CN113614751A - 脑电图信号的识别和提取 - Google Patents
脑电图信号的识别和提取 Download PDFInfo
- Publication number
- CN113614751A CN113614751A CN201980094429.2A CN201980094429A CN113614751A CN 113614751 A CN113614751 A CN 113614751A CN 201980094429 A CN201980094429 A CN 201980094429A CN 113614751 A CN113614751 A CN 113614751A
- Authority
- CN
- China
- Prior art keywords
- eeg
- pain
- eeg data
- current density
- data
- 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
Links
- 238000000605 extraction Methods 0.000 title description 2
- 208000002193 Pain Diseases 0.000 claims abstract description 266
- 230000036407 pain Effects 0.000 claims abstract description 227
- 238000000034 method Methods 0.000 claims abstract description 102
- 230000001537 neural effect Effects 0.000 claims abstract description 35
- 230000003595 spectral effect Effects 0.000 claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims description 76
- 230000000694 effects Effects 0.000 claims description 39
- 239000013598 vector Substances 0.000 claims description 33
- 210000004761 scalp Anatomy 0.000 claims description 19
- 238000005259 measurement Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000003993 interaction Effects 0.000 claims description 8
- 238000012706 support-vector machine Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 230000001965 increasing effect Effects 0.000 claims description 6
- 230000006399 behavior Effects 0.000 claims description 5
- 230000001054 cortical effect Effects 0.000 claims description 5
- 230000003247 decreasing effect Effects 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 2
- 230000000638 stimulation Effects 0.000 description 22
- 210000004556 brain Anatomy 0.000 description 19
- 208000000094 Chronic Pain Diseases 0.000 description 17
- 230000008569 process Effects 0.000 description 17
- 238000004422 calculation algorithm Methods 0.000 description 14
- 238000001514 detection method Methods 0.000 description 13
- 230000036541 health Effects 0.000 description 13
- 230000004913 activation Effects 0.000 description 12
- 230000007246 mechanism Effects 0.000 description 12
- 238000011282 treatment Methods 0.000 description 12
- 238000005457 optimization Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 238000012549 training Methods 0.000 description 10
- 230000003044 adaptive effect Effects 0.000 description 8
- 238000002474 experimental method Methods 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 8
- 239000000523 sample Substances 0.000 description 8
- 230000002452 interceptive effect Effects 0.000 description 7
- 239000006185 dispersion Substances 0.000 description 6
- 230000037324 pain perception Effects 0.000 description 6
- 208000008035 Back Pain Diseases 0.000 description 5
- 230000001684 chronic effect Effects 0.000 description 5
- 210000003141 lower extremity Anatomy 0.000 description 5
- 230000002829 reductive effect Effects 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 208000008930 Low Back Pain Diseases 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000001149 cognitive effect Effects 0.000 description 4
- 230000003340 mental effect Effects 0.000 description 4
- 230000004007 neuromodulation Effects 0.000 description 4
- 230000002269 spontaneous effect Effects 0.000 description 4
- 230000002123 temporal effect Effects 0.000 description 4
- 238000002560 therapeutic procedure Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000000386 athletic effect Effects 0.000 description 3
- 230000003935 attention Effects 0.000 description 3
- 210000003169 central nervous system Anatomy 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008713 feedback mechanism Effects 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 230000008058 pain sensation Effects 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 230000007384 vagal nerve stimulation Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000003920 cognitive function Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000009429 distress Effects 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 210000000245 forearm Anatomy 0.000 description 2
- 239000012634 fragment Substances 0.000 description 2
- 230000001939 inductive effect Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013548 repetitive transcranial magnetic stimulation Methods 0.000 description 2
- 230000000284 resting effect Effects 0.000 description 2
- 231100000430 skin reaction Toxicity 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000011269 treatment regimen Methods 0.000 description 2
- YLOCGHYTXIINAI-XKUOMLDTSA-N (2s)-2-amino-3-(4-hydroxyphenyl)propanoic acid;(2s)-2-aminopentanedioic acid;(2s)-2-aminopropanoic acid;(2s)-2,6-diaminohexanoic acid Chemical compound C[C@H](N)C(O)=O.NCCCC[C@H](N)C(O)=O.OC(=O)[C@@H](N)CCC(O)=O.OC(=O)[C@@H](N)CC1=CC=C(O)C=C1 YLOCGHYTXIINAI-XKUOMLDTSA-N 0.000 description 1
- 108010072051 Glatiramer Acetate Proteins 0.000 description 1
- 206010024453 Ligament sprain Diseases 0.000 description 1
- 206010034912 Phobia Diseases 0.000 description 1
- 206010039897 Sedation Diseases 0.000 description 1
- 208000010040 Sprains and Strains Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 210000003423 ankle Anatomy 0.000 description 1
- 229940121363 anti-inflammatory agent Drugs 0.000 description 1
- 239000002260 anti-inflammatory agent Substances 0.000 description 1
- 229940125681 anticonvulsant agent Drugs 0.000 description 1
- 239000001961 anticonvulsive agent Substances 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000003930 cognitive ability Effects 0.000 description 1
- 238000009225 cognitive behavioral therapy Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013400 design of experiment Methods 0.000 description 1
- 238000002651 drug therapy Methods 0.000 description 1
- 230000004064 dysfunction Effects 0.000 description 1
- 238000000537 electroencephalography Methods 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000000763 evoking effect Effects 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 210000002683 foot Anatomy 0.000 description 1
- 210000001652 frontal lobe Anatomy 0.000 description 1
- 230000005714 functional activity Effects 0.000 description 1
- 229940042385 glatiramer Drugs 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000008035 nerve activity Effects 0.000 description 1
- 208000004296 neuralgia Diseases 0.000 description 1
- 230000036403 neuro physiology Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 229940005483 opioid analgesics Drugs 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000003534 oscillatory effect Effects 0.000 description 1
- 230000008289 pathophysiological mechanism Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 208000019899 phobic disease Diseases 0.000 description 1
- 230000036314 physical performance Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002360 prefrontal effect Effects 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 230000001020 rhythmical effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000036280 sedation Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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]
-
- 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
-
- 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
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Artificial Intelligence (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Psychiatry (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Mathematical Physics (AREA)
- Hospice & Palliative Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Fuzzy Systems (AREA)
- Physiology (AREA)
- Psychology (AREA)
- Evolutionary Computation (AREA)
- Pain & Pain Management (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
公开了一种用于识别和提取与疼痛相关的脑电图(EEG)信号的方法。方法包括:从一次或多次试验中接收每次试验的EEG数据;确定每个信号的电流密度;基于所计算的电流密度,估计一组感兴趣神经活动区域的电流密度;以及基于所估计的电流密度,计算每次试验的至少一个频谱特征。因此,针对每个感兴趣神经活动区域,可计算在标记成指示疼痛状态的EEG数据和标记成指示无疼痛状态的EEG数据之间EEG数据变化的平均值和方差,以及基于至少一个感兴趣区域,可识别与疼痛相关的EEG信号,其中,在至少一个感兴趣区域,方差低于预定阈值。
Description
技术领域
本发明一般来说涉及一种识别与疼痛相关的脑电图(EEG)模式的过程。本发明还涉及一种用于疼痛感缓解训练的交互过程。
背景技术
慢性疼痛定义为持续时间超过三个月的持续性疼痛,其是一个非常复杂的过程,慢性疼痛不仅对中枢神经系统有影响,而且甚至可能是由中枢神经系统的功能障碍引起的。在1986年,世界卫生组织宣布疼痛仍然影响着全球许多人。此外,在新加坡,慢性疼痛仍然是一个常见问题,估计每10个人中就有1人受到慢性疼痛的影响。
GSK(葛兰素史克)全球疼痛指数2017报告指出:疼痛影响工作场所的生产力,而且还影响生活质量。每年给全球经济造成的损失估计超过2450亿美元。
由于慢性疼痛的病理生理机制的复杂性,存在几种现有的治疗方案,即药物治疗、微创介入治疗和开放性手术。即便如此,最常见的疼痛治疗方案主要是基于药物的治疗,包括使用阿片类药剂、抗惊厥药剂和抗炎药剂。此类治疗昂贵且具有相对低的成功率。更重要的是,这些治疗方案存在潜在的严重不良副作用、并发症等缺点,可能使用户产生依赖性。
简而言之,慢性疼痛的管理所面临的两个最突出的问题是:缺乏检测疼痛的客观方法,以及在处理疼痛时缺乏治疗中枢神经系统的廉价、无创和安全的方法。
因此,期望提供解决上述缺点中的一个或多个缺点,例如,与现有的疼痛治疗方法相关的缺点的技术方案,或者至少提供有用的替代方案。
发明内容
考虑到管理慢性疼痛的医疗负担以及慢性疼痛对个人(身体上、情感上和经济上)、其他人和社会的负面影响,以及在恢复与疼痛相关的恐惧回避行为方面的挑战,而开发本发明。本文所描述的脑机接口(BCI)的实施例能够识别与疼痛特有状况相匹配的独特的疼痛特有EEG模式和显示恐惧回避行为。这些BCI还可用作调节疼痛的治疗工具。如果长期维持积极的疼痛管理模式,则这可在医疗保健过程中显著影响疼痛康复的方式。具体地,这可使得针对疼痛特有状况定制治疗方法,且有助于更好地了解和治疗恐惧回避行为。此外,如果BCI训练的益处得以持续,则从长远来看,还能够降低医疗保健成本。因此,公开了基于BCI的疼痛检测和/或缓解系统。
在第一方面,本发明提供一种用于识别和提取与疼痛相关的脑电图(EEG)信号的方法,该方法包括:
从一次或多次试验中接收每次试验的EEG数据,EEG数据包括一个或多个信号,这一个或多个信号中的每个信号与相应的坐标矢量相关联,EEG数据标记成指示疼痛状态和/或无疼痛状态;
在相应的坐标矢量中,确定一个或多个信号中的每个信号的电流密度;
基于所计算的电流密度,估计一组感兴趣神经活动区域的电流密度;
基于所估计的电流密度,计算每次试验的至少一个频谱特征;
基于至少一个频谱特征,针对每个感兴趣神经活动区域,计算在标记成指示疼痛状态的EEG数据和标记成指示无疼痛状态的EEG数据之间EEG数据变化的平均值和方差;以及
基于至少一个所述感兴趣区域,识别与疼痛相关的EEG信号,其中,在至少一个所述感兴趣区域,方差低于预定阈值。
方法可进一步包括从一个或多个感兴趣区域中提取与疼痛相关的EEG信号。
因此,方法可在头皮/感兴趣区域上搜索皮层位置/EEG坐标的最佳集合,其中,根据EEG的电势所估计的电流密度活度示出了从无疼痛EEG到疼痛EEG的最一致的变化。
方法可进一步包括:构建分类机,以预测EEG记录是与疼痛相关联还是与无疼痛相关联。方法可进一步包括:构建回归机,以预测EEG记录是否与感知疼痛水平相关联。该机器可采用一种算法,该算法针对每个EEG记录使用电流密度活度测量值。构建分类机/回归机可包括构建如下机器,该机器使用支持向量机、深度神经网络等中的一种或其组合,而且线性机制是优选的。分类机/回归机的输出为标量指示符(标量(而不是二元输出值)通常可根据二元分类机来计算),方法进一步包括使用标量指示符来指示疼痛EEG激活的水平-即,EEG属于至少两个与疼痛相关的EEG类别中的哪一个类别。
计算EEG数据变化的平均值和方差,可包括:基于频谱特征,计算类别间散布矩阵和总散布矩阵中至少之一,以确定至少两个与疼痛相关的EEG类别之间的协方差。
接收EEG数据的步骤可包括:接收未超过运动阈值的EEG数据,例如来自EEG的运动伪影。运动阈值可设置于这样的水平,在该水平下,所记录的EEG上的运动伪影不足以降低上述方法的精确度。超过运动阈值可由附接到从中捕获EEG数据的受试者的运动传感器确定,或者,由受试者的临床医生在运动的情况下积极地标记EEG数据来确定,例如通过按压按钮标记EEG数据来确定。还可通过使受试者在试验期间坐下、站立或躺着不动,或者通过预处理EEG以去除运动伪影,来减少或去除运动伪影。
与疼痛相关的EEG类别可简单地为疼痛EEG类别和无疼痛EEG类别,疼痛EEG类别指示在记录EEG时受试者处于疼痛中,无疼痛EEG类别指示在记录EEG时受试者未处于疼痛中。在一些情况下,可能有两个以上的类别来表示不同程度的疼痛。因此,至少两个与疼痛相关的EEG类别为疼痛EEG类别和无疼痛EEG类别。
电流密度可以是径向电流密度。
计算EEG数据变化的平均值和方差,可包括:计算类别间散布矩阵和总散布矩阵中至少之一。可计算类别间散布矩阵和总散布矩阵两者,识别EEG信号可包括:满足如下等式:
argminLf(L),
其中,f(L)为感兴趣神经活动区域L的多变量费舍尔(Fisher)评分,其中f(L)为:
f(L)=trace{Sb(St+γι)-1},
其中,Sb为类别间散布矩阵,St为总散布矩阵,γ为正向正规化参数,且ι为单位矩阵。
感兴趣区域可以是头皮上的皮层位置/EEG坐标。
至少两个与疼痛相关的EEG类别可以是疼痛EEG类别和无疼痛EEG类别。
方法可进一步包括:
构建二元分类机,二元分类机用于从进一步的EEG数据中接收电流密度或电流密度活度,并输出标量指示符;
接收进一步的EEG数据;
将二元分类机应用于进一步的EEG数据;以及基于与进一步的EEG数据相关联的标量指示符,将进一步的EEG数据分类成指示疼痛状态的EEG数据或指示无疼痛状态的EEG数据。
在一个实施例中,方法用于识别和提取与疼痛相关的脑电图(EEG)信号,并因此创建分类机,包括:
(疼痛EEG数据采集)将EEG设备附接到慢性疼痛患者,且当疼痛发作事件发生时,患者/操作者应将该事件登记到EEG数据流中,EEG数据流以数字形式记录;如果在一段时间之后疼痛感觉明显降低,则他/她应将该降低的疼痛事件登记到EEG数据流中;还可登记患者的感知疼痛评分;重复该过程以记录更多这样的疼痛事件。
人置于静止位置(例如,坐下、站立、躺着等),且如果没有疼痛感觉,则记录一段时间的无疼痛EEG数据。
根据相同的方案采集来自其他慢性疼痛患者的无疼痛EEG记录和疼痛EEG记录。
使用计算机处理所记录的数据以识别EEG中与疼痛相关的脑激活模式;原则上,在技术报告中详细描述的计算机算法使用迭代优化过程来在头皮上搜索皮层位置/EEG坐标的最佳集合,其中,根据EEG的电势所估计的电流密度活度示出了从无疼痛EEG到疼痛EEG的最一致的变化,其中
电流密度活度可以指电流密度随时间自然变化的特有频谱特征,例如频带功率;
可使用诸如费舍尔判别或KL(Kullback–Leibler)散度的统计量,来测量从无疼痛EEG到疼痛EEG的变化的一致性;
可使用表面电势(EEG)的球面样条插值来估计电流密度,例如,Perrin等人(于1989年)提出的方法;
使用计算机构建分类算法/回归算法,以预测EEG记录是与疼痛或无疼痛(在分类的情况下)相关联,还是与感知疼痛水平(在回归的情况下,只要如上所述登记患者的感知疼痛水平)相关联;算法针对每个EEG记录均使用上文所述的电流密度活度测量值;分类机制可使用任何方法,例如支持向量机、深度神经网络等或其组合,而且线性机制是优选的;然后,算法的输出作为标量指示符(标量(而不是二元输出值)通常可根据二元分类机来计算)用于指示疼痛EEG激活的水平。
本文还公开了一种用于量化与疼痛相关的EEG信号活动的激活的计算机方法,该计算机方法包括:
对EEG数据执行根据权利要求1所述的计算机方法,以计算权利要求1中指出的电流密度活度测量值,
使用分类算法/回归算法来计算与疼痛相关的EEG活动的水平。
计算机方法可进一步包括:接收包含数值化的疼痛水平估计的初始输入;其中,接收进一步的EEG数据,包括:从连续获取的EEG数据中接收连续EEG时间段;计算机方法进一步包括:在每个连续EEG时间段,基于与疼痛相关的EEG信号的激活水平的上述量化,来重新估计数值化的疼痛水平。
上述计算机过程或方法提供了一种新颖的、自适应的和参与者特有的疼痛神经矩阵检测和分析程序,该程序在自发性EEG中探索和识别判别和鲁棒模式,以用于疼痛建模和解码。
本文还公开了一种用于量化与疼痛相关的EEG信号活动的激活的计算机方法,该计算机方法包括:
对EEG数据执行根据权利要求1所述的计算机方法,以计算权利要求1中指出的电流密度活度测量值,
使用分类算法/回归算法来计算与疼痛相关的EEG活动的水平;
使用二元分类机对进一步的EEG数据进行分类,以确定进一步的EEG数据是表示疼痛EEG类别还是表示无疼痛EEG类别。
本文还公开了一种用于对与疼痛相关的EEG信号进行分类的计算机方法,该计算机方法包括:
从多次试验中采集EEG数据,多次试验包括:
由易受疼痛感影响的第一受试者进行的至少一次试验;和
由健康的第二受试者进行的至少一次试验,
其中,每次试验的EEG数据包括一个或多个信号;
对EEG数据执行根据权利要求1所述的计算机方法,并针对每个信号设置初始坐标矢量;以及
构建二元分类机,以基于至少一个感兴趣区域的EEG测量值,在至少两个与疼痛相关的EEG状态之间进行区分;
接收进一步的EEG数据;以及
将二元分类机应用于进一步的EEG数据;
从二元分类机接收标量指示符,并基于标量指示符将进一步的EEG数据分类成表示疼痛EEG类别或无疼痛EEG类别。
二元分类机可以是以下至少之一:
支持向量机;
多层神经网络;以及
广义线性判别分析器。
计算平均值和方差可包括:基于至少一个频谱特征,计算类别间散布矩阵和总散布矩阵中至少之一,以确定至少两个与疼痛相关的EEG类别之间的协方差。计算类别间散布矩阵和总散布矩阵可包括:
针对EEG数据的至少两个电特性,生成样条插值矩阵;
使用样条插值矩阵将EEG数据转换成电流密度估计值;
计算电流密度估计值的频带功率;以及
使用电流密度估计值的频带功率,计算类别间散布矩阵和总散布矩阵。
计算电流密度估计值的频带功率可包括:
确定电流密度估计值的电流密度时间序列;
使用基于傅立叶的分解和带通滤波之后跟随着能量计算中至少之一,来计算电流密度时间序列的频带功率的矢量。
使用二元分类机对进一步的EEG样本进行分类可包括:
使用样条插值矩阵将进一步的EEG数据转换成进一步的电流密度估计值;计算进一步的电流密度估计值的频带功率;以及
将二元分类机应用于频带功率,其中,二元分类机的正输出指示进一步的EEG数据的来源的疼痛EEG状态和无疼痛EEG状态中的第一状态,并且其中,二元分类机的负输出指示该来源的疼痛EEG状态和无疼痛EEG状态中的第二状态,第二状态不同于第一状态。
计算机方法可进一步包括:接收包含数值化的疼痛水平估计的初始输入;接收进一步的EEG数据可包括:从连续记录(即,获取)的EEG数据中接收连续EEG时间段;计算机方法可进一步包括:基于每个连续EEG时间段是被分类成表示疼痛EEG类别还是表示无疼痛EEG类别,例如,是否在每个连续EEG时间段对与疼痛相关的EEG信号的激活水平进行上述量化,来重新估计(例如,增加或减少)数值化的疼痛水平估计。
上述计算机过程或方法提供了一种新颖的、自适应的和参与者特有的疼痛神经矩阵检测和分析程序,该程序在自发性EEG中探索和识别判别和鲁棒模式,以用于疼痛建模和解码。
本文还公开了一种用于识别和提取与疼痛相关的EEG信号的系统(例如,诸如智能手机的便携式电子设备),该系统包括:
EEG信号源;
存储器;以及
至少一个处理器,存储器存储有指令,指令在由至少一个处理器执行时,使得至少一个处理器:
从一次或多次试验中接收每次试验的EEG数据,EEG数据包括一个或多个信号,这一个或多个信号中的每个信号与相应的坐标矢量相关联,EEG数据标记成指示疼痛状态和/或无疼痛状态;
在相应的坐标矢量中,确定一个或多个信号中的每个信号的电流密度;
基于所计算的电流密度,估计一组感兴趣神经活动区域的电流密度;
基于所估计的电流密度,计算每次试验的至少一个频谱特征;
基于至少一个频谱特征,针对每个感兴趣神经活动区域,计算在标记成指示疼痛状态的EEG数据和标记成指示无疼痛状态的EEG数据之间EEG数据变化的平均值和方差;以及
基于一个或多个感兴趣区域,识别与疼痛相关的EEG信号,其中,在一个或多个感兴趣区域,方差低于预定阈值。
在一些实施例中,EEG信号源可以是存储有EEG数据的存储器设备或导线。在其他实施例中,EEG信号源可以是受试者,直接记录来自该受试者的EEG信号。
电势场特征可以是径向电流密度。
至少一个处理器可计算类别间散布矩阵和总散布矩阵两者,且可通过满足如下等式来识别与疼痛相关的EEG信号:
argminLf(L),
其中,f(L)为感兴趣神经活动区域L的多变量费舍尔评分,其中f(L)为:
f(L)=trace{Sb(St+γι)-1},
其中,Sb为类别间散布矩阵,St为总散布矩阵,γ为正向正则化参数,且ι为单位矩阵。
EEG信号源可布置成从多次试验中采集EEG数据,多次试验包括:
由易受疼痛感影响的第一受试者进行的至少一次试验;和
由健康的第二受试者进行的至少一次试验,
其中,每次试验的EEG数据包括一个或多个信号;
其中,至少一个处理器配置成:
针对每个所述信号应用初始坐标矢量;
构建二元分类机,以基于来自用于提取与疼痛相关的EEG信号的至少一个感兴趣区域的EEG测量值,在至少两个与疼痛相关的EEG状态之间进行区分;
接收进一步的EEG数据;以及
使用二元分类机对进一步的EEG数据进行分类,以输出标量指示符,并根据标量指示符确定进一步的EEG数据是表示疼痛EEG类别还是表示无疼痛EEG类别。
系统可进一步包括输入设备,输入设备用于接收包含数值化的疼痛水平估计的初始输入,其中,至少一个处理器配置成:
通过从连续记录的EEG数据中接收连续EEG时间段,来接收进一步的EEG数据;以及
基于每个连续EEG时间段是被分类成表示疼痛EEG类别还是表示无疼痛EEG类别,增加或减少数值化的疼痛水平估计。
系统可进一步包括:
显示器;
输入设备;以及
一个或多个EEG设备,这一个或多个EEG设备用于至少一个感兴趣区域中的每个感兴趣区域且位于相应的感兴趣区域,一个或多个EEG设备用于记录连续记录的EEG数据,从连续记录的EEG数据接收连续EEG时间段,
其中,至少一个处理器进一步配置成:
针对来自连续EEG时间段的第一EEG时间段,确定注意力评分;
在显示器上显示:
数值化的疼痛水平估计;
注意力评分;以及
交互活动;
在通过输入设备进行交互活动的交互期间,基于来自连续EEG时间段的后续EEG时间段,持续更新数值化的疼痛水平估计和注意力评分;以及
调整交互活动的行为,以减少被分类成疼痛EEG类别的后续EEG时间段的数量。
一个或多个EEG设备可适用于在至少一个感兴趣区域中的一个或多个感兴趣区域处施加模拟,其中,使用一个或多个EEG设备记录连续记录的EEG,包括:记录由一个或多个EEG设备在至少一个感兴趣区域处施加的刺激产生的EEG。
上述系统可提供一种新颖的脑机接口(BCI)疼痛缓解系统。该系统可基于疼痛感受检测和认知功能或者通过疼痛感受检测和认知功能操作,疼痛感受检测和认知功能根据交互式视听反馈计算以用于调节疼痛,或者根据其他神经刺激机制(例如,迷走神经刺激)计算。
系统的一些实施例可通过将脑电图(EEG)信号与一组健康参与者和慢性疼痛患者的疼痛发作相关联,来识别疼痛特征。然后,系统可开发一种训练和处理机制或序列,其针对疼痛神经矩阵建模和解码而设计。之后,建立闭环感测和神经反馈机制,来进行疼痛神经调节治疗,该治疗使用分享式注意力和疼痛神经矩阵活动的监测和刺激来帮助慢性疼痛患者。
附图说明
现在,将参考附图通过非限制性示例的方式描述本发明的实施例,其中:
图1为根据本教导的一种用于识别和提取与疼痛相关的脑电图(EEG)信号的计算机方法的流程图;
图2为用于在执行一组特定活动期间所捕获EEG数据的原型或实验布置的照片;
图3为图2中的布置的示意图;
图4为示出了采集与诱发疼痛的活动相关的EEG的过程的流程图;
图5包括图5a至图5d,示出了执行所指定的活动以诱发疼痛的各种站点;
图6为从演员表演可诱发疼痛的日常任务的视频中截取的一系列静止图像;
图7示出了多个实验结果,其中与健康受测者相比,具有慢性疼痛的受测者在α、中等β和高β范围内执行运动期间会出现高激活水平;
图8示出了通过观察演员表演设计成诱发疼痛的日常运动的视频而获得的实验结果;
图9示出了示例性疼痛EEG时间段-在EEG信号中标记较重疼痛事件和较轻疼痛事件;
图10示出了各种疼痛事件的事件计数,其中顶部图示出了每个受试者的较重疼痛事件和较轻疼痛事件的总数,而底部图示出了由于噪声EEG而被拒绝的疼痛事件;
图11为根据本教导的、用于基于BCI的疼痛神经调节治疗的训练系统布置的照片,该治疗使用分享式注意力和疼痛神经矩阵活动的监测和反馈;
图12为图11中的系统的系统图;
图13为图11和图12的系统的使用流程图;
图14为根据本教导的用于游戏化呈现健康评分和注意力评分的用户界面;
图15为示出了根据本教导的一种不基于药物的慢性疼痛管理方法的流程图;
图16示出了一位游戏化治疗方案的参与者,参与者佩戴着EEG帽并在笔记本电脑上用操纵杆玩太空游戏;
图17示出了显示用于估计受试者的疼痛水平的第一问题的用户界面;
图18示出了显示用于估计受试者的疼痛水平的第二问题的用户界面;以及
图19至图24提供了显示游戏中用户界面的显示器,该游戏中用户界面显示注意力评分、健康或疼痛水平估计评分和交互活动。
具体实施方式
虽然本公开包含上文所述的计算机方法和系统的各种实施例,但是广义地描述了这些实施例中的两类实施例,即:
(i)自适应的和潜在参与者特有的疼痛神经矩阵检测和分析程序。这可通过在自发性EEG中探索和识别判别和鲁棒模式,以用于疼痛建模和解码来实现。
(ii)基于BCI的疼痛神经矩阵活动和基于疼痛感受检测和认知功能的注意力监测和反馈训练系统,疼痛感受检测和认知功能根据交互式视听反馈计算,或者根据脑刺激机制计算,以用于调节疼痛。
对于自适应的和潜在参与者或受试者特有的疼痛神经矩阵检测和分析程序,与健康对照者相比,在患有慢性腰痛或慢性下肢痛的患者中,可利用标记良好的感受以及相关的特定认知和疼痛矩阵功能的优势。这有助于在自发性EEG中以及在诱发的感受EEG中识别判别和鲁棒模式,以用于疼痛预测。因此,可以仅从有助于在疼痛EEG类别的EEG信号和无疼痛类别的EEG信号之间进行区分的那些区域或位置提取EEG数据,疼痛EEG类别的EEG信号即指示在记录EEG时受试者处于疼痛中的信号,和无疼痛类别的EEG信号即指示在记录EEG时受试者未处于疼痛中的信号。
在本实施例中,在两种条件下诱发疼痛的情况下,当与健康对照者即,健康或无疼痛的受试者进行比较时,通过疼痛神经矩阵检测和分析实现的建模使用一个实验设计,该实验设计涉及从患有慢性腰痛或慢性下肢痛的患者中采集EEG信号。这两个条件为诱发运动的条件和引起恐惧的条件。
对于基于BCI的疼痛神经矩阵活动和注意力监测和反馈训练系统,讨论了一种具有视听反馈的游戏界面。该游戏界面可告知用户其当前脑激活水平和注意力水平。游戏还可引导用户学习调节EEG特征并培养管理注意力的技能,以缓解感知到的与恐惧相关的疼痛。
BCI系统捕获EEG信号并解码与认知和恐惧相关的疼痛感知相关的潜在脑状态。然后这种解码后的脑状态以视觉或其它形式呈现给参与者,以引导参与者学习调节脑状态,来实现更好的疼痛管理。例如,参与者或受试者可以在数个会话中学习专注于视觉反馈,同时抑制与恐惧相关的疼痛感知相关的脑功能活动。
因此,本文所描述的计算机方法和系统的特定实施例旨在提供:
a.一种分享式注意力和疼痛神经矩阵活动的监测和反馈机制。
b.一种交互式界面,其通过基于视听反馈的游戏来帮助患者或受试者学习缓解所感知的疼痛,该游戏可实时地告知患者或受试者其疼痛水平和精神注意力水平。
c.一种自适应神经刺激/反馈机制,其通过学习和优化与从脑信号获得的疼痛神经矩阵激活估计和经验性治疗效果相关联的刺激/反馈参数,来缓解疼痛。
就这一点而言,神经矩阵为神经元网络,认为神经元网络传递导致疼痛感觉的、与疼痛相关的信号。
参考图1,其示出了用于识别和提取与疼痛相关的EEG信号的计算机过程或方法100。方法100基于对疼痛/无疼痛发作的EEG模式识别。计算机方法100大致包括:
102:接收EEG数据,即从一次或多次试验中接收EEG数据,针对每次试验均记录一个或多个信号。EEG数据标记成指示疼痛状态和/或指示无疼痛状态。例如,在试验中使用的具有32个通道的EEG设备将输出32个EEG信号,每个通道输出一个EEG信号。每个EEG信号与相应的坐标矢量相关联。该矢量可以是记录试验的EEG设备的位置,或者可以是选择性地或任意地设置的初始位置矢量,以能够计算EEG传感器在头皮上的最佳位置。
104:在相应的坐标矢量中,确定一个或多个信号中的每个信号的电流密度-针对每个信号,在分配给该信号的相应的坐标矢量中计算电流密度。通常,电流密度将为径向电流密度,但是可使用诸如电压电位分布的其他电势场特征。
106:估计电流密度-针对一组感兴趣神经活动区域估计电流密度。该组区域可任意选择或可以是预定的,以能够将感兴趣区域细化到生成用于在疼痛EEG状态之间进行区分的相关信号的可能性更大的那些区域。
108:计算电势场特征的至少一个频谱特征,至少一个频谱特征通常为频带功率。
110:针对每个感兴趣神经活动区域,计算在标记成指示疼痛状态的EEG数据和标记成指示无疼痛状态的EEG数据之间EEG数据变化的平均值和方差。这通常涉及计算散布矩阵,一般来说,将计算类别间散布矩阵和总散布矩阵。然而,在某些情况下,可能只需要这些矩阵中的一个,因此只计算这一个矩阵。这些矩阵有助于理解两个或更多个与疼痛相关的EEG类别之间的协方差。
112:基于至少一个所述感兴趣区域,识别与疼痛相关的EEG信号,其中,在至少一个所述感兴趣区域,方差低于预定阈值。
为了获得与疼痛发作相关的EEG模式,设计并进行一个实验方案,预计实验方案的总持续时间约为1.5小时,任务如下:
i.受试者或患者(在该实验中称为“参与者”)完成一组自我报告的问卷[(即,人口统计资料、数字疼痛等级量表(NRS)、医疗保健使用、短暂疼痛干扰(BPI)、疼痛突变量表(PCS)、Tampa运动恐惧症量表、简表-36(SF-36)和患者健康问卷-9(PHQ-9))。
ii.参与者进行一系列15个身体运动。
iii.参与者观看一系列15个涉及个人参与日常活动的视频。
共有11名健康参与者和11名患者(混合了腰痛患者和下肢疼痛患者)参加实验。使用图2所示的EEG布置200捕捉EEG。该EEG布置包括:
202:佩戴在受试者头皮上的EEG帽,其EEG传感器或电极位于头皮周围的位置;
204:EEG放大器;
206:背包,其使得能够随身携带布置200的各组件,尤其在执行下文参考图4所描述的任务期间;
208:监测受试者的心脏状况的心电图(ECG)电极;
210:一个或多个皮肤电反应(GSR)传感器,其用于测量皮肤电导率,且在使用时位于受试者的前臂上;
212:蜂鸣器。蜂鸣器能够实现EEG数据的自注册或自标记。蜂鸣器可操作以简单地以二元方式标记数据(例如,疼痛/无疼痛)或者以渐进方式标记数据,例如当受试者经历某种疼痛时点击按钮A,如果疼痛增加则再次点击按钮A,或者如果疼痛减少则点击按钮B。
整个系统或布置200包括EEG放大器204并固定在背包206中,EEG放大器204与皮肤电反应(GSR)传感器模块(闪烁器)210耦合。EEG头戴式视图器或帽202捕捉大脑中与感受、注意力以及镇静的认知/情绪状态相关的电神经生理活动。
这种可穿戴的BCI系统在试验期间由参与者佩戴,其中,EEG帽202安装在参与者的头部,且GSR传感器210卡在参与者的前臂上。
如图3的布置200的示意图300所示,EEG帽202包括40个通道。
EEG帽202、ECG电极208和GSR电极均馈送到放大器204。由于GSR电极的读数相对微弱,因此GSR电极的读数在馈送到放大器204之前由前置放大器302预放大。放大器204的输出馈送到计算机304(例如,笔记本),计算机304还从蜂鸣器212中接收信号(如图2所示,通过无线接收或通过硬连线接收)。因此,计算机304可基于在接收EEG数据、ECG数据和GSR数据时按钮状态或蜂鸣器的状态(例如,按下/未按下按钮A,以及按下/未按下按钮B)来标记EEG数据、ECG数据和GSR数据。
在实验期间,使用布置200记录EEG信号、疼痛事件和疼痛强度。对于第1阶段记录的第一部分,要求参与者(健康受试者和被认为是患者的受试者,例如经历慢性疼痛的人)进行15次不同的运动以诱发疼痛。这些运动是:
1.从地板上抬起箱子
2.拿起和移动纸箱
3.从手推车上拿起哑铃
4.拿起桌子下方的箱子
5.移动哑铃
6.拖地
7.提着箱子上楼
8.下楼
9.在身体前方/后方背着包,在跑步机上行走
10.在跑步机上快速行走
11.在身体一侧背着包,在跑步机上行走
12.拉凳子的滑轮
13.拉滑轮
14.把箱子放在搁板上
15.推金属小推车
在开始这15项不同的运动任务中的每一项之前,参与者观看描述需要执行的动作的视频剪辑。这使得参与者能够对他需要执行的任务具有更清楚的了解,并确保以一致的方式执行动作的可能性更大。
之后,当进行30秒的基线EEG记录时,参与者保持静止。该静止期将用于神经矩阵检测和分析。
每项运动均由治疗师陪同。在运动任务期间,建议参与者在诱发疼痛的运动期间遇到疼痛发作的时间告知治疗师。然后,治疗师能够标记EEG片段(例如,通过点击按钮,以电子方式将时间签名应用于相关EEG片段,以将相关EEG片段标记成疼痛EEG类别的片段),并指示参与者在继续之前停止运动20秒。该20秒休息时间使得系统能够捕获相关的干净EEG片段,干净EEG片段不会被参与者执行任务时生成的运动伪影所破坏。还记录对疼痛的描述,包括:疼痛评分、疼痛类型和疼痛发生的区域。
通过提供治疗师,显著减轻延迟,否则受试者需要腾出双手并定位蜂鸣器212以标记数据,而这会发生此类延迟。
如图4所示,由布置200、300采用的过程400涉及在402识别用于记录EEG的起始点。然后,在404EEG、ECG和GSR记录开始,并在406向受试者播放介绍视频,但是这不是必需的。在406播放介绍视频之后,在408受试者保持静止30s,以便系统获得基线EEG记录。
然后,在410向受试者播放运动视频,以显示由受试者执行的运动。这使得参与者能够对需要执行的运动任务具有更清楚的了解,并确保以一致的方式执行动作的可能性更大。
然后在412,受试者在受监督的环境中即,在治疗师陪同下,以预定次数(介于1和任何合适的次数之间)执行与视频相关联的运动,或者在预定时间段执行与视频相关联的运动。在执行运动期间,如果在判定框414受试者经历的疼痛加剧,则在416要求受试者停止和休息20s,且治疗师将标记EEG片段,例如通过点击按钮,以电子方式将时间签名应用于相关EEG片段,以将相关EEG片段标记成疼痛EEG类别的片段。还记录对疼痛的描述,包括疼痛评分、疼痛类型和疼痛发生的区域。如果在416休息之后,在判定框418受试者无法继续执行运动,在420程序结束。否则在412,受试者再次继续执行运动。如果在执行运动期间,在判定框422受试者经历较轻的疼痛,则重复如上所述的步骤416和步骤418。
如果受试者的疼痛水平保持一致,则在424受试者重复或维持运动,直到达到所需的重复次数和/或预定期限。如果在判定框426受试者未完成全部15个运动任务(在其他实施例中,该数目可以不同),则在427系统将进行到下一个运动视频。重复该过程,在408受试者再次提供基线记录,并进行步骤410至步骤426,直到执行完所有相关运动。
图5a示出了放置有笔记本电脑的桌子和可滚动的无靠背办公椅,受试者将在运动任务之前坐在办公椅上并观看介绍视频(在第1部分中);随后观看一系列15个涉及个人参与日常活动的视频(在第2部分中)。在图5b至图5d中示出了执行运动的各种站点,其中:图5b是跑步机,可要求受试者在该跑步机上以不同的姿势背着包行走;图5c示出了各种健身器材,可区别看待和测试在健身器材上运动的范围和强度;图5d示出了一系列拾取和放置活动,其中预先限定脚在地板上的位置,以确保某些活动需要臂部和/或背部的伸展。
在执行完所有运动之后,在428进行进一步的基线记录。在430再次向受试者播放视频,并进行EEG记录。该系列视频目前总共是15个,由男演员或女演员个人执行模仿人们参与可诱发疼痛的日常活动的任务。这些任务包括:
1.男人抬起一箱重文件
2.男人背着重的包
3.男人提着一袋重的杂货
4.男人将重箱子搬到手推车上
5.男人举着板条箱上楼
6.男人取下重的文件
7.男人推着一车重箱子
8.脚踝扭伤的男人走下楼梯
9.男人翻床垫
10.女人抬起一箱重文件
11.女人背着重的包
12.女人将重箱子搬到手推车上
13.女人把床单放在尴尬的角落
14.女人卸下洗衣机
15.女人从购物车卸载杂货
从这些视频中获取的示例静态图如图6所示。同样,视频播放期间的EEG记录可用于确定导致受试者预期疼痛感受的特定活动。如果在432未播放完整的视频,则在428再次进行基线EEG记录,并在433播放下一个视频。否则,在434该方法结束。
当在治疗师陪同下标记数据和监测患者时,上述过程有助于构建良好标记的EEG片段数据集,EEG片段可容易地分成疼痛EEG类别和无疼痛EEG类别。此外,一个或多个EEG采集步骤408、428属于方法100,涉及从多次试验中采集EEG数据,这些试验包括来自易受疼痛感影响的受试者(即,患有慢性疼痛的患者或受试者)的一次或多次试验,以及由健康受试者进行的一次或多次试验。例如,可避免如下步骤:在步骤102接收的EEG数据存储在数据库或存储器中。
共有11名健康受试者(即,无慢性疼痛的受试者)和11名患者(混合了患有腰痛的受试者和下肢疼痛的受试者)参加实验。对EEG波形进行筛选(使用可视化和手动标记),且拒绝损坏/有噪声的时间段。EEG分析使用从每个事件标记(固定、疼痛、疼痛较轻)开始的10秒时间窗或时间段。最终采集并用于该分析的数据包括来自三种类别的总共19名参与者,包括:背痛(6名参与者)、下肢疼痛(2名参与者)和健康对照者(11名参与者)。
与健康对照者相比,发现疼痛患者报告的疼痛评分(p=.001)和疼痛干扰(p=.01)明显更高。疼痛患者报告的身体机能(p=.02)也较低,由于身体健康状态而导致角色限制(p=.04)较高。在通过上述过程获得的结果中,疼痛患者和健康对照者在身体运动和抑郁症状的恐惧回避措施方面没有明显差异。
对于第二项任务,需要患者进行15次身体运动,比较健康对照者和疼痛患者在休息时的EEG脑信号。疼痛患者在α、中等β和高β频率下表现较高的激活水平。这尤其在特别是位于右半球的额叶区域和前额叶区域中看得到。而这在图7中示出。
对于第三部分,要求受试者观看男演员/女演员执行可诱发疼痛的日常任务的视频。每个参与者观看一系列15个涉及个人参与日常活动的视频。结果似乎表明,报告疼痛的患者(有反应者)与未报告疼痛的患者(无反应者)相比,在中等β和高β频率下存在明显的EEG模式差异。
为了提取局部EEG信号,使用球面样条算法[KT06]计算电流源密度(CSD)估计值。
表1:疼痛EEG类别与无疼痛EEG的类别精度比较
就这一点而言,在获取数据之后,基于电势场特征实现疼痛神经矩阵建模和解码机制。在本实施例中,特征是电流密度,或者更具体地说是径向电流密度,并表示头皮表面上的电势场的二阶导数。电流密度用于实现在本文中称为约束判别电流密度算法(cDCD)的建模和解码机制。
径向电流密度测量在特定坐标处沿着径向流动的电流的物理量。考虑分别位于球坐标Ei,I∈1,...,N的N个电极的EEG蒙太奇拼接。用于电流密度估计(CSD)的球面样条曲面拉普拉斯算法旨在如下获取任意坐标(I)处的真实电流密度:
这里,必须根据每个EEG样本z(头皮电位测量值)来估计ci的阵列,以满足:
Gc+Tc0=z (2)
以及
Tc=0 (3)
其中G为N个电极之间的角度的g函数的矩阵,T为单位矢量[1,1...,1]。
函数cos表示点E和电极Ei之间的角距离。函数h如下给出:
m为大于1的常数,且pn(x)为n阶Legendre(勒让德)多项式。
上述CSD可估计给定球坐标处的电流密度量。然而,其没有回答哪个坐标,即,哪个大脑(应注意,CSD通常仅对低深度源敏感)体素可显示与特定精神任务/状况相关联的神经活动。
下文描述的基于CSD的建模框架可用于识别神经活动区域,神经活动区域指的是参与疼痛感知和认知过程的那些区域。
为了简单起见,假设已针对每个EEG时间样本计算{ci(t)}值。然后可评估一组感兴趣神经活动区域:L={l1,I,...}-可将方法100中的坐标矢量设置成感兴趣神经活动区域中的相应区域。然后可使用上述等式计算感兴趣神经活动区域处的CSD值,以获得{cj(t)}。
这里,我们考虑这些CSD估计中的振荡活动,在精神任务/状况的第k次试验(实例)中,使用M个EEG样本(在{t}采样)。然后计算试验中cj(t)的平均功率,并用dk(lj)表示。
现在考虑在精神任务类别ω0和另一类别ω1之间需要识别对比神经活动的分类/检测场景。这可能需要理解与两个任务相关的特性的协方差。可确定每个类别中的CSD功率值d(t)的平均值和方差,并使用多变量费舍尔评分来表达其判别功率:
f(L)=trace{Sb(St+γI)-1} (5)
其中Sb和St分别为类别间散布矩阵和总散布矩阵,且γ为正向正则化参数。因此,我们将最佳CSD坐标的建模表示成:
argminL f(L) (6)
根据前文,对于给定L,计算f包括:
·(非线性步骤)针对每个电极和L中的每个CSD坐标计算hi(L);
·(线性步骤)使用预先计算的{ci}来计算每个CSD坐标和每个EEG时间样本的CSDcj的估计值;
·(非线性步骤)计算每次试验中CSD的平均功率:dk(lj);
·(非线性步骤)计算散布矩阵Sb和St;
·(非线性步骤)计算费舍尔评分。
因此,在这个优化问题中,非线性的步骤是主导。为了减少计算负荷和提高鲁棒性,L的求解限制在一个似真范围或感兴趣范围内。这通过在球坐标中设置要优化的区域的上限和下限来实现。因此,建模和优化问题被改写成:
argminLf(L),服从∑zu(Ii,b)=0 (7)
其中b为在球面空间中定义似真坐标区域的参数,u为阶跃函数:如果位置矢量Ii在该区域内,则该函数值为0,否则函数值为1或任意非零值。
在cDCD方法的实际应用中,方法100涉及调查或监测如下节律性活动:西塔θ:[48];阿尔法α:[812];低贝塔β:[1216];中等贝塔β:[1624];高贝塔β:[24 32];德尔塔δ:[14]。在每次试验中使用威尔奇(Welch)的方法来计算离散频点(从256点FFT开始,采样率为250Hz)处的平均CSD功率值的功率谱(dk),然后使用来自特定频带内的所有频点的功率之和。
总共有32次无疼痛时间段和疼痛时间段构成的试验(实例)。使用从头皮电势获得的频带-功率或者CSD-频带-功率特征进行6折交叉验证分类测试。使用Matlab统计工具箱,采用线性支持向量机(SVM)作为分类器。
在当前cDCD实现中,考虑一个简化版本,其中,L坐标与电极的坐标相同。因此,优化被缩减到相应电极区域内的球面坐标系的部分。虽然该结果不像求解目标方程(7)那样理想,但是限制到电极坐标使得能够评估解决方案(尽管其可能不是最优的解决方案)并可使之与基线进行比较。
参照表1,比较在各个折数下的准确率和平均值的准确率。与平均值相比,所提出的方法使得检测精确度从68%显著提高到82%。
应认为,当优化接近方程(7)所提供的目标优化时,如果该次优cDCD用作优化过程的初始解,则该次优cDCD将为EEG类别获得越来越准确的求解。
如上所述,第二类别是基于BCI的疼痛神经矩阵活动和注意力监测和反馈训练系统。
与图2所示的布置类似的布置可用于该过程。具体地,总体基于BCI的疼痛神经调节治疗方法使用分享式注意力和疼痛神经矩阵活动监测和反馈训练系统1100,如图11所示,系统1100包括:连接到EEG放大器1104和EEG帽1106的计算机1102(可以是台式电脑、膝上型电脑或平板电脑)。EEG帽1106的意思是它被参与者佩戴。
操作者帮助参与者戴上EEG帽1106并在电极上涂抹凝胶。之后,操作者将在计算机中启动BCI客户端软件应用程序,以检查每个电极的阻抗水平,从而确保良好的连通性。然后,可获取头皮EEG信号。此外,还有一个USB操纵杆,允许用户玩在计算机1102上运行的EEG注意力/疼痛反馈游戏。
图12示出了系统1100的系统图1200。在该实施例中,帽1202包括馈送到放大器1204的40个通道布置。放大器1204将放大后的信号发送到计算机1206,且用户手动地通过操纵杆1208与计算机1206交互。
在用户上设置系统之后,方法流程1300在1302开始。然后在1304开始实时EEG记录,以使注意力和疼痛或健康评分与在与计算机1206交互期间获得的EEG相关联。
最初,如果在1306会话是用于该实验的第一会话,则在1308向用户呈现介绍视频。然后在1310,受试者手动输入疼痛水平和/或痛苦水平,以建立基线,由此逐步发展健康评分。然后在1312,用户在预定时段(当前为3分钟)内玩游戏,并在1314再次指定他们的疼痛水平和/或痛苦水平。如果在游戏时段结束之后,在判定框1316受试者已完成8轮(或某些预定数量)游戏,则在1318该方法结束。如果受试者未完成8轮游戏,则重复步骤1310至1316。在某些情况下,可能不需要在每一轮游戏之间执行步骤1310和1314,而是步骤1310和1314仅执行一轮。
对于第二会话和后续的会话,受试者执行相同的步骤1310至1316。然而,在预定阶段,可增加游戏的难度级别以培养受试者的认知疼痛管理能力。例如,可以每3k+1个会话就增加难度级别:k∈N(自然数),例如,在第4个会话、第7个会话、第10个会话、第13个会话和第16个会话(步骤1320)中增加两个难度级别(步骤1322)。
注意力策略由此告诉人们有意引导和保持他们的注意力远离疼痛,注意力策略可以是临床医生通常所提供的现有心理策略,以作为缓解疼痛和与疼痛相关的痛苦的方式。患者将尝试通过思考其他事情来重新定向注意力,或者尝试改变其意义、背景、动机相关性或重要性。外行的例子是诸如“尽量不要一直关注疼痛”或“想想一些积极的事情”之类的陈述,这些可能是给予慢性疼痛患者的最常见的建议。但是此类策略缺乏反馈来通知患者是否正确地执行治疗,以及患者应该做多少或更多事情。
在本系统中,使用两个模块,即注意力评分和疼痛神经矩阵(健康)评分,这些评分在图14的框1400中突出显示。这些评分使得患者能够实施个性化疼痛管理策略。此外,尤其是在游戏期间,患者接收表现的视觉反馈,因此对他们进行治疗的成功与否具有相对客观的衡量。
将指示参与者集中并保持他们的注意力,以提高注意力评分。当系统检测到参与者可能处于疼痛中时,健康评分将下降,并建议参与者练习由其临床医生或治疗师教授的疼痛管理策略。这些策略可包括认知行为治疗、呼吸技术和其他定制的管理策略。该视觉反馈机制向受试者提供更直接和信息量更大的响应。受试者将被告知此类疼痛管理策略是否有效,之后使得受试者能够在其日常活动中更有效地调动或者使用这些策略。
该方法在图15中概述,其用于疼痛神经调节训练/治疗的闭环感测和神经反馈/刺激机制或系统。为了使得该方法能够容易地融入日常生活中,通过EEG采集(ACQ)模块获取无创性EEG数据,并处理该数据以识别注意力评分和健康或疼痛评分,如下文所述。
以前已提出用于检测注意力(即专注度)的各种方法。参见例如标题为“用于专注度检测的方法和系统”的美国专利US 8862581,其全部内容通过引用并入本申请。这种现有技术的引用不应被认为是公知常识。
用于例如在从EEG时间段的时间序列中获取的EEG时间段内确定注意力评分的方法包括下检测专注度:
-从脑信号中提取时间特征,即,一个或多个EEG时间段;
-使用分类器对所提取的时间特征进行分类,以给出评分x1;
-从脑信号中提取频谱空间特征;
-从所提取的频谱空间特征集合中选择包含专注状态和非专注状态之间的区分信息的频谱空间特征;
-使用分类器对所选择的频谱空间特征进行分类,以给出评分x2;
-将评分x1和x2进行组合以给出单个评分;以及
-基于该单个评分数确定受试者是否处于专注状态。
技术人员可知晓除了上文所述的方法之外的一些方法,这些方法旨在落入确定注意力评分的当前理解的范围内。
除了注意力评分之外,还必须确定健康评分,如上文所讨论的。为了实现这一点,系统的一个或多个处理器实施疼痛神经矩阵建模和解码引擎,以确定受训者的健康评分。该过程分两个阶段完成。阶段A用于通过数据采集和学习进行神经矩阵建模。阶段B用于解码。
数据采集和学习阶段A包括从患者组和健康组采集无疼痛EEG数据和疼痛EEG数据,即,接收EEG数据。
然后执行自动和/或手动EEG筛选,以在每次疼痛发作事件之后选择至少N秒长(如在我们的研究中,优选值N=20)的干净EEG发作期或时间段。这些可以从上文结合图4所讨论的试验中提取。
然后识别一组最佳头皮(皮层)位置,在这一组位置,与无疼痛EEG相比,电流密度包含与疼痛EEG相关的信息最多的特征。这可涉及通过设置一组初始头皮位置来实现方法100,初始头皮位置由L(或L初始)表示,对应于每个位置的球面坐标矢量。然后运行数值优化算法以使用该目标函数搜索最优L值:
其中,f为用于评估L的判别功率的函数,且约束项指示L必须位于由b1和b0限定的似真区域中。
f函数由多变量费舍尔评分给出:
f(L)=trace{Sb(St+γI)-1}
其中Sb和St分别为如下文所述计算的类别间散布矩阵和总散布矩阵,且γ是用于正则化的可选正参数。这两个矩阵通过如下步骤计算:
目前,生成的变换矩阵G和H用于对感兴趣的位置或区域L的表面电势(G)或电流源密度(H)的球面样条插值。
然后,使用样条插值矩阵将EEG数据转换成电流密度估计值。目前,使用矩阵G和H将所选择的EEG波形(电势)转换成电流密度估计值,以获得电流密度估计值,作为大小为nC×nT的矩阵X,nC为在头皮上进行估计时头皮上的空间点的数量,nT为在每次无疼痛或疼痛发作期的时间样本的数量。
然后,针对电流密度估计值计算频带功率。目前,使用基于傅立叶变换的分解或在带通滤波器阵列之后的能量计算,来计算每个电流密度时间序列x(t)的频带功率的矢量。频带可凭经验设置(例如,基于已知的脑信号频率)以最大化系统性能,或者使用包括δ、θ、α、低β、中等β和高β的传统EEG频带。
然后,可使用电流密度估计值的频带功率来计算类别间散布矩阵和总散布矩阵。例如,可使用频带功率矢量的所有样本来计算总散布矩阵St。类似地,对疼痛EEG类别和无疼痛EEG类别的平均频带功率矢量的计算使得能够计算类别间散布矩阵Sb。
得到最优L。最优L为如下位置/区域,在该位置/区域,认为径向电流密度在疼痛EEG类别的信号和无疼痛EEG类别的信号之间具有最高判别功率。
然后,可使用最优L来计算电流密度时间序列x(t)。
然后,构建二元分类机(图1的步骤118)以在至少两个与疼痛相关的EEG状态之间进行区分-这些状态为疼痛EEG类别(即,EEG指示受试者正经历疼痛的状态)和无疼痛EEG类别(即,EEG指示受试者无疼痛的状态)。二元分类机可以是任何合适的二元分类机,例如,支持向量机、多层神经网络、广义线性判别分析器等。
选择并训练分类机,使得分类机能够生成称为疼痛神经矩阵激活评分(rPNAS)的评分。rPNAS对于疼痛EEG类别的样本取正值,而对于无疼痛EEG类别的样本取负值。
因此通过上文所述的过程,根据EEG数据学习而开发的疼痛EEG模型包括或如下组成:L,电流密度估计点的坐标;以及矩阵G和矩阵H,与电流密度估计值(这些矩阵在Perrin,F.,Pernier,J.,Bertrand,O.,Echallier,J.F.(于1989年)发表的“用于头皮电位和电流密度映射的球形样条。脑电图和临床神经生理学”中讨论,其全部内容通过引用并入本申请中)、指定的频带和频带功率计算方法以及分类机模型相关联。
阶段B涉及解码。解码依赖于根据图1的步骤120接收进一步的EEG数据,并根据图1的步骤122对该数据进行分类。在本实施例中,解码假设会接收到连续的EEG样本流。EEG样本序列或EEG样本流转换成新的时间序列,该时间序列指示在每个时间点处的原始疼痛神经矩阵激活评分(rPNAS)。
如果EEG蒙太奇拼接与阶段A的情况相同,则算法可重新使用相同的变换矩阵G和H,以用于表面电势(G)或电流源密度(H)的球面样条插值。否则,必须使用L和新的蒙太奇拼接来重新计算如上文所述的两个矩阵。
一般来说,应仅处理干净EEG数据。因此,对于每个新的EEG样本,执行EEG样本拒绝。之后,以固定间隔(例如每N个样本或t秒)提取时间窗口化的EEG片段(例如EEG时间段),且如果某些EEG样本损坏,则执行EEG片段拒绝。在本实施方式中,任何眼部伪影或其他过量伪影将导致整个片段被拒绝。因此,数据干净。
使用矩阵G和H将EEG样本转换成电流密度估计值,以获得电流密度估计,作为nC×nT的矩阵X。如上文所述,nC为在头皮上进行估计时头皮上的空间点的数量,nT为在每次无疼痛或疼痛发作期的时间样本的数量。
然后,使用与阶段A中相同的方法来计算每个电流密度时间序列x(t)的频带功率的矢量。然后可使用分类机将频带功率矢量转换成rPNAS。
对于疼痛的治疗,基于上文所述的分类方案使用如下过程。疼痛的治疗可通过具有视听反馈和/或脑刺激的游戏界面进行。信号跟踪和自适应归一化将对所获取的EEG信号进行预处理。
执行自适应反馈和/或模拟建模和优化,以计算脑刺激和视听反馈游戏的评分和参数。假设一组神经刺激参数由矢量V描述,且自适应刺激机制的目的是在阈值(凭经验确定)内管理rPNAS。对于闭环研究,rPNAS(而不是心率)用作要优化的目标度量(针对argminf(L),被最小化),且对特定刺激配置的响应是动态过程。
这种学习可应用于单独一个人/患者/受试者或一群人(包括普通人群)。这再次分两个阶段完成,由此EEG采集和神经刺激设备附接到人身上。
这些阶段为训练阶段即阶段A,涉及针对刺激参数矢量Vj生成多个随机值。对于每个参数矢量,生成刺激脉冲,并采集相对于刺激的EEG样本(即,响应)。然后,可使用上述解码方法来计算rPNAS时间序列。
在测试所有随机Vj之后(且可选地重复几次以进行优化之后),所有rPNAS时间序列数据与相关联的刺激参数矢量Vj一同被采集。
机器学习用于构建递归回归模型,该模型将刺激参数矢量V与rPNAS的响应(时间序列或特定时间点)相关联。可凭经验选择特定回归模型机制,以实现对rPNAS响应的最佳预测。回归模型可以是例如递归神经网络(诸如长短期记忆)、线性传递函数或任何其他合适的模型。
第二阶段即阶段B,为自适应阶段。在该阶段,使用上文所述的解码方法测量当前rPNAS。rPNAS的基线例如由操作者构建,且目标rPNAS范围由会诊医生设定。这确保疼痛管理在预定范围内,从而能够使得受试者管理疼痛的认知能力顺利发展。
算法根据所述递归回归模型选择最佳参数矢量Vj。如果使用脑刺激,则由算法执行的优化可考虑rPNAS控制以及刺激电功率。
然后传送所得到的游戏反馈和/或刺激,并跟踪rPNAS测量。所测量或观测到的rPNAS测量值用于更新递归回归模型。
脑刺激引擎用于确定无创性刺激的频率、持续时间和模式,从而使得刺激对慢性疼痛治疗的功效最大化。脑刺激可以是经颅直流电刺激(tDCS)、迷走神经刺激(VNS)或重复经颅磁刺激(rTMS)。视听反馈游戏给受训者或受试者提供一种游戏策略来管理他们的疼痛。在所示的示例中,在交互式计算机游戏环境中的显示器上显示交互活动。给受训者或受试者分配EEG控制任务,以使用特定游戏控制的EEG活动来实现目标(诸如在太空猎人游戏中击落尽可能多的目标)。
图11所示的系统在图16中处于使用状态。如图17和图18所示,计算机1102的显示器显示一系列问题以便评估受试者的疼痛水平。图19示出了用户界面,在用户界面上示出了注意力和健康或疼痛水平评估分数,以及用户通过输入设备例如操纵杆与用户界面进行交互的交互活动。图20示出了显示器的进一步特征,包括:声音调节菜单、会话到期或游戏结束前的剩余时段、导弹攻击(或游戏所要求的其它参数)、玩游戏的受试者的当前评分,以及受试者正在玩游戏的环境的自上而下视图。图21至图24提供了由用户注意力和疼痛水平评估或健康评分实现的示例性控制。
应当理解,所描述的实施例的各个方面的许多进一步的修改和排列均是可能的。因此,所描述的方面旨在包括落入所附权利要求的精神和范围内的所有此类改变、修改和变型。
在本说明书和随后的权利要求书中,除非上下文另有要求,否则词语“包括”以及诸如“含有”和“包含”之类的变型将理解成意思是包括所陈述的整数或步骤或者整数组或步骤组,但是不排除任何其他整数或步骤或者整数组或步骤组。
本说明书中对任何先前出版物(或从中获得的信息)的引用,或对任何已知事项的引用并不是,也不应视为是认可或者承认或者以任何形式表明先前的出版物(或从中获得的信息)或已知事项构成本说明书所涉及的事业领域的公知常识的一部分。
Claims (20)
1.一种用于识别和提取与疼痛相关的脑电图EEG信号的计算机方法,所述计算机方法包括:
从一次或多次试验中接收每次试验的EEG数据,所述EEG数据包括一个或多个信号,所述一个或多个信号中的每个信号与相应的坐标矢量相关联,所述EEG数据标记成指示疼痛状态和/或无疼痛状态;
在所述相应的坐标矢量中,确定所述一个或多个信号中的每个信号的电流密度;
基于所计算的电流密度,估计一组感兴趣神经活动区域的电流密度;
基于所估计的电流密度,计算每次试验的至少一个频谱特征;
基于所述至少一个频谱特征,针对每个感兴趣神经活动区域,计算在标记成指示疼痛状态的EEG数据和标记成指示无疼痛状态的EEG数据之间EEG数据变化的平均值和方差;以及
基于至少一个所述感兴趣区域,识别与疼痛相关的EEG信号,其中,在所述至少一个感兴趣区域,所述方差低于预定阈值。
2.根据权利要求1所述的计算机方法,其中,
所述电流密度为径向电流密度。
3.根据权利要求1所述的计算机方法,其中,所述计算EEG数据变化的平均值和方差,包括:基于所述频谱特征,计算类别间散布矩阵和总散布矩阵中至少之一,以确定至少两个与疼痛相关的EEG类别之间的协方差。
4.根据权利要求1所述的计算机方法,其中,所述计算EEG数据变化的平均值和方差,包括:计算类别间散布矩阵和总散布矩阵中至少之一。
5.根据权利要求4所述的计算机方法,其中,计算所述类别间散布矩阵和所述总散布矩阵两者,并且其中,识别至少一个感兴趣区域,包括:满足如下等式:
argminLf(L),
其中,f(L)为感兴趣神经活动区域L的多变量费舍尔评分,其中f(L)为:
f(L)=trace{Sb(St+γι)-1},
其中,Sb为所述类别间散布矩阵,St为所述总散布矩阵,γ为正向正则化参数,且ι为单位矩阵。
6.根据权利要求1所述的计算机方法,其中,所述感兴趣区域为受试者的皮层位置。
7.根据权利要求1所述的计算机方法,其中,所述感兴趣区域通过受试者头皮上的EEG坐标来限定。
8.根据权利要求1所述的计算机方法,其中,所述至少两个与疼痛相关的EEG类别为疼痛EEG类别和无疼痛EEG类别。
9.根据权利要求1所述的计算机方法,所述计算机方法进一步包括:
构建二元分类机,所述二元分类机用于从进一步的EEG数据中接收电流密度或电流密度活度,并输出标量指示符;
接收所述进一步的EEG数据;
将所述二元分类机应用于所述进一步的EEG数据;以及
基于与所述进一步的EEG数据相关联的标量指示符,将所述进一步的EEG数据分类成指示疼痛状态的EEG数据或指示无疼痛状态的EEG数据。
10.一种用于对与疼痛相关的EEG信号进行分类的计算机方法,所述计算机方法包括:
从多次试验中采集EEG数据,所述多次试验包括:
由易受疼痛感影响的第一受试者进行的至少一次试验;和
由健康的第二受试者进行的至少一次试验,
其中,每次试验的EEG数据包括一个或多个信号;
对所述EEG数据执行根据权利要求1所述的计算机方法,并针对每个信号设置初始坐标矢量;以及
构建二元分类机,以基于所述至少一个感兴趣区域的EEG测量值,在所述至少两个与疼痛相关的EEG状态之间进行区分;
接收进一步的EEG数据;以及
将所述二元分类机应用于所述进一步的EEG数据;
从所述二元分类机接收标量指示符,并基于所述标量指示符将所述进一步的EEG数据分类成表示疼痛EEG类别或无疼痛EEG类别。
11.根据权利要求10所述的计算机方法,其中,所述二元分类机为以下至少之一:
支持向量机;
多层神经网络;以及
广义线性判别分析器。
12.根据权利要求10所述的计算机方法,其中,所述计算平均值和方差,包括:基于所述至少一个频谱特征,计算类别间散布矩阵和总散布矩阵中至少之一,以确定至少两个与疼痛相关的EEG类别之间的协方差。
13.根据权利要求12所述的计算机方法,其中,所述计算类别间散布矩阵和总散布矩阵,包括:
针对所述EEG数据的至少两个电特性,生成样条插值矩阵;
使用所述样条插值矩阵将所述EEG数据转换成电流密度估计值;
计算所述电流密度估计值的频带功率;以及
使用所述电流密度估计值的频带功率,计算所述类别间散布矩阵和所述总散布矩阵。
14.根据权利要求13所述的计算机方法,其中,所述计算电流密度估计值的频带功率,包括:
确定所述电流密度估计值的电流密度时间序列;
使用基于傅立叶的分解和带通滤波之后跟随着能量计算中至少之一,来计算所述电流密度时间序列的频带功率的矢量。
15.根据权利要求10所述的计算机方法,其中,所述使用二元分类机对进一步的EEG样本进行分类,包括:
使用所述样条插值矩阵将所述进一步的EEG数据转换成进一步的电流密度估计值;
计算所述进一步的电流密度估计值的频带功率;以及
将所述二元分类机应用于所述频带功率,其中,所述二元分类机的正输出指示所述进一步的EEG数据的来源的疼痛EEG状态和无疼痛EEG状态中的第一状态,并且其中,所述二元分类机的负输出指示所述来源的疼痛EEG状态和无疼痛EEG状态中的第二状态,所述第二状态不同于所述第一状态。
16.根据权利要求10所述的计算机方法,所述计算机方法进一步包括:接收包含数值化的疼痛水平估计的初始输入;并且其中,所述接收进一步的EEG数据,包括:从连续记录的EEG数据中接收连续EEG时间段;所述计算机方法进一步包括:基于每个连续EEG时间段是被分类成表示疼痛EEG类别还是表示无疼痛EEG类别,增加或减少所述数值化的疼痛水平估计。
17.一种用于识别和提取与疼痛相关的EEG信号的系统,所述系统包括:
EEG信号源;
存储器;以及
至少一个处理器,所述存储器存储有指令,所述指令在由所述至少一个处理器执行时,使得所述至少一个处理器:
从一次或多次试验中接收每次试验的EEG数据,所述EEG数据包括一个或多个信号,所述一个或多个信号中的每个信号与相应的坐标矢量相关联,所述EEG数据标记成指示疼痛状态和/或无疼痛状态;
在所述相应的坐标矢量中,确定所述一个或多个信号中的每个信号的电流密度;
基于所计算的电流密度,估计一组感兴趣神经活动区域的电流密度;
基于所估计的电流密度,计算每次试验的至少一个频谱特征;
基于所述至少一个频谱特征,针对每个感兴趣神经活动区域,计算在标记成指示疼痛状态的EEG数据和标记成指示无疼痛状态的EEG数据之间EEG数据变化的平均值和方差;以及
基于至少一个所述感兴趣区域,识别与疼痛相关的EEG信号,其中,在所述至少一个感兴趣区域,所述方差低于预定阈值。
18.根据权利要求15所述的系统,其中,所述EEG信号源布置成从多次试验中采集EEG数据,所述多次试验包括:
由易受疼痛感影响的第一受试者进行的至少一次试验;和
由健康的第二受试者进行的至少一次试验,
其中,每次试验的EEG数据包括一个或多个信号;
其中,所述至少一个处理器配置成:
针对每个所述信号应用初始坐标矢量;
构建二元分类机,以基于来自用于提取与疼痛相关的EEG信号的所述至少一个感兴趣区域的EEG测量值,在所述至少两个与疼痛相关的EEG状态之间进行区分;
接收进一步的EEG数据;以及
使用所述二元分类机对所述进一步的EEG数据进行分类,以输出标量指示符,并根据所述标量指示符确定所述进一步的EEG数据是表示疼痛EEG类别还是表示无疼痛EEG类别。
19.根据权利要求18所述的系统,所述系统进一步包括输入设备,所述输入设备用于接收包含数值化的疼痛水平估计的初始输入,并且其中,所述至少一个处理器配置成:
通过从连续记录的EEG数据中接收连续EEG时间段,来接收进一步的EEG数据;以及
基于每个连续EEG时间段是被分类成表示疼痛EEG类别还是表示无疼痛EEG类别,增加或减少所述数值化的疼痛水平估计。
20.根据权利要求18所述的系统,所述系统进一步包括:
显示器;
输入设备;以及
用于所述至少一个感兴趣区域中的每个区域的一个或多个EEG设备,所述一个或多个EEG设备用于记录所述连续记录的EEG数据,从所述连续记录的EEG数据接收所述连续EEG时间段,
其中,所述至少一个处理器进一步配置成:
针对来自所述连续EEG时间段的第一EEG时间段,确定注意力评分;
在所述显示器上显示:
所述数值化的疼痛水平估计;
所述注意力评分;以及
交互活动;
在通过所述输入设备进行所述交互活动的交互期间,基于来自所述连续EEG时间段的后续EEG时间段,持续更新所述数值化的疼痛水平估计和所述注意力评分;以及
调整所述交互活动的行为,以减少被分类成疼痛EEG类别的后续EEG时间段的数量。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/SG2019/050184 WO2020204810A1 (en) | 2019-03-29 | 2019-03-29 | Identifying and extracting electroencephalogram signals |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113614751A true CN113614751A (zh) | 2021-11-05 |
Family
ID=72667364
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980094429.2A Pending CN113614751A (zh) | 2019-03-29 | 2019-03-29 | 脑电图信号的识别和提取 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20220183611A1 (zh) |
EP (1) | EP3948694A4 (zh) |
CN (1) | CN113614751A (zh) |
SG (1) | SG11202107624YA (zh) |
WO (1) | WO2020204810A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116392144A (zh) * | 2022-12-07 | 2023-07-07 | 天津大学 | 一种脑信号采集系统、方法及介质 |
CN116831595A (zh) * | 2023-06-21 | 2023-10-03 | 中国人民解放军西部战区总医院 | 一种疼痛等级评估方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113331839A (zh) * | 2021-05-28 | 2021-09-03 | 武汉科技大学 | 一种基于多源信息融合的网络学习注意力监测方法及系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9402558B2 (en) * | 2007-04-05 | 2016-08-02 | New York University | System and method for pain detection and computation of a pain quantification index |
WO2017190044A1 (en) * | 2016-04-29 | 2017-11-02 | Rhode Island Hospital | Methods for detecting and treating pain using brain activity |
CN106974621B (zh) * | 2017-03-16 | 2019-12-27 | 小菜儿成都信息科技有限公司 | 一种基于脑电信号重心频率的视觉诱导晕动症检测方法 |
IN201721038783A (zh) * | 2017-11-01 | 2017-12-22 |
-
2019
- 2019-03-29 US US17/598,139 patent/US20220183611A1/en active Pending
- 2019-03-29 WO PCT/SG2019/050184 patent/WO2020204810A1/en unknown
- 2019-03-29 EP EP19923259.6A patent/EP3948694A4/en active Pending
- 2019-03-29 CN CN201980094429.2A patent/CN113614751A/zh active Pending
- 2019-03-29 SG SG11202107624YA patent/SG11202107624YA/en unknown
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116392144A (zh) * | 2022-12-07 | 2023-07-07 | 天津大学 | 一种脑信号采集系统、方法及介质 |
CN116392144B (zh) * | 2022-12-07 | 2023-11-24 | 天津大学 | 一种脑信号采集系统、方法及介质 |
CN116831595A (zh) * | 2023-06-21 | 2023-10-03 | 中国人民解放军西部战区总医院 | 一种疼痛等级评估方法 |
CN116831595B (zh) * | 2023-06-21 | 2024-04-12 | 中国人民解放军西部战区总医院 | 一种疼痛等级评估方法 |
Also Published As
Publication number | Publication date |
---|---|
US20220183611A1 (en) | 2022-06-16 |
SG11202107624YA (en) | 2021-08-30 |
EP3948694A4 (en) | 2023-03-22 |
EP3948694A1 (en) | 2022-02-09 |
WO2020204810A1 (en) | 2020-10-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bulagang et al. | A review of recent approaches for emotion classification using electrocardiography and electrodermography signals | |
Mandryk et al. | Physiological measures for game evaluation | |
Lee et al. | Using a low-cost electroencephalograph for task classification in HCI research | |
Liu et al. | Physiology-based affect recognition for computer-assisted intervention of children with Autism Spectrum Disorder | |
Masood et al. | Modeling mental stress using a deep learning framework | |
Enders et al. | Measuring human locomotor control using EMG and EEG: Current knowledge, limitations and future considerations | |
US11116437B2 (en) | Scoring method based on improved signals analysis | |
WO2013069517A1 (ja) | 脳機能亢進支援装置および脳機能亢進支援方法 | |
WO2015111331A1 (ja) | 認知機能評価装置、方法、システム及びプログラム | |
US20160029965A1 (en) | Artifact as a feature in neuro diagnostics | |
KR101727940B1 (ko) | 생체신호를 이용한 심리상태 판단 장치 및 방법 | |
Abiri et al. | A usability study of low-cost wireless brain-computer interface for cursor control using online linear model | |
Gaskin et al. | Using wearable devices for non-invasive, inexpensive physiological data collection | |
Pun et al. | Brain-computer interaction research at the Computer Vision and Multimedia Laboratory, University of Geneva | |
CN113614751A (zh) | 脑电图信号的识别和提取 | |
Cardona et al. | Modulation of physiological responses and activity levels during exergame experiences | |
JP2023521573A (ja) | 筋肉活性化をマッピングするためのシステムおよび方法 | |
Thomas et al. | A study on the impact of neurofeedback in EEG based attention-driven game | |
Tinga et al. | Non-invasive neurophysiology in learning and training: mechanisms and a SWOT analysis | |
Zapała et al. | Short-term kinesthetic training for sensorimotor rhythms: Effects in experts and amateurs | |
Alaros et al. | EEG Neurofeedback Training Among Adult with Attention Deficit: A Review Article | |
Yelamanchili | Neural correlates of flow, boredom, and anxiety in gaming: An electroencephalogram study | |
JP6749777B2 (ja) | リハビリテーション装置 | |
Henshaw | Improved brain-computer interface methods with application to gaming | |
US20220101981A1 (en) | Method and system for neuromodulation |
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 |