所述对象的装置。

2.根据权利要求1所述的设备，其中，所述对象是患者。

3.根据权利要求1所述的设备，其中，所述对象是来自临床前试验的动物。

4.根据权利要求1、2或3所述的设备，其中，所述机器学习算法包括遗传算法。

5.根据权利要求1、2或3所述的设备，其中，所述机器学习算法包括神经网络。

6.根据权利要求1所述的设备，其中，所述计算机化系统为基于云的系统，并且其中，使用所述候选神经调制参数集合的装置包括将所述候选神经调制参数集合发送到所述基于云的系统的客户端装置的装置。

7.根据权利要求1所述的设备，其中，所述患者度量为客观疼痛度量。

8.根据权利要求7所述的设备，其中，所述客观疼痛度量为通过由所述对象佩戴的传感器感测到的生理指示。

9.根据权利要求1所述的设备，其中，所述患者度量为主观疼痛度量。

10.根据权利要求9所述的设备，其中，所述主观疼痛度量从询问所述对象获得。

11.根据权利要求1所述的设备，其中，所述空间域包括与分化或极性相关的至少一个参数。

12.根据权利要求1所述的设备，其中，所述候选神经调制参数集合被设计为产生逐脉冲变化的脉冲突发。

13.根据权利要求1所述的设备，还包括：

从用户接收选定参数的装置；以及

使用所述选定参数来集中所述机器学习算法的装置。

14.一种机器可读介质，包括指令，所述指令当由机器运行时使所述机器执行根据权利要求1至13中的任一项所述的设备的操作。