利用短暂测量分析脑模式制造技术

获得脑数据集合，所述脑数据集合代表由空间分布的传感器所收集的神经生理活动的时间序列，所述传感器被布置用以探测脑的神经信令（例如利用脑磁图）。根据在统计上独立的短暂测量（例如所述脑数据集合内不同时间序列的各分组之间的部分交互相关）的集合，处理所述脑数据集合，以获得动态脑模型。所述动态脑模型代表在紧挨的时刻（例如具有零滞后）发生的所述脑中各神经群体之间的相互作用。可分析所述动态脑模型，以获得对脑的神经生理评估。可利用数据处理技术评估结构性或神经化学性脑病变。

【技术实现步骤摘要】
【国外来华专利技术】
本专利技术大体而言涉及神经生理分析(neurophysiologic analysis)，更具体 而言，涉及但不限于使用时间序列表示形式分析脑模式。
技术介绍
像身体的任何其它器官一样，脑的功能也需要进行评估，以评价其健康及疾病 状态。然而，不同于身体的任何其它器官，目前还不存在较佳的脑功能测试。典型 的行为检查包括标准神经学检查、精神病面谈或神经心理测试。脑电图(electroencephalogram; EEG)几乎不能提供任何信息，除非存在癫痫大发作或脑 功能存在严重紊乱，如处于昏迷状态。用于评估脑结构(例如磁共振成像(magnetic resonance imaging; MRI))、化学性质(例如磁共振波谱学(magnetic resonance spectroscopy; MRS))、基于氟脱氧葡萄糖的正电子放射层扫描术(fluoro-deoxy-glucose based positron emission tomography (PET))、或药理学(基 于配位体的PET)的方法不会也不能取代脑功能的评估。最后，功能性MRI(fMRI) 及基于O15的PET与在特定任务中被激活的脑区域相关，但并不与脑功能本身相 关。神经病，包括例如认知能力障碍(cognitive impairment)，是不断加重的重大 问题。例如，在被称为阿尔茨海默症(Alzheimer's Disease; AD)的认知能力障碍 的情况下，有效的介入取决于早期识别。遗忘症形式的轻度认知能力障碍(mild cognitive impairment; MCI)是老年人中的失智前期综合征，常常会演变成阿尔茨 海默症。尽管阿尔茨海默症与轻度认知能力障碍的临床特征通常很确切，然而确实 会发生误诊，从而使研究及治疗努力变得复杂。人们希望具有用于阿尔茨海默症、认知能力障碍或其他神经疾病的客观性测 试，但迄今所提出的各种方法均具有显著的缺点，从而限制了其用作灵敏、可靠的 诊断或评价工具的潜力。17例如，第6,463,321号美国专利所例示的一种类型的方法是在诱发反应电位 (evoked response potential; ERP)试验中利用脑电图(EEG)测量。汇总从EEG 传感器收集的数据，并产生代表对ERP试验的总体受试者反应的单个向量。然后， 将该向量与已知健康的受试者以及被诊断出具有神经疾病(例如阿尔茨海默症、抑 郁症或精神分裂症)的受试者的向量进行比较。基于ERP的测量的一个缺点是对 剌激的诱发反应会导致某些脑区域变得非常活跃、而其它脑区域则保持相对不活 跃。因此，所汇总的EEG测量主要代表被激活的脑区域。利用此种方法，无法得 到将不太活跃区域的活动也考虑在内的代表总体脑活动的测量。在使用传统EEG 测量仪器时，该问题更为严重，因为传统EEG测量仪器主要检测脑的外表面附近 的电性活动，在更深的脑区域中的灵敏度则显著降低。第7,177,675号美国专利公开一种通过与对各种疗法具有积极反应的有症状个 体的数据库相比较来为所诊断的患者选择疗法的方法。将例如由EEG/QEEG/MEG 所获得的定量神经生理信息与参考个体的数据库记录相比较，以预测对于具有类似 EEG/QEEG/MEG活动的某个人，哪种治疗过程最有效。然而，所公开的测量及数 据分析方法主要涉及波谱分析，并不能够从所收集的所有测量中识别出某些疾病或 状态的微妙的特有迹象。而是，EEG/QEEG/MEG数据整体上是根据治疗结果进行 分类。在Leuthold等人所著的Time Series Analysis of Magnetoencephalographic Data (Exp. Brain Res. ， 2005年)中，作者描述了下列实验在受试者执行各种动作任 务并经受各种视觉刺激(包括在眼睛注视任务中看变化的图像)时，采集MEG数 据。使用时域ARIMA Box-Jenkins建模方式分析在-25至lJ+25 ms的短期相互作用内 的MEG数据。对所述数据进行预白化，并利用交互相关函数(cross correlation function; CCF)、自相关函数(autocorrelation function; ACF)及部分自相关函数 (partial autocorrelation fimction; PACF)分析从MEG获得的数据序列之间的成对 相互作用。密切监测手的运动及眼的运动，并利用这些运动来使MEG输出与正发 生的受试者活动相关。取样周期略高于lkHz。该著作评估各对传感器中时间序列之间的相互作用。在受试者执行这些任务期 间，观察正/负交互相关模式中有无所选的各对传感器输出。尽管该著作形成了对 用于取得MEG读数的测量技术的某些有趣的洞察(例如，有利地利用1 kHz取样，18并对数据进行预处理以将其预白化)，然而该著作仅利用单独传感器信号的相互作 用，而未将必须研究大量传感器分组的整个脑模型考虑在内。实际上，由于根据下文公开内容将显而易见的原因，Leuthold等人的公开内容不能够分析脑活动以表征受试者的脑状态或诊断脑状态。有鉴于此及已知技术的其它缺点，需要一种用于自动地分析脑活动的实际解决 方案，该解决方案应能够可靠地检测及识别各种不同受试者的所关心脑状态所特有 的明显神经模式。
技术实现思路
本专利技术的一个方面涉及对受试者(例如所探讨或研究的人类受试者或神经病 患者)的神经生理活动进行分析及分类。接收受试者数据集合作为输入，该受试者数据集合代表由许多空间分布的传感器所获得的神经生理活动的时间序列，所述传 感器被布置用以在眼睛睁开的空闲状态期间探测受试者的神经信令。所述受试者数 据可通过脑磁图测量或某种其它能够提供时间序列信息及足够的测量灵敏度的适 当测量而获得。将根据不同脑状态进行分类的各种模板存储在数据存储器中，例如存储在数 据库中。所述模板中的每一者均代表从已知呈现既定脑状态的至少一个其他受试者 测量的各神经群体中在统计上独立的短暂测量的所选子集。所述在统计上独立的短 暂测量可包括所述受试者数据集合内不同时间序列分组之间的部分交互相关集合， 所述部分交互相关集合代表所述受试者的脑中各神经群体之间大体同步的相互作 用。处理所述受试者数据集合，以获得代表所述受试者的各神经群体中的短暂测 量的动态模型。所述动态模型之所以是动态的，是因为其以时间的函数形式表示短 暂测量。在一个实例性实施例中，所述动态模型包括取自所述受试者数据的成对时 间序列的部分交互相关。所述动态模型可包括所有各对时间序列中的所有对或者某一子集。将所述动态模型的至少一部分与所述多个模板相比较，以在所述动态模型与 所述多个模板中的至少一者相对应时，产生所述受试者的神经生理活动的分类。在本专利技术的另一方面中，由包括数据输入端及处理器的系统分析受试者的神经生理活动。所述数据输入端可包括通信接口，例如计算机网络接口。所述数据输入端接收受试者数据集合，所述受试者数据集合代表由许多空间分布的传感器中的 每一者所收集的神经生理活动的时间序列，所述传感器被布置用以探测患者的神经信令。所述处理器以通信方式耦合至所述数据输入端并被编程用以处理所述受试 者数据集合，以获得动态脑模型，所述动态本文档来自技高网...

【技术保护点】
一种用于对受试者的神经生理活动进行分析及分类的系统，所述系统包括：　数据输入端，用于接收受试者数据集合，所述受试者数据集合代表由许多空间分布的传感器所收集的神经生理活动的时间序列，所述传感器被布置用以在眼睛睁开的空闲状态期间探测受试者 的神经信令；　数据存储器，用于存储根据各种脑状态进行分类的多个模板，其中所述模板中的每一者均代表从已知呈现既定脑状态的至少一个其他受试者测量的各神经群体中在统计上独立的短暂测量的所选子集；　处理器，以通信方式耦合至所述数据输入端 及所述数据存储器，并被编程用以：　处理所述受试者数据集合，以获得代表所述受试者的各神经群体中的短暂测量的动态模型；以及　将所述动态模型的至少一部分与所述多个模板相比较，以在所述动态模型与所述多个模板中的至少一者相对应时，产生所述 受试者的神经生理活动的分类。

【技术特征摘要】
【国外来华专利技术】US 2006-7-6 60/818,931;US 2006-10-13 60/851,5991.一种用于对受试者的神经生理活动进行分析及分类的系统，所述系统包括数据输入端，用于接收受试者数据集合，所述受试者数据集合代表由许多空间分布的传感器所收集的神经生理活动的时间序列，所述传感器被布置用以在眼睛睁开的空闲状态期间探测受试者的神经信令；数据存储器，用于存储根据各种脑状态进行分类的多个模板，其中所述模板中的每一者均代表从已知呈现既定脑状态的至少一个其他受试者测量的各神经群体中在统计上独立的短暂测量的所选子集；处理器，以通信方式耦合至所述数据输入端及所述数据存储器，并被编程用以处理所述受试者数据集合，以获得代表所述受试者的各神经群体中的短暂测量的动态模型；以及将所述动态模型的至少一部分与所述多个模板相比较，以在所述动态模型与所述多个模板中的至少一者相对应时，产生所述受试者的神经生理活动的分类。2. 如权利要求l所述的系统，其特征在于所述处理器被编程用以处理所述受 试者数据集合以产生预白化时间序列，所述预白化时间序列具有平均值、方差、及 自相关的平稳性特征。3. 如权利要求2所述的系统，其特征在于所述处理器被编程用以应用基于自 回归积分移动平均的算法来产生所述预白化时间序列。4. 如权利要求l所述的系统，其特征在于所述处理器被编程用以计算所述受 试者数据集合的部分交互相关，以产生所述许多传感器的各群组之间信令的强度及 符号的估计值，所述估计值代表各神经群体的相互作用。5. 如权利要求4所述的系统，其特征在于所述许多传感器的各群组是所述许 多传感器中的各对传感器，且其中计算所述部分交互相关，以产生所述许多传感器 中各对传感器的至少一子集之间的直接信令的强度及符号的估计值。6. 如权利要求4所述的系统，其特征在于计算所述部分交互相关，以产生所 述许多传感器中各对传感器之间在约50毫秒的时窗内出现的直接短期信令的强度 及符号的估计值。7. 如权利要求4所述的系统，其特征在于计算所述部分交互相关，以产生所述许多传感器中各对传感器之间的直接且实质同步的信令的强度及符号的估计值。8. 如权利要求4所述的系统，其特征在于所述处理器被进一步编程用以分析 所述部分交互相关，以得到关于至少一个参数的协方差，所述至少一个参数是选自 由以下组成的群组年龄、种族、及神经生理容量、或其任意组合。9. 如权利要求4所述的系统，其特征在于所述部分交互相关包括选自由以下 组成的群组的至少一种类型(a)正部分交互相关，以及(b)负部分交互相关。10. 如权利要求4所述的系统，其特征在于所述处理器被进一步编程用以对所述部分交互相关执行线性判别分析，以产生分类函数集合，所述分类函数用于产生 所述分类。11. 如权利要求10所述的系统，其特征在于所述处理器被编程用以确定所述部分交互相关的相关子集，所述相关子集由与执行所述分类相关的某些部分交互相 关组成。12. 如权利要求ll所述的系统，其特征在于所述处理器被编程用以利用留一交叉检验算法执行所述线性判别分析，其中对被视为相关的所述部分交互相关中的任一者，均需要进行10()Q^分类。13. 如权利要求ll所述的系统，其特征在于所述处理器被编程用以利用遗传 算法执行所述线性判别分析。14. 如权利要求4所述的系统，其特征在于所述处理器被进一步编程用以对所 述许多传感器的各群组之间的信令的强度及符号的估计值应用阈限函数，以产生所 述动态模型。15. 如权利要求14所述的系统，其特征在于所述受试者的神经生理活动的分 类包括对所述许多传感器的各群组之间的信令的强度及符号的估计值应用分类函 数，所述分类函数对应于所述多个模板中的其中一个模板。16. 如权利要求l所述的系统，其特征在于所述处理器被编程用以将所述动态 模型与代表受试者治疗给药史的至少一个记录相关联地存储于所述数据存储器中。17. 如权利要求l所述的系统，其特征在于所述受试者的神经生理活动的分类 包括关于与所述多个模板中所述至少一者的对应度的指示符。18. 如权利要求1所述的系统，其特征在于所述模板中的每一者仅代表各神经 群体中与所述既定脑状态相关的在统计上显著的短暂测量。19. 如权利要求l所述的系统，其特征在于所述模板中的每一者代表多个不同 受试者的各神经群体中短暂测量的所选子集的组合。20. 如权利要求l所述的系统，其特征在于所述受试者的神经生理活动的分类代表所述动态模型与所述多个模板中第一模板的第一对应以及所述动态模型与所 述多个模板中第二模板的第二对应，所述第二模板不同于所述第一模板。21. 如权利要求l所述的系统，其特征在于所述动态模型是基于动态神经网络， 所述动态神经网络代表由所述许多传感器探测到的同步神经信令的分组。22. 如权利要求21所述的系统，其特征在于所述同步神经信令的分组包括由 在约1毫秒内发生的不同脑位置的突触活动所界定的神经信令的成对分组。23. 如权利要求l所述的系统，其特征在于所述处理器被编程用以通过将选自 所述动态模型的信息子集与所述多个模板中的至少一个模板相比较而获得所述分 类。24. 如权利要求l所述的系统，其特征在于所述处理器被编程用以根据所述分 类来选择性地更新所述多个模板中的至少一个。25. 如权利要求l所述的系统，其特征在于所述多个模板包括各自对应于选自 由以下组成的群组的至少一类神经活动的模板正常状态、阿尔茨海默症、失智前 期综合症、轻度认知能力障碍、精神分裂、干燥综合症、酒精中毒、酒精损伤、胎 儿酒精综合症、多发性硬化症、帕金森症、双极性情感疾病、创伤性脑损伤、抑郁 症、自身免疫功能疾病、神经退化性疾病、疼痛、影响中枢神经系统的疾病、或其 任意组合。26. 如权利要求l所述的系统，其特征在于所述数据输入端以通信方式耦合至 具有所述许多空间分布的传感器的脑磁图(MEG)仪器。27. 如权利要求26所述的系统，其特征在于所述传感器包括超导量子干涉装 置(SQUID)传感器。28. 如权利要求1所述的系统，其特征在于所述受试者数据集合包括短暂分辨 率约为1毫秒的数据。29. 如权利要求1所述的系统，其特征在于所述眼睛睁开的空闲状态是通过向 所述受试者发出执行眼睛注视任务的指令而实现。30. 如权利要求29所述的系统，其特征在于第一受试者数据集合包括不到或等于约一分钟的眼睛睁开的空闲状态活动。31. 如权利要求l所述的系统，其特征在于所述数据输入端包括网络通信装置。32. 如权利要求1所述的系统，其特征在于所述数据存储器包括至少一个数据库。33. 如权利要求l所述的系统，其特征在于所述处理器被编程用以处理所述受试者数据集合，以移除选自由以下组成的群组的至少一种类型的假象电波眨眼假象电波、心脏假象电波、骨骼肌假象电波、或其任意组合。34. —种用于对受试者的神经生理活动进行分析的系统，所述系统包括 数据输入端，用于接收受试者数据集合，所述受试者数据集合代表由许多空间分布的传感器中的每一者所收集的神经生理活动的时间序列，所述传感器被布置用以探测所述受试者的神经信令；以及处理器，以通信方式耦合至所述数据输入端并被编程用以处理所述受试者数据集合，以获得动态脑模型，所述动态脑模型代表所述受试者的脑的各神经群体中在统计上独立的短暂测量；以及分析所述动态脑模型，以估计所述受试者的神经生理状态。35. 如权利要求34所述的系统，其特征在于所述在统计上独立的短暂测量包 括所述受试者数据集合内不同时间序列分组之间的部分交互相关集合，所述部分交 互相关集合代表所述受试者的脑中各神经群体之间大体同步的相互作用。36. 如权利要求34所述的系统，其特征在于所述处理器被编程用以将所述动 态脑模型的至少一部分与不同的神经活动模型相比较，以使所述比较的结果指示所 述受试者的神经生理状态。37. 如权利要求36所述的系统，其特征在于所述动态脑模型是基于在第一时 刻取得的所述受试者数据集合的所述受试者的第一动态脑模型，且其中所述不同的 神经活动模型是基于从在第二时刻取得的不同受试者数据集合获得的所述受试者 的第二动态脑模型，所述第二时刻不同于所述第一时刻；以及其中所述处理器被编程用以分析的所述受试者的神经生理状态代表所述受试 者的神经生理在所述第一时刻与所述第二时刻之间的潜在变化。38. 如权利要求37所述的系统，其特征在于所述比较的结果指示所述受试者 的神经生理的潜在变化的程度。39. 如权利要求36所述的系统，其特征在于所述不同的神经活动模型对应于 至少一个不同受试者的动态脑模型；以及其中所述处理器被编程用以分析的所述受试者的神经生理状态代表所述受试 者与所述至少一个不同受试者之间的神经生理的潜在差异。40. 如权利要求39所述的系统，其特征在于所述比较指示所述受试者与和所 述受试者不同的所述至少一个受试者之间的神经生理的所述潜在差异的程度。41. 如权利要求36所述的系统，其特征在于所述不同的神经活动模型是神经 生理状态模板，代表所选的动态脑模型子集，所述所选的动态脑模型子集是基于在 与多个受试者相对应的多个受试者数据集合的每一者内不同时间序列的各分组之 间的部分交互相关集合，已知所述多个受试者呈现既定的脑状态；以及其中所述处理器被编程用以分析的所述受试者的神经生理状态代表所述受试 者呈现出所述既定脑状态的程度。42. 如权利要求36所述的系统，其特征在于所述不同的神经活动模型包括多 个不同的模板，所述多个不同的模板包括第一模板，代表所选的动态脑模型子集，所述所选的动态脑模型子集是基于在 与第一受试者集合相对应的多个受试者数据集合的每一者内不同时间序列的分组 之间的部分交互相关集合，已知所述第一受试者集合呈现第一脑状态；以及第二模板，代表所选的动态脑模型子集，所述所选的动态脑模型子集是基于在 与第二受试者集合相对应的多个受试者数据集合的每一者内不同时间序列的分组 之间的部分交互相关集合，己知所述第二受试者集合呈现不同于所述第一脑状态的 第二脑状态；其中所述比较的结果指示受试者呈现出所述第一脑状态与所述第二脑状态的程度。43. 如权利要求34所述的系统，其特征在于所述受试者的神经生理状态是选 自由以下组成的群组正常状态、阿尔茨海默症、失智前期综合症、轻度认知能力 障碍、精神分裂、干燥综合症、酒精中毒、酒精损伤、胎儿酒精综合症、多发性硬 化症、帕金森症、双极性情感疾病、创伤性脑损伤、抑郁症、自身免疫疾病、神经 退化性疾病、疼痛、影响中枢神经系统的疾病、或其任意组合。44. 如权利要求34所述的系统，其特征在于所述不同时间序列的分组是与所述传感器中的所有各对传感器相对应的所述时间序列的成对分组，使得所述受试者 脑中各神经群体之中的所述在统计上独立的短暂测量是所述许多传感器中各对传 感器之间的信令的强度及符号的估计值，所述估计值代表所述神经群体之间的成对 相互作用。45. 如权利要求34所述的系统，进一步包括 数据存储器，可以操作方式耦合至所述处理器；以及其中所述处理器被编程用以将所述动态脑模型与代表所述受试者的至少一种 治疗的给药的至少一个数据存储器记录相关联地存储于所述数据存储器中。46. 如权利要求34所述的系统，其特征在于所述受试者数据包括短暂分辨率 为l毫秒的数据。47. 如权利要求34所述的系统，其特征在于所述受试者数据包括代表所述第 一受试者在睁开眼睛的空闲状态期间的神经生理活动的数据。48. 如权利要求47所述的系统，其特征在于代表所述神经生理活动的时间序 列的所述受试者数据包括不到或等于约一分钟的眼睛注视活动。49. 如权利要求34所述的系统，其特征在于所述数据输入端以通信方式耦合 至具有所述许多空间分布的传感器的脑磁图(MEG)仪器，所述脑磁图(MEG) 仪器选自由磁场计与轴向梯度计组成的群组。50. 如权利要求34所述的系统，其特征在于所述处理器被编程用以处理所述 受试者数据，以产生预白化时间序列，所述预白化时间序列具有平均值、方差、及 自相关的平稳性特征。51. 如权利要求50所述的系统，其特征在于所述处理器应用基于自回归积分 移动平均的算法来产生所述预白化时间序列。52. 如权利要求34所述的系统，其特征在于所述处理器被编程用以对所述在 统计上独立的短暂测量的集合执行线性判别分析。53. —种用于分析第一受试者的神经生理活动的系统，所述系统包括 数据输入端，用于接收对应于眼睛注视任务的多个脑活动数据集合，所述多个脑活动数据集合中的每一集合代表由许多空间分布的传感器所收集的神经生理活 动的时间序列，所述传感器被布置用以探测对应受试者的神经信令；以及 处理器，以通信方式耦合至所述数据输入端并被编程用以处理每一脑活动数据集合，以产生对应的神经活动动态模型，所述神经活 动动态模型代表所述第一受试者的各神经群体之间与时间相关的耦合，包括处理所述脑活动数据，以产生预白化时间序列，所述预白化时间序列具 有平均值、方差、及自相关的平稳性特征；计算所述预白化时间序列的成对的部分交互相关，以产生所述许多传感 器中各对传感器之间的信令的强度及符号的估计值，所述估计值代表神经群体的成 对相互作用；对所述部分交互相关执行分类，以产生所述脑活动数据与经证实参考数 据的相关性的测量，所述经证实参考数据对应于多种不同神经生理状态。54. 如权利要求53所述的系统，其特征在于所述多种不同神经生理状态包括 选自由以下组成的群组的至少两种状态正常状态、阿尔茨海默症、失智前期综合 症、轻度认知能力障碍、精神分裂、干燥综合症、酒精中毒、酒精损伤、胎儿酒精 综合症、多发性硬化症、帕金森症、双极性情感疾病、创伤性脑损伤、抑郁症、自 身免疫疾病、神经退化性疾病、疼痛、影响中枢神经系统的疾病、或其任意组合。55. 如权利要求53所述的系统，其特征在于所述处理器被编程用以应用基于 自回归积分移动平均的算法来产生所述预白化时间序列。56. 如权利要求53所述的系统，其特征在于计算所述部分交互相关，以产生 所述许多传感器中各对传感器之间在约50毫秒的时窗内出现的直接短期信令的强 度及符号的估计值。57. 如权利要求53所述的系统，其特征在于计算所述部分交互相关，以产生 所述许多传感器中各对传感器之间实质同步的信令的强度及符号的估计值。58. 如权利要求...

【专利技术属性】
技术研发人员：AP乔治普洛斯，
申请(专利权)人：明尼苏达大学评议会，
类型：发明
国别省市：US[美国]