CN101272732A - 睡眠和清醒状态的自动检测 - Google Patents

睡眠和清醒状态的自动检测 Download PDF

Info

Publication number
CN101272732A
CN101272732A CNA2006800197210A CN200680019721A CN101272732A CN 101272732 A CN101272732 A CN 101272732A CN A2006800197210 A CNA2006800197210 A CN A2006800197210A CN 200680019721 A CN200680019721 A CN 200680019721A CN 101272732 A CN101272732 A CN 101272732A
Authority
CN
China
Prior art keywords
frequency
time
data
normalization
sleep
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CNA2006800197210A
Other languages
English (en)
Other versions
CN101272732B (zh
Inventor
菲利普·S·罗
特伦斯·J·塞诺夫斯基
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Salk Institute for Biological Studies
Original Assignee
Salk Institute for Biological Studies
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Salk Institute for Biological Studies filed Critical Salk Institute for Biological Studies
Publication of CN101272732A publication Critical patent/CN101272732A/zh
Application granted granted Critical
Publication of CN101272732B publication Critical patent/CN101272732B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4806—Sleep evaluation
    • A61B5/4812—Detecting sleep stages or cycles
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A61B5/372—Analysis of electroencephalograms
    • A61B5/374—Detecting the frequency distribution of signals, e.g. detecting delta, theta, alpha, beta or gamma waves
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4806—Sleep evaluation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/25—Bioelectric electrodes therefor
    • A61B5/279—Bioelectric electrodes therefor specially adapted for particular uses
    • A61B5/291—Bioelectric electrodes therefor specially adapted for particular uses for electroencephalography [EEG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4806—Sleep evaluation
    • A61B5/4815—Sleep quality
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Abstract

由能谱数据判断低能频率范围信息。可以调整原始状态信号数据以增加与更高能频率范围相比的低能频率范围中的能量的动态范围，从而判断对于获得低能频率范围信息有价值的调整的源数据。低能频率范围信息可以用于多种原始状态信号数据的分析。例如，睡眠时期的研究对象的脑电图数据中的低能频率范围信息可以用于判断睡眠状态。类似地，自动的全频能谱脑电图信号分析可以有益于定制的分析，包括评定睡眠质量、检测病理情况以及判断药物对于睡眠状态的影响。

Description

睡眠和清醒状态的自动检测
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；
图28、29、30、31和32为根据一个或更多时程的睡眠状态标志的研究对象的睡眠状态统计的示例性可视化的屏幕截图；
图33为根据EEG能谱图数据对麻醉的猫的分类的麻醉状态的示例性可视化的屏幕截图；
图34为根据EEG能谱图数据对人类研究对象的分类的睡眠状态的示例性可视化的屏幕截图；
图35为可以与所述的技术一起实施的另一示例性方法的流程图，所述方法用于对研究对象的睡眠状态进行分类；
图36为可以与所述的技术一起实施的示例性计算机系统；
图37为独立成份分析的示例性可视化的屏幕截图，该独立成分分析应用于归一化能谱图以进一步判断适当的频率窗口从而提取信息；
图38为整个时间内图37的独立成分的示例性可视化的屏幕截图；
图39为示例性五维参数空间可视化的六个半小时时帧的屏幕截图，该示例性五维参数空间可视化是关于来自具有阿尔茨海默(Alzheimer)病的人类研究对象的整个夜间EEG可视化的频带的；
图40为对鸟的单半球睡眠分类的示例性可视化的屏幕截图；
图41为利用两次归一化的另一实施方案操作的流程图；
图42a-42c分别示出了未处理的能谱图、单次归一化的能谱图以及两次归一化的能谱图；
图43示出了随着时间变化的优选频率；
图44示出了这些频率的图表；
图45示出了数据的三维视图；以及
图46示出了频率的能谱分段(fragmentation)的图。
具体实施方式
本系统的一个重要的认识在于EEG信号中的低频范围通常具有最高的能量，并且因此错误地导致很多研究人员对于该低频范围过度研究。然而，发明人发现这些较低频率中能量增加的一个原因在于颅骨的低通特性。其他原因也可以促成较低频率中能量的增加。
获得的EEG信号为低能频率信号，并且遵从1/f分布，从而信号中的能量与频率成倒数关系，例如，反比例。
一般在称为时程的时间序列增加中即时地检测EEG信号。例如，当EEG信号用于分析睡眠时，可以将睡眠分解成一个或更多的时程以用于分析。利用扫描窗口，可以将时程分解成不同的部分，其中扫描窗口限定时间序列增加的不同部分。扫描窗可以凭借滑动(sliding)窗口移动，其中滑动窗口的部分具有重叠的时间序列顺序。例如，时程可以可选地跨越整个时间序列。
根据本申请，可以监控不同形式的睡眠状态。睡眠状态被描述为任何可以区分的睡眠或者失眠，其代表行为的、身体的或者信号的特征。在该申请中所指的睡眠状态包括慢波睡眠或者SWS、快速眼动睡眠或者REM、还称为中间(inter)或者IS状态的中间睡眠状态、以及清醒状态。清醒状态实际上为睡眠状态的一部分，并且清醒状态可以由失眠描述为专心或者清醒等级。中间睡眠还可以描述为中间-1睡眠和中间-2睡眠。
在获取EEG期间，还可以获得伪迹(artifact)。伪迹是错误表示EEG的数据。例如，记录在EEG上的用户的运动可以是伪迹。示例的伪迹包括肌肉抽动等。
样例1——示例性源数据
在本文所描述的任何实施方案中，可以分析各种源数据，包括脑电图(EEG)数据、心电图(EKG)数据、眼动电图(EOG)数据、肌电图(EMG)数据、局部场电位(LFP)数据、脉冲序列数据、包括声音和压力波的波形数据、以及表现通过数据频谱的各种频率中能量动态范围中的差异的任何数据，例如，1/f分布。源数据可以包括以低能频率存储在源数据中的编码数据。
样例2——从具有至少一个低能频率范围的源数据中判断低能频率信息的示例性系统
图1示出了用于从具有至少一个低能频率范围的源数据中判断低能频率信息的示例性系统100。
获得具有至少一个低能频率范围的源数据102，并输入到软件104中以判断低能频率信息106。
软件104可以使用如本文中所描述的技术的任何组合来判断源数据的低能频率信息106。
以下将详细描述来自具有至少一个低能频率范围的源数据中的低能频率信息。
样例3——调整源数据的示例性方法
图2示出了用于调整源数据的示例性方法200。举例来讲，方法200可以在图1的系统100中实施。
在202，接收具有至少一个低能频率范围的源数据。例如，可以接收研究对象的脑电图源数据。源数据可以通过单个信道或者多个信道接收。
在204，当与第二个较高能频率范围比较时，调整源数据以增加源数据的频谱的至少一个低能频率范围中的能量的动态范围。可以使用本文中所描述的多种调整技术，包括归一化和频率加权。在实施方案中，归一化脑电图源数据以增加与较高能量、较低频率范围数据相对的低能量、较高频率范围数据，或者更一般地使得不同信号部分的能量归一化。
调整完源数据之后，可以进行各种其他处理。例如，可以显示调整的源数据的可视化。进一步地，可以从调整的源数据中提取低能频率信息。例如，可以从调整的脑电图源数据中提取低能频率信息。也可以从调整的源数据中提取较高能量频率信息。
在该样例或其他样例中描述的方法可以是通过一个或更多计算机可读媒介中的计算机可读指令执行的计算机执行方法。所示的任何操作可以在信号处理系统或者任何其他信号数据分析系统中结合软件实施。
样例4——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
图3示出了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。举例来讲，方法300可以在图1的系统100中实施。
在302，接收具有至少一个低能频率范围的源数据。例如，可以接收具有至少一个低能频率范围的脑电图数据。可以从源数据中除去数据中的伪迹。例如，可以经由滤波(例如，DC滤波)或者数据平滑技术，从源数据中手动地清除伪迹数据或者自动地滤除伪迹数据。还可以随着成分分析对源数据进行预处理。
在304，将源数据分解成一个或更多的时程；其中每个时程是序列中数据的一部分。例如，可以通过多种分离技术将源数据分解成多个时间片段。扫描窗口和滑动窗口可用于将源数据分割到时间序列增量中。
在306，针对通过一段时间的一个或更多时程的能量差，归一化一个或更多时程。例如，可以通过一段时间归一化一个或更多频率的每个时程的能量，以判断用于提取信息的适当的频率窗口。该归一化可以揭示低能量、在一个或更多频率(例如，德耳塔(Delta)、伽马(Gamma)等)时能量中统计上的显著上升。可以揭示并使用任何频率范围用于分析。在建立适当的频率窗口之后，可以计算信息用于一个或更多时程中的每个。这样的信息可以包括低频能量(例如Delta能量)、高频能量(例如Gamma能量)、标准偏差、最大振幅(例如，峰值的最大绝对值)以及类别。对于诸如Gamma能量/Delta能量、Delta的时间导数、Gamma能量/Delta能量的时间导数等的一个或多个时程产生信息中的每一个，可对于计算出的信息进行进一步的计算。可以在之前的并连续的时程内计算时间导数。在计算信息之后，接着通过一个或更多时程可以归一化信息。可以使用多种数据归一化技术，包括z计分(z-score)处理和其他类似的技术。
在308，调整源数据以计算随时间变化的频谱中能量差的结果可以作为数据的一个或更多时程而出现。例如，频率加权时程可以作为调整的源数据而出现。
样例5——判断睡眠状态的示例性系统
用于研究对象的信息
图4为用于判断研究对象的睡眠状态信息的示例性系统400的方块图。获得研究对象的脑电图数据402，并且输入到软件404以判断研究对象的睡眠状态406。
软件404可以使用例如本文中所述的技术的任何组合来判断研究对象的睡眠状态信息406。
以下将详细描述判断研究对象的睡眠状态信息的方法。
样例6——判断研究对象的睡眠状态信息的另一示例性系统
图5示出了用于判断研究对象的睡眠状态信息的另一示例性系统500。
获得研究对象的脑电图数据，并输入分解器(segmenter)504以将数据分解成一个或更多时程。实际上，时程长度类似(例如，相同)。每个长度可以通过一个可配置参数进行调整。将一个或更多时程依次地输入规范器(normalizer)506以使得通过一段时间的一个或更多时程中的数据归一化，从而使得脑电图数据的一个或更多时程被频率加权。接着将一个或更多频率加权时程输入到分类器508中以将数据分类为睡眠状态，从而产生研究对象的睡眠状态信息510。
以下将详细描述判断研究对象的睡眠状态信息的方法。
样例7——判断研究对象的睡眠状态的示例性方法
图6示出了用于判断研究对象的睡眠状态的示例性方法600。例如，方法600可以在图5的系统500或图4的系统400中实施。
在602，接收研究对象的脑电图(EEG)数据。例如，可以接收一种脑电图数据，与频谱中的第二频率范围相比，其在频谱的至少一个低能第一频率范围中的能量上展现出更低的动态范围。
在604，将研究对象的脑电图数据分解成一个或更多时程。例如，可以通过多种分离技术将EEG数据分解成一个或更多时程。扫描窗口和滑动窗口可以用于将EEG数据分割成一个或更多时程。还可以在分解期间、分解之前或分解之后，通过直流电流来过滤源数据。还可以随着成份分析(例如，成份或独立成份分析)，对源数据进行预先处理。
图11为研究对象的整个夜间EEG源数据频率能量谱图的屏幕截图，其在3个秒时程中以1秒增量进行分割。能量范围以阴影表示，其中白色阴影区域比黑色阴影区域中的能量高。因此，在整个夜间EEG数据中较高频率(例如，Gamma)比较低频率(例如，Delta、Theta等)具有更低的能量。
在606，对一段时间内的一个或更多时程的频率能量进行加权。例如，可以归一化一段时间内的一个或更多频率的每个时程的能量，以判断出适当的频率窗口进行信息提取。这样的归一化可以揭示低能量、在一个或更多频率(例如，Delta、Gamma等)的能量中统计上的显著上升。此外，可以由在一段时间内具有最高相对能量的频率表示每个时程，以判断出适当的频率窗口进行信息提取。可选地，可以在归一化之后，使用成份分析(例如，主成份分析(PCA)或独立成份分析(ICA))以判断用于提取信息的适当的频率窗口。例如，图37和38为在归一化之后使用的成份分析的屏幕截图，从而表明滤波(例如，屏幕截图3700)并表达出整个时间内的独立成份(例如，屏幕截图3800)。可以揭示并使用任何频率范围用于分析。
在建立适当的频率窗口之后(例如，在加权频率之后)，可以为一个或更多的时程计算信息。这样的信息可以包括低频能量(例如Delta能量)、高频能量(例如Gamma能量)、标准偏差、最大振幅(例如，峰值的最大绝对值)以及类别。对于诸如Gamma能量/Delta能量、Delta的时间导数、Gamma能量/Delta能量的时间导数等的一个或多个时程中的每一个，可以对于计算出来的数据进行进一步的计算。可以在之前的且连续的时程内计算时间导数。在计算信息之后，接着可以通过一个或更多时程将信息归一化。可以使用多种数据归一化技术，包括z计分处理和其他类似的技术。
图12是对一个或更多时程的示例性频率能量在一段时间内进行加权之后，图11中所示的示例性的整个夜间EEG源数据的屏幕截图。现在较高的频率数据更加清楚地可见。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小时时帧的屏幕截图。图14为图12中所示的整个夜间EEG能谱图中的高能频带(例如，Gamma)和低能频带(例如，Delta)的示例性可视化的屏幕截图。图15为图14中所示的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。在加权频率之后，5个参数(例如，变量)是针对一个或更多时程中的每一个而计算的信息。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。
在608，根据一个或更多频率加权时程，对研究对象的睡眠状态进行分类。例如，可以通过任何多种聚类(clustering)技术对一个或更多的频率加权时程进行聚类，包括k-均值聚类。可以对由时程计算出的信息(Delta能量、Gamma能量、标准偏差、最大振幅(Gamma/Delta)、Delta的时间导数、(Gamma/Delta)的时间导数、以及类别)进行聚类。成份分析(例如，PCA或者ICA)可以用于判断聚类中的参数空间(例如，使用的信息的类型)。
聚类之后，睡眠状态指示分配给时程。睡眠状态指派时程接着可以表示时程代表的时间周期中研究对象的睡眠状态。分类还可以包括手动判断的睡眠状态(例如，手动判断的“清醒”与“入睡”睡眠状态)。此外，在分类中可以使用伪迹信息(例如，运动数据、差的信号数据等)。
样例8——示例性睡眠状态分类技术
可以根据时程表示的睡眠状态对时程进行分类。可以根据基于高频信息、低频信息或者同时基于高频信息和低频信息的归一化变量(例如，针对时程计算的信息)，对时程进行分类。例如，REM睡眠状态时程可以在更高频率时具有比SWS相对更高的能量，以及在更低频率时具有比SWS相对更低的能量。类似地，SWS睡眠状态时程可以在更高频率时具有比REM相对更低的能量，以及在更低频率时具有比REM相对更高的能量。此外，起初分类为NREM和NSWS睡眠的时程(例如，在较高频率和较低频率时均有由相对低能量的时程)可以归类为中间睡眠，而分类为REM和SWS睡眠的时程(例如，在较高和较低频率时均具有相对高能量的时程)可以归类为异常(outlier)。进一步地，起初分类为NREM和NSWS睡眠的时程可以归类为中间阶段I睡眠，而起初分类为REM和SWS睡眠的时程可以归类为中间阶段II睡眠。此外，可以在分类中使得睡眠状态分离以寻找主轴(spindle)、k-复数(complexe)以及其他元素。根据分类明细的增加等级，起初分类为一种睡眠状态的任何一组时程可以分离成多个子类型的睡眠状态。例如，归类为SWS的一组时程可以再次分类为两种不同类型的SWS。
样例9——示例性伪迹分类技术
可以在睡眠状态分类中使用伪迹数据(例如，运动数据、差的信号数据等)。例如，可以使用伪迹来分析因为临近的伪迹数据而是否应该为起初已被指派睡眠状态标识的时程重新分配新的睡眠状态标识。例如，具有之前的运动伪迹或清醒时程的被指定了REM的睡眠状态标识的时程可以被重新分配有清醒睡眠状态标识。进一步地，例如，具有随后的SWS时程的伪迹时程可以被重新分配有SWS的睡眠状态标识，因为更加可能的是，该时程表示大的SWS睡眠时程，而不是在清醒期间更普通的大的运动伪迹。例如，利用这种方式，可以在数据平滑技术中使用伪迹数据。
样例10——示例性平滑技术
可以在睡眠状态的赋值期间使用任何类型的数据平滑技术。例如，可以使用数字(例如，0和1)来表示指定的睡眠状态。可以对邻近时程的睡眠状态标识数字求平均以判断时程中的一个是否精确地被赋值了一个睡眠状态标识。例如，从SWS-NSWS-SWS(以及REW-NREW-REW)的陡跳在睡眠数据中是少见的。因此，一组时程应该分配有表示睡眠状态中陡跳的睡眠状态标识，可以使用平滑技术来提高赋值的精确度。
例如，在0表示SWS、1表示NSWS、并且随后的睡眠状态标识表示5个邻近时程00100的方案中，那么5个睡眠状态的平均值应该为0.2。在该情况中，起初赋值为1(SWS)的睡眠标识的中间时程应该重新指定为赋值为0(NSWS)的睡眠状态标识。对于与NREM相反的REM，可以使用相同的技术，在REW中，判断用于相同5个邻近时程的第二组睡眠标识。例如，1可以表示REM，0可以表示NREM，以及随后的标识可以用于5个邻接的时程00100。再一次，5个睡眠状态的平均值可以为0.2。再一次，起初赋值为1(REM)标识的中间时程可以重新赋值为0(NREM)的睡眠状态标识。该平滑技术可以提高分配睡眠状态标识的精度。
样例11——对研究对象的睡眠状态进行分类的示例性方法
图7示出了用于分类研究对象的睡眠状态的示例性方法700的流程图。例如，方法700可以在图5的系统500、图4的系统400或者方法600的分类608中实施。
在702，接收一个或更多的频率加权时程。例如，可以接收自方法600的加权606中判断出的频率加权时程。
在704，聚类一个或更多频率加权时程。例如，可以通过包括k-均值聚类的任何类型的聚类技术聚类一个或更多的频率加权时程。可以对由时程计算出的信息(Delta能量、Gamma能量、标准偏差、最大振幅(Gamma/Delta)、Delta的时间导数、Gamma/Delta的时间导数()、以及类别)进行聚类。在图18和19中示出了聚类的睡眠状态的示例性可视化。图18示出了经由Delta、Gamma/Delta、以及Delta的时间导数的聚类的时程。以该方式，REM类的时程形成可视的矛形指针形状。图19示出了经由Delta、Gamma/Delta、以及(Gamma/Delta)的时间导数的聚类的时程。以该方式，SWS类时程形成了可视的矛形指针形状。在图20和21中示出了聚类的睡眠状态的另外的示例性可视化，其中，利用通过主成份分析形成的参数(例如，变量)进行聚类。
在步骤706时，对一个或更多聚类的频率加权时程分配睡眠状态标识。例如，低频时具有相对显著的能量的时程可以分配有慢波睡眠标识，而高频时具有相对显著能量的时程可以分配有快速眼动睡眠标识。例如，REM睡眠与SWS相比可以具有更高的Gamma/Delta和更高的Gamma/Delta的时间导数的绝对值，而SWS与REM睡眠相比可以具有更高的Delta和Delta的时间导数的更高的绝对值。进一步地，例如，标准偏差可以用于指派睡眠状态标识。对相同的时程分配慢波睡眠标识和快速眼动睡眠标识是可能的。在该情况下，可以对时程重新指派异常中间阶段II睡眠或异常的新的睡眠状态标识。可选地，可以对时程指派非慢波睡眠标识和非快速眼动睡眠标识。在这种情况下，可以对时程重新指派中间阶段I睡眠或中间睡眠的新的睡眠标识。例如，当通过以Delta和参数空间Delta、Gamma/Delta、Delta导数的绝对值、Gamma/Delta导数的绝对值、以及可选的标准偏差来将其划分而表达高频时，那么中间睡眠标识可以是REM和SWS的交集，而异常标识可以是REM和SWS的交集。可选地，例如，如果单独的Delta或者具有标准偏差的Delta用于自NSWS中判断SWS，并且单独的Gamma或者具有标准偏差的Gamma用于自NREM中判断REM，那么中间阶段I睡眠标识可以是NREM和NSWS之间的交集，而中间阶段II睡眠标识可以是REM和SWS之间的交集。在指派睡眠状态期间，可以使用任何种类的数据平滑技术。在睡眠状态指派期间还可以使用伪迹数据。
在708，睡眠状态标识是一个或更多时程所代表的时间周期内的睡眠状态的代表。睡眠状态可以表示通过一段时间统计的睡眠形式。例如，图28、29、30、31和32描述了作为时间函数的睡眠状态指派时程的睡眠统计的代表。例如，在图28中，屏幕截图2800以研究对象的夜间脑电图数据期间每小时的每个睡眠类型的百分比描述了睡眠状态密度。在图29中，屏幕截图2900描述了每小时内每个睡眠阶段的平均事件长度。图30中，屏幕截图3000描述了每小时内每个睡眠阶段的多个事件。在图31中，屏幕截图3100描述了每小时内连续REM睡眠状态间隙之间的平均时间间隙。在图32，屏幕截图3200描述了整个夜间的阶段转换。
另外，一个或更多频率加权时程可以表示成代表由具有类似睡眠状态标识的一个或更多的时程所代表的时间周期内的研究对象的睡眠状态的规范能谱。例如，可以选择标记成具有相同睡眠状态标识的一组时程中间中的时程，并且其能谱被表示成代表睡眠状态的规范能谱。可选地，可以选择具有最接近于具有类似睡眠状态的一个或更多时程的平均加权能量的加权能量的时程，并且其能谱被表示成代表睡眠状态的规范能谱。例如，图22、23、24、25和26为基于EEG能谱数据分析的研究对象的各种睡眠状态的时程的示例性可视化的屏幕截图(例如，屏幕截图2200为SWS，屏幕截图2300为REM睡眠，屏幕截图2400为中间睡眠，屏幕截图2500为清醒，以及屏幕截图2600为过渡(transient))。
另外，睡眠状态标识可以表示为连续-手动计分的函数，并且可以出现品质测量(例如，睡眠状态标识分离统计包括单个变量和多变量的单向ANOVA、用于睡眠密度的每个阶段的回归系数、事件数量、平均事件长度、循环时间等)。图27中示出了出现的品质测量的示例性可视化。屏幕截图2700描述了睡眠阶段分离的程度的示例性可视化，其区分了不同睡眠状态的代表性规范能谱。例如，可以通过将ICA用于出现的每个睡眠状态的平均能谱或规范能谱而将独立成分分析(ICA)用于在出现的睡眠状态中确立睡眠状态阶段分离的质量。任何种类的分类技术可以用于判断最初的睡眠阶段分类的质量。
样例12——从睡眠状态判断研究对象的病理情况的示例性系统
图8示出了用于从睡眠状态判断研究对象的病理情况的示例性系统800。
获得对象的脑电图数据802，并输入到睡眠状态分析器804以判断对象的病理情况806。
以下将更加详细描述从由研究对象表现的睡眠状态中判断研究对象的病理情况，如从分析的脑电图数据中判断的。
样例13——自睡眠状态中判断研究对象的病理情况的示例性计算机-实施方法
图9为示出用于从睡眠状态判断研究对象的病理情况的计算机-实施方法900。计算机-实施方法900可以在图8的系统800中使用。
在902，接收研究对象的脑电图数据。例如，可以接收一种脑电图数据，该数据与频谱中的第二频率范围中的数据相比，表现出在频谱的至少一个低能第一频率范围中具有较低的动态范围。
在904，脑电图数据随着频率分析而分析。例如，频率分析可以是方法200的调整204。
在906，根据频率分析指派研究对象的睡眠状态。例如，可以使用对图7的睡眠状态进行分类的方法700来指派研究对象的睡眠状态。
在908，可以根据睡眠状态检测研究对象的病理情况。例如，对于个体可以获得睡眠状态，并且进行分析以判断睡眠状态代表正常睡眠还是非正常睡眠。非正常睡眠可以表示病理情况。例如，可以自具有病理情况的个体获得睡眠状态，并进行分析，以共同地作用以产生示例性的特别的“病理情况”睡眠状态概图和/或代表具有病理情况的睡眠状态统计。这样的概图或统计可以比较于为研究对象判断的睡眠状态，以检测研究对象是否具有病理情况或者病理情况的任何早期指示。可以检测和/或分析任何种类的病理情况。例如，睡眠相关的病理情况可以包括癫痫症、阿尔茨海默疾病、抑郁症、脑损伤、失眠症、多动腿综合征以及睡眠呼吸暂停。例如，睡眠检测中，具有阿尔茨海默病的研究对象可以表现出与他们的痴呆程度相称的减慢的快速眼动睡眠。
样例14——动态判断研究对象的定制的睡眠计分的示例性系统
图10示出了用于动态判断研究对象的定制的睡眠计分的示例性系统。
数据收集器1002可以在睡眠时期中获得研究对象的脑电图数据。
数据规范器1004可以存取脑电图数据以判断低能频率信息。
数据呈现器(data presenter)1006可以至少基于低能频率信息呈现研究对象的睡眠状态。
本文中描述了用于动态判断研究对象的定制的睡眠计分的方法，包括图5的方法500、图6的方法600以及图7的方法700。
样例15——示例性病理情况
在本文所描述的任何技术中，可以从获得的用于研究对象的源数据中判断各种病理情况。例如，可以从获得的用于研究对象的源数据中判断出的睡眠状态判断的病理情况为抑郁症、脑损伤、癫痫症以及阿尔茨海默疾病。例如，图39为本文中所描述的技术应用的屏幕截图3900，其从具有阿尔茨海默疾病的人类研究对象的整个夜间EEG中判断表示阿尔茨海默疾病的特征的睡眠状态。
样例16——可以影响睡眠的示例性药物和化学药品
在本文所描述的任何技术中，可以通过分析获得的用于研究对象的源数据来判断药物和化学药品对研究对象的睡眠状态的影响。例如，可以通过使用酒精、尼古丁以及可卡因而改变睡眠状态。影响睡眠的示例性药物包括类固醇、茶碱、减充血剂、地西泮、抗抑郁剂、单胺氧化酶抑制剂(例如，苯乙肼和吗氯贝胺)、选择性5-羟色胺再摄取抑制剂(例如，氟西汀(以
Figure A20068001972100221
命名))以及舍曲林(Sertralie)(以
Figure A20068001972100222
命名)、甲状腺素、口服避孕丸、抗高血压药、抗组胺剂、安定药、苯丙胺、巴比妥酸盐、麻醉剂等。
样例17——示例性睡眠统计
在本文所述的任何技术中，可以自调整的源数据中产生任何类型的统计。例如，可以自已经分类成睡眠状态的调整的源EEG数据中产生睡眠统计。示例性睡眠统计可以包括信息，该信息包括睡眠阶段密度、睡眠阶段事件数量、睡眠阶段平均持续时间、循环时间、睡眠阶段之间的间隙时间、睡眠阶段分离统计、睡眠发作、快速眼动睡眠反应时间、趋势的回归系数、趋势的统计重要性的测量等。
样例18——一段时间内判断研究对象的睡眠状态的方法的示例性实施例
睡眠在动物王国的所有主要分类群中常见并可能普遍存在，但是未理解。在各种低级精神生理感知和运动任务方面，人类的研究证据增加，睡眠帮助纠正行为损失，在随后的任务认知中可以观察到(Karni等人，1994年；Mednick等人，2002年；Mednick等人，2003年；Fenn等人，2003年)。动物研究可以提供睡眠期间“重新播放(replay)”的证据，其可以是包括在行为巩固中的睡眠过程的中心成分。
最近，已经看出，在睡眠期间，斑胸草雀(taeniopygia guttata)的古纹状体粗核(RA)神经元、叫声系统本能地练习叫声模式，并回应播放的鸟自己的叫声(Dave & Margoliash，2000)。在斑胸草雀叫声形成期间，在受到新声音材料的辅导(Tchernichovski等人，2001)影响的日子，幼鸟开始改变叫声模式。可是幼鸟的叫声学习或者成年鸟的叫声维持要求在睡眠中进行或者从睡眠中获益没有决定性的证据。
叫声学习或维持中的睡眠的可能的作用研究受到雀形目鸟的睡眠状态局限知识的阻碍。之前的研究还没有报道斑胸草雀的睡眠的不同阶段(Nick & Konishi，2002年；Hahnloser等人，2002年)。相反，对于其他鸟类的研究已经报告了在此门类(phylum)中REM睡眠，其它鸟类包括雀形目鸟(Ayala-Guerrero等人，1988年；Rattenborg等人，2004年)。此外，在大鼠睡眠的不同阶段，已知海马中发生了不同模型的神经元重放(Buzsaki，1989年；Wilson & McNaughton，1994年；Louie & Wilson，2001年)。因此，对斑胸雀鸟的睡眠阶段进行了研究。
为了确定电极的类型、装置和位置，首先操作利用尿烷(20％，大约901.11超过1hr)麻醉的鸟的一系列精确试验。利用触碰硬脑膜的不同配对厚度的铂电极(A-M系统，WA)，获得通过信号的振幅和稳定性判断出的最佳EEG记录，其中另一接地电极触碰小脑。记录和接地电极的立体定位坐标分别为：(1.5R，3L)、(3R，2L)以及(0.5C，0L)。
接着麻醉5只鸟，并将3mm长L形铂电极植入在前述位置，其中电极末端的2mm正切于沿着内-外侧轴的硬脑膜。电极电阻为0.15欧姆。为了进入单半球睡眠，3只鸟被植入双面EEG电极。利用牙医用丙烯酸(dentalacrylic)将电极紧固在它们的底部，并利用细的铜线(A-M系统，WA)连接至头部连接器。给鸟3天时间来从手术中恢复过来，并熟悉记录的环境。
记录期间，用光缆将鸟的头部连接在汞转接器(Drangonfly公司，WV)。因为已知抑制-诱导压力修改睡眠结构(Altman等人，1972年)，允许笼中的鸟相对自由活动的此装置优选地对动物进行控制。在16∶8的亮/暗循环的暗阶段，组合睡眠状态的鸟的直接观察和电生理学记录。鸟处于红外光下，并利用IR电视摄像机(Ikegama，日本)监控。放置于关键位置的镜子有利于眼睛、头部和身体运动的检测。EEG扩大1K，以1kHz进行采样并且以1-100Hz过滤。表现出低频伪迹的一只鸟中，以2-100Hz过滤数据。还使用60Hz陷波滤波器来提高信号-噪声比。
为了建立数据分析的高可信度，数据被手动计分的同时还被自动计分。手动计分依赖于3秒钟EEG时程的视觉检查，同时计分明显的行为，例如，眼睛、头部和身体运动。手动计分将每个时程分类为包括伪迹的REM、NREM(non-REM)或者清醒。自动计分受限于睡眠数据。使用用于单通道EEG数据的阶段分离和量化的睡眠参数EEG自动识别系统(SPEARS)。EEG下行采样至200Hz，进行直流滤波，并且利用1秒滑动窗口在3秒钟时程上对其分析，以结合高能谱、时间和统计分辨率。为了最小化能谱泄露并增加频域中的统计分辨率，利用标准的多锥形估算技术(Thomson，1982)在2直角锥形中计算EEG能谱。
选择1-4Hz(Delta)和30-55Hz(Gamma)频带用于阶段分类。Delta和Gamma/Delta分别用于将SWS从NSWS(非SWS)中分离出来，以及将REM从NREM中分离出来。分离利用k-均值聚类算法进行，并且受到包含其他变量的限制：标准偏差和Delta的时间导数的绝对值以及(Gamma/Delta)的时间导数的绝对值。对于每个时程，利用Matlab“gradient”函数在之前和后续时程上计算时间导数。在伪迹自由睡眠数据上进行初始分离。之后，睡眠伪迹贡献与立即跟随其的第一非伪迹时程相同的计分，除非其是清醒时程，在该情况下，睡眠伪迹被给出第一之前伪迹自由时程的计分(其不会是清醒时程，否则，伪迹将会通过人工计分标记为清醒伪迹)。该惯例并不显著地降低与手动计分的相符率(表1)。包括睡眠伪迹是重要的，因为去除或者不对它们计分会分别缩短或者破坏睡眠时间，并且从而改变计算出的密度、时间的平均数量以及每个阶段的长度。
起初的分离之后，利用5秒窗口平滑每个时程的计分，以通过简化伪迹而最小化计分的瑕疵，该伪迹可能不被人工计分隔离。未被计分为REM或者SWS的时程可以标记为中间(INTER)。相反，标记为属于REM和SWS的任何时程可以标记为异常。在数据中具有非常少的异常(表1)。
REM、SWS和中间时程可以显示在三维空间(图20-21)中，三维空间受到由Delta、Gamma/Delta、标准偏差以及Delta的导数和Gamma/Delta的导数确定的五维空间(图16-17)的主要元素的限定。对于每只鸟，针对REM、SWS和中间阶段的分离，五维聚类空间的多元ANOVA产生出P＜0.001。
利用MATLAB“silhouette”函数，自动地产生用于SWS、REM、中间以及清醒时程的最具代表性的样例(图22、23、24、25以及26)。
通过仅仅作为误差而进行的人工或自动计分而将每个时程分类计分为REM，计算人工和自动计分之间的符合。给定人工和自动计分的高的时间分辨率(表1)，一般的相符率是很高的。
根据自动分析，计算阶段密度(图28)、平均事件数量(图30)以及持续时间(图29)、inter-REM间隙(图31)和阶段转换(图32)(表1)。所有的分析在Matlab(Mathworks公司，MA)中进行。
表1.5只鸟的5个夜晚的阶段统计
判断阶段密度、平均事件持续时间和数量以及阶段转换。示出了从每个阶段出来向中间阶段转换的百分比以及从中间阶段出来向其他阶段转换的百分比。对于双半球被植入的鸟(动物1-3)，记录单半球睡眠，并且利用通过EEG和视频的视觉检查以及异常的出现而确定的最稳定的数据，计算大脑半球的其他统计数据。通过每小时的阶段密度和inter-REM间隙计算回归系数，并反映SWS和REM的生理周期分布(*＝[r2＞0.5以及p＜0.05]，§＝[r2＞0.5以及p＝0.05]，￡为计算的2-8个小时的值，ξ为计算的1-7个小时的值)。利用伪迹干扰以及不用伪迹干扰判断自动和人工计分之间的符合率。
Figure A20068001972100261
Figure A20068001972100271
记录的分析表示斑胸雀鸟表现睡眠的至少三个明显阶段：SWS、REM以及中间睡眠。SWS的高振幅EEG信号在Delta范围具有很大的能量(图14-17)。REM的特征在于具有非常低振幅的“类似于清醒”的EEG信号(图23)，典型地为大约±30微伏，在Gamma(图14和15)范围能量比NREM更高，其为发展到现在仅仅在哺乳动物中检查到的特征(Maloney等人，1997年；Cantero等人，2004年)。中间时程具有高变化量的振幅，中心大约为±50微伏并且在Delta和Gamma范围都不具有较大的能量(图14、15和24)。之前，中间阶段已经在哺乳动物中观察到(Gottesmann等人，1984年；Glin等人，1991年；Kirov & Moyanova，2002年)。鸟的正常生理节奏模式和移动的生理节奏表展示了这三种睡眠阶段。
在夜晚早期，SWS时程比REM和中间事件长，遵循哺乳动物般的分布，SWS时程将在整个夜晚在持续时间上减少(图29)，导致阶段密度全面下降(图28)(表1)。
在NREM期间，鸟规律地缓慢呼吸；眼睛和头部运动不遵循立体模式，并且与REM中的模式明显不同。当一只眼睛睁开另一只闭合时，发明人观察了几种情况。睁开的眼睛的半球对侧表现出低振幅和高频EEG，而闭合眼睛的半球对侧表现出SWS振荡。单半球睡眠的这些情况一般说明少于5％的暗循环(表1)，并且在亮循环中更加频繁。之前，单半球睡眠的这样的模式已经在其他品种的鸟类、鲸类以及其他海生哺乳动物中检查到(Mukhametov等人，1984年；Mukhametov，1987年；Szymczak等人，1996年；Rattenborg等人，1999年；Lyamin等人，2002年)。
夜晚早期时，REM时程一般比较简短，并且随着时程数量的增加(图30)在整个夜晚将会变得更长(图29)，使得inter-REM间隙在整个夜晚表现出下降的“哺乳动物般的”趋势(图31)(表1)。如其他物种中所见(Siegel等人，1999年)，REM在眼睛和微妙的头部抽搐运动时稳定地发生。眼动为每秒钟眨动一次的量级。头部运动不是如此稳定，但是当出现时趋向于追随眼动方向的运动。在REM颈部肌肉张弛期间，头部运动不是由连接的光缆重量导致的头部移动的结果，因为头部运动结合不受影响并解下束缚的动物的眼动而被观察。
中间时程简短而数量众多。根据密度(图28)、平均时程持续时间(图29)以及每小时事件的平均数量(图30)，在整个夜间，中间状态一般比REM和SWS更加稳定。对于哺乳动物的情况，中间阶段始终充当但并不限于SWS和REM之间的转换状态(图32)(表1)。
对于所有鸟，在NREM时检测到持续大约500毫秒的大的峰值-峰值转换(图26)。这些信号使人想起哺乳动物K-复数的描述(Rowan和Tolunsky，2003年)。之前，从未在非哺乳动物物种中观察到K-复数。
在之前对于斑胸雀鸟睡眠EEG的研究中，仅仅报道了SWS。除了发现植入EEG电极的适当位置之外，该项研究成功地检测NSWS(REM和中间阶段)，大概因为持续记录的装置的性质不会限制动物，并且消除了对于诱导睡眠的药理学剂例如褪黑素的需要。在一个研究中(Mintz等人，1998年)，给予褪黑素来诱导鸽子的SWS。对于斑胸雀鸟，很可能褪黑素具有类似的效果，因此，减少了夜间可观察到的NSWS的数量(Hahnloser等人，2002年)。
数据分析技术实现了处于较低能量、高频率的能量的分辨变化，对于REM睡眠检测，其是关键性区别因素。此外，自动分析将人工计分和伪迹限于清醒状态和伪迹，对于人类计分员而言其易于检测。另外，自动EEG计分依赖于整个夜间统计(Gervasoni等人)而不是任意限定的门限、极大似然方法或者辅助的非线性分类器，所有这些趋向于对数据分析反应并对其强加人类的偏见。
结果表明，哺乳动物般的睡眠特征在哺乳动物和鸟类中一起得到发展。本文中描述的Delta和Gamma能量活动之间的中间数据的基本模型(图14和15)非常类似于睡眠期间在哺乳动物脑皮层中观察到的模型(Destexhe，Contreras & Steriade，1999)。此外，发明人观察到的一些信号特别地归因于哺乳动物脑皮层(Amzica & Steriade，1998)。然而，鸟类缺乏大的薄片状的脑皮层，使得对于哺乳动物般的睡眠特性的发展，脑皮层可以是最充分的但不是必需的。相反，可以想象，鸟类确实拥有以非薄片状形式的哺乳动物脑皮层同源器官(Karten，1997)。需要在细胞和分子水平的进一步工作，以评定这些让人非常感兴趣的可能性中的哪些证明是正确的。
参考引用：
Altman et al.Psychon.Sci.26(1972)，pp.152-154。Amzica & Steriade.Neuroscience.1998 Feb；82(3)：671-86。Ayala-Guerrero et al.Physiol Behav.1988；43(5)：585-9。Buzsaki.Neuroscience.1989；31(3)：551-70。
Cantero et al.Neuroimage.2004 Jul；22(3)：1271-80。
Dave & Margoliash.Science.2000 Oct 27；290(5492)：812-6。Destexhe，Contreras & Steriade.1999 Jun 1；19(11).4595-608。Fenn et al.Nature.2003Oct 9；425 (6958)：614-6。Gervasoni et al.J Neurosci.2004 Dec 8；24(49)：11137-47。Glin et al.Physiol Behav.1991 Nov；50(5)：951-3。Gottesmann et al.J Physiol(Paris).1984；79(5)：365-72。
Hahnloser et al.Nature.2002 Scp5；419(6902)：65-70。Kami et al.Science.1994 Jul 29；265(5172)：679-682。
Karten.Proc Natl Acad Sci USA.1997 Apr1；94(7)：2800-4。Khazipovet al.Society for Neuroscience Abstracts 2004。Kirov & Moyanova.NeurosciLett.2002 Apr 5；322(2)：134-6。Louie & Wilson.Neuron.2001 Jan；29(1)：145-56。Lyamin et al.Behav Brain Res.2002 Feb 1；129(1-2)：125-9。Maloney et al.Neuroscience.1997 Jan；76(2)：541-55。Mednick et al.NatNeurosci.2002 Jul；5(7)：677-81 Mednick et al.Nat Neurosci.2003Jul；6(7)：697-8。Mintz et al.Neurosci Lett.1998 Dec 18；258(2)：61-4。
Mukhametov et al.Zh Vyssh New Deiat Im IP Pavlova.1984 Mar-Apr；34(2)：259-64。
Mukhametov.Neurosci Lett.1987 Aug 18；79(1-2)：128-32。
Nick & Konishi.Proc Natl Acad Sci USA.2001 Nov 20；98(24).14012-6。
Rattenborg et al.Behav Brain Res.1999 Nov 15；105(2)：163-72。Rattenborg et al.PLoS Biol. 2004 Jul；2(7)：E212。
Rowan & Tolusnky.″Primer of EEG″。Butterworth Heinemann.ElsevierScience 2003。
Siegel et al.Neuroscience.1999；91(1)：391-400。
Szymczak et al.Physiol Behav.1993 Jun；53(6).1201-10。Szymczak et al.Physiol Behav.1996 Oct；60(4)：1115-20。Tchernichovski et al.Science.2001。
Mar 30；291(5513)：2564-9。Thomson，Proceedings of the IEEE，Vol.70(1982)，pp.1055-1096。Wilson & McNaughton.Science.1993 Aug 20；261(5124)：1055-8。
样例19——判断一段时间内研究对象的睡眠状态的示例性方法
图35示出了判断一段时间内研究对象的睡眠状态的再一示例性方法3500。方法3500包括本文中所述的各种技术。
样例20——示例性变换技术
多种数据变换方法用于信号处理中以判断时间序列数据中各种频率的能量。如本文中所述，变换方法可以包括多锥形变换、傅立叶变换、小波变换。对于代表源信号中多个时间序列或时程的许多频率，可以使用用于测量能量的任何其他变换方法。
样例21——用于不同数据组的示例性计算方法
存在多种用于计算信号处理中的聚类和分类方法，以将数据区分为不同类别。如本文中所述，使用的聚类方法为k-均值聚类，但是可以使用用于区分数据组的任何计算信号处理方法。类似地，如本文中所述，使用诸如成分分析(例如，主成分分析和独立成分分析)的分类方法。
以下提供计算方法的概述。
聚类(或聚类分析)为一种无人监管行为，其中类别预先未知，并且目标就是在数据中发现这些类别。例如，利用基因表达概图的新肿瘤类别的标识是无人监管认知形式。
分类(或类别预测)是一种监管认知方法，其中类别被预先确定，并且目标就是自一组标记的对象中理解分类的基础，以及构建未来将要标记的观察值的预测值。例如，将恶性肿瘤分类成已知的类别是监管认知形式。
聚类
聚类包括几个不同步骤：
调节研究对象之间的适当距离。
选择应用一种聚类算法。
聚类程序一般有两类：分级方法和分拆方法。分级方法可以是分离的(顶部-向下)或者聚集的(底部-向上)。分级聚类方法产生了树形或系统树图。分级方法提供了自最小值开始至最大集合的簇(cluster)的分层，其中所有对象处于一个簇中，每个观察值处于其自身的簇中。
分拆方法通常要求簇数量的说明。那么，必须判断用于将研究对象分拆成簇的机构。这些方法将数据拆分成预定数目k个的互斥的并且完全的组。该方法重复地将观察值重新指派给簇，直到达到某些标准(例如，最小化簇中的平方和)。分拆方法包括k-均值聚类、围绕中心点划分(Partitioning around medoids，简称为PAM)、自组织映射(self organizingmaps，简称为SOM)以及基于模型的聚类(model-based clustering)。
用于实际中的大部分方法是聚集的分级方法，大部分因为生效的严格算法的可用性。然而，两种聚类方法都具有其优势和劣势。分级优势包括快速计算，至少对于聚集的聚类方法如此，劣势包括其是刚性的并且对于早先在该方法中造成的错误决定不能够进行修正。分拆优势包括这样的方法可以提供(近似)满足最优性标准的簇，而劣势包括需要初始的k值，并且该方法会耗费长的计算时间。
总之，聚类是一个比分类更加困难的问题，因为下列原因：
不具有标记的观察值的认知集合。
组的数量通常未知。
无疑，必须已经选择用于聚类方法的距离测量和相关特征。
分类：
可以使用包括统计学、机器认知以及心理学测试的技术。分类器的例子包括罗吉斯回归(logistic regression)、判别式分析(线性和二次)、主成分分析(PCA)、最邻近分类器(k-最邻近)、分类和回归树(CART)、用于微点阵的预测分析、神经网络和多项式对数线性模型(neural networks andmultinomial log-linear models)、支撑向量机(support vector machine)、集合分类器(包型结构(bagging)、增强型结构(boosting)、森林型结构(forests))以及演化算法。
罗吉斯回归：
罗吉斯回归为线性回归的变形，当附属(响应)变量为二分变量(即，其仅仅具有两个值，一般表示一些结果事件的发生和未发生，一般编码为0或1)以及独立(输入)变量为连续、无条件或者两者都是时，将其使用。例如，在医药研究中，病人存活或者死亡，或者临床样品对于某些滤过性病毒抗体是积极的或者消积的。
与一般的回归不同，罗吉斯回归不是直接地将独立变量模拟为附属变量的线性组合，其也不假定附属变量正态分布。罗吉斯回归改为将事件发生的概率函数作为说明性变量的线性组合。对于罗吉斯回归，以这种方式使得概率与说明性变量有关的函数是罗吉斯函数，当针对说明性变量的线性组合的值绘图时，其为字母s形或者S形。
通过使数据与罗吉斯回归模型相配合以及根据其相配的概率来分类各种说明性变量模式，而将罗吉斯回归用于分类中。随后数据的分类接着以变值模式和估计的概率为基础。
判别式分析：
总体而言，判别式分析将样品表示为在空间中的点，以及接着分类这些点。线性判别式分析(LDA)寻找属于两个类别的最佳分离点的最佳平面表面。而二次判别式分析(QDA)寻找最佳曲线(二次)表面。两种方法都寻求最小化分类误差的一些形式。
Fisher线性判别式分析(FLDA或者LDA)：
LDA寻找具有组间到组内平方和的最大比率的数据的线性组合(判别式变量)，并通过分类来预测观察值x的类别，根据判别式变量，其均值向量最接近于x。LDA的优势在于其简单并且直观，其中测试情况的预测类别是具有最接近的均值的类别，并且其易于在实际中实现有良好的性能。
LDA的劣势包括以下：
线性判别式边界可能不够灵活。
特征在类别中可能具有不同的分布。
在太多特征的情况下，因为过多的参数化以及参数评估的高度变化，性能可能快速降低。
最邻近分类器：
最邻近方法基于观察值之间的距离测量，例如欧几里德距离或者1减去两个数据集合之间的相关性。通过分类观察值x的K-最邻近分类器工作遵循：
找出认知集合中最接近x的k个观察值。
_通过优化投票预测x的分类，即选择这些k个邻近中最一般的分类。具有k＝1的简单分类器一般非常成功。大量的不相关或者具有很少或者不具有相关性的噪声变量实质上可以使得最邻近分类器的性能下降。
分类树：
例如，可以使用分类树以根据一些规则(特征变量阈值)将采样分割成两个子采样。每个子采样可以进一步分割等。通过将子集重复地分割成两个更小的子集而构建出二叉树结构分类器。每个树形最终子集被分配有一个分类标签，并且随之的部分对应于分类器。结构的三个主要方面包括分割的选择(每个节点，选择最大化杂质减少的分割)、进行判断以表明节点端子或者继续分割(以产生大的树形，选择性地向上剪除树形，得到子树的减少序列)、以及将每个端子节点分配至一个分类(对于每个端子节点，选择最小化错误分类概率的重新代入估计的分类)。
用于微点阵的预测分析：
这些方法利用最短收缩重心法。首先，计算每个分类的标准的重心。接着通过所谓的阈值(用户选择)将每个分类重心向所有类别的总体重心进行收缩。收缩包括将重心通过阈值向零移动，如果其达到零，设置其等于零。
人工神经网络：
人工神经网络(ANN)模型的关键点在于信息处理系统的新颖结构。其由类似于神经细胞并以加权连接绑定在一起的很多高度互连处理元件组成，加权连接类似于神经原的神经线连接。当利用所有分类方法时，一旦ANN在已知的采样上训练，其将能够自动地预测采样。
支撑向量机：
支撑向量机为一种能够实现边界分类(模式识别)以及真实值函数近似(回归估计)任务的认知机。支撑向量机将其n维输入空间映射进更高维数特征空间中。在该高维特征空间中构造线性分类器。
集合分类器：
该方法通过聚集自认知集合的干扰形式构建的预测值而工作。在分类中，通过投票，聚集多种形式的预测值。解靴带法(bootstrapping)是包型结构的最简单形式，其中，与原始认知集合具有相同大小的干扰认知集合是认知集合的非参数引导复制，即，随机地以来自认知集合的替换进行提取。参数解靴带法包括根据多元高斯分布的混合产生的干扰认知集合。随机森林型结构是树形分类器(或者其他)的组合，其中，每个树形依赖于森林型结构中的所有树形的随机向量值。增强型结构中，分类器构造成加权形式的训练集合，其依赖于之前的分类结果。起初，所有对象具有相等的权重，并且基于该数据集合构造第一分类器。接着，根据分类器的性能改变权重。不正确的分类对象获得更大的权重，并且下一个分类器在重新加权的训练集合上增强。以该方式，获得一系列训练集合和分类器，其接着通过决定中的加权的主要投票和简单主要投票而组合。
样例22——示例性睡眠数据呈现器
在本文中任何样例中，可以出现基于睡眠状态的电子或纸件报道。这样的报道可以包括定制的睡眠状态信息、睡眠状态统计、病理情况、药物和/或化学药品对于睡眠的影响、以及研究对象的类似信息。还可以出现用于分选试验、行为改变等的建议。尽管在一些样例中示出了特定的睡眠数据和低频信息结果，但也可以使用其他睡眠数据呈现器和数据的可视化。
样例23——研究对象的示例性睡眠状态信息
可以使用本文中所述的任何技术自各种研究对象中获得示例性睡眠状态信息。图33包括根据分析的EEG能谱图数据对麻醉的猫的麻醉状态分类的示例性可视化的屏幕截图3300。例如，在屏幕截图3300中，SWS分类对应于深度麻醉状态，REM睡眠分类对应于轻度麻醉状态，以及INTER睡眠分类对应于中间麻醉状态。以这样的方式，本文中所述的技术可以用于判断人类或者其他哺乳动物研究对象的麻醉状态。图34包括根据分析的EEG能谱数据对人类研究对象的睡眠状态进行分类的示例性可视化的屏幕截图3400。
样例24——技术的示例性优势和应用
由于其实现该数据分析的速度、分析的定制和无人监管特性、以及提取之前忽略的或者未加分析的低能频率信息的能力，使得该方法对于各种领域研究有特殊的吸引力。利用可变数量的状态、可变数量的识别规则、能修改的标准、可变化时间分辨率以及可变化能谱分辨率，该技术可以有很强的适应性。调整源数据以产生调整的源数据可以专门应用于分析针对病理情况和药物和化学药品效果的检测中的动物信号数据。在本文所述的任何样例中，可以提取并分析低振幅但高度可变的频率数据(例如，找出数据中的时间模式)。应用可以包括来自分析股票市场数据(例如，分析美分股票的波动来判断一般的变化或者忽略因为小价格变动而引起的变化)以存取编码数据(例如，以低能、非常高或非常低的频率存储在声音波形中的摩尔斯编码)从而分析具有多个空间频率的视觉图像的多种使用。类似地，本文中所述的技术可以用于通过产生的睡眠状态信息来判断研究对象的定制的睡眠质量判断。
在本文的任何样例中，可以将该方法用于自一个或多个通道接收的源数据。该方法可以独立地应用于来自多个通道的源数据，其中在通道之间进行比较。例如，可以由大脑的每个半球接收的独立的EEG通道数据判断单半球睡眠。图40示出了由自鸟的大脑的每个半球接收的独立EEG通道数据判断的单半球睡眠的屏幕截图4000。可选地，该方法可以同时应用至来自多个信道的源数据，从而分析组合的多信道源数据。例如，可以同时分析研究对象的EEG信道数据和EEG通道数据，以判断清醒与REM睡眠状态，从而，如果EMG数据落于高振幅簇中，可以将来自EEG数据分析的REM指定睡眠状态重新指定为清醒睡眠状态。
进一步地，在本文所述的任何样例中，可以结合本文所述的方法使用诸如降噪源分离(dss)等方法以判断睡眠状态。例如，dss可以使用低频信息来判断REM睡眠。
尽管对于分析低能频率信息，本文所述的技术可以特别具有价值，但是其还可以应用于从包括高频和低频具有相同能量分布的信号的任何种类的信号中聚类和判断睡眠阶段。此外，可以一个接一个独立地使用附属于能谱图分析、阶段分类和稳定性测量的技术。
样例25——数据的示例性可视化
在本文所述的任何技术中，数据的示例性显影可以使用彩色来表示数据的不同方面。例如，为了分类数据的可视化，可以针对每种分类状态，对分类数据(例如，诸如REM、SWS以及INTER的睡眠状态分类)进行色彩编码。可选地，对于分类数据的可视化，灰度(greyscale)可以用于针对每种分类状态进行编码。
样例26——用于管理分析的示例性计算机系统
图36和下列讨论提供了一种用于以上所述的软件(例如，计算机程序)的适当计算机环境的简洁通用描述。以上所述的方法可以以计算机可执行指令实施(例如，以程序模块被组织)。程序模块可以包括例行程序、程序、对象、元素以及数据结构，其执行任务并执行用于实施以上技术的数据类型。
尽管图36示出了桌上型计算机的一般结构，但该技术可以在其他计算机系统配置中实施，包括多处理器系统、基于微处理器或可编程用户电子装置、小型计算机、大型计算机等。该技术还可以用于分布式计算环境，其中任务通过处理设备并行地执行以增强性能。例如，任务可以在多个计算机、单个计算机中的多个处理器上或者两者之上同时进行。在分布式计算环境中，程序模块可以位于本地或远程存储器存储设备中。例如，可以将编码存储在通过因特网访问的本地机器/服务器上，从而可以通过本地机器/服务器上传和处理分析的数据，并将结果进行打印和/或下载。
图36中显示的计算机系统适于实施本文中所述的技术，并包括计算机3620，计算机3620具有处理单元3621、系统存储器3622、以及使得各个系统部件相互连接的系统总线3623，该相互连接包括将系统存储器连接至处理单元3621。系统总线可以包括几种类型的总线结构中的任何一种，其包括存储器总线或存储控制器、外围总线和使用总线结构的本地总线。系统存储器包括只读存储器(ROM)3624以及随机存取存储器(RAM)3625。非易失性系统(例如，BIOS)可以存储在ROM 3625中，并包括在个人计算机3620的元件之间交换信息的基本例行程序，例如在启动期间。个人计算机3620可以进一步包括硬盘驱动3627、诸如从可移动硬盘3629读出并向可移动硬盘3629写入的磁盘驱动3628、以及诸如读取CD-ROM盘3631或者从其他光学媒体读出并向其他光学媒体写入的光盘驱动3630。硬盘驱动3627、磁盘驱动3628以及光盘3630通过硬盘驱动接口3632、磁盘驱动接口3633以及光盘接口3634分别连接至系统总线3623。驱动器及其相关的计算机可读媒介提供数据的非易失性存储存储、数据结构、计算机可执行指令(包括诸如动态链接库和可执行文件的程序编码)以及用于个人计算机3620的类似物。尽管以上的计算机可读媒介的描述指硬盘、可移动磁盘以及CD，但是其还可以包括计算机可读的其他类型的媒介，例如磁带、快闪存储卡、DVD等。
多个程序模块可以存储在驱动器和RAM 3625中，包括操作系统3635、一个或更多应用程序3636、其他程序模块3637、以及程序数据3638。用户可以通过键盘3640和指示装置例如鼠标3542将命令和信息输入个人计算机3620。其他输入设备(未示出)可以包括扩音器、操纵杆、游戏垫、圆盘式卫星天线、扫描仪等。这些和其他输入设备通常通过连接至系统总线的串行端口接口3646连接至处理单元3621，但是可以通过其他接口进行连接，例如并行端口、游戏端口或者通用串行总线(USB)。监控器3647或者其他类型的显示设备也经由接口连接至系统总线3623，例如显示控制器或视频适配器3648。除了监控器之外，个人计算机一般包括其他外围输出设备(未示出)，例如扬声器和打印机。
以上计算机系统仅仅作为样例提供。该技术可以在各种其他结构中实施。进一步地，收集和分析数据源的各种方法是可能的，例如，可以收集和分析数据，并且适当时，将结果显示在不同的计算机系统上。此外，可以在硬件中实施各种软件方面，并且反之亦然。进一步地，该技术的基于纸张的方法是可能的，包括例如将指令用于算法解释的纯粹地基于纸张的方法以及利用扫描技术和数据分析软件的部分基于纸张的方法。
样例27——示例性计算机-实施方法
本文中所述的任何计算机-实施方法可以通过自动系统(例如，计算机系统)中的软件执行的软件来实施。可以提供完全自动化(例如，没有人类干涉)或者半自动化操作(例如，通过人类干涉辅助的计算机处理)。在一些情况下，用户干预是期望的，例如调整参数或考虑结果。
这样的软件可以存储在一个或更多计算机-可读媒介上，包括用于执行上述行为的计算机-可执行指令。该媒介可以是有形(例如，物理的)媒介。
已经在示例性实施方案中示出并描述了本发明的原理，对于本领域的技术人员而言，显然所描述的样例为示意性实施方案，并且可以对装置和细节进行修改而不背离这样的原理。任何样例中的技术可以包括在一个或更多的任何其他样例中。
另一实施方案将双归一化用于进一步的动态范围增加。该实施方案解释并依赖于人类睡眠主体的数据，而不是如之前的一些实施方案中的鸟。此外，当涉及归一化和聚类技术时，以上针对之前实施方案描述的任何应用可以同等地适用于该实施方案。
该实施方案使用之前实施方案的很多特征，还增加了一些改进。该实施方案起到分析脑波活动的作用。来自脑波的信号例如EEG一般遵循以下特性：能量的总量与频率成反比，其中脑波中的能量的总量与例如1/f成比例，其中，f为脑波的频率。当参考之前的实施方案进行解释时，该1/f能谱分布趋向于使得信号的较高频率部分不明显，因为信号的这些较高频率部分具有较小的电压振幅。
观察代表EEG的波形的人类观察者过去一直不能够探知与较高频率有关的任何基本信息。对于该情况，发明人假定了很多原因。一个原因是因为头骨的物理结构表现为低通滤波器，所以脑波行为的较高频率已经从头骨中被过滤掉。
之前的实施方案已经示出了归一化例如利用z计分处理如何允许分析来自脑波信号的更多信息。之前执行的分析归一化了通过频率的能量信息。归一化优选地使用z计分处理，但是可以使用任何类型的数据归一化。使用的归一化优选地无单位，例如z计分处理。如本领域所公知，z计分处理可以用于归一化分布而不改变分布的包络的形状。z计分处理实质上改变为标准偏差的单位。每个z计分处理归一化单元反应了与信号的平均有关的信号的能量的总量。通过将均值从每个记分中减去，将记分转换为均值偏差形式。接着相对于标准偏差归一化记分。所有z计分处理的归一化单元具有等于统一值的标准偏差。
尽管以上利用z计分处理描述了归一化，应该理解也可以实施其他归一化，包括T计分等。
以上实施方案描述了在具体范围中的每个频率的能量的归一化。该范围可以从0至100hz，或者至128hz或者至500hz。频率范围仅仅受到采样率的限制。以30KHz的采样率为例，可以进行高达15KHz的分析。
根据本实施方案，实施另一归一化，其归一化每个频率的一段时间内的能量。这样产生了已经通过频率和通过时间被归一化的用于产生双归一化能谱图的信息。
该实施方案可以从脑波数据中获得其他信息，并且实施方案自动地描述自分析的数据中检测不同时期的睡眠。可以检测的睡眠时期可以包括但不限于短波睡眠(SWS)、快速眼动睡眠(REM)、中间睡眠(IIS)以及清醒状态。根据重要特征，单个通道的脑波行为(其自人类头骨上的单个位置获得)用于分析。
根据图41的流程图实施本操作，其可以在本文所述的任何计算机设备中执行，或者可以通过网络或者其他已知方式执行。在4100，获得数据。如上所述，获得的数据可以是来自人类或其他研究对象的一个信道的EEG信息。可以使用例如256Hz采样率收集获得的EEG数据，或者可以以更高的速率进行采样。数据分割为多个时程，例如30秒时程，并且根据频率进行特征化。
在4110，实施第一频率归一化。利用每个频率库上的z计分处理技术归一化能量信息。在实施方案中，库可以从1延伸至100Hz，并且每赫兹30个库。归一化发生在一段时间内。这产生了归一化能谱图或者NS，其中来自信号的每个频带实质上具有相同的权重。在实施方案中，每个30秒时程由“优选频率”表示，其为在该时程中具有最大的z计分的频率。
这产生了称为优选频率空间的特定频率空间。图42A示出了未处理的能谱，而图42B示出了归一化能谱。每个时程例如图43中的30秒片段或者图44中的1秒滑动窗口时程由具有最大z计分的频率表示。图44表示如何将其广泛地分隔成不同模式。
分析那些模式如何形成，并允许分析模式的特征。例如，通过分析，发现W或清醒状态被特征化为a带中的波段、或者为7-12hz、以及有时为β带中的波段(15-25hz)。
中间状态展示了1至4hz范围内的Delta值以及12至15hz内的纺锤形频率(spindle frequency)。还示出了更高频率和Gamma范围的3-90hz的活动。令人惊讶地是，REM状态将紧凑带定义在Delta和Theta频率，并且短波睡眠受到弥散的宽频谱活动的限制。
因此，可以根据判别式函数定义不同的睡眠状态，其中判别式函数寻找某些区域中的某些活动和其他区域中的不活动。函数可以根据具有活动的区域的频率和不具有活动的区域的频率来计算睡眠状态。
但是，更一般地，任何形式的动态能谱计分可以基于补偿数据实施。判别式函数可以要求专门值，或者简单地要求在多个频率范围的每个中将要出现或不出现的活动的某种量。判别式函数可以简单地匹配频率响应的包络。判别式函数还可以查看能谱分段和时间分段(temporalfragmentation)。
4120示出了在一段频率内实现的第二次归一化。在4120的第二次归一化产生了双归一化能谱图。这产生了一个新的频率空间，其中带变得更加明显。第二次归一化如图42C所示，其中示为较亮值的带表示正值，而较暗的区域意指具有负值。
双归一化能谱图值可以用于形成最大地隔离空间中值的过滤。图43示出了作为时间函数的优选频率的图表，示出了不同簇的频率。
4130示出了基于双归一化频率实施的聚类技术。例如，聚类技术可以为之前的实施方案中所述的k均值技术。簇形成了如图43所示的组。图44示出了不同状态之间的区域例如边界4400如何形成多个不同簇。每个簇可以表示一个睡眠状态。
簇实际上是多维簇，其自身可以被用图来表示以找出其他信息，是如图45所示。维数的数量可以依赖于聚类变量的数量。这样示出了双归一化能谱图还如何允许更多的测量特征。图45实际上为不同特征的三维图表，并且可以允许不同状态的检测。然而，分析表明，慢波睡眠比快速眼动睡眠或者清醒状态更加不稳定并且时间更多、频率更高。中间睡眠通常形成了一个与短波睡眠之间的桥梁。
一段频率内的归一化能量中的平均传播的测量示出了能谱分段，如图46所示，其示出了能谱分段也是可能的。可选地，分段值可以基于不同状态的时间分段，还可以用作为判别式函数的一部分。
例如：
利用Z和ZZ来分别对应于NS和2NS值：
w_filter＝mean(ZZ(12-15Hz))+mean(ZZ(1-4Hz))+mean(ZZ(4-7Hz))
nrem_filter＝mean(ZZ(60-100Hz))+mean(ZZ(4-7Hz))-[mean(ZZ(12-15Hz))+mean(ZZ(25-60Hz))+mean(ZZ(15-25Hz))]
sws_filter＝mean(Z(4-7Hz))+mean(Z(7-12Hz))
分段值如下：
Spectral_frag＝mean(abs(grad_f(ZZ(1-100Hz))))；
Spectral_temp＝mean(abs(grad_t(ZZ(1-100Hz))))；
其中，grad_f和grad_t对应于ZZ的两维最接近的梯度。
这两种函数根据双归一化能谱计算，由于NREM睡眠和W中产生的运动伪迹将在单个归一化能谱中导致反常地升高的分段值，这依赖于在所有频率的增益中的均匀增加。
这些分段值可以用作为判别式函数的一部分。重要地是，如上所述，该判别式函数从任何之前的分析技术来看一般不够明显，包括人工技术。
计算可以用分解作为特征，或者可以使用重叠窗口或者滑动窗口来增加时间配准(temporal registration)。这使得之前一直不可能的任何很多技术变为可能。通过特征化闲置状态，这样使得仅仅利用脑波信号可以通过动态能谱计分区分睡眠状态和清醒状态。
另一方面包括自动地活动EEG信息的机器，并且包括分析EEG信息以判断关于睡眠状态的信息的计算机。例如，信息可以包括实际睡眠状态或者睡眠状态的其他部分。计算机还可以包括其中的非易失性存储器以存储睡眠状态的信息表示，并且可以包括例如无线网络连接，以允许表示睡眠状态的信息发送至远程设备。用户可以带上机器或者连接至机器的电极，以表现他或她的睡眠。
以上已经描述了信息可以如何用于判断睡眠状态。这些技术还可以用于包括表现睡眠状态的其他应用和其他技术。应用还可以包括根据病人的睡眠状态以及根据之前当基于这些睡眠状态的大脑函数改变时判断出的变量，判断病人是否服用了某种类型的药物。任何应用可以分析脑波信号以判断酒精摄入量，例如，形成可以用作为“呼吸试验器”的系统。
本文中描述了通用结构和技术以及可以用于影响实施更普通的目的的不同方法的更加具体的实施方案。
尽管以上仅仅详细地公开了一些实施方案，其他实施方案是可能的，并且发明人旨在将其包括在本说明书中。说明书描述了具体样例以实施可以其他方式完成的更加通用的目的。该公开旨在示例，并且权利要求旨在覆盖对于本领域的普通技术人员而言可预言的任何修改或者选择。例如，其他应用是可能的，并且其他形式的判别式函数和特征时可能的。尽管以上按照“优选频率”广泛地描述了特征化频率，应该理解，信息的更加严格的特征可能存在。同样，尽管以上仅仅参考由EEG数据判断睡眠状态，并且仅仅参考睡眠状态的几种不同种类的判断，应该理解其他应用也在预期内。
同样，发明人旨在根据35 USC 112第六段对仅仅那些使用词汇“用于......的装置”的权利要求进行解释。此外，没有将来自说明书的限制加于任何权利要求的意图，除非这些限制清楚地包括在权利要求中。
本文中所述的计算机可以是任何类型的计算机，既可以是通用目的也可以是一些专用目的计算机，诸如工作站。计算机可以是运行Windows XP或者Linux的Pentium系列的计算机，也可以是Macintosh计算机。计算机还可以是掌上计算机例如PDA、手机或膝上型计算机。
程序可以用C或者Java、Brew或者任何编程语言进行编写。程序可以驻留在存储媒介中，例如磁或光的计算机硬驱动、可移动盘或媒介例如存储棒或SD媒介或者其他可移动媒介。程序还可以运行在网络上，例如，利用将信号发送至本地机器的服务器或者其他机器，其允许本地机器实施本文中所述的操作。

Claims (52)

1.一种方法，其包括：
获得表示脑波活动的数据；
归一化所述数据的至少一个频率范围，以相对于另一频率范围中的数据改变所述至少一个频率范围中的数据的能量级，从而形成表示脑波活动的归一化数据；以及
分析表示脑波活动的所述归一化数据，以根据所述分析确定表示睡眠状态的至少一个参数。
2.根据权利要求1所述的方法，其中，所述分析步骤包括，自动地将所述归一化数据聚类成簇，以及利用所述分析步骤中的所述簇确定所述参数。
3.根据权利要求1所述的方法，其中，所述归一化步骤包括对所述数据进行Z计分处理。
4.根据权利要求1所述的方法，还包括第二次归一化所述数据，以在所述分析之前，形成双归一化数据。
5.根据权利要求4所述的方法，其中，所述第二次归一化步骤包括在一段时间内归一化频率。
6.根据权利要求5所述的方法，其中，所述第一次归一化步骤和所述第二次归一化步骤的每个使用Z计分处理用于所述归一化。
7.根据权利要求5所述的方法，还包括定义代表多个不同睡眠状态的所述双归一化数据的特征的判别式函数，以及使用所述判别式函数根据所述双归一化数据确定睡眠状态。
8.根据权利要求7所述的方法，其中，所述判别式函数是根据出现在指定的范围中而不出现在指定的其他范围中的频率而定义睡眠状态的函数。
9.根据权利要求4所述的方法，还包括将优选频率特征化为在任何指定时间内具有最高归一化值的频率，以及分析所述优选频率以确定所述至少一个参数。
10.根据权利要求9所述的方法，还包括将判别式函数定义为优选频率的函数，其中，判别式函数根据出现的频率以及未出现的频率定义睡眠状态。
11.根据权利要求4所述的方法，还包括分析所述双归一化数据的分段，以及使用所述分段作为所述分析的一部分。
12.根据权利要求1所述的方法，其中，表示睡眠状态的所述参数包括对应于当前时间段的可能的睡眠状态。
13.根据权利要求1所述的方法，其中，表示睡眠状态的所述参数包括表示可能消耗药物的信息。
14.根据权利要求1所述的方法，其中，利用计算机实施所述归一化步骤以改变所述数据。
15.根据权利要求1所述的方法，还包括从源数据中去除伪迹。
16.根据权利要求1所述的方法，还包括在所述归一化步骤之前，将所述源数据分解至多个时间片段中。
17.根据权利要求16所述的方法，其中，所述分离步骤包括使用扫描窗口或滑动窗口中的一个。
18.根据权利要求17所述的方法，其中，所述分离步骤包括确定从由以下成员所组成的组中选择的至少一个时间序列增加：
整个时间序列；
重叠时间序列；以及
非重叠时间序列。
19.一种用于在一时间段内判断研究对象的睡眠状态的方法，所述方法包括：
在所述时间段内接收所述研究对象的脑波，其中，与频谱中的第二频率范围相比，所述脑波数据在所述频谱的至少一个低能第一频率范围中展现出能量的更低的动态范围；
将所述脑波数据分解为一个或更多时程；
加权一段时间内的所述一个或更多时程的频率能量，其中，所述加权步骤包括与所述第二频率范围相比，增加在所述频谱的低能频率范围中的所述能量的动态范围，从而产生一个或更多的频率加权时程；以及
根据所述一个或更多的频率加权时程，对所述研究对象的睡眠状态分类。
20.根据权利要求19所述的方法，其中，对所述研究对象的睡眠状态分类的所述步骤包括：
聚类所述一个或更多的频率加权时程；以及
根据所述聚类步骤，将睡眠状态标识指派给所述一个或更多的频率加权时程；以及
将所述睡眠状态标识表示为代表由所述一个或更多的频率加权时程代表的所述时间段内所述研究对象的睡眠状态。
21.根据权利要求19所述的方法，其中，聚类所述一个或更多的频率加权时程包括k-均值聚类。
22.根据权利要求19所述的方法，还包括利用成分分析预先处理脑电图数据。
23.根据权利要求19所述的方法，其中，对所述研究对象的睡眠状态分类的所述步骤包括对所述一个或更多的频率加权时程应用独立成分分析。
24.根据权利要求19所述的方法，其中，对睡眠状态分类的所述步骤还包括并入人工判断的睡眠状态。
25.根据权利要求19所述的方法，其中，将睡眠状态标识指派给所述一个或更多的频率加权时程的所述步骤包括：
至少根据低频信息，从非慢波睡眠标识确定慢波睡眠标识；以及
至少根据高频信息，从非快速眼动睡眠标识确定快速眼动睡眠标识。
26.根据权利要求25所述的方法，还包括将慢波睡眠标识指派给在低频率具有显著加权能量的时程。
27.根据权利要求25所述的方法，还包括将快速眼动睡眠标识指派给在高频率具有显著加权能量的时程。
28.根据权利要求19所述的方法，其中，将睡眠状态标识指派给所述一个或更多频率加权时程的所述步骤还包括将平滑窗口应用至所述一个或更多的加权时程，其中，所述平滑可包括对所述一个或更多加权时程中的睡眠状态标识进行平均。
29.根据权利要求19所述的方法，还包括将一个或更多的频率加权时程表示成规范能谱，所述规范能谱代表由具有类似睡眠状态标识的所述一个或更多的时程代表的所述时间段内所述对象的所述睡眠状态。
30.根据权利要求29所述的方法，还包括利用独立成分分析来分析所述规范能谱以确立睡眠状态分类可信度。
31.根据权利要求19所述的方法，还包括根据所述一个或更多的频率加权时程的所述睡眠状态标识，呈现所述研究对象的睡眠统计。
32.根据权利要求19所述的方法，还包括在进行所述分类之前，根据第二维而第二次加权能量以归一化所述数据，来形成双归一化数据。
33.根据权利要求32所述的方法，其中，所述第二次加权步骤包括归一化一段时间内的至少一个频率。
34.根据权利要求32所述的方法，其中，所述加权步骤和所述第二次加权步骤的每个利用Z计分处理来实现归一化。
35.根据权利要求32所述的方法，还包括定义代表多个不同睡眠状态的所述双归一化数据的特征的判别式函数，以及使用所述判别式函数根据所述双归一化数据确定睡眠状态。
36.根据权利要求35所述的方法，其中，所述判别式函数为根据出现在指定的范围中而不出现在指定的其他范围中的频率而定义睡眠状态的函数。
37.根据权利要求32所述的方法，还包括将优选频率特征化为在任何指定时间内具有最高归一化值的频率，以及分析所述优选频率以确定所述至少一个参数。
38.根据权利要求37所述的方法，还包括将所述判别式函数定义为所述优选频率的函数，其中，所述判别式函数根据出现的频率以及未出现的频率定义睡眠状态。
39.根据权利要求32所述的方法，还包括分析所述双归一化数据的能谱分段，以及使用所述能谱分段作为所述分析的一部分。
40.根据权利要求32所述的方法，还包括分析所述双归一化数据的时间分段，以及使用所述时间分段作为所述分析的一部分。
41.一种装置，其包括：
计算设备，所述计算设备接收表示脑波活动的至少一个信号，以及归一化所述信号的至少一个频率范围以相对于另一频率范围中的数据改变所述至少一个频率范围中的数据的能量级，从而形成表示脑波活动的归一化数据，以及利用表示脑波活动的所述归一化数据来确定表示睡眠状态的至少一个参数。
42.根据权利要求41所述的装置，其中，所述计算设备通过对所述数据进行Z计分处理而实施所述归一化。
43.根据权利要求41所述的装置，其中，所述计算机运行以实施所述数据的第二次归一化，从而在使用所述数据之前，形成双归一化数据。
44.根据权利要求43所述的装置，其中，通过所述计算机实施的所述第二次归一化包括归一化一段时间内的频率。
45.根据权利要求42所述的装置，其中，所述计算机基于代表多个不同睡眠状态的所述双归一化数据的特征的判别式函数而运行，以及使用所述判别式函数根据所述归一化数据确定睡眠状态。
46.根据权利要求46所述的装置，其中，所述判别式函数为根据出现在指定范围中而不出现在指定的其他范围中的频率而定义睡眠状态的函数。
47.根据权利要求43所述的装置，其中，所述计算机运行以确定优选频率为在任何指定时间内具有最高归一化值的频率，以及分析所述优选频率以确定所述至少一个参数。
48.根据权利要求43所述的装置，其中，所述计算机确定所述的双归一化数据的分段作为所述分析的一部分。
49.根据权利要求41所述的装置，还包括连接成获得所述信号的脑波电极。
50.一种装置，其包括：
第一接收部件，其接收表示脑波信号的信息；以及
处理部件，其归一化所述脑波信号的至少一个频率范围，以形成表示脑波活动的归一化数据，以及利用表示脑波活动的所述归一化数据来确定表示睡眠状态的至少一个参数。
51.根据权利要求50所述的装置，其中，所述处理部件通过对数据进行Z计分处理而实施所述归一化。
52.根据权利要求50所述的装置，其中，所述处理部件实施数据的两种分开的归一化，以在使用所述数据之前，形成双归一化数据。
CN2006800197210A 2005-05-10 2006-05-09 睡眠和清醒状态的自动检测 Active CN101272732B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US67995105P 2005-05-10 2005-05-10
US60/679,951 2005-05-10
PCT/US2006/018120 WO2006122201A2 (en) 2005-05-10 2006-05-09 Automated detection of sleep and waking states

Publications (2)

Publication Number Publication Date
CN101272732A true CN101272732A (zh) 2008-09-24
CN101272732B CN101272732B (zh) 2012-11-14

Family

ID=37396844

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2006800197210A Active CN101272732B (zh) 2005-05-10 2006-05-09 睡眠和清醒状态的自动检测

Country Status (10)

Country Link
US (3) US8073534B2 (zh)
EP (1) EP1885237B1 (zh)
JP (2) JP2008544772A (zh)
KR (1) KR101395197B1 (zh)
CN (1) CN101272732B (zh)
CA (1) CA2607049C (zh)
ES (1) ES2542852T3 (zh)
HK (1) HK1113072A1 (zh)
IL (2) IL187239A (zh)
WO (2) WO2006121455A1 (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102274022A (zh) * 2011-05-10 2011-12-14 浙江大学 一种基于脑电信号的睡眠状态监测方法
CN105142504A (zh) * 2013-04-10 2015-12-09 皇家飞利浦有限公司 用于基于心脏活动来增强睡眠慢波活动的系统和方法
CN105451801A (zh) * 2013-06-11 2016-03-30 新加坡科技研究局 声音诱导的睡眠方法和用于该方法的系统
CN105636515A (zh) * 2014-02-13 2016-06-01 阿瑟.舒尔茨 用于自动评估失神eeg的方法、计算机程序和评估设备
CN105813558A (zh) * 2013-12-16 2016-07-27 皇家飞利浦有限公司 用于基于睡眠周期确定睡眠阶段的系统和方法
CN108420406A (zh) * 2018-03-21 2018-08-21 苏州优函信息科技有限公司 基于脉搏波睡眠分期的方法
CN109464130A (zh) * 2019-01-09 2019-03-15 浙江强脑科技有限公司 睡眠辅助方法、系统及可读存储介质
CN112435741A (zh) * 2020-11-17 2021-03-02 杭州云睡吧健康管理有限公司 一种入睡潜伏期数据库建立方法及使用其的助眠系统
CN112617761A (zh) * 2020-12-31 2021-04-09 湖南东晟南祥智能科技有限公司 自适应聚点生成的睡眠阶段分期方法
CN112842266A (zh) * 2020-12-31 2021-05-28 湖南东晟南祥智能科技有限公司 一种基于人体监测睡眠数据的睡眠分期阶段识别方法
CN116392087A (zh) * 2023-06-06 2023-07-07 安徽星辰智跃科技有限责任公司 基于模态分解的睡眠趋稳性量化及调节方法、系统和装置

Families Citing this family (114)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
IL147502A0 (en) * 2002-01-07 2002-08-14 Widemed Ltd Self-adaptive system, for the analysis of biomedical signals of a patient
IL155955A0 (en) * 2003-05-15 2003-12-23 Widemed Ltd Adaptive prediction of changes of physiological/pathological states using processing of biomedical signal
US8725244B2 (en) 2004-03-16 2014-05-13 Medtronic, Inc. Determination of sleep quality for neurological disorders
US7578793B2 (en) * 2004-11-22 2009-08-25 Widemed Ltd. Sleep staging based on cardio-respiratory signals
US20080269583A1 (en) * 2005-02-07 2008-10-30 Widemed Ltd. Detection and Monitoring of Stress Events During Sleep
FR2885434B1 (fr) * 2005-05-09 2007-07-13 Commissariat Energie Atomique Procede d'estimation de la phase d'un mouvement d'un objet
EP1998849B1 (en) 2006-03-24 2014-12-24 Medtronic, Inc. Collecting gait information for evaluation and control of therapy
US20070233435A1 (en) * 2006-03-31 2007-10-04 Gary Bradski Boosted linear modeling of non-linear time series
US8315709B2 (en) * 2007-03-26 2012-11-20 Medtronic, Inc. System and method for smoothing sampled digital signals
US8781595B2 (en) 2007-04-30 2014-07-15 Medtronic, Inc. Chopper mixer telemetry circuit
US20080300500A1 (en) * 2007-05-30 2008-12-04 Widemed Ltd. Apnea detection using a capnograph
JP5073371B2 (ja) * 2007-06-06 2012-11-14 株式会社タニタ 睡眠評価装置
US20090264789A1 (en) * 2007-09-26 2009-10-22 Medtronic, Inc. Therapy program selection
US8290596B2 (en) 2007-09-26 2012-10-16 Medtronic, Inc. Therapy program selection based on patient state
US8380314B2 (en) 2007-09-26 2013-02-19 Medtronic, Inc. Patient directed therapy control
US20090082691A1 (en) * 2007-09-26 2009-03-26 Medtronic, Inc. Frequency selective monitoring of physiological signals
US8121694B2 (en) 2007-10-16 2012-02-21 Medtronic, Inc. Therapy control based on a patient movement state
KR101036323B1 (ko) 2007-12-27 2011-05-23 재단법인 한국뇌과학연구원 뇌파 분석 시스템 및 분석 방법
WO2009094050A1 (en) * 2008-01-25 2009-07-30 Medtronic, Inc. Sleep stage detection
JP5167368B2 (ja) * 2008-10-29 2013-03-21 トヨタ自動車株式会社 移動体制御装置及び移動体制御方法
US8478402B2 (en) * 2008-10-31 2013-07-02 Medtronic, Inc. Determining intercardiac impedance
KR20110094064A (ko) * 2008-11-14 2011-08-19 네우로비길, 아이엔씨 수면 및 각성 패턴의 확인 방법 및 용도
US11696724B2 (en) * 2008-11-14 2023-07-11 Neurovigil, Inc. Methods of identifying sleep and waking patterns and uses
US10575751B2 (en) 2008-11-28 2020-03-03 The University Of Queensland Method and apparatus for determining sleep states
US8529765B2 (en) * 2008-12-09 2013-09-10 Sweetwater Energy, Inc. Ensiling biomass for biofuels production and multiple phase apparatus for hydrolyzation of ensiled biomass
US10013641B2 (en) * 2009-09-28 2018-07-03 Oracle International Corporation Interactive dendrogram controls
US10552710B2 (en) 2009-09-28 2020-02-04 Oracle International Corporation Hierarchical sequential clustering
US9770204B2 (en) 2009-11-11 2017-09-26 Medtronic, Inc. Deep brain stimulation for sleep and movement disorders
US10335060B1 (en) 2010-06-19 2019-07-02 Dp Technologies, Inc. Method and apparatus to provide monitoring
US9211411B2 (en) 2010-08-26 2015-12-15 Medtronic, Inc. Therapy for rapid eye movement behavior disorder (RBD)
US20130310422A1 (en) 2010-09-01 2013-11-21 The General Hospital Corporation Reversal of general anesthesia by administration of methylphenidate, amphetamine, modafinil, amantadine, and/or caffeine
US20120071741A1 (en) * 2010-09-21 2012-03-22 Zahra Moussavi Sleep apnea monitoring and diagnosis based on pulse oximetery and tracheal sound signals
US8892207B2 (en) 2011-04-20 2014-11-18 Medtronic, Inc. Electrical therapy for facilitating inter-area brain synchronization
WO2012145265A1 (en) 2011-04-20 2012-10-26 Medtronic, Inc. Electrical therapy parameter determination based on a bioelectrical resonance response
US9173609B2 (en) 2011-04-20 2015-11-03 Medtronic, Inc. Brain condition monitoring based on co-activation of neural networks
EP2699310B1 (en) 2011-04-20 2018-09-19 Medtronic, Inc. Apparatus for assessing neural activation
US8812098B2 (en) 2011-04-28 2014-08-19 Medtronic, Inc. Seizure probability metrics
US9878161B2 (en) 2011-04-29 2018-01-30 Medtronic, Inc. Entrainment of bioelectrical brain signals
CN102178524B (zh) * 2011-05-23 2012-09-05 天津大学 基于同步似然的脑肌电协同性分析方法
US9192326B2 (en) 2011-07-13 2015-11-24 Dp Technologies, Inc. Sleep monitoring system
US8620854B2 (en) * 2011-09-23 2013-12-31 Fujitsu Limited Annotating medical binary decision diagrams with health state information
US9177247B2 (en) * 2011-09-23 2015-11-03 Fujitsu Limited Partitioning medical binary decision diagrams for analysis optimization
US9075908B2 (en) * 2011-09-23 2015-07-07 Fujitsu Limited Partitioning medical binary decision diagrams for size optimization
CN102488515B (zh) * 2011-12-09 2013-07-31 天津大学 基于自主动作、想象动作下脑肌电信号联合分析方法
US20130208576A1 (en) * 2011-12-23 2013-08-15 Leonor F. Loree, IV Easy wake system and method
KR101337822B1 (ko) * 2011-12-28 2013-12-06 단국대학교 산학협력단 치료 과정의 술기에 따른 환자의 불안감을 판단하는 의료 정보 처리 장치 및 이를 이용한 의료 정보 처리 방법
KR101316746B1 (ko) * 2011-12-28 2013-10-08 썬메디텍 (주) 모바일 응급환자 모니터링 시스템
IL305494A (en) 2012-01-24 2023-10-01 Neurovigil Inc Matching signals from the brain to intentional and unintentional brain state changes
US9459597B2 (en) 2012-03-06 2016-10-04 DPTechnologies, Inc. Method and apparatus to provide an improved sleep experience by selecting an optimal next sleep state for a user
US10791986B1 (en) 2012-04-05 2020-10-06 Dp Technologies, Inc. Sleep sound detection system and use
WO2013179254A1 (en) * 2012-05-31 2013-12-05 Ben Gurion University Of The Negev Research And Development Authority Apparatus and method for diagnosing sleep quality
WO2013186265A1 (en) * 2012-06-12 2013-12-19 Technical University Of Denmark Support system and method for detecting neurodegenerative disorder
CA2884746C (en) * 2012-09-13 2022-05-17 Yrt Limited Method and software to determine probability of sleep/wake states and quality of sleep and wakefulness from an electroencephalogram
CN102920453A (zh) * 2012-10-29 2013-02-13 泰好康电子科技（福建）有限公司 一种脑电波信号处理方法及其装置
US9474876B1 (en) 2012-12-14 2016-10-25 DPTechnologies, Inc. Sleep aid efficacy
US10039460B2 (en) 2013-01-22 2018-08-07 MiSleeping, Inc. Neural activity recording apparatus and method of using same
US9809867B2 (en) 2013-03-15 2017-11-07 Sweetwater Energy, Inc. Carbon purification of concentrated sugar streams derived from pretreated biomass
US10388405B2 (en) 2013-03-22 2019-08-20 Massachusetts Institute Of Technology Systems and methods for predicting adverse events and assessing level of sedation during medical procedures
US9594354B1 (en) 2013-04-19 2017-03-14 Dp Technologies, Inc. Smart watch extended system
US10314503B2 (en) 2013-06-27 2019-06-11 The General Hospital Corporation Systems and methods for tracking non-stationary spectral structure and dynamics in physiological data
US10383574B2 (en) 2013-06-28 2019-08-20 The General Hospital Corporation Systems and methods to infer brain state during burst suppression
US10602978B2 (en) 2013-09-13 2020-03-31 The General Hospital Corporation Systems and methods for improved brain monitoring during general anesthesia and sedation
RU2019140645A (ru) 2013-09-27 2020-01-27 Кодексис, Инк. Автоматизированный скрининг вариантов фермента
AU2014324670B2 (en) 2013-09-27 2019-11-21 Codexis, Inc. Structure based predictive modeling
JP6710636B2 (ja) * 2013-10-14 2020-06-17 ニューロビジル インコーポレイテッド 生体信号の局所的収集、生体電気信号に基づく発話補助インターフェース内のカーソル制御、および生体電気信号に基づく覚醒検出
WO2015069778A1 (en) * 2013-11-05 2015-05-14 The General Hospital Corporation System and method for determining neural states from physiological measurements
WO2015086077A1 (en) * 2013-12-12 2015-06-18 Telefonaktiebolaget L M Ericsson (Publ) Method and mobile station for base station measurements
US10531806B2 (en) 2013-12-17 2020-01-14 University Of Florida Research Foundation, Inc. Brain state advisory system using calibrated metrics and optimal time-series decomposition
WO2015168152A1 (en) * 2014-04-28 2015-11-05 The General Hospital Corporation System and method for spectral characterization of sleep
US10653339B2 (en) * 2014-04-29 2020-05-19 Nxp B.V. Time and frequency domain based activity tracking system
US10568565B1 (en) 2014-05-04 2020-02-25 Dp Technologies, Inc. Utilizing an area sensor for sleep analysis
JP6411111B2 (ja) * 2014-07-24 2018-10-24 タイオー株式会社 認知症リスク判定システム
US9924904B2 (en) 2014-09-02 2018-03-27 Medtronic, Inc. Power-efficient chopper amplifier
EP3226751A4 (en) * 2014-12-05 2018-08-08 Agency For Science, Technology And Research Sleep profiling system with feature generation and auto-mapping
MX2017007631A (es) 2014-12-09 2018-02-09 Sweetwater Energy Inc Pretratamiento rapido.
JP2017537710A (ja) * 2014-12-11 2017-12-21 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． 睡眠段階分類のスペクトル境界を決定するシステム及び方法
US11883188B1 (en) 2015-03-16 2024-01-30 Dp Technologies, Inc. Sleep surface sensor based sleep analysis system
US11439344B2 (en) * 2015-07-17 2022-09-13 Origin Wireless, Inc. Method, apparatus, and system for wireless sleep monitoring
WO2017027855A1 (en) * 2015-08-12 2017-02-16 Massachusetts Institute Of Technology Systems and methods for predicting adverse events and assessing level of sedation during medical procedures
US10582890B2 (en) * 2015-08-28 2020-03-10 Awarables Inc. Visualizing, scoring, recording, and analyzing sleep data and hypnograms
US10321871B2 (en) 2015-08-28 2019-06-18 Awarables Inc. Determining sleep stages and sleep events using sensor data
US10928472B2 (en) * 2016-01-14 2021-02-23 Technion Research & Development Foundation Limited System and method for brain state classification
JP6721155B2 (ja) 2016-04-15 2020-07-08 オムロン株式会社 生体情報分析装置、システム、及び、プログラム
WO2018053296A1 (en) 2016-09-15 2018-03-22 Tal Medical Modulating brain activity during sleep
SG10201608507PA (en) * 2016-10-11 2018-05-30 Nat Univ Singapore Determining Sleep Stages
WO2018102402A1 (en) 2016-11-29 2018-06-07 The General Hospital Corporation Systems and methods for analyzing electrophysiological data from patients undergoing medical treatments
KR101893596B1 (ko) 2016-12-22 2018-08-31 고려대학교 산학협력단 진정마취심도 모니터링 방법 및 그 장치
CA3053773A1 (en) 2017-02-16 2018-08-23 Sweetwater Energy, Inc. High pressure zone formation for pretreatment
JP6932351B2 (ja) * 2017-03-10 2021-09-08 国立大学法人電気通信大学 睡眠段階判定装置、睡眠段階判定方法及びプログラム
WO2019011888A1 (en) 2017-07-10 2019-01-17 Koninklijke Philips N.V. METHOD AND SYSTEM FOR MONITORING THE QUALITY OF SLEEP
US11000224B2 (en) 2017-09-05 2021-05-11 Korea University Research And Business Foundation Method and apparatus of monitoring anaesthesia and consciousness depth through brain network analysis
EP3684463A4 (en) 2017-09-19 2021-06-23 Neuroenhancement Lab, LLC NEURO-ACTIVATION PROCESS AND APPARATUS
US11717686B2 (en) 2017-12-04 2023-08-08 Neuroenhancement Lab, LLC Method and apparatus for neuroenhancement to facilitate learning and performance
US11318277B2 (en) 2017-12-31 2022-05-03 Neuroenhancement Lab, LLC Method and apparatus for neuroenhancement to enhance emotional response
JP7047386B2 (ja) 2018-01-10 2022-04-05 セイコーエプソン株式会社 異常を警告する方法および異常警告システム
GB2573261B (en) * 2018-02-26 2022-05-18 Babylon Partners Ltd Sleep activity detection method and apparatus
US11364361B2 (en) 2018-04-20 2022-06-21 Neuroenhancement Lab, LLC System and method for inducing sleep by transplanting mental states
CN109124572A (zh) * 2018-06-15 2019-01-04 四川斐讯信息技术有限公司 一种睡眠状态的判断方法、系统及空气净化器
WO2020056418A1 (en) 2018-09-14 2020-03-19 Neuroenhancement Lab, LLC System and method of improving sleep
US11382534B1 (en) 2018-10-15 2022-07-12 Dp Technologies, Inc. Sleep detection and analysis system
KR102267105B1 (ko) 2018-12-26 2021-06-22 (주)허니냅스 딥러닝 기반의 수면다원 검사장치 및 그 방법
US11786694B2 (en) 2019-05-24 2023-10-17 NeuroLight, Inc. Device, method, and app for facilitating sleep
US11950910B2 (en) 2019-07-07 2024-04-09 Proactive Life Inc. Valence state memory association
KR102251388B1 (ko) 2019-08-12 2021-05-12 (주)허니냅스 딥러닝을 이용한 수면질환 판정 자동화 장치 및 그 동작 방법
KR102258726B1 (ko) 2019-08-12 2021-06-01 (주)허니냅스 딥러닝을 이용한 수면질환 자동 판정을 위한 데이터 처리 장치 및 그 동작 방법
WO2021133733A1 (en) 2019-12-22 2021-07-01 Sweetwater Energy, Inc. Methods of making specialized lignin and lignin products from biomass
CN111214211A (zh) * 2020-01-16 2020-06-02 珠海格力电器股份有限公司 睡眠监测方法、装置和智能床
CN111297380A (zh) * 2020-02-12 2020-06-19 电子科技大学 一种基于时空卷积核心块的情绪识别方法
CN111317446B (zh) * 2020-02-27 2020-09-08 中国人民解放军空军特色医学中心 基于人体肌肉表面电信号的睡眠结构自动分析方法
RU2751137C1 (ru) * 2020-05-15 2021-07-08 ОБЩЕСТВО С ОГРАНИЧЕННОЙ ОТВЕТСТВЕННОСТЬЮ "СберМедИИ" Способ определения фазы сна в длительной записи ээг
CN111557813B (zh) * 2020-06-09 2021-11-23 首都医科大学宣武医院 用于儿童癫痫监测的围栏系统
KR102298119B1 (ko) * 2020-12-10 2021-09-03 주식회사 에이슬립 수면에 관련한 분석 정보를 제공하기 위한 방법 및 컴퓨팅 장치
KR102387735B1 (ko) * 2021-08-30 2022-04-18 주식회사 에이슬립 수면 분석 모델을 이용한 수면 분석 방법, 장치 및 컴퓨터 프로그램
CN114052662B (zh) * 2021-11-11 2023-08-08 四川省医学科学院·四川省人民医院 一种结合大脑、小脑脑电和肌电整合分析睡眠分期的方法

Family Cites Families (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4026630A (en) * 1975-12-23 1977-05-31 International Business Machines Corporation Scanning apparatus using holographic beam deflector
US5083571A (en) * 1988-04-18 1992-01-28 New York University Use of brain electrophysiological quantitative data to classify and subtype an individual into diagnostic categories by discriminant and cluster analysis
FR2657443B1 (fr) * 1990-01-24 1992-05-15 Blanchet Gerard Procede et appareil de traitement de signal electro-encephalographique.
US5320109A (en) * 1991-10-25 1994-06-14 Aspect Medical Systems, Inc. Cerebral biopotential analysis system and method
US5995868A (en) * 1996-01-23 1999-11-30 University Of Kansas System for the prediction, rapid detection, warning, prevention, or control of changes in activity states in the brain of a subject
US5819007A (en) * 1996-03-15 1998-10-06 Siemens Medical Systems, Inc. Feature-based expert system classifier
US5813993A (en) * 1996-04-05 1998-09-29 Consolidated Research Of Richmond, Inc. Alertness and drowsiness detection and tracking system
EP0828225A1 (de) * 1996-09-04 1998-03-11 Siemens Aktiengesellschaft Verfahren und Vorrichtung zum Auswerten von EEG-Daten
US6070098A (en) * 1997-01-11 2000-05-30 Circadian Technologies, Inc. Method of and apparatus for evaluation and mitigation of microsleep events
IT1313719B1 (it) * 1999-09-24 2002-09-17 St Microelectronics Srl Stadio d'uscita per circuiti comparatori ad alta velocita'
US6317627B1 (en) * 1999-11-02 2001-11-13 Physiometrix, Inc. Anesthesia monitoring system based on electroencephalographic signals
US6731975B1 (en) 2000-10-16 2004-05-04 Instrumentarium Corp. Method and apparatus for determining the cerebral state of a patient with fast response
US6735467B2 (en) * 2002-04-15 2004-05-11 Persyst Development Corporation Method and system for detecting seizures using electroencephalograms
US7373198B2 (en) * 2002-07-12 2008-05-13 Bionova Technologies Inc. Method and apparatus for the estimation of anesthetic depth using wavelet analysis of the electroencephalogram
US20040092809A1 (en) * 2002-07-26 2004-05-13 Neurion Inc. Methods for measurement and analysis of brain activity
US7190995B2 (en) * 2003-06-13 2007-03-13 The Regents Of The University Of Michigan System and method for analysis of respiratory cycle-related EEG changes in sleep-disordered breathing
US8192376B2 (en) * 2003-08-18 2012-06-05 Cardiac Pacemakers, Inc. Sleep state classification
WO2005036455A2 (en) * 2003-10-08 2005-04-21 Case Western Reserve University Method for displaying spectral trends in complex signals
US20060021762A1 (en) * 2004-07-27 2006-02-02 Tyco Fire Products Lp Double interlock, preaction residential dry sprinkler fire protection system with a releasing control panel
US7925338B2 (en) * 2005-03-24 2011-04-12 General Electric Company Determination of the anesthetic state of a patient

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102274022B (zh) * 2011-05-10 2013-02-27 浙江大学 一种基于脑电信号的睡眠状态监测方法
CN102274022A (zh) * 2011-05-10 2011-12-14 浙江大学 一种基于脑电信号的睡眠状态监测方法
CN105142504A (zh) * 2013-04-10 2015-12-09 皇家飞利浦有限公司 用于基于心脏活动来增强睡眠慢波活动的系统和方法
CN105451801B (zh) * 2013-06-11 2019-02-22 新加坡科技研究局 声音诱导的睡眠方法和用于该方法的系统
CN105451801A (zh) * 2013-06-11 2016-03-30 新加坡科技研究局 声音诱导的睡眠方法和用于该方法的系统
CN105813558A (zh) * 2013-12-16 2016-07-27 皇家飞利浦有限公司 用于基于睡眠周期确定睡眠阶段的系统和方法
CN105636515A (zh) * 2014-02-13 2016-06-01 阿瑟.舒尔茨 用于自动评估失神eeg的方法、计算机程序和评估设备
CN105636515B (zh) * 2014-02-13 2018-08-28 阿瑟.舒尔茨 用于自动评估失神eeg的计算机程序和评估设备
CN108420406A (zh) * 2018-03-21 2018-08-21 苏州优函信息科技有限公司 基于脉搏波睡眠分期的方法
CN109464130A (zh) * 2019-01-09 2019-03-15 浙江强脑科技有限公司 睡眠辅助方法、系统及可读存储介质
CN109464130B (zh) * 2019-01-09 2021-11-09 浙江强脑科技有限公司 睡眠辅助方法、系统及可读存储介质
CN112435741A (zh) * 2020-11-17 2021-03-02 杭州云睡吧健康管理有限公司 一种入睡潜伏期数据库建立方法及使用其的助眠系统
CN112435741B (zh) * 2020-11-17 2022-07-01 杭州云睡吧健康管理有限公司 一种使用入睡潜伏期数据库的助眠系统
CN112617761A (zh) * 2020-12-31 2021-04-09 湖南东晟南祥智能科技有限公司 自适应聚点生成的睡眠阶段分期方法
CN112842266A (zh) * 2020-12-31 2021-05-28 湖南东晟南祥智能科技有限公司 一种基于人体监测睡眠数据的睡眠分期阶段识别方法
CN112617761B (zh) * 2020-12-31 2023-10-13 湖南正申科技有限公司 自适应聚点生成的睡眠阶段分期方法
CN116392087A (zh) * 2023-06-06 2023-07-07 安徽星辰智跃科技有限责任公司 基于模态分解的睡眠趋稳性量化及调节方法、系统和装置
CN116392087B (zh) * 2023-06-06 2023-09-01 安徽星辰智跃科技有限责任公司 基于模态分解的睡眠趋稳性量化及调节方法、系统和装置

Also Published As

Publication number Publication date
IL187239A (en) 2013-06-27
JP2008544772A (ja) 2008-12-11
KR101395197B1 (ko) 2014-05-15
EP1885237B1 (en) 2015-04-22
EP1885237A2 (en) 2008-02-13
JP5964351B2 (ja) 2016-08-03
US20120029378A1 (en) 2012-02-02
CA2607049A1 (en) 2006-11-16
JP2014176743A (ja) 2014-09-25
ES2542852T3 (es) 2015-08-12
IL226577B (en) 2019-12-31
IL226577A0 (en) 2013-06-27
HK1113072A1 (zh) 2008-09-26
WO2006122201A2 (en) 2006-11-16
WO2006121455A1 (en) 2006-11-16
US20200167560A1 (en) 2020-05-28
IL187239A0 (en) 2008-02-09
US11690557B2 (en) 2023-07-04
CN101272732B (zh) 2012-11-14
KR20080025673A (ko) 2008-03-21
US8073534B2 (en) 2011-12-06
EP1885237A4 (en) 2013-03-20
US20070016095A1 (en) 2007-01-18
WO2006122201A3 (en) 2007-12-21
CA2607049C (en) 2015-03-31

Similar Documents

Publication Publication Date Title
CN101272732B (zh) 睡眠和清醒状态的自动检测
Yılmaz et al. Sleep stage and obstructive apneaic epoch classification using single-lead ECG
Talebi et al. Natural versus synthetic stimuli for estimating receptive field models: a comparison of predictive robustness
US20110218454A1 (en) Methods of Identifying Sleep & Waking Patterns and Uses
CN110897639A (zh) 一种基于深度卷积神经网络的脑电睡眠分期方法
Fan et al. Topological pattern recognition of severe Alzheimer's disease via regularized supervised learning of EEG complexity
JP6727432B2 (ja) 睡眠判定装置、睡眠判定方法、および、睡眠判定プログラム
El-Manzalawy et al. Sleep/wake state prediction and sleep parameter estimation using unsupervised classification via clustering
Lewandowski et al. Extracting more information from EEG recordings for a better description of sleep
US11696724B2 (en) Methods of identifying sleep and waking patterns and uses
Koch et al. Automatic sleep classification using adaptive segmentation reveals an increased number of rapid eye movement sleep transitions
Gudmundsson et al. Test–retest reliability and feature selection in physiological time series classification
Skibińska et al. Parkinson’s disease detection based on changes of emotions during speech
CN116348042A (zh) 用於量化注意力的方法及系統
Elsetrønning et al. On the effectiveness of signal decomposition, feature extraction and selection on lung sound classification
Maggard Automation of sleep staging
AU2015268701A1 (en) Methods of Identifying Sleep & Waking Patterns and Uses
Larocco Detection of microsleeps from the eeg via optimized classification techniques.
Rupp Cortical representations of language components studied with human electrocorticography
Liu Online automatic epileptic seizure detection from electroencephalogram (EEG)
Gaona Nonuniform power changes and spatial, temporal and spectral diversity in high gamma band (> 60 Hz) signals in human electrocorticography
Larios et al. Neurokiff” Taste-IT”
Jakaite Bayesian assessment of newborn brain maturity from sleep electroencephalograms
Citro Context-based seizure recognition using hidden markov models and bayesian networks
Low A new way to look at sleep: Separation and convergence

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C53 Correction of patent of invention or patent application
CB03 Change of inventor or designer information

Inventor after: Low Philip S.

Inventor before: Low Philip S.

Inventor before: Sejnowski Terrence J.

COR Change of bibliographic data

Free format text: CORRECT: INVENTOR; FROM: PHILIP S RAW TERENCE J SENOPHSKY TO: PHILIP S RAW

C14 Grant of patent or utility model
GR01 Patent grant