JP2010536479A - Eegをベースとする癲癇発作検出器内のチャネルの数を減少させるための方法および装置 - Google Patents
Eegをベースとする癲癇発作検出器内のチャネルの数を減少させるための方法および装置 Download PDFInfo
- Publication number
- JP2010536479A JP2010536479A JP2010521895A JP2010521895A JP2010536479A JP 2010536479 A JP2010536479 A JP 2010536479A JP 2010521895 A JP2010521895 A JP 2010521895A JP 2010521895 A JP2010521895 A JP 2010521895A JP 2010536479 A JP2010536479 A JP 2010536479A
- Authority
- JP
- Japan
- Prior art keywords
- channels
- detector
- performance
- subset
- eeg
- 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- Withdrawn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
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4094—Diagnosing or monitoring seizure diseases, e.g. epilepsy
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Neurology (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Neurosurgery (AREA)
- Molecular Biology (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Psychiatry (AREA)
- Psychology (AREA)
- Physiology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
頭皮上EEG信号に基づく、携帯型患者特異的癲癇発作検出器が、提示される。また、患者の癲癇発作を検出するために必要とされる複数のm個のEEGチャネルから、患者特異的電極サブセットを選択するための方法も、提示される。発作EEGデータは、複数のm個のEEGチャネルから収集される。複数のm個のEEGチャネルのチャネルの有効サブセットnは、再帰的特徴の処理を使用して選択され、検出器は、チャネルのサブセットnに応じて構成される。次いで、発作を検出する際の検出器の性能が、推定される。
Description
(関連出願の相互参照)
本出願は、2007年8月23日に出願された米国仮特許出願第60/965,890号の利益を主張し、その開示全体が本明細書に参考として援用される。
本出願は、2007年8月23日に出願された米国仮特許出願第60/965,890号の利益を主張し、その開示全体が本明細書に参考として援用される。
(特許に係る政府の権利の陳述)
本発明は米国陸軍認可番号第DAMD−17−02−2−0006号のもとで政府の支援を受けてなされた。
本発明は米国陸軍認可番号第DAMD−17−02−2−0006号のもとで政府の支援を受けてなされた。
(本発明の背景)
頭皮上の脳波(「EEG」)を利用した癲癇発作の電気的発現を検出することは、数多くの診断、療法、および警報用途を容易にし得る。いくつかの事例では、発作の検出を利用して、発作の電気的発現直後に、Ictal SPECT等の神経画像の検証を開始する。Ictal SPECTが脳内発作源を明確にする忠実度は、発作の発現と検証の開始との間の遅延を短縮することによって向上する。また、発作の発現検出を利用して、発作の発現直後に、Vagus Nerve Stimulator等の神経刺激装置を起動する。迷走神経刺激を利用して発作の進行に影響を及ぼす可能性によって、発作の発現と刺激の開始との間の遅延を減少させると考えられる。加えて、発作の発現検出は、個人の即効性抗痙攣剤の安全性追求または自己投与を促すことが可能である。これは、発作の電気的発現と肉体的衰弱症状の開始とに、十分な時間的隔たりがある個人において可能である。上述の用途は、有用性および目的が多様であるが、すべて、最小待ち時間、高感度、および高特異性を伴って、発作の電気的発現を検出することを必要とする。しかしながら、そうすることによって、困難なタスクとなることが証明されている。
頭皮上の脳波(「EEG」)を利用した癲癇発作の電気的発現を検出することは、数多くの診断、療法、および警報用途を容易にし得る。いくつかの事例では、発作の検出を利用して、発作の電気的発現直後に、Ictal SPECT等の神経画像の検証を開始する。Ictal SPECTが脳内発作源を明確にする忠実度は、発作の発現と検証の開始との間の遅延を短縮することによって向上する。また、発作の発現検出を利用して、発作の発現直後に、Vagus Nerve Stimulator等の神経刺激装置を起動する。迷走神経刺激を利用して発作の進行に影響を及ぼす可能性によって、発作の発現と刺激の開始との間の遅延を減少させると考えられる。加えて、発作の発現検出は、個人の即効性抗痙攣剤の安全性追求または自己投与を促すことが可能である。これは、発作の電気的発現と肉体的衰弱症状の開始とに、十分な時間的隔たりがある個人において可能である。上述の用途は、有用性および目的が多様であるが、すべて、最小待ち時間、高感度、および高特異性を伴って、発作の電気的発現を検出することを必要とする。しかしながら、そうすることによって、困難なタスクとなることが証明されている。
頭皮上EEGからの発作の発現の確実な検出は、3つの主要な理由から困難である。第1に、異なる個人の発作(発作性)および非発作(発作間)EEGの両方に、変動性が存在する。第2に、任意の所与の個人において、いくつかの非発作活動(発作間癲癇様突発)が、発作の発現に酷似する場合がある。最後に、頭皮上EEGは、生理学的および非生理学的アーチファクトの両方によって、容易に損なわれる。
頭皮上EEGから発作の発現を検出するための数多くのアルゴリズムが提案されている。これらのアルゴリズムは、「患者特異的」および「患者非特異的」アルゴリズムの2つの広義のカテゴリーに分類される。患者非特異的アルゴリズムを開発しようとする研究者は、随時、任意の個人に使用できる状態のアルゴリズムを有するという実用性のために性能を犠牲にする。対照的に、患者特異的方法を開発しようとする研究者は、個人の発作と非発作EEGの一貫性および相対的可分性は、性能を向上させる目的のために利用可能であると考えるため、訓練データの収集コストを被る。患者特異性が発作発現検出器の性能に影響を及ぼす程度を定量化することは、これらの矛盾に光明を投じるであろう。
さらに、携帯型患者特異的癲癇発作検出器は、発作の発現を検出するために、常時、患者に貼付される最大21の電極と、それらの電極からの信号を収集および処理するために十分なバッテリと、を有する、面倒なデバイスの使用を必要とする。そのような携帯型システムの1つは、21個のEEGチャネルを伴うキャップと、それらのチャネルを捕捉および処理するために必要なハードウェアと、ハードウェアを駆動するために必要なバッテリと、を含む、検出器を使用して、発作の発現を検出する。そのようなデバイスは、完全21チャネルEEGモンタージュと併用される際、ほとんどの患者に対する優れた感度、特異性、および待ち時間を患者特異的検出器にもたらす、機械の学習能力およびサポートベクターマシンを利用する。しかしながら、常時、患者によって装着されるキャップは、面倒かつ煩わしい。チャネルの数が、著しく減少する場合、システムは、患者の負担および発作の発現を検出する際に必須である分析を大幅に軽減することが可能となるであろう。また、チャネルの数を減少することは、データを取得および処理するために必要なエネルギーの量を低減し、ひいては、バッテリのサイズを縮小またはその寿命を延長することになるであろう。
本発明は、これらの問題を解決する。
(概要)
本発明の実施形態は、EEGをベースとする癲癇発作検出器内のチャネルの数を減少させるための方法およびシステムを含む。一実施形態によると、患者における癲癇発作を検出するために必要な複数のm個のEEGチャネルから患者特異的電極サブセットを選択するための方法が、提示される。方法は、複数のm個のEEGチャネルから発作EEGデータを収集し、次いで、複数のm個のEEGチャネルのチャネルの有効サブセットnを選択するステップを伴う。検出器は、チャネルのサブセットnに応じて構成され、発作を検出する際の検出器の性能が、推定される。
本発明の実施形態は、EEGをベースとする癲癇発作検出器内のチャネルの数を減少させるための方法およびシステムを含む。一実施形態によると、患者における癲癇発作を検出するために必要な複数のm個のEEGチャネルから患者特異的電極サブセットを選択するための方法が、提示される。方法は、複数のm個のEEGチャネルから発作EEGデータを収集し、次いで、複数のm個のEEGチャネルのチャネルの有効サブセットnを選択するステップを伴う。検出器は、チャネルのサブセットnに応じて構成され、発作を検出する際の検出器の性能が、推定される。
本発明のさらなる局面は、複数のm個のチャネルを利用する検出器を構成し、再帰的特徴の排除を使用し、検出器の性能を推定することによって、チャネルの有効サブセットnを選択するステップを含む。最も有用ではないチャネルは、複数のm個のチャネルから除去され、残りの複数のチャネルの性能が、推定される。最も有用ではないチャネルを除去し、残りのチャネルの性能を推定するステップは、残りの複数のチャネルの性能が以前の複数のチャネルの性能よりも劣るまで、繰り返され、次いで、nは、残りの複数のチャネルの性能を劣化させたチャネルの数よりも1多い複数のチャネル内のチャネルの数と等しくなるように設定される。
例示的実施形態のさらなる局面は、再帰的特徴の追加を使用し、複数のm個のチャネルを利用する検出器を構成し、検出器の性能を推定するステップを含む。サイズnの最良のチャネルサブセットを判定するために、セットSが、サイズn−1の最良のチャネルサブセットに初期設定される。最も有用なチャネルは、複数のm個のチャネルから追加される。最も有用なチャネルは、サイズn−1の最良のチャネルサブセットおよび本チャネルを使用して構成される検出器の性能を推定することによって判定される。サイズ0の最良のチャネルサブセットは、空のサブセットである。本手順は、停止基準が満たされるまで、繰り返される。基準の1つとして、チャネルの特定のサブセットの性能が、複数のm個のチャネルを利用する検出器の性能に劣らない場合を含んでもよい。あるいは、手順は、m個のチャネルサブセットが判定されるまで、繰り返すことが可能である。次いで、最も有用なチャネルサブセットが、特異的目的関数を最大限にするステップに基づいて、m個のチャネルサブセットから選択される。
別の実施形態は、複数のm個のEEGチャネルに対応する複数の電極を備える、患者特異的癲癇発作検出器を含む。プロセッサは、再帰的特徴の排除を使用して、複数のm個のEEGチャネルのチャネルのサブセットnを選択するように構成される。検出器は、チャネルのサブセットnに応じて構成される。推定器は、発作を検出する際の検出器の性能を推定するように構成される。
実施形態の特徴として、サブセットnが、複数の最も有用ではないチャネルを差し引いた複数のm個のチャネルを含む、検出器が挙げられる。最も有用ではないチャネルは、複数のm個のチャネルから最も有用ではないチャネルを再帰的に除去し、残りの複数のチャネルの性能が複数のm個のチャネルの性能より劣るまで、残りの複数のチャネルの性能を推定することによって、判定される。サブセットnは、残りの複数のチャネルの性能を複数のm個のチャネルの性能よりも劣らせる複数のチャネル内のチャネルの数よりも1多い複数のチャネル内のチャネルの数と等しい。
さらに別の実施形態は、複数のm個のEEGチャネルに対応する複数の電極を備える、患者特異的癲癇発作検出器を含む。プロセッサは、再帰的特徴の追加を使用して、複数のm個のEEGチャネルのチャネルのサブセットnを選択するように構成される。検出器は、チャネルのサブセットnに応じて構成される。推定器は、発作を検出する際の検出器の性能を推定するように構成される。
実施形態の特徴として、サブセットnが、複数の最も有用ではないチャネルを差し引いた複数のm個のチャネルを含む、検出器が挙げられる。サブセットnは、最も有用なチャネルを漸次的に以前に判定された最良のチャネルサブセットに再帰的に追加することによって、判定される。本手順は、停止基準が満たされるまで、繰り返される。基準の1つとして、チャネルの特定のサブセットの性能が、複数のm個のチャネルを利用する検出器の性能に劣らない場合を含んでもよい。あるいは、手順は、m個のチャネルサブセットが判定されるまで、繰り返すことが可能である。次いで、最も有用なチャネルサブセットが、特異的目的関数を最大限にするステップに基づいて、m個のチャネルサブセットから選択される。
本発明のこれらの実施形態および他の局面は、以下の詳細な説明および付属の図面から容易に明白となるが、本発明を例示するものであって、限定することを意味するものではない。
図1は、本発明の実施形態による、二元患者特異的検出器の処理段階の図である。
図2は、本発明の実施形態による、特徴抽出フィルタバンクのグラフである。
図3は、本発明の実施形態による、一元患者特異的検出器の処理段階の図である。
図4は、本発明の実施形態による、EEGデータセット特性の表である。
図5〜10は検出器タイプの性能比較のグラフである。
図5〜10は検出器タイプの性能比較のグラフである。
図5〜10は検出器タイプの性能比較のグラフである。
図5〜10は検出器タイプの性能比較のグラフである。
図5〜10は検出器タイプの性能比較のグラフである。
図5〜10は検出器タイプの性能比較のグラフである。
図11〜12は、本発明の実施形態による、検出待ち時間と関連付けられた電気記録図上の発作状態を示す。
図11〜12は、本発明の実施形態による、検出待ち時間と関連付けられた電気記録図上の発作状態を示す。
図13は、本発明の実施形態による、チャネルのサブセットを選択する方法を示すフロー図である。
図14は、本発明の実施形態による、検出器の性能結果を表す図である。
図15は、本発明の実施形態による、選択プロセスの際に選択されるチャネルを表す一連のヒストグラムである。
図16は、本発明の実施形態による、患者のEEGから検出された発作の一部を示す。
図17は、本発明の実施形態による、別の患者のEEGから検出された発作の一部を示す。
図18は、本発明の実施形態による、EEG検出器の出力を表す。
(詳細な説明)
本発明の実施形態は、発作を検出するための方法および装置を含む。第1の検出器は、試験個人からの発作および非発作EEGの両方の実施例を対象とし、本明細書では、二元患者特異的検出器と称される。第2の検出器は、試験個人からの非発作EEGの実施例のみを対象とし、一元患者特異的検出器と称される。第3の検出器は、試験個人からのいかなるEEGも対象とせず、本明細書では、患者特異的検出器と称される。
本発明の実施形態は、発作を検出するための方法および装置を含む。第1の検出器は、試験個人からの発作および非発作EEGの両方の実施例を対象とし、本明細書では、二元患者特異的検出器と称される。第2の検出器は、試験個人からの非発作EEGの実施例のみを対象とし、一元患者特異的検出器と称される。第3の検出器は、試験個人からのいかなるEEGも対象とせず、本明細書では、患者特異的検出器と称される。
(検出方法)
EEGは、対象の頭皮または頭蓋内に分散される電極のアレイを使用して収集される脳活動の電気的記録である。チャネルは、一対の(通常は、隣接)電極または電極と基準電極との間で記録される電位差として定義される。
EEGは、対象の頭皮または頭蓋内に分散される電極のアレイを使用して収集される脳活動の電気的記録である。チャネルは、一対の(通常は、隣接)電極または電極と基準電極との間で記録される電位差として定義される。
(二元検出器)
ここで、図1を参照すると、二元患者特異的検出器の処理段階が示される。本実施例では、データは、18のチャネルを通して取得される。二元検出器は、特徴抽出器を通して、18個のEEGチャネルのそれぞれからの2秒間のエポックを通過させる。順に、特徴抽出器は、各チャネルに対して、その7つの要素が図2に示されるフィルタバンクによって提供される7つの周波数帯域内のエネルギーに対応する、特徴ベクトルを組み立てる。これらの周波数帯域は、集合的に、生理学的および病態生理学的頭皮上EEG活動が観察される周波数範囲を網羅する。
ここで、図1を参照すると、二元患者特異的検出器の処理段階が示される。本実施例では、データは、18のチャネルを通して取得される。二元検出器は、特徴抽出器を通して、18個のEEGチャネルのそれぞれからの2秒間のエポックを通過させる。順に、特徴抽出器は、各チャネルに対して、その7つの要素が図2に示されるフィルタバンクによって提供される7つの周波数帯域内のエネルギーに対応する、特徴ベクトルを組み立てる。これらの周波数帯域は、集合的に、生理学的および病態生理学的頭皮上EEG活動が観察される周波数範囲を網羅する。
次いで、18個のチャネルのそれぞれから抽出された要素または特徴が統合され、チャネル間の空間相関を捕捉する特徴ベクトルを形成する。得られた特徴ベクトルは、同一個人からの非発作EEGデータ(覚醒、睡眠、発作間癲癇様突発)および発作の発現EEGデータを対象とする2分類サポートベクターマシン(「SVM」)分類子を使用して、発作または非発作類に割り当てられる。一実施形態によると、二元検出器は、4秒間のEEG活動が、個人の発作の発現EEGデータと一致するとして分類されると、発作の発現と宣言する。
一実施形態によると、Anton Schwaighofer of Microsoft Research,Cambridge,UKによるツールボックスパッケージ等のSVMパッケージ、またはThorsten Joachims,Department of Computer Science,Cornell University,Ithaca,New YorkによるSVMlightソフトウェアパッケージを使用して、二元患者特異的検出器内で使用される2分類サポートベクターマシンを実装してもよい。一実施形態によると、カーネルパラメータγ=lと、発作および非発作類の両方に対し、訓練誤差とマージンとの間のトレードオフC=10と、を伴う、ラジアル基底カーネルが使用された。
(一元検出器)
図3のブロック図は、一元患者特異的検出器の処理段階を示す。一元検出器は、標準的技術を使用して、その2秒間のエポックがアーチファクトによって損なわれる任意の入力チャネルを拒否する。一元検出器は、各アーチファクト非含有チャネルに対し、再び図2に示されるフィルタバンクを使用して、その要素が周波数帯域内のエネルギーに対応する特徴ベクトルを組み立てる。次いで、一元検出器は、各チャネルからの特徴ベクトルが、同一チャネルからの訓練非発作EEGデータと一致するかどうかを判定するように分類された1分類SVMを使用する。任意のチャネルが、7秒間、非発作訓練データと一致しない活動を呈する場合、発作の発現が、宣言される。異なる実施形態では、選択された7秒間のエポックが、癲癇様活動の非患者特異的基準と一致する場合のみ、発作が宣言される。
図3のブロック図は、一元患者特異的検出器の処理段階を示す。一元検出器は、標準的技術を使用して、その2秒間のエポックがアーチファクトによって損なわれる任意の入力チャネルを拒否する。一元検出器は、各アーチファクト非含有チャネルに対し、再び図2に示されるフィルタバンクを使用して、その要素が周波数帯域内のエネルギーに対応する特徴ベクトルを組み立てる。次いで、一元検出器は、各チャネルからの特徴ベクトルが、同一チャネルからの訓練非発作EEGデータと一致するかどうかを判定するように分類された1分類SVMを使用する。任意のチャネルが、7秒間、非発作訓練データと一致しない活動を呈する場合、発作の発現が、宣言される。異なる実施形態では、選択された7秒間のエポックが、癲癇様活動の非患者特異的基準と一致する場合のみ、発作が宣言される。
一実施形態では、Chih−Chung Chang and Chih−Jen Lin,Department of Computer Science and Information Engineering,National Taiwan University,Taipei,TaiwanによるLIBSVMソフトウェアパッケージを使用して、1分類SVMを実装した。本実施形態では、ラジアル基底カーネルは、カーネルパラメータγ=7およびサポートベクター比v=0.0075を有する。
一実施形態では、通常は、頭蓋内EEG中の発作の発現の検出/予測の目的のために使用される、発作の発現を検出するための1分類SVMにおける頭蓋内EEG特徴(例えば、平均曲線長、平均エネルギー、平均ティーガーエネルギー)は(A.Gardner,A.M.Krieger,G.Vachtsevanos,B.Litt.”One−Class Novelty Detection for Seizure Analysis from Intracranial EEG.”Journal of Machine Learning Research 7(200):1025−1044)、図2のフィルタバンクを使用して計算されるスペクトルエネルギー特徴に置換された。スペクトルエネルギー特徴は、使用される頭皮上EEGデータセットに低検出待ち時間および高特異性をもたらした。一実施形態では、自動アーチファクト除去、発作が生じることが知られているチャネルのみだけではなく、全利用可能EEGチャネルの処理、ならびに覚醒および睡眠期間の両方を含む継続的頭皮上EEG記録の修正の評価、処理に含められた。
(患者非特異的検出器)
一実施形態で使用される患者非特異的検出器は、Revealアルゴリズムとして知られる市販の実装であった。Revealアルゴリズムは、”Seizure Detection:Evaluation of Reveal Algorithm”by Wilson,Scheuer,Emerson,Gabor in Clinical Neurophysiology 2004 Oct;115(10):2280−91に詳述されるMatching Pursuitアルゴリズムを使用して、各入力チャネルからの2秒間のEEGエポックを時間・周波数原子に分解する。次いで、Revealは、ハンドコードおよびニューラルネットワークルールを採用し、チャネルの時間・周波数原子から派生した特徴が、そのチャネル上で生じる発作と一致するかどうか判定する。ニューラルネットワークルールのうちのいくつかに対する閾値は、原型的発作ならびに非癲癇患者からの非発作エポックの両方を使用して判定される。試験個人からのデータは、Revealアルゴリズムを調整するためには使用されない。
一実施形態で使用される患者非特異的検出器は、Revealアルゴリズムとして知られる市販の実装であった。Revealアルゴリズムは、”Seizure Detection:Evaluation of Reveal Algorithm”by Wilson,Scheuer,Emerson,Gabor in Clinical Neurophysiology 2004 Oct;115(10):2280−91に詳述されるMatching Pursuitアルゴリズムを使用して、各入力チャネルからの2秒間のEEGエポックを時間・周波数原子に分解する。次いで、Revealは、ハンドコードおよびニューラルネットワークルールを採用し、チャネルの時間・周波数原子から派生した特徴が、そのチャネル上で生じる発作と一致するかどうか判定する。ニューラルネットワークルールのうちのいくつかに対する閾値は、原型的発作ならびに非癲癇患者からの非発作エポックの両方を使用して判定される。試験個人からのデータは、Revealアルゴリズムを調整するためには使用されない。
一実施形態によると、Revealアルゴリズムは、15秒間のセグメントが、95%信頼水準で発作の一部として分類されると、発作として宣言するように設定された。20秒間のセグメントおよび50%信頼水準を伴う通常のデフォルト検出器構成は、容認不可能な誤検出数をもたらす。
(評価)
本発明の試験実施形態では、Children’s Hospital Bostonの癲癇監視ユニットにおける小児入院患者からの頭皮上EEGを使用して、上述の3つの発作検出方法を試験した。EEGは、256Hzでサンプリングし、18チャネル双極モンタージュを使用して記録した。全体として、試験セット(図4)は、16例の対象からの536時間継続的に記録されたEEGを含んだ。各対象に対して、覚醒および睡眠EEG期間の両方を記録した。
本発明の試験実施形態では、Children’s Hospital Bostonの癲癇監視ユニットにおける小児入院患者からの頭皮上EEGを使用して、上述の3つの発作検出方法を試験した。EEGは、256Hzでサンプリングし、18チャネル双極モンタージュを使用して記録した。全体として、試験セット(図4)は、16例の対象からの536時間継続的に記録されたEEGを含んだ。各対象に対して、覚醒および睡眠EEG期間の両方を記録した。
検出方法における全SVMパラメータは、試験の開始時に決定され、全試験過程にわたって、一定のままであった。各患者に属するEEGデータは、連続的1時間の記録に整理された。Nは、所与の患者に対する発作非含有の1時間の記録の数を示し、Mは、所与の患者に対する1回以上の発作を含有する1時間の記録の数を示す。各患者のN+Mの記録に関する患者非特異的検出器の性能を評価した。発作の見逃数、検出された発作の電気的発現を宣言する際の平均的遅延、および誤検出の数が記録された。
次いで、2つの検証を使用する二元患者特異的検出器の性能を評価した。第1の検証では、検出器は、患者のN非発作記録ならびに発作含有M−1記録を対象とした。次いで、検出器は、M番目の発作記録(訓練セットから抽出された記録)内の発作を検出するタスクが課された。本プロセスは、M発作記録のそれぞれが1回ずつ試験されるように、M回繰り返された。発作記録Mは、訓練および試験セットにおいて、同時に生じることはなかった。
第2の検証では、二元患者特異的検出器は、患者のM発作記録ならびにN−1非発作記録を対象とした。次いで、検出器は、N番目の非発作記録(訓練セットから抽出された記録)を処理するタスクが課された。本プロセスは、N非発作記録のそれぞれが1回ずつ試験されるように、N回繰り返された。非発作記録Nは、訓練および試験セットにおいて同時に生じることはなかった。これらの2つの試験の完了後、二元患者特異的検出器は、患者の全N+M記録に関して試験された。発作の見逃数、検出された発作の電気的発現を宣言する際の平均的遅延、および誤検出の数が、記録された。
一元患者特異的検出器に対して、別の対の検証を行なった。第1の検証では、検出器は、患者のN非発作記録を対象とした。次いで、検出器は、訓練セットから抽出されたM発作記録内の発作を検出するタスクが課される。
第2の検証では、一元患者特異的検出器は、N−1非発作記録を対象とした。次いで、検出器は、N番目の非発作記録(訓練セットから抽出された記録)を処理するタスクが課される。本プロセスは、N非発作記録のそれぞれが1回ずつ試験されるように、N回繰り返された。これらの2つの試験の結果として、一元患者特異的検出器が、患者のN+M記録に関して試験された。発作の見逃数、検出された発作の電気的発現を宣言する際の平均的遅延、および誤検出の数が、報告された。
(結果)
図5は、1時間あたりの発作検出遅延および誤報の観点から、3つの発作検出方法がどのように機能するのかを示す。グラフ上の各データ点は、試験対象を表す。性能平面上の最適点は、原点{1時間あたり0誤報、検出遅延0秒}である。図5は、二元患者特異的検出器が、最良の平均性能座標{1時間あたり0.2+/−0.7誤報、6.8+/−2.4秒}を有していたことを示す。
図5は、1時間あたりの発作検出遅延および誤報の観点から、3つの発作検出方法がどのように機能するのかを示す。グラフ上の各データ点は、試験対象を表す。性能平面上の最適点は、原点{1時間あたり0誤報、検出遅延0秒}である。図5は、二元患者特異的検出器が、最良の平均性能座標{1時間あたり0.2+/−0.7誤報、6.8+/−2.4秒}を有していたことを示す。
しかしながら、低検出待ち時間が低誤検出率よりも重んじられる場合(迷走神経刺激の目的のための発作の発現検出の用途におけるような場合)、患者非特異的検出器{2.0+/−5.3、17.8+/−10.0}よりも一元患者特異的検出器{2.3+/−1.3、9.2+/−4.2}が好まれる。非特異的検出器が特に不良に機能した3例の対象は、図5には示されていない(対象15{0.19、49.3}、対象3{0.15、全発作見逃}、対象9{22.0、12.8})。
非特異的検出器が、95%信頼度閾値および7秒間のセグメントを使用する構成を選択することによって、より早期に発作を検出するようにバイアスがかけられる場合、図6に示されるように、検出遅延が減少し、誤検出率が増加する。非特異的検出器が特に不良に機能した2例の対象は、示されていない(対象3{0.63、全発作見逃}、対象9{53.2、4.6})。
図7は、感度(検出される個人の発作の率)ならびに1時間あたりの誤報の観点から、3つの方法がどのように機能するのかを示す。性能平面上の最適点は、点{1時間あたりの誤報0、感度1}である。二元患者特異的検出器は、最良の平均性能座標{1時間あたりの誤報0.2+/−0.7、感度0.93}を有する。再び、特異性のためにどのように感度を代償とするかに応じて、一元患者特異的検出器{2.3+/−1.3、0.94}または患者非特異的検出器{2.0+/−5.3、0.66}は、正しい選択となるであろう。非特異的検出器が特に不良に機能した1例の対象は、図6には示されない(対象9{22.0、0.55})。
図8−10は、各患者に対して、相互に比較して、発作検出方法がいかに良好に機能するのかを示す。図8は、検出器遅延を示し、図9は、誤検出率を示し、および図10は、各患者に対する検出器感度を示す。左から第1の柱は、二元検出器であって、第2の柱は、一元検出器を表し、第3の柱は、非特異的検出器を示す。
図11−12は、対象1における、各方法の検出待ち時間と関連付けられた電気記録図上の発作状態を示す。対象の発作の電気記録図上の限局性発現は、図11の点線の後に見られる。二元検出器は、発作が、電気記録図上の発現後、平均6.77+/−3.0秒、本限局性相の間、継続していると宣言する。また、一元検出器は、電気記録図上の発現後、平均12.8+/3.2秒の限局性相を検出する。患者非特異的検出器は、発作が、発作の汎化相の間、継続していると宣言する(図12に図示)。非特異的検出器は、発作が、電気記録図上の発現後、平均30.1+/−15.4秒、継続していると宣言する。
より多くの患者特異的知識が発作検出器の性能を向上させるという所見は、検出問題がより多くの患者特異的情報によって容易になるという事実から派生する。発作の電気的発現を検出するために、二元患者特異的検出器は、観察されたEEG波形がすべて、本明細書では「発作の発現領域」と称される特徴空間の特異的小領域内にあるかどうかを判定することのみ必要とする。本領域の場所は、個人の発作訓練データによって定義され、そのサイズは、個人の発作訓練および非発作訓練データによって定義される。個人の発作の発現と異なって見られる波形(例えば、睡眠、覚醒、発作間癲癇様突発、アーチファクト)は、発作の発現領域の境界内にないため、非発作波形として分類される。これは、二元患者特異的検出器によって実証される高感度および特異性の説明となる。
一元患者特異的検出器は、より困難な検出問題に直面する。一元検出器は、観察されたEEG波形からの特徴が、非発作訓練EEGデータセットから抽出された特徴と異なる場合、常に、発作と宣言する。結果として、訓練セット内のものと異なって見られるいかなる波形も、検出器を始動させる。これは、所望の発作波形、ならびに訓練セット内で過小評価され得る覚醒、睡眠、およびアーチファクト波形の望ましくない変形を含む。これは、二元検出器のものに匹敵する感度を有するが、より不良な特異性を伴う一元患者特異的検出器の説明となる。
患者非特異的検出器は、最も困難な検出課題に直面する。非特異的検出器は、観察されたEEG波形からの特徴が原型的発作(すなわち、非患者特異的)から抽出された特徴に類似する場合、常に、発作と宣言する。本アプローチは、その発作および非発作EEGが原型的パターンと一致する個人には良好に機能する。一方、本アプローチは、その発作が原型的発作と異なる、またはその非発作EEGが原型的発作に類似する活動を実証する個人に対しては、不良に機能する。個人のEEGを慎重に検査し、原型的発作のセットにどのように関連するかを理解しなければ、試験個人に対する患者非特異的検出器の性能に関して、保証される可能性は低い。これはすべて、患者非特異的検出器が、二元患者特異的検出器と比較して、より低い性能を実証した説明となる。
(チャネルの削減)
本発明の一実施形態によると、発作を検出するために必要なEEGチャネルの数は、チャネルのセットを選択するための再帰的特徴の排除(「RFE」)または他の方法を使用して、減少されてもよい。[参考:ある患者は、RFE−SVM上で待機]。以下にさらに詳細に説明されるように、癲癇発作を検出するために必要なチャネルのセットは、患者により大幅に異なる。一部の患者には、1チャネル検出器を有する実施形態が、ならびに21チャネル検出器を有する実施形態が、作用する場合があり、他の患者には、15個のチャネルを有する実施形態が、21チャネル検出器のものに匹敵する性能を達成するために必要とされる場合がある。
本発明の一実施形態によると、発作を検出するために必要なEEGチャネルの数は、チャネルのセットを選択するための再帰的特徴の排除(「RFE」)または他の方法を使用して、減少されてもよい。[参考:ある患者は、RFE−SVM上で待機]。以下にさらに詳細に説明されるように、癲癇発作を検出するために必要なチャネルのセットは、患者により大幅に異なる。一部の患者には、1チャネル検出器を有する実施形態が、ならびに21チャネル検出器を有する実施形態が、作用する場合があり、他の患者には、15個のチャネルを有する実施形態が、21チャネル検出器のものに匹敵する性能を達成するために必要とされる場合がある。
必要なチャネルの数を判定するための総当りアプローチが、図13に略述される。基本的概念は、一実施形態によると、可変数のチャネルを使用して、予測される検出器の性能を推定し、次いで、予測される性能が、21チャネル検出器の予測される性能に匹敵する最小数のチャネルを選択する。残念ながら、本アプローチは、約221の異なるチャネルの組み合わせの訓練および試験を伴うため、計算的に困難である。
本問題を解決するための本発明の一実施形態は、RFEを使用して、少数の電極を使用するSVMをベースとする検出器を設計する方法を含む。以下に提示される結果は、驚くほど少数の電極(わずか2つ)が、多くの場合、全21チャネルのモンタージュを実施ならびに使用する検出器を構成するために十分であることを示唆する。
一実施形態によると、EEGベースの患者特異的発作検出器は、頭皮上EEGデータの21個のチャネルから特徴を抽出するウェーブレット分析と、ラジアル基底関数(RBF)カーネルを使用して構成されるSVMと、を採用する。検出器の実施形態が患者特異的であるため、特定の患者のみからのデータに照準を合わせることによって、その患者を対象とする。
一実施形態によると、図1のステップ2は、以下のステップに置換される。
2)1乃至20のnの場合、再帰的特徴の排除を使用して、n個の最良のチャネルを選択する。それらのチャネルを使用して構成される検出器の性能を推定する。
nを選択するプロセスは、以下に詳述される。
2)1乃至20のnの場合、再帰的特徴の排除を使用して、n個の最良のチャネルを選択する。それらのチャネルを使用して構成される検出器の性能を推定する。
nを選択するプロセスは、以下に詳述される。
検出器の性能は、その誤判定(「FP」)率、検出漏れ(「FN」)率、および待ち時間の観点から評価される。上述のように、誤判定は、データセットを標識化した専門家が発作を識別した時間枠外の発作を、検出器が宣言する場合に生じる。検出漏れは、専門家が発作として識別した時間枠の間の任意の時点における発作を、検出器が宣言しそこなう場合に生じる。待ち時間は、標識化を行なう専門家が発作の発現をマークした時点と、検出器が発作を宣言した時点との間の秒数である。FP、FN、および待ち時間に加えて、本発明の実施形態は、エネルギー消費または任意の他の測定基準等、他の基準の観点から、検出器の性能を推定してもよい。
オリジナルの21個のチャネルから成され得る221の異なる可能なサブセットが存在するため、総当たりの全数検索を行ない、検出器が特定の患者のための最良の性能を得るサブセットを見つけることは、実践的ではない。代わりに、一実施形態では、RFEは、「欲張りアルゴリズム」を使用して、将来的入力に関して良好に機能するための十分な情報を検出器に提供すると考えられる各サイズのサブセットを選択する。RBFカーネルが非線形であるため、非線形SVMカーネルのためのあるバージョンのRFEが使用される。
RFEは、一実施形態では、SVM機械を使用して、検出のために使用されるチャネルのセット内の各チャネルの貢献度をランク付けする。他のランク付け方法も、各チャネルの貢献度をランク付けするためのRFEの枠組み内で使用可能である。RFEアルゴリズムが、n個のチャネルの現在のセットをランク付けすると、セット内で最も重要ではないとランク付けされたチャネルは、除去される。これは、n−1個のチャネルのセットをもたらす。本ランク付けおよび除去プロセスは、n−2個のチャネルのセットをもたらすn個のチャネルのセットに対して繰り返される。プロセスは、1個のチャネルが残るまで継続する。RFEがn個のチャネルのセットに適用されると、合計n−1のサブセットをもたらす。見つけられる各サブセットが、実際に、そのサイズの最良のサブセットである保証はないが、RFEがより良いサブセットの1つを見つけると考えるだけの十分な理由がある。
「1点除外(leave−one−out)」相互検証は、多くの場合、機械の学習能力を使用して構成される分類子の汎化性能を推定するために使用される。ある検証では、10例の患者が分析され、患者あたり平均5.5発作を含むデータセットをもたらした。それらの結果によると、各発作は、非発作EEGを含有するより大きなEEGの流れ内に組み込まれる。各患者に対して、「発作ファイル1点除外(leave−one−seizure−file−out)」相互検証法を使用して、種々の数のチャネルを使用して構成される例示的検出器の性能を評価した。
上述の例示的プロセスは、n個のチャネルを使用して構成される検出器の平均的相互検証性能が、(検出漏れ率、誤判定率、および待ち時間のそれぞれに関して)21チャネル検出器の平均的相互検証と少なくとも同様に良好であるようなチャネル最小数nを見つける。他の実施形態では、あまり厳しくない選択基準も使用可能である。上述のアルゴリズムでは、関数
は、C内のn個のチャネルを使用してSVM検出器を構成する一方、S’内のファイルを対象とする。関数
は、チャネルS’のセット内の最良のn個のチャネルを見つける。S’は、少なくともn個のチャネルを含有していなければならない。値
は、S内の発作のセットに関する全チャネルを使用して実行する場合の平均的検出器の性能である。
は、サイズnのチャネルサブセットのために構成された検出器を使用して構成される検出器のすべてに対する平均的誤判定率、検出漏れ率、および待ち時間を利用して計算される。
重要なことは、本手順は、使用されるべきチャネルの数を見つけるが、どのチャネルを使用すべきかを直接計算するわけではない。本プロセスは、各
対のためのチャネルのセットを見つけるが、しかしながら、RFEは、一実施形態に従って、異なる相互検証セットのための異なるチャネルを見つけてもよい。
チャネルの数が判定されると、RFEは、S内のファイルのすべてを使用して実行され、チャネルのセットを選択する。次いで、検出器は、それらのチャネルおよびS内のファイルのすべてを対象にし、携帯型検出器を生成する。得られる検出器の性能は、発作ファイル1点除外相互検証の間に構成されるnチャネル検出器のすべてに対して測定された平均的FP率、FN率、および待ち時間によって推定される。
チャネル内のデータは、2つの電極間の頭皮電位差であるため、チャネルの数は、隣接チャネルが電極を共有し得るので、携帯型検出システムに必要な電極の数と同一ではない。
図14は、各患者に対し、nチャネル検出器の実施形態のために導出された予測される検出漏れ率、誤判定率、および待ち時間を示す表である。構成によって、nチャネル検出器は、21チャネル検出器と少なくとも同様に機能する。一部の患者の場合、チャネルが減少された検出器が、21チャネル検出器よりもいくつかの点において若干優れて機能するが、しかしながら、その差異は、統計的に有意ではない。
異なるデータのサブセットは、同一患者に対して、異なるチャネルの選択をもたらす場合がある。図15は、各チャネルがどのくらいの頻度で各患者に対して選択されたかを示す。例えば、4つの発作ファイルが、患者番号2に対して検出された。1点除外試験のうちの3つでは、RFEは、チャネル1(電極FP1およびF7)を選択し、試験のうちの1つでは、チャネル21(電極F7およびT7)を選択した。図16は、患者番号2に対して収集されたEEGから抽出された発作の一部を含有する。発作は、チャネル1および21(図16の上2つのチャネル)が同様に挙動する間、急激かつ明らかな発現を有する。本患者に対しnチャネル検出器を構成するための例示的プロセスは、単一チャネル(チャネル1)を選択した。
概して、少数のチャネルのみを必要とする患者の場合、チャネルは、頭部の同一領域内に密集する。対照的に、多くのチャネルが必要な患者の場合(例えば、患者番号9)、チャネルは、通常は、広範囲に分散する。図17は、患者番号9のために収集されたEEGから抽出された発作の一部を含有する。患者番号2の場合よりも少ないチャネルを伴うと考えられるが、発作を確実に検出するために、より多くのチャネルを必要とする。これは、図18に示されるように、時として、チャネルのサブセットが、臨床的発作に進化しない発作様活動を示すためである。本患者のためのnチャネル検出器を構成する例示的方法は、21個の電極のうち18個を伴う15個のチャネルを選択した。使用されなかったチャネルは、チャネル5、6、7、10、11、および12のみである。これは、図16のヒストグラムで予測されるものと一致する。
10例の患者の小量のEEGデータの検証から決定的な結論を形成するには注意が必要とされるが、図14のデータは、一部の患者に対して、非常に少数のチャネルによって、癲癇発作の発現検出を行なうことが可能であることを示唆する。本発明の一実施形態によると、10例中6例の患者に対して、試験の際に観察されたタイプの発作を検出するために、わずか3個のチャネルで十分である。
患者のために必要とされるチャネルの数は、当然のことながら、患者の発作特性に依存する。一部の患者の発作は、起源に限局し、脳の単一小領域から一貫して生じる。それらの患者に対して、病巣上に配置される少数の電極で十分である場合がある。発作活動がすべてではなくても、ほとんどの電極上で認められる全般性発作に対して、任意の電極は、任意の他の電極と同様に良好であって、再び、少数の電極で十分である場合がある。
一部の患者は、異なる起源を伴う異なる種類の発作を有する。これらの患者より多くの電極を必要とするであろう。加えて、いくつかのチャネルは、当然ながら、他よりも雑音が多く、または交絡データをもたらす場合がある(例えば、臨床的発作につながらない発作間突発)。そのような場合、より多くのチャネルが、他の活動から発作を迅速に区別するために必要とされ得る。
(チャネルの追加)
本発明の別の実施形態では、アルゴリズムは、機械の学習能力を使用して、EEGチャネルのセットを選択肢、選別検出器を構成する。本実施形態では、再帰的特徴の排除を使用する上述の方法と対照的に、本発明の本実施形態は、選択されたチャネルが、最も有用なチャネルに基づいて、チャネルのサブセットに漸次的に追加される「再帰的特徴の追加」方法を利用する。
本発明の別の実施形態では、アルゴリズムは、機械の学習能力を使用して、EEGチャネルのセットを選択肢、選別検出器を構成する。本実施形態では、再帰的特徴の排除を使用する上述の方法と対照的に、本発明の本実施形態は、選択されたチャネルが、最も有用なチャネルに基づいて、チャネルのサブセットに漸次的に追加される「再帰的特徴の追加」方法を利用する。
チャネルのサブセットは、種々のサブセットを使用する学習アルゴリズムがいかに良く未知データ上で機能するかに基づいて選択される。例示的アルゴリズムは、オリジナル検出器Dorigと、入力としてのデータのセットと、を使用する。Fがチャネルのセットである場合、チャネル選択プロセスは、以下のように抽象的に記述可能である。
1.各対が訓練データおよび試験データから成る対のセットSを生成する。訓練データおよび試験データは、オリジナルデータのサブセットである。
2.チャネルセットFの各サブセットに対して、
各対s∈Sの場合、
a)sの訓練データおよびf内のチャネルを使用して、検出器D’を構成する。
b)sの試験データ上のD’の性能を取得する。
3.性能データを使用して、最良のチャネルサブセットf’を選択する。
4.全データおよびf’内のチャネルを使用して、最終検出器を訓練する。
1.各対が訓練データおよび試験データから成る対のセットSを生成する。訓練データおよび試験データは、オリジナルデータのサブセットである。
2.チャネルセットFの各サブセットに対して、
各対s∈Sの場合、
a)sの訓練データおよびf内のチャネルを使用して、検出器D’を構成する。
b)sの試験データ上のD’の性能を取得する。
3.性能データを使用して、最良のチャネルサブセットf’を選択する。
4.全データおよびf’内のチャネルを使用して、最終検出器を訓練する。
ステップ1では、訓練および試験サブセットは、利用可能なデータから形成される。利用可能なデータ上で学習アルゴリズムを評価する一般的方法の1つは、データセットから1つのサンプルを除去し、サンプルの残りを対象にすることである。次いで、アルゴリズムの性能は、除去されたサンプル上で試験可能である。本1点除外アプローチは、セットSの要素を生成するために使用可能である。
ステップ2では、検出器は、機械の学習能力を使用して構成される。ステップ2aでは、訓練データは、Dorigを使用して標識化される。サブセットf内のチャネルから抽出された特徴を使用して、新しい検出器を形成する。本検出器の性能が、推定される。性能は、多くの方法で推定可能である。本実施形態では、選別検出器は、Dorigと組み合わせられ、生成される新しい検出器D’を形成する。手順は、セットSの全要素に対して繰り返される。
ステップ2で取得された性能データを利用することによって、最良のサブセットが、適切な基準を使用して選択されることが可能である。サブセットf’が選択されると、チャネルサブセットを使用する検出器は、全利用可能訓練データを使用して訓練される。
上述のアプローチは、全数総当たりアプローチである。m個のチャネルと仮定すると、2mの可能なチャネルが存在し、したがって、本アプローチは、非実践的である。全サブセットを検査する代わりに、依然として、機械の学習能力を使用して検出器を構成するが、どのサブセットを評価すべきかの決定は、漸次的に行なわれる欲張りアプローチが使用されてもよい。前進選択プロセスでは、最良の単一チャネルサブセットが、最初に選択される。本質的に、全可能な単一チャネルが試行され、各単一チャネル検出器の性能が、未知データを使用して推定される。最良の単一チャネルサブセットは、選択基準に基づいて、全可能な単一チャネルサブセットから選択される。次に、残りのm−1個のチャネルのうちの1つが、単一チャネルサブセットに追加され、最良の2つのチャネルサブセットが見つけられる。本プロセスは、m−1チャネルサブセットのセットが存在するまで繰り返される。これらのチャネルサブセットから、性能測定基準および選択関数を使用して、最終検出器を構成するサブセットf’が選択される。あるいは、プロセスは、一式の停止基準が満たされるまで繰り返すことが可能である。検出器の性能を判定するために使用され得る基準として、FP、FN、待ち時間、エネルギー消費、感度、特異性、または他の測定を含んでもよいが、それらに限定されない。
ある試行によると、発作を伴う13例の患者からのデータが、収集された。各患者に対して、上述のように動作する以前に訓練された患者特異的検出アルゴリズム(オリジナル検出器)から得られたデータと、以前の検証において収集されたEEGデータを含有する一連のファイルと、が使用された。ファイルの長さは、2乃至30分であって、各ファイルは、1つの発作を含有していた。
本実施形態では、選択関数は、特異性、感度、および検出器のエネルギー消費に関する。選択関数は、多重チャネル検出器のエネルギー消費を低減するために選択される。本明細書において「選別検出器」と称される検出器は、チャネルサブセットを使用して構成され、オリジナル検出器と組み合わせられ、エネルギー消費を低減する。前進選択アプローチを使用して、選別検出器のためのチャネル選択を行なった。したがって、チャネルサブセットは、アルゴリズムが実行されると、構成される。各患者に対し、訓練および試験データ対が、上述の1点除外アプローチを使用して生成された。データは、既にファイルに分割されていたため、各ファイルは、1単位として扱われた。したがって、Fファイルを伴う患者に対して、Fの異なる訓練−試験ファイル対が存在した。構成される各選別検出器に対し、組み合わされた検出器が形成され、次いで、各チャネルサブセットのための検出漏れ率およびコスト情報を得るための適切な試験ファイル上で実行された。標識化性能は、試験ファイル上のオリジナル検出器Dorigによって出力された標識と、組み合わせられた検出器によって出力され標識を比較することによって判定された。組み合わせられた検出器のコストは、以下のように記述可能である。
式中、Cs、C0、およびCbは、それぞれ、選別機、オリジナル検出器、および両検出器のコストである。Ns、N0、およびNbは、選別機、オリジナル検出器、および両検出器が呼び出された回数を表す。概して、アイドルタイム時、C0+Cs≠Cbとなるため、両検出器に対し、別々の期間が導入された。
一実施形態によると、最良のチャネルサブセットは、オリジナル検出器と組み合わせられると、最小平均コストを有する選別検出器の訓練を可能にするサブセットを見つけることによって選択された。さらに、個々の組み合わせられた検出器のいずれも、0.25を上回る検出漏れ率を有さないはずである。本値は、以下の分析に基づく。長さNの発作を想定する。発作を検出するために、3つの連続的正の時間枠が見つけられなければならない。したがって、発作が見逃される可能性は、以下となる。
式中、αは、検出漏れ率、または単一時間枠を誤標識化する可能性である。Nが、データセット(すなわち、9)からの最小長の発作であって、発作を見逃す容認可能な確率として0.001を選択するように選択される場合、α=0.32である。
α=0.32は、検出漏れ率に対する容認可能値であるが、一実施形態では、より小さい値が選択され、発作を検出する機会を増加させる。さらに、予測される検出待ち時間は、
時間枠であるため、同様に、より小さいαは、待ち時間を短縮するであろう。
本発明は、例示的実施形態を参照して記載されたが、本発明の精神および範囲から逸脱することなく、種々の他の変更、省略、および/または追加が成されてもよく、実質的均等物が、その要素と代替されてもよいことは、当業者に理解されるであろう。加えて、その範囲から逸脱することなく、特定の状況または材料を本発明の教示に適合するように、多くの修正が成されてもよい。したがって、本発明は、本発明を実行するために開示される特定の実施形態に限定されるものではなく、本発明は、付属の請求項の範囲内にあるあらゆる実施形態を含むことが意図される。さらに、具体的に明示されない限り、第1、第2等の用語の任意の使用は、任意の順番または重要性を指すものではなく、第1、第2等の用語は、ある要素を別の要素と区別するために使用される。
Claims (20)
- 患者の癲癇発作を検出するために必要とされる複数のm個のEEGチャネルから、患者特異的電極サブセットを選択する方法であって、該方法は、
該複数のm個のEEGチャネルから、発作EEGデータを収集するステップと、
該複数のm個のEEGチャネルのチャネルの有効サブセットnを選択するステップと、
該チャネルのサブセットnに応じて、検出器を構成するステップと、
発作を検出する際の該検出器の性能を推定するステップと
を含む、方法。 - 前記複数のm個のEEGチャネルのチャネルの前記有効サブセットnを選択するステップは、再帰的特徴の排除を含む、請求項1に記載の方法。
- 再帰的特徴の排除は、
a.前記複数のm個のチャネルを使用して、検出器を構成するステップと、
b.該検出器の性能を推定するステップと、
c.該複数のm個のチャネルから最も有用ではないチャネルを除去するステップと、
d.該残りの複数のチャネルの性能を推定するステップと、
e.該残りの複数のチャネルの性能が基準を満たすまで、cおよびdを繰り返すステップと、
f.該基準を満たした該複数のチャネル内のチャネルの数よりも1多い該複数のチャネル内のチャネルの数と等しくなるようにnを設定するステップと
を含む、請求項2に記載の方法。 - 前記基準は、前記複数のm個のチャネルの性能よりも劣る前記残りの複数のチャネルの性能を含む、請求項3に記載の方法。
- 前記複数のm個のEEGチャネルのチャネルの前記有効サブセットnを選択するステップは、再帰的特徴の追加を含む、請求項1に記載の方法。
- 再帰的特徴の追加は、
a.前記複数のm個のチャネルのうちの1つを使用して、検出器を構成するステップと、
b.該検出器の性能を推定するステップと、
c.該複数のm個のチャネルから最も有用なチャネルを前記サブセットnに追加するステップと、
d.サブセットn内の該複数のチャネルの性能を推定するステップと、
e.サブセットn内の該複数のチャネルの性能が基準を満たすまで、ステップcおよびdを繰り返すステップと、
f.該基準を満たした該複数のチャネル内のチャネルの数と等しくなるようにnを設定するステップと
を含む、請求項5に記載の方法。 - 前記基準は、前記複数のm個のチャネルの性能に劣らない前記残りの複数のチャネルの性能を含む、請求項6に記載の方法。
- 前記検出器の性能を推定することは、誤判定率、検出漏れ率、および待ち時間から成る群のうちの少なくとも1つを評価することを含む、請求項1に記載の方法。
- 前記検出器の性能を推定するステップは、相互検証法によって行なわれる、請求項1に記載の方法。
- 前記検出器は、サポートベクターマシンをベースとする検出器である、請求項1に記載の方法。
- 前記サポートベクターマシンをベースとする検出器は、ラジアル基底カーネルを含む、請求項10に記載の方法。
- 前記ラジアル基底カーネルは、非線形である、請求項11に記載の方法。
- 患者特異的癲癇発作検出器であって、
複数のm個のEEGチャネルに対応する複数の電極と、
再帰的特徴の排除を使用して、該複数のm個のEEGチャネルのチャネルのサブセットnを選択するように構成されるプロセッサであって、該検出器が、該チャネルのサブセットnに応じて構成される、プロセッサと、
発作を検出する際の該検出器の性能を推定するように構成される、推定器と
を含む、検出器。 - 前記サブセットnは、複数の最も有用でないチャネルを差し引いた前記複数のm個のチャネルを含み、それにより、該最も有用でないチャネルは、該残りの複数のチャネルの性能が基準を満たすまで、該複数のm個のチャネルから該最も有用でないチャネルを再帰的に除去し、該残りの複数のチャネルの性能を推定することによって判定され、該サブセットnは、該基準を満たした該複数のチャネル内のチャネルの数よりも1多い該複数のチャネル内のチャネルの数と等しい、請求項13に記載の検出器。
- 前記推定器は、誤判定率、検出漏れ率、および待ち時間から成る群のうちの少なくとも1つから前記検出器の性能を推定する、請求項13に記載の検出器。
- 前記検出器は、サポートベクターマシンをベースとする検出器である、請求項13に記載の検出器。
- 前記サポートベクターマシンをベースとする検出器は、ラジアル基底カーネルを含む、請求項16に記載の検出器。
- 前記ラジアル基底カーネルは、非線形である、請求項17に記載の検出器。
- 患者特異的癲癇発作検出器であって、
複数のm個のEEGチャネルに対応する複数の電極と、
再帰的特徴の追加を使用して、該複数のm個のEEGチャネルのチャネルのサブセットnを選択するように構成されるプロセッサであって、該検出器が、該チャネルのサブセットnに応じて構成される、プロセッサと、
発作を検出する際に該検出器の性能を推定するように構成される、推定器と
を含む、検出器。 - 前記サブセットnは、複数の最も有用でないチャネルを差し引いた前記複数のm個のチャネルを含み、それにより、該サブセットnは、該サブセットn内のチャネルの性能が基準を満たすまで、該複数のm個のチャネルから最も有用なチャネルを追加し、該サブセットn内のチャネルの性能を推定することによって、漸次的に判定され、該サブセットnは、該基準を満たした該複数のチャネル内のチャネルの数と等しい、請求項19に記載の検出器。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US96589007P | 2007-08-23 | 2007-08-23 | |
PCT/US2008/010030 WO2009025863A1 (en) | 2007-08-23 | 2008-08-22 | Method and apparatus for reducing the number of channels in an eeg-based epileptic seizure detector |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2010536479A true JP2010536479A (ja) | 2010-12-02 |
Family
ID=40044018
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2010521895A Withdrawn JP2010536479A (ja) | 2007-08-23 | 2008-08-22 | Eegをベースとする癲癇発作検出器内のチャネルの数を減少させるための方法および装置 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20090082689A1 (ja) |
EP (1) | EP2182842A1 (ja) |
JP (1) | JP2010536479A (ja) |
CN (1) | CN101835420A (ja) |
BR (1) | BRPI0817035A2 (ja) |
WO (1) | WO2009025863A1 (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016513534A (ja) * | 2013-03-15 | 2016-05-16 | パーシスト ディベロップメント コーポレーション | 複数患者のeeg監視 |
JP2016514022A (ja) * | 2013-03-14 | 2016-05-19 | パーシスト ディベロップメント コーポレーション | qEEGの算出方法およびシステム |
Families Citing this family (55)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5309126B2 (ja) | 2007-03-29 | 2013-10-09 | ニューロフォーカス・インコーポレーテッド | マーケティング及びエンタテインメントの効率解析を行うシステム、方法、及び、装置 |
EP2142082A4 (en) | 2007-05-01 | 2015-10-28 | Neurofocus Inc | NEUROINFORMATIC REFERENCE SYSTEM |
US9886981B2 (en) | 2007-05-01 | 2018-02-06 | The Nielsen Company (Us), Llc | Neuro-feedback based stimulus compression device |
US8392253B2 (en) | 2007-05-16 | 2013-03-05 | The Nielsen Company (Us), Llc | Neuro-physiology and neuro-behavioral based stimulus targeting system |
WO2008154410A1 (en) * | 2007-06-06 | 2008-12-18 | Neurofocus, Inc. | Multi-market program and commercial response monitoring system using neuro-response measurements |
EP2170161B1 (en) | 2007-07-30 | 2018-12-05 | The Nielsen Company (US), LLC. | Neuro-response stimulus and stimulus attribute resonance estimator |
JP5539876B2 (ja) | 2007-08-28 | 2014-07-02 | ニューロフォーカス・インコーポレーテッド | 消費者経験査定装置 |
US8386313B2 (en) | 2007-08-28 | 2013-02-26 | The Nielsen Company (Us), Llc | Stimulus placement system using subject neuro-response measurements |
US8392255B2 (en) | 2007-08-29 | 2013-03-05 | The Nielsen Company (Us), Llc | Content based selection and meta tagging of advertisement breaks |
US20090083129A1 (en) | 2007-09-20 | 2009-03-26 | Neurofocus, Inc. | Personalized content delivery using neuro-response priming data |
US8494610B2 (en) | 2007-09-20 | 2013-07-23 | The Nielsen Company (Us), Llc | Analysis of marketing and entertainment effectiveness using magnetoencephalography |
JP2009265876A (ja) * | 2008-04-24 | 2009-11-12 | Sony Corp | 制御装置、制御方法、制御方法のプログラム及び制御方法のプログラムを記録した記録媒体 |
US20100250325A1 (en) | 2009-03-24 | 2010-09-30 | Neurofocus, Inc. | Neurological profiles for market matching and stimulus presentation |
GB0906029D0 (en) * | 2009-04-07 | 2009-05-20 | Nat Univ Ireland Cork | A method of analysing an electroencephalogram (EEG) signal |
US20100280335A1 (en) * | 2009-04-30 | 2010-11-04 | Medtronic, Inc. | Patient state detection based on supervised machine learning based algorithm |
US20110015537A1 (en) * | 2009-07-15 | 2011-01-20 | General Electric Company | Method, apparatus and computer program for monitoring specific cerebral activity |
US8655437B2 (en) | 2009-08-21 | 2014-02-18 | The Nielsen Company (Us), Llc | Analysis of the mirror neuron system for evaluation of stimulus |
US10987015B2 (en) * | 2009-08-24 | 2021-04-27 | Nielsen Consumer Llc | Dry electrodes for electroencephalography |
US9560984B2 (en) | 2009-10-29 | 2017-02-07 | The Nielsen Company (Us), Llc | Analysis of controlled and automatic attention for introduction of stimulus material |
US8209224B2 (en) | 2009-10-29 | 2012-06-26 | The Nielsen Company (Us), Llc | Intracluster content management using neuro-response priming data |
US20110106750A1 (en) | 2009-10-29 | 2011-05-05 | Neurofocus, Inc. | Generating ratings predictions using neuro-response data |
US8335715B2 (en) * | 2009-11-19 | 2012-12-18 | The Nielsen Company (Us), Llc. | Advertisement exchange using neuro-response data |
US8335716B2 (en) | 2009-11-19 | 2012-12-18 | The Nielsen Company (Us), Llc. | Multimedia advertisement exchange |
WO2011133548A2 (en) | 2010-04-19 | 2011-10-27 | Innerscope Research, Inc. | Short imagery task (sit) research method |
US8655428B2 (en) | 2010-05-12 | 2014-02-18 | The Nielsen Company (Us), Llc | Neuro-response data synchronization |
US8392251B2 (en) | 2010-08-09 | 2013-03-05 | The Nielsen Company (Us), Llc | Location aware presentation of stimulus material |
US8392250B2 (en) | 2010-08-09 | 2013-03-05 | The Nielsen Company (Us), Llc | Neuro-response evaluated stimulus in virtual reality environments |
US8478394B2 (en) * | 2010-08-16 | 2013-07-02 | Brainscope Company, Inc. | Field deployable concussion assessment device |
US8396744B2 (en) | 2010-08-25 | 2013-03-12 | The Nielsen Company (Us), Llc | Effective virtual reality environments for presentation of marketing materials |
US11170310B2 (en) | 2012-01-25 | 2021-11-09 | The Regents Of The University Of California | Systems and methods for automatic segment selection for multi-dimensional biomedical signals |
US9569986B2 (en) | 2012-02-27 | 2017-02-14 | The Nielsen Company (Us), Llc | System and method for gathering and analyzing biometric user feedback for use in social media and advertising applications |
US9451303B2 (en) | 2012-02-27 | 2016-09-20 | The Nielsen Company (Us), Llc | Method and system for gathering and computing an audience's neurologically-based reactions in a distributed framework involving remote storage and computing |
US9292858B2 (en) | 2012-02-27 | 2016-03-22 | The Nielsen Company (Us), Llc | Data collection system for aggregating biologically based measures in asynchronous geographically distributed public environments |
EP2827769A4 (en) | 2012-03-19 | 2015-11-25 | Univ Florida | METHOD AND SYSTEMS FOR BRAIN FUNCTIONAL ANALYSIS |
US8989835B2 (en) | 2012-08-17 | 2015-03-24 | The Nielsen Company (Us), Llc | Systems and methods to gather and analyze electroencephalographic data |
US20140121554A1 (en) * | 2012-10-29 | 2014-05-01 | The Johns Hopkins University | Seizure detection device and systems |
US9320450B2 (en) | 2013-03-14 | 2016-04-26 | The Nielsen Company (Us), Llc | Methods and apparatus to gather and analyze electroencephalographic data |
US9622702B2 (en) | 2014-04-03 | 2017-04-18 | The Nielsen Company (Us), Llc | Methods and apparatus to gather and analyze electroencephalographic data |
CN104173044A (zh) * | 2014-08-15 | 2014-12-03 | 浙江大学医学院附属第二医院 | 一种用于癫痫治疗的闭环系统 |
US10499823B2 (en) | 2014-11-06 | 2019-12-10 | Tata Consultancy Services Limited | Selection of electroencephalography (EEG) channels valid for determining cognitive load of a subject |
US9936250B2 (en) | 2015-05-19 | 2018-04-03 | The Nielsen Company (Us), Llc | Methods and apparatus to adjust content presented to an individual |
CN105760861B (zh) * | 2016-03-29 | 2020-05-12 | 华东师范大学 | 一种基于深度数据的癫痫发作监控方法及系统 |
CN106037725B (zh) * | 2016-06-28 | 2019-08-27 | 中国科学院苏州生物医学工程技术研究所 | 基于小波包变换的生物电脑部信号分析方法 |
WO2018147407A1 (ja) * | 2017-02-10 | 2018-08-16 | 日本光電工業株式会社 | 体内装置からの通信データ量を変更可能なブレインマシンインターフェースシステム、およびその制御方法 |
US11123018B2 (en) | 2017-05-28 | 2021-09-21 | Islamic Azad University, Najafabad Branch | Extracting a mother wavelet function for detecting epilleptic seizure |
EP3684463A4 (en) | 2017-09-19 | 2021-06-23 | Neuroenhancement Lab, LLC | NEURO-ACTIVATION PROCESS AND APPARATUS |
US11717686B2 (en) | 2017-12-04 | 2023-08-08 | Neuroenhancement Lab, LLC | Method and apparatus for neuroenhancement to facilitate learning and performance |
US11478603B2 (en) | 2017-12-31 | 2022-10-25 | Neuroenhancement Lab, LLC | Method and apparatus 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 |
EP3849410A4 (en) | 2018-09-14 | 2022-11-02 | Neuroenhancement Lab, LLC | SLEEP ENHANCEMENT SYSTEM AND METHOD |
US11020042B2 (en) * | 2019-05-15 | 2021-06-01 | Know Biological, Inc. | Seizure detection device |
US11786694B2 (en) | 2019-05-24 | 2023-10-17 | NeuroLight, Inc. | Device, method, and app for facilitating sleep |
CA3191782A1 (en) * | 2020-09-08 | 2022-03-17 | Kurt E. Hecox | Systems and methods for seizure detection with a statistical analysis and an artificial intelligence analysis |
CN112684897A (zh) * | 2020-12-30 | 2021-04-20 | 哈尔滨工业大学 | 一种基于svm典型相关分析的脑电通道选择算法 |
CN116138784B (zh) * | 2023-02-27 | 2024-03-15 | 海南大学 | 一种脑机接口的信号采集装置及脑机接口系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2000010455A1 (en) * | 1998-08-24 | 2000-03-02 | Emory University | Method and apparatus for predicting the onset of seizures based on features derived from signals indicative of brain activity |
EP2276401A4 (en) * | 2008-04-15 | 2014-02-05 | Tufts Medical Ct | ECG MONITORING OF A FETUS |
-
2008
- 2008-08-22 BR BRPI0817035A patent/BRPI0817035A2/pt not_active IP Right Cessation
- 2008-08-22 EP EP08795547A patent/EP2182842A1/en not_active Withdrawn
- 2008-08-22 JP JP2010521895A patent/JP2010536479A/ja not_active Withdrawn
- 2008-08-22 WO PCT/US2008/010030 patent/WO2009025863A1/en active Application Filing
- 2008-08-22 CN CN200880112786A patent/CN101835420A/zh active Pending
- 2008-08-22 US US12/196,690 patent/US20090082689A1/en not_active Abandoned
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016514022A (ja) * | 2013-03-14 | 2016-05-19 | パーシスト ディベロップメント コーポレーション | qEEGの算出方法およびシステム |
JP2016513534A (ja) * | 2013-03-15 | 2016-05-16 | パーシスト ディベロップメント コーポレーション | 複数患者のeeg監視 |
Also Published As
Publication number | Publication date |
---|---|
CN101835420A (zh) | 2010-09-15 |
BRPI0817035A2 (pt) | 2019-02-26 |
WO2009025863A1 (en) | 2009-02-26 |
EP2182842A1 (en) | 2010-05-12 |
US20090082689A1 (en) | 2009-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2010536479A (ja) | Eegをベースとする癲癇発作検出器内のチャネルの数を減少させるための方法および装置 | |
Shoeb et al. | Patient-specific seizure onset detection | |
Billeci et al. | Patient-specific seizure prediction based on heart rate variability and recurrence quantification analysis | |
Buettner et al. | High-performance detection of epilepsy in seizure-free EEG recordings: A novel machine learning approach using very specific epileptic EEG sub-bands. | |
US9326698B2 (en) | Method for automatic, unsupervised classification of high-frequency oscillations in physiological recordings | |
Wilson et al. | Spike detection: a review and comparison of algorithms | |
Zhu et al. | Migraine classification using somatosensory evoked potentials | |
US10154790B2 (en) | Method and system for monitoring sleep | |
US10278608B2 (en) | Detection of epileptogenic brains with non-linear analysis of electromagnetic signals | |
Islam et al. | EEG mobility artifact removal for ambulatory epileptic seizure prediction applications | |
WO2012021789A1 (en) | Methods and apparatus for risk assessment of developmental disorders during early cognitive development | |
Qaraqe et al. | Band-sensitive seizure onset detection via CSP-enhanced EEG features | |
US20080021340A1 (en) | Detection of focal epileptiform activity | |
Van Esbroeck et al. | Multi-task seizure detection: addressing intra-patient variation in seizure morphologies | |
WO2014152565A1 (en) | Wavelet analysis in neuro diagnostics | |
Temko et al. | Instantaneous measure of EEG channel importance for improved patient-adaptive neonatal seizure detection | |
Stone et al. | Automatic removal of physiological artifacts in EEG: the optimized fingerprint method for sports science applications | |
Alotaibi et al. | Ensemble Machine Learning Based Identification of Pediatric Epilepsy. | |
Fan et al. | Automated epileptic seizure detection based on break of excitation/inhibition balance | |
Newman et al. | Automatic nystagmus detection and quantification in long-term continuous eye-movement data | |
Wang et al. | Seizure classification with selected frequency bands and EEG montages: a Natural Language Processing approach | |
Abbaszadeh et al. | Optimum window size and overlap for robust probabilistic prediction of seizures with ieeg | |
Mridha et al. | Temporal features and machine learning approaches to study brain activity with EEG and ECG | |
Chakrabarti et al. | A review on epileptic seizure detection and prediction using soft computing techniques | |
Shoeb et al. | Impact of patient-specificity on seizure onset detection performance |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20110819 |
|
A072 | Dismissal of procedure [no reply to invitation to correct request for examination] |
Free format text: JAPANESE INTERMEDIATE CODE: A073 Effective date: 20130104 |
|
A300 | Application deemed to be withdrawn because no request for examination was validly filed |
Free format text: JAPANESE INTERMEDIATE CODE: A300 Effective date: 20130108 |