用于自動痙攣監測的方法、設備和計算機程序產品技術

本發明專利技術名稱為“用于自動痙攣監測的方法、設備和計算機程序產品”。從受檢者獲得的腦波信號數據導出至少一個參數集時間序列，其中每個參數集序列包括序貫參數集并且每個參數集包括至少兩個信號參數的值，這些值從該腦波信號數據導出。為了減少受檢者間變化的易感性以及提高對每個記錄的適應性，該受檢者的過去的EEG信號數據用于確定包絡目標，其包含序貫參數集從參數空間中的過去信號數據形式導出的參數點。還確定參考點，其在參數空間中的位點取決于過去的信號數據。然后從受檢者獲得至少一個新的參數點，并且確定演變指示器集。

【技術實現步驟摘要】
用于自動痙攣監測的方法、設備和計算機程序產品
本公開大體上涉及腦波信號的監測。更具體地，本專利技術涉及用于監測腦波信號的演變的機制和腦波信號中痙攣(seizure)活動的自動檢測。
技術介紹
世界上大約5%的人在他們的生命中經歷痙攣活動。當在沒有外部刺激的情況下重復地出現痙攣時，人將患有癲癇癥(印il印sy)。整個人口的大約O. 5%屬于該核心群，這使癲癇癥成為最常見的神經系統紊亂。根據當前的標準化，存在兩個主要類別的痙攣整體痙攣和部分痙攣。整體痙攣牽涉整個大腦，而部分痙攣牽涉大腦的受限區域。這些主要類別被進一步分成若干子類別，其描述了在痙攣期間人所展示的運動類型以及意識和知覺如何受到影響。一般地，劇烈的、陣發性的、且不自主的肌肉驚厥(convulsion)稱作驚厥，并常常涉及痙攣。腦電描記法(EEG)是用于評估大腦活動的完善的方法。測量電極典型地附連在頭皮上來記錄并且分析皮層的椎體細胞中生成的弱的生物電勢信號。備選地，電極可侵入式地附連在大腦和頭骨之間，或附連在大腦組織內部。幾十年來EEG已經在大腦的神經系統的基礎研究以及多種中樞神經系統疾病和素亂的臨床診斷中廣泛地使用。癲癇癥患者的行為和EEG的文獻提供用于癲癇癥的手術規劃、診斷和后續治療的重要信息。當間歇且不可預知地發生痙攣時，典型地使用持續若干天的長期監測以便捕捉涉及痙攣的EEG和行為表現的足夠信息。在專用設備和人員可用于該目的的醫院里，典型地采用癲癇癥監測單元(EMU)做這些記錄。然而,遠程醫療和變化(ambulatory)記錄領域中的新發展使得在不久的將來家庭監測對于癲癇癥患者可能是切實可行的。長期EEG記錄產生大量的EEG數據，其隨后由經認證的醫師查看。采用視覺分析， 基于經驗搜索已知的具體EEG波形形態和動態模式來對應于痙攣。詳細地檢驗找到的形態和模式來獲得關于痙攣的類型和起因的信息。因為視覺分析是基于由人類觀察者實行的模式識別，所以分析過程具有某些局限性，例如痙攣識別的主觀性和分析的緩慢性。查看長期 EEG記錄可需要若干小時的工作。在查看期間，人的大腦可容易變得疲勞并且可錯過痙攣， 特別是短的那些。為了有助于視覺EEG查看，從二十世紀七十年代以來已經開發了自動痙攣檢測算法。然而，因為在EEG中患者痙攣活動的表現互不相同，因此開發普遍功能的自動檢測器具有挑戰性。自動痙攣檢測領域的新進展涉及患者特定的痙攣檢測器。它們終結了人類觀察者與基于計算機的檢測器之間的性能差距。這些檢測器是半自動的；在檢測器可以搜索相似的實例之前人類觀察者必須從數據標記一個痙攣實例。盡管有局限性和計算中的新進展，視覺EEG查看保留了痙攣檢測的技術發展水平。除對于診斷目的重要外，痙攣檢測在旨在防止腦損傷的護理決策方面具有至關重要的作用。如果痙攣活動在幾分鐘內沒有緩解，不可逆腦損傷的風險急劇增加。延長的痙攣活動稱作癲癇持續狀態(SE)并且其是主要的醫療緊急事件。遭受SE的患者在重癥監護病房(ICU)重度治療。整體SE導致具有持續智力病態(intellectual morbidity)的不可逆腦損傷。取決于病因，整體SE的死亡率可從20至30%。在過去的十年內，在I⑶患者中已經廣泛地實現痙攣的盛行。已經觀察到甚至沒有癲癇癥史或沒有任何神經紊亂的患者可在I⑶中表現出痙攣。這些痙攣的原因可涉及危重病,例如缺氧、缺血、中毒、和代謝異常。而且,像中風、腦出血、腦腫瘤、中樞神經系統感染、和腦外傷的神經病變增加了痙攣的風險。使該患者群中痙攣檢測尤其具有挑戰性的是絕大多數痙攣是非驚厥性的。即，患者在痙攣期間沒有展現出劇烈的運動。根據當前的知識，EEG是非驚厥性痙攣的唯一特定指示器。實際上，18-34%遭受無法解釋的意識水平降低的神經重癥監護患者已經顯示出具有非驚厥性痙攣并且這些患者的10%處于非驚厥性癲癇持續狀態(NCSE)。根據當前的理解，非驚厥性痙攣與驚厥性痙攣相似地產生不可逆腦損傷，并且從而對于該患者群也強烈推薦藥物治療。為重癥監護患者實行的痙攣檢測對自動痙攣檢測算法設置了新的要求。同時，借助于持續EEG監測和耗時的視覺EEG分析來檢測這些痙攣。痙攣需要利用抗驚厥藥物的急性治療，并且從而涉及視覺查看的延遲對于患者通常是不利的。因此，迫切需要自動的在線痙攣檢測器。使用從EMU收集的數據開發的可買到的自動算法對于ICU患者人群沒有被正確地評估。在EMU中，這些檢測器每小時產生O. 6-2. 4個誤檢。在I⑶環境中，假陽性率甚至很可能更高，因為神經病I⑶患者的EEG特有地包含非常類似于痙攣的異常特征，例如三相波和α昏迷。然而，用抗驚厥藥物治療這些異常EEG特征對于患者可具有不利的影響。因此， ICU中痙攣活動的可靠檢測尤其重要。如上文描述的，幾十年來自動痙攣檢測已經是已知的技術挑戰。然而，現今的自動化痙攣檢測系統仍將具有兩個普遍的缺點不能適于多種不同的受檢者并且也不能適于像 ICU的新的應用領域中遇到的患者數據。不能適于廣泛的受檢者通過顯著的EEG痙攣波形中的個體間差異以及通過寬動態變化(其甚至發生在遭受痙攣的單個受檢者的信號數據中)而加劇。不能適于ICU患者數據通過以下事實而加劇ICU中遇到的非驚厥性痙攣的危險程度的新知識為ICU環境中的自動在線痙攣檢測的智能和技術性能設置新的、更苛刻的準則。
技術實現思路
上文提到的問題在本文解決，其將從下列說明書理解。該說明書描述了用于監測腦波信號以及通過評估信號的時間演變而檢測痙攣活動的新的方法。為了減少受檢者間變化的易感性以及提高對每個記錄的適應性，受檢者的過去的EEG信號數據用于確定包絡目標，其包含參數點，參數點序貫從參數空間中的過去信號數據形式導出的參數集。這里，參數點指在參數空間中從信號通道數據導出的N個參數的集在一個時期期間所限定的點，該參數空間的N個維度分別由這N個參數限定。典型地，N等于二。因為目標包含參數點，所以其在該情況下稱為包絡目標。此外，確定參考點，其在參數空間中的位點(location)取決于過去的信號數據。參考點可從與包絡目標相同的歷史數據導出或從包絡目標導出。然后從受檢者獲得至少一個新的參數點并且確定演變指示器集，其指示在參數空間中新的點相對于包絡目標和參考點的位置。然后可以多種方式采用該演變指示器集來向用戶指示痙攣活動是否存在。例如，如果演變指示器集指示新的點的位置滿足關于包絡目標和參考點的預定準則，可做出關于痙攣活動存在的決定并且痙攣活動的存在可指示給用戶。在相反的情況下，新的參數點可用于更新包絡目標和參考點，或至少歷史數據，下次將基于該歷史數據計算包絡目標和參考點。此外，可分別基于一個或多個EEG通道確定一個或多個演變指示器集，并且可以多種方式使用從每個集獲得的比較結果來決定痙攣活動的存在。在一實施例中，一種用于監測大腦中的痙攣活動的方法，包括從自受檢者獲得的腦波信號數據導出第一參數集序列，其中該第一參數集序列包括序貫參數集并且每個參數集包括至少兩個信號參數的值，這些值從腦波信號數據導出；以及在由至少兩個信號參數限定的參數空間中從第一參數集序列確定包絡目標，其中該包絡目標包含該參數空間中的第一參數集序列。該方法還包括確定參考點，其中該參考點在參數空間中的位點取決于第一參數集序列；從腦波信號數據獲得第二參本文檔來自技高網...

【技術保護點】
一種用于監測大腦中的痙攣活動的方法，所述方法包括：?從自受檢者(610)獲得的腦波信號數據導出第一參數集序列，其中所述第一參數集序列包括序貫參數集并且每個參數集包括至少兩個信號參數的值，所述值從所述腦波信號數據導出；?在由所述至少兩個信號參數限定的參數空間(21)中從所述第一參數集序列確定(107；55、56；402)包絡目標(22；31)，其中所述包絡目標包含所述參數空間中的所述第一參數集序列；?確定(107；55、56；402)參考點(23；32)，其中所述參考點在所述參數空間中的位點取決于所述第一參數集序列；?從所述腦波信號數據獲得第二參數集序列，其中所述第二參數集序列包括所述第一參數集序列的所述序貫參數集后的至少一個參數集；?確定演變指示器集，其指示(a)所述第二參數集序列相對于所述包絡目標的位點和(b)所述第二參數集序列相對于所述參考點的方向；?基于(i)所述第一參數集序列的序貫參數集和(ii)所述第二參數集序列有條件地更新(111)所述包絡目標(22；31)和所述參考點(23；32)，其中所述有條件地更新包括：如果所述演變指示器集未能滿足指示痙攣活動的預定位點和方向準則就執行所述更新并且如果所述演變指示器集滿足所述預定位點和方向準則就跳過所述更新；以及?指示(110；409)所述演變指示器集是否滿足所述預定位點和方向準則，由此產生所述腦波信號數據中的痙攣活動的指示。...

【技術特征摘要】
...

【專利技術屬性】
技術研發人員：A坦納，M薩克拉，
申請(專利權)人：通用電氣公司，
類型：發明
國別省市：