JP2009542351A - 時間的尺度を使用した脳パターンの解析 - Google Patents
時間的尺度を使用した脳パターンの解析 Download PDFInfo
- Publication number
- JP2009542351A JP2009542351A JP2009518378A JP2009518378A JP2009542351A JP 2009542351 A JP2009542351 A JP 2009542351A JP 2009518378 A JP2009518378 A JP 2009518378A JP 2009518378 A JP2009518378 A JP 2009518378A JP 2009542351 A JP2009542351 A JP 2009542351A
- Authority
- JP
- Japan
- Prior art keywords
- brain
- subject
- data
- dynamic
- partial cross
- 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.)
- Withdrawn
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
-
- 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
- A61B5/242—Detecting biomagnetic fields, e.g. magnetic fields produced by bioelectric currents
- A61B5/245—Detecting biomagnetic fields, e.g. magnetic fields produced by bioelectric currents specially adapted for magnetoencephalographic [MEG] signals
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
- A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
- A61B5/0022—Monitoring a patient using a global network, e.g. telephone networks, internet
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/372—Analysis of electroencephalograms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/388—Nerve conduction study, e.g. detecting action potential of peripheral nerves
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
- A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- 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]
- A61B5/375—Electroencephalography [EEG] using biofeedback
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4058—Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
- A61B5/4064—Evaluating the brain
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4082—Diagnosing or monitoring movement diseases, e.g. Parkinson, Huntington or Tourette
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Neurology (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Neurosurgery (AREA)
- Psychology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Child & Adolescent Psychology (AREA)
- Developmental Disabilities (AREA)
- Hospice & Palliative Care (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
Description
バイオマグネティズム(Biomagnetism)は、体内の信号源からの磁場の測定を指す。これらの磁場は、磁気材料または生物学的活動に伴うイオン電流によって生成される。生理的記録の1つの例は、ヒトの心臓および誘導コイルまたは検出器としての他の機器を含む。バイオマグネティズムの他の例は、磁気粒子の運動を追跡することによる、消化器系の調査、および、金属加工作業者の肺内の磁気汚染物質の測定を含む。一部の応用は、ヒトの脳活動の測定を含む。磁場の検出器の例は、SQUID(超伝導量子干渉計(Superconducting Quantum Interference Device))と呼ばれる超伝導デバイスを含む。SQUIDは、その関連するフィードバック電子回路と共に、ブラックボックスとして扱われ、その検出コイルに印加された磁束に比例する出力電圧を提供する。磁気信号は、軟部組織および骨を通過することによってそれほど影響を受けず、一方、電気信号は、軟部組織によって伝導され、骨によって絶縁される。
一実施例では、視線固定課題およびMEGを使用して、高齢の被検者(77.1±1.5y,mean±SEM,N=11)、すなわち、正常被検者(N=4,76.5±2.1y)、MCIの被検者(N=4,75.7±3.7y)、およびADの被検者(N=3,79.7±0.3y)の3つの群において脳の動的状態または動的機能が評価される。被検者が、45秒間、あるスポットに視線固定している間に、248の軸型磁束計(Magnes 3600WH、4−D Neuroimaging社)からデータが採取され、心臓アーチファクト又は目の瞬きによるアーチファクトを除去するために前処理された。
被検者は、ベッド上に仰臥位で寝て、1分間、被検者の前のスポットを見るように指示される。被検者は、目がそのスポットに視線固定されるよう維持し、瞬きをしないように求められる。その後、被検者は、目をさらに3分間閉じ、これが、試験の終了である。視線固定期間からのMEGデータは、全ての解析に使用される。一実施形態では、目を閉じた状態の間に採取されたデータは、心臓アーチファクトなどの信号アーチファクトを識別し、除去するのに有用である。
データは、MEG機器によって採取される。被検者は、磁気シールドルーム内でベッド上に寝て、MEG信号が、実験の全継続期間(約4分)の間、248の軸型磁束計(0.1〜400Hz、サンプリング@1017Hz、Magnes 3600WH、4−D Neuroimaging社、カルフォルニア州サンディエゴ(San Diego, CA))によって採取される。
データ前処理。心臓アーチファクトは、事象同期減算法を使用して除去されてもよい。眼球視線固定期間の継続期間が非常に短い(1分)ため、目の瞬きによるアーチファクトは予想されないが、存在する場合、検出され、データから除去される、またはブランキングされ得る。
解析は、選択された測定に関して被検者のいくつかの群について弁別分類関数を導出し、その後、弁別分類関数を新しいケースに適用して、新しいケースを、元の群のうちの1つに分類する。この解析は、各群に対する分類についての事後確率、ならびに、分類群のそれぞれからの特定のケースの距離である、特定の尺度(マハラノビス距離の2乗)をもたらす。この尺度は、脳機能の考えられる変化を監視して、異なる群の脳機能を近似するのに役立つ可能性がある。
一実施例では、被検者は、13〜90歳の年齢範囲の種々の医療履歴を有する被検者を含み、男性と女性の両方、全ての人種および民族を含む。本主題は、健康な被検者、ならびに、多発性硬化症(MS)、シェーグレン症候群(SS)、または、潜在的な中枢神経系の関与を伴う他の自己免疫異常を含む神経系に影響を及ぼす疾病、MCI、AD、精神分裂症、および慢性アルコール依存症を有する被検者に関して使用され得る。本発明の実施形態は、種々の脳状態を有する被検者に関して使用され得る。例えば、アルコールまたは薬物の影響下にあるヒト。
一実施例では、MEGデータは、248チャネル軸型磁束計システム(Magnes 3600WH、4D Neuroimaging社、カルフォルニア州サンディエゴ)を使用して採取される。MEGの低温ヘルメット形状デュアは、雑音を除去するために、電磁シールドルーム内に配置される。データ(0.1〜400Hz)は、1017.25Hzで収集される。被検者の動きに対して保証するために、5つの信号コイルが、MEG採取の前にデジタル化され、データ採取の前後に連続して起動され、それにより、センサを基準として頭が位置特定される。MEGデータは、被検者とセンサ当たり、約60,000の値からなる時系列を含む。目に関連するアーチファクトは、データ収集を繰り返すことによって排除され得る。
データ前処理は、同期事象減算法を使用した心臓アーチファクトの除去を含む。心臓アーチファクトの除去後に、時系列は、「プリホワイトニングされる」ため、時系列間の相互作用は、系列自体における自己相関に由来するバイアスが無い状態で推定され得る。プリホワイトニングすることは、ボックスジェンキンス(Box−Jenkins)ARIMAモデリングを使用して実施されて、±25msに相当する、25ラグを使用してデータ時系列の時間的構造が識別される。この解析は、約60,000時点に関して行われる。ARIMAモデリング、ならびに、残渣の自己相関関数(ACF)および偏ACF(PACF)の計算および評価を含む診断チェック後に、25のAR次数、1次差分、および1次MAのARIMAモデルが適用されて、平均値(mean)、分散、および自己相関構造に関して定常な残渣がもたらされる。残渣は、SPSS統計パッケージ(Windows用SPSS、イリノイ州シカゴ(Chicago,IL,)、2000)を使用して推定される。定常な残渣の対間のゼロラグ相互相関は、IMSL統計ライブラリ(Compaq Visual Fortran Professional edition version 6.6B)のDCCFルーチンを使用して計算される。これらから、iのセンサとjのセンサとの間の偏ゼロラグ相互相関およびその統計的有意性が、全てのセンサ対について計算される。線形弁別解析を実施するために、この相互相関は、z変換されて、その分布が正規化される。すなわち、z=0.5[ln(1+r)−ln(1−r)]である。
10人の右ききのヒト被検者(女性5と男性5)が、1つの実験に参加した(年齢範囲、25〜45歳;mean±SEM、33±2歳)。
である。
例示的な結果は以下の通りである。248のセンサが与えられると、全部で248!/2!246!=30,628のPCC0 IJが1被検者について可能であり、さらに全部で30,628×10被検者=306,280のPCC0 IJとなる。これらの相関の中で、目の瞬きのアーチファクトを有する記録を排除した後に、285,502(93.2%)が解析され、その相関の81,835/285,502(28.7%)が統計的に有意であった(P<0.05)。全ての有効なPCC0 IJの中で、146,741(51.4%)が正であり、138,761(48.6%)が負であった。平均(±SEM)の正のZ0 IJは、0.0112±0.00004(最大Z0 IJ=0.38;PCC0 IJ=0.36)であり、平均の負のZ0 IJは、−0.0065±0.00002(最小Z0 IJ=PCC0 IJ=−0.19)であった。これらの平均値の絶対値は、かなり異なり(P<10−20;スチューデントt検定)、平均|+Z0 IJ|は、平均|−Z0 IJ|より72%高い。あるセンサと全ての他のセンサとの間の同期性結合の分布の空間パターンの例は、図4A〜ACおよび5A〜5Cに示される。統計的に有意なPCC0 ijだけがプロットされている。統計的に有意な閾値は、ボンフェロニの不等式によって、プロット当たり247の複数比較を反映するように調整された。すなわち、公称の有意閾値は、p<0.05/247(すなわち、p<0.0002)の、使用される実際の閾値に相当する、p<0.05である。正と負のPCC0 ijが示される。小さなドットは、平面上に投影された248のセンサのロケーションを表す。データは、1人の被検者からのものである。
全体として、PCC0 IJは、センサiとjとの間で、距離
PCC0 ijは、ニューロン集団の間での同期性結合の推定であり、絶対値とPCC0 IJとは、それぞれ、結合の強度と種類を示す。248のセンサによってサンプリングされたニューロンアンサンブルが、図6〜7で可視化された大規模に接続されたニューロンネットワークマップなどの、大規模に相互接続されたニューロンネットワーク内のノードと考えられる場合、PCC0 IJは、これらのノード間の動的な同期性相互作用の推定として役立つことができる。こうした大規模に相互接続されたネットワークは、248のノードをラインで連結し、各ラインが、正の結合を表すか、負の結合を表すかを指示することによって可視化され得る。図6および7は、10人の被検者にわたって平均された、このネットワークの、閾値処理され、かつ、スケーリングされた図を示し、相互作用の領域的な変動は、複数の被検者にわたって存在し、また、整合性があった。
注目すべきことには、上記のように構築されたニューロンネットワークは、複数の被検者(図8Aおよび8Bならびに9Aおよび9B)にわたって非常に類似していた。総合的なネットワーク類似度は、ネットワークの全てのz0 ij(すなわち、全てのiのセンサとjのセンサ)にわたってピアソン相関係数を計算することによって、全ての被検者対間で定量化され、評価され得る。得られた相関係数は大きく、かつ有意性が高い(メジアン=0.742;範囲、0.663〜0.839;全ての相関についてP<10〜20;>20,000自由度)。これらの調査結果は、一般的なネットワーク基礎を示唆する。
心臓アーチファクトは、例えば、以下のものを含む種々の手順を使用して除去され得る。
MEG時系列のプリホワイトニング
時系列間の関係は、系列が本質的に定常である、すなわち平均値および分散が、系列の異なる時点について異ならず、また、自己相関関数(ACF)および偏自己相関関数(PACF)がフラットである場合、評価され得る。これらの条件が満たされない場合、前の値Xの、時刻tにおける所与の値Xに対する影響、考えられる複数の傾向の存在、および前の値から現在の値への雑音の引継ぎに起因する、誤った結果が得られる。
実際には、全ての時系列が一意であるため、時系列のモデリングは、(a)モデルの重要な成分を識別すること、(b)モデリング係数および係数の安定性を推定すること、(c)残渣を取得すること、および(d)残渣の定常性を評価すること、を含む、面倒で、複雑で、反復的なプロセスである可能性がある。
方法
52のヒト被検者が雇われたボランティアとして調査に参加した。健康な対照、ならびに、アルツハイマー病、精神分裂症、多発性硬化症、シェーグレン症候群、および慢性アルコール依存症を有する被検者を含む6群が存在した。各群の構成は以下の通りであった。アルツハイマー(N=6男性、年齢76.8±1.8y、mean±SEM);精神分裂症(N=9[7男性、2女性]、年齢48.2±2.9y);多発性硬化症(N=4[男性2、女性2]、年齢42.5±6.4y);シェーグレン症候群(N=4女性、年齢56.3±5.2y);慢性アルコール依存症(N=3男性、年齢57±0.9y);健康(対照)(N=25[17男性、8女性]、年齢47.0±3.6y、範囲:23〜82y)。
被検者は、(異なる被検者において)45〜60秒の間、MEG機器内で仰臥位で寝て、被検者の前の約62cmにあるスポットに目を視線固定し、一方、MEGデータは、248の軸型磁束計(0.1〜400Hz、サンプリング@1017Hz、Magnes 3600WH、4−D Neuroimaging社、カルフォルニア州サンディエゴ)によって採取された。これは、各被検者について、45000〜60000の時点を有する248の時系列からなるデータ集合をもたらした。心臓アーチファクトは、上述したように、事象同期減算を使用して、各系列から除去された。
以下に述べる全ての解析は、単一トライアルの、平滑無しで平均無しのデータに関して実施された。ボックスジェンキンスARIMAモデリングを使用した時系列の「プリホワイトニング」に続いて、iのセンサとjのセンサ(N=248センサ)との間のゼロラグ偏相互相関PCC0 ijが、全てのセンサ対(N=30628)について計算された。PCC0 ijは、フィッシャのz変換を使用してz0 ijに変換されて、その分布が正規化される。すなわち:
である。
次に、被検者をそれぞれの群に正確に分類することになるz0 ijの部分集合が存在するかどうかについての判定が行われた。その目的のために、z0 ijの所与の部分集合を十分な分類子として受容するために、全ての被検者の、その対応する群への100%の分類を要求する、頑健な1個抜き法を使用して線形弁別解析が実施された。
こうした理由で、計算時間を低減し、かつ、探索を最適化するために、遺伝的アルゴリズムが使用された。遺伝的アルゴリズムを使用して、ある数のz0 ij予測子の初期部分集合が(利用可能な30628の中から)ランダムに選択され、集団サイズ=5でクロスオーバが一様のマイクロGAが24時間実行された。探索中に、適合度関数解が、2×105の生成について一定であった場合、新しいランダム部分集合が選択され、演算が繰り返された。
遺伝的探索アルゴリズムを使用すると、各被検者を100%正確にそれぞれの群に分類したz0 ijの部分集合が容易に見出された。分類の例示的な(2次元空間にマピングされた)図が、図10に示される。全ての群は、最初の2つの標準弁別関数(canonical discriminant function)(CDF)のCDF空間において、オーバラップ無しで明確に識別された。
偶然性によって予想される定性化部分集合の数は、部分集合内の実際の予測子の数k、考えられる全ての予測子z0 ijのアンサンブルサイズ、群の数、および、分類される被検者の数に依存する。Lの群に属するMの被検者、および、考えられるN(=30628)からの、同じサイズのkの予測子の部分集合が与えられると、偶然性によって、各被検者の、その群への100%正確な分類を与えることになる部分集合の予想される数sは
この式は、サイズkの考えられる全ての部分集合Qを試験することを仮定し、試験することは、大きな数のN(=30628)が与えられると、kの小さな値であっても、ほとんど不可能な課題である。それでも、この問題は、以下の扱い易い方法で調査された。最初の解析は、小さなk、L、およびMについて、網羅的探索が実行可能であることを利用した。こうした探索は、k=2、N=30628、L=3、およびM=17(6アルツハイマー病の被検者、3慢性アルコール依存症の被検者、および8マッチした対照)について実行された。この網羅的評価は、偶然性によって予想された約4(s=3.63)の集合と比較して、各被検者の100%正確な分類によって560の部分集合をもたらした。(Q=469021878の考えられる全部の部分集合に対する)これらの比率は、著しく異なり(2項定理、正規偏差z=23.4、P<10−50)、適切な集合の(偶然性を上回る)過剰さを指示する。最後に、網羅的探索が実行可能でない大きな集合について、以下の解析が実施された。k=10、N=30628、L=6、およびM=52被検者の場合、100%正確な分類をもたらす部分集合の予想される数は、本質的にゼロである(s=0.0069)。しかしながら、遺伝的アルゴリズムを使用する弁別分類プログラムは、数時間の間実行された後、100%正確な分類によって79の集合をもたらした。(網羅的探索が実行可能でないため)データにおける適切な集合の厳密な比率が計算され得ないが、この比率は、偶然性予測値(z=8.7、P<10−50)を既に越えている。多くの場合、有効な部分集合は、100%正確な分類だけでなく、各被検者の、その群への正確な分類についての高い(例えば、>0.98)事後確率もまたもたらした。
この実施例で得られた有効な分類の基礎にある本発明の一態様は、MEG時系列の対ごとのゼロラグ偏相互相関である。248のMEGセンサについての信号間のこうした全ての相関の集合は、大規模なニューロンネットワーク内の動的同期性を特徴付ける。結果は、これらの同期性が調節され得ることを示唆する。その理由は小さな部分集合内においてさえも同期性の変化が脳疾病状態の強力な弁別子であるという点からである。この考えは、偏相関の脳パターンが、健康な被検者の間で非常に類似するという観測結果、および、高次脳機能についての基盤としての同期性の幅広い概念に従う。
全部で142の被検者が、雇われたボランティアとして調査に参加した。健康な対照(HC)、アルツハイマー病(AD)、精神分裂症(SZ)、慢性アルコール依存症(CA)、シェーグレン症候群(SS)、多発性硬化症(MS)、および顔面疼痛(FP)を有する患者を含む7群が存在した。各群の構成は以下の通りであった。HC(N=89[48男性、41女性]、年齢[mean±SEM]43.7±1.7y、範囲:10〜82y);AD(N=9男性、年齢74.0±2.1y、平均ミニメンタルステート検査(mini−mental state examination)[MMSE]スコア21.13±1.5);SZ(N=16[13男性、3女性]、年齢45.8±2.5y);CA(N=3男性、年齢57.3±0.9y);SS(N=10[1男性、9女性]、年齢54.8±3.2y);MS(N=12[4男性、8女性]、年齢40.7±3.3y、2次進行型形態(secondary progressive form)または再発軽減形態(relapsing remitting form));FP(N=3女性、年齢47.3±6.5y、アルスロマイアルジア(arthromyalgia))。患者群に属する被検者は機能性脳疾患を有し、その診断はそれぞれの医療分野の専門家によって以下のように行われた。AD患者は、学際コンセンサス診断会議(interdisciplinary consensus diagnosis conference)に基づいて診断され、また、(i)DSM−IV[7]による痴呆の診断および(ii)NINCDS−ARDA基準による、そうかもしれない(possible)か、または、可能性が高い(probable)ADについての基準を満たすと判定された。SZ患者は、DSM−IV基準に基づいて診断され、電気痙攣治療の履歴も、頭部外傷(一晩の入院または5分を越える無意識)も、過去の物質依存(substance dependence)も、現在の物質/アルコール依存または乱用も、中枢神経系に影響を及ぼす医療状態(例えば、癲癇)も持たなかった。CA患者は、調査の前の24時間の間、アルコールを摂取せず、呼吸分析器を使用してアルコールの無いことを確認した。SS患者は、シェーグレン症候群についての米国−欧州コンセンサス群による分類基準に基づいて診断された。彼らは、自分たちの医師によって、また、神経生理学的測定によって臨床的に検証された認知障害を訴えた。MS患者は、修正マクドナルド基準[10]を満たし、10以上のT2大脳病巣を有し、少なくとも30日のポスト再発またはステロイドバーストであり、明確なMSサブタイプを有していた。FP患者は、側頭下顎関節痛(temporomandibular joint arthralgia)およびそしゃく筋の筋膜痛(アルスロマイアルジア)があると診断された。最後に、対照群は、患者群に対して年齢がマッチした被検者ならびにさらなる健康な被検者を含んだ。対照群に属する被検者を除く、全ての被検者は、脳の病気に関連する投薬を受けた。これらの投薬の一部は、精神作用性があった。
ここでの目的は、任意特定の課題に関わることなく、脳を安定状態に保つことであった。その目的のために、被検者は、(異なる被検者において)45〜60秒の間、MEG機器内で仰臥位で寝て、被検者の前の約62cmにあるスポットに目を視線固定し、一方、MEGデータは、248の軸型磁束計(サンプリング@1017Hz、フィルタリング0.1〜400Hz、Magnes 3600WH、4−D Neuroimaging社、カルフォルニア州サンディエゴ)によって採取された。これは、各被検者について、45000〜60000時点を有する248の時系列からなるデータ集合をもたらした。心臓アーチファクトは、事象同期減算を使用して、各系列から除去された。
以下に述べる全ての解析は、単一トライアルの、平滑無しで平均無しのデータに関して実施された。MEGセンサ時系列間のゼロラグ相互相関を計算するために、個々の系列は、「プリホワイトニング」によって定常性にされた。それは、系列の非定常性が、誤った関連付けをもたらす可能性があるためである。従って、解析の最初のステップは、時系列をモデリングし、定常な(または、擬似定常な)残渣を導出し、その残渣から、相互相関などの、対ごとの関連付け尺度を計算することであった。これまでの研究が示したところによれば、25のAR次数、1次差分、および1次MAのARIMAモデルは、平均値、分散、および自己相関構造に関してほとんど定常であった残渣をもたらすのに適切であった。残渣は、SPSS統計パッケージ(Windows用SPSS、バージョン15、SPSS Inc.、イリノイ州シカゴ、2006)を使用して推定された。定常な残渣の対間のゼロラグ相互相関は、IMSL統計ライブラリ(Compaq Visual Fortran Professional edition version 6.6B)のDCCFルーチンを使用して計算された。これらから、iのセンサとjのセンサとの間の偏ゼロラグ相互相関PCC0 ijおよびその統計的有意性が、全てのセンサ対について計算された。記述統計量および他の統計量を計算するために、PCC0 ijは、フィッシャのz変換を使用してz0 ijに変換されて、その分布が正規化された。すなわち:
である。
共分散の単変量解析(ANCOVA)は、各サンプルについて、それぞれの個々のセンサ対のデータに関して実施された。ここで、z0 ijは従属変数であり、性(二者択一変数)および年齢は共変量であった。第1および第2のサンプルにおける、センサ対の間の群作用の分布の合同を評価するために、所与のセンサ対についての有意の作用の有るまたは無しが、それぞれ1および0としてコード化され、χ2検定統計量が計算された。
この解析を使用して、被検者をそれぞれの群に正確に分類することになるz0 ijの部分集合が存在するかどうかが判定された。この解析において、フィッシャの群弁別および被検者分類が、標準弁別関数(CDF)空間において行われる。CDFは、予測子変数の重み付き線形和であり、統計解析によって導出される。L(Lは、部分集合内の予測子の数kより小さいと仮定する)の群について、j=L−1の弁別関数、CDFiが存在し、ここで、i=1,2,…,jである。群弁別(および、個々の被検者分類)は、この多次元CDF空間内で実施される。この解析は、群分類関数および特定の群への各被検者の分類の事後確率をもたらす。さらに、順方向ステップごと線形弁別解析(forward stepwise linear discriminant analysis)(BMDP Dynamicのプログラム7M、バージョン7、統計パッケージ、カルフォルニア州ロサンゼルス、1992)が、142の被検者の全サンプルに関して使用されて、予測子の単一部分集合が導出された。プログラムのデフォルトのF値が使用された(F−to−add−a−predictor=4.0、F−to−remove−a−predictor=3.996)。その解析についての入力予測子は、271のセンサ対からのz0 ij値であり、その値は、ANOVAにおいて有意性の高い(P<0.001、F検定)群作用を示した。これは、30,628の値からなる大きな予測子空間を低減しようとして行われた。
この例の主要な目的は、非常に大きな空間から有効な予測子部分集合を識別することであった。全てのこうした部分集合を識別するときのブルートフォース手法は、大きなサイズの予測子集合(N=30,628)が与えられると、数個以上の予測子についてさえも計算的に躊躇させることになる。こうした理由で、以下のように、計算時間を低減し、かつ、本発明者等の探索を最適化するために、GAが使用された。(利用可能な30,628からの)ある数のz0 ij予測子の初期部分集合がランダムに選択され、集団サイズ=5でクロスオーバが一様のマイクロGAが、24時間実行された。探索中に、適合度関数解が、2×105の生成について一定であった場合、新しいランダム部分集合が選択され、演算が繰り返された。実際には、GAは、「適者生存(survival of the fittest)」の自然な選択法則を守る。こうして、評価関数(この場合、分類)を改善する特性が維持され、一方、改善しない特性が廃棄される。
これらの解析は、2つの目的、すなわち、(i)適切な予測子の部分集合の数が、偶然性によって予想される数を超えるという仮説を試験すること、および、(ii)第2のサンプルに関するクロスバリデーションのために分類関数を生成することを有する。
網羅的探索を使用した解析の場合、頑健な1個抜き法を使用して線形弁別解析を実施するために、k=2、L=3、M=17(6:AD患者、3:CA患者、および8:マッチしたHC)が選択された。全ての被検者の、その対応する群に対する100%正確な分類が、特定の部分集合を保持するために必要とされた。
線形弁別解析は、各群について分類関数をもたらし、分類関数は、その後、個々の被検者をある群に分類するのに使用される。外部クロスバリデーションの場合、第1のサンプルから導出された分類関数を使用して、第2のサンプルからの被検者が分類された。その目的のために、第1のサンプルについて100%正確な分類を与えた分類関数が使用され、その後、第2のサンプルに適用された。
第1のサンプル(52被検者、6群):初期解析
最初に、z0 ijに対する統計的に有意な群作用(P<0.05、F検定、ANCOVA)が、センサ対の18%において見出された。次に、(GAを使用した)線形弁別分類解析が、z0 ijの部分集合に関して実行されて、個々の被検者が、それぞれの群に首尾よく分類され得るかどうかが見出された。実際には、52の被検者の各々を100%正確に分類したz0 ij予測子の(数千の中の)多くのこうした部分集合が見出された。(全てのこうした部分集合の厳密な数は、実際には、求めるのが不可能である。)一例が図10に示される。多くの場合、有効な部分集合は、100%正確な分類だけでなく、各被検者の、その群への正確な分類の高い事後確率(例えば、>0.98)もまたもたらした。
この解析の頑健さおよび有用な臨床試験法としての可能性を評価するために、46の被検者からのデータが、第1のサンプルに続く後続の期間の間に処理された。特に、(a)センサ対(N=30,628)の個々のz0 ijに関してANCOVAによって評価された群作用の分布、および、(b)第1のサンプルから導出された分類関数に基づく第2のサンプルの分類結果(外部クロスバリデーション)に関して、第2のサンプルの解析結果が、第1のサンプルの解析結果に一致したかどうかについての回答が求められた。前者に関して、z0 ijに関する統計的に有意な群作用(P<0.05、F検定、ANCOVA)は、第1のサンプルにおける18%に比較して、センサ対の11%で見出された。センサ対の間のこの作用の分布は、2つのサンプルにおいて非常に一致していた(P<10−11、χ2検定)。そして、後者に関して、第1のサンプルにおいて100%分類を示したz0 ijの部分集合の多くもまた、第1のサンプルから計算された分類関数が第2のサンプルに適用されると、優れた分類スコアを示した(数千の中で、>90%)。これらの結果は、2つのサンプルの類似性を強調し、優れた外部クロスバリデーション結果の発生を立証する。
44のさらなる被検者からのデータが、142の被検者(7群)の現在の総サンプルについて解析された。全ての被検者の、それぞれの群への100%正確な分類をもたらす多くのz0 ij予測子の部分集合が識別された。こうした部分集合の数は、(20の予測子について)数千の単位であり、16程度の少ないz0 ij予測子でさえも、100%正確な分類結果を示すであろう。被検者分類の事後確率が、ほとんどの場合、>0.95であったことも注目すべきであり、この手法の検出力を強調している。最後に、ステップごとの弁別解析(複数の方法を参照されたい)は、142の被検者の86.6%を、それぞれの群に正確に分類した12のz0 ij予測子の部分集合をもたらした。2つのクロスバリデーション結果もまた、この集合に関して得られた。最初に、1個抜き法によって得られたジャクナイフ式分類は、78.9%の正確な分類を示した。第2に、分類関数を計算し、それにより、被検者の残りの20%の群割当てを予測するためのプログラムが、(ランダムに選択された)データの80%を使用して10回実行された。平均の正確な分類は、86.4%(範囲:79.3〜93.8%)であり、平均の正確なジャックナイフ式分類は、77%(範囲:72.1〜83.6%)であった。これらの調査結果は、正確な分類の高いパーセンテージが、頑健に得られることを示す。
弱い局所的な脳皮質同期についてのメカニズムは、錐体路細胞(pyramidal tract cell)と特異的なパルブアルブミン免疫反応視床皮質ニューロン(parvalbumin−immunoreactive thalamocortical neuron)の反回側副枝(recurrent collateral) によってもよく、一方、カルビンジン免疫反応視床皮質ニューロン(calbindin−immunoreactive thalamocortical neuron)は、大規模多焦点皮質同期の一因となる可能性がある。調査結果が示唆するところによれば、微細粒同期性(fine−grain synchronicity)は、異なる疾病プロセスによって特質的に乱される可能性がある皮質機能の基本態様であり得、疾病固有のシグネチャをもたらす。
脳内のニューロン活動は、磁気信号と電気信号の両方を生成する。脳に相当する磁気信号は、脳磁図(MEG)センサを使用して検出され得、電気信号は、脳波計(EEG)センサを使用して検出され得る。本明細書で使用されるように、電気信号または磁気信号を検出するために、電磁センサが使用され得る。
時間的尺度の統計的独立性は、他の変数を考慮するセンサのペアリング間または他のグルーピング間の明らかな相互作用に関連する。統計的に独立な時間的尺度を達成することができる1つのタイプの計算は、上記例で述べた偏相互相関である。しかしながら、ある応用では、本発明の範囲および精神内で他の手法が適用可能であってよい。例えば、残渣の使用は、時間的尺度のグルーピングの統計的独立性を生成してもよい。
2650にて、データセンタは、時間的尺度の動的モデルを、種々の脳状態に従って分類された1つまたは複数のテンプレートと比較する。テンプレートはある意味で神経生理学的状態のバリデーションされたモデルである。1つのタイプの実施形態では、テンプレートはそれぞれ、疾病または障害などの一般的な神経生理学的特性を共有する、以前に評価された被検者の群に基づく。この実施形態では、テンプレートは同テンプレートがそれに基づく被検者の群ついての状態に相当するインジケータ間に、強い統計的な相関が存在する点でバリデーションされている。
Claims (109)
- 被検者の神経生理学的活動を解析するとともに分類するためのシステムであって、
開眼アイドル状態時に前記被検者のニューロン信号を検出すべく配置された空間的に分配された複数のセンサにより得られた神経生理学的活動の時系列を表す被検者データの集合を受信するデータ入力部と、
種々の脳の症状に従って分類される複数のテンプレートを記憶するデータ記憶部であって、前記テンプレートの各々が所与の脳の症状を示すことが知られている少なくとも一人のその他の被検者から測定されたニューロン集団の間での統計的に独立な時間的尺度の選択的な部分集合を表す、データ記憶部と、
前記データ入力部及び前記データ記憶部に通信可能に接続されるプロセッサと、を含み、前記プロセッサは:
前記被検者のニューロン集団の間での時間的尺度を表す動的モデルを得るために同被検者データの集合を処理し、かつ
前記動的モデルが前記複数のテンプレートの少なくとも一つと対応している場合に同被検者の神経生理学的活動の分類を生成するために、前記動的モデルの少なくとも一部を前記複数のテンプレートと比較するためにプログラム化されていることと、
からなるシステム。 - 前記プロセッサは平均値、分散及び自己相関の定常性の特性を有するプリホワイトニングされた時系列を生成するために前記被検者データの集合を処理するようにプログラム化されている、請求項1に記載のシステム。
- 前記プロセッサはプリホワイトニングされた時系列を生成するために自己回帰統合移動平均に基づくアルゴリズムを適用するようにプログラム化されている、請求項2に記載のシステム。
- 前記プロセッサはニューロン集団の相互作用を示す複数のセンサからなる複数の群の間の信号の強度及び符号の推定を生成するために、前記被検者データの集合の偏相互相関を計算するようにプログラム化されている、請求項1に記載のシステム。
- 前記複数のセンサからなる複数の群は複数のセンサかならなる複数の対であり、前記偏相互相関は前記複数のセンサの複数の対の少なくとも部分集合の間の直接信号の強度及び符号の推定を生成するために計算される、請求項4に記載のシステム。
- 前記偏相互相関は約50ミリ秒の時間窓内にておこる複数のセンサからなる複数の対の間の直接短期間信号の強度及び符号の推定を生成するために計算される、請求項4に記載のシステム。
- 前記偏相互相関は複数のセンサからなる複数の対の間の直接かつほぼ同時である信号の強度及び符号の推定を生成するために計算される、請求項4に記載のシステム。
- 前記プロセッサは、年齢、人種、神経生理学的能力又はそれらの任意の組み合わせからなる群より選択される少なくとも一つのパラメータに関して共分散に対する偏相互相関を解析するようにさらにプログラム化されている、請求項4に記載のシステム。
- 前記偏相互相関は(a)正の偏相互相関及び(b)負の偏相互相関からなる群より選択される少なくとも一つのタイプを含む、請求項4に記載のシステム。
- 前記プロセッサは、分類を生成するために使用される分類関数の集合を生成するために偏相互相関において線形弁別解析を実行するように更にプログラム化されている、請求項4に記載のシステム。
- 前記プロセッサは、分類を実施するのに関連のある偏相互相関を構成する偏相互相関の関連部分集合を決定するためにプログラム化されている、請求項10に記載のシステム。
- 前記プロセッサは1個抜きアルゴリズムを使用して線形弁別解析を実行するようにプログラム化されており、100%の分類は、関連があると判断される偏相互相関の任意の一つに必要とされる、請求項11に記載のシステム。
- 前記プロセッサは、遺伝的アルゴリズムを使用して線形弁別解析を実行するようにプログラム化されている、請求項11に記載のシステム。
- 前記プロセッサは、動的モデルを生成するために複数のセンサからなる複数の群の間での信号の強度及び符号の推定に対して閾値関数を適用するように更にプログラム化されている、請求項4に記載のシステム。
- 前記被検者の神経生理学的活動の分類は、前記複数のテンプレートのうちの一つのテンプレートに対応する分類関数を、複数のセンサからなる複数の群の間での信号の強度及び符号の推定に適用することを含む、請求項14に記載のシステム。
- 前記プロセッサは、被検者の治療投与履歴を表す少なくとも一つの記録に関連したデータ記憶部に動的モデルを記憶するようにプログラム化されている、請求項1に記載のシステム。
- 前記被検者の神経生理学的活動の分類は、複数のテンプレートの少なくとも一つへの一致の程度のインジケータを含む、請求項1に記載のシステム。
- 前記テンプレートの各々は、所与の脳の状態に関連するニューロン集団の間で統計的に有意な時間的尺度のみを表す、請求項1に記載のシステム。
- 前記テンプレートの各々は、複数の異なる被検者のニューロン集団の間での時間的尺度の選択された部分集合の組み合わせを表す、請求項1に記載のシステム。
- 前記被検者の神経生理学的活動の分類は、複数のテンプレートのうちの第一のテンプレートを備えた動的モデルの第一の一致と、前記複数のテンプレートのうちの、前記第一のテンプレートとは異なる第二のテンプレートを備えた動的モデルの第二の一致と、を表す、請求項1に記載のシステム。
- 前記動的モデルは、前記複数のセンサによって検出された同期性ニューロン信号のグルーピングを表す動的ニューロンネットワークに基づいている、請求項1に記載のシステム。
- 前記同時ニューロン信号のグルーピングは約1ms内に起こる異なる脳の位置でのシナプス活動により定義されたニューロン信号の対ごとのグルーピングを含む、請求項21に記載のシステム。
- 前記プロセッサは、複数のテンプレートのうちの少なくとも一つのテンプレートを備えた動的モデルから選択された情報の部分集合を比較することにより分類を得るようにプログラム化されている、請求項1に記載のシステム。
- 前記プロセッサは分類に基づいた前記複数のテンプレートのうちの少なくとも一つを選択的に更新するようにプログラム化される、請求項1にシステム。
- 前記複数のテンプレートは、以下の群:正常な状態、アルツハイマー病、早発性痴呆症候群、軽度認知障害、精神分裂症、シェーグレン症候群、アルコール依存症、アルコール障害、胎児アルコール症候群、多発性硬化症、パーキンソン病、双極性障害、外傷性脳損傷、うつ病、自己免疫異常、神経変性疾患、疼痛、中枢神経系に影響を与える疾病、又はそれらの任意の組み合わせ、からなる群より選択されるニューロン活動の少なくとも一つのタイプと各々が対応している、テンプレートを含む、請求項1に記載のシステム。
- 前記データ入力部は空間的に分配された複数のセンサを有する脳磁図(MEG)機器に通信可能に接続されている、請求項1に記載のシステム。
- 前記センサは、超伝導量子干渉素子(SQUID)センサを含む、請求項26に記載のシステム。
- 前記被検者データの集合は約1msの時間分解能におけるデータを含む、請求項1に記載のシステム。
- 前記開眼アイドル状態は、視線固定課題を実施するために被検者への指示により行われる、請求項1に記載のシステム。
- 前記被検者データの第一の集合は、約1分以下の開眼アイドル状態活動を含む、請求項29に記載のシステム。
- 前記データ入力部はネットワーク通信装置を含む、請求項1に記載のシステム。
- 前記データ記憶部は、少なくとも一つのデータベースを含む、請求項1に記載のシステム。
- 前記プロセッサは、瞬きによるアーチファクト、心臓アーチファクト、骨格筋アーチファクト、又はそれらの任意の組み合わせからなる群より選択される少なくとも一つのアーチファクトを除去するために前記被検者データの集合を処理するようにプログラム化されている、請求項1に記載のシステム。
- 被検者の神経生理学的活動を解析するためのシステムであって、前記システムは、
被検者のニューロン信号を検出すべく配置された空間的に分配された複数のセンサにより得られた神経生理学的活動の時系列を表す被検者データの集合を受信するデータ入力部と、
前記データ入力部に通信可能に連結されるプロセッサと、を含み、前記プロセッサは:
前記被検者の脳のニューロン集団の間での統計的に独立な時間的尺度を表す動的モデルを得るために同被検者データの集合を処理し、かつ
前記被検者の神経生理学的症状を推定するために前記動的脳モデルを解析するべくプログラム化されている、システム。 - 前記統計的に独立な時間的尺度は前記被検者の脳のニューロン集団の間でのほぼ同期性相互作用を表す同被検者データの集合内の異なる時系列のグルーピング中での偏相互相関の集合を含む、請求項34に記載の方法。
- 前記プロセッサは、前記動的脳モデルの少なくとも一部をニューロン活動の異なるモデルと比較するようにプログラム化されており、それにより、比較の結果が前記被検者の神経生理学的状態のインジケータとなる、請求項34に記載の方法。
- 前記動的脳モデルは、第一回目に取得された被検者データの集合に基づく同被検者の第一の動的脳モデルであり、ニューロン活動の異なるモデルは第一回目とは異なる第二回目に取得された被検者データの異なる集合から得られた同被検者の第二の動的脳モデルに基づいており、かつ解析されるべくプロセッサがプログラム化された前記被検者の神経生理学的状態は、第一回目と第二回目との間における同被検者の神経生理学における考えられる変化を表す、請求項36に記載のシステム。
- 前記比較の結果は、前記被検者の神経生理学における考えられる変化の程度のインジケータとなる、請求項37に記載のシステム。
- 前記ニューロン活動の異なるモデルは、少なくとも一人の異なる被検者の動的脳モデルに対応し、かつ解析されるべくプロセッサがプログラム化された前記被検者の神経生理学的状態は、同被検者と前記少なくとも一人の異なる被検者との神経生理学における考えられる差異を表す、請求項36に記載のシステム。
- 前記比較は、前記被検者と、同被検者とは異なる少なくとも一人の被検者との間の神経生理学における考えられる差異の程度のインジケータとなる、請求項39に記載のシステム。
- 前記ニューロン活動の異なるモデルは、所与の脳状態が存在していることが知られている複数の被検者に対応する同複数の被検者データの集合の各々内において、異なる時系列のグルーピングの中での偏相互相関の複数の集合に基づく動的脳モデルの選択された部分集合を表す神経生理学的状態のテンプレートであり、かつ
解析されるべくプロセッサがプログラム化されている前記被検者の神経生理学的状態は、前記所与の脳状態を備えた被検者が表す程度を表す、請求項36に記載のシステム。 - 前記ニューロン活動の異なるモデルは複数の異なるテンプレートを含み、同テンプレートは、
前記第一の脳状態が存在していることが知られている被検者の第一の集合に対応する同被検者データの複数の集合の各々において、異なる時系列のグルーピングの中での偏相互相関の複数の集合に基づく動的脳モデルの選択された部分集合を示す第一のテンプレートと、
前記第一の脳状態とは異なる第二の脳状態が存在していることが知られている被検者の第二の集合に対応する同被検者データの複数の集合の各々において、異なる時系列のグルーピングの中での偏相互相関の複数の集合に基づく動的脳モデルの選択された部分集合を示す第二のテンプレートと、を含み、
前記比較の結果は、前記第一の脳状態と前記第二の脳状態とを備えた被検者が表す程度のインジケータとなる、請求項36に記載のシステム。 - 前記被検者の神経生理学的状態は、以下の群:正常な状態、アルツハイマー病、早発性痴呆症候群、軽度認知障害、精神分裂症、シェーグレン症候群、アルコール依存症、アルコール障害、胎児アルコール症候群、多発性硬化症、パーキンソン病、双極性障害、外傷性脳損傷、うつ病、自己免疫異常、神経変性疾患、疼痛、中枢神経系に影響を与える疾病、又はそれらの任意の組み合わせ、からなる群より選択される、請求項34に記載のシステム。
- 異なる時系列のグルーピングはセンサの全ての対に対応する時系列の対ごとのグルーピングであり、それにより被検者の脳におけるニューロン集団の間での統計的に独立な時間的尺度は、前記ニューロン集団の対ごとの相互作用を示す複数のセンサの複数の対の間の信号の強度及び符号の推定である、請求項34に記載のシステム。
- 請求項34に記載のシステムは、
前記プロセッサに演算可能に接続されるデータ記憶部を更に含み、前記プロセッサは前記被検者の少なくとも一つの治療の投与を示す少なくとも一つのデータ記憶入力と関係して、前記データ記憶部に動的脳モデルを記憶するようにプログラム化されている、システム。 - 前記被検者データは、1msの時間分解能でのデータを含む、請求項34に記載のシステム。
- 前記被検者データは、開眼アイドル状態時に第一の被検者の神経生理学的活動を表すデータを含む、請求項34に記載のシステム。
- 前記神経生理学的活動の時系列を表す前記被検者データは、約1分以下の視線固定活動を含む、請求項47に記載のシステム。
- 前記データ入力部は、磁力計及び軸型磁束計からなる群より選択される空間的に分配された複数のセンサを有するMEG機器に通信可能に接続される、請求項34に記載のシステム。
- 前記プロセッサは、平均値、分散及び自己相関の定常性の特性を有するプリホワイトニングされた時系列を生成するために被前記験者データを処理するようにプログラム化されている、請求項34に記載のシステム。
- 前記プロセッサは、プリホワイトニングされた時系列を生成するために自己回帰統合移動平均に基づくアルゴリズムを適用するようにプログラム化されている、請求項50に記載のシステム。
- 前記プロセッサは、統計的に独立な時間的尺度の集合について線形弁別解析を実行するためにプログラム化されている、請求項34に記載のシステム。
- 第一の被検者の神経生理学的活動を解析するためのシステムであって、前記システムは:
視覚視線固定課題に対応する脳活動データの集合を受信するデータ入力部であって、各集合が対応する被検者のニューロン信号を検出するために配置された空間的に分配された複数のセンサによって得られた神経生理学的活動の時系列を表す、データ入力部と、
前記データ入力部に通信可能に接続されるプロセッサと、を含み;前記プロセッサは、
前期第一の被検者のニューロン集団の間での時間依存的な結合を表すニューロン活動の対応する動的モデルを生成するために脳活動データの各集合を処理するためにプログラム化されており:
平均、分散及び自己相関の定常性の特性を有するプリホワイトニングされた時系列を生成するために脳活動データを処理することと;
ニューロン集団の対ごとの相互作用を表す複数のセンサの複数の対の間における信号の強度及び符号の推定を生成するためにプリホワイトニングされた時系列の対ごとの偏相互相関を計算することと;
複数の異なる神経生理学的症状に対応するバリデーションされた参照データに対して脳活動データの相関関係の尺度を生成するために偏相互相関の分類を実行することと、を含むシステム。 - 前記複数の異なる神経生理学的状態は、以下の群:正常な状態、アルツハイマー病、早発性痴呆症候群、軽度認知障害、精神分裂症、シェーグレン症候群、アルコール依存症、アルコール障害、胎児アルコール症候群、多発性硬化症、パーキンソン病、双極性障害、外傷性脳損傷、うつ病、自己免疫異常、神経変性疾患、疼痛、中枢神経系に影響を与える疾病、又はそれらの任意の組み合わせ、からなる群より選択される少なくとも二つの状態を含む、請求項53に記載のシステム。
- 前記プロセッサは、プリホワイトニングされた時系列を生成するために自己回帰統合移動平均に基づくアルゴリズムを適用するようにプログラム化されている、請求項53に記載のシステム。
- 前記偏相互相関は約50ミリ秒の時間窓内にておこる複数のセンサからなる複数の対の間の直接短期間信号の強度及び符号の推定を生成するために計算される、請求項53に記載のシステム。
- 前記偏相互相関は複数のセンサからなる複数の対の間の直接かつほぼ同時である信号の強度及び符号の推定を生成するために計算される、請求項53に記載のシステム。
- 前記プロセッサは、(a)前記プリホワイトニングされた時系列の偏相互相関の正の偏相互相関及び(b)前記プリホワイトニングされた時系列の偏相互相関の負の偏相互相関からなる群より選択される少なくとも一つのタイプの偏相互相関を、共分散について解析するために更にプログラム化されている、請求項53に記載のシステム。
- 前記プロセッサは、前記ニューロン活動の第一の動的モデルを生成するために複数のセンサの複数の対の間の信号の強度及び符号の推定に対する閾値関数を適用するように更にプログラム化されている、請求項53に記載のシステム。
- 前記プロセッサは分類を実行するのに関連のある偏相互相関を構成する偏相互相関の関連部分集合を決定するためにプログラム化されている、請求項53に記載のシステム。
- 前記プロセッサは1個抜きアルゴリズムを使用して線形弁別解析を実行するようにプログラム化されており、100%の分類は、関連があると判断される偏相互相関の任意の一つに必要とされる、請求項60に記載のシステム。
- 前記プロセッサは、遺伝的アルゴリズムを使用して線形弁別解析を実行するようにプログラム化されている、請求項60に記載のシステム。
- 前記プロセッサは、分類に基づく神経生理学的テンプレートを開発するためにプログラム化されている、請求項53に記載のシステム。
- 被検者の脳の神経生理学的活動を自動的に分類するための方法であって、前記方法は:
開眼アイドル状態時に被検者のニューロン信号を検出すべく配置された空間的に分配された複数のセンサにより得られた神経生理学的活動の時系列を表す被検者データの集合をデータ処理システムによって受信する工程と、
前記被検者のニューロン集団の中から統計的に独立な時間的尺度を表す動的モデルを得るために前記被検者データの集合を、データ処理システムによって処理する工程と、
種々の脳の症状に従って分類されたテンプレートの集合をデータ処理システムによって維持する工程であって、前記テンプレートの各々は所与の脳の症状を示すことが知られている少なくとも一人のその他の被検者から測定されたニューロン集団の間にて統計的に独立な時間的尺度の選択された部分集合を表す、工程と、
前記動的モデルが前記複数のテンプレートの少なくとも一つと対応する場合に、前記被検者の神経生理学的活動の分類を生成するために前記動的モデルの少なくとも一部を前記複数のテンプレートと、データ処理システムによって比較する工程と、
からなる方法。 - 請求項64に記載の方法は、平均値、分散及び自己相関の定常性の特性を有するプリホワイトニングされた時系列を生成するために、被検者データの集合を処理する工程を更に含む、方法。
- 前記プリホワイトニングされた時系列を生成するために前記被検者データの集合を処理する工程は、プリホワイトニングされた時系列を生成するために、自己回帰統合移動平均に基づくアルゴリズムを適用する工程を含む、請求項65に記載の方法。
- 動的モデルを得るために前記被検者データの集合を処理する工程は、ニューロン集団の相互作用を表す複数のセンサの複数の群の間の信号の強度及び符号の推定を生成するために、同被検者データの集合の偏相互相関を計算する工程を含む、請求項64に記載の方法。
- 前記被検者データの集合の偏相互相関を計算する工程は、複数のセンサからなる複数のセンサ対の間にて信号の強度及び符号の推定を生成する工程を含む、請求項67に記載の方法。
- 前記被検者データの集合の偏相互相関を計算する工程は、約50ミリ秒の時間窓内にておこる複数のセンサの複数の対の間にて信号の強度及び符号の推定を生成する工程を含む、請求項67に記載の方法。
- 前記被検者データの集合の偏相互相関を計算する工程は、複数のセンサからなる複数の対の間にて直接かつほぼ同時に起こる信号の強度及び符号の推定を生成する工程を含む、請求項67に記載の方法。
- 請求項67に記載の方法は、年齢、人種、神経生理学的能力、又はそれらの任意の組み合わせからなる群より選択される少なくとも一つのパラメータに関する共分散に対して偏相互相関を解析する工程を更に含む、方法。
- 前記被検者データの集合の偏相互相関を計算する工程は、(a)正の偏相互相関及び(b)負の偏相互相関からなる群より選択される少なくとも一つの偏相互相関のタイプを生成する、請求項67に記載の方法。
- 請求項67に記載の方法は、分類関数の集合を生成するために偏相互相関における線形弁別解析を実行する工程と、分類を生成するために分類関数を利用する工程と、を更に含む、方法。
- 請求項73に記載の方法は、分類を実行するのに関連のある所与の偏相互相関を構成する複数の偏相互相関の関連のある部分集合を決定する工程を更に含む、方法。
- 前記線形弁別解析を実行する工程は1個抜きアルゴリズムを使用する工程を含み、100%の分類は、関連があるとみなされる偏相互相関の任意の一つに対して必要とされる、請求項74に記載の方法。
- 前記線形弁別解析を実行する工程は、偏相互相関の部分集合を選択するために遺伝的アルゴリズムを使用する工程を含む、請求項74に記載の方法。
- 請求項67に記載の方法は、動的モデルを生成するために、複数のセンサからなる複数の群の間にて信号の強度及び符号の推定を閾値関数に適用する工程を更に含む、方法。
- 分類を生成するための比較は、複数のテンプレートのうちの一つのテンプレートに対応する分類関数を、複数のセンサからなる複数の群の間での信号の強度及び符号の推定に、適用する工程を含む、請求項67に記載の方法。
- 請求項64に記載の方法は、データ処理システムにより、被検者の治療投与履歴を表す少なくとも一つの記録を、前記動的モデルと関連付ける工程を更に含む、方法。
- 前記動的モデルの少なくとも一部を前記複数のテンプレートと比較する工程は、同複数のテンプレートの少なくとも一つへの一致の程度のインジケータを生成する、請求項64に記載の方法。
- 前記テンプレートの各々は、所与の脳状態に関連するニューロン集団の間での統計的に有意な時間的尺度のみを表し、かつ
前記動的モデルの少なくとも一部を前記複数のテンプレートと比較する工程は、前記動的モデルの異なる部分集合を各テンプレートと比較する工程を含む、請求項64に記載の方法。 - 請求項64に記載の方法は前記テンプレートの各々を作製する工程を更に含み、各テンプレートは複数の異なる被検者のニューロン集団の中から選択された時間的尺度の部分集合の組み合わせを表す、方法。
- 前記動的モデルの少なくとも一部を前記複数のテンプレートと比較する工程は、前記被検者の神経生理学的活動の分類を生成し、それにより、前記複数のテンプレートのうちの第一のテンプレートを備えた前記動的モデルの第一の一致と、前記複数のテンプレートのうちの前記第一のテンプレートとは異なる第二のテンプレートを備えた前記動的モデルの第二の一致とを表す、請求項64に記載の方法。
- 前記動的モデルを得るために前記被検者データの集合を処理する工程は、前記複数のセンサによって検出された同期ニューロン信号のグルーピングを表す動的ニューロンネットワークを生成することを含む、請求項64に記載の方法。
- 前記動的ニューロンネットワークを生成する工程は、約1ms内にて起こる異なる脳の位置におけるシナプス活動により定義されるニューロン信号の対ごとのグルーピングを含む同時ニューロン信号のグルーピングを表すことを含む、請求項84に記載の方法。
- 請求項64に記載の方法は、分類に基づいて前記複数のテンプレートの少なくとも一つを更新する工程を更に含む、方法。
- 前記テンプレートの集合を維持する工程は、以下の群:正常な状態、アルツハイマー病、早発性痴呆症候群、軽度認知障害、精神分裂症、シェーグレン症候群、アルコール依存症、アルコール障害、胎児アルコール症候群、多発性硬化症、パーキンソン病、双極性障害、外傷性脳損傷、うつ病、自己免疫異常、神経変性疾患、疼痛、中枢神経系に影響を与える疾病、又はそれらの任意の組み合わせ、からなる群より選択される少なくとも一つのニューロン活動の型に各々が対応する複数のテンプレートを維持する工程を含む、請求項64に記載の方法。
- 請求項64に記載の方法は、前記被検者データの集合を含む、脳磁図を得る工程を更に含む、方法。
- 前記脳磁図を得る工程は、1msまでのサンプリング間隔を用いてデータをサンプリングする工程を含む、請求項88に記載の方法。
- データ処理システムを使用して、構造的若しくは神経化学的な脳の病状の神経生理学的評価を自動的に得るための方法であって、前記方法は、
被検者の脳のニューロン信号を検出するべく配置された空間的に分配された複数のセンサの各々によって得られた神経生理学的活動の時系列を表す脳データの集合を得る工程と、
前記被検者の脳におけるニューロン集団の間で統計的に独立な時間的尺度を表す動的脳モデルを得るために前記脳データの集合を処理する工程と、
前記脳の神経生理学的評価を得るために前記動的脳モデルを解析する工程と、
からなる方法。 - 前記統計的に独立な時間的尺度を得るために前記脳データの集合を処理する工程は、同脳データの集合内の異なる時系列のグルーピング中の偏相互相関の集合を計算する工程を含み、それにより、前記動的脳モデルは、接近した時間にておこる脳のニューロン集団の間での相互作用を表す、請求項90に記載の方法。
- 前記脳データの集合を処理する工程は、異なる時系列のグルーピングが全てのセンサ対に対応する時系列の対ごとのグルーピングである、偏相互相関の集合に基づく動的脳モデルを得る工程を含み、それにより、前記偏相互相関の集合は、ニューロン集団の間での対ごとの相互作用を表す複数のセンサからなる複数の対の間での信号の強度及び符号の推定である、請求項91に記載の方法。
- 前記動的脳モデルを解析する工程は、前記動的脳モデルの少なくとも一部を少なくとも一つの異なるニューロン活動のモデルと比較する工程を含み、それにより比較の結果は、前記脳の神経生理学的状態のインジケータとなる、請求項90に記載の方法。
- 前記脳データの集合は第一の時間に取得され、かつ前記方法は、
前記第一の時間とは異なる第二の時間に脳データの別の集合を得る工程と、
脳データのその他の集合の処理に基づいてニューロン活動の少なくとも一つの異なるモデルを得る工程であって、同脳データのその他の集合は同じ脳に対応する、工程と、を更に含み、
前記動的脳モデルを解析する工程は前記比較に基づいて、前記第一の時間と前記第二の時間との間の脳の神経生理学における考えられる変化を検出する、請求項93に記載の方法。 - 前記動的脳モデルを解析する工程は、脳の神経生理学における考えられる変化の程度のインジケータとなる結果を生成する、請求項94に記載の方法。
- 請求項93に記載の方法は、
少なくとも一つのその他の脳から脳データの別の集合を得る工程と、前記その他の脳データの集合の処理に基づいてニューロン活動の少なくとも一つの異なるモデルを得る工程と、を更に含み、かつ
前記動的脳モデルを解析する工程は、前記脳と前記少なくとも一つの別の脳との間の神経生理学における考えられる差異を検出する工程を含む、方法。 - 前記動的脳モデルを解析する工程は、前記脳と前記少なくとも一つの別の脳との間の神経生理学における考えられる差異の程度のインジケータである結果を生成する工程を含む、請求項96に記載の方法。
- 請求項93に記載の方法は更に、
ニューロン活動の少なくとも一つの異なるモデルに基づいて神経生理学的状態のテンプレートを作製する工程を含み、前記動的脳モデルの選択された部分集合は、所与の脳の状態に対応する複数の脳データの集合の各々内において異なる時系列の複数のグルーピング中の偏相互相関の集合に基づいて表され、かつ
前記動的脳モデルを解析する工程は、前記脳が前記所与の脳の状態に対応する程度を計算する工程を含む、方法。 - 前記動的脳モデルの少なくとも一部を少なくとも一つの異なるモデルと比較する工程は、前記動的脳モデルを複数の異なるテンプレートと比較する工程を含み、前記異なるテンプレートは、
第一の脳の状態に対応する脳のデータの複数の集合の各々内の異なる時系列のグルーピングの間の偏相互相関の集合に基づく動的脳モデルの選択された部分集合を表す第一のテンプレートと、
前記第一の脳の状態とは異なる第二の脳の状態に対応する脳のデータの複数の集合の各々内の異なる時系列のグルーピングの間の偏相互相関の集合に基づく動的脳モデルの選択された部分集合を表す第二のテンプレートと、を含み、
前記比較の結果は、前記脳が第一の脳の状態及び前記第二の脳の状態に対応する程度のインジケータとなる、請求項93に記載の方法。 - 前記脳の神経生理学的評価を得るために前記動的脳モデルを解析する工程は、以下の群:正常な状態、アルツハイマー病、早発性痴呆症候群、軽度認知障害、精神分裂症、シェーグレン症候群、アルコール依存症、アルコール障害、胎児アルコール症候群、多発性硬化症、パーキンソン病、双極性障害、外傷性脳損傷、うつ病、自己免疫異常、神経変性疾患、疼痛、中枢神経系に影響を与える疾病、又はそれらの任意の組み合わせ、からなる群より選択される評価を得る工程を含む、請求項90に記載の方法。
- 請求項90に記載の方法は、前記脳が罹患する可能性のある少なくとも一つの療法の投与を表す少なくとも一つの記録を前記脳モデルと関係付ける工程を更に含む、方法。
- 前記脳データを得る工程は、静止した視覚刺激を受けつつ脳がアイドル状態にある間に約1msの時間分解能にてサンプリングされたデータを得る工程を含む、請求項90に記載の方法。
- 請求項90に記載の方法は、平均値、分散及び自己相関の定常性の特性を有するプリホワイトニングされた時系列を生成するために前記脳データを処理する工程を更に含む、方法。
- 請求項103に記載の方法は、プリホワイトニングされた時系列を生成するために自己回帰統合移動平均に基づくアルゴリズムを適用する工程を更に含む、方法。
- 請求項90に記載の方法は、前記被検者の脳におけるニューロン集団の間での統計的に独立な時間的尺度における線形弁別解析を実行する工程を更に含む、方法。
- データ処理システムを使用して、構造的若しくは神経化学的な脳の病状の神経生理学的な評価の自動的な取得を促進するための方法であって、前記方法は、
被検者の脳のニューロン信号を検出するべく配置された空間的に分配された複数のセンサの各々によって得られた神経生理学的活動の時系列を表す脳データの集合を得ることと、
前記データ処理システムへ前記脳データの集合を提供することと、
の指示を与える工程と、
前記被検者の脳の神経生理学的評価を受信する工程と、を含み、
前記神経生理学的評価は、前記被検者の脳のニューロン集団の間での統計的に独立な時間的尺度に基づく動的脳モデルを開発し、かつ前記脳の神経生理学的評価を得るために前記動的脳モデルを解析するデータ処理システムを用いて前記脳データの集合を処理することに基づくことと、前記動的脳モデルは時間的に近接して起こる脳のニューロン集団の間での相互作用を表すことと、からなる方法。 - データ処理システムを使用して構造的または神経化学的な脳の病状の神経生理学的評価の自動的な取得を促進するための方法であって、前記方法は、
被検者の脳のニューロン信号を検出すべく配置された空間的に分配された複数のセンサの各々によって得られる神経生理学的活動の時系列を表す脳データの集合を得るための指示を提供する工程と、
前記データ処理システムを使用して、前記被検者の脳のニューロン集団の間での統計的に独立な時間的尺度に基づいて動的脳モデルを得るべく前記脳データの集合を処理し、かつ前記脳の神経生理学的評価を得るために前記動的脳モデルを解析する工程と、を含み、
前記動的脳モデルは時間的に近接して起こる脳のニューロン集団の間での相互作用を表す、方法。 - コンピュータ読み取り可能な媒体であって、前記媒体は、
コンピュータシステムに、
被検者の脳におけるニューロン信号を検出すべく配置された空間的に分配された複数のセンサの各々によって得られる神経生理学的活動の時系列を表す被検者データの集合を受信させ、前記被検者の脳のニューロン集団の間で統計的に独立な時間的尺度を表す動的脳モデルを得るために前記被検者データの集合を処理させ、かつ前記被検者の神経生理学的な状態を推定するべく前記動的脳モデルを解析させる、ように適合された指示を含む、媒体。 - 被検者の神経生理学的活動を解析するためのシステムであって、前記システムは、
前記被検者のニューロン信号を検出すべく配置された空間的に分配された複数のセンサの各々によって得られる神経生理学的活動の時系列を表す被検者データの集合を得るデータ源と、
前記データ源に通信可能に接続されるプロセッサであって、
前記被検者の脳のニューロン集団の間で統計的に独立な時間的尺度を表す動的脳モデルを得るために前記被検者のデータの集合を処理し、かつ前記被検者の神経生理学的状態を推定するために前記動的脳モデルを解析するべくプログラム化されているプロセッサと、を含む、システム。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US81893106P | 2006-07-06 | 2006-07-06 | |
US85159906P | 2006-10-13 | 2006-10-13 | |
PCT/US2007/015545 WO2008005513A2 (en) | 2006-07-06 | 2007-07-06 | Analysis of brain patterns using temporal measures |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2009542351A true JP2009542351A (ja) | 2009-12-03 |
JP2009542351A5 JP2009542351A5 (ja) | 2010-08-19 |
Family
ID=38895226
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2009518378A Withdrawn JP2009542351A (ja) | 2006-07-06 | 2007-07-06 | 時間的尺度を使用した脳パターンの解析 |
Country Status (8)
Country | Link |
---|---|
US (1) | US9101276B2 (ja) |
EP (1) | EP2037803A2 (ja) |
JP (1) | JP2009542351A (ja) |
KR (1) | KR20090028807A (ja) |
AU (1) | AU2007269608A1 (ja) |
CA (1) | CA2657407A1 (ja) |
IL (1) | IL196369A0 (ja) |
WO (1) | WO2008005513A2 (ja) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102906752A (zh) * | 2010-01-18 | 2013-01-30 | 艾欧敏达有限公司 | 用于神经生理学数据的加权分析的方法和系统 |
WO2014076795A1 (ja) * | 2012-11-15 | 2014-05-22 | 株式会社島津製作所 | 光生体計測装置 |
JP2017196523A (ja) * | 2015-11-24 | 2017-11-02 | 株式会社国際電気通信基礎技術研究所 | 脳活動解析装置、脳活動解析方法、プログラムおよびバイオマーカー装置 |
US9839392B2 (en) | 2011-07-20 | 2017-12-12 | Elminda Ltd. | Method and system for estimating brain concussion |
JP2020520734A (ja) * | 2017-05-22 | 2020-07-16 | ジェネテシス エルエルシー | 生体電磁界における異常の機械識別 |
WO2021075548A1 (ja) * | 2019-10-18 | 2021-04-22 | 株式会社Splink | 脳状態推定装置、コンピュータプログラム、脳状態推定方法、脳機能の検査システムおよび方法 |
Families Citing this family (49)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2024901A2 (en) | 2006-05-25 | 2009-02-18 | Elminda Ltd. | Neuropsychological spatiotemporal pattern recognition |
WO2009069135A2 (en) * | 2007-11-29 | 2009-06-04 | Elminda Ltd. | System and method for neural modeling of neurophysiological data |
JP5424902B2 (ja) * | 2007-03-06 | 2014-02-26 | コーニンクレッカ フィリップス エヌ ヴェ | Pet/mrフロー推定を用いて補われる自動診断及び自動整列 |
JP5549882B2 (ja) * | 2007-05-02 | 2014-07-16 | フェン,デレク,ディー. | 量子論に基づく連続的精密nmr/mri(核磁気共鳴スペクトロスコピー/核磁気共鳴映像法)の方法と装置 |
US20100256468A1 (en) * | 2007-05-21 | 2010-10-07 | Hitachi Medical Corporation | Apparatus for measuring biological light |
US8175362B2 (en) | 2007-10-19 | 2012-05-08 | Boston Scientific Scimed, Inc. | Display of classifier output and confidence measure in an image |
CA2643501C (en) * | 2007-11-07 | 2019-03-05 | Thomas F. Collura | Multi-channel, multi-variate whole-head normalization and optimization system using live z-scores |
CN103948979B (zh) * | 2008-06-26 | 2017-06-16 | 甘布罗伦迪亚股份公司 | 用于监控流体连接的完整性的方法和装置 |
US8725668B2 (en) | 2009-03-24 | 2014-05-13 | Regents Of The University Of Minnesota | Classifying an item to one of a plurality of groups |
US10321840B2 (en) * | 2009-08-14 | 2019-06-18 | Brainscope Company, Inc. | Development of fully-automated classifier builders for neurodiagnostic applications |
US20110087125A1 (en) * | 2009-10-09 | 2011-04-14 | Elvir Causevic | System and method for pain monitoring at the point-of-care |
US8593141B1 (en) | 2009-11-24 | 2013-11-26 | Hypres, Inc. | Magnetic resonance system and method employing a digital squid |
KR101032924B1 (ko) * | 2009-11-27 | 2011-05-06 | 한국과학기술원 | Eeg 장치 및 eeg 분석 방법 |
US20110190621A1 (en) * | 2010-02-01 | 2011-08-04 | Verdoorn Todd A | Methods and Systems for Regional Synchronous Neural Interactions Analysis |
US11344199B2 (en) * | 2010-03-15 | 2022-05-31 | The Medical College Of Wisconsin, Inc. | Systems and methods for detection and prediction of brain disorders based on neural network interaction |
US8970217B1 (en) | 2010-04-14 | 2015-03-03 | Hypres, Inc. | System and method for noise reduction in magnetic resonance imaging |
US10043129B2 (en) * | 2010-12-06 | 2018-08-07 | Regents Of The University Of Minnesota | Functional assessment of a network |
US9636447B2 (en) * | 2011-06-30 | 2017-05-02 | Gambro Lundia Ab | Filtering of a time-dependent pressure signal |
US8861815B2 (en) | 2011-08-03 | 2014-10-14 | International Business Machines Corporation | Systems and methods for modeling and processing functional magnetic resonance image data using full-brain vector auto-regressive model |
KR101283479B1 (ko) * | 2012-04-05 | 2013-07-12 | 서울대학교산학협력단 | 연결성 분석을 이용한 뇌 병소의 국지화 장치 및 방법 |
US10130277B2 (en) | 2014-01-28 | 2018-11-20 | Medibotics Llc | Willpower glasses (TM)—a wearable food consumption monitor |
US9814426B2 (en) | 2012-06-14 | 2017-11-14 | Medibotics Llc | Mobile wearable electromagnetic brain activity monitor |
US9015087B2 (en) | 2012-10-09 | 2015-04-21 | At&T Intellectual Property I, L.P. | Methods, systems, and products for interfacing with neurological and biological networks |
WO2014178323A1 (ja) * | 2013-05-01 | 2014-11-06 | 株式会社国際電気通信基礎技術研究所 | 脳活動解析装置、脳活動解析方法およびバイオマーカー装置 |
WO2016134212A1 (en) * | 2015-02-19 | 2016-08-25 | Washington University | Fast, continuous psychometric estimation system utilizing machine learning and associated method of use |
EP3136297A1 (en) * | 2015-08-27 | 2017-03-01 | Tata Consultancy Services Limited | System and method for determining information and outliers from sensor data |
US10561848B2 (en) | 2015-10-13 | 2020-02-18 | Regents Of The University Of Minnesota | Systems and methods for programming and operating deep brain stimulation arrays |
US11219394B2 (en) * | 2016-03-04 | 2022-01-11 | Brainsview Inc. | System, process, and devices for real-time brain monitoring in panic and anxiety disorder |
US11317874B2 (en) | 2016-03-04 | 2022-05-03 | Brainsview Inc. | System, process, and devices for real-time brain monitoring in epileptic spasms and hypsarrhythmia |
US11219400B2 (en) * | 2016-03-04 | 2022-01-11 | Brainsview Inc. | System, process, and devices for real-time brain monitoring |
US10426949B2 (en) | 2016-10-26 | 2019-10-01 | Regents Of The University Of Minnesota | Systems and methods for optimizing programming and use of neuromodulation systems |
US10034645B1 (en) * | 2017-04-13 | 2018-07-31 | The Board Of Trustees Of The Leland Stanford Junior University | Systems and methods for detecting complex networks in MRI image data |
US11134877B2 (en) | 2017-08-09 | 2021-10-05 | Genetesis, Inc. | Biomagnetic detection |
US11723579B2 (en) | 2017-09-19 | 2023-08-15 | Neuroenhancement Lab, LLC | Method and apparatus for neuroenhancement |
JP6722845B2 (ja) | 2017-10-03 | 2020-07-15 | 株式会社国際電気通信基礎技術研究所 | 判別装置、うつ症状の判別方法、うつ症状のレベルの判定方法、うつ病患者の層別化方法、うつ症状の治療効果の判定方法及び脳活動訓練装置 |
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 |
WO2020056418A1 (en) | 2018-09-14 | 2020-03-19 | Neuroenhancement Lab, LLC | System and method of improving sleep |
US11585869B2 (en) * | 2019-02-08 | 2023-02-21 | Genetesis, Inc. | Biomagnetic field sensor systems and methods for diagnostic evaluation of cardiac conditions |
US11786694B2 (en) | 2019-05-24 | 2023-10-17 | NeuroLight, Inc. | Device, method, and app for facilitating sleep |
CN110888526B (zh) * | 2019-10-30 | 2023-04-07 | 西安理工大学 | 基于集成支持向量学习的脑机接口技术 |
CN111449650A (zh) * | 2020-03-24 | 2020-07-28 | 东南大学 | 一种基于脑网络动态连接特征的运动意图预测方法 |
KR102459296B1 (ko) * | 2020-07-22 | 2022-10-27 | 울산과학기술원 | 운동정보 디코딩을 위한 뇌신경 세포 간의 운동관련 네트워크 특성 추출 방법 및 장치 |
CN112617797B (zh) * | 2020-12-30 | 2023-08-08 | 上海联影医疗科技股份有限公司 | 应用于磁共振成像的生理信号检测方法以及电子装置 |
CN112971808B (zh) * | 2021-02-08 | 2023-10-13 | 中国人民解放军总医院 | 一种脑地图构建及其处理方法 |
US20220310263A1 (en) * | 2021-03-25 | 2022-09-29 | Larry B. Gelman | Treatment protocol for assessing and managing pain, based on the patient's risk of opioid misuse, abuse, and/or addiction, and method of use |
DE102022209442A1 (de) * | 2022-09-09 | 2024-03-14 | Robert Bosch Gesellschaft mit beschränkter Haftung | System und Verfahren zur Analyse von magnetischen Signalen, die von einem menschlichen Körper erzeugt werden |
CN117530684B (zh) * | 2024-01-09 | 2024-04-16 | 深圳市双佳医疗科技有限公司 | 一种基于健康大数据的血糖异常检测与预警系统及方法 |
Family Cites Families (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4736751A (en) * | 1986-12-16 | 1988-04-12 | Eeg Systems Laboratory | Brain wave source network location scanning method and system |
EP0355506B1 (de) * | 1988-08-16 | 1994-12-14 | Siemens Aktiengesellschaft | Anordnung zum Messen lokaler bioelektrischer Ströme in biologischen Gewebekomplexen |
US5230346A (en) * | 1992-02-04 | 1993-07-27 | The Regents Of The University Of California | Diagnosing brain conditions by quantitative electroencephalography |
US5632276A (en) * | 1995-01-27 | 1997-05-27 | Eidelberg; David | Markers for use in screening patients for nervous system dysfunction and a method and apparatus for using same |
US6016449A (en) * | 1997-10-27 | 2000-01-18 | Neuropace, Inc. | System for treatment of neurological disorders |
US6195576B1 (en) * | 1998-03-09 | 2001-02-27 | New York University | Quantitative magnetoencephalogram system and method |
US6463321B2 (en) * | 1999-08-10 | 2002-10-08 | Thuris Corporation | Method and computer program product for assessing neurological conditions and treatments using evoked response potentials |
AU2001268331A1 (en) * | 2000-06-07 | 2001-12-17 | New York University | Methods for diagnosing and treating thalamocortical dysrhythmia |
US6434419B1 (en) * | 2000-06-26 | 2002-08-13 | Sam Technology, Inc. | Neurocognitive ability EEG measurement method and system |
US6561992B1 (en) * | 2000-09-05 | 2003-05-13 | Advanced Research And Technology Institute, Inc. | Method and apparatus utilizing computational intelligence to diagnose neurological disorders |
US6678548B1 (en) * | 2000-10-20 | 2004-01-13 | The Trustees Of The University Of Pennsylvania | Unified probabilistic framework for predicting and detecting seizure onsets in the brain and multitherapeutic device |
JP3581319B2 (ja) * | 2000-12-18 | 2004-10-27 | 株式会社脳機能研究所 | 脳活動自動判定装置 |
AU2002236195A1 (en) * | 2001-03-13 | 2002-09-24 | Wide Horizon Holdings Inc. | Cerebral programming |
EP1414343B1 (en) | 2001-07-11 | 2009-06-03 | CNS Response, Inc. | Method for predicting outcome of treatments |
US20030105409A1 (en) * | 2001-11-14 | 2003-06-05 | Donoghue John Philip | Neurological signal decoding |
WO2003093947A2 (en) * | 2002-05-03 | 2003-11-13 | The Trustees Of Columbia University In The City Of New York | Single trial detection in encephalography |
US8187181B2 (en) * | 2002-10-15 | 2012-05-29 | Medtronic, Inc. | Scoring of sensed neurological signals for use with a medical device system |
FR2845883B1 (fr) * | 2002-10-18 | 2005-08-05 | Centre Nat Rech Scient | Procede et dispositif de suivi medical ou cognitif en temps reel par l'analyse de l'activite electromagnetique cerebrale d'un individu, application du procede pour caracteriser et differencier des etats physiologiques ou pathologiques |
AU2003900324A0 (en) * | 2003-01-20 | 2003-02-06 | Swinburne University Of Technology | Method of monitoring brain function |
US20050038669A1 (en) * | 2003-05-02 | 2005-02-17 | Orametrix, Inc. | Interactive unified workstation for benchmarking and care planning |
WO2005117693A1 (en) * | 2004-05-27 | 2005-12-15 | Children's Medical Center Corporation | Patient-specific seizure onset detection system |
US7860561B1 (en) * | 2004-06-04 | 2010-12-28 | Cleveland Medical Devices Inc. | Method of quantifying a subject's wake or sleep state and system for measuring |
US8014870B2 (en) * | 2004-08-11 | 2011-09-06 | Seidman Michael D | Method and apparatus for the treatment of tinnitus |
WO2006060727A2 (en) * | 2004-12-03 | 2006-06-08 | Aspect Medical Systems, Inc. | System and method for eeg imaging of cerebral activity using electrode sets |
JP5541863B2 (ja) * | 2005-08-12 | 2014-07-09 | ザ ガバメント オブ ザ ユナイテッド ステイツ オブ アメリカ, アズ リプレゼンテッド バイ ザ セクレタリー, デパートメント オブ ヘルス アンド ヒューマン サービシーズ | 神経雪崩アッセイ |
WO2007076566A1 (en) * | 2006-01-05 | 2007-07-12 | Compumedics Limited | Localising and displaying electrophysiological signals |
EP2024901A2 (en) | 2006-05-25 | 2009-02-18 | Elminda Ltd. | Neuropsychological spatiotemporal pattern recognition |
WO2009069135A2 (en) | 2007-11-29 | 2009-06-04 | Elminda Ltd. | System and method for neural modeling of neurophysiological data |
CN101312361B (zh) | 2007-05-23 | 2013-08-07 | 华为技术有限公司 | 数字用户线的参数采集方法、模块和线路管理系统 |
US8706205B2 (en) * | 2007-11-29 | 2014-04-22 | Elminda Ltd. | Functional analysis of neurophysiological data |
EP2227725A4 (en) * | 2007-11-29 | 2013-12-18 | Elminda Ltd | CLINICAL APPLICATIONS OF MODELING AND ANALYSIS OF NEUROPSYCHOLOGICAL DATA MODELS |
JP5951504B2 (ja) | 2010-01-18 | 2016-07-13 | エルミンダ エルティーディー.Elminda Ltd. | 神経生理学的データの重み付き分析のための方法およびシステム |
US20110190621A1 (en) * | 2010-02-01 | 2011-08-04 | Verdoorn Todd A | Methods and Systems for Regional Synchronous Neural Interactions Analysis |
-
2007
- 2007-07-06 CA CA002657407A patent/CA2657407A1/en not_active Abandoned
- 2007-07-06 EP EP07796708A patent/EP2037803A2/en not_active Withdrawn
- 2007-07-06 JP JP2009518378A patent/JP2009542351A/ja not_active Withdrawn
- 2007-07-06 US US11/825,509 patent/US9101276B2/en active Active
- 2007-07-06 AU AU2007269608A patent/AU2007269608A1/en not_active Abandoned
- 2007-07-06 WO PCT/US2007/015545 patent/WO2008005513A2/en active Application Filing
- 2007-07-06 KR KR1020097002347A patent/KR20090028807A/ko not_active Application Discontinuation
-
2009
- 2009-01-06 IL IL196369A patent/IL196369A0/en unknown
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102906752A (zh) * | 2010-01-18 | 2013-01-30 | 艾欧敏达有限公司 | 用于神经生理学数据的加权分析的方法和系统 |
US9895077B2 (en) | 2010-01-18 | 2018-02-20 | Elminda Ltd. | Method for diagnosing a brain related disorder using brain network activity patterns |
US9839392B2 (en) | 2011-07-20 | 2017-12-12 | Elminda Ltd. | Method and system for estimating brain concussion |
WO2014076795A1 (ja) * | 2012-11-15 | 2014-05-22 | 株式会社島津製作所 | 光生体計測装置 |
JP2017196523A (ja) * | 2015-11-24 | 2017-11-02 | 株式会社国際電気通信基礎技術研究所 | 脳活動解析装置、脳活動解析方法、プログラムおよびバイオマーカー装置 |
JP2020520734A (ja) * | 2017-05-22 | 2020-07-16 | ジェネテシス エルエルシー | 生体電磁界における異常の機械識別 |
JP7393947B2 (ja) | 2017-05-22 | 2023-12-07 | ジェネテシス エルエルシー | 生体電磁界における異常の機械識別 |
WO2021075548A1 (ja) * | 2019-10-18 | 2021-04-22 | 株式会社Splink | 脳状態推定装置、コンピュータプログラム、脳状態推定方法、脳機能の検査システムおよび方法 |
Also Published As
Publication number | Publication date |
---|---|
US9101276B2 (en) | 2015-08-11 |
EP2037803A2 (en) | 2009-03-25 |
IL196369A0 (en) | 2009-09-22 |
AU2007269608A1 (en) | 2008-01-10 |
US20080091118A1 (en) | 2008-04-17 |
WO2008005513A2 (en) | 2008-01-10 |
CA2657407A1 (en) | 2008-01-10 |
WO2008005513A3 (en) | 2008-09-04 |
KR20090028807A (ko) | 2009-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9101276B2 (en) | Analysis of brain patterns using temporal measures | |
US11627903B2 (en) | Method for diagnosing cognitive disorder, and computer program | |
EP2498676B1 (en) | Brain activity as a marker of disease | |
JP7221693B2 (ja) | ヒトの脳の皮質機能の目録を作るための方法および磁気画像化デバイス | |
Sabeti et al. | Entropy and complexity measures for EEG signal classification of schizophrenic and control participants | |
US9839392B2 (en) | Method and system for estimating brain concussion | |
US8532756B2 (en) | Method for analyzing function of the brain and other complex systems | |
US20070066914A1 (en) | Method and System for Detecting and Classifying Mental States | |
JP3581319B2 (ja) | 脳活動自動判定装置 | |
CN109906103A (zh) | 用于产生多个电磁治疗协议的系统及方法 | |
US20110190621A1 (en) | Methods and Systems for Regional Synchronous Neural Interactions Analysis | |
Klug et al. | The BeMoBIL Pipeline for automated analyses of multimodal mobile brain and body imaging data | |
CN101583308A (zh) | 利用短暂测量分析脑模式 | |
Chen et al. | Scalp EEG-based pain detection using convolutional neural network | |
Akdeniz et al. | Using Wigner-Ville distribution in ECG arrhythmia detection for telemedicine applications | |
Lopes et al. | Ensemble deep neural network for automatic classification of EEG independent components | |
Ranjan et al. | A machine learning framework for automatic diagnosis of schizophrenia using EEG signals | |
Aljalal et al. | Mild Cognitive Impairment Detection from EEG Signals Using Combination of EMD Decomposition and Machine Learning | |
Li et al. | A smart detection technology for personal ECG monitoring via chaos-based data mapping strategy | |
Samiei et al. | A complex network approach to time series analysis with application in diagnosis of neuromuscular disorders | |
GB2578929A (en) | Automatic brain disorder tendency screening using statistical features of MEG data | |
Pattichis et al. | Introduction to this special issue: intelligent data analysis in electromyography and electroneurography | |
US20230181077A1 (en) | Machine differentiation of abnormalities in bioelectromagnetic fields | |
Ruuskanen | Resting-state functional connectivity changes over the healthy adult lifespan | |
Trudeau | Classifying Cognitive-Aesthetic Experience through Machine Learning and EEG Data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20100705 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20100705 |
|
RD04 | Notification of resignation of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7424 Effective date: 20120113 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20120525 |
|
A761 | Written withdrawal of application |
Free format text: JAPANESE INTERMEDIATE CODE: A761 Effective date: 20121207 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20121207 |