CN113164744A - 预测性的疗法神经刺激系统 - Google Patents

Abstract

公开了用于电刺激周围神经(一个或多个)以治疗各种病症的系统、装置和方法，以及用于增强与此相关的诊断和治疗方案的信号处理系统和方法。

Description

预测性的疗法神经刺激系统

相关申请的引用

本申请根据35 U.S.C§119(e)要求2018年9月26日提交的美国临时申请号62/736,968作为非临时申请的权益，其以引用方式全文并入本文。

技术领域

本发明的实施方式总体涉及用于刺激神经的系统、装置和方法，并且更具体地涉及用于电刺激周围神经(一个或多个)以治疗各种病症的系统、装置和方法，以及用于增强与此相关的诊断和治疗方案的信号处理系统和方法。

背景技术

可以利用各种各样的治疗方式对周围神经进行神经调节。例如，电能可以通过神经刺激系统经由皮肤表面上的电极经皮(transcutaneously)传递，以刺激周围神经(如上肢的正中神经、桡神经和/或尺神经；下肢的胫神经、隐神经和/或腓神经；或头或耳上的耳迷走神经、耳屏、三叉神经或颅神经，作为非限制性示例)。刺激这些神经已显示出提供跨越多种疾病的治疗益处，多种疾病包括但不限于移动障碍(包括但不限于特发性震颤、帕金森氏震颤、直立性震颤和多发性硬化症)、泌尿科病症、胃肠道病症、心脏病、和炎性疾病、情绪障碍(包括但不限于抑郁症(depression)、双相型障碍、心境恶劣(dysthymia)、和焦虑障碍)、疼痛综合征(包括但不限于偏头痛和其它头痛、三叉神经痛、纤维肌痛、复杂性局部疼痛综合征)等等。可以通过某种形式的经皮、经由皮肤或其它植入形式的周围神经刺激来治疗多种症状(如震颤)。需要具有紧凑的、人体工程学形式因素的可穿戴系统，以增强使用该装置的功效、顺应性和舒适性。

发明内容

在一些实施方式中，根据本公开中描述的实施方式中的任何一个或多个，本文公开了神经调节装置。

根据本公开中描述的实施方式中的任何一个或多个，本文也公开了用于预测临床评分的系统和/或方法。

根据本公开中描述的实施方式中的任何一个或多个，本文中进一步公开了用于预测对疗法的反应或其的缺乏的系统和/或方法。

在一些实施方式中，本文公开了用于经皮刺激用户的一个或多个周围神经的可穿戴神经刺激装置。装置可以包括一个或多个电极，该电极被配置为产生电刺激信号。装置可以进一步包括被配置为检测运动信号的一个或多个传感器，其中该一个或多个传感器可操作地连接至可穿戴神经刺激装置；装置还可以包括一个或多个硬件处理器。该一个或多个硬件处理器可以从该一个或多个传感器接收在时域中的原始信号。该一个或多个硬件处理器可以将原始信号分离成多个帧。在一些情况下，对于该多个帧中的每个，该一个或多个硬件处理器可以将原始信号变换到频域中。进一步，该一个或多个硬件处理器可以针对各个帧计算变换信号的第一频带中的第一能量。该一个或多个硬件处理器还可针对各个帧计算变换信号的第二频带中的第二能量，其中第二频带包括与震颤相对应的第一频率。该一个或多个硬件处理器可以基于第一能量与第二能量的比较来确定各个帧中的运动伪像。该一个或多个硬件处理器可以基于对帧中的每个的运动伪像的确定来组合帧。此外，该一个或多个硬件处理器可以从时域或频域中的组合帧中提取特征。该一个或多个硬件处理器可以基于提取的特征来确定规则。在一些情况下，该一个或多个硬件处理器可以基于确定的规则在操作数据上的应用，确定神经刺激疗法的结果。

在一些情况下，传感器可操作地被附接到可穿戴神经刺激装置。

在一些情况下，原始信号与用户的震颤活动相关。

在一些情况下，可穿戴神经刺激装置可以包括一个或多个末端效应器(effectors)，其可以产生除电刺激信号之外的刺激信号。

在一些情况下，除电刺激信号之外的刺激信号是振动刺激信号。

在一些情况下，传感器包括IMU。IMU可以包括陀螺仪、加速度计和磁力计中的一个或多个。

在一些情况下，第二频带在约4Hz和约12Hz之间。

在一些情况下，第二频带在约3Hz和约8Hz之间。

在一些情况下，特征可以包括以下中的任何一个或多个：幅度、带宽、曲线下面积(例如，功率)、频率仓(frequency bins)中的能量、峰值频率或频带之间的比率。

在一些情况下，特征包括动力学特征中的一个或多个。动力学特征可以包括信号的规律性、幅度和形状。

在一些情况下，特征可以包括以下中任何一个或多个：峰值震颤频率处的幅度或功率谱密度(“PSD”)、在峰值震颤频率周围约2.75Hz宽的频带中的合计幅度或PSD、在约4到约12Hz之间的频带中的合计幅度或PSD、或仅从刺激前频谱中选出的峰值震颤频率周围的频带中的合计幅度或PSD。

在一些情况下，特征包括时域特征。在一些情况下，特征包括频域特征。在一些情况下，特征包括时域和频域特征的组合。

在一些情况下，特征包括以下中的任何一个或多个：近似熵、位移、曲线拟合、功能PCA、滤波、均值、中位数或时域范围中的至少一个。

在一些实施方式中，本文公开了用于经皮调节用户的一个或多个周围神经的可穿戴装置。装置可以包括一个或多个末端效应器，其被配置为产生刺激信号。装置可以进一步包括被配置为检测运动信号的一个或多个传感器，其中该一个或多个传感器可操作地连接至可穿戴装置。装置可以包括一个或多个硬件处理器。该一个或多个硬件处理器可以从该一个或多个传感器接收时域中的原始信号。该一个或多个硬件处理器可以将原始信号分离成多个帧。在一些情况下，对于该多个帧中的每个，该一个或多个硬件处理器可以执行以下操作中的一个或多个：将原始信号变换到频域中；针对各个帧计算变换信号的第一频带中的第一能量；针对各个帧计算变换信号的第二频带中的第二能量，其中第二频带包括与震颤相对应的第一频率；基于第一能量与第二能量的比较来确定各个帧中的运动伪像；基于对帧中的每个的运动伪像的确定来组合帧；从时域或频域中的组合帧中提取特征；基于提取的特征确定规则；以及基于确定的规则在操作数据上的应用，确定临床评分和神经刺激疗法结果中的一个或多个。

在一些情况下，该一个或多个硬件处理器可以在第一活动期间确定用于第一刺激疗法的第一校准频率，以及在第二不同活动期间确定用于第二刺激疗法的第二不同校准频率。在一些情况下，第一校准频率在第二校准频率的约3Hz之内。

在一些实施方式中，本文公开了经皮刺激用户的一个或多个周围神经的方法。方法可以包括经由脉冲发生器向定位于用户的皮肤表面上的一个或多个电极产生电刺激信号。该方法还可以包括经由一个或多个传感器检测运动信号。方法可以包括经由硬件处理器处理运动信号。运动信号的处理可以包括以下操作中的任何一个或多个：从该一个或多个传感器接收在时域中的原始信号；将原始信号分离成多个帧。在一些情况下，对于该多个帧中的一些或全部，方法包括以下操作中的一个或多个：将原始信号变换到频域中；针对各个帧计算变换信号的第一频带中的第一能量；针对各个帧计算变换信号的第二频带中的第二能量，其中第二频带包括与震颤相对应的第一频率；基于第一能量与第二能量的比较来确定各个帧中的运动伪像；基于对帧中的每个的运动伪像的确定来组合帧；从时域或频域中的组合帧中提取特征；基于提取的特征确定规则；以及基于确定的规则在操作数据上的应用来确定神经刺激疗法的结果。

在一些情况下，方法可以包括识别有特发性震颤的用户。

在一些情况下，方法可以包括识别患有帕金森氏病的用户。

在一些情况下，方法可以包括：在第一活动期间确定用于第一刺激疗法的第一校准频率，以及在第二不同活动期间确定用于第二刺激疗法的第二不同校准频率。

在一些情况下，第一校准频率在第二校准频率的约3Hz之内。

在一些情况下，第一活动选自：动作、绘图、姿势保持和倾倒。

在一些实施方式中，本文公开了使用周围经皮神经刺激疗法治疗患有震颤的患者的方法。方法可以包括指示患者执行第一震颤诱发活动以引起第一诱发性震颤。方法可以包括使用可穿戴生物力学传感器测量患者四肢的移动，以表征第一诱发性震颤的频率。方法可以包括至少部分地基于第一诱发性震颤的频率，利用第一组刺激参数电刺激传入周围神经。在一些情况下，在电刺激传入周围神经之后，指示患者执行与第一震颤诱发活动不同的第二震颤诱发活动以引起第二诱发性震颤。方法可以进一步包括利用可穿戴生物力学传感器测量患者四肢的移动，以表征第二诱发性震颤的频率。方法还可以包括至少部分地基于第二诱发性震颤的频率，利用第二组刺激参数电刺激传入周围神经。

在一些实施方式中，本文公开了校准神经刺激装置的方法。方法可以包括在第一时间段内以采样率收集运动数据，其中运动数据包括对应于多个轴线的运动。方法可以包括将收集的运动数据分离到多个窗口中。方法可以进一步包括针对多个轴线中的每个在该多个窗口中的每个上执行频率变换。方法还可以包括对于该多个窗口中的每个窗口，将该多个轴线的频率变换频谱进行组合。方法可以进一步包括将来自该多个窗口中的每个的各个频谱组合成校准频谱。方法还可以包括从校准频谱确定峰值。方法可以包括基于确定的峰值进行校准。

在一些情况下，方法可以包括平均该多个窗口以生成校准频谱。

在一些情况下，方法可以包括基于对伪像或噪声的检测，丢弃该多个窗口中的一个或多个。

在一些情况下，第一时间段是约12秒。

在一些情况下，该多个窗口中的每个的长度是2.4秒。

在一些实施方式中，本文公开了预测对用户的神经刺激的治疗功效的方法。方法可以包括确定第一特征，第一特征包括具有最高功率的4-12Hz频带中的第一频率。方法还可以包括确定第二特征，第二特征包括在4-12Hz频带中具有最高功率的频率的峰值处的第一功率。方法还可以包括确定第三特征，第三特征包括在正或负1.5Hz窗口中的平均功率，窗口以4-12Hz频带中具有最高功率的频率为中心。方法可以包括确定第四特征，第四特征包括在正或负1.5Hz窗口中的功率合计，窗口以4-12Hz频带中具有最高功率的频率为中心。方法可以包括确定第五特征，第五特征包括在4-12Hz频带中的合计功率。方法可以包括确定第六特征，第六特征包括在4-12Hz频带中的功率谱密度的熵。方法可以进一步包括确定包括Q因数的第七特征，Q因数是峰值频率除以频谱功率高于峰值功率的50％的频率范围。方法还可以包括确定包括时间序列数据的时间规律性的第八特征。在一些情况下，方法包括仅确定上述八个特征中的一些。方法可以进一步包括基于与第一、第二、第三、第四、第五、第六、第七和第八特征中的任何一个或多个相对应的各个权重的应用来预测治疗功效。

在一些情况下，基于使用机器学习模型的训练来计算各个权重。在一些情况下，治疗功效包括临床评定(clinical rating)。在一些情况下，治疗功效包括概率。在一些情况下，治疗功效包括需要下一次治疗之前的时间。

在一些实施方式中，本文公开了预测对用户的神经刺激的治疗功效的方法。方法可以包括在第一时间段内以采样率收集运动数据，其中运动数据包括与多个轴线相对应的运动。方法可以进一步包括将收集的运动数据分离到多个窗口中。方法还可以包括针对多个轴线中的每个在该多个窗口中的每个上执行频率变换。方法可以进一步包括针对该多个轴线中的每个的该多个窗口中的每个确定峰值频率。方法还可以包括：计算该多个窗口中的每个峰值频率窗口的可变性的量度、针对该多个轴线中的每个的该多个窗口中的每个的频率变换频谱的可变性。方法可以进一步包括基于可变性的量度的量级来预测治疗功效。

附图说明

图1A说明了示例神经调节(例如，神经刺激)装置的框图。

图1B说明了控制器的实施方式的框图，控制器可以用关于图1A描述的硬件部件来实施。

图1C示意性地说明了神经调节装置和基站的实施方式。

图2说明了控制器的实施方式的框图，控制器可以用关于图1A或图1B描述的硬件部件来实施。

图3说明了用于校准神经刺激装置的过程的实施方式的流程图。

图3A说明了用于执行窗口校准的过程的非限制性实施方式的流程图。

图3B是说明一些情况下，患者的震颤频率跨越不同任务可以变化的图。

图4和图4A说明了用于从IMU收集数据并处理收集的数据的过程的实施方式的流程图。

图5A说明了用于产生确定神经刺激疗法结果的规则的过程的实施方式的流程图。

图5B说明了包括示例提取的特征的示例组合频谱。

图6A示意性地说明了可穿戴神经调节装置。

图6B说明了刺激波形的实施方式。

图6C说明了在不同时间点的刺激评估。

图6D说明了从功率谱密度图表提取的特征。

图7A-图7D说明了关于神经调节疗法的传感器测量的震颤动力学的减少。

图8A-图8D说明了平均峰值震颤功率与临床目视评定之间的相关性图。

图9A-图9D说明了传感器测量的动力学可以预测跨越任务的临床评定。

图10是说明运动数据(例如，加速度计)与临床规模之间的相关性的图。

图11证明用在更长时间段上收集的数据可以改善对患者反应的预测。

图12进一步证明了在疗法的第一天/第一周/第一个月的患者反应如何基于研究期间的平均结果预测所有区段上的反应。

图13说明了在神经调节疗法时，对在药物(例如震颤药物)治疗中和不在药物治疗中的患者，神经调节疗法的功效都高。

图14是说明患者测量的疗法结果与传感器测量的动力学改善是相关的图。

图15A-图15D说明了根据一些实施方式的用于传感器量度的端点的示例。

具体实施方式

本文公开了被配置为用于提供神经调节(例如，神经刺激)的装置。本文提供的神经调节(例如，神经刺激)装置可以被配置为刺激用户的周围神经。神经调节(例如，神经刺激)装置可以被配置为跨越用户的皮肤经皮传输一种或多种神经调节(例如，神经刺激)信号。在许多实施方式中，神经调节(例如，神经刺激)装置是被配置为由用户穿戴的可穿戴装置。用户可以是人类、另一种哺乳动物或其它动物用户。神经调节(例如，神经刺激)系统还可以包括用于增强与此相关的诊断和治疗方案的信号处理系统和方法。在一些实施方式中，神经调节(例如，神经刺激)装置被配置为可穿戴在用户的上肢(例如，用户的手腕、前臂、手臂、和/或手指(一根或多根))上。在一些实施方式中，装置被配置为可穿戴在用户的下肢(例如，脚踝、小腿、膝盖、大腿、脚和/或脚趾)上。在一些实施方式中，装置被配置为可穿戴在头部或颈部(例如，前额、耳朵、颈部、鼻子、和/或舌头)上。在几个实施方式中，提供了神经冲动和/或神经递质的衰减或阻断。在一些实施方式中，神经冲动和/或神经递质被增强。在一些实施方式中，装置被配置为可穿戴在用户的耳朵上或近侧(例如，包括但不限于迷走神经的耳廓分支的耳廓神经调节(例如，神经刺激))。装置可以是单耳的或双耳的，包括单个装置或有线或无线连接的多个装置。

当使用非侵入性或可穿戴的神经调节装置时，需要具有紧凑的、人体工程学形式因素的系统以增强功效、顺应性和/或舒适性。在几个实施方式中，提供了神经调节系统和方法，其增强或抑制神经冲动和/或神经传递，和/或调节神经、神经元、神经回路和/或影响神经和/或神经元的激活的其它神经解剖部位的兴奋性。例如，神经调节(例如，神经刺激)可以包括对神经组织的以下一种或多种效果：使神经元去极化，使得神经元激发动作电位；使神经元超极化以抑制动作电位；耗尽神经元离子存储以抑制激发动作电位；随本体感受输入而改变；影响肌肉收缩；影响神经递质释放或摄取的变化；和/或抑制激发。

在一些实施方式中，本文公开的可穿戴系统和方法可以有利地用于识别治疗是否对显著地减轻或预防医学状况(包括但不限于震颤严重程度)有效。可穿戴传感器可以有利地监测、表征和帮助手部震颤以及其它医学状况(包括本文其它地方公开的那些)的临床管理。不受理论的限制，医学状况(例如，震颤严重程度)的临床评定可以与使用惯性测量单元(IMU)同时进行的腕部运动测量相关。例如，从腕部处IMU提取的震颤特征可以提供关于震颤表型的特征信息，可以利用特征信息来改善诊断、预后和/或治疗结果。动力学量度可以与震颤严重程度相关，并且例如本文公开的结合在神经调节系统和方法中的机器学习算法可以预测震颤严重程度的目视评定。

神经调节装置

图1A说明了示例神经调节(例如，神经刺激)装置100的框图。装置100包括能够或被编程为跨越用户的皮肤提供疗法的多个硬件部件。如图1A中说明的，如虚线框表明的，这些硬件部件中的一些可能是可选的。在一些情况下，装置100可以仅包括刺激疗法所需的硬件部件。硬件部件将在下面更详细地描述。

装置100可以包括两个或更多个效应器，例如，用于提供神经刺激信号的电极102。在一些情况下，装置100被配置为仅用于经皮使用，并且不包括任何经由皮肤(percutaneous)或可植入的部件。在一些实施方式中，电极可以是干电极。在一些实施方式中，可以将水或凝胶施加到干电极或皮肤以改善电导率。在一些实施方式中，电极不包括任何水凝胶材料、粘合剂、或类似物。

装置100可以进一步包括刺激电路系统104，用于产生通过电极(一个或多个)102施加的信号。信号的频率、相位、时序、幅度或偏移量可能不同。装置100还可以包括用于向硬件部件提供电力的电力电子装置106。例如，电力电子装置106可以包括电池。

装置100可以包括一个或多个硬件处理器108。硬件处理器108可以包括微控制器、数字信号处理器、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑装置、离散门或晶体管逻辑、离散硬件部件、或被设计为执行本文描述的功能的其任何组合。在一个实施方式中，本文讨论的所有处理均由硬件处理器(一个或多个)108执行。存储器110可以存储特定于患者的数据和如下讨论的规则。

在说明的图中，装置100可以包括一个或多个传感器112。如图中所示，传感器(一个或多个)112可以是可选的。传感器可以包括例如被配置为例如测量运动的生物力学传感器和/或生物电传感器(例如，EMG、EEG、和/或神经传导传感器)。传感器可以包括例如心脏活动传感器(例如，ECG、PPG)、皮肤电导传感器(例如，皮肤电反应、皮肤电活动)和运动传感器(例如，加速度计、陀螺仪)。该一个或多个传感器102可以包括惯性测量单元(IMU)。

在一些实施方式中，IMU可以包括陀螺仪、加速度计和磁力计中的一个或多个。IMU可以被贴或集成到神经调节(例如，神经刺激)装置100。在一个实施方式中，IMU是现成的部件。除了其一般含义之外，IMU还可以包括如下讨论的特定部件。例如，IMU可以包括能够收集运动数据的又一个传感器。在一个实施方式中，IMU包括加速度计。在一些实施方式中，IMU可以包括多个加速度计以确定多个轴线上的运动。此外，在另外的实施方式中，IMU还可以包括一个或多个陀螺仪和/或磁力计。由于IMU可以与神经刺激装置100集成在一起，因此IMU可以从其传感器——其响应于装置100感觉到的运动、移动或振动——生成数据。此外，当用户穿戴具有集成的IMU的装置100时，IMU可以使得能够检测用户的自愿和/或非自愿运动。

装置100可以可选地包括用户接口部件(如反馈生成器114和显示器116)。显示器116可以向用户提供与校准或疗法有关的指令或信息。例如，显示器116还可以提供警报(如对疗法的反应的指示)。还可以使用反馈生成器114来提供警报，反馈生成器可以向用户提供触觉反馈(如在刺激的开始或终止时，用于提示警报，以提醒用户故障排除情况、以执行震颤诱发活动以测量震颤运动、等等)。因此，诸如反馈生成器114和显示器116的用户接口部件可以向用户提供音频、视觉和触觉反馈。

此外，装置100可以包括用于在装置100和外部系统(如下面讨论的用户接口装置)之间进行无线或有线通信的通信硬件118。通信硬件118可以包括天线。通信硬件118还可以包括用于有线通信的以太网或数据总线接口。

尽管说明的图示出了装置100的几个部件，但是这些部件中的一些是可选的并且不是在装置100的所有实施方式中都是需要的。在一些实施方式中，系统可以包括诊断装置或部件，其不包括神经调节功能。诊断装置可以是通过连接的云服务器无线连接的伴侣可穿戴装置，并且包括例如传感器(如本文其它地方描述的心脏活动、皮肤电导和/或运动传感器)。

在一些实施方式中，装置100还可以被配置成递送以下中的一种、两种或更多种：代替电刺激或除电刺激之外的磁刺激、振动刺激、机械刺激、热刺激、超声刺激或其它形式的刺激。可以经由与患者的皮肤表面接触或在患者的皮肤表面近侧的一个、两个或更多个效应器来递送这种刺激。然而，在一些实施方式中，装置被配置为仅递送电刺激，而不被配置为递送磁性刺激、振动刺激、机械刺激、热刺激、超声刺激或其它形式的刺激中的一种或多种。

尽管本文描述了几种神经刺激装置，但是在一些实施方式中，神经被非侵入性地调节以实现神经抑制。神经抑制可以多种方式发生，包括但不限于使神经元超极化以抑制动作电位和/或耗尽神经元离子存储以抑制激发动作电位。在一些实施方式中，这可以经由例如阳极或阴极刺激、低频刺激(例如，在一些情况下小于约5Hz)、或连续或中间猝发刺激(例如，θ猝发刺激)来发生。在一些实施方式中，可穿戴装置具有至少一个可植入部分，其可以是临时的或更长期的。在许多实施方式中，装置是完全可穿戴的和不可植入的。

用户接口装置

图1B说明了神经刺激装置100和用户接口装置150之间通过通信链路130的通信。通信链路130可以是有线的或无线的。神经调节(例如，神经刺激)装置100能够通信和接收来自用户接口装置150的指令。用户接口装置150可以包括计算装置。在一些实施方式中，用户接口装置150是移动计算装置(如移动电话、智能手表、平板电脑或可穿戴计算机)。用户接口装置150还可以包括远离神经刺激装置的服务器计算系统。用户接口装置150可以包括硬件处理器(一个或多个)152、存储器154、显示器156和电力电子装置158。在一些实施方式中，用户接口装置150还可以包括一个或多个传感器(如本文其它地方描述的传感器)。此外，在一些情况下，用户接口装置150可以生成对装置问题反应的警报或对疗法的反应。来自神经刺激装置100的警报可以被接收。

在另外的实施方式中，从该一个或多个传感器102获取的数据由硬件处理器(一个或多个)108和硬件处理器(一个或多个)152的组合来处理。在进一步的实施方式中，在硬件处理器108几乎不执行或不执行任何处理的情况下，从一个或多个传感器102收集的数据被传输到用户接口装置150。在一些实施方式中，用户接口装置150可以包括远程服务器，该远程服务器处理数据并且将信号传输回装置100(例如，经由云)。

图1C示意性地说明了神经调节装置和基站。装置可以包括刺激器和可拆卸带，其包括两个或更多个工作电极(定位于正中神经和桡神经上方)和定位于腕部背侧的反电极。电极可以是例如干电极或水凝胶电极。基站可以被配置为定期(例如每天)流动移动传感器和使用数据并为装置充电。可以将装置刺激猝发频率校准为侧向姿势保持任务“翅振(wing-beating)”或向前姿势保持任务持续预定时间(例如，对于每个受试者为20秒)。装置参数的其它非限制性示例可以如本文其它地方所公开的。

在一些实施方式中，刺激可以在每个神经之间交替，使得神经不会被同时刺激。在一些实施方式中，所有神经被同时刺激。在一些实施方式中，以许多猝发模式中的一种将刺激递送到各个神经。刺激参数可以包括开/关、持续时间、强度、脉冲率、脉冲宽度、波形形状以及脉冲的开和关的斜率。在一个优选的实施方式中，脉冲率可以是从约1到约5000Hz、约1Hz到约500Hz、约5Hz到约50Hz、约50Hz到约300Hz、或约150Hz。在一些实施方式中，脉冲率可以是从1kHz到20kHz。优选的脉冲宽度在一些情况下可以在50至500μs(微秒)的范围(如大约300μs)。电刺激的强度可以在0mA至500mA变化，且在一些情况下，电流可能是大约为1至11mA。电刺激可以在不同的患者中且以不同的电刺激方法被调节。强度调节的增量可以是例如0.1mA至1.0mA。在一个优选的实施方式中，刺激可以持续大约10分钟至1小时(如大约10、20、30、40、50或60分钟)、或包括前述值中的任何两个的范围。在一些实施方式中，多个电刺激可以在时间上以测量的有节奏的生物信号(如手部震颤)周期的倍数的预定分数(例如，如测量的信号的周期的约1/4、1/2或3/4)，彼此偏移地被递送。进一步可能的刺激参数例如在Rosenbluth等人的美国专利9,452,287、Wong等人的美国专利号9,802,041、Wong等人的PCT公开号WO2016/201366、Wong等人的PCT公开号WO 2017/132067、Hamner等人的PCT公开号WO2017/023864、Hamner等人的PCT公开号WO 2017/053847、Wong等人的PCT公开号WO2018/009680和Rosenbluth等人的PCT公开号WO 2018/039458中描述，其前述中的每一个均通过引用整体并入本文。

控制器

图2说明了控制器200的实施方式的框图，控制器200可以用以上关于图1A-图1C描述的硬件部件来实施。控制器200可以包括用于执行本文描述的过程和功能的多个引擎。引擎可以包括用于执行本文讨论的过程的编程指令，以用于检测输入条件和控制输出条件。引擎可以通过神经调节(例如，神经刺激)装置100的该一个或多个硬件处理器单独或与患者监测器150组合地执行。编程指令可以被存储在存储器110中。可以使用C、C++、JAVA或任何其它合适的编程语言来实施编程指令。在一些实施方式中，包括引擎的控制器200的部分的一些或全部可以在诸如ASIC和FPGA的专用电路系统中实施。控制器200的功能的一些方面可以通过网络在服务器(未示出)上远程执行。虽然显示为单独的引擎，但下面讨论的引擎的功能不一定需要分开。因此，控制器200可以用以上关于图1A-图1C的描述的硬件部件来实施。

控制器200可以包括信号收集引擎202。信号收集引擎202可以使能够从嵌入在装置中的传感器获取原始数据(包括但不限于来自IMU 102的加速度计或陀螺仪数据)。在一些实施方式中，信号收集引擎202还可以对原始数据执行信号预处理。信号预处理可以包括噪声过滤、平滑、平均和其它信号预处理技术，以清理原始数据。在一些实施方式中，信号的一部分可以被信号收集引擎202丢弃。

控制器200还可以包括特征提取引擎204。特征提取引擎204可以从信号收集引擎202收集的信号中提取相关特征。特征可以是在时域和/或频域中。例如，特征的一些可以包括幅度、带宽、曲线下面积(例如，功率)、频率仓中的能量、峰值频率、频带之间的比率等。可以使用诸如傅立叶变换、带通滤波、低通滤波、高通滤波等的信号处理技术来提取特征。

控制器可以进一步包括规则生成引擎206。规则生成引擎206可以使用来自收集的信号的提取的特征，并确定与神经刺激疗法相对应的规则。规则生成引擎206可以自动确定具体提取的特征与神经刺激疗法结果之间的相关性。结果可以包括，例如，基于动力学数据的震颤特征(例如，近似熵)识别将对疗法(例如，在初始试验拟合或校准过程期间)作出反应的患者，预测对给定患者(基于他们的震颤特征)将达到最佳治疗效果(例如，剂量，其中治疗的剂量或给药的参数包括但不限于刺激的持续时间、刺激波形的频率和/或幅度、且应用了每日刺激时间)的刺激设置，预测在给定点的患者震颤严重程度，预测患者随时间的反应，检查患者随时间与震颤严重程度结合的用药反应性，根据随时间的震颤特征和严重程度预测对经皮或经由皮肤刺激、或可植入的脑深部刺激或丘脑切开术的反应，以及根据随时间的震颤特征和严重程度预测患者接收经皮或经由皮肤刺激、或脑深部刺激或丘脑切开术的理想时间，使用来自装置的动力学测量评估的震颤特征预测患者报告的疗法结果或患者报告的满意程度；使用从装置的动力学测量和患者使用日志评估的震颤特征来预测患者对不期望的用户体验的反应，其中不期望的用户体验可以包括但不限于装置故障和诸如皮肤刺激或烧伤的不良事件；根据震颤严重程度预测患者反应趋势，其中可以评估在单个患者内跨越区段总数、或跨越患者群体的趋势；基于震颤特征的动力学分析来预测或分类震颤的亚型，以预测患者反应；预测或分类震颤的亚型，以为个体优化的疗法参数提供指导；预测或分类震颤的亚型，以基于亚型优化未来的研究设计(例如，针对具有具体设计的临床研究选择特发性震颤的具体亚型，该具体设计设法解决针对该亚型的疗法需求)；并根据患者的反应或来自测量震颤运动的其它动力学特征来预测患者或客户的满意程度(例如，净推荐值)。在一些实施方式中，特发性震颤病理学可以包括例如具有贝格曼神经胶质增生和普尔基涅细胞鱼雷(torpedoes)的主要小脑变体、和路易体变体、和肌张力障碍变体、和多发性硬化症变体、和帕金森氏病变体。

在一些实施方式中，神经调节(例如，神经刺激)装置可以对具有震颤的患者施加经皮刺激，该患者是可植入脑深部刺激或丘脑切开术的候选者。震颤特征和震颤严重程度的其它传感器测量将被用于评估在预先指定的使用时段内的反应，该使用时段可能为1个月或3个月、或者5、7、14、30、60或90天或更多或更少。例如通过本文描述的算法使用来自装置的传感器测量评估的对经皮刺激的反应，可以有利地向预测性模型提供输入，该预测性模型提供患者对可植入脑深部刺激或其它可植入或不可植入疗法作出反应的可能性的评估。

在一些实施方式中，当正在执行震颤诱发任务时，神经调节(例如，神经刺激)装置或具有传感器的第二装置可以收集运动数据或来自其它传感器的数据。可以例如经由装置上的显示器或音频直接指示患者执行任务。在一些实施方式中，震颤诱发任务的特征被存储在装置上，并且用于在相关的震颤任务期间自动激活传感器以测量数据并将数据存储到存储器。用于测量和存储数据的时间段可以是例如10、20、30、60、90、120秒，或1、2、3、5、10、15、20、30分钟，或1、2、3、4、5、6、7、8小时，或更多或更少，或并入前述值中的任何两个的范围。基于来自先前患有震颤或其它状况的穿戴者的队列的训练数据集，特征提取引擎可以检测与对刺激的反应相关的特征，使得可以向患者或医生呈现患者对治疗有反应或无反应的定量和/或定性的可能性。在开出神经调节(例如，神经刺激)处方之前或在试验周期期间，可以在一些情况下测量该数据。在另一个实施方式中，特征可以与测量的震颤类型(如静止性震颤(与帕金森氏病相关联)、姿势震颤、动作震颤、意向震颤、节律性震颤(例如，单个优势频率)或混合性震颤(例如，多个频率))相关。最有可能检测到的震颤类型可以在接收刺激之前被呈现给患者或医生作为诊断或信息评估，或以评估开出神经调节(例如，刺激治疗)处方的适当性。在另一个实施方式中，可以基于所确定的震颤类型来施加各种刺激模式；可以施加不同模式，不同模式可以包括刺激参数(如频率、脉冲宽度、幅度、猝发频率、刺激持续时间或每日刺激时间)的变化。在智能手机、平板电脑或其它装置的一个实施方式中，诱发震颤的任务可以被包括在要求患者拍摄自己照片的应用程序中，该应用程序使患者执行具有姿势和意图动作的任务。

在一些实施方式中，神经调节(例如，神经刺激)装置或具有传感器的第二装置可以收集运动数据或来自其它传感器的数据，可以在更长的时间段(例如1、2、3、4、5、10、20、30周，1、2、3、6、9、12个月，或1、2、3、5、10年，或更多或更少，或并入前述值中的任何两个的范围)内测量数据，以确定特征或与震颤疾病(如特发性震颤、帕金森氏病、肌张力障碍、多发性硬化等)的发作相关联的生物标志物。生物标志物可以包括数据的一个或多个特征随时间的具体变化、或者一个或多个特征跨越预先确定的阈值。在一些实施方式中，震颤诱发任务的特征已经被存储在装置上，并且被用于在执行那些震颤诱发任务时自动激活传感器，以在相关时间期间测量数据并将数据存储到存储器。

在一些实施方式中，规则生成引擎206依靠校准指令来确定特征和结果之间的规则。规则生成引擎206可以采用机器学习建模以及信号处理技术以确定规则，其中机器学习建模和信号处理技术包括但不限于：用于回归和分类的监督算法和非监督算法。具体类型的算法包括，例如，人工神经网络(感知器、反向传播、卷积神经网络、递归神经网络、长短期记忆网络、深度信念网络)，贝叶斯(朴素贝叶斯、多项式贝叶斯和贝叶斯网络)，聚类(k均值、期望最大化和分层聚类)，集成方法(分类和回归树变体和提升算法(Boosting))，基于实例的(k最近邻、自组织图和支持向量机)，正则化(弹性网络、岭回归和最小绝对收缩选择算子)，和降维(主成分分析变量、多维标度、判别分析变量和因子分析)。在一些实施方式中，控制器200可以使用规则来自动确定结果。控制器200还可以使用规则来控制或改变神经刺激装置的设置，包括但不限于刺激参数(例如，刺激幅度、频率、模式化(例如，猝发刺激)、间隔，每日时间、单独的区段或累计时间等)。

因此，规则可以改善神经调节(例如，神经刺激)装置的操作，并且有利地并且准确地识别随时间潜在的候选疗法以及各种疾病状态和疗法参数。生成的规则可以被保存在存储器110和/或存储器154中。例如，可以在校准之后生成规则，并且可以在神经刺激装置100的操作之前存储规则。因此，在一些实施方式中，规则施加引擎208可以将所保存的规则施加于由IMU收集的新数据，以确定结果或控制神经调节(例如，神经刺激)装置100。

规则的校准和确定的具体示例将在下面更详细地描述。

校准

在一些实施方式中，神经调节装置可以包括跟踪用户的运动数据的能力，用于测量患者的一个、两个、或更多个震颤频率。患者可能具有单一的震颤频率，或者在一些情况下在执行不同任务时表现出多个离散的震颤频率。一旦观察到震颤频率，就可以将它们用作定制神经调节疗法的许多开创性输入参数中的一个。疗法可以例如经皮地经由一个、两个或更多个神经(例如，正中神经和桡神经、和/或本文中其它地方公开的其它神经)递送，以减轻或改善患者的状况(包括但不限于他们的震颤负担)。在一些实施方式中，疗法调节传入神经，但不调节传出神经。在一些实施方式中，疗法优先调节传入神经。在一些实施方式中，治疗不涉及功能性电刺激。震颤频率可以用于校准患者的神经调节疗法，在一些实施方式中被用作校准频率，以设置神经调节疗法的一个或多个参数(例如，猝发包络周期)。在一些实施方式中，校准频率可以在例如约4Hz与约12Hz之间、在约3Hz与约6Hz之间、或者约3Hz、4Hz、5Hz、6Hz、7Hz、8Hz、9Hz、10Hz、11Hz或12Hz、或包括前述值中的任何两个值的范围。

在一些实施方式中，硬件处理器可以被配置为执行以下中的任何数目：通过打开IMU换能器(例如，加速度计)来获得原始运动数据；以及在选定的时间段内(例如，10秒)(x/y/z轴线)收集患者数据；在x轴线上执行快速傅立叶变换(FFT)(产生

)；在y轴线上执行FFT(产生

)；和/或在z轴线上执行FFT(产生

)；推导总频域

并将校准频率确定为TFD的最大值(例如，在一些情况下，在约4Hz和约12Hz之间)。

图3说明了用于校准神经调节(例如，神经刺激)装置100的过程300的实施方式。可以通过以上讨论的系统中的任何一个来实施过程300。可以实施过程300以校准针对特定用户的具体神经调节(例如，神经刺激)装置100或跨越多个用户的多个神经刺激装置。

在一个实施方式中，当神经调节(例如，神经刺激)装置100被激活时，校准过程300开始于方框302。装置可以响应用户输入而被激活。可以经由按钮或任何其它用户接口(如，神经调节(例如，神经刺激)装置的显示器106)，来接收用户输入。在一些实施方式中，可以基于从患者监护仪150或另一计算系统接收的信号来激活神经调节(例如，神经刺激)装置100。

在激活校准之后，控制器200可以开始从IMU 102收集传感器数据。在一个实施方式中，控制器200可以继续收集传感器数据持续10秒的时间段、或约、至少约、或不超过约1、2、3、4、5、6、7、8、9、10、11、12、13、14、15、20、25、30、40、50、60秒、包括前述值中任何两个的范围、或其它时间段。在一些实施方式中，控制器可以继续收集数据持续更长的时间段(如1、2、3、4、5、6、7、8小时、或12或24小时，1、2、3、4周，1、2、3、4、5、6个月或更长，或无限期)。在数据收集的时间段之后，在方框306处，控制器200可以激活电极104以施加神经刺激。在方框308处，在施加神经刺激持续一个时间段之后，控制器200可以从IMU 102获取附加数据。在一个实施方式中，刺激后数据收集时间段是10秒。

在方框310处，控制器200可以在刺激之前和之后处理收集的传感器数据，以确定以上讨论的一个或多个结果(包括确定一个或多个规则)。

在一些情况下，校准区段可以是处理和/或数据密集的。特别地，当在装置上执行校准时，机载硬件处理器和存储器可能没有足够的处理或存储能力来处理大型连续数据集。例如，假设采样频率为104Hz，则10秒校准可以为每个轴线产生1040个样本。此外，每个样本可能需要4个字节的数据存储来存储浮点数据。因此，总数据存储可能对应于1040*3*4＝12.48KB。为了减少存储器使用，在一些情况下分析窗口中的校准信号可能是有利的。嵌入式处理装置可以更有效地分析样本(其为2的幂)。因此，在一些情况下，选择了256个样本，其对应于以104个样本/秒的采样速率2.46秒。也可以使用其它采样速率。对应的数据使用为256*3*4＝3.072KB，其显著小于12.48KB。请注意，奈奎斯特频率为52Hz，从而导致频率仓分辨率为0.40625Hz。窗口化校准可以有利地减少神经调节装置内所需的存储器带宽，从而潜在地允许提高速度以及实时或接近实时的处理。

图3A说明了用于执行窗口化校准的过程的非限制性实施方式的流程图。在一些实施方式中，过程可以包括以下中任何一个：收集x、y、z、加速度计数据的多个窗口(如(5)2.4秒窗口)；在每个窗口上执行FFT；将每个窗口的A+B+C进行合计；平均所有(例如5个)FFT；以及执行峰值检测。因此，处理在窗口上执行，以及然后如图3A中所示被组合，从而减少了存储器使用。在一些情况下，信号或窗口的受伪像或噪声影响的某些部分也可以被丢弃(如本文所述)以减少处理要求。与长时间段相比，对较短的时间段(如窗口)进行采样可能提供单个捕获上的震颤频率可变性。在一些情况下，震颤频率可变性是用于确定刺激的治疗效果的指标，其中较低的可变性指示成功治疗结果的较高可能性。震颤频率可变性可以被确定为在震颤峰值出现处频率的变化、震颤峰值频率(如本文所述)周围的功率变化、或者这些度量的组合以及与震颤峰值的性质相关的任何其它度量。校准还可基于任务而变化，结果是特定任务的校准频率不同。在一些情况下，校准可以自动确定用户执行的任务的类型。

在一些实施方式中，硬件处理器可以被配置为使校准活动多样化、和/或逐区段地更新校准。可以在不同类型的活动或任务(如2、3、4、5、6、7、8、9、10或更多任务)期间，从动力学测量中捕获峰值震颤频率。在一些情况下，患者在执行第一活动或任务时可以具有第一震颤频率、在执行第二活动或任务时可以具有第二震颤频率、和/或在执行第三活动或任务时可以具有第三震颤频率、等等。在一些情况下，这些震颤频率可以相差上至2.5Hz或更多(如例如，约0.5Hz、1Hz、1.5Hz、2Hz、2.5Hz、3Hz、或更多或更少、或者包括前述值中的任何两个的范围)。图3B是图，其说明在一些情况下，患者的震颤频率跨越不同任务(包括保持、动作、第一绘图A任务、第二绘图B任务、以及相对于姿势保持任务的倾倒)可能不同。不受理论限制，当在针对给定任务的震颤频率在第一和第二神经(如正中神经和桡神经)之间交替进行神经调节(例如，神经刺激)时，可以改善治疗结果。这样，可以通过基于在刺激之前、期间或之后执行的任务来修改交替频率，从而改善患者的反应。例如，这可能涉及在刺激期间逐时刻检测不同类型的活动；在由患者识别或通过基于震颤诱发任务的独特动力学特征的算法识别出的特定活动期间，逐时刻提取震颤频率；和/或在姿势、动作和运动的震颤任务期间测量震颤频率，将每个任务的频率存储在装置的存储器中，以及允许患者选择期望的任务类型或在神经调节(例如，神经刺激)期间基于运动修改。例如，在一些实施方式中，神经调节装置可以被配置为在第一活动期间将第一校准频率用于第一刺激疗法，并在第二不同活动期间将第二不同校准频率用于第二刺激疗法。

数据收集

图4说明了用于从IMU 102收集数据并处理所收集的数据的过程400的实施方式的流程图。可以通过上述系统中的任何一个来实施过程400。

在一个实施方式中，当控制器200在时域中从IMU 102接收传感器数据时，过程400开始于方框402。传感器数据可以包括原始加速度计和/或陀螺仪数据、和/或其它传感器数据。在一个实施方式中，传感器数据可以包括来自三个轴线中的每个轴线的数据。在方框404处，控制器200可以将接收到的传感器数据分离成四个不重叠的帧，该四个不重叠的帧的长度大约为2.5秒或其它期望的时间段。在方框406处，控制器406可以将每个帧变换到频域中。在方框408处，控制器200可以在从每个轴线帧进行频率变换之后组合所得到的频谱。在一个实施方式中，控制器根据用户指定的输入来组合这些频谱。可以使用离散时间傅立叶变换来计算幅度谱。进一步，可以使用带有Hann窗口的周期图来计算功率谱密度(PSD)估计值。在一个实施方式中，可以使用跨越每个频率仓的L1或L2范数来组合针对给定帧的来自三个轴线中的每个的频谱：

L1：P_c，f＝|P_x，f+P_y，f+P_z，f|

L2：

其中P(x,f)是通道x中频率仓f中的幅度或功率。

频谱特征的不同组合可以用于分类和预测震颤特征。例如，约0Hz至约2.5Hz的频率分量可以用于检测非震颤移动的时间段、而约4至约12Hz之间的频率范围可以用于检测与震颤有关的特征、或约3至约8Hz用于不同的震颤变体(包括但不限于帕金森氏病)。来自IMU的原始数据信号的动力学特征(如信号的规律性、幅度和形状)可以用于分类。

在方框410至416处，控制器200可以检查四个帧中的每个的组合频谱用于查看非震颤移动伪像。在一个实施方式中，在方框410处，控制器200计算低频带中的合计功率。低频带可以包括例如在约0Hz和2.5Hz之间的频率。这些频率可以由用户指定为输入。进一步，在方框412处，控制器200计算高于低频带的第二频带中的能量。在一个实施方式中，第二频带包括在4Hz和12Hz之间的频率，其包括一般的震颤频率、和峰值震颤频率周围的一般2.75Hz。在一个实施方式中，控制器200在第二频带中搜索震颤尖峰。用户可以将第二频带指定为输入。

在方框414处，控制器200可以比较第一频带和第二频带中的合计功率。比较可以包括将第二频带中的合计功率除以第一频带。在方框416处，控制器200可以将该比率与预先确定的阈值进行比较，以确定特定帧是否可以用于进一步分析。在一个实施方式中，如果控制器200确定第二频带中的帧的合计功率大于第一频带中的合计功率，或者合计震颤频带和合计低频频带均小于启发式确定的阈值，则控制器200可以确定该帧没有非震颤移动伪像。在一些情况下，阈值可以由用户输入。此外，在一些情况下，阈值可以为约0.8。阈值可以取决于系统或装置参数。在一些情况下，阈值为约0.5至约0.9。被标识为无移动或无伪像的帧可以用于进一步分析。具有伪像的帧可以被控制器200丢弃或忽略。在方框416处，控制器200可以组合无伪像的帧。在一个实施方式中，控制器200可以平均剩余的帧以产生单个频谱。

在方框418处，控制器200可以使用处理的数据以确定可以与神经刺激疗法结果相关的度量。在一个实施方式中，控制器200可以检查急性(区段时间帧)和慢性(整个治疗)效果。控制器可以从来自每个刺激前和刺激后记录的无移动组合频谱提取不同的度量。这些度量包括在峰值震颤频率处的幅度/PSD(在一些情况下，对于帕金森氏震颤，一般被限制在4-12Hz之间、或者在3-8Hz之间)，在峰值震颤频率周围的频带(一般为2.75Hz宽)中的合计幅度/PSD，在宽频带(一般地4-12Hz)中的合计幅度/PSD，或仅从刺激前频谱中选择的峰值震颤频率周围的频带中的合计幅度/PSD。诸如带宽和搜索频率的参数可以预先确定或作为输入从用户接收。在一些情况下，帕金森氏病的手部震颤在休息期间很严重(与之相比，特发性震颤在活动期间很严重)，如将手放在大腿上或走路时。走路期间测量的震颤可能涉及用于提取震颤信号和分析的不同规则。用于帕金森氏病疗法的震颤诱发任务可能与特发性震颤的不同。用于帕金森氏病的震颤诱发任务的非限制性示例可以包括，例如，将手放在大腿上或桌子上(例如，当手、手臂或腿部肌肉放松时)。

图4A说明了用于从IMU 102收集数据并处理所收集的数据的过程401的实施方式的流程图。可以通过上述系统中任何一个来实施过程401。过程401可以包括图4的过程400的任何数量的方框，并且还包括作为在方框416中确定用于分析的帧的一部分的附加方框或除了在方框416中确定用于分析的帧的附加方框。例如，过程401可以包括在方框416A处收集在时域中的传感器数据。数据可以涉及，例如任何数量的近似熵、位移、用于连续数据和/或功能数据分析的概括的度量(例如，曲线拟合、功能PCA、滤波、均值、中位数、范围等)、以及/或使用监督和非监督方法进行事件检测(例如，移动分类)。在方框416B处，可以将收集的数据分离成帧。在方框416C处，可以基于时间序列数据的帧的全部或子集来计算度量(例如，非频谱分析)。例如，在近似熵的情况下，可以基于PSD分析流的中间结果(示意性地显示为线416’)来确定要用于计算的帧。

如关于图3讨论的，在校准期间使用以上信号收集和预处理时，控制器200可以检查某些排除标准，以确定来自该区段的度量是否可以在后续分析中使用。这些分析可以通过算法来执行，例如通过比较和已知与自愿的和震颤运动相关联的预先定义的频谱相关联的功率。原始信号(即，在时域中)或频域转换版本的特征可以用于生成新规则，以对是否应包括或排除数据的帧进行分类。这些标准可以包括刺激前和刺激后的记录中的至少一帧(其没有移动伪像)、刺激前和刺激后的记录中至少一帧(其含有震颤)、刺激结束和刺激后的记录之间的最短时间、以及在刺激前的记录和先前刺激区段之间的最短时间。

规则生成

图5A说明了用于产生确定神经刺激疗法结果的规则的过程500的实施方式的流程图。可以通过上述系统中的任何一个来实施过程500。如以上关于图4所讨论的，控制器200可以收集和处理来自IMU 402(和/或其它传感器)的数据。控制器200可以从该处理的数据提取特征或度量。在一些实施方式中，控制器200没有如以上关于方框410-416所讨论的那样进行运动伪像移除。因此，控制器200可以使用所有帧来生成规则。

过程500可以在方框502处开始，在方框502处，控制器200可以从收集的信号提取特征。特征可以包括时域特征和/或频域特征。特征可以是预先确定的。例如，控制器200可以在接收到的信号或处理的信号中搜索某些特征。在方框504处，控制器200可以将提取的特征与特定应用或神经刺激疗法结果相关。相关可以包括机器学习算法。基于相关，控制器506可以在方框506处生成规则。在一些实施方式中，控制器200基于从许多患者收集的训练集数据来确定规则。在其它实施方式中，控制器200基于从特定患者接收的校准数据来确定规则。此外，控制器200可以基于在使用神经刺激装置100时处理的附加数据来更新先前确定的规则。

以下是规则生成过程500的示例。在一个实施方式中，控制器200从用户的惯用手获得了加速度计信号。将信号分为2.5秒帧(50％重叠)，并为每个轴线帧计算了幅度谱，并使用上述关于图4描述的L1-范数方法进行了组合。在此特定示例中，因为实验不是自定向的，所以未应用移动伪像检测。如图5B中所示，从每个帧的组合频谱，提取了几个不同的特征。控制器200可以跨越来自给定记录的所有帧来组合这些特征。组合可以包括对来自每个帧的值求平均值，并找到跨越所有帧的最小值和最大值。在一个实施方式中，所有基于幅度谱的特征都由控制器200对数转换。另外，控制器200还将记录的持续时间和任务的类型用作特征。例如，控制器200可以接收任务的类型(作为输入)。

使用这些特征，控制器200创建了随机森林分类器以预测震颤的严重程度，作为通过临床评分的量度，其为每个任务分配0到4之间的值，其中4是最大损害。在大约1000个记录中，随机选择了100个具有与数据的其余部分相似的临床评分分布，并将其保留为测试集。对于数据的其余部分，使用了5倍交叉验证和随机搜索来优化随机森林超参数。优化的超参数包括决策树的数量、用于拆分节点的最大特征、最大树深度、用于拆分节点的最小数据示例以及用于创建叶的最小样本。对超参数的随机组合的搜索执行了50次迭代，并选择了产生最佳交叉验证准确性的组合。在选择最佳模型超参数后，使用除测试集以外的所有数据对模型进行重新训练，且然后使用保留数据进行评价。可以用来自基于姿势保持的动力学和基于受控设置任务的动力学的数据训练集开发算法，并在基于真实世界时间锁定任务的动力学中和在动态动力学中进行测试。

规则施加

规则可以通过几种方式被存储，包括但不限于以下中的任何数量：(1)在对一队列的数据进行训练之后，可以将规则存储在云中。数据将被周期性地(例如，每晚)传输，并且一旦数据被传输，则施加规则。在云上执行后，对刺激或结果的更改可以被发送回装置或患者监护仪；(2)规则可以被存储在装置或患者监护仪上的存储器中，并在处理器上执行。可以对收集的数据进行处理，并在测量后实时施加规则或在刺激后施加；和/或(3)在每次疗法区段之后，基于对震颤改善的评估以及在每个刺激区段之前、期间和之后测量的相关特征，规则的产生(和修改)可以发生。

附加的应用和工作示例

对周围神经(例如，在手腕中，包括正中神经和桡神经)的非侵入性电刺激可以导致具有特发性震颤(TR)的患者的手部震颤减少。放在手腕上的运动传感器可以量化震颤，并提供与震颤严重程度的临床评定相关的动力学量度。在单个区段的非侵入正中和桡神经刺激之前和之后的不同时间点(例如，上至60分钟或更多)的手部震颤的临床评定期间，可以用可穿戴腕部传感器测量来量化震颤的严重程度。

15名参与者按照Fahn-Tolosa-Marin临床评定量表(FTM-CRS)执行了手部震颤特定的任务(包括从手指到达鼻子的任务(称为动作)、以及姿势、绘图和倾倒任务)。在被治疗手的手腕移动的同时动力学测量期间，根据FTM-CRS对震颤严重程度进行了目视评定。FTM-CRS和动力学测量的改善均显示了，在刺激结束后的60分钟内，对腕部正中和桡神经的非侵入刺激显著改善了有症状的手部震颤。然后发现了测量的动力学与目视临床评定直接相关，以及随后使用了测量的动力学通过监督机器学习回归模型预测临床评定。模型可以预测平均在目视临床评定单位的±0.62或更好内的临床评定，包括但不限于姿势保持任务。观察的预测误差小于临床评定量表的分辨率(1单位)，其与人类评定者一样准确或更好。非侵入神经调节和在疗法区段之前和之后立即进行的震颤的动力学测量的结合，可以在临床和家庭设置中有利地治疗和自动根据刺激将震颤减少分类。

学习程序可以包括一个或多个单个的办公室(in-office)区段。三个电极(例如，水凝胶电极(或在其它实施方式中的干电极))经皮被定位，以靶向每个参与者的正中神经和桡神经，包括周向地被放置在装置外壳(如可拆卸的带子(图6A))上第一(例如，正中)电极、第二(例如，桡)电极、和第三(例如，反)电极。有源导线被放置在手腕的手掌和背面上的正中神经和桡神经上，并被连接至刺激器(在一些实施方式中，刺激器可以被集成到神经调节装置中或可移动或以其它方式附接到神经调节装置)。反电极被连接到手腕的背部。使用在参与者的手腕上穿戴的IMU，在参与者前部伸展手臂保持向前姿势的特定时间(例如，10秒)期间测量了震颤频率。刺激幅度增加了期望的量(例如，0.25mA阶跃)，直到参与者报告了与正中神经和桡神经的分布相对应的感觉异常为止。刺激包括一系列电荷平衡的双相位脉冲，每个相位300μs，其中两个相位之间的周期为50μs，在150Hz频率递送。刺激在正中神经和桡神经之间交替，其频率等于每个参与者的震颤频率(图6B)。将最终刺激幅度选择为参与者感到舒适的低于肌肉收缩的最高刺激水平。刺激区段包括在选择的幅度下40分钟的连续刺激。

在参与者在多个时间点(例如，4个时间点)执行了不同任务时，测量了手腕的动力学：基线(前)、刺激20分钟(期间)、刺激后立即(后0)、刺激后30分钟(后30)和刺激后60分钟(后60)(图6C)。从加速度计中提取了用于机器学习算法开发的多个动力学特征，以量化震颤功率和其它震颤特征。为了量化震颤功率，在与加速度计信号中的最强震颤振荡相对应的频带(例如，峰值功率频率±1.5Hz)中在例如4-12Hz范围计算了平均功率。对于每个参与者，传感器表达在每个时间点测量的震颤功率为相对于在刺激前记录(Pre)中测量的震颤功率的对数比，这意味着震颤功率降低导致负对数比。进行了此转换以比较跨越所有任务的震颤减少，而不考虑每个任务中的原始震颤幅度。丢弃了每个动力学记录的第一秒和最后一秒，以从准备移动排除信号。使用Welch方法(例如，2秒窗口，50％重叠)执行了加速度计数据的频谱分析，以生成信号的功率频谱密度。从功率谱密度图中提取了以下特征(图6D)。时域和频域中的动力学特征可以用作模型输入特征。峰值震颤频率(频率_峰值)被定义为具有最高功率的4-12Hz频带中的频率。峰值功率(功率_峰值)被定义为在4-12Hz频带中具有最高功率的频率的峰值处的功率。平均峰值功率(功率_{峰值平均值})被定义为在±1.5Hz窗口中的平均功率，该窗口以4-12Hz频带中具有最高功率的频率为中心。合计峰值功率(功率_峰值合计)是在±1.5Hz窗口中的功率的合计功率，该窗口以4-12Hz频带中具有最高功率的频率为中心。合计震颤频带功率(功率_4-12Hz合计)是4-12Hz频带中的合计功率。频谱熵(熵_频谱)是4-12Hz范围内的功率谱密度的熵。Q因数被确定为峰值频率除以频谱功率高于峰值功率50％的频率范围。使用加速度计数据的最大震颤轴线针对Pre以及使用匹配轴线针对Post的两个连续帧(5秒)，在原始信号上计算了近似熵(熵_近似值)作为度量，以量化时间序列数据的时间规律性的量。比较运行的长度为2，且阈值为数据的0.2x标准偏差。

动力学数据的提取特征用于训练监督的机器学习模型。选择了梯度提升树模型是因为其在回归和分类应用中的鲁棒性。模型是使用XGBoost在Python中实施的。首先将数据集随机划分为训练集和测试集。为了确定训练集大小的影响，系统地改变了分配给训练集和测试集的数据比例(20％至80％)，并且预测重复了期望数量的次数(例如，对于每个分配组250次)。分层被用于维持训练集和测试集中的结果的分布。训练目标函数是使用L2正则化项来最小化平方误差。

为了识别模型参数的最佳值，对这些参数进行了网格搜索：树的数量(例如，以10为阶跃从5到55)、树的深度(例如，以1为阶跃的3-6)和学习率(例如，0.0001、0.002、0.004和0.0008)。XGBoost中的默认值部位被用于其它模型参数。使用3倍交叉验证评估了网格搜索参数空间中的候选模型的准确性。使用了产生最高训练精度的参数集来构建模型，以预测测试数据集的临床评定。

测试预测的准确性可以是真实和预测的临床评定之间的平均绝对误差(MAE)。首先针对每个临床评定组(例如，0到4)内的区段进行计算，然后跨越所有临床评定组进行平均，以说明每个组中数据点数量的差异。

为了确定不同动力学特征对预测的贡献，检查了模型的特征重要性。特征增益被用作重要性的量度，它反映了决策树的每个分支上感兴趣的特征的分类上的改善。跨越每个训练/测试组的250个模型计算了平均特征重要性。使用Python软件包SciPy、NumPy执行了统计分析，并使用Matplotlib进行可视化。使用了非参数比较(Wilcoxon符号秩检验)和Pearson相关法。

下面表1说明了对于每个任务以对数和等效％单位(中位数和95％置信区间)计的震颤功率变化的示例，Wicoxon符号秩检验*p<0.05和**p<0.01。

表1

在刺激后立即(34-75％改善)上至刺激后60分钟(21-60％改善)期间，观察到了传感器测量的震颤动力学的减少(28-59％跨任务改善)。相对于刺激前区段，在期间、后立即、30分钟后和60分钟的时间点观察到了持续且显著的负对数比率(图7A-图7D、表1)。动作任务中的时间过程显示了，在一个小时内的所有时间点的显著降低(图7A、表1)。绘图(例如，螺旋绘图)的时间过程显示了，在刺激偏移后30分钟内，震颤的显著降低(图7B、表1)。向前姿势保持和倾倒任务的时间过程显示了，在刺激后60分钟内，震颤的显著降低(图7C、图7D、表1)。没有不良事件的报道。

对于手指到鼻子动作任务(图8A；R²＝0.40，p<10^-4)、螺旋绘图(图8B；R²＝0.57,p<10^-4)、向前姿势保持(图8C；R²＝0.58，p<10^-4)的平均峰值震颤功率(功率_{峰值平均值})和临床目视评定之间发现了显著的相关性，而倾倒的程度要小一些(图8D)。图8A-图8D中的每个点指示单个区段的值。峰值震颤功率是指在4和12Hz之间的手腕加速度的功率(峰值频率±1.5Hz周围窗口的平均功率)。图表中的临床评定已被抖动，以改善每个点的可见性。

图9A-图9D说明了传感器测量的动力学可以预测跨越任务的临床评定。对于每个子面板(图9A-图9D)，左列显示了来自使用了每个任务中50％的数据进行训练的一个模型的用于预测的归一化混淆矩阵。对于每个真实临床评定组中的区段，值表明具有预测的评定的区段的百分比。通过平均绝对误差(MAE)测量的、针对临床评定组大小平衡的预测准确性：图9A、动作任务＝0.62，图9B、绘图任务＝0.78，图9C、姿势保持任务＝0.42和图9D、倾倒任务＝0.54。右列显示了模型输入特征的重要性，这些重要性按每个特征的信息增益进行排序。

显示在图9A-图9D中的预测的临床评定，如对角线和非对角线所示，在混淆矩阵中具有最高值(图9左栏)反映了它们的真实临床评定。跨越任务，模型的预测准确性范围为±0.42-0.81临床评定单位。这表明模型可以出乎意料地和有利地预测临床评定，平均在实际临床评定单位的±0.62范围内，其中对于姿势保持任务的预测是最准确的(±0.42临床单位)。模型的输出也可以表示为概率。在一些情况下，模型的输出可以指示在需要另一种刺激疗法之前该疗法将有效的时间长度。因此，模型改善了用户的疗法和治疗。模型还可以通过确定装置的适当用法来改善神经刺激装置。

确定了预测准确性的分布，以及它如何受训练比例的影响。模型的预测准确性不受训练数据量的强烈影响。通过使用不同比例的数据用于训练和测试重复地构建模型(对于80％的训练数据，MAE：0.48-0.64)，发现了对于每个任务预测准确性随着更大比例的训练数据而增加(R-0.29至-0.1，p<0.001，且解释方差为0.01到0.08)。然而，改善是小的，这表明即使用小的训练集，模型仍然可靠且不过度拟合。

发现了在手腕处对正中神经和桡神经刺激期间和之后的震颤减少持续与测量一样长的时间，在约或至少约40分钟的刺激后持续了约或至少约60分钟。跨越不同的FTM-CRS震颤任务(包括动作、绘图、姿势保持和倾倒任务)，显著且持续的震颤减少是明显的。这些结果显示，单次刺激区段后就有出乎意料的优异持久效果。

移动感测技术在监测震颤状态方面可能是有利的。映射到临床目视评定的传感器动力学特征可以减少评估震颤严重程度的主观性和方差，并提供对震颤状态的洞察。出乎意料且有利地发现了，用在手腕上的加速度计测量的震颤严重程度与目视评定相关。在一些情况下，角速度还可能与目视评定相关。尽管例如本文公开的其它任务也可以替代地或组合地被利用，但是诸如姿势保持的某些任务在使用移动传感器以捕获有关震颤严重程度的信息的在一些情况中特别有利。

本文的系统和方法能够预测临床评定，平均在临床评定的±0.48-0.64(这是对于家庭测量有意义的分辨率)内。观察的预测误差小于临床评定量表的分辨率(1单位)，其与人类评定者一样准确或更好。预测的准确性和动力学特征对预测的重要性随训练数据量而变化，但影响弱(解释方差为0.01至0.08)，表明预测准确性对小的训练数据集不敏感。在这些模型中用于预测临床评定的特征也可以用于预测一段时间内和在家中的治疗反应。例如，图9中显示了该特征。

在一些实施方式中，神经调节疗法可以与实时手腕动力学测量相结合以在诊所或其它环境中治疗和预测震颤减少。作为一个示例，在手腕的正中和桡神经刺激对特发性震颤具有持久的影响，刺激后持续至少约1、2、3、4、5、6、7、8、9、10、11、12、15、18、24小时或更长、或包括上述值中的任何两个的范围。可以将非侵入性神经调节与刺激之前、期间、和之后立即记录的传感器数据相结合，以了解治疗反应(如在家庭环境中)。

图10是说明运动数据(例如，加速度计)和临床量表(震颤研究组特发性震颤评定评估量表(TETRAS))之间的相关性的图。在患者执行震颤诱发任务时，在三个12秒的记录中收集了震颤运动的加速度计数据，而受过训练的医生同时执行了TETRAS评定。将来自加速度计的震颤严重程度计算为震颤功率，并以对数标度绘图。为了量化震颤功率，在与加速度计信号中最强震颤振荡相对应的频带(峰值功率频率+/-1.5Hz)中在4-12Hz范围内计算了平均功率。

图11展示用在更长的时间段上收集的数据能改善对患者反应的预测。在一些实施方式中，可以在一个疗法区段之后预测患者反应。然而，在一些实施方式中，在一个疗法区段后没有预测患者反应，并且可能需要约或至少约1周、2周、3周、1个月、2个月、3个月、或更长的疗法区段，和/或2、3、4、5、6、7、8、9、10、15、20、25、30、35、40、45、50、或指定长度的更长疗法区段(例如，在一些实施方式中，30分钟、40分钟、60分钟、或更长或更少)。图11绘制了在3个月的研究期间对1天/1周/1个月进行平均的患者反应以及1天/1周/1个月结果中随机选择的患者反应的相关性，表明与患者反应的相关性随时间从1天到1周到1个月而改善。

图12进一步展示，在疗法的第一天/第一周/第一个月的患者反应如何基于在3个月的研究期间的平均结果预测所有区段的反应，并表明与患者反应的相关性随时间从1天到1周至1个月而改善。

图13说明了在神经调节疗法时对在药物(例如，震颤药物)治疗中和不在药物治疗中的患者，且特别是对于不在药物治疗中的患者，神经调节疗法的功效都高。

图14是说明患者测量的疗法结果与传感器测量的动力学改善相关的图，说明了每个区段之后的平均PSI(改善的患者自我报告)与动力学改善相关，如经由中位数改善率(log10(前/后)＝＝倍数变化测量的。在一些实施方式中，动力学改善和其它用户满意度/评定度量(例如，NPS、QUEST)之间的相关性也可以使用本文公开的系统和方法来实现。

图15A-图15D说明了根据一些实施方式的用于传感器量度的端点的示例。图15A说明了单个刺激前(顶部)和刺激后(底部)记录的代表性时间序列和合并的频谱数据。如图15B说明了在姿势保持期间与同时传感器记录的目视评定相关性。图15C说明三个月内受试者的在家中震颤严重程度的个体平均百分比改善以及人群水平的平均改善。图15D说明了所有受试者的每区段震颤严重程度的平均变化，以对数标度显示。

术语

当特征或元件在本文中称为在另一个特征或元件“上”时，它可以直接地在另一个特征和/或元件上，或者也可以存在中间特征和/或元件。相反，当特征或元件称为“直接地”在另一特征或元件“上”时，不存在中间特征或元件。还将理解的是，当特征或元件称为“连接”、“附接”或“耦合”到另一特征或元件时，可以直接地连接、附接或耦合到另一特征或元件，或者可以存在中间特征或元件。相反，当特征或元件称为“直接地连接”、“直接地附接”或“直接地耦合”到另一特征或元件时，不存在中间特征或元件。虽然关于一个实施方式描述和示出，但是所描述的或示出的特征或元件可以应用于其它实施方式。本领域的技术人员还将理解的是，对“邻近”另一特征设置的结构或特征的引用可以具有与邻近特征重叠或位于其下面的部分。

本文所用的术语仅出于描述特定实施方式的目的，并且不意在限制本发明。例如，如本文所用，单数形式“一”、“一个”和“该/所述”也意在包括复数形式，除非上下文另外明确指出。还将理解的是，当在本说明书中使用时，术语“包括”和“包含”指定了所阐述的特征、步骤、操作、元件和/或部件的存在，但不排除一个或多个其它特征、步骤、操作、元件、部件和/或其组的存在或添加。如本文所用，术语“和/或”包括相关联的列出项中的一个或多个列出项的任何和所有组合，并且可以缩写为“/”。

为了便于描述，可以在本文中使用空间相对的术语，如“下面”、“下方”、“下部”、“之上”、“上部”等，以描述一个元件或特征与如附图中说明的另一个或多个元件或特征的关系。将理解的是，除了附图中描绘的取向之外，空间相对的术语意在涵盖正在使用或操作的装置的不同取向。例如，如果附图中的装置被倒置，则被描述为在另一元件或特征“下面”或“下方”的元件将在另一元件或特征“之上”取向。因此，示例性术语“下面”可以涵盖在“之上”和“下面”的取向。该装置可以以其它方式取向(旋转90度或以其它取向)，并且相应地解释本文所用的空间相对描述语。类似地，术语“向上地”、“向下地”、“竖直的”、“水平的”等在本文中仅用于解释的目的，除非另外特别地指出。

虽然在本文可能使用术语“第一”和“第二”来描述各种特征/元件(包括步骤)，但是这些特征/元件不应该由这些术语限制，除非上下文另外指出。这些术语可以用于将一个特征/元件与另一个特征/元件区分开。因此，在不脱离本发明的教导的情况下，下面讨论的第一特征/元件可以称为第二特征/元件，并且类似地，下面讨论的第二特征/元件可以称为第一特征/元件。

在整个说明书和随附的权利要求书中，除非上下文另有要求，否则单词“包含”和诸如“包含(“comprises”和“comprising”)”等变型是指可以在方法和物品(例如，包括装置和方法的组合物和设备)中共同应用各种部件。例如，术语“包含”将理解为暗示包括任何阐述的元件或步骤，但不排除任何其它元件或步骤。

如在本说明书和权利要求书中所用，包括如在示例中所用，并且除非另有明确指定，否则所有数字可以读作为就像由单词“约”或“大约”开头，即使术语没有明确地出现。当描述量级和/或位置时，可以使用短语“约”或“大约”来指示所描述的值和/或位置在值和/或位置的合理预期范围内。例如，数值可以具有所述值的+/-0.1％的值(或值的范围)、所述值的+/-1％的值(或值的范围)、所述值的+/-2％的值(或值的范围)、所述值的+/-5％的值(或值的范围)、所述值的+/-10％的值(或值的范围)等。本文给出的任何数值也应该理解为包括约或大约那个值，除非上下文另外指出。例如，如果公开了值“10”，则还公开了“约10”。本文所记载的任何数值范围意在包括其中包含的所有子范围。还应该理解的是，当公开了“小于或等于”值的值时，还公开了“大于或等于该值”的值和在各值之间的可能的范围，如由本领域技术人员适当地理解。例如，如果公开了值“X”，则还公开了“小于或等于X”以及“大于或等于X”(例如，其中X是数值)。还应该理解的是，在整个申请中，以许多不同的格式提供数据，并且该数据表示终点和起点，以及用于数据点的任何组合的范围。例如，如果公开了特定数据点“10”和特定数据点“15”，则应该理解的是认为公开了大于、大于或等于、小于、小于或等于和等于10和15，以及在10和15之间。还应该理解的是，还公开了在两个特定单元之间的每个单元。例如，如果公开了10和15，则还公开了11、12、13和14。

虽然上面描述了各种说明性实施方式，但是在不脱离如由权利要求所描述的本发明的范围的情况下，可以对各种实施方式做出许多变化中的任何变化。例如，在可替代的实施方式中，可以经常改变其中执行各个描述的方法步骤的顺序，并且在其它可替代的实施方式中，可以一起跳过一个或多个方法步骤。在一些实施方式中可以包括各种装置和系统实施方式的可选特征，而在其它实施方式中可以不包括。因此，前面的描述主要是为了示例性目的提供，并且不应该解释为限制如权利要求中阐述的本发明的范围。

本文包括的示例和说明通过图示而非限制的方式示出其中可以实践本主题的特定实施方式。如所提及的，可以利用其它实施方式，并且可以从中得出其它实施方式，使得在不脱离本公开的范围的情况下可以进行结构和逻辑替换和改变。如果事实上公开了一个以上发明或发明构思，仅出于方便起见，而不意在自愿地将本申请的范围限制为任何单个发明或发明构思，本发明主题的此类实施方式可以在本文由术语“发明”单独地或共同地指代。因此，虽然在本文已经示出并描述了特定实施方式，但是经计算实现相同目的的任何布置可以替代所示的特定实施方式。本公开意在涵盖各种实施方式的任何和所有修改或变化。通过阅读以上描述，上面的实施例和本文未具体描述的其它实施方式的组合对于本领域的技术人员来说将是明显的。本文公开的方法包括由从业者采取的某些动作；然而，无论明示还是暗示，它们也可以包括那些动作的任何第三方指令。例如，诸如“经由皮肤刺激传入周围神经”的动作包括“指导传入周围神经的刺激”。

Claims (62)

1.一种用于经皮刺激用户的一个或多个周围神经的可穿戴神经刺激装置，所述装置包括：

一个或多个电极，所述一个或多个电极被配置为产生电刺激信号；

一个或多个传感器，所述一个或多个传感器被配置为检测运动信号，其中所述一个或多个传感器可操作地连接至所述可穿戴神经刺激装置；以及

一个或多个硬件处理器，所述一个或多个硬件处理器被配置为：

从所述一个或多个传感器接收在时域中的原始信号；

将所述原始信号分离成多个帧；

对于所述多个帧中的每个：

将所述原始信号变换到频域中；

针对各个帧计算变换信号的第一频带中的第一能量；

针对所述各个帧计算所述变换信号的第二频带中的第二能量，其中所述第二频带包括与震颤相对应的第一频率；

基于所述第一能量与所述第二能量的比较来确定所述各个帧中的运动伪像；

基于对所述帧中的每个的运动伪像的所述确定来组合帧；

从时域或频域中的组合帧中提取特征；

基于提取的特征确定规则；以及

基于确定的规则在操作数据上的应用，确定神经刺激疗法结果。

2.根据权利要求1所述的可穿戴神经刺激装置，其中所述传感器可操作地被附接到所述可穿戴神经刺激装置。

3.根据权利要求1所述的可穿戴神经刺激装置，其中所述原始信号与所述用户的震颤活动相关。

4.根据权利要求1所述的可穿戴神经刺激装置，进一步包括一个或多个末端效应器，其被配置为生成除电刺激信号之外的刺激信号。

5.根据权利要求4所述的可穿戴神经刺激装置，其中除电刺激信号之外的所述刺激信号是振动刺激信号。

6.根据权利要求1所述的可穿戴神经刺激装置，其中所述传感器包括陀螺仪、加速度计和磁力计中的一个或多个。

7.根据权利要求1所述的可穿戴神经刺激装置，第一频带在约0Hz和约2.5Hz之间。

8.根据权利要求1所述的可穿戴神经刺激装置，其中所述第二频带在约4Hz和约12Hz之间。

9.根据权利要求1所述的可穿戴神经刺激装置，其中所述第二频带在约3Hz与约8Hz之间。

10.根据权利要求1至9中任一项所述的可穿戴神经刺激装置，其中所述特征包括以下中的至少一个或多个：幅度、带宽、曲线下面积(例如，功率)、频率仓中的能量、峰值频率、或频带之间的比率。

11.根据权利要求1至9中任一项所述的可穿戴神经刺激装置，其中所述特征包括动力学特征中的至少一个或多个，其中所述动力学特征包括所述信号的规律性、幅度和形状。

12.根据权利要求1至9中任一项所述的可穿戴神经刺激装置，其中所述特征包括以下中的至少一个或多个：在峰值震颤频率处的幅度或功率谱密度即PSD、在所述峰值震颤频率周围约2.75Hz宽的频带中的合计幅度或PSD、在约4到约12Hz之间的频带中的合计幅度或PSD、或仅从刺激前频谱中选出的所述峰值震颤频率周围的频带中的合计幅度或PSD。

13.根据权利要求1至9中任一项所述的可穿戴神经刺激装置，其中所述特征包括频域特征。

14.根据权利要求1至9中任一项所述的可穿戴神经刺激装置，其中所述特征包括近似熵、位移、曲线拟合、功能PCA、滤波、均值、中位数、或时域范围中的至少一个。

15.根据权利要求1至9中任一项所述的可穿戴神经刺激装置，其中所述特征包括时域特征。

16.一种用于经皮调节用户的一个或多个周围神经的可穿戴装置，所述装置包括：

一个或多个末端效应器，所述一个或多个末端效应器被配置为产生刺激信号；

一个或多个传感器，所述一个或多个传感器被配置为检测运动信号，其中所述一个或多个传感器可操作地连接至所述可穿戴装置；以及

一个或多个硬件处理器，所述一个或多个硬件处理器被配置为：

从所述一个或多个传感器接收在时域中的原始信号；

将所述原始信号分离成多个帧；

对于所述多个帧中的每个：

将所述原始信号变换到频域中；

针对各个帧计算变换信号的第一频带中的第一能量；

针对所述各个帧计算所述变换信号的第二频带中的第二能量，其中所述第二频带包括与震颤相对应的第一频率；

基于所述第一能量与所述第二能量的比较来确定所述各个帧中的运动伪像；

基于对所述帧中的每个的运动伪像的所述确定来组合帧；

从时域或频域中的组合帧中提取特征；

基于提取的特征确定规则；以及

基于确定的规则在操作数据上的应用，确定临床评分和神经刺激疗法结果中的一个或多个。

17.根据权利要求16所述的可穿戴装置，其中所述一个或多个硬件处理器被配置为在第一活动期间确定用于第一刺激疗法的第一校准频率，以及在第二不同活动期间确定用于第二刺激疗法的第二不同校准频率。

18.根据权利要求17所述的可穿戴装置，其中所述第一校准频率在所述第二校准频率的约3Hz之内。

19.一种经皮刺激用户的一个或多个周围神经的方法，所述方法包括：

经由脉冲发生器向定位于所述用户的皮肤表面上的一个或多个电极产生电刺激信号；

经由一个或多个传感器检测运动信号；以及

经由硬件处理器处理所述运动信号，其中处理所述运动信号包括：

从所述一个或多个传感器接收在时域中的原始信号；

将所述原始信号分离成多个帧；

对于所述多个帧中的每个：

将所述原始信号变换到频域中；

针对各个帧计算变换信号的第一频带中的第一能量；

针对所述各个帧计算所述变换信号的第二频带中的第二能量，其中所述第二频带包括与震颤相对应的第一频率；

基于所述第一能量与所述第二能量的比较来确定所述各个帧中的运动伪像；

基于对所述帧中的每个的运动伪像的所述确定来组合帧；

从时域或频域中的组合帧中提取特征；

基于提取的特征确定规则；以及

基于确定的规则在操作数据上的应用来确定神经刺激疗法结果。

20.根据权利要求19所述的方法，其进一步包括识别有特发性震颤的用户。

21.根据权利要求19所述的方法，其进一步包括识别患有帕金森氏病的用户。

22.根据权利要求19至21中任一项所述的方法，其进一步包括：在第一活动期间确定用于第一刺激疗法的第一校准频率，以及在第二不同活动期间确定用于第二刺激疗法的第二不同校准频率。

23.根据权利要求22所述的方法，其中所述第一校准频率在所述第二校准频率的约3Hz之内。

24.根据权利要求22所述的方法，其中所述第一活动选自动作、绘图、姿势保持和倾倒。

25.一种使用周围经皮神经刺激疗法治疗患有震颤的患者的方法，所述方法包括：

指示所述患者执行第一震颤诱发活动以引起第一诱发性震颤；

使用可穿戴生物力学传感器测量所述患者四肢的移动，以表征所述第一诱发性震颤的频率；

至少部分地基于所述第一诱发性震颤的频率，利用第一组刺激参数电刺激传入周围神经；

在电刺激所述传入周围神经之后，指示所述患者执行与所述第一震颤诱发活动不同的第二震颤诱发活动以引起第二诱发性震颤；

利用所述可穿戴生物力学传感器测量所述患者四肢的移动，以表征所述第二诱发性震颤的频率；

至少部分地基于所述第二诱发性震颤的频率，利用第二组刺激参数电刺激所述传入周围神经。

26.一种校准神经刺激装置的方法，所述方法包括：

在第一时间段内以采样率收集运动数据，其中所述运动数据包括对应于多个轴线的运动；

将收集的运动数据分离到多个窗口中；

针对所述多个轴线中的每个在所述多个窗口中的每个上执行频率变换；

对于所述多个窗口中的每个窗口，将所述多个轴线的频率变换频谱进行组合；

将来自所述多个窗口中的每个的各个频谱组合成校准频谱；

从所述校准频谱确定峰值；以及

基于确定的峰值进行校准。

27.根据权利要求26所述的方法，其中组合所述各个频谱包括平均所述多个窗口以生成所述校准频谱。

28.根据权利要求26或27所述的方法，其进一步包括基于对伪像或噪声的检测，丢弃所述多个窗口中的一个或多个。

29.根据权利要求26所述的方法，其中所述第一时间段是约12秒。

30.根据权利要求26所述的方法，其中所述多个窗口中的每个的长度是2.4秒。

31.一种预测对用户的神经刺激的治疗功效的方法，所述方法包括：

确定第一特征，所述第一特征包括具有最高功率的4-12Hz频带中的第一频率；

确定第二特征，所述第二特征包括在所述4-12Hz频带中具有所述最高功率的频率的峰值处的第一功率；

确定第三特征，所述第三特征包括在±1.5Hz窗口中的平均功率，所述窗口以所述4-12Hz频带中具有所述最高功率的频率为中心；

确定第四特征，所述第四特征包括在所述±1.5Hz窗口中的功率合计，所述窗口以所述4-12Hz频带中具有所述最高功率的频率为中心；

确定第五特征，所述第五特征包括在所述4-12Hz频带中的合计功率；以及

确定第六特征，所述第六特征包括在所述4-12Hz频带中的功率谱密度的熵；

确定包括Q因数的第七特征，所述Q因数是峰值频率除以所述频谱功率高于所述峰值功率的50％的频率范围；

确定包括时间序列数据的时间规律性的第八特征；以及

基于与所述第一特征、所述第二特征、所述第三特征、所述第四特征、所述第五特征、所述第六特征、所述第七特征和所述第八特征中的一个相对应的各个权重的应用来预测治疗功效。

32.根据权利要求31所述的方法，其中基于使用机器学习模型的训练来计算所述各个权重。

33.根据权利要求31或32所述的方法，其中所述治疗功效包括临床评定。

34.根据权利要求31或32所述的方法，其中所述治疗功效包括概率。

35.根据权利要求31或32所述的方法，其中所述治疗功效包括需要下一次治疗之前的时间。

36.一种用于调节用户的一个或多个神经的神经调节装置，所述装置包括：

一个或多个电极，所述一个或多个电极被配置为产生神经调节信号；

一个或多个传感器，所述一个或多个传感器被配置为检测运动信号；以及

一个或多个硬件处理器，所述一个或多个硬件处理器被配置为：

从所述一个或多个传感器接收在时域中的原始信号；

将所述原始信号分离成多个帧；

对于所述多个帧中的每个：

将所述原始信号变换到频域中；

针对各个帧计算变换信号的第一频带中的第一参数；

针对所述各个帧计算所述变换信号的第二频带中的第二参数，其中所述第二频带包括与用户的生理特征相对应的第一频率；

基于所述第一参数与所述第二参数的比较来确定所述各个帧中的运动伪像；

基于对所述帧中的每个的运动伪像的所述确定来组合帧；

从时域或频域中的组合帧中提取特征；

基于提取的特征确定规则；以及

基于确定的规则在操作数据上的应用，确定神经调节疗法结果。

37.根据权利要求16所述的可穿戴神经刺激装置，其中所述第一频带在约0Hz和约2.5Hz之间。

38.根据权利要求16所述的可穿戴神经刺激装置，其中所述第二频带在约4Hz与约12Hz之间。

39.根据权利要求16所述的可穿戴神经刺激装置，其中所述第二频带在约3Hz与约8Hz之间。

40.根据权利要求16所述的可穿戴神经刺激装置，其中所述特征包括以下中的至少一个或多个：幅度、带宽、曲线下面积(例如，功率)、频率仓中的能量、峰值频率、或频带之间的比率。

41.根据权利要求16所述的可穿戴神经刺激装置，其中所述特征包括动力学特征中的至少一个或多个，其中所述动力学特征包括所述信号的规律性、幅度和形状。

42.根据权利要求16所述的可穿戴神经刺激装置，其中所述特征包括以下中的至少一个或多个：在峰值震颤频率处的幅度或功率谱密度即PSD、在所述峰值震颤频率周围约2.75Hz宽的频带中的合计幅度或PSD、在约4到约12Hz之间的频带中的合计幅度或PSD、或仅从刺激前频谱中选出的所述峰值震颤频率周围的频带中的合计幅度或PSD。

43.根据权利要求16所述的可穿戴神经刺激装置，其中所述特征包括频域特征。

44.根据权利要求16所述的可穿戴神经刺激装置，其中所述特征包括近似熵、位移、曲线拟合、功能PCA、滤波、均值、中位数或时域范围中的至少一个。

45.根据权利要求16所述的可穿戴神经刺激装置，其中所述特征包括时域特征。

46.根据权利要求19所述的方法，其中所述第一频带在约0Hz和约2.5Hz之间。

47.根据权利要求19所述的方法，其中所述第二频带在约4Hz和约12Hz之间。

48.根据权利要求19所述的方法，其中所述第二频带在约3Hz和约8Hz之间。

49.根据权利要求19所述的方法，其中所述特征包括以下中的至少一个或多个：幅度、带宽、曲线下面积(例如，功率)、频率仓中的能量、峰值频率、或频带之间的比率。

50.根据权利要求19所述的方法，其中所述特征包括动力学特征中的至少一个或多个，其中所述动力学特征包括所述信号的规律性、幅度和形状。

51.根据权利要求19所述的方法，其中所述特征包括以下中的至少一个或多个：在峰值震颤频率处的幅度或功率谱密度即PSD、在所述峰值震颤频率周围约2.75Hz宽的频带中的合计幅度或PSD、在约4到约12Hz之间的频带中的合计幅度或PSD、或仅从刺激前频谱中选出的所述峰值震颤频率周围的频带中的合计幅度或PSD。

52.根据权利要求19所述的方法，其中所述特征包括频域特征。

53.根据权利要求19所述的方法，其中所述特征包括近似熵、位移、曲线拟合、功能PCA、滤波、均值、中位数或时域范围中的至少一个。

54.根据权利要求19所述的方法，其中所述特征包括时域特征。

55.根据权利要求36所述的装置，其中所述第一频带在约0Hz和约2.5Hz之间。

56.根据权利要求36所述的装置，其中所述第二频带在约4Hz和约12Hz之间。

57.根据权利要求36所述的装置，其中所述第二频带在约3Hz和约8Hz之间。

58.根据权利要求36所述的装置，其中所述特征包括以下中的至少一个或多个：幅度、带宽、曲线下面积(例如，功率)、频率仓中的能量、峰值频率、或频带之间的比率。

59.根据权利要求36所述的装置，其中所述特征包括动力学特征中的至少一个或多个，其中所述动力学特征包括所述信号的规律性、幅度和形状。

60.根据权利要求36所述的装置，其中所述特征包括以下中的至少一个或多个：在峰值震颤频率处的幅度或功率谱密度即PSD、在所述峰值震颤频率周围约2.75Hz宽的频带中的合计幅度或PSD、在约4到约12Hz之间的频带中的合计幅度或PSD、或仅从刺激前频谱中选出的所述峰值震颤频率周围的频带中的合计幅度或PSD。

61.根据权利要求36所述的装置，其中所述特征包括频域特征。

62.根据权利要求36所述的装置，其中所述特征包括近似熵、位移、曲线拟合、功能PCA、滤波、均值、中位数或时域范围中的至少一个。

Images