用于多模式神经评估的方法和设备的制作方法

用于多模式神经评估的方法和设备的制作方法
【专利摘要】描述了一种为多模式神经评定建立分类器的方法。该方法包括从多个生理和神经认知评定提取量化特征，并且从所提取的特征池中选择特征子集以构建多模式分类器。还描述了用于执行医疗点多模式神经评定的设备。
【专利说明】用于多模式神经评估的方法和设备

【技术领域】
[0001] 本公开涉及神经评定的领域，尤其涉及用于将来自多重评定技术的结果进行组合 以提供主体的神经状况的多维评估的方法和设备的开发。

【背景技术】
[0002] 目前，脑功能的客观评定局限于对通过EEG(脑电图学）记录所收集的主体的脑部 电活动数据的评估。在基本层面，脑部电信号用作正常和异常脑功能的信号，并且异常脑波 模式可以是某种脑部病理学的强烈指示。
[0003] 脑部电信号的客观评定可以使用分类器来执行，后者提供用于将从所记录的EEG 数据提取的量化特征的矢量映射（或分类）为一个或多个预定义类别的数学函数。分类器 通过形成训练数据集而建立，其中每个主体被分配以"标记"，也就是基于医生所提供并且 借助于现有技术的诸如CT扫描、MRI等的诊断系统所获得的信息的神经分类。针对数据集 中的每个主体，还可获得（从EEG所计算的）量化信号属性或特征的大的集合。从训练数 据集建立分类器的过程涉及到（从所有量化特征的集合）选择特征子集，以及构造使用这 些特征作为输入并且对具体分类产生作为其输出的对象数据的评定的数学函数。在建立分 类器之后，其可以被用来将未标记数据记录分类为属于一个或其它潜在的神经分类。随后 使用测试数据集报告分类准确性，该测试数据集可能也可能不与训练集合相重叠，但是针 对其还可以获得先验分类数据。分类器的准确性取决于包括分类器规范的一部分的特征的 选择。选择对分类任务影响最大的特征确保最佳的分类性能。
[0004] 虽然脑部电活动数据提供了一种用于分析脑部功能的有价值的手段，但是通过将 来自多种诊断测试的结果相结合，能够更为客观地评定例如创伤性脑损伤（TBI)之类的某 些多样类型的脑部损伤或机能障碍。因此，本公开提供了一种对分类器建立过程进行扩展 以将来自多重评定技术的特征或输出整合到特征选择过程之中的方法。包括来自多重评定 技术的特征保持了提高分类性能而高于在仅利用从脑部电信号得出的特征所实现的性能 的希望。


【发明内容】

[0005] 本公开描述了一种用于建立对主体的神经状态进行实时评估的分类系统的方法， 其中该分类系统将来自多重评定技术的结果/输出进行组合以执行主体条件的多模式评 定。本公开的第一方面包括一种建立用于主体的神经状况的多模式评定的分类器的方法。 该方法包括提供信号处理设备的步骤，该信号处理设备操作地连接至存储器设备，该存储 器设备存储在存在或不存在脑部异常的情况下而对多个个体所执行的不同评定的结果。该 信号处理设备包括处理器，其被配置为从存储器设备获得两个或多个不同评定的结果，从 该两个或多个评定的结果提取量化特征，将所提取的特征存储在可选择特征的池中，从可 选择特征的池中选择特征的子集以构建分类器，并且通过使用该分类器对具有先验分类信 息的数据记录进行分类而确定其分类准确性。
[0006] 本发明的第二方面是另一种建立用于将个体数据分类为神经状况的两个或多个 类别之一的分类器的方法。该方法包括提供被配置为建立分类器的处理器，以及提供操作 地耦合至该处理器的存储器设备的步骤，其中该存储器设备存储种群参考数据库，其包括 在存在或不存在脑部异常的情况下对多个个体所执行的两个或多个生理或神经认知评定 的结果所提取的量化特征的池。该处理器被配置为从脑部电活动数据以及对该种群参考数 据库中的多个个体所执行的一个或多个其它评定选择多个特征，使用所选择的量化特征构 建分类器，并且使用被先验地分配给两种类别之一的预先标记的数据记录对该分类器的性 能进行评估。
[0007] 本公开的又另一个方面是一种用于执行主体的神经状况的多模式评定的设备。该 设备包括头戴式装置（headset)，其包括被配置为记录主体的脑部电活动的一个或多个神 经电极；被配置为获取对主体所执行的一个或多个生理和神经认知评定的结果的输入设 备；和操作地耦合至该头戴式装置和输入设备的基座单元。该基座单元包括处理器，其被配 置为从脑部电活动数据以及对主体所执行的其它生理和神经认知评定提取量化特征，并且 进一步应用多模式分类器以执行主体的神经状况到两个或多个类别的分类的步骤。
[0008] 所要理解的是，以上的总体描述以及以下的详细描述都仅是示例性和解释性的而 并非对如请求保护的本发明进行限制。术语"EEG信号"和"脑部电信号"在本申请中可互 换地使用以表示使用神经电极从脑部所获取的信号。
[0009] 结合于本说明书中并构成其一部分的附图图示了本发明的实施例，并且连同描述 一起用来解释本发明各个方面的原则。

【专利附图】

【附图说明】
[0010] 图1图示了现有技术的用于组合多重评定的结果的方法；
[0011] 图2是依据本公开示例性实施例的多模式分类器建立过程的流程图；
[0012] 图3图示了依据本公开示例性实施例的多模式神经评定装置。

【具体实施方式】
[0013] 现在将详细参考与本公开相符的某些实施例，其示例在附图中进行了图示。在任 何可能之处，都将贯穿附图使用相同的附图标记来指代相同或同样的部分。
[0014] 多模式分类器建立方法
[0015] 本公开描述了一种用于建立分类器的方法，该分类器用于将多模式评定数据映射 到一个或多个预定神经分类或类别之中。在示例性实施例中，多重评定技术包括各种神经 生理评定工具，例如EEG记录、用于查看头部血液的红外测试、指示脑部损伤的生物标志的 临床测试、反应时间测试、眼运动跟踪等等。在另一个示例性实施例中，多重评定技术另外 包括神经认知评定（诸如，标准化震荡评定（SAC)、自动神经生理评定指标（ANAM)、ImPACT 等）。在又另一个示例性实施例中，多重评定技术进一步包括其它生理测试，诸如心电图 (ECG或EKG)、心率变化性测试、流电皮肤响应测试等。多重评定技术所提供的结果被整合 以提供最佳的分类或评定性能。
[0016] 在用于组合多重评定的结果的常规方法中，如图1所示，使用诸如树逻辑、投票方 法或权重组合等的算法对两个或多个方法的输出进行组合以提供组合的结果。这类似于医 师使用多种测试的结果来诊断患者的状况。来自每个评定的结果或输出作为输入被提供至 组合算法，后者应用于每个主体以进行主体的神经状态的整体分类或评定。与之相比，本公 开描述了一种使得能够将来自多种技术的结果/输出作为可选择特征包括在算法开发过 程中的方法。在算法开发过程中将多模式评定数据整合在多类型分类应用中提供了特有的 优势，在上述多类型分类应用中，某些评定技术的结果并不与所有分类相关。在这样的情况 下，包括无关的评定可能会使得整体分类结果出现失真。本公开所描述的方法通过使得能 够对分类算法进行训练以（从所有可用评定结果中）识别出对每个分类任务影响最大的结 果/特征而克服了该缺陷。
[0017] 图2中图示了示例性分类器建立方法。如图2所示的分类器建立算法由包括处理 器的信号处理设备所执行。该分类器建立过程中的初始步骤是收集原始脑部电信号（步 骤201)。在示例性实施例中，主体的脑部电活动使用位于头皮和前额以及耳垂上的标准位 置的数量变化的非侵入式神经电极进行记录。在一个示例性实施例中，主体的脑部电活动 使用电极阵列进行记录，后者包括要附接至患者头部以获取脑部电信号的至少一个神经电 极。该电极被配置为用于感应自发脑部活动以及响应于所施加的刺激（例如，听觉、视觉、 触觉刺激等）所生成的诱发电位。在示例性实施例中，运行分类器建立算法的信号处理器 被配置为实施伪象检测算法以识别被诸如眼睛移动、肌肉紧张所产生的肌电图活动（EMG)、 尖峰电压（脉动）、外部噪声等的非脑部生成伪象所污损的数据以及并非静态背景状态估 计的一部分的非常规脑部电活动。示例性伪象检测方法在美国申请号13/284184中有所描 述，其通过引用全文结合于此。
[0018] 随后对无伪象的数据阶段（epoch)进行处理以提取量化信号特征（步骤3)。在示 例性实施例中，根据共同转让的美国专利号7720530和7904144中所公开的方法，该处理器 被配置为基于快速傅里叶变换（FFT)和功率谱分析而执行线性特征提取算法，上述专利通 过引用全文结合于此。在另一个实施例中，该处理器被配置为基于诸如离散小波变换（DWT) 或复合小波变换（CWT)的小波变换来执行特征提取。在又另一个实施例中，根据共同转让 的美国专利申请号12/361174中所公开的方法，该处理器被配置为使用诸如小波分组变换 的非线性信号变换方法来执行特征提取，上述申请通过引用全文结合于此。该方法所提取 的特征被称作局部判别基（LDB)特征。在另一个实施例中，根据共同转让的美国专利申请 号12/105439中所公开的方法，使用扩散几何分析来提取非线性特征，上述申请通过引用 结合于此。在再其它的实施例中，还计算熵、分形维数和基于相互信息的特征。
[0019] 在示例性实施例中，每个阶段所计算的测量值被组合为每个通道的EEG信号的 单独测量值并且针对高斯性进行变换。一旦已经论证了高斯分布并应用了年龄回归（age regression)，就执行统计Z变换而产生Z分数。该Z变换被用来描述与年龄预期正常值的 偏差：
[0020]

【权利要求】
1. 一种建立用于主体的神经状况的多模式评定的分类器的方法包括步骤： 提供信号处理设备，所述信号处理设备操作地连接至存储器设备，所述存储器设备存 储在存在或不存在脑部异常的情况下而对多个个体所执行的两个或多个不同评定的结果， 所述信号处理设备包括处理器，其被配置为执行步骤： 从所述两个或多个不同评定的结果提取量化特征； 将所提取的特征存储在可选择特征的池中； 从所述可选择特征的池中选择特征的子集以构建所述分类器；并且 通过使用所述分类器对具有先验分类信息的数据记录进行分类而确定所述分类器的 分类准确性。
2. 根据权利要求1的方法，进一步包括对可选择特征的池应用一个或多个数据缩减标 准以创建从其选择用于构建所述分类器的特征子集的缩减特征池的步骤。
3. 根据权利要求1的方法，其中所述两个或多个不同评定包括神经生理和神经认知评 定。
4. 根据权利要求3的方法，其中所述神经生理评定包括记录脑部电信号。
5. 根据权利要求3的方法，其中所述两个或多个不同评定包括一个或多个类型的反应 时间测量。
6. 根据权利要求3的方法，其中所述神经认知评定使用动态问卷来执行，所述动态问 卷被设计为基于针对先前问题所提供的答案而改变问题。
7. 根据权利要求1的方法，其中所述两个或多个不同评定包括各种生理参数的测量。
8. 根据权利要求7的方法，其中所述两个或多个评定包括心电图信号的记录。
9. 根据权利要求1的方法，其中所述特征子集使用进化算法进行选择。
10. 根据权利要求9的方法，其中应用的所述进化算法是遗传算法。
11. 根据权利要求10的方法，其中所选择的特征子集使用随机突变爬山算法和修改的 随机突变爬山算法中的至少一种进行优化。
12. 根据权利要求1的方法，其中所述特征子集使用简单特征拾取器算法进行选择。
13. 根据权利要求12的方法，其中选择的所述特征子集使用随机突变爬山算法和修改 的随机突变爬山算法中的至少一种进行优化。
14. 根据权利要求1的方法，其中所述分类器是线性判别函数。
15. 根据权利要求1的方法，其中所述分类器是二次判别函数。
16. 根据权利要求1的方法，其中目标函数被用来对所述分类器的性能进行评估。
17. 根据权利要求16的方法，其中所使用的所述目标函数是所述分类器的接收方操作 曲线之下的面积。
18. -种建立用于将个体数据分类为神经状况的两个或多个类别之一的分类器的方 法，所述方法包括步骤： 提供被配置为建立分类器的处理器； 提供操作地耦合至所述处理器的存储器设备，所述存储器设备存储种群参考数据库， 所述种群参考数据库包括在存在或不存在脑部异常的情况下对多个个体所执行的生理或 神经认知评定的结果所提取的量化特征的池； 从所述种群参考数据库中的量化特征的池选择多个脑部电信号特征； 在所述种群参考数据库中选择对多个个体所执行的一个或多个附加评定得出的另外 的多个量化特征； 使用所选择的量化特征构建分类器；并且 使用所述存储器设备中所存储的预先标记的数据记录对所述分类器的性能进行评估， 其中所述预先标记的数据记录被先验地分配至两个或多个类别之一。
19. 根据权利要求18的方法，其中所述一个或多个附加评定包括反应时间的评定。
20. 根据权利要求18的方法，其中所述一个或多个附加评定包括心电图信号的记录。
21. 根据权利要求18的方法，进一步包括对所选择特征应用一个或多个数据缩减标准 以创建从其构建所述分类器的缩减特征子集的步骤。
22. 根据权利要求18的方法，其中所述量化特征使用进化算法进行选择。
23. 根据权利要求22的方法，其中应用的所述进化算法是遗传算法。
24. 根据权利要求23的方法，其中特征的选择使用随机突变爬山算法和修改的随机突 变爬山算法中的至少一种进行优化。
25. 根据权利要求18的方法，其中所述量化特征使用简单特征拾取器算法进行选择。
26. 根据权利要求25的方法，其中特征的选择使用随机突变爬山算法和修改的随机突 变爬山算法中的至少一种进行优化。
27. 根据权利要求18的方法，其中所述分类器是判别函数。
28. 根据权利要求27的方法，其中所述分类器是二次判别函数。
29. 根据权利要求27的方法，其中所述分类器是线性判别函数。
30. 根据权利要求18的方法，其中目标函数被用来对所述分类器的性能进行评估。
31. 根据权利要求18的方法，其中所使用的目标函数是二进制分类器的接收方操作曲 线之下的面积。
32. 根据权利要求18的方法，其中所述分类器是二进制分类器。
33. 根据权利要求18的方法，其中所述分类器是多类分类器。
34. 根据权利要求18的方法，其中一系列二进制分类器被用来将个体数据分类为三个 或多个类别之一。
35. -种用于执行主体的神经状况的多模式评定的设备，所述设备包括： 头戴式装置，其包括被配置为记录主体的脑部电活动的一个或多个神经电极； 输入设备，其被配置为获取对主体所执行的一个或多个生理和神经认知评定的结果； 基座单元，其被操作地耦合至所述头戴式装置和所述输入设备，所述基座单元包括处 理器，其被配置为执行步骤： 从脑部电活动数据提取量化特征； 从对主体所执行的所述一个或多个生理和神经认知评定的结果提取量化特征；并且 应用多模式分类器以执行主体的神经状况到两个或多个类别的分类。
36. 根据权利要求35的方法，其中所述处理器被配置为执行自动识别并且从所述脑部 电活动数据去除伪象。
37. 根据权利要求35的方法，其中所述一个或多个生理和神经感知评定的结果由用户 手工输入到所述输入设备中。
38. 根据权利要求35的方法，其中所述一个或多个生理和神经感知评定的结果由所述 输入设备无线地获取或通过有线连接获取。
39. 根据权利要求35的设备，进一步包括存储用于使用和操作所述设备的交互式指令 的存储器设备。
40. 根据权利要求39的设备，其中所述存储器设备存储动态问卷，所述动态问卷提供 用于执行多模式评定的逐步指令。
41. 根据权利要求35的设备，进一步包括输入用户输入的触摸屏界面。
42. 根据权利要求35的设备，其中所述基座单元是手持设备。
43. 根据权利要求35的设备，其中所述一个或多个生理和神经认知评定包括反映时间 测量。
44. 根据权利要求35的设备，其中所述一个或多个生理和神经认知评定包括心电图信 号的记录。
45. 根据权利要求35的设备，其中所述多模式分类器包括一个或多个判别函数。
46. 根据权利要求35的设备，其中所述多模式分类器是二进制分类器。
47. 根据权利要求35的设备，其中所述多模式分类器是多类分类器。
48. 根据权利要求35的设备，进一步包括用于向主体提供视觉刺激以引起视觉诱发电 位的监视器。
49. 根据权利要求35的设备，进一步包括用于向主体提供视觉刺激以引起视觉诱发电 位的一对护目镜。
【文档编号】A61B5/0476GK104427932SQ201380013606
【公开日】2015年3月18日 申请日期:2013年1月14日 优先权日:2012年1月18日
【发明者】尼尔·S·罗思曼 申请人:布赖恩斯科普公司