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

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。

（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。

（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。

（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。

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ＳＶＭ^{ｌｉｇｈｔ}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。

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。

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。

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。

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２^２１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。

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２^２１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。

発作ファイル１点除外プロセスは、以下のように記述可能である。

関数

は、ファイルｓ上で使用される場合の検出器ｄの性能を計算し、平均的性能

の測定値を更新する。

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。

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Ｄ_ｏｒｉｇ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。

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、Ｄ_ｏｒｉｇ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、Ｄ_ｏｒｉｇ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、２^ｍ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Ｄ_ｏｒｉｇ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、Ｃ_ｓ、Ｃ_０、およびＣ_ｂ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。Ｎ_ｓ、Ｎ_０、およびＮ_ｂ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、Ｃ_０＋Ｃ_ｓ≠Ｃ_ｂ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)

1. 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。
2. 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。
3. 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。
4. 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。
5. 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。
6. 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。
7. 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。
8. 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。
9. 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。
10. 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。
11. 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。
12. 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。
13. 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。
14. 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。
15. 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。
16. 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。
17. 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。
18. 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。
19. 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。
20. 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。

Images