CN108348750B - 自动化程序优化 - Google Patents

Abstract

系统的示例可以包括处理器；以及存储器设备，其包括指令，当所述指令由所述处理器执行时，致使所述处理器：访问患者输入、临床医生输入或自动输入中的至少一个；在搜索方法中使用所述患者输入、临床医生输入或自动输入，所述搜索方法被设计为评估多个候选神经调制参数集以识别最佳神经调制参数集；并且使用所述最佳神经调制参数集对神经调制器进行编程，以刺激患者。

Description

自动化程序优化

优先权要求

本申请根据35 U.S.C.§119(e)要求于2015年9月21日提交的美国临时专利申请序列号62/221,335的优先权，所述申请通过引用全文并入本文。

技术领域

本文件通常涉及医疗设备，并且更特别地，涉及用于递送神经调制的系统、设备和方法。

背景技术

神经刺激(也称为神经调制)已经被提出作为针对许多疾病的治疗方法。神经刺激的示例包括脊髓刺激(SCS)、深部脑刺激(DBS)、外周神经刺激(PNS)和功能性电刺激(FES)。可植入神经刺激系统已经被应用于递送这样的治疗。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))和一个或多个可植入引线，所述一个或多个可植入引线每个包括一个或多个电极。可植入神经刺激器通过被放置在神经系统中的目标部位上或其附近的一个或多个电极来递送神经刺激能量。外部编程设备被用于利用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。使用指定神经刺激脉冲的模式的空间(哪里要刺激)、时间(何时要刺激)、和信息(指引神经系统如期望那样响应的脉冲模式)方面的刺激参数来控制递送。许多当前神经刺激系统被编程为利用一个或几个均匀波形来持续地或猝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送各种类型的信息，包括疼痛、压力、温度等的感觉。

最近研究已经表明可以改进某些神经刺激治疗的有效性和效率，并且通过使用仿真人体中观察到的自然模式的神经信号的神经刺激脉冲模式来降低它们的副作用。

发明内容

示例1包括主题(比如设备、装置或机器)，其包括：处理器；以及存储器设备，其包括指令，当所述指令由所述处理器执行时，致使所述处理器：访问患者输入、临床医生输入或自动输入中的至少一个；在搜索方法中使用所述患者输入、临床医生输入或自动输入，所述搜索方法被设计为评估多个候选神经调制参数集以识别所述多个候选神经调制参数集中的最佳神经调制参数集；并且使用所述最佳神经调制参数集对神经调制器进行编程，以刺激患者。

在示例2中，示例1所述的主题可以包括，其中所述患者输入包括主观数据。

在示例3中，示例1至2中任一项所述的主题可以包括，其中所述主观数据包括视觉模拟量表(VAS)、数字评分量表(NRS)、满意度评分、总体改变印象或活动水平。

在示例4中，示例1至3中任一项所述的主题可以包括，其中所述临床医生输入包括所选择的神经调制参数集、所选择的神经调制参数集维度或搜索方法配置选项。

在示例5中，示例1至4中任一项所述的主题可以包括，其中所述所选择的神经调制参数集维度包括空间位置、频率、脉冲宽度，脉冲猝发(burst)或脉冲串内的脉冲数目、串间间隔、这些串的猝发频率、脉冲占空比、或猝发占空比。

在示例6中，示例1至5中任一项所述的主题可以包括，其中所述搜索方法配置选项包括神经调制参数集维度的测试范围、神经调制参数集测试的终止标准、用于对神经调制参数集进行测试的时间量、候选神经调制参数集的最小评估时间或者被测试的神经调制参数集的残存阈值。

在示例7中，示例1至6中任一项所述的主题可以包括，其中所述自动输入包括从患者设备接收到的数据。

在示例8中，示例1至7中任一项所述的主题可以包括，其中所述患者设备包括加速度计并且所述自动输入包括活动数据。

在示例9中，示例1至8中任一项所述的主题可以包括，其中所述患者设备包括心率监视器并且所述自动输入包括心率或心率变异性。

在示例10中，示例1至9中任一项所述的主题可以包括，其中所述患者设备包括可植入脉冲发生器并且所述自动输入包括场电位。

在示例11中，示例1至10中任一项所述的主题可以包括，其中所述搜索方法包括排序算法，其使用来自患者的评分来对所述多个候选参数集进行排序，并且从所述多个候选参数集中移除未能满足阈值评分的参数集。

在示例12中，示例1至11中任一项所述的主题可以包括，其中所述搜索方法包括梯度下降系统，其遍历(progress through)多个候选参数集以优化候选参数集的维度。

在示例13中，示例1至12中任一项所述的主题可以包括，其中所述搜索方法包括敏感性分析，其根据刺激变量和结果变量建立模型，并且使用回归模型来识别系数矢量。

示例14包括一种机器可读介质，其包括指令，当所述指令由机器执行时，致使所述机器执行权利要求1-13中任一项所述的操作。

示例16包括主题(比如设备、装置或机器)，其包括：处理器；以及存储器设备，其包括指令，当所述指令由所述处理器执行时，致使所述处理器：访问患者输入、临床医生输入或自动输入中的至少一个；在搜索方法中使用所述患者输入、临床医生输入或自动输入，所述搜索方法被设计为评估多个候选神经调制参数集以识别所述多个候选神经调制参数集中的最佳神经调制参数集；并且使用所述最佳神经调制参数集对神经调制器进行编程，以刺激患者。

在示例17中，示例16所述的主题可以包括，其中所述患者输入包括主观数据。

在示例18中，示例16至17中任一项所述的主题可以包括，其中所述主观数据包括视觉模拟量表(VAS)、数字评分量表(NRS)、满意度评分、总体改变印象或活动水平。

在示例19中，示例16至18中任一项所述的主题可以包括，其中所述临床医生输入包括所选择的神经调制参数集、所选择的神经调制参数集维度或搜索方法配置选项。

在示例20中，示例16至19中任一项所述的主题可以包括，其中所述所选择的神经调制参数集维度包括空间位置、频率、脉冲宽度、脉冲猝发或脉冲串内的脉冲数目、串间间隔、这些串的猝发频率、脉冲占空比、或猝发占空比。

在示例21中，示例16至20中任一项所述的主题可以包括，其中所述搜索方法配置选项包括神经调制参数集维度的测试范围、神经调制参数集测试的终止标准、用于对神经调制参数集进行测试的时间量、候选神经调制参数集的最小评估时间或者被测试的神经调制参数集的残存阈值。

在示例22中，示例16至21中任一项所述的主题可以包括，其中所述自动输入包括从患者设备接收到的数据。

在示例23中，示例16至22中任一项所述的主题可以包括，其中所述患者设备包括加速度计并且所述自动输入包括活动数据。

在示例24中，示例16至23中任一项所述的主题可以包括，其中所述患者设备包括心率监视器并且所述自动输入包括心率或心率变异性。

在示例25中，示例16至24中任一项所述的主题可以包括，其中所述患者设备包括可植入脉冲发生器并且所述自动输入包括场电位。

在示例26中，示例16至25中任一项所述的主题可以包括，其中所述搜索方法包括排序算法，其使用来自患者的评分来对所述多个候选参数集进行排序，并且从所述多个候选参数集中移除未能满足阈值评分的参数集。

在示例27中，示例16至26中任一项所述的主题可以包括，其中所述搜索方法包括梯度下降系统，其遍历多个候选参数集以优化候选参数集的维度。

在示例28中，示例16至27中任一项所述的主题可以包括，其中所述搜索方法包括敏感性分析，其根据刺激变量和结果变量建立模型，并且使用回归模型来识别系数矢量。

示例29包括主题(比如用于执行动作的方法、手段，包括当由机器执行时致使机器执行动作或者装置执行动作的指令的机器可读介质)，其包括：在计算机化的系统处，访问患者输入、临床医生输入或自动输入中的至少一个；在搜索方法中使用所述患者输入、临床医生输入或自动输入，所述搜索方法被设计为评估多个候选神经调制参数集以识别所述多个候选神经调制参数集中的最佳神经调制参数集；并且使用所述最佳神经调制参数集对神经调制器进行编程，以刺激患者。

在示例30中，示例29所述的主题可以包括，其中所述患者输入包括主观数据，所述主观数据包括视觉模拟量表(VAS)、数字评分量表(NRS)、满意度评分、总体改变印象或活动水平。

在示例31中，示例29至30中任一项所述的主题可以包括，其中所述临床医生输入包括所选择的神经调制参数集、所选择的神经调制参数集维度或搜索方法配置选项。

在示例32中，示例29至31中任一项所述的主题可以包括，其中所述搜索方法包括排序算法，其使用来自患者的评分来对所述多个候选参数集进行排序，并且从所述多个候选参数集中移除未能满足阈值评分的参数集。

示例35包括主题(比如计算机可读介质)，其包括：访问患者输入、临床医生输入或自动输入中的至少一个；在搜索方法中使用所述患者输入、临床医生输入或自动输入，所述搜索方法被设计为评估多个候选神经调制参数集以识别所述多个候选神经调制参数集中的最佳神经调制参数集；并且使用所述最佳神经调制参数集对神经调制器进行编程，以刺激患者。

本发明内容是对本申请的教导中的一些的概述，并且并不旨在为本主题的排他的或穷尽的处理。关于本主题的进一步细节在详细的描述和随附权利要求中被找到。在阅读和理解下面详细描述以及查看形成其的一部分的附图时，本公开的其他方面对于本领域的技术人员会是显而易见的，其他方面中的每个将不以采取限制性的意义。本公开的范围由随附权利要求和其合法等价物来限定。

附图说明

通过附图的图中的示例示出了各种实施例。这些实施例是说明性的并且不旨在是本主题的穷尽的或排他的实施例。

图1示出了脊髓的一部分。

图2通过示例示出了神经调制系统的实施例。

图3通过示例示出了诸如可以在图2的神经调制系统中实施的调制设备的实施例。

图4通过示例示出了诸如可以被实施为图2的神经调制系统中的编程设备的编程设备的实施例。

图5通过示例示出了可植入神经调制系统以及其中系统可以被使用的环境的部分。

图6通过示例示出了SCS系统的实施例。

图7通过示例示出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8A-8B通过示例示出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通过示例示出了在空间域和时域中构造刺激波形的实施例。

图10通过示例示出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通过示例示出了利用机器学习来优化神经刺激模式的方法的实施例。

图14是根据示例实施例以计算机系统的示例形式示出了机器的框图，在所述机器内可以执行一组或一系列指令，以致使该机器执行本文所讨论的方法中的任何一种。

图15通过示例示出了识别参数集的方法的实施例。

图16通过示例示出了梯度下降法的实施例。

具体实施方式

本主题的下列详细描述参照了附图，附图通过说明示出了本主题可以在其中被实践的特定方面和实施例。这些实施例被描述得足够详细，以使本领域技术人员能够实践本主题。其他实施例可以被利用并且可以进行结构、逻辑和电子的改变，而不脱离本主题的范围。对于本公开中的“一”、“一个”、或“各种”实施例的引用对于相同的实施例不是必要的，并且这样的引用设想多于一个实施例。因此，下列详细描述不应被理解为限制性的，并且范围仅由所附权利要求以及这些权利要求所授权的合法等价物的全部范围来定义。

本文描述的各种实施例涉及脊髓调制。本文提供了脊髓的生理学和相关装置的简要描述以帮助读者。图1通过示例示出了包括脊髓的白质101和灰质102的脊髓100的部分。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包括连接灰质区域的有髓轴突。脊髓的典型横截面包括基本上被白质101的椭圆形外部区域包围的灰质102的中心“蝴蝶”形中心区域。背柱(DC)103的白质主要包括形成沿轴向延伸的传入纤维的较大的有髓轴突。灰质的“蝴蝶”形中心区域的背部部分被称为背角(DH)104。与沿轴向延伸的DC纤维相反，DH纤维可以在许多方向(包括垂直于脊髓的纵轴)上被取向。还示出了脊神经105的示例，包括背根(DR)105、背根神经节107和腹根108。背根105大多携带感觉信号进入脊髓中，并且腹根用作传出运动根。背根和腹根结合形成混合脊神经。

SCS已经被用于缓解疼痛。如图1所示，传统SCS编程的治疗目标是使白质中沿着脊髓的纵轴延伸的DC纤维的刺激最大化(即募集(recruitment))并且使对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。DC的白质主要包括形成传入纤维的较大的有髓轴突。尽管疼痛缓解的完整机制尚未很好理解，但是应当相信，疼痛信号的感知经由疼痛的门控控制理论来抑制，这表明经由电刺激的无害触感或压力传入的增强的活动在脊髓中的释放了抑制性神经递质(伽马氨基丁酸(GABA)、甘氨酸)的DH内产生神经元间活动，这继而减小了宽动态范围(WDR)感觉神经元对从支配患者的疼痛区域的背根(DR)神经纤维传播的疼痛信号的有害传入输入的超敏性(hypersensitivity)，并且治疗了一般的WDR异位。因此，已经以提供疼痛缓解的幅值的刺激来靶向DC神经纤维的较大的感觉传入。当前可植入神经调制系统通常包括邻近患者的脊髓的背柱(即倚靠在硬膜附近或硬膜上)并且沿着患者的脊髓的纵轴植入的电极。

较大的感觉DC神经纤维的激活也通常产生常常伴随标准SCS治疗的感觉异常感觉。一些实施例递送治疗，其中能量的递送由于诸如感觉异常的感觉而可察觉。尽管相对于疼痛的感觉，备选的或人为的感觉(例如感觉异常)通常被容忍，但是患者有时报告这些感觉是不舒服的，并且因此在某些情况下，其对于神经调制治疗可以被认为是不利的副作用。例如，一些实施例递送在治疗上有效处置疼痛的次感知治疗，但是患者没有感觉到调制场的递送(例如感觉异常)。次感知治疗可以包括有效阻止DC中的传入纤维中的疼痛信号的发送的脊髓的较高频率调制(例如约1500Hz或更高)。本文中的一些实施例选择性地调制DC组织上的DH组织或DR组织以提供次感知治疗。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。即使没有脉冲(例如0Hz)也可以递送选择性调制以调制一些神经组织。通过示例而非限制，选择性调制可以在从以下频率范围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。可以开发系统以将任何这些范围的下限从2Hz升高到其他频率，例如通过示例而非限制，10Hz、20Hz、50Hz或100Hz。通过示例而非限制，还应注意，选择性调制可以以占空比递送，其中在占空比的刺激ON部分期间递送刺激(例如脉冲串)，并且在占空比的刺激OFF部分期间不递送刺激。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的脉冲猝发之后15毫秒没有脉冲对应于40％占空比。

图2示出了神经调制系统的实施例。所示出的系统210包括电极211、调制设备212以及编程设备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其附近。调制设备212被配置为被电连接至电极211并且通过电极211将神经调制能量(例如以电脉冲的形式)递送至一个或多个神经目标。通过使用多个调制参数(例如指定了电脉冲和通过其递送每个电脉冲的电极的选择的调制参数)来控制神经调制的递送。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师或其他护理人员的用户来编程。编程设备213为用户提供对用户可编程参数的可访问性。在各种实施例中，编程设备213被配置为经由有线链路或无线链路通信地耦合至调制设备。在各种实施例中，编程设备213包括图形用户界面(GUI)214，其允许用户设置和/或调整用户可编程调制参数的值。

图3示出了例如可以在图2的神经调制系统210中实施的调制设备312的实施例。所示出的调制设备312的实施例包括调制输出电路315和调制控制电路316。本领域普通技术人员将理解，神经调制系统210可以包括额外的部件，例如用于患者监视和/或对治疗的反馈控制的感测电路、遥测电路和电源。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，每个引线被配置为被电连接至调制设备312；以及多个电极311-1至311-N，其分布在使用一个或多个引线的电极布置中。每个引线可以具有包括两个或更多个电极(其也可以称为触点)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。每个电极是提供用于调制输出电路315和患者的组织之间的电气接口的单个导电触点，其中N≥2。神经调制脉冲均通过选自电极311-1至311-N的一组电极从调制输出电路315被递送。引线的数目和每个引线上的电极的数目可以取决于例如神经调制的一个或多个目标的分布以及控制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，引线系统包括每个具有八个电极的两个引线。

神经调制系统可以被配置为调制脊髓目标组织或其他神经组织。用于将电脉冲递送至靶向的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)。换句话说，电极配置表示极性为正、负或零。可以被控制或改变的其他参数包括电脉冲的幅值、脉冲宽度和速率(或频率)。每个电极配置连同电脉冲参数可以被称为“调制参数集”。每个调制参数集，包括对电极的分数化的电流分布(作为百分比阴极电流、百分比阳极电流或断开)可以被存储并组合成可以之后用于调制患者内的多个区域的调制程序。

可用的电极的数目与生成各种复杂电脉冲的能力相结合，向临床医生或患者呈现了调制参数集的大量选择。例如，如果待编程的神经调制系统具有十六个电极，则数百万个调制参数集可以可用于编程至神经调制系统中。此外，例如，SCS系统可以具有以指数方式增加可用于编程的调制参数集的数目的三十二个电极。为了方便这样的选择，临床医生通常通过计算机化编程系统来编程调制参数集以允许基于患者反馈或其他手段确定最佳调制参数并且随后对期望的调制参数集进行编程。闭环机制可以被用于识别和测试调制参数集、接收患者或临床医生反馈、并且进一步修订调制参数集以尝试优化刺激范例(paradigms)从而减轻疼痛。患者或临床医生反馈可以是反映疼痛、感觉异常覆盖(coverage)或患者对刺激的满意度的其他方面的客观的和/或主观的度量。

图4示出了编程设备413的实施例，编程设备413例如可以被实施为图2的神经调制系统中的编程设备213。编程设备413包括存储设备418、编程控制电路419和GUI 414。编程控制电路419根据神经调制脉冲的模式生成控制神经调制脉冲的递送的多个调制参数。在各种实施例中，GUI 414包括任何类型的演示设备，例如交互式或非交互式屏幕以及允许用户对调制参数进行编程的任何类型的用户输入设备，比如触摸屏、键盘、小键盘、触摸板、轨迹球、操纵杆和鼠标。除了别的以外，存储设备418可以存储待编程至调制设备中的调制参数等。编程设备413可以将多个调制参数发送到调制设备。在一些实施例中，编程设备413可以向调制设备(例如图3的调制设备312)发送电力。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可以针对安全规则检查多个调制参数的值以将这些值限制在安全规则的约束内。

在各种实施例中，可以使用硬件、软件和固件的组合来实施包括本文件中所讨论的其各种实施例的神经调制的电路。例如，包括在本文件中讨论的其各种实施例的GUI 414的电路、调制控制电路316和编程控制电路419可以使用构造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施。这种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通过示例示出了可植入神经调制系统和可以使用系统的环境的部分。该系统被示出用于植入在脊髓附近。然而，神经调制系统可以被配置为调制其他神经目标。系统520包括可植入系统521、外部系统522和提供用于可植入系统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被示出为被植入在患者体内。可植入系统521包括可植入调制设备(也称为可植入脉冲发生器或IPG)512、引线系统517和电极511。引线系统517包括：一个或多个引线，每个引线被配置为被电连接至调制设备512；以及多个电极511，其分布在一个或多个引线中。在各种实施例中，外部系统402包括一个或多个外部(非可植入)设备，每个设备允许用户(例如临床医生或其他护理人员和/或患者)与可植入系统521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人员初始化和调整针对可植入系统521的设置的编程设备和旨在供患者使用的远程控制设备。例如，远程控制设备可以允许患者开启和关闭治疗和/或调整多个调制参数中的某些患者可编程参数。远程控制设备还可以提供用于患者提供关于可植入神经调制系统的操作的反馈的机制。反馈可以是反映感觉到的疼痛、治疗效果或患者舒适度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于待刺激的脊髓区域(即倚靠在硬膜附近或硬膜上)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植入。由于一个或多个神经调制引线离开脊柱的位置附近缺乏空间，可植入调制设备512可以被植入在腹部中或臀部上的手术用口袋中，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促进远离一个或多个神经调制引线的出口点植入可植入调制设备512。

图6通过示例示出了SCS系统600的实施例。SCS系统600大体包括多个神经调制引线12(在这种情况下，两个经皮的引线12a和12b)、可植入脉冲发生器(IPG)14、外部远程控制(RC)16、用户的编程器(CP)18、外部试验刺激器(ETS)20和外部充电器22。

IPG 14经由两个经皮引线延伸部24物理地连接至神经刺激引线12，该神经刺激引线12带有多个布置成阵列的电极26。在示出的实施例中，神经刺激引线12为经皮引线，且为此，电极26可以沿着神经刺激引线12同轴布置。虽然可以提供任何适合数目(包括仅一个)的神经刺激引线12，但是示出的神经刺激引线12的数目为两个。可替选地，外科浆形(paddle)引线可以被使用以代替经皮引线中的一个或多个。如下面还将更详细描述的，IPG14包括脉冲生成电路，该脉冲生成电路根据刺激参数集将电刺激能量以脉冲式电波形(即一个时间序列的电脉冲)形式递送至电极阵列26。IPG 14和神经刺激引线12可以被设置为可植入神经刺激装备(kit)，连同例如空心针、管心针(stylet)、通管工具(tunnelingtool)和通管吸管(tunneling straw)。

ETS 20也可经由经皮导线延伸部28或外部电缆30而被物理地连接至神经刺激引线12。具有与IPG 14类似的脉冲生成电路的ETS 20还根据刺激参数集以脉冲电波形形式将电刺激能量递送至电极阵列26。ETS 20与IPG 14之间的主要区别是ETS 20是非可植入设备，其在植入了神经刺激引线12之后并在植入IPG 14之前试验性地进行使用以测试对待提供的刺激的响应性。因此，本文所描述的关于IPG 14的任何功能可同样地关于ETS 20执行。

RC 16可以被用于经由双向RF通信链路32而遥感控制ETM 20。一旦植入IPG 14和刺激引线12，RC 16就可以被用于经由双向RF通信链路34而遥感控制IPG 14。这种控制允许IPG 14被开启或关闭以及在植入之后以不同的刺激程序进行编程。一旦IPG 14已经被编程，并且其电源被充电或以其他方式被补充，IPG 14就可以在没有RC 16存在的情况下按所编程的那样运行。

CP 18向用户提供详细的刺激参数以用于在手术室和后续会话中对IPG 14和ETS20进行编程。CP 18可以经由IR通信链路36通过RC 16与IPG 14或ETS 20间接通信来执行该功能。可替选地，CP 18可以经由RF通信链路(未示出)而与IPG 14或ETS 20直接通信。

外部充电器22为用于经由感应链路38对IPG 14进行经皮充电的便携式设备。一旦IPG 14被编程且其电源由外部充电器22充电或者以其他方式被补充，IPG 14就可以在没有RC 16或者CP 18存在的情况下按所编程的那样运行。

为了本说明书的目的，术语“神经刺激器”、“刺激器”、“神经刺激”以及“刺激”一般地指代对影响神经组织的神经元活动的电能量的递送，其可以是兴奋的或抑制的；例如通过开启动作电位、抑制或阻碍动作电位的传递、影响神经递质/神经调质释放或摄取的变化以及诱导组织的神经可塑性或神经发生的变化。为简要起见，RC 16、ETS 20和外部充电器22的细节不在此描述。

自动化编程在亚感知刺激参数中的应用

亚感知神经调制治疗是可以潜在地改善患者结果的有前景的领域。存在众多可能的亚感知治疗，所以一个问题是确定众多可能的亚感知治疗中的哪个可以为患者提供最好的结果。往往需要数小时或数天来让亚感知治疗生效的事实使得这个问题复杂化。在没有针对健康护理提供者或制造商代表的即时反馈的情况下，其可能涉及重复随访(follow-up)来针对每个单独的患者识别和调整最佳的亚感知治疗。可以在不需要集中的健康护理提供者或制造商交互的情况下为患者识别出最佳的亚感知治疗的适应性学习算法将具有显著的临床和商业潜力。

可以在试验期间或在永久植入以后使用可植入脉冲发生器(IPG)、编程设备或患者远程控制中的软件或硬件，来识别出最佳的亚感知模态。

机器学习系统可以被用于闭环过程中以为疼痛管理开发出最佳化的刺激模式。可以在时域和空间域二者中调制刺激模式。还可以在指代脉冲模式的信息域中调制刺激模式。学习系统可以通过不同的亚感知模态(例如高频、猝发、中低频/低幅值等)自动地循环、通过模态中的每个的远程控制或其他系统来收集患者反馈、并且将患者反馈与治疗效果相关联以确定最佳的或改进的治疗。这允许在没有与健康护理提供者或制造商代表交互的情况下确定出改进的或最佳的亚感知治疗。

可以从所有可用的刺激模式的域中生成刺激模式的始集(initial set)。可以使用一个或多个机器学习或优化算法来搜索和识别有效的模式而获得始集。可替选地，始集可以由临床医生提供。

除了参数集的始集之外，一个或多个参数的一个或多个范围可以通过系统来确定或者由用户(例如临床医生)提供。范围可以针对各种方面，包括幅值、脉冲宽度、频率、脉冲模式(例如预先确定的或参数化的)、循环通/断特性、场的空间位置、场的空间范围等。

内洗(wash-in)和外洗(wash-out)的估计时间可以由用户提供或由系统确定。在一个实施例中，系统根据患者的反馈估计要使用的内洗/外洗。准确的估计内洗/外洗是重要的，因为高估(例如时间太长)可能因为编程循环太慢而导致患者有不必要的疼痛，并且低估(例如时间太短)可能因为内洗还没有发生而导致缺失重要信息。因此，在一个实施例中，用户能够设置供学习机器算法使用的预期的内洗/外洗时间。在另一实施例中，学习机器算法然后可以以用户估计开始，并且然后基于从用户或其他来源收集到的数据进行调整以修改所估计的内洗或外洗时间。

在临床系统中，可以将一个或多个刺激模式提供给患者，所述一个或多个刺激模式可以在有或没有临床医生监督的情况下被患者测试。可以从患者接收客观的疼痛度量、主观的疼痛度量、或客观的疼痛度量与主观的疼痛度量二者，其被用于机器学习或优化算法中以开发出进一步的模式集。客观的疼痛度量包括被生理学地表达的诸如EEG活动、心率、心率变异性、皮肤电流反应等的那些度量。主观的疼痛度量可以由患者提供并且例如被表达为“剧痛”、“低痛”或数字范围。可以使用诸如无线网络、系绳通信、短距离遥测或这些机制的组合的各种通信机制来传送疼痛度量。患者可以手动地输入一些信息(例如主观的疼痛评分)。

这里提供了疼痛度量的非穷尽的列表。疼痛度量的一个示例是EEG活动(例如已显示躯体感觉皮层中的θ活动以及前额皮层中的α与γ活动与疼痛相关)。另一示例疼痛度量是fMRI(已显示前扣带皮层和脑岛中的活动与慢性疼痛的变化相关)。另一示例疼痛度量是fMRI(在疼痛基质中的活动，所述疼痛基质由丘脑、主要体觉皮层、前扣带皮层，前额皮层和小脑组成并且在疼痛条件下被激活)。另一个示例疼痛度量是心率变异性、皮肤电流反应、皮质醇水平以及自主系统功能(已显示自主系统健康与疼痛相关)的其他测量。另一个示例疼痛度量是身体活动(已显示身体活动量与疼痛相关)。另一个示例疼痛度量是疼痛评分(可以通过其中患者在视觉模拟量表上选择点或者在数字评分量表上点击数字的界面来输入)。另一个示例疼痛度量是定量感觉测试[例如空间辨别(两点、位置、直径)，时间辨别，检测阈值(机械、热、电)，疼痛阈值(机械、热、电)，时间总和，热烤(grill)](已显示QST测量与疼痛相关)。另一个示例疼痛度量是躯体感觉诱发电位、接触热诱发电位(已显示这些电位与疼痛相关)。另一个示例疼痛度量是H反射、伤害性屈曲反射(已显示这些被SCS减少)。另一个示例疼痛度量是条件性位置偏爱(例如，在一个腔室中，用一个范例1刺激，在另一个腔室中，用范例2刺激。动物花费最多时间的腔室赢得并继续到下一轮)。另一个示例疼痛度量是疼痛基质中的局部场电位记录(在临床前模型中，对这些区域中的神经活动的记录可能以侵入电极进行)。

一些疼痛度量本质上主要是临床前的(例如条件性位置偏爱和局部场电位记录)，而其他的本质上主要是临床的(例如疼痛评分和定量感觉测试)。然而，应理解，可以在临床前的或临床的设置中获得疼痛度量。

疼痛度量可以持续性地或重复性地从患者收集并且注入机器学习或优化算法，以改善或更改刺激参数。例如，患者可以与编程器、远程控制、床边监护器或其他患者设备交互，以记录生理状况、疼痛、药物剂量等。患者设备可以有线地或无线地连接至具有机器学习系统的系统。该闭环机制提供了在重复迭代机器学习或优化算法期间减少检索域的优点。通过减少搜索域，临床医生能够更快速地识别出有效的模式，并且患者可以经受更短的编程会话，这产生了更少的不适。

除了疼痛度量之外，可以获得额外的患者反馈，比如满意度评价、自述活动、视觉模拟量表(VAS)或数字评分量表(NRS)。可以诸如从用户(例如临床医生)或传感器值中获得其他反馈和输出。

物理系统可以采取众多不同的形式。可以使用可穿戴传感器(例如心率监视器、加速度计、EEG耳机、脉搏血氧计、GPS/位置跟踪器等)测量从患者收集到的数据。可以经由远程控制或患者使用的其他外部设备(例如移动电话)输入疼痛度量和涉及手动输入的其他反馈。

算法可以位于CP、IPG、ETS、RC或患者使用的其他外部设备，或者在经由Wi-Fi、蓝牙、蜂窝数据或其他有线/无线方案连接至患者外部的云端或远程服务器中。可以在CP、远程控制或其他外部设备上存在使得能够选择算法以及手动输入的GUI。对算法的训练可以发生在诊所或在日常生活中，并且可以被设置为连续地执行或仅在某些时候执行。优化数据可以被存储在云端，使得当患者从试验移动到永久植入时以及如果IPG被替换，可以传输优化的模式和历史。

图7通过示例示出了利用机器学习来优化神经刺激模式的系统中的数据流和控制流的实施例。一个或多个输入700可以被注入搜索方法702中，这然后可以提供一个或多个输出704。输入700可以一般地分组为患者输入700-1、用户输入700-2和自动输入700-3。输出704可以包括编程参数或安排、报告和其他动作。此外，用户反馈子系统706可以被用于询问用户(例如患者)并且获得关于当前的、先前的或将来的编程，疼痛或生活质量评分或其他信息的反馈。

输入700可以包括患者输入700-1。患者输入700-1可以包括多种多样的患者数据，比如以视觉模拟量表(VAS)或数字评分量表(NRS)、满意度评分、对变化度量的总体印象、自述活动或这些度量的一些数学组合(比如VAS与活动的加权和)的形式的主观的患者疼痛评分或生活质量评分。

用户输入700-2可以包括各种临床医生或专科医生输入，比如评估的程序或评估的维度(例如x、y、频率、脉冲宽度、占空比、每猝发的脉冲数目、猝发波形的内部或脉内频率等)。其他用户输入700-2可以包括要测试的参数的范围或阈值(例如特定参数的最小或最大值(例如多达6.0mA或从1.0-5.5mA)。用户输入700-2还可以包括在移动至另一程序之前对程序评估的时间量、跳过程序的患者选项(例如，当患者感觉该程序无效并且在评估时间中还剩余两天时)、在跳过前最小评估时间(要么以编程方式要么患者发起的跳过)、残存阈值(survival threshold)或搜索目标。残存阈值可以被用于基于患者反馈而确定是保留特定参数集还是将其从将来的考虑中舍弃。例如，临床医生可以设置7.0的残存阈值，使得如果患者经历了大于7.0的VAS评分，则从将来评估中舍弃与该评分相关联的编程。此外，搜索方法702可以被修改为舍弃编程(例如，在遗传算法中，编程可能被从染色体库中移除，使得其不被用于将来的世代中)。

搜索目标可以由患者或临床医生(或其他用户)提供。搜索目标可以调整搜索方法702致力于实现期望的结果的程序。一个或多个目标可以被选出。当多于一个目标可选时，目标的组合可以被加权或排序。目标的示例包括但不限于较低的充电频率、较有效的能量使用、最大化疼痛减轻、感觉异常的使用、感觉异常的缺少、特定疼痛减轻阈值(例如，实现特定VAS评分或舒适水平的工作)、一个或多个特定区域(例如下背部、脚、腿等)中的疼痛减轻、朝向特定波形或场形状(例如猝发波形、高速率、长脉冲宽度等)的偏差、特定椎骨水平处的刺激、或者在最佳程序被确定之前探索各种程序的用于搜索的最小/最大搜索时间(例如在遗传算法中在多个世代中测量出)。

可以经由用户反馈子系统706从患者接收其他用户输入700-2。用户反馈子系统706可以与一个或多个设备(例如CP、IPG、ETS、RC或者由患者或临床医生所使用的另一外部设备)交互，并且获得患者反馈(主观的或客观的)、传感器数据、临床医生反馈等。患者反馈可以是最近编程设置中“目前为止最好”评价，比先前程序“更差/相同/更好”评价，患者舒适度、活动或情绪指标。也可以经由用户反馈子系统706来获得诸如活动、阻抗/场电位符号、心率、心率变异性、场电位等的各种客观数据。客观数据可以被用于确定疼痛的客观测量值、舒适度或生活品质的替代测量值(例如，较多或较少记录的活动可以分别与较少或较多不适相关联)、或者特定编程的性能数据。诸如当患者选择性地终止编程会话、跳过编程会话或者对由患者提供的两个或更多个编程会话进行排序时，户反馈系统706还可以收集和传送患者用户界面动作。排序的程序可以被用作为至所述方法702的输入，以选择、过滤、集中或以其他方式修改搜索方法702的将来的患者反馈环的迭代。

自动输入700-3可以包括可以经由用户反馈子系统706收集的客观数据中(例如活动、心率等)的一些或全部。例如，加速度计可以被用于识别、分类和获得患者姿势、活动等。其他自动输入700-3可以包括诸如编程会话的持续时间、参数集测试的次数以及相关的患者评分/反馈等的表现(performance)数据。

输出704中的一些或全部可以被注入用户反馈子系统706，以用于呈现给一个或多个用户。例如，所使用的编程的周报被提供给用户(例如患者)。输出704可以被用于进一步驱动关于用户反馈子系统706的处理，以获得可以被注入搜索方法702中并且被用于确定额外的输出704的患者输入700-1或用户输入700-2。

用户反馈子系统706可以被托管在外部设备(例如中央服务器或云服务器)处并且被通信地耦合至包括但不限于CP、IPG、ETS或RC的一个或多个设备。另外的或可选的，用户反馈子系统706可以被部分地或完全地托管在诸如CP或RC的设备中的一个处。

用户反馈子系统706可以向用户提供用户界面。用户面(UI)可以包括各种用户界面控制，比如用于允许用户指示身体上何处感觉到疼痛的身体图，用于允许用户输入、修改、记录或以其他方式管理表示患者的舒适度水平、活动水平、情绪或其他一般表现的数据以控制搜索方法702或刺激器的运行的下拉菜单、对话框、复选框或其他UI控制。UI可以提示用户各种信息，比如当前的编程是否比先前的编程更差、相同或更好的日常调查。UI还可以向用户提供用于根据患者的偏好而排序多个编程的界面。示例UI在图8A和图8B中示出。

图8A和图8B通过示例示出了用于对编程进行排序的用户界面的实施例。在图8A中，初始状态，以有序的方式表示出多个用户界面单元800-1、800-2、800-3、800-4、800-5。图8A中的用户界面单元的数目是五，但应理解，可以使用其他数目的用户界面单元，比如但不限于十个、二十个或五十个。在第一实例802中，UI单元800包括对应于患者经历的第一编程集和第二编程集的P1和P2。向患者提供表示第三编程集P3的用户界面804，以插入在有序的UI单元800之中。患者可以移动UI单元804以将其以感觉到的表现(例如偏好)的顺序进行放置。在该示例中，患者选择将UI单元804放置在UI单元800-1与800-2之间，表明编程P3好于P2但差于P1。在图8B中，后面的状态806，在将UI单元804拖动和丢至所选择的位置之后，其他UI单元800被重新布置在新插入的UI单元804周围。如果编程集在最后的位置(例如800-5)，则其被从列表中弹出(bump)，并且第四位置(例如800-4)的编程集被降为最后的位置。此外，用户可以通过将一个UI单元从一个位置拖动和丢至另一位置来调整编程集的顺序，在这种情况下，其他UI电压以新顺序被重新布置。

回到图7，可以向用户(例如临床医生或患者)提供额外的用户界面控制，以设置程序的测试周期、管理内洗/外洗时间、向用户提供具有原始数据或编制数据的报告(例如表、图、概要)、或者控制交替程序。例如，可以使用或者随时间重复使用“目前为止最好”(BSF)程序，以确保用户经历良好比例的有效刺激。可以每隔一个程序、每三个程序或以其他方式使用BSF程序以允许系统对BSF程序之间的额外的程序进行测试。

在一个示例中，针对患者的用户界面可以模糊编程细节中的一些或全部，导致患者看不见正在使用的程序。这可以是一个选项并且可以可由临床医生设置(例如，经由CP使得RC不显示某些信息)。通过这样做，患者可以不基于某些设置或值而有偏见。

多个不同的机制可以被用于搜索方法702中。示例包括但不限于排序算法、梯度下降法、单纯形过程(simplex process)、遗传算法、二分搜索和敏感性分析。这些方法中的任何方法都可以包括修剪过程，其中没有在一些满意度范围内执行的程序被从搜索中的的将来的使用或考虑中移除。例如，在遗传算法搜索中，使用高频率并且造成患者的主要的不适的程序可以被从将来的突变或交叉中的使用中移除。

图9通过示例示出了被用作为搜索方法的排序算法的实施例。一般来说，排序算法提供一系列的程序、接收关于每个程序的功效的用户反馈，并且根据用户的反馈将程序进行排序。在图9中示出的示例实施例中，患者被安排了四个程序900。患者可以被置于例如程序A的程序上一段时间。该时间段可以变化或可以被固定。该时间段可以被计算出以确保在患者即将评估程序之前患者在程序上足够量的内洗/外洗时间。患者可以提供评分。在图9中示出的示例中，评分基于活动和NRS的组合。可以在数字量表上对活动进行评定，诸如患者在给定的一天中活跃的小时数或者患者在给定的一周中活跃的平均小时数。活动的其他度量被认为在本公开的范围之内。

使用活动度量和NRS将评分导出并且提供给排序算法902(例如搜索方法)。排序算法902然后可以从安排的程序900转换至下一个程序。下一个程序(例如程序B)的参数被传送至患者设备(例如IPG)并且被使用一段时间。

在评估期之后，患者对程序进行评分，并且结果(例如从用户反馈子系统706)被传送回排序算法902。该评估环可以通过安排的程序900继续并且至其他程序。排序算法902可以维持分数904的经排序的数据结构，其中程序基于由患者提供的评分而被排序。预定义的阈值可以被用于舍弃不满足最小评分的任何程序。在图9中示出的示例中，阈值为五。如此，程序C和程序B被舍弃并且程序D和程序A被保留以用于额外的评估。例如，程序D和程序A可以被一起或单独地用于四个程序的后面的安排中，使得患者可以针对其他程序而评估他们。在该示例中，较高的评分反映较好的程序。这适宜于组合评分，但对于通常使用较低的评分作为较好(意味着较少的疼痛)的NRS，比较和阈值可能相应地被调整。

另一个搜索方法70在图10中被示出，其通过示例示出了被用作为搜索方法的梯度下降法的实施例。一般来说，梯度下降法被赋予了编程的一方面以优化这一方面的初始值。梯度下降法然后搜索这一方面的局部最佳值。如果该方法被用于寻找函数的局部最大值，则该过程然后被称为梯度上升法。为了本论述的目的，将使用术语梯度下降，但应理解，当寻找局部最大值时，术语梯度上升也是可应用的。

图16通过示例示出了梯度下降法1600的实施例。在方框1602处，取一个或多个参数P的初始值。评估一个或多个参数P的结果(方框1604)。这为其余的评估建立了起始点。在方框1606处，基于来自P的邻近值的结果确定下降方向(+或-)。例如，估计出高于P的初始值的值并且估计出了低于P的初始值的值。基于哪个值显示出更好的结果，下降法1600被设置为增加方向或降低方向。在方框1608处，选择步长ΔP。ΔP可以是基于P的初始值的值。例如，如果P的初始值为200，则ΔP步长可以为P的当前值的50％，使得ΔP＝100。在方框1610处，P的值由ΔP进行了在操作方框1606处确定出的方向上的更新。在方框1612处，使用P的新值评估结果。在方框1614处，确定方法1600是否已经满足停止标准(例如结果达到了局部最小值)。如果满足了停止标准，则方法1600在步骤1616处终止，并且输出该P值。否则，方法1600迭代至方框1608以继续过程。

作为示例，在图10中，向梯度下降法1000提供了程序1002，其具有优化频率(从50Hz的初始频率值开始)的指示。梯度下降法1000从初始值开始并且患者的设备以初始值(例如50Hz频率)编程。患者可以进行由梯度下降法1000引导的多个程序。

在图10中示出的示例中，梯度下降法1000从50Hz频率开始、将其与经由患者反馈从患者获得的评分相关联、并且然后进展至可以使用初始值的步长值的下一个程序。可以使用其他步长值，比如固定数(例如以10Hz增加/减少)、百分比(例如以初始值的100％增加/减少)或其他机制。如所示出的，使用步长值直至接收到表明降低的程序表现的评分。特别地，首先向患者呈现使用50Hz频率的程序，该程序被评分为五。然后向患者呈现使用100Hz频率的程序，该程序被评分为较高的评分六。然后，使用50Hz的相同步长值，向患者呈现使用150Hz频率的程序，该程序被评分为较低的评分三。此时，梯度下降法1000试图寻找100Hz与150Hz的两个值之间的局部最佳值。继续进行该示例，梯度下降法1000测试125Hz并且发现其好于150Hz，所以其继续减少Hz值以寻找偏转的下一点(其中评分趋势改变)。梯度下降法1000减少Hz至110Hz并且接收到七的评分，其较125Hz处的评分有所增加。梯度下降法1000然后测试100Hz与110Hz之间的值(例如105Hz)并且可以以这种方式继续。

梯度下降法1000可以基于最好的观察到的评分而维持最佳频率。在这种情况下，最佳频率为具有七的评分的110Hz频率。在梯度下降法中使用的数据还可以被表示在诸如线图、条形图等的各种报告中，以使得评分趋势对比被优化的度量可视化。

另一搜索方法702是敏感性分析。敏感性分析可以被用于寻找输入因子的空间中的区域，对其而言模型输出为最大值或最小值或者满足一些最佳标准。在一个实施例中，可以收集表示刺激参数和对应结果的数据集的数量N。刺激参数可以包括位置、幅值、脉冲宽度、频率、占空比、模式、分解(fractionalization)等。结果变量可以包括视觉模拟量表(VAS)、数字评分量表(NRS)、满意度、舒适水平、对变化的整体印象、活动或者导出的结果测量等。使用刺激参数(X)和结果变量(Y)，可以建立参数-结果模型。在一个实施例中，参数-结果模型是回归模型，其中Y＝f(X，a)，其中a为待识别的k个未知系数的矢量。一般来说，最好N＞k。使用N个数据集应用敏感性分析以评价输入变量对输出变量的显著性。敏感性分析的结果是要识别出敏感参数集和非敏感参数集。

应理解，诸如机器学习、神经网络或导向选择的其他方法可以被用于确定或分类敏感/非敏感参数集。通过导向选择，可以向用户呈现各种刺激参数并且用户可以丢弃非敏感参数，集中于敏感参数调整。用户可以具有在后面的刺激测试中包括非敏感参数的选项。使用敏感性分析，系统可以自动地选择维度或推荐默认刺激参数。

应理解，在各个实施例中，给定Y＝f(X，a)，a可以是取决于X和Y的维度的矩阵或矢量，例如，X是k×N，并且Y是m×N，也就是说，对于k个刺激参数的每个X集合，存在m个结果变量的结果评估Y集合。a将是表示刺激参数中的每个对结果变量中的每个的显著性的m×k的系数矩阵。

图15通过示例示出了识别参数集的方法1500的实施例。在方框1502处，识别敏感性/显著性评估的阈值。在方框1504处，收集待评估的k个刺激参数的N个集合，其中X为k×N。在方框1506处，针对刺激参数中的每个，收集m个变量的结果评估Y集合，其中Y为m×N。在方框1508处，建立参数-结果模型Y＝f(X，a)，其中a为m×k。在方框1510处，对照敏感性/显著性阈值检查值a，以识别m个结果变量中的每个的敏感集对比非敏感集。在方框1512处，确定是否减少用于进一步评估的参数。如果方框1512处确定的结果为否定的，则在方框1514处完成方法1500，并且输出参数集(参数的敏感集和参数的非敏感集二者)。方法1500可以输出两个子集(敏感集和非敏感集)，使得可以在其上采取进一步的处理或动作，例如，敏感集可以被用于引导对治疗刺激的编程，并且非敏感集可以被用于引导刺激参数上的变化的创建(如果需要)(例如防止适应固定的刺激参数)但不显著改变治疗效果。如果方框1512处的确定结果是肯定的，则对于敏感集，在方框1516处，保留该集用于进一步的评估，并且更新刺激参数的数目k。对于非敏感集，在方框1518处，将该集从进一步的评估中丢弃，但将其记录下来以用于后面使用(如前所述)。方法1500继续至方框1504以持续执行。方法1500的持续迭代细化(refine)了敏感子集，以提供额外的敏感性分析水平。

应该理解，用户可以将搜索空间限制在本文件中所讨论的任何搜索方法中。用户可以限制位置边界、位置预估(discreet)点、脉冲宽度边界、频率边界或幅值边界中的一个或多个。

此外，应该理解，搜索方法可以被用于确定刺激的时间或空间参数。本文提供了对时间和空间参数的简要讨论。

为了本讨论的目的，刺激协议可以被认为是以脉冲开始的构建块的构造。脉冲是单个波形，并且典型地具有毫秒范围内的时间尺度。猝发是一系列脉冲，并且可以具有毫秒到秒范围上的时间尺度。串(train)是一系列猝发，并且根据所使用的编程可以具有毫秒、秒或甚至分钟的时间尺度。编程序列是脉冲、猝发和串的组合。编程序列还可以包括暂停；没有电刺激的时期。编程序列可以在短持续时间上是周期性的或者在短持续时间上是非周期性的，但是在一些更长的“宏脉冲(macropluse)”持续时间上重复。

在脉冲猝发或脉冲串中，脉冲之间的间隔可以是规则的或不规则的。一般来说，时域包括控制脉冲的时间、大小或形状的刺激参数。时域参数包括但不限于脉冲速率、脉冲幅值、脉冲形状、脉冲宽度和脉冲间延迟(例如猝发或串之间)。

除了脉冲的特性之外，可以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，哪个或哪些引线是激活的/非激活的)、电极激活(例如，引线中的哪一个或哪些电极是激活的/非激活的)以及激活接触分解(例如，在激活的电极中，有多少电流被供应至引线中的每个激活的电极)。

搜索方法702可以搜索一组可能位置中的最佳位置以施加刺激(例如，空间域参数)。如图11所示，可以向搜索方法702提供开始位置S 1100，然后使用优化方法来确定最终位置F 1102。从开始位置1100开始，搜索方法702可以前进通过一个或多个测试点，直到其找到最优点为止，然后将其考虑为最终位置1102。在各种实施例中，测试点可被定义为激活目标量(VOA)、目标场或目标极点。测试点可以由接触位置定义。测试点可以由用户提供(例如，用户选择的测试点)。可替选地，测试点目标极点可以是虚拟的或理想的极点或多极极点(例如，虚拟双极点或三极点)。可以通过计算虚拟多极点在空间观察点的阵列上创建的场电位值以及确定电极上的刺激幅值分布(其将得出与空间观察点处的期望的场电位值最佳匹配的空间观察点处的估计的电场电位值)来定义虚拟多极点，。可以理解，可以通过移动引线周围的虚拟多级点来实施电流导引(current steering)，使得针对虚拟多极点的各个位置中的每一个计算电极的适当刺激幅值分布。结果，可以使用任意数目和布置的电极来实施电流导引。

然后搜索方法702在空间中搜索一组可能的点中的最佳点。搜索空间可以有界。在图11中示出的示例中，搜索空间由左边界1104、右边界1106、头部边界(rostral bound)1108和尾部边界(caudal bound)1110界定。边界可以是临床医生/用户定义的或基于疼痛绘图(例如，使用疼痛和理想刺激轨迹之间的概率映射)。可替选地，搜索方法702可以在优化过程期间(例如，通过使用非敏感参数或疼痛评分阈值等)定义边界。

如上所述，搜索方法702可以利用参数对患者的设备(例如IPG)进行编程，并且允许程序运行足够的时间以允许内洗/外洗。一旦患者对该程序具有一些经验，患者就可以提供反馈，该反馈被用作为搜索方法702的输入并且可以改变其他程序的选择或标识。可以理解，本文件中所讨论的任何搜索或优化算法都可以被用于搜索最佳空间参数。此外，可以结合时域参数搜索空间参数。

搜索方法702可以使用用户反馈。可以理解，用户的舒适度水平可能在相同程序中每天或每小时变化。用户的姿势、活动水平、药物和其他变量可能会将噪声引入用户提供的评分中。为了管理这些度量中的噪声，可以使用一种或多种技术。在一个实施例中，使用总体满意度评分。

作为另一个示例，可以采取大量的样本。因此，在一个实施例中，对于给定的程序获得多个评分。评分可以被平均、增加或以其他方式数学地组合以获得输出评分。

作为另一个示例，可以获得客观测量并将其与患者反馈一起用于进行确证、与患者反馈结合使用(例如数学地组合)或者代替患者反馈使用。客观测量可以包括诸如姿势、活动、心率、心率变异性等的生理度量。

作为另一个示例，可以使用相同程序的重复评估来复查和验证患者对给定程序的反应。在知情或不知情的情况下，可以稍后向患者呈现相同的程序，并且来自程序的患者的反馈可以取平均值，或者以其他方式与来自程序使用的更早的情况的先前的反馈进行组合。

在识别出良好程序(或多个良好程序)之后，IPG可以被配置为以这些识别出的一个或多个程序运行一段时间直到下一次重新优化和重新配置为止。理想的情况是，在这段时间内，病人具有当时可用的最好的程序。然而，患者可能会经历一些神经学调节，其中以程序失去了其对患者的一些效果的方式，患者的神经学系统变得习惯于该程序。结果可能是，随着几天或几周过去，患者经历更多的疼痛或不同的疼痛。为了避免这种神经学调节，可以向患者提供轮转或变化的程序安排。这种改变的程序安排可以提供患者神经学系统中的神经可塑性；保持患者的神经学系统困惑，并且改善程序功效的表现或寿命。这种编程降低了对重新编程的需求，从而降低了神经调制系统中的设备的功耗并且提高了患者的生活质量。

因此，在一个实施例中，两个或更多个程序可以在IPG上循环。该程序可以定期地(例如，每七天改变一次)或不定期(例如，在五天至七天范围内随机改变)改变。当循环两个以上的程序时，程序的顺序可以是规则的(例如顺序循环)或不规则的(例如任意循环)。

在一个示例中，猝发波形可以在系统自动转变为高速率波形之前运行特定时间段，其在程序之间循环。为了避免其中来自第一波形(A)的疼痛减轻和/或治疗效果在下一个波形(B)的治疗效果开始之前结束的时期，可以在波形A终止之前启动波形B。

通过示例，图12示出了利用搜索方法来搜索最佳神经调制参数集的系统1200的实施例。系统1200可以采用多种形式中的一种。系统1200可以由是患者或临床医生使用的远程控制或其他外部设备。可替选地，系统1200可以是经由网络(或网络的组合)连接至用户设备的服务器或基于云的设备、网络家电或其他联网设备。网络可以包括本地、短程或远程网络，比如蓝牙、蜂窝、Wi-Fi或其他有线或无线网络。

系统1200包括处理器1202和存储器1204。处理器1202可以是协同工作的任何单个处理器或一组处理器。存储器1204可以是任何类型的存储器，包括易失性或非易失性存储器。存储器1204可以包括指令，所述指令在由处理器1202执行时致使处理器1202访问患者输入、临床医生输入或自动输入中的至少一个。

在一个实施例中，患者输入包括主观数据。在各种实施例中，主观数据可以包括视觉模拟量表(VAS)、数字评分量表(NRS)、满意度评分、总体改变印象或活动水平。

在一个实施例中，临床医生输入包括所选择的神经调制参数集、所选择的神经调制参数集维度或搜索方法配置选项。如本文件其他地方所述，临床医生或其他用户可以选择一个或多个程序(例如，参数集)来评估。可替选地或除了选择一个或多个程序之外，临床医生或用户可以选择特定维度的参数集。维度包括像刺激波形的频率或幅值的方面。因此，在各种实施例中，所选择的神经调制参数集维度包括空间位置、频率、脉冲宽度，脉冲猝发或脉冲串内的脉冲数目、串间间隔、这些串的猝发频率，脉冲占空比、或猝发占空比。除了程序或维度之外，用户还可以配置搜索方法，比如通过配置患者可以做什么来修改程序或跳过程序，或者搜索方法的其他方面。因此，在各种实施例中，搜索方法配置选项包括神经调制参数集维度的测试范围、神经调制参数集测试的终止标准、测试神经调制参数集的时间量、候选神经调制参数集的最小评估时间或者被测试神经调制参数集的残存阈值。

在一个实施例中，自动输入包括从患者设备接收到的数据。患者设备包括各种设备，比如个人计算机(PC)、平板电脑、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)、外部遥控器(RC)、用户编程器(CP)、外部试验刺激器(ETS)或任何能够执行指定该机器要采取的动作的指令(连续的或以其他方式)的机器。在一个实施例中，患者设备包括加速度计并且自动输入包括活动数据。在一个实施例中，患者设备包括心率监视器并且自动输入包括心率或心率变异性。在一个实施例中，患者设备包括可植入脉冲发生器并且自动输入包括场电位。

处理器1202可以进一步在搜索方法中使用患者输入、临床医生输入或自动输入，所述搜索方法被设计为评估多个候选神经调制参数集以识别最佳神经调制参数集。如本文件其他地方所述，可以使用各种搜索方法来评估一组程序或者遍历程序，以识别最佳的程序。

在一个实施例中，搜索方法包括排序算法，其使用来自患者的评分来对多个候选参数集进行排序，并且从多个候选参数集中移除未能满足阈值评分的参数集。

在一个实施例中，其中搜索方法包括梯度下降系统，其遍历多个候选参数集以优化候选参数集的维度。

在一个实施例中，搜索方法包括敏感性分析，其根据刺激变量和结果变量建立模型，并且使用回归模型来识别系数矢量。

处理器1202可进一步使用最佳神经调制参数集来对神经调制器进行编程以刺激患者。

通过示例，图13示出了利用搜索方法来搜索最佳神经调制参数集的方法1300的实施例。在1302处，在计算机化系统处访问患者输入、临床医生输入或自动输入中的至少一个。

在一个实施例中，患者输入包括主观数据。在各种实施例中，主观数据包括视觉模拟量表(VAS)、数字评分量表(NRS)、满意度评分，总体改变印象或活动水平。

在各种实施例中，临床医生输入包括所选择的神经调制参数集、所选择的神经调制参数集维度或搜索方法配置选项。在进一步的各种实施例中，所选择的神经调制参数集维度包括空间位置、频率、脉冲宽度，脉冲猝发或脉冲串内的脉冲数目、串间间隔、这些串的猝发频率、脉冲占空比、或猝发占空比。在另一实施例中，搜索方法配置选项包括神经调制参数集维度的测试范围、神经调制参数集测试的终止标准、测试神经调制参数集的时间量、候选神经调制参数集的最小评估时间或者被测试神经调制参数集的残存阈值。

在一个实施例中，自动输入包括从患者设备接收到的数据。在进一步的实施例中，患者设备包括加速度计并且自动输入包括活动数据。在另一实施例中，患者设备包括心率监视器并且自动输入包括心率或心率变异性。在另一实施例中，患者设备包括可植入脉冲发生器并且自动输入包括场电位。

在1304处，在搜索方法中使用患者输入、临床医生输入或自动输入，所述搜索方法被设计为评估多个候选神经调制参数集以识别最佳神经调制参数集。在一个实施例中，搜索方法包括排序算法，其使用来自患者的评分来对多个候选参数集进行排序，并且从多个候选参数集中移除未能满足阈值评分的参数集。在一个实施例中，搜索方法包括梯度下降方法，其遍历多个候选参数集以优化候选参数集的维度。在实施例中，搜索方法包括敏感性分析，其根据刺激变量和结果变量建立模型，并且使用回归模型来识别系数矢量。

在1306处，使用最佳神经调制参数集来对神经调制器进行编程以刺激患者。

图14是根据示例实施例以计算机系统1400的示例形式示出了机器的框图，在所述机器内可以执行一组或一系列指令，以致使该机器执行本文所讨论的方法中的任何一种。在可替选的实施例中，机器作为独立设备运行或者可以被连接(例如联网)至其他机器。在联网部署中，机器可以在服务器-客户端网络环境中以服务器或客户端机器的职责运行，或者其可以在对等(或分布式)网络环境中充当对等机器。该机器可以是个人计算机(PC)、平板电脑、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)、外部遥控器(RC)、用户编程器(CP)、外部试验刺激器(ETS)或任何能够执行指定该机器要采取的动作的指令(连续的或以其他方式)的机器。此外，虽然仅示出单个机器，但术语“机器”也应被理解为包括任何机器的集合，其单独地或联合地执行一个或多个指令集以执行本文所讨论的方法中的任何一个或多个。类似地，术语“基于处理器的系统”应被理解为包括一个或多个机器的任何集合，其由处理器(例如，计算机)控制或操作以单独地或联合地执行指令以执行本文所讨论的方法中的任何一个或多个。

示例计算机系统1400包括至少一个处理器1402(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)、主存储器1404和静态存储器1406，其经由链路1408(例如总线)相互通信。计算机系统1400可以进一步包括视频显示单元1410、字母数字输入设备1412(例如键盘)和用户界面(UI)导航设备1414(例如鼠标)。在一个实施例中，视频显示单元1410、输入设备1412和UI导航设备1414被并入触摸屏显示器中。计算机系统1400可以额外地包括存储设备1416(例如驱动单元)、信号生成设备1418(例如扬声器)、网络接口设备1420以及诸如全球定位系统(GPS)传感器、指南针、加速度计或其他传感器的一个或多个传感器(未示出)。

存储设备1416包括机器可读介质1422，在所述机器可读介质1422上存储体现本文所描述的方法或功能中的任何一个或多个或被其利用的一个或多个数据结构集和指令集1424(例如，软件)。在其由计算机系统1400执行期间，指令1424还可以完全或至少部分地驻留在主存储器1404、静态存储器1406之内和/或处理器1402之内，主存储器1404、静态存储器1406和处理器1402也构成机器可读介质。

虽然机器可读介质1422在示例实施例中被示出为单个介质，但术语“机器可读介质”可以包括存储一个或多个指令1424的单个介质或多个介质(例如，集中式或分布式数据库，和/或相关联的高速缓冲和服务器)。术语“机器可读介质”还应当被认为包括能够存储、编码或携带由机器执行并且致使机器执行本公开的方法中的任何一个或多个的指令或者能够存储、编码或携带被这种指令利用或与这种指令相关联的数据结构的任何有形介质。术语“机器可读介质”因此应被认为包括但不限于固态存储器以及光和磁介质。机器可读介质的具体示例包括非易失性存储器，通过示例所述非易失性存储器包括但不限于半导体存储器设备(例如，电可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM))和闪速存储器设备；诸如内部硬盘和可移动磁盘的磁盘；磁光盘；以及CD-ROM和DVD-ROM盘。

可以进一步利用众多众所周知的传输协议(例如HTTP)中的一种在通信网络1426上使用传输介质经由网络接口设备1420来传输或接收指令1424。通信网络的示例包括局域网络(LAN)、广域网络(WAN)、因特网络、移动电话网络、普通老式电话(POTS)网络和无线数据网络(例如Wi-Fi、3G以及4G LTE/LTE-A或WiMAX网络)。术语“传输介质”应被认为包括能够存储、编码或携带由机器执行的指令的并且包括数字或模拟通信信号的任何无形介质，或用于促进这种软件的通信的其他无形介质。

上述详细描述旨在为说明性的而不是限制性的。因此，本公开内容的范围应当参考所附权利要求以及这样的权利要求赋予的等同物的全部范围来确定。

Claims (14)

1.一种系统，所述系统包括：

处理器；以及

存储器设备，其包括指令，当所述指令由所述处理器执行时，致使所述处理器：

基于患者输入、临床医生输入或自动输入中的至少一个来访问反馈输入；

通过实施具有适应性学习的自动化迭代搜索方法来识别要编程为神经调制器的神经调制参数集，所述具有适应性学习的自动化迭代搜索方法被设计为使用反馈输入来选择一个或多个候选神经调制参数集的安排以用于评估；并且

使用所述自动化迭代搜索方法所识别的所述神经调制参数集对神经调制器进行编程。

2.根据权利要求1所述的系统，其中，所述患者输入包括主观数据。

3.根据权利要求2所述的系统，其中，所述主观数据包括视觉模拟量表(VAS)、数字评分量表(NRS)、满意度评分，总体改变印象或活动水平。

4.根据权利要求1所述的系统，其中，所述临床医生输入包括所选择的神经调制参数集、所选择的神经调制参数集维度或搜索方法配置选项。

5.根据权利要求4所述的系统，其中，所述所选择的神经调制参数集维度包括空间位置、频率、脉冲宽度、脉冲猝发或脉冲串内的脉冲数目、串间间隔、这些串的猝发频率、脉冲占空比、或猝发占空比。

6.根据权利要求4所述的系统，其中，所述搜索方法配置选项包括神经调制参数集维度的测试范围、神经调制参数集测试的终止标准、用于对神经调制参数集进行测试的时间量、候选神经调制参数集的最小评估时间或者被测试的神经调制参数集的残存阈值。

7.根据权利要求1所述的系统，其中，所述自动输入包括从患者设备接收到的数据。

8.根据权利要求7所述的系统，其中，所述患者设备包括加速度计并且所述自动输入包括活动数据。

9.根据权利要求7所述的系统，其中，所述患者设备包括心率监视器并且所述自动输入包括心率或心率变异性。

10.根据权利要求7所述的系统，其中，所述患者设备包括可植入脉冲发生器并且所述自动输入包括场电位。

11.根据权利要求1所述的系统，其中，所述搜索方法包括排序算法，其使用来自患者的评分来对所述多个候选神经调制参数集进行排序，并且从所述多个候选神经调制参数集中移除未能满足阈值评分的参数集。

12.根据权利要求1所述的系统，其中，所述搜索方法包括梯度下降系统，其遍历多个候选神经调制参数集以优化所述候选神经调制参数集的维度。

13.根据权利要求1所述的系统，其中，所述搜索方法包括敏感性分析，其根据刺激变量和结果变量建立模型，并且使用回归模型来识别系数矢量。

14.一种机器可读介质，其包括指令，当所述指令由机器执行时，致使所述机器：

基于患者输入、临床医生输入或自动输入中的至少一个来访问反馈输入；

通过实施具有适应性学习的自动化迭代搜索方法来识别要编程为神经调制器的神经调制参数集，所述具有适应性学习的自动化迭代搜索方法被设计为使用反馈输入来选择一个或多个候选神经调制参数集的安排以用于评估；并且

使用所述自动化迭代搜索方法所识别的所述神经调制参数集对神经调制器进行编程。

Images