用于探测诱发响应信号的系统、方法和设备与流程

相关申请本公开内容要求2014年9月24日提交的美国临时专利申请62/054,538的优先权，其内容在此并入本文。本申请涉及用于探测对刺激的诱发响应(刺激响应信号)的设备、系统和方法。特别地，本申请涉及的设备、系统和方法用于在信噪比(例如在电生理诱发响应中)较低时探测诱发响应。
背景技术：
：存在许多情形可能有必要从噪声接收信号中提取感兴趣的信号。这种任务在所接受信号具有低信噪比(snr)的情形中变得更困难。在以下情况下，感兴趣的信号可响应于刺激而生成，并也可同步于该刺激。这种情况的一个示例涉及测量诱发响应。对各种刺激的电生理诱发响应已知包含对于评估人和动物的感觉神经系统有价值的临床和科研信息。诱发响应(er)例如用于听觉诱发电势、视觉诱发电势、耳声发射，等等，常常是在er记录时信号换能器(例如电极或麦克风)所典型记录的噪声的十分之一至千分之一。在许多情况下，er波形及其临床相关特征仅可在对单独刺激的数千次响应进行平均之后探测到。在诱发响应(er)检测过程中由信号换能器记录的噪声可由于各种源引起，例如包括由于肌肉活动产生的噪声，如肌电图(emg)噪声或类似物，并且还可包括来自照明、其它设施和类似物的电噪声。由于噪声通常数倍于er信号，因而噪声易于掩盖er信号。临床er测量的一个困难是：确定er波形的具体特征是否体现出真实的电生理响应或者具体特征是否是噪声的结果。er探测的特定应用是听觉脑干反应(abr)和听觉稳态响应(assr)的探测，其应用于婴儿听力筛查和全年龄段听阈确定，可用于助听器定制适配。用于在记录对听觉刺激的响应时使噪声最小化的多种传统技术是已知的。这些技术例如包括：信号平均和信号加权平均、信号过滤、排除伪迹、和各种被设计为使对象放松或镇静的技术。信号平均涉及：以多个刺激来刺激患者；获得多个基于时间的数据系列，每个数据系列同步于单个刺激情况；和对多个同步数据系列取平均。早已认识到这种传统平均方法在诱发电势获取时的限制。由于信噪比(snr)差可产生问题，所需的平均值数量典型地与snr的平方成反比例地增大。排出伪迹(ar)可用于消除被噪声污染最严重的数据系列或数据系列组，其中将超过预设阈值的噪声的数据系列平均值排除在外。加权平均(wa)可进一步改善snr，其中与其噪声含量成反比例地加权数据系列组。存在各种传统方法评估数据系列组的噪声含量以确定权重。假定噪声是准平稳的(即，在每组数据系列内平稳)而且在各数据系列之间是独立的，则在组内与噪声的方差成反比例地对每个组加权将使加权平均的平方误差最小化。在传统示例中，对刺激的一组250个响应(以30hz的速率刺激)可进行检查和取平均。在此情况下，所述组的持续时间大于8秒。这种技术的缺陷是：诱发电势测量值中的噪声通常在8秒的持续时间中不是平稳的，特别是当时间系列由于因肌肉活动所致的患者emg形成干扰而被污染时。当进行多组测量时，进一步的缺陷是：环境中的电噪声通常不会对于不同组而不变，特别是当该噪声的相当大的组分呈周期性或准周期性时，例如为从电力线干扰或从深度睡眠过程中连贯皮层eeg等等而来的噪声。例如，在阿尔法波段中的连贯的或准连贯的eeg噪声在麻醉情况下特别大，使在阿尔法波段中探测包含显著频率含量的皮层诱发电势特别困难。对于平均方案或加权平均方案的改进可包括：对于abr信号和eeg使用规范性数据以估计被包括在信号和添加噪声中的数据系列中的方差的噪声组分的量度。如果基于规范性数据的信号模型是准确的，则这种技术允许通过各个数据系列(而不是数据系列组)估计噪声。对于这种貌似有效的技术，可能仅需要平稳性假定用于单个数据系列或响应的持续时间(典型地小于100ms)。不过，规范性数据通常基于刺激类型和刺激水平，且在至少一些情况下，噪声可能不必平稳，甚至在这样的端持续时间中。在不同的传统手段中，权重被选择为逆相关于各个数据系列与估计平均值之间的相异度的测量值。在一个示例中，权重可反比例于每个单独数据系列与估计平均信号估计值之间的均方误差。总之，类似于其它前述传统方法，加权技术的操作假定来自不同数据系列的噪声是独立的，即，在数据系列对之间的噪声具有零协方差。如果这种独立性假定无效，则结果的权重将不是优化的，因为加权平均值中的均方噪声将未被最小化。在诱发响应信号中，独立性假定由于环境噪声(当存在时)通常是无效的，环境噪声例如为从电力线频率及其谐波而来的正弦噪声，其通常不是独立的而且不平稳。在此描述的设备、系统和方法的实施例意在解决探测诱发响应信号的传统方法的至少一种困难。技术实现要素：在第一方面，本公开内容提供一种对噪声中的诱发响应信号的探测方法，所述方法包括：生成多个刺激；接收噪声信号，所述噪声信号相关于对所述多个刺激的诱发响应；将所述噪声信号分为对所述多个刺激的多个响应；估计用于所述多个响应的统计矩阵；收缩(shrink)所述统计矩阵；基于所述收缩的统计矩阵的逆(inverse)而计算权重；将权重施加于所述多个响应以构建最终响应；和输出所述最终响应。在特定情况下，所述收缩所述统计矩阵可包括：计算各响应的组合之间的关联性；形成负关联对清单；对于所述清单中的每个负关联对：确定所述对中的响应之一是否处于收缩清单中，如是则从所述负关联对清单去除所述对，否则将所述对的两个响应均加到所述收缩清单；当所述负关联对清单为空时，将所述统计矩阵的对应于所述收缩清单中的响应的所有非对角元素设定为0，以提供收缩的统计矩阵；和返回所述收缩的统计矩阵。在另一特定情况下，所述方法可进一步包括：将每个响应分解为多个子响应，以形成多组子响应，并且对于所述多组子响应中的每组执行：估计用于所述多个响应的统计矩阵；收缩所述统计矩阵；基于所述收缩的统计矩阵的逆而计算权重；将权重施加于所述多个响应以构建最终响应。在又一特定情况下，所述分解包括：对所述多级离散小波变换的每个尺度(scale)的循环中的各个响应，执行多级离散小波变换；选择所述多级离散小波变换的尺度，而且对于所选择的尺度：将未选择的尺度的小波系数设定为0，执行多级逆向离散小波变换以获得对于所选择尺度的时域子响应；和返回多组子响应，每组包括具有相同尺度的子响应。在又一特定情况下，所述统计可以是协方差，所述统计矩阵可以是协方差矩阵。在另一特定情况下，所述统计矩阵可以是大于两个维度的阵列。在又一特定情况下，所述统计可以是均方根，所述统计矩阵可以是大于两个维度的均根阵列。在又一特定情况下，所述的将所述噪声信号分为对所述多个刺激的多个响应，可基于与所述多个刺激同步的所述多个响应实现。在另一方面，本公开内容提供一种对噪声中的诱发响应信号的探测设备，所述设备具有：输入装置，其被构造以接收与多个刺激和一噪声信号相关的数据，该噪声信号相关于对所述多个刺激的诱发响应信号；和处理器，其被构造以：从所述输入装置接收所述噪声信号并将所述噪声信号分为对所述多个刺激的多个响应；估计用于所述多个响应的统计矩阵；收缩所述统计矩阵；基于所述收缩的统计矩阵的逆而计算权重；和将权重施加于所述多个响应以构建出体现所述诱发响应信号的最终响应。在特定情况下，当收缩所述统计矩阵时，所述处理器可进一步被构造以：计算各响应的组合之间的关联性；形成负关联对清单；对于所述清单中的每个负关联对：确定所述对中的响应之一是否处于收缩清单中，如是则从所述负关联对清单去除所述对，否则将所述对的两个响应均加到所述收缩清单；当所述负关联对清单为空时，将所述统计矩阵的对应于所述收缩清单中的响应的所有非对角元素设定为0，以提供收缩的统计矩阵；和返回所述收缩的统计矩阵。在另一特定情况下，所述处理器可以进一步被构造以：将每个响应分解为多个子响应，以形成多组子响应，并且对于所述多组子响应中的每组执行以下步骤：估计用于所述多个响应的统计矩阵；收缩所述统计矩阵；基于所述收缩的统计矩阵的逆而计算权重；将权重施加于所述多个响应以构建最终响应。在又一特定情况下，所述处理器当分解每个响应时可进一步被构造以：对所述多级离散小波变换的每个尺度的循环中的各个响应，执行多级离散小波变换；选择所述多级离散小波变换的尺度，而且对于所选择的尺度：将未选择的尺度的小波系数设定为0，执行多级逆向离散小波变换以获得对于所选择尺度的时域子响应；和返回多组子响应，每组包括具有相同尺度的子响应。在又一特定情况下，所述统计可以是协方差，所述统计矩阵可以是协方差矩阵。在特定情况下，所述统计矩阵可以是大于两个维度的阵列。在另一特定情况下，所述统计可以是均方根，所述统计矩阵可以是大于两个维度的均方根阵列。在又一特定情况下，所述的将所述噪声信号分为对所述多个刺激的多个响应，可基于与所述多个刺激同步的所述多个响应实现。在本公开内容的又一方面，提供一种对噪声中的诱发响应信号的探测系统，所述系统包括：刺激生成器，其被构造以生成多个刺激；多个传感器，其被构造以接收噪声信号，该噪声信号包括对所述多个刺激的诱发响应信号；输入装置，其被构造以接收与所述多个刺激和所述噪声信号相关的数据；处理器，其被构造为：从所述输入装置接收所述噪声信号并且将所述噪声信号分为对所述多个刺激的多个响应；估计用于所述多个响应的统计矩阵；收缩所述统计矩阵；基于所述收缩的统计矩阵的逆而计算权重；和将权重施加于所述多个响应以构建出体现所述诱发响应信号的最终响应。输出装置，用于输出从所述处理器接收的所述最终响应。在特定情况下，当收缩所述统计矩阵时，所述处理器可进一步被构造以：计算各响应的组合之间的关联性；形成负关联对清单；对于所述清单中的每个负关联对：确定所述对中的响应之一是否处于收缩清单中，如是则从所述负关联对清单去除所述对，否则将所述对的两个响应均加到所述收缩清单；当所述负关联对清单为空时，将所述统计矩阵的对应于所述收缩清单中的响应的所有非对角元素设定为0，以提供收缩的统计矩阵；和返回所述收缩的统计矩阵。在另一特定情况下，所述处理器可以进一步被构造以：将每个响应分解为多个子响应，以形成多组子响应，并且对于所述多组子响应中的每组执行以下步骤：估计用于所述多个响应的统计矩阵；收缩所述统计矩阵；基于所述收缩的统计矩阵的逆而计算权重；将权重施加于所述多个响应以构建最终响应。在又一特定情况下，所述处理器当分解每个响应时可进一步被构造以：对所述多级离散小波变换的每个尺度的循环中的各个响应，执行多级离散小波变换；选择所述多级离散小波变换的尺度，而且对于所选择的尺度：将未选择的尺度的小波系数设定为0，执行多级逆向离散小波变换以获得对于所选择尺度的时域子响应；和返回多组子响应，每组包括具有相同尺度的子响应。在又一特定情况下，所述统计可以是协方差，所述统计矩阵可以是协方差矩阵。在特定情况下，所述统计矩阵可以是大于两个维度的阵列。在另一特定情况下，所述统计可以是均方根，所述统计矩阵可以是大于两个维度的均方根阵列。在又一特定情况下，所述的将所述噪声信号分为对所述多个刺激的多个响应，可基于与所述多个刺激同步的所述多个响应实现。通过阅读以下结合附图对具体实施例的描述，对于本领域技术人员而言，本公开内容的其它方面和特征将变得显见。附图说明本公开内容的实施例现在将仅以示例方式参照附图描述。图1例示出用于诱发响应探测的设备和系统的实施例；图2例示出用于诱发响应探测的方法的实施例；图3例示出利用协方差矩阵降噪的用于探测诱发响应的方法的示例；图4例示出收缩协方差矩阵的方法的示例；图5例示出用于将响应分解为多个子响应的方法的示例；图6例示出响应于刺激的来自电极的样本数据(“噪声信号”)；图7例示出使用方法1的abr试验的最终响应；图8例示出使用方法2的abr试验的最终响应；图9例示出使用方法3的abr试验的最终响应；图10例示出在手术前状况下使用方法1的mmn试验的最终响应；图11例示出在手术前状况下使用方法2的mmn试验的最终响应；图12例示出在手术前状况下使用方法3的mmn试验的最终响应；图13例示出在麻醉状况下使用方法1的mmn试验的最终响应；图14例示出在麻醉状况下使用方法2的mmn试验的最终响应；和图15例示出在麻醉状况下使用方法3的mmn试验的最终响应；具体实施方式本申请涉及用于探测诱发响应信号的设备、系统和方法，特别涉及在包含同步信号、例如响应于刺激而生成的信号(刺激响应信号)的一系列数据中的诱发响应。特别地，本申请涉及的设备、系统和方法用于在信噪比(例如在电生理诱发响应(例如视觉、听觉和感官响应)中)较低时探测信号。在背景噪声(例如eeg噪声和电力线噪声)很大且为准正弦信号时，所述探测信号的方法特别适合听觉诱发响应的使用。所述设备、系统和方法的实施例在此意在以相比于传统技术(例如标准加权平均、和类似方式)而言改进的方式从结果平均值中减少负关联噪声。用于探测诱发响应信号的设备或系统100的实施例显示在图1中。在此所描述的设备将用于电生理信号，例如高级听觉脑干反应(abr)或意识探测，不过，通过研究本文中的描述，本领域技术人员可开发出类似设备用于其它电生理信号或应用。系统100包括刺激发生器105，刺激发生器105可在系统其它部分之内或之外并向对象110提供刺激。一个或多个传感器115(例如一个或多个电极)被设置到所述对象以探测噪声信号(包括对刺激的响应)，噪声信号被发送到输入模块120。输入模块120也可从刺激发生器105接收输入，其相关于用于同步目的而提供的刺激。应理解，电极接收连续数据，有时被称为“噪声数据”或“噪声信号”。对于每个刺激，对象大脑内将生成同步诱发响应。典型地，这种诱发响应也将由电极探测，不过通常被隐藏在噪声信号中。本文中所述系统、设备和方法的实施例意在将诱发响应、或刺激同步组分、(有时被称为“响应”)分离于非同步组分(即，噪声)。为易于指示，预期包括刺激同步组分的噪声信号部分有时也被称为“响应”，而且也被称为“扫描(sweep)”。在信噪比(snr)不佳的情况下(典型地在生理诱发响应中)，探测在噪声信号中是否存在响应通常涉及：提供多个基本相同的刺激，并对与所述刺激对应的多个响应(即，噪声信号的部分)取平均。最终的波形或平均响应(有时被称为“最终响应”)是同步诱发响应的估计值，具有减小的噪声。应理解，诱发响应的类型将通常取决于所述刺激和取决于所述对象。例如，如果对象不能听到听觉刺激，则将不存在对所述听觉刺激的诱发响应。返回图1，当在输入模块120处接收之前或之后，来自传感器115的输入可通过过滤模块125(例如带通滤波器或类似物)过滤(在此示例中，过滤模块125显示在输入模块之后，不过在输入模块之前提供过滤也是有益的)。在一些情况下，过滤器125可附接到或并入到一个或多个传感器115中。系统100可进一步包括：放大器130。在一些情况下，来自输入模块120的输入可在其由过滤器125过滤之前或之后进行放大。在其它情况下，放大器130可连接到或并入到一个或多个传感器115中。输入模块120将数据(例如相关于噪声信号和刺激的数据)提供到处理器135，处理器135提供如下所述的各种功能和/或模块的能力，而同时使用记忆体140以存储数据、计算结果、等等。处理器135还通过输出模块145而提供输出数据的能力。在一些情况下，处理器135也可与刺激发生器105连接以向刺激发生器105提供指令，并且在一些情况下也可从刺激发生器105直接接收信息。输出模块145可输入采用现有技术中已知的各种格式的数据，例如包括对显示器150的输出，用于由系统用户观看。刺激发生器145可包括多个刺激源，例如视觉和听觉的源，或者可为单一源。进一步地，在任一情况下，所述刺激可生成多个响应，例如引出abr和assr(听觉稳态响应)的听觉刺激。每个响应可具有或不具有特定的频带，并可使用过滤以隔离每个对响应特定的频带用于分析。如前所述，过滤可在放大之前或之后，且进一步地，每个组装结构(montage)(即，电极组合)可设置有多个过滤器或者处于多个过滤器中。图2例示出一个实施例的方法200，用于探测响应于一刺激而生成的诱发响应信号。在205，多个刺激通过刺激发生器105生成。在210，包含多个响应的噪声信号由一个或多个传感器115探测并被发送到输入模块120。在一些情况下，来自所生成的刺激或与其相关的噪声信号的数据也可存储在记忆体140中。在215，在一些情况下，过滤和/或放大可应用于噪声信号，例如通过过滤器125或放大器130实现。如前所述，过滤和/或放大的执行可以早于或晚于在输入模块120处接收信号。在过滤器的一示例中，考虑到abr刺激(例如，在30至3000hz、100至1500hz、或其它范围，取决于刺激速率)，在感兴趣的区域之外的数据将为噪声，在随后的信号处理之前去除该噪声可有利于分析以确定所述诱发响应。在220，噪声信号由处理器135分析以分离出各个响应、对响应执行分析、和确定最终响应，其体现出估计的诱发响应并指示出是否已探测到诱发响应。在225，最终响应可通过输出模块145输出到例如显示器150。在一些情况下，最终响应也可储存到记忆体140。以下描述提供用于分析噪声信号以探测诱发响应的方法的实施例的进一步的细节。如前所述，有时在分析信号时使用取平均和加权平均(wa)以改善snr，例如通过对数据系列或数据系列组反比例于其噪声含量而加权。不过，通常，加权技术的操作基于如下假定：来自数据系列的噪声针对数据系列是独立的，即，在成对的数据系列之间的噪声具有零协方差，且在大多数情况下这种假定在诱发响应中可能并不有效，取决于环境。有趣的是，诱发响应的优化加权问题可以被看作是方差最小化问题，即，试图确定一响应而使得所述响应中的误差方差最小化。虑及于此的另一方式是：优化加权可通过用于得出(derive)权重的方法得以解决，该方法得到优化加权平均值，即，具有最小方差(因而使标准偏差最小)的加权平均值。在此所提出的方法不同于传统方法之处至少在于：所述方法的实施例利用噪声矩阵的统计学估计值(例如协方差)，而不是仅利用噪声方差的估计值。使用这种手段，平均值中的噪声方差的全局最小化将以满足以下公式的权重而实现：其中，∑-1是与所测量响应对中的噪声相关的统计矩阵的逆(inverse)，1是1’s矢量。以下描述处理所测量响应对之间的协方差(所述矩阵被称为协方差矩阵)，不过，与噪声相关的其它统计学方式在适合时可加以替代。如下所述，例如，另一统计学方式可为均方根(rms)测量，所述矩阵可为大于两个维度的阵列。在协方差矩阵的情况下，协方差矩阵可例如通过用于以数据集群或响应数据自身来预测方差数据的样本数据进行预测。最小化问题的其它(非全局)解决方案可在添加线性限制时产生。例如，对于给定期望总平均数和权重不能为负的限制，寻找最小方差。线性编程技术可用于得出在线性限制下使噪声方差最小的矢量w。这些解决方案可整体上表达为全局最小方差解决方案的线性组合(给定每个独立输入的上述和预期值)：w*＝∑-1(λ11+λ2μ)(公式2)其中，μ是独立结果预期值的矢量，系数λi使用使方差最小化的拉格朗日或数值方法得出。不过，这些最小化解决方案的实际实施可能有所局限，这是因为，协方差矩阵可能无法精确获知。估计的协方差矩阵通常基于有限的数据样本，并通常可能被认为状况不佳。结果，协方差估计中的小误差可导致不良的权重选择。进一步地，矩阵的逆变可放大估计误差。据信，在诱发的潜在应用中，协方差矩阵可从例如相互刺激数据推出，但应注意的是，协方差估计值的小的不准确性可导致不良的加权选择。本质上，采样可能仅为种群估计。在一些情况下，对协方差矩阵施加收缩可提供更加稳固的协方差矩阵。在一些情况下，可提供收缩估计器，其为从样本数据估计的协方差与结构协方差(典型地为恒定协方差，从所有样本协方差的预期值得出)的线性组合。其它收缩技术也可使用，涉及对大多数协方差对将协方差减小至零，并留下与预测方差相同的对角(diagonal)方差项，使用要求剩余协方差项超过一些阈值或者被收缩或设定为零的统计学技术或类似技术。本公开内容提供一种设备、系统和方法，用于对诱发响应应用施加协方差矩阵收缩，并使用结果的修改的协方差矩阵确定权重用于诱发潜在响应的加权平均。在此的实施例包括：估计初始协方差矩阵。可使用如前所述的方法中的一种或者现有技术中已知的方法从相互刺激、预刺激、或内部刺激数据来估计协方差矩阵。由于协方差矩阵中的误差在矩阵逆变时可能被放大，因而协方差矩阵将如在此所述地进行收缩。例如，在一实施例中，协方差矩阵的对角元素可不作操作，并体现出每个响应中的独立方差。然后，非对角元素中的一些或所有被选择性地朝向全局预期协方差(典型地为零)收缩。图3a例示出一个实施例的方法300，用于分析噪声信号(图2中的220)。在305，持续的eeg信号(噪声信号)被分为对于刺激的一组独立响应。在此特定实施例中，独立响应的分组基于与刺激同步的响应而定，不过本领域技术人员应理解，噪声信号的其它分组方式也是可行的。在310，从305的独立响应形成与噪声内容相关的统计矩阵(在此实施例中为协方差矩阵)。对于协方差示例，对于响应x和y，协方差可例如被计算如下：在315，收缩协方差矩阵。在320，从协方差矩阵计算全局最小方差权重。在325，将权重施加于响应数据以构建最终响应。在330，返回最终响应。协方差矩阵可按一种或多种方式或者按各方式的组合进行收缩。例如，在一些情况下，协方差矩阵的在一些统计学阈值以下的非对角元素可设定为零。在一个示例中，阈值可被设定为使得协方差矩阵变为稀疏矩阵。在另一示例中，对于每个响应可允许最多一个非零非对角元素，使得在矩阵的任意非对角的行或列中最多一个非零元素。这种限制意在简化矩阵逆变，其可被减小至一系列2x2矩阵逆变。协方差矩阵收缩的一个示例的进一步的细节显示在图4中。图3b例示出另一实施例的方法340，用于分析噪声信号(图2中的220)。在345，持续的eeg信号(噪声信号)被分为对于刺激的一组独立响应。在此情况下，所述分组基于与刺激同步的而定。在350，对于每个独立响应，可施加分解算法以获得子响应，例如不同频率组分的子响应。子响应然后可成组布置(所述组包括来自每个响应的对应的子响应)，例如对于每个频率组分的一组子响应。利用小波获得子响应的示例性方法在下文参照图5更详细描述。其它示例的分解方法包括：短时傅里叶变换、线性调频小波变换(chirplet)、和带宽(bank)过滤。在355，执行对每组子响应的循环，其中构建最终子响应。对于每组子响应，在360，估计协方差矩阵。在365，协方差矩阵被选择性地收缩。在370，计算全局最小方差权重。在375，施加权重以构建最终子响应。此过程循环直到所有子响应处理完毕。在380，各子响应求和以产生最终响应，在385，返回最终响应。用于收缩协方差矩阵的一个实施例的方法400被例示在图4中。在405，计算各响应的对组合之间的关联性。在410，形成负关联对清单。在415，确定大多数负关联对。在420，确定关联对中的响应之一是否处于收缩清单中。如果响应不在清单中，则在425，将所述对的两个响应均加到收缩清单。如果响应已在清单中或者当其已被加到清单之后，则在430从所述负关联对清单去除所述对。这种收缩清单的准备满足了在矩阵的任意非对角的行或列中最多一个非零元素的准则。在435，确定是否仍然存在任何负关联对。如果清单中仍存在负关联对，则重复循环直到负关联对清单为空。一旦为空，则在440，将协方差矩阵的对应于不在收缩清单中的响应的所有非对角元素设定为0。在445，返回收缩的协方差矩阵∑s。将图4的过程可视化或加以考虑的另一方式是：利用关联矩阵，其中包含响应对的关联值。对于关联矩阵，上三角关联矩阵是足够的，这是因为下三角仅为上三角沿对角线的映像，其应被理解为均“1’s”。首先，所有正关联对被设定为零。对此，存在各种手段用于选择拟剩余的对，而同时仍保持整体准则，即，每行和列应不多于一个非对角元素为非零。作为示例，参见图4的方法，选择下一最负关联对，系统行或列中内的剩余的非对角元素被设定为零。对于剩余矩阵的下一最负关联对，重复这些并继续，直到不再存在负关联对。这种负关联矩阵然后用作“掩码”，使得在协方差矩阵∑s中，负关联矩阵中对应于零元素的元素被设定为零以提供收缩的协方差矩阵。作为简单示例，形成用于六个响应的负关联矩阵的方法如下：原始关联矩阵：将下三角组分设定为零(由于映像)：去除正关联：选择最负关联元素(1,5)，并将行1、5和列1、5中的剩余的非对角元素设定为零。选择下一最负关联元素(2,4)，并将行2、4和列2、4中的剩余的非对角元素设定为零：这种关联矩阵然后用作对于协方差矩阵的掩码，使得仅对1、5和2、5将在协方差矩阵∑s中非零并因而用于通过逆协方差矩阵调节加权。在可替代方案中，可以通过选择配对组合将负关联思路进一步外推，这将给出优化响应，例如将给出最大负关联的对的关联之和。应注意，每行和列的不多于一个非对角元素可为非零的准则将整体上保持，以易于计算。简单的4响应的示例显示如下：原始关联矩阵：将下三角组分设定为零(由于映像)：去除正关联：选项1：选择负关联元素(1，2)，并将行1、2和列1、2中的剩余的非对角元素设定为零。此后，不再存在剩余的负关联对。选项1具有的和为-0.8。选项2：选择负关联元素(1，3)，并将行1、3和列1、3中的剩余的非对角元素设定为零。此后，在(2，4)不再存在负关联对。选项2具有的和为-1.1。选项3：选择负关联元素(2，3)，并将行2、3和列2、3中的剩余的非对角元素设定为零。此后，不再存在剩余的负关联对。选项3具有的和为-0.2。选项4：选择负关联元素(2，4)，并将行2、4和列2、4中的剩余的非对角元素设定为零。此后，在(1，3)不再存在负关联对。选项4具有的和为-1.1。这样，所述方法将会选择最负关联的结果，即，选项2(其与选项4相同)，而非选项1或选项3，这种选项2将会用于准备收缩的协方差矩阵∑s。如从此简单示例中可见，这种方法比图4的方法可变得在计算上更具扩展性。方法400可使用而使得：对应于协方差元素/项的关联性可用于确定在收缩的协方差矩阵中包括协方差元素/项的阈值，使得仅包括最负关联的元素且所有其它元素被设定为零。仅使用最负关联元素、并结合每行或列一个非零非对角元素的限制。意在减少计算复杂度并确保结果权重是非负的。在收缩操作之后，可基于收缩/稀疏协方差矩阵选择权重(320和370)以最小化方差。如果矩阵可逆，则一种用于全局最小方差权重的示例性解决方案由公式1确定：其中∑s是收缩的协方差矩阵。可替代地，方差可通过对矢量的限制而最小化，例如，限制单个权重的值低于预定阈值。在一些应用中，信号的先验常识可允许预测。最小化还可以或替代性地可以使用线性编程方法选择加权矢量w*而实现，其中，w*使公式最小化。对诱发响应测量值加权以减少噪声的技术可与其它技术(例如过滤和适应性过滤)相结合使用。过滤的执行可先于或晚于诱发响应探测方法的完成。如前所述，在350，对此技术的另一选项是将每个独立响应分解为多个响应，例如不同频率组分的多个响应(在此情况下，原始响应可通过这些多个响应的每个的时域重构之和而获得。一个实施例的用于通过小波分解(图3b中的350)的方法500例示在图5中。多个响应中的每个可按照以上用于整个响应的方法分别处理，结果可为被处理后的多个响应之和。例如，在505，分解可通过离散小波变换(dwt)进行如下：每个独立的响应通过多级dwt处理，以在小波域中提供多尺度(scale)或频带的子响应。在510，选择多个子响应尺度中的一个。在515，其它尺度的每个的小波系数被设定为零。在520，执行多级逆离散小波变换。在525，返回时域子响应。这些在530对其它尺度重复进行(从510至525)。如前所述，在图3b的380，最终响应将简单地为：多个小波尺度的所有子响应之和(影响小波变换的数学表现)。方法500意在对每个尺度形成时域重构，其中每个独立响应等于这些时域重构之和。对应于离散小波变换的特定尺度的每个时域重构用于估计所述尺度的协方差矩阵。按照上述对整个波响应的进程基于逐个尺度而估计权重，最终响应是各个尺度的加权响应估计值之和。这种每个尺度的加权增强利用对每个独立尺度的协方差矩阵的结构。当响应中的噪声包含不同频率的多于一种正弦组分(其分为不同的小波尺度)时(通常将在噪声例如由多个电力线谐波主导时发生)，这可能特别有益。这种分解方法可应用于其它同步信号，例如其它生理信号。用于分析响应的另一选项(图2中的225)涉及多维度扩展(不同于仅有两个维度的协方差矩阵)，由此对于协方差而言可替代地或另外地可使用另一统计方式，例如残余均方根(rms)。这种其它统计方式可基于所测量到的响应信号、对、三元组、四元组、和五元组(例如五维分析)的组合而计算。这种多维度矩阵或阵列将为310和360中的统计矩阵(取代前述的协方差矩阵)。在rms示例中，这种矩阵的对角将以单个响应的rms填充(populate)，三维矩阵将在结合每个测量到的响应对和每个测量到的响应三元组之后以残余rms填充。结合响应可进行为平均值、加权平均或其他方法。然后可在每个维度(在二维中的行或列，如前所述)仅允许一个非零非对角元素的限制下进行收缩。对于rms的示例，在收缩时，对于包括哪个元素的选择，可例如基于在此维度中具有最小残余rms的元素而定，其与使用适用于图4中的过程在交叉维度中的较小残余rms不冲突。以类似方式，用于确定拟使用权重的方法可基于统计学选择而定。在rms示例中，权重可从收缩矩阵(具有适度的简化)的残余rms的逆而计算出，如320和370中所示，所述响应将被组合以构建最终响应，如325和375中所示。用于减噪技术的试验结果为例示出本文中的探测方法在测量听觉脑干响应和测量失配性负波(mmn)响应时的效果，实施在此所述的设备、系统和方法的实施例，并检查其在abr和mmn中的使用。样本结果在此呈现。虽然结果可能因个体不同而略有差异且取决于每种环境中的噪声，不过据信：这些结果显示出在此所述的设备、系统和方法的实施例优点。abr试验在此试验中，对于新生儿右耳中的听觉短声刺激(30dbnhl)，收集响应。在包括多个来自电力设备的电力线谐波的医院环境中收集数据。原始数据响应的示例显示在图6中，并例示出主导响应的多个电力线谐波。对于3200个响应，计算所有响应对的方差和协方差，并使用数据填充协方差矩阵σ。通过留下所有对角元素并施加所有以下三个方法而收缩协方差矩阵：方法1)通过将所有非对角元素设定为零而形成∑s。这种方法类似于正比例于响应的方差的逆而为每个响应选择权重。这是传统方法。方法2)a.将响应对整理排序，以最负关联的为首。b.依序选择最负关联对，弃置包括已选择响应的对。c.通过使对应于上述选择对的非对角项保留其在σ中的原值并将所有其它非对角项设定为零，形成∑s。方法3)a.通过以下方式预处理对于单独刺激的各个响应：施加多级离散小波变换(在此试验中为双正交5.5多级dwt)，将响应分为5个尺度，其包括4个细节和1个近似。b.通过以下方式将这些尺度转换回时域：将其它尺度的小波系数设定为零，施加对应的多级逆dwt。c.基于逐个尺度对于所有响应的时域尺度特定信号执行以下步骤：i.将响应对整理排序，以最负关联的为首。ii.依序选择最负关联对，弃置包括已选择响应的对。iii.通过使对应于上述选择对的非对角项保留其在σ中的原值并将所有其它非对角项设定为零，形成∑s。对于所有方法(对于方法3，其基于逐个尺度执行)：a.通过以下公式计算最小方差权重：b.使用上述加权矢量计算所述响应的加权平均值。c.对于方法3，通过对各个尺度计算的加权平均值求和而对所有5个尺度重新组合加权平均响应。这个试验的结果例示在图7、8、9中。为了检查每种方法的响应重复性，结果被分为2个独立系列。半数的数据(1600个响应)用于生成系列1，半数的数据(1600个响应)用于生成系列2。将数据分为这些组，可使用各种适合技术进行，不过，在此特定试验中，所用技术是montecarlo进程，如在kurtz的美国专利8,484,270中所述。可注意的是，对于所有方法，约8毫秒处(波峰之后为负斜率波)的听觉脑干响应(已知为波v)清晰显见。在图7中显见，方法1中的响应受到60hz电力线噪声的影响，电力线噪声可影响重复性(如系列1和系列2之间的差异所示)。方法2显见减小或消除了主导的60hz谐波，但更高的谐波可能对响应的重复性产生负面影响(系列1和系列2的轨迹仍然不精确)。在这三种方法中，使用方法3时显见的是，不受欢迎的噪声所致的方差被最小化。失配性负波(mmn)试验失配性负波响应是在一序列各类似刺激中针对反常或偏差刺激生成的诱发响应。虽然其不依赖于注意力，不过其为皮层响应，因而涉及意识。这种试验假定：当患者有意识时在对标准刺激和偏差刺激的响应之间的存在可探测到的差异，但在麻醉过程中则不存在可探测到的差异；数据可变性将通过利用在此所述的设备、系统和方法的实施例而减小。患者通过短时长的听觉短声刺激进行刺激，其强度为65dbhl，每秒约1.7个刺激。还施加随机插入的偏差刺激，其包含比标准刺激略高频率的内容。在试验中，对标准刺激的426个响应和对随机插入偏差刺激的107个响应在施行麻醉之前从患者头皮上的电极收集。在麻醉保持阶段中重复此过程。这些响应根据在前述abr试验中所述三种方法进行分析和加权，并比较性能。使用三种方法的试验的结果显示在图10、11、12(用于手术前检测)、图13、14、15(用于麻醉检测)的图线中以及下表1中。mmn试验意在例示出平均标准和偏差响应，不同于在前述abr试验中例示出的重复性。mmn响应被确定为：当被处理的偏差响应的峰值波幅在统计学上不同于在预期mmn响应的区域(在刺激开始之后50至300ms之间)中的标准响应的峰值波幅时出现。由于mmn响应取决于对象的意识状态，因而在清醒的手术前状态，我们预期将存在显著的mmn，而在麻醉状态下，我们预期将没有mmn出现。使用方法1时，在手术前时段中适合的50－300ms的时间范围中的可探测到的响应显见(图10)。当患者在麻醉中无意识时还存在伪响应(图13)，这使得难以确定患者是否真的无意识。这种伪响应据信是由于在麻醉条件下存在的压倒性巨大的阿尔法波段eeg而出现。特别地，由于eeg噪声与所述信号处于相同的频率范围中，因而其对信号造成干扰。即使在麻醉情况下，标准与偏差之间的峰值差别也较高。表1中的基于统计学的检测例示出：响应可能在统计学上不显著。在此情况下的噪声因而将会显现而阻碍明确区分此患者是否处于有意识状态。不过，使用方法2时，情况显著改善，在手术前数据(图11)与麻醉数据(图14)之间的差别显见。此示例据信基本为使用这种方法的典型结果，不过可能存在一些变化，例如基于对象、噪声条件和类似物的变化。使用方法3时，将大阿尔法波段从结果中去除，清晰显示出在麻醉数据中不存在mmn响应(图15)，不过在手术前数据中保持清晰响应(图12)。在执行不同方法时仍然可能存在一些变化，例如基于对象、噪声条件和类似物的变化。表1：mmn表现：将峰值偏差与峰值标准比较差别(μv)标准误差t-检测手术前方法14.8760.3600.001方法23.4930.2700.001方法31.9880.1680.001麻醉方法12.5152.0830.314方法20.8460.9200.426方法30.2890.2920.396在以上描述中，为了解释目的，提出多个细节以提供对实施例的透彻理解。不过，对本领域技术人员将显见的是，这些具体细节可以是不必需的。在其它情况下，公知的结构显示在结构示意图中可能混淆理解。例如，对于在此所述的实施例或其部分是否实现为软件例程、硬件电路、固件或它们的组合，并未提供具体细节。本公开内容的实施例或者其部分可实现为计算机程序产品，其存储于机器可读介质(也被称为计算机可读介质、处理器可读介质、或计算机可用介质，其中实现有计算机宽度程序代码)中。机器可读介质可为任何适合的实体、非易失性介质，包括磁、光或电存储介质，包括磁盘、光盘只读存储器(cd-rom)、记忆装置(易失性或非易失性的)、或者类似存储机构。机器可读介质可包含多组指令、代码序列、配置信息、或其它数据，其在被执行时使得处理器执行根据本公开内容的实施例的方法的步骤。本领域技术人员应认识到，实施所述实施方案所必要的其它指令和操作也可被存储在机器可读介质上。存储在机器可读介质上的指令可由处理器或其它适合的处理装置执行，并可与电路交互以执行所述任务。当前第1页12