CN116507279A - 用于分析脑部活动的系统和方法 - Google Patents
用于分析脑部活动的系统和方法 Download PDFInfo
- Publication number
- CN116507279A CN116507279A CN202180073665.3A CN202180073665A CN116507279A CN 116507279 A CN116507279 A CN 116507279A CN 202180073665 A CN202180073665 A CN 202180073665A CN 116507279 A CN116507279 A CN 116507279A
- Authority
- CN
- China
- Prior art keywords
- transition
- brain
- subject
- state
- brain activity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000007177 brain activity Effects 0.000 title claims abstract description 111
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000007704 transition Effects 0.000 claims abstract description 263
- 210000004556 brain Anatomy 0.000 claims abstract description 134
- 238000012544 monitoring process Methods 0.000 claims abstract description 64
- 208000020016 psychiatric disease Diseases 0.000 claims abstract description 53
- 230000007958 sleep Effects 0.000 claims description 120
- 238000012545 processing Methods 0.000 claims description 72
- 230000001537 neural effect Effects 0.000 claims description 36
- 230000001953 sensory effect Effects 0.000 claims description 32
- 230000008859 change Effects 0.000 claims description 24
- 238000013528 artificial neural network Methods 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 14
- 230000036387 respiratory rate Effects 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 230000003542 behavioural effect Effects 0.000 claims description 4
- 230000002612 cardiopulmonary effect Effects 0.000 claims description 4
- 239000000090 biomarker Substances 0.000 abstract description 5
- 229940079593 drug Drugs 0.000 description 11
- 239000003814 drug Substances 0.000 description 11
- 230000000694 effects Effects 0.000 description 11
- 238000013479 data entry Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 238000003745 diagnosis Methods 0.000 description 6
- 238000000537 electroencephalography Methods 0.000 description 6
- 238000002595 magnetic resonance imaging Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- 230000000241 respiratory effect Effects 0.000 description 5
- 230000003111 delayed effect Effects 0.000 description 4
- 208000028017 Psychotic disease Diseases 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000002600 positron emission tomography Methods 0.000 description 3
- 230000035484 reaction time Effects 0.000 description 3
- 230000002238 attenuated effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 210000003016 hypothalamus Anatomy 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000001939 inductive effect Effects 0.000 description 2
- 238000002483 medication Methods 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 230000036391 respiratory frequency Effects 0.000 description 2
- 230000001020 rhythmical effect Effects 0.000 description 2
- 230000003860 sleep quality Effects 0.000 description 2
- 230000008667 sleep stage Effects 0.000 description 2
- 241000238876 Acari Species 0.000 description 1
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 230000036626 alertness Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 230000037007 arousal Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000004397 blinking Effects 0.000 description 1
- 230000035565 breathing frequency Effects 0.000 description 1
- 230000036992 cognitive tasks Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 230000004424 eye movement Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 230000006996 mental state Effects 0.000 description 1
- 230000000926 neurological effect Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000036385 rapid eye movement (rem) sleep Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 230000037322 slow-wave sleep Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000002618 waking effect Effects 0.000 description 1
- 230000036642 wellbeing Effects 0.000 description 1
Classifications
-
- 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
- A61B5/4809—Sleep detection, i.e. determining whether a subject is asleep or not
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/372—Analysis of electroencephalograms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
-
- 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
- A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
- A61M21/00—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
- A61M21/00—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis
- A61M2021/0005—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis by the use of a particular sense, or stimulus
- A61M2021/0083—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis by the use of a particular sense, or stimulus especially for waking up
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Anesthesiology (AREA)
- Psychology (AREA)
- Psychiatry (AREA)
- Neurology (AREA)
- Physiology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Signal Processing (AREA)
- Acoustics & Sound (AREA)
- Hematology (AREA)
- Developmental Disabilities (AREA)
- Child & Adolescent Psychology (AREA)
- Radiology & Medical Imaging (AREA)
- Hospice & Palliative Care (AREA)
- High Energy & Nuclear Physics (AREA)
- Neurosurgery (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
一种用于分析对象的在脑部状态之间的转变期间的脑部活动的系统和方法。从脑部监测系统接收包括表示脑部状态之间的转变的数据的脑部活动数据，并且处理所述脑部活动数据以获得针对一个或多个转变参数的值。所述一个或多个转变参数是表征脑部状态之间的转变的参数，并且可以用作用于识别精神障碍的生物标志物。
Description
技术领域
本发明涉及分析对象的脑部活动的领域，并且特别涉及分析对象的在脑部状态之间的转变期间的脑部活动。
背景技术
目前，对精神障碍的诊断基于精神病学访谈、问卷调查和患者自己的叙述的组合。因此，对患者的诊断有些主观。患者给出的叙述和反应受到患者的观点和看法的影响，并且将这些叙述和反应解读为诊断在一定程度上取决于做出诊断的临床医生的观点和看法。
另外，由于患者的(一种或多种)精神障碍，一些患者可能无法向临床医生提供必要的诊断信息。一些精神障碍会影响患者的记忆，并且焦虑的患者可能会发现与临床医生的访谈有压力，从而导致他们忽略了重要信息。在一些情况下，临床医生可能依赖于来自第三方的信息，但这可能仅提供了局部图片，并且再次地，这种信息也是主观的。
因此，需要一种用于准确可靠地诊断精神障碍的客观诊断工具。
发明内容
本发明由权利要求来限定。
根据依据本发明的一个方面的示例，提供了一种用于分析对象的在脑部状态之间的转变期间的脑部活动的处理系统。
所述处理系统被配置为：从用于监测脑部活动的脑部监测系统接收在所述对象的从所述对象的第一脑部状态到第二脑部状态的转变期间获得的所述对象的脑部活动数据，其中，所述第一脑部状态和/或所述第二脑部状态中的至少一项是睡眠状态；并且处理所述脑部活动数据以获得针对所述脑部活动数据的一个或多个转变参数的值，转变参数是表示所述转变的参数。
所述一个或多个转变参数包括以下各项中的至少一项：转变计时、转变持续时间、转变稳定性和/或转变频率。转变计时是在所述对象中检测到转变的时间与首次检测到响应于睡眠状态的变化的能在所述对象的脑部活动数据中识别的神经元网络的变化的时间之间的时间长度。
该系统可以用于支持对精神障碍的诊断。发明人已经认识到：脑部活动在不同的状态中是不同的。例如，静息状态的清醒活动不同于在睡眠期间的脑部活动。
发明人还认识到：精神病患者通常在不同的脑部状态之间表现出不同的、减弱的或延迟的转变。因此，从监测对象的在转变期间的脑部活动中导出的参数能够用作用于评估或识别患者的任何精神障碍的生物标志物。
所述处理系统还可以被配置为显示所获得的所述参数的值。这为临床医生提供了有用的临床信息，以用于评估对象的状况和/或状态，并且特别是帮助评估对象是否与精神障碍和/或状况相关联。
脑部监测系统可以是磁共振成像(MRI)扫描器。然而，将意识到，脑部监测系统可以替代地或额外地采用其他脑部扫描技术，例如，脑电图描记(EEG)方法和/或正电子发射断层摄影(PET)技术。在一些实施例中，脑部监测系统可以采用不同的脑部扫描技术的组合，例如，EEG与MRI的组合。
因此，脑部活动数据可以是MRI数据、EEG数据、PET数据或其任意组合。当然，脑部活动数据的类型将取决于所使用的脑部监测系统的类型。
所述处理系统还可以被配置为：处理所述脑部活动数据的所述一个或多个转变参数的所述值和针对对象的多个组的一个或多个转变参数的对应值，以识别所述对象与所述多个组中的哪个组最为相似。
以这种方式，可以将对象的在转变期间的脑部活动与健康对象和患有精神障碍的对象的在转变期间的脑部活动进行比较，以便确定对象的脑部活动与哪种脑部活动最为相像。特别地，可以基于每个对象中的至少一种精神障碍(或不存在精神障碍)来对(对象的多个组中的)对象进行分组。因此，对象的每个组可以表示共享相同的(特定的)精神障碍和/或没有(特定的)精神障碍的对象的组。
在一些实施例中，处理所述脑部活动数据的所述一个或多个转变参数的所述值和针对对象的多个组的所述一个或多个转变参数的对应值的步骤还使用所述对象的一个或多个特性来识别所述对象与所述多个组中的哪个组最为相似。
对象经历的转变可能取决于除了用于对对象的多个组进行分组的因素之外的因素。例如，可以基于精神障碍对对象进行分组，但是对象经历的转变也可能受到睡眠药物使用情况的影响。考虑这些因素降低了提供将导致健康对象被误诊为精神障碍或患有精神障碍的对象被错误诊断为健康的信息的可能性。
对象的一个或多个特性可以包括以下各项中的至少一项：对象的睡眠药物使用情况、年龄、性别、惯用左手或右手、以前的睡眠质量和/或睡眠类型。已经认识到：这些参数中的每个参数也能够对患者在睡眠状态之间的转变产生影响或作用。因此，在评估患者的精神状态时，将这样的特性考虑在内是有利的。
例如，睡眠药物可以使对象更快入睡。考虑到这一点，降低了被确定为与对象的脑部活动最为相似的组不受对象服用的任何睡眠药物影响的可能性。
可以通过根据一个或多个特性对对象的多个组中的每个组进行细分来考虑这一个或多个特性。可以处理脑部活动数据的一个或多个转变参数和针对具有与对象相同的一个或多个特性的细分组的一个或多个转变参数的对应值，以识别对象与细分组中的哪个细分组最为相似。
在一些实施例中，处理所述脑部活动数据的所述一个或多个转变参数的所述值和针对对象的多个组的所述一个或多个转变参数的对应值以识别所述对象与所述多个组中的哪个组最为相似的步骤包括：将所述脑部活动数据和/或所述一个或多个转变参数的所述值输入到人工神经网络中。
所述人工神经网络可以是使用训练算法来训练的，所述训练算法被配置为接收训练输入和已知输出的阵列，其中，所述训练输入包括在从第一脑部状态到第二脑部状态的转变期间的脑部活动数据和/或一个或多个转变参数的值，并且所述已知输出包括对所述脑部活动数据属于对象的多个组中的哪个组的确定。换句话说，人工神经网络可以对脑部活动数据进行分类。
以这种方式，可以训练人工神经网络以识别转变中的特征，这些特征表示对象的特定组并且可以用于区分不同的组。对象的组可以例如包括健康对象的组和患有精神障碍的对象的一个或多个组。
所述转变可以是以下各项中的一项：从清醒状态到睡眠状态的转变；从睡眠状态到清醒状态的转变；或者从第一睡眠状态到不同的第二睡眠状态的转变。
不同的神经元网络涉及不同的睡眠状态和清醒状态，因此清醒状态与睡眠状态之间的转变以及不同睡眠状态之间的转变可以用于获得脑部活动数据中的转变参数。
一个或多个转变参数可以包括以下各项中的至少一项：转变计时、转变持续时间、转变稳定性、转变频率和/或在转变期间活跃的一个或多个网络。
转变计时可以被定义为检测到转变的时刻和与对象的第一脑部状态相关联的神经元网络在脑部活动成像数据中开始变弱的时刻之间的时间。
转变持续时间可以被定义为从与对象的第一脑部状态相关联的神经元网络开始变弱的时刻直到与对象的第二脑部状态相关联的神经元网络完全建立的持续时间。
转变(不)稳定性可以被定义为在与对象的第一脑部状态相关联的神经元网络开始变弱的时刻和与对象的第二脑部状态相关联的神经元网络完全建立的时刻之间的时间期间各种神经元网络之间的转变的数量。
转变频率可以被定义为在特定时间段内不同脑部状态之间发生转变的次数。
与健康对象相比，患有精神障碍的对象可能被预期为具有延迟的转变计时、更长的转变持续时间、更高的转变不稳定性、更频繁的转变以及不同的在转变期间活跃的神经元网络。对象表现出的这些参数的特定差异将取决于对象患有的(一种或多种)特定精神障碍。
对象的所述多个组可以至少包括第一组和第二组，其中，所述第一组包括健康对象，并且所述第二组包括患有(特定)精神障碍的对象。以这种方式，该系统可以用于确定对象的脑部活动是与健康对象更为相似还是与患有(特定)精神障碍的对象更为相似。
在一些实施例中，所述处理系统被配置为：继续接收所述对象的脑部活动数据，直到已经记录了预定义数量的转变为止；并且获得针对每个检测到的转变的针对所述脑部活动数据的一个或多个转变参数的值。
这可以提高所获得的一个或多个参数的一个或多个值的可靠性。
还提出了一种系统，所述系统包括：感觉和监测单元，其适于检测对象从所述对象的第一脑部状态到第二脑部状态的转变，其中，所述第一脑部状态和/或所述第二脑部状态中的至少一项是睡眠状态；以及上述处理系统，其还被配置为从所述感觉和监测单元接收与检测到的转变相对应的信息。
感觉和监测单元可以用于准确地检测对象的在脑部状态之间的转变。与检测到的转变相对应的信息可以例如包括检测到转变时的时间。
所述感觉和监测单元适于基于以下各项中的至少一项来检测转变：脑部活动信息、心肺信息、心搏描记信息、呼吸频率、行为信息和/或与所述对象在重复任务上的表现相对应的信息。
感觉和监测单元可以从脑部监测系统获得脑部活动信息，或者可以直接对下丘脑的视前腹外侧核进行成像。可以从PPG传感器或生命体征相机获得心肺信息。可以使用雷达技术来测量呼吸频率。可以从生命体征相机获得行为信息。与对象在重复任务上的表现相对应的信息可以包括反应时间和/或正确答案的百分比。
在一些实施例中，所述系统还包括睡眠调节单元，所述睡眠调节单元适于诱发所述对象的脑部状态的变化。
所述睡眠调节单元可以适于诱发所述对象的睡眠，将所述对象从睡眠中唤醒或者诱发从第一睡眠状态到不同的第二睡眠状态的变化。诱发对象的脑部状态的变化确保了对象经历被迅速记录的转变。如果让对象在没有帮助的情况下入睡、醒来或者从一种睡眠状态改变为另一种睡眠状态，这可能需要很长时间。因此，睡眠调节单元的使用为获得针对患者的(一个或多个)转变参数的值提供了更可控的环境。
睡眠调节单元可以通过例如使用触觉反馈和/或生成有节奏的声音来诱发睡眠。睡眠调节单元可以适于通过降低对象的呼吸频率来诱发睡眠。
在一些实施例中，所述睡眠调节单元适于在预定数量的唤醒/睡眠周期内交替地诱发所述对象的睡眠和将所述对象从睡眠中唤醒。
以这种方式，可以有效地记录多个转变。睡眠调节单元可以适于：一旦与睡眠状态相关联的神经元网络已经完全建立就唤醒睡眠中的对象，并且一旦与清醒状态相关联的神经元网络已经完全建立就诱发清醒对象的睡眠。
根据本发明的另一方面，提供了一种用于分析对象的在脑部状态之间的转变期间的脑部活动的计算机实施的方法。
所述计算机实施的方法包括：从用于监测脑部活动的脑部监测系统接收在所述对象的从所述对象的第一脑部状态到第二脑部状态的转变期间获得的所述对象的脑部活动数据，其中，所述第一脑部状态和/或所述第二脑部状态中的至少一项是睡眠状态；并且处理所述脑部活动数据以获得针对所述脑部活动数据的一个或多个转变参数的值，转变参数是表示检测到的转变的参数。
还提出了一种包括计算机程序代码模块的计算机程序产品，所述计算机程序代码模块当在具有处理系统的计算设备上被运行时使所述处理系统执行上述方法的所有步骤。
参考下文描述的实施例，本发明的这些方面和其他方面将变得明显并且得到阐明。
附图说明
现在将参考附图来详细描述本发明的示例，在附图中：
图1示出了根据本发明的实施例的用于分析对象的在脑部状态之间的转变期间的脑部活动的系统；并且
图2示出了根据本发明的实施例的用于分析对象的在脑部状态之间的转变期间的脑部活动的方法。
具体实施方式
将参考附图来描述本发明。
应当理解，详细描述和具体示例虽然指示装置、系统和方法的示例性实施例，但是这仅用于说明的目的而并不旨在限制本发明的范围。根据以下描述、权利要求和附图将更好地理解本发明的装置、系统和方法的这些和其他特征、方面和优点。应当理解，这些附图仅仅是示意性的并且不是按比例绘制的。还应当理解，贯穿整个附图使用相同的附图标记来指示相同或相似的部分。
根据本发明的构思，提出了一种用于分析对象的在脑部状态之间的转变期间的脑部活动的系统和方法。从脑部监测系统接收包括表示脑部状态之间的转变的数据的脑部活动数据，并且处理所述脑部活动数据以获得针对一个或多个转变参数的值。所述一个或多个转变参数是表征脑部状态之间的转变的参数，并且可以用作用于识别精神障碍的生物标志物。
实施例至少部分地基于这样的认识：与健康对象相比，患有精神障碍的对象的脑部状态之间的转变是不同的、减弱的或延迟的。因此，表示脑部状态之间的转变的参数可以用作针对精神障碍的生物标志物，使得能够对精神障碍进行更加精确可靠的诊断。
说明性实施例可以例如用于临床决策支持系统。
图1图示了根据本发明的实施例的用于分析对象的在脑部状态之间的转变期间的脑部活动的系统100，系统100包括处理系统110。处理系统110本身是本发明的实施例。
处理系统110与脑部监测系统120通信。在图1中，脑部监测系统120是MRI扫描器。MRI扫描器经常用于使神经元网络中的活动可见，但是也可以使用任何适合用于监测脑部活动的脑部监测系统。例如，脑部监测系统可以是PET扫描器或EEG机。脑部监测系统可以包括一个以上的脑部监测装置。例如，脑部监测系统可以包括MRI扫描器和EEG机。
脑部监测系统120在包括从对象的第一脑部状态到第二脑部状态的至少一次转变的时间期间获得对象的脑部活动数据125。第一脑部状态和第二脑部状态中的至少一项是睡眠状态，即，与对象的睡眠阶段(例如，阶段1睡眠、阶段2睡眠、慢波睡眠或REM睡眠)相对应的脑部状态。例如，该转变可以是从清醒状态到睡眠状态的转变、从睡眠状态到清醒状态的转变，或者从第一睡眠状态到不同的第二睡眠状态的转变。
脑部活动数据125包括指示多个神经元网络在包括脑部状态之间的至少一次转变的时间内的活动的信息。在不同的脑部状态中，不同的神经元网络活跃，因此神经元网络的活动能够用于监测脑部状态之间的转变。
处理系统110从脑部监测系统120接收脑部活动数据125，并且处理脑部活动数据以获得针对脑部活动数据的一个或多个转变参数的值。转变参数是表示脑部状态之间的转变的参数。患有精神障碍的对象在脑部状态的转变表现得与健康对象不同，因此表示脑部状态之间的转变的参数对于健康对象和患有精神障碍的对象将是不同的。
脑部活动数据能够指示对象的睡眠状态。特别地，取决于对象的睡眠状态，对象具有不同的神经活动水平。因此，可以检测对象的当前睡眠状态并且检测一种睡眠状态与另一种睡眠状态之间的转变。用于检测睡眠状态和/或睡眠状态的转变的机制是技术人员公知的，如在公布号为WO2016/193030A1、WO 2015/118415 A1或WO 2013/061185 A1的国际专利申请中所阐述的那样。
处理系统120可以使用患者的另外的参数(例如，其他生理信号)来导出转变参数。因此，处理系统120可以采用来自感觉和监测单元140接收的信息。单元140能够用于检测对转变状态的变化的物理指示(例如，心率、呼吸频率等的变化)，并且脑部活动数据能够用于检测对睡眠状态的变化的神经学指示(例如当(一个或多个)活动神经元网络改变时)。
一个或多个转变参数可以例如包括转变计时、转变持续时间、转变稳定性、转变频率和/或在转变期间活跃的一个或多个网络。其他合适的转变参数对于技术人员来说是显而易见的。
转变计时是(例如由感觉和监测单元140)在对象中(首次)检测到转变的时间与首次检测到响应于睡眠状态的变化的能在对象的脑部活动数据125中识别的神经元网络的变化的时间之间的时间长度。换句话说，转变计时可以是对象的睡眠状态开始改变(如由生理信号所指示的)的时间与脑部活动数据首次显示出(一个或多个)神经元网络活动变化的时间之间的延迟。神经元网络的变化可以例如通过与第一脑部状态相关联的神经元网络开始变弱来指示。
设想了用于检测对象中的转变的各种方法，并且在下面更详细地描述了这些方法。脑部活动数据中的转变的开始可以被认为是与第一脑部状态相关联的神经元网络中的活动开始变弱的时刻。
与健康对象相比，患有精神障碍的对象往往会经历延迟的脑部状态之间的转变，因此较长的转变计时可以指示精神障碍。几十秒的量级的转变计时可以被认为是较长的转变计时，例如，大于10s的转变计时，例如，大于50s的转变计时。
转变持续时间是脑部活动数据125中的转变所花费的时间长度。这可以被测量为从与第一脑部状态相关联的神经元网络中的活动开始变弱的时刻到与第二脑部状态相关联的网络完全建立的时刻的时间。
检测“变弱的”和“完全建立的”神经网络的精确机制可以取决于脑部活动数据的形式。
考虑到这样一种场景，其中，脑部活动数据由(2D/3D)图像(例如，MR图像)流来表示。神经元网络的强度可以由在脑部监测数据中显示为活跃的体素(表示特定神经网络)的数量(例如，识别特定神经网络内的正在进行的脑部活动的体素的数量)来定义。当与显示为活跃的神经元网络相关联的体素的(平均)数量减少得超过预定量和/或百分比或者下降到某个预定阈值以下时，可以认为神经元网络变弱。当与神经元网络相关联的显示为活跃的体素的数量超过某个预定阈值时，可以认为神经元网络完全建立。
在另一示例中，脑部活动数据可以包括EEG数据，并且如果特定的信号组合(例如，表示神经元网络中的活动)满足某种预定准则，那么可以认为神经元网络是活跃的。
与健康对象相比，患有精神障碍的对象中的脑部状态之间的转变可能需要花费更长的时间。因此，较长的转变持续时间可能暗示对象患有精神障碍。
转变稳定性是在从第一脑部状态到第二脑部状态的转变过程中发生的神经元网络之间的转变的数量的度量。例如，转变稳定性可以被测量为在从与第一脑部状态相关联的神经元网络中的活动开始变弱的时刻到与第二脑部状态相关联的网络完全建立的时刻的时间期间的脑部活动数据125中的神经元网络之间的转变的数量。
患有精神障碍的对象通常表现出比健康对象更不稳定的脑部状态之间的转变。因此，在脑部状态之间的转变期间，神经元网络之间的大量转变可以指示对象患有(特定的)精神障碍。
转变频率是在设定的时间段中发生的给定转变的次数的度量。例如，在从清醒到睡眠的转变的情况下，在某个时间段内(例如在五分钟的时段内)在脑部活动数据125中检测到睡眠开始的次数。
在脑部状态之间的转变期间活跃的特定神经元网络也可以用作针对精神障碍的生物标志物。特别地，据信在睡眠状态之间的转变期间活跃的脑部网络在患有特定精神障碍的患者和未患有相同精神障碍的患者之间会有所不同。例如，如果对象的脑部活动数据显示出通常不与特定类型的转变相关联的神经元网络在针对该对象的转变期间是活跃的，那么这可以用于指示对象患有精神障碍。
在一些实施例中，系统100还可以包括与处理系统110通信的显示设备130。显示设备130可以从处理系统110接收所获得的一个或多个转变参数的一个或多个值并且显示这一个或多个值。临床医生可以使用所显示的一个或多个值来帮助诊断患有精神障碍的对象，例如通过将所显示的一个或多个值与参考值进行比较来实现这一点。
替代地或额外地，处理系统110可以处理所获得的一个或多个转变参数的一个或多个值，以确定所获得的一个或多个值指示对象是健康的还是患有精神障碍。处理系统还可以确定所获得的一个或多个值指示了哪一种或多种精神障碍。
处理系统110可以通过处理所获得的一个或多个值和针对对象的多个组的一个或多个转变参数的对应值来确定所获得的一个或多个值指示的关于对象的精神健康的状况，以便确定针对对象的所获得的一个或多个值与多个组中的哪个组最为相似。处理系统可以向显示设备130发送与对象最为相似的组的指示。
例如，处理系统110可以将所获得的针对对象的一个或多个转变参数的一个或多个值与针对健康对象的组的对应值和针对患有精神障碍的对象的组的对应值进行比较，并且确定所获得的一个或多个值是与针对健康对象的组的对应值更为相似还是与针对患有精神障碍的对象的组的对应值更为相似。以这种方式，处理系统可以确定所获得的一个或多个值指示对象是健康的还是患有精神障碍。
处理系统110可以将所获得的针对对象的一个或多个值与针对健康对象的组的对应值和针对患有精神障碍的组的对象的对应值进行比较，其中，每个组包括患有不同精神障碍的对象。例如，可以将所获得的针对对象的一个或多个值与针对患有第一精神障碍的对象的组的对应值以及针对患有不同的第二精神障碍的对象的组的对应值进行比较。对象的多个组还可以包括患有两种或更多种精神障碍的特定组合的对象的组。以这种方式，处理系统可以确定所获得的一个或多个值指示了哪种(或哪些)精神障碍。
在一些实施例中，处理系统110可以通过使用包括转变参数的值和这些值所对应的对象的组的查找表来识别对象与多个组中的哪个组最为相似。
在一些实施例中，处理系统110可以向人工神经网络115提供脑部活动数据和/或(一个或多个)转变参数的(一个或多个)值，以便识别对象与多个组中的哪个组最为相似。
人工神经网络(或简单地说，神经网络)的结构受到人脑的启发。神经网络由多个层组成，每个层包括多个神经元。每个神经元包括数学运算。特别地，每个神经元可以包括单一类型的变换的不同加权组合(例如，相同类型的变换、sigmoid等，但是具有不同的权重)。在处理输入数据的过程中，每个神经元对输入数据进行数学运算以产生数值输出，并且神经网络中每个层的输出按顺序馈入下一层。最后一层提供输出。
训练机器学习算法的方法是众所周知的。通常，这样的方法包括获得训练数据集，该训练数据集包括训练输入数据条目和对应的训练输出数据条目。将初始化的机器学习算法应用于每个输入数据条目以生成预测的输出数据条目。使用所预测的输出数据条目与对应的训练输出数据条目之间的误差来修改机器学习算法。能够重复该过程，直到误差收敛并且所预测的输出数据条目与训练输出数据条目足够相似(例如，±1％)为止。这通常被称为有监督的学习技术。
例如，可以修改每个神经元的数学运算(的权重)，直到误差收敛为止。已知的修改神经网络的方法包括梯度下降、反向传播算法等。
针对人工神经网络115的训练输入数据条目对应于从第一脑部状态到第二脑部状态的转变期间的示例脑部活动数据和/或(一个或多个)转变参数的(一个或多个)值。训练输出数据条目对应于脑部活动数据属于对象的多个组中的哪个组的身份。
基于一个或多个转变参数的一个或多个值来确定对象与多个组中的哪个组最为相似的其他方法对于技术人员来说是显而易见的。
在一些实施例中，处理系统可以适于考虑对象的一个或多个特性，这一个或多个特性可能影响对象经历的脑部状态之间的转变。可能影响脑部状态之间的转变的特性对于技术人员来说是显而易见的，并且可能包括睡眠药物使用情况(或其他药物使用情况)、年龄、性别、惯用左手或右手、以前的睡眠质量和/或睡眠类型。
例如，可以根据一个或多个特性对对象的多个组中的每个组进一步进行细分。然后，可以将所获得的针对对象的一个或多个转变参数的一个或多个值与由具有相同的一个或多个特性的对象组成的细分组的对应值进行比较。例如，对于服用了特定药物的对象，可以将所获得的针对一个或多个转变参数的一个或多个值与针对服用了与该对象相同的药物的健康对象的组的对应值、针对服用了相同药物的患有第一精神障碍的对象的组的对应值、针对服用了相同药物的患有第二精神障碍的对象的组的对应值等进行比较。以这种方式，确定对象与健康对象、患有第一精神障碍的对象、患有第二精神障碍的对象等中的哪种对象最为相似的确定操作不太可能受到药物对对象经历的脑部状态之间的转变的影响。
在一些实施例中，系统100被配置为获得和处理在脑部状态之间的多次转变中的脑部活动数据125。例如，处理系统110可以被配置为继续从脑部监测系统120接收脑部活动数据，直到已经记录了预定义数量的转变为止。预定义数量的要记录的转变可以是预定义数量的特定类型的转变。例如，处理系统可以被配置为继续接收脑部活动数据，直到已经记录了预定义数量的从清醒状态到睡眠状态的转变为止。替代地，预定义数量的要记录的转变可以是预定义数量的各种不同的转变。例如，处理系统可以被配置为继续接收脑部活动数据，直到已经记录了预定义数量的多种转变类型中的每种转变类型或者预定义数量的总转变为止。
选取合适的预定义数量的要记录的转变的方法对于技术人员来说是显而易见的。例如，可以使用功率分析来确定预定义数量，以找到能够获得显著效果的转变的数量。
处理系统110可以或者针对多个转变中的每个转变的针对一个或多个转变参数的值。处理系统可以基于所获得的值来确定针对一个或多个转变参数中的每个转变参数的平均值(例如，中值、均值或众数值)。处理系统可以将(一个或多个)平均值与针对对象的多个组的对应值进行比较，以便确定对象与哪个组最为相似。
在一些实施例中，系统100还可以包括感觉和监测单元140。感觉和监测单元检测对象的第一脑部状态和第二脑部状态之间的转变。例如，感觉和监测单元可以检测对象何时入睡、对象何时醒来和/或对象何时经历从一个睡眠阶段到另一个睡眠阶段的转变。
用于检测脑部状态之间的转变的方法对于技术人员来说是显而易见的。例如，感觉和监测单元140可以基于脑部活动数据来检测转变。这可以是由脑部监测系统120获得的脑部活动数据125，或者从另一脑部监测设备获得的脑部活动数据。用于检测转变的脑部活动数据可以例如包括对象的下丘脑的视前腹外侧核的成像数据。感觉和监测单元可以基于心肺信息(例如通过使用PPG传感器和/或生命体征相机)来检测脑部状态之间的转变。感觉和监测单元可以基于心搏描记信息来检测脑部状态之间的转变。感觉和监测单元可以基于呼吸频率来检测脑部状态之间的转变。例如，可以使用雷达技术来测量呼吸频率。感觉和监测单元可以检测基于转变的行为信息，例如，眼球运动、眨眼、警觉性度量、反应时间和对刺激的反应。例如，可以使用生命体征相机来获得行为信息。在清醒状态与睡眠状态之间的转变的情况下，感觉和监测单元可以使用间接方法(例如测量与对象在重复任务上的表现相对应的信息)来检测转变。例如，当对象执行重复任务时，睡眠和监测单元可以监测对象的反应时间或正确答案的百分比。
感觉和监测单元140与处理系统110通信。处理系统从感觉和监测单元接收与由感觉和监测单元检测到的转变相对应的信息。例如，该信息可以包括由感觉和监测单元检测到转变的时间。该信息还可以包括关于检测到的转变的额外信息，例如，转变类型。处理系统可以使用由感觉和监测单元检测到转变的时间来确定针对检测到的转变的转变计时。
如前面所解释的，处理系统110还可以使用来自感觉和监测单元140的信息来确定针对一个或多个转变参数的值。因此，处理脑部活动数据以确定针对一个或多个转变参数的值的步骤可以包括处理脑部活动数据和来自感觉和监测单元的信息以确定针对一个或多个转变参数的值。
例如，一个或多个转变参数中的一个转变参数可以是转变计时，转变计时在由感觉和监测单元140指示的睡眠状态转变和(来自脑部活动数据的)指示睡眠状态之间的转变的神经元网络变化之间是不同的。检测到的睡眠状态转变与对应的神经元状态转变之间的延迟可以指示精神障碍。
在一些实施例中，对象中的脑部状态之间的转变可以自发发生。例如，如果对象在没有从事感觉和/或认知任务的情况下经受脑部扫描，那么对象可能会自发入睡。
在其他实施例中，系统100还可以包括睡眠调节单元150，睡眠调节单元150适于诱发对象的脑部状态的变化。例如，睡眠调节单元可以诱发对象的睡眠，将对象从睡眠中唤醒和/或诱发对象从第一睡眠状态改变为不同的第二睡眠状态。
诱发脑部状态变化的方法对于技术人员来说是显而易见的，并且可能取决于正被诱发的转变的类型。例如，睡眠调节单元150可以使用触觉反馈来诱发睡眠，例如在对象的手中或胸部上使用呼吸气球来实现这一点。可以要求对象在呼吸气球膨胀时吸气并在呼吸气球收缩时呼气。手指PPG可以用于测量对象的呼吸频率，并且将所测量的呼吸频率馈送给呼吸气球。呼吸气球可以以对象的当前呼吸频率开始膨胀和收缩，并且经由手指PPG信号的反馈回路缓慢降低对象的呼吸频率。呼吸频率的降低通常会诱发对象放松并提高对象入睡的可能性。睡眠调节单元可以使用声音来诱发对象的睡眠，例如通过生成有节奏的滴答声来实现这一点。睡眠调节单元可以通过使用例如声音、触觉反馈和/或光水平的变化将对象从睡眠中唤醒。睡眠调节单元可以通过使用感觉刺激(例如，光或温和的听觉或触觉信号)来诱发对象从第一睡眠状态到不同的第二睡眠状态的变化。
用于促进睡眠状态转变的其他机制可以采用例如公布号为WO 2015/087188 A1或WO
2018/104309A1的国际专利申请所建议的技术。
在一些实施例中，睡眠调节单元150在预定数量的唤醒/睡眠周期内交替地诱发对象的睡眠和将对象从睡眠中唤醒。睡眠调节单元可以继续诱发睡眠和唤醒，以允许监测脑部状态之间的多个转变。唤醒/睡眠周期的预定数量可以等于由上述系统100记录的转变的预定义数量。
当睡眠调节单元150诱发对象中的脑部状态之间的多次转变时，期望在所诱发的转变之间留出足够的时间，以便在诱发第二转变之前能够完成第一转变。例如，如果睡眠调节单元诱发对象的睡眠，然后将对象从睡眠中唤醒，那么可能期望睡眠调节单元在患者中已经完全建立与睡眠状态相关联的神经元网络之前不开始唤醒对象，以便与从清醒到睡眠的转变相关联的脑部活动数据包括处理系统110获得针对一个或多个转变参数的值所需的所有信息。
睡眠调节单元150可以例如被配置为以预定时间间隔(例如，每5分钟、每10分钟或每20分钟)诱发转变。预计时间间隔可以不少于5分钟，例如不少于10分钟。替代地，睡眠调节单元可以被配置为根据来自处理系统110的指令来诱发转变。例如，处理单元可以基于脑部活动数据125和/或来自感觉和监测单元140的信息来确定在对象中已经完全建立了睡眠网络，并且向睡眠调节单元发送指令以唤醒对象。
在示例中，睡眠调节单元150帮助使用脑部监测系统120监测其脑部活动的对象入睡。感觉和监测单元140检测对象何时入睡，并且将该信息发送到处理系统110。一旦在对象中完全建立了与睡眠状态相关联的神经元网络，睡眠调节单元就唤醒对象。感觉和监测单元检测对象何时醒来。该过程继续，在整个过程中，脑部监测系统监测对象的脑部活动，直到已经记录了预定义数量的入睡实例为止。一旦该过程完成，处理系统110就处理由脑部监测系统获得的脑部活动数据125，并且获得针对每个记录的入睡实例的一个或多个转变参数的值。处理系统基于所获得的值来确定对象与对象的多个组中的哪个组最为相似，并且将该信息输出到显示设备130。
图2图示了根据本发明的实施例的用于分析对象的在脑部状态之间的转变期间的脑部活动的计算机实施的方法200。
方法200开始于步骤210，在步骤210中，从脑部监测系统接收脑部活动数据。脑部活动数据包括在对象的从对象的第一脑部状态到第二脑部状态的转变期间获得的数据，其中，第一脑部状态和/或第二脑部状态中的至少一项是睡眠状态。
在步骤220处，处理脑部活动数据以获得针对脑部活动数据的一个或多个转变参数的值。转变参数是表示转变的参数。
方法200还可以包括步骤230，在步骤230中，处理脑部活动数据的一个或多个转变参数的一个或多个值和针对对象的多个组的一个或多个转变参数的对应值，以识别对象与多个组中的哪个组最为相似。
应当理解，所公开的方法是计算机实施的方法。正因如此，还提出了一种计算机程序的构思，该计算机程序包括代码模块，所述代码模块用于当所述程序在处理系统上运行时实施任何描述的方法。
如上面所讨论的，该系统利用处理器来执行数据处理。处理器能够用软件和/或硬件以多种方式实施，以执行所要求的各种功能。处理器通常采用一个或多个微处理器，这一个或多个微处理器可以使用软件(例如，微代码)来编程以执行所要求的功能。处理器可以被实施为用于执行一些功能的专用硬件与用于执行其他功能的一个或多个经编程的微处理器和相关联的电路的组合。
可以在本公开内容的各种实施例中使用的电路的示例包括但不限于常规的微处理器、专用集成电路(ASIC)和现场可编程门阵列(FPGA)。
在各种实施方式中，处理器可以与一种或多种存储介质相关联，这一种或多种存储介质例如为易失性和非易失性计算机存储器，例如，RAM、PROM、EPROM和EEPROM。存储介质可以用一个或多个程序进行编码，当在一个或多个处理器和/或控制器上运行这一个或多个程序时，这一个或多个程序执行所要求的功能。各种存储介质可以被固定在处理器或控制器内，或者可以是可转移的，使得存储在其上的一个或多个程序可以被加载到处理器中。
本领域技术人员通过研究附图、公开内容以及权利要求，在实践请求保护的发明时能够理解并实现对所公开的实施例的其他变型。在权利要求中，“包括”一词不排除其他元件或步骤，并且词语“一”或“一个”不排除多个。虽然某些措施被记载在互不相同的从属权利要求中，但是这并不指示不能有利地使用这些措施的组合。权利要求中的任何附图标记都不应被解释为对范围的限制。
Claims (15)
1.一种用于分析对象的在脑部状态之间的转变期间的脑部活动的处理系统(110)，所述处理系统被配置为：
从用于监测脑部活动的脑部监测系统(120)接收在所述对象的从所述对象的第一脑部状态到第二脑部状态的转变期间获得的所述对象的脑部活动数据(125)，其中，所述第一脑部状态和/或所述第二脑部状态中的至少一项是睡眠状态；并且
处理所述脑部活动数据以获得针对所述脑部活动数据的一个或多个转变参数的值，转变参数是表示所述转变的参数，
其中，所述一个或多个转变参数包括以下各项中的至少一项：转变计时、转变持续时间、转变稳定性和/或转变频率，其中，转变计时是在所述对象中检测到转变的时间与首次检测到响应于睡眠状态的变化的能在所述对象的脑部活动数据中识别的神经元网络的变化的时间之间的时间长度。
2.根据权利要求1所述的处理系统(110)，其中，所述处理系统还被配置为：
处理所述脑部活动数据(125)的所述一个或多个转变参数的所述值和针对对象的多个组的一个或多个转变参数的对应值，以识别所述对象与所述多个组中的哪个组最为相似。
3.根据权利要求2所述的处理系统(110)，其中，处理所述脑部活动数据(125)的所述一个或多个转变参数的所述值和针对对象的多个组的所述一个或多个转变参数的对应值的步骤还使用所述对象的一个或多个特性来识别所述对象与所述多个组中的哪个组最为相似。
4.根据权利要求2至3中的任一项所述的处理系统(110)，其中，处理所述脑部活动数据(125)的所述一个或多个转变参数的所述值和针对对象的多个组的所述一个或多个转变参数的对应值以识别所述对象与所述多个组中的哪个组最为相似的步骤包括：
将所述脑部活动数据和/或所述一个或多个转变参数的所述值输入到人工神经网络(115)中。
5.根据权利要求4所述的处理系统(110)，其中，所述人工神经网络(115)已经使用训练算法进行了训练，所述训练算法被配置为接收训练输入和已知输出的阵列，其中，所述训练输入包括在从第一脑部状态到第二脑部状态的转变期间的脑部活动数据和/或一个或多个转变参数的值，并且所述已知输出包括对所述脑部活动数据属于对象的多个组中的哪个组的确定。
6.根据权利要求1至5中的任一项所述的处理系统(110)，其中，所述转变是以下各项中的一项：
从清醒状态到睡眠状态的转变；
从睡眠状态到清醒状态的转变；或者
从第一睡眠状态到不同的第二睡眠状态的转变。
7.根据权利要求1至6中的任一项所述的处理系统(110)，其中，所述一个或多个转变参数还包括在所述转变期间活跃的一个或多个网络。
8.根据权利要求1至7中的任一项所述的处理系统(110)，其中，对象的所述多个组至少包括第一组和第二组，其中，所述第一组包括健康对象，并且所述第二组包括患有精神障碍的对象。
9.根据权利要求1至8中的任一项所述的处理系统(110)，其中，所述处理系统被配置为：继续接收所述对象的脑部活动数据(125)，直到已经记录了预定义数量的转变为止；并且获得针对每个检测到的转变的针对所述脑部活动数据的一个或多个转变参数的值。
10.一种系统(100)，包括：
感觉和监测单元(140)，其适于检测对象从所述对象的第一脑部状态到第二脑部状态的转变，其中，所述第一脑部状态和/或所述第二脑部状态中的至少一项是睡眠状态；以及
根据权利要求1至9中的任一项所述的处理系统(110)，所述处理系统还被配置为从所述感觉和监测单元接收与检测到的转变相对应的信息。
11.根据权利要求10所述的系统(100)，其中，所述感觉和监测单元(140)适于基于以下各项中的至少一项来检测转变：脑部活动信息、心肺信息、心搏描记信息、呼吸频率、行为信息和/或与所述对象在重复任务上的表现相对应的信息。
12.根据权利要求10或11所述的系统(100)，其中，所述系统还包括睡眠调节单元(150)，所述睡眠调节单元适于诱发所述对象的脑部状态的变化。
13.根据权利要求12所述的系统(100)，其中，所述睡眠调节单元(150)适于在预定数量的唤醒/睡眠周期内交替地诱发所述对象的睡眠和将所述对象从睡眠中唤醒。
14.一种用于分析对象的在脑部状态之间的转变期间的脑部活动的计算机实施的方法(200)，所述计算机实施的方法包括：
从用于监测脑部活动的脑部监测系统(120)接收在所述对象的从所述对象的第一脑部状态到第二脑部状态的转变期间获得的所述对象的脑部活动数据(125)，其中，所述第一脑部状态和/或所述第二脑部状态中的至少一项是睡眠状态；并且
处理所述脑部活动数据以获得针对所述脑部活动数据的一个或多个转变参数的值，转变参数是表示所述转变的参数，
其中，所述一个或多个转变参数包括以下各项中的至少一项：转变计时、转变持续时间、转变稳定性和/或转变频率，其中，转变计时是在所述对象中检测到转变的时间与首次检测到响应于睡眠状态的变化的能在所述对象的脑部活动数据中识别的神经元网络的变化的时间之间的时间长度。
15.一种包括计算机程序代码模块的计算机程序产品，所述计算机程序代码模块当在具有处理系统的计算设备上被运行时使所述处理系统执行根据权利要求14所述的方法(200)的所有步骤。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| EP20204022.6 | 2020-10-27 | ||
| EP20204022.6A EP3991646A1 (en) | 2020-10-27 | 2020-10-27 | System and method for analyzing brain activity |
| PCT/EP2021/078881 WO2022089987A1 (en) | 2020-10-27 | 2021-10-19 | System and method for analyzing brain activity |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116507279A true CN116507279A (zh) | 2023-07-28 |
Family
ID=73029880
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202180073665.3A Pending CN116507279A (zh) | 2020-10-27 | 2021-10-19 | 用于分析脑部活动的系统和方法 |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US20230404475A1 (zh) |
| EP (2) | EP3991646A1 (zh) |
| JP (1) | JP2023546174A (zh) |
| CN (1) | CN116507279A (zh) |
| WO (1) | WO2022089987A1 (zh) |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8574156B2 (en) * | 2005-07-05 | 2013-11-05 | General Electric Company | Determination of the clinical state of a subject |
| WO2013061185A1 (en) | 2011-10-25 | 2013-05-02 | Koninklijke Philips Electronics N.V. | Sleep stage classification device with background oscillation emitter. |
| US10512428B2 (en) | 2013-12-12 | 2019-12-24 | Koninklijke Philips N.V. | System and method for facilitating sleep stage transitions |
| WO2015118415A1 (en) | 2014-02-04 | 2015-08-13 | Koninklijke Philips N.V. | System and method for determining timing of sensory stimulation delivered to a subject during a sleep session |
| WO2016193030A1 (en) | 2015-06-03 | 2016-12-08 | Koninklijke Philips N.V. | Sleep monitoring method and system |
| JP7132936B2 (ja) | 2016-12-06 | 2022-09-07 | コーニンクレッカ フィリップス エヌ ヴェ | 覚醒を促すシステム及び方法 |
| JP2019195469A (ja) * | 2018-05-10 | 2019-11-14 | ディメンシア・フロント株式会社 | 睡眠評価方法及び睡眠評価シート、並びに、睡眠評価結果に基づいて脳機能疾病を鑑別する鑑別方法及び鑑別シート |
| EP3669922A1 (en) * | 2018-12-17 | 2020-06-24 | Koninklijke Philips N.V. | A system and method for delivering an audio output |
-
2020
- 2020-10-27 EP EP20204022.6A patent/EP3991646A1/en not_active Withdrawn
-
2021
- 2021-10-19 WO PCT/EP2021/078881 patent/WO2022089987A1/en active Application Filing
- 2021-10-19 JP JP2023523606A patent/JP2023546174A/ja active Pending
- 2021-10-19 EP EP21789774.3A patent/EP4236783A1/en active Pending
- 2021-10-19 CN CN202180073665.3A patent/CN116507279A/zh active Pending
- 2021-10-19 US US18/032,203 patent/US20230404475A1/en active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| WO2022089987A1 (en) | 2022-05-05 |
| EP4236783A1 (en) | 2023-09-06 |
| JP2023546174A (ja) | 2023-11-01 |
| US20230404475A1 (en) | 2023-12-21 |
| EP3991646A1 (en) | 2022-05-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11123009B2 (en) | Sleep stage prediction and intervention preparation based thereon | |
| KR102257291B1 (ko) | 인지 장애 판별 방법 및 컴퓨터 프로그램 | |
| Prerau et al. | Tracking the sleep onset process: an empirical model of behavioral and physiological dynamics | |
| US8775340B2 (en) | Detection and prediction of physiological events in people with sleep disordered breathing using a LAMSTAR neural network | |
| Nikkonen et al. | Automatic respiratory event scoring in obstructive sleep apnea using a long short-term memory neural network | |
| Casal et al. | Classifying sleep–wake stages through recurrent neural networks using pulse oximetry signals | |
| CN113168759A (zh) | 预测危急警报 | |
| US11813077B2 (en) | Arrhythmic heartbeat resilient sleep apnea detection | |
| Archana et al. | Stress detection using machine learning algorithms | |
| US20230404475A1 (en) | System and method for analyzing brain activity | |
| US20240008783A1 (en) | Method and system for sensor signals dependent dialog generation during a medical imaging process | |
| Slater et al. | Neural network analysis of the P300 event-related potential in multiple sclerosis | |
| US20230059015A1 (en) | Apparatus for monitoring of a patient undergoing a magnetic resonance image scan | |
| Locharla et al. | EEG-based deep learning neural net for apnea detection | |
| Gillani et al. | Prediction of perceived stress scores using low-channel electroencephalography headband | |
| Ranta | Sleep classification in infants using a bed mattress sensor and analysis of ECG | |
| US20220189181A1 (en) | Determining a relative cognitive capability of a subject | |
| EP4299003A1 (en) | System and method for controlling a pulse oximetry sensor | |
| Sudha et al. | Stress detection based on human parameters using machine learning algorithms | |
| EP4029440A1 (en) | Mri wakefulness monitoring | |
| Sibal et al. | DETECTION OF MENTAL STRESS USING BIOSIGNALS THROUGH MACHINE LEARNING-A BRIEF SURVEY | |
| KR20220129283A (ko) | 인공지능 알고리즘 기반의 생체신호 비정상 측정상태 알림 시스템 및 방법 | |
| EP4100757A1 (en) | Apparatus for monitoring of a patient undergoing a magnetic resonance image scan |
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 |