用于从脑电图确定睡眠/觉醒状态的概率以及睡眠和觉醒的质量的方法和软件

摘要

提供了用于格式化概率指数的方法和软件，该概率指数反映脑电图(EEG)图案位于觉醒到深睡眠的谱内，其采用计算机/微处理器，该计算机/微处理器执行EEG的一个或多个离散部分(Bin)的频域分析来确定在指定频率处的EEG功率，选用地计算在指定的频率范围上的总功率，向在每一个频率或频率范围处的功率分配秩，向所述Bin分配反映不同频率或频率范围的分级的代码，并且通过使用诸如查找表或其他适当的解码仪器的参考源来确定反映所述EEG图案在所述Bin内的何处的指数位于觉醒至深睡眠的谱内。通过下述方式来获得参考源：计算Bin的概率，其中在被一个或多个技术专家或被自动评分软件评分的参考文件中被评分为醒着或睡着的时间段中出现不同代码。

说明书

技术领域

本发明涉及从脑电图确定睡眠/觉醒状态的概率以及睡眠和觉醒 的质量。

背景技术

确定病人/个人是觉醒还是睡着是在睡眠故障的调查期间获得的 睡眠记录的分析中的必要的第一步骤。在一些情况下，这样的调查仅 要求了解病人是否睡着或觉醒。一个示例是对于睡眠呼吸暂停的家庭 监控。在此，如果病人未显示睡眠呼吸暂停的征兆(例如，血氧饱和 度逢低、鼾声中断)，则在下述方面出现产生诊断困境：不知道负面 研究是否是因为病人未睡眠。在其他情况下，需要具有睡眠的更综合 的说明，诸如在不同的睡眠阶段的每一个中花费的时间量，其反映迅 速边缘移动的类型(REM对非REM)和睡眠的深度(阶段N1、N2、 N3)。需要该信息来评估睡眠质量，并且在过度嗜睡和失眠的情况下 特别有益。在后面的情况下，将睡眠状态与觉醒状态区分是确定病人 在哪个阶段中的第一步骤。通常，一旦清楚病人睡着，则判定病人在 哪个睡眠阶段是基于除了其他之外的脑电图(EEG)、眼动(EOG)、 下颌肌肉活动的强度(下巴EMG)中的特定特征的存在。

除了正式的睡眠记录的分析之外，相当重要的是，能够确定在要 求高的警醒水平的情况中的警觉水平，该情况例如是在长距离驾驶、 诸如空中交通管制的操作关键特性的重型机械或设备期间。公知的是， 例如，作为无聊、酒精、毒品或剥夺睡眠的结果的降低的警觉是许多 驾驶和职业事故的原因。对于什么被看作觉醒有不同的水平。这些范 围从完全警醒到犯困得有微睡眠的时间段(几秒)。当警惕水平降低 时，减少了认知和运动表现，即使主体在技术上仍然醒着。据我所知， 当前没有识别觉醒的不同水平的方法。

本发明处理一种用于开发连续定量量度的方法，该连续定量量度 描述了在从完全警醒到最深睡眠的整个谱上的警觉/清醒的水平。当被 嵌入适当的设备中时，该方法可以用于：A)评估在要求警醒的情况下 的警觉的水平，B)确定主体是醒着还是睡着，C)确定在睡眠研究中 的睡眠质量，并且，D)作为在详细睡眠中的初始步骤，进行评分，并 且随后的步骤依赖于使用在现有技术中很好地描述的手段的任何一种 来识别另外的特征。当前的方法未涵盖用于将睡眠分类为其各种传统 阶段的步骤。而是，当前的处理产生了值(醒着的概率(Pw)；比值 比乘积(ORP))，其反映了EEG记录的任何给定部分落在将被有经 验的评分者或被验证的自动评分系统分阶段为醒着的时间段中的概 率。我已经建立了在这个值(P_w,ORP)和由传统可视准则测量的睡眠深 度之间的清楚的负相关的存在。如此一来，P P_w/ORP可以被用作描述 在记录的某些部分中的觉醒或睡眠的质量的连续的量度或被用作整个 夜晚的集总平均。每一个睡眠技术专家认识到，在任何给定的传统睡 眠阶段内，存在睡眠质量的连续体。例如，现在根据传统标准被分类 为阶段N1的EEG图案可以很接近在谱的一端上的醒着图案或很接近 在另一端上的更深阶段2。同样，在现在被分类为醒着状态的部分中存 在大量的图案，范围从完全觉醒到很觉醒，到被微睡眠时间段中断的 觉醒等等。该指标(P_w ORP)的使用允许在连续的量度上表达睡眠质量， 而与传统分类无关。其也可以用于以一个数字反映睡眠的整体质量。 这比不同阶段对时间的传统直方图(睡眠结构图)更容易明白和解释。

用于将睡眠记录评分的当前接受的实践是由技术专家进行人为评 分。这耗时，并且通过扩展而相当昂贵。人为评分也高度主观，不同 的专家产生不同的结果。如上所述，在时间段(通常在长度上为30秒) 的许多中的EEG图案在两个阶段(例如，醒着对N1)之间的边界上。 一些人可能以一种方式将这些时间段评分，而其他人可能以另一个方 式将其评分。而且，在专家如何解释经常是模糊的指南上存在大的差 别。人为评分也是极其乏味的任务，并且经常与严重错误相关联，该 严重错误与不注意相关。因此，自动化如果其能够表明是精确的就具 有很多潜在的优势。

睡眠的人为评分主要依赖于不同EEG图案的视觉欣赏。已经有对 于将EEG评分自动化的许多尝试，但是结果还没有达到接受所要求的 那样。实际上，所有自动方法依赖于EEG的频率分析。该分析在不同 的频率中产生功率。EEG的相关频率成分是0.3至40Hz。可以通过EEG 的功率谱，即，在相关频率的每一个中的功率来精确地描述任何EEG 图案。已经描述了利用EEG的功率谱来到达睡眠阶段的许多先前的手 段。这些手段通常使用各种复杂的信号分析模型。问题是存在可以被 称为醒着的大量频谱和可以落在眼睛感知为睡眠者的另外大量图案， 以及可以通过眼睛调用的如此多的图案。可以在完全觉醒或最深睡眠 中存在在测试范围(>14Hz)中的高功率。同样，可以在觉醒或在其他 睡眠阶段的任何一个中存在高的阿尔发功率(7至14)。因此，在给 定频率中的功率的解释必须考虑在其他相关频率中的功率。但是，如 上所述，可以在觉醒或睡眠期间遇到的功率的各种组合相当多，并且 不适合于单一的量化模型。因此，在本发明中，我们通过下述方式来 使用经验性手段：向成千上万的EEG频率图案分配代码，并且简单地 确定在专家评分者评分为醒着或睡着的时间段中多常发现每一个代 码。一旦建立了参考资源(要被评分为醒着或睡着的每一个代码的概 率)，则未被评分文件的评分仅包含确定所选择的EEG间隔的频谱代 码，并且通过使用参考资源来确定睡眠/觉醒状态的概率。

发明内容

1)本发明采用根本不同的手段来将EEG评分以确定警觉或睡眠 的水平。它通过下述方式开始：在离散的时间间隔(Bin；例如，3秒， 但是清楚地可以使用其他间隔)上执行EEG的频率分析。而且，如其 他方法那样，在特定频率范围中的功率或幅度被组合以将变量的数量 减少为可管理的水平。例如，增加在0.3和2.5之间的频率上的总功率， 给出在波形的最慢范围中的功率(通常称为德耳塔功率)。该范围不 必符合任何传统分类(例如，德耳塔、西塔、阿尔发、西格马、贝塔1、 贝塔2)并且可以不重叠。清楚地，使用的范围越多，则分辨率越大。 但是，这大大地影响要分级的组合的数量，并且通过扩展，影响要专 家评分以产生参考资源(查找表、等式…等)的处理时间和文件的数 量。在我们的优选实施例中，我们已经选择了四个频率范围(0.3至 2.33Hz(德耳塔)；2.67Hz至6.33赫兹(西塔)；7.33Hz至14.00赫 兹(阿尔法/西格马)；以及，>14赫兹(贝塔))。在西塔功率中不 包括从6.67至7.00的频率范围，因为可以在一些病人中在这个范围中 偶尔看到在清楚的醒着的区域中的一些阿尔发波。

2)下一个步骤是向在每一个Bin中的每一个频率范围的功率或幅 度分配反映其相对幅度的秩(被表达为数字、字母或符号)。这一般 是归一化处理，其考虑在尽可能多的睡眠研究上的相关频率范围中观 察到的功率或幅度的整个范围。对于这个步骤，人为地或通过验证的 自动系统来将表示相关临床条件的全频谱的多个EEG研究(文件)评 分。然后在这些参考文件中的相等长度的Bin中确定在每一个频率范 围(在步骤1中选择)中的功率或幅度。例如，我们初始使用40个文 件，每一个大约8小时长或对于总共大约400,000个Bin子而言9600 个3秒Bin(8*60*20)。然后以升序来将这些值分类。整个范围被划 分为相等数量的较小范围。清楚地，可以使用任何数量的范围。非常 地，在每一个范围中的实际功率可以被用作秩。范围的数量越大，则 分辨率越好，但是所需的处理功率和时间越多。我们使用10个范围， 并且每一个范围被分配秩(我们使用数值秩，0至9)。因此，我们将 在400,000个采样中的德耳塔功率的整个范围划分为10个相等的范围， 最低范围(秩0)包括在最低的10％中的所有值，并且秩1包括在10 ％和20％之间的所有值，等等，直到包括在90％之上的所有值的秩9。 对于其他频率范围进行同一点。结果是表格(例如，表1)，其可以被 查找以确定要向在被检查的Bin中的每一个频率范围中的功率分配的 秩。

表1

这个表格是在软件中的固定查找表。它基于分析从两个学术睡眠 实验室获得的40个文件的我们的结果。清楚地，其他表格可以用于不 同的频率分组、不同的分级过程或不同的Bin宽度。而且，在一些实 验室中，如果来自那个实验室的大量文件进行同一分级过程，则外在 噪声或其他技术差别可以导致在一定程度上不同的表格值。因此，一 个选用的过程使得从由某个实验室产生的文件具体开发的在该实验室 中使用的分级表允许该技术差别。因此可以在库中多种分级表格，并 且当将来自不同意数据获取的推荐准则或具有特定的噪声问题的实验 室的文件评分时选择适当的一个分级表格。然而，我们已经发现以上 的表格当用于将来自多个实验室的文件评分时令人满意。

选用地，如果使用在指定频率范围中的EEG的其他(除了频谱功 率)特征(例如，幅度、平均绝对幅度(MAB)、总的变化(TV)… 等)，则可以开发类似的表格。在该情况下，处理参考文件以产生所 选择的特征，并且将在参考文件中的特征的总的范围划分为多个子范 围以用于分配Bin代码。

该软件确定在连续的Bin(在优选实施例中的3秒)中的所选择的 频率范围(在优选实施例中的4个范围)的每一个中的功率(或幅度 等)。然后，基于在每一个频率范围中的特征(功率，幅度…等)的 值和在查找表中的对应的秩来向每一个Bin分配4数字代码。例如， 通过使用数值秩，象在优选实施例中那样，如果在给定Bin中的德耳 塔、西塔、阿尔发/西格马和贝塔范围是52、10、17和7，则Bin代码 是6368。这个代码因此指示在这个Bin子中的功率谱由中等的德耳塔、 较低的西塔、中等的阿尔发/西格马和高的贝塔构成。如果取代数字使 用字母或符号，则该代码是反映在不同范围中的秩的一系列字母和/或 符号。从上面的说明，清楚的是，将产生大量的Bin代码。通过在4 个频率范围的每一个中使用10个秩。产生10,000个不同的Bin代码、 用于表示10,000个不同的频谱。清楚地，这个数量可以被软件的不同 制造商扩展或减少。然而，我们发现该组合提供了令人满意的分辨率。

3)确定每一个Bin代码的醒着/睡眠概率(P_w,ORP)：根据传统标 准(例如，2007美国睡眠医学准则科学院)，人为或通过验证的自动 系统来将可以是用于开发分级表格的相同文件的大量睡眠文件评分。 每一个文件被划分为用于开发该分级表格的相同持续时间的连续Bin 内。从分级表格计算用于每一个Bin的Bin代码。对于每一个Bin代码， 确定被技术专家或被验证的自动系统评分为醒着的时间段的这个代码 的出现的比率。例如，如果在整个参考数据集中存在Bin代码1422的 280个实例，并且仅20个出现在被分级为醒着的时间段中出现，则在 醒着时间段中出现具有这个代码的Bin的概率被给出20/280的值或 0.07(或7％)。另一方面，仅在被专家分级为醒着的时间段中出现的 Bin数字将被分配1.0(或100％)的概率。

在该优选实施例中，我们从2个学术机构获得40个文件的传统手 动评分。该评分者是很高级的认证技术专家。她被请求尽可能小心地 使用最新的评分准则(AASM 2007准则)将每一个30秒评分，而没有 时间约束。发明人查看了睡眠阶段和觉醒的评分，并且，在存在差别 的时间段中达成共识。该文件被划分为3秒Bin，大约总共有400,000 个Bin。根据步骤2分配Bin代码。对于每一个Bin代码，确定在手动 被评分为醒着的时间段期间或在评分的觉醒内出现的Bin代码的每一 个的概率。在这个数据集中的任何Bin代码的出现的平均数量是 400,000/10,000或40。然而，如可以预期的，存在很频繁的一些Bin代 码(例如，出现几千次的Bin代码0000和9999)和不存在或极少的其 他Bin代码。6200个Bin代码在数据集中出现大于10次，并且可以直 接地确定它们的概率(#Awake/Total#)，而1000个Bin代码完全不存 在，并且2800个代码仅出现1-10次。对于这些，基于它们的频谱图案 (BIN代码)和已经直接地确定概率的相当类似的Bin代码的概率来人 为分配任意的概率值。例如，在数据集中很差地表示Bin代码1190、 1191、1192和1193(400,000中的0至8个Bin)。然而，仅具有略高 的贝塔功率的紧后的Bin代码(1194)具有良好的表示(209)，并且 其ORP是2.5(P_w＝100％)。而且，具有相同的贝塔秩(0，1，2和3) 但是略低的阿尔发秩(即，1180、1181、1182和1183)的Bin代码也 具有很高的OPR值，由此指示具有很低的德耳塔和贝塔功率和高的阿 尔发功率的Bin在醒着时间段中几乎不变地出现，而与贝塔秩无关。 因此，具有很少或没有表示的四个Bin代码被分配概率95％。清楚地 随着时间，进行该处理的文件的数量可以增大以获得大得多的数据集， 其中，很少的Bin代码被不良地表示。必须指出，因为这些Bin代码很 少，所以在分配的任意概率中的误差将具有最小的后果。因此，作为 对于在不良地表示的bin代码中采用ORP值的替代，可能合理的是， 不向这样的bin代码分配任何ORP值，或者分配默认值，该默认值指 示该3秒时间段不应当在任何随后的分析中被考虑。

从上面的步骤，产生表格，该表格包含对于10,000个Bin代码的 每一个而言的醒着的概率。虽然可以如此使用该概率值(0至1.0或0 至100％)，但是我们选择使用不同的量度，其中，40％的概率被分配 1.0值，并且其他概率被分配(概率％)/40的值。这是因为我们发现在 参考文件中的所有30秒时间段的40％被评分为醒着。因此，如果醒着 被任意地评分则是正确的奇特现象是40％。我们任意地确定将所有的 概率值表达为比率(ORP)。因此，醒着的100％的概率被给出ORP 2.5， 并且醒着的10％的概率被给出ORP 0.25。清楚，当该三种量度(分数、 百分比或ORP)全部反映相同的事情时，要使用其中的哪个是选用的

开发了包含用于10,000该Bin代码的每一个的ORP值的表格 (ORP表格；图14)。下面的表2示出用于第一和最后300个bin代 码的ORP值。清楚地，ORP值越高，则在将被人为地评分为醒着的时 间段中出现的Bin的概率更大，并且反之亦然。而且，ORP(或概率) 值应当反映睡眠的深度。例如，ORP值1.25(落在被评分为醒着的时 间段中的概率等于50％)意味着具有这样的谱图案的Bin在被评分为 醒着或睡着的时间段中相等的出现。这样的Bin代码因此必须反映很 轻的睡眠，因为睡眠深度通常是逐渐的过程。真实的是，在一些30秒 时间段中，深睡眠可以突然改变为醒着。然而，当在代表性文件中的 几十万Bin的环境内观看时，这些实例很稀少。相反，接近0的ORP 指示这样的谱图案仅在睡眠中被看到，并且因此，仅在很稳定的睡眠 中出现，该很稳定的睡眠通常是深睡眠。

一旦根据步骤2分配Bin代码，则该软件通过使用概率查找表将 该代码转换为概率。在表2中示出用于Bin代码0126的这样转换的示 例。理论上可以通过复杂的回归分析将表2的结果表达为数学公式。 在这样的情况下，该公式可以用于将该代码转换为概率，而不是查找 表。我们已经发现，考虑到利用查找表的容易和速度，不保证这样的 通过公式来尝试适配表2的数据的这样的运用。然而，本公开涵盖使 用公式和其他解码仪器来将代码转换为概率。

在此给出的ORP对于我们使用的参考文件、将这些文件评分的评 分者、使用的频带和频域分析、Bin宽度(3秒)、所使用的分级方法 (表1)和输出形式(ORP)是独特的。我们已经使用技术和查找表的 该组合获得了良好的结果(Kuna ST,Benca R,Kushida CA,Walsh J, Younes M,Staley B,Hanlon A,Pack AI,Pien GW,Malhotra A. Agreement In Computer-Assisted Manual Scoring Of Polysomnograms  Across Sleep Centers.SLEEP 36:583-589,2013)。然而，并且如上所述， 软件制造商可以选择使用其他参考文件、其他评分者、其他频域分析 方法、其他频带、另一只分级系统或输出形式(例如，％醒着)来应用 在此所述的一般方法，并且产生它们本身的查找表。在这样的情况下， 应当从使用相同方法(即，频率范围、bin宽度、频域分析…等)分析 的参考文件构造分级和概率表格。这样的一般方法的不同应用落在本 发明的范围内。

本专利申请是关于产生落在被专家评分者或系统独立地评分为醒 着的时间段中的脑电图间隔(Bin)的概率估计。清楚第，而不是估计 醒着的概率，人们可以选择估计被评分为醒着的时间段的概率(这将 仅是(2.5-ORP)或(100-概率％))

可以以许多不同的方式来使用由本发明产生的概率值：

A)用于整个文件的平均概率估计(例如，ORP)可以被显示在评 分报告中，并且被用作整体睡眠质量的量度。

B)也可以在评分报告中显示用于被(人为地或自动地)评分为特 定睡眠阶段的平均概率估计。通常认识到，给定的睡眠阶段不是同类 的。在每一个睡眠阶段内，存在EEG图案的谱，一些EEG图案更接近 醒着图案，而其他更接近深睡眠。在一个病人中的阶段N2可以例如具 有占主导地位的深睡眠Bin或时间段，而另一个病人以较轻睡眠时间 段占主导。这些差别当前未被传统评分捕获到，传统评分将睡眠仅划 分为四个阶段。通过在该四个阶段的每一个内报告睡眠的质量，有可 能解释为什么一些病人症状(疲劳、嗜睡)不与传统评分的结果一致。 我们已经发现，在阶段N1睡眠中的P_w在不同的主体中范围从24％至 72％(ORP 0.6至1.8)，对于N2，该范围是7％至55％(ORP 0.17至 1.4)，并且对于N3，该范围是2％至28％(ORP 0.04至0.7)。因此， 清楚的是，在由视觉准则限定的同一阶段内，存在反映睡眠质量的不 同水平的宽范围的ORP值。

C)同样，在传统上被评估为醒着时间的内容内，平均P_w可以范 围从62％至96％(ORP 1.55至2.40)，由此反映在传统上被称为醒着 的内容期间的不同警觉程度。可以容易想象，附接到例如前额的有限 EEG监控装置可以被配备当前的软件，并且用于实时地监控在从事关 键行为的主体中P_w或ORP。这样的系统也可以当P_w或ORP低于指定 水平(例如，2.2)时发出警告或通知监控站。

D)可以在接通和关断疗法的时间段上平均概率估计，并且，该平 均被报告以示出疗法对于睡眠质量的效果。

E)如果所要求的全部是确定被评分的时间段是否仅是醒着或睡 着，则概率估计可以本身用于将睡眠评分。例如，可以计算在30秒间 隔内的所有Bin的平均概率估计。我已经发现，通过使用当平均ORP 大于1.6(概率大于64％)时将时间段评分为醒着并且反之亦然的简单 规则，评分在时间段的95％中精确。这是用于那个目的的可接受的精 度。

F)替代地，概率估计在时间段(例如，30秒)内的分布可以用 于改善精度，特别是在平均ORP模棱两可的时间段中。例如，包含其 中ORP小于1.0的四个3秒Bin和其中ORP大于2.0的六个3秒Bin 的30秒时间段可以具有矛盾的平均值ORP 1.4。然而，它将被评分为 醒着，因为这清楚地是在具有支配的醒着模式的较长时间段(ORP>2.0) 和具有睡眠图案的较短时间段之间划分的时间段。检查在30秒时间段 内的ORP值的图案的几种其他算法可以清楚地用于改善在时间段内的 醒着和睡着之间区分的精度。虽然我们推崇软件在每一个30秒时间段 中进行判定，但是一种选择是不将难以确定的时间段评分。例如，如 果在时间段内的所有ORP值在中等范围(1.2至1.8)内并且平均值也 是模棱两可的(例如，1.2至1.6)，则可以选择通过当前的系统将该 时间段识别为不可评分的。这将仅影响小部分的时间段。

G)本发明可以被用作当前的人为评分系统的附件。因此，首先使 用本发明的软件来运行文件，以自动地将时间段分类为醒着或睡着， 其后是不同睡眠阶段的人为评估。

H)可以将概率估计包含在执行综合睡眠分阶段的软件内。在此， 在时间段(睡眠对醒着)的整体状态后，被评分为睡眠的时间段使用 另外的算法被进一步识别为标准的四个阶段(Rem、N1、N2、N3)之 一，该另外的算法用于检测用于分类睡眠阶段(例如，眼球运动、纺 锤体、复合物、下巴肌电图)的特征。旨在进一步识别睡眠的不同阶 段的这样的步骤不是本发明的部分。

I)本发明可以被包含在测量EEG的便携装置中。可以实时地显 示或发送(无线地或通过电缆)结果。以这种方式，结果可以帮助评 估被监控的主体的警觉的状态。

因此，在本发明的一个方面中，提供了一种用于产生概率索引 (Index)的方法，所述概率索引反映脑电图(EEG)图案位于觉醒到 深睡眠的谱内的何处，所述方法使用计算机/微处理器，所述计算机/微 处理器执行EEG的一个或多个离散部分(Bin)的频域分析，以确定在 指定频率处的EEG功率，选用地计算在指定频率范围(Range)上的 总功率，向在每一个频率或频率范围处的功率分配秩，向所述Bin分 配反映所述不同频率或频率范围的所述分级的代码(Bin代码)，以及 通过使用诸如查找表或其他适当的解码仪器的参考源来确定反映所述 EEG图案在所述Bin内的何处的指数位于觉醒至深睡眠的谱内，其中， 通过下述方式来获得这样的参考源：计算Bin的所述概率，其中在被 一个或多个技术专家或被自动评分软件评分的参考文件中被评分为醒 着或睡着的时间段中出现不同代码。

在那个方法中，取代计算功率，使用频域分析来计算在指定的频 率范围中的信号幅度或信号强度的其他量度，并且其中，所述分级方 法和所述参考源基于计算信号强度的所述方法的使用。

在本发明的另一个方面中，提供了用于估计脑电图(EEG)图案 反映睡眠或醒着状态的概率的软件，所述软件执行下面的指令：执行 EEG的一个或多个离散部分(Bin)的频域分析，以确定在不同频率处 的EEG功率，选用地计算在指定频率范围(Range)上的总功率，向 在每一个频率或频率范围处的功率分配秩，向所述Bin分配反映所述 不同频率或频率范围的所述分级的代码(Bin代码)，以及通过使用诸 如查找表或其他适当的解码仪器的参考源来确定所述EEG图案在反映 觉醒至深睡眠的所述Bin内的概率，其中，通过下述方式来获得这样 的参考源：计算在被一个或多个技术专家或被正确地验证的评分软件 评分的参考文件中被评分为醒着或睡着的时间段中出现不同代码的 Bin的所述概率。

在本发明的另一个方面中。提供了一种用于执行所述方法并且利 用所述软件的装置。

附图说明

图1是软件的主要组件和在用于确定ORP的处理记录的分析中的 数据流的框图；

图2是示出各种预处理选项的框图；

图3是用于去除R波形人为效应的算法的框图；

图4是示出用于频域分析的步骤的框图；

图5是“计算总结功率”的步骤的流程图；

图6是示出分配Bin代码的框图；

图7是示出分配ORP值的步骤的流程图；

图8示出了两个病人的几个小时的记录上的ORP值的典型结果连 同向5个阶段(醒着、N1、N2、N3、REM)的传统睡眠评分的结果；

图9是示出用于ORP确定的流送数据的处理的流程图；

图10是实现本发明的移动装置的组件的框图；

图11示出图10的仪器的前端模拟电路的细节；

图12示出图10的仪器的微控制器和关联电路的细节；

图13示出图10的仪器的电源和关联电路的细节；并且

图14是ORP表。

具体实施方式

1)预存记录的分析

当在预存文件上使用本发明时或当概率值的产生是要被跟随EEG 的更详细分析的初步步骤时，该形式的实现方式特别适合，该更详细 分析要求查看文件的大的部分(例如，作为对于评分睡眠阶段的帮助)。 该形式的实现方式优选地在标准计算机上完成。

在具有下面的规格的标准台式计算机上在C#(C)中开发优选实 施例的软件：

1)处理器：3.4GHz

2)RAM：4GB

3)操作系统：Windows XP，32位

4.开发环境：Visual Studio 2008

5)硬盘驱动器大小：1.00TB

图1是所述软件和所述数据流的主要组件的框图。该文件被加载 在存储器中(1)。下一步步骤包含选用的预处理(2)(参见图2)。 该文件然后被划分为3秒Bin(3)，其总数M对应于以秒计的1/3文 件长度。以第一bin(4)开始，执行频域分析(5)(参见图4)，随 后，计算在不同频率范围中的总功率(6)(参见图5)。从这一点起， 通过参考在存储器中存储的查找表1来分配bin代码(7)。这被下述 部分跟随：参考存储的ORP查找表来确定3秒bin的ORP(8)(参见 图7)。存储ORP值(9)。Bin数量增大1，并且该处理重复直到文 件的结尾。

图2示出各种预处理选项(2)。根据文件的预存属性来执行这些 中的一个或多个。这些属性连同该文件被输入到计算机内。

如果未预先过滤在存储器中的软件，则应用带通滤波器(0.3-35.0 Hz)选项(10)。这要符合用于EEG的处理的推荐标准。在文件中的 采样频率是120Hz的架设下，当前的软件运行。如果采样频率小于120 Hz，则拒绝该文件。如果大于120Hz，则使用“最近邻居近似”来在120 Hz(11)下将数据再采样(使用与120Hz所需的时间最接近的数据点 的值)。这被跟随0.05高通滤波器(12)。最后，如果还没有从存储 的软件中滤除掉脑电图(EKG)的R波形人为效应，则向EEG信号应 用R波人为效应去除算法(13)。这要求在文件中存在EKG通道。

在图3中示出该R波人为效应去除算法的细节。简而言之，对于 在文件(14)中的每一个心跳定位R波形峰值(Pi)的时间。可以使 用多个标准R波形检测算法的任何一个。因为这个实施例，将EKG信 号的5点导数获得并且然后求平方。对于平方的导数(Ifrdi)执行11 点积分。获得IFRD的10秒积分(Ifrdi_0s)，并且，计算在IFRDi和IFRD_10s之间的差。将峰值R波形识别为在其中对于大于100ms而言IFRDi> IFRD_10s的瞬态中的最高点。在从其要去除R波形人为效应的EEG信 道上执行随后的步骤。存储在每一个R波形的间隔Pi±35点(＜＜0.6 秒)中的EEG数据(15)。这些存储的值然后被划分为连续的块，每 一个块包含100个心跳(16)。然后对于每一个块获得100组71个点 的平均值，并且这个71点平均值替换在块(17)中的所有100组。对 于在文件中的每一个块执行该处理。最后，从原始EEG数据减去存储 的平均值(18)。

图4示出用于频域分析的步骤(5)。使用傅立叶变换的变化的我 们的软件计算在频率k处功率X[k]为：

$\left[B\right[k]=\underset{n=0}{\overset{n-1}{\Sigma }}\mathrm{xn}\mathrm{}\sin \left(\frac{2\pi }{N}(k+1)(n+1)\right)]$

X[k]＝((A[k])²+(B[k])²)/N²

对于整数值k，$k=[1,\frac{N}{2}]$

$k=[1,\frac{N}{2}-1]$

其中；

F_s＝EEG窗口的采样率＝120Hz

N＝在采样中的输入EEG窗口的长度＝3f_s＝360

n＝在EEG窗口中的当前采样索引

X_n＝采样n的EEG信号的值

k＝我们在检查的频率的索引。实际频率是

$f_k=\frac{(k+1)}{3}\mathrm{Hz}$

X[K]＝在频率索引k处的功率

C＝缩放系数，等于

为了节省计算时间，因为下面的两项

$\left(\begin{array}{cc}\cos \left(\frac{2\pi }{N}(k+1)(n+1)\right)& \sin \left(\frac{2\pi }{N}(k+1)(n+1)\right)\end{array}\right)$

独立于x_n，并且如在图4的顶部所示(19)，所以它们被提前计算并 且存储在存储器中。

图5是用于描述步骤“计算汇总功率”的流程图。在这个步骤中， 在每一个3秒bin中计算在指定的频率范围中的功率的和。在这个实施 例中使用的频率范围是(6)：

●0.3-2.3Hz(k＝0-6)：对应于传统德耳塔范围(20)；

●2.7-6.3Hz(k＝7-18)：对应于传统德耳塔范围，排除频率6.7 和7.0Hz(21)；

●7.3-12.0Hz(k＝21-35)：对应于传统阿尔发范围(22)；

●12.3-14.0Hz(k＝36-41)：对应于传统西格马范围(23)；

●14.3-20.0(k＝42-59)：对应于传统贝塔1范围(24)；以及

●20.3-35.0(k＝60-104)：对应于传统贝塔2范围(25)。

为了ORP确定，组合阿尔发和西格马功率(阿尔发/西格马功率 (26))，并且也组合贝塔1和贝塔2功率(贝塔功率(27))，产 生4个频率范围。

图6示出用于分配Bin代码的手段(7)。该算法相对于在存储的 表1的德耳塔列中的10个秩的阈值查看在3秒bin中的德耳塔功率， 并且向德耳塔功率分配适当的秩。对于西塔、阿尔发/西格马和贝塔功 率重复相同的处理，向每一个分配秩。最后，产生4位数，其具有德 耳塔秩，其后是西塔秩，其后是阿尔发/西格马秩，区别最后是贝塔秩。 对于每一个3秒bin重复该处理。

图7示出分配ORP值(8)的步骤。这简单地由下述部分构成： 查看在ORP表中的ORP代码，并且获得与该代码相关联的ORP值。

图8示出在两个病人中的记录的几个小时上的(根据优选实施例 产生的)ORP值的结果连同向5个阶段(醒着、N1、N2、N3、REM) 的传统睡眠评分的结果。通过传统准则，在两个病人之间的主要差别 是在病人1中的一定程度更大的醒着时间(下面的表格3)。然而，通 过查看在图8中的ORP值，清楚的是，即使当病人1在技术上被分阶 段为醒着时，ORO高度不可靠，反映了醒着特征在EEG内的广泛的和 频繁的侵入，并且对于所有的睡眠时间段，平均ORP(在ORP板内的 白线)在病人1中比在病人2中高得多(也参见表3)。因此，不仅在 病人1中有更多醒着时间，但是当他睡眠时，他的睡眠质量很差。图8 也示出在两个病人的醒着时间段期间，ORP不固定在2.5(最高水平)， 但是在ORP中存在频繁的降低，反映了在醒着时间期间的睡眠特征的 侵入。因此，醒着状态不是约束，但是包含了可以被ORP值反映的警 觉的不同水平。

表3

2)从流送数据(即，实时)产生概率索引

具有最小修改的相同过程用于通过下述方式来在连续的基础上产 生概率索引：当数据流入时，分析记录的短的分段，并且输出结果。 其特别适合于要求关于病人的睡眠状态或警觉状态的快速反馈的应 用。它也可以被用作在执行与数据获取同时的睡眠阶段的同时评分的 其他软件中的初步步骤。该应用可以根据临床指示被实现在标准台式 计算机、膝上型或其他移动计算装置上。使用所有这样的装置，数据 获取系统的EEG输出经由USB端口或其他适当的装置被引导到计算 机。然后使用现有或定制的软件来将数据流送到存储器内。

图9是示出流送数据的处理的流程图。在此，每一个指定的间隔 (bin；例如，3秒)被作为独立的文件。当已经接收到用于这样的间 隔的数据时，该软件通过在图1至7中所述的相同的处理，包括预处 理(2，图2)、频域分析(5，图4)、计算汇总功率(6，图5)、确 定Bin代码(7，图6)和最后确定ORP值(8，图7)。产生和显示单 个ORP值。该处理重复，直到研究的结尾。

图10是实现本发明的移动装置的组件的框图。数据获取芯片 (Texas仪器ADS 1299；28)用于收集多达8个信道，其任何一个可 以是EEG信道。经由SPI通信总线向微控制器(29)传送输出，该微 控制器(29)包含Atmel Atmega256rfr2(U1A和U2B)微控制器(30) 和无线电接收器/发送器(BALUN；31)。该系统被具有相关联的电池 和电力管理电路(33)的锂离子电池(32)供电。

图11示出与Texas仪器ADS 1299芯片相关联的前端模拟电路 (28)的细节，该芯片包括：

●用于生物电势测量的模拟前端

●低噪声德耳塔西格马模数转换器

●8个信道，同时采样

●24比特模拟精度

●从250SPS(每秒采样)至16kSPS的采样率

图12示出微控制器(29)和关联的电路的细节，该关联的电路包 括：

Atmel Atmega256rfr2(U1A和U2B)(30)，其具有：

●在16MHz的8比特微控制器，

●256KB快闪存储器

●32KB程序RAM(随机存取存储器)

●用于2.4GHz ISM频带(工业、科学和医疗)的完全集成的 RF收发器

●从250kb/S到2Mb/S的RF数据率

●紫蜂和IEEE 802.15.4RF符合

Wurth Electronics-732-2230-1–ND(BALUN)(31)

●BALUN–平衡到不平衡转换器

●阻挡共模波，并且仅允许差模波到达天线。

微芯片–MCP102T(32)

●微功率电压监控器

●防止由于欠压条件导致的不必要的微控制器复位

图13示出电源(33)和关联的电路的细节，该关联的电路包括： 锂离子电池(32)

微芯片-MCP73831T(34)

●锂聚合物充电管理控制器

●采用电池充电算法和测量逻辑

Maxim Integrated-MAX 1704(35)

●电池电量计，低电量报警

●向微控制器提供电池数据

●在低电池百分比的情况下警告微控制器

Texas仪器-TPS27082L(36)

●PFET负载开关

●提供快速瞬态隔离和迟滞控制

Linear-LT3971-3.3(37)

●38V、1.2A、2Mhz-降压稳压器

●转换用于该系统的电源

●将电池电力转换为用于微控制器和模拟前端电源的3.3V

FTDI-FT230XQ(38)

●USB至UART(串行)转换器

●允许在计算机和机载微控制器之间的数据传送

系统概述

●向系统施加电力

●微控制器进入加载固件的引入装载程序

●固件初始化所有的系统设置，以允许在ADS1299和其本身之 间的操作

●固件初始化在接收器和其本身之间的无线电连接

●向ADS 1299发出的START(启动)命令，用于启动采样2 至8个信道

●模拟信号经由ADS 1299被转换为数字

●数字数据在串行协议接口(SPI)上被发送到微控制器

●该处理重复，直到发出STOP(停止)命令

●适当的信号调节和数据分析：按照步骤2、5、6、7和8(图 2、4、5、6和7)

●通过无线的无线电链路来发送算法输出

本发明的总结

在本公开的总结中，本发明提供了产生概率索引的方法，该概率 索引反映脑电图(EEG)图案位于觉醒到深睡眠的谱内的何处，所述方 法采用计算机/微处理器，该计算机/微处理器执行方法的步骤。在本发 明的范围内，修改是可能的。