CN117545428A - 用于可穿戴设备的患者癫痫发作的检测 - Google Patents

用于可穿戴设备的患者癫痫发作的检测 Download PDF

Info

Publication number
CN117545428A
CN117545428A CN202280042354.5A CN202280042354A CN117545428A CN 117545428 A CN117545428 A CN 117545428A CN 202280042354 A CN202280042354 A CN 202280042354A CN 117545428 A CN117545428 A CN 117545428A
Authority
CN
China
Prior art keywords
seizure
signal data
eeg signal
counter
detection device
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
CN202280042354.5A
Other languages
English (en)
Inventor
M·什里瓦斯塔夫
P·伊萨普
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.)
Medtronic Inc
Original Assignee
Medtronic Inc
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 Medtronic Inc filed Critical Medtronic Inc
Publication of CN117545428A publication Critical patent/CN117545428A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • A61B5/24—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
    • A61B5/374—Detecting the frequency distribution of signals, e.g. detecting delta, theta, alpha, beta or gamma waves
    • 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
    • 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
    • A61B5/251—Means for maintaining electrode contact with the body
    • A61B5/256—Wearable electrodes, e.g. having straps or bands
    • 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
    • A61B5/4058—Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
    • A61B5/4064—Evaluating the brain
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Neurology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Neurosurgery (AREA)
  • Psychology (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

癫痫发作检测设备和方法。实施例包括感测电路，该感测电路包括被配置为生成脑电图(EEG)信号数据的至少一个电极。处理电路被配置为接收基线EEG信号数据、从该感测电路接收收集窗口周期的EEG信号数据、以及生成该收集窗口周期的EEG信号数据的功率谱密度估计，以使用时间序列和机器学习组件的组合来确定收集的EEG信号是否指示中风状况或非中风状况。实施例提供了中风的指示。

Description

用于可穿戴设备的患者癫痫发作的检测
相关申请的交叉引用
本申请要求于2021年5月1日提交的美国临时申请序列号63/182,878的权益，该美国临时申请的公开内容以其全文通过引用并入本文。
技术领域
本技术总体上涉及医疗设备，并且更具体地，涉及用于检测患者状况的系统和方法。
背景技术
一些神经系统疾病，诸如癫痫，以癫痫发作为特征。1％-2％的人口患有癫痫，并且25％-30％的癫痫患者持续遭受癫痫发作。
癫痫发作可能是由于一组脑细胞的异常电活动所致。当大脑某些区域甚至整个大脑的电活动同步异常时，可能会出现癫痫发作。癫痫发作可能会使人衰弱。例如，癫痫发作可能导致身体运动、身体功能、感觉、意识或行为的非自主变化(例如，精神状态改变)。在某些情况下，每次癫痫发作都可能对大脑造成一些损害，随着时间的推移，这可能会导致大脑功能逐渐丧失。
如今，仍有大量的白天癫痫发作和夜间癫痫发作被漏诊；据估计，30％-50％的白天癫痫发作和86％的夜间癫痫发作被漏诊。寻求高度准确的癫痫发作检测已经成为癫痫患者治疗的一个非常理想的目标。
传统的信号处理技术和其他已发表的分类方案可以实现高达91％的检测准确度。通常，此类技术要求患者佩戴侵入式传感器，诸如具有许多电极的高密度头皮脑电图(EEG)阵列。此类传感器会干扰患者的运动和日常活动，导致这些传感器无法进行长时间监测。
因此，需要改进的用于癫痫发作检测的系统和方法。
发明内容
本披露内容的技术总体上涉及实施基于机器学习技术和历史患者EEG信息的预测算法以将EEG分类为癫痫发作和非癫痫发作类别的医疗设备。利用支持向量机的监督算法可以产生可再现的分类结果，检测准确度高达97％，超过了传统分类方案的性能。
本文描述的实施例提出了一种利用预测分析来对癫痫发作进行分类的新方法，而不仅仅是传统的信号处理技术。进一步地，实施例可以利用小周期(epoch)的数据，从而包括用于癫痫发作检测的非常快速的学习算法。另外，实施例可以利用比传统检测技术侵入性较小的传感器(例如，在可穿戴设备上)。
在本披露内容的一个方面，一种癫痫发作检测设备包括感测电路，该感测电路包括被配置为生成脑电图(EEG)信号数据的至少一个电极。该设备还包括处理电路，该处理电路被配置为接收基线EEG信号数据、从感测电路接收收集窗口周期的EEG信号数据、以及生成收集窗口周期的EEG信号数据的功率谱密度估计，以确定选择的波段相对于基线EEG信号数据是否发生了功率谱偏移。
当选择的波段发生了功率谱偏移时，处理电路进一步被配置为对基线EEG信号数据和收集窗口周期的EEG信号数据应用机器学习聚类，以基于至少多个时间序列特征和多个机器学习定义的特征生成聚类数据集，将聚类区分器应用于聚类数据集，以分隔收集窗口周期的EEG信号数据，当EEG信号数据大于区分器阈值时，指示癫痫发作信号，以及当EEG信号数据小于区分器阈值时，指示非癫痫发作信号。
在实施例中，处理电路进一步被配置为当指示癫痫发作状态时：递增癫痫发作状态计数器，将癫痫发作状态计数器与癫痫发作灵敏度阈值进行比较，并且当癫痫发作状态计数器大于癫痫发作灵敏度阈值时，指示癫痫发作存在状态。癫痫发作检测设备可以进一步包括警报电路，警报电路被配置为当处理电路指示癫痫发作存在状态时向用户发出警报。
在实施例中，处理电路进一步被配置为当指示非癫痫发作状态时：递增非癫痫发作状态计数器，将非癫痫发作状态计数器与非癫痫发作灵敏度阈值进行比较，并且当非癫痫发作状态计数器大于非癫痫发作灵敏度阈值时，指示非癫痫发作存在状态，癫痫发作检测设备可以进一步包括警报电路，警报电路被配置为当处理电路指示非癫痫发作存在状态时向用户发出警报。
在本披露内容的一个方面，提供了一种利用癫痫发作检测设备检测癫痫发作的方法。癫痫发作检测设备可以包括感测电路，该感测电路包括被配置为生成脑电图(EEG)信号数据的至少一个电极。该方法可以包括接收基线EEG信号数据，根据收集窗口周期接收EEG信号数据，生成收集窗口周期的EEG信号数据的功率谱密度估计，确定选择的波段相对于基线EEG信号数据是否发生了功率谱偏移。当选择的波段发生了功率谱偏移时，该方法可以包括对基线EEG信号数据和收集窗口周期的EEG信号数据应用机器学习聚类，以基于至少多个时间序列特征和多个机器学习定义的特征生成聚类数据集，将聚类区分器应用于聚类数据集，以分隔收集窗口周期的EEG信号数据，当EEG信号数据大于区分器阈值时，指示癫痫发作状态，以及当EEG信号数据小于区分器阈值时，指示非癫痫发作状态。
在实施例中，该方法包括，当指示癫痫发作状态时，递增癫痫发作状态计数器，将癫痫发作状态计数器与癫痫发作灵敏度阈值进行比较，并且当癫痫发作状态计数器大于癫痫发作灵敏度阈值时，指示癫痫发作存在状态，以及当指示癫痫发作存在状态时，向用户发出警报。
在实施例中，该方法包括，当指示非癫痫发作信号时，递增非癫痫发作状态计数器，将非癫痫发作状态计数器与非癫痫发作灵敏度阈值进行比较，并且当非癫痫发作状态计数器大于非癫痫发作灵敏度阈值时，指示非癫痫发作存在状态；当指示非癫痫发作存在状态时，向用户发出警报。
在本披露内容的一方面，一种癫痫发作检测设备包括感测电路和处理电路，该感测电路包括被配置为生成脑电图(EEG)信号数据的至少一个电极，该处理电路被配置为接收多个收集窗口周期的EEG信号数据。对于每个窗口收集周期，处理电路被配置为将收集窗口周期的EEG信号数据分类为指示癫痫发作信号或非癫痫发作信号。响应于将收集窗口周期的EEG信号数据分类为非癫痫发作信号，处理电路被配置为递增非癫痫发作计数器。响应于将收集窗口周期的EEG信号数据分类为癫痫发作信号，递增癫痫发作计数器。响应于非癫痫发作计数器大于灵敏度阈值，处理电路被配置为指示非癫痫发作状态，重置非癫痫发作计数器，并重置癫痫发作计数器。响应于癫痫发作计数器大于灵敏度阈值，处理电路被配置为指示癫痫发作状态，重置癫痫发作计数器，并重置非癫痫发作计数器。
在实施例中，处理电路通过以下操作将收集窗口周期的EEG信号数据分类为指示癫痫发作信号或非癫痫发作信号：生成收集窗口周期的EEG信号数据的功率谱密度估计，以确定选择的波段是否发生了功率谱偏移。当选择的波段发生了功率谱偏移时，处理电路被配置为对收集窗口周期的EEG信号数据应用机器学习聚类，以基于至少多个时间序列特征和多个机器学习定义的特征生成聚类数据集，将聚类区分器应用于聚类数据集，以分隔EEG信号数据，当EEG信号数据大于区分器阈值时，指示癫痫发作状态，以及当EEG信号数据小于区分器阈值时，指示非癫痫发作状态。
在本披露内容的一个方面，提出了一种利用检测设备检测医学状况的方法。该检测设备包括感测电路和至少一个运动传感器，该感测电路包括被配置为生成脑电图(EEG)信号数据的至少一个电极。该方法可以包括以第一灵敏度应用中风检测算法，监测运动传感器以检测跌倒，以及确定EEG信号数据是否指示癫痫发作状态。当EEG信号数据指示癫痫发作并且运动传感器检测到跌倒时，该方法可以包括以第二灵敏度应用中风检测算法，以及监测运动传感器的数据以检测险些跌倒。当EEG信号数据指示癫痫发作并且运动传感器的数据检测到险些跌倒时，该方法可以包括以第三灵敏度应用中风检测算法。可以指示当中风检测算法以第一灵敏度、第二灵敏度或第三灵敏度中的至少一个检测到中风时的中风状况。
在实施例中，确定EEG信号数据是否指示癫痫发作状态是使用上述方法中的任一种来执行的。在实施例中，确定EEG信号数据是否指示癫痫发作状态是通过以下操作执行的：接收多个收集窗口周期的EEG信号数据，并且对于每个窗口收集周期，将收集窗口周期的EEG信号数据分类为指示癫痫发作信号或非癫痫发作信号。响应于将收集窗口周期的EEG信号数据分类为非癫痫发作信号，该方法包括递增非癫痫发作计数器，并且当非癫痫发作计数器大于癫痫发作灵敏度阈值时，指示非癫痫发作状态，重置非癫痫发作计数器，并重置癫痫发作计数器。响应于将收集窗口周期的EEG信号数据分类为癫痫发作信号，该方法包括递增癫痫发作计数器，并且当癫痫发作计数器大于癫痫发作灵敏度阈值时，指示癫痫发作状态，重置癫痫发作计数器，并重置非癫痫发作计数器。
在实施例中，该方法可以包括当指示中风状况时，向用户发出警报。
在各实施例中，该方法可以包括确定每秒中风次数，并向用户提供包括每秒中风次数的输出。
在本披露内容的上述任一方面中，收集窗口周期可以是1秒。
在本披露内容的上述任一方面中，EEG信号数据以低于1000Hz(例如256Hz)的速率采样。
在本披露内容的上述任一方面中，选择的波段可以为每样本0.1π弧度到每样本0.3π弧度，并且功率谱偏移可以为10％的dB上移。
在本披露内容的上述任一方面中，功率谱密度估计可以包括n-1滤波器以逼近EEG信号数据的时域信号的一阶导数。
在本披露内容的上述任一方面中，聚类区分器可以是超平面。
在上述任一方面中，检测设备可以由患者佩戴，并且至少一个电极可以是可穿戴传感器。至少一个电极可以通过粘合元件可操作地耦合到患者的皮肤，并且检测设备可以进一步包括可佩戴的带子以进一步将至少一个电极固定到患者的皮肤。
在附图和以下描述中阐明了本披露内容的一个或多个方面的细节。通过说明书和附图以及权利要求，本披露内容中描述的技术的其他特征、目的和优点将变得清楚。
附图说明
结合附图考虑下面对各种实施例的详细描述，可以更完整地理解本发明的主题。
图1A是描绘了根据本披露内容的示例的被配置为检测医学状况的系统的框图。
图1B是描绘了根据本披露内容的示例的图1A的系统的另一框图。
图2是描绘了根据本披露内容的示例的被配置为检测医学状况的另一系统的框图。
图3是展示了根据本披露内容的示例的用于分析癫痫发作数据的示例方法的流程图。
图4A是根据本披露内容的示例的示例描述性统计和这些统计的对应示例癫痫发作数据样本的图示。
图4B是根据本披露内容的示例的示例癫痫发作数据的曲线图的图示。
图4C是根据本披露内容的示例的使用的各种EEG波段的图示。
图4D是根据本披露内容的示例的从图4C的EEG波段中选择的示例特征的曲线图。
图4E是根据本披露内容的示例的非癫痫发作数据和癫痫发作数据聚类的图。
图5是展示了根据本披露内容的示例的用于确定癫痫发作的示例技术的流程图。
图6是展示了根据本披露内容的示例的用于确定癫痫发作的示例技术的流程图。
图7是展示了根据本披露内容的示例的使用用于确定癫痫发作的实施例来确定中风的示例技术的流程图。
虽然各种实施例可以具有各种修改和替代形式，但是其具体细节已经通过示例在附图中示出并且将详细描述。然而，应当理解，并不旨在将要求保护的发明限制于所描述的特定实施例。相反，意图是涵盖落入权利要求所限定的主题的精神和范围内的所有修改、等同物和替代物。
具体实施方式
本文描述的实施例利用频率鉴别、时间序列特征、数字信号处理技术和机器学习聚类算法来区分经历癫痫发作的人的EEG信号与未经历癫痫发作的人的EEG信号。
图1A是描绘了根据本披露内容的示例的被配置为检测医学状况的系统100的框图。
系统100通常包括定位在患者104附近的检测设备102。如图所示，检测设备102被配置为感测来自患者头部附近或头部上的区域(诸如额区、顶区、枕区、颞区、耳区、乳突区、面部区、眼眶区、眶下区、鼻区、颧区、颊区、腮腺区、口腔区和/或下颏区)的电信号。
特别地，检测设备102可以定位在患者颈部的后部附近或患者头骨的底部或患者的太阳穴附近。在实施例中，检测设备102可以利用皮下技术或在真皮层上的应用。例如，在上述位置中，患者皮下植入相对简单。在实施例中，将可穿戴传感器设备临时施加在患者104的皮肤上(例如，耦合到绷带、衣服、带子或粘合构件)不会过度干扰患者的运动和活动。例如，检测设备102可以通过粘合元件可操作地耦合到患者104的皮肤。检测设备102可以集成到或包括用于可操作地耦合到患者104的皮肤的头带型可穿戴设备。检测设备102配置有驻留算法以基于感测到的电信号确定癫痫发作。
参考图1B，描绘了根据本披露内容的示例的图1A的系统的另一框图。检测设备102通常包括处理电路106、感测电路108、通信电路110、警报电路112、存储装置114和电源116。检测设备102的部件可以如将要描述的并且如本领域普通技术人员将容易理解的那样可操作地耦合。
处理电路106可以包括固定功能电路和/或可编程处理电路。处理电路106可以包括微处理器、控制器、DSP、ASIC、FPGA或等效的分立或模拟逻辑电路中的任何一个或多个。在一些示例中，处理电路106可以包括多个部件，比如一个或多个微处理器、一个或多个控制器、一个或多个DSP、一个或多个ASIC、或者一个或多个FPGA、以及其他分立或集成逻辑电路的任何组合。本文中属于处理电路106的功能可以体现为软件、固件、硬件或其任何组合。
感测电路108可以包括被配置为感测来自患者104的大脑和/或心脏的电活动的电路。因此，感测电路108可以包括一个或多个电极或者可以与一个或多个电极一起操作。例如，可以利用脑部刺激导联线、带或任何导联线电极。在实施例中，可以在诸如贴片上使用一小组电极。在一些实施例中，感测电路108不需要高密度电极阵列。
在实施例中，感测电路108可以包括皮层电极和/或带电极(比如在头带类型的设备上)，其中多个电极由非导电元件分隔开，从而模拟多电极阵列。
在一些示例中，除了感测脑电活动信号和/或心电活动信号之外，感测电路还可以被配置为感测其他信号，诸如用于呼吸、皮肤阻抗和灌注的阻抗信号。此外，在一些示例中，感测电路108可以附加地或替代性地包括一个或多个光学传感器、加速度计或其他运动传感器、温度传感器、化学传感器、光传感器、压力传感器和声学传感器。在实施例中，感测电路108可以包括一个或多个滤波器和放大器，用于对从一个或多个电极接收的信号进行滤波和放大。在实施例中，感测电路108被配置为以电流消耗高效(current-drainefficient)的频率进行采样。这样的实施例可以是稳健的，并且可以避免对带通、低通或高通采样或滤波的依赖。
因此，相比于传统解决方案，实施例可以使用相对较少的数据或预处理进行操作。进一步地，实施例可以基于非常有限的数据(例如，一秒的数据)做出确定。在实施例中，可以使用绕过浴帽状多电极阵列的外部低密度电极对信号进行采样。实施例可以经由可植入电极阵列(即，不是数百个外部电极)来实施。进一步地，实施例与无线感测阵列或用于收集大脑EEG信号的其他布置兼容。
通信电路110可以包括用于与另一设备通信的任何合适的硬件、固件、软件或其任何组合。在处理电路106的控制下，通信电路110可以使用内部或外部天线从一个或多个外部设备接收下行遥测数据以及向其发送上行遥测数据。另外，通信电路110可以促进与联网计算设备和/或计算机网络的通信。
警报电路112可以包括任何合适的硬件、固件、软件或其任何组合，用于向用户(比如佩戴设备的患者104)或其他人警报检测到的癫痫发作。例如，在处理电路106的控制下，警报电路112可以生成可听见的声音、振动或其他通知。在实施例中，警报电路112可以经由通信电路110通过与另一设备电子通信来发出警报。例如，警报电路112可以经由通信电路110将文本消息、电子邮件或其他电子信息发送到一个或多个设备(比如联网计算设备)，或者通过计算机网络将其发送到其他外部设备。
存储装置114可以包括存储器并且包括计算机可读指令，当由处理电路106执行时，这些计算机可读指令使得感测电路108、通信电路110和/或警报电路112执行属于检测设备102的各种功能。存储装置114可以包括任何易失性、非易失性、磁性、光学或电介质，比如随机存取存储器(RAM)、只读存储器(ROM)、非易失性RAM(NVRAM)、电可擦除可编程ROM(EEPROM)、闪存存储器、或者任何其他的数字介质。存储装置114还可以存储由感测电路108生成的数据，比如由处理电路106生成的信号或数据。存储装置114可以包括基于云的存储装置。
电源116被配置为向检测设备102的部件递送操作功率。电源116可以包括电池以及用于产生操作功率的功率生成电路。在一些示例中，电池是可充电的以允许延长的操作。在一些示例中，充电是通过在外部充电器与感应充电线圈之间的接近感应相互作用来完成的。电源116可以包括多种不同电池类型中的任何一种或多种，比如镍镉电池和锂离子电池。不可充电电池可以被选择为持续数年，而可充电电池可以例如每天或每周从外部设备进行感应充电。
参考图2，描绘了根据本披露内容的示例的被配置为检测医学状况的另一系统200的框图。系统200通常包括检测设备202、外部设备204、网络206和联网计算设备208。然而，外部设备204、网络206或联网计算设备208中的任何一个在系统200中可以是可选的。例如，在一个实施例中，系统200可以包括检测设备202和外部检测设备202。在另一个实施例中，系统200可以包括检测设备202、网络206和联网计算设备208。在其他实施例中，系统200可以包括检测设备202和用于可操作地耦合到其他联网设备的网络206。
为了便于解释，检测设备202与前文描述的检测设备102分开进行标记，但是本领域普通技术人员将容易理解，检测设备202可以基本上类似于如图1A和图1B中描绘和描述的检测设备102。本文描述了差异。
参考外部设备204、网络206和联网计算设备208，配置和操作系统200的实施例和对应方法可以在云计算、客户端-服务器或其他联网环境或其任何组合中执行。系统的组件可以位于单个“云”或网络中，也可以分布在许多云或网络中。最终用户不需要了解系统的组件的物理位置和配置。
外部设备204被配置为与任何检测设备(比如检测设备202)通信。尽管未描绘，外部检测设备202可以包括处理电路、通信电路、存储装置、用户接口和电源。外部设备204可以是台式计算机、膝上型计算机、移动电话、个人数字助理、或被配置为与检测设备202通信的其他合适的设备。在一些实施例中，外部设备204可以经由有线或无线连接直接连接到检测设备202。在其他实施例(未示出)中，外部设备204可以经由网络206连接。外部设备204通常被配置为从检测设备202或另一设备接收下行遥测数据以及向其发送上行遥测数据。
在实施例中，外部设备204可以被配置为记录或存储从检测设备202接收的数据。例如，外部设备204与检测设备202之间交换的数据可以包括操作参数。外部设备204可以传输包括计算机可读指令的数据，当由检测设备202实施时，这些计算机可读指令可以控制检测设备202导出所收集的数据。例如，外部设备204可以向检测设备202发送指令，该指令请求检测设备202导出所收集的数据(例如，与感测到的信号、基于信号确定的参数值、或者状况已被检测、预测或分类的指示中的一个或多个相对应的数据)到外部设备204。进而，外部设备204可以从检测设备202接收所收集的数据，并且将所收集的数据存储在外部设备204存储装置中。在实施例中，外部设备204进一步被配置为与检测设备202通信，以经由不同的操作参数或可由检测设备202执行的计算机可读指令对检测设备202进行编程或重新编程。
进一步地，外部设备204被配置为显示从检测设备202接收的、与检测设备202相关的、或与系统200相关的数据。因此，临床医生或患者104可以通过用户接口与外部设备204进行交互。用户接口可以包括诸如LCD或LED显示器之类的显示器或其他类型的屏幕以呈现例如癫痫发作指标。用户接口可以包括用于接收来自用户的输入的输入机制。输入机制可以包括例如以下各项中的任何一项或多项：按钮、键盘(例如，字母数字键盘)、外围定点设备、触摸屏、或者允许用户浏览用户接口并且提供输入的另一输入机制。在其他示例中，用户接口可以包括用于向患者104提供可听见的通知、指令或其他声音，从患者104接收语音命令或这两者的音频电路。在另外的实施例中，外部设备204被配置为比如结合警报电路112比如通过适当的外部设备204通知向用户警报癫痫发作。
网络206包括用于将检测设备202与其他设备连接的通信网络(例如，无线通信网络、有线通信网络、蜂窝通信网络、互联网、或诸如蓝牙的短距离无线电网络)。
联网计算设备208是被配置为经由网络206与任何传感器设备(比如检测设备202)通信的附加外部设备。
在实施例中，联网计算设备208包括处理电路210和存储器212。当然，本领域技术人员将理解联网计算设备208还可以包括通信电路、用户接口和电源(未示出)。
处理电路210可以包括一个或多个处理器，该一个或多个处理器被配置为实施功能和/或处理用于在联网计算设备208内执行的指令。例如，处理电路210可能能够处理存储在存储器212中的指令。处理电路210可以包括例如微处理器、DSP、ASIC、FPGA、或等效的分立或集成逻辑电路、或任何前述设备或电路的组合。因此，处理电路210可以包括任何合适的结构(无论是以硬件、软件、固件或其任何组合)，以便执行本文中归属于处理电路210的功能。
存储器212可以被配置为在操作期间将信息存储在联网计算设备208内。存储器212可以包括计算机可读存储介质或计算机可读存储设备。在一些示例中，存储器212包括短期存储器或长期存储器中的一个或多个。存储器212可以包括例如RAM、动态随机存取存储器(DRAM)、静态随机存取存储器(SRAM)、磁盘、光盘、闪存存储器或电可编程存储器(EPROM)或EEPROM形式。在一些示例中，存储器212用于存储指示由处理电路210执行的指令的数据。存储器212可以被在外部联网计算设备208上运行的软件或应用程序用来在程序执行期间临时存储信息。
与无法访问外部算力并且可以在流动或紧急环境中使用的设备102相比，检测设备202可以访问外部算力并且可以在临床环境中使用。特别地，联网计算设备208被配置为从检测设备202接收数据，并且至少部分地协助分析以确定癫痫发作。例如，检测设备202可以利用更多的电极或更高的采样，并且因此利用联网计算设备208以相对较高的密度进行数据分析。
参考图3，其为展示了根据本披露内容的示例的用于分析感测数据的示例方法300的流程图。如本领域技术人员将容易理解的，本文关于图3描述的技术和子技术可以应用于预处理感测数据以定义随后由检测设备执行的特征和算法。此外，本文中关于图3描述的技术和子技术可以应用于主动癫痫发作检测处理。因此，可以通过实施例执行方法300以训练用于主动癫痫发作检测的模型。
在实施例中，方法300可以应用于感测数据的数据库以生成由检测设备用于癫痫发作检测的特征和算法。实施例可以是递归的或迭代的并且从先前的迭代中学习。在实施例中，本文描述的每个组件可以是递归的或迭代的，或者整个方法300可以是递归的或迭代的。
例如，再次参考图2，联网计算设备208可以包括感测数据的现有数据库或与感测数据的现有数据库通信地耦合。因此，联网计算设备208可以用于使用处理电路210经由方法300和实施方式来定义癫痫发作检测特征和算法定义。一旦定义，联网计算设备208就可以通过网络206进行通信以对检测设备202的部件进行编程。
在另一个实施例中，检测设备202本身可以与现有的感测数据数据库通信以定义癫痫发作检测特征和算法。例如，并参考图1B所示，可以使用电路106经由方法300和实施方式来定义特征和算法。
方法300通常包括描述性分析302。在实施例中，描述性分析302通常用于分析感测数据和感测数据内的现有模式，以确定可用于检测指示癫痫发作的信号的一个或多个参数。在实施例中，可以使用最小值、最大值、偏度、标准偏差和峰度测量。在实施例中，可以使用集中趋势测量，比如均值、中值和众数。在实施例中，可以使用图表频率分布。
描述性分析302可以进一步包括数据准备304。数据准备304可以包括识别缺失值、识别不匹配的数据类型、识别异常值以及识别特征。数据准备304可以进一步包括缩放、归一化和/或选择超参数以选择或调整算法。因此，数据准备304可以包括训练和/或再训练一个或多个癫痫发作检测模型。
具体地，实施例可以确定两组信号(癫痫发作、非癫痫发作)的均值、中值等，以发现随机分量和确定性分量。然后实施例可以观察数据的变异性，并(通过查看偏度和峰度)确定数据是否遵循正态分布。这种数据准备304可以形成选择提取哪些特征的基础。
更具体地，数据准备304可以包括使用热图来可视化相关性，和/或使用箱线图来指示两组(癫痫发作、非癫痫发作)的上四分位数和下四分位数之外的变异性。实施例可以进一步包括与癫痫发作时的数据集相比，没有癫痫发作的数据集在1秒窗口和7秒窗口内的均值的分布。
在实施例中，数据准备304可以包括以下操作中的任一项或全部：用均值替代缺失值；可视化异常值并用均值替代；使用最小最大缩放器(min-max scalers)；使用比如R库qqnorm和qqline提供的方法测试数据是否正态(例如，45度的结果可以表明输入数据是正态分布的)；从时域转换到频域；频率组距(frequency bins)的定义；快速傅里叶变换(FFT)的计算；和/或所有观察结果的频率与功率的可视化。
图4A是描绘了根据本披露内容的示例的示例描述性统计和这些统计的对应感测数据样本的图表。例如，参考所展示的描述性统计，对于无癫痫发作数据集和存在癫痫发作数据集中的每一个，展示了均值、中值、平均绝对偏差、标准偏差、偏度和峰度的各种癫痫发作和非癫痫发作数据。
图4B是描绘了根据本披露内容的实施例可以收集的示例感测数据的曲线图的图示。非癫痫发作数据被描绘为实线，癫痫发作数据被描绘为虚线。癫痫发作数据和非癫痫发作数据在时域和频域中同时绘制，以展示信号区别。
上图描绘了电活动与样本的时域图。下图描绘了相同数据的功率谱(dB)与归一化频率(即弧度/样本)的频域图。因此，发明人已发现功率谱频域图可以用于根据感测数据确定有用信息。
图4C是描绘了根据本披露内容的示例的使用的各种EEG波段的图示。例如，本领域普通技术人员将容易理解不同的EEG波段可以反映不同的生物特征。因此，可以主要基于EEG的功率谱密度在以下一般范围中选择特征：
·30-100Hz
·12-30Hz
·8-12Hz
·4-7Hz
·0-4Hz
如本文所述，时间序列测量可以结合到癫痫发作检测算法中。通常，每组代表与特定精神状态甚至大脑运动协调相关的不同频谱。
在实施例中，提取的特征可以包括：
·α波段：7Hz到4Hz之间的功率谱最大值。
·β波段1：13Hz到20Hz之间的功率谱最大值。
·β波段2：20Hz到30Hz之间的功率谱最大值。
·δ波段：0Hz到4Hz之间的功率谱最大值。
·θ波段：4Hz到7Hz之间的功率谱最大值。
·γ波段：30Hz到100Hz之间的功率谱最大值。
图4D是描绘了根据本披露内容的示例的从图4C的EEG波段中选择的示例特征的曲线图。图4D改编自Nursel等人的以下出版物中提供的信息：该出版物的标题为ABiologically Inspired Approach to Frequency Domain Feature Extraction for EEGClassification[用于EEG分类的频域特征提取的生物启发方法].Compute Math MethodsMed.[医学中的计算和数学方法]2018年1月23日；2018:9890132.doi:10.1155/2018/9890132.PMID:29796060。
如图4D所示，在α波段中选择特征1，在β波段中选择特征2和特征3。β波段特征对于确定癫痫发作信号非常有用。因此，实施例可以包括使用生物启发特征集的时间序列特征。
如图所示，数据准备304可以促进无监督学习306，比如以聚类308的形式。例如，无监督学习306可以利用k均值(kMeans)聚类。尽管未示出，无监督学习306可以进一步包括使用神经网络的实施方式。
数据准备304可以进一步促进监督学习310，比如分类312和/或回归314。例如，监督学习310可以利用配置有用于两组分类(two-group classification)的分类算法的支持向量机(SVM)。监督学习310可以进一步利用最近邻(nearest neighbor)算法。在实施例中，监督学习310的输出产生两个类别：“存在癫痫发作”或“不存在癫痫发作”。
在实施例中，机器学习特征选择可以利用近邻成分分析(neighborhoodcomponent analysis，NCA)。NCA是一种用于从数据集中自动选择特征的非参数方法。在使用NCA方法准备时，模型可以通过使用正则化参数(λ)进行调整，该正则化参数会影响每个特征的权重并产生最少量的分类损失。分类损失函数衡量分类模型的预测不准确度。如果SVM表现出的损失越低，则表明预测模型越好。
在一个实施例中，在使用5折交叉验证技术(使用收集的数据来测试和训练模型)之后，计算出0.0491的损失。机器学习算法相应地使用0.0491的λ和0.1的容差进行调整。然后使用支持向量机分类器来使用此类超参数优化。因此，可以从算法中自动提取大量特征，从而产生可以以散点图格式绘制的分隔。本领域技术人员将容易理解这些以及实施例可用于实现特征提取的其他技术。
图4E是描绘了根据本披露内容的示例的非癫痫发作数据和癫痫发作数据聚类的图。图4E中的图展示了基于算法鉴别技术的实施例的两种类型的大脑信号的分隔。
特别地，SVM技术展示了非癫痫发作数据(深色数据点)与癫痫发作数据(浅色数据点)的聚类。因此，可以实现97.2％的准确度。在实施例中，可以利用使用袋装树(baggedtrees)的集成技术或使用高斯技术的支持向量机。本领域技术人员将容易理解这种用于特征提取的技术。因此，实施例可以结合机器学习定义的特征。
因此，本文描述的实施例利用频率鉴别、时间序列特征和机器学习聚类算法来区分经历癫痫发作的人的EEG信号与未经历癫痫发作的人的EEG信号。
参考图5，描绘了根据本披露内容的示例的用于确定癫痫发作的示例方法400的流程图。将容易理解，方法400可以由系统100和/或200来实施，尽管本文参考的是系统100和检测设备102。
方法400包括在402处接收输入信号，比如EEG信号。例如，检测设备102可以利用感测电路108来接收来自患者104的输入信号。
在实施例中，感测电路108可以对输入信号进行欠采样。例如，典型的EEG信号以1000Hz提供。在实施例中，感测电路108可以以256Hz或任何相对较低的速率利用信号。在一个实施例中，感测电路108本身以256Hz进行采样。在另一个实施例中，感测电路108可以以相对较高的速率进行采样，但是由于采样而填充的硬件或软件寄存器并非以更高的速率读取，而是以相对较低的欠采样速率读取。
这种相对不太频繁的采样可以保持检测设备102的电池续航时间。更具体地，感测电路108的遥测可以操作的频率越低，需要的数据处理资源就越少。
在404处，对接收的信号应用频率鉴别。在406处，在初始阈值频段处进行频率鉴别数据的评估。如果不满足给定标准，则方法400返回到404处的频率鉴别应用。在实施例中，该标准可以是从0.1π弧度/样本到0.3π弧度/样本波段的大于10％的上移。该上移可以通过比较接收的信号和先前记录的(基线)信号数据来确定。如果满足0.1至0.3π弧度/样本波段的大于10％的上移，则方法400继续进行后续分析操作。在实施例中，在不满足标准的情况下，接收的信号可以被标记为正常信号、非癫痫发作信号或基线信号。本领域技术人员将容易理解，可以使用阈值频段的不同标准。
例如，可以将傅立叶变换应用于EEG数据以获得功率谱(例如，图4B的频域图)。可以将数据绘制成图表，其中，x轴为以每样本π弧度为单位的归一化频率，y轴为以dB为单位的功率谱。当对正常个体(或基线患者数据)完成此变换时，与癫痫发作期间收集的数据相比，可以观察到两种信号的良好分隔，尤其是在每样本0.1至0.3π弧度的波段之间。发明人通过对多个周期的数据的观察发现，功率谱的10％的偏移(即，10％的dB上移)是正常信号与癫痫发作信号之间的可识别的差异。因此，这种阈值反映了证明癫痫发作的良好初始决策点。在某些实施例中，仅用1秒的记录数据就可以观察到这样的偏移。在实施例中，信号指示
在实施例中，这种算法的有效实施方式可以包括n-1滤波器，以便逼近时域信号的一阶导数(即，频率)。这对于在检测设备上实施低电流消耗是有效的，因为功率谱计算(n-1)需要最少量的集成电路运算来估计时域信号的一阶导数，从而节省设备电流使用量。
在408处，应用SVM机器学习聚类。例如，处理电路106可以将聚类算法应用于频率鉴别数据。
在实施例中，机器学习技术SVM的聚类可以用于区分非癫痫发作数据和癫痫发作数据。更具体地，两组数据——正常EEG和癫痫发作EEG——可以使用1)具有时间序列特征的特征提取(例如，在406处)和/或使用2)抽象和计算机识别的区别(例如，自动生成的特征)来描述。这些特征中的每一个都可以用来描述这两组数据。在实施例中，可以用确定为非癫痫发作信号的新接收的信号来增强正常EEG数据。在实施例中，408处的SVM ML聚类使用所有机器描述的特征和时间序列描述的特征。
例如，在410处，进行聚类区分。在实施例中，处理电路106可以将适当的聚类区分器应用于接收的EEG信号。超平面可以用于有效地在两种类型的EEG信号之间划出一条分隔线。超平面的参数可以基于408处的聚类来确定。在实施例中，可以通过点距离方法来区分两组数据以描述聚类，因为分隔效果很好(97％的准确度)。
在412处，如果由聚类区分产生的差异大于给定阈值，则在414处确定“无癫痫发作”状态。在412处，如果由聚类区分产生的差异小于给定阈值，则在416处确定“癫痫发作”状态。例如，处理电路106可以基于所确定的差异来确定“无癫痫发作”状态或“癫痫发作”状态。如图所示，聚类区分所产生的差异的给定阈值是10％，但是本领域技术人员将容易理解，可以使用其他阈值。如果确定“癫痫发作”状态，则警报电路112可以向用户适当地警报检测到的癫痫发作。在实施例中，当确定癫痫发作状态时可以执行一种或多种治疗动作。
因此，实施例利用频率鉴别和机器学习技术来确定癫痫发作或非癫痫发作状态。与通常仅依赖于欧几里得分析的传统分类方案相比，实施例利用DSP、时域和频域鉴别技术。
在418处，方法400可以重置，使得检测设备102被重新实例化并且可以在402处接收新的输入。
图6是展示了根据本披露内容的示例的用于确定癫痫发作的示例方法500的流程图。将容易理解，方法500可以由系统100和/或200来实施，尽管本文参考的是系统100和检测设备102。
在502处，提供具有电极的癫痫发作检测设备，比如检测设备102。例如，可以利用脑深部刺激和记录导联线或基于头皮的电极。
在504处，从检测设备102的电极采样数据。在实施例中，可以以256Hz采样数据。
在506处，收集一个周期的数据。例如，可以预先定义收集窗口来收集某个周期的数据。在实施例中，收集窗口定义1秒周期的数据。虽然可以利用其他收集窗口，但是由于可以实施用于癫痫发作检测的非常快速的学习算法，本文描述的实施例仅需要1秒的数据。
在508处，针对收集的周期的数据确定“癫痫发作”或“无癫痫发作”分类决策。二元分类器可以强制决定癫痫发作存在状态/癫痫发作不存在状态。例如，可以在508处实施方法400以生成二元输出分类。
在510处，首先参考分类检测为检测到“无癫痫发作”的情况，将定义为seizure_no的计数器递增。在512处，对照no-count灵敏度阈值评估seizure_no计数器。如果seizure_no计数器小于no-count灵敏度阈值，则方法500返回到506处的数据收集。在514处，如果seizure_no计数器大于no-count灵敏度阈值，则通过将no_flag设置为1或真来指示癫痫发作不存在状态。在516处，重置seizure_no计数器。
在518处，参考分类检测为检测到“癫痫发作”的情况，将定义为seizure_yes的计数器递增。在520处，对照yes-count灵敏度阈值评估seizure_yes计数器。如果seizure_yes计数器小于yes-count灵敏度阈值，则方法500返回到506处的数据收集。在522处，如果seizure_yes计数器大于yes-count灵敏度阈值，则通过将yes_flag设置为1或真来指示癫痫发作存在状态。在516处，重置seizure_yes计数器。
在实施例中，可以通过改变选择状态所需的周期数的灵敏度阈值来改变算法的灵敏度。该数字越高，灵敏度越低。默认值可以设置为“2”。在实施例中，seizure_yes计数器和seizure_no计数器两者的灵敏度阈值可以是相同的。在其他实施例中，seizure_yes计数器的灵敏度阈值可以与seizure_no计数器的灵敏度阈值不同。
实施例允许选择更高或更低的灵敏度阈值。例如，可以根据导联线放置来选择灵敏度阈值。导联线的放置可能会导致幅度略有不同(即不同的向量)。能够选择不同的幅度有助于提高此灵敏度。
在另一个示例中，可以基于所使用的导联线的类型来选择灵敏度阈值。DBS、头皮或皮下导联线都可能包含特定形式的信号衰减。能够选择不同的幅度有助于消除此衰减。
参考图7，其为展示了根据本披露内容的示例的使用用于确定癫痫发作的实施例来确定中风的示例方法600的流程图。在经历中风的患者中，通常与癫痫发作有关。因此，癫痫发作检测可以是中风检测的附加要素。对于经历过中风的患者来说，癫痫发作的风险很大。一些研究表明，中风后癫痫发作的发生率可能在2％-20％之间，如以下文献所述：Doria等人,Incidence,Implications,and Management of Seizures Following Ischemic andHemorrhagic Stroke[缺血性和出血性中风后癫痫发作的发生率、影响和治疗],CurrNeurol Neurosci Rep[当代神经病学与神经科学报告],2019年5月27日；19(7):37.doi:10.1007/s11910-019-0957-4,PMID 31134438。
方法600通常包括在602处以第一灵敏度或特异性应用中风检测。中风检测算法可以具有相关联的灵敏度和特异性，其可能受到一个或多个阈值的影响，比如用于确定中风正在发生或足够可能发生的概率阈值。
在一个实施例中，参考604，可以监测来自一个或多个运动传感器的一个或多个运动信号。在另一个实施例中，参考606，可以应用本文描述的癫痫发作检测算法，从而增加正中风识别的可能性。从606开始，可以在604处监测运动信号。
在608处，基于一个或多个运动信号以及可选地癫痫发作检测算法的输出，方法600确定患者是否跌倒。例如，如果癫痫发作检测算法确定癫痫发作，则患者可能更有可能经历跌倒。如果患者跌倒，则方法600可以在610处以第二灵敏度或特异性应用中风检测。610处的中风检测可以具有比602更高的灵敏度和更低的特异性。实施例可以通过调整算法的参数(比如降低中风的概率阈值)来调整灵敏度或特异性。
在612处，如果方法600确定患者没有跌倒(608为“否”)，则方法600可以基于一个或多个运动信号以及可选地癫痫发作检测算法的输出来确定患者是否经历了险些跌倒。例如，如果癫痫发作检测算法确定癫痫发作，则患者可能更有可能经历险些跌倒。如果方法600确定患者经历了险些跌倒，则方法600可以以第三灵敏度或特异性应用中风检测算法。在实施例中，第三灵敏度或特异性可以在第一灵敏度和特异性与第二灵敏度和特异性之间。如果方法600确定患者没有经历险些跌倒(612为“否”)，则方法600返回到602以以第一灵敏度或特异性应用算法。
在实施例中，与中风发作相关的癫痫发作的时间对于确定患癫痫的风险很重要。在本实施例中，可以记录每个事件(中风和癫痫发作)的发作以在显示器或其他输出处呈现，使得能够程序化或临床确定中风风险。
中风风暴(中风/秒)是用于确定患癫痫的风险的有用措施，并且可以进一步包括在方法600中。
在实施例中，除了通过警报电路提供警报和/或经由通信电路向用户通信之外，还可以在确定癫痫或中风状态时执行一个或多个治疗动作。本文描述的检测设备的实施例可以可通信地耦合到治疗设备或结合在治疗设备内，比如可植入或外部脉冲发生器、药物输送设备、医疗健康记录系统等。在实施例中，治疗动作可以包括向患者递送电刺激和/或递送、停止或修改一种或多种医疗物质。
应当理解的是，本文所披露的各个方面可以以与说明书和附图中具体呈现的组合不同的组合方式进行组合。还应当理解，根据示例，本文描述的任何过程或方法的某些动作或事件可以按不同的顺序执行，可以增加、合并或完全省去(例如，所有描述的动作或事件可能都不是实施这些技术所必需的)。此外，虽然为了清楚起见，本披露内容的某些方面被描述为由单个模块或单元执行，但应当理解，本披露内容的技术可以由与例如医疗设备相关联的单元或模块的组合执行。
在一个或多个示例中，可以在硬件、软件、固件或其任何组合中实施所描述的技术。如果是在软件中实施，那么这些功能可以作为一个或多个指令或代码被存储在计算机可读介质上并且由基于硬件的处理单元执行。计算机可读介质可以包括非暂态计算机可读介质，非暂态计算机可读介质对应于比如数据存储介质(例如，RAM、ROM、EEPROM、闪速存储器或可以用于存储指令或数据结构形式的所需程序代码并可以被计算机访问的任何其他介质)等有形介质。
指令可以由一个或多个处理器执行，比如一个或多个数字信号处理器(DSP)、通用微处理器、专用集成电路(ASIC)、现场可编程逻辑阵列(FPGA)、或其他等效集成或离散逻辑电路。相应地，如本文中所使用的术语“处理器”可以指上述结构或适合于实施所描述的技术的任何其他物理结构中的任何结构。此外，这些技术可以在一个或多个电路或逻辑元件中完全实施。

Claims (28)

1.一种癫痫发作检测设备，包括：
感测电路，所述感测电路包括被配置为生成脑电图(EEG)信号数据的至少一个电极；以及
处理电路，所述处理电路被配置为：
接收基线EEG信号数据；
从所述感测电路接收收集窗口周期的EEG信号数据；
生成所述收集窗口周期的EEG信号数据的功率谱密度估计，以确定选择的波段相对于所述基线EEG信号数据是否发生了功率谱偏移；以及
当所述选择的波段发生了功率谱偏移时：
对所述基线EEG信号数据和所述收集窗口周期的EEG信号数据应用机器学习聚类，以基于至少多个时间序列特征和多个机器学习定义的特征生成聚类数据集，
将聚类区分器应用于所述聚类数据集，以分隔所述收集窗口周期的EEG信号数据，
当所述EEG信号数据大于区分器阈值时，指示癫痫发作信号，以及
当所述EEG信号数据小于所述区分器阈值时，指示非癫痫发作信号。
2.根据权利要求1所述的癫痫发作检测设备，其中，所述收集窗口周期是一秒。
3.根据权利要求1所述的癫痫发作检测设备，其中，所述EEG信号数据以低于1000Hz的速率采样。
4.根据权利要求1所述的癫痫发作检测设备，其中，所述EEG信号数据以256Hz的速率采样。
5.根据权利要求1所述的癫痫发作检测设备，其中，所述选择的波段为每样本0.1π弧度到每样本0.3π弧度，并且所述功率谱偏移为10％的dB上移。
6.根据权利要求1所述的癫痫发作检测设备，其中，所述功率谱密度估计包括n-1滤波器以逼近所述EEG信号数据的时域信号的一阶导数。
7.根据权利要求1所述的癫痫发作检测设备，其中，所述聚类区分器是超平面。
8.根据权利要求1所述的癫痫发作检测设备，其中，所述处理电路进一步被配置为：
当指示癫痫发作信号时，递增癫痫发作状态计数器，将所述癫痫发作状态计数器与癫痫发作灵敏度阈值进行比较，并且当所述癫痫发作状态计数器大于所述癫痫发作灵敏度阈值时，指示癫痫发作存在状态，
其中，所述癫痫发作检测设备进一步包括警报电路，所述警报电路被配置为当所述处理电路指示所述癫痫发作存在状态时向用户发出警报。
9.根据权利要求1所述的癫痫发作检测设备，其中，所述处理电路进一步被配置为：
当指示非癫痫发作信号时，递增非癫痫发作状态计数器，将所述非癫痫发作状态计数器与非癫痫发作灵敏度阈值进行比较，并且当所述非癫痫发作状态计数器大于所述非癫痫发作灵敏度阈值时，指示非癫痫发作存在状态，
其中，所述癫痫发作检测设备进一步包括警报电路，所述警报电路被配置为当所述处理电路指示所述非癫痫发作存在状态时向用户发出警报。
10.根据权利要求1所述的癫痫发作检测设备，其中，所述癫痫发作检测设备可由患者佩戴，并且其中，所述至少一个电极是可穿戴传感器。
11.根据权利要求10所述的癫痫发作检测设备，其中，所述至少一个电极通过粘合元件可操作地耦合到所述患者的皮肤，并且其中，所述癫痫发作检测设备进一步包括可佩戴的带子以进一步将所述至少一个电极固定到所述患者的皮肤。
12.一种利用癫痫发作检测设备检测癫痫发作的方法，所述癫痫发作检测设备包括感测电路，所述感测电路包括被配置为生成脑电图(EEG)信号数据的至少一个电极，所述方法包括：
接收基线EEG信号数据；
根据收集窗口周期接收所述EEG信号数据；
生成所述收集窗口周期的EEG信号数据的功率谱密度估计；
确定选择的波段相对于所述基线EEG信号数据是否发生了功率谱偏移；以及
当所述选择的波段发生了功率谱偏移时：
对所述基线EEG信号数据和所述收集窗口周期的EEG信号数据应用机器学习聚类，以基于至少多个时间序列特征和多个机器学习定义的特征生成聚类数据集，
将聚类区分器应用于所述聚类数据集，以分隔所述收集窗口周期的EEG信号数据，
当所述EEG信号数据大于区分器阈值时，指示癫痫发作信号，以及
当所述EEG信号数据小于所述区分器阈值时，指示非癫痫发作信号。
13.根据权利要求12所述的方法，其中，所述收集窗口周期是一秒。
14.根据权利要求12所述的方法，其中，所述选择的波段为每样本0.1π弧度到每样本0.3π弧度，并且所述偏移为10％的dB上移。
15.根据权利要求12所述的方法，其中，所述功率谱密度估计包括n-1滤波器以逼近所述EEG信号数据的时域信号的一阶导数。
16.根据权利要求12所述的方法，其中，所述EEG信号数据以低于1000Hz的速率采样。
17.根据权利要求12所述的方法，其中，所述EEG信号数据以256Hz的速率采样。
18.根据权利要求12所述的方法，其中，所述聚类区分器是超平面。
19.根据权利要求12所述的方法，进一步包括：
当指示癫痫发作信号时，递增癫痫发作状态计数器，将所述癫痫发作状态计数器与癫痫发作灵敏度阈值进行比较，并且当所述癫痫发作状态计数器大于所述癫痫发作灵敏度阈值时，指示癫痫发作存在状态；以及
当指示癫痫发作存在状态时，向用户发出警报。
20.根据权利要求12所述的方法，进一步包括：
当指示非癫痫发作信号时，递增非癫痫发作状态计数器，将所述非癫痫发作状态计数器与非癫痫发作灵敏度阈值进行比较，并且当所述非癫痫发作状态计数器大于所述非癫痫发作灵敏度阈值时，指示非癫痫发作存在状态；以及
当指示非癫痫发作存在状态时，向用户发出警报。
21.根据权利要求12所述的方法，其中，所述癫痫发作检测设备可由患者佩戴，并且其中，所述至少一个电极是可穿戴传感器。
22.根据权利要求21所述的方法，其中，所述至少一个电极通过粘合元件可操作地耦合到所述患者的皮肤，并且其中，方法进一步包括使用可佩戴的带子以进一步将所述至少一个电极固定到所述患者的皮肤。
23.一种癫痫发作检测设备，包括：
感测电路，所述感测电路包括被配置为生成脑电图(EEG)信号数据的至少一个电极；以及
处理电路，所述处理电路被配置为接收多个收集窗口周期的EEG信号数据，并且对于每个窗口收集周期：
将所述收集窗口周期的EEG信号数据分类为指示癫痫发作信号或非癫痫发作信号；
响应于将所述收集窗口周期的EEG信号数据分类为非癫痫发作信号，递增非癫痫发作计数器；
响应于将所述收集窗口周期的EEG信号数据分类为癫痫发作信号，递增癫痫发作计数器；
响应于所述非癫痫发作计数器大于灵敏度阈值，指示非癫痫发作状态，重置所述非癫痫发作计数器，并重置所述癫痫发作计数器；以及
响应于所述癫痫发作计数器大于灵敏度阈值，指示癫痫发作状态，重置所述癫痫发作计数器，并重置所述非癫痫发作计数器。
24.根据权利要求23所述的癫痫发作检测设备，其中，所述处理电路通过以下操作将所述收集窗口周期的EEG信号数据分类为指示癫痫发作信号或非癫痫发作信号：
生成所述收集窗口周期的EEG信号数据的功率谱密度估计，以确定选择的波段是否发生了功率谱偏移；以及
当所述选择的波段发生了功率谱偏移时：
对所述收集窗口周期的EEG信号数据应用机器学习聚类，以基于至少多个时间序列特征和多个机器学习定义的特征生成聚类数据集，
将聚类区分器应用于所述聚类数据集，以分隔所述EEG信号数据，
当所述EEG信号数据大于区分器阈值时，指示癫痫发作状态，以及
当所述EEG信号数据小于所述区分器阈值时，指示非癫痫发作状态。
25.一种利用检测设备检测医学状况的方法，所述检测设备包括感测电路和至少一个运动传感器，所述感测电路包括被配置为生成脑电图(EEG)信号数据的至少一个电极，所述方法包括：
以第一灵敏度应用中风检测算法；
监测所述运动传感器以检测跌倒；
确定所述EEG信号数据是否指示癫痫发作状态；
当所述EEG信号数据指示癫痫发作并且所述运动传感器检测到跌倒时，以第二灵敏度应用所述中风检测算法；
监测所述运动传感器的数据以检测险些跌倒；
当所述EEG信号数据指示癫痫发作并且所述运动传感器的数据检测到险些跌倒时，以第三灵敏度应用所述中风检测算法；以及
指示当所述中风检测算法以所述第一灵敏度、所述第二灵敏度或所述第三灵敏度中的至少一个检测到中风时的中风状况。
26.根据权利要求25所述的方法，其中，确定所述EEG信号数据是否指示癫痫发作状态包括：
接收多个收集窗口周期的EEG信号数据，并且对于每个窗口收集周期：
将所述收集窗口周期的EEG信号数据分类为指示癫痫发作信号或非癫痫发作信号；
响应于将所述收集窗口周期的EEG信号数据分类为非癫痫发作信号，递增非癫痫发作计数器，并且当所述非癫痫发作计数器大于癫痫发作灵敏度阈值时，指示非癫痫发作状态，重置所述非癫痫发作计数器，并重置癫痫发作计数器；以及
响应于将所述收集窗口周期的EEG信号数据分类为癫痫发作信号，递增癫痫发作计数器，并且当所述癫痫发作计数器大于癫痫发作灵敏度阈值时，指示癫痫发作状态，重置所述癫痫发作计数器，并重置所述非癫痫发作计数器。
27.根据权利要求25所述的方法，进一步包括当指示中风状况时，向用户发出警报。
28.根据权利要求25所述的方法，进一步包括确定每秒中风次数，并向用户提供包括所述每秒中风次数的输出。
CN202280042354.5A 2021-05-01 2022-04-29 用于可穿戴设备的患者癫痫发作的检测 Pending CN117545428A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US202163182878P 2021-05-01 2021-05-01
US63/182,878 2021-05-01
PCT/US2022/026997 WO2022235512A1 (en) 2021-05-01 2022-04-29 Detection of patient seizures for wearable devices

Publications (1)

Publication Number Publication Date
CN117545428A true CN117545428A (zh) 2024-02-09

Family

ID=81748900

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202280042354.5A Pending CN117545428A (zh) 2021-05-01 2022-04-29 用于可穿戴设备的患者癫痫发作的检测

Country Status (3)

Country Link
EP (1) EP4329616A1 (zh)
CN (1) CN117545428A (zh)
WO (1) WO2022235512A1 (zh)

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9554721B1 (en) * 2007-04-23 2017-01-31 Neurowave Systems Inc. Seizure detector, brain dysfunction monitor and method
US20110218454A1 (en) * 2008-11-14 2011-09-08 Philip Low Methods of Identifying Sleep & Waking Patterns and Uses
US10945654B2 (en) * 2015-02-14 2021-03-16 Massachusetts Institute Of Technology Methods, systems, and apparatus for self-calibrating EEG neurofeedback
WO2020223354A1 (en) * 2019-04-29 2020-11-05 Cornell University Median power spectrographic images and detection of seizure

Also Published As

Publication number Publication date
EP4329616A1 (en) 2024-03-06
WO2022235512A1 (en) 2022-11-10

Similar Documents

Publication Publication Date Title
US10743809B1 (en) Systems and methods for seizure prediction and detection
JP6423487B2 (ja) 痙攣の検出のためのシステムおよびその作動方法
JP5395954B2 (ja) Ｅｅｇモニタリング・システムおよびｅｅｇをモニタリングする方法
JP5860894B2 (ja) 低血糖症を検出するための脳波信号解析
CN109222950B (zh) 数据处理方法及装置
TW201336475A (zh) 擁有即時學習機制之癲癇發作預測方法、模組及裝置
EP4289359A1 (en) Self-responsive detection parameter optimization method and system for implantable electrical stimulation apparatus
EP4021300A1 (en) Electrocardiogram-based blood glucose level monitoring
US20210030299A1 (en) Apparatus and methods for detection of the onset and monitoring the progression of cerebral ischemia to enable optimal stroke treatment
US20220022805A1 (en) Seizure detection via electrooculography (eog)
Huang et al. Lightweight machine learning for seizure detection on wearable devices
WO2019075520A1 (en) INDICATOR OF RESPIRATORY CONDITION
CN117545428A (zh) 用于可穿戴设备的患者癫痫发作的检测
US10478066B2 (en) System and method for detection of cravings in individuals with addiction
US20220359073A1 (en) Edge-intelligent Iot-based Wearable Device For Detection of Cravings in Individuals
US11375896B2 (en) Edge-intelligent iot-based wearable device for detection of cravings in individuals
US20230320655A1 (en) Systems and Methods for Using Triaxial Accelerometer Data for Sleep Monitoring
CN117377432A (zh) 动态和模块化心脏事件检测
KR20220122861A (ko) 심탄도 및 심전도 병합을 통해 반려동물 심장질환을 측정하는 시스템 및 이의 동작 방법
CN114818804A (zh) 静息震颤检测模型、静息震颤检测算法、以及静息震颤检测设备
CN116942095A (zh) 嗜睡检测方法、装置、电子设备及计算机可读存储介质

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