CN116367775A - 用于确定治疗治疗窗、对神经电、心脏和/或肺部事件进行检测、预测和分类并且根据其优化治疗的方法和系统 - Google Patents

用于确定治疗治疗窗、对神经电、心脏和/或肺部事件进行检测、预测和分类并且根据其优化治疗的方法和系统 Download PDF

Info

Publication number
CN116367775A
CN116367775A CN202180077245.2A CN202180077245A CN116367775A CN 116367775 A CN116367775 A CN 116367775A CN 202180077245 A CN202180077245 A CN 202180077245A CN 116367775 A CN116367775 A CN 116367775A
Authority
CN
China
Prior art keywords
data
events
patient
event
detected
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202180077245.2A
Other languages
English (en)
Inventor
J·M·希斯曼
M·J·科克
R·J·克鲁帕克斯
R·哈雷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
First Aider Ltd
Cochlear Ltd
Original Assignee
First Aider Ltd
Cochlear Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by First Aider Ltd, Cochlear Ltd filed Critical First Aider Ltd
Publication of CN116367775A publication Critical patent/CN116367775A/zh
Pending legal-status Critical Current

Links

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
    • A61B5/25—Bioelectric electrodes therefor
    • A61B5/279—Bioelectric electrodes therefor specially adapted for particular uses
    • A61B5/291—Bioelectric electrodes therefor specially adapted for particular uses for electroencephalography [EEG]
    • A61B5/293—Invasive
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
    • A61B5/14551—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters for measuring blood gases
    • 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
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4094—Diagnosing or monitoring seizure diseases, e.g. epilepsy
    • 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
    • A61B5/4836—Diagnosis combined with treatment in closed-loop systems or methods
    • A61B5/4839—Diagnosis combined with treatment in closed-loop systems or methods combined with drug delivery
    • 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
    • A61B5/4848—Monitoring or testing the effects of treatment, e.g. of medication
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6846—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be brought in contact with an internal body part, i.e. invasive
    • A61B5/6867—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be brought in contact with an internal body part, i.e. invasive specially adapted to be attached or implanted in a specific body part
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6846—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be brought in contact with an internal body part, i.e. invasive
    • A61B5/6867—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be brought in contact with an internal body part, i.e. invasive specially adapted to be attached or implanted in a specific body part
    • A61B5/6868—Brain
    • 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
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N1/00—Electrotherapy; Circuits therefor
    • A61N1/18—Applying electric currents by contact electrodes
    • A61N1/32—Applying electric currents by contact electrodes alternating or intermittent currents
    • A61N1/36—Applying electric currents by contact electrodes alternating or intermittent currents for stimulation
    • A61N1/3605—Implantable neurostimulators for stimulating central or peripheral nerve system
    • A61N1/36053—Implantable neurostimulators for stimulating central or peripheral nerve system adapted for vagal stimulation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N1/00—Electrotherapy; Circuits therefor
    • A61N1/18—Applying electric currents by contact electrodes
    • A61N1/32—Applying electric currents by contact electrodes alternating or intermittent currents
    • A61N1/36—Applying electric currents by contact electrodes alternating or intermittent currents for stimulation
    • A61N1/3605—Implantable neurostimulators for stimulating central or peripheral nerve system
    • A61N1/3606—Implantable neurostimulators for stimulating central or peripheral nerve system adapted for a particular treatment
    • A61N1/36064—Epilepsy
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
    • 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
    • G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
    • A61B2562/02—Details of sensors specially adapted for in-vivo measurements
    • A61B2562/0204—Acoustic sensors
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
    • A61B2562/02—Details of sensors specially adapted for in-vivo measurements
    • A61B2562/0209—Special features of electrodes classified in A61B5/24, A61B5/25, A61B5/283, A61B5/291, A61B5/296, A61B5/053
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
    • A61B2562/02—Details of sensors specially adapted for in-vivo measurements
    • A61B2562/0219—Inertial sensors, e.g. accelerometers, gyroscopes, tilt switches
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
    • A61B2562/04—Arrangements of multiple sensors of the same type
    • A61B2562/043—Arrangements of multiple sensors of the same type in a linear array
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/021—Measuring pressure in heart or blood vessels
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A61B5/02416—Detecting, measuring or recording pulse rate or heart rate using photoplethysmograph signals, e.g. generated by infrared radiation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
    • A61B5/0826—Detecting or evaluating apnoea events
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1101—Detecting tremor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1116—Determining posture transitions
    • A61B5/1117—Fall detection
    • 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
    • A61B5/25—Bioelectric electrodes therefor
    • A61B5/271—Arrangements of electrodes with cords, cables or leads, e.g. single leads or patient cord assemblies
    • A61B5/273—Connection of cords, cables or leads to electrodes
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4005—Detecting, measuring or recording for evaluating the nervous system for evaluating the sensory system
    • A61B5/4023—Evaluating sense of balance
    • 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
    • A61B5/4806—Sleep evaluation
    • A61B5/4818—Sleep apnoea
    • 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
    • A61B5/4836—Diagnosis combined with treatment in closed-loop systems or methods
    • 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
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • 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
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7278—Artificial waveform generation or derivation, e.g. synthesising signals from measured signals
    • 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
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7282—Event detection, e.g. detecting unique waveforms indicative of a medical condition
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N1/00—Electrotherapy; Circuits therefor
    • A61N1/02—Details
    • A61N1/04—Electrodes
    • A61N1/05—Electrodes for implantation or insertion into the body, e.g. heart electrode
    • A61N1/0526—Head electrodes

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Neurology (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Neurosurgery (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medicinal Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Cardiology (AREA)
  • Psychology (AREA)
  • Pharmacology & Pharmacy (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Pulmonology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Optics & Photonics (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

方法和系统实现各种传感器以对与癫痫、睡眠呼吸暂停和/或前庭障碍相关的各种生理事件和/或状况进行检测、预测和/或分类，该传感器在实施方案中包括EEG传感器、生化传感器、光学体积描记(PPG)传感器、麦克风和加速度计的各种组合。该事件可以包括神经电事件、心脏事件和/或肺部事件等。在一些情况下，该方法和系统实现经过训练的人工智能(AI)模型以检测、分类和/或预测。该方法和系统还能够优化治疗窗，从而建议可以改善患者整体健康的治疗(包括改善事件前或事件后症状和影响)，并且/或者与各种护理提供者交互。

Description

用于确定治疗治疗窗、对神经电、心脏和/或肺部事件进行检 测、预测和分类并且根据其优化治疗的方法和系统
技术领域
本公开涉及用于监测受试者的各种类型的生理活动的系统和方法。特别地，本公开涉及用于监测受试者的神经活动的系统和方法，并且更特别地涉及对发生在受试者中的事件进行检测和分类，该事件是或者看起来类似于癫痫事件。本公开还特别涉及用于监测受试者的脑电图和光学体积描记活动的方法和系统，并且更特别地，涉及确定治疗的治疗窗，以及对发生在受试者中的神经电、前庭、耳蜗、心脏和肺部事件和状况进行检测、预测、分类，以及使用该检测、预测和分类结合所确定的治疗窗来优化治疗。
背景技术
癫痫被认为是世界上最常见的严重脑部疾病，全世界估计有5000万患者，每年有240万新病例发生。
癫痫是一种以癫痫发作为特征的脑部疾病，从短暂且几乎无法检测到的癫痫发作到患者剧烈颤抖的更明显的癫痫发作不等。癫痫发作是无端的、反复发作的，并且是由于无法解释的原因引起的。
此外，癫痫只是具有神经学成分的各种病理生理学之一。其中癫痫、内耳障碍和某些睡眠障碍影响着数千万患者，并导致具有从轻度不适到死亡的影响的各种症状。前庭障碍有时是由内耳前庭系统与大脑之间的信号传递问题引起的，有时是由内耳物理结构的损伤或其他问题引起的，可导致头晕、视力模糊、定向障碍、跌倒、恶心和从不舒服到虚弱不等的其他症状。耳蜗疾病通常与听觉能力的改变有关，包括听力损失和耳鸣，并且可能是暂时的、长期的或永久的。同时，睡眠呼吸暂停是一种睡眠障碍，在这种情况下，人在睡觉时呼吸可能会停止。睡眠呼吸暂停本质上可能是阻塞性的(例如，喉咙的生理机能可能阻塞气道)，或者本质上可能是神经性的(中枢性睡眠呼吸暂停)。睡眠呼吸暂停的影响可能相对较小(例如，打鼾、睡眠困难等)并导致睡眠质量差、易怒、头痛、注意力难以集中等，或者可能更严重，包括导致神经损伤或甚至心脏骤停和死亡。
诊断这些障碍可能具有挑战性，尤其是在癫痫或睡眠呼吸暂停的情况下，诊断通常需要详细研究临床观察结果以及患者大脑和/或身体中的电信号和/或其他信号。诊断癫痫通常需要详细研究临床观察结果以及患者大脑和/或身体中的电信号和/或其他信号。特别是关于研究患者大脑中的电活动(例如，使用脑电描记术来产生脑电图(EEG))，这种研究通常需要对患者进行一段时间的监测。对大脑中电活动的监测需要在患者头皮上放置多个电极，每个电极通常连接到数据采集单元，该数据采集单元连续地(例如，以高速率)对信号进行采样以记录信号用于以后的分析。医务人员监测患者以观察癫痫或其他事件的外在迹象，并审查记录的电活动信号以确定事件是否发生、事件本质上是否为癫痫，以及在一些情况下，确定癫痫的类型和/或与事件相关联的大脑区域。因为电极被有线连接到数据采集单元，并且因为医务人员必须监测患者的癫痫或其他事件的外在临床体征，所以在监测期间，患者通常被限制在一个小区域(例如，医院或临床监测室)内，这可能持续几个小时到几天。此外，在放置在患者的头皮上或头皮下的电极数量很大的情况下，将传感器耦合到数据采集单元的相应线束的尺寸可能很大，这可能通常需要患者在监测期间保持一般不活动，并且可能阻止患者进行可能与症状发作相关的正常活动。
虽然动态脑电图(aEEG)允许在临床环境之外对患者进行长期监测，但是aEEG通常不如在临床环境中获取的EEG可靠，因为临床工作人员不会持续监测患者的癫痫事件的外在迹象或者检查电极是否仍附着在头皮上，因此在确定癫痫事件与非癫痫事件之间的差异时不太可靠。
使用EEG来确定个体是否患有癫痫、癫痫的类型及其在大脑中的位置(或病灶)是疑似癫痫的个体的诊断途径的基础。不幸的是，尽管EEG提供了与疾病相关的丰富信息来源，但是EEG信号的信噪比可能很差，大部分是由训练有素的临床人员手动审查的，并且该审查限于短期监测，或者是如上所述的住院记录，或者是每次持续时间不超过七天的动态记录。由于这些限制，当前的诊断范式存在以下缺陷：(1)由于癫痫事件的频率不高，有限的记录窗(最多7天)可能不足以捕捉EEG中的临床相关事件；(2)被认为是癫痫性的临床事件可能会与其他非癫痫事件(诸如药物副作用或非癫痫源的心因性癫痫发作)混淆。这些临床事件的报告是通过患者的主观反馈或纸质/电子癫痫发作日记完成的。这些已经被证明是非常不可靠的；(3)在给予治疗(例如，药物)后缺乏对患者的长期监测导致了个体疾病状态的模糊性。例如，患者主观报告的许多事件可能是(a)癫痫、(b)药物副作用，和/或(c)非癫痫源。对患者的适当治疗必须基于在患者的整个护理过程中确定疾病状态的客观和准确的特征；(4)癫痫发作发生率的不准确的自我报告可能导致患者的过度医疗或医疗不足；以及(5)确定每个个体事件是否是(a)癫痫性的、(b)由药物副作用引起的以及/或者(c)起因是非癫痫的所需的多个数据流的人工审查是不可能的，因为(i)当进行长期监测时，需要审查大量的数据，以及(ii)无法跨多个数据流提取行为模式/生物标志物。
诊断诸如睡眠呼吸暂停的睡眠障碍(其本质上可能是偶发性和/或间歇性的)存在类似的挑战。通常，睡眠呼吸暂停是在睡眠研究后被诊断出来的，在睡眠研究中，患者在睡眠专家的观察下度过一夜，睡眠专家在患者睡眠时监测患者的呼吸和其他身体功能。这种监测可以还包括监测患者大脑中的电活动(例如，EEG)。不幸的是，处于不熟悉的环境、不熟悉的床以及被束缚于各种传感器会干扰患者舒适或正常睡眠的能力，因此有时会影响最终诊断的可靠性。
前庭和耳蜗疾病在本质上可能具有类似的偶发性和/或间歇性，因此在诊断方面可能存在类似的挑战。
重要的是，这些状况的偶发性和/或间歇性本质使得很难预测这些状况或由这些状况引起的事件将何时发生、它们将发生的频率、它们将持续多长时间，以及它们将如何影响经历它们的患者的短期和长期健康。
此外，这些疾病的治疗几乎不是一门精确的科学。例如，对疑似或确诊癫痫的个体的护理标准是施用一种或多种抗癫痫药物(AED),以尽量减少或消除个体的癫痫发作。通常，这些药物以口服形式施用，并以由治疗医师(例如，神经科医师)确定的剂量定期(例如，每天一次)服用。对特定患者有效的具体剂量和施用频率因患者而异，并且通常通过逐渐增加剂量直到确定感知到的有效剂量来确定。
这种方法的一个问题是，这些AED的持续处方是基于患者对反复癫痫发作和药物副作用的感知发生率和严重程度的主观报告。这些主观报告的准确性可能因人而异，可能是也可能不是远离诊所的个人状态的准确表示；例如，许多类型的癫痫发作非常微妙，并且个体可能不记得或认识不到该癫痫发作(例如，失神癫痫发作)。类似地，某些AED的副作用可能被误认为癫痫发作，并因此被报告给治疗医师。由于这些缺陷，AED经常以亚治疗水平(即，控制状况的剂量不足)、以超治疗水平(该超治疗水平诱导比它们在那些水平可以或无法控制的状况更差的副作用)或以(即使当可以开出无副作用的治疗水平时)仍然引起不期望的副作用的治疗水平施用或开处方。使用神经刺激器设备(诸如迷走神经刺激器)的治疗需要类似的滴定和定时实验，以达到没有副作用或至少将副作用最小化的治疗水平。
当干预本质上是药理学的或神经刺激的时，用于包括睡眠呼吸暂停以及耳蜗和前庭障碍的其他障碍的治疗方案可能遇到类似的挑战。
希望有一种安全、可靠和舒适的方法来检测癫痫发作的发生，以便能够监测癫痫发作频率和严重程度，从而诊断癫痫和/或确定适当的癫痫发作控制策略。
希望有一种安全、可靠和舒适的方法来确定无副作用的治疗方案，无论是口服药物、静脉内药物(例如，通过便携式泵施用)、神经刺激器设备的应用，还是其他治疗，诸如通过吸入施用的药物。
还希望有一种安全、可靠和舒适的方法来对这些状况和相关事件的发生以及这些事件对患者的即时和未来影响进行检测、预测和分类。还需要考虑到对患者的影响适当地治疗这些状况，并且使用优化的治疗方案来适当地治疗这些状况。
对已经包括在本背景技术中的文件、法案、材料、设备、文章等的任何讨论都不被认为是承认任何或所有这些事项形成现有技术基础的一部分，或者是在本申请的每项权利要求的优先权日之前存在的与本公开相关的领域中的公知常识。
附图说明
图1A是根据第一组所描述实施方案的示例性系统的框图。
图1B是根据第二和第三组所描述实施方案的示例性系统的框图。
图2A是示例性电极设备的横截面侧视图。
图2B是图2A的示例性电极设备的俯视图。
图2C图示了图2A和图2B的示例性电极的头皮下放置。
图3A和图3B分别示出了另一示例性电极设备的侧视图和俯视图。
图3C至图3E示出了图3A和图3B的电极设备的部分的横截面视图。
图3F和图3G分别示出了图3A和图3B的电极设备的远侧端部部分的俯视图和侧视图。
图3H图示了电极设备的电极的示例性植入位置。
图3I图示了电极设备的示例性植入位置。
图4描绘了包括多个电极和本地处理设备的示例性传感器阵列。
图5A是描绘包括本地处理设备的电极组件的框图。
图5B是描绘包括本地处理设备的PPG传感器组件的框图。
图6A是包括传感器阵列、麦克风和加速度计的实施方案的框图。
图6B是包括传感器阵列、麦克风、加速度计和PPG传感器的实施方案的框图。
图6C是包括传感器阵列和PPG传感器的实施方案的框图。
图7A是包括传感器阵列和麦克风的实施方案的框图。
图7B是包括传感器阵列、麦克风和PPG传感器的实施方案的框图。
图8A是包括传感器阵列和加速度计的实施方案的框图。
图8B是包括传感器阵列、加速度计和PPG传感器的实施方案的框图。
图9A是包括具有生化换能器的传感器阵列并且可选地包括麦克风和/或加速度计的实施方案的框图。
图9B是包括具有生化换能器的传感器阵列、PPG传感器并且可选地包括麦克风和/或加速度计的实施方案的框图。
图10A至图13B大体上对应于图6A至图9B，但是图示了图10A至图13B的实施方案可以实现经过训练的AI模型而不是静态模型。
图13C至图13E是描绘实施方案的框图，在该实施方案中，评价功能发生在外部设备上而不是本地处理器设备上。
图14A和图14B是描绘用于创建经过训练的AI模型的示例性系统的框图。
图15A和图15B是描绘用于收集第二组训练数据以创建经过训练的AI模型的示例性系统的框图。
图16A和图16B描绘了第一组AI训练数据的实施方案。
图16C和图16D描绘了第二组AI训练数据的实施方案。
图17A至图17F描绘了可以由本文描述的各种实施方案输出的分类结果的各种实施方案。
图18A是描绘根据另一实施方案的用于创建经过训练的AI模型的示例性系统的框图。
图18B是描绘根据图18A的实施方案的用于收集第二组训练数据以创建经过训练的AI模型的示例性系统的框图。
图18C描绘了根据图18A和图18B中描绘的实施方案的第一组AI训练数据的实施方案。
图18D描绘了根据图18A和图18B中描绘的实施方案的第二组AI训练数据的实施方案。
图18E至图18G描绘了可以由关于图18A至图18B描述的各种实施方案输出的分类结果的各种实施方案。
图19A描绘了根据所公开的实施方案的用于创建经过训练的AI模型的示例性方法。
图19B和图19C描绘了在各种实施方案中使用静态模型或经过训练的AI模型来对事件进行分类的示例性方法。
图20A至图20H是描绘根据所公开的实施方案的传感器阵列的各种实施方案的框图。
图21A至图21E是描绘根据所公开的实施方案的处理器设备的各种实施方案的框图。
图22A至图22G是描绘根据所公开的实施方案的传感器/传感器阵列与处理器设备的组合的各种实施方案的框图。
图24A至图24C是描绘根据所公开的实施方案的处理器设备与外部装备之间的各种通信方案的框图。
图25A至图25D是描绘根据所公开的实施方案的处理器设备与治疗装备之间的各种通信方案的框图。
图26图示了治疗性治疗窗的一般概念。
图27是描绘治疗窗例程的框图。
图28至图30B是描绘根据各种实施方案的用于根据分类结果来调整治疗的示例性算法的流程图。
图31描绘了用于根据分类结果来调整治疗的示例性方法。
具体实施方式
本公开的实施方案涉及使用设置在患者身体上或体内的传感器阵列，与被编程为对感兴趣事件进行检测和分类的计算机算法协作，对受试者身体组织中的电活动进行监测和分类。例如，某些实施方案涉及植入受试者头部以监测诸如癫痫性大脑活动的大脑活动并耦合到处理器设备的电极阵列，该处理器设备被配置为对大脑活动进行监测和分类以确定事件何时发生和/或任何特定类型的事件是否是癫痫事件，和/或如果不是癫痫事件则已经发生什么类型的事件。然而，根据本公开的传感器阵列可以用于植入身体的各种不同位置，可以感测电信号(包括由电化学传感器生成的电信号)，并且可以在人类神经系统中期望对电或化学活动进行监测和分类的各种情况下与处理设备协作。
本公开的其他实施方案涉及使用设置在患者身体上或体内的传感器阵列，与计算机算法协作，对受试者身体组织中的生物标志物进行监测和分类，该计算机算法被编程为对感兴趣事件进行检测、预测和/或分类，监测和调整治疗方案以确定治疗方案的副作用和治疗效果的存在和不存在，并且根据检测到的和/或预测的事件来应用治疗方案以减轻或治疗感兴趣事件的影响。某些实施方案涉及例如植入受试者头部的电极阵列(例如，脑电图(EEG)传感器)，以监测可能指示癫痫性大脑活动、听觉和前庭系统功能以及可能与状况和障碍相关的其他活动的大脑活动。包括光学体积描记传感器(为方便起见，本文称为“PPG传感器”)的电极阵列和其他传感器可以耦合到处理器设备，该处理器设备被配置为对大脑活动进行监测和分类以确定事件何时发生和/或例如任何特定类型的事件是否是癫痫事件，和/或如果不是癫痫事件则已经发生什么类型的事件。然而，根据本公开的传感器阵列可以用于植入身体的各种不同位置，可以感测其他电信号，并且可以在人类神经、听觉和肺部系统中期望对电活动进行监测和分类的各种情况下与处理设备协作。
贯穿本说明书描述了系统和方法的各个方面。除非另有说明，否则与本文描述的另一实施方案兼容的任何实施方案的方面都被认为是本文设想和公开的实施方案。例如，如果本文描述的特定实施方案的特征将被本领域普通技术人员认为与本文描述的第二实施方案的特征兼容，则本文描述的特定实施方案的特征应该被认为是第二实施方案的可能特征。此外，将特征描述为可选的实施方案应当被认为是公开了具有和不具有可选特征的所述实施方案，以及任何组合的各种可选特征，鉴于此描述，本领域普通技术人员将认识到这些特征是兼容的。
在整个本公开中，描述了各种元件是可选(存在于系统的一些但非全部实施方案中)的实施方案。在附图中并且特别是在描绘框图的图中描绘了这些元素的情况下，可选元素通常以虚线描绘，以表示它们的可选性质。
图1A以其最简单的形式描绘了针对神经事件分类的所设想系统100A(“第一组实施方案”)的框图。系统100包括传感器阵列102、处理器设备104和用户界面106。传感器阵列102通常以电信号的形式向处理器设备104提供数据，该处理器设备接收信号并使用信号来对电信号数据中的事件进行检测和分类。用户界面106可便于患者自我报告各种数据中的任何数据，包括患者感知到的事件，以及药物类型、剂量、给药时间、患者情绪、潜在相关的环境数据等。用户界面106还可以促进分类结果的输出、针对特定患者的单元的编程、传感器阵列102的校准等。
图1B以其最简单的形式描绘了用于各种附加实施方案的所设想系统100B的框图，该附加实施方案针对确定治疗的治疗窗，并且对发生在受试者中的神经电、前庭、耳蜗、心脏和肺事件和状况进行检测和分类，并且使用该检测和分类结合所确定的治疗窗来优化治疗。一般而言，参考图1B描述的系统和方法包括两个子系统104A、104B，该两个子系统可以单独使用或一起使用，并且如将变得明显的，该两个子系统是彼此互补的。从广义上讲，这些系统和方法旨在改善经历与癫痫、耳蜗障碍、前庭障碍和睡眠/或障碍相关的状况的患者的整体健康。这些状况以多种方式影响患者，这些方式与患者经历的相关事件和症状直接或间接相关。仅举一个例子，虽然癫痫可能通过一系列癫痫发作事件在表面上表现出来，但是这些癫痫发作可能对患者的健康产生相关联的影响，这些影响与血压、血氧饱和度、心率、心率变异性、心输出量、呼吸以及其他代谢、神经和/或心肺功能相关。
本文描述的子系统的一组实施方案是针对对各种事件(例如，癫痫发作、呼吸暂停事件等)和症状(血压、心率、血氧饱和度等的变化)进行检测和分类作为临床事件、亚临床事件和/或治疗的副作用。作为示例而非限制，使用静态或经过训练的AI模型的子系统可以在实施方案中除了使用麦克风和/或加速度计数据之外还使用EEG数据和光学体积描记数据(PPG数据)来确定患者刚刚经历或正在经历全面性强直-阵挛发作(即，癫痫大发作)。
本文描述的子系统的另一组实施方案是针对测量、跟踪和预测事件(例如，癫痫发作、呼吸暂停事件等)以及患者在事件之前、期间和之后的健康状况，并推荐或施用治疗以缓解或减轻与这些事件相关联的对患者的影响。作为示例而非限制，使用静态或经过训练的AI模型的子系统可以使用EEG数据和PPG数据来确定患者刚刚经历、正在经历或将要经历(即，系统可以预测)全面性强直-阵挛发作(即，癫痫大发作)。该子系统还可以确定患者在全面性强直-阵挛发作期间经历或可能经历缺氧，从而导致作为癫痫发作的直接结果的全面性或特定缺氧症状，诸如疲劳、麻木、恶心等。因此，子系统可以推荐向患者提供氧气以解决缺氧，从而改善患者的整体健康，并减少癫痫发作后的恢复时间。明显的是，子系统可以向患者、护理人员、医师等提出推荐，或者可以取决于待治疗的状况、检测到的事件以及患者过去的经历(诸如由患者以及由来自EEG和PPG传感器的数据的计算分析所报告的)来调节治疗设备(例如，神经刺激器设备、药物泵等)。
本文描述的第二子系统是针对确定和优化用于治疗所讨论状况的治疗窗，无论该状况是癫痫、前庭或耳蜗障碍还是睡眠障碍(诸如呼吸暂停)等。第二子系统可以监测各种生物标志物随时间和/或在特定时间段内的变化，以确定药物干预或针对状况的其他治疗是对该状况具有积极作用(例如，减轻事件的严重程度或频率)、对该状况具有消极作用(例如，增加事件的严重程度或频率)、引起副作用，还是根本没有作用。作为这些分析的结果，第二子系统可以推荐或实现药物干预的剂量或时机的改变、神经刺激器应用(诸如迷走神经刺激器、颅外刺激等)的强度、时机或其他参数的改变，或者根据被治疗的特定状况对治疗设备或方案进行其他改变。在这样做时，子系统可以继续监测患者，以反复确定对患者具有最大益处的“治疗窗”，同时最小化或消除一些或所有副作用。根据下文的描述将明显的是，患者(例如，经由用户界面)或医师或临床医师(例如，经由外部设备)可以在治疗窗内调整目标治疗效果，以在不存在症状与存在副作用之间达到期望的平衡。例如，在患有癫痫的患者中，患者通常希望使他们的癫痫发作最小化，即时以副作用为代价也是如此。也就是说，如果治疗能使癫痫不再发作，患者可能会乐于忍受治疗的副作用。
当然，明显的是，这两个子系统可以协同地部署，使得在监测、检测和预测临床事件的发作和这些临床事件的附带影响以及减轻或治疗这些临床事件的附带影响的同时，可以优化对状况的治疗。例如，第二子系统可以用于通过找到最佳治疗方案来优化患者的癫痫治疗，以最小化(或优化)癫痫发作事件的严重程度和/或频率，同时最小化(或优化)治疗方案的任何副作用。也就是说，没有必要使事件或副作用最小化，而是，在一些实施方式中，目标可以是使患者的健康最大化，即使事件和/或副作用保持高于可能的最小值也是如此。在另一示例中，第二子系统可以用于通过找到最佳治疗方案来优化患者的癫痫治疗，以最小化癫痫发作事件的严重程度和/或频率，并且此后，第一子系统可以用于检测或预测仍然发生的癫痫发作事件，以确定或预测作为那些癫痫发作事件的结果的患者健康的度量，和/或推荐或实现治疗干预以减轻那些影响和/或鉴于那些影响支持患者的健康。在另一示例中，第一子系统可以用于检测癫痫发作事件，以确定作为那些癫痫发作事件的结果的患者健康的度量。第二子系统可以用于通过优化患者的治疗方案来尝试降低这些事件的总体严重程度和频率，同时解决潜在的副作用。在另一示例中，第一子系统可以用于检测或预测癫痫发作事件，以确定或预测作为那些癫痫发作事件的结果的患者健康的度量，和/或推荐或实现治疗干预以减轻那些影响和/或鉴于那些影响支持患者的健康。一旦实现了鉴于正在发生和/或预测的癫痫发作事件而对患者的支持，第二子系统可以用于通过优化患者的治疗方案来尝试降低这些事件的总体严重程度和频率。当然，不要求这两个子系统顺序使用，因为从本说明书中可以明显看出，这两个子系统可以同时和/或反复操作以实现它们各自的目标。
此外，第一子系统104A可以调整和/或重新训练自身以识别生物标志物中的患者特异性模式，该模式可以与患者的状况和症状相关(例如，与患者的癫痫症相关)，或者由被激活并(例如，经由所应用的治疗)改变患者的状况和症状的行为的第二子系统104B引起。
虽然本文主要针对癫痫进行了描述，但是从描述中将会清楚，本文的系统和方法，尤其是关于与图1B相关的实施方案的系统和方法，也可以与其他情况一起使用并应用于其他情况。也就是说，可以由EEG和PPG传感器感测和监测的生物标志物可以用于监测、检测和/或预测与其他状况相关的事件，以鉴于那些事件和状况的影响来支持患者健康，并且/或者可以用于优化那些状况的治疗方案。在实施方案中，EEG和PPG传感器以及麦克风和/或加速度计可以一起提供数据，从该数据中可以提取与患者相关的生物标志物数据。如本文所用，术语“生物标志物”是指可从患者体外观察到的医学状态的可被准确且可重复地测量的客观指征的宽泛子类别。(生物标志物不同于症状，症状一般由患者自己感知。)
EEG数据内可检测到的各种信号可以用信号通知发作事件，因为大脑的各种区域中电活动的特定模式与癫痫发作事件的发作、持续时间和终点相关联。这种生物标志物模式被称为癫痫样。此外，在癫痫发作之间可能出现持续时间较短的生物标志物，包括持续时间在30ms与80ms之间的“棘波”和持续时间在70ms与200ms之间的“尖波”。与发作活动相关联的各种生物标志物可以指示发生的癫痫发作的类型。例如，失神癫痫发作经常与全面性“棘波”活动相关，但棘波活动不是失神癫痫发作所独有的。癫痫样的特征可以发信号通知另外的生物标志物，并且发作间(癫痫发作之间)、发作前和发作后EEG数据可以提供与检测和/或预测癫痫发作相关的另外的生物标志物信息。同时，PPG数据可以包括与患者的发作间、发作前、发作后(和发作)状态相关的生物标志物数据。例如，已知氧气去饱和发生在大部分局灶性癫痫发作中，包括在癫痫发作之前、期间或之后没有抽搐活动的那些局灶性癫痫发作。同样，血压、心率或心率变异性的变化(所有这些都可以在PPG数据内检测到)可以在癫痫发作之前、期间或之后发生。通过在一段时间内同时观察EEG数据和PPG数据，EEG数据和PPG数据中的生物标志物之间的另外的关系可以揭示有助于检测的关系和模式，并且可能更重要的是，有助于预测发作事件，并且在一些实施方案中，建立与药物副作用和生活质量度量相关的生物标志物，该生活质量度量可能与所应用的治疗性治疗的长期使用相关。例如，对于服用药物来治疗其疾病的癫痫患者来说，可能期望使受损的睡眠最小化，因为如果过度服用或在一天中的错误时间服用，许多抗癫痫药物会对睡眠质量产生负面影响。在实施方案中，可以从麦克风和/或加速度计数据中检测到其他生物标志物，这将从以下描述中变得清楚。
例如，EEG数据和PPG数据中存在的生物标志物可能对于睡眠障碍有所帮助。EEG数据可以提供关于与睡眠障碍相关的多种生物标志物的信息，作为示例而非限制，包括患者所处的睡眠阶段、患者从一个睡眠阶段改变到另一个睡眠阶段的频率、从一个睡眠阶段到另一个睡眠阶段的转变、EEG纺锤波幅度、EEG纺锤波持续时间、EEG纺锤波频率、EEG纺锤波流行率以及EEG去饱和事件。同时，PPG数据可以提供关于与睡眠障碍，尤其是睡眠呼吸暂停相关的事件相关的多种生物标志物的信息。睡眠呼吸暂停是指比正常情况下发生更多的重复性呼吸暂停。因此，这种受损的呼吸会影响可从PPG数据中检测到的许多生物标志物，诸如心率、心率变异性、血压、呼吸率和血氧饱和度，该生物标志物中的一些或全部生物标志物可能与和受损的呼吸相关联的去饱和事件相关。在实施方案中，可以从麦克风和/或加速度计数据中检测到其他生物标志物，这将从以下描述中变得清楚。
类似地，EEG数据和PPG数据中存在的生物标志物可以指示耳蜗和/或前庭障碍。EEG数据可以提供关于与这些疾病相关的生物标志物的信息，特别是诸如听觉阈值、认知努力和听觉感知到的生物标志物。同时，PPG数据可以例如通过检测呼吸、血氧饱和度、心率变异性和可以指示全身性感染的血压生物标志物的变化来提供关于可能传播到耳蜗或前庭系统的全身性感染的信息。PPG数据还可以提供前庭系统功能障碍的直接证据，因为前庭系统的功能障碍可能伴随着患者血压的变化(即下降)。在实施方案中，可以从麦克风和/或加速度计数据中检测到其他生物标志物，这将从以下描述中变得清楚。
图1B以其最简单的形式描绘了根据第二组实施方案的所设想系统100B的框图。系统100B包括传感器阵列102(例如，具有或不具有一个或多个加速度计和/或麦克风的EEG传感器阵列)、处理器设备104、用户界面106和PPG传感器108。传感器阵列102和PPG传感器108通常以电信号的形式向处理器设备104提供相应数据，该处理器设备接收信号并使用信号根据从传感器阵列102和PPG传感器108接收到的电信号数据中的生物标志物来对事件进行检测和分类。用户界面106可便于患者自我报告各种数据中的任何数据，包括患者或护理人员感知到的事件，以及药物类型、剂量、给药时间、患者情绪、潜在相关的环境数据等。用户界面106还可以促进分类结果的输出、针对特定患者的单元的编程、传感器阵列102或PPG传感器108的校准等。
系统100B中的处理器设备104被描绘为分别包括第一子系统104A和第二子系统104B。虽然在图1B中被描绘为单独的块104A和104B，但是第一子系统104A和第二子系统104B被描绘为单独的块仅仅是为了说明它们可以使用相同的PPG传感器108、传感器阵列102和用户界面硬件106独立地实现。当然，子系统104A和104B可以共享处理器设备104中的一些或全部硬件资源(例如，处理器、存储器、通信电路等)，并且甚至可以共享在该处理器设备中使用的软件或例程的某些元素(例如，用户界面例程或其部分、通信例程、数据预处理例程、特征识别例程等)。虽然第一子系统104A可以在单独的硬件组(例如，单独的PPG传感器108、单独的传感器阵列102、单独的处理器设备104、单独的用户界面106)中实现，但是在患者将顺序地或同时地与两个子系统104A、104B进行交互的实施方式中，设想患者将不会负担两组单独的传感器阵列102、两个PPG传感器108和两个处理器设备104。至多，在患者顺序地与第一子系统104a和第二子系统104b交互(与第一子系统然后与第二子系统交互，或者与第二子系统然后与第一子系统交互)的实施方式中，患者可以在每个交互时段期间利用单独的处理器设备，将两个不同的处理器设备104(以及可能集成在其中的用户界面106)连接到传感器阵列102和PPG传感器108。当然，在优选实施方案中，同一物理(即硬件)处理器设备104可以实现两个不同的应用程序，或者同一应用程序内的两个不同的例程，以实现两个子系统中的每个子系统。
传感器阵列102的以下描述本质上是说明性的。虽然本领域的技术人员将认识到可以与所描述实施方案兼容的多种传感器阵列，但是本文明确描述的传感器阵列102可以具有特定的优点，并且特别地，传感器阵列102可以包括在美国专利申请16/124,152(美国专利申请公开号2019/0053730A1)和美国专利申请16/124,148(美国专利申请号10,568,574)中描述的传感器。
参考图2A和图2B，在一个实施方案中，提供了包括头部120和轴130的电极设备110，轴130连接到头部120。轴130包括轴体131、导电元件132和多个离散的锚固元件134a-134d。轴130在轴130的轴向方向L上从头部120向远侧延伸。导电元件132在轴130的远侧端部D处具有导电表面133。元件134a-d在轴的垂直于轴向方向L的横向方向T上从轴体131的外表面突出。电极设备110还包括导线140以提供到电极设备110的电连接。电极设备包括延伸穿过导线140和头部120的导电线111，导电线111电连接到导电元件132。在替代实施方案中，电极设备可以包括用于连接到单独导线的端口。
参考图2C，电极设备110被配置为至少部分地植入到受试者的颅骨204处，并且具体来说，这样的轴130突出到形成于颅骨204中的凹部2042中。凹部2042可以是例如钻孔，该钻孔可以被钻入和/或铰入颅骨204中例如到达下层(lower table)的深度，而不暴露于硬脑膜205。图2C图示了设备110相对于邻近颅骨204的各种组织层的定位。图示的组织层包括：皮肤201；结缔组织202；颅骨膜203；颅骨(骨头)204，包括颅骨204的下层2041；以及硬脑膜205。可以看出，电极设备110的轴130的基本上整个轴向尺寸延伸到凹部2042中，同时头部120的外边缘处的至少凸缘邻接颅骨204的外表面，位于颅骨膜203下方的袋中。轴130的远侧端部D处的导电表面133定位在颅骨204的下层2041中，使得该导电表面可以接收源自大脑的脑电信号和/或向大脑施加电刺激信号。
电极设备110包括多个特征，以有助于将轴130至少部分地可移除地固定在颅骨204中的凹部2042中(或者可以执行电监测和/或刺激的任何其他骨或组织结构中的凹部中)。这些特征尤其包括锚固元件134a-d。锚固元件134a-d通常为柔性和/或可压缩的凸耳或倒钩的形式，该凸耳或倒钩被配置为当轴130被插入到凹部2042中时变形，使得锚固元件134a-d牢固地压靠并抓紧限定凹部2042的内表面。
在此实施方案中，参考图2A和图2B，多个离散的锚固元件134a-d包括四个间隔开的锚固元件134a-d，该锚固元件围绕轴体131的外表面的圆周均匀地分布，但是该锚固元件在轴体的轴向方向L上呈偏移或交错布置。因此，一些锚固元件134a、134b在轴向方向L上比其他锚固元件124c、124d更靠近轴120的远侧端部D。更具体而言，在此实施方案中，第一对锚固元件124a、124b在轴向方向L上位于距轴的远侧端部D第一距离处，并且第二对锚固元件134c、134d在轴向方向L上位于距轴的远侧端部D第二距离处，该第二距离大于该第一距离。锚固元件134a-d的这种布置确保成对的锚固元件134a-d中的至少一对锚固元件与凹部2042的内表面接触，并且可以允许将轴更容易地插入到凹部2042中。参考图2B，第一对锚固元件134a、134b沿着轴130的第一横向轴线T1位于轴体131的相对侧，并且第二对锚固元件134c、134d沿着轴130的第二横向轴线T2位于轴体131的相对侧，第一横向轴线T1和第二横向轴线T2基本上彼此正交。
轴体131由第一材料形成，第一材料是弹性材料，并且更具体地，在实施方案中是第一硅树脂材料。锚固元件134a-d由第二材料形成，第二材料是弹性材料，并且更具体地，在实施方案中是第二硅树脂材料。第一和第二材料具有不同的特性。特别地，第二材料具有比第一材料低的硬度。因此，第二材料比第一材料软，并且因此锚固元件134a-d由比轴体131软的材料形成。通过由相对较硬的弹性材料形成轴体131，轴体可以是柔性的和可压缩的，但在插入到骨头中的凹部2042中时仍基本上保持其形状。由导电元件132提供的加强芯在这方面也有帮助。另一方面，通过由相对软的弹性材料形成锚固元件134a-d，锚固元件是更柔性的和可压缩的，这可允许在使用电极设备110之后更容易地从凹部2042移除轴130。实际上，可以提供软材料，使得当从凹部2042移除轴130时，锚固元件134a-d显著变形。
锚固元件134a-d被构造成在从凹部2042移除轴130期间保持完整。因此，在移除后，电极设备的任何部分都不会留在体内。在移除期间和之后，锚固元件134a-d保持连接到轴体131的外表面。此外，在从凹部2042移除电极设备之后，锚固元件基本上保持其原始形状和构造。
如上所述，电极设备110包括连接到电极设备110的头部120的导线140、延伸穿过导线140和头部120并电连接到导电元件132的导电线111。参考图2A，导电线111被螺旋地布置，使得其可以在包括导线140和头部120的电极设备挠曲时延伸和收缩。导电线111接触并电连接到导电元件132的近侧端部表面135。导电线111例如通过焊接或钎焊到近侧端部表面135而永久固定到近侧端部表面135。在此实施方案中，导电元件132的近侧端部表面135位于导电设备110的头部120内部。导电元件的近侧端部表面135包括凹部1251，在该凹部中，导电线111接触并电连接到近侧端部表面135。在此实施方案中，凹部1251是通道，该通道跨近侧端部表面135的整个直径延伸。在将导电线111焊接或钎焊到近侧端部表面135期间，凹部1251可以保留熔融材料。此外，形成电极设备的头部120的材料可以例如在制造期间处于流体状态时延伸到通道中，从而有助于将导电元件132固定在适当的位置，并有助于保护导电线111与导电元件132之间的连接。
在此实施方案中，除了轴体131与头部120一体形成之外，导线140也与头部120一体形成。因此，在电极设备110中提供了弹性材料的连续体，该弹性材料的连续体跨导线140、头部120和轴体130延伸。弹性材料的连续体覆盖导线140和头部120内的导电线111，覆盖头部120内的导电元件132的近侧端部表面135，并围绕轴130的导电元件132的侧面。这种布置使得导线140、头部120和轴130永久地固定在一起，并且在正常使用期间不会断开。在制造之后，电极设备110的任何部分都不需要由诸如外科医生的用户连接在一起。电极设备110的一体性质可以提高电极设备110的强度和清洁度，并且还可以提高易用性。
参考图2A，导线140在头部120的应变消除部分121处连接到电极设备110的头部120。应变消除部分121是头部120的渐窄区段，该渐窄部分提供了从头部120到导线140的相对平滑的过渡。具体而言，应变消除部分121是头部120的一部分，该部分的宽度逐渐变窄，通常跨电极设备的横向平面，到达与导线140的连接处。如从图2B明显看出，包括应变消除部分121的头部120具有泪珠形状。
应变消除部分121是弯曲的。提供曲率以匹配颅骨204的曲率，使得当电极设备植入在适当的位置时，通过应变消除部分121向颅骨施加减压或不施加压力。
从图2A中可以看出，头部120具有凸形外(面向近侧)表面122和凹形内(面向远侧)表面123。头部120的从轴体131径向向外延伸到头部120的外边缘125的外部部分124在该外部朝向外边缘125延伸时向远侧弯曲。然而，在外边缘125处，头部120包括扁平的凸缘部分126，以提供与组织无损伤邻接和密封的表面。头部120的外部部分124是弹性地柔性的。由于其弹性柔性和弯曲形状，头部120的外部部分124可充当弹簧，以在轴130位于凹部2042中时在锚固元件134a-d上施加张力。一般而言，弯曲的头部布置可以符合电极设备110所在的组织(例如颅骨)的曲率，并且可以使组织层能够在该头部布置的外表面122上滑动而没有明显的粘附。头部120的凸缘部分126可以围绕轴130所在的凹部2042密封。该密封可减少通过组织的漏电，并减少头部110下的组织生长。头部120的柔性外部部分126也可以挠曲，使得轴130能够进入凹部达一定深度范围。
图3A至图3I图示了传感器阵列102的替代实施方案，诸如在名称为“ElectrodeDevice for Monitoring and/or Stimulating Activity in a Subject”的美国专利申请16/797,315中描述的传感器阵列，该申请的全部内容通过引用并入本文。参考图3A和图3B，在一个实施方案中，提供了电极设备157，该电极设备包括细长的可植入体158，以及在可植入体158的长度方向上沿着可植入体158定位的多个电极160。在可植入体158的近侧端部，提供处理单元144以用于处理可以发送到电极160和/或从该电极接收到的电信号。尽管不是必需的，但是在一些实施方案中，电放大器163(例如，前置放大器)位于电极160与处理单元144之间的可植入体158中。在替代实施方案中，如图5A所示，电放大器163可以集成到电极设备157的处理单元144中，而不是位于可植入体158中。
参考图3C，该图示出了电极设备157的与电极160中的一个电极相邻的一部分的横截面，电极160通过延伸穿过可植入体158的电连接167电连接到例如放大器163和处理单元144。在电极设备157中还提供了加固设备168，该加固设备168延伸穿过可植入体158，并限制可植入体158的长度在张力下可以延伸的程度。
在此实施方案中，参考图3A和图3B，提供了四个电极160，该四个电极沿着可植入体158在放大器163与可植入体158的远侧尖端159之间间隔开。可植入体158的远侧尖端159是渐窄的。四个电极160被配置成两对电极161、162，两个最远侧电极160提供第一对电极161，并且两个最近侧电极160提供第二对电极162。在此实施方案中，第一对160电极160以大约40mm至60mm，例如大约50mm(从电极160的中心到中心测量)的距离x彼此间隔开，并且第二对122电极160也以大约40mm至60mm，例如大约50mm(从电极160的中心到中心测量)的距离x彼此间隔开。第一电极对161和第二电极对162以大约30mm至50mm，例如大约40mm(从彼此相邻的两对电极的中心到中心测量)的距离y彼此间隔开。
参考图3D和图3E，图3D和图3E分别提供了沿着图3C中的线B--B和C--C的横截面视图，可植入体158具有圆的(例如大体上圆形或卵形的)横截面轮廓。类似地，电极160中的每个电极具有圆的(例如大体上圆形或卵形的)横截面轮廓。电极160中的每个电极完全围绕可植入体158的一部分周向地延伸。通过以这种方式配置可植入体158和电极160，当植入受试者体内时，可植入体158和电极160的精确取向不太重要。例如，电极160可以在基本上任何方向上与组织进行电交互。在这点上，电极160可以被认为具有360度的功能。圆形横截面配置还可以使电极设备157的可植入部分更容易插入目标位置，并且损伤身体组织的风险更小。例如，可植入体158可以与插入套管或插管一起使用，并且可以没有可能对组织造成损伤的尖锐边缘。
在此实施方案中，可植入体158由诸如医用级硅树脂的弹性材料形成。每个电极160包括导电材料的围绕可植入体158的一部分周向地延伸的环形部分。更具体而言，每个电极160包括导电材料的围绕可植入体158的一部分，特别是可植入体158的弹性材料的一部分周向地延伸的中空圆柱体。电极160可以被认为是‘环形’电极。
再次参考图3A和图3B的实施方案，并且进一步参考图3F和图3G，为了加强电极160与可植入体158之间的接合，在此实施方案中提供了跨每个电极160的外表面延伸的带165。在此实施方案中，两个带165在垂直于可植入体158的伸长方向的方向上位于每个电极160的基本上相对侧。带165连接在可植入体158的区段166a、166b之间，该区段在可植入体的伸长方向上位于电极160的相对侧，该区段166a、166b在下文中被称为侧区段。当可植入体158被置于张力下和/或被弯曲时，带165可以防止侧区段166a、166b从电极160拉出或脱离。在此实施方案中，带165由与侧区段166a、166b相同的弹性材料形成。带165与侧区段166a、166b一体形成。从带165的与侧区段166a、166b的连接点，该带的宽度朝着每个电极160的中心部分减小，从而使带165覆盖电极160的表面的程度最小化，并确保保留相对大量的电极表面，该电极表面暴露在电极160的周围以与相邻的身体组织进行电接触。参考图3D，围绕每个电极160的圆周，例如，外电极表面的至少75％、外电极表面的至少80％、至少85％或至少90％可以暴露以与组织电接触。
在替代实施方案中，可以采用不同数量的带165，例如一个、三个、四个或更多个带165。在采用更大数量的带165的情况下，每个带165的宽度可以减小。带165可以围绕每个电极160的圆周均匀分布或者以不均匀的方式分布。然而，在一些实施方案中，可以省略带165，从而确保电极160周围的所有外部电极表面都暴露以与组织电接触。
如上所指出，可植入体158由诸如硅树脂的弹性材料形成。弹性材料允许可植入体158弯曲、挠曲和拉伸，使得可植入体158在被引导到目标植入位置时可以容易地扭曲，并且可以容易地符合目标植入位置处的身体组织的形状。弹性材料的使用还确保了在植入过程中或随后的使用期间减少对受试者的任何损伤风险。
在本公开的实施方案中，到电极160的电连接167包括相对易碎的铂丝导电元件。参考图3C至图3E，例如，为了降低铂丝在可植入体158的弯曲、挠曲和/或拉伸过程中断裂或折断的可能性，电连接167具有波状形状，更具体而言，在此实施方案中为螺旋形状，但可以使用其他非线性形状。例如，电连接167的螺旋形状使得电连接167能够与可植入体158一起拉伸、挠曲和弯曲。可植入体158的弯曲、挠曲和/或拉伸通常发生在将可植入体158植入受试者期间，以及在使用后将可植入体158从受试者移除时。
如上所指出，在电极设备157中还提供了加固设备168，该加固设备168延伸穿过可植入体158，并被提供以限制可植入体158的长度在张力下可以延伸的程度。当电极设备157被置于张力下时，加固设备168可以吸收电极设备157上的大部分应变。在此实施方案中，加固设备168由柔性且具有高抗拉强度的材料纤维(例如，绳股、细丝、绳索或细绳)提供。特别地，超高分子量聚乙烯(UHMwPE)纤维(例如DyneemaTM)被提供作为本实施方案中的加固设备168。加固设备168在可植入体158的长度方向上延伸穿过可植入体158，并且通常直接被可植入体158的弹性材料包裹。
除了UHMwPE之外或者作为UHMwPE的替代，加固设备168可以包括多种不同的材料。加固设备可以包括其他塑料和/或非导电材料，诸如聚对苯二甲酰对苯二胺，例如KevlarTM。在一些实施方案中，可以使用金属纤维或外科用钢。
类似于电连接167，加固设备168也具有波状形状，并且更具体而言，在此实施方案中为螺旋形状，但可以使用其他非线性形状。加固设备168的螺旋形状不同于电连接167的螺旋形状。例如，如图3C至图3E所示，加固设备168的螺旋形状具有比电连接167的螺旋形状更小的直径。此外，加固设备168的螺旋形状具有比电连接167的螺旋形状更大的螺距。
当可植入体168被置于张力下时，可植入体的弹性材料将拉伸，这又使得电连接167和加固设备168两者的螺旋形状变直。随着电连接167和加固设备168变直，它们的长度可以被认为在可植入体158的伸长方向上增加。因此，当可植入体158被置于张力下时，电连接167和加固设备168中的每一者在可植入体158的伸长方向上的长度是可延伸的。
对于电连接167和加固设备168中的每一者，当可植入体158的螺旋形状(或可以采用的任何其他非线性形状)基本上完全变直时，达到该可植入体在伸长方向上的理论最大延伸长度。然而，由于电连接167和加固设备168的螺旋形状的差异，加固设备168的最大延伸长度比电连接167的最大延伸长度短。因此，当可植入体158被置于张力下时，加固设备168将在电连接167达到该电连接的最大延伸长度之前达到该加固设备的最大延伸长度。事实上，加固设备168可以使电连接167基本上不可能达到该电连接的最大延伸长度。由于电连接167特别是当被置于张力下时，并且特别是当其达到最大延伸长度时可能相对脆弱并且易于断裂，所以加固设备168可以降低当可植入体158被置于张力下时电连接167被损坏的可能性。与电连接167相反，当加固设备168达到其最大延伸长度时，其高抗拉强度允许其承受施加在电极设备157上的大量应变，从而防止对电连接167和电极设备157的其他部件的损坏。
考虑到电极设备157的受加固设备168保护免受损坏的其他部件，值得注意的是，当可植入体158被置于张力下时，其可能易于损坏或破裂。当被置于张力下时，可植入体158的弹性材料在其伸长方向上具有理论最大延伸长度，最大延伸长度是弹性材料达到其弹性极限的点。在此实施方案中，加固设备168的最大延伸长度也比可植入体158的最大延伸长度短。因此，当可植入体158被置于张力下时，加固设备168将在可植入体158达到该可植入体的最大延伸长度之前达到该加固设备的最大延伸长度。事实上，加固设备168可以使可植入体158基本上不可能达到该可植入体的最大延伸长度。由于可植入体158的弹性材料特别是当被置于张力下时，并且特别是当其达到其弹性极限时可能相对脆弱并且易于断裂，所以加固设备168可以降低当可植入体158被置于张力下时该可植入体被损坏的可能性。
在此实施方案中，加固设备168和电连接158的螺旋形状以同心布置提供。由于其较小的直径，加固设备168可以位于电连接167的径向内部。鉴于这种定位，加固设备168为可植入体158提供了一种形式的加强芯。同心布置可以提供提高的强度和坚固性，同时提供最佳的外科操作性能，当被置于张力下时，可植入体158的变形相对较低。
如所指出，加固设备168直接被可植入体158的弹性材料包裹。因此，在此实施方案中，螺旋形加固设备168避免了与弹性材料以外的材料接触。例如，螺旋形加固设备不与其他绳股或纤维缠绕或缠结(例如，与绳子的绳股相反)，从而确保相对于该螺旋形加固设备的螺旋形状可能存在相当大的弹性。因此，例如，螺旋形状可以在张力下移动到伸直的构型。
加固设备168的布置是这样的，当可植入体158被置于张力下时，加固设备168的长度可延伸其在可植入体158未被置于张力下时的长度的大约20％。然而，在本公开的实施方案中，可以使用加固设备168，当可植入体158未被置于张力下时，该加固设备可延伸加固设备长度的至少5％、至少10％、至少15％、至少20％或至少25％或其他。当可植入体158未被置于张力下时，加固设备168在可植入体158的伸长方向上的最大延伸长度可以是该加固设备的长度的约5％、约10％、约15％、约20％或约25％或其他。
如图3C所表示，加固设备168沿其长度具有相对均匀的螺旋构型。然而，在一些实施方案中，加固设备168的形状可以沿其长度变化。例如，与可植入体158的其他部分相比，邻近电极160的加固设备168可以更直(例如，通过具有半径较小和/或螺距较大的螺旋形状)。通过提供加固设备168形状的这种变化，可植入体158的拉伸可以在电极160附近减小，否则电极160从可植入体158移位的风险更大。可以在电极160附近提供这种增强的应变消除，同时仍然保持加固设备168的能力，并因此保持可植入体158在可植入体158的其他部分处拉伸到期望程度的能力。
如所指出，此实施方案中的电连接167包括相对脆弱的铂丝导电元件。在电连接167中提供至少4根铂丝，每根铂丝连接到四个电极160中的相应一个电极。该丝绞在一起并且彼此电绝缘。图3C图示了电连接167的铂丝与电极160的最远侧的连接。可以看出，该丝连接到电极160的内表面172，邻近电极160的远侧端部，但可以使用其他连接布置。
加固设备168延伸穿过电极160中的每个电极的中空中心。加固设备168至少从最远侧电极160延伸，并且可选地从邻近可植入体158的远侧尖端159的区域延伸到邻近放大器163的位置。在一些实施方案中，加固设备168也可以在放大器163与处理单元144之间延伸。在一些实施方案中，加固设备168可以从可植入体158的远侧尖端159和/或最远侧电极160延伸到处理单元144。
为了防止加固设备168在可植入体158的弹性材料内滑动或从该弹性材料中撕裂，沿着加固设备168的长度在加固设备168中形成一系列结169。例如，参考图3F，结169a可以至少在加固设备168的远侧端部处形成，邻近可植入体158的远侧尖端159，并且/或者结169可以邻近每个电极160的一侧或两侧形成。结可以单独提供对加固设备168相对于可植入体158的弹性材料的运动的阻力，并且/或者可以用于将加固设备168固定(打结)到设备157的其他特征件。
例如，在本实施方案中，如图3C所示，加固设备168经由结169b固定到每个电极160。为了使加固设备168能够固定到电极160，电极160包括延伸部分173，加固设备168的结169可以围绕该延伸部分打结。如图3C所示，延伸部分173可以包括跨形成电极160的中空圆柱体的开口端部延伸的材料环或臂。
参考图3A、图3B、图3F和图3G，电极设备158包括至少一个锚固件164，并且在此实施方案中包括多个锚固件164。多个锚固件164沿着可植入体158的长度定位，每个锚邻近电极160中的相应一个电极。每个锚固件164被配置为从可植入体158径向向外突出，并且具体而言，在此实施方案中，以一定角度朝向可植入体158的近侧端部。每个锚固件164呈具有圆形尖端170的扁平附件或鳍的形式。锚固件164被设计成当电极设备157处于植入位置时为该电极设备提供稳定性。当植入时，可在每个锚固件164周围形成组织包膜，从而将锚固件164以及因此将可植入体158固定到位。在此实施方案中，锚固件164的长度在大约0.5mm与2mm之间，例如长度在大约1mm或1.5mm。
为了使锚固件164不妨碍电极设备157的植入或使用后电极设备157的移除，每个锚固件164是可压缩的。锚固件164是可压缩的(例如，可折叠的)以减少锚固件164从可植入体158径向向外突出的程度。为了进一步减小当被压缩时锚固件164从可植入体158径向向外突出的程度，在可植入体158的邻近每个锚固件164的表面中提供凹部171。锚固件164可被压缩到凹部171中。在此实施方案中，锚固件164从相应凹部171的底面突出，并且凹部171在锚固件164的近侧和远侧两者延伸。因此，锚固件164可以在近侧或远侧方向上被压入相应凹部中。这具有以下优点：当在近侧和远侧方向中的任一方向上被拉动穿过组织表面或植入工具(诸如递送设备)的表面时，允许锚固件164自动地移动到凹部171中的储存位置中。
本实施方案的电极设备157被配置用于监测大脑中的电活动，并且特别用于监测大脑中的与癫痫事件相关的电活动。电极设备157被配置为至少部分地植入头皮与颅骨之间的帽状腱膜下空间中。至少电极160以及可植入体158的相邻部分位于帽状腱膜下空间中。
图3H中提供了电极160的植入位置的图示。可以看出，电极160特别位于帽状腱膜206与颅骨膜203之间的袋中。当植入时，第一电极对161和第二电极对162以基本上对称的布置位于受试者头部中线的相应侧。因此，第一电极对161和第二电极对162分别位于大脑的右半球和左半球上方。例如，第一电极对161可以用于监测大脑右半球的电活动，并且第二电极对162可以用于监测大脑左半球的电活动，反之亦然。可以例如出于诊断目的为右半球和左半球中的每一者记录独立的电活动数据。为了将电极对161、162定位在大脑的右半球和左半球上方，电极设备157的可植入体158在受试者头部的颅骨上方在内侧-外侧方向上植入。电极对161、162的位置远离受试者的眼睛和咀嚼肌，以避免从这些位置引入信号伪像。将电极设备157植入头皮下，位置大致如图3I所示。
图4将传感器阵列102描绘为具有多个电极设备110。具体而言，在所描绘的实施方案中，传感器阵列102包括四个电极设备110a-d，经由每个电极设备的相应导线140a-d并进一步经由电缆部分142连接到本地处理设备144。当然，在不同的实施方案中，根据实现本文描述的方法所需的电信号的需要，可以实现更多或更少数量的电极设备110。特别地，在实施方案中，传感器阵列102可以包括电极设备110中的四个、八个、10个、12个、16个、20个、24个或更多个电极设备。在图4所描绘的实施方案中，本地处理设备144和电极设备110a-d(以及该电极设备的相应导线140a-d和电缆部分142)在传感器阵列102中形成为一体结构。该布置使得本地处理设备144和电极设备110a-d永久地固定在一起(出于正常操作和使用的目的)。因此，对于诸如外科医生的用户来说，不需要或者实际上不可能在植入之前将传感器阵列102的这些部件连接在一起，因此提高了传感器阵列102的强度、清洁度和易用性。
本地处理设备144可以植入皮肤组织下。参考图5A，本地处理设备144可以包括电放大器146、电池148、收发器150、模数转换器(ADC)152和处理器154，以处理从电极设备110a-d接收或传输到该电极设备的电信号。本地处理设备144可以包括存储信号处理数据的存储器156。本地处理设备144可以类似于通常与耳蜗植入物一起使用的一种类型的处理设备，但其他配置也是可能的。
例如，由本地处理设备144处理和存储的数据可以是原始EEG数据或部分处理的(例如，部分或完全压缩的)EEG数据。EEG数据可以从本地处理设备144无线地或经由有线传输到处理器设备104，用于数据的进一步处理和分析。处理器设备104可以分析EEG信号(或其他电信号)以确定目标事件是否已经发生。如本文进一步描述的，可以由处理器设备104基于该分析来生成关于事件的数据。在一个示例中，处理器设备104可以分析脑活动信号以确定诸如癫痫事件的目标事件是否已经发生，并且可以由处理器设备104基于该分析生成关于癫痫事件的数据(例如，事件的分类)。
例如，通过使用处理器设备104(无论是与传感器阵列102分离还是与传感器阵列集成，如参考图20A至图20H和图22A至图22G所描述)在传感器阵列102外部执行数据分析，可以减少传感器阵列102内的功耗，使得传感器阵列102能够保持更小的几何形状。此外，与传感器阵列102中包括的任何处理器相比，处理器设备104可以具有显著更高的处理能力。处理器设备104可以运行连续记录从传感器阵列102接收到的电数据的软件。
参考实现PPG传感器108的实施方案，图5B是描绘PPG传感器108的部件的框图。一般来说，在这些实施方案中，PPG传感器108被配置为设置在患者的感测位置上，并且在特定实施方案中，设置在PPG传感器108的长期使用(例如，几天或几周)期间对患者来说不显眼的位置。这样，虽然PPG传感器108可以被配置为戴在手指上或脚趾上的指尖型传感器(实现透射吸收感测)，但是就患者的舒适性而言，其他感测位置可能更有利。例如，实现反射感测的PPG传感器可以允许将传感器戴在患者的手腕上，很像手表或其他传感器带，或者戴在脚踝上。在实施方案中，PPG传感器108实际上可以集成到智能手表设备中。
如将理解的，在实现该PPG传感器的实施方案中，PPG传感器108可以使用低强度红外(IR)光来检测患者的各种生物标志物。血液比其他周围组织更强烈地吸收IR光，并且因此，血流的变化可以被感知为透射或反射IR光强度的变化。虽然在本说明书中不会详细描述PPG传感器操作的复杂性和细节，但是本领域普通技术人员将容易理解这些设备的设计和操作，通常应该理解，PPG传感器108可以用于测量和/或确定任何种类的生物标志物，包括但不限于：心率、心率变异性、血压、心输出量、呼吸率和血氧饱和度。
参考图5B，PPG传感器108通常包括一个或多个光源109，该光源可以包括IR光源，并且在实施方案中，可以包括附加可见光源。PPG传感器108还包括一个或多个光电检测器113，该光电检测器被配置为检测将生成PPG数据的特定波长的光。PPG传感器108还包括本地处理设备143，该本地处理设备又可以包括电放大器149、电池155、收发器151、模数转换器(ADC)153和处理器145，以处理从光电探测器113接收到的电信号。本地处理设备143可以包括存储信号处理数据的存储器147。
例如，由本地处理设备143处理和存储的数据可以是原始PPG数据(即，未处理的信号数据)或处理后的PPG数据(例如，已经从中提取了期望的生物标志物的数据)。PPG数据可以从本地处理设备143无线地或经由有线连接传输到处理器设备104，用于数据的进一步处理和分析。处理器设备104可以通过其自身或者与EEG数据一起分析PPG数据，以确定患者的状态。关于患者状态的数据可由处理器设备104基于分析来生成，如本文进一步描述的。在一个示例中，处理器设备104可以分析脑活动信号和生物标志物，以确定患者的当前状况和/或预测患者的未来状况。
例如，通过使用处理器设备104，(无论是与传感器阵列102分离还是与传感器阵列集成，如参考图20A至图20H和图22A至图22G所描述)在PPG传感器108外部执行数据分析，可以减少PPG传感器108内的功耗，使得PPG传感器108能够保持更小的几何形状。此外，与PPG传感器108中包括的任何处理器相比，处理器设备104可以具有显著更高的处理能力。处理器设备104可以运行连续记录从PPG数据108接收到的数据的软件。
现在转到图6A至图6C，系统100被更详细地呈现为框图。如图6A和图6B所示，除了传感器阵列102、PPG传感器108(图6B)、处理器设备104和用户界面106之外，系统100在实施方案中还包括麦克风250和加速度计252，并且在实施方案中还包括治疗性设备255(图6B)。传感器阵列102、PPG传感器108(在包括它的实施方案中)、麦克风250和加速度计252中的每一者可以感测或收集相应的数据并将相应的数据传送给处理器设备104。在这一点上应该理解，在实施方案中，传感器阵列102可以包括电极设备阵列110，该电极设备阵列提供电信号数据，并且特别是提供指示患者脑活动的电信号数据(例如，EEG信号数据)。如本文将进一步描述的，在实施方案中，传感器阵列102可以另外或替代地提供指示检测到的化学生物标志物的电信号数据。鉴于以上描述，还应当理解，传感器阵列102可以设置在患者的头皮下方——在颅骨204上并延伸到该颅骨中——以便于准确感测大脑活动。然而，在实施方案中，还设想传感器阵列102不需要放置在头皮下方。
现在参考图6B，PPG传感器108使用光电检测器电路检测在光与患者皮肤表面下方的血液相互作用后通过患者透射或从患者反射的光。PPG传感器108可以是适合设置在患者身上并且特别是适合由诸如电池的便携式电源操作的任何类型的PPG传感器。PPG传感器108可以设置在患者身上的任何位置处，包括但不限于患者的手指、脚趾、前额、耳垂、鼻中隔、手腕、脚踝、臂部、躯干、腿部、手部或颈部。在一些实施方案中，PPG传感器108可以与传感器阵列102集成，并与传感器阵列102一起放置在患者的头皮上或头皮下方，而在其他实施方案中，PPG传感器108可以与处理器设备104集成，而在又其他实施方案中，PPG传感器108可以与传感器阵列102和处理器设备104都不同。当然，虽然在附图中描绘为单个PPG传感器，但是PPG传感器108可以是一个或多个PPG传感器，作为连接的或不同的单元设置在患者的多个位置上(所谓的多部位光学体积描记术)。在实现多个PPG传感器的实施方案中，多个PPG传感器可以是相同类型的，或者可以是不同的，这取决于每个传感器在患者身上的位置、每个传感器所处的环境、每个传感器在硬件中的位置(例如，与其他设备分离或者与处理器设备104集成)等。
可选的治疗性设备255可以是向患者提供治疗支持以治疗或减轻患者状况或与患者状况相关的事件的影响的设备。例如，治疗性设备255可以定期给予治疗以帮助治疗潜在的状况，或者响应于检测到的事件(例如，在癫痫发作之后)来促进或加速事件的后遗症的消散。在一些实施方案中，治疗性设备255可以是向患者输送定时、测量剂量的药剂(即，药物)的药物泵，而在其他实施方案中，治疗性设备255可以是氧气发生器，该氧气发生器被配置为根据预测或确定的需求增加(或可能降低)患者的氧气水平。在其他实施方案中，治疗性设备255可以是持续气道正压通气(CPAP)设备或自适应伺服通气设备，它们中的每一者都可以用于减轻阻塞性睡眠呼吸暂停，该阻塞性睡眠呼吸暂停可以根据检测到的增大或减小压力。在进一步的实施方案中，治疗性设备255可以是被配置为施加或调整(例如，信号的振幅、频率、刺激施加的频率等)神经刺激信号的神经刺激器设备(例如，迷走神经刺激设备、舌下神经刺激设备、颅外和/或经颅电刺激设备、颅内电刺激设备、膈神经刺激器、心脏起搏器等)。心脏起搏器和膈神经刺激器可分别用于确保适当的心脏和膈肌功能，从而确保患者继续具有足够的心脏和/或呼吸功能。
再次参考图6A和图6B，麦克风250检测与患者和患者环境相关的声音。麦克风250可以是适合设置在患者身上并且适合由诸如电池的便携式电源操作的任何类型的麦克风。特别地，麦克风250可以是压电麦克风、MEMS麦克风或光纤麦克风。在实施方案中，加速度计设备可以适于测量振动，并且因此适于检测声音，从而使得加速度计设备适于用作麦克风250。麦克风250可以设置在患者身上的任何位置处，包括但不限于患者的头部、臂部、躯干、腿部、手部或颈部。在一些实施方案中，麦克风250可以与传感器阵列102集成，并与传感器阵列102一起放置在患者的头皮上或头皮下方，而在其他实施方案中，麦克风250可以与处理器设备104集成，而在又其他实施方案中，麦克风250可以与传感器阵列102和处理器设备104都不同。在实施方案中，尤其是那些患者的声音是麦克风250的主要感测目标的实施方案中，麦克风250经由骨传导来感测声音。在一些实施方案中，麦克风250可以与听力或前庭假体集成。当然，虽然在附图中描绘为单个麦克风，但是麦克风250可以是作为阵列设置在患者身上的特定位置或者作为不同单元设置在患者身上的不同位置的一个或多个麦克风。在实现多个麦克风的实施方案中，多个麦克风可以是相同类型的，或者可以是不同的，这取决于每个麦克风在患者身上的位置、每个麦克风所处的环境(例如，头皮下与非头皮下)、每个麦克风在硬件中的位置(例如，与其他设备分离或集成在处理器设备104内)等。取决于麦克风的放置以及麦克风想要检测的噪声或振动，每个麦克风可以具有与其他麦克风相同或不同的方向性和/或灵敏度特性。
在实施方案中，麦克风250可以检测患者的声音，目的是确定以下各项中的一项或多项：发声中的停顿；口吃；长时间的沉默；发声异常；和/或其他声音异常，其单独地或与来自传感器阵列102、加速度计252的数据和/或经由用户界面106接收到的自我报告数据相结合，可以帮助在处理器设备104内执行的算法确定患者是否经历了感兴趣事件，并且如果经历了感兴趣事件，则如本文所描述对事件进行分类。在实施方案中，麦克风250还可以检测患者环境中的其他噪声，这些噪声可以指示患者经历了感兴趣事件。例如，麦克风250可以检测玻璃破碎的声音，这可以指示患者掉落了玻璃杯。这种指示结合由传感器阵列102检测的电信号可以提供患者实际上经历了感兴趣事件的确证。
在实施方案(诸如图6B的实施方案)中，麦克风250可以检测其他声音，诸如打鼾、环境噪声或其他声学信号。例如，麦克风250可以检测到患者正在打鼾。例如，当与诸如由PPG传感器108检测的血氧饱和度水平的其他生物标志数据一起分析时，这样的信息可能是有用的。(例如，血氧饱和度水平的下降以及打鼾的停止可能指示阻塞性睡眠呼吸暂停状况。)作为另一个非限制性示例，麦克风250可以检测到存在声学信号(例如，语音)。当与其他生物标志物数据一起分析时，这可以提供关于耳蜗障碍的信息。(例如，由麦克风250检测到不具有由传感器阵列102检测到的指示大脑对信号进行处理的对应电活动的语音可以指示患者听不到该语音。)
在图6A和图6B的实施方案中，加速度计252检测患者的移动和/或方位。加速度计252可以是适合设置在患者身上并且适合由诸如电池的便携式电源操作的任何类型的加速度计。特别地，并且举例来说，加速度计252可以是采用MEMS技术的芯片型加速度计，并且可以包括采用电容、压电电阻或磁感应技术的加速度计。像麦克风250一样，加速度计252可以在患者身上的任何位置，包括但不限于患者的头部、臂部、躯干、腿部、手部或颈部。在一些实施方案中，可以有多个加速度计来检测身体不同部位的运动。在一些实施方案中，加速度计252可以与传感器阵列102集成，并与传感器阵列102一起放置在患者的头皮上或头皮下方，而在其他实施方案中，加速度计252可以与处理器设备104集成，而在又其他实施方案中，加速度计252可以与传感器阵列102和处理器设备104都不同。在一些实施方案中，加速度计252可以与听力或前庭假体集成。当然，虽然在附图中描绘为单个加速度计，但是加速度计252可以是作为阵列设置在患者身上的特定位置或者作为不同单元设置在患者身上的不同位置的一个或多个加速度计。在实现多个加速度计的实施方案中，多个加速度计可以是相同类型的，或者可以是不同的，这取决于每个加速度计在患者身上的位置、每个加速度计所处的环境(例如，头皮下与非头皮下)、每个加速度计在硬件中的位置(例如，与其他设备分离或集成在处理器设备104内)等。取决于加速度计的放置以及加速度计想要检测的运动和/或振动，每个传感器可以具有与其他传感器相同或不同的灵敏度特性和/或可检测轴线的数量。
加速度计252可以检测震颤、运动暂停、粗大运动(例如，在强直-阵挛发作期间)、摔倒(例如，在失张力或跌倒发作或强直发作期间)、重复移动(例如，在阵挛发作期间)、抽搐(例如，在肌阵挛发作期间)以及其他运动或移动，这些运动或移动与来自传感器阵列102、麦克风250的数据和/或经由用户界面106接收到的自我报告数据相结合，可以帮助用处理器设备104执行的算法确定患者是否已经经历了感兴趣事件，并且如果是，则对事件进行分类。在实施方案中，加速度计252可以充当附加麦克风250，或者可以充当唯一的麦克风250。
像麦克风250一样，加速度计252可以在患者身上的任何位置，包括但不限于患者的头部、臂部、躯干、腿部、手部或颈部。在一些实施方案中，可以有多个加速度计来检测身体不同部位的运动。在一些实施方案中，加速度计252可以与传感器阵列102集成，并与传感器阵列102一起放置在患者的头皮上或头皮下方，而在其他实施方案中，加速度计252可以与处理器设备104集成。
传感器阵列102以及(如果存在的话)麦克风250和/或加速度计252可以一起提供数据，从该数据中可以提取与患者相关的生物标志物数据。系统100可以被配置为取决于各种传感器设备(即，传感器阵列102以及(如果存在的话)麦克风250和/或加速度计252)的包括和/或放置来确定各种生物标志物。作为示例而非限制，可以根据肌电图数据(即，来自传感器阵列102中的电极设备110)和由设置在患者头部和/或臂部上的一个或多个加速度计252收集的加速度计数据的组合来确定肌张力生物标志物数据；可以根据由设置在患者头部和/或臂部上的一个或多个加速度计252收集的加速度计数据来确定不稳定性生物标志物数据；可以根据由设置在患者头部和/或臂部上的一个或多个加速度计252收集的加速度计数据来确定姿势生物标志物数据；可以根据由一个或多个麦克风250收集的麦克风数据来确定情绪扰乱生物标志物数据；可以根据由设置在患者头部和/或臂部上的一个或多个加速度计252收集的加速度计数据来确定协调性丧失生物标志物数据；可以根据由一个或多个麦克风250收集的麦克风数据来确定言语生成生物标志物数据；可以根据从传感器阵列102中的一个或多个电极设备110接收到的EEG数据来确定癫痫样活动生物标志物数据；可以根据由设置在患者身上的一个或多个设备(例如，电极设备110和/或加速度计252)收集的肌电图数据和麦克风数据的组合来确定颌运动生物标志物数据；可以根据由设置在患者头部的一个或多个加速度计252收集的加速度计数据来确定疲劳生物标志物数据；可以根据由设置在患者头部和/或臂部上的一个或多个加速度计252收集的加速度计数据来确定头晕生物标志物数据；可以根据由设置在患者身上的一个或多个设备(例如，电极设备110、麦克风250、加速度计252)收集的肌电图数据、麦克风数据和/或加速度计数据的组合来确定呕吐生物标志物数据；可以根据从传感器阵列102中的一个或多个电极设备110接收到的EEG数据来确定睡眠生物标志物数据，等等。
处理器设备104从传感器阵列102、PPG传感器108(在与图6B相关的实施方案中)、麦克风250、加速度计252和用户界面106接收数据，并且使用接收到的数据，可以对感兴趣事件进行检测和分类。处理器设备104包括通信电路256、微处理器258和存储器设备260。微处理器258可以是任何已知的微处理器，该微处理器可被配置为执行对感兴趣事件进行检测和分类所必需的例程，作为示例而非限制包括通用微处理器(GPU)、RISC微处理器、数字信号处理器(DSP)、专用集成电路(ASIC)和现场可编程门阵列(FPGA)。
通信电路256可以是便于与处理器设备104从其接收数据和/或传输数据的各种设备进行通信的任何收发器和/或接收器/发射器对。通信电路256以有线或无线方式通信耦合到传感器阵列102、麦克风250、加速度计252和用户界面106中的每一者。此外，通信电路256耦合到微处理器258，该微处理器除了执行用于执行分析的各种例程和指令之外，还可以促进在存储器260中存储经由通信电路256从传感器阵列102、麦克风250、加速度计252和用户界面106接收到的数据。
存储器260可以包括易失性存储器(例如，随机存取存储器(RAM))和非易失性存储器两者，其形式为磁性或固态介质中的一者或两者。除了操作系统(未示出)之外，存储器260可以存储从传感器阵列102接收到的传感器阵列数据262、从PPG传感器108接收到的PPG数据267(在与图6B相关的实施方案中)、从加速度计252接收到的加速度计数据264、从麦克风250接收到的麦克风数据266以及经由用户界面106从用户(和/或诸如护理人员的其他人)接收到的用户报告数据268。特别地，用户报告数据268可以包括经由用户界面106接收到的来自用户的各种类型症状的报告。作为非限制性示例，经由用户界面106报告的症状可以包括：感知到的癫痫发作/癫痫事件；感知到的癫痫发作/癫痫事件的特性或特征，诸如严重程度和/或持续时间、感知到的对记忆力的影响或对个体健康的其他影响(诸如个体拿杯子或操作车辆的能力)；其他类型的生理症状(例如，头痛、视力受损或改变、不自主移动、定向障碍、摔倒在地、反复下颌运动或咂嘴等)；其他症状的特性或特征(例如，严重程度和/或持续时间)；药物摄取信息(例如，药物类型、剂量和/或频率/时机)；感知到的药物副作用；药物副作用的特性或特征(例如，严重程度和/或持续时间)，以及其他用户报告的信息(例如，摄入的食物和/或饮料，进行的活动(例如，淋浴、锻炼、工作、梳头等)、疲劳、压力水平等)，以及各者的时机。参考图6B的实施方案，具体而言，除了上述症状之外，经由用户界面106报告的症状的非限制性示例可以包括：感知到的睡眠呼吸暂停事件；感知到的睡眠呼吸暂停事件的特性或特征，诸如严重程度和/或持续时间、感知到的对记忆的影响或对个体健康的其他影响(诸如个体的失眠)；感知到的前庭和/或耳蜗事件；感知到的前庭耳蜗事件的特征或特性，诸如严重程度和/或持续时间、感知到的对平衡或听力的影响，或对个体健康的其他影响(诸如个体进行对话的能力或站立和/或行走的能力)。
在与图6B相关的实施方案中，存储器260可以还包括治疗偏好数据269。治疗偏好数据269可以指示特定的治疗目标数据，该数据可以用于(例如，通过治疗策略例程)调整目标治疗效果和/或副作用的可接受水平/量/严重程度。在实施方案中，可以经由用户界面106从患者接收治疗偏好数据269。在其他实施方案中，治疗偏好数据269可以从外部设备(例如，从通信地耦合到系统的医师设备)接收。
如下文将更详细描述的，存储器260还可以存储模型270，以用于根据从传感器阵列数据262、加速度计数据264、麦克风数据266和用户报告数据268提取的一组特征值272来对感兴趣事件进行检测和分类。由模型270输出的分类结果274(以及(通过扩展)检测到的事件)可以存储在存储器260中。数据预处理例程271可以提供传感器阵列数据262、用户报告数据268以及(如果存在的话)加速度计数据264和/或麦克风数据266的预处理。如将理解的(并且部分地在下文描述)，数据预处理例程271可以提供一系列预处理步骤，包括例如从特征值272的数据中过滤和提取。当然，应该理解，当存储在存储器中的例程、模型或其他元素被称为接收输入、产生或存储输出或执行时，该例程、模型或其他元素实际上作为微处理器258上的指令执行。此外，本领域技术人员将理解，模型或例程或其他指令将作为可执行指令存储在存储器260中，微处理器258将从存储器260中检索并执行这些指令。此外，微处理器258应当被理解为从存储器260中检索执行所执行的指令所需的任何数据(例如，作为例程或模型的输入所需的数据)，并将任何所执行的指令的中间结果和/或输出存储在存储器260中。
在实施方案中，数据预处理例程271还可以从传感器阵列数据262、PPG数据267(在与图6B相关的实施方案中)、加速度计数据264和麦克风数据266中提取一个或多个生物标志物。在实施方案中，一个或多个生物标志物可以包括在作为输入提供给模型270的特征值中，以便模型270将检测到的和/或分类的事件输出到分类结果274。
存储在传感器阵列数据262、PPG数据267(在与图6B相关的实施方案中)、加速度计数据264、麦克风数据266和用户报告数据268中的数据与对应的时间戳一起被存储，使得数据可以在数据类型之间相关。例如，传感器阵列数据262中的每个值应该具有对应的时间戳，使得可以比较相同时间(和/或不同时间)的麦克风数据266、加速度计数据264和用户报告数据268，从而允许针对任何给定时间段排列和分析各种类型的数据。关于用户报告数据268，对于任何特定的用户报告可以有多个时间戳，包括例如用户填写用户报告的时间和用户正在报告的事件的时间(如由用户所报告)。
事件不必是同期的，也不必是相关的或有关的，也不必是输入到模型中的特征值。换句话说，模型270可以在对事件进行检测和/或分类时考虑非同期事件之间的时间关系。作为示例而非限制，指示癫痫发作的电活动事件(例如，EEG信号)如果在之前有药物摄取，则可被分类为特定类型的事件，如果在之前没有药物摄取，则可被分类为不同类型的事件。作为先兆的癫痫发作前的非同期事件的其他示例是患者对光环或光学光、呼吸急促或心脏脉搏率增加的主观报告，以及表明言语模式改变的声学生物标志物。此外，系统100，特别是模型270，可以识别癫痫发作前和/或癫痫发作后事件，诸如不稳定的平衡、摔倒、口齿不清或指示癫痫发作前和/或癫痫发作后事件的大脑活动模式。
当然，同时期的事件也可能是相关的。例如，指示全面性强直-阵挛发作(即，癫痫大发作)的加速度计数据如果伴随有指示这种癫痫发作的同期电活动，则可以被分类为全面性强直-阵挛发作(即，癫痫大发作)。
在图6B所描绘的实施方案中，存储器260还可以存储治疗策略例程273。治疗策略例程273可以包括根据从EEG数据262、PPG数据267、加速度计数据264、麦克风数据266、特征值272、用户报告268和/或分类结果274提取的生物标志物推荐或实现的预编程治疗策略。例如，如果PPG数据267显示降低的血氧水平，或者如果由模型270产生的分类结果274包括患者刚刚遭受癫痫发作并且癫痫发作的可能影响是降低血氧水平，则治疗策略例程273可以被编程为向患者或护理人员推荐或者为患者实现(例如，经由治疗性设备108)增加的补充氧气。作为另一个示例，模型270可以基于从EEG数据262、PPG数据267、加速度计数据264和麦克风数据266提取的特征值272来输出分类结果274，该分类结果指示患者具有频繁的睡眠呼吸暂停发作。治疗策略例程273可以被编程为向患者推荐患者增加CPAP设备上的压力或者调整舌下神经刺激设备上的设置，或者在处理器设备104通信地耦合到治疗性设备255(例如，CPAP设备、自适应伺服通气设备或者舌下神经刺激设备)的实施方案中，直接调整治疗性设备255上的设置以降低睡眠呼吸暂停事件的频率或者严重程度。
图6B还描绘了可选的外部处理器设备105，该外部处理器设备在各种实施方案中可以包括一个或多个护理人员设备107A和一个或多个医师设备107B。如下文将更详细描述的，外部设备105可以从处理器设备104接收关于正在发生或最近发生的事件(例如，癫痫发作、睡眠呼吸暂停去饱和等)的警报或警告，并且在一些实施方案中，可以接收所建议的治疗推荐或批准请求，以实现对治疗性设备255的一个或多个设置的调整。外部设备105并且特别是护理人员设备107A可以包括用户界面106的实例，从而允许护理人员提供关于患者状态的信息。
如上所描述以及贯穿本说明书，从EEG数据262、PPG数据267(如果存在)、加速度计数据264和麦克风数据266导出的生物标志物之间的相互作用可以提供对患者的神经、心脏、呼吸甚至炎症功能的洞察。对这些功能的测量可以改进对事件和状况的检测和分类。对这些功能的测量还可以提高对由状况或与状况相关联的事件引起的患者特异性生理变化的理解。
具体而言，可以从PPG数据267中提取的生物标志物可以改善临床或亚临床癫痫发作检测，因为PPG数据267中的生物标志物的变化可以与EEG数据262中的生物标志物并且与在加速度计数据264和/或麦克风数据266中检测到的事件一致或具有特定的时间关系。同时，PPG数据267中的生物标志物可以用于确定血氧水平以及心脏和呼吸功能的变化是否与癫痫发作活动或药物副作用相关，这可有助于优化治疗剂量和时机，以使治疗效果最大化，同时使副作用最小化。此外，虽然在一些情况下，EEG数据262中的生物标志物可以提供足够的数据以确定癫痫发作(或与另一状况相关的事件，诸如睡眠呼吸暂停)是否正在发生或已经发生，但是从PPG数据267中提取的附加心脏相关生物标志物信息可以告知癫痫发作是否是心脏诱发的，或者相反，是否导致心脏变化(即，可以确定癫痫发作事件与心脏功能之间的因果关系)。PPG相关的生物标志物也有助于将临床和亚临床癫痫发作细分为低氧血症癫痫发作和非低氧血症癫痫发作。
从PPG数据267提取的生物标志物也可以用于表征在癫痫发作之前、发作时、期间和之后的血氧、心脏和呼吸变化。这些与癫痫发作相关的对患者的影响可以包括呼吸变化，该呼吸变化包括阻塞性呼吸暂停、呼吸急促、呼吸缓慢和低氧血症。
此外，从PPG数据267和EEG数据262提取的生物标志物的组合可以有助于检测SUDEP(癫痫中原因不明的突然死亡)或SUDEP引发事件。也就是说，通过监测患者的心率、血压和/或血氧，结合EEG数据262，系统100可以检测SUDEP或SUDEP引发事件。这样，系统100可以为患者、为患者的护理人员或医师或为旁观者生成警报或警告。系统100还可以激活连接的治疗性设备，诸如神经刺激器(迷走神经刺激器、经颅刺激器、颅外刺激器、颅内刺激器等)或心脏除颤器，以在检测到SUDEP事件时对抗或防止该SUDEP事件。
患者，特别是那些患有癫痫和/或睡眠障碍的患者，也可以受益于睡眠质量的表征。本文描述的系统和方法利用从PPG数据267提取的生物标志物，单独地或与EEG数据262一起来表征睡眠质量(例如，捕获睡眠质量分数)。该分数可以与EEG数据262中的睡眠周期数据的指标相结合。可以通过包括来自用户报告数据268的信息来开发个人睡眠质量的更全面的表示，该用户报告数据是在患者醒来后由患者经由用户界面106输入的。例如，治疗策略例程273可以使用患者的睡眠质量分数来向护理人员或医师提出关于调整药物或其他治疗(例如，VNS)的剂量和时机的推荐，使得治疗逐渐达到临床疗效，但是远离影响睡眠质量的剂量。在处理器104通信地耦合到治疗性设备255的一些实施方案中，治疗策略例程273可以实现对治疗性设备的调整。在一些实施方式中，这种实施方式可能需要处理器设备104首先与医师通信(例如，向医师拥有的设备发送请求或警报)以接收对调整的确认。
鉴于这些考虑，认为虽然系统100的一些目标可以根据关于患者和/或状况的已知数据使用模型270来实现，但是系统100的其他目标必须实现经过训练的人工智能(AI)模型以实现最大益处。
现在转到图6C，系统100被更详细地呈现为关于第一子系统的框图。如图6C所示，在实施方案中，除了传感器阵列102、PPG传感器108、处理器设备104和用户界面106之外，系统100还包括治疗性设备255。传感器阵列102和PPG传感器108中的每一者可以感测或收集相应的数据，并将相应的数据传送给处理器设备104。在这一点上应该理解，在实施方案中，传感器阵列102可以包括电极设备阵列110，该电极设备阵列提供电信号数据，并且特别是提供指示患者脑活动的电信号数据(例如，EEG信号数据)。鉴于以上描述，还应当理解，传感器阵列102可以设置在患者的头皮下方——在颅骨204上并且/或者延伸到该颅骨中——以便于准确感测大脑活动。然而，在实施方案中，还设想传感器阵列102不需要放置在头皮下方。
PPG传感器108使用光电检测器电路检测在光与患者皮肤表面下方的血液相互作用后通过患者透射或从患者反射的光。PPG传感器108可以是适合设置在患者身上并且特别是适合由诸如电池的便携式电源操作的任何类型的PPG传感器。PPG传感器108可以设置在患者身上的任何位置处，包括但不限于患者的手指、脚趾、前额、耳垂、鼻中隔、手腕、脚踝、臂部、躯干、腿部、手部或颈部。在一些实施方案中，PPG传感器108可以与传感器阵列102集成，并与传感器阵列102一起放置在患者的头皮上或头皮下方，而在其他实施方案中，PPG传感器108可以与处理器设备104集成，而在又其他实施方案中，PPG传感器108可以与传感器阵列102和处理器设备104都不同。当然，虽然在附图中描绘为单个PPG传感器，但是PPG传感器108可以是一个或多个PPG传感器，作为连接的或不同的单元设置在患者的多个位置上(所谓的多部位光学体积描记术)。在实现多个PPG传感器的实施方案中，多个PPG传感器可以是相同类型的，或者可以是不同的，这取决于每个传感器在患者身上的位置、每个传感器所处的环境、每个传感器在硬件中的位置(例如，与其他设备分离或者与处理器设备104集成)等。
可选的治疗性设备255可以是向患者提供治疗支持以治疗或减轻患者状况或与患者状况相关的事件的影响的设备。例如，治疗性设备可以在预测的事件之前(例如，在预测的癫痫发作之前)，或者响应于检测到的事件(例如，在癫痫发作之后)而给予治疗，以促进或加速事件的后遗症的消散。在一些实施方案中，治疗性设备255可以是向患者输送定时、测量剂量的药剂(即，药物)的药物泵，而在其他实施方案中，治疗性设备255可以是氧气发生器，该氧气发生器被配置为根据预测或确定的需求增加(或可能降低)患者的氧气水平。在其他实施方案中，治疗性设备255可以是持续气道正压通气(CPAP)设备或自适应伺服通气设备，它们中的每一者都可以用于减轻阻塞性睡眠呼吸暂停，该阻塞性睡眠呼吸暂停可以根据检测到的或预测的事件来增大或减小压力。在进一步的实施方案中，治疗性设备255可以是被配置为施加或调整(例如，信号的振幅、频率、刺激施加的频率等)神经刺激信号的神经刺激器设备(例如，迷走神经刺激设备、舌下神经刺激设备、颅外和/或经颅电刺激设备、颅内电刺激设备、膈神经刺激器、心脏起搏器等)。心脏起搏器和膈神经刺激器可分别用于确保适当的心脏和膈肌功能，从而确保患者继续具有足够的心脏和/或呼吸功能。
处理器设备104从传感器阵列102、PPG传感器108和用户界面106接收数据，并且使用接收到的数据，可以对感兴趣事件进行检测、分类、监测和/或预测。处理器设备104包括通信电路256、微处理器258和存储器设备260。微处理器258可以是任何已知的微处理器，该微处理器可被配置为执行对感兴趣事件进行检测、分类、监测和/或预测所必需的例程，作为示例而非限制包括通用微处理器(GPU)、RISC微处理器、数字信号处理器(DSP)、专用集成电路(ASIC)和现场可编程门阵列(FPGA)。
通信电路256可以是便于与处理器设备104从其接收数据和/或传输数据的各种设备进行通信的任何收发器和/或接收器/发射器对。通信电路256以有线或无线方式通信地耦合到传感器阵列102、PPG传感器108、治疗性设备255(在实现其的实施方案中)和用户界面106中的每一者。此外，通信电路256耦合到微处理器258，该微处理器除了执行用于执行分析的各种例程和指令之外，还可以促进在存储器260中存储经由通信电路256从传感器阵列102、PPG传感器108、治疗性设备255和用户界面106接收到的数据。在实施方案中，通信电路256还可以与其他处理器或设备通信，如将在本说明书的其他地方描述的。
存储器260可以包括易失性存储器(例如，随机存取存储器(RAM))和非易失性存储器两者，其形式为磁性或固态介质中的一者或两者。除了操作系统(未示出)，存储器260还可以存储从传感器阵列102接收到的传感器阵列数据262(即，EEG数据)、从PPG传感器108接收到的PPG数据267，以及经由用户界面106从用户(例如，患者、护理人员等)接收到的用户报告数据268。特别地，在状况和事件与癫痫相关的情况下，用户报告数据268可以包括经由用户界面106接收到的来自用户对以下各项的报告：感知到的癫痫发作/癫痫事件；感知到的癫痫发作/癫痫事件的特性或特征，诸如严重程度和/或持续时间、感知到的对记忆力的影响或对个体健康的其他影响(诸如个体拿杯子或操作车辆的能力)；其他类型的生理症状(例如，头痛、视力受损或改变、不自主移动、定向障碍、摔倒在地、反复下颌运动或咂嘴等)；其他症状的特性或特征(例如，严重程度和/或持续时间)；药物摄取信息(例如，药物类型、剂量和/或频率/时机)；感知到的药物副作用；药物副作用的特性或特征(例如，严重程度和/或持续时间)，以及其他用户报告的信息(例如，摄入的食物和/或饮料，进行的活动(例如，淋浴、锻炼、工作、梳头等)、疲劳、压力水平等)，以及各者的时机。在状况涉及睡眠障碍的情况下，用户报告数据268可以包括经由用户界面106接收到的来自用户对以下各项的报告：感知到的疲劳或嗜睡、感知到的失眠(例如，在夜间)、感知到的睡眠呼吸暂停事件(诸如醒来呼吸喘息)、感知到的睡眠质量、感知到的呼吸急促、睡眠不良后的认知减退或缓慢，以及严重程度、发作速度和与这些中的每一者相关的其他因素。在状况涉及前庭或耳蜗障碍的情况下，用户报告数据268可以包括经由用户界面106接收到的来自用户对以下各项的报告：感知到的听觉阈值变化、感知到的听觉所需的认知努力以及感知到的头晕或眩晕，以及严重程度、发作速度和与这些中的每一者相关的其他因素。
如下文将更详细描述的，在子系统104A中，存储器260还可以存储模型270，用于根据从传感器阵列数据262、PPG数据267和用户报告数据268中提取的一组特征值272来检测和预测事件以及这些事件的影响。由模型270输出的分类结果274(以及(通过扩展)检测到的和预测的事件以及相关影响)可以存储在存储器260中。数据预处理例程271可以提供传感器阵列数据262、用户报告数据268和PPG数据267的预处理。如将理解的(并且部分地在下文描述)，数据预处理例程271可以提供一系列预处理步骤，包括例如从特征值272的数据中过滤和提取。当然，应该理解，当存储在存储器中的例程、模型或其他元素被称为接收输入、产生或存储输出或执行时，该例程、模型或其他元素实际上作为微处理器258上的指令执行。此外，本领域技术人员将理解，模型或例程或其他指令将作为可执行指令存储在存储器260中，微处理器258将从存储器260中检索并执行这些指令。此外，微处理器258应当被理解为从存储器260中检索执行所执行的指令所需的任何数据(例如，作为例程或模型的输入所需的数据)，并将任何所执行的指令的中间结果和/或输出存储在存储器260中。
在实施方案中，数据预处理例程271还可以从传感器阵列数据262和PPG数据267中提取一个或多个生物标志物。在实施方案中，一个或多个生物标志物可以包括在作为输入提供给模型270的特征值中，以便模型270将检测到的和/或分类的事件以及相关影响输出到分类结果274。
存储在传感器阵列数据262、PPG数据267和用户报告数据268中的数据与对应的时间戳一起被存储，使得数据可以在数据类型之间相关。例如，传感器阵列数据262中的每个值应该具有对应的时间戳，使得可以比较相同时间的PPG数据266和用户报告数据268，从而允许针对任何给定时间段排列和分析各种类型的数据，并且使得可以分析发生的事件与各种类型的数据中存在的生物标志物之间的时间关系，以寻找该事件与该生物标志物之间的关系，无论是时间上同时的还是仅仅时间上相关的关系。关于用户报告数据268，对于任何特定的用户报告可以有多个时间戳，包括例如用户填写用户报告的时间和用户正在报告(如用户所报告)的事件或信息(例如，药物摄取)的时间。
事件不必是同期的，也不必是相关的或有关的，也不必是输入到模型中的特征值。换句话说，模型270可以在对事件或事件的影响进行检测、分类或预测时考虑非同期记录的数据之间的时间关系。作为示例而非限制，指示癫痫发作的电活动事件(例如，EEG信号)如果在之前有药物摄取，则可被分类为特定类型的事件，如果在之前没有药物摄取，则可被分类为不同类型的事件。作为先兆的癫痫发作前的非同期事件的其他示例是患者对光环或光学光、呼吸急促或心脏脉搏率增加的主观报告。此外，系统100并且特别是模型270可以识别事件前和/或事件后的状况，诸如血氧降低、头晕或根据患者病史或EEG数据262、PPG数据267和/或用户报告268中存在的其他生物标志物可能出现的其他症状。
当然，同时期的事件也可能是相关的。例如，指示全面性强直-阵挛发作(即，癫痫大发作)的EEG数据在由PPG传感器检测到同时伴有血氧下降时可以指示即时存在癫痫发作的后效或者甚至是癫痫发作诱发的呼吸暂停。
图6C还描绘了可选的外部处理器设备105，该外部处理器设备在各种实施方案中可以包括一个或多个护理人员设备107A和一个或多个医师设备107B。如下文将更详细描述的，外部设备105可以从处理器设备104接收关于预测的、正在发生或最近发生的事件(例如，癫痫发作、睡眠呼吸暂停去饱和等)的警报或警告，并且在一些实施方案中，可以接收所建议的治疗推荐或批准请求，以实现对治疗性设备255的一个或多个设置的调整。
在实施方案中，存储器260还可以存储治疗策略例程273。治疗策略例程273可以包括根据从EEG数据262、PPG数据267、特征值272、用户报告268和/或分类结果274提取的生物标志物推荐或实现的预编程治疗策略。例如，如果PPG数据267显示降低的血氧水平，或者如果由模型270产生的分类结果274包括患者刚刚遭受癫痫发作并且癫痫发作的可能影响是降低的血氧水平，或如果分类结果274包括预测患者将要发生可能导致降低的血氧水平的癫痫发作，则治疗策略例程273可以被编程为向患者或护理人员推荐或者为患者实现(例如，经由治疗设备255)增加的补充氧气。作为另一个示例，作为特征值272从EEG数据262和PPG数据267中提取的生物标志物可以产生指示即将到来的癫痫发作的分类结果274。治疗策略例程273可以被编程为调整迷走神经刺激器(VNS)系统(例如，治疗设备255)的参数，以便防止癫痫发作或减轻癫痫发作的严重程度。在又一个示例中，模型270可以基于从EEG数据262和PPG数据267提取的特征值272来输出指示患者具有频繁的睡眠呼吸暂停发作的分类结果274。治疗策略例程273可以被编程为向患者推荐患者增加CPAP设备上的压力或者调整舌下神经刺激设备上的设置，或者在处理器设备104通信地耦合到治疗性设备255(例如，CPAP设备、自适应伺服通气设备或者舌下神经刺激设备)的实施方案中，直接调整治疗性设备255上的设置以降低睡眠呼吸暂停事件的频率或者严重程度。
如上所描述以及贯穿本说明书，从EEG数据262和PPG数据267导出的生物标志物之间的相互作用可以提供对患者的神经、心脏、呼吸甚至炎症功能的洞察。这些功能的测量值可以改进对事件和状况的检测，并且通过理解可能预示某些事件的生物标志物之间的时间关系，可以改进对这些事件和状况的预测。对这些功能的测量还可以提高对由状况或与状况相关联的事件引起的患者特异性生理变化的理解。
具体而言，可以从PPG数据267中提取的生物标志物可以改善临床或亚临床癫痫发作检测，因为PPG数据267中的生物标志物的变化可以与EEG数据262中的生物标志物一致或具有特定的时间关系。同时，PPG数据267中的生物标志物可以用于确定血氧水平以及心脏和呼吸功能的变化是否与癫痫发作活动或药物副作用相关，这可有助于优化治疗剂量和时机，以使治疗效果最大化，同时使副作用最小化。此外，虽然在一些情况下，EEG数据262中的生物标志物可以提供足够的数据以确定癫痫发作是否正在发生或已经发生，但是从PPG数据267中提取的附加心脏相关生物标志物信息可以告知癫痫发作是否是心脏诱发的，或者相反，是否导致心脏变化(即，可以确定癫痫发作事件与心脏功能之间的因果关系)。PPG相关的生物标志物也有助于将临床和亚临床癫痫发作细分为低氧血症癫痫发作和非低氧血症癫痫发作。
从PPG数据267提取的生物标志物也可以用于表征在癫痫发作之前、发作时、期间和之后的血氧、心脏和呼吸变化。表征这些变化并且特别是在特定患者或患者组中癫痫发作事件之前或发作时的变化，可以促进或改进对癫痫发作事件的预测，潜在地给患者时间准备(例如，将他们自己置于更安全的位置或环境中，警告护理人员或旁观者等)或甚至采取可能防止或减轻即将到来的癫痫发作事件的严重程度的行动，而表征事件之前、期间和之后的变化可以允许患者和护理人员采取行动来防止或减轻癫痫发作事件对短期和长期患者健康的影响的严重程度。这些与癫痫发作相关的对患者的影响可以包括呼吸变化，该呼吸变化包括阻塞性呼吸暂停、呼吸急促、呼吸缓慢和低氧血症。
量化事件(癫痫事件、呼吸暂停事件、前庭事件等)对诸如呼吸和心脏功能的重要功能的影响，以及对患者健康的恢复和长期影响的影响，特别是与事件的预测(发作前检测)和表征相结合，可以允许患者、护理人员和医师减轻这些影响。特别地，当与事件本身的预测和/或检测相结合时，对与其他状况(例如，睡眠呼吸暂停事件)相关的事件的发作后状态(对于癫痫发作)或后效的定性和定量检测以及表征可以产生用于减少事件的临床影响并改善患者的整体健康的治疗和策略。
此外，从PPG数据267和EEG数据262提取的生物标志物的组合可以有助于检测SUDEP(癫痫中原因不明的突然死亡)或SUDEP引发事件。也就是说，通过监测患者的心率、血压和/或血氧，结合EEG数据262，系统100可以检测和/或预测SUDEP或SUDEP引发事件。这样，系统100可以为患者、为患者的护理人员或医师或为旁观者生成警报或警告。系统100还可以激活连接的治疗性设备，诸如神经刺激器或心脏除颤器，以在检测或预测到SUDEP事件时对抗或防止该SUDEP事件。
患者，特别是那些患有癫痫和/或睡眠障碍的患者，也可以受益于睡眠质量的表征。本文描述的系统和方法利用从PPG数据267提取的生物标志物，单独地或与EEG数据262一起来表征睡眠质量(例如，捕获睡眠质量分数)。该分数可以与EEG数据262中的睡眠周期数据的指标相结合。可以通过包括来自用户报告数据268的信息来开发个人睡眠质量的更全面的表示，该用户报告数据是在患者醒来后由患者经由用户界面106输入的。例如，治疗策略例程273可以使用患者的睡眠质量分数来向护理人员或医师提出关于调整药物或其他治疗(例如，VNS)的剂量和时机的推荐，使得治疗逐渐达到临床疗效，但是远离影响睡眠质量的剂量。在处理器104通信地耦合到治疗性设备255的一些实施方案中，治疗策略例程273可以实现对治疗性设备的调整。在一些实施方式中，这种实施方式可能需要处理器设备104首先与医师通信(例如，向医师拥有的设备发送请求或警报)以接收对调整的确认。
本文所述的系统和方法可以利用从EEG数据262和PPG数据267导出的生物标志物的新组合来创建预测模型，该预测模型不仅提供预测特定事件(例如，癫痫发作、呼吸暂停去饱和等)的输出，还预测事件的严重程度、发作期心脏和呼吸变化、发作期呼吸变化的类型(例如，中枢性呼吸暂停、低氧血症等)、对个体的发作后健康的可能影响、事件的聚类、全身性炎症标志物(诸如可导致中耳或内耳炎症、耳蜗或前庭功能障碍等的标志物)，以及睡眠呼吸暂停事件等的输出。如所提到的，对这些事件和影响的预测可以允许系统100推荐和/或实现干预和治疗，这些干预和治疗可以降低事件或其影响的严重程度，减小事件的临床影响或对患者健康的影响，或者加速患者从事件或其影响中恢复。
鉴于这些考虑，认为虽然系统100的一些目标可以根据关于患者和/或状况的已知数据使用模型270来实现，但是系统100的其他目标必须实现经过训练的人工智能(AI)模型以实现最大益处。
贯穿本说明书的剩余部分，短语“评价功能”将用于指代各种实施方案的集体潜在输出，包括至少以下各项：对正在发生的事件进行检测和/或分类；对已经发生的事件进行检测和/或分类；对将要发生的事件进行预测和/或分类；对与正在发生、已经发生或预测将发生的事件相关的事件前患者健康的度量进行检测和/或分类；对与正在发生、已经发生或预测将发生的事件相关的事件内患者健康的度量进行检测和/或分类；对与正在发生、已经发生或预测将发生的事件相关的事件后患者健康的度量进行检测和/或分类。
图7A至图7B和图8A至图8B是描绘图6A至图6B所描绘的示例性替代实施方案的框图。在图7A至图7B中，除了加速度计252和存储在存储器260中的对应加速度计数据264之外，系统100还包括与图6A至图6B所描绘的所有相同部件。也就是说，在诸如图7A至图7B所描绘的实施方案中，为了对事件进行检测或分类，或者出于诊断和/或治疗目的而以足够的精度这样做，加速度计数据264可能不是必需的或要求的。当然，图7A至图7B所描绘的模型270将相对于图6A至图6B中所描绘的模型270进行修改，以解决缺少加速度计数据264的问题。类似地，在图8A至图8B中，除了麦克风250和存储在存储器260中的对应麦克风数据266之外，系统100还包括与图6A至图6B所描绘的所有相同部件。也就是说，在诸如图8A至图8B所描绘的实施方案中，为了对事件进行检测或分类，或者出于诊断和/或治疗目的而以足够的精度这样做，麦克风数据266可能不是必需的或要求的。当然，图8A至图8B所描绘的模型270将相对于图6A至图6B中所描绘的模型270进行修改，以解决缺少麦克风数据266的问题。
在实施方案中，除了或代替由传感器阵列102、PPG传感器108(在图7B和图8B中)、麦克风250和/或加速度计252确定的其他生物标志物，可以在系统100内检测一个或多个化学生物标志物。图9A至图9B是这种实施方案的框图。在图9A至图9B中，分别相互关联的麦克风250、加速度计252以及存储器260中的数据266和264以虚线示出，以表示它们是可选的(例如，对应于图7A至图7B、图8A至图8B和/或仅包括传感器阵列102的实施方案)。在图9A至图9B所描绘的实施方案中，除了或代替检测大脑的电活动的电极设备110，传感器阵列102还包括响应于检测到的化学活动而产生电信号的一个或多个生化传感器282。生化传感器将化学或生物量转换成电信号，该电信号可以从传感器阵列102提供给处理器设备104，用于作为化学生物标志物数据276存储在存储器260中。如本领域技术人员将理解的那样，生化传感器282包括化学敏感层，该化学敏感层对分析物分子作出响应以使得由换能器生成电信号。生化传感器282可以包括一种或多种传感器类型的任意组合，包括电导传感器、电位传感器、电流传感器或量热传感器。生化传感器282还可以或替代地包括一个或多个“基因芯片”，该基因芯片被配置为测量与各种生化或基因“探针”相关联的活性，以确定感兴趣分子的存在和/或浓度。当然，图9A至图9B所描绘的模型270将相对于图6A至图6C、图7A至图7B和图8A至图8B中所描绘的模型270进行修改，以考虑生化传感器282和化学生物标志物数据276(除了或代替电极设备110和相关联的电极数据262A)。
图10A至图13D是类似于图6A至图9B的系统100的示例性系统300的框图，但是该示例性系统包括经过训练的人工智能(AI)模型302，而不是基于静态算法的模型270。也就是说，图10A和图10B通常分别对应于图6A和图6B；图11A和图11B通常分别对应于图7A和图7B；图12A和图12B通常分别对应于图8A和图8B，并且图13A和图13B通常分别对应于图9A和图9B；相应图中系统100与系统300之间的唯一差异是包括了经过训练的AI模型302，而不是基于静态算法的模型270。如图10A至图13B所描绘的系统300在所有方面都(分别)与上面的图6A至图9B相同，不同之处在于使用AI算法来创建经过训练的AI模型302以搜索训练数据中的模式，并且在处理器设备104中实现时接收传感器阵列数据262和PPG数据267(在图10B、图11B、图12B和图13B的实施方案中)以及加速度计数据264和/或麦克风数据266和/或用户报告268，并根据这些数据特征值272中确定经过训练的AI模型302可从中检测事件并对事件进行分类以提供分类结果274。像静态模型270一样，经过训练的AI模型302可以在对事件进行检测和/或分类时考虑非同期事件和/或生物标志物之间的时间关系。在实施方案中，经过训练的AI模型302还可以识别事件的聚类或事件的循环性质。
经过训练的AI模型302可由自适应学习部件创建，该自适应学习部件被配置为“训练”AI模型(例如，创建经过训练的AI模型302)以使用来自传感器阵列数据262和PPG数据267(在图10B、图11B、图12B和图13B的实施方案中)以及(可选地)用户报告268和/或加速度计数据264和/或麦克风数据266的原始或(例如，通过数据预处理例程271)预处理的数据作为输入来对感兴趣事件进行检测和分类。如本文所描述，自适应学习部件可以使用受监督或无监督机器学习程序或算法。机器学习程序或算法可以采用神经网络，该神经网络可以是学习感兴趣的特定区域中的两个或更多个特征或特征数据集的卷积神经网络(CNN)、深度学习神经网络或组合学习模块或程序。机器学习程序或算法可以还包括自然语言处理、语义分析、自动推理、回归分析、支持向量机(SVM)分析、决策树分析、随机森林分析、K-最近邻分析、朴素贝叶斯分析、聚类、强化学习和/或其他机器学习算法和/或技术。机器学习可以涉及识别和辨认现有数据(即训练数据)中的模式，诸如EEG信号中的癫痫样活动(这是临床相关的癫痫发作或发作间活动，诸如尖峰脉冲)，以便于对后续数据进行预测，诸如癫痫发作事件、发作间尖峰脉冲聚类或药物副作用反应和幅度。
可基于示例性(例如，“训练数据”)输入或数据(该输入或数据可被称为“特征”和“标签”)来创建和训练经过训练的AI模型302，以便对新输入(诸如测试级或生产级数据或输入)做出有效和可靠的预测。在受监督机器学习中，可以向在服务器、计算设备或其他处理器上运行的机器学习程序提供示例性输入(例如，“特征”)及其相关联的或观察到的输出(例如，“标签”)，以便机器学习程序或算法确定或发现将这种输入(例如，“特征”)映射到输出(例如，“标签”)的规则、关系或其他机器学习“模型”，例如通过跨该机器学习程序或算法的各种特征类别确定和/或分配权重或其他度量给模型。这样的规则、关系或其他模型然后可以被提供后续输入，以便在服务器、计算设备或其他处理器上执行的模型基于发现的规则、关系或模型来预测预期输出。
在无监督学习中，可能需要服务器、计算设备或其他处理器在未标记的示例性输入中找到其自身的结构，其中例如由服务器、计算设备或其他处理器执行多次训练迭代以训练多代模型，直到生成满意的模型(例如，当给定测试级或生产级数据或输入时提供足够预测精度的模型)。本文的公开内容可以使用这种受监督或无监督机器学习技术中的一者或两者。
图13C和图13D是描绘附加示例性实施方案的框图，在该实施方案中，事件的检测和分类发生在除处理器设备104之外的设备上，并且具体而言，发生在外部设备278上。在图13C和图13D所描绘的实施方案中，设想对感兴趣事件进行检测和分类的模型可以是静态模型270或经过训练的AI模型302，并且因此，图13C和图13D图示了图6A至图9B和图10A至图13B的替代实施方案。在图13C和图13D内设想的实施方案中，处理器设备104通常从传感器阵列102、PPG传感器108(在图13D的实施方案中)、用户界面106以及(如果存在的话)麦克风250和/或加速度计252收集数据。这些数据分别作为传感器阵列数据262、PPG数据267(在图13D的实施方案中)、用户报告数据268、麦克风数据266和加速度计数据264存储在处理器设备104的存储器260中。虽然处理器设备104可以被装备成执行建模——也就是说，可以在存储器260中存储模型270或302以及数据预处理例程271，并且被配置为分析各种数据以输出特征值272和分类结果274——但是在图13C和图13D所设想的实施方案中，此功能是可选的。实情是，微处理器258可以被配置为与外部设备278通信，使得外部设备278可以执行分析。
外部设备278可以是被配置为从与一个或多个相应患者相关联的一个或多个处理器设备104接收数据的工作站、服务器、云计算平台等。外部设备278可以包括耦合到微处理器277的通信电路275，该微处理器又耦合到存储器279。微处理器277可以是任何已知的微处理器，该微处理器可被配置为执行对感兴趣事件进行检测和分类所必需的例程，作为示例而非限制包括通用微处理器(GPU)、RISC微处理器、数字信号处理器(DSP)、专用集成电路(ASIC)和现场可编程门阵列(FPGA)。
通信电路275可以是便于与外部设备278从其接收数据和/或向其传输数据的各种设备进行通信的任何收发器和/或接收器/发射器对。通信电路256耦合到微处理器277，该微处理器除了执行用于执行分析的各种例程和指令之外，还可以促进在存储器279中存储经由通信电路275从一个或多个患者的处理器设备104接收到的数据。
存储器279可以包括易失性存储器(例如，随机存取存储器(RAM))和非易失性存储器两者，其形式为磁性或固态介质中的一者或两者。除了操作系统(未示出)之外，存储器279可以存储从处理器设备104接收到的接收到的数据281，包括传感器阵列数据262、从加速度计252接收到的加速度计数据264、从麦克风250接收到的麦克风数据266，以及经由用户界面106从用户接收到的用户报告数据268。
像处理器设备104一样，外部设备278可以在其存储器279中存储静态模型270或经过训练的AI模型302，以及数据预处理例程271。微处理器277可以执行数据预处理例程271以提炼、过滤、提取来自接收到的数据281的生物标志物，并输出特征值272(在实施方案中，该特征值包括生物标志物或生物标志物之间的关系)。微处理器277还可以执行模型270、302，接收特征值272作为输入，并输出分类结果274。当由微处理器277执行时，存储在存储器279上的一个或多个报告例程283可以便于输出报告，以供患者或医务人员(诸如医师)使用，以审查数据和/或治疗患者。
图13C和图13D中描绘的实施方案还设想，即使在处理器设备104执行模型270或302以产生分类结果的实施方案中，处理器设备104也可以将分类结果274以及分类结果所基于的数据262、264、266、267、268传送到外部设备278。外部设备278可以接收一个或多个患者的这种数据，并且可以存储这些患者的数据，以供患者、医师或其他人在必要时查看或分析。在外部设备278对多个患者执行分析的实施方案中，或者外部设备278从多个处理器设备104接收多个患者的数据的实施方案中，外部设备278可以将接收到的数据281、分类结果274和每个患者的特征值272分别存储在存储器中。
图10C是类似于图6C的系统100的示例性系统300的框图，但是该示例性系统包括经过训练的人工智能(AI)模型302，而不是基于静态算法的模型270。也就是说，图10C大体上对应于图6C，相应图中的系统100与系统300之间的唯一差异是包括经过训练的AI模型302，而不是基于静态算法的模型270。如图10C所描绘的系统300在所有方面都与上文图6C相同，不同之处在于使用AI算法来搜索和识别训练数据中的模式来创建经过训练的AI模型302，并且在处理器设备104中实现时接收传感器阵列数据262以及PPG数据267和/或用户报告268，并从经过训练的AI模型302可根据其执行评价功能以确定分类结果274的这些数据确定特征值272，该分类结果的输出可由治疗策略例程273用来推荐或实现治疗。像静态模型270一样，经过训练的AI模型302可以在执行评价功能时考虑非同期事件和/或生物标志物之间的时间关系。
经过训练的AI模型302可由自适应学习部件创建，该自适应学习部件被配置为使用来自传感器阵列数据262以及(可选地)用户报告268和PPG数据267的原始或(例如，通过数据预处理例程271)预处理的数据作为输入来“训练”AI模型(例如，创建经过训练的AI模型302)以对感兴趣事件进行检测和分类(即，执行评价功能)。如本文所描述，自适应学习部件可以使用受监督或无监督机器学习程序或算法。机器学习程序或算法可以采用神经网络，该神经网络可以是学习感兴趣的特定区域中的两个或更多个特征或特征数据集的卷积神经网络(CNN)、深度学习神经网络或组合学习模块或程序。机器学习程序或算法可以还包括自然语言处理、语义分析、自动推理、回归分析、支持向量机(SVM)分析、决策树分析、随机森林分析、K-最近邻分析、朴素贝叶斯分析、聚类、强化学习和/或其他机器学习算法和/或技术。机器学习可以涉及识别和辨认现有数据(即，训练数据)中的模式，诸如EEG数据262和PPG数据267中的生物标志物之间的时间相关性，以便于对后续数据进行预测。
可基于示例性(例如，“训练数据”)输入或数据(该输入或数据可被称为“特征”和“标签”)来创建和训练经过训练的AI模型302，以便对新输入(诸如测试级或生产级数据或输入)做出有效和可靠的预测。在受监督机器学习中，可以向在服务器、计算设备或其他处理器上运行的机器学习程序提供示例性输入(例如，“特征”)及其相关联的或观察到的输出(例如，“标签”)，以便机器学习程序或算法确定或发现将这种输入(例如，“特征”)映射到输出(例如，“标签”)的规则、关系或其他机器学习“模型”，例如通过跨该机器学习程序或算法的各种特征类别确定和/或分配权重或其他度量给模型。这样的规则、关系或其他模型然后可以被提供后续输入，以便在服务器、计算设备或其他处理器上执行的模型基于发现的规则、关系或模型来预测预期输出。
在无监督学习中，可能需要服务器、计算设备或其他处理器在未标记的示例性输入中找到其自身的结构，其中例如由服务器、计算设备或其他处理器执行多次训练迭代以训练多代模型，直到生成满意的模型(例如，当给定测试级或生产级数据或输入时提供足够预测精度的模型)。本文的公开内容可以使用这种受监督或无监督机器学习技术中的一者或两者。
图13E是描绘另一示例性实施方案的框图，在该实施方案中，评价功能发生在除处理器设备104之外的设备上，并且具体而言，发生在外部设备278上。在图13E所描绘的实施方案中，设想执行评价功能的模型可以是静态模型270或经过训练的AI模型302，并且因此，图13E图示了图6C和10C的替代实施方案。在图13E内设想的实施方案中，处理器设备104通常从传感器阵列102、用户界面106和PPG传感器108收集数据。这些数据分别作为传感器阵列数据262、用户报告数据268、PPG数据267存储在处理器设备104的存储器260中。虽然处理器设备104可以被装备成执行建模——也就是说，可以在存储器260中存储模型270或302以及数据预处理例程271，并且被配置为执行评价功能以输出特征值272和分类结果274——但是在图13E所设想的实施方案中，此功能是可选的。实情是，微处理器258可以被配置为与外部设备278通信，使得外部设备278可以执行评价功能。
外部设备278可以是被配置为从与一个或多个相应患者相关联的一个或多个处理器设备104接收数据的工作站、服务器、云计算平台等。外部设备278可以包括耦合到微处理器277的通信电路275，该微处理器又耦合到存储器279。微处理器277可以是任何已知的微处理器，该微处理器可被配置为执行产生评估结果所必需的例程，作为示例而非限制包括通用微处理器(GPU)、RISC微处理器、数字信号处理器(DSP)、专用集成电路(ASIC)和现场可编程门阵列(FPGA)。
通信电路275可以是便于与外部设备278从其接收数据和/或向其传输数据的各种设备进行通信的任何收发器和/或接收器/发射器对。通信电路256耦合到微处理器277，该微处理器除了执行用于执行分析的各种例程和指令之外，还可以促进在存储器279中存储经由通信电路275从一个或多个患者的处理器设备104接收到的数据。
存储器279可以包括易失性存储器(例如，随机存取存储器(RAM))和非易失性存储器两者，其形式为磁性或固态介质中的一者或两者。除了操作系统(未示出)之外，存储器279可以存储从处理器设备104接收到的接收到的数据281，包括从传感器阵列102接收到的传感器阵列数据262、从PPG传感器108接收到的PPG数据267以及经由用户界面106从用户接收到的用户报告数据268。
像处理器设备104一样，外部设备278可以在其存储器279中存储静态模型270或经过训练的AI模型302，以及数据预处理例程271。微处理器277可以执行数据预处理例程271以提炼、过滤、提取来自接收到的数据281的生物标志物，并输出特征值272(在实施方案中，该特征值包括生物标志物或生物标志物之间的关系)。微处理器277还可以执行模型270、302，接收特征值272作为输入，并输出分类结果274。当由微处理器277执行时，存储在存储器279上的一个或多个报告例程283可以便于输出报告，以供患者或医务人员(诸如医师)使用，以审查数据和/或治疗患者。
图13E所描绘的实施方案还设想，即使在处理器设备104执行模型270或302以产生分类结果的实施方案中，处理器设备104也可以将分类结果274以及分类结果所基于的数据262、267、266、268传送到外部设备278。外部设备278可以接收一个或多个患者的这种数据，并且可以存储这些患者的数据，以供患者、医师或其他人在必要时查看或分析。在外部设备278对多个患者执行分析的实施方案中，或者外部设备278从多个处理器设备104接收多个患者的数据的实施方案中，外部设备278可以将接收到的数据281、分类结果274和每个患者的特征值272分别存储在存储器中。
图14A至图14B是用于创建经过训练的AI模型(例如，经过训练的AI模型302)的示例性系统310的框图。类似于图6A至图9B的系统100，系统310包括一组或多组数据收集硬件312A1-312AN。也就是说，每组数据收集硬件312A1-312AN包括对应的传感器阵列102(在各种实施方案中，包括电极设备110和/或生化传感器282)、PPG传感器108(例如，如图6B、图6C、图7B、图8B和图9B所示)，并且可以包括一个或多个麦克风250和/或一个或多个加速度计252，以及接口106。该组数据收集硬件312A1-312AN中的每组数据收集硬件还包括相应的处理器设备104，包括通信电路256、微处理器258和存储器260。如在系统100中，每组数据收集硬件312A1-312AN的存储器260存储至少传感器阵列数据262、PPG数据267(对于实现PPG传感器108的实施方案)和用户报告268，并且在实现麦克风250和/或加速度计252的实施方案中，还可以存储加速度计数据264和/或麦克风数据266。该组数据收集硬件312A1-312AN中的每组数据收集硬件与对应患者A1-AN相关联，并且因此，该组数据收集硬件312A1-312AN中的每组数据收集硬件收集对应患者的数据。
然而，与图6A至图9B所描绘的系统100不同，系统310中的各组数据收集硬件312A1-312AN不一定需要包括存储在存储器260中的模型270，并且存储器260不一定需要存储特征值272或分类结果274。也就是说，系统310中的各组数据收集硬件312A1-312AN不需要一定能够对感兴趣事件进行检测和分类，但是在实施方案中，可以仅充当要用作“训练数据”以创建经过训练的AI模型302的信息的收集器和管道。
由各组数据收集硬件312A1-312AN收集的数据可以被传送到建模处理器设备314。建模处理器设备314可以是任何计算机工作站、膝上型计算机、移动计算设备、服务器、云计算环境等，该计算机工作站、膝上型计算机、移动计算设备、服务器、云计算环境等被配置为从各组数据收集硬件312A1-312AN接收数据，并使用来自各组数据收集硬件312A1-312AN的数据来创建经过训练的AI模型302。建模处理器设备314可以在处理器设备104的通信电路256与建模处理器设备314的通信电路316之间经由有线连接(例如，以太网、串行连接等)或无线连接(例如，移动电话、IEEE 802.11协议等)直接(例如，不具有中间设备的连接)或间接(例如，通过一个或多个中间交换机、接入点和/或互联网的连接)从各组数据收集硬件312A1-312AN接收数据。此外，尽管在图14A至图14B中未描绘，但是数据可以从各组数据收集硬件312A1-312AN中的一个或多个数据收集硬件经由存储介质而不是通过相应的通信电路传送到建模处理器设备314。存储介质可以包括任何已知的存储存储器类型，作为示例而非限制包括磁存储介质、固态存储介质、安全数字(SD)存储卡、USB驱动器等。
建模处理器设备314包括通信电路316(在该通信电路是必要的实施方案中)、微处理器318和存储设备320。但应该理解，微处理器318可以是一个或多个独立的微处理器、一个或多个共享的计算资源或处理器阵列(例如，云计算设备中的一组处理器)、一个或多个多核处理器、一个或多个DSP、一个或多个FPGA等。类似地，存储器设备320可以是易失性或非易失性存储器，并且可以是仅专用于建模处理器设备314的存储器或者在各种用户之间(诸如在云计算环境中)共享的存储器。
建模处理器设备314的存储器320可以存储从各组数据收集硬件312A1-312AN中的每组数据收集硬件接收到的传感器阵列数据262、PPG数据267(在实现PPG传感器108的实施方案中)、用户报告数据268和可选的加速度计数据264和/或麦克风数据266，作为第一AI训练集322(在图16A、图16B中描绘)。如图16A、图16B所描绘，并且作为非限制性示例，用户报告数据268可以包括：感知到的事件350；感知到的事件352的特性或特征，诸如严重程度和/或持续时间、感知到的对记忆力的影响或对个体健康的其他影响(诸如个体拿杯子或操作车辆的能力)；其他类型的生理症状(例如，头痛、视力受损或改变、不自主移动、定向障碍、摔倒在地、反复下颌运动或咂嘴等)354；其他症状的特性或特征356(例如，严重程度和/或持续时间)；药物摄取信息358(例如，药物类型、剂量和/或频率/时机)；感知到的药物副作用360；药物副作用的特性或特征362(例如，严重程度和/或持续时间)，以及其他用户报告的信息364(例如，摄入的食物和/或饮料，进行的活动(例如，淋浴、锻炼、工作、梳头等)、疲劳、压力水平等)，以及各者的时机。如上文所描述，自适应学习部件324可以包括可由微处理器318执行以实现受监督或无监督机器学习程序或算法的指令。一个或多个数据预处理例程326在由微处理器318执行时可以检索第一AI训练集322中的数据(该数据可以是原始记录数据)，并且可以对数据执行各种预处理算法，以准备将数据用作自适应学习部件324的训练数据。预处理例程326可以包括用于去除噪声数据、清洁数据、减少或去除不相关和/或冗余数据、生物标志物和其他特征的标准化、转换和提取的例程。预处理例程326可以还包括用于通过分析信号的频谱内容来检测电活动数据中，特别是EEG数据262和/或PPG数据267(在实现PPG传感器108的实施方案中)中的肌肉活动的例程，和/或用于选择具有最佳(或至少相对更好)信噪比的电活动数据的一个或多个通道的例程。预处理例程326的输出是作为特征值集合328存储在存储器320中的最终训练集。
在自适应学习部件324实现无监督学习算法的实施方案中，由微处理器318执行的自适应学习部件324在未标记特征值328中找到其自身的结构，并由此生成第一经过训练的AI模型330。
在自适应学习部件324实现受监督学习算法的实施方案中，存储器320还可以存储一个或多个分类例程332，该分类例程有助于特征值的标记(例如，由诸如神经病学家的专家审查特征值328和/或第一AI训练集322)以创建一组关键或标签属性334。由微处理器318执行的自适应学习部件324可以使用特征值328和关键或标签属性334来发现规则、关系或其他“模型”，该规则、关系或其他“模型”通过例如确定和/或分配权重或其他度量将特征映射到标签。自适应学习部件324可以输出该组规则、关系或其他模型作为第一经过训练的AI模型330。
不管自适应学习部件324创建第一经过训练的AI模型330的方式如何，微处理器318都可以将第一经过训练的AI模型330与第一AI训练集322和/或从其提取的特征值328一起使用，或者在第一AI训练集322的一部分和/或从其提取的特征值328的一部分上使用，该部分被保留用于验证第一经过训练的AI模型330，以便提供分类结果336供经过训练的专业人员进行比较和/或分析，从而验证模型的输出。
应明显的是，第一AI训练集322可以包括来自各组数据收集硬件312A1-312AN中的一个或多个数据收集硬件的数据，并且因此包括来自一个或多个患者的数据。因此，当创建第一经过训练的AI模型330时，自适应学习部件324可以使用来自单个患者、来自多个患者或来自各种各样患者的数据。在一些情况下，从中选择一个或多个患者的人群可以根据特定的人口统计(例如，特定类型的疑似癫痫、特定年龄组等)来定制，或者可以是非选择性的。在实施方案中，与从中创建第一AI训练集322的各组数据收集硬件312A1-312AN相关联的患者中的至少一些患者可以是没有潜在状况(例如，癫痫、睡眠呼吸暂停、前庭或耳蜗障碍)的任何症状的患者，并且因此可以用于向第一AI训练集322提供附加控制数据。
在实施方案中，第一经过训练的AI模型330可以被传输到(或者以其他方式接收到——例如，经由便携式存储介质)另一组数据收集硬件(例如，图10A至图13E中的任一者所描绘的系统300)。该组数据收集硬件可以实现第一经过训练的AI模型330，以基于不是由各组数据收集硬件312A1-312AN收集的第一AI训练集322的一部分的数据来提供分类结果274，或者替代地，可以仅收集由建模处理器设备314用来迭代第一经过训练的AI模型330的附加数据。
图15A和图15B描绘了这样的实施方案。在图15A和图15B中，系统340包括用于患者的一组数据收集硬件342。像先前描述的硬件一样，该组数据收集硬件342包括传感器阵列102、PPG传感器108(在图15B的实施方案中)、(可选地)麦克风250、(可选地)加速度计252、用户界面106和处理器设备104。处理器设备104包括通信电路256、微处理器258和存储器设备260。存储器设备260在其上存储了传感器阵列数据262、PPG数据267(在图15B的实施方案中)、(可选地)加速度计数据264、(可选地)麦克风数据266和用户报告数据268。然而，该组数据收集硬件342中的处理器设备104的存储器260可选地在其上存储了第一经过训练的AI模型330，并且可选地(例如，在图15B的实施方案中)在其上存储了治疗策略例程273。在这样的实施方案中，该组数据收集硬件342的处理器设备104可以实现数据预处理例程271，以提取特征值272并提供相关联的分类结果274。
存储在该组数据收集硬件342的存储器设备260中的任何或所有数据可以从该组数据收集硬件342传送到建模处理器设备314。如上文，建模处理器设备314可以在处理器设备104的通信电路256与建模处理器设备314的通信电路316之间经由有线连接(例如，以太网、串行连接等)或无线连接(例如，移动电话、IEEE 802.11协议等)直接(例如，不具有中间设备的连接)或间接(例如，通过一个或多个中间交换机、接入点和/或互联网的连接)从该组数据收集硬件342接收数据。此外，尽管在图15A和图15B中未描绘，但是数据可以从该组数据收集硬件342经由存储介质而不是通过相应的通信电路传送到建模处理器设备314。存储介质可以包括任何已知的存储存储器类型，作为示例而非限制包括磁存储介质、固态存储介质、安全数字(SD)存储卡、USB驱动器等。
接收到的数据可以作为第二AI训练集344存储在存储器320中(如图16C和图16D所描绘)。第二AI训练集344可以包括从该组数据收集硬件342接收到的传感器阵列数据262、PPG数据267(例如，在图15B的实施方案中)、用户报告数据268和可选的加速度计数据264和/或麦克风数据266。如图16C和图16D所描绘，用户报告数据268可以包括感知到的事件350；感知到的事件352的特性或特征，诸如严重程度和/或持续时间、感知到的对记忆力的影响或对个体健康的其他影响(诸如个体拿杯子或操作车辆的能力)；其他类型的生理症状(例如，头痛、视力受损或改变、不自主移动、定向障碍、摔倒在地、反复下颌运动或咂嘴等)354；其他症状的特性或特征356(例如，严重程度和/或持续时间)；药物摄取信息358(例如，药物类型、剂量和/或频率/时机)；感知到的药物副作用360；药物副作用的特性或特征362(例如，严重程度和/或持续时间)，以及其他用户报告的信息364(例如，摄入的食物和/或饮料，进行的活动(例如，淋浴、锻炼、工作、梳头等)、疲劳、压力水平等)，以及各者的时机。自适应学习部件324可以包括可由微处理器318执行以实现受监督或无监督机器学习程序或算法的指令，如上文所描述，以用于迭代第一经过训练的AI模型330(该第一经过训练的AI模型可具有与其检测和/或分类结果336相关联的第一差错率)，从而创建第二经过训练的AI模型346，该第二经过训练的AI模型可具有与其检测和/或分类结果348相关联的从第一差错率降低的第二差错率。数据预处理例程326在由微处理器318执行时可以检索第二AI训练集344中的数据(该数据可以是原始记录数据)，并且可以对数据执行各种预处理算法，以准备将数据用作自适应学习部件324的训练数据。预处理例程326可以包括用于去除噪声数据、清洁数据、减少或去除不相关和/或冗余数据、生物标志物和其他特征的标准化、转换和提取的例程。预处理例程326可以还包括用于通过分析信号的频谱内容来检测电活动数据中，特别是EEG数据和/或PPG数据中的肌肉活动的例程，和/或用于选择具有最佳(或至少相对更好)信噪比的电活动数据的一个或多个通道的例程。预处理例程326的输出是作为特征值集合328存储在存储器320中的最终训练集。
在自适应学习部件324实现无监督学习算法的实施方案中，由微处理器318执行的自适应学习部件324在未标记特征值328中找到其自身的结构，并由此生成第二经过训练的AI模型346。
在自适应学习部件324实现受监督学习算法的实施方案中，存储器320还可以存储一个或多个分类例程332，该分类例程有助于特征值的标记(例如，由诸如神经病学家的专家审查特征值328和/或第二AI训练集344)以创建一组关键或标签属性334。由微处理器318执行的自适应学习部件324可以使用特征值328和关键或标签属性334来发现规则、关系或其他“模型”，该规则、关系或其他“模型”通过例如确定和/或分配权重或其他度量将特征映射到标签。自适应学习部件324可以输出更新后的一组规则、关系或其他模型作为第二经过训练的AI模型346。
不管自适应学习部件324将第一经过训练的AI模型330迭代和/或更新为第二经过训练的AI模型346的方式如何，微处理器318都可以将第二经过训练的AI模型346与第二AI训练集344和/或从其提取的特征值328一起使用，或者在第二AI训练集344的一部分和/或从其提取的特征值328的一部分上使用，该部分被保留用于验证第二经过训练的AI模型346，以便提供分类结果348供经过训练的专业人员进行比较和/或分析，从而验证模型的输出。由第二经过训练的AI模型346输出的分类结果348的差错率将相对于由第一经过训练的AI模型330输出的分类结果336的差错率降低。第二经过训练的AI模型346可以被编程到例如图10A至图13E所描绘的系统中或者传送到该系统，用于对患者中的感兴趣事件进行检测和分类。
静态模型270和经过训练的AI模型302可以各自被编程为通过以下操作来有助于确定个体是否正经历癫痫或其他类型的事件：在接收到的数据(例如，传感器阵列数据262、PPG数据267(在实现PPG传感器108的实施方案中)、用户报告数据268以及(可选地)加速度计数据264和/或麦克风数据266)内检测感兴趣事件，从接收到的数据中提取癫痫发作活动(或睡眠呼吸暂停活动或耳蜗或前庭障碍，如果PPG数据可用)的相关生物标志物，并将相关生物标志物分类或归类为若干不同类型的事件中的一个事件。
在一个实施方案中，模型270和302可以被编程或训练以将检测到的感兴趣事件分类为以下类型中的一个类型：
(1)癫痫的临床表现，在该临床表现中，相应的患者表现出癫痫发作的外在迹象，并且检测到的事件针对该临床表现指示癫痫发作；
(2)癫痫的亚临床表现，在该亚临床表现中，相应的患者没有表现出癫痫发作的外在迹象，但是检测到的事件将针对该亚临床表现指示癫痫发作；
(3)非临床事件，在该非临床事件中，相应的患者没有表现出癫痫发作的外在迹象，并且检测到的事件包括不暗示癫痫发作的异常活动，但是指示相对于基线传感器活动的异常活动；
(4)非事件，在该非事件中，相应的患者报告癫痫发作，但是传感器没有提示类型1、2或3事件，或者检测到的事件非常类似癫痫发作，但是可以作为噪声数据或数据伪像排除；或者
(5)药物副作用。
在实施方案中，特别是那些包括PPG传感器108和对应的PPG数据267的实施方案中，模型270和302可以被编程或训练以将检测到的感兴趣事件分类为睡眠呼吸暂停事件、癫痫事件、耳蜗事件、前庭事件等，并且还可以对事件的来源和/或类型、事件的严重程度、事件的持续时间等进行分类。
图17A和图17B描绘了分别由第一经过训练的AI模型330和第二经过训练的AI模型346的输出产生的第一组分类结果336和第二组分类结果348。(由静态模型270输出的分类结果274可能是类似的。)分类结果336和248可以各自包括被分类为癫痫发作事件的一组事件370和被分类为非癫痫发作事件的一组事件372。在一些实施方案中，对感兴趣事件的检测和分类可以在将每个检测到的事件分类为癫痫发作事件270或非癫痫发作事件372时停止。被分类为癫痫发作事件370的检测到的事件可以包括类型1事件(癫痫的临床表现)和类型2事件(癫痫的亚临床表现)。在实施方案中，癫痫发作事件370可以还包括某些类型5事件(药物副作用)，其中药物副作用导致癫痫发作事件。被分类为非癫痫发作事件372的检测到的事件可以包括类型3事件(非临床)和类型4事件(非事件)。在实施方案中，非癫痫发作事件372可以还包括某些检测到的非癫痫发作事件，该非癫痫发作事件是类型5事件(药物副作用)。
在实施方案中，检测到的事件被进一步分类在癫痫发作事件370和非癫痫发作事件372中的每一者内。具体而言，分类结果可以指示事件的类型和/或事件的严重程度和/或事件的持续时间。图17A和图17B图示了癫痫发作事件370可以进一步被分类为具有第一组事件374，该第一组事件由静态模型270或由经过训练的AI模型330或346分类为类型1事件(临床癫痫发作)，并且可以可选地包括每个事件的严重程度376和/或持续时间378。癫痫发作事件370还可以具有第二组事件380，该第二组事件由静态模型270或由经过训练的AI模型330或346分类为类型2事件(亚临床癫痫发作)，并且可以可选地包括每个事件的严重程度382和/或持续时间384。在一些实施方案中(例如，图17B所描绘的一些实施方案)，癫痫发作事件370可以可选地包括每个事件(无论是临床癫痫事件374还是亚临床癫痫事件380中的一者)的一个或多个发作前影响377和/或一个或多个发作后影响379，该发作前影响和发作后影响分别指示癫痫发作事件的影响，诸如低氧血症、呼吸或心脏功能的变化、精神状态的变化等。发作前和发作后影响可以根据传感器阵列数据262、PPG数据267、麦克风数据266(如果存在的话)、加速度计数据264(如果存在的话)和用户报告268中的任何一者或多者来确定。在实施方案中，癫痫发作事件370还可以具有第三组事件386，该第三组事件由静态模型270或由经过训练的AI模型330或346分类为类型5事件(由药物副作用引起)，并且可以可选地包括每个事件的严重程度388、持续时间390、发作前影响389和/或发作后影响391。
非癫痫发作事件372可以类似地具有第一组事件392，该第一组事件由静态模型270或由经过训练的AI模型330或346分类为类型5事件(由药物副作用引起的非癫痫发作事件)，并且可以可选地包括每个事件的严重程度394和/或持续时间396。非癫痫发作事件372还可以具有第二组事件398，该第二组事件由静态模型270或由经过训练的AI模型330或346分类为类型3事件(非临床)，并且可以可选地包括每个事件的严重程度400和/或持续时间402。非癫痫发作事件372还可以具有第三组事件404，该第三组事件由静态模型270或由经过训练的AI模型330或346分类为类型4事件(非事件)。
图17C和图17D描绘了分别由第一经过训练的AI模型330和第二经过训练的AI模型346的输出产生的第一组分类结果336和第二组分类结果348的替代示例，在该示例中，事件没有被分类为癫痫发作和非癫痫发作事件，而是被分类为癫痫和非癫痫事件。(由静态模型270输出的分类结果274可能是类似的。)虽然数据可能在很大程度上是相同的，但是图17C和图17D指出，药物副作用事件虽然可能包括癫痫发作，但不是癫痫事件。也就是说，事件中的每个事件的数据在图17A至图17D中可以是相同的，但是可以取决于实施方案而不同地呈现和/或存储。实质上，在实施方案中，检测到的事件中的每个事件可以被分类为类型1、2、3、4或5中的一种类型，并且可以还包括严重程度和持续时间信息。在实施方案中，分类结果336、348可以包括对用于每个检测到的事件的特征值的指示，该特征值在确定事件的分类类型时被加权。
图17E针对其中第一经过训练的AI模型330和第二经过训练的AI模型346被训练以执行与睡眠障碍事件(诸如呼吸暂停)相关的评价功能的实施方案，描绘了分别由第一经过训练的AI模型330和第二经过训练的AI模型346的输出产生的第一组分类结果336和第二组分类结果348。(由静态模型270输出的分类结果274可能是类似的。)分类结果336和348可以各自包括与睡眠障碍事件相关的一组数据385。该组数据385可以包括与检测到的睡眠障碍事件(例如，呼吸暂停事件)相关的数据387。在各种实施方案中，分类结果336和348可以包括图17E所描绘的信息的任意数量的组合，并且因此，所有数据在图17E中被描绘为可选的。然而，应该理解，某些数据将是其他数据的先决条件。与检测到的睡眠障碍事件相关的数据387可以包括每个检测到的事件的数据，该数据包括事件的严重程度381、事件的持续时间383和事件的起因393(例如，阻塞性呼吸暂停或中枢性呼吸暂停)。每个检测到的事件的数据387可以还包括关于事件对患者健康的影响的数据395，该数据包括心脏影响395A(例如，有多严重、持续时间、恢复时间)、关于患者经历的去饱和的数据395B(例如，有多严重、持续时间、恢复时间)、关于患者经历的觉醒的数据395C(例如，患者是否醒了、患者醒了多久等)，以及与对患者正常健康的总体破坏相关的数据395D(例如，患者第二天的活动能力有多好)。在实施方案中，数据385可以还包括检测到的睡眠分数397，该睡眠分数考虑了由数据387捕获的所有所描述的各种因素。
图17F描绘了当第一经过训练的AI模型330和第二经过训练的AI模型346被训练以执行与内耳障碍(诸如前庭障碍和耳蜗障碍)相关的评价功能时，分别由第一经过训练的AI模型330和第二经过训练的AI模型346的输出产生的第一组分类结果336和第二组分类结果348。(由静态模型270输出的分类结果274可能是类似的。)分类结果336和348可以各自包括与内耳障碍事件相关的一组数据399。该组数据399可以包括与检测到的前庭障碍事件(例如，头晕发作)相关的数据399A和与检测到的耳蜗障碍事件相关的数据399B。在各种实施方案中，分类结果336和348可以包括图17F所描绘的信息的任意数量的组合，并且因此，所有数据在图17F中被描绘为可选的。然而，应当理解，某些数据将是其他数据的先决条件，例如，如果数据399不包括与前庭事件相关的数据399A，则也不包括前庭事件的其他数据，诸如严重程度、持续时间等。与检测到的前庭障碍事件相关的数据399A可以包括每个事件的数据，该数据包括检测到的事件的类型401A(例如，头晕、视力模糊等)、检测到的事件的严重程度401B、检测到的事件的持续时间401C，以及检测到的事件的起因401D(例如，全身性感染、结构性损伤、神经系统等)。每个检测到的前庭障碍事件的数据399A可以还包括关于检测到的事件对患者健康的影响的数据403(例如，有多严重、持续时间、恢复时间)。类似地，与检测到的耳蜗障碍事件相关的数据399B可以包括每个检测到的事件的数据，该数据包括检测到的事件的类型405A(例如，耳鸣、听力阈值变化等)、检测到的事件的严重程度405B、检测到的事件的持续时间405C，以及检测到的事件的起因405D(例如，全身性感染、结构性损伤、神经系统等)。每个检测到的耳蜗障碍事件的数据399B可以还包括关于检测到的事件对患者健康的影响的数据407(例如，有多严重、持续时间、恢复时间)。
当然，在图17A至图17F中的每一者中，检测到的事件可以与检测到所检测的事件已经发生的时间相关联。
图18A至图18G描绘了与图6C、图10C和图13E相关的一组实施方案的方面。图18A是用于创建经过训练的AI模型(例如，经过训练的AI模型302)的示例性系统310的框图。类似于图6C的系统100，系统310包括一组或多组数据收集硬件312A1-312AN。也就是说，每组数据收集硬件312A1-312AN包括对应的传感器阵列102(包括电极设备110)、一个或多个PPG传感器108和用户界面106。该组数据收集硬件312A1-312AN中的每组数据收集硬件还包括相应的处理器设备104，包括通信电路256、微处理器258和存储器260。如在系统100中，每组数据收集硬件312A1-312AN的存储器260存储至少传感器阵列数据262、用户报告268和PPG数据267。该组数据收集硬件312A1-312AN中的每组数据收集硬件与对应患者A1-AN相关联，并且因此，该组数据收集硬件312A1-312AN中的每组数据收集硬件收集对应患者的数据。
然而，与图6C所描绘的系统100不同，系统310中的各组数据收集硬件312A1-312AN不一定需要包括存储在存储器260中的模型270，并且存储器260不一定需要存储特征值272或分类结果274。也就是说，系统310中的各组数据收集硬件312A1-312AN不需要一定能够执行评价功能，但是在实施方案中，可以仅充当要用作“训练数据”以创建经过训练的AI模型302的信息的收集器和管道。
由各组数据收集硬件312A1-312AN收集的数据可以被传送到建模处理器设备314。建模处理器设备314可以是任何计算机工作站、膝上型计算机、移动计算设备、服务器、云计算环境等，该计算机工作站、膝上型计算机、移动计算设备、服务器、云计算环境等被配置为从各组数据收集硬件312A1-312AN接收数据，并使用来自各组数据收集硬件312A1-312AN的数据来创建经过训练的AI模型302。建模处理器设备314可以在处理器设备104的通信电路256与建模处理器设备314的通信电路316之间经由有线连接(例如，以太网、串行连接等)或无线连接(例如，移动电话、IEEE 802.11协议等)直接(例如，不具有中间设备的连接)或间接(例如，通过一个或多个中间交换机、接入点和/或互联网的连接)从各组数据收集硬件312A1-312AN接收数据。此外，尽管在图18A中未描绘，但是数据可以从各组数据收集硬件312A1-312AN中的一个或多个数据收集硬件经由存储介质而不是通过相应的通信电路传送到建模处理器设备314。存储介质可以包括任何已知的存储存储器类型，作为示例而非限制包括磁存储介质、固态存储介质、安全数字(SD)存储卡、USB驱动器等。
建模处理器设备314包括通信电路316(在该通信电路是必要的实施方案中)、微处理器318和存储设备320。但应该理解，微处理器318可以是一个或多个独立的微处理器、一个或多个共享的计算资源或处理器阵列(例如，云计算设备中的一组处理器)、一个或多个多核处理器、一个或多个DSP、一个或多个FPGA等。类似地，存储器设备320可以是易失性或非易失性存储器，并且可以是仅专用于建模处理器设备314的存储器或者在各种用户之间(诸如在云计算环境中)共享的存储器。
建模处理器设备314的存储器320可以存储从各组数据收集硬件312A1-312AN中的每组数据收集硬件接收到的传感器阵列数据262、用户报告数据268和PPG数据267，作为第一AI训练集322(在图18C中描绘)。如图18C所描绘，用户报告数据268可以包括感知到的事件(例如，癫痫/癫痫发作事件；呼吸事件，诸如呼吸暂停、呼吸急促、呼吸缓慢；前庭功能障碍事件，诸如头晕；耳蜗功能障碍事件，诸如听觉问题等)350；感知到的事件的特性或特征352，诸如严重程度和/或持续时间、感知到的对记忆力的影响或对个体健康的其他影响(诸如个体拿杯子或操作车辆的能力、个体睡觉的能力、个体听觉或平衡的能力等)；其他类型的生理症状(例如，头痛、视力受损或改变、不自主移动、定向障碍、摔倒在地、反复下颌运动或咂嘴等)354；其他症状的特性或特征356(例如，严重程度和/或持续时间)；药物摄取信息358(例如，药物类型、剂量和/或频率/时机)；感知到的药物副作用360；药物副作用的特性或特征362(例如，严重程度和/或持续时间)，以及其他用户报告的信息364(例如，摄入的食物和/或饮料，进行的活动(例如，淋浴、锻炼、工作、梳头等)、疲劳、压力水平等)，以及各者的时机。如上文所描述，自适应学习部件324可以包括可由微处理器318执行以实现受监督或无监督机器学习程序或算法的指令。一个或多个数据预处理例程326在由微处理器318执行时可以检索第一AI训练集322中的数据(该数据可以是原始记录数据)，并且可以对数据执行各种预处理算法，以准备将数据用作自适应学习部件324的训练数据。预处理例程326可以包括用于去除噪声数据、清洁数据、减少或去除不相关和/或冗余数据、生物标志物和其他特征的标准化、转换和提取的例程。预处理例程326可以还包括用于通过分析信号的频谱内容来检测电活动数据中，特别是或EEG数据中的肌肉活动的例程，和/或用于选择具有最佳(或至少相对更好)信噪比的电活动数据的一个或多个通道的例程。更进一步，预处理例程326可以包括用于从由PPG传感器108产生的原始数据中检测生物标志物信号的例程。预处理例程326的输出是作为特征值集合328存储在存储器320中的最终训练集。
在自适应学习部件324实现无监督学习算法的实施方案中，由微处理器318执行的自适应学习部件324在未标记特征值328中找到其自身的结构，并由此生成第一经过训练的AI模型330。
在自适应学习部件324实现受监督学习算法的实施方案中，存储器320还可以存储一个或多个分类例程332，该分类例程有助于特征值的标记(例如，由诸如神经病学家的专家审查特征值328和/或第一AI训练集322)以创建一组关键或标签属性334。由微处理器318执行的自适应学习部件324可以使用特征值328和关键或标签属性334来发现规则、关系或其他“模型”，该规则、关系或其他“模型”通过例如确定和/或分配权重或其他度量将特征映射到标签。自适应学习部件324可以输出该组规则、关系或其他模型作为第一经过训练的AI模型330。
不管自适应学习部件324创建第一经过训练的AI模型330的方式如何，微处理器318都可以将第一经过训练的AI模型330与第一AI训练集322和/或从其提取的特征值328一起使用，或者在第一AI训练集322的一部分和/或从其提取的特征值328的一部分上使用，该部分被保留用于验证第一经过训练的AI模型330，以便提供分类结果336供经过训练的专业人员进行比较和/或分析，从而验证模型的输出。
应明显的是，第一AI训练集322可以包括来自各组数据收集硬件312A1-312AN中的一个或多个数据收集硬件的数据，并且因此包括来自一个或多个患者的数据。因此，当创建第一经过训练的AI模型330时，自适应学习部件324可以使用来自单个患者、来自多个患者或来自各种各样患者的数据。在一些情况下，从中选择一个或多个患者的人群可以根据特定的人口统计(例如，特定类型的癫痫、特定年龄组等)来定制，或者可以是非选择性的。在实施方案中，与从中创建第一AI训练集322的各组数据收集硬件312A1-312AN相关联的患者中的至少一些患者可以是没有有疑问状况的任何症状的患者，并且因此可以用于向第一AI训练集322提供附加控制数据。
在实施方案中，第一经过训练的AI模型330可以被传输到(或者以其他方式接收到——例如，经由便携式存储介质)另一组数据收集硬件(例如，图10C所描绘的系统300)。该组数据收集硬件可以实现第一经过训练的AI模型330，以基于不是由各组数据收集硬件312A1-312AN收集的第一AI训练集322的一部分的数据来提供分类结果274，或者替代地，可以仅收集由建模处理器设备314用来迭代第一经过训练的AI模型330的附加数据。
图18B描绘了这样的实施方案。在图18B中，系统340包括用于患者的一组数据收集硬件342。像前面描述的硬件一样，该组数据收集硬件342包括传感器阵列102、PPG传感器108、用户界面106、处理器设备104和(可选地)治疗性设备255。处理器设备104包括通信电路256、微处理器258和存储器设备260。存储器设备260在其上存储了传感器阵列数据262、PPG数据267和用户报告数据268。然而，该组数据收集硬件342中的处理器设备104的存储器260可选地在其上存储了第一经过训练的AI模型330。在这样的实施方案中，该组数据收集硬件342的处理器设备104可以实现数据预处理例程271，以提取特征值272并提供相关联的分类结果274。
存储在该组数据收集硬件342的存储器设备260中的任何或所有数据可以从该组数据收集硬件342传送到建模处理器设备314。如上文，建模处理器设备314可以在处理器设备104的通信电路256与建模处理器设备314的通信电路316之间经由有线连接(例如，以太网、串行连接等)或无线连接(例如，移动电话、IEEE 802.11协议等)直接(例如，不具有中间设备的连接)或间接(例如，通过一个或多个中间交换机、接入点和/或互联网的连接)从该组数据收集硬件342接收数据。此外，尽管在图18B中未描绘，但是数据可以从该组数据收集硬件342经由存储介质而不是通过相应的通信电路传送到建模处理器设备314。存储介质可以包括任何已知的存储存储器类型，作为示例而非限制包括磁存储介质、固态存储介质、安全数字(SD)存储卡、USB驱动器等。
接收到的数据可以作为第二AI训练集344存储在存储器320中(如图18D所描绘)。第二AI训练集344可以包括从该组数据收集硬件342接收到的传感器阵列数据262、用户报告数据268和PPG数据267。如图18C所描绘，用户报告数据268可以包括感知到的事件(例如，癫痫/癫痫发作事件；呼吸事件，诸如呼吸暂停、呼吸急促、呼吸缓慢；前庭功能障碍事件，诸如头晕；耳蜗功能障碍事件，诸如听觉问题等)350；感知到的事件的特性或特征352，诸如严重程度和/或持续时间、感知到的对记忆力的影响或对个体健康的其他影响(诸如个体拿杯子或操作车辆的能力、个体睡觉的能力、个体听觉或平衡的能力等)；其他类型的生理症状(例如，头痛、视力受损或改变、不自主移动、定向障碍、摔倒在地、反复下颌运动或咂嘴等)354；其他症状的特性或特征356(例如，严重程度和/或持续时间)；药物摄取信息358(例如，药物类型、剂量和/或频率/时机)；感知到的药物副作用360；药物副作用的特性或特征362(例如，严重程度和/或持续时间)，以及其他用户报告的信息364(例如，摄入的食物和/或饮料，进行的活动(例如，淋浴、锻炼、工作、梳头等)、疲劳、压力水平等)，以及各者的时机。自适应学习部件324可以包括可由微处理器318执行以实现受监督或无监督机器学习程序或算法的指令，如上文所描述，以用于迭代第一经过训练的AI模型330(该第一经过训练的AI模型可具有与其分类结果336(例如，评价功能的结果)相关联的第一差错率)，从而创建第二经过训练的AI模型346，该第二经过训练的AI模型可具有与其分类结果348(例如，评价功能的结果)相关联的从第一差错率降低的第二差错率。数据预处理例程326在由微处理器318执行时可以检索第二AI训练集344中的数据(该数据可以是原始记录数据)，并且可以对数据执行各种预处理算法，以准备将数据用作自适应学习部件324的训练数据。预处理例程326可以包括用于去除噪声数据、清洁数据、减少或去除不相关和/或冗余数据、生物标志物和其他特征的标准化、转换和提取的例程。预处理例程326可以还包括用于通过分析信号的频谱内容来检测电活动数据中，特别是或EEG数据中的肌肉活动的例程，和/或用于选择具有最佳(或至少相对更好)信噪比的电活动数据的一个或多个通道的例程。更进一步，预处理例程326可以包括用于从由PPG传感器108产生的原始数据中检测生物标志物信号的例程。预处理例程326的输出是作为特征值集合328存储在存储器320中的最终训练集。
在自适应学习部件324实现无监督学习算法的实施方案中，由微处理器318执行的自适应学习部件324在未标记特征值328中找到其自身的结构，并由此生成第二经过训练的AI模型346。
在自适应学习部件324实现受监督学习算法的实施方案中，存储器320还可以存储一个或多个分类例程332，该分类例程有助于特征值的标记(例如，由诸如神经病学家的专家审查特征值328和/或第二AI训练集344)以创建一组关键或标签属性334。由微处理器318执行的自适应学习部件324可以使用特征值328和关键或标签属性334来发现规则、关系或其他“模型”，该规则、关系或其他“模型”通过例如确定和/或分配权重或其他度量将特征映射到标签。自适应学习部件324可以输出更新后的一组规则、关系或其他模型作为第二经过训练的AI模型346。
不管自适应学习部件324将第一经过训练的AI模型330迭代和/或更新为第二经过训练的AI模型346的方式如何，微处理器318都可以将第二经过训练的AI模型346与第二AI训练集344和/或从其提取的特征值328一起使用，或者在第二AI训练集344的一部分和/或从其提取的特征值328的一部分上使用，该部分被保留用于验证第二经过训练的AI模型346，以便提供分类结果348供经过训练的专业人员进行比较和/或分析，从而验证模型的输出。由第二经过训练的AI模型346输出的分类结果348的差错率将相对于由第一经过训练的AI模型330输出的分类结果336的差错率降低。第二经过训练的AI模型346可被编程到例如图10C所描绘的系统中或者传送到该系统，用于针对患者执行评价功能。
静态模型270和经过训练的AI模型302可各自被编程为通过以下操作来执行评价功能：在接收到的数据(例如，传感器阵列数据262、用户报告数据268和PPG数据267)内检测感兴趣状况(例如，癫痫/癫痫发作活动、前庭或耳蜗功能障碍的迹象、睡眠障碍/呼吸暂停活动)的相关生物标志物，并基于相关生物标志物的存在、不存在和/或相关生物标志物之间的时间关系来执行评价功能。在各种实施方案中，模型270和302可以被编程或训练以执行以下评价功能中的一个或多个评价功能：
(1)检测癫痫发作；
(2)将癫痫发作归类为起因于癫痫或心脏；
(3)将癫痫发作归类为发作性低氧血症或不是发作性低氧血症；
(4)预测癫痫发作事件；
(5)对癫痫发作事件的严重程度进行分类；
(6)确定癫痫发作事件对患者健康的发作前或发作后影响；
(7)预测癫痫发作事件对患者健康的发作前或发作后影响(事件的严重程度，发作期心脏变化；发作期呼吸变化的类型)；
(8)预测癫痫发作事件对患者健康的发作后影响的恢复时间；
(9)检测呼吸暂停事件；
(10)将呼吸暂停事件分类为中枢性或阻塞性；
(11)检测呼吸急促或呼吸缓慢事件；
(12)预测呼吸暂停、呼吸急促或呼吸缓慢事件；
(13)确定呼吸暂停、呼吸急促或呼吸缓慢事件对患者健康的影响；
(14)预测呼吸暂停、呼吸急促或呼吸缓慢事件对患者健康的发作前或发作后影响；
(15)预测呼吸暂停、呼吸急促或呼吸缓慢事件对患者健康的发作后影响的恢复时间；
(16)检测SUDEP事件；
(17)预测SUDEP事件；
(18)检测前庭功能障碍；
(19)检测耳蜗功能障碍；
(20)检测炎症标志物以预测全身性感染。
图18E描绘了当第一经过训练的AI模型330和第二经过训练的AI模型346被训练以执行与癫痫事件相关的评价功能时，分别由第一经过训练的AI模型330和第二经过训练的AI模型346的输出产生的第一组分类结果336和第二组分类结果348。(由静态模型270输出的分类结果274可能是类似的。)分类结果336和348可以各自包括与癫痫事件相关的一组数据370。该组数据370可以包括与检测到的癫痫发作事件相关的数据371和与预测的癫痫发作事件相关的数据372。在各种实施方案中，分类结果336和348可以包括图18E所描绘的信息的任意数量的组合，并且因此，所有数据在图18E中被描绘为可选的。然而，应当理解，某些数据将是其他数据的先决条件，例如，如果数据370不包括检测到的事件的数据371，则也不包括检测到的事件的其他数据，诸如严重程度、持续时间等。在任何情况下，与检测到的癫痫发作事件相关的数据371可以包括每个检测到的事件的数据，该数据包括事件的严重程度373、事件的持续时间374、事件的起因375(例如，癫痫或心脏)以及事件是否诱发了低氧血症376。在实施方案中，与检测到的事件相关的数据371可以还包括发作前影响377和/或发作后影响381。在针对一个或多个事件包括发作前影响377的实施方案中，发作前影响可进一步分类为包括心脏影响378(例如，心动过速、心动过缓等)、呼吸影响380(例如，呼吸暂停、呼吸急促、呼吸缓慢等)，以及其他影响379(例如，对记忆力、平衡或其他能力的影响)。类似地，在针对一个或多个事件包括发作后影响381的实施方案中，发作后影响可进一步分类为包括心脏影响382(例如，心动过速、心动过缓等)、呼吸影响383(例如，呼吸暂停、呼吸急促、呼吸缓慢等)，以及其他影响384(例如，对记忆力、平衡或其他能力的影响)。同样，与预测的癫痫发作事件相关的数据372可以包括每个预测的事件的数据，该数据包括事件的预测的严重程度373A、事件的预测的持续时间374A、事件的预测的起因375A(例如，癫痫或心脏)以及预测的事件是否会诱发低氧血症376A。在实施方案中，与预测的事件相关的数据372可以还包括预测的发作前影响377A和/或预测的发作后影响381A。在针对一个或多个事件包括预测的发作前影响377A的实施方案中，预测的发作前影响可进一步分类为包括预测的心脏影响378A(例如，心动过速、心动过缓等)、预测的呼吸影响380A(例如，呼吸暂停、呼吸急促、呼吸缓慢等)，以及其他预测的影响379A(例如，对记忆力、平衡或其他能力的影响)。类似地，在针对一个或多个事件包括预测的发作后影响381A的实施方案中，预测的发作后影响可进一步分类为包括预测的心脏影响382A(例如，心动过速、心动过缓等)、预测的呼吸影响383A(例如，呼吸暂停、呼吸急促、呼吸缓慢等)，以及其他预测的影响384A(例如，对记忆力、平衡或其他能力的影响)。
图18F描绘了当第一经过训练的AI模型330和第二经过训练的AI模型346被训练以执行与睡眠障碍事件(诸如呼吸暂停)相关的评价功能时，分别由第一经过训练的AI模型330和第二经过训练的AI模型346的输出产生的第一组分类结果336和第二组分类结果348。(由静态模型270输出的分类结果274可能是类似的。)分类结果336和348可以各自包括与睡眠障碍事件相关的一组数据385。该组数据385可以包括与检测到的睡眠障碍事件(例如，呼吸暂停事件)相关的数据386和与预测的睡眠障碍事件相关的数据387。在各种实施方案中，分类结果336和348可以包括图18F所描绘的信息的任意数量的组合，并且因此，所有数据在图18F中被描绘为可选的。然而，应当理解，某些数据将是其他数据的先决条件，例如，如果数据385不包括检测到的事件的数据386，则也不包括检测到的事件的其他数据，诸如严重程度、持续时间等。与检测到的睡眠障碍事件相关的数据386可以包括每个检测到的事件的数据，该数据包括事件的严重程度388、事件的持续时间389和事件的起因390(例如，阻塞性呼吸暂停或中枢性呼吸暂停)。每个检测到的事件的数据386可以还包括关于事件对患者健康的影响的数据392，该数据包括心脏影响393(例如，有多严重、持续时间、恢复时间)、关于患者经历的去饱和的数据394(例如，有多严重、持续时间、恢复时间)、关于患者经历的觉醒的数据395(例如，患者是否醒了、患者醒了多久等)，以及与对患者正常健康的总体破坏相关的数据396(例如，患者第二天的活动能力有多好)。在实施方案中，数据385可以还包括检测到的睡眠分数397，该睡眠分数考虑了由数据386捕获的所有所描述的各种因素。同样，与预测的睡眠障碍事件相关的数据387可以包括每个预测的事件的数据，该数据包括事件的预测的严重程度388A、事件的预测的持续时间389A和事件的预测的起因390A(例如，阻塞性呼吸暂停或中枢性呼吸暂停)。每个预测的事件的数据386可以还包括关于预测的事件对患者健康的预测的影响的数据392A，该数据包括预测的心脏影响393A(例如，预测的严重程度、预测的持续时间、预测的恢复时间)、关于患者经历的预测的去饱和的数据394A(例如，预测的严重程度、预测的持续时间、预测的恢复时间)、关于预测的患者经历的觉醒的数据395A(例如，患者是否将醒来、患者将醒多久等)，以及与对患者正常健康的预测的总体破坏相关的数据396A(例如，患者第二天的活动能力将能够有多好)。在实施方案中，数据385可以还包括预测的睡眠分数397A，该预测的睡眠分数考虑了由数据387捕获的所有所描述的各种因素。
图18G描绘了当第一经过训练的AI模型330和第二经过训练的AI模型346被训练以执行与内耳障碍(诸如前庭障碍和耳蜗障碍)相关的评价功能时，分别由第一经过训练的AI模型330和第二经过训练的AI模型346的输出产生的第一组分类结果336和第二组分类结果348。(由静态模型270输出的分类结果274可能是类似的。)分类结果336和348可以各自包括与内耳障碍事件相关的一组数据398。该组数据398可以包括分别与检测到的和预测的前庭障碍事件(例如，头晕发作)相关的数据399和/或399A，以及分别与检测到的和预测的耳蜗障碍事件相关的数据400和/或400A。在各种实施方案中，分类结果336和348可以包括图18G所描绘的信息的任意数量的组合，并且因此，所有数据在图18G中被描绘为可选的。然而，应当理解，某些数据将是其他数据的先决条件，例如，如果数据398不包括与前庭事件相关的数据399，则也不包括前庭事件的其他数据，诸如严重程度、持续时间等。与检测到的前庭障碍事件相关的数据399可以包括每个事件的数据，该数据包括检测到的事件的类型401(例如，头晕、视力模糊等)、检测到的事件的严重程度402、检测到的事件的持续时间403，以及检测到的事件的起因404(例如，全身性感染、结构性损伤、神经系统等)。每个检测到的前庭障碍事件的数据399可以还包括关于检测到的事件对患者健康的影响的数据405(例如，有多严重、持续时间、恢复时间)。与预测的前庭障碍事件相关的数据399A可以包括每个事件的数据，该数据包括预测的事件的预测的类型401A(例如，头晕、视力模糊等)、预测的事件的预测的严重程度402A、预测的事件的预测的持续时间403A，以及预测的事件的预测的起因404A(例如，全身性感染、结构性损伤、神经系统等)。每个预测的前庭障碍事件的数据399A可以还包括关于预测的事件对患者健康的预测的影响的数据405A(例如，有多严重、持续时间、恢复时间)。类似地，与检测到的耳蜗障碍事件相关的数据400可以包括每个检测到的事件的数据，该数据包括检测到的事件的类型406(例如，耳鸣、听力阈值变化等)、检测到的事件的严重程度407、检测到的事件的持续时间408，以及检测到的事件的起因409(例如，全身性感染、结构性损伤、神经系统等)。每个检测到的耳蜗障碍事件的数据400可以还包括关于检测到的事件对患者健康的影响的数据411(例如，有多严重、持续时间、恢复时间)。与预测的耳蜗障碍事件相关的数据400A可以包括每个预测的事件的数据，该数据包括预测的事件的预测的类型406A(例如，耳鸣、听力阈值变化等)、预测的事件的预测的严重程度407A、预测的事件的预测的持续时间408A，以及预测的事件的预测的起因409A(例如，全身性感染、结构性损伤、神经系统等)。每个预测的耳蜗障碍事件的数据400A可以还包括关于预测的事件对患者健康的预测的影响的数据411A(例如，有多严重、持续时间、恢复时间)。
当然，在图18E至图18G中的每一者中，检测到的和/或预测的事件可以与检测所检测的事件已经发生的时间或者预测到所预测的事件将发生的时间相关联。
应当理解，该系统(并且特别是自适应学习部件324(无论是否在单独的建模处理器设备314中实现)、数据收集硬件342，或者甚至是在处理器设备104中与经过训练的AI模型302一起)可以被编程为相对于检测到的事件数据(例如，检测到的癫痫发作事件数据371、检测到的睡眠障碍事件数据386、检测到的前庭障碍事件数据399、检测到的耳蜗障碍事件数据400)分析预测的事件数据(例如，预测的癫痫发作事件数据372、预测的睡眠障碍事件数据387、预测的前庭障碍事件数据399A、预测的耳蜗障碍事件数据400A)，以确定由经过训练的AI模型302做出的预测的准确性。自适应学习部件324可以使用分析结果来进一步改进经过训练的AI模型302。
图19A是描绘在各种实施方案中用于训练AI模型(例如，经过训练的AI模型302)以对事件进行检测、预测和/或分类的方法410的流程图。方法410可以包括在建模处理器设备314处从第一处理器设备104接收第一组数据(框412)。在实现PPG传感器108的实施方案中，第一组数据可以包括来自设置在相应的第一患者身上的一个或多个第一传感器阵列102的传感器阵列数据262、PPG数据267，并且可以还包括来自设置在一个或多个第一患者身上的相应的第一麦克风250的第一麦克风数据266和从设置在一个或多个第一患者身上的相应的第一加速度计252接收到的第一加速度计数据264中的一者或两者。方法410还可包括基于第一组数据并且基于对应的用户报告数据(包括也从第一处理器设备104接收到的用户报告268)来生成第一AI训练集322(框414)。该方法可以还包括接收对第一AI训练集322的一个或多个属性的选择作为特征值328(框416)，以及接收用于第一AI训练集322的一个或多个关键字或标签334(框418)。特征值328和关键字或标签334可以经由分类例程332接收。建模处理器设备314然后使用特征值和用于第一AI训练集322的一个或多个关键字或标签来训练经过训练的模型330的第一迭代(框420)。
方法410可以还包括在建模处理器设备314处从第二处理器设备104接收第二组数据(框422)。在实现PPG传感器108的实施方案中，第二组数据可以包括来自设置在第二患者身上的一个或多个第一传感器阵列102的传感器阵列数据262、PPG数据267，并且可以还包括来自设置在第二患者身上的第一麦克风250的第二麦克风数据266和从设置在第二患者身上的第二加速度计252接收到的第二加速度计数据264中的一者或两者。方法410还可包括基于第二组数据并且基于对应的用户报告数据(包括也从第二处理器设备104接收到的用户报告268)来生成第二AI训练集344(框424)。该方法还包括接收对第二AI训练集344的一个或多个属性的选择作为特征值328(框426)，以及接收用于第二AI训练集344的一个或多个关键字或标签334(框428)。特征值328和关键字或标签334可以经由分类例程332接收。建模处理器设备314然后使用特征值和用于第二AI训练集344的一个或多个关键字或标签来训练经过训练的模型346的第二迭代(框430)。
图19B是描绘在诸如图6A、图6B、图7A至图10B和图11A至图13D的实施方案中用于对事件进行检测和分类的方法440的流程图。方法440包括在处理器设备104处接收一组数据(框442)。该组数据可以包括来自传感器阵列102的头皮下电信号数据262，该传感器阵列设置在患者的头皮下方，并且直接或间接地通信地耦合到处理器设备104。该组数据可以还包括来自设置在患者身上的麦克风250的麦克风数据266和来自设置在患者身上的加速度计252的加速度计数据264中的一者或两者。方法440还包括从该组数据中提取多个特征值272(框444)，多个特征值272包括头皮下电信号数据262的一个或多个特征值中的每一者，以及麦克风数据266的一个或多个特征值和加速度计数据264的一个或多个特征值中的一者或两者。方法440然后包括将多个特征值272输入到在处理器设备104上执行的经过训练的模型302中(框446)。根据基于先前的多个特征值的AI算法来配置经过训练的模型302，并且经过训练的模型302被配置为基于多个特征值272来提供一个或多个分类结果274(框448)，一个或多个分类结果274对应于在生物标志物数据中捕获的一个或多个事件。
图19C是描绘在诸如图6C、图10C和图13E的实施方案中用于对事件进行检测和分类的方法440的流程图。方法440包括在处理器设备104处接收一组数据(框442)。该组数据可以包括来自传感器阵列102的传感器阵列数据262，该传感器阵列设置在患者身上，并且直接或间接地通信地耦合到处理器设备104。该组数据可以还包括来自设置在患者身上的PPG传感器108的PPG数据267。方法440还包括从该组数据中提取多个特征值272(框444)，多个特征值272包括传感器阵列数据262的一个或多个特征值和PPG数据267的一个或多个特征值中的每一者。方法440然后包括将多个特征值272输入到在处理器设备104上执行的经过训练的模型302中(框446)。根据基于先前的多个特征值的AI算法来配置经过训练的模型302，并且经过训练的模型302被配置为基于多个特征值272来提供一个或多个分类结果274(框448)，一个或多个分类结果274对应于在生物标志物数据中捕获的一个或多个事件。
分类结果274然后可以可选地用于执行一个或多个动作(框449A-C)。例如，分类结果274可以触发向护理人员、向医师和/或向患者发送警报或警告(框449A)。在一个特定的非限制性示例中，分类结果274可以指示患者的血氧饱和度水平低于阈值——可能是由于癫痫发作或睡眠呼吸暂停事件——并且可以使得处理器设备104向患者发送警报以给予补充氧气。该警报可以经由处理器设备104或者经由外部设备105来递送。处理器设备104还可以通过与一个或多个外部设备105通信来警告护理人员和/或医师。在另一个特定的非限制性示例中，分类结果274可以指示患者可能将要经历癫痫发作，并且可以使得处理器设备104向患者发送警报，使得患者可以进行准备(例如，停止危险活动、警告旁观者、到达安全位置等)。该警报可以经由处理器设备104或者经由外部设备105来递送。处理器设备104还可以通过与一个或多个外部设备105通信来警告护理人员和/或医师。
在实施方案中，分类结果274还可以(或替代地)触发治疗性设备255的控制(框449B)。在一个特定的非限制性示例中，分类结果274可以指示患者正在经历阻塞性睡眠呼吸暂停发作，并且可以使得处理器设备104(例如，使用治疗策略例程273)与CPAP机器(例如，治疗性设备255)通信以增加气道压力，从而缓解导致呼吸暂停发作的阻塞。在另一个特定的非限制性示例中，分类结果274可以指示患者可能将要经历癫痫发作，并且可以使得处理器设备104与神经刺激器设备(例如，治疗性设备255)通信，以使得神经刺激器应用神经刺激(或调整神经刺激的应用)，以防止或减轻预测的即将发生的癫痫发作的影响。在又一个特定的非限制性示例中，分类结果274可以指示患者可能在接下来的几个小时内经历癫痫发作，并且可以使得处理器设备104与药物泵设备(例如，治疗性设备255)通信，使得药物泵设备施用药物(或改变药物的剂量)，以防止或减轻预测的癫痫发作的影响。
另外或替代地，分类结果274可以触发处理器设备104来确定推荐的治疗(例如，使用治疗策略例程273)并将该策略传输给患者(例如，经由处理器设备104或外部设备105)、护理人员(例如，经由外部设备105)和/或医师(例如，经由外部设备105)(框449C)。在实施方案中，在使得处理器设备104接合或调整治疗性设备255之前(例如，在框449B之前)，可以出于(例如，由医师)验证治疗的目的而传输推荐的治疗。在一个特定的非限制性示例中，分类结果274可以指示患者处于全身性感染的早期阶段，该全身性感染可能危及患者的耳蜗健康或对患者的耳蜗健康具有其他负面影响。这可以使得处理器设备104推荐由医师进行评估，或者推荐药物干预(例如，抗生素)，并且经由外部设备105向医师或护理人员(或者甚至向患者)(或者经由处理器设备104或外部设备105向患者)发送推荐。在另一个特定的非限制性示例中，分类结果274可以指示患者在预测的癫痫发作之后可能经历低血氧饱和度水平，并且因此可以使得处理器104发送在癫痫发作事件之前和/或之后给予补充氧气的推荐。
上面的非限制性示例应该理解为仅仅是示例性的。鉴于本说明书中的公开内容，本领域技术人员将容易理解各种治疗策略、警报、警告等可以根据系统100被编程以生成的分类结果的类型并且根据可以与该系统耦合的特定治疗性设备255来在各种情况下实施。
如现在可以理解的，当前公开的方法和系统适合于各种实施方案，该各种实施方案中的许多实施方案已经被明确描述，但现在将参考图20A至图25D描述另外的实施方案。
图20A至图20E分别描绘了传感器阵列102的各种示例性实施方案450A-E的框图。在每个图中，电活动传感器452包括电极设备110和生化传感器282中的一者或两者。也就是说，如现在应该理解的，任何实施方案中的传感器阵列102包括：一个或多个电活动传感器452，该电活动传感器可以是电极设备110，该电极设备测量大脑中或身体其他地方的电信号，这取决于放置)；生化传感器282，该生化传感器检测患者身体中的生化标志物并将那些信号转换成可测量的电输出；或者电极设备110和生化传感器282两者。在实施方案450A-E中的每一者中，传感器阵列102包括本地处理设备144，该本地处理设备包括放大器146、电池148、收发器或通信电路150、模数转换器152和处理器154。实施方案450A-E中的每一者还可以可选地包括电池充电电路454，用于便于电池148的充电。电池充电电路454可以是与患者身上的传感器阵列102的布置兼容的任何已知的电池充电技术。特别地，在实施方案中，电池充电电路454可以是感应充电电路，当传感器阵列102被设置在患者的头皮下方时，该感应充电电路便于通过患者的皮肤充电。在其他实施方案中，电池充电电路454可以通过例如利用患者的移动来转动小型发电机，从患者全天的移动中获取能量。在又其他实施方案中，电池充电电路454可以以RF信号的形式从环境中获取功率。在又另外的示例中，电池充电电路454可以从传感器阵列102的环境中发生的化学反应中获取能量。当然，也可以采用更传统的充电方法(例如，使用有线连接来向电池充电电路454供电)。
如图20A至图20E中可见，实施方案450A在传感器阵列102中不包括麦克风250或加速度计252。在实施方案450B中，传感器阵列102包括一个或多个加速度计252。在实施方案450C中，传感器阵列102包括一个或多个麦克风250。在实施方案450D中，传感器阵列102包括一个或多个麦克风250和一个或多个加速度计252。在图20E中的实施方案450E中，传感器阵列102包括PPG传感器108，并且可以可选地包括加速度计252和/或麦克风250。当然，在各种实施方案中，传感器阵列102的实施方案450A-E中的每一者可以在有或没有附加麦克风250(即，不是传感器阵列102的一部分的麦克风250)、有或没有附加加速度计252(即，不是传感器阵列102的一部分的加速度计252)、有或没有附加PPG传感器108(即，不是传感器阵列102的一部分的PPG传感器108)的情况下使用。
像传感器阵列102一样，处理器设备104类似地适用于各种实施方案。图21A至图21E分别是处理器设备104的各种示例性实施方案460A-E的框图。在实施方案460A-E中描绘的处理器设备104中的每一者中，处理器设备104包括通信电路256、微处理器258和存储器260。实施方案460A-E中的处理器设备104中的每一者还包括电池(或另一电源)462和电池充电技术464(显然，该电池充电技术在电源不是电池462的情况下将被省略)。用户界面106也可以可选地设置在处理器设备104中。
如说明书通篇所描述，系统100的各种实施方案可以包括麦克风250和加速度计252中的一者或两者。在各种实施方案中，麦克风250和/或加速度计252可以与处理器设备104分离，但是通信地耦合到该处理器设备。在实施方案(诸如上文关于图20B至图20E所描述的那些实施方案)中，一个或多个麦克风250和/或加速度计252可以设置在传感器阵列102中。类似地，在各种实施方案中，一个或多个麦克风250和/或加速度计252可以设置在处理器设备104中。图21A在实施方案460A中描绘了不包括任何麦克风250或加速度计252的处理器设备104。图21B至图21D分别在实施方案460B-D中描绘了处理器设备104，该处理器设备包括一个或多个加速度计252、一个或多个麦克风250，或者一个或多个加速度计252和一个或多个麦克风250。图21E描绘了包括PPG传感器108和可选的一个或多个麦克风250和/或一个或多个加速度计252的处理器设备104。
设想了各种实施方案，在各种实施方案中，传感器阵列102的实施方案450A-E中的任何一者可以通信地耦合到处理器设备104的实施方案460A-E中的任何一者。例如，图22A描绘了实施方案470，在该实施方案中，可以采取实施方案450A-E中的任何一者的形式的传感阵列102通信地耦合到处理器设备104，该处理器设备可以采取实施方案460A-E中的任何一者的形式。处理器设备104又可以通信地耦合到外部装备。外部装备472可以是建模处理器设备314。外部装备472也可以是一个或多个服务器，该一个或多个服务器接收和存储个体患者的数据并且/或者将患者的数据传送给诊断和/或治疗患者的相应医务人员或医师。
图22B描绘了替代实施方案，在该替代实施方案中，传感器阵列102和处理器设备104被集成到单个单元480中。组合单元480包括电池462和为单元480供电的电池充电技术464。电活动传感器452包括电极设备110和生化传感器282中的一者或两者。如在先前所描述的实施方案中，单元480可以包括一个或多个PPG传感器108、一个或多个加速度计252和/或一个或多个麦克风250。此外，如前所述，单元480可以通信地耦合到单元480外部的一个或多个PPG传感器108、一个或多个加速度计252和/或一个或多个麦克风250。还包括放大器146和模数转换器152。微处理器258、存储器260和通信电路256功能如全文所描述。
图20F和图20G分别描绘了传感器阵列102的示例性实施方案450F和450G的框图，该实施方案包括阵列452中的EEG传感器110。也就是说，现在应该理解，任何实施方案中的传感器阵列102包括一个或多个电活动传感器452，该电活动传感器可以是电极设备110，该电极设备测量大脑中或身体其他地方的电信号，这取决于放置)。虽然图20F中描绘的传感器阵列102仅包括EEG传感器542，但是图20G中描绘的传感阵列102还包括PPG传感器108。也就是说，在诸如图20G所描绘的实施方案中，PPG传感器108可以与传感器阵列102集成。在实施方案450F和450G中的每一者中，传感器阵列102包括本地处理设备144，该本地处理设备包括放大器146、电池148(如所描绘，该电池可以被认为是本地处理单元144的一部分或者在本地处理单元144外部)、收发器或者通信电路150、模数转换器152、处理器154和存储器156。实施方案450F和450G中的每一者还可以可选地包括电池充电电路454，用于便于电池148的充电。电池充电电路454可以是与患者身上的传感器阵列102的布置兼容的任何已知的电池充电技术。特别地，在实施方案中，电池充电电路454可以是感应充电电路，当传感器阵列102被设置在患者的头皮下方时，该感应充电电路便于通过患者的皮肤充电。在其他实施方案中，电池充电电路454可以通过例如利用患者的移动来转动小型发电机，从患者全天的移动中获取能量。在又其他实施方案中，电池充电电路454可以以RF信号的形式从环境中获取功率。在又另外的示例中，电池充电电路454可以从传感器阵列102的环境中发生的化学反应中获取能量。当然，也可以采用更传统的充电方法(例如，使用有线连接来向电池充电电路454供电)。
如图20F和图20G中可见，实施方案450F在传感器阵列102中不包括PPG传感器108。在实施方案450G中，传感器阵列102包括PPG传感器108。当然，在各种实施方案中，传感器阵列102的实施方案450G可以与或不与附加PPG传感器108(即，不是传感器阵列102的一部分的PPG传感器108)一起使用。
图20H描绘了在实施方案451中图示的PPG传感器108的一个实施方案，类似于图20F中描绘的传感器阵列102，PPG传感器108可以包括本地处理和存储元件(类似于框144)、电池148以及(可选地)电池充电电路454。
像传感器阵列102一样，处理器设备104类似地适用于各种实施方案。图22C至图22G分别是处理器设备104的各种示例性实施方案460A-E的框图。在实施方案460A-D中描绘的处理器设备104中的每一者中，处理器设备104包括通信电路256、微处理器258和存储器260。实施方案460A-D中的处理器设备104中的每一者还包括电池(或另一电源)462和电池充电技术464(显然，该电池充电技术在电源不是电池462的情况下将被省略)。用户界面106也可以可选地设置在处理器设备104中。
如说明书通篇所描述，系统100包括EEG传感器阵列102和PPG传感器108。在各种实施方案中，EEG传感器阵列102和PPG传感器108可以与处理器设备104分离，但是通信地耦合到该处理器设备，如图22C所描绘。在其他实施方案中，一个或多个PPG传感器108可以设置在传感器阵列102中，并且耦合到单独的处理器设备104，如图22D所描绘。图22E和图22F描绘了相应的实施方案，在该实施方案中，处理器设备104与EEG传感器102(图22E，实施方案460C)和PPG传感器108(图22F，实施方案460D)中的一者或另一者集成。在最后一组实施方案中，处理器设备104可以与EEG传感器102和PPG传感器108两者集成，如图22G所描绘的实施方案460E所描绘。在实施方案460A-460E中的每一者中，本地处理器设备104可以通信地耦合到外部装备472，该外部装备可以是建模处理器设备314、外部设备278、治疗性设备255或外部设备105中的一者或多者。
也考虑了各种通信方案。图23A和图23B图示了传感器阵列102与处理器设备104之间的可能通信方案，并且特别是，图23A图示了传感器阵列102与处理器设备104之间(即，传感器阵列102的通信电路150与处理器设备104的通信电路256之间)的无线连接482。无线连接482可以是任何已知类型的无线连接，包括
Figure BDA0004231049570000641
连接(例如，低功耗蓝牙)、无线互联网连接(例如，IEEE 802.11，称为“WiFi”)、近场通信连接或类似者。图23B图示了传感器阵列102与处理器设备104之间的有线连接484。例如，有线连接可以是串行连接。
传感器阵列102可以在由传感器阵列102获取数据时或周期性地将数据传送给处理器设备104。例如，传感器阵列102可以在本地处理单元144的存储器156中存储从作为传感器阵列102的一部分的电极设备110、生化传感器282和麦克风250和/或加速度计252获取的数据，并且可以周期性地(例如，每秒、每分钟、每半小时、每小时、每天、当存储器156满时等)将数据传输到处理器设备104。在其他实施方案中，传感器阵列102可以存储数据，直到处理器设备104耦合到传感器阵列102(例如，经由无线或有线连接)。传感器阵列102还可以存储数据，直到处理器设备104请求将数据从传感器阵列102传输到处理器设备104。以这些方式，传感器阵列102可以被优化，例如，以保持电池寿命等。
图24A至图24C图示了处理器设备104与外部装备或服务器472之间的可能通信方案，而不管处理器设备104是否与传感器阵列102集成(例如，如在图23中)。例如，在图24A中，处理器设备104可以通过无线通信连接耦合到移动设备486，诸如移动电话设备，该移动设备又可以通过例如互联网耦合到外部装备472。在图24B中，处理器设备104耦合到一个或多个中间设备488(例如，移动电话基站、无线路由器等)，该中间设备又经由互联网提供到外部装备472的连接。在图24C中，处理器设备104本身是移动设备，诸如移动电话设备，该移动设备可以通过一个或多个中间设备488借助于互联网耦合到外部装备472。
在图25A至图25D所描绘的一些实施方案中，外部装备也可以是治疗装备474。治疗装备474可以包括诸如植入大脑中或与大脑接触的电刺激设备、药物输送泵等。在实施方案中，响应于模型270、302的输出，并且特别是响应于检测到的模式或事件，治疗装备474可以从处理器设备104接收命令或控制输入。也就是说，处理器设备104可以包括存储在存储器260中的用于响应于分类结果274而控制治疗装备474的一个或多个例程(未示出)。图25A至图25D图示了处理器设备104与治疗装备474之间的可能通信方案，而不管处理器设备104是否与传感器阵列102集成(例如，如在图23中)。例如，在图25A中，处理器设备104可以通过无线通信连接耦合到移动设备486，诸如移动电话设备，该移动设备又可以无线耦合到治疗装备474。在图25B中，处理器设备104耦合到一个或多个中间设备488(例如，移动电话基站、无线路由器等)，该中间设备又经由无线连接提供到治疗装备474的连接。在图25C中，处理器设备104本身是移动设备，诸如移动电话设备，该移动设备可以通过一个或多个中间设备488借助于无线连接耦合到治疗装备474。在图25D中，处理器设备104经由无线通信链路与治疗装备474直接通信。
如上文所描述，旨在确定和优化用于治疗的治疗窗的第二子系统(例如，第二子系统104B)也包括在所设想系统的实施方案中。第二子系统可以与如上文所描述对事件进行检测、预测和/或分类的第一子系统顺序或同时操作，使得来自第一子系统的数据被用于确定优化的治疗性输入(例如，药物、神经刺激等)，以治疗患者的状况。图26图示了一般概念，即对于通过应用给定治疗治疗的给定状况，将存在低于其则该治疗没有效果的治疗剂量(即，亚治疗性剂量范围)、该治疗改善患者状况的剂量范围(即，治疗窗)以及该治疗引起一种或多种副作用的剂量范围，该范围可以与治疗性范围和亚治疗性范围中的一者或两者重叠。最佳地，治疗引起副作用的剂量范围虽然可能与治疗窗的一部分重叠，但不会与整个治疗窗重叠，并且将留下治疗窗的一部分作为“无副作用的治疗窗”，如图26所描绘。在实施方案中，第二子系统104B被配置为确定在无副作用治疗窗内的治疗性剂量。在其他实施方案中，第二子系统104B被配置为使副作用最小化，或者至少使某些类型的副作用最小化(例如，根据患者或医师的偏好)，同时提供治疗性价值。
鉴于此，应当理解，除了检测、表征和预测与生理状况具体相关的事件之外，本文所描述的系统和方法还可以适于对治疗性治疗的副作用进行检测、表征、分类和预测。这样，该系统和方法不仅可以根据与生理状况相关联的检测到的和/或预测的事件的存在和/或特性以及这些事件对患者健康的检测到的和/或预测的影响的存在和/或特性，还可以根据与治疗性治疗相关联的检测到的和/或预测的副作用的存在和/或特性来定制治疗。
图27是治疗策略例程273的框图，在实施方案中，该治疗策略例程包括第二子系统的部件。如图27所描绘，治疗策略例程273可以接收由模型270或302输出的分类结果274、336、348中的一些或所有者。治疗策略例程可以接收和存储分类结果274’的副本，或者在其他实施方案中，治疗策略例程可以从它们在存储器260中的位置读取分类结果。在任何情况下，治疗策略例程273包括分析例程500，该分析例程被配置为从分类结果274’接收数据，并确定关于治疗性治疗的推荐行动过程。在实施方案中，治疗策略例程273还包括评分例程502、治疗性设备控制策略例程504和治疗方案数据存储506中的一者或多者。在一些实施方案中，治疗策略例程273可以接收和/或存储治疗偏好数据269，该治疗偏好数据可以通知分析例程500和/或治疗性设备控制策略504的实现。治疗偏好数据269可以指示特定的治疗目标数据，该数据可以用于(例如，通过治疗策略例程273)调整目标治疗效果和/或副作用的可接受水平/量/严重程度。在实施方案中，可以经由用户界面106从患者或患者的护理人员接收治疗偏好数据269。在其他实施方案中，治疗偏好数据269可以从外部设备(例如，从通信地耦合到系统的医师设备)接收。
一般而言，分析例程500依赖于关于临床和副作用事件的数量的原始数据(例如，来自分类结果274’)或由评分例程502从分类结果274’得出的分数，以输出关于治疗的最佳剂量的推荐(在药物治疗的数量和/或频率、神经刺激治疗的幅度和/或时机等方面)，如下文所描述。在实施方案中，分析例程500可以输出推荐，在包括耦合到系统的治疗性设备255的实施方案中，该推荐可以由治疗性设备控制策略例程504实现。治疗性设备控制策略例程504可以使用治疗方案数据506作为例程的输入，该治疗方案数据可以提供关于与所讨论治疗相关的可接受的剂量、时机等的信息。例如，分析例程500可以输出增加治疗剂量的推荐。治疗性设备控制策略504可以确定正在应用的当前给药方案，查询治疗方案数据506中的数据，确定下一个更高的治疗剂量，并且经由治疗性设备255实现该剂量。当然，在实施方案中，可能希望在治疗控制回路中包括临床医师或医师。在这样的实施方案中，分析例程500可以(例如，经由发送给护理人员设备107A或医师设备107B的消息)输出传达给护理人员或医师的推荐。该推荐可以由接受者审查和/或批准，该接受者可以实现对治疗的改变，或者在实现了治疗性设备255的实施方案中，消息可以被发送回确认该改变的治疗性设备控制策略例程504，并且例程504可以相应地控制治疗性设备255。
图28、图29、图30A和图30B描绘了算法的各种示例性(即，非限制性)示例，该算法可以由分析例程500实现以实现对特定患者的优化治疗。当然，算法中的不同多个算法可以根据不同的标准进行优化，如鉴于以下描述将变得明显的。当然，本领域技术人员将认识到，在不脱离本说明书的所设想实施方案的情况下，可以对这些算法进行修改以实现不同的优化目标。
在由分析例程500实现的算法的一些实施方案中，分析例程严格基于临床事件的数量和副作用的存在或不存在来执行治疗优化。这种实施方案在图28和图29中描绘。
图28描绘了可由分析例程500实现的示例性算法510。一般而言，算法510操作以增加治疗剂量(即，治疗的数量和/或频率)直到在治疗性观察窗内检测到副作用，并且然后减少治疗剂量直到副作用消除。在算法510中，由分析例程500接收分类数据(框512)。分析例程500根据存储的先前数据来评估最近的动作是增加还是减少治疗剂量(空值(如在算法的第一次执行中)被视为增加)(框514)。如果治疗剂量增加，则算法510根据接收到的分类数据来确定增加的剂量是否导致观察窗上临床事件的数量的减少(框516)。观察窗可以例如对应于移动的两周窗，在该两周窗内，两周前的治疗效果预期会引起症状或事件的减少。替代地，观察窗可以对应于从治疗输入的给药方案的最后一次改变起延长特定时间帧(例如，两周)的静态窗。然而，取决于事件的类型和/或治疗性治疗的类型，可以在其内比较数据的观察窗可以大于或小于两周(例如，几小时、几天、一周、三周等)。
如果增加的治疗剂量没有引起事件的减少，则算法510确定先前剂量是否被分类为治疗性的(空值被视为非治疗性的)(框518)。如果先前剂量没有被分类为治疗剂量，则算法510注意到当前的剂量仍然是亚治疗性的(框520)，并且然后查看接收到的分类数据，以确定在观察窗期间是否发生了副作用(框522)。如果在观察窗期间确实发生了副作用，则即使治疗剂量是亚治疗性的，算法510也可以输出考虑不同治疗的推荐(框524)。另一方面，如果剂量是亚治疗性的并且不存在副作用，则算法510可以输出增加治疗剂量和/或频率的推荐(框526)。这可以重复进行，直到治疗引起事件减少(即，直到确定剂量是治疗性的)。
如果增加的治疗剂量引起事件减少(框516)，则算法510记录该剂量被认为是治疗性的(框528)，并且然后查看接收到的分类数据以确定在观察窗期间是否发生副作用(框530)。如果没有副作用发生，则算法510可以输出增加治疗剂量和/或频率的推荐(框526)。另一方面，如果存在副作用，则算法510可以输出减少治疗剂量和/或频率的推荐(框532)。
如果增加的治疗剂量没有引起事件的减少(框516)，则算法510可以评估先前剂量是否被认为是治疗性的(框518)，并且如果是，则可以注意到当前剂量也保持为治疗性的(即，比基线更少的事件)(框534)。算法510然后可以评估接收到的分类数据，以确定在观察窗期间是否发生了副作用(框536)。如果在观察窗期间存在副作用，则算法510可以输出减少治疗剂量和/或频率的推荐(框532)。相反，如果在观察窗期间没有检测到副作用，则算法510可以输出保持治疗剂量和/或频率稳定的推荐。
如果先前降低了治疗剂量(框514)，这将指示治疗剂量是治疗性的，但是在观察窗期间存在副作用。因此，算法510可以继续评估是否由于减少的剂量而存在副作用(框540)。如果不是，则算法510可以输出保持治疗剂量和/或频率稳定的推荐(框542)。如果副作用仍然存在，则算法510可以输出进一步降低治疗剂量和/或频率的推荐(框544)。
图29描绘了可由分析例程500实现的不同的示例性算法550。一般而言，算法550操作以增加治疗剂量(即，治疗的数量和/或频率)直到治疗效果停止增加(即，直到剂量的增加没有引起临床事件的减少)，并且然后减少治疗剂量直到副作用消除。在算法550中，由分析例程550接收分类数据(框552)。分析例程550根据存储的先前数据来评估最近的动作是增加还是减少治疗剂量(空值(如在算法的第一次执行中)被视为增加)(框554)。如果治疗剂量增加，则算法550根据接收到的分类数据来确定增加的剂量是否导致观察窗上临床事件的数量的减少(框556)。
如果增加的治疗剂量没有引起事件的减少，则算法550确定先前剂量是否被分类为治疗性的(空值被视为非治疗性的)(框558)。如果先前剂量没有被分类为治疗剂量，则算法550注意到当前的剂量仍然是亚治疗性的(框560)，并且然后查看接收到的分类数据，以确定在窗期间是否发生了副作用(框562)。如果在观察窗期间确实发生了副作用，则即使治疗剂量是亚治疗性的，算法550也可以输出考虑不同治疗的推荐(框564)。另一方面，如果剂量是亚治疗性的并且不存在副作用，则算法550可以输出增加治疗剂量和/或频率的推荐(框566)。这可以重复进行，直到治疗引起事件减少(即，直到确定剂量是治疗性的)。
如果增加的治疗剂量引起事件减少(框556)，则算法550注意到该剂量被认为是治疗性的(框568)，并输出增加治疗剂量和/或频率的推荐(框570)。另一方面，如果增加的治疗剂量没有引起事件的对应减少(框556)，并且先前剂量被认为是治疗性的(框558)，则这指示已经达到峰值治疗效果，并且算法550确定是否存在副作用(框572)。如果不存在副作用，则算法550可以输出保持当前治疗剂量并且不进行进一步调整的推荐。然而，如果确定存在副作用(框572)，则算法550输出减少治疗剂量和/或频率的推荐(框576)。
在算法550确定最近的调整是减少治疗剂量的情况下(框554)，假设这样做的原因是峰值治疗效果的建立，并且算法550检查以查看在治疗剂量减少之后副作用是否仍然存在(框578)。如果在观察窗期间没有观察到副作用，则算法550输出保持当前治疗剂量的推荐(框580)，或者如果副作用仍然存在，则进一步减少治疗剂量(框582)。
与提供了由分析例程500实现的算法严格基于临床事件的数量和副作用的存在与否来优化治疗剂量的示例的图28和图29相比而言，图30A和图30B提供了当由分析例程500实现时基于由评分例程502计算的分数来优化治疗剂量的算法的示例，该分数对应于在观察窗期间观察到的事件和/或副作用。
算法600从值的初始化开始(框602)。特别地，治疗窗标志可以被初始化为“假”或“空”，治疗标志或值的峰值效果可以被初始化为“假”或“空”，并且计数器值可以被初始化为“0”或“假”。算法600然后从最近的观察窗接收分类事件(框604)。
算法600然后可以采用评分例程502来对接收到的分类事件中的事件进行评分(框606)。根据具体情况(例如，癫痫、睡眠呼吸暂停等)，评分可以是基于任何数量的不同方案、特定治疗(例如，药物、神经刺激等)、经历和/或预期的副作用类型等。在各种实施方案中，可以分别对临床事件和副作用事件进行评分，并计算综合得分。例如，临床事件和副作用事件都可以生成正分数，该正分数在一定时段内被求和从而生成总分数，该总分数可以被分析例程500用来确定治疗是否具有正效果(例如，生成临床事件分数的降低，该降低超过副作用分数的任何增加。替代地，临床事件和副作用可以各自基于加权系统进行评分。作为示例而非限制，每个临床和/或副作用事件可以通过对事件类型、严重程度、持续时间、效果和/或已评分事件与前一事件之间经过的时间应用权重来评分(例如，考虑事件是否变得不那么频繁)。这样，某些类型的临床和/或副作用可被视为更需重视，更严重的事件可被视为更需重视，而持续时间长的事件可被视为更需重视。此外，在实施方案中，可以对副作用分数采用阈值，该阈值由于副作用的严重程度而可能使得治疗停止或可能使得剂量减少。
在任何情况下，一旦对事件中的每个事件进行了评分(框606)，算法600就可以对观察窗中的临床事件分数进行合计(框608)，并且可以对该窗中的副作用事件分数进行合计(框610)。如果计数器值为“0”或“假”(框612)从而指示算法600第一次运行，则计数器被设定为“1”或“真”，并且临床事件分数被设定为基线，并且起始治疗剂量被应用(框614。此后，也就是说，当计数器值为“1”或“真”时(框612)，算法600检查是否已经建立了治疗的峰值效果(框616)。如果没有，则算法600评估临床事件分数(或者，在实施方案中，总分数)是否已经降低(框618)。如果事件分数没有降低，并且治疗窗的下限还没有建立(即“空”)(框620)，则算法600输出增加治疗剂量和/或频率的推荐(框622)，因为算法已经确定当前剂量是亚治疗性的。
另一方面，如果事件分数降低(框618)，并且治疗窗的下限还没有建立(即“空”)(框624)，则算法600可以将当前剂量设定为治疗窗的下限(框626)，并且可以输出增加治疗剂量和/或频率的推荐(框622)。如果事件分数降低(框618)，并且已经建立了治疗窗的下限(即，不是“空”)(框624)，则算法600可以输出增加治疗剂量和/或频率的推荐(框622)(例如，因为先前剂量已经在治疗窗中，并且当前剂量继续降低临床事件分数)。
如果治疗的峰值效果还没有建立(框616)，则最近的观察窗不显示事件分数的降低(框618)，并且如果已经建立了治疗窗的下限(框620)——即，如果当前剂量在治疗窗内，但是没有引起临床事件分数的进一步降低——则先前剂量被设定为治疗的峰值效果(框628)。算法600然后评估是否存在副作用(框630)。如果不是，则将先前剂量设定为最佳治疗剂量(框632)；如果是，则算法600输出减少治疗剂量和/或频率的推荐(框634)。
一旦已经设定了治疗的峰值效果并且已经实现了剂量的减少，算法600就评估副作用的观察窗事件(框636)。如果在降低剂量之后不存在副作用，则设定最佳治疗水平(框638)。另一方面，如果在降低剂量之后副作用仍然存在(框636)，则算法600评估再次降低治疗剂量是否会引起低于治疗窗的下限(框640)。如果是，则将当前治疗剂量设定为最佳治疗水平(框638)；如果不是，则算法600输出降低治疗剂量和/或频率的推荐(框634)。
图30B描绘了非常类似于图30A所描绘的算法600的算法650。然而，在算法650中，如果先前剂量没有导致事件分数降低，并且治疗窗的下限还没有确定(即，当剂量是亚治疗性时)，则将副作用分数与副作用分数阈值进行比较。如果治疗的亚治疗性剂量仍然导致超过阈值的副作用，则算法650输出考虑改变为不同治疗的推荐。只有当亚治疗性剂量没有导致超过阈值的副作用时，算法650才输出增加治疗性剂量的推荐。
如果先前剂量导致事件分数降低，并且已经确定了治疗窗的下限(即，当剂量是治疗性的并且导致事件分数进一步降低时)，则将副作用分数与副作用分数阈值进行比较。如果治疗的治疗性剂量导致超过阈值的副作用，则算法650将先前剂量设定为治疗的峰值效果，并输出将剂量和/或频率降低到先前观察窗的剂量和/或频率的推荐。只有当治疗性剂量没有导致超过阈值的副作用时，算法650才输出增加治疗性剂量的推荐。
当然，应该理解，算法510、550、600和650中的每一者本质上都是示例性的。分析例程500可以实现任何数量的不同算法，该算法中的每个算法可以根据具体需要使用事件分类结果来优化所讨论状况的治疗性治疗，这是本领域技术人员根据本说明书容易理解的。
例如，上文所描述的算法可能比由所描述算法所建议的更能容忍一些或所有副作用。如上文说明书所指示，如果临床症状(例如，癫痫发作)减轻，则患者和/或临床医师可以指示一些副作用是可以忍受的。例如，如果潜在状况的临床症状被消除或最小化，则一些患者可能很乐意接受某些副作用。实现这一点的一种方式可以是在副作用的评分中，针对患者可忍受的副作用类型包括较低的权重，并且对较不可忍受(或完全不可忍受)的副作用包括较高(或无限)的权重。以这种方式，当不可容忍事件(例如，心律失常)发生时，该算法可以降低治疗剂量和/或频率，而当可容忍事件发生时，向峰值治疗效果移动或停留在峰值治疗效果。当然，鉴于本说明书，可以容易地设想这种算法的精确实施方式的许多变化。
还应该理解，随着治疗继续，某些副作用可能会减轻。也就是说，增加的治疗剂量和/或频率可能会暂时导致副作用增加，但副作用可能会随着患者的身体平衡到新的治疗剂量和/或频率而减轻。因此，算法是可能的，在该算法中，较早的副作用事件的权重低于较晚的副作用事件的权重，使得更可能在患者的身体已经平衡到一定程度之后发生的较晚的副作用事件的分数在总的副作用分数中占主导地位。同时，治疗(尤其是药物治疗)的临床疗效可能会随着时间的推移而下降，因为患者的身体进行调整以适应该治疗。因此，系统可以监测事件的数量(例如，癫痫发作的数量等)来确定疗效是否正在减弱，并且治疗策略例程273可以调整治疗剂量和/或时机来进行补偿，同时考虑与副作用相关的各种因素。此外，在实施方案中，系统可以接收来自各种患者的数据，并且因此可以被配置为预测治疗疗效的降低(正如该系统可以预测副作用一样)，并且治疗策略例程273可以主动地缓和降低的治疗疗效，同时控制副作用并且使患者的健康最大化。
此外，在实施方案中，治疗策略例程273可以被编程，使得某些副作用触发治疗给予时刻的改变，而不是治疗剂量和/或频率的改变。作为一个非限制性示例，一些药物治疗可能导致失眠的改变(例如，可能导致患者更加警觉或更加困倦)。这种副作用的存在可以引起治疗策略例程273推荐和/或实现治疗给予时刻的改变，例如，通过在就寝前而不是在一大早施用导致困倦的药物，或者通过在就寝前或夜间以外的时间施用导致失眠的药物。
在又其他实施方案中，治疗策略例程273可以推荐一系列顺序和/或同时的药物治疗。例如，随着时间的推移，明显的是，当使用不同的药剂(即药物)来治疗患者时，没有一种药剂本身足以实现患者的治疗目标(例如，充分治疗症状而没有不希望的或不可接受的副作用等)，或者在患者对药物产生耐受性之前，只是暂时达到治疗目标。然后，在实施方案中，治疗策略例程273可以推荐(或经由治疗性设备255实现)增加药物剂量。然而，替代地，所收集的数据可以指示某些药物组合和/或顺序可以比该药物中的任何一种药物本身实现更好的结果(即，更少、更不频繁和/或更不严重的症状；较少、较不频繁和/或较不严重的副作用；等等)。因此，治疗策略例程273可以推荐在第一治疗之后进行第二治疗。在某些情况下，第一治疗和第二治疗可能会重叠，诸如当第二治疗逐渐增加至特定剂量，而第一治疗逐渐减少至没有时；在其他情况下，在给予第二治疗之前，可以停止第一治疗(并且从患者的系统中消除药物)。此外，无论是两种还是更多种治疗，都可以根据患者对各种药物的反应以一种顺序或另一种顺序轮换，如由本文所描述的系统和方法监测、分类和/或检测的。
虽然在这一点上应该容易理解，但是本文的系统和方法可以对事件进行检测和分类，推荐治疗方案的改变，并且在具有连接的治疗性设备的情况下，可以应用治疗方案的改变。图31被提供以在高级别上图示这个概念，描绘了方法670，在该方法中接收到数据(EEG数据和PPG数据，以及可选的麦克风和/或加速度计数据，以及用户报告的数据)(框672)。从接收到的数据中提取特征值(框674)并输入到模型中(框676)。该模型输出所检测和分类的事件(框678)，然后对该事件进行评分(框680)并确定治疗推荐(框682)。在(例如，手动地或经由所耦合的治疗性设备)对患者应用所确定的治疗(框686)之前，治疗推荐被(可选地)传输到诸如医师和/或护理人员的第三方，从该第三方(可选地)接收确认和/或授权(框684)。
如在这一点上将理解的，两个子系统104A、104B可以被迭代地和/或同时采用，以改进对经过训练的AI模型302的训练。例如，在实施方案中，经过训练的AI模型302可以生成分类结果336，包括部分地基于当前治疗方案的预测的事件372、387、399A、400A。也就是说，可以至少部分地基于将治疗剂量和时间与事件和副作用的发生相关联的先前数据来训练经过训练的AI模型302，以基于检测到的事件和当前治疗剂量和时间来确定预测的事件和副作用。经过训练的AI模型302此后可确定预测的数据是否准确，并可根据之后的数据调整模型。经过训练的AI模型302可以例如确定治疗水平的先前变化引起了检测到的事件和/或副作用的对应变化，并且因此可以确定，基于最近检测到的事件和副作用以及当前和/或新应用的治疗方案，可以预测未来事件和副作用的某些伴随变化。通过重复此过程，经过训练的AI模型302可以基于所应用的治疗如何影响特定患者，或者当在多个患者之间累积数据时所应用的治疗如何影响患者群体，来不断更新其预测。
另外或替代地，治疗策略例程273可以使用预测的事件分类数据372、387、399A、400A来调整治疗方案。因此，尽管上述算法510、550、600、650、670通常基于检测到的事件(即，基于已经发生的事件)并通过试图基于先前事件实现改变来输出和/或应用治疗推荐，但是在实施方案中，治疗策略例程273可以基于预测的事件分类数据372、387、399A、400A来采用其他类似算法，目的是基于预测的事件(即，基于还没有发生的事件)来输出和/或应用治疗推荐。以这种方式，随着经过训练的AI模型302改进其对未来事件的预测，由治疗策略例程273输出的推荐将同样展现出改进的推荐，从而改善患者的整体健康。
以下方面列表反映了本公开明确设想的各种实施方案。本领域普通技术人员将容易理解，以下方面既不是对本文所公开的实施方案的限制，也不是对从以上公开内容中可以想到的所有实施方案的穷举，而是意味着本质上是示例性的。
第一组方面
1.一种用于对与患者相关联的生理事件进行检测和分类的系统，所述系统包括：处理器设备，所述处理器设备包括微处理器、存储器和通信电路；传感器阵列，所述传感器阵列经由所述通信电路通信地耦合到所述处理器设备，并且向所述处理器设备提供电信号数据；以下各项中的一项或两项：(a)设置在所述患者身上的一个或多个麦克风，所述一个或多个麦克风经由所述通信电路通信地耦合到所述处理器设备，并且向所述处理器设备提供麦克风数据，以及(b)设置在所述患者身上的一个或多个加速度计，所述一个或多个加速度计经由所述通信电路通信地耦合到所述处理器设备，并且向所述处理器设备提供加速度计数据；被配置为接收多个特征值的模型，所述多个特征值包括以下各项中的每一项：(i)所述电信号数据的一个或多个特征值，以及(ii)以下各项中的一项或两项(a)所述麦克风数据的一个或多个特征值，以及(b)所述加速度计数据的一个或多个特征值，其中根据算法来配置所述模型，所述算法根据对先前多个特征值的分析将权重分配给所述多个特征值，其中所述模型被配置为基于所述多个特征值来提供一个或多个分类结果，所述一个或多个分类结果对应于与所述生理事件相关联的一组或多组相应的生物标志物数据。
2.根据方面1所述的系统，其中所述系统包括设置在所述患者身上的所述一个或多个麦克风。
3.根据方面2所述的系统，其中所述一个或多个麦克风中的至少一个麦克风设置在所述传感器阵列中。
4.根据方面2或方面3所述的系统，其中所述处理器设备是可穿戴处理器设备，并且其中所述一个或多个麦克风中的至少一个麦克风设置在第一处理器设备中。
5.根据前述方面中任一方面所述的系统，其中所述系统包括设置在所述患者身上的所述一个或多个加速度计。
6.根据方面5所述的系统，其中所述一个或多个加速度计中的至少一个加速度计设置在所述传感器阵列中。
7.根据方面5或方面6所述的系统，其中所述处理器设备是可穿戴处理器设备，并且其中所述一个或多个加速度计中的至少一个加速度计设置在所述第一处理器设备中。
8.根据前述方面中任一方面所述的系统，其中所述处理器设备嵌入在所述传感器阵列中或者与所述传感器阵列相邻设置。
9.根据前述方面中任一方面所述的系统，其中所述处理器设备与移动电话设备进行无线通信。
10.根据方面9所述的系统，其中所述移动电话设备被配置为经由互联网将数据从所述处理器设备传送到一个或多个服务器。
11.根据前述方面中任一方面所述的系统，其中所述传感器阵列包括无线收发器。
12.根据前述方面中任一方面所述的系统，其中所述处理器设备是移动电话设备。
13.根据前述方面中任一方面所述的系统，其中所述模型被配置为接收来自所述患者的用户报告。
14.根据方面13所述的系统，其中所述用户报告包括癫痫发作事件的用户报告。
15.根据方面13或方面14所述的系统，其中所述用户报告包括摄入药物的类型的用户报告。
16.根据方面13至方面15中任一方面所述的系统，其中所述用户报告包括摄入药物的剂量的用户报告。
17.根据方面13至方面16中任一方面所述的系统，其中所述用户报告包括摄入药物的时间的用户报告。
18.根据前述方面中任一方面所述的系统，其中对于每个分类的生理事件，所述分类结果包括将所述生理事件分类为癫痫发作或非癫痫发作。
19.根据方面18所述的系统，其中对于被分类为癫痫发作的每个分类的生理事件，所述分类结果包括将所述生理事件分类为癫痫发作或分类为非癫痫发作。
20.根据前述方面中任一方面所述的系统，其中对于每个分类的生理事件，所述分类结果包括分类为药物副作用或分类为不是药物副作用。
21.根据前述方面中任一方面所述的系统，其中对于每个分类的生理事件，所述分类结果包括将每个事件分类为具有从由以下各项组成的组中选择的类型：(I)癫痫的临床表现，在所述临床表现中，相应的患者表现出癫痫发作的外在迹象，并且一个或多个第一事件针对所述临床表现指示癫痫发作；(II)癫痫的亚临床表现，在所述亚临床表现中，相应的患者没有表现出癫痫发作的外在迹象，但是一个或多个第一事件将针对所述亚临床表现指示癫痫发作；(III)非临床事件，在所述非临床事件中，相应的患者没有表现出癫痫发作的外在迹象，并且一个或多个第一事件包括不暗示癫痫发作的异常活动，但是指示相对于基线传感器活动的异常活动；(IV)非事件，在所述非事件中，相应的患者报告癫痫发作，但是传感器没有提示类型(I)、(II)或(III)事件，或者一个或多个第一事件被检测为非常类似癫痫发作，但是可以作为噪声数据或数据伪像排除；以及(V)药物副作用。
23.根据前述方面中任一方面所述的系统，其中对于每个分类的生理事件，所述分类结果包括严重程度。
24.根据前述方面中任一方面所述的系统，其中对于每个分类的生理事件，所述分类结果包括持续时间。
25.根据前述方面中任一方面所述的系统，其中所述传感器阵列包括脑电图(EEG)电极。
26.根据方面25所述的系统，其中头皮下电信号数据包括EEG数据。
27.根据前述方面中任一方面所述的系统，其中所述传感器阵列包括一个或多个生物传感器，所述生物传感器提供指示化学生物标志物存在或不存在的一个或多个电信号。
28.根据前述方面中任一方面所述的系统，其中所述生物标志物包括根据肌电图数据和由设置在所述患者头部和/或臂部上的一个或多个设备收集的加速度计数据的组合来确定的肌张力生物标志物数据。
29.根据前述方面中任一方面所述的系统，其中所述生物标志物数据包括根据由设置在所述患者头部和/或臂部上的一个或多个设备收集的加速度计数据来确定的不稳定性生物标志物数据。
30.根据前述方面中任一方面所述的系统，其中所述生物标志物包括根据由设置在所述患者头部和/或臂部上的一个或多个设备收集的加速度计数据来确定的姿势生物标志物数据。
31.根据前述方面中任一方面所述的系统，其中所述生物标志物数据包括根据由一个或多个麦克风收集的麦克风数据来确定的情绪扰乱生物标志物数据。
32.根据前述方面中任一方面所述的系统，其中所述生物标志物数据包括根据由设置在所述患者头部和/或臂部上的一个或多个加速度计收集的加速度计数据来确定的协调性丧失生物标志物数据。
33.根据前述方面中任一方面所述的系统，其中所述生物标志物数据包括根据由一个或多个麦克风收集的麦克风数据来确定的言语生成生物标志物数据。
34.根据前述方面中任一方面所述的系统，其中所述生物标志物数据包括根据从一个或多个EEG传感器阵列接收到的EEG数据来确定的癫痫样活动生物标志物数据。
35.根据前述方面中任一方面所述的系统，其中所述生物标志物数据包括根据由设置在所述患者身上的一个或多个设备收集的肌电图数据和麦克风数据的组合来确定的颌运动生物标志物数据。
36.根据前述方面中任一方面所述的系统，其中所述生物标志物数据包括根据由设置在所述患者头部上的一个或多个加速度计收集的加速度计数据来确定的疲劳生物标志物数据。
37.根据前述方面中任一方面所述的系统，其中所述生物标志物数据包括根据由设置在所述患者头部和/或臂部上的一个或多个加速度计收集的加速度计数据来确定的头晕生物标志物数据。
38.根据前述方面中任一方面所述的系统，其中所述生物标志物数据包括根据由设置在所述患者身上的一个或多个设备收集的肌电图数据、麦克风数据和/或加速度计数据的组合来确定的呕吐生物标志物数据。
39.根据前述方面中任一方面所述的系统，其中所述生物标志物数据包括根据从一个或多个EEG传感器阵列接收到的EEG数据来确定的睡眠生物标志物数据。
40.根据前述方面中任一方面所述的系统，其中所述处理器设备远离所述传感器阵列，并且经由互联网通信地耦合到所述传感器阵列。
41.根据前述方面中任一方面所述的系统，其中所述系统包括一个或多个麦克风，所述一个或多个麦克风是前庭假体的一部分。
42.根据前述方面中任一方面所述的系统，其中所述系统包括一个或多个加速度计，所述一个或多个加速度计是前庭假体的一部分。
43.根据前述方面中任一方面所述的系统，所述系统还包括治疗设备，所述治疗设备通信地耦合到所述处理器并从所述处理器接收指令，所述指令被配置为根据一个或多个分类结果来修改所述治疗设备的操作。
44.根据前述方面中任一方面所述的系统，其中所述一个或多个麦克风中的一个麦克风是加速度计。
45.根据前述方面中任一方面所述的系统，其中所述处理器被配置为分析所述分类结果以确定各种类型事件的聚类或频率。
46.根据方面1至方面45中任一方面所述的系统，其中所述传感器阵列设置在所述患者的头皮下方。
47.根据方面1至方面45中任一方面所述的系统，其中所述传感器阵列设置在所述患者的头皮下方。
48.根据前述方面中任一方面所述的系统，其中所述电信号数据是脑电描记术(EEG)数据。
49.根据前述方面中任一方面所述的系统，其中所述模型是根据基于先前多个特征值的人工智能(AI)算法来配置的经过训练的AI模型。
51.一种方法，所述方法包括：从第一处理器设备接收第一组数据，所述第一组数据包括：(i)来自设置在相应的一个或多个第一患者的头皮下方的一个或多个第一传感器阵列的头皮下电信号数据，以及(ii)以下各项中的一项或两项(a)来自设置在所述一个或多个第一患者身上的相应的第一麦克风的第一麦克风数据，以及(b)来自设置在所述一个或多个第一患者身上的相应的第一加速度计的第一加速度计数据；基于所述第一组数据并且基于对应的第一癫痫发作报告和第一药物副作用报告来生成第一人工智能(AI)训练集；接收对所述第一AI训练集的一个或多个属性的选择作为特征值；接收用于所述第一AI训练集的一个或多个关键字或标签；使用所述特征值和为所述第一AI训练集定义的所述一个或多个关键字或标签，用所述第一AI训练集训练经过训练的模型的第一迭代，所述经过训练的模型的所述第一迭代可操作以提供具有对应的第一差错率的第一组分类结果；从第二处理器设备接收第二组数据，所述第二组数据包括：(i)来自设置在第二患者的头皮下方的第二传感器阵列的第二头皮下电信号数据，以及(ii)以下各项中的一项或两项(a)来自设置在所述第二患者身上的第二麦克风的第二麦克风数据，以及(b)来自设置在所述第二患者身上的第二加速度计的第二加速度计数据；基于所述第二组数据并且基于对应的第二癫痫发作报告和第二药物副作用报告来生成第二AI训练集；接收对所述第二AI训练集的一个或多个属性的选择作为特征值；接收用于所述第二AI训练集的一个或多个关键字或标签；使用所述特征值和为所述第二AI训练集定义的所述一个或多个关键字或标签，用所述第二AI训练集训练经过训练的模型的第二迭代，所述经过训练的模型的所述第二迭代可操作以提供具有对应的第二差错率的第二组分类结果，其中与所述第一差错率的总差错率相比，所述第二差错率具有降低的总差错率。
52.根据方面51所述的方法，其中：所述第一组数据包括来自设置在所述一个或多个第一患者身上的所述相应的第一麦克风的所述第一麦克风数据，并且所述第二组数据包括来自设置在所述第二患者身上的所述第二麦克风的所述第二麦克风数据。
53.根据方面52所述的方法，其中：所述相应的第一麦克风设置在对应的第一传感器阵列中，并且所述第二麦克风设置在所述第二传感器阵列中。
54.根据方面52所述的方法，其中：所述一个或多个第一处理器设备是可穿戴处理器设备，所述相应的第一麦克风设置在所述一个或多个第一处理器设备中，并且所述第二处理器设备是可穿戴处理器设备，所述第二麦克风设置在所述第二处理器设备中。
55.根据方面52所述的方法，其中：所述一个或多个第一处理器设备是可穿戴处理器设备，所述第一组数据包括从设置在所述一个或多个第一患者中的每个第一患者身上的多个第一麦克风接收到的第一麦克风数据，所述多个第一麦克风中的至少一个第一麦克风设置在所述对应的第一传感器阵列中，并且所述多个第一麦克风中的至少一个第一麦克风设置在所述相应的第一处理器设备中，并且所述第二处理器设备是可穿戴处理器设备，所述第二组数据包括从设置在所述第二患者身上的多个第二麦克风接收到的第二麦克风数据，所述多个第二麦克风中的至少一个第二麦克风设置在所述第二传感器阵列中，并且所述多个第二麦克风中的至少一个第二麦克风设置在所述第二处理器设备中。
56.根据方面51至方面55中任一方面所述的方法，其中：所述第一组数据包括来自设置在所述一个或多个第一患者身上的所述相应的第一加速度计的所述第一加速度计数据，并且所述第二组数据包括来自设置在所述第二患者身上的所述第二加速度计的所述第二加速度计数据。
57.根据方面56所述的方法，其中：所述相应的第一加速度计设置在对应的第一传感器阵列中，并且所述第二加速度计设置在所述第二传感器阵列中。
58.根据方面56所述的方法，其中：所述一个或多个第一处理器设备是可穿戴处理器设备，所述相应的第一加速度计设置在所述一个或多个第一处理器设备中，并且所述第二处理器设备是可穿戴处理器设备，所述第二加速度计设置在所述第二处理器设备中。
59.根据方面56所述的方法，其中：所述一个或多个第一处理器设备是可穿戴处理器设备，所述第一组数据包括从设置在所述一个或多个第一患者中的每个第一患者身上的多个第一加速度计接收到的第一加速度计数据，所述多个第一加速度计中的至少一个第一加速度计设置在所述对应的第一传感器阵列中，并且所述多个第一加速度计中的至少一个第一加速度计设置在所述相应的第一处理器设备中，并且所述第二处理器设备是可穿戴处理器设备，所述第二组数据包括从设置在所述第二患者身上的多个第二加速度计接收到的第二加速度计数据，所述多个第二加速度计中的至少一个第二加速度计设置在所述第二传感器阵列中，并且所述多个第二加速度计中的至少一个第二加速度计设置在所述第二处理器设备中。
60.根据方面51至方面59中任一方面所述的方法，其中所述第一处理器设备嵌入在所述第一传感器阵列中或者与所述第一传感器阵列相邻设置。
61.根据方面51至方面60中任一方面所述的方法，其中所述第二处理器设备嵌入在所述第二传感器阵列中或者与所述第二传感器阵列相邻设置。
62.根据方面51至方面61中任一方面所述的方法，其中所述第一处理器设备与移动电话设备进行无线通信。
63.根据方面51至方面62中任一方面所述的方法，其中所述第二处理器设备与移动电话设备进行无线通信。
64.根据方面62或方面63所述的方法，其中所述移动电话设备被配置为经由互联网将数据从所述第一处理器设备或所述第二处理器设备传送到一个或多个服务器。
65.根据方面51至方面64中任一方面所述的方法，其中所述第一传感器阵列包括无线收发器。
66.根据方面51至方面65中任一方面所述的方法，其中所述第一处理器设备是移动电话设备。
67.根据方面51至方面66中任一方面所述的方法，其中所述第二处理器设备是移动电话设备。
68.根据方面51至方面67中任一方面所述的方法，其中：生成所述第一AI训练集还包括基于对应的药物类型报告来生成所述第一AI训练集，并且生成所述第二AI训练集还包括基于第二药物类型报告来生成所述第二AI训练集。
69.根据方面51至方面68中任一方面所述的方法，其中：生成所述第一AI训练集还包括基于对应的药物摄入量报告来生成所述第一AI训练集，并且生成所述第二AI训练集还包括基于第二药物摄入量报告来生成所述第二AI训练集。
70.根据方面51至方面69中任一方面所述的方法，其中：提供第一组分类结果包括将一个或多个第一事件中的每一个第一事件分类为癫痫发作或分类为非癫痫发作，并且提供第二组分类结果包括将一个或多个第二事件中的每一个第二事件分类为癫痫发作或分类为非癫痫发作。
71.根据方面51至方面70中任一方面所述的方法，其中：提供第一组分类结果包括将一个或多个第一事件中的每一个第一事件分类为癫痫发作或分类为药物副作用，并且提供第二组分类结果包括将一个或多个第二事件中的每一个第二事件分类为癫痫发作或分类为药物副作用。
72.根据方面51至方面71中任一方面所述的方法，其中：提供第一组分类结果包括将一个或多个第一事件中的每一个第一事件分类为由以下各项组成的组中的一项：(I)癫痫的临床表现，在所述临床表现中，相应的患者表现出癫痫发作的外在迹象，并且一个或多个第一事件针对所述临床表现指示癫痫发作；(II)癫痫的亚临床表现，在所述亚临床表现中，相应的患者没有表现出癫痫发作的外在迹象，但是一个或多个第一事件将针对所述亚临床表现指示癫痫发作；(III)非临床事件，在所述非临床事件中，相应的患者没有表现出癫痫发作的外在迹象，并且一个或多个第一事件包括不暗示癫痫发作的异常活动，但是指示相对于基线传感器活动的异常活动；(IV)非事件，在所述非事件中，相应的患者报告癫痫发作，但是传感器没有提示类型(I)、(II)或(III)事件，或者一个或多个第一事件被检测为非常类似癫痫发作，但是可以作为噪声数据或数据伪像排除；以及(V)药物副作用，并且提供第二组分类结果包括将一个或多个第二事件中的每一个第二事件分类为由以下各项组成的组中的一项：(I)癫痫的临床表现，在所述临床表现中，第二患者表现出癫痫发作的外在迹象，并且一个或多个第二事件针对所述临床表现指示癫痫发作；(II)癫痫的非临床表现，在所述非临床表现中，第二患者没有表现出癫痫发作的外在迹象，但是一个或多个第二事件将针对所述非临床表现指示癫痫发作；(III)非临床事件，在所述非临床事件中，第二患者没有表现出癫痫发作的外在迹象，并且一个或多个第二事件针对所述非临床事件不包括可测量临床症状；(IV)非事件，在所述非事件中，第二患者不报告癫痫发作，并且一个或多个第二事件针对所述非事件被检测为非常类似癫痫发作，但是可以作为噪声数据或数据伪像排除；以及(V)药物副作用。
73.根据方面51至方面72中任一方面所述的方法，其中：提供第一组分类结果包括根据严重程度对一个或多个第一事件中的每一个第一事件进行分类，并且提供第二组分类结果包括根据严重程度对一个或多个第二事件中的每一个第二事件进行分类。
74.根据方面51至方面73中任一方面所述的方法，其中：提供第一组分类结果包括根据持续时间对一个或多个第一事件中的每一个第一事件进行分类，并且提供第二组分类结果包括根据持续时间对一个或多个第二事件中的每一个第二事件进行分类。
75.根据方面51至方面74中任一方面所述的方法，其中：将所述经过训练的模型的所述第一迭代传输到通信地耦合到设置在第二患者的头皮下的第二传感器阵列的第二处理器设备包括：将所述经过训练的模型的所述第一迭代传输到通信地耦合到设置在对应的多个第二患者的头皮下的对应的多个第二传感器阵列的多个第二处理器设备，以及基于从所述多个第二处理器设备接收到的所述第二组数据来生成第二AI训练集。
76.根据方面51至方面75中任一方面所述的方法，其中所述第一传感器阵列和所述第二传感器阵列各自包括脑电图(EEG)传感器阵列。
77.根据方面76所述的方法，其中所述第一头皮下信号活动数据和所述第二头皮下电信号数据各自包括EEG数据。
77A.根据方面51至方面77中任一方面所述的方法，其中所述第一传感器阵列和所述第二传感器阵列各自包括一个或多个生物传感器，所述生物传感器提供指示化学生物标志物存在或不存在的一个或多个电信号。
78.根据方面51至方面77A中任一方面所述的方法，所述方法还包括：根据所述第一组数据和所述第二组数据中的每一者来确定选自由以下各项组成的组的一个或多个生物标志物：肌张力、不稳定性、姿势、情绪扰乱、协调性丧失、言语生成、癫痫样活动、颌运动、疲劳、头晕、呕吐和睡眠。
79.根据方面78所述的方法，其中：训练所述经过训练的模型的所述第一迭代包括根据一个或多个确定的生物标志物来训练所述模型的所述第一迭代以提供所述第一组分类结果，并且训练所述经过训练的模型的所述第二迭代包括根据一个或多个确定的生物标志物来训练所述模型的所述第二迭代以提供所述第二组分类结果。
80.根据方面78或方面79所述的方法，其中：所述一个或多个生物标志物包括肌张力，并且所述肌张力是根据肌电图数据和由设置在所述患者头部和/或臂部上的一个或多个设备收集的加速度计数据的组合来确定的。
81.根据方面78至方面80中任一方面所述的方法，其中：所述一个或多个生物标志物包括不稳定性，并且所述不稳定性是根据由设置在所述患者头部和/或臂部上的一个或多个设备收集的加速度计数据来确定的。
82.根据方面78至方面81中任一方面所述的方法，其中：所述一个或多个生物标志物包括姿势，并且所述姿势是根据由设置在所述患者头部和/或臂部上的一个或多个设备收集的加速度计数据来确定的。
83.根据方面78至方面82中任一方面所述的方法，其中：所述一个或多个生物标志物包括情绪扰乱，并且所述情绪扰乱是根据由一个或多个麦克风收集的麦克风数据来确定的。
84.根据方面78至方面83中任一方面所述的方法，其中：所述一个或多个生物标志物包括协调性丧失，并且所述协调性丧失是根据由设置在所述患者头部和/或臂部上的一个或多个加速度计收集的加速度计数据来确定的。
85.根据方面78至方面84中任一方面所述的方法，其中：所述一个或多个生物标志物包括言语生成，并且所述言语生成是根据由一个或多个麦克风收集的麦克风数据来确定的。
86.根据方面78至方面85中任一方面所述的方法，其中：所述一个或多个生物标志物包括癫痫样活动，并且所述癫痫样活动是根据从一个或多个EEG传感器阵列接收到的EEG数据来确定的。
87.根据方面78至方面86中任一方面所述的方法，其中：所述一个或多个生物标志物包括颌运动，并且所述颌运动是根据由设置在所述患者身上的一个或多个设备收集的肌电图数据和麦克风数据的组合来确定的。
88.根据方面78至方面87中任一方面所述的方法，其中：所述一个或多个生物标志物包括疲劳，并且所述疲劳是根据由设置在所述患者头部上的一个或多个加速度计收集的加速度计数据来确定的。
89.根据方面78至方面88中任一方面所述的方法，其中：所述一个或多个生物标志物包括头晕，并且所述头晕是根据由设置在所述患者头部和/或臂部上的一个或多个加速度计收集的加速度计数据来确定的。
90.根据方面78至方面89中任一方面所述的方法，其中：所述一个或多个生物标志物包括呕吐，并且所述呕吐是根据由设置在所述患者身上的一个或多个设备收集的肌电图数据、麦克风数据和/或加速度计数据的组合来确定的。
91.根据方面78至方面90中任一方面所述的方法，其中：所述一个或多个生物标志物包括睡眠，并且所述睡眠是根据从一个或多个EEG传感器阵列接收到的EEG数据来确定的。
92.根据方面51至方面91中任一方面所述的方法，其中所述第一处理器设备是与所述第二处理器设备相同的设备。
93.根据方面51至方面92中任一方面所述的方法，其中所述第一处理器设备和/或所述第二处理器设备远离所述患者，并且经由互联网接收所述第一组数据和所述第二组数据。
94.根据方面51至方面93中任一方面所述的方法，其中所述第一相应麦克风中的一个或多个第一相应麦克风是前庭假体的一部分。
95.根据方面51至方面94中任一方面所述的方法，其中所述第一相应加速度计中的一个或多个第一相应加速度计是前庭假体的一部分。
96.根据方面51至方面95中任一方面所述的方法，其中所述第二麦克风是前庭假体的一部分。
97.根据方面51至方面96中任一方面所述的方法，其中所述第二加速度计是前庭假体的一部分。
98.根据方面51至方面97中任一方面所述的方法，其中所述第一组分类结果和/或所述第二组分类结果确定针对所述患者中的一个患者的治疗或对治疗的调整。
99.根据方面51至方面98中任一方面所述的方法，其中所述第一麦克风和/或所述第二麦克风中的一者或多者是加速度计，并且尤其是所述第一加速度计或所述第二加速度计中的一者。
100.根据方面51至方面99中任一方面所述的方法，所述方法还包括分析所述分类结果以确定各种类型事件的聚类或频率。
100A.一种系统，所述系统执行根据方面51至方面100中任一方面所述的方法。
101.一种方法，所述方法包括：在处理器设备处接收一组数据，所述一组数据包括：(i)来自传感器阵列的头皮下电信号数据，所述传感器阵列设置在患者的头皮下方并直接或间接地通信地耦合到所述处理器设备，以及(ii)以下各项中的一项或两项(a)来自设置在所述患者身上的麦克风的麦克风数据，以及(b)来自设置在所述患者身上的加速度计的加速度计数据；从所述一组数据中提取多个特征值，所述多个特征值包括以下各项中的每一项(i)所述头皮下电信号数据的一个或多个特征值、(ii)以下各项中的一项或两项(a)所述麦克风数据的一个或多个特征值，以及(b)所述加速度计数据的一个或多个特征值；将所述多个特征值输入到在所述处理器设备上执行的经过训练的模型中，其中所述经过训练的模型是根据基于先前多个特征值的人工智能(AI)算法来配置的，其中所述经过训练的模型被配置为基于所述多个特征值来提供一个或多个分类结果，所述一个或多个分类结果对应于在所述数据中捕获的一个或多个事件。
102.根据方面101所述的方法，其中所述一组数据包括来自设置在所述患者身上的所述麦克风的麦克风数据。
103.根据方面102所述的方法，其中所述麦克风与所述传感器阵列集成。
104.根据方面102所述的方法，其中所述麦克风设置在处理器设备中。
105.根据方面102所述的方法，其中所述麦克风设置在所述患者的肢体上。
106.根据方面102所述的方法，其中从包括所述麦克风的多个麦克风接收所述麦克风数据。
107.根据方面101至方面106中任一方面所述的方法，其中所述一组数据包括来自设置在所述患者身上的所述加速度计的加速度计数据。
108.根据方面107所述的方法，其中所述加速度计与所述传感器阵列集成。
109.根据方面107所述的方法，其中所述加速度计设置在处理器设备中。
110.根据方面107所述的方法，其中所述加速度计设置在所述患者的肢体上。
111.根据方面107所述的方法，其中从包括所述加速度计的多个加速度计接收所述加速度计数据。
112.根据方面101至方面111中任一方面所述的方法，其中所述处理器设备嵌入在所述传感器阵列中或者与所述传感器阵列相邻设置。
113.根据方面101至方面112中任一方面所述的方法，其中所述处理器设备与移动电话设备进行无线通信。
114.根据方面113所述的方法，其中所述移动电话设备被配置为经由互联网将数据从所述处理器设备传送到一个或多个服务器。
115.根据方面101至方面114中任一方面所述的方法，其中所述传感器阵列包括无线收发器。
116.根据方面101至方面115中任一方面所述的方法，其中所述处理器设备是移动电话设备。
117.根据方面101至方面116中任一方面所述的方法，所述方法还包括：接收一个或多个用户报告；将与所述一个或多个用户报告相关联的数据输入到所述模型中。
118.根据方面117所述的方法，其中所述一个或多个用户报告包括药物类型报告。
119.根据方面117或方面118所述的方法，其中所述一个或多个用户报告包括药物类型报告。
120.根据方面117至119中任一方面所述的方法，其中所述一个或多个用户报告包括药物摄入量报告。
121.根据方面117至方面120中任一方面所述的方法，其中所述一个或多个用户报告包括由所述患者感知到的癫痫发作的报告。
122.根据方面101至方面121中任一方面所述的方法，其中所述分类结果包括将一个或多个事件中的每个事件分类为癫痫发作或非癫痫发作。
123.根据方面101至方面122中任一方面所述的方法，其中所述分类结果包括将一个或多个事件中的每个事件分类为癫痫发作或药物副作用。
124.根据方面101至方面123中任一方面所述的方法，其中所述分类结果包括将一个或多个事件中的每个事件分类为由以下各项组成的组中的一项：(I)癫痫的临床表现，在所述临床表现中，相应的患者表现出癫痫发作的外在迹象，并且一个或多个第一事件针对所述临床表现指示癫痫发作；(II)癫痫的亚临床表现，在所述亚临床表现中，相应的患者没有表现出癫痫发作的外在迹象，但是一个或多个第一事件将针对所述亚临床表现指示癫痫发作；(III)非临床事件，在所述非临床事件中，相应的患者没有表现出癫痫发作的外在迹象，并且一个或多个第一事件包括不暗示癫痫发作的异常活动，但是指示相对于基线传感器活动的异常活动；(IV)非事件，在所述非事件中，相应的患者报告癫痫发作，但是传感器没有提示类型(I)、(II)或(III)事件，或者一个或多个第一事件被检测为非常类似癫痫发作，但是可以作为噪声数据或数据伪像排除；以及(V)药物副作用。
125.根据方面101至方面124中任一方面所述的方法，其中所述分类结果包括根据严重程度对一个或多个事件中的每个事件进行分类。
126.根据方面101至方面125中任一方面所述的方法，其中所述分类结果包括根据持续时间对一个或多个事件中的每个事件进行分类。
127.根据方面101至方面126中任一方面所述的方法，其中所述传感器阵列包括脑电图(EEG)传感器阵列。
128.根据方面127所述的方法，其中头皮下电信号数据包括EEG数据。
129.根据方面101至方面128中任一方面所述的方法，其中所述传感器阵列包括一个或多个生物传感器，所述生物传感器提供指示化学生物标志物存在或不存在的一个或多个电信号。
130.根据方面101至方面129中任一方面所述的方法，所述方法还包括根据所述一组数据来确定选自由以下各项组成的组的一个或多个生物标志物：肌张力、不稳定性、姿势、情绪扰乱、协调性丧失、言语生成、癫痫样活动、颌运动、疲劳、头晕、呕吐和睡眠。
131.根据方面130所述的方法，其中所述特征值中的一个或多个特征值包括所述一个或多个生物标志物中的生物标志物，并且其中所述模型基于所述一个或多个生物标志物来提供所述一个或多个分类结果。
132.根据方面130或方面131所述的方法，其中：所述一个或多个生物标志物包括肌张力，并且所述肌张力是根据肌电图数据和由设置在所述患者头部和/或臂部上的一个或多个设备收集的加速度计数据的组合来确定的。
133.根据方面130至方面132中任一方面所述的方法，其中：所述一个或多个生物标志物包括不稳定性，并且所述不稳定性是根据由设置在所述患者头部和/或臂部上的一个或多个设备收集的加速度计数据来确定的。
134.根据方面130至方面133中任一方面所述的方法，其中：所述一个或多个生物标志物包括姿势，并且所述姿势是根据由设置在所述患者头部和/或臂部上的一个或多个设备收集的加速度计数据来确定的。
135.根据方面130至方面134中任一方面所述的方法，其中：所述一个或多个生物标志物包括情绪扰乱，并且所述情绪扰乱是根据由一个或多个麦克风收集的麦克风数据来确定的。
136.根据方面130至方面135中任一方面所述的方法，其中：所述一个或多个生物标志物包括协调性丧失，并且所述协调性丧失是根据由设置在所述患者头部和/或臂部上的一个或多个加速度计收集的加速度计数据来确定的。
137.根据方面130至方面136中任一方面所述的方法，其中：所述一个或多个生物标志物包括言语生成，并且所述言语生成是根据由一个或多个麦克风收集的麦克风数据来确定的。
138.根据方面130至方面137中任一方面所述的方法，其中：所述一个或多个生物标志物包括癫痫样活动，并且所述癫痫样活动是根据从一个或多个EEG传感器阵列接收到的EEG数据来确定的。
139.根据方面130至方面138中任一方面所述的方法，其中：所述一个或多个生物标志物包括颌运动，并且所述颌运动是根据由设置在所述患者身上的一个或多个设备收集的肌电图数据和麦克风数据的组合来确定的。
140.根据方面130至方面139中任一方面所述的方法，其中：所述一个或多个生物标志物包括疲劳，并且所述疲劳是根据由设置在所述患者头部上的一个或多个加速度计收集的加速度计数据来确定的。
141.根据方面130至方面140中任一方面所述的方法，其中：所述一个或多个生物标志物包括头晕，并且所述头晕是根据由设置在所述患者头部和/或臂部上的一个或多个加速度计收集的加速度计数据来确定的。
142.根据方面130至方面141中任一方面所述的方法，其中：所述一个或多个生物标志物包括呕吐，并且所述呕吐是根据由设置在所述患者身上的一个或多个设备收集的肌电图数据、麦克风数据和/或加速度计数据的组合来确定的。
143.根据方面130至方面142中任一方面所述的方法，其中：所述一个或多个生物标志物包括睡眠，并且所述睡眠是根据从一个或多个EEG传感器阵列接收到的EEG数据来确定的。
144.根据方面101至方面143中任一方面所述的方法，其中所述处理器设备远离所述患者，并且经由互联网接收所述一组数据。
145.根据方面101至方面144中任一方面所述的方法，其中所述麦克风是前庭假体的一部分。
146.根据方面101至方面145中任一方面所述的方法，其中所述加速度计是前庭假体的一部分。
147.根据方面101至方面146中任一方面所述的方法，其中所述分类结果确定针对所述患者中的一个患者的治疗或对治疗的调整。
148.根据方面101至方面147中任一方面所述的方法，其中所述麦克风是加速度计，并且特别是所述加速度计。
149.根据方面101至方面148中任一方面所述的方法，所述方法还包括分析所述分类结果以确定各种类型事件的聚类或频率。
150.一种系统，所述系统执行根据方面101至方面149中任一方面所述的方法。
第二组方面
1.一种用于对与患者相关联的生理事件进行检测和分类的系统，所述系统包括：处理器设备，所述处理器设备包括微处理器、存储器和通信电路；脑电图(EEG)传感器阵列，所述EEG传感器阵列经由所述通信电路通信地耦合到所述处理器设备，并且向所述处理器设备提供EEG数据；光学体积描记图(PPG)传感器，所述PPG传感器经由所述通信电路通信地耦合到所述处理器设备，并且向所述处理器设备提供PPG数据；模型，所述模型被配置为接收多个特征值，所述多个特征值包括以下各项中的每一项：(i)所述EEG数据的一个或多个特征值，以及(ii)所述PPG数据的一个或多个特征值，其中根据算法来配置所述模型，所述算法根据对先前多个特征值的分析将权重分配给所述多个特征值，其中所述模型被配置为基于所述多个特征值来提供一个或多个分类结果，所述一个或多个分类结果对应于与所述生理事件相关联的一组或多组相应的生物标志物数据。
2.根据方面1所述的系统，所述系统还包括设置在所述患者身上的一个或多个麦克风，并且其中：所述麦克风经由所述通信电路通信地耦合到所述处理器设备，并且向所述处理器设备提供麦克风数据；所述模型被配置为接收所述麦克风数据的一个或多个特征值；所述模型被进一步配置为基于包括所述麦克风数据的所述特征值的所述多个特征值来提供所述一个或多个分类结果。
3.根据方面2所述的系统，其中所述一个或多个麦克风中的至少一个麦克风设置在所述传感器阵列中。
4.根据方面2或方面3所述的系统，其中所述处理器设备是可穿戴处理器设备，并且其中所述一个或多个麦克风中的至少一个麦克风设置在第一处理器设备中。
5.根据方面1至方面4中任一方面所述的系统，所述系统还包括设置在所述患者身上的一个或多个加速度计，并且其中：所述加速度计经由所述通信电路通信地耦合到所述处理器设备，并且向所述处理器设备提供加速度计数据；所述模型被配置为接收所述加速度计数据的一个或多个特征值；所述模型被进一步配置为基于包括所述加速度计数据的所述特征值的所述多个特征值来提供所述一个或多个分类结果。
6.根据方面5所述的系统，其中所述一个或多个加速度计中的至少一个加速度计设置在所述传感器阵列中。
7.根据方面5或方面6所述的系统，其中所述处理器设备是可穿戴处理器设备，并且其中所述一个或多个加速度计中的至少一个加速度计设置在所述第一处理器设备中。
8.根据前述方面中任一方面所述的系统，其中所述处理器设备嵌入在所述传感器阵列中或者与所述传感器阵列相邻设置。
9.根据前述方面中任一方面所述的系统，其中所述处理器设备与移动电话设备进行无线通信。
10.根据方面9所述的系统，其中所述移动电话设备被配置为经由互联网将数据从所述处理器设备传送到一个或多个服务器。
11.根据前述方面中任一方面所述的系统，其中所述传感器阵列包括无线收发器。
12.根据前述方面中任一方面所述的系统，其中所述处理器设备是移动电话设备。
13.根据前述方面中任一方面所述的系统，其中所述模型被配置为接收来自所述患者的用户报告。
14.根据方面13所述的系统，其中所述用户报告包括癫痫发作事件的用户报告。
15.根据方面13或方面14所述的系统，其中所述用户报告包括摄入药物的类型的用户报告。
16.根据方面13至方面15中任一方面所述的系统，其中所述用户报告包括摄入药物的剂量的用户报告。
17.根据方面13至方面16中任一方面所述的系统，其中所述用户报告包括摄入药物的时间的用户报告。
18.根据前述方面中任一方面所述的系统，其中对于每个分类的生理事件，所述分类结果包括将所述生理事件分类为癫痫发作或非癫痫发作。
19.根据方面18所述的系统，其中对于被分类为癫痫发作的每个分类的生理事件，所述分类结果包括将所述生理事件分类为癫痫发作或分类为非癫痫发作。
20.根据前述方面中任一方面所述的系统，其中对于每个分类的生理事件，所述分类结果包括分类为药物副作用或分类为不是药物副作用。
21.根据前述方面中任一方面所述的系统，其中对于每个分类的生理事件，所述分类结果包括将每个事件分类为具有从由以下各项组成的组中选择的类型：(I)癫痫的临床表现，在所述临床表现中，相应的患者表现出癫痫发作的外在迹象，并且一个或多个第一事件针对所述临床表现指示癫痫发作；(II)癫痫的亚临床表现，在所述亚临床表现中，相应的患者没有表现出癫痫发作的外在迹象，但是一个或多个第一事件将针对所述亚临床表现指示癫痫发作；(III)非临床事件，在所述非临床事件中，相应的患者没有表现出癫痫发作的外在迹象，并且一个或多个第一事件包括不暗示癫痫发作的异常活动，但是指示相对于基线传感器活动的异常活动；(IV)非事件，在所述非事件中，相应的患者报告癫痫发作，但是传感器没有提示类型(I)、(II)或(III)事件，或者一个或多个第一事件被检测为非常类似癫痫发作，但是可以作为噪声数据或数据伪像排除；以及(V)药物副作用。
23.根据前述方面中任一方面所述的系统，其中对于每个分类的生理事件，所述分类结果包括严重程度。
24.根据前述方面中任一方面所述的系统，其中对于每个分类的生理事件，所述分类结果包括持续时间。
25.根据前述方面中任一方面所述的系统，其中所述生物标志物数据包括根据所述PPG数据来确定的血氧生物标志物数据。
26.根据前述方面中任一方面所述的系统，其中所述生物标志物数据包括根据所述PPG数据来确定的血压数据。
27.根据前述方面中任一方面所述的系统，其中所述生物标志物数据包括根据所述PPG数据来确定的心率数据、心率变异性数据和/或心输出量数据。
28.根据前述方面中任一方面所述的系统，其中所述生物标志物包括根据肌电图数据和由设置在所述患者头部和/或臂部上的一个或多个设备收集的加速度计数据的组合来确定的肌张力生物标志物数据。
29.根据前述方面中任一方面所述的系统，其中所述生物标志物数据包括根据由设置在所述患者头部和/或臂部上的一个或多个设备收集的加速度计数据来确定的不稳定性生物标志物数据。
30.根据前述方面中任一方面所述的系统，其中所述生物标志物包括根据由设置在所述患者头部和/或臂部上的一个或多个设备收集的加速度计数据来确定的姿势生物标志物数据。
31.根据前述方面中任一方面所述的系统，其中所述生物标志物数据包括根据由一个或多个麦克风收集的麦克风数据来确定的情绪扰乱生物标志物数据。
32.根据前述方面中任一方面所述的系统，其中所述生物标志物数据包括根据由设置在所述患者头部和/或臂部上的一个或多个加速度计收集的加速度计数据来确定的协调性丧失生物标志物数据。
33.根据前述方面中任一方面所述的系统，其中所述生物标志物数据包括根据由一个或多个麦克风收集的麦克风数据来确定的言语生成生物标志物数据。
34.根据前述方面中任一方面所述的系统，其中所述生物标志物数据包括根据所述EEG数据来确定的癫痫样活动生物标志物数据。
35.根据前述方面中任一方面所述的系统，其中所述生物标志物数据包括根据由设置在所述患者身上的一个或多个设备收集的肌电图数据和麦克风数据的组合来确定的颌运动生物标志物数据。
36.根据前述方面中任一方面所述的系统，其中所述生物标志物数据包括根据由设置在所述患者头部上的一个或多个加速度计收集的加速度计数据来确定的疲劳生物标志物数据。
37.根据前述方面中任一方面所述的系统，其中所述生物标志物数据包括根据由设置在所述患者头部和/或臂部上的一个或多个加速度计收集的加速度计数据来确定的头晕生物标志物数据。
38.根据前述方面中任一方面所述的系统，其中所述生物标志物数据包括根据由设置在所述患者身上的一个或多个设备收集的肌电图数据、麦克风数据和/或加速度计数据的组合来确定的呕吐生物标志物数据。
39.根据前述方面中任一方面所述的系统，其中所述生物标志物数据包括根据所述EEG数据来确定的睡眠生物标志物数据。
40.根据前述方面中任一方面所述的系统，其中所述处理器设备远离所述传感器阵列，并且经由互联网通信地耦合到所述传感器阵列。
41.根据前述方面中任一方面所述的系统，其中所述系统包括一个或多个麦克风，所述一个或多个麦克风是前庭假体的一部分。
42.根据前述方面中任一方面所述的系统，其中所述系统包括一个或多个加速度计，所述一个或多个加速度计是前庭假体的一部分。
43.根据前述方面中任一方面所述的系统，所述系统还包括治疗设备，所述治疗设备通信地耦合到所述处理器并从所述处理器接收指令，所述指令被配置为根据一个或多个分类结果来修改所述治疗设备的操作。
44.根据前述方面中任一方面所述的系统，其中所述一个或多个麦克风中的一个麦克风是加速度计。
45.根据前述方面中任一方面所述的系统，其中所述处理器被配置为分析所述分类结果以确定各种类型事件的聚类或频率。
46.根据方面1至方面45中任一方面所述的系统，其中所述传感器阵列设置在所述患者的头皮下方。
47.根据方面1至方面45中任一方面所述的系统，其中所述传感器阵列设置在所述患者的头皮上。
49.根据前述方面中任一方面所述的系统，其中所述模型是根据基于先前多个特征值的人工智能(AI)算法来配置的经过训练的AI模型。
50.根据前述方面中任一方面所述的系统，所述系统还包括监测所述分类结果中的事件数据并且根据所监测的事件数据对给予的治疗性治疗的疗效进行分类的例程。
50A.根据方面50所述的系统，其中根据所述所监测的事件数据的临床事件的发生次数来确定所述疗效。
50B.根据方面50所述的系统，其中根据加权分数来确定所述疗效，所述加权分数是根据所述所监测的事件数据来确定的。
50C.根据方面50B所述的系统，其中所述加权分数是根据发生次数和以下各项中的一项或多项来确定的：与每个事件相关联的事件持续时间、与每个事件相关联的事件严重程度、事件与前一事件之间经过的时间段，以及与所述事件相关联的效应指标。
50D.根据方面50至方面50C中任一方面所述的系统，其中所述事件数据包括副作用事件。
50E.根据方面50至方面50D中任一方面所述的系统，其中所述疗效被分类为(i)亚治疗性或(ii)治疗性。
50F.根据方面50至方面50E中任一方面所述的系统，其中所述疗效被分类为(i)无副作用或(ii)引起一种或多种副作用。
50G.根据方面50至方面50F中任一方面所述的系统，其中所述例程基于所述所监测的事件数据来输出对治疗性治疗剂量、频率和/或时刻的推荐调整。
50H.根据方面50G所述的系统，其中对所述治疗性治疗剂量、频率和/或时刻的推荐调整是：
(i)当所述疗效指示所述治疗性治疗是亚治疗性的并且无副作用时，增加所述治疗性治疗剂量和/或频率；
(ii)当所述疗效指示所述治疗性治疗是治疗性的并且引起一种或多种副作用时，降低所述治疗性治疗剂量和/或频率；
(iii)在所述疗效指示所述治疗性治疗是治疗性的并且无副作用的情况下，不调整所述治疗性治疗剂量和/或频率。
50I.根据方面50G所述的系统，其中对所述治疗性治疗剂量、频率和/或时刻的所述推荐调整是基于发生事件的数量来增加所述治疗性治疗剂量和/或频率，直到达到治疗性剂量并且存在副作用，并且然后降低所述治疗性治疗剂量和/或频率，直到不存在副作用。
50J.根据方面50G所述的系统，其中对所述治疗性治疗剂量、频率和/或时刻的推荐调整是基于发生事件的数量来增加所述治疗性治疗剂量和/或频率，直到所述治疗性治疗剂量和/或频率的进一步增加不会引起所述发生事件的数量的进一步减少，并且然后降低所述治疗性治疗剂量和/或频率，直到没有副作用。
50K.根据方面50G所述的系统，其中输出对所述治疗性治疗剂量、频率和/或时刻的推荐调整还包括：根据事件数据来计算分数；确定对应于峰值治疗效果的峰值治疗性治疗剂量和/或频率；以及从所述峰值治疗性治疗剂量降低所述治疗剂量和/或频率，直到不存在副作用。
50L.根据方面50G所述的系统，其中输出对所述治疗性治疗剂量、频率和/或时刻的推荐调整还包括：根据所述事件数据来计算(i)临床事件分数和副作用分数、(ii)包括临床事件数据和副作用数据的综合分数，或(iii)两者；基于根据所述事件数据计算出的一个或多个分数来确定最小治疗性剂量；基于根据所述事件数据计算出的所述一个或多个分数来确定对应于峰值治疗效果的峰值治疗性治疗剂量和/或频率；以及从所述峰值治疗性治疗剂量降低所述治疗剂量和/或频率，直到(i)不存在副作用或(ii)所述最小治疗性剂量中的第一者。
50M.根据方面50G所述的系统，其中输出对所述治疗性剂量、频率和/或时刻的推荐调整还包括：接收最大副作用阈值；根据所述事件数据来计算(i)临床事件分数和副作用分数、(ii)包括临床事件数据和副作用数据的综合分数，或(iii)两者；基于根据所述事件数据计算出的一个或多个分数来确定最小治疗性剂量；基于根据所述事件数据计算出的所述一个或多个分数来确定对应于不超过所述最大副作用阈值的峰值治疗效果的峰值治疗性治疗剂量和/或频率；以及从所述峰值治疗性治疗剂量降低所述治疗剂量和/或频率，直到(i)不存在副作用或(ii)所述最小治疗性剂量中的第一者。
50N.根据方面50G所述的系统，其中输出对所述治疗性剂量、频率和/或时刻的推荐调整还包括：接收最大副作用阈值；根据所述事件数据来计算(i)临床事件分数和副作用分数、(ii)包括临床事件数据和副作用数据的综合分数，或(iii)两者；基于根据所述事件数据计算出的一个或多个分数来确定最小治疗性剂量；基于根据所述事件数据计算出的所述一个或多个分数来确定对应于不超过所述最大副作用阈值的峰值治疗效果的峰值治疗性治疗剂量和/或频率；以及将所确定的峰值治疗性治疗剂量和/或频率设定为所述治疗剂量和/或频率。
50O.根据方面50M和方面50N中任一方面所述的系统，其中至少部分地根据患者输入来确定所述最大副作用阈值。
50P.根据方面50K至方面50O中任一方面所述的系统，其中所述副作用分数被计算为副作用事件的加权平均值，其中一些类型的事件被加权得较低并且一些类型的事件被加权得较高。
50Q.根据方面50P所述的系统，其中对一种或多种类型的副作用进行加权，使得所述副作用的任何发生都会引起所述副作用分数超过所述最大副作用阈值。
50R.根据方面50K至方面50Q中任一方面所述的系统，其中所述副作用分数被计算为时间窗内副作用事件的加权平均值，其中在所述时间窗中较晚发生的事件比在所述时间窗中较早发生的事件被加权得更高。
50S.根据方面50至方面50R中任一方面所述的系统，所述系统还包括耦合到所述处理器设备的治疗性设备，其中所述处理器设备被配置为引起对所述治疗性设备的调整。
50T.根据方面50S所述的系统，其中所述处理器被配置为响应于从治疗医师接收到的指令并且/或者响应于接收到对所述治疗性治疗的推荐调整被批准的指示而引起对所述治疗性设备的调整。
50U.根据方面50至方面50T中任一方面所述的系统，其中所述例程在所给予的治疗性治疗开始之前的预定义第一时段期间以及在所给予的治疗性治疗开始之后的第二时段预定义时间期间监测所述分类结果中的事件的频率。
50V.根据方面50至方面50T中任一方面所述的系统，其中所述例程在所给予的治疗性治疗开始之前开始并在所给予的治疗性治疗开始之后持续预定义时间的预定义时段期间监测所述分类结果中的事件的频率。
51.一种方法，所述方法包括：从第一处理器设备接收第一组数据，所述第一组数据包括：(i)来自设置在相应的一个或多个第一患者的头皮下方的一个或多个第一EEG传感器阵列的脑电图(EEG)电信号数据，以及(ii)来自设置在所述相应的一个或多个第一患者身上的一个或多个第一PPG传感器的光学体积描记图(PPG)数据；基于所述第一组数据并且基于对应的第一癫痫发作报告和第一药物副作用报告来生成第一人工智能(AI)训练集；接收对所述第一AI训练集的一个或多个属性的选择作为特征值；接收用于所述第一AI训练集的一个或多个关键字或标签；使用所述特征值和为所述第一AI训练集定义的所述一个或多个关键字或标签，用所述第一AI训练集训练经过训练的模型的第一迭代，所述经过训练的模型的所述第一迭代可操作以提供具有对应的第一差错率的第一组分类结果；从第二处理器设备接收第二组数据，所述第二组数据包括：(i)来自设置在第二患者的头皮下方的第二传感器阵列的第二EEG电信号数据，以及(ii)来自设置在所述第二患者身上的第二PPG传感器的第二光学体积描记图(PPG)数据；基于所述第二组数据并且基于对应的第二癫痫发作报告和第二药物副作用报告来生成第二AI训练集；接收对所述第二AI训练集的一个或多个属性的选择作为特征值；接收用于所述第二AI训练集的一个或多个关键字或标签；使用所述特征值和为所述第二AI训练集定义的所述一个或多个关键字或标签，用所述第二AI训练集训练经过训练的模型的第二迭代，所述经过训练的模型的所述第二迭代可操作以提供具有对应的第二差错率的第二组分类结果，其中与所述第一差错率的总差错率相比，所述第二差错率具有降低的总差错率。
52.根据方面51所述的方法，其中：所述第一组数据还包括来自设置在所述一个或多个第一患者身上的相应的第一麦克风的第一麦克风数据，并且所述第二组数据包括来自设置在所述第二患者身上的第二麦克风的第二麦克风数据。
53.根据方面52所述的方法，其中：所述相应的第一麦克风设置在对应的第一传感器阵列中，并且所述第二麦克风设置在所述第二传感器阵列中。
54.根据方面51或方面52所述的方法，其中：所述一个或多个第一处理器设备是可穿戴处理器设备，所述相应的第一麦克风设置在所述一个或多个第一处理器设备中，并且所述第二处理器设备是可穿戴处理器设备，所述第二麦克风设置在所述第二处理器设备中。
55.根据方面52所述的方法，其中：所述一个或多个第一处理器设备是可穿戴处理器设备，所述第一组数据包括从设置在所述一个或多个第一患者中的每个第一患者身上的多个第一麦克风接收到的第一麦克风数据，所述多个第一麦克风中的至少一个第一麦克风设置在所述对应的第一传感器阵列中，并且所述多个第一麦克风中的至少一个第一麦克风设置在所述相应的第一处理器设备中，并且所述第二处理器设备是可穿戴处理器设备，所述第二组数据包括从设置在所述第二患者身上的多个第二麦克风接收到的第二麦克风数据，所述多个第二麦克风中的至少一个第二麦克风设置在所述第二传感器阵列中，并且所述多个第二麦克风中的至少一个第二麦克风设置在所述第二处理器设备中。
56.根据方面51至方面55中任一方面所述的方法，其中：所述第一组数据包括来自设置在所述一个或多个第一患者身上的相应的第一加速度计的第一加速度计数据，并且所述第二组数据包括来自设置在所述第二患者身上的第二加速度计的第二加速度计数据。
57.根据方面56所述的方法，其中：所述相应的第一加速度计设置在对应的第一传感器阵列中，并且所述第二加速度计设置在所述第二传感器阵列中。
58.根据方面56所述的方法，其中：所述一个或多个第一处理器设备是可穿戴处理器设备，所述相应的第一加速度计设置在所述一个或多个第一处理器设备中，并且所述第二处理器设备是可穿戴处理器设备，所述第二加速度计设置在所述第二处理器设备中。
59.根据方面56所述的方法，其中：所述一个或多个第一处理器设备是可穿戴处理器设备，所述第一组数据包括从设置在所述一个或多个第一患者中的每个第一患者身上的多个第一加速度计接收到的第一加速度计数据，所述多个第一加速度计中的至少一个第一加速度计设置在所述对应的第一传感器阵列中，并且所述多个第一加速度计中的至少一个第一加速度计设置在所述相应的第一处理器设备中，并且所述第二处理器设备是可穿戴处理器设备，所述第二组数据包括从设置在所述第二患者身上的多个第二加速度计接收到的第二加速度计数据，所述多个第二加速度计中的至少一个第二加速度计设置在所述第二传感器阵列中，并且所述多个第二加速度计中的至少一个第二加速度计设置在所述第二处理器设备中。
60.根据方面51至方面59中任一方面所述的方法，其中所述第一处理器设备嵌入在所述第一传感器阵列中或者与所述第一传感器阵列相邻设置。
61.根据方面51至方面60中任一方面所述的方法，其中所述第二处理器设备嵌入在所述第二传感器阵列中或者与所述第二传感器阵列相邻设置。
62.根据方面51至方面61中任一方面所述的方法，其中所述第一处理器设备与移动电话设备进行无线通信。
63.根据方面51至方面62中任一方面所述的方法，其中所述第二处理器设备与移动电话设备进行无线通信。
64.根据方面62或方面63所述的方法，其中所述移动电话设备被配置为经由互联网将数据从所述第一处理器设备或所述第二处理器设备传送到一个或多个服务器。
65.根据方面51至方面64中任一方面所述的方法，其中所述第一传感器阵列包括无线收发器。
66.根据方面51至方面65中任一方面所述的方法，其中所述第一处理器设备是移动电话设备。
67.根据方面51至方面66中任一方面所述的方法，其中所述第二处理器设备是移动电话设备。
68.根据方面51至方面67中任一方面所述的方法，其中：生成所述第一AI训练集还包括基于对应的药物类型报告来生成所述第一AI训练集，并且生成所述第二AI训练集还包括基于第二药物类型报告来生成所述第二AI训练集。
69.根据方面51至方面68中任一方面所述的方法，其中：生成所述第一AI训练集还包括基于对应的药物摄入量报告来生成所述第一AI训练集，并且生成所述第二AI训练集还包括基于第二药物摄入量报告来生成所述第二AI训练集。
70.根据方面51至方面69中任一方面所述的方法，其中：提供第一组分类结果包括将一个或多个第一事件中的每一个第一事件分类为癫痫发作或分类为非癫痫发作，并且提供第二组分类结果包括将一个或多个第二事件中的每一个第二事件分类为癫痫发作或分类为非癫痫发作。
71.根据方面51至方面70中任一方面所述的方法，其中：提供第一组分类结果包括将一个或多个第一事件中的每一个第一事件分类为癫痫发作或分类为药物副作用，并且提供第二组分类结果包括将一个或多个第二事件中的每一个第二事件分类为癫痫发作或分类为药物副作用。
72.根据方面51至方面71中任一方面所述的方法，其中：提供第一组分类结果包括将一个或多个第一事件中的每一个第一事件分类为由以下各项组成的组中的一项：(I)癫痫的临床表现，在所述临床表现中，相应的患者表现出癫痫发作的外在迹象，并且一个或多个第一事件针对所述临床表现指示癫痫发作；(II)癫痫的亚临床表现，在所述亚临床表现中，相应的患者没有表现出癫痫发作的外在迹象，但是一个或多个第一事件将针对所述亚临床表现指示癫痫发作；(III)非临床事件，在所述非临床事件中，相应的患者没有表现出癫痫发作的外在迹象，并且一个或多个第一事件包括不暗示癫痫发作的异常活动，但是指示相对于基线传感器活动的异常活动；(IV)非事件，在所述非事件中，相应的患者报告癫痫发作，但是传感器没有提示类型(I)、(II)或(III)事件，或者一个或多个第一事件被检测为非常类似癫痫发作，但是可以作为噪声数据或数据伪像排除；以及(V)药物副作用，并且提供第二组分类结果包括将一个或多个第二事件中的每一个第二事件分类为由以下各项组成的组中的一项：(I)癫痫的临床表现，在所述临床表现中，第二患者表现出癫痫发作的外在迹象，并且一个或多个第二事件针对所述临床表现指示癫痫发作；(II)癫痫的非临床表现，在所述非临床表现中，第二患者没有表现出癫痫发作的外在迹象，但是一个或多个第二事件将针对所述非临床表现指示癫痫发作；(III)非临床事件，在所述非临床事件中，第二患者没有表现出癫痫发作的外在迹象，并且一个或多个第二事件针对所述非临床事件不包括可测量临床症状；(IV)非事件，在所述非事件中，第二患者不报告癫痫发作，并且一个或多个第二事件针对所述非事件被检测为非常类似癫痫发作，但是可以作为噪声数据或数据伪像排除；以及(V)药物副作用。
73.根据方面51至方面72中任一方面所述的方法，其中：提供第一组分类结果包括根据严重程度对一个或多个第一事件中的每一个第一事件进行分类，并且提供第二组分类结果包括根据严重程度对一个或多个第二事件中的每一个第二事件进行分类。
74.根据方面51至方面73中任一方面所述的方法，其中：提供第一组分类结果包括根据持续时间对一个或多个第一事件中的每一个第一事件进行分类，并且提供第二组分类结果包括根据持续时间对一个或多个第二事件中的每一个第二事件进行分类。
75.根据方面51至方面74中任一方面所述的方法，其中：将所述经过训练的模型的所述第一迭代传输到通信地耦合到设置在第二患者的头皮下的第二传感器阵列的第二处理器设备包括：将所述经过训练的模型的所述第一迭代传输到通信地耦合到设置在对应的多个第二患者的头皮下的对应的多个第二传感器阵列的多个第二处理器设备，以及基于从所述多个第二处理器设备接收到的所述第二组数据来生成第二AI训练集。
76.根据方面51至方面75中任一方面所述的方法，所述方法还包括：根据所述第一组数据和所述第二组数据中的每一者来确定一个或多个生物标志物，所述一个或多个生物标志物包括根据所述PPG数据来确定的血氧生物标志物。
77.根据方面51至方面76中任一方面所述的方法，所述方法还包括：根据所述第一组数据和所述第二组数据中的每一者来确定一个或多个生物标志物，所述一个或多个生物标志物包括根据所述PPG数据来确定的血压生物标志物。
77A.根据方面51至方面77中任一方面所述的方法，所述方法还包括：根据所述第一组数据和所述第二组数据中的每一者来确定一个或多个生物标志物，所述一个或多个生物标志物包括根据所述PPG数据来确定的心率、心率变异性和/或心输出量中的一者或多者。
78.根据方面51至方面77A中任一方面所述的方法，所述方法还包括：根据所述第一组数据和所述第二组数据中的每一者来确定选自以下各项的一个或多个生物标志物：肌张力、不稳定性、姿势、情绪扰乱、协调性丧失、言语生成、癫痫样活动、颌运动、疲劳、头晕、呕吐和睡眠。
79.根据方面78所述的方法，其中：训练所述经过训练的模型的所述第一迭代包括根据一个或多个确定的生物标志物来训练所述模型的所述第一迭代以提供所述第一组分类结果，并且训练所述经过训练的模型的所述第二迭代包括根据一个或多个确定的生物标志物来训练所述模型的所述第二迭代以提供所述第二组分类结果。
80.根据方面78或方面79所述的方法，其中：所述一个或多个生物标志物包括肌张力，并且所述肌张力是根据肌电图数据和由设置在所述患者头部和/或臂部上的一个或多个设备收集的加速度计数据的组合来确定的。
81.根据方面78至方面80中任一方面所述的方法，其中：所述一个或多个生物标志物包括不稳定性，并且所述不稳定性是根据由设置在所述患者头部和/或臂部上的一个或多个设备收集的加速度计数据来确定的。
82.根据方面78至方面81中任一方面所述的方法，其中：所述一个或多个生物标志物包括姿势，并且所述姿势是根据由设置在所述患者头部和/或臂部上的一个或多个设备收集的加速度计数据来确定的。
83.根据方面78至方面82中任一方面所述的方法，其中：所述一个或多个生物标志物包括情绪扰乱，并且所述情绪扰乱是根据由一个或多个麦克风收集的麦克风数据来确定的。
84.根据方面78至方面83中任一方面所述的方法，其中：所述一个或多个生物标志物包括协调性丧失，并且所述协调性丧失是根据由设置在所述患者头部和/或臂部上的一个或多个加速度计收集的加速度计数据来确定的。
85.根据方面78至方面84中任一方面所述的方法，其中：所述一个或多个生物标志物包括言语生成，并且所述言语生成是根据由一个或多个麦克风收集的麦克风数据来确定的。
86.根据方面78至方面85中任一方面所述的方法，其中：所述一个或多个生物标志物包括癫痫样活动，并且所述癫痫样活动是根据从一个或多个EEG传感器阵列接收到的EEG数据来确定的。
87.根据方面78至方面86中任一方面所述的方法，其中：所述一个或多个生物标志物包括颌运动，并且所述颌运动是根据由设置在所述患者身上的一个或多个设备收集的肌电图数据和麦克风数据的组合来确定的。
88.根据方面78至方面87中任一方面所述的方法，其中：所述一个或多个生物标志物包括疲劳，并且所述疲劳是根据由设置在所述患者头部上的一个或多个加速度计收集的加速度计数据来确定的。
89.根据方面78至方面88中任一方面所述的方法，其中：所述一个或多个生物标志物包括头晕，并且所述头晕是根据由设置在所述患者头部和/或臂部上的一个或多个加速度计收集的加速度计数据来确定的。
90.根据方面78至方面89中任一方面所述的方法，其中：所述一个或多个生物标志物包括呕吐，并且所述呕吐是根据由设置在所述患者身上的一个或多个设备收集的肌电图数据、麦克风数据和/或加速度计数据的组合来确定的。
91.根据方面78至方面90中任一方面所述的方法，其中：所述一个或多个生物标志物包括睡眠，并且所述睡眠是根据从一个或多个EEG传感器阵列接收到的EEG数据来确定的。
92.根据方面51至方面91中任一方面所述的方法，其中所述第一处理器设备是与所述第二处理器设备相同的设备。
93.根据方面51至方面92中任一方面所述的方法，其中所述第一处理器设备和/或所述第二处理器设备远离所述患者，并且经由互联网接收所述第一组数据和所述第二组数据。
94.根据方面51至方面93中任一方面所述的方法，其中所述第一相应麦克风中的一个或多个第一相应麦克风是前庭假体的一部分。
95.根据方面51至方面94中任一方面所述的方法，其中所述第一相应加速度计中的一个或多个第一相应加速度计是前庭假体的一部分。
96.根据方面51至方面95中任一方面所述的方法，其中所述第二麦克风是前庭假体的一部分。
97.根据方面51至方面96中任一方面所述的方法，其中所述第二加速度计是前庭假体的一部分。
98.根据方面51至方面97中任一方面所述的方法，其中所述第一组分类结果和/或所述第二组分类结果确定针对所述患者中的一个患者的治疗或对治疗的调整。
99.根据方面51至方面98中任一方面所述的方法，其中所述第一麦克风和/或所述第二麦克风中的一者或多者是加速度计，并且尤其是所述第一加速度计或所述第二加速度计中的一者。
100.根据方面51至方面99中任一方面所述的方法，所述方法还包括分析所述分类结果以确定各种类型事件的聚类或频率。
100A.根据方面51至方面100中任一方面所述的方法，所述方法还包括监测所述分类结果中的事件数据，以及根据所监测的事件数据对所给予的治疗性治疗的疗效进行分类。
100B.根据方面100A所述的方法，其中根据所述所监测的事件数据的临床事件的发生次数来确定所述疗效。
100C.根据方面100A所述的方法，其中根据加权分数来确定所述疗效，所述加权分数是根据所述所监测的事件数据来确定的。
100D.根据方面100C所述的方法，其中所述加权分数是根据发生次数和以下各项中的一项或多项来确定的：与每个事件相关联的事件持续时间、与每个事件相关联的事件严重程度、事件与前一事件之间经过的时间段，以及与所述事件相关联的效应指标。
100E.根据方面100A至方面100D中任一方面所述的方法，其中所述事件数据包括副作用事件。
100F.根据方面100E所述的方法，其中所述疗效被分类为(i)亚治疗性或(ii)治疗性。
100G.根据方面100A至方面100F中任一方面所述的方法，其中所述疗效被分类为(i)无副作用或(ii)引起一种或多种副作用。
100H.根据方面100A至方面100G中任一方面所述的方法，所述方法还包括基于所述所监测的事件数据来输出对治疗性治疗剂量、频率和/或时刻的推荐调整。
100I.根据方面100H所述的方法，其中对所述治疗性治疗剂量、频率和/或时刻的所述推荐调整是：(i)在所述疗效指示所述治疗性治疗是亚治疗性的并且无副作用的情况下，增加所述治疗性治疗剂量和/或频率；(ii)在所述疗效指示所述治疗性治疗是治疗性的并且引起一种或多种副作用的情况下，降低所述治疗性治疗剂量和/或频率；(iii)在所述疗效指示所述治疗性治疗是治疗性的并且无副作用的情况下，不调整所述治疗性治疗剂量和/或频率。
100J.根据方面100H所述的方法，其中对所述治疗性治疗剂量、频率和/或时刻的所述推荐调整是基于发生事件的数量来增加所述治疗性治疗剂量和/或频率，直到达到治疗性剂量并且存在副作用，并且然后降低所述治疗性治疗剂量和/或频率，直到不存在副作用。
100K.根据方面100H所述的方法，其中对所述治疗性治疗剂量、频率和/或时刻的推荐调整是基于发生事件的数量来增加所述治疗性治疗剂量和/或频率，直到所述治疗性治疗剂量和/或频率的进一步增加不会引起所述发生事件的数量的进一步减少，并且然后降低所述治疗性治疗剂量和/或频率，直到没有副作用。
100L.根据方面100H所述的方法，其中输出对所述治疗性治疗剂量、频率和/或时刻的推荐调整还包括：根据事件数据来计算分数；确定对应于峰值治疗效果的峰值治疗性治疗剂量和/或频率；以及从所述峰值治疗性治疗剂量降低所述治疗剂量和/或频率，直到不存在副作用。
100M.根据方面100H所述的方法，其中输出对所述治疗性治疗剂量、频率和/或时刻的推荐调整还包括：根据所述事件数据来计算(i)临床事件分数和副作用分数、(ii)包括临床事件数据和副作用数据的综合分数，或(iii)两者；基于根据所述事件数据计算出的一个或多个分数来确定最小治疗性剂量；基于根据所述事件数据计算出的所述一个或多个分数来确定对应于峰值治疗效果的峰值治疗性治疗剂量和/或频率；以及从所述峰值治疗性治疗剂量降低所述治疗剂量和/或频率，直到(i)不存在副作用或(ii)所述最小治疗性剂量中的第一者。
100N.根据方面100H所述的方法，其中输出对所述治疗性治疗剂量、频率和/或时刻的推荐调整还包括：接收最大副作用阈值；根据所述事件数据来计算(i)临床事件分数和副作用分数、(ii)包括临床事件数据和副作用数据的综合分数，或(iii)两者；基于根据所述事件数据计算出的一个或多个分数来确定最小治疗性剂量；基于根据所述事件数据计算出的所述一个或多个分数来确定对应于不超过所述最大副作用阈值的峰值治疗效果的峰值治疗性治疗剂量和/或频率；以及从所述峰值治疗性治疗剂量降低所述治疗剂量和/或频率，直到(i)不存在副作用或(ii)所述最小治疗性剂量中的第一者。
100O.根据方面100H所述的方法，其中输出对所述治疗性剂量、频率和/或时刻的推荐调整还包括：接收最大副作用阈值；根据所述事件数据来计算(i)临床事件分数和副作用分数、(ii)包括临床事件数据和副作用数据的综合分数，或(iii)两者；基于根据所述事件数据计算出的一个或多个分数来确定最小治疗性剂量；基于根据所述事件数据计算出的所述一个或多个分数来确定对应于不超过所述最大副作用阈值的峰值治疗效果的峰值治疗性治疗剂量和/或频率；以及将所确定的峰值治疗性治疗剂量和/或频率设定为所述治疗剂量和/或频率。
100P.根据方面100N和方面100O中任一方面所述的方法，其中至少部分地根据患者输入来确定所述最大副作用阈值。
100Q.根据方面100L至方面100P中任一方面所述的方法，其中所述副作用分数被计算为副作用事件的加权平均值，其中一些类型的事件被加权得较低并且一些类型的事件被加权得较高。
100R.根据方面100Q所述的方法，其中对一种或多种类型的副作用进行加权，使得所述副作用的任何发生都会引起所述副作用分数超过所述最大副作用阈值。
100S.根据方面100L至方面100R中任一方面所述的方法，其中所述副作用分数被计算为时间窗内副作用事件的加权平均值，其中在所述时间窗中较晚发生的事件比在所述时间窗中较早发生的事件被加权得更高。
100T.根据方面100A至方面100S中任一方面所述的方法，所述方法还包括使得所述处理器调整耦合到所述处理器设备的治疗性设备，其中所述处理器设备被配置为引起对所述治疗性设备的调整。
100U.根据方面100T所述的方法，所述方法还包括使得所述处理器响应于从治疗医师接收到的指令并且/或者响应于接收到对所述治疗性治疗的推荐调整被批准的指示而调整所述治疗性设备。
100V.根据方面100A至方面100U中任一方面所述的方法，其中在所给予的治疗性治疗开始之前的预定义第一时段期间以及在所给予的治疗性治疗开始之后的第二时段预定义时间期间监测所述分类结果中的事件的频率。
100W.根据方面100A至方面100V中任一方面所述的方法，其中在所给予的治疗性治疗开始之前开始并在所给予的治疗性治疗开始之后持续预定义时间的预定义时段期间监测所述分类结果中的事件的频率。
100X.一种系统，所述系统执行根据方面51至方面100W中任一方面所述的方法。
101.一种方法，所述方法包括：在处理器设备处接收一组数据，所述一组数据包括：(i)来自设置在患者的头皮下方并且直接或间接地通信地耦合到所述处理器设备的EEG传感器阵列的脑电图(EEG)电信号数据，以及(ii)来自设置在所述患者身上的PPG传感器的光学体积描记图(PPG)数据；从所述一组数据中提取多个特征值，所述多个特征值包括以下各项中的每一项(i)所述EEG电信号数据的一个或多个特征值、(ii)所述PPG数据的一个或多个特征值；将所述多个特征值输入到在所述处理器设备上执行的经过训练的模型中，其中所述经过训练的模型是根据基于先前多个特征值的人工智能(AI)算法来配置的，其中所述经过训练的模型被配置为基于所述多个特征值来提供一个或多个分类结果，所述一个或多个分类结果对应于在所述数据中捕获的一个或多个事件。
102.根据方面101所述的方法，其中所述一组数据还包括来自设置在所述患者身上的所述麦克风的麦克风数据。
103.根据方面102所述的方法，其中所述麦克风与所述传感器阵列集成。
104.根据方面102所述的方法，其中所述麦克风设置在处理器设备中。
105.根据方面102所述的方法，其中所述麦克风设置在所述患者的肢体上。
106.根据方面102所述的方法，其中从包括所述麦克风的多个麦克风接收所述麦克风数据。
107.根据方面101至方面106中任一方面所述的方法，其中所述一组数据还包括来自设置在所述患者身上的加速度计的加速度计数据。
108.根据方面107所述的方法，其中所述加速度计与所述传感器阵列集成。
109.根据方面107所述的方法，其中所述加速度计设置在处理器设备中。
110.根据方面107所述的方法，其中所述加速度计设置在所述患者的肢体上。
111.根据方面107所述的方法，其中从包括所述加速度计的多个加速度计接收所述加速度计数据。
112.根据方面101至方面111中任一方面所述的方法，其中所述处理器设备嵌入在所述传感器阵列中或者与所述传感器阵列相邻设置。
113.根据方面101至方面112中任一方面所述的方法，其中所述处理器设备与移动电话设备进行无线通信。
114.根据方面113所述的方法，其中所述移动电话设备被配置为经由互联网将数据从所述处理器设备传送到一个或多个服务器。
115.根据方面101至方面114中任一方面所述的方法，其中所述传感器阵列包括无线收发器。
116.根据方面101至方面115中任一方面所述的方法，其中所述处理器设备是移动电话设备。
117.根据方面101至方面116中任一方面所述的方法，所述方法还包括：接收一个或多个用户报告；将与所述一个或多个用户报告相关联的数据输入到所述模型中。
118.根据方面117所述的方法，其中所述一个或多个用户报告包括药物类型报告。
119.根据方面117或方面118所述的方法，其中所述一个或多个用户报告包括药物类型报告。
120.根据方面117至119中任一方面所述的方法，其中所述一个或多个用户报告包括药物摄入量报告。
121.根据方面117至方面120中任一方面所述的方法，其中所述一个或多个用户报告包括由所述患者感知到的癫痫发作的报告。
122.根据方面101至方面121中任一方面所述的方法，其中所述分类结果包括将一个或多个事件中的每个事件分类为癫痫发作或非癫痫发作。
123.根据方面101至方面122中任一方面所述的方法，其中所述分类结果包括将一个或多个事件中的每个事件分类为癫痫发作或药物副作用。
124.根据方面101至方面123中任一方面所述的方法，其中所述分类结果包括将一个或多个事件中的每个事件分类为由以下各项组成的组中的一项：(I)癫痫的临床表现，在所述临床表现中，相应的患者表现出癫痫发作的外在迹象，并且一个或多个第一事件针对所述临床表现指示癫痫发作；(II)癫痫的亚临床表现，在所述亚临床表现中，相应的患者没有表现出癫痫发作的外在迹象，但是一个或多个第一事件将针对所述亚临床表现指示癫痫发作；(III)非临床事件，在所述非临床事件中，相应的患者没有表现出癫痫发作的外在迹象，并且一个或多个第一事件包括不暗示癫痫发作的异常活动，但是指示相对于基线传感器活动的异常活动；(IV)非事件，在所述非事件中，相应的患者报告癫痫发作，但是传感器没有提示类型(I)、(II)或(III)事件，或者一个或多个第一事件被检测为非常类似癫痫发作，但是可以作为噪声数据或数据伪像排除；以及(V)药物副作用。
125.根据方面101至方面124中任一方面所述的方法，其中所述分类结果包括根据严重程度对一个或多个事件中的每个事件进行分类。
126.根据方面101至方面125中任一方面所述的方法，其中所述分类结果包括根据持续时间对一个或多个事件中的每个事件进行分类。
127.根据方面101至方面126中任一方面所述的方法，所述方法还包括根据所述一组数据来确定一个或多个生物标志物，所述一个或多个生物标志物包括根据所述PPG数据来确定的血氧生物标志物数据。
128.根据方面101至方面127中任一方面所述的方法，所述方法还包括根据所述一组数据来确定一个或多个生物标志物，所述一个或多个生物标志物包括根据所述PPG数据来确定的血压数据。
129.根据方面101至方面128中任一方面所述的方法，所述方法还包括根据所述一组数据来确定一个或多个生物标志物，所述一个或多个生物标志物选自根据所述PPG数据来确定的心率数据、心率变异性数据和/或心输出量数据。
130.根据方面101至方面129中任一方面所述的方法，所述方法还包括根据所述一组数据来确定选自以下各项的一个或多个生物标志物：肌张力、不稳定性、姿势、情绪扰乱、协调性丧失、言语生成、癫痫样活动、颌运动、疲劳、头晕、呕吐和睡眠。
131.根据方面130所述的方法，其中所述特征值中的一个或多个特征值包括所述一个或多个生物标志物中的生物标志物，并且其中所述模型基于所述一个或多个生物标志物来提供所述一个或多个分类结果。
132.根据方面130或方面131所述的方法，其中：所述一个或多个生物标志物包括肌张力，并且所述肌张力是根据肌电图数据和由设置在所述患者头部和/或臂部上的一个或多个设备收集的加速度计数据的组合来确定的。
133.根据方面130至方面132中任一方面所述的方法，其中：所述一个或多个生物标志物包括不稳定性，并且所述不稳定性是根据由设置在所述患者头部和/或臂部上的一个或多个设备收集的加速度计数据来确定的。
134.根据方面130至方面133中任一方面所述的方法，其中：所述一个或多个生物标志物包括姿势，并且所述姿势是根据由设置在所述患者头部和/或臂部上的一个或多个设备收集的加速度计数据来确定的。
135.根据方面130至方面134中任一方面所述的方法，其中：所述一个或多个生物标志物包括情绪扰乱，并且所述情绪扰乱是根据由一个或多个麦克风收集的麦克风数据来确定的。
136.根据方面130至方面135中任一方面所述的方法，其中：所述一个或多个生物标志物包括协调性丧失，并且所述协调性丧失是根据由设置在所述患者头部和/或臂部上的一个或多个加速度计收集的加速度计数据来确定的。
137.根据方面130至方面136中任一方面所述的方法，其中：所述一个或多个生物标志物包括言语生成，并且所述言语生成是根据由一个或多个麦克风收集的麦克风数据来确定的。
138.根据方面130至方面137中任一方面所述的方法，其中：所述一个或多个生物标志物包括癫痫样活动，并且所述癫痫样活动是根据从一个或多个EEG传感器阵列接收到的EEG数据来确定的。
139.根据方面130至方面138中任一方面所述的方法，其中：所述一个或多个生物标志物包括颌运动，并且所述颌运动是根据由设置在所述患者身上的一个或多个设备收集的肌电图数据和麦克风数据的组合来确定的。
140.根据方面130至方面139中任一方面所述的方法，其中：所述一个或多个生物标志物包括疲劳，并且所述疲劳是根据由设置在所述患者头部上的一个或多个加速度计收集的加速度计数据来确定的。
141.根据方面130至方面140中任一方面所述的方法，其中：所述一个或多个生物标志物包括头晕，并且所述头晕是根据由设置在所述患者头部和/或臂部上的一个或多个加速度计收集的加速度计数据来确定的。
142.根据方面130至方面141中任一方面所述的方法，其中：所述一个或多个生物标志物包括呕吐，并且所述呕吐是根据由设置在所述患者身上的一个或多个设备收集的肌电图数据、麦克风数据和/或加速度计数据的组合来确定的。
143.根据方面130至方面142中任一方面所述的方法，其中：所述一个或多个生物标志物包括睡眠，并且所述睡眠是根据从一个或多个EEG传感器阵列接收到的EEG数据来确定的。
144.根据方面101至方面143中任一方面所述的方法，其中所述处理器设备远离所述患者，并且经由互联网接收所述一组数据。
145.根据方面101至方面144中任一方面所述的方法，其中所述麦克风是前庭假体的一部分。
146.根据方面101至方面145中任一方面所述的方法，其中所述加速度计是前庭假体的一部分。
147.根据方面101至方面146中任一方面所述的方法，其中所述分类结果确定针对所述患者中的一个患者的治疗或对治疗的调整。
148.根据方面101至方面147中任一方面所述的方法，其中所述麦克风是加速度计，并且特别是所述加速度计。
149.根据方面101至方面148中任一方面所述的方法，所述方法还包括分析所述分类结果以确定各种类型事件的聚类或频率。
149A.根据方面101至方面149中任一方面所述的方法，所述方法还包括监测所述分类结果中的事件数据，以及根据所监测的事件数据对所给予的治疗性治疗的疗效进行分类。
149B.根据方面149A所述的方法，其中根据所述所监测的事件数据的临床事件的发生次数来确定所述疗效。
149C.根据方面149A所述的方法，其中根据加权分数来确定所述疗效，所述加权分数是根据所述所监测的事件数据来确定的。
149D.根据方面149C所述的方法，其中所述加权分数是根据发生次数和以下各项中的一项或多项来确定的：与每个事件相关联的事件持续时间、与每个事件相关联的事件严重程度、事件与前一事件之间经过的时间段，以及与所述事件相关联的效应指标。
149E.根据方面149A至方面149D中任一方面所述的方法，其中所述事件数据包括副作用事件。
149F.根据方面149E所述的方法，其中所述疗效被分类为(i)亚治疗性或(ii)治疗性。
149G.根据方面149A至方面149F中任一方面所述的方法，其中所述疗效被分类为(i)无副作用或(ii)引起一种或多种副作用。
149H.根据方面149A至方面149G中任一方面所述的方法，所述方法还包括基于所述所监测的事件数据来输出对治疗性治疗剂量和/或频率的推荐调整。
149I.根据方面149H所述的方法，其中对所述治疗性治疗剂量和/或频率的所述推荐调整是：(i)在所述疗效指示所述治疗性治疗是亚治疗性的并且无副作用的情况下，增加所述治疗性治疗剂量和/或频率；(ii)在所述疗效指示所述治疗性治疗是治疗性的并且引起一种或多种副作用的情况下，降低所述治疗性治疗剂量和/或频率；(iii)在所述疗效指示所述治疗性治疗是治疗性的并且无副作用的情况下，不调整所述治疗性治疗剂量和/或频率。
149J.根据方面149H所述的方法，其中对所述治疗性治疗剂量和/或频率的所述推荐调整是基于发生事件的数量来增加所述治疗性治疗剂量和/或频率，直到达到治疗性剂量并且存在副作用，并且然后降低所述治疗性治疗剂量和/或频率，直到不存在副作用。
149K.根据方面149H所述的方法，其中对所述治疗性治疗剂量和/或频率的推荐调整是基于发生事件的数量来增加所述治疗性治疗剂量和/或频率，直到所述治疗性治疗剂量和/或频率的进一步增加不会引起所述发生事件的数量的进一步减少，并且然后降低所述治疗性治疗剂量和/或频率，直到没有副作用。
149L.根据方面149H所述的方法，其中输出对所述治疗性治疗剂量和/或频率的推荐调整还包括：根据事件数据来计算分数；确定对应于峰值治疗效果的峰值治疗性治疗剂量和/或频率；以及从所述峰值治疗性治疗剂量降低所述治疗剂量和/或频率，直到不存在副作用。
149M.根据方面149H所述的方法，其中输出对所述治疗性治疗剂量和/或频率的推荐调整还包括：根据所述事件数据来计算(i)临床事件分数和副作用分数、(ii)包括临床事件数据和副作用数据的综合分数，或(iii)两者；基于根据所述事件数据计算出的一个或多个分数来确定最小治疗性剂量；基于根据所述事件数据计算出的所述一个或多个分数来确定对应于峰值治疗效果的峰值治疗性治疗剂量和/或频率；以及从所述峰值治疗性治疗剂量降低所述治疗剂量和/或频率，直到(i)不存在副作用或(ii)所述最小治疗性剂量中的第一者。
149N.根据方面149H所述的方法，其中输出对所述治疗性治疗剂量和/或频率的推荐调整还包括：接收最大副作用阈值；根据所述事件数据来计算(i)临床事件分数和副作用分数、(ii)包括临床事件数据和副作用数据的综合分数，或(iii)两者；基于根据所述事件数据计算出的一个或多个分数来确定最小治疗性剂量；基于根据所述事件数据计算出的所述一个或多个分数来确定对应于不超过所述最大副作用阈值的峰值治疗效果的峰值治疗性治疗剂量和/或频率；以及从所述峰值治疗性治疗剂量降低所述治疗剂量和/或频率，直到(i)不存在副作用或(ii)所述最小治疗性剂量中的第一者。
149O.根据方面149H所述的方法，其中输出对所述治疗性剂量、频率和/或时刻的推荐调整还包括：接收最大副作用阈值；根据所述事件数据来计算(i)临床事件分数和副作用分数、(ii)包括临床事件数据和副作用数据的综合分数，或(iii)两者；基于根据所述事件数据计算出的一个或多个分数来确定最小治疗性剂量；基于根据所述事件数据计算出的所述一个或多个分数来确定对应于不超过所述最大副作用阈值的峰值治疗效果的峰值治疗性治疗剂量和/或频率；以及将所确定的峰值治疗性治疗剂量和/或频率设定为所述治疗剂量和/或频率。
149P.根据方面149N和方面149O中任一方面所述的方法，其中至少部分地根据患者输入来确定所述最大副作用阈值。
149Q.根据方面149L至方面149P中任一方面所述的方法，其中所述副作用分数被计算为副作用事件的加权平均值，其中一些类型的事件被加权得较低并且一些类型的事件被加权得较高。
149R.根据方面149Q所述的方法，其中对一种或多种类型的副作用进行加权，使得所述副作用的任何发生都会引起所述副作用分数超过所述最大副作用阈值。
149S.根据方面149L至方面149R中任一方面所述的方法，其中所述副作用分数被计算为时间窗内副作用事件的加权平均值，其中在所述时间窗中较晚发生的事件比在所述时间窗中较早发生的事件被加权得更高。
149T.根据方面149A至方面149S中任一方面所述的方法，所述方法还包括使得所述处理器调整耦合到所述处理器设备的治疗性设备，其中所述处理器设备被配置为引起对所述治疗性设备的调整。
149U.根据方面149T所述的方法，所述方法还包括使得所述处理器响应于从治疗医师接收到的指令并且/或者响应于接收到对所述治疗性治疗的推荐调整被批准的指示而调整所述治疗性设备。
149V.根据方面149A至方面149U中任一方面所述的方法，其中在所给予的治疗性治疗开始之前的预定义第一时段期间以及在所给予的治疗性治疗开始之后的第二时段预定义时间期间监测所述分类结果中的事件的频率。
149W.根据方面149A至方面149V中任一方面所述的方法，其中在所给予的治疗性治疗开始之前开始并在所给予的治疗性治疗开始之后持续预定义时间的预定义时段期间监测所述分类结果中的事件的频率。
150.一种系统，所述系统执行根据方面101至方面149W中任一方面所述的方法。
第三组方面
1.一种系统，所述系统包括：脑电图(EEG)电极阵列，所述EEG电极阵列被配置为设置在患者身上，并且从当所述电极设置在所述患者身上时由所述电极检测到的信号生成EEG数据；光学体积描记传感器，所述光学体积描记传感器被配置为被设置在所述患者身上，并且从当所述传感器设置在所述患者身上时由所述传感器检测到的信号生成光学体积描记图(PPG)数据；计算机处理器，所述计算机处理器从所述EEG电极阵列和所述PPG传感器分别接收所述EEG数据和所述PPG数据，所述计算机处理器被配置为：检测或预测所述患者的生理状况，所述生理状况包括癫痫事件、睡眠呼吸暂停事件、前庭障碍和耳蜗障碍中的一者或多者。
2.根据方面1所述的系统，其中所述生理状况包括所述癫痫事件，并且其中检测或预测所述癫痫事件包括基于所述EEG数据和/或所述PPG数据来检测或预测所述癫痫事件的发生；并且其中所述计算机处理器被进一步配置为：基于所述EEG数据和/或所述PPG数据来确定与检测到的或预测的癫痫事件相关联的一个或多个状况；并且(i)响应于所确定的一个或多个状况而控制治疗性设备；或(ii)向临床医师、护理人员或所述患者推荐所确定的治疗的当前或未来应用。
3.根据方面2所述的系统，其中检测或预测所述癫痫事件包括检测所述癫痫事件的过去发生。
4.根据方面2或方面3所述的系统，其中检测或预测所述癫痫事件包括检测所述癫痫事件的正在发生。
5.根据方面2至方面4中任一方面所述的系统，其中检测或预测所述癫痫事件包括预测所述癫痫事件的未来发生。
6.根据方面2至方面5中任一方面所述的系统，其中与所述检测到的或预测的癫痫事件相关联的所述一个或多个状况包括心脏状况。
7.根据方面6所述的系统，其中所述心脏状况是心律失常。
8.根据方面2至方面7中任一方面所述的系统，其中与所述检测到的或预测的癫痫事件相关联的所述一个或多个状况包括肺部状况。
9.根据方面8所述的系统，其中所述肺部状况是呼吸暂停。
10.根据方面2至方面9中任一方面所述的系统，其中与所述检测到的或预测的癫痫事件相关联的所述一个或多个状况包括神经状况。
11.根据方面2至方面10中任一方面所述的系统，其中：所述计算机处理器被配置为响应于所述所确定的一个或多个状况来控制治疗性设备，并且所述治疗性设备包括心脏起搏器。
11A.根据方面2至方面11中任一方面所述的系统，其中所述计算机处理器被配置为响应于所述所确定的一个或多个状况而控制治疗性设备，并且所述治疗性设备包括被配置为执行膈肌起搏的膈神经刺激器。
12.根据方面2至方面11A中任一方面所述的系统，其中：所述计算机处理器被配置为响应于所述所确定的一个或多个状况而控制治疗性设备，并且所述治疗性设备包括迷走神经刺激器。
13.根据方面2至方面12中任一方面所述的系统，其中：所述计算机处理器被配置为响应于所述所确定的一个或多个状况来控制治疗性设备，并且所述治疗性设备包括药物泵。
14.根据方面2至方面13中任一方面所述的系统，其中：所述计算机处理器被配置为响应于所述所确定的一个或多个状况来控制治疗性设备，并且所述治疗性设备包括神经刺激器设备。
15.根据方面2至方面14中任一方面所述的系统，其中：所述计算机处理器被配置为向临床医师、护理人员或所述患者推荐所确定的治疗的当前或未来应用，并且所述所确定的治疗包括向所述患者提供氧气。
16.根据方面2至方面15中任一方面所述的系统，其中：所述计算机处理器被配置为向临床医师、护理人员或所述患者推荐所确定的治疗的当前或未来应用，并且所述所确定的治疗包括给所述患者服用药物。
17.根据方面2至方面16中任一方面所述的系统，其中：所述计算机处理器被配置为向临床医师、护理人员或所述患者推荐所确定的治疗的当前或未来应用，并且所述所确定的治疗包括心脏起搏或膈肌起搏。
18.根据方面2至方面17中任一方面所述的系统，其中所述计算机处理器被配置为在预测的事件之前响应于所述所确定的一个或多个状况而控制治疗性设备。
19.根据方面2至方面18中任一方面所述的系统，其中所述计算机处理器被配置为在正在进行的事件期间响应于所述所确定的一个或多个状况而控制治疗性设备。
20.根据方面2至方面19中任一方面所述的系统，其中所述计算机处理器被配置为在检测到的事件之后响应于所述所确定的一个或多个状况而控制治疗性设备。
21.根据方面2至方面20中任一方面所述的系统，其中所述计算机处理器被配置为在预测的事件之前向临床医师、护理人员或所述患者推荐所确定的治疗的应用。
22.根据方面2至方面21中任一方面所述的系统，其中所述计算机处理器被配置为在正在进行的事件期间向临床医师、护理人员或所述患者推荐所确定的治疗的应用。
23.根据方面2至方面22中任一方面所述的系统，其中所述计算机处理器被配置为在检测到的事件之后向临床医师、护理人员或所述患者推荐所确定的治疗的应用。
24.根据方面2至方面23中任一方面所述的系统，其中所述计算机处理器被进一步配置为确定所述检测到的或预测的癫痫事件的触发因素。
25.根据方面2至方面23所述的系统，其中所述计算机处理器被进一步配置为确定所述检测到的或预测的癫痫事件的触发因素是大脑的。
26.根据方面25所述的系统，其中所述计算机处理器被进一步配置为响应于确定所述触发因素是大脑性的而接合迷走神经刺激器。
27.根据方面2至方面23所述的系统，其中所述计算机处理器被进一步配置为确定所述检测到的或预测的癫痫事件的触发因素是心脏的。
28.根据方面27所述的系统，其中所述计算机处理器被进一步配置为响应于确定所述触发因素是心脏的而接合起搏器设备。
29.根据方面2至方面28中任一方面所述的系统，其中所述计算机处理器被进一步配置为基于所述EEG数据和/或所述PPG数据来预测与所述检测到的或预测的癫痫事件相关联的一个或多个状况相关联的严重程度、对所述患者的影响和/或恢复轨迹。
30.根据方面29所述的系统，其中所述计算机处理器被进一步配置为基于预测的严重程度、对所述患者的影响和/或恢复轨迹来控制所述治疗性设备。
31.根据方面2至方面30中任一方面所述的系统，其中所述EEG电极阵列被配置为设置在所述患者的头皮上。
32.根据方面2至方面30中任一方面所述的系统，其中所述EEG电极阵列被配置为设置在所述患者的头皮下方。
33.根据方面1至方面32中任一方面所述的系统，其中所述癫痫事件的所述检测或预测是基于所述EEG数据和所述PPG数据中的一个或多个生物标志物，所述一个或多个生物标志物包括癫痫样活动、棘波、尖波、氧去饱和、心率变化和心率变异性变化中的至少一者。
34.根据方面1所述的系统，其中所述生理状况包括所述睡眠呼吸暂停事件，并且其中检测或预测所述睡眠呼吸暂停事件包括基于所述EEG数据和/或所述PPG数据来检测或预测所述睡眠呼吸暂停事件的发生；并且其中所述计算机处理器被进一步配置为：基于所述EEG数据和/或所述PPG数据来确定与检测到的或预测的睡眠呼吸暂停事件相关联的一个或多个状况；并且(i)响应于所确定的一个或多个状况而控制治疗性设备；或(ii)向临床医师、护理人员或所述患者推荐所确定的治疗的当前或未来应用。
35.根据方面34所述的系统，其中检测或预测所述睡眠呼吸暂停事件包括检测所述睡眠呼吸暂停事件的过去发生。
36.根据方面34或方面35所述的系统，其中检测或预测所述睡眠呼吸暂停事件包括检测所述睡眠呼吸暂停事件的正在发生。
37.根据方面34至方面36中任一方面所述的系统，其中检测或预测所述睡眠呼吸暂停事件包括预测所述睡眠呼吸暂停事件的未来发生。
38.根据方面34至方面37中任一方面所述的系统，其中与所述检测到的或预测的睡眠呼吸暂停事件相关联的所述一个或多个状况包括心脏状况。
39.根据方面38所述的系统，其中所述心脏状况是心律失常。
40.根据方面34至方面39中任一方面所述的系统，其中与所述检测到的或预测的睡眠呼吸暂停事件相关联的一个或多个状况包括肺功能的停止。
41.根据方面34至方面40中任一方面所述的系统，其中与所述检测到的或预测的睡眠呼吸暂停事件相关联的所述一个或多个状况包括神经状况。
42.根据方面41所述的系统，其中所述神经状况是中枢性睡眠呼吸暂停。
43.根据方面34至方面42中任一方面所述的系统，其中：所述计算机处理器被配置为响应于所述所确定的一个或多个状况来控制治疗性设备，并且所述治疗性设备包括神经刺激器设备。
44.根据方面34至方面43中任一方面所述的系统，其中：所述计算机处理器被配置为响应于所述所确定的一个或多个状况来控制治疗性设备，并且所述治疗性设备包括持续气道正压通气(CPAP)设备。
44A.根据方面34至方面44中任一方面所述的系统，其中：所述计算机处理器被配置为响应于所述所确定的一个或多个状况来控制治疗性设备，并且所述治疗性设备包括自适应伺服通气设备。
45.根据方面34至方面44A中任一方面所述的系统，其中：所述计算机处理器被配置为向临床医师、护理人员或所述患者推荐所确定的治疗的当前或未来应用，并且所述所确定的治疗包括指导所述患者服用口服药物。
46.根据方面34至方面45中任一方面所述的系统，其中：所述计算机处理器被配置为向临床医师、护理人员或所述患者推荐所确定的治疗的当前或未来应用，并且所述所确定的治疗包括给所述患者服用药物。
47.根据方面34至方面46中任一方面所述的系统，其中：所述计算机处理器被配置为向临床医师、护理人员或所述患者推荐所确定的治疗的当前或未来应用，并且所述所确定的治疗包括提供补充氧气。
48.根据方面34至方面47中任一方面所述的系统，其中所述计算机处理器被配置为在预测的事件之前响应于所述所确定的一个或多个状况而控制治疗性设备。
49.根据方面34至方面48中任一方面所述的系统，其中所述计算机处理器被配置为在正在进行的事件期间响应于所述所确定的一个或多个状况而控制治疗性设备。
50.根据方面34至方面49中任一方面所述的系统，其中所述计算机处理器被配置为在检测到的事件之后响应于所述所确定的一个或多个状况而控制治疗性设备。
51.根据方面34至方面50中任一方面所述的系统，其中所述计算机处理器被配置为在预测的事件之前向临床医师、护理人员或所述患者推荐所确定的治疗的应用。
52.根据方面34至方面51中任一方面所述的系统，其中所述计算机处理器被配置为在正在进行的事件期间向临床医师、护理人员或所述患者推荐所确定的治疗的应用。
53.根据方面34至方面52中任一方面所述的系统，其中所述计算机处理器被配置为在检测到的事件之后向临床医师、护理人员或所述患者推荐所确定的治疗的应用。
54.根据方面34至方面53中任一方面所述的系统，其中所述计算机处理器被进一步配置为确定所述检测到的或预测的睡眠呼吸暂停事件的触发因素。
55.根据方面34至方面53所述的系统，其中所述计算机处理器被进一步配置为确定所述检测到的或预测的睡眠呼吸暂停事件的触发因素是大脑的。
56.根据方面55所述的系统，其中所述计算机处理器被进一步配置为响应于确定所述触发因素是大脑的而接合神经刺激器设备。
57.根据方面34至方面53所述的系统，其中所述计算机处理器被进一步配置为确定所述检测到的或预测的睡眠呼吸暂停事件的触发因素是气道阻塞。
58.根据方面57所述的系统，其中所述计算机处理器被进一步配置为响应于确定所述触发因素是气道阻塞而调整CPAP设备的操作。
59.根据方面34至方面58中任一方面所述的系统，其中所述计算机处理器被进一步配置为基于所述EEG数据和/或所述PPG数据来预测与所述检测到的或预测的睡眠呼吸暂停事件相关联的一个或多个状况相关联的严重程度、对所述患者的影响和/或恢复轨迹。
60.根据方面59所述的系统，其中所述计算机处理器被进一步配置为基于预测的严重程度、对所述患者的影响和/或恢复轨迹来控制所述治疗性设备。
61.根据方面34至方面60中任一方面所述的系统，其中所述EEG电极阵列被配置为设置在所述患者的头皮上。
62.根据方面34至方面60中任一方面所述的系统，其中所述EEG电极阵列被配置为设置在所述患者的头皮下方。
63.根据方面34至方面62中任一方面所述的系统，其中所述睡眠呼吸暂停事件的所述检测或预测是基于所述EEG数据和所述PPG数据中的一个或多个生物标志物，所述一个或多个生物标志物包括睡眠阶段周期、睡眠阶段周期的变化、睡眠阶段周期的变化频率、睡眠EEG纺锤波幅度、EEG纺锤波持续时间、EEG纺锤波频率、EEG纺锤波流行率、EEG抑制事件和PPG去饱和事件中的至少一者。
64.根据方面1所述的系统，其中所述生理状况包括所述耳蜗障碍，并且其中检测或预测所述耳蜗障碍包括基于所述EEG数据和/或所述PPG数据来检测或预测所述耳蜗障碍的发生；并且其中所述计算机处理器被进一步配置为：基于所述EEG数据和/或所述PPG数据来确定与检测到的或预测的耳蜗障碍相关联的一个或多个状况；并且(i)响应于所确定的一个或多个状况而控制治疗性设备；或(ii)向临床医师、护理人员或所述患者推荐所确定的治疗的当前或未来应用。
65.根据方面64所述的系统，其中检测或预测所述耳蜗障碍包括检测所述耳蜗障碍的过去发生。
66.根据方面64或方面65所述的系统，其中检测或预测所述耳蜗障碍包括检测所述耳蜗障碍的正在发生。
67.根据方面64至方面66中任一方面所述的系统，其中检测或预测所述耳蜗障碍包括预测所述耳蜗障碍的未来发生。
68.根据方面64至方面67中任一方面所述的系统，其中与所述检测到的或预测的耳蜗障碍相关联的一个或多个状况包括耳蜗感染。
69.根据方面68所述的系统，其中所述心脏状况是心律失常。
70.根据方面64至方面69中任一方面所述的系统，其中与所述检测到的或预测的耳蜗障碍相关联的一个或多个状况包括肺功能的停止。
71.根据方面64至方面70中任一方面所述的系统，其中与所述检测到的或预测的耳蜗障碍相关联的一个或多个状况包括神经状况。
75.根据方面64至方面71中任一方面所述的系统，其中：所述计算机处理器被配置为向临床医师、护理人员或所述患者推荐所确定的治疗的当前或未来应用，并且所述所确定的治疗包括指导所述患者服用口服药物。
76.根据方面64至方面75中任一方面所述的系统，其中：所述计算机处理器被配置为向临床医师、护理人员或所述患者推荐所确定的治疗的当前或未来应用，并且所述所确定的治疗包括给所述患者服用药物。
78.根据方面64至方面76中任一方面所述的系统，其中所述计算机处理器被配置为在预测的事件之前响应于所述所确定的一个或多个状况而控制治疗性设备。
79.根据方面64至方面78中任一方面所述的系统，其中所述计算机处理器被配置为在正在进行的事件期间响应于所述所确定的一个或多个状况而控制治疗性设备。
80.根据方面64至方面79中任一方面所述的系统，其中所述计算机处理器被配置为在检测到的事件之后响应于所述所确定的一个或多个状况而控制治疗性设备。
81.根据方面64至方面80中任一方面所述的系统，其中所述计算机处理器被配置为在预测的事件之前向临床医师、护理人员或所述患者推荐所确定的治疗的应用。
82.根据方面64至方面81中任一方面所述的系统，其中所述计算机处理器被配置为在正在进行的事件期间向临床医师、护理人员或所述患者推荐所确定的治疗的应用。
83.根据方面64至方面82中任一方面所述的系统，其中所述计算机处理器被配置为在检测到的事件之后向临床医师、护理人员或所述患者推荐所确定的治疗的应用。
84.根据方面64至方面83中任一方面所述的系统，其中所述计算机处理器被进一步配置为确定所述检测到的或预测的耳蜗障碍的触发因素。
85.根据方面64至方面83所述的系统，其中所述计算机处理器被进一步配置为确定所述检测到的或预测的耳蜗障碍的触发因素是继发于所述患者体内的全身性障碍。
87.根据方面64至方面83所述的系统，其中所述计算机处理器被进一步配置为确定所述检测到的或预测的耳蜗障碍的触发因素是全身性感染。
88.根据方面87所述的系统，其中所述计算机处理器被进一步配置为响应于确定所述触发因素是气道阻塞而接合CPAP设备。
89.根据方面64至方面88中任一方面所述的系统，其中所述计算机处理器被进一步配置为基于所述EEG数据和/或所述PPG数据来预测与所述检测到的或预测的耳蜗障碍相关联的一个或多个状况相关联的严重程度、对所述患者的影响和/或恢复轨迹。
90.根据方面89所述的系统，其中所述计算机处理器被进一步配置为基于预测的严重程度、对所述患者的影响和/或恢复轨迹来控制所述治疗性设备。
91.根据方面64至方面90中任一方面所述的系统，其中所述EEG电极阵列被配置为设置在所述患者的头皮上。
92.根据方面64至方面90中任一方面所述的系统，其中所述EEG电极阵列被配置为设置在所述患者的头皮下方。
93.根据方面64至方面92中任一方面所述的系统，其中所述耳蜗障碍的所述检测或预测是基于所述EEG数据和所述PPG数据中的一个或多个生物标志物，所述一个或多个生物标志物包括听觉阈值、听觉阈值变化、认知努力、认知努力变化、听觉感知和听觉感知变化中的至少一者。
94.根据方面1所述的系统，其中所述生理状况包括所述前庭障碍，并且其中检测或预测所述前庭障碍包括基于所述EEG数据和/或所述PPG数据来检测或预测所述前庭障碍的发生；并且其中所述计算机处理器被进一步配置为：基于所述EEG数据和/或所述PPG数据来确定与检测到的或预测的前庭障碍相关联的一个或多个状况；并且(i)响应于所确定的一个或多个状况而控制治疗性设备；或(ii)向临床医师、护理人员或所述患者推荐所确定的治疗的当前或未来应用。
95.根据方面94所述的系统，其中检测或预测所述前庭障碍包括检测所述前庭障碍的过去发生。
96.根据方面94或方面95所述的系统，其中检测或预测所述前庭障碍包括检测所述前庭障碍的正在发生。
97.根据方面94至方面96中任一方面所述的系统，其中检测或预测所述前庭障碍包括预测所述前庭障碍的未来发生。
98.根据方面94至方面97中任一方面所述的系统，其中与所述检测到的或预测的前庭障碍相关联的一个或多个状况包括前庭感染。
99.根据方面98所述的系统，其中所述心脏状况是心律失常。
100.根据方面94至方面99中任一方面所述的系统，其中与所述检测到的或预测的睡眠呼吸暂停事件相关联的一个或多个状况包括肺功能的停止。
101.根据方面94至方面100中任一方面所述的系统，其中与所述检测到的或预测的前庭障碍相关联的一个或多个状况包括神经状况。
103.根据方面94至方面101中任一方面所述的系统，其中：所述计算机处理器被配置为响应于所述所确定的一个或多个状况来控制治疗性设备，并且所述治疗性设备包括神经刺激器设备。
105.根据方面94至方面103中任一方面所述的系统，其中：所述计算机处理器被配置为向临床医师、护理人员或所述患者推荐所确定的治疗的当前或未来应用，并且所述所确定的治疗包括指导所述患者服用口服药物。
106.根据方面94至方面105中任一方面所述的系统，其中：所述计算机处理器被配置为向临床医师、护理人员或所述患者推荐所确定的治疗的当前或未来应用，并且所述所确定的治疗包括给所述患者服用药物。
107.根据方面94至方面106中任一方面所述的系统，其中：所述计算机处理器被配置为向临床医师、护理人员或所述患者推荐所确定的治疗的当前或未来应用，并且所述所确定的治疗包括前庭康复治疗。
108.根据方面94至方面107中任一方面所述的系统，其中所述计算机处理器被配置为在预测的事件之前响应于所述所确定的一个或多个状况而控制治疗性设备。
109.根据方面94至方面108中任一方面所述的系统，其中所述计算机处理器被配置为在正在进行的事件期间响应于所述所确定的一个或多个状况而控制治疗性设备。
110.根据方面94至方面109中任一方面所述的系统，其中所述计算机处理器被配置为在检测到的事件之后响应于所述所确定的一个或多个状况而控制治疗性设备。
111.根据方面94至方面110中任一方面所述的系统，其中所述计算机处理器被配置为在预测的事件之前向临床医师、护理人员或所述患者推荐所确定的治疗的应用。
112.根据方面94至方面111中任一方面所述的系统，其中所述计算机处理器被配置为在正在进行的事件期间向临床医师、护理人员或所述患者推荐所确定的治疗的应用。
113.根据方面94至方面112中任一方面所述的系统，其中所述计算机处理器被配置为在检测到的事件之后向临床医师、护理人员或所述患者推荐所确定的治疗的应用。
114.根据方面94至方面113中任一方面所述的系统，其中所述计算机处理器被进一步配置为确定所述检测到的或预测的前庭障碍的触发因素。
115.根据方面94至方面113所述的系统，其中所述计算机处理器被进一步配置为确定所述检测到的或预测的前庭障碍的触发因素是大脑的。
116.根据方面115所述的系统，其中所述计算机处理器被进一步配置为响应于确定所述触发因素是大脑的而接合神经刺激器设备。
117.根据方面94至方面113所述的系统，其中所述计算机处理器被进一步配置为确定所述检测到的或预测的前庭障碍的触发因素是全身性感染。
118.根据方面117所述的系统，其中所述计算机处理器被进一步配置为响应于确定所述触发因素是气道阻塞而调整CPAP设备的操作。
119.根据方面94至方面118中任一方面所述的系统，其中所述计算机处理器被进一步配置为基于所述EEG数据和/或所述PPG数据来预测与所述检测到的或预测的前庭障碍相关联的一个或多个状况相关联的严重程度、对所述患者的影响和/或恢复轨迹。
120.根据方面119所述的系统，其中所述计算机处理器被进一步配置为基于预测的严重程度、对所述患者的影响和/或恢复轨迹来控制所述治疗性设备。
121.根据方面94至方面120中任一方面所述的系统，其中所述EEG电极阵列被配置为设置在所述患者的头皮上。
122.根据方面94至方面121中任一方面所述的系统，其中所述EEG电极阵列被配置为设置在所述患者的头皮下方。
123.根据方面94至方面122中任一方面所述的系统，其中所述睡眠呼吸暂停事件的所述检测或预测是基于所述EEG数据和所述PPG数据中的一个或多个生物标志物，所述一个或多个生物标志物包括呼吸变化、血氧饱和水平变化、心率变异性、血压和血压变化中的至少一者。
123A.根据前述方面中任一方面所述的系统，所述系统还包括例程，所述例程由所述处理器执行以使得所述处理器监测与所述生理状况相关的一组分类结果中的检测到的和/或预测的事件数据，并根据所监测的检测到的和/或预测的事件数据对所给予的治疗性治疗的疗效进行分类。
123B.根据方面123A所述的系统，其中根据所述所监测的事件数据的检测到的和/或预测的临床事件的发生次数来确定所述疗效。
123C.根据方面123A所述的系统，其中根据加权分数来确定所述疗效，所述加权分数是根据所述所监测的检测到的和/或预测的事件数据来确定的。
123D.根据方面123C所述的系统，其中所述加权分数是根据检测到的和/或预测的发生次数和以下各项中的一项或多项来确定的：与每个事件相关联的事件持续时间、与每个事件相关联的事件严重程度、事件与前一事件之间经过的时间段，以及与所述事件相关联的效应指标。
123E.根据方面123A至方面123D中任一方面所述的系统，其中所述检测到的和/或预测的事件数据包括副作用事件。
123F.根据方面123A至方面123E中任一方面所述的系统，其中所述疗效被分类为(i)亚治疗性或(ii)治疗性。
123G.根据方面123A至方面123F中任一方面所述的系统，其中所述疗效被分类为(i)无副作用或(ii)引起一种或多种副作用。
123H.根据方面123A至方面123G中任一方面所述的系统，其中所述例程基于所述所监测的检测到的和/或预测的事件数据来输出对治疗性治疗剂量、频率和/或时刻的推荐调整。
123I.根据方面123H所述的系统，其中对所述治疗性治疗剂量、频率和/或时刻的所述推荐调整是：(i)在所述疗效指示所述治疗性治疗是亚治疗性的并且无副作用的情况下，增加所述治疗性治疗剂量和/或频率；(ii)在所述疗效指示所述治疗性治疗是治疗性的并且引起一种或多种副作用的情况下，降低所述治疗性治疗剂量和/或频率；(iii)在所述疗效指示所述治疗性治疗是治疗性的并且无副作用的情况下，不调整所述治疗性治疗剂量和/或频率。
123J.根据方面123H所述的系统，其中对所述治疗性治疗剂量、频率和/或时刻的所述推荐调整是基于发生检测到的和/或预测的事件的数量来增加所述治疗性治疗剂量和/或频率，直到达到治疗性剂量并且存在副作用，并且然后降低所述治疗性治疗剂量和/或频率，直到不存在副作用。
123K.根据方面123H所述的系统，其中对所述治疗性治疗剂量、频率和/或时刻的推荐调整是基于发生检测到的和/或预测的事件的数量来增加所述治疗性治疗剂量和/或频率，直到所述治疗性治疗剂量和/或频率的进一步增加不会引起所述发生事件的数量的进一步减少，并且然后降低所述治疗性治疗剂量和/或频率，直到没有副作用。
123L.根据方面123H所述的系统，其中输出对所述治疗性治疗剂量、频率和/或时刻的推荐调整还包括：根据检测到的和/或预测的事件数据来计算分数；确定对应于峰值治疗效果的峰值治疗性治疗剂量和/或频率；以及从所述峰值治疗性治疗剂量降低所述治疗剂量和/或频率，直到不存在检测到的和/或预测的副作用。
123M.根据方面123H所述的系统，其中输出对所述治疗性治疗剂量、频率和/或时刻的推荐调整还包括：根据所述检测到的和/或预测的事件数据来计算(i)临床事件分数和副作用分数、(ii)包括临床事件数据和副作用数据的综合分数，或(iii)两者；基于根据所述检测到的和/或预测的事件数据计算出的一个或多个分数来确定最小治疗性剂量；基于根据所述检测到的和/或预测的事件数据计算出的所述一个或多个分数来确定对应于峰值治疗效果的峰值治疗性治疗剂量和/或频率；以及从所述峰值治疗性治疗剂量降低所述治疗剂量和/或频率，直到(i)不存在副作用或(ii)所述最小治疗性剂量中的第一者。
123N.根据方面123H所述的系统，其中输出对所述治疗性剂量、频率和/或时刻的推荐调整还包括：接收最大副作用阈值；根据所述检测到的和/或预测的事件数据来计算(i)临床事件分数和副作用分数、(ii)包括临床事件数据和副作用数据的综合分数，或(iii)两者；基于根据所述检测到的和/或预测的事件数据计算出的一个或多个分数来确定最小治疗性剂量；基于根据所述检测到的和/或预测的事件数据计算出的所述一个或多个分数来确定对应于不超过所述最大副作用阈值的峰值治疗效果的峰值治疗性治疗剂量和/或频率；以及从所述峰值治疗性治疗剂量降低所述治疗剂量和/或频率，直到(i)不存在副作用或(ii)所述最小治疗性剂量中的第一者。
123O.根据方面123H所述的系统，其中输出对所述治疗性剂量、频率和/或时刻的推荐调整还包括：接收最大副作用阈值；根据所述检测到的和/或预测的事件数据来计算(i)临床事件分数和副作用分数、(ii)包括临床事件数据和副作用数据的综合分数，或(iii)两者；基于根据所述检测到的和/或预测的事件数据计算出的一个或多个分数来确定最小治疗性剂量；基于根据所述检测到的和/或预测的事件数据计算出的所述一个或多个分数来确定对应于不超过所述最大副作用阈值的峰值治疗效果的峰值治疗性治疗剂量和/或频率；以及将所确定的峰值治疗性治疗剂量和/或频率设定为所述治疗剂量和/或频率。
123P.根据方面123N和方面123O中任一方面所述的系统，其中至少部分地根据患者输入来确定所述最大副作用阈值。
123Q.根据方面123L至方面123P中任一方面所述的系统，其中所述副作用分数被计算为检测到的和/或预测的副作用事件的加权平均值，其中一些类型的事件被加权得较低并且一些类型的事件被加权得较高。
123R.根据方面123Q所述的系统，其中对一种或多种类型的检测到的和/或预测的副作用进行加权，使得所述副作用的任何发生都会引起所述副作用分数超过所述最大副作用阈值。
123S.根据方面123L至方面123R中任一方面所述的系统，其中所述副作用分数被计算为时间窗内检测到的和/或预测的副作用事件的加权平均值，其中在所述时间窗中较晚发生的检测到的和/或预测的事件比在所述时间窗中较早发生的检测到的和/或预测的事件被加权得更高。
123T.根据方面123A至方面123S中任一方面所述的系统，所述系统还包括耦合到所述处理器设备的治疗性设备，其中所述处理器设备被配置为引起对所述治疗性设备的调整。
123U.根据方面123T所述的系统，其中所述处理器被配置为响应于从治疗医师接收到的指令并且/或者响应于接收到对所述治疗性治疗的推荐调整被批准的指示而引起对所述治疗性设备的调整。
123V.根据方面123A至方面123U中任一方面所述的系统，其中所述例程在所给予的治疗性治疗开始之前的预定义第一时段期间以及在所给予的治疗性治疗开始之后的第二时段预定义时间期间监测所述分类结果中的检测到的和/或预测的事件的频率。
123W.根据方面123A至方面123V中任一方面所述的系统，其中所述例程在所给予的治疗性治疗开始之前开始并在所给予的治疗性治疗开始之后持续预定义时间的预定义时段期间监测所述分类结果中的检测到的和/或预测的事件的频率。
124.一种方法，所述方法包括：在计算机处理器处从被配置为设置在患者身上的脑电图(EEG)电极阵列接收EEG数据，所述EEG数据是从当所述电极设置在所述患者身上时由所述电极检测到的信号生成的；在所述计算机处理器处从被配置为设置在所述患者身上的光学体积描记传感器接收光学体积描记图(PPG)数据，所述PPG数据是从当所述传感器设置在所述患者身上时由所述传感器检测到的信号生成的；在所述计算机处理器中评估接收到的EEG数据和接收到的PPG数据，并且根据所述接收到的EEG数据和所述接收到的PPG数据来检测或预测所述患者的生理状况，所述生理状况包括癫痫事件、睡眠呼吸暂停事件、前庭障碍和耳蜗障碍中的一者或多者。
125.根据方面124所述的方法，其中检测或预测所述生理状况包括检测所述生理状况的过去发生。
126.根据方面124或方面125所述的方法，其中检测所述生理状况包括检测所述生理状况的正在发生。
127.根据方面124至方面126中任一方面所述的方法，其中检测所述生理状况包括预测所述生理状况的未来发生。
128.根据方面124至方面127中任一方面所述的方法，所述方法还包括：(i)由所述计算机处理器响应于检测到的或预测的生理状况来控制治疗性设备；或者(ii)由所述计算机处理器向临床医师、护理人员或所述患者推荐所确定的治疗的当前或未来应用。
129.根据方面128所述的方法，其中控制所述治疗性设备包括控制迷走神经刺激器。
130.根据方面128或方面129所述的方法，其中控制所述治疗性设备包括控制药物泵。
131.根据方面128至方面130中任一方面所述的方法，其中控制所述治疗性设备包括控制神经刺激器设备。
132.根据方面128至方面131中任一方面所述的方法，其中控制所述治疗性设备包括控制持续气道正压通气(CPAP)机。
133.根据方面128至方面132中任一方面所述的方法，其中控制所述治疗性设备包括控制心脏起搏器。
134.根据方面128至方面133中任一方面所述的方法，其中推荐所述所确定的治疗包括推荐药物剂量。
135.根据方面128至方面134中任一方面所述的方法，其中推荐所述所确定的治疗包括推荐提供氧气。
136.根据方面128至方面135中任一方面所述的方法，其中控制所述治疗性设备包括在预测的事件之前响应于所述生理状况而控制所述治疗性设备。
137.根据方面128至方面136中任一方面所述的方法，其中控制所述治疗性设备包括在正在进行的事件期间响应于所述生理状况而控制所述治疗性设备。
138.根据方面128至方面137中任一方面所述的方法，其中控制所述治疗性设备包括在检测到的事件之后响应于所述生理状况而控制所述治疗性设备。
139.根据方面128至方面138中任一方面所述的方法，其中推荐所述所确定的治疗包括在预测的事件之前推荐所述所确定的治疗。
140.根据方面128至方面139中任一方面所述的方法，其中推荐所述所确定的治疗包括在正在进行的事件期间推荐所述所确定的治疗。
141.根据方面128至方面140中任一方面所述的方法，其中推荐所述所确定的治疗包括在检测到的事件之后推荐所述所确定的治疗。
142.根据方面124至方面141中任一方面所述的方法，所述方法还包括在所述计算机处理器中确定所述检测到的或预测的状况的触发因素。
143.根据方面142所述的方法，其中确定所述检测到的或预测的状况的所述触发因素包括确定所述触发因素是大脑的。
144.根据方面142所述的方法，其中确定所述检测到的或预测的状况的所述触发因素包括确定所述触发因素是心脏的。
145.根据方面142所述的方法，其中确定所述检测到的或预测的状况的所述触发因素包括确定所述触发因素是气道阻塞。
146.根据方面142所述的方法，其中确定所述检测到的或预测的状况的所述触发因素包括确定所述触发因素是全身性感染。
147.根据方面124至方面146中任一方面所述的方法，其中检测或预测所述患者的所述生理状况包括检测或预测所述癫痫事件。
148.根据方面147所述的方法，其中检测或预测所述癫痫事件包括从一个或多个生物标志物检测所述癫痫事件，所述一个或多个生物标志物包括癫痫样活动、棘波、尖波、氧去饱和、心率变化和心率变异性变化中的至少一者。
149.根据方面124至方面146中任一方面所述的方法，其中检测或预测所述患者的所述生理状况包括检测或预测所述睡眠呼吸暂停事件。
150.根据方面149所述的方法，其中检测或预测所述睡眠呼吸暂停事件包括从一个或多个生物标志物检测所述睡眠呼吸暂停事件，所述一个或多个生物标志物包括睡眠阶段周期、睡眠阶段周期的变化、睡眠阶段周期的变化频率、睡眠EEG纺锤波幅度、EEG纺锤波持续时间、EEG纺锤波频率、EEG纺锤波流行率、EEG抑制事件和PPG去饱和事件中的至少一者。
151.根据方面124至方面146中任一方面所述的方法，其中检测或预测所述患者的所述生理状况包括检测或预测所述前庭障碍。
152.根据方面151所述的方法，其中检测或预测所述前庭障碍包括从一个或多个生物标志物检测所述前庭障碍，所述一个或多个生物标志物包括听觉阈值、听觉阈值变化、认知努力、认知努力变化、听觉感知和听觉感知变化中的至少一者。
153.根据方面124至方面146中任一方面所述的方法，其中检测或预测所述患者的所述生理状况包括检测或预测所述耳蜗障碍。
154.根据方面153所述的方法，其中检测或预测所述耳蜗障碍包括从一个或多个生物标志物检测所述耳蜗障碍，所述一个或多个生物标志物包括心率变异性、血压和血压变化中的至少一者。
154A.根据方面124至方面154中任一方面所述的方法，所述方法还包括监测与所述生理状况相关的分类结果中的检测到的和/或预测的事件数据，以及根据所监测的事件数据对所给予的治疗性治疗的疗效进行分类。
154B.根据方面154A所述的方法，其中根据所述所监测的事件数据的临床事件的检测到的和/或预测的发生次数来确定所述疗效。
154C.根据方面154A所述的方法，其中根据加权分数来确定所述疗效，所述加权分数是根据所述所监测的检测到的和/或预测的事件数据来确定的。
154D.根据方面154C所述的方法，其中所述加权分数是根据检测到的和/或预测的发生次数和以下各项中的一项或多项来确定的：与每个事件相关联的事件持续时间、与每个事件相关联的事件严重程度、事件与前一事件之间经过的时间段，以及与所述事件相关联的效应指标。
154E.根据方面154A至方面154D中任一方面所述的系统，其中所述检测到的和/或预测的事件数据包括副作用事件。
154F.根据方面154E所述的方法，其中所述疗效被分类为(i)亚治疗性或(ii)治疗性。
154G.根据方面154A至方面154F中任一方面所述的方法，其中所述疗效被分类为(i)无副作用或(ii)引起一种或多种副作用。
154H.根据方面154A至方面154G中任一方面所述的方法，所述方法还包括基于所述所监测的检测到的和/或预测的事件数据来输出对治疗性治疗剂量、频率和/或时刻的推荐调整。
154I.根据方面154H所述的方法，其中对所述治疗性治疗剂量、频率和/或时刻的所述推荐调整是：(i)在所述疗效指示所述治疗性治疗是亚治疗性的并且无副作用的情况下，增加所述治疗性治疗剂量和/或频率；(ii)在所述疗效指示所述治疗性治疗是治疗性的并且引起一种或多种检测到的和/或预测的副作用的情况下，降低所述治疗性治疗剂量和/或频率；(iii)在所述疗效指示所述治疗性治疗是治疗性的并且无副作用的情况下，不调整所述治疗性治疗剂量和/或频率。
154J.根据方面154H所述的方法，其中对所述治疗性治疗剂量、频率和/或时刻的所述推荐调整是基于发生检测到的和/或预测的事件的数量来增加所述治疗性治疗剂量和/或频率，直到达到治疗性剂量并且存在检测到的和/或预测的副作用，并且然后降低所述治疗性治疗剂量和/或频率，直到不存在检测到的和/或预测的副作用。
154K.根据方面154H所述的方法，其中对所述治疗性治疗剂量、频率和/或时刻的推荐调整是基于发生检测到的和/或预测的事件的数量来增加所述治疗性治疗剂量和/或频率，直到所述治疗性治疗剂量和/或频率的进一步增加不会引起所述发生检测到的和/或预测的事件的数量的进一步减少，并且然后降低所述治疗性治疗剂量和/或频率，直到没有检测到的和/或预测的副作用。
154L.根据方面154H所述的方法，其中输出对所述治疗性治疗剂量、频率和/或时刻的推荐调整还包括：根据检测到的和/或预测的事件数据来计算分数；确定对应于峰值治疗效果的峰值治疗性治疗剂量和/或频率；以及从所述峰值治疗性治疗剂量降低所述治疗剂量和/或频率，直到不存在检测到的和/或预测的副作用。
154M.根据方面154H所述的方法，其中输出对所述治疗性治疗剂量、频率和/或时刻的推荐调整还包括：根据所述检测到的和/或预测的事件数据来计算(i)临床事件分数和副作用分数、(ii)包括临床事件数据和副作用数据的综合分数，或(iii)两者；基于根据所述检测到的和/或预测的事件数据计算出的一个或多个分数来确定最小治疗性剂量；基于根据所述检测到的和/或预测的事件数据计算出的所述一个或多个分数来确定对应于峰值治疗效果的峰值治疗性治疗剂量和/或频率；以及从所述峰值治疗性治疗剂量降低所述治疗剂量和/或频率，直到(i)不存在和/或没有预测到副作用或(ii)所述最小治疗性剂量中的第一者。
154N.根据方面154H所述的方法，其中输出对所述治疗性治疗剂量、频率和/或时刻的推荐调整还包括：接收最大副作用阈值；根据所述检测到的和/或预测的事件数据来计算(i)临床事件分数和副作用分数、(ii)包括临床事件数据和副作用数据的综合分数，或(iii)两者；基于根据所述检测到的和/或预测的事件数据计算出的一个或多个分数来确定最小治疗性剂量；基于根据所述检测到的和/或预测的事件数据计算出的所述一个或多个分数来确定对应于不超过所述最大副作用阈值的峰值治疗效果的峰值治疗性治疗剂量和/或频率；以及从所述峰值治疗性治疗剂量降低所述治疗剂量和/或频率，直到(i)不存在和/或没有预测到副作用或(ii)所述最小治疗性剂量中的第一者。
154O.根据方面154H所述的方法，其中输出对所述治疗性剂量、频率和/或时刻的推荐调整还包括：接收最大副作用阈值；根据所述检测到的和/或预测的事件数据来计算(i)临床事件分数和副作用分数、(ii)包括临床事件数据和副作用数据的综合分数，或(iii)两者；基于根据所述检测到的和/或预测的事件数据计算出的一个或多个分数来确定最小治疗性剂量；基于根据所述检测到的和/或预测的事件数据计算出的所述一个或多个分数来确定对应于不超过所述最大副作用阈值的峰值治疗效果的峰值治疗性治疗剂量和/或频率；以及将所确定的峰值治疗性治疗剂量和/或频率设定为所述治疗剂量和/或频率。
154P.根据方面154N和方面154O中任一方面所述的方法，其中至少部分地根据患者输入来确定所述最大副作用阈值。
154Q.根据方面154L至方面154P中任一方面所述的方法，其中所述副作用分数被计算为检测到的和/或预测的副作用事件的加权平均值，其中一些类型的事件被加权得较低并且一些类型的事件被加权得较高。
154R.根据方面154Q所述的方法，其中对一种或多种类型的副作用进行加权，使得所述副作用的任何发生都会引起所述副作用分数超过所述最大副作用阈值。
154S.根据方面154L至方面154R中任一方面所述的方法，其中所述副作用分数被计算为时间窗内副作用事件的加权平均值，其中在所述时间窗中较晚发生的事件比在所述时间窗中较早发生的事件被加权得更高。
154T.根据方面154A至方面154S中任一方面所述的方法，所述方法还包括使得所述处理器调整耦合到所述处理器设备的治疗性设备，其中所述处理器设备被配置为引起对所述治疗性设备的调整。
154U.根据方面154T所述的方法，所述方法还包括使得所述处理器响应于从治疗医师接收到的指令并且/或者响应于接收到对所述治疗性治疗的推荐调整被批准的指示而调整所述治疗性设备。
154V.根据方面154A至方面154U中任一方面所述的方法，其中在所给予的治疗性治疗开始之前的预定义第一时段期间以及在所给予的治疗性治疗开始之后的第二时段预定义时间期间监测所述分类结果中的检测到的和/或预测的事件的频率。
154W.根据方面154A至方面154V中任一方面所述的方法，其中在所给予的治疗性治疗开始之前开始并在所给予的治疗性治疗开始之后持续预定义时间的预定义时段期间监测所述分类结果中的检测到的和/或预测的事件的频率。
154X.一种系统，所述系统执行根据方面51至方面100W中任一方面所述的方法。
第四组方面
1.一种系统，所述系统包括：计算机处理器，所述计算机处理器被配置为：从设置在患者身上的脑电图(EEG)电极阵列接收EEG数据，并且从当所述电极设置在所述患者身上时由所述电极检测到的信号生成EEG数据；从被配置为设置在所述患者身上的光学体积描记传感器接收光学体积描记图(PPG)数据，并且从当所述传感器设置在所述患者身上时由所述传感器检测到的信号生成PPG数据；并且检测或预测所述患者的生理状况，所述生理状况包括癫痫事件、睡眠障碍和耳蜗障碍中的一者或多者。
2.根据方面1所述的系统，其中所述生理状况包括所述癫痫事件，并且其中检测或预测所述癫痫事件包括基于所述EEG数据和/或所述PPG数据来检测或预测所述癫痫事件的发生；并且其中所述计算机处理器被进一步配置为：基于所述EEG数据和/或所述PPG数据来确定与检测到的或预测的癫痫事件相关联的一个或多个状况；并且(i)响应于所确定的一个或多个状况而控制治疗性设备；或(ii)向临床医师、护理人员或所述患者推荐所确定的治疗的当前或未来应用。
3.根据方面2所述的系统，其中检测或预测所述癫痫事件包括检测所述癫痫事件的过去发生。
4.根据方面2或方面3所述的系统，其中检测或预测所述癫痫事件包括检测所述癫痫事件的正在发生。
5.根据方面2至方面4中任一方面所述的系统，其中检测或预测所述癫痫事件包括预测所述癫痫事件的未来发生。
6.根据方面2至方面5中任一方面所述的系统，其中与所述检测到的或预测的癫痫事件相关联的所述一个或多个状况包括心脏状况。
7.根据方面6所述的系统，其中所述心脏状况是心律失常。
8.根据方面2至方面7中任一方面所述的系统，其中与所述检测到的或预测的癫痫事件相关联的所述一个或多个状况包括肺部状况。
9.根据方面8所述的系统，其中所述肺部状况是呼吸暂停。
10.根据方面2至方面9中任一方面所述的系统，其中与所述检测到的或预测的癫痫事件相关联的所述一个或多个状况包括神经状况。
11.根据方面2至方面10中任一方面所述的系统，其中：所述计算机处理器被配置为响应于所述所确定的一个或多个状况来控制治疗性设备，并且所述治疗性设备包括心脏起搏器。
11A.根据方面2至方面11中任一方面所述的系统，其中所述计算机处理器被配置为响应于所述所确定的一个或多个状况而控制治疗性设备，并且所述治疗性设备包括被配置为执行膈肌起搏的膈神经刺激器。
12.根据方面2至方面11A中任一方面所述的系统，其中：所述计算机处理器被配置为响应于所述所确定的一个或多个状况而控制治疗性设备，并且所述治疗性设备包括迷走神经刺激器。
13.根据方面2至方面12中任一方面所述的系统，其中：所述计算机处理器被配置为响应于所述所确定的一个或多个状况来控制治疗性设备，并且所述治疗性设备包括药物泵。
14.根据方面2至方面13中任一方面所述的系统，其中：所述计算机处理器被配置为响应于所述所确定的一个或多个状况来控制治疗性设备，并且所述治疗性设备包括神经刺激器设备。
15.根据方面2至方面14中任一方面所述的系统，其中：所述计算机处理器被配置为向临床医师、护理人员或所述患者推荐所确定的治疗的当前或未来应用，并且所述所确定的治疗包括向所述患者提供氧气。
16.根据方面2至方面15中任一方面所述的系统，其中：所述计算机处理器被配置为向临床医师、护理人员或所述患者推荐所确定的治疗的当前或未来应用，并且所述所确定的治疗包括给所述患者服用药物。
17.根据方面2至方面16中任一方面所述的系统，其中：所述计算机处理器被配置为向临床医师、护理人员或所述患者推荐所确定的治疗的当前或未来应用，并且所述所确定的治疗包括心脏起搏或膈肌起搏。
18.根据方面2至方面17中任一方面所述的系统，其中所述计算机处理器被配置为在预测的事件之前响应于所述所确定的一个或多个状况而控制治疗性设备。
19.根据方面2至方面18中任一方面所述的系统，其中所述计算机处理器被配置为在正在进行的事件期间响应于所述所确定的一个或多个状况而控制治疗性设备。
20.根据方面2至方面19中任一方面所述的系统，其中所述计算机处理器被配置为在检测到的事件之后响应于所述所确定的一个或多个状况而控制治疗性设备。
21.根据方面2至方面20中任一方面所述的系统，其中所述计算机处理器被配置为在预测的事件之前向临床医师、护理人员或所述患者推荐所确定的治疗的应用。
22.根据方面2至方面21中任一方面所述的系统，其中所述计算机处理器被配置为在正在进行的事件期间向临床医师、护理人员或所述患者推荐所确定的治疗的应用。
23.根据方面2至方面22中任一方面所述的系统，其中所述计算机处理器被配置为在检测到的事件之后向临床医师、护理人员或所述患者推荐所确定的治疗的应用。
24.根据方面2至方面23中任一方面所述的系统，其中所述计算机处理器被进一步配置为确定所述检测到的或预测的癫痫事件的触发因素。
25.根据方面2至方面23所述的系统，其中所述计算机处理器被进一步配置为确定所述检测到的或预测的癫痫事件的触发因素是大脑的。
26.根据方面25所述的系统，其中所述计算机处理器被进一步配置为响应于确定所述触发因素是大脑性的而接合迷走神经刺激器。
27.根据方面2至方面23所述的系统，其中所述计算机处理器被进一步配置为确定所述检测到的或预测的癫痫事件的触发因素是心脏的。
28.根据方面27所述的系统，其中所述计算机处理器被进一步配置为响应于确定所述触发因素是心脏的而接合起搏器设备。
29.根据方面2至方面28中任一方面所述的系统，其中所述计算机处理器被进一步配置为基于所述EEG数据和/或所述PPG数据来预测与所述检测到的或预测的癫痫事件相关联的一个或多个状况相关联的严重程度、对所述患者的影响和/或恢复轨迹。
30.根据方面29所述的系统，其中所述计算机处理器被进一步配置为基于预测的严重程度、对所述患者的影响和/或恢复轨迹来控制所述治疗性设备。
31.根据方面1至方面30中任一方面所述的系统，其中从设置在患者身上的EEG电极阵列接收EEG数据包括从设置在所述患者的头皮上的EEG电极阵列接收EEG数据。
32.根据方面1至方面30中任一方面所述的系统，其中从设置在患者身上的EEG电极阵列接收EEG数据包括从设置在所述患者的头皮下方的EEG电极阵列接收EEG数据。
33.根据方面1至方面32中任一方面所述的系统，其中从被配置为设置在所述患者身上的光学体积描记传感器接收PPG数据包括从智能手表设备接收PPG数据。
34.根据方面1所述的系统，其中所述生理状况包括所述睡眠呼吸暂停事件，并且其中检测或预测所述睡眠呼吸暂停事件包括基于所述EEG数据和/或所述PPG数据来检测或预测所述睡眠呼吸暂停事件的发生；并且其中所述计算机处理器被进一步配置为：基于所述EEG数据和/或所述PPG数据来确定与检测到的或预测的睡眠呼吸暂停事件相关联的一个或多个状况；并且(i)响应于所确定的一个或多个状况而控制治疗性设备；或(ii)向临床医师、护理人员或所述患者推荐所确定的治疗的当前或未来应用。
35.根据方面34所述的系统，其中检测或预测所述睡眠呼吸暂停事件包括检测所述睡眠呼吸暂停事件的过去发生。
36.根据方面34或方面35所述的系统，其中检测或预测所述睡眠呼吸暂停事件包括检测所述睡眠呼吸暂停事件的正在发生。
37.根据方面34至方面36中任一方面所述的系统，其中检测或预测所述睡眠呼吸暂停事件包括预测所述睡眠呼吸暂停事件的未来发生。
38.根据方面34至方面37中任一方面所述的系统，其中与所述检测到的或预测的睡眠呼吸暂停事件相关联的所述一个或多个状况包括心脏状况。
39.根据方面38所述的系统，其中所述心脏状况是心律失常。
40.根据方面34至方面39中任一方面所述的系统，其中与所述检测到的或预测的睡眠呼吸暂停事件相关联的一个或多个状况包括肺功能的停止。
41.根据方面34至方面40中任一方面所述的系统，其中与所述检测到的或预测的睡眠呼吸暂停事件相关联的所述一个或多个状况包括神经状况。
42.根据方面41所述的系统，其中所述神经状况是中枢性睡眠呼吸暂停。
43.根据方面34至方面42中任一方面所述的系统，其中：所述计算机处理器被配置为响应于所述所确定的一个或多个状况来控制治疗性设备，并且所述治疗性设备包括神经刺激器设备。
44.根据方面34至方面43中任一方面所述的系统，其中：所述计算机处理器被配置为响应于所述所确定的一个或多个状况来控制治疗性设备，并且所述治疗性设备包括持续气道正压通气(CPAP)设备。
44A.根据方面34至方面44中任一方面所述的系统，其中：所述计算机处理器被配置为响应于所述所确定的一个或多个状况来控制治疗性设备，并且所述治疗性设备包括自适应伺服通气设备。
45.根据方面34至方面44A中任一方面所述的系统，其中：所述计算机处理器被配置为向临床医师、护理人员或所述患者推荐所确定的治疗的当前或未来应用，并且所述所确定的治疗包括指导所述患者服用口服药物。
46.根据方面34至方面45中任一方面所述的系统，其中：所述计算机处理器被配置为向临床医师、护理人员或所述患者推荐所确定的治疗的当前或未来应用，并且所述所确定的治疗包括给所述患者服用药物。
47.根据方面34至方面46中任一方面所述的系统，其中：所述计算机处理器被配置为向临床医师、护理人员或所述患者推荐所确定的治疗的当前或未来应用，并且所述所确定的治疗包括提供补充氧气。
48.根据方面34至方面47中任一方面所述的系统，其中所述计算机处理器被配置为在预测的事件之前响应于所述所确定的一个或多个状况而控制治疗性设备。
49.根据方面34至方面48中任一方面所述的系统，其中所述计算机处理器被配置为在正在进行的事件期间响应于所述所确定的一个或多个状况而控制治疗性设备。
50.根据方面34至方面49中任一方面所述的系统，其中所述计算机处理器被配置为在检测到的事件之后响应于所述所确定的一个或多个状况而控制治疗性设备。
51.根据方面34至方面50中任一方面所述的系统，其中所述计算机处理器被配置为在预测的事件之前向临床医师、护理人员或所述患者推荐所确定的治疗的应用。
52.根据方面34至方面51中任一方面所述的系统，其中所述计算机处理器被配置为在正在进行的事件期间向临床医师、护理人员或所述患者推荐所确定的治疗的应用。
53.根据方面34至方面52中任一方面所述的系统，其中所述计算机处理器被配置为在检测到的事件之后向临床医师、护理人员或所述患者推荐所确定的治疗的应用。
54.根据方面34至方面53中任一方面所述的系统，其中所述计算机处理器被进一步配置为确定所述检测到的或预测的睡眠呼吸暂停事件的触发因素。
55.根据方面34至方面54所述的系统，其中所述计算机处理器被进一步配置为确定所述检测到的或预测的睡眠呼吸暂停事件的触发因素是大脑的。
56.根据方面55所述的系统，其中所述计算机处理器被进一步配置为响应于确定所述触发因素是大脑的而接合神经刺激器设备。
57.根据方面34至方面54所述的系统，其中所述计算机处理器被进一步配置为确定所述检测到的或预测的睡眠呼吸暂停事件的触发因素是气道阻塞。
58.根据方面57所述的系统，其中所述计算机处理器被进一步配置为响应于确定所述触发因素是气道阻塞而调整CPAP设备的操作。
59.根据方面34至方面58中任一方面所述的系统，其中所述计算机处理器被进一步配置为基于所述EEG数据和/或所述PPG数据来预测与所述检测到的或预测的睡眠呼吸暂停事件相关联的一个或多个状况相关联的严重程度、对所述患者的影响和/或恢复轨迹。
60.根据方面59所述的系统，其中所述计算机处理器被进一步配置为基于预测的严重程度、对所述患者的影响和/或恢复轨迹来控制所述治疗性设备。
61.根据方面34至方面60中任一方面所述的系统，其中所述EEG电极阵列被配置为设置在所述患者的头皮上。
62.根据方面34至方面61中任一方面所述的系统，其中所述EEG电极阵列被配置为设置在所述患者的头皮下方。
63.根据方面34至方面62中任一方面所述的系统，其中所述睡眠呼吸暂停事件的所述检测或预测是基于所述EEG数据和所述PPG数据中的一个或多个生物标志物，所述一个或多个生物标志物包括睡眠阶段周期、睡眠阶段周期的变化、睡眠阶段周期的变化频率、睡眠EEG纺锤波幅度、EEG纺锤波持续时间、EEG纺锤波频率、EEG纺锤波流行率、EEG抑制事件和PPG去饱和事件中的至少一者。
64.根据方面1所述的系统，其中所述生理状况包括所述耳蜗障碍，并且其中检测或预测所述耳蜗障碍包括基于所述EEG数据和/或所述PPG数据来检测或预测所述耳蜗障碍的发生；并且其中所述计算机处理器被进一步配置为：基于所述EEG数据和/或所述PPG数据来确定与检测到的或预测的耳蜗障碍相关联的一个或多个状况；并且(i)响应于所确定的一个或多个状况而控制治疗性设备；或(ii)向临床医师、护理人员或所述患者推荐所确定的治疗的当前或未来应用。
65.根据方面64所述的系统，其中检测或预测所述耳蜗障碍包括检测所述耳蜗障碍的过去发生。
66.根据方面64或方面65所述的系统，其中检测或预测所述耳蜗障碍包括检测所述耳蜗障碍的正在发生。
67.根据方面64至方面66中任一方面所述的系统，其中检测或预测所述耳蜗障碍包括预测所述耳蜗障碍的未来发生。
68.根据方面64至方面67中任一方面所述的系统，其中与所述检测到的或预测的耳蜗障碍相关联的一个或多个状况包括耳蜗感染。
69.根据方面68所述的系统，其中所述心脏状况是心律失常。
70.根据方面64至方面69中任一方面所述的系统，其中与所述检测到的或预测的耳蜗障碍相关联的一个或多个状况包括肺功能的停止。
71.根据方面64至方面70中任一方面所述的系统，其中与所述检测到的或预测的耳蜗障碍相关联的一个或多个状况包括神经状况。
75.根据方面64至方面71中任一方面所述的系统，其中：所述计算机处理器被配置为向临床医师、护理人员或所述患者推荐所确定的治疗的当前或未来应用，并且所述所确定的治疗包括指导所述患者服用口服药物。
76.根据方面64至方面75中任一方面所述的系统，其中：所述计算机处理器被配置为向临床医师、护理人员或所述患者推荐所确定的治疗的当前或未来应用，并且所述所确定的治疗包括给所述患者服用药物。
78.根据方面64至方面76中任一方面所述的系统，其中所述计算机处理器被配置为在预测的事件之前响应于所述所确定的一个或多个状况而控制治疗性设备。
79.根据方面64至方面78中任一方面所述的系统，其中所述计算机处理器被配置为在正在进行的事件期间响应于所述所确定的一个或多个状况而控制治疗性设备。
80.根据方面64至方面79中任一方面所述的系统，其中所述计算机处理器被配置为在检测到的事件之后响应于所述所确定的一个或多个状况而控制治疗性设备。
81.根据方面64至方面80中任一方面所述的系统，其中所述计算机处理器被配置为在预测的事件之前向临床医师、护理人员或所述患者推荐所确定的治疗的应用。
82.根据方面64至方面81中任一方面所述的系统，其中所述计算机处理器被配置为在正在进行的事件期间向临床医师、护理人员或所述患者推荐所确定的治疗的应用。
83.根据方面64至方面82中任一方面所述的系统，其中所述计算机处理器被配置为在检测到的事件之后向临床医师、护理人员或所述患者推荐所确定的治疗的应用。
84.根据方面64至方面83中任一方面所述的系统，其中所述计算机处理器被进一步配置为确定所述检测到的或预测的耳蜗障碍的触发因素。
85.根据方面64至方面84所述的系统，其中所述计算机处理器被进一步配置为确定所述检测到的或预测的耳蜗障碍的触发因素是继发于所述患者体内的全身性障碍。
87.根据方面64至方面84所述的系统，其中所述计算机处理器被进一步配置为确定所述检测到的或预测的耳蜗障碍的触发因素是全身性感染。
88.根据方面87所述的系统，其中所述计算机处理器被进一步配置为响应于确定所述触发因素是气道阻塞而接合CPAP设备。
89.根据方面64至方面88中任一方面所述的系统，其中所述计算机处理器被进一步配置为基于所述EEG数据和/或所述PPG数据来预测与所述检测到的或预测的耳蜗障碍相关联的一个或多个状况相关联的严重程度、对所述患者的影响和/或恢复轨迹。
90.根据方面89所述的系统，其中所述计算机处理器被进一步配置为基于预测的严重程度、对所述患者的影响和/或恢复轨迹来控制所述治疗性设备。
91.根据方面64至方面90中任一方面所述的系统，其中所述EEG电极阵列被配置为设置在所述患者的头皮上。
92.根据方面64至方面90中任一方面所述的系统，其中所述EEG电极阵列被配置为设置在所述患者的头皮下方。
93.根据方面64至方面92中任一方面所述的系统，其中所述耳蜗障碍的所述检测或预测是基于所述EEG数据和所述PPG数据中的一个或多个生物标志物，所述一个或多个生物标志物包括听觉阈值、听觉阈值变化、认知努力、认知努力变化、听觉感知和听觉感知变化中的至少一者。
94.根据方面1所述的系统，其中所述生理状况包括所述前庭障碍，并且其中检测或预测所述前庭障碍包括基于所述EEG数据和/或所述PPG数据来检测或预测所述前庭障碍的发生；并且其中所述计算机处理器被进一步配置为：基于所述EEG数据和/或所述PPG数据来确定与检测到的或预测的前庭障碍相关联的一个或多个状况；并且(i)响应于所确定的一个或多个状况而控制治疗性设备；或(ii)向临床医师、护理人员或所述患者推荐所确定的治疗的当前或未来应用。
95.根据方面94所述的系统，其中检测或预测所述前庭障碍包括检测所述前庭障碍的过去发生。
96.根据方面94或方面95所述的系统，其中检测或预测所述前庭障碍包括检测所述前庭障碍的正在发生。
97.根据方面94至方面96中任一方面所述的系统，其中检测或预测所述前庭障碍包括预测所述前庭障碍的未来发生。
98.根据方面94至方面97中任一方面所述的系统，其中与所述检测到的或预测的前庭障碍相关联的一个或多个状况包括前庭感染。
99.根据方面98所述的系统，其中所述心脏状况是心律失常。
100.根据方面94至方面99中任一方面所述的系统，其中与所述检测到的或预测的睡眠呼吸暂停事件相关联的一个或多个状况包括肺功能的停止。
101.根据方面94至方面100中任一方面所述的系统，其中与所述检测到的或预测的前庭障碍相关联的一个或多个状况包括神经状况。
103.根据方面94至方面101中任一方面所述的系统，其中：所述计算机处理器被配置为响应于所述所确定的一个或多个状况来控制治疗性设备，并且所述治疗性设备包括神经刺激器设备。
105.根据方面94至方面103中任一方面所述的系统，其中：所述计算机处理器被配置为向临床医师、护理人员或所述患者推荐所确定的治疗的当前或未来应用，并且所述所确定的治疗包括指导所述患者服用口服药物。
106.根据方面94至方面105中任一方面所述的系统，其中：所述计算机处理器被配置为向临床医师、护理人员或所述患者推荐所确定的治疗的当前或未来应用，并且所述所确定的治疗包括给所述患者服用药物。
107.根据方面94至方面106中任一方面所述的系统，其中：所述计算机处理器被配置为向临床医师、护理人员或所述患者推荐所确定的治疗的当前或未来应用，并且所述所确定的治疗包括前庭康复治疗。
108.根据方面94至方面107中任一方面所述的系统，其中所述计算机处理器被配置为在预测的事件之前响应于所述所确定的一个或多个状况而控制治疗性设备。
109.根据方面94至方面108中任一方面所述的系统，其中所述计算机处理器被配置为在正在进行的事件期间响应于所述所确定的一个或多个状况而控制治疗性设备。
110.根据方面94至方面109中任一方面所述的系统，其中所述计算机处理器被配置为在检测到的事件之后响应于所述所确定的一个或多个状况而控制治疗性设备。
111.根据方面94至方面110中任一方面所述的系统，其中所述计算机处理器被配置为在预测的事件之前向临床医师、护理人员或所述患者推荐所确定的治疗的应用。
112.根据方面94至方面111中任一方面所述的系统，其中所述计算机处理器被配置为在正在进行的事件期间向临床医师、护理人员或所述患者推荐所确定的治疗的应用。
113.根据方面94至方面112中任一方面所述的系统，其中所述计算机处理器被配置为在检测到的事件之后向临床医师、护理人员或所述患者推荐所确定的治疗的应用。
114.根据方面94至方面113中任一方面所述的系统，其中所述计算机处理器被进一步配置为确定所述检测到的或预测的前庭障碍的触发因素。
115.根据方面94至方面114所述的系统，其中所述计算机处理器被进一步配置为确定所述检测到的或预测的前庭障碍的触发因素是大脑的。
116.根据方面115所述的系统，其中所述计算机处理器被进一步配置为响应于确定所述触发因素是大脑的而接合神经刺激器设备。
117.根据方面94至方面114所述的系统，其中所述计算机处理器被进一步配置为确定所述检测到的或预测的前庭障碍的触发因素是全身性感染。
118.根据方面117所述的系统，其中所述计算机处理器被进一步配置为响应于确定所述触发因素是气道阻塞而调整CPAP设备的操作。
119.根据方面94至方面118中任一方面所述的系统，其中所述计算机处理器被进一步配置为基于所述EEG数据和/或所述PPG数据来预测与所述检测到的或预测的前庭障碍相关联的一个或多个状况相关联的严重程度、对所述患者的影响和/或恢复轨迹。
120.根据方面119所述的系统，其中所述计算机处理器被进一步配置为基于预测的严重程度、对所述患者的影响和/或恢复轨迹来控制所述治疗性设备。
121.根据方面94至方面120中任一方面所述的系统，其中所述EEG电极阵列被配置为设置在所述患者的头皮上。
122.根据方面94至方面120中任一方面所述的系统，其中所述EEG电极阵列被配置为设置在所述患者的头皮下方。
123.根据方面94至方面122中任一方面所述的系统，其中所述睡眠呼吸暂停事件的所述检测或预测是基于所述EEG数据和所述PPG数据中的一个或多个生物标志物，所述一个或多个生物标志物包括呼吸变化、血氧饱和水平变化、心率变异性、血压和血压变化中的至少一者。
第五组方面
1.一种方法，所述方法包括：从第一处理器设备接收第一组数据，所述第一组数据包括：(i)从由设置在患者身上的EEG电极阵列检测到的第一信号生成的第一脑电图(EEG)数据，所述阵列通信地耦合到所述第一处理器设备；(ii)从由设置在所述患者身上的光学体积描记传感器检测到的第一信号生成的第一光学体积描记(PPG)数据，所述传感器通信地耦合到所述第一处理器设备；基于所述第一组数据并且基于来自所述患者、所述患者的护理人员、临床医师和/或另一观察者的对应的第一报告来生成第一人工智能(AI)训练集；接收对所述第一AI训练集的一个或多个属性的选择作为特征值；接收用于所述第一AI训练集的一个或多个关键字或标签；使用所述特征值和为所述第一AI训练集定义的所述一个或多个关键字或标签，用所述第一AI训练集训练经过训练的模型的第一迭代，所述经过训练的模型的所述第一迭代可操作以提供具有对应的第一差错率的第一组分类结果，所述第一组分类结果与由以下各项组成的组中的一者或多者相关：癫痫事件、耳蜗障碍、前庭障碍和睡眠障碍；从所述第一处理器设备接收第二组数据，所述第二组数据包括：(i)从由设置在所述患者身上的EEG电极阵列检测到的第二信号生成的第二EEG数据；(ii)由设置在所述患者身上的传感器检测到的第二信号生成的第二PPG数据；基于所述第二组数据并且基于来自所述患者、所述患者的护理人员、临床医师和/或另一观察者的对应的第二报告来生成第二AI训练集；接收对所述第二AI训练集的一个或多个属性的选择作为特征值；接收用于所述第二AI训练集的一个或多个关键字或标签；使用所述特征值和为所述第二AI训练集定义的一个或多个关键字或标签，用所述第二AI训练集训练经过训练的模型的第二迭代，所述经过训练的模型的所述第二迭代可操作以提供具有对应的第二差错率的第二组分类结果，所述第二组分类结果与由以下各项组成的组中的一者或多者相关：癫痫事件、耳蜗障碍、前庭障碍和睡眠障碍；其中与所述第一差错率的总差错率相比，所述第二差错率具有降低的总差错率。
2.根据方面1所述的方法，其中：所述第一组分类结果与癫痫事件相关，所述第一组分类结果包括由以下各项组成的组中的一者或多者：预测的癫痫事件的预测的严重程度、发生的癫痫事件的严重程度、过去的癫痫事件的严重程度、预测的癫痫事件的预测的临床影响、发生的癫痫事件的临床影响预测、过去的癫痫事件的临床影响预测，预测的癫痫事件的预测的临床恢复期、发生的癫痫事件的预测的恢复期以及过去的癫痫事件的预测的恢复期，所述第二组分类结果与癫痫事件相关，并且所述第二组分类结果包括由以下各项组成的组中的一者或多者：预测的癫痫事件的预测的严重程度、发生的癫痫事件的严重程度、过去的癫痫事件的严重程度、预测的癫痫事件的预测的临床影响、发生的癫痫事件的临床影响预测、过去的癫痫事件的临床影响预测、预测的癫痫事件的预测的临床恢复期、发生的癫痫事件的预测的恢复期以及过去的癫痫事件的预测的恢复期。
3.根据方面1所述的方法，其中：所述第一组分类结果与耳蜗障碍相关，所述第一组分类结果包括由以下各项组成的组中的一者或多者：预测的耳蜗障碍的预测的严重程度、发生的耳蜗障碍的严重程度、过去的耳蜗障碍的严重程度、预测的耳蜗障碍的预测的临床影响、发生的耳蜗障碍的临床影响预测、过去的耳蜗障碍的临床影响预测，预测的耳蜗障碍的预测的临床恢复期、发生的耳蜗障碍的预测的恢复期以及过去的耳蜗障碍的预测的恢复期，所述第二组分类结果与耳蜗障碍相关，并且所述第二组分类结果包括由以下各项组成的组中的一者或多者：预测的耳蜗障碍的预测的严重程度、发生的耳蜗障碍的严重程度、过去的耳蜗障碍的严重程度、预测的耳蜗障碍的预测的临床影响、发生的耳蜗障碍的临床影响预测、过去的耳蜗障碍的临床影响预测、预测的耳蜗障碍的预测的临床恢复期、发生的耳蜗障碍的预测的恢复期以及过去的耳蜗障碍的预测的恢复期。
4.根据方面1所述的方法，其中：所述第一组分类结果与前庭障碍相关，所述第一组分类结果包括由以下各项组成的组中的一者或多者：预测的前庭障碍的预测的严重程度、发生的前庭障碍的严重程度、过去的前庭障碍的严重程度、预测的前庭障碍的预测的临床影响、发生的前庭障碍的临床影响预测、过去的前庭障碍的临床影响预测，预测的前庭障碍的预测的临床恢复期、发生的前庭障碍的预测的恢复期以及过去的前庭障碍的预测的恢复期，所述第二组分类结果与前庭障碍相关，并且所述第二组分类结果包括由以下各项组成的组中的一者或多者：预测的前庭障碍的预测的严重程度、发生的前庭障碍的严重程度、过去的前庭障碍的严重程度、预测的前庭障碍的预测的临床影响、发生的前庭障碍的临床影响预测、过去的前庭障碍的临床影响预测、预测的前庭障碍的预测的临床恢复期、发生的前庭障碍的预测的恢复期以及过去的前庭障碍的预测的恢复期。
5.根据方面1所述的方法，其中：所述第一组分类结果与包括睡眠呼吸暂停事件的睡眠障碍相关，所述第一组分类结果包括由以下各项组成的组中的一者或多者：预测的睡眠呼吸暂停事件的预测的严重程度、发生的睡眠呼吸暂停事件的严重程度、过去的睡眠呼吸暂停事件的严重程度、预测的睡眠呼吸暂停事件的预测的临床影响、发生的睡眠呼吸暂停事件的临床影响预测、过去的睡眠呼吸暂停事件的临床影响预测，预测的睡眠呼吸暂停事件的预测的临床恢复期、发生的睡眠呼吸暂停事件的预测的恢复期以及过去的睡眠呼吸暂停事件的预测的恢复期，所述第二组分类结果与包括睡眠呼吸暂停事件的睡眠障碍相关，并且所述第二组分类结果包括由以下各项组成的组中的一者或多者：预测的睡眠呼吸暂停事件的预测的严重程度、发生的睡眠呼吸暂停事件的严重程度、过去的睡眠呼吸暂停事件的严重程度、预测的睡眠呼吸暂停事件的预测的临床影响、发生的睡眠呼吸暂停事件的临床影响预测、过去的睡眠呼吸暂停事件的临床影响预测、预测的睡眠呼吸暂停事件的预测的临床恢复期、发生的睡眠呼吸暂停事件的预测的恢复期以及过去的睡眠呼吸暂停事件的预测的恢复期。
6.根据方面1至方面5中任一方面所述的方法，其中所述第一AI训练集的所述一个或多个属性和所述第二AI训练集的所述一个或多个属性包括以下各项中的一项或多项：癫痫样活动、棘波、尖波、氧去饱和、心率变化和心率变异性变化、睡眠阶段周期、睡眠阶段周期的变化、睡眠阶段周期的变化频率、睡眠EEG纺锤波幅度、EEG纺锤波持续时间、EEG纺锤波频率、EEG纺锤波流行率、EEG抑制事件、PPG去饱和事件、听觉阈值、听觉阈值变化、认知努力、认知努力变化、听觉感知、听觉感知变化、心率变异性、血压和血压变化。
7.一种系统，所述系统包括耦合到存储一个或多个软件例程的存储器的计算机处理器，所述一个或多个软件例程被配置为当由所述处理器执行时执行根据方面1至方面6中任一方面所述的方法。
第六组方面
1.一种方法，所述方法包括：从多个第一处理器设备接收对应的第一组数据，所述第一组数据中的每个第一组数据包括：(i)从由设置在相应的患者身上的相应的EEG电极阵列检测到的相应的第一信号生成的相应的第一脑电图(EEG)数据，所述相应的阵列通信地耦合到所述相应的第一处理器设备；(ii)从由设置在所述相应的患者身上的相应的光学体积描记传感器检测到的相应的第一信号生成的相应的第一光学体积描记(PPG)数据，所述相应的传感器通信地耦合到所述相应的第一处理器设备；基于所述第一组数据并且基于来自所述患者、所述患者的护理人员、临床医师和/或其他观察者的对应的第一报告来生成第一人工智能(AI)训练集；接收对所述第一AI训练集的一个或多个属性的选择作为特征值；接收用于所述第一AI训练集的一个或多个关键字或标签；使用所述特征值和为所述第一AI训练集定义的所述一个或多个关键字或标签，用所述第一AI训练集训练经过训练的模型的第一迭代，所述经过训练的模型的所述第一迭代可操作以提供具有相对于目标患者的对应的第一差错率的第一组分类结果，所述第一组分类结果与由以下各项组成的组中的一者或多者相关：癫痫事件、耳蜗障碍、前庭障碍和睡眠障碍；从第二处理器设备接收第二组数据，所述第二组数据包括：(i)从由设置在所述目标患者身上的EEG电极阵列检测到的第二信号生成的第二EEG数据；(ii)由设置在所述目标患者身上的传感器检测到的第二信号生成的第二PPG数据；基于所述第二组数据并且基于来自所述目标患者、所述目标患者的护理人员、所述目标患者的临床医师和/或所述目标患者的另一观察者的对应的第二报告来生成第二AI训练集；接收对所述第二AI训练集的一个或多个属性的选择作为特征值；接收用于所述第二AI训练集的一个或多个关键字或标签；使用所述特征值和为所述第二AI训练集定义的一个或多个关键字或标签，用所述第二AI训练集训练经过训练的模型的第二迭代，所述经过训练的模型的所述第二迭代可操作以提供具有相对于所述目标患者的对应的第二差错率的第二组分类结果，所述第二组分类结果与由以下各项组成的组中的一者或多者相关：癫痫事件、耳蜗障碍、前庭障碍和睡眠障碍；其中与所述第一差错率的总差错率相比，所述第二差错率具有降低的总差错率。
2.根据方面1所述的方法，其中：所述第一组分类结果与癫痫事件相关，所述第一组分类结果包括由以下各项组成的组中的一者或多者：预测的癫痫事件的预测的严重程度、发生的癫痫事件的严重程度、过去的癫痫事件的严重程度、预测的癫痫事件的预测的临床影响、发生的癫痫事件的临床影响预测、过去的癫痫事件的临床影响预测，预测的癫痫事件的预测的临床恢复期、发生的癫痫事件的预测的恢复期以及过去的癫痫事件的预测的恢复期，所述第二组分类结果与癫痫事件相关，并且所述第二组分类结果包括由以下各项组成的组中的一者或多者：预测的癫痫事件的预测的严重程度、发生的癫痫事件的严重程度、过去的癫痫事件的严重程度、预测的癫痫事件的预测的临床影响、发生的癫痫事件的临床影响预测、过去的癫痫事件的临床影响预测、预测的癫痫事件的预测的临床恢复期、发生的癫痫事件的预测的恢复期以及过去的癫痫事件的预测的恢复期。
3.根据方面1所述的方法，其中：所述第一组分类结果与耳蜗障碍相关，所述第一组分类结果包括由以下各项组成的组中的一者或多者：预测的耳蜗障碍的预测的严重程度、发生的耳蜗障碍的严重程度、过去的耳蜗障碍的严重程度、预测的耳蜗障碍的预测的临床影响、发生的耳蜗障碍的临床影响预测、过去的耳蜗障碍的临床影响预测，预测的耳蜗障碍的预测的临床恢复期、发生的耳蜗障碍的预测的恢复期以及过去的耳蜗障碍的预测的恢复期，所述第二组分类结果与耳蜗障碍相关，并且所述第二组分类结果包括由以下各项组成的组中的一者或多者：预测的耳蜗障碍的预测的严重程度、发生的耳蜗障碍的严重程度、过去的耳蜗障碍的严重程度、预测的耳蜗障碍的预测的临床影响、发生的耳蜗障碍的临床影响预测、过去的耳蜗障碍的临床影响预测、预测的耳蜗障碍的预测的临床恢复期、发生的耳蜗障碍的预测的恢复期以及过去的耳蜗障碍的预测的恢复期。
4.根据方面1所述的方法，其中：所述第一组分类结果与前庭障碍相关，所述第一组分类结果包括由以下各项组成的组中的一者或多者：预测的前庭障碍的预测的严重程度、发生的前庭障碍的严重程度、过去的前庭障碍的严重程度、预测的前庭障碍的预测的临床影响、发生的前庭障碍的临床影响预测、过去的前庭障碍的临床影响预测，预测的前庭障碍的预测的临床恢复期、发生的前庭障碍的预测的恢复期以及过去的前庭障碍的预测的恢复期，所述第二组分类结果与前庭障碍相关，并且所述第二组分类结果包括由以下各项组成的组中的一者或多者：预测的前庭障碍的预测的严重程度、发生的前庭障碍的严重程度、过去的前庭障碍的严重程度、预测的前庭障碍的预测的临床影响、发生的前庭障碍的临床影响预测、过去的前庭障碍的临床影响预测、预测的前庭障碍的预测的临床恢复期、发生的前庭障碍的预测的恢复期以及过去的前庭障碍的预测的恢复期。
5.根据方面1所述的方法，其中：所述第一组分类结果与包括睡眠呼吸暂停事件的睡眠障碍相关，所述第一组分类结果包括由以下各项组成的组中的一者或多者：预测的睡眠呼吸暂停事件的预测的严重程度、发生的睡眠呼吸暂停事件的严重程度、过去的睡眠呼吸暂停事件的严重程度、预测的睡眠呼吸暂停事件的预测的临床影响、发生的睡眠呼吸暂停事件的临床影响预测、过去的睡眠呼吸暂停事件的临床影响预测，预测的睡眠呼吸暂停事件的预测的临床恢复期、发生的睡眠呼吸暂停事件的预测的恢复期以及过去的睡眠呼吸暂停事件的预测的恢复期，所述第二组分类结果与包括睡眠呼吸暂停事件的睡眠障碍相关，并且所述第二组分类结果包括由以下各项组成的组中的一者或多者：预测的睡眠呼吸暂停事件的预测的严重程度、发生的睡眠呼吸暂停事件的严重程度、过去的睡眠呼吸暂停事件的严重程度、预测的睡眠呼吸暂停事件的预测的临床影响、发生的睡眠呼吸暂停事件的临床影响预测、过去的睡眠呼吸暂停事件的临床影响预测、预测的睡眠呼吸暂停事件的预测的临床恢复期、发生的睡眠呼吸暂停事件的预测的恢复期以及过去的睡眠呼吸暂停事件的预测的恢复期。
6.根据方面1至方面5中任一方面所述的方法，其中所述第一AI训练集的所述一个或多个属性和所述第二AI训练集的所述一个或多个属性包括以下各项中的一项或多项：癫痫样活动、棘波、尖波、氧去饱和、心率变化和心率变异性变化、睡眠阶段周期、睡眠阶段周期的变化、睡眠阶段周期的变化频率、睡眠EEG纺锤波幅度、EEG纺锤波持续时间、EEG纺锤波频率、EEG纺锤波流行率、EEG抑制事件、PPG去饱和事件、听觉阈值、听觉阈值变化、认知努力、认知努力变化、听觉感知、听觉感知变化、心率变异性、血压和血压变化。
7.一种系统，所述系统包括耦合到存储一个或多个软件例程的存储器的计算机处理器，所述一个或多个软件例程被配置为当由所述处理器执行时执行根据方面1至方面6中任一方面所述的方法。
第七组方面
1.一种用于对与患者相关联的生理状况进行检测和分类的系统，所述系统包括：处理器设备，所述处理器设备包括微处理器、存储器和通信电路；脑电图(EEG)电极阵列，所述EEG电极阵列被配置为设置在所述患者身上，所述阵列(i)经由所述通信电路通信地耦合到所述处理器设备、(ii)从当所述阵列设置在所述患者身上时由所述阵列检测到的信号生成脑电图(EEG)数据，并且(iii)向所述处理器设备提供所述EEG数据；光学体积描记传感器，所述光学体积描记传感器被配置为设置在所述患者身上，所述传感器(i)经由所述通信电路通信地耦合到所述处理器设备、(ii)从当所述传感器设置在所述患者身上时由所述传感器检测到的信号生成光学体积描记图(PPG)数据，并且(iii)向所述处理器设备提供所述PPG数据；存储在所述存储器中并且被配置为由所述微处理器执行的分析例程，所述分析例程可操作以(1)接收所述EEG数据和所述PPG数据并检测或预测生理状况的发生；以及(2)确定多个特征值，所述多个特征值包括以下各项中的每一项：(i)所述EEG数据的一个或多个特征值，以及(ii)所述PPG数据的一个或多个特征值；以及(3)基于所述多个特征值，进行以下各项中的一项或多项：(i)量化所述生理状况的严重程度；(ii)预测所述生理状况的临床影响；和/或(iii)预测所述生理状况发作后的临床恢复期。
2.根据方面1所述的系统，其中：所述生理状况包括癫痫事件，量化所述生理状况的严重程度包括量化所述癫痫事件的严重程度，预测所述生理状况的临床影响包括预测所述癫痫事件的临床影响，并且预测所述生理状况发作后的临床恢复期包括预测所述癫痫事件后的临床恢复期。
3.根据方面1所述的系统，其中：所述生理状况包括睡眠呼吸暂停事件，量化所述生理状况的严重程度包括量化所述睡眠呼吸暂停事件的严重程度，预测所述生理状况的临床影响包括预测所述睡眠呼吸暂停事件的临床影响，并且预测所述生理状况发作后的临床恢复期包括预测所述睡眠呼吸暂停事件后的临床恢复期。
4.根据方面1所述的系统，其中：所述生理状况包括前庭状况，量化所述生理状况的严重程度包括量化所述前庭状况的严重程度，预测所述生理状况的临床影响包括预测所述前庭状况的临床影响，并且预测所述生理状况发作后的临床恢复期包括预测所述前庭状况后的临床恢复期。
5.根据方面1所述的系统，其中：所述生理状况包括耳蜗状况，量化所述生理状况的严重程度包括量化所述耳蜗状况的严重程度，预测所述生理状况的临床影响包括预测所述耳蜗状况的临床影响，并且预测所述生理状况发作后的临床恢复期包括预测所述耳蜗状况后的临床恢复期。
6.根据方面1至方面5中任一方面所述的系统，其中检测或预测所述生理状况的发生包括识别与所述生理状况的发生相关联的一个或多个周期。
7.根据方面1至方面6中任一方面所述的系统，其中进行以下各项中的一项或多项：(i)量化所述生理状况的严重程度；(ii)预测所述生理状况的临床影响；和/或(iii)预测所述生理状况发作后的临床恢复期包括：识别与所述生理状况的严重程度和/或临床影响相关联的一个或多个周期。
8.根据方面1至方面7中任一方面所述的系统，其中检测或预测所述生理状况的发生包括在所述生理状况正在发生时检测所述生理状况的发生。
9.根据方面1至方面7中任一方面所述的系统，其中检测或预测所述生理状况的发生包括在所述生理状况已经发生之后检测所述生理状况的发生。
10.根据方面1至方面7中任一方面所述的系统，其中检测或预测所述生理状况的发生包括在所述生理状况发生之前预测所述生理状况的发生。
11.根据方面1至方面10中任一方面所述的系统，其中所述EEG数据的所述一个或多个特征值包括癫痫样活动、棘波和尖波中的一者或多者。
12.根据方面1至方面11中任一方面所述的系统，其中所述PPG数据的所述一个或多个特征值包括氧去饱和、心率变化和心率变异性变化中的一者或多者。
13.根据方面1至方面12中任一方面所述的系统，其中所述PPG数据的所述一个或多个特征值包括由以下各项组成的组中的一者或多者：心率、心率变异性、血压、血压变化。
14.根据方面1至方面13中任一方面所述的系统，其中所述EEG数据的所述一个或多个特征值包括由以下各项组成的组中的一者或多者：睡眠阶段周期、睡眠阶段周期的变化、睡眠阶段周期的变化频率、睡眠EEG纺锤波幅度、EEG纺锤波持续时间、EEG纺锤波频率、EEG纺锤波流行率和EEG抑制事件。
15.根据方面1至方面14中任一方面所述的系统，其中所述EEG数据的所述一个或多个特征值包括指示以下生物标志物中的一者或多者的数据：听觉阈值、听觉阈值变化、认知努力、认知努力变化、听觉感知和听觉感知变化。
16.根据方面1至方面15中任一方面所述的系统，所述系统还包括：响应于量化所述生理状况的严重程度、预测所述生理状况的临床影响和/或预测所述生理状况发作后的临床恢复期中的一者或多者，由所述微处理器控制治疗性设备。
17.根据方面16所述的系统，其中所述治疗性设备是迷走神经刺激器。
18.根据方面16所述的系统，其中所述治疗性设备是神经刺激器。
19.根据方面16所述的系统，其中所述治疗性设备是心脏起搏器。
20.根据方面16所述的系统，其中所述治疗性设备是持续气道正压通气(CPAP)设备。
21.根据方面16所述的系统，其中所述治疗性设备是药物泵。
22.根据方面1至方面21中任一方面所述的系统，所述系统还包括：响应于量化所述生理状况的严重程度、预测所述生理状况的临床影响和/或预测所述生理状况发作后的临床恢复期中的一者或多者，由所述微处理器推荐治疗行动过程。
23.根据方面22所述的系统，其中推荐所述治疗行动过程包括推荐药物剂量。
24.根据方面22所述的系统，其中推荐所述治疗行动过程包括推荐向所述患者提供氧气。
第八组方面
1.一种用于对与患者相关联的生理状况进行检测和分类的系统，所述系统包括：处理器设备，所述处理器设备包括微处理器、存储器和通信电路；脑电图(EEG)电极阵列，所述EEG电极阵列被配置为设置在所述患者身上，所述阵列(i)经由所述通信电路通信地耦合到所述处理器设备、(ii)从当所述阵列设置在所述患者身上时由所述阵列检测到的信号生成脑电图(EEG)数据，并且(iii)向所述处理器设备提供所述EEG数据；光学体积描记传感器，所述光学体积描记传感器被配置为设置在所述患者身上，所述传感器(i)经由所述通信电路通信地耦合到所述处理器设备、(ii)从当所述传感器设置在所述患者身上时由所述传感器检测到的信号生成光学体积描记图(PPG)数据，并且(iii)向所述处理器设备提供所述PPG数据；经过训练的人工智能(AI)模型，所述经过训练的AI模型被配置为接收多个特征值，所述多个特征值包括以下各项中的每一项：(i)所述EEG数据的一个或多个特征值，以及(ii)所述PPG数据的一个或多个特征值，其中所述经过训练的AI模型是根据基于先前多个特征值的AI算法来配置的，其中所述经过训练的AI模型被配置为基于所述多个特征值来进行以下各项中的一项或多项：(i)量化所述生理状况的严重程度；(ii)预测所述生理状况的临床影响；(iii)预测所述生理状况发作后的临床恢复期。
2.根据方面1所述的系统，其中：所述生理状况包括癫痫，对所述生理状况进行检测和分类包括对癫痫事件进行检测和分类，量化所述生理状况的严重程度包括量化所述癫痫事件的严重程度，预测所述生理状况的临床影响包括量化所述癫痫事件的临床影响，并且预测所述生理状况发作后的临床恢复期包括预测所述癫痫事件发作后的临床恢复期。
3.根据方面1所述的系统，其中：所述生理状况包括睡眠呼吸暂停，对所述生理状况进行检测和分类包括对睡眠呼吸暂停进行检测和分类，量化所述生理状况的严重程度包括量化所述睡眠呼吸暂停事件的严重程度，预测所述生理状况的临床影响包括量化所述睡眠呼吸暂停事件的临床影响，并且预测所述生理状况发作后的临床恢复期包括预测所述睡眠呼吸暂停事件发作后的临床恢复期。
4.根据方面1所述的系统，其中：所述生理状况包括耳蜗障碍，对所述生理状况进行检测和分类包括对耳蜗障碍进行检测和分类，量化所述生理状况的严重程度包括量化所述耳蜗障碍的严重程度，预测所述生理状况的临床影响包括量化所述耳蜗障碍的临床影响，并且预测所述生理状况发作后的临床恢复期包括预测所述耳蜗障碍发作后的临床恢复期。
5.根据方面1所述的系统，其中：所述生理状况包括前庭障碍，对所述生理状况进行检测和分类包括对前庭障碍进行检测和分类，量化所述生理状况的严重程度包括量化所述前庭障碍的严重程度，预测所述生理状况的临床影响包括量化所述前庭障碍的临床影响，并且预测所述生理状况发作后的临床恢复期包括预测所述前庭障碍发作后的临床恢复期。

Claims (36)

1.一种用于分析与癫痫患者相关联的生理状况的系统，所述系统包括：
-处理器设备，所述处理器设备包括微处理器、存储器和通信电路；
-脑电图(EEG)电极阵列，所述EEG电极阵列被配置为设置在所述患者身上，所述阵列
(i)经由所述通信电路通信地耦合到所述处理器设备，
(ii)从当所述阵列设置在所述患者身上时由所述阵列检测到的信号生成脑电图(EEG)数据，并且
(iii)向所述处理器设备提供所述EEG数据；
-光学体积描记传感器，所述光学体积描记传感器被配置为设置在所述患者身上，所述传感器
(i)经由所述通信电路通信地耦合到所述处理器设备，
(ii)从当所述传感器设置在所述患者身上时由所述传感器检测到的信号生成光学体积描记图(PPG)数据，并且
(iii)向所述处理器设备提供所述PPG数据；以及
-分析例程，所述分析例程存储在所述存储器中并且被配置为由所述微处理器执行，所述分析例程能够操作以
(1)接收所述EEG数据和所述PPG数据；
(2)确定多个特征值，所述多个特征值包括以下各项中的每一项：(i)所述EEG数据的一个或多个特征值，以及(ii)所述PPG数据的一个或多个特征值；并且
(3)基于所述多个特征值，对与所述生理状况相关联的事件进行检测和分类。
2.根据权利要求1所述的系统，其中所述分析例程包括静态模型。
3.根据权利要求1所述的系统，其中所述分析例程包括经过训练的人工智能(AI)模型。
4.根据权利要求3所述的系统，其中根据基于先前多个特征值的AI算法来配置所述经过训练的AI模型。
5.根据权利要求1至权利要求4中任一项所述的系统，所述系统还包括例程，所述例程监测事件数据和分类事件并且根据所监测的事件数据来确定所给予的治疗性治疗的疗效。
6.根据权利要求5所述的系统，其中根据所述所监测的事件数据的临床事件的发生次数来确定所述疗效。
7.根据权利要求5或权利要求6所述的系统，其中根据加权分数来确定所述疗效，所述加权分数是根据所述所监测的事件数据来确定的。
8.根据权利要求5至权利要求7中任一项所述的系统，其中所述事件数据包括副作用事件。
9.根据权利要求5至权利要求8中任一项所述的系统，其中所述疗效被分类为(i)亚治疗性或(ii)治疗性。
10.根据权利要求5至权利要求9中任一项所述的系统，其中所述疗效被分类为(i)无副作用或(ii)引起一种或多种副作用。
11.根据权利要求1至权利要求10中任一项所述的系统，其中与所述生理状况相关联的所述事件由所述分析例程分类为癫痫事件或非癫痫事件。
12.根据权利要求1至权利要求11中任一项所述的系统，所述系统还包括存储在所述存储器中并且被配置为由所述微处理器执行的治疗策略例程，所述治疗策略例程能够操作以(i)根据所检测和分类的事件来推荐药剂以治疗所述生理状况；并且/或者(ii)根据所述所检测和分类的事件，经由耦合到所述微处理器的治疗设备施用药剂以治疗所述生理状况。
13.根据权利要求1至权利要求12中任一项所述的系统，所述系统还包括存储在所述存储器中并且被配置为由所述微处理器执行的治疗策略例程，所述治疗策略例程能够操作以(i)根据所述所检测和分类的事件来推荐药剂的剂量、浓度、时机或频率的改变以治疗所述生理状况；并且/或者(ii)根据所述所检测和分类的事件，经由耦合到所述微处理器的治疗设备给予药剂的剂量、浓度、时机或频率的改变以治疗所述生理状况。
14.根据权利要求1至权利要求13中任一项所述的系统，所述系统还包括存储在所述存储器中并且被配置为由所述微处理器执行的治疗策略例程，所述治疗策略例程能够操作以(i)根据所述所检测和分类的事件来推荐迷走神经刺激方案以治疗所述生理状况；并且/或者(ii)根据所述所检测和分类的事件，经由耦合到所述微处理器的治疗设备给予迷走神经刺激方案以治疗所述生理状况。
15.根据权利要求1至权利要求14中任一项所述的系统，所述系统还包括存储在所述存储器中并且被配置为由所述微处理器执行的治疗策略例程，所述治疗策略例程能够操作以(i)根据所述所检测和分类的事件来推荐颅外、经颅或颅内刺激方案以治疗所述生理状况；并且/或者(ii)根据所述所检测和分类的事件，经由耦合到所述微处理器的治疗设备给予颅外、经颅或颅内刺激方案以治疗所述生理状况。
16.根据权利要求1至权利要求15中任一项所述的系统，其中所述分析例程还能够操作以基于所述多个特征值来预测与所述生理状况相关联的一个或多个未来事件。
17.根据权利要求1至权利要求16中任一项所述的系统，所述系统还包括经由所述通信电路通信地耦合到所述处理器设备的麦克风，其中：
所述分析例程还能够操作以从所述麦克风接收数据，
所述多个特征值包括麦克风数据的一个或多个特征值，并且
基于包括所述麦克风数据的所述多个特征值，对与所述生理状况相关联的事件进行检测和分类。
18.根据权利要求1至权利要求17中任一项所述的系统，所述系统还包括经由所述通信电路通信地耦合到所述处理器设备的加速度计，其中：
所述分析例程还能够操作从所述加速度计接收数据，
所述多个特征值包括加速度计数据的一个或多个特征值，并且
基于包括所述加速度计数据的所述多个特征值，对与所述生理状况相关联的事件进行检测和分类。
19.一种方法，所述方法包括：
在计算机处理器处，从被配置为设置在癫痫患者身上的脑电图(EEG)电极阵列接收从当所述电极设置在所述患者身上时由所述电极检测到的信号生成的EEG数据；
在所述计算机处理器处，从被配置为设置在所述患者身上的光学体积描记传感器接收从当所述传感器设置在所述患者身上时由所述传感器检测到的信号生成的光学体积描记图(PPG)数据；
在所述计算机处理器中评估接收到的EEG数据和接收到的PPG数据，并且根据所述接收到的EEG数据和所述接收到的PPG数据对所述癫痫患者经历的事件进行检测和分类。
20.根据权利要求19所述的方法，其中对所述事件进行检测和分类包括检测过去事件。
21.根据权利要求19或权利要求20所述的方法，其中对所述事件进行检测和分类包括检测所述生理状况的正在发生。
22.根据权利要求19至权利要求21中任一项所述的方法，其中评估所述接收到的EEG数据和所述接收到的PPG数据包括在由所述计算机处理器实现的静态模型中评估所述接收到的EEG数据和所述接收到的PPG数据。
23.根据权利要求19至权利要求21中任一项所述的方法，其中评估所述接收到的EEG数据和所述接收到的PPG数据包括在由所述计算机处理器实现的经过训练的人工智能(AI)模型中评估所述接收到的EEG数据和所述接收到的PPG数据。
24.根据权利要求23所述的方法，其中根据基于先前多个特征值的AI算法来配置所述经过训练的AI模型。
25.根据权利要求19至权利要求24中任一项所述的方法，所述方法还包括监测事件数据和分类事件，以及根据所监测的事件数据来确定所给予的治疗性治疗的疗效。
26.根据权利要求25所述的方法，其中根据所述所监测的事件数据的临床事件的发生次数来确定所述疗效。
27.根据权利要求25或权利要求26所述的方法，其中根据加权分数来确定所述疗效，所述加权分数是根据所述所监测的事件数据来确定的。
28.根据权利要求25至权利要求27中任一项所述的方法，其中所述事件数据包括副作用事件。
29.根据权利要求25至权利要求28中任一项所述的方法，其中所述疗效被分类为(i)亚治疗性或(ii)治疗性。
30.根据权利要求25至权利要求29中任一项所述的方法，其中所述疗效被分类为(i)无副作用或(ii)引起一种或多种副作用。
31.根据权利要求19至权利要求30中任一项所述的方法，其中对所述事件进行分类包括将每个事件分类为癫痫事件或分类为非癫痫事件。
32.根据权利要求19至权利要求31中任一项所述的方法，所述方法还包括：
根据所检测和分类的事件来推荐药剂以治疗所述癫痫；以及/或者
根据所述所检测和分类的事件，经由耦合到所述计算机处理器的治疗设备施用药剂以治疗所述癫痫。
33.根据权利要求19至权利要求32中任一项所述的方法，所述方法还包括：
根据所述所检测和分类的事件来推荐药剂的剂量、浓度、时机或频率的改变以治疗所述癫痫；以及/或者
根据所述所检测和分类的事件，经由耦合到所述计算机处理器的治疗设备给予药剂的剂量、浓度、时机或频率的改变以治疗所述癫痫。
34.根据权利要求19至权利要求33中任一项所述的方法，所述方法还包括：
根据所述所检测和分类的事件来推荐迷走神经刺激方案以治疗所述癫痫；以及/或者
根据所述所检测和分类的事件，经由耦合到所述计算机处理器的治疗设备给予迷走神经刺激方案以治疗所述癫痫。
35.根据权利要求19至权利要求34中任一项所述的方法，所述方法还包括：
根据所述所检测和分类的事件来推荐颅外、经颅或颅内刺激方案以治疗所述癫痫；以及/或者
根据所述所检测和分类的事件，经由耦合到所述计算机处理器的治疗设备给予颅外、经颅或颅内刺激方案以治疗所述癫痫。
36.根据权利要求19至权利要求35中任一项所述的方法，所述方法还包括基于所述接收到的EEG数据和所述接收到的PPG数据来预测与所述生理状况相关联的一个或多个未来事件。
CN202180077245.2A 2020-11-18 2021-11-16 用于确定治疗治疗窗、对神经电、心脏和/或肺部事件进行检测、预测和分类并且根据其优化治疗的方法和系统 Pending CN116367775A (zh)

Applications Claiming Priority (9)

Application Number Priority Date Filing Date Title
US202063115363P 2020-11-18 2020-11-18
US63/115,363 2020-11-18
US202163158833P 2021-03-09 2021-03-09
US63/158,833 2021-03-09
US202163179604P 2021-04-26 2021-04-26
US63/179,604 2021-04-26
US202163220797P 2021-07-12 2021-07-12
US63/220,797 2021-07-12
PCT/AU2021/051355 WO2022104412A1 (en) 2020-11-18 2021-11-16 Methods and systems for determination of treatment therapeutic window, detection, prediction, and classification of neuroelectrical, cardiac and/or pulmonary events, and optimization of treatment according to the same

Publications (1)

Publication Number Publication Date
CN116367775A true CN116367775A (zh) 2023-06-30

Family

ID=81707877

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180077245.2A Pending CN116367775A (zh) 2020-11-18 2021-11-16 用于确定治疗治疗窗、对神经电、心脏和/或肺部事件进行检测、预测和分类并且根据其优化治疗的方法和系统

Country Status (5)

Country Link
US (2) US20230389856A1 (zh)
EP (1) EP4247246A1 (zh)
CN (1) CN116367775A (zh)
AU (1) AU2021384058A1 (zh)
WO (1) WO2022104412A1 (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4115801A1 (en) * 2021-07-07 2023-01-11 Oticon A/s Hearing aid determining listening effort
WO2023166493A1 (en) * 2022-03-04 2023-09-07 Khurana Shikhar Seizure detection system and method thereof
GB2620384A (en) * 2022-07-01 2024-01-10 Neuronostics Ltd Method and system for estimating dynamic seizure likelihood
CN115050451B (zh) * 2022-08-17 2022-11-04 合肥工业大学 败血症临床用药方案自动生成系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100228103A1 (en) * 2009-03-05 2010-09-09 Pacesetter, Inc. Multifaceted implantable syncope monitor - mism
EP2515747A2 (en) * 2009-12-23 2012-10-31 DELTA, Dansk Elektronik, Lys & Akustik A monitoring system
US8684921B2 (en) * 2010-10-01 2014-04-01 Flint Hills Scientific Llc Detecting, assessing and managing epilepsy using a multi-variate, metric-based classification analysis
US10485471B2 (en) * 2016-01-07 2019-11-26 The Trustees Of Dartmouth College System and method for identifying ictal states in a patient
US10959662B2 (en) * 2017-10-18 2021-03-30 Children's Medical Center Corporation Seizure prediction using cardiovascular features

Also Published As

Publication number Publication date
EP4247246A1 (en) 2023-09-27
US20230238100A1 (en) 2023-07-27
WO2022104412A1 (en) 2022-05-27
US20230389856A1 (en) 2023-12-07
AU2021384058A1 (en) 2023-06-08

Similar Documents

Publication Publication Date Title
US20220257139A1 (en) Diagnosis tailoring of health and disease
US20230389856A1 (en) Method and system for determination of treatment therapeutic window, detection, prediction, and classification of neuroelectrical, cardiac, and pulmonary events, and optimization of treatment according to the same
US11367519B1 (en) Systems and methods for precision or personal pharmaceutical dosing
JP5711770B2 (ja) ウマの気道障害
EP3038700B1 (en) Method and system for providing electrical stimulation to a user
US20160106344A1 (en) Methods and systems for detecting movement disorder
US11478638B2 (en) Detection and treatment of obstructive sleep apnea
US20200155846A1 (en) Detection and Treatment of Obstructive Sleep Apnea
US20210370064A1 (en) Ultrasound Systems and Associated Devices and Methods for Modulating Brain Activity
WO2023283568A1 (en) Personalized therapy neurostimulation systems
WO2022018529A1 (en) Diagnosis or treatment via vestibular and cochlear measures
CN115697466A (zh) 神经刺激中的参数变化
US11666270B2 (en) Personalized and contextualized treatment of sleep apnea and obesity comorbidity
US20220386943A1 (en) Detection and Treatment of Obstructive Sleep Apnea
US20220280105A1 (en) System and method for personalized biofeedback from a wearable device
US11712557B2 (en) Detection and treatment of obstructive sleep apnea
WO2022018531A1 (en) Vestibular clinical support system functionality
US11305110B2 (en) Detection and treatment of obstructive sleep apnea
US20230337961A1 (en) Sensing system with features for determining physiological metrics of a subject and for predicting electrophysiological events of a subject
AU2022325136A1 (en) Parameter variations in neural stimulation
Costa Medical Devices for the Management of Patients With Epilepsy
Cervetto A study on sleep parameters in Parkinson's Disease patients
Kakkar Feasibility of Ultra Low Energy Devices and Applications

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