CN111107786A - 实际信号时间变动小波解析的应用 - Google Patents

实际信号时间变动小波解析的应用 Download PDF

Info

Publication number
CN111107786A
CN111107786A CN201880060943.XA CN201880060943A CN111107786A CN 111107786 A CN111107786 A CN 111107786A CN 201880060943 A CN201880060943 A CN 201880060943A CN 111107786 A CN111107786 A CN 111107786A
Authority
CN
China
Prior art keywords
signal
pain
stimulus
wavelet
processing
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201880060943.XA
Other languages
English (en)
Inventor
中江文
石光俊介
田中大辅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Osaka University NUC
Hiroshima City University
Original Assignee
Osaka University NUC
Hiroshima City University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Osaka University NUC, Hiroshima City University filed Critical Osaka University NUC
Publication of CN111107786A publication Critical patent/CN111107786A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B10/00—Other methods or instruments for diagnosis, e.g. instruments for taking a cell sample, for biopsy, for vaccination diagnosis; Sex determination; Ovulation-period determination; Throat striking implements
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A61B5/372—Analysis of electroencephalograms
    • A61B5/374—Detecting the frequency distribution of signals, e.g. detecting delta, theta, alpha, beta or gamma waves
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A61B5/377—Electroencephalography [EEG] using evoked responses
    • A61B5/383—Somatosensory stimuli, e.g. electric stimulation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4824—Touch or pain perception evaluation
    • A61B5/4827—Touch or pain perception evaluation assessing touch sensitivity, e.g. for evaluation of pain threshold
    • A61B5/483—Touch or pain perception evaluation assessing touch sensitivity, e.g. for evaluation of pain threshold by thermal stimulation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Psychiatry (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Molecular Biology (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Physics & Mathematics (AREA)
  • Psychology (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Signal Processing (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Hospice & Palliative Care (AREA)
  • Pain & Pain Management (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Child & Adolescent Psychology (AREA)
  • Developmental Disabilities (AREA)
  • Social Psychology (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明提供一种不用事先处理信号，通过同时进行小波变换，不用采取控制等而能够实时(real time)地解析的手法。本发明提供一种能够客观性且准确地对估计对象所具有的疼痛进行估计，进而能够将其质及量简易地分类的疼痛估计方法及装置。本发明提供一种对于刺激的对象的信号的处理方法，包括：a)从该对象得到对于刺激的信号的步骤；b)对于该信号使用该信号的一部分或全部来实施互相关处理的步骤；c)根据通过b)得到的处理结果来算出该信号的特征量及与该刺激关联的系数的步骤。

Description

实际信号时间变动小波解析的应用
技术领域
本发明涉及互相关处理，例如实际信号时间变动小波解析的应用。作为具体例，本发明涉及使用实际信号时间变动小波解析对脑电波进行解析而用于判定疼痛的技术。
背景技术
作为测定疼痛的技术，已知有Pain Vision等将疼痛数值化的技术，但是这是将主观性的感觉以通过对象按下按钮而通知的数据为基础进行数值化的技术，因此缺乏客观性。
已知有使用诱发电位从脑电波测定脑活动的技术，作为发现神经障碍的手段的开发也在不断进展。然而，尚未进行疼痛的大小的测定。
另一方面，在信号处理中经常利用小波解析。关于这一点，向生物体信号等的应用也在不断扩大。小波解析需要与控制进行比较，在从对象进行控制测定的情况困难的状况下难以应用。
在日常诊疗中，屡屡需要基于镇痛药减轻疼痛。然而，镇痛药的效果在个体间存在差异，因此本发明的发明者们无法定义标准。上述的差异通过个人的健康状态、性别及不安的等级能观察到。因而，难以事先确定需要镇痛药的医药投药量。目前，尚未规定疼痛的客观性评价基准。医师基于受验者对疼痛等级的自我评价来确定正确的投药量。因而，在一部分情况下，受验者会被给予不适当的量的镇痛药。过剩量会产生严重的并发症或药物依赖。在该观点来看，用于确定各受验者所需的镇痛药的量的客观性疼痛评价有助于健康的生活。视觉模拟评分法(VAS)是用于疼痛诊断的有用的主观性评价法(非专利文献1)。最简单的VAS是一定的长度、通常100mm的、左右方向的直线。末端被规定为要测定的参数(症状、疼痛、健康)的极限值，从左(最差)向右(最好)取向。受验者将表示针对自身现状的自身的认识的点标记在线上。存在有使用电刺激来测定疼痛强度的另一评价法(非专利文献2)。然而，受验者的主观性陈述仍是必需的。使用核磁共振图像法(MRI)的脑功能解析是客观性评价法(非专利文献3)。是受验者被限制在封闭的场所内约30分钟的侵袭性方法。MRI需要大规模的设备，因此日常难以使用MRI。此外，MRI需要能够操纵装置的技师。
在先技术文献
专利文献
非专利文献1：N.Hirakawa,“Evaluation Scale of Pain”,Anesthesia21Century Vol.13,No.2-40,pp4-11,2011
非专利文献2：H.Arita,“Pain VisionTM”,Anesthesia 21Century Vol.13,No.2-40,pp11-15,2011
非专利文献3：H.Fukuyama,M.D.,Ph.D.,“Tips on the functional brainimaging analysis”,The Journal of Japan Society for Cognitive Neuroscience,Vol12,No.3,2010
发明内容
用于解决课题的手段
本发明提供一种不用事先对信号进行处理、而是通过同时进行互相关处理(例如，小波变换)从而不采取控制等就能够实时(real time)地进行解析的手法。在一个实施方式中，本发明的发明者们发现了：关于在疼痛等级的判别解析中使用的脑电波特征量(振幅、频率功率等)，将制作时间变动小波并经标准化的实际信号向经标准化的原始的脑电波数据卷积(convolution)，生成互相关(例如，自相关)特征量，由此使用其而能够更准确地进行疼痛刺激的判别。基于生物学信号等信号的解析能够进行疼痛等异常事件的客观性估计。
更详细而言，在互相关处理的具体例中使用的疼痛是通过感觉神经向脑传递的不舒适的感觉。医药及镇痛药的用量通过疼痛等级来确定。然而，用于评价疼痛的客观性基准还未确立。因而，存在对受验者给予不适当的用量的镇痛药的危险性。因此，本发明的发明者们提出了基于生物学信号、主要是脑电波(EEG)、使用常规性的设备来估计受验者的疼痛的方法。具体而言，本发明的发明者们使用小波变换及低频成分与高频成分之间的比率(LF/HF)提取疼痛的特征。此外，本发明的发明者们提出了使用EEG的母小波的、将焦点聚集于生物学信号的自相似性的新的小波解析。本发明的发明者们将EEG、皮肤电导、末梢血毛细血管氧饱和度(SpO2)及脉搏作为由温度刺激引起的生物学信号进行监视。在互相关处理的具体例中，将实施例例示的刺激交替地表现于20人或更多的健康的受检体。在应用了感觉到痛苦的刺激的情况下，通过EEG的α波带得到的特征减弱。其理由被认为是，EEG的波形由于疼痛而变得不稳定，因此自相似性崩溃的缘故。
在互相关处理的具体例中，本发明的发明者们研究了评价疼痛等级的客观性方法。在本发明的方法中，使用常规性的设备、主要基于来自于EEG的生物学信号对受验者的疼痛进行检测。本发明的发明者们除进行了EEG的监视之外，还通过SpO2测定氧饱和度的程度、脉搏及皮肤电导。在EEG解析中，本发明的发明者们也研究了α波。本发明的方法使用小波变换，也研究了EEG的自相似性。通常而言，在评价分形维数的情况下，几乎全部的生物学信号具有一定程度的自相似性，由此本发明的发明者们能够区分健康的状态与伴有痛苦的状态。该实验是对人进行的，为侵袭性的，因此遵照伦理准则实施。
因此，本发明提供以下方案。
(1)一种对于刺激的对象的信号的处理方法，其中，包括：
a)从该对象得到对于刺激的信号的步骤；
b)对于该信号使用该信号的一部分或全部来实施互相关处理的步骤；
c)根据通过b)得到的处理结果来算出该信号的特征量及与该刺激关联的系数的步骤。
(2)根据项目1记载的方法，其中，所述互相关处理包括自相关处理。
(3)根据项目1或2记载的方法，其中，所述相关处理包括求出按各时间的自相似性。
(4)根据项目1～3中任一项记载的方法，其中，所述信号不具有自相似性或具有缺失部分。
(5)根据项目1～4中任一项记载的方法，其中，所述信号是生物体信号。
(6)根据项目1～5中任一项记载的方法，其中，所述生物体信号是脑信号。
(7)根据项目1～6中任一项记载的方法，其中，所述相关处理包括实际信号小波变换。
(8)根据项目1～7中任一项记载的方法，其中，在所述b)中，还包括将所述小波变换后的信号卷积(convolution)处理至变换前的所述信号数据中。
(9)根据项目1～8中任一项记载的方法，其中，所述相关处理包括制作时间变动小波的处理、所述信号的归一化和该归一化的该信号的卷积(convolution)。
(10)根据项目1～9中任一项记载的方法，其中，所述相关处理包括进行瞬时相关解析。
(11)根据项目1～10中任一项记载的方法，其中，所述b)步骤包括：
b-1)截取所述信号的区间的步骤；
b-2)从所述信号生成母小波的步骤；
b-3)根据需要对该母小波进行伸缩而解析与该信号的相关的步骤；
b-4)反复进行将b-1)～b-3)直至该信号的解析所需的部分被解析的步骤。
(12)根据项目1～11中任一项记载的方法，其中，所述信号包括通过δ、θ、α、β、γ的频带及四个电极算出的至少一个信号。
(13)根据项目1～12中任一项记载的方法，其中，所述特征量与所述系数通过Sigmoid拟合或多元回归模型以能够最好地判别所述刺激的所述等级的方式建立关联。
(14)一种对象的分析方法，其中，
所述方法包括使用通过项目1～13中任一项记载的方法得到的所述特征量及所述系数来分析所述对象的对所述刺激的反应的步骤。
(15)根据项目14记载的方法，其中，所述反应包含包括疼痛。
(16)一种进行对象的信号的处理的装置，其中，包括：
A)从对象得到信号的信号获取部；
B)对于该信号使用该信号的一部分或全部来实施互相关处理的处理部；
C)从通过B)得到的处理结果来算出该信号的特征量及与该刺激关联的系数的算出部。
(16A)根据项目16记载的装置，其中，其还包括项目1～15中的任一个或多个特征。
(17)一种对象的分析装置，其中，包括：
A)从对象得到信号的信号获取部；
B)对于该信号使用该信号的一部分或全部来实施互相关处理的处理部；
C)根据通过B)得到的处理结果来算出该信号的特征量及与该刺激关联的系数的算出部；和
D)使用该特征量及该系数来分析该对象的特征的分析部。
(17A)根据项目17记载的装置，其中，其还包括项目1～15中的任一个或多个特征。
(18)一种程序，其使计算机实施对于刺激的对象的信号的处理方法，其中，
该方法包括：
a)从该对象得到对于刺激的信号的步骤；
b)对于该信号使用该信号的一部分或全部来实施互相关处理的步骤；和
c)根据通过b)得到的处理结果来算出该信号的特征量及与该刺激关联的系数的步骤。
(18A)根据项目18记载的程序，其中，还包括项目1～15中的任一个或多个特征。
(19)一种程序，其使计算机实施对象的分析方法，其中，
该方法包括：
a)从该对象得到对于刺激的信号的步骤；
b)对于该信号使用该信号的一部分或全部来实施互相关处理的步骤；
c)根据通过b)得到的处理结果来算出该信号的特征量及与该刺激关联的系数的步骤；和
d)使用该特征量及该系数来分析所述对象的对于所述刺激的反应的步骤。
(19A)根据项目19记载的程序，其中，还包括项目1～15中的任一个或多个特征。
(20)一种记录介质，其保存有程序，该程序使计算机实施处理对于刺激的对象的信号的方法，其中，
该方法包括：
a)从该对象得到对于刺激的信号的步骤；
b)对于该信号使用该信号的一部分或全部来实施互相关处理的步骤；
c)根据通过b)得到的处理结果来算出该信号的特征量及与该刺激关联的系数的步骤。
(20A)根据项目20记载的记录介质，其中，其还包括项目1～15中的任一个或多个特征。
(21)一种记录介质，其保存有程序，该程序使计算机实施对象的分析方法，其中，
该方法包括：
a)从该对象得到对于刺激的信号的步骤；
b)对于该信号使用该信号的一部分或全部来实施互相关处理的步骤；
c)根据通过b)得到的处理结果来算出该信号的特征量及与该刺激关联的系数的步骤；
d)使用该特征量及该系数来分析所述对象的对于所述刺激的反应的步骤。
(21A)根据项目21记载的记录介质，其中，还包括项目1～15中的任一个或多个特征。
在本发明中，上述一个或多个特征除了明示的组合之外，还可进一步组合来提供。关于本发明的更多的实施方式及优点，只要根据需要阅读并理解以下的详细说明，即可为本领域技术人员所知。
发明效果
本发明对于主观性疼痛的推移，不用另行测定控制而能够同时(实时)准确地监视。本发明还能够基于被准确地记录的疼痛的推移，更精细地进行与主观一致的治疗或手术，在医疗关联产业中具有有用性。
附图说明
图1是表示热刺激图案与VAS的对比的图。
图2是在实施例1中采集的全部的生物体信号。从上方起分别示出刺激、SpO2、皮肤电导、脉搏及EEG。
图3中，上图板示出伴随刺激的LH/HF及R-R间隔频率。下图板示出没有刺激的LH/HF及R-R间隔频率。
图4示出通过EEG得到的特征量。
图5示出预备实验结果。是母小波(MW)使用了“无刺激”时的脑电波的情况的结果。在与MW相关高的时间段检测到更高的数值。判明了：自然界具有自相似性，当变得不稳定时其发生变形的情况。将其应用于疼痛的检测即为本发明。
图6是本发明的实际时间小波解析的示意图。
图7示出使用了高温刺激的实验范例。包含6级的疼痛等级，各等级包含3个刺激，各刺激持续了15秒钟。疼痛等级的判别分析包含作为“疼痛弱”条件的等级1、2，作为“疼痛强”条件的包含等级5、6。参加者为40名，判别使用的样本全部为160。作为特征量，使用了Fz、Cz、C3、C4这4个电极、5个频带(δ、θ、α、β、γ)的20个特征量。
图8示出使用了实际信号小波特征量和Sigmoid函数的、高温疼痛2等级(160样本)的判别分析的结果。与Sigmoid近似函数的拐点对应的判别值为“0.4728”，判别精度在整体上实现了“67.5％”。
图9是基于Sigmoid函数的调制幅度的特征量的判别精度的鲁棒性指标。最小近似值和最大近似值的调制幅度越大，则与疼痛的强弱相关的特征量之差越大，判别精度越高。
图10示出与疼痛等级变化相伴的α频带和β频带的特征量的变化。实际信号小波特征量与频率功率特征量相比，伴随着从疼痛等级弱向强等级的变化的调制幅度增大。
图11示出5个频带(δ、θ、α、β、γ)的、实际信号小波与频率功率特征量的调制幅度的比较检验结果。在所有频带中，实际信号小波存在调制幅度显著地增大的倾向。
图12示出电刺激范例(3等级)的方法。实验范例包含3个强度等级(弱→强)，各等级包含3个刺激。各刺激呈现时间为15秒。将“疼痛等级弱和强”的3个刺激独立地使用于判别分析，进行了总计246个样本(强弱等级(2)×刺激数(3)×41名)的判别。按照各刺激算出平均振幅、频率功率、以及实际信号小波特征量。
图13示出电刺激疼痛等级的判别模型的特征量系数(45个特征量)的结果。左侧示出未加入实际信号小波而仅通过平均振幅、频率功率进行判别分析时的情况，右侧示出加入了实际信号小波特征量时的情况。可知在将小波特征加入到解析中的情况下，特征量系数的绝对值更高，在模型中的贡献度高。
图14示出电刺激强弱2等级的1000次的判别精度检验结果。左侧示出未加入实际信号小波时的情况，右侧示出加入了实际信号小波时的情况。仅通过加入小波，判别精度提高10％左右，表现出约65％的判别精度。
图15示出在基于机械学习的疼痛等级判别中使用的电刺激实验范例。包含3个强度等级，各等级包含3个刺激。刺激呈现时间为15秒。将“疼痛等级弱和强”的3个刺激独立地使用于判别分析，全部进行了246个样本的判别。使用与实际信号小波特征量在质、量上对应的频率功率进行判别分析，将两者进行了比较。
图16示出判别分析的流程。判别分析使用了作为带教师的机械学习之一的Support Vector Machine Recursive Feature Elimination(SVM RFE；支持向量机-递归特征消除)。使用20个实际信号小波，训练与疼痛强弱2等级相关的246个样本的判别模型，验证判别精度。首先，将20个特征量的模型的贡献度递归聚集，求出了全部20个的排序。从前部排名的特征量开始一个个地增加，进行了246个样本的留一法交叉验证。
图17示出使用了实际信号小波和频率功率的SVM的判别精度的比较结果。使用了实际信号小波时的最高判别精度为“71.1％”，涉及12个特征量。另一方面，在频率功率的情况下，最高判别精度为“62.6％”，判别精度下降了约10％。而且，示出了特征量也增多3个、成为非经济性且判别精度低的模型的情况。
图18是表示本发明的方法的流程图。
图19是表示本发明的装置结构的框图。
具体实施方式
以下，对本发明进行说明。在整个本说明书中，单数形式的表现只要没有特别提及，就应理解为也包含其复数形式的概念。因此，单数形的冠词(例如，在英语的情况下的“a”、“an”、“the”等)只要没有特别提及，就应理解为也包含其复数形式的概念。而且，在本说明书中使用的用语只要没有特别提及，就应理解为在该领域通常使用的意义下使用。因此，只要没有另行定义，本说明书中使用的全部的专门用语及科学技术用语具有与本发明所属领域的本领域技术人员通常所理解的含义相同的含义。在矛盾的情况下，以本说明书(包含定义)优先。
(定义)
首先，说明在本发明中使用的用语及一般性的技术。
在本说明书中，“对象”是指成为本发明的信号分析的对象的实体，只要能够发出信号(例如，对生物的疼痛、舒适/不舒适、情绪等进行解析时的该生物(例如，其脑电波等)、发动机、对谐波振动的变形等进行解析时的机械、地震时的地球或大地等)，就包含于对象的范围。在生物、人的情况下，称为患者(patient)或受验体、受检体、受检者或受验者(subject)。在疼痛作为解析的目标的情况下，是指疼痛测定及脑电波测定等本公开的技术设为对象的任意的生物体或动物。作为对象，优选人，但是不限定于此。在本说明书中，在进行疼痛的估计的情况下，作为“估计对象”，这是与对象等相同的意思。
在本说明书中，“信号”在该领域的通常的意义下使用。是指为了传递或表现信息而使用的量或状态。存在电压、电流、各种波的振幅、仪表指针的位置、开关的开闭的状态、化学组成等各种各样的形式。代表性地具有波的性质，也称为信号波，具有能够传递信息、通报、效果等的性质。在对象为脑的情况下，也可以称为脑电波(信号)等。
在本说明书中，“脑电波”是与该领域通常使用的脑电波同义，是指在头皮上放置一对电极并通过与脑的神经活动相伴的电位差而产生的电流。脑电波包含导出记录了电流的时间性变化的脑电图(electroencephalogram，EEG)。在安静时，振幅约50μV，频率10Hz前后的波为主成分。将其称为α波。在精神活动时，α波被抑制，出现振幅小的17～30Hz的速波，将其称为β波。在浅睡眠时期α波逐渐减少而出现4～8Hz的θ波。在深睡眠中出现1～4Hz的δ波。上述的脑电波能够以特定的振幅及频率记述。
在本说明书中。“脑电波数据”是与脑电波相关的任意的数据(也称为“脑活动量”、“脑特征量”等)，包含振幅数据(EEG振幅、频率特性等)。对上述的脑电波数据进行分析而得的“分析数据”可以与脑电波数据同样使用，因此在本说明书中，有时一并称为“脑电波数据或其分析数据”。作为分析数据，例如，可以列举出脑电波数据的平均振幅或峰振幅(例如，Fz、Cz、C3、C4)、频率功率(例如，Fz(δ)、Fz(θ)、Fz(α)、Fz(β)、Fz(γ)、Cz(δ)、Cz(θ)、Cz(α)、Cz(β)、Cz(γ)、C3(δ)、C3(θ)、C3(α)、C3(β)、C3(γ)、C4(δ)、C4(θ)、C4(α)、C4(β)、C4(γ)等)等。当然，作为脑电波数据或其解析数据，并不排除通常使用的其他的数据。本发明中的实际信号小波也称为基于上述的一次脑电波数据而派生的脑电波数据，也称为“二次脑电波数据”或“派生脑电波数据”。
在本说明书中，“振幅数据”是波的数据的一种，在脑电波等中表示重要的作用。代表性地可列举出脑电波的振幅的数据。在脑电波的情况下，有时也简称为“振幅”，还可以称为“EEG振幅”。这样的振幅数据是脑活动的指标，因此有时也称为“脑活动数据”“脑活动量”等。在脑电波的情况下，通过测定脑电波的电信号能够得到振幅数据，由电位(可由μV等表示)表示。作为振幅数据，能够使用平均振幅，但是不限定于此。
在本说明书中，所谓“频率功率”，是将波形的频率成分作为能量来表达，也称为功率谱。关于频率功率，可以利用高速傅里叶变换(FFT)(在计算机上高速计算离散傅里叶变换(DFT)的算法)，提取掩埋在时域的包含噪声的信号内的信号的频率成分并对其进行计算，从而算出。关于信号的FFT，可以使用例如MATLAB的函数周期图(periodgram)对其输出进行归一化而算出功率谱密度(PSD)、或者成为功率的测定源的功率谱。PSD表示时间信号的功率关于频率怎样分布，单位为瓦特/赫兹(w/Hz)。将PSD的各点遍及定义了该点的频率范围(即遍及PSD的分辨率带宽)进行积分计算功率谱。功率谱的单位为瓦特。关于功率的值，可以不遍及频率范围进行积分而是直接从功率谱中读取。PSD和功率谱都是实数，因此不会包含任何相位信息。这样，频率功率的计算可以通过MATLAB的标准功能来算出。在本发明的技术中，也可以以这样的频率功率为对象。
“痛”和“疼痛”为相同含义，都是指在身体部分有伤害、炎症等一般而言强的侵害时、将其作为刺激而产生的感觉。对人而言，作为与强烈的不适感相伴的感觉也包含于一般感觉之中。而且，皮肤痛觉等在某种程度上也具备外部接受度的性格，与其他的皮肤感觉、味觉协同有助于对外物的硬度、锐度、热度(热痛)、冷度(冷痛)、辣等定性的判断。人的痛觉除了皮肤、粘膜以外，还可能产生于身体的几乎所有部分(例如、胸膜、腹膜、内脏(内脏痛觉，脑除外)、牙、眼和耳等)，均能够在脑中作为脑电波或其变动而被感知。此外，内脏痛所代表的内部痛觉也同样包含于痛觉中。上述的痛觉相对于内脏痛而言被称为躯体痛。除了躯体痛和内脏痛之外，还有关于与实际受到伤害的部位不同的部位的表面疼痛那样的现象即“牵涉痛”这一痛觉的报告。本发明提供一种实时地在不进行伴有疼痛的控制实验等的情况下对主观性的疼痛等级客观性地进行测定或判别的手法。
关于痛觉，在感受性(痛阈)上存在个体差异，并且根据疼痛刺激的发生方式和/或受体部位的差异而存在质的差异，存在钝痛、锐痛等分类，但在本公开中对任意种类的痛觉均能够进行测定、估计和分类。另外，也能够应对急性痛觉(A痛觉)、慢性痛觉(B痛觉)、(急性)局部疼痛和(慢性)弥漫性疼痛。本发明能够应对痛觉异常过敏等痛觉异常症等。在传递痛的末梢神经中已知有“Aδ纤维”和“C纤维”这两个神经纤维，例如当拍手时一开始的痛通过Aδ纤维的传导，传递定位清晰的尖锐的痛(原发性疼痛；锐痛)。之后，通过C纤维的传导，感觉到定位不清晰的刺痛的痛(继发性疼痛；钝痛)。痛分类为持续4-6个星期以内的“急性疼痛”和持续4-6个星期以上的“慢性疼痛”。痛虽然是与心拍、体温、血压、呼吸并列的重要的生命体征，但却难以作为客观数据来表征。代表性的疼痛评分法如视觉模拟评分法(visual analogue scale,VAS)、面部表情疼痛评分法(faces pain rating scale)均是主观的评价法，无法对受验者之间的痛进行客观的评价和受验者相互之间的比较。而且，上述的方法原本是以向受验者施加疼痛为前提的方法，侵袭性高，顺从性低。考虑到这些，本发明的发明者们开发出下述手法：作为疼痛的客观性评价用的指标，不对脑电波进行预先的处理而能够同时(实时)地进行分析，并得出了任何种类的疼痛都能够判别及分类。无论是对瞬间刺激还是持续刺激都能够检测。
在本说明书中，“主观的疼痛感觉等级”是指对象具有的疼痛感觉的等级，可以使用计算机化的视觉模拟评分法(COVAS)等惯用技术或其他公知技术、例如支持性团队测量量表(Support Team Assessment Schedule(STAS-J))、数字评分法(Numerical RatingScale(NRS))、面部表情疼痛评分法(Faces Pain Scale(FPS))、Abbey疼痛评估量表(Abbeypain scale(Abbey))、非言语疼痛评估量表(Check list of Nonverbal PainIndicatiors(CNPI))、交流障碍病人疼痛评估工具(Non-communicative Patient’s PainAssessment Instrument(NOPPAIN))、老年痴呆病人疼痛评估量表(Doloplus2)等来表达。本发明的技术提供一种能够置换上述的主观性疼痛感觉等级的技术。
在本发明中，对是否为“需要治疗的”疼痛也能够大致实时地区分，这是重要的点之一。因此，以“治疗”这样的概念为轴能够使“疼痛”的类别明确也至关重要。而且，由于能够精确地判别，因此是也能够进行例如“舒适不舒适”或“无法耐受”这样的疼痛的“质的”分类的技术。而且，通过将本发明中的实际信号小波特征量使用在判别模型中，能够提高上述疼痛的质的、量的差异的判别精度，使检测力上升。
在本说明书中，“刺激”包括能使痛觉产生的任意的刺激。例如，包括电刺激、冷刺激、热刺激、物理刺激、化学刺激等。在本发明中，刺激可以是任意的刺激。关于刺激的评价，例如可以使用计算机化的视觉模拟评分法(COVAS)等惯用技术或其他的公知技术、例如支持性团队测量量表(Support Team Assesment Schedule(STAS-J))、数字评分法(Numerical Rating Scale(NRS))、面部表情疼痛评分法(Faces Pain Scale(FPS))、Abbey疼痛评估量表(Abbey pain scale(Abbey))、非言语疼痛评估量表(Check list ofNonverbal Pain Indicatiors(CNPI))、交流障碍病人疼痛评估工具(Non-communicativePatient’s Pain Assessment Instrument(NOPPAIN))、老年痴呆病人疼痛评估量表(Doloplus2)等，使其与主观的疼痛感觉等级相对应。作为能被用作刺激强度的值，可以举出例如伤害感受阈值(nociceptive threshold；使伤害感受纤维产生神经脉冲的阈值)、痛觉判别阈值(pain detection threshold；人能够感知为疼痛的侵害刺激的强度)以及痛觉容许限度阈值(pain tolerance threshold；人在实验方面能容许的侵害刺激之中最强的刺激强度)等。
在本说明书中，“互相关处理”是指导出与某些对象的互相关的关系。是指对2个信号波形进行相关处理，研究2个波形间的相似度，也包括互相关处理的对象是自己的情况，在该情况下称为自相关处理。
在本说明书中，“自相关处理”是指对于一个信号波形进行相关处理，研究该信号的一部分相对于除此之外的部分以何种程度相似的处理。
在本说明书中，“自相似(性)”(self-similar)是指在某种意义上整体与局部相似。作为代表性的图形，有分形图形。
在本说明书中，“特征量”是将对象具有的任意的特征进行了数值化的量，例如在脑的情况下，可列举出脑电波数据及其分析数据等。作为这样的例子，可以列举出脑电波数据的平均振幅、峰振幅(例如，Fz、Cz、C3、C4)，频率功率(例如，Fz(δ)、Fz(θ)、Fz(α)、Fz(β)、Fz(γ)、Cz(δ)、Cz(θ)、Cz(α)、Cz(β)、Cz(γ)、C3(δ)、C3(θ)、C3(α)、C3(β)、C3(γ)、C4(δ)、C4(θ)、C4(α)、C4(β)、C4(γ)等)等。而且，本发明的实际信号小波特征量也称为从上述的一次特征量派生的“二次特征量”或“派生特征量”，是将特定的脑信号特性放大而得的。上述的二次特征量及派生特征量也可以在本发明中使用。
在本说明书中，“系数”是指与各特征量关联的系数(例如，回归系数)。系数表示：关于各特征量，何种程度的关联与对象的解析相伴。能够向合适的函数进行“拟合”而进行解析。例如，关于某测定值或由此得到的曲线，以使之近似于某函数的方式适用的技术称为“拟合(fitting)”，可以基于任意的手法实施。例如，可以使用公知的Sigmoid拟合函数。作为这样的例子，可以列举最小平方拟合、非线性回归拟合(MATLAB的nlinfit函数等)等。
在本说明书中，“与刺激相关联的系数”是指与成为疼痛刺激的基础的刺激(例如，冷刺激、物理刺激等)、以及其强度或不舒适度等的刺激等级、或对应的特征量建立了关联的系数。
在进行了拟合之后，关于近似的曲线，算出回归系数，能够判断该曲线在本发明中是否能使用，是否优选。作为回归系数，回归式模型是有意义的，经调整的确定系数(R2)为0.5以上、0.6以上、0.7以上、0.8以上、0.85以上、0.9以上等，数值越接近“1”则越优选，越是高的数值则信用性越高。或者，也可以使用特定的阈值，将估计值和实测值归类，并通过将两者比对来验证拟合的精度(在本发明中所说的解析的判别精度就是指该精度)。在该情况下，可以将全部的特征量进行平均汇总，制作在判别中使用的拟合函数，但是也可以关于各个特征量进行拟合，通过系数表示近似程度，并通过算出疼痛等级的判别精度，来进行特征量间的比较研究。
在本说明书中，“小波(变换、解析、法)”是频率解析的手法之一，是通过将小的波(小波)进行缩放、平移并相加而要表现被施加的输入的波形的手法。作为基底函数，通常使用母小波(分析小波)。在傅里叶变换中，在解析内使用数个周期的基底函数，但是在小波中为1周期，其结果是，能得到多重析像度的结果，能够取出不连续点等有用的信息。而且，在本发明发现了：通过进行小波解析，将噪声除去，能够提取有意义的信号，能够提取脑电波包含的疼痛的信息等。本说明书中的说明在以下的节中详细叙述。
在本说明书中，“实际信号小波(解析、变换)”是指使用实际的信号作为基底函数的小波(解析、变换)。
在本说明书中，“时间变动(时变)小波(解析、变换)”是指按各时间段(timeframe)不同地制作的小波(解析、变换)，将使用了时间变动小波的解析称为时间变动小波解析。
在本说明书中，疼痛的“分类”可以在各种观点下进行。作为代表性的例子，包含估计对象以“痛”或“不痛”分类的情况，但是除此以外，也可想到虽然感觉疼痛，但是分类成强疼痛与弱疼痛、或“能够忍耐的”疼痛与“无法忍耐的”疼痛的手法。除此以外也可以列举出分类成“痛且不舒适”与“虽然痛但舒适”的手法。使用本公开，通过观察单调增加和单调减少，能够按时间序列判定/估计对象感觉到的是无法忍耐的强疼痛还是弱疼痛。
(优选的实施方式)
以下，说明本发明的优选的实施方式。以下提供的实施方式是为了更好地理解本发明而提供的方式，可知本发明的范围不应限定为以下的记载。因此，可知本领域技术人员参照本说明书中的记载在本发明的范围内可以进行适当改变。而且，可知本发明的以下的实施方式可以单独使用或者将它们组合使用。
另外，以下说明的实施方式都表示包括性的或具体的例子。以下的实施方式中所示的数值、形状、材料、构成要素、构成要素的配置位置及连接方式、步骤、步骤的顺序等为一例，并非旨在限定权利要求书。而且，关于以下的实施方式的构成要素中的表示最上位概念的独立权利要求未记载的构成要素，作为任意的构成要素来说明。
(同时互相关信号处理)
在一个方案中，本发明提供一种对于刺激的对象的信号的处理方法，该方法包括：A)从该对象得到对于刺激的信号的步骤；B)对于该信号使用该信号的一部分或全部实施互相关处理的步骤；C)根据通过B)得到的处理结果来算出该信号的特征量及与该刺激关联的系数的步骤。互相关处理包括自相关处理及非自相关处理的互相关处理，在非自相关处理的互相关处理的情况下，能通过脑电波信号不同的波道一边制作基底一边解析。作为这样的具体例，可考虑例如通过来自枕叶部的基底对额叶进行解析等相关处理。
在一个实施方式中，本发明使用的互相关处理包括自相关处理。在一个实施方式中，在本发明的相关处理(包括互相关处理、自相关处理)中，包含求出各时间的自相似性的情况。
在一个实施方式中，本发明设为对象的信号不具有自相似性。例如，包括检测疼痛时的脑电波数据等，此外，可以将对舒适不舒适、情绪等进行解析时的该生物(例如，其脑电波等)、发动机、对谐波振动的变形等进行解析时的机械、地震时的地球、大地等作为对象。
在一个实施方式中，所述信号是生物体信号。生物体信号在失去了自相似性的情况下，多表现出异常状态，能够对它们实时且瞬时地进行判定是重要的效果。优选的是，生物体信号是脑信号。
在一个实施方式中，在本发明中相关处理(包括互相关处理及自相关处理)可以使用实际信号小波变换来进行。所谓实际信号小波变换，是小波解析中的使用实际信号作为基底函数的手法，使用Garbor函数等既存的函数的手法是对照性的手法。小波变换包括连续小波变换和离散小波变换，都可以在本发明中利用。优选使用连续小波变换。在连续小波变换中，计算机中的处理比较容易，通常能够进行比离散小波变换更致密的解析。另一方面，在离散小波变换中，能够进行逆变换，对一次变换后的信息进行加工而进行逆变换，由此能够在噪声的去除等中应用。
更详细而言，连续小波变换的小波系数由数学式1提供，
[数学式1]
Figure BDA0002417935530000171
式中x(t)表示解析对象的信号(例如，EEG)的时域信号，a及b分别是放大及翻译参数。参数a与频率相关，b与时间相关。*表示复共轭。作为母小波Ψ(t)，可以使用任意的小波，但也可以利用Morlet小波、Mexican Hat、哈尔(Haar)、Meyer-Lemarie、Paul、DOG(Derivative of Gaussian；高斯导数)等。Morlet小波由数学式2提供。
[数学式2]
Figure BDA0002417935530000172
参数a及b分别与母小波的翻译及扩张相关联。
在本发明中，小波解析不用提前处理而同时进行是特征之一。有时将其称为“同时小波解析”。以往使用的瞬时相关法虽然解析自身瞬时地进行，但是以提前取得控制或参照的数据的情况为前提，不过在本发明中不需要如此，将取入的数据同时进行小波解析而进行瞬时相关法等相关建立来进行解析是特征之一。通过采用这样的手法，在疼痛的测定等不希望或难以进行提前的条件设定那样的方案中能够使用。作为这样的方案，除了疼痛之外，也可以应用于生物的舒适不舒适、情绪等的解析、发动机、谐波振动的变形等的解析、地震的预知或解析等。
更详细而言，在同时小波解析中，母小波由成为对象的信号(例如，EEG)的一部分生成。通过使用由信号自身得来的母小波，能够产生分形特征，使人为产物(运动人为产物等)减少。
在一个实施方式中，本发明的B)步骤还包括将小波变换后的信号卷积(convolution)处理至变换前的信号数据中的步骤。卷积处理是使函数g一边平移一边与函数f叠加的二项式运算。在该情况下，作为卷积运算，函数f、g的卷积写成f*g，如以下那样定义：
[数学式3]
(f*g)(t)＝∫f(τ)g(t-τ)dτ
积分范围取决于函数的定义域。通常处理由区间(-∞,+∞)定义的函数的情况居多，因此积分范围多通过-∞～+∞计算。另一方面，在f、g仅能通过有限区间定义的情况下，以g(t-r)进入定义域内的方式将f、g看作周期函数(循环卷积(cyclic convolution))来计算。对于由离散值定义的函数的卷积取代积分而使用总和同样地定义。总和的范围也取决于函数的定义域，在函数仅能通过有限区间定义的情况下，看作周期函数进行卷积运算。它们都可以在本发明中使用。而且，在离散系的情况下，经常进行将定义域外的值重新定义为0的函数的卷积。将其称为线性(直线)卷积。在离散系的情况下，不使用积分而使用总和，因此不称为卷积积分、重叠积分而称为卷积和、重叠和。
在一个实施方式中，本发明的相关处理(包括互相关处理及自相关处理。)包括制作时间变动小波的处理、所述信号的归一化和经该归一化的该信号的卷积(convolution)。在此，“时间变动小波(解析)”是指按各时间段而不同地制作的小波，按照截取的各时间区间而制作母小波并实现与信号的相关。
在本发明的实施中，母小波的时间段可以根据采样频率而由本领域技术人员适当设定。例如，在确定疼痛时使用的脑电波的实施方式中，例如，以10～120秒(或10～30秒左右)的时间段生成母小波，作为一个具体的例子，可列举时间段至少为约20秒，但是不限定于此。这是因为，虽然不希望受到理论的束缚，但是发现了在脑电波等生物体信号的情况下，特别是通过采用使用了至少20秒的时间段的母小波来制作自相似性的情况能够容易进行。
在一个具体的实施方式中，本发明的相关处理(包括互相关处理及自相关处理)可使用以下那样的同时小波变换实施。即，所述B)步骤可以包括：b-1)截取所述信号的区间的步骤；b-2)从所述信号生成母小波的步骤；b-3)根据需要对该母小波进行伸缩而解析与该信号的相关的步骤；和b-4)将b-1)～b-3)反复进行直至该信号的解析所需的部分被解析的步骤。
这样的手法可以通过应用瞬时解析法来实现。以下例示其实施方式。
在通过本发明实施的瞬时解析法中，使用解析对象的信号的一部分作为母小波。由此能够算出相似性(特别是自相似性)。通过使用实际信号母小波，产生分形特征，能够使各种人为产物减少。在时间轴上随着解析窗口变动而更新母小波。时间段可以参照本发明的内容，根据采样频率由本领域技术人员适当设定，例如，如果是脑电波，则可以设定为10秒～60秒(或1～5分钟等)，但是不限定于此。有利的是，根据采样频率的不同而基底和解析对象的信号的稀疏度改变，因此能够以高带频的信号制作基底，以对其延伸的方式取得相关能够得到更准确的内积结果，但是本发明不限定于此。并且，信号的提取信号被定义为函数ΨSIGNAL(t)。该函数需要满足以下的条件。
1)小波需要具有有限的能量：
[数学式4]
Figure BDA0002417935530000191
可变E是积分的振幅的平方。
2)
[数学式5]
Figure BDA0002417935530000192
是傅里叶变换ΨSIGNAL(t)，需要满足以下的条件：
[数学式6]
Figure BDA0002417935530000201
具有满足0<Cg<∞的容许常数的小波称为容许小波。传统地常数Cg称为小波容许常数。容许小波为
[数学式7]
Figure BDA0002417935530000202
，积分结果成为0。在以往的小波中，基底函数被用作分析小波(AW)，但是在本发明中，在瞬时相关函数(ICF)解析中，使用实际的信号的一部分作为AW。
ICF解析被记载为
[数学式8]
Figure BDA0002417935530000203
，式中s(τ,b)是被作为AW使用的实际的信号的一部分，La为窗口函数的长度，ka是标准化参数，a及τ分别是缩放及平移参数。在将观察到的信号(例如，EEG等)的一部分考虑为s(τ,a)的情况下，能够解析分析小波与观察到的信号之间的自相似性。在2个信号的解析中，能够检测从各信号得到的s(τ,a)间的类似性。该解析法能够适用于具有基本的频率及谐波成分的被观察到的信号的解析。因而，在对具有谐波结构的信号(例如神经信号、脑电波等)进行解析的情况下，能够同时检测基本的频率及与谐波成分相关的特征。因而，能够识别出伴有谐波结构的特征的变化。并且，在本发明中，不用进行提前的处理而能够突然进行瞬时相关解析，由此能够进行真正意义上的实时分析。在瞬时相关解析中，准备具有预先确定了基本基底的归一化的自相似性的小波，进行内积的计算而求出瞬时相关。
在本发明中，在一个实施方式中，能够将脑电波设为对象。在使用脑电波数据的情况下，所述信号包含通过δ、θ、α、β、γ的频带及4个电极算出的至少一个信号。
所述特征量和所述系数通过Sigmoid拟合、多元回归模型以能够最好地判别疼痛的该等级的方式建立关联。
在一个方案中，本发明提供一种进行对象的信号的处理的装置，该装置包括：(A)从对象得到信号的信号获取部；(B)对该信号使用该信号的一部分或全部实施互相关处理的处理部；(C)根据通过B得到的处理结果来算出该信号的特征量及与该刺激关联的系数的算出部。
使用图19进行说明。在图19中记载本发明的装置的示意图。信号获取部100、处理部200及算出部300在本发明中表示重要的构成部分。可以任意地包括显示部400及/或判别部500。处理部可以具备保存处理结果的保存部600。
信号获取部100相当于(A)，使用能够获取(例如测定)脑电波等信号(例如，对于刺激的反应)的任意的手段，可以列举出例如脑电波计、地震仪、振动仪、声音测定器等。
本发明的装置的处理部200只要被构成为能够进行互相关处理(例如，自相关处理)，可以使用任意的结构。通常，可利用安装有程序的CPU等，但是不限定于此。该程序只要被安装成对于通过信号获取部获取的信号，使用其一部分或全部进行互相关处理(例如，自相关处理)，可以是任意的。其详细的实施方式在(同时互相关信号处理)一节中详细叙述，可以将其特征中的一个或多个适当组合实施。在处理部200中，进行使用信号的一部分或全部实施互相关处理(例如，自相关处理)的步骤。进行使用母小波等来进行互相关处理(例如，自相关处理)的一连串的计算，其中所述母小波是通过从取入的信号导出实际信号母小波(RMW)等而生成的。在处理部中，可以构成为暂时保存取入的数据从而能够选择进行之后的离线处理。并且，在实时进行的情况下，实施瞬时相关法。
在根据处理结果算出该信号的特征量及与该刺激关联的系数的算出部300中，只要从通过处理部得到的变换数据能够算出特征量、系数即可，可以为任意的结构。使用数据来制作标绘(plot)图，向某函数图案适用(拟合)。向函数图案的适用(拟合)可以使用该领域中公知的任意的手法进行。处理部200与算出部300可以由相同的部分(例如，CPU)实现，也可以分别构成。
在一个方案中，本发明提供一种使计算机实施对于刺激的对象的信号的处理方法的程序。在此，安装该程序的方法包括：a)从该对象得到对于刺激的信号的步骤；b)对于该信号使用该信号的一部分或全部来实施互相关处理(例如，自相关处理)的步骤；c)根据通过b)得到的处理结果来算出该信号的特征量及与该刺激关联的系数的步骤。其详细的实施方式在(同时互相关信号处理)一节中详细叙述，可以将其特征中的一个或多个适当组合实施。
本发明还提供一种保存有程序的记录介质，该程序使计算机实施处理对于刺激的对象的信号的方法。该方法包括：a)从该对象得到对于刺激的信号的步骤；b)对于该信号使用该信号的一部分或全部来实施互相关处理(例如，自相关处理)的步骤；c)根据通过b)得到的处理结果算出该信号的特征量及与该刺激关联的系数的步骤。其详细的实施方式在(同时互相关信号处理)一节中详细叙述，可以将其特征中的一个或多个适当组合实施。
以下，使用原理图(schematic diagram)来说明同时信号处理(图18)。
S1是取入成为测定对象的信号的步骤。该步骤可以使用脑电波计等实现。在脑电波的情况下，这样的脑电波数据可以使用该领域中公知的任意的手法取得。通过测定脑电波的电信号能够得到脑电波数据，该脑电波数据作为振幅数据等通过电位(可通过μV等显示)显示。频率特性通过功率谱密度等显示。在其他的信号的情况下，可以使用合适的信号获得装置(地震仪、振动仪等)取得。
在优选的实施方式中，为了实施本发明，脑电波数据优选通过1)以尽可能少的电极(2个左右)、2)极力避开有毛发的头皮、3)在睡着的状态下也能够记录那样的简便的方法实施，但是也可以根据需要使电极的个数增加(例如，可以是3个、4个、5个等)。
S2是使用信号的一部分或全部来实施互相关处理(例如，自相关处理)的步骤的一部分，具体而言，例示出从取入的信号导出实际信号母小波(Real-signal MotherWavelet：RMW)的情况。
S3是确定是否进行实时解析的阶段，但是也可以在确定的情况下进入S4，在未确定的情况下记录数据(S33)。在该情况下，可以另行进行离线解析(S35)。离线解析实质上与S4同样可以进行与在线解析同样的处理。
S4实施瞬时相关法。是使用母小波等进行互相关处理(例如，自相关处理)的步骤，其中所述母小波是通过从取入的信号导出实际信号母小波(RMW)等而生成的。
基于由此建立了相关的结果进行脑电波解析(例如，疼痛的解析)的步骤是S5。能够根据需要显示解析结果，或能够进行进一步的判别(是否进一步需要镇痛药的确定等)(S6)。
在进行脑电波解析的情况下，使用脑电波数据制作标绘图，向某函数图案适用(拟合)。向函数图案的拟合可以使用该领域公知的任意的手法进行。作为这样的具体的拟合函数，可以列举玻耳兹曼函数、双玻耳兹曼函数、希尔(Hill)函数、逻辑剂量反应、Sigmoid理查德函数、Sigmoid韦伯函数等，但是不限定于此。这些当中，标准逻辑函数被称为Sigmoid函数，标准函数或变形为一般性的且是优选的。在根据需要向函数图案等适宜的函数图案拟合的回归系数为规定以上的情况下，基于曲线，能够算出用于将疼痛等级分成至少2个以上(或者，将疼痛等级在量上/质上分成2或3个级以上)的阈值。而且，在特征量存在多个的情况下，并不将它们全部平均化等合并成一个，而是单独使用各个特征量向函数图案拟合或用于模型制作，能够算出在疼痛等级的判别中使用的判别值或判别模型参数(回归系数等)。在该情况下，通过系数或判别精度的比较，能够基于特征量的排序进行使用什么样的特征量更为有效等的评价。
本发明在测定疼痛的情况下，具有不用进行对于对象的侵袭性高的刺激就能够解析这样的优点。
另外，上述各实施方式的装置所包括的构成要素的一部分或全部可以由一个系统LSI(Large Scale Integration：大规模集成电路)构成。例如，装置1000可以由具有信号获取部100、处理部200、算出部300并根据需要还包括显示部400、判别部500、保存部600的系统LSI构成。
系统LSI是将多个构成部集成在一个芯片上而制造出的超多功能LSI，具体而言，是包含微型处理器、ROM(Read Only Memory；只读存储器)、RAM(Random Access Memory；随机存取存储器)等而构成的计算机系统。在ROM存储有计算机程序。所述微型处理器按照计算机程序进行动作，由此系统LSI实现其功能。
需要说明的是，在此虽为系统LSI，但基于集成度的差异，也有时称为IC、LSI、超大LSI、大规模LSI。另外，集成电路化的方法不限于LSI，也可以通过专用电路或通用处理器来实现。也可以使用在LSI制造后可编程的FPGA(Field Programmable GateArray，现场可编程门阵列)、或者能够对LSI内部的电路单元的连接、设定进行再配置的可重构处理器
而且，如果因半导体技术的进步或派生的其他技术而出现了可替换LSI的集成电路化的技术，则当然也可以采用该技术进行功能块的集成化。生物技术的适用等也是有可能的。
另外，本发明的一实施方式不仅是这样的装置，也可以是使包含在装置中的特征性的构成部成为步骤的测定、分析、处理方法。而且，本发明的一实施方式可以是使计算机执行各种方法所包含的特征性的各步骤的计算机程序。而且，本发明的一方案可以是记录有这样的计算机程序的、计算机能够读取的非易失性的记录介质。
需要说明的是，在上述各实施方式中，各构成要素可以用专用的硬件来构成、或通过执行适于各构成要素的软件程序来实现。各构成要素也可以通过CPU或处理器等程序执行部读出并执行硬盘或半导体存储器等记录介质中所记录的软件程序来实现。在此，实现上述各实施方式的装置等的软件在本说明书中可以为上述的程序。
(分析技术)
在一个方案中，本发明提供一种对象的分析方法，该方法包括使用通过本说明书中的(同时互相关信号处理)记载的任意的手法得到的所述特征量及所述系数来分析所述对象对于所述刺激的反应的步骤。关于各步骤及特征量及系数，可以将(同时互相关信号处理)中记载的任意的实施方式一个或组合利用。在一个优选的实施方式中，成为分析对象的反应包括疼痛。
在通过图18进行说明的情况下，进行至S5及根据需要而进行至S6是该分析技术。
在一个方案中，本发明提供一种对象的分析装置，该置包括：(A)从对象得到信号的信号获取部；(B)对于该信号使用该信号的一部分或全部来实施互相关处理(例如，自相关处理)的处理部；(C)根据通过(B)得到的处理结果来算出该信号的特征量及与该刺激关联的系数的算出部；(D)使用该特征量及该系数来分析该对象的特征的分析部。
在一个方案中，本发明提供一种使计算机实施对象的分析方法的程序。在此，该方法包括：a)从该对象得到对于刺激的信号的步骤；b)对于该信号使用该信号的一部分或全部来实施互相关处理(例如，自相关处理)的步骤；c)根据通过b)得到的处理结果来算出该信号的特征量及与该刺激关联的系数的步骤；d)使用该特征量及该系数来分析所述对象对于所述刺激的反应的步骤。关于各步骤及特征量及系数，可以将在(同时互相关信号处理)中记载的任意的实施方式一个或组合利用。在一个优选的实施方式中，成为分析对象的反应包括疼痛。在通过图18进行说明的情况下，进行至S5及根据需要进行至S6是该分析技术。
在一个方案中，本发明提供一种记录介质，该记录介质保存有使计算机实施对象的分析方法的程序。保存的程序所安装的方法包括：a)从该对象得到对于刺激的信号的步骤；b)对于该信号使用该信号的一部分或全部来实施互相关处理(例如，自相关处理)的步骤；c)根据通过b)得到的处理结果来算出该信号的特征量及与该刺激关联的系数的步骤；d)使用该特征量及该系数来分析所述对象对于所述刺激的反应的步骤。关于各步骤及特征量及系数，可以将在(同时互相关信号处理)中记载的任意的实施方式一个或组合利用。在一个优选的实施方式中，成为分析对象的反应包括疼痛。在通过图18说明的情况下，进行至S5及根据需要也进行至S6是其分析技术。
作为在分析技术中使用的解析手法，能够考虑到多种。
例如，小波变换后的信号作为平均值或其他代表值等特征量被提取出来，将与疼痛的关系拟合于Sigmoid曲线，生成疼痛分类的判定值、阈值。根据需要进行了判定值、阈值的校准之后，使用该判定值、阈值能够判别相对的疼痛等级。基于脑电波的振幅、频率功率或本发明中的实际信号小波特征量与疼痛的关系的相对关系，估计进行了多次脑电波测定时的相对的疼痛的大小，能够估计疼痛等级。在脑电波的振幅、频率特性及疼痛之间存在一定的相对关系，这是本发明的发明者弄清楚的现象，而且，也适用于本发明的实际信号小波特征量。在本发明中，进一步地，通过将该相对关系向Sigmoid曲线拟合，即便不使用从估计对象报告的疼痛的大小也能够对疼痛的大小及等级进行分类，能够客观且准确地对估计对象具有的疼痛进行分类。此外，也能够关于“无法忍耐的”疼痛与“能够忍耐的”疼痛、“心情愉悦的疼痛”等疼痛的质分类，能够更准确地评价治疗效果。关于该准确的分类，也是在进行小波变换的情况和未进行的情况下噪声的影响大幅减少，能够进行精确的诊断。精度上升10％以上。
在本说明书中，“Sigmoid函数”(Sigmoid function)或“Sigmoid曲线”是指示出Sigmoid的形状的实函数，也称为“Sigmoid函数”。在本发明中，可以使用标准化或归一化(normalized)的主观疼痛强度和标准化或归一化的EEG振幅来生成Sigmoid曲线。
标准地由
σa(x)＝1/(1+e-ax)＝(tanh(ax+2)+1)/2
表示。在表示减少Sigmoid函数的情况下，可以进行从1或基准值的减法运算。在(-∞,∞)→(0,1)的单调增加连续函数的情况下，具有一个拐点。在y＝0及y＝1具有渐近线。在该情况下，拐点为(0,1/2)。关于渐近线的设定，根据测定(根据必要而归一化)的振幅数据(EEG振幅)，可能使0或1不具有渐近性，但是在这样的情况下，也可以使用最大值及最小值作为渐近线。
在本说明书中，向Sigmoid函数的“拟合”是指关于某测定值或从此得到的曲线，以近似的方式拟合于Sigmoid的技术，可以基于任意的手法实施。例如，可以使用公知的Sigmoid拟合函数。作为这样的例子，可以列举最小平方拟合或非线性回归拟合(MATLAB的nlinfit函数等)等。在进行了拟合之后，关于近似的Sigmoid曲线，算出回归系数，能够判断该Sigmoid曲线在本发明中是否能使用，是否优选。作为回归系数，回归式模型是有意义的，经调整的确定系数(R2)为0.5以上、0.6以上、0.7以上、0.8以上、0.85以上、0.9以上等，数值越接近“1”则越优选，越是高的数值，则信用性高。或者，也可以使用特定的阈值，将估计值和实测值归类，并通过将两者比对来验证拟合的精度(在本发明中所说的解析的判别精度就是指该精度)。虽然不希望受到理论的束缚，但是向Sigmoid函数的拟合高的情况和使用了其的疼痛等级的判别性高的情况未必相同，例如，如果等级弱和强的渐近线近，两者的数据的偏差大，则即使例如Sigmoid函数近似高而β系数高，也认为强弱的判别精度不高。
在本说明书中，“校准”或“校正”在对于疼痛分类值来说时，是指将向Sigmoid函数的拟合中生成的疼痛分类值或其修正值以更符合测定对象的分类的方式进行修正的任意的进程。作为这样的校准，可以列举以疼痛等级的分类为最大限度的方式使值增减的加权手法等。此外，也可以使用下述方法等的手法，即：以特定的时间间隔施加特定的基准刺激，根据其脑活动量的变化，使用系数等进行加权，或者修正既存模型(例如多元回归或逻辑模型)中的系数，来修正个人内的疼痛变化的判别，但是并不限定于此。
另外，例如所述多个脑电波数据包含对于能够向Sigmoid曲线拟合而言足够数量的脑电波数据。为了这样的拟合，例如可以使用对于至少3个刺激强度的脑电波数据，优选4个、5个或6个、或7个以上的刺激强度的脑电波数据。
在使用Sigmoid曲线的情况下，在拟合完成后，根据需要利用回归系数来评价拟合是否恰当。关于回归系数，作为其阈值通常可以采用0.5以上，优选0.6以上，在实现合适的回归系数的情况下，拟合是合适的，进入下一解析。在回归系数的评价是不合适的情况下，可以追加获得脑电波数据，并与已经得到的数据合起来再次进行向Sigmoid曲线的拟合，或者再次获得脑电波数据，仅通过新得到的数据再次进行向Sigmoid曲线的拟合。
在拟合完成后，基于Sigmoid曲线来生成判定值或阈值。判定值或阈值是指来自脑电波的振幅数据或频率数据、或者从本发明的实际信号小波变换数据提取出的特征量(例如，与刺激相关联的某时间区间的平均值、代表值或最大值等)，是用于将疼痛分类成至少2个种类以上的级别的值。例如，可以是对“弱疼痛”与“强疼痛”进行分类用的值，优选在临床上能够对“无法忍耐的、需要治疗的疼痛”与“能忍耐的、不需要治疗的疼痛”进行分类。这样的判定值或阈值能够以拐点为参考进行设定。判定值或阈值可以将生成的值原封不动地直接利用，但也可以根据需要进行校准。关于校准，在例如是对“弱疼痛”与“强疼痛”进行分类的情况下，可以通过如下实现：向实际得到的振幅数据、派生特征量(包括实际信号小波)拟合、偏离(即，实施不同的分类，例如包括本来应为弱疼痛而判定为强疼痛的情况或者其相反情况。)变更为更少的值、优选偏离变更为最少的值。
关于进行了小波变换的脑电波数据来说，在疼痛的上升与小波特征量的增大相关联的情况下，(i)在第一脑电波数据的振幅(在此为互相关关系的强度)比与第一脑电波数据不同的第二脑电波数据的振幅大的情况下，可以估计为与所述第一脑电波数据对应的第一疼痛大于与所述第二脑电波数据对应的第二疼痛。(ii)在所述第一脑电波数据的振幅比所述第二脑电波数据的振幅小的情况下，可以估计为所述第一疼痛比所述第二疼痛小。在该情况下，超越疼痛的相对差异，还进一步进行与划分疼痛的强弱的疼痛分类值的比较，也能够对于上述的第一及第二疼痛相当于何种等级的疼痛(例如，强疼痛、弱疼痛等)进行分类。例如，也可以关于是第一和第二疼痛属于强等级范围且相对不同，还是两者都属于弱等级且强弱不同等情况进行更详细的判别。因此，例如，通过在治疗前及治疗后测定脑电波数据并提取包含实际信号小波的特征量，能够核定治疗前、治疗中及/或治疗后的疼痛的大小的等级变化(例如，“仍然疼痛强”或“疼痛从强等级向弱转移”等)，能够评价治疗的效果。
另外，例如所述多个脑电波数据也可以取得进一步的脑电波数据。
在某实施方式中，提供一种基于对象的经小波变换后的脑电波数据而生成用于对该对象具有的疼痛进行分类的判定值或阈值的方法及装置、及使用其进行分析的方法及装置。在此，以多个等级的刺激强度对该估计对象进行刺激。关于刺激强度的等级(大小)的数量，提供向Sigmoid函数图案拟合所需足够种类的个数。为了向Sigmoid函数图案拟合，可以使用至少2个种类，优选至少3个种类，优选至少4个种类，优选至少5个种类，优选至少6个种类，或者更多种类的等级(大小)的刺激强度。而且，作为判别手段、判别器，除了Sigmoid函数以外，也可以使用多元回归模型、机械学习模型(例如SVM)等，但是即使在该情况下，进行判别、估计的疼痛等级的脑电波数据、以及派生特征量也优选包含多个等级的更大的数据集合。
需要说明的是，上述的包括性的或具体的方案可以通过系统、方法、集成电路、计算机程序或计算机可读取的CD-ROM等记录介质实现，也可以通过系统、方法、集成电路、计算机程序及记录介质的任意的组合实现。
在本说明书中，“或者”在可以采用文章中列举的事项的“至少一个以上”时使用。“或”也同样。在本说明书中明确记载为“2个值的范围内”的情况下，该范围也包含2个值自身。
在本说明书中引用的科学文献、专利、专利申请等参考文献其整体在本说明书中作为参考而援引与各自具体记载的情况为相同程度。
以上，为了便于理解而示出优选的实施方式说明了本发明。以下，基于实施例说明本发明，但是上述的说明及以下的实施例仅为了例示的目的而提供，并非出于限定本发明的目的而提供。因此，本发明的范围既没有限定为本说明书具体记载的实施方式也没有限定为实施例，仅受到权利要求书的限定。
实施例
以下记载实施例。在必要的情况下，以下的实施例中使用的对象的操作在必要的情况下，遵守在大阪大学及广岛市立大学规定的基准，在临床研究相关的情况下，以赫尔辛基宣言及ICH-GCP为基准进行。
(实施例1：生物体信号的小波变换)
在本实施例中，实施了生物体信号的小波变换。
(生物体信号)
本发明的发明者们测定了SpO2、脉搏、皮肤电导及EEG。该节记载生物学信号的各特征。
(1.皮肤电导)
皮肤电导也作为伽伐尼皮肤反应(GSR)或皮肤电位(EDA)而已知。后者称为在皮肤的表面测定的电气变化，其在皮肤接收到来自脑的神经支配信号时产生(Argyle.N,“SkinConductance Levels in Panic Disorder and Depression.”,The Journal of Nervousand Mental Disease,179,563-566,1991)。我们在经历感情的活跃化或劳作的增加的情况下，我们的脑部为了使发汗等级增加而向皮肤发送信号。汗含有水及电解质，因此皮肤的导电度显著地增加为能够测定的等级。
(2.SpO2)
氧饱和等级表示作为与氧分子结合的红血球中含有的血红蛋白的等级。脉搏血氧计测定血红蛋白等级，接下来，计算平均饱和百分率(SpO2)；因此，间接地测定氧饱和等级(Mary Jo Grap.“Pulse Oximetry,”Critical Care Nurse.22,69-74,2002)。该非侵袭性的过程伴有手指向设备的插入，因此，红色光通过手指来测定脉搏跳动的血液的发红。
(3.脉搏)
脉搏是随着由于血液的流入而引起的血管的体积进行变化的波形(K.Tanaka,“Perfusion Index and Pleth Variability Index”,The Journal of Japan Societyfor Clinical Anesthesia,Vol.31,No.2,2011)。动脉系是朝向心脏的直接行进波，而静脉系是反射波。收缩期及扩张期可根据脉搏形来确定，本发明的发明者们由此得出心脏与动脉系的相互作用相关的结论。脉搏通过脉搏血氧计连续且侵袭地测定。
(4.脑电波)
EEG是来自头皮的脑的电活动的记录。事件相关电位(ERP)是特异的感觉、认知或运动事件的直接的结果即测定的脑响应(American Electroencephalographic Society1991Guidelines for standard electrode position nomenclature.Journal ofClinical Nurophysiology,8,200-202)。本发明的发明者们测定了由于感觉到痛苦的温度刺激引起的ERP。由氯化银涂层覆盖的小的金属盘(电极)被放置在皮肤上的特别的部位。上述的位置使用国际10/20系来确定。该系的本质在于鼻根-枕骨隆突线与固定点之间的10/20范围的百分率的差异。
(解析及特征提取)
使用时间-频度解析提取了EEG特征。关于脉搏特征，进行心率变异度(HRV)解析，得到了脉搏与心率之间的相关。
(LF/HF比)
心率变异度或心脏周期(R-R间隔)的功率谱解析为了对心脏自律调节进行定量而被广泛使用(K.Oue,S.Ishimitsu,”Evaluating Emotional Responses to SoundImpressions Using Heart Rate Variability Analysis Of Heart Sound”,TenthInternational Conference on Innovative Computing,Information and Control,pp.118,Dalian,China,2015)。该方法将连续的一连串的心率的总变异向其频率成分进行区分，识别2个主峰：小于0.15Hz的低频(LF)及0.15～0.4Hz的高频(HF)。HF峰反映了心脏的副交感神经活性。在同一方法中，LF峰具有交感神经成分及副交感神经成分。基于此，为了对交感神经活性与副交感神经活性之间的关系进行定量而使用LF相对于HF的比率(LF/HF)。
(小波变换)
接下来，连续小波变换的小波系数由下述数学式提供。
[数学式9]
Figure BDA0002417935530000311
式中x(t)表示EEG的时域信号，a及b分别是放大及翻译参数。*表示复共轭。参数a与频率相关，b与时间相关。作为母小波Ψ(t)，使用了Morlet小波。该小波接下来由下述数学式提供。
[数学式10]
Figure BDA0002417935530000321
参数a及b分别与母小波的翻译及扩张关联(Paul S.Addison,“The IllustratedWavelet Transform Handbook：Introductory Theory and Applications in Science,Engineering,Medicine and Finance”,CRC Press,July 15,2002)。
(同时小波解析)
由EEG的一部分生成了母小波。在该解析中，将生物学信号的自相似性作为主要的对象。通过由于EEG母小波的使用而成为主要的分形特征，能够使运动人为产物等人为产物减少。小波变换在短时间内执行，在时间轴上随着解析窗口变动而母小波被随时更新。EEG的提取信号被定义为函数ΨEEG(t)。该函数需要满足以下的条件。
1)小波需要具有有限的能量：
[数学式11]
Figure BDA0002417935530000322
可变E是积分后的振幅的平方。
2)
[数学式12]
Figure BDA0002417935530000323
是傅里叶变换ΨEEG(t)，需要满足以下的条件：
[数学式13]
Figure BDA0002417935530000331
具有满足0<Cg<∞的容许常数的小波称为容许小波。传统地常数Cg称为小波容许常数。容许小波是
[数学式14]
Figure BDA0002417935530000332
，积分结果为0。在以往的小波中，基底函数被用作分析小波(AW)。在本实施例的瞬时相关函数(ICF)解析中，使用了实际的信号的一部分作为AW。
ICF解析被记载为”
[数学式15]
Figure BDA0002417935530000333
，式中s(τ,b)是被用作AW的实际的信号的一部分，La是窗口函数的长度，ka是标准化参数，a及τ分别是缩放及平移参数。观察到的信号的一部分被考虑为s(τ,a)的情况下，能够解析分析小波与观察的信号之间的自相似性。在2个信号的解析中，能够检测从各信号得到的s(τ,a)间的类似性。该技术能够适用于具有基本的频率及谐波成分的观察的信号的解析。因而，在解析具有谐波结构的信号的情况下，基本的频率及与谐波成分相关的特征被同时检测，因而，可预测到能够识别出伴有谐波结构的特征的变化(S.Ishimitsu,H.Kobayashi.,“Study on Instantaneous Correlation Analyses of Acceleration CarInterior Noise using Wavelets and its Subjective Evaluation”,Transactions ofthe Japan Society of Mechanical Engineers,serise C,Vol.72,No.719,pp.2094-2100(2006)；H.Ishii,H.Uemura,Z.Zhang,T.Imamura.,“Development of identi cation fornoise source using visualization of sound and vibration”,Transactions of theSociety of Instrument and Control Engineers,Vol.10,No.9,pp.73-80(2011)；Z.Zhang,H.Ikeuchi,H.Ishii,H.Horihata,T.Imamura,T.Miyake.,“Real-Signal MotherWavelet and Its Application on Detection of Abnormal Signal：Designing AverageComplex Real-Signal Mother Wavelet and Its Application”,Transactions of theSociety of Instrument and Control Engineers,Vol.10,No.9,pp.73-80(2011))。
(实验步骤)
该节记载基于温度刺激的疼痛的实验性诱导(Y.Shimazaki,A.Yoshida,S.Sato,S.Nozu,“A Study of Hyperthermia Sensitivity on Human Bodybased on LocalThermal Load”,Japanese society of Human-Environment System 34in Niigata,November,2010)。本发明的发明者们根据各种生物学信号估计客观性疼痛。将温度刺激适用于受检体的前臂部，引起了疼痛。本发明的发明者们测定了通过该刺激引起的生命体征的变化。温度刺激由使用绑带固定于前臂部的金属探针引起。在受检体就座期间，交替地呈现了感到痛苦的温度刺激及通常的温度刺激(与受检体的体温相等)。温度刺激为了引起疼痛而需要足够高，但是受检体遵照自身的对疼痛的感受性而感觉到痛苦的温度存在个人差。为了解决该问题，受检体报告了用于将温度刺激的温度判断为痛苦的阈值。本发明的发明者们监视了SpO2、脉搏、皮肤电导及EEG。
(实验结果)
该实验使用超过20人的受检体实施，但是在本论文中，仅记载全部数据的一部分。图1示出温度刺激图案及VAS。温度刺激及VAS的值具有类似的波形。
(全部生物学的信号)
图2示出全部生物学的信号(生物体信号)：温度刺激、SpO2、皮肤电导、脉搏及EEG。可知皮肤电导与温度刺激图案成反比例。自律神经系的交感神经系受到强烈地刺激，因此汗腺的活动增加，并且皮肤电导也增加。本发明的发明者们通过从波形的特征提取而明确了疼痛与EEG与脉搏之间的关系。
(脉搏的结果)
图3示出受检体受到刺激期间及未受到任何刺激期间观察到的R-R间隔频率。频率从刺激适用中的60秒钟的R-R间隔得到。伴有疼痛的HF/LF表示59的值，该值比无痛的期间大。此外，LF成分减少，HF成分增加。基于上述的观察，推测到交感神经系由于温度刺激而活性化。其结果是HF/LF与温度一起增大，因此暗示了HF/LF为疼痛指标。
(脑电波的结果)
将EEG信号在解析之前不导入进一步的噪声，为了选择α波带频率而进行了滤波。图4示出从EEG信号提取的频率：温度刺激、振幅(功率)傅里叶变换、小波变换及提案的小波变换。特征是通过各变换而得到的各刻度的数值的合计。通过EEG得到的全部的特征存在有在无痛期间增加的倾向，但是在若干的情况下，上述的特征与疼痛一起增加。提案的小波变换在受检体受到伴有痛苦的刺激期间，与其他的特征相比不增加，因此通过提案的小波变换而得到的特征存在更有说服力的倾向。使用EEG的自相似性使噪声减少。提案的小波系数不是与信号的振幅而是与波形相关，因此推测到成为这样的结果。
(预备性实验结果)
母小波(MW)使用了无刺激的脑电波时的结果如图5所示。可知在与MW相关高的时间段能检测到更高的数值的情况。自然界具有自相似性，可知当变得不稳定时其变形，判断为可以进行疼痛的检测。基于该见解，以下，在实施例2中进行了其分析。
(实时小波)
基于以上的见解，实时小波解析的模型解析例如图6所示。首先，(1)截取实际信号的信号的区间，(2)从该信号生成母小波，(3)根据需要对该母小波进行伸缩(归一化)而解析与该信号的相关，推荐的是将(1)～(3)反复进行直至该信号的解析所需的部分被解析，从而来进行实际信号小波解析。在此，变换后的信号如图6右下的图所示。提取信号的局部的频率成分。由此完成信号T(a,b)的1个区间的计算。
(概要/结论)
在本实施例中，本发明的发明者们为了客观性地估计疼痛，研究了在受检体接受到接触温度刺激时，如何提取特征及如何测定各种生物学信号。SpO2与疼痛无关，但是皮肤电导伴随着疼痛的增加而减少。本发明的发明者们发现了来自于EEG的特征伴随着疼痛及皮肤电导的增加而减少的情况。特别是如上所述，提案的小波系数具有最重要的特征。其结果是，由于不会受到移动人为产物等噪声的影响，因此启示了提案的小波系数为鲁棒的特征。以下，在实施例2中，通过进行使用其他的特征的认识实验来评价与EEG相关的提案的小波变换的有效性。
(实施例2：使用了实际信号小波特征的高温疼痛等级的判别)
在本实施例中，关于进行了通过实施例1进行的小波变换的EEG，使用高温刺激范例，进行了进一步的解析。特别是验证了疼痛强弱2等级的判别精度。
(参加者)
20多岁～70多岁的40名健康的成人受检体参加了本实施例。参加者们在临床试验前作出了知情同意。全部参加者自己报告了未经历过神经性及/或精神性的疾病、或临床药物治疗条件下的急性及/或慢性疼痛的情况。本实施例遵守赫尔辛基宣言，在大阪大学医学部附属医院伦理委员会的承认下进行了实施。
(实施步骤)
将等级1～6的高温疼痛刺激使用温度刺激系统(Pathway；Medoc Co.,Ltd.,RamatYishai,Israel)向参加者的前臂腹侧赋予(图7)。基线温度从35℃、等级1的40℃至等级6的50℃，每次上升2℃。各刺激等级的执行区块由3次的刺激构成，各刺激具有5秒的上升及下降的等待时间，持续15秒。各刺激间具有5秒钟的刺激间间隔。区块间的休息固定为100秒。参加者在左前臂腹侧穿戴热刺激探针，躺在安乐椅上，接受了热刺激。而且，参加者们在计算机化的可视化模拟刻度(COVAS)上，在从0～100的范围(0：“无痛”；100：“无法耐受的疼痛”)连续地评价了疼痛强度。与刺激强度的变更同时地记录了COVAS数据。
(脑电图(EEG)数据记录)
使用市售的Bio-Amplifier(EEG1200；Nihon Koden)，从4个头皮Ag/AgCl头皮电极(Fz、Cz、C3、C4)记录了EEG。为了记录EOG活性而使用了作为最前部的电极的Fp1。使参照电极附着于两侧的耳垂，将外侧电极放置于额头。采样率设定为1,000Hz，使用0.3～120Hz的范围的带通滤波器进行了放大。关于全部的电极的阻抗小于15kΩ。
(EEG分析)
将Fz、Cz、C3、C4的电极数据使用于解析。为了除去hum噪声(60Hz)而对于连续性的EEG数据首先施加了陷波滤波器。使EOG人为产物基于以下的回归滤波而减少。
[数学式16]
原始EEG＝β×(EOG)+C
估计EEG＝原始EEG-β×EOG
β：回归系数
C：截距
估计EEG：估计的EEG
Fp1最接近于左眼，受到眼球运动的重度影响，因此使用Fp1数据作为EOG数据。
(同时小波变换)
遵照实施例1所示的次序，对EEG实施了同时小波变换处理。设为20秒的信号区间，母小波的伸缩设为1～40级。每当制作母小波时，将5个频带，即，δ、θ、α、β、γ设为变换对象。为了取出被限定为各个带的信号，对原始的振幅数据进行傅里叶变换，施加仅保留相应带域的带通滤波器，返回成原始的振幅数据。将振幅进行绝对值化，将信号整体以最大值进行了标准化。截取20秒钟的母小波，施加布莱克曼窗函数，以振幅的绝对值进行了标准化之后，一边以1～40级使母小波的长度伸缩，一边重叠于EEG数据，算出了互相关系数。将该过程从EEG数据开始时点起以母小波的2倍的时间宽度反复进行。
(特征量提取)
从各刺激呈现开始时点截取刺激提示区间15秒的数据(等级6×3刺激)，将值进行绝对值化，算出了平均值。使用等级1、2的平均电位作为判别的疼痛等级弱的特征量并使用等级5及6的平均值作为疼痛等级强的特征量，将总计160样本(强弱等级×等级2×40名)、20个小波特征量(4个电极×5个带)投入到判别分析中。
(基于Sigmoid函数拟合的判别分析)
以进行了同时小波变换处理的信号为基础，进行了向Sigmoid曲线的适用。全部20个特征量合并(平均化)成一个。
(结果)
结果如图8所示。将疼痛等级弱的80个样本和疼痛等级强的80个样本连续配置，利用Sigmoid函数进行了拟合。近似函数由以下的数学式表现，拟合程度为“β＝0.36，p<0.0001”。
[数学式17]
Y＝0.5327-0.1199/(1+10(80.4998-X)×24.2645)
与Sigmoid近似函数的拐点对应的疼痛判别值为“0.4728”。在将疼痛等级弱设为“>0.4728”以及将疼痛等级强设为“≤0.4728”来判别160个样本时，整体的判别精度为“67.5％”，实现了机会等级超过约20％的判别精度。
另外，如图9所示，关于与Sigmoid函数的从疼痛等级弱向强等级的变化相伴的调制幅度的差异，将实际信号小波与频率功率特征量进行了比较。从图10的α带与β带的视察的比较可知，实际信号小波的调制幅度增大。实际上，在5个带中使用对应的某t检验进行比较时，在δ～β带中观察到显著差异(δ：t＝8.43，p<0.0001；θ：t＝8.10，p<0.0001；α：t＝6.663，p<0.0001；β：t＝7.90，p<0.0001)，而且，在γ带中观察到显著倾向(t＝1.90，p＝0.07)(图11)。
根据上述的结果可知，实际信号小波特征量与频率功率特征量相比在判别性能上具有鲁棒性，具有超过了机会等级的判别精度。
(实施例3：使用了实际信号小波特征的电气疼痛等级的判别分析1)
在本实施例中，关于进行了在实施例1中进行的小波变换的EEG，使用电刺激范例进行了解析。与实施例2同样，将疼痛强弱2等级的判别精度在使用了小波特征量的情况下与未使用小波特征量的情况下进行了比较验证。
(参加者)
从20多岁～70多岁的41名的健康的成人受检体参加了本实施例。参加者们在临床试验前作出了知情同意。全部参加者自己报告了未经历过神经性及/或精神性的疾病、或者临床药物治疗条件下的急性及/或慢性疼痛的情况。本实施例遵守赫尔辛基宣言，在大阪大学医学部附属医院伦理委员会的承认下实施。
(方法)
图12示出实施例的方法的概要。图7示出实验方法(实验范例(电刺激))的概要。首先，按照各个人，使用知觉/痛觉定量分析装置(PAINVISION CO.,Ltd.,Osaka,Japan)确定了与疼痛等级弱、中、强对应的电刺激强度。作为确定疼痛等级的基准，按照各个人使用了并行进行的低温刺激范例中的与10℃、0℃、-5℃在主观上一致的电刺激强度。在各等级下将各刺激提示了15秒钟。参加者使用COVAS与刺激呈现并行地进行了疼痛等级的主观评价。判别分析使用等级1(3个刺激)作为疼痛等级弱，使用等级3(3个刺激)作为疼痛等级强，将总计246个样本设为了判别对象。特征量使用了刺激提示后15秒钟的平均振幅(绝对值化、标准化)、频率功率(4个电极×5个带)、以及实际信号小波(4个电极×5个带)。
(基于多元回归模型的判别分析)
向多元回归模型，在(1)仅投入了平均振幅和频率特征量的情况下，或者(2)除了(1)中的特征量之外还投入了小波特征量的情况下，研究了判别精度。首先，以8比2的比分割成学习和测试数据，将学习数据分割成10部分，进行10分割交叉验证，确定了各特征量的偏回归系数、以及回归式的切片。使用该参数，判别/估计测试数据，算出了判别精度。将该过程进行1000次，比较了(1)与(2)的判别精度的差异。
(结果)
图13示出未使用实际信号小波的情况和使用了实际信号小波的情况的偏回归系数的平均值和标准偏差(n＝1000)。未使用的情况的特征量系数普遍小，系数绝对值为1以上的仅为2个特征量(Fz(β)＝-1.2619，Fz(γ)＝2.6429)。另一方面，在使用了实际信号小波的情况下，仅2个频率特征量为1以上(C4(α)＝-1.5993，Fz(γ)＝2.6064)，但是小波特征量20个之中的9个表现为1以上(Fz(δ)＝-2.5392，C4(δ)＝3.6528，Cz(θ)＝-3.5916，C3(α)＝―3.2487，Fz(β)＝-3.6958，C3(β)＝1.2981，C4(β)＝-5.2144，Fz(γ)＝1.8334，C3(γ)＝3.7275)。
图14示出1000次的测试数据的判别精度。在未使用实际信号小波的情况下，判别精度为“52.5±6.1％”，与判别标签随机化时的判别精度“49.8±6.9％”仅产生3点左右的差异。另一方面，使用了小波特征量时的判别精度为“64.1±6.4％”，精度提高了12％左右。根据以上的结果，小波特征量在疼痛等级的判别中，比其他的特征量有效地发挥功能，启示了对疼痛等级的自动判别起作用的情况。
(实施例4：使用了实际信号小波特征的电性疼痛等级的判别分析2)
在本实施例中，关于进行了实施例1中进行的小波变换的EEG，使用实施例3中使用的电刺激范例，进行了新的判别分析。与实施例3同样，将疼痛强弱2等级的判别精度使用与使用了小波特征量的情况最小限地在质/量上对应的频率功率进行了分析。
(参加者)
20多岁～70多岁的41名健康的成人受检体参加了本实施例。参加者们在临床试验前作出了知情同意。全部参加者自己报告了未经历过神经性及/或精神性的疾病、或者临床药物治疗条件下的急性及/或慢性疼痛的情况。本实施例遵守赫尔辛基宣言，在大阪大学医学部附属医院伦理委员会的承认下实施。
(方法)
图15示出实施例的方法的概要。图7示出实验方法的概要。首先，按照各个人，使用知觉/痛觉定量分析装置(PAINVISION CO.,Ltd.,Osaka,Japan)确定了与疼痛等级弱、中、强对应的电刺激强度。作为确定疼痛等级的基准，按照各个人使用了并行地进行的低温刺激范例中的与10℃、0℃、-5℃在主观上一致的电刺激强度。在各等级下将各刺激提示了15秒钟。参加者使用COVAS与刺激呈现并行地进行了疼痛等级的主观评价。判别分析使用等级1(3刺激)作为疼痛等级弱，使用等级3(3刺激)作为疼痛等级强，将总计246个样本设为判别对象。特征量使用了刺激提示后15秒钟的实际信号小波(4个电极×5个带域)。
(基于机械学习的判别分析)
作为机械学习模型，使用了“Support Vector Machine Recursive FeatureElimination：SVM-RFE”(Guyon I,Weston J,Barnhill S,&Vapnik V.”Gene selectionfor cancer classification using Support Vector Machine.”Machine Learning46,389-422,2002)。过程如图16所示。将疼痛强弱的2等级的246个样本以20个特征量进行了判别。Kernel使用了放射基底(高斯)函数。首先，算出20个特征量的加权系数，通过将表示最小的基准值的特征量顺次省去的方法(RFE)进行了排序。接下来，使用SVM，在(1)实际信号小波以及(2)频率功率特征量的情况下独立地进行留一法交叉检验，算出判别精度进行了比较。
(结果)
图17示出分析结果。(A)示出小波特征量的排序和从前部排名特征量起逐个增加时的留一法交叉检验的判别精度。在使用了12个特征量的情况下，示出“71.1％”的判别精度，表现出比机会等级高20％以上的精度。(B)示出频率功率特征量的排序和判别精度的结果。在使用了15个特征量的情况下，在“62.6％”下判别精度最高，但是与小波时的判别精度相比，精度降低了约10％。根据以上的结果，小波特征量成为与同种的频率功率相比提高判别精度的“自增强型特征量”，通过实施例2～4，能够得出表现了其优越性的结论。
(注释)
如以上所述，使用本发明的优选的实施方式而例示了本发明，但是可知本发明应仅通过权利要求书来解释其范围。可知在本说明书中引用的专利、专利申请及文献与其内容自身具体地记载于本说明书的情况同样，其内容应援引作为对于本说明书的参考。本申请对于日本国专利申请特愿2017-148350(2017年7月31日)进行优先权主张，它们的内容整体在本说明书中作为参照而援引。
工业方面可利用性
本发明提供一种能够简便且更精确地分类以信号的异常为起因的事件(例如，疼痛)，即使在不优选进行或难以进行疼痛等的预先的处理的情况下也能准确判别的技术，能够更精细地进行疼痛或其他的异常相关的诊断、治疗。
附图标记说明
100：信号获取部
200：处理部
300：算出部
400：显示部
500：判别部
600：保存部
1000：装置

Claims (21)

1.一种对于刺激的对象的信号的处理方法，其中，包括：
a)从该对象得到对于刺激的信号的步骤；
b)对于该信号使用该信号的一部分或全部来实施互相关处理的步骤；和
c)根据通过b)得到的处理结果来算出该信号的特征量及与该刺激关联的系数的步骤。
2.根据权利要求1所述的方法，其中，
所述互相关处理包括自相关处理。
3.根据权利要求1或2所述的方法，其中，
所述相关处理包括求出按各时间的自相似性的处理。
4.根据权利要求1所述的方法，其中，
所述信号不具有自相似性或具有缺失部分。
5.根据权利要求1所述的方法，其中，
所述信号是生物体信号。
6.根据权利要求1所述的方法，其中，
所述生物体信号是脑信号。
7.根据权利要求1～6中任一项所述的方法，其中，
所述相关处理包括实际信号小波变换。
8.根据权利要求1～7中任一项所述的方法，其中，
在所述b)中，还包括将所述小波变换后的信号卷积处理至变换前的所述信号数据中。
9.根据权利要求1～8中任一项所述的方法，其中，
所述相关处理包括制作时间变动小波的处理、所述信号的归一化和该归一化的该信号的卷积。
10.根据权利要求1～9中任一项所述的方法，其中，
所述相关处理包括进行瞬时相关解析。
11.根据权利要求1所述的方法，其中，
所述b)步骤包括：
b-1)截取所述信号的区间的步骤；
b-2)从所述信号生成母小波的步骤；
b-3)根据需要对该母小波进行伸缩而解析与该信号的相关的步骤；和
b-4)反复进行b-1)～b-3)直至该信号的解析所需的部分被解析的步骤。
12.根据权利要求1～11中任一项所述的方法，其中，
所述信号包括通过δ、θ、α、β、γ的频带及四个电极算出的至少一个信号。
13.根据权利要求1～12中任一项所述的方法，其中，
所述特征量与所述系数通过Sigmoid拟合或多元回归模型以能够最好地判别所述刺激的所述等级的方式建立关联。
14.一种对象的分析方法，其中，
所述方法包括使用通过权利要求1～13中任一项所述的方法得到的所述特征量及所述系数来分析所述对象的对所述刺激的反应的步骤。
15.根据权利要求14所述的方法，其中，
所述反应包含疼痛。
16.一种进行对象的信号的处理的装置，其中，包括：
A)从对象得到信号的信号获取部；
B)对于该信号使用该信号的一部分或全部来实施互相关处理的处理部；和
C)根据通过B)得到的处理结果来算出该信号的特征量及与该刺激关联的系数的算出部。
17.一种对象的分析装置，其中，包括：
A)从对象得到信号的信号获取部；
B)对于该信号使用该信号的一部分或全部来实施互相关处理的处理部；
C)根据通过B)得到的处理结果来算出该信号的特征量及与该刺激关联的系数的算出部；和
D)使用该特征量及该系数来分析该对象的特征的分析部。
18.一种程序，其使计算机实施对于刺激的对象的信号的处理方法，其中，
该方法包括：
a)从该对象得到对于刺激的信号的步骤；
b)对于该信号使用该信号的一部分或全部实施来互相关处理的步骤；和
c)根据通过b)得到的处理结果来算出该信号的特征量及与该刺激关联的系数的步骤。
19.一种程序，其使计算机实施对象的分析方法，其中，该方法包括：
a)从该对象得到对于刺激的信号的步骤；
b)对于该信号使用该信号的一部分或全部来实施互相关处理的步骤；
c)根据通过b)得到的处理结果来算出该信号的特征量及与该刺激关联的系数的步骤；和
d)使用该特征量及该系数来分析所述对象的对于所述刺激的反应的步骤。
20.一种记录介质，其保存有程序，该程序使计算机实施处理对于刺激的对象的信号的方法，其中，该方法包括：
a)从该对象得到对于刺激的信号的步骤；
b)对于该信号使用该信号的一部分或全部来实施互相关处理的步骤；和
c)根据通过b)得到的处理结果来算出该信号的特征量及与该刺激关联的系数的步骤。
21.一种记录介质，其保存有程序，该程序使计算机实施对象的分析方法，其中，该方法包括：
a)从该对象得到对于刺激的信号的步骤；
b)对于该信号使用该信号的一部分或全部来实施互相关处理的步骤；
c)根据通过b)得到的处理结果来算出该信号的特征量及与该刺激关联的系数的步骤；和
d)使用该特征量及该系数来分析所述对象的对于所述刺激的反应的步骤。
CN201880060943.XA 2017-07-31 2018-07-30 实际信号时间变动小波解析的应用 Pending CN111107786A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2017148350 2017-07-31
JP2017-148350 2017-07-31
PCT/JP2018/028491 WO2019026853A1 (ja) 2017-07-31 2018-07-30 実信号時間変動ウェーブレット解析の応用

Publications (1)

Publication Number Publication Date
CN111107786A true CN111107786A (zh) 2020-05-05

Family

ID=65233822

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880060943.XA Pending CN111107786A (zh) 2017-07-31 2018-07-30 实际信号时间变动小波解析的应用

Country Status (5)

Country Link
US (1) US20200160962A1 (zh)
EP (1) EP3662826A4 (zh)
JP (1) JPWO2019026853A1 (zh)
CN (1) CN111107786A (zh)
WO (1) WO2019026853A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112257565A (zh) * 2020-10-20 2021-01-22 华北电力大学 一种利用最大Hull距离的微震事件检测方法和系统
CN115633969A (zh) * 2022-11-11 2023-01-24 重庆玺德尔医疗器械有限公司 基于脑电信号和脉搏信号的麻醉疼痛伤害感受评估方法
TWI819253B (zh) * 2020-11-25 2023-10-21 緯創資通股份有限公司 訊號品質檢測方法及其訊號檢測裝置

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110161283A (zh) * 2019-05-28 2019-08-23 上海理工大学 减少加速度信号测量噪声的方法及设备
CN113033102B (zh) * 2021-03-30 2023-04-07 西安电子科技大学 基于无监督学习的复杂地层下盾构机刀盘健康评估方法
CN114580513A (zh) * 2022-02-24 2022-06-03 华南理工大学 一种基于变参递归神经网络对脑电信号分类方法
WO2024029505A1 (ja) * 2022-08-01 2024-02-08 ティア・リサーチ・コンサルティング合同会社 痒みや痛みの評価方法及び評価システム

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5788648A (en) * 1997-03-04 1998-08-04 Quantum Interference Devices, Inc. Electroencephalographic apparatus for exploring responses to quantified stimuli
US7228171B2 (en) * 1999-10-19 2007-06-05 The Johns Hopkins University Signal analysis, heat flow management, and stimulation techniques to treat medical disorders
JP2003290179A (ja) * 2002-04-02 2003-10-14 Japan Tobacco Inc 感覚感性評価システム
WO2004047310A2 (en) * 2002-11-15 2004-06-03 Time Domain Corporation A system and method for processing signals in uwb communications
US20100104158A1 (en) * 2006-12-21 2010-04-29 Eli Shechtman Method and apparatus for matching local self-similarities
US8594759B2 (en) * 2009-07-30 2013-11-26 Nellcor Puritan Bennett Ireland Systems and methods for resolving the continuous wavelet transform of a signal
US9339202B2 (en) * 2009-11-03 2016-05-17 Vivaquant Llc System for processing physiological data
WO2014152565A1 (en) * 2013-03-15 2014-09-25 Simon Adam J Wavelet analysis in neuro diagnostics
US9410979B2 (en) * 2014-09-23 2016-08-09 Fitbit, Inc. Hybrid angular motion sensors
JP2017148350A (ja) 2016-02-26 2017-08-31 株式会社ソフイア 遊技機
US11103193B2 (en) * 2017-05-28 2021-08-31 Islamic Azad University, Najafabad Branch Detecting and predicting an epileptic seizure

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112257565A (zh) * 2020-10-20 2021-01-22 华北电力大学 一种利用最大Hull距离的微震事件检测方法和系统
CN112257565B (zh) * 2020-10-20 2021-12-31 华北电力大学 一种利用最大Hull距离的微震事件检测方法和系统
TWI819253B (zh) * 2020-11-25 2023-10-21 緯創資通股份有限公司 訊號品質檢測方法及其訊號檢測裝置
CN115633969A (zh) * 2022-11-11 2023-01-24 重庆玺德尔医疗器械有限公司 基于脑电信号和脉搏信号的麻醉疼痛伤害感受评估方法
CN115633969B (zh) * 2022-11-11 2024-01-05 重庆玺德尔医疗器械有限公司 基于脑电信号和脉搏信号的麻醉疼痛伤害感受评估方法

Also Published As

Publication number Publication date
WO2019026853A1 (ja) 2019-02-07
JPWO2019026853A1 (ja) 2020-07-27
US20200160962A1 (en) 2020-05-21
EP3662826A4 (en) 2021-05-05
EP3662826A1 (en) 2020-06-10

Similar Documents

Publication Publication Date Title
Ghiasi et al. Assessing autonomic function from electrodermal activity and heart rate variability during cold-pressor test and emotional challenge
JP7203388B2 (ja) 快不快の判別
CN111107786A (zh) 实际信号时间变动小波解析的应用
US8311622B2 (en) Systems and methods for analyzing and assessing depression and other mood disorders using electroencephalographic (EEG) measurements
Kar et al. EEG signal analysis for the assessment and quantification of driver’s fatigue
EP3501391B1 (en) Pain estimating device, pain estimating method, computer program and storage medium
US20220207425A1 (en) System, method, and program for augmenting training data used for machine learning
EP2131733A2 (en) System and method for pain detection and computation of a pain quantification index
Zoughi et al. A wavelet-based estimating depth of anesthesia
Laine et al. Cortical entrainment of human hypoglossal motor unit activities
Kong et al. Differentiating between stress-and EPT-induced electrodermal activity during dental examination
US12023173B2 (en) Pain classification and momentary-pain determination using sparse modeling
Okkesim et al. Analysis of coronary angiography related psychophysiological responses
Saidatul et al. The assessment of developed mental stress elicitation protocol based on heart rate and EEG signals
Wieser et al. Quantification of clinical scores through physiological recordings in low-responsive patients: a feasibility study
Behbahani et al. The relation of susceptibility levels of hypnosis and different mental tasks
Tanaka et al. Objective Estimation of Pain Based on the Analysis of Biological Signals, Especially EEG
Millard et al. an der, Loe, NEE an, & Laarho en

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination