專利名稱：：構(gòu)建和使用參考工具以生成用于指示主體的醫(yī)學(xué)狀況的辨別信號的方法和設(shè)備的制作方法
技術(shù)領(lǐng)域：
：本發(fā)明涉及被用作參考以區(qū)別主體的醫(yī)學(xué)狀況和參考主體的醫(yī)學(xué)狀況的參考工具。本發(fā)明進一步涉及生成用于指示主體的醫(yī)學(xué)狀況的辨別信號的方法和系統(tǒng)。
背景技術(shù)：
：現(xiàn)在，即使并非完全不可能，診斷主體是否患有例如神經(jīng)疾病也是極其困難的。測量大腦的神經(jīng)狀況的一種方式是實施生物測量，例如，通過實施腦電圖掃描法(EEG)技術(shù)。該技術(shù)通過放置在頭皮的不同位置上的多個電極來測量作為隨時間而改變的自發(fā)電位(SP)的大腦的電活動。然而，基于獲得的神經(jīng)數(shù)據(jù)(表示為SP作為時間的函數(shù))來診斷病人是極其困難的，因為其中包含了太多的信息。區(qū)別例如健康主體和患有醫(yī)學(xué)狀況的主體是極其困難的甚至是不可能的。近些年，^f發(fā)了一些方法以診斷主體是否患有特別的疾病。絕大多數(shù)的方法是基于管理和不管理的分類。這些參考文獻的例子是JerebkoAK等人的"MultipleNeuralNetworkClassificationSchemeforDetectionofColonicPolypsinCTConolographyDataSets";AcademicRadiology,Reston,VA,US,vol.10，no.2,2003年2月，154-160頁，XP00卯49614ISSN:1076-6332;ChristodoulouCI等人的"MedicaldiagnosticsystemusingensemblesofneuralSOFMclassifiers"Electronics,CircuitsandSystems,1999，ProceedingsofICECS'99the6thIEEEPafos的國際會議，Cyprus5-8Sept1999，Piscataway，NJ，USA,IEEE,US,vol,1,5.,1999年9月，121-124頁，XP010361455,ISBN:0-7803-5682-9;GunterS等人的"Anevaluationofensemblesmethodsinhandwrittenwordrecognitionbasedonfeatureselection"Patternrecognition,2004,ICPR2004.在Cambridge,UK的第17次國際會議的學(xué)報，8月23-26，Piscataway,NJ,USA，IEEE,vol.1，2004年8月23日，388-392頁，XP010724266,ISBN:0-7695-2128-2:JainAK等人6令"StatisticalPatternRecognition:Areview",IEEETransactiononPatternAnalysisandMachineIntelligence,IEEEServiceCenter,LosAlamitos,CA,US,vol.22,No.lm2000年1月，4-37頁，XP000936788ISSN:0162-8828。這些方法涉及數(shù)據(jù)的管理或不管理的分類，即，基于輸入數(shù)據(jù)的計算機如何來識別數(shù)據(jù)中的才莫式。雖然所述的參考文獻表示當診斷一個人的時候假陽性率降低了，但是它們遠遠不夠先進以在非常早的階段以高的可靠性診斷主體。因此需要非常先進的參考工具，當實施該參考工具時能夠在非常早的階4爻對人進行診斷，并且能夠同時進行多于一個的診斷。
發(fā)明內(nèi)容本發(fā)明涉及構(gòu)造區(qū)別主體的醫(yī)學(xué)狀況和參考主體的參考工具以及使用參考工具的方法。這個工具可以被認為由一個或若干個參考組構(gòu)成的參考"圖"，其中相同組中的主體具有一個或多個相同的特性，例如年齡、性別、醫(yī)學(xué)狀況等。因此，本發(fā)明目標僅通過比較從主體收集的處理的生物數(shù)據(jù)和參考"圖"來查看要被診斷的主體是否落入一個或多個所述組中。此外，本發(fā)明的目的是提供相應(yīng)的設(shè)備以構(gòu)建所述參考工具以及提供設(shè)備以實施參考工具來生成辨別信號。根據(jù)一個方面，本發(fā)明涉及一種方法，基于從參考主體的一個或多個組收集的生物信號數(shù)據(jù)來構(gòu)造參考工具，其中每個組代表具有至少一個共同的特性的參考主體，該方法包括*定義代表在相同的組中的參考主體的共同特性的一個或多個參考特征，*確定每個各自的參考主體的所述參考特征的參考特征值，*定義特征屬性域，包含域要素，其中每個要素由一個所述參考特征或兩個或更多所述參考特征的組合定義，基于所述特征屬性域確定每個各自參考主體的后驗概率矢量，其中后驗概率矢量的每個各自要素指的是所述域要素，并且表示特定組的參考主體關(guān)于所述域要素屬于所述組的概率，*對所述后驗概率矢量應(yīng)用過濾處理，所述過濾處理是基于移除高于或低于預(yù)定閾值的那些矢量或矢量要素，剩余的矢量或矢量要素被實施以將所述參考主體的參考分布構(gòu)造為所述域要素的函數(shù)。通過定義參考特征，僅選擇生物信號數(shù)據(jù)的相關(guān)部分，即，在相同組中的主體的數(shù)據(jù)中具有相關(guān)性的部分。僅來自生物信號數(shù)據(jù)的相關(guān)信息被處理是很大的優(yōu)勢，因為信息常常包含大量不相關(guān)的數(shù)據(jù)。例如，腦電圖掃描法數(shù)據(jù)(EEG)包含大量很難處理的數(shù)據(jù)。根據(jù)本發(fā)明，所述組包含具有一個或多個共同的特性的參考主體，并且數(shù)據(jù)(在這個例子中為EEG數(shù)據(jù))被用作參考數(shù)據(jù)。定義所述參考特征的優(yōu)點是僅僅使用被考慮為對于構(gòu)造參考工具是相關(guān)的并且對于相同組內(nèi)的參考主體是共同的數(shù)據(jù)。此外，通過應(yīng)用后驗概率矢量的所述過濾處理，可能將所述組彼此分開，使得僅具有一定或足夠高的概率值的矢量要素被用作構(gòu)建參考工具的優(yōu)選的數(shù)據(jù)。結(jié)果是參考工具由一個或多個組域構(gòu)成，其中每個域很好地反映每個各自組的特性。結(jié)果是非常先進的參考工具由具有所述一個或多個共同特性的參考主體的至少一個組或參考組構(gòu)成。由此，通過比較要被診斷的主體的類似的后驗概率矢量，可能辨別這個主體是否屬于一個或多個組，并且該主體可以在早期階段被診斷。例如，如果主體屬于兩個或更多組，這可能表示該主體患有兩個或多個醫(yī)學(xué)狀況。根據(jù)本發(fā)明，術(shù)語主體意味著人類，但是該術(shù)語也可以涉及動物和其他生物組織。在一個實施例中，從組中選擇參考特征，該組包括絕對A功率(power)、絕對e功率、絕對a功率、絕對p功率、絕對y功率、相對A功率、相對e功率、相對a功率、相對p功率、相對Y功率、總功率、峰值頻率、中值頻率、譜熵、DFA標度指數(shù)(a帶振蕩)、DFA標度指數(shù)(卩帶振蕩)以及總熵。在一個實施例中，所述特征屬性域的域要素包括兩個或更多所述參考特征的不重復(fù)的組合。在一個實施例中，確定后驗概率矢量的步驟是基于從下組中選擇的計算方法，該組包括K-NN最近鄰方案(K-NN)、支持矢量機(SVM)、線性辨別分析、二次辨別分^f、正則辨別分析、邏輯回歸、樸素貝葉斯分類器、隱藏馬爾可夫分類器、包括多層感知網(wǎng)絡(luò)和放射狀基礎(chǔ)的功能網(wǎng)絡(luò)的神經(jīng)網(wǎng)絡(luò)基礎(chǔ)的分類器、支持矢量機(SVM)、最小平方SVM、包括分類和遞歸樹(CART)的基于分類樹的分類器、ID3、C4.5、C5.0、AdaBoost以及ArcX4的分類樹基礎(chǔ)的分類器、包括隨機森林TM的基于樹的集成分類器。在一個實施例中，在相同組中的生物信號數(shù)據(jù)是在相同組中的參考主體的相似活動過程中收集的。以這種方式，獲得非常一致的數(shù)據(jù)。這樣活動的例子是在參考主體閉上眼睛時從參考主體收集例如EEG數(shù)據(jù)，或者當主體觀察特定圖像或解決特定問題時收集數(shù)據(jù)等。在一個實施例中，其中從下面的特性中選4奪參考主體的所述特性*主體的性別*主體執(zhí)行的習(xí)慣相關(guān)的行為*主體的醫(yī)學(xué)狀況*主體的特定神經(jīng)疾病*主體的特定左右手習(xí)慣*主體的年齡*主體是否健康*主體的身體情況根據(jù)另一個方面，本發(fā)明涉及計算機程序產(chǎn)品，當該產(chǎn)品在計算機上運行時指示處理單元執(zhí)行上述方法步驟的任一個的方法步驟。根據(jù)另一個方面，本發(fā)明涉及一種設(shè)備，基于從參考主體的一個或多個組收集的生物信號數(shù)據(jù)來構(gòu)建參考工具，其中每個組代表具有至少一個共同的特性的參考主體，該設(shè)備包括*預(yù)篩選生物信號數(shù)據(jù)并且在此基礎(chǔ)上定義代表相同組中參考主體的共同特性的一個或多個參考特征的處理器，*定義由域要素構(gòu)成的特征屬性域的裝置，域要素中每個要素由一個所述參考特征或兩個或更多所述參考特征的組合定義，*基于所述特征屬性域確定每個各自參考主體的后驗概率矢量的處理器，其中后驗概率矢量的每個各自要素指的是所述域要素，并且表示特定組的參考主體關(guān)于所述域要素屬于所述組的概率，*對所述后-瞼;fe率矢量應(yīng)用過濾處理的處理器，所述過濾處理是基于移除高于或低于預(yù)定閾值的那些矢量或矢量要素，剩余的矢量或矢量要在一個實施例中，該設(shè)備進一步包括接收器，該接收器用于從所述參考主體接收生物信號數(shù)據(jù)。根據(jù)另一個方面，本發(fā)明涉及一種方法，使用預(yù)存的參考工具以基于從參考主體收集的生物信號數(shù)據(jù)來生成指示主體的醫(yī)學(xué)狀況的辨別信號，該參考工具是基于從參考主體的一個或多個組收集的生物信號數(shù)據(jù)來構(gòu)建的，每個組代表具有至少一個共同的特性的參考主體，如下構(gòu)造所述參考工具定義代表在相同的組中的參考主體的共同特性的一個或多個參考特征，確定每個各自的參考主體的所述參考特征的參考特征值，定義特征屬性域，包含域要素，其中每個要素由一個所述參考特征或兩個或更多所述參考特征的組合定義，基于所述特征屬性域確定每個各自參考主體的后驗概率矢量，其中后驗概率矢量的每個各自要素指的是所述域要素，并且表示特定組的參考主體關(guān)于所述域要素屬于所述組的概率，對所述后驗概率矢量應(yīng)用過濾處理，所述過濾處理是基于移除高于或低于預(yù)定閾值的那些矢量或矢量要素，剩余的矢量或矢量要素被實施以將所述參考主體的參考分布構(gòu)造為所述域要素的函數(shù)，其中該方法包括*確定主體的類似的特征值，*確定所述主體的類似的后-瞼;f既率矢量，*評估所述主體的所述后驗概率矢量是否位于所述參考主體的所述分布中。如上所述，通過實施這樣的非常有優(yōu)勢的參考工具，可能通過確定所述類似的后驗概率矢量并將其與所述參考分布相比較來在早期診斷主體。根據(jù)本發(fā)明，術(shù)語辨別信號意味著所述比較的結(jié)果，即，指示所述主體是否全部或部分在一個或多個所述組之內(nèi)/之外的信號。這可以基于由醫(yī)師執(zhí)行的評估或自動評估。由此，基于辨別信號可以將主體診斷為陽性/陰性，部分陽性/陰性。在一個實施例中，從組中選擇特征，該組包括絕對A功率、絕對e功率、絕對a功率、絕對p功率、絕對y功率、相對A功率、相對e功率、相對a功率、相對卩功率、相對Y功率、總功率、峰值頻率、中值頻率、譜熵、DFA標度指數(shù)(a帶振蕩)、DFA標度指數(shù)(卩帶振蕩)以及總熵。在一個實施例中，所述一個或多個生物信號數(shù)據(jù)包括腦電圖掃描法(EEG)數(shù)據(jù)。在一個實施例中，生物信號數(shù)據(jù)包括從組選擇的生物信號測量獲得的數(shù)據(jù)，該組包4舌*核^茲共振成像(MRI),*功能核磁共振成像(FMRI)，參腦^茲掃描法(MEG)測量，*正電子成像法(PET)，*CAT掃描(計算機化X射線軸向分層造影)，*單光子發(fā)射計算機斷層(SPECT)。在一個實施例中，醫(yī)學(xué)狀況是神經(jīng)狀況。在一個實施例中，神經(jīng)狀況是從組中選擇的，該組包括阿爾茨海默疾病、多發(fā)性硬化、包括抑郁癥、雙相情感障礙和精神分裂癥的心理狀況、帕金森疾病、癲癇癥、偏頭痛、血管性癡呆(VaD)、額顳癡呆、lewy體癡呆、Creutzdeld-Jacob疾病以及vCJD(瘋牛病)。在一個實施例中，定義組使得他們共享主體的至少一個已知特性。例如，這可以是主體和參考組是相同的年齡、性別等。在一個實施例中，本發(fā)明進一步涉及計算機程序產(chǎn)品以當產(chǎn)品在計算機上運行時指示處理單元執(zhí)行使用預(yù)存的參考工具來產(chǎn)生用于指示主體的醫(yī)學(xué)狀況的辨別信號的上述方法步驟。根據(jù)另一個方面，本發(fā)明涉及一種設(shè)備，使用預(yù)存的參考工具以基于從主體收集的生物信號數(shù)據(jù)來生成指示主體的醫(yī)學(xué)狀況的辨別信號，該參考工具是基于從參考主體的一個或多個組收集的生物信號數(shù)據(jù)來構(gòu)建的，每個組代表具有至少一個共同的特性的參考主體，如下構(gòu)造所述參考工具定義代表在相同的組中的參考主體的共同特性的一個或多個參考特征，確定每個各自的參考主體的所述參考特征的參考特征值，定義特征屬性域，包含域要素，其中每個要素由一個所述參考特征或兩個或更多所述參考特征的組合定義，基于所述特征屬性域確定每個各自參考主體的后驗概率矢量，其中后驗概率矢量的每個各自要素指的是所述域要素，并且表示特定組的參考主體關(guān)于所述域要素屬于所述組的概率，對所述后驗概率矢量應(yīng)用過濾處理，所述過濾處理是基于移除高于或低于預(yù)定閾值的那些矢量或矢量要素，剩余的矢量或矢量要素被實施以將所述參考主體的參考分布構(gòu)造為所述域要素的函數(shù)，其中該設(shè)備包括*確定主體的類似的特征值的處理器，*確定所述主體的類似的后驗概率矢量的處理器，*評估所述主體的所述后驗概率矢量是否位于所述參考主體的所述分布中的處理器。在一個實施例中，該設(shè)備進一步包括接收器和發(fā)射器，其中接收器被用于從主體接收所述生物信號數(shù)據(jù)，并且發(fā)射器被用于發(fā)射得到的生成的辨別信號。根據(jù)另一個實施例，本發(fā)明涉及預(yù)存的參考工具的使用，以基于從主體收集的生物信號數(shù)據(jù)來生成指示主體的醫(yī)學(xué)狀況的辨別信號，該參考工具是基于從參考主體的一個或多個組收集的生物信號數(shù)據(jù)來構(gòu)建的，每個組代表具有至少一個共同的特性的參考主體，如下構(gòu)造所述參考工具定義代表在相同的組中的參考主體的共同特性的一個或多個參考特征，確定每個各自的參考主體的所述參考特征的參考特征值，定義特征屬性域，包含域要素，其中每個要素由一個所述參考特征或兩個或更多所述參考特征的組合定義，基于所述特征屬性域確定每個各自參考主體的后驗概率矢量，其中后驗概率矢量的每個各自要素指的是所述域要素，并且表示特定組的參考主體關(guān)于所述域要素屬于所述組的概率(18-20),對所述后—驗概率矢量應(yīng)用過濾處理，所述過濾處理是基于移除高于或低于預(yù)定閾值的那些矢量或矢量要素，剩余的矢量或矢量要素被實施以將所述參考主體的參考分布構(gòu)造為所述域要素的函數(shù)，其中該使用包括*確定主體的類似的特征值，*確定所述主體的類似的后驗概率矢量，評估所述主體的所述后驗概率矢量是否位于所述參考主體的所述分布中。根據(jù)另一個方面，本發(fā)明涉及一種方法，使用預(yù)存的參考工具以基于從主體收集的生物信號數(shù)據(jù)來診斷主體的醫(yī)學(xué)狀況，該參考工具是基于從參考主體的一個或多個組收集的生物信號數(shù)據(jù)來構(gòu)建的，每個組代表具有至少一個共同的特性的參考主體，如下構(gòu)造所述參考工具定義代表在相同的組中的參考主體的共同特性的一個或多個參考特征，確定每個各自的參考主體的所述參考特征的參考特征值，定義特征屬性域，包含域要素，其中每個要素由一個所述參考特征或兩個或更多所述參考特征的組合定義，基于所述特征屬性域，對每個各自參考主體確定后驗概率矢量，其中后驗概率矢量的每個各自要素指的是所述域要素，并且表示特定組的參考主體關(guān)于所述域要素屬于所述組的概率，對所述后驗概率矢量應(yīng)用過濾處理，所述過濾處理是基于移除高于或低于預(yù)定閾值的那些矢量或矢量要素，剩余的矢量或矢量要素被實施以將所述參考主體的參考分布構(gòu)造為所述域要素的函數(shù)，其中該方法包括確定主體的類似的特征值，*確定所述主體的類似的后驗概率矢量，*評估所述主體的所述后驗概率矢量是否位于所述參考主體的所述分布中。本發(fā)明的方面可以每個與其他方面的任一個組合。本發(fā)明的這些和其他方面將參考以下所述的實施例被闡明并變成顯而易見。下面將參考附圖以例子的方式描述本發(fā)明的實施例，其中圖1圖形地描述基于從兩組參考主體收集的生物信號數(shù)據(jù)來構(gòu)建根據(jù)本發(fā)明的參考工具；圖2-4圖形地表示對于圖1的第一特性的參考主體的分布的例子；圖5示出基于圖2-4對于單個特性的概率分布；圖6圖形地表示關(guān)于單個特性在組A和組B的兩組之間的分離；圖7圖形地表示根據(jù)本發(fā)明的參考工具，顯示三組，組A、B和C作為來自后驗概率矢量的特性的函數(shù)；圖8圖形地描述實施參考工具的可能的場景；圖9表示構(gòu)成參考工具的方法，該參考工具被用于提供參考以生成指示主體的醫(yī)學(xué)狀況的辨別信號；圖10-12示意性地表示對于組A和B中的所有參考主體這些特性的可能的分布；圖13表示在濾除不實現(xiàn)過濾標準的矢量或矢量要素之后的參考工具，圖14a-c圖形地表示從例如EEG數(shù)據(jù)的生物信號數(shù)據(jù)中定義和計算特征的例子；圖15表示用于構(gòu)建所述參考工具的根據(jù)本發(fā)明的設(shè)備；圖16表示使用所述參考工具來診斷主體的方法步驟的流程圖17表示根據(jù)本發(fā)明的設(shè)備，其使用所述預(yù)存的參考工具以生成用于指示主體的醫(yī)學(xué)狀況的辨別信號；圖18表示使用3-NN方案評估的兩個集合的分類性能之間的比較；圖19表示相同的比較，但是使用SVM分類方案來獲得特征對分類器；圖20表示基于經(jīng)驗結(jié)果的一個特性的分布，其中對于每個特性使用SVM分類器來計算后驗概率；圖21表示對于阿爾茨海默的主體、圓以及控制主體的兩個主體的后驗概率；圖22表示特別的組的試驗結(jié)果，其中后驗概率被繪制為特性的函數(shù)；以及圖23和24表示當給予探針混合物東荒菪堿時得出的效果，其中圖23表示在東萊菪堿的給予之前從測量得出的特性，圖24證明通過考慮給予前后它們的值的比率相同特性的響應(yīng)。具體實施例方式圖1圖形地描述基于從參考主體4、5的兩個組1、2收集的生物信號數(shù)據(jù)根據(jù)本發(fā)明的參考工具的構(gòu)成，其中在相同組內(nèi)的參考主體具有至少一個相同的特性，例如相同的年齡、性別、特定的神經(jīng)疾病、特定的左右手習(xí)慣等?；趶膬蓚€組1、2內(nèi)的參考主體收集的生物信號數(shù)據(jù)7、8來初始地定義表示共同特性的參考特征"fl"11、"￡2"12、"f3，，10。例如，參考特征flll可以涉及絕對A功率，f2可以涉及絕對e功率等。如在此所示，指數(shù)t指的是來自組l、2的特征的數(shù)目。參考特征的定義通常由初始地預(yù)先篩選每個各自組中的生物數(shù)據(jù)來得到，并且以這種方式監(jiān)測數(shù)據(jù)集中的相關(guān)性。例如，組(A)1內(nèi)的共同特性可以包括絕對A功率，因為絕對A功率非常高(或低)并且譜熵非常低(或高)，而組(B)2中的共同特性可以是DFA標度指數(shù)(oc帶振蕩)非常高?；谝陨厦枋龆x每個各自組的參考特征。例如，組(A)1的參考特征可以是fl-f3，組(B)的參考特征可以是f4-傷。隨后計算特征值，例如，絕對A功率、譜熵、a帶振蕩等。現(xiàn)在必須定義對于所有組共同的特征屬性域V13,其中域13包括基于所述參考特征ll、12、IO定義的域要素14-16。域要素被稱作屬性并且可以包括單個參考特征或所述參考特征的組合。通常，這樣的特征域可以由用戶(例如，技師、醫(yī)生、臨床醫(yī)生等)手動定義。在一個實施例中，域V13包括兩個或多個參考特征fl-傷的不重復(fù)的組合。如果假設(shè)指數(shù)N代表指示要組合多少特征的組合參數(shù)。對于1=3,域V13變成(fl，f4，f6);(fl，f5，傷》，其中屬性的數(shù)目是IO。每個域要素被稱為屬性，即，(fl,f2，f3)14是第一屬性，(fl，f2,f4)是第二屬性等等。對于每個各自屬性，評估組(A)-(B)1-2內(nèi)的參考主體的統(tǒng)計分布。對于第一屬性(fl，f2，f3),該三維的第一屬性被圖形地顯示在圖2-4中，其中在圖2中，對于組(A)-(B)1-2中的所有參考主體指示特征值fl和f2，圖3中繪出了特征值fl和f3，以及圖4中繪出了特征值f2和f3。組(A)中的主體由圓標記，組(B)2中的主體由三角形標記。如這里所示，分布的部分彼此分離(例如，圖2中的區(qū)域43-44),而分布的部分重疊40-41。由于兩個分布形成了一種"集群"，它們指示特征fl-f3是表征組A和組B中的主體的特征。然而，這兩組可以通過組A中的主體是男性而組B中的主體是女性的事實來彼此區(qū)分?，F(xiàn)在計算后驗概率矢量Pj17。已經(jīng)在以下文獻中公開了這樣的計算，例如，Duda等人的"PatternClassification",JohnWiley&Sons,Inc.(2001)p.61以及QingTao,Gao-WeiWu,Fei國YueWang,JueWang,KeyLab.ofComplexSyst.&IntelligenceScL，ChineseAcad,ofScL，Beijing,China,NeuralNetworks,IEEETransactionsonPublicationDate:Nov.2005，Volume:16,Issue:6,p.1561-1573,ISSN:1045-9227，INSPECAccessionNumber:8658863,DigitalObjectIdentifier:10.1109/TNN.2005.857955Postedonline:2005-11-0709:51:44.0,其結(jié)合于此作為參考。矢量17的矢量要素18-20給出了主體j關(guān)于實際上屬于特定組的特定屬性是否屬于特定組的概率。這意味著考慮該屬性(fl,f2,f3)，矢量要素18p(fl，f2,…，fi)1給出了在給定組中的主體關(guān)于屬性(fl,f2,f3)屬于這個組的概率?；谝陨厦枋觯琭l-f6給出特征，可以如下給出矢量Psubjectj，(a,b，c)=[P(fi,f2,b);P(fl,q，f4);P(fi,f2，f5);P(fl，q,f6);P(fi,fi,f4);P(fi,o,f5);P(fi,fi，傷)；P(fi，f4，f5);P(fl,f4,f6);P(fl,f5,f6)}這里假設(shè)屬性包括特征11、12的不重復(fù)的組合。然而，并不必須這樣。后驗概率估計的例子考慮對于特征X的任意集的兩個類A和B之間的分類問題。為了解決分類問題，對于一些選定的測量，分類器在最好地分離A和B的X空間尋求定義表面S。選擇指定的距離測量，可以發(fā)現(xiàn)至S的最小標記的距離d。A和B的要素形成d空間的分布，其描述屬于類A或B的后驗概率?？梢允褂枚喾N方法估算該后3全概率。最常用的技術(shù)是最大似然估算。讓P(Dld)表示屬于類D的具有距離d的要素的后驗概率，那么P(A|d)+P(B|d)=l。考慮訓(xùn)練集(di,yi)，其中di表示要素i的距離，并且如果要素屬于類A，yi=l，如果要素屬于類B,yi=-l。讓ti-(yi+l)/2并且pi=P(A|di)。為了從數(shù)據(jù)的給定集估算后驗概率，可以將分布參數(shù)化。這樣做的一個方法是假設(shè)pi-l/(l+exp(adi+b))。然后通過將訓(xùn)練數(shù)據(jù)的對數(shù)似然最小化來找到參數(shù)a和b:Min-》(ti1og(pi)+(l-ti)log(l-pi))。根據(jù)圖2-4，如果屬于例如組A的主體位于區(qū)域43a-c，這個特定主體關(guān)于這個屬性屬于組A的概率值是高的，而如果屬于組A的主體位于圖2的區(qū)域43a中，但是處于圖3-4中的重疊區(qū)域41-42中，概率更低。由此，對于這個特定主體的后一瞼概率矢量的第一要素p(fl，f2，f3)118在前面的情況比在后面的情況更高。第一要素P(f!，f2,fi)18給出了基于圖2-4所示的分布在特定組中的主體關(guān)于屬性(fl,f2,f3)實際上屬于這個組的后-瞼概率值。圖5圖形地描述基于圖2-4概率分布。水平軸表示屬性并且垂直軸表示分布。由于圖2-4中的重疊40-42，在圖5的分布中沒有分離。這里已經(jīng)假設(shè)在計算后驗概率矢量時，組B已經(jīng)被用作參考組。因此，組B的低P值表示主體屬于組B的高似然性。將在下面更詳細地討論后驗;f既率矢量的計算。通過考慮這個一維分布(注意這僅僅是后驗概率矢量的第一要素)由于重疊，識別主體關(guān)于屬性(fl,f2,f3)是否屬于組A或B是困難的?，F(xiàn)在參考圖1，通過濾除這些不具有足夠高(或在組B的情況下足夠低)的概率值的矢量或矢量要素，可以產(chǎn)生關(guān)于屬性(fl，G,f3)的組A和組B之間的分離45。這在圖6中被圖形地證明。以這種方式，例如，如果參考主體具有阿爾茨海默，基于這個單個屬性(fl，G，f3),具有位于區(qū)域46中的p(fl,G，f3)值的測試主體的可靠性可以被解釋為高的。由此得出結(jié)論，組A之內(nèi)參考主體實際上具有特定特性的可靠性可以被控制。由于對于這個特定屬性提供了十分好的參考，所以也得出這個結(jié)論?，F(xiàn)在計算對于所有隨后的域要素14-16的矢量要素(p(fl,f2,f4),p(fl,f2，f5)等)。為了對于隨后的矢量要素進行所示的分離，必須4是供闊值，并且基于該閾值，對于所有屬性移除所有后面的矢量(作為整體)或矢量要素。提供閾值的例子是選擇具有0.8或更高值的所有矢量要素并且刪除所有隨后的要素(矢量)。圖7圖形地表示對于三個組A、B和C47-49作為所示屬性的函數(shù)的根據(jù)本發(fā)明的參考工具21。這里，在圖7中也描繪了具有不同特性的可能的第三組49的分布49。組的數(shù)目當然可以大于這里所示的數(shù)目，參考特征的數(shù)目也可以大于這里所示的數(shù)目。如上所述可明顯獲知，如果不滿足閾值的后面的矢量(或矢量要素)沒有被刪除，圖6中的分布將會(或可能)重疊。因此，確定測試主體是否屬于某個組是困難的甚至是不可能的。由此，圖7被實施為用于生成指示測試主體的醫(yī)學(xué)狀況，例如神經(jīng)狀況的辨別信號的參考工具21。如圖8所示，這樣的參考工具的一個實施是從測試主體50收集相等的生物信號數(shù)據(jù)51?；诮邮盏臄?shù)據(jù)，特征值被計算并且與所述特征10相關(guān)。例如，如果特征值包括譜熵、總熵、DFA標度指數(shù)等，對于這個測試主體的特征值可以是譜熵值、總熵值、DFA標度指數(shù)值?；谏鲜隼?，可以由此對應(yīng)于確定與"fl"-"f6"特征相關(guān)的特征值。然后確定測試主體的對應(yīng)的后驗概率矢量，然后將該矢量與圖7中的參考工具相比較，即，與參考分布相比較。圖8表示在后驗概率矢量中的前六個要素52-57既不屬于參考組A47也不屬于參考組B48,而后四個要素58-61屬于組C49的可能的情況。例如，如果參考組C是患有特定神經(jīng)疾病的組，這可以表示測試主體50患有這個疾病。圖9表示構(gòu)建根據(jù)本發(fā)明的參考工具的方法，以提供用于生成指示主體的醫(yī)學(xué)狀況的辨別信號的參考。初始地，基于至少一個選擇標準來選擇被用作參考組的對象的一個或多個組(Sl)101。參考主體的組的選擇通?；诮M的特性。每個各自組的所有成員具有特定的特性，例如，特定的神經(jīng)疾病、特定的左右手習(xí)慣、相同的年齡和性別，是不同年齡組的健康主體等?？梢陨婕霸S多其他的特性。如果目標是確定主體是否具有特定的神經(jīng)狀況，可以定義組使得其適合要被分類的主體的已知的特性，例如，相同的年齡和左右手習(xí)慣。然后利用組之間可變的特性來分類神經(jīng)狀況。在隨后的步驟(S2)103中，基于從適于放置在所述參考主體上的生物信號測量裝置中獲得的生物信號測量來獲得生物信號數(shù)據(jù)。這些生物信號數(shù)據(jù)可以以各種方式獲得，例如，由主體或由其他技術(shù)或醫(yī)學(xué)專家。例如，可以通過使用必要的測量設(shè)備在家從主體收集數(shù)據(jù)。一個或多個生物信號測量包括選擇的生物信號數(shù)據(jù)，例如從由腦電圖掃描法(EEG)、核磁共振成像(MRI),功能核磁共振成像(FMRI)、腦》茲掃描法(MEG)測量、正電子成像法(PET)、CAT掃描(計算機化X射線軸向分層造影)和單光子發(fā)射計算機斷層(SPECT)構(gòu)成的組選擇。生物信號測量也可以涉及其他的生理參數(shù)，例如通過例如^效陣列或PCR發(fā)現(xiàn)的血液或其他組織中的基因表達水平，在例如血液和尿樣中的特定蛋白質(zhì)和酶的濃度，例如溫度、性別、年齡、人種、體重、身高等的基本生理參數(shù)。此外，生物信號數(shù)據(jù)也可以是環(huán)境或歷史源由，例如，主要職業(yè)、疾病史、居住條件、飲食、使用藥物和酒精情況、吸煙等。該數(shù)據(jù)被暗示為計算機化的，例如，圖像被數(shù)字化等。在另一個實施例中，從主體獲得數(shù)據(jù)的步驟包括當獲得參考數(shù)據(jù)時在由參考主體執(zhí)行的相似的活動的過程中獲得數(shù)據(jù)。例如，如果來自參考主體的數(shù)據(jù)是由EEG在他們閉上眼睛時獲得的，優(yōu)選地從病人獲得的數(shù)據(jù)是當他/她在閉上眼晴時獲得的，或者如果從參考人員獲得的數(shù)據(jù)是當他們觀察圖像或文字時獲得的，那么當獲得數(shù)據(jù)時病人應(yīng)該實施類似的活動。在隨后的步驟(S3)105中，對于生物信號數(shù)據(jù)計算參考特征，其中這些特征表示在相同組內(nèi)的參考主體的共同的特性。例如，每個各自組的所有成員可以具有特定的特性，例如，特定的神經(jīng)疾病、特定的左右手習(xí)慣、相同的年齡和性別。許多其他的特性也可以是相關(guān)的。參考主體可以根據(jù)現(xiàn)存的醫(yī)學(xué)記錄，并且通過確定每個主體是否屬于目標組的醫(yī)生或其他醫(yī)學(xué)專家的徹底檢查來分類，目標組例如是具有阿爾茨海默類型的癡呆的特定神經(jīng)狀況的組。在一個實施例中，在受控的臨床實驗過程中收集這樣的生物信號數(shù)據(jù)，其中每個主體由專家醫(yī)生或例如專業(yè)技術(shù)的其他類型的專業(yè)人員來進行徹底的醫(yī)學(xué)檢查，這些人確定實驗參與者是否滿足每個組的指定定義。如果目標是確定主體是否具有特定的神經(jīng)狀況，組被定義使其滿足要被分類的主體的已知特性，例如相同的年齡或左右手習(xí)慣。然后組之間的不同特性被用于分類神經(jīng)狀況。這將在下面詳細討論。參考特征可以被實施為單個參考特征或由兩個或多個所述特征組成的參考特征集。特征的選擇優(yōu)選地通過從每個參考人員"預(yù)先篩選"數(shù)據(jù)并且檢查哪個特征適于被用作參考特征來進行。在定義參考特征時需要被滿足的基本條件是優(yōu)選地對于所有測試人員來說在數(shù)據(jù)中的特征之間具有相關(guān)性。這樣的參考特征的例子是當從EEG獲得生物信號時，例如，絕對A功率、絕對e功率、相對e功率、譜頻率、整個功率、DFA標度指數(shù)(a帶振蕩)等。在說明書中給出了這樣的參考特征的更詳盡的列表。由此，基于疾病的類型，一些參考特征比其他參考特征更適合。例如，對于疾病A,可能優(yōu)選地使用絕對A功率、絕對e功率或相對e功率，由于在測試主體之間這些特征的高相關(guān)性。而對于疾病B，可能優(yōu)選地使用相對e功率、譜頻率、整個功率、DFA標度指數(shù)(a帶振蕩)作為特征。隨后計算與定義的特征相關(guān)的特征值。在上述例子中，這對應(yīng)于計算絕對A功率值、絕對e功率值、相對e功率值、譜頻率值、整個功率值、DFA標度指數(shù)(a帶振蕩)值。然后如在圖2-4中原來討論的那樣，這些計算的值被用于評估特征值的分布。模型的一個例子是參考人員的計算特征值的統(tǒng)計分布，例如高斯分布，或者圖2-4中所示的三維分布。另一個實施例考慮所有特征，但是確定特征應(yīng)該具有的權(quán)重以最大化地分離考慮的組。讓乂，/e(l,2,…,W表示從生物信號數(shù)據(jù)計算的特征集，并且Nf為考慮的特征的數(shù)目。考慮兩個平衡的組，A和B，每個組中主體的數(shù)目大致相等。Nf表示在組中的主體的總數(shù)。實際上，在解決分離問題時一次考慮所有特征是不可行的，因為主要的危險是過度擬合數(shù)據(jù)。N表示一次考慮的特征的數(shù)目。經(jīng)驗方法是不考慮多于A^垂的特征<formula>formulaseeoriginaldocumentpage22</formula>為指示特征的所有不重復(fù)的組合的集的特征屬性域，這些組合被稱為屬性。這里厶對應(yīng)于圖1中的(fl,f2，…，fi)114,厶對應(yīng)于(fl,f3，…,fi)Z等。例如，考慮y"l,2，3l并且N:2，然后V={(1,2),(1，3)，(2，3)}。在隨后的步驟(S4)107中，對于每個分配給給定組的各自參考主體計算后驗概率矢量。這要的計算要求基于Vi中的特征的分布(參考圖2-4)，對于V中的每個要素i發(fā)現(xiàn)分類器，然后該分類器被用于對關(guān)于一個組的每個主體估算所述后驗概率，例如，屬于組A的主體j的概率。分類器是多維模式識別方法，例如K-NN最近鄰方案(K-NN)、支持矢量機(SVM)、線性辨別分析、二次辨別分析、正則辨別分析、邏輯回歸、樸素貝葉斯分類器、隱藏馬爾可夫分類器、包括多層感知網(wǎng)絡(luò)和放射狀基礎(chǔ)的功能網(wǎng)絡(luò)的神經(jīng)網(wǎng)絡(luò)基礎(chǔ)的分類器、支持矢量機(SVM)、最小平方SVM、包括分類和遞歸樹(CART)的基于分類樹的分類器、ID3、C4.5、C5.0、AdaBoost以及ArcX4的分類樹基礎(chǔ)的分類器、包括隨機森林TM的樹基礎(chǔ)的集成分類器。然后選擇的分類器被用于構(gòu)建特征空間中的邊界，其根據(jù)特定分類器基于的標準來最好地分離組。從得到的邊界確定后驗概率矢量，通常作為距邊界的距離的函數(shù)并且來自訓(xùn)練集的估算的分布，例如，來自組的數(shù)據(jù)，被參數(shù)化為距所述邊界的距離的函數(shù)。這些概率由Pij表示?？紤]理想屬性k,即對于屬于組A的所有主體j的Pij=l以及對于屬于組B的所有主體j的Pij=0意味著對于給定屬性兩個組的分布中沒有重疊(例如，圖2-4中所示的所述(fl，f2，f3)屬性)。這表示分類器將訓(xùn)練集中的所有主體正確地分類，假設(shè)過度擬合沒有發(fā)生，其為好的預(yù)測器。這證明對于特定屬性的Pij的理想分布是將Pij的方差最大化的分布。主要成分分析(PCA)識別變量的獨立組合，即，不相關(guān)的，這使方差最大化。實際上，PCA是通過檢查歸一化相關(guān)矩陣的特征矢量和對應(yīng)的特征值來執(zhí)行的。這些特征矢量被稱為pca特征矢量。具有最大特征值的pca特征矢量是屬性的獨立組合，其使方差最大化。具有第二大特征值的特征矢量描述與第二大方差的組合等等。換句話說，由歸一化相關(guān)矩陣的pca特征矢量描述的組合的方差與特征值成正比。使W為pca特征矢量構(gòu)成的矩陣，即，矢量形成W的列。pca后驗概率矩陣被定義為Ppca-PW。在這個映射之后，對應(yīng)于具有最大特征值的pca特征矢量的列將盡可能地接近關(guān)于分類的理想后驗概率分布。我們可以考慮若干這樣的列并且在pca后-瞼概率空間重復(fù)分類。在這個實施例中，計算立屬性匹配，在運行的數(shù)據(jù)庫中可以存儲原始數(shù)據(jù)、參考組的特征、所有屬性的pca后驗概率值、矩陣W和對應(yīng)的特征值。當要分類新的主體時，例如，當要診斷潛在病人時，從獲得的生物信號計算特征。然后將結(jié)果與包含參考特征值的數(shù)據(jù)庫中的數(shù)據(jù)進行比較。然后對于每個導(dǎo)致主體的后驗概率矢量的屬性，如上所述使用相同方式確定新的主體的后驗概率，Psubj=(Prbj，P2subj，...)17。然后存儲的矩陣W被用于發(fā)現(xiàn)對應(yīng)的pca后驗概率，Ppca,subj=PsubjW。根據(jù)矩陣W的特征值選擇最相關(guān)的成分，對于從數(shù)據(jù)庫中獲得的Ppca中的相關(guān)成分執(zhí)行新的分類。這里使用從Ppca選擇的Ppca的成分并且將其與由相同的選擇的成分構(gòu)成的訓(xùn)練數(shù)據(jù)相比較僅執(zhí)行一個多維成分。例如，這將得到屬于特定組的新主體的單個后驗概率，并且是分類的基礎(chǔ)，例如，預(yù)測所述主體屬于特定組。實際上，基于選擇的對應(yīng)于接收的置信度的截止概率來進行決定、分類或診斷。完全的診斷可以涉及若干所述分類，其中主體與若干特性組相比較。在隨后的步驟(S5)109中，對于所述的特征或特征集進行過濾處理。這通過評估關(guān)于所述矢量中的概率要素的方差的所迷后驗概率矢量來完成，該評估導(dǎo)致具有大于/小于預(yù)定閾值的方差的選擇。例子1:對于兩組參考主體，組A和組B,我們假設(shè)卜{1，2，3}是使用的特征的集合，N-2是確定要組合的特征的數(shù)目的組合參數(shù)(例如，可以組合兩個特征或三個特征等等)。特征的所有不重復(fù)的組合的集合是V={(1，2)，(1,3),(2，3)}，即，第一要素是特征1和2的組合，第二要素是特征1和3的組合等等?；谝陨纤觯?1，2)是第一屬性，(1,3)是第二屬性，(2,3)是第三屬性。圖10-12示意性地表示對于組A和B中的所有參考主體，這些屬性可能的分布。圖IO表示對于兩個組A和B的屬性(1,2)的統(tǒng)計分布，其中根據(jù)('T，，"2")的特征值(即，'T，是特征1值，"2"是特征2值)繪出了組中的參考主體。域A表示組A中的參考主體(以圓標識)的分布，并且域B表示組B中的參考主體(以正方形標識)的分布。圖11和12分別表示屬性(1，3)和(2,3)的對應(yīng)的統(tǒng)計分布，即，對于圖3所示的屬性的(1，3)分布，繪出所有參考主體的所有("1"，"3")特征值，以及對于圖13所示的屬性的(2,3)分布，繪出所有參考主體的所有("2","3")特征值。繼續(xù)這個例子，隨后的步驟是計算組A和B中的每個各自人員的后驗概率矢量。用于說明，在圖10-12中表示在組A中被分類的主體201的特征值("1"，"2")，("1"，"3")和("2"，"3，，)的例子。特定主體的后驗積克率矢量是通過計算屬于組A的主體201的概率來確定的。對于這個特定主體，很清楚主體位于域A內(nèi)，而不在邊界或甚至在域B內(nèi)，這導(dǎo)致具有對每個各自屬性高概率的要素的概率矢量，即，矢量的方差是高的。由此概率矢量的結(jié)果可以是P=,即，對于屬性(1，2)，(1，3)和(2,3),主體位于域A內(nèi)的概率分別是0.79，0.85和1.0。如前所述，對于域A和B內(nèi)的所有主體計算概率矢量。對于組B內(nèi)的主體，因為組B被用作參考組，所以得到的概率矢量將具有低的值。由此，對于組B內(nèi)的主體的概率矢量P-表示主體B位于組B內(nèi)的概率是非常大的，即，方差是大的。此外，在計算之后，執(zhí)行評估處理以評估要使用哪個概率矢量，即，哪個概率矢量具有足夠大的方差。這個"過濾處理"對于如圖5-7中原來討論的那樣將兩個組彼此分開是必須的。例如，替代0.705，0.85和1.0的值，來自組A的另一個主體的結(jié)果可以是0.5,0.49和1.0(這可能是位于重疊區(qū)域內(nèi)的人)。在這種情況下，由于低的方差，可以不使用概率矢量，或者可以忽略前兩個要素。為了評估概率矢量，可以定義閾值，由此可以不使用其方差低于預(yù)定的閾值的所有概率矢量或矢量中的要素。例如，對于0.6的閾值，在概率矢量中僅一個要素低于0.6就足以不使用該概率矢量。圖13表示在濾除不滿足過濾標準(即，閾值)的矢量或矢量要素之后得到的參考工具，使得只選擇對于組A和B主體具有大的方差的概率矢量。這對應(yīng)于圖7所示的參考工具，但是這里組的數(shù)目僅為2。當然這個數(shù)目可以大于2，例如，如圖7所示為3，或者大于3。在這個圖形中，對于所有參考主體繪出選擇的概率矢量，其中x軸代表屬性要素(1,2),(1，3),(2,3)并且y軸代表相關(guān)的概率值。用于說明，沿著來自組A的其他參考主體的得到的概率矢量(以填滿的圓標識)，對于三個屬性要素顯示來自組A的主體201的概率矢量P-。圖13表示來自組B的主體的對應(yīng)的結(jié)果。從這個例子中顯而易見，因為在計算概率矢量時組B被選作參考組，所以來自組A的所有參考主體在上部，而參考主體B在下部。圖14a-c圖形地表示從例如EEG數(shù)據(jù)的生物信號數(shù)據(jù)如何定義特征的例子。顯示了在相同組內(nèi)的三個參考主體(當然參考主體的數(shù)目可以更大)的虛擬(imaginary)生物信號數(shù)據(jù)。垂直軸是例如對于所述電極的自發(fā)電位的功率，以及水平軸可以是時間t。軸上的單位可以是例如任意單位(arb.)。如圖所示，考慮tl和t2之間的時間窗口中的共同峰值，在三個峰值之間具有明確的相關(guān)性。由此，峰值的強度、或者簡單地在這個時間窗口中出現(xiàn)峰值可以被用于定義這些參考主體的特征(假設(shè)其他的參考主體表示相似的特性)。優(yōu)選地，所述參考特征是基于選擇標準選擇的，包括參考人員之間高相關(guān)性的選擇標準。由此，在選擇哪個參考特征要被使用之前，對于每個參考人員進行相關(guān)性檢查并且基于相關(guān)性檢查來選擇優(yōu)選的參考特征。這個相關(guān)性檢查可以例如包括掃描圖14a-c的圖中的所有峰值，并且檢測哪個峰值是最大峰值，然后檢測所述最大峰值位于什么地方，即，它們是否在相同的時間窗口中。另一個檢查也可以是對于所有參考人員計算譜熵，并且比較得到的熵，即，在得到的值中是否存在大的偏差。由此，可以通過例如確定絕對△功率、絕對e功率、絕對a功率、絕對p功率和絕對Y功率來執(zhí)行標準相關(guān)性;險查。進一步的相關(guān)性檢查可以包括確定相對△功率、相對e功率、相對a功率、相對p功率和相對Y功率。進一步的檢查可以包括確定總功率、峰值頻率、中值頻率、DFA標度指數(shù)(a帶振蕩)以及DFA標度指數(shù)(卩帶振蕩)。圖15表示基于從參考主體401的一個或多個組402收集的生物信號數(shù)據(jù)406來構(gòu)建所述參考工具的設(shè)備400。設(shè)備400包括接收器(R)403、處理器(p)404和存儲器405。接收器(R)403被用于從參考組402中的參考主體401接收生物信號數(shù)據(jù)406。處理器被用于基于存儲在可以為可編程存儲器的存儲器405中的軟件中的指令來執(zhí)行圖9所示的方法步驟。這包括執(zhí)行所述預(yù)篩選來檢查從參考人員401接收的生物信號數(shù)據(jù)406中是否具有相關(guān)性。此后，處理器(P)404提取/定義所述參考特征，并且隨后計算所有參考主體的所述后驗概率矢量，并且濾除不符合所述閾值的這些矢量或矢量要素。然后所述剩余的矢量或矢量要素被實施用與對所述參考主體將所述參考分布構(gòu)建為所述域要素的函數(shù)。然后參考分布被存儲在存儲器405中。根據(jù)生物信號測量的類型，處理器(P)404進一步被用于將生物信號測量406轉(zhuǎn)換為生物信號數(shù)據(jù)。這可以是MRI測量的情況，其中得到的圖像需要被轉(zhuǎn)換為生物數(shù)據(jù)，例如，光強度。圖16表示使用所述參考工具21來診斷主體的方法步驟的流程圖，其中初始地對主體執(zhí)行生物信號測量(Sl)801。如前所述，生物信號測量可以包括例如EEG測量、核磁共振成像(MRI)，功能核磁共振成像(FMRI)、腦磁掃描法(MEG)測量、正電子成像法(PET)、CAT掃描(計算機化X射線軸向分層造影)和單光子發(fā)射計算機斷層(SPECT)等。最終，從所述生物信號測量得到的信息必須被轉(zhuǎn)換為生物信號數(shù)據(jù)(S2)803，例如，如果生物信號數(shù)據(jù)包括成像數(shù)據(jù)，其中圖像被優(yōu)選地轉(zhuǎn)換為數(shù)字數(shù)據(jù)，例如，基于光強度或其他相似屬性。然后，從生物信號數(shù)據(jù)提取對應(yīng)于所述參考特征的特征(S3)805。這可以包括如圖6所示的例子中的所述時間窗口tl和t2中的所述強度峰值。由此，下面將被詳細討論的處理器祐L預(yù)編程，使得其從對應(yīng)于預(yù)存儲的參考特征的生物信號數(shù)據(jù)(S2)803中提取特征。現(xiàn)在對于主體計算在參考工具中定義的后驗概率矢量(S4)807?？紤]圖13，從參考特征中計算的后驗概率矢量是P-[(2，3)，(1，3)，(1,2)]，并且將其與圖5所示的分布比較，并基于此將主體分類。其結(jié)果是可以看到主體是否落入組A或B的分布中(S5)809。例如，假設(shè)組A是明確定義的組，并且對于主體在概率矢量中的所有要素落入圖5中的特征分布中，這將清楚地表明主體屬于組A。這意味著如果在組A中的所有主體是健康主體，這表明該主體是健康主體。然而，如果主體沒有落入組A，這將清楚地表明該主體不屬于這個特定組。然而，如果主體部分地屬于組A，需要進一步的處理。在這個例子中，優(yōu)選的是例如組A中的參考主體的年齡和性別與測試主體的年齡和性別相匹配。上述方法步驟可以在軟件或硬件中實現(xiàn)。圖17表示根據(jù)本發(fā)明的設(shè)備600，基于從主體收集的生物信號數(shù)據(jù)使用所示預(yù)存的參考工具來生成用于指示主體的醫(yī)學(xué)狀況的辨別信號。在這個實施例中，設(shè)備600包括接收器(R)603、發(fā)射器(T)603、處理器(P)604以及存儲器605,其優(yōu)選地為可編程存儲器。在一個實施例中，設(shè)備600被實施為服務(wù)系統(tǒng)，其中接收器603被用于從例如醫(yī)生606或技師測量的主體接收生物信號數(shù)據(jù)608。然后這些數(shù)據(jù)，例如其可以是所述EEG數(shù)據(jù)，通過例如因特網(wǎng)的通信信道607直接從測量裝置或連接至測量裝置的計算機601被發(fā)送。然后由所述接收器(R)603接收的生物信號數(shù)據(jù)608由處理器(P)604處理，處理器604計算主體的特征和后驗概率矢量，并且將概率矢量與特征分布(例如如圖7所示)相比較以檢查該主體是否屬于被明確定義的某個或某些參考組。在一個實施例中，比較的結(jié)果可以是"報告"609的發(fā)布，說明測試人員是否被診斷為陽性/陰性。然后通過所述通信信道607,發(fā)射器(T)602將這個報告發(fā)送回醫(yī)生606或技師。在另一個實施例中，所示接收器(R)603、發(fā)射器(T)602、處理器(P)604以及存儲器604可以是在所述設(shè)備中包含的計算機系統(tǒng)中的硬件元件。設(shè)備可以包括EEG測量裝置或根據(jù)應(yīng)用任何其他種的裝置。這些硬件元件也可以是在計算機601中的硬件元件，其中存儲器具有預(yù)存的軟件以指示存儲器執(zhí)行圖16所示的方法步驟。開始例子2下面的例子表示在臨床實驗中使用所示參考工具的重要性。實驗中的參與者被劃分為兩個組。一個組包括IO個年長的主體，他們已經(jīng)被診斷為具有阿爾茨海默類型的輕度到中度癡呆(AD組)。10個健康個體(即，非AD個體)的第二年齡匹配的組被包括作為控制組。參與者的AD組包括在冰島的雷克雅末的Landspitali大學(xué)醫(yī)院的老人病科的記憶診所中的追蹤監(jiān)護的病人。該組由根據(jù)ICDIO的具有阿爾茨海默疾病(AD)的病人組成。其他組由正常控制的參與者組成，他們從參加日間照料中心的精神^t晉亂的病人的親屬中招募的。為了具有參與研究的資格，主體必須年齡在60-80之間、由標準體4企確定為處于通常的健康狀態(tài)并且在ECG上沒有劇烈的變化。排除標準包括吸煙或煙草的任何其他使用(也排除那些在實驗之前停止使用煙草一周或更短時間)、安定止痛和苯二氮治療、肝或腎功能受損、對東萊菪堿超過敏、對于藥品、酒精上癮或醫(yī)學(xué)濫用、青光眼或通過東萊菪堿的給予增加的眼內(nèi)壓力的可能性。在篩選訪問之前通過電話面試主體。從醫(yī)院的記錄選擇AD主體。在記憶診所的追蹤程序中的所有AD病人以抗癡呆藥物治療。為了最小化在實驗中的主體的變化，AD組中的參與者從使用相同的膽堿脂酶抑制劑，Reminyl(galantamineHBr)治療的病人中選擇。在篩選訪問中，參與者由研究醫(yī)師進行身體檢查并且滿足設(shè)置的包含/排除標準。記錄以下診斷信息ECG記錄、血樣、分期(全球惡化規(guī)4莫(GDS)和MMSE(見表l)以及CT/SPECT)，并且最終由眼科醫(yī)師執(zhí)行檢查。從每個主體記錄腦電圖儀的神經(jīng)生理信號。將記錄協(xié)議分成相同的兩個部分或系歹ll(session)。在這個例子中，至少一個探針化合物(compound)被用于啟動神經(jīng)生物效果。如上所述，這個例子的目的在于表示參考工具對于診斷主體的重要性，不管是否使用化合物，其可以被很好表達。在某些情況下，化合物的使用對于啟動神經(jīng)生物效果是必須的，在某些情況下，化合物的使用不是必須的。當給予主體時，探針化合物的被用于啟動神經(jīng)反應(yīng)，其中化合物的選擇必須使得對于患有特定神經(jīng)疾病的主體引起的神經(jīng)反應(yīng)和對于健康主體引起的神經(jīng)反應(yīng)不同。所有的主體被給予相同劑量的探針化合物，并且給予和給予后的測量的開始之間的時間間隔對于所有測量的主體是實質(zhì)上相同的。在特定例子中使用的化合物是東莨菪堿，其被靜脈注射地給予。在每段中記錄兩分鐘的周期，其間主體被指示閉上眼睛休息。從這些周期收集的數(shù)據(jù)被用于評估各個特征?；谝阎臇|菜菪堿干擾生物物理路徑的效果來選擇物質(zhì)東萊菪堿，其中惡化患有阿爾茨海默疾病的主體的生物物理路徑惡化。東萊菪堿是類膽堿功能的對抗劑，并且已知對于阿爾茨海默疾病患者類膽堿功能系統(tǒng)惡化。表l:在研究中檢查的參與者的特性<table>tableseeoriginaldocumentpage29</column></row><table>對于年齡相關(guān)的感知衰退和阿爾茨海默疾病，#全球惡化規(guī)模(GDS):階段l:沒有感知衰退，階段2:十分輕微的感知衰退(健忘)，階段3:輕微的感知衰退(早期4青神混亂)，階段4:中度感知衰退(晚期精神混亂)，階)史5:中度嚴重的衰退(早期癡呆)；階段6:嚴重感知衰退以及階段7:十分嚴重的感知衰退。后兩個階段不參與研究。SD表示均值的標準偏差。使用計算機化的測量設(shè)備來記錄腦電圖學(xué)信號。使用電極放置的傳統(tǒng)國際10-20系統(tǒng)來執(zhí)行記錄。收集的數(shù)據(jù)以原始格式存儲在存儲裝置中用于以后的分析。在記錄的過程中，在計算機屏幕上同步地顯示信號以允許操作員監(jiān)視電極是否松了并且輸入指示特定事件的標記。這樣的事件可以指示記錄協(xié)議的特定部分的開始或者可以導(dǎo)致在記錄中出現(xiàn)人工因素的發(fā)生。這樣的發(fā)生包括主體眨眼、吞咽、運動或者通常違背協(xié)議。當收集了所有數(shù)據(jù)時，提取表征個人記錄的特征。從協(xié)議的第一和第二記錄系列中提取相同的特征。提取的特征來自在學(xué)術(shù)文獻中報告的結(jié)果(AdlerG.等人.2003，BabiloniC.等人2004,BennysK.等人2001,BrunovskyM.等人2003，Cichocki等人2004，ChoS.Y.2003，ClausJJ.等人1999，HaraJ.等人1999，HolschneiderD.P.等人2000，HongzhiQ.I.等人2004，HuangC.等人2000,Hyung-RaeK.等人1999，JellesB.等人1999,JeongJ.等人1998,2001,2004，JonkmanE丄1997，KikuchiM.等人2002,KoenigT.等人2004,LocatelliT.等人1998，LondosE.等人2003,MontplaisirJ.等人1998,Moretti等人2004:MushaT.等人2002,PijnenburgY.A丄.等人2004，PucdE.等人1998,1999，RodriquezG.等人1999，SignorinoM.等人1995，StamCJ.等人2003，2004，StevensA.等人1998，2001,StrikW.K.等人1997，VesnaJ.等人2000,WadaY.等人1998,BenvenutoJ.等人2002，Jimenez隱EscrigA.等人2001，SumiN.等人2000),結(jié)合于此作為參考。在例子中使用的16個特征如下編號。選擇了16個基本特征。1.絕對A功率2.絕對e功率3.絕對a功率4.絕對卩功率5.絕對Y功率6.相對A功率7.相對e功率8.相對a功率9.相對P功率10.相對"y功率11.總功率12.峰值頻率13.中值頻率14.語熵15.DFA標度指數(shù)(a帶振蕩)16.DFA標度指數(shù)(卩帶振蕩)使用第一段的部分來評估這些特征，其中主體閉上眼睛休息。對于對應(yīng)的第二段評估相同的特征，第二段發(fā)生在給予東萊菪堿之后。這些特征的后續(xù)給予被編號為17-32。最終，通過確定相同的特征在藥物給予之前和之后的比率，為了獲得每個特征對給予東萊菪堿的響應(yīng)的測量來組合特征。這些組合特征#皮編號為33-48(例如特征33是特征1和17的比率)。在給予前后的許多其他特;f正的組合也反應(yīng)響應(yīng)，例如，差值。為了證明使用探針化合物的有效性，執(zhí)行下面的分析。特征被用于使用模式分類方案來分類兩個組。為了設(shè)計分類器，需要帶標記的訓(xùn)練集(管理學(xué)習(xí))。然后該分類器被用于分類不可見的數(shù)據(jù)。為了評估分類器的性能，需要獨立的測試集。分類器是多維模式識別方法，例如K-NN最近鄰方案(K-NN)、支持矢量機(SVM)、線性辨別分析、二次辨別分析、正則辨別分析、邏輯回歸、樸素貝葉斯分類器、隱藏馬爾可夫分類器、包括多層感知網(wǎng)絡(luò)和放射狀基礎(chǔ)的功能網(wǎng)絡(luò)的神經(jīng)網(wǎng)絡(luò)基礎(chǔ)的分類器、支持矢量機(SVM)、最小平方SVM、包括分類和遞歸樹(CART)的基于分類樹的分類器、ID3、C4.5、C5.0、AdaBoost以及ArcX4的分類樹基礎(chǔ)的分類器、包括隨機森林TM的樹基礎(chǔ)的集成分類器。然后選擇的分類器被用于構(gòu)建特征空間中的邊界，其根據(jù)特定分類器基于的標準來最好地分離組。從得到的邊界估計后驗概率，通常作為距邊界的距離的函數(shù)并且來自訓(xùn)練集的估算的分布，例如，來自組的數(shù)據(jù)，被參數(shù)化為距所述邊界的距離的函數(shù)。具有兩個組(每個組中IO個人)的訓(xùn)練數(shù)據(jù)集不能不冒遇上過度擬合問題的風(fēng)險而支持同時考慮多于兩個特征的分類。過度擬合導(dǎo)致分類器對于不可見的數(shù)據(jù)通常處理的不好。在當前的例子中，同時考慮兩個特征。圖23和24表示東萊菪堿的效果。在圖23中，特征源于給予東萊菪堿之前的測量，圖24證明通過考慮給予之前和之后的特征值的比率的相同特征的響應(yīng)。明顯地，東莨菪堿導(dǎo)致對于這個特征對組之間的顯著地更好的分離?？紤]特征所有可能的組合。因此，如果考慮d特征，測試d(d+l)/2個可能的對。對于每個對，通過如下應(yīng)用"排一"方案來估計分類性能和正確度。訓(xùn)練集中要素的總數(shù)是N。該方案是基于構(gòu)建N個新訓(xùn)練集，每個新訓(xùn)練集具有N-1個要素，其中初始訓(xùn)練集的每個要素被排除一次。對于每個得到的訓(xùn)練集，被排除的要素組成測試集。以測試集的不正確分類和N的比率來估計整體性能。通過考慮兩個不同特征集的分類性能的直方圖來證明應(yīng)用;f莫式增強物質(zhì)，在這個例子中是東萊菪堿的有效性，一個集僅涉及在物質(zhì)給予之前提取的特征，特征1-16，并且一個集對模式增強物質(zhì)的響應(yīng)是敏感的，特征33-48,即，在給予之前和之后的基本特征的比率。兩個集具有相同的大小。從P3-P4組合(montage)估算特征。圖18表示對于使用3-NN方案估算的兩個集的分類性能之間的比較。從這個例子顯而易見，模式增強物質(zhì)實質(zhì)上導(dǎo)致增強的分類性能。獲得80%或更高的特征對分類器的數(shù)目為從4增加到29。圖19表示相同的比較，但是使用SVM分類方案來獲得特征對分類器。獲得80%或更高的特征對分類器的數(shù)目為從5到23。這證明使用探針化合物導(dǎo)致信號更加有辨別力。下面我們示范如何構(gòu)建數(shù)據(jù)庫。再次在每個屬性中操作兩個特征，圖20表示一個屬性的分布。對于每個屬性，使用SVM分類器計算后鳥封既率。圖21表示對于兩個主體的后驗概率，阿爾茨海默主體，以圓表示，和控制主體，十字交叉表示。實線表示整個阿爾茨海默組的中值。為了使破壞性干擾最小化，僅包括中值后驗概率高于某個選擇的閾值是實用的，例如0.8。圖22表示對于pca后驗概率，阿爾茨海默組和控制組的分布。為了證明本發(fā)明的預(yù)測性，例如診斷值，在上述臨床實驗中包含第三組。這個組是從已經(jīng)被分類為具有輕度感知損傷(MCI)主體招募的。該組在年齡上與其他組匹配。已知大約12。/。的MCI主體將在一年內(nèi)接受成為阿爾茨海默病人的診斷。在圖22中，在上述分類過程之后表示了這個組的結(jié)果，例如每個主體與來自前兩個組的數(shù)據(jù)構(gòu)成的數(shù)據(jù)庫進行比較。本發(fā)明預(yù)測主體s122201和sl62202屬于阿爾茨海默組。在進行臨床實驗之后這個組被追蹤一年。結(jié)果表明兩個主體被診斷為阿爾茨海默類型的癡呆，和本發(fā)明在追蹤訪問之前一年預(yù)測的屬于那個組的主體相同。這證明了本發(fā)明能夠比傳統(tǒng)診斷方法早一年檢測具有阿爾茨海默類型的神經(jīng)狀況癡呆的個人。換句話說，本發(fā)明能夠更早地檢測阿爾茨海默疾病。主體s182203和s62204被預(yù)測既不屬于阿爾茨海默組也不屬于控制組。兩年后，這些主體被追蹤進行標準診斷檢查，一個人被確定患有中風(fēng)，其他人的情況不確定。然而，神經(jīng)損傷是毫無疑問的。這些主體被推測具有血管性癡呆或微血管性癡呆，由此根據(jù)從本發(fā)明獲得的結(jié)果不應(yīng)該以數(shù)據(jù)庫中的任一組分類。以上所提及的化合物可以包括選自以下物質(zhì)所組成的組中的一種或幾種化合物包括異丙酚和依托咪酯的y-氨基丁酸(GABA)影響藥物；包括美索比妥、硫噴妥鈉、硫戊巴比妥、丁硫妥鈉(buthalital)、硫烯比妥、環(huán)己巴比妥、戊巴比妥、司可巴比妥、己巴比妥、布他比妥、環(huán)巴比妥、另丁烯丙巴比妥、苯巴比妥、曱基苯巴比妥和巴比妥的巴比妥類；例如阿普唑侖、溴西潘、利眠寧、氧異安定、氯硝西泮、氯氮卓、氯扎平、奧氮平地西泮(olanazapinediazepam)、艾司唑侖、氟硝基安定、氟胺安定、p合拉西泮、凱他唑侖、曱烷磺酸、勞拉西泮、氯羥安定(lormetazepam)、去氧安定、咪達哇侖、硝西泮、去曱安定、奧沙西泮、普拉西泮、四氟硫安定(ouazepam)、羥基安定和三哇侖的苯二氮類；諸如醋克利定、AF-30、AF150、AF267B、阿伐美林、檳榔堿、氨曱酰曱膽堿、CDD-0102、CDD-0034-C,CDD-0097-A、西維美林、CI1017、順式-二氧戊烷、米拉美林、毒蕈堿、氧化震顫素、毛果蕓香堿、RS86、RU35963、RU47213,沙可美林、SDZ-210-086、SR46559A、他沙利定、他唑美林、UH5、占諾美林和YM796的膽堿能激動劑；包括AF-DX116、辛托品、二苯丙酸胺乙酯、AQ-RA741、阿托品(atropin)、顛茄、貝那替。秦、節(jié)托品、BIBN99、DIBD、西沙比利、可利啶、達非那新、雙環(huán)維林、甘羅溴銨、后馬托品、硫酸阿托品(atropine)、茛菪堿、異丙托銨、曱哌佐酯、乙胺太林、曱基東t菪堿、PG-9、哌侖西平、普魯本辛、SCH-57790、SCH-72788、SCH-217443、東茛菪堿、噻托溴銨(tiotropium)、4乇4爭羅定和苯海索的月旦石威能阻斷劑；包4舌4-氨基p比咬、7-曱氧基他克林、阿米利定、貝西吡啶、CHF2819、CI-1002、DMP543、多奈哌齊、依斯的明、加蘭他敏、石杉堿A、石杉堿X、石杉堿Y、MDL73745、美曲膦脂、P10358、P11012、苯羥基丙氨酸(phenserine)、毒扁豆堿、歐伊勞斯提哥美林(ouilostigmine)、利凡斯的明、Ro46-5934、SM-10888、舒羅吖咬、T-82、他克林、TAK-147、托爾舍瑞恩(tolserine)、三氟苯乙酮、TV3326、維吖。定和齊羅硅酮的乙酰膽堿酯酶(ACE)抑制劑；包括利諾吡啶和XE991的乙酰膽堿釋放增強劑；包括MKC-231和Z-254105的膽堿攝取增強劑；包括ABT-089、ABT-418、GTS-21和SIB-1553A的煙堿激動劑；包括氯胺酮和美金剛胺的N-曱基-D-天冬氨酸(NMDA)拮抗劑；諸如胺硫桂苯胺氫氯化物、氯苯丙氨酸、二曱替。秦敏使朗和托西米定(xylamidinetosylate)的5-羥色胺抑制劑；包括阿坦色4木酒石酸鹽(altanserintartrate)、阿美舍吉(aAmesergide)、賽庚啶、格蘭塞群、高氯環(huán)嗪、酮舍林、麥斯卡林、米安色林、米爾塔扎平、哌拉平、苯噻啶、奧氮平、奧坦西隆、奧昔托隆、利哌利酮、利坦色林、托烷色林、氳氯化物和扎托司瓊的5-羥色胺拮抗劑；包括2-曱基-5-羥色胺、8-羥基-DPAT、丁螺環(huán)酮、吉吡隆、伊沙匹降、利扎曲坦、舒馬曲坦和佐米曲坦的5-羥色胺激動劑；包括西酞普蘭、依他普侖草酸鹽(escitalopramoxalate)、氟西汀、三氟戊將胺、帕羅西丁和舍曲林的5-羥色胺再攝取抑制劑；包括匹莫齊特、會硫平(ouetiapine)、曱氧氯普胺的多巴胺拮抗劑及諸如左旋多巴的多巴胺前體，以及其它作用與腦和神經(jīng)系統(tǒng)的化合物。如上所述可知，在存在或不存在一個或多個化合物時，本發(fā)明特別適于使用由腦電圖掃描法(EEG)測量獲得的生物信號數(shù)據(jù)。然而，在神經(jīng)生物學(xué)研究中使用的其他多維生物信號測量技術(shù)也可以用在本發(fā)明的方法中，獨立地或與一個或多個技術(shù)組合。這樣的技術(shù)包括但不局限于核磁共振成像(MRI)，功能核磁共振成像(FMRI)、腦磁掃描法(MEG)測量、正電子成像法(PET)、CAT掃描(計算機化X射線軸向分層造影)和單光子發(fā)射計算機斷層(SPECT)。當在上下文中提及"一個生物信號測量"時，其意味著以上述任意一個技術(shù)進行的生物信號數(shù)據(jù)測量，即，在此方法中使用的"一個生物信號測量"將產(chǎn)生多維數(shù)據(jù)。在所有情況下，這暗示數(shù)據(jù)被計算機化，例如，數(shù)字化的圖像等。結(jié)束例子公開的實施例的某些特定細節(jié)是用于說明的目的而不是用于限制，以提供本發(fā)明的清楚和完整的理解。然而，本領(lǐng)域的普通技術(shù)人員應(yīng)該理解到，本發(fā)明可以在不完全符合上述細節(jié)的不偏離本公開的精神和范圍的其他實施例中應(yīng)用。此外，在上下文中，為了簡要和清楚的目的，省略了公知設(shè)備、電路和方法的描述以避免不必要的細節(jié)和可能的混淆。在權(quán)利要求中包括參考標記。然而，參考標記的包含僅僅是為了清楚的目的，而不構(gòu)成對權(quán)利要求的范圍的限定。權(quán)利要求1.一種方法，基于從參考主體(4、5、401)的一個或多個組(1、2、402)收集的生物信號數(shù)據(jù)(7、8、406)來構(gòu)造參考工具(21)，其中每個組代表具有至少一個共同的特性的參考主體，該方法包括●定義代表在相同的組(1、2、402)中的參考主體的共同特性的一個或多個參考特征(11、12)，●確定(105)每個各自的參考主體(4、5、401)的所述參考特征(10、11、12)的參考特征值，●定義包含域要素(14-16)的特征屬性域(13)，其中每個要素由一個所述參考特征(11、12)定義或由兩個或更多所述參考特征(11、12)的組合定義，●基于所述特征屬性域(13)確定(107)每個各自參考主體(4、5、401)的后驗概率矢量(17、17-17c)，其中后驗概率矢量(17)的每個各自要素(18-20)指的是所述域要素(14-16)，并且表示特定組(1、2、406)的參考主體(4、5、401)關(guān)于所述域要素(14-16)屬于所述組的概率(18-20)，●對所述后驗概率矢量(17、17-17c)應(yīng)用(109)過濾處理，所述過濾處理是基于移除高于或低于預(yù)定閾值的那些矢量(17c)或矢量要素，剩余的矢量或矢量要素被實施以將所述參考主體(4、6、401)的參考分布(46)構(gòu)造為所述域要素(14-16)的函數(shù)。2.根據(jù)權(quán)利要求1所述的方法，其中從組中選擇參考特征(IO、11、12),該組包括絕對A功率、絕對e功率、絕對a功率、絕對(3功率、絕對y功率、相對A功率、相對e功率、相對a功率、相對(3功率、相對y功率、總功率、峰值頻率、中值頻率、譜熵、DFA標度指數(shù)(a帶振蕩)、DFA標度指數(shù)(卩帶振蕩)以及總熵。3.根據(jù)權(quán)利要求1或2所述的方法，其中所述特征屬性域的域要素(14-16)包括兩個或更多所述參考特征的不重復(fù)的組合。4.根據(jù)權(quán)利要求1-3的任一項所述的方法，其中確定(107)后驗概率矢量的步驟是基于從下組中選擇的計算方法，該組包括K-NN最近鄰方案(K-NN)、支持矢量機(SVM)、線性辨別分析、二次辨別分析、正則辨別分析、邏輯回歸、樸素貝葉斯分類器、隱藏馬爾可夫分類器、包括多層感知網(wǎng)絡(luò)和放射狀基礎(chǔ)的功能網(wǎng)絡(luò)的神經(jīng)網(wǎng)絡(luò)基礎(chǔ)的分類器、支持矢量機(SVM)、最小平方SVM、包括分類和遞歸樹(CART)的基于分類樹的分類器、ID3、C4.5、C5.0、AdaBoost以及ArcX4的分類樹基礎(chǔ)的分類器、包括隨機森林TM的樹基礎(chǔ)的集成分類器。5.根據(jù)前述權(quán)利要求的任一項所述的方法，其中在相同組(1、2、402)中的生物信號數(shù)據(jù)(7、8、406)是在相同組中的參考主體(4、5、401)的相似活動過程中收集的。6.根據(jù)前述權(quán)利要求的任一項所述的方法，其中從下面的特性中選擇參考主體(4、5、401)的所述特性*主體的性別*主體執(zhí)行的習(xí)慣相關(guān)的行為*主體的醫(yī)學(xué)狀況*主體的特定神經(jīng)疾病*主體的特定左右手習(xí)慣*主體的年齡*主體是否健康*主體的身體情況7.—種計算機程序產(chǎn)品，當該產(chǎn)品在計算機上運行時指示處理單元執(zhí)行前述權(quán)利要求的任一項的方法步驟。8.—種設(shè)備(400),基于從參考主體(4、5)的一個或多個組(1、2)收集的生物信號數(shù)據(jù)(7、8、406)來構(gòu)建參考工具(21)，其中每個組代表具有至少一個共同的特性的參考主體，該設(shè)備包括*預(yù)篩選生物信號數(shù)據(jù)并且在此基礎(chǔ)上定義代表相同組(1、2、402)中參考主體的共同特性的一個或多個參考特征(11、12)的處理器(404)，*確定(105)每個各自的參考主體(4、5、401)的所述參考特征(10、11、12)的參考特征值的處理器(404),*定義包含域要素(14-16)的特征屬性域(13)的裝置，域要素中每個要素由一個所述參考特征(11、12)定義或由兩個或更多所述參考特征(11、12)的組合定義，基于所述特征屬性域(13)確定(107)每個各自參考主體(4、5、401)的后驗概率矢量(17、17-17c)的處理器(404),其中后驗概率矢量(17)的每個各自要素(18-20)指的是所述域要素(14-16),并且表示特定組(1、2、406)的參考主體(4、5、401)關(guān)于所述域要素(14-16)屬于所述組的概率，*對所述后驗概率矢量(17、17-17c)應(yīng)用(109)過濾處理的處理器(404)，所述過濾處理是基于移除高于或低于預(yù)定閾值的那些矢量(17c)或矢量要素，剩余的矢量或矢量要素被實施以將所述參考主體(4、6、401)的參考分布(46)構(gòu)造為所述域要素(14-16)的函數(shù)。9.根據(jù)權(quán)利要求8所述的設(shè)備，進一步包括接收器(403)，該接收器用于從所述參考主體(4、5、401)接收生物信號數(shù)據(jù)(7、8、406)。10.—種方法，使用預(yù)存的參考工具(21)以基于從主體(50、606)收集(801)的生物信號數(shù)據(jù)(51、608)來生成指示主體(50、606)的醫(yī)學(xué)狀況的辨別信號，該參考工具(21)是基于從參考主體(4、5、401)的一個或多個組(1、2、502)收集的生物信號數(shù)據(jù)來構(gòu)建的，每個組(1、2、402)代表具有至少一個共同的特性的參考主體(4、5、401),如下構(gòu)造所述參考工具定義代表在相同的組(1、2、402)中的參考主體的共同特性的一個或多個參考特征，確定(105)每個各自的參考主體(4、5、401)的所述參考特征(10、11、12)的參考特征值，定義包含域要素(14-16)的特征屬性域(13)，其中每個要素由一個所述參考特征(ll、12)定義或由兩個或更多所述參考特征(11、12)的組合定義，基于所述特征屬性域(13)，確定(107)每個各自參考主體(4、5、401)的后驗概率矢量(17、17-17c)，其中后驗概率矢量(17)的每個各自要素(18-20)指的是所述域要素(14-16),并且表示特定組(1、2、406)的參考主體(4、5、401)關(guān)于所述域要素(14-16)屬于所述組的概率(18-20),對所述后驗概率矢量(17、17-17c)應(yīng)用(109)過濾處理，所述過濾處理是基于移除高于或低于預(yù)定閾值的那些矢量U7c)或矢量要素，剩余的矢量或矢量要素被實施以將所述參考主體(4、6、401)的參考分布(46)構(gòu)造為所述域要素(14-16)的函數(shù)，其中該方法包括*確定(805)主體(50、606)的類似的特征值，*確定(807)所述主體的類似的后驗概率矢量，*評估(809)所述主體的所述后驗概率矢量是否位于所述參考主體的所述分布中。11.根據(jù)權(quán)利要求10所述方法，其中從組中選擇特征，該組包括絕對A功率、絕對e功率、絕對a功率、絕對|3功率、絕對y功率、相對A功率、相對6功率、相對a功率、相對卩功率、相對y功率、總功率、峰值頻率、中值頻率、譜熵、DFA標度指數(shù)(a帶振蕩)、DFA標度指數(shù)(卩帶振蕩)以及總熵。12.根據(jù)權(quán)利要求10或11所述的方法，其中所述一個或多個生物信號數(shù)據(jù)包括腦電圖掃描法(EEG)數(shù)據(jù)。13.根據(jù)權(quán)利要求10-12的任一項所述的方法，其中生物信號數(shù)據(jù)包括從組選擇的生物信號測量獲得的數(shù)據(jù)，該組包括*核磁共振成像(MRI),*功能核磁共振成像(FMRI)，腦f茲掃描法(MEG)測量，*正電子成像法(PET),*CAT掃描(計算機化X射線軸向分層造影)，*單光子發(fā)射計算機斷層(SPECT)。14.根據(jù)權(quán)利要求10-13的任一項所述的方法，其中醫(yī)學(xué)狀況是神經(jīng)狀況。15.根據(jù)權(quán)利要求6所述的方法，其中神經(jīng)狀況是從組中選擇的，該組包括阿爾茨海默疾病、多發(fā)性硬化、包括抑郁癥、雙相情感障礙和精神分裂癥的心理狀況、帕金森疾病、癲癇癥、偏頭痛、血管性癡呆(VaD)、額顳癡呆、lewy體癡呆、Creutzdeld-Jacob疾病以及vCJD(瘋牛病)。16.根據(jù)權(quán)利要求10-15的任一項所述的方法，其中定義組(1、2、402)使得他們共享主體(50、606)的至少一個已知特性。17.—種計算機程序產(chǎn)品，當該產(chǎn)品在計算機上運行時指示處理單元執(zhí)行權(quán)利要求10-16的任一項所述的方法步驟。18.—種設(shè)備，用于使用預(yù)存的參考工具(21)以基于從主體(50、606)收集(801)的生物信號數(shù)據(jù)(51、608)來生成指示主體(50、606)的醫(yī)學(xué)狀況的辨別信號，該參考工具(21)是基于從參考主體(4、5、401)的一個或多個組(1、2、502)收集的生物信號數(shù)據(jù)來構(gòu)建的，每個組(1、2、402)代表具有至少一個共同的特性的參考主體(4、5、401),如下構(gòu)造所述參考工具定義代表在相同的組(1、2、402)中的參考主體的共同特性的一個或多個參考特征，確定(105)每個各自的參考主體(4、5、401)的所述參考特征(10、11、12)的參考特征值，定義包含域要素(14-16)的特征屬性域(13)，其中每個要素由一個所述參考特征(ll、12)定義或由兩個或更多所述參考特征(11、12)的組合定義，基于所述特征屬性域(13)確定(107)每個各自參考主體(4、5、401)的后驗概率矢量(17、17-17c),其中后驗概率矢量(17)的每個各自要素(18-20)指的是所述域要素(14-16),并且表示特定組(1、2、406)的參考主體(4、5、401)關(guān)于所述域要素(14-16)屬于所述組的概率(18-20),對所述后-險概率矢量(17、17-17c)應(yīng)用(109)過濾處理，所述過濾處理是基于移除高于或低于預(yù)定閾值的那些矢量(17c)或矢量要素，剩余的矢量或矢量要素^f皮實施以將所述參考主體(4、6、401)的參考分布(46)構(gòu)造為所述域要素(14-16)的函數(shù)，其中該設(shè)備包括*確定主體(50、606)的類似的特征值的處理器(604)，*確定所述主體的類似的后-險概率矢量的處理器(604),*評估所述主體的所述后驗概率矢量是否位于所述參考主體的分布中的處理器(604)。19.根據(jù)權(quán)利要求18所述的設(shè)備，進一步包括接收器(603)和發(fā)射器(602)，其中接收器被用于從主體(50、606)接收所述生物信號數(shù)據(jù)(51、(608)，并且發(fā)射器被用于發(fā)射得到的生成的辨別信號。20.預(yù)存的參考工具(21)的使用，以基于從主體(50、606)收集(801)的生物信號數(shù)據(jù)(51、608)來生成指示主體(50、606)的醫(yī)學(xué)狀況的辨別信號，該參考工具(21)是基于從參考主體(4、5、401)的一個或多個組(1、2、502)收集的生物信號數(shù)據(jù)來構(gòu)建的，每個組(1、2、402)代表具有至少一個共同的特性的參考主體(4、5、401)，如下構(gòu)造所述參考工具定義代表在相同的組(1、2、402)中的參考主體的共同特性的一個或多個參考特征(11、12),確定(105)每個各自的參考主體(4、5、401)的所述參考特征(10、11、12)的參考特征值，定義包含域要素(14-16)的特征屬性域(13),其中每個要素由一個所述參考特征(ll、12)定義或由兩個或更多所述參考特征(11、12)的組合定義，基于所述特征屬性域(13)確定(107)每個各自參考主體(4、5、401)的后驗概率矢量(17、17-17c),其中后驗概率矢量(17)的每個各自要素(18-20)指的是所述域要素(14-16)，并且表示特定組(1、2、406)的參考主體(4、5、401)關(guān)于所述域要素(14-16)屬于所述組的概率(18-20)，對所述后驗概率矢量(17、17-17c)應(yīng)用(109)過濾處理，所述過濾處理是基于移除高于或低于預(yù)定閾值的那些矢量(17c)或矢量要素，剩余的矢量或矢量要素被實施以將所述參考主體(4、6、401)的參考分布(46)構(gòu)造為所述域要素(14-16)的函數(shù)，其中該使用包括*確定(805)主體(50、606)的類似的特征值，*確定(807)所述主體的類似的后驗概率矢量，*評估(809)所述主體的所述后驗概率矢量是否位于所述參考主體的所述分布中。全文摘要本發(fā)明涉及構(gòu)造參考工具并且使用參考工具以區(qū)別主體的醫(yī)學(xué)狀況和參考主體。這個工具可以被認為由一個或若干個參考組構(gòu)成的參考“圖”，其中相同組中的主體具有一個或多個共同的特性，例如年齡、性別、醫(yī)學(xué)狀況等。因此，本發(fā)明涉及僅通過比較從主體收集的處理的生物數(shù)據(jù)和參考“圖”來查看要被診斷的主體是否落入一個或多個所述組中。文檔編號G06F19/00GK101421735SQ200780013009公開日2009年4月29日申請日期2007年3月2日優(yōu)先權(quán)日2006年3月3日發(fā)明者克里斯廷·約翰森,吉斯利·霍爾馬爾·約翰內(nèi)松,斯坦恩·格維茲門松,約翰內(nèi)斯·黑爾加松申請人:曼提斯庫拉Ehf.公司