本發明涉及一種評分方法，尤其是一種基于在黎曼流形(riemannianmanifold)中的神經信號分析對受試者的神經活動進行評分的方法。特別是本發明涉及一種實時評分與參考狀態相關的受試者的神經信號的方法。所述方法可被用于外部或自行調制基礎腦活動。
背景技術：
：實時確定與參考或目標狀態相關的受試者的神經活動的位置仍然是一個挑戰并且呈現出許多優勢。以分數形式估算的與參考狀態相關的所述位置，隨后可被用于自行調制或外部調制。關鍵要素之一是能夠可靠和堅定地分析和報告受試者的神經活動。在本發明中，神經信號具有通過描述符命名為協方差矩陣的特征。協方差矩陣構成了受試者的大腦活動的良好指標。所述方法已被用在barachant等人的(us2012/0071780)中和similowski等人的(wo2013/164462)中。然而，據申請人所知，沒有與參考狀態相關的使用在黎曼流形中的協方差矩陣連續評分受試者的大腦活動的現有技術。barachant在us2012/0071780中公開了一種用于分類神經信號的分類方法，該方法包括以下步驟：a)在確定的時間段內使用多個電極來獲得多個神經信號樣本；b)在非重疊窗口上估算所述神經信號的協方差矩陣；和c)分類所述神經信號，該分類要么在維度等于所述協方差矩陣的維度的對稱正定矩陣的黎曼流形中執行，要么在所述黎曼流形的切線空間中執行。barachant描述了兩類和多類分類。尤其是，barachant描述了一種在黎曼流形中分類神經信號的方法。原則包括在黎曼流形上定義所謂的“分類中心”點，例如對應于兩個不同的精神任務的p1和p2：想象移動一只手和想象移動一只腳。在要分類的腦活動試驗的協方差矩陣和相應的分類中心點之間計算黎曼距離。如果腦活動試驗的協方差矩陣與點p1之間的黎曼距離小于腦活動試驗的協方差矩陣與點p2之間的黎曼距離，則所述腦活動試驗與第1類(移動手)相關，反之其與第2類(移動腳)相關。最后，分類步驟只考慮分類中心的距離的最小值。similowski公開了一種用于由所述患者的腦電活動的分析來表征患者的生理狀態的方法。尤其是，similowski描述了一種用于檢測偏離參考生理狀態的患者的生理狀態的方法。所述方法首先包括確定對應于參考生理狀態的幾個參考矩陣，然后循環重復以下步驟：a)實施腦電圖信號的實時測量和以不同頻段對該測量進行濾波；b)對于每個頻段，在窗口/時期(epoch)上估算所述測量的空間協方差矩陣；c)對于每個m最后時期，計算參考生理狀態的距離，其被定義為在當前空間協方差矩陣和參考空間協方差矩陣之間的最小距離的頻段上的和；d)將每個m距離與預定閾值進行比較。如果一個m距離高于閾值，則認為檢測到異常生理狀態。barachant等人公開了一種通過將神經信號分配給具有最小距離的類來分類神經信號的方法，而similowski等人公開了通過將神經信號和參考狀態之間的距離與預定閾值進行比較來檢測生理狀態的方法。這兩種方法應用于協方差矩陣之間距離的基本處理，以最終獲得離散值(用于分類的類標簽或用于檢測的二進制狀態)。本發明的目標之一是向受試者實時報告與參考或目標狀態相關的其神經活動的位置，并且可選擇地使所述受試者能夠通過自行調制或外部調制將其神經活動調制到所述目標狀態。為此，本發明提供了一種用于評分與參考狀態相關的受試者的神經信號的方法，其中該分數被定義為距離的轉換，以確保在預定界限之間的連續和有界值。相反，由barachant等人和similowski等人提供的原始距離對受試者毫無意義。本發明通過實時報告與參考狀態相關的受試者的神經信號的評分來提供受試者的神經活動的連續反饋。與barachant等人的將神經信號在至少兩類之間進行分類以及similowski等人的檢測神經信號是否屬于分類(例如，超過閾值)相反；本發明連續和有界地評分與參考狀態相關的神經信號，從而連續定位關于單個參考狀態的受試者的神經活動。將距離轉換成分數通過具有適用于受試者的基線狀態的潛在超參數的非線性函數來完成。其允許具有存在于兩個預定界限之間的完整范圍內的分數，避免了總是給受試者好的分數，或者相反總是給受試者不好的分數。另一點涉及處理的速度和延遲。barachant等人等待試驗結束(約3秒)來提取協方差矩陣并應用其分類。像之前那樣，該構架不能達到實時處理。similowski等人使用4至12秒移動窗口來提取協方差矩陣。此外，檢測步驟考慮最后的m矩陣。如果處理是實時的，窗口的時長和所考慮的矩陣的數量m太高而不足以擁有實時響應系統：其提供不適合神經反饋的大腦活動的會話平滑圖像。與這些方法相反，本發明在重疊的窗口上，例如在1.5s全部的0.125s的時期，提取協方差矩陣，從而實際上捕獲當前的大腦狀態。技術實現要素：本發明公開了一種改進的評分方法。在本發明中，受試者的神經活動被實時分析，并且通過有界連續分數連續并可靠地向所述受試者報告關于參考狀態的神經活動的位置。所述受試者可返回調制和修改其神經活動并實時監測所述演變，以便通過自行調制或外部調制將其神經活動導向所述參考狀態。本發明尤其涉及一種用于相對于參考狀態實時評分受試者的神經信號的方法，所述參考狀態由k＝1...k參考協方差矩陣表征，該方法包括以下步驟：i.從受試者獲得神經信號；ii.計算所述神經的協方差矩陣；iii.計算所述協方差矩陣和k＝1...k參考協方差矩陣之間的黎曼距離dk；iv.基于在步驟iii中計算出的至少一個距離dk來實時計算連續分數s。根據一個實施例，所述分數限定于兩個預定值a和b之間。根據一個實施例，本發明涉及一種用于相對于參考狀態實時評分受試者的至少一個神經信號的方法，所述參考狀態由k＝1...k參考協方差矩陣表征，該方法包括以下步驟：i.從受試者獲得至少一個神經信號；ii.在至少一個頻段中濾波至少一個信號；可選擇地，級聯至少一個濾波的信號；iii.計算所述至少一個濾波的神經信號的協方差矩陣；iv.計算所述協方差矩陣和k＝1...k參考協方差矩陣之間的黎曼距離dk；其中所述方法進一步包括計算分數s，所述分數s是連續的、實時計算的、限定于兩個預定值a和b之間，并且基于在步驟iv中計算的至少一個距離dk。根據一個實施例，分數進一步基于如下獲得的至少一個距離dr：﹣獲得表征基線狀態的r＝1...r基線協方差矩陣；﹣計算所述r＝1...r基線協方差矩陣和k＝1...k參考協方差矩陣之間的黎曼距離dr。根據一個實施例，分數基于至少一個距離dk、基于距離dr的幾何平均值以及基于距離dr的幾何標準偏差。根據一個實施例，獲得、在至少兩個頻段中濾波并級聯至少兩個神經信號。根據一個實施例，協方差矩陣是一種時空頻率協方差矩陣。根據一個實施例，至少一個神經信號通過腦皮層電圖、腦電圖、腦磁圖、磁共振成像、近紅外光譜、正電子發射斷層顯像或立體腦電圖來獲得。根據一個實施例，評分s是連續且有界的。根據一個實施例，步驟i還包括預處理所述至少一個神經信號，優選通過濾波來完成。根據一個實施例，協方差矩陣是一種時空頻率協方差矩陣。根據一個實施例，在維度等于所述協方差矩陣的維度的對稱正定矩陣的黎曼流形中估算黎曼距離。根據一個實施例，k＝1...k參考協方差矩陣通過黎曼集群方法由來自數據庫的表征參考狀態的神經信號的p協方差矩陣獲得。根據一個實施例，黎曼集群方法選自均值漂移、k均值、平均或主要測地線分析。根據一個實施例，k＝1...k參考協方差矩陣通過均值漂移如下獲得：i.從數據庫獲得神經信號的p＝1...p協方差矩陣xp，并定義諸如關于q＝1...q、p＝q和mq＝xp的q＝p模式的初始值；ii.定義超參數h和內核窗口g；iii.對于每種模式mq：a.計算mq和每個矩陣xp之間的p距離d(mq，xp)；b.估算均值漂移矢量mh(mq)作為切矢量的加權和c.然后，計算其中指數映射具有切向空間上的點到黎曼流形上的點的鏈接；d.當均值漂移矢量mh(mq)優于閾值時，重復步驟a.到c.；e.如果均值漂移矢量不如閾值，則保留mq為局部模式；iv.通過融合距離不如h的模式來獲得k個不同的局部模式。根據另一個實施例，k＝1...k參考協方差矩陣通過k-均值如下獲得：i.定義超參數k；ii.從數據庫獲得神經信號的p＝1...p協方差矩陣xp，并定義k＝1...k參考mk(來自數據庫的隨機或任意屬性)的初始值；iii.對于每個矩陣xp：a.計算xp和每個矩陣mk之間的k距離d(mk，xp)；b.使矩陣xp屬于給出最小距離的集群kpkp＝argmink＝1...kd(mk，xp)iv.將k參考矩陣更新為屬于它們各自集群的矩陣的黎曼均值：v.vi.重復步驟iii和iv，直到k參考矩陣不再從一個迭代更改為另一個迭代。根據一個實施例，k＝1...k參考協方差矩陣進一步包括至少一個特定受試者協方差矩陣。本發明還涉及一種用于自行調制或外部調制受試者的神經活動的系統，該系統包括：﹣用于從受試者獲得至少一個神經信號的獲取裝置；﹣用于實施根據本發明的方法的計算設備；﹣用于報告分數s的輸出裝置。本發明還涉及一種用于自行調制受試者的神經活動以達到參考狀態的方法，所述方法包括連續地﹣從受試者獲得至少一個神經信號；和﹣向受試者實時報告由根據本發明的方法獲得的分數s。根據一個實施例，用于自行調制的所述方法是非治療性的。本發明還涉及一種用于外部調制受試者的神經活動以達到參考狀態的方法，所述方法連續包括：﹣從受試者獲得至少一個神經信號；﹣向操作者實時報告由根據本發明的方法獲得的分數s；和﹣將外部調制施加于受試者，以便將分數s向由參考狀態定義的目標分數調制。根據一個實施例，用于外部調制的所述方法是非治療性的。根據一個實施例，外部調制通過深部腦刺激、電驚厥治療、磁驚厥治療、經顱直流刺激、經顱磁刺激、重復經顱磁刺激或迷走神經刺激來施加。根據一個實施例，外部調制還包括間接腦刺激，諸如任何感覺刺激(聽覺、視覺、體感覺)。定義說明在本發明中，下列術語具有如下含義：﹣本文所使用的單數形式“一”、“一個”和“所述”包括復數參考，除非上下文另有明確規定。﹣本文所使用的術語“約”是指大約、大致、大概或在…范圍內。當術語“約”結合數值范圍使用時，其通過延伸所闡述數值的上面和下面邊界來修改該范圍。通常，本文所使用的術語“約”通過20％的方差、優選5％的方差將上面和下面數值更改為狀態值。﹣“基線狀態”是指受試者、受試者群體或不是參考狀態的非參考狀態群體的精神狀態。﹣“有界”：如果分數s的值的設置是有界的，則分數s是有界的。換句話說，存在實數b，使得|s|≤b。﹣校準分數”是指使用其中系數由先前獲得的數據導出的數學變換，將均值和標準差設置為期望值的分數s。﹣“計算設備”是指能取得和執行計算機程序的指令的、基于計算機的系統或包含處理器的系統或其他系統。﹣“不舒服”是指輕松或幸福感的缺失或減少。在一個實施例中，不舒服可能與疼痛的存在有關。﹣“疾病、不適或病癥”是指有缺陷的健康狀況，其中身體或精神系統受到影響。﹣“電極”是指用于與電路的非金屬部分建立電連接的導體。例如，eeg電極是通常由不銹鋼、錫、金、覆蓋有氯化銀涂層的銀制成的小金屬片；以特定位置放置在頭皮上。﹣“腦電圖”或“eeg”是指通過記錄來自頭皮的腦部電活動來追蹤由腦電圖儀產生的腦電波。﹣“腦電圖儀”是指用于檢測和記錄腦電波的設備。﹣“時期”是指在獲得神經信號期間所確定時段。﹣“外部或誘導調制”是指不由受試者誘導的大腦活動的調制。所述調制可包括以下方法:o深部腦刺激(dbs)；o電驚厥治療(ect)；o磁痙攣治療(mst)；o經顱直流電刺激(tdcs)；o經顱磁刺激(tms)；o重復經顱磁刺激(rtms)；或者o迷走神經刺激(vns)。外部調制還包括本領域的一個技術人員已知的影響腦活動的任何刺激方法，例如，藥物(鎮靜)或干預(機械通氣)。這種刺激還可經由感覺神經傳入：聽覺、視覺、軀體感覺刺激來間接影響大腦。外部調制還可包括以不同的相位頻率同時刺激大腦的兩半球的元素，以便以感興趣的頻率在大腦的特定區域(例如用于聽覺刺激的雙耳節拍)引起腦活動。–“神經信號”在本文中是指通過測量神經活動而獲得的信號。測量所述神經活動可通過：o腦深部電極；o腦皮層電圖(ecog)；o腦電圖(eeg)；o腦磁圖(meg)；–磁共振成像(mri)：擴散mri，灌注mri，功能性mri(fmri)；–近紅外光譜(nirs)；–正電子發射斷層顯像(pet)；或者–立體腦電圖(seeg)。本發明涉及至少一個神經信號或多個神經信號的獲得和處理。–“實時”是指在時間延遲內給出輸出的過程，所述時間延遲被認為是短于充分執行基本調制任務所需的時間延遲。因此，對于自行調制，實時是指在少于700ms、優選少于500ms、更優選少于400ms、甚至更優選少于250ms的時間段內實施的過程。對于外部調制，實時可能是指在少于10min、少于1min、少于30s、少于1s或少于700ms的時間段內實施的過程，這取決于外部調制的頻率。–“參考狀態”是指實行確定任務諸如睜開眼睛休息、閉上眼睛休息、放松、冥想、專心、專注于特定思想的受試者或受試者群體的腦狀態的建模。–“黎曼流形”是指與歐幾里德空間局部同胚的可微分拓撲空間，在該拓撲空間上定義足夠規則的內積。內積使其能夠在黎曼流形上定義黎曼幾何。–“分數”是指根據本發明在原始距離上獲得或計算的任何值。從本發明的意義上說，分數是關于參考狀態的具有受試者的神經活動的位置特征的有界值。分數是受試者可理解的值，存在于兩個定義值之間的完整范圍內。–“自行調制”是指由受試者誘導的大腦活動的調制。從本發明的意義上說，自行調制具有與神經反饋相同的意義，并且是指受試者通過實時操作分數s來控制其腦電活動的能力。自行調制可包括認知策略，諸如給予受試者的預定義指令。–“受試者”是指哺乳動物，優選人類。從本發明的意義上說，受試者可以是患者，即接受醫療照顧、正在接受治療或已經接受過治療或疾病發展被監測的人。–“對稱正定(spd)矩陣”是指其對角線對稱(即aij＝aji)并且具有嚴格為正的特征值的方形矩陣。c*c維度的spd矩陣具有c(c+1)/2個獨立元素；因此其可局部近似于c(c+1)/2維度的歐幾里得空間。其能夠示出spd空間具有黎曼流形的結構。眾所周知協方差矩陣是對稱正定矩陣。–“治療”或“緩解”是指治療和預防或預防性措施；其中目的是防止或減緩(減輕)目標病理狀態或不適。那些需要治療的患者包括那些已經有不適的患者，以及那些易有不適的患者，或者那些要預防不適的患者。如果根據本發明的方法在接受治療后，患者示出較低的分數，則受試者或哺乳動物被成功地“治療”。具體實施方式本發明涉及一種相對于參考狀態實時評分受試者的神經信號的方法，所述參考狀態由k＝1...k參考協方差矩陣表征，該方法包括以下步驟：i.從受試者來獲得神經信號；ii.計算所述神經信號的協方差矩陣；iii.計算協方差矩陣和k＝1...k參考矩陣之間的黎曼距離；iv.基于在步驟iii中估算的距離計算連續分數s。根據一個實施例，神經信號使用磁共振成像(mri)、優選fmri、擴散mri或灌注mri來獲得。根據另一個實施例，神經信號使用近紅外光譜(nirs)來獲得。根據一個實施例，神經信號使用腦磁圖(meg)來獲得。根據一個實施例，神經信號使用皮層腦電圖(ecog)來獲得。根據一個實施例，神經信號使用腦電圖(eeg)來獲得。在所述實施例中，不同類型的合適耳機或電極系統可用于獲得這種神經信號。例子包括、但不限于：市場上可買到的來自emotiv的epoc耳機、市場上可買到的來自neurosky的mindset耳機、市場上可買到的來自senselabs的versus耳機、市場上可買到的來自wearable感測的dsi6耳機、市場上可買到的來自brainproducts的xpress系統、市場上可買到的來自tmsi的mobita系統、市場上可買到的來自tmsi的porti32系統、市場上可買到的來自brainproducts的actichamp系統以及市場上可買到的來自egi的geodesic系統。根據一個實施例，神經信號使用正電子發射斷層顯像(pet)來獲得。根據一個實施例，神經信號使用立體腦電圖(seeg)來獲得。根據一個實施例，神經信號使用植入微電極陣列來獲得。根據一個實施例，神經信號使用腦深部植入來獲得。根據一個實施例，神經信號使用本領域的一個技術人員已知的任何腦成像技術來獲得。根據一個實施例，神經信號使用一組傳感器和/或電極來獲得。根據一個實施例，神經信號至少通過4、8、10、15、16、17、18、19、20、25、50、75、100、150、200、250電極來獲得。根據一個實施例，所分析的神經信號為原始神經信號或重建的神經信號。根據一個實施例，所分析的神經信號在分析之前由原始信號重建。根據一個實施例，神經信號通過本領域一個技術人員所已知的任何方法由重建神經信號獲得。根據一個實施例，神經信號使用正電子發射斷層顯像(pet)來獲得。根據一個實施例，信號使用低分辨率腦電磁層析成像(loreta)來獲得。整體采集時間被細分為在本領域中稱為時期的周期。每個時期都與代表在所述時期期間獲得的時空信號的矩陣相關。時空神經信號x由c波段、電極或傳感器以及n個時間樣本組成。例如，受試者裝有用于神經信號采集的c電極。每個電極c＝1...c傳送作為時間函數的信號xc(n)。將該信號取樣以在離散時間操作：x(c,n)＝xc(n)，然后將其數字化。這產生了代表神經信號組的矩陣。根據一個實施例，為了確保實時處理，重疊連續的時期。根據一個實施例，協方差矩陣是一種空間協方差矩陣。在實施例中，該空間協方差矩陣可以如下計算：n≥c，其中n是在該時期中的每個電極的樣本的數量，c是電極的數量。在另一個實施例中，空間協方差矩陣使用熟練的技術人員所已知的任何方法來計算，諸如barachanta.在2012年、法國格勒諾布爾大學博士學位論文commanderobusted'uneffecteurparuneinterfacecerveau-machineeegasynchrone中所公開的方法。根據一個實施例，信號被預處理。根據一個實施例，信號被置于中心。根據一個實施例，信號被濾波。根據一個實施例，信號被去噪。根據一個實施例，信號被清潔。根據一個實施例，信號被頻率濾波。根據一個實施例，頻率濾波的截止頻率是任意選取的。根據另一個實施例，由于初步的頻率研究，優化了頻率濾波的截止頻率。根據一個實施例，協方差矩陣被歸一化。根據一個實施例，協方差矩陣被軌跡歸一化，這使其軌跡等于1：根據一個實施例，協方差矩陣被行列式歸一化，這使其行列式等于1：歸一化步驟，尤其是行列式歸一化允許會話到會話和/或受試者到受試者學習遷移：它將部分差異性從一個記錄遷移到另一個記錄。根據一個實施例，本發明的方法實時評分至少一個神經信號。所述至少一個神經信號在至少一個頻段中被濾波。根據一個實施例，本發明的方法實時評分在至少兩個頻段中濾波的至少兩個神經信號。所述至少兩個濾波的神經信號被進一步級聯。根據一個實施例，信號在f頻段中被濾波；從而獲得f＝1...f濾波信號根據一個實施例，擴展信號被定義為濾波信號的垂直級聯：根據一個實施例，協方差矩陣是一種時空頻率協方差矩陣。在一個實施例中，時空頻率協方差矩陣如下計算：n≥cf，其中n是在該時期中每個電極的樣本的數量，c是電極的數量。根據一個實施例，時空-頻率協方差矩陣可如前所述被其軌跡或其行列式歸一化。根據一個實施例，計算神經信號的協方差矩陣的步驟包括在重疊窗口上計算所述神經信號的協方差矩陣。根據一個實施例，計算神經信號的協方差矩陣的步驟包括在重疊窗口上計算所述神經信號的時空-頻率協方差矩陣，和使所述時空-頻率協方差矩陣歸一化。與給定時期相關聯的每個協方差矩陣都被認為是黎曼流形上的點。為了定位與參考人群有關的受試者的神經活動，需要距離和均值計算。1999年、w和moonenb在ametricforcovariancematrices，quovadisgeodesia、第113-128頁中，已詳細說明了協方差矩陣所使用的度量。在實施例中，兩個協方差矩陣a和b之間的黎曼距離可被定義為仿射不變性距離：λi(a，b)特征值來自|λa-b|＝0。在另一個實施例中，黎曼距離使用本領域一個技術人員已知的任何其它距離來計算，諸如liy、wongkm，在2013年8月，信號處理專題的ieee期刊，第7卷，第4號，riemanniandistancesforsignalclassificationbypowerspectraldensity中描述的那些距離。根據一個實施例，在維度等于協方差矩陣維度的對稱正定矩陣的黎曼流形上估算黎曼距離。根據一個實施例，估算協方差矩陣和k＝1...k參考矩陣之間的黎曼距離。根據一個實施例，k＝1...k參考協方差矩陣通過黎曼集群方法由來自數據庫的神經信號的p協方差矩陣獲得，具有p≥k。所述p協方差矩陣表征參考狀態。根據一個實施例，數據庫的p協方差矩陣是以用于不同受試者和/或神經信號采集的不同會話的表征參考狀態的神經信號的協方差矩陣。根據一個實施例，黎曼集群方法是從均值漂移、k均值、平均或主要測地線分析中選擇出來的。根據一個實施例，執行在黎曼流形上的均值漂移。根據一個實施例，執行在黎曼流形上的均值漂移，正如subbarao等人在intjcomputvis、第84卷、第1-20頁(2009)的nonlinearmeanshiftoverriemannianmanifolds中所公開的。根據一個實施例，均值漂移可被迭代地執行。根據一個實施例，k參考協方差矩陣(也稱為模式)通過均值漂移來如下獲得：i.從數據庫獲得神經信號的p＝1...p協方差矩陣xp，并定義諸如關于q＝1...q，p＝q和mq＝xp的q＝p模式的初始值；ii.定義超參數h和內核窗口g；iii.對于每種模式mq：a.計算mq和每個矩陣xp之間的p距離d(mq，xp)；b.估算均值漂移矢量mh(mq)作為切矢量的加權和c.然后，計算其中指數映射具有切向空間上的點到黎曼流形上的點的鏈接；d.當均值漂移矢量mh(mq)的范數優于閾值時，重復步驟a.到c.；e.如果均值漂移矢量不如閾值，則保留mq為局部模式；iv.通過融合距離不如的模式來獲得不同的局部模式k；其中：用協方差矩陣的指數和對數函數expm和logm(參見barachant等人在生物醫學工程ieee期刊59,4(2012)920-928的multi-classbraincomputerinterfaceclassificationbyriemanniangeometry和congedom.在2013年、法國格勒諾布爾大學博士學位的eegsourceanalysis)。根據一個實施例，選定閾值以確保算法的收斂，并且該閾值優選在10-1至10-3的范圍內。根據一個實施例，執行在黎曼流形上的k-均值。根據一個實施例，執行在黎曼流形上的k-均值，正如congedom.在2013年、法國格勒諾布爾大學博士學位的eegsourceanalysis所公開的。根據一個實施例，k均值可被迭代地執行。根據一個實施例，k參考協方差矩陣通過k均值如下獲得：i.定義超參數k；ii.從數據庫獲得神經信號的p＝1...p協方差矩陣xp，并定義k＝1...k參考mk(來自數據庫的隨機或任意屬性)的初始值；iii.對于每個矩陣xp：a.計算xp和每個矩陣mk之間的k距離d(mk，xp)；b.使矩陣xp屬于指出最小距離的集群kpkp＝argmink＝1...kd(mk，xp)iv.更新k參考矩陣為屬于它們各自集群的矩陣的黎曼均值：v.重復步驟iii和iv，直到k參考矩陣不再從一個迭代更改為另一個迭代。在p.t.fletcher和s.joshi、2004年、醫學和生物醫學圖像分析的計算機視覺和數學方法、第87-98頁的“principalgeodesicanalysisonsymmetricspaces:statisticsofdiffusiontensors”中，描述了黎曼平均值。根據一個實施例，至少一個補充參考協方差矩陣是特定受試者。根據一個實施例，至少一個補充參考協方差矩陣通過估算從受試者的校準會話獲得的協方差矩陣的黎曼均值來獲得。所述實施例能夠提供一種在用于受試者的隨后會話的活動的可接受和刺激范圍之內的反饋。根據一個實施例，k＝1…k參考協方差矩陣是特定受試者。根據一個實施例，k＝1...k參考協方差矩陣通過估算從受試者的不同會話獲得的協方差矩陣的黎曼均值來獲得。所述實施例能夠提供一種在用于受試者的隨后會話的活動的可接受和刺激范圍之內的反饋。根據一個實施例，計算基于每個協方差矩陣和k＝1...k參考矩陣之間的估算距離dk的有界連續分數s。根據一個實施例，計算基于每個協方差矩陣和k＝1...k參考矩陣之間的估算距離dk中的至少一個的有界連續分數s。根據一個實施例，分數s基于每個協方差矩陣和k＝1...k參考矩陣之間的最小距離dk。根據一個實施例，分數被限定在兩個預定值a和b之間。根據一個實施例，分數s進一步基于基線狀態的協方差矩陣和k＝1...k參考矩陣之間的估算距離dr。實際上，為了對受試者有用，分數必須限定在兩個預定界限之間。此外，為了確保分數位于可能值的整個范圍之間，需要校準從距離到分數的轉換。多虧了校準，才使分數總是位于潛在值的完整范圍內，從而避免了給予受試者準恒分數，例如總是好的分數，或者相反，總是不好的分數。優選使用的所述分數值的可用范圍極大地增強了神經反饋效率。根據一個實施例，將分數s進行校準。校準是找到未知量(在給定時間的任何受試者的基線活動)與已知量諸如調制設備的操作范圍(例如，tdcs設備的電壓、揚聲器的音量、或顯示器的下界限和上界限)之間的關系的過程。校準過程通常控制“偏差”(零或均值的平均偏差)和方差(均值/偏差的平方平均偏差)。從統計學上講，未知數通常以能夠由統計學諸如均值和標準偏差來概括的分布(在本例子中，由基線會話計算的黎曼距離的分布)表征。因此，校準程序可以依據找到的將該基線(不被控制的)分布轉換成調制設備諸如當前刺激器、揚聲器、屏幕等的操作范圍的映射函數來表示。特別是，需要限定于在兩個值之間的目標分布。為了提高處理效果，還優選最終分布將優選使用操作值的可用范圍。從而使這些界限內的方差最大化。根據所述實施例，為了校準分數，使用包括對應于基線狀態即非參考或非目標狀態的神經信號的r＝1...r基線協方差矩陣的數據庫。所述數據庫包括在已知基線狀態下從不同受試者和/或神經信號采集的不同會話獲得的神經信號。根據一個實施例，數據庫包括對應于從受試者的神經信號采集的先前會話獲得的基線狀態的神經信號的協方差矩陣。因此，分數以特定受試者的方式進行校準。根據另一個實施例，分數s以特定受試者的方式進行校準。所述實施例能夠提供一種在用于受試者的隨后會話的活動的可接受和刺激范圍之內的反饋。根據一個實施例，分數s還基于每個r＝1...r基線協方差矩陣和k＝1...k參考矩陣之間的估算距離dr。根據一個實施例，分數s還基于每個r＝1...r基線協方差矩陣和k＝1...k參考矩陣之間的估算距離dr中的至少一個。根據一個實施例，分數基于至少一個距離dk、基于距離dk的幾何平均值dr以及基于距離dr的幾何標準偏差。根據一個實施例，協方差矩陣和k＝1...k參考矩陣dk之間的黎曼距離使用以下公式轉換成幾何化z分數(標準化的，即，一元的且零為中心的正態分布)：其中幾何平均值μ和幾何標準偏差σ在r＝1...r基線狀態距離dr上被計算為：和正如congedom.在2013年、法國格勒諾布爾大學博士學位的eegsourceanalysis所公開的。根據一個實施例，分數s使用將分數關聯到給定的標準化z分數的有界函數來估算。根據優選實施例，所述函數屬于s型函數族。根據優選實施例，所述函數是一種邏輯函數，優選地：其中，a是神經反饋分數的下界限，b是神經反饋分數的上界限。根據一個實施例，所述界限a、b是預定的(即它們被固定為參數)。根據一個實施例，分數s嚴格限定于a和b之間，其中a優選等于0，b優選等于10。可以選擇另一個非線性函數來由z分數獲得分數，諸如廣義邏輯函數、雙曲正切函數、反正切函數、誤差函數以及屬于s形函數族的所有其他函數。多虧了z分數標準化和之后的給出適合于受試者的相對狀態的分數的非線性函數，才可將距離轉換成分數。其允許總是有分數存在于潛在值的整個范圍內，避免了給予受試者準恒分數，例如總是好的分數，或者相反總是不好的分數。捕獲患者的相對狀態的演變，對于神經反饋效率，必需優選使用分數值的可用范圍。根據另一個實施例，分數s使用邏輯函數來估算，優選地：其中λ是如下所述選擇的參數根據所述實施例，使用包括對應于非參考或非目標狀態的神經信號的基線協方差矩陣的數據庫。所述數據庫包括在已知基線狀態下從不同受試者和/或神經信號采集的不同會話獲得的神經信號。估算在所述數據庫的每個協方差矩陣和如上所述獲得的k＝1...k參考矩陣之間的黎曼距離。然后，將所述黎曼距離中的最大距離稱為dmax。可以選擇參數λ，使得s形函數與距離dmax相關聯有界分數，優選等于9.5。根據另一個實施例，分數s以特定受試者的方式被校準。根據這種實施例，包括在已知基線狀態下從不同受試者和/或神經信號采集的不同會話獲得的神經信號協方差矩陣的數據庫，被從受試者神經信號采集的先前會話獲得的協方差矩陣代替。所述實施例能夠提供一種在用于受試者的隨后會話的活動的可接受和刺激范圍之內的反饋。根據一個實施例，分數s嚴格限定于a和b之間，其中a優選等于0，b優選等于10。根據一個實施例，分數s不是來自距離閾值的二進制。根據一個實施例，分數s不是來自多級分類的分類標簽。在一個實施例中，本發明用存儲在計算機可讀介質上的用于直接操作計算設備的計算機程序來實現。在一個實施例中，計算機程序包括神經信號采集能力，優選ecog、eeg、meg、mri、nirs、pet或seeg采集能力。在另一個實施例中，計算機程序與收集神經信號數據(優選ecog數據、eeg數據、meg數據、mri數據、nirs數據、pet數據或seeg數據)的系統通信。本發明還涉及一種用于自行調制受試者的神經活動以達到參考狀態的方法，所述方法包括連續地：﹣從受試者獲得神經信號；和﹣向受試者實時報告由根據本發明的方法獲得的連續分數s。通過向受試者實時報告分數s，受試者能夠控制腦電活動，使得分數s可由受試者實時操作。根據一個實施例，在自行調制的會話期間給予受試者指令；所述指令包括但不限于放松、正常呼吸、保持安靜、避免眼睛運動、避免肌肉緊張、避免吸吮運動、避免咀嚼、或避免任何運動。根據一個實施例，在自行調制的會話期間不給予受試者指令。本發明還涉及一種用于外部調制受試者的神經活動以達到參考狀態的方法，所述方法包括：﹣從受試者獲得神經信號；﹣向操作者實時報告由根據本發明的方法獲得的分數s；﹣對受試者施加外部調制，以使分數s向由參考狀態定義的目標分數調整。優選地施加使分數s減少到最小的外部調制。根據一個實施例，用于外部調制受試者的神經活動以達到參考狀態的方法不是治療性的。根據一個實施例，訓練者可以是向受試者施加外部調制的醫師或自動化設備。根據一個實施例，外部調制通過間接腦刺激、深部腦刺激(dbs)、電驚厥治療(ect)、磁驚厥治療(mst)、經顱直流刺激(tdcs)、經顱磁刺激(tms)、重復經顱磁刺激(rtms)或迷走神經刺激(vns)來施加。根據一個實施例，外部調制包括間接腦刺激，諸如任何感覺刺激(聽覺、視覺、體感覺)。本發明還涉及一種用于自行調制或外部調制受試者的神經活動的系統，所述系統包括：﹣用于從受試者獲得神經信號的獲取裝置；﹣用于實現根據本發明的方法的計算設備；﹣用于報告分數s的輸出裝置。根據一個實施例，獲取裝置包括本領域一個技術人員已知的能夠獲得(即捕獲、記錄和/或傳輸)本發明所定義的神經信號的任何裝置，優選如上所述的電極或耳機。根據一個實施例，獲取裝置包括用于放大和/或將神經信號從模擬格式轉換成數字格式的放大器單元。根據一個實施例，計算設備包括處理器和軟件程序。處理器接收數字化的神經信號，并根據軟件程序的指令處理數字化的神經信號以計算分數s。根據一個實施例，計算設備包括存儲器。根據一個實施例，計算設備包括能夠遠程實施根據本發明的方法的網絡連接。根據一個實施例，神經信號被無線傳遞給計算設備。根據一個實施例，輸出裝置從計算設備無線接收分數s。根據一個實施例，輸出裝置包括用于報告分數s的任何裝置。根據一個實施例，分數s使用受試者的任何感覺：視覺手段、聽覺手段、嗅覺手段、觸覺手段(例如振動或觸覺反饋)和/或味覺手段來報告。優選地，分數s使用顯示器諸如屏幕：智能電話、電腦顯示器或電視；或頭戴式顯示器來報告。根據一個實施例，尤其是在自行調制的情況下，分數s的報告使受試者能夠意識到訓練的正確方向。根據一個實施例，分數s的報告包括視覺報告，其中顯示表示受試者實時分數s的目標，所述目標朝著或遠離表示參考狀態所定義的目標分數的位置運動。根據使用聽覺手段來報告分數s的實施例，向受試者報告其振幅由所述分數s直接調制的聲音。聲音可以是簡單的嗶嗶聲、水流聲、波浪聲、雨聲、鐺鐺聲或能夠以振幅或頻率調制的任何其他聲音。根據使用視覺手段來報告分數s的實施例，向受試者報告在屏幕上可由所述分數s調制位置、大小、顏色或任何其他參數的物體。例如，它可以表示其高度由分數s調制的飛機。根據一個實施例，用于自行調制和/或外部調制的系統和/或方法被用在家庭護理或臨床使用中。本發明還涉及用于自行調制或外部調制以減輕受試者的不舒服的系統的使用。根據一個實施例，自行調制方法和/或外部調制方法是用于減輕或用于減輕受試者的不舒服。本發明還涉及一種用于減輕受試者的不舒服的方法，該方法包括本發明的用于自行調制或外部調制的系統的使用。根據一個實施例，不舒服是精神不舒服，諸如焦慮和壓力。根據一個實施例，用于自行調制和/或外部調制的系統和/或方法被用于緩解慢性或急性疼痛、偏頭痛和抑郁癥。根據一個實施例，用于自行調制和/或外部調制的系統和/或方法被用于達到以下目標狀態：放松。根據該實施例，要緩解的不舒服可能是壓力或焦慮。本發明還涉及用于自行調制或外調制的系統，該系統用于治療或用于治療病癥、不適或疾病，諸如受試者、優選有需要的患者的在下文所述的那些病癥、不適或疾病。根據一個實施例，自行調制方法和/或外部調制方法被用于治療或緩解患者的病癥、不適或疾病。本發明還涉及一種用于治療有需要的受試者的病癥、不適或疾病的方法，該方法包括本發明的用于自行調制或外部調制的系統的使用。使用本發明的自行調制方法和/或外部調制方法可治療的病癥、不適或疾病的實例包括但不限于，神經退行性病癥、不適或疾病、精神病癥、疾病或不適、原發性失眠、慢性或急性疼痛、癲癇、抽動穢語綜合癥、偏頭痛和抑郁癥。根據一個實施例，待治療的所述病癥、不適或疾病是神經退行性病癥、不適或疾病，諸如帕金森病或阿爾茨海默氏病。根據一個實施例，用于自行調制和/或外部調制的系統和/或方法能夠使用表面和侵入性基于eeg的神經標記物來治療帕金森病，以減少β活性過剩。根據一個實施例，用于自行調制和/或外部調制的系統和/或方法能夠治療阿爾茨海默氏病以減少觀察到的阿爾茨海默病神經標志物并增加腦適應性。根據一個實施例，待治療的所述病癥、不適或疾病是精神病癥、疾病或不適，諸如注意力缺陷/多動癥、廣泛性發育障礙、孤獨癥、創傷后壓力癥、成癮和睡眠障礙。根據一個實施例，用于自行調制和/或外部調制的系統和/或方法能夠通過減輕用于外部刺激的抑制/濾波電路的壓力和振幅來治療創傷后壓力癥。根據一個實施例，用于自行調制和/或外部調制的系統和/或方法能夠通過集中的神經調節和腦通路的學習來治療注意力缺陷/多動癥。根據一個實施例，待治療的所述病癥、不適或疾病來自原發性失眠、慢性或急性疼痛、癲癇、抽動穢語綜合癥、偏頭痛和抑郁癥。根據一個實施例，用于自行調制和/或外部調制的系統和/或方法能夠通過識別入睡前的不同階段和所述階段的動態反饋來治療原發性失眠。根據一個實施例，用于自行調制和/或外部調制的系統和/或方法能夠通過減少抑制癥神經標記物和平衡對稱eeg活動來治療抑郁癥。根據一個實施例，用于自行調制和/或外部調制的系統和/或方法被用于改善重癥監護室、手術室或普通病房的鎮靜。因此，本發明還涉及一種用于改善重癥監護室、手術室或普通病房的鎮靜的方法，該方法包括本發明的用于自行調制和/或外部調制的系統和/或方法的使用。根據一個實施例，用于自行調制和/或外部調制的系統和/或方法被用于通過在反磁刺激之前激活和重新執行運動前神經網絡來進行軀體康復。本發明還涉及一種軀體康復的方法，該方法包括本發明的用于自行調制和/或外部調制的系統和/或方法的使用。根據一個實施例，用于自行調制和/或外部調制的系統和/或方法被用于改善一些患者的特定腦活動意義。因此，本發明還涉及一種用于改善患者的特定的腦活動意義的方法，該方法包括本發明的用于自行調制和/或外部調制的系統和/或方法的使用。根據一個實施例，用于自行調制和/或外部調制的系統和/或方法被用于改善受試者諸如健康受試者(即，沒有呈現諸如上文列出的任何不舒服或疾病、不適或病癥的受試者)的技能，例如精確度。因此，本發明還涉及用于改善特定腦活動意義和/或用于改善受試者技能的方法，該方法包括本發明的用于自行調制和/或外部調制的系統和/或方法的使用。鑒于以上詳細描述的觀點，本領域技術人員可實施根據本發明的方法。尤其是，實施該方法可使用以下工具：–用于線性代數的c++模板庫，諸如可在2014年11月13日檢索到的http://eigen.tuxfamily.org/index.php？title＝main_page上得到的；–專用于協方差矩陣估算和操作的一組函數：(i)諸如可在2014年11月13日檢索到的http://github.com/alexandrebarachant/covariancetoolbox上得到的matlabs；(ii)諸如可在http://github.com/alexandrebarachant/pyriemann上得到的python；–用于openvibe平臺的一組擴展，諸如可在2014年11月13日檢索到的http://code.google.com/p/openvibe-gipsa-extensions/得到。openvibe平臺是一種bci(腦機接口)和實時神經科學的軟件。其提供了用于數字信號處理和使eeg信號可視化的部件。其可以用c++、matlab和python的模塊進行擴展。示例本發明通過下面的例子來進一步說明。示例1–用于自行調制受試者的神經活動的系統和方法的驗證在詳細說明中提出的用于自行調制(即神經反饋)的系統和方法已經在實際數據上進行了驗證。目標精神狀態是放松，即受試者是不緊張和不焦慮的狀態。eeg數據由特定受試者的會話組成，其中每個會話被分為兩部分：放松和專注。該技術的目的是在訓練集(在放松期間隨機選擇的一些eeg時間窗口)上提取參考矩陣，并將這些參考應用于測試數據(未包括在訓練集內的eeg時間窗口)。如果參考模型準確地在未看見的數據(即，測試集)上識別出放松周期，則本方法將被認為是成功的。材料和方法記錄腦電圖(eeg)數據使用emotivepoc耳機來收集：14個電極大致定位于擴展的10/20位置af3、f7、f3、fc5、t7、p7、o1、o2、p8、t8、fc6、f4、f8、af4。epoc耳機使用在f4位置的共模傳感器(cms)電極和在f3位置的右腿驅動(drl)電極，這些在更常規的采集系統中可與接地和參考相關。電極阻抗用epoc控制面板來可視地控制，使得所有傳感器顯示“綠色”。信號以2048hz(16位)被內部數字化，然后在傳輸到采集模塊之前被低通濾波并被下采樣為128hz。該耳機被無線連接到參與者筆記本電腦，并與neurort套件連接。數據由通過顯示在主屏上的用戶的方向分為兩部分的61個會話組成：i.眼睛睜開，放松1分鐘；和ii.眼睛睜開，專注1分鐘：保持強烈的思想，受試者從100間隔7倒數。群體eeg數據采集于巴黎和雷恩(法國)的來自61位年齡介于23至34歲之間的健康參與者。數據處理我們提供的方法是典型的單級：我們正在嘗試對一個活動進行建模，而不是嘗試區分兩者。因此，只考慮有將放松數據用于訓練和用于每個放松會話：–在6個頻段(1-4-8-12-16-32hz)內濾波原始信號；–在2s的所有0.0625s的重疊時期提取時空-頻率協方差矩陣，并使其正則化；和–在稱為受試者平均矩陣的放松部分上計算黎曼平均協方差矩陣。然后將該平均矩陣歸一化，即軌跡歸一化或行列式歸一化。最后，獲得總共達到61個獨立矩陣的每個參與者的一個平均矩陣。交叉驗證程序使用留一法交叉驗證程序意味著將61個受試者平均矩陣分為兩個集：由p＝60矩陣組成的訓練集，由如下所述導出性能度量的單個留下矩陣組成的測試集。該程序被重復61次。最終報告所有61次嘗試的性能及其變化，以允許在技術與估算統計重要性之間進行對比。數據集群目的是通過集群在訓練集上提取參考矩陣，并在測試集上測試它們。如果測試的受試者在放松部分期間比在專注部分期間更接近于參考，則認為根據本發明的方法是成功的。1.應用集群算法(黎曼平均、黎曼k均值、黎曼均值漂移)以在訓練集上估算k參考矩陣。2.考慮到與測試矩陣相關的eeg會話，在如前所述的放松部分和專注部分的時期上提取時空-頻率協方差矩陣，并將其歸一化。記錄k參考矩陣與每個時期的協防差矩陣之間的最小距離。性能評估對于每個測試的受試者，計算放松部分的距離幾何平均值，然后計算專注部分的距離幾何平均值。如果放松期間的距離幾何平均值低于專注期間的距離幾何平均值，則認為神經反饋是有效的。這項評估是對61位測試受試者進行的。歸一化已經對協方差距陣測試了兩種類型的歸一化：對其結果進行比較的行列式和軌跡歸一化。與現有技術的比較常規qeeg技術被認為是現有技術，并且如下所述被用于檢測(benchmark)我們的技術。先前的驗證過程被應用于相同的光譜功率。其在所有電極和先前選擇的6個頻段(1-4-8-12-16-32hz)的重疊時期上被計算。對于每個放松會話，計算稱為受試者平均頻譜的平均頻譜。在留一法過程中，計算訓練集的受試者平均頻譜的平均值和標準偏差。考慮到與測試的受試者相關的eeg會話，如前所述，在放松部分和專注部分的時期上提取頻譜。然后使用在訓練集上估算的平均值和標準偏差將它們轉變為z分數。每個z分數頻譜的frobenius范數被記錄為關于放松qeeg模型的距離。對于每個測試的受試者，計算放松部分的距離均值，然后計算專注部分的距離均值。如果放松期間的距離均值低于一個專注期間的距離均值，則認為神經反饋是有效的。該評估使用與先前描述的61位受試者完全相同的倍數來進行。結果下面以成功會話的百分比(即，“放松”會話的平均測地距離低于一個受試者專注的平均測地距離的會話百分比)的形式，給出該驗證框架的結果。關于表1和2，行列式歸一化給出了比軌跡歸一化更好的結果。通過行列式歸一化似乎提供了兩種精神狀態之間的更好辨識力。此外，k均值方法似乎是測試的黎曼集群方法中最有效的算法。關于表3，由黎曼集群獲得的結果優于由傳統qeeg獲得的結果；從而驗證了根據本發明的方法的關聯性和效率。表1：用矩陣的軌跡歸一化得到的結果集群方法黎曼平均值黎曼k均值黎曼均值漂移性能百分比63.967.262.2表2：用矩陣的行列式歸一化得到的結果集群方法黎曼平均值黎曼k均值黎曼均值漂移性能百分比67.270.562.2表3：比較傳統qeeg和黎曼幾何的結果方法qeeg黎曼k均值性能百分比59.0270.5結論本實驗驗證了本發明提出的神經反饋方法。根據該結果，黎曼集群提供了較好的受試者之間的歸納，因為在訓練中估算的參考矩陣充分地應用到了不同受試者的測試數據。實際上，使用相同的輸入參數，基于神經反饋，由黎曼集群獲得的結果優于傳統qeeg獲得的結果，我們認為這是神經反饋程序的現有技術。平均來說，測試的受試者在放松部分期間比在專注部分期間更接近于參考。這為無需校準的有效神經反饋技術鋪平了道路。示例2-自行調制在受試者群體中，特定的記錄方式(ecog、eeg、meg、mrinirs或pet)允許收集神經信號的數據。分析該數據以適用于定義目標活動(即，參考狀態)的模型。實時地，受試者的特定活動可與根據本發明的方法的目標進行比較，并且腦活動可自行調制以達到期望的目標。對于每個應用程序，會話的頻率和時長將根據具體情況而有所不同。示例3-外部調制在受試者群體中，特定的記錄方式(ecog、eeg、meg、mrinirs或pet)允許收集神經信號的數據。分析該數據以適用于定義目標活動的模型。實時地，受試者的特定活動可與根據本發明方法的目標進行比較，并且可外部調制腦活動以達到期望的目標。對于每個應用程序，會話的頻率和時長將根據具體情況而有所不同。現在我們呈現了使用所述建模技術的兩個應用程序。一個應用程序示例了在臨床環境中的使用，而另一個專注于家庭的解決方案。示例4-adhd(注意力缺陷多動障礙)的詳細實例首先，在特定條件下例如睜眼、閉眼、專注或放松條件下，從健康志愿者群體收集eeg數據。完成此參考數據集的收集一次，并嘗試同樣地覆蓋應用程序的感興趣的年齡范圍。每個受試者的記錄將足夠維續約30分鐘，并將使用傳統eeg采集系統，諸如如上文所述的那些，尤其是市場上可買到的來自emotiv的epoc。來自該數據集的每個2s-長時間窗口將被轉換為協方差矩陣，并被置為黎曼流形中的點。這些假象周期將被迭代地識別。然后，將根據如上所述的黎曼集群方法來確定參考(即，k＝1...k參考協方差矩陣)的中心。adhd兒童和青少年通常是處理合并癥諸如閱讀困難的醫療及輔助醫療從業人員。adhd的治療主要包括藥物治療，但最近的證據表明，這些患者顯示出不同的eeg圖案，并由此實施神經反饋協議以將其更正為腦的更正常的電活動。我們提供使用更準確和直觀的反饋達到使用上述參考狀態的正常活動。患者來到安裝eeg數據收集系統的醫生診所。這可使用具有需要單獨設置的20個或更多電極的臨床或研究eeg系統來完成。整個安裝程序可能需要花費多達20分鐘的時間。還可以使用另外的eeg系統以顯著減少安裝時間。應用程序控制信號，并確保數據被充分收集。尤其是，基線記錄確保信號不超出可接受的限額被偽造。如果是這樣，則以聽覺和視覺指令的形式向操作者提供反饋，以指示如何解釋它。操作者決定了神經反饋會話的時長，并選定了反饋類型，其中由根據本發明的方法獲得的分數s可被表示為(非窮舉列表)：–聲音，其振幅由分數s、協方差矩陣與k＝1...k參考協方差矩陣之間黎曼距離的函數直接調制；聲音可以是簡單的嗶嗶聲、水流聲、波浪聲、雨聲、鐺鐺聲或可以幅度或頻率調制的任何其他聲音；–在屏幕上的可調制位置、大小、顏色或任何其他參數的物體；例如，其可以表示飛機，其高度由分數s、協方差矩陣和k＝1...k參考協方差矩陣之間的黎曼距離的函數調制。在會話結束時，將給醫生和患者一些早期的結果：會話的總結、不同會話之間的演化、與健康群體或具有類似模式的一組患者的比較。該數據最終用于校準模型，并提供一種在用于隨后會話的活動的可接受和刺激范圍之內的反饋。示例5-原發性失眠的詳細實例非常類似的程序可用在作為其他醫療條件的家庭。原發性失眠是一種與任何有機來源無關的失眠類型。結果表明，原發性失眠患者群體在入睡前會增加額葉區域的β活性。因此，這個群體是神經反饋協議的良好候選者，其真正的影響只能在家庭應用中看到。在自愿的基礎上或者遵循醫學劑量學，每次會話應發生在就寢之前不久。受試者將使用我們將學習安裝在他身上的、易于使用的普通消費者eeg設備。他登錄到連接eeg耳機的安全網站，并檢索他個人數據和參數。數據流傳輸到遠程的實時分析服務器，并且提取的信息發送回web應用程序，例如，該應用程序可顯示指導受試者獲得良好的信號質量的信息：例如信號質量的實時2或3d局部解剖熱力圖。計算出好的信號需要花費不到5分鐘的時間。一旦完成，受試者就可在完全像上述應用程序一樣操作的幾個反饋應用程序之間進行選擇。實時地將他的大腦活動與先前識別的參考協方差矩陣進行比較，并且以視覺或聽覺的反饋形式(以描述為臨床adhd的類似方式)返回對其計算的距離。患者可以選擇會話的時長。在協議結束時，網頁存儲并顯示與性能、分數s的演變以及與群體和/或其他受試者的比較有關的信息。當前第1頁12