部分中的进 一步分析的开始点是y[C，k，t]，它是代表邸G电压的实数。
[0121]I. 1. 6. 1通过训练数据的监督分类器
[0122] 在研究个体自身如何组织和分类例如为思想或概念的不同的项目时，例子使用监 督分类器。当在完全有意识和清醒的个体上操作时，首先在个体上"训练"监督分类器，从 而应对其特有的任何自然可变性。如上面解释的那样，通过首先向被检者提供一组分类全 等（AA)和不全等炬）刺激组，执行该训练。该些刺激组被仔细构建，使得它们明确地对于 所有的参与方任意地属于AA或B。
[0123] 一旦分类器被充分训练，就呈现一组新的未标识刺激组。根据各被检者的大脑分 类信息，该些刺激代表会引出不同的大脑分类的输入。各个体具有基于包括例如教育水平、 种族背景、偏好、创造力等的各种各样的因素将该些组视为全等或不全等的可能性。正是该 种非常丰富的可变性空间可通过使用公开的方法被利用和量化，从而深刻地洞察个体的大 脑如何将信息分类。
[0124] 监督分类器的示例性实现过程
[0125] 为了开发用于分类的一些关注特征，固定条件"C"和时间点"t"W在所有尝试"k" 上计算y[c，k，t]的平均和标准偏差。W下表示对于特定时间点"t"产生尝试平均的示例 性方法。例如，除了它不是在被检者上平均一它是个体被检者特有的，该与如何产生事件有 关电势图类似。
[0126] 图4表示在垂直轴上表示的=维示图401，该=维示图401表示代表跨着多个尝试 收集的350ms~450ms的时间窗口的一个轴上的EEG数据。时间点y[c，k，t]的EEG在所 有的尝试k上被平均W产生350ms~450ms间隔内的时间点t的条件C的y[c，k]平均电 压。
[0127] 实现类似的计算W对固定的c和t确定尝试k上的y[c，k，t]的标准偏差。对于 两个个体信道（例如，FP1 (信道1)和FP2 (信道2))，在图5A和图5B中表示平均和方差的 最基本特征如何与条件"B"相比随条件"AA"共同变化。例如，各藍色和绿色圆代表特定时 间点"C"的"平均，std"特征。藍色代表条件"AA"且绿色代表条件"B"。
[012引图5A表示在两个不同的刺激条件即"AA"和"B"下来自FP1(信道1)电极的个体 被检者（例如，被检者10)的平均和标准偏差的特征图。图5B表示在两个示例性不同刺激 条件即"AA"和"B"下来自FP2(信道2)电极的个体被检者（例如，被检者10)的平均和标 准偏差的特征图。如图5A和图5B的曲线所示，特征表明群集，该群集可导致具有高精度的 分类方法。例如，对于信道FP1和FP2,具有5倍的交叉核实的精度均为100%。
[0129] 例如，注意，对于不同的条件，该些特征在脱节的组中群集。例如，通过使用不同的 条件中的上述的示例性特征作为输入，在Matl油统计工具箱中实现具有Gaussian核屯、的 支持矢量机。例如，通过使用5倍交叉核实，计算分类百分比：
[0130] 将数据集分成1/5-测试和4/5训练，
[0131] 旋转试验集，直到在所有的数据上测试
[0132] 将分类取平均。
[0133] 分类器的示例性精度控制
[0134] 在W下描述的示图中的一些中，例如，跨着多个被检者和信道，表示支持矢量机的 性能的示例性概括统计。在各图中，X轴表示不同的信道，y轴表示跨着不同的被检者改变 的该信道的盒形图。示例性分类过程使用来自个体被检者的示例性获取神经数据，例如，其 中，跨着多个被检者和多个信道，在性能的示例性概括统计中代表分析数据。在各图中，各 盒形图代表数据点的五号摘要。例如，该盒的底部和顶部总是25%和75% (分别为下和上 四分位数）；靠近盒的中间的带总是50% (中位数）；"whiskers"表示低于和高于数据的 平均值的一个标准偏差；红色"+ "标记代表异常值。低于各盒形图的是提供中间精度的采 样表。
[0135] 图6表示示出示例性实现中的视觉刺激范例的被检者监督分类器的性能的示图 和相应的表格。对于各个体信道（例如，曲线的列），关于分类器对于各被检者如何表现提 供概括统计信息。图6的盒形图按电极位置表示代表5倍交叉核实之后的分类器精度的示 例性结果。图6的表格列出当使用示例性FP1、FP2、P7或P8电极时跨着被检者的中间精 度。
[0136] 注意，例如，可在许多应用中使用的前面电极FP1和FP2展示极高的分类精度，并 且，它具有来自MTLAB的最简单的可能的特征和核屯、。在其它的例子中，更复杂的方法可 跨着更大范围的被检者提供更高的分类精度。
[0137] 示例性认知和/或感觉简档；个体知识评价简档（IKE巧
[013引在如上面描述的那样向被检者提供刺激、从被检者获取生理数据并且确定统计信 息之后，示例性技术中的下一步骤包括创建个体知识和/或清醒度状态的简档。图7表示 示出用于提供个体化知识和/或清醒简档的引导分类算法和它们的随后的概括统计的示 例性实现的说明图。例如，示例性知识评价和/或清醒简档的状态可提供关于用户对特定 刺激的大脑响应的简明概括信息。
[0139] 在描述的该第一例子中，通过监督分类器在"知识评价"的语境内对被检者10(与 前面的例子同样）计算个体简档。具体而言，例如，图5A和图5B所示的用于组B(绿色圆） 和组AA(藍色圆）的特征被识别。
[0140] 图8表示属于来自被检者110的示例性信道FP2的监督分类器的示例性特性。支 持超面（例如，黑实线）用作决定边界。要被测试的任何特征（例如，图8中的红色圆）如 果处于边界的一侧则被归类为藍色（在该种情况，为AA)并且对于另一侧将被归类为绿色 (在该种情况上，为B)。到边界的距离"d"可用作在分类中提供统计置信度的代理。到边 界的距离越大，则在分类中的置信度越大。
[0141] 当测试被检者时，构建该些特征。如果关注的特征（在该种情况下，为红色圆）位 于决定边界的一侧，那么宣布"AA"，否则，宣布"B"。伴随硬性决定，还规定建议我们对我们 的决定多么置信的"软性"信息。红色点与决定边界上的任意点之间的最短距离可用作对 于规定IKEP的功能的输入。具体而言，例如，我们可宣布清醒/知识概率=(2-e^/2。
[0142] 例如，如果到边界的距离为0,那么区分概率为1/2,即，机会（例如，被检者不具有 区分两个测试条件之间的特征的可靠知识，或者，换句话说，被检者不能相互区分项目）。另 一方面，例如，如果到边界的距离非常大，那么知识概率如期望的那样趋于1 (例如，被检者 清醒呈现的类别中的每一个W及如何区分它们）。因而，示例性统计信号处理框架可另外提 供软性决定，例如；Psc=P(同一类别）=0. 8,Pdc=P(不同类别=0. 2)。
[0143] 因此，对于本例子，使用与前面描述的相同的视觉呈现数据集，示例性IKEP可被 决定如下。如图8那样使用示例性被检者（被检者10)，假定我们用藍色和绿色标签训练分 类器，并且，现在获得用于红色点的特征并且我们会愿意将它归类为"AA"或"B"。注意，红 色圆的特征是有序对（例如，0.75,12)。到边界的最接近点为（0,11)。因而，在本例子中， 该两个点之间的距离为1. 25并且该被检者（例如，被检者10)的随后的IKEP为（2-e-L25)/2 =85. 67%。图9表示示例性被检者10的个体知识评价简档的该示例性定量数据的示图。
[0144]I. 1. 6. 2通过可能性比率测试的示例性无监督分类器
[0145] 在使用"无监督"分类器的例子中，技术不使用任何训练数据W训练分类器。而 是，分类器计入一批数据并然后关于大脑W相同的方式或W不同的方式分类来自不同的刺 激的信息的可能性作出决定。该里，我们有意向被检者提供具有已知的响应的刺激，例如， 假定他/她知道。
[0146] 无监督分类器的示例性实现过程
[0147]在本例子中，我们首先在k上将（y[c，k，t]:k= 1，…，K)取平均W产生y[c，t]。 测试的核屯、假设如下：
[014引 ?册（零）；y[l,t]和y[2,t](属于AA和B)的统计相同。
[014引?化（替代）巧[1，*]和7[2，*](属于44和的的统计不相同。
[0150] 对于示例性刺激范例，假定y[l，t]-y[2，t]是高斯。因此，在零假设下，该差值具 有0个平均和未知方差。在替代性假设下，差值具有非零的平均和未知方差（未必是与册 下相同的方差）。
[0151] 例如，由于册下的方差和H1下的平均方差未知，因此，存在复合假设测试问题，例 如，在每个假设下存在许多分布。
[0152] 示例性实现包含通过不同的假设W不同的方式实现属于复合假设测试的一组无 监督分类器，该些无监督分类器在理论上是声音。首先，开发试验统计，该试验统计是观察 数据的函数。从该试验统计，计算或者估计P值，将该值与例如为0.05的阔值相比较。在 本例子中，如果它超过0.05,那么零假设被接受；否则，零假设被拒绝。
[0153] 试验统计。一般地，收集的是差值（d[t] =y[l，t]-y[2，t]:t= 1:T)并且开发 的是试验统计U=g(d)，该试验统计是观察数据的函数并且在替代性假定下比在零假设下 大。可构建的试验统计的类型的例子如下。
[0154]T.A;具有归一化的最大可能性（NML)的记录可能性比率估计P0和P1。例如，我 们将P〇(〇平均未知方差）和P1 (非零平均未知方差）下的分布建模。归一化最大可能性 过程产生属于各假设的一个统计定律，该统计定律关于复合假设中的一个下的所有可能的 分布在最坏的情况下的性能尽可能地好。例如，在册下，平均是未知的，因此，它组合0平 均和未知方差的所有正态分布的统计定律，W产生对于该类中的所有分布尽可能地具有预 测能力的一个统计定律。类似地，对于H1开发估计，该里，使用平均和方差。试验统计g(d) 由下式给出：
[01 对g(d) = 2cS27(v)，，该里，
【主权项】
1. 一种提供被检者的认知或感觉评价的方法，包括： 从认知性能简档、感觉性能简档、以及认知和感觉性能简档选择简档类别； 向被检者呈现一系列的刺激，该一系列的刺激基于所选择的简档类别； 在呈现该一系列的刺激之前、之中和之后获取被检者的生理信号，以产生生理数据；和 处理生理数据，以产生包含与所选择的简档类别相关的一个或更多个定量值的信息 集。
2. 如权利要求1所述的方法，其中，获取不包含被检者的行为响应。
3. 如权利要求1所述的方法，其中，该一系列的刺激包含基于所选择的简档类别的视 觉、听觉、嗅觉、触觉或味觉刺激媒介中的至少一个。
4. 如权利要求1所述的方法，其中，所述一个或更多个定量值包含指示基于被检者的 关注、记忆、学习能力、虚构特性、图案整合能力、语义整合能力、目标检测能力、情绪效价或 偏好中的至少一个的认知和感觉性能中的一个或两个的水平的定量分数，并且其中，所述 定量分数指示在特定时间的水平。
5. 如权利要求1所述的方法，其中，所述一个或更多个定量值包含指示在特定时间的 被检者的清醒度的水平或状态的定量分数。
6. 如权利要求1所述的方法，其中，处理包含： 基于呈现的刺激和所选择的简档类别识别与生理信号相关的时间间隔； 将与时间间隔对应的生理数据组成为一个或更多个分组数据集；和 提供跨着分组数据集的或者分组数据集内的关系的统计测量，以产生所选择的简档类 别的一个或更多个定量值。
7. 如权利要求6所述的方法，还包括： 处理生理数据以增加分组数据集的信号噪声比。
8. 如权利要求6所述的方法，其中，分组基于单个刺激的预先分配的类别或连续刺激 的结合关系中的至少一个被确定。
9. 如权利要求1所述的方法，其中，处理包括： 基于呈现的刺激和所选择的简档类别识别与生理信号相关的时间间隔； 将与时间间隔对应的生理数据组成为一个或更多个分组数据集；和 通过使用从被检者或其它被检者获取的先前生理数据提供跨着分组数据集的或者分 组数据集内的关系的统计测量，以产生所选择的简档类别的一个或更多个定量值。
10. 如权利要求1所述的方法，其中，处理包括： 基于呈现的刺激和所选择的简档类别识别与生理信号相关的时间间隔； 将与时间间隔对应的生理数据组成为一个或更多个初始分组数据集； 通过使用包含初始分组数据集的统计试验，将向被检者呈现的一系列刺激之中的各刺 激分类； 基于分类的刺激，将与时间间隔对应的生理数据重新组成为一个或更多个分组数据 集；和 提供跨着分组数据集的或者分组数据集内的关系的统计测量，以产生所选择的简档类 别的一个或更多个定量值。
11. 如权利要求1所述的方法，还包括： 通过使用被检者的产生的信息集，形成修改的一系列的刺激；和 向被检者呈现修改的一系列的刺激。
12. 如权利要求11所述的方法，还包括： 在呈现该修改的一系列的刺激之前、之中和之后获取被检者的生理信号，以产生新的 生理数据；和 处理新的生理数据，以产生包含与所选择的简档类别相关的一个或更多个增强定量值 的增强信息集。
13. 如权利要求1所述的方法，还包括： 为简档类别中的每一个创建初始序列的刺激。
14. 如权利要求1所述的方法，其中，获取生理数据包含记录由被检者产生的脑电图 (EEG)信号。
15. 如权利要求14所述的方法，其中，记录EEG信号包含使用配戴于被检者的头皮上 的一个或更多个柔性EEG电极传感器设备以测量记录的EEG信号并将其传送到远程处理单 JL〇
16. 如权利要求1所述的方法，其中，获取生理信号包含记录由被检者产生的肌电图 (EMG)信号。
17. 如权利要求1所述的方法，还包括： 在处理之前，过滤生理信号以增大生理信号的信号噪声比。
18. 如权利要求1所述的方法，还包括： 在处理之前，预处理生理数据，预处理包含以下项中的一个或更多个：将生理数据分段 或从生理数据识别特性。
19. 如权利要求1所述的方法，还包括： 基于被检者的产生的信息集，产生机器与被检者之间的交互作用。
20. 如权利要求1所述的方法，还包括： 在呈现一系列的刺激之前获取被检者的基线生理信号以产生基线生理数据。
21. 如权利要求1所述的方法，其中，向被检者呈现