JP5937091B2 - 痙攣の検出装置 - Google Patents

Description

本発明は、痙攣の検出装置に関する。

痙攣は脳の異常なまたは過剰な同調活動として特徴付けられ得る。痙攣の最初、脳内のニューロンが特定の位置で興奮し始めることがある。痙攣が進むにつれ、このニューロンの興奮は脳全体に広がり、場合によっては、脳の多くの領域がこの活動に巻き込まれる場合もある。脳の痙攣活動によって、脳は末梢神経系を通して様々な筋肉に電気信号を送る。たとえば、電気信号は中枢神経系を起点として、運動ニューロンを介して電気信号の伝搬を開始する。運動ニューロンはたとえば、筋繊維の運動終板との相互作用を通じて筋肉と通信することによって、筋細胞の所与の運動単位内の活動電位と筋細胞の脱分極を起こさせる。脱分極は通常、筋細胞膜内の経路を通るたとえば、ナトリウムとカリウム陽イオンの連携流から生じる。すなわち、イオンチャネルの状態変化が細胞膜の透過性を変化させ、その後の荷電イオンを再分布させる。筋細胞を通る電流は、筋肉上部の組織に対応する流を引き起こし、皮膚表面に電気サインを生じさせる。

痙攣を調査および監視するために設計された手法は通常、痙攣し易い個人、すなわち痙攣患者の頭皮または頭部に装着される電極を使用する電気信号を特徴とする脳波記録法（ＥＥＧ）に頼る。ＥＥＧ電極は、上記活動、すなわち、神経組織から生じる電気活動を測定するように配置することができる。ＥＥＧと比較して、筋電図検査法（ＥＭＧ）は電極を皮膚またはその近傍や筋肉上に配置して、筋繊維内のイオンの再分布に応答して電流または電位変化を検出することのできる、使用頻度の低い手法である。

脳波記録法（ＥＥＧ）を使用する癲癇性痙攣の検出は通常、多数の電極および関連および関連電線を頭に装着し、脳波活動を監視する増幅器を使用する必要がある。複数のＥＥＧ電極は非常に扱い難く、通常は貼付および監視にいくらかの技術的専門知識を必要とする。さらに、痙攣を確認するには、ビデオモニタおよびビデオ記録機器を備えた環境での観察が必要である。スタッフを配置して臨床環境で使用されない限り、このような機器は痙攣が進行中か否かを判定することを目的とするのではなく、発生後の痙攣履歴を提供するだけになることが多い。こうした機器は普通、ビデオカメラ記録または介護者の観察により痙攣を確証できる病院のような環境向けであり、通常は複数回の痙攣を経験した患者の入院時の集中的治療方式の一環として使用される。診断のため、あるいは適切な投薬が行われるまで患者を安定させるために入院が必要とされることがある。退院時、患者はほとんど監視なしで家に帰される。しかしながら、帰宅後いつ何時でも、患者はおそらくは致死的な痙攣に再度見舞われる場合がある。

場合によっては、患者は再度の痙攣に備えていくらかの期間、家庭で監視されるべきである。運動症状を伴う痙攣は、人体の筋肉の一部、大部分、または全部の律動性収縮を含む筋肉活動のパターンを有することができる。痙攣はたとえば、癲癇の原因不明突然死（ＳＵＤＥＰ）を招く。ＳＵＤＥＰの根本原因はまだ良く理解されていないが、ＳＵＤＥＰを招く可能性のある機構には、呼吸を阻むような横隔膜筋肉の間代性活性化、神経原性肺水腫、不全収縮、およびその他の不整脈などがある。眠っている人が上記の症状を含む痙攣を経験すれば、介護者は痙攣が生じていることに気付かず、適時な助けを提供できない可能性がある。

現在、痙攣診断用の携行装置が存在するが、ＥＥＧベースであり、通常は長期の家庭での使用または日常の耐久使用に合わせて設計された、あるいはそれに適するものではない。その他の痙攣警告システムは、人体、通常は四肢の運動を検知することによって機能することができる。通常、このようなシステムは、痙攣中に人は迷走性に激しく運動するという仮定に基づき機能することができる。たとえば、加速度計は、激しい四肢の運動を検出するために使用することができる。しかしながら、痙攣の種類によっては、この仮定が当てはまる場合も当てはまらない場合もある。痙攣中に脳から送られる電気信号は同時に多くの筋肉に送られる場合が多く、筋肉が互いに争い合って激しい運動を効果的に相殺することがある。言い換えると、筋肉は、実際の激しい運動を招くというよりも人を硬直化させるように働く場合がある。よって、痙攣は加速度計ベースの検出器では一貫して検出されない場合がある。

したがって、煩雑な頭部や四肢への多数の電極なしに入院または非入院環境で使用可能な癲癇性痙攣方法および装置が必要とされている。このような装置は、侵襲性が最小で、最小限度しか日常活動の邪魔にならず、睡眠中も快適に使用できる。運動兆候の痙攣も正確に検出し、１つまたは複数の局地的部位および／または遠隔部位の痙攣の存在を警告することができる癲癇性痙攣方法および装置も必要とされている。さらに、家庭環境で使用可能であり、激しい運動がない場合でも着実な痙攣検出を提供し、個人化可能である、たとえば、個々のまたは特定の母集団人口に合わせて特注することのできる癲癇性痙攣の検出方法および装置も求められている。

いくつかの実施形態では、痙攣検出方法は、ＥＭＧ信号を受信することと、受信したＥＭＧ信号を処理して、痙攣特徴が時間ウィンドウ中にＥＭＧ信号内に存在するか否かを判定することとを備えることができる。

いくつかの実施形態では、運動兆候を有する痙攣の検出装置は、痙攣関連の筋肉活動をほぼ表すＥＭＧ信号を提供することのできる１つまたは複数のＥＭＧ電極と、ＥＭＧ信号を受信し、ＥＭＧ信号を処理して痙攣が起こっているか否かを判定し、ＥＭＧ信号に基づき痙攣が起こっていると判定される場合に警告を生成するように構成されたプロセッサと、を備えることができる。

いくつかの実施形態では、装置および方法はＥＭＧ電極を含む検出ユニットと、検出ユニットと通信し検出ユニットから物理的に分離しているベースユニットとを含み、基地局が検出ユニットからＥＭＧ信号を受信および処理し、痙攣が起こった可能性があるかを処理済みのＥＭＧ信号から判定し、警告を少なくとも１人の介護者に送信するように構成される。いくつかの実施形態では、基地局が、警告状態の検証のために検出ユニットによって提供されるデータを独立して処理することができる。基地局が警告に同意する場合、基地局は、遠隔装置および局所音声生成装置に対して警告を生成することができる。基地局に検出ユニットの警告に合意させることで、投票概念を導入することができる。両方の装置が決定に関して投票し、音声警告に合意しなければならない。これは誤警告を制限するのに使用することができる。

いくつかの実施形態では、痙攣を検出し、事象の遠隔警告を提供する方法および装置が提供される。上記方法はＥＭＧ電極を使用して痙攣を検出することができる。１つまたは複数のＥＭＧ電極は個人の身体に装着することができ、１つまたは複数のＥＭＧ電極の信号出力からの１つまたは複数の特徴を分析することができる。ＥＭＧ出力は一般的な痙攣特徴および１つまたは複数の閾値と比較することができる。出力データの１つまたは複数の値が１つまたは複数の閾値を超過する場合、事象を登録する、たとえば、レジスタに記録することができる。出力データの様々な特徴に関してレジスタに記録された事象の分析は、痙攣事象を宣言すべきか否か、警告を１つまたは複数の位置に送信するか否かを査定するのに使用することができる。

いくつかの実施形態では、運動兆候を伴う痙攣の検出装置は検出器ユニットとベースユニットを含むことができる。検出器ユニットは１つまたは複数の筋電図検査（ＥＭＧ）電極と、任意で１つまたは複数の心電図記録（ＥＣＧ）電極を含むことができる。検出器ユニットおよびベースユニットは無線通信などによって相互に通信することができる。検出器ユニットおよびベースユニットは、ＥＭＧ信号データの評価の指示を実行するように構成される電子部品を含むことができる。ベースユニットは、１つまたは複数の遠隔位置に警告を送ることができる。もしくは、ベースユニットは別個のトランシーバと通信することができる。そのトランシーバは物理的には別々であるが、ベースユニットの一般ロケール内に置くことができる。そのトランシーバは１つまたは複数の遠隔位置に警告を送ることができる。

いくつかの実施形態では、警告プロトコルは複数のデータレジスタにおけるデータの重畳に基づき開始させることができる。個々のレジスタはそれぞれ、たとえば、異なる痙攣変数の検出に応答可能にすることができる。複数のレジスタの値に応答する監視アルゴリズムが警告プロトコルを開始すべきであると判定する場合、警告プロトコルを開始させることができる。

いくつかの実施形態では、本明細書に記載の痙攣検出方法は適応型にすることができる。たとえば、閾値は、痙攣データが１つまたは複数の患者から収集される際に調節することができる。また、痙攣事象が宣言されるか否かを判定するために使用可能なアルゴリズムを調節することができる。アルゴリズムは、たとえば、変数係数を調節することによって修正することができる。それらの係数は重みと痙攣変数に関連付けることができる。上記係数の調節は、個々の患者、または特定の人口統計のその他の患者を含むがそれらに限定されない１人またはそれ以上の患者から収集される痙攣データに基づくことができる。登録事象、警告プロトコルの開始、宣言された事象などの痙攣関連事象、実際の痙攣、および不正確に報告された事象間の関連付けは追跡し、検出方法の変数を更新するのに使用することで痙攣検出方法または装置の精度を高めることができる。

いくつかの実施形態では、患者痙攣データおよび関連事象の履歴を収集することができる。ユーザは履歴を分析して、１つまたは複数のサブメソッドを修正または変更する、あるいは痙攣の検出方法に含まれるサブメソッドの分布を変更することができる。サブメソッドはたとえば、カウンタをインクリメントするのに使用可能な１セットの指示とすることができる。たとえば、閾値、重み付け係数、およびその他のデータを含むサブメソッドはテンプレートファイルに提供され、「出荷時設定値」環境を有し、方法が特定の患者に適合される際に変更することができる。

いくつかの実施形態では、複数の痙攣変数の値を患者に対して決定することができる。個々の痙攣変数は、個々の痙攣変数に関して記録される事象が警告を誘発する可能性が少ないように、アルゴリズムを使用して選択および分析することができる。ただし、複数の痙攣変数に対して記録される事象の畳み込みは、痙攣が検出され得る信頼度を高めることができる。

いくつかの実施形態では、方法および装置はたとえば、警告プロトコルを開始させ、患者を医療的または外科的に管理するのを助ける痙攣事象のログを生成し、迷走神経刺激装置を起動させ、痙攣を中止するまたは弱めるのに使用可能なその他の刺激装置を起動するのに使用することができる。いくつかの実施形態では、痙攣関連事象のログが医師を促して治療方式の失敗により早く気付かせることができる。

痙攣検出システムの一実施形態を示す。 痙攣検出システム用の検出ユニットおよび基地局の一実施形態を示す。 基地局の一実施形態を示す。 痙攣関連事象の検出方法の一実施形態を示す。 患者の例示のＥＭＧ時間領域データを示す。 患者の例示のＥＭＧ周波数領域データを示す。 バースト検出アルゴリズムの一実施形態を示す。 フィルタリング、整流、およびピーク検出後の信号バーストの例示のモデルフォームまたはエンベロープを示す。 フィルタリング、整流、およびピーク検出後の信号バーストの例示のモデルフォームまたはエンベロープを示す。 バーストおよびバースト列検出アルゴリズムの別の実施形態を示す。 バーストおよびバースト列検出アルゴリズムの別の実施形態を示す。 バーストおよびバースト列検出アルゴリズムの別の実施形態を示す。 周期性アルゴリズムの一実施形態を示す。 ＧＴＣ波形検出アルゴリズムの一実施形態を示す。 ＧＴＣ波形検出アルゴリズムの第２の実施形態を示す。 波形規則性検出アルゴリズムの一実施形態を示す。 監視アルゴリズムの一実施形態を示す。 監視アルゴリズムの別の実施形態を示す。 データ収集方法の一実施形態を示す。 テンプレートファイルの更新方法の一実施形態を示す。 痙攣監視方法における検出ユニットの状態を調節する方法の一実施形態を示す。 振幅検出アルゴリズムの一実施形態を示す。 痙攣関連事象の検出方法の別の実施形態を示す。 痙攣関連事象の検出方法のさらに別の実施形態を示す。 データバーストの分析手順のモデルデータがどのように編成されるかを示す。 データバーストの分析用モデルデータがどのようにＧＴＣ蓄積レジスタからのデータと組み合わされるか、およびそれらのレジスタ内のデータをどのように監視アルゴリズムで分析することができるかを示す。 例示の患者のＥＭＧ電気データを示す。 痙攣なしで移動している患者の例示のＥＭＧ電気データを示す。 眠っている患者の例示のＥＭＧ電気データを示す。 痙攣開始時の例示の患者ＥＭＧ電気データを示す。 痙攣が進展中の例示の患者ＥＭＧ電気データを示す。 例示のフィルタリングした患者ＥＭＧ電気データを示す。 さらに別の例示のフィルタリングした患者ＥＭＧ電気データを示す。 異なるフィルタプロトコルを使用してフィルタリングされた、図２９に示すのと同じ例示のＥＭＧ電気データを示す。 短命のデータ事象を示す例示の患者ＥＭＧ電気データを示す。 フィルタリングされたさらに別の例示の患者ＥＭＧ電気データを示す。 持続信号を示す例示の患者ＥＭＧ電気データを示す。 フィルタリングされた別の例示の患者ＥＭＧ電気データを示す。 別の例示の患者ＥＭＧ電気データを示す。 さらに別の例示のＥＭＧ電気データを示す。

本明細書に記載の装置および方法は、痙攣を検出し、特にＥＭＧを用いて痙攣について介護者に適時に警告するために使用することができる。装置および方法は、たとえば、警告プロトコルを開始する、痙攣事象のログを作成して患者を医療的または外科的に管理するのを助ける、迷走神経刺激装置を起動する、あるいは痙攣を止める、または弱めるのに使用可能なその他の刺激装置を起動するために使用することができる。いくつかの実施形態では、痙攣関連事象のログにより、治療方式の失敗をより速く医師に気付かせることができる。該装置および方法は、持続性−間代性、持続性のみ、または間代性のみの痙攣を含むがそれらに限定されない運動兆候を伴う痙攣を検出する工程および装置および／または装置のシステムを含むことができる。実施形態によっては、「運動兆候」は持続的であろうとなかろうと筋肉活動全般を指す。

本明細書に記載の装置は、人を監視して、人が痙攣を起こしているか否かを判定し、警告を発するのに役立てることができる。本明細書に記載の方法は柔軟にすることができる、たとえば、個人に合わせてカスタマイズすることができる。さらに、上記方法は適合性を持たせることができ、たとえば、所与の患者またはある一定の患者人口統計のためにデータが収集されるように改良することができる。さらに、本明細書に記載の装置は、大量のデータの集合、たとえば痙攣を起こし易い個人が家庭環境にいるときなどのように略連続的に収集され得るデータを整理する、および／または優先順位をつけるのに適する。

概して、ＥＭＧ電極信号を収集して、処理し、痙攣変数を判定することができる。実施形態によっては、「痙攣変数」は検出器の出力信号から収集されるデータの１つまたは複数の部分の判定基準または基準を指す。所与のセットのデータの場合、痙攣変数はそれに関連する１つまたは複数の数値を有することができる。たとえば、信号の振幅は、所与のセットのデータに関して関連付けられる１つまたは複数の数値を有する痙攣変数とすることができる。痙攣変数の値は閾値レベルと比較し、痙攣が起こった可能性があるか否かを判定するアルゴリズムの入力として使用することができる。

処理方法は、１つまたは複数の痙攣変数値を計算することを含むことができ、上記値を、痙攣を特徴付けることのできる１つまたは複数の閾値と比較することをさらに含むことができる。データレジスタは上記比較に基づき値を代入されて、警告プロトコルを開始するか否かを判断するのに使用することができる。異なるレジスタにおけるデータの重み付けとＥＭＧデータの様々な特徴の重要性は、個々の患者または患者人口統計に合わせてカスタマイズすることができ、システムが患者または患者人口統計に関する情報を得るにつれて適合させることができる。

多量のＥＭＧおよびその他の患者関連データを収集し、システム最適化のためにそのようなデータを編成し、疑わしい痙攣に応答して警告を開始する幅広い適切なシステムが適切である。図１は、上記システムの例示の実施形態を示す。図１の実施形態では、痙攣検出システム１０は、検出ユニット１２、任意の基地局１４、任意のビデオモニタ９、および任意の警告トランシーバ１６を備えることができる。検出ユニットは、患者の皮膚表面またはその近傍で筋肉からの電気信号を検出し、処理のためにそれらの電気ＥＭＧ信号をプロセッサに送信することのできる１つまたは複数のＥＭＧ電極を備えることができる。基地局は、検出ユニットからのＥＭＧ信号を受信および処理し、痙攣が発生したか否かを処理したＥＭＧ信号から判定し、警告を介護者に送信することのできるコンピュータを備えることができる。警告トランシーバは、介護者によって携行され、あるいは介護者の近傍に配置されて、基地局によって送信される警告を受信および中継することができる。

図１の装置を使用する際、たとえば、癲癇性痙攣を起こし易い人１１はベッドで休息している、あるいは日常生活に含まれ得るその他の位置にいることができ、身体と物理的に接触する、あるいは身体に近接する検出ユニット１２を有することができる。検出ユニット１２は、固定電源またはかさばる基地局１４に拘束されずに立ち上がり歩き回ることができるような無線装置とすることができる。たとえば、検出ユニット１２はシャツの袖に織り込むことができる、あるいはアームバンドまたはブレスレットに搭載することができる。別の実施形態では、１つまたは複数の検出ユニット１２はベッド、椅子、幼児用自動車シート、またはその他の適切な衣服、家具、機器、および痙攣を起こし易い人の使用するアクセサリに配置する、あるいは組み込むことができる。検出ユニット１２は処理および分析のために信号を基地局に送信し得る電極などの単純センサを備えることができる、あるいは、いくつかのデータ処理および記憶容量を有する「スマート」センサを備えることができる。いくつかの実施形態では、単純センサは、人が着用するベルトに搭載される電池式トランシーバに有線または無線で接続することができる。

システムは、たとえば、夕方や夜間などの休息時に患者を監視することができる。患者の検出ユニット１２が痙攣を検出する場合、検出ユニット１２は有線または無線で、たとえば、通信ネットワークまたは無線リンクを介して基地局１４と通信することができ、より徹底的な分析のために一部の信号を基地局装置に送信することができる。たとえば、検出ユニット１２はＥＭＧ信号（および任意でＥＣＧおよび温度センサ信号）を処理および使用して、痙攣の発生の可能性に関する最初の査定を行い、別個の処理および確認のために、それらの信号と査定を基地局１４に送信することができる。痙攣が発生しているらしいと確認すれば、基地局１４は警告を起動して、ｅメール、テキスト、または任意の適切な有線または無線のメッセージインジケータによりネットワーク１５上で介護者に警告を送信する。いくつかの実施形態では、検出ユニット１２、基地局１４、または介護者、たとえば、基地局から提供される信号を監視する遠隔の介護者のうち１つまたは複数が痙攣の発生を判定する場合、情報を収集するようにビデオモニタ９を誘発することができる。

一般的な家庭用電源によって電力を供給され、バックアップ用バッテリを含む基地局１４は、検出ユニット１２よりも動作に利用可能な処理、送信、および分析能力が高く、より多くの量の信号履歴を記憶し、その多量データに照らして受信信号を評価することができる。基地局１４は、家族の寝室などのように基地局１４から遠隔に配置される警告トランシーバ１６と、または介護者によって携行される、あるいは職場やクリニックに配置される無線装置１７、１８と通信することができる。基地局１４および／またはトランシーバ１６は、ネットワーク１５などの任意の適切な手段を介して、携帯電話１７、ＰＤＡ１８、またはその他のクライアント機器を通じ介護者または医療従事者に警告またはメッセージを送信することができる。よって、システム１０は痙攣の正確なログを提供して、患者の医師に治療方式の成功または失敗をより迅速に認識させることができる。当然ながら、基地局１４は、本明細書に記載の信号を受信、処理、および分析して、警告を送信することのできるインストールされたプログラムを有するコンピュータを単に備えることができる。別の実施形態では、システム１０は、たとえば、ＥＭＧ電極と、インストールされたプログラムアプリケーションを用いて本明細書に記載のＥＭＧ信号を処理するために電極からのＥＭＧ信号を受信するように構成されるｉＰｈｏｎｅのようなスマートフォンとを単に備えることができる。別の実施形態では、ＥＭＧ信号および関連データの記憶および処理のために、ネットワーク１５を介していわゆる「クラウド」コンピューティングおよび記憶装置を使用することができる。さらに別の実施形態では、１つまたは複数のＥＭＧ電極は、本明細書に開示されるようにＥＭＧ信号を処理し、ネットワーク上で警告を送信することのできるプロセッサを有する単独ユニットとして一括してパッケージ化することができる。言い換えると、装置は、患者上に配置され、基地局と離れたトランシーバを必要としない単独の製品を備えることができる。

図１の実施形態では、信号データは保管のために遠隔データベース１９に送信することができる。いくつかの実施形態では、信号データは複数の癲癇患者から中央データベース１９に送信されて、癲癇性痙攣の一般「ベースライン」感度レベルおよび信号特徴を確定し改良するための基盤を提供するように「匿名化」することができる。データベース１９および基地局１４はネットワーク１５を介して遠隔コンピュータ１３から遠隔アクセスされて、検出器ユニットおよび／または基地局ソフトウェアの更新およびデータ送信を可能にする。基地局１４は遠隔トランシーバ１６が行うような可聴警告を生成することができる。すべての無線リンクは、ソフトウェアおよびデータ送信とメッセージ送達確認のために双方向性とすることができる。基地局１４は、痙攣通知のために上述したメッセージング方法のうち１つまたは全部を採用することもできる。基地局１４は事象警告を終了させる「警告解除」ボタンを設けることができる。

いくつかの実施形態では、トランシーバは、家具ユニットやその他の構造、たとえば、環境ユニットまたはオブジェクト内に追加で搭載することができる。検出ユニットがトランシーバに十分に接近している場合、上記トランシーバはデータを基地局に送信することができる。よって、基地局は、その情報がトランスデューサから、ひいては関連の環境ユニットから受信されていることを認識できる。いくつかの実施形態では、基地局は、特定のトランシーバからの信号を受信しているか否かに応じて、特定のテンプレートファイル、たとえば本明細書で後述される閾値およびその他のデータを選択することができる。よって、たとえば、検出器とベッドまたはベビーベッドに対応付けられるトランスデューサとから情報を受信する場合、基地局は、たとえば個人が運動中に身に着ける衣服などの別の環境ユニットと対応付けられるトランスデューサから受信する場合と違った風にデータを取り扱うことができる。

図１の実施形態は、睡眠中に使用するのに最小限の侵襲性を有する、あるいは日常活動をごくわずかにしか阻害しないように構成することができ、１つか２つくらいの最小数の電極しか必要とせず、頭部に電極を装着する必要がなく、運動兆候を有する痙攣を検出することができ、１つまたは複数の局地的および／または遠隔部位の痙攣の存在を警告することができ、家庭での使用のために十分安価にすることができる。

図２は、検出ユニット１２または検出器の一実施形態を示す。検出ユニット１２はＥＭＧ電極２０、さらにはＥＣＧ電極２１も含むことができる。検出ユニット１２は、リードオフ検出器２２を有する増幅器をさらに含むことができる。いくつかの実施形態では、１つまたは複数のリードオフ検出器は、電極が人体に物理的に接触しているか、あるいは人体から離れすぎているかを示して、筋肉活動、体温、脳活動、またはその他の患者の現象を検出する信号を提供することができる。

検出ユニット１２は、人の体温を感知する温度センサ２３をさらに含むことができる。加速度計などのその他のセンサ（図示せず）を検出ユニットに含めることができる。電極２０および２１、温度センサ２３、およびその他のセンサからの信号をマルチプレクサ２４に提供することができる。マルチプレクサ２４は検出ユニット１２の一部にすることができる、あるいは検出ユニット１２が高性能センサでない場合は基地局１４の一部にすることができる。次に、信号はマルチプレクサ２４から１つまたは複数のアナログ−デジタルコンバータ２５に伝えることができる。アナログ−デジタルコンバータは検出ユニット１２の一部にすることができる、あるいは基地局１４の一部にすることができる。次に、信号は、本明細書に開示の処理および分析のために１つまたは複数のマイクロプロセッサ２６に伝えることができる。マイクロプロセッサ２６は検出ユニット１２の一部にすることができる、あるいは基地局１４の一部にすることができる。検出ユニット１２および／または基地局１４は、適切な容量のメモリをさらに含むことができる。マイクロプロセッサ２６はトランシーバ２７を使用して信号データおよびその他の情報を伝えることができる。検出ユニット１２および／または基地局１４の構成要素による、および構成要素間の通信は有線または無線通信とすることができる。

当然ながら、図２の例示の検出ユニットは別な風に構成することができる。図２の検出器の構成要素の多くは、検出ユニット１２ではなく基地局１４に置くことができる。たとえば、検出ユニットは単に、基地局１４と無線通信するＥＭＧ電極２０を備えることができる。上記実施形態では、Ａ−Ｄ変換と信号処理は基地局１４で行うことができる。ＥＣＧ電極２１が含まれる場合、多重化も基地局１４で実行することができる。

別の例では、図２の検出ユニット１２は、ＥＭＧ電極２０、ＥＣＧ電極２１、および温度センサ２３のうち１つまたは複数を有し、小さなベルトに装着したトランシーバ部で有線または無線通信を行う電極部を備えることができる。トランシーバ部は、マルチプレクサ２４、Ａ／Ｄコンバータ２５、マイクロプロセッサ２６、トランシーバ２７、およびメモリやＩ／Ｏ装置（たとえば、警告解除ボタンおよび視覚ディスプレイ）などのその他の構成要素を含むことができる。

図３は、１つまたは複数のマイクロプロセッサ３０、電源３１、バックアップ電源３２、１つまたは複数のＩ／Ｏ装置３３、およびイーサネット（登録商標）接続３４およびトランシーバ３５などの各種通信手段を含むことができる基地局１４の実施形態を示す。基地局１４は、検出ユニット１２よりも高い処理および記憶能力を有し、介護者が検出ユニット１２から受信される際にリアルタイムでＥＭＧ信号を視聴し、あるいはメモリからの履歴ＥＭＧ信号を視聴するためにＥＭＧ信号グラフの表示用のより大きな電子ディスプレイを含むことができる。基地局１４はＥＭＧ信号および検出ユニット１２から受信したその他のデータを処理することができる。基地局１４は、痙攣が起こっているらしいと判定する場合、トランシーバ３５を介して警告を介護者に送信することができる。

図１〜図３の各種装置は、有線または無線通信を介して相互に通信することができる。システム１０はクライアント−サーバまたはその他のアーキテクチャを備え、ネットワーク１５を介する通信を可能にすることができる。当然ながら、システム１０は、２つ以上のサーバおよび／またはクライアントを備えることができる。別の実施形態では、システム１０は、ピアツーピアアーキテクチャ、またはその組み合わせまたは合成などのその他の種類のネットワークアーキテクチャを備えることができる。

図４は、痙攣特徴に関してＥＭＧおよびその他の信号を監視し、痙攣が検出される場合に警告を開始する例示の方法３６を示す。上記方法は、ＥＭＧ信号を収集することと、痙攣変数の１つまたは複数の値を計算することと、上記痙攣変数データを使用してプロセッサまたはメモリレジスタに代入することと、を含むことができる。概して、１つまたは複数の痙攣変数および１つまたは複数のレジスタをデータ分析に含めることができる。ステップ３８では、ＥＭＧ信号およびその他の検出器出力信号を収集することができる。出力信号は、略連続的にまたは周期的に収集することができる。痙攣変数データを得るため、出力信号はステップ４０で処理することができる。データ値はステップ４２に示されるように、１つまたは複数の検出レジスタに代入することができる。出力信号の処理および検出レジスタの代入は、確定期間、すなわち、収集時間ウィンドウ中に実行することができる。上記収集時間ウィンドウの終了時、各検出レジスタはもしあればそのコンテンツを１つまたは複数の蓄積レジスタ（ステップ４４に示す）に転送し、１つまたは複数の検出レジスタのコンテンツをもしあれば消去することができる。収集時間ウィンドウの終了時、および蓄積レジスタの調節（増加または漏れ）後、サイクルはそれ自体で繰り返す（線４６に示す）、すなわち、検出器出力は次の収集ウィンドウで収集することができる。周期的に、監視アルゴリズムは１つまたは複数の蓄積レジスタのコンテンツを分析し、痙攣が起こりそうか否かを判定することができる（ステップ４８）。監視アルゴリズムが、蓄積レジスタの合計値または加重合計値が閾値を超過すると判定する場合、警告プロトコルを開始することができる（ステップ５０）。もしくは、監視レジスタは、蓄積レジスタのコンテンツが痙攣の発生を示していないと判定することができ、システムは次の分析期間を待つことができる（ステップ５２）。

後述するように、監視アルゴリズムは、蓄積および／または検出レジスタにおける各種痙攣変数値を使用する多数のサブルーチンを備えることができる。図４の実施例に例として示されるように、該方法は、個々の検出レジスタにデータ値を代入することと、蓄積レジスタにデータ値を追加することとを備えることができる（ステップ３８、４０、４２、および４４）。サブメソッドは、個々の検出レジスタおよび蓄積レジスタの値代入に含まれるステップを含むことができる。各サブメソッドは、収集されたデータのうち１つまたは複数の特徴を検討し、上記特徴に関する工程分析を行うことができる。個々のサブメソッドは、非限定的に、信号バーストの検出とＧＴＣ波形の検出を含むことができる。サブメソッドは時間領域、周波数領域内のデータを処理することができる、あるいはいくつかの実施形態では、時間領域および周波数領域内のデータの一部を処理することができる。それらの個々のサブメソッドをより詳細に説明する前に、データ収集のいくつかの一般的な態様や使用される検出器だけでなく、各種サブメソッドに含めることのできるデータフィルタリングなどの処理ステップを検討することが有益である。また、本明細書で図５および６を参照しより詳細に後述するように、例示のＥＭＧ信号データについて説明することが有益である。

図４のステップ３８に示されるように、いくつかの実施形態では、ＥＭＧ電極データの分析によってのみ痙攣の検出を達成することができる。別の実施形態では、ＥＭＧとその他の検出器の組み合わせを使用することができる。たとえば、温度センサ、加速度計、ＥＣＧ検出器、その他の検出器、またはそれらの任意の組み合わせを使用できる。加速度計は、たとえば患者の四肢に配置して、痙攣を特徴付けることのできる激しい運動の種類を検出することができる。同様に、ＥＣＧセンサを使用して、痙攣を特徴付けることのできる上昇したまたは異常な心拍数を検出することができる。よって、監視装置は、ＥＥＧで一般的なように、従来通り頭部に多数の有線電極を配置することなく癲癇性痙攣を検出することができる。ＥＭＧ電極とその他の検出器との組み合わせは、たとえば、特に厄介な患者に使用することができる。電極と皮膚との接触安定性に影響を及ぼし得る過剰な量の弛緩性皮膚や高濃度の脂肪組織を有する患者は、監視が特に困難である可能性がある。いくつかの実施形態では、電極は単独の筋肉に装着することができ、別の実施形態では、２つまたはそれ以上の電極の組み合わせを利用することができる。電極はたとえば、主動筋および拮抗筋筋肉群に装着し、その他様々な筋肉の組み合わせからの信号を収集することができる。

概して、本明細書に記載のシステムは、たとえば、表面単極電極または双極差動電極、あるいは任意の適切な形状の電極などの任意の種類のＥＭＧ電極と互換可能である。上記電極はたとえば、皮膚表面に配置することによって、ジェルの貼付を含んでいても含まなくてもよく、いくつかの実施形態では、Ａｇ／ＡｇＣｌ電極とすることができる。たとえば、基準導線と２つの表面入力を有する双極ＥＭＧ電極配置を使用することで、それらの入力に共通する雑音を抑えることができる。すなわち、差動増幅器を使用することができ、一方の入力から他方の入力の信号の減算を達成することができ、入力間の信号の任意の差を増幅させることができる。上記アプローチでは、両入力に共通する信号（外部雑音など）はほぼ無効にして、筋肉脱分極から生じる信号の優先的増幅を達成することができる。

ＥＭＧ信号は所与の期間、収集することができる。たとえば、時間領域電極信号を収集することができる。時間領域電極データは、高速フーリエ変換（ＦＦＴ）などの手法を利用して、周波数データ、すなわち、スペクトル成分に変換することができる。図４を参照すると、時間領域と周波数領域間のデータ変換を処理ステップ４０に含めることができる。データ処理の他の態様は、データの平滑化、１つまたは複数の周波数フィルタの適用、所与の領域におけるデータの特定の機能への適合、およびその他の処理動作などである。

図５（（ａ）および（ｂ）を含む）は約２秒間にわたって収集されるＥＭＧデータ５４の例を提示する。図５のデータは患者の二頭筋または三頭筋に双極差動電極を配置することによって収集されるデータの具体例である。図６は、周波数領域に変換される図５のＥＭＧデータ５４をいくつか示す。図６のＥＭＧデータ７４は、たとえば、周波数領域に変換される１秒間のＥＭＧデータ５４を表すことができる。ＥＭＧ電極の場合、周波数領域データの視覚表示はスペクトルグラフと称することもできる。

図５のグラフの時間領域データを参照すると、図５の（ａ）の縦軸または縦目盛は信号振幅、たとえば、ＥＭＧ電極入力対間の差動信号であり、横軸または横目盛は時間を表す（図５では、時間ウィンドウは約２秒である）。本明細書に記載のグラフのいずれかを参照すると、振幅という用語が使用されており、所与の計算にとって適宜、信号の大きさまたは大きさの絶対値のいずれかを指すことができる。収集された信号はたとえば整流することができ、特に断りのない限り、本明細書に記載のバーストの検出は整流された信号データを含む。図５に示されるように、振幅（または振幅の絶対値）は２秒間、少なくとも３回（５６、５８、および６０）持続的上昇６２を経験するように見える。このような持続的上昇は、バースト、あるいは信号またはデータバーストと称されるものを示すことができる。より詳細に後述するように、６６または６８などの疑わしいバースト間の期間変動は、ベースラインを計算するのに使用することができる。ベースライン領域での変動、すなわち、雑音は、ピークツーピーク値、二乗平均平方根（ＲＭＳ）値、またはその他のメトリクスに関連させることができる。図５の（ｂ）は、ＥＭＧデータ５４の一部、すなわち、バースト６０および隣接期間を含むデータの領域を示す。図５の（ｂ）では、ＲＭＳ雑音値７２および振幅７０が示されている。バースト６０の信号対雑音比（ＳＮＲまたはＳ／Ｎ）は本例では、約４：１であり、すなわち、振幅７０は雑音値７２の約４倍である。図５のＥＭＧデータについて、図７のバースト検出サブメソッドを参照してさらに詳細に説明する。

図６の例示のデータを参照すると、縦目盛は所与の周波数の大きさ（スペクトル密度と称することもできる）を表し、横目盛は信号周波数を表している。なお、図６のスペクトルデータは、周波数が上昇するにつれ大きさが減少する曲線勾配を示す。すなわち、スペクトル密度は通常、周波数の上昇と共に低下する。高周波でのスペクトル密度に対する低周波でのスペクトル密度の比は、電極データの任意の所与の部分に関して関連値を有することのできる痙攣変数とすることができる。たとえば、図６に示されるデータの場合、約４００Ｈｚ（７８）でのスペクトル密度に対する周波数約２００Ｈｚ（７６）でのスペクトル密度の比は約１．１であってよい。

また、特徴的ＧＴＣ波形の少なくとも一部を示す図６の（ｂ）と同じデータの拡張部分に示されるように、高スペクトル密度８０の領域、すなわち、約３００〜５００Ｈｚで、特に４００Ｈｚ８２辺りの比較的高い周波数の「凸」が示されている。すなわち、その領域の周波数８２でのスペクトル密度８０は、たとえば約３００Ｈｚの周波数８６にほぼ配置される「凹」領域のスペクトル密度８４を超過している。「凹領域」または「凹」という用語は、いくつかの実施形態では、スペクトルデータの一部が正の湾曲を有する特性をほぼ所有することを指す、すなわち、凹領域は１セットのデータの局所最小値を指す。「凸領域」または「凸」という用語は、いくつかの実施形態では、スペクトルデータの一部が負の湾曲を有する特性をほぼ所有することを指す、すなわち、凸領域は１セットのデータの局所最大値を指す。正または負の湾曲をほぼ所有することとは、個々のデータ点の局地的変動がデータから平均化または平滑化されることを意味する。すなわち、たとえば雑音による局地的変動を無視すると、データセットは湾曲の一特性を有することができる。

周波数８２でのスペクトル密度に対する周波数８６でのスペクトル密度の比、すなわち凹対凸比を痙攣変数として使用することができる。いくつかの実施形態では、凹対凸比はＧＴＣ波形検出用のメトリクスとして使用することができる。しかしながら、より高度なデータ分析手法、たとえば、さらに多くのデータ点および／または高度パターン認識アルゴリズムを見ることも、ＧＴＣ波形の特定に使用することができる。いくつかの実施形態では、検出ユニットは凹対凸比の計算指示を含むことができ、ベースユニットは凹対凸比を計算して、より高度なパターン認識分析で凹対凸比計算を実証することができる。図６のＥＭＧデータおよび上記データ特徴を、たとえば、図１１および１２で説明したようなＧＴＣ波形検出サブメソッドに関してさらに詳細に説明する。

再度図４を参照すると、ＥＭＧデータの収集は検出ユニットで達成されており、検出ユニットが最初の分析とデータ処理を実行することができる。いくつかの実施形態では、痙攣が起こりそうであると判定する場合、検出ユニットは、その後の処理が行われる基地局にデータを送信することができる。よって、検出ユニット、基地局、またはその両方がＥＭＧ信号を処理し、一方または両方の装置が痙攣検出サブメソッドを実行することができる。このようなサブメソッドはＥＭＧデータの特定の特徴を特徴付け、このような特徴付けに基づき、データレジスタと蓄積レジスタ間のデータ転送を指示することができる。図７および１０〜１３を参照して本明細書に記載されるサブメソッドのそれらの態様は、方法３６のステップ３８、４０、４２、４４、および４６の態様を含むことができる。サブメソッドはデータを監視アルゴリズムに供給することができる。

図７は、データバーストの分析のために使用可能なサブメソッド８８の一実施形態を示す。図７のステップ９０では、検出ユニットおよび／または基地局はデータバースト分析用のプロトコルを選択することができる。分析プロトコルの選択は、たとえば、テンプレートファイルに示すことができる。上記テンプレートファイルは、データ平滑化ルーチン、データフィルタリング用ルーチン、その他の形式のデータ処理ルーチン、またはそれらルーチンの組み合わせを選択する指示を含むことができる。上記ルーチンは検出ユニット、基地局、またはその両方で実行することができる。分析プロトコルは、たとえば、バンドパスフィルタリングおよび整流後に、図９および図１０の例に示されるようにデータバーストを特定および成形することのできるピーク検出プログラムを含むことができる。任意の適切なピーク検出手法を使用することができ（たとえば、連続ウェーブレット変換）、いくつかの実施形態では、たとえば、データ平滑化手法（たとえば、移動平均フィルタ、Ｓａｖｉｔｚｋｙ−Ｇｏｌａｙフィルタ、ガウスフィルタ、カイザーウィンドウ、各種ウェーブレット変換など）、ベースライン訂正プロセス（たとえば、単調最小、線形補間、レス正規化、最小の移動平均など）およびピーク発見基準（ＳＮＲ、検出／強度閾値、ピーク傾斜、局所最大値、形状比、稜線、モデルベース基準、ピーク幅など）を含むことができる。

ピーク検出器は別々のアタック速度（ａｔｔａｃｋ ｒａｔｅ）と減衰速度を有することができる。これらの速度は個々に調節することができる。実際のバースト間には多数の持続振幅があることが多いため、ピーク検出信号がバースト中に非常に迅速に減衰する恐れは通常問題とはならない。したがって、減衰速度は、バースト後相当迅速に減衰するように設定することができる。通常、バースト間の時間はバースト自体よりも長いため、減衰をスピードアップさせる理由はない。しかしながら、バースト間の雑音スパイクは、実際の痙攣バーストの区別が問題となるようなレベルまでピーク検出器出力を人為的に急騰させる可能性がある。したがって、アタック速度は、これが起きないように注意深く制御することができる。

図７の方法のステップ９１では、バースト検出アルゴリズムを開始することができる。バースト分析は、たとえば、バースト分析振幅閾値を満たす、あるいは超過する振幅値を有するＥＭＧ信号の検出によって始動させることができる。バースト検出ウィンドウ内で、ＥＭＧデータはたとえばピーク検出プログラムを使用して高振幅について分析することができる。高振幅領域はバースト候補として分類することができる。たとえば、図５を再度参照すると、約２秒間、振幅が持続的に高い少なくとも３つの期間（５６、５８、および６０）を特定することができる。振幅、幅、およびＳＮＲに関して測定可能なバースト検出ウィンドウ内の高振幅領域も判定することができる。たとえばピーク候補として特定されるデータの一部は、ピーク振幅、中央振幅、平均振幅などの関連する振幅を有することができ、あるいはその他のメトリクスを計算することができる。

図７のステップ９２では、ある一定の期間（バースト検出ウィンドウ）内のＥＭＧ信号データをバーストに関して分析することができる。たとえば、疑わしいデータバースト５６の場合、振幅６２を測定することができる。バーストはデータの周辺部全体で上昇している振幅を有することができ、その高振幅はある期間にわたって延長することができる。すなわち、バーストは、バースト幅６４のようなバースト幅を有することができる。バースト幅を判定するため、バーストの先端とバーストの後端を判定することができる。バーストの先端および後端を検出するため、連続データ点に関する振幅変化を測定することができ、たとえば、時間に伴う振幅の変化速度を算出することができる。上述したような任意のその他の適切な手法を使用することができる。いくつかの実施形態では、バースト幅は、時間領域において閾値最小振幅が所与の確率、たとえば、時点の大多数が閾値を超える高振幅を示す場合、を満たすか否かを計算することによって分類することができる。

信号対雑音比の計算は、たとえば、バーストを含むと疑われる期間におけるデータ直前の期間で検出器信号の変動、すなわち、ベースライン雑音を判定することによってベースラインを確定することを含むことができる。たとえば、ＥＭＧ信号は、以下図２５を参照してより詳細に説明するように、痙攣につながる時間、比較的安静な場合がある。その安静な期間は、ベースラインの確定に利用することができる。

ベースラインは、バーストを有すると疑われるのと同じ時間ウィンドウ内のバースト期間間の変動を見ることによっても確定することができる。たとえば、再度図５のＥＭＧデータを参照すると、期間６６または６８のデータなどの疑わしいバースト間の期間のデータ変動は、ベースラインを計算するのに使用することができる。ベースライン領域での変動、すなわち、雑音は、ピークツーピーク値、ＲＭＳ値、またはその他の適切なベースライン検出メトリクスに関連付けることができる。図５では、データの拡張領域、すなわち、バースト６０とその隣接期間を含むデータの領域が図５の（ｂ）に示されており、二乗平均平方根雑音値７２および振幅７０がほぼ示されている。バースト６０のＳ／Ｎはたとえば、約４にすることができる。すなわち、振幅７０は雑音値７２の約４倍である。

なお、バースト期間の間の変動を観察することによって確定されるベースラインは、痙攣前の安静な時間を観察することによって確定されるベースラインと異なることがある。よって、異なるピーク検出アルゴリズムをそれぞれに対して実行させることができる、あるいは、安静な時間か痙攣活動中かの検出に応じて、同じアルゴリズムをベースライン検出に対して上昇または低下させることができる。たとえば、ベースライン検出器は、信号エンベロープ生成のために使用されたピーク検出器よりもずっと長い時間係数を有するピーク検出器とすることができる。このベースライン検出器は、間代性段階中に高レベルに上昇させることができるが、活動の持続性段階中に低下させることもできる。さらに、バーストをより容易に判別できるように比較的安静な期間にはより速くベースライン検出器を低下させるように負ピーク検出器を採用することができる。

ステップ９４では、バースト検出アルゴリズムは、バースト検出ウィンドウ内のＥＭＧ信号データが各種要件または閾値またはその他の基準を満たすか否かを判定し、高振幅領域をバーストとみなすことができる。たとえば、アルゴリズムは１つまたは複数の高振幅領域が振幅、幅、および高振幅領域間の時間の要件を満たすか否かを判定して、痙攣バーストと認定することができる。たとえば、バーストを検出するサブメソッドは、Ｙ秒よりも近くＺ秒よりも遠く特定の閾値を超過する振幅を検出することができる。このような要件（またはバースト基準）をテンプレートファイルに設けることができる。たとえば、表１を参照すると、最小Ｓ／Ｎ基準がテンプレートファイルから引き出され、疑われる各バーストに関してＳ／Ｎの算出値と比較されている。

通常、バーストは、低振幅レベルからのＥＭＧ電極信号の振幅急増、特定の最小時間における上昇振幅レベルの維持、特定最大時間以下の経過後、電極信号の振幅レベルの低レベルへの帰還、および特定の最小時間における低下振幅レベルの維持によって特徴付けることができる。図８Ａおよび図８Ｂは、フィルタリング、整流、およびピーク検出後の信号バーストの例示のモデルフォームまたはエンベロープを示す。通常、低振幅信号レベルはゼロにまで達しない。ゼロを超える低振幅は信号雑音である。雑音レベルに対するバースト振幅レベルの比がＳＮＲである。たとえば、バーストの信号レベルが１ボルトで、雑音が０．３５ボルトの場合、ＳＮＲは１／０．３５または２．８６となる。図８の例では、ＥＭＧ信号データのピーク振幅１２０を、ピーク振幅と関連付けられる基準と比較することができる。振幅１２０が最小振幅基準１２０ａより大きく、最大振幅基準１２０ｂより小さい場合、雑音１０２のレベルに対するピーク振幅の比を判定して、バースト振幅基準、たとえば、ＳＮＲ閾値と比較することができる。ピーク振幅がＳＮＲ閾値を満たす場合、ＥＭＧ信号データは、振幅に関してバースト（またはバーストの開始）としてみなすことができる。最大バースト振幅要件は、人体によって生成され得る振幅よりもずっと高い振幅を導入可能な外部雑音源から生じる高振幅ＥＭＧデータを考慮から排除するのに役立てることができる。

図８Ａは幅１１４を有する高振幅領域も示す。幅１１４は最小バースト幅（破線１１６）および最大バースト幅（破線１１８）と比較することができる。図８Ｂに示されるように、幅１１４は最小および最大バースト幅閾値の間に属し、幅に対するバーストとして高振幅の領域を特定する。最大バースト幅要件は、自発的筋肉活動、雑音源、または電極接続の問題から生じる高振幅ＥＭＧデータを考慮から排除するのに役立てることができる。これは、実際のまたは自明の高振幅筋肉活動を痙攣と誤って特定することを排除するのに役立てることができる。

図８Ｂは、期間１０８によって分離される２つの連続バースト（１０４および１０６）の例を示す。図８Ｂでは、バースト１０８間の時間は、たとえば連続バースト間の最小期間（破線１１０）および連続バースト間の最大期間（破線１１２）と関連付けられる基準値と比較することができる。十分な量のバーストが最小および最大期間内で互いに連続する場合、連続バーストは痙攣を示すバースト列とみなすことができる。しかしながら、すべてのバースト列が痙攣を示すわけではなく、周期性アルゴリズム（より詳細に後述）を、痙攣が起こっている可能性をさらに評価するために使用することができる。たとえば、極めて規則的なバーストは痙攣を示していない場合がある。散発性のバーストも痙攣を示していない場合がある、あるいは十分に間が離れている場合は、切迫した痙攣の脅威は最小を示す可能性がある。

バースト検出ウィンドウの最後に到達後、バースト検出アルゴリズムは次のバースト検出ウィンドウのデータを分析する前に遅延期間分待機することができる。遅延を追加することによって、バースト検出アルゴリズムは、新たなデータが分析されるように確保することができる。バーストウィンドウの分析、または１つまたは複数の連続バースト検出ウィンドウの分析でバーストまたは近似バーストが現れない場合、ステップ９５に示されるようにバースト検出サブメソッドは、バースト分析振幅閾値がサブメソッドの始動を誘発するまでいったん停止することができる。

バースト振幅、幅、および周期性値は監視アルゴリズムによる使用のためにレジスタに記憶して、痙攣の発生の可能性を判定することができる。痙攣が起こっていることを検出すれば、監視アルゴリズムは警告を宣言し、基地局１４に対し介護者へ警告を送信させる。

基準値は、たとえば、テンプレートファイルに含めることができる。より具体的には、表１で、データバーストの評価用にサブメソッドで使用可能なテンプレートファイルに含めることのできる例示の基準を挙げる。各基準は、痙攣検出法の感度を調節するように変更可能な変数であってもよい。当然ながら、基準のすべてを使用する必要はない。たとえば、最大バースト振幅が特定の患者を過度に制限する場合には任意とみなすことができる。同様に、追加の基準を使用することができる。たとえば、信号振幅がバースト検出サブメソッドを誘発するほど十分に高いが、バースト幅基準を満たすものの最小バースト振幅を満たさない場合、最小バースト振幅からの変動は確実性値基準によって負の重み付けを成すことができる。確実性値基準はたとえば、パーセント値であってもよい。測定された振幅が最小バースト振幅の９５％である場合、それに応じて確実性値を設定することができる。連続バーストがバースト列としてみなすのに十分な周期性を有する場合、負の重み付けがされたバーストを列内に含めて周期性をさらにテストすることができる。特定数の負の重み付けがされたバーストがデータ内に現れる場合、監視アルゴリズムは最小バースト振幅閾値を低減して、監視されている特定の患者に対するバースト検出方法の感度を高めることができる。その他のバースト基準を満たさない信号値に関しても同様の重み付けを実行することができる。確実性値は、バースト検出方法、本明細書に記載のその他のサブメソッド、および監視アルゴリズムによって使用することができる。

明瞭化のために、「ＸＸ」は単に値プレースホルダであり、何らかの大きさや正確性を示すものと解釈してはならない。

再度図７を参照すると、ステップ９６では、１つまたは複数の検出レジスタに、検出ウィンドウに関してバースト値をロードすることができる。たとえば、バーストカウントレジスタは、バースト検出ウィンドウ内で検出されたバーストの数に対応する値を含むように使用することができる。たとえば、図５の２秒間がバースト検出ウィンドウであった場合、そのウィンドウ内のＥＭＧデータをバーストに関して分析することができる。図５では、たとえば、ＥＭＧ信号データが３つのバーストを示す。よって、値３をバーストカウントレジスタに記憶することができる。振幅、周期性、幅、確実性値などその他のバースト値を記憶するためにその他のレジスタを使用することができる。

各バースト検出サイクル、たとえば、バースト検出ウィンドウの分析後、いくつかの実施形態では、検出レジスタはそのコンテンツを１つまたは複数のバースト蓄積レジスタに追加することができる（ステップ９８）。以後のバースト検出ウィンドウでデータを分析する前に、検出レジスタをクリアにして、以後のバースト検出ウィンドウ間のバーストデータの記憶を可能にすることができる。その後、検出レジスタは別のサイクル中にバースト値の記憶を開始することができる、あるいは、いくつかの実施形態では、ある一定の遅延期間後にバーストのカウントを開始することができる。

いくつかの実施形態では、ＥＭＧ信号データは装置ハードウェア内のＲＡＭの循環バッファに書き込むことができる。上記戦略の利点の１つは、処理済みデータがピーク検出値などのデータのパターンだけを記憶し、全信号データの時点毎のデータファイルを記憶しないためにＲＡＭの使用が少ないことである。すなわち、対応する時点毎に電圧（または検出ユニットの振幅を反映するその他の電気的パラメータ）を記憶する必要がない。たとえば、いくつかの実施形態では、図８および図９に示されるようなモデル形式を導き出すのに必要なデータのみを記憶することができる。それらの図面において、検出されたバースト間の領域の雑音が一定レベルで維持されるように図示されていることを認識すべきである。よって、ベースラインデータの個々の変動すべてではなく、ＲＭＳ振幅（１０２）などの雑音の算出値のみを記憶することができる。よって、ＲＡＭ内のデータファイルは大きく圧縮することができる。いくつかの実施形態では、時間ウィンドウ内の圧縮データを記憶するのではなく、所与のウィンドウからのすべての生データをＲＡＭの循環バッファに記憶することができる。よって、アルゴリズムはアルゴリズムの任意の点で任意の所与の先行時間ウィンドウを見ることができると理解すべきである。これは、たとえば、ＥＭＧデータの任意の所与の値が１つまたは複数の時間ウィンドウの間にいかに変化したかを検討するために使用することができる。

いくつかの実施形態では、各バーストは、バースト検出に関連付けられるだけでなく、バースト検出の確実性にも関連付けられる値で重み付けすることができる。確実性値は、たとえば、正規化振幅または正規化振幅対検出器雑音比に関連付けることができる。たとえば、信号バーストは、正規化振幅の約１００％から正規化振幅の約３５％までの移行によって特徴付けることができる。確実性値は約６５とすることができ、その数はレジスタにロードすることができ、レジスタの最大値は約１００である。

ステップ９７に示されるように、１つまたは複数の検出レジスタはそのコンテンツを１つまたは複数の蓄積レジスタに追加することができる。たとえば、バーストカウント検出レジスタはその値をバーストカウント蓄積レジスタに追加することができる。

ステップ９８では、蓄積レジスタは、検出レジスタからデータ値を受け入れることに加えて、保持していた任意の以前の値を調節することができる。たとえば、いくつかの実施形態では、バーストカウント蓄積レジスタは、先行するいくつかのバースト検出サイクル中に収集されるバーストの量に関連する値を保持することができる。すなわち、バーストカウント検出レジスタが１サイクルからのコンテンツを追加するたび、バーストカウント蓄積レジスタは、一部の先行するサイクル間に追加したデータ値を除去することができる。よって、いくつかの実施形態では、バーストカウント蓄積レジスタは、先行するいくつかのバースト検出ウィンドウからのカウントの合計値に基づく移動合計値としての役割を果たすことができる。上記実施形態では、コンピュータはメモリ、たとえば、任意数の追加のレジスタに、バーストカウント蓄積レジスタに対して加算または減算した適切なデータ値を記憶させることができる。別の実施形態では、サイクルの完了時、バーストカウント検出レジスタは、たとえば収集したバーストの値などの任意のコンテンツをバーストカウント蓄積レジスタに追加した後、ある一定の値を除去する、すなわち、ある一定の速度で漏らすことができる。表１に示されるような漏れ速度または減衰速度はテンプレートファイルに含めることができ、調節して特定の患者または患者人口統計に対してバースト検出サブメソッドをカスタマイズすることができる。いくつかの実施形態では、漏れ速度は、別の基準に基づき修正される値とすることができる。たとえば、バーストカウント蓄積レジスタは、１つまたは複数の連続バースト検出ウィンドウがバーストを全く含まない場合である。

別の実施形態では、バーストカウント蓄積レジスタの減衰速度は、１つまたは複数の所与の時間ウィンドウでカウントされたバーストのＳ／Ｎに依存させることができる。別の実施形態では、バーストカウント蓄積レジスタは、バーストのＳ／Ｎがどのように変化しているかに基づき修正することができる。すなわち、検出されたバーストの平均Ｓ／Ｎを追跡することができ、たとえば、少なくともいくらかの期間、所与の時間ウィンドウ内のバーストの平均Ｓ／Ｎ値を循環ＲＡＭバッファなどのメモリに記憶することができる。バーストのＳ／Ｎが時間ウィンドウ間で変更する場合、その変更を分析し、バーストカウント蓄積レジスタの減衰速度を修正するのに使用することができる。概して、バーストのＳ／Ｎが増大している場合、バーストカウント蓄積レジスタの減衰速度は何分の１かに低下し、バーストのＳ／Ｎが減少している場合、バーストカウント蓄積レジスタの減衰速度は何倍か上昇する。また、ステップ９８中、バーストカウント蓄積レジスタのコンテンツは、様々な負の重み付け係数に依存するように減衰させることができる。たとえば、サイクルでバーストが検出されない場合、痙攣が起こっていないことを示すことができ、バーストカウント蓄積レジスタの減衰速度は調節することができる。再度、先行する時間ウィンドウのデータを分析するために、時点毎のデータまたはモデル形状をシステムハードウェアのＲＡＭの循環バッファに記憶することができる。再度図４を参照すると、バーストカウント蓄積レジスタに記憶される値は、監視アルゴリズムで調査することのできる値の一例である。

ステップ９９では、バースト検出アルゴリズムは、次のバースト検出ウィンドウでＥＭＧ信号データを分析する前にバースト検出ウィンドウ遅延値と等しい期間、待機することができる。バースト検出レジスタは、次のバースト検出ウィンドウでＥＭＧデータを分析する前にステップ１００でクリアすることができる。いくつかの実施形態では、バースト検出アルゴリズムは、バーストまたは近似バーストを含まない１つまたは複数のバースト検出ウィンドウを発見するまで、あるいは監視アルゴリズムが警告を誘発するまで実行し続けることができる。

概して、認定されたバーストの存在、およびバーストカウント蓄積レジスタに記憶される大きな値は、痙攣事象を宣言する確率を高めることができる。本明細書に記載の方法の１態様では、たとえば、痙攣が起こっている可能性を低減する信号特徴に関して負の重み付け係数を使用することができる。たとえば、上述したように、先行する時間ウィンドウにおけるバーストの不在や減少するＳ／Ｎなどの様々な負の重み付け係数は、蓄積レジスタの漏れ速度に影響を及ぼす場合がある。

図９Ａ、９Ｂ、および９Ｃは、バーストおよびバースト列検出アルゴリズムの別の実施形態を示す。図９Ａ〜９Ｃのフローチャートは、実際のルーチンではなく論理フローを示す。実際のルーチンでは監視アルゴリズムにより呼び出される、あるいは無限ループではなくタイマ割り込みによる単発パスとして予定される。バースト検出アルゴリズム（図９Ａおよび９Ｂ）とバースト列検出アルゴリズム（図９Ｃ）の２つの主ルーチンがある。バースト検出アルゴリズムは、振幅（最小値および最大値の両方）と最小幅の要件を満たすバーストを探す。検出されたバースト間の最小間隔が小さすぎる場合、バースト列検出アルゴリズムがそれを捕捉する。バースト列検出アルゴリズムは後述するように、周期性アルゴリズムに依存することができる。

図１０では、場合によっては、痙攣警告の開始を抑制するように動作することのできる追加の例示のアルゴリズム１１３（周期性アルゴリズム）が示されている。周期性アルゴリズムは、時間枠全体にわたって循環バッファを観察し、検出されたバーストがいかに規則的であるかを調査することによってこのタスクを実現する。周期性アルゴリズムは、バースト検出アルゴリズムが循環バッファに書き込んだ各種時間ウィンドウからの異なるデータ値を走査し、痙攣を表さない可能性があるものも含めて信号特徴の周期性を調査することができる。

いくつかの実施形態では、周期性アルゴリズムの変数は以下の通りである。
・周期性時間ウィンドウ（秒）
・最小平均（または標準）偏差許容（パーセント）
周期性時間ウィンドウ変数は、周期性アルゴリズがデータを走査する期間である。たとえば、周期性時間ウィンドウは、バースト検出アルゴリズムからのいくつかのバースト検出ウィンドウを含むのに十分である。偏差許容変数は、バーストが痙攣として識別されるように分布される単独周波数からどの程度離れているかの最小値である。バーストが特定周波数、たとえば１Ｈｚ辺りに近すぎて群がる場合、バースト列は実際の痙攣を示していない可能性がある。いくつかの実施形態では、周期性アルゴリズムの値はデフォルトとして経験的に選択することができる。この変数は、患者履歴、経験、患者モデル化および学習、および／または人間のフィードバックに基づき変更することができる。いくつかの実施形態では、患者はたとえば、様々な活動、たとえば、歯を磨く、運動する、歩く、または周期性アルゴリズムのデフォルトを確定するのに使用可能なデータを収集するためのその他の活動に従事することができる。

図１０の例示の方法のステップ１１５では、周期性時間ウィンドウ内のバースト間の期間の平均継続時間を計算することができる。ステップ１１７では、上記各期間の値の実際の継続時間が平均時間値から減算され、ステップ１１９では、差の絶対値を使用して期間の平均偏差を算出し、その平均偏差をパーセントに変換する。

ステップ１２１では、平均偏差パーセントを閾値と比較することができる。上記閾値を動作時のシステムに教示して、個人が一般的に占め得る特定の環境に合わせてカスタマイズすることができる。

たとえば、周期性時間ウィンドウ（秒で測定）で、９個のバーストが以下の時間、１２、１３、１３．７５、１４．３５、１５、１５．８、１６．２、１６．５、１７．４に検出される場合、バースト間に８期間ある。したがって、先の５．４秒を含む周期性時間ウィンドウ全体で、バースト間の８個の期間中に９つのバーストがあった。平均期間はバースト当たり５．４／８＝０．６７５秒と計算することができる。バースト間の期間は以下の通りである。
１３−１２＝１
１３．７５−１３＝０．７５
１４．３５−１３．７５＝０．６
１５−１４．３５＝０．６５
１５．８−１５＝０．８
１６．２−１５．８＝０．４
１６．５−１６．２＝０．３
１７．４−１６．５＝０．９
本例では、簡易化された方法により、バーストが中心とする時間をそのバーストのタイムスタンプとして使用することができる。言い換えると、バーストアルゴリズムがバーストを識別するたびに、タイムスタンプは周期性アルゴリズムによる使用のために循環バッファに書き込むことができる。別の実施形態では、実際のバースト幅を使用して、バースト間の実際の期間長を計算することができる。たとえば、１２秒で発生したバーストが０．０２秒継続する場合、１２秒に始まるバーストと１３秒に始まるバースト間の期間は０．９８秒となる。平均からの偏差の絶対値は以下のように計算することができる。
１−０．６７５＝０．３２５
０．７５−０．６７５＝０．０７５
０．６７５−０．６＝０．０７５
０．６７５−０．６５＝０．０２５
０．８−０．６７５＝０．１２５
０．６７５−０．４＝０．２７５
０．６７５−０．３＝０．３７５
０．９−０．６７５＝０．２２５
絶対値の平均化は以下のようにして達成することができる。
すべての偏差の合計：０．３２５＋０．０７５＋０．０７５＋０．０２５＋０．１２５＋０．２７５＋０．３７５＋０．２２５＝１．５
平均偏差：１．５／８＝０．１８７５
この平均のパーセント偏差：０．１８７５／０．６７５＝２７．８％。これは平均からのかなりの偏差であり、人為的である可能性は低い。最小平均偏差許容変数がたとえば１５％に設定される場合、周期性アルゴリズムは、信頼度が高く、これは痙攣であると宣言し、痙攣警告の宣言に反する投票を行わない。結果は監視アルゴリズムによる使用のためにレジスタに配置される。

別の単純な例では、バースト列はこのように見える可能性がある（秒）：
１７、１７．５、１８．０２、１８．５１、１９．０４、１９．５６、２０．１、２０．６、２１．１３
したがって、上記の４．１３秒を含む周期性時間ウィンドウにわたって、９個のバーストがあり、バースト間の期間は８個であった。平均期間はバースト当たり４．１３／８＝０．５１６２５秒として計算することができる。バースト間の個々の時間は以下の通りである。
１７．５−１７＝０．５
１８．０２−１７．５＝０．５２
１８．５１−１８．０２＝０．４９
１９．０４−１８．５１＝０．５３
１９．５６−１９．０４＝０．５２
２０．１−１９．５６＝０．４５
２０．６−２０．１＝０．５
２１．１３−２０．６＝０．５３
平均からの偏差の絶対値は以下の通りである。
０．５１６２５−０．５＝０．０１６２５
０．５２−０．５１６２５＝０．００３７５
０．５１６２５−０．４９＝０．０２６２５
０．５３−０．５１６２５＝０．０１３７５
０．５２−０．５１６２５＝０．００３７５
０．５１６２５−０．４５＝０．０６６２５
０．５１６２５−０．５＝０．０１６２５
０．５３−０．５１６２５＝０．０１３７５
すべての偏差の合計は以下の通り算出することができる。
０．０１６２５＋０．００３７５＋０．０２６２５＋０．０１３７５＋０．００３７５＋０．０６６２５＋０．０１６２５＋０．０１３７５＝１．６
したがって、平均偏差は１．６／８＝０．０２である。

この平均のパーセント偏差は０．０２／０．５１６２５＝３．８７％である。よって、本例は非常に規則的なパターンを示す。最小平均偏差許容変数が１５％に設定されれば、アルゴリズムは真の痙攣が発生している確実度が非常に低いと宣言し、痙攣警告の宣言を否定するであろう。結果は、監視アルゴリズムによる使用のためにレジスタに置くことができる。

当然ながら、より統計的に正確な結果を得るために、平均偏差計算を標準偏差計算に置き換えることができる。
監視アルゴリズムは、周期性アルゴリズムによって提供される値の結果を使用することができる。すなわち、ステップ１２３または１２５では、アルゴリズムは正の値または負の値を監視アルゴリズムに加算することができる。加算される特定の値は、ステップ１２１での閾値との比較に依存させることができる。監視アルゴリズムに加算される値は、いくつかの実施形態では、特定の決定、ステップ１２１での特定の決定だけではなく、決定が下された確実性にも依存させることができる。また、監視アルゴリズムに加算される値は、その他測定される特長にも依存させることができる。たとえば、環境における特徴パターンはある一定の周期性を有するだけでなく、ある一定の振幅を有することができる。たとえば、アルゴリズムは、ある一定の期間が通常はある一定の信号振幅で特定されることを学習し、それらの特徴が共に見られる場合、追加または超追加値が監視アルゴリズムを調節することができる。

実際の痙攣では、バーストは均等に間隔を置いているように見えることがある。しかしながら、こうした痙攣は人体によって生成され、ほんの稀にしか均等に間隔を置かない。実際の痙攣は通常、バースト間の間隔のある程度のばらつきによって特徴付けられる。その他の信号源、すなわち、痙攣筋肉活動から得られるものではない信号源はＥＭＧ電極によって捕獲することができる。たとえば、部屋またはベッドの機械的振動が電極を装着する腕やその他の筋肉の律動性振動を生じさせる可能性がある。これにより、電極から捕獲され得る信号が生じて、高振幅を有する場合がある。しかしながら、これらの信号は周波数が非常に規則的であり得る。同様に、歯磨きなどの規則的で自発的な人体の運動が、痙攣のようなバーストを生成する場合がある。バーストのように見える電極での干渉源が何であれ、周期性アルゴリズムは偽バーストの周期性を、規則的すぎるため痙攣を示すものではないと評価する。

図１１は、監視レジスタで調査可能な値に寄与することのできる別のサブメソッドの一実施形態を示す。図１１では、ＧＴＣ波形検出アルゴリズム１３０の一実施形態を示す。図１２はＧＴＣ波形検出アルゴリズム１４６の別の実施形態を示す。上述したように、いくつかの実施形態では、検出ユニットおよび基地局が同じまたは異なる方法でデータを分析することができる。図１０の実施形態は、たとえば、データの最初の画面として有効である、すなわち、データセットが基地局に送信されるか否かを判定するのに使用することができる。図１２の実施形態は、たとえば、スペクトル形状とメモリに記憶される多数のファイルとの比較を含め、基地局によって実行させることができる。

ステップ１３２では、図１１に示されるように、検出ユニットおよび／または基地局が分析プロトコルを選択することができる。分析プロトコルの選択は、たとえば、テンプレートファイルに示すことができる。上記テンプレートファイルは、データ平滑化ルーチン、データフィルタリング用ルーチン、その他の形式のデータ処理ルーチン、またはそれらルーチンの組み合わせを選択する指示を含むことができる。上記ルーチンはサブメソッド１３０における各種ステップで実行することができる。ステップ１３４で、データを収集して、ＦＦＴ法を使用してデータを時間領域と周波数領域との間で変換することができる。ＥＭＧデータの集合において、適切なサンプルレートを適宜使用して、たとえば、周波数領域データのエイリアシングを回避することができる。ステップ１３６では、出力密度の局所最小値および局所最大値と関連付けられる周波数値を判定することができる。これを達成するため、データは通常平滑化され、疑われる周波数領域内のデータに合う放物線関数が局所最大値である。局所極値を発見しようとする際、サブメソッドは、ＥＭＧデータがＧＴＣ波形として分類される基準を満たさないことを発見することができる。たとえば、サブメソッドは、局所最大値または局所最小値を示すと予想される所与の領域において、データが上記挙動を示さないことを発見することができる。

サブメソッドは、局所最大値および局所最小値が判明すれば、判定された局所極値と関連付けられる領域の出力密度／周波数曲線下の面積を計算することができる（ステップ１３８）。たとえば、プログラムは、判定された局所最大値を中心とする１０Ｈｚの領域下の面積を計算し、判定された局所最小値を中心とする１０Ｈｚの領域下の面積を計算することができる。これらの面積の比、すなわち凹対凸比をステップ１４０で計算することができ、閾値比、たとえば許容可能な凹対凸比の最小および最大閾値と比較することができる。凹対凸比が閾値範囲内にあれば、ステップ１４２でその値をＧＴＣ検出レジスタに追加することができる。ＧＴＣ検出レジスタに追加された値は、いくつかの実施形態では、凹対凸比が検出された確実性と関連付けることができる。次のステップ１４４では、ＧＴＣ検出レジスタの値をＧＴＣ蓄積レジスタに追加することができる。すなわち、サイクルの完了時、つまり、各ＧＴＣ収集ウィンドウ後、ＧＴＣ検出レジスタは任意のコンテンツ、たとえば、検出される凹対凸比を反映する値をＧＴＣ蓄積レジスタに追加することができる。いくつかの実施形態では、ＧＴＣ収集ウィンドウはバースト検出ウィンドウと同じであってもよい。すなわち、ＧＴＣ波形検出アルゴリズムは、バースト検出アルゴリズムが分析するのと同じデータを分析することができる。その後、ＧＴＣ蓄積レジスタはある一定の値だけ変更させる、たとえば、ある一定の速度でリークすることができる。

図１２を参照すると、ステップ１４８では、波形検出アルゴリズムの別の実施形態が、たとえば、ある一定の期間のＥＭＧ信号のスペクトル成分を表す画像をメモリ内に作成することができる。たとえば、１つまたは複数の検出器は特定の時間ウィンドウにわたるデータを収集することができ、その後、データはスペクトル分析のために周波数領域に変換することができる。ステップ１５０では、波形検出アルゴリズムが画像、たとえば、スペクトルデータを評価し、特徴的ＧＴＣ波形を探すことができる。スペクトルの高周波領域などの任意数のスペクトル領域を分析することができる。ステップ１５２では、ＧＴＣ蓄積レジスタは、スペクトルデータが記憶されたＧＴＣ波形テンプレートとどのように比較されるかに応じた方法で代入することができる。

図１３は、波形規則性検出アルゴリズム１５４の一実施形態を示す。周期性アルゴリズムと同様、波形規則性検出アルゴリズムを使用して、バーストの波形が痙攣活動から生じるには規則的すぎるか否かを判定することができる。ステップ１５６では、期間中のＥＭＧ信号データの振幅とバースト幅を判定することができる。これは、バースト検出アルゴリズムに関して記載したのとほぼ同じように達成することができる。ステップ１５８では、波形を算出することができる。たとえば、バースト周辺のサブ期間からのデータを周波数領域に変換して、波形を算出することができる。波形を算出し、期間中のその他のバーストに関して収集された波形と比較することができる。いくつかの実施形態では、それらの波形が均一すぎる場合、たとえば少なくともいくつかの特徴において同一である、あるいは非常に類似する場合、規則性蓄積レジスタをインクリメントすることができる。たとえば、平均波形を判定し、各波形の平均偏差を計算し、平均波形からの平均偏差のパーセント差を判定することによって、周期性アルゴリズムの場合と同様に波形間の差を計算することができる。そのパーセント差が規則性閾値要件（別の変数）を満たす場合、規則性検出レジスタに値を代入することができる。次の検出サイクルでは、規則性検出レジスタがそのコンテンツを規則性蓄積レジスタに追加することができる。いくつかの実施形態では、波形は所与の期間内の均一性を、その期間にわたって収集されたデータを周波数領域に変換し、非常に狭い周波数範囲にわたって振幅内のスパイクを検出することによって探すことができる。ステップ１５０では、波形規則性が低下すれば、規則性蓄積レジスタが減衰する場合がある。上述したように、いくつかの痙攣変数は警告の宣言に対抗して増加させる、あるいは重み付けを行うことができる。いくつかの実施形態では、規則性蓄積レジスタの値は警告の宣言を抑えるのに供することができる。再度図４を参照すると、ＧＴＣ蓄積レジスタまたはサブメソッド１３０または１４６に記憶される値、あるいはサブメソッド１６０などの規則性蓄積レジスタに記憶される値は、監視アルゴリズムによって使用することのできる値となり得る。

図７、１１〜１３、および１８を参照して説明されるような上記蓄積検出レジスタの全部または一部に記憶される値、または、図１０に示されるようなその他のアルゴリズムからの入力は、監視アルゴリズムの使用を説明する図４のステップ４８などで周期的に評価することができる。監視アルゴリズムは、検出ユニット１２またはベースユニット１４などの痙攣検出システム１０内装置のプロセッサで実行される全般的痙攣検出プログラムとすることができる。中でも特に、監視アルゴリズムは痙攣が進行中か否かを判定することができる。監視アルゴリズムは、ＥＭＧ信号データおよび体温や心拍数などのその他のデータを分析するその他のサブメソッドまたはアルゴリズムの結論を評価することによってこれを達成できる。監視アルゴリズムは、痙攣変数に対応する１つまたは複数のレジスタ内のデータを畳み込むことができる。たとえば、上述したように、サブメソッドは、たとえば、データのある特徴を特定し、確実性値を計算し、レジスタ値をインクリメントすることができる。その後、監視アルゴリズムはレジスタ値を取り、各各値に係数（たとえば、０〜１）を乗算して、特定の痙攣変数にさらに重み付けを行い、結果の積をすべて加算することができる。積の合計値が閾値を超えれば、痙攣が検出されたと宣言し、それに応じて警告を送信することができる。たとえば、一例は、合計＝（レジスタ１）＋ｂ（レジスタ２）＋．．．ｚ（レジスタ２６）となる。合計が検出閾値を超過すれば、痙攣検出を宣言することができる。

図１４は監視アルゴリズム１６２の一実施形態を示す。ステップ１６４では、監視アルゴリズムは、検出レジスタおよび蓄積レジスタのうち１つまたは複数を周期的に評価することができる。すなわち、監視アルゴリズムは、上記レジスタに記憶される値を判定することができる。ステップ１６６では、監視アルゴリズムは、各レジスタ内の値を適切な重み付け係数によって乗算する、あるいはその他の方法で畳み込むことができる。上記重み付け係数はたとえば、テンプレートファイルと関連付けることができる。たとえば、表１は、バーストカウント蓄積レジスタの値を調節するのに使用可能な係数を示す。アクセスされた検出レジスタと蓄積レジスタの合計値は共にステップ１６８で加算することができる。ステップ１７０では、ステップ１６８で判定された合計値を全体閾値と比較することができる。合計値が閾値より大きい場合、痙攣警告プロトコルを開始させることができる（ステップ１７２）。いくつかの実施形態では、監視アルゴリズムはレジスタの一部の出力を評価することができる。たとえば、１つまたは複数のレジスタを評価し、係数で畳み込み、閾値と比較して、適切であれば警告プロトコルを開始させることができる。いくつかの実施形態では、ある痙攣変数が修正される係数を、別の痙攣変数の値に依存させ得る。たとえば、システムは２つの痙攣変数が同時に上昇される、あるいはそれ以外の方法で関連付けられるときを学習して、高い信頼度で痙攣を検出することができる。

図１４Ａは監視アルゴリズムの別の実施形態を示す。監視アルゴリズムは異なる痙攣特徴に関して処理済みのＥＭＧデータを分析することができる。監視アルゴリズムは時間の経過と共にその結果を統合または平均化し、その結論を継続的に更新することができる。これは、偽陽性を導く恐れのあるデータ中の短いグリッチまたはスパイクを除去する役割を果たすことができる。図１４Ａの実施形態では、監視アルゴリズムは上記サブアルゴリズムからのレジスタ値を以下のように使用する。
・バースト列検出フラグと確実性値
・周期性良／不良と確実性値
・ＧＴＣ波形検出と確実性値
本実施形態では、各サブアルゴリズムが検出を示すフラグ、または周期性の場合は検出に反対投票するフラグを生成することができる。それぞれが、痙攣宣言の判定全体における各サブアルゴリズムの重要性または重みを確定する係数または複数の変数（Ａ、Ｂ、Ｃ、Ｄ）を有することができる。上述したように、確実性値は０〜１００％を取ることができ、１００が最高確実性である。監視アルゴリズムは確実性値を使用して、バースト検出アルゴリズムの結果の信頼度を評価する。

通常、確実性値は、あるアルゴリズムを別のアルゴリズムに移送することによって、第１のアルゴリズムが判定においてどのくらい確実であったかを示すのに用いることができる。バースト検出アルゴリズムの場合、たとえば、あるメトリクスは最大値５０までのバースト正規化間の平均ＳＮＲとすることができる。別のメトリクスは、たとえば波形規則性分析を通じてどの程度バーストが理想バーストに近いかである。最小値よりも幅がかろうじて大きいバーストは、最小値より５倍広いと評価することはできない。また、最大値に近すぎるバーストには低い確実性値を与えることができる。たとえば、本明細書で示唆されるように、基準バースト幅は最初、実際の痙攣を経験した多くの試験患者の経験データから得ることができ、出荷時設定値である。後で、患者からのデータが集まるにつれ、患者にとってより代表的な理想幅を確定することができる。バースト幅の格付けは最大値５０まで正規化して、最大値１００ではＳＮＲ値に追加することができる。その他のメトリクスも係数にして、それぞれ別の重み付けをすることができる。重み付け方法の一例は異なる値への正規化である。
ＳＮＲ４０％
幅３５％
振幅２５％
確実性値を確定するのに同様の工程を各サブアルゴリズムに対して実行することができる。

監視アルゴリズムが決定工程を数量化するのに使用することができる式：
痙攣検出＝Ａ＊（バースト＿列＿フラグ＊確実性）＋Ｂ＊（周期性＿良＿フラグ＊確実性＿良）−Ｃ＊（周期性＿不良＿フラグ＊確実性＿不良）＋Ｄ（ＧＴＣ＿フラグ＊確実性＿値）
合計値が痙攣検出閾値変数値より大きい場合、監視アルゴリズムが痙攣を断言する。その他の痙攣変数も使用することができ、たとえば、痙攣長は、痙攣が警告生成前にどの程度（秒）痙攣が進行中でなければならないかを明示するために使用することができる。合計値が痙攣検出閾値変数値より小さい場合、監視アルゴリズムはサブメソッドレジスタの再走査前のある期間、非活動状態にすることができる。

上記の式から、周期性が良である場合、ある重みを有する合計値に加算することが分かる。周期性が不良である場合、別の重みを有する合計値から減算する。これにより、周期性アルゴリズムは、ＥＭＧ信号が電源や蛍光灯などから高周波等の明らかな干渉を含むと判定する場合、痙攣検出に強力に反対する投票を行うことができる。体温や心拍数などのその他の入力を、独自の係数および確実性値で加算することができる。心拍数はＥＭＧ電極で検出できることもあるため、それ以上の電極を必要としない。しかしながら、心拍数および体温用の専用電極は、それらの現象に関してより適切な信号を提供することができる。

本明細書に記載のシステムおよび方法の１態様は、患者または患者人口統計の一般的な痙攣特徴に関するデータが集まるにつれ、容易にカスタマイズされ適合され得ることである。上記方法は、１セットのルーチン、係数、または修正可能なテンプレートファイルに含めることのできるその他の値を有するアルゴリズムを使用することができる。いくつかの実施形態では、検出システム、たとえば、システムは、痙攣を迅速に検出するように設計されるシステムは、データの正確なログを有し、患者の状態に関するログも有することが有益である。すなわち、たとえば、検出しようとする事象を正確に記録した検出システム、および検出データ自体（および時間で対応付けられた事象）を、後述するように最適化することができる。

テンプレートファイルのコンセプトと本明細書に記載のシステムの適合的態様を理解するため、図１５および１６を参照する。図１５は、高レベルで、データ収集の方法１７４を示す。方法１７４では、最初のテンプレートファイルを個人用に生成または選択することができる（ステップ１７６）。いったんテンプレートが生成または選択されれば、検出ユニットおよび／または基地局のコンピュータメモリに追加することができる。テンプレートファイルに含まれるデータの例を表１に示す。

最初のテンプレートファイルを確定するのに多数のアプローチを使用することができる。いくつかの実施形態では、患者は病院またはその他の制御された環境下で一定期間監視され、ＥＭＧ電極出力から得たデータなどのデータが収集されて、経験の有無と関連付けられる、すなわち、個人の一般的な痙攣特徴を確定することができる。そのデータから、オペレータまたはソフトウェアは最初のテンプレートファイルを生成する、あるいは予め生成されたテンプレートのリストから適切なファイルを選択することができる。いくつかの実施形態では、最初のテンプレートファイルは一般的な患者人口統計からの履歴データを用いて入手することができる。たとえば、患者は年齢、性別、人種、体重、体脂肪、腕の脂肪量、足の脂肪量、運動レベルなどの任意の組み合わせを含む各種特長によって定義することができる、あるいは患者はその他の特徴によって定義することができる。たとえば、痙攣履歴、現在の投薬、またはその他の要因を含む患者の医療履歴も考慮に入れることができる。いったん生成または選択されれば、テンプレートファイルは検出ユニットおよびベースユニット内のコンピュータメモリに含められ、個人は過程で検出ユニットを使用することができる。

ステップ１７８では、家庭環境にいる患者は、検出ユニットを使用してＥＭＧ出力またはその他の検出器出力を収集し処理することができる。なお、図１に示されるように、その検出ユニットは、ベースユニット、トランシーバ、およびデータ記憶ユニットと通信することができる。したがって、データの任意の一部が収集され、処理され、またデータアーカイブへ送信されることができる。図１５では、検出器データの記憶がステップ１８０で示されている。データの任意の一部、たとえば、生データまたは処理済みデータを記憶することができる。いくつかの実施形態では、データは、人がデータにアクセスし、別のアルゴリズムで分析される場合にデータがどのように挙動するかを判定することができるようにモデルフォームに変換することができる。たとえば、成形データバースト間の期間中の雑音値を値として記憶することができ、ベースラインのすべての変動を含む時点毎のデータファイルを含まなくてよい。バーストは自身を成形し、このパターンを記憶することができる。いくつかの実施形態では、データを記憶アーカイブに追加して、２つ以上の異なるテンプレートをそのデータに適用することができる。すなわち、データを任意数のテンプレートファイルで分析して、その分析結果を将来の検討用に記憶することができる。それに鑑み、異なる予め生成されたテンプレートを実行する結果を記憶して、生データまたはその他の処理済みデータは記憶しない。当然ながら、それらの予め生成されたテンプレートを実行した結果を評価して、たとえば、それらの結果と患者の体調を反映するデータとの比較後、一方のテンプレート、すなわち患者の監視に使用しなかったテンプレートが実際には好適に患者の痙攣を検出したであろうか否かを判定することができる。

個々の患者または患者人口統計においてより適切に痙攣を検出するようにアルゴリズムを適合させることは、検出器データの編成だけでなく、たとえば、検出器データの任意の所与の部分に関する患者の体調などの情報に依存させることができる。すなわち、実施形態によっては、データストリームの特定の時点で実際に発生したことの記録をＥＭＧまたはその他の検出器データと共に文書化することが有益であろう。このような情報は、たとえば、ステップ１８２に示されるように介護者によって特定することができる。介護者は、情報を記憶できるデータ記憶設備に上記情報を提供することもできる（ステップ１８４）。もしくは、介護者が、最適化手順を実行するオペレータに上記情報を提供することができる。データ記憶装置に提供される情報は、たとえば、疑わしい痙攣が痙攣であると認証されたか否か、疑わしい痙攣が実際には違っていたか否か、事象が発生したときの患者の位置、痙攣の重篤度、事象の時間、行われた可能性のある治療、およびその他の情報を含むことができる。この情報の少なくとも一部は、患者または個人によっても提供され得る。

また、いくつかの実施形態では、患者も一般的な痙攣特徴に関連する情報を提供することができる。たとえば、患者は痙攣が進行中であるという警告を検出器ユニットから受け取ることができる（ステップ１８６）。警告を受けても、実際には痙攣を感じていないと気付いている個人には、偽陽性がシステムによって警告されたというメッセージを介護者および／またはデータ記憶ユニットに送信するオプションを与えることができる。いくつかの実施形態では、個人は、検出ユニットまたは別のユニットなどの装着装置上の２つのボタンを同時に押すことによって誤検出の存在を伝えることができる。当然ながら、個人が同時に２つのボタンを押すという要件は、偶発的な信号が送信されるというリスクを最小限にすることができる。偶発的メッセージを最小限にするその他の任意の適切なアプローチを使用することができる。このように送信された、たとえば、患者から記憶設備に送信されたメッセージ（ステップ１８８）は、偽陽性事象と偽陽性事象を開始させたデータとを関連付けるタイムスタンプを含むことができる。このような情報はデータ記憶設備に記憶することができる（ステップ１９０）。

いくつかの実施形態では、追加情報、たとえば、任意の偽陽性事象または痙攣事象に関連付けられるその他の情報を提供するオプションを個人に与えることができる。このようなサポート情報は、個人が従事している活動、または痙攣が進行中であるという通知を受け取ったときの物理的位置を含むことができる。また、検出器ユニットは上述したように入力／出力装置であってもよいため、痙攣警告をベースユニットから検出器ユニットまたは患者が携行または装着するその他のユニットに送信することができる。すなわち、ベースユニットが警告の開始を制御する場合、基地局は痙攣が検出されたことを（患者に物理的に近い）検出器ユニットに伝えることができる。いくつかの実施形態では、装置は、偽陽性事象などの情報を、介護者または患者の手首周囲やベルトに付けることのできるデータ記憶設備に報告するための手段を含む。オペレータは、データ記憶設備内のデータにアクセスし、情報１９２を整理することができる。

痙攣検出を最適化し、テンプレートファイルを更新する方法１９４を図１６に示す。ステップ１９６では、オペレータは任意の新たなデータ、たとえば、患者の家庭環境で収集されたデータを、その患者の予め記憶されているデータに追加することができる。すなわち、オペレータはデータファイルを更新することができる。もしくは、オペレータは、患者に関する新たに収集したデータを、患者人口統計に関連付けられるデータ本体に追加することができる。システムは、ステップ１９８で、たとえば、最初のテンプレートファイル（または現在使用されているその患者のテンプレートファイル）を使用し、個人の更新データファイルに適用されるようにシステムの検出メトリクスを特徴付けることができる。システムのメトリクスは、正しく特定された痙攣事象、見逃された痙攣事象、偽陽性、およびいくつかの実施形態では、痙攣と考えられる事象の重篤度の判定をリストアップすることを含むことができる。また、任意の所与の報告事象、たとえば、痙攣事象または偽陽性検出の場合、いくつかの実施形態では、事象の時点での異なるレジスタ内のデータをオペレータに提供することができる。上記情報は、たとえば、最初の信号データまたは記憶された値から（最適化中に）再計算することができる。ステップ２００では、オペレータがコンピュータプログラムを実行し、重み付け係数、閾値、基準、および選択される処理ルーチンなどの情報のフィールドを最初のテンプレートファイル（または現在使用されているテンプレート）から選択して、それらのフィールドを変更することができる。オペレータは、１つまたは複数のフィールドを手動で選択して調節することができる。システムは、テンプレートフィールドを変更しながら検出メトリクス（ステップ２０２）を特徴付け、更新されたテンプレートファイルのために新たな環境（ステップ２０４）を選択することができる。当然ながら、更新テンプレートファイルは検出ユニットおよび基地局の一方または両方にダウンロードすることができる。

本明細書に記載の方法および装置の１態様は、各種実施形態において、検出ユニットと基地局の間、またはそれらのユニットとデータアーカイブの間で情報を編成できることである。また、いくつかの実施形態は、最も関連性の高いデータの部分の収集を編成するように使用することができる。

いくつかの実施形態では、データ収集速度は、電極が活動状態、休止状態、またはポーリング動作従事中などの所与の状態にあるか否かに依存させることができる。たとえば、図１７は、データ収集速度が電極の状態に依存する痙攣検出方法２０６の一実施形態を示す。方法２０６は、たとえば破線２０８内の動作で特徴付けられる「スリープ」モードと活動状態２１４などの略連続的動作モードの間で検出ユニットおよび／または基地局を切り替えるために使用することができる。図１７に示されるように、検出器および／またはベースユニットは、「スリープモード」における一定時間、休止状態２００で存在するように構成することができる。休止状態２１０において、検出器またはベースユニットが無症状である場合、患者からのデータを監視していない、あるいは収集していない場合がある。休止状態は、休止状態２１０を周期的に出る、たとえば、ある期間、検出器データを収集する指示を含むことができる。すなわち、検出器は、データが収集されるポーリング動作ステップ２１２に入ることができる。個々のポーリング動作の継続時間は、電極状態に関する決定を下すのに必要なデータを収集するのに十分である。すなわち、たとえば、ポーリングステップ２１２中に収集されるデータに基づき、検出器は休止状態２１０に戻る、あるいは活動状態２１４などの別の状態に入ることができる。

休止状態と活動状態との間で切り替える任意の各種ルーチンを使用してデータを収集することができる。振幅検出アルゴリズムは、たとえば、休止状態と活動状態との間で電極を切り替えるのに使用することができる。図１８は、振幅検出アルゴリズム２１６の一実施形態を示す。ＥＭＧ信号振幅は、所与の時点または選択された期間内で測定可能なピーク値、平均値、中央値、積算値、またはその他の値とすることができる。ＥＭＧ信号振幅は、患者のベースライン活動に関して正規化する、あるいは較正することができる。図１８に示されるように、ステップ２１８では、休止状態にある１つまたは複数の電極を「覚醒」させてＥＭＧ信号振幅を測定することができる。たとえば、ステップ２２０に示されるように、振幅が閾値レベルを超える場合、１つまたは複数の電極はＥＭＧ信号振幅を測定し続けることができ、閾値レベルが得られない場合、１つまたは複数の電極は休止状態に戻ることができる。検出ユニットが「スリープ」モードになる期間を有することによって、システムはバッテリ寿命を節減し、メモリに記憶されるデータ量を最小化し、ネットワークに転送されるデータ量を最小化し、あるいはその他の機能を実行することができる。いくつかの実施形態では、より継続的に活動状態を入力し患者を監視する決定は、振幅検出の他の要因に基づいて下すことができる。

装置の間でデータ収集を割り当てるのに使用することのできる追加の実施形態を図１９および２０に示す。図１９の実施形態では、検出ユニットのＥＭＧ電極がＥＭＧ信号を検出し、信号のスペクトル成分を判定し、スペクトル成分を検出ユニットのメモリに記憶されるモデルＧＴＣ波形と比較することができる。スペクトル成分がＧＴＣ波形にほぼ類似する場合、検出器ユニットは約１０秒分のＥＭＧ信号を基地局に送信することができる。好ましくは、送信されるＥＭＧ信号は、比較に基づき形成される信号を含む。基地局は受信された信号のスペクトル成分を個々に判定し、スペクトル成分を基地局に記憶されるＧＴＣ波形と比較することができる。スペクトル成分がＧＴＣ波形にほぼ類似する場合、基地局は警告を遠隔局または介護者に送信することができる。よって、一実施形態では、送信されるべき警告に関して、検出ユニットと基地局の両方がそれぞれ、ＥＭＧ信号のスペクトル成分がＧＴＣ波形にほぼ類似すると判定しなければならない。

図２０の実施形態では、検出ユニットのＥＭＧ電極はＥＭＧ信号を検出し、信号のスペクトル成分を判定し、スペクトル成分と検出ユニットに記憶されるＧＴＣ波形とを比較する。スペクトル成分がＧＴＣ波形にほぼ類似する場合、検出器ユニットは約１０秒分のＥＭＧ信号を基地局に送信することができる。好ましくは、送信されたＥＭＧ信号は、比較に基づき形成される信号を含む。基地局は受信した信号のスペクトル成分を個々に判定し、スペクトル成分を基地局に記憶されたＧＴＣ波形と比較することができる。基地局は、上述したように規則的な周期性などのバースト活動に関して受信した信号を分析し、バースト閾値が満たされるか否かを判定することができる。スペクトル成分がＧＴＣ波形にほぼ類似し、基地局がバースト閾値を満たすバースト活動を認識する場合、警告を遠隔局または介護者に送信することができる。

同様に、各種痙攣変数値に関するＥＭＧ信号データの処理は、プロセッサの存在と機能および記憶容量に応じて、検出ユニット、基地局、またはその両方で達成することができる。

上記アルゴリズムまたはその他のサブメソッドで使用することのできるいくつかの追加の処理手法を後述する。たとえば、いくつかの実施形態では、レジスタのレベルまたはコンテンツの値が痙攣変数が閾値を超過した時間に関連し、データのある一定の特徴の大きさ、たとえば痙攣変数に関連するように、またはその両方となるようにレジスタに値を代入することができる。たとえば、レジスタには、ある一定の特徴が閾値を超えて持続するＸ秒毎に１セットの数値をロードすることができる。よって、閾値を超える特徴を有する時間が所与の期間、たとえばＸ秒持続する場合、該方法は痙攣検出を主張することができる。特徴が閾値を下回る場合、レジスタは何らかの方法でリセットまたはデクリメントすることができる。このような実施形態では、ある一定の特徴が閾値を超える期間の数に応じて警告を誘発させることができる。また、レジスタ（たとえば、第１のレジスタ）はある一定の特徴が閾値を超過するＸ秒毎に数値をロードすることができ、その数値は信号の大きさまたは所与の期間に検出された事象の回数に比例させることができる。毎Ｘ秒の経過後、第２のレジスタに、第１のレジスタに依存して、たとえば、特定レベルを超えて持続されるか否かに応じて値を代入することができる。上記実施形態では、たとえば、特定数の連続期間、第２のレジスタに値が代入されれば警告を始動させることができる。第１のレジスタは、いくつかの実施形態では、ある一定の速度でデクリメントすることができる。たとえば、第１のレジスタは、記録された事象の大きさまたは回数に比例してＸ秒毎にロードし、第２の期間、Ｘ秒毎にデクリメントすることもできる。よって、第１のレジスタは、インクリメントされるかデクリメントされるかに応じて値を増加させることも減少させることもできる。いくつかの実施形態では、第２のレジスタがある一定の閾値を超過するか、第１のレジスタが閾値を超過するか、あるいは一方または両方がある一定の閾値を超過する場合に警告を始動させることができる。評価された特徴が、積分計算が必要とされる種類のものである場合、該方法はＸ秒毎に特定量レジスタをインクリメントすることができる。レジスタがインクリメント速度よりも遅く減衰するように設定される場合、レジスタ値は時間の経過と共に増加する。上昇速度を緩めると、該方法は痙攣検出の信頼度を緩やかに上昇させることができる。

いくつかの実施形態では、検出ユニット内のＥＭＧ電極はＥＭＧ信号を検出し、信号のスペクトル成分を判定し、スペクトル成分を検出ユニットに記憶されるＧＴＣ波形と比較することができる。スペクトル成分がＧＴＣ波形にほぼ類似する場合、検出器ユニットは警告を基地局、遠隔局、およびまたは介護者に送信することができる。検出器ユニットは、基地局による確証的な分析なしに警告を送信することができる。さらに別の実施形態では、検出器ユニットはさらに、上述したように、規則的な周期性などの痙攣バースト活動に関してＥＭＧ信号を分析し、バースト閾値が満たされているか否かを判定することができる。スペクトル成分がＧＴＣ波形にほぼ類似し、検出器ユニットがバースト閾値を満たすバースト活動を認識する場合、検出器ユニットは基地局、遠隔局および／または介護者に警告を発することができる。

いくつかの実施形態では、痙攣検出システムは一般的ＧＴＣ波形を提供されて、患者のベースライン活動、たとえば、睡眠中や日中の活動などに関して較正することができる。波形活動が増大すると、痙攣検出システムは検出ユニットによって収集される信号と一般的ＧＴＣ波形とを比較することができる。痙攣検出システムは信号の特徴付けを開始し高信号振幅を探すことができる。痙攣検出システムは信号を処理して、高速フーリエ変換（ＦＦＴ）などの良く認識された方法によってスペクトル成分を生成することができる。痙攣検出システムはフィルタリングを適用して、高周波「バースト」をより明瞭に示すことができる。痙攣検出システムは、バーストの振幅、カウント、列の時間長、および周期性の要因のうち１つまたは複数を測定し、それらの要因を記憶されたパターンおよび閾値と比較することによって、処理された信号が一般的痙攣特徴に合うか否かを判定することができる。閾値を超過した場合、警告をたとえば基地局にデータと共に送信することができる。基地局は、警告状態の認証のためにデータを独立して処理することができる。基地局が警告に合意する場合、基地局は警告を遠隔装置および局所音声生成装置に送信することができる。警告は音声信号、テキストメッセージ、またはｅメールを含み、あるいはＰＤＡの振動またはその他の適切な注意喚起機構を始動させることができる。いくつかの実施形態では、基地局に検出ユニットの警告に合意させることで、誤警告を低減する投票機構が導入される。両方の装置が決定に関して投票し、音声警告に合意しなければならない。これは誤警告を制限するのに使用することができる。当然ながら、患者搭載ユニットのプロセッサはバースト検出に基づきＥＭＧ信号を処理し、ＧＴＣ波形に基づきＥＭＧ信号を別個に処理し、両方の工程が警告プロトコルを開始すべきであると示す場合に警告を送ることができる。よって、投票は装置内でも行うことができる。

いくつかの実施形態では、痙攣事象の前後、人間のオペレータは、痙攣の重篤度または場合によっては高閾値による実際の痙攣の非検出に基づき閾値を検討し調節することができる。多くの人が痙攣を経験しても、たとえば、上記の短命の痙攣などの痙攣に気付かない。このデータを検討させることは、痙攣患者の治療に役立つ。また、人間のオペレータはデータを評価し、痙攣が発生しなかったと結論付け、警告をキャンセルする、あるいは検出された波形が痙攣を示唆しなかったことを痙攣検出システムに指示することができる。同様に、人間のオペレータは、たとえば痙攣が起こった期間を明示することによって未検出の痙攣が起こったことを痙攣検出システムに指示することができる。たとえば、上述の図面内のグラフはＥＭＧ活動のローリング「ウィンドウ」を含むことができ、人間のオペレータは記録された信号を「巻き戻し」、痙攣が発生した時間ウィンドウを痙攣検出システムに指し示すことができる。いくつかの実施形態では、ベースユニットは、時間およびスペクトル領域におけるＥＭＧ信号を表示し、介護者が履歴痙攣データを視聴することのできる視覚ディスプレイを含むことができる。いくつかの実施形態では、基地局は信号を視覚的に表し、人間のオペレータが「ウィンドウ」選択を達成しその他の動作閾値および状態を定義することのできるグラフィックユーザインタフェース（ＧＵＩ）を提供する。たとえば、図１のシステム１０は、睡眠中の患者を記録し、介護者がＥＭＧ信号に対応する患者の症状のビデオ画面と協調してＥＭＧ信号を視聴することができるビデオカメラを含むことができる。よって、ビデオデータはＥＭＧ信号データと共に記憶され、たとえばＥＭＧ信号グラフと一緒に基地局ＧＵＩで視聴することができる。言い換えると、基地局は、介護者にＥＭＧ信号グラフと対応するビデオデータとを並べて見せることができる。よって、痙攣検出システムは追加のデータ点を有し、それに照らして特定の患者に対する将来の痙攣事象を評価することができる。痙攣検出システムは適合性インテリジェントソフトウェアを採用して患者の痙攣パターンを「学習」し、その患者の痙攣をより適切に検出するように徐々に効果的に汎用ＧＴＣ波形をカスタマイズすることができる。

痙攣検出装置は好ましくは携帯型であり、たとえば弾性アームバンドを用いて人体に装着可能な検出ユニットを含むことができる。検出ユニットは電池式であり、基地局と無線で通信することができる。検出ユニットは、信号を受信し、バッファリングし、処理し、送信するのに十分なデータ記憶、処理、および送信能力を有することができる。検出ユニットは、信号を処理し、たとえば、振幅および周波数の２つの要因を用いて、検出ユニットに記憶される一般的な痙攣検出要件と単純な比較を行うことができる。検出ユニットは痙攣の発生を判定すると、より複雑な処理のためにその分析と生信号データの両方をベッドサイド基地局にダウンロードすることができる。基地局はより多くのパワー、より多くの記憶容量、およびより速い処理速度を有し、より適切に情報を処理することができる。比較するためにパターンのより大きなデータベースを有する可能性がある。痙攣検出システムが患者のパターンを「学習」する際、基地局は一般的痙攣検出要件を修正して患者パターンをより厳密にモデル化することができる。基地局は、修正された一般的痙攣検出要件で周期的に検出装置を更新することができる。同様に、基地局はさらなる分析とその他の使用中ユニットからの信号データとの凝集のために、生信号データと処理された信号データを遠隔コンピュータに送信することができる。たとえば、複数の基地局は、複数の患者のデータを遠隔コンピュータに送信することができる。各基地局はその他の基地局のデータを受信することができないが、遠隔コンピュータはデータの共通レポジトリとして供することができる。データの凝集により、さらなるデータ点に基づき、出荷時設定値として基地局および検出ユニットに供給することのできる一般的痙攣検出要件、閾値、および統計情報を改良することができる。

上述したように、いくつかの実施形態では、ＥＭＧに加えて、心電図記録（ＥＣＧ）を痙攣の発生を確証（または否定）するために使用することができる。このオプションは、特に厄介な患者に使用することができる可能性がある。過剰な量の弛緩性皮膚または高濃度の脂肪組織を持つ患者の監視が特に困難であろう。たとえば、信頼性の高いＥＭＧ測定に関連付けられる要素は、電極と皮膚間の接触の安定性である。患者によっては、これを確実に達成するのが困難な場合がある。ＥＣＧデータは、痙攣関連事象が発生中である（あるいは発生した）か否かの可能性を判定する方法に含めることができ、痙攣を宣言すべきか否か、たとえば警告を発するべきか否かを判定するために使用することができる。さらに、皮膚と脂肪は本質的に周波数フィルタの一種である。

痙攣中に心拍数が上昇する場合がある。たとえば、患者が頻脈になる場合がある。本明細書にさらに記載するように、痙攣検出装置のＥＭＧ処理部が、痙攣が進行中であり、心拍数が上昇していないと判定する場合、検出の信頼度が低減される場合がある。たとえば、ベータ遮断薬を使用する癲癇患者は、心拍数の上昇を経験しない可能性がある。このような状況で、心拍数を因数として組み込む方法は、その因数に与えられる重みを低くする係数を設けることができる。よって、開示される検出方法および装置は、特定の薬物処方の使用などの患者固有の検討事項に合わせて調節する、あるいは容易にカスタマイズすることができる。いくつかの実施形態では、ＥＣＧを使用して、痙攣後の除脈や不全収縮などのその他の不整脈を検出し、上記症状が検出される場合に警告を送信することができる。患者の体温を検出するように配置される温度センサからのデータも、痙攣の発生を確証する、あるいは警告を開始するのに使用することができる。

通常、痙攣検出システムの装置は、本明細書に開示の方法および目標のうち１つまたは複数を達成する任意の適切な種類および構成とすることができる。たとえば、サーバは、１つまたは複数のその他のコンピュータまたはプログラム、またはクライアントからコマンドまたは要求に応答する１つまたは複数のコンピュータまたはプログラムを備えることができる。クライアント装置は、１つまたは複数のその他のコンピュータまたはプログラム、またはサーバによって提供されるサービスに関するコマンドまたは要求を発する１つまたは複数のコンピュータまたはプログラムを備えることができる。図１の各種装置、たとえば、１２、１３、１４、１６、１７、１８および／または１９は、機能および構成に応じてサーバまたはクライアントとすることができる。サーバおよび／またはクライアントは、たとえば、メインフレームコンピュータ、デスクトップコンピュータ、ＰＤＡ、スマートフォン（ＡｐｐｌｅのｉＰｈｏｎｅ（商標）、ＭｏｔｏｒｏｌａのＡｔｒｉｘ（商標）４Ｇ、およびＲｅｓｅａｒｃｈ Ｉｎ ＭｏｔｉｏｎのＢｌａｃｋｂｅｒｒｙ（商標）など）、タブレット、ネットブック、携帯型コンピュータ、ネットワーク通信機能付き携帯メディアプレーや（ＭｉｃｒｏｓｏｆｔのＺｕｎｅ ＨＤＴＭやＡｐｐｌｅのｉＰｏｄ Ｔｏｕｃｈなど）、ネットワーク通信機能付きカメラ、ウェアラブルコンピュータなどであっても、そこに置いてもよい。

コンピュータは、入力を受け付け、プログラムにしたがって入力を処理し、出力を生成することのできる任意の装置とすることができる。コンピュータは、たとえば、プロセッサ、メモリ、およびネットワーク接続機能を備えることができる。コンピュータは、コンピュータのサイズ、速度、コスト、および機能に応じて、スーパーコンピュータ、メインフレーム、ワークステーション、マイクロコンピュータ、ＰＤＡ、およびスマートフォンなどの様々な種類とすることができる。コンピュータは固定型でも携帯型でもよく、携帯電話、媒体記録および再生、データ転送、ウェブブラウジング、データ処理、データクエリ、工程自動化、ビデオ会議、人工知能などの様々な機能に合わせてプログラミングすることができる。

プログラムは、コンピュータ（オブジェクトコード）によって実行可能な形式、人間（ソースコード）によって読取可能な形式、あるいはそれ以外にかかわらず、アルゴリズムなどの任意の一連の指示を含むことができる。プログラムは、１つまたは複数のデータ構造および変数を含む、あるいは呼び出すことができる。プログラムは、ハードウェアまたはソフトウェア、またはその組み合わせに埋め込むことができる。プログラムは、Ｃ、Ｃ＋＋、Ｊａｖａ（登録商標）、Ｐｅｒｌ、ＰＨＰ、Ｒｕｂｙ、ＳＱＬなどの任意の適切なプログラミング言語を用いて作成することができる。コンピュータソフトウェアは、１つまたは複数のプログラムおよび関連データを含むことができる。コンピュータソフトウェアはたとえば、システムソフトウェア（オペレーティングシステムソフトウェア、デバイスドライバ、およびユーティリティなど）、ミドルウェア（ウェブサーバ、データアクセスソフトウェア、およびエンタープライズメッセージングソフトウェアなど）、アプリケーションソフトウェア（データベース、ビデオゲーム、およびメディアプレーヤなど）、ファームウェア（装置固有ソフトウェア搭載の計算機、キーボード、および携帯電話など）、およびプログラミングツール（デバッガ、コンパイラ、およびテキストエディタなど）を含む。

メモリは、情報が一時的または永久的に記憶される、および検索される任意のコンピュータ読取可能媒体を含むことができる。メモリの例は、ＳＲＡＭ、ＤＲＡＭ、Ｚ−ＲＡＭ、フラッシュ、光ディスク、磁気テープ、パンチカード、ＥＥＰＲＯＭなどの各種ＲＡＭおよびＲＯＭを含む。メモリは１つまたは複数の装置および／または地理的位置またはその全体に、ＲＡＩＤ技術などで仮想化して提供することができる。

入出力装置は、コンピュータへ情報を提供する、および／またはコンピュータから情報を受信することのできる任意のハードウェアを備えることができる。例示の入出力装置は、ディスクドライブ、キーボード、ビデオディスプレイスクリーン、マウスプリンタ、プリンタ、カードリーダ、スキャナ（バーコード、指紋、虹彩、ＱＲコード(登録商標）、およびその他の種類のスキャナなど）、ＲＦＩＤ機器、テープドライブ、タッチスクリーン、カメラ、運動センサ、ネットワークカード、記憶装置、マイクロフォン、オーディオスピーカ、タッチペンおよびトランスデューサ、および関連インタフェースおよびドライバを含む。

ネットワークは、仮想的に、切り替えられ、ルーティングされ、完全に接続された、セルラーネットワーク、インターネット、イントラネット、ローカルエリアネットワーク（ＬＡＮ）、広域ネットワーク（ＷＡＮ）、都市圏ネットワーク（ＭＡＮ）、その他の種類のエリアネットワーク、ケーブルテレビネットワーク、通信衛星ネットワーク、電話網、公的ネットワーク、私設ネットワーク、有線または無線ネットワーク、およびそれらの組み合わせとそのサブネットワークを含むことができる。ネットワークは、ルータ、ブリッジ、スイッチ、ハブ、中継器、コンバータ、受信機、プロキシ、ファイアウォール、トランスレータなどの様々なネットワーク機器を使用することができる。ネットワーク接続は有線または無線とし、マルチプレクサ、ネットワークインタフェースカード、モデム、ＩＤＳＮターミナルアダプタ、ラインドライバなどを使用することができる。ネットワークは、ポイントツーポイント、バス、スター、ツリー、メッシュ、リング、およびその任意の組み合わせまたは剛性などの任意の適切なトポロジを含むことができる。

無線技術は、ＩＳＭバンド装置、ＷｉＦｉ、Ｂｌｕｅｔｏｏｔｈ(登録商標）、携帯電話ＳＭＳ、セルラー（ＣＤＭＡ２０００、ＷＣＤＭＡ（登録商標）など）、ＷｉＭＡＸ、ＷＬＡＮなどの利用可能な無線技術のうち１つまたは複数を使用する、個人対個人無線、個人対固定受信装置、個人対遠隔警告装置などの様々な形を取ることができる。

コンピュータ、入出力装置、およびネットワーク機器内またはそれらの間の通信は各種プロトコルを用いて達成することができる。プロトコルはたとえば、信号伝達、エラー検出および訂正、データフォーマッティング、およびアドレスマッピングを含むことができる。たとえば、プロトコルは、７層オープンシステム相互接続モデル（ＯＳＩモデル）、またはＴＣＰ／ＩＰモデルにしたがい提供することができる。

以上の具体的な詳細は本発明の特定の実施形態を説明しているが、当業者であれば添付の請求項に定義される本発明の精神と範囲を逸脱せずに、等価原理を考慮に入れて、本発明の詳細に各種変更を加えることができると理解するであろう。したがって、本発明は本明細書に図示および記載の具体的な詳細に限定されないと理解すべきである。

本明細書に記載の方法および装置に関連する追加情報は後述の実施例に関連して理解することができる。

一例では、痙攣を起こし易い患者を監視することができる。患者はたとえば、入院直後の期間中、あるいはＳＵＤＥＰの危険があるその他の時間に監視することができる。患者が管理された環境で痙攣を監視されている間、患者に対して入手されるデータに少なくとも部分的に基づき、患者の監視プロトコルを設定することが有益であり得る。たとえば、入院中、患者を監視し、一般的な痙攣特徴を判定するためのデータを収集することができる。患者は、たとえば数日間またはその他の期間にわたってＥＭＧで監視し、必要に応じて統計上有意な回数の痙攣に関連するデータを収集することができる。入院期間中、患者ＥＭＧデータは、１つまたは複数の筋肉対、たとえば、主動筋および拮抗筋対上またはその近傍に双極差動電極を配置することによって収集することができる。ＥＭＧデータは、たとえば、第１の筋肉群、たとえば、二頭筋および三頭筋と、第２の筋肉群、たとえば、膝屈曲筋および大腿四頭筋とから収集することができる。既知の痙攣の期間および非痙攣期間のＥＭＧデータを収集してアーカイブに保管することができ、オペレータはそのデータを分析することができる。

オペレータはデータを分析し、患者データがたとえば、バーストの痙攣変数特徴を含む痙攣変数のどのくらい関連するかを特徴付けることができる。オペレータは、たとえば振幅や幅を測定し、上昇したデータの部分、すなわち、データバーストとして特徴付けられる期間の信号対雑音（Ｓ／Ｎ）比を判定することができる。信号対雑音計算は、バーストを含むと疑われる期間のデータの直前の期間における検出器信号の変動、すなわちベースラインを判定することによってベースラインを確定することを含むことができる。各種フィルタはデータに適用することができ、たとえば、デジタルデータは３００Ｈｚ〜５００Ｈｚの３次Ｂｕｔｔｅｒｗｏｒｔｈフィルタにさらされる、あるいは別の形でフィルタリングされる。フィルタリングされたデータを用いて、オペレータはたとえば、データバーストを含むと思われる時間のデータに関して振幅、幅、信号対雑音（Ｓ／Ｎ）の測定を繰り返すことができる。その後、オペレータはバースト測定値と関連付けられる閾値を選択することができる。もしくは、オペレータは、すべての患者またはある一定の人口統計の患者にとって典型的な閾値を使用することを選択できる。

同様に、オペレータは、たとえば、スペクトルデータに関して出力密度の局所最小値および局所最大値の周波数位置を判定することができる。たとえば、ある一定の時間ウィンドウ、たとえば５秒間のデータを収集して、スペクトルデータ（周波数領域で）に変換することができる。オペレータは局所最大値および最小値を判定し、局所最大値および局所最小値のいずれかの側で周波数範囲を明示することができ、アルゴリズムは出力密度／周波数曲線下の面積を計算することができる。これらの面積の比は痙攣変数の値、たとえば、凹対凸比として使用することができる。凹対凸比の閾値はオペレータによって明示することができる、あるいはすべての患者またはある一定の人口統計の患者のテンプレートファイルから選択することができる。

オペレータは、アーカイブデータ、すなわち、痙攣が存在した期間とその他の非痙攣期間とから収集したデータ、ｉｎｔｏコンピュータプログラムを、アルゴリズム実行のために選択した閾値および指示を用いてインポートすることができる。アルゴリズムは所与の時間ウィンドウ、たとえば、５秒間、バースト関連痙攣変数の値を計算することができる。たとえば、任意の期間、ソフトウェアは起こり得るバーストを検出し、振幅、幅、およびＳ／Ｎを測定することもできる。バーストが確定された基準を満たす、たとえば、設定閾値内である場合、コンピュータはバースト検出レジスタに値を代入することができる。アルゴリズムにおけるデータフローを明瞭にするため、実施例１のモデルデータを図２１で参照する。図２１は、データバースト分析手順（２７０）のモデルデータがいかに整理されているか、およびいかにしてデータがコンピュータメモリ内の検出レジスタとコンピュータメモリ内の蓄積レジスタ間で転送されるかを示す。第１の時間間隔（２７１）では、データを分析することができる、たとえば、３つの事象がバーストとしての特徴付けのための閾値要件を満たすと判定することができる。ステップ（２７２）では、データを検出レジスタに転送することができる。図２１の検出レジスタ（２７３）は破線（２７３）で表され、検出レジスタ（２７３）内の情報フローは異なる状態の検出レジスタ（２７３）を示すブロック（２７４、２７５、２７７、および２７８）によって表される。データがステップ（２７２）に転送されると、状態（２７４）、すなわち、ゼロのデータ値を記憶する検出レジスタに、状態（２７５）に示されるように３の値を代入することができる。ステップ（２７９）では、検出レジスタ（２７３）に記憶されるデータ値を蓄積レジスタ（２８０）に転送することができる。図２１では、バースト列蓄積レジスタ（２８０）が破線（２８０）で示され、バースト列蓄積レジスタ（２８０）内の情報フローがブロック（２８１、２８２、２８４、および２８５）によって示され、異なる状態の蓄積レジスタを表す。ステップ（２７９）では、状態（２８１）、すなわち、ゼロのデータ値を記憶する蓄積レジスタに、状態（２８２）に反映されるようにゼロのデータ値を代入することができる。再度検出レジスタ（２７３）を参照すると、蓄積レジスタ（２８０）のコンテンツの転送後、ステップ（２７６）では、検出レジスタ（２７３）は状態（２７７）に反映されるようにそのコンテンツを消去することができる。ステップ（２８６）に反映されるように、第２の時間間隔（２８６）では、データの別の間隔を分析することができる。たとえば、５つの事象が閾値要件を満たし、バーストとして特徴付けられると判定することができる。ステップ（２８７）では、現在状態（２７７）にある検出レジスタ（２７３）、測定されたバースト値に対応するデータ、すなわち５の値をステップ（２８７）から受信することができる。検出レジスタ（２７３）は、状態（２７８）に示されるようにデータ値５を保持することができる。検出レジスタからのデータの転送前、すなわち、バースト列蓄積レジスタ（２８０）までの状態（２７８）において、バースト列蓄積レジスタ（２８０）は調節蓄積レジスタステップ（２８３）を受けることができる。すなわち、ステップ（２８３）では、バースト列蓄積レジスタは値を調節することができる。たとえば、実施例１に示されるように、蓄積レジスタは調節蓄積レジスタステップ（２８３）で１の値を「漏らす」ように示される。よって、ステップ２８３が１の漏れ値を表し、多数のバーストが連続時間間隔、たとえば、ステップ（２７１）および（２８６）において検出される場合、蓄積レジスタは値を増大させる。たとえば、実施例１に示されるように、ステップ（２８８）では、検出レジスタ（２７３）はそのコンテンツをバースト列蓄積レジスタ（２８０）に転送し、バースト列蓄積レジスタは状態（２８４）にあり、５の値がバースト列蓄積レジスタ（２８０）に転送される。その後、蓄積レジスタは状態（２８５）に示されるようにデータ値７を保持する。

上記ステップに加えて、アルゴリズムはその他のレジスタ、たとえば、ＧＴＣ蓄積レジスタも含むことができる。たとえば、図２２に関連して記載されるように、ＧＴＣ蓄積レジスタ（２９０）に値を代入することができる。よって、いずれかの時点で、バースト列蓄積レジスタ（２８０）およびＧＴＣ蓄積レジスタ（２９０）が値を保持できると理解すべきである。監視アルゴリズム（１６２）を使用して、それらのレジスタ（２８５）および（２９０）内のデータを分析することができる。実施例１のデータフローを明瞭化するため、図２２と、図１４の監視アルゴリズムの概要とを参照する。

図２２に示されるように、本実施例１のデータを用いて、図示されるＧＴＣ蓄積レジスタ（２９０）は値５を有する。図示されるバースト列蓄積検出レジスタ（２８０）は状態（２８５）にあり、上述したように値７を保持する。監視アルゴリズムのステップ２９１では、レジスタ値に係数が乗算される。その係数は、テンプレートファイルから入手して、関連痙攣変数のための重み付け係数として使用することができる。すなわち、実施例１に示されるように、ＧＴＣ重み付け係数（２９８）は１．５であり、バースト係数（２９９）は値１．０を有することができる。関連係数の乗算後の２つの痙攣変数の重み付け値は７．５（２９２）および７（２９３）とすることができる。ステップ（２９４）では、それらの値を加算することができ、図２２に示されるように、ステップ（２９６）では、監視レジスタ（２９５）に保持される合計値を閾値と比較することができる。たとえば、痙攣を報告し、警告プロトコルが誘発される閾値は１４とすることができる。

実施例１では、アルゴリズムに入力されるデータは、病院内で患者の時間から得た履歴データである。よって、ステップ（２９７）で、オペレータはアルゴリズムによって判定される結果と、データが収集された時点での患者の実際の状態とを比較する。すなわち、オペレータは、適切である実際の過程で開始されたであろう結果を比較することができる。よって、オペレータは、入手可能なすべてのデータに関して、アルゴリズムが実際の痙攣をどのくらい正確に検出しているか、アルゴリズムが偽陽性を検出したか否か、たとえば、適切な動作過程では痙攣事象を報告すべきではなかった際の警告を断言する決定を比較することができる。

コンピュータプログラムにより、オペレータはたとえば、バーストの閾値またはＧＴＣ波形検出（凹対凸比など）、ＧＴＣ係数（２９８）、バースト係数（２９９）、またはその組み合わせなどの係数を手動で調節することができる。最適化ルーチンでは、コンピュータが係数を修正し、痙攣を正確に検出し、偽陽性検出を最小限に抑える理想的な組み合わせを探すことができる。

実施例１の患者は帰宅させて、検出アルゴリズムを最適化するのに使用されるＥＭＧ電極の構成に近似するＥＭＧ電極の構成で監視することができる。患者が監視されれば、データを収集して、検出される痙攣、見逃される痙攣（もしあれば）、および偽陽性の存在を報告することができる。システムは、患者が自宅にいる間に得られるアーカイブデータなどの入手可能なアーカイブデータを周期的に分析し、係数の組み合わせを再最適化することができる。よって、システムは長期間にわたって所与の患者をより適切に監視するように適合させることができる。

本実施例２では、二頭筋および三頭筋上の一対のＥＭＧ電極を用いて家庭環境において監視されるように患者を設定することができる。患者と人口統計を共有する患者のテンプレートファイルに基づき監視されるように患者を設定することができる。実施例２では、患者は肥満男性であり、最初のセットの係数および閾値を使用して、データが入手可能な全肥満男性の全データセットに関して最適化された１セットの係数および閾値に基づき、患者を監視することができる。実施例１から認識されるように、本例の患者は病院環境における過去の評価なしで監視することができる。すなわち、患者は、その他の患者、たとえば特徴を共有する患者と関連付けられる値をインポートすることによってのみ導き出される重み付け係数で監視することができる。実施例２の患者は数週間監視され、システムは電極データを記録することができる。実施例２のモデルデータに関して、システムは正確に５つの痙攣事象を検出することができるが、１つの痙攣事象を見逃す場合がある。その後、システムは患者からのアーカイブデータで最適化することができる。すなわち、患者からのデータを使用して係数を調節し、すべての事象を検出する精度を向上させることができる。

図２３では、「ＥＭＧ１−生」と表示された１番上のパターンは、双極ＥＭＧ電極配置を使用するＥＭＧ電気活動を示す。「ＥＭＧ２−生」と表示されたパターンは同じ腕の三頭筋上の同様の双極電極配置（差動電極）による。図２３のグラフの縦目盛において、ＥＭＧ１−生およびＥＭＧ２−生は信号振幅、たとえば、二頭筋上の一対のＥＭＧ電極入力間の差動信号または三頭筋上の一対のＥＭＧ電極入力間の差動信号であり、横目盛は時間を示す（図２３では、時間ウィンドウが約４ｈ２８’５５”〜約４ｈ２９’００”である）。図２３は、５秒間の患者データの集合を示す。いくつかの実施形態では、データをその他の期間にわたって収集することができる。対向する筋肉群、たとえば二頭筋および三頭筋上にＥＭＧ電極を装着することがいくつかの理由により有益であろう。たとえば、さらに後述するように、対向筋肉を含む電極構造は、患者が特定の活動、たとえば非痙攣運動に従事する際のデータの解釈と、患者がそうした活動に従事する間に収集されるデータと患者が痙攣を起こしている間に収集される電極データとの差別化において役立てることができる。

さらに図２３を参照すると、左下グラフ（「ＥＭＧ１スペクトル分析」と表示）は二頭筋（スペクトル成分）上のＥＭＧ電極から収集されるデータの周波数を表す。右下グラフ（「ＥＭＧ２スペクトル分析」と表示）は三頭筋のＥＭＧ電極の周波数を表す。所与の期間にわたって収集されたデータ、すなわち時間領域電極データは、高速フーリエ変換（ＦＦＴ）などの手法を用いて周波数データ、すなわちスペクトル成分に変換することができる。スペクトルデータの場合、横目盛は信号周波数であり、縦目盛は信号振幅であり、本明細書に記載のスペクトルデータはスペクトル密度と称することができる。なお、図２３のスペクトルデータは周波数が増大するにつれ振幅が低減する湾曲勾配を示す。すなわち、スペクトル密度は通常、周波数の増大に合わせて低下する。高周波数でのスペクトル密度に対する低周波数でのスペクトル密度の比は、任意の所与のセットの電極データに関して関連値を有する痙攣係数である。たとえば、図２３に示されるデータの場合、約４００Ｈｚでのスペクトル密度（３００）に対する約２００Ｈｚの周波数でのスペクトル密度（２９８）の比は約５．０の値を有する。それらの周波数またはその他の周波数でのスペクトル密度の比は痙攣変数とすることができ、図２３のデータから得られるような痙攣変数の値は、ベッドでの運動や腕を動かすなどの非痙攣筋肉活動の一般的な特徴である。場合によっては、図６のように２００Ｈｚ〜４００Ｈｚでの比が低い場合、その比は痙攣活動を示すことがある。

図２４は、図２３とは異なる時間ウィンドウ、すなわち、患者が再度非痙攣で運動している約４ｈ３９’３０”〜約４ｈ３９’３５”のＥＭＧ信号のスペクトルグラフを提供する。スペクトルグラフは、周波数帯域の幅広い周波数群にわたって高スペクトル密度を示す。いくつかの通常の自発的筋肉運動は、特定の運動を達成するための主動筋と拮抗筋の協働的な協調収縮である。図２３とは対照的に、様々な筋肉群の協調を図示するため、図２４では、主動筋および拮抗筋群に対応付けられた異なる電極からの「ＥＭＧ１−生」のデータと「ＥＭＧ２−生」のデータ、すなわち、それらの筋肉からのデータが互いに重畳されている。いくつかの実施形態では、主動筋および拮抗筋上の電極間の信号の協調が、痙攣検出のための負の重み付け係数として使用することができる。痙攣中は、この協調が失われることが多い。その代わりに、筋肉は相互に拮抗して動かなくなる。主動筋および拮抗筋の協調が失われるシナリオの良い例は、二頭筋と三頭筋がどちらも刺激される運動痙攣の間代性段階において見ることができる。これらの筋肉は非常に高い振幅信号で相互に拮抗し、全く動くことができなくなる。すなわち、その段階の関係が一定期間持続する個々の電極から得られるデータは、個人が痙攣を感じていないという証拠になる場合がある。

図２５〜図２７に示されるデータは、患者が非痙攣状態から実際の痙攣の経験まで移行する際にいかに電極データが変動するかをまとめて示す。図２５は、痙攣直前の睡眠中に得られるＥＭＧ信号の比較的安静な時間（約７ｈ２０’４０”〜約７ｈ２０’４５”）を示す。スペクトルグラフは比較的低周波数の活動のみを示す。時間領域グラフの右端の電極データの振幅（後半の時間）、たとえば、点（３０４）での振幅は早い時間、たとえば、点（３０２）の振幅に示されるデータよりも増大している。すなわち、電極データの振幅は、痙攣が近づくにつれ増え続ける。いくつかの実施形態では、信号振幅の達成は、ＥＭＧ電極の状態変動を誘発する、あるいは検出器とベースユニットおよび／またはデータ記憶ユニット間のデータの転送を開始させることができる。検出器がスリープからアクティブになる状態変化は上述の通りである。点（３０４）での振幅達成、あるいは、ある一定の期間、たとえば１秒間隔（３０６）でのデータ点におけるある一定の周波数の振幅達成は、検出ユニットとベースユニットおよび／またはデータアーカイブとの間のデータ転送を開始させる基準として使用することができる。

図２６は、睡眠中、痙攣の開始時（約７ｈ２１’００”〜約７ｈ２１’０５”の時間）に記録されたＥＭＧ信号を示す。２つの低スペクトルグラフ（「ＥＭＧ１スペクトル分析」および「ＥＭＧ２スペクトル分析」）は高周波のスペクトル表示において約３５０〜４５０Ｈｚ間に小さな「凸」（３０８）（低信号対雑音比）を示し、低周波のスペクトル表示において約２５０〜３５０Ｈｚ間に小さな「凹」（３１０）を示す。要約すると、図４のデータは、図５により明瞭に示される「ＧＴＣ波形」の開始構造を示す。しかしながら、まず、痙攣中、筋肉、たとえば、活動増大中の筋肉から得られる電極データは、（仮にあったとしても）ほんのわずかな「ＧＴＣ波形」しか示さず、スペクトル密度が高周波数で非痙攣データの場合に通常見られる密度よりも高い間は、このようなデータは痙攣の開始時、ランダムに見える、あるいは高周波領域全体にわたりスペクトル密度はほんのわずかしか変動しない。通常の自発的筋肉活動に関連し、マクロ電極で記録される電気信号はほとんど３００Ｈｚ未満である。しかしながら、マクロ電極周波数で記録される電気周波数は、運動兆候を伴う痙攣中、持続的に３００Ｈｚを超過する。いくつかの実施形態では、高周波数で閾値スペクトル密度が達成される継続時間を痙攣変数とすることができる。

図２７は、痙攣が進行中の（約７ｈ２１’２０”〜約７ｈ２１’２５”の時間を示す）ＥＭＧ信号の変化を示す。三頭筋電極に対応する右下スペクトルグラフに示されるように、特徴ＧＴＣ波形は、高スペクトル密度の領域、すなわち、約３００〜５００Ｈｚ、特に４００Ｈｚ辺りの比較的高周波の「凸」領域を示す。すなわち、その領域の点（３１２）のスペクトル密度はスペクトル密度（３１４）よりも上昇しており、たとえば、「凹」領域内で、約２５０Ｈｚ〜３５０Ｈｚの範囲内に位置する。点（３１４）のスペクトル密度に対する点（３１２）のスペクトル密度の比、すなわち凹対凸比は痙攣変数として使用することができる。図２６および２７のスペクトルグラフと比較して、患者が、ＧＴＣ波形が変動する痙攣に移行し始めていることが分かる。たとえば、測定可能な凹対凸比が図２７に存在している。比が測定可能になると、ＧＴＣ検出レジスタに増大する値を代入することができる。ＧＴＣ検出レジスタにＧＴＣ蓄積レジスタ値の漏れ速度よりも大きな値が代入されれば、ＧＴＣ蓄積レジスタ値は連続期間にわたって増加することができる。

いくつかの実施形態では、凹対凸比はＧＴＣ波形検出用メトリクスとして使用することができる。しかしながら、より高度なデータ分析手法、たとえば、多数のデータ点および／または高度パターン認識アルゴリズムを観察することもＧＴＣ波形の特定に使用することができる。たとえば、いくつかの実施形態では、検出ユニットは凹対凸比の計算指示を含めることができ、ベースユニットは凹対凸比を計算し、より高度なパターン認識分析で凹対凸比の計算を確証することができる。

この患者に関して、ＥＭＧデータバーストは、その間の時点で大きな雑音、すなわち、大きな統計変動を有する。他の患者はそれほどの雑音を有さないので、ＧＴＣ波形がより明瞭に可視となり、より大きな信号対雑音比を有する凹対凸比となる。様々な分析手法を使用して、ＧＴＣ波形および／または凹対凸比の検出のために信号対雑音比を高めることができる。たとえば、いくつかの実施形態では、ある一定の周波数範囲にわたるスペクトルデータを統合できる、たとえば「凸領域」の周波数範囲内のスペクトル曲線の領域を計算することができる。また、「凹領域」の周波数範囲内の曲線面積を計算することができる。統合に使用される凹対凸比の特定の範囲は所与の患者に合わせて最適化することができる。すなわち、履歴電極データがデータレポジトリからアクセスされ、凹領域および／または凸領域で異なる範囲が選択され、選択された範囲毎に凹対凸比で異なる値を算出することができる。たとえば、いくつかの範囲で選択された凹対凸比は、その他の範囲で算出された凹対凸比よりも適切なＳ／Ｎ比および／または痙攣の存在とのすぐれた相関関係を示すことができる。すなわち、ある範囲の周波数データを用いる凹対凸比の一般的な痙攣特徴が、より有益であると証明される、すなわち、別の周波数範囲を用いる凹対凸比よりも痙攣の存在とのすぐれた相関関係を示す場合がある。よって、凹対凸比痙攣変数は所与の患者に対して最適化することができ、患者の履歴データが収集される際に周期的に更新することができる。

いくつかの実施形態では、所定の周波数範囲、たとえば、患者の通常凹を示す範囲のデータは平滑化することができ、データの局所最小値を確定することができる。局所最小値をほぼ中心とする曲線下の面積を計算することができる。同様に、アルゴリズムは、別の所定の周波数範囲、たとえば通常凸を示す患者の範囲のデータを分析することができる。その範囲のデータを平滑化し、局所最大値を確定して、局所最大値をほぼ中心とする曲線下の面積を計算することができる。局所最小値下の面積、局所最大値下の面積、およびそれらの積分値の比は痙攣変数として使用することができる。いくつかの実施形態では、検出器ユニットは電極データの所与の部分の凹対凸比の計算を実行し、基地局は電極データに関するより高度なパターン認識手法を実行することができる。

実施例６および関連の図２８〜図３１では、データフィルタリングのいくつかの態様を説明する。図２８は痙攣中の同じ患者の追加ＥＭＧデータを示す。本実施形態では、約７ｈ２２’５０”〜約７ｈ２２’５５”のＥＭＧ２信号が、３００Ｈｚ〜５００Ｈｚから３次Ｂｕｔｔｅｒｗｏｒｔｈフィルタでフィルタリングされている。フィルタリングがＥＭＧ２信号に適用されると、時間領域データは、一連のバースト、すなわち、高信号対雑音比の低振幅信号によって分離される高ＥＭＧ信号振幅の領域を示す。たとえば、少なくとも４つの異なるバースト領域（３１６、３１８、３２０、および３２２）を図２８のデータ内に検出することができる。図２８に示されるバーストは、バーストの数、たとえば、４つなどの時間ウィンドウ内のバースト数、隣接バースト間の期間（３２４、３２６、および３２８）、およびバーストの継続期間（３３０）に基づき分類することができる。上記バーストの特徴を痙攣変数とすることができる。次に図２８のスペクトルグラフを参照すると、本実施形態の高周波フィルタの適用は、高強度周波数データの存在を明瞭に示している。図２８は下方の２つのグラフにおける急で短時間の周波数「スパイク」も示している。それらのスパイクは通常、家庭用周波数６０Ｈｚでの頭上照明からの雑音に相当し、普通は６０Ｈｚの高調波で現れる。このような干渉は認識することができ、アルゴリズムはそうしたデータサインを無視する指示を含むことができる。また、ＥＭＧ１信号（二頭筋）は持続的収縮（間代性活動）を示し、ＥＭＧ２信号（三頭筋）は周期的収縮（持続性活動）を示す。よって、図２７に示されるデータと対照的に、上記主動筋および拮抗筋筋肉群は必ずしも両者間に相関する段階を有していない。

図２９の右下グラフは特に、ＥＭＧ２信号の３５０Ｈｚ〜４５０Ｈｚのフィルタリングが、いかに電極信号（約７ｈ２２’１０”〜約７ｈ２２’１５”の時間を示す）のバースト（３３２、３３４、および３３６）および高周波情報（３３８）を明らかにすることができるかを、さらに劇的に示す。いくつかの実施形態では、所与のフィルタの選択を所与の患者に合わせて調節することができる。

図３０は、ＥＭＧ２信号がフィルタリングされていないことを除き、図２９と全く同じフレームを示す。スペクトル表示から、図２９のデータと比べて低周波数が高振幅を有することが明白である。さらに、時間領域データに関連するバーストは明らかにもっと低い信号対雑音比を有する。図２９および図３０のデータに基づき、電極データが様々な方法のいずれかにおいてフィルタリングできることを認識すべきである。所与の痙攣変数の値は、算出値の信号対雑音比を向上させるフィルタを使用して収集されたデータから判定することができる。たとえば、バースト幅およびバーストカウントは、３００Ｈｚ〜５００Ｈｚの３次Ｂｕｔｔｅｒｗｏｒｔｈフィルタ（図２８）または３５０Ｈｚ〜４５０Ｈｚのフィルタ（図２９）などのフィルタを使用する電極から収集することができる。ＧＴＣ波形の凹対凸比などのその他の痙攣変数は、フィルタを使用せずに、あるいは図３０に示されるように低周波数範囲を通過する別のフィルタを使用して収集することができる。図３０に示されるように、凹領域（３４０）および凸領域（３４２）を検出することができる。

図３１は、雑音とＥＭＧ２信号の痙攣バーストとの識別力を高める（約７ｈ２５’２２”〜約７ｈ２５’２７”の期間）、たとえば、生データのフィルタリングによりスペクトルデータの信号対雑音比を高める別の良い例を示す。たとえば、代表的バースト（３４４）は高信号対雑音比を示す。なお、時間領域データに示されるような比較的不規則なバースト（３４４、３４６、および３４８）は痙攣を示しがちな要因となり得る。すなわち、バースト間隔（３５０）およびバースト間隔（３５２）などの隣接バースト間の期間は異なる値を有する。図３１では、フィルタリングされていないＥＭＧ１データが、検知可能な凹（３５４）および凸（３５６）を有する特徴的なＧＴＣ波形を示す。

実施例７および関連の図３２〜図３４では、たとえば、負の重み付けを検出アルゴリズムに適用可能な特徴を含めることのできるデータのいくつかの態様を説明する。図３２は、上記痙攣に先立つ短命の痙攣を示すことができる（約５ｈ１７’４１”〜約５ｈ１７’４６”の時間）。いくつかのバースト（３５８、３６０、および３６２）が発生したようであり、ＥＭＧ１およびＥＭＧ２信号において明らかである。それらのバーストは短い持続時間のため、比較的関連性が低い。患者によってはこのような短い痙攣を多数経験する場合がある。上記短期バーストと同じ患者のアーカイブデータ、たとえば、履歴データとの比較は、たとえば最小バースト検出幅基準を修正するのに使用することができる。よって、アルゴリズムはいくつかのデータ特徴、すなわち、短く重要でないバーストを選択的に無視するように適合させることができ、アルゴリズムは不要な警告の開始を避けるようにより適切に適合させることができる。

図３３は、ＥＭＧ２信号がフィルタリングされた後も（約５ｈ１５’４６〜約５ｈ１５’５１”の時間）高い振幅信号の一例を示す。上側２つの波形が示すように（「ＥＭＧ１−生」および「ＥＭＧ２−生」）、信号は非常に均一であり、検出されデータの評価に使用される特徴は痙攣を示していない可能性がある。バーストも非常に密である（バースト期間が短すぎる）。さらに、上記特徴を検出してデータを認定し、痙攣が起こっている可能性があるという判定に重み付けを行うのに使用することができる。いくつかの実施形態では、信号の均一性または高振幅領域間の期間のいずれかが、データ事象を不適格とするのに使用することができる、あるいは負の重みを痙攣変数、たとえば振幅バーストに適用するのに使用することができる。非常に均一である、データ事象間の期間が短すぎるデータは、近傍の電気機器からなどの干渉信号を表す場合がある。実際の痙攣では、いくつかの個別の周波数での大きなスパイクは稀であるか存在しない。再度、その患者の履歴データを収集して分析することができる。アルゴリズムを適合させ、不要な警告の開始を避けるように係数を調節することができる。

図３４（約４ｈ３９’３６”〜約４ｈ３９’４０”の時間）は、反復するデータ事象間の信号時間が一定すぎるおよび／または短すぎるために、警告が誘発されない可能性がある持続信号の別の例を示す。上記特徴は、痙攣とは通常関連しない外部雑音によるもの可能性がある。

実施例８およびその関連図３５および３６では、データバーストを示す別の患者のデータが示される。ここでは、２つの入力を有する差動双極電極が人の二頭筋上と（グラフには図示せず）、三頭筋の上（上側グラフは「ＥＭＧ２−生」と表示）に配置された。縦目盛は信号の振幅を示す。中間グラフ（「ＥＭＧ２フィルタリング済み３５０〜４５０」と標示）は、３５０〜４５０Ｈｚの周波数を示すようにフィルタリングされた上側グラフの信号を示す。中間グラフおよび右下グラフ（「ＥＭＧ２スペクトル分析」と標示）に示されるように、バースト、たとえば代表的バースト（３６４）および（３６６）がいかに適切に定義されているか、および特徴的ＧＴＣ波形を明らかにするのにいかにうまく３５０〜４５０Ｈｚフィルタリングが機能するかに留意されたい。バースト期間はかなり規則的だがバーストからバーストまでは同一ではない。それに鑑み、痙攣の中にはかなり規則的な周期性を見せるものもあるが、実際の痙攣はたとえば人為的な発生源や自発的筋肉活動などの雑音源から変動を受け易いと理解すべきである。人為的な雑音源に対するほぼ完全な規則性とバースト列の周期性との間は、たとえば周期性アルゴリズムの係数と閾値変数とを変更することによって個々の患者に合わせてバランスを取るべきである。

図３６は、この患者の波形を続けており、秩序立ってはいるが完全には均一でない一連のバースト（３６８、３７０、および３７２）を示している。このパターンは患者によっては典型的で、まさにアルゴリズムに非常に高い重みを割り当てることのできる非常に特徴的なパターンを提供することができる。

開示される方法および装置とその利点を詳細に説明したが、添付の特許請求の範囲によって定義される発明から逸脱せずに各種変更、置換、および改変を行うことができると理解すべきである。さらに、本願の範囲は、本明細書に記載の工程、機械、製品、材料の構成、手段、方法、およびステップの特定の実施形態に限定されることを意図していない。本開示から容易に理解できるように、本明細書に記載の対応する実施形態と略同一の機能を実現する、あるいは略同一の結果を達成する既存の、または後に開発される工程、機械、製品、材料の構成、手段、方法、またはステップを利用することができる。したがって、添付の特許請求の範囲は、工程、機械、製品、材料の構成、手段、方法、またはステップなどを範囲に含めることを意図する。

Claims (14)

1. 痙攣関連の筋肉活動を表すＥＭＧ信号を提供することのできる１つまたは複数のＥＭＧ電極と、
   前記ＥＭＧ信号を受信し、前記ＥＭＧ信号を処理して痙攣が起こっているか否かを判定し、前記ＥＭＧ信号に基づき痙攣が起こっていると判定される場合に警告を生成するように構成されたプロセッサと、を備え、
   同プロセッサは、バースト検出時間ウィンドウにわたってＥＭＧ信号の１つ以上のバーストを検出し、同１つ以上のバーストのうち各バーストに対する重み付け値を決定し、該１つ以上のバーストのうちすべてのバーストに対する重み付け値の合計を決定するように構成され、
   前記重み付け値の各々は、バースト信号対雑音比、バースト幅、およびバースト振幅のうちの少なくとも１つに関して前記各バーストと基準バーストとの比較に基づき判定され、
   前記プロセッサは、時間ウィンドウにわたって複数のバーストの存在を特定し、前記時間ウィンドウにわたるバーストの周期性を判定し、痙攣検出に対する周期性の寄与を判定するようにさらに構成され、
   前記プロセッサは、前記重み付け値の合計と、前記周知性の寄与とを使用して、痙攣検出値を判定するとともに同痙攣検出値を前記痙攣が起こっているかを否かを示す閾値検出値と比較するための監視アルゴリズムを使用するようにさらに構成される運動兆候を有する痙攣の検出装置。
2. ＥＣＧ電極、温度センサ、および加速度計のうち１つまたは複数をさらに含む請求項１の装置。
3. 前記１つまたは複数のＥＭＧ電極を筋肉上に配置させるために、同１つまたは複数のＥＭＧ電極がアームバンド、粘着テープ、および衣服のうち１つまたは複数に装着される請求項１の装置。
4. 前記１つまたは複数のＥＭＧ電極が差動双極電極である請求項１の装置。
5. 一対の主動筋及び拮抗筋に関連付けることのできる２つのＥＭＧ電極を備え、一方のＥＭＧ電極が主動筋と関連付けられ、他方のＥＭＧ電極が拮抗筋と関連付けられる請求項１
   の装置。
6. 前記一対の主動筋および拮抗筋が上腕三頭筋および上腕二頭筋を含む請求項５の装置。
7. 前記警告を送信するトランシーバをさらに備える請求項１の装置。
8. 前記警告を受信する前記プロセッサと通信する基地局をさらに備える請求項１の装置。
9. 前記基地局が、警告環境の手動調節を可能とし、前記ＥＭＧ信号またはそれに基づくデータを視覚表示することのできるＩ／Ｏ装置をさらに備える請求項８の装置。
10. 前記周期性の寄与の判定は、前記複数のバーストに含まれるバースト間の期間における平均偏差の計算と、該平均偏差が閾値平均偏差未満または閾値平均偏差より大きいかの特定とを含む請求項１の装置。
11. 前記プロセッサは、前記平均偏差が閾値平均偏差未満である場合に痙攣検出に対して前記周期性の寄与に負の重み付けをするようにさらに構成される請求項１０の装置。
12. 前記プロセッサは、前記複数のバーストのうちいくつかのバーストが互いに接近しすぎているか間が離れすぎている場合に、該複数のバーストからいくつかのバーストを除去するようにさらに構成され、
    前記周期性の寄与の判定は、最小均一性閾値と最大均一性閾値とに対する前記時間ウィンドウにわたるバースト特性の前記周期性の比較を含む請求項１の装置。
13. 前記ＥＭＧ電極の１つまたは複数が十分に筋肉に接近して筋肉活動を表す正確なＥＭＧ信号を提供しているか否かを示すように構成される１つまたは複数のリードオフ検出器をさらに備える請求項１の装置。
14. 前記１つまたは複数のＥＭＧ電極およびプロセッサが、人体に搭載可能な単独ユニットとしてパッケージ化される請求項１の装置。