专利名称：用于自动癫痫监测的方法、设备和计算机程序产品的制作方法
技术领域：
本公开大体上涉及脑波信号的监测。更具体地，本发明涉及用于监测脑波信号演变的机制，以及脑波信号中癫痫活动(seizure activity)的自动检测。
背景技术：
世界人口中大约有5%在他们的一生中有时遭受癫痫活动。当在没有外界刺激的情况下癫痫重复发生时，则这人患了癫痫症(印il印sy)。全部人口中的大约0.5%属于该核心群，其使得癫痫症成为最普通的神经病症。根据当前的标准化，存在两个主要的癫痫类别全面癫痫和半癫痫(partial seizure)。全面癫痫牵涉整个脑部，而半癫痫牵涉脑部限制区域。主要类别还被分成若干子类别，其描述人所表现的移动类型，以及在癫痫期间认知和意识如何受到影响。通常而言，剧烈、阵发性和不随意肌肉痉挛都称为痉挛，并且常常与癫痫有关。脑电图描记(EEG)是用于评定脑活动的良好建立的方法。测量电极典型地附着到头骨表面的皮肤上，以记录和分析在皮层的锥体细胞中生成的弱的生物电势信号。备选地， 电极可非侵入性地附着在脑和头骨之间，或者脑组织内。EEG在脑的神经系统的基本研究以及各种中央神经系统疾病和病症的临床诊断中已经广泛用了数十年。癫痫患者的行为和EEG的文献提供了重要的信息，以用于癫痫的外科手术计划、 诊断和跟踪治疗。因为癫痫间歇并且不可预测地发作，为了捕获到涉及癫痫的EEG和行为表现的足够信息，典型地使用持续数日的长期监测。典型地，这些记录在医院的癫痫监测单元(EMU)中获取，其中专用设备和人员都可用于此目的。但是，远距离医学和流动记录领域的最新进展使得在不久的将来在家中对癫痫患者进行监测是可行的。长期的EEG记录产生大量EEG数据，其随后由鉴定专家重新查阅。在可视分析中， 搜索对应于癫痫的特定EEG波形形态学和动态模式，其基于经验是已知的。发现的形态学和模式被详细检查，以用于获得关于癫痫类型和起因的信息。由于可视分析基于由观察者进行的模式识别，分析处理包含某些限制，诸如癫痫识别的主观性和分析缓慢。回顾长期 EEG记录可能需要若干小时的工作量，所以人脑可能容易变得精疲力竭，并且可能错过癫痫，尤其是较短的那些癫痫。为了辅助可视EEG回顾，从20世纪70年代就开始开发自动癫痫检测算法。但是， 因为具有癫痫活动的EEG在患者之间是有区别的，通用功能的自动检测器的开发富有挑战性。自动癫痫检测领域的最新进展涉及患者特定癫痫检测器，其靠拢观察者和基于计算机的检测器之间的性能差距。这些检测器是半自动的；观察者必须在检测器可以搜索相似病例之前从数据中标记一个癫痫病例。即使存在计算的最新进展以及可视EEG回顾的限制， 这仍然是癫痫检测的目前技术水平。除了对诊断目的是重要的之外，癫痫检测在以防止脑损伤为目的的监护决策中充当重要角色。如果癫痫活动不在几分钟之内解除，则不可逆的脑损伤风险将大大增加。拖延的癫痫活动称为癫痫持续状态(SE)，并且它是一种重大的医学急救情形。遭受SE的患者要在重症监护病房(ICU)中接收重度治疗。全面SE导致不可逆的脑损伤，其伴随持久的智力不健全。根据病因学，全面SE的死亡率可为20-30%。在过去的十年中，已经广泛认识到ICU患者中癫痫的流行。已经观察到，即使没有癫痫过往历史或任何神经病症的患者可能在ICU中表现出癫痫。这些癫痫的原因可与危重病，诸如组织缺氧、缺血、中毒以及新陈代谢异常等有关。而且，神经病理(像中风、脑内出血、脑瘤、中枢神经系统感染以及外部脑损伤)增加癫痫的风险。使在该患者群中进行癫痫检测特别富有挑战性的是，大部分癫痫都是非痉挛性的。也就是说，患者在癫痫期间不会展现出剧烈移动。根据当前知识，EEG是非痉挛性癫痫的仅有的特定指标。实际上，遭受不清楚的压低水平的意识的神经重症监护患者中的18-34%已经显示具有非痉挛性癫痫，并且这些患者中的10%处于非痉挛性癫痫持续状态(NCSE)。根据当前的理解，非痉挛性癫痫类似于痉挛性癫痫产生不可逆的脑损伤，从而也向该患者群高度地推荐药物治疗。用于特护患者所进行的癫痫检测已经对于自动癫痫检测算法建立了新的需求。此时，检测这些癫痫要借助于持续的EEG监测和耗时的可视EEG分析。癫痫需要用抗痉挛药物的急性治疗，所以涉及可视回顾的延迟常常对患者是有害的。因此，迫切需要有自动、联机的癫痫检测器。使用自EMU’s收集的数据而开发的商业上可用的自动算法还没有对I⑶患者群体适当地评估。在EMU中，这些检测器每小时产生0.6-2. 4个错误检测。在I⑶环境中，假阳性率可能甚至更高，这是因为神经性疾病ICU患者的EEG在特性上包含极其类似癫痫的异常特征，诸如三相波和α昏迷。但是，用抗惊厥药物来治疗这些异常EEG特征对患者来可具有有害效果。因此，ICUs中癫痫活动的可靠检测是非常重要的。如上所述，几十年来自动癫痫检测仍然是技术挑战。新的应用区域、比如ICU，以及非痉挛性癫痫的危急性的新知识对自动癫痫检测的技术性能设置了新的、更多需求的判据。由专家在可视分析中观察到的一个信号特征是癫痫模式的时间演变。但是，实际上在已知的自动癫痫检测算法中省略了该判据。在它们的简单性方面，已知的自动EEG癫痫检测器依靠信号特性(像功率和周期)，从而易受到错误检测的影响。癫痫演化特征在于 EEG中的连续变化，其在EEG频率和幅度中常常是可视的。众所周知，这些变化并不仅是癫痫活动特有的，这是因为在神经性健康对象中幅度和频率也是变化的，例如与警惕症水平 (vigilance level)上的变更有关。
发明内容
上文提及的问题在本文中解决，其将通过下面说明理解。该说明描述了用于量化脑波信号的时间演变的新颖方法，由此最终导致癫痫检测的精度提高。这里，演变涉及在脑波信号和信号参数中发生的逐渐发展或发展进程。为了最小化自动癫痫检测中的错误检测，脑波信号的演变通过路径来量化，从信号导出的连续参数集在参数空间中形成该路径。 即，信号演变通过量化该发展来量化，该发展发生在给定时期内在参数空间中形成的路径中。进程量化以给定顺序发生的一系列事件，由此区别于基于统计学的方法(诸如方差)， 其不考虑连续样本的顺序。可确定一个或多个路径，每个路径的演变计量值可用作演变指标，其可以多种方式使用以指示癫痫活动的发生。所述方式例如取决于所确定路径的数量。 在简单实施例中，可以形成一个路径，并且路径长度可直接用作演变指标并且由此也可以用作癫痫活动发生的指标，而在多通道实施例中，可确定多个路径并且可基于多个路径来确定最终的演变指标。如果用于确定路径的时间段是恒定的，则在物理术语上路径长度对应平均速度。代替实际长度，以某方式表示长度的任何参数可用作演变指标。例如，路径长度可变换成合适的比例(scale)。在另一实施例中，发生在路径(形成于给定时间段)中的演变可通过如下方式来确定确定形成路径的连续片段的长度的导数，即瞬时加速值，以及将演变指标确定为瞬时加速值的总和。在实施例中，用于监测脑中癫痫活动的方法包括将至少一个参数集序列从取自受检者的脑波信号数据中导出，其中每个参数集序列包括连续参数集，并且每个参数集包括至少两个信号参数的值，所述值从脑波信号数据中导出。该方法还包括确定如下路径，该路径由该至少一个参数集序列中的每个在参数空间(由该至少两个信号参数限定)中形成， 从而获得至少一个路径。该方法还包括计算至少一个演变指标，其中每个演变指标量化发生在相应路径(在给定时间段内在参数空间中形成)中的演变以及使用至少一个演变指标来产生脑波信号数据中癫痫活动的指示。在另一实施例中，用于监测脑中癫痫活动的设备包括参数确定单元，其配置成将至少一个参数集序列从取自受检者的脑波信号数据导出，其中每个参数集序列包括连续参数集，每个参数集包括至少两个信号参数的值，并且其中该值从脑波信号数据中导出。该设备还包括路径确定单元，其配置成确定如下路径，该路径由该至少一个参数集序列中的每个在参数空间(由该至少两个信号参数限定)中形成，从而获得至少一个路径。该设备还包括指标确定单元，其配置成计算至少一个演变指标，其中每个演变指标指示发生在相应路径(在给定的时间段内在参数空间中形成)中的数量演变；以及指示单元，其配置成采用该至少一个演变指标，从而产生脑波信号数据中癫痫活动的指示。在再另一实施例中，用于监测脑中癫痫活动的计算机程序产品包括第一程序产品部分，其配置成将至少一个参数集序列从取自受检者的脑波信号数据中导出，其中每个参数集序列包括连续参数集，每个参数集包括至少两个信号参数的值，并且其中该值从脑波信号数据中导出。该计算机程序产品还包括第二程序产品部分，其配置成确定如下路径，该路径由该至少一个参数集序列中的每个在参数空间(由该至少两个信号参数限定)中形成，从而获得至少一个路径。该计算机程序产品还包括第三程序产品部分，其配置成计算至少一个演变指标，其中每个演变指标指示发生在相应路径(在给定的时间段内在参数空间中形成)中的数量演变；以及第四程序产品部分，其配置成采用该至少一个演变指标，从而产生脑波信号数据中癫痫活动的指示。通过下面详细的描述以及附图将使本发明的各种其它特征、目的和优点对本领域内技术人员明显。
图1图示用于监测癫痫活动的方法的一个实施例；图2图示用于监测癫痫活动的方法的另一实施例；图3图示图2的实施例情形下的参数空间；图4图示用于监测癫痫活动的方法的另一实施例；图5图示非癫痫期间四个不同通道的演变路径的示例；
图6图示癫痫期间四个不同通道的演变路径的示例；图7图示用于基于一个或多个脑波信号监测癫痫活动的设备/系统；以及图8图示图7的设备/系统的控制和处理单元的操作实体。
具体实施例方式图1图示用于监测受检者脑波信号的方法的一个实施例。描述的操作涉及一个测量通道，并且如果使用多测量通道则相似的操作可应用于每个测量通道。下面结合图4对多通道实施例进行讨论。正常情况下，在步骤11从受检者获得的脑波信号数据被分割成连续片段或时间窗，通常称为短时信号(印och)(步骤1 。由此，短时信号序列表示相应测量通道的脑波信号数据，以及逐个短时信号地处理该信号。一个短时信号的长度可变化，但也可是例如一秒。在此假定，短时信号是非重叠的。替代短时信号，可使用单个样本值，但待导出的参数在该情形大概具有更大噪声。对于每个短时信号，包括至少两个参数的参数集从短时信号的信号数据中导出 (步骤1 。S卩，在步骤13，脑波信号被参数化，从而获得描述信号的至少两个参数的相应时间序列。例如，涉及脑波信号的幅度和瞬时频率的参数可从信号数据中导出。备选地，可导出涉及幅度的第一参数和涉及尖峰率(spike rate)的第二参数。参数的确定可包括可选滤波，其中平滑参数的时程(time-course)并且去除可能的波动。例如，可应用十一个连续参数值的中值滤波。接下来，在步骤14将参数值绘图到参数空间中，从而跟踪参数空间中的连续值。 参数空间在这里指如下空间该空间的N个维度分别由N个参数限定，对每个短时信号确定该N个参数(N>2)。即，同时发生的参数值在参数空间中限定一点(或子空间)。典型地，N等于2，由此参数空间是2维空间，诸如平面或坐标系等，其中一个轴线表示一个参数，并且另一轴线表示另一参数。当使用两个参数时，脑的当前状态由2维参数空间中的点 {x(n),y(n)}来表示，其中χ (η)是第一参数的值，y (η)是第二参数的值，并且η表示时间序列中离散样本点的序号。点Ix(η)，y(η)}在此称为参数点。即，参数点由对于短时信号所获得的参数集来限定。通过在步骤15确定参数空间中连续参数点之间的路径来监测脑状态的演变。例如，可从{χ (η)，y (η)}至{χ (η+1)，y (n+1)}，以及从{χ (η+1)，y (n+1)}至{χ (η+2)，y (η+2)} 等来确定该路径。在该上下文中，该路径称作演变路径。演变路径可在历史的某个长度上确定，其可根据应用进行调整。例如，在监测癫痫演变中，历史的合适长度可从大约30秒至大约5分钟。如果历史长度例如为30秒，并且使用连续的、非重叠的、1秒长的短时信号，则演变路径是点{x (η-29)，y (n-29)}，{χ (η-28)，y (n-28)}, . . . {χ (η-2)，y (η-2)}，{χ (η-1)， y(n-l)}，{x(n),y(n)}之间的线。若干演变路径可从相同参数点时间序列中导出。例如，使用30秒历史的第一演变路径可用于监测快速演变，以及使用3分钟历史的第二演变路径用于监测缓慢演变。结果， 在每个时间瞬间，演变路径覆盖预定长度的先前时间段，并且指示在该时段期间的参数演变。然后在步骤16确定演变指标。所确定的指标可指示演变路径的长度。使用上文的示例,路径长度可使用勾股定理(Pythagorean the orem)计算segment_length (η) = sqr t {{χ (η)-χ(η-1)}"2+{y(η)-y(η-1)} "2} ；path_length(η) = sum{segment_length(η_29), segment_length (η_28), ... , segment_length (η_2)，segment_length (η_1)，segment_ length (η)}。即，使用勾股定理计算每个路径片段的长度，以及获取演变路径的长度为片段长度的总和。通过参数空间的两个连续参数点来确定每个路径片段。演变指标可以例如等于或直接正比于所获取的路径长度，但也可以是量化发生在路径中(即连续参数集的序列中)的演变的任何参数。下面，指示对应给定时间段的路径长度的参数用作演变指标的示例。保持的路径长于在其上确定长度的部分也是可能的。逻辑上，对于参数集序列，方法由此包括两个步骤演变路径的确定以及演变指标、诸如路径长度的确定。至少将指标的确定应用到在给定时间段在参数空间中形成的路径，并且还可在若干时间段、诸如上文提及的3分钟和30秒时段上确定指标。而且，在实践中，路径和演变指标(路径长度)二者可逐个短时信号地被更新。长的演变路径指示了实质的演变已经在脑波信号中发生。典型地，当癫痫活动已经发生时就是这种情形。否则，典型地，在脑波信号中存在小得多的演变。在步骤17，然后将脑波信号中的演变量的指示给用户。该指示可牵涉显示在步骤 16确定的演变指标的值，诸如路径长度或变换成期望比例的路径长度值等。如果使用若干个测量通道，可基于一个或多个特定通道演变指标来确定演变的量，如下文讨论的。显而易见的是，即使图1示出了如前两步骤中脑波信号的采集和分割，但是连续执行联机监测这些步骤，并且在从步骤12获得新的短时信号时对每个短时信号执行步骤 13至17。短时信号的处理可在已经收集给定量历史数据时开始。但是，还可脱机使用该方法以监测之前采集的脑波数据中可能的癫痫。图2图示另一实施例，其中检测到癫痫。如上文，在此假定已经收集了足量的历史数据，由此可确定演变指标(路径长度)。在该实施例中，单通道EEG信号从受检者中获得 (步骤20)，并且信号被分成连续的短时信号(步骤21)。步骤21和22在监测期间连续执行。当从EEG信号中获得新的短时信号时，采用它用于处理(步骤22)。在该示例中， 两个参数从每个新短时信号中导出指示EEG频率的第一参数和指示EEG幅度的第二参数 (步骤23)。然后将所获得的参数值绘图至二维参数空间(步骤Μ)，诸如X-Y坐标系，其中χ轴线表示第一参数，y轴线表示第二参数(或反之亦然)。然后在步骤25通过确定如下路径的长度来确定演变指标该路径由参数空间的给定数目的先前参数点来形成。图3图示演变路径30，其包括30个参数点{χ (n-29)，y (n-29)}，{χ (η-28)， y (η-28)}，· · ·，{χ (η-1)，y (η-1)}，{χ (η)，y (η)}，其中 χ (η)，y (η)是最近的参数点。路径长度是片段31的长度总和，并且路径长度可再次用作演变指标。在图3中，关于用连续轴线表示的坐标系32执行路径长度的计算。用虚线轴线表示的变换坐标系33也在图中图示。 下面结合采用基于取向/方向的演变指标的实施例来讨论坐标变换。再次参照图2，在步骤沈，可将获取的演变量的指示给用户。此外，在步骤27，可将演变指标或路径长度与预定的或适应的癫痫阈值做比较，从而做出关于癫痫存在的判断。 如果在步骤27检测到显著的演变量，即如果路径长度达到癫痫阈值，则进程断定受检者患有癫痫(步骤四)，并且可发出警报以警告护理人员。如果路径长度没有达到癫痫阈值，则没有检测到癫痫(步骤观)。对当前短时信号已经执行步骤23至观/四之后，进程回到步骤22以便对EEG信号的下个短时信号执行相同步骤。要逐个短时信号地导出的参数的数量和类型可取决于应用。对于二维空间中的癫痫检测，一个合适的参数集可包括指示瞬时频率的第一参数和指示脑波信号的幅度/功率的第二参数。这些参数可采用各种方式来估算。正弦信号的频率是明确限定的量。但是，非固定信号(诸如EEG等)不是很适合分解成正弦分量。对于这样的信号，频率概念失去其作用，有必要使用考虑进程的时间变化特性的参数。瞬时频率(IF)是时间变化的参数，其限定了信号的谱线峰值的位置(因为其随时间变化)。在物理上，所述参数只对单分量信号是有意义的。对于多分量信号，单值瞬时频率的概念则变得在物理上没有意义，但在分析的情况下其仍旧表征信号的频率内容 (frequency content)。为了克服该限制，可将多分量信号滤波至若干个相邻的频率带，并且可在每个带中估算瞬时频率。Hilbert变换是用于瞬时频率推导的传统方法。信号s (t)的Hilbert变换由下式获得丑卩(0]二 P-V- J^ ~ 7^T
丄 πτ ，其中p. v.表示积分的Cauchy主值，并且τ是时间延迟。信号s(t)和H[s(t)] 常常据说是正交的，因为理论上它们90度异相。但是在理论上这只有在某些情形下才是如此。Gabor的复信号(complex signal) ζ (t)可使用Hilbert变换的结果导出z(t) =s (t) +jH [s (t) ] = a (t) eJ φ (t)使用Gabor的复信号ζ (t)，可通过取信号ζ (t)的相位的导数而导出瞬时频率IF 聘)二▲孚[argz⑴]学 2π at2π at短时信号的平均IF值可用作频率相关参数。信号的偶次矩(even moment)确定为
π^η = \ωη8{β ω) ω其中，m是偶数并且表示矩的阶，并且S(e>)是信号的功率谱密度。在该书面应用中，关于上式使用术语信号矩，但有时也使用具有相同含义的术语谱矩。作为本领域内技术人员认识到，信号的零次矩与信号的总功率是相同的。从1970年代开始，Hjorth参数或Hjorth斜率描述子(descriptor)广泛地用于 EEG信号分析中。它们是容易计算的参数，其用于表现信号的谱特性。第一 Hjorth参数是活动性。它对应相同信号的零次矩，即对应总功率。第二 Hjorth参数是移动性，其限定为规格化二阶信号矩的平方根
移动性=JE V^o移动性表征了信号的主频率。使用移动性等式的主频率的估算常常产生与经由Hilbert变换的IF推导看起来相似的时间曲线。然而，仍然存在称为复杂度的Hjorth参数。复杂度表征了信号带宽的一半，并且确定为
权利要求
1.一种用于监测脑中癫痫活动的方法，所述方法包括从脑波信号数据中导出(13;22，23;41，4幻至少一个参数集序列，所述脑波信号数据从受检者(710)中获得，其中每个参数集序列包括连续参数集并且每个参数集包括至少两个信号参数的值，所述值从所述脑波信号数据中导出，确定(14，15;24;45，46)由所述至少一个参数集序列中的每个在参数空间中形成的路径，所述参数空间由所述至少两个信号参数限定，从而获得至少一个路径；计算(16 ；25 ；47)至少一个演变指标，其中每个演变指标量化发生在相应路径中的演变，所述相应路径在给定时间段内在所述参数空间中形成；以及采用(17 ；26-29 ；48，49)所述至少一个演变指标以在所述脑波信号数据中产生癫痫活动的指示。
2.如权利要求1所述的方法，还包括从所述受检者(710)采集所述脑波信号数据，其中所述采集包括从所述受检者采集GO)多个脑波信号通道，其中所述脑波信号数据属于所述多个脑波信号通道，所述导出包括导出所述多个脑波信号通道中的每个的参数集序列，从而获得对应多个参数集序列；所述确定包括确定所述多个参数集序列中的每个的路径，从而获得对应多个路径； 所述计算包括计算所述多个路径中的每个的演变指标，从而获得对应多个演变指标；以及所述采用包括采用所述多个演变指标来产生所述脑波信号数据中癫痫活动的指示。
3.如权利要求1所述的方法，其中所述采用包括做出关于癫痫存在的判断07;49)。
4.如权利要求1所述的方法，其中所述计算包括计算所述至少一个演变指标，其中所述至少一个演变指标指示相应路径的长度，所述相应路径在所述给定时间段内在所述参数空间中形成。
5.如权利要求1所述的方法，其中所述导出包括以下至少一个确定所述至少两个信号参数的值，其中所述至少两个信号参数包括指示所述脑波信号数据的瞬时频率的第一信号参数，以及指示所述脑波信号数据幅度的第二信号参数；以及对所述脑波信号数据进行滤波，从而在导出所述至少一个参数集序列之前将Y活动和至少部分的β活动从所述脑波信号中去除。
6.如权利要求2所述的方法，其中所述导出还包括导出(42-44)至少一个附加参数集序列，其中每个附加参数集序列包括连续参数集，每个参数集包括所述至少两个信号参数的总值，并且每个总值从脑波信号通道的给定集中导出；所述确定还包括确定G6)由所述至少一个附加参数集序列中的每个在所述参数空间中形成的路径，从而获得至少一个附加路径；所述计算还包括计算G7)至少一个附加演变指标，其中每个附加演变指标量化发生在所述参数空间中的相应附加路径中的演变；以及所述采用还包括(i)从演变指标组中选择G^n个最大演变指标，所述演变指标组包括所述至少一个附加演变指标和所述对应多个演变指标，其中η是大于1的整数，以及(ii) 基于所述η个最大演变指标产生0 最终演变指标，其中所述最终演变指标指示所述癫痫活动。
7.一种用于监测脑中癫痫活动的设备，该设备包括参数确定单元(81)，其配置成从脑波信号数据中导出至少一个参数集序列，所述脑波信号数据从受检者(710)中获得，其中每个参数集序列包括连续参数集，并且每个参数集包括至少两个信号参数的值，并且其中所述值从所述脑波信号数据中导出；路径确定单元(83)，其配置成确定由所述至少一个参数集序列中的每个在参数空间中形成的路径，所述参数空间由所述至少两个信号参数限定，从而获得至少一个路径；指标确定单元(83)，其配置成计算至少一个演变指标，其中每个演变指标指示发生在相应路径中的量化演变，所述相应路径在给定时间段内在所述参数空间中形成；以及指示单元(85)，其配置成采用所述至少一个演变指标，从而产生所述脑波信号数据中癫痫活动指示。
8.如权利要求7所述的设备，还包括测量单元(711，712)，其配置成从所述受检者采集所述脑波信号数据，其中所述测量单元配置成从所述受检者(710)中采集多个脑波信号通道，其中所述脑波信号数据属于所述多个脑波信号通道，所述参数确定单元(81)，其配置成导出所述多个脑波信号通道中的每个的参数集序列，从而获得对应多个参数集序列；所述路径确定单元(8 ，其配置成确定所述多个参数集序列中的每个的路径，从而获得对应多个路径；所述指标确定单元(83)，其配置成计算所述多个路径中的每个的演变指标，从而获得对应多个演变指标；以及所述指示单元(85)，其配置成采用所述多个演变指标来产生所述脑波信号数据中癫痫活动的指示。
9.如权利要求7所述的设备，其中所述指示单元(85)配置成做出关于癫痫存在的判断。
10.如权利要求7所述的设备，其中所述参数空间是二维的。
11.如权利要求7所述的设备，其中所述至少一个演变指标指示相应路径的长度，所述相应路径在所述给定时间段内在所述参数空间中形成。
12.如权利要求7所述的设备，其中所述参数确定单元(81)包括预滤波器(80)，其配置成将Y活动和至少部分的β活动从所述脑波信号数据中去除。
13.如权利要求7所述的设备，其中所述至少两个信号参数包括指示所述脑波信号数据的瞬时频率的第一信号参数和指示所述脑波信号数据幅度的第二信号参数。
14.如权利要求8所述的设备，其中所述参数确定单元(81)还配置成确定至少一个附加参数集序列，其中每个附加参数集序列包括连续参数集，每个参数集包括所述至少两个信号参数的总值，并且每个总值从脑波信号通道的给定集中导出；所述路径确定单元(8 还配置成确定由所述至少一个附加参数集序列中的每个在所述参数空间中形成的路径，从而获得至少一个附加路径；所述指标确定单元(8 还配置成计算至少一个附加演变指标，其中每个附加演变指标指示发生在相应附加路径中的量化演变，所述相应附加路径在给定时间段内在所述参数空间中形成；以及所述指示单元(8 还配置成从演变指标组中选择η个最大演变指标，所述演变指标组包括所述至少一个附加演变指标和所述多个演变指标，并且基于所述η个最大的演变指标产生最终的演变指标，其中所述最终演变指标指示癫痫活动，并且η是大于1的整数。
15. 一种用于监测脑中癫痫活动的计算机程序产品，所述计算机程序产品包括第一程序产品部分，其配置成从受检者(710)获得的脑波信号数据中导出至少一个参数集序列， 其中每个参数集序列包括连续的参数集，并且每个参数集包括至少两个信号参数的值，并且其中所述值从所述脑波信号数据中导出；第二程序产品部分，其配置成确定路径，所述路径由所述至少一个参数集序列中的每个在参数空间中形成，所述参数空间由所述至少两个信号参数限定，从而获得至少一个路径；第三程序产品部分，其配置成计算至少一个演变指标，其中每个演变指标指示发生在相应路径中的量化演变，所述相应路径在给定时间段内在所述参数空间中形成；以及第四程序产品部分，其配置成采用所述至少一个演变指标，从而产生所述脑波信号数据中癫痫活动的指示。
全文摘要
公开了一种用于监测脑中癫痫活动的方法、设备和计算机程序产品。从受检者获得的脑波信号数据中导出至少一个参数集序列，其中每个参数集序列包括连续参数集，并且每个参数集包括至少两个信号参数的值，该值从该脑波信号数据中导出。确定由至少一个参数集序列的每个在参数空间中形成的路径，从而获得至少一个路径。该参数空间由该至少两个信号参数限定。计算至少一个演变指标，每个演变指标量化发生在相应路径中的演变，该相应路径在给定时间段内在该参数空间中形成。然后采用该至少一个演变指标以产生脑波信号数据中癫痫活动的指示。
文档编号A61B5/0476GK102397069SQ20111008701
公开日2012年4月4日 申请日期2011年2月15日 优先权日2010年9月16日
发明者A·J·托罗宁, M·O·K·萨克拉 申请人:通用电气公司