DE69736592T2

DE69736592T2 - Systeme zur vorhersagung, schnellerfassung,warnung, vermeidung oder kontrolle von zustandsveränderungen im gehirn

Info

Publication number: DE69736592T2
Application number: DE69736592T
Authority: DE
Inventors: Josef Lawrence DORFMEISTER; Mark Lawrence FREI; David Lawrence LERNER; Ivan Leawood OSORIO; John Lawrence RALSTON
Original assignee: University of Kansas
Current assignee: University of Kansas
Priority date: 1996-01-23
Filing date: 1997-01-21
Publication date: 2006-12-14
Anticipated expiration: 2017-01-22
Also published as: JP2002502270A; EP0898460A1; AU1752897A; EP0898460B1; JP3769023B2; DE69736592D1; US6549804B1; US5995868A; EP0898460A4; WO1997026823A1

Description

HINTERGRUND DER ERFINDUNG
1. GEBIET DER ERFINDUNG
Die vorliegende Erfindung betrifft das Gebiet der Neurowissenschaft zur Analyse von Signalen, die eine Gehirnaktivität von einem Subjekt darstellen, einschließlich Signale, die epileptische Anfälle angeben oder vorhersagen. Insbesondere betrifft die Erfindung die automatisierte Analyse von Gehirnaktivitätssignalen, um einen Aktivitätszustand sowie Übergänge zwischen Zuständen zu erfassen und um Vorboten zur erfassen, die eine Veränderung des Aktivitätszustands des Subjekts zu einem anderen Zustand ankündigen.
Die Erfindung basiert auf Ideen und Forschungen in den Gebieten Mathematik, Neurologie, Statistik und Ingenieurwissenschaften, um eine Echtzeit-Analyse von biologischen Signalen ermöglichen, wie zum Beispiel das Elektroenzephalogramm (EEG) oder das Elektrokortikogramm (ECoG), und zwar durch gleichzeitige Durchführung mehrerer Verfahren. In dem bevorzugten Ausführungsbeispiel werden diese Signale schnell, genau und automatisch analysiert, um:

1) das Auftreten eines epileptischen Anfalls in Echtzeit (oder gleichzeitig mit dem Eintreffen des Signals an dem Prozessor beziehungsweise der Vorrichtung) zu erfassen und zu signalisieren,
2) Verhaltensänderungen vorherzusagen, die normalerweise mit Anfällen in Beziehung stehen,
3) Anfälle vorherzusagen, indem Vorboten des Auftretens der elektrographischen oder klinischen Komponenten eines Anfalls erfasst werden,
4) epileptiforme Entladungen (Spitzen) zu erfassen und weiter zu analysieren, und
5) die Ausgaben bezüglich Erfassung und Vorhersagung zu Vorrichtungen herunterzuladen, und zwar zwecks Warnung oder zwecks therapeutischer Eingriffe oder zwecks Speicherung von Daten.

2. BESCHREIBUNG DES STANDES DER TECHNIK
Menschen und Tiere haben mehrere normale Verhaltenszustände, wie zum Beispiel Wachzustand und Schlafzustand, sowie mehrere Unterzustände, wie zum Beispiel ein aufmerksamer Wachzustand und ein REM-Schlafzustand. Abnormale Zustände beinhalten reversible Zustände, wie zum Beispiel Anfälle, und progressive Zustände, wie zum Beispiel Demenz.
Epilepsie, eine behindernde Krankheit, befällt 1–2 % der amerikanischen Bevölkerung sowie der Bevölkerung der industrialisierten Welt, und bis zu 10 % der Menschen in unterentwickelten Ländern. Elektroenzephalographie ist das einzige und wichtigste zusätzliche Testverfahren bei der Erkennung dieser Krankheit. Ein EEG wird kontinuierlich für Stunden bis hin zu Tagen in einer zunehmenden Anzahl von Fällen aufgezeichnet, und zwar mit einer unklaren Diagnose oder einem schlechten Antwortverhalten auf adäquate medizinische Behandlung. Die Menge an EEG-Daten für die Analyse ist extrem groß (z.B, führen 64 Datenkanäle bei 240 Hz zu 1,3 Milliarden Datenpunkten/24 Stunden oder 2,6 Gigabyte/Tag) und enthalten komplexe Wellenformen mit unendlichen Variationen.
Die visuelle Analyse dieser Signale bleibt (mit Ausnahme dieser Erfindung) der "goldene Standard", ist aber für eine kontinuierliche EEG-Interpretation nicht praktikabel, da dies der zeitintensivste Teil von jedem elektrodiagnostischen Testverfahren ist und ein spezielles Training so wie Erfahrungen erforderlich macht, wodurch diese Prozedur sehr teuer wird und somit nur begrenzte Anwendung findet. Wertvolle EEG-Daten werden daher häufig verworfen, ohne untersucht worden zu sein. Die Länge der Aufzeichnung in einem speziell ausgestatteten Krankenhauszimmer wird unnötig verlängert, bis die Patienten einige Anfälle haben. Wenn der Patient die Anfälle nicht bemerkt, was häufig der Fall ist, dann muss eine Krankenschwester oder ein Verwandter das Auftreten dieser Veränderungen beobachten und dokumentieren. Da die Anfälle kurz sind und bisher als unvorhersehbar angesehen wurden, ist die Notwendigkeit einer kontinuierlichen Beobachtung unerlässlich, wodurch die Kosten in einer unwirtschaftlichen Weise erhöht werden.
Derzeitige Verfahren zur Erfassung von Anfällen sind nicht nur teuer, sondern basieren auch auf schlecht unterscheidenden Verfahren, wodurch die Überprüfungszeit und die Unterstützungszeit durch eine Krankenschwester erhöht werden, und zwar aufgrund der großen Anzahl an falschen Positivmeldungen, und außerdem wird die Länge des Krankenhausaufenthalts durch falsche Negativmeldungen verlängert. Außerdem werden durch diese Verfahren die Anfälle häufig erst "erfasst", nachdem sie eingetreten sind oder sich an ihrem Ende befinden, so dass eine Prävention oder Verhinderung des Anfalls nicht möglich oder nicht mehr relevant ist.
Die fehlende Möglichkeit, Daten in Echtzeit zu verarbeiten, hat die wissenschaftliche und klinische Entwicklung in den Gebieten der Epilepsie und Elektroenzephalographie wesentlich behindert. Die Kardiologie wurde zu einer klinischen Wissenschaft ausgebaut, die größtenteils auf den Möglichkeiten der Elektrokardiographie basiert, um die elektrische Aktivität des Herzens in schneller und genauer Weise zu analysieren. Dies hat zu Herzschrittmachern, implantierten Defibrilatoren und anderen Vorrichtungen geführt, die tausenden von Menschen vor dem frühzeitigen Tod bewahrt haben. Der Vergleich zwischen Kardiologie/EKG sowie Epilepsie/EEG muss die Tatsache in Betracht ziehen, dass die elektrischen Gehirnsignale sehr viel komplexer sind als jene, die von dem Herz stammen. Dies erklärt größtenteils die Entwicklungslücke zwischen diesen beiden Disziplinen.
Elektrische Gehirnsignale konnten bisher nicht genau in Echtzeit automatisch manipuliert werden, und zwar aufgrund ihrer räumlichen und temporären Charakteristiken, wie zum Beispiel ein nicht-stationärer Zustand. Die Verfahren gemäß Stand der Technik, die derzeit verwendet werden, um diese Zustände zu charakterisieren, sind stark beschränkt. Beispielsweise gibt es im Stand der Technik eine lange Geschichte von Fehlversuchen, um Veränderungen in dem EEG während bestimmter Verhaltenszustände oder Aufgaben zu identifizieren und um Epi-Phenomenologie von Phenomenologie zu unterscheiden, wobei diese Unterscheidung dazu beitragen würde, Fragen von fundamentaler Wichtigkeit zu beantworten.
Andere Begrenzungen umfassen die fehlende Möglichkeit der Unterscheidung, ob Spitzen statistische Marker von Epilepsie sind oder ob sie dynamisch mit der Entstehung von Anfällen in Beziehung stehen.
Derzeitige Verfahren zur automatischen EEG-Analyse haben viele wesentliche Beschränkungen, die sie für breite, sichere und wirksame klinische Anwendungen scheinbar nutzlos machen. Diese Beschränkungen umfassen:

1) Fehlende Geschwindigkeit. Die Zeit, die die meisten Verfahren benötigen, um die Eingangssignale zu analysieren und einen Ausgang zu erzeugen, durch den eine Zustandsänderung erfasst oder vorhergesagt wird, ist zu groß für die Verwendung zwecks Warnung, Intervention oder Prävention von epileptischen Anfällen und anderen abnormalen Gehirnzuständen.
2) Fehlende Genauigkeit. Verfahren gemäß Stand der Technik haben eine große Anzahl von falschen Positivmeldungen (inkorrektes Identifizieren einer Nicht-Anfall-Aktivität als einen Anfall) und falsche Negativmeldungen (Fehler beim Identifizieren eines wirklichen Anfalls), wodurch die technischen und finanziellen Nachteile zunehmen.
3) Fehlende Anpassbarkeit an den Typ eines Subjekts oder eines Anfalls: kein Kompromiss zwischen Geschwindigkeit gegenüber Genauigkeit.
4) Fehlende Tragbarkeit und Implantierbarkeit.
5) Hohe Kosten.

Die genaue und reproduzierbare Vorhersage von Veränderungen von Verhaltenssignalen oder von biologischen Signalen, die mit Anfällen in Beziehung stehen, war bisher nicht möglich, da diese Vorfälle unvorhersagbar stattfinden. Unsere Verfahren und unsere Vorrichtungen ermöglichen eine Anfalls-Vorhersage, indem eine erstrebenswerte Vorhersagezeit zur Verfügung gestellt wird, die ein Warnen, ein Beenden/Bekämpfen und Vorhersagen von Anfällen möglich macht. Die neuen Behandlungsmethoden, die auf diesem Verfahren basieren können, führen zu einer signifikanten Verminderung der Anfallshäufigkeit und folglich zu einer Verminderung des Auftretens von Verletzungen und Todesfällen, wodurch es möglich wird, dass Personen mit Epilepsie produktiv werden und ein normales Leben führen.
Der Stand der Technik hinsichtlich automatisierter Anfalls- und Spitzen-Erfassung beinhaltet Variationen von zwei primären Verfahren: "Regel-basierte" Analyse und, seit relativ neuer Zeit, Analyse durch künstliche neuronale Netzwerke. Das populärste Verfahren ist ein "Regel-basiertes" Verfahren, das seit den späten 70er Jahren weiterentwickelt wurde, primär durch Dr. Jean Gotman. In dem Gotman-Verfahren wird das Signal anfänglich durch eine stückweise lineare Approximation ersetzt, die Maxima und Minima verbindet.
In dem Gotman-Verfahren gibt es eine Liste von Regeln, die dann angewendet werden, um einige der kleineren Liniensegmente herauszuwerfen, und zwar bei einem Versuch, eine schnelle Aktivität zu entfernen, die eine darunter liegende Welle von Interesse überdeckt. Die größeren Liniensegmente, die verbleiben, werden "Halbwellen" genannt. Der Gotman-Algorithmus vergleicht dann Eigenschaften der Halbwellen, wie beispielsweise Durchschnittswerte von Amplitude, Dauer, rhythmisches Verhalten und Schärfe, in sich bewegenden 1/3 Sekunden Fenstern mit jenen von vergangenen und zukünftigen Datensegmenten. Wie derzeit implementiert, verwendet das Verfahren bei diesen Vergleichen eine Gesamtzeit von 30 Sekunden der vergangenen Daten und 8-10 Sekunden von zukünftigen Daten. Ein Satz von Regeln und Grenzwerten wird gegeben, um zu bestimmen, wann diese Vergleiche von vergangenen, gegenwärtigen und zukünftigen Eigenschaften zu einer Erfassung von einer Spitze oder von einem Anfall führen.
Diese Regel-basierten Verfahren haben eine Anzahl von Beschränkungen, einschließlich einer großen Rate von falschen Positivmeldungen und normalerweise einer langen Verzögerung bei der Erfassung von sogar abrupten Veränderungen (oft 10 oder mehr Sekunden).
Ein weiteres Verfahren für die Spitzen- und Anfalls-Erfassung beinhaltet das Training eines künstlichen neuronalen Netzwerks (ANN) unter Verwendung von vergangenen Daten-Verfolgungen mit vermerkten Spitzen und Anfällen, um das Erkennen von ähnlichen Veränderungen in ungesehenen Daten zu "lernen". Die große Anzahl an "Neuronen", die für eine genaue Analyse von einem Multikanal-EEG/ECoG-Eingangssignal erforderlich sind, steht einer Echtzeit-Analyse im Wege. Folglich basieren Implementierungen gemäß dem aktuellen Stand der Technik auf einer kleineren Anzahl von "Neuronen" und einem parametrisierten Eingangssignal anstelle des Rohsignals. Die Gotman-Halbwellen-Dekomposition, die oben erläutert wurde, wird allgemein in diesen Signal-Parametrisierungsschritt verwendet, was die Hinzufügung von vielen der Beschränkungen bewirkt, die in diesem Verfahren inhärent sind, wodurch die ANN-Verfahren negativ beeinträchtigt werden. Außerdem wird die Adaption von einem ANN zur Verbesserung von dessen Leistungsfähigkeit für ein bestimmtes Individuum oder eine Gruppe offline durchgeführt und macht ein zeitaufwendiges erneutes Training durch erfahrene Epilepsie-Experten erforderlich. Diese wichtige Beschränkung wird durch die vorliegende Erfindung überwunden.
3. VERZEICHNIS VON BEGRIFFEN UND PRAKTISCHEN DEFINITIONEN
Das Auftreten der klinischen Komponente von einem Anfall ist der frühere Zeitpunkt von entweder (1) der Zeit, zu der das Subjekt bemerkt, dass ein Anfall beginnt (die "Aura"), oder (2) der Zeit, zu der ein Beobachter eine signifikante physikalische Veränderung oder Verhaltensänderung erkennt, die für einen Anfall typisch ist.
Das Auftreten der elektrographischen Komponente eines Anfalls wird als das Erscheinen einer Klasse von Signalveränderungen definiert, die durch den Elektroenzephalogramm-Experten als charakteristisch für einen Anfall erkannt werden. Die Analyse macht eine visuelle Durchsicht der Signal-Verfolgungen von variierender Dauer erforderlich, und zwar sowohl vor als auch nach den wahrgenommenen Signalveränderungen unter Verwendung mehrerer Informationskanäle und klinischer Korrelationen. Die genaue Bestimmung des Auftretens ist Gegenstand einer persönlichen Interpretation und kann auf Erfahrung und dem Aufmerksamkeitspegel des Betrachters basieren sowie auf der Qualität der Daten und deren Anzeige.
Das Elektroenzephalogramm, oder EEG, bezieht sich auf Spannungspotentiale, die von der Kopfhaut aufgezeichnet werden. Das EEG beinhaltet auch Aufzeichnungen außerhalb der harten Hirnhaut. Das Elektrokortikogramm, oder ECoG, betrifft Spannungspotentiale, die intracranial aufgezeichnet werden, z.B. direkt von dem Kortex. EKG ist die Abkürzung für Elektrokardiogramm, EMG für Elektromyogramm (elektrische Muskelaktivität) und EOG für Elektrokulogramm (Augenbewegungen).
Die Zeitperiode, während der ein Anfall auftritt, wird als die ictale Periode bezeichnet. (Für den Fachmann ist offensichtlich, dass der Begriff ictal auch bei Phänomenen angewendet werden kann, die andere sind als Anfälle.) Die Zeitperiode, in der sich der Patient nicht im Zustand eines Anfalls befindet oder sich in der Übergangsphase in oder aus dem Anfallszustand befindet, wird als die interictale Periode bezeichnet. Die präictale Periode entspricht der Zeit des Übergangs zwischen der interictalen Periode und dem Beginn der ictalen Periode, und die postictale Periode entspricht der Zeitperiode zwischen Ende des Anfalls und dem Beginn der interictalen Periode.
Der Begriff Echtzeit beschreibt hier ein System mit vernachlässigbarer Latenz zwischen Eingang und Ausgang.
Der Begriff falsche Positivmeldung bezieht sich auf den Fall, dass ein System fehlerhafterweise ein Nicht-Anfalls-Signal erfasst und es als einen Anfall klassifiziert. Der Begriff falsche Negativmeldung beschreibt den Fall, in dem ein wahrer Anfall durch das System unentdeckt bleibt. Systeme, die eine geringe Rate mit falschen Positivmeldungen haben, werden als spezifisch bezeichnet, wohingegen jene mit einer geringen Rate an falschen Negativmeldungen als sensitiv bezeichnet werden.
Die Begriffe epileptiforme Entladung und Spitze werden hier im Wechsel verwendet, um sich auf eine Klasse von scharf konturierten Wellenformen zu beziehen, üblicherweise mit relativ großer Leistung und mit einer Dauer, die kaum 200 msec überschreitet. Diese Spitzen können Komplexe mit langsamen Wellen bilden und können einzeln oder in Gruppen auftreten.
Der Begriff Epileptologist und Elektroenzephalogramm-Experte werden hier im Wechsel verwendet.
Die US-A-5,311,876 (Olsen) offenbart ein Patienten-Überwachungssystem und Verfahren zum Betreiben desselben, wobei das Eingangssignal als erster Schritt standardisiert wird, bevor irgendeine andere Verarbeitung durchgeführt wird. Dann, und nur dann, führt Olsen ein weiteres Filtern durch.
ZUSAMMENFASSUNG DER ERFINDUNG
Die vorliegende Erfindung betrifft ein Gerät 10 zur Erfassung, Vorhersagung und Behandlung von Anfällen, um das Auftreten eines Anfalls in dem Gehirn eines Subjekts zu erfassen, wie in Anspruch 1 definiert ist.
Die vorliegende Erfindung löst die Probleme und überwindet die Beschränkungen des Standes der Technik, während wesentliche Vorteile gegenüber dem Stand der Technik erreicht werden. In ihrer bevorzugten Ausgestaltung wird (1) die genaue, automatisierte Echtzeit-Erfassung von Anfällen sowie die Bestimmung ihres Ursprungs, Ausbreitungswegs und Geschwindigkeit durch Gebiete des Gehirns sowie deren Dauer und Intensität; (2) die Vorhersage des Auftretens der klinischen Komponente von Anfällen; (3) die Vorhersage des Auftretens der elektrographischen Komponente von Anfällen; (4) die Online-Selbst-Adaption oder Offline-Adaption von (1-3) bei jedem Individuum; (5) die automatische Verwendung von (1-3) für Diagnose, quantitative Analyse, Bilddarstellung, Warnung, Behandlung und Speicherung von Daten; und (6) die Miniaturisierung des Systems hin zu einer tragbaren oder implantierbaren Vorrichtung ermöglicht.
Die Adaption des Systems für jedes Individuum zieht den Anfallstyp und die Anfallsposition sowie Veränderungen des Signals (der Signale) über die Zeit in Betracht und verwendet vorhandene präictale, ictale oder postictale "Fingerabdrücke" für das Subjekt. Die Geschwindigkeit der Analyse und Empfindlichkeitspegel und Spezifizität können ebenfalls auf gewünschte Pegel eingestellt werden, und das Verfahren kann entweder in digitaler oder analoger Form (oder in einer Kombination) implementiert werden.
Bei dem bevorzugten Ausführungsbeispiel der Erfindung werden intrakraniale Elektroden oder Kopfhaut-Elektroden, um Signale zu erhalten, die die aktuelle Gehirnaktivität wiedergeben, und ein Signalprozessor verwendet, wie zum Beispiel ein Personal Computer oder Mikroprozessor, um diese Signale kontinuierlich zu überwachen und zu analysieren, wichtige Veränderungen oder das Auftreten von Vorläufern zu erfassen, die für eine bevorstehende Veränderung vorhersagend sind, sobald sie auftreten. Die Ausgabe dieser Analyse wird dann einer Vorrichtung zugeführt, die eine unmittelbare Antwort erzeugt (z.B. Warnung, Behandlung oder Speicherung), und zwar hinsichtlich der Veränderung oder der vorhergesagten Zustandsänderung. Die Signalverarbeitung beinhaltet eine adaptive Analyse von Frequenz, Energie, Wellenform und Dynamiken, Phasenbeziehungen, Messungen von rhythmischem Verhalten, "Sequenz" und temporo-spatialer Stereotyp, Variabilität, Dimension, Komplexität des Signals sowie Rauschverminderung.
1. VERFAHREN ZUR ECHTZEIT-ERFASSUNG VON ANFÄLLEN:
Nachstehend erfolgt ein Überblick hinsichtlich der Schritte, die das bevorzugte Ausführungsbeispiel der Erfindung für Echtzeit-Erfassung von Anfällen umfasst.

(1) Extrahieren des Teils mit ictalen Charakteristiken aus dem gesamten Signal. Dieser Schritt wird durch adaptives Filtern, was die Auswahl von Patienten- und/oder Sensorspezifischen Anfangsparametern ermöglicht, und einen Adaptionsprozess erreicht, in dem diese Filter automatisch verbessert werden, wenn wichtige Signalcharakteristiken Online gelernt werden.
(2) Die Ausgabe von diesem Filter wird verwendet, um einen Index ictaler Aktivität in jeder Stromsignalepoche (der "Vordergrund") zu berechnen, die dann durch einen entsprechende Messwert dividiert wird, der mit dem Hintergrund-Signal in Beziehung steht, wodurch ein Verhältnis gebildet wird. Die neuartige Anwendung der Mittelwert- Filterung und der zeit- und zustandsgewichteten Durchschnittsbildung wird in diesem Schritt verwendet.
(3) Wenn der Wert von diesem Verhältnis einen bestimmten Grenzwert erreicht, dann wird die Erfassung eines Anfalls unmittelbar signalisiert.
(4) Einordnen und Verifizieren von Anfällen wird dann unter Verwendung einer Analyse von Zeitdauer, Intensität, Mustererkennung von spatio-temporaler Ausbreitung sowie postictalen Signalveränderungen von Anfällen erreicht.

Außerdem wurde ein neues Bildverarbeitungsverfahren für Anfälle entwickelt, das auf der hier dargestellten Erfassungsmethodologie basiert.
2. VERFAHREN ZUM ERFASSEN VON VORLÄUFERN VON ANFÄLLEN:
Diese Ausführungsbeispiele erfassen das Auftreten von Signalcharakteristiken oder Signalmustern, die Vorläufer von klinischen und/oder elektrographische Komponenten eines Anfalls sein können, die zu dessen Vorhersage führen. Die Bestimmung des Auftretens eines Anfalls durch visuelle Analyse (was hier als "der goldene Standard" betrachtet wird) ist ein subjektiver und empirischer Prozess, und zwar im derzeitigen Stand der wissenschaftlichen Entwicklung. Die Bestimmung der Zeit des Auftretens des Anfalls hängt teilweise von den Spezifikationen und Parametern ab, die mit den Aufzeichnungsvorrichtungen sowie der Position und des Typs von Sensoren in Bezug auf das Gewebe in Beziehung stehen, von wo der Anfall stammt. Die Intensität und das Ausmaß der Ausbreitung des Anfalls beeinträchtigt ebenfalls die Erfassung.
Von einem praktischen Standpunkt aus führt die Vorhersage, die auf der Erfassung von Vorläufern von Anfällen oder der elektrographischen Komponente selbst basiert, zu einer erstrebenswerten Zeit, während der Warnung und Intervention eingerichtet werden kann, um das Auftreten von einer der Komponenten des Anfalls zu beenden oder zu verhindern. Wegen ihrer selbsteinstellenden Fähigkeit (detailliert in einem späteren Abschnitt) können durch fortgesetzte Anwendung dieser Vorhersagemethoden bei einem gegebenen Individuum oder Anfallstyp die Zuverlässigkeit von nachfolgenden Vorhersagen verbessert und die anzustrebende Vorhersagezeit verlängert werden.
Vorläufer von Anfällen umfassen, sind aber nicht darauf beschränkt:

(1) bestimmte signifikante Muster von epileptiformen Entladungen (oder Spitzen),
(2) eine signifikante abrupte Abschwächung der Signalenergie bei einigen oder allen Sensoren, und
(3) signifikante Veränderungen in verschiedenen Charakteristiken der Leistungsspektraldichte, die mit jedem der Signale in Beziehung stehen, die überwacht werden, z.B. ein plötzlicher signifikanter Abfall der mittleren Frequenz eines gegebenen Signals.

Vorhersage von Anfällen kann während verschiedener Stufen ihrer temporalen Evolution erfolgen:

a) Vorhersage des Vibrationszustands (oder des ersten Zustands), d.h. der Zustand bevor sich der Anfall über anatomische oder funktionale Grenzen der "kritischen epileptogenen Masse" ausbreitet (definiert als die kleinste Masse, die, wenn vollständig synchronisiert, die nachfolgenden Zustände erzeugt).
b) Vorhersage der elektrographischen Komponente des Anfalls. Diese Komponente ist hauptsächlich durch temporale Kontinuität des ictalen Signals mit oder ohne Evolution über ein Frequenzspektrum und mit einem gewissen Ausmaß an Ausbreitung außerhalb der kritischen Masse definiert. Die Vorhersage dieses Zustands kann durch Identifizieren von Vorläufern (siehe Beispiele) erfolgen. Vorläufer haben temporale, spektrale und andere Charakteristiken, die sie von der elektrographischen Komponente unterscheiden.
c) Vorhersage der klinischen Komponente des Anfalls. Die Echtzeit-Erfassung der elektrographischen Komponente eines Anfalls ist ähnlich für partielle oder sekundär generalisierte Anfälle hinsichtlich der Vorhersage des klinischen Auftretens, wenn es zwischen den beiden Komponenten eine Latenz gibt. Durch Vorläufer-Erfassungen wird außerdem die Vorhersagezeit der klinischen Komponente verlängert.

3. VERFAHREN ZUR SPITZEN-ERFASSUNG, KLASSIFIKATION UND ZÄHLUNG
Die Erfindung beinhaltet außerdem ein neues Verfahren zum Messen von Signal-"Schärfe", was als Kleinste-Quadrate-Methode-Beschleunigungsfiltern (LSA-Filtern) bezeichnet wird, das als die Basis für ein neues Spitzen-Erfassungsverfahren verwendet wird. Es kann auch verwendet werden, um die vorhandenen Spitzen-Erfassungsverfahren zu verbessern. Bei diesem Verfahren wird das Signal kontinuierlich hinsichtlich des Auftretens von solchen Dingen wie Spitzen und deren Amplitude, Frequenz, Wellenform, "Sequenz" (Ausmaß oder Muster von Cluster-Bildung), Rate des Auftretens, Position und Polarität überwacht, berechnet und gespeichert. Diese Information wird dann hinsichtlich einer Konformität zu irgendeinem Vorläufermuster von Anfällen analysiert.
4. VORRICHTUNGEN FÜR DIE ERFASSUNG VON ANFÄLLEN, VORLÄUFERN UND SPITZEN UND FÜR DIE VORHERSAGE VON ANFÄLLEN:
Die Algorithmen, die vorstehend angeführt und hier im Detail beschrieben werden, können in digitaler oder analoger Form in einem Signalprozessor realisiert werden. Das bevorzugte Ausführungsbeispiel wurde auf einem PC implementiert, der auf einem Intel 486 basiert, und zwar für Echtzeit-Überwachung und Speicherung von Daten für Patienten, die eine klinische Bewertung durchlaufen.
Die Echtzeit-Erfassung von:

(a) Vorläufern von Anfällen und die resultierende Vorhersage von elektrographischen und klinischen Komponenten von Anfällen,
(b) der elektrographischen Komponente und der resultierenden Vorhersage der klinischen Komponente, oder
(c) Spitzenwerten ermöglicht die Einführung von Sicherheit und therapeutischen Maßnahmen und initiiert die Adaption und das Selbstlernen der Verfahren oder führt sie fort. Beispielsweise kann eine Vorhersage von Anfällen verwendet werden, um eine Vorrichtung zu steuern, um ein Medikament oder eine Substanz systematisch intraventricular oder intracerebral zu verabreichen, um elektrisch, magnetisch oder thermisch einen Nerv oder ein Gebiet des Gehirn des Subjekts zu aktivieren oder zu deaktivieren, um physiologische Rezeptoren zu aktivieren oder zu deaktivieren, um ein Gebiet des Gehirns des Subjekts zu entfernen, um eine Warn- oder Bio-Rückmelde-Vorrichtung zu aktivieren, oder um Segmente von Signalen zwecks Übertragung oder Speicherung (oder für Kommentierungen von kontinuierlich aufgezeichneten Signalen) und weiterer Offline-Analyse zu selektieren.

KURZBESCHREIBUNG DER ZEICHNUNGS-FIGUREN
1 ist eine schematische Darstellung von dem bevorzugten Gerät der vorliegenden Erfindung, wobei Eingänge von Gehirnsignalen (oder anderen biologischen Systemen) eines Subjekts von Oberflächensensoren und/oder implantierten Sensoren (z.B. intracraniale Sensoren) zu einem Signalprozessor und verschiedenen Typen von Ausgängen gezeigt sind;
2 ist eine graphische Darstellung der Datensegmente, die in einem bevorzugten Verfahren zur Erfassung von Anfällen zum Betreiben des Geräts aus 1 verwendet werden können, um aktuelle ("Vordergrund") Signalaktivität (z.B. die letzten 2 Sekunden) und Signal-Hintergrund-Aktivität (z.B. ein Segment von 20 oder mehr Sekunden Länge) darzustellen, die um 1 Sekunde von dem Ende des Vordergrund-Fensters verzögert ist;
3A ist eine graphische Darstellung, die einen Filter mit endlicher Impulsantwort (FIR) zeigt, der in dem ersten Schritt des bevorzugten Ausführungsbeispiels verwendet werden kann, um Anfälle in den Eingangssignalen des Geräts aus 1 zu erfassen;
3B ist eine graphische Darstellung, die die Leistungsspektraldichte (PSD) zeigt, die mit dem FIR-Filter aus 3A in Beziehung steht;
4 ist eine graphische Darstellung von einem ECoG-Signal, das als ein Eingang zu dem Gerät aus 1 verwendet wird;
5A ist eine graphische Darstellung von dem Ergebnis der Anwendung des generischen FIR-Filters aus 3A auf das Signal aus 4 und des Quadrierens der Ausgangssignalwerte gemäß einem Ausführungsbeispiel der Erfindung;
5B ist eine graphische Darstellung von dem dimensionslosen Verhältnis von einem 1-Sekunde-Vordergrund-Mittelwert-Filters und einem verzögertem 20-Sekunden-Hintergrund-Mittelwert-Filter, angewendet auf das quadrierte, FIR-gefilterte Signal, das in 5A gezeigt ist, gemäß einem Ausführungsbeispiel der Erfindung;
6A ist eine graphische Darstellung von einem Teil des ECoG-Signals aus 4, währenddessen das klinische und elektrographische Auftreten eines Anfalls und die Aktivierung des Ereignisknopfes durch das Subjekt stattgefunden hat, und währenddessen das Gerät aus 1 den Anfall erfasst hat;
6B ist eine graphische Darstellung des Ausgangs des Ausführungsbeispiels zur Erfassung eines Anfalls, wie in 5B dargestellt, wobei aber das Zeitfenster auf jene Zeitperiode beschränkt ist, die dem Signal aus 6A entspricht;
7 ist eine graphische Darstellung von einem Ausführungsbeispiel für ein Anfall-Bildverarbeitungsverfahren und eine Vorrichtung, die auf 16 simultane ECoG-Aufzeichnungen angewendet wird, die ein Anfall-Ereignis enthalten;
8A ist eine graphische Darstellung von einem ECoG-Signal, das eine Anzahl von epileptiformen Entladungen enthält;
8B ist eine graphische Darstellung des Ausgangs des ersten Schritts des Ausführungsbeispiels zur Erfassung von Spitzen; mögliche Spitzen mit einer Schärfe wie durch LSR-Filtern berechnet, die einen gegebenen Grenzwert überschreiten, und deren jeweilige Polarität (nach oben oder nach unten) sind angegeben;
9 ist eine graphische Darstellung, die die Leistungsspektraldichte (PSD) oder die Impulsantwort von dem derzeit bevorzugten FIR-Filter zeigt, der ausgestaltet ist, um bei der Erfassung der Anfall-Vorläufer-Spitzen verwendet zu werden, wie in Beispiel 1 beschrieben;
10 ist eine graphische Darstellung von einem ECoG-Signal, das ein Anfall-Vorläufersignal enthält (der quasiperiodische, epileptiforme Entladungs-Vorläufer, der in Beispiel 1 detailliert beschrieben wurde). In dieser Figur werden die Zeiten des elektrographischen Auftretens des Anfalls, das klinische Auftreten des Anfalls und die Zeit der Erfassung des Anfall-Vorläufers unter Verwendung eines Ausführungsbeispiels der Erfindung benannt;
11A ist eine graphische Darstellung von einem ECoG-Signal von einem Subjekt, das ein Anfall-Vorläufersignal enthält (der Signalabschwächungsvorläufer ist in Beispiel 2 detailliert beschrieben);
11B ist eine graphische Darstellung des Ausgangs des Ausführungsbeispiels zur Vorläufer-Erfassung für diesen Typ von Anfall-Vorläufer;
12A zeigt die Darstellung aus 11A, wobei die Zeitachse auf einen kleineren Bereich von Zeiten beschränkt ist, die jedoch immer noch die Erfassungszeit des Anfall- Vorläufers und die Zeiten des elektrographischen und klinischen Auftretens für den Anfall enthalten;
12B zeigt die Darstellung aus 11A, wobei die Zeitachse auf einen kleineren Bereich von Zeiten beschränkt ist, die jedoch immer noch die Erfassungszeit des Anfall-Vorläufers und die Zeiten des elektrographischen und klinischen Auftretens für den Anfall enthalten;
13A ist eine graphische Darstellung von einem ECoG-Signal von einem Subjekt, das ein anderes Anfall-Vorläufersignal enthält (ein schneller Abfall der Mittelwert-Frequenz, wie detailliert in Bespiel 3 beschrieben). Die Zeiten des elektrographischen Auftretens, des klinischen Auftretens und der Betätigung des Ereignisschalters durch das Subjekt sind dargestellt;
13B ist eine graphische Darstellung von dem Ergebnis der Anwendung des Ausführungsbeispiels der Erfindung für die Erfassung dieses bestimmten Anfall-Vorläufers auf das in 13A dargestellte Signal. Das elektrographische und klinische Auftreten des Anfalls und die Zeit des Drückens des Ereignisschalters werden ebenfalls bezeichnet, sowie die Zeit der Vorläufer-Erfassung;
14A ist eine graphische Darstellung von 4,27 Sekunden der ECoG-Signaldaten;
14B ist eine graphische Darstellung von der Leistungsspektraldichte (PSD) von dem Signal in 14A, wobei die Modal-Frequenz, die Mittelwert-Frequenz und die Haupt-Frequenz des Signals gezeigt sind;
15A ist eine graphische Darstellung von 2 Sekunden des ECoG-Signals, das von einem Subjekt aufgezeichnet wurde, und zwar während einer interictalen (Nicht-Anfalls) Periode; und
15B ist eine graphische Darstellung von dem absoluten Wert der Wellenform-Koeffizienten von Pegeln 1–4, die durch Anwenden der schnellen Wellenform-Transformation auf das Signal in 14A erhalten werden.
DETAILLIERTE BESCHREIBUNG DER BEVORZUGTEN AUSFÜHRUNGSBEISPIELE
1 zeigt das bevorzugte Gerät 10 zum Empfangen und Analysieren von Signalen, die die Gehirnaktivität des Subjekts darstellen, und zum Erzeugen von verschiedenen Typen von Ausgängen. Das Gerät 10 enthält einen Signalprozessor 12, Eingänge 14 und Ausgänge 16. Der Signalprozessor 12 ist vorzugsweise ein Computer, wie zum Beispiel ein solcher mit Eigenschaften, die jene von einem auf einem Intel 486 basierten Computer erfüllen oder überschreiten, der eine Taktfrequenz von 33 MHz und ein RAM von 8 MB hat. Für den Fachmann ist offensichtlich, dass ein geeigneter digitaler Signalprozessor anstelle des bevorzugten Computers verwendet werden kann, wie zum Beispiel ein auf Kundenwunsch konstruierter Halbleiter-Chip mit der geforderten Eigenschaft, vorzugsweise für Implantierung oder als eine tragbare Vorrichtung konfiguriert. Der Signalprozessor 12 kann auch ein analoger Prozessor oder eine Analog-/Digital-Kombination sein. Anlage 1 ist als Teil der Offenbarung hierfür integriert und beinhaltet das derzeit bevorzugte Computer-Programm zur Verwendung durch das Gerät 10 und insbesondere den Signalprozessor 12 zum Implementieren der bevorzugten Verfahren der vorliegenden Erfindung, die hier anschließend beschrieben werden.
Die Eingänge 14 beinhalten EEG-Signale (oder ein anderer Typ von Kopfhaut-Signalen), die von einer Vielzahl von Kopfhaut-Sensoren 18 erhalten und über zugehörige Leitungen 22 übertragen werden, oder ECoG-Signale, die von implantierten Sensoren 23 erhalten und durch zugehörige Leitungen 24 übertragen werden. Die Eingangssignale, die bei der Entwicklung dieser Erfindung verwendet werden, werden verstärkt und von einer analogen in eine digitale Form mit einer Rate von 240 Hz und einem Dynamikbereich von [–300, 300] μVolt und einer digitalen Auflösung von 0,59 μVolt (10 Bit Genauigkeit pro Datum) konvertiert. Dadurch werden 144 Kb an Daten pro Minute pro Kanal erzeugt. Für den Fachmann ist offensichtlich, dass eine Abtastung mit feststehenden oder variierenden Raten (größer oder kleiner als 240 Hz) und einer Genauigkeit (mit mehr oder weniger Genauigkeit als 10 Bits) unter Verwendung von linearer oder nicht-linearer Analog/Digital-Wandlung und mit einem konstanten oder variierenden Dynamikbereich (d.h. einstellbarer Verstärkung) durchgeführt werden kann. Die Datengewinnung kann außerdem unter Verwendung adaptiver Abtasttechniken durchgeführt werden, in denen diese Abtastparameter über die Zeit variieren und durch Charakteristiken des abzutastenden Signals bestimmt werden. Adaptive Abtasttechniken können verwendet werden, um relevante Signalcharakteristiken selektiv zu verbessern und die Signalqualität sowie die Auflösung in bestimmten Frequenzbändern zu erhöhen.
Die Ausgänge 16 können tragbare oder implantierbare Vorrichtungen, Elektroden 26, die intracranial oder extracranial sein können oder über oder um einen Nerv 28 angeordnet sind, einen Medikament-Injektor oder Pumpe 23, eine Audio- oder LED-Ausgabe oder irgendeine andere Form von Warnung 34 und einen zusätzlichen Speicher 36 zum Speichern von Eingangssignalen oder Ereignisdaten aktivieren. Implantierte Elektroden 26 können für irgendeine Form von Aktivierung oder Deaktivierung (z.B, elektrisch, thermisch, etc.) von lokalen oder entfernten Gehirnzellen oder zur Entfernung des epileptogenen Gewebes verwendet werden. Ein Nerven-Stimulator 28 steht vorzugsweise mit dem Vagus-Nerv in Beziehung, da herausgefunden wurde, dass eine solche Stimulation einen Anfall abbricht oder verhindert. Physiologische (oder natürliche) Stimulation von Rezeptoren (z.B. Licht zu Netzhaus-Rezeptoren) kann angewendet werden, um Anfälle zu verhindern oder zu beenden, und ist die Funktion des Stimulators 30. Ein Injektor 32 ist vorzugsweise für automatisierte sofortige Freigabe des geeigneten Medikaments implantiert (einschließlich irgendeiner wirksamen Substanz) zur Behandlung, Verhinderung und Beendigung eines Anfalls. Der Speicher 36 ist vorgesehen, um Signal- oder Ereignisdaten für Archivierungs- und Analysezwecke zu speichern.
Wie hier vorstehend diskutiert, kann die in dem Signalprozessor 12 durchgeführte Analyse für einen bestimmten Patienten zugeschnitten werden, um die Erfassung von Gehirnzuständen und Zustandsübergängen sowie die Vorhersage von Veränderungen in Gehirnzuständen zu verbessern. Das Anpassen der Signalverarbeitung kann auf den in dem Speicher 36 gespeicherten Informationen über Rückführung dieser Informationen zum Signalprozessor 12 basieren. Beispielsweise können diese Informationen verwendet werden, um die Wirksamkeit der Behandlung zu überwachen und um die Erfassung von Anfällen/Spitzen und die Vorhersage sowie therapeutische und sichere Interventionen zu optimieren. Für den Fachmann ist offensichtlich, dass der Speicher 36 als ein integrierter Bestandteil des Signalprozessors 12 vorgesehen sein kann.
Der Fachmann erkennt, dass Veränderungen hinsichtlich des zerebralen Zustands in hohem Maße mit Veränderungen hinsichtlich des Pegels und des Typs der Aktivität von anderen organischen Systemen (z.B. das Herz, etc.) korrelieren und dass diese Signale für die Erfassung und Vorhersage oder die Bestätigung von Anfällen oder anderen Veränderungen des Gehirnzustands praktisch sind. Die folgenden Signale (in 1 nicht bezeichnet) können zusammen mit EEG- und ECoG-Signalen verwendet werden, um die Leistungsfähigkeit des Systems zu verbessern:

1) nicht-elektrische zerebrale (globale oder regionale) Signale, wie zum Beispiel Konzentrationen von Glucose, freien Radikalen, metabolischen Nebenprodukten, Neuro-Transmittern oder anderen Substanzen, oder Messwerte von intracranialem Druck, Temperatur, Blutströmung oder Anzeichen von metabolischer Aktivität, etc.
2) cardiovaskuläre Signale, wie zum Beispiel Herzrate, R-R-Intervall und Variabilität, etc.,
3) Atmungssignale, wie zum Beispiel Atemvolumen, Spitze-Spitze-Intervall, etc.,
4) elektrodermale und andere DC-Potentiale,
5) Signale, die Konzentrationen von Blut oder von anderen peripherem Gewebe, von Gasen, Substanzen oder Chemikalien darstellen, wie zum Beispiel Milchsäure, etc.,
6) Signale, die den Pegel oder Typ von Aktivität von cranialen oder peripheren Nerven darstellen (z.B. Frequenz und Muster von Aktionspotentialen, etc.),
7) Signale, die mit EMG-Aktivität, Kraft, Richtung und Mustern von Gliedbewegungen in Beziehung stehen.

ECHTZEIT-ERFASSUNG VON ANFÄLLEN
Eine erfolgreiche Echtzeit-Erfassung von Anfällen hängt von der Fähigkeit eines Verfahrens ab, schnell und genau den ictalen Teil von dem nicht-ictalen Teil des Signals zu unterscheiden. Wir beginnen mit einer detaillierten Beschreibung des generischen Verfahrens und diskutieren dann weitere Merkmale und Modifikationen, die verwendet werden, um dessen Sensitivität und Spezifizität zu verbessern, indem es adaptiv gemacht wird, d.h. indem ermöglicht wird, dass es Online lernt. Das bevorzugte Ausführungsbeispiel, wie es hier detailliert beschrieben ist, basiert auf einer Abtastrate von 240 Hz mit einer Genauigkeit von 10 Bits. Es gibt jedoch einen weiten Bereich von Digitalisierungstechniken, die verwendet werden können, und zwar zusammen mit den geeigneten Modifikationen hinsichtlich der Parameter des Algorithmus. 4 zeigt ein 4-Minuten-Segment von einem ECoG-Signal, das verwendet wird, um ein bevorzugtes Ausführungsbeispiel zum Erfassen der elektrographischen Komponenten eines Anfalls darzustellen.
Der erste Schritt des Verfahrens beinhaltet das Anwenden eines Filters auf das Signal, um das gesamte Signal in seine ictalen und nicht-ictalen Komponenten zu zerlegen. Als ein Ergebnis der Forschung, die für diese Erfindung durchgeführt wurde, wurde eine Identifikation von Schlüssel-Differenzen zwischen ictalen und nicht-ictalen Signalcharakteristiken erfolgreich erreicht. Diese Ergebnisse ermöglichen die Konstruktion von Filtern, um diesen ersten Schritt des Verfahrens zu erreichen. Diese umfassen "generische" digitale Filter von sowohl endlicher Impulsantwort (FIR) (auch als Konvulutions-Filter und Filter mit bewegendem Durchschnitt (MA)) oder Filter mit unendlicher Impulsantwort (IIR). Ein solcher FIR-Filter ist in 3 gezeigt, und zwar zusammen mit einer Abschätzung von seiner Leistungsspektraldichte (PSD). Diese Filter können analoge Filter umfassen und wurden unter Verwendung einer Datenbank von über 100 Anfällen in der folgenden Weise konstruiert.

1) Jede Anfall wurde entsprechend seiner temporalen Evolution in Segmente dividiert, und das PSD von jedem Segment wurde berechnet;
2) die resultierenden PSDs wurden dann mit PSDs verglichen, die aus interictalen Segmenten erhalten wurden. Leistungsfrequenz-Einhüllkurven wurden dann berechnet, wobei die Spektren bei Frequenzen stärker gewichtet werden, die zu der größten Separation zwischen den ictalen und interictalen PSD-Werten führen;
3) die Rangordnungen und der Typ (z.B. FIR oder IIR) der "generischen" Filter wurden dann gewählt, wobei der Kompromiss zwischen Rechenleistung/Geschwindigkeit und Anpassungsqualität ihrer Impulsantwort hinsichtlich der gewünschten Form in Betracht gezogen wurde. Die Filterkoeffizienten wurden dann aus der gewünschten Impulsantwort unter Verwendung einer Standard-Filter-Design-Methodologie berechnet.

Dem Fachmann sind einige Freiheitsgrade oder Optionen bekannt, die bei der Konstruktion von Filtern verfügbar sind. Beispielsweise können die Amplituden- und Phasenspezifikationen der Impulsantwort des Filters eingestellt werden, um die PSD-Charakteristiken an einen Satz von Anfällen anzupassen, oder Filter mit unendlicher Impulsantwort (anstelle von FIR) können verwendet werden, wenn die Verarbeitungsgeschwindigkeit die primäre Aufgabe darstellt, insbesondere dann, wenn der Filter genau zwischen extrem niedrigen Frequenzen (z.B. weniger als 2 Hz) unterscheiden muss. Generische Algorithmen liefern einen praktischen Lösungsansatz, um das multi-dimensionale beschränkte Optimierungsproblem bei der Konstruktion eines besten Filters für einen gegebenen Satz von Daten zu lösen.
Für ein gegebenes Subjekt wird anfänglich ein Filter aus der Filterbank ausgewählt. Diese Auswahl kann offline von einem Arzt beim Studieren von archivierten Wellenformen erfolgen. Alternativ kann die Auswahl vollständig online durch individuelles Anwenden all der Filter in der Filterbank, und zwar hinsichtlich der Eingangssignale, und durch Auswählen jenes Filters erfolgen, der die größte Differenzierung erzeugt.
Wenn das Eingangssignal durch {x_j}ⁿ _j=1 gegeben ist und der FIR-Filter m Koeffizienten {b₀, b₁, ..., b_m–1} hat, dann wird das ausgegebene (gefilterte) Signal {Y_j}ⁿ _j=1 aus der Formel erhalten Yk+1 = b1xk + b1xk–1 + b2xk–2 + ... + bm–1xk–m+1 wobei angenommen wird, dass x_j = 0 für alle j < 1 ist.
Die Ausgabe von diesem Filter wird dann quadriert, und die Evolution der resultierenden Y 2 / k Werte wird überwacht, indem die neuesten Werte (der "Vordergrund") mit weniger neuen Werten (der "Hintergrund") verglichen werden, um relevante Veränderungen zu erfassen. 5A zeigt die Grafik für die Y 2 / k Werte, die aus der Anwendung des vorstehend beschriebenen FIR-Filters auf das Signals aus 4 resultieren, wobei die Ausgabe dann quadriert wird.
In dem nächsten Schritt des Verfahrens wird auf die vorliegende Information als "Vordergrund" Bezug genommen und diese mit der Signal-Geschichte oder "Hintergrund" verglichen. Wenn das Roh-Signal gefiltert wurde, um dessen ictalen Teil zu extrahieren und zu verstärken, besteht der nächste Schritt in dem Verfahren darin, die {Y 2 / k} Sequenz zu verwenden, um Messungen des Pegels der ictalen Aktivität in der neuesten Signal-Epoche zu erzeugen und sie mit dem zu vergleichen, was in dem interictalen Signal enthalten ist. Um eine Messung der ictalen Aktivität in dem Vordergrund zu berechnen, wenden wir einen (nicht-linearen) Mittelwert-Filter in der Größenordnung 480 (2 Sekunden) auf die {Y 2 / k} Sequenz an, um die Sequenz {F_k} (240 Werte pro Sekunde pro Kanal) zu erhalten. Fk = median {Y2k-p+1 , Y2k-p+2 , ..., Y2k-1 , Y2k },wobei p die Größenordnung des Mittelwert-Filters ist (z.B. p = 480 @ 240 Hz). Dieser Schritt wird verwendet, um eine Veränderung in der zentralen Tendenz der Verteilung der neuen (Vordergrund) Y 2 / k Werte zu überwachen. Der Mittelwert (oder eine andere Rangordnungsstatistik) ist für diesen Schritt bevorzugt, und zwar wegen dessen Fähigkeit, die zentrale Tendenz einer Verteilung zu messen, ohne hinsichtlich Ausreißern überempfindlich zu sein, wie zum Beispiel jene, die aus einzelnen oder mehreren Spitzen resultieren.
Um einen Messwert der ictalen Aktivität in dem Hintergrund {B_k} zu berechnen, der als eine Referenz verwendet wird, gegen die Vordergrund-Veränderungen gemessen werden, wenden wir einen anderen Mittelwert-Filter auf die Y 2 / k Werte mit den folgenden Modifikationen an:

1. die Rangordnung wird erhöht (z.B. auf 20 Sekunden, p = 4800), um einen stabileren Hintergrund zu erhalten,
2. der Filter wird mit einer bestimmten Zeit (z.B. 1 Sekunde) gegenüber der aktuellen Zeit verzögert, um einen möglichen Effekt des neuesten Signals auf den Hintergrund-Wert B_k zu entfernen, wodurch eine Vordergrund-Veränderung leichter und schneller zu unterscheiden bzw. zu erfassen ist,
3. Aktualisierungen des Hintergrunds B_k werden während der Anfälle oder anderer Abnormalitäten deaktiviert (z.B. Übergangserscheinungen), und
4. ein exponentiell vergessender Zeitmittelwert (oder ein allgemeinerer zeit- und zustandsgewichteter Mittelwert) dieser verzögerten Mittelwert-Filter-Ausgabe wird verwendet, um die Periode der Signal-Geschichte zu erhöhen, die durch die Hintergrund-Sequenz {B_k} dargestellt ist, ohne die Speicher-Anforderungen oder den Berechnungsaufwand zu erhöhen. Durch Verwendung dieser Technik werden die Größe und die Anzahl von Fluktuationen in dieser Hintergrund-Sequenz vermindert, wodurch die Erfassung verbessert wird, indem ermöglicht wird, dass sensitivere Grenzwerte eingestellt werden können, ohne dass falsche Erfassungen signifikant zunehmen. Details bezüglich der allgemeineren zeit- und zustandsgewichteten Durchschnittstechniken, die in diesem Schritt verwendet werden können, sind in Anlage 2 dargestellt, der einen Teil dieser Offenbarung darstellt.

Um nun noch zu präziser zu werden, wird die Hintergrund-Sequenz {B_k} wie folgt berechnet. Wir beginnen mit der Anwendung eines verzögerten Mittelwert-Filters mit der Rangordnung h und der Verzögerung d auf die quadrierte Ausgabe des FIR-Filters {Y 2 / k}, um die Ausgangssequenz {w_k} zu erhalten wk = median {Y2k-d-h+1 , Y2k-d-h+2 , ..., Y2k-d-1 , Y2k-d }wobei z.B. h = 4800 (um 20 Sekunden an Daten zu verwenden) und d = 240 + 480 = 720 (d.h. dieser Mittelwert-Filter ist mit 1 Sekunde von dem Ende des 2 Sekunden Vordergrund- Fensters verzögert, d.h. 3 Sekunden von der aktuellen Zeit), so dass wk = median {Y2k-5519 , ..., Y2k-721 , Y2k-720 }.
Dann wird definiert
wobei λ ein "Vergessens-Faktor" ist, durch den die Rate des exponentiellen Vergessens gesteuert wird (wobei dieser Faktor zwischen 0 und 1 liegt), und r_k das aktuelle Verhältnis von Vordergrund "Ictal-Index" bezüglich des Hintergrund "Ictal-Index" ist, gegeben durch
und C₂ ist ein Grenzwertpegel, der verwendet wird, um Aktualisierungen von B_k zu deaktivieren, wenn C₂ um r_k überschritten wird. Für die genaue Echtzeit-Erfassung von Anfällen sollte nicht erlaubt sein, dass das ictale Signal das Hintergrund-Signal beeinflusst, von dem die Anfälle unterschieden werden. Um folglich das Erfassungsverfahren weiter zu verbessern, wurde die obige Konstante C₂ eingeführt, um Aktualisierungen des Hintergrund-Ictal-Index B_k zu deaktivieren, wenn das Verhältnis r_k groß ist (d.h. groß C₂ überschreitet). Ein Fehler bei der Deaktivierung dieser Aktualisierungen würde ein unerwünscht starkes Anwachsen in dem Hintergrund-Ictal-Index während eines Anfalls erlauben, was zu einem Verlust der Fähigkeit, die Dauer eines Anfalls zu messen, und zu eine Verschlechterung in der Fähigkeit führen würde, spätere Anfälle zu erfassen (oder die Regeneration eines einzeln auftretenden Anfalls), wenn diese Ereignisse zeitlich eng beabstandet sind. Diese Verbesserung des Verfahrens ist insbesondere dann wichtig, wenn man wünscht, das Ende (und somit die Dauer) von einem Anfall zusätzlich zu der Anfangszeit zu erfassen.
Die Erfassung eines Anfalls wird unmittelbar dann signalisiert, wenn das Verhältnis r_k den Wert C₂ überschreitet, welcher der Erfassungsgrenzwert ist. Wenn die Vordergrund- und Hintergrund-Mittelwert-Filter gleich 1–2 Sekunden beziehungsweise 20 Sekunden sind, dann sind bevorzugte Werte für die vorstehend definierten Konstanten gleich C₁ = 20, C₂ = 5 und λ = 0,9997. Es sei ebenfalls angemerkt, dass, da das Verhältnis r_k dimensionslos ist, der Grenzwert unabhängig von den Einheiten in dem überwachten bestimmten Signal eingestellt werden kann.
5B und 6B zeigen die graphische Darstellung von diesem Verhältnis, wenn das Verfahren auf das Signal aus 4 und 6A angewendet wird. In diesem Beispiel erfasst das Verfahren den Anfall 5 Sekunden vor dem elektrographischen Auftreten (das unabhängig von einem trainierten Epileptologen bestimmt wurde), 8 Sekunden vor dem klinischen Auftreten des Anfalls (der durch Betrachtung der Videoband-Aufzeichnung durch den gleichen Epileptologen bestimmt wurde) und 11 Sekunden vor der Aktivierung eines Ereignisschalters durch den Patienten (wodurch der Beginn des Anfalls durch den Patienten signalisiert wird), wie in 6B dargestellt ist.
Durch Variieren der Längen von Vordergrund und Hintergrund können die Genauigkeit und die Geschwindigkeit der Erfassung eingestellt werden, um die Leistungsfähigkeit zu verbessern, die für eine bestimmte Anwendung des Verfahrens gewünscht ist. Das bevorzugte Ausführungsbeispiel stellt eine wesentliche Verbesserung gegenüber dem Stand der Technik sowohl hinsichtlich Geschwindigkeit als auch Genauigkeit der Erfassung dar. Außerdem werden durch die Anpassbarkeit der Parameter des Systems eine Flexibilität und verbesserte Leistungsfähigkeit für eine Vielzahl von Anwendungen erreicht. Wenn beispielsweise die Geschwindigkeit aber nicht die Genauigkeit der Erfassung der wesentliche Faktor für den Erfolg einer Beendigung eines Anfalls ist, dann ist eine Verkleinerung der Vordergrund-Fensterlänge eine Möglichkeit, um dieses Ergebnis zu erreichen. Wenn dieses Verfahren andererseits in einer Vorrichtung verwendet wird, um den Teil des Gehirns zu zerstören, von dem der Anfall stammt, dann ist die maximale Genauigkeit (und nicht die Erfassungsgeschwindigkeit) erforderlich, um die Beschädigung von gesundem Gewebe zu vermeiden. Dies kann erreicht werden, indem die Länge des Vordergrund-Fensters verlängert wird.
Durch die neuartige Verwendung des Rangordnungsstatistik-Filterns in dieser Erfindung und insbesondere eines Mittelwert-Filters, um die ictale Aktivität in dem Vordergrund zu charakterisieren, wird die Genauigkeit der Erfassung von Anfällen signifikant verbessert, indem eine Unterscheidung zwischen ictal organisierter und nichtorganisierter epileptiformer Aktivität ermöglicht wird. Durch die weitere Hinzufügung von zeit- und zustandsgewichteter Mittelwertbildung sowie die Ausbildung eines Verhältnisses, durch das der Pegel an ictaler Aktivität in dem neuen Signal (Vordergrund) mit der verglichen wird, die normalerweise während der interictalen (kein-Anfall/Hintergrund) Perioden vorhanden ist, ermöglicht es die vorliegende Erfindung, neben anderen Ideen (nachfolgend beschrieben), verbesserte Ergebnisse zu liefern, und zwar nicht nur hinsichtlich der Geschwindigkeit, sondern auch bezüglich Genauigkeit und Anpassbarkeit. Außerdem ermöglicht das Verfahren das online-Erlernen und eine Adaption, wie in späteren Abschnitten beschrieben wird.
Da das Signal von jedem einzelnen Sensor in der vorstehend erläuterten Weise für die Erfassung von Anfällen überwacht wird, können spatio-temporale Korrelationen zwischen den Verhältnissen simultan für mehrere Sensoren berechnet werden, wodurch Signale der gleichen Klasse (z.B. alle ECoG) oder verschiedener Klassen (z.B. ECoG, EKG und Blut-Zusammensetzung) erhalten können, dann verwendet werden, falls erforderlich, um die Sensitivität und Spezifizität des Algorithmus zu erhöhen, indem z.B. Sensor- und Signalabhängige Grenzwerteinstellungen und die Verwendung von Multi-Kanal-Information bei sowohl Erfassung von Anfällen und Fehlalarm-Ablehnung erlaubt sind. Der Fachmann erkennt, dass externe Sensoren ein geringeres Signal/Rausch-Verhältnis als implantierte Sensoren erzeugen. Dieser Nachteil ist besonders bei Sensoren wesentlich, die an der Kopfhaut für EEG-Überwachung angeordnet sind, und zwar in Folge von Volumen-Konduktion und Tiefpass-Filtereffekten auf das corticale Signal, was durch Strukturen bewirkt wird, die das Gehirn umgeben. Außerdem kann das von der Kopfhaut aufgezeichnete Signal gegenüber dem verzögert sein, das direkt von dem Gehirn aufgezeichnet wird. Um diese Nachteile zu kompensieren, wurden die folgenden Strategien angepasst (individuell oder in Kombination):

1) Vorfiltern des Kopfhaut-Signals oder anderer Eingänge, um die wichtigen Signale zu extrahieren (z.B. Separieren der corticalen Spannungspotentiale von Artefakten).
2) Artefaktmustererkennung. Artefakte, die als Signale definiert sind, die nicht das direkte Produkt einer corticalen neuronalen Aktivität sind, die während der normalen Aktivität und auch während der Anfälle auftritt. Während ihrer klinischen Komponente erzeugen Anfälle allgemein eine große Menge an Artefakten, die für ein gegebenes Individuum in hohem Maße stereotypisch hinsichtlich ihrer spektralen und spatio-temporalen Charakteristiken sind und als solche von der corticalen Aktivität von Anfällen unterscheidbar sind. Diese Artefakte, die Körper-, Mund- oder Augen-Bewegungen entsprechen, etc. werden zuerst durch Vergleich mit Artefakten erkannt, die in einer allgemeinen Datenbank entsprechend ihrer Charakteristiken katalogisiert sind. All diese Fehler sind identifiziert, und ihre temporale Evolution ist hinsichtlich Übereinstimmung mit einem Muster von Artefakten getestet, die für Anfälle dieses Individuums stereotyp sind.
3) Verwendung anderer Signale, wie zum Beispiel EKG, Atmungsrate, Magnetfelder, thermische Potentiale, Konzentrationen von chemischen Bestandteilen, Aufzeichnungen von einem Dynamometer oder Beschleunigungsmessgerät, das an dem Patienten oder Bett befestigt ist, um für die Anfallserfassung oder Vorhersage verwendet zu werden.

Wenn ein Anfall beendet ist, dann findet normalerweise eine Abnahme der Signalleistung in bestimmten Frequenzbändern statt. Diese Verminderung hängt, unter anderen Faktoren, von der Intensität und Dauer des Anfalls ab. Das Verfahren bzw. die Vorrichtung überprüft und misst die Dauer von einem Leistungsverlust, der auf einem großen Anstieg folgt (wie beispielsweise ein solcher, der zusammen mit einem Anfall stattfindet), und das Ergebnis dieser Tests wird verwendet, um retrospektiv auf die Genauigkeit der Erfassung eines Anfalls zuzugreifen. Beispielsweise würde ein großer erfolgter Anstieg bezüglich der Leistung ohne eine nachfolgende Leistungsabnahme in bestimmten Bändern routinemäßig einer Offline-Kontrolle unterzogen werden.
DIE ADAPTIVE UND EVOLUTIONÄRE EIGENSCHAFT DES VERFAHRENS
Große Gültigkeitsstudien haben bewiesen, dass das vorstehend detailliert beschriebene Ausführungsbeispiel zur Erfassung von Anfällen sowohl sehr sensitiv als auch sehr spezifisch ist. Um jedoch die mögliche Variabilität von intra- oder inter-individuellen Signalen in Betracht zu ziehen, und um die Leistungsfähigkeit weiter zu verbessern, soweit erforderlich, wurde eine Anzahl von zusätzlichen Schritten implementiert, die es ermöglichen, dass das System online und offline lernt und adaptiert. Diese Schritte können in den nachfolgenden Kategorien gruppiert sein:

(1) adaptive Signalgewinnungsverfahren,
(2) intelligente Parametereinstellung, und
(3) adaptive Verwendung von Erfassungs- und Vorhersageinformationen.

Der erste Schritt bei der Adaption des Verfahrens auf ein bestimmtes Subjekt oder Anwendung beinhaltet das Auswählen des geeigneten Satzes von zu überwachenden Signalen und die Steuerung der Art und Weise, wie diese Signale gewonnen werden. Obwohl das vorstehend detailliert beschriebene Beispiel Signale verwendet, die elektrische Potentiale (EEG/ECoG) beinhalten, die mit 240 Hz abgetastet und mit einer Genauigkeit von 10 Bits digitalisiert werden, kann man in einigen Fällen, wie vorstehend diskutiert, die Analog/Digital-Umwandlungsparameter variieren oder das analoge Signal selbst verwenden, um verschiedene Charakteristiken des Signals zu bestimmen, die für die nachfolgende Analyse wichtig sein können. Beispielsweise kann die Abtastrate kontinuierlich mit dem Frequenzinhalt des Signals variiert werden, mit der Steigung der Welle ansteigen (Differenzial-Abtastung); je steiler die Steigung ist, desto höher ist die Abtastrate. Außerdem können Online-Signalqualitätssteuerverfahren verwendet werden, um verschiedene Formen von Signalverschlechterung zu erfassen und um den Benutzer oder andere zu warnen. Beispielsweise kann das System eine Ausgabe erzeugen, die das Vorhandensein einer großen Menge an 60 Hz Aktivität oder ein abnormal hohes "clipping" in der Analog/Digital-Wandlung angeben, etc. Darüber hinaus ist es in einigen Fällen vorteilhaft, Signale von anderen Stellen (oder Organen) zusätzlich zu dem Gehirn oder deren einschließenden Strukturen aufzuzeichnen, und biologische Signale zu analysieren, die andere sind als EEG/ECoG, einschließlich, aber nicht hierauf begrenzt, (1) andere elektrische Potentiale (AC oder DC), (2) EKG, (3) EMG, (4) Atmungsrate, (5) Konzentrationen von Glucose, freien Radikalen oder anderen Substanzen (z.B. Neurotransmitter) im Gehirn, Blut oder anderem Gewebe, (6) magnetische Felder, und (7) Gehirntemperatur. Es ist ebenfalls wichtig anzumerken, dass, aus Gründen der Klarheit, die Aufmerksamkeit primär auf Daten von einem einzelnen Sensor in dem vorstehend detailliert beschriebenen Beispiel fokussiert ist, wobei das Verfahren in der Praxis auf Signale von einer großen Anzahl von individuellen Sensoren und Kombinationen von Sensoren angewendet werden kann (z.B. eine gewichtete Summe von elektrischen Potentialen zwischen einem gegebenen Sensor und allen anderen Sensoren) simultan (d.h. parallel), Überwachung von spatio-temporalen Korrelationen der resultierenden Ausgänge.
Die Parameter des Verfahrens können eingestellt werden, wie dies erforderlich ist. Parameter, wie zum Beispiel Vordergrund- und Hintergrund-Fensterlänge, Filterform und Typ, Zeitgewichtung und Grenzwerteinstellungen können online oder offline an das bestimmte Subjekt und die Anwendung angepasst werden. Wenn beispielsweise Daten vorhanden sind, die einen früheren Anfall für ein gegebenes Subjekt enthalten, dann kann man diese Daten verarbeiten, um ein Filter zu realisieren, das an bekannte Signalcharakteristiken oder an einen Anfall-"Fingerabdruck" von diesem Subjekt angepasst ist. Ein Filter mit den spektralen Charakteristiken von seiner Impulsantwort, durch den das typische PSD zu Beginn eines Anfalls für dieses Subjekt angepasst wird, kann verwendet werden, um die adaptive Filterprozedur zu initialisieren, wodurch die Empfindlichkeit und Spezifizität des Algorithmus für dieses Objekt verbessert werden. Der FIR-Filter kann auch an die bestimmte Position des Sensors oder an den überwachten Signaltyp angepasst werden. Wenn beispielsweise Posterior-Elektroden (z.B. okzipital) überwacht werden, dann ist der bevorzugte Filter ausgestaltet, um irrelevante Signale im Alphabereich (8-13 Hz mit normaler Reaktivität) zu erkennen und zu unterdrücken, wenn deren Leistung unterhalb eines gegebenen Prozentsatzes liegt. Obwohl spektrale Charakteristiken von Anfällen für ein gegebenes Subjekt von jenen verschieden sein können, die für die Konstruktion des generischen Filters analysiert wurden, ist dieses Verfahren aufgrund seiner Anpassbarkeit gut geeignet, um Muster von Anfällen mit einem breiten Bereich von spektralen und anderen relevanten Charakteristiken vorherzusagen und zu erfassen.
Um die Berechnungsleistung zu erhöhen, kann man anstelle des FIR-Filters auch einen stabilen Filter mit unendlicher Impulsantwort (IIR) verwenden (auch bekannt als ein Filter mit auto-regressivem beweglichen Durchschnitt oder "ARMA"-Filter). Solche Filter verwenden eine lineare Kombination von zuletzt gefilterten Signalwerten zusätzlich zu vorhandenen und vergangenen Eingangssignalwerten, um jeden neuen gefilterten Signalwert zu berechnen. Das heißt, bei gegebenen IIR-Filterkoeffizienten A = [a₁ a₂ a₃ a₄ ... an] und B = [b₁ b₂ b₃ ... b_m] und einem Eingangssignal {x₁, x₂, ..., x_N} berechnen wir die Sequenz {Y_N} unter Verwendung der rekursiven Formel: YN = –a1YN–1 – a2YN–2 – ... – anYN–n + b1xN–1 + ... + bmxN–m.
Diese Rückführung des gefilterten Signals ermöglicht es, dass die IIR-gefilterte Ausgabe mit weniger Berechnungsarbeit und kürzerer Verzögerungszeit erzeugt wird.
Der FIR-Filterschritt, der in dem bevorzugten Ausführungsbeispiel verwendet wird, ist ein spezieller Fall von allgemeineren adaptiven Filterverfahren, die verwendet werden können, um das Signal zu zerlegen, zu extrahieren und die Signalaktivität zu verbessern, durch die eine permanente oder bevorstehende Veränderung des Gehirnzustands angegeben wird. Beispielsweise kann man es erlauben, dass die oben genannten FIR-Filterkoeffizienten (und die Rangfolge) mit der Zeit als eine Funktion des aktuellen Gehirnzustands variieren, um die Genauigkeit des Verfahrens unter bestimmten Bedingungen zu erhöhen. Das Verfahren kann einen anderen Filter verwenden, wenn sich das Subjekt in einem Schlaf mit langsamen Wellen befindet, und zwar gegenüber dem, der während starker Aufmerksamkeit verwendet wird, da die Charakteristiken des Hintergrundsignals und des Geräuschpegels/Typs, bezüglich derer eine Veränderung erfasst wird, in diesen beiden Zuständen deutlich verschieden sind. Der Fachmann kennt einige bekannte Verfahren der digitalen Signalverarbeitung, die verwendet werden können, um eine solche Online-Adaption zu erreichen (z.B. "aktive Geräuschverminderung"). Bei derzeit bevorzugten Implementierung beginnt man mit einem generischen Filter (wie vorstehend), mit Hilfe dessen die Erfassung von Anfällen möglich ist, die in einem breiten Bereich von Frequenzbändern beginnen können. Da sich das Eingangssignal über die Zeit in einem Nicht-Anfall-Zustand entwickelt, können Fenster-Leistungsspektraldichte-Abschätzungen (PSD) des Signals sukzessive berechnet werden, und eine PSD-Darstellung der neuerlichen (oder gesamten) Signal-Geschichte kann erhalten werden, und zwar zusammen mit Vertrauens-Intervallen, einem mittleren, einem minimalen, einem maximalen und anderen Prozentsätzen, etc. Das dargestellte PSD wird dann verwendet, um die aktuelle Impulsantwort des Filters zu modifizieren, und zwar gemäß den neu gewonnenen subjektspezifischen und zustandsdarstellenden "Hintergrund"-Informationen, um die Erfassung von nachfolgenden Zustandsänderungen zu verbessern. Interictale PSDs, die nicht zu irgendeinem vorbestimmten ictalen Muster passen, die sich aber ausreichend von dem Hintergrund-PSD unterscheiden, können archiviert und erneut gelesen werden; diese und Parameter, die aus dem PSD (siehe Anlage 2) berechnet werden können, können als Schablonen zur Erfassung anderer Zustandsänderungen, Vorläufer und Statusübergänge und zur Signalqualitätskontrolle verwendet werden. Archivierte Segmente von Anfällen können ebenfalls bei der Online-Adaption dieses Filters verwendet werden, wobei die Aufmerksamkeit auf die Frequenzbänder vergangener Anfälle gerichtet ist, die sich maximal von ihren jeweiligen interictalen Segmenten unterscheiden. Der Fachmann erkennt außerdem, dass es mehrere Verfahren für Online-Filter-Konstruktion aus einem gegebenen PSD gibt, z.B. das Verfahren Parks-McClelland. Zusätzlich zu Filtern, deren Konstruktion wesentlich auf dem PDS beruht, können Phase, Form und andere Charakteristiken (z.B. neural-basierte Filter oder andere Signal-Form-Filter) verwendet werden, um neuartige Filter zu realisieren, falls erforderlich.
In diesem Verfahren können Parameter eingestellt werden, um die ictale Aktivität in einem breiten Bereich von Zeitskalen und Sensitivitäten zu erfassen. Um insbesondere die Länge des Vordergrund-Fensters von 2 Sekunden Länge, wie vorstehend verwendet, auf 2 Sekunden zu reduzieren, können individuelle Spitzenwerte mit diesem Verfahren erfasst werden. Die Erfassung dieser Spitzenwerte, wenn sie stattfinden, ermöglicht die Bildung eines Bio-Rückführsystems, bei dem die Subjekte unmittelbar auf eine epileptiforme Aktivität ihres Gehirns hingewiesen werden (z.B. durch eine akustische Weitergabe von der abnormalen Signalaktivität für auditorische Mustererkennung). Ein solches System kann verwendet werden, um die Subjekte zu unterrichten, ihre eigenen abnormalen Entladungen zu steuern oder zu vermeiden.
Die Grenzwerte C₁ und C₂ können ebenfalls online eingestellt werden, und zwar basierend auf akkumulierten Statistiken und Funktionen der berechneten Verhältnissen {r_k} über lange Zeitperioden, einschließlich der Verhältniswerte, die während der Anfälle gewonnen werden, zusammen mit maximalen und minimalen Werten, die interictal erreicht werden.
Schließlich kann die Art und Weise, in der das System Erfassungs- und Vorhersageinformationen verwendet, angepasst werden. Beispielsweise kann ein Warnalarm einen Rückführ-Mechanismus haben, um Hintergrundrauschen zu erfassen und sein Ausgangssignal entsprechend einzustellen – von einer Vibration, wenn sich das Subjekt beispielsweise in einer Bibliothek befindet, bis hin zu einem lauten Ton, wenn es sich auf einem Flughafen-Laufweg befindet. Als anderes Beispiel können Veränderungen von Stimulationsparametern für Intervention oder Abbruch von Anfällen basierend auf einer Geschichte von therapeutischer Wirksamkeit basieren.
WEITERE AUSFÜHRUNGSBEISPIELE DES VERFAHRENS ZUR ERFASSUNG VON ANFÄLLEN
Die Aufgabe der Erfassung von Anfällen erfordert eine nahezu simultane Temporal-Frequenz-Lokalisierung des Signals.
Die Echtzeit-Erfassung von Anfällen erfordert eine hohe Verarbeitungsgeschwindigkeit.
Die Verwendung des adaptiven Filterns in dem bevorzugten Ausführungsbeispiel ist ideal geeignet, um diese Erfordernisse zu erfüllen. Für den Fachmann ist offensichtlich, dass eine Vielzahl anderer Verfahren für die nahezu simultane Temporal-Frequenz-Lokalisierung verwendet werden können, einschließlich Fenster-Fourier- (oder Gabor-) Transformation (WFFT), die Wavelet-Transformation, die Hartley-Transformation und die Wigner-Ville-Transformation. Jedes dieses Verfahren kann verwendet werden, um den ictalen Teil des Signals aus dem gesamten Signal zu extrahieren oder zu verbessern, wie in dem ersten Schritt des adaptiven Filterverfahrens.
Außerdem kann eine Anzahl anderer Transformationen verwendet werden, um den ictalen Bereich des Signals genau und schnell zu extrahieren und zu verbessern. Wir geben zwei Beispiele:

1. Fenster-korrelierte Integrale: das originale Signal (im Fenster) wird in einen höher-dimensionalen Raum unter Verwendung des Verfahrens der Zeitverzögerungen eingebettet, eine Standardtechnik mit nicht-linearen Dynamiken und Statistiken. Dann wird die Anzahl von Paaren von Punkten gezählt, deren Separation kleiner ist als eine kritische Distanz (dies wird als Abtast-Korrelationsintegral bezeichnet). Diese Statistik wird als eine Funktion der Zeit überwacht. Ictale Aktivität wird angegeben, wenn die Anzahl von solchen Paaren um eine Ordnung der Amplitude heraus fällt. Korrelationen höherer Ordnung können ebenfalls verwendet werden.
2. Die "kinetische Energie" im Fenster wird wie folgt definiert: nehme die erste Differenz der Zeitserien, die durch das Signal dargestellt sind, bette diese abgeleiteten Zeitserien mit einer geeigneten Verzögerungszeit wieder ein, wähle dann eine Fenstergröße (Zeitintervall) in jedem Fenster und berechne für jedes Fenster die Summe der quadrierten Längen von all den Vektoren und überwache diese Statistik als eine Funktion der Zeit.

Beide Verfahren sind robust gegen Veränderungen hinsichtlich der Steuerparameter, wie zum Beispiel Einbettungsdimension, Verzögerungszeit und Fensterlänge. Insbesondere wurden beide wirksam mit kurzen Fensterlängen und Einbettungsdimensionen von weniger als 3 verwendet, was Echtzeit-Überwachung, -Erfassung und -Vorhersage ermöglicht. Beide dieser Verfahren messen das, was als eine relative Dispersion charakterisiert werden kann, in einer bestimmten Skala, von Punkten auf der erneut eingebetteten Trajektorie. Daher sind sie sehr unempfindlich gegenüber kleinen Fluktuationen hinsichtlich der Position der Punkte, was wiederum bedeutet, dass diese Verfahren extrem robust gegen Störungen der Signale durch Rauschen sind. Bei Verwendung vom Verfahren 1 findet beispielsweise nur eine geringe Abnahme der Sensitivität statt, wenn das Signal durch geeignetes Gausches Rauschen beeinträchtig wird, um das Signal/Rausch-Verhältnis auf 5dB zu reduzieren.
Es sei angemerkt, dass die in diesem Abschnitt aufgelisteten Transformationen auch für die Vorverarbeitung von Signalen praktisch sind, wenn a priori nur wenig über die interessierenden Frequenzbänder oder die Zeitskala der Veränderungen bekannt ist. Insbesondere können diese Verfahren als anfängliche Filterwerkzeuge bei der Bestimmung von Frequenzbändern verwendet werden, in denen Veränderung mit bestimmten Veränderungen des Gehirnzustands korrelieren. Zusätzliche Hintergrunddetails bezüglich der Fourier- und Wavelet-Verfahren können in Anlage 2 gefunden werden.
Kohärenzanalyse und Spektren höherer Ordnung und Kumulanten etc. liefern zusätzliche wichtige Informationen bezüglich Signal-Frequenz-Veränderungen über die Zeit.
Das derzeit bevorzugte Computerprogramm für die Erfassung von Anfällen, das in Anlage 1 gezeigt ist, führt eine Online-Mittelwert-Filterung und eine Aktualisierung des sich bewegenden Vordergrund- und Hintergrund-Mittelwert-Filters bei 240Hz durch. Für diese Aufgabe verwendet das Programm kreisförmige, doppelt verbundene Listen. Für bestimmte Anwendungen (z.B. zum Konservieren von Verarbeitungsressourcen, wenn eine große Anzahl von Signalen gleichzeitig überwacht werden) können diese Berechnungen weniger häufig durchgeführt werden, und zwar unter Verwendung allgemein bekannter Batch-Sortier-Algorithmen (z.B. Quicksort), um den Mittelwert in bewegenden Fenstern zu berechnen. Man kann außerdem den Mittelwert-Filter durch einen ähnlichen Rangordnungsstatistik-Filter oder durch eine andere Maßnahme mit mittlerer Tendenz ersetzen (z.B. α-getrimmte Einrichtungen). Zur Berechnung des Hintergrund-Index, der vorstehend beschrieben wurde, kann man in dem Fall, wenn ein sehr großes Hintergrund-Fenster gewünscht ist, stattdessen die Sequenz {B_k} unter Verwendung des exponentiell vergessenen Durchschnitts des Mittelwerts von periodisch abgetasteten Vordergrund-Werten verwenden. Beispielsweise kann der Hintergrund-Wert einmal pro Sekunde aktualisiert werden, indem zuerst der Mittelwert der Vordergrund-Werte berechnet wird, die in jedem der zumindest 300 Sekunden auftreten, wobei dann dieses Resultat (geeignet gewichtet) zu dem vorhergehenden Hintergrundwert addiert wird.
Weitere bevorzugte Ausführungsbeispiele der obigen Methodologie beinhalten die analoge Implementierung der digitalen Verfahren, die hier beschrieben wurden. Für den Fachmann ist offensichtlich, dass jeder Schritt des Verfahrens, das hier dargestellt wurde, in analoger Weise implementiert werden kann. Diese Tatsache ist im Zusammenhang mit der Miniaturisierung und der Entwicklung implantierbarer Vorrichtungen wichtig, da analoge Vorrichtungen allgemein sehr viel weniger Batterieleistung für ihren Betrieb benötigen und daher sehr viel länger halten.
EINE ANWENDUNG DES VERFAHRENS ZUR ERFASSUNG VON ANFÄLLEN FÜR DIE BILDDARSTELLUNG
Das Verfahren zur Erfassung von Anfällen, das auf ein Signal angewendet wird, das vor einem bestimmten Sensor aufgezeichnet wird, erzeugt ein dimensionsloses Verhältnis, das den aktuellen Pegel der ictalen Aktivität darstellt, das an der entsprechenden Stelle vorherrscht. Als Teil der vorliegenden Erfindung wurde ein neues "Anfall-Bildverarbeitungsverfahren" entwickelt, das auf dieser Methodologie der Anfallserfassung basiert. Das Bild eines Anfalls wird unter Verwendung eines Kontur-Ausdrucks der Gehirnregionen erhalten, die das gleiche Anfallsverhältnis erreichen ("equiictal"), und dann wird die temporale und räumliche Evolution dieses Verhältnisses verfolgt; die Konturen werden direkt durch Interpolieren dieser Verhältnisse sowohl über Raum als auch über Zeit erhalten.
7 zeigt die Anwendung dieses Anfall-Bildverarbeitungsverfahrens für einen Anfall, der simultan von zwei implantierten Nadeln aufgezeichnet wird, die jeweils acht Kontakte haben. Die Kontakte 1–8 zeichnen die Aktivität der linken und Kontakte 9–16 zeichnen die Aktivität der rechten Amygdalo-Hippocampal-Region auf. Die Zeitpunkte der Anfallserfassung (durchgehende Linie, 107 Sekunden nach einer willkürlichen Anfangs-Null-Zeit), elektrographischer Beginn (gestrichelte Linie, 112 Sekunden), klinischer Beginn (strichpunktierte Linie, 115 Sekunden), und Ereignisschalter drücken (gepunktete Linie, 118 Sekunden) sind bezeichnet. Diese Graphik stellt dar, dass der Anfall von dem Kontakt 12 ausgeht, sich dann etwas abschwächt, gefolgt von einem breiteren Wiederaufleben an benachbarten Kontakten, zuerst in jenen, die mehr vorne gelegen sind (9-11), und dann werden die mehr posterioren, rechten temporalen Kontakte (13, 14) betroffen. Der Beginn der Aktivität in der linken Hemisphäre beginnt bei 156 Sekunden an Kontakt 4, breitet sich dann zu Kontakten 1–3 und 5 innerhalb von 3 Sekunden aus, und zu den posterioren Kontakten 6–8 vier Sekunden später. Eine ictale Aktivität auf der linken Seite ist für 15 Sekunden vorhanden, und zwar nach Beendigung der rechten temporalen Beteiligung. Diese bestimmte Bildverarbeitungstechnik kann für die Mediziner bei der spatio-temporalen Lokalisierung von Anfallsaktivität sehr hilfreich sein, und insbesondere bei der Lokalisierung der Ursprungsstelle des Anfalls und der Charakterisierung der Ausbreitungsmuster.
Als Teil der vorliegenden Erfindung wurde durch Anwendung dieses Anfall-Bildverarbeitungsverfahrens herausgefunden, dass Anfälle von dem gleichen Subjekt üblicherweise ein hohes Ausmaß an spatio-temporaler Kongruenz von Verhältnisintensität haben. Folglich können solche Bilder und die Pfade von ictaler Ausbreitung, die sie darstellen, bei der Analyse von räumlichen Korrelationen in den Ausgängen der simultan stattfindenden Einzelkanal-Erfassungsverhältnisse verwendet werden, die berechnet werden, wie in dem bevorzugten Ausführungsbeispiel des Verfahrens beschrieben wurde. Insbesondere kann ein erfasster Anfall hinsichtlich seiner räumlichen Evolution, Ausbreitungsgeschwindigkeit und Intensitätsevolution (einschließlich z.B. die Trajektorie von maximalen absoluten und relativen Intensitäten) mit ähnlichen Informationen von vorhergegangenen ictalen Ereignissen verglichen werden, und das Ausmaß an Konformität kann quantifiziert und bei der Bestimmung verwendet werden, ob (a) die Erfassung ein Anfall war oder (b) Anfälle von einer oder von mehreren Stellen ausgehen. Diese Verfahren können außerdem eine therapeutische Intervention an den Stellen ermöglichen, zu denen sich der Anfall ausbreitet, wenn die Behandlung an der Ursprungsstelle eine begrenzte Wirksamkeit hat.
Für den Fachmann ist offensichtlich, dass andere Quantitäten, die aus den Eingangssignalen (nicht nur die oben genannten Verhältnisse) berechnet werden, ihre spatiotemporale Evolution haben können, die über ähnliche Bildverarbeitungstechniken dargestellt werden, und dass eine Variation von verschiedenen vorhandenen Interpolationstechniken verwendet werden kann.
VERFAHREN ZUR ERFASSUNG VON EPILEPTIFORMEN ENTLADUNGEN ODER SPITZENWERTEN
Das hier beschriebene Verfahren zur Erfassung und Klassifizierung von Spitzenwerten basiert auf einem neuen Verfahren, das als Teil dieser Erfindung entwickelt wurde, und zwar zur Berechnung der relativen Schärfe von Signalen, wenn sie auftreten, und deren Vergleich mit der Schärfe anderer Wellenformen. Bei Verfahren gemäß Stand der Technik wird die Schärfe an jedem sukzessiven Signal-Maximum oder Signal-Minimum unter Verwendung der numerischen zweiten Ableitung an diesem Punkt oder durch Verbinden benachbarter Signal-Minima und Signal-Maxima mit geraden Linien und Messen der resultierenden Winkel berechnet. Diese Lösungsansätze sind jedoch ungenau, da sie Signalcharakteristiken in der Näher von jedem Spitzenwert ignorieren und zu stark auf einer kleinen Anzahl von digitalen Punkten basieren, die das zugrunde liegende kontinuierliche Signal annähern, und zwar unter Verwendung von zu wenigen Punkten in der Nähe des Spitzenwerts (die Region des wesentlichen Interesses) und zu vielen Punkten weit weg von dem Spitzenwert. Die vorliegende Erfindung beinhaltet ein neues Verfahren zu Berechnung dieser Schärfe unter Verwendung von dem, dass wir als einen "kleinste Quadrate Beschleunigungsfilter" (LSA-Filter) bezeichnen, mit Hilfe dessen die Beschränkungen gemäß Stand der Technik überwunden werden. Dieses Verfahren kann unabhängig oder als eine Verbesserung gegenüber vorhandenen Verfahren verwendet werden, von denen viele sehr stark auf der relativen Signalschärfe bei ihrer Erfassung ihrer Spitzenwerte basieren.
Dieses Verfahren beinhaltet zunächst die Anpassung einer Funktion an die Daten, die den Punkt umgeben, bei dem die Schärfe zu berechnen ist, und dann die Bestimmung der Schärfe der angefassten Funktion. Die bevorzugte Funktion zur Verwendung bei dieser Anpassung ist eine Parabel, und das bevorzugte Kriterium für die Anpassung ist die Minimierung des "kleinste Quadrate" Fehlers der Anfassung (kleinste Quadrate). Die Parabel wird verwendet, da ihre zweite Ableitung aus der Berechnung eines einzigen Wertes (ihres führenden Koeffizienten) erhalten werden kann, und es sind keine Funktionsgleichungen (die rechentechnisch teuer sein können) erforderlich. Andere Leistungskriterien für eine optimale Anpassung können jedenfalls verwendet werden. Die Auswahl der kleinsten Quadrate ist relativ standardisiert, sehr wirkungsvoll und wurde hier rechentechnisch einfach umgesetzt.
Die Berechnung der Schärfe (d.h. die Beschleunigung) von dem (den) Signal(en) an jedem Datenpunkt wurde auf die Anwendung eines FIR-Filters kleiner Rangordnung für die Daten von diesem Sensor reduziert. Die Ausgabe von diesem Filter ist äquivalent zur anfänglichen Berechnung der Parabel, durch die optimale Anpassung (im Sinne der kleinsten Quadrate) an die Daten nahe dem fraglichen Punkt erreicht wird, wobei dann die zweite Ableitung dieser Parabel berechnet wird, was als ein Messwert der Schärfe verwendet wird.
Man kann dann ein Index-Verhältnis von relativer Schärfe an einem bestimmten Punkt in dem Signal erhalten, indem diese berechnete Spitzenwert-Schärfe durch z.B. die mittlere Schärfe von allen Wellen dividiert wird, die in einem sich bewegenden Hintergrund-Fenster des Signals auftreten. Wenn der absolute Wert der resultierenden dimensionslosen relativen Schärfe einen gegebenen Grenzwert C₃ überschreitet, dann wird diese Welle als ein potenzieller Spitzenwert klassifiziert. Der bevorzugte nominale Wert für C₃ beträgt 50, kann aber wie erforderlich eingestellt werden. Wenn ein potenzieller Spitzenwert erfasst ist, dann kann die Polarität der Entladung aus dem Vorzeichen der berechneten Beschleunigung erhalten werden.
8 zeigt ein 10-Sekunden-Segment des ECoG-Signals, das eine Anzahl von Spitzenwerten enthält, zusammen mit den resultierenden Erfassungen (und ihre jeweiligen Polaritäten), die unter Verwendung dieses Verfahrens durchgeführt wurden. Nun können spatio-temporale Korrelationen verwendet werden, um (a) Fehlmessungen zu verwerfen, (b) erfasste "Spitzenwerte" in Komplexen zu gruppieren, und (c) das Auftretung von Entladungsmustern zu erfassen, die als Vorläufer von Anfällen dienen können. Ein Quellcode, der gemäß der vorliegenden Erfindung praktisch ist, ist in der Mikrofiche-Anlage enthalten. Für den Fachmann ist offensichtlich; dass generische Algorithmen alleine oder zusammen mit neuronalen Netzwerken oder Fuzzy-Logik auf wirksame Weise verwendet werden können, um die spatiotemporalen Korrelationen von erfassten potentiellen "Spitzenwerten" zu analysieren, um Fehlmessungen zu verwerfen.
VORHERSAGE VON ANFÄLLEN DURCH DIE ERFASSUNG DER VORLÄUFER
Es wurde als Teil der vorliegenden Erfindung herausgefunden, dass viele Patienten Vorläufersignale haben, die konsistent den Beginn von sowohl den elektrographischen als auch den klinischen Komponenten ihrer Anfälle vorhergehen. Drei Beispiele, die nachfolgend beschrieben werden, zeigen solche Vorläufer, stellen detaillierte Verfahren zu deren Erfassung in Echtzeit dar und demonstrieren deren Anwendung bei der Vorhersage von Anfällen.
BEISPIEL 1
Häufig haben Subjekte ein Auftreten von quasiperiodischen epileptiformen Entladungen mit hoher Energie und primär geringer Frequenz, die Sekunden bis Minuten vor der elektrographischen Komponente eines Anfalls auftreten. Solche Muster sind in dem interictalen Zustand selten bis nicht vorhanden. Es folgt nun eine Beschreibung, wie die vorliegende Erfindung das Auftreten eines solchen Vorläufers erfassen kann:
Zuerst wird eine lineare Kombination der Signale von relevanten Sensoren in einer Weise geformt, die die Bewahrung der Polarität von jeder Entladung ermöglicht, so dass es keine Löschung durch Überlagerung von Wellen gibt. Dann wird ein Filter, der ausgestaltet ist, um Vorläufer-Spitzenwerte mit Patienten-individualisierter Form zu extrahieren, auf dieses zusammengesetzte Signal angewendet. Eine generische Auswahl des Filters für die Verwendung in diesem Schritt (wenn das Signal bei 240 Hz abgetastet wird) ist ein IIR-Filter mit PSD, wie in 9 gezeigt. Dieser Filter wurde unter Verwendung einer Datenbank diese Vorläufersignale von verschiedenen Patienten in einer Weise konstruiert, die ähnlich der ist, die vorstehend für den generischen Anfall- Erfassungsfilter beschrieben wurde. Ein IIR-Filter ist hier anstelle eines FIR-Filters bevorzugt, und zwar wegen seiner Vorteile hinsichtlich des Filterns in diesen niedrigen Frequenzbändern, wie dies hier erforderlich ist. Die Ausgabe dieses Filters wird dann quadriert und, wie in dem Anfall-Erfassungsverfahren, wird ein Hintergrundsignal berechnet, indem ein 20 Sekunden Mittelwert-Filter auf diese quadrierten Werte angewendet wird, und dann wird das Ergebnis exponentiell vergessen (langsam). Die relevanten Spitzenwerte werden dann identifiziert, indem der Augenblick erfasst wird, in dem das Verhältnis des aktuellen gefilterten Signals (quadriert), dividiert durch den Hintergrund-Signalwert, einen Grenzwert C₄ übersteigt. Da diese Spitzenwerte nun individuell erfasst sind, überprüft das Verfahren dann ihr Auftreten in einer bestimmten rhythmischen Weise, die in hoher Masse mit einem späteren Beginn der elektrographischen und dann klinischen Komponenten des Anfalls korrelieren. Insbesondere führen wir "periodische Beschränkungen" ein, die testen, ob zumindest t₁ Sekunden und höchstens t₂ Sekunden zwischen Spitzenwerten liegt, und dann zumindest N Spitzenwerte in der Folge gemäß diesen Abständen auftreten, bevor eine Erfassung signalisiert wird. Die bevorzugten nicht-adaptiven Einstellungen der obigen Konstanten sind C₄ = 100, t₁ = 1, t₂ = 10 und N = 2. Jeder dieser Parameter (und der verwendete Filter) können an Muster angepasst werden, die a priori bekannt sind oder für ein bestimmtes Subjekt über retrospektive Analyse von zuvor erfassten Anfällen online gelernt werden.
10 stellt eine Graphik von einem ECoG-Segment dar, das von einem der Subjekte aufgezeichnet wurde, das diesen bestimmten Vorläufer gezeigt hat, und die Zeit der Vorläufer- Erfassung wird unter Verwendung dieses Verfahrens benannt, zusammen mit den Anfangszeiten der elektrographischen und klinischen Komponenten des Anfalls. Dieses Verfahren hat eine Vorhersage des klinischen Beginns mit durchschnittlich 54 Sekunden vor dessen Auftreten und eine Vorhersage des elektrographischen Beginns mit durchschnittlich 42 Sekunden vor dessen Auftreten erzeugt. Die Erfassung dieses Vorläufers wurde gefolgt von einem Anfall innerhalb von zwei Minuten in 100 % aller Fälle, die bisher analysiert wurden.
BEISPIEL 2
Als Teil der vorliegenden Erfindung wurde herausgefunden, dass Signalabschwächung oder "Dämpfung" mit bis zu 10 Sekunden dem Beginn der klinischen und elektrographischen Komponenten von Anfällen in vielen Subjekten vorhergehen. Bei denen, die diese präictale Dämpfung zeigen, führt die Anwendung des nachfolgenden bevorzugten Ausführungsbeispiels zum Erfassen des Beginns dieser Abschwächung zu einer Vorhersage der elektrographischen und klinischen Anfallskomponenten.
Für ein Signal { X₁, t ≥ 0} ist die durchschnittliche Signalenergie über das Zeitintervall t₁ ≤ t ≤ t₂ gegeben durch
Die durchschnittliche Signalenergie E_T in einem sich bewegenden Zeitfenster der Länge T Sekunden wird gegeben durch:
die online rekursiv und wirksam unter Verwendung der Formel berechnet werden kann Et+Δt = Et + A(t, t + Δt) – A(t – T, t + Δt – T)oder Et+Δt = Et + (X2t+Δt – X2t-T )/Δt
Die langfristige Durchschnittsenergie H_t, die als ein adaptiver Hintergrundwert gegenüber gemessenen Energieveränderungen verwendet wird, ist (rekursiv) angegeben durch Ht+Δt = λHt + (1 – λ) Et+Δt wobei der bevorzugte Wert vom Lambda etwas kleiner als 1 ist. Die obigen Rekursionen können unter Verwendung der Formel initialisiert werden: ET = ∫T0 X2s ds, Ht = ET
Nun kann ein Verhältnis R_t berechnet werden als
und eine Vorläufererfassung erfolgt in dem Augenblick, in dem dieses Verhältnis einen Grenzwert C₅ überschreitet. Es sei angemerkt, dass ein Anstieg in diesem Verhältnis einer Verminderung der durchschnittlichen Signalenergie entspricht. Bevorzugte nominale Werte für die Parameter in diesem Verfahren sind T = 5 und C₅ = 5, aber diese können auch hier für bestimmte Subjekte angepasst werden. Dieses Verfahren hat eine Vorhersage des klinischen Beginns mit durchschnittlich 23 Sekunden vor dessen Auftreten erzeugt.
11 und 12 zeigen eine Graphik von einem ECoG-Segment, das von einem Subjekt aufgezeichnet wurde, dass diesen bestimmten Vorläufer gezeigt hat, und gibt an, wann die Erfassung unter Verwendung dieses Verfahrens relativ zu dem klinischen und elektrographischen Anfangszeitpunkten des Anfalls erfolgte. Die Erfassung erfolgte in der Graphik 278 Sekunden nach einer willkürlichen Null, was 15 Sekunden vor dem unabhängig bestimmten elektrographischen Beginn und 19 Sekunden vor der Zeit des klinischen Anfallsbeginns ist.
BEISPIEL 3
Es wurde als Teil der vorliegenden Erfindung herausgefunden, dass für einige Subjekte bestimmte plötzliche Veränderungen in der Leistungsspektraldichte (PSD) des Signals verwendet werden können, um einen bevorstehenden Anfallsbeginn vorherzusagen. Beispielsweise ist bei einigen Subjekten ein plötzlicher signifikanter Abfall in der mittleren Frequenz des Signals (definiert in Anlage 2) ein konsistenter Vorläufer für einen Anfall. Nachfolgend erfolgt eine Beschreibung des bevorzugten Verfahrens zur Erfassung des Auftretens eines solchen Vorläufers.
Es wird mit dem Berechnen der Mittelwert-Frequenz des bestimmten Signals von Interesse in sich bewegenden Fenstern der Länge T₁ begonnen (wie in Anlage 2 beschrieben). Eine Hintergrund-Mittelwert-Frequenz wird unter Verwendung eines Mittelwerts der Mittelwert-Frequenzwerte in einem sich bewegenden Fenster der Länge T₂ berechnet. Dann wird das Verhältnis der Hintergrund-Mittelwert-Frequenz dividiert durch die Mittelwert-Frequenz des aktuellen T₁ in dem aktuellen Fenster berechnet. Wenn dieses Verhältnis einen Grenzwert C₆ überschreitet, dann wird unmittelbar die Erfassung dieses Vorläufers signalisiert. Die bevorzugten nominalen nicht-adaptiven Auswahlwerte von Parametern sind T₁ = 256/240 Sekunden (etwa 1,067 Sekunden), T₂ = 60 Sekunden, und C₆ = 5.
13A zeigt ein 5-Minuten-Segment von ECoG-Daten, die einen klinischen Anfall in der letzten Minute enthalten. Die Zeitpunkte des elektrographischen und klinischen Beginns des Anfalls und der Zeitpunkt, zu dem der Ereignisschalter gedrückt wurde, sind aufgezeichnet (gestrichelte, strichpunktierte, bzw. gepunktete Linien). 13B zeigt die Graphik des Verhältnisses, das vorstehend beschrieben wurde, über dieses 5-Minuten-Segment, wobei eine Erfassung 12 Sekunden vor dem elektrographischen Beginn, 15 Sekunden vor dem klinischen Beginn und 18 Sekunden vor dem Zeitpunkt erfolgte, zu dem der Patient den Ereignisschalter gedrückt hat. Zu dem Beispiel, das in 13 verwendet wird, sei angemerkt, dass es auch eine gewisse Signalenergieabschwächung gibt (der Vorläufer, der in dem vorhergehenden Beispiel beschrieben wurde), dass diese aber nicht bei der Erfassung des nun beschriebenen Vorläufers verwendet wird.
Andere Vorläufer, die bei der Vorhersage eines drohenden Anfalls für ein bestimmtes Subjekt oder eine Gruppe wichtig sein können, können unter Verwendung von modernen Mustererkennungstechniken isoliert werden. Wie zuvor erwähnt, sind präictale oder interictale Muster, die in dem Ausgang von unserem Anfall-Bildverarbeitungsverfahren vorhanden sind (die spatio-temporale Interpolation der Verhältnisse oder andere relevante Quantitäten verwenden, die an jedem Sensor berechnet werden), starke Kandidaten für Vorläufer.
Andere praktische Verfahren zur Bestimmung von Vorläufersignalen für ein gegebenes Subjekt oder eine Gruppe machen von Wellenform-Klassifikation und Cluster-Analyse Gebrauch, gefolgt von Mustererkennungstechniken, die auf die resultierende Sequenz von Wellenform-"Pegeln" angewendet werden. Nachfolgend ist dargestellt, wie dies erfolgen kann. Man beginnt mit dem Segmentieren eines eintreffenden Eingangssignals in individuelle "Wellen". Dies kann auf verschieden Weise erfolgen, beispielsweise kann man eine Welle als 512 aufeinander folgende Datenpunkte oder, mehr adaptiv, als die Anzahl von Datenpunkten zwischen zwei aufeinanderfolgenden Basislinienschnittpunkten des Signals definieren. Da jede neue Wellenform segmentiert wird, kann sie extensiv analysiert und anschließend in einer (möglicherweise bevorstehenden) Bibliothek von verschiedenen Wellenformen oder "Cyma" klassifiziert werden.
Beispielsweise können die Dauer, Amplitude, Anzahl von Basislinienschnittpunkten, Bogenlänge, maximale Schärfe, Anzahl von lokalen Maxima und Minima, Gebietsverbindungen zwischen der Wellenform und einer horizontalen Achse, Gesamtleistung und das Verhältnis von Leistung in einem bestimmten Frequenzband (und irgendeine Anzahl von anderen Quantitäten) jeweils berechnet werden (und, falls gewünscht, statistisch normalisiert werden), wobei die resultierenden n Messwerte verwendet werden, um einen Vektor in einem n-dimensionalen Raum zu bilden, wodurch diese bestimmte Wellenform quantifiziert wird (in diesem Beispiel, n = 9). Die Distanzen (entweder euklidisch oder nicht-euklidisch) zwischen diesen neuen "Punkt" im n-dimensionalen Raum und einer Bibliotheksliste von anderen "Punkten" kann dann berechnet und analysiert werden, um zu sehen, welche Wellenform oder "cymeme" in der Bibliothek am meisten der neuen Wellenform ähnelt. Auf diese Weise kann das Eingangssignal als eine Folge von Cymemen (oder Indices in einer Liste von Wellenformen) bezeichnet werden, und das resultierende "Cyma kann, wie vorstehend beschrieben, für das Auftreten von Mustern analysiert werden, die als Vorläufer für eine gegebene Zustandsänderung dienen können. Solche Wellenformlisten können aus verfügbaren Daten unter Verwendung derzeit bekannter Verfahren von Cluster-Analyse konstruiert werden, und neuronale Netzwerke können bei der Erstellung von Online- oder Offline-Entscheidungen verwendet werden, die eine gegebene Wellenform klassifizieren. Insbesondere haben wir erfolgreich ein konkurrierendes lernendes Netzwerk verwendet, das mit der Kohonen-Lernregeln und einer adaptive Lernrate trainiert wurde, was für diese Aufgabe des Klassifizierens der Sequenz von n-dimensionalen Punkten in Gruppen die Mehrarbeit vermindert hat. Diese Analyse kann konsekutiv durchgeführt werden, wobei in jedem Schritt ein anderes Analyseverfahren verwendet werden kann.
KORRELATIONSERFASSUNG UND AUTOMATISCHE VORLÄUFERIDENTIFIKATION UND ISOLATION
Dieser Abschnitt beschreibt die bevorzugten Verfahren zur automatischen Identifikation von Signalcharakteristiken, die signifikant mit späteren Zustandsänderungen in dem Gehirn dieses Subjekts korrelierten. Dies basierte auf Korrelationsanalyse und Mustererkennungstechniken, die auf das Signal angewendet werden, das vor jeder Zustandsänderung aufgezeichnet wurde. Die Transformationen, die auf ein gegebenes Eingangssignal oder einen Satz von Signalen angewendet werden (z.B. FIP-Filtern, schnelle Wavelet- und Fourier-Transformationen, etc.) zerlegen den Eingang und stellen dessen Informationsinhalt in einer organisierten und verwendbaren Form dar. Das ursprüngliche Signal und das Produkt dieser Transformationen können dann automatisch hinsichtlich des Auftretens von Mustern analysiert werden, die signifikant mit erfassten Zustandsänderungen korrelieren.
Signalanalyse zur Korrelation kann online oder offline für Signale stattfinden, wie zuvor aufgezeichnet und in einem Speicher gespeichert wurden. Außerdem kann die Analyse auf der Basis vorbestimmter Muster oder Muster erfolgen, die durch Korrelationsanalyse oder beides entwickelt wurden. Man kann die Segmente von Signalen für die Analyse auswählen, die diesen Zustandsänderungen vorausgehen, und zwar mit "Markern" in einer extern gesteuerten Weise, oder man kann einfach die Software Korrelationen zwischen "wesentlichen Änderung" und Vorläufern in einer inklusiven Weise für eventuelle Benutzung akkumulieren lassen. Es ist ebenfalls wichtig anzumerken, dass der Prozess entweder offline unter Verwendung von Daten erfolgen kann, die von dem Subjekt oder putativen Mustern erhalten werden, oder online durch automatisierte Systeme, die als Teil der Vorrichtung installiert sind.
Das Nachfolgende ist ein Beispiel, das die Verwendung von Korrelationen zur Bestimmung der durchschnittlichen Signalleistung beschreibt. Es sei b_k der erste Zeitkoeffizient in der k-ten Wavelet-Basis-Expansion (für mehr Details siehe nächsten Abschnitt), wobei eine fundamentale Wavelet-Zeitskala dt verwendet wird. Es sei der Durchschnittswert von b_k über ein Intervall, gewählt für die Darstellung als eine Minute, mit <b_k(t)> bezeichnet. Dies ist ein Durchschnitt über etwa l_max = 2^–k/dt Werte von 1. Das Intervall beginnt eine Minute vor der Zeit t. Es sei <p(t)> die Durchschnittsleistung in dem Signal über das gleiche Zeitintervall und <p> die Durchschnittsleistung über einige vorhergehende Intervalle, zum Beispiel 100. Dann wird die laufende Ableitung der Koeffizienten aus dem Durchschnitt gebildet, b_lk – <b_k(t)>.
Die laufende Ableitung der Leistung wird aus ihrem Langzeitdurchschnitt gebildet <p(t)> – <p>. Eine Korrelationsmatrix C_k(k) wird durch Multiplizieren gebildet Ck(k) = (<p(t)> – <p>)(blk – <bk(t)>)
Diese Matrix hängt von dem Pegel k, dem Zeitschritt in dem Intervall I und der Intervall-Startzeit t ab. Wenn es keine Korrelation zwischen dem Signal der Leistung in einem bestimmten Pegel k gibt, dann ist die Matrix für diesen k-Wert eine zufällige Variable in dem Index I. Wenn eine anhaltende Korrelation zum Zeitpunkt t + 1·dt bei einem Pegel k* beginnt, dann steigt das Produkt bei Punkt 1* an und bleibt groß, bis zu statistischen Fluktuationen.
Wenn diese Prozedur über einige Intervalle des "normalen" oder Hintergrund-Zustands angewendet wird, sind typische Werte von C_k(k) unabhängig von 1 und t und sind lediglich von dem Pegel k abhängen. Verteilungen dieser Werte werden gebildet und bewertet. Wenn C_k(k) deutlich über einen statistisch wahrscheinlichen Wert ansteigt, stellt er eine Korrelation zwischen b_lk und der Leistung <p(t)> in diesem Intervall dar. Bei einer Anwendung, wenn die Analyse zuerst auf Intervalle beschränkt wird, die mit t* bezeichnet sind, wobei <p(t*)> deutlich über den Hintergrund ansteigt, identifiziert man das Gebiet des Anfalls. Lediglich die C_lk(k)-Werte für das unmittelbar vorhergehende Intervall müssen in diesem Fall behalten werden. Dann, durch Untersuchung der Korrelationen C_lt(k) als eine Funktion des Pegels k und der Zeit l, können der Pegel oder die Pegel k*, bei denen große Korrelationen für l > l* stattfinden, automatisch bestimmt werden. Die Zeit für den Vorläufer, um im Voraus den Anfall vorherzusagen, wird durch Berechnung gefunden (l_max – l*)dt. Diese Werte von k* und l* können ausgegeben und gespeichert werden, was zu einer automatischen Erkennung von Vorläufern führt.
Ein anderes ähnliches Verfahren besteht im Trainieren einer Anordnung, die eine Anzahl von logischen Elementen enthält, mit gekoppelten Grenzwertregeln (wie zum Beispiel ein neuronales Netzwerk), um Korrelationen zwischen den Vorläufersignalen und der makroskopischen Zustandsänderung zu erkennen. In diesem Fall können die Korrelationen zwischen Vorläufern und Zustandsänderung automatisch registriert und analysiert werden, und zwar ohne den Zwischenschritt des Ausbildens von Korrelationsmatrizen.
Die gleich Technik kann auf lineare Kombinationen des Signals nach Anwendung verschiedener Signalfilter angewendet werden, z.B. gleichzeitiges Betrachten abgeleiteter Wavelet-Koeffizienten aus verschiedenen Auflösungspegeln nach Anwendung der diskreten Wavelet-Transformation. Man kann auch das Eingangssignal (die Eingangssignale) in verschiedenen anderen Basen projizieren (d.h. Anwendung anderer Signaldekompositionen) und die resultierenden Signalkomponenten überwachen, wenn sie sich über die Zeit entwickeln ("Mustererkennung").
VERWENDUNG VON GENETISCHEN ALGORITHMEN UND GENETISCHER PROGRAMMIERUNG IN DER ADAPTION UND EVOLUTION DER VERFAHREN FÜR ANFALL-, SPITZENWERT- UND VORLÄUFER-ERFASSUNG
Algorithmen (GA) und genetische Programmierung (GP) können als Teil der gesamten Strategie der Algorithmus-Adaption und Evolution in den Verfahren zu Anfall- und Spitzenwert-Erfassung sowie zur Anfall-Vorhersage verwendet werden. Das Problem der Erfassung und Vorhersage von Anfällen ist sehr kompliziert, und zwar infolge der starken intra- und inter-individuellen Variabilität von Gehirnsignalen, interictal und ictal. Das Problem das Auswählens von Parametern, wie zum Beispiel Filterkoeffizienten, Grenzwerte, Fensterlängen, Signaltypen, etc., um bestimmte Leistungskriterien zu optimieren, ist ideal für die Verwendung von GA geeignet. Bei diesem Verfahren werden Parametersätze zu Chromosomenähnlichen Ketten zusammengebaut, die austauschbar sind und die "erste Generation" bilden. Die erste Generation wird durch eine Fitness-Funktion bewertet, die jedem Element der Generation einen Notenwert zuweist. Nachdem die Benotung beendet ist, werden die "besten" Elemente gespeichert und für die nächste Generation reproduziert, möglicherweise miteinander kombiniert ("cross-over"), und/oder neue Elemente ("Mutationen") werden eingeführt. Dieser Prozess aus Generation, Reproduktion und Testen wird wiederholt, bis Elemente der resultierenden Generation den gewünschten Leistungspegel für die bestimmte Anwendung erreichen.
Das nachfolgende Beispiel zeigt, wie GA verwendet werden kann, um einen Zeit-invarianten FIR auszuwählen, mit Hilfe dessen die Leistungsfähigkeit maximiert wird. Die erste Generation beinhaltet eine Gruppe von Bandpassfiltern, jeder mit zwei 2 Hz Bandbreite, mit variierender Rangordnung (aber weniger als 240 Hz), die bei ungeraden Integrallfrequenzen zwischen 1 Hz und 119 Hz zentriert und gemäß dem Parks-McClelland-Verfahren ausgestaltet sind. Die resultierende Sensitivität und Spezifizität wird gemessen, wenn jeder Filter bei dem Verfahren zur Erfassung von Anfällen verwendet wird, das hier dargestellt ist (z.B. durch Berechnen der mittleren quadrierten Zeit zwischen der Erfassung und dem elektrographischen Beginn, unabhängig benotet durch einen Elektroenzephalogramm-Experten), und die besten Filter werden gespeichert und für die nächste Generation "reproduziert". Diese Filter werden außerdem durch Kaskadieren ("cross-over") miteinander kombiniert, und neue "Mutations"-Filter mit verschiedenen Bandbreiten werden bei zufälligen Frequenzen hinzugefügt. Mutationen können auch ein zufälliges Absinken oder Ansteigen der Rangordnung der bestimmten Filtern von einer Generation zur nächsten bewirken, bleiben aber unter der oberen Grenze von 240 und/oder verwenden eine andere Filter-Design-Methodologie. Diese Evolution wird fortgesetzt, bis eine gewisse Stabilisierung erreicht ist oder bis die resultierende Leistungsfähigkeit ein ausreichend hohes Maß an Sensitivität und Spezifizität für die gegebene Datenbank erreicht.
Genetisches Programmieren, eine Form der Programm-Induktion, ermöglicht es dem Verfahren/System, sich weiter zu entwickeln (ohne externe Eingaben oder Neuprogrammierung). GP kann es ermöglichen, dass das Verfahren eigenständig lernt und die wichtigsten und sinnvollsten Charakteristiken des Signals extrahiert.
Vorstehend wurden die bevorzugten Ausführungsbeispiele der vorliegenden Erfindung beschrieben, wobei das Nachfolgende als neu angesehen wird und durch ein Patent geschützt werden soll:
ANLAGE 2
EINIGE HINTERGRUNDINFORMATIONEN ÜBER MATHEMATISCHE VERFAHREN
Diese Anlage stellt einige Hintergrunddetails dar, die für das Verständnis der bevorzugten Verfahren der vorliegenden Erfindung hilfreich sind.
DISKRETE FOURIER-TRNASFORMATION
Es ist allgemein bekannt, dass jedes diskrete Signal, das zu gleichmäßig beabstandeten diskreten Zeitpunkten definiert ist {t₀, t₁, ..., t_N–t}, wobei t_k = 2πk/N ist, durch ein trigonometrisches Polynom interpoliert werden kann, das geschriebne werden kann als
Die diskrete Fourier-Transformation (DFT) stellt ein gegebenes Signal (oder "Zeitserien") als eine Überlagerung von Sinus- und Kosinuswellen mit verschiedenen Frequenzen und Amplituden dar. Die Anzahl an Fourier-Koeffizienten ist gleich der Anzahl an Datenpunkten in dem Signal und reproduziert (in gewissem Sinne) die Information, die in dem ursprünglichen Signal enthalten ist. In der Praxis wird das DFT unter Verwendung der schnellen Fourier-Transformation (FFT) berechnet. Wenn das Signal in seine fundamentalen Frequenzen zerlegt wird, kann man die Komponenten des Signals in separaten Frequenzbereichen (Bändern) analysieren und die Koeffizienten nach dominanten Frequenzen untersuchen. Man berechnet allgemein eine Abschätzung der Leistungsspektraldichte (PSD) aus dem Fourier-Koeffizienten, um die dominanten Moden des Systems zu bestimmen. Das einfachste Abschätzmittel ist das Periodogramm, welches eine Graphik der Quadrate der Amplitude von jedem der Fourier-Koeffizienten ist, um dominante Moden des Systems zu sehen. Wie hier verwendet, bedeutet PSD irgendeines der Abschätzmittel, die üblicherweise bei der Signalanalyse verwendet werden.
Das PSD des Signals {f(t₀), f(t₁), ..., f(t_N–1)} wird aus dem Fourier-Koeffizienten {c_j} erhalten, uns zwar als
Hier kann p_j als die gesamte Leistung bei Frequenz w_j in dem Segment des Signals interpretiert werden, das transformiert wurde. Es gibt M und θ verschiedene Frequenzen, w_j, bei dem die Signalleistung berechnet wird, und diese Frequenzen sind gleichmäßig zwischen w₀ = 0 Hz und w_M+θ–1 = F₀/2 (die sogenannte Nyquist-Frequenz) beabstandet, die die Hälfte der Abtastfrequenz F₀ des Signals (240 Hz oben) ist. Das PSD enthält genaue Frequenzinformationen über das gegebenen Signal ("Frequenzlokalisierung"), enthält aber keine Informationen über die bestimmten Zeitpunkte, bei denen eine gegebene Frequenz auftritt. Jedoch ist in den bevorzugten Anwendungen die Zeit einer bestimmten Frequenzänderung wichtig.
Die schnelle Fenster-Fourier-Transformation (WFFT) wurde erzeugt, um dem Problem des Fehlens der temporäre Auflösung der diskreten Fourier-Transformation zu begegnen; das Signal wird in aufeinanderfolgende Segment oder Fenster partioniert, und das PSD in jedem Fenster wird berechnet, was dem Benutzer ermöglicht, Veränderungen hinsichtlich des Frequenzinhalts des Signals Fenster für Fenster zu verfolgen, d.h. hinsichtlich der Zeit. Es muss jedoch verstanden werden, dass die zeitliche temporäre Auflösung von Frequenzveränderungen in dem Signal lediglich in der Rangordnung der Länge des Fensters erfolgt. Außerdem gibt es infolge der diskreten Natur der Daten eine Verschlechterung bezüglich der Fähigkeit, den gesamten Frequenzinhalt eines Signals genau zu berechnen, da die die Größe des Fensters abnimmt, wenn die Anzahl an Frequenzkoeffizienten, die zum DFT zurückgeführt werden, gleich der Anzahl an Datenpunkten ist, die transformiert werden (die Fensterlänge).
Eine wichtige Anwendung von Fourier-Verfahren in der vorliegenden Erfindung beinhaltet die Analyse der temporalen Evolution von verschiedenen Parametern, die mit der Darstellung der Frequenzdomäne des Signals in Beziehung stehen (d.h. das Fourier-transformierte Signal). Um dies zu erreichen, berechnet man zuerst die schnelle Fenster-Fourier-Transformation (WFFT) von dem Signal, das von einem einzelnen Sensor erhalten wird, und zwar in einem sich bewegenden Fenster mit aktuellen Datenwerten, und dann die entsprechende PSD-Abschätzung für jedes Fenster. Dann wird jede PSD-Kurve in eine Wahrscheinlichkeitsdichte-Funktion (pdf) über Normalisierung konvertiert, und die resultierenden Dichten werden behandelt, als wären sie Charakteristiken einer nichtstationären zufälligen Frequenz. Um genauer zu werden, es sei angenommen, das p(x) eine nicht-negative Funktion ist, die auf dem Intervall [0,L], (0 < x < L) definiert ist. Ohne Verlust an Allgemeinheit kann man annehmen, dass das Gebiet unter den Graphen von p(x) gleich eins ist, d.h. man kann p als ein pdf behandeln. Wenn ∫ L / 0(x)dx ≠ 1, dann kann man auf einfache Weise p über Normalisierung neu definieren, und zwar als
Wenn man p(x) als ein pdf betrachtet, dann kann man Statistiken der Signalfrequenzverteilung unter Verwendung von theoretischen Wahrscheinlichkeitsverfahren berechnet. Dabei erhält man dann eine Anzahl an Parametern von dem pdf in jedem Zeitfenster, und dann überwacht man deren absoluten und relativen temporalen Veränderungen zusammen mit der zeitlichen Evolution von verschiedenen Relationen dazwischen. Einige der berechneten Parameter sind Messwerte der mittleren Tendenz der PSD, einschließlich Rangordnungsstatistiken, wie zum Beispiel die Mittelwert-Frequenz (w.r.t PSD), verschiedene Momente des pdf (z.B, die durchschnittliche Frequenz), modale Frequenzen (d.h. die Frequenz mit maximaler Leistung); und andere Parameter messen Fluktuationen hinsichtlich der Frequenz in jedem Fenster (d.h. die Frequenz-Varianz, Schiefe and Kurtosis).
Es werden nun genaue Formeln für einige dieser Messwerte dargestellt, die am häufigsten verwendet werden. Wenn p(x) ein kontinuierliches p.d.f. ist (in diesem Fall diskret definiert), das für x < 0 und x > L gleich Null ist, dann ist der Durchschnittswert der Verteilung (auch bekannt als der "erste Moment" oder "erwarteter Wert") gegeben durch μ = ∫L0 xp(x)dx,das n-te Moment ist gegeben durch μn = ∫L0 xnp(x)dx.
Die Varianz der Verteilung ist gegeben durch μ₂–μ². Der Mittelwert m_f der Verteilung ist definiert durch die Gleichung
Es sei angemerkt, dass man auf diese Weise auch andere Prozentsätze (Rangordnungsstatistiken) definieren kann. Die Mittelwert-Frequenz von einem Signal in einem gegebenen Fenster von Daten ist die Frequenz, die das Gebiet unter dem PSD auf die Hälfte dividiert. Der Modus M_f von dem p.d.f. wird gegeben durch Mf = arg max{p(x)}.
Die modale Frequenz von dem PSD (d.h. die Frequenz, bei der die maximale Leistung auftritt) ist somit definiert. 14A stellt ein Signal dar, das 1024 Punkte von ECoG-Daten enthält (etwa 4,267 Sekunden), die von einem Subjekt während einer interictalen (nicht-Anfall) Periode aufgezeichnet wurden. 14B stellt die entsprechende Leistungsspektraldichte (PSD) von dem Signal dar, zeigt die modale Frequenz, die Mittelwert-Frequenz und die durchschnittliche Frequenz des Signals, berechnet entsprechend der obigen Definitionen.
Man kann die modale Frequenz und Variationen von diesem Konzept verwenden, um das Signal hinsichtlich seines rhythmischen Verhaltens zu testen, d.h. Segmente von Daten zu erfassen, die nahezu periodisch sind. Wenn dieses quasiperiodische Verhalten des Signals stattfindet, dann ist die Leistung in dem Signal auf wenige resonante modale Frequenzen konzentriert. Einige praktische Messungen, die in der Lage sind, hypersynchrone Muster von neuronaler Zündung zu erfassen, die oft in der Beschaffung und Einstellung gefunden werden, die mit Anfällen in Beziehung stehen, kann unter Verwendung einer Kombination von Messwerten abgeleitet werden, wie beispielsweise jene, die vorstehend definiert wurden.
Um beispielsweise ein hypersynchrones Verhalten von Neuronen zu erfassen, deren Aufmerksamkeit bei etwa 15 Hz Aktivität fokussiert ist, kann man eine Frequenz-vorgespannte Funktion der modalen Frequenz berechnen, wie zum Beispiel als
wobei p das PSD von dem Signal in beispielsweise einem sich bewegenden Fenster mit 256 Punkten ist, und M_f die modale Frequenz für dieses Fenster ist. Man kann dann die Evolution von diesem Messwert für signifikante Anstiege relativ zu dem Hintergrund überwachen, um eine schnelle Erfassung dieses Typs von Signalaktivität zu erzeugen.
Dieses Verfahren zur Erfassung rhythmischer Entladungen in dem Signal kann weiter verbessert werden, indem ein Messwert gewichtet wird, wie zum Beispiel der obige, und zwar durch andere Messungen von Quasi-Periodizität, die aus dem Signal selbst berechnet werden können (ohne zuerst die FFT anzuwenden). Beispielsweise steigt der Reziprokwert der Standardabweitung von 10 aufeinander folgenden Inter-Null-Schnittpunkten (oder Inter-Spitzenwert-Intervallen) in dem Fall von Hypersynchronie sehr stark an. Das Produkt dieses Messwerts mit demjenigen, der in dem letzten Absatz erläutert wurde, liefert ein exzellentes Verfahren für die Erfassung dieses Typs von Phänomen.
Eine Anzahl von nicht-linearen Funktionen, die auf diesen Quantitäten basieren (z.B. das Produkt der durchschnittlichen Energie und die Inverse der Mittelwert-Frequenz) kann ebenfalls als eine Maßnahme verwendet werden, um Vorläuferinformationen hinsichtlich einer drohenden Änderung des Gehirnzustands zu erhalten.
DISKRETE WAVELET-TRANSFORMATION
Obwohl die vorstehend beschriebene Fourier-Transformation zu einer genauen Frequenz-Lokalisierung von einem bestimmten Signal führt, hat die diskrete Wavelet-Transformation (DWT) in letzter Zeit an Popularität gewonnen, und zwar wegen ihrer Fähigkeit, praktische temporale und Frequenzinformationen gleichzeitig zu liefern. Das DWT stellt ein gegebenes Signal hinsichtlich einer Basis dar, die Translationen und Dilationen von einem einzelnen "Mutter-Wavelet" W(j) enthält. Noch genauer, ein gegebenes Signal {x_j} N / j=1 wird ausgedrückt als
Die Wavelet-Koeffizienten werden definiert durch
Der erste "Dilations"-Index des Koeffizienten steuert den Pegel der Auflösung der Information, während der zweite "Translations"-Index die temporale Information steuert, die in dem Koeffizienten enthalten ist. Die Darstellung eines gegebenen Signals hinsichtlich der Wavelet-Koeffizienten, statt in der üblichen Zeitdomäne, ist in vielerlei Hinsicht analog zur Darstellung einer musikalischen Komposition, wie zum Beispiel Musik, statt auf den Graphen der Musikwellen durch ein Oszilloskop zu sehen, wenn das Stück abgespielt wird. Jeder Akkord in der Musik enthält Informationen sowohl über die Frequenzen, die abgespielt werden, als auch über die Zeit, wann diese stattfinden.
Wie bei dem DFT, sind schnelle effiziente Algorithmen vorhanden, um die Wavelet-Koeffizienten {b_lk} zu berechnen. Die schnelle Wavelet-Transformation (FWT), die auf dem Pyramiden-Algorithmus basiert, der von Mallat entwickelt wurde, macht das FWT sogar einfacher zu berechnen als das FFT.
Das FWT wird auf ein gegebenes Signal in Fenstern mit Daten der Länge 2ⁿ Punkte angewendet, und zwar für einen vorgeschriebenen Wert von n (z.B. n = 6). Die Fenstergröße kann basierend auf einer bestimmten Anwendung und Implementierung basieren. Die Verwendung FWT kann gewünscht sein, wenn man Signalveränderungen in mehreren Frequenzbändern gleichzeitig überwachen und diese gewünschten Frequenzbänder an jene anpassen möchte, die durch Dilationen von einem bestimmten Mutter-Wavelet erhalten werden. Man kann dann Wavelet-Koeffizienten durch "Pegel" gruppieren, d.h. durch einen ähnlichen Dilationsfaktor, geordnet in jedem Pegel entsprechend ihrer zeitlichen Progression. Die Zeit zwischen Pegel 1 Wavelet-Koeffizienten beträgt 2^tdt, wobei dt das Abtastintervall des ursprünglichen Signals ist. Daher enthalten die Pegel 1 Koeffizienten die feinste Auflösungsinformation (d.h. die höchste Frequenzinformation), die in dem Signal enthalten ist, und jeder niedrigere Pegel liefert Signalinformationen mit zunehmenden Zeitskalen und abnehmenden Frequenzbereichen. Pegel 1 entspricht der kleinsten Auflösungsskala und enthält zweimal soviel Koeffizienten wie Pegel 2, der zweimal so viele wie Pegel 3 enthält, usw. Es sei daran erinnert, dass das EEG-Signal, das bei der Darstellung des bevorzugten Ausführungsbeispiels zur Erfassung von Anfällen verwendet wird, das vorstehend beschrieben wurde, mit 240 Hz abgetastet wird, so dass ein neuer Datenpunkt etwa alle 0,004 Sekunden erscheint. Das FWT wird unter Verwendung von beispielsweise 64 Datenpunkten (0,267 Sekunden) berechnet, was zu 32 Pegel 1 Koeffizienten, 16 Pegel 2 Koeffizienten, 8 Pegel 3 Koeffizienten, etc. führt. Somit gibt es für jeden Pegel eine entsprechende Zeitserie von Wavelet-Koeffizienten, die die temporale Evolution der Signalleistung in einer Anzahl von Frequenzbändern darstellt, wobei jeder höhere Frequenzpegel ein Frequenzband mit doppelter Breite "abdeckt", im Vergleich zu dem nächst geringeren Frequenzpegel. 15 zeigt (den absoluten Wert von) diese Serien für Pegel 1-4 für ein typisches interictales Segment von 512 Datenpunkten (etwa 2 Sekunden) zusammen mit dem ursprünglichen Signal.
KLEINSTE QUADRATE BESCHLEUNIGUNGSFILTER
In dem hier früher beschriebenen Verfahren zur Berechnung der Schärfe einer gegebenen Wellenform an einem bestimmten Punkt, erhält man zuerst eine optimale parabolische Anpassung hinsichtlich der Daten nahe dem fraglichen Punkt. Man kann dann die zweite Ableitung (d.h. die Beschleunigung) der resultierenden Parabel als einen Messwert der Schärfe an dem Spitzenwert verwenden. Das Kriterium der Minimierung des mittleren quadratischen Fehlers dieser Anpassung kann angewendet werden, um die am besten angepasste Parabel zu erhalten (im Sinne der kleinsten Quadrate). Dieser Unterabschnitt liefert die notwendigen mathematischen Details, um diesen Schritt durchzuführen.
Wenn {(x_jy_j), j = 1, ..., n} Datenpunkte sind, die durch die Parabel p(x)=a₂x² + a₁x + a₀ interpoliert werden sollen, dann werden die optimalen Koeffizienten a₂, a₁ und a₀, durch die der durchschnittliche quadratische Fehler
über alle Auswahlmöglichkeit von solchen Koeffizienten minimiert wird, durch Auflösen der Gleichung erhalten [a2 a1 a0 ] = (X·X)'(X·Y),wobei Xj = x 3j / j für 1 ≤ I ≤ n, 1 ≤ j ≤ 3, Y = [y₁ ... y_n]^I, und X⁴ bezeichnet die Moore-Penrose-Pseudoinverse der Matrix X. Wenn A = X·X und B = X·Y, dann gilt für
und den Spaltenvektor
Wenn man diese Gleichung löst, um den optimalen Wert für den ersten Koeffizienten a₂ zu erhalten, dann ist die zweite Ableitung der Parabel gleich dem zweifachen dieses optimalen Koeffizienten. Das Vorzeichen dieser zweiten Ableitung gibt die Polarität des möglichen Spitzenwertes an, zum Beispiel gibt eine negative zweite Ableitung an, dass die Spitze von dem Spitzenwert ein lokales Maximum für das Signal ist. Die obige Gleichung für die Berechnung von a₂ kann unter Verwendung der symbolischen Pseudo-Inverse der 3 × 3 Matrix und einer nachfolgenden Matrix-Multiplikation vereinfacht werden, was zur folgenden Gleichung für ein "kleinste Quadrate Beschleunigungsfilter" führt, die implementiert wurden, um diese Schärfemessung in Echtzeit zu berechnen (d.h. die Berechnung der zweiten Ableitung bei einem Punkt erfordert lediglich p(p – 1) Fließkomma-Operationen: a(p, dt) = dt4 p(p – 1)(2p – 1)(3p2 – 3p – 1)/30, b(p, dt) = dt3p2(p – 1)2/4, c(p, dt) = dt2p(p – 1)(2p – 1)/6, d(p, dt) = dtp(p – 1)/2, e(p) = p, A = ce – d2, B = cd – be, C = bd – c2, D = aA + 2bcd – eb2 – c3, E = [ABC]/D, f = [0dt2(2dt)2(3dt)2 ... ((p – 1)dt2], g = [0dt2dt ... (p – 1)dt], h = [111 ... 1], F = 2E[ftgtht]t,und a2(k – [[(p – 1)/2]]) = F(p)x(k) + F(p – 1)x(k – 1)+ ... F(2)x(k – p + 2) + F(1)x(k – p + 1), wobei {x_k, k = 1, 2, ...} das zu analysierende Signal ist, p die Anzahl an Punkten ist, die in der parabolischen Anpassung verwendet werden (z.B. p = 7), und dt der Zeitschritt des zu analysierenden Signals ist. Es sei angemerkt, dass für einen festen Wert von p die Filterkoeffizienten F einmal berechnet werden können und für spätere Verwendung bei der Berechnung von a₂ aus dem obigen FIR-Filter gespeichert werden. Die Verzögerung bei der Berechnung von a₂ bei einem gegebenen Punkt, was durch Verwendung von [[(p – 1)/2]] erreicht wird (d.h. die größte Ganzzahl kleiner oder gleich (p – 1)/2) zukünftige Datenpunkte, beträgt lediglich (p + 1)·dt/2 Sekunden. Beispielsweise beträgt mit p = 7 und dt = 1/240 die Verzögerung 1/60 Sekunden.
ZEITGEWICHTETE MITTELWERTBILDUNG
In den vorstehend beschriebenen Verfahren gibt es einige Fälle, in denen es gewünscht ist, einen Hintergrund- oder Referenz-Wert für ein bestimmtes Signal zu berechnen. Durch genaue Darstellung der Geschichte des Signals kann man die Fähigkeit des Verfahrens verbessern, relevante Veränderungen zu identifizieren, die sich von diesem Hintergrund abheben.
In dieser Erfindung ist eine zeitgewichtete Durchschnittsbildung bevorzugt. Eine Untergruppe dieser Techniken ist in der Lage, einen geeignet langen zeitlichen Durchschnittswert von irgendeiner gewünschten Funktion des Eingangssignals in rechentechnisch wirksamer Weise zu bestimmen, wobei die gesamte aufgezeichnete Geschichte des Signals im Betracht gezogen wird und lediglich eine geringe Menge an Computerspeicher verwendet wird. Ein bestimmtes Beispiel von einem noch allgemeineren Verfahren ist das exponentielle Vergessen, bei dem die neueste Signalinformation stärker gewichtet wird als die weiter entfernte.
Die allgemeine Form, die als ein zeitgewichteter Durchschnitt von einem kontinuierlichen Zeitsignal {X_t, t ≥ 0} mit Zeitgewichtung {f_ts, t ≥ 0, 0 ≤ s ≤ t} bezeichnet wird, wird durch {m_t, t ≥ 0} angegeben, wobei
Die diskrete Version dieses zeitlichen Durchschnitts wird durch einfaches Ersetzen der Integrale in der obigen Definition durch die entsprechenden Summationen über die Indexvariable s erhalten. Für bestimmte Zeitgewichtungen kann die obige Formel rekursiv geschrieben werden, wobei dies insbesondere für den Fall erreicht werden kann, wenn s unabhängig von t ist. Wenn die Zeitgewichtung f_t,s = e^λs, dann kann eine Version dieses zeitgewichteten Durchschnitts durch das Verfahren des exponentiellen Vergessens vereinfacht werden, das in einigen Ausführungsbeispielen der hier beschriebenen Erfindung verwendet wird.
Abwandlungen dieser Auswahl können für bestimmte Anwendungen praktisch sein. Wenn beispielsweise λ eine periodische Funktion von s mit einer Periode von einem Tag ist, dann kann der zeitgewichtete Durchschnitt verwendet werden, um die Signalinformation bei einer bestimmten Tageszeit stärker zu gewichten als bei anderen Zeiten. Dies kann besonders wichtig bei einem Individuum sein, das üblicherweise Anfallsereignisse nur während bestimmter Tageszeiten hat.
Es sei angemerkt, dass die Auswahl der Zeitgewichtung f_t,s = χ_[t,t–δ] zu einem üblichen beweglichen Durchschnitt führt
wobei χ die Indikator-Funktion bezeichnet.
Im noch allgemeineren Fall von "zeitlicher und zustandsgewichteter Durchschnittsbildung" kann die Gewichtungsfunktion f auch von dem Signal X selbst anhängen. Diese zusätzliche Generalisierung beinhaltet den Fall, in dem der geschichtliche Durchschnitt nicht nur von der Länge der Epoche abhängt, über die der Signalwert gemittelt wird, sondern auch von dem Signalwert über diese Epoche. Diese Technik kann praktisch sein, wenn man es ermöglichen möchte, dass bestimmte Signalcharakteristiken ermöglicht werden, um bei deren Vorhandensein den gewünschten Signalhintergrund-Durchschnitt zu modifizieren.
Anlage 1
Das Folgende ist eine Gruppe von MATLAB-Skripten und Funktionsdateien sowie C Unterroutinen, die in unserer Signal-Analyse verwendet werden. Wir haben einige Druck-Routinen zum Anzeigen der Daten weggelassen. Der Code ist durch seine besondere Verwendung organisiert, und es erfolgt eine kurze Beschreibung von jedem Teil des Codes.

online.c

Dieses Programm enthält Unterroutinen, die erforderlich sind, um den Algorithmus zur Erfassung von Anfällen in Echtzeit zu erfassen. Es gibt zwei primäre Funktionen, und Hilfsfunktionen, die sie aufrufen, und ein MATLAB Cmex "gateway" Programm, das sie aufruft. SetupCompute initialisiert Arrays und Zeiger zu Beginn der Überwachung, während Compute einmal für jeden gewonnenen Rohdatenpunkt aufgerufen wird. Das Programm filtert das Rohsignal unter Verwendung eines FIR-Filters, berechnet den Mittelwert der Filter-Koeffizienten (quadriert) in einem sich bewegenden Vordergrund-Fenster, und vergleicht das Verhältnis dieses Mittelwerts mit einem ähnlich berechneten Wert aus einem Hintergrund-Fenster, das relativ zu dem Ende des Vordergrund-Fensters verzögert ist. Wenn das Verhältnis über einem zuvor eingestellten Grenzwert liegt, dann erfolgt die Erfassung eines Anfalls.

Claims

Gerät (10) zur Erfassung, Vorhersagung und Behandlung von Anfällen, um das Auftreten eines Anfalls in dem Gehirn eines Subjekts zu erfassen, wobei das Gerät (10) einen Eingang (14), um ein Eingangssignal zu empfangen, durch welches die Gehirnaktivität des Subjekts angegeben wird, und einen Signalprozessor (12) aufweist, um das Eingangssignal zu analysieren, dadurch gekennzeichnet, dass der Prozessor (12) konfigurierte ist, um zu umfassen: einen ersten Filter, der konstruiert ist, indem dessen Frequenzantwort an die Leistungsspektraldichte-Charakteristiken von einem Satz von Anfällen angepasst ist, wodurch aus dem Eingangssignal ein frequenzgefiltertes Signal erzeugt wird, das Komponenten des Eingangssignals enthält, durch welche eine mit einem Anfall in Beziehung stehende Gehirnaktivität angegeben wird; einen Rangordnungsstatistik-Filter, der auf die Komponenten des Eingangssignals angewendet wird, durch die die mit einem Anfall in Beziehung stehende Gehirnaktivität angeben wird, um eine komponentengefiltertes Signal zu erzeugen; und Vergleichsmittel, um das komponentengefilterte Signal mit einem Grenzwert zu vergleichen, um den Anfall zu erfassen.
Gerät (10) nach Anspruch 1, bei dem ein Bereich des komponentengefilterten Signals, der einem Vordergrund-Fenster entspricht, mit einem Bereich des komponenten gefilterten Signals verglichen wird, der einem Hintergrund-Fenster entspricht, und bei dem das Ergebnis dieses Vergleichs bei dem Vergleich des komponentengefilterten Signals mit dem Grenzwert verwendet wird.
Gerät (10) nach Anspruch 2, bei dem die Fenster eine konstante zeitliche Dauer haben.
Gerät (10) nach einem der Ansprüche 2 oder 3, bei dem die Fenster zeitlich verschoben werden, so dass dann, wenn ein neuer Datenpunkt durch den Eingang bereitgestellt wird, ein ältester Datenpunkt aus jedem Fenster heraus geschoben wird.
Gerät (10) nach einem der Ansprüche 2–4, bei dem die Dauer des Hintergrund-Fensters eine konstante Proportion bezüglich der Dauer des Vordergrund-Fensters beibehält.
Gerät (10) nach einem der Ansprüche 2–5, bei dem das Vordergrund-Fenster eine Länge etwa zwei Sekunden hat und das Hintergrund-Fenster eine Länge von etwa zwanzig Sekunden hat.
Gerät (10) nach einem der Ansprüche 1–6, bei dem der Rangordnungsstatistik-Filter einen Mittelwert aus dem frequenzgefilterten Signal extrahiert.
Gerät (10) nach einem der Ansprüche 2–7, bei dem das Vordergrund-Fenster mit dem Hintergrund-Fenster verglichen wird, wodurch ein Verhältnis erzeugt wird.
Gerät (10) nach einem der Ansprüche 2–7, bei dem eine Vordergrund-Mittelfrequenz des Vordergrund-Fensters mit einer Hintergrund-Mittelfrequenz des Hintergrund-Fensters verglichen wird, wodurch ein Verhältnis erzeugt wird.
Gerät (10) nach einem der Ansprüche 2–9, bei dem das Vordergrund-Fenster nach dem Hintergrund-Fenster auftritt.
Gerät (10) nach einem der Ansprüche 2–9, bei dem das Vordergrund-Fenster eine Länge von etwa zwei Sekunden hat und etwa eine Sekunde nach dem Hintergrund-Fenster auftritt, das eine Länge von etwa zwanzig Sekunden hat.
Gerät (10) nach einem der Ansprüche 8–11, bei dem das Verhältnis mit dem Grenzwert verglichen wird.
Gerät (10) nach einem der Ansprüche 1–12, außerdem mit einem Ausgang (16), um ein Ausgangssignal von dem Prozessor (12) zu erzeugen.
Gerät (10) nach Anspruch 13, außerdem mit einem Speicher (36), wobei das Ausgangssignal zumindest einen Bereich des Eingangssignals repräsentiert und von dem Speicher empfangen wird, so dass Informationen von dem Eingangssignal in dem Speicher (36) gespeichert werden.
Gerät (10) nach Anspruch 13, bei dem durch das Ausgangssignal eine Lampe zum Leuchten gebracht wird.
Gerät (10) nach Anspruch 13, bei dem durch das Ausgangssignal eine Arzneimittelpumpe angesteuert wird.
Gerät (10) nach einem der Ansprüche 1–16, bei dem der Grenzwert entsprechend dem Eingangssignal angepasst ist.
Gerät (10) nach einem der Ansprüche 1–16, bei dem der Grenzwert eine Amplitude hat, die offline angepasst wird.
Gerät (10) nach einem der Ansprüche 1–16, bei dem der Grenzwert eine Amplitude hat, die online angepasst wird.
Gerät (10) nach Anspruch 19, bei dem die Amplitude durch den Prozessor (12) angepasst wird.
Gerät (10) nach einem der Ansprüche 1–20, außerdem mit einer Elektrode, die angewendet wird, um ein Eingangssignal zu erzeugen, durch welches die Gehirnaktivität des Subjekts angegeben wird.
Gerät (10) nach Anspruch 21, bei dem der Grenzwert entsprechend der Elektrode angepasst wird.
Gerät (10) nach Anspruch 21, bei dem die Elektrode aus der Gruppe ausgewählt ist, die eine Kopfhaut-Elektrode und eine implantierte Elektrode beinhaltet.
Gerät (10) nach Anspruch 1, bei dem das frequenzgefilterte Signal durch Werte definiert ist, die durch {Y_j}_j=1 ⁿ charakterisiert sind, erhalten aus der Formel Y_k+1 = b₀x_k + b₁x_k–1 + b₂x_k–2 + b₀x_k + ... + b_m–1x_k–m+1 für ein Eingangssignal, das gegeben ist durch {X_j}_j=1 ⁿ, wobei der Filter mit endlicher Impulsantwort m Koeffizienten {b₀, b₁, ..., b_m–1} hat.
Gerät (10) nach Anspruch 1, bei dem das komponentengefilterte Signal durch eine Sequenz von Werten {F_k} definiert ist, wobei F_k = Median {Y_k–p+1 ², Y_k–p+2 ², Y_k–p+3 ², ..., Y_k–1 ², Y_k ²} ist, wobei p die Ordnung des Mittelwert-Filters ist.
Gerät (10) nach Anspruch 1, wobei der erste Filter ein digitaler Filter ist.
Gerät (10) nach Anspruch 1, bei dem der erste Filter aus der Gruppe ausgewählt ist, die einen Filter mit endlicher Impulsantwort und einen Filter mit unendlicher Impulsantwort beinhaltet.
Gerät (10) nach Anspruch 1, bei dem der erste Filter ein analoger Filter ist.
Gerät (10) nach Anspruch 1, bei dem die Filter-Konstruktion einen Vergleich von Leistungsspektraldichten von einem Satz von Anfall-Segmenten und den Leistungsspektraldichten von einem Satz von interictalen Segmenten beinhaltet, und bei dem die Leistungsspektraldichte-Charakteristiken des Filters bei Frequenzen stärker gewichtet sind, die zur größten Separation zwischen ictalen und interictalen Leistungsspektraldichte-Werten führt.
Gerät (10) nach Anspruch 1, bei dem der erste Filter adaptiv ist sowie Filter-Koeffizienten und eine Filter-Rangordnung hat, die zeitlich als eine Funktion des aktuellen Gehirnzustands variieren.