TW202029928A - 用於實質上非破壞性聲學刺激之可穿戴裝置之系統及方法 - Google Patents

用於實質上非破壞性聲學刺激之可穿戴裝置之系統及方法 Download PDF

Info

Publication number
TW202029928A
TW202029928A TW108145883A TW108145883A TW202029928A TW 202029928 A TW202029928 A TW 202029928A TW 108145883 A TW108145883 A TW 108145883A TW 108145883 A TW108145883 A TW 108145883A TW 202029928 A TW202029928 A TW 202029928A
Authority
TW
Taiwan
Prior art keywords
brain
signal
person
transducer
signals
Prior art date
Application number
TW108145883A
Other languages
English (en)
Inventor
艾瑞克 卡布拉姆斯
瓊斯 卡瑪拉
考德勒 歐文 凱
亞歷山大 Ｂ 萊菲爾
強納森 M 羅斯伯格
毛理齊奧 艾里恩佐
卡梅爾 法勞理
Original Assignee
美商伊柏利帕斯科公司
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 美商伊柏利帕斯科公司 filed Critical 美商伊柏利帕斯科公司
Publication of TW202029928A publication Critical patent/TW202029928A/zh

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N7/00—Ultrasound therapy
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • A61B5/0004—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by the type of physiological signal transmitted
    • A61B5/0006—ECG or EEG signals
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
    • A61B5/0075—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence by spectroscopy, i.e. measuring spectra, e.g. Raman spectroscopy, infrared absorption spectroscopy
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/168—Evaluating attention deficit, hyperactivity
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A61B5/372—Analysis of electroencephalograms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A61B5/375—Electroencephalography [EEG] using biofeedback
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4058—Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
    • A61B5/4064—Evaluating the brain
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4082—Diagnosing or monitoring movement diseases, e.g. Parkinson, Huntington or Tourette
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4094—Diagnosing or monitoring seizure diseases, e.g. epilepsy
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4836—Diagnosis combined with treatment in closed-loop systems or methods
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6813—Specially adapted to be attached to a specific body part
    • A61B5/6814—Head
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7221—Determining signal validity, reliability or quality
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M21/00—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/25—Bioelectric electrodes therefor
    • A61B5/279—Bioelectric electrodes therefor specially adapted for particular uses
    • A61B5/291—Bioelectric electrodes therefor specially adapted for particular uses for electroencephalography [EEG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M21/00—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis
    • A61M2021/0005—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis by the use of a particular sense, or stimulus
    • A61M2021/0027—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis by the use of a particular sense, or stimulus by the hearing sense
    • A61M2021/0038—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis by the use of a particular sense, or stimulus by the hearing sense ultrasonic
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M2205/00—General characteristics of the apparatus
    • A61M2205/05—General characteristics of the apparatus combined with other kinds of therapy
    • A61M2205/058—General characteristics of the apparatus combined with other kinds of therapy with ultrasound therapy
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M2230/00—Measuring parameters of the user
    • A61M2230/08—Other bio-electrical signals
    • A61M2230/10—Electroencephalographic signals
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N7/00—Ultrasound therapy
    • A61N2007/0004—Applications of ultrasound therapy
    • A61N2007/0021—Neural system treatment
    • A61N2007/0026—Stimulation of nerve tissue
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N7/00—Ultrasound therapy
    • A61N2007/0073—Ultrasound therapy using multiple frequencies

Abstract

在一些態樣中，一種可由一人穿戴之裝置包括經組態以偵測來自該人之大腦之一信號的一感測器及經組態以將一超聲波信號施加於該大腦之一換能器。該超聲波信號具有一低功率密度且在施加於該大腦時對於組織實質上為非破壞性的。

Description

用於實質上非破壞性聲學刺激之可穿戴裝置之系統及方法
世界衛生組織(WHO)之最新估計為神經病症占全球疾病負擔的6%以上。此類神經病症可包括癲癇症、阿茲海默氏症，及帕金森氏病。例如，全球約六千五百萬人患有癲癇症。美國自身有約三百四十萬人患有癲癇症以及所估計之一百五十億美元之經濟影響。此等患者有諸如反覆性癲癇等症狀，該等症狀為大腦中過度及同步神經活動之發作。由於超過70%的癲癇症患者生活在癲癇發作控制次佳的情況下，此類症狀在學校、社會及就業環境、日常活動(如駕駛)及甚至獨立生活中都可能對患者構成挑戰。
在一些態樣中，一種可由人穿戴或附著於該人上或植入於該人體內之裝置包括經組態以偵測來自該人之大腦之信號的感測器及經組態以將聲學信號施加於該大腦之換能器。
在一些實施例中，該感測器包括腦電圖(EEG)感測器，且該信號包括EEG信號。
在一些實施例中，該換能器包括超聲波換能器，且該聲學信號包括超聲波信號。
在一些實施例中，該超聲波信號具有100 kHz與1 MHz之間的頻率、0.001 cm3 與0.1 cm3 之間的空間解析度，及/或1瓦特/cm2 及100瓦特/cm2 之間的功率密度，如藉由空間峰值脈衝平均強度所量測。
在一些實施例中，該超聲波信號具有低功率密度，例如在1瓦特/cm2 與100瓦特/cm2 之間，且在施加於大腦時對於組織實質上為非破壞性的。
在一些實施例中，該感測器及該換能器以非侵入性方式安置於該人之頭部上。
在一些實施例中，該裝置包括與該感測器及該換能器通信之處理器。該處理器經程式化以自感測器接收自大腦所偵測到之信號且將指令傳輸至換能器以將聲學信號施加於大腦。
在一些實施例中，該處理器經程式化以將指令傳輸至換能器從而以一或多個隨機間隔將聲學信號施加於大腦。
在一些實施例中，該裝置包括經組態以將聲學信號施加於大腦之至少一個其他換能器，且該處理器經程式化以選擇換能器中之一者傳輸指令從而以該一或多個隨機間隔將聲學信號施加於大腦。
在一些實施例中，該處理器經程式化以分析該信號以判定大腦是否正展現神經性病症之症狀並回應於判定大腦正展現神經性病症之症狀而將指令傳輸至換能器以將聲學信號施加於大腦。
在一些實施例中，該聲學信號抑制神經性病症之症狀。
在一些實施例中，該神經性病症包括以下各者中之一或多者：中風、帕金森氏病、偏頭痛、痙攣症、額顳葉型癡呆、創傷性腦損傷、抑鬱症、焦慮症、阿茲海默氏症、癡呆、多發性硬化症、思覺失調症、大腦損傷、神經退化、中樞神經系統(CNS)疾病、腦病、亨廷頓氏病、自閉症、注意力不足過動症(ADHD)、肌肉萎縮性側索硬化(ALS)及腦震盪。
在一些實施例中，該症狀包括癲癇發作。
在一些實施例中，該信號包括電信號、機械信號、光學信號，及/或紅外線信號。
在一些態樣中，一種用於操作可由人穿戴或附著於人上或植入於人體內之裝置之方法包括自感測器接收自大腦所偵測到之信號及藉由換能器將聲學信號施加於大腦，該裝置包括經組態以偵測來自該人之大腦之信號的感測器及經組態以將聲學信號施加於大腦之換能器。
在一些態樣中，一種設備包括由人穿戴或附著於人上或植入於人體內之裝置。該裝置包括經組態以偵測來自該人之大腦之信號的感測器及經組態以將聲學信號施加於大腦之換能器。
在一些態樣中，一種可由人穿戴之裝置包括經組態以偵測來自人之大腦之信號的感測器及經組態以將超聲波信號施加於大腦之換能器。該超聲波信號具有低功率密度，例如在1瓦特/cm2 與100瓦特/cm2 之間，且在施加於大腦時對於組織實質上為非破壞性的。
在一些實施例中，該感測器及該換能器以非侵入性方式安置於該人之頭部上。
在一些實施例中，該感測器包括腦電圖(EEG)感測器，且該信號包括EEG信號。
在一些實施例中，該換能器包括超聲波換能器。
在一些實施例中，該超聲波信號具有100 kHz與1 MHz之間的頻率、0.001 cm3 與0.1 cm3 之間的空間解析度，及/或1瓦特/cm2 與100瓦特/cm2 之間的低功率密度，如藉由空間峰值脈衝平均強度所量測。
在一些實施例中，該超聲波信號抑制神經性病症之症狀。
在一些實施例中，該神經性病症包括以下各者中之一或多者：中風、帕金森氏病、偏頭痛、痙攣症、額顳葉型癡呆、創傷性腦損傷、抑鬱症、焦慮症、阿茲海默氏症、癡呆、多發性硬化症、思覺失調症、大腦損傷、神經退化、中樞神經系統(CNS)疾病、腦病、亨廷頓氏病、自閉症、注意力不足過動症(ADHD)、肌肉萎縮性側索硬化(ALS)及腦震盪。
在一些實施例中，該症狀包括癲癇發作。
在一些實施例中，該信號包括電信號、機械信號、光學信號，及/或紅外線信號。
在一些態樣中，一種用於操作可由人穿戴之裝置之方法包括將超聲波信號施加至大腦，該裝置包括經組態以偵測來自該人之大腦之信號的感測器及經組態以將超聲波信號施加於大腦之換能器。該超聲波信號具有低功率密度，例如在1瓦特/cm2 與100瓦特/cm2 之間，且在施加於大腦時對於組織實質上為非破壞性的。
在一些態樣中，一種方法包括藉由由人穿戴或附著於人上之裝置將超聲波信號施加至人之大腦。
在一些態樣中，一種設備包括由人穿戴或附著於人上之裝置。該裝置包括經組態以偵測來自該人之大腦之信號的感測器及經組態以將超聲波信號施加於大腦之換能器。該超聲波信號具有低功率密度，例如在1瓦特/cm2 與100瓦特/cm2 之間，且在施加於大腦時對於組織實質上為非破壞性的。
在一些態樣中，一種可由人穿戴之裝置包括經組態以將聲學信號施加於人之大腦之換能器。
在一些實施例中，該換能器經組態以將聲學信號隨機施加於人之大腦。
在一些實施例中，該換能器包括超聲波換能器，且該聲學信號包括超聲波信號。
在一些實施例中，該超聲波信號具有100 kHz與1 MHz之間的頻率、0.001 cm3 與0.1 cm3 之間的空間解析度，及/或1瓦特/cm2 及100瓦特/cm2 之間的功率密度，如藉由空間峰值脈衝平均強度所量測。
在一些實施例中，該超聲波信號具有低功率密度，例如在1瓦特/cm2 與100瓦特/cm2 之間，且在施加於大腦時對於組織實質上為非破壞性的。
在一些實施例中，該換能器以非侵入性方式安置於該人之頭部上。
在一些實施例中，該聲學信號抑制神經性病症之症狀。
在一些實施例中，該神經性病症包括以下各者中之一或多者：中風、帕金森氏病、偏頭痛、痙攣症、額顳葉型癡呆、創傷性腦損傷、抑鬱症、焦慮症、阿茲海默氏症、癡呆、多發性硬化症、思覺失調症、大腦損傷、神經退化、中樞神經系統(CNS)疾病、腦病、亨廷頓氏病、自閉症、注意力不足過動症(ADHD)、肌肉萎縮性側索硬化(ALS)及腦震盪。
在一些實施例中，該症狀包括癲癇發作。
在一些態樣中，一種用於操作可由人穿戴之裝置之方法包括將聲學信號施加至人之大腦，該裝置包括換能器。
在一些態樣中，一種設備包括由人穿戴或附著於人上之裝置。該裝置包括經組態以將聲學信號施加於人之大腦之換能器。
在一些態樣中，一種可由人穿戴或附著於人上或植入於人體內之裝置包括經組態以偵測來自人之大腦之腦電圖(EEG)信號之感測器及經組態以將低功率(實質上非破壞性)超聲波信號施加於大腦之換能器。
在一些實施例中，該超聲波信號具有100 kHz與1 MHz之間的頻率、0.001 cm3 與0.1 cm3 之間的空間解析度，及/或1瓦特/cm2 及100瓦特/cm2 之間的功率密度，如藉由空間峰值脈衝平均強度所量測。
在一些實施例中，該感測器及該換能器以非侵入性方式安置於該人之頭部上。
在一些實施例中，該超聲波信號抑制癲癇發作。
在一些實施例中，該裝置包括與該感測器及該換能器通信之處理器。該處理器經程式化以自感測器接收自大腦所偵測到之EEG信號且將指令傳輸至換能器以將超聲波信號施加於大腦。
在一些實施例中，該處理器經程式化以將指令傳輸至換能器從而以一或多個隨機間隔將超聲波信號施加於大腦。
在一些實施例中，該裝置包括經組態以將超聲波信號施加於大腦之至少一個其他換能器，且該處理器經程式化以選擇換能器中之一者傳輸指令從而以該一或多個隨機間隔將超聲波信號施加於大腦。
在一些實施例中，該處理器經程式化以分析EEG信號以判定大腦是否正展現癲癇發作並回應於判定大腦正展現癲癇發作而將指令傳輸至換能器以將超聲波信號施加於大腦。
在一些態樣中，一種用於操作可由人穿戴或附著於人上或植入於人體內之裝置之方法包括藉由感測器接收EEG信號且藉由換能器將超聲波信號施加至大腦，該裝置包括經組態以偵測來自人之大腦之腦電圖(EEG)信號的感測器及經組態以將低功率(實質上非破壞性)超聲波信號施加於大腦之換能器。
在一些態樣中，一種設備包括由人穿戴或附著於人上或植入於人體內之裝置。該裝置包括經組態以偵測來自人之大腦之腦電圖(EEG)信號的感測器及經組態以將低功率(實質上非破壞性)超聲波信號施加於大腦之換能器。
在一些態樣中，一種裝置包括經組態以偵測來自人之大腦之信號的感測器及各自經組態以將聲學信號施加於大腦之複數個換能器。使用基於來自自大腦所偵測到之先前信號之資料而進行訓練之統計模型來選擇該複數個換能器中之一者。
在一些實施例中，該裝置包括與該感測器及該複數個換能器通信之處理器。該處理器經程式化以提供來自自大腦所偵測到之第一信號的資料以作為經訓練統計模型之輸入從而獲得指示神經性病症之症狀之第一經預測強度的輸出，且基於症狀之第一經預測強度，在第一方向上選擇該複數個換能器中之一者傳輸第一指令以施加第一聲學信號。
在一些實施例中，該處理器經程式化以提供來自自大腦所偵測到之第二信號的資料以作為經訓練統計模型之輸入從而獲得指示神經性病症之症狀之第二經預測強度的輸出；回應於第二經預測強度小於第一經預測強度，在第一方向上選擇該複數個換能器中之一者傳輸第二指令以施加第二聲學信號；以及回應於第二經預測強度大於第一經預測強度，在與該第一方向相反或不同於該第一方向之方向上選擇該複數個換能器中之一者傳輸第二指令以施加第二聲學信號。
在一些實施例中，該統計模型包含深度學習網路。
在一些實施例中，深度學習網路包含用於將資料編碼於n維表示空間上之深度迴旋神經網路(DCNN)及用於藉由觀測表示空間經由時間之改變而計算偵測評分之反覆性神經網路(RNN)。該偵測評分指示神經性病症之症狀之經預測強度。
在一些實施例中，來自自大腦所偵測到之先前信號的資料存取自該人之電子健康記錄。
在一些實施例中，該感測器包括腦電圖(EEG)感測器，且該信號包括EEG信號。
在一些實施例中，該換能器包括超聲波換能器，且該聲學信號包括超聲波信號。
在一些實施例中，該超聲波信號具有100 kHz與1 MHz之間的頻率、0.001 cm3 與0.1 cm3 之間的空間解析度，及/或1瓦特/cm2 及100瓦特/cm2 之間的功率密度，如藉由空間峰值脈衝平均強度所量測。
在一些實施例中，該超聲波信號具有低功率密度，例如在1瓦特/cm2 與100瓦特/cm2 之間，且在施加於大腦時對於組織實質上為非破壞性的。
在一些實施例中，該感測器及該換能器以非侵入性方式安置於該人之頭部上。
在一些實施例中，該聲學信號抑制神經性病症之症狀。
在一些實施例中，該神經性病症包括以下各者中之一或多者：中風、帕金森氏病、偏頭痛、痙攣症、額顳葉型癡呆、創傷性腦損傷、抑鬱症、焦慮症、阿茲海默氏症、癡呆、多發性硬化症、思覺失調症、大腦損傷、神經退化、中樞神經系統(CNS)疾病、腦病、亨廷頓氏病、自閉症、注意力不足過動症(ADHD)、肌肉萎縮性側索硬化(ALS)及腦震盪。
在一些實施例中，該症狀包括癲癇。
在一些實施例中，該信號包括電信號、機械信號、光學信號，及/或紅外線信號。
在一些態樣中，一種用於操作裝置之方法包括使用基於來自自大腦所偵測到之先前信號的資料進行訓練之統計模型選擇該複數個換能器中之一者，該裝置包括經組態以偵測來自人之大腦之信號的感測器及各自經組態以將聲學信號施加於大腦之複數個換能器。
在一些態樣中，一種設備包括一裝置，該裝置包括經組態以偵測來自人之大腦之信號的感測器及各自經組態以將聲學信號施加於大腦之複數個換能器。該裝置經組態以使用基於來自自大腦所偵測到之先前信號之資料而進行訓練之統計模型來選擇該複數個換能器中之一者。
在一些態樣中，一種裝置包括經組態以偵測來自人之大腦之信號的感測器及各自經組態以將聲學信號施加於大腦之複數個換能器。使用基於藉由關於識別健康狀況之一或多個值註解之信號資料進行訓練之統計模型而選擇該複數個換能器中之一者。
在一些實施例中，藉由關於識別健康狀況之該一或多個值註解之信號資料包含藉由關於提高神經性病症之症狀之強度之各別值註解之信號資料。
在一些實施例中，基於藉由關於提高神經性病症之症狀之強度的0與1之間的各別值註解的來自自大腦所偵測到之先前信號的資料來訓練統計模型。
在一些實施例中，統計模型包括具有與統計模型之輸出之變化成比例的正則項、輸出導數之L1/L2範數，或輸出之二階導數之L1/L2範數的損失函數。
在一些實施例中，該裝置包括與該感測器及該複數個換能器通信之處理器。該處理器經程式化以提供來自自大腦所偵測到之第一信號的資料以作為經訓練統計模型之輸入從而獲得指示神經性病症之症狀之第一經預測強度的輸出，且基於症狀之第一經預測強度，在第一方向上選擇該複數個換能器中之一者傳輸第一指令以施加第一聲學信號。
在一些實施例中，該處理器經程式化以提供來自自大腦所偵測到之第二信號的資料以作為經訓練統計模型之輸入從而獲得指示神經性病症之症狀之第二經預測強度的輸出；回應於第二經預測強度小於第一經預測強度，在第一方向上選擇該複數個換能器中之一者傳輸第二指令以施加第二聲學信號；以及回應於第二經預測強度大於第一經預測強度，在與該第一方向相反或不同於該第一方向之方向上選擇該複數個換能器中之一者傳輸第二指令以施加第二聲學信號。
在一些實施例中，該經訓練統計模型包含深度學習網路。
在一些實施例中，深度學習網路包含用於將資料編碼於n維表示空間上之深度迴旋神經網路(DCNN)及用於藉由觀測表示空間經由時間之改變而計算偵測評分之反覆性神經網路(RNN)。該偵測評分指示神經性病症之症狀之經預測強度。
在一些實施例中，信號資料包括存取自該人之電子健康記錄的來自自大腦所偵測到之先前信號的資料。
在一些實施例中，該感測器包括腦電圖(EEG)感測器，且該信號包括EEG信號。
在一些實施例中，該換能器包括超聲波換能器，且該聲學信號包括超聲波信號。
在一些實施例中，該超聲波信號具有100 kHz與1 MHz之間的頻率、0.001 cm3 與0.1 cm3 之間的空間解析度，及/或1瓦特/cm2 及100瓦特/cm2 之間的功率密度，如藉由空間峰值脈衝平均強度所量測。
在一些實施例中，該超聲波信號具有低功率密度，例如在1瓦特/cm2 與100瓦特/cm2 之間，且在施加於大腦時對於組織實質上為非破壞性的。
在一些實施例中，該感測器及該換能器以非侵入性方式安置於該人之頭部上。
在一些實施例中，該聲學信號抑制神經性病症之症狀。
在一些實施例中，該神經性病症包括以下各者中之一或多者：中風、帕金森氏病、偏頭痛、痙攣症、額顳葉型癡呆、創傷性腦損傷、抑鬱症、焦慮症、阿茲海默氏症、癡呆、多發性硬化症、思覺失調症、大腦損傷、神經退化、中樞神經系統(CNS)疾病、腦病、亨廷頓氏病、自閉症、注意力不足過動症(ADHD)、肌肉萎縮性側索硬化(ALS)及腦震盪。
在一些實施例中，該症狀包括癲癇。
在一些實施例中，該信號包括電信號、機械信號、光學信號，及/或紅外線信號。
在一些態樣中，一種用於操作裝置之方法包括使用基於藉由關於識別健康狀況之一或多個值註解之信號資料訓練之統計模型選擇該複數個換能器中之一者，該裝置包括經組態以偵測來自人之大腦之信號的感測器及各自經組態以將聲學信號施加於大腦之複數個換能器。
在一些態樣中，一種設備包括一裝置，該裝置包括經組態以偵測來自人之大腦之信號的感測器及各自經組態以將聲學信號施加於大腦之複數個換能器。該裝置經組態以使用基於藉由關於識別健康狀況之一或多個值註解之信號資料進行訓練之統計模型而選擇該複數個換能器中之一者。
在一些態樣中，一種裝置包括經組態以偵測來自人之大腦之信號的感測器及與感測器通信之第一處理器。第一處理器經程式化以識別健康狀況，且基於經識別健康狀況，將來自信號之資料提供至該裝置外部之第二處理器以證實或反駁經識別健康狀況。
在一些實施例中，識別健康狀況包含預測神經性病症之症狀之強度。
在一些實施例中，該處理器經程式化以提供來自自大腦所偵測到之信號之資料以作為第一訓練統計模型之輸入以獲得指示經預測強度的輸出；判定經預測強度是否超過指示症狀存在之臨限值；以及回應於經預測強度超過臨限值，將來自信號之資料傳輸至該裝置外部之第二處理器。
在一些實施例中，基於來自自大腦所偵測到之先前信號的資料訓練第一統計模型。
在一些實施例中，第一訓練統計模型經訓練以具有高靈敏度及低特定性，且使用第一訓練統計模型之第一處理器相較於使用第二訓練統計模型之第一處理器使用較少功率量。
在一些實施例中，第二處理器經程式化以將來自信號之資料提供至第二訓練統計模型以獲得輸出，從而證實或反駁經預測強度。
在一些實施例中，第二訓練統計模型經訓練以具有高靈敏度及高特定性。
在一些實施例中，第一訓練統計模型及/或第二訓練統計模型包含深度學習網路。
在一些實施例中，深度學習網路包含用於將資料編碼於n維表示空間上之深度迴旋神經網路(DCNN)及用於藉由觀測表示空間經由時間之改變而計算偵測評分之反覆性神經網路(RNN)。該偵測評分指示神經性病症之症狀之經預測強度。
在一些實施例中，該感測器包括腦電圖(EEG)感測器，且該信號包括EEG信號。
在一些實施例中，該感測器以非侵入性方式安置於該人之頭部上。
在一些實施例中，該神經性病症包括以下各者中之一或多者：中風、帕金森氏病、偏頭痛、痙攣症、額顳葉型癡呆、創傷性腦損傷、抑鬱症、焦慮症、阿茲海默氏症、癡呆、多發性硬化症、思覺失調症、大腦損傷、神經退化、中樞神經系統(CNS)疾病、腦病、亨廷頓氏病、自閉症、注意力不足過動症(ADHD)、肌肉萎縮性側索硬化(ALS)及腦震盪。
在一些實施例中，該症狀包括癲癇。
在一些實施例中，該信號包括電信號、機械信號、光學信號，及/或紅外線信號。
在一些態樣中，一種用於操作裝置之方法包括識別健康狀況且基於經識別健康狀況而將來自信號之資料提供至該裝置外部之第二處理器以證實或反駁經識別健康狀況，該裝置包括經組態以偵測來自人之大腦之信號的感測器及經組態以將聲學信號施加於大腦之換能器。
在一些態樣中，一種設備包括一裝置，該裝置包括經組態以偵測來自人之大腦之信號的感測器及經組態以將聲學信號施加於大腦之換能器。該裝置經組態以識別健康狀況，且基於經識別健康狀況，將來自信號之資料提供至該裝置外部之第二處理器以證實或反駁經識別健康狀況。
應瞭解，前述概念及下文更詳細地論述之額外概念的所有組合(限制條件為此等概念並非彼此不相容)經涵蓋作為本文中所揭示之發明主題的部分。詳言之，在本發明結尾處出現之所主張主題的所有組合預期為本文所揭示之發明主題的部分。
相關申請案的交叉參考 本申請案依據35 U.S.C. § 119(e)主張2018年12月13日提交的標題為「非侵入性神經性病症治療模態(NONINVASIVE NEUROLOGICAL DISORDER TREATMENT MODALITY)」之美國臨時申請案序列號62/779,188；2019年3月22日提交的標題為「用於包括刺激及監控構件之可穿戴裝置之系統及方法(SYSTEMS AND METHODS FOR A WEARABLE DEVICE INCLUDING STIMULATION AND MONITORING COMPONENTS)」之美國臨時申請案序列號62/822,709；2019年3月22日提交的標題為「用於實質上非破壞性聲學刺激之可穿戴裝置之系統及方法(SYSTEMS AND METHODS FOR A WEARABLE DEVICE FOR SUBSTANTIALLY NON-DESTRUCTIVE ACOUSTIC STIMULATION)」之美國臨時申請案序列號62/822,697；2019年3月22日提交的標題為「用於隨機聲學刺激之可穿戴裝置之系統及方法(SYSTEMS AND METHODS FOR A WEARABLE DEVICE FOR RANDOMIZED ACOUSTIC STIMULATION)」之美國臨時申請案序列號62/822,684；2019年3月22日提交的標題為「用於使用超聲波刺激處理神經性病症之可穿戴裝置之系統及方法(SYSTEMS AND METHODS FOR A WEARABLE DEVICE FOR TREATING A NEUROLOGICAL DISORDER USING ULTRASOUND STIMULATION)」之美國臨時申請案序列號62/822,679；2019年3月22日提交的標題為「用於使用機器學習導引聲學刺激之裝置之系統及方法(SYSTEMS AND METHODS FOR A DEVICE FOR STEERING ACOUSTIC STIMULATION USING MACHINE LEARNING)」之美國臨時申請案序列號62/822,675；2019年3月22日提交的標題為「用於使用基於註解信號資料訓練之統計模型之裝置之系統及方法(SYSTEMS AND METHODS FOR A DEVICE USING A STATISTICAL MODEL TRAINED ON ANNOTATED SIGNAL DATA)」之美國臨時申請案序列號62/822,668；以及2019年3月22日提交的標題為「用於大腦之節能監控之裝置之系統及方法(SYSTEMS AND METHODS FOR A DEVICE FOR ENERGY EFFICIENT MONITORING OF THE BRAIN)」之美國臨時申請案序列號62/822,657，該等美國臨時申請案在此均以全文引用之方式併入本文中。
諸如癲癇症之神經病症之習知治療選項在侵襲性與有效性之間存在權衡。例如，對於一些患者，手術對治療癲癇性癲癇發作可有效，但該程序為侵入性的。在另一實例中，儘管抗癲癇藥物為非侵入性的，但其對一些患者可能並不有效。一些習知途徑已經使用植入之大腦模擬裝置以提供電刺激，從而試圖預防及治療神經病症之症狀，諸如癲癇。其他習知途徑已使用高強度雷射器及高強度超聲波(HIFU)來切除腦組織。此等途徑可為高度侵入性且常常僅在成功定位癲癇病灶，亦即定位大腦中癲癇之病灶以便執行腦組織之切除或該位置處之目標電刺激之後實施。然而，此等途徑係基於在該病灶處對腦組織之損傷或電刺激將阻止癲癇發作之假定。儘管對於一些患者可能如此，但對於患有相同或類似神經病症之其他患者可能並非如此。儘管一些患者在割除或切除之後癲癇發作減少，但許多患者相較於治療之前並無好轉或展現甚至更糟的症狀。例如，具有中重度癲癇發作之一些患者手術後出現極重度癲癇發作，而一些患者出現完全不同類型的癲癇發作。因此，習知途徑可為高度侵入性、難以正確地實施，且仍然僅有益於一些患者。
本發明人已發現對於神經病症之有效治療選項，其亦為非侵入性或最小侵入性及/或實質上為非破壞性的。本發明人已提出所描述系統及方法，其中腦組織使用例如低強度超聲波之聲學信號激活，經顱遞送從而以實質上非破壞性方式刺激某些大腦區域中之神經元，而非嘗試以單次手術殺滅腦組織。在一些實施例中，腦組織可以隨機間隔，例如在白天及/或夜間期間偶發地激活，由此防止大腦陷入癲癇發作狀態。在一些實施例中，可回應於例如藉由監控來自大腦之腦電圖(EEG)量測結果偵測到患者的大腦正展現癲癇發作之病徵而激活腦組織。因此，所描述系統及方法之一些實施例提供對神經病症之症狀之非侵入性及/或實質上非破壞性治療，神經病症諸如中風、巴金森氏病、偏頭痛、痙攣症、額顳葉型癡呆、創傷性腦損傷、抑鬱症、焦慮症、阿茲海默氏症、癡呆症、多發性硬化症、思覺失調症、大腦損傷、神經退化、中樞神經系統(CNS)疾病、腦病、亨廷頓氏症、自閉症、ADHD、ALS、腦震盪，及/或其他合適的神經病症。
例如，所描述系統及方法之一些實施例可提供允許將一或多個感測器置於人之頭皮上的治療。因此，由於不需要手術來將感測器安置於頭皮上以用於監控人之大腦，因此治療可為非侵入性。在另一實例中，所描述系統及方法之一些實施例可提供允許將一或多個感測器置於人之頭皮正下方的治療。因此，由於需要較小或無切口之皮下手術或類似程序可用於將感測器安置於頭皮正下方以用於監控人之大腦，因此治療可為最小侵入性。在另一實例中，所描述系統及方法之一些實施例可提供藉由一或多個換能器、低強度超聲波信號適用於大腦之治療。因此，由於在大腦治療期間未切除或割除腦組織，因此治療實質上可為非破壞性的。
在一些實施例中，所描述系統及方法提供可由人穿戴以便治療神經性病症之症狀之裝置。該裝置可包括經組態以將聲學信號施加於大腦之換能器。在一些實施例中，聲學信號可為超聲波信號，其使用低空間解析度，例如約數百立方公釐施加。不同於用於組織切除之習知超聲波治療(例如，HIFU)，所描述系統及方法之一些實施例針對超聲波刺激使用較低空間解析度。低空間解析度要求可減小刺激頻率(例如，約100 kHz至1 MHz)，由此允許系統在低能級下操作，此係由於此等較低頻率信號在通過人的顱骨時經歷明顯較低減弱。功率使用之此減小可適合於實質上非破壞性使用及/或用於可穿戴裝置。因此，低能量使用可使得所描述系統及方法之一些實施例能夠實施於低功率、始終接通及/或可由人穿戴之裝置中。
在一些實施例中，所描述系統及方法提供包括監控及刺激構件的可由人穿戴之裝置。該裝置可包括經組態以偵測來自人之大腦之信號，例如電信號、機械信號、光學信號、紅外線信號或另一合適類型之信號的感測器。例如，該裝置可包括EEG感測器或另一合適的感測器，其經組態以偵測來自人之大腦之諸如EEG信號之電信號或另一合適的信號。該裝置可包括經組態以將聲學信號施加於大腦之換能器。例如，該裝置可包括經組態以將超聲波信號施加於大腦之超聲波換能器。在另一實例中，該裝置可包括將超聲波信號施加於大腦之楔形換能器。美國專利申請案公開案第2018/0280735號提供關於楔形換能器之例示性實施例之其他資訊，該美國專利申請案公開案之全部內容以引用之方式併入本文中。
在一些實施例中，可穿戴裝置可包括與感測器及/或換能器通信之處理器。該處理器可自感測器接收自大腦所偵測到之信號。該處理器可將指令傳輸至換能器以將聲學信號施加於大腦。在一些實施例中，該處理器可經程式化以分析信號以判定大腦是否正展現神經性病症之症狀，例如癲癇發作。該處理器可經程式化以將指令傳輸至換能器從而將聲學信號施加於大腦，例如回應於判定大腦正展現神經性病症之症狀。該聲學信號可抑制神經性病症之症狀，例如癲癇發作。
在一些實施例中，超聲波信號可具有低功率密度且在施加於大腦時對於組織實質上為非破壞性的。
在一些實施例中，超聲波換能器可由電壓波形驅動使得在水中表徵之超聲波信號之聲學焦點之如藉由空間峰值脈衝平均強度所量測之功率密度介於1至100瓦特/cm2 之範圍內。當在使用中時，到達患者大腦中之病灶的功率密度可藉由病患之顱骨自上文所描述之範圍減小1至20 dB。在一些實施例中，功率密度可藉由空間峰值時間平均值(Ispta)或另一合適的量度量測。在一些實施例中，可判定在超聲波信號之聲學焦點處量測超聲波信號之生物效應之至少一部分的機械指數。該機械指數可小於1.9以避免聲學焦點處或附近之空腔化。
在一些實施例中，超聲波信號可具有100 kHz與1 MHz或另一合適的範圍之間的頻率。在一些實施例中，超聲波信號可具有0.001 cm3 與0.1 cm3 或另一合適的範圍之間的空間解析度。
在一些實施例中，該裝置可藉由換能器以一或多個隨機間隔將聲學信號施加於大腦。例如，該裝置可在白天及/或夜間期間在隨機時間，例如約每10分鐘將聲學信號施加於患者的大腦。在另一實例中，對於患有一般性癲癇症之患者，該裝置可在白天及/或夜間期間在隨機時間，例如約每10分鐘刺激丘腦。在一些實施例中，該裝置可包括另一換能器。該裝置可選擇換能器中之一者以一或多個隨機間隔將聲學信號施加於大腦。在一些實施例中，該裝置可包括換能器陣列，其可經程式化以將超聲波射束瞄準顱骨內任何位置或在多個焦點情況下形成顱骨內超聲波輻射之型式。
在一些實施例中，感測器及換能器以非侵入性方式安置於人之頭部上。例如，該裝置可以非侵入性方式或以另一合適的方式安置於人之頭部上，諸如置於人之頭皮上。下文關於圖1描述該裝置之說明性實例。在一些實施例中，感測器及換能器以最小侵入性方式安置於人之頭部上。例如，該裝置可經由皮下手術或需要較小或無切口之類似程序或以另一合適的方式安置於人之頭部上，諸如置於人之頭皮正下方。
在一些實施例中，癲癇發作可被視為在大量神經元在結構化相位關係下同步地觸發時出現。神經元群體的集體活動可以用數學方法表示為在高維空間中演化的點，其中每個維度對應於單個神經元的膜電壓。在此空間中，癲癇發作可由穩定極限循環、經隔離週期性吸子表示。當大腦執行其每日任務時，由高維空間中之點表示的其狀態可圍繞該空間移動，從而追蹤複雜的軌跡。然而，若此點過於接近某一危險空間區域，例如癲癇發作之吸引盆，則該點可被拉入癲癇發作狀態。取決於患者，諸如睡眠剝奪、飲酒及食用某些食品等某些活動可具有使大腦狀態較接近於癲癇發作之吸引盆之危險區的傾向。涉及割除/切除癲癇發作之估計源腦組織的習知治療嘗試改變此空間中之景觀。儘管對於一些患者，可移除癲癇發作極限循環，但對於其他患者，舊的極限循環可變得更具強烈吸引性或有可能出現新極限循環。另外，包括電極之手術置放的對腦組織之任何類型之手術為高度侵入性的，且由於大腦為極其龐大的複雜網路，預測移除或以其他方式損傷一塊空間定位的腦組織所產生的網路層級效應可能並不容易。
所描述系統及方法之一些實施例使用例如EEG信號監控大腦以判定大腦狀態何時接近於癲癇發作之吸引盆，而非定位癲癇發作及移除所估計源腦組織。每當偵測到大腦狀態正接近於此危險區時，使用例如聲學信號擾亂大腦以推動大腦狀態離開該危險區。換言之，所描述系統及方法之一些實施例瞭解大腦之景觀如何；監控大腦狀態；及在需要時通告大腦，由此將其自危險區移除，而非嘗試改變此空間中之景觀。所描述系統及方法之一些實施例提供非侵入性(實質上非破壞性)神經刺激較低功率消耗(例如，相較於其他經顱超聲波療法)，及/或與非侵入性電記錄裝置耦接之抑制策略。
例如，對於患有一般性癲癇症之患者，所描述系統及方法之一些實施例可在白天及/或夜間期間在隨機時間(例如約每10分鐘)刺激丘腦或大腦之另一合適的區域。該裝置可在如藉由空間峰值脈衝平均強度所量測之約1至100瓦特/cm2 之功率使用下使用約100 kHz至1 MHz之超聲波頻率。在另一實例中，對於患有左顳葉癲癇症之患者，所描述系統及方法之一些實施例可回應於基於EEG信號(例如，高於某一預定臨限值)偵測到癲癇發作風險等級提高而刺激左顳葉或大腦之另一合適的區域。可刺激左顳葉直至EEG信號指示癲癇發作風險等級已降低及/或直至已經達到某一最大刺激時間臨限值(例如，幾分鐘)。預定臨限值可使用基於患者的EEG記錄訓練之機器學習訓練演算法判定且監控演算法可使用EEG信號量測癲癇發作風險等級。
在一些實施例中，癲癇發作抑制策略可藉由其空間及時間解析度且可針對每一患者進行更改。空間解析度指代經激活/抑制之大腦結構之大小。在一些實施例中，低空間解析度可為幾百立方公釐，例如約0.1立方公分。在一些實施例中，中等空間解析度可為約0.01立方公分。在一些實施例中，高空間解析度可為幾立方公釐，例如約0.001立方公分。時間解析度通常係指對刺激之回應性。在一些實施例中，低時間解析度可包括不考慮何時有可能出現癲癇發作的隨機刺激。在一些實施例中，中等時間解析度可包括回應於癲癇發作機率之較小提高的刺激。在一些實施例中，高時間解析度可包括回應於例如在癲癇發作開始之後立刻偵測到高癲癇發作機率的刺激。在一些實施例中，使用具有中等及高時間解析度之策略可需要使用大腦活動記錄裝置並運行機器學習演算法以偵測癲癇發作在不久的將來出現的可能性。
在一些實施例中，該裝置可使用具有低至中等空間解析度及低時間解析度之策略。該裝置可使用低功率經顱超聲波粗略地刺激居中連接之大腦結構以預防出現癲癇發作。例如，該裝置可在白天及/或夜間期間在隨機時間藉由低空間解析度(例如，約數百立方公釐)之超聲波刺激而刺激大腦之一或多個區域。此類隨機刺激之效果可為預防大腦陷入其常常導致癲癇發作之熟悉模式。該裝置可在高連接性下以個別丘腦底核及其他合適的大腦區域為目標以預防出現癲癇發作。
在一些實施例中，該裝置可採用具有低至中等空間解析度及中等至高時間解析度之策略。該裝置可包括一或多個感測器以非侵入性地監控大腦及偵測高等級癲癇發作風險(例如，癲癇發作將在一小時內出現的較高機率)。回應於偵測到高癲癇發作風險等級，該裝置可將經由顱骨傳輸之低功率超聲波刺激施加至大腦，從而激活及/或抑制大腦結構以預防/阻止出現癲癇發作。例如，超聲波刺激可包括100 kHz至1 MHz之頻率及/或如藉由空間峰值脈衝平均強度所量測之1至100瓦特/cm2 之功率密度。該裝置可以大腦結構為目標，諸如丘腦、梨形皮質、與癲癇發作病灶處於同一半球的粗略尺度結構(例如，對於患有局部癲癇症之患者)，及其他合適的大腦結構，以預防出現癲癇發作。
圖1展示根據本文中所描述之技術之一些實施例的可由人穿戴以用於治療神經性病症之症狀之裝置的不同態樣100、110及120。該裝置可為非侵入性癲癇發作預測及/或偵測裝置。在一些實施例中，在態樣100中，該裝置可包括本端處理裝置102及一或多個電極104。本端處理裝置102可包括腕錶、臂帶、項鏈、無線耳塞，或另一合適的裝置。本端處理裝置102可包括無線電及/或實體連接器以將資料傳輸至雲端伺服器、行動電話或另一合適的裝置。本端處理裝置102可自感測器接收自大腦所偵測到之信號且將指令傳輸至換能器以將聲學信號施加於大腦。電極104可包括一或多個感測器，其經組態以偵測來自人之大腦之信號，例如EEG信號；及/或一或多個換能器，其經組態以將聲學信號，例如超聲波信號施加於大腦。聲學信號可具有低功率密度且且在施加至大腦時對於組織實質上為非破壞性的。在一些實施例中，一個電極可包括感測器或換能器。在一些實施例中，一個電極可包括感測器及換能器兩者。在一些實施例中，可用一個、10個、20個或另一合適數目之電極。電極可以可移除方式附接至該裝置。
在一些實施例中，在態樣110中，該裝置可包括本端處理裝置112、感測器114及換能器116。該裝置可以非侵入性方式或以另一合適的方式安置於人之頭部上，諸如置於人之頭皮上。本端處理裝置112可包括腕錶、臂帶、項鏈、無線耳塞或另一合適的裝置。本端處理裝置112可包括無線電及/或實體連接器以用於將資料傳輸至雲端伺服器、行動電話，或另一合適的裝置。本端處理裝置112可自感測器114接收自大腦所偵測到之信號且將指令傳輸至換能器116以將聲學信號施加於大腦。感測器114可經組態以偵測來自人之大腦之信號，例如EEG信號。換能器116可經組態以將聲學信號，例如超聲波信號施加於大腦。該聲學信號可具有低功率密度且在施加至大腦時對於組織實質上為非破壞性的。在一些實施例中，一個電極可包括感測器或換能器。在一些實施例中，一個電極可包括感測器及換能器兩者。在一些實施例中，可用一個、10個、20個或另一合適數目之電極。電極可以可移除方式附接至該裝置。
在一些實施例中，在態樣120中，該裝置可包括本端處理裝置122及電極124。該裝置可以非侵入性方式或以另一合適的方式安置於人之頭部上，諸如置放在人之耳部上方。本端處理裝置122可包括腕錶、臂帶、項鏈、無線耳塞或另一合適的裝置。本端處理裝置122可包括無線電及/或實體連接器以用於將資料傳輸至雲端伺服器、行動電話，或另一合適的裝置。本端處理裝置122可自電極124接收自大腦所偵測到之信號及/或將指令傳輸至電極124以將聲學信號施加於大腦。電極124可包括經組態以偵測來自人之大腦之信號，例如EEG信號的感測器，及/或經組態以將聲學信號，例如超聲波信號施加於大腦的換能器。該聲學信號可具有低功率密度且在施加至大腦時對於組織實質上為非破壞性的。在一些實施例中，電極124可包括感測器或換能器。在一些實施例中，電極124可包括感測器及換能器兩者。在一些實施例中，可用一個、10個、20個或另一合適數目之電極。電極可以可移除方式附接至該裝置。
在一些實施例中，該裝置可包括一或多個感測器以用於偵測聲音、運動、光學信號、心跳速率及其他合適的感測模態。例如，該感測器可偵測電信號、機械信號、光學信號、紅外線信號，或另一合適類型之信號。在一些實施例中，該裝置可包括無線耳塞、嵌入於無線耳塞中之感測器，及換能器。該感測器可在無線耳塞存在於該人的耳部中時偵測來自人之大腦之信號，例如EEG信號。無線耳塞可具有相關聯殼體或外殼，其包括本端處理裝置以用於接收及處理來自感測器之信號及/或將指令傳輸至換能器以將聲學信號施加於大腦。
在一些實施例中，該裝置可包括感測器以用於偵測機械信號，諸如頻率在可聽範圍內之信號。例如，該感測器可用於偵測來自大腦之指示癲癇發作的可聽信號。該感測器可為安置於人之頭皮上以偵測來自大腦之指示癲癇發作之可聽信號的聲學接收器。在另一實例中，該感測器可為安置於人之頭皮上以偵測來自大腦之指示癲癇發作之可聽信號的加速計。以此方式，該裝置可用於在癲癇發作發生時間前後「得知」該症狀。
圖2A至圖2B展示根據本文中所描述之技術之一些實施例的可由人穿戴以用於治療神經性病症之症狀的裝置及與該裝置通信之執行應用程式之一或多個行動裝置之說明性實例。圖2A展示可由人穿戴以用於治療神經性病症之症狀之裝置200及與該裝置200通信之執行應用程式之行動裝置210的說明性實例。在一些實施例中，該裝置200可能夠預測癲癇發作；偵測癲癇發作及警示使用者或護理人；追蹤及管理健康狀況；及/或抑制神經病症之症狀，諸如癲癇發作。該裝置200可經由藍芽、WIFI或另一合適的連接連接至行動裝置210，諸如行動電話、手錶或另一合適的裝置。該裝置200可藉由一或多個感測器202監控神經元活動且使用處理器204與使用者、護理人或另一合適的實體共用資料。該裝置200可瞭解關於個別患者模式。該裝置200可自穿戴該裝置200之人之電子健康記錄存取來自自大腦所偵測到之先前信號的資料。
圖2B展示與可由人穿戴以用於治療神經性病症之症狀之裝置(例如裝置200)通信的執行應用程式之行動裝置250及252之說明性實例。例如，行動裝置250或252可顯示患有神經性病症之人之即時癲癇發作風險。在癲癇發作情況下，行動裝置250或252可警示該人、照護者或另一合適的實體。例如，行動裝置250或252可告知護理人癲癇發作經預測在下30分鐘、下一個小時或另一合適的時間段內。在另一實例中，行動裝置250或252可在確實出現癲癇發作時將警示發送至護理人及/或記錄癲癇發作活動，諸如來自大腦之信號，以供護理人對該人的神經性病症進行精細治療。在一些實施例中，可穿戴裝置200及/或行動裝置250或252可分析自大腦所偵測到之信號，諸如EEG信號以判定大腦是否正展現神經性病症之症狀。可穿戴裝置200可回應於判定大腦正展現神經性病症之症狀而將聲學信號，諸如超聲波信號施加於大腦。
在一些實施例中，可穿戴裝置200、行動裝置250或252，及/或另一合適的計算裝置可將自大腦所偵測到之一或多個信號，例如EEG信號或另一合適的信號提供至深度學習網路以判定大腦是否正展現神經性病症之症狀，例如癲癇發作或另一合適的症狀。深度學習網路可基於自患者群體及/或穿戴可穿戴裝置200之人收集的資料進行訓練。行動裝置250或252可產生界面以在該人有可能患有癲癇發作時及/或在該人無癲癇發作時警告該人及/或護理人。在一些實施例中，可穿戴裝置200及/或行動裝置250或252可允許來往於患有神經性病症之人之雙向通信。例如，該人可經由文本、話音或另一合適的輸入模式告知可穿戴裝置200「我僅僅喝了啤酒，及我擔心我更可能患有癲癇發作」。可穿戴裝置200可使用合適的輸出模式回應「好的，該裝置處於高級戒備狀態」。深度學習網路可使用此資訊以輔助對該人之未來預測。例如，深度學習網路可將此資訊添加至用於更新/訓練深度學習網路之資料。在另一實例中，深度學習網路可使用此資訊作為輸入以幫助預測該人之下一症狀。另外或替代地，可穿戴裝置200可輔助該人及/或護理人追蹤患有神經性病症之該人之睡眠及/或飲食模式且在請求時提供此資訊。深度學習網路可將此資訊添加至用於更新/訓練深度學習網路之資料及/或使用此資訊作為輸入以幫助預測該人之下一症狀。相對於圖11B及圖11C提供關於深度學習網路之其他資訊。
圖3A展示根據本文中所描述之技術之一些實施例的與用於治療神經性病症之症狀之可由人穿戴之裝置通信的行動裝置及/或雲端伺服器的說明性實例300。在此實例中，可穿戴裝置302可藉由一或多個感測器監控大腦活動且將資料發送至該人的行動裝置304，例如行動電話、腕錶或另一合適的行動裝置。行動裝置304可分析資料及/或將資料發送至伺服器306，例如雲端伺服器。伺服器306可執行一或多個機器學習演算法以分析資料。例如，伺服器306可使用深度學習網路，其將資料或資料之一部分充當輸入且產生具有關於一或多個經預測症狀之資訊，例如癲癇發作之經預測強度的輸出。經分析資料可顯示於行動裝置304及/或計算裝置308上之應用程式上。例如，行動裝置304及/或計算裝置308可顯示患有神經性病症之該人之即時癲癇發作風險。在癲癇發作情況下，行動裝置304及/或計算裝置308可警示該人、照護者或另一合適的實體。例如，行動裝置304及/或計算裝置308可告知護理人癲癇發作經預測在下30分鐘、下一個小時，或另一合適的時間段內。在另一實例中，行動裝置304及/或計算裝置308可在確實出現癲癇發作時將警示發送至護理人及/或記錄癲癇發作活動，諸如來自大腦之信號，以供護理人對該人的神經性病症進行精細治療。
在一些實施例中，可藉由經訓練以偵測及/或預測癲癇發作之機器學習演算法產生一或多個警示。例如，機器學習演算法可包括深度學習網路，例如如關於圖11B及圖11C所描述。當演算法偵測到存在癲癇發作或預測到癲癇發作有可能在不久的將來(例如，一小時內)產生時，可將警示發送至行動應用程式。行動應用程式之界面可包括雙向通信，例如除向患者發送通知之行動應用程式之外，患者可能夠將資訊輸入至行動應用程式中以改良演算法之效能。例如，若機器學習演算法在可信度臨限值內無法確定患者患有癲癇發作，則其可經由行動應用程式向患者發送問題，從而詢問患者他/她最近是否患有癲癇發作。若患者回答最近無癲癇發作，則演算法可將此納入考慮且相應地進行訓練或重新訓練。
圖3B展示根據本文中所描述之技術之一些實施例的與用於治療神經性病症之症狀之可由人穿戴之裝置通信的行動裝置及/或雲端伺服器的方塊圖350。裝置360可包括腕錶、臂帶、項鏈、無線耳塞或另一合適的裝置。該裝置360可包括一或多個感測器(區塊362)以自大腦(例如，自EEG感測器、加速計、心電圖(EKG)感測器及/或其他合適的感測器)獲取信號。該裝置360可包括類比前端(區塊364)以用於調節、放大及/或數位化藉由感測器(區塊362)獲取之信號。該裝置360可包括數位後端(區塊366)以用於緩衝、預處理及/或分封來自類比前端(區塊364)之輸出信號。該裝置360可包括資料傳輸電路系統(區塊368)以用於例如經由藍芽將資料自數位後端(區塊366)傳輸至行動應用程式370。另外或替代地，資料傳輸電路系統(區塊368)可例如經由USB將除錯資訊發送至電腦，及/或將備用資訊發送至本端儲存器，例如微型SD卡。
行動應用程式370可執行於行動電話或另一合適的裝置上。行動應用程式370可自該裝置360接收資料(區塊372)且將資料發送至雲端伺服器380 (區塊374)。雲端伺服器380可自行動應用程式370接收資料(區塊382)且將資料儲存於資料庫中(區塊383)。雲端伺服器380可提取偵測特徵(區塊384)，運行偵測演算法(區塊386)，及將結果發送回至行動應用程式370 (區塊388)。稍後在本發明中，包括關於圖11B及圖11C描述關於偵測演算法之另外細節。行動應用程式370可自雲端伺服器380接收結果(區塊376)並將結果顯示給使用者(區塊378)。
在一些實施例中，該裝置360可例如經由網際網路將資料直接傳輸至雲端伺服器380。雲端伺服器380可將結果發送至行動應用程式370以供顯示給使用者。在一些實施例中，該裝置360可例如經由網際網路將資料直接傳輸至雲端伺服器380。雲端伺服器380可將結果發送回至該裝置360以供顯示給使用者。例如，該裝置360可為具有用於顯示結果之螢幕的腕錶。在一些實施例中，該裝置360可將資料傳輸至行動應用程式370，且行動應用程式370可提取偵測特徵；運行偵測演算法；及/或在行動應用程式370及/或該裝置360上將結果顯示給使用者。該裝置360、行動應用程式370及/或雲端伺服器380之間的互動的其他合適變化形式可為可能的且在本發明之範疇內。
圖4展示根據本文中所描述之技術之一些實施例的包括刺激及監控構件之可穿戴裝置400之方塊圖。該裝置400可由人穿戴(或附著於人上或植入於人體內)且包括監控構件402、刺激構件404及處理器406。監控構件402可包括經組態以偵測來自人之大腦之信號，例如電信號、機械信號、光學信號、紅外線信號或另一合適類型之信號的感測器。例如，感測器可為腦電圖(EEG)感測器，且信號可為電信號，諸如EEG信號。刺激構件404可包括經組態以將聲學信號施加於大腦之換能器。例如，換能器可為超聲波換能器，且聲學信號可為超聲波信號。在一些實施例中，超聲波信號可具有低功率密度且在施加至大腦時對於組織實質上為非破壞性的。在一些實施例中，感測器及換能器可以非侵入性方式安置於人之頭部上。
處理器406可與監控構件402及刺激構件404通信。處理器406可經程式化以自監控構件402接收自大腦所偵測到之信號且將指令傳輸至刺激構件404以將聲學信號施加於大腦。在一些實施例中，該處理器406可經程式化以將指令傳輸至刺激構件404從而以一或多個隨機間隔將聲學信號施加於大腦。在一些實施例中，刺激構件404可包括兩個或多於兩個換能器，且處理器406可經程式化以選擇換能器中之一者傳輸指令從而以一或多個隨機間隔將聲學信號施加於大腦。
在一些實施例中，處理器406可經程式化以分析來自監控構件402之信號以判定大腦是否正展現神經性病症之症狀。處理器406可回應於判定大腦正展現神經性病症之症狀而將指令傳輸至刺激構件404以將聲學信號施加於大腦。聲學信號可抑制神經性病症之症狀。例如，症狀可為癲癇發作，且神經性病症可為以下各者中之一或多者：中風、帕金森氏病、偏頭痛、痙攣症、額顳葉型癡呆、創傷性腦損傷、抑鬱症、焦慮症、阿茲海默氏症、癡呆、多發性硬化症、思覺失調症、大腦損傷、神經退化、中樞神經系統(CNS)疾病、腦病、亨廷頓氏病、自閉症、注意力不足過動症(ADHD)、肌肉萎縮性側索硬化(ALS)及腦震盪。
在一些實施例中，程式化超聲波換能器之軟體可將即時感測器讀數(例如，來自EEG感測器、加速計、EKG感測器及/或其他合適的感測器)發送至連續運行機器學習演算法之處理器，例如如關於圖11B及圖11C所描述之深度學習網路。例如，此處理器在該裝置自身上可為本端的，或在雲端。處理器上執行之此等機器學習演算法可執行三個任務：1)偵測何時存在癲癇發作；2)預測癲癇發作何時有可能在不久的未來(例如，一小時內)出現；及3)輸出刺激超聲波射束所瞄準之位置。緊接地在處理器偵測到癲癇發作已開始之後，刺激超聲波射束可接通並瞄準藉由一或多個演算法之輸出所判定之位置。對於患有始終具有相同特性/病灶之癲癇發作之患者，一旦發現良好射束位置，可能就不會發生改變為可能的。可如何激活射束之另一實例為當處理器預測癲癇發作有可能在不久的將來出現時，射束可在相對較低強度下接通(例如，相對於在偵測到癲癇發作時所使用之強度)。在一些實施例中，刺激超聲波射束之目標可並非癲癇發作病灶自身。例如，目標可為癲癇發作「阻塞點」，亦即在受刺激時可中斷癲癇發作活動之癲癇發作病灶外部的位置。
圖5展示根據本文中所描述之技術之一些實施例的用於實質上非破壞性聲學刺激之可穿戴裝置500之方塊圖。該裝置500可由人穿戴且包括監控構件502及刺激構件504。監控構件502及/或刺激構件504可以非侵入性方式安置於人之頭部上。
監控構件502可包括經組態以偵測來自人之大腦的信號，例如電信號、機械信號、光學信號、紅外線信號或另一合適類型之信號的感測器。例如，該感測器可為腦電圖(EEG)感測器，且信號可為EEG信號。刺激構件504可包括經組態以將超聲波信號施加於大腦的超聲波換能器，該超聲波信號具有低功率密度(例如在1與100瓦特/cm2 之間)且在施加至大腦時對於組織實質上為非破壞性的。例如，超聲波信號可具有100 kHz與1 MHz之間的頻率、0.001 cm3 與0.1 cm3 之間的空間解析度，及/或1與100瓦特/cm2 之間的低功率密度，如藉由空間峰值脈衝平均強度所量測。超聲波信號可抑制神經性病症之症狀。例如，症狀可為癲癇發作，且神經性病症可為癲癇症或另一合適的神經性病症。
圖6展示根據本文中所描述之技術之一些實施例的用於例如隨機聲學刺激等聲學刺激之可穿戴裝置600之方塊圖。該裝置600可由人穿戴且包括刺激構件604及處理器606。刺激構件604可包括經組態以將聲學信號施加於人之大腦之換能器。例如，換能器可為超聲波換能器，且聲學信號可為超聲波信號。在一些實施例中，超聲波信號可具有低功率密度且在施加至大腦時對於組織實質上為非破壞性的。在一些實施例中，換能器可以非侵入性方式安置於人之頭部上。
在一些實施例中，處理器606可將指令傳輸至刺激構件604從而以隨機間隔，例如在白天及/或夜間期間偶發地激活腦組織，由此防止大腦陷入癲癇發作狀態。例如，對於患有一般性癲癇症之患者，該裝置600可在白天及/或夜間期間在隨機時間，例如約每10分鐘刺激丘腦或另一合適的大腦區域。在一些實施例中，刺激構件604可包括另一換能器。該裝置600及/或處理器606可選擇換能器中之一者以一或多個隨機間隔將聲學信號施加於大腦。
圖7展示根據本文中所描述之技術之一些實施例的用於使用超聲波刺激治療神經性病症之可穿戴裝置700之方塊圖。該裝置700可由人穿戴(或附著於人上或植入於人體內)且可用以治療癲癇性癲癇發作。該裝置700包括感測器702、換能器704及處理器706。感測器702可經組態以偵測來自人之大腦之EEG信號。換能器704可經組態以將低功率，實質上非破壞性超聲波信號施加於大腦。該超聲波信號可抑制一或多種癲癇性癲癇發作。例如，超聲波信號可具有100 kHz與1 MHz之間的頻率、0.001 cm3 與0.1 cm3 之間的空間解析度，及/或1與100瓦特/cm2 之間的功率密度，如藉由空間峰值脈衝平均強度所量測。在一些實施例中，感測器及換能器可以非侵入性方式安置於人之頭部上。
處理器706可與感測器702及換能器704通信。處理器706可經程式化以自感測器702接收自大腦所偵測到之EEG信號且將指令傳輸至換能器704以將超聲波信號施加於大腦。在一些實施例中，該處理器706可經程式化以分析EEG信號以判定大腦是否正展現癲癇性癲癇發作並回應於判定大腦正展現癲癇性癲癇發作而將指令傳輸至換能器704以將超聲波信號施加於大腦。
在一些實施例中，該處理器706可經程式化以將指令傳輸至換能器704從而以一或多個隨機間隔將超聲波信號施加於大腦。在一些實施例中，換能器704可包括兩個或多於兩個換能器，且處理器706可經程式化以選擇換能器中之一者傳輸指令從而以一或多個隨機間隔將超聲波信號施加於大腦。
使用機器學習以在人腦內導引超聲波射束之焦點的閉環系統 習知腦機介面受限制，其中接收刺激之大腦區域可並不實時改變。此可難以解決，由於常常難以定位受刺激以便治療神經病症之症狀的適合的大腦區域。例如，在癲癇症中，大腦內哪些區域應受刺激以抑制或阻止癲癇發作可能並不明確。適合的大腦區域可為癲癇發作病灶(其可難以定位)、可用以抑制癲癇發作之區域，或另一合適的大腦區域。諸如可植入電子回應性神經刺激劑及深度大腦刺激劑之習知解決方案可僅在由醫生進行最佳猜測或選擇一些預定大腦區域後而定位。因此，可接收刺激之大腦區域在習知系統中無法實時改變。
本發明人已瞭解，對於神經病症之治療可在受刺激之大腦區域可實時改變時，且詳言之在大腦區域可遠端地改變時更有效。由於大腦區域可實時及/或遠端地改變，因此每秒可嘗試幾十(或更多)位置，由此相對於平均癲癇發作之持續時間迅速接近適合的大腦區域以進行刺激。此類治療可使用超聲波刺激大腦來實現。在一些實施例中，患者可穿戴超聲波換能器陣列(例如，此陣列置於人之頭皮上)，且可使用諸如相控陣列之波束成形方法導引超聲波射束。在一些實施例中，在楔形換能器情況下，可使用較少數目之換能器。在一些實施例中，在楔形換能器情況下，該裝置可由於楔形換能器之較低功率要求而較為節能。美國專利申請案公開案第2018/0280735號提供關於楔形換能器之例示性實施例之其他資訊，該美國專利申請案公開案之全部內容以引用之方式併入本文中。射束之目標可藉由程式化陣列而改變。若某一大腦區域中之刺激並未起作用，則射束可移動至另一大腦區域以在對患者無傷害之情況下再次進行嘗試。
在一些實施例中，感測大腦狀態之機器學習演算法可連接至射束導引演算法以使閉環系統例如包括深度學習網路。感測大腦狀態之機器學習演算法可充當來自EEG感測器、EKG感測器、加速計，及/或其他合適的感測器的輸入記錄。各種濾波器可施加至此等經組合輸入，且此等濾波器之輸出可以一般非線性方式組合，以提取資料之有用表示。接著，可基於此高級表示訓練分類器。此可使用深度學習及/或藉由預先指定濾波器並訓練諸如支援向量機(SVM)之分類器而實現。在一些實施例中，機器學習演算法可包括訓練反覆性神經網路(RNN)，諸如基於RNN之長短期記憶體(LSTM)單元，以經由表示較高層級大腦狀態之潛在空間將高維輸入資料映射至平穩變化軌跡中。處理器上執行之此等機器學習演算法可執行三個任務：1)偵測何時存在神經性病症之症狀，例如癲癇發作；2)預測症狀何時有可能在不久的未來(例如，一小時內)出現；及3)輸出刺激聲學信號，例如超聲波射束所瞄準之位置。任何或所有此等任務可使用深度學習網路或另一合適的網路執行。關於此技術之更多細節稍後在本發明中，包括關於圖11B及圖11C來描述。
以癲癇症為例，目標可為抑制或阻止已經開始之癲癇發作。在此實例中，閉環系統可如下起作用。首先，系統可執行藉由定位在一些預設初始位置(例如，患有顳葉癲癇症之患者之海馬體)中之射束量測癲癇發作活動之「強度」的量測演算法。射束位置可接著略微改變且癲癇發作強度之所得改變可使用量測演算法來量測。若癲癇發作活動已減少，則系統可繼續在此方向上移動射束。若癲癇發作活動已增加，則系統可在相反或不同方向上移動射束。由於射束位置可以電子方式經程式化，因此每秒可嘗試數十個射束位置，由此相對於平均癲癇發作之持續時間迅速接近適合的刺激位置。
在一些實施例中，一些大腦區域可不適合刺激。例如，腦幹之刺激部分會引起不可逆的損傷或不適。在此狀況下，閉環系統可遵循「受約束」梯度下降解決方案，其中適合的刺激位置取自一組可行點。此可確保越限大腦區域從未受刺激。
圖8展示根據本文中所描述之技術之一些實施例的用以導引聲學刺激之裝置800之方塊圖。例如可穿戴裝置之該裝置800可為使用機器學習導引大腦內超聲波射束之焦點的閉環系統的部分。該裝置800可包括監控構件802，例如感測器，其經組態以偵測來自人之大腦之信號，例如電信號、機械信號、光學信號、紅外線信號或另一合適類型之信號。例如，感測器可為EEG感測器，且信號可為電信號，諸如EEG信號。該裝置800可包括刺激構件804，例如一組換能器，其各自經組態以將聲學信號施加於大腦。例如，換能器中之一或多者可為超聲波換能器，且聲學信號可為超聲波信號。感測器及/或該組換能器可以非侵入性方式安置於人之頭部上。在一些實施例中，該裝置800可包括與感測器及該組換能器通信之處理器806。處理器806可使用基於來自自大腦所偵測到之先前信號的資料進行訓練之統計模型選擇換能器中之一者。例如，來自自大腦所偵測到之先前信號的資料可存取自人之電子健康記錄。
圖9展示根據本文中所描述之技術之一些實施例的用以導引聲學刺激之裝置之流程圖900。
在902處，例如處理器806之處理器可自感測器接收來自自大腦所偵測到之第一信號的資料。
在904處，處理器可存取訓練統計模型。該統計模型可使用來自自大腦所偵測到之先前信號的資料進行訓練。例如，該統計模型可包括使用來自自大腦所偵測到之先前信號的資料進行訓練之深度學習網路。
在906處，處理器可提供來自自大腦所偵測到之第一信號的資料以作為訓練統計模型，例如深度學習網路之輸入，以獲得指示神經性病症，例如癲癇性癲癇發作之症狀之第一經預測強度的輸出。
在908處，基於症狀之第一經預測強度，處理器可在第一方向上選擇換能器中之一者傳輸第一指令以施加第一聲學信號。例如，第一聲學信號可為超聲波信號，其具有低功率密度，例如在1與100瓦特/cm2 之間，且在施加至大腦時對於組織實質上為非破壞性的。該聲學信號可抑制神經性病症之症狀。
在910處，處理器可將指令傳輸至所選換能器以將第一聲學信號施加至大腦。
在一些實施例中，處理器可經程式化以提供來自自大腦所偵測到之第二信號的資料以作為訓練統計模型的輸入，以獲得指示神經性病症之症狀之第二經預測強度的輸出。若判定第二經預測強度小於第一經預測強度，則處理器可在第一方向上選擇換能器中之一者傳輸第二指令以施加第二聲學信號。若判定第二經預測強度大於第一經預測強度，則處理器可在與該第一方向相反或不同於該第一方向之方向上選擇換能器中之一者傳輸第二指令以施加第二聲學信號。
新穎偵測演算法 習知途徑將癲癇發作偵測視為分類問題。例如，EEG資料之窗口(例如，5秒長)可饋入至輸出表示該輸入是否來自癲癇發作之二進位標籤的分類器中。實時運行演算法可引起在EEG資料之連續窗口上運行演算法。然而，本發明人已發現，在這種演算法結構中，或者在演算法的訓練中，沒有任何東西能夠適應大腦在癲癇發作與非癲癇發作之間不能快速地來回切換。若當前窗口為癲癇發作，則下一窗口將亦為癲癇發作之機率較高。此推理將僅會在癲癇發作完全結束時失敗。類似地，若當前窗口並非癲癇發作，則下一窗口亦非癲癇發作之機率較高。此推理將僅會在癲癇發作剛剛開始時失敗。本發明人已瞭解，傾向於在演算法結構或訓練中藉由懲罰在短時間內振盪的網路輸出來反映癲癇發作狀態的「平穩性」。本發明人已藉由例如將與輸出之總變差成比例的正則項或輸出之導數(經由有限差計算出)之L1/L2範數或輸出之二階導數之L1/L2範數添加至損失函數而實現此情形。在一些實施例中，LSTM單元情況下之RNN可自動地產生平穩輸出。在一些實施例中，用以達成偵測輸出之平穩性的方式可為訓練習知非平穩偵測演算法，並將其結果饋入至因果低通濾波器中，且將此低通濾波輸出用作最終結果。此可確保最終結果為平穩的。例如，非平穩偵測演算法可使用以下等式中之一者或兩者來產生最終結果：
Figure 02_image001
在等式(1)及(2)中，y [i ]為針對樣本i 之癲癇發作或未癲癇發作之真實數據標籤，ŷw [i ]為針對樣本i 之演算法輸出。L (w )為在藉由w (意欲表示網路中之權重)參數化之模型處進行評估的機器學習損失函數。L (w)中之第一項可量測演算法如何準確地分類癲癇發作。L (w)中之第二項(乘以λ )為正則項，其可促使演算法獲得隨時間推移平穩地改變的解。等式(1)及(2)為如所示之正則化之兩個實例。等式(1)為總變差(TV)範數，且等式(2)為一階導數之絕對值。兩個等式可嘗試加強平穩性。在等式(1)中，TV範數對於平穩輸出可較小且對於並不平穩之輸出可較大。在等式(2)中，一階導數之絕對值受到懲罰，以嘗試加強平穩性。在某些狀況下，等式(1)相較於等式(2)可更有效，或反之亦然，其結果可藉由使用等式(1)訓練習知非平穩偵測演算法並將最終結果與使用等式(2)訓練之類似演算法進行比較而憑經驗判定。
習知地，以二進位方式註解EEG資料，使得一個時刻分類為未癲癇發作而下一時刻分類為癲癇發作。確切的癲癇發作開始及結束時間為相對任意的，由於可不存在定位癲癇發作之開始及結束的客觀方式。然而，使用習知演算法，由於未與註解完美一致，偵測演算法可受到懲罰。本發明人已瞭解，例如使用自0上升至1且自1平穩地下降回至0的平穩窗口標籤「平穩地」註解資料可較佳，其中0表示非癲癇發作且1表示癲癇發作。此註解方案可較佳地反映癲癇發作隨時間推移而演變且精確分界中可存在不明確性。因此，本發明人已經將此註解方案應用於自偵測問題至回歸機器學習問題的癲癇發作偵測的重算。
圖10展示根據本文中所描述之技術之一些實施例的使用基於註解信號資料訓練之統計模型的裝置的方塊圖。統計模型可包括深度學習網路或另一合適的模型。例如可穿戴裝置之該裝置1000可包括監控構件1002，例如感測器，其經組態以偵測來自人之大腦之信號，例如電信號、機械信號、光學信號、紅外線信號或另一合適類型之信號。例如，感測器可為EEG感測器，且信號可為EEG信號。該裝置1000可包括刺激構件1004，例如一組換能器，其各自經組態以將聲學信號施加於大腦。例如，換能器中之一或多者可為超聲波換能器，且聲學信號可為超聲波信號。感測器及/或該組換能器可以非侵入性方式安置於人之頭部上。
在一些實施例中，該裝置1000可包括與感測器及該組換能器通信之處理器1006。處理器1006可使用基於藉由關於識別健康狀況之一或多個值(例如，關於提高神經性病症之症狀之強度的各別值)註解之信號資料進行訓練之統計模型選擇換能器中之一者。例如，信號資料可包括來自自大腦所偵測到之先前信號的資料且可存取自人之電子健康記錄。在一些實施例中，統計模型可基於藉由關於提高神經性病症之症狀之強度的各別值(例如，在0與1之間)註解的來自自大腦所偵測到之先前信號的資料進行訓練。在一些實施例中，統計模型可包括具有與統計模型之輸出之變化成比例的正則項、輸出導數之L1/L2範數，或輸出之二階導數之L1/L2範數的損失函數。
圖11A展示根據本文中所描述之技術之一些實施例的使用基於註解信號資料訓練之統計模型的裝置的流程圖1100。
在1102處，例如處理器1006之處理器可自感測器接收來自自大腦所偵測到之第一信號的資料。
在1104處，處理器可存取訓練統計模型，其中統計模型係使用藉由例如關於提高神經性病症之症狀之強度之各別值(例如，在0與1之間)的關於識別健康狀況之一或多個值註解的來自自大腦所偵測到之先前信號的資料進行訓練。
在1106處，處理器可提供來自自大腦所偵測到之第一信號的資料以作為訓練統計模型的輸入，以獲得指示神經性病症，例如癲癇性癲癇發作之症狀之第一經預測強度的輸出。
在1108處，基於症狀之第一經預測強度，處理器可在第一方向上選擇該複數個換能器中之一者傳輸第一指令以施加第一聲學信號。
在1110處，處理器可將指令傳輸至所選換能器以將第一聲學信號施加至大腦。例如，第一聲學信號可為超聲波信號，其具有低功率密度，例如在1與100瓦特/cm2 之間，且在施加至大腦時對於組織實質上為非破壞性的。聲學信號可抑制神經性病症之症狀。
在一些實施例中，處理器可經程式化以提供來自自大腦所偵測到之第二信號的資料以作為訓練統計模型的輸入，以獲得指示神經性病症之症狀之第二經預測強度的輸出。若判定第二經預測強度小於第一經預測強度，則處理器可在第一方向上選擇換能器中之一者傳輸第二指令以施加第二聲學信號。若判定第二經預測強度大於第一經預測強度，則處理器可在與該第一方向相反或不同於該第一方向之方向上選擇換能器中之一者傳輸第二指令以施加第二聲學信號。
在一些實施例中，本發明人已研發偵測神經性病症之一或多個其他症狀的深度學習網路。例如，深度學習網路可用於預測癲癇發作。深度學習網路包括深度迴旋神經網路(DCNN)，其將資料嵌入或編碼於n維表示空間(例如，16維)上；及反覆性神經網路(RNN)，其藉由觀測表示空間中經由時間之改變計算偵測評分。然而，深度學習網路不限於此且可包括適合於預測神經性病症之一或多個症狀的替代或額外架構構件。
在一些實施例中，作為深度學習網路之輸入所提供之特徵可在時域或頻域中接收及/或變換。在一些實施例中，使用基於頻域之特徵訓練之網路相較於使用基於時域之特徵訓練之另一網路可輸出更準確預測。例如，由於在癲癇發作期間所捕獲之EEG信號資料中引起之波形可具有在時間上受限之曝露，因此使用基於頻域之特徵訓練之網路可輸出更準確預測。因此，例如藉由Daubechies 4-tab (db-4)母小波或另一合適的小波的離散小波變換(DWT)可用於將EEG信號資料變換至頻域中。可另外或替代地使用其他合適的小波變換以便將EEG信號資料變換成適合於輸入至深度學習網路之形式。在一些實施例中，EEG信號資料在每個通道處之單秒窗口可經選擇且DWT至多可施加於5個層級，或另一合適數目之層級。在此狀況下，深度學習網路之每批次輸入可為尺寸等於(批量大小×取樣頻率×EEG通道之數目×DWT層級+1)的張量。可將此張量提供至深度學習網路之DCNN編碼器。
在一些實施例中，信號統計資料對於不同的人可不同且甚至對於特定的人可隨時間推移而改變。因此，網路可非常易受過度擬合影響，尤其在所提供訓練資料並非足夠大時。此資訊可用於開發用於網路之訓練框架，使得DCNN編碼器可將信號嵌入於至少時間變動傳送關於癲癇發作之資訊的空間上。在訓練期間，一或多個目標函數可用於擬合DCNN編碼器，包括二重連接損耗及分類損耗，其進一步在下文描述。
1. 二重連接損耗：在單次或幾次學習框架，亦即具有較小訓練資料集之框架中，基於二重連接損耗之網路可被設計成指示一對輸入例項來自同一類別或並不來自同一類別。網路中之設置可旨在偵測同一患者中兩個在時間上接近之樣本是否均來自同一類別。
2. 分類損耗：二進位交叉熵為廣泛用於受監督學習之目標函數。此目標函數可用於減小來自同一類別之嵌入件之間的距離，同時儘可能地增大種類之間的距離，無論EEG信號統計資料之分段行為及主觀性。配對資料區段可有助於二次地增大樣本比較結果且因此緩解由資料缺乏引起之過度擬合。
在一些實施例中，每當形成一批訓練資料時，單秒窗口之起始可隨機經選擇以幫助資料擴增，由此增大訓練資料之大小。
在一些實施例中，DCNN編碼器可包括具有分數最大集用(FMP)之13-層2-D迴旋神經網路。在訓練DCNN編碼器之後，此網路之權重可固定。來自DCNN編碼器之輸出可接著用作RNN之輸入層以供最終偵測。在一些實施例中，RNN可包括雙向LSTM，後為兩個完全連接神經網路層。在一個實例中，每次試驗，可藉由將30個單秒頻域EEG信號樣本饋入至DCNN編碼器且接著將所得輸出饋入至RNN而訓練RNN。
在一些實施例中，資料擴增及/或統計推斷可幫助減小深度學習網路之估計誤差。在一個實例中，對於針對此深度學習網路提出之設置，可藉由將抖動添加至單秒時間窗口之起始而多次評估每個30秒時間窗口。取樣次數可取決於計算容量。例如，對於所描述設置，即時能力可維持為至多30次Monte-Carlo模擬。
應瞭解，所描述深度學習網路僅為一個實例實施且可採用其他實施。例如，在一些實施例中，替代或除所描述架構中之該等層中之一或多者之外，深度學習網路中亦可包括一或多個其他類型之神經網路層。例如，在一些實施例中，深度學習網路中可包括一或多個迴旋、轉置迴旋、集用、非集用層，及/或批量正規化。作為另一實例，架構可包括一或多個層以執行鄰近層對之間的非線性變換。非線性變換可為整流線性單元(ReLU)變換、S型及/或任何其他合適類型之非線性變換，由於本文中所描述之技術之態樣在這方面不受限制。
作為變化形式之另一實例，在一些實施例中，替代或除LSTM架構之外，亦可使用任何其他合適類型之反覆性神經網路架構。
亦應瞭解，儘管在所描述架構中，針對各種層為該等輸入及輸出提供說明性尺寸，但此等尺寸僅出於說明性目的且在其他實施例中可使用其他尺寸。
任何合適的最佳化技術可用於自訓練資料估計神經網路參數。例如，可使用以下最佳化技術中之一或多者：隨機梯度下降(SGD)、小批量梯度下降、動量SGD、Nesterov加速梯度、Adagrad、Adadelta、RMSprop、自適應矩估計(Adam)、AdaMax、Nesterov加速自適應矩估計(Nadam)、AMSGrad。
圖11B展示根據本文中所描述之技術之一些實施例的可用於偵測神經性病症之一或多個症狀之迴旋神經網路1150。本文中所描述之深度學習網路可包括迴旋神經網路1150，且另外或替代地可包括另一類型之網路，其適合於偵測大腦是否正展現神經性病症之症狀及/或用於導引聲學信號至大腦區域之傳輸。例如，迴旋神經網路1150可用於偵測癲癇發作及/或預測傳輸超聲波信號之大腦位置。如所示，迴旋神經網路包含經組態以接收關於輸入1152 (例如，張量)之資訊的輸入層1154、經組態以提供輸出(例如，n維表示空間中之分類)的輸出層1158，及連接於輸入層1154與輸出層1158之間的複數個隱藏層1156。該複數個隱藏層1156包括迴旋與集用層1160及完全連接層1162。
輸入層1154後可跟著為一或多個迴旋與集用層1160。迴旋層可包含一組濾波器，其在空間上比至迴旋層之輸入(例如，輸入1152)小(例如，具有較小寬度及/或高度)。濾波器中之每一者可用至迴旋層之輸入進行迴旋以產生指示彼濾波器在每一空間位置處之回應的啟動圖(例如，2維啟動圖)。迴旋層後可跟著為集用層，該集用層對迴旋層之輸出進行降頻取樣以減小其尺寸。集用層可使用多種集用技術中之任一者，諸如，最大集用及/或全域平均集用。在一些實施例中，降頻取樣可使用分散藉由迴旋層自身(例如，在無集用層情況下)執行。
迴旋及集用層1160後可為完全連接層1162。完全連接層1162可包含一或多個層，其各自具有自前一層(例如，迴旋或集用層)接收輸入且將輸出提供至後一層(例如，輸出層1158)之一或多個神經元。完全連接層1162可描述為「緻密的」，由於給定層中神經元中之每一者可自前一層中之每個神經元接收輸入且將輸出提供至後一層中之每個神經元。完全連接層1162後可為提供迴旋神經網路之輸出的輸出層1158。例如，輸出可為輸入1152 (或輸入1152之任何部分)屬於類別集之哪一類別之指示。迴旋神經網路可使用隨機梯度下降類型演算法或另一合適的演算法訓練。迴旋神經網路可繼續訓練直至驗證集(例如，自訓練資料提出之部分)之準確性飽和或使用一或多個任何其他合適的準則繼續訓練。
應瞭解，圖11B中展示之迴旋神經網路僅為一個實例實施且可使用其他實施。舉例而言，一或多個層可經添加至展示於圖11B中之迴旋神經網路或自該迴旋神經網路移除。可經添加至迴旋神經網路之額外實例層包括：填補層、串接層及超標度層。超標度層可經組態以對至該層之輸入增頻取樣。ReLU層可經組態以將整流器(有時被稱作斜坡函數)作為轉移函數施加至輸入。填補層可經組態以藉由填補輸入之一或多個尺寸而改變至該層之輸入的大小。串接層可經組態以將多個輸入(例如，組合來自多個層之輸入) 組合成單一輸出。
迴旋神經網路可用以執行本文中所描述之多種功能中的任一者。應瞭解，在一些實施例中，多於一個迴旋神經網路可用於進行預測。第一與第二神經網路可包含層之不同配置及/或使用不同訓練資料進行訓練。
圖11C展示根據本文中所描述之技術之一些實施例的包括來自深度學習網路之預測之例示性界面1170。可針對計算裝置，例如計算裝置308或另一合適的裝置上之顯示器產生界面1170。可穿戴裝置、行動裝置及/或另一合適的裝置可將自大腦所偵測到之一或多個信號，例如EEG信號或另一合適的信號提供至計算裝置。例如，界面1170展示包括EEG信號資料之信號資料1172。此信號資料可用於訓練深度學習網路以判定大腦是否正展現神經性病症之症狀，例如癲癇發作或另一合適的症狀。界面1170進一步展示具有經預測癲癇發作及指示癲癇發作之醫生註解之EEG信號資料1174。經預測癲癇發作可基於來自深度學習網路之輸出而判定。本發明人已研發此類深度學習網路以用於偵測癲癇發作且已發現與來自神經學家之註解緊密對應之預測。例如，如圖11C中所指示，發現指示經預測癲癇發作之尖峰1178與指示癲癇發作之醫生註解1176重疊或幾乎重疊。
計算裝置、行動裝置或另一合適的裝置可產生界面1170之一部分以在該人有可能患有癲癇發作時及/或在該人無癲癇發作時警告該人及/或護理人。例如行動裝置304之行動裝置及/或例如計算裝置308之計算裝置上所產生之界面1170可顯示針對是否偵測到癲癇發作之指示1180或1182。例如，行動裝置可顯示患有神經性病症之人之即時癲癇發作風險。在癲癇發作情況下，行動裝置可警示該人、照護者，或另一合適的實體。例如，行動裝置可告知護理人癲癇發作經預測在下30分鐘、下一個小時，或另一合適的時間段內。在另一實例中，行動裝置可在確實出現癲癇發作時將警示發送至護理人及/或記錄癲癇發作活動，諸如來自大腦之信號，以供護理人對該人的神經性病症進行精細治療。
最佳化功耗及效能之階層演算法 本發明人已瞭解，為了使得裝置能夠在電池充電之間長時間工作，可能有必要儘可能地減小功耗。可存在主導功耗之至少兩個活動： 1. 運行機器學習演算法，例如深度學習網路，以基於生理學量測結果分類大腦狀態(例如，癲癇發作對比未癲癇發作，或在不久的未來具有癲癇發作之量測風險，等)；及/或 2. 將資料自該裝置傳輸至行動電話或伺服器以供基於該資料進一步處理及/或執行機器學習演算法。
在一些實施例中，計算密集度較低演算法可運行於該裝置，例如可穿戴裝置上，且當一或多個演算法之輸出超過指定臨限值時，該裝置可例如接通無線電，且將相關資料傳輸至行動電話或伺服器，例如雲端伺服器，以供經由計算密集度較高演算法進行進一步處理。以癲癇發作偵測為例，計算密集度較高或重型演算法可具有低假陽性速率及低假陰性速率。為了獲得計算密集度較低或輕型演算法，可犧牲一個速率或另一速率。本發明人已瞭解，關鍵是允許更多的假陽性，亦即具有高靈敏度(例如，從未錯過真正的癲癇發作)及低特定性(例如，許多假陽性，常常在沒有癲癇發作時將資料標記為癲癇發作)的偵測演算法。每當裝置之輕型演算法將資料標記為癲癇發作時，該裝置可將資料傳輸至行動裝置或雲端伺服器以執行重型演算法。該裝置可接收重型演算法之結果，且將此等結果顯示至使用者。以此方式，該裝置上之輕型演算法可充當濾波器，其例如藉由減小計算功率及/或所傳輸資料之量大幅度減小所消耗之功率量，同時維持包括該裝置、行動電話及/或雲端伺服器之整個系統之預測性效能。
圖12展示根據本文中所描述之技術之一些實施例的用於大腦之節能監控之裝置的方塊圖。例如可穿戴裝置之該裝置1200可包括例如感測器之監控構件1202，其經組態以偵測來自人之大腦之信號，例如電信號、機械信號、光學信號、紅外線信號或另一合適類型之信號。例如，感測器可為EEG感測器，且信號可為電信號，諸如EEG信號。感測器可以非侵入性方式安置於人之頭部上。
該裝置1200可包括與感測器通信之處理器1206。處理器1206可經程式化以識別健康狀況，例如預測神經性病症之症狀之強度，且基於經識別健康狀況，例如經預測強度，將來自信號之資料提供至該裝置1200外部之處理器1256以證實或反駁經識別健康狀況，例如經預測強度。
圖13展示根據本文中所描述之技術之一些實施例的用於大腦之節能監控之裝置的流程圖1300。
在1302處，例如處理器1206之處理器可自感測器接收來自自大腦所偵測到之信號之資料。
在1304處，處理器可存取第一訓練統計模型。第一統計模型可使用來自自大腦所偵測到之先前信號的資料進行訓練。
在1306處，處理器可提供來自自大腦所偵測到之信號之資料以作為第一訓練統計模型之輸入以獲得識別健康狀況，例如指示神經性病症之症狀之經預測強度的輸出。
在1308處，處理器可判定經預測強度是否超過指示症狀存在之臨限值。
在1310處，回應於經預測強度超過臨限值，處理器可將來自信號之資料傳輸至該裝置外部之第二處理器。在一些實施例中，例如處理器1256之第二處理器可經程式化以將來自信號之資料提供至第二訓練統計模型以獲得輸出，從而證實或反駁經識別健康狀況，例如症狀之經預測強度。
在一些實施例中，第一訓練統計模型經訓練以具有高靈敏度及低特定性。在一些實施例中，第二訓練統計模型可經訓練以具有高靈敏度及高特定性。因此，使用第一訓練統計模型之第一處理器相較於使用第二訓練統計模型之第一處理器可使用較少功率量。
實例電腦架構 圖14中展示可與本文中所描述的技術之實施例中之任一者結合使用的電腦系統1400之說明性實施。電腦系統1400包括一或多個處理器1410及包含非暫時性電腦可讀儲存媒體(例如，記憶體1420及一或多個非揮發性儲存媒體1430)之一或多個製品。處理器1410可以任何適合方式控制寫入資料至記憶體1420及非揮發性儲存裝置1430及自記憶體1420及非揮發性儲存裝置1430讀取資料，此係因為本文中所描述的技術之態樣在此方面不受限制。為了執行本文中所描述之功能性中的任一者，處理器1410可執行儲存於一或多個非暫時性電腦可讀儲存媒體(例如，記憶體1420)中的一或多個處理器可執行指令，該一或多個非暫時性電腦可讀儲存媒體可充當儲存處理器可執行指令以供處理器1410執行的非暫時性電腦可讀儲存媒體。
計算裝置1400亦可包括網路輸入/輸出(I/O)介面1440，計算裝置可經由該網路輸入/輸出(I/O)介面與其他計算裝置(例如，經由網路)通信，且亦可包括一個或多個使用者I/O介面1450，計算裝置可經由使用者I/O介面提供輸出至使用者且自使用者接收輸入。使用者I/O介面可包括裝置，諸如鍵盤、滑鼠、麥克風、顯示裝置(例如，監視器或觸控式螢幕)、揚聲器、攝影機及/或各種其他類型之I/O裝置。
上述實施例可以眾多方法中之任一者來實施。舉例而言，實施例可使用硬體、軟體或其組合實施。當以軟體實施時，軟體程式碼可在任何適合處理器(例如，微處理器)或處理器之集合上執行，而不管提供於單一計算裝置中抑或分佈於多個計算裝置當中。應瞭解，執行上文所描述之功能的任何構件或構件之集合可大體上被視為控制上述功能之一或多個控制器。可以眾多方式實施一或多個控制器，諸如藉由專用硬體，或藉由使用微碼或軟體以執行上文所概述之功能而經程式化的通用硬體(例如，一或多個處理器)。
就此而言，應瞭解，本文所描述之實施例的一個實施包含編碼有電腦程式(亦即，複數個可執行指令)的至少一個電腦可讀儲存媒體(例如，RAM、ROM、EEPROM、快閃記憶體或其他記憶體技術、CD-ROM、數位多功能光碟(DVD)或其他光碟儲存器、匣式磁帶、磁帶、磁碟儲存器或其他磁性儲存裝置，或其他有形非暫時性電腦可讀儲存媒體)，該電腦程式在一或多個處理器上執行時執行一或多個實施例的上述功能。電腦可讀媒體可為可輸送的，使得儲存於上面之程式可載入於任何計算裝置上以實施本文中所論述之技術的態樣。此外，應瞭解，對在執行時執行上文論述之功能中之任一者的電腦程式之參考不限於在主機電腦上運行的應用程式。確切而言，術語電腦程式及軟體本文中在一般意義上使用以參考任何類型之電腦程式碼(例如，應用軟體、韌體、微碼，或任何其他形式之電腦指令)，其可用以程式化一或多個處理器以實施本文中所論述的技術之態樣。
術語「程式」或「軟體」本文中一般意義上用於指代可用以程式化電腦或其他處理器以實施如上文所論述之實施例的各種態樣的處理器可執行指令之任何類型的電腦程式碼或集合。另外，應瞭解，根據一態樣，在被執行時執行本文中所提供之本發明之方法的一或多個電腦程式無需駐存於單一電腦或處理器上，但可以模組化方式分佈於不同電腦或處理器當中以實施本文中所提供之本發明之各個態樣。
處理器可執行指令可呈許多形式，諸如由一或多個電腦或其他裝置執行的程式模組。一般而言，程式模組包括執行特定任務或實施特定抽象資料類型的常式、程式、對象、構件、資料結構等。通常，在各種實施例中，程式模組之功能性可視需要組合或分佈。
另外，資料結構可以任何適合之形式儲存於一或多個非暫時性電腦可讀儲存媒體中。出於說明簡單起見，資料結構可被展示為具有經由資料結構中之位置而相關的欄位。此等關係可同樣地藉由使用傳達欄位之間的關係的非暫時性電腦可讀媒體中之位置來指派用於欄位之儲存而達成。然而，可使用任何合適機構在資料結構之欄位中的資訊之間建立關係，包括經由使用在資料元件當中建立關係的指標、標記或其他機構。
並且，各種本發明概念可實施為一或多個程序，已提供該等程序之實例。作為每一程序之部分所執行之動作可以任何合適方式排序。因此，可建構如下實施例：其中動作以不同於所說明之次序的次序執行，其可包括同時執行一些動作，即使此等動作在說明性實施例中展示為連續動作。
如所定義及本文中所使用之所有定義應理解為控制詞典定義，及/或所定義術語之一般含義。
如說明書及申請專利範圍中所用，片語「至少一個」在提及一或多個要素之清單時，應該理解為意謂選自要素清單中之任何一或多個要素的至少一個要素，但不一定包括要素清單內具體所列之每一個要素中之至少一者且不排除要素清單中之任何要素組合。此定義亦允許可視情況存在除片語「至少一個」所指的要素清單內具體識別之要素以外的要素，而無論與具體識別之彼等要素相關抑或不相關。因此，作為非限制性實例，「至少一個A及B」(或等效地「至少一個A或B」或等效地「至少一個A及/或B」)可在一個實施例中指代至少一個(視情況包括超過一個) A而不存在B (且視情況包括除B以外的要素)；在另一實施例中，指代至少一個(視情況包括超過一個) B而不存在A (且視情況包括除A以外的要素)；在又一實施例中，指代至少一個(視情況包括超過一個) A及至少一個(視情況包括超過一個) B (且視情況包括其他要素)；等。
如本文在說明書及申請專利範圍中使用之片語「及/或」應理解為意謂如此結合之要素的「任一者或兩者」，亦即，在一些狀況下結合地存在且在其他狀況下未結合地存在的要素。使用「及/或」列出的多個要素應以相同方式解釋，亦即，如此結合之「一或多個」要素。可視情況存在除了藉由「及/或」子句所具體識別之要素之外的其他要素，無論與具體識別之彼等要素相關抑或無關。因此，作為非限制性實例，參考「A及/或B」在結合諸如「包含」之開放式措辭使用時，在一個實施例中，可僅指A (視情況包括除了B以外的要素)；在另一實施例中，可僅指B (視情況包括除了A以外的要素)；在又一實施例中，可指A及B兩者(視情況包括其他要素)；等。
申請專利範圍中用於修飾請求項要素之諸如「第一」、「第二」、「第三」等序數術語之使用本身並不意謂一個請求項要素相對於另一要素之任何優先權、優先或次序或執行方法之動作之時間次序。此類術語僅僅用作標籤以區分具有某一名稱之一個請求項要素與具有同一名稱之另一要素(但用於序數術語)。
本文中所使用之措詞及術語係出於描述之目的且不應被視為限制性的。「包括」、「包含」、「具有」、「含有」、「涉及」及其變化形式之使用意欲涵蓋其後所列舉之項目及額外項目。
在已詳細地描述本文中所描述之技術之若干實施例之情況下，熟習此項技術者將易於想到各種修改及改良。此類修改及改良意欲在本發明之精神及範疇內。因此，前述描述僅藉助於實例且不意欲為限制性的。技術僅如藉由以下申請專利範圍及其等效物所界定而受限。
可基於下文在附件中描述之非限制性說明性實施例進一步理解本文中所描述之技術之一些態樣。儘管附件中之一些態樣以及本文描述之其他實施例係關於治療癲癇症之癲癇發作所描述，但此等態樣及/或實施例可同樣適用於治療任何合適的神經性病症之症狀。下文在附件中描述之實施例之任何限制為僅對附件中描述之實施例之限制，而並非對本文中所描述之任何其他實施例之限制。
100:態樣 102:本端處理裝置 104:電極 110:態樣 112:本端處理裝置 114:感測器 116:換能器 120:態樣 122:本端處理裝置 124:電極 200:裝置 202:感測器 204:處理器 210:行動裝置 250:行動裝置 252:行動裝置 300:說明性實例 302:可穿戴裝置 304:行動裝置 306:伺服器 308:計算裝置 350:方塊圖 360:裝置 362:區塊 364:區塊 366:區塊 368:區塊 370:行動應用程式 372:區塊 374:區塊 376:區塊 378:區塊 380:雲端伺服器 382:區塊 383:區塊 384:區塊 386:區塊 388:區塊 400:可穿戴裝置 402:監控構件 404:刺激構件 406:處理器 500:可穿戴裝置 502:監控構件 504:刺激構件 600:可穿戴裝置 604:刺激構件 606:處理器 700:可穿戴裝置 702:感測器 704:換能器 706:處理器 800:裝置 802:監控構件 804:刺激構件 806:處理器 900:流程圖 902:自感測器接收來自自大腦所偵測到之第一信號的資料 904:存取訓練統計模型。其中該統計模型係使用來自自大腦所偵測到之先前信號的資料進行訓練 906:提供來自自大腦所偵測到之第一信號的資料以作為訓練統計模型之輸入，以獲得指示神經性病症之症狀之第一經預測強度的輸出 908:基於症狀之第一經預測強度，在第一方向上選擇該複數個換能器中之一者傳輸第一指令以施加第一聲學信號 910:將指令傳輸至所選換能器以將第一聲學信號施加至大腦 1000:裝置 1002:監控構件 1004:刺激構件 1006:處理器 1100:流程圖 1102:自感測器接收來自自大腦所偵測到之第一信號的資料 1104:存取訓練統計模型，其中該統計模型係使用藉由關於提高神經性病症之症狀之強度之各別值註解的來自自大腦所偵測到之先前信號的資料進行訓練 1106:提供來自自大腦所偵測到之第一信號的資料以作為訓練統計模型的輸入，以獲得指示神經性病症之症狀之第一經預測強度的輸出 1108:基於症狀之第一經預測強度，在第一方向上選擇該複數個換能器中之一者傳輸第一指令以施加第一聲學信號 1110:將指令傳輸至所選換能器以將第一聲學信號施加至大腦 1150:迴旋神經網路 1152:輸入 1154:輸入層 1156:隱藏層 1158:輸出層 1160:迴旋與集用層 1162:完全連接層 1170:界面 1172:信號資料 1174:EEG信號資料 1176:醫生註解 1178:尖峰 1180:指示 1182:指示 1200:裝置 1202:監控構件 1206:處理器 1256:處理器 1300:流程圖 1302:自感測器接收來自自大腦所偵測到之信號之資料 1304:存取第一訓練統計模型，其中該第一統計模型係使用來自自大腦所偵測到之先前信號的資料進行訓練 1306:提供來自自大腦所偵測到之信號之資料以作為第一訓練統計模型之輸入，以獲得指示神經性病症之症狀之經預測強度的輸出 1308:判定經預測強度是否超過指示症狀存在之臨限值 1310:回應於經預測強度超過臨限值，將來自信號之資料傳輸至該裝置外部之第二處理器 1400:電腦系統 1410:處理器 1420:記憶體 1430:非揮發性儲存媒體 1440:網路輸入/輸出(I/O)介面 1450:使用者I/O介面
將參考以下圖式描述各種態樣及實施例。圖式未必按比例繪製。 圖1展示根據本文中所描述之技術之一些實施例的例如用於治療神經性病症之症狀之可由人穿戴之裝置。 圖2A至圖2B展示根據本文中所描述之技術之一些實施例的用於治療神經性病症之症狀之可由人穿戴之裝置及與該裝置通信之執行應用程式之一或多個行動裝置的說明性實例。 圖3A展示根據本文中所描述之技術之一些實施例的與用於治療神經性病症之症狀之可由人穿戴之裝置通信的行動裝置及/或雲端伺服器的說明性實例。 圖3B展示根據本文中所描述之技術之一些實施例的與用於治療神經性病症之症狀之可由人穿戴之裝置通信的行動裝置及/或雲端伺服器的方塊圖。 圖4展示根據本文中所描述之技術之一些實施例的包括刺激及監控構件之可穿戴裝置之方塊圖。 圖5展示根據本文中所描述之技術之一些實施例的用於實質上非破壞性聲學刺激之可穿戴裝置之方塊圖。 圖6展示根據本文中所描述之技術之一些實施例的用於例如隨機聲學刺激等聲學刺激之可穿戴裝置之方塊圖。 圖7展示根據本文中所描述之技術之一些實施例的用於使用超聲波刺激治療神經性病症之可穿戴裝置之方塊圖。 圖8展示根據本文中所描述之技術之一些實施例的用以導引聲學刺激之裝置之方塊圖。 圖9展示根據本文中所描述之技術之一些實施例的用以導引聲學刺激之裝置之流程圖。 圖10展示根據本文中所描述之技術之一些實施例的使用基於註解信號資料訓練之統計模型的裝置的方塊圖。 圖11A展示根據本文中所描述之技術之一些實施例的使用基於註解信號資料訓練之統計模型的裝置的流程圖。 圖11B展示根據本文中所描述之技術之一些實施例的可用於偵測神經性病症之一或多個症狀之迴旋神經網路。 圖11C展示根據本文中所描述之技術之一些實施例的包括來自深度學習網路之預測之例示性界面。 圖12展示根據本文中所描述之技術之一些實施例的用於大腦之節能監控之裝置的方塊圖。 圖13展示根據本文中所描述之技術之一些實施例的用於大腦之節能監控之裝置的流程圖。 圖14展示可用於實施本文中所描述之技術之一些實施例的說明性電腦系統之方塊圖。
100:態樣
102:本端處理裝置
104:電極
110:態樣
112:本端處理裝置
114:感測器
116:換能器
120:態樣
122:本端處理裝置
124:電極

Claims (12)

  1. 一種可由一人穿戴之裝置，其包含： 一感測器，其經組態以偵測來自該人之大腦之一信號；及 一換能器，其經組態以將一超聲波信號施加於該大腦， 其中該超聲波信號具有一低功率密度且在施加於該大腦時對於組織實質上為非破壞性的。
  2. 如請求項1之裝置，其中該感測器及該換能器以一非侵入性方式安置於該人之頭部上。
  3. 如請求項1之裝置，其中該感測器包括一腦電圖(EEG)感測器，且其中該信號包括一EEG信號。
  4. 如請求項1之裝置，其中該換能器包括一超聲波換能器。
  5. 如請求項4之裝置，其中該超聲波信號具有100 kHz與1 MHz之間的一頻率、0.001 cm3 與0.1 cm3 之間的一空間解析度，及/或如藉由空間峰值脈衝平均強度所量測之1瓦特/cm2 與100瓦特/cm2 之間的該低功率密度。
  6. 如請求項4之裝置，其中該超聲波信號抑制一神經性病症之一症狀。
  7. 如請求項6之裝置，其中該神經性病症包括以下各者中之一或多者：中風、帕金森氏病、偏頭痛、痙攣症、額顳葉型癡呆、創傷性腦損傷、抑鬱症、焦慮症、阿茲海默氏症、癡呆、多發性硬化症、思覺失調症、大腦損傷、神經退化、中樞神經系統(CNS)疾病、腦病、亨廷頓氏病、自閉症、注意力不足過動症(ADHD)、肌肉萎縮性側索硬化(ALS)及腦震盪。
  8. 如請求項6之裝置，其中該症狀包括一癲癇發作。
  9. 如請求項1之裝置，其中該信號包含一電信號、一機械信號、一光學信號，及/或一紅外線信號。
  10. 一種用於操作可由一人穿戴之一裝置之方法，該裝置包括經組態以偵測來自該人之大腦之一信號的一感測器及經組態以將一超聲波信號施加於該大腦之一換能器，該方法包含： 將該超聲波信號施加於該大腦，其中該超聲波信號具有一低功率密度且在施加於該大腦時對於組織實質上為非破壞性的。
  11. 一種方法，其包含： 藉由由一人穿戴或附著於該人上之一裝置將一超聲波信號施加於該人之大腦。
  12. 一種設備，其包含： 由一人穿戴或附著於該人上之一裝置，其包括經組態以偵測來自該人之大腦之一信號的一感測器及經組態以將一超聲波信號施加於該大腦之一換能器， 其中該超聲波信號具有一低功率密度且在施加於該大腦時對於組織實質上為非破壞性的。
TW108145883A 2018-12-13 2019-12-13 用於實質上非破壞性聲學刺激之可穿戴裝置之系統及方法 TW202029928A (zh)

Applications Claiming Priority (16)

Application Number Priority Date Filing Date Title
US201862779188P 2018-12-13 2018-12-13
US62/779,188 2018-12-13
US201962822709P 2019-03-22 2019-03-22
US201962822657P 2019-03-22 2019-03-22
US201962822679P 2019-03-22 2019-03-22
US201962822684P 2019-03-22 2019-03-22
US201962822675P 2019-03-22 2019-03-22
US201962822697P 2019-03-22 2019-03-22
US201962822668P 2019-03-22 2019-03-22
US62/822,657 2019-03-22
US62/822,679 2019-03-22
US62/822,668 2019-03-22
US62/822,675 2019-03-22
US62/822,697 2019-03-22
US62/822,709 2019-03-22
US62/822,684 2019-03-22

Publications (1)

Publication Number Publication Date
TW202029928A true TW202029928A (zh) 2020-08-16

Family

ID=71072240

Family Applications (7)

Application Number Title Priority Date Filing Date
TW108145883A TW202029928A (zh) 2018-12-13 2019-12-13 用於實質上非破壞性聲學刺激之可穿戴裝置之系統及方法
TW108145882A TW202031197A (zh) 2018-12-13 2019-12-13 用於具有刺激及監控構件之可穿戴裝置之系統及方法
TW108145869A TW202037389A (zh) 2018-12-13 2019-12-13 使用超聲波刺激用於治療健康狀況之可穿戴式裝置的系統及方法
TW108145884A TW202037391A (zh) 2018-12-13 2019-12-13 用於聲學刺激之可穿戴裝置之系統及方法
TW108145885A TW202106232A (zh) 2018-12-13 2019-12-13 用於使用在註解信號資料上訓練之統計模型之裝置之系統及方法
TW108145870A TW202037390A (zh) 2018-12-13 2019-12-13 使用機器學習用於聲音刺激駕駛之裝置的系統及方法
TW108145886A TW202034844A (zh) 2018-12-13 2019-12-13 用於大腦的能量效率監測之裝置之系統及方法

Family Applications After (6)

Application Number Title Priority Date Filing Date
TW108145882A TW202031197A (zh) 2018-12-13 2019-12-13 用於具有刺激及監控構件之可穿戴裝置之系統及方法
TW108145869A TW202037389A (zh) 2018-12-13 2019-12-13 使用超聲波刺激用於治療健康狀況之可穿戴式裝置的系統及方法
TW108145884A TW202037391A (zh) 2018-12-13 2019-12-13 用於聲學刺激之可穿戴裝置之系統及方法
TW108145885A TW202106232A (zh) 2018-12-13 2019-12-13 用於使用在註解信號資料上訓練之統計模型之裝置之系統及方法
TW108145870A TW202037390A (zh) 2018-12-13 2019-12-13 使用機器學習用於聲音刺激駕駛之裝置的系統及方法
TW108145886A TW202034844A (zh) 2018-12-13 2019-12-13 用於大腦的能量效率監測之裝置之系統及方法

Country Status (12)

Country Link
US (7) US20210146164A9 (zh)
EP (7) EP3893996A1 (zh)
JP (5) JP2022512254A (zh)
KR (5) KR20210102306A (zh)
CN (5) CN113301952A (zh)
AU (7) AU2019397537A1 (zh)
BR (5) BR112021011231A2 (zh)
CA (7) CA3122273A1 (zh)
IL (5) IL283727A (zh)
MX (5) MX2021007041A (zh)
TW (7) TW202029928A (zh)
WO (7) WO2020123950A1 (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2022512254A (ja) * 2018-12-13 2022-02-02 リミナル サイエンシズ インコーポレイテッド 実質的に非破壊的な音響刺激のためのウェアラブルデバイス用のシステムおよび方法
US11850427B2 (en) 2019-12-02 2023-12-26 West Virginia University Board of Governors on behalf of West Virginia University Methods and systems of improving and monitoring addiction using cue reactivity
EP4157445A1 (en) * 2020-05-27 2023-04-05 Attune Neurosciences, Inc. Ultrasound systems and associated devices and methods for modulating brain activity
EP3971911A1 (en) * 2020-09-17 2022-03-23 Koninklijke Philips N.V. Risk predictions
US20220110604A1 (en) * 2020-10-14 2022-04-14 Liminal Sciences, Inc. Methods and apparatus for smart beam-steering
CN112465264A (zh) * 2020-12-07 2021-03-09 湖北省食品质量安全监督检验研究院 食品安全风险等级预测方法、装置及电子设备
EP4255287A2 (en) 2020-12-07 2023-10-11 University College Cork - National University of Ireland, Cork Method and intraoral scanner for detecting the topography of the surface of a translucent object, in particular a dental object
CN113094933B (zh) * 2021-05-10 2023-08-08 华东理工大学 基于注意力机制的超声波损伤检测分析方法及其应用
US11179089B1 (en) 2021-05-19 2021-11-23 King Abdulaziz University Real-time intelligent mental stress assessment system and method using LSTM for wearable devices
CA3226161A1 (en) * 2021-07-16 2023-01-19 Zimmer Us, Inc. Dynamic sensing and intervention system
WO2023115558A1 (en) * 2021-12-24 2023-06-29 Mindamp Limited A system and a method of health monitoring
US20230409703A1 (en) * 2022-06-17 2023-12-21 Optum, Inc. Prediction model selection for cyber security

Family Cites Families (33)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9042988B2 (en) * 1998-08-05 2015-05-26 Cyberonics, Inc. Closed-loop vagus nerve stimulation
US6678548B1 (en) * 2000-10-20 2004-01-13 The Trustees Of The University Of Pennsylvania Unified probabilistic framework for predicting and detecting seizure onsets in the brain and multitherapeutic device
US8187181B2 (en) * 2002-10-15 2012-05-29 Medtronic, Inc. Scoring of sensed neurological signals for use with a medical device system
WO2004107963A2 (en) * 2003-06-03 2004-12-16 Allez Physionix Limited Non-invasive determination of intracranial pressure via acoustic transducers
US9820658B2 (en) * 2006-06-30 2017-11-21 Bao Q. Tran Systems and methods for providing interoperability among healthcare devices
US7733224B2 (en) * 2006-06-30 2010-06-08 Bao Tran Mesh network personal emergency response appliance
US7558622B2 (en) * 2006-05-24 2009-07-07 Bao Tran Mesh network stroke monitoring appliance
WO2008057365A2 (en) * 2006-11-02 2008-05-15 Caplan Abraham H Epileptic event detection systems
US20080161712A1 (en) * 2006-12-27 2008-07-03 Kent Leyde Low Power Device With Contingent Scheduling
US9443141B2 (en) * 2008-06-02 2016-09-13 New York University Method, system, and computer-accessible medium for classification of at least one ICTAL state
CN102791332A (zh) * 2009-11-04 2012-11-21 代理并代表亚利桑那州立大学的亚利桑那董事会 调节大脑活动的设备和方法
US20140194726A1 (en) * 2013-01-04 2014-07-10 Neurotrek, Inc. Ultrasound Neuromodulation for Cognitive Enhancement
US20160001096A1 (en) * 2009-11-11 2016-01-07 David J. Mishelevich Devices and methods for optimized neuromodulation and their application
US20120283604A1 (en) * 2011-05-08 2012-11-08 Mishelevich David J Ultrasound neuromodulation treatment of movement disorders, including motor tremor, tourette's syndrome, and epilepsy
WO2013142908A1 (en) * 2012-03-29 2013-10-03 The University Of Queensland A method and apparatus for processing patient sounds
WO2013152035A1 (en) * 2012-04-02 2013-10-10 Neurotrek, Inc. Device and methods for targeting of transcranial ultrasound neuromodulation by automated transcranial doppler imaging
US20140303424A1 (en) * 2013-03-15 2014-10-09 Iain Glass Methods and systems for diagnosis and treatment of neural diseases and disorders
US20150068069A1 (en) * 2013-07-27 2015-03-12 Alexander Bach Tran Personally powered appliance
CN104623808B (zh) * 2013-11-14 2019-02-01 先健科技(深圳)有限公司 脑深部刺激系统
US9498628B2 (en) * 2014-11-21 2016-11-22 Medtronic, Inc. Electrode selection for electrical stimulation therapy
CN104548390B (zh) * 2014-12-26 2018-03-23 中国科学院深圳先进技术研究院 一种获得用于发射穿颅聚焦超声的超声发射序列的方法及系统
WO2016110804A1 (en) * 2015-01-06 2016-07-14 David Burton Mobile wearable monitoring systems
US10098539B2 (en) * 2015-02-10 2018-10-16 The Trustees Of Columbia University In The City Of New York Systems and methods for non-invasive brain stimulation with ultrasound
US20160243381A1 (en) * 2015-02-20 2016-08-25 Medtronic, Inc. Systems and techniques for ultrasound neuroprotection
CN104857640A (zh) * 2015-04-22 2015-08-26 燕山大学 一种闭环式经颅超声脑刺激装置
CA3001317A1 (en) * 2015-10-08 2017-04-13 Brain Sentinel, Inc. Method and apparatus for detecting and classifying seizure activity
CN108778140A (zh) * 2016-01-05 2018-11-09 神经系统分析公司 用于确定临床指征的系统和方法
US20170258390A1 (en) * 2016-02-12 2017-09-14 Newton Howard Early Detection Of Neurodegenerative Disease
CN105943031B (zh) * 2016-05-17 2018-12-07 西安交通大学 可穿戴经颅超声神经刺激与电生理记录联合系统与方法
US10360499B2 (en) * 2017-02-28 2019-07-23 Anixa Diagnostics Corporation Methods for using artificial neural network analysis on flow cytometry data for cancer diagnosis
CN107485788B (zh) * 2017-08-09 2020-05-22 李世俊 一种驱动磁刺激仪线圈位置自动调整的磁共振导航装置
US11810670B2 (en) * 2018-11-13 2023-11-07 CurieAI, Inc. Intelligent health monitoring
JP2022512254A (ja) * 2018-12-13 2022-02-02 リミナル サイエンシズ インコーポレイテッド 実質的に非破壊的な音響刺激のためのウェアラブルデバイス用のシステムおよび方法

Also Published As

Publication number Publication date
US20210138275A9 (en) 2021-05-13
TW202106232A (zh) 2021-02-16
US20200188700A1 (en) 2020-06-18
JP2022513911A (ja) 2022-02-09
EP3893996A1 (en) 2021-10-20
WO2020123948A1 (en) 2020-06-18
EP3893998A1 (en) 2021-10-20
TW202037391A (zh) 2020-10-16
CA3122274A1 (en) 2020-06-18
CA3121792A1 (en) 2020-06-18
CN113329692A (zh) 2021-08-31
IL283731A (en) 2021-07-29
CA3122104A1 (en) 2020-06-18
US20200188697A1 (en) 2020-06-18
TW202031197A (zh) 2020-09-01
IL283729A (en) 2021-07-29
WO2020123935A1 (en) 2020-06-18
AU2019396555A1 (en) 2021-07-15
BR112021011270A2 (pt) 2021-08-31
EP3893743A1 (en) 2021-10-20
CA3122273A1 (en) 2020-06-18
EP3893997A1 (en) 2021-10-20
WO2020123950A1 (en) 2020-06-18
TW202034844A (zh) 2020-10-01
KR20210102305A (ko) 2021-08-19
US20200188701A1 (en) 2020-06-18
CN113301952A (zh) 2021-08-24
JP2022513910A (ja) 2022-02-09
MX2021007010A (es) 2021-10-14
WO2020123953A8 (en) 2020-08-13
WO2020123954A1 (en) 2020-06-18
JP2022513241A (ja) 2022-02-07
AU2019395260A1 (en) 2021-07-15
CA3121810A1 (en) 2020-06-18
MX2021007042A (es) 2021-10-22
WO2020123955A1 (en) 2020-06-18
CN113382684A (zh) 2021-09-10
MX2021007041A (es) 2021-10-22
JP2022512254A (ja) 2022-02-02
EP3893745A1 (en) 2021-10-20
BR112021011242A2 (pt) 2021-08-24
BR112021011280A2 (pt) 2021-08-31
US20210146164A9 (en) 2021-05-20
IL283727A (en) 2021-07-29
JP2022512503A (ja) 2022-02-04
IL283932A (en) 2021-07-29
US20200188699A1 (en) 2020-06-18
US20210138276A9 (en) 2021-05-13
KR20210102304A (ko) 2021-08-19
WO2020123953A1 (en) 2020-06-18
BR112021011231A2 (pt) 2021-08-24
US20200188702A1 (en) 2020-06-18
WO2020123968A1 (en) 2020-06-18
IL283816A (en) 2021-07-29
KR20210102307A (ko) 2021-08-19
US20200188698A1 (en) 2020-06-18
MX2021007033A (es) 2021-10-22
BR112021011297A2 (pt) 2021-08-31
CN113301953A (zh) 2021-08-24
MX2021007045A (es) 2021-10-22
CA3121751A1 (en) 2020-06-18
AU2019395257A1 (en) 2021-07-15
AU2019395261A1 (en) 2021-07-15
EP3893743A4 (en) 2022-09-28
CA3122275A1 (en) 2021-06-18
KR20210102306A (ko) 2021-08-19
EP3893999A1 (en) 2021-10-20
AU2019397537A1 (en) 2021-07-15
EP3893744A1 (en) 2021-10-20
CN113301951A (zh) 2021-08-24
AU2019396603A1 (en) 2021-07-15
US20200194120A1 (en) 2020-06-18
KR20210102308A (ko) 2021-08-19
TW202037390A (zh) 2020-10-16
TW202037389A (zh) 2020-10-16
AU2019396606A1 (en) 2021-07-15

Similar Documents

Publication Publication Date Title
TW202029928A (zh) 用於實質上非破壞性聲學刺激之可穿戴裝置之系統及方法