KR20110094064A - 수면 및 각성 패턴의 확인 방법 및 용도 - Google Patents

Abstract

수면 패턴의 전통적인 분석은 데이터의 여러 개 채널을 필요로 한다. 본 분석은 수면의 질을 평가하고, 병리적 상태를 검출하고, 수면 상태에 대한 약물의 효능을 판정하고, 생체지표 및 약물 용량 또는 반응을 확인하는 것을 포함하는 맞춤형 분석(customized analysis)에 유용할 수 있다.

Description

수면 및 각성 패턴의 확인 방법 및 용도{METHODS OF IDENTIFYING SLEEP ＆WAKING PATTERNS AND USES}

본 출원은 2008년 11월 14일자로 출원된 미국 가출원 제 61/114,986호, 2008년 11월 14일자로 출원된 미국 가출원 제 61/114,997호 및 2008년 11월 17일자로 출원된 미국 가출원 제 61/115,464호의 이익을 주장하며, 이의 개시내용은 본원에서 전체가 참고로 인용된다.

본 발명은 인간을 포함하는 동물로부터 수집된 데이터를 추출하고 평가하고, 더 나아가 생체지표(biomarker) 및 진단응용(diagnostic application)을 개발할 수 있는 수면의 패턴을 판정하기 위한 분석 방법에 관한 것이다.

인간을 포함한 동물은 적절히 기능하기 위해 수면을 필요로 한다. 우리들 일생의 최대 1/3이 수면에 할애되고 있다. 수면 부족은 기억 및 운동 기능뿐만 아니라 생리적으로 해로운 영향을 미친다. 심지어 다양한 질병들이 우울증, 알츠하이머 병 및 신장병과 같은 수면 장애와 관련될 수 있다. 일반적으로 수면 장애의 진단은, 환자가 수면 실험실에서 머리와 신체에 전극에 부착한 상태에서, 두뇌 활동, 근육 활동 및 그 밖의 요인들에 대해 수집된 미가공 데이터의 분석의 결과이다. 보통 이러한 결과는 데이터의 개별적인 분석에 따라 다르다.

뇌전도(뇌파, electroencephalogram: EEG)는 두뇌에 의해 생산되는 전기적 활동을 측정하는데 사용되는 장비이다. 두뇌의 기능 활동은 두피에 부착된 전극에 의해 수집된다. EEG는 환자의 두뇌 기능에 대한 중요한 정보를 제공한다. 두피 EEG는 신경 전달 물질(neurotransmitters)에 의해 결속된 수지상 조직(dendrites)으로부터의 또는 수지상 조직 내로의 이온의 흐름에 기인하는 세포외 공간(extracellular space)에서의 후-시냅스(post-synapse)에 존재하는 전류의 합을 측정하는 것으로 여겨진다. EEG는 간질에 대한 진단 도구로서 신경학에서 주로 사용되지만, 그 기술은 수면 장애를 포함하는 그 밖의 병리학의 연구 분야에서 사용될 수 있다. 전통적으로 수면 기록은 EEG를 포함하는 데이터의 다중 채널을 필요로 한다.

1937년, 인간 수면의 분류 체계(taxonomy)가 고안되었다. 이러한 5단계 분류 체계는 1953년에 발견된 급속 안구 운동(rapid eye movement: REM, 렘) 수면을 포함하지 않았다. 5년 후, Dement와 Kleitman은 렘 수면과 4개의 비-렘(non-REM: NREM) 단계를 망라하는 수면에 대한 서술을 제공하였다. 1968년, Rechtschaffen과 Kales가 주도하는 위원회는 Dement와 Kleitman이 확립한 수면 단계에 대한 이전 서술과의 연관성를 제공하는 "인간 대상의 수면 단계에 대한 표준 용어, 기법 및 채점 시스템의 설명서(A Manual of Standardized terminology, Techniques and Scoring System for Sleep Stages of Human Subject)" (R-K)을 고안했다. R-K는 인간 수면을 두 개의 서파 수면(slow wave sleep: SWS) 단계(단계 III 및 단계 IV), 두 개의 중간 수면(intermediate sleep) 단계 (단계 I 및 단계 II) 및 렘 수면으로 분류한다. 이러한 분류에서, SWS EEG는 많은 양의 고진폭(high amplitude)의 서파활동(slow wave activity)의 중간으로 이루어지고; REM은 간헐적인 급속 안구 운동(REMs)과 저진폭(low-amplitude)의 근전도(electromyogram: EMG)와 함께 비교적 낮은 전압의 혼합 주파수의 EEG나타내고; IS는 12-14 Hz의 수면 방추 진동(spindle oscillations)과 짧은 고진폭 K-복합체(K-complexes)를 더 보여주는 단계 II와 함께 비교적 낮은 전압과 혼합 주파수의 EEG를 가지며; 각성 EEG는 알파 활동 및/또는 낮은 전압의 혼합 주파수 활동을 포함한다. 수면과 각성 단계의 이러한 특성은 수면 연구를 이끄는데 커다란 영향을 주었다. 최근에, R-K에 의해 제공된 규칙들이 수정되었고, 3개의 비-렘 단계는 남기고 단계 III 및 단계 IV의 구분이 제거되었다. 수면 채점자(sleep scorer)들이 새로운 시스템에 적응할 것으로 기대되지만, 수면 단계의 정확한 수는 아직도 대단한 토론의 주제이다.

렘 수면은 흔히 급속 안구 운동의 기간으로 특징지어 진다. 렘은 또한 안구 운동이 거의 없거나 아예 없는 렘 수면의 긴장부(tonic part) 동안의 긴장성(tonic) 및 위상성(phasic)으로 설명되었다. 렘의 위상부(phasic part)는 많은 안구 운동으로 이루어져 있다. 렘 수면은 또한 "역설적(paradoxical)" 수면으로도 불리는데, 그 이유는 신체와 두뇌가 자고 있는 동안 미가공 EEG가 깨어 있는 사람의 두뇌와 비슷한 패턴을 보이기 때문이다.

인간 채점의 주관적인 특성뿐만 아니라 개개인들에 있어서의 수면 구조의 다양성을 고려해 볼 때, R-K에 대한 "확고한" 해석을 기반으로 야간 수면을 분명한 단계들로 객관적으로 분할하는 것은 어렵고; 지도 및 자율 분류기(supervised and unsupervised classifiers)와 같은 기법들이 인간 또는 동물의 두뇌 활동에 대한 단일 채널을 이용하여 다중 데이터 세트 전체에 걸쳐서 수면 단계 자동 분류를 성공하지 못했다 (Himanen, S. & Hasan, J., Sleep Med . Rev. 4, 149 (2000); Kelly, J., et al., Clin . Electroenceph . 16, 16 (1985); H. Danker-Hopfe, et al., J Sleep Res . 13, 63 (2004); Chediak, A., et al., J. Clin Sleep Med . 2, 427 (2006); Roberts, S. & Tarrassenko, L., IEE Proceedings -F 139, 420 (1992); Gervasoni, D., et al., J. Neurosci. 24, 11137 (2004); Anderer, P., et al., Neuropsychobiology 51, 115 (2005); Flexer, A., et al., Artif Intell Med . 33, 199 (2005)).

전압장(voltage field)이 두개골로부터 더욱 인가될수록, EEG가 전기적 활동을 검출하는 것이 더욱 어렵다. 인간 EEG 기록은 두개골에 의해 저주파 필터링되기 때문에, 상하 서파 수면 상태(up and down SWS states) 동안의 고주파 및 저주파의 상호교차(interdigitation) 또는 렘 수면 동안의 감마 진동(gamma oscillation)과 같은 동물의 두개내 연구에서 검출된 더 높은 주파수 신호는 관찰하기가 어려우나, 자기 측정(magnetic measurement)을 이용하여 검출된 바 있다. 인간 EEG의 두피 기록은 좋지 못한 공간 분해능을 갖는다. 따라서 동물 연구에서 제안된 바와 같이, 인간의 서파 수면과 렘 수면이 공간적으로 각각 "동기화" 및 "비동기화"되었는지는 알려지지 않았다. (Destexhe, A., et al., Neurosci . 19, 4595 (1999); Gottesmann, C., Neurosci . Biobehav . Rev . 20, 367 (1996); Llin, R., U. Ribary, Proc. Natl . Acad . Sci . USA 90, 2078 (1993); Destexhe, A., & Sejnowski, T.J. "Thalamocortical Assemblies ", Destexhe, A., & T. J. Sejnowski, Eds. (Oxford Univ. Press, Oxford, 2001) pp. 347-391.

수면 패턴의 연구는 지속적으로 중요한 연구 주제였다. 인간에 적용하기 위해, 과학적인 동물 연구에서 일반적으로 사용되는 설치류가 잘 알려져 있다. 연구는 병리적 상태, 유전학적 검사, 화장품 안전성, 백신 및 수술 절차뿐만 아니라 약품의 안전성 및 효능을 판정하기 위해 실행된다. 설치류에서부터 조류 및 유인원에 이르는 동물에서의 EEG에 대한 조직적 연구는 수술 요건에 의해 방해되었다. 전극 삽입은 동물에 있어서 스트레스, 출혈 및 피로를 유발할 수 있다. 또한 전극 삽입의 어려움은 고도로 훈련된 직원을 필요로 한다. 따라서 EEG의 단일 채널로부터 침습적인 방법의 부재 하에 두뇌 활동에 있어서의 감지하기 어려운 그러나 통계상 유의한 변화를 검출할 수 있는 자동화된 수면 분석 방법에 대한 상당한 필요가 존재한다. 인간에 있어서, 또 다른 필요는 생체지표 및 진단응용을 위한 새로운 수면 패턴을 사용하는 것이다.

발명의 요약

일반적으로 본 발명은 수면에 대한 단일 채널 분석 방법 및 비침습적인 기록의 조합을 기반으로 동물의 두피로부터 수집된 약화된 리듬의 추출 및 분석을 위한 신규한 분석 방법을 기술한다.

본 발명의 일 양태는 종래의 방법에 비해 적은 량의 데이터를 사용하여 급속 안구 운동(rapid eye movement: REM, 렘) 수면 및 숙면과 같은 수면 단계를 구별하기 위한 방법이다. EEG의 단일 채널은 수면과 각성 단계를 분리하는데 충분하며 이들 수면 및 각성 단계는 분명히 분리 가능한 것이다.

본 발명은 또한 C3-A1 EEG 유도를 넘어서 EOG의 단일 채널도 포함하는 대안적인 유도를 일반화한다.

본 발명의 또 다른 양태는 두피 또는 머리에 부착된 오직 하나 또는 두 개의 전극을 사용하여 수면 중 생산되는 이전에 확인되지 않은 주파수를 검출하기 위한 알고리즘을 사용하기 위한 방법이다.

본 발명의 또 다른 양태는 산재한 개수의 인간 수면 단계의 존재이며 렘 수면이 "깨어 있는 것 같은(awake-like)" 또는 "역설적(paradoxical)"이라는 것을 부인한다. 렘 수면이 세타(theta)파를 보이는 것으로 알려져 있지만, 다른 단계들 사이뿐만 아니라 분명한 렘/W 분리는 인간 EEG의 단일 채널로부터의 이전 분석에 의해 분명하지가 않다. 렘 수면의 이중모드 시간적 단편화 패턴(bimodal temporal fragmentation pattern)이 또한 두드러진다.

또한 본 발명의 범위 내에 있는 것은 심각한 증상의 시작 이전에 수면 장애와 관련된 질병을 진단하는데 사용될 수 있는 방법이다.

본 발명은 또한 수면 및 각성 패턴을 기반으로 시스템 내에서의 약물의 검출뿐만 아니라 수면 및 각성에 대한 약물의 효과를 연구하기 위한 방법을 포함한다.

또한 본 발명의 범위 내에 있는 것은 수면 및 각성 상태의 생체지표를 정확히 도출할 수 있도록 수면 및 각성 패턴의 특징을 확인하고 규정하는 능력이다.

마지막으로, 이러한 방법들은 임상 및 비교 연구 모두에 있어서 수동으로 채점된 수면 단계화(sleep staging)에 대해 신속하고 경제적이며 정량적으로 엄격한 대안을 제공하며 많은 새로운 응용을 찾는다.

실시양태는 자동으로 수면 상태를 판정하기 위한 이러한 정보의 사용을 설명한다. 수면의 질, 병리적 상태 및 약물의 효능을 자동으로 평가하는 그 밖의 응용이 설명된다. 본 개시에 따른 이러한 응용들은 명세서 및 도면, 그리고 청구범위로부터 분명해질 수 있다.

본 발명을 명확하게 이해하고 용이하게 실시하게 위해, 본 발명은 하기 도면을 참고하여 설명될 것이며, 본원에서 동일한 부호는 동일하거나 유사한 성분을 나타내고, 상기 도면은 명세서에 인용되어, 명세서의 일부를 구성한다. 하기 도면에서:
도 1은 대상의 수면 상태 정보를 판정하기 위한 예시적인 시스템의 흐름도이다.
도 2는 대상의 수면 상태를 판정하기 위한 예시적인 시스템의 블록도이다.
도 3은 대상의 수면 상태를 판정하기 위한 다른 예시적인 시스템의 블록도이다.
도 4는 자동 데이터와 수동 데이터 중 하나를 이용하여 대상의 수면 상태를 판정하기 위한 예시적인 시스템의 블록도이다.
도 5는 수면 상태로부터 대상의 병리적 상태를 판정하기 위한 예시적인 시스템의 블록도이다.
도 6은 3초 스펙트럼 윈도우(3 second spectral window) 및 1초 슬라이딩 윈도우(1 second sliding window)를 사용하는 멀티테이퍼 분석(multitaper analysis)에 의해 스펙트로그램으로 변환된 쥐 뇌전도의 하나의 채널에 대한 결과이다. 광구배(light gradient)는 광반사용 고파워 및 암반사용 저파워를 갖는 각 주파수에서의 스펙트럼 파워를 나타낸다. 점들은 1초에 해당된다.
도 7은 선호 주파수(Preferred Frequency) 분석의 결과이다. 각각의 점은 기준선에 대해 최대 변동을 갖는 주파수에 각각 해당된다.
도 8은 EEG와는 독립적으로 맹검 방식(blind manner)으로 채점된 행동 단계를 반영하기 위해 도 1의 b의 선호 주파수 분석 플롯을 착색(coloring)한 결과이다. 점들은 1초에 해당된다.
도 9는 정규화 파워에서의 피크 변이(peak fluctuation)에 대한 선호 주파수 플롯의 민감도를 증명하는 시간에 따른 스펙트럼 변동의 희박성(sparseness)에 해당되는 시간적 단편화의 결과이다.
도 10은 정규화 파워에서의 피크 변이에 대한 선호 주파수 플롯의 민감도를 증명하는 주어진 시간에서의 스펙트럼 범위 내의 스펙트럼 변동의 희박성에 해당되는 스펙트럼 단편화의 결과이다.
도 11은 세 개의 클러스터(cluster), 즉 깊은 마취(청색), 각성(황색 및 적색) 및 경련(자홍색)의 발생 여부를 증명하기 위해 SPEARS의 일부로서 단일 채널 상의 독립적인 성분 분석을 이용한 결과이다.
도 12는 깊은 마취에 대한 30초 동안의 미가공 EEG 데이터를 표시한 결과이다.
도 13은 경련과 함께 보다 가벼운 마취에 대한 30초 동안의 미가공 EEG 데이터를 표시한 결과이다.
도 14는 이동에 대한 30초 동안의 미가공 EEG 데이터를 표시한 결과이다.
도 15는 움직임 아티팩트(movement artifact) 및 조용한 각성에 대한 30초 동안의 미가공 EEG 데이터를 표시한 결과이다.
도 16은 렘 수면의 이중모드 시간적 단편화이다. 시간적 단편화는 두 개의 상이한 대상(도16의 a 및 b, 도16의 c 및 d)의 두 개의 상이한 수면 기록에 대한 30초 동안의 분해능으로 산정되었다. 라벨(label)은 수동 채점(도16의 a 및 c)과 또는 자동 채점(도16의 b 및 d) 중 하나로부터 표시된다. 적색으로 표시된 렘 수면은 높거나 낮은 시간적 단편화를 갖는 두 개의 상이한 그룹으로 나뉘어 진다. 이는 수동 또는 자동 알고리즘이 채점을 수행한 것과는 독립적으로 상기 기록 둘 모두에서 자명하였다.
도 17은 미가공 및 정규화된 스펙트로그램을 나타낸다. 미가공 스펙트로그램 데이터는 1초 동안의 인크리먼트에 대한 30초 동안의 스펙트럼 분해능(도 17의 a) 또는 3초 동안의 스펙트럼 분해능(도 17의 b)으로 계산되었다. 이어, 각각의 스펙트로그램은 시간 및 주파수에 대해 수회 정규화되어, 1초 동안의 인크리먼트에 대한 30초 동안의 스펙트럼 분해능(도 17의 c)에서의 정규화된 스펙트로그램, 및 3초 동안의 스펙트럼 분해능(도 17의 d)에서의 다른 정규화된 스펙트로그램을 수득하였다. 움직임 아티팩트만이 미가공 데이터(도 17의 a 및 b)에서 높은 주파수(20 Hz 초과) 함량을 갖는 반면, 정규화된 스펙트로그램은 훨씬 더 높은 주파수 활동(도 17의 c 및 d)을 갖는다.
도 18은 다중 정규화를 갖는 스펙트로그램에 대한 선호 주파수 분석을 나타낸다. 선호 주파수 공간은 도 17에서 정규화된 스펙트로그램에 대해 산정되었으며, 수동 채점(도 18의 a) 및 자동 채점(도 18의 b)을 이용하여 라벨링(labeling)된다. SWS는 저주파수(10 Hz 미만) 활동에 의해 나타났다. REM은 베타 및 저감마((20 내지 40 Hz)) 활동을 갖는다. IS는 감마 활동(30 내지 50 Hz) 및 고감마 활동(50 Hz 초과)뿐만 아니라 수면 방추 활동(spindle activity) (12 내지 15 Hz)을 나타냈다. W는 베타, 저감마 및 고감마 활동(80 Hz 초과)을 나타냈다. 도 18의 c 및 d는 서로 다른 대상에 대해 도 18의 a 및 b와 각각 동일하다.
도 19는 높은 시간적 분해능으로 다중 정규화를 갖는 스펙트로그램에 대한 선호 주파수 분석을 상술한다. 도 19의 a 및 b는 도 17의 b 및 d와 각각 동일하다. 도 18의 a 및 b의 분석은 도 19의 c 및 d를 얻기 위해 도 19의 a 및 b에 각각 적용되었다. 도 18에서 관찰된 트렌드(trend)는 이러한 시간적 분해능에서 보강된다. 또한 고주파수 정보는 SWS의 경우에는 알아볼 수 있다.
도 20은 알고리즘 흐름도를 나타낸다. 알고리즘은 재료 및 방법에서 개시된 변수를 이용하여 SWS, IS, REM 및 W를 순차적으로 확인한다. 이어, 데이터는 시간에 따라 평탄화(smoothing)된다. REM/W 분리는 렘 분포에 대한 p값을 산정함으로써 다시 측정된다. 후자인 p값이 고정 값을 초과하는 경우 REM은 거절되고 W로 교체된다. REM이 수용되는 경우, 이는 W, REM 및 W로 분리된다. 예방책으로서, 야간의 매우 초기에 발생하는 REM-유사 이벤트(REM-like event)는 W로서 라벨링될 수 있다. 성능의 증가는 REM 및 W가 상이한 클러스터를 형성하는 경향을 나타낼 때 최소였다. 이것이 사용 가능한 하나의 알고리즘이다:
도 20에서 사용된 필터는 다음과 같다.
sws_필터 = 평균(2NS(3 Hz 이하));
w_필터 = 평균 (2NS(9 내지 12 Hz));
nrem_필터 = 평균(2NS(60 내지 100 Hz))+평균(2NS(3 내지 4 Hz))-[평균(2NS(12 내지 14 Hz))+평균(2NS(25 내지 60 Hz))+평균(2NS(15 내지 25 Hz))];
AA = 평균(2NS(12 내지 14 Hz));
BB = 평균(2NS(15 내지 25 Hz));
CC = 평균(WS(3 Hz 이하));
DD = 평균 (2NS(9 내지 12 HZ);
WS 및 2NS는 미가공 및 이중으로 정규화된 스펙트로그램에 각각 해당된다. 시간적 단편화는 시간 및 주파수를 통해 정규화된 스펙트럼의 시간적 구배의 절대값의 평균에 대한 z 스코어(z-score)에 해당되며, 달리 언급하지 않는 한 1 내지 100 Hz 범위 상에서 산정된다.
도 21은 자동 채점 및 수동 채점 사이의 약간의 불일치를 나타낸다. 전체 일치율(agreement rate)은 76.97 %였지만, 인간에 의해 IS로서 채점된 절반의 에포크(도 21의 a 및 c, 청록색)는 알고리즘에 의해 REM인 것으로 밝혀졌다 (도 21의 b 및 d, 적색). 이들 에포크는 PFS(도 21의 a 및 b) 및 시간적 단편화 공간(도 21의 c 및 d) 둘 모두에서 IS의 특징보다 REM의 특징에 더 가까운 특징을 나타냈으며, 특히 제 2 세트의 에포크가 수면 상태가 된지 약 2.5시간 이후에 나타났다. 제 2 채점자뿐만 아니라 인간 채점자에 의한 이들 에포크에 대한 재검토에서는 REM의 흔적을 발견하지 못했다. 수동 점수는 변하지 않고 유지되었다.
도 22는 선호 주파수 공간 및 시간적 단편화를 나타낸다. 이러한 표시는 도 21에 도시된 것과 유사한 어레이(array)를 갖는다. 도 18에 있어서 자동 및 수동 채점 사이의 전체 일치율은 83.8 %이다.
도 23은 스펙트로그램이 시간 및 주파수에 따라 수회 정규화된 반복 정규화에 의한 정규화 공간에서의 스펙트럼을 나타낸다. 렘 수면은 수동으로 채점된다. 안정된 성분 및 불안정한 성분은 K-평균 클러스터링 알고리즘(K-means clustering algorithm)을 이용하여 분리되었다. 안정된 성분(적색) 및 불안정한 성분(녹색)의 스펙트럼의 평균은 다중 기록에 대해 시간 및 주파수를 통한 다중 정규화를 나타내는 공간에 나타나 있다 (도 23의 a 및 b: VA, 도 23의 c 및 d: MPI). 렘 수면의 불안정한 부분에 대한 저주파수에서의 증가된 상대적인 파워는 안정된 부분에 반대되는 것임을 주의한다. 60 Hz에서의 오목한 곳(depression)은 VA 데이터가 60 Hz 노치 필터(60 Hz notch filter)의 사용으로 인해 나타날 가능성이 가장 큰 것이다.
도 24는 대상에 의해 수집된 데이터를 나타낸다. 각각의 세로줄(column)은 각각 다른 대상에 해당된다. 시간적인 단편화는 시간에 대해 플로팅된다. 색깔은 수면 및 각성 상태(적색= REM, 백색 = SWS, 청록색 = 중간 수면, 및 황색 = 각성)를 나타낸다. 가로줄(row)은 다음과 같다: 제 1 가로줄은 미가공 데이터로부터 아티팩트 및 REM 랜드마크(REM landmark)의 제거를 나타내고; 제 2 가로줄은 전체 종렬 상의 분석에 해당되고, 제 3 가로줄은 REM에 대해 오직 안구 운동 아티팩트 상의 분석에 해당되고; 제 4 가로줄은 REM에 대해 오직 경계표 및 아티팩트(안구는 제외됨) 상의 분석에 해당된다.
도 25는 도 24의 데이터에 대한 플롯을 나타내지만, 오직 REM 데이터만이 그래프로 도시된다. 이중모드의 시간적 단편화는 아티팩트가 제거되었음에도 불구하고 첫 번째 가로줄에 보여질 수 있다.
도 26은 오직 데이터 포인트(data point)만이 표시된 상태에서 도 25의 REM 데이터를 나타낸다.
도 27은 도 25의 첫 번째 두 개의 가로줄을 도시한다.
도 28은 테이블 S5이다. 이 테이블에는 렘 수면의 시간적으로 단편화된 부분에 대한 통계치가 도시되어 있다. REM의 비율(%), 에피소드(episode)의 수, 이들의 평균 기간 및 분리는 데이터 세트 둘 모두에 대한 각각의 기록에 나타나 있다.
도 29는 테이블 S6이다. 이 테이블에는 렘 수면의 단편화된 부분 및 단편화되지 않은 부분이 위상성 또는 긴장성 REM에 해당되지 않는 것으로 나타나 있다. VA 데이터에서만, REM은 안구 운동(긴장성 REM)이 없는 에포크 및 0 내지 25 %, 25 내지 50 %, 50 내지 75 %, 및 75 내지 100 %의 안구 운동(위상성 REM)이 이루어진 에포크로 하위 분류되었다. 각 대상에 있어서, 상기에서 나열된 하위 상태(substate) 중 하나가 REM의 불안정한 부분에서 나타나는 시간의 비율(%)이 기록된다. 긴장성 REM 및 위상성 REM 둘 모두는 REM의 불안정한 부분에서 발생한다.
도 30a 및 30b는 테이블 S7이다. 이 테이블에는 REM이 단계 I 및 W와는 구별되는 독특한 시간적 단편화 패턴을 갖는 것으로 나타나 있다. 테이블 S2 및 S3에서와 같이 30초 동안의 분해능에서 KS 분석이 수행된다. 귀무 가설(null hypothesis)은, 수동 채점에 의해 정의된 바와 같이, 26개의 기록 중 23개의 기록에서 단계 I(좌측 세로줄)에 대한 REM에 의해 거절되었으며, 26개의 기록 중 24개의 기록에서 단계 W(우측 세로줄)에 대한 REM에 의해 거절되었다.
도 31a 내지 도 31e는 테이블 S9로서, 렘 성분에 대한 일치 매트릭스(agreement matrix)이다. 각 대상에 대해 두 개의 매트릭스가 나타나 있다. 좌측 및 우측 매트릭스는 세로줄 방향과 가로줄 방향으로 각각 판독되어야 한다. 좌측 매트릭스 내의 각 박스는, 자동 알고리즘에 의해 정의된 바와 같이, REM의 단편화된 성분(REM UP)과 안정된 성분(REM DOWN) 중 하나로서 상기와 같이 나열된 단계의 에포크가 인간 채점자에 의해 정의된 바와 같이 좌측상의 단계로서 라벨링되는 시간의 비율(%)에 해당된다. M은 움직임으로서 라벨링된 에포크에 해당된다. 우측 매트릭스 내의 박스는, 수동으로 확인된 REM의 자동 분리에 의해 정의된 바와 같이, 좌측상의 에포크가 알고리즘에 의해 정의된 바와 같이 상술한 에포크로서 나열되는 시간의 비율(%)에 해당된다. REM UP/DOWN의 구분은, 인간 채점자에 의해 확인되든지 또는 알고리즘에 의해 확인되든지 간에, REM 데이터 상의 K-평균 알고리즘에 의해 항상 수행된다. 또한 평균 일치 비율(%)은 VA 대상, MPI 대상, 및 이들 둘의 데이터 세트에 대해 각각 산정되었다. 이들 매트릭스는, 선호 주파수 맵(frequency map)의 검사에서 알고리즘(MPI 7b 및 11a)과 인간 채점자(MPI 8a) 중 하나의 일부에 대해 신뢰할 수 없는 실행이 나타나는 3개의 경우에 대해서는 제외되었다. 수동으로 라벨링된 대부분의 REM 성분은 자동으로 라벨링된 동일한 REM 성분(우측 매트릭스)의 범주에 포함되었다. 알고리즘에 의해 정의된 바와 같은 REM의 불안정한 부분은, REM으로서 채점되지 않은 경우(좌측 매트릭스)에는 대개의 경우 인간에 의해 단계 II와 혼동될 가능성이 있었다.
도 32는 테이블 S10이다. 이 테이블에는 REM 아웃라이어(REM outlier)가 도시되어 있다. 4명의 VA 대상의 경우, 1초 동안 수동으로 채점된 단계 II에서는 알고리즘에 의해 REM으로 채점되었던 대부분의 수면 방추(spindle) 또는 K-복합체가 불안정한 부분에서 발생하는 것으로 나타났다. 4명의 대상(좌측 세로줄: 대상 10은 예외) 중 3명의 대상에서 방추파 또는 K-복합체가 없는 기준선 단계 II에 대해서도 동일한 결과가 사실이었다.
도 33은 테이블 S12로서, 최근접 이웃 분석(nearest neighbor analysis))이다. 아티팩트가 전혀 없는 에포크는 아티팩트에 대한 근접성이 REM의 단편화된 부분의 원인이 되는지에 대해 결정하기 위해 확인되었다. XY 비율(%)은 X로 이루어진 Y(TOP 또는 DOWN)의 이웃의 비율(%)을 의미한다(0 = 이웃에 아티팩트가 없음, 1 = 하나의 이웃이 아티팩트임, 및 2 = 양쪽 이웃이 아티팩트임). 이전 테이블에서와 같이, 각각의 가로줄은 각각의 채점자를 나타낸다. 대상 9, 18 및 20에 대한 결과 내에서 관측된 유사성 및 차이점은 이전 범례(legend)에 설명되어 있다. 대상 9 및 19는, 임의의 이웃 아티팩트를 갖지 않는 자동으로 확인된 REM의 단편화된 부분에서 각각18/34 및 45/85의 에포크를 가지며, 이는 두 경우 모두에서 비율(%)이 동일하게 된다.
도 34는 4쌍의 쌍둥이에 대해 수행된 연구 결과를 나타낸다. 1 내지 4번의 세로줄 각각은 4쌍의 쌍둥이(제 1쌍은 이란성이고, 제 2 내지 제 4 쌍은 일란성임)에 해당된다. 오직 REM만이 도시된다(시간에 따른 시간적 단편화). 쌍둥이는 유사한 시간적 단편화 패턴을 나타낸다.

본 발명의 도면 및 설명은 본 발명의 명확한 이해를 위해 관련 있는 성분을 예시하기 위해, 공지된 그 밖의 성분을 명료성을 위해 제거하면서 단순화하였음을 이해해야 한다. 상세한 설명은 첨부된 도면과 관련하여 아래에 제공될 것이다.

본 명세서에 있어서의 "대상"이란 용어는 동물 및 인간 모두를 나타낸다.

"안정적인 렘(stable REM)"이란 용어는 시각적으로 렘의 양봉 분포(bimodal distribution) 내의 패턴의 하단 부분을 나타낸다. "불안정한 렘(unstable REM)"이란 용어는 시각적으로 렘의 양봉 분포(bimodal distribution) 내의 패턴의 상단 부분을 나타낸다.

본 명세서에 기술된 방법은 PCT/US2006/018120에 자세히 기술되어 있으며, 이의 개시 내용은 본원에서 전체적으로 참고로 인용된다.

본 발명은 동물 및 인간 모두에 있어서의 EEG 데이터를 획득하고 분류하는 시스템 및 방법을 제공한다. 획득된 EEG 신호는 저파워 주파수 신호이고 1/f 분포(distribution)를 따르며, 그에 따라 신호에서의 파워는 주파수와 역의 관계, 예컨대 반비례한다.

EEG 신호는 에포크(epochs)라 불리는 일련의 인크리먼트(series increments)에 의해 시간에 따라(in time) 검사되는 것이 일반적이었다. 예컨대, EEG 신호가 수면을 분석하기 위해 사용되는 경우, 수면은 분석용으로 사용하기 위한 하나 이상의 에포크로 분할(segment)될 수 있다. 에포크는 스캐닝 윈도우(scanning window)를 사용하여 서로 다른 섹션으로 분할될 수 있으며, 스캐닝 윈도우는 시계열 인크리먼트(time series increment)의 상이한 섹션을 정의한다. 스캐닝 윈도우는 슬라이딩 윈도우(sliding window)를 통해 이동이 가능하며, 슬라이딩 윈도우는 중첩하는(overlapping) 시계열 시퀀스를 가진다. 에포크는 예컨대 전체 시계열을 선택적으로 포함할 수 있다.

본 발명에 따르면, 대상의 각각 다른 형태의 수면 상태가 모니터링될 수 있다. 수면 상태는 행동 특징, 신체적 특징 또는 신호 특징을 나타내는 임의의 구분 가능한 수면 또는 각성으로 설명된다. 본 명세서에서 언급하는 수면 상태는, 서파 수면(slow wave sleep) 또는 SWS, 급속 안구 운동(rapid eye movement) 수면 또는 REM, 인터(inter) 또는 IS 상태라고도 하는 중간 수면(intermediate sleep) 및 각성 상태(awake state)를 포함한다. 각성 상태는 수면 상태의 실질적인 일부가 될 수 있으며, 각성 상태는 주의 또는 경계의 레벨로 되는 비질런스(vigilance)에 의해 특징지어 질 수 있다. 중간 수면은, 중간-1 수면과 중간-2 수면으로 특징지어 질 수 있다. EEG를 획득하는 동안 아티팩트(artifact)가 생길 수 있다. 아티팩트는 EEG를 잘못 나타내는(misrepresent) 데이터이다. 예를 들어, EEG에 기록되는 사용자 내의 움직임이 아티팩트가 될 수 있다. 아티팩트의 예로는 근육 경련(muscle twitches) 등이 있다.

도 1을 참고하면, 도 1은 대상의 수면 상태 정보를 판정하기 위한 예시적인 시스템(100)의 흐름도이다. EEG 데이터(102)가 대상으로부터 수신된다.

예시적인 소스 데이터

본 명세서에 개시된 모든 실시태양에 있어서, 뇌파(electroencephalography: EEG) 데이터, 뇌파(electrocardiography: EEG) 데이터, 안전도(electrooculography: EOG) 데이터, 근전도(electromyography: EMG) 데이터, 국부 지역 전위차(local field potential: LFP) 데이터, 스파이크 트레인(spike train) 데이터, 음파와 압력파를 포함하는 파동 데이터(wave data), 예들 들어 1/f 분포와 같은 데이터의 주파수 스펙트럼에 따라 다양한 주파수에 대한 파워의 다이내믹 레인지(dynamic range)에 차(differences)가 존재하는 것을 나타내는 임의의 데이터를 포함하는 다양한 소스 데이터(source data)가 분석될 수 있다. 소스 데이터는, 소스 데이터 내의 저파워 주파수에서 저장된 부호화 데이터(encoded data)를 포함할 수 있다.

본 발명의 일 실시태양에서, 일단 대상으로부터 수신된 데이터(102)는 분석을 위해 소프트웨어 프로그램(104)으로 전송된다.

적어도 하나의 저파워 주파수 범위를 갖는 소스 데이터로부터의 저파워 주파수 정보를 판정하기 위한 예시적인 시스템

저파워 주파수 정보를 판정하기 위해, 적어도 하나의 저파워 주파수 범위를 갖는 소스 데이터(102)가 획득되고 소프트웨어(104)에 입력된다.

소스 데이터를 조정( adjust )하기 위한 예시적인 방법

적어도 하나의 저파워 주파수 범위를 갖는 소스 데이터(102)가 수신된다. 예를 들어, 대상의 뇌파 소스 데이터가 수신될 수 있다. 단일 채널 또는 다중 채널을 통해, 소스 데이터가 수신될 수 있다.

본 발명의 바람직한 실시태양에서, 뇌파의 단일 채널은 수면과 각성 단계를 분리하는데 충분하다.

소스 데이터의 주파수 스펙트럼의 적어도 하나의 저파워 주파수 범위 내의 파워의 다이내믹 레인지가, 다른 더 높은 파워의 주파수 범위에 비해, 증가되도록, 소스 데이터를 조정한다. 정규화(normalization) 및 주파수 가중화(frequency weighting)를 포함하는, 본 명세서에 개시된 많은 조정 기술이 사용될 수 있다.

일 실시태양에서, 뇌파 소스 데이터는, 더 높은 파워와 더 낮은 주파수 범위의 데이터에 비해, 저파워 고주파 범위의 데이터를 증가시키거나, 또는 더욱 일반적으로는 서로 다른 신호 부분의 파워를 정규화하기 위해 정규화된다.

소스 데이터를 조정한 후, 다양한 다른 처리 과정이 실행될 수 있다. 예를 들어, 조정된 소스 데이터의 가시화(visualization)가 이루어질 수 있다. 또한, 조정된 소스 데이터로부터 저파워 주파수 정보가 추출될 수 있다. 예를 들어, 조정된 뇌파 소스 데이터로부터 저파워 주파수 정보가 추출될 수 있다. 또한 이러한 조정된 소스 데이터로부터 고파워 주파수 정보가 추출될 수 있다.

본 실시예 또는 다른 실시예에서 개시하는 방법은, 하나 이상의 컴퓨터로 판독 가능한 매체 내의 컴퓨터로 실행 가능한 명령어를 통해 실행되는 컴퓨터 실행 방법(computer-implemented method)이 될 수 있다. 나타낸 모든 작용은 신호 처리 시스템 또는 그 밖의 신호 데이터 분석기 시스템 내에 통합된 소프트웨어에 의해 실행될 수 있다.

다시 도 1을 참고하면, 대상(106)의 수면 상태 정보를 판정하기 위해 뇌파 상기 대상의 뇌파 데이터(102)가 획득되고 소프트웨어(104)로 입력된다. 소프트웨어는 본 명세서에 개시된 바와 같은 기술들의 임의의 조합을 이용하여 대상의 수면 상태 정보를 판정할 수 있다.

대상의 수면 상태를 판정하기 위한 예시적인 시스템(200)의 블록도인 도 2를 참고하면, 데이터는 스펙트로그램(202)를 산출하기 위해 정규화될 수 있다. 또 다른 실시태양은 다이내믹 레인지를 더 증가시키기 위해 다중 정규화(multiple normalization)를 이용한다. 정규화는 시간에 따라 주파수를 정규화함으로써 또는 주파수에 따라 시간을 정규화함으로써 실행될 수 있다.

주파수 스펙트럼에서의 시간의 경과에 따른 파워의 차를 설명하기 위해 소스 데이터를 조정하는 예시적인 방법

예를 들어, 적어도 하나의 저파워 주파수 범위를 갖는 뇌파 데이터가 수신될 수 있다. 수신되는 뇌파 데이터 내의 아티팩트를 소스 데이터로부터 제거할 수 있다. 예컨대, 아티팩트 데이터는 소스 데이터로부터 수동으로(manually) 제거되거나, 필터링(예를 들어, DC 필터링)이나 데이터 평탄화(data smoothing) 기술을 사용하여 소스 데이터로부터 자동으로 여과될 수 있다. 소스 데이터는 또한 성분 분석(component analysis: 204)에 의해 미리 처리될 수도 있다.

소스 데이터는 하나 이상의 에포크(epoch)로 분할된다: 각각의 에포크는 시계열에서 데이터의 일부이다. 예를 들어, 소스 데이터는 다양한 분리 기술을 통해 다수 개의 시간 세그먼트로 분할될 수 있다. 소스 데이터를 시계열 인크리먼트로 분리하기 위해 스캐닝 윈도우와 슬라이딩 윈도우가 사용될 수 있다.

시간에 따른 하나 이상의 에포크에서의 파워의 차에 대해 하나 이상의 에포크가 정규화된다. 예를 들어, 정보를 추출하기 위한 적절한 주파수 윈도우를 결정하기 위해, 하나 이상의 주파수에서의 각 에포크의 파워가 시간의 경과에 따라 정규화될 수 있다. 이러한 정규화는, 하나 이상의 주파수(예를 들어, 델타, 감마 등)에서, 낮은 파워, 통계적으로 중요한 파워의 변동을 나타낼 수 있다. 분석을 위해 임의의 주파수 범위를 나타낼 수 있으며, 이러한 임의의 주파수 범위를 사용할 수 있다. 적절한 주파수 윈도우가 설정된 후, 하나 이상의 에포크의 각각에 대해 정보가 산출될 수 있다. 이러한 정보는, 저주파 파워(예를 들어, 델타 파워), 고주파 파워(예를 들어, 감마 파워), 표준 편차, 최대 진폭(예를 들어, 피크의 절대값의 최대값) 등을 포함할 수 있다. 감마 파워/델타 파워(Gamma power/Delta power), 델타의 시간 도함수(time derivative of Delta), 감마 파워/델타 파워의 시간 도함수(time derivative of Gamma power/Delta power) 등의 정보를 생성하는 하나 이상의 에포크의 각각에 대해 산출된 정보에 대해 추가의 산출이 이루어질 수 있다. 시간 도함수는 선행하는 에포크 및 후속하는 에포크에 대해 계산될 수 있다. 정보를 산출한 후, 그 정보는 하나 이상의 에포크에 대해 정규화될 수 있다. z-스코어링(z-채점, z-scoring) 및 이와 유사한 기술을 포함해서, 다양한 데이터 정규화(202) 기술이 실행될 수 있다.

주파수 스펙트럼에 대해 시간의 경과에 따른 파워의 차에 대한 설명을 위해 소스 데이터를 조정한 결과가, 데이터의 하나 이상의 에포크로서 제시될 수 있다. 예를 들어, 주파수 가중화 에포크(frequency weighted epochs)가 조정된 소스 데이터(adjusted source data)로서 제시될 수 있다.

대상의 수면 상태 정보를 판정하기 위한 예시적인 시스템

대상의 뇌파 데이터가 획득되고 분할기(segmenter)에 입력되어 획득한 데이터를 하나 이상의 에포크로 분할한다. 실제로, 에포크는 유사한(예를 들어, 동일한) 간격(length)을 갖는다. 에포크의 간격은 변경 가능한 파라미터(configurable parameter)를 사용하여 조정될 수 있다. 하나 이상의 에포크에서의 주파수 데이터를 시간의 경과에 따라 정규화하기 위해, 하나 이상의 에포크가 차례로 정규화기(normalizer, 202)에 입력되고, 그에 따라 뇌파 데이터의 하나 이상의 에포크를 주파수 가중화한다. 하나 이상의 주파수 가중화 에포크는, 데이터를 수면 상태로 분류하기 위해 분류기(classifier)에 입력되고, 그에 따라 대상(208)의 수면 상태 정보를 생성한다. 대상의 수면 상태 정보를 판정하기 위한 방법이 아래에서 상세하게 설명된다.

대상의 수면 상태를 판정하기 위한 또 다른 예시적인 방법

대상의 뇌파(EEG) 데이터가 수신된다. 예를 들어, 주파수 스펙트럼에서의 제2 주파수 범위에 비해, 주파수 스펙트럼에서의 적어도 하나의 저파워의 제1 주파수 범위에서의 파워에 대한 더 낮은 다이내믹 레인지를 나타내는 뇌파 데이터가 수신될 수 있다.

대상의 뇌파 데이터는 하나 이상의 에포크로 분할된다. 예를 들어, 뇌파 데이터는 다양한 분할 기술을 통해 하나 이상의 에포크로 분할될 수 있다. EEG 데이터를 하나 이상의 에포크로 분리하기 위해, 스캐닝 윈도우와 슬라이딩 윈도우가 사용될 수 있다. 분할을 행하는 동안, 분할을 행하기 전 또는 분할을 행한 후에, 직류 필터링(direct current filtering)을 통해, 소스 데이터가 또한 필터링될 수 있다. 소스 데이터는 또한 성분 분석(204) (예를 들어, 주요 성분 분석 또는 독립 성분 분석)으로 미리 처리될 수 있다.

전체 야간의 EEG 데이터에서, 더 높은 주파수(예를 들어, 감마)는 전체 야간의 EEG 데이터에서 낮은 주파수(예를 들어, 델타, 세타 등)보다 더 낮은 파워를 나타낸다. 하나 이상의 에포크의 주파수 파워는 시간의 경과에 따라 가중화된다. 예를 들어, 하나 이상의 주파수에서의 각 에포크의 파워는, 정보를 추출하기 위한 적절한 주파수 윈도우를 결정하기 위해 시간의 경과에 따라 정규화될 수 있다. 이러한 정규화는, 낮은 파워, 하나 이상의 주파수(예를 들어, 델타, 감마 등)에서 파워의 통계적으로 중요한 변동을 나타낼 수 있다. 또한, 각각의 에포크는, 정보를 추출하기 위한 적절한 주파수 윈도우를 결정하기 위해, 시간의 경과에 따른 가장 높은 상대 파워(relative power)를 가진 주파수로 나타낼 수 있다. 그렇지 않으면, 성분 분석(204) (예를 들어, 주요 성분 분석, principle component analysis: PCA) 또는 독립 성분 분석, independent component analysis: ICA)은, 정보를 추출하기 위한 적절한 주파수 윈도우를 추가로 결정하기 위해, 정규화(202) 이후 사용될 수 있다. 분석을 위해 임의의 주파수 범위를 나타내고 사용할 수 있다.

적절한 주파수 윈도우가 설정된 후(예를 들어, 주파수를 가중화한 후), 하나 이상의 에포크의 각각에 대해 정보가 산출될 수 있다. 이러한 정보는, 저주파 파워(예를 들어, 델타 파워), 고주파 파워(예를 들어, 감마 파워), 표준 편차, 최대 진폭(예를 들어, 피크의 절대값의 최대값) 등을 포함할 수 있다. 감마 파워/델타 파워(Gamma power/Delta power), 델타의 시간 도함수(time derivative of Delta), 감마 파워/델타 파워의 시간 도함수(time derivative of Gamma power/Delta power) 등의 정보를 생성하는 하나 이상의 에포크의 각각에 대해 산출된 정보에 대해 추가의 산출이 이루어질 수 있다. 시간 도함수는 선행하는 에포크 및 후속하는 에포크에 대해 시간 도함수가 계산될 수 있다. 정보를 산출한 후, 그 정보는 하나 이상의 에포크에 대해 정규화될 수 있다. z-스코어링(z-scoring) 및 이와 유사한 기술을 포함해서, 다양한 데이터 정규화 기술이 실행될 수 있다. 더 높은 주파주의 데이터가 더 선명하게 보인다.

대상자의 수면 상태(208)는 하나 이상의 주파수 가중화 에포크를 기반으로 분류된다. 예를 들어, 하나 이상의 주파수 가중화 에포크가, k-평균 클러스터링(k-means clustering)을 포함하는 임의의 다양한 클러스터링 방법에 의해 클러스터(206)될 수 있다. 이러한 클러스터링은, 에포크로부터 산출된 정보(예를 들어, 델타 파워, 감마 파워, 표준 편차, 최대 진폭(감마/델타), 델타의 시간 도함수, 감마/델타의 시간 도함수 등)에 기초하여 이루어질 수 있다. 성분 분석(예를 들어, PCA 또는 ICA)는 클러스터링에서 파라미터 공간(예를 들어, 사용된 정보의 타입)을 판정하는데 사용될 수 있다.

클러스터링(206)에 이어서, 에포크에 수면 상태 지정(sleep state designation)이 할당될 수 있다. 수면 상태가 지정된 에포크는, 에포크에 의해 나타내어지는 기간 동안 대상의 수면 상태의 표현으로 제시될 수 있다. 분류는 또한 수동으로 판정된 수면 상태를 통합할 수 있다(예를 들어, 수동으로 판정된 "각성"대 "수면 중" 수면 상태). 또한, 아티팩트 정보(예를 들어, 움직임 데이터, 불량한 신호 데이터 등)가 분류에서 사용될 수 있다.

예시적인 수면 상태 분류 기술

에포크는 그것이 표현하는 수면 상태에 따라 분류될 수 있다. 에포크는, 고주파 정보, 저주파 정보, 또는 고주파 및 저주파 정보를 기반으로 정규화 변수(예를 들어, 에포크에 대해 산출된 정보)에 따라 분류될 수 있다. 예들 들어, 렘 수면 상태 에포크는 높은 주파수에서의 SWS보다 상대적으로 더 높은 파워와, 낮은 주파수에서의 SWS보다 상대적으로 더 낮은 파워를 가질 수 있다. 마찬가지로, SWS 수면 상태 에포크는 높은 주파수에서의 REM보다 상대적으로 더 낮은 파워와, 낮은 주파수에서의 REM보다 상대적으로 더 높은 파워를 가질 수 있다. 또한, NREM 및 NSWS 수면으로 초기에 분류된 에포크(예를 들어, 높은 주파수와 낮은 주파수에서의 상대적으로 낮은 파워를 갖는 에포크)는 중간 수면으로 분류될 수 있으며, REM 및 SWS 수면으로 분류된 에포크(예를 들어, 높은 주파수와 낮은 주파수에서의 상대적으로 높은 파워를 갖는 에포크)는 아웃라이어(outliers)로 분류될 수 있다. 또한, NREM 및 NSWS 수면으로 초기에 분류된 에포크는 중간 단계 I 수면으로 분류될 수 있으며, REM 및 SWS 수면으로 초기에 분류된 에포크는 중간 단계 II 수면으로 분류될 수 있다. 또한 수면 상태는 수면 방추(spindles), k-복합체(k-complexes) 및 그 밖의 다른 부분을 찾기 위한 분류로 더 나눌 수 있다. 하나의 수면 상태로 초기에 분류된 에포크의 임의의 그룹은, 분류 상세의 증가하는 레벨에 따라 다수 개의 하위 분류된 수면 상태로 나눌 수 있다. 예를 들어, SWS로 분류된 에포크의 그룹은 SWS의 2개의 분명한 타입으로 재분류될 수 있다.

아티팩트 데이터(예를 들어, 움직임 데이터, 불량한 신호 데이터 등)는 또한 수면 상태 분류에 사용될 수도 있다. 예를 들어, 초기에 수면 상태 지정이 할당된 에포크가 이웃하는 아티팩트 데이터에 의해 새로운 수면 상태 지정이 재할당되어야 하는지 여부를 분석하는데 아티팩트가 사용될 수 있다. 예를 들어, 선행하는 움직임 아티팩트(preceding movement artifact) 또는 각성 에포크(awake epoch)를 갖는 렘의 수면 상태 지정이 할당된 에포크는 각성의 수면 상태 지정이 재할당될 수 있다. 또한, 예를 들어 후속하는 SWS 에포크를 갖는 아티팩트 에포크는 SWS의 수면 상태 지정이 재할당될 수 있는데, 그 이유는 에포크가 각성 시 더욱 일반적인 큰 움직임 아티팩트가 아닌 큰 SWS 수면 에포크를 나타낼 가능성이 높기 때문이다. 이러한 방식에서, 예를 들어 아티팩트 데이터는 데이터 평탄화 기술(data smoothing technique)에 사용될 수 있다.

예시적인 평탄화 기술

수면 상태를 할당하는 동안 어떠한 다양한 데이터 평탄화 기술이 사용될 수 있다. 예를 들어, 지정된 수면 상태를 나타내기 위해 숫자(예를 들어, 0, 1)가 사용될 수 있다. 이웃하는 에포크의 수면 상태 지정 숫자는, 에포크 중 하나가 수면 상태 지정을 부정확하게 할당한 것인지 여부를 판정하기 위해 평균화될 수 있다. 예를 들어, 수면 데이터 내에서는 SWS-NSWS-SWS(및 REM-NREM-REM)로부터 갑작스럽게 도약(abrupt jump)하는 것이 드물다. 따라서, 수면 상태에서 갑작스런 도약을 나타내는 수면 상태 지정이 에포크의 그룹에 할당되어야 한다면, 할당의 정확성을 향상시키기 위해 평탄화 기술이 적용될 수 있다.

도 3을 참고하면, 도 3은 대상의 수면 상태를 판정하기 위한 예시적인 시스템(300)의 블록도이다. 데이터는 수동 또는 자동으로 대상(302)으로부터 수신된다. 바람직인 주파수 분석인, 시간적 단편화 또는 스펙트럼 단편화(304)는 수면의 적어도 하나의 파라미터를 판정하기 위해 데이터에 대해 실행될 수 있다. 이러한 정보는 또한 수면 상태(306)을 판단하기 위해 분류될 수 있다.

앞서 설명한 실시태양은 정규화가 어떻게, 예를 들어 z 스코어링(z scoring) 등을 사용하여, 뇌파 신호로부터의 많은 정보의 분석을 허용하는지를 나타냈다. 앞서 수행했던 분석은 주파수에 따라 파워 정보를 정규화했다. 정규화(normalization)는 z 스코어링을 사용하는 것이 바람직하지만, 임의의 다른 종류의 데이터 정규화 방법이 사용될 수 있다. 사용되는 정규화는 z 스코어링과 같이 측정단위와 무관한 것이 바람직하다. 해당 기술 분야에서 잘 알려진 바와 같이, z 스코어링은, 분포의 포락선(envelope)의 형태를 변경하지 않고, 분포를 정규화하는데 사용될 수 있다. z 스코어(z score)는 표준 편차의 단위로 변경되어야 한다. 각각의 z 스코어로 정규화된 단위는, 신호의 평균과 관련해서 신호에서의 파워의 양을 반영한다. 각각의 스코어로부터 평균을 감산함으로써, 스코어는 평균 편차(mean deviation)의 형태로 변환된다. 이어서, 스코어는 표준 편차와 관련하여 정규화된다. z 스코어로 정규화된 모든 단위는 1(unity)로 되는 표준 편차를 갖는다.

위에서는 z 스코어를 사용하는 정규화에 대하여 개시하고 있지만, T 스코어링이나 그 밖의 다른 방식을 포함하는 다른 정규화가 수행될 수 있다. 다중 정규화가 또한 사용될 수 있다. 정규화는 시간에 따라 주파수를 정규화함으로써 또는 주파수에 따라 시간을 정규화함으로써 실행될 수 있다.

상기 실시태양은 특정 범위 내의 모든 주파수에서의 파워를 정규화하는 것에 대해 개시하고 있다. 이 범위는 0에서 100 hz, 128 hz 또는 5 00hz까지가 될 수 있다. 주파수의 범위는 샘플링 레이트(sampling rate)에 의해서만 제한된다. 예를 들어, 30 KHz의 예시적인 샘플링 레이트에 의해 분석은 최대 15 KHz까지 수행될 수 있다.

본 실시태양에 따르면, 각각의 주파수에 대한 시간에 따른 파워를 정규화하는 추가의 정규화가 수행된다. 이에 따른 결과는, 정규화된 스펙트로그램을 생성하기 위해 사용되는, 주파수 및 시간에 따라 정규화되었던 정보가 된다. 본 실시태양은 뇌파 데이터로부터 추가의 정보를 취득할 수 있으며, 본 실시태양은 분석한 데이터로부터 수면의 서로 다른 기간을 자동으로 검출하는 것에 대해 개시한다. 검출될 수 있는 수면의 기간은, 서파 수면(short wave sleep: SWS), 급속 안구 운동 수면(rapid eye movement sleep: REM), 중간 수면(intermediate sleep: IIS) 및 각성(wakefulness)을 포함하며, 이에 한정되지 않는다. 중요한 특징에 의하면, 뇌파 활동의 단일의 채널(인간 두개골의 단일의 위치에서 얻어진 것)이 분석을 위해 사용된다. 상기한 바와 같이, 취득한 데이터는 인간 또는 다른 대상으로부터의 EEG 정보의 하나의 채널이 될 수 있다. 취득한 EEG 데이터는, 예를 들어, 256Hz의 샘플링 레이트를 사용하여 수집되거나, 더 높은 레이트에서 샘플링될 수 있다. 이 데이터는, 예를 들어 30초의 에포크로 분할되고, 주파수에 따른 특징을 갖는다.

제1 주파수 정규화가 수행된다. 파워 정보는 각각의 주파수 빈(frequency bin)에 대해 z 스코어링 기술을 사용하여 정규화된다. 본 실시태양에서, 주파수 빈은 헤르쯔당 1에서 100 Hz 및 30개의 빈(bin)으로 확장될 수 있다. 정규화는 시간에 따라 발생한다. 이것은 정규화된 스펙트로그램 또는 NS를 발생시키고, 여기서 신호로부터의 각각의 주파수 대역은 실질적으로 동일한 가중치를 갖는다. 본 실시태양에서, 각각의 30초 에포크는, 해당 에포크 내의 가장 큰 z 스코어를 갖는 주파수인, "선호 주파수(preferred frequency)"로 표현된다.

이것은 선호 주파수 공간이라고 하는 특별한 주파수 공간(frequency space)을 생성한다. 이러한 패턴이 어떻게 형성되는지에 대한 분석이 이루어지고, 이 패턴의 특징에 대한 분석이 허용된다. 따라서, 상이한 수면 상태가, 판별 함수(discrimination function)에 따라 정의될 수 있으며, 이러한 판별 함수는 소정의 영역에서의 소정의 활동을 찾고, 다른 영역에서는 비활동을 찾는다. 이 기능은, 활동을 갖는 영역에서의 주파수에 따른 수면 상태와 활동을 갖지 않는 주파수에 따른 수면 상태를 평가할 수 있다.

그러나, 더 일반적으로는, 보상된 데이터(compensated data)에 대해 임의의 형태의 동적 스펙트럼 스코어링(dynamic spectral scoring)이 수행될 수 있다. 이러한 판별 함수는, 복수 개의 주파수 범위의 각각에서, 특정한 값을 필요로 하거나, 단순히 존재해야 할 또는 존재하지 않아야 할 소정 양의 활동을 필요로 할 수 있다. 이러한 판별 함수는 또한 스펙트럼 단편화(spectral fragmentation) 및 시간적 단편화(temporal fragmentation)를 고려할 수 있다.

주파수에 따라 제2 정규화가 실행된다. 제2 정규화는 이중으로 정규화된(doubly normalized) 스펙트로그램을 생성한다. 이는 대역이 보다 명백해지는 새로운 주파수 공간을 생성한다. 이중으로 정규화된 스펙트로그램 값은, 공간 내의 값을 최대로 분리하는 필터를 형성하는데 사용될 수 있다.

이중으로 정규화된 주파수에 대해 클러스터링 기술이 실행된다. 예를 들어, 이러한 클러스터링 기술은 이전 실시태양에 개시된 바와 같이 K-평균(K-means) 기술이 될 수 있다. 각각의 클러스터는 수면 상태를 나타낼 수 있다.

클러스터는 실제로 다중차원적 클러스터(multi dimensional clusters)이며, 이들 스스로 추가의 정보를 찾기 위해 그래프화될 수 있다. 차원의 수는 클러스터링 변수(clustering variables)의 수에 의존할 수 있다. 이는 또한 이중으로 정규화된 스펙트로그램이 어떻게 더욱 많은 측정 특징(measurement characteristics)을 허용하는지를 보여준다.

스펙트럼 단편화를 설명하는 주파수에 따라 정규화된 파워에서의 평균 스프레드(average spread)의 측정이 또한 가능하다. 단편화 값은, 서로 다른 상태가 또한 판별 함수의 일부로서 사용될 수도 있기 때문에, 대안적으로 시간적 단편화를 기반으로 할 수 있다.

이들 두 개의 함수는 이중으로 정규화된 스펙트럼에 대해 평가되며, NREM 수면에서 움직임 아티팩트를 생기게 했을 때의 모든 주파수에서의 이득(gain)에서의 등질의 증가(homogeneous increases)에 의존하고, W는 단일 정규화된 스펙트럼에서의 비정상적으로 상승된 단편화 값을 생기게 할 것이다.

이러한 단편화 값은 판별 함수의 일부로서 사용될 수 있다. 중요한 것은, 그리고 상술한 바와 같이, 이러한 판별 함수는 일반적으로 수동 기술을 포함하여 앞서 설명한 임의의 분석 기술로부터 명백하지 않다.

산출(computation)은 시간적 등록(temporal registration)을 증가시키기 위해 분할를 행하는 특징을 가지며, 또는 중첩(overlapping) 윈도우 또는 슬라이딩 윈도우를 사용할 수 있다. 이는 이전에는 전혀 가능하지 않았던 많은 기술을 가능하게 한다. 간단히 특징지으면, 뇌파 특징만을 이용하여 수면 상태와 각성 상태를 동적 스펙트럼 스코어링(dynamic spectral scoring)을 사용하여 구분하는 것이 가능하게 된다.

상기한 데이터 분석을 위한 예시적인 방법들은 인간을 위한 표준 비침습적인 EEG 방법과 결합되었다. 이러한 결과는 동물에서 약화된 리듬을 비침습적으로 추출하고, EEG의 단일 채널로부터 두뇌 활동을 자동으로 분석하며, 동물을 위한 수면 파라미터를 충분히 분류할 수 있는 능력이다.

실시예

실시예 1

쥐를 이소플루란(isoflurane)으로 마취시켰다. 두피를 부드럽게 면도했다. 전도성 전기젤(conductive electrogel)을 도포하고 표준 6 mm 금도금 전극을 콜로디온(collodion)으로 고정하였다. 결과 데이터를 PCT 공개공보 제 WO2006/122201호에 개시된 소프트웨어와 기술을 사용하여, 상기한 고급 산출 기술로 분석하였다.

쥐의 뇌로부터의 전압 신호를 전극으로 수집하여 분석을 위한 컴퓨터로 전송한다. 이 신호는 대략 세 개의 제 2 에포크로 분해된다. 전체적인 기록 스펙트럼을 생성하기 위해 각각의 에포크에 대한 주파수 스펙트럼이 산출된다. 그리고 나서 기록 스펙트럼은 주파수에 따라 정규화되고 이는 이전에 확인되지 않은 주파수의 검출을 가능하게 한다.

매 시간의 에포크에서, 기준선(baseline)에 대한 최대 변동을 갖는 주파수만이 맵핑된다. 그 결과로 생긴 맵은 기준선에 대한 공간 내에서의 서로 다른 특징을 보여준다. 다시 도 2를 참고하면, 이러한 특징들은, 단계를 분리하기 위한 파라미터 공간을 생성하기 위한 다중 정규화된(시간 및 주파수에 따른 정규화) 스펙트로그램(202)에서 사용되는 변수를 생성하기 위해 사용될 수 있다. 성분 분석(204)은 또한 클러스터(206)를 생성하기 위한 다중 정규화된 스펙트로그램에서 사용될 수 있다.

데이터의 그룹을 구분하기 위한 예시적인 컴퓨터를 이용한 방법

데이터를 별개의 클래스로 구분하기 위한 컴퓨터를 이용한 신호 처리에 매우 다양한 클러스터링 및 분류 방법이 사용된다. 본 명세서에 개시된 바와 같이, 사용된 클러스터링 방법은 k-평균 클러스터링이지만, 데이터의 그룹을 구분하기 위한 임의의 컴퓨터를 이용한 신호 처리 방법이 사용될 수 있다. 마찬가지로, 본 명세서에 개시된 것과 같은 성분 분석(예를 들어, 주요 성분 분석 및 독립 성분 분석)과 같은 분류 방법이 사용된다.

컴퓨터를 이용한 방법의 개요는 다음과 같다.

클러스터링(또는 클러스터 분석)은, 클래스(classes)가 미리 알려져 있지 않고, 목표가 데이터로부터 이러한 클래스를 찾는 것인, 자율 학습(unsupervised learning)이다. 예를 들어, 유전자 발현 프로파일(gene expression profile)을 사용하는 새로운 종양 클래스(tumor classes)의 식별은 일종의 자율 학습이다.

분류(또는 클래스 예측)는, 클래스가 미리 정해져 있고, 목표가 일단의 라벨화된 대상으로부터의 분류에 대한 근거를 이해하고 향후 라벨화되지 않은(unlabeled) 관측에 대한 예측 변수(predictor)를 구축하는 것인, 지도 학습 방법(supervised learning method)이다. 예를 들어, 악성 종양(malignancy)을 알려진 클래스로 분류하는 것은 일종의 지도 학습이다.

클러스터링은 여러 개의 별개의 단계를 포함한다:

대상들 사이의 적절한 거리를 해소하는(defusing) 단계

클러스터링 알고리즘의 적용을 선택하는 단계.

클러스터링 과정은 일반적으로 2개의 카테고리, 즉 계층적(hierarchical) 방법과 분할(partitioning) 방법으로 나누어진다. 계층적 방법은, 분할식(top-down, 하향식) 또는 병합식 (bottom-up. 상향식)이 될 수 있다. 계층적 클러스터링 방법은 트리 또는 덴드로그램(dendrogram)을 만든다. 계층적 방법은, 모든 대상이 하나의 클러스터에 있는 가장 작은 것에서부터 각각의 관찰이 그 자신의 클러스터에 있는 가장 큰 세트까지 클러스터의 계층을 제공한다.

분할 방법은 일반적으로 클러스터의 수의 사양(specification)을 필요로 한다. 이어서, 대상을 클러스터에 할당하기 위한 메커니즘이 결정되어야 한다. 이들 방법은, 데이터를 상호 배타적이고 포괄적인(mutually exclusive and exhaustive) 그룹의 미리 지정된 수 k로 분할한다. 본 방법은 어떤 기준(예를 들어, 클러스터 내의 제곱합(sum-of-square)을 최소화하는 것)에 맞을 때까지 관찰 결과를 클러스터에 반복적으로 재할당한다. 분할 방법의 예에는, k-평균 클러스터링, 대표 객체 분할(partitioning around medoids: PAM), 자기조직화 맵(self organizing maps: SOM) 및 모델 기반(model-based) 클러스터링을 포함한다.

실질적으로 사용된 대부분의 방법은 대부분 효율적인 정확한 알고리즘의 이용가능성 때문에 병합식 및 계층적 클러스터링 방법이다. 그러나, 이들 두 가지 클러스터링 방법은 각자의 장점과 단점이 있다. 계층적 클러스터링 방법의 장점은, 적어도 병합식 클러스터링 방법에 비해 연산이 빠르다는 것이며, 계층적 클러스터링 방법의 단점은 유연성이 없어서 본 방법에서 미리 만든 잘못된 판정에 대해 나중에 보정할 수 없다는 것이다. 분할 방법의 장점은 이러한 방법이 최적화 기준을 (거의 정확하게) 만족시키는 클러스터를 제공할 수 있다는 것을 포함하며, 분할 방법의 단점은 초기값 k를 필요로 하며 연산 시간이 길다는 것을 포함한다.

요약하면, 클러스터링은 다음을 포함하는 다양한 이유 때문에 분류보다 더 어려운 문제이다: 라벨화된 관찰의 학습 세트(learning set)가 없고, 일반적으로 그룹의 수는 알 수 없고, 암시적으로 클러스터링 방법에 사용된 관련 특징과 거리 측정을 모두 미리 선택하여야 한다.

분류( Classification )

통계, 기계 학습(machine learning), 심리 측정(psychometrics)을 포함하는 기술이 사용될 수 있다. 분류기(classifier)의 예는 로지스틱 회귀(logistic regression), 판별 분석(discriminant analysis, 선형 판별 분석 및 이차 판별 분석), 주요 성분 분석(PCA), 최근접 이웃 분류기(nearest neighbor classifier, k-최근접 이웃 분류기), 분류 및 회귀 트리(classification and regression tree: CART), 마이크로어레이(microarray)에 대한 예측 분석(prediction analysis), 신경망 및 다항 로그-선형 모델(neural networks and multinomial log-linear models), 서포트 벡터 머신(support vector machines), 집계 분류기(aggregated classifiers [배깅(bagging), 부스팅(boosting), 포레스트(forest)] 및 진화 알고리즘(evolutionary algorithm)을 포함한다.

로지스틱 회귀는, 종속(반응) 변수가 이분 변수(dichotomous variable)이고 [즉, 일부 결과 이벤트(outcome event)의 출현 또는 비출현(non-occurrence)을 일반적으로 나타내며, 0이나 1로 일반적으로 코드화되는 2개의 값만을 취한다], 독립(입력) 변수가 연속하거나 범주에 속하거나 또는 이들 두 가지인 경우에 사용되는 선형 회귀의 변동량이다. 예를 들어, 의료 연구에 의하면, 환자가 살아있는지 죽었는지, 또는 임상 시료(clinical sample)가 어떤 바이러스성 항체(viral antibody)에 대해 양성 반응(positive)지 음성반응(negative)인지이다.

정상적인 회귀(ordinary regression)와 달리, 로지스틱 회귀는 종속 변수를 종속 변수의 선형 조합으로 직접 모델화하지 않으며, 종속 변수가 정상적으로 분포된 것으로 가정하지도 않는다. 대신에, 로지스틱 회귀는 이벤트의 출현의 가능성의 함수를 설명 변수(explanatory variable)의 선형 조합으로 모델화한다. 로지스틱 회귀의 경우, 이러한 방식에서의 설명 변수에 확률을 관련시키는 함수는 로지스틱 함수이며, 설명 변수의 선형 조합의 값에 대해 플로팅될 구성될 때, 시그모이드(sigmoid) 또는 S자 모양을 갖는다.

로지스틱 회귀는, 로지스틱 회귀 모델을 데이터에 일치시키고, 이들의 일치된 확률을 기반으로 다양한 설명 변수 패턴을 분류함으로써, 분류에 사용된다. 후속하는 데이터의 분류는 이들의 공변수 패턴(covariate pattern)과 평가된 확률에 근거를 둔다.

판별 분석( Discriminant analysis )

요약하면, 판별 분석은, 샘플을 공간에서의 포인트로 나타내고 이러한 포인트를 분류하는 것이다. 선형 판별 분석(LDA)은 두 개의 클래스에 속하는 포인트를 최적으로 구분하는 최적의 평면(optimal plane surface)을 찾는다. 이차 판별 분석(QDA)은 최적의 곡선(이차)면을 찾는다. 이 두 가지 방법은 일부 분류 에러의 형태를 최소화하기 위한 것이다.

피셔(Fisher)의 선형 판별 분석( FLDA 또는 LDA ):

LDA는, 그룹 내의 제곱합에 대한 그룹간의 큰 비율(large ratios)을 갖는 데이터의 선형 조합(판별 변수)을 찾고, 평균 벡터(mean vector)가 판별 변수에 의한 관측값(observation) x의 클래스에 가장 가까운 클래스에 의해 관측값 x의 클래스를 예측하는 것이다. LDA의 장점은 단순하며 직관적이라는 것인데, 여기서 테스트할 때의 예측된 클래스가 가장 근접한 평균값을 가진 클래스이고, 실제로 양호한 수행으로 구현하기 용이하다는 것이다.

최근접 이웃 분류기( nearest neighbor classifier ):

최근접 이웃 방법은 두 개의 데이터 세트 사이에서 상관성이 없는 것 또는 유클리드 거리(Euclidean distance)와 같은 관찰 사이에서의 거리의 측정을 기반으로 한다. K-최근접 이웃 분류기는 다음과 같이 관측값 x를 분류함으로써 작용한다:

- x에 가장 근접한 학습 세트(learning set)에서 k 관측값을 찾는다.

- x의 클래스를 다수결(majority vote)로 예측한다. 즉, 이러한 k 이웃값 중에서 가장 공통인 클래스를 선택한다. k=1인 단순한 분류기가 일반적으로 상당히 성공적으로 될 수 있다. 연관성(relevance)이 없거나 거의 없는 다수의 비연관성(irrelevant) 또는 노이즈 변수(noise variables)는 최근접 이웃 분류기의 성능을 실질적으로 열화시킬 수 있다.

도 4를 참고하면, 도 4는 자동 데이터와 수동 데이터 중 하나를 이용하여 대상의 수면 상태를 판정하기 위한 예시적인 시스템(400)의 블록도이다, 수동으로 채점된 데이터(404)뿐만 아니라 자동 데이터(402)는 스펙트로그램(406)을 산출하는데 사용될 수 있다. 상기한 방법들은 데이터(408)을 분석하고 그리고 나서 대상의 수면 상태 정보를 판정하는데 사용될 수 있다.

실시예 2는 예시적인 방법들이 어떻게 자동 데이터 및 수동 데이터 중 하나를 이용하여 EEG의 단일 채널로부터의 수면 패턴을 판정하는가를 예시한다.

실시예 2

26번의 야간 수면으로부터의 EEG의 단일 채널(C3-A2 유도)은 26명의 건강한 인간을 대상으로 수행된 26개의 서로 다른 수면다원검사 기록(polysomnographic recording)으로부터 획득되었다. EEG 데이터 및 실험적 절차에 의해 제공된 수동 채점은 기관감사위원회의 각 기관에 의해 승인되었다.

EEG 데이터는 256 Hz에서 수집되었고 60 Hz 노치 필터(UCSD)를 이용하여 0.3 내지 100 Hz에서 필터링되거나 또는 250 Hz에서 수집되거나 0.53 내지 70 Hz에서 필터링되었다(MPI). 이들 기록은 10 K에서 증폭되었고 R-K에 따라 30 초 에포크에서 수동으로 채점되었다. 각각의 기록에 대해, 표준 멀티테이퍼 기술(standard multitaper technique)을 이용하여 30초 에포크 상의 2개의 직교 테이퍼(orthogonal taper)에 대해 전체 야간 스펙트로그램을 산출하였다.

그리고 나서, 파워 정보는 시간에 따라 각각의 주파수 빈(1 내지 100 Hz, 헤르쯔당 30개의 빈)에 대한 z-스코어링에 의해 정규화되었다. 이 정규화된 스펙트로그램(normalized spectrogram: NS)은 각각의 주파수 대역을 동일하게 가중화했다. 각각의 30 초 세그먼트는 가장 큰 z 스코어를 갖는 주파수에 의해 나타났다.

이 선호 주파수 공간(preferred frequency space, PFS) 내에서, 수면 및 각성 상태는 대략적으로 다른 패턴들로 분리되었다 (도 21 및 도 22). W는 항상 알파(7 내지 12 Hz) 대역에 의해, 그리고 가끔은 베타(15 내지 25 Hz) 대역에 의해 특징지어 졌다. IS는 수면 방추의 주파수(12 내지 15 Hz) 내에서 현저한 활동을 보였다.

놀랍게도, 렘은 세타(4 내지 8 Hz)의 조밀한 대역으로 정의되며 그리고 가끔은 SWS가 델타 활동에 의해 특징지어 지는 베타(15 내지 25 Hz) 주파수로 정의된다. 3초 윈도우 및 1 초 슬라이딩 윈도우의 중첩에 의해 산출될 때, 유사한 트렌드가 렘에 나타나는 베타 활동을 제외하면 PFS 내에서 알아볼 수 있었다.

이 분해능에서, 렘은 30 초 동안의 분해능에서 보다 더욱 "깨어 있는 것 같은(awake-like)" 것으로 보인다. 그러나, 이 분해능에서, 수동으로 또는 자동으로 확인되었건 간에 모든 수면 상태는 선호 주파수 공간 내에서 뚜렷한 특징을 갖는다.

각각의 시점에서, 주파수에 대해 정규화된 스펙트로그램을 z-스코어링하는 것은 이중으로 정규화된 스펙트로그램을 생성한다. 이 공간에서, PFS 내에서 명백한 대역들은 여전히 양의 값(positive values)을 갖지만, 어두운 부분은 음의 값(negative values 을 갖는 경향이 있었다. PFS 내에서의 대역으로 나타나는 주파수의 이중으로 정규화된 스펙트로그램 값들을 가산하고 그렇지 않는 값들을 감산함으로써, 상태를 최대한으로 분리하는 필터링이 수행될 수 있다. 하나는 W를 극대화하고('W필터'), 다른 하나는 W 및 렘으로부터 비-렘(NREM)을 분리하며('NREM 필터'), 세 번째 필터는 SWS와 IS를 구별한다(SWS 필터). 이러한 세 필터들의 출력은, 세 개의 넓은 수면 상태와 W가 분리되는 경향이 있는 공간을 포괄한다.

놀랍게도, 단계 I는 공간 내에서 클러스터하지 않았고 SWS는 (단계 III을 위한 하나 그리고 단계 IV를 위한 하나인 두 개가 아닌) 오직 하나의 클러스터를 형성했다. 후자는 단계 III 및 단계 IV의 구분을 포기한 R-K의 최근 변경에 부합한다. 단계 I 및 단계 III의 수동 채점은 30초 동안의 인크리먼트에서 이루어졌다. 이 분해능에서, 단계 III로 수동으로 라벨화된 에포크는 다수의 기록에서 단계 II 또는 단계 IV로 수동으로 라벨화된 에포크와 분명한 차이가 없었고, 단계 I으로 수동으로 라벨화된 에포크는 PFS 내의 대부분의 기록에서 단계 II, 렘 또는 W로 수동으로 라벨화된 에포크와 분명한 차이가 없었다. 따라서 단계 I 및 단계 III는 그 자체로는 고정된 수면 상태가 아니고 오히려 과도기적인 것 같다. 그러나 렘은 쉽게 각성과 구별할 수 있었다. 따라서 인간의 렘 수면은 더 이상 "깨어 있는 것 같은(awake-like)" 또는 "역설적(paradoxical)"인 것으로 생각될 수 없다.

K-평균 클러스터링 알고리즘(도 20)이 수면 상태를 분류하기 위한 상기한 공간 내의 정규화된 데이터에 적용되었다. VA 및 MPI 데이터가 별도로 필터링되었다 할지라도, 수면 및 각성 클러스터의 일반적인 위치는 세트들에 대해서도 유사했다. 또한 알고리즘이 MPI 데이터 세트 상에서 최적화되었기는 하지만, VA 데이터 상에서 80.6%로 수행되었고, 이는 데이터의 단일 채널을 사용하는 전례 없는 것이고 더욱 많은 채널을 사용하는 그 밖의 알고리즘의 성능과 유사하다. (Flexer, A., et al., Artif Intell Med . 33, 199 (2005).

평균치의 표준 오차는 또한 전자가 6명의 대상을 갖고 후자가 20명의 대상을 갖는다 할지라도 (각각 1.73% 대 1.78%) MPI 세트에 비해 VA 세트가 더 낮았다. 전체 데이터 세트에 대한 인간 채점에서의 평균 일치율은 4 단계 상에서 77.58%였다. 이러한 현저한 일치는, 정해진 야간 동안 특정한 대상의 수면 단계를 플로팅하는 자동으로 그리고 수동으로 획득한 수면 깊이 그래프들(hypnograms)의 중첩에 의해 가시화될 수 잇다. 26개의 기록 중 2개의 기록에서 알고리즘이 데이터를 잘못 라벨링하고 있는 것 같다.

그러한 데이터가 나머지 데이터 세트와 비교했을 때 다르게 보이지만, 선호 주파수 맵 상의 수동 채점의 시각화는 그러나 수면 및 각성 단계에 대한 별개의 특징을 보여주지 못한다. VA 데이터에 있어서, 알고리즘의 성능을 동일한 사람에 의해 재채점된(rescored) 또는 더 능숙한 채점자에 의해 채점된 데이터와 비교했을 때, 알고리즘에 대한 평균 일치율은 증가했고 82.4 내지 83.3% 범위에 있었다.

시간 및 주파수에 따른 추가의 정규화는 30초 동안의 분해능(도 7의 a 및 b, 도 8) 및 1초 동안의 분해능(도 7의 b 및 c , 도 9) 모두에서 전체 야간 스펙트로그램에 적용될 수 있다. 여기서 수면 및 각성 단계는 광대역 패턴(도 8, 도 9의 c 및 d)을 나타내는 렘, W 및 IS를 갖는 전체 1 내지 100 Hz 스펙트럼을 타일링(tile)한다.

이 공간 내에서, 시간에 따라 정규화된 파워에서의 단편화를 측정할 수 있다 (시간적 단편화) (도 16, 도 21 및 도 22). 이러한 분석은 렘 수면에 대한 양봉 분포(bimodal distribution)를 드러낸다. 이러한 패턴은 주파수 범위가 4 내지 40 Hz로 좁아졌을 때 계속되었다(데이터 미도시). 렘의 더욱 단편화된 부분은, 평균 36.18±1.27초 동안 지속되며 안정된 렘의 평균 129.08±11.04초에 의해 분리된 하룻밤 당 37.42±2.70의 에포크의 비율에서 렘의 26.18±1.7 %(평균±s.e.m)을 차지했다 (도 28).

렘의 이러한 성분은 긴장성 및 위상성 렘(tonic and phasic REM)과 일치하지 않으며 서로 다른 스펙트럼 특징을 보여준다 (도 23). 렘 수면의 이러한 불안정한 부분은 안정된 부분보다 더욱 단계 II와 혼동될 가능성이 있었다 (도 31a 내지 도 31e 및 도 32). 이러한 경우에, 렘이 있는 경우 약간의 수면 방추(spindles), k-복합체(k-complexes)는, 더 높은 시간적 분해능에서 렘으로 채점될지라도, 이들 에포크를 단계 II로 채점되게 했다 (도 21).

R-K규칙에 따르면, 어떠한 수면 방추 또는 k-복합체도 렘에서 3분 이내에 분리될 수 없다. k-복합체 및 수면 방추가 렘에서 발견될 수 있지만, 여기서 제공하는 분석에 따르면, 이러한 신호는 렘에서 관찰되는 이중모드 시간적 단편화 패턴(bimodal temporal fragmentation pattern)의 원인이 되지 않으며, 그 이유는 아마도 수면 방추 또는 k-복합체가 전혀 없는 수동으로 채점된 렘은 여전히 이러한 패턴을 보이기 때문이다 (도 16의 a 및 b, 도 21, 도 22, 도 31a 내지 도 31e 우측 세로줄).

또한 렘은 여전히 방추 주파수 파워 없이 스펙트럼 상에서 양봉 분포를 나타낸다. 시간적 단편화는 정규화된 파워의 갑작스러운 변화에 민감하다. 이러한 변화는 또한 아티팩트에 의해 발생될 수 있고, 그것들이 발생시킨 변화는 저파워 EEG의 배경에서 증가될 것이다. 따라서 어떤 종류의 아티팩트는 모든 것은 아니더라도 대부분의 렘의 이중모드 시간적 단편화의 원인이 될 수 있다.

25 Hz보다 높은 선호 주파수를 갖는 임의의 에포크뿐만 아니라, 움직임 아티팩트를 포함하는 것으로 알려진 에포크에 인접한 에포크가 분석에서 폐기될 때, 양봉 패턴(bimodal pattern)이 여전히 보일지라도, 불안정한 렘 에포크의 비율은 감소했다. 양봉 패턴은 더 많은 아티팩트가 분리될 때 훨씬 덜 분명했다.

그러나 이들 아티팩트들이 단편화 분석에 포함될 때, 6개의 경우 중 4개의 경우(렘이 제 2 채점자에 의해 시각적으로 확인될 때 6개의 경우 중 5개의 경우), 렘의 단편화되지 않은 부분의 더 높은 비율을 차지했으며, 수동 채점(채점자에 따라 대상 9에서 71.91% 및 대상 20에서 50.73% 및 52.24%의 렘의 단편화되지 않은 부분)에 대해 두 경우를 제외한 모든 경우에서 그리고 자동 채점(대상 9에서 75.9%의 렘의 단편화되지 않은 부분)에 대해 하나의 경우를 제외한 모든 경우에서 렘의 두 부분 중 50% 이하를 차지했다.

아티팩트를 포함하지 않는 에포크들에 대해 최근접 이웃 분석(nearest-neighbor analysis)이 실행됐다 (도 33). 렘의 단편화된 부분은 거의 모든 경우에서, 수동 채점에 따라(하나의 채점자에 대한 5/6 대상, 또 다른 채점자에 대한 6/6 대상), 단편화되지 않은 부분보다 아티팩트를 포함하는 더 많은 이웃들을 가졌다.

렘이 자동으로 검출될 때, 대부분의 대상에서, 다수의 단편화된 에포크 및 단편화되지 않은 에포크는 이웃하는 아티팩트가 전혀 없었다. 이러한 데이터에 대한 추가의 분석은 관찰된 패턴 및 아마도 수면의 새로운 상태의 원인이 될 수 있는 EEG 특징을 확인하기 위해 필요할 것이다. 그럼에도 불구하고, 시간적 단편화는 렘을 W 및 단계 I과 쉽게 구별하는 또 다른 변수를 제공한다 (도 30a 및 도 30b).

예시적인 수면 통계치

본 명세서에 개시된 모든 기술들에 있어서, 조정된 소스 데이터로부터 다양한 임의의 통계치가 생성될 수 있다. 예를 들어, 수면 상태로 분류된 조정된 소스 EEG 데이터로부터 수면 통계치가 생성될 수 있다. 예시적인 수면 통계치는, 수면 상태 밀도(sleep stage densities), 수면 상태 에피소드(sleep stage episodes)의 수, 수면 상태 평균 기간, 사이클 시간, 수면 상태 사이의 인터벌 시간, 수면 상태 분리 통계치(sleep stage separation statistics), 수면의 개시, 렘 수면 잠복기(REM sleep latency), 트렌드(trends)의 회귀 계수, 트렌드의 통계적 중요도의 측정값 등을 포함할 수 있다.

예시적인 수면 데이터 프리젠터( Presenter )

본 명세서에서의 모든 실시예들에 있어서, 수면 상태 데이터를 기반으로 한 전자식(electronic) 또는 종이식 보고(paper-based)가 제시될 수 있다. 이러한 보고는 대상에 대해 맞춤형(customized) 수면 상태 정보, 수면 상태 통계치, 병리적 상태, 수면에서의 약물 및/또는 화학 약품 효과 등을 포함할 수 있다. 선별 검사(screening test), 행동의 변화 등에 대한 권고(recommendation)가 제시될 수도 있다. 특정한 수면 데이터 및 저주파 정보의 결과가 몇몇 예에 나타나 있지만, 그 밖의 수면 데이터 프리젠터와 데이터의 가시화가 사용될 수 있다.

예시적인 컴퓨터 실행 방법

본 명세서에 개시된 모든 컴퓨터 실행 방법들은 자동화 시스템(예를 들어, 컴퓨터 시스템) 내의 소프트웨어에 의해 실행되는 소프트웨어로 수행될 수 있다. 완전 자동(예를 들어, 인간의 개입이 없음) 또는 반자동(예를 들어, 인간의 개입에 의해 도움을 받는 컴퓨터 처리) 동작이 지원될 수 있다. 사용자의 개입은 파라미터를 조정하거나 결과를 고려하는 것과 같은 어떤 경우에서는 바람직할 수 있다.

이러한 소프트웨어는 개시된 작용을 수행하기 위한 컴퓨터로 실행 가능한 명령을 포함하는 하나 이상의 컴퓨터로 판독 가능한 매체에 저장될 수 있다. 이러한 매체는 유형의(예를 들어, 물리적인) 매체가 될 수 있다.

이상에서는 정보가 수면 상태를 판정하는데 어떻게 사용되는지에 대해 개시하였다. 개시된 기술들은 또한 수면 상태를 특징짓는 그 밖의 응용과 기술에 대해 사용될 수 있다. 이러한 응용은 환자가 자신들의 수면 상태에 기초하여, 그리고 자신들의 수면 상태에 기초한 두뇌 기능에서의 변화로서 이전에 판명되었던 변수를 기반으로, 어떤 종류의 약물을 섭취했는지 여부를 판정하는 것을 포함할 수 있다.

도 5를 참고하면, 도 5는 수면 상태로부터 대상의 병리적 상태를 판정하기 위한 예시적인 시스템(500)의 블록도이다. 동물의 뇌파 데이터가 수신되고 수면 상태 분석기로 입력되어 대상의 병리적 상태를 판정한다.

병리적 상태가 수면 상태(506)를 기반으로 동물에서 검출될 수 있다. 예를 들어, 동물(502)의 수면 상태가 수면 상태가 획득될 수 있으며, 수면 상태가 정상 수면을 나타내는지 아니면 비정상 수면을 나타내는지를 판정하도록 분석된다(504). 비정상 수면은 병리적 상태(508)를 나타낼 수 있다. 예를 들어, 병리적 상태를 갖는 동물들의 수면 상태가 획득될 수 있으며, 구분 가능한 "병리적 상태" 수면 상태 프로파일 및/또는 병리적 상태를 갖는 것을 나타내는 수면 상태 통계치를 생성하기 위해 공통 속성(common attributes)에 대해 분석된다. 이러한 프로파일 또는 통계치를, 대상이 병리적 상태를 가지고 있는지 또는 병리적 상태의 임의의 조기 진단 지표를 갖는지 여부를 판정하기 위해, 동물에 대해 판정된 수면 상태에 비교할 수 있다. 임의의 다양한 병리적 상태가 검출 및/또는 분석될 수 있다. 예를 들어, 수면 관련 병리적 상태는 간질(epilepsy), 알츠하이머병(Alzheimer's disease), 우울증(depression), 뇌 외상(brain trauma), 불면증(insomnia), 하지 불안 증후군(Restless leg syndrome) 및 수면 무호흡증(sleep apnea)을 포함할 수 있다. 예를 들어, 수면 다원 검사에 의해 알츠하이머병을 가진 환자는 치매(dementia)로 될 때까지 비례해서 감소된 렘 수면을 보일 수 있다.

발작성 수면(narcolepsy)은 렘으로의 급작스런 전이와 관련이 있다. 발작성 수면증 동물의 뇌파에는 불안정 패턴이 있다고 최근에 보고된 바 있다. 인간뿐만 아니라 이들이 렘에 해당된다면, 발작성 수면증은 렘 단편화 패턴에 있어서 뚜렷한 차이를 갖게 될 것이다.

그 밖의 많은 질병들이 수면 장애와 연관되어 있다. 예를 들어, 우울증은 짧은 렘 잠복기와 증가된 렘 수면에 관련이 있다. 알츠하이머 환자들은 이미 불안정한 수면 패턴을 갖는다. 이러한 상태 및 그것들의 치료는[(우울증 블록 렘에 대해 사용되는 모노아민 옥시다이제(MAOIs); 알츠하이머병에 대해 사용되고 렘에 영향을 미치는 콜린에스테라아제 저해제(cholinesterase inhibitors)] 안정된 그리고 불안정한 렘의 새로운 발현과 관련이 있을 수 있으며, 이는 병리와 치료 모두를 평가하는데 사용될 수 있다.

선호 주파수 및 반복된 선호 주파수 플롯은 또한 병리와 치료의 생체지표를 추출하는데 도움이 될 수 있다.

수면에 영향을 줄 수 있는 예시적인 약물 및 화학 약품

본 명세서에 개시된 모든 기술들에 있어서, 동물의 수면 상태에 대한 약물 및 화학 약품의 효과는 동물에 대해 얻어진 소스 데이터를 분석함으로써 판정될 수 있다. 예를 들어, 수면 상태는, 알코올, 니코틴 및 코카인 사용에 의해 변경될 수 있다. 수면에 영향을 주는 예시적인 약물은 스테로이드, 테오필린(theophylline), 소염제(decongestant), 벤조디아제핀(benzodiazepine), 항우울제(antidepressant), 모노아민 산화효소 억제제(monoamine oxidase inhibitor, 예를 들어, 페넬진(Phenelzine) 및 모클로베미드(Moclobemide)), 선택적 세로토닌 재흡수 억제제(selective serotonin reuptake inhibitors, 예를 들어, 플루옥세틴(Fluoxetine, Prozac® 상표 하에 판매) 및 설트랄린(Sertraline, Zoloft® 상표 하에 판매), 티록신(thyroxine), 경구 피임약(oral contraceptive pill), 항고혈압제(antihypertensives), 항히스타민제(antihistamines), 신경 이완제(neuroleptics), 암페타민(amphetamine), 바르비투르산염(barbiturates), 마취제(anesthetics) 등을 포함한다.

수면 패턴은 병리적 상태와 약물 효과를 위해 상기한 바와 같은 진단법으로서 사용될 수 있다. 아래의 실시예는 수면 패턴이 어떻게 개개인을 확인하기 위한 생체지표로 사용될 수 있는가를 예시한다.

실시예 3

상기한 예시적인 수면 단계화 기법(sleep staging technique)을 이용하여 네 쌍의 쌍둥이에 대한 수면 데이터가 분석되었다.

1 내지 4번의 세로줄 각각은 4쌍의 쌍둥이(제 1쌍은 이란성이고, 제 2 내지 제 4 쌍은 일란성임)에 해당된다. 오직 REM만이 도시된다(시간에 따른 시간적 단편화). 쌍둥이는 유사한 시간적 단편화 패턴을 나타낸다 (도 34).

더 많은 일반적인 목표를 수행하기 위한 서로 다른 방식을 가능하게 하는데 사용될 수 있는 일반적인 구조 및 기술과 더 구체적인 실시태양이 본 명세서에 개시된다.

본 명세서 전체에서, 본 발명이 속한 기술 분야를 더욱 충분하게 개시하기 위하여 다양한 공개공보, 특허 및/또는 특허 출원들이 본원에서 인용된다. 이들 공개공보, 특허 및/또는 특허출원들의 개시내용은 본원에서 전체가 참고로 인용되며, 각각의 공개공보, 특허 및/또는 특허 출원이 참고로서 인용될 수 있도록 구체적으로 그리고 개별적으로 명시된 것과 같은 정도로, 이들은 동일한 또는 이전의 문장에서 구체적으로 참고 문헌 목록이 달려 있는 청구 주제에 대해 본원에서 전체가 참고로 인용된다.

몇몇 실시태양에 대해서만 구체적으로 개시했지만, 다른 실시태양도 가능하며, 본 발명자들은 이들이 명세서 내에 포함되도록 의도한다. 본 명세서는 다른 방식으로 달성될 수 있는 더욱 일반적인 목표를 달성하기 위한 구체적인 실시예를 개시한다. 이러한 개시내용은 예시적인 것으로 의도되며, 청구범위는 해당 기술 분야에서 통상의 기술을 가진 자가 예측할 수 있는 임의의 변경 또는 대안을 포함하도록 의도된다. 예들 들어, 그 밖의 응용이 가능하며, 다른 형태의 판별 기능과 특징화가 가능하다. 위에서 "선호 주파수(preferred frequency)" 면에서 주파수를 특징짓는 것으로 광범위하게 개시하였지만, 정보의 보다 엄격한 특징이 가능하다는 것을 이해하여야 한다. 또한, EEG데이터로부터 수면 상태를 판정하고, 수면 상태의 판정이 몇몇 상이한 종류만 있는 것으로 언급되어 있지만, 그 밖의 응용이 고려된다는 것을 이해하여야 한다.

본 발명의 원리를 바람직한 실시태양에서 설명 및 개시했지만, 개시된 실시예는 예시적인 것이며, 본 발명의 원리를 벗어남이 없이 구성을 변경할 수 있다는 것은 당업자에게 자명할 것이다. 이러한 실시예들 중 어떤 것으로부터의 기술은 하나 이상의 다른 실시예에 포함될 수 있다.

또한 본 발명자들은 특허 청구의 범위에서 "~을 위한 수단(means for)"이란 단어를 사용한 청구범위는 35 USC 112의 6번째 문단에 따라 해석되는 것으로 의도한다. 또한 명세서로부터의 어떠한 제한도, 이러한 제한이 청구범위에 명백히 포함되어 있지 않은 경우에도, 청구범위에 포함되는 것으로 의도된다.

Claims (27)

1. 동물의 두뇌 단계를 평가하기 위한 방법에 있어서,
   적어도 하나의 전극을 동물에 부착하는 단계;
   뇌파 활동을 나타내는 데이터를 획득하는 단계;
   상기 뇌파 활동을 나타내는 데이터를 분석하는 단계; 및
   상기 분석 단계로부터의 수면 상태를 나타내는 적어도 하나의 파라미터를 판정하는 단계를 포함하는 방법.
2. 제 1 항에 있어서, 상기 획득 데이터는 적어도 하나의 전극을 동물의 두개골 또는 뇌 또는 두개골과 뇌 사이에 삽입함으로써 침습적으로(invasively) 수신되는, 방법.
3. 제 1 항에 있어서, 상기 획득 데이터는 적어도 하나의 전극을 이용하여 비침습적으로(non-invasively) 수신되는, 방법.
4. 제 3 항에 있어서, 상기 획득 데이터는 적어도 하나의 건식 전극(dry electrode)을 부착함으로써 수신되는, 방법.
5. 제 3 항에 있어서, 상기 획득 데이터는 적어도 하나의 습식 전극(wet electrode)을 부착함으로써 수신되는, 방법.
6. 제 2 항에 있어서, 상기 획득 데이터는 적어도 하나의 EEG 채널로부터 수신되는, 방법.
7. 제 3 항에 있어서, 상기 획득 데이터는 적어도 하나의 EEG 채널로부터 수신되는, 방법.
8. 제 1 항에 있어서, 상기 획득 데이터는 무선으로 수신되는, 방법.
9. 제 1 항에 있어서, 상기 두뇌 활동을 나타내는 분석 데이터는 자동 데이터인, 방법.
10. 제 1 항에 있어서, 상기 두뇌 활동을 나타내는 분석 데이터는 수동 데이터인, 방법.
11. 동물의 두뇌 단계를 평가하기 위한 방법에 있어서:
    주파수에 따른 시간에 대해 적어도 한 번 스펙트로그램(spectrogram)을 정규화(normalizing)하는 단계;
    시간에 따른 주파수에 대해 적어도 한 번 스펙트로그램을 정규화하는 단계; 및
    상기 분석 단계로부터의 수면 상태를 나타내는 적어도 하나의 파라미터를 판정하는 단계를 포함하는, 방법.
12. 제 1 항에 있어서, 상기 두뇌 활동을 나타내는 데이터를 분석하는 단계는:
    스펙트로그램을 산출하는 단계:
    스펙트로그램을 정규화하는 단계:
    독립된 또는 주요한 성분 분석(component analysis)을 수행하는 단계; 및
    클러스터들(clusters)을 확인하는 단계를 포함하는, 방법.
13. 제 1 항에 있어서, 상기 두뇌 활동을 나타내는 데이터를 분석하는 단계는 시간적 단편화 분석(temporal fragmentation analysis)을 수행하는 단계를 포함하는, 방법.
14. 제 1 항에 있어서, 상기 두뇌 활동을 나타내는 데이터를 분석하는 단계는 선호 주파수 분석(preferred frequency analysis)을 수행하는 단계를 포함하는, 방법.
15. 제 1 항에 있어서, 상기 두뇌 활동을 나타내는 데이터를 분석하는 단계는 스펙트럼 단편화 분석(spectral fragmentation analysis)을 수행하는 단계를 포함하는, 방법.
16. 제 11 항에 있어서, 수면 파라미터를 규정하기 위해 선호 주파수 공간(preferred frequency space) 또는 단편화 공간(fragmentation space) 또는 클러스터 공간(cluster space)을 통계적으로 분석하는 단계를 더 포함하는, 방법.
17. 제 12 항에 있어서, 수면 파라미터를 규정하기 위해 선호 주파수 공간 또는 단편화 공간 또는 클러스터 공간을 통계적으로 분석하는 단계를 더 포함하는, 방법.
18. 제 13 항에 있어서, 수면 파라미터를 규정하기 위해 선호 주파수 공간 또는 단편화 공간 또는 클러스터 공간을 통계적으로 분석하는 단계를 더 포함하는, 방법.
19. 제 14 항에 있어서, 수면 파라미터를 규정하기 위해 선호 주파수 공간 또는 단편화 공간 또는 클러스터 공간을 통계적으로 분석하는 단계를 더 포함하는, 방법.
20. 제 15 항에 있어서, 수면 파라미터를 규정하기 위해 선호 주파수 공간 또는 단편화 공간 또는 클러스터 공간을 통계적으로 분석하는 단계를 더 포함하는, 방법.
21. 제 1 항에 있어서, 동물이 수면 또는 각성 상태에 있는지를 판정하는 단계를 더 포함하는, 방법.
22. 동물의 뇌파를 획득하고 분류하기 위한 비침습적인 시스템에 있어서:
    뇌파 활동을 나타내는 데이터를 획득하기 위한 수신 수단;
    상기 뇌파 활동을 나타내는 데이터를 분석하기 위한 산출 수단; 및
    상기 분석 단계로부터의 수면 또는 각성 상태를 나타내는 적어도 하나의 파라미터를 판정하기 위한 프로세서를 포함하는 시스템.
23. 제 18 항에 있어서, 상기 수신 수단은 동물에 부착된 비침습적 전극인, 방법.
24. 제 22 항에 있어서, 상기 수면 또는 각성 상태를 나타내는 파라미터는 아마도 약물 소비, 반응 또는 투여량을 나타내는 정보를 포함하는, 방법.
25. 일정 기간 동안 대상의 수면 상태를 판정하는 방법에 있어서;
    일정 기간 동안 동물의 두뇌 활동을 나타내는 데이터를 수신하는 단계;
    상기 두뇌 활동을 나타내는 데이터를 분석하는 단계; 및
    수면 상태를 기반으로 상기 데이터를 분류하는 단계를 포함하는 방법.
26. 동물의 약물 소비의 효과를 측정하기 위한 자동화된 시스템 및 방법에 있어서;
    미처리된 동물에 대한 수면 파라미터를 획득하는 단계;
    상기 미처리된 동물에 대한 수면 파라미터를 맵핑하는 단계;
    처리된 동물에 대한 수면 파라미터를 획득하는 단계;
    상기 처리된 동물에 대한 수면 파라미터를 맵핑하는 단계; 및
    상기 미처리된 동물에 대한 파라미터를 상기 처리된 동물에 대한 파라미터와 비교하는 단계를 포함하는 시스템 및 방법.
27. 동물의 병리적 상태를 판정하기 위한 자동화된 시스템 및 방법에 있어서;
    건강한 동물에 대한 수면 파라미터를 획득하는 단계;
    상기 건강한 동물에 대한 수면 파라미터를 맵핑하는 단계;
    비정상적인 동물에 대한 수면 파라미터를 획득하는 단계;
    상기 비정상적인 동물에 대한 수면 파라미터를 맵핑하는 단계; 및
    상기 건강한 동물에 대한 파라미터를 상기 비정상적인 동물에 대한 파라미터와 비교하는 단계를 포함하는 시스템 및 방법.
    

Images