用于多模式神經評估的方法和設備的制作方法
【專利摘要】描述了一種為多模式神經評定建立分類器的方法。該方法包括從多個生理和神經認知評定提取量化特征，并且從所提取的特征池中選擇特征子集以構建多模式分類器。還描述了用于執行醫療點多模式神經評定的設備。
【專利說明】用于多模式神經評估的方法和設備
【技術領域】
[0001] 本公開涉及神經評定的領域，尤其涉及用于將來自多重評定技術的結果進行組合 以提供主體的神經狀況的多維評估的方法和設備的開發。
【背景技術】
[0002] 目前，腦功能的客觀評定局限于對通過EEG(腦電圖學）記錄所收集的主體的腦部 電活動數據的評估。在基本層面，腦部電信號用作正常和異常腦功能的信號，并且異常腦波 模式可以是某種腦部病理學的強烈指示。
[0003] 腦部電信號的客觀評定可以使用分類器來執行，后者提供用于將從所記錄的EEG 數據提取的量化特征的矢量映射（或分類）為一個或多個預定義類別的數學函數。分類器 通過形成訓練數據集而建立，其中每個主體被分配以"標記"，也就是基于醫生所提供并且 借助于現有技術的諸如CT掃描、MRI等的診斷系統所獲得的信息的神經分類。針對數據集 中的每個主體，還可獲得（從EEG所計算的）量化信號屬性或特征的大的集合。從訓練數 據集建立分類器的過程涉及到（從所有量化特征的集合）選擇特征子集，以及構造使用這 些特征作為輸入并且對具體分類產生作為其輸出的對象數據的評定的數學函數。在建立分 類器之后，其可以被用來將未標記數據記錄分類為屬于一個或其它潛在的神經分類。隨后 使用測試數據集報告分類準確性，該測試數據集可能也可能不與訓練集合相重疊，但是針 對其還可以獲得先驗分類數據。分類器的準確性取決于包括分類器規范的一部分的特征的 選擇。選擇對分類任務影響最大的特征確保最佳的分類性能。
[0004] 雖然腦部電活動數據提供了一種用于分析腦部功能的有價值的手段，但是通過將 來自多種診斷測試的結果相結合，能夠更為客觀地評定例如創傷性腦損傷（TBI)之類的某 些多樣類型的腦部損傷或機能障礙。因此，本公開提供了一種對分類器建立過程進行擴展 以將來自多重評定技術的特征或輸出整合到特征選擇過程之中的方法。包括來自多重評定 技術的特征保持了提高分類性能而高于在僅利用從腦部電信號得出的特征所實現的性能 的希望。
【發明內容】
[0005] 本公開描述了一種用于建立對主體的神經狀態進行實時評估的分類系統的方法， 其中該分類系統將來自多重評定技術的結果/輸出進行組合以執行主體條件的多模式評 定。本公開的第一方面包括一種建立用于主體的神經狀況的多模式評定的分類器的方法。 該方法包括提供信號處理設備的步驟，該信號處理設備操作地連接至存儲器設備，該存儲 器設備存儲在存在或不存在腦部異常的情況下而對多個個體所執行的不同評定的結果。該 信號處理設備包括處理器，其被配置為從存儲器設備獲得兩個或多個不同評定的結果，從 該兩個或多個評定的結果提取量化特征，將所提取的特征存儲在可選擇特征的池中，從可 選擇特征的池中選擇特征的子集以構建分類器，并且通過使用該分類器對具有先驗分類信 息的數據記錄進行分類而確定其分類準確性。
[0006] 本發明的第二方面是另一種建立用于將個體數據分類為神經狀況的兩個或多個 類別之一的分類器的方法。該方法包括提供被配置為建立分類器的處理器，以及提供操作 地耦合至該處理器的存儲器設備的步驟，其中該存儲器設備存儲種群參考數據庫，其包括 在存在或不存在腦部異常的情況下對多個個體所執行的兩個或多個生理或神經認知評定 的結果所提取的量化特征的池。該處理器被配置為從腦部電活動數據以及對該種群參考數 據庫中的多個個體所執行的一個或多個其它評定選擇多個特征，使用所選擇的量化特征構 建分類器，并且使用被先驗地分配給兩種類別之一的預先標記的數據記錄對該分類器的性 能進行評估。
[0007] 本公開的又另一個方面是一種用于執行主體的神經狀況的多模式評定的設備。該 設備包括頭戴式裝置（headset)，其包括被配置為記錄主體的腦部電活動的一個或多個神 經電極；被配置為獲取對主體所執行的一個或多個生理和神經認知評定的結果的輸入設 備；和操作地耦合至該頭戴式裝置和輸入設備的基座單元。該基座單元包括處理器，其被配 置為從腦部電活動數據以及對主體所執行的其它生理和神經認知評定提取量化特征，并且 進一步應用多模式分類器以執行主體的神經狀況到兩個或多個類別的分類的步驟。
[0008] 所要理解的是，以上的總體描述以及以下的詳細描述都僅是示例性和解釋性的而 并非對如請求保護的本發明進行限制。術語"EEG信號"和"腦部電信號"在本申請中可互 換地使用以表示使用神經電極從腦部所獲取的信號。
[0009] 結合于本說明書中并構成其一部分的附圖圖示了本發明的實施例，并且連同描述 一起用來解釋本發明各個方面的原則。
【專利附圖】
【附圖說明】
[0010] 圖1圖示了現有技術的用于組合多重評定的結果的方法；
[0011] 圖2是依據本公開示例性實施例的多模式分類器建立過程的流程圖；
[0012] 圖3圖示了依據本公開示例性實施例的多模式神經評定裝置。
【具體實施方式】
[0013] 現在將詳細參考與本公開相符的某些實施例，其示例在附圖中進行了圖示。在任 何可能之處，都將貫穿附圖使用相同的附圖標記來指代相同或同樣的部分。
[0014] 多模式分類器建立方法
[0015] 本公開描述了一種用于建立分類器的方法，該分類器用于將多模式評定數據映射 到一個或多個預定神經分類或類別之中。在示例性實施例中，多重評定技術包括各種神經 生理評定工具，例如EEG記錄、用于查看頭部血液的紅外測試、指示腦部損傷的生物標志的 臨床測試、反應時間測試、眼運動跟蹤等等。在另一個示例性實施例中，多重評定技術另外 包括神經認知評定（諸如，標準化震蕩評定（SAC)、自動神經生理評定指標（ANAM)、ImPACT 等）。在又另一個示例性實施例中，多重評定技術進一步包括其它生理測試，諸如心電圖 (ECG或EKG)、心率變化性測試、流電皮膚響應測試等。多重評定技術所提供的結果被整合 以提供最佳的分類或評定性能。
[0016] 在用于組合多重評定的結果的常規方法中，如圖1所示，使用諸如樹邏輯、投票方 法或權重組合等的算法對兩個或多個方法的輸出進行組合以提供組合的結果。這類似于醫 師使用多種測試的結果來診斷患者的狀況。來自每個評定的結果或輸出作為輸入被提供至 組合算法，后者應用于每個主體以進行主體的神經狀態的整體分類或評定。與之相比，本公 開描述了一種使得能夠將來自多種技術的結果/輸出作為可選擇特征包括在算法開發過 程中的方法。在算法開發過程中將多模式評定數據整合在多類型分類應用中提供了特有的 優勢，在上述多類型分類應用中，某些評定技術的結果并不與所有分類相關。在這樣的情況 下，包括無關的評定可能會使得整體分類結果出現失真。本公開所描述的方法通過使得能 夠對分類算法進行訓練以（從所有可用評定結果中）識別出對每個分類任務影響最大的結 果/特征而克服了該缺陷。
[0017] 圖2中圖示了示例性分類器建立方法。如圖2所示的分類器建立算法由包括處理 器的信號處理設備所執行。該分類器建立過程中的初始步驟是收集原始腦部電信號（步 驟201)。在示例性實施例中，主體的腦部電活動使用位于頭皮和前額以及耳垂上的標準位 置的數量變化的非侵入式神經電極進行記錄。在一個示例性實施例中，主體的腦部電活動 使用電極陣列進行記錄，后者包括要附接至患者頭部以獲取腦部電信號的至少一個神經電 極。該電極被配置為用于感應自發腦部活動以及響應于所施加的刺激（例如，聽覺、視覺、 觸覺刺激等）所生成的誘發電位。在示例性實施例中，運行分類器建立算法的信號處理器 被配置為實施偽象檢測算法以識別被諸如眼睛移動、肌肉緊張所產生的肌電圖活動（EMG)、 尖峰電壓（脈動）、外部噪聲等的非腦部生成偽象所污損的數據以及并非靜態背景狀態估 計的一部分的非常規腦部電活動。示例性偽象檢測方法在美國申請號13/284184中有所描 述，其通過引用全文結合于此。
[0018] 隨后對無偽象的數據階段（epoch)進行處理以提取量化信號特征（步驟3)。在示 例性實施例中，根據共同轉讓的美國專利號7720530和7904144中所公開的方法，該處理器 被配置為基于快速傅里葉變換（FFT)和功率譜分析而執行線性特征提取算法，上述專利通 過引用全文結合于此。在另一個實施例中，該處理器被配置為基于諸如離散小波變換（DWT) 或復合小波變換（CWT)的小波變換來執行特征提取。在又另一個實施例中，根據共同轉讓 的美國專利申請號12/361174中所公開的方法，該處理器被配置為使用諸如小波分組變換 的非線性信號變換方法來執行特征提取，上述申請通過引用全文結合于此。該方法所提取 的特征被稱作局部判別基（LDB)特征。在另一個實施例中，根據共同轉讓的美國專利申請 號12/105439中所公開的方法，使用擴散幾何分析來提取非線性特征，上述申請通過引用 結合于此。在再其它的實施例中，還計算熵、分形維數和基于相互信息的特征。
[0019] 在示例性實施例中，每個階段所計算的測量值被組合為每個通道的EEG信號的 單獨測量值并且針對高斯性進行變換。一旦已經論證了高斯分布并應用了年齡回歸（age regression)，就執行統計Z變換而產生Z分數。該Z變換被用來描述與年齡預期正常值的 偏差：
[0020]
【權利要求】
1. 一種建立用于主體的神經狀況的多模式評定的分類器的方法包括步驟： 提供信號處理設備，所述信號處理設備操作地連接至存儲器設備，所述存儲器設備存 儲在存在或不存在腦部異常的情況下而對多個個體所執行的兩個或多個不同評定的結果， 所述信號處理設備包括處理器，其被配置為執行步驟： 從所述兩個或多個不同評定的結果提取量化特征； 將所提取的特征存儲在可選擇特征的池中； 從所述可選擇特征的池中選擇特征的子集以構建所述分類器；并且 通過使用所述分類器對具有先驗分類信息的數據記錄進行分類而確定所述分類器的 分類準確性。
2. 根據權利要求1的方法，進一步包括對可選擇特征的池應用一個或多個數據縮減標 準以創建從其選擇用于構建所述分類器的特征子集的縮減特征池的步驟。
3. 根據權利要求1的方法，其中所述兩個或多個不同評定包括神經生理和神經認知評 定。
4. 根據權利要求3的方法，其中所述神經生理評定包括記錄腦部電信號。
5. 根據權利要求3的方法，其中所述兩個或多個不同評定包括一個或多個類型的反應 時間測量。
6. 根據權利要求3的方法，其中所述神經認知評定使用動態問卷來執行，所述動態問 卷被設計為基于針對先前問題所提供的答案而改變問題。
7. 根據權利要求1的方法，其中所述兩個或多個不同評定包括各種生理參數的測量。
8. 根據權利要求7的方法，其中所述兩個或多個評定包括心電圖信號的記錄。
9. 根據權利要求1的方法，其中所述特征子集使用進化算法進行選擇。
10. 根據權利要求9的方法，其中應用的所述進化算法是遺傳算法。
11. 根據權利要求10的方法，其中所選擇的特征子集使用隨機突變爬山算法和修改的 隨機突變爬山算法中的至少一種進行優化。
12. 根據權利要求1的方法，其中所述特征子集使用簡單特征拾取器算法進行選擇。
13. 根據權利要求12的方法，其中選擇的所述特征子集使用隨機突變爬山算法和修改 的隨機突變爬山算法中的至少一種進行優化。
14. 根據權利要求1的方法，其中所述分類器是線性判別函數。
15. 根據權利要求1的方法，其中所述分類器是二次判別函數。
16. 根據權利要求1的方法，其中目標函數被用來對所述分類器的性能進行評估。
17. 根據權利要求16的方法，其中所使用的所述目標函數是所述分類器的接收方操作 曲線之下的面積。
18. -種建立用于將個體數據分類為神經狀況的兩個或多個類別之一的分類器的方 法，所述方法包括步驟： 提供被配置為建立分類器的處理器； 提供操作地耦合至所述處理器的存儲器設備，所述存儲器設備存儲種群參考數據庫， 所述種群參考數據庫包括在存在或不存在腦部異常的情況下對多個個體所執行的生理或 神經認知評定的結果所提取的量化特征的池； 從所述種群參考數據庫中的量化特征的池選擇多個腦部電信號特征； 在所述種群參考數據庫中選擇對多個個體所執行的一個或多個附加評定得出的另外 的多個量化特征； 使用所選擇的量化特征構建分類器；并且 使用所述存儲器設備中所存儲的預先標記的數據記錄對所述分類器的性能進行評估， 其中所述預先標記的數據記錄被先驗地分配至兩個或多個類別之一。
19. 根據權利要求18的方法，其中所述一個或多個附加評定包括反應時間的評定。
20. 根據權利要求18的方法，其中所述一個或多個附加評定包括心電圖信號的記錄。
21. 根據權利要求18的方法，進一步包括對所選擇特征應用一個或多個數據縮減標準 以創建從其構建所述分類器的縮減特征子集的步驟。
22. 根據權利要求18的方法，其中所述量化特征使用進化算法進行選擇。
23. 根據權利要求22的方法，其中應用的所述進化算法是遺傳算法。
24. 根據權利要求23的方法，其中特征的選擇使用隨機突變爬山算法和修改的隨機突 變爬山算法中的至少一種進行優化。
25. 根據權利要求18的方法，其中所述量化特征使用簡單特征拾取器算法進行選擇。
26. 根據權利要求25的方法，其中特征的選擇使用隨機突變爬山算法和修改的隨機突 變爬山算法中的至少一種進行優化。
27. 根據權利要求18的方法，其中所述分類器是判別函數。
28. 根據權利要求27的方法，其中所述分類器是二次判別函數。
29. 根據權利要求27的方法，其中所述分類器是線性判別函數。
30. 根據權利要求18的方法，其中目標函數被用來對所述分類器的性能進行評估。
31. 根據權利要求18的方法，其中所使用的目標函數是二進制分類器的接收方操作曲 線之下的面積。
32. 根據權利要求18的方法，其中所述分類器是二進制分類器。
33. 根據權利要求18的方法，其中所述分類器是多類分類器。
34. 根據權利要求18的方法，其中一系列二進制分類器被用來將個體數據分類為三個 或多個類別之一。
35. -種用于執行主體的神經狀況的多模式評定的設備，所述設備包括： 頭戴式裝置，其包括被配置為記錄主體的腦部電活動的一個或多個神經電極； 輸入設備，其被配置為獲取對主體所執行的一個或多個生理和神經認知評定的結果； 基座單元，其被操作地耦合至所述頭戴式裝置和所述輸入設備，所述基座單元包括處 理器，其被配置為執行步驟： 從腦部電活動數據提取量化特征； 從對主體所執行的所述一個或多個生理和神經認知評定的結果提取量化特征；并且 應用多模式分類器以執行主體的神經狀況到兩個或多個類別的分類。
36. 根據權利要求35的方法，其中所述處理器被配置為執行自動識別并且從所述腦部 電活動數據去除偽象。
37. 根據權利要求35的方法，其中所述一個或多個生理和神經感知評定的結果由用戶 手工輸入到所述輸入設備中。
38. 根據權利要求35的方法，其中所述一個或多個生理和神經感知評定的結果由所述 輸入設備無線地獲取或通過有線連接獲取。
39. 根據權利要求35的設備，進一步包括存儲用于使用和操作所述設備的交互式指令 的存儲器設備。
40. 根據權利要求39的設備，其中所述存儲器設備存儲動態問卷，所述動態問卷提供 用于執行多模式評定的逐步指令。
41. 根據權利要求35的設備，進一步包括輸入用戶輸入的觸摸屏界面。
42. 根據權利要求35的設備，其中所述基座單元是手持設備。
43. 根據權利要求35的設備，其中所述一個或多個生理和神經認知評定包括反映時間 測量。
44. 根據權利要求35的設備，其中所述一個或多個生理和神經認知評定包括心電圖信 號的記錄。
45. 根據權利要求35的設備，其中所述多模式分類器包括一個或多個判別函數。
46. 根據權利要求35的設備，其中所述多模式分類器是二進制分類器。
47. 根據權利要求35的設備，其中所述多模式分類器是多類分類器。
48. 根據權利要求35的設備，進一步包括用于向主體提供視覺刺激以引起視覺誘發電 位的監視器。
49. 根據權利要求35的設備，進一步包括用于向主體提供視覺刺激以引起視覺誘發電 位的一對護目鏡。
【文檔編號】A61B5/0476GK104427932SQ201380013606
【公開日】2015年3月18日 申請日期:2013年1月14日 優先權日:2012年1月18日
【發明者】尼爾·S·羅思曼 申請人:布賴恩斯科普公司