DE69637337T2

DE69637337T2 - Verbesserungen in Bezug auf physiologische Überwachung

Info

Publication number: DE69637337T2
Application number: DE69637337T
Authority: DE
Inventors: James Dr. Jericho Pardey; Mark Jeremy Oxford Laister; Michael Richard Abingdon Oxon Dadswell; Lionel Dr. Cumnor Hill Tarassenko
Original assignee: Oxford Biosignals Ltd
Current assignee: Oxford Biosignals Ltd
Priority date: 1995-11-08
Filing date: 1996-10-21
Publication date: 2008-11-06
Anticipated expiration: 2016-10-22
Also published as: US5999846A; EP0773504A1; EP0773504B1; DE69637337D1; GB9522872D0

Description

Die vorliegende Erfindung betrifft Verbesserungen der physiologischen Überwachung, insbesondere des Überwachens von Schlaf oder Vigilanz.
Das derzeit weltweit zum Auswerten von Schlafaufzeichnungen verwendete Verfahren wird bei Rechtschaffen und Kales (1968), „A Manual of Standardized Technology, Techniques and Scoring System for Sleep Stages of Human Subjects", beschrieben.
Das Auswerten erfordert das Aufzeichnen folgender Signale:
Elektroenzephalogramm (EEG) – von einer Position nahe der Oberseite des Kopfs,
zwei Augenkanäle (Elektrookulogramm (EOG)) – von Elektroden nahe dem äußeren Kanthus jedes Auges und
Kinnmuskeltonus (Elektromyogramm (EMG)) – von einem Paar Elektroden unter dem Kinn.
Die Schlafauswertung teilt die Aufzeichnung in Epochen von typischerweise 20, 30 oder 40 Sekunden Dauer auf. Jede Epoche hat eine ihr zugeteilte Schlafphasenklassifizierung. Die sechs anerkannten Klassifizierungen sind: Phase Wach; Phase REM (Rapid Eye Movement); Phase 1, 2, 3 und 4. Die Klassifizierung jeder Epoche erfordert zuerst das Ermitteln bestimmter Merkmale im EEG und EOG und die Messung der Amplitude des EMG im Verhältnis zum Hintergrund-EMG-Wert. Die Merkmale werden unter Verwendung von Frequenz- und Amplitudenkriterien ermittelt. Eine solche Aufzeichnungstechnik und ein solches Auswertungsverfahren sind als Polysomnographie bekannt.
Dann werden an den Merkmalen eine Reihe von Regeln angelegt, um die Klassifizierung für jede Epoche zu erhalten.
Beispiele für herkömmliche EEG-Spuren, die den vorstehend erwähnten Schlafphasen zugeordnet sind, werden in den 9(a)–(f) gezeigt. Die 9(a)–(f) zeigen die folgenden Phasen:

Figur 9(a) – wach;

Figur 9(b) – Phase 1;

Figur 9(c) – Phase 2;

Figur 9(d) – Phase 3;

Figur 9(e) – Phase 4;

Figur 9(f) – REM.
Nachdem jeder Epoche eine Klassifizierung zugeordnet wurde, werden Bereinigungsregeln angelegt, die bestimmte Epochen nach deren Zusammenhang reklassifizieren können.
Die Klassifizierungen jeder Epoche für die Aufzeichnung der gesamten Nacht kann gegen Zeit aufgetragen werden. Dies ist ein Hypnogramm.
Zusammenfassende Statistiken können aus dem Hypnogramm abgeleitet werden, die objektiver Maße der Schlafqualität erlauben.
Der Artikel „A likelihood based computer approach to conventional scoring of sleep", Procs. An. Int. Conf. Of the Engineering in Medicine and Biology Society, 29. Okt. – 1. Nov., Band 14, Seiten 2645–2646 offenbart ein Verfahren zum Auswerten von Schlaf unter Verwendung eines Computerprogramms, das jede Epoche in Einsekundenintervalle teilt und die Wahrscheinlichkeit berechnet, dass das Signal in jedem Intervall mit einem von sieben vorab festgelegten Merkmalen übereinstimmt. Diese Wahrscheinlichkeiten werden dann zu der Wahrscheinlichkeit jedes von 18 Ereignissen für die Epoche kombiniert. Die Signale sind die vorstehend erwähnten herkömmlichen fünf Kanalsignale. Die R- und K-Regeln können dann durch Kombinieren ihrer Wahrscheinlichkeiten mit Hilfe einer Gewichtungsmatrix an den Ereignissen angewendet werden, um der Epoche einen Schlafphasentyp zuzuordnen.
Andersson C W; Stoltz E A; Shamsunder S: „Discriminating Mental Tasks Using EEC Represented by AR Models"; Engineering in Medicine and Biology Society, 1995, IEE 17. Jahreskonferenz Montreal, Que., Kanada, 20.–23. September 1995, New York, NY, USA, IEEE, US, Seiten 875–876 beschreibt ein Verfahren zum Trainieren eines neuronalen Netzes unter Verwendung von Standardfehlerrückübertragung zum Unterscheiden zwischen mentalen Aufgaben.
Erfindungsgemäß wird ein computergestütztes Verfahren zum Trainieren und Prüfen eines zum Überwachen von Schlaf oder Vigilanz geeigneten ersten neuronalen Netzes an die Hand gegeben, wobei das Verfahren folgende Schritte umfasst:

(1) Erhalten einer ersten Reihe von physiologischen Signalen von einer Versuchsperson, wobei jedes Element der Reihe über eine Dauer von Epochen von einer Versuchsperson erhalten wird;
(2) Erhalten einer zweiten Reihe von physiologischen Signalen von der Versuchsperson, wobei jedes Element der Reihe über die selben Epochen wie ein jeweiliges Element der ersten Reihe von Signalen erhalten wird und eine Korrelation zum jeweiligen Element der ersten Reihe von Signalen hat;
(3) Zuordnen einer Klasse zu jeder Epoche unter Verwendung von menschlichen Auswertungen, die nach zuvor vereinbarten Regeln durch Analysieren der ersten Reihe von physiologischen Signalen erhalten wurden;
(4) Aufteilen jeder Reihe von Signalen in eine Reihe von Trainingssignalen und eine Reihe von Prüfsignalen;
(5) Trainieren eines zweiten neuronalen Netzes durch Eingeben der Trainingsreihe aus ersten Signalen und durch Verwenden der jeder Epoche zugeordneten Klassen als Trainingskennungen;
(6) Trainieren des ersten neuronalen Netzes durch Eingeben der Trainingsreihe aus zweiten Signalen und durch Verwenden der den jeweiligen Epochen der ersten Signalreihe zugeordneten Klassen als Trainingskennungen; und
(7) Überwachen der Leistung des ersten neuronalen Netzes durch Vergleichen der von dem ersten und zweiten Netz jeder Epoche zugeordneten Klasse bei Eingabe mit der ersten und zweiten Reihe von Prüfsignalen,

Die vorliegende Erfindung sieht ein Verfahren zum Trainieren eines neuronalen Netzes vor, auf eingegebene Daten (d. h. die zweiten Signale) zu handeln, die nicht in herkömmlicher Weise analysiert werden können. Sofern eine Korrelation (die nicht linear sein kann) zwischen den beiden Reihen von Signalen vorliegt, kann das erste neuronale Netz mit Hilfe der zweiten Signale als eingegebene Daten aber unter Verwendung von Kennungen, die in herkömmlicher Weise aus den ersten Signalen erhalten werden, trainiert werden.
Die Signale können zum Beispiel aus verschiedenen physiologischen Messungen abgeleitet werden; zum Beispiel kann die erste Reihe von Signalen aus dem EEC einer Versuchsperson abgeleitete Signale umfassen, und die zweite Reihe von Signalen kann den Blutdruck der Versuchsperson über gleichzeitige Epochen betreffen.
Bevorzugt wird das Verfahren aber zum Trainieren und Prüfen des neuronalen Netzes eines Schlaf- oder Vigilanz-Monitors verwendet, der zum Überwachen eines elektrischen Signals (d. h. des zweiten elektrischen Signals) verwendet wird, das nicht mit Hilfe von standardmäßiger Polysomnographie-Analyse analysiert werden kann. Das zweite Netz wird mit Hilfe von Kennungen trainiert, die aus einer ersten Reihe von Signalen von Standardstellen (typischerweise EEG von der Kopfhaut, zwei EOG-Signale und ein EMG-Signal) erhalten werden, die mit Hilfe von standardmäßiger Polysomnographie-Analyse analysiert werden können. Typischerweise ist das zweite elektrische Signal ein EEG-Signal, das von einer Elektrodenstelle erhalten wird, die von Menschen nicht unbedingt ausgewertet werden kann (beispielsweise der Mastoidstelle).
Die Technik zum Trainieren eines neuronalen Netzwerks zum Erhalten der gleichen Ausgabe von indirekt verwandten, aber verschiedenen Eingangssignalen (in diesem Fall von EEG, das an verschiedenen Stellen genommen wurde) kann gleichermaßen bei anderen Analysesystemen angewendet werden, einschließlich einem Offline-Schlaf- oder Vigilanzanalysesystem, das gespeicherte Daten retrospektiv analysiert.
Nach einer weiteren Ausgestaltung der vorliegenden Erfindung wird ein Verfahren zum Trainieren eines vorstehend beschriebenen neuronalen Netzes an die Hand gegeben, wobei das Verfahren des Zuordnens einer Klasse zu einer Epoche eines von einer Versuchsperson erhaltenen physiologischen Signals, wobei das physiologische Signal für die Epoche in Mustern jeweils für ein folgendes Zeitintervall innerhalb der Epoche unterteilt wird, umfasst:

(1) Schätzen der Wahrscheinlichkeit jeder von mehreren Arten von Phasen für jedes Muster;
(2) kumulatives Multiplizieren der Wahrscheinlichkeiten für jedes Muster mit den Wahrscheinlichkeiten eines vorherigen Musters;
(3) Bestimmen, welche Art von Phase die höchste Wahrscheinlichkeit hat, nachdem alle Muster der Epoche kumulativ multipliziert wurden; und
(4) Zuordnen dieser Phasenart zur Epoche als Klasse.

Typischerweise umfasst das physiologische Signal ein EEG-Signal. Das Signal kann von der Mastoidstelle erhalten werden.
Als Beispiel, das für das Verständnis der Erfindung nützlich ist, gibt es eine Insomnieüberwachungsvorrichtung mit:

(1) einer oder mehreren Elektroden zum Erhalten eines elektrischen Signals von einer Versuchsperson über einen Zeitraum von Epochen, wobei das elektrische Signal mit der von der Versuchsperson erfahrenen Schlafphasenart in Verbindung steht;
(2) einem Prozessor, der zum Analysieren des elektrischen Signals und Zuordnen einer Schlafphasenart zu jeder Epoche ausgelegt ist, um ein Hypnogramm zu erzeugen;
(3) Mitteln zum Analysieren des Hypnogramms, um einen zusammenfassenden Index der Schlafqualität über den Zeitraum von Epochen zu erzeugen; und
(4) Mitteln, die auf Mittel zum Analysieren des Hypnogramms ansprechen, um den zusammenfassenden Index der Schlafqualität anzuzeigen.

Dies gibt eine Vorrichtung an die Hand, die unabhängig, tragbar und kostengünstig sein kann. Die Vorrichtung erzeugt und zeigt einen zusammenfassenden Index an, der einen einfachen objektiven Indikator des von der Versuchsperson erlittenen Grads an Schlaflosigkeit vorsieht.
Schlaflosigkeit kann sich in vielen Formen manifestieren, und daher können verschiedene zusammenfassende Schlafindizes erzeugt und angezeigt werden. Zum Beispiel kann eine Versuchsperson unter einfachem Schlafmangel leiden. In diesem Fall liefert ein niedriger Schlafeffizienzindex (der das Verhältnis der Schlafzeit zu der Zeit im Bett ist) den erforderlichen Hinweis und wird erzeugt und angezeigt. Alternativ kann die Versuchsperson einen hohen Schlafeffizienzindex haben, aber „schlecht" schlafen. Die Versuchsperson kann zum Beispiel unregelmäßige Schlafzyklen (z. B. abwechselnd lange/kurze Zeiträume von REM-Schlaf) erfahren. Daher kann ein alternativer oder zusätzlicher zusammenfassender Index einen Hinweis auf die Periodizität des Schlaf-/Wachkontinuums liefern. Der Index kann zum Beispiel aus der Periodizität, der Varianz der Frequenz etc. von einer oder mehreren Schlafkategorien abgeleitet werden.
Typischerweise wird die Vorrichtung von einer Versuchsperson während der Nacht getragen, in welcher Zeit sie ständig das elektrische Signal erfasst und analysiert, das typischerweise ein EEG-Signal von der Kopfhaut der Versuchsperson ist. Bei Beenden der Aufzeichnung am Morgen liefert sie einen oder mehrere einfache Indizes der Schlafqualität, die anzeigen, wie gut die Versuchsperson schlief. Werte unter vorgegebenen Grenzwerten zeigen an, dass die Versuchsperson sich entweder an einen Allgemeinmediziner oder ein Schlaflabor für weitere Untersuchung wenden sollte.
Die Vorrichtung ist vorrangig zur Verwendung durch Allgemeinmediziner zur Verwendung als Screening-Instrument bei Versuchspersonen, die angeben, an Schlaflosigkeit zu leiden, und für Mitglieder der Öffentlichkeit gedacht, die die Qualität ihres eigenen Schlafs überwachen wollen.
Das Vorsehen eines zusammenfassenden Index reduziert die vom Arzt benötigte Zeit zum Treffen einer Entscheidung, ob eine zusätzliche Behandlung erforderlich ist, und erfordert keine besonderen Fähigkeiten, was ihre Anwendung für Allgemeinmediziner geeigneter macht. Bevorzugt umfasst der zusammenfassende Index einen Ja/Nein-Wert, der anzeigt, ob die Versuchsperson unter einer Form von Schlaflosigkeit leidet oder nicht.
Als weiteres Beispiel, das für das Verständnis der Erfindung nützlich ist, kann es auch ein Verfahren der Schlafüberwachung geben, wobei das Verfahren umfasst:

(1) Erhalten eines elektrischen Signals von einer Versuchsperson über einen Zeitraum von Epochen, wobei das elektrische Signal mit der von der Versuchsperson erfahrenen Schlafphasenart in Verbindung steht;
(2) Analysieren des elektrischen Signals und Zuordnen einer Schlafphasenart zu jeder Epoche, um ein Hypnogramm zu erzeugen;
(3) Analysieren des Hypnogramms, um einen zusammenfassenden Index der Schlafqualität über den Zeitraum von Epochen zu erzeugen; und
(4) Anzeigen des zusammenfassenden Index der Schlafqualität.

Durch Verwenden der gleichen physiologischen Parameter und Verwenden eines ähnlichen Prozesses wie vorstehend beschrieben, aber durch Nutzen einer zu denen von Rechtschaffen und Kales alternativen Reihe von Regeln ist es möglich, ein „Wachogramm" zu konstruieren, das den Grad der Wachheit der Versuchsperson anzeigt, bevor sie einschläft, sowie deren Schlaftiefe, sobald sie schlafen. Aus dem Wachogramm lässt sich ein Maß der Vigilanz der Versuchsperson ableiten.
Als weiteres Beispiel, das für das Verständnis der Erfindung nützlich ist, wird weiterhin eine Vigilanzüberwachungsvorrichtung zur Hand gegeben, welche umfasst:

(1) eine oder mehrere Elektroden zum Erhalten eines elektrischen Signals von einer Versuchsperson über einen Zeitraum von Epochen, wobei das elektrische Signal mit der von der Versuchsperson erfahrenen Wachheitsphasenart in Verbindung steht;
(2) einen Prozessor, der zum Analysieren des elektrischen Signals und Zuordnen einer Wachheitsphasenart zu jeder Epoche ausgelegt ist;
(3) Mittel zum Überwachen der zugeordneten Wachheitsphasenarten, um zu ermitteln, ob sie vorgegebene Kriterien erfüllen, die einen verminderten Grad an Vigilanz darstellen; und
(4) Mittel, die auf Mittel zum Überwachen ansprechen, um eine Meldung zu erzeugen, wenn vorgegebene Kriterien erfüllt sind.

Dies gibt einen Vigilanzmonitor an die Hand, der es Menschen in sicherheitskritischen Berufen ermöglicht, ihre Vigilanz direkt überwachen zu lassen. Eine Vigilanzanalyse erfordert Segmentierung und Klassifizierung des elektrischen Signals während der Wachheit sowie während Schlaf. Ein geeignetes Auswertungsverfahren teilt Wachheit in mehrere verschiedene Kategorien ein, wobei jede einen geringeren Zustand an Wachheit oder Vigilanz darstellt. Die Auswerter können eine willkürliche Epochenlänge von typischerweise 20 Sekunden verwenden, doch könnten andere Epochen (schlafabhängig) gewählt werden. Wie bei Schlaf beruht das Auswerten auf visuellen Verfahren.
Das elektrische Signal oder Wachogramm kann für spätere Analyse oder Überwachung gespeichert werden. In diesem Fall kann das elektrische Signal oder Wachogramm zu einem späteren Zeitpunkt analysiert werden, um zu ermitteln, ob ein vorgegebener Vigilanzwert über den Zeitraum von Epochen aufrechterhalten wurde. In diesem Fall umfasst der Vigilanzmonitor typischerweise Mittel zum Analysieren des Wachogramms, um einen zusammenfassenden Index der Vigilanzqualität über den Zeitraum von Epochen zu erzeugen. Der zusammenfassende Index kann für spätere Ausgabe gespeichert werden oder kann durch den Vigilanzmonitor angezeigt werden. Bevorzugt wird das Wachogramm aber analysiert und die Meldung wird während des Zeitraums von Epochen erzeugt. In diesem Fall gibt die Meldung einen kontinuierlichen Echtzeithinweis auf die Vigilanz der Versuchsperson.
Wenn die Ausgabe des Wachogramms die vorgegebenen Kriterien erfüllt, die typischerweise vorab als einen verminderten Vigilanzwert darstellend ermittelt wurden, erzeugt die Vorrichtung irgendeine Art von Meldung. Dies könnte eine akustische, visuelle oder elektronische Meldung sein und kann zum Warnen der Versuchsperson genutzt werden.
Als weiteres Beispiel, das für das Verständnis der Erfindung nützlich ist, gibt es auch ein Verfahren der Vigilanzüberwachung, wobei das Verfahren umfasst:

(1) Erhalten (52) eines elektrischen Signals von einer Versuchsperson über einen Zeitraum von Epochen, wobei das elektrische Signal mit der von der Versuchsperson erfahrenen Wachheitsphasenart in Verbindung steht;
(2) Analysieren (54–58) des elektrischen Signals und Zuordnen einer Wachheitsphasenart zu jeder Epoche;
(3) Überwachen (64) der zugeordneten Wachheitsphasenarten, um zu ermitteln, ob sie vorgegebene Kriterien erfüllen, die einen verminderten Grad an Vigilanz darstellen; und
(4) Erzeugen (65) einer Warnmeldung, wenn die vorgegebenen Kriterien erfüllt sind.

Die folgenden Anmerkungen gelten sowohl für den Insomnie-Monitor als auch den Vigilanzmonitor.
Das Hypnogramm oder Wachogramm kann aus mehreren elektrischen Signalen von Standardstellen (z. B. EEG, EOG, EMG etc.) erzeugt werden. Bevorzugt erzeugt die Vorrichtung aber das Hypnogramm oder Wachogramm allein aus einem einzigen Kanal (bevorzugt einem EEG-Kanal). Die Verwendung nur eines einzigen EEG-Kanals reduziert die Kosten der Verstärkungsschaltung, und es sind weniger Elektroden zum Ausführen einer Aufzeichnung als bei herkömmlichen Polysomnographie-Aufzeichnungen erforderlich.
Die Vorrichtung umfasst typischerweise eine tragbare, batteriebetriebene, unabhängige Einrichtung.
Der zusammenfassende index bzw. die Meldung wird typischerweise in der Vorrichtung erzeugt. Der Index oder die Meldung können dann durch dessen Anzeigen auf einer digitalen Anzeige und/oder durch Erklingen eines akustischen Alarms und/oder durch dessen Speichern in der Vorrichtung für spätere Prüfung dargestellt werden. Alternativ können der Index oder die Meldung zu einer anderen Vorrichtung übertragen werden (z. B. durch Übertragen zu einem Computer mittels einer seriellen Schnittstelle).
Der Insomnie- oder Vigilanz-Monitor kann das ursprüngliche EEG-Signal speichern und das gespeicherte Signal am Ende eines Schlafzeitraums oder am Ende eines Zeitraums der Vigilanzüberwachung analysieren. Typischerweise erzeugt aber der Insomnie-Monitor oder der Vigilanz-Monitor das Hypnogramm oder Wachogramm „spontan" und umfasst weiterhin einen zum Speichern des Hypnogramms oder Wachogramms ausgelegten Speicher. Dies minimiert die Kosten des Speichers – 12 Stunden EEG würden typischerweise 4 MB nicht flüchtige Speicherung erfordern. Wenn die Analyse online ausgeführt wird, müssen nur die Ergebnisse gespeichert werden, was billiger, in ein paar kB, erledigt werden kann.
Die elektrischen Signale umfassen ein EEG-Signal von der mastoiden Stelle hinter dem Ohr einer Versuchsperson.
Die mastoide Stelle bietet eine neuartige Stelle zum Überwachen elektrischer Aktivität, um Schlaf- oder Vigilanzqualität zu überwachen. Die Mastoidstellen liegen unter dem Haaransatz. Des erlaubt das Verwenden von haftenden Einwegelektroden an Stelle der normalerweise für Schlafstudien erforderlichen angeklebten Elektroden.
Die letzteren erfordern das Verwenden aceton-basierter Klebstoffe und Lösungsmittel und erfordern geschultes Person für deren Befestigung.
Das Mastoidsignal kann nicht unbedingt von Menschen interpretiert werden, bietet aber Vorteile bezüglich Anschlusszeit, Zweckdienlichkeit, Komfort, Ästhetik und geringerer Anforderungen an die Fähigkeiten bei der Anwendung.
Typischerweise umfasst das Verfahren das Erhalten eines Differenzsignals zwischen den zwei mastoiden Stellen.
Bevorzugt wird die Schlaf- oder Vigilanzanalyse (beispielsweise Polysomnographie-Analyse) allein an dem mastoiden EEC-Signal ausgeführt. Typischerweise wird die Analyse von einem neuronalen Netz ausgeführt.
Das Schlaf-Wach-Kontinuum kann mit Hilfe einer finiten Anzahl kontinuierlicher Prozesse umfassend beschrieben werden; bei Insomnie-Überwachung sind dies Wachheit, Träumen/leichter Schlaf und Tiefschlaf. Diese entsprechen den von Menschen ausgewerteten Phasen von Wach, REM/Phase 1 und Phase 4. Wachheit kann weiterhin in verschiedene Grade von Wachheit oder Vigilanz unterteilt werden, beispielsweise aktiv wach, ruhig wach, wach mit hohem Alpha-Anteil, wach mit hohem Theta-Anteil. Erforderlich ist ein Mittel zum Verfolgen des zeitlichen Ablaufs des EEG, wenn es sich zwischen diesen Prozessen bewegt.
Typischweise umfasst der Prozessor ein neuronales Netz, wie ein mehrschichtiges Perceptron (MLP, vom engl. Multilager Perceptron). Die vorstehend umrissenen Anforderungen werden idealerweise an die Funktionsfähigkeiten eines MLP angepasst. Dieses neuronale Netz kann trainiert werden, um eine Polysomnographie-Analyse an einem einzigen EEG-Kanal (statt 1 EEG, 2 EOG und 1 EMG) auszuführen. Es kann auch trainiert werden, ein ungewöhnliches EEG-Signal zu analysieren, beispielsweise das mastoide Signal.
Da herkömmliche neuronale Netze statische Musterklassifikatoren sind, muss das EEG-Signal in „Rahmen" segmentiert werden, während derer die Signaleigenschaften als stationär betrachtet werden können. Das EEG wird üblicherweise über Intervallen in der Größenordnung von einer Sekunde als quasistationär betrachtet, da dies die charakteristische Zeit von wichtigen transitorischen Merkmalen wie Schlafspindeln ist. Die wichtigen Informationen in dem EEG sind in den Frequenzdomänen. Ein autoregressives (AR) Modell des EEG-Signals liefert eine adäquate Darstellung des EEG während des Schlaf-Wach-Kontinuums und kann als Eingabedarstellung zum Trainieren und Testen des neuronalen Netzes verwendet werden. Wenn zum Beispiel ein Modell mit 10 Koeffizienten verwendet wird, ergibt dies einen 10-dimensionalen Eingangsvektor für das neuronale Netz für jedes ein Sekunden lange Segment des EEG. Im Fall der Vigilanzüberwachung ist die optimale Anzahl an Koeffizienten typischerweise höher als 10, da das Signal während der Wachheit komplexer wird, so dass ein Modell höherer Ordnung zum vollständigen Beschreiben erforderlich ist.
Das Signal von einer neuartigen Elektrodenstelle, beispielsweise der mastoiden Stelle, kann mit Hilfe der vorstehend erläuterten standardmäßigen menschlichen Auswertungsverfahren nicht einfach analysiert werden.
Nun werden Ausführungen aller Ausgestaltungen der vorliegenden Erfindung unter Bezug auf die Begleitzeichnungen beschrieben. Hierbei zeigen:
1 ein Blockdiagramm eines Insomnie-Monitors oder Vigilanz-Monitors;
2 ein Beispiel des mehrschichtigen Perceptron-Neuronalnetzes (MLP), das von dem Monitor verwendet wird;
3 die sigmoide Nichtlinearität, die in jeder der verborgenen Einheiten und Ausgabeeinheiten des MLP verwendet wird;
4 ein Beispiel der Ausgaben des neuronalen Netzwerks;
5 ein Blockdiagramm, das eine Ausführung des Verfahrens zum Trainieren und Testen des neuronalen Netzes nach der vorliegenden Erfindung zeigt;
6(a) bis 6(c) sekundenweise Ausgabewahrscheinlichkeiten von einem Dreiklassen-MLP für (a) Wachheit, (b) leichten Schlaf/REM, (c) Tiefschlaf;
6(d) das Pseudohypnogramm, das durch Subtrahieren von (c) von (a) erhalten wird;
6(e) ein Hypnogramm, das durch Multiplizieren der Ausgabewahrscheinlichkeiten nach der vorliegenden Erfindung von einem Sechsklassen-MLP über 30-Sekunden-Epochen erhalten wird;
6(f) das entsprechende menschliche/ausgewertete Hypnogramm;
7 die Hauptverarbeitungsschleife des Insomnie- oder Vigilanz-Monitors;
8 die Kohonenkarten aus einer unabhängigen Analyse, die anhand von Daten vorgenommen wurde, die gleichzeitig von standardmäßigen und neuartigen EEG-Elektrodenstellen aufgezeichnet wurden; und
9(a)–9(f) herkömmliche EEG-Spuren für die verschiedenen Phasen von Schlaf.
Nachstehend wird ein Blockdiagramm einer typischen Umsetzung einer Vorrichtung unter Bezug auf 1 beschrieben.
Die Vorrichtung ist eine kleine, unabhängige, tragbare Einheit, die ständig EEG-Signale mindestens 12 Stunden lang erfassen und analysieren kann. Die Ergebnisse werden in einem nicht flüchtigen Datenspeicher 7 zur späteren Anzeige auf einer LCD-Anzeige 11 oder zum Herunterladen mittels einer isolierten RS232-Schnittstelle gehalten.
Leistung wird durch interne Einweg- oder aufladbare Batterien und eine geregelte Stromversorgung 9 bereitgestellt.
Signale werden von den an dem Kopf der Versuchsperson angebrachten Elektroden 1 mittels eines Schaltkreises 2 und eines Eingangsverstärkers 3 erfasst. Der Eingangsverstärker weist eine analoge Bandbreite von mindestens 0,5 Hz–30 Hz auf und hat eine rauscharme technische Auslegung mit hoher Verstärkung. Das Signal wird dem Tiefpassfilter 21 eingegeben, um vor der Umwandlung von analog zu digital unerwünschte Überlappungsverzerrungskomponenten zu mindern. Das Signal wird regelmäßig durch die Abtast- und Halteschaltung 22 gehalten und durch den Analog-Digital-Wandler 4 in ein digitales Format umgewandelt. Die sich ergebenden quantisierten Datenproben werden zur Verarbeitung zu einem Mikrokontroller 5 geringen Stromverbrauchs übertragen. Die Abtastrate liegt typischerweise bei 128 Hz, und die Quantisierung des Analog-Digital-Wandlers 4 beträgt typischerweise 12 Bit, was einen ausreichenden dynamischen Bereich vorsieht, der keine Verstärkungssteuerung an dem Eingangsverstärker 3 erfordert.
Bei Aufzeichnen eines Kanals des EEG von der mastoiden Stelle sind typischerweise drei Elektroden erforderlich; zwei von ihnen (1a, 1b) umfassen die Differenzeingaben zum Eingangsverstärker 3 (die Aufzeichnung besteht aus einem Teil des Körpers bezüglich des anderen; in diesem Fall sind die beiden Teile die beiden mastoiden Stellen), und die dritte ist eine (nicht dargestellte) „indifferente" Leitung, deren alleinige Funktion es ist, das Fließen von Eingangsverstärker-Rückströmen zu erlauben. Die indifferente Leitung kann an jedem Teil des Körpers der Versuchsperson angebracht werden. Es ist möglich, einen Verstärker ohne eine indifferente Leitung zu erzeugen, aber die Leistung ist nicht so zufriedenstellend. Aufgrund der niedrigen Amplitude der Signale (in dem Bereich von 0–200 μV), der Tatsache, dass die Versuchsperson recht mobil ist, und der ungesteuerten Umgebung, in dem die Geräte arbeiten, ist die Anzahl möglicher Quellen für Artefaktkontamination des Signals erheblich; ein schlecht ausgelegtes System wird sogar das Bewegen der Versuchsperson durch das Magnetfeld der Erde detektieren.
Bevor die Signalerfassung beginnt, werden die Impedanzen der Elektroden am Kopf der Versuchsperson gemessen, indem die Impedanzmessschaltung 10 veranlasst wird, ein Signal bekannter Amplitude und Quellenimpedanz mittels des Schaltkreises 2 durch jede der Elektroden 1a, 2b zurück auf die Kopfhaut der Versuchsperson zu treiben. Das sich ergebende Signal wird von dem Mikrokontroller durch den vorstehend beschriebenen Prozess gemessen, und daraus werden wiederum die Impedanzen jeder der an der Kopfhaut der Versuchsperson angebrachten Elektroden berechnet. Auf der LCD-Anzeige 11 wird eine Warnmeldung angezeigt, wenn die Impedanz einer der Verbindungen zum Kopf der Versuchsperson unzulässig hoch ist.
Während der Datenerfassung erfasst die Vorrichtung für die Analyse ständig EEG-Signale vom Kopf der Versuchsperson. Der Mikrokontroller 5 analysiert die quantisierten Werte und erzeugt aus diesen Ergebnisse, die in dem nicht flüchten Datenspeicher 7 gespeichert werden.
Das Programm für den Mikrokontroller wird in dem Programmspeicher 6 gehalten.
Eine Echtzeituhr 8, die von dem Mikrokontroller 5 gelesen und geschrieben werden kann, erlaubt das Speichern der Ergebnisse im Verhältnis zur Zeit des Tags.
Ein Zeitüberwachungsgerät 20 setzt den Mikrokontroller 5 zurück, wenn der Mikrokontroller nicht regelmäßig zu ihm schreibt. Wenn der Mikrokontroller 5 zurückgesetzt wird, ermittelt er, ob er sich in einer Aufzeichnung befand, bevor die Rückstellung erhalten wurde, und wenn ja, geht er zurück in die Aufzeichnung, so dass eine minimale Datenmenge verlorengeht.
Ein Alarm 61 kann aktiviert werden, wenn die Vorrichtung ein Vigilanz-Monitor ist und der Prozessor 5 ermittelt hat, dass der Vigilanzwert der Versuchsperson unzulässig niedrig ist.
Die Steuerung der Vorrichtung erfolgt mittels Schalter 13, wovon einige durch den Mikrokontroller 5 gelesen werden können. Ein Ein/Aus-Schalter 14 schaltet die Vorrichtung ein und aus; ein Wahlschalter 15 zeigt aufeinanderfolgende Aufforderungen und Ergebnisse auf dem LCD-Bildschirm 11 an; ein Eingabeschalter 16 nimmt den derzeit auf dem LCD-Bildschirm 11 angezeigten Befehl an; ein Aufzeichnungsschalter 17 versetzt die Vorrichtung in Aufzeichnung, was die Signalerfassung, -verarbeitung und -speicherung startet.
Wenn die Vorrichtung eingeschaltet wird, kann der Bediener wählen, ob er die Ergebnisse der vorherigen Aufzeichnung einsehen möchte; die Ergebnisse der vorherigen Aufzeichnung in einen Computer oder zu einem Drucker herunterladen möchte; oder nach dem ersten Ausführen einer automatischen Impedanzmessung zur Aufzeichnung gehen möchte.
Das neuronale Netz ist ein Software-Algorithmus, der auf dem Mikrokontroller 5 läuft. Er könnte direkt in Hardware umgesetzt werden, um den Stromverbrauch zu senken.
Das Tiefpass-Filter 21 kann entweder Teil des Eingangsverstärkers 3 sein oder in dem Analog-Digital-Wandler 4 in dem Abtastprozess selbst verwirklicht werden, wenn eine Sigma-Delta-Vorrichtung verwendet wird.
Der Index kann auf einer LCD-Anzeige, einer LED-Anzeige angezeigt werden, oder alle Steuer- und Ausgabeinformationen können auf einem externen Computer 19 (z. B. mittels einer RS232-Verbindung) angezeigt werden.
Die RS232-Verbindung 12 kann jede Art von Kommunikationsschnittstelle zu einem anderen Gerät, mit oder ohne eingebaute Isolationsbarriere, sein oder es kann vollständig auf sie verzichtet werden.
Es muss keine Stromversorgungsschaltung 9 gegeben, wobei die Vorrichtung die Ausgabe der Batterien direkt nutzt.
Der Alarm 61 kann durch eine Software-Übertragung zu einem externen Gerät, beispielsweise Computer 19, mittels R5232-Verbindung 12 ersetzt werden.
Die gezeigten Steuerungen müssen nicht vorhanden sein. Alles was erforderlich ist, ist das Starten der Aufzeichnung, das Stoppen der Aufzeichnung und das Anzeigen der Ergebnisse.
Die gespeicherten Ergebnisse können das ursprüngliche EEG, die sekundenweisen neuronalen Netzwerkausgaben, die einzelnen Epochenphasenklassifizierungen umfassen oder ausschließen.
Die Impedanzmessung könnte manuell oder automatisch gestartet werden oder es könnte völlig auf sie verzichtet werden, wenn alternative Messmittel zur Verfügung stehen.
In 2 wird ein Beispiel der in dem Mikrokontroller 5 umgesetzten MLP-Architektur gezeigt. Dieses umfasst eine Reihe von Eingaben x₁, x₂, ... x_i, eine Reihe von Einheiten h₁, h₂, ... h_i in einer so genannten verborgenen Schicht und eine Reihe von Ausgabeinheiten y₁, y₂, ... y_o mit gewichteten Verbindungen, die jede Eingabe mit den verborgenen Einheiten und die verborgenen Einheiten mit den Ausgabeeinheiten verknüpfen. Die Eingabe zu jeder Einheit ist eine gewichtete Summe der Ausgaben der Einheiten in der vorhergehenden Schicht (oder die Eingaben zu dem Netz im Fall verborgener Einheiten). Die Ausgabe jeder Einheit ist eine nichtlineare Funktion der gewichteten Summe an dessen Eingang. Die in jeder Einheit verwendete Nichtlinearität ist für gewöhnlich eine sigmoide Funktion der in 3 gezeigten Form, so dass die Antwort jeder Einheit auf die gewichtete Summe an ihrem Eingang immer zwischen 0 und 1 begrenzt ist.
Das neuronale Netz führt somit eine nichtlineare Abbildung von seinen Eingängen zu seinen Ausgängen aus, wobei die Form dieser Abbildung durch die Werte seiner Verbindungsgewichte bestimmt wird. Diese Gewichte haben anfangs willkürliche Werte, werden dann aber während einer folgenden Trainingsphase durch Präsentieren der Vektoren an den Eingängen des Netzes, für die die Zielklassifizierung (z. B. W; REM/S1 oder S4) an den Ausgängen des Netzes bereits bekannt ist (Trainingskennungen), angepasst. Die Werte der Verbindungsgewichte werden dann iterativ angepasst, so dass die beobachtete Reaktion an den Ausgängen des Netzes stärker der erwünschten Reaktion ähnelt.
Der beliebteste Trainingsalgorithmus für MLPs ist der Fehlerrückübertragungsalgorithmus. Dieser sucht den Satz von Gewichten, der das Mittel der Fehler hoch zwei zwischen den beobachteten Ausgaben des Netzes und den entsprechenden Sollausgaben über allen Eingangsvektoren in dem Trainingssatz der gekennzeichneten Daten minimiert. Wenn letzteres N Eingangsvektoren enthält, dann wird das zu minimierende Fehlerkriterium erhalten durch:
wobei K die Anzahl an Netzausgängen ist; y_1n, Y_2n, ..., y_Kn die Reaktion an diesen Ausgängen auf den nten Eingangsvektor in dem Trainingssatz ist und d_1n, d_2n, ..., d_Kn die Sollausgabewerte sind.
Die für die einsekündigen Abschnitte der durch Konsensus ausgewerteten Daten erzeugten Vektoren werden in einen Trainingssatz und einen Testsatz unterteilt. Wenn drei Prozesse (Wach, REM/Phase 1 und Schlaf mit langsamen Wellen) getrennt werden sollen, dann sind die während des Trainings verwendeten Sollausgabewerte [1,0,0] für Wachheit, [0,1,0] für REM/Phase 1 und [0,0,1] für Tiefschlaf. Um diese drei Prozesse zu trennen, ist die Leistung an dem Testsatz optimal, wenn sechs verborgene Einheiten verwendet werden (d. h. das MLP hat eine 10-6-3-Architektur).
Wenn die Klassen überlappende Verteilungen im Merkmalsraum haben, dann liegen die für Eingangsvektoren in den Überlappungsbereichen erhaltenen Ausgabewerte irgendwo zwischen 0 und 1. Es wurde gezeigt (ein bekanntes Ergebnis in der Literatur), dass diese Ausgabewerte als Wahrscheinlichkeitsschätzungen interpretiert werden können. Somit stellen sie die Wahrscheinlichkeiten dar, dass ein Eingangsvektor zu einer der drei Ausgangsklassen gehört. Dies erlaubt dem MLP das Interpolieren zwischen diesen Klassen, wenn ihm anschließend Eingangsvektoren von Abschnitten mittleren Schlafs präsentiert werden. Dies bedeutet, dass das MLP, das zum Beispiel ausschließlich anhand von Eingangsvektoren für Wachheit, REM/Phase 1 und Phase 4 trainiert wurde, das gesamte Schlaf-Wachheits-Kontinuum verfolgen kann.
Die Ergebnisse in 4(a)–(c) zeigen den zeitlichen Verlauf der Ausgaben des Netzes, wenn das AR-Modell zehnter Ordnung jeder Sekunde einer 7% Stunden langen EEG-Schlafaufzeichnung angepasst wird. Diese zeigen alle wichtigen Merkmale eines normalen Nachtschlafs auf, beginnend in 4(a) und (c) mit einem schnellem Abfall von Wachheit zu Tiefschlaf und gefolgt in 4(b) und (c) von einem regelmäßigen Wechsel von REM und Tiefschlaf, wenn der Schlaf im Laufe der Nacht zu- und abnimmt. Die Mittelwerte der Ausgaben in 4(b) und (c) steigen bzw. sinken bei Fortschreiten der Nacht, was das Überwiegen des Tiefschlafs früh in der Nacht, gefolgt von einem Anstieg des Betrags an REM-Schlaf in späteren Zyklen wiederspiegelt.
Ein Flussdiagramm, das ein erfindungsgemäßes Verfahren zeigt, das zum Entwickeln von Algorithmen verwendet wird, die Schlaf auswerten oder den Grad der Vigilanz aus neuartigen Elektrodenstellen ermitteln können, wird in 5 gezeigt. Sofern nichts anderes angegeben wird, gelten die folgenden Beschreibungen für einen Insomnie-Monitor, doch gelten identische Arbeitsprinzipien auch für einen Vigilanz-Monitor.
Aufzeichnungen erfolgen an mehreren Versuchspersonen, wobei gleichzeitig Signale 30 von Standardstellen für EEG, EOG (× 2) und EMG und von der neuartigen Stelle aufgezeichnet werden. Die gewählte neuartige Stelle kann typischerweise die mastoide Stelle hinter dem Ohr sein.
Jede Aufzeichnung wird von mindestens 3 menschlichen Fachleuten bei 31 ausgewertet, die jede Epoche in der Aufzeichnung nach vorab vereinbarten Regeln auswerten. Diese können typischerweise die Regeln von Rechtschaffen und Kales sein. Es muss die Standardelektrodenposition verwendet werden, da keine Regeln für das Auswerten von anderen Elektrodenstellen vorliegen.
Die Epochen, für die keine Konsensusvereinbarung der Auswertungen vorliegt, werden bei 32 ermittelt und bei 33 willkürlich in einen Trainingssatz, dessen EEG zum Trainieren des neuronalen Netzes verwendet wird, und einen Testsatz unterteilt, gegen den die Leistung des Netzes gemessen wird. Die gleiche Anzahl an Epochen für jede Phasenart muss in dem Trainingssatz enthalten sein, um eine ausgewogene Darstellung des Signals im Netz sicherzustellen.
Alle Aufzeichnungen werden in kurze Fenster (eine Sekunde hat sich als optimal herausgestellt und wird für den Rest dieser Beschreibung angenommen) unterteilt, und jedes Fenster wird mit Hilfe einer Frequenzdomänendarstellung vorbearbeitet, um die dominanten Frequenzen darin zu ermitteln. Es hat sich gezeigt, dass ein allpoliges autoregressives Modell und ein Kalman-Filter beide effektiv als Präprozessoren arbeiten. Die Koeffizienten des Filters liefern für jedes Fenster eine Darstellung der dominanten Frequenzen in dem EEG, die darin vorliegen, und werden als Eingaben in das neuronale Netz verwendet. Die standardmäßigen und neuartigen EEG-Kanäle werden bei 34 separat gefiltert.
Die beiden neuronalen Netze werden trainiert. Netz „A" wird bei 35 an Filterkoeffizienten aus einem vorverarbeitetem Standard-EEG trainiert, und Netz „B" wird bei 36 an Filterkoeffizienten aus einem vorverarbeitetem neuartigen EEG trainiert. Die Trainingskennungen (d. h. die Sollausgabe) für beide Netze sind die menschlichen Konsusauswertungen. Es werden nur Daten von den Trainingsepochen verwendet. Die Ausgaben des Trainings sind Verbindungsgewichte für die beiden neuronalen Netze.
Es hat sich gezeigt, dass das Schlaf-Wach-Kontinuum im Hinblick auf drei kontinuierliche Prozesse vollständig beschrieben werden kann, die den von Menschen ausgewerteten Phasen Wach, REM/Phase 1 und Phase 4 entsprechen. Diese Phasen sind daher die Mindestphasenklassifizierungen, die Teil des Trainingssatzes sein müssen und zu einem neuronalen Netz führen, das drei Ausgaben erzeugt, die den Wahrscheinlichkeiten entsprechen, dass sich die Versuchsperon in der Phase Wach, Phase REM/Phase 1 und Phase 4 befindet (unter Verwendung des vorverarbeiteten EEG-Signals allein als Eingabe kann das Netz nicht zwischen der von Menschen ausgewerteten Phase REM und Phase 1 Schlaf unterscheiden, doch ist die Unterscheidung für Vigilanz- oder Insomniestudien nicht erforderlich). Die Leistung des Netzes wird durch die Fehlerratenklassifizierung gemessen, wenn dem Netz Daten aus dem Testsatz eingespeist werden.
Dann wird bei 37 wiederum jede Aufzeichnung mit Hilfe von Netz „A" analysiert. Für jede Aufzeichnung werden drei Wahrscheinlichkeiten pro Sekunde erzeugt. Die vollständigen Aufzeichnungen werden verarbeitet. Koeffizienten aus dem Präprozessor, dem das EEG von der Standardelektrodenstelle geliefert wurde, werden als Eingaben 37 verwendet.
Jede Aufzeichnung wird dann wiederum mit Hilfe von Netz „B" in gleicher Weise analysiert, wobei Koeffizienten von dem Präprozessor verwendet werden, dem ein neuartiges EEG 38 geliefert wurde.
In der Vorrichtung von 1 wird ein Verfahren zum Zuordnen einer Klasse zu einer Epoche nach der vorliegenden Erfindung umgesetzt und wird nachstehend unter Bezug auf die 6 und 7 beschrieben.
Verglichen mit der Epochenlänge (typischerweise 20–30 Sekunden) werden die Netzausgaben übermäßig abgetastet. Es ist eine einzige Schlafphasenklassifizierung für die gesamte Epoche erforderlich, die aus den einsekündigen Netzausgaben abgeleitet wird. Das folgende Verfahren wird zum Umwandeln von 20, 30 oder 40 Sätzen von drei Wahrscheinlichkeiten in eine einzige optimale Klassifizierung für die Epoche verwendet.
Der mittlere 3-D-Vektor über einer Epoche für jede der gewählten Klassen (typischerweise Wach, REM/Phase 1, Phasen 2, 3 und 4) für alle Daten in dem Trainingssatz wird zuerst ermittelt. Für jede der einsekündigen Wahrscheinlichkeitsausgaben aus den analysierten Aufzeichnungen werden die aufeinander folgenden Wahrscheinlichkeiten miteinander über jede Epoche multipliziert, um einen 3-D-Vektor für diese Epoche zu erzeugen. Ein Verfahren zur Klassifizierung des Mittels der nächsten Klasse wird zum Zuordnen eines Zustands zu dem Vektor, der diese Epoche beschreibt, verwendet.
Dies wird nachstehend näher beschrieben.
Da das MLP eine Eins-von-N-Ausgabekodierung verwendet und durch Minimieren einer Fehlerkostenfunktion im Quadrat trainiert wird, sind die Ausgaben Schätzungen von späteren Wahrscheinlichkeiten, die probabilistisch im zeitlichen Verlauf kombiniert werden können, um eine Klassifizierung über beispielsweise Epochen von 30 Sekunden zu ergeben.
Unter der Annahme, dass die aufeinander folgenden Eingangsvektoren einen unabhängigen Mustersatz bilden (eine Annahme, die natürlich nicht völlig gültig ist), können kombinierte Ausgabewahrscheinlichkeiten durch Multiplizieren einzelner Ausgaben berechnet werden:
wobei [P_k]_comb die k-te kombinierte Ausgabewahrscheinlichkeit ist und [y_km] die k-te Ausgabe aus der m-ten Beobachtung ist. (Bei einem 3-Ausgaben-Netz 1 ≤ k ≤ 3; bei Epochen von 30 Sekunden M = 30).
Um sicherzustellen, dass keine negativen Ausgaben und Ausgaben nahe Null erzeugt werden, wird sowohl während des Trainings als auch während des Testens eine Softmax-Funktion verwendet. Die Softmax-Funktion lautet:
Das Verwenden der Softmax-Funktion stellt sicher, dass einzelne Ausgaben immer zwischen 0 und 1 liegen und dass sich die Ausgaben auf eins summieren. Entsprechende Ausgaben von aufeinander folgenden Segmenten können miteinander multipliziert werden (alternativ können die Logarithmen der Wahrscheinlichkeitswerte addiert werden). Der Index der maximalen kombinierten Wahrscheinlichkeit bestimmt die Klassifizierung.
Das Ziel der vorstehend beschriebenen probabilistischen Kombination ist natürlich das Erzeugen von Hypnogrammen für vollständige Epochen der gewählten Dauer (z. B. 30 Sekunden), mit den gleichen Ausgabeklassifizierungen wie beim gewählten Regelsystem. Da es aber nicht möglich ist, zwischen von Menschen ausgewertetem Schlaf Phase REM und Phase 1 auf der Grundlage des EEG allein zu unterscheiden, kann das neuronale Netz nur im Fall eines Insomnie-Monitors zum Erzeugen einer Klassifizierung mit 5 Zuständen verwendet werden (Wach, REM/Phase 1, Phase 2, Phase 3 oder Phase 4). Diese 5 Ausgaben können über die vollständigen Epochen aus einem 3-Ausgabe-MP der Art, die bereits beschrieben wurde, oder aus einer 5-Ausgabe-MLP erzeugt werden. Das Trainieren des letzteren ähnelt dem Trainieren des 3-Ausgabe-MLP, außer dass die durch Konsensus ausgewerteten Daten für Phase 2 und Phase 3 ebenfalls in der Trainingsphase verwendet werden.
Wird ein Drei-Ausgabe-MLP verwendet, wird der mittlere 3-D-Vektor über eine Epoche für jede der fünf Klassen zuerst aus allen Daten in dem Trainingssatz ermittelt. Für jedes der 30 einsekündigen EEG-Segmente, die zu einer durch Konsensus ausgewerteten Epoche von Phase Wach, Schlaf Phase REM/Phase 1, Phase 2, Phase 3 oder Phase 4 gehören, werden die aufeinander folgenden Wahrscheinlichkeiten miteinander multipliziert, um einen 3-D-Vektor für diese Klasse zu erzeugen. Alle diese Vektoren werden dann über dem Trainingsdatensatz gemittelt, um den mittleren Vektor für jede der 5 Klassen zu erzeugen. Dann werden für jede der einsekündigen Wahrscheinlichkeitsausgaben aus den analysierten Aufzeichnungen die aufeinander folgenden Wahrscheinlichkeiten über jeder Epoche miteinander multipliziert, um den mittleren 3-D-Vektor für diese Epoche zu erzeugen. Es wird ein Verfahren zur Klassifizierung des Mittels der nächsten Klasse verwendet, um eine der 5 Klassen zu dem diese Epoche beschreibenden mittleren 3-D-Vektor zuzuordnen.
Bei Verwendung eines 5-Ausgabe-MLP reicht ein einfacheres Vorgehen aus. Für jede der einsekündigen Wahrscheinlichkeitsausgaben aus den analysierten Aufzeichnungen werden die aufeinander folgenden Wahrscheinlichkeiten über jede Epoche miteinander multipliziert, um einen 5-D-Vektor für diese Epoche zu erzeugen. Die Ausgabe mit dem größten sich ergebenden Wert wird zum Anzeigen der Klassifizierung dieser Epoche verwendet.
Die Ausgabe besteht daher aus zwei Hypnogrammen für jede Aufzeichnung, erzeugt aus den neuronalen Netzen bei 39, 40 in 5.
Zwischen den von jedem Menschen ausgewerteten Hypnogrammen und den Hypnogrammen aus den beiden neuronalen Netzen wird ein Fünfwegevergleich vorgenommen, um für jede Phasenart eine Einstufung zwischen den Auswertern zu erzeugen. Das Auswerten von Netz „B" unter Verwendung des neuartigen EEG wird mit der Auswertung von Netz „A" unter Verwendung von Standard-EEG verglichen, und jedes wird bei 41 mit menschlichen Auswertungen gegeneinander verglichen.
Die Phasenwerte aus den durch Konsensus ausgewerteten Epochen aus dem Testdatensatz werden wiederum mit den Auswertungen aus Netz „A" und Netz „B" verglichen. Dies erlaubt bei 42 ein Vergleichen der Leistung der beiden Netze anhand eines Datensatzes, der nicht in dem ursprünglichen Trainingssatz enthalten war.
6 zeigt MLP-Ausgaben 6(a)–(c) und ein Hypnogramm 6(e), die wie vorstehend beschrieben erhalten wurden. 6(f) zeigt das entsprechende von Menschen ausgewertete Hypnogramm.
Es können verschiedene Arten von neuronalem Netz verwendet werden. Bei Verwendung entweder eines mehrschichtigen Perceptrons (MLP) oder eines Netzes mit radialer Basisfunktion (RBF) sind die Ergebnisse ähnlich.
Die EEG-Signale aus der bevorzugten neuartigen Elektrodenstelle an dem Mastoid sind allgemein stärker durch Rauschen kontaminiert als die aus der (mittleren) Standardelektrodenstelle. Es ist wichtig sicherzustellen, dass das Netz nur unter Verwendung von Daten höchster Qualität trainiert wird, da seine Ausgabe nur so gut wie seine Trainingsdaten ist. Um dies sicherzustellen, kann das Netz „B" mit Daten nur von den Abschnitten von Epochen aus dem Trainingssatz trainiert werden, für welche das Netz „A" mit angemessener Wahrscheinlichkeit mit der Konsensusklassifizierung übereinstimmte.
In 7 wird ein Flussdiagramm für das Erfassen und Verarbeiten von Daten nach der vierten Ausgestaltung der Erfindung gezeigt.
Nach Versetzen in Aufzeichnung 50 erfasst der Mikrokontroller nach dem Prüfen, ob die Aufzeichnung fortgeführt werden muss 51, Daten aus der neuartigen Elektrodenstelle bei 52, bis er bei 53 einen einer Sekunde entsprechenden Wert hat. Die Daten werden bei 54 mit dem gleichen Präprozessor und dem neuronalen 3- oder 5-Ausgabennetz bei 55 vorverarbeitet, wie es während der vorstehend beschriebenen Testphase für Netz „B" verwendet wurde. Nach Verarbeiten von Daten im Wert einer Epoche bei 56 werden sie bei 57, 58 einer Schlafphase zugeordnet, wobei wiederum eines der beiden für ein 3-Ausgaben- oder 5-Ausgaben-Netz vorstehend beschriebenen Verfahren verwendet wird. Bei 59 wird der Wert in einem nicht flüchtigen Speicher gespeichert und der Prozess läuft bis zum Ende der Aufzeichnung weiter ab.
Im Fall eines Insomnie-Monitors werden Standardschlafstatistiken bei 60 aus dem sich ergebenden Hypnogramm erzeugt, insbesondere der Schlafeffizienzindex, der das Verhältnis der Anzahl von Schlafphasen zu den gesamten Phasen während der Nacht ist. Diese Zahl wird der Versuchsperson oder dem Arzt auf Aufforderung angezeigt und wird zum Ermitteln genutzt, ob die Versuchsperson einen guten Nachtschlaf hatte oder nicht. Alternativ oder zusätzlich kann das Verhältnis von Tiefschlaf (Phase 3 oder 4) zur Gesamtzeit berechnet und angezeigt werden. Alternativ oder zusätzlich kann die „Qualität" des Tiefschlafs durch Ermitteln der Länge jeder Tiefschlafepisode berechnet und als „Qualitäts"-Index des Schlafs angezeigt werden.
Die Vorrichtung liefert eine Zusammenfassung von Schlaf mit Hilfe einer kostengünstigen Vorrichtung. Es ist kein klinisches Fachwissen bezüglich Schlafauswertung erforderlich, um die Ergebnisse zu interpretieren. Das Elektrodenanlegen ist einfach, wobei Haftelektroden verwendet werden, die unter dem Haaransatz angebracht werden. Für deren Anlegen ist keine Schulung erforderlich.
Es sind nur drei Elektroden (zwei mastoide plus eine indifferente Elektrode, die an einem Teil des Körpers und an 0 V an dem Aufzeichnungsgerät mittels eines geeigneten Widerstands angebracht werden) statt zwischen 7 und 9 bei einer standardmäßigen Polysomnographieaufzeichnung erforderlich (zwei EEG (im Haar), zwei oder vier für EOGs, zwei für EMG und eine indifferente).
Trotz der Verwendung einer nicht herkömmlichen Elektrodenstelle werden standardmäßige zusammenfassende Analyseergebnisse erzeugt.
Die unnötige Verwendung von hypnotischen Medikamenten wird durch objektives Messen der Schlafqualität vermindert.
Im Fall eines Vigilanz-Monitors wird der Vigilanzwert bei 64 überwacht, und wenn er unter einen vorgegebenen Grenzwert fällt, wird eine Warnmeldung bei 65 erzeugt. Diese kann zum Alarmieren der Versuchsperon verwendet werden oder kann für spätere Analyse gespeichert werden.
Ein die Verwendung eines mastoiden Signals untersuchendes Experiment wird nachstehend unter Bezug auf die 8A–H erläutert.
Ein Satz von Übernachtaufzeichnungen wurde von zehn Versuchspersonen genommen, der aus einem mittleren EEG-Signal und zwei Kanälen des mastoiden EEG bestand. Das mittlere EEG-Signal von jeder Versuchsperson wurde durch drei Fachleute ausgewertet. Ein ausgewogener Datensatz von mittleren EEG-Daten aller zehn Versuchspersonen wurde dann konstruiert. Die am wenigsten gut repräsentierte Klasse war der Schlaf mit langsamen Wellen: dort lagen nur 147 Epochen (d. h. 4410 Sekunden) einer durch Konsensus ausgewerteten Phase 3 und Phase 4 vor. Die Gesamtgröße der Datenbank betrug daher 4 × 4410 Sätze von 10-dimensionalen autoregressiven (AR) Koeffizienten (einer für jede der vier Klassen: Schlaf langsamer Wellen – Phase 3/Phase 4, Phase 2, REM/Phase 1 und Wachheit). Die 8A–D sind Kohonenkarten mit 10 × 10 Merkmalen für die mittleren EEG-Daten. Kohonenkarten sind eine Form von neuronalem Netz, die die Visualisierung der 10-dimensionalen Daten erlauben. 8A entspricht der Wachheitsphase, 8B entspricht der REM-Phase, 8C entsprich der Phase von Schlaf mit langsamen Wellen und 8D entspricht Phase 2. Die Kreuze an jeder Karte zeigen die Einheiten, die von einer vorgegebenen Schlafphase am häufigsten aufgesucht werden. Diese Karten liefern eine 2D-Visualisierung der 10-dimensionalen AR-Koeffizienten, und deren topologische Erhaltungseigenschaften ermöglichen uns das Verifizieren, ob zum Beispiel Phase 2 ein mittlere Phase zwischen REM/leichtem Schlaf und Tiefschlaf ist. Bei Prüfen der 8A–C sehen wir, dass die Wachheit breit in dem unteren Teil der Karte liegt, REM direkt darüber und der Schlaf mit langsamen Wellen oben in der Karte. Phase 2 ist tatsächlich ein mittlerer Zustand, da sie sich in der Mitte der Karte sowie oben rechts befindet.
Die entsprechenden mastoiden EEG-Signale wurden für die gleichen 4 × 4410 einsekündigen Segmente extrahiert und es wurden ihnen die gleichen Kennungen zugeteilt, wie den mittleren EEG-Daten zugeordnet wurden.
Die 8E–H sind Kohonenkarten mit 10 × 10 Merkmalen für die mastoiden EEG-Daten. 8E entspricht der Wachheitsphase, 8F entspricht der REM-Phase, 8G entspricht der Phase von Schlaf bei langsamen Wellen und 8H entspricht Phase 2.
Es ist wichtig zu wissen, dass die mittleren EEG-Karten (8A–D) und die mastoiden EEG-Karten (8E–H) unabhängig trainiert wurden, eine Tatsache, die durch das Vorhandensein einer 90-Grad-Drehung zwischen den 8A–D und 8E–H verifiziert werden kann. Bei Berücksichtigen dieser 90-Grad-Drehung ist ersichtlich, dass die entsprechenden mastoiden EEG-Daten sehr ähnlich sind. Dies zeigt an, dass es ausreichend Informationen in dem mastoiden EEG zur Unterscheidung zwischen den vier Hauptarten von Schlaf gibt und ferner dass diese Informationen durch die Verwendung eines autoregressiven Modells extrahiert werden können.
Die vorstehend beschriebenen Verfahren und Vorrichtungen können auch auf Vorrichtungen für Vigilanz-Überwachung übertragen werden. D. h. der in 1 veranschaulichte und nach dem in 5 gezeigten Algorithmus trainierte Insomnie-Monitor kann als Vigilanz-Monitor ausgelegt werden, der in sicherheitskritischen Berufen von besonderem Nutzen ist. Die Vigilanz-Analyse erfordert Segmentierung und Klassifizierung eines EEG-Signals während Wachheit sowie während Schlaf. Das Ergebnis der Vigilanz-Analyse ist ein „Wachogramm". Die für ein Wachogramm erforderliche Auswertungstechnik ähnelt der eines Hypnogramms, außer dass es Zustände von Wachheit sowie von Schlaf umfasst. Die beiden Diagramme können als im leichten Schlaf überlappend betrachtet werden. Wie beim Hypnogramm wird das Wachogramm nach Regeln ausgewertet, die auf menschlicher Beobachtung der EEG-, EOG- und EMG-Signale beruhen. Die Regeln beziehen sich typischerweise auf den Zeitbetrag in jeder Epoche, in dem Frequenzen über spezifischen Bandbreiten eintreten.
Ein Beispiel für ein geeignetes Wachogramm-Auswertungsverfahren wird in „Acute effects of hydroxyzine an nocturnal sleep and sleep tendency: a C-EEG study", Alford C, Rombaught N, Jones J, Foley S, Idzikowski C, Hindmarch I; Human Psychopharmacoloy, 1992, Band 7, Seiten 25–35 beschrieben.
Der Mikrokontroller 5 geringen Stromverbrauchs überwacht das Wachogramm so, dass ein Alarm ausgegeben wird, wenn das Wachogramm eine Epoche zu einer Kategorie zuordnet, die einen hohen Wert an Schläfrigkeit anzeigt. Dies ist typischerweise ein akustischer Alarm. Zudem kann der Vigilanz-Monitor das Wachogramm speichern und/oder einen zusammenfassenden Index der Vigilanzqualität berechnen und anzeigen (der zum Beispiel die Zeit in Prozent anzeigt, in der die Versuchsperson aktiv und wach ist).

Claims

Computergestütztes Verfahren zum Trainieren und Prüfen eines zum Überwachen von Schlaf oder Vigilanz geeigneten ersten neuronalen Netzes, wobei das Verfahren folgende Schritte umfasst: (1) Erhalten (30) einer ersten Reihe von physiologischen Signalen von einer Versuchsperson, wobei jedes Element der Reihe über eine Dauer von Epochen von einer Versuchsperson erhalten wird; (2) Erhalten (30) einer zweiten Reihe von physiologischen Signalen von der Versuchsperson, wobei jedes Element der Reihe über die selben Epochen wie ein jeweiliges Element der ersten Reihe von Signalen erhalten wird und eine Korrelation zum jeweiligen Element der ersten Reihe von Signalen hat; (3) Zuordnen (31) einer Klasse zu jeder Epoche unter Verwendung von Humanergebnisse, die nach zuvor vereinbarten Regeln durch Analysieren der ersten Reihe von physiologischen Signalen erhalten wurden; (4) Aufteilen (33) jeder Reihe von Signalen in eine Reihe von Trainingssignalen und eine Reihe von Prüfsignalen; (5) Trainieren (35) eines zweiten neuronalen Netzes durch Eingeben der Trainingsreihe aus ersten Signalen und durch Verwenden der jeder Epoche zugeordneten Klassen als Trainingkennungen; (6) Trainieren (35) des ersten neuronalen Netzes durch Eingeben der Trainingsreihe aus zweiten Signalen und durch Verwenden der den jeweiligen Epochen der ersten Signalreihe zugeordneten Klassen als Trainingskennungen; und (7) Überwachen der Leistung (41, 42) des ersten neuronalen Netzes durch Vergleichen der von dem ersten und zweiten Netz jeder Epoche zugeordneten Klasse bei Eingabe mit der ersten und zweiten Reihe von Prüfsignalen, wobei die zweite Reihe von physiologischen Signalen Signale umfasst, die eine physiologische Wirkung an einer anderen Stelle als bei der ersten Reihe von physiologischen Signalen messen und/oder eine andere physiologische Wirkung messen.
Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass das Verfahren zum Trainieren eines zweiten neuronalen Netzes ein Verfahren zum Zuordnen einer Klasse zu einer Epoche eines von einer Versuchsperson erhaltenen physiologischen Signals umfasst, wobei das physiologische Signal für die Epoche in Muster jeweils für ein folgendes Zeitintervall innerhalb der Epoche unterteilt wird, wobei das Verfahren umfasst: (1) Schätzen (37, 38) der Wahrscheinlichkeit jeder der mehreren Arten von Stadium für jedes Muster; (2) kumulatives Multiplizieren (39, 40) der Wahrscheinlichkeiten für jedes Muster mit den Wahrscheinlichkeiten eines vorherigen Musters; (3) Bestimmen (39, 40), welche Art von Stadium die höchste Wahrscheinlichkeit hat, nachdem alle Muster der Epoche kumulativ multipliziert wurden; und (4) Zuordnen dieser Stadiumsart zur Epoche als Klasse.
Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass die physiologischen Signale EEG-Signale umfassen.
Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die zweite Reihe von physiologischen Signalen EEG-Signale sind, die von einer mastoiden Stelle erhalten wurden.
Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die erste Reihe von physiologischen Signalen EEG-Signale von Standardstellen ist.