JPH1085197A

JPH1085197A - Ｅｅｇデータの評価方法及び装置ならびにニューラルネットワークの訓練方法

Info

Publication number: JPH1085197A
Application number: JP23584497A
Authority: JP
Inventors: Ina Prof Dr Med Pichlmayr; ピヒルマイヤーイナ; Olaf Dr Eckert; エッケルトオーラフ
Original assignee: Siemens AG
Current assignee: Siemens AG
Priority date: 1996-09-04
Filing date: 1997-09-01
Publication date: 1998-04-07
Also published as: EP0828225A1; US5846208A

Abstract

(57)【要約】【課題】ＥＥＧデータからできるだけ高い信頼度で重
要なデータ値例えば催眠指数を得る方法及び機器を提供
する。【解決手段】ＥＥＧデータの収集し、アーチファクト
を検出し、ニューラルネットワークにより出力データ値
を求める。訓練ベクトルが定められ、訓練ベクトルにそ
れぞれ１つのデータ値が割当てられ、データ値はネット
ワークをこれらの訓練ベクトルにより訓練する。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、第１の発明ではＥ
ＥＧデータの評価方法に関し、第２の発明ではニューラ
ルネットワークの訓練方法に関し、第３の発明では処理
装置に関し、第４の発明ではＥＥＧモニターに関する。

【０００２】ただし、ＥＥＧデータとは脳波データであ
る。本明細書において“評価”とは、入力データ流か
ら、入力データの所定の重要な面を反映する出力データ
流を形成するそれぞれの方法のことである。本発明はと
りわけ、ＥＥＧデータから催眠指数を求めるために使用
可能である。本明細書において“催眠指数”とは、患者
のナルコーシス深度を示す値である。

【０００３】

【従来の技術】現在のナルコーシス方法では患者の完全
な麻酔（無痛状態）及び催眠（睡眠状態）をできるだけ
僅かな薬剤調量により達成することに努力が払われる。
しかし、催眠作用を有する薬剤の効果及び作用持続時間
は患者により異なり、高い信頼度で予測できないので、
ナルコーシス中及びナルコーシス後に脳機能を測定装置
により検出することが提案された。

【０００４】Ｅ．Ｆｒｅｙｅ，Ｋ．Ｇｒａｂｉｔｚ及び
Ｗ．Ｓａｎｄｍａｎｎ著の論文“ニューロモニタリング
における第３世代は実際の診療に何をもたらしたか？”
（Ａｎａｅｓｔｈｅｓｉｏｌｏｇｉｅ＆Ｉｎｔｅｎｓｉ
ｖｍｅｄｉｚｉｎ誌３（３７），１９９６，１２０〜１
２７頁）にはナルコーシス深度を判断するためにＥＥＧ
信号を監視及び評価するための機器の全体的な説明が記
載されている。これらの機器ではＥＥＧ信号のスペクト
ル解析が行われる。これにより得られるパラメータ（所
定周波数帯域における出力、スペクトルコーナ周波数、
メディアン周波数等）は選択的に表示され、医者に脳の
活動に関する情報を提供する。登録された商品名“Ｎａ
ｒｋｏｇｒａｐｈ”で販売されている機器では更に、検
出されたナルコーシス深度がグラフィックで画面に表示
される。

【０００５】ＪｉｔｅｎｄｒａｎＭｕｔｈｕｓｗａｍ
ｙ及びＲｏｂＪ．Ｒｏｙ著の論文“ニューラルネット
ワークの中でバイスペクトルパラメータを使用して麻酔
深度を予測する”（ＡｎｎｕａｌＩｎｔｅｒｎａｔｉ
ｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｆｔｈｅＩＥ
ＥＥＥｎｇｉｎｅｅｒｉｎｇｉｎＭｅｄｉｃｉｎ
ｅａｎｄＢｉｏｌｏｇｙＳｏｃｉｅｔｙ誌，Ｂａ
ｌｔｉｍｏｒｅ，１９９４年１１月〜６月，Ｖｏｌ．１
６，１７８７〜１７８８頁）にはニューラルネットワー
クによる催眠深度監視方法が提案されている。このニュ
ーラルネットワークは帰還結合無しであり、３つのニュ
ーロン層を有する。ネットワークへの入力値として、バ
イスペクトルから求められた“バイコヒーレンスインデ
ックス”及びＭＡＣ値が求められる。データセットのク
ラス分類において、ネットワークに入力されたそれぞれ
のデータセットはネットワークのすべてのニューロンの
所定の活性度を呼び起こす。これに対してデータセット
の１つのクラスは、出力ニューロンの活性度が所定値を
有することを特徴とする。

【０００６】ＰＣＴ国際公開第９５３３４０４号公報
は、多数の値とりわけ催眠指数を求めるためにＥＥＧデ
ータを評価する方法及びシステムを開示している。この
システムではＥＥＧデータが収集されて処理される。Ｅ
ＥＧデータのアーチファクトにより変質された部分区間
が検出される。求める値はＥＥＧデータから所定計算動
作により形成される。この場合、異なるスペクトルが形
成され、統計的方法が適用される。ニューラルネットワ
ークの使用は意図されていない。

【０００７】ＡｓｈｕｔｏｓｈＳｈａｒｍａ，Ｓａｒ
ａｈＥ．Ｗｉｌｓｏｎ及びＲｏｂＪ．Ｒｏｙ著の論文
“麻酔レベルを監視するためのＥＥＧ信号の自己回帰モ
デリング”（ＥｉｇｈｔｅｅｎｔｈＩＥＥＥＡｎｎ
ｕａｌＮｏｒｔｈｅａｓｔＢｉｏｅｎｇｉｎｅｅｒ
ｉｎｇＣｏｎｆｅｒｅｎｃｅ誌，１９９２年３月１２
〜１３日，３９〜４０頁）から公知の催眠深度を求める
方法ではＥＥＧデータがまず初めに自己回帰モデリング
にかけられる。このようにして求められた自己回帰パラ
メータは、３つの層を有する帰還結合無しのネットワー
クにより評価される。このネットワークは“逆伝搬”法
により訓練される。このネットワークは、Ｍｕｔｈｕｓ
ｗａｍｙ等著の論文に説明されている。

【０００８】ＣａｒｓｔｅｎＥｃｋａｒｔＴｈｏｍ
ｓｅｎ，Ｋ．Ｎφｒｒｅｇａａｒｄ−Ｃｈｒｉｓｔｅｎ
ｓｅｎ，Ａ．Ｒｏｓｅｎｆａｌｃｋ著の論文“ＥＥＧに
よる麻酔レベルの監視”（Ｐｒｏｃｅｅｄｉｎｇｓｏ
ｆｔｈｅＮｉｎｅｔｈＡｎｎｕａｌＣｏｎｆｅｒ
ｅｎｃｅｏｆｔｈｅＩＥＥＥＥｎｇｉｎｅｅｒ
ｉｎｇｉｎＭｅｄｉｃｉｎｅａｎｄＢｉｏｌｏ
ｇｙＳｏｃｉｅｔｙ誌，１９８７年１１月１３〜１６
日，Ｂｏｓｔｏｎ，Ｖｏｌ．３ｏｆ４，１２５２〜
１２５３頁）が開示している催眠深度の監視方法ではＥ
ＥＧデータがまず初めに自己回帰モデリングにかけられ
て、これにより特徴ベクトルが得られる。次いでこの特
徴ベクトルは複数の催眠深度クラスのうちの１つに割当
てられる。クラス配分は初期の学習フェーズの間に“教
師なし学習”法により求められた。ニューラルネットワ
ークは使用されない。

【０００９】しかし依然として存在する問題は、患者の
実際の催眠状態の測定が困難であり、催眠状態をＥＥＧ
データから求めなければならないことにある。１つの機
器が、スペクトル解析で得られたパラメータのみを表示
する場合、これらのパラメータは専門家が多くの時間を
かけて解釈することは可能である。これに対して、表示
されたナルコーシス深度値は、すべての場合には患者の
実際の催眠状態と一致しない。

【００１０】

【発明が解決しようとする課題】本発明の課題は、ＥＥ
Ｇデータからできるだけ高い信頼度で重要なデータ値例
えば催眠指数を得る方法及び機器を提供することにあ
る。

【００１１】

【課題を解決するための手段】上記課題は本発明によ
り、第１の発明では、ａ）ＥＥＧデータの収集するス
テップ（４０）及び処理するステップ（４２，４８）、
ｂ）ＥＥＧデータのアーチファクトにより変質された
部分区間を検出するステップ（５０）と、ｃ）処理さ
れたＥＥＧデータと、ステップｂ）で求められたアーチ
ファクト情報とから特徴ベクトル（９０）を計算するス
テップ（５８）と、ｄ）特徴ベクトル（９０）を、ニ
ューロン（８０）により表されるデータクラスターに割
当て、データクラスターに所属の出力データ値（８８）
を求める（７０）ことによりニューラルネットワークを
用いて出力データ値を求めるステップ（８８）と、ｅ）
出力データ値（８８）を出力するステップ（７２）と
を具備することにより解決され、第２の発明では、ａ）
それぞれ１つのデータ値が所属の多数の訓練ベクトル
を定めるステップ（１２０）と、ｂ）ニューラルネッ
トワークの初期パラメータを定めるステップ（１２４）
と、ｃ）訓練ベクトルのそれぞれのクラスターに１つ
のニューロン（８０）を割当てるためにニューラルネッ
トワークのパラメータを変更する訓練アルゴリズムを実
行するステップ（１２６；１４０〜１５２）と、ｄ）
訓練ベクトルのニューロン（８０）により表されるクラ
スターの中に含まれる訓練ベクトルの所属のデータ値を
基礎にしてそれぞれのニューロン（８０）のための出力
データ値（８８）を求めるステップ（１３２）とを具備
することにより解決され、第３の発明では、請求項１か
ら請求項１３までのいずれか１項に記載のニューラルネ
ットワークの訓練方法を実行することにより解決され、
第４の発明では、患者（１２）からＥＥＧ電位を誘導す
る誘導装置（１０）を具備し、更に、ＥＥＧ電位を増幅
及びろ波しアナログ信号を発生する増幅器及びフィルタ
装置（２２，２４）を具備し、更に、アナログ信号をデ
ィジタル信号に変換するアナログ／ディジタル変換器
（３０）と、請求項１から１３までのいずれか１項に記
載の方法により、ディジタルデータから出力データ値
（８８）を求めるのに用いる計算装置（３２）とを有す
る処理装置（２８）を具備し、更に、出力データ値（８
８）を表示及び／又は出力する出力装置（３６）を具備
することにより解決される。

【００１２】本発明によりＥＥＧデータから、容易に収
集可能な出力データ値が生成される。催眠指数である場
合、患者のナルコーシス深度は客観的にかつ高い信頼度
で求めることが可能である。これにより、催眠作用を有
する薬剤を不必要に多く調合することが回避され、これ
により薬剤領域内での大幅なコスト削減が達成可能であ
り、更に、事後呼吸及び集中治療時間が短縮される。過
小の調量も回避される、すなわち過小の調量では患者が
手術の一部を意識して知覚することがある。これは患者
にとって不快な経験であり、たとえ患者が痛みを感じな
くとも不快な経験である。このような手術中の覚醒状態
を検出するためには、催眠指数によりナルコーシスの催
眠成分を把握することが重要である。更に催眠指数を監
視することにより脳内障害及び合併症を手術中に早期に
検出することが可能である。

【００１３】手術中のナルコーシス監視の外に本発明は
患者の集中治療に使用可能である。長期患者の正確な鎮
静設定が可能となり、これにより覚醒時間、集中治療日
数及び回復期間が短縮される。この場合にも脳機能を連
続的に監視でき、集中治療中の合併症（例えば脳症を発
生する敗血症）を検出できる。

【００１４】本発明の１つの別の用途は、精神病院での
患者の徹夜監視である。（例えば動脈硬化症における）
脳治療の際の薬剤の効果を本発明により求めることが可
能である。これを実現するために長期監視は不要であ
る。薬剤投与の前及び後の催眠指数を比較するだけで充
分である。

【００１５】本発明の方法の１つの重要な利点は、ＥＥ
Ｇデータのアーチファクトにより変質された部分区間を
高い信頼度で検出できることにある。これを実現するた
めに有利にはＥＥＧデータのパラメータを、静的に所定
の限界値及び／又は平滑化されたパラメータ値と比較す
る。有利には、ＥＥＧデータのアーチファクト無しと検
出された部分区間のみが、更なる評価に用いられる。１
つの実施の形態ではこれらの部分区間は、それぞれ２．
０ｓの持続時間を有する時間間隔に相当し、これらの時
間間隔は、後の詳細な説明において“ＦＦＴ時間間隔”
と称される。

【００１６】ニューラルネットワークにより、多数の成
分を有する特徴ベクトルがクラス分類される。有利には
特徴ベクトルの中には、ＥＥＧデータの所定の周波数帯
域における信号出力と、ＥＥＧデータの更なる特性量が
入込む。特徴ベクトルをクラス分類することが可能なよ
うにニューラルネットワークのパラメータは訓練法によ
り定められ、この訓練法ではネットワークトポロジーが
固定して前もって与えられていないか、又はネットワー
クトポロジーが訓練中に変化可能である。これによりと
りわけ良好なクラス分類結果が達成される。

【００１７】ニューラルネットワークは有利には催眠指
数を求めるのに用いられる。しかしＥＥＧデータを別の
基準に従って評価し、別の指数を求めることも可能であ
る。

【００１８】ニューラルネットワークの訓練方法も本発
明に所属する。この方法により、非常に高い信頼度のク
ラスター解析を行うネットワークのためのパラメータを
求めることが可能である。それぞれの訓練ベクトルに所
属の出力データ値は有利には、固定して前もって与えら
れている点と点との間の線形補間により客観的に求める
ことが可能である。

【００１９】良好な訓練結果を比較的僅かな計算コスト
で得ることができるようにネットワークは有利には、特
徴ベクトルから成るそれぞれ１つの粗クラスに所属の、
互いに分離されている部分ネットワークの中で訓練され
る。部分ネットワークは有利には、満足なクラスター解
析が得られない場合には訓練方法の実行中に分割され
る。これによりネットワークをステップ毎に微調整でき
る。

【００２０】最後に、本発明は処理装置すなわちＥＥＧ
モニターを含み、ＥＥＧモニターにより、本発明による
解析法を実行できる。有利にはＥＥＧモニターは、求め
られた催眠指数を経過表現として表示する。

【００２１】

【実施の形態】次に図面を参照しながら、本発明を実行
するのに最良の方法と見なされる本発明の１つの実施の
形態を説明する。

【００２２】Ｉ．ＥＥＧモニター及び評価方法図１に示されている催眠指数を求めるＥＥＧモニター
は、患者１２の脳波（ＥＥＧ）を検出する誘導装置１０
を有する。この有利な実施の形態では誘導装置１０によ
り患者１２の頭部１４の２つの位置の間の双極誘導電位
が測定される。この１チャネル誘導のために、公知のＡ
ｇ／ＡｇＣｌ焼結電極として形成されている２つの電極
１６が接着ペーストにより患者１２の頭部に装着されて
いる。またチャネル誘導の代わりに誘導装置１０を２チ
ャネル誘導のために構成することも可能である。この場
合には誘導装置１０は４つの電極１６を有する。更に双
方の誘導形式においてアース電極が患者１２の額例えば
鼻根に装着される。その他の電極数も可能である。

【００２３】電極１６は導線１８を介してヘッドシャワ
ー２０に接続されている。導線１８はできるだけ短くす
る、何故ならばこれにより、電極１６から出力され増幅
されず数マイクロボルトしか有しない生の信号のための
障害を発生しやすい区間を短縮できるからである。ヘッ
ドシャワー２０は増幅器２２を有し、増幅器２２は１Ｖ
のオーダの生の信号に変換する。増幅器２２はアナログ
フィルタ２４に接続され、アナログフィルタ２４は約
０．３Ｈｚの下限遮断周波数と約４０Ｈｚの上限遮断周
波数とを有する。アナログフィルタ２４はとりわけ、配
電網により発生され５０Ｈｚの周波数を有する障害信号
成分を除去する。

【００２４】導線２６を介してアナログフィルタ２４は
アナログ／ディジタル変換器３０に接続され、アナログ
／ディジタル変換器３０は処理装置２８の中に組込まれ
ている。この有利な実施の形態では処理装置２８は通常
のＩＢＭコンパチブルパーソナルコンピュータである。
アナログ／ディジタル変換器３０は入力信号を１２８Ｈ
ｚで標本化し、１２ｂｉｔの分解能で量子化する。これ
により得られるデータ流は処理装置２８の計算装置３２
により一連のステップで処理される。後に詳細に説明さ
れる処理動作が結果データを供給し、例えば、連続的な
催眠指数を供給する。結果データは処理装置２８により
グラフィックに処理され、導線３４を介して、画像スク
リーンとして形成されている出力装置３６に伝送されて
表示される。

【００２５】図２には概略的に、国際的に使用されてい
る誘導位置の１０／２０システムが示されている。１チ
ャネル誘導の現在優先されている形式では電極は値Ｃ_３
及びＰ_３に装着される。２チャネル誘導では、第１のチ
ャネルのために位置Ｃ_３とＰ_３との間の双極誘導電位が
誘導され、第２のチャネルのためにＣ_４とＰ_４との間の
双極誘導電位が誘導される。患者１２の額の近傍のアー
ス電極のための位置は図示されていない。

【００２６】図３にはＥＥＧデータの本発明の評価方法
が概略的に示され、この場合、催眠指数が求められる。
概略的に次の処理ステップに分割できる。

【００２７】１．ＥＥＧデータの誘導、処理及びディ
ジタル化（ステップ４０及びブロック４２）。

【００２８】２．ディジタル化された信号のパラメー
タ化及びスペクトル解析（ステップ４８）。

【００２９】３．アーチファクトの検出（ブロック５
０）。

【００３０】４．特徴ベクトルの計算（ブロック５
８）。

【００３１】５．ニューラルネットワークによる解析
（ブロック６４）。

【００３２】６．再クラス分類（ステップ７０）。

【００３３】７．結果値の表示（ステップ７２）。

【００３４】１．ＥＥＧデータの誘導、処理及びディ
ジタル化誘導装置１０により検出された生の信号（ステップ４
０）は、図１を参照して既に説明したように増幅及びフ
ィルタリングによりヘッドシャワー２０の中で処理され
（ステップ４４）、アナログ／ディジタル変換器３２に
よりディジタル化される（ステップ４６）。ディジタル
化されたデータは、１２ｂｉｔの分解能と１２８Ｈｚの
標本化周波数とを有する処理装置２８に供給される。

【００３５】２．ディジタル化された信号のパラメー
タ化及びスペクトル解析（ステップ４８）ディジタル化された信号から処理装置２８は公知のアル
ゴリズムにより多数のパラメータを後続処理のために計
算する。

【００３６】これを実現するために信号はまず初めに、
それぞれ０．２５ｓ持続時間（３２標本値に相当する）
を有するブロック、それぞれ２．０ｓ持続時間（８ブロ
ックすなわち２５６標本値に相当する）をＦＦＴ区間、
及びそれぞれ３０．０ｓ持続時間（１２０ブロックすな
わち３８４０標本値に相当する）を有する評価区間に区
分される。

【００３７】それぞれのブロック区間に対して最小標本
値及び最大標本値、平均値、分散（第２のモーメント）
及びより高いモーメントが計算される。更に線形回帰解
析により、ブロック区間の間の信号経過に近似する直線
の係数ａ及びｂが求められる。

【００３８】前述のパラメータと信号の第１の信号の誘
導及び第２の信号の誘導とはそれぞれのＦＦＴ区間に対
しても求められる。更にそれぞれの高速フーリエ交換区
間すなわちＦＦＴ区間の信号データはスペクトル解析に
かけられる。これを実現するために本実施の形態では、
高速フーリエ変換（ＦＦＴ区間）のための公知のアルゴ
リズムが実行され、これは例えばＪｏｓｅｆＳｔｏｅ
ｒ著“数値数学入門Ｉ”（第４版，Ｓｐｒｉｎｇｅｒ出
版社，１９８３年，７１〜８１頁）に記載されている。
有利にはＦＦＴ区間の中での重み付けはハニングウィン
ドウにより行われる。

【００３９】スペクトル解析によりそれぞれ０．５Ｈｚ
の１２８の帯域の中の０〜６３．５Ｈｚの領域内の出力
信号のスペクトルが求められる。この出力スペクトルを
基礎にして多数のパラメータがそれぞれのＦＦＴ区間に
対して計算される。詳細にはこれらのパラメータは、こ
の有利な実施の形態では次のようである。

【００４０】− 全信号出力。

【００４１】− 出力スペクトルのメディアン周波数
（５０％変位値）。

【００４２】− 出力スペクトルのスペクトルコーナ周
波数（９５％変位値）。

【００４３】− δ帯域の出力（０〜３．０Ｈｚ）。

【００４４】− δ_１帯域の出力（０〜１．０Ｈｚ）。

【００４５】− δ_２帯域の出力（１．５〜２．０Ｈ
ｚ）。

【００４６】− δ_３帯域の出力（２．５〜３．０Ｈ
ｚ）。

【００４７】− θ帯域の出力（３．５〜７．０Ｈ
ｚ）。

【００４８】− α帯域の出力（７．５〜１２．０Ｈ
ｚ）。

【００４９】− β帯域の出力（１２．５〜３０．０Ｈ
ｚ）。

【００５０】付加的に更なるパラメータ、例えば特定の
周波数帯域の出力値が計算される。

【００５１】３．アーチファクトの検出（ブロック５
０）催眠指数の歪曲を回避するために、アーチファクトが発
生するＦＦＴ区間を検出し、除去することが重要であ
る。アーチファクトとはＥＥＧ信号の中の一時的障害で
あり、例えば電気機器（例えば高周波手術機器）のスイ
ッチオン又はスイッチオフ、患者の動き、挿管動作又は
劣悪な電気接触等により発生することがある。

【００５２】この有利な実施の形態ではまず初めにスタ
ティックアーチファクト検出が行われる（ステップ５
２）。このステップ５２では、前述の計算ステップでそ
れぞれのＦＦＴ区間に対して求められた信号パラメータ
が、所定の固定閾値又は限界値と比較される。詳細には
上限は、信号振幅、信号出力、信号の第１の誘導及び第
２の誘導、及び４０Ｈｚを越える出力スペクトル成分に
対して存在する。パラメータが、このパラメータに割当
てられている上限を越えると、アーチファクトによる障
害が推定される。これに対して信号変動は所定下限を下
回ってはならない。

【００５３】次のステップではダイナミックアーチファ
クト検出が多数のパラメータに対して行われる（ステッ
プ５４及び５６）。このダイナミックアーチファクト検
出は、ＥＥＧ信号の解析のためにとりわけ有効な手段で
あることが分かった。

【００５４】ダイナミックアーチファクト検出の基本原
理は、信号パラメータにおいて、その都度に実パラメー
タ値を、指数的に平滑化されたパラメータと比較するこ
とにある。ＦＦＴ区間の中で実パラメータ値と平滑化さ
れたパラメータ値との間の差が所定限界値を越えると、
ＦＦＴ区間はアーチファクトにより負荷されているとマ
ーキングされ、特徴ベクトルの後の計算（ブロック５
８）のために用いられない。

【００５５】ステップ５４でのダイナミックアーチファ
クト検出のために基本的に、ステップ４８で求められた
すべてのパラメータを用いることができる。しかしこの
実施の形態では出力スペクトルの低い周波帯域（帯域δ
_１〜δ_３）と、付加的にＥＥＧ信号の第１の誘導及び第
２の誘導とのみが使用される。処理装置２８のメモリの
中にこれらのパラメータ値及び信号値のそれぞれに対し
て、この時点までに求められ平滑化された値が格納され
ている。この値はそれぞれのＦＦＴ区間の中で次式によ
り更新される。

【００５６】

【外２】

【００５７】更なるステップ（ステップ５６）として自
己回帰パラメータも、ステップ５４を参照して前に説明
された方法によるダイナミックアーチファクト検出にか
けられる。次式によりＦＦＴ区間の標本点Ｘ_ｉ（ｉ＝
１，．．．，２５６）から推測される値ａ_１，
ａ_２，．．．，が自己回帰パラメータと称される。

【００５８】Ｘ_ｎ＝ａ_１・Ｘ_ｎー１＋ａ_２・Ｘ_ｎー２＋．．．自己回帰パラメータａ_１，ａ_２，．．．の推測はＲａｉ
ｎｅｒＳｃｈｌｉｔｔｇｅｎ及びＢｅｒｎｄＨ．
Ｊ．Ｓｔｒｅｉｔｂｅｒｇ著の本“時系列解析”（第５
版，Ｏｌｄｅｎｂｏｕｒｇ出版社，１９９４，１２１〜
１３２頁）に説明されている。

【００５９】４．特徴ベクトルの計算（ブロック５
８）

【００６０】

【外３】

【００６１】特徴ベクトル９０はニューラルネットワー
クへの入力値を表す。この実施の形態では特徴ベクトル
９０は２１の成分を有する、すなわち２０の出力成分９
２と抑圧パラメータ成分９４とを有する。しかし特徴ベ
クトルは別の数の成分と成分として別のパラメータとを
有することも可能である。出力成分９２は０Ｈｚと３
０．０Ｈｚとの間の２０の周波数帯域におけるＥＥＧ信
号の出力成分に相当し、それぞれの周波数帯域は１．５
Ｈｚの幅を有する。抑圧パラメータ成分９４は、ＥＥＧ
の中のいわゆるバースト抑圧パターンの発生の手がかり
を提供する。バースト抑圧パターンとは、ＥＥＧが部分
区間的に、不規則的に、大きな振幅を有する活動により
断続される零ラインを有する場合のことである。

【００６２】特徴部分９０の出力成分９２を求めるため
に、ステップ６０で平均化された出力スペクトルが計算
される。これを実現するために、評価区間の間にスペク
トル解析の結果として求められた１５の個別スペクトル
のうちまず初めに、ステップ５２〜５６でアーチファク
トの発生が検出されたＦＦＴ区間を有する個別スペクト
ルが除去される。残りの個別スペクトルから０〜３０．
０Ｈｚの周波数領域内の算術平均値が形成される。この
場合、それぞれの個別スペクトルの０．５Ｈｚのそれぞ
れ３つの隣接する周波数帯域が統合され、これにより、
出力成分９２のそれぞれ１．５Ｈｚの幅の周波数帯域の
出力値が求められる。

【００６３】ステップ６２では特徴ベクトル９０の抑圧
パラメータ成分９４が求められる。これらの成分は、評
価区間（３０ｓ）の間に発生しＥＥＧ曲線が非常に平坦
に経過した（それぞれ０．２５ｓに対する）ブロック区
間のパーセント割合を示す。

【００６４】１つのブロック区間の間の“平坦な”信号
経過を検出するために、ステップ４８で行われブロック
区間に適用された回帰分析の結果が利用される。平坦な
信号経過とは、ブロック区間の間の信号経過に近似する
直接の勾配と回帰誤差（散乱）とが所定上限を越えない
場合を指す。

【００６５】５．ニューラルネットワークによる解析
（ブロック６４）ブロック５８の中のステップ６０及び６２で形成された
特徴ベクトル９０はニューラルネットワークによりクラ
スター解析にかけられる。すなわち、特徴ベクトル９０
は、信号ベクトルから成る数Ｎの所定の群（クラスタ
ー）への類似性を調べられる。Ｎ群のそれぞれはニュー
ラルネットワークのそれぞれ１つのニューロンＡ_ｉ（ｉ
＝１，．．．，Ｎ）に相応する。この有利な実施の形態
ではＮ＝１０８６のニューロンが設けられている。

【００６６】

【外４】

【００６７】シナプスベクトル８２は特徴ベクトル９０
と同一の構成を有する、すなわち２０の出力成分８４と
１つの抑圧パラメータ成分８６とを有する。すなわちニ
ューロン８０のすべてのシナプスベクトル８２と、ニュ
ーラルネットワークの入力値として用いられる特徴ベク
トル９０とはベクトル空間Ｖの要素である。ベクトル空
間Ｖの中ではノルム‖・‖が固定して前もって定めら
れ、この実施の形態では次式のユークリッドノルムによ
り定められている。

【００６８】

【外５】

【００６９】ニューラルネットワークの最大に活性化さ
れたニューロン８０を求めることは処理装置２８により
行われる。すべてのＮのニューロン８０に対して順次に
特徴ベクトル９０とシナプスベクトル８２との間の間隔
を求めることが可能ではあるが、この実施の形態ではま
ず初めに特徴ベクトル９０の粗クラス分類がステップ６
６で行われ、粗クラス分類によりニューラルネットワー
クの部分ネットワークが定められる。

【００７０】粗クラス分類（ステップ６６）は、図５に
示されている表に従って、特徴ベクトル９０の出力成分
９２から求めることができる全信号出力及びメディアン
周波数を基礎にして行われる。特徴ベクトル９０は、こ
れらのパラメータが図５の区間境界の中に含まれている
場合には部分ネットワークに割当てられる。この実施の
形態では粗クラス分類の結果として、２と１８６との間
の数のニューロンを有する２４の部分ネットワークのう
ちの１つのネットワークが求められる。

【００７１】次のステップ６８では特徴ベクトル９０
が、求められた部分ネットワークのニューロン８０のシ
ナプスベクトル８２と比較され、これにより前述の式に
従って、部分ネットワークの中の最大に活性化されたニ
ューロン８０が求められる。

【００７２】

【外６】

【００７３】これらのパラメータは、システムの開発の
際にのみ行われる訓練プロセスの中で定められる。この
訓練プロセスについては後に詳細に説明する。しかし、
作動中にネットワークパラメータの緩慢な変更が行われ
る（適応学習）本発明の変形実施の形態が可能である。

【００７４】６．再クラス分類（ステップ７０）図４に示されているようにネットワークのそれぞれのニ
ューロン８０は１つの出力データ値８８を有する。１つ
の特徴ベクトル８０に対して最大に活性化されたニュー
ロンの出力データ値８８は全ニューラルネットワークと
本発明のシステムとの出力データ値である。本発明の別
の実施の形態では出力データ値８８はニューロン８０に
直接的に割当てられず、更に計算により初めて得られ
る。

【００７５】７．結果値の表示（ステップ７２）実際の催眠指数を示す求められた出力データ値８８は処
理装置２８によりグラフィックに処理され、画像スクリ
ーンとして形成されている出力装置３６から出力され
る。

【００７６】図６は手術中に発生することがあるスクリ
ーン表示１００の例を示す。上部行１０２は時間、患者
番号及び患者の年齢等の一般的なデータを含む。ＥＥＧ
ウィンドウ１０４の中にはチャネルＣ_３〜Ｐ_３のＥＥＧ
生信号が表示され、ＥＥＧ生信号はそれぞれ６ｓの間隔
で更新される。指数表示１０６は催眠指数の瞬時値を数
値的に示す。ウィンドウ１０８の中には催眠指数の時間
経過が曲線として示されている。それぞれ３０ｓ間隔
で、曲線の新たに計算された指数値が付加される。

【００７７】機能欄１１０はＥＥＧモニター及び表示装
置の制御を可能にする。例えばオプション１を介してそ
の他のパラメータ値（メディアン周波数、コーナ周波数
等）の経過表示、又はウィンドウ１０８の中での平均化
された出力スペクトルの表示を選択できる。

【００７８】オプション２を介して電極インピーダンス
を測定できる。オプション３を介して、連続的に数値化
されたマーキングを設定でき、マーキングは、麻酔経過
の回顧的観察において医療的に重要なイベントの対応を
容易にする。

【００７９】血圧、心拍数、酸素飽和及び呼吸パラメー
タ等の更なるパラメータはＥＥＧモニターにインターフ
ェースを介して供給できる。これらのパラメータはＥＥ
Ｇデータと一緒に記憶され、同様にスクリーン１００に
表示できる。

【００８０】ＩＩ．訓練方法図７はフローチャートで、ニューラルネットワークを訓
練するために実行される方法を示す。この有利な実施の
形態では訓練は１９２の完全なナルコーシス導入を基礎
にし、これらのナルコーシス導入から２５５４９のそれ
ぞれ３０秒のＥＥＧ部分区間が求められた。これらのＥ
ＥＧ部分区間は、図３に示されている方法により特徴ベ
クトル（訓練ベクトル）に変換された（ステップ１２
０）。

【００８１】完全なナルコーシス導入は覚醒状態からバ
ースト抑圧パターンの第１の発生まで経過する。覚醒状
態には催眠指数０が割当てられた。バースト抑圧パター
ンはＫｕｇｌｅｒの一般的に認められたクラス分類
（Ｈ．Ｋｕｇｌｅｒ著“病院及び診療所での脳波記録
法”（Ｓｔｕｔｔｇａｒｔ−ＮｅｗＹｏｒｋ：Ｔｈｉ
ｍｅ１９８１））によると最大催眠深度の状態を示すの
でこの状態は催眠指数１００を得る。

【００８２】それぞれの訓練ベクトルに対して、訓練ベ
クトルの基礎となるナルコーシス導入において注入開始
（催眠指数０）からバースト抑圧パターンの第１の発生
（催眠指数１００）までの時間間隔の何パーセントが経
過したかを示す催眠指数の割当てられた値が、訓練ベク
トルが採用された際に求められた（ステップ１２０）。
従って訓練ベクトルではナルコーシス指数はナルコーシ
ス導入の時間経過においても線形で低下する。

【００８３】ステップ１２２では粗クラス分類が、図５
に示されている表に類似に定められた。表のそれぞれの
行に対して、割当てられた部分ネットワークの中のニュ
ーロンの数と、部分ネットワークのための初期化パラメ
ータとが求められた（ステップ１２４）。

【００８４】このようにして定められたそれぞれの部分
ネットワークに対してステップ１２６で、図８に示され
ている訓練アルゴリズムが実行される。訓練アルゴリズ
ムについては後で詳細に説明する。次いでステップ１２
８で、丁度訓練を終了した部分ネットワークが、満足の
いくクラス分類精度に到達したかどうかが検査される。
いかなるニューロンも、大幅に異なる催眠指数に相応す
る２つの訓練ベクトルによって活性化されてはならな
い。１つの部分ネットワークはこのようなニューロンを
有した場合、すなわち訓練ベクトルが過度に粗にクラス
分類された場合、ステップ１３０でこの部分ネットワー
クは２つ以上の新しい部分ネットワークに分割される。
訓練プロセスがこれらの部分ネットワークに対して繰返
される。

【００８５】所望のクラス分類精度がすべての部分ネッ
トワークにおいて得られると、それぞれのニューロンに
１つの催眠指数を出力値として割合てる再クラス分類関
数が定められる。この出力値は、ニューロンを活性にす
る訓練ベクトルの催眠指数値の算術平均値である。訓練
はそれぞれのニューロンが、比較的互いに類似の催眠指
数値を有する訓練ベクトル（すなわち１つのクラスター
の訓練ベクトル）のみにより活性化されたので、平均値
形成により発生される誤差は小さい。

【００８６】ニューロンネットワークの訓練のための本
発明の前述の実施の形態で使用される学習アルゴリズム
（図７のステップ１２６）は図８により詳細に示されて
いる。このアルゴリズムは、ＴｈｏｍａｓＭａｒｔｉ
ｎｅｔｚ、ＳｔａｎｉｓｌａｖＢｅｒｋｏｖｉｃｈ及
びＫｌａｕｓＳｃｈｕｌｔｅｎ著の論文“ベクトル量
子化のためのニューラルガスネットワークと時系列予測
へのその応用”（ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓ
ｏｎＮｅｕｒａｌＮｅｔｗｏｒｋｓ誌，第４巻，
１９９３年７月，５５８〜５６９頁）に記載のニューロ
ンガスアルゴリズムを基礎にしている。

【００８７】この学習アルゴリズムの基礎は、競合学習
の原理を基礎にする自己組織化ニューラルネットワーク
である。ネットワークは所定のトポロジーに結合されて
おらず、これにより、複雑なパターン分布へのとりわけ
良好な整合が達成される。これとは反対にその他の訓練
アルゴリズムは所定のニューロントポロジー、例えば２
次元格子へのニューロンの配置等から出発し、訓練の間
に格子を“歪曲”する。しかしこのようなアルゴリズム
も本発明の方法に使用可能である。

【００８８】次に説明される学習アルゴリズムではそれ
ぞれ２つのニューロンＡ_ｉとＡ_ｊとの間に接続が形成さ
れている。訓練の間のみに必要とされるこの情報は補助
量Ｃ_ｉｊによりすべてのｉ，ｊ＝１，．．．，Ｎに対し
て示されている。値Ｃ_ｉｊ＝０が意味するのは、ニュー
ロンＡ_ｉとＡ_ｊとが互いに接続されていないことであ
り、これに対して値Ｃ_ｉｊ＞０は接続が形成されている
ことを示す。それぞれの接続は、自然数により示されて
いる年齢を有し、年齢は補助量ｔ_ｉｊにより示される。
このアルゴリズムでは次の演算が行われる。

【００８９】

【外７】

【００９０】（５）ニューロンＡ_ｉ０とＡ_ｉ１とを接
続する（ステップ１４８）。

【００９１】Ｃ_ｉ０ｉ１＝０の場合にはＣ_ｉ０ｉ１＞０
及びｔ_ｉ０ｉ１＝０にセットする。

【００９２】Ｃ_ｉ０ｉ１＞０の場合にはｔ_ｉ０ｉ１＝０
にセットする。

【００９３】（６）すべてのｊ＝１，．．．，Ｎに対
してＡ_ｉ０の接続の年齢を高める（ステップ１５０）。

【００９４】Ｃ_ｉ０ｊ＞０の場合にはｔ_ｉ０ｊ＝ｔ′
_ｉ０ｊ＋１にセットする。

【００９５】（７）すべてのｊ＝１，．．．，Ｎに対
して、値Ｔを越える年齢を有するニューロンＡ_ｉ０の接
続を消去する（ステップ１５２）。

【００９６】Ｃ_ｉ０ｊ＞０及びｔ_ｉ０ｊ＞Ｔの場合には
Ｃ_ｉ０ｊ＝０にセットする。

【００９７】（８）（２）へ戻り続行する。

【００９８】ＩＩＩ．実験結果どのような信頼度で本発明の前述の実施の形態によるＥ
ＥＧモニターが“患者が覚醒している”状態と“患者が
充分な麻酔にかかっている”状態との間を区別できるか
との質問を解明するために、１４５人の患者のＥＥＧ部
分区間がナルコーシス導入の前と、挿管から５分後すな
わち完全な麻酔状態とにおいて調査された。

【００９９】覚醒状態でのＥＥＧ部分区間においてＥＥ
Ｇモニターは９６．７％の場合に最大２０％の催眠指数
を示した。これに対してメディアン周波数（分離値６．
０Ｈｚ）の測定では７０．８％の場合にしか正しい結果
が得られず、コーナ周波数（分離値１９．５％）の測定
では６８．９％の場合にしか正しい結果が得られなかっ
た。

【０１００】挿管から５分後にＥＥＧモニターは同様に
９６．７％の場合に少なくとも６０％の催眠指数を示し
た。前述の分離値ではメディアン周波数の測定で７５．
４％の場合に正しい結果が得られ、コーナ周波数の測定
では６９．５％の場合に正しい結果が得られた。

【０１０１】図９ａ及び図９ｂにおいては２つの例にお
いて催眠指数の時間経過がメディアン周波数及びコーナ
周波数と比較して示されている。双方の場合に催眠指数
は、ほぼ線形の降下によりナルコーシスの導入を示し、
緩慢なナルコーシス導出を示している。これに対してメ
ディアン周波数及びコーナ周波数はナルコーシスの導入
フェーズにおいて線形に反応せず、これにより解釈が困
難になる。

【０１０２】図９ａに示されている例ではコーナ周波数
は安定したパラメータではない。催眠指数は４５分の時
点で皮膚切開において覚醒反応を示した。

【０１０３】図９ｂに示されている例ではコーナ周波数
は緩慢にしかナルコーシス導入に反応しない。

【図面の簡単な説明】

【図１】作動中の有利な実施の形態によるＥＥＧモニタ
ーの略図である。

【図２】誘導位置を有する患者の頭部を概略的に示す平
面図である。

【図３】本発明の有利な実施の形態による解析方法のフ
ローチャートである。

【図４】ニューロンと特徴ベクトルとの略図である。

【図５】特徴ベクトルの粗クラス分類を示す表である。

【図６】ＥＥＧモニターの作動中に示されるスクリーン
表示の略図である。

【図７】本発明の有利な実施の形態によるニューラルネ
ットワークの訓練方法を示すフローチャートである。

【図８】図７に示されている方法において使用される学
習アルゴリズムのフローチャートである。

【図９】実際の上での利用における催眠指数の時間経過
の例を示す略線図である。

【符号の説明】

１０誘導装置１２患者１４頭部１６電極１８導線２０ヘッドシャワー２２増幅器２４アナログフィルタ２６導線２８処理装置３０アナログ／ディジタル変換器３２計算装置３４導線３６出力装置４０〜７２ＥＥＧモニターの作動中に催眠指数を求め
るステップ８０ニューロン８２シナプスベクトル８４シナプスベクトルの出力成分８６シナプスベクトルの抑圧パラメータ成分８８出力データ値９０特徴ベクトル９２特徴ベクトルの出力成分９４特徴ベクトルの抑圧パラメータ成分１００スクリーン表示１０２上部行１０４ＥＥＧウィンドウ１０６指数表示１０８ウィンドウ１１０機能欄１２０〜１３２ニューラルネットワークの学習アルゴ
リズム

Claims

【特許請求の範囲】

【請求項１】ａ）ＥＥＧデータの収集するステップ
（４０）及び処理するステップ（４２，４８）、ｂ）前記ＥＥＧデータのアーチファクトにより変質さ
れた部分区間を検出するステップ（５０）と、ｃ）処理された前記ＥＥＧデータと、ステップｂ）で
求められた前記アーチファクト情報とから特徴ベクトル
（９０）を計算するステップ（５８）と、ｄ）前記特徴ベクトル（９０）を、ニューロン（８
０）により表されるデータクラスターに割当て、前記デ
ータクラスターに所属の出力データ値（８８）を求める
（７０）ことによりニューラルネットワークを用いて前
記出力データ値を求めるステップ（８８）と、ｅ）前記出力データ値（８８）を出力するステップ
（７２）とを具備することを特徴とする医療目的のた
め、例えば催眠指数を求めるための、ＥＥＧデータの評
価方法。
【請求項２】ステップａ）でのＥＥＧデータの処理ス
テップ（４２，４８）がスペクトル解析ステップ（４
８）を含むことを特徴とする請求項１に記載のＥＥＧデ
ータの評価方法。
【請求項３】ステップｂ）でのアーチファクトの検出
（５０）が、ＥＥＧデータのパラメータを所定の限界値
と比較すること（５２）、及び／又は、平滑化されたパ
ラメータ値を実パラメータ値と比較すること（５４，５
６）によって行われ、平滑化された前記パラメータ値の
実パラメータ値からの偏差が所定限界値を越えるとアー
チファクトとすることを特徴とする請求項１又は２に記
載のＥＥＧデータの評価方法。
【請求項４】アーチファクト検出（５０）に用いるパ
ラメータが、ＥＥＧデータの所定の周波数帯域の出力値
を含むことを特徴とする請求項３に記載のＥＥＧデータ
の評価方法。
【請求項５】特徴ベクトル（９０）を計算するステッ
プ（５８）のために、ＥＥＧデータのアーチファクト無
しと検出された部分区間を所定測定時間間隔の間に用い
ることを特徴とする請求項１から４までのいずれか１項
記載のＥＥＧデータの評価方法。
【請求項６】特徴ベクトル（９０）が、測定時間間隔
の間にＥＥＧデータのそれぞれ１つの所定周波数帯域の
中の信号出力を示す成分（９２）を有し、及び／又は、
前記ＥＥＧデータの中のバースト抑圧パターンの発生を
示す少なくとも１つの成分（９４）を有することを特徴
とする請求項１から５までのいずれか１項記載のＥＥＧ
データの評価方法。
【請求項７】ステップｄ）でまず初めに特徴ベクトル
（９０）の粗クラス分類（６６）を行い、前記粗クラス
分類（６６）により部分ネットワークを定め、次いで前
記部分ネットワークを、前記特徴ベクトル（９０）に所
属のデータクラスターを求める（６８）のに用いること
を特徴とする請求項１から６までのいずれか１項記載の
ＥＥＧデータの評価方法。
【請求項８】特徴ベクトル（９０）の粗クラス分類
（６６）を、前記特徴ベクトル（９０）に所属のパラメ
ータと所定限界値との比較により行うことを特徴とする
請求項７に記載のＥＥＧデータの評価方法。
【請求項９】それぞれのニューロン（８０）がシナプ
スベクトル（８２）を有し、特徴ベクトル（９０）を、
それぞれの１つの前記ニューロン（８０）により表され
るデータクラスターのうちの１つに割当てるために、前
記特徴ベクトル（９０）に最も類似の前記シナプスベク
トル（８２）を有するニューロン（８０）を求めること
を特徴とする請求項１から８までのいずれか１項記載の
ＥＥＧデータの評価方法。
【請求項１０】それぞれのニューロン（８０）が、前
記ニューロン（８０）により表されるデータクラスター
のためのステップｅ）で出力する出力データ値（８８）
を示すパラメータを有することを特徴とする請求項１か
ら９までのいずれか１項記載のＥＥＧデータの評価方
法。
【請求項１１】ニューラルネットワークのパラメー
タ、例えばニューロン（８０）のシナプスベクトル（８
２）を、自己組織化する訓練方法により求めることが可
能であることを特徴とする請求項１から１０までのいず
れか１項記載のＥＥＧデータの評価方法。
【請求項１２】訓練ベクトルがニューラルネットワー
クのトポロジーに無関係であることを特徴とする請求項
１１に記載のＥＥＧデータの評価方法。
【請求項１３】出力データ値（８８）が、ナルコーシ
ス案内に用いられる催眠指数であることを特徴とする請
求項１から１２までのいずれか１項記載のＥＥＧデータ
の評価方法。
【請求項１４】ａ）それぞれ１つのデータ値が所属
の多数の訓練ベクトルを定めるステップ（１２０）と、ｂ）ニューラルネットワークの初期パラメータを定め
るステップ（１２４）と、ｃ）前記訓練ベクトルのそれぞれのクラスターに１つ
のニューロン（８０）を割当てるためにニューラルネッ
トワークのパラメータを変更する訓練アルゴリズムを実
行するステップ（１２６；１４０〜１５２）と、ｄ）前記訓練ベクトルの前記ニューロン（８０）によ
り表されるクラスターの中に含まれる前記訓練ベクトル
の所属のデータ値を基礎にしてそれぞれの前記ニューロ
ン（８０）のための出力データ値（８８）を求めるステ
ップ（１３２）とを具備することを特徴とする医療目的
のためのＥＥＧデータの評価に適するニューラルネット
ワークの訓練方法。
【請求項１５】ステップｄ）における出力データ値
が、ニューロン（８０）により表されるデータクラスタ
ーの中に含まれる訓練ベクトルの所属のデータ値の平均
値に相当することを特徴とする請求項１４に記載のＥＥ
Ｇデータの評価方法。
【請求項１６】ニューラルネットワークが訓練中にわ
たり所定トポロジーを有しないことを特徴とする請求項
１４又は１５に記載のＥＥＧデータの評価方法。
【請求項１７】すべてのニューロン（８０）に対して
学習ステップ（１４６）を次式により実行し、【外１】ことを特徴とする請求項１６に記載のニューラルネット
ワークの訓練方法。
【請求項１８】まず初めに訓練ベクトルの粗クラス分
類（１２２）を行い、前記訓練ベクトルのこのようにし
て求められたそれぞれの粗クラスに、ニューラルネット
ワークの、前記粗クラスの中に含まれている前記訓練ベ
クトルのみにより訓練した（１２６）部分ネットワーク
を割当てる（１２４）ことを特徴とする請求項１４から
１７までのいずれか１項記載のニューラルネットワーク
の訓練方法。
【請求項１９】訓練ベクトルの粗クラスを、前記粗ク
ラスのすべての訓練ベクトルに対して満足の行くクラス
分類結果が得られない（１２８）場合に分割する（１３
０）ことを特徴とする請求項１８に記載のニューラルネ
ットワークの訓練方法。
【請求項２０】請求項１から１３までのいずれか１項
に記載のニューラルネットワークの訓練方法を実行する
ための処理装置（２８）。
【請求項２１】患者（１２）からＥＥＧ電位を誘導す
る誘導装置（１０）を具備し、更に、前記ＥＥＧ電位を
増幅及びろ波しアナログ信号を発生する増幅器及びフィ
ルタ装置（２２，２４）を具備し、更に、アナログ信号
をディジタル信号に変換するアナログ／ディジタル変換
器（３０）と、請求項１から１３までのいずれか１項に
記載の方法により、ディジタルデータから出力データ値
（８８）を求めるのに用いる計算装置（３２）とを有す
る処理装置（２８）を具備し、更に、前記出力データ値
（８８）を表示及び／又は出力する出力装置（３６）を
具備することを特徴とするＥＥＧモニター。
【請求項２２】出力装置（３６）を、出力データ値
（８８）の瞬時出力データ値（１０６）及び／又は出力
データ値（８８）の連続的に更新される経過表示（１０
８）を表示及び／又は出力するように構成することを特
徴とする請求項２１に記載のＥＥＧモニター。
【請求項２３】出力データ値（８８）は、とりわけナ
ルコーシス案内に用いられる催眠指数であることを特徴
とする請求項２１又は２２に記載のＥＥＧモニター。