[发明专利]睡眠和清醒状态的自动检测

说明书

相关申请的交叉引用

本申请要求于2005年5月10日提交的美国临时申请序列号60/679,951的优先权。在先申请的公开被认为是本申请的公开的一部分(并且以引用方式包括在本申请的公开中)。

背景技术

一般通过脑电图或者EEG信号分析睡眠状态和其他大脑活动。随着一个人进入睡眠，大脑活动受到调节，代表着不同深度和阶段的睡眠。对于一般人，睡眠状态随着时间而转变，以称为慢波睡眠(slow wave sleep)或SWS的第一睡眠状态开始。SWS具有低频高能EEG活动。睡眠可以轻松进入至所谓的中间睡眠状态。称为快速眼动睡眠的其他睡眠状态以低能EEG活动为特征。

EEG信号服从以下分布：越高频的信号具有越低的振幅，并且因此具有越低的能量。该所谓的1/f分布表示最大的振幅对应最低的频率。

利用Rechtschaffen-Kales方法常规地分析用于睡眠阶段判断的EEG信号。因为自动化信号分析技术的低能频率限制，该方法可以依赖于对睡眠EEG信号手动地计分(score)。因为由于非常低的振幅，人类计分者一般不可能检测出高频处统计性的显著改变，因而Rechtschaffen-Kales方法可能是非常不可靠的，而且浪费时间。进一步地，Rechtschaffen-Kales方法往往具有差的时间和空间分辨率，不能使得其所有的变化可知，并且导致人工的和自动的计分者的低的用户间符合率。不幸地是，包括人工神经网络分类的可选的睡眠状态判断方法一般依赖于多种渠道，并且往往仿真人类行为，从而增加了判断的时间，而没有显著地提高质量。

发明内容

本申请描述了对表示脑波活动的数据归一化(normalize)，以扩大数据中信息的动态范围。

实施方案解释了利用该信息来自动地判断睡眠状态。描述了其他的应用：自动地评定睡眠质量、病理情况以及药物治疗效果。

附图说明

图1为用于自具有至少一个低能频率范围的源数据来确定低能频率信息的示例性系统的方块图；

图2为示出用于调整源数据的示例性方法的流程图；

图3为示出用于调整源数据以计算随时间变化的频谱上的能量差值的示例性方法的流程图；

图4为用于判断研究对象的睡眠状态信息的示例性系统的方块图；

图5为用于判断研究对象的睡眠状态信息的另一示例性系统的方块图；

图6为用于判断研究对象的睡眠状态的示例性方法的流程图；

图7为用于分类研究对象的睡眠状态的示例性方法的流程图；

图8为用于从睡眠状态判断研究对象的病理情况的示例性系统的方块图；

图9为示出用于根据睡眠状态判断研究对象的病理情况的示例性计算机实施方法的流程图；

图10为用于动态判断研究对象的定制的睡眠计分的示例性系统的方块图；

图11为整个夜间EEG源数据频率能量谱图(frequency powerspectrogram)的屏幕截图；

图12为应用了示例性调整技术之后，图11中所示的示例性的整个夜间EEG源数据的屏幕截图；

图13为图12中所示的示例性调整的整个夜间EEG源数据的2小时时帧(time frame)的屏幕截图；

图14为图12中所示的整个夜间EEG能谱图中高能频带和低能频带的示例性可视化(visualization)的屏幕截图；

图15为图14中所示的整个夜间能谱图中高能频带和低能频带的示例性可视化的2小时和40分钟时帧的屏幕截图；

图16为图12的整个夜间EEG能谱图的示例性五维参数空间可视化的屏幕截图；

图17为图16中所示的整个夜间EEG可视化的示例性五维参数空间可视化的2小时时帧的屏幕截图；

图18为根据EEG能谱图数据的分类的睡眠状态的示例性可视化的屏幕截图；

图19为根据EEG能谱图数据的分类的睡眠状态的另一示例性可视化的屏幕截图；

图20为根据EEG能谱图数据的分类的睡眠状态的再一示例性可视化的屏幕截图；

图21为根据图20的EEG能谱图数据的分类的睡眠状态的示例性可视化的另一优势的屏幕截图；

图22、23、24和25为一段时间内作为表示研究对象的不同睡眠状态的频率加权时程(epoch)的代表的典型能谱的屏幕截图；

图26为表示频率加权时程的典型能谱的屏幕截图，其显示具有不止一个睡眠状态特征的暂时性睡眠状态；

图27为睡眠交错分开程度的示例性可视化的屏幕截图，其区分不同睡眠状态的代表性典型能谱；