CN111712193A

CN111712193A - 用于脑电图测量的设备和方法

Info

Publication number: CN111712193A
Application number: CN201980012810.XA
Authority: CN
Inventors: E·瓦里宁; J·科特莱宁
Original assignee: Cerenion Oy
Current assignee: Cerenion Oy
Priority date: 2018-02-14
Filing date: 2019-02-07
Publication date: 2020-09-25
Anticipated expiration: 2039-02-07
Also published as: CN111712193B; US20190246927A1; US11406316B2; EP3752056A1; JP2023012480A; JP7329856B2; EP3752056A4; WO2019158810A1; JP2021513391A

Abstract

一种设备，该设备包括数据处理单元(100)，该数据处理单元(100)使设备：接收人(108)的大脑的至少两个脑电图信号；形成关于以下项中的至少一项的第一信息：至少两个脑电图信号之间的相位‑相位耦合、至少两个脑电图信号之间的相位‑幅度耦合以及至少两个脑电图信号之间的幅度‑相位耦合，该第一信息与具有等于或低于1Hz的频率的慢波有关；将第一信息归一化；以及输出与归一化的第一信息有关的信息。

Description

用于脑电图测量的设备和方法

技术领域

本发明涉及用于脑电图测量的设备和方法。

背景技术

现代的脑电图(EEG)信号采集装置现在能够产生对与脑功能直接相关的大脑电场电位的长时间或连续的监测。通常实现了从原始EEG记录选择感兴趣的空间通道和/或对期望的频率范围进行滤波。在重症监护室(ICU)中，可以对患者的EEG进行长期监测，并且由于EEG需要相对较少的资源，所以具有成为ICU床旁脑功能监测的优选方式的许多优势(例如，相对较低的成本、无线、快速且小的设备占地面积)。对于ICU医生来说，由于神经功能障碍和损伤二者的普遍发生，评估大脑的状态以及患者的循环和呼吸功能也至关重要。然而，基于检查基本信号的连续传统EEG评估在ICU级别上是不实用或不期望的，并且需要更复杂的信号分析以提供有关信息，诸如，常规的和/或针对具体情况的指数(index)。

发明内容

本发明寻求提供对测量的改进。本发明由独立权利要求限定。在从属权利要求中限定了实施方式。

根据本发明的解决方案提供了多个优点。EEG信号的测得的相位-相位、相位-幅度和/或幅度-相位耦合信息可以有效地揭示所检查的大脑相对于正常大脑如何有序地运转。

附图说明

以下参照附图仅通过示例的方式来描述本发明的示例实施方式，在附图中：

图1例示了用于脑功能测量的设备的示例；

图2例示了包括至少一个处理器和至少一个存储器的处理单元的示例；

图3例示了与健康的大脑中的相位-相位耦合有关的参考脑功能的例子；

图4例示了健康大脑的相位-相位耦合与健康大脑的参考脑功能之间的差的示例；

图5例示了在不良结果的情况下功能异常的大脑的相位耦合与健康大脑的参考脑功能之间的差的示例；

图6例示了在癫痫发作的情况下功能异常的大脑的相位耦合与健康大脑的参考脑功能之间的差的示例；

图7例示了一个或更多个健康大脑的参考功率水平曲线、一个或更多个不健康大脑的参考功率水平曲线、健康大脑的功率水平曲线和不健康大脑的功率水平曲线的示例；

图8例示了功能异常的大脑的爆发抑制模式的相位-相位耦合与健康大脑的参考脑功能之间的地形(topographical)比较的示例；

图9例示了第一参考脑功能的功率水平的曲线和不健康大脑的功率测量的曲线的示例；

图10例示了第一参考脑功能的相位耦合曲线和不健康大脑的相位耦合曲线的示例；

图11例示了第一参考脑功能的功率水平和相位耦合的组合的曲线以及不健康大脑的功率和相位耦合测量曲线的示例；

图12例示了相位耦合和功率测量的流程图的示例；

图13例示了耦合特征指数计算、可视化和学习的流程图的示例；

图14例示了指数计算的流程图的示例；

图15例示了磁刺激器的示例；

图16例示了电刺激器的示例；

图17例示了超声刺激器的示例；

图18例示了用于化学刺激的给药装置的示例；

图19例示了相位-幅度耦合的示例。

具体实施方式

以下实施方式仅是示例。虽然说明书可能在若干位置中提及“一个”实施方式，但这不是必须意指各个这种引用是指同一实施方式或该特征仅应用于单个实施方式。还可以组合不同实施方式的单个特征来提供其它实施方式。此外，词语“包括”和“包含”应被理解为不将所述实施方式限于仅由已经提及的这些特征构成，而是这种实施方式还可以包含尚未具体提及的特征/结构。

应注意，虽然附图例示了各种实施方式，但它们是仅示出一些结构和/或功能实体的简化图。对本领域技术人员明显的是，所述设备还可以包括除了附图和文本所述的功能和结构之外的其它功能和结构。应理解，用于测量和/或控制的一些功能、结构以及信令的细节与实际发明无关。因此，在这里不需要更详细地讨论它们。

频率为或低于1Hz(f≤1Hz)的慢波可以被认为是重要EEG特征。基于慢波的生理重要性以及以受控方式在有或没有麻醉剂的情况下测试它们的生成的可能性，可以假设在受损大脑中该电生理现象被打乱。可以预期大神经元群体的同步活动以及在波的形成中需要的皮层区与皮层下区之间微妙的相互作用对脑功能敏感。其还可以揭示大脑以正常还是异常方式运转。

更详细地说，慢波(等于或小于1Hz)是非快速眼动(NREM)睡眠的最重要的脑电图特征。这种神经生理现象源自新皮层和丘脑中的神经元，这些神经元已经被示出表现出与脑电图的慢波活动相关的缓慢振荡。尽管通常仍然认为缓慢振荡只在新皮层中生成，然后扩散到其它大脑区域，但是有力的证据表明，丘脑对这些缓慢振荡的全脑电图表达有贡献。慢波在较高的认知功能中的生理重要性已得到令人信服的证明，并且这种电生理现象的缺乏与意识障碍有关联。除了自然睡眠外，在全身麻醉期间，在健康个体中也会看到慢波。源自与在NREM睡眠期间发现的那些相同的细胞和网络水平机制的麻醉诱导慢波被认为是仅在深度镇静/麻醉中出现的无意识大脑的产物。最近，通过使用同时记录的脑电图和功能磁共振成像，麻醉期间的慢波活动被示出为与将丘脑皮层系统与感官刺激隔离以及保留内部丘脑皮层交换有关。

为此目的，本申请提及利用在从院外心脏骤停复苏之后的、重症监护室(ICU)的多个昏迷患者进行的实验。

实验方案由遵守赫尔辛基宣言(Declaration of Helsinki)指南的奥卢大学医院(Oulu University Hospital)的机构伦理委员会(Ethics Committee)批准。向患者最近的亲属请求参与的通知书面同意。由于心脏骤停期间减少的供氧，所以患者潜在地遭受缺氧缺血脑损伤，由于该脑损伤，作为实验之前的神经保护措施，他们已经接受治疗性低温治疗。因为在恢复的早期阶段检测潜在的弥漫性脑损伤的要求很高，所以这些患者总体代表相当程度的诊断挑战。

现在借助于图1来查看用于脑功能测量的设备的示例。该设备包括数据处理单元100。图2例示了数据处理单元100的框图的示例。在一个实施方式中，数据处理单元100可包括至少一个处理器200和至少一个存储器202。它们的操作基于控制该设备的操作的计算机程序的一系列程序命令。该计算机程序可以存储在至少一个存储器202中。

图1还例示了电极系统102，该电极系统102向数据处理单元100提供人110的大脑的至少两个EEG信号。在一个实施方式中，电极系统102可以是设备的一部分。

电极系统102与人108的头皮或大脑电联接或联系。电极系统102向数据处理单元100提供EEG信号。EEG信号可以从电极系统102直接馈送到数据处理单元100，或者可以首先将EEG信号存储在存储器中，并且可以稍后将EEG数据馈送到数据处理单元100。EEG信号也可以在输入到数据处理单元100之前被滤波。

脑电图本身是大脑电活动的记录。电活动作为由脑组织的神经元引起的电压变化被测量。

EEG信号以模拟或数字形式携带EEG信息，并且该信息可以在数据处理单元100中被处理和分析，以确定大脑的状态和/或其功能。控制动作、决策、呈现的数据或诊断可以基于EEG数据或所确定的状态/功能。

为了记录人108的EEG信号，设备可以具有多个通道。各个通道可以承载来自电极系统102的一个电极的EEG信号。通道的数量可以为19，不限于此。可以根据10/20国际体系将具有Ag/AgCl电极的电极帽用作电极系统102来记录EEG。例如，对于记录，可以使用具有v32放大器的尼高力(Nicolet)nEEG模块化神经诊断系统。例如，放大器可以具有500Hz的采样频率和0.053Hz至500Hz的带宽。对于EEG记录，可以遵循ICU惯例用麻醉药物对患者进行镇静，可以利用刺激器112刺激患者，或者进行镇静和刺激二者。另选地，人108既不被镇静也不被刺激。

通常，EEG信号之间可以具有耦合。耦合表现为跨频率和空间信号耦合。耦合函数可以是幅度或相位调制，或其任何组合。可以将这些函数创建为在噪声通道(例如，加性(AWGN)或乘性噪声(相位噪声))中测量的调制(例如，AM、PM或其任意组合)通信信号的组。耦合函数可以包括一个或更多个幅度、相位或频率调制指数，或者相位/频率乘数或除数。这些函数可以包括一个或更多个增益(例如，强度)、时间(例如，滞后)、相位(例如，偏移角)和耦合方向(例如，因果关系或相关性)参数。这些函数可以表示为具有幅度和相位函数的复数相量。函数的检测可以包括相干或非相干解调器。

相位-相位耦合不取决于信号的幅度。代替地，具有相位-相位耦合的两个信号的相位可以被认为是彼此锁相的。当频率不同时，锁定可以基于第一频率的n个周期和第二频率的m个周期。可以关于任何数量的频率来执行这样的耦合特征。锁定也可以被认为是n:m相位同步。

幅度-相位耦合指示第一信号的包络与第二信号的相位之间的相互依赖性。然后第二频率的相位控制或影响第一频率的幅度。反之亦然，这导致相位-幅度耦合。

数据处理单元100检测EEG信号并形成第一信息。该检测可以包括信号滤波。第一信息可以基于至少两个脑电图信号之间的相位-相位耦合。第一信息可以基于至少两个脑电图信号之间的相位-幅度耦合。第一信息可以基于至少两个脑电图信号之间的幅度-相位耦合。第一信息与具有等于或低于1Hz的频率的慢波有关。耦合可以发生在各个具有等于或低于1Hz的频率的EEG信号之间。然而，与慢波有关的耦合也可能发生在其中至少一者具有高于1Hz的频率的EEG信号之间。因此，相位耦合本身与慢波有关。

然后，数据处理单元100将第一信息归一化。归一化使所有EEG信号和/或慢波相称(commensurate)，并可以为它们设置共同基准。归一化可以意味着EEG信号的属性被设置成共同值。例如，该值可以等于一。归一化可以意味着将数据值缩放到例如最低期望值(诸如，零)至最高期望值(诸如，一)之间。归一化还可以指距离归一化(例如，限制在预定范围内的L2-范数)。

数据处理单元100最终输出关于归一化的第一比较的信息。例如，可以使用诸如屏幕的用户界面来呈现输出信息。输出结果可以在作为设备一部分或与设备联接的用户界面100B中可见地或可听地呈现。可见呈现可以包括字母数字符号和/或图形表示。用户界面100B可以包括用于呈现信息的屏幕、扬声器和/或打印机。用户界面100B也可以用作输入装置，例如，用户界面包括触摸屏、键盘、鼠标、麦克风等。可以将耦合表示为多个图树或特征矩阵。

在一个实施方式中，数据处理单元100形成关于至少两个EEG信号之间的至少一个相位-相位耦合的第一信息。第一信息可以与EEG信号之间的与等于或低于1Hz的频率有关的慢波的相位-相位耦合有关。相位-相位耦合可能发生在两个均具有等于或低于1Hz的频率的信号之间。然而，相位耦合也可能存在于仅其中一个等于或低于1Hz的频率之间。

在一个实施方式中，检测可以包括一个或更多个伪影(artefact)检测和去除(例如，滤波器、自适应滤波器、盲源分离(BSS)算法)方法。归一化可能是检测的一部分，或者其可能是单独的操作。以这种方式，例如，可以压缩噪声。该检测可以包括解码器(例如，维特比(Viterbi)、前向-后向搜索(forward-backward search)、期望最大化算法)。该检测可以包括变换(例如，归一化、主分量分析(PCA)、独立分量分析(ICA)、小波变换、经验模态分解(EMD)、希尔伯特-黄变换(HHT)、局部线性嵌入(LLE)或等距映射(Isomap))。该检测可以包括分类器(例如，k最近邻(kNN)、线性判别分析(LDA)、支持向量机(SVM)、神经网络(NN)、分类和回归树(CART))。该检测可以包括一个或更多个距离或相似性度量的分类(例如，耦合图树或特征矩阵)。通常形成变换以将感兴趣的信息分离成易于处理的形式。该处理例如可以包括对噪声进行滤波、对特征进行分类、学习。该处理可以包括统计方法或其它方法，以对诸如伪影、眼睛的运动(这些可以被省略/删除)或某些感兴趣信号(慢波)之类的独立分量进行区分和/或分类，这些独立分量被选择用于进一步处理或监测。分类器可以用于识别耦合。解码器可以计算并跟随某些耦合信号。

在一个实施方式中，检测可以具有一个或更多个阈值。例如，阈值可以从概率分布选择。阈值可以是自适应的或包括学习，并且可以包括例如信号代理生成器(例如，回合(epoch)(幅度和/或相位)的随机排列、大滞后偏移、幅度和/或相位的随机分割重排序、傅立叶变换(FT)、调幅傅立叶变换(AAFT)、迭代AAFT、基于小波的代理算法；代理信号是基于信号混合的替代信号，代理信号不具有诸如相位耦合的某个属性，而其它属性尽可能接近原始)、分类器或聚类算法(例如，kNN、NN、SVM、LDA、CART、隐马尔可夫模型(HMM)、高斯混合模型(GMM)、k均值聚类、学习矢量量化(LVQ))或者回归或估计器(例如，最小二乘估计器(LSE)、最大似然估计器(MLE)、卡尔曼估计器)。一个或更多个阈值可以用于改善信噪比和/或限制或滤除随机尖峰。

在一个实施方式中，数据处理单元100可以执行第一比较，作为第一信息与基于参考脑功能的对应的耦合模板信息之间的归一化的一部分。然后，由该设备输出第一比较的结果。

在一个实施方式中，数据处理单元100可以在相位-相位耦合的第一信息与基于参考脑功能的对应的相位耦合模板信息之间执行第一比较。然后，由该设备输出相位-相位比较的第一比较的结果。

可以通过测量至少一个健康的(即，“正常的”)大脑来形成模板。通常，为该模板执行对健康大脑的多次测量。模板代表正常大脑，并且其可能包括其正常变化。模板也可以称为参考脑功能。

更一般地，参考脑功能可以代表健康个体或具有癫痫活动/癫痫发作或特定脑功能障碍的个体。此外，参考脑功能可以代表与被检查的人相同的个体或除了被检查的人之外的个体。此外，参考脑功能可以代表在自然睡眠、麻醉或清醒期间的测量。

参考脑功能可以另选地至少部分是正常脑功能的人工形成的表示。参考脑功能可以存储在数据处理单元100的至少一个存储器202中和/或存储在连接到通信网络122的服务器124中。数据处理单元100从存储器202和/或服务器124检索参考脑功能。服务器124和具有数据处理单元100的设备可以访问通信网络122，并且通过通信网络122也可以访问服务器124。通信网络122可以是例如局域网(LAN)或互联网。可以通过该设备收集参考脑功能的数据，并且可以通过数据处理单元100来形成参考脑功能并将其存储在存储器202和/或服务器124中。

在一个实施方式中，一个或更多个耦合特征可以是耦合强度、耦合的时滞、耦合的相位以及各个空间位置或频率选择函数之间的方向的度量。耦合强度表明一个信号如何有效地控制另一信号。时滞是指一个信号对另一信号产生影响所经过的延迟。一个信号对另一信号的影响也可能具有相位(例如，该影响可能完全相反，然后它们之间的相移为180°)。耦合可以是单向的，使得一个信号在任一方向上控制另一信号。附加地或另选地，耦合可以是双向的。

耦合特征的度量可以包括例如但不限于调制指数、相关性、协方差、相干性、熵度量、锁相值(PLV)、相位滞后指数(PLI)、高度比(HR)、均值向量长度(MVL)、通用线性模型(GLM)、互信息、有向信息(DI)、信噪比(SNR)。可以对特征进行变换(例如，PCA、ICA、小波变换、EMD、HTT、等距映射、LLE或在神经网络内)。耦合度量可以是频谱特征。可以将特征收集到一个或更多个图树、向量或矩阵中。

图3例示了参考脑功能(模板)的示例，在此示例中，参考脑功能是在测量中使用的所有电极Fp1、Fp2、F3、F4、C3、C4、P3、P4、O1、O2、F7、F8、T7、T8、P7、P8、Fz、Cz和Pz(电极在所有它们出现的图中均按此顺序)之间的相位-相位耦合映射。参考脑功能可以是正常和/或健康人的一个测量结果、一个正常和/或健康人的多次测量的平均值、多个正常和/或健康人的多次测量的平均值，等等。可以重复执行该测量。

图4以地形图形式呈现了对应的参考脑功能(健康大脑参考)与人的健康大脑的测得相位-相位耦合之间的相位-相位耦合的绝对差。如可以看出的，参考与健康大脑之间的差并不大。可以在图4中将绝对差测量为距离(该距离可以基于L2-范数、欧几里得距离的平方、某些矩阵范数等)，但是将使用另一种比较方法来实现仅示出健康大脑与参考脑功能之间的微小差异的类似结果。

图5以地形图形式呈现了对应的参考脑功能与人的功能异常的大脑的测得相位-相位耦合之间的相位-相位耦合的差。如可以看出的，参考与功能异常的大脑之间的差很大。

图6呈现了癫痫发作的大脑的EEG信号的相位-相位耦合与参考脑功能(健康大脑)之间的地形比较的示例。大脑不同区域之间的慢波的相位-相位、相位-幅度和/或幅度-相位耦合为大脑提供了不同于功率测量的另一视角。

图7以线图呈现了健康大脑的不同电极/区域的EEG信号的慢波的功率水平的第一模板700、不健康大脑的不同电极/区域的EEG信号的功率水平的第二模板702、具有良好结果的大脑的测得的信号功率水平704、具有不良结果的大脑的测得的信号功率水平706以及具有不良结果的癫痫发作下的大脑的测得的信号功率水平708的示例。信号已经被归一化到相同的比例，以使得它们彼此可比较。癫痫发作下的大脑的测得的信号功率水平708很高，但是对应的相位-相位耦合706清楚地指示大脑偏离了正常大脑。利用相位-幅度和/或幅度-相位耦合可以实现类似的结果。

图8呈现了脑功能的爆发抑制模式的相位-相位耦合与健康大脑的参考脑功能之间的地形比较的示例。健康脑功能的爆发抑制的相位-相位耦合与参考脑功能(健康大脑)的比较具有一些变化，利用此方法可以看见这些变化。

图3至图6和图8可另选地或附加地被呈现为热图，其以图形形式将数据矩阵的值呈现为颜色。

在癫痫活动或癫痫发作、爆发抑制模式或某些其它异常状态期间，大脑中的紊乱可能不会改变功率水平或可能使大脑不同区域的EEG信号功率水平增加。以这种方式，例如，癫痫/异常大脑的测量区域的功率分布与正常健康大脑的对应区域之间的比较可能具有相当高的相似性(值)，即，小的距离。因此，可能会误解为不同区域之间的耦合至少相当正常，这甚至可能被认为是所测量的大脑的正常状态。然而，在功能障碍期间，大脑的不同区域之间的相位-相位、相位-幅度和/或幅度-相位耦合通常偏离常态，这容易地揭示出相对于正常大脑的紊乱。例如，功能障碍可以是癫痫活动或癫痫发作。尽管不如相位-相位、相位-幅度和/或幅度-相位耦合测量有效或不以类似的方式，但功率测量仍可能揭示紊乱。

在一个实施方式中，数据处理单元100可以形成与至少一个EEG信号的功率有关的第二信息。第二信息可以包括所测量的通道的功率(参见图7)。第二信息可以包括与大脑的区域/电极有关的功率。大脑区域的功率可以包括多个测量通道的功率。区域的功率例如可以是平均功率或加权平均功率。然后，数据处理单元100可以在第二信息与基于参考脑功能(健康或不健康大脑)的对应功率模板信息之间执行第二比较。最后，数据处理单元100可以输出关于第二比较的信息。可以在用户界面100B中可见地或可听地呈现输出。用户界面108B可以以类似于与相位-相位、相位-幅度和/或幅度-相位耦合测量有关的方式来呈现输出。

在图9、图10和图11所示的实施方式中，数据处理单元100可以组合第一信息和第二信息。功率测量结果的数量和相位-相位、相位-幅度和/或幅度-相位耦合的测量结果的数量可以相同或不同。不论它们的数量如何，都可以以确定性的方式组合测量结果。例如，可以在有或没有权重的情况下对功率值以及相位-相位、相位-幅度和/或幅度-相位耦合的值求和或取平均值。

在图9中，作为时间的函数呈现了健康大脑的脑功能的功率水平900的测量结果和功能异常的大脑的功率水平902的测量结果的示例。健康大脑的功率水平902接近相对水平100。在图10中，作为时间的函数呈现了健康大脑的脑功能的相位-相位耦合1000以及功能异常的大脑的相位-相位耦合的测量结果1002的示例。在该示例中，由于使用S型函数进行缩放和乘法，所以不健康大脑的水平1002接近0。当以类似方式处理EEG信号时，健康大脑的相位-相位耦合1002又接近相对耦合100。在图9和图10的示例中，可以看出功率水平可能指良好结果，因为功率曲线彼此接近，但是相位-相位耦合(或者相位-幅度或幅度-相位耦合)示出所测量的大脑的结果不良。在图11中，图9和图10的参考脑功能900和1000已经被组合以便形成组合参考指数的曲线1100。以类似的方式，测量结果902和1002已经被组合以便形成组合测量指数的曲线1102。在图11中，由于与慢波中的相位耦合有关的耦合指数非常低，所以不良结果显而易见。与慢波中的相位耦合有关的耦合指数曲线1102可以很低，即，连续地低于阈值。可以基于特征或距离计算来形成指数。例如，距模板的最大或加权距离、平均距离或使用伪度量(例如，Kullback-Leibler(KL)散度)。使用隶属(membership)/激活函数(诸如，Softmax或S型)并与标量相乘，可以将结果缩放到具有上限和下限之间的期望范围(例如，从0到10或从0到100)。

形成指数的另一方法是对已经被缩放在期望范围中的变量使用回归。回归可以是线性回归(GLM＝广义线性模型)、非线性回归(例如，SVR＝支持向量回归)或其它分类器，诸如，SVM(支持向量机)、NN(神经网络)、kNN(k最近邻)，并且其可以直接利用这些特征。结果可以是连续的，也可以是以顺序方式离散的。另选地，例如，结果可以是任意暗示严重性的(类：正常、稍微偏离、偏离、强烈偏离和等电位(isoelectric))。

例如，可以使用模糊逻辑来组合多于一种的不同种类的指数。另一可能是使用分类器的融合。在两种情况下，都可以执行缩放。

在本申请的示例中，使用测量结果与合适模板之间的平均距离分别针对功率和耦合形成指数。指数已经被缩放到0到1的范围中并且在用户界面为0到100。然后将指数彼此相乘。

数据处理单元100可以在所组合的信息与基于参考脑功能的对应的组合模板信息之间执行组合比较。然后，数据处理单元100可以输出关于该组合比较的信息。可以在用户界面100B中可见地或可听地呈现输出。用户界面108B可以以类似于与相位-相位、相位-幅度和/或幅度-相位耦合测量有关的方式来呈现输出。

在一个实施方式中，可以基于某一时刻或作为时间的函数的电极位置(诸如，Fp1至Pz)，将与大脑区域相关联的第一信息呈现在颅骨图(map of the skull)上。例如，可以使用色标来表示第一信息的值。以类似的方式，与大脑区域相关联的第一信息和第二信息可以以组合或分开的方式呈现在颅骨图上。例如，可以使用色标来表示组合的或分开的第一信息和第二信息的值。

在一个实施方式中，数据处理单元100可以接收人110的大脑的至少两个EEG信号，该人受到或至少预期受到以下列表中的至少一者的影响：癫痫活动、大脑功能障碍、神经损伤、睡眠和一种或更多种非零量的麻醉药物。癫痫活动可以包括癫痫发作。睡眠可以指自然睡眠或麻醉药物辅助睡眠。

在一个实施方式中，数据处理单元100可以基于第一比较来估计人110是否在所述列表中的至少一者的影响下，并且呈现估计的结果。可以在用户界面100B中可见地或可听地呈现输出。

在一个实施方式中，数据处理单元100可以基于第二比较来估计人110是否在所述列表中的至少一者的影响下，并且呈现估计的结果。可以在用户界面100B中可见地或可听地呈现输出。估计和输出可以涉及被认为是确定的一个或更多个确定的影响。另选地，可以估计并输出一个或更多个影响的概率。

在一个实施方式中，数据处理单元100可以基于第一比较来预测人110的神经系统功能水平。在一个实施方式中，数据处理单元100可以基于第一比较和第二比较二者来预测人110的神经系统功能水平。在一个实施方式中，数据处理单元100可以基于与第一信息和第二信息的组合有关的比较来预测人110的神经系统功能水平。

在一个实施方式中，如果第一信息与相位耦合模板信息之间的差小于第一确定阈值，则数据处理单元100可以预测人110的神经系统功能水平朝着良好或更好的结果的进一步发展。如果第一信息与相位耦合模板信息之间的差大于第二确定阈值，则数据处理单元100可以预测人110的神经系统功能水平朝着不良或更坏的结果的进一步发展。差可以是绝对值，即，不使用负差。第一阈值和第二阈值可以相同或它们可以不同。第一阈值等于或小于第二阈值。阈值可以基于理论、模拟或经验。

在一个实施方式中，如果第一信息与相位耦合模板信息之间的差小于第一确定阈值并且第二信息的功率水平高于第三确定阈值，则数据处理单元100可以预测人110的神经系统功能水平朝着良好结果的进一步发展。如果第一信息与相位耦合模板信息之间的差大于第二确定阈值并且第二信息的功率水平低于第四阈值，则数据处理单元100可以预测人110的神经系统功能水平朝着不良结果的进一步发展。

在一个实施方式中，如果第一信息与相位耦合模板信息之间的差小于第一确定阈值并且第二信息与对应的功率模板信息之间的差小于第五确定阈值，则数据处理单元100可以预测人110的神经系统功能水平朝着良好结果的进一步发展。如果第一信息与相位耦合模板信息之间的差大于第二确定阈值并且第二信息与对应的功率模板信息之间的差大于第六确定阈值，则数据处理单元100可以预测人110的神经系统功能水平朝着不良结果的进一步发展。

阈值可以取决于测量装置、患者、测量类型(头皮/大脑)、电极(电极的数量、类型、与皮肤/大脑的联接)等。然而，本领域技术人员可以容易地基于甚至一个校准测量来确定起作用的从第一到第六的阈值。仅需再进行几次(5至10次)校准测量，就可以使阈值更准确。利用甚至更多次校准测量，可以使阈值尽可能准确。

在一个实施方式中，数据处理单元100可以分离至少两个EEG信号的相位和幅度信息，以确定耦合。该分离例如可以基于相位分离卷积变换。相位分离卷积变换的一个示例是希尔伯特变换。然而，可以使用导致信号的相位和包络/幅度分离的任何其它变换。可以以各种方式来产生可以利用离散能量分离算法(DESA)、进而利用Teager Kaiser能量算子(TKEO)的这种变换。例如，可以基于无限脉冲滤波器(IIR)、使用Heaviside阶跃函数和符号函数的傅立叶变换来产生该变换，或者可以利用有限脉冲响应(FIR)滤波器来估计该变换，如通过卷积的定义所明确暗示的那样。在一个实施方式中，相位-幅度解调可以影响相位分离变换的选择。

在一个实施方式中，数据处理单元100可以基于以下中的至少一者来形成第一信息：信息理论度量、相位乘数(multiplier)、解调、概率密度估计、双变量度量、相关性、多变量因果关系度量和耦合指纹(coupling fingerprint)。诸如锁相乘数之类的相位乘数可以是已经检测到的耦合的系数。

信息理论针对可以实现什么以及如何对信息流进行建模给出了界限，以形成用于评估(特别是因果推断关系)的统计推断工具并最终将连接估计构建成图形。与EEG信号推断有关的关键概念是熵、KL散度(信息增益)、互信息、有向信息、相关性和因果关系、拓扑和复杂性。通常，信号分析还利用机器学习和人工智能等广泛主题下的工具和概念。

在信息理论中，两个信号被定义为随机过程

和

不相关源的Shannon熵为

利用相关性，互信息为

其中，H(Yⁿ|Xⁿ)是条件熵，并且利用因果影响，DI(有向信息)为

其中，H(Yⁿ‖Xⁿ)表示因果熵。

信号相位耦合可以被建模成源和调制信号对，即，用于相位-相位耦合的单边带调制(SSB)或用于相位-幅度耦合的幅度调制(AM)，这些序列可以优选地在所选基带(例如，在[0 1]Hz处的慢波耦合，但是也在其唯一的乘数

下)处利用解调进行分析。具有相位乘数n,m的耦合还可以对应于各种类型的调制信号(例如，上SSB、AM、CW，取决于相位分量的定义)。信号x_i和x_j之间的相位耦合通常被定义为

其中，M是定义相位耦合差的质量的常数。如果

则耦合信号完美耦合(M＝0意味着在相乘后信号相同)。如果

则信号处于相位夹带(phaseentrainment)，这可能是存在噪声和/或混乱耦合信号的情况。

通常在生物系统中，感兴趣的乘数被限制到n＝1和m＝1，然而，更高频率范围的乘数连接可能是感兴趣的，特别是在定义更高频带处的源信号相位与经调制目标信号幅度之间的相位耦合时。

相位乘数可以如下进行解释。

其中，

是乘数，源信号带宽是

目标信号带宽是

并且1≥r≥0是乘数的频带重叠比。然后乘法的相位噪声增加达到所选阈值水平：

现在，通过选择P_inband＝r·P,P_outband＝(1-r)·P，其中，假设信号均匀分布在对应的带宽中，并假设不相关的相位噪声

和

我们可以估计SNR的改变：

其中，ΔSNR_threshold是由于选择乘数和/或有限带宽重叠而导致的相位噪声增加和/或信号损失所引起的所选最大允许SNR减小。注意的是，这是示例阈值，该值也可能不同，例如-30dBc或-40dBc。现在，可以在操作阈值内形成唯一范围

候选。例如，选择ΔSNR_threshold＝-12dBc,r≥0.5,

我们得到n+m≤9|r＝1和n+m≤5|r＝0.5。可以例如通过向量外积

来生成n和m候选，以获得原始z候选矩阵Z。候选矩阵

将包含重复项(例如，

)，这些重复项可以这样被去除：例如通过对向量化的候选矩阵进行分类，然后去除后续的相同值(如果目标带宽较高并与源带宽分开，则小于1的值也可能会立即被丢弃)，然后返回原始矩阵。如果带宽

和

未与候选z乘法映射，则可能会去除具有过低r值的对应分数。然后n和m候选可以被选择为包含有效z值的矩阵行和列。可以注意到的是，大多数相位乘数候选将不会自然地与传统定义的EEG带宽(即，δ、α、θ、γ)一致。而且，感兴趣的乘数集合可以被预先计算并离线选择以用于包括学习结构的应用。

基于直方图的方法可以用来简化对随机变量分布的估计。使用计数函数m_k，利用通过函数f,

测量的随机过程Xⁿ和Yⁿ来定义分布P。

P(k)＝m_k(f(x_i),g(y_i))|x_i∈Xⁿ,y_i∈Yⁿ]

使得样本大小N和面元(bin)大小K可以被选择为

和

如果我们选择采样率F_s＝100Hz→250Hz和时间窗口t＝30→60，目的是选择我们得到的均匀分布的面元，对于相位面元划分(binning)(即，360＝2*2*2*3*3*5)，360°可以被：2、3、4、5、6、8、9、10、12、15、18、20、24、30、36、40、45、60、72、90、120或180除尽)，或使用弧度形式的2的幂除法(即，2π/2ⁿ|n∈{1,2,3,…,8})，我们得到如2、4、8、16、32、64、128或256的合理的2的幂的除数幂。为了有效地支持快速傅立叶变换(FFT)计算，2的幂的采样率(例如，N＝2ⁿ|n∈{12,13})也是优选的。现在我们得到由F_s和t选择的组合产生的N个样本的以下选项(示出了数量级)：

并且对于度数格式(弧度格式和/或N为2的幂)的K个面元的对应候选：

类似地，我们可以使用合理的值范围和分辨率，针对幅度面元得出合适的K个候选。

还可以使用一个或更多个其它方法(诸如，核密度估计、参数密度建模(例如，GMM)和Monte Carlo类型的方法(例如，采样或自举))来估计概率分布(例如，作为连续函数或利用诸如K个面元的离散量化级别)以形成概率密度估计。也可以使用诸如核嵌入或降维方法之类的工具，在多特征(即，多维)设置中对密度进行建模，以提供与低维变换特征集相对应的感兴趣的分布集(例如，应用原始特征空间的监督选择或变换)。

针对如下特征，可以得出因果关系和耦合的双变量度量。

衡量分布不均匀性(例如，直方图估计的面元)的HR(高度比)为：

然后，熵为

分布Q(k)的KL(Kullback-Leibler)散度为

并且，假设均匀分布(即，无耦合)U，我们也得到

D_KL(P,U)＝log(N)-H(P).

使用D_KL(P,U)，我们得到调制指数(MI)度量

而且，直接根据相位差，PLV(锁相值)是

其中，

是应用任何乘数后信号的相位差。

许多其它特征(诸如，GLM(通用线性模型)、MVL(平均向量长度)、双相干、信息理论度量(诸如，DI)等)都可以用来估计相位耦合。

对于信号x和y，使用卷积(*)的互相关(＊)为

C(τ)＝x(t)＊y(t)＝x(t)*y^*(-t),

其中，x^*(-t)表示经共轭和时间反转的信号，并且下面是自相关，这里仅针对信号x，

R(τ)＝x(t)＊x(t)＝x(t)*x^*(-t).

在使用傅立叶变换的频域中，我们得到

并且

在频域中，互相关和自相关S_xy(f)和S_xx(f)的对应质量(即，互谱密度和功率谱)，现在分别是变换函数和复共轭变换函数的乘积，假设频域中的信号是Hermitian函数(即，保证对实值信号进行傅立叶变换)，则分别允许S_xy(f)＝X(f)·Y^*(f)和S_xx(f)＝X(f)·X^*(f)。

时域版本采用直接的方式，通过使用傅里叶反变换，分别为

和

对于离散时间信号，使用离散傅里叶变换(DFT)和逆离散傅里叶变换(IDFT)，即，实际上对应地使用快速傅里叶变换(FFT)和逆快速傅里叶变换(IFFT)。

现在可以构建“解析”相关性，在此仅针对互相关，

其中，

是90°(即

)偏移的互相关。实际上，在返回到时域之前，可以直接在频域中构建信号对的解析相关性，即，通过例如使用频域中的希尔伯特变换的逼近来定义互相关的解析信号。另选地，可以通过获取解析信号函数(或导数)的对应实部和虚部从x(t)和y(t)的对应解析信号构建所有所需的相关性(或根据所感兴趣的耦合类型、相位函数、解析归一化包络函数或任何相移或其调制版本导数)，并分别产生感兴趣的相关性和相移相关性(例如简单卷积)。或者更可能一直在频域中工作，因为对于互相关，

C(τ)＝x(t)＊(y(t)*h(t))＝(x(t)＊y(t))*h(t)＝(x(t)*y^*(-t))*h(t),

其中，h(t)是核。在频域中，然后核卷积互相关

变为

其中，H(f)是核h(t)的傅立叶变换。现在，例如，要对互相关执行希尔伯特变换，可以选择H(f)作为Heaviside阶跃函数和符号函数(即，有限长度估计滤波器)，并且任何其它FIR滤波器(例如，频率选择、包络估计或相位估计)可以通过选择H(f)作为滤波器系数的傅立叶变换(即，滤波器脉冲响应)或其任何级联组合来实现。然后，可以利用循环缓冲器来实现滤波在计算方面的实际实现和存储器高效连续操作，该循环缓冲器使用重叠保留(overlap-save)或重叠相加(overlap-add)算法来构建输出缓冲器，这取决于哪个算法给出更好的效率，如所选分析窗口、FFT和滤波器长度所指示的。使用希尔伯特变换，我们可以获得复“解析”互相关

其中

是解析互谱。对于有限N长度离散时间信号，相关的零填充2N长度(即，产生2N-1个值的互相关序列)DFT公式如下：

当已经计算出所选信号分量之间感兴趣的相关性后，使用复“解析”相关性，我们可以通过以下公式建立峰值相关性c_max、群时延τ_d和瞬时相位差

其中，τ(即，滞后)可以被选择为τ≥0，以满足因果关系的时间标准(即，仅过去可以影响未来)，然而，负滞后的相关性，τ_d＜0，也可以被解释为因果关系可能在相反方向上存在。由于存在可能的反馈网络，并且两个信号都不是原始信息源，所以寻找多感官信号数据的双向相关性最大值是有意义的，但是所发现的互相关只能通过级联和/或代理来代替。在那些情况下，可以从两种方式看到相关性，然而，这并不暗示两种方式都可能存在因果关系(但是可能表明存在周期性因果关系)。因此，如果要在所有信号及其感兴趣的分量之间进行相关性分析，则可以看到各个相关性包含两个方向，并且负滞后和正滞后都可以用来计算相关性、组延迟和相位差值。取决于选择的信号并且由于信号分量的选择(即，调制)和频率选择函数(即，滤波器)，一些方向可能不太可能包含真实相关性。而且，由于可能的周期性(例如，由于信号固有质量或网络级联/代理连接)，对自相关函数的类似分析也感兴趣。

干净信号(参考信号)和噪声破坏信号的信噪比(SNR)与相关性的关系是：

其中，P是信号功率，N₀是噪声功率，R是互相关。类似地，添加有等量的不相关噪声的两个信号(测量信号)的SNR为

由于互相关的直接计算受任何相位和滞后差的严重影响，所以需要在最大互相关峰值处进行耦合SNR的估计。然后，我们获得最大相关性时对应的SNR估计，以dB为单位

可以得出多变量因果关系度量，并且该多变量因果关系度量基于这样的基本原理：使用所有通道信息一起预测通道i(即，以所有可用的过去信息为条件)来进行通道i,j因果关系测试。然后，与去除了通道j的集合(即，以没有通道j过去信息为条件)进行比较。如果观察到所使用的因果关系度量值显著下降，则可以在通道i,j之间建立因果关系链接。这样的链接可以以矩阵或图树结构的形式收集，并用作特征或除其它特征之外使用。

因果关系度量和耦合可以被计算为基于线性多变量自回归(AR)模型的估计器，例如，格兰杰(Granger)因果关系和相关联的方法，诸如，有向传递函数(DTF)、部分有向相干性(PDC)及其派生方法。而且，可以使用基于非线性信息理论模型的度量，诸如，有向信息、传递熵或条件传递熵。

多变量因果关系图构建可能包含与双变量版本相似的方向、滞后、相位差和测量的耦合幅度结构。而且，可以利用类似的方法(例如，利用使用蒙特卡罗方法(诸如，自举法和代理方法)的假设检验)来识别重要的因果关系和耦合结构。

多个测量信号之间的耦合结构(即，耦合指纹)可以被表示成矩阵。例如，在使用时域互相关、调制指数和高度比作为度量的双变量线性情况下，我们进行以下操作。假设实传递函数f,g、通道i,j和样本指数m,n，使得

我们从测量的信号x_i(n)和x_j(n)中得到感兴趣的信号分量

和

从而使得

和

根据这些分量，互相关被定义成

并且“解析”互相关为

则最大互相关峰值幅度为

对于最大相关性峰值的时滞为

并且相位差为

使用向量和矩阵表示，假设测量的信号x_i(n)和x_j(n)在给定的测量间隔下对应于随机过程

我们得到最大互相关峰值幅度矩阵为

测量的滞后矩阵为

并且，测量的相位矩阵为

现在，使用滞后和相位信息，以及信号分量的解析表示(

和

)，我们得到相位和滞后匹配的信号

当选择函数为

和

时，互相关矩阵的幅度-幅度耦合(AAC)特征为

而且，匹配的信号可以很容易地用于产生其它特征矩阵，例如，使用调制指数(MI)来生成

以及矩阵的高度比(HR)

其中，

且

类似地，当分配

时，我们获得了相位-幅度耦合(PAC)特征C_PAC、MI_PAC和HR_PAC。并且当

时，相位-相位耦合(PPC)特征为C_PPC、MI_PPC和HR_PPC。例如，可以使用PPC设置将其它任何特征度量类似地收集到特征矩阵格式中(诸如，PLV)，

耦合、因果关系等的结果特征可以与统计推断和人工智能方法一起使用，以生成用于生成当前和/或未来神经系统功能的估计、可能性和/或预测的学习结构。这样的结构可以基于特征序列(例如，矢量或矩阵)的概率分布，例如，具有自举和重要性估计或核密度估计。降维和/或特征变换可以应用于特征，诸如，PCA、流形学习(例如，诸如等距映射的测地距离方法)或BSS(盲源分离)方法(诸如，ICA)。可以使用特征搜索和/或选择方法(诸如，序列搜索或遗传算法)以优化和提高学习结构的性能。回归方法(例如，GLM)可以应用于特征序列。序列的分割和/或检测可以用于处理特征序列(例如，利用距离度量和阈值，或应用诸如基于贝叶斯信息准则(BIC)的模型变化检测方法)，以将学习引导到相关信号区域和/或过程数据中进行学习。可以使用基于分类器的学习结构。分类器结构可以基于距离度量和阈值或者概率分布差，诸如贝叶斯分类器或GMM。可以使用动态结构，诸如，HMM。可以使用基于核的分类器(诸如，SVM)或非参数分类器(诸如，kNN)。可以利用使用例如反向传播的优化来将神经网络用作学习结构。神经网络可以是深度学习架构，诸如，深度信任网络(DBN)、卷积神经网络(CNN)或递归神经网络(RNN)，它们隐式地或显式地还包含任何特征选择、变换、分割和/或分类能力。可以构建包含短期长期记忆(SLTM)块的深度学习架构。深度架构神经网络可以被构建为残差神经网络。

学习结构可以应用于提供新的自动化人工智能(AI)EEG信号监测解决方案，并实现先进的AI患者状态估计和诊断能力，诸如，EEG信号模型识别(例如，爆发抑制模式检测和监测)、伪影检测和滤波(例如，眼球运动、肌肉伪影或传感器故障/解耦(decoupling)、正确/不正确操作模式检测(例如，癫痫发作检测、睡眠阶段估计)、神经系统功能分类(例如，正常性估计、功能障碍类型(谵妄、癫痫发作等)、神经损伤类型(弥漫性损伤/神经创伤))。而且，可以实现药理化合物效果建模/跟踪(例如，麻醉深度、长期药治疗干预监测/控制(治疗药输注监测/控制))。

学习结构和所得的AI解决方案可以用于预测和监测任务，诸如，损伤/功能障碍恢复估计和控制(例如，对药、经颅电刺激(tES)或经颅磁刺激(TMS)治疗控制的治疗干预效果的估计)或者未来状态改变和/或附加损伤/功能障碍(例如，癫痫发作、谵妄或死亡)的可能性。

基于学习结构的自动化AI EEG解决方案可以用于向ICU提供长期连续的神经系统状态监测，从而提供将复杂EEG信号信息转换成特定索引、状态指示和通知的更易于用户访问的形式。基于AI的EEG分析可以与其它脑部成像(功能性和/或地形图，诸如，脑磁图(MEG)、(功能性)磁共振成像((f)MRI)或正电子发射断层扫描(PET)成像)一起使用以提供图像模态融合映射，例如，用于手术计划的目的。AI EEG可以用于睡眠监测(例如，睡眠质量和数量评估)，或各种其它非医学任务(诸如，大脑界面(例如，用户界面、情感/认知/情境状态评估))。

此外，AI EEG可以用于新疗法的研究和开发，诸如，新的tES和TMS刺激装置(例如，经颅直流电刺激(tDCS)、交流电(tACS)、脉冲电流(tPCS)、随机噪声(tRNS)、或波纹电流(tRCS))、新药开发或药物神经系统效果评估。在基础科学研究中，可以使用AI EEG神经系统功能评估，例如，作为认知研究环境中的认知神经成像方法。

如先前已经解释的，数据处理单元100可包括至少一个处理器200和至少一个存储器202。在一个实施方式中，一个或更多个存储器202以及计算机程序代码与一个或更多个处理器200可以使设备在至少两个EEG信号之间形成耦合信息。一个或更多个存储器202以及计算机程序代码与一个或更多个处理器200也可以使设备对第一信息进行归一化，并在相位耦合信息与基于参考脑功能的对应的第一模板信息之间形成第一比较。

在一个实施方式中，一个或更多个存储器202以及计算机程序代码与一个或更多个处理器200可以使设备形成关于两个EEG信号的功率的第二信息。一个或更多个存储器202以及计算机程序代码与一个或更多个处理器200也可以使该设备在第二信息与基于参考脑功能的对应的功率模板信息之间形成第二比较。最终，一个或更多个存储器202以及计算机程序代码与一个或更多个处理器200可以使设备输出关于第二比较的信息。

在一个实施方式中，一个或更多个存储器202以及计算机程序代码与一个或更多个处理器200可以使设备组合第一信息和第二信息，并且输出关于组合的比较的信息。

在类似的应用情况(诸如，睡眠监测或神经疗法有效性的测量)中，先进的脑功能测量也可能被证明是有用的。显然，机器学习和AI(人工智能)通常是大脑信号分析的基石，用于医学、大脑用户界面、认知科学和情感计算等众多未来应用。

通过EEG数据与参考脑功能的对应数据之间的比较测得的相对于正常脑功能的偏离可能是由于大脑功能障碍所致。大脑功能障碍可能是由于缺氧缺血性脑病/脑损伤、创伤性脑损伤、中风、脑内或蛛网膜下腔出血或其它脑出血、败血性脑病、脑膜炎、脑炎、血管炎、肝性脑病、中毒性或代谢紊乱或药物的副作用而发生的。例如，脑功能障碍可能表现为昏迷或谵妄。此外，例如由于神经退行性疾病(诸如，阿尔茨海默氏病或帕金森氏病、血管性、额颞部或路易体痴呆、多发性硬化、包括抑郁症、双相性和精神分裂症的精神病、癫痫、偏头痛、注意缺陷障碍或注意缺陷多动障碍)，可能发生脑功能障碍。

在全身麻醉期间以及在自然睡眠期间都可以看到慢波。在非REM(NREM)睡眠阶段2中看到单个慢波(即，K复合波)，在深度NREM睡眠(阶段3)期间看到连续的慢波活动。可以在自然睡眠期间测量至少两个脑电图信号之间的慢波的相位-相位、相位-幅度和/或幅度-相位耦合，并且可以与基于参考脑功能的对应相位耦合模板信息进行比较。参考脑功能可以代表健康个体或具有特定脑功能障碍的个体。此外，参考脑功能可以代表在睡眠或清醒期间的测量结果。该比较可以用于例如检测和/或测量慢波活动、不同的睡眠阶段、癫痫活动或脑功能障碍/损伤的量。

有时在癫痫活动/癫痫发作或脑功能障碍/损伤期间也看到慢波。在另一方面，在癫痫活动/癫痫发作或脑功能障碍/损伤期间，自然睡眠和麻醉期间所见的正常的慢波活动可能会消失或受到干扰。可以在癫痫活动/癫痫发作或脑功能障碍/受损期间测量至少两个脑电图信号之间的慢波的相位-相位、相位-幅度和/或幅度-相位耦合，并且可以与基于参考脑功能的对应相位耦合模板信息进行比较。参考脑功能可以代表健康个体或具有癫痫活动/癫痫发作或特定脑功能障碍的个体。此外，参考脑功能可以代表相同或其它个体。此外，参考脑功能可以代表自然睡眠、麻醉或清醒期间的测量结果。该比较可以用于例如检测和/或测量癫痫活动/癫痫发作或脑功能障碍/损伤的量。

在全身麻醉的不同水平可以看到慢波。虽然在失去意识后的深度镇静中可以看到连续的慢波活动，但是在非常深度的麻醉中也可以看到该活动，此时在EEG中可以看到爆发抑制模式。这种状态有时也称为医学昏迷。慢波的相位耦合模式在看到连续慢波活动的状态与看到爆发抑制模式的状态之间可能会大不相同。可以在不同的麻醉水平下测量至少两个脑电图信号之间的慢波的相位-相位、相位-幅度和/或幅度-相位耦合，并且可以与基于参考脑功能的对应相位耦合模板信息进行比较。参考脑功能可以代表健康个体或具有特定脑功能障碍的/损伤的个体。此外，参考脑功能可能代表不同的麻醉水平，诸如，清醒状态、轻度镇静、看到连续慢波活动的深度镇静，或爆发抑制模式。该比较可以用于例如检测和/或测量麻醉的水平或深度、爆发抑制模式或脑功能障碍/损伤。

图12呈现了与关于慢波的信号耦合确定有关的方法的流程图的示例。在步骤1200，可以在滤波器组中对EEG信号进行滤波。该步骤可以包括在检测中。在步骤1202中，可以预处理期望的EEG信号，这可以例如指滤除噪声和伪影、检测具有不良接触的电极并潜在地将它们的信号从进一步处理中去除。

在步骤1204中，可以选择期望的EEG信号并且可以将其潜在地变换以用于测量。该步骤也可以包括在检测中。在此步骤1202中，一个或更多个EEG信号也可以被变换。在步骤1206中，将一个或更多个EEG信号的相位和幅度信息彼此分离。在步骤1208中，确定和/或分析相位-相位、相位-幅度和/或幅度-相位耦合。在一个实施方式中，在步骤1206和1208之间，在步骤1207A中将EEG信号的幅度变换成信号分量。然后，在此实施方式中，在步骤1207B中检测幅度(包络)的相位信息。所检测的幅度(包络)的相位信息可以用于步骤1208中的相位-幅度和/或幅度-相位耦合确定。在步骤1210中，可以执行耦合特征(耦合的强度、时滞、相位、方向等)计算，该计算可以提供一个或更多个耦合特征矩阵，该矩阵也可以包括关于EEG信号功率的信息(参见图4至图6和图8至图11)。在步骤1212中，可以执行功率特征计算(关于至少一个脑电图信号的功率的第二信息)，该计算可以提供功率特征矩阵(参见图7和图9)。

图13呈现了关于慢波的耦合特征指数计算、可视化和学习(参见图11)的流程图的示例。在步骤1300中，通过特征选择步骤1300接收功率特征矩阵和耦合特征矩阵。特征选择步骤1300可以为下一步骤选择功率特征矩阵和耦合特征矩阵中的一者或两者。特征选择步骤1300还可以接收关于代理和重要性分析步骤1300A的信息。附加地或另选地，特征选择步骤1300可以将关于特征选择的信息提供给代理和重要性分析步骤1300A。在步骤1302中，可以将所选的一个或更多个特征矩阵归一化和/或与参考脑功能(参考脑功能(健康大脑)和第二参考脑功能(不健康大脑))的对应矩阵进行比较，以便形成特征的距离度量。步骤1302可以向学习处理1302A输入信息或从学习处理1302A接收信息，该学习处理1302A可以使用至少一个处理器和至少一个包括合适的计算机程序的存储器来执行。学习处理1302A可以与数据库1302B通信，该数据库1302B又可以与云服务器1302C具有有线或无线的操作连接。数据库1302B和/或云服务器1302C可以用作原始EEG信号和经处理的EEG信号的数据存储。附加地或另选地，数据库1302B和/或云服务器1302C可以根据现有技术和/或根据本说明书中教导的内容，以一种或更多种方式来处理EEG信号。在步骤1304中，由步骤1302提供的归一化和/或距离度量形成一个或更多个指数。一个或更多个指数可以存储在数据库1302B和/或云服务器1302C中或在数据库1302B和/或云服务器1302C的处理中使用。在步骤1306中，可以执行表面计算并且可以提供如图3至图6和图8所示的结果。

图14呈现了可以如何计算耦合指数(参见图13和图11)的示例。步骤1400可以接收在图13的步骤1302中形成的功率特征和/或距离。功率特征和/或距离可以来自步骤1302、数据库1302B或云服务器1302C。然后，步骤1400可以执行功率模式计算。步骤1404可以通过与图9中类似的功率模式计算来形成功率模式拟合序列。步骤1402又可以从图12的步骤1206接收耦合特征和/或距离，并且可以形成耦合模式。然后，步骤1406可以通过由步骤1402提供的耦合模式计算来形成耦合模式拟合序列。

步骤1408可以接收功率模式拟合序列以及与图10所示并且在图12的步骤1208中形成的那些类似的耦合模式拟合序列。可以在步骤1408中将功率模式拟合序列和耦合模式拟合序列进行组合，以形成与图11所示类似的一个或更多个指数。可以根据图13所示的步骤1304形成指数或多个指数。另外，可以利用步骤1410的至少一个激活函数来归一化、缩放和处理组合的模式。激活函数可以是非线性函数，其在期望范围上缩放组合模式的值。该函数可以是诸如传递函数或隶属函数，并且在人工神经网络和模糊逻辑领域中是已知的。学习处理1302A可以与序列组合步骤1408通信，使得可以在两个方向上交换信息。以类似于图13的方式，数据库1302B和云服务器1302C可以存储和/或处理它们接收和/或包括的EEG信号的信息。可以从数据库1302B检索代理重要性并将其提供给序列组合1408。另选地或附加地，可以在步骤1410中形成地形图。地形图可以例如放置在3维颅骨模型上。

在一个实施方式中，用于脑功能测量的设备可以包括或连接到给药装置104(参见图1)。给药装置104可以例如包括或可以是输注泵。在一个实施方式中，用于脑功能测量的设备可以包括或连接到血液测量装置106。血液测量装置106可以包括采样装置，该采样装置被配置成从人108获取血液样本，即，一定量的血液。采样装置可以包括真空容器和/或皮下注射针头。另外，血液测量装置106可以包括例如可以对血液进行化学或光学分析的血液分析装置。

图1还例示了刺激器112，其是可选的并且可以在实施方式中使用。

麻醉化合物的存在(通常被视为妨碍任何传统的EEG分析或神经系统评估)，可以揭示脑功能的基本方面，以用于脑功能的自动信号分析方法中，以产生与脑功能有关的度量和估计。再次需要先进的信号分析方法和脑功能建模来产生这种精确的度量。先进的脑功能度量在类似的应用情况中也可能被证明是有用的，诸如，对缓解或治愈大脑功能障碍的神经疗法有效性的测量。通常，机器学习和AI还可以在存在麻醉化合物期间用于脑信号分析。

可以在麻醉期间并且在不同的麻醉水平之间评估至少两个脑电图信号之间的相位-相位耦合、至少两个脑电图信号之间的相位-幅度耦合，以及至少两个脑电图信号之间的幅度-相位耦合。麻醉水平可以利用给药装置104控制，诸如，输注泵可以将呈流体形式的麻醉药物输注到人110的体内。以这种方式，人110以受控方式暴露于变化量的麻醉药物。麻醉药物包括一种麻醉药或麻醉药的组合。例如，麻醉药物可以是异丙酚。麻醉药物可以输注到人的循环系统的至少一个静脉中。麻醉药物可以连续输注或可以作为一个或更多个丸剂引入。麻醉药物然后可以被称为静脉内药物。附加地或另选地，可以使用动脉、硬膜外和/或皮下的、鞘内以及肌肉输注。输注在该上下文中还包括注射。输注泵可以非常准确地给予麻醉药物。麻醉药物的手动注射不太准确且昂贵。输注泵可以用于自适应地给予麻醉药物，使得输入例如关于期望参数(诸如，时间、EEG测量结果以及麻醉药物的所测量浓度)而变化。

附加地或另选地，可以将作为给药装置104的吸入装置用于通过吸嘴吸入麻醉药物。吸入可以是连续的，或者麻醉药物可以以逐步方式引入，每一步增加或减少剂量。

在人110暴露于一种或更多种估计或测得的非零量的麻醉药物的同时，数据处理单元100可以接收基于人110的大脑的EEG测量的EEG数据。

至少一种麻醉药物可以具有根据时间变化的、在人110的身体108中的一个或更多个估计或测得的非零浓度水平。可以仅在一个非零浓度(可以是估计的或测得的)下测量EEG。代替一个浓度水平，麻醉药物可以具有随时间变化的多个浓度水平。可以估计或测量至少一个浓度水平。麻醉药物的EEG效果通常取决于其在身体108中的浓度水平。诸如爆发抑制模式的EEG特性可以用于确定麻醉药的效果或水平。诸如爆发抑制模式的EEG特性可以用于确定麻醉药物的给药量。另选地或另外地，所使用的EEG特性可以包括：由于给药而引起的特征(诸如慢波活动)，并且例如利用药对该特征的最大效果。仍然另选地或另外地，所使用的EEG特性可以包括：由于给药而引起的、在慢波活动范围内跨预定阈值的特征变化的确定。预定阈值可以基于本领域技术人员的经验。预定阈值可以基于模拟。预定阈值可以基于药的预期效果、文献中公布的效果和使用。因为药的效果随时间而变化，所以本领域技术人员基于他的/她的知识知道何时超过预定阈值。可以基于说明书中先前解释的相位-相位、相位-幅度和/或幅度-相位耦合来测量慢波活动。另外，如在说明书中先前也解释的可以基于EEG的功率测量来测量慢波活动。

至少一种麻醉药物的给药可以改善相位耦合(相位-相位、相位-幅度和/或幅度-相位耦合)的测量。至少一种麻醉药的给药可以通过例如降低其它脑活动并增加慢波活动来增加信噪比。

可以在刺激期间评估并在施加和不施加刺激的状态之间比较至少两个脑电图信号之间的相位-相位耦合、至少两个脑电图信号之间的相位-幅度耦合，以及至少两个脑电图信号之间的幅度-相位耦合。刺激可以通过例如增加慢波活动和减少其它脑活动来改善对存在或不存在耦合的检测。

在一个实施方式(该实施方式的示例在图15中例示)中，刺激器112可以包括用于向大脑提供磁刺激的至少一个线圈200。刺激可以以经颅方式执行，即，线圈在被刺激的区域附近放置在头外部。在交变电流被馈送到线圈200时，生成交变磁场。刺激可以以重复方式来执行，即，以特定频率重复给出磁刺激脉冲。该频率例如可以约为0.8Hz或5Hz，并且刺激例如可以持续大约30分钟。刺激可以被给到头皮上的特定位置(诸如，感觉运动皮层上方的区域)，以刺激皮层的特定区域。刺激强度例如可以为与150V/m至180V/m的最大电场对应的最大刺激器输出的65％至85％。

在一个实施方式(该实施方式的示例在图16中例示)中，刺激器112可以包括用于向大脑提供电刺激的至少一个刺激电极300。该至少一个刺激电极300可以被包括在电极系统102中或与电极系统102分离。电极300可以无线地传输电磁辐射，或者可以通过与大脑的电流接触而将交变电流或直流电流馈送到大脑。刺激可以以经颅方式执行，即，电极或多个电极在被刺激的区域附近放置在头皮上。刺激可以以振荡方式来给出，即，以特定频率改变直流电流的幅度或改变交变电流的方向。该频率例如可以约为0.8Hz或5Hz，并且刺激例如可以持续大约30分钟。刺激可以给到头皮上的特定位置(诸如，额叶皮层上方的区域)，以刺激皮层的特定区域。在直流电流刺激的情况下，阳极(具有正极性的电极)可以位于额叶皮层上方，并且阴极(具有负极性的电极)可以充当参考电极，并且可以被放置在三角肌上。刺激电流例如可以在0至0.6mA之间变化，并且最大电流密度可以约为0.5mAcm-2。

作为头皮上的刺激的另选方案或除此之外，可以通过将电极放置在皮层的表面上或脑组织内部来将电刺激直接施加到脑组织，在这种情况下，该方法被称为深部脑刺激。

在一个实施方式(该实施方式的示例在图17中例示)中，刺激器112可以包括用于向大脑提供声刺激的至少一个超声换能器400。超声换能器400可以将超声引导到整个大脑或大脑的一部分。

在一个实施方式(该实施方式的示例与图15至图17所例示的示例类似)中，刺激器112可以包括用于向大脑提供光刺激的至少一个光纤或至少一个光辐射源。光辐射源例如可以包括至少一个LED(发光二极管)或至少一个激光器。至少一个光纤或至少一个光辐射源可以将光刺激引导到整个大脑、大脑的一部分或大脑的多个部分。在光刺激中，可以结合光遗传学方法。在该方法中，已经通过基因修饰使得神经元对光刺激敏感。

在一个实施方式(该实施方式的示例在图18中例示)中，刺激器112可以包括用于向大脑提供化学刺激的至少一个刺激给药装置500。刺激给药装置500可以包括与给药装置104类似的输注泵和/或吸入装置。刺激给药装置500可以向人110提供至少一种刺激药。刺激药在这里意指可以引起缺失活动(missing activity)或减少异常活动的药。例如，用于慢波活动的刺激药可以为静脉内GABA能麻醉剂、吸入GABA能麻醉剂、阿片类(opioid)和/或α2-肾上腺素麻醉剂。其它静脉内GABA能麻醉剂的组例如可以包括依托咪酯(etomidate)、硫喷妥钠(thiopental)和/或美索比妥(methohexital)。吸入GABA能麻醉剂的组例如可以包括异氟醚(isoflurane)、地氟醚(desflurane)和/或七氟烷(sevoflurane)。阿片类的组例如可以包括吗啡(morphine)、芬太尼(fentanyl)、四唑芬太尼(alfentanil)、瑞芬太尼(remifentanil)和/或舒芬太尼(sufentanil)。α2-肾上腺素麻醉剂的组例如可以包括：右美托咪啶(sufentanil)等。

在一个实施方式中，可以基于第一信息来使用刺激。在一个实施方式中，可以使用刺激来改善具有确定的异常脑活动的人的脑功能。在一个实施方式中，当已经基于第一信息确定大脑中的异常活动时，可以使用刺激来加速朝着正常大脑活动的改善。在一个实施方式中，当已经基于第一信息确定大脑中的异常活动时，可以使用刺激来达到比没有刺激时更接近正常大脑活动的大脑活动。在一个实施方式中，可以基于第一信息将刺激应用于具有估计的良好结果的人，因为刺激可以在治疗过程中帮助他们。在一个实施方式中，可以基于第一信息将刺激应用于具有估计的不良结果的人，因为刺激可以帮助他们治愈。在这些情况下，除了第一信息之外，还可以使用第二信息。

图19例示了相位-幅度耦合的示例。接收或选择用于测量的EEG信号的数量可以是N，其中，N为至少两个，并且可以首先对其进行滤波。可能有M个EEG信号也被接收或选择用于测量，M小于N。然后可以比较一个或更多个慢波信号(SW1和SW2)和多达K个信号(S3、S4包络1和S4包络2)，其中，K是大于零的整数。即，可以将K个信号中的它们的信号分量(诸如，幅度)与慢波信号的相位进行比较。K个信号的幅度是指K个信号的包络。幅度/包络的变化在慢波频带中。在该示例中，幅度S4包络1是慢波并且可以在耦合中被考虑。而幅度S4包络2不在慢波频带中，并且对慢波耦合没有贡献(尽管信号S3与S4之间可能存在耦合，而信号S3和S4本身不在慢波带中)。

对本领域技术人员将明显的是，随着技术发展，本发明概念可以以各种方式来实施。本发明及其实施方式不限于上述示例实施方式，而是可以在所附权利要求的范围内变化。

Claims

1.一种设备，其中，所述设备包括数据处理单元(100)，所述数据处理单元(100)包括一个或更多个处理器(200)和包含计算机程序代码的一个或更多个存储器(202)；并且所述一个或更多个存储器(202)和所述计算机程序代码与所述一个或更多个处理器(200)被配置成使所述设备至少：

接收人(108)的大脑的至少两个脑电图信号；

形成关于以下项中的至少一项的第一信息：至少两个脑电图信号之间的相位-相位耦合、至少两个脑电图信号之间的相位-幅度耦合以及至少两个脑电图信号之间的幅度-相位耦合，所述第一信息与具有等于或低于1Hz的频率的慢波有关；

将所述第一信息归一化；以及

输出与所归一化的第一信息有关的信息。

2.一种设备，其中，所述设备包括数据处理单元，所述数据处理单元包括一个或更多个处理器(200)和包含计算机程序代码的一个或更多个存储器(202)；并且所述一个或更多个存储器(202)和所述计算机程序代码与所述一个或更多个处理器(200)被配置成使所述设备至少：

接收人(100)的大脑的至少两个脑电图信号；

形成关于以下项中的至少一项的第一信息：至少两个脑电图信号之间的相位-相位耦合、至少两个脑电图信号之间的相位-幅度耦合以及至少两个脑电图信号之间的幅度-相位耦合，所述第一信息与具有等于或低于1Hz的频率的慢波的相位耦合有关；

在所述第一信息与基于参考脑功能的对应耦合模板信息之间执行第一比较；以及

输出与所述第一比较的结果有关的信息。

3.根据权利要求1所述的设备，其中，所述一个或更多个存储器(202)和计算机程序代码与所述一个或更多个处理器(200)被配置成：使所述设备形成与至少一个脑电图信号的功率有关的第二信息；将所述第二信息归一化；以及输出与所归一化的第二信息的结果有关的信息。

4.根据权利要求3所述的设备，其中，所述一个或更多个存储器(202)和计算机程序代码与所述一个或更多个处理器(200)被配置成：使所述设备在所述第二信息与基于参考脑功能的对应功率模板信息之间执行第二比较，以便将所述第二信息归一化。

5.根据权利要求3所述的设备，其中，所述一个或更多个存储器(202)和计算机程序代码与所述一个或更多个处理器(200)被配置成：使所述设备组合所述第一信息和所述第二信息，在所组合的信息与基于参考脑功能的对应组合模板信息之间执行组合比较，以及输出与所述组合比较有关的信息。

6.根据权利要求1所述的设备，其中，所述一个或更多个存储器(202)和计算机程序代码与所述一个或更多个处理器(200)被配置成：使所述设备接收所述人(108)的所述大脑的所述至少两个脑电图信号，所述人(108)至少预计受到以下列表中的至少一项的影响：癫痫活动、脑功能障碍、神经损伤、睡眠以及一种或更多种非零量的麻醉药物。

7.根据权利要求6所述的设备，其中，所述一个或更多个存储器(202)和计算机程序代码与所述一个或更多个处理器(200)被配置成：使所述设备基于所述第一比较来估计所述人(108)是否受到所述列表中的所述至少一项的影响，并呈现估计的结果。

8.根据权利要求1所述的设备，其中，所述一个或更多个存储器(202)和计算机程序代码与所述一个或更多个处理器(200)被配置成：使所述设备基于所述第一比较来预测所述人(108)的神经系统功能水平。

9.根据权利要求8所述的设备，其中，所述一个或更多个存储器(202)和计算机程序代码与所述一个或更多个处理器(200)被配置成：如果所述第一信息与所述耦合模板信息之间的差小于第一确定阈值，则使所述设备预测所述人的所述神经系统功能水平朝着良好结果的进一步发展。

10.根据权利要求8所述的设备，其中，所述一个或更多个存储器(202)和计算机程序代码与所述一个或更多个处理器(200)被配置成：如果所述第一信息与所述耦合模板信息之间的差大于第二确定阈值，则使所述设备预测所述人(108)的所述神经系统功能水平朝着不良结果的进一步发展。

11.根据权利要求1所述的设备，其中，所述一个或更多个存储器(202)和计算机程序代码与所述一个或更多个处理器(200)被配置成：使所述设备基于相位分离卷积变换来分离所述至少两个脑电图信号的相位和幅度。

12.根据权利要求1所述的设备，其中，所述一个或更多个存储器(202)和计算机程序代码与所述一个或更多个处理器(200)被配置成使所述设备基于以下项中的至少一项来形成所述第一信息：信息理论度量、锁相乘数、解调、概率密度估计、双变量度量、相关性、多变量因果关系度量和耦合指纹。

13.根据权利要求1所述的设备，其中，所述设备包括电极系统(102)，所述电极系统(102)被配置成向所述数据处理单元(100)提供所述人(108)的所述大脑的所述至少两个脑电图信号。

14.一种方法，其中，在数据处理单元(100)中执行的所述方法包括：

由数据处理单元(100)接收人(108)的大脑的多个脑电图信号；

将所述第一信息归一化；以及

输出与所归一化的第一信息有关的信息。

15.根据权利要求14所述的方法，所述方法还包括：通过在所述第一信息与基于参考脑功能的对应耦合模板信息之间执行第一比较来将所述第一信息归一化；以及输出与所述第一比较的结果有关的信息。

16.根据权利要求14所述的方法，所述方法还包括：形成与所述至少两个脑电图信号的功率有关的第二信息；将所述第二信息归一化；以及输出与所归一化的第二信息的结果有关的信息。

17.根据权利要求16所述的方法，所述方法还包括：通过在所归一化的第二信息与基于参考脑功能的对应功率模板信息之间执行第二比较来将所述第二信息归一化，以及输出关于所述第二比较的信息。