TWI678188B - 腦波檢測裝置 - Google Patents

腦波檢測裝置 Download PDF

Info

Publication number
TWI678188B
TWI678188B TW107117404A TW107117404A TWI678188B TW I678188 B TWI678188 B TW I678188B TW 107117404 A TW107117404 A TW 107117404A TW 107117404 A TW107117404 A TW 107117404A TW I678188 B TWI678188 B TW I678188B
Authority
TW
Taiwan
Prior art keywords
functional
visual
function
module
brain
Prior art date
Application number
TW107117404A
Other languages
English (en)
Other versions
TW201902419A (zh
Inventor
鍔 黃
Norden E. Huang
Original Assignee
艾德腦科技股份有限公司
Adaptive, Intelligent And Dynamic Brain Corporation (Aidbrain)
鍔 黃
Norden E. Huang
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 艾德腦科技股份有限公司, Adaptive, Intelligent And Dynamic Brain Corporation (Aidbrain), 鍔 黃, Norden E. Huang filed Critical 艾德腦科技股份有限公司
Publication of TW201902419A publication Critical patent/TW201902419A/zh
Application granted granted Critical
Publication of TWI678188B publication Critical patent/TWI678188B/zh

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
    • A61B5/02055—Simultaneously evaluating both cardiovascular condition and temperature
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/021—Measuring pressure in heart or blood vessels
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/026—Measuring blood flow
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
    • A61B5/087—Measuring breath flow
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • 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
    • A61B5/242—Detecting biomagnetic fields, e.g. magnetic fields produced by bioelectric currents
    • A61B5/245—Detecting biomagnetic fields, e.g. magnetic fields produced by bioelectric currents specially adapted for magnetoencephalographic [MEG] signals
    • 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
    • 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
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/339—Displays specially adapted therefor
    • 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
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • 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]
    • A61B5/37—Intracranial electroencephalography [IC-EEG], e.g. electrocorticography [ECoG]
    • 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
    • A61B5/374—Detecting the frequency distribution of signals, e.g. detecting delta, theta, alpha, beta or gamma waves
    • 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]
    • A61B5/384—Recording apparatus or displays specially adapted therefor
    • 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
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Veterinary Medicine (AREA)
  • Cardiology (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Psychology (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Pulmonology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Vascular Medicine (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Neurosurgery (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Hematology (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

一種分析至少一腦之腦電活動的裝置。該裝置包括一視覺輸出模組，該視覺輸出模組根據由一分析模組所產生的複數個經分析數據組產出一視覺輸出空間；且可呈現一視覺輸出，其中該視覺輸出包括一第一軸、一第二軸和複數個由該第一軸和該第二軸定義的視覺元件，該第一軸代表調頻(frequency modulation；FM)，該第二軸代表調幅(amplitude modulation；AM)。每一視覺元素包括一累計訊號強度和該些經分析數據組。每一該些經分析數據組包括在一時間區間中蒐集的複數個經分析數據單位。

Description

腦波檢測裝置
本揭露與生理訊號之分析有關。更進一步地，本揭露和分析腦電活動有關。
腦功能足動態的，且和腦結構以及腦電活動有關。腦的結構性缺陷可被多種傳統醫學影像技術所偵測到，例如電腦斷層掃描(computed tomography；CT)、核磁共振(magnetic resonance imaging；MRI)、正子斷層造影(positron emission tomography；PET)和單光子電腦斷層掃描(single photon emission computed tomography；SPET)。無論如何，該些傳統醫學影像技術無法捕捉到腦功能之動態本質。再者，許多精神或心理狀態並沒有可供辨別的腦結構變化，這些狀態可能包括：憂鬱症(depression)、失眠(insomnia)、中度認知損傷(cognitive impairment)、阿茲海默症(Alzheimer’s disease)初期、注意力不足(ADHD)、和不同的麻醉(anesthesia)程度。
腦電波(electroencephalography；EEG)、腦磁波(magnetoencephalography；MEG)和腦皮層電波(electroencephalography；ECoG)可以用來量測腦電訊號，這些方法提供了腦功能的即時資訊，且在特定神經疾病 之診斷、預後、分期臨床或評估上扮演著重要角色。當腦皮層電波訊號的量測需要開顱手術(craniotomy)且其具侵入性時，同樣為監測腦電訊號的腦電波和腦磁波則為非侵入性且不昂貴的方法。然而，由於腦電波和腦磁波的非侵略性本質，他們有可能會被各種頭部或腦部的解剖結構所妨礙或干擾，例如頭骨各部位(硬質頭骨(skull compacta)或海棉質頭骨(skull spongiosa))、腦脊髓液(cerebral spinal fluid；CSF)、灰質(gray matter)和白質(white matter)的傳導性之變化。另一方面，腦皮層電波則較不會被頭部的解剖結構所干擾或打擾，因為腦皮層電波偵測時是直接在暴露的腦部表面上置放偵測模組以量測其電活動。
此外，腦電活動的非穩態(non-stationary)和非線性(non-linear)特質造成了訊號處理上的顯著障礙。用於腦電波、腦磁波或腦皮層電波訊號處理中的傳統訊號處理方法並沒有針對上述的障礙提供有效的解決方案。例如，傅立葉轉換(Fourier transformation)經常被用來分析線性和穩態之波訊號，例如光譜分析；然而，因其數學本質及機率分布特性，傅立葉轉換無法從非穩態和非線性波訊號中提供有意義的視覺產出。
全像希爾伯特頻譜分析(Holo-Hilbert spectral analysis；HOSA)為一視覺化非穩態和非線性波的工具。HOSA的數學原理已經彙整於Huang et al(Huang,N.E.,Hu,K.,Yang,A.C.,Chang,H.C.,Jia,D.,Liang,W.K.,Yeh,J.R.,Kao,C.L.,Juan,C.H.,Peng,C.K.and Meijer,J.H.(2016),On Holo-Hilbert spectral analysis：a full informational spectral representation for nonlinear and non-stationary data.Phil.Trans.R.Soc.A,374(2065))。當分析非穩態和非線性波時，HOSA採用了某些希爾伯特-黃轉換(Hilbert-Huang)中的數學原理。然而，目前HOSA尚未應用在腦電活動分析的領域中。
由於缺少適當的訊號處理工具，除了目前可取得的演算法和具軟體嵌入的儀器外，與腦電活動有關的數據經常需由受訓過的專業人士分析。例如，腦電波數據的量和複雜度極大，因為腦電波訊號是由頭上的數個腦電波電及所產生，且會被頭部的若干解剖結構妨礙或干擾。。
從腦電活動的非穩態和非線性本質，以及其複雜度與量來看，目前亟需一種有效且直覺的方法以分析並視覺化腦電波和腦磁波。
為使圖式簡明清楚，因此不同圖式中代表相對應元件之符號可能會重複。另外為了使實施例可被完整地理解，本說明書也針對各實施例中的諸多細節進行說明。然而，本技術領域中具有通常技藝之人也可不需上述諸多細節就可實施以下各實施例。本揭露之圖式並不代表部分元件之尺寸和比例，且有可能會將部分元件誇大表示以更佳地說明該元件相關之細節和特徵。本說明書之目的並非限制以下實施例之內容。
本揭露的目的為提供以HOSA作為基礎且用來分析腦電活動的裝置。
本揭露的另一目的為提供一種或多種呈現腦電波(electroencephalography；EEG)、腦磁波(magnetoencephalography；MEG)和腦皮層電波(electrocorticography；ECoG)的視覺輸出。
本揭露的另一目的為提供一種裝置，其可呈現一種或多種腦電波、腦磁波和腦皮層電波訊號的振幅-時間圖表。
本揭露的另一目的為提供一種或多種呈現異常腦電波、腦磁波和 腦皮層電波訊號的視覺輸出。
本揭露的另一目的為提供HOSA在診斷神經疾病上的應用。
本揭露的一種實施例提供了一種能夠在電腦可讀媒介中實施之非暫態電腦程式產物(non-transitory computer program product)。當該非暫態電腦程式產物被一種或多種分析模組執行時可提供呈現至少一腦之腦電活動的一種視覺輸出。該非暫態電腦程式產物包括代表調頻(frequency modulation；FM)的一第一軸、代表調幅(amplitude modulation；AM)的一第二軸；和複數個視覺元素，每一該視覺元素由該第一軸和該第二軸所定義，且每一該視覺元素包括一累計訊號強度和一時間區間中所獲得的複數個經分析數據單位。每一該經分析數據單位包括一第一座標、一第二座標和一訊號強度值。該第一座標為由一初級本質模組函數(primary intrinsic mode function；primary IMF)轉換而來的一調頻(FM)函數的一自變數。該第二座標為由一次級本質模組函數(secondary intrinsic mode function；secondary IMF)轉換而來的一調幅(AM)函數的一自變數。每一該初級本質模組函數是由一經驗模態分解法(empirical mode decomposition；EMD)從複數個電活動訊號中產出，且每一該次級本質模組函數是由一經驗模態分解法從該初級本質模組函數中產出，且該累計訊號強度為每一該經分析數據單位的訊號強度值的一積分。
在一較佳的實施例中，該第一軸為調頻(FM)的一對數尺度(logarithmic scale)，該第二軸可為調幅(AM)的一對數尺度，該第一座標為該調頻(FM)函數的該自變數的一對數值(logarithmic value)且該第二座標為該調幅(AM)函數的該自變數的一對數值。
在一較佳的實施例中，該些經分析數據單位是由腦電波 (electroencephalography；EEG)、腦磁波(magnetoencephalography；MEG)和腦皮層電波(electroencephalography；ECoG)產出。
在一較佳的實施例中，該些視覺元素為功能性腦電波表面構形圖(functional electroencephalotopography；fEEToPG)或功能性腦電波斷層圖(functional electroencephalotomography；fEEToMG)。
在一較佳的實施例中，每一該視覺元素更包括一界線以定義一解剖圖，且當該些視覺元素為功能性腦電波表面構形圖時，該解剖圖為該腦的一二維圖。
在一較佳的實施例中，每一該視覺元素更包括一界線以定義一解剖圖，且當該些視覺元素為功能性腦電波斷層圖時，該解剖圖為該腦的一三維圖。
在一較佳的實施例中，該視覺元素更包括一個或多個位於該界線內之偵測單位ID，且每一該偵測單位ID具有一該累計訊號強度。
在一較佳的實施例中，該視覺元素更包括複數個中間區域位於該界線內且介於多個偵測單位ID之間，且每一該中間區域具有一模擬訊號強度值。
在一較佳的實施例中，該在每一該視覺元素中的該累計訊號強度是由色階、灰階圖、多條曲線或多種網點所表示。
本揭露的一種實施例提供了一種能夠在電腦可讀媒介中實施之非暫態電腦程式產物。當該非暫態電腦程式產物被一種或多種分析模組執行時可提供至少二個視覺輸出之間的統計相關性。該非暫態電腦程式產物包括代表調頻(FM)的一第一軸、代表調幅(AM)的一第二軸；和複數個視覺元素。每一該視覺元素由該第一軸和該第二軸所定義，且每一該視覺元素包括一機率值(probability)以量化其他視覺輸出之間的統計顯著性。每一該視覺輸出包括複數 個在一時間區間中的經分析數據單位，每一經分析數據單位包括一第一座標、一第二座標和一訊號強度值。該第一座標為由一初級本質模組函數轉換而來的一調頻(FM)函數的一自變數。該第二座標為由一次級本質模組函數轉換而來的一調幅(AM)函數的一自變數。每一該初級本質模組函數是由一經驗模態分解法從複數個電活動訊號中產出，且每一該次級本質模組函數是由一經驗模態分解法從該初級本質模組函數中產出。該累計訊號強度為每一該經分析數據單位的訊號強度值的一積分。
在一較佳的實施例中，該用來量化統計顯著性之機率值為一P值(P-value)。
本揭露的一種實施例提供了一種分析至少一腦之電活動的裝置。該裝置包括一偵測模組以偵測該腦電活動、一傳輸模組以接收由該偵測模組得到的電活動訊號且將該些電活動訊號傳送至一分析模組、一分析模組以由該些電活動產生複數個經分析數據組，和一視覺輸出模組以根據該些經分析數據組產生一視覺輸出空間且顯示一視覺輸出。該視覺輸出包括一第一軸代表調頻(FM)、一第二軸代表調幅(AM)以及由該第一軸和該第二軸所定義的複數個視覺元素。每一該視覺元素包括一累計訊號強度和該些經分析數據組。每一該經分析數據組包括在一時間區間中所獲得的複數個經分析數據單位。每一該經分析數據單位包括一第一座標、一第二座標和一訊號強度值，該第一座標為一調頻(FM)函數的一自變數且該第二座標為一調幅(AM)函數的另一自變數，且該累計訊號強度為每一該經分析數據單位的訊號強度值的一積分。
在一較佳的實施例中，該裝置更包括一非暫態電腦程式產品以呈現該腦電活動，其中該非暫態電腦程式包括多組指令，當該些指令被該分析模組 執行時將使該分析模組執行以下的動作，包括：1)對該些電活動訊號執行經驗模態分解法以產生一組初級本質模組函數；2)對該組初級本質模組函數執行經驗模態分解法以產生一組次級本質模組函數；3)轉換該組初級本質模組函數以產生調頻(FM)函數且轉換該組次級本質模組函數以產生調幅(AM)函數；4)結合該些調頻(FM)函數和該些調幅(AM)函數以產生複數個經分析數據組。
本揭露的一種實施例提供了一種分析至少一腦之電活動的裝置。該裝置包括一分析模組以產生一組機率值以量化至少二個視覺輸出之間的統計顯著性。每一該視覺輸出包括複數個在一時間區間中所獲得的經分析數據單位，每一該經分析數據單位包括一第一座標、一第二座標和一訊號強度值。該第一座標為由一初級本質模組函數轉換而來的一調頻(FM)函數的一自變數。該第二座標為由一次級本質模組函數轉換而來的一調幅(AM)函數的一自變數。每一該初級本質模組函數是由一經驗模態分解法從複數個電活動訊號中產出，且每一該次級本質模組函數是由一經驗模態分解法從該初級本質模組函數中產出，且該累計訊號強度為每一該經分析數據單位的訊號強度值的一積分。該裝置更包括一視覺輸出模組以根據該組機率值產生一視覺輸出空間，且顯示一視覺輸出，其中該視覺輸出包括一第一軸代表調頻(FM)、一第二軸代表調幅(AM)以及由該第一軸和該第二軸所定義的複數個視覺元素。每一該視覺元素包括一機率值以量化其他視覺輸出之間的統計顯著性。
一視覺輸出模組以根據該組機率值產生一視覺輸出空間，且顯示一視覺輸出，其中該視覺輸出包括一第一軸代表調頻(frequency modulation；FM)，一第二軸代表調幅(amplitude modulation；AM)以及由該第一軸和該第二軸所定義的複數個視覺元素，且每一該視覺元素包括一機率值以量化其他視覺輸出之 間的統計顯著性。
以下就本揭露中的數個名詞定義進行說明。
「連結」指的是元件之間相互連接，無論是直接地連接或藉由元件干涉而間接地連接，且不限於物理上的連接。該連接可為物件之間的永久連接或是可拆卸地連接。「包括」係指開放式之連接詞或元件間關係。
根據本揭露的一種或多種實施例，圖1為一種分析腦電活動裝置的示意圖。該裝置1包括一偵測模組10、一傳輸模組20、一分析模組30和一視覺輸出模組40。該裝置1被設定為可偵測腦電活動，可分析該些訊號且能以圖像化方式顯示該經分析之結果。該腦電活動可被腦電波、腦磁波或腦皮質電波代表。該裝置1也可更包括其他電子元件或模組以增進效能或改進使用者體驗。例如，該裝置1可包括一放大器模組或濾波器模組以在特定頻寬增加訊號強度、降低環境干擾雜訊或基線飄移(baseline wandering)的手段，增強訊號雜訊比(signal to noise ratio)。例如，該裝置1可包括一類比-數位轉換器(ADC)進行訊號數位化。例如，該裝置1也可進一步地包括一儲存模組以儲存該數位化訊號或儲存經分析數據。在一實例中，該偵測模組10可更包括一數據取得模組，該數據取得模組可執行該放大器模組、該類比-數位轉換器和該儲存模組之功能。更進一步地，該裝置1也可包括一使用者輸入模組讓使用者可控制該裝置1，例如一鍵盤、一滑鼠、一觸控螢幕或一聲控裝置。
該偵測模組10被設定為可接收腦電活動且轉換該腦電活動為電訊號。該偵測模組10可為用來轉換腦電活動為電訊號的一種或多種傳感器(transducer)或一血壓計。該腦電活動為神經傳導過程中的極化(polarization)和再極化(repolarization)過程中的動態變化。當一傳感器用於頭上的一區域時，該 傳感器就可偵測該遠場效應(far field effect)之總和。該傳感器可為雙電位(bipotential)電極以感測多個電位或一電磁傳感器以偵測磁場。一接地電極可和該雙電位電極搭配以量測電位差且可使用一參考電極降低雜訊。該偵測模組10也可用於頭骨之表面以偵測腦電波或用於皮質腦之表面以偵測腦皮質電波。在一實例中，該偵測模組10也可包括一列以10-20系統排列或以其他更高解析度方式排列的傳感器。該雙電位電極可為濕電極(以生理食鹽水或導電膠處理)或乾電極。
該偵測模組10更可包括一數據獲取模組。該數據獲取模組可指示一取樣頻率已決定在相鄰的數據點之間的時間區間。該已偵測訊號可以電位的型態(較佳的是以伏特(voltage)作為量測單位)加上相應之時間序列，被一數據獲取模組取得或儲存。
該傳輸模組20被設定為可由該偵測模組10中接收該電極訊號且將該些訊號傳送至該分析模組30。該傳輸模組20可為有線或無線傳輸模組。該有線傳輸模組20也可包括一電性傳導材料直接傳遞該訊號至該分析模組30或至該儲存模組以隨後進一步被該分析模組30處理。該已偵測訊號可儲存於一行動裝置、穿戴裝置或無線傳輸至一數據處理站，該無線傳輸方式可為RF發送器(RF transmitter)、藍芽(Bluetooth)、Wifi或網際網路。該行動裝置可為一智慧型手機、一平板電腦或一筆記型電腦。該穿戴裝置可為一具有處理器的腕帶、一具有處理器的頭帶、一具有處理器的衣物或一智慧型手錶。該裝置1中的各個模組可皆位在一設備之中且和彼此有電性連結，或也可彼此位置分散且由有線或無線通訊網路的方式連結。
該分析模組30被設定為可藉由一系列步驟處理該訊號。該分析模 組30可為單一的微處理器，例如一通用中央處理器(general purpose central processing unit)、一專用指令處理器(application specific instruction set processor)、一圖形處理單元(graphic processing unit)、一現場可程式閘陣列(field programmable gate array；FPGA)、一複合可程式邏輯裝置(complex programmable logic device)或一數位訊號處理器(digital signal processor)。該分析模組30可在一電腦可讀媒介中實施之一非暫態電腦程式產品。該分析模組30也可包括多個微處理器或處理單元以執行該於電腦可讀媒介中實施之非暫態電腦程式產品，以在整個分析過程中執行各個不同的功能。
該視覺輸出模組40被設定為顯示由該分析模組30所產生的資訊之圖像化結果。該視覺輸出模組40可為一投影機、一螢幕或一印表機以輸出該分析結果。在一實例中，該分析結果為具有圖像化表現的一視覺輸出，且可以被該視覺輸出模組40所顯示於一彩色螢幕上、印出至紙上或電子檔案中或顯示於一灰階螢幕上。
請見圖2，本揭露的一種或多種實施例提供了一種分析腦電活動的流程圖。可包括以下所述步驟：S21偵測該腦電活動並將其轉為已偵測訊號，S22對該已偵測訊號執行經驗模態分解法以得到一組初級本質模組函數，S23a建立對應於該本質模組函數的包絡函數(envelope function)，S24執行該經驗模態分解法於該些包絡函數上以得到一組次級本質模組函數，S23b轉換該複數個初級本質模組函數以得到複數個調頻(FM)函數，S25轉換該複數個次級本質模組函數以得到複數個調幅(AM)函數，S26根據該調頻(FM)函數和該調幅(AM)函數產出數據組，S27產出一視覺輸出空間。S22的該經驗模態分解法可為完全集體經驗模態分解法(complete ensemble empirical mode decomposition；CEEMD)、集 體經驗模態分解法(ensemble EMD；EEMD)、遮罩經驗模態分解法(masking EMD)、增強經驗模態分解法(enhanced EMD)、多變量經驗模態分解法(multivariate EMD；MEMD)、雜訊輔助多變量經驗模態分解法(noise-assisted multivariate EMD；NA-MEMD)。該S23b和S25中的轉換可為希爾伯特轉換(Hilbert transform)、直接正交法(Direct quadrature)、反三角函數(inverse trigonometric function)或通用零相交法(generalized zero-crossing)。
根據本揭露的一種或多種實施例，該步驟S22、S23a、S23b和S25進一步地由圖3A至圖3F說明。該些已偵測訊號逐步轉換或解構為多個初級本質模組函數、次級本質模組函數、包絡函數、調幅(AM)函數和調頻(FM)函數。
請見圖3A，本揭露的一種或多種實施例提供了複數個將用於已偵測訊號之經驗模態分解法。該已偵測訊號經由該些經驗模態分解法轉換為一組初級本質模組函數。在圖3A中的該複數個經驗模態分解法對應到圖2的S22。該經驗模態分解法包括了一系列的篩選過程(sifting process)以解構一訊號成為一組本質模組函數。例如，複數個初級本質模組函數可由該已偵測訊號經由經驗模態分解法產出。一篩選過程由該已偵測訊號產生本質函數(intrinsic function)。例如，一第一篩選過程從該已偵測訊號31產出一第一初級本質模組函數31a；一第二篩選過程從該第一初級本質模組函數31a產出一第二初級本質模組函數31b；一第三篩選過程從該第二初級本質模組函數31b產出一第三初級本質模組函數31c；一第m篩選過程從該第(m-1)初級本質模組函數31m產出一第m初級本質模組函數31n。篩選過程的數量是由其停止執行條件所決定，而該停止執行條件是由該第m初級本質模組函數31n的訊號衰減或變數所決定。
更進一步地，該經驗模態分解法包括在各個篩選過程中以遮罩程序(masking procedure)或添加不同量級的雜訊(同一雜訊偶數對的正值或負值)解決模態混合所產生的問題。該經驗模態分解法也可以由總體函數(ensemble)技巧達成。
請見圖3B，本揭露的一種或多種實施例提供了複數個執行內插法(interpolation)的過程。圖3B中的內插法對應到圖2中的S23a。一包絡函數為在多個已偵測訊號上執行內插法所產生的內插函數。較佳地，該包絡函數將已偵測訊號之絕對值函數的局部極大值(local extrema)連結起來。該內插法的成果也可藉由線性內插法、多項式內插法(polynomial interpolation)、三角函數內插法(trignometic interpolation)或樣條內插法(spline interpolation)等方式達成。在圖3B中的該些包絡函數是由圖3A中的本質模組函數經內插後而產生。一第一包絡函數32a可由一第一初級本質模組函數31a產生；一第二包絡函數32b可由一第二初級本質模組函數31b產生；一第三包絡函數32c可由一第三初級本質模組函數31c產生；一第(m-1)包絡函數32m可由一第(m-1)初級本質模組函數31m產生；一第m包絡函數32n可由一第n初級本質模組函數31n產生。
請見圖3C，本揭露的一種或多種實施例提供了複數個經驗模態分解法。該複數組的次級本質模組函數是從該包絡函數藉由經驗模態分解法而產出。在圖3C中的該經驗模態分解法對應到圖2中的S24。該第一組次級本質模組函數組33a是由第一包絡函數32a所產出；該第二組次級本質模組函數組33b是由第二包絡函數32b所產出；該第(m-1)組次級本質模組函數組33m是由第(m-1)包絡函數32m所產出；該第m組的次級本質模組函數組33n是由第m包絡函數32n所產出。
請見圖3D，本揭露的一種或多種實施例提供了複數組次級本質模組函數。該第m包絡函數32n、第m組次級本質模組函數組33n和該些包含在第m組次級本質模組函數組33n中的多個次級本質模組函數皆可見於圖3D。圖3B中的該第m包絡函數32n包括：屬於第m組次級本質模組函數組33n的第一次級本質模組函數34a、屬於第m組次級本質模組函數組33n的第二次級本質模組函數34b、屬於第m組次級本質模組函數組33n的第三次級本質模組函數34c、屬於第m組次級本質模組函數組33n的第(n-1)次級本質模組函數34m和屬於第m組次級本質模組函數組33n的第n次級本質模組函數34n。因此，在圖3D中本質模組函數的數量為：m個次級本質模組函數乘上n組次級本質模組函數組。
請見圖3E和圖3F，本揭露的一種或多種實施例提供了一系列轉換過程。該轉換過程為將一函數由實域(real domain)轉換為複數域(complex domain)。該轉換過程包括至少一轉換函數和一複數對應函數(complex pair function)的形成。該轉換函數可為一希爾伯特轉換、一直接正交-零轉換(direct-quadrature-zero transform)、一反三角函數轉換、一通用零相交法轉換。該複數對應函數之形成，是將該函數之實域部分和該複數對應函數的虛域部分(imaginary part)相結合。
在圖3E中，該些調頻(FM)函數為多個複數對應函數且從初級本質模組函數經一適當的轉換過程所產生。該圖3E中的轉換過程對應到圖2中的S23b。該第一初級本質模組函數31a經該轉換函數轉換為一第一調頻(FM)函數35a、該第二初級本質模組函數31b經該轉換函數轉換為一第二調頻(FM)函數35b、該第三初級本質模組函數31c經該轉換函數轉換為一第三調頻(FM)函數35c以及該第m初級本質模組函數31n經該轉換函數轉換為一第m調頻(FM)函數 35n。
在圖3F中，該些調幅(AM)函數為多個複數對應函數且從次級本質模組函數經一系列轉換過程所產生。該圖3F中的轉換過程對應到圖2中的S25。該屬於第一組次級本質模組函數組的第一次級本質模組函數34d可經該轉換過程轉換為一(1,1)調幅(AM)函數36d、該屬於第一組次級本質模組函數的第二次級本質模組函數34e可經該轉換過程轉換為一(1,2)調幅(AM)函數4036e...而該屬於第一組次級本質模組函數的第n次級本質模組函數34k可經該轉換過程轉換為一(1,n)調幅(AM)函數36k。更進一步地，該屬於第m組次級本質模組函數的第n次級本質模組函數34n可經該轉換過程轉換為一(m,n)調幅(AM)函數36n。
請見圖4，本揭露的一種或多種實施例提供了一種經分析數據單位中的多個元件。在圖4中，該經分析數據單位41包括一時間區間42、一第一座標43、一第二座標44和一訊號強度值45。在一實施例中，該時間區間42為當該偵測模組偵測到該生理訊號時的一時間區間，該第一座標43代表一以頻率(Hz)為單位量測之調頻(FM)瞬時頻率(instantaneous frequency)而該第二座標44代表一以頻率為單位量測之調幅(AM)瞬時速率。該訊號強度值45可代表以電位差(伏特)或電流(安培)量測之訊號幅度，或為每單位時間內的能量強度(瓦特)。對該時間區間內的每一經分析數據單位來說，該第一座軸43可為圖3E中該第m調頻(FM)函數35n在該相應時間區間中的自變數，該第二座標44可為圖3F中該(m,n)調幅(AM)函數36n在該相應時間區間中的自變數，該訊號強度值45為該包絡函數在該相應時間區間中的值。較佳地，該第二座標44大於該第一座標43。
見圖5，為根據本揭露的一種或多種實施例所提供了一種視覺輸出示意圖，該視覺輸出是由複數個經分析單位所形成。在圖5中，一視覺輸出5包 括一第一軸53、一第二軸54和複數個其他視覺元素51a至51f。該第一軸53可為調頻(FM)的一頻率尺度(frequency scale)或調頻(FM)的對數尺度。該第二軸54可為調幅(AM)的一頻率尺度或調幅(AM)的對數尺度。每一視覺元素51a至51f包括一經分析數據組以及一累計訊號強度。每一經分析數據組為複數個經分析數據單位的一積分，因此每一該視覺元素51a至51f包括在一時間區間中在特定調幅(AM)頻率和特定調頻(FM)頻率範圍內的複數個經分析單位。每一該視覺元素51a至51f的該累計訊號強度為每一經分析數據單位之訊號強度的一積分。例如，該視覺元素51e的累計訊號強度為該經分析數據單位a 52a、該經分析數據單位b 52b、該經分析數據單位c 52c和該經分析數據單位d 52d的積分。該累計訊號強度可由色階、點分佈圖、灰階圖或多種網點所表示，其中不同顏色、點密度、灰階或網點能代表不同的累計訊號強度值(未顯示於圖中)。圖1中的該視覺輸出模組40可根據該些經分析數據組形成一視覺輸出空間並顯示該視覺輸出5。
一修勻過程(smoothing process)可用於該視覺輸出空間中的該些具有稀疏矩陣數據單位(sparse data units)之視覺元素。例如，該修勻過程可為巴氏濾波器(Butterworth filter)、指數式勻滑(exponential smoothing)、卡門濾波器(Kalman filter)、核心式勻滑(Kernal smoother)、拉普拉斯勻滑(Laplacian smoothing)、移動平均(moving average)或其他影像勻滑方法。
依據圖2、圖3A至3F和圖5中所述的原理和轉換過程，圖6A至6D、圖7、圖8、圖9、圖10和附件1提供了複數個由已偵測生理訊號衍生而來的實施例。
依據本揭露的一種或多種實施例，圖6A至6D提供了該已偵測訊號和該些由經驗模態分解法而產出的本質模組函數。在某些實施例中，圖6A至6D為由該已偵測生理訊號而來的間接產出。在圖6A中，該已偵測訊號以已偵測 數據組方式儲存且依時間次序分佈。圖6B顯示了複數個由已偵測訊號且由經驗模態分解法而產出的初級本質模組函數。圖6C顯示了該第一包絡函數所產出的第一組次級本質模組函數。圖6D顯示了該第二包絡函數所產出的第二組次級本質模組函數。
請見圖7，本揭露的一種或多種實施例提供了應用於經分析數據單位的一視覺輸出。該些經分析數據單位分佈於一三度空間中，該三度空間包括一調幅軸(AM axis)、一調頻軸(FM axis)和一時間軸。每一經分析數據單位也提供一訊號強度，但該訊號強度並未顯示於此視覺輸出之中。每一分佈點為一經分析數據單位。該些經分析數據單位在一時間區間內的一積分為一經分析數據組。
請見圖8，本揭露的一種或多種實施例提供了由圖8的點分佈圖所轉換的一熱圖(heat map)。該熱圖是一種視覺輸出的形式。該熱圖包括一調頻軸(FM axis)和一調幅軸。在一實施例中，每一視覺元素包括一經分析數據組和一累計訊號強度，該累計訊號強度為該些經分析數據單位之訊號強度在一時間區間中的一積分。換句話來說，圖7的時間軸在圖8中已被扣除。如圖8所示，該灰階圖代表了累計訊號強度，且不同層級的灰階和該些累計訊號強度成比例關係：一深灰色或黑色代表了其累計訊號強度最小、一被較深灰色包圍的較淺灰色代表其累計訊號強度居中、一被較淺灰色包圍的較深灰色代表其累計訊號強度最大。例如，一區域81為一0至0.3Hz調頻(FM)頻率和一0.01至0.02Hz調幅(AM)頻率所形成之一區域和一0至0.1Hz調頻(FM)頻率和一0至0.01Hz調幅(AM)頻率所形成之另一區域之組合。該區域81為一被淺深灰色包圍之較深灰色的一區域，因此在圖8中該區域81具有最大的累計訊號強度。相反地，在某些實施例的灰階圖中，也可使用一被較淺灰色包圍之較深灰色區域代表其累計訊號強度最 小，且也可使用一深灰色或黑色代表其累計訊號強度最大。
另外，在該熱圖中的該累計訊號強度也可被色階、點分佈圖、灰階圖或多種網點所表示。在一實施例的點分佈圖中，較高的點密度可代表其累計訊號強度較大，且較低的點密度可代表其累計訊號強度較小。在另一實施例的色階中，可使用藍色代表其累計訊號強度較小，綠色代表其累計訊號強度居中而黃色、橘色或紅色代表其累計訊號強度最大。該色階也可包括由一顏色至另一顏色的色彩過渡區，例如由藍色至綠色的色彩過渡區或由橘色至紅色的色彩過渡區。在另一實施例的網點中，具有越多網格的網點可代表其累計訊號強度越大，且具有越多點的網點可代表其累計訊號強度越小。相反地，該色階、點分佈圖、灰階圖或多種網點也可由不同顏色、點密度、多條曲線或多種網點代表不同意義，以其代表不同程度的累計訊號強度。
在該視覺輸出中，該點分佈圖中的點密度、灰階圖中的不同層級之灰、色階中不同顏色、曲線的密度和不同種網點都可代表該以分析數據單位之累計訊號強度，且他們也可代表累積訊號強度的一絕對或相對值。該視覺輸出空間也可以隨著滑動時間區間，而以動態方式呈現，因此該視覺輸出模組就不僅可將HOSA頻譜以圖像方式呈現，也可將該HOSA頻譜以影像方式呈現。
請見附件1和圖9，本揭露的一種或多種實施例提供了具有對數尺度調幅軸(AM axis)和調頻軸(FM axis)之經分析數據單位的多個視覺輸出。在附件1中，該X軸為一調頻(FM)的對數尺度，該Y軸為一調幅(AM)的對數尺度。附件1中的累計訊號強度是由彩色色階所表示，其和圖8中的灰階圖具有相似涵意。一區域91和另一區域92具有附件1中最大的累計訊號強度。該區域91大致位於Log 2 FM=0和Log 2 AM=-6至-4的位置，該區域92大致位於Log 2 FM=0至 5和Log 2 AM=-4至-2的位置。較佳地，由於該經驗模態分解法的二元(dyadic)特質，該對數尺度的底被設定為2。在圖9中，該HOSA頻譜可用多條曲線表示，其中較高密度的曲線代表較高的累積訊號強度。例如，在圖9中一區域93、一區域94和一區域95具有最大累積訊號強度。該區域93大致位於4Hz調幅(AM)頻率和8至16Hz調頻(FM)頻率處，該區域94大致位於2Hz調幅(AM)頻率和8至16調頻(FM)頻率處。該些曲線也可和點密度、色階或多種網點結合以代表不同層級的累計訊號強度。
請見圖10，本揭露的一種或多種實施例提供了另一種具有調幅軸(AM axis)和調頻軸(FM axis)且增強對比的視覺輸出。在圖10中的多個視覺元素，或該些塊體代表了一經分析數據單位和一參考數據單位之間的差異，因此圖10也可用來比較二個不同的視覺輸出，且一參考數據單位以及一經分析數據單位之相異處也可以色階、灰階圖、點分佈圖或不同網點所表示。圖10中的該些對比線可經由一標準化過程(normalization process)使其對齊一線性尺度或一分佈模型，例如常態分佈模型(normal distribution)。該參考數據單位可用來做為控制組數據，且也可由一標準數據單位或一長期數據單位(longitudinal data unit)產出。該標準數據單位是由一組特定個體所產出之多個經分析數據單位的平均值而來。例如，該組特定個體可為多位健康個體或多位沒有被確診特定疾病的個體。可使用標準化過程處理該個體數據以降低個體變異度。該長期數據單位為一實驗組，且也可由同一個體先前所產生的經分析數據單位而來。在某些實施例中，可根據該二組數據組計算Z分數(z-score)或T分數(t-score)。該裝置也可更進一步地產生一圖像，以呈現該經分析數據單位在一分佈模型中的位置。
圖10中的該些視覺元素也可用來代表一經分析數據組和一累計 訊號強度，此時該累計訊號強度就可由色階、灰階圖、點分佈圖或不同網點所表示。
由該腦電活動而來的該經分析數據組之該視覺輸出可用來比較在不同組人、不同個體或同一個體中二種或更多種之狀態。該視覺輸出可為圖8中的熱圖、附件1和圖9中的調頻(FM)和調幅(AM)對數尺度圖或圖10中的非對數調幅-調頻(AM-FM)圖。可由以上圖表中辨別一種或多種特定疾病所呈現出的特定形態。該些特定形態可包括一疾病狀態、一健康狀態、一預後佳狀態、一預後差狀態或其他和診斷、預後、臨床評估或疾病分期有關之狀態。該些特定形態之間的比較也可用來辨別二組具有不同精神狀態的群體之不同處、二組罹患同一疾病但有不同疾病分期的群體之相異處、二組罹患同一疾病但有不同預後的群體之相異處、二個具有不同精神狀態的個體之相異處、二個罹患同一疾病但有不同疾病分期的個體之相異處、二個罹患同一疾病但有不同預後的個體之相異處或同一個體在不同時間區間時的狀態之不同。該針對不同特定形態之比對可用來建立一模型，對應到該疾病的診斷、預後、臨床評估或疾病分期。
一健康狀態可被定義為一個體或一組個體沒有被確診特定疾病。一疾病狀態可被定義為一個體或一組個體被確診特定疾病。該健康狀態和該疾病狀態可在不同時間區間內於同一個體中呈現，或在不同個體中呈現。
以下實施例將針對本揭露有更具體的敘述，該實施例之目的在於展示而不在於限制本揭露之內容。
1‧‧‧分析腦電活動裝置
5,12,16‧‧‧視覺輸出
10‧‧‧偵測模組
13,141,142,143,144,471‧‧‧腦斷層圖
20‧‧‧傳輸模組
30‧‧‧分析模組
31‧‧‧已偵測訊號
31a‧‧‧第一初級本質模組函數
31b‧‧‧第二初級本質模組函數
31c‧‧‧第三初級本質模組函數
31m‧‧‧第(m-1)初級本質模組函數
31n‧‧‧第m初級本質模組函數
32a‧‧‧第一包絡函數
32b‧‧‧第二包絡函數
32c‧‧‧第三包絡函數
32m‧‧‧第(m-1)包絡函數
32n‧‧‧第m包絡函數
33a‧‧‧第一組次級本質模組函數組
33b‧‧‧第二組次級本質模組函數組
33c‧‧‧第三組次級本質模組函數組
33m‧‧‧第(m-1)組次級本質模組函數組
33n‧‧‧第m組次級本質模組函數組
34a‧‧‧屬於第m組次級本質模組函數組33n的第一次級本質模組函數
34b‧‧‧屬於第m組次級本質模組函數組33n的第二次級本質模組函數
34c‧‧‧屬於第m組次級本質模組函數組33n的第三次級本質模組函數
34d‧‧‧屬於第一組次級本質模組函數組32a的第一次級本質模組函數
34e‧‧‧屬於第一組次級本質模組函數組33a的第二次級本質模組函數
34k‧‧‧屬於第一組次級本質模組函數組32a的第n次級本質模組函數
34m‧‧‧屬於第m組次級本質模組函數組33n的第(n-1)次級本質模組函數
34n‧‧‧屬於第m組次級本質模組函數組33n的第n次級本質模組函數
35a‧‧‧第一調頻(FM)函數
35b‧‧‧第二調頻(FM)函數
35c‧‧‧第三調頻(FM)函數
35n‧‧‧第m調頻(FM)函數
36d‧‧‧(1,1)調幅(AM)函數
36e‧‧‧(1,2)調幅(AM)函數
36k‧‧‧(1,n)調幅(AM)函數
36n‧‧‧(m,n)調幅(AM)函數
40‧‧‧視覺輸出模組
41‧‧‧經分析數據單位
42‧‧‧時間區間
43‧‧‧第一座標
44‧‧‧第二座標
45‧‧‧訊號強度值
51a,51b,51c,51d,51e,51f,341‧‧‧視覺元素
52a‧‧‧經分析數據單位a
52b‧‧‧經分析數據單位b
52c‧‧‧經分析數據單位c
52d‧‧‧經分析數據單位d
81,91,92,93,94,95,111,112,113,114,131,1411,1421,1431,211,212,241,291a,291b,292,293,294,295,296,331,401,402,403,411,412,431,432,433,434,441,442,451,452,453,454‧‧‧區域
151,152,153‧‧‧位置
281a,282a,283a,284a,285a,286a,281b,282b,283b,284b,285b‧‧‧高原期
本說明將可由以下之敘述配合附圖以更佳地理解，其中： 圖1為符合本揭露的一種實施例中，一種分析腦電活動裝置的示意圖。
圖2為符合本揭露的一種實施例中，一種分析腦電活動的流程圖。
圖3A為符合本揭露的一種實施例中，一種將已偵測訊號轉換為初級本質模組函數(primary intrinsic mode function；primary IMF)的流程圖。
圖3B為符合本揭露的一種實施例中，一種內插法(interpolation)的流程圖。
圖3C為符合本揭露的一種實施例之經驗模態分解法(empirical mode decomposition；EMD)過程的流程圖。
圖3D為符合本揭露的一種實施例中，由包絡函數(envelope function)產出的次級本質模組函數(secondary intrinsic mode function；secondaryIMF)的流程圖。
圖3E為符合本揭露的一種實施例中，由初級本質模組函數轉換為調頻(frequency modulation；FM)函數的流程圖。
圖3F為符合本揭露的一種實施例中，由次級本質模組函數轉換為調幅(amplitude modulation；AM)函數的流程圖。
圖4為符合本揭露的一種實施例中，一種經分析數據單位的示意圖。
圖5為符合本揭露的一種實施例中，包含複數個經分析數據組之一種視覺輸出(visual output)的示意圖。
圖6A為符合本揭露的一種實施例中，經修飾過的已偵測訊號之一種振幅-時間圖表。
圖6B、圖6C和圖6D為符合本揭露的一種實施例中，經本質模組函數修飾過的圖表。
圖7為符合本揭露的一種實施例中，包含複數個經分析數據組之一種點分佈圖。
圖8為符合本揭露的一種實施例中，由圖7的點分佈圖轉換成的一種熱圖。
圖9為符合本揭露的一種實施例中，經修飾的經分析數據組之視覺輸出。
圖10為符合本揭露的一種實施例中，經修飾且強化對比的一種經分析數據組之視覺輸出。
圖11為符合本揭露的一種實施例中，包括一腦表面構形圖(topography)的功能性腦電波表面構形圖(functional electroencephalotopography；fEEToPG)之一種視覺輸出。
圖12為符合本揭露的一種實施例中，包括複數個腦表面構形圖的功能性腦電波表面構形圖的一種視覺輸出。
圖13為符合本揭露的一種實施例中，包括一腦斷層圖(tomography)的功能性腦電波斷層圖(functional electroencephalotomography；fEEToMG)之一種經修飾視覺輸出。
圖14A、圖14B、圖14C和圖14D為符合本揭露的一種實施例中，功能性腦電波斷層圖的數個經修飾視覺輸出。
圖15A、圖15B和圖15C為符合本揭露的一種實施例中，和HOSA法產出之腦斷層圖合併的數個經修飾核磁共振(MRI)影像。
圖16為符合本揭露的一種實施例中功能性腦電波斷層圖的一種視覺輸出，該視覺輸出包括複數個腦斷層圖。
圖17A、圖17B和圖17C為符合本揭露的一種實施例中，目的為偵測或診斷失智症(dementia)的功能性腦電波圖(fEEG)的數個經修飾視覺輸出。
圖18A、圖18B和圖18C為符合本揭露的一種實施例中，目的為偵測或診斷失智症的功能性腦電波圖的數個經修飾視覺輸出。
圖19A和圖19B為符合本揭露的一種實施例中，目的為比較具有不同臨床失智症評等(CDR)之不同個體的功能性腦電波圖的數個經修飾視覺輸出。
圖20A和圖20B為符合本揭露的一種實施例中，目的為偵測或診斷杭丁頓舞蹈症(Huntington’s Disease；HD)的功能性腦波圖的數個經修飾視覺輸出。
圖21A和圖21B為符合本揭露的一種實施例中，目的為偵測或診斷憂鬱症或情緒障礙的數個功能性腦波圖之數個經修飾視覺輸出。
圖22A和圖22B為符合本揭露的一種實施例中，目的為偵測或診斷偏頭痛(migraine headache)的數個功能性腦波圖之數個經修飾視覺輸出。
圖23A和圖23B為符合本揭露的一種實施例中，可建立功能性腦電波圖和頭痛頻率關聯度之數個功能性腦波圖之數個經修飾視覺輸出。
圖24A、圖24B和圖24C為符合本揭露的一種實施例中，目的為評估對偏頭痛治療之反應性的數個功能性腦波圖之數個經修飾視覺輸出。
圖25A、圖25B、圖25C和圖25D為符合本揭露的一種實施例中，目的為評估或監控麻醉深度(anesthesia depth)的數個功能性腦波圖之數個視覺輸出。
圖26A、圖26B、圖26C和圖26D為符合本揭露的一種實施例中，目的為評估或監控麻醉深度的數個功能性腦波圖之數個視覺輸出。
圖27為符合本揭露的一種實施例中，雙頻譜指數(Bispectral Index；BIS)和調幅(AM)在數個功能性腦電波圖的調頻(FM)之不同頻率上的一種關係圖。
圖28為符合本揭露的一種實施例中，一個體的睡眠圖(hynograph)。
圖29A、圖29B、圖29C、圖29D、圖29E和圖29F為符合本揭露的一種實施例中，對應到不同清醒期的數個功能性腦電波圖之數個經修飾視覺輸出。
圖30A、圖30B、圖30C、圖30D、圖30E和圖30F為符合本揭露的一種實施例中，對應到不同快速動眼期(REM)的數個功能性腦波圖之數個視覺輸出。
圖31A和圖31B為符合本揭露的一種實施例中，目的為評估或監控失眠(insomnia)的數個功能性腦電波圖之數個視覺輸出。
圖32A、圖32B和圖32C為符合本揭露的一種實施例中，目的為評估或監控失眠的數個功能性腦波圖之數個視覺輸出。
圖33為符合本揭露的一種實施例中，目的為偵測或診斷帕金森氏症(Parkinson’s Disease；PD)的數個功能性腦波圖之數個經修飾視覺輸出。
圖34A和圖34B為符合本揭露的一種實施例中數個功能性腦電波表面構形圖之數個視覺輸出，該視覺輸出包括複數個腦之表面構形圖圖35A、圖35B和圖35C為符合本揭露的一種實施例中，包括複數個腦之構形圖的數個功能性腦電波表面構形圖之數個視覺輸出，該視覺輸出包括複數個腦之表面構形圖。
圖35D為符合本揭露的一種實施例中，目的為描述一功能性腦電波表面構形圖應用的經修飾之接收器操作器特徵曲線(receiver operating curve；ROC)。
圖36A和圖36C為符合本揭露的一種實施例中，數個功能性腦電波圖的數個經修飾視覺輸出。
圖36B和圖36D為符合本揭露的一種實施例中，目的為評估阿茲海默症(Alzheimer’s Disease；AD)疾病進程的數個功能性腦電波表面構型圖之數個視覺輸出。
圖37A、圖37B和圖37C為符合本揭露的一種實施例中，目的為偵測或診斷杭丁頓舞蹈症，數個功能性腦電波表面構形圖之數個視覺輸出，該視覺輸出包括複數個腦之表面構形圖。
圖38為符合本揭露的一種實施例中，目的為偵測或診斷杭丁頓舞蹈症的功能性腦電波圖之經修飾的功率比(power ratio)圖。
圖39A、圖39B和圖39C為符合本揭露的一種實施例中，目的為偵測或診斷憂鬱症或情緒障礙的數個功能性腦電波表面構形圖之數個視覺輸出，該視覺輸出包括複數個腦之表面構形圖。
圖40A、圖40B、圖40C、圖40D和圖40E為符合本揭露的一種實施例中，目的為偵測或診斷偏頭痛以及評估其患者對治療之反應的數個功能性腦電波表面構形圖之數個視覺輸出，該視覺輸出包括複數個腦表面構形圖。
圖41為符合本揭露的一種實施例中，目的為偵測或診斷帕金森氏症的數個功能性腦電波表面構形圖之數個經修飾視覺輸出，該視覺輸出包括複數個腦表面構形圖。
圖42A和圖42B為符合本揭露的一種實施例中，目的為偵測或診斷注意力不足(Attention Deficit Hyperactivity Disorder；ADHD)的數個功能性腦電波表面構形圖的數個視覺輸出，該視覺輸出包括複數個腦表面構形圖。
圖43A和圖43B為符合本揭露的一種實施例中，目的為評估阿茲海默症疾病進程的數個功能性腦電波斷層圖之數個經修飾視覺輸出，該是括複數個腦斷層圖。
圖44A和圖44B為符合本揭露的一種實施例中，目的為評估阿茲海默症疾病進程的數個功能性腦電波斷層圖之數個經修飾視覺輸出，該視覺輸出包括複數個腦斷層圖。
圖45A、圖45B和圖45C為符合本揭露的一種實施例中，目的為偵測或診斷杭丁頓舞蹈症的數個功能性腦電波斷層圖之數個經修飾視覺輸出，該視覺輸出包括複數個腦斷層圖。
圖46A、圖46B、圖46C、圖46D和圖46E為符合本揭露的一種實施例中，目的為偵測或診斷偏頭痛的數個功能性腦電波斷層圖之數個經修飾視覺輸出，該視覺輸出包括複數個腦斷層圖。
圖47為符合本揭露的一種實施例中，目的為偵測或診斷帕金森氏症的一種功能性腦電波斷層圖之數個經修飾視覺輸出，該視覺輸出包括複數個腦斷層圖。
圖48為符合本揭露的一種實施例中，目的為偵測或診斷帕金森氏症的一種功能性腦電波斷層圖之數個經修飾視覺輸出，該視覺輸出包括複數個腦斷層圖。
示例1：功能性腦電波表面構形圖(Functional Electroencephalotopography；fEEToPG)
請見圖11和圖12，本揭露的一種或多種實施例提供了功能性腦電波表面構形圖的數個視覺輸出。在一用於產生功能性腦電波表面構形圖的裝置之中，該偵測模組包括了能夠同時偵測頭骨上不同區域腦電活動的一偵測單位陣列。該偵測單位陣列可為具有一特殊排列方式的多個電極，其中該每一電極可取得相對應區域的一已偵測訊號。
該視覺化功能性腦電波表面構形圖的方法包括：以該偵測模組偵測該腦電活動；由複數個偵測單位產生複數個經分析數據組，且每一經分析數據組包括複數個經分析數據單位，而每一經分析數據單位更包括一偵測單位ID；於一二維解剖圖的界線內，在該些偵測單位之間的每一視覺元素上模擬訊號強度值，且由該些偵測單位ID產生一解剖圖。每一該偵測單位ID包括一偵測單位所對應到的區域的解剖學資訊。該些視覺元素為在該解剖圖的界線內的多個區域，且包括該些經分析數據單位之訊號強度。部分視覺元素代表了該偵測單位ID的位置，但其他部分的視覺元素為未被該些偵測單位ID所涵蓋或介於多個偵測單位ID之間的中間區域。該模擬過程可於該些不被偵測單位ID所涵蓋的中間區域決定多個模擬訊號強度值，且在數個偵測單位ID的累計訊號強度之間由內插法可得出該模擬過程。該些中間區域經常具有數個模擬訊號強度值，該些模擬訊號強度值為兩個相鄰的該偵測單位ID之累計訊號強度的過渡值。該解剖圖，或表面構形圖(topography)可為描述一二維腦結構且具有多個偵測單位之位置標記的一二維解剖圖。
根據本揭露的一種或多種實施例，圖11為根據HOSA法產生的一種表面構型圖之實例。在圖11中，該偵測模組為一10-20系統包括21個偵測單位，且在圖11中的每一偵測單位皆被標示。在一特定的調幅(amplitude modulation； AM)頻率和調頻(frequency modulation；FM)頻率之內，位於該些偵測單位上的每一視覺元素皆有一累計訊號強度值，且不被該偵測單位所涵蓋的每一視覺元素也有一模擬訊號強度值。該模擬過程決定了不被該些偵測單位所涵蓋或介於多個偵測單位之間的該些視覺元素之訊號強度值，且該模擬過程也可由多個來源定位(source localization)方法而得出。例如，獨立成分分析法(independent component analysis)或波束形成法(beam forming)皆可用於該模擬過程。在該表面構形圖11中的每一視覺元素包括一經分析數據單位的一累計訊號強度，或在一特定調幅(AM)和一調頻(FM)頻率之內的一模擬訊號強度。圖11中的該些累計訊號強度和該些模擬訊號強度是以不同層級的灰階表示：一深灰或黑色代表最小的訊號強度，被深灰包圍的一淺灰代表一居中的訊號強度，而被淺灰包圍的一深灰則代表最大的訊號強度。在圖11中，一區域111具有最大的訊號強度，而一區域112、113和114則具有最小的訊號強度。
根據本揭露的一種或多種實施例，圖12為該功能性腦波表面構形圖之一實例。圖12中該功能性腦波表面構形圖之該視覺輸出包括了在不同調幅(AM)頻率和調頻(FM)頻率之中的複數個表面構形圖。在圖12中，該X軸為一調頻(FM)頻率尺度而該Y軸為一調幅(AM)頻率尺度。在該視覺輸出12中的每一表面構形圖具有一調幅(AM)頻率和一調頻(FM)頻率，且是根據該該調幅(AM)軸和該調頻(FM)軸而分佈。在該視覺輸出12中的每一表面構形圖上的灰階代表不同的累計訊號強度或模擬訊號強度，且和圖11中的灰階具有類似涵義。該視覺輸出12代表在頭骨上不同位置上的不同調幅(AM)-調幅(FM)頻率中，有著各種累計訊號強度。
圖12中的該視覺輸出也可用於呈現從不同群體、個體或同一個體 在不同時間區間內所得到的兩組功能性腦電波表面構形圖之間的相異處。該些視覺元素也可包括T值(t-score)、Z值(z-score)或功率位準(power level)以指出在兩組功能性腦電波表面構形圖之間的相異處。該些相異處也可被各種色階、灰階、點密度圖或網點圖所呈現。
示例2：功能性腦電波斷層圖(Functional Electroencephalotomography；fEEToMG)
請見圖13至圖16，本揭露的一種或多種實施例提供了功能性腦電波斷層圖的數個視覺輸出。在一用於產生功能性腦電波斷層圖的裝置之中，該偵測模組包括了能夠同時偵測頭骨上不同區域腦電活動的一偵測單位陣列。該偵測單位陣列可為具有一特殊排列方式的多個電極，其中每一電極即可取得相對應區域的一已偵測訊號。
該視覺化功能性腦電波斷層圖的方法包括：以該偵測模組偵測該腦電活動；由複數個偵測單位產生複數個經分析數據組，且每一經分析數據組包括複數個經分析數據單位，而每一經分析數據單位更包括一偵測單位ID；於一三維解剖模型的界線內，在該些偵測單位之間的每一視覺元素上模擬訊號強度值，且由該些偵測單位ID產生一解剖模型。每一該偵測單位ID包括一偵測單位所對應到的區域之解剖學資訊。該些視覺元素為在該解剖模型的界線內的多個區域，且包括該些經分析數據單位之訊號強度。部分視覺元素代表了該偵測單位ID的位置，但其他部分的視覺元素為未被該些偵測單位ID所涵蓋的中間區域。該模擬過程可於該些不被偵測單位ID所涵蓋，且在多個偵測單位ID之間的中間區域決定多個模擬訊號強度值，且由多個定位方法可得出該模擬過程。例如，獨立成分 分析法或波束形成法皆可用於該模擬過程。該中間區域之模擬訊號強度值經常為兩個相鄰的該偵測單位ID之累計訊號強度值的過渡值。該解剖模型或該斷層圖可為描述一三維腦結構的一三維解剖模型。
根據本揭露的一種或多種實施例，圖13顯示了由HOSA法所產出的一腦斷層圖13。在圖13中，該腦斷層圖13為一三維解剖模型。在一特定的調幅(AM)和調頻(FM)範圍內，位於該些偵測單位上的每一視覺元素皆有一累計訊號強度，而未被該些偵測單位所涵蓋的每一視覺元素也具有一模擬訊號強度。在腦斷層圖13中，被該些偵測單位ID所涵蓋的每一視覺元素包括在一特定調幅(AM)頻率和調頻(FM)頻率範圍內的一經分析數據單位之一累計訊號強度值。在圖13中的該些累計訊號強度和該些模擬訊號強度是由不同層級的灰階表示。在圖13中，一區域131具有最大的累計訊號強度且大致位於該腦斷層圖13的該顱葉(temporal lobe)上。
根據本揭露的一種或多種實施例，圖14A至圖14D顯示了由HOSA法所產出的多個斷層圖。圖14A至圖14D的產出過程和圖13相似。圖14A顯示由HOSA法所產出之一左側邊(left lateral)腦斷層圖141，以及具有最大累計訊號強度的一區域1411且其大致位於該斷層圖的該顱葉上。圖14B顯示由HOSA法所產出之一左正中(left median)腦斷層圖142，以及具有最大累計訊號強度的一區域1421且其大致位於該斷層圖的頂葉(parietal lobe)上。圖14C顯示由HOSA法所產出之一右側邊(right lateral)腦斷層圖143，以及具有最大累計訊號強度的一區域1431且其大致位於該斷層圖之枕葉(occipital lobe)和頂葉交界處。圖14D顯示由HOSA法所產出之一右正中(right median)腦斷層圖144。
根據本揭露的一種或多種實施例，圖15A至圖15C顯示了和 HOSA法產出之腦斷層圖合併的數個核磁共振(MRI)影像。圖15A顯示了一冠狀面(coronal)的和一HOSA法產出之腦斷層圖合併之核磁共振影像，以及具有最大累計訊號的一位置151被標記於該核磁共振影像上。圖15B顯示了一矢狀面(sagital)的和一HOSA法產出之腦斷層圖合併之核磁共振影像，以及具有最大累計運號的一位置152被標記於該核磁共振影像上。圖15C顯示了一橫向面(transverse)的和一HOSA法產出之腦斷層圖合併之核磁共振影像，以及具有最累計訊號的一位置153被標記於該核磁共振影像上。該三維解剖模型也可由其他醫學影像方法所產生，如一電腦斷層(computer tomography；CT)影像或一超音波影像。
根據本揭露的一種或多種實施例，圖16顯示了該功能性腦電波斷層圖的一實例，該功能性腦電波斷層圖包括複數個斷層圖。在圖16中，該功能性腦電波斷層圖的該視覺輸出16包括在不同調幅(AM)頻率和調頻(FM)頻率中的數個該斷層圖。在該視覺輸出16中的每一該斷層圖具有一調幅(AM)頻率和一調頻(FM)頻率，且根據該調幅(AM)軸和該調頻(FM)軸分佈。在圖16中每一該斷層圖上的不同層級灰階代表不同的累計訊號強度，且和圖13中的灰階具有類似涵義。圖16代表了在腦上不同位置之不同調幅(AM)-調頻(FM)頻率中的不同累計訊號強度。
在圖16中的該視覺輸出也可用於呈現從不同群體、個體或同一個體在不同時間區間內所得到的兩組功能性腦電波斷層圖之間的相異處。該些視覺元素也可包括T值、Z值或功率位準以指出在兩組功能性腦電波斷層圖之間的相異處。該些相異處也可被各種色階、灰階、點密度圖或網點圖所呈現。
示例3：功能性腦波圖(Functional Electroencephalography；fEEG)的臨床應用
功能性腦波圖的臨床應用將由下列各圖說明，以辨別在各種神經精神異常狀態下的特定視覺輸出形態，例如：認知損傷(cognitive impairment)、阿茲海默症(Alzheimer’s disease)、杭丁頓舞蹈症(Huntington’s disease)、憂鬱症、偏頭痛(migraine)、麻醉深度(anesthesia depth)、失眠(insomnia)、帕金森氏症(Parkinson’s disease)、注意力不足(Attention Deficit Hyperactivity Disorder；ADHD)、麻醉深度監控和藥物成癮。該功能性腦波圖的該些特定視覺輸出形態和上述疾病的診斷、預後、臨床評估或疾病分期有關。在不同的功能性腦波圖的特定視覺輸出形態之間的比較也可用於辨別二組具有不同精神狀態的群體之相異處、二組罹患同一疾病但有不同疾病分期的群體之相異處、二組罹患同一疾病但有不同預後的群體之相異處、二個具有不同精神狀態的個體之相異處、二個罹患同一疾病但有不同疾病分期的個體之相異處、二個罹患同一疾病但有不同預後的個體之相異處或同一個體在不同時間區間時的狀態之相異處。
示例3.1：阿茲海默症的功能性腦電波圖
阿茲海默症為一神經退化疾病且對個人或其家庭而言是打擊最大且最使人衰弱的疾病之一。其對世界上的老化社會而言也是最昂貴的疾病。聯合國指出，於2006年被診斷出阿茲海默症的患者有2660萬人，且在2050年之前每8500萬人之中有一人將被其影響。阿茲海默症占了所有失智症(demantia)患者失智原因的60%到70%。因此，僅阿茲海默症就可能使許多國家的健康保險系統破產。雖然家族性阿茲海默症(familial AD)占了所有阿茲海默症案例的5%到10%， 然而大部分的案例(90%到95%)為陣發性阿茲海默症(episodic AD)。
阿茲海默症的確診非常困難。傳統對阿茲海默症的診斷是基於個人和其家族的行為觀察與疾病史。最常用於阿茲海默症診斷的準則是由美國國家神經、溝通障礙和中風研究所(National Institute of Neurological and Communicative Disorders and Stroke(NINCDS))和美國阿茲海默症和相關疾病協會(Alzheimer’s Disease and Related Disorders Association(ADRDA))所確立。該準則列出8個最常在阿茲海默症患者中受損的認知領域，例如記憶、語言、認知能力、注意力、建構能力、方向感、解決間題的能力和功能性能力。不幸地，上述標準或傳統醫學影像技術對早期阿茲海默症的診斷不夠靈敏，其確診還是要以腦組織切片的病理學分析為準。
請見圖17A至圖17C，本揭露的一種或多種實施例提供了用於偵測或診斷失智症的數個功能性腦電波圖。圖17A至圖17C類似於圖10的該視覺輸出，其中該X軸為一調頻(FM)頻率的一尺度而該Y軸為一調幅(AM)頻率的一尺度，而其中每一該視覺元素可代表一經分析數據單位和一參考數據單位之間的相異處。在圖17A至圖17C中的該些經分析數據單位是由經臨床失智症評等(clinical dementia rating；CDR)診斷之個體而來。在圖17A至圖17C中的該些參考數據單位是由沒有任何CDR評等的多個正常個體而來。在圖17A至圖17C的該些功能性腦電波圖是從10-20系統中一腦電波電極「Pz」極而得到的結果。圖17A比較中度認知障礙(Mild Cognitive Impairment；MCI)的數個個體和正常個體之腦電波。圖17B比較CDR1的數個個體和正常個體之腦電波。圖17C比較CDR2的數個個體和正常個體之腦電波。圖17A至圖17C中的白色對比線標示了P值(P-value)小於0.05的一個或多個區域。
請見圖18A至圖18C，本揭露的一種或多種實施例提供了用於偵測或診斷失智症的數個功能性腦電波圖。圖18A至圖18C類似於圖17A至圖17C中的該些視覺輸出，且也是由10-20系統中腦電波電極「Pz」得到的結果。圖18A比較CDR1的數個個體和MCI的數個個體之腦電波。圖18B比較CDR2的數個個體和CDR1的數個個體之腦電波。圖18C比較CDR3的數個個體和CDR2的數個個體之腦電波。該些參考數據單位分別為圖18A中的數個MCI個體、圖18B中的CDR1個體和圖18C中的CDR2個體。
圖18A至圖18C並不以正常個體做為該參考數據組。因而可推知在CDR個體之間和正常個體之間的相異處較CDR個體之內的相異處來得多。
請見圖19A，本揭露的一種或多種實施例提供了用於比較CDR1和CDR0.5的功能性腦波圖。圖19A為個體之間成對t檢定(paired t-test)的結果，且和圖18A至圖18C的該視覺輸出類似，但是是使用該10-20系統中的「Cz」和「Pz」電極。在圖19A中有26位個體且皆經CDR評等，且CDR1個體和CDR0.5個體之間的相異處已呈現於圖19A中。圖19A中的該些白色對比線標示了P值小於0.05的一個或多個區域。
請見圖19B，本揭露的一種或多種實施例提供了用於比較CDR2和CDR1的功能性腦波圖。圖19B類似於圖19A的視覺輸出。在圖19B中有26位個體且皆經CDR評等，且CDR2個體和CDR1個體之間的相異處已呈現於圖19B中。
請見圖19A和圖19B，在圖19A中二組數據之間的相異處較圖19B中來得多，此由圖19A中的白色對比線所呈現。因此，在CDR1個體和CDR0.5個體之間的相異處較CDR1個體和CDR2個體之間的相異處來得多。在圖17A至17C、圖18A至18C和圖19A至19C中的該些視覺輸出可做為阿茲海默症診斷或疾 病分期時的視覺化參考。
示例3.2：杭丁頓舞蹈症的功能性腦波圖。
杭丁頓舞蹈症為一體染色體顯性遺傳疾病(autosomal dominant inheritance disorder)，其特徵為活動、認知、記憶和人格上的混亂。此疾病主要會造成位於皮質(cortical)和紋狀體(striatum)中神經細胞的選擇性死亡。歷經二十年的研究，杭丁頓舞蹈症的病理機轉和病理特徵已被清楚地定義。然而，目前尚沒有能延緩或治癒杭丁頓舞蹈症的治療方法。治療杭丁頓舞蹈症之藥物或療法發展所遇到的一大阻礙為缺乏可以用來(1)追蹤疾病進程和(2)於短時間(如6至12個月)內做為干預措施之主要終點(end-point)以評估干預措施之功效的生物標記物。
因其漸進式的疾病本質，需經數年的時間才能觀察出杭丁頓舞蹈症病患行為症狀的改變或進步。因此，亟需發展一種在行為/症狀出現以前，能夠偵測腦功能變化，且追蹤行為改變之進程的非侵入式方法。
目前是基於家族病史和基因檢測以診斷杭丁頓舞蹈症，如此在症狀發生之前能夠提供一疾病發生機率。不幸地，這類會改變人生的臨床前基因檢測會顯著地影響病患的心理、生涯、家族和其人際關係，因而僅有少數具罹患此疾病風險者會採用此檢測。和家族病史與基因檢測搭配的健康檢查或心理檢查也能協助決定杭丁頓舞蹈症的發生時間。不幸地，通常要等杭丁頓舞蹈症症狀更進一步形成後，這些早期發現的症狀才會被認為是後見之明。因此，亟需發展一種非侵入式和量化的工具以決定杭丁頓舞蹈症的發生時間。
請見圖20A和圖20B，本揭露的一種或多種實施例提供了偵測或 診斷杭丁頓舞蹈症的數個功能性腦波圖。圖20A和圖20B類似於圖10中的視覺輸出，其中X軸為調頻(FM)頻率的一尺度且Y軸為調幅(AM)頻率的一尺度，且其中每一視覺元素代表了一經分析數據單位和一參考數據單位之間的相異處。圖20A中的該些經分析數據單位來自於15位杭丁頓舞蹈症病患，圖20B中的該些經分析數據單位來自於5位先期杭丁頓舞蹈症(pre-HD)的帶原者，而圖20A和圖20B中的該些參考數據單位來自於27位沒有罹患杭丁頓舞蹈症的個體。圖20A和圖20B是該10-20系統中的「O1」和「O2」電極之量測結果。在圖20A中比較該些先期杭丁頓舞蹈症帶原者和正常個體時，以及在圖20B中比較該些杭丁頓舞蹈症病患和正常個體時，已能在該些功能性腦波圖中觀測到異常。二圖之間的相異處為具有統計顯著性的，且該些白色對比線標示了其統計顯著性之P值小於0.05的區域。
示例3.3：憂鬱症的功能性腦波圖
重度憂鬱症(major depression)為美國最常見的精神疾病：16%的美國人口在他們人生中的特定時間點經歷了憂鬱症。憂鬱症也可能造成多種併發症且會在心血管疾病和其他生理狀態中造成較高的死亡率。憂鬱症也為自殺最主要的原因，並為創傷後症候群(post-traumatic stress symptom)的主要要件。傳統對憂鬱症的診斷是基於個體的行為。臨床上僅以問卷和清單(例如貝克憂鬱量表(Beck Depression Inventory)或兒童憂鬱量表(Children’s Depression Inventory))能被心理健康單位用於偵測或評估憂鬱症的嚴重程度。半結構性的訪談，如軻蒂情緒困障與精神分裂症量表(Kiddle Schedule for Affective Disorders and Schizophrenia(KSADS))和DSM-IV臨床定式訪談(Structured Clinical Interview for DSM-IV(SCID))也被用於憂鬱症的確診。目前並沒有基於證據的決定性診斷方法，因此亟需一種非侵入式的決定性診斷方法。
請見圖21A和圖21B，本揭露的一種或多種實施例提供了用於偵測或診斷憂鬱症或情緒障礙的數個功能性腦波圖。圖21A和圖21B類似於圖8中的該視覺輸出，其中X軸為調頻(FM)頻率的一尺度且Y軸為調幅(AM)頻率的一尺度。圖21A和圖21B是該10-20系統中的「Pz」電極之量測結果。圖21A顯示了一健康個體的功能性腦波圖，以及一具有最大累計訊號強度的區域211。圖21B則顯示了一重度憂鬱症病患的功能性腦波圖，以及一具有最大累計訊號強度的區域212。
示例3.4：偏頭痛的功能性腦波圖
偏頭痛的典型症狀為會影響頭的一側的嚴重搏動式頭痛。每一次的發作可能會延續2至72小時不等。有時頭痛還會伴隨著噁心和嘔吐。該頭痛更會因光線、聲音和味道等因素而加劇。有些病患在頭痛發作之前會經歷包括視覺、聲音或奇怪的味道等預兆(aura)，但並非所有的病患都會有頭痛前預兆。
目前偏頭痛的診斷是基於病患所報告的徵兆和症狀。醫學影像技術並不是標記偏頭痛的診斷方法，然而其可以用來排除其他造成頭痛的原因。因此，可能有數量可觀的病患罹患此疾病但未被診斷。此情況更因其他有類似症狀的疾病而變得更複雜：顱動脈炎(temporal arteritis)、叢發性頭痛(cluster headache)、急性青光眼(acute glaucoma)、腦膜炎(meningitis)和蛛膜下出血(subarachnoid hemorrhage)都可能有類似於偏頭痛的症狀。因此，亟需一種非侵入式、決定性的診斷方法以管理偏頭痛。
請見圖22A至圖22B、圖23A至圖23B和圖24A至24C，本揭露的一種或多種實施例提供了用於偵測或診斷偏頭痛的數個功能性腦波圖。圖22A至圖22B、圖23A至圖23B和圖24A至24C類似於圖10中的該視覺輸出，其中X軸為調頻(FM)頻率的一尺度且Y軸為調幅(AM)頻率的一尺度，且其中每一視覺元素代表了一經分析數據單位和一參考數據單位之間的相異處。在圖22A至圖22B中，該些功能性腦波圖是由二個腦波電極「O1」和「O2」之平均值以及另外二個腦波電極「A1」和「A2」之平均值所得，10位有預兆偏頭痛病患和10位偏頭痛病患分別在圖22A和圖22B中被分析。在圖22A和圖22B中，該些參考數據單位來自於正常沒有偏頭痛的個體。在圖22A和圖22B中，該些經分析數據單位來自於有預兆和沒有預兆偏頭痛的病患，且其視覺元素之涵義與圖10中相同。該功能性腦電波數據在256Hz處共蒐集了21秒。圖22A顯示了該些有預兆偏頭痛和該些正常個體之間的相異處。圖22B顯示了該些沒有預兆偏頭痛和該些正常個體之間的相異處。該些白色對比線標示了P值小於0.05的多個區域。此量測結果顯示在有預兆和沒有預兆的偏頭痛病患之間有極大的不同。同時，在沒有預兆的偏頭痛病患和正常個體之間也有明顯的對比。
圖23A顯示了有預兆的偏頭痛組的頭痛頻率和功率位準之相關係數(correlation coefficient)功能性腦波圖。圖23B顯示了無預兆的偏頭痛組的頭痛頻率和功率位準之相關係數功能性腦波圖。以無預兆的偏頭痛組而言，圖中具有明確的相關性，其頭痛頻率和功率位準之功能性腦波圖的相關係數大於0.9。
請見圖24A至圖24C，本揭露的一種或多種實施例提供了對偏頭痛治療的反應性評估之數個功能性腦波圖。上述二圖包括測試二種藥物對偏頭痛治療的功效：Onabotulinumtoxin A和topiramate。該測試共有14位病患參與：7 位對該療法有反應的病患被標記為反應組，而7位對該療法沒有反應的病患被標記為不反應組。蒐集治療前、中、後的反應組和不反應組的腦波數據。圖24A顯示治療前的不反應組和閉眼正常個體在「P3」電極上之對比的功能性腦波圖。在正常個體和不反應組之間的相異處非常清楚，其中有白色對比線標示了P值小於0.05的區域。在圖24A中的該些白色對比線已標明了該些相異處。一區域241為調頻(FM)頻率在8至32Hz且調幅(AM)頻率在0.5至8Hz之間的區域。圖24B顯示治療後的反應組和閉眼正常個體在「P3」電極上之對比的功能性腦波圖，且其中沒有統計上顯著的差異。圖24C顯示治療後的反應組和治療前的反應組閉眼時在「P3」電極上之對比的功能性腦波圖，且其中沒有統計上顯著的差異。
示例3.5：麻醉深度的功能性腦波
為了執行重要手術，麻醉為一關鍵且不可或缺的程序。麻醉的目的包括催眠(hypnosis，和深度睡眠類似的暫時失去意識)、記憶缺失(amnesia)、痛覺缺失(analgesia)和肌肉放鬆。目前有數種形式的麻醉：全身性麻醉(general anesthesia)和區域性麻醉(regional anesthesia)、鎮靜(sedation)、脊髓(spinal)/硬膜(epidural)/脊椎尾端(caudal)麻醉和管理劇烈疼痛。在手術所需之麻醉中，當該病患完全失去意識時，麻醉深度即成為關鍵因素：太淺的麻醉深度可能會使手術中的病人飽受心理創傷、太深的麻醉深度或過量可能會導致可致命的呼吸停止和心血管衰竭。因此，手術期間有若干確保正確麻醉深度的方法，包括：持續性心電圖(electrocardiography；ECG)、持續性血氧濃度計(SpO2)、血壓、麻醉劑濃度、低氧警告、二氧化碳量測、體溫和腦波。
腦波是評估麻醉深度中的關鍵角色。許多以腦波量測麻醉深度的 方法已被提出，包括：頻域邊界頻率(Spectral edge frequency)、中位數頻率(Median frequency)、雙頻腦波指數(Bispectral index；BIS)、熵(Entropy)、Narcotrend指數(Narcotrend index)、病患狀態指數(Patient state index)、彈響指數(Snap index)和大腦狀態指數(Cerebral state index)。目前為止尚未有決定麻醉深度的黃金準則。更進一步地，大部分上述的腦電波量測方法是基於傅立葉轉換(Fourier transformation)，因此它們被傅立葉轉換的線性(linear)和穩態(stationary)性質所限制。亟需一種評估或監測麻醉深度的方法。
圖25A至圖27為本揭露提供的一種或多種實施例之評估或監測麻醉深度的數個功能性腦波圖。圖25A至圖25D和圖26A和圖26D類似於圖10中的視覺輸出，其中X軸為調頻(FM)頻率的一尺度且Y軸為調幅(AM)頻率的一尺度。在圖25A至圖25D之中，自原始數據中的「Fp1」-「A2」電極得到四種不同麻醉深度的功能性腦波圖，且依照不同的BIS值分類：在全身手術麻醉的過程中，圖25A顯示第一期麻醉的功能性腦波圖(有意識BIS>80)、圖25B顯示第二期麻醉的功能性腦波圖(鎮靜期BIS>60且BIS<80)，圖25C顯示第三期麻醉的功能性腦波圖(BIS>30且BIS<60)，圖25D顯示第四期麻醉的功能性腦波圖(BIS<30)。在圖26A至圖26D所示的實施例中，以「Fp1」-「A2」電極之標準差(standard deviation)為準，常態化四種不同麻醉深度的功能性腦波圖。在全身手術麻醉的過程中，該第一期麻醉的功能性腦波圖(如圖26A所示)、該第二期麻醉的功能性腦波圖(如圖26B所示)、該第三期麻醉的功能性腦波圖(如圖26C所示)和該第四期麻醉的功能性腦波圖(如圖26D所示)皆已標明以供參考。
根據本揭露的一種或多種實施例，圖27為一BIS和調幅(AM)在不同載波(carrier wave)之調頻(FM)頻率上的相關性。該調頻(FM)頻率越高代 表該調幅(AM)和BIS之相關性越高。以45至50Hz的調頻(FM)來說，該調幅(AM)和BIS之相關性為0.5至0.6，在β至γ帶上載波的調幅(AM)顯著地和BIS相關。
示例3.6：睡眠的功能性腦波
目前已有許多睡眠疾病，例如猝睡症(narcolepsy)、週期性肢動異常(periodic limb movement disorder；PLMD)、不寧腿症候群(restless leg syndrome；RLS)、上呼吸道阻力症候群(upper airway resistance syndrome；UARS)和晝夜節律性睡眠疾患(circadian rhythm sleep disorder)等。在其中最常見和最煩人的疾病為阻塞性睡眠呼吸中止症(obstructive sleep apnea)和失眠。
失眠是最常見的睡眠疾病。總人口的1/3曾經經歷失眠，且失眠也在10%到15%的人口之中成為了一慢性且持續性的狀態。失眠以許多不同的形式出現：病患可能會一開始感到難以入睡，或在睡眠時醒來且無法再回到睡眠狀態。病況通常從病患被動的回報得知，而僅有極少的量化監測。通常治療方式為給予輕微的鎮靜劑，其皆會產生一些具爭議性的副作用。
阻塞性睡眠呼吸中止症是另種常見的睡眠障礙。此狀況是因睡眠時呼吸道肌肉放鬆而崩塌，造成呼吸受阻。這可能會暫時中止或完全停止正常呼吸。缺乏氧氣最終會使病人醒來並施加張力於肌肉，再繼續睡眠。在嚴重的病例中，該病患可能會整晚持續的經歷阻塞性睡眠呼吸中止。該病患可能會沒有機會獲得有辦法充分休息的深層睡眠，但該病患也沒有機會完全醒來以了解自己睡眠時阻塞性呼吸中止的狀況。因此，該病患僅感到疲憊和缺乏活力，而對睡眠中的呼吸阻塞事件一無所知。阻塞性睡眠呼吸中止的診斷是由睡眠診所或具有多 頻道睡眠紀錄(polysomnography)的診所所執行。
從睡眠診所之多頻道睡眠紀錄標準作業程序取得的數據包括以下感測器和參數：腦波由該10-20系統中的6個電極(O1、O2、C1和C2電極，加上A1和A2電極做為參考電極)量測以監控腦部活動，眼電圖(electrooculography；EOG)以監控快速動眼期(REM)睡眠時的眼動，表面肌電圖(electromyography；EMG)以監控肢體活動和肌肉張力，心電圖以量測心跳的變化量，血氧計以量測血氧，胸腔和腹腔的呼吸工(respiratory effort)以量測呼吸韻律，潮氣終端容積(end tidal)或透皮二氧化碳濃度(transcutaneous CO2)和錄音以量測睡眠呼吸中止時的打鼾。另外，核心體溫、入射光強度(incident light intensity)、陰莖膨脹(penile tumescence)以及在食道不同部位(esophageal level)的壓力和pH值也可被量測。最後，整夜對病患的一持續性錄影可以量測身體動作。上述的參數用來分類睡眠分期以及睡眠品質。上述參數的該些感測器相當具侵入性，以至於病患幾乎不可能得到自然的睡眠。因此，這些測試其實是自相矛盾又不會對睡眠狀態給出真正量化評估的。亟需一種非侵入式的方法以量化評估睡眠狀態。
請見圖28，本揭露的一種或多種實施例提供了一個體的一睡眠圖(hypnogram)。圖28顯示了用來評估或監測睡眠的腦波圖，其中該X軸為時間而該Y軸為不同的睡眠分期。在圖28中，高原期281a、282a、283a、284a、285a和286a為清醒期，而高原期281b、282b、283b、284b、285b為快速動眼期的6個不同時期。
功能性腦波圖可以分辨圖28中睡眠圖的該快速動眼期和該清醒期。請見圖29A至圖29F，本揭露的一種或多種實施例提供了對應於圖28中每一睡眠期的數個功能性腦波圖。該腦波訊號是由「Fp2」和「F4」電極所得，整晚 6個不同的清醒期由圖29A、圖29B、圖29C、圖29D、圖29E和圖29F所呈現。圖29A至圖29F類似於於圖8中的該視覺輸出，其中X軸為調頻(FM)頻率的一尺度且Y軸為調幅(AM)頻率的一尺度。圖29A對應至圖28中的該高原期281a，且有二區域291a和291b代表圖29A中最大的累計訊號強度。圖29B對應至該高原期282a，且有一區域292代表圖29B中最大的累計訊號強度。圖29C對應至該高原期283a，且有一區域293代表圖29C中最大的累計訊號強度。圖29D對應至該高原期284a，且有一區域294代表圖29D中最大的累計訊號強度。圖29E對應至該高原期285a，且有一區域295代表圖29E中最大的累計訊號強度。圖29F對應至該高原期286a，且有一區域296代表圖29F中最大的累計訊號強度。該些區域291至296位於調頻(FM)的16至32Hz，以及調幅(AM)的1至8Hz之間。
和圖29A至圖29F呈現對比，不同快速動眼期的功能性腦波圖非常不同。請見圖30A至圖30F，本揭露的一種或多種實施例提供了對應到6個不同時期之快速動眼期的數個功能性腦波圖。圖30A、圖30B、圖30C、圖30D、圖30E和圖30F類似於圖29A至圖29F的視覺輸出，且該些腦波訊號也是由「Fp2」和「F4」電極所得。圖29A中有二區能量集中處：一區域291a位於調頻(FM)8至16Hz處，另一區域291b位於調頻(FM)16至32Hz處。該位於調頻(FM)8至16Hz處的區域是典型眼睛閉上時的α波；而位於調頻(FM)16至32Hz處的區域則類似於該快速動眼期。然而，該α波會隨著夜間睡眠的進展而逐漸消散。當該個體終於清醒時，該α波已完全消散且消失了。同時，該16至32Hz的區域緩慢向上移動。當個體清醒時，該能量集中處大約以32Hz為中心。更明顯地，當該個體入睡而該功能性腦波圖之能量集中處位於一相對窄的區域時，當腦部活動完全運作時，該功能性腦波圖的寬度會逐漸拓展至高頻及低頻區域。高頻(32Hz或更高)和低頻(8Hz 或更低)調頻(FM)範圍的能量之存在對於記憶的形成是有必要的。此結果表示該個體在極深層睡眠期時的記憶力極低。在此，睡眠的功效就能非常清楚的展現：睡眠在高頻和低頻範圍的腦中補充能量，且使腦活動再次達到頂峰。
請見圖31A和圖31B，本揭露的一種或多種實施例提供了用來評估睡眠債(sleep debt)、監控睡眠債或失眠的數個功能性腦波圖。圖31A和圖31B類似於圖29A至圖29F的視覺輸出。圖31A包括了由不同電極所得到的一失眠病患在睡前之多個功能性腦波圖，而圖31B中的多個功能性腦波圖則為該失眠病患睡眠時所得。圖31A中的多個功能性腦波圖皆相似，其累計最大訊號強度集中在位於16至32Hz調頻(FM)的一區域。圖31A類似於圖29A至圖29F中一健康睡眠者的快速動眼期。因此，該些功能性腦波圖可以用來決定睡眠債。
請見圖32A至圖32C，本揭露的一種或多種實施例提供了用來評估或監控睡眠的多個功能性腦波圖。圖32A至圖32C中以5個腦波電極進行量測，包括Fp2-F4、F4-C4、C4-P4、P4-O2和C4-A1。圖32A至圖32C類似於圖29A至圖29F的多個視覺輸出。圖32A呈現了快速動眼期的功能性腦波圖，圖32B呈現了淺睡期(light sleep stage)的功能性腦波圖，圖32C呈現了深睡期(deep sleep state)的功能性腦波圖。基於上述的數個視覺輸出，在清醒和快速動眼期時，調幅(AM)上的δ波和θ波所調變的β載波為主要的表面腦波。當個體入睡時，則由調幅(AM)上的δ波所調變的α載波和β載波為主要的表面腦波。更進一步地，一個體處於深睡期時，該些δ波和θ波所調變的β載波較弱。
示例3.7：帕金森氏症的功能性腦波圖
帕金森氏症是一種長程的神經性退化病變，其主要影響運動系 統。帕金森氏症的早期症狀為駝背、手出現不受控制的震顫、搖晃和僵硬以及動作起始時的緩慢。雖然在後期疾病進程中電腦斷層造影和傳統核磁共振腦掃描可用於排除其他後遺症，然而對帕金森氏症患者的該些醫學影像造影通常看似正常。目前帕金森氏症的診斷主要基於病歷和神經學檢查。有時會將左旋多巴(levodopa)給予疑似帕金森氏症患者，以觀察其症狀對該藥物是否有反應，以確診帕金森氏症。就算已經確診了，建議還是需定期檢核疾病病程，排除其症狀是因其他原因所造成的可能性，因為其他疾病有可能有類似症狀，例如阿茲海默症、多發性大腦栓塞(multiple cerebral infarction)和藥物誘發的帕金森氏症。由於在帕金森氏症的早期可以透過物理治療的方式減緩病程，因此亟需一種量化且以證據為基礎的診斷方法。
根據本揭露的一種或多種實施例，圖33顯示了用於偵測或診斷帕金森氏症的功能性腦波圖。圖33類似於圖10中的該視覺輸出，其中X軸為調頻(FM)頻率的一尺度且Y軸為調幅(AM)頻率的一尺度，且其中每一視覺元素代表了一經分析數據單位和一參考數據單位之間的相異處。在圖33中，8位帕金森氏症病患的功能性腦波為該些經分析數據單位，而27為正常個體為該些參考數據單位。該腦波數據是在閉眼狀態下由20個電極在256Hz下所蒐集。在圖33中，該來自於「F3」電極的功能性腦波數據是以帕金森氏症患者和控制組之間的功率位準呈現。一區域331具有最高的功率位準，其位於調頻(FM)的32至128Hz處和調幅(AM)的8至64Hz處。該區域331代表了帕金森氏症患者和正常個體的腦波有著統計上顯著的不同。
藉由上述結果就可能經由該功能性腦波識別帕金森氏症病患。更重要的是，此量化分析對於已為帕金森氏症病患者更為關鍵。上述方法對於腦功 能之變異度提供了一量化解決方案，此方法將能長期提供更細微的量化結果。
示例3.8：注意力不足症候群的功能性腦波
注意力不足症候群被定義為個體表現出不適合該年齡的極短期注意力和破壞性行為之一神經心理狀態，須基於評估個體行為和老師及家長的觀察做出診斷。美國精神醫學學會(American Psychiatric Association；APA)所出版的疾病診斷與統計手冊(Diagnostic and Statistical Manual of Mental Disorders；DSM)所給定且每年更新的標準可正式診斷此症。另外，國際疾病分類標準(International Statistical Classification of Disease and Related Health Problems；ICD)也會用於診斷中。
上述症狀看似和許多未成熟的兒童行為相符。然而若需確診注意力不足症候群，則需要長期觀察該個體：以超過一年的時間在各種環境中觀察，例如在學校或在家中。就算特別注意這些症狀，也常依舊難以做出診斷，例如：使用美國或國際標準會有不同的分類結果。由於注意力不足症候群的病患皆為發展期的兒童，因此缺乏確實診斷將會導致悲慘後果。亟需一種能夠確診注意力不足症候群的診斷方法。
一種早期且能確診注意力不足症候群的診斷方法能由功能性腦波圖所提供。對診斷注意力不足症候群而言，該些功能性腦波圖是一種非侵入式且直覺的診斷方法，且腦波訊號可由選定的電極在一時間區間中所獲得。罹患或未罹患注意力不足症候群的個體可為該功能性腦波的對象，且為了要診斷注意力不足症候群，可辨識且彙總這些群體之中的特定功能性腦波狀態。
示例3.9：藥物成癮的功能性腦波圖
藥物成癮是一種與進行強迫性行為以獲得獎勵有關的腦部病變，該些強迫性行為可來自各種物質，例如酗酒(alcoholism)、安非他命(amphetamine)成癮、古柯鹼(cocaine)成癮、尼古丁(nicotine)成癮、鴉片(opiate)成癮、食物成癮(food addiction)、賭博成癮和性成癮。類似於注意力不足症候群，藥物成癮也缺乏抑制之控制機制。
觀察腦波可能對減輕藥物成癮有幫助。腦波訊號可被結合以形成多個功能性腦波視覺輸出，且也許可在藥物成癮的個體中辨識出特定的功能性腦波狀態。
示例4：功能性腦電波表面構形圖的臨床應用
功能性腦波表面構形圖可代表腦部活動之動態，且具有高空間和時間解析度。和功能性核磁共振(functional magnetic resonance imaging；fMRI)相比，雖然腦波的空間解析度較低，但該功能性腦波表面構形圖卻能經由特定的調變方法以反應其潛在的腦部活動。該功能性腦波表面構形圖可協助辨識人類腦中因應環境刺激而產生的主要反應區域。更進一步地，使用功能性腦波表面構形圖有三個優點：1)腦波的成本顯著低於功能性核磁共振的成本且量測腦波和功能性核磁共振相比較易執行，且較有可能發展在家中可使用的一穿戴式腦波裝置；2)在功能性腦波表面構形圖中的多電極腦波可克服空間解析度的問題且提供時間解析度以辨識多種認知功能，其可以用來識別和該些認知功能有關的腦部區域，或因某實驗性刺激產生之效果的精確時間；3)功能性腦波表面構形圖的結果不僅提供和認知功能有關之腦部區域的資訊，也提供了在調幅(AM)和調 頻(FM)中根本的動態調變機制和其所相對應的載波。
示例4.1：阿茲海默症的功能性腦波表面構形圖
根據本揭露的一種或多種實施例，圖34A至圖36D為用來偵測或診斷阿茲海默症之該些功能性腦波表面構形圖的多個視覺輸出。在一實施例中，針對健康個體和具有不同CDR的阿茲海默症病患設計了一橫斷研究(cross-sectional study)。19位具有輕微認知障礙的病患和55位被診斷出阿茲海默症且具有不同CDR的病患(22位病患為CDR1、21位病患為CDR2和14位病患為CDR3)被歸類為阿茲海默症病患。該腦波訊號是以256Hz的採樣頻率在一10秒的時間區間內取得。
根據本揭露的一種或多種實施例，圖34A至圖34B為該功能性腦波表面構形圖的多個視覺輸出。圖34A至圖34B類似於圖12中的視覺輸出。然而，圖12為在一時間區間中直接由腦電活動中取得之功能性腦波表面構形圖之視覺輸出，但圖34A至圖34B是比較二個不同組功能性腦波表面構形圖的結果。圖34A和圖34B中的該些視覺元素是由調幅(AM)頻率之X軸和調頻(FM)頻率之Y軸所定義。如一視覺元素341位於調幅(AM)2至4Hz和調頻(FM)2至4Hz處。該視覺元素341更進一步地包括複數個機率值(probability)以量化二組不同功能性腦波表面構形圖之間的統計顯著性。在圖34A中功能性腦波表面構型圖所比較的二組分別為健康個體和輕微認知障礙的病患，在圖34B中則比較CDR1和輕微認知障礙的病患。每一該視覺元素具有一邊界以定義一腦之二維解剖圖。
圖34A顯示了健康個體和輕微認知障礙病患間的不同。圖34A顯示了在調頻(FM)的1至8Hz處有較高的T值，而在調幅(AM)的2至8Hz和調幅 (FM)16至128Hz之一區域有較低的T值。在圖34B中，在CDR1病患和輕微認知障礙病患的所有腦區域之間有顯著差異(其雙尾檢定值(two tailed p value)小於0.05)。更進一步地，在調頻(FM)4至8Hz和調幅(AM)0.5至4Hz處的一區域之T值較高，表示在較低的調頻(FM)區域有類似的能量位移。
然而在此需特別指出的是：傳統的腦部表面構形圖(topography)完全沒有用，因為它們將所有調幅(AM)頻率調變的細節混合為一，且僅呈現頻率之變化量。在圖34A至圖34C中的結果顯示出該些功能性腦波表面構形圖能以客觀量化的方式辨別輕微認知障礙病患和正常個體。
根據本揭露的一種或多種實施例，圖35A至圖35C為功能性腦波表面構形圖的多個視覺輸出，其包括複數個腦部表面構形圖。圖35A至圖35C類似於圖34A至圖34B的視覺輸出，且二組圖皆為顯示二組不同個體之間的差異。圖35A至圖35C為縱貫性研究(longitudinal reasearch)：一組具有不同CDR的阿茲海默症病患。圖35A為比較CDR1病患的功能性腦波表面構形圖和CDR0.5(即輕微認知障礙)病患的功能性腦波表面構形圖，圖35B為比較CDR2病患和CDR1病患，圖35C為比較CDR2病患和CDR3病患。圖35A顯示了CDR1病患和CDR0.5病患有顯著的不同(其雙尾檢定值小於0.5)。圖35A中的T值在調頻(FM)2至8Hz和調幅(AM)0.5至4Hz的一區域較高。圖35B顯示了CDR2病患和CDR1病患有顯著的不同，但其統計顯著性較低。圖35B中的T值在調頻(FM)8至32Hz和調幅(AM)0.5至4Hz的一區域中較高。圖35C中所顯示的不同之處較圖35A和圖35B少。請注意：圖35A所示由輕微認知障礙至CDR1之變化較圖35C所示由CDR2至CDR3之變化來得重要。
根據本揭露的一種或多種實施例，圖35D為用來描繪該功能性腦 波表面構形圖之效用的一接收器操作器特徵曲線(receiver operating curve；ROC)。在該實施例中，有可能設定一標準，該標準包括大多數和阿茲海默症生理上相關之電極：「Fz」、「Cz」、「Pz」、「T3」和「T5」，且在一特定頻率中(範圍為4至32Hz)被調幅(AM)所調變(範圍為0.5至2Hz)，以計算敏感度和特異性(於右下方嵌入)。在此標準下該敏感度和特異性已分別達到80%和90%，此已經達到了國際阿茲海默症研究中心(Ronald and Nancy Reagan Research Institute of the Alzheimer’s Association)所給定的共識標準。
根據本揭露的一種或多種實施例，圖36A至圖36D為用來評估阿茲海默症疾病進程的功能性腦波圖和功能性腦波表面構形圖之數種視覺輸出。為了進一步確立功能性腦波表面構形圖法之有效性而執行一相關性研究(correlation study)，其中確立了該些功能性腦波表面構形圖和該些CDR評等之統計功效的相互比較，以及該些功能性腦波表面構形圖和簡短智能測驗(Mini-Mental State Examination；MMSE)評估之統計功效的相互比較(inter-comparison)之相關性。圖36A顯示了一電極在該功能性腦波表面構形圖和CDR評等之間的相關性地圖(correlation map)。圖36B顯示了該功能性腦波表面構形圖和CDR評等之統計功效的相互比較。圖36C顯示了一電極在該些功能性腦波圖和MMSE評估之間的相關性地圖。圖36D顯示了該功能性腦波表面構型圖和MMSE評估之統計功效的相互比較之相關性。高相關係數代表了可將先前基於個體行為之對失智症和阿茲海默症病例的評估法，轉為以證據為基礎的功能性腦波表面構形圖診斷法。基於該功能性腦波圖和該功能性腦波表面構形圖，就能得到對阿茲海默症更客觀量化的評等。
示例4.2：杭丁頓舞蹈症的功能性腦波表面構形圖
根據本揭露的一種或多種實施例，圖37A至圖37C顯示了用於偵測或診斷杭丁頓舞蹈症的功能性腦波表面構形圖。圖37A至圖37C類似於圖34A至圖34C的視覺輸出。在該實施例中，15位杭丁頓舞蹈症的病患、5位先期杭丁頓舞蹈症帶原者和27位未罹患杭丁頓舞蹈症的個體為此研究之研究對象。該功能性腦波表面構型圖能在整個頭骨上提供窄頻腦波之時間-頻率資訊，且此三組個體之間的不同處也已特別標記。在圖37A中，先期杭丁頓舞蹈症帶原者的功能性腦波表面構形圖和未罹患杭丁頓舞蹈症個體的功能性腦波表面構形圖進行比較。在圖37B中，杭丁頓舞蹈症病患的功能性腦波表面構形圖和先期杭丁頓舞蹈症帶原者的功能性腦波表面構形圖進行比較。在圖37C中，杭丁頓舞蹈症病患的功能性腦波表面構形圖和先期杭丁頓舞蹈症帶原者的功能性腦波表面構形圖進行比較。在圖37A中，該功能性腦波表面構型圖的一視覺輸出呈現出該些先期杭丁頓舞蹈症帶原者和未罹患杭丁頓舞蹈症個體於調幅(AM)的2至8Hz和調頻(FM)的32至128Hz處的一區域，以及另一位於調幅(AM)的1至16Hz和調頻(FM)的32至64Hz的較大區域有顯著不同。在圖37B中，該功能性腦波表面構型圖的一視覺輸出呈現出該些杭丁頓舞蹈症病患和先期杭丁頓舞蹈症帶原者於調幅(AM)的0.5至64Hz和調頻(FM)的32至128Hz處的一區域有顯著不同。在圖37C中在先期杭丁頓舞蹈症帶原者和杭丁頓舞蹈症病患之間的差異僅達到未校正的統計顯著。
如圖38所顯示，目前數據顯示先期杭丁頓評等和該α/γ功率位準指數(r=-0.9389，p=0.0055)呈現負相關，且杭丁頓舞蹈症病患/先期杭丁頓舞蹈症帶原者之MMSE和該α/γ功率位準指數(r=0.3862，p=0.0379，單尾)呈現正 相關。這些結果顯示此指數可做為一潛在的腦波生物標記，以預測杭丁頓舞蹈症的發作時間且監測其病程之進程。該來源定位(source localization)數據顯示這些訊號的來源若為α帶(α band)則大多來自於枕葉(occipital lobe)/頂葉(parietal lobe)，而若為γ帶(γ band)則來自於全腦。此組數據也可用來作為潛在療法指標，並將在另一專利申請案中提及。
示例4.3：偏頭痛的功能性腦波表面構形圖
根據本揭露的一種或多種實施例，圖40A至圖40E為用於偵測和診斷偏頭痛，以及對偏頭痛治療的反應性評估之功能性腦波表面構形圖的數種視覺輸出。圖40A至圖40E類似於圖12中的視覺輸出。圖40A顯示了對藥物具反應者在投藥前以及健康個體之功能性腦波表面構形圖之間的比較，且皆於兩組個體閉眼時量測。圖40B顯示了對藥物具反應者在投藥後以及健康個體之功能性腦波表面構形圖之間的比較，且皆於兩組個體閉眼時量測。圖40C顯示了對藥物具反應者在投藥前以及投藥後之功能性腦波表面構形圖之間的比較。在圖40A中，該功能性腦波表面構形圖之該視覺輸出於一區域401呈現了統計上顯著的不同，該區域401涵蓋了調頻(FM)的2至32Hz和調幅(AM)的0.25至4Hz範圍，其中偏頭痛病患顯示了其能量低弱，其中之白色圓圈代表該偵測單位具有一P值小於0.05。在圖40B中，該功能性腦波表面構形圖之該視覺輸出是根據對藥物具反應者在投藥後以及健康個體在閉眼時之比較，且於一區域402呈現了統計上顯著的不同，該區域402涵蓋了調頻(FM)的64至128Hz。在圖40C中，該功能性腦波表面構形圖之該視覺輸出是根據對藥物具反應者在投藥前和投藥後閉眼時之比較，且於一區域403呈現了統計上顯著的不同，該區域403涵蓋了調頻(FM)的2 至32Hz和調幅(AM)的0.25至4Hz。上述實施例顯示在投藥前腦波較弱的區域其腦波能量提升，且將其整體腦波狀態轉為如同健康個體之中的正常狀態。圖40D顯示了對藥物不具反應者在投藥前以及健康個體之功能性腦波表面構形圖之間的比較，且皆於兩組個體閉眼時量測。圖40E顯示了對藥物不具反應者在投藥後以及健康個體之功能性腦波表面構形圖之間的比較，且皆於兩組個體閉眼時量測。圖40D和圖40E顯示了除了在較高的調頻(FM)頻率和調幅(AM)頻率範圍以外，二組個體之間缺乏差異。此代表著由腦波圖所量測的對藥物不具反應者之腦波類似於健康個體之腦波，且投藥無法改變腦波之形態。
示例4.3：帕金森氏症的功能性腦波表面構形圖
根據本揭露的一種實施例，圖41為用於偵測或診斷帕金森氏症的功能性腦波表面構形圖之一視覺輸出。圖41類似於圖12，且為8位帕金森氏症病患和27位健康個體的功能性腦波表面構形圖之比較，且皆於兩組個體閉眼時量測。在該實施例中，該功能性腦波表面構形圖在一區域411中顯示了統計上顯著的不同，該區域411涵蓋了調頻(FM)的32至128Hz和調幅(AM)的16至32Hz。另有具統計上顯著不同之一區域412函蓋了調頻(FM)的64至128Hz和調幅(AM)的0至64Hz。
示例4.4：注意力不足症候群的功能性腦波表面構形圖
根據本揭露的一種或多種實施例，圖42A和圖42B為用於偵測或診斷注意力不足症候群之功能性腦波表面構形圖的數種視覺輸出。圖42A和圖42B類似於圖12中的視覺輸出。圖42A為注意力不足症候群病患於眼睛張開和眼 睛閉上時的功能性腦波表面構形圖之間的比較。在圖42A中，在θ波和α波之間的一狹窄區域(調頻(FM)的4至16Hz)有著統計上顯著的不同(P值小於0.05)。圖42B為健康個體於眼睛張開和眼睛閉上時的功能性腦波表面構形圖之間的比較。圖42A中該功能性腦波表面構形圖之形態和圖42B中由健康個體而來之量測結果非常不同，其中圖42A和圖42B之間的主要不同處位於α波和β波之間(調頻(FM)的8至32Hz)。注意力不足症候群也可基於在θ波和α波之間的該狹窄區域之相對訊號強度進行診斷。
示例5：功能性腦電波斷層圖的臨床應用
示例5.1：阿茲海默症的功能性腦電波斷層圖
根據本揭露的一種或多種實施例，圖43A至圖44B為以CDR和MMSE評估阿茲海默症進程之功能性腦電波斷圖的數個視覺輸出。此實施例辨識了數個具顯著相關性的區域。圖43A顯示了相對於CDR評等之功能性腦電波斷層圖的側視圖(lateral view)，其中在一區域431和另一區域432中有顯著對比。圖43B顯示了相對於CDR評等之功能性腦電波斷層圖的正中視圖(median view)，其中在一區域433和另一區域434中有顯著對比。圖44A顯示了相對於MMSE評估之功能性腦電波斷層圖的側視圖，其中在一區域441中有顯著對比。圖44B顯示了相對於MMSE評估之功能性腦電波斷層圖的正中視圖，其中在一區域442中有顯著對比。需特別注意的是上述圖中的相關性也顯示了具有統計顯著性的一區域(P值小於0.05)該區域為沿著調頻(FM)的8至128Hz和調幅(AM)的4至8Hz。
示例5.2：杭丁頓舞蹈症的功能性腦電波斷層圖
根據本揭露的一種或多種實施例，圖45A、圖45B和圖45C為用以偵測或診斷杭丁頓舞蹈症之功能性腦電波斷層圖的數個視覺輸出。在此實施例中，功能性腦電波斷層圖是由二元(dyadic)尺度所取得，且由位於後端(posterior)的頂顯枕葉(parieto-temporal-occipital)電極計算8至16Hz帶功率(band power)和32至64Hz帶功率之間的比率。圖45A至圖45C和圖16的視覺輸出類似。圖45A為先期杭丁頓舞蹈症帶原者和健康個體之功能性腦電波斷層圖之間的比較，其中於一區域451有顯著對比。圖45B為杭丁頓舞蹈症病患和健康個體之功能性腦電波斷層圖之間的比較，其中於一區域452有顯著對比。圖45C為先期杭丁頓舞蹈症帶原者和杭丁頓舞蹈症病患之功能性腦電波斷層圖之間的比較，其中於一區域453和一區域454有顯著對比。如圖45A和圖45B所示，該量測結果表示和健康個體相比，先期杭丁頓舞蹈症帶原者和杭丁頓舞蹈症病患皆有顯著較小的功率位準比。在圖45C中，杭丁頓舞蹈症病患和先期杭丁頓舞蹈症帶原者之間也存在著相異度(杭丁頓舞蹈症病患相對於健康個體，P值小於0.001；先期杭丁頓舞蹈症帶原者相對於健康個體，P值=0.002；杭丁頓舞蹈症病患相對於先期杭丁頓舞蹈症帶原者，P值小於0.05)。這些量測結果顯示此指標可以做為預測杭丁頓舞蹈症發作或監測其疾病進程的潛在生物標記。
示例5.3：偏頭痛的功能性腦電波斷層圖
根據本揭露的一種或多種實施例，圖46A至圖46E為用以偵測或診斷偏頭痛，或評估對偏頭痛治療的反應性之功能性腦電波斷層圖的數個視覺輸出。圖46A至圖46E和圖16的視覺輸出類似。圖46A為對藥物具反應者在投藥前和健康個體之功能性腦電波斷層圖之間的比較，且皆於兩組個體閉眼時量測。圖 46B為對藥物具反應者投藥後和健康個體之功能性腦電波斷層圖之間的比較，且皆於兩組個體閉眼時量測。圖46C為對藥物具反應者投藥後和投藥前之功能性腦電波斷層圖之間的比較，且皆於兩組個體閉眼時量測。上述實施例顯示在投藥前腦波較弱的區域其腦波能量提升，且將其整體腦波狀態轉為如同健康個體之中的正常狀態。圖46D為對藥物不具反應者投藥前和健康個體之功能性腦電波斷層圖之間的比較，且皆於兩組個體閉眼時量測。圖46E為對藥物不具反應者投藥後和健康個體之功能性腦電波斷層圖之間的比較，且皆於兩組個體閉眼時量測。圖46D和圖46D顯示除了在較高的調頻(FM)頻率和調幅(AM)頻率範圍以外，二組個體之間缺乏差異。
示例5.4：帕金森氏症的功能性腦電波斷層圖
根據本揭露的一種或多種實施例，圖47和圖48為用於偵測和診斷帕金森氏症之多個功能性腦電波斷層圖。圖47為8位帕金森氏症病患和27為無罹患帕金森氏症個體的功能性腦電波斷層圖之比較，且皆於兩組個體閉眼時量測。在圖47所示的實施例中，該功能性腦電波斷層圖位於調頻(FM)的64至128Hz和調幅(AM)的16至32Hz處之一腦斷層圖(tomography)471呈現出明確的不同。圖48顯示了一放大視圖，其中在該腦斷層圖471中統計上顯著不同的部位已被標記。根據上述結果就可量化帕金森氏症病患的疾病進程。該量化結果對帕金森氏症病患來說十分關鍵，因為傳統的診斷方式需要定期檢查和評估以確診並且量測疾病進程。因為沒有客觀標準，因此就算可能執行但上述評估依然是困難的。本揭露提出了一量化工具用於量測腦功能變化，若長期執行則應能對腦部狀態提供較微妙之量化指標。
綜上所述，本創作符合發明專利要件，爰依法提出專利申請。惟，以上所述者僅為本創作之較佳實施例，本創作之範圍並不以上述實施例為限，舉凡熟習本案技藝之人士爰依本創作之精神所作之等效修飾或變化，皆應涵蓋於以下申請專利範圍內。

Claims (18)

  1. 一種分析至少一腦之電活動的裝置，包括：一偵測模組以偵測該腦電活動；一傳輸模組以接收由該偵測模組得到的電活動訊號且將該些電活動訊號傳送至一分析模組；一分析模組以由該些電活動訊號產生複數個經分析數據組，和一視覺輸出模組以根據該些經分析數據組產生一視覺輸出空間，且顯示一視覺輸出，其中該視覺輸出包括一第一軸代表調頻(frequency modulation；FM)，一第二軸代表調幅(amplitude modulation；AM)以及由該第一軸和該第二軸所定義的複數個視覺元素，且每一該視覺元素包括一累計訊號強度和該些經分析數據組，且每一該經分析數據組包括在一時間區間中所獲得的複數個經分析數據單位，每一該經分析數據單位包括一第一座標、一第二座標和一訊號強度值，該第一座標為一調頻(FM)函數的一自變數且該第二座標為一調幅(AM)函數的另一自變數，且該累計訊號強度為每一該經分析數據單位的訊號強度值的一積分。
  2. 如申請專利範圍第1項所述之裝置，其中該第一軸為調頻(frequency modulation；FM)的一對數尺度，該第二軸為調幅(amplitude modulation；AM)的一對數尺度，該第一座標為該調頻(FM)函數的該自變數的一對數值(logarithmic value)且該第二座標為該調幅(AM)函數的該自變數的一對數值。
  3. 如申請專利範圍第1項所述之裝置，更包括一非暫態(non-transitory)電腦程式產品以呈現該腦電活動，其中該非暫態電腦程式產品包括多組指令，當該些指令被該分析模組執行時將使該分析模組執行以下的動作，包括：1)對該些電活動訊號執行經驗模態分解法(empirical mode decomposition；EMD)以產生一組初級本質模組函數(primary intrinsic mode function；IMF)；2)對該組初級本質模組函數執行經驗模態分解法以產生一組次級本質模組函數(secondary intrinsic mode function；IMF)；3)轉換該組初級本質模組函數以產生調頻(frequency modulation；FM)函數且轉換該組次級本質模組函數以產生調幅(amplitude modulation；AM)函數；4)結合該些調頻(FM)函數和該些調幅(AM)函數以產生複數個經分析數據組。
  4. 如申請專利範圍第1項所述之裝置，其中該些經分析數據單位是由腦電波(electroencephalography；EEG)、腦磁波(magnetoencephalography；MEG)和腦皮層電波(electroencephalography；ECoG)產出。
  5. 如申請專利範圍第1項所述之裝置，其中該些視覺元素為功能性腦電波表面構形圖(functional electroencephalotopography；fEEToPG)或功能性腦電波斷層圖(functional electroencephalotomography；fEEToMG)。
  6. 如申請專利範圍第5項所述之裝置，其中每一該視覺元素更包括一界線以定義一解剖圖，且當該些視覺元素為功能性腦電波表面構形圖(functional electroencephalotopography；fEEToPG)時，該解剖圖為該腦的一二維圖。
  7. 如申請專利範圍第6項所述之裝置，其中該視覺元素更包括一個或多個位於該界線內之偵測單位ID，且每一該偵測單位ID具有一該累計訊號強度。
  8. 如申請專利範圍第7項所述之裝置，其中該視覺元素更包括複數個中間區域位於該界線內且介於多個偵測單位ID之間，且每一該中間區域具有一模擬訊號強度值。
  9. 如申請專利範圍第5項所述之裝置，其中每一該視覺元素更包括一界線以定義一解剖圖，且當該些視覺元素為功能性腦電波斷層圖(functional electroencephalotomography；fEEToMG)時，該解剖圖為該腦的一三維圖。
  10. 如申請專利範圍第9項所述之裝置，其中該視覺元素更包括一個或多個位於該界線內之偵測單位ID，且每一該偵測單位ID具有一該累計訊號強度。
  11. 如申請專利範圍第10項所述之裝置，其中該視覺元素更包括複數個中間區域位於該界線內且介於多個偵測單位ID之間，且每一該中間區域具有一模擬訊號強度值。
  12. 如申請專利範圍第1項所述之裝置，其中該在每一該視覺元素中的該累計訊號強度是由色階、灰階圖、多條曲線或多種網點所表示。
  13. 一種分析至少一腦之電活動的裝置，包括：一分析模組以產生一組機率值(probabilities)以量化至少二個視覺輸出之間的統計顯著性，其中每一該視覺輸出包括複數個在一時間區間中所獲得的經分析數據單位，且每一該經分析數據單位包括一第一座標、一第二座標和一訊號強度值，該第一座標為由一初級本質模組函數(primary intrinsic mode function；primary IMF)轉換而來的一調頻(FM)函數的一自變數，該第二座標為由一次級本質模組函數(secondary intrinsic mode function；secondary IMF)轉換而來的一調幅(AM)函數的一自變數，每一該初級本質模組函數是由一經驗模態分解法(empirical mode decomposition；EMD)從複數個電活動訊號中產出，且每一該次級本質模組函數是由一經驗模態分解法從該初級本質模組函數中產出，且該累計訊號強度為每一該經分析數據單位的訊號強度值的一積分；一視覺輸出模組以根據該組機率值產生一視覺輸出空間，且顯示一視覺輸出，其中該視覺輸出包括一第一軸代表調頻(frequency modulation；FM)，一第二軸代表調幅(amplitude modulation；AM)以及由該第一軸和該第二軸所定義的複數個視覺元素，且每一該視覺元素包括一機率值以量化其他視覺輸出之間的統計顯著性。
  14. 如申請專利範圍第13項所述之裝置，其中該用來量化統計顯著性之機率值為一P值(P-value)。
  15. 如申請專利範圍第13項所述之裝置，其中每一該視覺元素更包括一界線以定義一解剖圖，且當該些視覺元素為功能性腦電波表面構形圖(functional electroencephalotopography；fEEToPG)時，該解剖圖為該腦的一二維圖。
  16. 如申請專利範圍第15項所述之裝置，其中該用來量化統計顯著性之機率值為一P值(P-value)。
  17. 如申請專利範圍第13項所述之裝置，其中每一該視覺元素更包括一界線以定義一解剖圖，且當該些視覺元素為功能性腦電波斷層圖(functional electroencephalotomography；fEEToMG)時，該解剖圖為該腦的一三維圖。
  18. 如申請專利範圍第17項所述之裝置，其中該用來量化統計顯著性之機率值為一P值(P-value)。
TW107117404A 2017-05-22 2018-05-22 腦波檢測裝置 TWI678188B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US201762509199P 2017-05-22 2017-05-22
US62/509199 2017-05-22

Publications (2)

Publication Number Publication Date
TW201902419A TW201902419A (zh) 2019-01-16
TWI678188B true TWI678188B (zh) 2019-12-01

Family

ID=64395997

Family Applications (2)

Application Number Title Priority Date Filing Date
TW107117404A TWI678188B (zh) 2017-05-22 2018-05-22 腦波檢測裝置
TW107117405A TWI674881B (zh) 2017-05-22 2018-05-22 心血管檢測裝置與方法

Family Applications After (1)

Application Number Title Priority Date Filing Date
TW107117405A TWI674881B (zh) 2017-05-22 2018-05-22 心血管檢測裝置與方法

Country Status (4)

Country Link
US (2) US20210110925A1 (zh)
CN (1) CN109843157A (zh)
TW (2) TWI678188B (zh)
WO (2) WO2018217676A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI780396B (zh) * 2020-01-22 2022-10-11 長庚醫療財團法人嘉義長庚紀念醫院 基於多特徵磁振造影與人工智慧之自殺意念的評估方法及評估系統

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109498000B (zh) * 2018-12-25 2021-08-17 杭州电子科技大学 基于emd与wpd特征融合的癫痫发作前期预测方法
CN109924990A (zh) * 2019-03-27 2019-06-25 兰州大学 一种基于emd算法的脑电信号抑郁症识别系统
CN110292377B (zh) * 2019-06-10 2022-04-01 东南大学 基于瞬时频率和功率谱熵融合特征的脑电信号分析方法
CN114364310A (zh) * 2019-08-14 2022-04-15 美商心环科技股份有限公司 血压量测系统及方法
CN110575164B (zh) * 2019-09-20 2022-04-12 桂林电子科技大学 脑电信号伪迹去除方法及计算机可读存储介质
CN111107478B (zh) 2019-12-11 2021-04-09 江苏爱谛科技研究院有限公司 一种声音增强方法及声音增强系统
CN111493822B (zh) * 2020-03-23 2023-01-31 济南国科医工科技发展有限公司 一种基于睡眠脑电的快速眼动期睡眠行为障碍分类方法
TWI729860B (zh) * 2020-06-20 2021-06-01 陳韋達 用於檢測大腦精神壓力特徵值之測量方法與測量裝置
CN112580436B (zh) * 2020-11-25 2022-05-03 重庆邮电大学 一种基于黎曼流形坐标对齐的脑电信号域适应方法
TWI773385B (zh) * 2021-04-06 2022-08-01 光禾感知科技股份有限公司 睡眠呼吸中止的監測系統和監測方法
CN113247730B (zh) * 2021-06-10 2022-11-08 浙江新再灵科技股份有限公司 基于多维特征的电梯乘客尖叫检测方法及系统
CN116530996B (zh) * 2023-06-26 2023-08-29 广东技术师范大学 一种面向低测量负荷心电数据的异常预警方法及系统
CN117617921B (zh) * 2024-01-23 2024-03-26 吉林大学 基于物联网的智能血压监控系统及方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW519486B (en) * 2001-02-05 2003-02-01 Univ California EEG feedback control in sound therapy for tinnitus
TW200803946A (en) * 2006-07-11 2008-01-16 Beaunix Co Ltd Music-synchronized low frequency stimulator
TWI505813B (zh) * 2009-03-16 2015-11-01 Neurosky Inc 利用感測誘發電位的裝置之腦電圖控制

Family Cites Families (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050283053A1 (en) * 2002-01-30 2005-12-22 Decharms Richard C Methods for physiological monitoring, training, exercise and regulation
US6862558B2 (en) * 2001-02-14 2005-03-01 The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration Empirical mode decomposition for analyzing acoustical signals
WO2006003636A1 (en) * 2004-06-30 2006-01-12 Koninklijke Philips Electronics, N.V. A system and method to quantify patients clinical trends and monitoring their status progression
US7346461B2 (en) * 2005-09-30 2008-03-18 The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration System and method of analyzing vibrations and identifying failure signatures in the vibrations
US8090163B2 (en) * 2006-10-10 2012-01-03 West Virginia University Research Corp. Multi-resolutional texture analysis fingerprint liveness systems and methods
WO2009005013A1 (ja) * 2007-06-29 2009-01-08 Toshinori Kato 白質強調処理装置、白質強調処理方法及びプログラム
CA2649731C (en) * 2008-11-05 2015-07-21 The George Washington University An unobtrusive driver drowsiness detection method
US20120310107A1 (en) * 2009-10-27 2012-12-06 Cerebral Diagnostics Canada Incorporated Spectral decomposition and display of three-dimensional electrical activity in the cerebral cortex
US9182469B2 (en) * 2011-07-13 2015-11-10 Sagrad, Inc. System and method for locating a point in space
US9259186B2 (en) * 2012-09-11 2016-02-16 Covidien Lp Methods and systems for determining noise information from a physiological signal
US9532748B2 (en) * 2013-04-22 2017-01-03 Personal Neuro Devices Inc. Methods and devices for brain activity monitoring supporting mental state development and training
CN103845137B (zh) * 2014-03-19 2016-03-02 北京工业大学 基于稳态视觉诱发脑机接口的机器人控制方法
CN105095559A (zh) * 2014-05-09 2015-11-25 中央大学 实施全息希尔伯特频谱分析的方法与系统
TWI522958B (zh) * 2014-06-11 2016-02-21 國立成功大學 生理訊號分析方法及其系統與內儲生理訊號分析程式之電腦程式產品
US9610025B2 (en) * 2014-07-01 2017-04-04 Medtronic, Inc. Method and apparatus for verifying discriminating of tachycardia events in a medical device having dual sensing vectors
US9259167B2 (en) * 2014-07-02 2016-02-16 National Central University Method and system for extracting ventricular fibrillation signals in electrocardiogram
CN104510468A (zh) * 2014-12-30 2015-04-15 中国科学院深圳先进技术研究院 一种脑电信号的特征提取方法及装置
TW201626943A (zh) * 2015-01-26 2016-08-01 Sen Science Inc 耳戴式生理檢測裝置
WO2016176511A1 (en) * 2015-04-29 2016-11-03 Data Cocoon LLC Tessellated data visualization system
TW201711634A (zh) * 2015-09-17 2017-04-01 國立中央大學 腦功能成像辨識的方法及系統
CN106610918A (zh) * 2015-10-22 2017-05-03 中央大学 自适应性二进、共轭屏蔽网格之经验模态分解方法及其系统
TWI581818B (zh) * 2015-10-30 2017-05-11 國立中央大學 頭顱電刺激的系統及方法
CN106682442B (zh) * 2017-01-06 2019-03-29 上海神州美景健康科技有限公司 脑卒中早期预警与脑血管健康管理系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW519486B (en) * 2001-02-05 2003-02-01 Univ California EEG feedback control in sound therapy for tinnitus
TW200803946A (en) * 2006-07-11 2008-01-16 Beaunix Co Ltd Music-synchronized low frequency stimulator
TWI505813B (zh) * 2009-03-16 2015-11-01 Neurosky Inc 利用感測誘發電位的裝置之腦電圖控制

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI780396B (zh) * 2020-01-22 2022-10-11 長庚醫療財團法人嘉義長庚紀念醫院 基於多特徵磁振造影與人工智慧之自殺意念的評估方法及評估系統

Also Published As

Publication number Publication date
US20210110925A1 (en) 2021-04-15
TW201902419A (zh) 2019-01-16
CN109843157A (zh) 2019-06-04
TW201902416A (zh) 2019-01-16
WO2018217677A1 (en) 2018-11-29
TWI674881B (zh) 2019-10-21
US20200196875A1 (en) 2020-06-25
WO2018217676A1 (en) 2018-11-29

Similar Documents

Publication Publication Date Title
TWI678188B (zh) 腦波檢測裝置
Kucyi et al. Intracranial electrophysiology reveals reproducible intrinsic functional connectivity within human brain networks
Nariai et al. Statistical mapping of ictal high‐frequency oscillations in epileptic spasms
Friberg et al. Clinical review: continuous and simplified electroencephalography to monitor brain recovery after cardiac arrest
AU2012285379B2 (en) Method and system for estimating brain concussion
Sprecher et al. High resolution topography of age-related changes in non-rapid eye movement sleep electroencephalography
Ringli et al. Topography of sleep slow wave activity in children with attention-deficit/hyperactivity disorder
Von Ellenrieder et al. Size of cortical generators of epileptic interictal events and visibility on scalp EEG
Calzada-Reyes et al. EEG abnormalities in psychopath and non-psychopath violent offenders
Motoi et al. Quantitative analysis of intracranial electrocorticography signals using the concept of statistical parametric mapping
van der Molen et al. Will they like me? Neural and behavioral responses to social-evaluative peer feedback in socially and non-socially anxious females
Sato et al. Low entropy of interictal gamma oscillations is a biomarker of the seizure onset zone in focal cortical dysplasia type II
Zhang et al. Decreased effective connectivity between insula and anterior cingulate cortex during a working memory task after prolonged sleep deprivation
Migliorelli et al. Cognitive stimulation has potential for brain activation in individuals with Rett syndrome
Rocha et al. Re-test reliability and internal consistency of EEG alpha-band oscillations in older adults with chronic knee pain
Koenig et al. Clinical neurophysiology in acute coma and disorders of consciousness
Efthymiou et al. Predictive value of EEG in postanoxic encephalopathy: a quantitative model-based approach
Jiang et al. Dynamic neuromagnetic network changes of seizure termination in absence epilepsy: a magnetoencephalography study
Hautala et al. Recording activity in proximal muscle networks with surface EMG in assessing infant motor development
Sidelinger et al. Day‐to‐day individual alpha frequency variability measured by a mobile EEG device relates to anxiety
Tripathi et al. Default Mode and Dorsal Attention Network functional connectivity associated with alpha and beta peak frequency in individuals
Barnes et al. Impairments in attention in occasionally snoring children: an event-related potential study
Sato et al. A guide for the use of fNIRS in microcephaly associated to congenital Zika virus infection
Castelnovo A high-density electroencephalographic investigation of sleep brain oscillations
Kim et al. A quantitative representation of continuous brain state during sleep