[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN110840455B - 用于脑活动解析的系统与方法 - Google Patents

用于脑活动解析的系统与方法 Download PDF

Info

Publication number
CN110840455B
CN110840455B CN201911127928.5A CN201911127928A CN110840455B CN 110840455 B CN110840455 B CN 110840455B CN 201911127928 A CN201911127928 A CN 201911127928A CN 110840455 B CN110840455 B CN 110840455B
Authority
CN
China
Prior art keywords
predetermined
wavelet
brain
specially programmed
individual
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.)
Active
Application number
CN201911127928.5A
Other languages
English (en)
Other versions
CN110840455A (zh
Inventor
内森·英特拉托
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Publication of CN110840455A publication Critical patent/CN110840455A/zh
Application granted granted Critical
Publication of CN110840455B publication Critical patent/CN110840455B/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
    • A61B5/24—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
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/148—Wavelet transforms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
    • A61B5/0022—Monitoring a patient using a global network, e.g. telephone networks, internet
    • 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
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
    • 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
    • A61B5/4824—Touch or pain perception evaluation
    • 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
    • A61B5/4848—Monitoring or testing the effects of treatment, e.g. of medication
    • 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
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Surgery (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Psychiatry (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Neurology (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Neurosurgery (AREA)
  • Psychology (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Hospice & Palliative Care (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Developmental Disabilities (AREA)
  • Child & Adolescent Psychology (AREA)
  • Databases & Information Systems (AREA)
  • Educational Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Algebra (AREA)

Abstract

本发明提供了一种计算机实施的方法，包括：获得表示特定个体的脑活动的电信号数据；基于与特定脑状态相关联的预定预测因子处理电信号数据，预测因子选自包含多个预定预测因子的预测因子库，其中与特定脑状态相关联的预定预测因子包括：由预定的母小波产生的预定的代表性小波包原子集，小波包原子的预定排序以及预定的归一化因子集，其中该处理包括：利用预定的代表性小波包原子集将电信号数据解构成多个预定的解构小波包原子，其中电信号数据的时间窗口投射到预定的代表性小波包原子集上，其中每个预定的代表性小波包原子对应于特定的预定脑活动特征。

Description

用于脑活动解析的系统与方法
分案信息
本申请是申请日为2016年2月16日、申请号为201680022201.9、发明名称为“用于脑活动解析的系统与方法”的中国发明专利申请的分案申请。
相关申请的交叉引用
本申请要求2015年2月16日提交的美国临时专利申请序列号No.62/116,647的优先权，其全部内容以引用方式并入本文。
技术领域
本发明的领域涉及一种用于监测受试者的大脑状态、健康和健壮程度的方法和系统。
背景技术
脑电图(EEG)是一种监测脑电活动的方法。它通常是非侵入性的，其中电极沿着头皮放置，然而，在特定应用中可以使用侵入性电极。EEG测量由大脑神经元内的离子电流引起的电压波动。然而，EEG电极的灵敏度将检测限制在靠近每个电极的脑的小区域，从而限制EEG的空间分辨率。
功能磁共振成像(fMRI)是另一种监测脑活动的方法。然而，磁共振成像仪是一种庞大且昂贵的临床装置，其既不能在诊所外使用，也不能以连续的方式使用。
附图说明
本文仅通过示例的方式参照附图来描述本发明的一些实施例。现在详细地具体参考附图，应该强调的是，所示的细节是作为示例并且为了说明性地讨论本发明的实施例的目的。在这方面，使用附图进行的描述使得熟悉本领域的技术人员显而易知可以如何实施本发明的实施例。
图1示出了根据本发明的一些实施例的记录电极的屏幕截图。
图2示出了根据本发明的一些实施例的受试者的脑活动特征的记录表示的示例的屏幕截图。
图3A和图3B示出了根据本发明的一些实施例的受试者的脑活动特征的记录表示的示例的屏幕截图。
图4示出了根据本发明的一些实施例的受试者的脑活动特征(BAF)表示的示例的屏幕截图。
图5示出了根据本发明的一些实施例的受试者的BAF表示的示例的屏幕截图。
图6示出了根据本发明的一些实施例的受试者的BAF表示的示例的屏幕截图。
图7示出了根据本发明的一些实施例的受试者的BAF表示的示例的屏幕截图。
图8示出了根据本发明的一些实施例的受试者的BAF表示的示例的屏幕截图。
图9示出了根据本发明的一些实施例的受试者的BAF表示的示例的屏幕截图。
图10示出了根据本发明的一些实施例的受试者的BAF表示的示例的屏幕截图。
图11示出了根据本发明的一些实施例的受试者的脑活动特征的记录表示的示例的屏幕截图。
图12示出了根据本发明的一些实施例的受试者的脑活动特征的多个记录表示的示例的屏幕截图。
图13示出了根据本发明的一些实施例的受试者的BAF表示的示例的屏幕截图。
图14示出了根据本发明的一些实施例专门编程的计算机体系结构的示例的屏幕截图。
图15示出了根据本发明的一些实施例专门编程的计算机体系结构的示例的屏幕截图。
图16示出了根据本发明的一些实施例专门编程的计算机体系结构的示例的屏幕截图。
发明内容
在一个实施例中，本发明提供一种计算机实施的方法，包括：
a.实时地由专门编程的处理器获得表示特定个体的脑活动的电信号数据；
b.基于与特定脑状态相关联的预定预测因子，实时地处理表示特定个体的脑活动的电信号数据，该预测因子选自包含多个预定预测因子的预测因子库，其中每个个体预定的预测因子与唯一的脑状态相关联，
其中与特定脑状态相关联的预定预测因子包括：
i.预定的母小波，
ii.由预定的母小波产生的预定的代表性小波包原子集，
iii.小波包原子的预定排序，以及
iv.预定的归一化因子集，
其中该处理包括：
i.利用预定的代表性小波包原子集由专门编程的处理器将电信号数据解构成多个预定的解构小波包原子，
其中电信号数据的时间窗口投射到预定的代表性小波包原子集上
其中该投射经由卷积或内积，以及
其中每个预定的代表性小波包原子对应于来自多个预定脑活动特征库的特定预定脑活动特征；
ii.将多个预定的解构小波包原子存储在至少一个计算机数据对象中；
iii.基于利用预定顺序由专门编程的处理器使所存储的多个预定的解构小波包原子在计算机数据对象内重新排序；
iv.获得每个重新排序的多个预定的解构小波包原子的活动的统计测量；以及
v.基于利用预定的归一化因子对重新排序的多个预定小波包原子进行归一化；以及
c.基于处理来输出特定个体的至少一个个性化精神状态的视觉指示、特定个体的至少一个个性化神经病症的视觉指示或两者的视觉指示，
其中与多个预定预测因子中的特定脑状态相关联的个体预定预测因子通过以下步骤产生，所述步骤包括：
i.通过以下方式获得预定的代表性小波包原子集：
a.由专门编程的处理器从多个个体获得表示特定脑状态的脑活动的至少一份多个电信号数据；
b.从多个母小波中选择母小波，
其中母小波选自小波族，该小波族选自由以下组成的群组：Haar、CoifletDaubehies和Mayer小波族；
c.使用所选择的母小波由专门编程的处理器将至少一份多个电信号数据解构成多个小波包原子，
d.将多个小波包原子存储在至少一个计算机数据对象中；
e.使用预定的母小波确定最佳的小波包原子集，并将最佳的小波包原子集存储在至少一个计算机数据对象中，
其中该确定经由利用分析最优基算法；以及
f.由专门编程的处理器对最佳集中的许多小波包原子施加小波去噪；
ii.通过以下方式获得小波包原子的预定排序：
a.由专门编程的处理器将表示每4秒数据窗口的脑活动的至少一份多个电信号数据投射到预定的代表性小波包原子集上；
b.将投射存储在至少一个计算机数据对象中；
c.通过确定不同信道与其相邻信道的投射的统计测量的平均绝对距离，由专门编程的处理器确定投射中每个数据点的线长；
d.将线长数据存储在至少一个计算机数据对象中；以及
e.由专门编程的计算机重新排序存储的投射，以最小化跨越每个时间窗口、跨越多个个体内的所有个体以及跨越投射的线长值的统计值；以及
iii.通过以下方式获得预定的归一化因子集：
a.由专门编程的计算机确定存储的投射的值的平均值和标准偏差。
在一个实施例中，本发明提供一种专门编程的计算机系统，包括：
a.至少一个专用计算机，包括：
i.非瞬时存储器，该非瞬时存储器电子地存储特定的计算机可执行程序代码；和
ii.至少一个计算机处理器，该至少一个计算机处理器在执行特定程序代码时成为被配置为执行至少以下操作的专门编程的计算机处理器：
1.实时地由专门编程的处理器获得表示特定个体的脑活动的电信号数据；
2.基于与特定脑状态相关联的预定预测因子，实时地处理表示特定个体的脑活动的电信号数据，该预测因子选自包含多个预定预测因子的预测因子库，其中每个个体预定的预测因子与唯一的脑状态相关联，
其中与特定脑状态相关联的预定预测因子包括：
i.预定的母小波，
ii.预定的代表性小波包原子集，
iii.由预定的母小波产生的小波包原子的预定排序，以及
iv.预定的归一化因子集，
其中该处理包括：
i.利用预定的代表性小波包原子集由专门编程的处理器将电信号数据解构成多个预定的解构小波包原子，
其中电信号数据的时间窗口投射到预定的代表性小波包原子集上
其中该投射经由卷积或内积，以及其中每个预定的代表性小波包原子对应于来自多个预定脑活动特征库的特定预定脑活动特征；
ii.将多个预定的解构小波包原子存储在至少一个计算机数据对象中；
iii.基于利用预定顺序由专门编程的处理器使所存储的多个预定的解构小波包原子在计算机数据对象内重新排序；
iv.获得每个重新排序的多个预定的解构小波包原子的活动的统计测量；以及
v.基于利用预定的归一化因子对重新排序的多个预定小波包原子进行归一化；以及
3.基于处理来输出特定个体的至少一个个性化精神状态的视觉指示、特定个体的至少一个个性化神经病症的视觉指示或两者的视觉指示，
其中与多个预定预测因子中的特定脑状态相关联的个体预定预测因子通过以下步骤产生，所述步骤包括：
i.通过以下方式获得预定的代表性小波包原子集：
1.由专门编程的处理器从多个个体获得表示特定脑状态的脑活动的至少一份多个电信号数据；
2.从多个母小波中选择母小波，
其中母小波选自小波族，该小波族选自由以下组成的群组：Haar、CoifletDaubehies和Mayer小波族；
3.使用所选择的母小波由专门编程的处理器将至少一份多个电信号数据解构成多个小波包原子，
4.将多个小波包原子存储在至少一个计算机数据对象中；
5.使用预定的母小波确定最佳的小波包原子集，并将最佳的小波包原子集存储在至少一个计算机数据对象中，
其中该确定经由利用最优基算法；以及
6.由专门编程的处理器对最佳集中的许多小波包原子施加小波去噪；
ii.通过以下方式获得小波包原子的预定排序：
1.由专门编程的处理器将表示每4秒数据窗口的脑活动的至少一份多个电信号数据投射到预定的代表性小波包原子集上；
2.将投射存储在至少一个计算机数据对象中；
3.通过确定不同信道与其相邻信道的投射的统计测量的平均绝对距离，由专门编程的处理器确定投射中每个数据点的线长；
4.将线长数据存储在至少一个计算机数据对象中；以及
5.由专门编程的计算机重新排序存储的投射，以最小化跨越每个时间窗口、跨越多个个体内的所有个体以及跨越投射的线长值的统计值；以及
iii.通过以下方式获得预定的归一化因子集：
1.由专门编程的计算机确定存储的投射的值的平均值和标准偏差。
在一个实施例中，使用位于特定个体的前额上的两个电极来记录表示特定个体的脑活动的电信号数据。
在一个实施例中，每个时间窗口是四秒时间窗口。
在一个实施例中，重新排序的统计值选自由以下组成的群组：小波包原子的绝对差之和的平均值和小波包原子(1-相关)之和的平均值。
在一个实施例中，特定个体的至少一个个性化精神状态的视觉指示用于在特定个体中识别潜在的精神状态、潜在的神经病症，或潜在的精神状态和潜在的神经病症的组合，其中专门编程的计算机利用至少一个机器学习算法，包括但不限于逻辑回归建模、支持向量机建模和深度学习建模，以将至少一个特定脑状态分配给特定个体的至少一个个性化精神状态的视觉指示，其中至少一个特定脑状态与精神状态、神经病症，或精神状态和神经病症的组合相关联。
在一个实施例中，将至少一个特定脑状态分配给特定个体的至少一个个性化精神状态的视觉指示识别出与特定神经病症相关联的特定个体的脑中的至少一个神经网络中的异常。
在一个实施例中，特定个体的脑中的至少一个神经网络中的异常用于诊断具有神经病症的特定个体。
在一个实施例中，神经病症选自由以下组成的群组：阿尔茨海默病、痴呆、应激、疲劳、焦虑、癫痫、创伤性脑损伤、认知功能丧失、偏头痛、慢性疼痛、昏迷、与自闭症或自闭症谱系障碍相关联的对外部刺激缺乏反应或作出不适当反应、注意力不集中和睡眠障碍。
在一个实施例中，使用至少一个特定脑状态来确定特定个体的情绪状态。
在一个实施例中，特定个体正在接受治疗，并且使用特定个体的至少一个个性化精神状态的视觉指示来确定治疗的有效性。
在一个实施例中，特定个体正在接受治疗，并且使用特定个体的至少一个个性化精神状态的视觉指示来确定待施用的治疗的性质。
在一个实施例中，特定个体正在接受治疗，并且使用特定个体的至少一个个性化精神状态的视觉指示来确定治疗的持续时间。
在一个实施例中，特定个体正在接受治疗，并且使用特定个体的至少一个个性化精神状态的视觉指示来确定治疗的给药方案。
在一个实施例中，治疗是麻醉剂，并且麻醉剂的效用由特定个体感觉疼痛和/或个体察觉到的疼痛水平的能力以及与特定个体的至少一个个性化精神状态的视觉指示的变化的相关性来确定。
在一个实施例中，治疗是偏头痛治疗，并且偏头痛治疗的效用由特定个体感觉疼痛的能力和/或个体察觉到的疼痛水平以及与特定个体的至少一个个性化精神状态的视觉指示的变化的相关性来确定。
在一个实施例中，特定个体正在执行特定的认知任务。
在一个实施例中，特定认知任务选自由以下组成的群组：短期和/或长期记忆回忆、电子学习、冥想和集中。
在一个实施例中，特定个体在特定时间具有特定的脑状态。
具体实施方式
在已经公开的这些益处和改进之中，通过结合附图的以下描述，本发明的其它对象和优点将变得显而易见。本文公开了本发明的详细实施例；然而，应当理解，所公开的实施例仅仅是可以以各种形式实施的本发明的说明。另外，结合本发明的各种实施例给出的每个示例旨在说明而不是限制性的。
在整个说明书和权利要求书中，以下术语具有本文明确相关的含义，除非上下文另有明确规定。在本文中使用的短语“在一个实施例中”和“在一些实施例中”不一定指代相同的实施例，但它可以。此外，在本文中使用的短语“在另一实施例”和“在一些其它实施例中”不一定指代不同的实施例，但它可以。因此，如下所述，在不脱离本发明的范围或精神的情况下，可以容易地组合本发明的各种实施例。
此外，如本文所使用的，术语“或”是包含的“或”运算符，并且等同于术语“和/或”，除非上下文另有明确规定。术语“基于”不是排它性的，并且允许基于未描述的其它因素，除非上下文另有明确规定。此外，在整个说明书中，“一”，“一个”和“该”的含义包括复数引用。“在……中”的含义包括“在……中”和“在……上”。
应当理解，本文描述的各种实施例的至少一个方面/功能可以实时和/或动态地执行。如本文所使用的，术语“实时”是指可能在已经发生另一事件/动作的时间瞬时或几乎瞬时发生的事件/动作。在一些实施例中，术语“瞬时”、“瞬时地”、“即时”和“实时”是指其中发送搜索请求的第一时间和对收到的请求作出响应的第二时间之间的时间差不超过1秒的情况。在一些实施例中，请求和响应之间的时间差在小于1秒与几秒之间。
如本文所使用的，术语“动态(地)”意味着事件和/或动作可以在没有任何人为干预的情况下被触发和/或发生。在一些实施例中，根据本发明的事件和/或动作可以实时地和/或基于以下至少一个的预定周期：纳秒、几纳秒、毫秒、几毫秒、秒、几秒、分钟、几分钟、小时、几小时、每天、几天、每周、每月等。
将EEG信号分解成不同的分量是研究脑活动和脑状态的有效工具，并且在给定的脑状态下，推断出大脑的某些功能区域或大脑中神经网络的作用。不受任何特定理论的限制，特定的脑状态与特定的精神状态、特定的神经病症、或精神状态和神经病症的特定组合相关联。
不受任何特定理论的限制，通过常规EEG检测到的脑活动与从大约0.5Hz(δ波)到高于32Hz的γ波的多个频带相关联。其间是θ波、α波和β波等。然而，假设EEG电极仅对从靠近每个电极的大脑的小区域发出的电信号敏感。因此，习惯上用大量覆盖整个头部的电极记录EEG活动。通过估计电信号到达不同电极时的相位来计算负责检测到的电活动的大脑的位置。上述BAF也可以包括这些频带。
在本发明的一些实施例中，不需要针对给定认知功能或精神状态确定大脑内的某些区域或神经网络的作用。在一些实施例中，使用位于受试者前额上的两个电极(例如，Fp1和Fp2)记录受试者的脑电活动。在一些实施例中，Fp1或Fp2电极用作参考电极，并且记录的电活动是Fp1电极与Fp2电极之间的差。或者，在一些实施例中，Fp2电极可以用作参考电极或记录电极。
在一些实施例中，本发明提供了一种计算机实施的方法，包括：
a.实时地由专门编程的处理器获得表示特定个体的脑活动的电信号数据；
b.基于与特定脑状态相关联的预定预测因子，实时地处理表示特定个体的脑活动的电信号数据，该预测因子选自包含多个预定预测因子的预测因子库，其中每个个体预定的预测因子与唯一的脑状态相关联，
其中与特定脑状态相关联的预定预测因子包括：
i.预定的母小波，
ii.由预定的母小波产生的预定的代表性小波包原子集，
iii.小波包原子的预定排序，以及
iv.预定的归一化因子集，
其中该处理包括：
i.利用预定的代表性小波包原子集由专门编程的处理器将电信号数据解构成多个预定的解构小波包原子，
其中电信号数据的时间窗口投射到预定的代表性小波包原子集上
其中该投射经由卷积或内积，以及
其中每个预定的代表性小波包原子对应于来自多个预定脑活动特征库的特定预定脑活动特征；
ii.将多个预定的解构小波包原子存储在至少一个计算机数据对象中；
iii.可选地基于利用预定顺序由专门编程的处理器使所存储的多个预定的解构小波包原子在计算机数据对象内重新排序；
iv.获得每个重新排序的多个预定的解构小波包原子的活动的统计测量；以及
v.基于利用预定的归一化因子对重新排序的多个预定小波包原子进行归一化；以及
a.基于所述处理来输出特定个体的至少一个个性化精神状态的视觉指示、特定个体的至少一个个性化神经病症的视觉指示或两者的视觉指示，
其中与多个预定预测因子中的特定脑状态相关联的个体预定预测因子通过以下步骤产生，所述步骤包括：
i.通过以下方式获得预定的代表性小波包原子集：
a.由专门编程的处理器从多个个体获得表示特定脑状态的脑活动的至少一份多个电信号数据；
b.从多个母小波中选择母小波，
其中母小波选自小波族，该小波族选自由以下组成的群组：Haar、CoifletDaubehies和Mayer小波族；
c.使用所选择的母小波由专门编程的处理器将所述至少一份多个电信号数据解构成多个小波包原子，
d.将所述多个小波包原子存储在至少一个计算机数据对象中；
e.使用预定的母小波确定最佳的小波包原子集，并将最佳的小波包原子集存储在至少一个计算机数据对象中，
其中该确定经由利用最优基算法；以及
f.由专门编程的处理器对最佳集中的许多小波包原子施加小波去噪；
ii.通过以下方式获得小波包原子的预定排序：
a.由专门编程的处理器将表示每4秒数据窗口的脑活动的所述至少一份多个电信号数据投射到预定的代表性小波包原子集上；
b.将投射存储在至少一个计算机数据对象中；
c.通过确定不同信道与其相邻信道的投射的统计测量的平均绝对距离，由专门编程的处理器确定投射中每个数据点的线长；
d.将线长数据存储在至少一个计算机数据对象中；以及
e.可选地由专门编程的计算机重新排序存储的投射，以最小化跨越每个时间窗口、跨越多个个体内的所有个体以及跨越投射的线长值的统计值；以及
iii.通过以下方式获得预定的归一化因子集：
a.由专门编程的计算机确定存储的投射的值的平均值和标准偏差。
在一些实施例中，使用位于特定个体的前额上的两个电极记录表示特定个体的脑活动的电信号数据。
图1中示出根据本发明的一些实施例的记录电极的示例。在一些实施例中，使用位于受试者前额上的一到三个之间的电极来记录受试者的脑电活动。在一些实施例中，使用不在受试者前额或除此之外的位于头部区域的一到三个之间的电极来记录受试者的脑电活动。例如，在一些实施例中，至少一个电极位于受试者耳朵的后部或之上或其中。例如，在一些实施例中，至少一个电极是定位在受试者头部上的物品的一部分，其中物品配置成用于除了承载至少一个电极之外的至少一个附加功能。例如，在一些实施例中，该物品是头饰(例如，帽子)。例如，在一些实施例中，该物品是电子装置(例如，耳机)。
在一些实施例中，根据G.Castellani等人的基因学前沿(Frontiers inGenetics)，第5卷，第1至12页(2014)中公开的方法记录受试者的脑电活动。
在一些实施例中，表示特定个体的脑活动的电信号数据以250以上的足够大的采样率以及被配置为在大脑的期望位置检测足够的皮层活动的动态范围被记录。例如，预期更大的动态范围可以比较小的动态范围检测到更多的皮层活动。在一个实施例中，动态范围是15位及以上模数(A/D)分辨率。
在一些实施例中，特定个体正在执行特定的认知任务。
在一些实施例中，特定认知任务选自由以下组成的群组：短期和/或长期记忆回忆、电子学习、冥想和集中。
在一个实施例中，特定个体在特定时间具有特定的脑状态。
根据本发明的一些实施例的方法处理表示特定个体的脑活动的记录的电信号数 据
解构表示特定个体的大脑活动的记录的电信号数据：在一些实施例中，在特定时间段内实时记录表示特定个体的脑活动的记录的电信号数据。在一些实施例中，表示特定个体的脑活动的电信号数据被记录长达1小时。在一些实施例中，表示特定个体的脑活动的电信号数据被记录长达50分钟。在一些实施例中，表示特定个体的脑活动的电信号数据被记录长达40分钟。在一些实施例中，表示特定个体的脑活动的电信号数据被记录长达30分钟。在一些实施例中，表示特定个体的脑活动的电信号数据被记录长达20分钟。在一些实施例中，表示特定个体的脑活动的电信号数据被记录长达10分钟。
在一些实施例中，利用预定的代表性小波包原子集将表示特定个体的脑活动的实时记录的电信号数据解构成多个预定解构小波包原子。多个预定解构小波包原子内的每个个体的预定解构小波包原子对应于脑活动特征(“BAF”)。
在一些实施例中，预定的代表性小波包原子集是由预定母小波产生的，该预定母小波选自包括但不限于以下的小波族：Haar、CoifletDaubehies和Mayer小波族。在网站http://www.mathworks.com/help/wavelet/ref/waveletfamilies.html？refresh＝true中描述了根据本发明的一些实施例的适合于母小波的其他小波族。
在一些实施例中，利用预定的代表性小波包原子集根据Coifman,R.R.，&Wickerhauser，M.V.，IEEE Transactions on Information Theory，38(2)，713-718(1992)中公开的最优基算法将表示特定个体的脑活动的记录的电信号数据解构成多个预定解构小波包原子，其以引用方式并入本文，特别是基于香农(Shannon)等式的正交分解的描述，详见第三节——矢量的熵。
在一些实施例中，利用预定的代表性小波包原子集根据香农熵和Stainvas,I和Intrator,N.，In.J.Appl.Mathematics and Statistics，4(J06)，1-22(2006)中公开的另一种合适的最优基算法的组合将表示特定个体的脑活动的记录的电信号数据解构成多个预定解构小波包原子，其具体公开内容以引用方式并入本文。
在一些实施例中，利用预定的代表性小波包原子集根据香农熵和Intrator，N，Neural Computation 5，443-455(1993)中公开的另一种合适的最优基算法的组合将表示特定个体的脑活动的记录的电信号数据解构成多个预定解构小波包原子，其具体公开内容以引用方式并入本文。
在一些实施例中，利用预定的代表性小波包原子集根据香农熵和Intrator，N，Neural Computation 4，98-1-7(1992)中公开的另一种合适的最优基算法的组合将表示特定个体的脑活动的记录的电信号数据解构成多个预定解构小波包原子，其具体公开内容以引用方式并入本文。
重新排序多个预定解构小波包原子：在一些实施例中，根据预定顺序重新排序多个预定小波包原子。在一些实施例中，利用预定的归一化因子对重新排序的多个预定小波包原子进行归一化。在一些实施例中，所述多个预定小波包原子仅被归一化。
在一些实施例中，利用通过标准EEG记录电极记录的电数据，对本发明的示例性专门编程的处理器进行编程，以便首先分别基于从多个个体收集的数据的数据集对由至少一个带通滤波器输出的每个小波包原子进行归一化来分别确定每个小波包原子的表示值的分布。在一些实施例中，至少一个带通滤波器具有2到36个通道。在一些实施例中，至少一个带通滤波器具有至少12个通道。在一些实施例中，至少一个带通滤波器具有至少16个通道。在一些实施例中，至少一个带通滤波器具有至少32个通道。
特定个体的至少一个个性化精神状态的视觉指示：在一些实施例中，预定小波包原子上的多个归一化的、重新排序的投射的统计测量被组合成视觉表示，其中多个中的每个个体归一化的预定小波包原子对应于BAF，并且根据预定顺序排列在表示中。如本文所使用的，“BAF表示”是指小波包原子上的多个归一化的、重新排序的预定投射的视觉表示。图2中示出根据本发明的一些实施例的受试者的BAF表示的示例。
在一些实施例中，特定个体的BAF表示具有121个个体BAF。或者，在一些实施例中，特定个体的BAF表示具有多达200个个体BAF。或者，在一些实施例中，特定个体的BAF表示具有10到200个个体BAF。或者，在一些实施例中，特定个体的BAF表示具有1到1000个个体BAF。或者，在一些实施例中，特定个体的BAF表示具有30到1000个个体BAF。或者，在一些实施例中，特定个体的BAF表示具有至少30个个体BAF。或者，在一些实施例中，特定个体的BAF表示具有的个体BAF数量是被记录的BAF数量的倍数(例如，2倍、3倍、4倍、5倍、6倍等)。
在一些实施例中，受试者的BAF表示具有121个个体BAF。或者，在一些实施例中，受试者的BAF表示具有超过200个个体BAF。或者，在一些实施例中，受试者的BAF表示具有10到200个个体BAF。或者，在一些实施例中，受试者的BAF表示具有1到1000个个体BAF。或者，在一些实施例中，受试者的BAF表示具有30到1000个个体BAF。或者，在一些实施例中，受试者的BAF表示具有至少30个个体BAF。或者，在一些实施例中，受试者的BAF表示具有的个体BAF数量是被分析的神经网络数量的倍数(例如，2倍、3倍、4倍、5倍、6倍等)。在一些实施例中，BAF包括传统的EEG记录。
参考图2作为示例，垂直于y轴的每条线表示单个预定小波包原子上的投射的活动，(此处也称为BAF)。例如，可以通过对单个小波包原子或一组小波包原子的投射的至少一个合适的统计测量来表示活动，其中适当的统计测量可以是但不限于平均值、标准偏差等等。在一些实施例中，BAF表示可以是彩色编码的。例如，如图2所示，可以呈现强度谱上的各种活动区域，例如但不限于通过基于相应的活动水平将高活动区域呈现为至少一种特定颜色的较暗阴影区域(“热”)到将低活动趋向区域呈现为至少一种颜色或至少一种其它颜色(“冷”)的较亮阴影区域以及其间的任何连续的阴影。垂直于x轴的每一列表示在特定时间或特定时间段的脑活动状态(BAF表示)的向量。因此，x轴在时间上测量(例如，毫秒、秒、分钟、小时、天等)。在一些实施例中，在多个BAF的每个脑活动(BAF)的颜色编码之前，通过合适的非线性变换(例如直方图均衡)对图像进行归一化。
在一些实施例中，本发明的示例性专门编程的处理器被编程为在确定预定预测因子之前聚类表示特定个体的脑活动的电信号数据。例如，本发明的示例性专门编程的处理器被编程为由m个预定解构小波包原子上的投射产生m维矢量集，其可以进一步聚类成不同的脑状态。在一些实施例中，本发明的示例性专门编程的处理器被编程为通过使用至少一种机器学习技术来确定脑状态的数量。例如，本发明的示例性专门编程的处理器被编程为利用分层聚类来分析聚类数据，并且基于它们的成员之间的相对距离来确定哪些聚类被组在一起。
在一些实施例中，本发明的示例性专门编程的处理器被编程为至少部分地基于以下来利用聚类成员关系构造多个预定预测因子：
1)与聚类中心或与聚类的不同成员的距离，和/或
2)在当前帧之前的聚类成员关系的序列。
例如，本发明的示例性专门编程的处理器被编程为基于聚类成员来利用至少一个时间模型(例如但不限于马尔可夫链、隐马尔可夫模型、其它类似的合适模型)来确定预测因子库的特定预测因子。
在一些实施例中，在将聚类成员关系分配给每个窗口帧之后，本发明的示例性专门编程的处理器被编程以生成至少一个时间结构概率模型。例如，在文本分析中，从数据开始，本发明的专门编程的处理器被编程为：构造字母的词汇表(特定聚类)；基于字母分割识别单词，由识别的单词构建单词词汇，并解释特定的语法规则而由单词创建句子。例如，第一步是构建从一个字母移动到另一个字母的概率矩阵。
根据本发明的一些实施例的方法识别潜在的精神状态、潜在的神经病症，或潜在 的精神状态和神经病症的组合
在一些实施例中，特定个体的至少一个个性化精神状态的视觉指示用于在特定个体中识别潜在的精神状态、潜在的神经病症，或潜在的精神状态和潜在的神经病症的组合，其中专门编程的计算机利用选自由逻辑回归建模、支持向量机建模和深度学习建模组成的群组的至少一种机器学习算法，以将至少一个特定脑状态分配给至少一个特定个体的个性化精神状态，其中至少一个特定脑状态与精神状态、神经病症，或精神状态和神经病症的组合相关联。
在一些实施例中，本发明的示例性专门编程的处理器被编程为使用至少一个机器学习算法例如但不限于逻辑回归建模、支持向量机建模和深度学习建模来识别特定个体中的潜在的精神状态、潜在的神经病症，或潜在的精神状态和潜在的神经病症的组合。具体地说，在一些实施例中，本发明的专门编程的处理器被编程为至少执行以下步骤：
1)将表示特定个体的脑活动的电信号数据分成训练、验证和测试数据集；
2)基于训练集生成一组模型，对验证集进行最优化；
3)对测试集测试每个模型的性能；
4)对特定AI模型的不同参数重复步骤1到3(例如，脊线回归模型中的正则化参数；前馈神经网络中隐藏单元的数量；前馈神经网络中的权重衰减参数；内核模型诸如支持向量机中的内核类型和数量；支持向量机中的高斯和正则化参数的组合；高斯模型的组合等)；以及
5)在确定了模型参数集之后，获得关于新数据集的预测结果，并针对不同的正交分解族和其它模型参数重复步骤1到4，所述其它模型参数从表示特定个体的脑活动的记录的电信号数据获得。
在一些实施例中，当特定个体具有特定精神状态时，记录表示特定个体的脑活动的电信号数据。在一些实施例中，特定精神状态是未知的，并且根据本发明的一些实施例的方法用于识别特定精神状态。
特定精神状态的示例包括但不限于癫痫发作、恐惧、焦虑、疼痛、睡眠状态(例如，快速眼动(REM)睡眠)、觉醒、警觉、疲劳、麻痹、冥想状态、应激、其他情绪、与痴呆相关联的不同脑状态、与自闭症或自闭症谱系障碍相关联的对外部刺激缺乏反应或作出不适当反应等。图3中示出具有特定精神状态的受试者的BAF表示的示例。
参考图3A，示出正在进行三种类型的冥想(经由水平括号指示)的有经验的瑜珈师的脑活动表示)。在前两次冥想和第三次冥想之后，瑜珈师解释了他在做什么。BAF中的范围用垂直括号表示。这种BAF的集合与意识相关联。很明显，一次冥想只强调这些意识渠道，当瑜珈师解释他在做什么冥想时，活动中显而易见。
参考图3B，示出了处于植物人状态的个体的BAF表示。图3A中示出BAF亮点，并且不活跃。然而，对个体的医疗脑刺激的管理能够在短时间内激活与认知相关联的BAF。这为利用BAF表示确定药物效用的能力提供了示例。
在一些实施例中，当特定个体执行特定认知任务时，记录表示特定个体的脑活动的电信号数据。在一些实施例中，根据本发明的一些实施例的方法至少部分地基于在特定个体执行特定认知任务时所记录的表示特定个体的脑活动的电信号数据来识别潜在的精神状态、潜在的神经病症，或潜在的精神状态和潜在的神经病症的组合。
特定认知任务的示例包括但不限于：短期和长期记忆回忆、刺激识别、冥想、学习、观看电影、观察图像、运动期间的强烈集中、对感官刺激的反应等。图[6]中示出执行特定认知任务的受试者的BAF表示的示例。
在一些实施例中，感官刺激可以是听觉、触觉、嗅觉、视觉等。
在一些实施例中，将至少一个特定脑状态分配给特定个体的至少一个个性化精神状态的视觉指示识别出与特定神经病症相关联的特定个体的脑中的至少一个神经网络中的异常。
在一些实施例中，特定个体的脑中的至少一个神经网络中的异常用于诊断具有神经病症状况的特定个体。
在一些实施例中，神经病症选自由以下组成的群组：阿尔茨海默病、痴呆、应激、疲劳、焦虑、癫痫、创伤性脑损伤、认知功能丧失、昏迷、与自闭症或自闭症谱系障碍相关联的对外部刺激缺乏反应或作出不适当反应、注意力不集中和睡眠障碍。图4中示出具有神经病症的受试者的BAF表示的示例。
在一些实施例中，特定个体的神经病症是未知的，并且根据本发明的一些实施例的方法识别神经病症。
在一些实施例中，使用至少一个特定脑状态来确定特定个体的情绪状态。
在一些实施例中，特定个体正在接受治疗，并且使用特定个体的至少一个个性化精神状态的视觉指示来确定治疗的有效性。
例如，通过说明，在大约6月龄对自闭症患者的早期干预可以改善自闭症的治疗。在另一个示例中，与个体脑中的癫痫有关的至少一个神经元网络中的异常活动的早期检测可以改善对癫痫的治疗，或者警告个体或个体的护理者发生或将会发生癫痫发作。在另一个示例中，与个体脑中偏头痛相关联的至少一个神经元网络中的异常活动的早期检测可以改善偏头痛的治疗，或者警告个体或个体的护理者发生或将会发生偏头痛。在另一个示例中，与个体脑部缺血事件相关联的至少一个神经元网络中的异常活动的早期检测可以改善缺血性损伤的治疗，或者警告个体或个人的护理者发生、将会发生或已经发生缺血性事件，例如短暂性缺血事件或中风。在一些实施例中，可以在受试者睡着时记录特定个体的脑活动，在某些缺血性病症的情况下，是在当这些病症更可能发生时。
在一些实施例中，特定个体正在接受治疗，并且使用特定个体的至少一个个性化精神状态的视觉指示来确定待施用的治疗的性质。
在一些实施例中，特定个体正在接受治疗，并且使用特定个体的至少一个个性化精神状态的视觉指示来确定治疗的持续时间。
在一些实施例中，特定个体正在接受治疗，并且使用特定个体的至少一个个性化精神状态的视觉指示来确定治疗的给药方案。
在一些实施例中，治疗是麻醉剂，并且麻醉剂的效用由特定个体感觉疼痛和/或个体察觉到的疼痛水平的能力以及与特定个体的至少一个个性化精神状态的视觉指示的变化的相关性来确定。
在一些实施例中，治疗是偏头痛治疗，并且偏头痛治疗的效用由特定个体感觉疼痛的能力和/或个体察觉到的疼痛水平以及与特定个体的至少一个个性化精神状态的视觉指示的变化的相关性来确定。
在一些实施例中，偏头痛治疗是药物。或者，在一些实施例中，偏头痛治疗是指导想象。或者，在一些实施例中，偏头痛治疗是催眠。或者，在一些实施例中，偏头痛治疗是冥想。
在一些实施例中，与使用振幅整合EEG的胎儿脑活动的分析相反，本发明的示例性专门编程的处理器被编程为对一组婴儿的脑状态进行群组分析，并在一定时间确定婴儿的脑状态，该振幅整合EEG通常检测睡眠和清醒状态的两个脑状况，以及从一个状态向另一个状态转移的动态以识别脑损伤程度。
在另一个示例中，在神经营销中，在一些实施例中，本发明的示例性专门编程的处理器被编程为对在每个时间帧接收刺激的个体中的一组脑状态执行群组分析，并且确定在给定的窗口帧处于相同脑状态的群组的比例。这使得能够测量群组与刺激的参与度，因为当在相同脑状态中发现较大部分的该群组时，由于刺激可能发生这种情况，因此该群组被认为是与刺激参与和对刺激作出反应。群组中一部分所处的特定脑状态可以对应于对刺激的特定反应，从而允许反馈训练。
在一些实施例中，本发明的方法在第一时间点确定特定个体的精神状态。在一些实施例中，特定个体的大脑从一个精神状态转变到另一个精神状态，但在大多数时间内仍保持在第一精神状态。在一些实施例中，第一精神状态是不利的。在一些实施例中，系统可以经由神经反馈来提供激励特定个体的大脑进入第二更有利的精神状态的刺激。例如，通过说明，特定个体可能处于昏迷状态，并且第一精神状态可能是无反应的状态。该系统可以提供激励特定个体的大脑进入第二更易反应的精神状态的刺激。
在另一个示例中，患者可能患有自闭症谱系障碍，并且第一精神状态可能是个体拒绝或不能与另一人保持眼神接触。该系统可以提供激励特定个人的大脑进入第二精神状态的刺激，其中个体能够更容易维持眼神接触。
多个预定预测因子
在一些实施例中，与多个预定预测因子内的特定脑状态相关联的个体预定预测因子通过以下步骤产生，所述步骤包括：
i.通过以下方式获得预定的代表性小波包原子集：
a.由专门编程的处理器从多个个体获得表示特定脑状态的脑活动的至少一份多个电信号数据；
b.从多个母小波中选择母小波，
其中母小波选自小波族，该小波族选自由以下组成的群组：Haar、CoifletDaubehies和Mayer小波族；
c.由专门编程的处理器将至少一份多个电信号数据解构成多个小波包原子；
d.将多个小波包原子存储在至少一个计算机数据对象中；
e.确定最佳的小波包原子集，并将最佳的小波包原子集存储在至少一个计算机数据对象中，
其中该确定经由利用最优基算法；以及
f.由专门编程的处理器对最佳集中的许多小波包原子施加小波去噪；
ii.通过以下方式获得小波包原子的预定排序：
a.由专门编程的处理器将表示每4秒数据窗口的脑活动的至少一份多个电信号数据投射到预定的代表性小波包原子集上；
b.将投射存储在至少一个计算机数据对象中；
c.通过确定不同信道与其相邻信道的投射的统计测量的平均绝对距离，由专门编程的处理器确定投射中每个数据点的线长；
d.将线长数据存储在至少一个计算机数据对象中；以及
e.可选地由专门编程的计算机重新排序存储的投射，以最小化跨越每个时间窗口、跨越多个个体内的所有个体以及跨越投射的线长值的统计值；以及；
iii.通过以下方式获得预定的归一化因子集：
a.由专门编程的计算机确定存储的投射的值的平均值和标准偏差。
为了产生多个预定的预测因子库需要表示特定脑状态的脑活动的至少一份多个电信号数据的说明性库。表示特定脑状态的脑活动的至少一份多个电信号数据的说明性库的产生需要获得足够的表示特定脑状态的脑活动的电信号数据的集合(例如，100个记录；1,000个记录；10,000个记录；100,000个记录；1,000,000个记录等)。通常，每个事件的3000秒记录足以稳固地检测该脑状态事件。观察次数越多，检测越稳固。表示特定脑状态的脑活动的电信号数据可以来自足够数量的个体(例如，100个；1,000；10,000个；100,000个；1,000,000个等)，并且可以在各种(例如，不同的类型，不同的强度等)活动、认知任务和神经病症期间进行记录，从而导致各种脑状态。
在一些实施例中，可以针对一个或多个特定目标来定制多个预定的预测因子库。例如，如果需要着重检测特定脑活动事件，例如，在发生癫痫发作之前发生或在偏头痛早期阶段发生的某个皮层位置存在的异常的检测，则在这些时间更应该着重记录。这样的着重点是通过在这种事件发生时从单个受试者进行记录，或者在那些时间从多个受试者进行记录来给出。另一个示例可以是正在执行注意力测试例如T.O.V.A.测试(TOVA公司，LosAlamitos，CA)的受试者的记录。然后，获得执行相同任务的多个受试者的记录，而不是表现出某种脑异常诸如某种类型的癫痫的许多受试者的记录。在另一个示例中，基于目标，在一些实施例中，可以要求多个受试者来执行特定认知任务。特定认知任务的示例包括但不限于记忆回忆、刺激识别、执行注意任务、冥想、学习、观看电影、观察图像、运动操作期间的强烈集中等。
解构所述至少一份多个电信号数据：在一些实施例中，在特定时间段内记录所述至少一份多个电信号数据。在一些实施例中，所述至少一份多个电信号数据被记录长达一小时。在一些实施例中，所述至少一份多个电信号数据被记录长达50分钟。在一些实施例中，所述至少一份多个电信号数据被记录长达40分钟。在一些实施例中，所述至少一份多个电信号数据被记录长达30分钟。在一些实施例中，所述至少一份多个电信号数据被记录长达20分钟。在一些实施例中，所述至少一份多个电信号数据被记录长达10分钟。
在一些实施例中，所记录的至少一份多个电信号数据被解构成多个解构小波包原子。多个解构小波包原子内的每个个体解构小波包原子对应于脑活动特征(“BAF”)。
在一些实施例中，本发明的示例性专门编程的处理器被编程为利用不同母小波以及其它正交分解，例如但不限于正交余弦变换和小波变换而将至少一份多个电信号数据解构成多个解构小波包原子。在一些实施例中，本发明的示例性专门编程的处理器被编程为利用特定正交分解来最小化与n log(n)时间成比例的分解处理时间，其中n是窗口帧中的采样数。
在一些实施例中，母小波选自包括但不限于以下的群组的小波族：Haar、CoifletDaubehies和Mayer小波族。在网站http://www.mathworks.com/help/wavelet/ref/waveletfamilies.html？refresh＝true中描述了根据本发明的一些实施例的适合于母小波的其他小波族。
在一些实施例中，本发明的专门编程的处理器被编程为基于正交分解算法获得n维向量的集合，其中每个向量表示一个BAF。
在一些实施例中，本发明的示例性专门编程处理器被编程为执行分解以实现至少一个预定目标。例如，至少一个预定目标可以基于识别在特定系数分布(无监督/监督混合目标)下实现特定区别并且可以针对一群人共同用于数据分析的共同最优基。
在一些实施例中，本发明的示例性专门编程的处理器被编程为确定所选择的基础功能上的投射(卷积)或这些投射的一些统计量，以产生与特定BAF相关联的特定脑活动的输出解释。例如，本发明的专门编程的处理器被编程为基于每个这种投射中的活动来确定特定BAF。在一些实施例中，本发明的示例性专门编程的处理器被编程为估计每个投射的能量(例如，信号的方差)、正交分布的最大值或其他合适的统计测量，例如但不限于负熵的值。
在一些实施例中，根据Coifman,R.R.，&Wickerhauser，M.V.，IEEE Transactionson Information Theory，38(2)，713-718(1992)中公开的最优基算法将记录的至少一份多个电信号数据解构成多个解构小波包原子，其以引用方式并入本文，特别是基于香农等式的正交分解的描述，详见第三节、矢量的熵。
具体地，本发明的示例性专门编程处理器识别要在特定的至少一份多个电信号数据的正交分解中使用的最小熵基。在一些实施例中，本发明的示例性专门编程处理器对至少多个电信号数据执行香农熵分析以获得联合最优基。当考虑至少一份多个电信号数据以获得联合最优基时，在该专利的一个实施例中，可能选择映射M以包括附加特性，其着重于联合的至少一个电信号数据的特定性质。例如，如果M(1)和M(2)满足作为附加信息成本函数的映射的定义，那么导致依赖于两个函数之和的最佳基。在一些实施例中，本发明的示例性专门编程的处理器被编程为增加新的附加成本函数，其测量特定小波包树中的每个节点处的系数分布以识别功能M，功能M用最小香农熵或跨越所有数据观察的平均的修改后的附加优化函数(跨越小波分解)搜索小波包系数。
在一些实施例中，根据Stainvas,I和Intrator,N.，In.J.Appl.Mathematics andStatistics，4(J06)，1-22(2006)中公开的另一种合适的最优基算法将记录的至少一份多个电信号数据解构成多个解构小波包原子，其具体公开内容以引用方式并入本文。
在一些实施例中，根据Intrator，N，Neural Computation 5，443-455(1993)中公开的另一种合适的最优基算法将记录的至少一份多个电信号数据解构成多个解构小波包原子，其具体公开内容以引用方式并入本文。
在一些实施例中，根据Intrator，N，Neural Computation 4，98-1-7(1992)中公开的另一种合适的最优基算法将记录的至少一份多个电信号数据解构成多个解构小波包原子，其具体公开内容以引用方式并入本文。
例如，在一些实施例中，本发明的示例性专门编程的处理器被编程为利用沿着时间序列的移动窗口帧以获得不同的数据观察结果。在一个示例中，本发明的示例性专门编程的处理器被编程为利用特定的窗口帧和用于分析数据段的重叠。在一个示例中，本发明的示例性专门编程的处理器被编程为利用4秒的窗口帧，并且在连续的窗口帧之间具有75％的重叠。在一些实施例中，本发明的示例性专门编程的处理器被编程为利用长度为指数2的窗口，因此，例如，如果采样率为256Hz，那么4秒窗口将导致1024个样本。在另一示例中，如果采样频率为250Hz，那么本发明的示例性专门编程的处理器被编程为利用略高于4秒(例如，4.05到4.2)的窗口帧。在另一示例中，如果采样频率为496Hz，那么本发明的示例性专门编程的处理器被编程为利用略高于4秒(例如，4.05到4.2)的窗口帧。在另一示例中，如果采样频率为496Hz，那么本发明的示例性专门编程的处理器被编程为利用略高于4秒(例如，4.05到4.2)的窗口帧。
在另一示例中，本发明的示例性专门编程的处理器被编程为利用在相邻帧之间进行1秒的窗口帧，以每隔一秒获得向量更新，从而生成大小为121×N(数据秒数)－3(由于第一帧4秒，然后每帧进行1秒)的投射矩阵。在一些实施例中，本发明的示例性专门编程的处理器被编程为重新调整全矩阵以获得数据的视觉映射的最大动态范围。
最佳集的确定：在一些实施例中，根据Coifman,R.R.，&Wickerhauser，M.V.，IEEETransactions on Information Theory，38(2)，713-718(1992)中公开的最优基算法确定最佳小波包原子集，其以引用方式并入本文，特别是正交分解的描述。
在一些实施例中，根据Stainvas,I和Intrator,N.，In.J.Appl.Mathematics andStatistics，4(J06)，1-22(2006)中公开的另一种合适的最优基算法确定最佳小波包原子集，其具体公开内容以引用方式并入本文。
在一些实施例中，根据Intrator，N，Neural Computation 5，443-455(1993)中公开的另一种合适的最优基算法确定最佳小波包原子集，其具体公开内容以引用方式并入本文。
在一些实施例中，根据Intrator，N，Neural Computation 4，98-1-7(1992)中公开的另一种合适的最优基算法确定最佳小波包原子集，其具体公开内容以引用方式并入本文。
在一些实施例中，通过应用Donoho D.L.，IEEE Transactions onInformationTheory，41(3)，613-627(1995)中公开的小波去噪算法来减少最佳集中的小波包原子的数量。
在一些实施例中，通过应用LI去噪方法来减少最佳集中的小波包原子的数量。
一些实施例中，通过应用L2去噪方法来减少最佳集中的小波包原子的数量。
一些实施例中，通过应用硬阈值方法来减少最佳集中的小波包原子的数量。
重新排序多个解构小波包原子：在一些实施例中，去噪的最佳小波包原子集被重新排序，使得基于总信号数据的分析的更多生理相关的BAF经视觉呈现为地理/空间上更接近，例如，如图5所示。
在一些实施例中，重排序是可选的。
在一些实施例中，由专门编程的计算机对去噪的最佳小波包原子集进行重新排序，该计算机执行以下步骤：
1.通过确定不同信道与其相邻信道的投射的统计测量的绝对距离的平均值或总和来确定投射中每个数据点的线长；
2.将线长数据存储在至少一个计算机数据对象中；以及
3.重新排序存储的投射，以最小化使跨越投射、跨越每4秒窗口，以及跨越多个个体内的所有个体的线长的平均值或总和衰弱的值。
在一些实施例中，重新排序的统计值选自由以下组成的群组：小波包原子的绝对差之和的平均值和小波包原子(1-相关)之和的平均值。
获得预定的归一化因子集：在一些实施例中，通过确定存储的投射的值的平均值和标准偏差来获得预定的归一化因子集。
在一些实施例中，脑活动由个体BAF的能量表示。在一些实施例中，能量基于信号的方差来确定。在一些实施例中，能量是个体BAF的能量的最大值。在一些实施例中，能量是个体BAF的能量系数的负熵，如Coifman和Wickerhauser。
在一些实施例中，受试者的BAF表示用于确定每个BAF对正在记录的信号的总能量的贡献。例如，受试者的BAF表示用于至少部分地基于以下项来确定每个BAF对正在记录的信号的总能量的贡献：
1)用于正交分解的至少一个正交条件和/或
2)利用适用于BAF表示的Parseval等式的正交分量的求和。
在一些实施例中，受试者的BAF表示用来获得每个BAF对从获得BAF峰值的线分割而产生的虚拟线的总长度的贡献；其中虚拟线识别由受试者的单独脑部子系统用来彼此通信的至少一个通信通道。在一些实施例中，每个BAF对虚拟线的总长度的贡献测量出不同的，地理上接近的BAF中的脑活动的平滑度。
在一些实施例中，每个BAF对信号的总能量的贡献以及每个BAF对通过获得BAF活动的峰值的线分割产生的每个虚拟线的总长度的贡献用于确定哪个BAF呈现在最终BAF表示中。在一些实施例中，呈现在受试者的BAF表示中的特定BAF是那些对方差的贡献相当高的BAF，并且假设它们对总虚拟线长的贡献较低。
在一些实施例中，本发明提供了一种能够具有特定个体中的潜在的精神状态、潜在的神经病症，或潜在的精神状态和潜在的神经病症的组合的系统。因此，在一些实施例中，该系统可由医师使用。
在一些实施例中，用于记录受试者的脑电活动的装置可以持续佩戴，并且是非侵入性的或不显眼的。因此，在一些实施例中，可以在更早的时间实现或者可以比其它方法更有效地实现神经损伤的鉴定或受试者的第一精神状态的确定，因为受试者以更自然或较少临床环境中被监测。在一些实施例中，本发明的系统使得能够更早地检测、识别或诊断个体的精神状态和/或神经病症。
在一些实施例中，本发明提供一种专门编程的计算机系统，包括：
a.至少一个专用计算机，包括：
i.非瞬时存储器，该非瞬时存储器电子地存储特定的计算机可执行程序代码；和
ii.至少一个计算机处理器，该至少一个计算机处理器在执行特定程序代码时成为被配置为执行至少以下操作的专门编程的计算机处理器：
1.实时地由专门编程的处理器获得表示特定个体的脑活动的电信号数据；
2.基于与特定脑状态相关联的预定预测因子，实时地处理表示特定个体的脑活动的电信号数据，该预测因子选自包含多个预定预测因子的预测因子库，其中每个个体预定的预测因子与唯一的脑状态相关联，
其中与特定脑状态相关联的预定预测因子包括：
i.预定的母小波，
ii.预定的代表性小波包原子集，
iii.由预定的母小波产生的小波包原子的预定排序，以及
iv.预定的归一化因子集，
其中该处理包括：
i.利用预定的代表性小波包原子集由专门编程的处理器将电信号数据解构成多个预定的解构小波包原子，
其中电信号数据的时间窗口投射到预定的代表性小波包原子集上
其中该投射经由卷积或内积，以及其中每个预定的代表性小波包原子对应于来自多个预定脑活动特征库的特定预定脑活动特征；
ii.将多个预定的解构小波包原子存储在至少一个计算机数据对象中；
iii.基于利用预定顺序由专门编程的处理器使所存储的多个预定的解构小波包原子在计算机数据对象内重新排序；
iv.获得每个重新排序的多个预定的解构小波包原子的活动的统计测量；以及
v.基于利用预定的归一化因子对重新排序的多个预定小波包原子进行归一化；以及
3.基于处理来输出特定个体的至少一个个性化精神状态的视觉指示、特定个体的至少一个个性化神经病症的视觉指示或两者的视觉指示，
其中与多个预定预测因子内的特定脑状态相关联的个体预定预测因子通过以下步骤产生，所述步骤包括：
i.通过以下方式获得预定的代表性小波包原子集：
1.由专门编程的处理器从多个个体获得表示特定脑状态的脑活动的至少一份多个电信号数据；
2.从多个母小波中选择母小波，
其中母小波选自小波族，该小波族选自由以下组成的群组：Haar、CoifletDaubehies和Mayer小波族；
3.使用所选择的母小波由专门编程的处理器将至少一份多个电信号数据解构成多个小波包原子；
4.将多个小波包原子存储在至少一个计算机数据对象中；
5.使用预定的母小波确定最佳的小波包原子集，并将最佳的小波包原子集存储在至少一个计算机数据对象中，
其中该确定经由利用最优基算法；以及
6.由专门编程的处理器对最佳集中的许多小波包原子施加小波去噪；
ii.通过以下方式获得小波包原子的预定排序：
1.由专门编程的处理器将表示每4秒数据窗口的脑活动的至少一份多个电信号数据投射到预定的代表性小波包原子集上；
2.将投射存储在至少一个计算机数据对象中；
3.通过确定不同信道与其相邻信道的投射的统计测量的平均绝对距离，由专门编程的处理器确定投射中每个数据点的线长；
4.将线长数据存储在至少一个计算机数据对象中；以及
5.由专门编程的计算机重新排序存储的投射，以最小化跨越每个时间窗口、跨越多个个体内的所有个体以及跨越投射的线长值的统计值；以及
iii.通过以下方式获得预定的归一化因子集：
1.由专门编程的计算机确定存储的投射的值的平均值和标准偏差。
现在参考以下示例，其与上述描述一起以非限制性方式说明本发明的一些实施例。
示例
示例1：从执行特定认知任务的多个受试者获得的BAF表示。
图5示出了来自7名受试者的BAF表示。每行(Y轴)表示单个BAF的活动。颜色编码(“热”)表示高水平活动倾向于红色，低水平活动趋于蓝色。每列(X轴)表示特定时间帧的活动向量。因此，以时间(分钟或秒)测量X轴。图5以分钟测量。具体附图表示认知任务期间6名受试者的活动。因此，可以将不同记录的EEG连接在一起，使得一个附图(或BAF矩阵)表示不同任务或执行(不同)任务的不同受试者的活动。在这个具体的附图中，箭头指示在任务期间具有相对类似活动模式的两个受试者。因此，该附图表示由不同受试者执行的相同认知任务期间所执行的不同认知策略。
示例2：从观看引起不同情绪反应的三部电影的受试者获得的BAF表示。
三部电影期间的脑活动(BAF)(每次在不同时间记录)。参考图6，可以看出，与第一部电影中活跃度相比，第二部和第三部电影的活动在活跃的BAF方面更相似。第一部电影(《越轨追击》(Derailed))包括暴力和恐怖，而另外两部电影(《偷生》(StolenLife)和《皮肉生涯》(Skin))更与悲伤和温暖的感觉相关联。箭头标志着两部电影中强烈的积极情绪感受的时间。很明显，当时活跃的BAF相同。他们在以下图7中在冥想期间也活跃。
示例3：从执行电子学习任务的七个受试者获得的BAF表示。
根据本发明的一些实施例，从7名受试者获得EEG记录，同时受试者执行特定电子学习任务。图7中示出BAF表示。任务包括收集信息，然后回答两个难度级别的问题(这是与图5中相同的表示)。接下来是进行Gayatri冥想的两位有经验的冥想者以及进行Japa冥想、紧随其后听音乐的一个没有经验的人。在Gayatri冥想期间，活跃的BAF与电影中积极情绪部分期间活跃的BAF(图6)相似。明显的是，有经验的冥想者表现出增加的mPFC、岛内和颞叶的共同激活，同时减少默认模式网络的活动。还表明了幸福感。
实施例4：从接受痛苦刺激、接受麻醉之前和之后的受试者获得的BAF表示。
参考图8，附图表示接受麻醉后的脑活动。在图片主要是蓝色之处引起麻醉。可以看出，活动区域(在冥想期间活跃的BAF空间中的相同区域)仍然活跃。并非所有患者都会发生这种情况。两个箭头(左侧)指示在手术期间引起疼痛的时间。很明显，对这种诱发的疼痛有反应性的脑活动。右侧的箭头指示开始使用激光手术工具，这产生大的电噪声，因此，从该点开始的记录较不清楚。在该受试者中的一个观察是，一旦激光刀开始其动作(更强的疼痛)，在冥想期间活跃的区域中的活动停止。
示例5：从睡眠唤醒周期期间的受试者获得的BAF表示。
睡眠监测对于及早检测到身体和精神健康问题、诊断和治疗失眠、并诊断和监测痴呆而言至关重要。当大脑从事需要快速思考和反应的任务时，特别是在其中对性能和安全性的警觉至关重要的角色(例如飞行员)中，疲劳监测至关重要。图9指示可以使用所述BAF获得的信息量。左上面板描绘了三个睡眠阶段，其中脑活动大不相同。在单人睡眠期间，从单人记录活动。左下面板集中在早期睡眠阶段，显示出从该阶段(类似于冥想)进入REM或做梦阶段的不同转变。右上面板显示出在睡眠期间强烈的做梦和认知活动，看起来非常类似于清醒时所发生的活动类型，例如，观看电影时。右下面板指示用于疲劳监测的BAF力度：它描绘了受试者在观看电影时短暂入睡的脑活动。即使当受试者部分入睡时，对电影的参与也很明显，如(雪似噪音)背后的强烈活动线。
示例6：从进行记忆回忆任务和应激检测期间的受试者获得的BAF表示。
在提问和回答的会话期间，或在刺激识别期间，图10中描绘的活动是典型的。线的长度和强度指示认知努力的量。在箭头指向的区域也可以看到应激。记录是在公司采访期间进行的。该表示指示需要更多认知负荷来反应(记忆或集中)的问题，特别示出了在受试者中引起应激的问题。
这种表示可用于谎言/应激检测和自动(机器诱导询问)。它也可以用于大量的教学，如Coursera，重要的是要观察受试者集中和致力于所述问题。如果受试者已经在一张纸上回答或联系朋友来获得答案，那么这种模式看起来会有所不同。
如果详细的BAF表示是专用于一名受试者，那么可能可以从特定的BAF确定受试者的身份。这可以用于认证和身份管理以及资格监测，指示受试者何时能够执行所需的任务：集中、不应激或以其它方式分心、不受药物或威胁的影响。
实施例7：从具有与癫痫发作相关联的异常脑活动的受试者获得的BAF表示。
图4中的箭头指示某一BAF的恒定活动，其可以指示某一脑网络或区域的恒定活动。这种恒定活动不正常，并且似乎与癫痫发作前的活动相关联。两个底部箭头指示某个BAF的异常活动的开始和结束。使用这种表示法，可以更好地量化和研究增加这种异常活动的可能性和减少这种异常活动的因素和刺激。这可以用于干预，无论是通过建议生活方式的改变(放松、关灯、消耗糖、咖啡等，或冥想、运动和其它状态变化)。还可以建议通过药物更好地管理疾病。
参考图3A，有经验的瑜珈师正在进行三种类型的冥想(通过水平括号表示)。在前两次冥想之后以及在第三次冥想之后，瑜珈师解释了他在做什么。BAF中的范围用垂直括号表示。这个BAF的集合与意识相关联。很明显，一次冥想只强调这些意识渠道，当瑜珈师解释他在做什么冥想时，活动中显而易见。
参考图3B，示出了处于植物人状态的个体的BAF表示。图3A中示出BAF亮点，并且不活跃。然而，对个体的医疗脑刺激的管理能够在短时间内激活与认知相关联的BAF。
示例8：从观察广告的受试者获得的BAF表示。
在图11中，示出一大群受试者的总结统计。当他们暴露在电视节目(57分钟)时，该群组的脑活动被记录，该电视节目有几个在顶部由箭头标记的商业广告。在优选的实施例中，由所述BAF解释的脑活动然后聚类成八个脑活动聚类。垂直的彩色线表示电视节目中特定秒时正好处于相同脑活动聚类的受试者的比例。值可以每秒更改一次。红线指示发现大多数受试者在该秒时处于相同的脑活动聚类。这指示了对节目或广告的参与。使用这种表示可以用于确定节目和广告的更受交流的部分。当在电视观众的许多房屋中以分布式方式进行这种记录时，可以获得实时参与分数，然后可以用于广告效果和其它媒体探索。
在图12中，呈现了两种类型的麻醉药物的记录集合。明显的是，与底部8个记录相比，顶部6个记录表示非常不同的脑活动。这表明在两种麻醉方法，全凭静脉麻醉与气体麻醉之间进行区分的技术力。
示例9：实时获得的BAF表示BAF
图2和图12图示了基于EEG信号的实时处理构建的脑活动图像，EEG信号的实时处理基于全矩阵并且没有改比例。它表示两种不同麻醉技术之间脑活动的差异。第一个称为TIVA，其为全凭静脉麻醉，相对地，NV为吸入(气体)麻醉。两者都被认为是安全的，并且应该提供完全麻醉，然而，NV显著降低成本。附图显示了两种麻醉方法之间脑活动的强烈差异，使用双频谱指数(BIS)监测仪不能看出差异。
示例10：脑计算机界面
图13示出了来自进入冥想状态的个人的BAF表示(如由水平括号A所示)，并且留在了冥想状态。在所示的示例中，由水平括号A指示的时间段内的脑状态与冥想状态相关联。本发明的系统分析了BAF表示内的BAF的具体参数，并应用机器学习算法来检测与冥想状态相关联的脑状态。一旦检测到与冥想状态相关联的脑状态，系统就可以向个体发出特定的命令。例如，个人具有ALS并缺乏运动控制。个体进入冥想状态，系统为个体发出命令让其在冥想状态期间想象将球射入环。所有的活动都在眼睛睁开的情况下进行，以确保所看到的效果不是由于眼睛运动或闭眼。所有的活动也都在有背景噪音(家庭成员说话和观看活动)的情况下进行，以展示无视环境并完全集中在活动中的能力。
总之，示例1到10中呈现的数据示出了在人类受试者的BAF表现中存在的特定脑状态的特定预测因子。此外，存在于人类受试者的BAF表示中的特定脑状态的预测因子与这些实施例中每一个中描述的脑状态相关联。可以使用机器学习和计算机视觉中的现有技术来完成自动分析这类BAF表示以确定与脑活动相关的特定特征，包括但不限于异常、应激和参与。
在一些实施例中，本发明专门编程的计算机处理器和本发明的系统可以包括在分布式网络环境中使用电子移动装置(例如，智能电话等)，通过合适的数据通信网络(例如，互联网等)并且利用至少一个合适的数据通信协议(例如，IPX/SPX、X.25、AX.25、AppleTalk、TCP/IP(例如，HTTP)等)进行通信。
图14中示出了根据本发明可被专门编程的计算机系统80的示意性方框图。计算机系统80包括处理器82诸如中央处理单元、输入/输出接口90和支持电路。在某些实施例中，在计算机80需要直接的人机接口的情况下，还提供显示器96和输入装置98诸如键盘、鼠标或指针。显示器96、输入装置98、处理器82和支持电路92被示出为连接到总线94，该总线也连接到存储器88。存储器88包括程序存储器111和数据存储存储器191。注意，虽然描绘了计算机80具有直接人机接口组件显示器96和输入装置98，但可以替代地通过接口90来实现模块的编程和数据的输出，例如，其中计算机80连接到网络，并且编程和显示操作发生在另一个相关联的计算机上或如关于介接可编程逻辑控制器所已知的经由可分离的输入装置来实现。
程序存储存储器111和数据存储存储器191可以各自包括易失性(RAM)和非易失性(ROM)存储器单元，并且还可以包括硬盘和备份存储容量，并且程序存储器111和数据存储存储器191两者都可以被具体实施在单个存储装置中或在多个存储装置中分离。程序存储存储器111存储软件程序模块和相关联的数据，并且特别地存储一个或多个模块110。数据存储存储器191存储表示根据本发明使用的信号数据和各种软件对象的数据集。
应当理解，计算机系统80可以是任何计算机，诸如个人计算机、小型计算机、工作站、主机、诸如可编程逻辑控制器的专用控制器，或其组合。虽然为了说明的目的计算机系统80示出为单个计算机单元，但是系统可以包括可以取决于处理负载和数据库大小进行扩展的计算机群组/场。在某些实施例中，本文中的系统和方法可以在用户的计算机上操作，例如在用户的浏览器中，在没有来自网络服务器计算机的查询的情况下已经下载之后，在驻留于用户机器上的调度数据之间进行查询。然而，可能并非需要所有这些部件来实施本发明，并且在不脱离本发明的精神或范围的情况下，可以对部件的布置和类型进行变更。在一些实施例中，本发明的系统和方法可以包括大量用户和/或并发事务。在其它实施例中，本发明的系统基于可扩展的计算机和网络架构，其并入了用于存取数据、高速缓存、搜索和数据库连接池的各种策略。可扩展架构的示例是能够操作与用户的许多电子装置(例如，智能电话)实时通信的多个服务器的架构。在一些实施例中，本发明的发明系统可以承载大量用户的电子装置(例如，至少100个；至少1,000个，至少10,000个；至少100,000个；至少1,000,000个；至少1,000,000,000个等)和/或执行大量并发动作/事务(例如，至少1,000个；至少10,000个；至少100,000个；至少1,000,000个，至少1,000,000,000个等)。
计算装置80优选地支持例如存储在程序存储器111中并由处理器82从易失性存储器执行的操作系统。根据本发明的实施例，操作系统包含用于执行根据本发明编程的软件程序的指令。
在各种替代实施例中，本发明可以实现为结合计算机化计算系统使用的计算机程序产品。熟悉本领域的技术人员将容易理解，定义由本发明定义的功能的程序可以以任何适当的编程语言编写，并以多种形式递送到计算机，包括但不限于：(a)永久地存储在不可写存储介质(例如，只读存储装置，诸如ROM或CD-ROM盘等)上的信息；(b)可变地存储在可写存储介质(例如，软盘和硬盘驱动器)上的信息；和/或(c)通过通信介质诸如局域网、电话网络，或公共网络诸如互联网传送到计算机的信息。当携带实现本发明方法的计算机可读指令时，这种计算机可读介质表示本发明的替代实施例。
为了便于描述，术语“云”、“互联网云”、“云计算”、“云架构”和类似术语对应于以下至少一个：(1)通过实时通信网络(例如，互联网)连接的大量计算机；(2)提供在许多连接的计算机(例如，实体机器、虚拟机(VM))上同时运行程序或应用程序的能力；(3)基于网络的服务，其似乎是由真实服务器硬件提供的，并且实际上由虚拟硬件(例如，虚拟服务器)服务，由在一个或多个真实机器上运行的软件模拟(例如，允许在飞行中来回移动并放大(或缩小)而不影响最终用户)。在一些实施例中，本发明的游戏操作系统提供/管理云计算/架构，比如但不限于：基础设施即服务(IaaS)、平台即服务(PaaS)以及软件即服务(SaaS)。图15和图16示出了云计算/架构的示例性实施方案的示意图。在一些实施例中，本发明的示例性专门编程的处理器被编程为基于云的服务器，其通过计算机网络接收远程获取的信号数据，以根据本发明的原理分析这些数据，并且远程传递这种分析的结果。
在本说明书中提及的所有公开、专利和专利申请整体以引用方式并入本说明书中，其程度为每个单独的公开、专利或专利申请被具体和单独地指定为以引用方式并入本文。此外，本申请中对任何参考文献的引用或认同不应被解释为承认该参考文献可用作本发明的现有技术。在使用章节标题的范围内，不应将其解释为必然地限制。
尽管以上已经参考示例和优选实施例说明了本发明的各个方面，但是应当理解，本发明的范围不是由前述描述而是由专利法原则下适当解释的所附权利要求限定。虽然已经描述了本发明的多个实施例，但是应当理解，这些实施例仅是说明性的而不是限制性的，并且本领域普通技术人员可能显而易见许多修改。此外，各个步骤可以以任何期望的顺序进行(并且可以添加任何期望的步骤和/或可以去除任何期望的步骤)。

Claims (23)

1.一种出于非治疗和非诊断目的用于确定脑状态的计算机实施的方法，包括：
a.实时地由专门编程的处理器获得表示特定个体的脑活动的电信号数据；
b.基于与特定脑状态相关联的预定预测因子，实时地处理所述表示特定个体的脑活动的电信号数据，所述预测因子选自包含多个预定预测因子的预测因子库，其中每个个体预定预测因子与唯一的脑状态相关联，
其中与特定脑状态相关联的所述预定预测因子包括：
i.预定的母小波，
ii.由所述预定的母小波产生的预定的代表性小波包原子集，
iii.小波包原子的预定排序，以及
iv.预定的归一化因子集，
其中所述处理包括：
i.利用所述预定的代表性小波包原子集由所述专门编程的处理器将所述电信号数据解构成多个预定的解构小波包原子，
其中所述电信号数据的时间窗口投射到所述预定的代表性小波包原子集上，
其中所述投射经由卷积或内积，以及
其中每个预定的代表性小波包原子对应于来自多个预定脑活动特征库的特定预定脑活动特征；
ii.将所述多个预定的解构小波包原子存储在至少一个计算机数据对象中；
iii.基于利用预定顺序由所述专门编程的处理器使所述存储的多个预定的解构小波包原子在所述计算机数据对象内重新排序；
iv.获得每个所述重新排序的多个预定的解构小波包原子的活动的统计测量；以及
v.基于利用预定的归一化因子对所述重新排序的多个预定小波包原子进行归一化；以及
c.基于所述处理来输出所述特定个体的至少一个个性化精神状态的视觉指示，
其中与所述多个预定预测因子中的特定脑状态相关联的个体预定预测因子通过以下步骤产生，所述步骤包括：
i.通过以下方式获得所述预定的代表性小波包原子集：
a).由所述专门编程的处理器从多个个体获得表示特定脑状态的脑活动的至少一份多个电信号数据；
b).从多个母小波中选择母小波，
其中母小波选自小波族，该小波族选自由以下组成的群组：Haar、Coiflet Daubehies和Mayer小波族；
c).使用所述选择的母小波由所述专门编程的处理器将所述至少一份多个电信号数据解构成多个小波包原子；
d).将所述多个小波包原子存储在至少一个计算机数据对象中；
e).使用所述预定的母小波确定最佳的小波包原子集，并将所述最佳的小波包原子集存储在至少一个计算机数据对象中，
其中所述确定经由利用最优基算法；以及
f).由所述专门编程的处理器对所述最佳集中的多个小波包原子施加小波去噪；
ii.通过以下方式获得小波包原子的所述预定排序：
a).由所述专门编程的处理器将表示所述至少一份多个电信号数据的每个时间窗口的脑活动的所述数据投射到所述预定的代表性小波包原子集上；
b).将所述投射存储在至少一个计算机数据对象中；
c).通过确定不同信道与其相邻信道的投射的统计测量的平均绝对距离，由所述专门编程的处理器确定所述投射中每个数据点的线长；
d).将所述线长数据存储在至少一个计算机数据对象中；以及
e).由所述专门编程的计算机重新排序所述存储的投射，以最小化跨越每个时间窗口、跨越所述多个个体内的所有个体以及跨越所述投射的所述线长值的统计值；以及
iii.通过以下方式获得预定的归一化因子集：
a).由所述专门编程的计算机确定所述存储的投射的所述值的平均值和标准偏差。
2.根据权利要求1所述的出于非治疗和非诊断目的用于确定脑状态的计算机实施的方法，其中每个时间窗口是四秒时间窗口。
3.根据权利要求1所述的出于非治疗和非诊断目的用于确定脑状态的计算机实施的方法，其中所述重新排序的所述统计值选自由以下组成的群组：所述小波包原子的绝对差之和的平均值和1-相关的所述小波包原子之和的平均值。
4.根据权利要求1所述的出于非治疗和非诊断目的用于确定脑状态的计算机实施的方法，其中使用位于特定个体的前额上的两个电极来记录表示所述特定个体的脑活动的所述电信号数据。
5.根据权利要求1所述的出于非治疗和非诊断目的用于确定脑状态的计算机实施的方法，其中所述特定个体的至少一个个性化精神状态的所述视觉指示用于在所述特定个体中识别潜在的精神状态，其中所述专门编程的计算机利用至少一个机器学习算法，其选自由以下组成的群组：逻辑回归建模、支持向量机建模和深度学习建模，以将至少一个特定脑状态分配给所述特定个体的至少一个个性化精神状态的所述视觉指示，其中所述至少一个特定脑状态与精神状态相关联。
6.根据权利要求5所述的出于非治疗和非诊断目的用于确定脑状态的计算机实施的方法，其中使用所述至少一个特定脑状态来确定所述特定个体的情绪状态。
7.根据权利要求1所述的出于非治疗和非诊断目的用于确定脑状态的计算机实施的方法，其中所述特定个体正在执行特定的认知任务。
8.根据权利要求7所述的出于非治疗和非诊断目的用于确定脑状态的计算机实施的方法，其中所述特定的认知任务选自由以下组成的群组：短期和/或长期记忆回忆、电子学习、冥想和集中。
9.根据权利要求1所述的出于非治疗和非诊断目的用于确定脑状态的计算机实施的方法，其中所述特定个体在特定时间具有特定的脑状态。
10.一种用于确定脑状态的专门编程的计算机系统，包括：
a.至少一个专用计算机，包括：
i.非瞬时存储器，所述非瞬时存储器电子地存储特定的计算机可执行程序代码；和
ii.至少一个计算机处理器，所述至少一个计算机处理器在执行所述特定的计算机可执行程序代码时成为被配置为执行至少以下操作的专门编程的计算机处理器：
1).实时地由专门编程的处理器获得表示特定个体的脑活动的电信号数据；
2).基于与特定脑状态相关联的预定预测因子，实时地处理表示特定个体的脑活动的所述电信号数据，所述预测因子选自包含多个预定预测因子的预测因子库，其中每个个体预定预测因子与唯一的脑状态相关联，
其中与特定脑状态相关联的所述预定预测因子包括：
i).预定的母小波，
ii).由所述预定的母小波产生的预定的代表性小波包原子集，
iii).小波包原子的预定排序，以及
iv).预定的归一化因子集，
其中所述处理包括：
i).利用所述预定的代表性小波包原子集由所述专门编程的处理器将所述电信号数据解构成多个预定的解构小波包原子，
其中所述电信号数据的时间窗口投射到所述预定的代表性小波包原子集上，
其中所述投射经由卷积或内积，以及
其中每个预定的代表性小波包原子对应于来自多个预定脑活动特征库的特定预定脑活动特征；
ii).将所述多个预定的解构小波包原子存储在至少一个计算机数据对象中；
iii).基于利用预定顺序由所述专门编程的处理器使所述存储的多个预定的解构小波包原子在所述计算机数据对象内重新排序；
iv).获得每个所述重新排序的多个预定的解构小波包原子的活动的统计测量；以及
v).基于利用预定的归一化因子对所述重新排序的多个预定小波包原子进行归一化；以及
3).基于所述处理来输出所述特定个体的至少一个个性化精神状态的视觉指示、所述特定个体的至少一个个性化神经病症的视觉指示或两者的视觉指示，
其中与所述多个预定预测因子内的特定脑状态相关联的个体预定预测因子通过以下步骤产生，所述步骤包括：
i).通过以下方式获得所述预定的代表性小波包原子集：
(1).由所述专门编程的处理器从多个个体获得表示特定脑状态的脑活动的至少一份多个电信号数据；
(2).从多个母小波中选择母小波，
其中母小波选自小波族，所述小波族选自由以下组成的群组：Haar、CoifletDaubehies和Mayer小波族；
(3).使用所述选择的母小波由所述专门编程的处理器将所述至少一份多个电信号数据解构成多个小波包原子，
(4).将所述多个小波包原子存储在至少一个计算机数据对象中；
(5).确定最佳的小波包原子集，并将所述最佳的小波包原子集存储在至少一个计算机数据对象中，
其中所述确定经由利用最优基算法；以及
(6).由所述专门编程的处理器对所述最佳集中的许多小波包原子施加小波去噪；
ii).通过以下方式获得所述小波包原子的预定排序：
(1).由所述专门编程的处理器将表示所述数据的时间窗口的脑活动的所述至少一份多个电信号数据投射到所述预定的代表性小波包原子集上；
(2).将所述投射存储在至少一个计算机数据对象中；
(3).通过确定不同信道与其相邻信道的所述投射的所述统计测量的平均绝对距离，由所述专门编程的处理器确定所述投射中每个数据点的线长；
(4).将所述线长数据存储在至少一个计算机数据对象中；以及
(5).由所述专门编程的计算机重新排序所述存储的投射，以最小化跨越每个时间窗口、跨越所述多个个体内的所有个体以及跨越投射的线长值的统计值；以及
iii).通过以下方式获得所述预定的归一化因子集：
(1).由所述专门编程的计算机确定所述存储的投射的值的平均值和标准偏差。
11.根据权利要求10所述的用于确定脑状态的专门编程的计算机系统，其中每个时间窗口是四秒时间窗口。
12.根据权利要求10所述的用于确定脑状态的专门编程的计算机系统，其中所述统计值选自由以下组成的群组：所述小波包原子的绝对差之和的平均值和1-相关的所述小波包原子之和的平均值。
13.根据权利要求10所述的用于确定脑状态的专门编程的计算机系统，其中使用位于特定个体的前额上的两个电极来记录表示所述特定个体的脑活动的所述电信号数据。
14.根据权利要求10所述的用于确定脑状态的专门编程的计算机系统，其中所述特定个体的至少一个个性化精神状态的所述视觉指示用于在所述特定个体中识别潜在的精神状态、潜在的神经病症，或潜在的精神状态和潜在的神经病症的组合，其中所述专门编程的计算机利用至少一个机器学习算法，其选自由以下组成的群组：逻辑回归建模、支持向量机建模和深度学习建模，以将至少一个特定脑状态分配给所述特定个体的至少一个个性化精神状态的所述视觉指示，其中所述至少一个特定脑状态与精神状态、神经病症，或精神状态和神经病症的组合相关联。
15.根据权利要求14所述的用于确定脑状态的专门编程的计算机系统，其中将至少一个特定脑状态分配给所述特定个体的至少一个个性化精神状态的所述视觉指示识别出与特定神经病症相关联的所述特定个体的脑中的至少一个神经网络中的异常。
16.根据权利要求15所述的用于确定脑状态的专门编程的计算机系统，其中所述特定个体的脑中的至少一个神经网络中的所述异常用于诊断具有神经病症的所述特定个体。
17.根据权利要求15所述的用于确定脑状态的专门编程的计算机系统，其中所述神经病症选自由以下组成的群组：阿尔茨海默病、痴呆、应激、疲劳、焦虑、癫痫、创伤性脑损伤、认知功能丧失、昏迷、与自闭症或自闭症谱系障碍相关联的对外部刺激缺乏反应或作出不适当反应、注意力不集中和睡眠障碍。
18.根据权利要求10所述的用于确定脑状态的专门编程的计算机系统，其中所述特定个体正在接受治疗，并且使用所述特定个体的至少一个个性化精神状态的所述视觉指示来确定所述治疗的有效性。
19.根据权利要求10所述的用于确定脑状态的专门编程的计算机系统，其中所述特定个体正在接受治疗，并且使用所述特定个体的至少一个个性化精神状态的所述视觉指示来确定待施用的所述治疗的性质。
20.根据权利要求10所述的用于确定脑状态的专门编程的计算机系统，其中所述特定个体正在接受治疗，并且使用所述特定个体的至少一个个性化精神状态的所述视觉指示来确定所述治疗的持续时间。
21.根据权利要求10所述的用于确定脑状态的专门编程的计算机系统，其中所述特定个体正在接受治疗，并且使用所述特定个体的至少一个个性化精神状态的所述视觉指示来确定所述治疗的给药方案。
22.根据权利要求18所述的用于确定脑状态的专门编程的计算机系统，其中所述治疗是麻醉剂，并且所述麻醉剂的效用由所述特定个体感觉疼痛和/或所述个体察觉到的疼痛水平的能力以及与所述特定个体的至少一个个性化精神状态的所述视觉指示的变化的相关性来确定。
23.根据权利要求18所述的用于确定脑状态的专门编程的计算机系统，其中所述治疗是偏头痛治疗，并且所述偏头痛治疗的效用由所述特定个体感觉疼痛的能力和/或所述个体察觉到的疼痛水平以及与所述特定个体的至少一个个性化精神状态的所述视觉指示的变化的相关性来确定。
CN201911127928.5A 2015-02-16 2016-02-16 用于脑活动解析的系统与方法 Active CN110840455B (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201562116647P 2015-02-16 2015-02-16
US62/116,647 2015-02-16
CN201680022201.9A CN107530012B (zh) 2015-02-16 2016-02-16 用于脑活动解析的系统
PCT/IB2016/000338 WO2016132228A2 (en) 2015-02-16 2016-02-16 Systems and methods for brain activity interpretation

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
CN201680022201.9A Division CN107530012B (zh) 2015-02-16 2016-02-16 用于脑活动解析的系统

Publications (2)

Publication Number Publication Date
CN110840455A CN110840455A (zh) 2020-02-28
CN110840455B true CN110840455B (zh) 2022-07-19

Family

ID=56621837

Family Applications (2)

Application Number Title Priority Date Filing Date
CN201680022201.9A Active CN107530012B (zh) 2015-02-16 2016-02-16 用于脑活动解析的系统
CN201911127928.5A Active CN110840455B (zh) 2015-02-16 2016-02-16 用于脑活动解析的系统与方法

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN201680022201.9A Active CN107530012B (zh) 2015-02-16 2016-02-16 用于脑活动解析的系统

Country Status (7)

Country Link
US (4) US9955905B2 (zh)
EP (1) EP3258842B1 (zh)
CN (2) CN107530012B (zh)
AU (3) AU2016221435B2 (zh)
CA (1) CA2976860C (zh)
IL (1) IL254017B (zh)
WO (1) WO2016132228A2 (zh)

Families Citing this family (33)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170085547A1 (en) * 2015-09-22 2017-03-23 International Business Machines Corporation Storing, indexing and recalling data based on brain activity
AU2017278992B2 (en) * 2016-06-07 2021-05-27 NeuroSteer Ltd. Systems and methods for analyzing brain activity and applications thereof
KR101865110B1 (ko) * 2016-11-21 2018-06-07 재단법인 아산사회복지재단 급성뇌경색 발생시점 추정시스템, 방법 및 프로그램
CN106539581B (zh) * 2016-12-07 2019-08-20 中国民用航空总局第二研究所 基于概率统计方法的管制员疲劳检测方法及系统
US11723579B2 (en) 2017-09-19 2023-08-15 Neuroenhancement Lab, LLC Method and apparatus for neuroenhancement
US11717686B2 (en) 2017-12-04 2023-08-08 Neuroenhancement Lab, LLC Method and apparatus for neuroenhancement to facilitate learning and performance
CN111867448A (zh) * 2017-12-22 2020-10-30 波尓瑟兰尼提公司 用于计算脑活动的指示的方法和系统
US11318277B2 (en) 2017-12-31 2022-05-03 Neuroenhancement Lab, LLC Method and apparatus for neuroenhancement to enhance emotional response
WO2019145788A1 (en) * 2018-01-25 2019-08-01 NeuroSteer Ltd. Systems and methods for analyzing brain activity and applications pertaining to augmented reality
GB201805555D0 (en) 2018-04-04 2018-05-16 Cerebrum Matter Ltd System for monitoring brain wave activity
US11364361B2 (en) 2018-04-20 2022-06-21 Neuroenhancement Lab, LLC System and method for inducing sleep by transplanting mental states
CN108968915B (zh) * 2018-06-12 2021-07-02 山东大学 基于熵特征及支持向量机的睡眠状态分类方法及系统
US11452839B2 (en) 2018-09-14 2022-09-27 Neuroenhancement Lab, LLC System and method of improving sleep
US10799708B2 (en) 2018-09-18 2020-10-13 NeuroSteer Ltd. Systems and methods for cooperative invasive and noninvasive brain stimulation
CN109934089B (zh) * 2018-10-31 2020-10-23 北京航空航天大学 基于监督梯度提升器的多级癫痫脑电信号自动识别方法
CN109585021B (zh) * 2018-11-28 2022-06-14 华南理工大学 基于全息投影技术的精神状态评估方法
US12114989B2 (en) 2018-12-04 2024-10-15 Brainvivo Ltd. Apparatus and method for utilizing a brain feature activity map database to characterize content
CN109464152B (zh) * 2019-01-09 2021-11-26 浙江强脑科技有限公司 脑部疲劳状态的检测方法、设备及计算机可读存储介质
EP3903323A4 (en) * 2019-02-12 2022-10-12 Surgical Theater Inc. SYSTEM AND METHODS FOR MODELING NEUROLOGICAL ACTIVITY
US11786694B2 (en) 2019-05-24 2023-10-17 NeuroLight, Inc. Device, method, and app for facilitating sleep
CN114513987B (zh) * 2019-05-28 2024-07-09 皮层动力学有限公司 用于测量脑活动的设备和方法
US11526808B2 (en) * 2019-05-29 2022-12-13 The Board Of Trustees Of The Leland Stanford Junior University Machine learning based generation of ontology for structural and functional mapping
CN110448273B (zh) * 2019-08-29 2021-03-30 江南大学 一种基于支持向量机的低功耗癫痫预测电路
CN110680316B (zh) * 2019-10-24 2022-08-19 北京无线电测量研究所 一种无意识患者的神经反应检测方法及系统
WO2021132813A1 (ko) * 2019-12-23 2021-07-01 경희대학교 산학협력단 딥러닝 모델을 이용한 통증 평가 방법 및 분석 장치
CN111248927A (zh) * 2020-01-17 2020-06-09 北京师范大学 一种通过大脑血氧信号预测特定人际关系的方法及系统
WO2021237429A1 (en) * 2020-05-25 2021-12-02 Center For Excellence In Brain Science And Intelligence Technology, Chinese Academy Of Sciences A systematic device and scheme to assess the level of consciousness disorder by using language related brain activity
US20220101997A1 (en) * 2020-09-30 2022-03-31 X Development Llc Processing time-domain and frequency-domain representations of eeg data
US12125593B2 (en) 2020-10-05 2024-10-22 The Trustees Of Columbia University In The City Of New York Systems and methods for fusing EEG and fMRI through hierarchical deep transcoding
CN112528743B (zh) * 2020-11-09 2024-05-10 江苏海洋大学 基于功能磁共振技术解码脑活动的频谱差异映射框架方法
CN112641450B (zh) * 2020-12-28 2023-05-23 中国人民解放军战略支援部队信息工程大学 面向动态视频目标检测的时变脑网络重构方法
CN113693613B (zh) * 2021-02-26 2024-05-24 腾讯科技（深圳）有限公司 脑电信号分类方法、装置、计算机设备及存储介质
CN116491960B (zh) * 2023-06-28 2023-09-19 南昌大学第一附属医院 脑瞬态监测设备、电子设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2000010455A1 (en) * 1998-08-24 2000-03-02 Emory University Method and apparatus for predicting the onset of seizures based on features derived from signals indicative of brain activity
WO2005092185A2 (en) * 2004-03-22 2005-10-06 California Institute Of Technology Cognitive control signals for neural prosthetics
CN101433460A (zh) * 2008-07-25 2009-05-20 天津大学 下肢想象动作电位空间滤波方法
CN101449974A (zh) * 2007-12-05 2009-06-10 李小俚 一种自动实时估计麻醉深度的方法
CN102058413A (zh) * 2010-12-03 2011-05-18 上海交通大学 基于连续小波变换的脑电信号警觉度检测方法
CN103610447A (zh) * 2013-12-04 2014-03-05 天津大学 一种基于前额脑电信号的脑力负荷在线检测方法
CN203708422U (zh) * 2014-02-07 2014-07-09 努沃集团有限公司 用于将声音传送至子宫内婴儿的系统及装置

Family Cites Families (52)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4638807A (en) * 1985-08-27 1987-01-27 Ryder International Corporation Headband electrode system
US4996989A (en) * 1989-06-15 1991-03-05 Bodylog, Inc. Electrode
GB9522872D0 (en) * 1995-11-08 1996-01-10 Oxford Medical Ltd Improvements relating to physiological monitoring
US6032064A (en) * 1996-10-11 2000-02-29 Aspect Medical Systems, Inc. Electrode array system for measuring electrophysiological signals
US7630757B2 (en) * 1997-01-06 2009-12-08 Flint Hills Scientific Llc System for the prediction, rapid detection, warning, prevention, or control of changes in activity states in the brain of a subject
US6052619A (en) * 1997-08-07 2000-04-18 New York University Brain function scan system
WO2000066209A1 (de) * 1999-05-04 2000-11-09 Map Medizintechnik Für Arzt Und Patient Gmbh Und Co. Kg Vorrichtung zur erfassung elektrischer potentiale im stirnbereich eines patienten
US6882881B1 (en) 1999-10-19 2005-04-19 The Johns Hopkins University Techniques using heat flow management, stimulation, and signal analysis to treat medical disorders
AU2001261072A1 (en) 2000-04-28 2001-11-12 The Trustees Of Columbia University In The City Of New York Method for tomographic reconstruction with non-linear diagonal estimators
AU2002212848A1 (en) * 2000-10-09 2002-04-22 Neuronz Limited Sensor assembly for monitoring an infant brain
US6594524B2 (en) * 2000-12-12 2003-07-15 The Trustees Of The University Of Pennsylvania Adaptive method and apparatus for forecasting and controlling neurological disturbances under a multi-level control
US7150715B2 (en) 2001-02-05 2006-12-19 Collura Thomas F Network enabled biofeedback administration
EP1238628B1 (en) * 2001-03-09 2007-05-09 Maico Diagnostic GmbH Device for determining acoustically evoked cerebral potentials
CA2448806C (en) * 2001-06-13 2011-10-18 Compumedics Limited Methods and apparatus for monitoring consciousness
US6728564B2 (en) * 2001-07-03 2004-04-27 Instrumentarium Corp. Configurable sensor system for measuring biopotentials
US7299088B1 (en) 2002-06-02 2007-11-20 Nitish V Thakor Apparatus and methods for brain rhythm analysis
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
US7130673B2 (en) * 2003-04-08 2006-10-31 Instrumentarium Corp. Method of positioning electrodes for central nervous system monitoring and sensing pain reactions 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
US20050012622A1 (en) 2003-05-19 2005-01-20 Sutton William R. Monitoring and control of sleep cycles
US6961603B2 (en) * 2003-06-17 2005-11-01 Instrumentarim Corp. Unitary multi-electrode biopotential signal sensor and method for making same
US8478539B2 (en) * 2003-12-31 2013-07-02 Jeffrey M. Sieracki System and method for neurological activity signature determination, discrimination, and detection
KR20050072941A (ko) * 2004-01-08 2005-07-13 삼성전자주식회사 다중 전극을 갖는 생체신호 검출용 센서 및 이를 적용한장치
WO2005084538A1 (en) * 2004-02-27 2005-09-15 Axon Sleep Research Laboratories, Inc. Device for and method of predicting a user’s sleep state
WO2006034024A2 (en) * 2004-09-16 2006-03-30 Everest Biomedical Instruments Method for adaptive complex wavelet based filtering of eeg signals
US7904144B2 (en) * 2005-08-02 2011-03-08 Brainscope Company, Inc. Method for assessing brain function and portable automatic brain function assessment apparatus
US20070167694A1 (en) * 2005-12-21 2007-07-19 Everest Biomedical Instruments Co. Integrated Portable Anesthesia and Sedation Monitoring Apparatus
EP1820444B1 (en) * 2006-02-17 2011-09-21 General Electric Company Detection of epileptiform activity
WO2007138598A2 (en) 2006-06-01 2007-12-06 Tylerton International Inc. Brain stimulation and rehabilitation
WO2008037020A1 (en) * 2006-09-27 2008-04-03 Resmed Ltd Methods and apparatus for assessing sleep quality
US20080161712A1 (en) 2006-12-27 2008-07-03 Kent Leyde Low Power Device With Contingent Scheduling
EP2124734A2 (en) * 2007-01-25 2009-12-02 NeuroVista Corporation Methods and systems for measuring a subject's susceptibility to a seizure
US20090048530A1 (en) * 2007-08-15 2009-02-19 The General Electric Company Monitoring of epileptiform activity
US8512240B1 (en) * 2007-11-14 2013-08-20 Medasense Biometrics Ltd. System and method for pain monitoring using a multidimensional analysis of physiological signals
EP2227138A4 (en) * 2007-11-29 2015-10-14 Elminda Ltd FUNCTIONAL ANALYSIS OF NEUROPHYSIOLOGICAL DATA
WO2010045724A1 (en) * 2008-10-20 2010-04-29 Neurochip Corporation Method and rhythm extractor for detecting and isolating rhythmic signal features from an input signal using the wavelet packet transform
US10575751B2 (en) 2008-11-28 2020-03-03 The University Of Queensland Method and apparatus for determining sleep states
US8364254B2 (en) * 2009-01-28 2013-01-29 Brainscope Company, Inc. Method and device for probabilistic objective assessment of brain function
US9451883B2 (en) * 2009-03-04 2016-09-27 The Regents Of The University Of California Apparatus and method for decoding sensory and cognitive information from brain activity
EP2682053A1 (en) * 2009-06-15 2014-01-08 Brain Computer Interface LLC A brain-computer interface test battery for the physiological assessment of nervous system health
WO2011052183A1 (ja) 2009-10-29 2011-05-05 パナソニック株式会社 生体疲労評価装置及び生体疲労評価方法
US8838226B2 (en) * 2009-12-01 2014-09-16 Neuro Wave Systems Inc Multi-channel brain or cortical activity monitoring and method
AU2011265090A1 (en) 2010-06-07 2012-11-29 Affectiva,Inc. Mental state analysis using web services
EP2670299A4 (en) 2011-02-03 2017-08-09 The Medical Research, Infrastructure, And Health Services Fund Of The Tel Aviv Medical Center Method and system for use in monitoring neural activity in a subject's brain
US9326698B2 (en) * 2011-02-18 2016-05-03 The Trustees Of The University Of Pennsylvania Method for automatic, unsupervised classification of high-frequency oscillations in physiological recordings
US20130109995A1 (en) * 2011-10-28 2013-05-02 Neil S. Rothman Method of building classifiers for real-time classification of neurological states
EP2884884A1 (en) * 2012-08-16 2015-06-24 École Polytechnique Fédérale de Lausanne (EPFL) Method and apparatus for low complexity spectral analysis of bio-signals
US8979906B2 (en) * 2012-11-27 2015-03-17 Omni Acquisition, Inc. Spine rod clamping body and pedicle screw assembly comprising same
US20150338917A1 (en) 2012-12-26 2015-11-26 Sia Technology Ltd. Device, system, and method of controlling electronic devices via thought
US20160029946A1 (en) * 2013-03-15 2016-02-04 Adam J. Simon Wavelet analysis in neuro diagnostics
NZ630770A (en) 2013-10-09 2016-03-31 Resmed Sensor Technologies Ltd Fatigue monitoring and management system
US9636063B2 (en) 2014-03-18 2017-05-02 J. Kimo Arbas System and method to detect alertness of machine operator

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2000010455A1 (en) * 1998-08-24 2000-03-02 Emory University Method and apparatus for predicting the onset of seizures based on features derived from signals indicative of brain activity
WO2005092185A2 (en) * 2004-03-22 2005-10-06 California Institute Of Technology Cognitive control signals for neural prosthetics
CN101449974A (zh) * 2007-12-05 2009-06-10 李小俚 一种自动实时估计麻醉深度的方法
CN101433460A (zh) * 2008-07-25 2009-05-20 天津大学 下肢想象动作电位空间滤波方法
CN102058413A (zh) * 2010-12-03 2011-05-18 上海交通大学 基于连续小波变换的脑电信号警觉度检测方法
CN103610447A (zh) * 2013-12-04 2014-03-05 天津大学 一种基于前额脑电信号的脑力负荷在线检测方法
CN203708422U (zh) * 2014-02-07 2014-07-09 努沃集团有限公司 用于将声音传送至子宫内婴儿的系统及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
A Novel Criterion of Wavelet Packet Best Basis Selection for Signal Classification With Application to Brain–Computer Interfaces;Denis Vautrin，等;《IEEE Transactions on Biomedical Engineering》;20091101;第56卷(第11期);全文 *

Also Published As

Publication number Publication date
IL254017A0 (en) 2017-10-31
EP3258842A2 (en) 2017-12-27
IL254017B (en) 2021-03-25
CA2976860C (en) 2023-10-17
AU2016221435B2 (en) 2019-10-03
EP3258842A4 (en) 2018-11-21
CN107530012B (zh) 2019-12-10
US9955905B2 (en) 2018-05-01
CA2976860A1 (en) 2016-08-25
US20220095990A1 (en) 2022-03-31
CN107530012A (zh) 2018-01-02
AU2016221435A1 (en) 2017-10-12
WO2016132228A2 (en) 2016-08-25
AU2019284075A1 (en) 2020-01-23
US20240341666A1 (en) 2024-10-17
US20180228423A1 (en) 2018-08-16
EP3258842B1 (en) 2020-12-02
AU2021215126A1 (en) 2021-09-09
CN110840455A (zh) 2020-02-28
AU2021215126B2 (en) 2023-07-06
AU2016221435A2 (en) 2017-11-09
US20160235351A1 (en) 2016-08-18
US11911171B2 (en) 2024-02-27
WO2016132228A3 (en) 2016-10-20

Similar Documents

Publication Publication Date Title
US11911171B2 (en) Systems and methods for brain activity interpretation
US11974851B2 (en) Systems and methods for analyzing brain activity and applications thereof
US20240350054A1 (en) Real time biometric recording, information analytics, and monitoring systems and methods
Zheng et al. Investigating critical frequency bands and channels for EEG-based emotion recognition with deep neural networks
JP2015533559A (ja) 知覚および認知プロファイリングのためのシステムおよび方法
Seal et al. An EEG database and its initial benchmark emotion classification performance
Samal et al. Role of machine learning and deep learning techniques in EEG-based BCI emotion recognition system: a review
Trigka et al. A survey on signal processing methods for EEG-based brain computer interface systems
Wang et al. The increasing instance of negative emotion reduce the performance of emotion recognition
Hasan et al. Emotion prediction through EEG recordings using computational intelligence
Swart Mechanisms and outcomes of Autonomous Sensory Meridian Response
Ergin Multi-Channel EEG-Based Emotion Classification Using Deep Neural Networks
Islam et al. Emotion recognition using EEG signal and deep learning approach

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant