JP5420644B2 - 電気生理学的信号のスパイク検出に対する閾値を決定する方法及びシステム - Google Patents

Description

本発明は、電気生理学的信号におけるスパイク検出に対する閾値を決定する方法に関する。

本発明は、更に、このような方法を実行するコンピュータプログラム及びシステムに関する。

電気生理学は、一般に、電極を生体の生物学的組織に又は切除された組織に入れることを伴う。一般的な電気生理学的測定は、例えば、脳又は筋肉組織において行われるが、他のタイプの組織も、電気生理学的測定を受けうる。以下、一例として、脳における電気生理学的測定が論じられる。しかしながら、記載される技術は、他の電気生理学的測定に対しても応用可能であることに注意すべきである。

多くの応用は、個別のニューロンの活動を検出する信頼できる方法を必要とする。例は、皮質におけるニューロンの活動が、補綴装置を制御するようにコンピュータにより測定され、読み取られる、神経補綴を含む。他の例は、神経活動の記録が外科的介入に対する標的位置を精緻化するのを助けるのに使用される、機能的神経外科である。加えて、非常に重要である多くの研究用途が存在する。

個別のニューロンから活動を測定するために、記録は、微小電極で行われる。微小電極は、単純に、すぐ近くのニューロンのみに対して選択的に感度を持つことを可能にするのに十分小さい表面積を持つ電極である。個別のニューロンの活動は、このようにして測定され、典型的には活動電位と称される小さい両極性パルスである。

微小電極記録は、典型的には、強力なノイズの背景と一緒に、（しばしば当技術分野でユニットと称される）少数の近くのニューロンからの活動電位からなる。この背景は、多数のより離れたニューロンからの平均化された神経活動と、例えばインピーダンスによる測定ノイズとの組み合わせである。このように、この背景は、典型的には、広帯域ガウスノイズである。

個別のユニットの活動を得る最初のステップは、したがって、背景活動から活動電位を分離し、次いで前記活動電位をグループに分離することであり、理想的には各グループは単一のユニットを表す。このプロセスは、スパイクソーティングと称される。

スパイクソーティングの本当に最初のステップは、活動電位を表す可能性があるデータ内の事象を見つけることである。これは、通常は、閾値を設定し、次いで前記閾値を横切る直前及び直後の間隔内のデータを事象として規定することにより行われる、前記背景ノイズは、時々、偶然に前記閾値を横切り、前記データは、前記閾値を横切る様々なアーチファクトを含みうる。したがって、前記閾値が前記データに対して最適に設定されていることは、極度に重要である。最適な設定は、最小数の活動電位が見逃され、最小数の偽陽性が見つかるものである。

スパイク検出に対する閾値を設定するのに重要なステップは、前記背景ノイズの振幅を推定することである。前記背景ノイズが正規分布することを知っている（又は推定することができる）場合、偶然による偽陽性が非常にまれであるようなレベルに前記閾値を設定することができる。もっとも、微小電極記録に対するノイズ振幅を推定することは、非常に扱いにくいタスクでありうる。前記背景ノイズ自体が、典型的には、広帯域ガウスノイズとして正確にモデル化されているのに対し、活動電位のような他の活動及びアーチファクトは、測定されたデータの大部分を占めることができ、これは、ノイズ分布を信頼できるように推定するタスクを非常に難しくする。

前記ノイズ振幅を推定する最も直接的な方法は、全体的な信号の標準偏差を測定することである。信号がほとんど全体的にノイズだけからなる場合、これは、かなり正確であることができる。不幸なことに、標準偏差は、外れ値の存在に極めて敏感である。標準偏差は、極端な外れ値に対して特に敏感であり、これは、信号内に存在する活動電位又はアーチファクトがノイズレベルより大幅に高い振幅を持つ場合に、汚染された小部分のデータでさえ、結果として生じる信号の標準偏差に大きな影響を持つことができることを意味する。

ノイズレベルを推定するよりロバストな方法は、Quian Quiroga、Nadasdy及びBen-Shaulによる"Unsupervised Spike Detection and Sorting with Wavelets and Superparamagnetic Clustering"(2004)に記載されている。この方法は、ガウスノイズに対して、前記信号の絶対値の中央値が前記信号の標準偏差に比例するという観察に基づく。一般に、分布の中央値は、特に外れ値がノイズより大幅に大きな振幅を持つ場合に、標準偏差より外れ値の存在に対してはるかにロバストである。実際に、中央値は、現実に、外れ値の振幅に対して全く敏感ではない。敏感である唯一の要因は、データの汚染された割合である。

ゼロ平均ガウスノイズの場合、中央値もゼロであり、ノイズ振幅に全く依存しない。したがって、Quian Quiroga他の中央値推定方法において、測定された信号の絶対値が使用される。前記中央値推定方法は、特に高い発火率（シミュレートされたサンプル信号内の事象の発生の頻度）に対して、信号の標準偏差の直接的な測定に基づく方法より大幅に良好に機能する。しかしながら、改良された推定でさえ、１００Ｈｚの発火率に対して約２０％だけノイズ振幅を過大に推定する。

本発明の目的は、電気生理学的信号におけるスパイク検出に対する閾値を決定する方法であって、より信頼できる閾値を生じる方法を提供することである。

本発明の一態様によると、この目的は、電気生理学的信号におけるスパイク検出に対する閾値を決定する方法により達成され、前記方法は、前記電気生理学的信号の推定エンベロープ（envelope）を決定するステップと、前記推定エンベロープに基づいて、推定ガウスノイズを決定するステップと、前記推定ガウスノイズの瞬間的な振幅の分布を決定するステップと、前記瞬間的な振幅の分布の最頻値を決定するステップと、前記瞬間的な振幅の分布の最頻値に基づいて前記閾値を決定するステップとを有する。

本発明による方法は、信号の分布の最頻値が'外れ値'による汚染に対してかなりロバストである傾向にあるという洞察に基づく。これは、特に、汚染が元のデータ（この場合、'元のデータ'は背景ノイズである）とは劇的に異なる分布を持つ場合にそうである。これは、ここで、スパイク及び／又はアーチファクトを作り上げるデータが、しばしば、ほとんど前記背景ノイズの範囲の外側である場合に、適用可能である。

しかしながら、生信号の最頻値はちょうどゼロであるので、生信号の最頻値を取ることは役に立たず、同様に、中央値は、前記ノイズの振幅に関する情報を与えない。前記信号の絶対値の最頻値も原点にあるので、前記信号の絶対値も良くない。絶対値を取るのではなく二乗することにより修正される場合の生データも同様である。本発明者は、前記推定エンベロープから決定される前記ガウスノイズの瞬間的な振幅の分布を使用することによりこれらの問題を克服した。この瞬間的な振幅の分布の最頻値は、前記信号内の背景ノイズの標準偏差の非常に良好な推定であると判明する。

本発明による方法の好適な実施例は、前記瞬間的な振幅を正確に決定するために前記生信号のヒルベルトフィルタを使用する。他の実施例において、前記瞬間的な振幅の分布は、前記電気生理学的信号の局所的極値の分布から算出される。後者の方法は、前記ヒルベルトフィルタを使用する方法より精度が低いが、大幅に少ない計算能力を必要とし、依然として例外的事象の存在に対してかなりロバストである。

曲線適合技術が、前記瞬間的な振幅の分布から前記最頻値を決定するのに使用されてもよい。

本発明のこれら及び他の態様は、以下に記載される実施例を参照して説明され、明らかになる。

典型的な電気生理学的信号を示す。 電気生理学的信号において検出されるべきスパイクの一例を示す。 スパイク検出に対する閾値を決定する方法のフロー図を示す。 電気生理学的信号の推定エンベロープと一緒に図１ａの典型的な電気生理学的信号を示す。 電気生理学的信号の推定エンベロープを示す。 推定エンベロープを決定する方法を示す。 推定ガウスノイズの瞬間的な振幅の確率分布関数を示す。 図５の分布の最頻値を決定する方法を示す。 図５の分布の最頻値を決定する代替的な方法を示す。 電気生理学的信号に適用される決定された閾値を示す。 本発明による方法及び従来技術の方法に対する結果の信頼性の比較を示す。 異なる位置におけるノイズレベルの統計分析の結果を示す。 検出されたスパイクの統計分析の結果を示す。 検出されたスパイクの他の統計分析の結果を示す。 本発明によるスパイク閾値を決定するシステムを示す。

図１は、典型的な電気生理学的信号１１を示す。電気生理学的信号１１は、ノイズのある背景１３と一緒に少数の近くのニューロンからの活動電位１２を有する。この背景１３は、多数のより離れたニューロンからの平均化された神経活動と、例えばインピーダンスによる測定ノイズとの組み合わせである。このように、この背景１３は、典型的には、広範囲ガウスノイズである。個別のニューロンの活動は、典型的には、活動電位と称される短い両極性パルス（スパイク）である。図１ｂは、電気生理学的信号において検出されるべきスパイク１２の一例を示す。個別のユニットの活動を得る最初のステップは、背景活動１３から活動電位１２を分離することである。活動電位１２及び背景ノイズ１３の分離は、活動電位を表す可能性があるデータ内の事象を見つけることから始める。これは、通常は、閾値を設定し、前記閾値を横切る直前及び直後の間隔におけるデータを事象として規定することにより行われる。もちろん、全ての事象が活動電位であるわけではない。背景ノイズ１３は、時々、偶然に前記閾値を横切り、このデータは、前記閾値を横切る様々なアーチファクトを含みうる。したがって、前記閾値が前記データに対して最適に設定されることは、極めて重要である。最適な設定は、最小数の活動電位１２が見逃され、最小数の偽陽性が見つかるようなものである。

図２は、スパイク検出に対する閾値を決定する方法のフロー図を示す。本発明によると、前記方法は、電気生理学的信号１１の推定エンベロープを決定するエンベロープ検出ステップで開始する。信号１１のエンベロープは、様々な方法で決定されることができる。例えば、信号１１は、二乗され、ローパスフィルタを介して送信されることができる。代替的には、ヒルベルトフィルタが、前記エンベロープを決定するのに使用されることができ、又は局所的極値が、前記エンベロープを推定するために決定されることができる。後者の２つのオプションは、図３及び４を参照して下で更に説明される。

前記推定エンベロープは、次いで、ノイズ推定ステップ２２において推定ガウスノイズを決定するのに使用される。スパイク１２及びノイズ１３の分離が、まだ達成されていないので、前記推定ガウスノイズは、'現実の'ノイズ１３の一部ではない活動電位１２を含んでいる。したがって、本発明による方法は、極端な事象の存在に対して高度にロバストであることが知られている前記推定ガウスノイズの統計的性質を使用する。一例として、ここで使用される統計的性質は、前記推定ガウスノイズの瞬間的な振幅の分布及び前記分布の最頻値である。

分布決定ステップ２３において、前記推定ガウスノイズの瞬間的な振幅の分布が決定される。例えば、確率密度関数は、上述の局所的極値の（絶対）値のヒストグラムを作成することにより（図４参照）、又は前記ヒルベルトフィルタの結果を更に処理することにより（図３参照）構築される。

確率密度関数が構築された場合、前記分布の最頻値は、最頻値検出ステップ２４において決定される。これは、例えば、前記関数のピーク値又は前記ヒストグラムの最大のビンを取ることにより、前記分布から直接的に行われることができる。代替的には、前記確率密度関数の形状は、双曲線又はレイリー分布のような所定の関数に曲線適合されることができ、前記最頻値は、この場合、前記適合された曲線のピークを決定することにより計算されることができる。

前記閾値は、次いで、閾値決定ステップ２５において決定される。選択された閾値は、前記分布の最頻値（レイリー分布に対して、前記最頻値は、前記分布の標準偏差に等しい）及び所望の信頼レベルを決定する。前記信頼レベルは、偽陽性の数を減少させることと現実の事象を見逃しすぎないこととの間の最適なバランスが得られるように選択される。

図３ａは、電気生理学的信号１１の推定エンベロープ３１と一緒に図１ａの典型的な電気生理学的信号１１を示す。図３ｂは、電気生理学的信号の推定エンベロープのみを示す。信号１１のエンベロープ３１は、様々な方法で決定されることができる。例えば、信号１１は、二乗され、ローパスフィルタを介して送信されることができる。代替的には、ヒルベルトフィルタが、例えば、以下のようにエンベロープ３１を決定するのに使用されることができる。

第一に、電気生理学的入力信号Ｘは、デミーンされ（demeaned）（ＤＣレベル減算され）及び／又は帯域制限され、次いでヒルベルトフィルタが使用される。このフィルタは、Z(t)=X'(t)+iH(X'(t))であるような信号Z(t)を生成し、ここでX'は前記デミーンされた信号であり、H(X')はX'のヒルベルト変換であり、iはマイナス１の平方根である。この分析信号Zは、この場合、複素関数である。曲座標形式で表現される場合、Z(t)=A(t)exp(iθ(t))であり、ここでAは瞬間的な振幅であり、θは瞬間的な位相である。A及びθの両方が、時間(t)の関数である。関数X'(t)のヒルベルト変換H(X'(t))は、以下の式により与えられる。

図４は、ガウスノイズの推定エンベロープ３１を決定する他の方法を示す。前記瞬間的な振幅を直接的に計算する代わりに、局所的極値４２の値として近似的に推定される。この場合、デミーンされた信号X'１１のゼロ交差４１は、位置特定され、各対のゼロ交差４１の間で、局所的極値４２が決定され、記憶される。これらの極値の完全な分布は、前記瞬間的な振幅の分布の粗い近似である。

図５は、前記推定ガウスノイズの瞬間的な振幅の確率分布関数５１を示す。例えば、確率密度関数５１は、前記局所的極値の（絶対）値のヒストグラムを作成することにより（図４参照）、又は前記ヒルベルトフィルタから生じる関数A(t)を分析することにより構築される。

図６は、図５の分布の最頻値を決定する方法を示す。最頻値６１は、単純に最高の確率を持つ値、すなわち確率密度関数５１のピーク６２における瞬間的な振幅である。

図７は、図６の分布の最頻値を決定する代替的かつより正確な方法を示す。例外的事象（スパイク１２）の影響に対して非常にロバストである最頻値６１に加えて、最頻値６１の周りの領域におけるデータの分布５１の全体的な形状が、このような事象１２に対してかなりロバストである傾向にある。このデータをレイリー分布の関数形式に最小二乗適合を使用することにより、前記背景ノイズの分散のより信頼できる推定が、前記適合されたレイリー分布、すなわち

の最頻値を使用することにより行われる。

前記ヒルベルトフィルタの使用の重要な細部は、ガウス信号のヒルベルト変換もガウス分布であることである。帯域制限ガウスノイズに対して、これら２つの分布は、統計的に独立である（Fang and Xie 1995）。これは、複素信号の瞬間的な振幅がレイリー分布であることを意味する。レイリー分布７１の利点は、最頻値が元のガウス信号の標準偏差に等しいことである。結果的に、確率密度関数５１の最頻値６１は、ノイズ分布の分散に対する直接的な尺度である。好ましくは、外れ値（スパイク）の影響を減少するために、最頻値６１の周りの狭い範囲（例えば、０．５最頻値から１．５最頻値）の分布データは、前記レイリー確率分布関数の関数形式に適合される。

代替的には、最頻値６１の周りの領域は、双曲線に適合されることもできる。

図８は、電気生理学的信号１１に適用される決定された閾値８１、８２を示す。閾値８１、８２は、計算された最頻値６１の定数倍に設定される。使用する定数倍数は、前記データと独立に設定され、単純にモデルレイリー分布に対する信頼区間に対応する値に設定される。例えば、前記最頻値の３．７倍の閾値は、前記レイリー分布に対する９９．９％信頼レベルに対応し、これは、検出される事象１２が、背景ノイズ１３により引き起こされない０．９９の確率を持つことを意味する。

一度前記閾値が設定されると、前記（デミーンされた）信号が当該閾値を超過するときはいつでも、これは事象としてマークされる。事象のこのセットは、次いで、スパイクソーティングシステムに送られる。前記閾値は、正若しくは負の方向のいずれか、又は両方に設定されることができる。

図９は、本発明による方法及び従来技術の方法に対する結果の信頼性の比較を示す。両方の図に対して、スパイク及びノイズを持つ電気生理学的信号のシミュレーションが行われた。本発明による方法及び従来の'中央値推定'方法（上記を参照）が、ノイズ推定を行うのに使用された。図９ａは、背景ノイズ及び重ねられた事象からなる信号に対して中央値推定（破線９１）及び振幅分布の最頻値（実線９２）の両方を使用して計算された推定ノイズ標準偏差を示す。実際のノイズ標準偏差は１．０である。各重ねられた事象は、実際の微小電極記録からサンプリングされた活動電位であった。前記活動電位は、２ｍｓの持続時間及び１０の振幅を持つようにスケーリングされた。前記活動電位は、０Ｈｚ（活動電位が挿入されない）から２００Ｈｚまで変化する発火率で、規則的な間隔において挿入された。図からわかるように、本発明による方法を使用する場合、前記ノイズ推定は、従来技術の中央値推定方法を使用する場合より大幅に正確である。特に高い発火率（多くの事象）の事象において、本発明による方法は、従来の方法より優れている。

図９ｂは、中央値方法（破線９３）及び振幅最頻値方法（実線９４）で計算された推定ノイズ標準偏差を示す。シミュレートされた電気生理学的信号において使用されるノイズは、図９ａに対して上で述べられたものと同じであった。スパイク振幅は、１０Ｈｚの固定レートで、１から１０まで変化した。図からわかるように、本発明による方法を使用する場合、前記ノイズ推定は、従来技術の中央値推定方法を使用する場合より大幅に正確である。特に大きなスパイク振幅の事象において、本発明による方法は、従来技術の方法より優れている。

上述のように閾値を決定する方法は、前記電気生理学的信号の更なる統計分析に対する開始点として使用されることができる。本発明による方法で決定された推定ノイズレベル及びスパイク閾値は、人間又は動物の体の中の電極の位置に関する情報を提供することができる。本発明によると、本発明によるエンベロープベースのノイズレベル推定方法を使用して、測定される組織の機能解剖学的役割を示す統計情報を自動的に計算し、ユーザに提示するシステムが提供される。前記測定された信号の別個の成分（例えば背景ノイズ及びスパイク活動）が決定される場合、統計値は、様々なタイプの機能解剖学的構造に関連することが知られているこれらの個別の成分に対して計算される。前記システムは、この場合、前記ユーザにこれらの統計値を位置の関数として提示し、これにより各位置における機能解剖学的構造が何である可能性が高いのかを前記ユーザに伝える。

前記システムは、電気生理学的信号を受信する入力部と、前記受信された信号を処理する処理ユニットとを少なくとも有する。前記処理ユニットは、推定ガウスノイズを決定するために電気生理学的信号１１の推定エンベロープ３１を決定し、推定エンベロープ３１に基づいて、前記推定ガウスノイズの瞬間的な振幅の分布５１を決定し、瞬間的な振幅の分布５１の最頻値６１を決定し、瞬間的な振幅の分布５１の最頻値６１に基づいて閾値８１、８２を決定する。前記システムは、したがって、適切な閾値を自動的に設定するのに前記エンベロープベースのノイズレベル推定方法を使用することにより前記信号を'背景ノイズ'及び'スパイク活動'成分に分離することができる。統計分析に対して、前記システムは、異なるタイプの機能解剖学的構造と関連すると知られている前記信号のここで分離された成分に対する統計的測定値を計算する１以上の成分分析サブシステムをも有することができる。ディスプレイサブシステムは、位置の関数として前記分析の結果を前記ユーザに提示することができる。

図１０は、異なる位置におけるノイズレベルの統計分析の結果を示す。この例において、微小電極記録は、初期推定標的位置の数ｍｍ上から数ｍｍ下まで変化する深度における、標的に向かう５つの平行な軌道に沿って行われる。各記録に対して、前記背景ノイズ及びスパイク活動は、上記の方法を使用して分離される。深度及び位置の関数として前記推定ノイズレベルを表示する要約図が、次いで生成される。前記ノイズレベル自体は、例えば、パーキンソン病の患者の刺激に対する一般的な標的である視床下核内にある良好なインジケータであると知られている。深度の関数としての前記ノイズレベルの増加及び減少は、したがって、いつこの標的構造が５つの微小電極プローブの各々により入られ、出られるのかを決定するのに臨床チームにより使用されることができる。

図１１は、検出されたスパイクの統計分析の結果を示す。この実施例は、図１０の実施例と同様である。図１１において、各記録内のスパイクの平均レートが計算され、深度及び位置の関数として示される。また、この平均発火率は、人間又は動物の脳若しくは神経系の他の部分における特定の機能的ユニットに対する電極の位置の良好な指示であることができる。

図１２は、検出されたスパイクの他の統計分析の結果を示す。この実施例において、外科的処置は、図１０及び１１のとおりである。この事象において、スパイクソーティングは、前記システムにより検出されたスパイクに対して実行される。これは、１より多いニューロンが前記信号内のスパイクを生成している場合に、前記スパイクが別個のユニットからのスパイク事象に分離されることができるように、神経ユニットにより前記スパイク事象を分離する。発生することができる可能な発火率の範囲は、この場合、どの発火率が関心の解剖学的領域と関連付けられる傾向にあるかの情報に基づいて所定の間隔に分割される。前記システムは、次いで、どの発火率が各記録内に存在するかを位置及び深度の関数として前記ユーザに対して表示し、前記測定された生理学的信号内に存在する各神経ユニットの発火率に関する情報を提供する。

図１３は、スパイク閾値を決定するシステム１３０を示す。システム１３０は、電気生理学的信号１１を受信する入力部１３１と、電気生理学的信号１１を処理する処理ユニット１３２とを有する。処理ユニット１３２は、電気生理学的信号１１の推定エンベロープ３１を決定し、推定エンベロープ３１に基づいて、推定ガウスノイズを決定し、推定エンベロープ３１の分布の最頻値６１を決定し、推定エンベロープ３１の分布５１の最頻値６１に基づいて閾値８１、８２を決定する。システム１３０は、電気生理学的信号１１の処理の結果を前記ユーザに提示する出力部１３４をも有することができる。前記出力部は、前記結果を表示するディスプレイ１３５に結合されることができる。

オプションとして、システム１３０は、異なる位置において測定された１以上の電気生理学的信号の前記閾値及び／又は前記推定ガウスノイズに基づいて前記測定された電気生理学的信号に対する統計分析を実行する成分分析サブシステム１３３を更に有する。前記１以上の異なる位置の関数としての統計分析は、出力部１３４において提供され、ディスプレイ１３５上に表示されることができる。

本発明を実現するコンピュータプログラム、特に担体上又は内のコンピュータプログラムにも及ぶことに理解されたい。前記プログラムは、ソースコード、オブジェクトコード、部分的にコンパイルされた形式のようなソース及びオブジェクトコードの中間のコードの形式、又は本発明による方法の実施に使用するのに適した他の形式であることができる。このようなプログラムが、多くの異なるアーキテクチャ設計を持ちうることにも理解されたい。例えば、本発明による方法又はシステムの機能を実施するプログラムコードは、１以上のサブルーチンに分割されてもよい。これらのサブルーチンに機能を分散させる多くの異なる方法が、当業者に明らかである。前記サブルーチンは、内蔵式プログラムを形成するように１つの実行可能ファイルに一緒に記憶されることができる。このような実行可能ファイルは、コンピュータ実行可能命令、例えばプロセッサ命令及び／又はインタプリタ命令（例えばJava（登録商標）インタプリタ命令）を有することができる。代替的には、前記サブルーチンの１以上又は全てが、少なくとも１つの外部ライブラリファイルに記憶され、例えばランタイムにおいて、静的又は動的のいずれかでメインプログラムとリンクされることができる。前記メインプログラムは、前記サブルーチンの少なくとも１つに対する少なくとも１つの呼び出しを含む。また、前記サブルーチンは、互いに対する機能呼び出しを有しうる。コンピュータプログラムに関する一実施例は、前記方法の少なくとも１つの処理ステップの各々に対応するコンピュータ実行可能命令を有する。これらの命令は、サブルーチンに分割され、及び／又は静的若しくは動的にリンクされることができる１以上のファイルに記憶されることができる。コンピュータプログラムに関する他の実施例は、前記システム及び／又は製品の少なくとも１つの手段の各々に対応するコンピュータ実行可能命令を有する。これらの命令は、サブルーチンに分割され、及び／又は静的若しくは動的にリンクされることができる１以上のファイルに記憶されることができる。

コンピュータプログラムの担体は、前記プログラムを有することができるエンティティ又は装置であってもよい。例えば、前記担体は、ＲＯＭ、例えばＣＤ−ＲＯＭ若しくは半導体ＲＯＭ、又は磁気記録媒体、例えばフロッピ（登録商標）ディスク若しくはハードディスクのような、記憶媒体を含んでもよい。更に、前記担体は、電気若しくは光ケーブルを介して又は無線若しくは他の手段により運ばれることができる電気又は光信号のような伝達可能媒体であってもよい。前記プログラムが、このような信号において実施される場合、前記担体は、このようなケーブル又は他の装置若しくは手段により構成されることができる。代替的には、前記担体は、前記プログラムが埋め込まれる集積回路であってもよく、前記集積回路は、関連する方法を実行する又は実行の際に使用するように適合される。

上述の実施例が、本発明を限定するのではなく説明し、当業者が、添付の請求項の範囲から逸脱することなしに多くの代替実施例を設計することができることに注意すべきである。請求項において、括弧間に配置された参照符号は、請求項を限定するように解釈されるべきでない。動詞"有する"及び活用形の使用は、請求項に記載された要素又はステップ以外の要素又はステップの存在を除外しない。要素に先行する冠詞"１つの"（"a"又は"an"）は、複数のこのような要素の存在を除外しない。本発明は、複数の別個の要素を有するハードウェアを用いて、及び適切にプログラムされたコンピュータを用いて実施されることができる。複数の手段を列挙する装置請求項において、これらの手段の幾つかは、同一のハードウェアアイテムにより実施されてもよい。特定の方策が相互に異なる従属請求項に記載されているという単なる事実は、これらの方策の組み合わせが有利に使用されることができないことを示さない。

Claims (15)

1. 電気生理学的信号におけるスパイク検出に対する閾値を決定する方法において、
   前記電気生理学的信号の推定エンベロープを決定するステップと、
   前記推定エンベロープに基づいて、推定ガウスノイズを決定するステップと、
   前記推定信号エンベロープの分布の最頻値を決定するステップと、
   前記推定エンベロープの分布の最頻値に基づいて前記閾値を決定するステップと、
   を有する方法。
2. 前記方法が、前記推定ガウスノイズの瞬間的な振幅の分布を決定するステップを有し、前記推定エンベロープの分布が、前記瞬間的な振幅の分布により表される、請求項１に記載の閾値を決定する方法。
3. 前記推定エンベロープを決定するステップが、分析信号を計算するステップを有し、前記分析信号が、実部及び虚部を有し、前記実部が、前記電気生理学的信号を有し、前記虚部が、前記電気生理学的信号のヒルベルト変換を有し、
   前記瞬間的な振幅の分布が、前記分析信号から算出される、
   請求項１に記載の閾値を決定する方法。
4. 前記推定エンベロープを決定するステップが、前記電気生理学的信号の局所的極値を決定するステップを有し、
   前記瞬間的な振幅の分布が、前記局所的極値の分布から算出される、
   請求項１に記載の閾値を決定する方法。
5. 前記閾値が、前記瞬間的な振幅の分布の最頻値の定数倍であるように決定される、請求項１に記載の閾値を決定する方法。
6. 前記閾値を決定するステップが、前記最頻値の周りの間隔にわたり前記瞬間的な振幅の分布の形状に滑らかな曲線を適合するステップを有する、請求項１に記載の閾値を決定する方法。
7. 前記滑らかな曲線が双曲線である、請求項１に記載の閾値を決定する方法。
8. 前記滑らかな曲線がレイリー分布である、請求項１に記載の閾値を決定する方法。
9. 電気生理学的信号の統計分析を提示する方法において、
   １以上の位置における電気生理学的信号を測定するステップと、
   前記測定された電気生理学的信号の各々に対して、請求項１に記載の閾値を決定する方法のステップを実行し、前記測定された電気生理学的信号の各々に対して、推定ガウスノイズ及び／又は前記閾値を決定するステップと、
   前記測定された電気生理学的信号の前記閾値及び／又は前記推定ガウスノイズに基づいて前記測定された電気生理学的信号に対して統計分析を実行するステップと、
   前記統計分析の結果をユーザに提示するステップと、
   を有する方法。
10. 前記統計分析が、前記位置の各々におけるスパイクの平均レートを決定するステップを有する、請求項９に記載の電気生理学的信号の統計分析を提示する方法。
11. 前記提示するステップが、前記推定ガウスノイズを提示するステップを有する、請求項９に記載の電気生理学的信号の統計分析を提示する方法。
12. 前記統計分析が、前記電気生理学的信号内に存在する発火率の分析に基づいてスパイクをソーティングするステップを有する、請求項９に記載の電気生理学的信号の統計分析を提示する方法。
13. プロセッサに請求項１ないし１２のいずれか一項に記載の方法を実行させるコンピュータプログラム。
14. 電気生理学的信号におけるスパイク検出に対する閾値を決定するシステムにおいて、
    前記電気生理学的信号を受信する入力部と、
    処理ユニットであって、
    前記電気生理学的信号の推定エンベロープを決定し、
    前記推定エンベロープに基づいて、推定ガウスノイズを決定し、
    前記推定エンベロープの分布の最頻値を決定し、
    前記推定エンベロープの分布の最頻値に基づいて前記閾値を決定する、
    当該処理ユニットと、
    を有するシステム。
15. 異なる位置において測定された１以上の電気生理学的信号の前記閾値及び／又は前記推定ガウスノイズに基づいて前記測定された電気生理学的信号に対して統計分析を実行する成分分析サブシステムと、
    前記１以上の異なる位置の関数として前記統計分析の結果をユーザに提示する出力部と、
    を有する、請求項１４に記載のシステム。

Images