JP2013536053A - モニタリング又は予測システムおよびモニタリング又は予測の方法 - Google Patents

Abstract

以下のシステムを含む神経学的事象の発生を検出するためのモニタリング又は予測装置。神経学的に導出された信号のデジタル表現から成る、神経学的な電気的インプット；デジタル信号をデジタル・データ列に変換するコンバータ；及びモニタから出力されるデジタル・データ列において繰り返し発生するパターンカウントもしくは割合に関連する、パターン由来のパラメータに従属する神経学的事象の発生や発生の可能性の指標となる、パターンに由来するパラメータを測定するためのモニタ。

Description

本発明は、モニタリング又は予測システム、及び神経の電気信号をモニタリング又は予測する方法に関する。

てんかん発作の監視および予測をするための重要な試みが絶えず行われている。ほとんどの予測方法では、頭皮外部や頭皮下、又は脳深部に電極を配置し、脳内の神経活動を表す電気信号を検出して解析する。

脳電図（ＥＥＧ）とは、脳内の神経細胞（ニューロン）の発火によって生成される、脳内の電気的活動を記録するためのシステムである。複数の電極が頭皮上に設置されるが、電極は脳表に直接配置したり、脳内に配置することも可能である。ＥＧＧ信号は４Ｈｚ未満から１００Ｈｚを超える範囲の異なる波形から構成される。神経活動を検出し記録するその他の装置には、大脳皮質から直接発生する信号をとらえる脳皮質電図（ＥＣｏＧ）や磁気共鳴機能画像法（ＦＭＲＩ）などがある。
てんかんは、潜在的な神経学的エピソードの一例にすぎない。

本発明をより理解しやすくするために、実施形態は以下の添付図面や例を使って説明される。

ＦＩＧ．１は、本発明を具体化した装置またはシステムを使用した電極部位の第一セットを示す。 ＦＩＧ．２は、本発明を具体化した装置またはシステムを使用した電極部位の別のセットを示す。 ＦＩＧ．３は、発作リスクと神経活動信号異常の関係を示すグラフである。 ＦＩＧ．４は、本発明を具体化したモニタリング又は予測装置のブロック図である。 ＦＩＧ．５は、本発明を具体化して神経活動信号の収集と解析するための、本発明を具体化したシステムを示す概略ブロック図である。 ＦＩＧ．６は、図５のシステムの実施形態を用いて達成された異常結果の表である。 ＦＩＧ．７は、発作前および発作中におけるパターン数の一例であり、発作中は陰影が付けられている。 ＦＩＧ．８は、時間の経過と共に変化するパターン数の一例を示すグラフである。 ＦＩＧ．９は、本発明の実施形態による神経活動データの解析を行うために設計されたグラフィカル・ユーザー・インターフェースを示す。 ＦＩＧ．１０は、本発明を具体化したモニタリング又は予測装置の別のブロック図を表したものである。 Ｔａｂｌｅ Ｉは、１０ニブル・パターン・マトリクスを示す。 Ｔａｂｌｅ ＩＩは、９ニブル・パターン・マトリクスの最初の部分の一例を示す。 Ｔａｂｌｅ ＩＩＩは、８ニブル・パターン・マトリクスの最初の部分の一例を示す。 Ｔａｂｌｅ ＩＶは、７ニブル・パターン・マトリクスの最初の部分の一例を示す。 Ｔａｂｌｅ Ｖは、６ニブル・パターン・マトリクスの最初の部分の一例を示す。 Ｔａｂｌｅ ＶＩは、発作前と発作発生中を区別する初期結果を示す。 Ｔａｂｌｅ ＶＩＩは、完全なデータセットを解析する際のパターン数の変化に関連する過去の結果を示す。 ＦＩＧ．１１は、単一患者から採取した１２０００以上の電極測定値のスナップショットであり、太線は通常の状態を反映したものであり、細線は同じ患者の発作中の測定値を表している。 ＦＩＧ．１２は、ＦＩＧ．１１を実行した際の電極測定値４０００から５２００の測定値の詳細である。 ＦＩＧ．１３は、ＦＩＧ．１１を実行した際の電極測定値４８００から５０４０の測定値の詳細である。 ＦＩＧ．１４は、異なる患者における利用可能なデータのケースリストである。 ＦＩＧ．１５は、ケース７の生データと処理データを示す。 ＦＩＧ．１６は、発作状態下で特定された１０ニブル・パターンのパターン数、実行１３及び異常比率の要約を表す。 ＦＩＧ．１７は、ＦＩＧ．１６で示されたパターン数と同じ情報を表すが、実行１４は同一患者から通常時に採取されたものである。 ＦＩＧ．１８は、本発明の実施形態による神経活動データの解析を行うために設計された第二グラフィカル・ユーザー・インターフェースを示す。

本発明の一実施形態は、神経信号をモニタリングや予測する装置である。この装置は、脳から神経活動を示す信号を受信するのに適している一つ以上のセンサからの入力を受信する。

電極や電気的接触は、脳から神経活動を検出するセンサ、すなわち神経活動センサの好ましい形態である。便宜上、本仕様においては、神経活動センサは電極または電気的接触を意味するが、神経活動の検出または導出を行う非電気的センサを電気的センサの代替もしくは同等のものとして使用することも可能である。入力として使用する場合と同様に、電気的接触は脳の一部もしくは部分に神経刺激を与えるための出力として構成される場合がある。

電極の設置および固定には慣例があり（ＦＩＧ．１及び２を参照）、この点についてはここではこれ以上議論しない。

脳から発生される電気信号には、律動的なパターンや異常が含まれる。ランダムに発生し、律動的な信号パターンと一致しない電気的信号を、異常とする。電気的信号の中の律動的なパターンに対する異常の割合が増加すると、てんかん発作などの神経学的エピソードの可能性が高まることは、本発明の前提の一つである。この関係は、ＦＩＧ．３にて図示されている。

シグネチャなど、個々の異常についての特異的同定は、てんかん発作などの神経学的事象の可能性の予測や監視の有益な情報を提供するのに必要となる訳ではない。しかし、特定の異常が神経学的事象の発生の指標となることもある。

信号処理技術を使用してパターンを検出したり、通常の状態を示すパターンを特定するパターン比を作成したり、これらのパターンを用いててんかん発作中の状態を区別したりする一方で、信号パターンの異なるクラスを区別するのに、より観察的な技術も用いることができる。

ＥＥＧから受信した電気的信号は、浮動小数点データとして受信される。浮動小数点データは、その後、ユーザーによって事前設定もしくは制御することができる所定の特性に従い、デジタル化および加重される。ＦＩＧ．１１は、浮動小数点データから取得された加重グラフを示す。ＦＩＧ．１１において、電気測定値は毎秒２５６のレートで取得されている。ＦＩＧ．１１の太線は、患者の通常時に取得した、デジタル化および加重された浮動小数点データを表す。細線は、同一患者の発作前および発作中に取得された電気計測値を表す。浮動小数点データの処理には、完全に同一のスケーリングおよび加重が用いられている。ＦＩＧ．１１からは、通常時、電気測定値はほぼ律動的な性質を示すことが明確に読み取れる。発作中には、電気測定値がより不安定になっていることが明らかである。律動的な電気測定値は通常時の特性であり、疑似ランダムな電気測定値が発作時の特性であるということが、このデータの所見から観測できる。これらの特性は、電気的処理／信号処理により、患者が通常状態にあるのか、発作状態にあるのかの可能性を判断するのに使用することができる。電気測定値の特性がほぼ律動的なパターンから逸脱する場合、この逸脱を患者が通常の状態から発作状態に移行しつつあることを警告するトリガとして使用することができる。

本発明の実施形態は、しきい値の決定を行うために複数の測定を採用しており、これらの測定の一部を以下に説明する。本発明は、特定のパターンに由来するパラメータのプロファイルに応じてしきい値化したり反応したりする、パターン由来のパラメータに基づき判断を行う。したがって、パターン由来のパラメータが所定しきい値又は獲得しきい値を超えたり、下回ったりする場合は、上記指標および与えられた指標に対応して判断される。同様に、パターン由来のパラメータはプロファイル化が可能であり、パラメータが逸脱などの特定の傾向を示した場合には、与えられた指標に対応して判断される。パターン由来のパラメータは、デジタル・データ列で繰り返し発生する一つ以上のパターンに関する情報を提供する、デジタル・データ列の観察または操作によって生成されるパラメータである。パターン由来のパラメータの例は以下のとおりである。データ実行で特定されるパターン数、特定の長さのパターンの全データ・ペイロードに対する割合、これらの組み合わせ、パターン由来のパラメータのプロファイルやシグネチャを含む（特定のパターン由来パラメータの変化率のモニタリングなど）。

パターン由来のパラメータのしきい値やプロファイルは、モニタリングや予測システムによって学習できるほか、モニタされるユーザーの個々の特性に応じて変化させることができる。モニタの学習には、既知の経験則、神経回路網、および人工知能技術が使用される。

信号の収集と解析システムの基本的な実施形態は、デジタル形式もしくはアナログからデジタルに変換するいずれかの神経活動信号を取得し、信号を文字列に置き替える。文字列は２進法、１６進法、又は他のベースで表される。１６進法を構成する一連の文字は、文字０．．．９、Ａ．．．Ｆの文字列が好ましい。重要なことは、文字が特性のパターンを表せることである。

所定のビット長またはニブル長のスライディング・ウィンドウは、データ列上に配置され、ウィンドウ内にあるデータ文字はパターンであるとみなされる。パターン及びパターンのさらなる出現数は記録され、ウィンドウは全データ列上にスライドされる。ウィンドウは、データ列のビット毎に進むことも可能であるが、複数のビットもしくは潜在的には疑似ランダム的に進むこともある。基本的に、システムは各パターンの出現回数を数え、パターン数に基づいてさまざまなデータのパラメータや特性付けの作成を行う。パターン数の変化は、脳が発作前もしくは発作中であるかどうかの指標を提供するために示される。また、このシステムは、パターン数に由来するパラメータ又は特性に基づいた発作状態発生の兆候を表す出力を備えている。

モニタリングや予測システムの最も基本的な実施形態は、パターン数と神経活動の変化の間にみられる関係を用いて、てんかん発作などの兆候である神経活動の変化を示すパターン数に変わったかどうかを判断する解析に基づき、ユーザーに警告を与えるモニタリングや予測システムを提供することである。解析は、内部保存された過去のパターン数の比に基づいて、あるいはその場でモニタリングや予測装置によって処理することが可能で、受信データやユーザーによって異なるパラメータの所定のしきい値と比較される。

モニタリングや予測システムの出力は、有線出力、無線出力、Ｂｌｕｅｔｏｏｔｈ（登録商標）出力、光出力、オーディオ出力またはその他の装置によって行い、ユーザーに警告を与えたりレポートを行ったりする。特に好ましい方法は、継続的に警報状態を通知する信号機のインジケータを使用したものである。インジケータの状態は、発作の発生リスクの兆候がない場合には緑色になり、発作の発生リスクがある場合には黄色に変わる。赤色に変化したときは、発作が起こる直前か発作中であることを示す。

モニタリングや予測装置は、頭蓋冠の一部の形状をしたＥＥＧ電極、又は頭蓋骨に配置または取り付けられる電極の配列など、一つ以上の神経活動センサへの入力接続を備えた電子ハードウェアとして構成される。装置は、ヘッドギアに装備するか頭蓋骨上に取り付けるなどして、モニタリングや予測装置から各センサへの経路もしくは距離ができる限り短くなるようにすることが好ましい。装置は、内部電源を装備していることが好ましいが、外部電源に接続することも可能である。

ＦＩＧ．４に示すとおり、本発明の一実施形態におけるモニタリングや予測装置１には、その機能性によって定義された複数のモジュールが含まれる。さまざまな実施形態におけるモジュールは以下のとおり。すべてのモジュールがモニタリングや予測装置の共有ハウジングに含まれているもの、又はいくつかのモジュールが頭蓋骨または身体に配置されたモニタリングや予測装置から離れた場所にあり、有線または無線接続によって接続されているもののいずれか。

モニタリングや予測装置１は、４つの基本的なモジュールによって構成される。センサから神経活動を表す入力信号を受信するシグナル・ソーシング・モジュール２、サンプリングされた信号を受信しデータ列を作成する前処理モジュール３、データ列を解析し繰り返しのパターンを表示するパターン検索モジュール４、パターンを解析し分析されたパターンに応じてモニタ及び／又はプレディクタ出力を生成するパターン・モニタ・モジュール５。

ＦＩＧ．１４は、様々な状態の患者から採取された利用可能な過去のＥＥＧデータ（たいていは正常もしくは異常のいずれかで、異常は発作前もしくは発作状態を示す）のケースリストである。

本装置のさらなる実施形態において、ＦＩＧ．４で示すとおり、脳のある部分への電気的もしくはその他の刺激を与えるために神経スティミュレータが使用される。刺激は、装置のモニタ及び／又はプレディクタ出力に対応して供給されるものが好ましい。

ＦＩＧ．１５は、ケース７における生データ及び処理データを示す。生データは、デジタル化および加重される前に取得された、ＥＥＧのオリジナルの浮動小数点データから成る。処理データは、パターンを誘導することが可能なデジタル化および加重されたデータを表す１６進法の文字を示す。

ＦＩＧ．１６は、発作中に取得されたデータにおいて、ケース７の実行１３で特定されたパターンを示す。ファイルのサイズは４０７３２ビットで、１０ニブル・パターンが４１５６パターン特定され、３６５７６の異常が特定されず残り、密度異常性もしくは比率は８９．９％となった。

ＦＩＧ．１７は、ケース７の同一患者が通常の状態時に取得したデータで、ケース７の実行１４の結果を示す。同様に、ファイルのサイズは４０７３２ビットで、３９０９０パターンが特定され、１６４２の異常が特定されずに残り、密度異常性もしくは比率は４．０３％となった。これは、パターン／密度異常性や比率の直接的な違いとなり、通常の状態もしくは発作が発生している時に取得されたデータ信号の即時特性評価が可能となる。発作の発生中に存在する異常割合は、通常の状態で存在する異常割合に比べてはるかに大きい。しきい値は、例えばリアルタイムで１０秒の測定値を継続的に監視し、パターン比やパターンがしきい値を超えているか、又はしきい値内であるかの判断を下し、さらにこのパターン由来のパラメータのモニタリングに対応してアラートや予測を行うことができるモニタリングや予測装置によって判断又は獲得することができる。従来のパターン解析およびパターン派生メカニズムにより、パターンの派生、特定、カウント、監視を行うことができる。

ＦＩＧ．５は、モジュールを介してライブデータをストリーミングしたり格納されたデータを実行したりする機能を備えた、より大規模でより詳細なネットワークの一部であるモニタリングや予測装置１のモジュール２、３、４、５を示す。

ＦＩＧ．４については、シグナル・ソーシング・モジュール２は、ＥＧＧ電極から神経活動の入力信号（アナログ信号として）を受信するために、増幅器１００もしくは前置増幅器を備える。増幅器のダウンストリームには、アナログからデジタルへのコンバータ１０５（又は多重化されたアナログからデジタルへのコンバータ）があり、サンプリング周波数ｆｓで作動し、電極１０からの各増幅ＥＧＧ信号を入力として有する。

アナログからデジタルコンバータ１１０へサンプリングされた出力は、ＨＥＸコンバータにより１６進法に変換されたバイナリ文字列である。１６進法の使用は、モニタリングしている信号でのパターンの存在を可視化したり、直接的な理解を得たりするのに特に有効である。

アナログからデジタルへのコンバータは、単一ニューロン及び局所電場電位（ＬＦＰ）信号に対し、ＥＥＧでは１２８−５１２Ｈｚ、ＥＣｏＧでは１０−３−Ｈｚの典型的なサンプリング周波数（ｆｓ）で使用される。適用に応じて、変換により８-１６ビットのデータとなる可能性がある。ソフトウェア（及びマイクロコントローラ・ハードウェア）の格納時に、この情報は最も低いレベルでは２進法で表されるが、抽象概念における高いレベルでは、１６進法（ＨＥＸ）で表される。したがって、データは既に英数字形式で提供されている。

六角形的な出力は、この例においてはＮ−ｇｒａｍモデルで構成されている、パターン検索モジュール４に送られる。

さらに、データを２^Ｄ（Ｄは整数）で除算して低減されたデータ形式になるようにし、データ表現の損失レベルを調整することができる。言い換えると、１６ビット数をＤ＝８で除算することにより、８ビット数に低減する。

パターン検索モジュール４におけるＮ−ｇｒａｍプロセスは、信号中のすべてのパターンを抽出する。パターンが抽出されると、有意のパターン数がカウントされる。有意なパターンとは、２回以上発生したパターンであるが、その他のしきい値制限が選択でき、異なるパターンサイズに変更することができる場合がある。より大きなパターンサイズ、すなわち列長の長いパターンの繰り返しはより少なくなる。

パターン数は監視され、パターンモニタに保存されている過去に派生したしきい値を下回った場合、パターンモニタが状態の変化を出力する。有意なパターン数は次の二つの方法によって定量化される。（１）すべてのパターンの合計出現回数から有意なパターン数をはずす、及び（２）合計パターン数から割合が有意であったパターンを抜き出す。前者は結果の下に表示されており、後者の方法による定量化は同様の結果となったため、ここでは表示しない。これらのパターン数は、現在の解析ウィンドウと発作状態時の以前のウィンドウ間の比率として定量化することができる。

１６進法による出力は、サンプリングされ、パターンが特定され、カウントされたものである。

ＦＩＧ．６において、６Ａ、６Ｂ、６Ｃ、及び６Ｄの４連の結果がある。「ＮＣ」列は、神経学的事象以前に取得されたデータである（発作前）。「ＡＮＣ２」列は、発作開始時および事象発生中（発作中）に取得されたデータである（ＦＩＧ．６の表下部のタイミング・ダイアグラムを参照）。

６Ａは、処理していない結果である。６Ｂでは、特定のパターン、特に１６進法において「００」もしくは「ＦＦ」に等しいヌル信号に対する飽和信号を表すパターンが頻繁に発生していることが分かる。したがって、これらのパターンは、パターンのリストから除外される。６Ｃは、パターンのリストからすべての繰り返しパターンを除去する。繰り返しパターンは、より大きなパターンサイズのパターンリストで発生する、パターンのサブセットである。

その他の数字は、同一のデータ列に対して取得された９、８、７、及び６ニブルの類似のパターン・マトリクスを表す。Ｔａｂｌｅ ＩからＶは、１０ニブルから６ニブルの５つのパターンサイズにおける出現パターンと頻度の１ページ目を示す。

１６進法データ出力列に適用されたスライディング・ウィンドウから、６、７、８、９、又は１０ニブルとしてサンプリングされ、個々の異なるニブル・パターンの発生が記録されたデータが好ましい。Ｔａｂｌｅ Ｉに示される１０ニブル・パターン・マトリクスにおいて、「ＮＣ」データ取得期間中に最も頻発した１０ニブル・パターンは、「ＮＣ」データ取得期間中にそれぞれ５回ずつ発生した０２０１００ＦＦＦＥと２０１００ＦＦＦＥＦである。その他多数の１０ニブル・パターンが「ＮＣ」期間中に発生した。

シグナル・ソーシング・モジュールは、神経活動を表す入力信号Ｓ１−Ｓ７を、従来の手法（アタッチメント及び／又はアレイの両方）によって頭蓋骨に取り付けられた一つ以上のＥＥＧセンサ１０（ＦＩＧ．１及びＦＩＧ．２を参照）から受信する。この例において入力信号は、ＥＥＧセンサ１０から直接送られる電気信号Ｓ１−Ｓ７である。その他の実施形態では、入力信号はライブ・フィード又は記録されたデータセットからストリーミングされる場合がある。

好ましい実施形態においては、ＮＣ中に繰り返されたパターン数が、ＡＮＣ２中に繰り返されたパターン数と比較される。実際の発作中においては、通常、ＡＮＣ２よりもＮＣ中に繰り返されるパターンが多く発生する。結果として、発作中に特定可能なパターンが少ないということは、発作中の異常発生がより多いことを意味し、従って本発明の前提である繰り返しのパターンの異常割合の増加が、てんかん発作のような神経学的事象の発生のインジケータもしくはプレディクタになるということが言える。

繰り返しのパターン数の相対的な増加は、神経学的事象の発生の直接的なインジケータであり、装置がエピソード予測機能を実行できるようにするための有益な情報である。神経学的事象の発生の可能性は、繰り返しのパターン数の増加に伴う。

本発明は、てんかん発作活動解析における障害に対応する側面を持つ。本発明により、きちんと注釈づけ及びデータベース化された一貫したデータを使用することが可能になり、今後も使用できるフレームワークの確立、そしてその同じフレームワークへの結果の保存を行えるようになる。ＦＩＧ．５で示されるシステムは、このフレームワークを表す。

ＦＩＧ．５は、データ取得、ユーザー・インターフェース及び処理ブロックを示す。理論的には、これらの構成要素は、植込み型神経モニタリング又は予測装置による取得、携帯電話やＰＣのユーザー・インターフェース、及びウェブ上でアクセスできるクラウド（Ａｍａｚｏｎ ＥＣ２など）の処理ユニットなど、他の技術的な実施により置き換えることが可能である。これらの要素の分布は、信号処理の要件（計算の複雑性）及び適用スペースによって異なる。

過去のデータのパターン解析は、パターンに関連する一連のパラメータを生み出す。神経学的事象が発生するかどうかの予測や判断は、リアルタイムのパターンを保存されているパラメータ、所定のパターン及びしきい値に相対的もしくは絶対的に照らし合わせることにより実行できる。モニタリングや予測装置は、神経学的事象の発生可能性の有無、もしくは発生直前であるかどうかを示す結果を、信号機の光出力のように赤、黄、緑で提供する。

脳から神経活動を検出するために使用される電極や電気的接触は、モニタリングや予測装置への入力となる。これらの入力は、刺激出力を供給するために逆にすることも可能である。また、本発明には脳のある部分への神経刺激の供給も含まれる。

刺激は、神経活動の変化、発作の発生、発作などを示すパターン数の変化などのモニタリングや予測装置によって測定もしくは監視されたパラメータのいずれかに対応して提供される可能性がある。したがって、装置からの信号機のインジケータは、てんかん発作などの神経学的事象すべての改善、オフセット、遅延や回避などの試みにおいて、標的を定めた刺激となる神経刺激のトリガとして使用することができる。神経刺激は、神経刺激発生装置２１によって提供される。これは、装置の一部としたり、装置出力に無線もしくは有線で接続したりすることができる。

ＦＩＧ．６について、このデータはドイツのＵｎｉｖｅｒｓｉｔｙ Ｈｏｓｐｉｔａｌ ｏｆ Ｆｒｅｉｂｕｒｇ Ｅｐｉｌｅｐｓｙ Ｃｅｎｔｒｅから入手した。使用されたデータは、２５６Ｈｚで事前サンプリングされ、１２８チャネル１６ビットデータ取得を使用して定量化された。全患者２１名の最初の発作は、このデータセットから使用された。ほとんどのケースにおいて、発作前の期間は最大１時間で、発作持続時間は１５〜１７０秒と様々だった。発作は、以下を含む複数の種類の発作がみられた。単純部分発作、複雑部分発作および全般性強直間代発作。

従来のパターン解析技術が用いられた。本発明は解析技術には関連していないが、パターンとデジタル化およびサンプリングされたデータのパターン比の識別は、通常時、発作前、及び発作中の患者に特徴的なものである。

このデータを用いて、２セットのテストを行った。最初のセットは、発作中と発作前期間を比較した場合、発作領域間でパターンに差異が見られるかどうかを定量化することを目的とした。これを実現するために、発作期間と等しいサイズの発作前期間のサンプルが抽出された。発作前データの各１０セクション間の平均パターン数が計算され、発作中のパターン数と比較された。この解析において、Ｄ＝８を使用し、１トークンが１バイト又は２桁のＨＥＸ文字の１電気計測値である、１２および１４のＮ−ｇｒａｍサイズのデータを解析した。これらの結果（Ｔａｂｌｅ ＶＩを参照）は、ほとんどのケースにおいてパターン数（Ｐ）が発作数（Ｓ）に比べてかなり異なっていたことを示す。２１例のうち１８例において、２５％を超えるパターン数の変化を示す比率が見られた。これらの結果は、発作前と発作発生中を区別することを目的としている。

第二のテスト解析のセットでは、発作前期間全体を使用し、５秒と１０秒のウィンドウに区分化した。Ｄ＝８を使用し、Ｎ−ｇｒａｍサイズ１０と１４のデータを解析した。典型的なパターン数がＦＩＧ．７に示されるこれらのデータセットで見られた。全患者２１名の結果を、Ｔａｂｌｅ ＶＩＩに示す。Ｔａｂｌｅ ＶＩＩは、完全なデータセットを解析した際の（パターン数の変化に関連する）以前の結果を示す。説明は、発作前期間と比較して視認できる変化が発生したことを示している。

明確なパターンが存在しており、興味深いことに、特定のＮ−ｇｒａｍサイズでは変化もしくは存在するものの、その他ではみられないパターンがある。ＦＩＧ．８の６０分目の急激な増加に見られるように、数分にわたり緩やかに減少した後に増加する、興味深いパターンが確認された。これらの理解により、２１名の患者中１８名においてＦＩＧ．６で説明される特徴を用いて検出することができると結論づける。Ｔａｂｌｅ ＶＩＩは異なるＮ−ｇｒａｍサイズでのパターンを示す。１２のＮ−ｇｒａｍにおけるパターンが１０のＮ−ｇｒａｍサイズの複製でない、つまり、パターンは独特であり、データ中のより大きなパターンのサブセットではないが、異なるＮ−ｇｒａｍサイズを使用したパターンは同一である。また、特定のパターンが患者特有の情報と相関するかどうかを特定するために、データのパラメータ（例えば、発作の種類）を確認する必要がある。

さらに過去のデータを収集し、パターンパラメータとしきい値を発達させるために、ＦＩＧ．５にモジュラー解析フレームワークを開示する。

ＦＩＧ．５のシステムは、ＳＱＬデータベースを使用したオープンなオンライン及び／又はリアルタイム解析ツール（ｗｗｗ．ｗｉｎａｍ．ｎｅｔ）で、複数のデータセットのケース及び実行を検証するのに使用され、ＦＩＧ．９で示されるようにウェブページ形式で表示される。ＦＩＧ．５のような構造では、データ・ソースはＲＳＳフィードやオフライン・データ・ソースを介することができる。処理（Ｎ−ｇｒａｍ）は、複数の並列処理を効率的に行うことができる独立した処理クラスタを介して実行される。これはユーザーが自由にアクセスでき、本稿で述べたアルゴリズム技術を遂行することができるオープンシステムである。データベース構造そのものは、ユーザーが複数の患者のケースを入力することを可能にし、それぞれのケースで特定のデータセット（ＥＥＧ、ＥＣｏＧ、ＥＣＧ等）やこれらのデータセットの一部を実行するように設計されている。

ＦＩＧ．１８は、本発明の実施形態による神経活動データの解析を行うために設計された第二のグラフィカル・ユーザー・インターフェースを示す。このインターフェースは、リアルタイム又はオフラインで、ロジック・モジュール４及び／又はダウンストリーム解析モジュールのパラメータを設定するために使用される。

ＦＩＧ．１８において、多数のパラメータが監視及び／又は調整され、（ポスト解析だけでなく）リアルタイムでデータに適用される可能性がある。記載されているパラメータは排他的ではなく、他のパラメータやサブパラメータも変更可能である。

「加重」パラメータは、ＥＥＧ信号の端数を切り捨てたものである。例えば、ＥＥＧ信号が５Ｈｚでサンプリングされた場合、ノイズを除去するためにサンプルの数は１２８で除算され、効果的に結果を「ズーム・イン」する。その後、１２８で除算された５Ｈｚのサンプル周波数はサンプルの整数にはならないため、端数を切り捨てる必要がある。好ましい実施形態においては、信号の数字は切り上げられる。

「インターバル」のパラメータは、ユーザーが希望する処理サイクルのウィンドウの長さである。一実施形態においては、インターバルの長さが１分の場合がある。

「周波数」のパラメータは、フレーム周波数であり、処理されるフレームの数に関係する。例えば、ユーザーが１時間のデータを有しており、１１分目から２０分目に焦点を当てる場合、ユーザーは１１分目までスキップし、いくつのフレームを読むかを選択することができる（例えば、３０秒のインターバルの長さで２０フレーム）。

「オプティマイザ」のパラメータは、適切な異常比を決めるのに最適なパターンの長さを決定する。例えば、２ビットのパターンの長さにおける異常は非常に少ないかみられない可能性が高いが、２０ビットのパターンの長さでは、複数の異常が確認される可能性がある。オプティマイザは、異常比のベンチマークを効果的に設定する。好ましい実施形態において、オプティマイザのパラメータは、異常比が１０％未満である各パターンの種類Ａ、Ｂ、Ｃ、Ｄ（例えば、ＦＩＧ．１７を参照すると、パターンＡの長さは１０ニブル、パターンＢ、Ｃ、及びＤでは０）を決定する。オプティマイザは、各パターン群の理想的な設定を自動的に決定することができる（ユーザー・インターフェースのＧＮＢＰ（Ａ−Ｄ）参照）。パターン群の設定は、各ＧＮＢＰ（Ａ−Ｄ）を個別もしくは同時に調整することにより、手動で上書きすることが可能である。

「ＳＤ」のパラメータ制御は、結果のしきい値標準偏差に関係する。

資料のレポート化など、その他のインポート機能は、神経学的事象のモニタリングや予測判断の基礎となる、さらなる可視化、結果の解析、パターンベースのパラメータのより一層の開発のため、容易に実装される。

本明細書及び特許請求の範囲で使用される場合、「成る」と「成っている」、及びその類語には、指定された特徴、手順、または整数が含まれることを意味する。用語は、他の特徴、手順、又は構成要素の存在を除外するものとして解釈されるべきではない。

前述の説明、又は以下の特許請求の範囲、あるいは添付の図面で開示された特徴は、それらの特定の形態や開示された機能を実行するための手段、又は開示された結果を達成するための方法や過程を、必要に応じて、これらの特徴を個別あるいは組み合わせて多様な形態で本発明を実現するために利用される。

Claims (15)

1. 以下のシステムを含む神経学的エピソードの発生を検出するためのモニタリング又は予測装置：
   神経学的に導出された信号のデジタル表現である入力の、神経学的な電気的入力、
   デジタル信号をデジタル・データ列に変換するコンバータ、
   デジタル・データ列で繰り返し発生するパターンを識別するためのパターン・アナライザ、及び
   モニタから出力されるパターン由来のパラメータに従属する神経学的活動の発生や発生の可能性の指標となる、パターン由来のパラメータを測定するためのモニタ。
2. パターン由来のパラメータが、デジタル・データ列において繰り返し発生するパターンカウントもしくは割合に関連する、請求項１に係るシステム。
3. データ取得および解析システムには、以下を含む：
   神経学的に導出された信号のデジタル表現から成る、神経学的な電気的入力、
   デジタル信号をデジタル・データ列に変換するコンバータ、
   デジタル・データ列で繰り返し発生するパターンを識別するためのパターン・アナライザ、及び
   モニタから出力されるデジタル・データ列において繰り返し発生するパターンカウントもしくは割合に関連する、パターン由来のパラメータに従属する神経学的活動の発生や発生の可能性の指標となる、パターン由来のパラメータを測定するためのモニタ。
4. デジタル・データ列が文字データ列である前述のすべての請求項に係るシステムは、２進法のデータ列もしくは１６進法のデータ列である。
5. 前述のすべての請求項に係るシステムは、さらに脳の一部を刺激するための神経刺激発生装置を含む。
6. 神経学的エピソードの発生を検出する方法は、以下を含む：
   神経学的に導出された信号のデジタル表現から成る、神経学的な電気的インプットの受信、
   デジタル信号のデジタル・データ列への変換、
   デジタル・データ列において繰り返し発生するパターンの特定、
   デジタル・データ列において繰り返し発生するパターンカウントもしくは割合に関連するパターン由来のパラメータの監視、及び
   パターン由来のパラメータに従属する神経学的活動の発生もしくは発生の可能性の指標となる出力の提供。
7. 請求項６の方法には、さらに以下を含む：
   デジタル信号がデジタル・データ列に変換されたときの電気信号の加重。
8. 請求項６又は７の方法には、さらに以下を含む：
   ビット長が６、７、８、９又は１０ビットのデジタル・データ列のサンプリング。
9. 請求項６から８の方法には、さらに以下を含む：
   パターンに由来するパラメータの変化率の監視。
10. 請求項６から９の方法には、さらに以下を含む：
    有意に繰り返し発生するパターンのカウント。
11. 請求項６から１０の方法には、さらに以下を含む：
    有意に繰り返し発生するパターン数から、ヌル信号と特定されたデータ列のパターンを除外する。
12. 請求項６から１１の方法には、さらに以下を含む：
    神経学的エピソードの検出や同定。
13. 請求項６から１２のすべての方法において、神経学的活動の発生もしくは発生の可能性の指標となる出力は、以下のいずれかに基づいて判断される。
    内部保存された過去のパターン数との比率の解析、又は
    モニタリング装置による処理及び所定のしきい値との比較。
14. 請求項１３の方法において、所定のしきい値は既知の経験則、神経回路網及び／又は人工知能技術を用いてユーザー・プロファイルから取得されるか、有意なパターンの合計数及び／又は検出された有意なパターンの割合によって決定される。
15. 請求項５から１４の方法には、さらに以下を含む：
    神経刺激発生装置を用いた脳の一部の刺激。