JP2004033673A

JP2004033673A - 脳内発作発現を予測し検出する統合確率フレームワークおよび多重治療デバイス

Info

Publication number: JP2004033673A
Application number: JP2002217294A
Authority: JP
Inventors: Javier Ramon Echauz; エチャウズ，　ハビア　ラモン; Brian Litt; リット，　ブライアン; Rosana Esteller; エステラー，　ロザーナ; George John Vachtsevanos; バッチェスバノス，　ジョージ　ジョン
Original assignee: University of Pennsylvania Penn
Current assignee: University of Pennsylvania Penn
Priority date: 2002-06-21
Filing date: 2002-06-21
Publication date: 2004-02-05

Abstract

【課題】癲癇発作発現を予測して検出する方法および装置であって、これによりデバイスの一部が自動的に、発作の確率に応じて温和的から積極的までの範囲において多重治療の進行を提供することを可能にする。
【解決手段】新規のコンピュータ知能アルゴリズムに基づいて、ＩＥＥＧまたは他の信号から導かれた観測ｘが与えられた場合、次のＴ分内に一または複数の発作が始まる確率を表す実際的な事後確率関数Ｐ（Ｓ_Ｔ｜ｘ）は複数の予測時間ホライゾン対して定期的に合成される。アラーム活性化または治療活性化のための最適に決定されたしきい値と結合した場合、このように定義された確率により、時間分解能の相乗効果的対数型アレイで、イベントの予測時間位置測定が提供され、このように、単一分解能システムの性能対予測ホライゾン二律背反が効果的に回避び積極的治療にそれぞれ対応するように作成される。
【選択図】　図１

Description

【０００１】
【発明の属する技術分野】
本出願は、同一発明者の、連続番号が弁護士事件整理番号Ｉ０８０１０２０であり、表題が「Ａｄａｐｔｉｖｅ　Ｍｅｔｈｏｄ　ｆｏｒ　Ｆｏｒｅｃａｓｔｉｎｇ　ａｎｄ　Ｃｏｎｔｒｏｌｌｉｎｇ　Ｎｅｕｒｏｌｏｇｉｃａｌ　Ｄｉｓｔｕｒｂａｎｃｅ　Ｕｎｄｅｒ　ａ　Ｍｕｌｔｉｌｅｖｅｌ　Ｃｏｎｔｒｏｌ」である同時係属中の特許出願に関連するものである。また、本出願は２０００年３月２日に特許協力条約（ＰＣＴ）下で出願された国際出願番号第ＷＯ　００／１０４５５号に関連するものである。これらの関連する特許出願は本明細書において十分にこの記述を参照することにより援用する。
【０００２】
本発明は、脳の神経疾患を治療する医療デバイスの分野に属する。さらに詳細には、本発明は、総合多重分解能確率フレームワーク内において、癲癇性発作の発現を予測して検出する、方法および一部分または全体部分が埋め込まれる装置を指向するものであり、それにより、このデバイスの一部分が、最小限の必要な治療介入およびそれに伴う副作用で、発作の経過を抑制するために、発作の確率に応じて温和的から積極的に至る範囲において、複数の治療を自動的に進行させることが可能になる。
【０００３】
【従来の技術および発明が解決しようとする課題】
脳卒中を除いて、癲癇は脳の最も発症率の高い神経疾患である。世界の人口の１％から２％程度と推測される人達の生活の質を著しく損なう再発性の発作が特徴である。薬物療法が最も一般的な治療形態であるが、それらの有効性は限られている。患者の３０％までが薬による発作の制御に失敗しており、さらに３０％の患者が深刻な副作用を経験し、通常の生活をおくるのが不可能である。
【０００４】
差し迫る発作に応答して警告を出しおよび／または治療的に介入することが可能な個人用デバイスは、少なくとも癲癇に悩む人たちが自分自身危険から逃れ（例えば、車を運転するのを中止する）、最良の場合には、発作を起こす時間にさえ注意を払わなくなるぐらい、発作から開放されることが可能になるだろう。このようなデバイスは連続時間閉鎖式制御ループで動作し、そこでは治療は測定結果にすぐ反応する（これはループ内に患者自身のアクションも含まれる）。
【０００５】
癲癇に悩む患者の生活の質を向上するのに応用される閉鎖型ループ応答システムに関する従来技術がこの分野において今日までに幾つか提案されて来ていることは知られている。従来のシステムはすべて次の欠点を有している。（１）視覚的に明確な変化のみを生信号で検出する。従って、発作の制御は患者が実際に各発作を起こし始めた後に試みられる。（２）決定論的なアプローチを採用しており、この問題の不確実さおよび複雑さに直面するには不適切である。（３）結論に対する確かさを測る手段が提供されていない。（４）無条件で単一（無限の）時間分解能を仮定しており、発作検出には適切である場合もあるが予測には適切でない。（５）制御スキームを提案しており、検出により決まるトリガーの瞬間においてのみ閉鎖型ループである（その時点よりも先の治療は開放型ループであり、本発明においてはトリガー開放型ループ制御と呼ぶ）。（６）状況に応じて温和的から積極的に至る範囲で等級付けされる治療をもたらさない。（７）副作用を考慮しない。（８）最適性判定基準によりガイドされない検出スキームを意味している。（９）単一インプット特徴もしくは同質の複数の特徴（例えば、周波数帯域の電力）、または少数の相関の取れていない特徴に依存している。（１０）同一の特徴を全ての患者に利用しており、患者特有の特徴を利用していない。（１１）オフライン分析のための適切なサンプルデータを転送しない。（１２）ほとんどコンピュータ知能を有しておらず、時間と共に自動的に性能を向上させ且つ維持していくような学習能力を有しておらず、演算知能も殆んどない。（１３）結合特徴の無条件尤度比関数の代りに、別の単一特徴に直接しきい値を与え、それにより最適ではない判定ルールを生じている。（１４）発作／発作前の間違った事前確率を用いて発作検出器／予測器のトレーニングおよび／または試験（生データ記録または臨床治験に反映されているように）をおこなうと、訂正しなければならないような様々な歪みを引き起こす、という事実を把握していない。
【０００６】
本発明は従来技術のすべての不利益および限界を克服することを指向している。
【０００７】
【課題を解決するための手段】
本発明は、統合多重分解能確率論的フレームワーク内において癲癇発作発現を予測するとともに検出し、最小限の必要な治療および関連する副作用のみで発作の強度、持続時間、頻度、および広がりを防止、中止、または緩和するために、発作の確率に応じて温和的治療から積極的治療までの範囲において、デバイスの一部が自動的に複数の治療を進行することが可能である方法および一部または全部が埋め込まれている装置を指向するものである。新規のコンピュータ知能アルゴリズムに基づくと、次のΤ分内に一または複数の発作が始まる確率を表す現実的な事後確率関数Ｐ（Ｓ_Ｔ｜ｘ）は、頭蓋内のＥＥＧ（ＩＥＥＧ）または他の信号から導かれる観測ｘが与えられると、複数の時間ホライゾン（スケールΤまたは分解能１／Τ）、例えば、１秒、１分、１０分、および１時間等に対して定期的に合成される。アラームまたは治療活性化用の最適に決定されたしきい値と結合された場合、この方法で定義された確率は、時間分解能の相乗効果的対数型アレイで、イベントの予測時間位置が提供され、このようにして、単一分解能における性能対予測ホライゾンの二律背反を効果的に回避している。例えば、発作の発現時間を今から正確に９分５８秒後であると予測するのは非現実的であるが、その発現が次の１０分以内のいずれかの時間に発生すると予測することは現実的であるとともに有益なことであり、その時間内にその発作は温和的な形式の治療を用いて防止することが可能である。より長期の予測時間スケールおよびより短期の予測時間スケールはそれぞれ温和的な治療および積極的な治療に対応するようにされている。信頼性の程度および患者の状態のこまやかな観測と加えて、確率はイベントの緊急性の程度として有益に取り扱うことが可能である。このような程度は次に一旦活性化が誘発されると発作前の開放型制御またはフィードバック制御の間、治療処置の投薬量および他のパラメータを調節する役目をする。高速発作発現検出は、フレームワーク内に、最短時間ホライゾンにおけるまたは負の時間ホライゾンにさえおける予測の縮退フォームとして統合される。確率的予測を検出し患者の生活の質を時間と共に改善する戦略を制御するための学習にデバイスが必要とされる。生活の質指標（ＱＯＬＩ）は、患者特有の信号特徴の最適化の総合的なガイドとして利用され、多重治療活性化判定論理として利用され、および患者が実際良くなっているか立証するために利用される。
【０００８】
本発明の特徴的なテーマは、発作のエレクトログラフ発現のかなり前に、そして生理学的な生の信号の変化がヒューマンエキスパートに視覚的にはっきりとなる前に、ほとんどの患者および状況で、予測が実現するということである。これらの予測ウィンドウは、温和的なフォームの治療処置で始め必要なときだけ多重治療体制へと拡大して、発作を封じるのに充分な時間を与え余裕がある。故に、本発明の主目的は、必要とされる治療処置とそれらに付随する副作用を最小限にして用い、脳内の発作を回避することにある。
【０００９】
本発明は異質の複数の信号特徴の相乗作用を利用している。特徴は豊かな特徴ライブラリからアクセスされ、瞬時特徴、履歴特徴、空間特徴、および人工的特徴が含まれる。患者特有の信号特徴が活用されている。各患者および予測ホライゾンのために、従来の特徴は特別に探索され、人工的特徴は特別に作られ、予測性能およびコンピュータ要件は最適化される。本発明は並列に複数の時間分解能の相乗作用を活用する。
【００１０】
本発明は、発現が生じると予測される時間フレームおよびこれらの予測の信頼性の程度を示すために、予測ホライゾン／分解能に対応付けして、将来の発作の確率を表示する。
【００１１】
これらの確率の数値は、多重治療活性化判定論理およびトリガー開放型ループまたはフィードバック制御法則／アクチュエータからなる、階層型発作制御装置内の被制御変数として用いることにより意図的に影響を与えることができる。
【００１２】
多重治療活性化判定はユーザが選択する分類子をベースにした最適化判定基準（例えば、最小誤差、最小誤差リスク、最小総合リスク、および一定の偽陰性下における最小偽陽性等）に基づき、これらすべてはさらにＱＯＬＩを最大化する方向に向けられ得る。本発明は、優れた時間分解能で、発作発現の検出を予測の縮退フォームとして統合する。
【００１３】
治療法はデバイスが初期に認識するように設計されているパターンでさえも変更することが可能なので、発作予測制御装置（または、発作発現検出制御装置）は学習能力を有すべきであり、そうでなければ、効果がなくなるのも時間の問題だけである。故に、本発明のさらなる主目的は、デバイスが時間と共にその性能を向上させ且つ維持するのに必要な新規のコンピュータ知能学習アルゴリズムを提供することにある。このような方法には、トレーニングデータから不正確に推論された前回の発作前／発作の確率とこれらのイベントの患者の現実の確率との間のミスマッチを訂正する能力が含まれる。
【００１４】
本発明の上記および他の新規の特徴、目的、および利点は、添付図面参照した以下の好ましい実施例の記述により当業者が理解するであろう。
【００１５】
【発明の実施の形態】
本発明は、統合多重分解能確率フレームワーク内で発作疾患の発現を予測して検出する方法および装置であって、その装置の一部が自動的に複数の治療を進行することができる方法および装置を指向するものである。これらの治療は、発作の強度、持続時間、頻度、および広がりを防止、中止、または緩和するために、発作の確率に応じて温和的治療から積極的治療までの範囲におよぶものである。
【００１６】
図１は、本発明に準ずるオンライン動作モードにおける発作予測および制御システム１０の基本設計概念の一例を示している。信号取得部２０は調子を整える（増幅、フィルター、分離、および多重化等）とともに複数の生信号、好ましくは頭蓋内のＥＥＧ（ＩＥＥＧ）をデジタル化する。獲得した多重チャネルデータはプリプロセス３０され、アーチファクト、例えばすべての残留６０Ｈｚ混成、および変換機接触不良等を減衰する。場合によっては、プリプロセスに関連するが一般的ではない他のステップは特徴抽出アルゴリズムの一部であると考えられ得る。これらの例としては、二つの参照信号の両極導出、および振幅の平均および標準偏差の指数関数的重み付け移動平均（ＥＷＭＡ）に基づく信号振幅のリカレント正規化等が含まれる。この部分のバッファは特徴抽出アルゴリズムに用いられる現在および過去のデータのスライド式観測ウィンドウを実現し、スパン期間は予測ホライゾンΤの１から１０倍が通常である。データをサブサンプリングすることにより、バッファサイズを固定したままでいることが可能になる。
【００１７】
特徴抽出部４０は選択可能なアルゴリズムおよび数式を有しており、高次元のプリプロセスされた信号から適切な発作予測および発作指示属性を抽出する。スライド式観測ウィンドウ内の多重チャネルデータ（通常、４００から数十万の数）は、各時間スケールに対して、１０以下の特徴（通常、完全なベクトルの状態で４０以下の数）を有する低次元のベクトル［ｘ_１，　ｘ_２，　…ｘ_ｎ］に変換される。特徴とは、生データのもう一つの空間への任意の線形または非線形な射影であり得るし、特別のケースとしては、圧縮されていない同じ生データも含まれる。特徴は生データのサンプリング速度（例えば、２００Ｈｚ）と同じ速さで更新され得るが、典型的には最も速い特徴サンプリングは０．４５秒ごとに一回と設定されている。さらに長期のホライゾン特徴は、５０％以上スライド式ウィンドウ重複判定基準によると、より低頻度で更新され得る。考え得る従来のすべての特徴とは異なって、この特徴ベクトルは患者特有のものであり、瞬時特徴、履歴特徴、空間特徴、および人工的特徴からなる豊かな特徴ライブラリから最適に利用さる。一つの例示的な特徴ライブラリは同時係属中の出願連続番号（弁護士事件整理番号Ｉ０８０　１０２０）に開示されている。役に立つ特徴の例としては、累積エネルギー断面、クイックフラクタル次元（曲線長）、ウェーブレット係数の絶対値、非線形エネルギー、スペクトルエントロピー、前駆症状テンプレート、任意特徴の統計的モーメント、およびカスタムメイドの遺伝子学的に見つけられ神経学的に演算される特徴等が含まれる。
【００１８】
完全な特徴ベクトルｘは構成サブベクトルに逆多重化され、それぞれは特定の時間スケールｘ　＝　［ｘ^（６０）　ｘ^（１０）　ｘ^（１）　ｘ^{（−１／３０）}］に対応する（簡潔にするために、時間スケールの上付き文字は以下省略する）。同様に、特徴抽出部４０は異なる観測ウィンドウから特徴ベクトルを個々に演算するサブシステムとして実現され得る。ウェーブレットニューラルネットワークまたは他の任意のユニバーサルアプロキシメータにより実現される各確率推定量Ｐ（Ｓ_Ｔ｜ｘ）は、一または複数の発作が次のΤ分内のいずれかの時間に始まる確率を演算するために、その特徴ベクトルｘの挙動に関する最近の集合的な知識から導かれる。図１において、Τは６０分、１０分、１分、および−１／３０分である。後の方はエレクトログラフ発作の最初の２秒内の発作発現検出器を定義する。ホライゾンΤは平均発作間周期の約４分の１を超えるべきでない（例えば、患者に一日に一発作が起きる場合、次の日までの予測、一週間以内の予測、または一年以内の発作の予測ならば参考にはならないが、次の６時間またはそれ未満内の予測ならば徐々に役に立って来る）。プリカーサが生じた後に、発作までの残りの正確な時間を判定しようと試みる単一分解能システムの代りに、複数の時間分解能の相乗作用を利用する対数様アレイが、プリカーサが起き得る複数の時間フレームで広い範囲を網羅するのに利用されている。これは、ＳΤイベントが定義されている方法と関連して、単一分解能システムの性能対予測ホライゾンの二律背反を効果的に回避する。
【００１９】
事後確率は、特徴ベクトルｘが発作前状態と発作後状態では異なる挙動を示す程度に、発作前事前確率Ｐ（Ｓ_Ｔ）を超えた情報を提供する。例えば、ｘの統計的挙動が二つのクラス下で同じ場合（縮退した特別なケースとして発作および非発作が含まれる）、その結果、Ｐ（Ｓ_Ｔ｜ｘ）＝　Ｐ（Ｓ_Ｔ）であり、イベントの時間位置測定をそれらの特徴を利用して理知的に行なうことは可能ではないだろうし、デバイスは単に非感覚開放型ループモードで作動するであろう。注意すべきことは、分布が等しいということはｘが有用でないということを意味しているわけではないということである。例えば、ｘの動的特徴は分離可能であるだろうが、ただ、それは新しい異なるｘである。ＥＥＧ特徴は発作および非発作状態で非常に異なり、極端な場合には生信号で視覚的に明らかであり、その結果、信頼性の高い発作検出を自動で行なうことは容易なことである。また、今日までの研究によると、肉眼では見えない生信号によく前駆性特徴が存在しているので、中程度から非常に高い程度の信頼性範囲で発作前検出が可能であることがわかっている。特徴が判別的であるためにさらに考慮しなければならない重要なことは、各クラス下でのその分散が相対的に小さいことである。特徴ｘがすべての特徴サンプリング時に大きく変動すると、確率Ｐ（Ｓ_Ｔ｜ｘ）も変動する。これは単に特徴はクラス間の非一貫性の相関現象であるという事実の反映である。順次仮説検定のように、一連の事前確率を積分し、それを新しい入力特徴として利用することや、あるいは特徴の移動平均チャートまたは標準偏差チャートを演算することはすべて、それらの挙動、従って確率関数への有用性を固定させるために特徴を本質的により通時的にしている例である。
【００２０】
確率推定部５０は確率ベクトルＰ　＝　［Ｐ_６０　Ｐ_１０　Ｐ_１　Ｐ_{−１／３０}］を出力し、それから、それは、階層構造を有する多重入力−多重出力式発作制御装置７０への入力として利用される。多重治療活性化判定定論理ブロック６０は、どの治療様式（制御法則および治療アクチュエータ７０）を任意の所与の時間に活性化するかまたは非活性化するかを決定する。治療には、認識刺激７２（算術または他の精神的タスクを音読するスピーチシンセサイザを用いて）、感覚刺激７４（聴覚、視覚、触覚、臭覚、運動感覚、またはその他）、バイオフィードバック、電気刺激７８、薬理学的注入７６、またはその他等が含まれている。活性化された各治療様式において、制御法則ｕ　＝　ｇ（Ｐ）は、その治療がどのように脳上で作動するか明確に定義する。トリガー開放型ループモードでは、固定パラメータ、例えば薬物投与量、またはプログラムされた電気刺激波形の振幅、周波数、パルス幅、および位相等が、活性化時だけの確率ベクトルｕ　＝　ｇ（Ｐ（ｘ（ｔ_ａ）））を考慮するだけで求められる。さらに一般的には、フィードバック制御モード７０においては、制御行動は、連続して変化する確率ベクトルｕ（ｔ）　＝　ｇ（Ｐ（ｘ（ｔ）））の関数である。この場合、比例制御戦略、比例積分微分（ＰＩＤ）制御戦略、最適連続制御戦略、ゲインスケジュール制御戦略、多重レベル制御戦略、バンバン制御戦略、または他の制御戦略が、Ｐ（ｘ（ｔ））を被制御変数として零ベクトル［０　０　０　０］に戻すように調整するために考えられている。即ち、治療処置は、将来発作が発生し得るだろうと知られている状態と一致する状態から神経活動を避けるように自動的に連続して修正される。フィードバック制御７０により、最もきめ細かくランク付けされたフォームの治療処置が提供され、治療介入および付随する副作用を確実に最小限にできる可能性が提供されるが、安定な閉鎖型ループ制御を得るのには、トリガ開放型ループ制御よりも、前外科的検査中にさらに広範囲におよぶ試験が必要である。また、デバイスは純粋に開放型ループモードで動作するようにプログラムすることができ（前もって設定されたオンおよびオフの時間に予防的治療を提供すること）、そして、ボタン、磁石、振動変換機、または他の任意のスイッチング技術を介して患者が手動で操作することができる。
【００２１】
デバイスは、その内部にバッファされているデータおよび他の変数を、治療活性化時のみでなく、その他にランダム時、前もってプログラムされたサンプリング時、または随時に、周知のラジオテレメトリを利用して伝送する。確率ベクトルＰおよび多重治療活性化状況は患者の装着可能なアクセスユニット８０に表示される。プリプロセス３０、特徴抽出４０、確率推定５０、および多重治療判定論理６０のステップは、マイクロプロセッサ、デジタル信号プロセッサ（ＤＳＰ）、書き換え可能ゲートアレイ（ＦＰＧＡ）、特定用途向け集積回路（ＡＳＩＣ）、ハイブリッドアナログ／デジタル回路、またはそれらの組み合わせ等に、超小型電子技術産業で周知の設計原理に従って実装され得る。
【００２２】
このインテリジェンス構造は、電気的刺激、化学薬品注入、および人工的神経信号に基づいて治療処置のアレイに結合されており、プリカーサが時間と共に徐々に増加して発作が成長するのを相殺する。治療処置の強度、治療の様式、および治療の空間的分布はすべて発作の確率が時間と共に高くなるに従い調整される。これらの治療処置の指導原理は、最も温和的フォームの治療が発作発生の比較的初期において、そして脳の比較的狭い領域にわたり開始され、その結果、発作発現の確率が比較的低い場合には通常の活動がほとんどまたは最小限にしか阻害されない。これにより、治療処置が、高感度の予測しきい値（例えば、非常に低い偽陰性率）で、比較的低い無病正診率（例えば、比較的高い偽陽性率）で引き起こされる。発作の確率が高くなるに従って、治療的刺激を、強度、継続時間、実行頻度の点で強くし、脳のより広い領域において実行する。発作のプリカーサのパターンならびに発作にいたる空間的および時間的広がりはマッピングされ、個々の患者にデバイスをトレーニングするのに利用されるので、初期の治療処置に対して効果を示す反応がない場合には、発作のプリカーサが発達するにつれて広がっていくと想定される領域の少し前方を含む広い領域にわたり治療は実行される。このスキームにおいては、治療を発現領域を囲む分布の発現領域内で局所的に実行することができ、その部分が脳の隣接領域を漸加して広がることから切り離されている。また、治療を皮質下領域、例えば視床、大脳基底核、他の深部核、および領域内で局所的にまたは遠隔で実行することができ、発作が進行すると共に、強度、刺激の種類、動作配分を段階的に増大していくことができる。これと同じ原理が電気的発作発現が発生した場合に治療介入に適用され、発現の一般領域内で、発作の病巣の挙動を調整する脳深部構造内で、または両方で同時に治療処置が行なわれる。
【００２３】
治療介入には次のことが含まれる。（１）発作発現の確率がしきい値に達して上昇するにつれて、周波数、強度、および分布が変化するリズミック電気ペーシング。（２）カオス制御ペーシング。（３）癲癇病巣の領域および周囲の活動にコーヒアランスが発達するのを妨げるランダム電気刺激。（４）発作が広がる領域、または発作が広がるおそれのある領域における活動を静めるかまたは抑制する脱分極刺激または過分極刺激。また、この活動は複数の電極領域にもたらすことができ、一種の「周辺抑制」を引き起こし、発作のプリカーサの進行を防いでいる。また、これらの刺激は、細胞の領域を掃引する「波動」で順次もたらすことができ、その結果、皮質領域および皮質下領域を含む所与の領域または細胞内の正常なまたは病理の神経特徴を漸次抑制する。
【００２４】
また、発作の確率の変化に従って、ならびに／または、電気的発作発現および伝播を含む発作の進化における特定イベントの検出に従って、治療を変化させ発展させていくという原理が化学的療法をもたらすのに適用される。この方法で、活性な治療薬が、発作が発生するかまたは発作が伝播する脳領域内に注入され、あるいは放出される。発作がさらに確実なものになると、放出する化学薬品の量、濃度、空間的分布をすべて増加する。電気的治療介入または他の治療介入の場合のように、供給パターンには、薬剤を直接癲癇病巣に注入するか、その周囲に注入するか、または初期の伝播に関与する領域に注入するか、あるいは発作の進行を調整する脳のさらに中央または深部の領域に注入することが含まれる。これらの同様の治療原理を電気的発作発現が検出されたときの最大治療分布に適用することができ、発作が伝播して進行すると分かっている領域に治療を分布することが含まれる。最後の瞬間の治療処置には多量に薬剤を脳脊髄液（ＣＳＦ）空間に放出し脳の幅広い領域に循環させるか、または脳循環に放出することが含まれても良い。また、他の種類の薬剤がこのスキームで利用されても良く、例えば酸化的ストレスにより活性化される薬剤は、発作のプリカーサが進化して発作の確率が上昇するにつれて、自発的に活性状態にある治療薬剤の濃度および分布を増加し得る。
【００２５】
また、治療には、発作の確率が上昇するに従って、段階的に、末梢神経もしくは中枢神経、または血管に電気的、化学的、また他の刺激をもたらし、電気的発作発現の検出時においては治療を最大強度に高めることが含まれても良い。また、治療には、感覚刺激（触覚、温度感覚、視覚、および聴覚等）が含まれても良い。
【００２６】
最後に、治療は、合成された人工的な神経性信号で構成されても良く、これらの神経性信号は、発作性の発現帯域を有するかまたはその発現帯域と通信する適切な神経性ネットワーク上の電気化学的トラヒックを妨害するような方法でもたらされる。このような治療介入の例には、抑止制介在神経等の特定細胞集団、視床内の特定核領域、または他の深部構造の生産活動を増加する合成信号の伝達が含まれ得る。
【００２７】
これらの方法のいずれかまたはすべてを、単一にまたは組み合わせて用いることにより、治療は、発作発現を妨げるかまたは発作の発達および進行を分離し、それにより、臨床症状およびこれらのイベントの影響を防ぐかまたは最小にすることを指向する。
【００２８】
図２は多重治療活性化の簡易だが非常に効果的な判定論理の一例を示している。確率と治療との間の多変量関係は、各治療モードを特定の予測ホライゾンに結びつけることにより切り離されている。例えば、温和的単独治療法を大きなスケール（粗い分解能）に、そして積極的な単独治療を小さなスケール（細かい分解能）に結びつけている。これは、研究により生まれた原理に基づいており、発作の介入が初期段階であればあるほど、温和的なフォームの治療処置が成功する可能性がより高い。故に、例示の判定論理のように、侵襲性が最小であるが十分な治療を施せる目的を達成するために、まず温和的な治療処置を奨励している。各サブシステムはそのＰ（Ｓ_Ｔ｜ｘ）に基づいて独立して活性化され、必要な場合には同時に活性化される。以下にさらに開示するように、このスキームにより、簡易な分類子をベースにした最適化判定基準を利用して各Ｐ（Ｓ_Ｔ｜ｘ）を学習することが可能になる。また、それにより、デバイスの発作制御装置がほとんど常にオフ状態のままで、必要な最小限の電力のみを消費して発作を避けることが可能になる。
【００２９】
次の簡易例は、発作が迫る際のオンライントリガ式開放型ループモードにおける本発明に係るシステムの最も悪いシナリオを示しているが、このシステムが行動し得るまたは実践され得る他の方法を除外することを意図するものではない。患者の来月の確率ベクトルはＰ　＝　［Ｐ　（Ｓ_６０｜ｘ_１）　　Ｐ　（Ｓ_６０｜［ｘ_２ｘ_３］）　　Ｐ　（Ｓ_１｜ｘ_４）　　Ｐ　（Ｓ_−１／_３０｜ｘ_５）］であると決定され、ここでｘ_１　＝　病巣チャネルでの６０分間のリセットエネルギー蓄積、ｘ_２＝　　最後の１時間を基準に再正規化される、１０分後に９８％忘却される信号電力を指数関数的に重み付けした移動平均（ＥＷＭＡ）、ｘ_３　＝　　最後の１０分間にわたりしきい値を超える１分標準偏差偏位のカウント、ｘ_４　＝　　非線形エネルギーの１分間移動平均、およびｘ_５　＝　　１／２秒間の信号曲線長。特定の発作のエレクトログラフの発現（時間零）の２時間前（即ち、時間―１２０分）には、Ｐ値は零近くをうろついている。発作前クラスの特徴の事前確率は選択された予測時間スケールで非常に小さく、事後確率Ｐ値は、また、独特の特徴変更が観測されない限り零近くに留まる傾向がある。−４０分においては、Ｐ　＝　［０．６５　０．１　０．２　１０^−４］である。注意すべきことは、Ｐ値は必ず単調に関連しているということではないことである（例えば、Ｐ_１はＰ_１０よりも「可能性が高い」）。なぜなら、推定量が異なる時間スケールにわたって異なる特徴を試験することに向けられる異なる数学的関数であるからである。事実、このような単調性が常に正しいと、それにより、本発明の相乗効果的な多重分解能の利点が失われてしまう。Ｐ_６０値は前もってプログラムされている特徴を有するオーディオ波形を始動させるしきい値に既に達している。注意すべきことは、６０分予測ホライゾンは活性化が正確に_ｔａ＝−６０分で起きることを意味しているのではないが、それよりも早い活性化は誤差を意味する（Ｐ_６０の仕事は特定の６０分時間フレーム内で時間位置測定をすることであり、ランダムな時間で予測することではない）ということである。午前３時になり患者がデバイスにより起こされる、しかし、装着可能なアクセスユニット８０を介して、彼または彼女はその日のプログラムされた時間内のこの種の治療処置を取り消すことを選択しても良く、そうでなければ睡眠状態検出器が自動的にそのようにしても構わない。１分以内に、Ｐ_６０はその活性化しきい値以下に下がり刺激は停止するが、−１２分で上昇し、−８分でＰ_１０は再びそのしきい値を超え、スピーチシンセサイザはオーディオ刺激を一時的に動作不能にし、それと同時に患者に頭の中で計算を行なうように依頼する。患者は依頼されたことを実行し、その間同時にオーディオ刺激が起きている。このような努力により発作により誘発される同期神経活動を抑制しようとするが、Ｐ_１により、−３０秒に、発作が迫ってきていることが示唆され、電気的刺激が直接脳にまたは皮質下の神経に開始される。エレクトログラフ発現の１秒後、しかしまだいずれの臨床症状よりも前に、Ｐ_{−１／３０}は０．９５に達し、薬剤が脳に直接か、または脊髄を通って放出される。確率推定量が治療処置下の発作の時間セグメントを有して作成されていなければ、それらの推定量は一時的にこの時点において動作不能になる（しかし、それらに付随する治療は動作不能にならない）。さらに数秒以内に、すべての発作は正常レベルに戻り、発作制御装置７０は停止する。当業者は、本発明の進歩的な多重治療が温和的且つ安全なフォームでの治療介入の可能性をまず試験し尽くすのには十分穏やかであるが、決して、発作が治療処置を通り越して完全に発現してしまわないことを確証するのには十分にタフであることを理解できる。
【００３０】
図２の治療処置判定論理の変化量が密接している場合、Ｐの相互排除的な間隔（しきい値に代って）に基づき、複数の二重の時間スケールを用いて、治療処理パラメータは異なるがその他は同じ治療様式を活性化することができる。例えば、０．７≦　Ｐ＜０．８の場合、少ない薬量が用いられても良く、０．８≦　Ｐ＜０．９の場合、中ぐらいの薬量が用いられても良く、Ｐ≧０．９の場合、多い薬量が用いられても良い。これらのしきい値の実際の数値は、以下の方法の説明より明らかになるように、小さな時間スケールΤに対してさらに小さくても良い。
【００３１】
発作を減少または除去するのを目的とするシステム、例えば本発明等は治療介入能力を有していなくてはいけない。そうでなければ、発作を黙々と脳に影響を与えることもなく検出するかまたは予測するだけである。治療介入がある場合、発作が時間と共に変化してゆく挙動が観測できる（例えば、発作の頻度の減少、キンドリング効果、または薬物テイパリングの有無によるＥＥＧデータ間の相違を考察してほしい）。発作のパターンが時間と共に変化する場合、デバイスは学習能力を有していなければいけなく、そうでなければ、このシステムが効果がなくなるのもほんの数日の問題である。故に、従来のすべての技術に比べ有利なことには、本発明は、デバイスの長時間有効性を改善し且つ維持するために必要なコンピュータ知能学習アルゴリズムを着想し且つ開示する。
【００３２】
図３は学習およびプログラムモードの発作予測装置−制御装置システムの特徴ブロックダイアグラムの一例である。動作前評価およびその後定期的に、例えば通常月に一度の評価の間、認可介護人は外部格納デバイス９０から過去の期間のデータにアクセスすることができ、患者のデバイスの特徴抽出部４０、確率推定部５０、および多重治療活性化判定論理部６０を次の期間にわたって最適の性能を得るために調性することができ、学習したアルゴリズムおよびパラメータを、トランシーバ９５を介して、デバイスの電気的消去可能プログラム可能読み取り専用メモリ（ＥＥＰＲＯＭ）にダウンロードすることができ、他のデバイス設定をプログラムすることができ、そして、デバイス設定および動作変数のすべてをオンラインモードを含む任意の時間に、集中型学習およびプログラミングソフトウェアインターフェイスを介して、テレメトリを利用して送受信することができる。このソフトウェアが動作するラップトップコンピュータまたはワークステーションコンピュータ１００は、デバイスの特徴抽出部４０、確率推定部５０、および多重治療活性化判定論理部６０の動作を正確にシミュレーションすることができ、さらに重要なことには、性能を改善し且つ維持するためにそれらの部分の変更方法を学習することができる。この機能を外部から実行するシステムの能力は極めて重要である。なぜなら、必要な学習アルゴリズムはＣＰＵ時間とメモリとが高くつくからである。埋め込まれたデバイスが、厳しいクロックスピード、メモリ、および電力の制限下で、そのデバイス内で「学習する」ということは、必然的にそのデバイスから潜在的な能力をほとんど奪ってしまうことを伴う。また、学習機能およびプログラミング機能は患者の物理的な位置または介護人の物理的な位置に関係なく実行することが可能である。接続は次のように確立されている。公衆交換電話ネットワーク、ケーブルネットワーク、もしくはデジタル加入者回線、およびサービスプロバイダーを介し、または集合的にローカルエリアネットワークを介し、それからＴ１回線もしくは他の高速デジタルリンクを介して、インターネット１２０に接続され、その次に、遠隔の介護人のポータブルコンピュータ１３０もしくは同じソフトウェアインターフェイスが動作する遠隔の設備１４０まで接続されている。
【００３３】
システムの第一のトレーニングは、ルーチン動作前評価の間、通常３日〜１４日の期間にわたって記録されたＩＥＥＧデータをベースにすることができる。任意のベッドサイドバージョンのデバイスを、一部分または全体が埋め込まれているデバイスに初期のアルゴリズムおよびパラメータを移す前の期間利用することができる。ベッドサイドユニットは、信号収集２０、プリプロセッシング３０、特徴抽出４０、確率推定５０、および活性化判定論理６０を、プログラミングおよび学習ソフトウェアインターフェイス、ならびに一組の外部治療アクチュエータを動作させるラップトップコンピュータまたはワークステション１００内に実装することにより組み立てることができる。電極の目標位置が明確でない場合、特に全身発作の患者の場合によっては、前外科的評価ステップの間のアーカイブは除去され、デバイスはトレーニングされないで埋め込まれ、それ自体データ収集装置としての役目をはたす。
【００３４】
本発明に係る学習とは、最適化手順を長期にわたり繰り返して得られるものであり、前外科的評価から始まり、それから定期的に、通常毎月一回繰り返す。発作の進展のパターンは、すべての治療処置期間に及んで追跡され、薬物療法を次第に止める期間、無治療処置期間、および多重治療期間が含まれる。図４は、必要な学習アルゴリズム（点線は選択が自由なステップを示している）のプロセス論理を示している。次の８ステップおよびサブステップは、各患者および各時間スケールΤに対して実行されるが、ＱＯＬＩおよび明確なエレクトログラフ発現（ＵＥＯｓ）を参照する場合（各患者は一つのＱＯＬＩおよび一組のＵＥＯｓだけを有している）、並びに特徴ライブラリを参照する場合（患者および時間スケールに無関係に定義されるライブラリは一つしかないが、しかしそれはまたそのときどきに改善され得る）は除く。
【００３５】
ステップ１：
時間と共に、発作と治療処置との両方（患者にはすべて外乱である）の強度、持続期間、および頻度にペナルティを科す生活の質指標（ＱＯＬＩ）はチャートで表され、調整および意思決定のための全体的なガイドとしての役割を果たすと共に、進歩状況を記録する（論理ブロック４０２）。
【００３６】
ステップ２：
熟練の神経学者が前の期間にわたって外部格納デバイスにデジタルで記録したＩＥＥＧを検査し、記録された発作すべてに明確なエレクトログラフ発現（ＵＥＯ）の時間をマークする（論理ブロック４０４）。また、随意に、眠っている／起きている状態の時間および治療処置情報も記録される。
【００３７】
ステップ３：
ＵＥＯｓに基づいて、学習データセットが、発作すぐ前のΤ分のＩＥＥＧエポックをすべてクリップし、且つそれらを「Τ分発作前」としてラベリングすることにより作成される（ＳΤクラス）。実際には、Τ分丁度よりも多い生データがクリップされ、履歴特徴によって要求される初期化の期間を許容している。同様に、「Τ分非発作前」（ＮＳΤクラス）がランダムに選択され、重なり合わない例（発作前の数と数において等しいかまたはそれ以上であることが望ましい）をクリップし且つラベリングする。後者は、時間の両方向に対して、最も近い発作（Ｓクラス）から少なくとも３Τ分離れた距離にあるという意味において、「ベースライン」であるように選択されるのが望ましい。注意すべきことは、上記の手続きには、ＵＥＯの後最初の２秒として定義されている「発作発現」（Ｓ_{−１／３０}クラス）、および「非発作」（ＮＳクラス、またはさらに正確にはベースラインとして適格とされる「非発現」ＮＳ_{−１／３０}）の例が含まれているということである。前月のＳΤクラスのデータセットおよびＮＳΤクラスのデータセットは三月前からのデータセットと結合され、その結果、新しい月はそのシステムに増加分の効果だけを有する。データが学習に対して有する影響は、４ヶ月矩形移動ウィンドウか、またはある忘却スケジュールに準じて最後の４ヶ月を減少させていくウィンドウのどちらか一方に対応している（論理ブロック４０６）。
【００３８】
ステップ４：
随意的に、信号特徴の時間履歴に関連するパラメータ、例えば観測ウィンドウ長さ、ウィンドウスライド間の変位（または、特徴サンプリング期間）、およびしきい値（振幅、持続時間、および密度カウント等）は、線形可分性の統計的手段、例えばｔ−スコア、Ｆｉｓｈｅｒ判別率、およびＫ−因子等を利用して「前もって最適化される」（論理ブロック４０８）。ＳΤクラスの短い校正エポックおよびＮＳΤクラスの校正エポックを利用して、特徴ライブラリの各特徴の時系列を、その特徴の仮定パラメータセット下で生成する。可分性を最大にするパラメータセットが、一度に１パラメータを変更する貪欲なグリッド探索により選択される。例は、同時係属中の出願連続番号（弁護士事件整理番号Ｉ０８０　１０２０）に見つけられる。また、下記のステップ６の非線形可分性手段を利用することも可能であるが、研究により、特徴パラメータは特徴を分類する分類子の能力に僅かに影響を与えるだけのことが多いということが分かっている。
【００３９】
ステップ５：
ステップ４で見つけた特徴パラメータまたは前もって確立した特徴パラメータを利用して、特徴ライブラリの特徴すべての時系列が、ＳΤクラスの生データエポックおよびＮＳΤクラスの生データエポックのすべてから生成される（論理ブロック４１０）。
【００４０】
ステップ６：
最適の特徴ベクトルは特徴ライブラリの累乗集合内で探索され、予期される全体リスクＲｏ（ＱＯＬＩに関連する分類子をベースにした性能メトリック）、または他の選択された判定基準、および実時間コンピュータ要件を最小にする（論理ブロック４１２）。特徴ライブラリの大きさがＮ_ｆ≦３０であり、特徴寸法がｎ≦５である場合、このステップは全数探索（≦１７４，４３６回の評価）によって解決することができるが、しかし、一般的に、アッドオンノックアウト（前進順次探索の改良バージョン）のような発見的探索が必要である。特徴最適化には本明細書で列挙するステップが必要である。候補特徴ベクトルのＳΤクラスの軌跡およびＮＳΤクラスの軌跡はステップ５の時系列に対応する時間同期を行なうことにより得られる（論理ブロック４２０）。特徴サンプリング期間が異なる場合は補間が必要な場合があるが、しかし通常それらは同じ時間スケール内において同じである。トレーニングデータセット（ランダムに選択されたベクトルが利用可能な特徴ベクトルの７０％に相当しているのが普通である）を記憶するノンパラメトリックの分類子、例えばｋ−ニアレストネイバー（ｋＮＮｓ）、確率的ニューラルネットワーク（ＰＮＮｓ）、またはハイブリッド等が合成され、図２の各治療活性化ユニットに相当する判定ルールをシミュレーションするのに利用される（論理ブロック４２２）。それらを実施するには、通常、実際の確率およびしきい値を必要としないが、判別関数および競合層を必要とする。データの影響が次第に減少するというオプションの場合、ＰＮＮのカーネル高さまたはｋＮＮの距離には、各トレーニングデータの経年に従って忘却因子を用いて重み付けがされる。分類子の判別関数は訂正され、所望の最適性判定ルールＣ＊（ｘ）　を得る（論理ブロック４２４）。全体としてのリスクは、分類子を合成するために直接には用いられない妥当性確認データセットに対して測定され（ランダムに選択されたベクトルは通常利用可能な特徴ベクトルのすべての残りの３０％に相当する）、スコアＳ＝１００−Ｒｏ％は候補特徴ベクトル／最適分類子の組み合わせに対して演算される（論理ブロック４２６）。必要ならば、スコアは演算費の責任を取るためにペナルティが科される。次の候補特徴ベクトルは、発見的探索判定基準から決定され（論理ブロック４２８）、論理ブロック４２０〜４２８は繰り返される。終了したとき、選択された特徴ベクトルは、随意に、演算的に集約的手続きによってさらに処理され、同等かまたはそれ以上の判別特性を有する、単一の、遺伝的に発見され、神経学的に演算された人工的な（理論上の）特徴に圧縮される（論理ブロック４３４）。随意に、ランク順位曲線が図示され、最良のｎ−ベクトルに対して、スコアＳ対ｎを示す（論理ブロック４３２）。随意に、来月の期待性能の指標は、ν―段階相互妥当性確認を利用して、利用可能なデータのすべての、または学習の間にどのようにも用いられない単一独立試験セットのＲｏの平均を演算することにより得られる（論理ブロック４３６）。これらの二つの方法の間には、バイアス対分散の二律背反がある。期待性能は、実時間システムがトレーニングされる方法と一致する点ベースで報告される（特徴ベクトルの各数値は一つの例として数えられる）。しかし、ブロックをべースにした（エポック全体を一つの例として数える）試験もまたその評価を補足し、そしてさらに理解するために報告されても良い。
【００４１】
ステップ７：
最適特徴ベクトルまたは人工的特徴ｘが与えられる場合、確率関数Ｐ（Ｓ_Ｔ｜ｘ）が合成される（論理ブロック４１４）。注意すべきことは、ステップ６において同様の最適化判定ルールを生成出来る分類子が無限に多くあるが、確率にどのように作用するかが定義されている分類子とは無関係なＳΤデータおよびＮＳΤデータから得られる正しい確率関数はたった一つであるということである。記号論理学のＳ字形状の出力を有するウェーブレットニューラルネットワーク（または、小型化されたデバイスにオンラインで実装するのに適した他の汎用アプロキシメータ）はトレーニングされ、｛０，１｝目標を与えられ、平方誤差損失関数の期待値を最小にすることによりＰ（Ｓ_Ｔ｜ｘ）が演算される（論理ブロック４３８）。これは、トレーニングデータを利用して、また、同時に妥当性確認データの誤差を監視すると共にそれを最小にするネットワークを選択することにより行なわれる。データの影響が次第に減少するというオプションの場合、確率推定量をトレーニングすることは重み付け最小平方問題となり、各平方誤差が誤差関数に与える寄与はトレーニングデータの経年に従って重み付けされる。確率推定量のバイアス項は事前確率のミスマッチに対して訂正される（論理ブロック４４０）。
【００４２】
ステップ８：
論理ブロック４２２のノンパラメトリック分類子と同じ判定ルールに相当する最適単独治療活性化しきい値は式により求められ、確率関数Ｐ（Ｓ_Ｔ｜ｘ）に結合される（論理ブロック４１６）。
【００４３】
上記学習アルゴリズムプロセス論理のさらなる詳細およびその支持理論は、現在、好ましく且つ最良であるモードにおける本発明の学習の形態を理解し且つ実施するのに必要であり、今から開示する。
【００４４】
（生活の質指標）
生活の質指標（ＱＯＬＩ）は０％〜１００％の新規の定量的な指標であり、ある期間にわたる発作の強度、持続時間、および頻度だけでなく、治療処置の厳格さおよびそれに付随する副作用をもまた説明する。本発明によれば、ＱＯＬＩは、一ヶ月の期間に９８％忘却される、日々の生活の質Ｑの指数関数的に重み付けされた移動平均である。日々の生活の質とは、前日のエネルギー蓄積より限定されるような、発作外乱および治療処置外乱のすべてを補足するものである。
【００４５】
【数１】

【００４６】
この式において、第一の総和は発作中のみのチャネルのすべての生ＩＥＥＧエネルギーであり（デバイスはすべての活性化近辺の十分なデータを保存するので、ステップ２（論理ブロック４０４）の神経学者は発作期間を判定することができ、そうでなければＳクラス検出器で自動的に判定され得る）、第二の総和は、活性化のすべての時間におけるすべてのチャネルの制御努力のエネルギーであり、両方とも記録された最悪のケースにより正規化され、それにより各総和は普通１００％を超えることはなく、Ｋ_Ｓ＋Ｋ_Ｔ＝１は、発作項および治療処置項に対する相対的重みである。あるいは、第二の総和は、治療処置投薬量のその最大値に対するパーセンテージの凸総和により置換される。規範的なデータベースからの他の正規化もまた可能である。任意の所与の日ｄにおいて、現在進行中のＱＯＬＩは再帰的に下記のように演算される。
【００４７】
【数２】

【００４８】
デバイスに指示する前に、手術が請け負えるかどうかを判断するために、または開始参照点として、患者のＱＯＬＩを「手」で評価することが望ましい。ＱＯＬＩ_０は、以前のＱ^ｓの重み付け平均値もしくはただの平均値として、または未知の場合は５０％として初期化される。展開されたフォームでは、ＱＯＬＩ_ｄは項の数が増えていく級数である。
【００４９】
【数３】

【００５０】
この式は、指数関数的に減衰する係数を有する現在のＱ^ｓと過去のＱ^ｓの重み付けされた平均であり、係数ｄが無限大になると係数の総和が１になる。３０日の期間にわたる過去のデータの約９８％を忘却するために、重みは自然指数関数の４つの時定数で減衰するようにされている。例えば、（１−λ）＝ｅ^{−４／３０}＝０．８７５２となる。故にλ＝０．１２４８となる。０％のＱＯＬＩは記録された最悪のケースに対応し、一方１００％のＱＯＬＩは発作のない、治療処置のない生活に対応する。
【００５１】
８―ステップの学習手順は概念的には下記の最適化問題の繰り返しの回答である。
【００５２】
【数４】

【００５３】
この式で、ｘはすべての可能な特徴式／アルゴリズムの空間において変化し、Ωはｘから多重治療活性化判定までのすべての可能なマッピングの空間（同等に、すべての可能なクラス判定境界の空間）において変化する。即ち、システムは、長い間あるメモリ関数μ（ｔ）　によって重み付けされた患者のＱＯＬＩ履歴を最大化する特徴および治療活性化挙動を見つけることに着手する。脳の複雑さだけでもそのような問題を直接解く可能性をなくすことは明らかである。本発明において、最適化は、低レベル分類子をベースにした性能メトリック（下記に記述される）を利用して具体的に取り組まれ、多重治療判定は、各時間スケールに関連する単独治療判定から自動的に求められる。本質的に、最適化問題は複数の単純な問題に転換され、下記のように、各時間スケールに対し、一つの問題ということになる。
【００５４】
【数５】

【００５５】
この式において、Ｅ｛Ｓ｝は特徴ベクトル／分類子の組み合わせに関連するスコアＳ＝１００−Ｒｏ％の次の月の期待値である。特徴ベクトルｘの空間は発見的探索を利用して特徴ライブラリの累乗集合内で探求され、一方、判定境界Ωは最適であると分かっている判定ルールから無条件に決定される（下記に記述されている）。
【００５６】
（分類子をベースにした性能メトリック）
分類子をベースにした性能メトリックは、本発明においては、特徴ベクトルの望ましさをランク付けするために、そして新しい特徴を探索するためにオフライン学習の間に利用されている。これは、特徴だけの統計とは反対に分類子出力の点に関して行なわれ、それらの特徴がオンラインで多重治療活性化判定論理６０によって変換される方法に相当する。セマンティックスに関する一つの注釈は、検出とは分類の一つの特別なケースであり、そこでは問題は、「興味のあるクラス」（通常、低事前確率）対「プレインノイズ」クラスの二つに分かれる。
【００５７】
本明細書においては、一般的に検出器は分類子として参照されるが、発作検出器が参照される場合は、もし発作前検出からの相違が適切ならばその用語は保持される。特徴ベクトルサンプリング速度で求められるすべての特徴ベクトルの場合、分類子はクラス判定を出力する。宣言に至る前に、分類子の判定を統合するか、または順次仮説検定を実施する（例えば、検出の後判定の「ゆらぎ」をなくす）ことは、いつも、単にオリジナルの分類子の出力を等位の分類子の入力特徴として用いることにより、等位の「最終的な」分類子に帰着する。事実、それらは履歴特徴の特別な例である。故に、ここで提供されているフレームワークの普遍性は喪失しない。分類子をベースにした性能メトリックは、積分、確率密度関数（ｐｄｆｓ）、およびクラス判定境界を含む理論定義を有しているが、しかし、集計に基づく不偏推定値である実験的なカウンターパートが提供されている。実験から収集される分類子判定は記録され、そして混乱（ｃｏｎｆｕｓｉｏｎ）マトリクスに配列される。
【００５８】
【数６】

【００５９】
この表において、ＳΤおよびＮＳΤは本当の発作前クラスおよび非発作前クラスのラベルであり、一方、ＳΤハットおよびＮＳΤハットは分類子によって宣言されたクラスを示しており、Ｎ_ＣＰ＝真陽性の数（発作前クラス検出）、Ｎ_ＣＮ＝真陰性、Ｎ_ＦＰ＝偽陽性（偽アラーム）、およびＮ_ＦＮ＝偽陰性（発作前クラスのミス）である。さらに、Ｎ_ＳΤ＝Ｎ_ＣＰ＋Ｎ_ＦＮ＝発作例の数、Ｎ_ＮＳΤ＝Ｎ_ＣＮ＋Ｎ_ＦＰ＝非発作例の数、およびＮ_ｔｏｔ＝Ｎ_ＳΤ＋Ｎ_ＮＳΤ＝Ｎ_ＣＰ＋Ｎ_ＦＮ＋Ｎ_ＣＮ＋Ｎ_ＦＰ＝全例の数である。この実験は通常トレーニング中の妥当性確認試験であるか、または将来の性能評価の期間の独立試験もしくは複数の相互妥当性確認試験の一つである。実験内の例は点ベースで定義されることが可能であり、そこでは、一つの特徴ベクトルは一つの例として数えられ、または、ブロックベースで定義されることが可能であり、そこでは、一つの信号エポックが丸ごと一つの例として数えられる。これらの二つのベースによる結果は互いに関係している。点ベースおよびブロックベースは、それぞれ、同じ性能メトリックの高分解能ビューおよび低分解能ビューのようである。ブロックベースは、理解することが容易なので（例えば、「連続発作エポックの検出遅延」対「ランダム片データの誤差リスク」）、報告の場合に適切であるが、システムのトレーニングの場合には適切でない。システムが実時間で行なうようにトレーニングされているということは、時間同期されたトレーニングブロックではなく、トレーニング特徴ベクトルを利用して、ブロックの終わりまで待たずに、すべての特徴ベクトルと同時に判定を与えるということである。また、ブロックはその中においてランダム化を許容せず、妥当性確認試験を実行するために利用できる例の数を厳格に制限する。
【００６０】
混乱マトリクスから、表１に示すように、幾つかの分類子をベースにした性能メトリックが、好ましくは点ベースで、演算され得る。
【００６１】
【表１】

【００６２】
特徴時間の任意の瞬間において、上記の表内のＰ_ＦＰは、次のクラスＮＳΤ特徴ベクトルサンプル（実用的な目的の場合には、殆んどすべてのサンプルの内いずれでも）は偽陽性であるという確率である。確率の最も頻度の高いビュー下では、これは特徴サンプリング期間毎の偽陽性の平均の数である。より広域に報告されている時間毎偽陽性（ＦＰＨ）は、１時間毎に期待される点ベースのＦＰｓの数としてＰ_ＦＰから演算することができる。
【００６３】
【数７】

【００６４】
この式において、Ｔ_ｆは秒単位の特徴サンプリング期間である。重ねて言えば、この関係は、Ｐ（ＮＳΤ）≒１であるという仮定のもとに持続する。ＦＰＨ数はブロックベースの報告に適しているが、Ｔ_ｆに依存しているために誤った方向に導びかれ得る。例えば、単位時間当たり１ＰＦの発作検出器は条件を満たしていると考えられるが、単位時間当たりたった１．１の判定しか出力しない故障したシステムであるということもあり得る。表内の選択度と呼ばれる量は、発作前と検出されたすべての内どれだけが厳密に発作前であったのかを示す特定性のもう一つの定義である。バランスと呼ばれる量は、（Ｐ_ＣＮ，　Ｐ_ＣＰ）＝（０，　１）または（１，０）の場合、最悪のケースの０であり、Ｐ_ＣＮ＝Ｐ_ＣＰの場合、最良のケースの１である。また、事前確率推定量は表２に示すように混乱マトリクスから次のようになる。
【００６５】
【表２】

【００６６】
上記の性能メトリックおよび推定量はすべて独立しているということではない。多くみても、四つの式が混乱マトリクスの項目すべて、従ってリストされている量のすべてを決定するのに必要である。故に、多くみても上記の指標の四つが独立し得る（例えば、Ｐ_ＣＰ、Ｐ_ＦＰ、Ｐ_Ｃ、およびＳ_ｅｌが一つのそのようなセットを形成する）。平均検出遅延Ｔ_Ｄはもう一つの分類子をベースにした性能メトリックであり、ブロックベースの報告に最適である。しかし、それもまた点ベースの量の一部と無関係ではない。例えば、発作検出器が長い検出遅延と正しい分類の高い確率とを同時に有することは可能ではない（その遅延期間の間のすべての特徴ベクトルは点ベースの偽陰性の一つと見なされる）。
【００６７】
総合確率論から（または上記の表内の計算から）、誤差の確率はまた次のように書くことができる。
【００６８】
【数８】

【００６９】
このように、Ｐ_Ｅは相対重みを用いて二つの種類の検出器誤差（ＦＮｓおよびＦＰｓ）にペナルティを科し、それらはクラスの事前確率である。本発明からみて、Ｐ（Ｓ_Ｔ）を用いて偽陰性にペナルティを科すだけでは十分でないことが普通であり、それは、数時間以内の範囲で主要時間スケールに対して非常に小さい。偽陰性は、特に発作イベントの場合には許されないことだと考えられている。誤差リスクメトリックは、これらの誤差にリスク因子ｒ＜０を割り当てるので、相対コストを次のように説明できる。
【００７０】
【数９】

【００７１】
この式においてｒ_ＦＮは発作前を外すことに関連したリスク因子であり、ｒ_ＦＰは偽陽性を宣言することに関連したリスク因子である。これらのリスク因子の相対サイズは、これらの事前確率がＰ（Ｓ_Ｔ）＝Ｐ（ＮＳ_Ｔ）と等しいと仮定して選択されるべきである。また、熟練開業医は次の式により直接ペナルティ重みπを賢明に選択できる。
【００７２】
【数１０】

【００７３】
通常、発作を外すことは、π_ＦＮ＞π_ＦＰ（これは低Ｐ（Ｓ_Ｔ）　の影響を無効にする、例えば、π_ＦＮ＝０．７５およびπ_ＦＰ＝０．２５）である偽アラームよりさらに悪いことであると考えられているが、しかし、正確にどの程度、患者の治療されていない発作の頻度、治療のフォーム、または他の因子を基準にできるものなのか分からない。最終的に、リスク因子またはペナルティ因子の選択が、長期的なＱＯＬＩの改善をもたらすべきである。
【００７４】
本発明を、発作検出器制御要素ｇ（Ｐ_{−１／３０}（ｔ）、θ^＊ _{−１／３０}）だけを用いて、単独治療デバイスとして実行する場合、誤差リスク性能メトリックで十分である場合がある。このメトリックにより、発作遅延または検出遅延（点ベースのＦＮｓを介して）の許容に対して、および必要のない活性化（ＦＰｓ）の許容に対してペナルティが科される。しかし、一または複数の予測制御要素が関与する場合、オンライン作動中の偽陽性は治療がうまくいった結果と区別がつかなくなる（発作が防止された真陽性）。即ち、治療が予測に従って活性化され、発作が記録されない場合があるが、これでは発作が実際に起きようとしていたのかどうかは不明である。このような矛盾した状態が発作防止システムで生じる（もし、発作の開始が明確に確認できるならば、それは厳密な発作応答システムにおいては問題ではない）が、このことに対してこれまでは対処されていなかった。本発明によると、オンライン活性化が偽陽性または真陽性であるかどうかの情報は一部高レベルＱＯＬＩメトリックを介して入手可能であり、患者に対するすべての外乱にペナルティを科す。ここで外乱とは、例えば、発作並びに必要なおよび必要でない活性化の両方等である。ＱＯＬＩに従って曖昧なときには、治療を抑制することがより良い解決策となるときがある。ＦＰ／ＣＰ矛盾の唯一の副作用は、学習セットのサイズが初期に減少するか、あるいはクラスのラベリングが正確でないということである。第一のスキームにおいては、どちらか分からない偽／真陽性を有しているエポックを、それらの一部は発作前の例として、そしてその残りは非発作前としての役目を果たすことができるようだが、すべて学習セットから排除する。このシステムは、通常、実際に記録された発作以前のエポックから、そしてベースラインからＦＰｓおよびＦＮｓを減少することをさらに学習する。オフライン学習の間、ＦＰ／ＣＰの矛盾する二つのものは存在しない。なぜなら、ソフトウェアシミュレーションにおいては治療は存在しないからである。しかし、ＱＯＬＩが深刻化することが観測される場合には、これらのケースは偽陽性であり、その指標が改善され定常状態で安定するまで、発作前として学習セットに加えることができると仮説を立てることができ得る。これは、幾つかの変動を伴い得る。例えば、もしこのシステムがある期間の最後まで実際の発作を記録しないように動作している場合、その時、学習セットを更新するのに利用できる新しい発作データは無い。このことは納得はいくが、必ずしも達成可能な最良のＱＯＬＩではないことを意味し得る。システムはそれからＦＰ仮説を介して治療を軽減していき始め、時には一時的にＱＯＬＩを悪くするが、それは最適レベルが平衡状態で達成されるまで継続される。もう一つのスキームにおいては、どちらか分からないエポックは除外されず、ランダムにＳ_ＴおよびＮＳ_Ｔラベルが全体としてのリスク性能メトリックスと共に利用するために与えられる。
【００７５】
総合リスクは誤差リスクメトリックスを一般化し、正しい分類を得るためにリスク因子も包含する。
【００７６】
【数１１】

【００７７】
またはペナルティの項で、
【００７８】
【数１２】

【００７９】
ＱＯＬＩと同様に、Ｒｏは、治療活性化のすべてにペナルティを科し、ＱＯＬＩに影響を与えるのに、一般的に、好まれている分類子をベースにしている性能メトリックスである。真陰性の場合にシステムにペナルティを科す理由は無く、それによりＱＯＬＩは理想的な１００％になり、その結果、π_ＣＮは常に零である。ペナルティは通常π_ＦＰ＝「中位」、π_ＦＮ＝「大変大きい」、π_ＣＰ＝「小さい」、およびπ_ＣＮ＝０である。前外科的評価の後、発作予測子―制御要素のオンラインＦＰｓのすべてと殆んどのＣＰｓ（発作を防止するもの）は相反するものである。上述したように、これらのエポックは初期には無視できる。なぜなら、それらを、学習の場合、Ｓ_ＴクラスまたはＮＳ_Ｔクラスとしてラベリングするのかどうかが分かっていないからである。しかし、Ｒｏは残りのエポックから容易に測定できる。このスキームにより、任意の仮説がエポックのクラスに関して作成され、ペナルティはＦＰｓおよびＣＰｓに等しく割り当てられる。従って、ペナルティは、π_ＦＰ＝「小と中との間」、π_ＦＮ＝「大変大きい」、π_ＣＰ＝「小と中との間」、およびπ_ＣＮ＝０である。
【００８０】
表３は分類子をベースにした性能メトリックスの最後のセットを要約したものである。
【００８１】
【表３】

【００８２】
（最適化判定ルール）
同じ特徴ベクトルｘの場合、異なる分類子は異なる数値の性能メトリックスを得ることができる（例えば、偽陽性の確率）。最適性判定ルールは、所望のセットの判定基準を満たす一または複数の性能メトリックスを有する、判定境界の空間Ωの最良の分類子Ｃ＊（ｘ）　を一つだけ選択する（例えば、偽陰性の固定確率を条件とする偽陽性の最小確率）。実際には、無限に多くの分類子が、それらが同じクラス判定境界を意味しているという限りにおいて、同じ最適判定ルールをもたらす事ができるが、それらのほんの一部が、本発明により好まれ、以下に記述する訂正を受け入れることができる。図４の８―ステップ手続きから思い出して欲しいことは、本発明においては、分類子Ｃ＊（ｘ）　は、判定ルールの探索を容易にするためにオフライン学習中に利用され、それらの判定ルールは、その後、図２のように確率推定値およびしきい値を用いてオンラインで実施されるということである。
【００８３】
六つの最適化判定基準は以下に記述されている。これらは、最大尤度、最小誤差（事後最大）、Ｎｅｙｍａｎ−Ｐｅａｒｓｏｎ判定基準、最小誤差リスク、ミニマックス誤差リスク、および最小総合リスクである。最小偽陽性を有して１００％の検出率を達成すること（Ｎｅｙｍａｎ−Ｐｅａｒｓｏｎ型の判定基準）は発作検出システムの場合に理想であるとして従来の技術に引用されているのが一般的である。これは新しい特徴ライブラリを探求するためには非常に優れた判定基準である。しかし、自動治療処置が必要な場合、この理想は制御努力／副作用をも考慮しなければならない。加えて、後で分かるように、１００％ＣＰの制約は「重荷」のすべてを分類子から離れるように移動させ、現在非現実的な要求（予測のために）を特徴に負わせている。公開した最適化判定基準は、すべて、学習期間の間、認定された看護人によって選択するのに利用可能であるが、もし、一または複数の発作予測子―制御装置が必要な場合であって、存在する特徴ライブラリを用いて本発明を実行するときには、最小総合リスクが、現在においては好ましい譲歩である。
【００８４】
（最大尤度）
特徴ベクトルがＣ_ｉクラスに属する尤度は、ｘで評価する場合には、単に、クラス−状態確率密度関数（ＰＤＦ）Ｐ（ｘ｜Ｃ_ｉ）の「高さ」である。このクラスの最大尤度推定値は次の式で求められる。
【００８５】
【数１３】

【００８６】
上記の式は、「Ｃ_ｉが｛Ｓ_Ｔ、ＮＳ_Ｔ｝クラスのセットから数値を取るにつれて、Ｐ（ｘ｜Ｃ_ｉ）　が最大である引数を出力しなさい。」ということを単に示している。この尤度比のしきい値に関して、下記の条件が満たされる場合、この判定ルールはＳ_Ｔクラスを宣言する。
【００８７】
【数１４】

【００８８】
思い出してほしいことは、ＰＤＦｓは零以上であり、Ｒ^ｎにおいて１に積分されるが、各ＰＤＦは異なる最大高さを有することができ、各高さは零と無限大との間にあることである。また、注意すべきことは、尤度比は零から無限大に変化し得るということである。次の説明により明らかになるように、所与の特徴ベクトルｘ（特徴式／アルゴリズムのセットとしてであり、数としてではない）の場合、最大尤度ルールは次の問題を解く。
【００８９】
【数１５】

【００９０】
クラスの事前確率に関係なく誤差に等しい重みを与える。事後確率のしきい値に関して、もし下記の式の条件が満たされれば、判定ルールはＳ_Ｔクラスを宣言する。
【００９１】
【数１６】

【００９２】
注意すべきことは、このしきい値は、Ｓ_Ｔがめったに起こらないイベントの場合、非常に小さくなるということである。
【００９３】
（最小誤差（事後最大））
所与の特徴ベクトル場合、解くべき問題は下記の式である。
【００９４】
【数１７】

【００９５】
｛ＮＳ_Ｔ、Ｓ_Ｔ｝クラスの、単一バイナリの分類子出力が｛０，１｝、およびターゲットコードが｛０，１｝の場合、最小平均絶対誤差および最小平均平方誤差の問題は、最小Ｐ_Ｅとして同じ結果を生じる。最小誤差分類子はこのクラスの最大事後推定量である。即ち、分類子は、ｘを自分が属する可能性が最も高いクラスに常に割り当てる場合には、平均して誤分類誤差の数が最も少なくなる。
【００９６】
【数１８】

【００９７】
この式において、Ｐ（Ｓ_Ｔ｜ｘ）は、観測ｘが与えられたＳ_Ｔクラスの事後確率であり、Ｐ（ＮＳ_Ｔ｜ｘ）＝１−Ｐ（Ｓ_Ｔ｜ｘ）　はそれを補足するものである。事後確率のしきい値に関して、判定ルールは、もし下記の式の条件が満たされればＳ_Ｔクラスを宣言する。
【００９８】
【数１９】

【００９９】
注意すべきことは、しきい値０．５は、分類子が容易にＳ_Ｔを宣言できるということを意味していないことである。なぜなら、間隔［０，１］の半分はそのクラスに該当しているからである。Ｐ（Ｓ_Ｔ）が非常に小さい場合、Ｐ（Ｓ_Ｔ｜ｘ）　が０．５に到達するのを見ることは非常に難しいことである（ｘがＮＳ_Ｔクラスを相容れなくなる場合に数回）。一方、Ｔが大きい場合、事前確率は１に近づき、確率関数はほとんどの場合０．５を超える。事前確率情報はＰ（Ｓ_Ｔ｜ｘ）　関数に組み込まれており、最小誤差分類子を「容易に」または「困難に」を宣言させるものである。
【０１００】
関数Ｐ（Ｓ_Ｔ｜ｘ）　を強引にデータから求めるには、入力空間を複数のハイパーセルに分割し、各セル内でｘが観測されるときにＳ_Ｔの頻度を数える。しかし、Ｂａｙｅｓの定理より始めるのがより現実的である。
【０１０１】
【数２０】

【０１０２】
この式は、周知の「次元の呪い（ｃｕｒｓｅ　ｏｆ　ｄｉｍｅｎｓｉｏｎａｌｉｔｙ）」を内部で改善することはないが、最小誤差分類子に適応される場合には、使いやすいように単純化され、さらに参考になるクラス条件付ＰＤＦｓを処理し、本当の事前確率を反映しないデータの訂正を導くことを可能にする。補体クラス二個の式を適応すると、Ｐ（ＮＳ_Ｔ｜ｘ）＝Ｐ（ｘ｜ＮＳ_Ｔ）　Ｐ（ＮＳ_Ｔ）／Ｐ（ｘ）であり、注意すべきことは、分母は同じであるので、クラスを判定するためには分子だけが必要となるということである。
【０１０３】
【数２１】

【０１０４】
事前確率、Ｐ（ｘ｜Ｓ_Ｔ）　Ｐ（Ｓ_Ｔ）およびＰ（ｘ｜ＮＳ_Ｔ）　Ｐ（ＮＳ_Ｔ）によりスケーリングされるクラス条件付ＰＤＦｓは「Ｂａｙｅｓ分子」として参照される。クラスＳ_Ｔは、Ｓ_ＴのＢａｙｅｓ分子がＮＳ_Ｔのそれを越すときはいつも宣言される。尤度比のしきい値に関しては、次の式で表わされる。
【０１０５】
【数２２】

【０１０６】
注意して欲しいことは、左側の尤度比は事前確率に関係無く推定され得るということである（比率に関係なく、各クラス条件付ＰＤＦはＳ_ＴまたはＮＳ_Ｔユニバース内のデータからもたらせられる）。右側は、０〜∞の間にある容易に推定される一定のしきい値である。小さなＰ（Ｓ_Ｔ）　の場合、尤度比のしきい値は比較的大きい（例えば、Ｐ（Ｓ_Ｔ）＝０．００５の場合は１９９）。これは、小さな事前確率が分類を誤るＳ_Ｔに小さな重みを与えることと一致しており、最小誤差分類子がＳ_Ｔを宣言するのを控えさせるようにしている。また、注意してほしいのは、すべてのクラスに対して同じ事前確率であるような特別なケースにおいては、最小誤差ルールおよび最大尤度ルールは同じになるということである。
【０１０７】
（Ｎｅｙｍａｎ−Ｐｅａｒｓｏｎ判定基準）
Ｎｅｙｍａｎ−Ｐｅａｒｓｏｎ判定基準とは検出器の判定ルールであり、通常、偽陰性率を最小化すると同時に、一定の偽アラーム率を選択することをさす。本発明においては、興味を引く最適性判定基準は、偽陰性の確率が固定されているという制限を前提として、偽陽性の確率を最小にすることである（クラスを交換して）。所与の特徴ベクトルの場合、解くべき問題は次の式である。
【０１０８】
【数２３】

【０１０９】
判定ルールに明確な式を与えることは不可能である。なぜなら、判定境界がクラス条件付ＰＤＦｓの特定のペアに伴い変化するからである。しかし、答えは依然として尤度比のしきい値である（そうでなければ、例えばＰ（Ｓ_Ｔ｜ｘ）　＞０．８または＜０．３の場合に宣言する等のように、システムは一貫性のないルールを与えることになる）からである。幾何学的に、ｘが発作前として宣言されているΩ_ＮＳΤ⊂Ｒ^ｎである領域をカバーする、Ｐ（ｘ｜Ｓ_Ｔ）　以下の固定ＦＮ「区域」（現実にはｎ次元の体積）は、ｘが発作前として宣言されているΩ_ＳΤである「補体（ｃｏｍｐｌｅｍｅｎｔ）」領域をカバーする、Ｐ（ｘ｜ＮＳ_Ｔ）　以下のＦＰ区域（現実にはｎ次元の体積）が可及的に小さくなるように分布（必要ならば互いに交わらないように）すべきである。この最後の区域は通常Ｐ（ｘ｜ＮＳ_Ｔ）の「すそ」にある。しかし、ＦＮ区域（Ｐ_ＦＮ）が余儀なく約零になる発作検出器のようなシステムにおいては、Ω_ＳＴは基本的に特徴空間Ｒ^ｎの全体をカバーする。故に、零ＦＮｓの制限下でＦＰｓを減少する唯一の実用にかなった方法は、異なると共に、さらに分離可能な特徴を探すことである。解くべき問題は以下のようになる。
【０１１０】
【数２４】

【０１１１】
あまり重なりあわない特徴の場合、Ω_ＳΤは要求されている高感度を満たすのに丁度十分な空間をカバーすることができ、同時に、Ω_ＮＳΤが妥当な特異度をだすための余地を残している。
【０１１２】
（最小誤差リスク）
所与の特徴ベクトルに対して、解くべき問題は次の式である。
【０１１３】
【数２５】

【０１１４】
最小誤差ルールと比較すると、条件付ＰＤＦｓの相対重みは、Ｐ（Ｓ_Ｔ）およびＰ（ＮＳ_Ｔ）からＰ（Ｓ_Ｔ）_ｒＦＮおよびＰ（ＮＳ_Ｔ）_ｒＦＰに変化する。最適性判定ルールは次の式のようになる。
【０１１５】
【数２６】

【０１１６】
尤度比のしきい値に関しては、判定ルールは以下の式が満たされればＳ_Ｔクラスを宣言する。
【０１１７】
【数２７】

【０１１８】
事後確率のしきい値に関しては、判定ルールは以下の式が満たされればＳ_Ｔクラスを宣言する。
【０１１９】
【数２８】

【０１２０】
最大尤度ルールにおけるように、このしきい値は、Ｐ（Ｓ_Ｔ）が非常に小さければ非常に小さくできる。例えば、Ｐ（Ｓ_Ｔ）＝０．００５の場合であって、最大尤度よりもＦＮｓを回避することにより重点をおいたとき、例えばπ_ＦＮ＝０．７５およびπ_ＦＰ＝０．２５とすると、しきい値は０．００１７である。
【０１２１】
ＦＰｓのリスクを上昇させると、確率しきい値が上昇し、システムのＳ_Ｔを宣言する性向を減少する。同様に、ＦＮｓのリスクを上昇させると、しきい値を低下させ、システムをさらに敏感にする。上述の尤度比または確率のしきい値の代わりに、他の定数が用いられた場合、分類子の動作点は、「受信機動作特性」（ＲＯＣ、例えばＰ_ＣＰ対Ｐ_ＦＰ）曲線に沿って移動し、発作前を検出する能力を非発作を検出する能力と交換する（勿論、性能メトリックスにより初期に定義されている最適性を失う）。尤度比または確率に対するこれらの単純なしきい値を変更することは、分類子の複雑な判定境界もまた特徴のｎ次元空間において変化することを意味する。学術研究の特別なケースを除いて、従来のシステムで通常見かけられるように、一次元の特徴のしきい値を別々に決めると、最適に至らない判定ルールが作成される。一または複数の特徴の場合、その結果求められた最適に至らない判定領域は、区分的に長方形であり、境界は特徴軸に対して平行である。
【０１２２】
縮退する特別なケースとして、特徴ベクトルは、前回のＰ（Ｓ_Ｔ）に常に等しい事後確率Ｐ（Ｓ_Ｔ｜ｘ）を有し得る。これは、特徴ベクトルは発作前状態および非発作状態で同じように挙動することを意味している（そのクラス条件付ＰＤＦｓはＰ（ｘ｜Ｓ_Ｔ）＝Ｐ（ｘ｜ＮＳ_Ｔ）のように同じである）。最適分類子は以下の式で与えられる一定出力分類子であることがある。
【０１２３】
【数２９】

【０１２４】
これは、短期予測ホライゾンに対しては一定の‘ＮＳ_Ｔ’であり（リスク因子がこれを相殺しない限り）、長期のＴに対しては‘Ｓ_Ｔ’である。図２の確率およびしきい値を伴うオンライン実施に関しては、活性化判定論理６０への入力は一定のＰ（Ｓ_Ｔ）であるので、出力もまた定数である。例えば、それらは、「永続的に治療介入して下さい」か「全く治療介入しないで下さい」かのどちらか一方である。非常に興味のある範囲の予測ホライゾンの場合（−２秒から数秒まで）、Ｐ（Ｓ_Ｔ）は小さく、判定は常にオフのままでいられ得る。長期のホライゾンの場合、患者の発作と発作の間の期間がＴに匹敵するようになるとき、Ｐ（Ｓ_Ｔ）は急速に１００％に近づき、判定は、従来の医療体制のように、純粋に開放型ループで治療介入することになる。本発明によると、この最悪のケースのシナリオは、発作状態を分離するための何の特徴も見出せない患者というまれな状態で起き得るだけである。広範囲の研究において、このような困難を示す患者は今日までのところ現れていない。
【０１２５】
（ミニマックス誤差リスク）
所与の特徴ベクトルの場合、解くべき問題は、Ｐ（Ｓ_Ｔ）を未知（０と１との間のどこか）とする以下の式である。
【０１２６】
【数３０】

【０１２７】
また、誤差リスクメトリックは次の式のように書くことができる。
【０１２８】
【数３１】

【０１２９】
所与の判定境界セットの場合、この式は、変数Ｐ（Ｓ_Ｔ）において、直線セグメントのフォームを有しており、座標上の開始点は（Ｐ（Ｓ_Ｔ），　Ｒ_Ｅ）＝（０，　Ｐ_{ＦＰｒＦＰ}）であり、そして、終了点は（１，　Ｐ_{ＦＰｒＦＰ}）である。もし、判定境界をＰ_{ＦＮｒＦＮ}＞Ｐ_{ＦＰｒＦＰ}であるように選択した場合、線セグメントの傾きは正であり、最悪の（最大）Ｒ_Ｅが終了点で生じる。もし、判定境界をＰ_{ＦＮｒＦＮ}＜Ｐ_{ＦＰｒＦＰ}であるように選択した場合、線セグメントの傾きは負であり、最悪の（最大）Ｒ_Ｅが開始点で生じる。傾きがさらに傾斜すればするほど（正または負）、最大Ｒ_Ｅはだんだん悪くなっていく。この最悪のケースＲ_Ｅの最小は、判定境界が次の式のように選定された場合に生じる。
【０１３０】
【数３２】

【０１３１】
この場合、線の傾きは零であり、Ｒ_ＥはＰ（Ｓ_Ｔ）に無関係になる。注意してほしいのは、リスク因子がない場合、この判定基準は均衡性能メトリックを最大にするのと等価であるということである。また、それは最大誤差率Ｐ_Ｅを最小にするか、または、同等に二つの種類の検出器誤差、例えばＦＮｓおよびＦＰｓの最大を最小にする。
【０１３２】
（最小全体リスク）
所与の特徴ベクトルの場合、解決するべき問題は以下の式である。
【０１３３】
【数３３】

【０１３４】
最適性判定ルールは次の通りである。
【０１３５】
【数３４】

【０１３６】
尤度比のしきい値に関して、判定ルールは、もし以下の式が満たされればＳ_Ｔを宣言する。
【０１３７】
【数３５】

【０１３８】
事後確率のしきい値に関して、判定ルールは、もし以下の式が満たされればＳ_Ｔを宣言する。
【０１３９】
【数３６】

【０１４０】
かさねて言うと、このしきい値は、もしＰ（Ｓ_Ｔ）が非常に小さければ、非常に小さくても良い。例えば、Ｐ（Ｓ_Ｔ）＝０．００５であり、π_ＦＰ＝０．５、π_ＦＮ＝０．９５、π_ＣＰ＝０．１５、およびπ_ＣＮ＝０である場合、しきい値は尤度比で０．６２５または事後確率で０．００３１である。π_ＦＰ＝０．２５、π_ＦＮ＝０．９５、π_ＣＰ＝０．２５、およびπ_ＣＮ＝０である、ランダム仮説代替スキームの場合、しきい値は尤度比で０．３５７１または事後確率で０．００１８である。思い起こして欲しいことは、これらの低しきい値は治療が「あまりにも容易に」活性化されるということを意味しないということである。Ｐ（Ｓ_Ｔ）が非常に小さいこれらのケースの場合、Ｐ（Ｓ_Ｔ｜ｘ）の時間プロット（ソフトウェアインターフェイスが作動するパーソナルコンピュータにおいて）は、宣言時に突然の変化が発生するまでは、ほとんど常に零近位に留まっている。零および転換期に近位の小さな変化をさらに良く目で見えるようにする場合には、Ｐ（Ｓ_Ｔ｜ｘ）の対数を代わりにプロットすることができる。デバイスが小さなマイクロプロセッサ（例えば、８ビットシステム）を中心に構築されている場合、短期のΤの確率推定量はマイクロロウ（μ−ｌａｗ）または他の合成された数値を直接出力すべきであり、それにより、大部分のデジタルコードが、Ｐ（Ｓ_Ｔ｜ｘ）の小さな（および、さらに高い頻度の）数値に割り当てられる。
【０１４１】
上記概念の一部は直観に反するもののようかもしれない（例えば、低しきい値での判定基準、または意図的な誤分類）。なぜなら、日々の経験により、個人の確率的な思考が線形になるからである。即ち、個人は、これらのクラスは本質的には同じようにあり得るという潜在的な考えがあり、たいていの場合にｘがＣ_ｉを予測するのを経験すると、ｘが与えられるとＣ_ｉで満足してしまう（最大事後ルール）。以下は、それらの問題の一部をアナロジーにより理解するために単純化した教育的な補助である。例えば、緑色の球と少しのオレンジ色の球で満たされている袋があると想像する。２００個の球の内１個だけがオレンジ色である。従って、Ｐ（Ｇ）＝０．９９５であり、Ｐ（Ｏ）＝０．００５である。幾つかの球は灰色スポット特徴を有しており、それは「オレンジ色であること」を非常に暗示している。即ち、灰色スポットがある場合、１０回の内９回はこの球はオレンジ色である。従って、Ｐ（Ｏ｜ｘ＝１）＝０．９である。この高選択度にもかかわらず、この「スポット試験」の感度は低い。なぜなら、すべてのオレンジ色の球の６０％だけが灰色スポットを有しているからである。従って、Ｐ（ｘ＝１｜Ｏ）＝０．６である。他の幾つかの確率を導くことができ、例えば、スポットのある事前確率はＰ（ｘ＝１）＝Ｐ（ｘ＝１｜Ｏ）Ｐ（Ｏ）／Ｐ（Ｏ｜ｘ＝１）＝０．００３３であり、スポットのない事前確率はＰ（ｘ＝０）＝１−Ｐ（ｘ＝１）＝０．９９６７であり、スポットのないオレンジ色の球はＰ（ｘ＝０｜Ｏ）＝１−Ｐ（ｘ＝１｜Ｏ）＝０．４であり、スポットのある緑色の球はＰ（ｘ＝１｜Ｇ）＝［Ｐ（ｘ＝１）―Ｐ（ｘ＝１｜Ｏ）Ｐ（Ｏ）］／Ｐ（Ｇ）＝３．３５（１０）^−４等である。カーテンがこの袋の前にかけられ、その結果、球を色を見ずに引き抜くと想定する。先験的な知識に基づく最小誤差ルールによると、常にＧを宣言する。しかし、囚人のジレンマのように、緑色の球を間違うペナルティは中程度であるが、オレンジ色の球を間違えることは死を意味する場合、判定ルールは、その結果、常にＯを宣言するのに変わる。ここで、白黒カメラとモニターが設定され、その結果、色彩を見ることはできないが球上の灰色スポットはもしあれば見ることができると想定する。スポットのない球を引き抜く毎に、Ｐ（Ｏ｜ｘ＝０）＝Ｐ（ｘ＝０）Ｐ（Ｏ）／Ｐ（ｘ＝０）＝０．００２のように、それがオレンジ色であるという確率を演算（または、ルックアップ表から求める）する。もし、灰色スポットが見える場合は、これは、Ｐ（Ｏ｜ｘ＝１）＝０．９に変わる。故に、Ｐ（Ｏ｜ｘ）の時系列は、
｛．００２，．００２，．．．，．００２，．９，．００２，．００２，．．．｝
のフォームを有し、最小誤差分類子はたまにＯを宣言するだけである（スポットを発見するときはいつも）。これは、誤差率Ｐ_Ｅ＝Ｐ_ＦＮＰ（Ｏ）＋Ｐ_ＦＰＰ（Ｇ）＝Ｐ（ｘ＝０｜Ｏ）Ｐ（Ｏ）＋Ｐ（ｘ＝１｜Ｇ）Ｐ（Ｇ）＝０．２３％で実現される。この例において、特徴ｘはバイナリなので、確率のしきい値が０．００２より低く設定されていない限り、最小リスク判定は最小誤差と同じであり、一定の出力Ｏを生成する。これにより、感度は６０％から１００％に上昇するが、誤差率は、０（０．００５）＋１（０．９９５）＝９９．５％に一気に上昇する。連続特徴の場合、確率関数に時系列は只の真意二値ではなく、例えば、
｛．００１５，．００１８，．．．，．００１７，．２，．９，．００１４，．．．｝
であるので、リスクを最小にする低しきい値は、必ずしも極端なリスクケース／一定の出力分類子である必要はない。注意して欲しいことは、しきい値の最適な選択は、所与の特徴ベクトルに対して達成し得る最高の性能メトリックスを生成する以上のことはできないと言うことである。満足のいく性能を生ずることができるしきい値がなければ、その時は、上述したように、悩みは改善された特徴を探索することに向けられる（例えば、多分、灰色スポットの球上での分布および灰色縞等）。
【０１４２】
このアナロジーを仮説的な応用で終了するために、これらの緑色の球を非発作観測ウィンドウだと考え（クラスＮＳ_Ｔであるウィンドウの内の最も最近のデータにより規定される）、これらのオレンジ色球を発作前観測ウィンドウだと考える。灰色スポット特徴は発作の前に９０％の回数で観測されるプリカーサである。患者の発作の６０％のみが類型的であるので、これらのプリカーサは残りの４０％の患者には見られない。１０％のプリカーサは非発作の時間には発生しない。色、カーテン、および白黒カメラ／モニターは、脳内の発作を引き起こす内在する現象のすべてを完全に観測することはできないという事実を象徴しているが、発作の電気生理学的信号または他の関連するものからの特徴ｘを測定することにより、そして制御ループをそれらに基づいて閉鎖することにより、開放型ループ発作制御により提供されるよりもさらに優れた結果を実現することができる。
【０１４３】
（ノンパラメトリック分類子）
パラメトリック分類子は、特徴分布に関する仮説に頼り、この仮説から、２〜３のパラメータが推定されており、例えばそれらは、ガウスモデルにおける平均ベクトルマトリクスおよび共分散マトリクス等である。ニューラルネットワークおよびファジーシステム等のようなユニバーサルアプロキシメータに基づく分類子は、理論的に無限のパラメータセットを有しており、特徴分布についての仮説に頼らなくても例から学習するが、トレーニングの間にコンピュータリソースの多くを消費するのが典型的である。ノンパラメトリック分類子は基本的にパラメータおよび学習ルールを有しない。トレーニングは極端に速い。なぜなら、トレーニングデータセットは、すべて、分かりやすく記憶（格納）されているからである。トレーニングで貯蓄されるものは、ノンパラメトリック分類子を適応する間に発生するＣＰＵ時間およびメモリ費用を補填する以上のものがあるので、それらは、本発明においては、数十万の試験を必要とする特徴最適化を促進するのに利用される。
【０１４４】
ｋ−ニアレストネイバ（ｋＮＮ）分類子は、ベンチマークとして幅広く受け入れられているノンパラメトリック且つ非線形分類子である。入力パターンベクトルが与えられると、ｋＮＮはトレーニングデータベース内でｋ個の最も似た（ユークリッド距離において最も近い）ベクトルを探索し、過半数の票により対応するクラスを宣言する。判別関数スコアＤ_ｉ　（ｘ）は、ｋ個のクラスの中の各クラスの「ポピュラリティ」を数えることにより、各クラスＣ_ｉ対して導き出すことができる。
【０１４５】
【数３７】

【０１４６】
この式において、ν_ｉｍは、ｍ番目のニアレストネイバによりＣ_ｉに与えられる票（０または１）である。これらのポピュラリティスコアは０〜ｋまでの範囲に及ぶことができ、それらの合計はｋに等しくならなければならない。例えば、ｋ＝３であり、二つのクラスの場合、Ｓ_Ｔは０票を受け取り得るし、一方、ＮＳ_Ｔは３票（または、１と２、２と１、または３と０）を受け取る。これらのｋＮＮ判別子の形状は、事後確率Ｐ（Ｃ_ｉ　｜ｘ）の形状を直接（おおざっぱではあるが）近似する。
【０１４７】
分類に適応されるＰａｒｚｅｎウィンドウの方法、またはカーネル判別解析は、統計的ニューラルネットワーク（ＰＮＮ）として再発明された統計学の古典的な方法である。適切に訂正された場合、ＰＮＮまたはその改良型は、トレーニング観測の数Ｎ_ｏｂｓが無限大になるにつれて、最適判定ルールに近づき得る。通常、半径方向に対称なガウスノード（Ｐａｒｚｅｎウィンドウ）は、各トレーニング入力ベクトルパターンＰ_ｊの中心となる。これらのウィンドウのすべての幅は、共通の帯域幅または平滑パラメータにより制御される。ここで、逆帯域幅パラメータｂ＝（σ√２）^−１を利用する。この式において、σはガウスカーネルの標準偏差である。Ｎｃクラスの場合、出力ターゲットｔ_ｊは１−ｏｆ−Ｎｃバイナリベクトルフォーマット［ｔ１_ｊ　ｔ２_ｊ　．．．ｔ_Ｎｃｊ］にコード化され、そこでは、これらのｔ_ｉｊの一つだけが、Ｃ_ｉクラスを示す位置_ｉで１と等しく、他のすべては零である。入力ベクトルｘが与えられる場合、各Ｃ_ｉクラスに対する判別関数は次の式で演算される。
【０１４８】
【数３８】

【０１４９】
これは、Ｃ_ｉクラスから求められ、ｘで評価されたガウス「ベル」のすべての合計である。これらの判別子の形状はクラス条件付ヒストグラムと類似している。即ち、それらはＢａｙｅｓ分子（事前確率によりスケーリングされたクラス条件付ＰＤＦｓ）Ｐ（ｘ｜Ｃ_ｉ）　Ｐ（Ｃ_ｉ）の形状を近似する。
【０１５０】
もう一つのＰＮＮにおいては、各クラスの判別関数は以下の式である。
【０１５１】
【数３９】

【０１５２】
この式において、Ｎ_ｉは、Ｃ_ｉクラスに属するトレーニングベクトルの数であり、即ち、以下の式となる。
【０１５３】
【数４０】

【０１５４】
注意して欲しいことは、Ｎ_ｉによる割算により、各クラスのすべてのカーネルの平均である判別関数面が生じると言うことである。これらの面はクラス条件付密度の形状を大まかに近似している。推定された曲線が得ることができる最大値は１である（それはすべてのクラスの例が同じものである場合に生じる）。ＰＤＦｓが異なる広がりを有している場合、高さは異なることになる。平均を取ると、このＰＮＮが事前確率に左右されなくなるということが分かる。説明をすると、もし一つのクラスに対して１００万の例があり、そのほかに対しては一つの例しかない場合、Ｎ_１＝１０^６およびＮ_２＝１で割ると、構成要素の比率に関係なく、最大値１により各推定された曲線を制限してしまう。
【０１５５】
ＰＮＮの逆帯域幅パラメータｂが大きくなるにつれて、Ｐａｒｚｅｎウィンドウは「薄く」なり、それにより入力ベクトルに最も近いトレーニングベルだけが非常に活性化される。結果として得られる判定ルールは、故に、ニアレストネイバルール（ｋが１であるｋＮＮ）と同じになる。しかし、実際には、ＰＮＮｓはｋＮＮとして用いるべきではない。なぜなら、極端な入力パターンの場合、ガウスの非常に小さい数値により、場合によっては、下位桁あふれ、および零による割り算等のような数値問題が引き起こされるからである。
【０１５６】
競合層（最大セレクタ）を通過し、クラスを宣言する前に、これらの分類子の判別関数は、以下の式で、凸形状に正規化することができ、それにより、クラスの合計が１に等しくなる。
【０１５７】
【数４１】

【０１５８】
この凸正規化は、分類子の判定をどのようにも変更することはないが（最大Ｄ_ｉを有するクラスはまた最大Ｄ_ｉバーを有する）、少なくとも最初のＰＮＮの場合、数値はクラスの事後確率の推定値として役割を果たすことができる。例えば、Ｄ_ｉバー（ｘ）≒Ｐ（Ｃ_ｉ｜ｘ）である。負でない判別式の変換が適用されるすべての分類子の場合、‖ｘ‖が∞になるにつれて、Ｄ_ｉバーは１または０に近づくので、これらの正規化された判別式は、定義域の極限において、連続事後確率関数に似ており、そこでは、少なくともクラスの一つが絶対的な確かさで分類され得る。
【０１５９】
（最適性判定ルール用分類子の訂正）
発作は比較的まれにしか起きないので、発作前特徴ベクトルは、最も有用なＴ’^ｓにおいては、非常に低い事前確率Ｐ（Ｓ_Ｔ）で存在している。誤った事前確率を有するトレーニング分類子／予測値、および／または試験分類子／予測値は、さまざまな歪みを引き起こし、もし訂正されない場合は、最適化されていないシステムに見方の偏った評価をしてしまうことになる。例えば、ＩＥＥＧ記録の裏に隠された歪められた事前確率を用いて研究室でトレーニングされたシステムでは、実現可能な最高の精度を生じることはないだろうし、または、当初意図していた固定の重みを用いて実現できる最低のリスクをもたらさない場合もある。加えて、このシステムが、また、誤った事前確率で研究室で試験された場合、メトリックの一部は、実生活における患者のデバイスでの実際の場合よりも良く（または、悪く）見える。トレーニングの後、訂正因子を最大事後確率神経分類子の判別関数に適応することができ、その結果、システムはそれらがまるで正しい事前確率を用いて最適化されているように機能することが知られている。この訂正技術は他の種類の判定ルールにも適用することができる。また、訂正はしきい値用に導くこともでき、所与の分類子の最適性定義を変更するのに用いることができる。加えて、訂正は、次のセクションで説明するように、事後確率用に導くことができる。パターン認識の文献から判断すると、これらの訂正および多くの以下の方法に無知であることの帰結は良く知られておらず、これらの文献においては、事実、間違いが日常的に見つけられる。
【０１６０】
トレーニングデータセット内の発作前ベクトル例の比率から推定される発作前ベクトルの事前確率は以下の式で表される。
【０１６１】
【数４２】

【０１６２】
通常、連続時間ラインに本当の発生頻度Ｐ^ｔｒｕｅ（Ｓ_Ｔ）を反映しない（発作は入院中は促進される、および、記録に時間ギャップがある等）。本当の事前確率は、入院期間よりも長い患者観測期間にわたって、且つ安定な、薬剤状態、水分補給状態、睡眠状態、および他の状態下で推定される（長期の挙動が非安定状態であると考え得る場合、約一月よりも長期にはならないが）。誤差およびリスク判定ルールのＢａｙｅｓの分子から、これは、見かけの比率下で学習される最適化分類子と、本当の環境の場合この分類子がどのようであったかとの間のミスマッチを引き起こすということが理解できる（正しいＲＯＣ動作ポイントは異なる）。この問題は慎重に対処しなければならないが、特に、一つのクラスの事前確率がその他のクラスのものよりも非常に小さい場合がそうである。本当の比率を採用する試みにおいては、数百万のＮＳ_Ｔベクトルとほんの２〜３のＳ_Ｔベクトルを用いて分類子をトレーニングすることは非現実的であり、逆効果を生じる。そのような不均等の比率の例を用いて、分類子をトレーニングすると、まさに注意しなければならないパターンを不明瞭にしてしまう。本明細書で提供されている訂正方法により、トレーニングが発生した後の事前確率のミスマッチを把握すると同時に、実行者が任意の比率の例を使用して分類子または確率推定量をトレーニングすることができる。
【０１６３】
三つのタイプの分類子が、それらにより構築された判別関数Ｄ_ｉ（ｘ）のタイプを基にして定義されている。Ｂタイプ分類子は、各クラスに対してＢａｙｅｓ分子の形状の内部表現を有している。即ち、Ｄ_ｉ（ｘ）がＰ（ｘ｜　Ｃ_ｉ）Ｐ（Ｃ_ｉ）に等しいか、またはクラスの共通因子によりそれらに比例している。負または対数を有するＢａｙｅｓ分子スコアを単調に変換し、このスコアがそれから回収され得る、等価の分類子は依然としてＢタイプとして適任である。Ｎ_ｏｂｓ→∞の境界において、共同で、ガウス特徴およびＰＮＮｓのためのＢａｙｅｓ二次分類子は、Ｂタイプ分類子の例である。Ｌタイプ分類子は、各クラスに対して尤度スコアの形状の内部表現を有している。即ち、Ｄｉ（ｘ）が、ＰＤＦｓ　Ｐ（ｘ｜Ｃ_ｉ）に等しいか、またはクラスの共通因子によりそれらに比例している。Ｎ_ｏｂｓ→∞の境界において、区域正規化されたヒストグラムおよびもう一つのＰＮＮの最大セレクタはＬタイプ分類子の例である。Ｏタイプは他のすべての分類子であり、最適性判定ルールを発生するが、Ｐ（ｘ｜Ｃ_ｉ）またはＰ（ｘ｜Ｃ_ｉ）Ｐ（Ｃ_ｉ）に関連する判別関数を近似しようとは試みない。ファジー分類子およびｋＮＮはＯタイプ分類子の例である。
【０１６４】
誤ったトレーニング事前確率を利用して最適化されたＢタイプ分類子は、判別式Ｄ_ｉ ^ＴＲＮ＝Ｐ（ｘ｜Ｃ_ｉ）Ｐ^ＴＲＮ（Ｃ_ｉ）の等価量を学習する。影響を受ける判定ルール（ａｒｇｍａｘ［・］として実施された場合）は、当初リスク因数ｒを介して修正されたリスクを有するｍｉｎＰ_Ｅ、ｍｉｎＲ_Ｅ、およびｍｉｎＲ_Ｏである。各判別式は以下の訂正因子を用いて再スケーリングすることにより訂正することができる。
【０１６５】
【数４３】

【０１６６】
その結果、これらの数を以下の判別式に適用することは、
【０１６７】
【数４４】

【０１６８】
因子内で、誤った事前確率を消去し、それらを以下に示す本当の事前確率と置き換えることに相当する。
【０１６９】
【数４５】

【０１７０】
ＰＤＦｓは事前確率に無関係であるので、Ｌタイプ分類子は事前確率のミスマッチにより生得的に影響を受けることはない。それらは、最大尤度判定ルール、Ｎｅｙｍａｎ−Ｐｅａｒｓｏｎ、ｍｉｎｉｍａｘ　Ｒ_Ｅ、ならびにペナルティ因子πを介して本来修正してあるリスクを有するｍｉｎ　Ｒ_Ｅおよびｍｉｎ　Ｒ_Ｏに理想的に適している（ａｒｇｍａｘ［・］として実施された場合）。同じ乗法的な訂正技術は所与の分類子の最適性定義を変更するのに利用することができる。例えば、ある最大尤度分類子Ｌタイプが与えられ、それは、０．５Ｐ_ＦＮ＋０．５Ｐ_ＦＰを最小化するものであり、そして、後に、それは、Ｒ_Ｅ＝０．７５Ｐ_ＦＮ＋０．２５Ｐ_ＦＰであるべきだったと判断した場合は、クラスＳ_Ｔの判別関数を以下の式を用いて再強調し、
【０１７１】
【数４６】

【０１７２】
同時に、同じように以下の補体クラスを非強調する必要があるだけである。
【０１７３】
【数４７】

【０１７４】
勿論、Ｌタイプ分類子は、もしそれらが式Ｄ_ｉ ^ＴＲＮ（ｘ）＝Ｐ（ｘ｜Ｃ_ｉ）Ｐ^ＴＲＮ（Ｃ_ｉ）に代入することにより、Ｂタイプの場合に述べた判定ルールを実施するのに利用される場合には、事前確率ミスマッチにより影響を受けるだろう。注意すべきことは、分類子／判定ルールは、すべて、現在の好ましいオンライン実施のように、それらが事後確率Ｐ（ｘ｜Ｃ_ｉ）のしきい値として実現される場合には、事前確率ミスマッチにより影響を受けるということである。Ｌタイプ分類子によるＰＤＦｓの直接推定値のオンライン実施は、約５特徴次元より超える場合には実行不可能であると考えられている。
【０１７５】
Ｏタイプ判別関数は、それらのインターセクションがＰ（ｘ｜Ｃ_ｉ）またはＰ（ｘ｜Ｃ_ｉ）Ｐ^ＴＲＮ（Ｃ_ｉ）により生成されるインターセクションと同じ判定境界またはしきい値を生成する限りにおいて、任意の形状を有することができ、見かけの事前確率Ｐ^ＴＲＮ（Ｃ_ｉ）に対して調整された最適分類子を与えることができる。しかし、これらの尤度スコアまたはＢａｙｅｓ分子の形状を、それらは近似することを要求されないので、上記の訂正技術により、Ｏタイプの分類子が実生活の状態下で最適に挙動することになるという保証はない。
【０１７６】
ｋＮＮにおいて、その「ポピュラリティ」スコア判別式はＰ（ｘ｜Ｃ_ｉ）Ｐ^ＴＲＮ（Ｃ_ｉ）の形状を有していないが、訂正因子は、競合層に入る前にそれらのスコアに直接掛けられる。ＰＮＮｓにおいては、訂正因子は、凸正規化以前におよび競合層により処理される以前に、各クラスの判別スコアに掛けられる。研究においては、ｋＮＮは、部分的にだけだが、本明細書で概要を説明した方法を利用して、それらが事前確率ミスマッチに対して非常に頑強に訂正され得るという性質を実証している。これは、もしあるクラスがまれな場合には、ニアレストネイバで表現されるということは生得的に可能性がより低いという事実に関連し得る。ＢタイプおよびＬタイプのように、ＰＮＮｓを事前確率または新しい最適性に対して十分に訂正することができるが、しかし、実行者は、ｂパラメータの感度によりこれが困難になるということを警告されている。不適切なｂの影響は、訂正が行なえない程度まで、分類子の訂正能力を上回ることができる。
【０１７７】
（特徴サブセット選択）
直観、ブレインストーミング、その分野の知識、および試行錯誤の組み合わせに基づいて、豊かな特徴ライブラリを構築する際、Ｎ_ｆ特徴が非相関であることを確実にする努力はしない（または、すべきでない）。特徴の一部は、特定の予測タスクには全く関係がないということにさえ成り得る。さらに、このライブラリのすべての特徴を利用すると、学習および実行プロセスに大きな演算負荷が伴うことになる。故に、性能目標を満足させる最小の特徴サブセット（ｎ−ベクトル）を見つけなければならない。Ｃｏｖｅｒはバイナリ特徴を用いて一つの例を構築し、そこにおいては、最良の特徴サブセットは実際にはいずれの貪欲な技術に準じても「最悪に見えるもの」であった。なぜなら、ある「悪い」特徴の独立した観測（例えば、時間の経過につれて）は、ある「良い」特徴の独立した観測よりもより良い精度を生成することができるからである。特徴ライブラリのサイズがＮ_ｆ≦３０であり、特徴次元がｎ≦５である場合、この選択問題は全数探索により解くことができるが（≦１７４，４３６評価回数）、しかし、一般的に、発見的探索がＣｏｖｅｒのパラドックスにもかかわらず要求される。ｎが固定されている場合、Ｎ_ｆ個の特徴（ｎ≦Ｎ_ｆ）からｎ次元の特徴を選択する際、以下の式で表される可能な方法がある。
【０１７８】
【数４８】

【０１７９】
これは、特徴ライブラリの累乗集合において、２^Ｎｆ−１個の可能なサイズのすべての特徴ベクトルの合計になる。これらの数は全数探索の可能性を除外するほど大きくなり得る。例えば、以下の場合には、
【０１８０】
【数４９】

【０１８１】
それぞれ、３０（１０）^６、７５（１０）^６、１．７（１０）^１３のオーダということになる。
【０１８２】
この指数関数的急増を取り扱う最も容易な戦略の一つは、前進順次探索である。Ｎ_ｆ特徴は、それぞれ、まず個々にスコアされる。最も良いものは取り上げられ、いわゆる、「成長する」特徴ベクトルの永久部分となる。まだ使用されていないＮ_ｆ−１の特徴の中で、最初の特徴と関連して最も良く働く特徴が見出され、この特徴ベクトルに加えられる。そして、まだ使用されていないＮ_ｆ−２の特徴の中で、前ペアと関連して最も良く働く特徴が見出され、この特徴ベクトルに加えられる。このプロセスは、ｎ特徴が選択されるところまで繰り返される（前もって固定するか、またはスコアがある所望のレベルに達するまで）。この技術が一つの貪欲アルゴリズム（最良の１−ベクトルにもう一つ足すと全体的に最良の２−ベクトルになり得るとは限らなく、その続きも同じである）であるが、ｎＮ_ｆ−ｎ　（ｎ−１）／２スコア評価回数を必要とするだけである。前回の例の数が、それぞれ、２５５，４９０と９５５とに劇的に減少する。変数増加法（ｆｏｒｗａｒｄ　ｓｅｌｅｃｔｉｏｎ）と動的プログラミング（より網羅的な方法）との間の分類性能の違いは、通常４％以下である。しかし、この方法により生成される候補特徴ベクトルはネスト化されたセットである。
【０１８３】
しかしながら、ランダムに選択したＰＤＦｓが変数増加（減少）法を無効にし得る確率を減らすためには、Ｓｔｅａｒｎｓ（Ｎ_ａｄｄ，Ｎ_ｋｏ）のアッドオンノックアウトアルゴリズム（もともとは、「ｍ足してｎを取り出す」と呼ばれていた）が、特徴選択のための好ましい演算により取扱い可能な、発見的探索方法である。最良のＮ_ａｄｄ（例えば、２）特徴が、変数増加法のように一つずつ足されるが、次の回では、最悪のＮ_ｋｏ（例えば、１）が、変数減少法のように消去される。この交互プロセスはｎ特徴が得られるまで繰り返される。この方法で、必ずネスト化されなければいけないことのない一連の候補特徴ベクトルが生成され、通常、前進順次探索の演算負荷の約５倍を必要とする。これは、依然として、動的プログラミングにより必要とされている通常の増加よりもかなり下回る。
【０１８４】
（人工的特徴）
区別可能な特徴の特定化はインテリジェントセンシングにとって最も重要なキーである。一組の特徴が与えられる場合、最適性分類子をどのように作成するのかが分かる。逆の問題、即ち分類子が与えられている一組の特徴を特定することは、前のセクションで記述したように、この分野においては、特徴サブセット選択に制限されてきた。本発明は、随意的に、演算集中型手続きを利用して、選択した特徴ベクトルをさらに最適化し、理論上、本来の特徴ベクトルの性能と一致するかまたはそれを凌ぐ、遺伝子学的に発見し、神経学的に演算した（ＧＦＮＣ）、人工的特徴を作成する。固定分類子演算リソースの場合、判別タスクは、単一ＧＦＮＣ入力特徴を用いると、同じ情報を有しているが、それ以上の「隠された」情報を有する多次元入力と比較して非常に容易になる。
【０１８５】
このフレームワークにおいて、特徴はネットワークにより表現されるとともに演算される。本発明により定義されるように、特徴は、生の入力セットをスカラーにマッピングする式またはアルゴリズムから求められるので、適切なニューラルネットワークはこのマップを学習し且つ実施することが可能になる。故に、ＧＦＮＣ特徴は、フィードフォワードネットワークの出力から求めらるか、または反復性ネットワークの安定平衡の出力から求められ、従来の特徴を模倣するか、または全く新規の人工的特徴であり得る。想像されることは、将来、演算能力が上がると、人工的特徴は生データから直接取り出され、従って、それらは特徴の有限的なリストから生成される情報に限定されなくなるということである。これらのネットワークは、遺伝子型的には、二重ストリング（染色体）として表現され、遺伝的アルゴリズム（ＧＡ）または他の進化アルゴリズム内の固体として考えられている。表４は従来の特徴と人工的な特徴との対照的な特性を強調している。
【０１８６】
【表４】

【０１８７】
ＧＦＮＣ特徴をどのように作成できるかの一つの例として、二つのランダムベクトルが平面上で平行かどうかを判定する問題を考えてみる。これらの二つのベクトルの開始点と増分、（ｘ_１、ｙ_１、Δｘ_１、Δｙ_１）および（ｘ_２、ｙ_２、Δｘ_２、Δｙ_２）が与えられた場合、判定構造は平衡の場合１を出力し、平衡でない場合は０を出力するのが望ましい。注意すると有益なことは、開始点および増分の相対サイズは関係がなく、解析幾何学の知識から、以下のベクトル間のコサインの絶対値は以下の式で表され、
【０１８８】
【数５０】

【０１８９】
このタスクの最適特徴であり、０は直交を意味し、１は完全に平衡であることを意味するということである。平衡クラスおよび非平衡クラスを有する、ランダムトレーニングおよび試験入力ベクトル［ｘ_１、ｙ_１、Δｘ_１、Δｙ_１、ｘ_２、ｙ_２、Δｘ_２、Δｙ_２］のセットを生成する。人工的特徴は、位相幾何学的コネクションシンメトリーを用いて、単項数学演算子｛Ｉ（・）、（・）^２、√｜・｜、｜・｜｝の一つを表す単一入力ノードを用いて、そしてバイナリ演算子｛＋、−、＊、／｝を表す二項入力ノードを用いて、代数学的ネットワークにより実現される。ここで、Ｉ（・）は恒等演算子である。後者のタイプのノードはｎ項演算子に容易に一般化できる。また、従来のニューラルネットワークを用いることもできるが、より大きくなるであろう。ネットワークの出力は、元の入力のどちらかといえば非線形特徴である。生トレーニングおよび試験パターンは、人工的な特徴のトレーニングをされる単一入力ｋＮＮ分類子を作成するするために、そしてこの試験セットのＰ_Ｃ精度メトリックを演算するために、ネットワークを通過する。
【０１９０】
遺伝的アルゴリズム（ＧＡ）は、Ｐ_Ｃメトリックを適応度関数として利用する。各候補解答は人工的な特徴／式である。各固体のＧＡ染色体において、ノード演算は、固体毎に全部で４４個の遺伝子に対し、二つのバイナリ遺伝子を用いて表現できる（なぜならノード毎に２^２個の可能な演算子があるからである）。この染色体は人工的特徴を表すネットワークにデコードされる。この個体群内の人工的特徴の進化は遺伝的なクロスオーバおよび突然変異により進行する。ノード当たり四つの可能な演算子を有しており、そして、すべての入力の位相幾何学的なコネクションが、｛０，０｝（コネクション無し）、｛０，１｝、｛１，０｝、｛１，１｝（二つのコネクション）のように変化するのを可能にする。３０ノードのネットワークの場合は、問題は、４^３８≒７．６（１０）^２２の数の候補解答を有する３８次元空間内の組み合わせ探索である。惑星地球の年齢は３．５（１０）^９年であると推定されている。故に、各適応度関数評価を実行するのに一秒しか掛からないとすれば、解答空間を完全に数え上げそして最適性を保証するのに、地球上の７００，０００オーダの人が必要であるだろう。
【０１９１】
上記の問題の実験において、ある分野の専門家により考えられたこともない特徴を有する関連する入力を用いると、すぐに、常識解析特徴として零誤差性能を達成することが分かった。関連するおよび関連しない入力を混合した場合には、精度の有意の向上が、演算リソースおよび時間制約内の八つの入力の生のセットから人工的な特徴を進化することにより、可能になった（パーソナルコンピュータで２〜３時間）。四つのΔ特徴の内三つ（Δｘ_１、Δｘ_２、およびΔｙ_２）は結合したままであったが、一方、四つの開始点特徴の内三つ（ｘ_１、ｘ_２、ｙ_１、）はディスコネクトされた。これにより、ＧＦＮＣ手順は関連しない特徴よりも関連する特徴により注意を払う特徴を作成しようと試みていたことが示唆される。ディスコネクトされたノードを取り除いた後、その結果として得られた人工的特徴の解析フォームは以下の通りである。
【０１９２】
【数５１】

【０１９３】
この例は、ＧＦＮＣの人工的特徴がどのようにして非常に大きな空間で実行可能な解答を提供できるのかを示している。事実、これは元の特徴ライブラリにより提供される特徴の累乗集合よりもさらに大きい（この例では２５５の特徴サブセット）。
【０１９４】
（確率推定）
現実的事後確率関数Ｐ（Ｓ_Ｔ｜ｘ）の合成は、本発明の主要要素の中の一つである。クラス判別に加えて、ノンパラメトリック分類子の内部判別関数が事後確率の推定にもまた利用され得る。しかし、これらの分類子はすべてのトレーニングデータを格納し、クラス条件付ＰＤＦｓを直接推定するので、「次元の呪」に非常に苦しみ、この点で多次元のヒストグラムに多くを提供しない。よいＰＤＦ推定が１００^５＝１０，０００，０００トレーニングトークンオーダで要求する場合、５次元以上を有する特徴ベクトルを利用することが（特にオンラインで）、さらにますます疑わしくなる。本発明によれば、関数Ｐ（Ｓ_Ｔ｜ｘ）は、所望のターゲット確率が知られていないとしても、ロジスティクスＳ字形状の出力ノード（［０，１］の範囲の学習を容易にするために）、‘ＮＳ_Ｔ’および　‘Ｓ_Ｔ’　クラスのそれぞれを示すバイナリィ｛０，１｝ターゲット出力ｙ（実際の確率の代わりに）、ならびに次の平均平方誤差に基づく平方誤差損失関数で、一般化ニューラルネットワークをトレーニングする方法に従って神経学的にデータから学ばれる。
【０１９５】
【数５２】

【０１９６】
この式において、ｙは所望のターゲット（０または１）であって、ｙハットは入力ｘのネットワークの出力（０から１の間で連続する）である。バイナリーターゲットおよび平方誤差の条件により、ｘが与えられた場合、正確にトレーニングされたネットワークが、数学的期待される｛０，１｝ターゲット出力数値を出力することができる。即ち、ネットワーク出力は、理想的には、以下に示すようにバイナリーランダム変数ｙ｜ｘの期待値であり、
【０１９７】
【数５３】

【０１９８】
所望の量Ｐ（Ｓ_Ｔ｜ｘ）　と正確に一致する。これは、平方誤差損失関数を最小にするのが条件付平均関数（ここではＥ［ｙ｜ｘ］）であるので起こる。簡易に言えば、与えられたｘに対してネットワークに示される矛盾する０の例と１の例との間の「バトル」において、ネットワークは平均値で落ち着く。なぜなら、平均値がｘにおいて平方誤差を最小化するからである。この平均には、０および１の相対比率に基づく事後確率情報が含まれる。実際においては、与えられたｘに対して複数の例ではなく、たった一つの入出力の例（ｐ_ｊ，　ｙ_ｊ）であることがある。これが、ニューラルネットワークの汎化能力が重要になる箇所である。この設定において、モデル近似および推定誤差の効果はよく理解されていないが、このアプローチは実際において広く成功している。
【０１９９】
（ウェーブレットニューラルネットワーク）
ウェーブレットニューラルネットワーク（ＷＮＮｓ）は、本発明において、適度の量のトレーニングサンプルで、約１０の次元まで確率関数Ｐ（Ｓ_Ｔ｜ｘ）　を学習するのに利用される。実用的に関心のある多くの関数の構成にマッチするテンプレートのようにウェーブレットノードを動作させることによって、ＷＮＮｓは一般的な回帰学習問題および概念学習問題に効率的に解答を提供する。ＷＮＮｓは１次元関数についての情報を最適にエンコードできる。多次元のアフィンおよび放射形状のウェーブレットネットワークは広い空間内で密であり、入力次元に関係しないサプノルム近似率を達成でき、これらのパラメータの数が、ノードの次元および数の両方とともに線形的に大きくなるのに対して、伝統的な多項式展開、スプライン展開、および三角関数展開においては指数的数が必要とされる。加えて、ＷＮＮｓは、トレーニングを非常に高速化する方法で初期化することができる。ＥＥＧ解析から金融工学の範囲にわたる現実の世界での応用において、ＷＮＮｓは、所与のレベルの精度に対して、代替ネットワーク構造よりもより少ないパラメータを用いて、効率的に解答を生じる傾向を示してきた。
【０２００】
Ｔ−分ＷＮＮ確率モデルが基本的に実現することは、多重入力と単一出力との変換である。
【０２０１】
【数５４】

【０２０２】
この式において、ｘは入力特徴の行ベクトル［ｘ_１…ｘ_ｎ］として示され、ｂ_ｍは、ｍ^ｔｈウェーブレットノードに関連する翻訳ベクトルであり、Ａ_ｍは対称的な正数の準定「スクワシング」マトリックスであり、Ｍはウェーブレットノードの数であり、ｃはこのモデルの非線形部分に関連する線形出力係数であり、ｃ^ｌｉｎはこのモデルの線形部分に関連する線形出力係数である。このＷＮＮのＴへの依存性は、ネットワークパラメータＡ_ｍ、ｂ_ｍ、ｃ、およびｃ^ｌｉｎを調整するのに利用されるトレーニングデータセットの方法によって無条件である。
【０２０３】
ウェーブレットノードの数Ｍは、連続する多くのクラスタに対して入力―出力スペース内のトレーニングデータのＫ−平均値クラスタリングに基づいて初期化することができる。各クラスタリングにはクラスタ内およびクラスタ間の分散の指標が割り当てられている。この指標は多次元Ｆ比の逆であり、
【０２０４】
【数５５】

【０２０５】
Ｎ_ｏｂｓは観側の数であり、Ｋはクラスタの数であり、ｗ^ｉ _ｊはｉ^ｔｈクラスタに属する入力―出力データポイント［ｐ　ｙ］であり、Ｎ_ｉはｉ^ｔｈクラスタにおけるこのようなポイントの数であり、ｗ_ｉバーはｉ^ｔｈクラスタの中心であり、およびｗバーは総平均である。ウェーブレットノードの数は、この指標の最小値であると見なされている。副産物として、初期ネットワークパラメータが、クラスタの第一のオーダおよび第二のオーダの統計から求められる。あるいは、コンピュータのリソースが許容するならば、ＷＮＮはシステマティック探索および総合性能メトリックに基づき、その最小サイズから十分なサイズに「成長」し得る。
【０２０６】
すべての仮説ＷＮＮ確率モデル構成の場合、ネットワークパラメータＡ_ｍ、ｂ_ｍ、ｃ、およびｃ^ｌｉｎのトレーニングは、下記の実験的平均平方誤差関数に関する最小化問題としての与えられている。
【０２０７】
【数５６】

【０２０８】
データの影響が次第に減少するオプションの場合、確率推定量のトレーニングは重み付け最小平方問題となり、そこでは、各平方誤差が誤差関数に与える寄与は、下記のようにトレーニングデータの経年および忘却スケジュールに従って、ｗ_ｉによって重み付けされる。
【０２０９】
【数５７】

【０２１０】
この場合、最近の４ヶ月はシステムに対し少しずつ増加する影響だけを有するが、通常、学習された確率関数に対して以前の月よりもさらに大きな影響を持つような方法で影響を有している。
【０２１１】
これらの誤差判定基準は、トレーニングセットを利用して最小化する間、ガイドとして利用されるが、しかしながら、注意することは、将来の代表的なデータ妥当性確認セットに対して（特別なトレーニングセット上ではなく）この指標の期待値の最小化を試みるモデルを選択することである。Ｅ［ＡＳＥ］　の推定値は、リーブワンアウト統計、交差妥当性統計、およびブーツストラップ統計のような規則化テクニック、または再サンプリングテクニックから原則的に求められる。しかしながら、分割サンプル妥当性確認は、最も単純であるが、ネットワークの過剰トレーニングを抑制し、従って汎化の保持を試みる効果的な実践的テクニックである。このデータセットは、トレーニングセットＴＲＮ（例えば、すべての（ｐ_ｊ，ｙ_ｊ）の例の７０％）、および妥当性確認セットＶＡＬ（例えば、その残りの３０％）にランダムに分割される。十分な例が利用可能であるならば、完全に独立したテストセットＴＳＴもまた汎化誤差の最終的な評価のために保持され得る（将来の性能）。トレーニングはＴＲＮの誤差を最小化することにより進行し、同時にＶＡＬの誤差を監視する。ＶＡＬの最も良いＷＮＮは繰り返しごとに記録される。通常、ＴＲＮの誤差は任意の小さい値に下がり（十分複雑なＷＮＮを提供する）、一方、ＶＡＬの誤差はまず減少し、それから着実に増加する。選択される最終ネットワークはＶＡＬの誤差を最小化するものである。注意する事は、この方法でＶＡＬの誤差を最小化することがＶＡＬを記憶するということを意味しないということである（その関連する誤差がいつもゼロにされる）。ＶＡＬは理想的には将来のすべての例の普遍的な代表例である。ＶＡＬがこの理想から逸脱する程度にこのスキーマにより提供されるバイアスがある。ＷＮＮをトレーニングする最小化アルゴリズムは、多重スタートＬｅｖｅｎｂｅｒｇ−Ｍａｒｑｕａｒｄｔ　　最適化、ランキングタイプの遺伝的アルゴリズム、または遺伝的アルゴリズムのグローバル探索に続いてＬｅｖｅｎｂｅｒｇ−Ｍａｒｑｕａｒｄｔで詳細なチューニングを行う両者を組み合わせものに基づいていることが望ましい。これらの最適化アルゴリズムおよび組み合わせスキーマは当業者において周知のことである。
【０２１２】
ＷＮＮとして連続関数Ｐ（Ｓ_Ｔ｜ｘ）　をコード化すると、比較的難しいオフライントレーニングの犠牲のもとに、小容量メモリの要求およびリアルタイムオンライン操作の速いスループットの要求が満たされる。特徴が低次元（５以下）の場合には、大容量のオンラインメモリの犠牲および遅いスループットの犠牲のもとに、速いオフライントレーニングのために、ｋＮＮｓまたはＰＮＮｓによりこの関数を近似することができる。ニアレストネイバにより省略されたＰＮＮ、またはベクトル量子化ＰＮＮｓのようなハイブリッド機構もまた可能である（後者は、初期化され、トレーニングされていない放射形状基本関数ニューラルネットワークと同じであるが）。最小化リソースを用いて、連続関数はバイナリ判定ツリーで最終的に離散化および実施することができる（量子化された入力を有するルックアップテーブル）。
【０２１３】
（事前確率ミスマッチに対する確率推定量の訂正）
クラス（例えば、ＩＥＥＧアーカイブまたは臨床トライアル）の真の事前確率を反映しないデータセットから学習された事後確率推定値は歪んでいるであろう。Ｌタイプ判別関数から求められた事後確率推定値を訂正するには、正確な事前確率を用いて、ＰＤＦｓをＢａｙｅｓ公式に単に当てはめることが必要である。Ｂタイプ判別式から求められた推定値を訂正するには、以下のように凸形状正規化以前の訂正因子を用いて達成することができる。
【０２１４】
【数５８】

【０２１５】
これは因子内で下記の式と一致する。
【０２１６】
【数５９】

【０２１７】
訂正操作および凸形状正規化操作の順序は切り替えられ得るが、その時、第二の凸形状正規化および最終の凸形状正規化が上記結果を生じるのに必要である。上述したように、高次元における演算要求は、確率推定のための上のＬタイプおよびＢ判別式から求められる結果に深刻な疑問を投げかける。
【０２１８】
オンライン確率推定量の訂正をこれから導き出す。Ｂａｙｅｓ定理はニューラルネットワークの出力でのロジスティックＳ字形状ユニットと互換性のある形式で書くことができる。
【０２１９】
【数６０】

【０２２０】
ネットワークが間接的にトレーニングデータセットから学習しなければならない関数は下記の式である。
【０２２１】
【数６１】

【０２２２】
Ｂａｙｅｓの分子および分母を該分子で割り、対数の法則を用いて、下記の式を得る。
【０２２３】
【数６２】

【０２２４】
ロジスティックＳ字形状出力ユニットに先行するニューラルネットワークの仕事は、大括弧の間の項目を近似することであると分かる。即ち、対数尤度比関数（事前確率に依らない）とバイアス項目（事前確率に依る）である。故に、ニューラルネットワークを既にトレーニングした後に、Ｐ^ＴＲＮ（Ｓ_Ｔ｜ｘ）を訂正するに必要なのは、ネットワークの中に入り、そして一定のバイアス項目を正しいものに置き換えるということがすべてである。ＷＮＮの場合、これは下記の式である。
【０２２５】
【数６３】

【０２２６】
たとえニューラルネットワークがブラックボックスとして提供された場合でも、もしＰ^ＴＲＮ（Ｓ_Ｔ）　がわかれば、二つのクラスの事後確率の比は尤度比を復元するのに利用することができる。
【０２２７】
【数６４】

【０２２８】
さらに、下記の式をＢａｙｅｓ公式に当てはめ、訂正された確率を下記の式で計算する。
【０２２９】
【数６５】

【０２３０】
これらの訂正方法の一つの重要な追加の利点は、トレーニングがバランスのとれた（５０％−５０％）、または他の任意の都合の良い比率（それらがＩＥＥＧアーカイブの切り取りから得られるような）で目的を有して行うことができ、さらに不均衡な現実の状態の確率推定値を求めることができることである。バイアスのない推定値の分散が増加することが予想されるが、もちろん、減少したサンプルサイズを有する他の任意の推定値問題とちょうど同じである。
【０２３１】
本発明はハードウェアおよびソフトウェアを組み合わせて実現できる。本明細書で記述される方法を実行するように構成されるいずれのコンピュータシステムまたは他の装置でも適し得る。ハードウェアおよびソフトウェアの典型的な組み合わせは、読み込まれそして実行された場合、本明細書に記述されている方法を実行するように、コンピュータシステムを制御するコンピュータプログラムを有する汎用性のコンピュータシステムであり得る。また、本発明は、本明細書で記述されている方法を実現できる特徴すべてを有するコンピュータプログラム製品内に組み込むことができ、コンピュータシステムにロードされた場合、これらの方法を実行することが可能である。
【０２３２】
本背景におけるコンピュータプログラムインストラクションまたはコンピュータプログラムとは、直接または次の事柄、（ａ）他の言語、コード、もしくは表記と、（ｂ）異なる材料フォームでの再生との片方もしくは両方が発生する場合、情報処理能力を有するシステムに特定の特徴を実行させることを意図する、任意の言語、コード、もしくは表記における任意の表現、または一組のインストラクションを意味する。
【０２３３】
上記の教示を考慮すれば、開示された方法、式、アルゴリズム、および実施例を本発明の精神または本質的な属性から逸脱することなく置換、修正、または編集しても良いということを当業者は認識するであろう。故に、前記の請求項の範疇内で、本発明はここで例示される以外の方法で実施し得るということは理解されるべきである。
【図面の簡単な説明】
【図１】オンライン動作モードにおけるシステムの特徴ブロックダイアグラム図を示している。
【図２】多重治療活性化判定論理の一例を示している。
【図３】学習およびプログラムモードにおけるシステムの特徴ブロックダイアグラムを示している。
【図４】時間と共に性能を向上し維持するシステムに酔うｋｔｙｙされる学習アルゴリスムの処理論理を示している。
【符号の説明】
１０　発作予測および制御システム
２０　信号取得部
３０　プリプロセシング
４０　特徴抽出部
５０　確率推定部
６０　多重治療活性化判定論理ブロック
７０　制御法則および治療アクチュエータ
７２　認知刺激
７４　感覚刺激
７６　薬理学的注入
７８　電気刺激
８０　装着可能アクセスユニット
９０　外部格納部品

Claims

個人における発作のエレクトログラフ発現を自動的に予測して防止する方法であって、
前記個人の脳の活動を示す複数の信号を監視する行為と、
前記信号から一組の特徴を抜き出すとともに最適特徴ベクトルを形成する行為と、
前記最適特徴ベクトルに基づき、複数の予測時間間隔における発作の尤度推定値として確率ベクトルを合成する行為と、
前記発作の尤度に相応する少なくとも一つの治療介入手段を自動的に適用することによって前記発作のエレクトログラフ発現を防止する行為と
を有することを特徴とする発作のエレクトログラフ発現を自動的に予測して防止する方法。
前記エレクトログラフ発現が発生すると予期される時間フレームと、前記エレクトログラフ発現の予測の信頼度とを両方示すために、複数の予測時間間隔に対して将来の発作の前記確率ベクトルを表示する行為をさらに有することを特徴とする請求項１記載の発作のエレクトログラフ発現を自動的に予測して防止する方法。
前記発作のエレクトログラフ発現を防止する行為が、最小限必要な前記治療介入手段を自動的に適用することにより関連する副作用を最小にすることを特徴とする請求項１記載の発作のエレクトログラフ発現を自動的に予測して防止する方法。
最小限必要な前記治療介入手段が温和的な形式の治療法で始まり、前記確率ベクトルが時間が経つにつれて連続的にエレクトログラフ発現に向かって変化している場合には、より積極的な治療法で継続する請求項３記載の発作のエレクトログラフ発現を自動的に予測して防止する方法。
最小限必要な前記治療介入手段が、長期予測時間間隔に最小侵襲性温和的治療法を結び付け、短期予測時間間隔に積極的治療を結び付け、前記長期予測時間間隔と前記短期予測時間間隔との間の予測時間間隔に徐々に変わる穏やかな形式の治療法を結び付けることを特徴とする請求項３記載の発作のエレクトログラフ発現を自動的に予測して防止する方法。
適用された最小限必要な前記治療介入手段が、各予測時間間隔で偽陽性予測誤差および偽陰性予測誤差の許容誤差に適合することを特徴とする請求項５記載の発作のエレクトログラフ発現を自動的に予測して防止する方法。
前記治療介入手段が、認識刺激、感覚刺激、バイオフィードバック、電気刺激、および薬理学的注入の内少なくとも一つを含むことを特徴とする請求項１記載の発作のエレクトログラフ発現を自動的に予測して防止する方法。
発作の確率ベクトルを調整するために、閉鎖型ループフィードバック制御法則を適用し、治療アクチェータに命令する行為をさらに有することを特徴とする請求項１記載の発作のエレクトログラフ発現を自動的に予測して防止する方法。
適用された前記閉鎖型ループフィードバック制御法則および前記治療アクチュエータが、比例制御戦略、比例積分微分（ＰＩＤ）制御戦略、最適化継続制御戦略、ゲインスケジュール制御戦略、多重レベル制御戦略、およびバンバン制御戦略の内いずれかを有し、発作の確率ベクトルを制御される変数として調整することを特徴とする請求項８記載の発作のエレクトログラフ発現を自動的に予測して防止する方法。
前記治療介入手段が、高感度および低特異度を有する予測しきい値によって始動されることを特徴とする請求項６記載の発作のエレクトログラフ発現を自動的に予測して防止する方法。
前記治療介入手段が、発現領域およびオフセット領域を囲む分布領域の少なくとも一つにもたらされることを特徴とする請求項１記載の発作のエレクトログラフ発現を自動的に予測して防止する方法。
前記治療介入手段が、視床、大脳基底核、および他の深部核の内少なくとも一つを含む皮質下領域に供給されることを特徴とする請求項１記載の発作のエレクトログラフ発現を自動的に予測して防止する方法。
前記エレクトログラフ発現が発生する場合、発現の一般的領域および深部脳組織の内いずれか少なくとも一つに治療を適用し、発作の病巣の挙動を調整することを特徴とする請求項１記載の発作のエレクトログラフ発現を自動的に予測して防止する方法。
前記治療介入手段の適用が、
発作の発現の前記確率がしきい値に到達してその限度を超える場合に、周波数、強度、および分配が変化するリズミック電気ペーシングと、
カオス制御ペーシングと、
癲癇病巣の領域および周囲の活動にコーヒアランスが発達するのを妨げるランダム電気刺激と、
発作が広がる領域、または発作が広がるおそれのある領域における活動を静めるかまたは抑制する脱分極刺激または過分極刺激と
の内少なくとも一つを含むことを特徴とする請求項１記載の発作のエレクトログラフ発現を自動的に予測して防止する方法。
前記治療介入手段を複数の電極に伝え、周辺を抑制し、発作のプリカーサの進行を防ぐことを特徴とする請求項１４記載の発作のエレクトログラフ発現を自動的に予測して防止する方法。
前記治療介入手段が、組織の皮質領域または皮質下領域をカバーする波動で順次にもたらされ、それにより、前記カバーされた領域において、正常なまたは病的な神経機能を次第に抑制することを特徴とする請求項１４記載の発作のエレクトログラフ発現を自動的に予測して防止する方法。
前記治療介入手段の適用が、発作が生成されるかまたは広がり得る脳領域に治療用化学薬剤を注入することであることを特徴とする請求項１記載の発作のエレクトログラフ発現を自動的に予測して防止する方法。
前記化学薬剤が、発作の前記確率が増大するにつれて、より多い量、より高い濃度、またはより広い空間分布で供給されることを特徴とする請求項１７記載の発作のエレクトログラフ発現を自動的に予測して防止する方法。
前記治療介入手段が、癲癇病巣、該癲癇病巣を囲む領域、初期の広がりに伴う領域、ならびに脳中央領域または脳深部領域の内少なくとも一つに適用され、発作の進行を調整することを特徴とする請求項１７記載の発作のエレクトログラフ発現を自動的に予測して防止する方法。
前記治療用化学薬剤が、酸化的ストレスによって活性化され、発作の前記確率が増加するにつれて、濃度および分布を増加する請求項１７記載の発作のエレクトログラフ発現を自動的に予測して防止する方法。
前記治療介入手段を、前記発作の確率が増加するにつれて、段階的な方法で中枢神経または血管に供給することを特徴とする請求項１記載の発作のエレクトログラフ発現を自動的に予測して防止する方法。
前記治療介入手段が、発作性発現地帯を含むかまたはそれと通信する少なくとも一つの神経性ネットワーク上の電気化学的トラヒックを妨害するために供給される複数の人工的神経性信号であることを特徴とする請求項１記載の発作のエレクトログラフ発現を自動的に予測して防止する方法。
埋め込まれたデバイスを調整し、患者特有の特徴信号および治療処置を最適化するために、発作を起こすことがある個人の生活の質指数を評価するための方法であって、
発作の固定期間にわたって、多重データチャネルを介して前記個人の生の頭蓋内脳波（ＩＥＥＧ）のエネルギーを蓄積する行為と、
固定期間において前記埋め込まれたデバイスが活性である全時間にわたって、前記多重データチャネルを介して治療制御努力のエネルギーを蓄積する行為と、前記固定期間の質を判定するために、発作および治療因子により、前記ＩＥＥＧの前記蓄積されたエネルギー、および前記制御努力の前記蓄積されたエネルギーを重み付けする行為と、
複数の固定期間の現在および以前の質の重み付け平均として、生活の質指数を決定する行為と
を有することを特徴とする生活の質指数を評価する方法。
前記固定期間が一日であることを特徴とする請求項２３記載の生活の質指数を評価する方法。
前記生活の質指数が、より古いデータの影響を徐々に減らす忘却スケジュールに基づいており、日々の前記質が指数関数的に重み付けされた移動平均であることを特徴とする請求項２４記載の生活の質指数を評価するための方法。
前記忘却スケジュールが、３０日の期間にわたって、全体のデータの９８％を忘却するように設計されることを特徴とする請求項２５記載の生活の質指数を評価するための方法。
前記生活の質指数が、自然指数関数の四つの時定数内で減衰するように作成される重みを利用して再帰的に計算されることを特徴とする請求項２６記載の生活の質指数を評価するための方法。
発作の重みおよび治療の重みは、その合計が１になる相対重みである請求項２３記載の生活の質指数を評価するための方法。
発作を起こすことがある個人に埋め込まれ、治療処置を提供するデバイスの性能を向上するとともに維持するために定期的に学習する方法であって、
固定期間にわたって発作および治療の強度、期間、および頻度にペナルティを科す生活の質指標を評価する行為と、
前回の固定期間に記録された発作のすべてに明確なエレクトログラフ発現（ＵＥＯ）の時間をマークする行為と、
発作の直前のすべてのＩＥＥＧエポックをクリップし、発作前の生データとして前記クリップしたエポックをラベリングすることによって、前記エレクトログラフ発言に基づくデータの学習セットを作成する行為と、
非発作前生データまたはベースライン生データとして、ランダムに選択され重複しないデータをクリップするとともにラベリングする行為と、
前記非発作前生データまたは前記ベースライン生データから、特徴ライブラリ内のすべての特徴の時系列を生成する行為と、
分類子をベースにした性能メトリックを最小化するために、前記特徴ライブラリの累乗集合内において、最適特徴ベクトルを探索する行為と、
前記最適特徴ベクトルの事後確率推定量を合成する行為と、
前記確率推定量に最適治療活性化しきい値を結合する行為と
を有することを特徴とする定期的に学習する方法。
前記発作前生データセットおよび非発作前生データセットが学習に漸次増加する影響を有するように、前記発作前生データセットおよび非発作前生データセットと、三つの先行する固定期間における対応するデータセットとを結合することをさらに有することを特徴とする請求項２９記載の定期的に学習する方法。
四つの発作前データセットおよび四つの非発作前データセットが、学習データの四期間長方形状移動ウィンドウに対応することを特徴とする請求項３０記載の定期的に学習する方法
四つの発作前データセットおよび四つの非発作前データセットが、忘却スケジュールに従って、最後の四期間を徐々に減少するウィンドウに相当することを特徴とする請求項３０記載の定期的に学習する方法。
可分性の統計的手段を利用して、信号特徴およびしきい値の時間履歴に関連するパラメータを前もって最適化することをさらに有することを特徴とする請求項２９記載の定期的に学習する方法。
前記信号特徴の時間履歴が、特徴サンプリング周期として、観測ウィンドウの長さ、およびウィンドウスライド間の変位を含むことを特徴とする請求項３３記載の定期的に学習する方法。
前記しきい値が、振幅しきい値、期間しきい値、および密度カウントしきい値を含むことを特徴とする請求項３３記載の定期的に学習する方法。
線形可分性の統計的手段が、ｔ−スコア、フィッシャー判別比、およびＫ−因子を含むことを特徴とする請求項３３記載の定期的に学習する方法。
非線形可分性の統計的手段が、尤度スコア、誤差確率、誤差リスク、および総合リスクを含むことを特徴とする請求項３３記載の定期的に学習する方法。
前記特徴ライブラリ内の各特徴の時系列を、該特徴のパラメータの仮説セット下で、発作前および非発作前データの短い校正エポックを利用して生成することをさらに有することを特徴とする請求項３３記載の定期的に学習する方法。
一度に一つのパラメータを変更する貪欲アルゴリズムにより、可分性を最大化するパラメータセットを判定することをさらに有することを特徴とする請求項３８記載の定期的に学習する方法。
前記最適特徴ベクトルを探索する行為が、
前記特徴ライブラリ内の特徴のすべての時系列を時間同期することにより、候補特徴ベクトルの軌道を生成する行為と、
治療活性化判定ルールをシミュレーションし、特徴最適化を加速させるために、トレーニングデータセットを記憶するノンパラメトリック分類子を合成する行為と、
前記最適性判定ルールを決定するために、前記ノンパラメトリック分類子の判別機能を訂正する行為と、
前記ノンパラメトリック分類子を合成するのに直接利用しない妥当性確認データセットの総合リスクを測定する行為と、
発見的探索判定基準を利用して次の候補特徴ベクトルを決定する行為をさらに有することを特徴とする請求項３３記載の定期的に学習する方法。
選択された特徴ベクトルを、同等またはさらに優れた識別プロパティを有し、遺伝学的に発見され神経学的に演算される単一の人工的な特徴に圧縮する行為をさらに有することを特徴とする請求項４０記載の定期的に学習する方法。
最も優れたｎベクトルの総合リスクのランク順位曲線を図示する行為をさらに有することを特徴とする請求項４０記載の定期的に学習する方法。
前記ランク順位曲線が、（１−前記総合的リスク）対ｎをプロットすることを特徴とする請求項４２記載の定期的に学習する方法。
利用できるデータすべての交差妥当性を用いて平均総合リスクを計算することにより、次月の期待性能を評価する行為をさらに有することを特徴とする請求項４０記載の定期的に学習する方法。
前記定期的に学習する間使用しない単一独立テストセットを利用して平均総合リスクを計算することにより、次月の期待性能を評価する行為をさらに有することを特徴とする請求項４０記載の定期的に学習する方法。
事後確率推定量を合成する行為が、
事後確率推定量を計算するために、ウェーブレットニューラルネットワークをトレーニングする行為と、
妥当性確認データセットの平方誤差損失関数の期待数値を最小化する行為と、前記妥当性確認データセットの誤差を最小化するウェーブレットニューラルネットワークを選択する行為と
をさらに有することを特徴とする請求項２９記載の定期的に学習する方法。
前回の確率不一致に基づいて、前記事後確率推定量のバイアス項を訂正する行為をさらに有することを特徴とする請求項４６記載の定期的に学習する方法。
非発作クラスおよび発作クラスをそれぞれ指示するために、前記ウェーブレットニューラルネットワークが、ロジスティックＳ字形状出力ユニットを備え、｛０，１｝ターゲットを提供することにより事後確率推定量を計算することを特徴とする請求項４６記載の定期的に学習する方法。
複数のセットの分類子をベースにした性能メトリックを利用して、特徴ベクトルの好ましさをランク分けする行為をさらに有することを特徴とする請求項２９記載の定期的に学習する方法。
第一のセットの分類子をベースにした性能メトリックが、真陽性確率、偽陰性確率、真陰性確率、偽陽性確率、正確分類確率、誤差確率、選択性数値、およびバランス数値を有することを特徴とする請求項４９記載の定期的に学習する方法。
第二のセットの分類子をベースにした性能メトリックが、発作前の事前確率および非発作前の事前確率を有することを特徴とする請求項４９記載の定期的に学習する方法。
第三のセットの分類子をベースにした性能メトリックが、毎時の偽陽性測定値、平均的検知遅延測定値、誤差リスク測定値、および総合リスク測定値を有することを特徴とする請求項４９記載の定期的に学習する方法。
前記誤差リスク測定値が、ペナルティ因子を前記偽陰性確率および前記偽陽性確率に適用することによって決定されることを特徴とする請求項５２記載の定期的に学習する方法。
見逃した発作の検知を表す偽陰性の前記ペナルティ因子が、偽発作アラームを表す偽陽性の前記ペナルティ因子よりも大きいことを特徴とする請求項５３記載の定期的に学習する方法。
前記総合リスク測定値が、すべての治療活性化にペナルティを科すことを特徴とする請求項５２記載の定期的に学習する方法。
前記総合リスク測定値が、ペナルティ因子を、前記偽陰性確率、前記偽陽性確率、前記真陽性確率、および前記真陰性確率に適用することによって決定されることを特徴とする請求項５５記載の定期的に学習する方法。
前記真陰性確率に関連する前記ペナルティ因子がゼロに等しく設定してあることを特徴とする請求項５６記載の定期的に学習する方法。
前記相対ペナルティ因子が、前記真陽性確率に対しては小さく、偽陽性に対しては中位で、偽陰性に対してはとても大きいことを特徴とする請求項５６記載の定期的に学習する方法。
前記最適特徴ベクトルを探索する行為が、前記最適決定ルールを決めるために最適判定基準を利用することをさらに有することを特徴とする請求項４０記載の定期的に学習する方法。
前記最適判定基準が、最大尤度推定値、最小誤差推定値、Ｎｅｙｍａｎ−Ｐｅａｒｓｏｎ判定基準、最小誤差リスク推定値、ミニマックス誤差リスク推定値、および最小総合リスク推定値の内いずれかの一つであることを特徴とする請求項５９記載の定期的に学習する方法。
前記Ｎｅｙｍａｎ−Ｐｅａｒｓｏｎ判定基準が、発作検出器の判定ルールとして反転して適用され、そこで、前記偽陽性率が選択された一定の偽陰性率に対して最小化されることを特徴とする請求項６０記載の定期的に学習する方法。
前記トレーニングデータセットを記憶し、それにより治療活性化判定ルールをシミュレーションするとともに特徴最適化を加速する前記ノンパラメトリック分類子が、ｋ−ニアレストネイバ（ｋＮＮｓ）、確率ニューラルネットワーク（ＰＮＮｓ）、およびハイブリッドを有することを特徴とする請求項４０記載の定期的に学習する方法。
ｋ−ニアレストネイバにおける複数の距離および確率ニューラルネットワークの複数のカーネルの高さが、前記トレーニングデータが収集される期間に従って、忘却因子で重み付けされることを特徴とする請求項６２記載の定期的に学習する方法。
前記ノンパラメトリック分類子の判別関数を訂正する行為が、データから推定される発作の事前確率と発作の真の確率との間の事前確率ミスマッチを訂正するために、該判別関数に訂正因子を適用する行為を含むことを特徴とする請求項４０記載の定期的に学習する方法。
前記最適特徴ベクトルを探索する行為が、前記特徴ライブラリを通して前進順次探索を実行する行為を含むことを特徴とする請求項２９記載の定期的に学習する方法。
前記前進順次探索が、
前記特徴ライブラリ内の各特徴のスコアを決定する行為と、
最も高いスコアを有する特徴を第一の特徴として選択するとともにそれを前記特徴ベクトルに追加する行為と、
前記第一の特徴と関連して最も良く動作する前記特徴ライブラリ内の残りの特徴の中の特徴を第二の特徴として選択する行為と、
以前に選択されたすべての特徴と関連して最も良く動作する特徴を、前記残りの特徴の中から選択することにより前記特徴ベクトルを完成するために、順次要求される追加の特徴を選択する行為と
を有することを特徴とする請求項６５記載の定期的に学習する方法。
前記最適特徴ベクトルを探索する行為が、前記特徴ライブラリを通して、アッドオンノックアウト探索を実行する行為を含むことを特徴とする請求項２９記載の定期的に学習する方法。
前記アッドオンノックアウト探索が、
前記特徴ライブラリ内の各特徴のスコアを決定する行為と、
一度に一個、ｍ個の候補特徴を選択するために前進順次探索を実行するとともに、前記特徴ベクトルにそれぞれを追加する行為と、
ｎがｍよりも小さい場合、ｎ個の最も悪い候補特徴を前記特徴ベクトルから取り除く行為と、
前記特徴ベクトルにｋ個の特徴が選択されるまで、前記実行するとともに追加する行為および取り除く行為を反復的に繰り返す行為と
を有することを特徴とする請求項６７記載の定期的に学習する方法。
個人の発作のエレクトログラフ発現を自動的に予測して防止するためのコンピュータプログラム製品を内蔵するコンピュータ読み取り可能な媒体であって、
前記コンピュータプログラム製品は、
前記個人の脳の活動を示す複数の信号を監視するプログラムインストラクションと、
前記信号から一組の特徴を抽出し、最適特徴ベクトルを形成するプログラムインストラクションと、
複数の予測時間間隔の発作の尤度推定量として、前記最適特徴ベクトルに基づき確率ベクトルを合成するプログラムインストラクションと、
前記発作の尤度推定量に対応する少なくとも一つの治療介入手段の適用を自動的に開始することにより、前記発作のエレクトログラフ発現を防止するプログラムインストラクションと、
を備えることを特徴とするコンピュータ読み取り可能な媒体。
前記コンピュータプログラム製品は、
複数の予測時間間隔において生ずる発作の前記確率ベクトルを表示し、それにより前記エレクトログラフ発現の発生が予測されるタイムフレームと、エレクトログラフ発現の予測の信頼度との両方を示すプログラムインストラクションをさらに備えることを特徴とする請求項６９記載のコンピュータ読み取り可能な媒体。
前記発作のエレクトログラフ発現を防止するプログラムインストラクションが、前記最小限必要な治療介入手段の自動適用を開始し、それによって関連する副作用を最小にするように構成されていることを特徴とする請求項６９記載のコンピュータ読み取り可能な媒体。
前記開始される最小限必要な治療介入手段が、長期予測時間間隔を最小侵襲性温和的治療に結合し、短期予測時間間隔を積極的治療に結合し、および長期予測時間間隔と短期予測時間間隔との間にある予測時間間隔を徐々に変わる穏やかなフォームの治療に結合することを特徴とする請求項６９記載のコンピュータ読み取り可能な媒体。
前記開始される治療介入手段が、認識刺激、感覚刺激、バイオフィードバック、電気刺激、および薬理学的注入の内少なくとも一つを含むことを特徴とする請求項６９記載のコンピュータ読み取り可能な媒体。
前記コンピュータプログラム製品は、閉鎖型ループフィードバック制御法則を適用し、治療アクチュエータに指示を出して前記発作確率ベクトルを調整するプログラムインストラクションをさらに備えることを特徴とする請求項６９記載のコンピュータ読み取り可能な媒体。
前記適用された閉鎖型ループフィードバック制御法則および適用される治療アクチュエータが、発作確率ベクトルを制御される変数として調整するために、比例制御戦略、比例積分微分（ＰＩＤ）制御戦略、最適継続制御戦略、ゲインスケジュール制御戦略、多重レベル制御戦略、およびバンバン制御戦略の内いずれかを備えることを特徴とする請求項７４記載のコンピュータ読み取り可能な媒体。
患者特有の特徴信号および治療処置を最適化するために埋め込まれたデバイスを調整するために、発作を起こすことがある個人における生活の質指数を評価するためのコンピュータプログラム製品を内蔵するコンピュータ読み取り可能な媒体であって、
前記コンピュータプログラム製品は、
固定期間にわたる発作の間、多重データ通信チャネルを介して前記個人の生の頭蓋内脳波（ＩＥＥＧ）のエネルギーを蓄積するプログラムインストラクションと、固定期間にわたり前記埋め込まれたデバイスが稼動する全時間、前記多重データ通信チャネルを介して治療制御努力のエネルギーを蓄積するプログラムインストラクションと、
発作因子および治療因子によって、前記ＩＥＥＧの蓄積されたエネルギーおよび前記制御努力の蓄積されたエネルギーに重み付けし、前記固定期間にわたる質を決定するプログラムインストラクションと、
複数の固定期間の現在および以前の質を重み付けした平均として、生活の質指数を決定するプログラムインストラクションと
を備えていることを特徴とするコンピュータ読み取り可能な媒体。
前記コンピュータプログラム製品は、より古いデータの影響を減らすために忘却スケジュールに基づいて、日々の質を指数関数的に重み付けする移動平均として、生活の質指数を決定するプログラムインストラクションをさらに備えることを特徴とする請求項７６記載のコンピュータ読み取り可能な媒体。
前記生活の質指数を決定するプログラムインストラクションが、前記自然指数関数の４つの時定数内で減少するように作成された重みを利用して、前記指数を反復的に計算するように構成された請求項７７記載のコンピュータ読み取り可能な媒体。
発作を起こすことがある個人に埋め込むことにより治療処置を提供するデバイスの性能を改善して維持するように定期的に学習するためのコンピュータプログラム製品を内蔵するコンピュータ読み取り可能な媒体であって、
前記コンピュータプログラム製品は、
固定期間にわたって、発作および治療の強度、期間、および頻度にペナルティを科す生活の質指数を評価するプログラムインストラクションと、
前回の固定期間のわたって記録された発作のすべての明確なエレクトログラフ発現（ＵＥＯ）の時間を収集するプログラムインストラクションと、
発作の直前のすべてのＩＥＥＧエポックを切り取り、発作前生データとして前記切り取ったエポックをラベリングすることによって、前記ＵＥＯｓに基づいて学習データセットを作成するプログラムインストラクションと、
非発作前生データまたはベースライン生データとして、ランダムに選択された重複しないデータをクリップし、そしてラベリングするプログラムインストラクションと、
前記発作前生データおよび前記非発作前生データからの特徴ライブラリ内のすべての特徴の時系列を生成するプログラムインストラクションと、
分類子をベースにする性能メトリックを最小化するために、前記特徴ライブラリの累乗集合内で最適の特徴ベクトルを探索するプログラムインストラクションと、
前記最適特徴ベクトルの事後確率推定量を合成するプログラムインストラクションと、
前記確率推定量に最適治療活性化しきい値を結合するプログラムインストラクションと
を備えることを特徴とするコンピュータ読み取り可能な媒体。
前記コンピュータプログラム製品は、前記発作前および非発作前の生データセットが学習により増加する効果を有するように、該発作前および非発作前の生データセットと、先行する三つの固定期間にわたる対応するデータセットとを結合するプログラムインストラクションをさらに備えることを特徴とする請求項７９記載のコンピュータ読み取り可能な媒体。
前記コンピュータプログラム製品は、線形可分性の統計的手段を利用して、信号特徴およびしきい値の時間履歴に関連するパラメータを前もって最適化するプログラムインストラクションをさらに備えることを特徴とする請求項７９記載のコンピュータ読み取り可能な媒体。
前記コンピュータプログラム製品は、将来の仮説のパラメータセット下で、発作前および非発作前の短い校正エポックを用いて、前記特徴ライブラリ内の各特徴の時系列を生成するプログラムインストラクションをさらに備えることを特徴とする請求項８１記載のコンピュータ読み取り可能な媒体。
前記コンピュータプログラム製品は、一度に一つのパラメータを変更する貪欲アルゴリズムにより、可分性を最大化するパラメータセットを決定するプログラムインストラクションをさらに備えることを特徴とする請求項６９記載のコンピュータ読み取り可能な媒体。
前記最適特徴ベクトルを探索するコンピュータインストラクションが、
前記特徴ライブラリ内のすべての特徴の前記時系列を時間同期することによって、候補特徴ベクトルの軌道を生成するプログラムインストラクションと、
トレーニングデータセットを記憶し、それにより治療活性化判定ルールをシュミレーションするとともに、特徴最適化を加速させるノンパラメトリック分類子を合成するプログラムインストラクションと、
前記ノンパラメトリック分類子の判別関数を訂正し、前記最適性判定ルールを決定するプログラムインストラクションと、
前記ノンパラメトリック分類子を合成するのに直接利用されない妥当性確認データセットの総合リスクを測定するプログラムインストラクションと、
発見的探索の判定基準を利用して、次の候補特徴ベクトルを決定するプログラムインストラクションと
をさらに備えることを特徴とする請求項７９記載のコンピュータ読み取り可能な媒体。
前記コンピュータプログラム製品は、選択された特徴ベクトルを、同等またはよりよく判別できるプロパティを有し、遺伝学的に発見され神経学的に演算される単一の人工的特徴に圧縮するプログラムインストラクションをさらに備えることを特徴とする請求項７９記載のコンピュータ読み取り可能な媒体。
前記コンピュータプログラム製品は、最も優れたｎ個のベクトルの総合リスクのランク順位曲線を図示するプログラムインストラクションをさらに備えることを特徴とする請求項８４記載のコンピュータ読み取り可能な媒体。
前記コンピュータプログラム製品は、利用できるデータすべてに対して、交差妥当性を用いて平均総合リスクを計算することによって、次月の期待パフォーマンスを評価するプログラムインストラクションをさらに備えることを特徴とする請求項８４記載のコンピュータ読み取り可能な媒体。
前記コンピュータプログラム製品は、前記定期的な学習の間に利用されない単一独立テストセットを用いて平均総合リスクを計算することにより、次月の期待パフォーマンスを評価するプログラムインストラクションをさらに備える請求項８４記載のコンピュータ読み取り可能な媒体。
事後確率推定量を合成するプログラムインストラクションが、
ウェーブレットニューラルネットワークをトレーニングし、事後確率推定量を計算するプログラムインストラクションと、
妥当性確認データセットの平方誤差損失関数の期待数値を最小化するプログラムインストラクションと、
前記妥当性確認データセットの前記誤差を最小化するウェーブレットニューラルネットワークを選択するプログラムインストラクションと
をさらに備えることを特徴とする請求項８４記載のコンピュータ読み取り可能な媒体。
前記コンピュータプログラム製品は、前回の確率ミスマッチに基づいて、前記事後確率推定量のバイアス項を訂正するプログラムインストラクションをさらに備える請求項８９記載のコンピュータ読み取り可能な媒体。
前記コンピュータプログラム製品は、前記ウェーブレットニューラルネットワークが、非発作クラスおよび発作クラスをそれぞれ示すために、ロジスティックＳ字形状出力ユニットと、｛０，１｝ターゲットを提供し事後確率推定量を計算するプログラムインストラクションとを備える請求項８９記載のコンピュータ読み取り可能な媒体。
前記コンピュータプログラム製品は、分類子をベースにする性能メトリックの複数のセットを利用して特徴ベクトルの好ましさをランク別に分けるプログラムインストラクションをさらに備える請求項８４記載のコンピュータ読み取り可能な媒体。
分類子をベースにした性能メトリックの第一のセットが、真陽性確率、偽陰性確率、真陰性確率、偽陽性確率、真分類確率、誤差確率、選択性数値、およびバランス数値を含むことを特徴とする請求項９２記載のコンピュータ読み取り可能な媒体。
分類子をベースにした性能メトリックの第二のセットが、発作前事前確率および非発作前事前確率を含むことを特徴とする請求項９２記載のコンピュータ読み取り可能な媒体。
分類子をベースにした性能メトリックの第三のセットが、毎時の偽陽性測定値、平均検出遅れ測定値、誤差リスク測定値、および総合リスク測定値を含むことを特徴とする請求項９２記載のコンピュータ読み取り可能な媒体。
前記コンピュータプログラム製品は、ペナルティ因子を、前記偽陰性確率および前記偽陽性確率に適用することによって前記誤差リスク測定値を決定するプログラムインストラクションをさらに備える請求項９２記載のコンピュータ読み取り可能な媒体。
前記最適特徴ベクトルを探索するプログラムインストラクションが、最適性判定基準を用いて最適性判定ルールを決定するプログラムインストラクションをさらに備えることを特徴とする請求項８４記載のコンピュータ読み取り可能な媒体。
前記最適性判定基準が、最大尤度推定値、最小誤差推定値、Ｎｅｙｍａｎ−Ｐｅａｒｓｏｎ判定基準、最小誤差リスク推定値、最小誤差リスク推定値、および最小総合リスク推定値の内のいずれかの一つである請求項９７記載のコンピュータ読み取り可能な媒体。
前記Ｎｅｙｍａｎ−Ｐｅａｒｓｏｎ判定基準が、発作検出器判定ルールとして反転して適用され、前記偽陽性率が選択された一定の偽陰性率に対して最小化されるように構成されていることを特徴とする請求項９８記載のコンピュータ読み取り可能な媒体。
前記トレーニングデータセットを記憶して治療活性化判定ルールをシュミレーションし、特徴最適化を加速する前記ノンパラメトリック分類子が、ｋ−ニアレストネイバ（ｋＮＮｓ）、確率ニューラルネットワーク（ＰＮＮｓ）、およびハイブリッドを含むことを特徴とする請求項８４記載のコンピュータ読み取り可能な媒体。
前記コンピュータプログラム製品は、ｋ−ニアレストネイバ内の複数の距離および確率ニューラルネットワークの複数のカーネルの高さを、前記トレーニングデータが収集される前記期間に従って忘却因子で重み付けするプログラムインストラクションをさらに備えることを特徴とする請求項１００記載のコンピュータ読み取り可能な媒体。
前記ノンパラメトリック分類子の判別関数を訂正する前記プログラムインストラクションが、前記判別関数に訂正因子を適用して、データから推測される発作のアプリオリ確率と発作の真の確率との間の事前確率ミスマッチを訂正するプログラムインストラクションを含むことを特徴とする請求項８４記載のコンピュータ読み取り可能な媒体。
最適特徴ベクトルを探索するプログラムインストラクションが、前記特徴ライブラリを通して、前進順次探索を実行するプログラムインストラクションをさらに含むことを特徴とする請求項８４記載のコンピュータ読み取り可能な媒体。
前進順次探索を実行するプログラムインストラクションが、
前記特徴ライブラリ内の各特徴のスコアを決定するプログラムインストラクションと、
最も高いスコアを有する特徴を第一の特徴として選択し、それを前記特徴ベクトルに追加するプログラムインストラクションと、
前記第一の特徴と関連して最も良く動作する前記特徴ライブラリの残りの特徴内の特徴を、第二の特徴として選択するプログラムインストラクションと、
以前選択された特徴のすべてと関連して最も良く動作する特徴を、前記残りの特徴内で選択することによって、前記特徴ベクトルを完成するために順次要求される追加の特徴を選択するプログラムインストラクションと
を含むことを特徴とする請求項１０３記載のコンピュータ読み取り可能な媒体。
前記最適特徴ベクトルを探索するプログラムインストラクションが、前記特徴ライブラリを通して、アッドオン、ノックアウト探索を実行するプログラムインストラクションを含むことを特徴とする請求項７９記載のコンピュータ読み取り可能な媒体。
前記アッドオン、ノックアウト探索を実行する前記プログラムインストラクションが、
前記特徴ライブラリ内の各特徴のスコアを決定するプログラムインストラクションと、
一度に一個、ｍ個の候補特徴を選択するために前進順次探索を実行し、前記特徴ベクトルにそれぞれを追加するプログラムインストラクションと、
ｎがｍよりも小さい場合、ｎ個の最も悪い候補特徴を前記特徴ベクトルから取り除くプログラムインストラクションと、
ｋ個の特徴が前記特徴ベクトルに対して選択されるまで、前記実行および追加する行為と、前記除去する行為とを反復的に繰り返すプログラムインストラクションと
を含むことを特徴とするコンピュータ読み取り可能な媒体。
個人における発作のエレクトログラフ発現を自動的に予測して防止するためのシステムであって、
前記個人に埋め込まれた変換機から受信される複数の生信号を条件付けするとともにデジタル化する信号取得構成部品と、
前記複数のデジタル化された信号のすべてのアーチファクトを減衰するプリプロセッサと、
前記プリプロセスされた信号から、患者特有の発作予測属性および発作指示属性を選択し、最適特徴ベクトルを形成する処理論理を搭載する特徴抽出構成部品と、
複数の予測時間に対する発作尤度推定量として確率ベクトルを合成する確率推定量構成部品と、
任意の時間に活性化する治療様式または非活性化する治療様式を決定する処理論理を内蔵する多重治療活性化構成部品と、
前記多重治療活性化構成部品からの出力信号に応答して少なくとも一つの関連する治療を自動的に活性化する複数の治療アクチュエータを有する埋め込まれたデバイスと
を備えていることを特徴とする発作のエレクトログラフ発現を自動的に予測して防止するためのシステム。
前記複数の治療アクチュエータに関連する前記治療が、一または複数の認識刺激、感覚刺激、バイオフィードバック、電気刺激、および薬理学的注入を含むことを特徴とする請求項１０７記載の発作のエレクトログラフ発現を自動的に予測して防止するシステム。
前記プリプロセッサが、マイクロプロセッサ、デジタル信号プロセッサ、フィールドプログラム可能ゲートアレイ、特定用途向け集積回路、およびハイブリッドアナログ／デジタル回路の内いずれかの一つまたは複数に実装されることを特徴とする請求項１０７記載の発作のエレクトログラフ発現を自動的に予測して制御するシステム。
前記特徴抽出構成部品が、マイクロプロセッサ、デジタル信号プロセッサ、フィールドプログラム可能ゲートアレイ、特定用途向け集積回路、およびハイブリッドアナログ／デジタル回路内のいずれかの一つまたは複数に実装されることを特徴とする請求項１０７記載の発作のエレクトログラフ発現を自動的に予測して制御するシステム。
前記確率推定量構成部品が、マイクロプロセッサ、デジタル信号プロセッサ、フィールドプログラム可能ゲートアレイ、特定用途向け集積回路、およびハイブリッドアナログ／デジタル回路内のいずれかの一つまたは複数に実装されることを特徴とする請求項１０７記載の発作のエレクトログラフ発現を自動的に予測して制御するシステム。
前記多重処置活性化構成部品が、マイクロプロセッサ、デジタル信号プロセッサ、フィールドプログラム可能ゲートアレイ、特定用途向け集積回路、およびハイブリッドアナログ／デジタル回路内のいずれかの一つまたは複数に実装されることを特徴とする請求項１０７記載の発作のエレクトログラフ発現を自動的に予測して制御するシステム。
前記複数の処置アクチュエータが、開放型ループモードで動作し、ボタン、マグネット、および振動変換機の内いずれかの一つにより、予防的療法を提供するようにプログラムされるように構成されることを特徴とする請求項１０７記載の発作のエレクトログラフ発現を自動的に予測して制御するシステム。
前記複数の治療アクチュエータが、閉鎖型ループモードで動作し、比例制御戦略、比例積分微分制御戦略、最適継続制御戦略、ゲインスケジュール制御戦略、多重レベル制御戦略、バンバンフィードバック制御戦略内のいずれかの一つを利用するようにプログラムされるように構成されていることを特徴とする請求項１０７記載の発作のエレクトログラフ発現を自動的に予測して制御するシステム。
前記信号取得構成部品によって処理される前記デジタル化された信号を格納する外部格納部品をさらに備えることを特徴とする請求項１０７記載の発作のエレクトログラフ発現を自動的に予測して制御するシステム。
前記個人に迫りよる発作の確率ベクトルおよび前記多重セラピー活性化状況を表示する装着可能なアクセスデバイスをさらに備えることを特徴とする請求項１０７記載の発作のエレクトログラフ発現を自動的に予測して制御するシステム。
前記埋め込まれたデバイスが、トランシーバを介して受信する複数の学習したアルゴリズムおよびパラメータをダウンロードするための電子的消去可能なプログラム可能読み込み専用メモリを含んでいることを特徴とする請求項１０７記載の発作のエレクトログラフ発現を自動的に予測して制御するシステム。
各構成部品の性能を向上するために、前記特徴抽出構成部品の動作、確率推定量構成部品の動作、および多重治療活性化構成部品の動作をシミュレーションする集中型、学習インターフェイス論理およびプログラムインターフェイス論理を有するプロセッサをさらに備えることを特徴とする請求項１０７記載の発作のエレクトログラフ発現を自動的に予測して制御するシステム。
前記プロセッサがラップトップコンピュータまたはワークステーションコンピュータであることを特徴とする請求項１１８記載の発作のエレクトログラフ発現を自動的に予測して制御するシステム。
前記ラップトップコンピュータまたはワークステーションコンピュータが、前記個人の位置と異なる位置にあることを特徴とする前記請求項１１９記載の発作のエレクトログラフ発現を自動的に予測して制御するシステム。
前記プロセッサが、Ｔ１回線および他の高速デジタルリンクを介してインターネット上でアクセス可能な遠隔な設備に設置されていることを特徴とする請求項１１８記載の発作のエレクトログラフ発現を自動的に予測して制御するシステム。
前記複数の治療アクチュエータが、最小限必要な前記治療介入手段を自動的に適用し、それにより関連する副作用を最小化する構成にであることを特徴とする請求項１０７記載の発作のエレクトログラフ発現を自動的に予測して制御するシステム。
最小限必要な前記治療介入手段が、温和的フォームの治療で始まり、前記確率ベクトルが継続的に変化しエレクトログラフ発現に向かい時間が減少する場合、より積極的な治療を続ける構成であることを特徴とする請求項１２２記載の発作のエレクトログラフ発現を自動的に予測して制御するシステム。
最小限必要な前記治療介入手段が、長期予測時間間隔を最小侵襲的温和的治療に結合し、短期予測時間間隔を積極的治療に結合し、前記長期予測時間間隔と前記短期予測時間間隔の間にある予測時間間隔を徐々に変わる穏やかなフォームの治療に結合することを特徴とする請求項１２２記載の発作のエレクトログラフ発現を自動的に予測して制御するシステム。
患者特有の特徴信号および治療処置を最適化するのに埋め込まれたデバイスを調整するために、発作を起こすことがある個人の生活の質指数を評価するシステムであって、
個人に埋め込まれた変換機から複数のデータチャネルを介して受信される複数の生信号を条件付けするとともに、デジタル化する信号取得構成部品と、
固定期間にわたる発作の間、多重データ通信チャネルを介して、前記個人の頭蓋内の生脳波（ＩＥＥＧ）のエネルギーを蓄積する第一の格納部品と、
固定期間にわたり、前記埋め込まれたデバイスの活性化の際はいつでも、前記多重データチャネルを介して治療制御努力のエネルギーを蓄積する第二の格納部品と、
発作因子および治療因子によって、前記頭蓋内の生脳波の蓄積されたエネルギーおよび前記制御努力の蓄積されたエネルギーに重み付けをし、前記固定定期間にわたる質を決定する第一の論理モジュールと、複数の固定期間の現在の質および以前の質を重み付けした平均として、生活の質指数を決定する第二の論理モジュールとを有するプロセッサと
を備えていることを特徴とする生活の質指標を評価するシステム。
前記生活の質指数を決定する第二の論理モジュールが、前記より古いデータの影響を減少する忘却スケジュールに基づいて前記日々の質を指数関数的に重み付けをした移動平均を利用するように構成されていることを特徴とする請求項１２５記載の生活の質指数を評価するシステム。
治療処置を提供する際に、発作を起こすことがある個人に埋め込まれたデバイスの性能を改善すると共に維持するために定期的に学習するシステムであって、
前記個人に埋め込まれた変換機から受信する複数の生信号を条件付けするとともに、デジタル化する信号取得構成部品と、
前記信号取得構成部品に結合され、
固定期間にわたる発作および治療の、強度、期間、および頻度にペナルティを科す生活の質指数を評価する学習およびトレーニングモジュールと、
前回の固定期間にわたり記録したすべての発作に明確なエレクトログラフ発現（ＵＥＯ）の時間をマークする学習およびトレーニングモジュールと、
発作の直前のすべての前記ＩＥＥＧエポックを切り取り、該切り取ったエポックを発作前の生データとしてラベリングすることによって、前記エレクトログラフ発現に基づく学習データセットを作成する学習およびトレーニングモジュールと、ランダムに選択された重複しないデータを、非発作前の生データまたはベースラインの生データとして切り取ると共にラベル化する学習およびトレーニングモジュールと、
前記発作前および非発作前の生データから特徴ライブラリ内のすべての特徴の時系列を生成する学習およびトレーニングモジュールと、
分類子をベースにした性能メトリックを最小化する前記特徴ライブラリの累乗集合内の最適特徴ベクトルを探索する学習およびトレーニングモジュールと、
前記最適特徴ベクトルの事後確率推定量を合成する学習およびトレーニングモジュールと、
前記確率推定量に最適の治療活性化しきい値を結合するための学習およびトレーニングモジュールと
を有するプロセッサと
を備えることを特徴とする定期的に学習するためのシステム。
前記学習およびトレーニングモジュールが、
前記特徴ライブラリ内のすべての特徴の前記時系列を時間同期することによって、候補特徴ベクトルの軌道を生成するプログラム論理と、
トレーニングデータセットを記憶して、それにより治療活性化判定ルールをシュミレーションするとともに、特徴最適化を加速させるノンパラメトリック分類子を合成するプログラム論理と、
前記ノンパラメトリック分類子の判別関数を訂正し、前記最適性判定ルールを決定するプログラム論理と、
前記ノンパラメトリック分類子を合成するのに直接利用しない妥当性確認データセットの総合リスクを測定するプログラム論理と、
発見的探索判定基準を用いて次の候補特徴ベクトルを決定するプログラム論理と
をさらに備えることを特徴とする請求項１２７記載の定期的に学習するためのシステム。
前記学習およびトレーニングモジュールが、
事後確率推定量を計算するためにウェーブレットニューラルネットワークをトレーニングするプログラム論理と、
前記妥当性確認データセットの平方誤差損失関数の期待数値を最小化するプログラム論理と、
前記妥当性確認データセットの前記誤差を最小化するウェーブレットニューラルネットワークを選択するプログラム論理と、
をさらに備えることを特徴とする請求項１２７記載の定期的に学習するためのシステム。
前記学習およびトレーニングモジュールが、分類子をベースにした性能メトリックの複数のセットを利用して、特徴ベクトルをランク分けするプログラミング論理をさらに備えることを特徴とする請求項１２７記載の定期的に学習するためのシステム。
分類子をベースにした性能メトリクスの第一のセットが、真陽性確率、偽陰性確率、真陰性確率、偽陽性確率、真分類確率、誤差確率、選択性数値、およびバランス数値を含むことを特徴とする請求項１３０記載の定期的に学習するためのシステム。
分類子をベースにした性能メトリックの第二のセットが、発作前事前確率および非発作前事前確率を含むことを特徴とする求項１２７記載の定期的に学習するためのシステム。
分類子をベースにした性能メトリックの第三のセットが、毎時の偽陽性測定値、平均検知遅れ測定値、誤差リスク測定値、および総合リスク測定値を含むことを特徴とする請求項１３０記載の定期的に学習するためのシステム。
前記総合リスク測定が、ペナルティ因子を、前記偽陰性確率、前記偽陽性確率、前記真陽性確率、および前記真陰性確率に適用することによって決定されるように構成されることを特徴とする請求項１３３記載の定期的に学習するためのシステム。
前記学習およびトレーニングモジュールが、選択された最適判定基準に基づいて、最適性判定ルールを決定するプログラミング論理をさらに備えることを特徴とする請求項１２８記載の定期的に学習するためのシステム。
前記最適判定基準が、最大尤度推定値、最小誤差推定値、Ｎｅｙｍａｎ−Ｐｅａｒｓｏｎ判定基準、最小誤差リスク推定値、ミニマックスリスク推定値、および最小総合リスク推定値の内いずれかの一つであることを特徴とする請求項１３５記載の定期的に学習するためのシステム。