本申請(qǐng)要求于2014年1月8日提交的美國臨時(shí)專利申請(qǐng)序列號(hào)61/925,177的權(quán)益，該申請(qǐng)的全部內(nèi)容通過在本文中引用被結(jié)合于此。
技術(shù)領(lǐng)域：
本文描述的實(shí)施例涉及用于睡眠階段確定的系統(tǒng)和方法，并且特別地涉及用于可適于在睡眠實(shí)驗(yàn)室之外執(zhí)行的睡眠階段確定的系統(tǒng)和方法。
背景技術(shù)：
：睡眠是哺乳動(dòng)物的基本需求之一。例如，人覺醒時(shí)的狀態(tài)對(duì)睡眠狀態(tài)具有影響，并且睡眠的質(zhì)量往往對(duì)人白天(即，非睡眠)的活動(dòng)具有顯著的影響。干擾睡眠質(zhì)量的睡眠障礙會(huì)具有顯著的個(gè)人和社會(huì)后果，包括引起諸如高血壓、心血管疾病、肥胖癥和糖尿病的問題。當(dāng)前，用于診斷目的(即，來診斷睡眠障礙)的睡眠記錄是在睡眠實(shí)驗(yàn)室中執(zhí)行的，并且被稱為多導(dǎo)睡眠圖(PSG)。多導(dǎo)睡眠圖通常涉及獲取受試者的許多不同的信號(hào)。這些組信號(hào)中的三個(gè)(即，大腦活動(dòng)、骨骼肌張力和眼電圖(electrooculogram))可以用睡眠圖(hypnogram)進(jìn)行概括，其表示在睡眠過程期間發(fā)生的睡眠階段的整體(即，睡眠的水平和類型)。確定受試者在睡眠過程期間正在經(jīng)歷哪個(gè)睡眠“階段”通常由手動(dòng)識(shí)別每個(gè)階段的睡眠技師基于標(biāo)準(zhǔn)的評(píng)分標(biāo)準(zhǔn)執(zhí)行。例如，階段1是睡眠周期的開始，這是相對(duì)淺的睡眠。在這一階段期間，大腦產(chǎn)生阿爾法(alpha)波。但是，在階段2睡眠期間，大腦產(chǎn)生被稱為睡眠紡錘波的快速、有節(jié)奏的腦波活動(dòng)。在作為淺和深睡眠之間的過渡階段的階段3中，大腦開始產(chǎn)生緩慢的三角(delta)波。然后，在階段4中，大腦處于深睡眠并且產(chǎn)生許多三角波(取決于所使用的特定的睡眠分類系統(tǒng)，在一些情況下，階段3睡眠和階段4睡眠可以被分組在一起并且被簡(jiǎn)單地稱為慢波睡眠(SWS))。最后，在階段5中，大腦進(jìn)入快速眼動(dòng)(REM)睡眠，也稱為主動(dòng)睡眠。這是其中大多數(shù)的做夢(mèng)將發(fā)生的階段。附圖說明現(xiàn)在將參考以下附圖，僅僅作為例子，描述一些實(shí)施例，附圖中：圖1是示出用于多導(dǎo)睡眠圖(PSG)記錄的受試者頭上的電極的常規(guī)布置的示意圖；圖2是示出根據(jù)如本文所描述的實(shí)施例的用于PSG的受試者頭上電極的新布置的示意圖；圖3A是示出利用具有設(shè)定在1-70Hz、60Hz陷波、30秒/頁和7uV/mm的濾波器設(shè)置的常規(guī)電極布置記錄的受試者的深睡眠EEG的示例性曲線圖；圖3B是示出用于圖3A的受試者的EEG的相同分段和利用與圖3A相同的濾波器設(shè)置、但是利用根據(jù)本文教導(dǎo)的電極布置記錄的示例性曲線圖；圖4是示出利用根據(jù)本文教導(dǎo)的電極布置、利用與圖3A中相同的濾波器設(shè)置為受試者在REM睡眠期間記錄的EEG的示例性曲線圖；圖5是根據(jù)一種實(shí)施例的用于確定睡眠階段的系統(tǒng)的示意性框圖；圖6是示出根據(jù)一種實(shí)施例的用于與圖5的系統(tǒng)一起使用的低通濾波器的頻率特性的曲線圖；圖7是示出根據(jù)一種實(shí)施例的用于與圖5的系統(tǒng)一起使用的高通濾波器的頻率特性的曲線圖；圖8是示出根據(jù)一種實(shí)施例的用于與圖5的系統(tǒng)一起使用的陷波濾波器的頻率特性的曲線圖；圖9是根據(jù)一些實(shí)施例的用于圖5的系統(tǒng)的REM/SEN密度估計(jì)器的示意框圖；圖10是示出根據(jù)一種實(shí)施例的在EOG頻道上的REM活動(dòng)(LOC，ROC)的示例性曲線圖；圖11是根據(jù)一種實(shí)施例的用于與圖5的系統(tǒng)一起使用的階段劃分器(stager)的示意性框圖；圖12A是如由人類審查員利用標(biāo)準(zhǔn)的評(píng)分標(biāo)準(zhǔn)手動(dòng)制作的受試者的睡眠階段確定的示例性曲線圖。圖12B是為如在圖12A中的相同受試者做出的自動(dòng)化睡眠階段確定的示例性曲線圖，并且示出了在睡眠過程期間EEG的復(fù)雜度(規(guī)格化復(fù)雜度vs時(shí)間)。頂部水平線表示N1的邊界并且底部線表示N2的頂部邊界。圖13是示出作為睡眠開始之前(在X點(diǎn)處)的最高局部最小值的在W-S1之間的邊界的示例性曲線圖，其中該曲線圖表示規(guī)格化復(fù)雜度vs時(shí)間。圖14是受試者中的阿爾法發(fā)生器的過渡W-S1-S2的示例性曲線圖(被示為主導(dǎo)頻率vs時(shí)間)；圖15是用于睡眠的整個(gè)過程的betaDPA的示例性曲線圖(被示為百分比betavs時(shí)間)。頂欄和底欄表示beta分布的尾部。圖16是示例性曲線圖，其中該曲線圖的頂部示出了規(guī)格化復(fù)雜度，而該曲線圖的底部示出了復(fù)雜度的一階導(dǎo)數(shù)(黑色)和復(fù)雜度的二階導(dǎo)數(shù)(灰色)，其中點(diǎn)A表示S1-S2邊界；圖17是根據(jù)一種實(shí)施例的在確定睡眠開始時(shí)的誤差的示例性直方圖。橫坐標(biāo)上的數(shù)字表示歷元(30秒)。圖18是根據(jù)一種實(shí)施例的在確定REM延遲時(shí)的誤差的示例性直方圖。橫坐標(biāo)上的數(shù)字表示歷元(30秒)。圖19是根據(jù)一種實(shí)施例的在確定DS開始時(shí)的誤差的示例性直方圖。橫坐標(biāo)上的數(shù)字表示歷元(30秒)。圖20是根據(jù)一種實(shí)施例的在確定睡眠效率時(shí)的誤差的示例性直方圖。橫坐標(biāo)上的數(shù)字表示百分比誤差。圖21是根據(jù)一種實(shí)施例的在確定總的深睡眠時(shí)的誤差的示例性直方圖。橫坐標(biāo)上的數(shù)字表示百分比誤差。圖22是根據(jù)一種實(shí)施例的在確定總的淺休眠(S1+S2)時(shí)的誤差的示例性直方圖。橫坐標(biāo)上的數(shù)字表示百分比誤差。圖23是根據(jù)一種實(shí)施例的在確定總的非REM時(shí)的誤差的示例性直方圖。橫坐標(biāo)上的數(shù)字表示百分比誤差。圖24是根據(jù)一種實(shí)施例的在確定總的REM時(shí)的誤差的示例性直方圖。橫坐標(biāo)上的數(shù)字表示百分比誤差。圖25是根據(jù)一種實(shí)施例的在確定總睡眠時(shí)間時(shí)的誤差的示例性直方圖。橫坐標(biāo)上的數(shù)字表示百分比誤差。圖26是根據(jù)一種實(shí)施例的在確定睡眠開始之后在覺醒階段中的總時(shí)間時(shí)的誤差的示例性直方圖。橫坐標(biāo)上的數(shù)字表示百分比誤差。圖27是根據(jù)一種實(shí)施例的在CDP模型中的示意性關(guān)系圖。具體實(shí)施方式為了簡(jiǎn)化和清楚地說明，在認(rèn)為適當(dāng)時(shí)，標(biāo)號(hào)可以在各個(gè)圖中重復(fù)以指示對(duì)應(yīng)的或類似的元素或步驟。此外，闡述了大量的具體細(xì)節(jié)以便提供對(duì)本文所描述的示例性實(shí)施例的透徹理解。但是，本領(lǐng)域普通技術(shù)人員將理解，本文所描述的實(shí)施例可以在沒有這些具體細(xì)節(jié)的情況下進(jìn)行實(shí)踐。在其它情況下，眾所周知的方法、過程和部件沒有被詳細(xì)描述，以便不模糊本文所描述的實(shí)施例。此外，本描述不應(yīng)該被視為以任何方式限制本文所描述的實(shí)施例的范圍，而是視為描述各種實(shí)施例的實(shí)現(xiàn)。在一些情況下，本文所描述的系統(tǒng)和方法的實(shí)施例可以用硬件、用軟件、或硬件和軟件的組合來實(shí)現(xiàn)。例如，一些實(shí)施例可以用在包括至少一個(gè)處理器、數(shù)據(jù)存儲(chǔ)設(shè)備(在一些情況下，包括易失性和非易失性存儲(chǔ)器和/或數(shù)據(jù)存儲(chǔ)元件)、至少一個(gè)輸入設(shè)備和至少一個(gè)輸出設(shè)備的一個(gè)或多個(gè)可編程計(jì)算設(shè)備上執(zhí)行的一個(gè)或多個(gè)計(jì)算機(jī)程序來實(shí)現(xiàn)。在一些實(shí)施例中，程序可以用高級(jí)過程式或面向?qū)ο蟮木幊毯?或腳本語言來實(shí)現(xiàn)，以與計(jì)算機(jī)系統(tǒng)通信。但是，如果期望，程序可以用匯編或機(jī)器語言來實(shí)現(xiàn)。在任何情況下，語言可以是編譯或解釋語言。在一些實(shí)施例中，如本文所描述的系統(tǒng)和方法也可以被實(shí)現(xiàn)為配置有計(jì)算機(jī)程序的非臨時(shí)性計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其中存儲(chǔ)介質(zhì)被配置為使計(jì)算機(jī)以特定和預(yù)定義的方式操作，以執(zhí)行如本文所描述的至少一些功能。如以上所討論的，用于診斷目的的睡眠記錄當(dāng)前在睡眠實(shí)驗(yàn)室中執(zhí)行。不幸的是，在睡眠實(shí)驗(yàn)室中確定睡眠階段所涉及的設(shè)置過程是耗時(shí)的。例如，進(jìn)行睡眠階段調(diào)查需要在受試者的頭上布置大量的電極。這種電極布置需要準(zhǔn)備用于最佳電接觸的記錄點(diǎn)。而且，根據(jù)現(xiàn)有技術(shù)，在受試者上布置電極必須精確并且遵循標(biāo)準(zhǔn)化的系統(tǒng)(稱為10-20系統(tǒng))，根據(jù)該系統(tǒng)，睡眠技師必須測(cè)量和識(shí)別在其上放置電極的頭皮上的特定位置。一些睡眠實(shí)驗(yàn)室會(huì)使用自動(dòng)化軟件工具來生成睡眠圖。但是，雖然這些工具具有合理的精確程度，但是它們高度依賴電極位置。這往往限制了它們?cè)谀承?yīng)用中的使用，并且阻礙實(shí)現(xiàn)即將到來的睡眠階段的家庭研究。尤其，患者通常不能由自己或在非專業(yè)人員的幫助下以足夠的精度準(zhǔn)備電極應(yīng)用點(diǎn)和放置電極來實(shí)現(xiàn)準(zhǔn)確的結(jié)果。此外，已知的軟件工具還沒有一般地對(duì)其中腦電圖(EEG)讀取(reading)與成人EEG讀取不同的兒科人群(即，兒童)進(jìn)行測(cè)試?，F(xiàn)代睡眠醫(yī)學(xué)的巨大挑戰(zhàn)之一看來是其成本有效性擴(kuò)展。盡管人群中有大量的睡眠問題存在，但是只有少數(shù)患者實(shí)際上曾治療過，因?yàn)榇蠖鄶?shù)的情況在普通的家庭醫(yī)療實(shí)踐中通過而未被發(fā)現(xiàn)。當(dāng)前，阻礙睡眠障礙的檢測(cè)和診斷過程的兩個(gè)主要壁壘是教育壁壘和技術(shù)壁壘。本文的教導(dǎo)一般地針對(duì)技術(shù)壁壘。常規(guī)的已知睡眠測(cè)試是昂貴的并且必須在具有有限容量的睡眠實(shí)驗(yàn)室中執(zhí)行。但是，由于大多數(shù)人群并不經(jīng)常訪問睡眠實(shí)驗(yàn)室，因此大量的患者仍在這些實(shí)驗(yàn)室所能觸及的范圍之外。這具有顯著的公共健康后果，例如，關(guān)于諸如高血壓、心血管疾病、肥胖癥和糖尿病的問題。一般而言，本文的教導(dǎo)針對(duì)適于在傳統(tǒng)的睡眠實(shí)驗(yàn)室環(huán)境之外執(zhí)行的用于人類睡眠階段確定的新系統(tǒng)和方法。特別地，如本文所討論的技術(shù)中的一個(gè)或多個(gè)可以具有優(yōu)于常規(guī)睡眠診斷技術(shù)的一個(gè)或多個(gè)優(yōu)點(diǎn)，包括潛在地提高準(zhǔn)確性、更易于使用、便于患者自我測(cè)試的可能性、提供睡眠障礙的低成本診斷、提供可以在睡眠實(shí)驗(yàn)室之外進(jìn)行的睡眠階段確定、允許睡眠階段確定在患者的家中完成、以及提供與在常規(guī)的實(shí)驗(yàn)室中睡眠測(cè)試中獲得的信息水平可比的信息水平。在一些情況下，本文的教導(dǎo)可以允許一些睡眠診斷的至少一部分從睡眠實(shí)驗(yàn)室遷移出并且朝家庭醫(yī)療類型的實(shí)踐遷移。這可以允許對(duì)睡眠障礙更廣泛規(guī)模的測(cè)試。此外，在其中家庭醫(yī)療專業(yè)人員(即，醫(yī)生或護(hù)士專業(yè)人員)利用本文的教導(dǎo)檢測(cè)到睡眠問題的患者中，患者然后可能被轉(zhuǎn)診以便在睡眠實(shí)驗(yàn)室中進(jìn)行更專門的診斷和治療。這會(huì)更好地使用有限的醫(yī)療保健資源，因?yàn)樗邔?shí)驗(yàn)室可以更專注于已被預(yù)先篩選出具有睡眠障礙的患者，并且減少對(duì)可能沒有任何睡眠障礙的患者的關(guān)注。本文的一些教導(dǎo)可以允許醫(yī)療保健專業(yè)人員在沒有睡眠醫(yī)學(xué)的詳細(xì)知識(shí)的情況下以與家庭專業(yè)人員當(dāng)前可以測(cè)試血壓和體溫大致一樣的方式執(zhí)行全面的睡眠測(cè)試。此外，在一些情況下，本文的教導(dǎo)可以與其它精神健康、呼吸和/或心臟診斷模塊結(jié)合，這些模塊諸如在于2013年5月28日提交的并且標(biāo)題為“SystemsandMethodsforDiagnosisofDepression”的美國臨時(shí)專利申請(qǐng)序列號(hào)61/828,162中描述的模塊中的一個(gè)或多個(gè)模塊，其中該申請(qǐng)的全部內(nèi)容通過在本文中引用被結(jié)合于此。將本文的教導(dǎo)與其它精神健康、呼吸和/或心臟診斷模塊結(jié)合可以提供高度先進(jìn)的家庭診斷睡眠、呼吸和/或精神障礙的可能性。在一些情況下，本文的教導(dǎo)可以用于創(chuàng)建集中式診斷中心，類似于診斷多個(gè)合并癥(例如在一些情況下，精神障礙、睡眠障礙、呼吸和心臟問題可以被診斷)的放射學(xué)或血液學(xué)實(shí)驗(yàn)室，該多個(gè)合并癥迄今被單獨(dú)診斷和處理而具有普遍不理想結(jié)果。例如，運(yùn)營用于精神健康的中央診斷點(diǎn)(CDP)的一個(gè)模型在圖27中示出，其中睡眠醫(yī)學(xué)、呼吸病學(xué)和心臟病學(xué)可以利用在患者家中實(shí)現(xiàn)的自動(dòng)遠(yuǎn)程診斷技術(shù)來執(zhí)行。來自多個(gè)專門學(xué)科(家庭醫(yī)生、精神病學(xué)、睡眠醫(yī)學(xué)、呼吸病學(xué)和心臟病學(xué))的多個(gè)醫(yī)師可以附屬于中央診斷點(diǎn)，中央診斷點(diǎn)可服務(wù)城市、城市的部分或取決于其容量的更大的地理區(qū)域。診斷點(diǎn)將從該組中的任何醫(yī)師接收轉(zhuǎn)診并且將向患者發(fā)送設(shè)備。患者將針對(duì)多個(gè)狀況執(zhí)行家庭測(cè)試，并且親自、通過郵件或一些其它方式返回設(shè)備。可替代地，CDP可以具有其自己的快遞服務(wù)。顯著的優(yōu)勢(shì)在于檢測(cè)并發(fā)癥和進(jìn)行更好的關(guān)愛以及對(duì)醫(yī)療保健系統(tǒng)的大量節(jié)省。這可以包括，例如，與呼吸、心臟和睡眠問題一起檢測(cè)合并癥精神健康問題，并且針對(duì)所有狀況以潛在改進(jìn)的結(jié)果治療患者。本文描述的一些實(shí)施例可以提供至少一個(gè)顯著的優(yōu)點(diǎn)，在于一些患者可以不必去睡眠實(shí)驗(yàn)室進(jìn)行診斷，而是可以在自己家中進(jìn)行測(cè)試。一個(gè)或多個(gè)診斷中心然后可以取決于在家庭測(cè)試期間標(biāo)記的任何狀況和需求(并遵循適當(dāng)?shù)脑u(píng)估)將這些家庭測(cè)試的結(jié)果分發(fā)給一個(gè)或多個(gè)醫(yī)師或其他醫(yī)務(wù)人員。現(xiàn)在轉(zhuǎn)向附圖，現(xiàn)在將描述一些實(shí)施例的進(jìn)一步細(xì)節(jié)。特別地，圖1示出了通常在實(shí)驗(yàn)室中睡眠診斷中使用的患者頭上的電極布置的常規(guī)模式。與此對(duì)照，圖2示出了根據(jù)本文的教導(dǎo)、可以特別適于在睡眠實(shí)驗(yàn)室之外使用的電極布置的新模式。特別地，這種新模式被設(shè)計(jì)成具有面向簡(jiǎn)化記錄并且允許由患者自己或者在一些情況下在非技術(shù)人員的幫助下應(yīng)用電極的視圖。如在圖1中所示，在常規(guī)的電極模式中，頭皮電極O1、O2、C3、C4被放置在通常被頭發(fā)覆蓋的患者頭皮的后方區(qū)域上。但是，根據(jù)在圖2中示出的新模式的電極布置，這些頭皮電極O1、O2、C3、C4已被去除。此外，在圖2中示出的電極布置的模式通常使用單極方法。這種方法將EEG與標(biāo)準(zhǔn)眼電圖和與從顳肌、頦下肌電圖(EMG)或兩者收集到的骨骼肌活動(dòng)相結(jié)合。這種方法的一個(gè)獨(dú)特特征是從通道A1-REF和A2-REF收集EEG。這種布置可以提供一個(gè)或多個(gè)益處，諸如：信號(hào)可以直接可比較以便偽影抑制；更好地保存收集到的信號(hào)的頻譜純度，這主要由于沒有一般具有相同頻率內(nèi)容的對(duì)側(cè)通道的干擾；使由眼睛的電偶極導(dǎo)致的污染最小化(由于離源較大的距離)；允許更好地使源分離；信號(hào)振幅一般不受損害；所有圖形元素(graphoelements)都一般存在；易于應(yīng)用；以及可選地允許自我應(yīng)用(即，由患者)。低共模抑制比(CommonModeRejectionRatio，CMRR)的一個(gè)缺點(diǎn)可以通過在內(nèi)部包括用于偽影拒絕的雙極A1-A2通道來消除。值得注意的是，已經(jīng)觀察到，這只在少于大約1％的研究中呈現(xiàn)出重要性。下面表A給出了用于根據(jù)本文教導(dǎo)的睡眠階段劃分的一個(gè)蒙太奇(montage)的簡(jiǎn)短摘要：A1-REFA2-REFLOC-REFROC-REFCHIN1-CHIN2表A：用于睡眠階段劃分的蒙太奇現(xiàn)在轉(zhuǎn)向圖3A和3B，其中示出的是利用常規(guī)電極布置(在圖3A中示出)和本文描述的新電極布置(在圖3B中示出)收集到的振幅統(tǒng)計(jì)的相似性的比較。具體地，這些圖示出了當(dāng)與A1-REF(圖3B)比較時(shí)C3-A2(圖3A)上的和當(dāng)與A2-REF(圖3B)比較時(shí)C4-A1之間(圖3A)的三角波的振幅統(tǒng)計(jì)的相似性。一般而言，這種水平的一致性不是實(shí)踐本文的教導(dǎo)所必要的；但是，它對(duì)結(jié)果的可視驗(yàn)證會(huì)是有幫助的?，F(xiàn)在轉(zhuǎn)向圖4，通過目測(cè)顯然的是，快速眼動(dòng)(REM)不會(huì)污染A1和A2通道上的EEG。雖然這會(huì)偶爾發(fā)生，但是新電極模式通常允許比雙極蒙太奇好的源分離，并且因此將往往引起較少的或者甚至沒有EEG的錯(cuò)誤解釋。除了利用這種技術(shù)通過信號(hào)質(zhì)量給出的優(yōu)點(diǎn)之外，另一個(gè)優(yōu)點(diǎn)來源于使電極的應(yīng)用容易。具體地，在圖2中示出的電極模式允許由患者或其他非技術(shù)人員相對(duì)快地自己應(yīng)用電極，而一般不會(huì)損害診斷的準(zhǔn)確性。為了提供對(duì)本文教導(dǎo)的更好理解，現(xiàn)在將提供暗示性類比。睡眠可以被想象成以海拔和地標(biāo)為特征的丘陵景觀。睡眠景觀由時(shí)間生物學(xué)因素來決定。地標(biāo)是由與內(nèi)部狀態(tài)交互的外源性刺激引起的異步、不可預(yù)知的事件。這些事件的例子可以是喚醒、叫醒、K復(fù)合物(Kcomplexes)、睡眠紡錘、V波，等等。注意，這些事件不總是存在的或可見的，并且通常不改變睡眠的景觀；它們僅僅裝飾景觀并被它調(diào)節(jié)。如本文所描述的用于確定睡眠階段和用于構(gòu)建睡眠圖的教導(dǎo)可以類推來直接描述睡眠的景觀。作為對(duì)照，確定睡眠狀態(tài)的常規(guī)方法更接近于通過看只在景觀的特定高度處生長的植物群(即，植物和樹)，并且然后利用植物群信息來間接算出景觀的海拔來繪制景觀圖。按照相同的類比，本文的教導(dǎo)可以用來從直接測(cè)量確定海拔，同時(shí)不時(shí)地，直接測(cè)量可以與可沿途找到的植物群(即，植物和樹)證實(shí)來確認(rèn)直接測(cè)量的精確度。如本文所描述的，已經(jīng)發(fā)現(xiàn)，這種睡眠的“景觀”可以在其它“植物群”標(biāo)志存在或不存在的情況下直接被確定。這種方法的一個(gè)可能的優(yōu)點(diǎn)是能夠在其中“植物”可能不存在(無論何種原因，這在睡眠診斷中會(huì)由于病理狀況或有爭(zhēng)議的情況)的條件下確定睡眠景觀。例如，在現(xiàn)實(shí)世界中，存在大量不出現(xiàn)紡錘、阿爾法活動(dòng)或其它事件的患者。因此，對(duì)這些患者的睡眠階段劃分的常規(guī)方法由于偶爾缺少這些“植物群”元素而變復(fù)雜。這些可變條件也可以說明在為同一患者手動(dòng)執(zhí)行睡眠階段確定的不同人類評(píng)分人員之間缺少一致性。我們發(fā)現(xiàn)，通過利用大腦過程的復(fù)雜度隨著睡眠的加深而降低的基本觀察，睡眠的直接階段劃分是可能的。因此，大腦過程的復(fù)雜度可以用作睡眠深度的直接衡量。已經(jīng)注意到，REM睡眠是在睡眠狀態(tài)中(一般而言)呈現(xiàn)最高復(fù)雜度的狀態(tài)，指示大腦活動(dòng)的最高水平在REM睡眠期間出現(xiàn)。與睡眠的所有其它階段不同，REM睡眠是意識(shí)的平臺(tái)期，并且與其它睡眠狀態(tài)相比，REM睡眠非常淺。一種可能的解釋可以歸因于大腦的高水平激活，但運(yùn)動(dòng)神經(jīng)元飽和、缺少運(yùn)動(dòng)活動(dòng)和肌肉張力。這減少了疊加在EEC上的噪聲(EMG)?，F(xiàn)在轉(zhuǎn)向圖5，其中示出了根據(jù)一種實(shí)施例的用于確定睡眠階段的系統(tǒng)100的示意性框圖。系統(tǒng)100一般包括功能上適于特定處理任務(wù)的操作框。一般而言，對(duì)系統(tǒng)100的輸入102是可變大小的數(shù)據(jù)報(bào)文的流，并且其可以被存儲(chǔ)在緩沖區(qū)104中。在這個(gè)例子中，系統(tǒng)100一般地對(duì)每種相關(guān)的信號(hào)類型(EEG、EMG、EOG)逐歷元(epoch)地進(jìn)行分析。在一些情況下，每個(gè)信號(hào)從數(shù)據(jù)報(bào)文中逐通道地提取。每個(gè)通道然后專門針對(duì)它攜帶的信號(hào)類型進(jìn)行處理。通常，EEG通道106是用于睡眠圖的產(chǎn)生的主要輸入，而其它通道108是輔助通道，其作用一般是提高睡眠圖的準(zhǔn)確度。以下小節(jié)提供了關(guān)于系統(tǒng)100的模塊的進(jìn)一步的細(xì)節(jié)。系統(tǒng)100包括一個(gè)或多個(gè)預(yù)處理器110。每個(gè)預(yù)處理器110可以取決于輸入102的類型對(duì)數(shù)據(jù)應(yīng)用特定的濾波步驟。在一些情況下，濾波可以由如在圖6-8中示出的濾波器執(zhí)行。例如，濾波可以利用數(shù)字Butterworth、低通和高通IIR濾波器、以-40dB/dec和分別在70Hz和0.5Hz的轉(zhuǎn)角頻率(cornerfrequency)來完成。在一些情況下，也可以使用陷波濾波器和重采樣濾波器用于其中采樣速率高于某個(gè)閾值的情況(即，大于200Hz)。系統(tǒng)100還包括數(shù)字周期分析(DPA)模塊112。在睡眠醫(yī)學(xué)的常規(guī)實(shí)踐中，睡眠研究的分析通常以30秒的步長(稱為歷元)來執(zhí)行。作為睡眠階段劃分的常規(guī)方法的一部分，一些階段通過利用指定持續(xù)時(shí)間和幅度的波的比例來識(shí)別。不是利用連續(xù)的比例，而是固定的閾值通常被應(yīng)用，并且歷元取決于閾值或者是子閾值或者高于閾值(例如，基于特定三角波的密度，確定階段3或4睡眠)。特定類型的波的比例是睡眠的某些特性的信息。利用比例可以被認(rèn)為是比功率頻譜分析方法更準(zhǔn)確的用于表征睡眠的替代方法。但是，本文的教導(dǎo)針對(duì)為不同持續(xù)時(shí)間的波，即波的頻譜分布流，提供比例的精確測(cè)量。為了這些目的，計(jì)數(shù)波的方法往往比功率頻譜分析的平均方法更充分，這是因?yàn)轭l譜內(nèi)容和原始時(shí)間序列之間較緊密的時(shí)間-頻率關(guān)系。特別地，根據(jù)這一技術(shù)，特定波具有持續(xù)時(shí)間和相應(yīng)的頻率，因此它被認(rèn)為或者在一個(gè)頻帶中或者在另一個(gè)頻帶中，并且波的持續(xù)時(shí)間的總和始終等于原始時(shí)間序列的持續(xù)時(shí)間。該方法的變型以名稱數(shù)字周期分析(DPA)為人所知。下面的文本將描述數(shù)字周期分析(DPA)的示例性版本。基于分段之前應(yīng)用的濾波和分段方法，存在DPA的變體，但是所有的都具有以簡(jiǎn)單的方法并且盡可能好地識(shí)別小波邊界的目標(biāo)。在一個(gè)具體例子中，樣本利用具有-50db/dec和通帶(0.5Hz，70Hz)的數(shù)字帶通無限脈沖響應(yīng)(IIR)濾波器進(jìn)行隨機(jī)過程的濾波。此外，數(shù)字帶阻濾波器是用于線頻率(linefrequency)。帶阻濾波器利用具有過渡頻帶(0.1，0.5Hz)和-40db/dec的高通濾波器和具有過渡頻帶(70，80Hz)、-40db/dec的低通濾波器創(chuàng)建。這些濾波器的特性可以在圖6-8中看到。濾波操作將數(shù)據(jù)轉(zhuǎn)換為零均值隨機(jī)變量。原始數(shù)據(jù)將分別在感興趣的兩個(gè)通道x1和x2上表示。每個(gè)通道將攜帶隨機(jī)過程的四維樣本。通過在離散時(shí)間n(歷元)的過程的部分將由隨機(jī)向量來表示：x[n]＝[nδnθnβ]′(1)在這些部分的時(shí)間中的分辨率為30秒。當(dāng)計(jì)算被進(jìn)行時(shí)，隨機(jī)分量的重要性將變得清楚。特別地，其中i∈{δ，θ，β}的ni的計(jì)算如下進(jìn)行。尋找時(shí)間序列的過零點(diǎn)的算子(operator)可以被定義為：zx＝Zero(x)＝{n|x[n-1]*x[n]≤0}；x是隨機(jī)變量。導(dǎo)數(shù)算子D然后被定義：Dx＝x[n]-x[n-1]利用算子D和Z，可以建立以下隨機(jī)過程：nδ表示具有在[1，4Hz]范圍中的頻率的波的數(shù)量。然后可以建立集合：zdx＝Zero(Dx)，并且然后定義以下兩個(gè)隨機(jī)過程：系統(tǒng)100還包括頻譜分析器114。對(duì)于偽影和短期瞬態(tài)的檢測(cè)，通常需要比歷元(30秒)高的分辨率。在一些情況下，3秒的分辨率被用于頻譜分析。這提供了0.3Hz的頻譜分辨率。這種方法根據(jù)Blackman-Tuckey方法從眾多的頻譜估計(jì)技術(shù)改編而來：其中W是奇數(shù)長度對(duì)稱窗口，N是窗口的寬度，X是過程x的功率頻譜密度。等式(2)通常更容易在時(shí)域中計(jì)算：其中(3)由于卷積和互協(xié)方差之間的關(guān)系，出現(xiàn)進(jìn)一步的簡(jiǎn)化：kxy＝x*[-n]*y[n]以及類似地(4)kxx＝x*[-n]*x[n]在等式(4)中，x＊是x的復(fù)共軛。在(3)中利用(4)，得到計(jì)算關(guān)系：Gxx(θ)＝|DFT((x*[-n]*x[n])w[n])|然后可以為每個(gè)窗口(n)計(jì)算主頻率：fLd[n]＝argmax(GLL(θ))|θ∈[2，30]Hz(5)fRd[n]＝argmax(GRR(θ))|θ∈[2，30]Hz(6)并且然后可以計(jì)算EMG功率：然后可以計(jì)算在紡錘頻帶中的功率：系統(tǒng)100還包括復(fù)雜度模塊116。利用上述“景觀”類比，復(fù)雜度模塊116直接確定睡眠的景觀，而其它模塊找出特定的地標(biāo)。睡眠可以被感知為清醒意識(shí)的可逆變化。隨著大腦下降到睡眠更深的狀態(tài)，大腦的可喚醒度降低。一般而言，睡眠期間大腦的神經(jīng)功能與清醒比較降低(盡管在REM睡眠不是這樣)。同時(shí)，清醒和REM睡眠的狀態(tài)以在EEG失步(desynchronization)中表現(xiàn)出的添加同步的缺少為特征。隨著可喚醒度降低，大腦“安靜下來”。將在本文中示出，測(cè)量神經(jīng)活動(dòng)的復(fù)雜度將導(dǎo)致確定睡眠階段。一個(gè)要被處理的迫切問題是如何表征大腦過程的復(fù)雜度?？茖W(xué)中的復(fù)雜度以多種不同的方式進(jìn)行測(cè)量。熵是一種可能的衡量，但是它存在問題：雖然最小熵是同步狀態(tài)和低復(fù)雜度的反映，但是對(duì)于絕對(duì)隨機(jī)性的狀態(tài)達(dá)到最大熵，絕對(duì)隨機(jī)性(盡管它們的復(fù)雜外形)實(shí)際上不等同于復(fù)雜度。特別地，隨機(jī)性不等同于復(fù)雜度。例如，關(guān)于建立人體的信息(即，DNA)被編碼在我們的基因中。核苷酸堿基的隨機(jī)模式將可能不會(huì)導(dǎo)致任何工作的或可行的物種，而某種特定程度的排序?qū)?chuàng)建不同的生命形式。這給出了復(fù)雜度存在于有序和完全無序之間的某個(gè)地方的指示。表征復(fù)雜度的另一種方式是通過找出可以準(zhǔn)確描述對(duì)象的最短代碼。如果具有冗余序列TICTOCTICTOCTICTOCTICTOC，則這可以容易地通過偽代碼：“重復(fù)TICTOC4次”表征。更復(fù)雜的序列將需要更復(fù)雜的偽代碼。EEG可以被認(rèn)為是大腦活動(dòng)和噪聲的總和。噪聲不攜帶關(guān)于大腦的狀態(tài)的信息，并且理想地，我們的復(fù)雜度測(cè)量應(yīng)該忽略噪聲。因此，有效的復(fù)雜度將測(cè)量EEG中規(guī)律性的復(fù)雜度，并且忽略噪聲部分。在其中噪聲相對(duì)于信號(hào)小的情況下或者如果有可能去除或分離噪聲以與信號(hào)單獨(dú)工作(或者兩者兼而有之)，則這是可能的。下一個(gè)問題是如何找出EEG中的規(guī)律性。為此，噪聲可以被認(rèn)為是小的或統(tǒng)計(jì)上無關(guān)的。為了解決它，使用了類似于數(shù)據(jù)壓縮的Lempel-Ziv方法的方法。特別地，對(duì)于每個(gè)歷元，找出允許重新產(chǎn)生全部數(shù)據(jù)(無損壓縮)的最小描述符長度。為了做到這一點(diǎn)，必須建立隨機(jī)變量zx，tx。然后定義找出時(shí)間序列的過零點(diǎn)的有序集合的算子：zx＝Zero(x)tx＝{zx[n]-zx[n-1]}并且建立具有5ms分辨率的持續(xù)時(shí)間tx的字典。我們建立持續(xù)時(shí)間集合：T＝{fs-1，2＊fs-1，3＊fs-1....256＊fs-1}具有1秒的持續(xù)時(shí)間的小波將對(duì)應(yīng)于具有值1的元素；在每一步驟中，tx序列的元素通過發(fā)射與T的元素相關(guān)聯(lián)的二進(jìn)制代碼被編碼，其中T的元素與tx的元素匹配并且向集合T添加與我們?cè)赥中已經(jīng)有的相比長1個(gè)的tx的元素的擴(kuò)展序列(兩個(gè)元素，三個(gè)元素……)。該過程繼續(xù)，直到集合T不能進(jìn)一步增長，并且我們具有滿的集合T。在每一步驟中，取決于在那個(gè)特定步驟中的T的基數(shù)，我們利用比特?cái)?shù)N編碼數(shù)據(jù)：2N(t)＞＝card(T(t))代碼的長度取決于編碼元素的冗余。有規(guī)律的模式將被更高效地編碼，并且因此產(chǎn)生較短的代碼。通過為相同量的數(shù)據(jù)測(cè)量代碼的大小(一個(gè)歷元＝30秒)，可以獲得關(guān)于數(shù)據(jù)和大腦功能的復(fù)雜度的信息。tx的元素被編碼最長序列的二進(jìn)制代碼取代。復(fù)雜度模塊在睡眠圖的產(chǎn)生中具有核心作用。在一些實(shí)施例中，可能存在可被利用的另一個(gè)方面。具體地，有可能利用振幅和時(shí)域兩者執(zhí)行雙復(fù)雜度分析。上面概括的描述指時(shí)域復(fù)雜度。振幅復(fù)雜度將把振幅縮放在范圍[0-255]中并且應(yīng)用相同的過程來估計(jì)振幅復(fù)雜度。以這種方式，可以獲得可添加一些額外信息并且在某些情況下會(huì)有幫助的復(fù)雜度的另一種測(cè)量。但是，這種附加的方面會(huì)進(jìn)一步使分析復(fù)雜，而且是不必要的。系統(tǒng)100還包括EMG分析器120。EMG分析器120估計(jì)骨骼EMG，主要為了幫助分離REM狀態(tài)。單獨(dú)的EMG估計(jì)可以在頻譜分析器模塊114中在顳肌上執(zhí)行。具體地，EMG張力可以利用3秒的分辨率來估計(jì)。我們?nèi)缓蠼MG信號(hào)的零導(dǎo)數(shù)集合：Zx＝Zero(Demg)，其中，我們向EMG信號(hào)(emg)應(yīng)用在DPA部分中定義的導(dǎo)數(shù)算子(D和Zero)。EMG_CHIN[n][k]＝median({emg[Zx[i]-emg[Zx[i-1]|Zx[i]＞3＊k＊fs，Zx[i]＜3＊(k+1)＊fs]，k＜eplen/3})對(duì)歷元n和分段k的EMG的估計(jì)值是由信號(hào)的一次導(dǎo)數(shù)的零值界定的分段的中值。系統(tǒng)100還包括REM/SEM檢測(cè)器122。在進(jìn)入REM/SEM檢測(cè)器122之前，數(shù)據(jù)可以利用帶通濾波器進(jìn)行濾波，帶通濾波器例如具有通帶邊界(0.5，10Hz)的濾波器和在預(yù)處理器110中的陷波濾波器(如以上所描述的)。示例性REM/SEN密度估計(jì)器122的框圖在圖9中更詳細(xì)地示出。濾波器在創(chuàng)建零均值時(shí)間序列。雙邊分割在左EOG信號(hào)和右EOG信號(hào)上執(zhí)行同時(shí)分割，并且產(chǎn)生候選小波，如在圖10中所示?？臻g濾波器分析信號(hào)的場(chǎng)，并且如果不是眼部原點(diǎn)，則丟棄候選小波。用于分割的輸入時(shí)間序列都是零均值。我們建立時(shí)間序列：A[n]＝loc[n]-roc[n]其中我們使用通道標(biāo)簽來表示從具有相同名稱的通道獲得的時(shí)間序列(例如，loc[n]表示左眼電圖的第n個(gè)樣本)。我們定義一些常量：MIN_REM_A＝30uVMIN_REM_T＝140ms我們定義候選小波wave[i]作為索引的凸集：小波的頂點(diǎn)是由頂點(diǎn)算子提取的索引：vertex(x，wave[i])＝(x[wave[i]]＞0)*argmax(x[wave[i]])+(x[wave[i]]＜0)*argmin(x[wave[i]])x＝{eogL，eogR}在以下的文本中，為了簡(jiǎn)化記號(hào)，應(yīng)當(dāng)理解，當(dāng)從左側(cè)信號(hào)估計(jì)時(shí)，頂點(diǎn)將具有vertex(eogL，.)的形式，并且我們將簡(jiǎn)寫為vertex(.)。這同樣適用于開始和結(jié)束的小波算子。在以上等式中，頂點(diǎn)算子為索引集合wave[i]提取集合x的頂點(diǎn)。對(duì)于每個(gè)候選小波，我們確定每一側(cè)上的噪聲：我們建立ndx集合：其中x＝{loc，roc}定義：NoiseL[i]＝eogL[vertex(wave[i]]-eogL[start(wave[i])]＞0*max(|min{eogL[k]-eogL[k-1]|k∈[start(wave[i])，vertex(wave[i])}|，|max{eogL[k]-eogL[k-1]|k∈[vertex(wave[i])，end(wave[i])}|+eogL[vertex(wave[i]]-eogL[start(wave[i])]＜0*max(max{eogL[k]-eogL[k-1]|k∈[start(wave[i])，vertex(wave[i])}，|min{eogL[k]-eogL[k-1]|k∈[vertex(wave[i])，end(wave[i])}|))NoiseR[i]＝eogR[vertex(wave[i])]-eogR[start(wave[i])]＞0*max(|min{eogR[k]-eogR[k-1]|k∈[start(wave[i])，vertex(wave[i])}|，|max{eogR[k]-eogR[k-1]|k∈[vertex(wave[i])，end(wave[i])}|+eogR[vertex(wave[i]]-eogR[start(wave[i])]＜0*max(max{eogR[k]-eogR[k-1]|k∈[start(wave[i])，vertex(wave[i])}，|min{eogR[k]-eogR[k-1]|k∈[vertex(wave[i])，end(wave[i])}|))計(jì)算：Twave[i]＝end(wave[i])-start(wave[i])Twave[i]是第i個(gè)候選小波的持續(xù)時(shí)間；小波的進(jìn)一步選擇被應(yīng)用如下：對(duì)于REM，我們抽取波集合{wave[i]}：我們建立場(chǎng)：source[i]＝argmax(eegL(wave[i])，eegR(wave[i])，eogL(wave[i])，eogR(wave[i]))＞2我們還抽取集合wave[k]：wave[k]＝wave[k]*source[k]當(dāng)source[k]＝0時(shí)，wave[k]被刪除。在這時(shí)，我們具有帶正確的相對(duì)極性和場(chǎng)的一組小波。這些小波表示在睡眠的覺醒和REM階段期間REM的總和集合。每個(gè)歷元具有時(shí)間的集合{REMj}，其中發(fā)生REM。這些時(shí)間對(duì)應(yīng)于：REMi＝vertex(wave[i])相同的過程被用來檢測(cè)慢速眼動(dòng)(SEM)，其中具有兩個(gè)小變化：我們用MIN_SEM_T替代MIN_REM_T并且在算法中的任何位置插入小波對(duì)稱的條件：vertex(loc，wave[i])-start(loc，wave[i])＜C*vertex(roc，wave[i])-start(roc，wave[i])vertex(roc，wave[i])-start(loc，wave[i])＜C*vertex(loc，wave[i])-start(roc，wave[i])MIN_SEM_T＝600msC＝1.5整個(gè)研究具有一組REM集合；一個(gè)REM集合用于每個(gè)歷元“j”{REMj}，REMj是在歷元“j”中的一組REM。REM密度然后可以取決于意圖以多種方式來估計(jì)。在一種情況下，取決于REM片段的長度，可變持續(xù)時(shí)間的滾動(dòng)窗口可以被使用。設(shè)置M＝1，我們得到每歷元的REM計(jì)數(shù)。設(shè)置：這將設(shè)置M轉(zhuǎn)換為最大的可能值，使得該組REM歷元是凸的。在這種情況下，我們得到每REM片段的平均REM計(jì)數(shù)，其中REM片段的持續(xù)時(shí)間可以是一個(gè)和上百個(gè)歷元之間的任何值。在歷元k對(duì)應(yīng)于REM階段的情況下，StageREM(k)是1，否則為0。系統(tǒng)100還包括階段劃分器130。階段劃分器130的一種實(shí)施例在圖11中更詳細(xì)地示出。對(duì)階段劃分器130的輸入是包含歷元描述符的狀態(tài)向量的時(shí)間序列(參見圖5和11)。state[i]表示歷元“i”的狀態(tài)向量。復(fù)雜度cmplx[i]表示可以編碼歷元并且允許在沒有任何損失的情況下進(jìn)行再現(xiàn)的最短代碼的長度。在圖11中，可以遵循執(zhí)行階段劃分所需的操作。這個(gè)模塊將被概括地描述并且然后對(duì)每個(gè)模塊進(jìn)行詳細(xì)的描述。由于患者可變性和可變的噪聲環(huán)境，分析針對(duì)每個(gè)患者進(jìn)行自動(dòng)校準(zhǔn)。因此，這些技術(shù)可能不會(huì)一般地呈現(xiàn)實(shí)時(shí)的方法，但是可以預(yù)期對(duì)這種實(shí)時(shí)應(yīng)用進(jìn)行方法的修改?；颊叩囊庾R(shí)狀態(tài)是連續(xù)的，而在臨床實(shí)踐中使用的睡眠階段是離散的。打破連續(xù)變?yōu)殡x散狀態(tài)需要設(shè)置狀態(tài)邊界。我們將參考如端點(diǎn)(End-Point)檢測(cè)的確定這些邊界的過程。有時(shí)確定端點(diǎn)并不簡(jiǎn)單，并且會(huì)表示誤差的來源。EMG解釋器134確定用于對(duì)分類模棱兩可的狀態(tài)或短瞬態(tài)有用的覺醒、睡眠和REM的代表性EMG水平。REM復(fù)雜度模塊136根據(jù)復(fù)雜度建立REM狀態(tài)的平臺(tái)期并利用來自EMG分析器的信息建立REMEMG水平。在建立了REMEMG和REM復(fù)雜度之后，然后確定REM端點(diǎn)(即，利用檢測(cè)REM端點(diǎn)模塊138)。在確定了REM端點(diǎn)之后，為了檢測(cè)沒有檢測(cè)到的REM的REM片段，可以然后基于目前為止檢測(cè)到的REM片段合成理想的REM140。在REM片段已被識(shí)別之后，我們進(jìn)入階段劃分循環(huán)142并且利用先前檢測(cè)到的端點(diǎn)逐歷元地執(zhí)行整個(gè)研究的階段劃分。估計(jì)端點(diǎn)模塊132對(duì)于階段劃分器130通常很重要，并且在這一點(diǎn)處的誤差對(duì)于階段劃分器130的性能會(huì)是災(zāi)難性的。輸入狀態(tài)向量是準(zhǔn)確的和非常可靠的。確定端點(diǎn)可以是階段劃分的關(guān)鍵步驟。雖然復(fù)雜度是連續(xù)患者狀態(tài)的準(zhǔn)確連續(xù)反映，但是為了與使用離散狀態(tài)的睡眠階段劃分的當(dāng)前實(shí)踐建立一致性，準(zhǔn)確地確定端點(diǎn)是重要的。在圖12A和12B中，可以看到如由人類評(píng)審員確定的睡眠階段的相關(guān)性(圖12A)和利用本文的教導(dǎo)估計(jì)的EEG的復(fù)雜度(圖12B)。顯然，根據(jù)本文教導(dǎo)產(chǎn)生的EEG遵循由人類評(píng)審員標(biāo)記的階段。這個(gè)模塊建立階段W-S1、S1-S2和S2-S3之間的邊界。雖然可能不知道用于每個(gè)患者的確切端點(diǎn)，但是一般而言端點(diǎn)相當(dāng)穩(wěn)定，其中具有一些例外情況。為了包括例外情況，在一些實(shí)施例中，可以修改技術(shù)來獲得跨年齡組有用的普遍性以及治療方案和條件。端點(diǎn)計(jì)算通過找出確定地落入睡眠期間的時(shí)間點(diǎn)開始，我們稱那個(gè)歷元為epend。epend＝{min(i)|cplx[i]＜DB∨cplx[i]＜cplx[deepndx]+0.02；i∈[1，N]；deepndx＝argmin(cplx[i]＝□0.1{cplx[i]})DB＝0.76。接下來，我們檢測(cè)W-S1邊界。經(jīng)驗(yàn)觀察使我們得出結(jié)論，從epend向后看，我們?cè)谒霸O(shè)置最高局部最小值作為用于W的最小特征復(fù)雜度。接下來，我們檢測(cè)S1-S2邊界。這里，我們有兩種情況或類別的受試者或患者：阿爾法發(fā)生器的情況和不是阿爾法發(fā)生器的情況。阿爾法發(fā)生器是在EEG上具有足夠的阿爾法活動(dòng)以幫助基于阿爾法區(qū)分覺醒狀態(tài)的單獨(dú)的專利。對(duì)于阿爾法發(fā)生器，存在標(biāo)志著基于主頻從S1-S2的過渡的里程碑。復(fù)雜度急劇下降并且主導(dǎo)性的節(jié)奏從高于7Hz落到低于7Hz。在圖14中，我們注意在B處從S1-S2(B)的過渡和W-S1(A)。過渡的特征是主頻從非常低到高于7Hz的切換。我們稱這個(gè)區(qū)域?yàn)殡p穩(wěn)態(tài)(在兩種狀態(tài)之間切換)區(qū)域。一旦狀態(tài)安定下來，雙穩(wěn)態(tài)消失并且其中一個(gè)狀態(tài)“覺醒”或“S2”變?yōu)榍逦哪Ｊ?。具有低?Hz主頻的區(qū)域是S2并且高于5Hz的是S1。但是，對(duì)于不是阿爾法發(fā)生器的患者，另一個(gè)機(jī)制被用來區(qū)分覺醒狀態(tài)。首先，我們確定其中在睡眠開始之前在beta從最后一個(gè)最大值下降到1/2(參見圖15中的點(diǎn)A)之前beta具有局部最大值的點(diǎn)。S1-S2過渡對(duì)應(yīng)于處于在點(diǎn)beta0.5和S3的上邊界之間復(fù)雜度的最小負(fù)變化0.008/歷元的復(fù)雜度的值。睡眠的開始被認(rèn)為是在邊界S1/S2的水平之下的信息內(nèi)容(復(fù)雜度)中的最早下降。S2-S3邊界經(jīng)驗(yàn)上被確定為與在排除當(dāng)患者醒著時(shí)的時(shí)間段的整個(gè)睡眠記錄期間相對(duì)于中值增量(delta)增加20％的增量的歷元概率對(duì)應(yīng)的復(fù)雜度的98百分比。我們建立與相對(duì)于睡眠中值(C)增加20％的增量對(duì)應(yīng)的歷元增量估計(jì)(D)和歷元復(fù)雜度的集合。D＝{delta[i]；cplx[i]＜WS1}C＝{cplx[i]|delta[i]＞0.2+□0.5D}□p表示等級(jí)(rank)p集合算子。p＝0.98*card(C)，S2S3＝□pC在此時(shí)，我們已估計(jì)所有必要的邊界(WS1，S1S2，S2S3)。EMG解釋器模塊134根據(jù)以下算法分析所有通道(A1，A2，CHIN1-CHIN2)上的EMG活動(dòng)，并且輸出用于覺醒(W)、非REM(NREM)和REM睡眠(REM)的代表性水平的骨骼肌張力：wemgL＝□0.5{emgL[i]|cplx[i]＞W(wǎng)S1}wemgR＝□0.5{emgR[i]|i＜argmin(cplx[i]＞W(wǎng)S1)}wemgC＝□0.5{emgC[i]|i＜argmin(cplx[i]＞W(wǎng)S1)}我們認(rèn)為睡眠在其中第一次cplx[i]＜S1S2的歷元處開始。同時(shí)，我們計(jì)算覺醒期間的占主導(dǎo)的阿爾法：alphaWL＝mode{alphaL[i]|i＜o(jì)nset}alphaWR＝mode{alphaR[i]|i＜o(jì)nset}alphaWX＝mode{alphaX[i]|i＜o(jì)nset}slemgL＝mode{emgL[i]|cplx[i]＜S1S2}slemgR＝mode{emgR[i]|cplx[i]＜S1S2)}slemgC＝mode{emgC[i]|cplx[i]＜S1S2)}emgremL＝□0.5{emgL[i]|cplx[i]＜S1S2，emgL[i]＜0.8*wemgL}emgremR＝□0.5{emgR[i]|cplx[i]＜S1S2，emgR[i]＜0.8*wemgR}emgremC＝□0.5{emgC[i]|cplx[i]＜S1S2，emgC[i]＜0.8*wemgC}studyfmodeL＝mode{domfL[i]|cplx[i]＜S1S2}studyfmodeR＝mode{domfR[i]|cplx[i]＜S1S2}studyfmodeX＝mode{domfX[i]|cplx[i]＜S1S2}REM復(fù)雜度模塊136估計(jì)REM睡眠的復(fù)雜度(信息)。首先，基于由EMG解釋器建立的最大REMEMG水平和與快速REM的檢測(cè)相關(guān)聯(lián)的復(fù)雜度，執(zhí)行初步REM邊界檢測(cè)。接下來，針對(duì)最小EMGREM片段遞歸地測(cè)試候選者，并且將刪除具有大部分不同EMG的片段。最高密度的REM將用作REMEMG和REM復(fù)雜度的健壯代表。通過找出具有非零REM密度的歷元并且當(dāng)或者骨骼EMG張力增加或者由于出現(xiàn)紡錘或復(fù)雜度相對(duì)于從該片段開始的復(fù)雜度擺動(dòng)大于2％時(shí)結(jié)束，建立REM邊界。REM密度計(jì)算本質(zhì)上是在第一個(gè)和最后一個(gè)REM歷元之間的窗口中的平均REM計(jì)數(shù)。重要的方面是單獨(dú)的REM針對(duì)與REM重合或REM后續(xù)的潛在的喚醒進(jìn)行驗(yàn)證。這是必要的，因?yàn)樵摻M原始檢測(cè)到的REM或者對(duì)應(yīng)于覺醒、REM或者對(duì)應(yīng)于喚醒。布爾函數(shù)檢查是否在頻帶中存在在W減1Hz期間的高于阿爾法的功率跳躍(powalpha[t])：isArousal[i]＝(t-REMi＜3fs)∧powalpha[t]＞max{powalpha[k]|k∈[t-10，t-6]}start[i]＝i|RD＞0∧emgC[i]＜k*emgremC∧cplx[i]＜WS1∧(emgC＜0.8wemgCVcplx[i]＜S1S2+0.02)end[i]＝min(j)|RD＝0∧(emgC[j]＞k*emgremCV|cplx[j]-cplx[start[i]|＞0.02)第i個(gè)REM片段邊界是：接下來，我們刪除具有高骨骼張力的REM片段：REM[i]＝{REM[i]|□0.5{emgL[i]|start[i]＜i＜end[i]}＜2*minemgL∧□0.5{emgR[i]|start[i]＜i＜end[i]}＜2*minemgR∧□0.5{emgC[i]|start[i]＜i＜end[i]}＜2*minemgC}cplxREM＝□0.5{cplx[k]|k∈∪i[start[i]，end[i]]emgremL＝□0.8{emgL[k]|k∈∪i[start[i]，end[i]]}}emgremR＝□0.8{emgR[k]|k∈∪i[start[i]，end[i]]}emgremC＝□0.8{emgC[k]|k∈∪i[start[i]，end[i]]}REM邊界模塊138是以上描述的REM邊界檢測(cè)的第二次迭代，但利用其中估計(jì)的細(xì)化參數(shù)。邊界利用在REM睡眠期間的條件或窄信息(復(fù)雜度)擺動(dòng)進(jìn)行調(diào)整，注意集合的凸度如下：K＝1.6；在“合成理想的REM模塊”140中，我們具有多個(gè)檢測(cè)到的REM片段，并且我們正在試圖檢測(cè)由于空REM密度或者由于各種原因(例如：?jiǎn)蝹?cè)松的EOG電極)檢測(cè)REM失敗而可能還沒有被檢測(cè)到的REM片段。這類似于估計(jì)REM復(fù)雜度，但是因?yàn)槲覀兇藭r(shí)通常確信REM集合是準(zhǔn)確的，因此對(duì)EMG值具有更嚴(yán)格的規(guī)則并且無需遞歸。階段劃分循環(huán)模塊142然后逐歷元進(jìn)行并且輸出相應(yīng)的階段。布爾向量的元素中只有一個(gè)是非零的。stage[i]向量的元素是布爾函數(shù)。第i個(gè)REM片段邊界是：布爾函數(shù)：如果歷元數(shù)字落在具有邊界REM[i]的第i個(gè)REM片段的邊界內(nèi)或者復(fù)雜度在從理想的REM復(fù)雜度不超過1％頻帶內(nèi)并且骨骼肌張力特征化為REM，則歷元I將被階段劃分為REM。同時(shí)，我們排除暫時(shí)的狀態(tài)，即復(fù)雜度必須是靜態(tài)的并且必須存在至少一個(gè)具有非零REM密度的歷元。布爾函數(shù)的其余部分是：s3[i]＝(cplx[i]＜S2S3)s4[i]＝(cplx[i]＜S3S4)w[i]＝(cplx[i]＞W(wǎng)S1)*(emgL[i]＞k*wemgL+emgR[i]＞k*wemgR+emgL[i]＞k*wemgL≥2)s2[i]＝(cplx[i]＜S1S2)s1[i]＝(cplx[i]＞S1S2)討論下面給出的是我們107個(gè)成年患者和25個(gè)青年患者(年齡低于18歲)的測(cè)試結(jié)果。由于可用的不同患者組，結(jié)果被以這種方式分組，但是利用加權(quán)平均，考慮組的歷元的相對(duì)數(shù)量作為權(quán)重，整體值可以容易地被計(jì)算出。從表(表1-10)中很清楚，關(guān)于一致性的結(jié)果緊緊圍繞80％分組。特別地，整體靈敏度逐歷元一致性是比80％好。每階段整體靈敏度一致性是大約80％。檢測(cè)器靈敏度總TP總FP總FN總歷元REM0.866887209726232212672SD0.783615125344534612672SL0.83614552051093102012672覺醒0.775216188343454612672表1：集合ADC(14個(gè)患者)的結(jié)果。整體一致性81％。表2：集合ADD(12個(gè)患者)的結(jié)果。整體一致性82％。檢測(cè)器靈敏度總TP總FP總FN總歷元REM0.80061110481912619708SD0.7784557662852189708SL0.810006440478710339708覺醒0.81496516126153669708表3：集合LFT(10個(gè)患者)的結(jié)果。整體一致性80％。檢測(cè)器靈敏度總TP總FP總FN總歷元REM0.82356850461340108136442SD0.8087562660150962936442SL0.790137167432555444736442覺醒0.78821146001989123636442表4：集合SFRV(41個(gè)患者)的結(jié)果。整體一致性80％。檢測(cè)器靈敏度總TP總FP總FN總歷元REM0.840122165040231411319SD0.824924107937422911319SL0.8116995384751124911319覺醒0.774399109558431911319表5：集合SFR(13個(gè)患者)的結(jié)果。整體一致性81％。表6：集合SLV(10個(gè)患者)的結(jié)果。整體一致性82％。檢測(cè)器靈敏度總TP總FP總FN總歷元REM0.9273625253496479SD0.883756593263786479SL0.7649523193577146479覺醒0.86625418202492816479表7：集合SL(7個(gè)患者)的結(jié)果。整體一致性83％。檢測(cè)器靈敏度總TP總FP總FN總歷元REM0.862003268693643015596SD0.885948324766941815596SL0.76333255541320172215596Wake0.62118395622858315596表8：集合KCB(15個(gè)患者)的結(jié)果。整體一致性80％。檢測(cè)器靈敏度總TP總FP總FN總歷元REM0.76583511971983666227SD0.9628321088480426227SL0.76141623015507216227覺醒0.5722662931202196227表9：集合KD(6個(gè)患者)的結(jié)果。整體一致性78％。表10：集合KT(4個(gè)患者)的結(jié)果。整體一致性88％。除了逐歷元的統(tǒng)計(jì)之外，最終報(bào)告參數(shù)的誤差被量化為逐歷元誤差的結(jié)果。取決于什么是更相關(guān)的，誤差用百分比誤差或者絕對(duì)誤差描述(例如，延遲中的誤差是絕對(duì)誤差，而TST中的誤差是相對(duì)誤差)。生成下面描述的誤差直方圖來通知關(guān)于樣本中的誤差分布。在圖17中，觀察到80％的情況具有在+/-10歷元內(nèi)確定的睡眠開始。在圖18中，觀察到REM延遲在65％的時(shí)間是在+/-10分鐘內(nèi)并且85％的情況是在+/-25分鐘內(nèi)。在圖19中，注意到深睡眠的開始在超過90％的時(shí)間被準(zhǔn)確地確定(0延遲)。睡眠效率確定(圖20)中的誤差在超過90％的情況下不到10％。在研究中，全部深睡眠中的誤差在107種情況中的104種當(dāng)中小于3％。LS誤差是由于S1和S2中的誤差，并且通常由REM邊界和DS邊界中的誤差引起。LS中的誤差在超過75％的情況下少于10％。全部NREM睡眠在超過95％的情況下被估計(jì)好于80％(圖23)。REM誤差在超過80％的情況下少于20％(圖22)。全部睡眠時(shí)間(TST)在90％的情況下被估計(jì)具有少于10％的誤差(圖25)。在開始之后的覺醒在90％的情況下被估計(jì)具有少于10％的誤差(圖26)。基于這些結(jié)果，相信如本文所描述的系統(tǒng)和方法能夠執(zhí)行無人看管的睡眠診斷。應(yīng)當(dāng)注意，在對(duì)睡眠診斷的當(dāng)前“黃金標(biāo)準(zhǔn)”(即，有經(jīng)驗(yàn)的多導(dǎo)睡眠圖制作者(polysomnographer)以他或她最好的能力應(yīng)用一組相對(duì)任意的規(guī)則)的明顯對(duì)比中，如本文所描述的系統(tǒng)和方法往往具有非常清楚地定義的標(biāo)準(zhǔn)并且應(yīng)該從一種情況到另一種情況具有相對(duì)好(并且實(shí)際上潛在地完美)的可重復(fù)性。此外，根據(jù)這些教導(dǎo)的系統(tǒng)和方法可以具有客觀性的優(yōu)點(diǎn)，而人類評(píng)分員更易于受到特定的睡眠架構(gòu)如何表征群聚(cluster)的變化無常(vagaries)的影響。因此，本申請(qǐng)的教導(dǎo)趨于提供真正客觀的算法，同時(shí)保持與人類評(píng)分所能提供的最好情況的高(但不完美的)相關(guān)的優(yōu)點(diǎn)?？梢灶A(yù)期，隨著時(shí)間的推移，本文描述的技術(shù)會(huì)變得被廣泛采用，并且具有成為用于睡眠診斷的事實(shí)標(biāo)準(zhǔn)的潛力。本文的一些教導(dǎo)會(huì)導(dǎo)致優(yōu)于常規(guī)睡眠診斷技術(shù)的一個(gè)或多個(gè)優(yōu)點(diǎn)，諸如簡(jiǎn)化的患者設(shè)置、方便患者、睡眠確定測(cè)試的顯著成本減少、允許在患者的家中實(shí)現(xiàn)、允許患者在測(cè)試期間在家里睡眠、不需要患者離開工作幾天時(shí)間、對(duì)于患者沒有或減少了旅行開銷、簡(jiǎn)化的實(shí)驗(yàn)室設(shè)置和實(shí)驗(yàn)室成本、降低醫(yī)療保健系統(tǒng)的成本、沒有或減少用于實(shí)驗(yàn)室可用性的等待時(shí)間、以及更廣泛的人群覆蓋。這些優(yōu)點(diǎn)中的至少一些可能與以上相對(duì)于圖2描述的新電極布置模式有關(guān)并來自能夠根據(jù)新電極數(shù)據(jù)估計(jì)睡眠圖的技術(shù)。具體地，如在圖2中所示，在頭皮上不再有電極(如與常規(guī)系統(tǒng)相比)，而腦電極可以被簡(jiǎn)單地夾到患者的耳朵上(并且可以是無線的)，操作容易由患者在幾秒鐘內(nèi)無人看管地執(zhí)行(如與需要利用膠帶和在頭皮上的電極精確定位的測(cè)量的標(biāo)準(zhǔn)方法相比)。作為對(duì)照，電極布置的常規(guī)操作由于電極阻抗的考慮和在其中電極必須被應(yīng)用的區(qū)域中有毛發(fā)而耗時(shí)。本文的教導(dǎo)可以為患者提供一個(gè)或多個(gè)優(yōu)點(diǎn)。例如，患者可以無需經(jīng)歷長時(shí)間的不方便的設(shè)置、可以無需離開家睡覺、沒有由于實(shí)驗(yàn)室預(yù)約而需的等待時(shí)間、不必離開工作幾天時(shí)間、并且沒有患者否則可能承擔(dān)的旅行開銷。在一些情況下，本文的教導(dǎo)可以提供至少一個(gè)其它好處，即提高的安全性。特別地，醫(yī)師時(shí)常識(shí)別存在的威脅并且讓政策制定者實(shí)施監(jiān)管措施來減少相關(guān)聯(lián)的風(fēng)險(xiǎn)。例如，呼吸病學(xué)家?guī)ьI(lǐng)提高對(duì)吸煙威脅的意識(shí)，并且促進(jìn)政策制定者實(shí)施減少吸煙的措施的過程。通過類似地認(rèn)識(shí)睡眠不足和嗜睡日益成為威脅和成為安全風(fēng)險(xiǎn)，可以實(shí)施新的政策來幫助滿足相應(yīng)的挑戰(zhàn)。利用如本文所描述的一些系統(tǒng)和方法來跟蹤遵守，強(qiáng)制執(zhí)行這種新政策是可能的。例如，在昏昏欲睡時(shí)駕駛會(huì)像在飲酒后駕駛一樣危險(xiǎn)。具有可以在駕駛期間自動(dòng)監(jiān)測(cè)瞌睡的系統(tǒng)會(huì)極其有利。在另一種實(shí)施例中，本文的教導(dǎo)對(duì)檢測(cè)諸如由于酒精損傷或使用藥物導(dǎo)致的其它形式的精神損傷可能是有用的。在一些情況下，這可以通過提供差分復(fù)雜性的至少一些最小水平的實(shí)時(shí)或基本上實(shí)時(shí)的測(cè)量來完成。例如，損傷會(huì)通過失去警覺性體現(xiàn)自身。診斷系統(tǒng)可以實(shí)時(shí)或基本上實(shí)時(shí)地測(cè)試車輛的駕駛員。如果檢測(cè)到某種損傷，則診斷系統(tǒng)可以警告駕駛員或采取其它合適的行動(dòng)(即，禁用車輛、通知權(quán)威機(jī)構(gòu)，等等)。類似于“黑盒子”飛行記錄器，診斷系統(tǒng)可以被用作車輛中的記錄器來記錄在旅行期間的大腦活動(dòng)和給出警覺水平的指示，并且潛在地警告駕駛員操作車輛是不安全的。在一些情況下，這些警告可以被記錄。一般而言，本文的一些教導(dǎo)對(duì)幫助實(shí)現(xiàn)用于減少與被打擾的睡眠有關(guān)的經(jīng)濟(jì)、社會(huì)、健康和安全問題的策略會(huì)是有用的。公共政策已幫助減少由于使用酒精導(dǎo)致的撞車死亡的風(fēng)險(xiǎn)。類似地，瞌睡會(huì)是嚴(yán)重的風(fēng)險(xiǎn)因素，并且應(yīng)當(dāng)開發(fā)政策和技術(shù)手段來檢測(cè)和限制昏昏欲睡的駕駛員操作汽車。根據(jù)本文的教導(dǎo)，基于物理原則產(chǎn)生睡眠圖的新方法可以是可能的。利用睡眠醫(yī)學(xué)的常規(guī)方法，不可能在患者的家中執(zhí)行睡眠診斷。但是，本文描述的系統(tǒng)和方法可以允許睡眠的大腦方面的調(diào)查，并且為在患者家中進(jìn)行完全無人看管的PSG測(cè)試打開大門。睡眠是我們生活的非常重要的方面并且健康的睡眠是個(gè)人總體健康中重要的組成部分。目前，睡眠健康很大部分被家庭實(shí)踐忽略，并且當(dāng)務(wù)之急對(duì)此改變。本文描述的一些系統(tǒng)可以允許實(shí)施由家庭實(shí)踐發(fā)起的、在患者家中的、無需睡眠實(shí)驗(yàn)室的、無人看管的睡眠測(cè)試。由于沒有診斷出就通過的與睡眠相關(guān)的問題的大發(fā)生率，這是有用的，因?yàn)槿巳旱娘@著部分不經(jīng)歷睡眠實(shí)驗(yàn)室。一般而言，家庭醫(yī)療實(shí)踐應(yīng)該在檢測(cè)睡眠有關(guān)問題中是防御的前線。對(duì)大多數(shù)醫(yī)學(xué)專家來說，患者只在已做出來自家庭醫(yī)生的轉(zhuǎn)診之后才訪問專家。一方面，家庭醫(yī)生沒有針對(duì)初級(jí)睡眠診斷進(jìn)行常規(guī)地裝備并且一大群患者未被治療就通過，具有許多長期的健康后果(發(fā)展心臟問題、阿爾茨海默病(Alzheimer’s)病等)。本文描述的系統(tǒng)和方法具有在初級(jí)診斷中帶來典范轉(zhuǎn)移(paradigmshift)、對(duì)人群的總體健康具有很大影響的潛力。例如，本文所描述的系統(tǒng)可以允許睡眠實(shí)驗(yàn)室以顯著降低的成本覆蓋更大數(shù)量的患者。這可以通過與如可以利用“快道”研究獲得的可比較的信息(即，沒有任何具體信息來建議例如完整的EEG蒙太奇是必需的)勝任地完成。標(biāo)準(zhǔn)睡眠實(shí)驗(yàn)室使用然后會(huì)成為用于復(fù)雜和不尋常的患者/情況的資源，而患者的大多數(shù)測(cè)試將在自己家中完成?；颊咄ǔе?或疲勞的抱怨來到睡眠診所。本文描述的一些系統(tǒng)將等同于實(shí)驗(yàn)室中過程(例如REMvsNREM窒息速率)，并且還可以允許更好地評(píng)估失眠，其中失眠一般還沒有經(jīng)過PSG研究，這是因?yàn)楦杏X成本-效益比不是“物有所值”。這會(huì)為更好地診斷(包括抑郁癥的誤診)和功能的長期跟蹤打開大門。在還有的另一種實(shí)施例中，本文的教導(dǎo)可以允許患者的手術(shù)前篩選，以便預(yù)測(cè)在麻醉期間和之后潛在的問題。在睡眠和麻醉之間存在密切關(guān)系是眾所周知的事實(shí)。臨床研究已顯示，在睡眠期間經(jīng)歷呼吸問題的患者具有在施用各種麻醉劑方案期間或之后發(fā)展并發(fā)癥的風(fēng)險(xiǎn)。有跡象表明，由于與在麻醉期間和之后的問題關(guān)聯(lián)的顯著發(fā)病率和死亡率，因此在睡眠期間呼吸問題的手術(shù)前篩選將在不久的將來成為護(hù)理的標(biāo)準(zhǔn)。當(dāng)前，通過在睡眠實(shí)驗(yàn)室中可用的昂貴測(cè)試，把呼吸的大腦方面加以考慮的唯一解決方案是可能的。此外，對(duì)患者存在成本，因?yàn)槁眯泻涂赡茈x開工作幾天。睡眠實(shí)驗(yàn)室將無法測(cè)試接受手術(shù)的大量患者。本文的系統(tǒng)可以為家庭實(shí)踐提供自動(dòng)睡眠診斷。GP可以做睡眠研究，無需關(guān)于睡眠的深度知識(shí)(這同樣適于對(duì)睡眠診斷感興趣的其他專家，例如，呼吸病學(xué)或精神病學(xué)專家)。系統(tǒng)然后可以產(chǎn)生類似于血液學(xué)中的血球計(jì)數(shù)的報(bào)告，包括臨床睡眠參數(shù)，并且如果這些超出范圍，則他/她可以將患者轉(zhuǎn)診到睡眠專家。由于潛在地用于駕駛員、需要提高的警惕的安裝操作員以及誤差會(huì)導(dǎo)致災(zāi)難性后果的情況的瞌睡、警告和記錄風(fēng)險(xiǎn)水平，本文的系統(tǒng)對(duì)于檢測(cè)損傷是有用的。另一方面，由于觀察到每年10天測(cè)得的增加的睡眠喚醒預(yù)測(cè)著阿爾茨海默病，因此本文的教導(dǎo)是有用的。這個(gè)系統(tǒng)可以提供成像診斷的低成本的替代方案，從而便于篩選測(cè)試。當(dāng)前第1頁1 2 3