ES2199994T3 - Metodo y sistema de analisis del biopotencial del cerebro. - Google Patents
Metodo y sistema de analisis del biopotencial del cerebro.Info
- Publication number
- ES2199994T3 ES2199994T3 ES95922265T ES95922265T ES2199994T3 ES 2199994 T3 ES2199994 T3 ES 2199994T3 ES 95922265 T ES95922265 T ES 95922265T ES 95922265 T ES95922265 T ES 95922265T ES 2199994 T3 ES2199994 T3 ES 2199994T3
- Authority
- ES
- Spain
- Prior art keywords
- spectral
- index
- diagnosis
- generate
- values
- 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.)
- Expired - Lifetime
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
-
- 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
- A61B5/48—Other medical applications
- A61B5/4821—Determining level or depth of anaesthesia
-
- 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
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- 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
- A61B5/7253—Details of waveform analysis characterised by using transforms
-
- 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
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
-
- 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
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Psychology (AREA)
- Epidemiology (AREA)
- Anesthesiology (AREA)
- Primary Health Care (AREA)
- Child & Adolescent Psychology (AREA)
- Developmental Disabilities (AREA)
- Educational Technology (AREA)
- Hospice & Palliative Care (AREA)
- Social Psychology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
SE MUESTRA UN SISTEMA, QUE INCLUYE EL USO DE UN MICROCOMPUTADOR (18), UN DISPOSITIVO DE ENTRADA DEL USUARIO (32), UNA VISUALIZACION DE GRAFICOS (20), UN DISPOSITIVO DE SALIDA EN SOPORTE GRAFICO (22), UN METODO PARA DETERMINAR INDICADORES SEGUN INDICE DIAGNOSTICO DE UN FENOMENO CEREBRAL SELECCIONADO QUE OBTIENE (19) SEÑALES EEG UNIPOLARES DE UNA SOLA VEZ, Y UN SISTEMA DE ANALISIS (12) DE ZONAS DE INTERES EN LOS DOS HEMISFERIOS IZQUIERDO Y DERECHO DEL CEREBRO DE UN SUJETO (15). EL SISTEMA UTILIZA AMPLIFICADORES ESCASAMENTE RUIDOSOS Y ALTO RENDIMIENTO PARA MAXIMIZAR EL ESPECTRO DINAMICO DE LOS ELEMENTOS DE LAS ONDAS DE BAJA ENERGIA DE LAS SEÑALES. LA FILTRACION DEL PASO DE BANDA SE UTILIZA PARA REDUCIR EL RUIDO Y PARA EVITAR INTERFERENCIAS. EL SISTEMA APLICADO NORMALMENTE UTILIZA TECNICAS DE PROCESAMIENTO DE LA SEÑAL DIGITAL (DSP) PARA DIGITALIZAR, PARA FILTRAR EL PASO DE ONDAS DE BAJA ENERGIA (100 HZ), Y PARA DIEZMAR LAS SEÑALES. ES ENTONCES CUANDO SE PRODUCE EL PROCESAMIENTO DE LA POTENCIA ESPECTRAL, BI-ESPECTRAL Y DE NIVELES SUPERIORES.
Description
Método y sistema de análisis del biopotencial del
cerebro.
La presente invención se refiere a un sistema y
un método de análisis del biopotencial cerebral de alta resolución
en tiempo real, y más particularmente a un sistema y un método de
diagnóstico del biopotencial basado en ordenador para determinar
cuantitativamente de manera no invasiva, los fenómenos cerebrales
que pueden ser averiguados mediante el análisis de las propiedades
de la actividad eléctrica cerebral.
A pesar de la considerable dedicación en tiempo y
esfuerzo, los actuales procedimientos para la evaluación
cuantitativa y no invasiva de la actividad eléctrica cerebral,
presentada en forma de onda electroencefalográfica, o
electroencefalograma (EEG), no han tenido éxito en cuanto a la
extracción total de toda la información presente en esta forma de
onda compleja, Sigue existiendo una gran necesidad de una
tecnología de perfilación neurológica precisa, sensible, fiable, y
práctica. En particular, las técnicas de comprobación de EEG
intraoperativas contemporáneas no han sido adoptadas ampliamente
debido a sus limitaciones inherentes. Iguales limitaciones se
aplican en la unidad de cuidados intensivos, en la que un método de
uso fácil y sencillo de evaluación del estado del cerebro podría
ser de gran valor para el facultativo de dicha unidad.
Un cierto número de dispositivos conocidos en la
técnica anterior son capaces de seguir cuantitativamente la
actividad cerebral. Las técnicas que requieren el uso de EEG
analógica clásica convencional se limitan a los análisis en el
dominio del tiempo, y requieren una considerable instrucción para
una interpretación adecuada. Además, dado que la resolución del ojo
humano a velocidades estándar de trazado del EEG es limitada, mucha
de la estructura fina del EEG es invisible. Por tanto, la evaluación
visual del EEG se caracteriza más como un arte, que como una
ciencia.
El uso del análisis de frecuencia (espectro de
potencia) de la EEG en los años 1960 introdujo la noción de cierto
tratamiento básico de la señal antes de la inspección, y condujo a
la aplicación de análisis de frecuencia de la EEG a varios problemas
de comprobación cerebral. En los últimos 25 años se han publicado
más de 100 documentos en la literatura médica que describe las
aplicaciones de los análisis espectrales de potencia con fines
tales como evaluación de la profundidad de la anestesia y de la
isquemia cerebral bajo varias condiciones intraoperativas. La
patente de EE.UU. nº 4.557.270, concedida a John, describe también
el uso del análisis de espectro de potencia para evaluar la
perfusión cerebral durante cirugía a corazón abierto. Sin embargo,
varios estudios recientes han demostrado muchas deficiencias en el
uso del análisis espectral de potencia para comprobar la perfusión
cerebral y para determinar el resultado neurológico postoperativo.
Además, ni el análisis del espectro de potencia ni cualquier otra
técnica de comprobación, han demostrado ser fiables, por el hecho
de que las normas de comprobación de la anestesia de la Escuela
Médica Harvard no incluyen tipo alguno de comprobación neurológica
intraoperativa debido, en cualquier caso, a la complejidad de
interpretar los datos de en bruto del EEG, y la poca fiabilidad de
los sistemas automatizados existentes que utilizan el espectro de
potencia o técnicas analíticas en el dominio del tiempo.
La descarga de miles de células activas
bioeléctricamente en el cerebro, organizada en centros neurales
interactivos mayores, contribuye a la formación de una señal
eléctrica con un espectro de frecuencia ancha, que es rica en
armónicos y de dinámica extremadamente compleja. Embebida en esa
señal está la información relativa al contenido de frecuencia, no
linealidades, y relaciones de fase que surgen de los patrones de
disparo neuronal complejos que tienen lugar. Dichos patrones de
disparo cambian constantemente, lo que hace que las propiedades
estadísticas de la señal del EEG sean altamente no estacionarias.
Debido a la complejidad de la señal del EEG, modalidades de análisis
en tiempo y frecuencia convencionales no han sido capaces de definir
totalmente su comportamiento. Esta puede ser una de las razones del
éxito limitado de tales procedimientos.
En la transformada de Fourier de la función de
autocorrelación de segundo orden (el espectro de potencia), se han
representado procedimientos como suma lineal de componentes de onda
de forma senoidal no correlacionados estadísticamente.
Procedimientos contemporáneos para comprobar el EEG por medio del
espectro de potencia han suprimido así información relativa a
relaciones no lineales y de interfrecuencia de fase, y son de
utilidad limitada en la representación de la estructura dinámica de
los EEG.
Debido a que el EEG es altamente dinámico y no
lineal, las relaciones de fase dentro del EEG son los elementos que
más probablemente portan información de diagnóstico relativa a la
función cerebral. La transformada de Fourier de la función de
autocorrelación de tercer orden, o autobiespectro, es un
procedimiento analítico que cuantifica la desviación de las
relaciones de normalidad, cuadráticas de no linealidad y de fase de
interfrecuencia dentro de una señal. La transformada de Fourier de
la función de correlación de cruce de tercer orden, o biespectro
cruzado, es un procedimiento analítico que proporciona información
similar para dos señales. Se pueden generalizar estas técnicas por
definición de la transformada de Fourier de la función de
correlación de auto/cruce de orden enésimo, o el espectro de
auto/cruce de orden n-1, como un procedimiento
analítico que contiene información relativa a la desviación de la
normalidad, así como no linealidades del orden n-1 y
relaciones de fase de interfrecuencia en una señal. El espectro de
auto/cruce más allá del biespectro, será citado como espectro de
orden más alto.
\newpage
Las técnicas de análisis autobiespectral han sido
aplicadas a la señal del EEG para demostrar las propiedades
biespectrales básicas del EEG convencional. Estos estudios han sido
llevados a cabo para investigar las diferencias entre los estados
despierto y dormido. Análisis autobioespectrales y análisis
espectrales de potencia se han utilizado también en un intento por
mostrar que los EEGs de parejas monocigóticas son de estructura
similar. Las patentes de EE.UU. núms. 4.907.597 y 5.010.891,
concedidas a Chamoun, describen el uso del análisis biespectrales
de ato/cruce del EEG para evaluar fenómenos cerebrales tales como
cuantificar la profundidad y adecuación de la anestesia, respuestas
dolorosas inducidas por tensiones quirúrgicas, isquemia cerebral,
consciencia, grado de intoxicación, procesos cognitivos en curso, y
relaciones de fase dinámica interhemisféricas.
El documento WO 9307804 describe por primera vez
el uso de un autoanálisis espectral de orden más alto o de cruce de
orden más alto para diagnóstico neurológico o comprobación de los
fenómenos cerebrales antes descritos.
La presente solicitud describe nuevos métodos
para derivar un índice de diagnóstico de los datos espectrales.
Un problema común en el análisis de los datos
generados por cualquiera de las técnicas espectrales antes
expuestas es el hecho de que la distribución de frecuencia del EEG
puede cambiar bruscamente bajo condiciones fisiológicas
relativamente estables. Tales cambios conducirán a cambios en el
espectro de potencia, biespectro, y espectro de orden más alto, a
las frecuencias correspondientes. Por ejemplo, cuando son
administrados agentes anestésicos hipnóticos en concentraciones baja
y media, hay un aumento sustancial en la actividad del EEG en la
banda de frecuencia de 12 a 18 Hz, Dosis altas de los mismos
agentes conducirán a una reducción repentina de la actividad en la
banda de 12 a 18 Hz, y un aumento en la actividad en la banda de
0,5 a 3,5 Hz, seguida por una repentina supresión en
concentraciones extremadamente altas. Un análisis basado en la
frecuencia, que utilice la banda de frecuencia de 12 a 18 Hz para
seguir la profundidad anestésica durante la administración de un
agente hipnótico, proporcionará una valoración engañosa de la
profundidad del paciente cuando se produzca el desplazamiento en la
actividad de frecuencia alta a baja. Dichas transiciones son aún más
complicadas cuando se utilice una mezcla de agentes
anestésicos.
Por tanto, un objeto principal de la presente
invención es proporcionar un sistema y un método
electroencefalográfico de alta resolución, no invasivo, capaz de
reconocer y comprobar los fenómenos físicos reflejados en las
propiedades de la actividad eléctrica cerebral.
Otro objeto de la presente invención es
proporcionar un sistema y un método electroencefalográfico no
invasivo, capaz de determinar y comprobar la profundidad y
adecuación de la anestesia, isquemia cerebral, hipoxia cerebral,
niveles de consciencia/hipnosis, grado de intoxicación, respuestas
potenciales evocadas alteradas, y procesos cognitivos normales o
anormales, incluyendo sin limitarse a ello, la identificación de
pacientes con la enfermedad de Alzheimer, y demencias relacionadas
con el VIH.
De acuerdo con ello, el sistema y método de la
presente invención utiliza un sistema de electrodo y amplificador
adecuados para obtener 19 señales de EEG unipolares procedentes de
zonas de interés de ambos hemisferios, izquierdo y derecho, del
cerebro de un paciente. El sistema utiliza amplificadores de
ganancia alta y ruido bajo para maximizar el margen dinámico de los
componentes de onda de baja energía de las señales. Es utilizada
filtración de paso de banda para reducir el ruido y evitar el
conjunto de señales espurias. El sistema aplica las técnicas de
tratamiento de señal digital utilizadas comúnmente (DSP) para
digitalizar, filtrar en paso bajo (100 Hz), y decimalizar las
señales. Luego es ejecutado el tratamiento de potencia espectral,
biespectral, y espectral de orden más alto. En una realización
preferida, el sistema divide los 63 segundos más recientes de los
datos del EEG digitalizados procedentes de cada conductor en 60
intervalos de 4 segundos, cada uno con tres segundos de solape con
el intervalo anterior. Para un juego seleccionado de conductores
derivados, el sistema produce variables de potencia autoespectrales,
autobiespectrales, y autoespectrales de orden más alto, mediante el
uso del procedimiento basado en la transformada rápida de Fourier
(FFT) o en un procedimiento paramétrico. Cualquier par de
conductores puede ser combinado para calcular las variables de
espectro de potencia de cruce, biespectro de cruce, y de espectro
de cruce de orden más alto.
El resultado del tratamiento autoespectral de la
potencia es una formación unidimensional que representa la potencia
en cada frecuencia dentro de una forma de onda de EEG procedente de
un conductor sencillo. De igual modo, el tratamiento espectral de
cruce de potencia proporcionará un conjunto unidimensional que
representa el producto de la energía de cada una de las frecuencias
en dos formas de onda. El resultado del tratamiento autobiespectral
y autoespectral de orden más alto, es un juego de conjuntos que
representan la potencia dinámica y el acoplamiento de fase entre
todas las posibles combinaciones de frecuencias dentro de una forma
de onda. El tratamiento de cruce biespectral y de cruce espectral
de orden más alto proporciona un juego de conjuntos que representan
la potencia dinámica y el acoplamiento de fase entre todas las
posibles combinaciones de frecuencias procedentes de dos formas de
onda. Para análisis biespectral de auto/cruce, pueden ser generados
cuatro tipos de conjuntos; de bicoherencia de auto/cruce, densidad
biespectral de auto/cruce, producto triple real de auto/cruce, y
bifase de auto/cruce. El mismo tipo de conjuntos puede ser generado
para tratamiento espectral de auto/cruce de orden más alto.
Los valores de los conjuntos espectrales de
potencia de auto/cruce, biespectrales de auto/cruce, y espectrales
de auto/cruce de orden más alto, cambian con intervenciones
diferentes de estados de enfermedad. Por tanto, estos valores son
utilizados para crear un criterio de diagnóstico. Los conjuntos
espectrales, biespectrales, y espectrales de orden más alto de
potencia, son utilizadas para crear un índice de diagnóstico de
valor sencillo, clínicamente útil. Es de esperar que este índice
represente con precisión la determinación particular del
diagnóstico en cuestión. El sistema utiliza estos índices como
figura de diagnóstico, importante para la valoración de la
profundidad y adecuación de la anestesia, isquemia cerebral,
hipoxia cerebral, niveles de consciencia/hipnosis, grado de
intoxicación, respuestas potenciales evocadas alteradas, y procesos
cognitivos normales y anormales, incluyendo sin limitarse a ello,
la enfermedad de Alzheimer y las demencias relacionadas con el VIH.
Este procedimiento hace posible para cualquier operador interpretar
significativamente la salida del dispositivo de diagnóstico. En esta
realización, la valoración/determinación de la profundidad y
adecuación de la anestesia, incluye sin limitarse a ello, la
valoración/determinación del nivel de analgesia (capacidad de
respuesta a la estimulación intraoperativa dolorosa), así como el
nivel de hipnosis/consciencia.
En situaciones en las que se precisa una
comprobación continua, pueden ser presentados índices de manera
continua sobre un terminal de vídeo, lo que permite así al operador
evaluar interactivamente zonas de interés. Con fines de
mantenimiento de un registro, los valores de los índices y de otras
variables pertinentes pueden ser enviados a un dispositivo de
salida de copia impresa, o almacenados en un dispositivo de
almacenamiento.
Estos y otros objetos y características de la
invención se expondrán con más detalle en la descripción detallada
que sigue y figuras que se acompañan.
La fig. 1 es una vista esquemática del sistema de
la presente invención para detectar los fenómenos cerebrales de
manera no invasiva.
La fig. 2 es una vista esquemática de un sistema
de adquisición y análisis de datos de EEG de 19 canales, utilizado
en el sistema de la fig. 1.
La fig. 3 es una vista esquemática del
microordenador utilizado para presentar el espectro y biespectro de
potencia del EEG, y el espectro de orden más alto, en el sistema de
la fig. 1.
La fig. 4 es una vista esquemática de las
operaciones de tratamiento ejecutadas por el sistema de la fig.
1.
La fig. 5 es una tabla del flujo de acciones de
las operaciones del módulo monitor mostrado en la fig. 4.
Las figs. 6a a 6c son vistas de representaciones
de muestras de índices de diagnóstico generadas por el sistema de la
fig. 1.
La fig. 7 es una tabla de flujo de acciones de
las operaciones del módulo de adquisición y manejo de datos en
bruto del EEG, del sistema mostrado en la fig. 4.
La fig. 8 es una tabla de flujo de acciones de un
método basado en el dominio de frecuencia, para producir
autobiespectro, biespectro de cruce, autoespectro de potencia, y
espectro de potencia de cruce, en el sistema de la fig. 1.
La fig. 9 es una tabla del flujo de acciones del
método de base paramétrica para producir autobiespectro, biespectro
de cruce, autoespectro de potencia, o espectro de potencia de
cruce, en el sistema de la fig. 1.
La fig. 10(a) es un gráfico que muestra un
conjunto de densidad biespectral generado por el sistema de la fig.
1.
La fig. 10(b) es un gráfico que muestra un
conjunto bifásico generado por el sistema de la fig. 1.
La fig. 10(c) es un gráfico que muestra
una conjunto de bicoherencia generado por el sistema de la fig.
1.
La fig. 10(d) es un gráfico que muestra un
conjunto de la raíz cuadrada de producto real triple, generado por
el sistema de la fig. 1.
La fig. 11 es una tabla de flujo de acciones de
las operaciones del módulo de derivación de índice de diagnóstico
mostrado en la fig. 4.
Con referencia a la fig. 1, el aparato de la
presente invención incluye un sistema 12 de adquisición de datos y
análisis de un EEG de 19 canales, conectado a un microordenador
18.
Los conductores del EEG están conectados a la
cabeza 14 de un paciente mediante un juego de electrodos
superficiales 13. Se prefiere el sistema internacional de
electrodos 10/20. Las señales del EEG son detectadas por los
electrodos, y son transmitidas sobre un cable 16 de paciente al
sistema 12 de adquisición y análisis de datos del EEG.
\newpage
El sistema 12 de adquisición y análisis de datos
filtra y amplifica las formas de onda del EEG. Técnicas de
tratamiento de señal digital (DSP) utilizadas comúnmente, son
aplicadas para digitalizar, filtrar en paso bajo (100 Hz), y
decimalizar las señales. Pueden ser ejecutados entonces
tratamientos de potencia espectral, biespectral, y espectral de
orden más alto.
El sistema 12 genera todas los conjuntos de
espectro, biespectro, y espectro de orden más alto de potencia.
Estos conjuntos son utilizados luego con conjuntos de coeficientes
predeterminados clínicamente para producir índices de diagnóstico.
Estos índices son enviados al ordenador principal 18, y son
presentados en el visualizador 20 de gráficos. Se dispone también
de salida impresa del índice de diagnóstico sobre el dispositivo de
salida 22 de copia impresa, que está conectado al microordenador 18.
El operador coopera con los componentes de adquisición y análisis
del sistema por medio de un dispositivo 24 de entrada del usuario,
con reintroducción de datos sobre el visualizador 20 de
gráficos.
El canal 19 del sistema 12 de adquisición y
análisis de datos se muestra con gran detalle en la fig. 2. El
potencial superficial del EEG, detectado por los electrodos
superficiales 13 montados sobre la cabeza 14 del paciente, pasa a
través de un circuito 30 de protección electroquirúrgica, un
circuito 32 de protección desfibrilador, y un circuito 36
amplificador/filtrador, antes de ser pasado al convertidor 38
multicanal de analógico a digital.
El circuito 30 de protección electroquirúrgica
incluye un filtro de radiofrecuencia (rf), que limita la corriente
de rf a través de los conductores 16 del paciente a menos de 100
microamperios, y protege así a dicho paciente 15 contra quemaduras
de rf, y protege a los amplificadores 36 contra daños resultantes
de la tensión de entrada que exceda al máximo absoluto especificado
por el fabricante. Este circuito puede ser un circuito LC, que
consiste en un inductor genérico conectado en serie a un condensador
genérico que luego es conectado a tierra.
El circuito de protección 32 desfibrilador limita
la tensión a los amplificadores 36 a un nivel de seguridad, cuando
un desfibrilador es aplicado al paciente 15 y es descargado. Este
circuito puede consistir en una resistencia genérica conectada en
serie al camino de la señal, a una lámpara de luz de neón, u otro
dispositivo supresor de sobretensiones transitorias, que es
conectado luego a tierra.
El circuito 36 amplificador/filtrador es
controlado por el microordenador 18 para niveles de ganancia y
filtración, que pueden ser ajustados por el operador. Ajustes
preferidos de ganancia y filtración se exponen más adelante. Esta
sección de circuito consiste en tres etapas. La primera es una
etapa de preamplificación, que puede ser montada con el uso de una
amplia variedad de preamplificadores de alta impedancia, tales como
los vendidos por National Semiconductor, Sunnyvale, CA. La segunda
es una etapa compuesta por filtros programables, que permitirán que
un corte de paso de banda ajustable sea seleccionado en cualquier
momento dentro del margen de 0,1 Hz a 4 KHz. Los filtros pueden ser
diseñados utilizando componentes de Frequency Devices, Haverhill,
MA. La tercera etapa está compuesta de amplificadores programables,
que pueden ser montados a partir de amplificadores operativos
usados en conjunción con un convertidor multiplicador de analógico
a digital (D/A). Ambos componentes pueden ser adquiridos en
National Semiconductor. El multiplicador D/A es utilizado para fijar
la ganancia en los niveles adecuados requeridos por el
microordenador 18.
El preamplificador de alta impedancia de cada
canal saturará la tensión de suministro positiva o negativa, si la
entrada del preamplificador no está terminada. Esto conducirá a un
valor positivo grande o un valor negativo grande en la salida de la
sección 36 de amplificador/filtro. Dichos valores serán utilizados
para identificar fallos de conductor.
La salida de todos los 19 canales del
amplificador/filtro 36 es enviada al convertidor 38 multicanal de
A/D, que es controlado por un procesador de entrada 44 para ajustes
de régimen de muestreo. Las señales analógicas con convertidas en
formato de datos digitales, adecuados para su entrada en el
procesador de entrada 44. Los convertidores de A/D vendidos por
Analog Devices, Norwood, MA., pueden ser utilizados para tal
fin.
El convertidor 38 multicanal de A/D está acoplado
ópticamente al procesador de entrada 44 por un aislador óptico 40.
Todas las líneas de control a dicho convertidor 38 de A/D están
asiladas también ópticamente por el aislador óptico 42. Cualquier
aislador óptico puede ser utilizado para ese fin.
Todas las líneas de potencia de CC conectadas a
los amplificadores 36 y convertidor 38 de A/D están aisladas
también de la línea de potencia de CA con un convertidor 43 CC/CC,
para proporcionar un aislamiento completo al paciente con respecto a
tierra. Para esta finalidad pueden ser utilizados convertidores de
CC/CC adquiribles en Burr Brown.
Las instrucciones básicas para controlar el
funcionamiento de un procesador de entrada 44 están almacenadas en
una memoria sólo de lectura (ROM) 46. La memoria de acceso
aleatorio (RAM) 48 es utilizada como una memoria intermedia para
datos, y una parte de la RAM 48 puede ser utilizada también como
memoria de programa, cuando un programa de control está siendo
descargado del microordenador 18. El procesador 44 de entrada tiene
un colector 50 para comunicar con la RAM 48 y la ROM 46, y un
colector separado 55 para comunicar con el microordenador 18.
La arquitectura de la memoria del procesador de
cálculo es similar a la del procesador de entrada. Las
instrucciones básicas para la operación de control del procesador
de cálculo 52 son almacenadas en una memoria sólo de lectura (ROM)
54. La memoria de acceso aleatorio (RAM) 56 es utilizada como
memoria intermedia para datos, y una parte de la RAM 56 puede ser
utilizada también como memoria de programa, cuando un programa de
control esté siendo descargado del microordenador 18. El procesador
52 de cálculo tiene un colector 58 para comunicar con la RAM 56 y la
ROM 54, y utiliza el colector 56 para comunicar con el
microordenador 18.
El convertidor 38 de A/D adquiere los datos a
alta velocidad, y la filtración es hecha por el procesador 44 de
entrada, para excluir las frecuencia fuera de la zona de interés.
El procesador de entrada decimaliza simultáneamente el régimen de
muestreo de los datos de entrada, a un régimen de muestreo
inferior. El procesador de entrada 44 transfiere la corriente de
datos filtrados y decimalizados al microordenador 18, para
visualización de las señales de entrada en bruto a través del
colector 55 de datos y las memorias intermedias 60, hacia el
colector 40 de datos del microordenador. El procesador 44 de entrada
transfiere también los datos al procesador de cálculo 52, para el
cálculo de las características del espectro de potencia y espectro
de orden superior de las señales de entrada, a través de la
interfaz 51 de comunicación en serie. El procesador de cálculo 52
calcula las características del espectro de potencia y espectro de
orden más alto de los datos de entrada, y produce unos índices de
diagnóstico a partir de dichos datos. El procesador de entrada
puede ser un procesador DSP de finalidad general, tal como el
ADSP-2101 vendido por Analog Devices, Norwood, MA.
El procesador de cálculo es un procesador DSP de coma flotante en
la realización preferida, tal como el TMS320C30 vendido por Texas
Instruments, Dallas, TX.
El microordenador principal 18 de la fig. 1 se
muestra con gran detalle en la fig. 3. Todo el sistema del
microordenador marcha bajo el control de un microprocesador 62, con
la memoria del programa almacenada en la ROM 64. La RAM 66 es
utilizada para almacenamiento de datos intermedios. El dispositivo
de almacenamiento 84 puede ser un disco Winchester o un bloque
grande de RAM, o cualquier otro medio de almacenamiento. Se utiliza
para el almacenamiento de información clínica y puede ser utilizado
para el archivo de datos del paciente.
En una realización preferida, el microordenador
18 contiene un coprocesador matemático 70, que está conectado
directamente al microprocesador 62. El coprocesador matemático 70
es utilizado para cálculos escalares y gráficos. Un controlador 72
de gráficos, que trabaja bajo el control del programa del
microprocesador 62, acciona un visualizador 20 de gráficos. Una
puerta 74 de interfaz proporciona la conexión desde el colector 40
del microordenador al dispositivo 24 de interfaz del usuario. Dicho
dispositivo 24 puede ser un teclado, un dispositivo de puntero, o
cualquier combinación de estos dispositivos similares. La puerta de
interfaz 74 puede proporcionar también una conexión entre el
microordenador y un dispositivo de estimulación de potencial evocado
externo. Esta conexión permitirá al microordenador disparar un
estímulo, o identificar fácilmente el comienzo de un estímulo
disparado independientemente.
El control de operador de todo el procedimiento
de adquisición, análisis, y presentación, es controlado por el
dispositivo 24 de interfaz del usuario, con reintroducción sobre el
visualizador 20 de gráficos. El colector 40 de datos puede ser
utilizado para enviar datos de control al sistema 12 de adquisición
de datos de 19 canales (por ejemplo, filtración, ganancia, régimen
de muestreo, comienzo/fin de la adquisición, ejecución de
autodiagnósticos), y para recibir datos de EEG procedentes del
sistema, así como para la descarga de datos del programa hacia el
sistema. Hay dispuesta una puerta 78 en serie o paralelo, para
accionar un dispositivo 22 de salida de copia impresa, para
imprimir los índices de diagnóstico deseados.
Con referencia ahora a la fig. 4, en ella se
muestra un esquema de bloques de las operaciones del sistema y el
método de la presente invención. Como antes se ha dicho, el sistema
y método de la presente invención calculan la fase dinámica y las
relaciones de densidad de las señales del EEG procedentes de un
número preseleccionado de conductores. Luego son generados unos
índices de diagnóstico de valor sencillo procedentes de los
conjuntos de datos mediante el uso de conjuntos de coeficientes
predeterminados clínicamente. Los resultados son índices
cuantitativos útiles para analizar la actividad eléctrica cerebral,
referida, por ejemplo, a la evaluación de la profundidad y
adecuación de la anestesia, isquemia cerebral, hipoxia cerebral,
nivel de consciencia/hipnosis, grado de intoxicación cerebral,
respuestas potenciales evocadas alteradas, o procedimientos
cognitivos normales o anormales que incluyen, sin limitarse a ello,
la enfermedad de Alzheimer y la demencias relacionadas con el VIH.
En esta realización, la valoración/determinación de la profundidad
y adecuación de la anestesia incluye, sin limitarse a ello, la
valoración/determinación del nivel de analgesia (capacidad de
respuesta a la estimulación operativa dolorosa), así como el nivel
de hipnosis/consciencia.
El módulo monitor 402 maneja las operaciones
generales del sistema mediante la integración de datos e
información del procedimiento procedente del módulo 404 de interfaz
del usuario, módulo 406 de adquisición y manejo de datos en bruto
del EEG, módulo 408 de tratamiento espectral, biespectral, y de
orden espectral más alto de potencia, y el módulo 410 de derivación
de índice de diagnóstico. Una ilustración detallada del módulo 402
puede ser hallada en la fig. 5.
El operador controla y coopera con el sistema
durante el curso de un procedimiento mediante el módulo 404 de
interfaz del usuario y manejo del visualizador. Esta cooperación
incluye, sin limitarse a ello, la entrada de información relativa al
paciente, y tipo de procedimiento de diagnóstico en ejecución,
ajustes de adquisición e intervalos de predicción, visualización
continua del estado de adquisición, integridad del intervalo de
predicción, e índices de diagnóstico correspondientes a zonas
examinadas por cada electrodo, y peticiones para imprimir y
archivar los resultados en el dispositivo de almacenamiento. El
módulo 404 coopera directamente con el módulo monitor 402. Las
operaciones manejadas por el módulo 404 pueden ser conseguidas con
una configuración técnica adquirible comercialmente, tal como
Microsoft Windows.
El módulo 406 de adquisición y manejo de datos en
bruto del EEG maneja todo el tratamiento y comprobación de datos en
bruto del EEG antes del análisis del espectro, biespectro y
espectro de orden más alto de potencia. Esto incluye, sin limitarse
a ello, la adquisición continua de datos del EEG y la verificación
de su integridad, preparación de todos los datos de EEG unipolares
para tratamiento de auto/cruce de potencia espectral, biespectral,
y espectral de orden más alto. El módulo 406 coopera directamente
con el módulo monitor 402. Una descripción más detallada del módulo
406 se expone más adelante referido a la fig. 7.
El módulo 408 de tratamiento de potencia
espectral, biespectral, y espectral de orden más alto controla la
generación de todas los conjuntos de datos para la distribución de
potencia, relaciones de fase dinámicas, y acoplamiento de potencia
dentro del EEG. Esta información puede ser obtenida por cálculo del
auto/cruce de potencia espectral, biespectral, y espectral de orden
más alto, con el uso de un procedimiento de base paramétrica o
basado en FFT. Las tareas ejecutadas por este módulo incluyen sin
limitarse a ello, la transformada de Fourier y la generación del
espectro de potencia, la generación de densidad biespectral y
densidad de orden más alto de auto/cruce, la generación de
biocoherencia y de coherencia de orden más alto de auto/cruce, la
generación de producto real biespectral y de producto real de orden
más alto de auto/cruce, y la generación de bifase y de fase de
orden más alto de auto/cruce. El módulo 408 coopera directamente con
el módulo monitor 402. Una descripción más detallada del módulo 408
se expone más adelante referida a las figs. 8 y 9.
El módulo 410 de derivación de índice de
diagnóstico genera los valores de datos utilizados en el
procedimiento de diagnóstico. La tarea incluye, sin limitarse a
ello, la clasificación de valores en la banda de frecuencia de
interés por cada una de los conjuntos espectrales, biespectrales, o
espectrales de orden más alto de potencia; la división de cada uno
de los conjuntos clasificados en tramos (que incluyen uno o más
valores) que representan partes del histograma de distribución de
los datos clasificados (es decir, parte superior
0-5%, parte superior 5-10%, así como
parte inferior 5%, etc.); la suma de los valores de cada tramo para
crear una variable de número sencillo; creación de un índice de
diagnóstico por multiplicación de los valores clasificados
resultantes de los conjuntos espectrales, biespectrales, y
espectrales de orden más alto de potencia mediante coeficientes
predeterminados clínicamente; y suma de todas las variables que han
sido multiplicadas por un coeficiente, para crear un índice de
diagnóstico final. Los valores en las bandas de frecuencia de
interés pueden ser reducidos también a un número único con el uso
de métodos estadísticos descriptivos comunes, tales como el cálculo
de la media y la desviación típica, u otros valores sencillos
predeterminados tales como el mínimo o el máximo, o cualquier otro
procedimiento para combinar o generar un valor único a partir de
los valores del tramo. Uno o más de dichos valores por cada tramo
puede ser multiplicado entonces por coeficientes predeterminados
clínicamente, y añadidos a otras variables que han sido
multiplicadas por un coeficiente para crear un índice de
diagnóstico final. El módulo 410 coopera directamente con el módulo
monitor 402. Una descripción más detallada del módulo 410 se expone
más adelante referida a la fig. 11.
En la fig. 5 se muestra un esquema del
funcionamiento del módulo monitor 402. En la operación de
inicialización 502, los conjuntos de datos son llenados con las
señales digitalizadas en bruto del EEG de los 63 segundos más
recientes, y los datos espectrales, biespectrales, y espectrales de
orden más alto de potencia por cada conductor son inicializados en
cero. Los archivos de datos requeridos para almacenamiento, y los
archivos que contienen bases de datos requeridos para el cálculo de
los índices de diagnóstico, son también abiertos en la operación de
inicialización 502.
En la operación 504, el sistema solicita la
información procedente del usuario requerida para comenzar el
procedimiento de adquisición y diagnóstico, a través del módulo de
interfaz 404 del usuario. La información solicitada incluye la
estadística descriptiva del paciente (sexo, edad, síntomas clínicos,
etc.), tipo de procedimiento de diagnóstico a llevar a cabo,
conductores utilizados para el autoanálisis espectral, biespectral,
y espectral de orden más alto de potencia, así como los conductores
que han de ser utilizados para el análisis de cruce de potencia
espectral, biespectral, y espectral de orden más alto.
En su modalidad de funcionamiento por omisión, el
sistema comprueba continuamente la profundidad y adecuación de la
anestesia con el uso de la base datos autobiespectrales por
omisión. La filtración de paso de banda por omisión es ejecutada
rebasando el margen de 0,5 a 100 Hz, y el régimen de muestreo por
omisión se establece en 256 muestras por segundo, la ganancia por
omisión se fija en 5000 por cada conductor. La siguiente exposición
y descripción de las realizaciones preferidas resaltarán el
tratamiento autobiespectral ejecutado sobre los EEGs a partir de
lugares de electrodo específicos que mejor proporcionan información
de la profundidad de la anestesia. Otros métodos de actuación serán
descritos más en general.
De acuerdo con el sistema internacional de
electrodos 10/20, las 19 señales del EEG que pueden ser adquiridas
con el uso del sistema son: Fp1, Fp2, F7, F3, Fz, F4, F8, T3, C3,
Cz, C4, T4, T5, P3, Pz, P4, T6, O1, y O2 (A1 o A2 como
referencia).
Para ejecutar un autoanálisis de potencia
espectral, biespectral, o espectral de orden más alto, se requiere
una señal. Esta señal puede ser medida directamente de cualquiera
de los electrodos anteriores, o puede ser sintetizada por
combinación lineal de señales procedentes de dos o más conductores
de EEG. Por ejemplo, dos señales analógicas pueden ser restadas
entre sí con el uso de un amplificador diferencial, para
proporcionar una tercera señal. La misma operación puede ser
ejecutada sobre las dos señales digitalizadas utilizando
sustracción numérica. Los datos autoespectrales de potencia
proporcionarán información relativa a la distribución de potencia
dentro de la señal; los datos autobiespectrales proporcionarán
información relativa a la desviación de la normalidad, de las no
linealidades cuadráticas y las relaciones de fase de interfrecuencia
dentro de la señal; y finalmente, los datos espectrales de orden
más alto proporcionarán información relativa a la desviación de la
normalidad, las no linealidades de orden más alto, y las relaciones
de fase de interfrecuencia dentro de la señal. Dicho procedimiento
determinará si la señal está hecha de componentes de onda
independientes, o si ciertas frecuencias son simplemente armónicos
de fundamentos interactivos no lineales. Los fenómenos cerebrales
que alteran la estructura de la frecuencia no lineal en el
emplazamiento comprobado por el electrodo son mejor cuantificados
por los procedimientos de tipo autobiespectral y espectral de orden
más alto.
Para la ejecución de los análisis de potencia de
cruce espectral, biespectral, y espectral de orden más alto, se
requieren dos señales. Las dos señales pueden ser medidas
directamente de cualquiera de los electrodos anteriores, o las dos
señales pueden ser sintetizadas por combinación lineal de dos o más
conductores del EEG, como antes se ha descrito. Los datos de
potencia de cruce espectral proporcionarán información relativa a
la desviación de las relaciones de normalidad, no linealidades
cuadráticas, y relaciones de fase de interfrecuencia entre las dos
señales. Finalmente, los datos de cruce espectral de orden más alto
proporcionarán información relativa a la desviación de no
linealidades de orden más alto normales, y de las relaciones de
fase de interfrecuencia entre las dos señales. Dicho tratamiento
determinará si las frecuencias de señal "X" son independientes
o son armónicos de fundamentos presentes en la señal "Y". Esto
proporciona una mejor caracterización de las relaciones entre dos
señales originadas en zonas separadas de la corteza. Los fenómenos
cerebrales que alteran las relaciones de frecuencia no lineal entre
las diversas zonas de la corteza son mejor cuantificadas mediante
los procedimientos de cruce biespectral, y de cruce espectral de
orden más alto.
Dado que los efectos de la anestesia son
reflejados mediante cambios más globales en el EEG, la realización
preferida utilizará seis señales para ilustrar el funcionamiento
del sistema con el uso de análisis autobiespectral para la
comprobación de la profundidad de la anestesia. Las seis señales
son derivadas de las siguientes colocaciones de electrodo: las
señales frontales izquierda y derecha (FL/FR) son derivadas de
(Fp1-Cz) y (Fp2-Cz) respectivamente;
las señales parietales izquierda y derecha (PL/PR) son derivadas de
(P3-Cz) y (P4-Cz) respectivamente; y
las señales frenteparietales (FPL/FPR) son derivadas de
(Fp1-P3) y (Fp2-P4)
respectivamente.
En la operación 506 se adquieren nuevos datos en
bruto de EEG de memoria intermedia de un segundo. El sistema ejecuta
la detección de señales espurias de la nueva memoria intermedia de
un segundo, y actualiza adecuadamente todos los conjuntos de datos.
Cualquier transmisión de datos espurios es presentada al operador
para solicitar de éste que corrija el problema.
En la operación 508, el sistema calcula los
conjuntos autoespectrales y autobiespectrales de potencia para las
señales FL, FR, PL, PR, FPL, FAR. Por supuesto que pueden ser
utilizadas otras señales para tratamiento de auto/cruce de potencia
espectral, biespectral y espectral de orden más alto. Seguidamente
serán expuestos con referencia a las figs. 8 y 9, dos
procedimientos diferentes de calculo de potencia espectral,
biespectral y espectral de orden más alto.
En la operación 510 son calculados los índices de
diagnóstico de valor sencillo procedentes de todos los conjuntos
generados de auto/cruce de potencia espectral, biespectral, y
espectral de orden más alto. Los conjuntos de coeficientes
predeterminados clínicamente para el auto/cruce de potencia
espectral, biespectral, y espectral de orden más alto, son
utilizadas para los cálculos del índice de diagnóstico. La
generación de los conjuntos de coeficiente se expone más adelante.
El sistema muestra instantáneamente, en la operación 512, todos los
índices de diagnóstico calculados para todas las señales que se
están analizando. En la operación 514, el sistema comprueba una
petición de salida, y si dicha petición no ha sido hecha, el
sistema repite las operaciones 508 a 514. En la operación 516 son
producidas las impresiones pedidas, y los resultados son
almacenados en un dispositivo de almacenamiento con fines de
archivo, y todos los archivos son cerrados. En la operación 518, el
procedimiento concluye.
En las figs. 6(a) a 6(c) se ilustra
una muestra de representación visual condensada generada por el
sistema. Las representaciones de la cabeza del paciente se muestran
en los gráficos de las figs. 6(a) y 6(b). La primera
ilustración, fig, 6(a) está dividida en diecinueve
secciones, cada una de las cuales representa la zona comprobada por
un electrodo. La segunda ilustración de la fig. 6(c) está
dividida en tres secciones horizontales que representan la
actividad combinada de los hemisferios izquierdo y derecho,
comprobada por un grupo de electrodos en esa zona. La cabeza virtual
mostrada en la pantalla puede ser dividida como se precise para un
diagnóstico particular o aplicación de comprobación. Por ejemplo,
si se está siguiendo un efecto global similar a la profundidad de la
anestesia, el índice unificado junto con su tendencia puede ocupar
la totalidad de la zona visualizada.
Para la representación de la cabeza en la fig.
6(a), cada sección contiene el valor instantáneo del índice
602 con el uso de los datos del EEG adquiridos con el electrodo de
esa zona. Para la representación de la cabeza en la fig.
6(b), cada sección contiene el valor instantáneo del índice
calculado 604 con el uso de los datos del EEG adquiridos de varios
electrodos en esa zona. Inmediata a cada valor de índice se emplea
una flecha de color codificado para mostrar el cambio instantáneo
en la dirección del índice. La flecha será verde si la flecha está
dentro de los límites aceptables fijados por el operador. La flecha
cambiará a amarillo si la flecha se desplaza hacia la zona de aviso.
Una barra roja centelleante reemplazará a la flecha si el índice
tiene un valor que está fuera de los límites aceptables
establecidos para el paciente.
A petición del operador, el valor instantáneo del
índice y su tendencia para cada sección puede ser presentado como
una vista ampliada 606 para examen más detallado, como se muestra
en la fig. 6(c). Esto facilitará el examen del paciente a
distancia. Cada sección será cubierta por una gran "X" 608 si
falla un electrodo o se detecta una señal espuria, por cada uno de
los conductores que contribuyen a los datos requeridos para generar
el índice de diagnóstico para esa zona.
Con referencia a la fig. 7 se describirá con gran
detalle el módulo 406 de adquisición y manejo de datos en bruto del
EEG. En la operación 702, el sistema comprueba si se están
adquiriendo nuevos datos por primera vez. Si es así, el sistema de
adquisición 12 en la operación 704 es suministrado con información
pedida de filtración, ganancia, régimen de muestreo, y selección de
terminales. Los ajustes por omisión son paso de banda de 0,5 a 100
Hz para filtración, 5000 para ganancia, 256 muestras por segundo
para régimen de muestreo, y son adquiridas señales de las
combinaciones de conductores FL, FR, PL, PR, FPL, y FPR. Los
ajustes anteriores son muy diferentes cuando el sistema está
analizando respuestas del EEG evocadas, en vez de señales del EEG
continuas. Los ajustes comunes de ganancia y de filtro para adquirir
señales para los diversos potenciales de EEG evocados se describen
más adelante.
Los potenciales evocados del EEG son un medio con
el cual las áreas sensoriales del cerebro y del sistema nervioso
central pueden ser investigadas, por detección de las respuestas en
los estímulos sensoriales del EEG. Hay tres métodos comunes.
Potenciales evocados visuales de figuras desplazadas (PSVEP)
implican una figura visual que es mostrada al paciente y cambiada.
Por ejemplo, una luz estroboscópica puede ser centelleada. o un
tablero de ajedrez blanco y negro puede ser invertido (blanco por
negro y viceversa). Los potenciales evocados audibles del cerebro
(BAEP) utilizan un estímulo audible controlado tal como un click
producido por un generador de señal. Finalmente, los potenciales
evocados somatosensoriales (SEP) emplean otros estímulos
fisiológicos o eléctricos (toque o estiramiento de un músculo). En
todos los métodos potenciales evocados son colocados electrodos
cerca de los centros apropiados del cerebro (es decir, sobre las
cortezas visuales en el caso de potenciales evocados visuales), y
los EEGs son registrados durante un cierto período de tiempo que
comienza con la administración del estímulo. Dicho estímulo se
repite muchas veces, y los registros resultantes son promediados
(tradicionalmente en el dominio del tiempo), de modo que se eliminen
todas las partes de la señal del EEG excepto las debidas al
estímulo. En la presente invención, se promedian una serie de
conjuntos de potencia espectrales, biespectrales, y espectrales de
orden más alto, producidos desde el EEG de respuestas evocadas.
Por cada método potencial evocado son utilizados
diferentes ajustes de filtro y de ganancia. Por ejemplo, un margen
de ajuste de ganancia común para potenciales evocados visuales de
desplazamiento de patrón es de 20.000 a 100.000. Un margen de ajuste
de filtro común para PSVEPs es de 1 a 3 Hz para el extremo bajo del
paso de banda, y de 100 a 300 Hz para el extremo alto. El método y
uso de los potenciales evocados se describen con más detalle en
"Evoked Potentials in Clinical Medicine", por Chiappa, 1983,
cuyas enseñanzas se incorporan aquí como referencia.
En la operación 706, el sistema de adquisición 12
adquiere un valor de un segundo de datos nuevos para todos los
conductores pedidos. Alternativamente, la señal procedente de una
respuesta potencial evocada completa es adquirida si el sistema está
analizando potenciales evocados. El sistema detecta fallos en los
conductores durante el ciclo de adquisición en la operación 708,
por comprobación de valores positivos o negativos muy grandes.
Igualmente, en la operación 708 son utilizados algoritmos
disponibles públicamente, para comprobar las señales espurias en
cada conductor. En la operación 710, los conductores pueden haber
fallado, y aquéllos que producen datos espurios son marcados por el
módulo monitor 402.
En la operación 712, el registro de los 4
segundos más recientes por cada una de las señales es asignado a
X_{i}(t), siendo X_{i}(t) los registros de series
cronológicas individuales proporcionados para tratamiento de
potencia autoespectral, autobiespectral, y espectral de orden más
alto (en el que, la serie cronológica X_{i}(t), para todos
los valores t para un valor i específico, es citada como un
registro. En situaciones en las que se requiera tratamiento de
potencia de cruce espectral, biespectral, y espectral de orden más
alto, el registro de los 4 segundos más recientes procedente de la
segunda señal es asignado a Y_{i}(t). En la realización
preferida, Y_{i}(t) se establece igual a X_{i}(t)
en todos los casos, ya que sólo han de ser ejecutados cálculos de
potencia autoespectral, autobiespectral, y autoespectral de orden
más alto. El índice i indica el número de registro de 1 a 60. Si los
potenciales evocados están siendo analizados, la respuesta de
potencial evocado completa más reciente procedente de cada señal es
asignada al valor apropiado X_{i}(t) e Y_{i}(t)
como antes se ha descrito. El uso de respuestas de potencial evocado
como registros individuales permitirá promediar un gran número de
ellas en los dominios de potencia espectral, biespectral, y
espectral de orden más alto.
En la operación 714, se utiliza un mecanismo de
memoria intermedia circular para almacenar los datos en bruto del
EEG por cada conductor, así como los conjuntos de potencia de
auto/cruce espectrales, biespectrales, y espectrales de orden más
alto, para los sesenta registros más recientes de 4 segundos
X_{i}(t) e Y_{i}(t) por cada conductor. La
memoria intermedia es actualizada por almacenamiento de los datos
mas recientes adquiridos y tratados en el emplazamiento de los
datos más antiguos. En la operación 716, el funcionamiento del
sistema retorna al módulo monitor 402.
Con referencia ahora a la fig. 8, se expondrán
los procedimientos basados en el dominio de frecuencia para
producir el autoespectro de potencia, autobiespectro, espectro de
potencia de cruce, o el biespectro de cruce. En la operación 802, el
sistema comprueba si el cálculo que se ha de ejecutar requiere una
o dos señales. Típicamente se requiere una serie cronológica para
ejecutar análisis autoespectrales, y se precisan dos series
cronológicas para ejecutar análisis espectrales cruzados.
En la operación 804, el sistema establece los
registros de tiempo de la siguiente manera, con objeto de continuar
con un cálculo de potencia espectral o autobiespectral, del
conductor unipolar. Dado que estos componentes requieren sólo una
señal, el segundo juego de registros Y_{i}(t) se establece
igual al primer juego X_{i}(t). En consecuencia, las
correspondientes transformadas de Fourier de X_{i}(t) y de
Y_{i}(t), respectivamente X_{i}(f) e
Y_{i}(f), son también iguales.
X_{i}(t) = Y_{i}(t)
\rightarrow X_{i}(f) =
Y_{i}(f)
donde i indica el número de registros, que en
esta realización va de 1 a
60.
En la operación 806, los registros de tiempo se
establecen para análisis de potencia de cruce espectral y
biespectral, con el uso de dos señales en serie cronológicas
separadas. En consecuencia, las correspondientes transformadas de
Fourier no son iguales:
X_{i}(t) \neq Y_{i}(t)
\rightarrow X_{i}(f) \neq
Y_{i}(f)
donde X_{i}(t) e Y_{i}(t)
representan registros de series cronológicas derivadas
individualmente procedentes de dos zonas examinadas por dos o más
electrodos.
La transformada rápida de Fourier (FFT)
X_{i}(f) e Y_{i}(f) de cada uno de los 60
registros clasificados para esa señal, es calculada en la operación
808 con el uso de una rutina estándar IEEE de biblioteca (o
cualquier otra rutina adquirible en el mercado). Si se precisa,
cada una de las series de registros transformados X_{i}(f)
e Y_{i}(f) puede ser normalizada por división del valor de
cada frecuencia por las constantes C_{xi} y C_{yi},
respectivamente. Estas constantes son derivadas separadamente por
cada registro y cada serie (X o Y). La constante podría ser la
potencia total, el pico mayor en el espectro de interés, o alguna
otra derivada de X_{i}(f), X_{i}(t),
Y_{i}(f), e Y_{i}(t).
En la operación 810, el sistema comprueba si el
cálculo a ejecutar es un cálculo de potencia espectral o
biespectral.
El sistema calcula en la operación 812 los
valores de auto/cruce de densidad de potencia espectral
(PD(f)), mediante el uso de las siguientes ecuaciones, en las
que PC(f) es el producto complejo medio para una señal o par
de señales:
PC(f) = \frac{1}{M}
\sum\limits^{M}_{i=1} X_{i}(f) * Y_{i} \
^{*}(f)
PD(f) =
|PC(f)|
donde Y*_{i}(f) es el conjugado complejo
de Y_{i}(f) (O < f < f_{S} / 2), y M es el número
de registros (60 en la realización preferida. El sistema retorna
entonces al conjunto de densidad de auto/cruce de potencia
espectral, para comprobar el módulo
402.
Si el sistema está ejecutando un cálculo
biespectral en la operación 814, dicho sistema comprueba si el
cálculo a ejecutar es un cálculo autobiespectral o biespectral de
cruce.
El análisis autobiespectral es un caso especial
de análisis de cruce biespectral, y por tanto se aplican reglas de
simetría diferentes. En la operación 816, el sistema utiliza las
siguientes ecuaciones para determinar qué márgenes de f_{1} y
f_{2} han de ser utilizados durante el cálculo
autobiespectral.
f_{1} + f_{2} \leq
\frac{f_{2}}{2}
donde f_{s} es igual al régimen de muestreo (es
decir, el número de muestras por segundo) 256 muestras por segundo
en una realización preferida,
y
0 \leq f_{2} \leq
f_{1}
donde f_{1} y f_{2} (citados también como
F_{1} y F_{2}, o Frecuencia 1 y Frecuencia 2) indican los pares
de frecuencia sobre los que será llevado a cabo el cálculo
biespectral.
En la operación 818 se utilizan las siguientes
ecuaciones para determinar el margen de f_{1} y f_{2} para
análisis biespectral de cruce:
0 \leq f_{1} + f_{2} \leq
\frac{f_{S}}{2}
0 \leq f_{1} \leq
\frac{f_{S}}{2}
\frac{-f_{S}}{2} \leq f_{2}
\leq
\frac{f_{S}}{4}
f_{2} \leq
f_{1}
donde todas las variables representan los mismos
valores como para el análisis autobiespectral, excepto en que el
análisis de cruce biespectral X_{i}(f) e Y_{i}(f)
representa la transformada de Fourier de los registros de series
cronológicas derivadas individualmente de dos zonas
separadas.
En la operación 820, los espectros de potencia
P_{xi}(f) y P_{yi}(f) de cada uno de los 60
registros seleccionados para esa señal son calculados mediante
elevación al cuadrado de las magnitudes de cada elemento de la
transformada de Fourier X_{i}(f) e Y_{i}(f),
respectivamente.
El sistema calcula en la operación 822 el
producto triple complejo medio con el uso de las siguientes
ecuaciones, en las que bc_{i}(f_{1},f_{2}) es un
producto triple complejo individual para un registro de 4 segundos,
y BC(f_{1},f_{2}) es el producto triple complejo medio
para todos los 60 registros:
bc_{i}(f_{1},
f_{2}) = x_{i}(f_{1}) * x_{i}(f_{2}) *
Y*_{i} (f_{1} +
f_{2})
donde Y*_{i}(f_{1} + f_{2}) es el
conjugado complejo de Y_{i}(f_{1} + f_{2}),
y
BC(f_{1}, f_{2}) =
\frac{1}{M} \sum\limits^{M}_{i=1} bc_{i} (f_{1},
f_{2})
donde M es el número de registros (60 en la
realización
preferida).
El producto triple real medio es calculado en la
operación 824 mediante el uso de las siguientes ecuaciones, en las
que br_{i}(f_{1}, f_{2}) es un producto triple real
individual para un registro de 4 segundos, y
BR(f_{1},f_{2}) es el producto triple real medio para
todos los 60 registros:
br_{i} (f_{1}, f_{2}) =
P_{xi} (f_{1}) * Px_{i} (f_{2}) * P_{yi} (f_{1} +
f_{2})
BR (f_{1}, f_{2}) =
\frac{1}{M} \sum\limits^{M}_{i=1} br_{i} (f_{1},
f_{2})
donde M es el número de registros (60 en la
realización
preferida).
En la operación 826 se calcula el conjunto de
valores de auto/cruce de densidad biespectral
(BD(f_{1},f_{2})) con el uso de la siguiente
ecuación:
BD (f_{1}, f_{2}) = IBC
(f_{1}, f_{2})
I
En la operación 828 se calcula el conjunto de las
raíces cuadradas de los productos triples reales medios
(SBR(f_{1},f_{2})), con el uso de la siguiente ecuación:
(SBR(f_{1},f_{2})), con el uso de la siguiente ecuación:
SBR (f_{1}, f_{2}) =
[BR(f_{1}, f_{2})]^{1/
2}
En la operación 830, el sistema calcula el
conjunto de los valores de auto/cruce de bifase
(\varphi(f_{1},f_{2})) con el uso de la siguiente
ecuación:
\varphi(f_{1}, f_{2})
= tan^{-1} [ Im(BC(f_{1}, f_{2})) /
Re(BC(f_{1},
f_{2}))]
0 < \varphi < 2\pi
(radianes)
En la operación 832, el sistema calcula el
conjunto de valores de biocoherencia de auto/cruce
(R(f_{1}, f_{2})) con el uso de la siguiente
ecuación:
R(f_{1}, f_{2}) =
BD(f_{1}, f_{2})/SBR(f_{1},
f_{2})
0 < R <
1
En la operación 834, el sistema retorna el
conjunto solicitado de potencia espectral de auto/cruce, o los
conjuntos bifásicos de densidad espectral de auto/cruce, raíz
cuadrada del producto real triple promediado, biocoherencia, al
módulo monitor 402.
Las ecuaciones anteriores basadas en el dominio
de frecuencia para calcular los conjuntos de auto/cruce
biespectrales pueden ser generalizadas para calcular los conjuntos
espectrales de auto cruce de orden más alto. Esto permitirá el
cálculo de triespectro, cuadroespectro, etc. Suponiendo que han de
ser calculados los conjuntos para un espectro de orden K, pueden
ser utilizadas las siguientes ecuaciones;
Producto de orden K complejo promediado:
KC (f_{1}, f_{2}, ....,
f_{K-1}) = \frac{1}{M} \sum\limits^{M}_{i=1}
\hskip2cmx_{i}(f_{1}) * x_{i}(f_{2}) * ....
*X_{i}(f_{K}-1)
* Y*_{i}(f_{1}+f_{2}+ ... +
f_{K}-1)
donde M es el número de registros (60 en la
realización
preferida).
Producto de orden K real promediado:
KR (f_{1}, f_{2}, ...,
f_{k-1}) = \frac{1}{M} \sum\limits^{M}_{i=1}
\hskip2cmP_{xi}(f_{1}) * P_{xi}(f_{2}) * ...
*
P_{xi}(f_{k-1}) * P_{yi}(f_{1} + f_{2} + ...
+f_{k-1})
Densidad espectral de orden K de auto/cruce:
KD(f_{1}, f_{2}, ...
f_{K-1}) = |KC (f_{1}, f_{2},....,
f_{K-1})|
Coherencia de orden K de auto/cruce
R(f_{1}, f_{2}, ...,
f_{k-1}) = KD(f_{1}, f_{2}, ...
,f_{k-1})/[KR(f_{1}, f_{2}, ...
,f_{k-1})]^{1/2}
0 < R <
1
Fase de orden K de auto/cruce
\varphi(f_{1}, f_{2},
..., f_{k-1}) = tan^{-1} [Im(KC(f_{1},
f_{2}, ..., f_{k-1}))/ Re(KC(f_{1},
f_{2}, ...,
f_{k-1}))]
0 < \varphi < 2\pi
(radianes)
La fig. 9 ilustra un método de base paramétrica
para producir la potencia autoespectral o autobiespectral, espectral
de cruce de potencia, o biespectral de cruce. En las operaciones
902, 904, y 906, el sistema establece los registros de serie
cronológica de la misma manera que la antes descrita en las
operaciones 802, 804, y 806, respectivamente. La potencia espectral
de auto/cruce de X_{i}(t) e Y_{i}(t) es estimada
en las operaciones 910 y 912. Este método de estimación incluye dos
etapas principales, la clasificación de orden de modelo
autorregresivo (AR), y el cálculo de la potencia de auto/cruce
espectral para X_{i}(t) e Y_{i}(t). En la
operación 908, el sistema calcula dos secuencias de
autocorrelaciones, {R_{2X}(m)} y {R_{2Y}(m)} con
el uso de la siguiente ecuación;
R_{2z}(m) = \frac{1}{M*N}
\sum\limits^{M}_{i=1} \sum\limits^{N-|m|}_{t=0}
\hskip1cmz_{i}(t) z_{i}(t + m)
z = X ó Y, y m = 0,1, ...,
L
siendo M el número de registros de cada señal (60
en la realización descrita), y N el número de muestras por
registro (1024 en la realización descrita). L es superior al mayor
orden posible del filtro AR (50 en la realización
descrita).
Los errores de predicción finales
FPE_{X}(m) y FPE_{Y}(m) son calculados para todos
los órdenes, m = 1, 2, ... L, por ejecución en la operación 910 de
la función de recurrencia Levinson sobre cada secuencia de
autocorrelación, con objeto de hallar el orden del filtro AR. El
orden de los filtro AR puede ser determinado mediante el hallazgo de
la localización del mínimo de los errores de predicción finales;
FPE_{X}(m) y FPE_{Y}(m) respectivamente, es
decir:
FPE_{X} (QX) = min
\{FPE_{X}(m)\} \ y \ FPE_{Y}(Q_{Y}) =
min\{FPE_{Y}(m)\}
donde Q_{X} y Q_{Y} son los emplazamientos de
los valores mínimos para FEP_{X}(m) y FPE_{Y}(m)
(respectivamente), y en consecuencia, los órdenes de los filtros AR
para el espectro de potencia X_{i}(t) e Y_{i}(t)
(respectivamente).
Una vez que los órdenes de los filtros AR para el
autoespectro de potencia son conocidos, las secuencias de
autocorrelación {R_{2X}(m)} y {R_{2Y}(m)} son
introducidas en una recurrencia Levinson con orden Q_{X} y
Q_{Y}, respectivamente, en lugar de L. Los coeficientes
{c_{iX}, i = 0,1... Q_{X}} y {c_{iY}, i = 0, 1,...,Q_{Y}}
obtenidos en la recurrencia, son los coeficientes de los filtros AR
para el auoespectro de potencia de X_{i}(t) e
Y_{i}(t) respectivamente. Luego, en la operación 912, las
funciones de transferencia de los filtros AR para el autoespectro
de potencia de X_{i}(t) e Y_{i}(t) son calculados
como la raíz cuadrada del error de predicción (\sigma_{z})
dividida por la transformada de Fourier de los coeficientes, es
decir:
H_{Pz}(f) =
\frac{\sigma_{z}}{1 + \sum\limits^{Q_{z}}_{i=1} c_{iz} e^{-j2\pi
fi}},
\hskip1cmz = X, Y.
Los valores de densidad espectral de auto/cruce
de potencia (PD(f)) son la magnitud del producto complejo
de
H_{PX}(f) y del conjugado complejo de H_{PY}(f), es decir:
H_{PX}(f) y del conjugado complejo de H_{PY}(f), es decir:
PC(f) = H_{PX}(f) *
H*_{PY}(f)
PD(f) =
IPC(f)I
Si se precisa, la misma normalización utilizada
en la operación 808 puede ser utilizada aquí (en
H_{PZ}(f)).
En la operación 914, el sistema comprueba si el
cálculo a ejecutar es un cálculo biespectral, y si no es así, el
sistema retorna el conjunto de densidad espectral de auto/cruce de
potencia pedido al módulo monitor 402.
En las operaciones 916, 918, y 920, el sistema
establece las simetrías de la misma manera que antes se ha descrito
en las operaciones 814, 816, y 818.
El sistema estima en las operaciones 922, 924, y
926 el biespectro de auto/cruce. El procedimiento de estimación
incluye dos etapas principales: la selección del orden y el cálculo
biespectral. En la operación 922 son calculadas dos secuencias de
momento de tercer orden {R_{3X}(\tau)} y {R_{3Y}(\tau)}, con el
uso de la siguiente ecuación:
R_{3z}(\tau) = \frac{1}{M*N}
\sum\limits^{M}_{i=1} \ \
\sum\limits^{S_{2}}_{t=s_{1}}
\hskip1cmz_{i}(t)z^{2}_{i}(t +\tau),
\hskip1cmz = X, Y, \ \ y
\hskip1cm\tau=-L,...,L
donde s_{1} = max (1, 1 - \tau), s_{2} =
min (N, N - \tau), y L es superior al filtro de AR de mayor orden
posible (por ejemplo,
50).
En la operación 924 se forman dos matrices TX y
TY como sigue:
A partir del supuesto hecho sobre el filtro AR
del biespectro, los órdenes O_{X} y O_{Y} de los filtros
AR del biespectro de X_{i} (t) e Y_{i} (t) son los rangos de
las supermatrices T_{X} y T_{Y}. Por tanto, O_{X} y
O_{y} se eligen mediante el uso de descomposiciones de valor
singular. Hallados los órdenes, se obtienen los coeficientes de los
filtros AR del biespectro, mediante la resolución del siguiente
sistema lineal de ecuaciones;
donde la asimetría (\betaz) y los coeficientes
(b_{1Z}, ... b_{ozZ}) = X o Y, pueden ser obtenidos por
resolución del sistema lineal de
ecuaciones.
El biespectro de auto/cruce de X_{i}(t)
e Y_{i}(t) es calculado en la operación 926 como la raíz
cúbica del producto triple de las asimetrías u oblicuidades
(\betax \betay \betay)^{1/3} dividido por el
producto triple de la transformada de Fourier de los coeficientes de
filtro AR (H_{Z}(f)), es decir:
BC(f_{1}, f_{2}) =
(\beta x \beta y \beta
y)^{1/3}
\hskip2mm/
\hskip2mmH_{X}(f_{1})H_{X}(f_{2}) H*_{Y}(f_{1} + f_{2})
H_{z}(f) = 1 +
\sum\limits^{O_{Z}}_{i=1} b_{iz} \ \ e^{-j2\pi fi},
\hskip1cmz = X, Y.
y BR(f_{1}, f_{2}) es el producto real
triple para esa misma
señal:
BR(f_{1}, f_{2}) =
P_{x}(f_{1})*P_{x}(f_{2})*P_{Y}(f_{1}+f_{2})
cuando el autoespectro de potencia de
X_{i}(t) e Y_{i}(t), P_{X}(f) y
P_{Y}(f) se calculan por elevación al cuadrado de las
magnitudes de la función de transferencia de los filtros AR para el
autoespectro de potencia de X_{i}(t) a Y_{i}(t),
(H_{PX}(f) y H_{PY}(f)) respectivamente. Si se
solicita, la misma normalización utilizada en la operación 808 puede
ser utilizada aquí. De igual modo, (\betaz
)^{1/3}/H_{Z}(f) es dividido por la raíz cuadrada de la
suma del cuadrado de su magnitud para cierta banda de frecuencia,
su valor de pico mayor, o alguna constante de normalización derivada
igualmente.
Después de obtener la potencia espectral y
biespectral de auto/cruce, el sistema calcula en la operación 928
el conjunto de densidad biespectral, la bifase, la bicoherencia y
la raíz cuadrada del producto real triple medio (RTP), del mismo
modo que en las operaciones 826, 828, y 832. En la operación 930,
el sistema retorna al módulo monitor 402 los conjuntos pedidos de
densidad espectral de auto/cruce de potencia, densidad biespectral,
raíz cuadrada del producto real triple, bifase, y bicoherencia.
Las ecuaciones paramétricas anteriores utilizadas
para calcular los conjuntos biespectrales de auto/cruce pueden ser
generalizadas para comparar formaciones espectrales de auto cruce
de orden más alto. Esto permitirá el cálculo del triespectro,
cuadroespectro, etc. Suponiendo que los conjuntos para el espectro
de orden K han de ser calculadas, pueden ser utilizadas las
siguientes ecuaciones:
Espectro de auto/cruce de orden K:
KC(f_{1}, f_{2},
..., f_{k-1}) = ((\beta
x)^{K-1}\beta
y)^{1/K}
\hskip2mm/
\hskip2mmHx(f_{1}) Hx(f_{2}) ...H_{X}(f_{K-1}) H*_{Y}(f_{1} + f_{2} +...+ f_{K-1})
Hz (f) = 1 +
\sum\limits^{0_{Z}}_{i=1} b_{iz} \ \ e^{-j2\pi fi},
\hskip1cmZ = X, Y.
Producto real de orden K:
KR (f_{1}, f_{2},...,
f_{K-1}) = P_{X}(f_{1})* P_{X}(f_{2})* ...
*Px(f_{K- 1})*Py (f_{1} + f_{2} + ... +
f_{K-1})
\newpage
Después de obtener el espectro de auto/cruce de
orden K, el sistema calcula el conjunto de densidad espectral de
auto/cruce de orden K, la fase de auto/cruce de orden K, y la
coherencia de auto/cruce de orden K, de igual modo que en el método
basado en el dominio de frecuencia.
Con fines de ilustración, las figs. 10(a)
a 10(c) son gráficos de muestras de conjuntos
autobiespectrales que muestran pares de frecuencia 0 < f_{1}
< 30 Hz, y 0 < f_{2} < 15 Hz. En la fig. 10(a) se
muestra un conjunto de densidad biespectral en el que el eje Z
representa la magnitud en decibelios (dc) de la interacción acoplada
entre todos los pares de frecuencia apropiados f_{1} y f_{2}.
Ha de hacerse notar que el par de frecuencia (f_{1}, f_{2})
debe adaptarse a la ecuación;
f_{1} + f_{2} \leq
\frac{f_{2}}{2}
donde f_{S} es en este caso igual a 60 Hz. En
la fig. 10(c) se muestra un conjunto de bicoherencia en el
que se presenta la magnitud normalizada en tantos por ciento (%) de
la interacción acoplada entre todos los pares de frecuencia
apropiados f_{1} y f_{2}. En la fig. 10(b) se muestra
una conjunto bifásico en la que el eje Z representa la fase en
radianes de la interacción acoplada entre todos los pares de
frecuencia apropiados f_{1} y f_{2}. En la fig. 10(d) se
muestra un conjunto de la raíz cuadrada del producto triple real, en
la que el eje Z representa la magnitud en decibelios (db) de la
interacción acoplada entre todos los pares de frecuencia apropiados
f_{1} y
f_{2}.
Con referencia a la fig. 11 se expondrá ahora una
ilustración más detallada del módulo 410 generador de índice de
diagnóstico. En la operación 1102, el sistema identifica el tipo de
valoración de diagnóstico en curso. En una realización preferida,
las cinco opciones posibles son:
1. Profundidad de la anestesia,
consciencia/hipnosis, capacidad de respuesta al dolor, y tensión
quirúrgica.
2. Isquemia e hipoxia cerebrales.
3. Intoxicación cerebral (alcohol,
narcóticos).
4. Evaluación potencial evocada.
5. Evaluación del proceso cognitivo.
En la operación 1104, el sistema obtiene los
conjuntos de espectro de potencia de auto/cruce, biespectro, y/o
espectro de orden más alto, requeridos para el cálculo del índice
de diagnóstico solicitado, con el uso del método de clasificación
que se describe más adelante. Los diversas conjuntos que pueden ser
utilizados para generar el índice de diagnóstico son: espectro de
potencia de auto/cruce, densidad biespectral de auto/cruce,
bicoherencia de auto/cruce, producto real biespectral de auto/cruce,
densidad espectral de auto/cruce de orden K, coherencia de
auto/cruce de orden K, producto real espectral de auto/cruce de
orden K, y fase de auto/cruce de orden K.
La clasificación de los conjuntos de auto/cruce
de potencia de espectro, biespectro, y espectro de orden más alto,
es una característica importante de la presente invención, ya que
proporciona un mecanismo para compensar los cambios en la
distribución de la energía en estos y en otros espectros. Lo que
sigue es una descripción general de cómo es puesta en práctica la
característica en una realización preferida.
Basado en una derivada FFT de registros de 4
segundos, como se describe en la realización preferida, pueden ser
calculados 120 puntos de datos para un conjunto espectral de
potencia que cubre la banda de frecuencia de 0 a 30 Hz (con
registros de 4 segundos y un régimen de muestreo de 256 muestras
por segundo, la resolución del FFT es de 0,25 Hz, y el margen
utilizado tiene una anchura de 30 Hz, por lo que hay 120 = 30 Hz /
0,25 Hz puntos de datos). Cuando los 120 puntos de datos son
elegidos en orden descendente, el primer elemento del conjunto
elegido corresponderá al valor de espectro de potencia más alto, y
el último elemento corresponderá al valor de espectro de potencia
menor. Puede ser generado entonces un histograma de distribución de
potencia con el uso de el conjunto elegido. El eje X del histograma
representará la potencia en dBs, y el eje Y representará el número
de puntos en el conjunto elegido que corresponden a un valor
particular del eje X de potencia. Si todos los puntos del conjunto
elegido se suman juntos, la suma representará la potencia total en
el espectro de 0 a 30 Hz. Si un número de puntos adyacentes del
conjunto elegido se suman juntos, se obtiene una parte del
histograma que representa un porcentaje de la potencia total. Por
ejemplo, en una señal de EEG particular, los dos puntos superiores
del conjunto elegido representan el 10% superior de la potencia
total en el histograma de distribución de potencia. De igual modo,
la suma de los 70 puntos inferiores (para la misma señal) en el
conjunto elegido proporcionará el 10% inferior de la potencia total
en el histograma. En lugar de sumar los puntos del conjunto, valores
estadísticos tales como la media o desviación típica de puntos del
conjunto, o valores sencillos tales como el medio, mínimo, o máximo
de los puntos de dicho conjunto pueden ser calculados y utilizados
para crear un índice de diagnóstico. Igualmente, el punto superior
en el conjunto elegido será equivalente a calcular el pico o
potencia máxima, mientras que el elemento intermedio será
equivalente a la potencia media, y el último elemento será la
potencia mínima. En una realización se utiliza el valor de pico. En
otra realización se utiliza el valor mínimo. En una tercera
realización pueden ser utilizados los valores de pico y mínimo. Con
este procedimiento, puede ser obtenida cualquier parte del
histograma de distribución de potencia por suma de uno o más
elementos adyacentes del conjunto elegido (parte superior, el 25%
de la potencia total; parte intermedia, el 50% de la potencia total,
etc.) (dado que se ha determinado empíricamente la función de
transferencia a partir de puntos específicos con respecto al
porcentaje de la potencia total). Por clasificación, se pueden
seguir zonas de alta actividad y de baja actividad (picos y valles)
en el espectro de potencia de 0 a 30 Hz, sin tener que analizar
bandas de frecuencia estrechas específicas. Esto es equivalente a
representar el espectro de potencia en su función de distribución de
ella, y trabajar sobre bandas fijas dentro de esa función de
distribución. Esta transformación está dirigida a algunas de las
inconsistencias en el comportamiento de la potencia del EEG,
observadas cuando son administrados agentes hipnóticos anestésicos.
Más en general, el esquema de clasificación antes expuesto
transformará cualquier conjunto de espectro de potencia de
auto/cruce, biespectro, o espectro de orden más alto de cualquier
dimensión y banda de frecuencia, en una función de distribución
unidimensional de los valores que contiene. La distribución
unidimensional es dividida luego en bandas fijas, que pueden ser
combinadas para producir un índice de diagnóstico. Las bandas fijas
o secuencia de tramos pueden ser hechas de hasta uno o más puntos,
para permitir la evaluación de los cambios en picos y valles
específicos, y otras propiedades de la distribución de los datos que
se están analizando. Aunque la palabra "clasificación" es
utilizada en esta realización preferida, está destinada a cubrir
cualquier ordenación por rango de cualquier conjunto espectral de
potencia de auto/cruce, biespectral, o espectral de orden más alto,
de cualquier dimensión y banda de frecuencia, y el uso de la
información de ordenación por rango para extraer uno o más puntos
que luego son utilizados para generar uno o más índices de
diagnóstico para la valoración de los fenómenos cerebrales de manera
compatible con esta realización.
En la operación 1106, son elegidos los conjuntos
de referencia de auto/cruce de espectro, biespectro, y espectro de
orden más alto de potencia. Los correspondientes conjuntos
dependientes son reordenados de acuerdo con la secuencia clasificada
del conjunto de referencia. Un conjunto de referencia es aquél
cuyos valores son utilizados como primera clasificación clave para
un grupo de conjuntos correspondientes que tienen el mismo número
de variables y que son de tamaño idéntico al conjunto de
referencia. Por ejemplo, si el conjunto de referencia hubiese de
tener cuatro elementos y a éstos se les hubiesen dado los índices
1, 2, 3, y 4 antes de la clasificación, y después de la
clasificación el nuevo orden de los índices fuese 2, 1, 4, y 3,
podría ser utilizada la misma disposición para reordenar cualquier
otro conjunto del mismo tamaño (en este caso, por colocación del
segundo elemento primero, el primer elemento segundo, etc.). De este
modo se puede utilizar la clasificación del conjunto de referencia
para redisponer los conjuntos dependientes. En la realización
preferida el conjunto de referencia es de densidad autobiespectral
y los conjuntos dependientes son de autobicoherencia y la raíz
cuadrada del producto real triple medio. La densidad
autobiespectral fue clasificada como conjunto de referencia debido
a que proporciona información sobre la potencia residual en cada par
de frecuencia después de las cancelaciones de fase aleatorias. Por
tanto, la clasificación del conjunto de densidad autobiespectral
proporciona medios más estables para clasificar los valores de
autobicoherencia, de lo que sería la clasificación de los propios
conjuntos. Un conjunto diferente puede ser seleccionado para
satisfacer otros requerimientos.
En algunas realizaciones, la suma, la media, y la
desviación típica de la potencia de auto/cruce espectral,
biespectral, y espectral de orden más alto del conjunto de interés,
son también calculadas (antes o después de que la clasificación
proporcione los mismos resultados, ya que estas estadísticas
descriptivas son independientes del orden según rango). Estas
variables pueden ser utilizadas también en la generación del índice
de diagnóstico. Variables adicionales pueden ser derivadas
directamente de formaciones clasificadas y sin clasificar, por toma
de la relación sencilla o producto de cualquiera de dos variables
clasificadas o descriptivas. Por ejemplo, la relación de la
desviación típica con respecto a la media proporcionará el
coeficiente de variación. La finalidad es romper los conjuntos
clasificadas o no clasificados en tantos descriptores como sea
posible.
En la operación 1108, los conjuntos seleccionados
de auto/cruce de potencia espectral, biespectral, y espectral de
orden más alto, son divididos en tramos, como se describe más
adelante. La suma de los puntos de cada tramo para cada conjunto es
calculada y almacenada en una variable temporal. Las variables
estadísticas descriptivas que son generadas en la operación 1108
pueden ser almacenadas también en localizaciones temporales. En la
operación 1110, el conjunto de coeficientes predeterminados
clínicamente para el índice de diagnóstico generado es recuperado de
la memoria residente (o del dispositivo de almacenamiento). Cada
coeficiente en el conjunto de coeficientes predeterminados
corresponde a una de las variables generadas en la operación 1108.
En la operación 1112, el índice de diagnóstico es producido a partir
de la suma de todas las variables multiplicada por sus
correspondientes coeficientes en el conjunto de coeficientes
predeterminados. Como antes se ha dicho, las variables utilizadas en
la producción del índice de diagnóstico puede ser la suma de los
puntos en cada tramo, cualquier valor estadístico descriptivo (tal
como el valor medio, desviación típica, valor máximo, valor mínimo,
etc), generado a partir del valor de los puntos de cada tramo o
cualquier valor predeterminado de un conjunto clasificado o sin
clasificar, o de un tramo en un conjunto clasificado o sin
clasificar. En la operación 1114, el programa retorna al módulo
monitor 402.
Los conjuntos de coeficientes clínicos
predeterminados antes citados son esenciales para la capacidad del
dispositivo para conseguir una eficacia en un diagnóstico
clínicamente relevante. Seguidamente se describirá el procedimiento
adoptado para generar estos conjuntos de referencia clínica. Dado
que un gran número de posibles conjuntos de referencia debe ser
generado para acomodar todas las modalidades de diagnóstico del
sistema, sólo se expondrá aquí una en detalle. Los demás conjuntos
de referencia son generados de modo similar. Con fines de
ilustración, seguidamente se describe un método para generar los
coeficientes requeridos para seguir la capacidad de respuesta al
componente de estimulación por tensión de la profundidad de la
anestesia, con el uso de las señales derivadas FL y FR (de la
realización preferida).
\newpage
Para determinar qué variables han de ser
incorporadas al índice de diagnóstico, así como los valores de los
coeficientes clínicos asociados a cada una de esas variables, se
precisan datos en bruto así como diagnósticos clínicos en los casos
particulares que se describen seguidamente. Para desarrollar un
índice que indique la profundidad de la anestesia, las señales de
EEG (datos en bruto) y las valoraciones de la respuesta del
paciente a los estímulos clínicos (diagnósticos clínicos) fueron
recogidos en el caso siguiente, y la valoración está basada en el
cambio de la presión sanguínea arterial del paciente. En el otro
caso, la valoración es el juicio del cirujano en cuanto a si el
paciente tenía una respuesta reflexiva motora. Una vez obtenidos los
datos, pueden ser calculados los diversos espectros, y a partir de
éstos pueden ser calculadas las variables, como antes se ha
descrito. Mediante la combinación de cualquier subjuego particular
de estas variables en un modelo de regresión estadística, puede ser
determinado un índice de diagnóstico particular. Los coeficientes
clínicos que optimizan la capacidad de este índice de diagnóstico
particular para predecir la diagnosis clínica real son calculados
mediante el procedimiento de regresión, Por combinación de las
variables en subjuegos múltiples de ellas, y la ejecución de una
regresión estadística sobre cada uno de estos subjuegos, puede ser
creada una serie de índices de diagnóstico potencial, y puede ser
determinada la capacidad predictiva de cada índice. Mediante la
comparación luego de la diagnosis prevista de cada uno de estos
índices de diagnóstico con la diagnosis clínica real, puede ser
determinado el subjuego de variables que resulte en el índice de
diagnóstico que pueda predecir con más precisión el resultado
final.
En dos estudios separados, potenciales de EEG
fueron registrados de modo continuo procedentes de un grupo de
pacientes sometidos a cirugía electiva. El período de registro
comenzó aproximadamente cinco minutos antes de la inducción, y duró
el tiempo de la operación quirúrgica. Las señales derivadas FL, FR,
PL, PR, FPL, y FPR fueron adquiridas con el uso del procedimiento
antes descrito.
La finalidad del primer estudio fue determinar si
las variables autobiespectrales proporcionaban información sobre la
profundidad de la anestesia en la incisión. Fueron estudiados
cuarenta pacientes adultos. La anestesia fue inducida con tiopental
(hasta 5,0 mg/kg), y la intubación se efectuó después de la
administración de sucinilclolina. Se asignaron pacientes al azar
para recibir isoflurano al 0,75 MAC (concentración alveolar media),
1,00 MAC, o 1,25 MAC, en el 100% de oxígeno. Se comprobó la
concentración de agente endtidal, y después de conseguido un período
de estado sostenido fue valorado el movimiento a propósito en
respuesta a la incisión en la piel. Cada paciente fue clasificado
como "móvil" o "no móvil" en base a su respuesta a la
incisión.
La finalidad del segundo estudio fue determinar
si las variables autobiespectrales proporcionaban información sobre
predicción de respuestas hemodinámicas a la laringoscopia durante la
inducción con sufentanil o alfentanil. Fueron estudiados cuarenta
pacientes adultos. Dichos pacientes recibieron premedicación con
diazepam oral (0,05 a 0,15 mg/kg) y fueron inducidos con tiopental
(4,0 a 6,0 mg/kg) y un 60% de óxido nitroso en oxígeno, seguido por
vecuronio (0,1 mg/kg). Cada paciente fue luego seleccionado al azar
para recibir regímenes de quinta dosis: salina normal, alfentanil 15
mcg/kg o 30 mcg/kg, sufentanil 0,5 mcg/kg o 1,5 mcg/kg. Se efectuó
laringoscopia durante 3 minutos después de la administración de las
drogas. La presión sanguínea branquial se midió cada minuto con un
dispositivo de puño. Los pacientes que presentaban un cambio en la
presión arterial media superior al 20% en respuesta a la intubación
fueron clasificados como "respondedores", y los que no
mostraron dicho cambio en la intubación fueron clasificados como
"no respondedores".
Un conjunto de densidad autobiespectral, de
autobicoherencia, y de auto raíz cuadrada de producto triple real
medio, fueron generados para las señales derivadas FL y FR por cada
paciente, con el uso de un período de dos minutos antes del
estímulo. La banda de frecuencia para la que fueron calculados los
conjuntos biespectrales fue de 0,25 a 30 Hz. Cada conjunto
biespectral contenía 3600 puntos de datos.
Los conjuntos resultantes de densidad
autobiespectral, de autobicoherencia, y de auto raíz cuadrada de
producto triple real medio, fueron clasificados con el uso del
conjunto de densidad autobiespectral como conjunto de referencia en
la clasificación. Dicha clasificación se hizo con el uso del
algoritmo antes descrito.
Se produjeron once variables a partir de cada uno
de los conjuntos clasificados, como se describe seguidamente:
Var. 1 - Suma de los 15 puntos mayores en el
conjunto clasificado.
Var. 2 - Suma de los puntos dispuestos según
rango 16º a 30º en el conjunto clasificado.
Var. 3 - Suma de los puntos dispuestos según
rango 31º a 50º en el conjunto clasificado.
Var. 4 - Suma de los puntos dispuestos según
rango 51º a 100º en el conjunto clasificado.
Var. 5 - Suma de los puntos dispuestos según
rango 101º a 150º en el conjunto clasificado.
Var. 6 - Suma de los puntos dispuestos según
rango 151º a 300º en el conjunto clasificado.
Var. 7 - Suma de los puntos dispuestos según
rango 301º a 500º en el conjunto clasificado.
Var. 8 - Suma de los puntos dispuestos según
rango 501º a 900º en el conjunto clasificado.
Var. 9 - Suma de los puntos dispuestos según
rango 801º a 1500º en el conjunto clasificado.
Var. 10 - Suma de los puntos dispuestos según
rango 1501º a 2400º en el conjunto clasificado.
Var. 11 - Suma de los puntos dispuestos según
rango 1401º a 3600º en el conjunto clasificado.
Fueron calculados los valores de las once
variables por cada conjunto. Como resultado, había 33 variables
temporales por paciente y por señal.
Los 80 pacientes fueron luego clasificados en dos
grupos. El primer grupo contenía todos los pacientes del primer
estudio que se movieron en la incisión, y todos los pacientes del
segundo estudio que tuvieron un cambio en la presión sanguínea
superior al 20% en respuesta a la intubación. En el segundo grupo
estaban todos los pacientes del primer estudio que no se movieron
en la incisión, y todos los pacientes del segundo estudio que
tuvieron una respuesta de la presión sanguínea inferior al 20% en la
intubación.
Para producir un juego de coeficientes que
proporcionase el índice de diagnóstico más efectivo, se efectuó un
análisis discriminante. El índice de diagnóstico (I(c_{0},
c_{1}, ..., c_{33})) para un juego de coeficientes (c_{0},
c_{1}, ... , c_{33}) viene dado por:
I(c_{0}, c_{1}, ...,
c_{33}) = c_{0}+(BIS_{A}* c_{1}+ ... + BIS_{K}*c_{11}) + (BIC_{A}*
c_{12} + ... + BIC_{K}* c_{22}) + (PS_{A}* c_{23}+ ... + PS_{K}*
c_{33})
donde BIS_{A} a BIS_{K} son las once
variables temporales clasificadas del conjunto biespectral;
BIC_{A} a BIC_{K} son las variables del conjunto de
bicoherencia; y PS_{A} a PS_{K} son las variables del conjunto
de la raíz cuadrada del producto triple real medio. El análisis
discriminante, dados los valores de las variables temporales antes
mencionadas y la clasificación de respondedor/no respondedor de
cada paciente, producen un juego de coeficientes que proporcionan
la mejor separación de respondedores y no respondedores mediante la
función I. Los algoritmos de análisis discriminante son adquiribles
públicamente. En este caso, los utilizados proceden de la
biblioteca de estadística adquirible en IMSL (Houston, Texas).
Seguidamente se ilustra una lista de muestras de los coeficientes
generados con el uso de la base de datos de 170
pacientes.
para señales derivadas FL, FR | |
C_{0} | -4,28 |
C_{1} | -0,65 |
C_{2} | +0,57 |
C_{3} | +1,21 |
C_{4} | -1,23 |
C_{5} | +2,63 |
C_{6} | -3,34 |
C_{7} | +2,11 |
C_{8} | +2,74 |
C_{9} | -3,08 |
C_{10} | 0,0 |
C_{11} | -0,66 |
C_{12} | +0,04 |
C_{13} | -1,86 |
C_{14} | +0,50 |
C_{15} | +0,14 |
C_{16} | -0,30 |
C_{17} | +0,15 |
C_{18} | -0,08 |
C_{19} | -0,11 |
C_{20} | +0,05 |
C_{21} | +0,05 |
C_{22} | -0,02 |
(Continuación)
para señales derivadas FL, FR | |
C_{23} | +0,67 |
C_{24} | -1,02 |
C_{25} | 0,0 |
C_{26} | -0,19 |
C_{27} | -1,27 |
C_{28} | +1,20 |
C_{29} | +1,25 |
C_{30} | -2,15 |
C_{31} | -2,43 |
C_{32} | +3,16 |
C_{33} | +0,64 |
Para los dos estudios antes expuestos, el índice
de diagnóstico fue utilizado para predecir la respuesta al estímulo
por cada paciente. Lo que sigue es un sumario de los resultados
obtenidos:
-Sensibilidad: predicción de movimiento en la
incisión = 96%
-Específicamente: predicción de no movimiento en
la incisión = 63%
-Precisión general: predicción de movimiento/no
movimiento en la incisión = 83%
-Sensibilidad: predicción > 20% de cambio en
la presión sanguínea en la intubación = 100%
-Específicamente: predicción < 20% de cambio
en la presión sanguínea en la intubación = 50%
-Precisión general: predicción de cambio en la
presión sanguínea en la intubación = 85%.
El ejemplo anterior muestra un procedimiento para
obtener un juego de coeficientes para una aplicación de diagnóstico
de manera retrospectiva. Pueden ser utilizados otros diversos
procedimientos para separar la población clínica que se está
estudiando con el uso de un índice de diagnóstico. Dichos
procedimientos incluyen, sin limitarse a ello, la regresión lineal,
la regresión lineal progresiva, la regresión logística, y la
regresión logística progresiva. Por supuesto que con independencia
del método que se utilice para calcular retrospectivamente los
coeficientes, la actuación del índice final debe ser confirmada en
una prueba prospectiva, antes de su uso en el cuidado de un
paciente.
El procedimiento analítico antes descrito es
utilizado para generar las bases de datos de referencia para la
isquemia cerebral, hipoxia cerebral, consciencia/hipnosis, grados
de intoxicación, respuestas potenciales evocadas alteradas, y
procesos cognitivos normales y anormales, incluyendo sin limitarse
a ello, la identificación de pacientes con la enfermedad de
Alzheimer y las demencias relacionadas con el VIH.
Además de la cuantificación de la profundidad y
adecuación de la anestesia, el sistema y método de la presente
invención pueden ser utilizados también para valorar una gran
cantidad de fenómenos cerebrales que alteran la estructura de la
frecuencia no lineal del EEG, cuantificados por procedimientos
biespectrales y espectrales de orden más alto. Dichos fenómenos
cerebrales incluyen, sin limitarse a ellos, la isquemia cerebral,
hipoxia cerebral, nivel de consciencia/hipnosis, grado de
intoxicación cerebral, respuestas potenciales evocadas alteradas, y
procesos cognitivos normales y anormales causados por desórdenes
neurológicos tales como la enfermedad de Alzheimer o las demencias
relacionadas con el VIH.
Aunque las técnicas de análisis de potencia
espectral y biespectral han sido aplicadas a la señal del EEG con
fines de diagnóstico, como se ha expuesto en los antecedentes,
nunca se han utilizado procedimientos espectrales de orden más
alto. Además, nunca se han utilizado técnicas de potencia espectral,
biespectral, o espectral de orden más alto, en conjunción con el
método de clasificación antes descrito. Específicamente, el sistema
y método de la presente invención clasifica varias formaciones de
auto/cruce de potencia espectral, biespectral, y espectral de orden
más alto, divide los conjuntos clasificados en grupos dobles, y
suma las variables de cada tramo para calcular una variable, o
calcula una variable como valor estadístico derivado de los
conjuntos clasificadas o no clasificadas, o de un tramo de dichas
formaciones clasificadas o no clasificadas para calcular una
variable, o se selecciona un valor predeterminado de cada conjunto
clasificado o no clasificado de un tramo dentro del conjunto
clasificado o no clasificado para calcular una variable. Cada una de
las variables calculadas es multiplicada luego por un coeficiente
derivado clínicamente, y son sumadas juntas para generar un índice
de diagnóstico. Los conjuntos diferentes que pueden ser utilizadas
son: potencia espectral de auto/cruce, densidad biespectral de
auto/cruce, bicoherencia de auto/cruce, bifase de auto/cruce,
producto triple real medio de auto/cruce, densidad espectral de
orden K de auto/cruce, coherencia de orden k de auto/cruce, fase de
auto/cruce, y producto real de auto/cruce.
Aunque la invención expuesta se ha descrito con
referencia a realizaciones preferidas, los expertos en la técnica
podrán apreciar varias posibles alteraciones y modificaciones.
Todas dichas alteraciones y modificaciones están destinadas a
quedar dentro del alcance de las reivindicaciones adjuntas.
Claims (22)
1. Un método para generar un índice de
diagnóstico para cuantificar la presencia o ausencia de fenómenos
biopotenciales, cuyo método comprende las operaciones de:
-adquirir (506, 706) señales eléctricas de un
cuerpo vivo (15), cuyas señales eléctricas representan los
fenómenos biopotenciales;
-generar (508, 712, 812, 826, 912, 926) unos
valores espectrales a partir de dichas señales eléctricas
adquiridas;
-clasificar (1106) dichos valores espectrales en
al menos un tramo predeterminado de gamas de valores espectrales,
caracterizado por:
-seleccionar (1108) al menos una variable
representativa de los valores espectrales en cada uno de los
citados al menos un tramo;
-multiplicar (1112) dicha al menos una variable
seleccionada en cada uno de los citados al menos un tramo por un
coeficiente predeterminado para obtener un producto de tramo;
-sumar (1112) dichos productos de tramo para
obtener (510, 1112) un índice de diagnóstico que representa el
grado de presencia o ausencia de los citados fenómenos.
2. El método para generar un índice de
diagnóstico de la reivindicación 1, en el que dichos valores
espectrales son valores de espectro de potencia.
3. El método para generar un índice de
diagnóstico de la reivindicación 1, en el que dichos valores
espectrales son valores biespectrales.
4. El método para generar un índice de
diagnóstico de la reivindicación 1, en el que dichos valores
espectrales son valores espectrales de orden k, siendo k superior a
2.
5. El método para generar el índice de
diagnóstico de la reivindicación 1, en el que dicha al menos una
variable es la media aritmética de los valores espectrales del
citado tramo.
6. El método para generar un índice de
diagnóstico de la reivindicación 1, en el que dicha al menos una
variable es la mediana de los valores espectrales del citado
tramo.
7. El método para generar un índice de
diagnóstico de la reivindicación 1, en el que dicha al menos una
variable es la desviación típica de los valores espectrales en
dicho tramo.
8. El método para generar un índice de
diagnóstico de la reivindicación 1, en el que dicha al menos una
variable es el valor máximo de los valores espectrales en dicho
tramo.
9. El método para generar un índice de
diagnóstico de la reivindicación 1, en el que dicha al menos una
variable es el valor mínimo de los valores espectrales en dicho
tramo.
10. El método para generar un índice de
diagnóstico de la reivindicación 1, en el que dicha al menos una
variable es un valor posicional preseleccionado de dicho tramo.
11. El método para generar un índice de
diagnóstico de la reivindicación 1, en el que dicha al menos una
variable es una variable ordenada según un rango especificado.
12. Un sistema para generar un índice de
diagnóstico para cuantificar la presencia o ausencia de fenómenos
biopotenciales, cuyo sistema comprende:
-medios (13, 16, 406) para adquirir (506, 707)
señales eléctricas procedentes de un cuerpo vivo (15), cuyas
señales eléctricas representan los fenómenos biopotenciales;
-medios (408) para generar (508, 712, 812, 826,
912, 926) valores espectrales a partir de dichas señales eléctricas
adquiridas;
-medios (410) para clasificar (1106) dichos
valores espectrales en al menos un tramo predeterminado de gamas de
valores espectrales;
-medios (410) para seleccionar (1108) al menos
una variable representativa de los valores espectrales en cada uno
de los citados al menos un tramo;
-medios (410) para multiplicar (1112) dicha al
menos una variable seleccionada en cada uno de los citados al menos
un tramo, por un coeficiente predeterminado para obtener un producto
de tramo;
-medios (410) para sumar (1112) dichos productos
de tramo para obtener (510, 1112) un índice de diagnóstico que
represente un grado de presencia o ausencia de dichos
fenómenos.
13. El sistema para generar un índice de
diagnóstico de la reivindicación 12, en el que dichos valores
espectrales son valores de espectro de potencia.
14. El sistema para generar un índice de
diagnóstico de la reivindicación 12, en el que dichos valores
espectrales son valores biespectrales.
15. El sistema para generar un índice de
diagnóstico de la reivindicación 12, en el que dichos valores
espectrales son valores de orden k, siendo k superior a 2.
16. El sistema para generar un índice de
diagnóstico de la reivindicación 12, en el que dicha al menos una
variable es la media aritmética de los valores espectrales en dicho
tramo.
17. El sistema para generar un índice de
diagnóstico de la reivindicación 12, en el que dicha al menos una
variable es la mediana de los valores espectrales en dicho
tramo.
18. El sistema para generar un índice de
diagnóstico de la reivindicación 12, en el que dicha al menos una
variable es la desviación típica de los valores espectrales en
dicho tramo.
19. El sistema para generar un índice de
diagnóstico de la reivindicación 12, en el que dicha al menos una
variable es el valor máximo de los valores espectrales en dicho
tramo.
20. El sistema para generar un índice de
diagnóstico de la reivindicación 12, en el que dicha al menos una
variable es el valor mínimo de los valores espectrales en dicho
tramo.
21. El sistema para generar un índice de
diagnóstico de la reivindicación 12, en el que dicha al menos una
variable es un valor posicional preseleccionado de dicho tramo.
22. El sistema para generar un índice de
diagnóstico de la reivindicación 12, en el que dicha al menos una
variable es una variable ordenada según un rango especificado.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US08/257,356 US5458117A (en) | 1991-10-25 | 1994-06-09 | Cerebral biopotential analysis system and method |
US257356 | 1994-06-09 |
Publications (1)
Publication Number | Publication Date |
---|---|
ES2199994T3 true ES2199994T3 (es) | 2004-03-01 |
Family
ID=22975980
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
ES95922265T Expired - Lifetime ES2199994T3 (es) | 1994-06-09 | 1995-06-08 | Metodo y sistema de analisis del biopotencial del cerebro. |
Country Status (8)
Country | Link |
---|---|
US (1) | US5458117A (es) |
EP (1) | EP0764001B1 (es) |
JP (1) | JPH10501163A (es) |
AT (1) | ATE240077T1 (es) |
CA (1) | CA2191594C (es) |
DE (1) | DE69530768T2 (es) |
ES (1) | ES2199994T3 (es) |
WO (1) | WO1995033404A1 (es) |
Families Citing this family (135)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5579782A (en) | 1993-08-12 | 1996-12-03 | Omron Corporation | Device to provide data as a guide to health management |
DE19519267A1 (de) * | 1995-05-31 | 1996-12-05 | Christoph Herrmann | Verfahren und Einrichtung zum Auswerten von Elektroenzephalogramm-Aufnahmen |
WO1996038087A1 (fr) * | 1995-06-02 | 1996-12-05 | Colin Corporation | Detecteur de profondeur d'anesthesie |
JPH09271516A (ja) * | 1996-04-05 | 1997-10-21 | Nippon Koden Corp | 麻酔深度判定方法及び装置 |
EP0828225A1 (de) * | 1996-09-04 | 1998-03-11 | Siemens Aktiengesellschaft | Verfahren und Vorrichtung zum Auswerten von EEG-Daten |
US5899867A (en) * | 1996-10-11 | 1999-05-04 | Collura; Thomas F. | System for self-administration of electroencephalographic (EEG) neurofeedback training |
US5792069A (en) | 1996-12-24 | 1998-08-11 | Aspect Medical Systems, Inc. | Method and system for the extraction of cardiac artifacts from EEG signals |
DE19725214C1 (de) | 1997-06-15 | 1998-11-19 | Mario Dr Siebler | Vorrichtung zum Messen und Analysieren elektrischer Hirnströme |
DE69841655D1 (de) | 1997-09-23 | 2010-06-17 | Natus Medical Inc | Anordnung zur anzeige der schädigung der weissen hirnsubstanz und vorhersage der nervlichen entwicklung, insbesondere bei frühgeborenen |
US7747325B2 (en) | 1998-08-05 | 2010-06-29 | Neurovista Corporation | Systems and methods for monitoring a patient's neurological disease state |
US7231254B2 (en) | 1998-08-05 | 2007-06-12 | Bioneuronics Corporation | Closed-loop feedback-driven neuromodulation |
US7324851B1 (en) | 1998-08-05 | 2008-01-29 | Neurovista Corporation | Closed-loop feedback-driven neuromodulation |
US9113801B2 (en) | 1998-08-05 | 2015-08-25 | Cyberonics, Inc. | Methods and systems for continuous EEG monitoring |
US9375573B2 (en) | 1998-08-05 | 2016-06-28 | Cyberonics, Inc. | Systems and methods for monitoring a patient's neurological disease state |
US9415222B2 (en) | 1998-08-05 | 2016-08-16 | Cyberonics, Inc. | Monitoring an epilepsy disease state with a supervisory module |
US7277758B2 (en) | 1998-08-05 | 2007-10-02 | Neurovista Corporation | Methods and systems for predicting future symptomatology in a patient suffering from a neurological or psychiatric disorder |
US9042988B2 (en) | 1998-08-05 | 2015-05-26 | Cyberonics, Inc. | Closed-loop vagus nerve stimulation |
US7209787B2 (en) | 1998-08-05 | 2007-04-24 | Bioneuronics Corporation | Apparatus and method for closed-loop intracranial stimulation for optimal control of neurological disease |
US8762065B2 (en) | 1998-08-05 | 2014-06-24 | Cyberonics, Inc. | Closed-loop feedback-driven neuromodulation |
US7403820B2 (en) | 1998-08-05 | 2008-07-22 | Neurovista Corporation | Closed-loop feedback-driven neuromodulation |
US7242984B2 (en) | 1998-08-05 | 2007-07-10 | Neurovista Corporation | Apparatus and method for closed-loop intracranial stimulation for optimal control of neurological disease |
US6338713B1 (en) * | 1998-08-18 | 2002-01-15 | Aspect Medical Systems, Inc. | System and method for facilitating clinical decision making |
US6519486B1 (en) | 1998-10-15 | 2003-02-11 | Ntc Technology Inc. | Method, apparatus and system for removing motion artifacts from measurements of bodily parameters |
US7991448B2 (en) * | 1998-10-15 | 2011-08-02 | Philips Electronics North America Corporation | Method, apparatus, and system for removing motion artifacts from measurements of bodily parameters |
US6298255B1 (en) | 1999-06-09 | 2001-10-02 | Aspect Medical Systems, Inc. | Smart electrophysiological sensor system with automatic authentication and validation and an interface for a smart electrophysiological sensor system |
US6594521B2 (en) | 1999-12-17 | 2003-07-15 | Electrical Geodesics, Inc. | Method for localizing electrical activity in the body |
US6330470B1 (en) | 1999-12-17 | 2001-12-11 | Electrical Geodesics, Inc. | Method for localizing electrical activity in the body |
GB2359367B (en) | 2000-02-17 | 2003-11-05 | Univ Bristol | Monitoring electrical activity |
JP2003528682A (ja) * | 2000-03-31 | 2003-09-30 | ダンミーター・アクティーゼルスカブ | 聴覚誘発電位のモニタリング |
JP4817582B2 (ja) * | 2000-04-17 | 2011-11-16 | ザ・ユニバーシティー・オブ・シドニー | 視覚機能の対物電気生理学的評価方法および装置 |
US6731975B1 (en) | 2000-10-16 | 2004-05-04 | Instrumentarium Corp. | Method and apparatus for determining the cerebral state of a patient with fast response |
US6801803B2 (en) | 2000-10-16 | 2004-10-05 | Instrumentarium Corp. | Method and apparatus for determining the cerebral state of a patient with fast response |
US6718199B2 (en) * | 2000-10-27 | 2004-04-06 | Massachusetts Eye & Ear Infirmary | Measurement of electrophysiologic response |
DE10058230A1 (de) * | 2000-11-20 | 2002-05-29 | Gerald Ulrich | Verfahren zur Aufnahme und Bewertung von Elektroenzephalographie (EEG)-Ableitungen und Vorrichtung zur Ausführung dieses Verfahrens |
US7011410B2 (en) * | 2000-11-22 | 2006-03-14 | Eyetect, L.L.C. | Method and apparatus for monitoring eye tremor |
US6631291B2 (en) | 2001-05-18 | 2003-10-07 | Instrumentarium Corp. | Closed loop drug administration method and apparatus using EEG complexity for control purposes |
CN101401724A (zh) * | 2001-06-13 | 2009-04-08 | 康普麦迪克斯有限公司 | 用于监测意识的方法和设备 |
EP1401332A4 (en) * | 2001-06-13 | 2007-06-20 | Nervonix Inc | NON-INVASIVE METHOD AND APPARATUS FOR TISSUE DETECTION |
US7840250B2 (en) * | 2001-11-13 | 2010-11-23 | Electrical Geodesics, Inc. | Method for neural current imaging |
AU2003206411B2 (en) * | 2002-01-04 | 2008-10-23 | Covidien Lp | System and method of assessment of neurological conditions using EEG bispectrum |
US6795724B2 (en) * | 2002-02-19 | 2004-09-21 | Mark Bradford Hogan | Color-based neurofeedback |
US7738935B1 (en) * | 2002-07-09 | 2010-06-15 | Pacesetter, Inc. | Methods and devices for reduction of motion-induced noise in pulse oximetry |
US7373198B2 (en) * | 2002-07-12 | 2008-05-13 | Bionova Technologies Inc. | Method and apparatus for the estimation of anesthetic depth using wavelet analysis of the electroencephalogram |
US7089927B2 (en) * | 2002-10-23 | 2006-08-15 | New York University | System and method for guidance of anesthesia, analgesia and amnesia |
BRPI0410296A (pt) * | 2003-05-06 | 2006-05-16 | Aspect Medical Systems Inc | sistema e método para a determinação da eficácia de tratamento de distúrbios neurológicos utilizando o eletroencefalograma |
AU2003241369A1 (en) * | 2003-05-06 | 2005-01-21 | Everest Biomedical Instruments | Anesthesia and sedation monitoring system and method |
US7706871B2 (en) * | 2003-05-06 | 2010-04-27 | Nellcor Puritan Bennett Llc | System and method of prediction of response to neurological treatment using the electroencephalogram |
US7509161B2 (en) * | 2003-10-22 | 2009-03-24 | Instrumentarium Corporation | Method and apparatus for determining the cerebral state of a patient using generalized spectral entropy of the EEG signal |
US7731360B2 (en) * | 2003-11-07 | 2010-06-08 | Neuro Kinetics | Portable video oculography system |
CN100538713C (zh) * | 2003-12-23 | 2009-09-09 | 广州可夫医疗科技有限公司 | 一种脑电涨落信号分析设备 |
US7433732B1 (en) * | 2004-02-25 | 2008-10-07 | University Of Florida Research Foundation, Inc. | Real-time brain monitoring system |
JP2005261488A (ja) * | 2004-03-16 | 2005-09-29 | Omron Healthcare Co Ltd | 体組成計 |
US20050280531A1 (en) * | 2004-06-18 | 2005-12-22 | Fadem Kalford C | Device and method for transmitting physiologic data |
US20060058700A1 (en) * | 2004-08-26 | 2006-03-16 | Marro Dominic P | Patient sedation monitor |
JP2008517636A (ja) * | 2004-08-30 | 2008-05-29 | サザン イリノイ ユニバーシティ カーボンデイル | 生体電位波形データ結合解析及び分類装置 |
US20060085048A1 (en) * | 2004-10-20 | 2006-04-20 | Nervonix, Inc. | Algorithms for an active electrode, bioimpedance-based tissue discrimination system |
WO2006044868A1 (en) * | 2004-10-20 | 2006-04-27 | Nervonix, Inc. | An active electrode, bio-impedance based, tissue discrimination system and methods and use |
EP1824559A4 (en) * | 2004-10-23 | 2009-04-01 | John O Bell | PASSIVE MONITORING OF BIOELECTRIC SIGNALS AND ACTIVE ELECTRICAL ANESTHESIA STIMULATION |
AU2006204963B2 (en) * | 2005-01-12 | 2011-12-01 | Covidien Lp | System and method for prediction of adverse events during treatment of psychological and neurological disorders |
US8574156B2 (en) * | 2005-07-05 | 2013-11-05 | General Electric Company | Determination of the clinical state of a subject |
US8190249B1 (en) * | 2005-08-01 | 2012-05-29 | Infinite Biomedical Technologies, Llc | Multi-parametric quantitative analysis of bioelectrical signals |
AU2006280946B2 (en) | 2005-08-19 | 2013-05-02 | Neuronetrix Solutions, Llc | Controller for neuromuscular testing |
CA2631687A1 (en) * | 2005-12-01 | 2007-06-07 | Lexicor Medical Technology, Llc | Systems and methods for analyzing and assessing depression and other mood disorders using electroencephalographic (eeg) measurements |
US8868172B2 (en) | 2005-12-28 | 2014-10-21 | Cyberonics, Inc. | Methods and systems for recommending an appropriate action to a patient for managing epilepsy and other neurological disorders |
US8725243B2 (en) | 2005-12-28 | 2014-05-13 | Cyberonics, Inc. | Methods and systems for recommending an appropriate pharmacological treatment to a patient for managing epilepsy and other neurological disorders |
CA2647729A1 (en) * | 2006-03-31 | 2007-10-11 | Aspect Medical Systems, Inc. | System and method of assessing analgesic adequacy using biopotental variability |
DE102006017716A1 (de) * | 2006-04-15 | 2007-10-18 | Forschungszentrum Jülich GmbH | Vorrichtung zur Messung biomedizinischer Daten eines Probanden und Verfahren zur Stimulation des Probanden mit in Echtzeit verarbeiteten Daten |
US20080027347A1 (en) | 2006-06-23 | 2008-01-31 | Neuro Vista Corporation, A Delaware Corporation | Minimally Invasive Monitoring Methods |
US8295934B2 (en) | 2006-11-14 | 2012-10-23 | Neurovista Corporation | Systems and methods of reducing artifact in neurological stimulation systems |
US20080183097A1 (en) | 2007-01-25 | 2008-07-31 | Leyde Kent W | Methods and Systems for Measuring a Subject's Susceptibility to a Seizure |
EP2126785A2 (en) | 2007-01-25 | 2009-12-02 | NeuroVista Corporation | Systems and methods for identifying a contra-ictal condition in a subject |
US7385443B1 (en) * | 2007-01-31 | 2008-06-10 | Medtronic, Inc. | Chopper-stabilized instrumentation amplifier |
US7391257B1 (en) * | 2007-01-31 | 2008-06-24 | Medtronic, Inc. | Chopper-stabilized instrumentation amplifier for impedance measurement |
US9615744B2 (en) * | 2007-01-31 | 2017-04-11 | Medtronic, Inc. | Chopper-stabilized instrumentation amplifier for impedance measurement |
US8265769B2 (en) * | 2007-01-31 | 2012-09-11 | Medtronic, Inc. | Chopper-stabilized instrumentation amplifier for wireless telemetry |
US8036736B2 (en) | 2007-03-21 | 2011-10-11 | Neuro Vista Corporation | Implantable systems and methods for identifying a contra-ictal condition in a subject |
US8090446B2 (en) * | 2007-04-19 | 2012-01-03 | Advanced Neuromodulation Systems, Inc. | Methods and systems for establishing neural stimulation parameters and providing neural stimulation |
US8781595B2 (en) | 2007-04-30 | 2014-07-15 | Medtronic, Inc. | Chopper mixer telemetry circuit |
US9788744B2 (en) | 2007-07-27 | 2017-10-17 | Cyberonics, Inc. | Systems for monitoring brain activity and patient advisory device |
JP5219440B2 (ja) * | 2007-09-12 | 2013-06-26 | キヤノン株式会社 | 測定装置 |
WO2009042170A1 (en) * | 2007-09-26 | 2009-04-02 | Medtronic, Inc. | Therapy program selection |
US8380314B2 (en) * | 2007-09-26 | 2013-02-19 | Medtronic, Inc. | Patient directed therapy control |
US20090082691A1 (en) * | 2007-09-26 | 2009-03-26 | Medtronic, Inc. | Frequency selective monitoring of physiological signals |
WO2009051638A1 (en) | 2007-10-16 | 2009-04-23 | Medtronic, Inc. | Therapy control based on a patient movement state |
JP4145344B1 (ja) * | 2007-10-18 | 2008-09-03 | 株式会社脳機能研究所 | 脳活動測定装置 |
US20090171168A1 (en) | 2007-12-28 | 2009-07-02 | Leyde Kent W | Systems and Method for Recording Clinical Manifestations of a Seizure |
US9259591B2 (en) | 2007-12-28 | 2016-02-16 | Cyberonics, Inc. | Housing for an implantable medical device |
WO2009094050A1 (en) * | 2008-01-25 | 2009-07-30 | Medtronic, Inc. | Sleep stage detection |
US9655515B2 (en) * | 2008-04-08 | 2017-05-23 | Neuro Kinetics | Method of precision eye-tracking through use of iris edge based landmarks in eye geometry |
US8626264B1 (en) * | 2008-04-09 | 2014-01-07 | James T. Beran | Obtaining information about brain activity |
US9039631B2 (en) | 2008-10-09 | 2015-05-26 | Neuro Kinetics | Quantitative, non-invasive, clinical diagnosis of traumatic brain injury using VOG device for neurologic testing |
US8585609B2 (en) * | 2008-10-09 | 2013-11-19 | Neuro Kinetics, Inc. | Quantitative, non-invasive, clinical diagnosis of traumatic brain injury using simulated distance visual stimulus device for neurologic testing |
US10398309B2 (en) | 2008-10-09 | 2019-09-03 | Neuro Kinetics, Inc. | Noninvasive rapid screening of mild traumatic brain injury using combination of subject's objective oculomotor, vestibular and reaction time analytic variables |
US8478402B2 (en) * | 2008-10-31 | 2013-07-02 | Medtronic, Inc. | Determining intercardiac impedance |
US8849390B2 (en) | 2008-12-29 | 2014-09-30 | Cyberonics, Inc. | Processing for multi-channel signals |
US8588933B2 (en) | 2009-01-09 | 2013-11-19 | Cyberonics, Inc. | Medical lead termination sleeve for implantable medical devices |
US8786624B2 (en) | 2009-06-02 | 2014-07-22 | Cyberonics, Inc. | Processing for multi-channel signals |
WO2011025953A1 (en) * | 2009-08-28 | 2011-03-03 | Lexicor Medical Technology, Llc | Systems and methods to identify a subgroup of adhd at higher risk for complicating conditions |
US9770204B2 (en) | 2009-11-11 | 2017-09-26 | Medtronic, Inc. | Deep brain stimulation for sleep and movement disorders |
US9643019B2 (en) | 2010-02-12 | 2017-05-09 | Cyberonics, Inc. | Neurological monitoring and alerts |
US20120053433A1 (en) | 2010-08-24 | 2012-03-01 | Nellcor Puritan Bennett Llc | SYSTEM AND METHOD TO DETERMINE SpO2 VARIABILITY AND ADDITIONAL PHYSIOLOGICAL PARAMETERS TO DETECT PATIENT STATUS |
US9211411B2 (en) | 2010-08-26 | 2015-12-15 | Medtronic, Inc. | Therapy for rapid eye movement behavior disorder (RBD) |
CN102397068A (zh) * | 2010-09-15 | 2012-04-04 | 梅磊 | 搜索人脑神经递质信息和人脑复杂网络信息的测量装置 |
EP2621333B1 (en) | 2010-09-28 | 2015-07-29 | Masimo Corporation | Depth of consciousness monitor including oximeter |
US9775545B2 (en) | 2010-09-28 | 2017-10-03 | Masimo Corporation | Magnetic electrical connector for patient monitors |
PT105402A (pt) | 2010-11-24 | 2012-05-24 | Univ Tras Os Montes E Alto Douro | Método e dispositivo para a avaliação do estado anestésico durante a anestesia ou sedação baseada no electroencefalograma |
EP2535000A1 (en) * | 2011-06-17 | 2012-12-19 | Technische Universität München | Method and system for quantifying anaesthesia or a state of vigilance |
KR102432709B1 (ko) | 2011-07-25 | 2022-08-12 | 치타 메디컬, 인코퍼레이티드 | 혈류역학 감시 방법 및 시스템 |
CN102793534A (zh) * | 2012-07-11 | 2012-11-28 | 广西威利方舟科技有限公司 | 麻醉深度监控装置及方法 |
US8808179B1 (en) | 2012-08-06 | 2014-08-19 | James Z. Cinberg | Method and associated apparatus for detecting minor traumatic brain injury |
AU2013380260B2 (en) * | 2013-02-27 | 2016-09-29 | T&W Engineering A/S | Electrode and leakage current testing in an EEG monitor with an implantable part |
US9521979B2 (en) | 2013-03-15 | 2016-12-20 | Medtronic, Inc. | Control of spectral agressors in a physiological signal monitoring device |
US9439150B2 (en) | 2013-03-15 | 2016-09-06 | Medtronic, Inc. | Control of spectral agressors in a physiological signal montoring device |
US9849241B2 (en) | 2013-04-24 | 2017-12-26 | Fresenius Kabi Deutschland Gmbh | Method of operating a control device for controlling an infusion device |
DE102013015427A1 (de) * | 2013-09-18 | 2015-03-19 | Universitätsklinikum Erlangen | Verfahren und Vorrichtung zur Messung der zerebralen Perfusion |
US9955894B2 (en) * | 2014-01-28 | 2018-05-01 | Covidien Lp | Non-stationary feature relationship parameters for awareness monitoring |
US9924904B2 (en) | 2014-09-02 | 2018-03-27 | Medtronic, Inc. | Power-efficient chopper amplifier |
US10111617B2 (en) | 2014-09-22 | 2018-10-30 | Covidien Lp | Systems and methods for EEG monitoring |
WO2016057553A1 (en) | 2014-10-07 | 2016-04-14 | Masimo Corporation | Modular physiological sensors |
CN104605839A (zh) * | 2015-02-05 | 2015-05-13 | 广州市润杰医疗器械有限公司 | 一种昏迷患者苏醒预测方法 |
US10835174B2 (en) | 2016-01-12 | 2020-11-17 | Covidien Lp | System and method for monitoring cerebral activity |
US10909177B1 (en) * | 2017-01-17 | 2021-02-02 | Workday, Inc. | Percentile determination system |
IT201700039369A1 (it) * | 2017-04-10 | 2018-10-10 | Giuliano Ravasio | Dispositivo per il calcolo dell'indice bispettrale |
WO2018226809A1 (en) | 2017-06-07 | 2018-12-13 | Covidien Lp | Systems and methods for detecting strokes |
US11723579B2 (en) | 2017-09-19 | 2023-08-15 | Neuroenhancement Lab, LLC | Method and apparatus for neuroenhancement |
US11717686B2 (en) | 2017-12-04 | 2023-08-08 | Neuroenhancement Lab, LLC | Method and apparatus for neuroenhancement to facilitate learning and performance |
WO2019133997A1 (en) | 2017-12-31 | 2019-07-04 | Neuroenhancement Lab, LLC | System and method for neuroenhancement to enhance emotional response |
US11364361B2 (en) | 2018-04-20 | 2022-06-21 | Neuroenhancement Lab, LLC | System and method for inducing sleep by transplanting mental states |
CN108618778B (zh) * | 2018-05-07 | 2019-07-02 | 惠州善雅医疗器械有限公司 | 一种麻深指数计算方法及麻醉深度监护仪 |
EP3849410A4 (en) | 2018-09-14 | 2022-11-02 | Neuroenhancement Lab, LLC | SLEEP ENHANCEMENT SYSTEM AND METHOD |
JP7083471B2 (ja) * | 2018-09-26 | 2022-06-13 | 株式会社国際電気通信基礎技術研究所 | 推定装置、推定プログラムおよび推定方法 |
CN109498004A (zh) * | 2019-01-04 | 2019-03-22 | 深圳市舟洁信息咨询服务有限公司 | 一种麻醉数据监控系统和方法 |
US11786694B2 (en) | 2019-05-24 | 2023-10-17 | NeuroLight, Inc. | Device, method, and app for facilitating sleep |
CN114340482A (zh) | 2019-07-26 | 2022-04-12 | 奥里迪恩医疗1987有限公司 | 自适应麻醉深度监测器 |
WO2021257548A1 (en) | 2020-06-18 | 2021-12-23 | Diagnostyx, Inc. | Treatment of neurological abnormalities using dynamic electroencephalography |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3863625A (en) * | 1973-11-02 | 1975-02-04 | Us Health | Epileptic seizure warning system |
US4407299A (en) * | 1981-05-15 | 1983-10-04 | The Children's Medical Center Corporation | Brain electrical activity mapping |
US4557270A (en) * | 1983-08-23 | 1985-12-10 | New York University | Electroencephalographic system for intra-operative open-heart surgery |
US4846190A (en) * | 1983-08-23 | 1989-07-11 | John Erwin R | Electroencephalographic system data display |
US4697598A (en) * | 1985-04-25 | 1987-10-06 | Westinghouse Electric Corp. | Evoked potential autorefractometry system |
US4753246A (en) * | 1986-03-28 | 1988-06-28 | The Regents Of The University Of California | EEG spatial filter and method |
US4705049A (en) * | 1986-08-04 | 1987-11-10 | John Erwin R | Intraoperative monitoring or EP evaluation system utilizing an automatic adaptive self-optimizing digital comb filter |
US4905285A (en) * | 1987-04-03 | 1990-02-27 | American Telephone And Telegraph Company, At&T Bell Laboratories | Analysis arrangement based on a model of human neural responses |
US4907597A (en) * | 1987-10-09 | 1990-03-13 | Biometrak Corporation | Cerebral biopotential analysis system and method |
US5010891A (en) * | 1987-10-09 | 1991-04-30 | Biometrak Corporation | Cerebral biopotential analysis system and method |
EP0355506B1 (de) * | 1988-08-16 | 1994-12-14 | Siemens Aktiengesellschaft | Anordnung zum Messen lokaler bioelektrischer Ströme in biologischen Gewebekomplexen |
US5320109A (en) * | 1991-10-25 | 1994-06-14 | Aspect Medical Systems, Inc. | Cerebral biopotential analysis system and method |
-
1994
- 1994-06-09 US US08/257,356 patent/US5458117A/en not_active Expired - Lifetime
-
1995
- 1995-06-08 WO PCT/US1995/007310 patent/WO1995033404A1/en active IP Right Grant
- 1995-06-08 JP JP8501313A patent/JPH10501163A/ja active Pending
- 1995-06-08 CA CA002191594A patent/CA2191594C/en not_active Expired - Lifetime
- 1995-06-08 ES ES95922265T patent/ES2199994T3/es not_active Expired - Lifetime
- 1995-06-08 AT AT95922265T patent/ATE240077T1/de not_active IP Right Cessation
- 1995-06-08 DE DE69530768T patent/DE69530768T2/de not_active Expired - Lifetime
- 1995-06-08 EP EP95922265A patent/EP0764001B1/en not_active Expired - Lifetime
Also Published As
Publication number | Publication date |
---|---|
JPH10501163A (ja) | 1998-02-03 |
DE69530768D1 (de) | 2003-06-18 |
ATE240077T1 (de) | 2003-05-15 |
EP0764001A1 (en) | 1997-03-26 |
WO1995033404A1 (en) | 1995-12-14 |
DE69530768T2 (de) | 2004-03-18 |
EP0764001A4 (en) | 1998-06-10 |
US5458117A (en) | 1995-10-17 |
CA2191594A1 (en) | 1995-12-14 |
EP0764001B1 (en) | 2003-05-14 |
CA2191594C (en) | 2005-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
ES2199994T3 (es) | Metodo y sistema de analisis del biopotencial del cerebro. | |
EP0610365B1 (en) | Cerebral biopotential analysis system and method | |
US9357965B2 (en) | System and method for guidance of anesthesia, analgesia and amnesia | |
Cascella | Mechanisms underlying brain monitoring during anesthesia: limitations, possible improvements, and perspectives | |
EP1854404B1 (en) | Monitoring of the state of the central nervous system of a subject | |
US20110172553A1 (en) | QEEG Statistical Low Resolution Tomographic Analysis | |
Chatrian et al. | IFCN recommended standards for electrophysiologic monitoring in comatose and other unresponsive states. Report of an IFCN committee | |
JPH04504516A (ja) | 脳のバイオポテンシャル分析システム及び方法 | |
EP3831286A1 (en) | System and method for predicting depth of anesthesia | |
WO2016029211A1 (en) | Systems and methods for discovery and characterization of neuroactive drugs | |
Kaiser et al. | Comorbidity-dependent changes in alpha and broadband electroencephalogram power during general anaesthesia for cardiac surgery | |
Freye | Cerebral monitoring in the operating room and the intensive care unit | |
Dubost et al. | Quantitative assessment of consciousness during anesthesia without EEG data | |
Rajna et al. | Task related difference EEG spectrum–a new diagnostic method for neuropsychiatric disorders | |
Schüler | The Effect of Ketamine on Depth of Hypnosis Indices During Total Intravenous Anesthesia–a Comparative Study Using a Novel Case Replay System | |
Freye | Cerebral Monitoring in the OR and ICU | |
Lonishin | EEG changes and C-Trend parameters in healthy patients during induction of anesthesia | |
Lievestro et al. | P12-S Frontotemporal electrode set for ICU bedside cEEG monitoring for comatose patients after cardiac arrest | |
Hramov et al. | Wavelet Approach to the Study of Rhythmic Neuronal Activity |