阅读说明：本技术 用于针对生物时间序列利用经验零假设的方法和系统 (Method and system for utilizing empirical zero assumptions for biological time series ) 是由 S·B·威尔森 M·朔尔 于 2019-03-11 设计创作，主要内容包括：本文公开了一种用于针对生物时间序列利用经验零假设的方法和系统。方法(100)还包括使用大规模检验来估计针对时期的子集的经验零假设,从而计算第二多个时期与第一多个时期相似的量。方法(100)还包括确定第二多个时期是否来自相同的EEG记录。(Disclosed herein is a method and system for utilizing an empirical zero hypothesis for biological time series. The method (100) further includes estimating empirical zero hypotheses for a subset of epochs using a large-scale test to calculate an amount by which the second plurality of epochs are similar to the first plurality of epochs. The method (100) further includes determining whether the second plurality of epochs are from the same EEG recording.)

用于针对生物时间序列利用经验零假设的方法和系统

技术领域

本发明总体上涉及一种用于针对生物时间序列利用经验零假设的方法和系统。

背景技术

脑电图(“EEG”)是一种诊断工具，其测量并记录人类大脑的电活动以便评估脑功能。多个电极被附接到人的头部，并通过电线连接到机器。该机器放大信号并记录人类大脑的电活动。由跨多个神经元的神经活动的总和来产生电活动。这些神经元生成小的电压场。这些电压场的总计创建在人的头部上的电极能够检测和记录的电读数。EEG是多个较简单信号的叠加。在正常成年人中，EEG信号的幅度通常在1微伏至100微伏的范围内，并且EEG信号在利用硬膜下电极来测量时约为10至20毫伏。电信号的幅度和时间动态的检测提供了有关人的底层(underlying)神经活动和医疗状况的信息。

EEG被执行以用于：诊断癫痫；验证痴呆或意识丧失的问题；验证处于昏迷中的人的大脑活动；研究睡眠障碍、在手术期间监测大脑活动、以及其他身体问题。

在EEG期间，多个电极(通常为17-21，但是存在至少70个标准位置)被附接到人的头部。电极是通过电极相对于人类大脑的叶(lobe)或区域的位置来参考的。参考如下：F＝额叶；Fp＝额极；T＝颞叶；C＝中叶；P＝顶叶；O＝枕叶；A＝耳廓(耳电极)。数字被用来进一步缩小位置，并且“z”点与在人的头部中线中的电极位置相关。心电图(“EKG”)也可以出现在EEG显示屏上。

EEG使用被称为蒙太奇的各种电极的组合来记录来自不同放大器的脑波。通常创建蒙太奇以提供跨大脑皮层的EEG的空间分布的清楚图片。蒙太奇是从记录电极的空间阵列获得的电图，并且优选地是指在特定时间点处被检查的电极的特定组合。

在双极蒙太奇中，通过将一个通道的电极输入2连接到后续通道的输入1来链接连续的电极对，以使得邻近的通道具有公共的一个电极。电极的双极链可以从前到后(纵向)或从左到右(横向)连接。在双极蒙太奇中，比较两个活动电极位置之间的信号，导致活动中的差异被记录。

蒙太奇的另一类型是参考蒙太奇或单极蒙太奇。在参考蒙太奇中，各种电极连接到每个放大器的输入1，并且参考电极连接到每个放大器的输入2。在参考蒙太奇中，在活动电极位置处收集信号，并将其与公共参考电极进行比较。

参考蒙太奇有利于确定波形的真实幅度和形态。对于颞叶电极，CZ通常是良好的头皮参考。

能够定位电活动的起源(“定位”)对于能够分析EEG至关重要。正常或异常脑波在双极蒙太奇中的定位通常是通过标识“相位反转”——链中指向相反方向的两个通道的偏转——来完成的。在参考蒙太奇中，所有通道都可能显示在相同方向上的偏转。如果在与参考电极处的活动相比时，在活动电极处的电活动为正，则偏转将向下。其中电活动与参考电极处的活动相同的电极将不显示任何偏转。一般来说，具有最大向上偏转的电极表示参考蒙太奇中的最大负活动。

一些模式指示人有癫痫发作的趋势。医师可以将这些波称为“癫痫状异常”或“癫痫波”。这些包括尖峰、尖波、以及尖峰与波状放电。大脑特定区域(诸如左颞叶)中的尖峰和尖波指示部分癫痫发作可能来自于该区域。另一方面，原发性全身性癫痫是由广泛分布在大脑两个半球上的尖峰与波状放电所引发的，尤其是如果它们在两个半球中同时开始。

存在若干类型的脑波：α波、β波、δ波、θ波和γ波。α波具有8到12赫兹(“Hz”)的频率。当一个人放松时或者当该人处于闭上眼睛但在精神上警觉的醒着状态时，通常会发现α波。

当人的眼睛睁开或者当人集中注意力时，α波停止。β波具有13Hz到30Hz的频率。当一个人警觉、思考、激动或已经服用高剂量的某些药物时，通常会发现β波。δ波具有小于3Hz的频率。通常只有在人睡着(非REM或无梦的睡眠)或该人是年幼的孩子时才发现δ波。θ波具有4Hz至7Hz的频率。通常只有在人睡着(做梦或REM睡眠)或该人是年幼的孩子时才发现θ波。γ波具有30Hz至100Hz的频率。通常在较高的智力活动和运动功能期间会发现γ波。

下面阐述相关领域中利用的术语的一般定义。

布尔代数是代数的子域，其中变量的值是真值true(真)和false(假)，通常分别被标示为1和0。

布尔网络(BN)是基于布尔逻辑的生物系统的数学模型。BN具有由与基因或蛋白质对应的节点组成的网络结构。BN中的每个节点取值为1或0，意指该基因被表达或未被表达。

模糊逻辑是多值逻辑的一种形式；它处理的不是固定和精确的推理而是近似推理。与传统的二进制集(其中变量可能采取真值或假值)相比，模糊逻辑变量可以具有范围在0到1之间的程度的真值。模糊逻辑已经被扩展来处理部分真值的概念，其中真值的范围可能在完全真和完全假之间。此外，当使用语言变量时，可以通过特定函数来管理这些程度。非理性可以用所谓的“模糊性(fuzzjective)”来描述。

多层感知器(“MLP”)是前馈人工神经网络模型，其将输入数据集映射到适当的输出集上。MLP由有向图中的多层节点组成，每一层完全连接到下一层。除输入节点外，每个节点都是具有非线性激活函数的神经元(或处理元件)。

神经网络(“NN”)是自然或人工神经元的互连组，其使用数学或计算模型基于连接主义的计算方法来进行信息处理。用更实际的话来讲，神经网络是非线性统计数据建模或决策工具。它们可以被用来对输入和输出之间的复杂关系进行建模或查找数据中的模式。

感知器是人工神经元的简单模型，在过去的事件上进行训练之后，其可以预测布尔事件。感知器由输入的数目N和将输入连接到输出节点的权重来指定。权重是必须手动设置或通过学习算法学习的参数。

ROC曲线(接收器操作特性)是图形图，其中测试灵敏度作为y坐标，1减去特异性或假阳性率(FPR)作为X坐标。ROC曲线是评估诊断测试的性能的有效方法。

“幅度”是指所测量的从低谷到最大峰值(负或正)的竖直距离。它表达了有关神经元总体(population)的大小及其在组分生成期间的激活同步性的信息。

术语“模拟到数字转换”是指模拟信号何时被转换为数字信号，该数字信号然后可以被存储在计算机中以进行进一步处理。模拟信号是“现实世界”信号(例如，诸如脑电图、心电图或眼电图之类的生理信号)。为了使它们能够被计算机存储和操纵，这些信号必须被转换成计算机可以理解的离散数字形式。

“伪影”是由EEG沿着头皮检测到的电信号，但它们起源于非脑起源。存在与患者相关的伪影(例如，移动、出汗、ECG、眼球移动)和技术伪影(50/60Hz的伪影、电缆移动、与电极糊有关)。

术语“差分放大器”是指电生理装备的关键。它扩大了两个输入之间的差异(每对电极一个放大器)。

“持续时间”是从电压变化的开始到其返回到基线之间的时间间隔。它也是对在组分生成中涉及的神经元的同步激活的测量。

“电极”是指被用来与电路的非金属部分建立电接触的导体。EEG电极是通常由被覆盖有氯化银涂层的不锈钢、锡、金或银制成的小金属圆盘。它们在头皮上被放置于特殊位置。

“电极凝胶”充当电极的可延展(malleable)延伸，使得电极引线的移动不太可能产生伪影。凝胶可以最大程度地与皮肤接触并允许通过皮肤进行低电阻记录。

术语“电极定位”(10/20系统)是指用于经典EEG记录的头皮电极的标准化放置。该系统的本质是鼻根-枕外粗隆(Nasion-Inion)与固定点之间的10/20范围的百分比距离。这些点被标记为额极(Fp)、中叶(C)、顶叶(P)、枕叶(O)和颞叶(T)。中线电极被标记有下标z，其代表零。奇数被用作针对左半球上的点的下标，而偶数被用作针对右半球上的点的下标。

“脑电图”或“EEG”是指由脑电图仪绘制的通过从头皮记录大脑的电活动的脑波的轨迹。

“脑电图仪”是指用于检测和记录脑波的装置(也被称为脑造影仪)。

“癫痫状”是指类似于癫痫的症状<癫痫状异常>。

“滤波”是指从信号中去除不想要的频率的过程。

“滤波器”是更改信号的频率组成的设备。

“理想的频率选择滤波器”是精确地让一组频率处的信号通过而完全拒绝其余信号的滤波器。存在三种类型的滤波器：“低频”或旧术语“高通”，过滤低频；“高频”或旧术语“低通”。过滤高频；“陷波滤波器”，过滤一个频率，通常为60Hz。“真实滤波器”或“硬件滤波器”会更改信号的频率组成。在对信号进行滤波之后，已经被过滤的频率将无法恢复。“数字滤波器”通过对数据执行计算来改变信号的频率。

“频率”是指节律性的重复性活动(以Hz为单位)。EEG活动的频率可以具有不同的性质，包括：“节律性”，EEG活动存在于近似恒定频率的波中；“心律不齐”，其中不存在稳定节律的EEG活动；“节律失调”，在健康受试者中很少出现或见到并且特征地出现在患者组中的EEG活动的节律和/或模式。

假设检验是使用统计来确定给定假设为真的概率。

“蒙太奇”意指电极的放置。可以利用双极蒙太奇或参考蒙太奇来监测EEG。双极意指每个通道有两个电极，因此存在针对每个通道的参考电极。参考蒙太奇意指存在针对所有通道的公共参考电极。

“形态”是指波形的形状。EEG模式或波的形状由组合构成波形的频率及其相位和电压关系来确定。波模式可以被描述为：“单态”，看起来像由一种主导活动组成的独特(distinct)EEG活动；“多态”，由组合形成复杂波形的多个频率组成的独特EEG活动；“正弦”，类似于正弦波的波，单态活动通常是正弦；“瞬态”，与背景活动明显不同的孤立的波或模式。

“尖峰”是指具有带尖的峰且持续时间从20到70毫秒以下的瞬态。

术语“尖波”是指具有带尖的峰且持续时间为70-200毫秒的瞬态。

术语“神经网络算法”是指标识很可能是癫痫状异常的尖锐瞬态的算法。

“噪声”是指修改所需信号的任何不想要的信号。它可以具有多个来源。

零假设是在假设为真的(通常观察是偶然的结果)的情况下针对可能的拒绝被检验的假设。

“周期性”是指模式或元素在时间上的分布(例如，特定EEG活动以或多或少规律的间隔出现)。活动可以是广义的、集中的或侧化的。

连续分布的概率密度P(x)被定义为分布函数D(x)的导数，其中

D’(x)＝[P(x)]^X _-∞＝P(x)-P(-∞)＝P(x)

因此D(x)＝P(X≤x)∫_-∞ ^XP(y)dy

“采样”或术语“对信号进行采样”是指将连续信号减少为离散信号。数字信号是采样信号；通过在离散时间点处对模拟信号进行采样而获得。

术语“采样间隔”是连续样本之间的时间；这些点通常在时间上均匀地间隔开。

术语“采样速率”是指以赫兹(Hz)表达的频率，模数转换器(ADC)以该频率对输入模拟信号进行采样。

术语“信噪比”(SNR)是指信号的变化相对于噪声的变化的幅度的测量。

EEG时期(epoch)是EEG信号的幅度，其是时间和频率的函数。

EEG记录具有大量信息，并且难以确定两组时期是否是可比较的。

发明内容

本发明提供了对现有技术的缺点的解决方案。本发明提供了一种用于针对生物时间序列利用经验零假设的方法和系统。采用大规模估计方法促进对经验零值密度的估计，而不是使用理论密度。经验零值被认为比通常的理论零值分布更分散。

在本发明的一个方面，公开了一种用于确定两个时期是否是可比较的方法。该方法包括选择生物时间序列的第一部分的步骤。然后，该方法将第一部分建立为基线部分。此外，选择用于测量的第二部分，并使用经验零假设来确定第二部分与基线部分的相似性。

在本发明的另一方面，公开了一种用于确定两组时期是否可比较的方法。该方法包括选择EEG记录的第一多个时期并将它们建立为基线段的步骤。所述方法还包括：生成第二多个时期；以及使用大规模检验来估计针对时期的子集的经验零假设，从而计算第二多个时期与第一多个时期相似的量。该方法还包括确定第二多个时期是否来自EEG记录。

在本发明的又一方面，是一种EEG系统。EEG系统包括可通信地耦合到计算机可读介质的处理器。计算机可读介质包括指令，该指令可由处理器执行，以用于：选择EEG记录的第一时期；将第一时期建立为基线时期；选择用于测量的第二时期；以及使用经验零假设来确定第二时期与基线时期的相似性。

在备选实施例中，经验零值测量从EEG导出的值。经验零值可以测量EEG的给定频率范围内的功率的量。

结果是表达与基线的差异的Z得分，其然后可以按时间序列被显示，以示出导出值随时间如何从基线变化。

附图说明

图1是用于针对生物时间序列利用经验零假设的系统。

图2是针对生物时间序列利用经验零假设的方法的流程图。

图3是用于针对生物时间序列利用经验零假设的方法的流程图。

图4是用于EEG处理的计算设备的框图。

图5是图示了经验零假设的曲线图。

图6是对患者使用的EEG系统的图示。

图7是表示用于EEG的电极放置的国际10-20电极系统的图。

图8是表示由美国脑电图学会标准化的用于EEG的电极放置的中间10％电极位置的详细图。

图9是EEG记录中存在的伪影的量的图形显示。

图9A是EEG记录中存在的伪影的量的图形显示。

图9B是图9的癫痫发作概率通道的框1B的放大隔离视图。

图9C是图9的伪影强度通道的水平线的放大隔离视图。

图10图示出了统计自动神经网络应用的变量窗口。

图11图示出了统计自动神经网络应用的ANS窗口。

图12是MPL架构的框图。

图13是EEG活动的图像。

图14是EEEG活动的图像。

具体实施方式

用于执行本发明的(多个)最佳方式

本发明提供了对现有技术的缺点的解决方案。本发明提供了一种用于针对生物时间序列利用经验零假设的方法和系统。更具体地说，本发明提供了一种用于针对由人工神经网络生成的原始得分利用经验零假设的方法和系统。

经验假设是指可以使用观察和实验被检验的工作假设的使用，换句话说，该假设是基于证据的。通过实验和观察产生经验数据。当研究人员相信两个变量之间没有关系或者缺乏信息来陈述科学的假设时，就会存在零假设(由H₀来标示)。根据零假设，在指定的总体之间没有显著差异，任何观察到的差异都是由于采样或实验误差引起的。

经验零假设通常被假设为真，直到证据指示相反为止。如果零假设为真，那么如果观察到的数据显著不可能发生，则零假设被拒绝。在这种情况下，零假设被拒绝，并且备择假设被接受以代替它。如果数据与零假设一致，则零假设不被拒绝。

在以下提供的描述中，作为示例解释了经验零假设。

假设检验开始于零假设的汇集

H1，H2，...，HN

对应的检验统计，可能不是独立的，

Y1，Y2，...，YN

及其p值P1，P2，...，PN，其中Pi测量Yi的观察值yi否定Hi的强度，例如Pi＝probHi{|Yi|＞|yi|}。“大规模”意指N是一个较大的数目，至少大于100。

不是必须但是可以方便地使用z值而不是Yi或Pi的值，

zi＝Φ-1(Pi)，i＝1，2，...，N， (1.3)

Φ指示标准正态累积分布函数(cdf)，Φ-1(.95)＝1.645等。如果Hi完全为真，则zi将具有标准正态分布

zi|Hi～N(0,1)。

在本文中这被称为理论零假设。

图5是描述经验零假设的曲线图。图5图示出了444个z值的直方图，其中负zi的值指示更大的突变效应。平滑曲线f(z)是具有七个自由度的自然样条，通过Poisson回归拟合到直方图计数。它强调了z＝0附近的中心峰，大概是大多数不感兴趣的药物位点组合，其具有可忽略不计的突变效应。在其中心附近，该峰由均值为-0.35且标准偏差为1.20的正态密度很好地描述，这将被称为经验零假设

zi|Hi～N(-0.35,1.202)

大规模的同时假设检验，其中案例的数目超过例如100个，允许对零假设分布进行经验估计。经验零值可能比平常被用于单个假设检验的理论零值分布更宽(更分散)。经验零值和理论零值之间的选择会极大地影响哪些情况被标识为“显著”或“感兴趣”，而不是“零值”或“不感兴趣”，无论使用哪种同时假设检验方法，都是如此。

经验零值分布的过度分散存在许多可能的原因，经验零值分布的过度分散导致经验零值被优选用于同时检验：隐藏的相关性；很大一部分是真实的但不感兴趣的小效果；大规模检验与个体假设检验的科学意图不同。后者最常被设计为以高概率拒绝零假设。大规模检验通常更多是一种筛选操作，旨在标识一小部分感兴趣的案例——假定在10％的量级。

在更详细地解释了经验零假设的过程之后，现在以下提供的描述解释了用于针对生物时间序列利用经验零假设的解决方案。更具体地说，本发明提供了一种用于针对由人工神经网络生成的原始得分利用经验零假设的方法和系统。

如图1中所示，一般地指定了用于针对生物时间序列利用经验零假设的系统100。系统100优选地包括源70、处理器75和显示器80。源70生成数字输入信号，该数字输入信号由连接到源70的处理器75接收。处理器75包括计算机可读介质76和经验零假设引擎77。计算机可读介质包括可由处理器执行的指令，以用于：选择EEG记录的第一时期；建立第一时期作为基线时期；选择用于测量的第二时期；并使用经验零假设来确定第二时期与基线时期的相似性。分析结果由处理器为用户传输到显示设备。

在本发明的另一方面，可以使用一种方法来确定两组时期是否是可比较的。该方法包括选择EEG记录的第一多个时期并将它们建立作为基线段的步骤。该方法还包括：生成第二多个时期，并且使用大规模检验来估计针对第二时期子集的经验零假设，从而计算第二多个时期与第一多个时期相似的量。该方法还包括确定第二多个时期是否来自EEG记录。

在本发明的又一方面，公开了一种EEG系统。EEG系统包括可通信地耦合到计算机可读介质的处理器。该计算机可读介质包括可由处理器执行的指令，以用于：选择EEG记录的第一多个时期并将它们建立为基线段。该方法还包括：生成第二多个时期，并使用大规模检验来估计针对第二时期子集的经验零假设，从而计算第二多个时期与第一多个时期相似的量。在系统100的示例中，一秒持续时间的一百个时期被给予癫痫发作的概率得分为30％，系统确定这一百个时期中的三十个是否实际上是癫痫发作。这通过校准五十个时期来测量在这五十个时期中的十五个中是否发生癫痫发作，从而选择EEG记录的第一多个时期作为基线段而发生。校准将提供概率值，该概率值将针对剩余的五十个时期被验证，从而使用大规模检验来估计经验零假设，从而确定第二多个时期与第一多个时期相似。如果剩余的五十个中的十五个证据指示有癫痫发作，那么该概率值被验证。

通常将用于针对生物时间序列利用经验零假设的系统标记为100，并且优选地包括源70、处理器75和显示器80。在步骤1处，源70生成数字输入信号，该数字输入信号在步骤2处由处理器75接收。处理器连接到源70。处理器75还包括计算机可读介质76。计算机可读介质包括可由处理器执行的指令，以用于：选择EEG记录的第一时期；建立第一时期作为基线时期；选择用于测量的第二时期；并使用经验零假设来确定第二时期与基线时期的相似性。分析结果由处理器为用户传输到显示设备。

图1中的源70可以是向处理器提供数据的任何设备。源可以是提供从人类大脑神经活动中检测到的实时生物信号的EEG机器，也可以是被存储在任何数据存储区(例如数据库、计算机可读存储介质、目录等等)中的历史数据。数据存储区可以包括计算机可读存储介质，诸如硬盘、非易失性固态存储设备等。数据存储区可以提供数据存储服务，诸如数据库存储服务、目录服务等。生物信号是生物体中可以被连续测量和监测的任何信号。术语生物信号通常被用来指代生物电信号或生物信号，但是它可以是指电信号和非电信号。通常的理解是仅指时变信号。

系统100包括处理器75。在不脱离本发明范围的情况下，处理器可以是通用计算机、计算设备、微处理器、微控制器或具有计算机可读介质的任何其他计算设备。计算机可读介质包括用于处理器执行某种方法的指令集。该方法将在下面更详细地描述。

处理器将所计算的结果传送到显示设备，其中该显示设备在不限制本发明的范围的情况下可以是具有显示屏的任何电子设备，诸如移动电话、PDA、计算机、LCD、LED、TV屏幕等。

处理器被配置为基于由计算机可读介质提供的特定指令集来执行特定功能，这将在下面的示例的帮助下进行解释。

图2图示出了本发明的优选实施例的流程图。图2图示了方法100的流程图，方法100用于使用经验零假设来确定第二部分与基线部分的相似性。在步骤101处，由处理器选择生物时间序列的第一部分。处理器包括计算机可读介质，该计算机可读介质包括用于执行该方法的计算机可读指令集。在步骤102处，将生物时间序列的所选择的第一部分建立为基线部分。步骤102进行到步骤103，该步骤选择用于测量的第二部分。在步骤104处，使用经验零假设将第二部分与基线部分进行比较，以确定与基线部分的相似性。生物时间序列可以应用于EEG、颅内压、心率等。

图3示出了根据本发明的另一实施例的方法200的流程图。图11示出了根据本发明的另一实施例的由处理器执行的步骤的流程图。在步骤201处，由所述处理器选择EEG记录的第一多个时期。该处理器包括计算机可读介质，该计算机可读介质包括用于执行该方法的计算机可读指令集。在步骤201处，也将EEG记录的所选择的第一多个时期建立为基线段。步骤201进行到步骤202，该步骤生成用于测量的第二多个时期。在步骤203处，使用大规模检验来估计针对第二多个时期的子集的经验零假设，从而计算与第一多个时期相似的第二多个时期的量。该方法还包括确定第二多个时期是否来自EEG记录。

如图4中所示，被利用来确定第二多个时期是否来自EEG记录的EEG机器组件95优选地是包括***接口325、输出/A/V 326、通信/NIC 327、处理器328、存储器329、和存储装置330的计算机。相关领域的技术人员将认识到，机器组件95可以包括其他组件，而不背离本发明的范围和精神。

根据本发明的新颖性方面，处理器被配置为校准和验证通过伪影减少滤波器和神经网络算法处理的原始得分。基于经验零假设执行校准和验证的过程。例如，提取给定癫痫发作的概率得分为20％的一秒持续时间的一百个时期，系统确定这一百个时期中的二十个是否实际上是癫痫发作。这通过校准五十个时期来测量在这五十个时期中的十个时期中是否发生癫痫发作，从而选择生物时间序列的第一部分并将其建立为基线部分而发生。校准将提供概率值，该概率值将针对剩余的五十个时期(其是用于测量的第二部分)被验证。通过使用经验零假设来确定第二部分与基线部分的相似性从而验证概率值。这还允许训练神经网络以生成经验证的概率值。这还允许训练神经网络以生成经验证的概率值。

在本发明的另一实施例中，关于图1的系统100，可以使用一种方法来确定两组时期是否是可比较的。该方法包括选择EEG记录的第一多个时期并将它们建立为基线段的步骤。该方法选择第一组时期并校准癫痫发作的概率值。例如，提取给定癫痫发作的概率得分为20％的一秒持续时间的一百个时期。该方法还包括生成/选择第二多个时期，并使用大规模检验来估计针对时期的子集的经验零假设，从而计算第二多个时期与第一多个时期类似的量。该方法检查第一组时期与第二组时期之间的相似性。基于经验零假设，第二组时期的癫痫发作的概率值是否与所选择的第一组时期相似。基于该计算，可以确定第二多个时期是否来自EEG记录。

人工神经网络(ANN)已经被用来解决众多领域中的各种任务，而这些领域很难使用普通的基于规则的编程来解决。ANN可以通过学习算法来学习和适配。ANN的类型和ANN架构主要是在学习方法上各不相同。

用于训练用于检测EEG记录中的伪影的神经网络的系统包括：多个电极，用于生成多个EEG信号；处理器，其连接到多个电极以从多个EEG信号生成EEG记录；以及连接到处理器的显示器，用于显示EEG记录。优选地，处理器被配置为训练神经网络以学习根据第一多个输入生成多个子概念输出。

在分类中，任务是在给定被称为属性变量或输入的一组变量x＝x₁…x_n的情况下，对被称为类变量的变量y＝x₀进行分类或进行输出。分类器h：x→y是将x的实例映射到y的值的函数。根据由(x，y)上的样本组成的数据集d学习分类器。学习任务包括在给定U上的数据集d的情况下找到合适的贝叶斯网络。令U＝{x₁,…,x_n}，n>1是一组变量。

图12是具有输入280和285的MPL架构的框图。感知器将生物神经元建模为数学函数，

其中，计算输入值的加权和y。权重为

以下是用于训练具有K个输出的MLP的感知器训练算法。

对于i＝1,…,K

对于j＝0,…,d

w_ij￥rand(-0.01,0.01)

重复

对于随机顺序的所有x^t，r^t)∈X

对于i＝1,…,K

o_i￥0

对于j＝0,…,d

o_i￥o_i+w_ijx^t _j

对于i＝1,…,K

y_i￥exp(o_i)/∑_kexp(o_k)对于i＝1,…,K

对于j＝0,…,d

直到收敛

其中η是学习因子。

以下是用于训练具有K个输出的MLP的反向传播算法。

将所有v_ih和w_hj初始化为rand(-0.01，0.01)重复

对随机顺序的所有(x^t，r^t)∈X对于h＝1，...，H

z_h￥sigmoid(w^T _hx^t)

对于i＝1，...，K

y_i＝v^T _iz

对于i＝1，...，K

Δv_i＝η(r^t _i-y^t _i)z

对于h＝1，...，H

Δw_h＝η(∑_i(r^t _i-y^t _i)v_ih)z_h(1-z_h)x^t对于i＝1，...，K

v_i￥v_i+Δv_i

对于h＝1，...，H

w_h￥w_h+Δw_h

直到收敛。

图6图示出了其中用户界面用于EEG的自动伪影过滤的系统25，其中使用大规模检验来估计针对第二子时期的子集的经验零假设，从而计算第二多个时期与第一多个时期相似的量，以便确定第二多个时期是否来自EEG记录。患者15戴上由多个电极35a-35c组成的电极帽31，其被附接到患者的头部，其中导线38从电极35连接到EEG机器组件40，EEG机器组件40包括放大器42，其用于将信号放大到具有处理器的计算机41，处理器被用来分析来自电极35的信号并创建EEG记录51，可以在显示器50上查看EEG记录51。通过键盘或显示器50上的触摸屏按钮，计算机41上的按钮允许应用多个过滤器以从EEG中去除多个伪影并生成干净的EEG。Wilson等人在美国专利号8112141“Method And Device For Quick Press OnEEG Electrode”中详述了对与本发明一起利用的电极的更透彻的描述，其全部内容通过引用并入本文。针对自动伪影过滤而优化了EEG。然后使用神经网络算法处理EEG记录，以生成处理后的EEG记录(原始得分)。处理器41还被配置为校准原始得分以生成事件已经发生的概率值，然后生成概率值相对于时间的显示。此外，处理器41被配置为验证概率值。处理器还连接到显示器以用于显示最终输出。

电极35a-35c可以包括薄金属，诸如中等导电的合金。在一个实施例中，电极35a-35c包括镍钛诺或其他合适的形状记忆材料、金属或合金。包括这些材料、金属或合金中的一种或多种的电极可以是可弯曲的或可变形的，但是随后可以朝其初始形状移动。例如，包括形状记忆金属的电极的腿可以被配置为在施加力(例如，在将电极***患者的皮肤之前由人或机器施加的力)时弯曲并在释放所述力时(例如，在已经将电极***患者的皮肤之后)向初始配置返回。腿可以在***患者体内之前弯曲远离电极体的平面，并且可以向该平面返回，以使得腿在***之后在患者皮肤下方基本上是平行的，从而确保电极的位置和***。

在另一实施例中，电极35a-35c包括不锈钢。钢电极35a-35c的腿102以一定角度(例如约25、30、40、45或50度)弯曲，并以足够的力被推入到皮肤中以固定电极35a-35c。在其他实施例中，电极可以由任何合适的导电材料或材料的组合形成，其中电极的至少一部分由导电材料形成。例如，其他实施例可以包括具有导电外层材料的非导电材料。

针对自动伪影过滤EEG被优化。然后使用神经网络算法处理EEG记录，以生成处理后的EEG记录，其被分析用于显示。

在2012年9月15日提交的Wilson等人的专利申请号13/620855“Method AndSystem For Analyzing An EEG Recording”中阐述了分析EEG记录的附加描述，其全部内容通过引用并入本文。

患者具有附接到患者的头部的多个电极，其中来自电极的导线连接到放大器，用于放大去往处理器的信号，该处理器被用来分析来自电极的信号并创建EEG记录。大脑在患者的头部上的不同位置处产生不同的信号。多个电极被置于患者的头部上。CZ位点位于中心。电极的数目确定了EEG的通道的数目。更多数目的通道产生对患者的大脑活动的更详细呈现。优选地，EEG机器组件40的每个放大器42与附接到患者15的头部的两个电极35对应。来自EEG机器组件40的输出是由两个电极检测到的电活动的差异。每个电极的放置对于EEG报告至关重要，因为电极对彼此越近，由EEG机器组件40记录的脑波差异就越小。图7是表示用于EEG的电极放置的国际10-20电极系统的图。术语“电极定位”(10/20系统)是指用于经典EEG记录的头皮电极的标准化放置。该系统的本质是鼻根-枕外粗隆(Nasion-Inion)与固定点之间的10/20范围的百分比距离。这些点被标记为额极(Fp)、中叶(C)、顶叶(P)、枕叶(O)和颞叶(T)。中线电极被标记有下标z，其代表零。奇数被用作左半球上的点的下标，而偶数被用作右半球上的点的下标。图8是表示由美国脑电图学会标准化的用于EEG的电极放置的中间10％电极位置的详细图。在Wilson等人的美国专利号8112141“Method And DeviceFor Quick Press On EEG Electrode”中详述了对与本发明一起利用的电极的更透彻的描述，其全部内容通过引用并入本文。

用于从EEG去除伪影的算法通常使用例如CCA(规范相关分析)和ICA(独立分量分析)之类的盲源分离(BSS)算法，以将来自一组通道的信号变换为一组分量波或“源”。

在一个示例中，一种被称为BSS-CCA的算法被用来从EEG中去除肌肉活动的影响。在所记录的蒙太奇上使用算法常常不会产生最佳结果。在这种情况下，通常最好使用其中参考电极是顶点电极(诸如国际10-20标准中的CZ)之一的蒙太奇。在该算法中，在去除伪影之前，首先将所记录的蒙太奇变换为CZ参考蒙太奇。在CZ处的信号指示其不是最佳选择的情况下，则该算法将向下沿着可能的参考电极列表继续以便找到合适的一个。

在去除瞬目(eye blink)的一个示例中，首先使用BSS(盲源分离)将一个时期分离为多个源。然后将每个源重构为所记录的蒙太奇，然后重构为被认为对于识别瞬目型伪影是最佳的CZ参考蒙太奇。通过神经网络检查CZ参考蒙太奇的通道，以确定其是否可能是任何瞬目。如果是，则去除该特定源，并且算法继续进行到下一个源。但是，如果CZ电极存在问题，那么将为源选择其他参考电极。

图9、图9A、图9B和图9C图示出了在EEG记录中存在的伪影的量的图形显示，在EEG记录中使用大规模检验来估计针对时期的子集的经验零假设从而计算第二多个时期与第一多个时期相似的量，以便确定第二多个时期是否来自EEG记录。“伪影”是由EEG沿着头皮检测到的电信号，但它们起源于非脑起源。存在与患者相关的伪影(例如，运动、出汗、ECG、眼球移动)和技术伪影(50/60Hz的伪影、电缆移动、与电极糊有关)。Persyst ArtifactReduction(透视伪影减少)使用盲源分离来将原始EEG信号分离为其底层分量。然后，它使用一组高级神经网络来标识由各种类型的伪影源产生的分量。在图9中，伪影强度通道110被示为一系列水平线111。所示出的多个水平线111包括针对肌肉伪影的水平线112、针对咀嚼伪影的水平线113、针对竖直眼动伪影的水平线114、以及针对横向眼动伪影的水平线115。相关领域的技术人员将认识到，可以使用更多或更少的水平线而不背离本发明的范围和精神。

在图9和图9A中还示出的是癫痫发作概率通道120、节律谱图-左半球通道130、节律谱图-右半球通道140、FFT谱图-左半球通道150、FFT谱图-右半球通道160、非对称相对谱图通道170、非对称绝对索引通道180、EEG通道190和抑制比-左半球和右半球通道200。

节律谱图允许人们在单个图像中看到癫痫发作的演变。节律谱图测量EEG记录中每个频率处出现的节律的量。针对左半球的节律谱图130和针对右半球的节律谱图140显示了不同频率的节律分量，较暗的颜色更具节律。癫痫发作被检测为δ和θ频率的节律突然增加。节律谱图测量记录中每个频段中出现的节律的量。节律谱图在单个图像中示出了癫痫发作的演变。

癫痫发作概率趋势示出了随时间推移的癫痫发作活动的计算概率。癫痫发作概率趋势示出了检测到的癫痫发作的持续时间，并且还暗示了可能低于癫痫发作检测临界值但仍值得关注的记录区域。当与其他趋势一起显示时，癫痫发作概率趋势提供了EEG中的定量变化的全面视图。如条125所指示的，通过癫痫发作检测算法确定癫痫发作概率趋势。

针对左半球的FFT谱图150和针对右半球的FFT谱图160以相同/不同的颜色示出了不同频率的功率。在癫痫发作期间，δ功率存在火焰状的增加。两个半球上的亮色增加表示在较高频率的功率的增加。

图9B示出了在癫痫发作概率通道120中检测到的癫痫发作125。癫痫发作概率趋势示出了随着时间推移的癫痫发作的计算概率，示出了检测到的癫痫发作的持续时间，并且还暗示了可能低于癫痫发作检测临界值但仍值得关注的记录区域。

图9C将伪影强度通道110示出为一系列水平线111。所示的多个水平线111包括针对肌肉伪影的水平线112、针对咀嚼伪影的水平线113、针对垂直眼动伪影的水平线114、以及针对横向眼动伪影的水平线115。相关领域的技术人员将认识到，可以使用更多或更少的水平线而不背离本发明的范围和精神。

图10图示出了统计自动神经网络应用3100的变量窗口。

图11示出了统计自动神经网络应用的ANS窗口1150。该窗口包括网络类型表单270和训练/再训练网络表单275。

在优选实施例中，经验零值测量从EEG导出的值。经验零值可以测量EEG的给定频率范围内的功率的量。结果是表达与基线的差异的Z得分，其然后可以按时间序列被显示，以示出导出值随时间如何从基线变化。图14的四个频带是图示出了针对包括在各个时间、频率和电极组处的FFT的EEG(图13中所示)的导出值的z得分。图像可以在显示设备上被显示为EEG的输出。图像被用来检测癫痫发作。图像描绘了对从EEG记录机器接收到的时期的定量分析。从图像的顶部开始，最高趋势示出了伪影强度。伪影强度通道示出多条线，其暗示了不同类型的伪影，诸如肌肉伪影、咀嚼伪影、竖直眼动伪影、横向眼动伪影等。换句话说，它示出了在特定时间点处在EEG中存在多少伪影。下一个趋势是癫痫发作检测和癫痫发作概率。癫痫发作概率趋势示出了随时间推移的癫痫发作活动的计算概率。癫痫发作概率趋势示出了检测到的癫痫发作的持续时间，并且还暗示了可能低于癫痫发作检测临界值但仍值得关注的记录区域。由于在该时间段期间没有癫痫发作，因此在所提供的图像中它们为空白。在癫痫发作检测和癫痫发作概率之后，接下来的趋势是尖峰检测和尖峰速率。此外，在显示屏上可显示其他趋势。针对其他趋势的示例可以是FFT趋势、非对称谱图和抑制比。FFT趋势也被称为CSA趋势。

经验零假设与神经网络一起的实现提高了在显示屏上显示的定量分析结果的效率。根据前述内容，相信相关领域的技术人员将认识到本发明的有益进展。

在Wilson等人的美国专利号8112141“Method And Device For Quick Press OnEEG Electrode”中详述了对与本发明一起利用的电极的更透彻的描述，其全部内容通过引用并入本文。在2012年9月15日提交的Wilson等人的美国专利申请号13/620855“MethodAnd System For Analyzing An EEG Recording”中详述了与本发明一起利用的EEG分析的更透彻的描述，其全部内容通过引用并入本文。在Wilson等人的美国专利号9055927“UserInterface For Artifact Removal In An EEG”中详述了对与本发明一起利用的用户界面的更透彻的描述，其全部内容通过引用并入本文。在2012年11月25日提交的Wilson等人的美国专利申请号13/684556“Method And System For Detecting And Removing EEGArtifacts”中阐述了对分析EEG记录的附加描述，其全部内容通过引用并入本文。在Nierenberg等人的美国专利号8666484“Method And System For Displaying EEGRecordings”中详述了对与本发明一起利用来显示EEG的更透彻的描述，其全部内容通过引用并入本文。在Wilson等人的美国专利号9232922“User Interface For ArtifactRemoval In An EEG”中详述了对与本发明一起利用来显示EEG记录的更透彻的描述，其全部内容通过引用并入本文。在2013年3月14日提交的Nierenberg等人的美国专利申请号13/830742“Method And System To Calculate qEEG”中阐述了qEEG的附加描述，其全部内容通过引用并入本文。在2013年11月12日提交的Wilson的美国专利申请号14/078497“MethodAnd System Training A Neural Network”中阐述了对与本发明一起使用神经网络的附加描述，其全部内容通过引用并入本文。在2014年1月20日提交的Nierenberg等人的美国专利申请号14/222655“System And Method For Generating A Probability Value For AnEvent”中阐述了对与本发明一起使用神经网络的附加描述，其全部内容通过引用并入本文。于2016年4月18日提交的Wilson等人的美国专利申请号15/131216，其全部内容通过引用并入本文。