Способ и система оценки сотрясения головного мозга

Группа изобретений относится к медицине, неврологии, нейрофизиологии, функциональной электродиагностике, изучению сетевой активности головного мозга (BNA) при сотрясении головного мозга (СГМ). Оценку вероятности СГМ проводят с помощью выявления связанных с BNA элементов данных, например ЭЭГ, МЭГ, построения специфичного для объекта паттерна BNA со множеством узлов, причем каждый узел представляет собой элемент из связанных с BNA элементов, а каждой паре узлов присвоен вес связи. Рассчитывают сходство паттернов BNA, описывающее результаты сравнения построенного паттерна BNA и базового паттерна BNA, которые специфичны для объекта. Вероятность СГМ определяют, основываясь на выявленном сходстве с паттерном BNA. Систему и машиночитаемый носитель используют для осуществления вариантов способа оценки вероятности СГМ. Изобретения обеспечивают достаточно точную оценку вероятности СГМ у людей различных возрастных групп, спортсменов. 4 н. и 16 з.п. ф-лы, 7 ил., 1 пр.

 

Родственные заявки

Согласно настоящей заявке испрашивается приоритет в соответствии с предварительной заявкой на выдачу патента США №61/509651, поданной 20 июля 2011 года, содержание, которой включено в настоящий документ с помощью ссылки в полном ее объеме.

Содержание заявки согласно договору о патентной кооперации № PCT/IL2011/000055, поданной 18 января, 2011 года, включено в настоящий документ с помощью ссылки, как если бы она была полностью изложена в настоящем документе.

Область техники

Настоящее изобретение в соответствии с некоторыми его вариантами осуществления относится к нейрофизиологии и, конкретнее, но не исключительно, к способу и системе оценки вероятности сотрясения головного мозга.

Легкое травматическое повреждение головного мозга (mTBI), широко известное как сотрясение головного мозга или просто "сотрясение мозга", относится к травме головы, которая, в свою очередь, является причиной повреждения головного мозга. Это чаще всего происходит в результате непосредственного контакта с головой, но также может быть результатом непрямого ушиба (например, "хлыстового" повреждения или сильного встряхивания головы).

Головной мозг является мягкой, студенистой структурой, покрытой плотной сетью кровеносных сосудов, и содержит миллиарды нервных клеток и множество взаимосвязывающих волокон. Головной мозг является хорошо защищенной частью тела, заключенной в череп и погруженной в цереброспинальную жидкость. Травма головы, такая как прямой удар по голове или быстрое движение головы, может быть причиной того, что головной мозг оттолкнется от черепа, что может вызвать разрыв и скручивания структур и кровеносных сосудов головного мозга, что в результате приведет к нарушению функции электрической активности нервных клеток в головном мозге и ухудшению обычной передачи сигналов в головном мозге. Травма головы может привести к множеству сдвиговых повреждений, которые растягивают и разрывают мягкую нервную ткань и становятся причиной многоточечных кровотечений из мелких кровеносных сосудов головного мозга.

Пережившие одно повреждение головного мозга индивидуумы более подвержены риску второго повреждения головного мозга и больше склонны к последующим повреждениям. Независимо от тяжести, второе повреждение головного мозга может быть опасным для жизни, если происходит в рамках короткого промежутка времени. Дополнительные риски от серий сотрясений мозга включают преждевременное угасание и болезнь Альцгеймера.

Имеет место проблема сотрясения головного мозга в связи с ударом по голове в различных контактных видах спорта, таких как футбол, хоккей и соккер. В ходе такой физической активности голова или другая часть тела индивидуума часто подвергается непосредственному контакту с головой, что в результате приводит к удару черепа и головного мозга индивидуума, а также движению головы или части тела. Много остается неизвестным о реакции головного мозга на ускорение головы в линейных или ротационных направлениях и еще меньше о соответствии между конкретными силами удара и повреждением, в особенности в отношении того, что касается повреждений, вызванных повторяющимся воздействием сил удара на уровне более низком, чем силы, которые вызывают катастрофическое повреждение или летальный исход.

После травматического повреждения головного мозга нейрофизиологическая активность изменяется, что на начальных фазах после повреждения приводит в результате к нейронной гипервозбудимости. Электрофизиологический анализ пациентов с черепно-мозговой травмой и сотрясением мозга впервые был описан в 1970 годах. Предполагали, что с помощью анализа связи посттравматических волн EEG можно выявить и количественно оценить диффузное аксональное повреждение.

Способы определения повреждение головного мозга известны из уровня техники.

В патенте США №7720530 раскрыт способ постановки диагноза на месте у объекта для определения наличия и тяжести сотрясения мозга. От объекта получают сигналы EEG. Сигналы обрабатывают при помощи нелинейного алгоритма обработки сигналов, который понижает уровень шума выявляемых сигналов, извлекает элементы из сигналов с пониженным уровнем шума, строит дискриминантные функции для классификации извлекаемых элементов и определяет наличие и тяжесть сотрясения мозга на основе классифицированных элементов.

В опубликованной заявке на патент США №20100022907 сообщается, что синхронизация фаз у сигнала EEG указывает на участок повреждения головного мозга.

Также известны методики, с помощью которых устанавливают дискретные участвующие области с целью установления связи поведенческих функций с лежащими в их основе локализированными активностями в головном мозге или осуществления анализа в потоке.

В патенте США №6792304 раскрыт способ и система для оценки с помощью средств массовой информации. Когнитивную задачу транслируют от центрального участка управления к множеству удаленных участков тестирования посредством Интернета. Реакцию головного мозга объектов в удаленных участках в ответ на задачу регистрируют и транслируют обратно в центральный участок управления посредством Интернета. В центральном участке управления затем вычисляют варианты активностей головного мозга для объектов в каждом из выбранных участков.

В опубликованной заявке на патент США №20040059241 раскрыт способ классификации и лечения физиологических дисбалансов головного мозга. Для получения набора аналитических сигналов головного мозга от объекта применяют нейрофизиологические методики и из этих сигналов определяют набор цифровых параметров. Цифровые параметры количественно преобразовывают в различные профили чувствительности к терапии. Сигналы и параметры объекта сравнивают со сводной нейрофизиологической информацией, содержащейся в базах данных, имеющих отношение к асимптоматичным и симптоматичным сопоставимым популяциям, и результаты сравнения применяют для создания рекомендаций по лечению. Профили ответов на лечение сопоставляют в виде зависимой переменной величины для получения связи с успешными исходами для клинического лечения больных.

В публикации международной патентной заявки № WO 2007/138579, содержание которой, таким образом, включено с помощью ссылки, описан способ создания базы знаний схем нейропсихологических процессов. Получают сигналы от множества групп исследования для конкретного поведенческого процесса и локализуют источники активности, участвующие в конкретных поведенческих функциях. После этого выявляют набор паттернов мозговой активности и проводят нейропсихологический анализ для анализа локализированных источников и выявленных паттернов. Анализ предусматривает выявление и ранжирование возможных проводящих путей. Затем создают набор паттернов процессов и используют в качестве базы знаний. Затем базу знаний используют в качестве условия для уменьшения количества ранжированных проводящих путей.

В публикациях международных заявок №№ WO 2009/069134, WO 2009/069135 и WO 2009/069136, содержание которых, таким образом, включено с помощью ссылки, описана методика, с помощью которой собирают нейрофизиологические данные до и после выполнения объектом задачи и/или действия, которые формируют стимул. Стимул используют для задачи элементов данных и раскладывают данные согласно заданным элементам. После этого анализируют элементы для определения одного или нескольких паттернов в данных. В процессе разбивки можно использовать создание кластеров для определения одного или нескольких важных элементов данных, причем совокупность кластеров формирует сеть активности. Можно проанализировать паттерны данных для создания нейронной модели, которая может быть использована для моделирования влияния конкретной патологии и/или лечения на головной мозг.

Кроме того, к уровню техники относится патентная публикация США №20050177058, в которой раскрыта система, в которой собирают, анализируют и сравнивают показатели EEG от нескольких объектов в одном или различных местоположениях при воздействии на них общим набором стимулов. С помощью показателей EEG исследуют сходство у объектов и выявляют или проверяют полученную из них зашифрованную информацию.

Сущность изобретения

В соответствии с аспектом некоторых вариантов осуществления настоящее изобретение относится к способу оценки вероятности сотрясения головного мозга, исходя из нейрофизиологических данных, полученных от головного мозга объекта. Способ предусматривает выявление связанных с активностью элементов данных, построение специфичного для объекта паттерна сетевой активности головного мозга (BNA) со множеством узлов, причем каждый узел представляет собой элемент из связанных с активностью элементов, а каждой паре узлов присвоен вес связи, расчет сходства паттернов BNA, описывающего результаты сравнения построенного паттерна BNA и базового паттерна BNA, которые специфичны для объекта, и оценку вероятности сотрясения головного мозга, основываясь на сходстве с паттерном BNA.

Согласно некоторым вариантам осуществления настоящего изобретения в основе базового паттерна BNA лежит групповой паттерн BNA, характеризующий группу объектов, у которых выявлена нормальная функция головного мозга.

Согласно некоторым вариантам осуществления настоящего изобретения в основе базового паттерна BNA лежит групповой паттерн BNA, характеризующий группу объектов, у которых выявлено сотрясение головного мозга.

Согласно некоторым вариантам осуществления настоящего изобретения способ предусматривает повтор построения специфичного для объекта паттерна BNA и расчета сходства паттернов BNA по меньшей мере один раз.

Согласно некоторым вариантам осуществления настоящего изобретения каждый специфичный для объекта паттерн BNA строят на основе отличных референтных данных или модели, но с применением тех же нейрофизиологических данных объекта, причем каждый специфичный для объекта паттерн BNA сравнивают с базовым паттерном BNA, который связан с отличным состоянием головного мозга, и причем оценку проводят основываясь по меньшей мере на двух сходствах паттернов BNA.

Согласно некоторым вариантам осуществления настоящего изобретения по меньшей мере один базовый паттерн BNA характеризует группу объектов, у которых выявлена нормальная функция головного мозга, и по меньшей мере один базовый паттерн BNA характеризует группу объектов, у которых выявлено сотрясение головного мозга.

Согласно некоторым вариантам осуществления настоящего изобретения способ предусматривает определение показателя сотрясения головного мозга на основе по меньшей мере сходства паттернов BNA.

Согласно некоторым вариантам осуществления настоящего изобретения способ предусматривает построение нескольких паттернов BNA, соответствующих различным временным интервалам, и отображение паттернов BNA на временной оси.

Согласно некоторым вариантам осуществления настоящего изобретения способ предусматривает извлечение прогностической информации касательно состояния головного мозга, основываясь по меньше на сходстве паттернов BNA.

Согласно некоторым вариантам осуществления настоящего изобретения способ предусматривает выявление элементов и взаимосвязей между элементами в нейрофизиологических данных объекта и сравнение элементов и взаимосвязей между элементами с элементами и взаимосвязями между элементами референтных нейрофизиологических данных, таким образом выявляя связанные с активностью элементы.

Согласно некоторым вариантам осуществления настоящего изобретения референтные нейрофизиологические данные соответствуют данным, полученным от группы или подгруппы объектов.

Согласно некоторым вариантам осуществления настоящего изобретения референтные нейрофизиологические данные соответствуют архивным данным, ранее полученным от того же объекта.

Согласно некоторым вариантам осуществления настоящего изобретения референтные нейрофизиологические данные содержат данные, полученные из нейрофизиологической модели.

Согласно некоторым вариантам осуществления настоящего изобретения элементы и взаимосвязи между элементами референтных данных представлены в виде по меньшей мере одного предварительно помеченного комментарием паттерна BNA.

Согласно некоторым вариантам осуществления настоящего изобретения узлы представляют собой кластеры одномерных массивов характеристик данных, и причем вес связи включает весовой показатель, рассчитанный на основе по меньшей мере одного свойства кластера, выбранного из группы, состоящей из следующего: (i) количество одномерных массивов в соответствующей паре кластеров, (ii) изменчивость количеств одномерных массивов в соответствующей паре кластеров, (iii) ширина временных интервалов, связанных с каждым кластером в соответствующей паре кластеров, (iv) разница времени задержки, разделяющая соответствующую пару кластеров, (v) амплитуда сигнала, связанного с соответствующей парой кластеров, (vi) частота сигнала, связанного с соответствующей парой кластеров, и (vii) ширина пространственного интервала, задающего кластеры.

Согласно некоторым вариантам осуществления настоящего изобретения нейрофизиологические данные включают данные, полученные до, в ходе и/или после лечения.

Согласно некоторым вариантам осуществления настоящего изобретения способ предусматривает оценку влияния лечения путем сравнения сходства паттернов BNA, рассчитанного с использованием по меньшей мере базового паттерна BNA и специфичного для объекта паттерна BNA, построенного на основе полученных до лечения данных, со сходством паттернов BNA, рассчитанным с использованием по меньшей мере базового паттерна BNA и специфичного для объекта паттерна BNA, построенного на основе полученных после лечения данных.

Согласно некоторым вариантам осуществления настоящего изобретения способ предусматривает оценку влияния лечения путем сравнения паттерна BNA, соответствующего полученным до лечения данным, с паттерном BNA, соответствующим полученным в ходе и/или после лечения данным.

Согласно некоторым вариантам осуществления настоящего изобретения лечение включает фармакологическое лечение с использованием активного средства.

Согласно некоторым вариантам осуществления настоящего изобретения активное средство выбирают из группы, состоящей из скополамина, кетамина, метилфенидата, донепезила, физостигмина, такрина, флуоксетина, карбамазепина, амантадина, апоморфина, бромокриптина, леводопы, перголида, ропинирола, селегилина, тригексифенидила, атропина, скополамина, гликопирролата, баклофена, диазепама, тизанидина и дантролена.

Согласно некоторым вариантам осуществления настоящее изобретение относится к способу, предусматривающему, что лечение также включает плацебо-лечение с использованием плацебо-средства, а также способ предусматривает оценку влияния фармакологического лечения путем сравнения паттерна BNA, соответствующего полученным в ходе и/или после плацебо-лечения данным, с паттерном BNA, соответствующего полученным в ходе или после фармакологического лечения данным.

Согласно некоторым вариантам осуществления настоящего изобретения лечение включает хирургического вмешательство.

Согласно некоторым вариантам осуществления настоящего изобретения лечение включает реабилитационное лечение.

Согласно некоторым вариантам осуществления настоящего изобретения лечение включает светотерапию.

Согласно некоторым вариантам осуществления настоящего изобретения лечение включает гипербарическую терапию.

Согласно некоторым вариантам осуществления настоящего изобретения лечение включает по меньшей мере одно лечение, выбранное из группы, состоящей из обратной нейронной связи, обратной биологической связи по EMG, обратной нейронной связи по EEG, транскраниальной магнитной стимуляции (TMS) и непосредственной стимуляции электродами.

В соответствии с аспектом некоторых вариантов осуществления настоящее изобретение относится к способу оценки вероятности сотрясения головного мозга, исходя из нейрофизиологических данных, полученных от головного мозга объекта. Способ предусматривает выявление связанных с активностью элементов в данных, построение первого специфичного для объекта паттерна сетевой активности головного мозга (BNA) со множеством узлов, причем каждый узел представляет собой элемент из связанных с активностью элементов, и каждой паре узлов присвоен вес связи, причем специфичный для объекта паттерн BNA связан с сотрясением головного мозга, расчет сходства первого паттерна BNA, описывающего результаты сравнения первого паттерна BNA и первого базового паттерна BNA, помеченного в комментарии как соответствующий сотрясению головного мозга, сравнение сходства с первым записанным сходством, описывающим результаты сравнения предварительно построенного специфичного для объекта паттерна BNA объекта и первого базового паттерна BNA, и оценку вероятности сотрясения головного мозга, основываясь на разнице записанного сходства и рассчитанного сходства.

Согласно некоторым вариантам осуществления настоящего изобретения способ предусматривает построение второго специфичного для объекта паттерна BNA, связанного с нормальной функцией головного мозга, расчет второго сходства паттернов BNA, описывающего результаты сравнения второго паттерна BNA и второго базового паттерна BNA, помеченного в комментарии как соответствующий нормальной функции головного мозга, и сравнение второго сходства со вторым записанным сходством, описывающим результаты сравнения предварительно построенного специфичного для объекта паттерна BNA объекта и второго базового паттерна BNA, причем оценка также связана с разницей второго записанного сходства и второго рассчитанного сходства.

Согласно некоторым вариантам осуществления настоящего изобретения способ предусматривает получение нейрофизиологических данных от головного мозга объекта до, в ходе и/или после осуществления или концептуализации осуществления объектом задачи, выбранной из группы, состоящей из низкоуровневой когнитивной задачи и высокоуровневой когнитивной задачи.

Согласно аспекту некоторых вариантов осуществлений настоящее изобретение относится к системе оценки вероятности сотрясения головного мозга, содержащей процессор для обработки данных, сконфигурированный для получения нейрофизиологических данных и выполнения способа, который описан выше и необязательно дополнительно детально описан ниже.

Согласно аспекту некоторых вариантов осуществления настоящее изобретение относится к компьютерному программному продукту, включающему машиночитаемый носитель, в котором хранят команды управления программой, причем команды при считывании процессором для обработки данных заставляют процессор для обработки данных получать нейрофизиологические данные и выполнять способ, который описан выше и необязательно дополнительно детально описан ниже.

Согласно аспекту некоторых вариантов осуществлений настоящее изобретение относится к способу оценки вероятности ADHD. Способ предусматривает выявление связанных с активностью элементов в нейрофизиологических данных, полученных от головного мозга объекта, построение паттерна сетевой активности головного мозга (BNA) с множеством узлов, причем каждый представляет собой элемент из связанных с активностью элементов, и расчет сходства паттернов BNA, описывающего результаты сравнения построенного паттерна BNA и базового паттерна BNA, причем базовый паттерн BNA имеет узлы, представляющие связанные с событием потенциалы, преимущественно в одном или нескольких диапазонах частот, выбранных из группы, состоящей из дельта, тета и альфа диапазонов частот, во множестве фронтоцентральных местоположениях в пределах характеристического временного интервала, составляющего от приблизительно 100 мс до приблизительно 200 мс, и/или в дельта диапазоне частот во множестве окципитальных, париетальных и фронтоцентральных местоположениях в пределах характеристического временного интервала, составляющего от приблизительно 300 мс до приблизительно 600 мс, причем сходство паттернов BNA, которое выше заранее определенного порога, указывает на вероятность получения объектом ADHD.

Если не указано иное, все используемые в настоящем документе технические и/или научные термины имеют то же значение, которое обычно понимается рядовым специалистом в области, к которой относится настоящее изобретение. Несмотря на то, что при практическом осуществлении или испытании вариантов осуществления настоящего изобретения можно применять способы и материалы, сходные или эквивалентные описываемым в настоящем документе, ниже описаны иллюстративные способы и/или материалы. В случае спора описание патента, включая определения, будет иметь преимущественную силу. Кроме того, материалы, способы и примеры приведены всего лишь для иллюстрации и не подразумеваются как безусловно ограничительные.

Практическая реализация способа и/или системы согласно вариантам осуществления может предусматривать выполнение или осуществления выбранных задач в ручном, автоматическом режиме или их комбинации. Более того, в зависимости от фактических контрольно-измерительных приборов и оборудования согласно вариантам осуществления способа и/или системы по настоящему изобретению, некоторые выбранные задачи могут быть реализованы с помощью аппаратного оборудования, с помощью программного обеспечения, или с помощью аппаратно-программного обеспечения, или с помощью их комбинации с использованием операционной системы.

Например, аппаратное оборудование для выполнения выбранных задач согласно вариантам осуществления настоящего изобретение может быть реализовано в виде чипа или радиосхемы. Что касается программного обеспечения, то выбранные задачи согласно вариантам осуществления настоящего изобретения, могут быть реализованы в виде множества команд программного обеспечения, которые выполняются компьютером с помощью любой подходящей операционной системы. В соответствии с иллюстративным вариантом осуществления настоящего изобретения одну или несколько задач согласно описываемым в настоящем документе иллюстративным вариантам осуществления способа и/или системы осуществляют с помощью процессора для обработки данных, такого как компьютерная платформа для выполнения множества команд. Необязательно, процессор для обработки данных включает энергозависимое запоминающее устройство для хранения команд и/или данных и/или энергонезависимое запоминающее устройство, например, магнитный жесткий диск и/или съемный носитель, для хранения команд и/или данных. Необязательно, также предусмотрено сетевое соединение. Также необязательно предусмотрены дисплей и/или устройство для ввода данных пользователем, такое как клавиатура или мышь.

Краткое описание чертежей

Некоторые варианты осуществления по настоящему изобретению описаны в настоящем документе только в качестве примера с привязкой к прилагаемым чертежам. Теперь на конкретном примере подробных чертежей будет сделан акцент, что показанные детали приведены лишь в качестве примера и с целью иллюстративного обсуждения вариантов осуществлений по настоящему изобретению. В связи с этим, настоящее описание в сочетании с чертежами делает очевидным для специалистов в данной области техники как можно осуществить на практике варианты осуществления по настоящему изобретению.

На чертежах:

фиг.1 представляет собой блок-схему способа, подходящего для оценки вероятности сотрясения головного мозга, в соответствии с различными иллюстративными вариантами осуществления по настоящему изобретению;

фиг.2А представляет собой блок-схему, описывающую процедуру выявления связанных с активностью элементов для группы объектов в соответствии с некоторыми вариантами осуществления по настоящему изобретению;

фиг.2B представляет собой схематическую иллюстрацию процедуры определения взаимосвязи между элементами активности головного мозга в соответствии с некоторыми вариантами осуществления по настоящему изобретению;

фиг.2С-Е представляют собой абстрактные иллюстрации паттернов BNA, построенных в соответствии с некоторыми вариантами осуществления по настоящему изобретению с применением процедуры, проиллюстрированной на фиг.2B;

фиг.3 представляет собой схематическую иллюстрацию, демонстрирующую иллюстративный пример паттерна сетевой активности головного мозга (BNA), который можно получить из нейрофизиологических данных в соответствии с некоторыми вариантами осуществления по настоящему изобретению;

фиг.4 представляет собой иллюстрацию графического представления, которое можно использовать в соответствии некоторыми вариантами осуществления по настоящему изобретению для описания показателя сотрясения головного мозга;

фиг.5 представляет собой блок-схему другого способа, подходящего для оценки вероятности сотрясения головного мозга в соответствии с некоторыми вариантами осуществления по настоящему изобретению;

на фиг.6А-С показаны результаты экспериментов, проведенных на трех различных страдающих от сотрясения мозга объектах, причем нейрофизиологические данные собирали во время теста на внимательность; и

на фиг.7А-С показаны результаты экспериментов, проведенных на тех же трех объектах, которые показаны на фиг.6А-С, соответственно, причем нейрофизиологические данные собирали во время теста на кратковременную память.

Подробное описание изобретения

Настоящее изобретение в соответствии с некоторыми его вариантами осуществления относится к нейрофизиологии и, конкретнее, но не исключительно, к способу и системе оценки вероятности сотрясения головного мозга.

Перед подробным объяснением по меньшей мере одного варианта осуществления по настоящему изобретению необходимо уяснить, что настоящее изобретение не обязательно ограничено в своем применении до деталей строения и расположения в определенном порядке компонентов и/или способов, изложенных в последующем описании и/или проиллюстрированных на чертежах и/или в примерах. У настоящего изобретения могут быть другие варианты осуществления, или же его можно осуществить на практике или выполнить различными способами.

Травматические повреждения головного мозга (TBI) часто классифицируют на легкие, умеренные и тяжелые TBI на основании трех параметров: 1) особенность и длительность изменения сознания, 2) длительность амнезии (потери памяти) и 3) шкала глубины комы Глазго (GCS). Традиционно, повреждение головного мозга классифицируют как сотрясение мозга (mTBI) если длительность потери сознания составляет менее чем 20 минут, а амнезия, составляет 24 часа или менее, и если показатель GCS составляет приблизительно 13.

Согласно настоящему изобретению становится понятно, что инструментарий для практической диагностики сотрясения мозга все еще не был доступен, и что даже применение вышеуказанных критериев диагностики сотрясения мозга является затруднительным, поскольку признаки и симптомы сотрясения мозга часто очень слабо уловимы и затруднительны для определения. В дополнение к этому, множество случаев сотрясения мозга отодвинуты на задний план другими повреждениями или событиями, сопровождающими повреждение, дополнительно искажая точный диагноз. Было обнаружено, что в традиционной практике сотрясение мозга далеко не всегда диагностируют или диагностируют ошибочно, что в результате приводит к долгосрочным последствиям для пациентов, включая когнитивные расстройства, психосоциальные проблемы и повторные осложнения, такие как депрессивный синдром.

Недостаток диагностических средств особенно очевиден в спортивных ситуациях и может привести к повторным повреждениям у детей и молодых людей.

Была разработана методика, которая подходит для оценки вероятности сотрясения мозга при помощи нейрофизиологических данных. Причинами сотрясения мозга чаще всего являются связанные с видами спорта повреждения, и, следовательно, беспокойство в отношении связанных с видами спорта повреждений головного мозга выше обычного. Между тем, сотрясение мозга также достигает максимума у населения старших возрастов. Настоящие варианты осуществления, таким образом, относятся к оценке вероятности сотрясения головного мозга у взрослых и молодых объектов, которые имеют отношение к видам спортивной деятельности, а также у объектов старших возрастов (например, старше 60 лет).

Фиг.1 представляет собой блок-схему способа, подходящего для оценки вероятности сотрясения головного мозга, исходя из нейрофизиологических данных, в соответствии с различными иллюстративными вариантами осуществления по настоящему изобретению; Следует понимать, что если не указано иное, то описанные выше в настоящем документе операции можно выполнять либо одновременно, либо последовательно во многих комбинациях или порядках выполнения. В частности, порядок на блок-схемах не следует рассматривать как ограничивающий. Например, две или более операции, фигурирующие в приведенном далее описании или в блок-схемах в определенном порядке, можно выполнять в различном порядке (например, в обратном порядке) или практически одновременно. Кроме того, несколько описываемых ниже операций могут быть необязательными, и их можно не выполнять.

По меньшей мере часть операций можно осуществить при помощи системы обработки данных, например, специализированных радиосхем или компьютера общего назначения, сконфигурированного для получения данных и описанных ниже операций.

Реализующие способ по настоящим вариантам осуществления компьютерные программы можно традиционным способом распространять среди пользователей на распространяемом носителе, таком как без ограничения накопитель на гибких дисках, CD-ROM, устройство флеш-памяти и переносной накопитель на жестких дисках. С распространяемого носителя компьютерные программы можно копировать на носитель на жестких дисках или сходный промежуточный носитель для хранения данных. Компьютерные программы можно запускать при помощи загрузки компьютерных команд либо с их распространяемого носителя, либо с их промежуточного носителя для хранения данных в память для выполнения у компьютера, конфигурируя компьютер действовать в соответствии со способом по настоящему изобретению. Все такие операции хорошо известны специалистам в области компьютерных систем.

Способ согласно настоящим вариантам осуществления можно реализовать во множественных формах. Например, его можно реализовать на материальном носителе, таком как компьютер для выполнения операций в способе. Его можно реализовать на машиночитаемом носителе, содержащем машиночитаемые команды для выполнения операций в способе. Его также можно реализовать в электронном устройстве с возможностями цифрового компьютера, организованном для запуска компьютерной программы на материальном носителе или выполнения команды на машиночитаемом носителе.

Подлежащие анализу нейрофизиологические данные могут представлять собой любые данные, полученные непосредственно от головного мозга исследуемого объекта. Данные получены "непосредственно" в смысле того, что они демонстрируют электрические, магнитные, химические и структурные элементы собственно ткани головного мозга. Нейрофизиологические данные могут представлять собой данные, полученные непосредственно от головного мозга отдельного объекта, или данные, полученные непосредственно от множества единиц головного мозга у соответствующего множества объектов (например, исследуемой группы), не обязательно одновременно.

Анализ данных от множества единиц головного мозга можно выполнить путем осуществления описанных ниже операций отдельно для каждой части данных, соответствующих отдельному головному мозгу. Кроме того, некоторые операции можно совместно выполнять для более чем одного головного мозга. Таким образом, если явно не указано иное, отсылка к "объекту" или "головному мозгу" в форме единственного числа не обязательно означает анализ данных от отдельного объекта. Отсылка к "объекту" или "головному мозгу" в форме единственного числа также охватывает анализ части данных, которая соответствует одному из нескольких объектов, результаты анализа которого могут также распространяться на другие части.

Данные можно проанализировать непосредственно после получения ("онлайновый анализ") или их можно записать и хранить, а после этого проанализировать ("оффлайновый анализ").

Типичный пример подходящих для настоящего изобретения типов нейрофизиологических данных включает без ограничения данные электроэнцефалограммы (EEG), данные магнитоэнцефалографии (MEG), данные компьютерной томографии (CAT), данные позитронно-эмиссионной томографии (PET), данные магнитной резонансной томографии (MRI), данные функциональной MRI (fMRI), ультразвуковые данные, данные однофотонной эмиссионной компьютерной томографии (SPECT), данные нейро-компьютерного интерфейса (BCI) и данные от нейропротезов на нейронном уровне. Необязательно, данные включают комбинирование двух или более различных типов данных.

В соответствии с различными иллюстративными вариантами осуществления по настоящему изобретению нейрофизиологические данные связаны с сигналами, собранными с помощью множества измерительных устройств, соответственно размещенных во множественных различных местоположениях на волосистой части кожи головы объекта. Согласно таким типам вариантов осуществления типом данных предпочтительно являются данные EEG или MEG. Измерительные устройства могут включать электроды, сверхпроводящие квантовые интерференционные датчики (SQUID) и тому подобные. Часть данных, которую получают в каждом таком местоположении, также называют "каналом". В соответствии с некоторыми вариантами осуществления нейрофизиологические данные связаны с сигналами, собранными с помощью множества измерительных устройств, размещенных в собственно ткани головного мозга. В соответствии с такими вариантами осуществления типом данных предпочтительно является данные инвазивной EEG, также известные как данные электрокортикографии (ECoG).

Необязательно и предпочтительно нейрофизиологические данные собирают по меньшей мере до и после выполнения объектом задания и/или действия. В соответствии с некоторыми вариантами осуществления по настоящему изобретению нейрофизиологические данные собирают по меньшей мере до и после концептуализации объектом задачи и/или действия, но без собственно выполнения задачи. Такие варианты осуществления пригодны, если объект страдает от некоего типа физического и/или когнитивного недостатка, который может препятствовать фактическому выполнению задачи и/или действия, как, например, это можно видеть при различных повреждениях головного мозга, таких как удар. Тем не менее, такие варианты осуществления по желанию можно использовать в отношении любого объекта.

Связанные с задачей и/или действием нейрофизиологические данные (независимо от того, выполняют ли их фактически или концептуализируют) можно использовать в качестве связанных с событием величин, таких как связанные с событием потенциалы (ERP) или связанные с событием участки (ERF). Задачу и/или действие (независимо от того, выполняют ли их фактически или концептуализируют) предпочтительно выполняют в ответ на стимул или стимулы, а получение данных синхронизируют со стимулом для установки продолжительности ответа и извлечения элементов данных, основываясь на этой продолжительности. Как правило, но не обязательно, сбор данных происходит постоянно с тем, чтобы непрерывно собирать нейрофизиологические данные до, во время и после выполнения или концептуализации задачи и/или действия.

Предусмотрены различные типы задач, как низкоуровневые, так и высокоуровневые когнитивные задачи и/или действия. Задача/действие могут быль отдельными, серийными или постоянными. Пример постоянной низкоуровневой когнитивной задачи/действия включает без ограничения просмотр фильма, пример отдельной низкоуровневой когнитивной задачи/действия включает без ограничения воспроизведение объекту акустического сигнала (например, простого звука), и пример серийной низкоуровневой когнитивной задачи/действия включает без ограничения повторяющееся проигрывание акустического сигнала. Понятно, что к повторяющейся задаче объект может, в конце концов, приспособиться и будет уделять меньше внимания (процесс, называемый привыканием), но, все же, все еще будет ответ от головного мозга. Пример высокоуровневой когнитивной задачи/действия включает без ограничения так называемую "задачу годен/не годен", в которой объекта просят нажимать кнопку, если услышан звук высокой тональности, причем если услышан звук низкой тональности, то объект не должен нажимать кнопку. Эта задача известна из уровня техники, и ее используют во множестве когнитивных исследований.

Из уровня техники известно множество протоколов стимулов и стимулов-ответов, все из них предусмотрены некоторыми вариантами осуществления по настоящему изобретению. Нейропсихологические тесты стимул-ответ включают без ограничения тест Струпа на исключение нерелевантной информации, Висконсинский тест сортировки карточек и другие, тесты на основе только стимула включают без ограничения негативность рассогласования, аудиометрию индуцированного головным мозгом или стволом мозга ответа (BERA) и другие. Также предусмотрены тесты на основе только ответа, такие как без ограничения анализ быстрого скачкообразного движения глаз, связанные с движениями потенциалы (MRP), задачи на запоминание N-назад и другие задачи на кратковременную память, например, задача на запоминание Штернберга, тесты последовательного вычитания семерок (отсчет от 100 прыжками по семь), задачи на внимание Познера и другие.

Следует понимать, что не подразумевают ограничение объема настоящего изобретения только нейрофизиологическими данными, связанными со стимулом, задачей и/или действием. Варианты осуществления по настоящему изобретению можно применять по отношению к нейрофизиологическими данным, описывающим спонтанную активность головного мозга. Также предусмотрены варианты осуществления, согласно которым нейрофизиологические данные получают в ходе конкретных активностей, но получение не синхронизируют со стимулом.

Обратимся теперь к фиг.1, способ предусматривает начало на 10 и необязательно и предпочтительно продолжение до 11, на котором получают нейрофизиологические данные. Данные можно записывать непосредственно с объекта или их можно получать из внешнего источника, такого как машиночитаемый запоминающий носитель, на котором хранят данные.

Способ предусматривает продолжение до 12, на котором устанавливают взаимосвязи между элементами данных с тем, чтобы выявить связанные с активностью элементы. Это можно выполнить с помощью любой известной из уровня техники процедуры. Например, можно использовать процедуры, которые описаны в международных публикациях №№. WO 2007/138579, WO 2009/069134, WO 2009/069135 и WO 2009/069136, содержание которых, таким образом, включено с помощью ссылки. Подробное описание процедуры, подходящей для выполнения 12 в соответствии с некоторыми вариантами осуществления по настоящему изобретению, приведено в настоящем документе ниже с привязкой к фиг.2А.

В общих чертах, извлечение связанных с активностью элементов включает многомерный анализ данных, при котором данные анализируют с целью извлечения пространственных и непространственных характеристик данных.

Пространственные характеристики предпочтительно описывают местоположения, из которых получены соответствующие данные. Например, пространственные характеристики могут включать местоположения измерительных устройств (например, электрода, SQUID) на волосистой части кожи головы объекта.

Также предусмотрены варианты осуществления, согласно которым с помощью пространственных характеристик оценивают местоположения в ткани головного мозга, в которых были получены нейрофизиологические данные. Согласно таким вариантам осуществления, используют процедуру локализации источника, которая может включать, например, электромагнитную томографию с низкой разрешающей способностью (LORETA). Подходящая для настоящих вариантов осуществления процедура локализации источника описана в упомянутых выше международных публикациях, которые включены с помощью ссылки. Другие подходящие для настоящих вариантов осуществления процедуры локализации источника можно найти в работах Greenblatt et al., 2005, "Local Linear Estimators for the Bioelectromagnetic Inverse Problem," IEEE Trans. Signal Processing, 53(9): 5430; Sekihara et al., " Adaptive Spatial Filters for Electromagnetic Brain Imaging (Series in Biomedical Engineering)," Springer, 2008; и Sekihara et al., 2005, "Localization bias and spatial resolution of adaptive and non-adaptive spatial filters for MEG source reconstruction," Neuro Image 25:1056, содержание которых, таким образом, включено с помощью ссылки.

Дополнительно предусмотрены варианты осуществления, согласно которым с помощью пространственных характеристик оценивают местоположения на поверхности коры головного мозга. Согласно таким вариантам осуществления данные, собранные в местоположениях на волосистой части кожи головы объекта, обрабатывают с тем, чтобы картировать на поверхности коры головного мозга распределение потенциалов на волосистой части кожи головы. Методика такого картирования известна из уровня техники и называется в литературе визуализация потенциалов коры головного мозга (CPI) или плотность источников тока в коре головного мозга (CSD). Подходящие для настоящих вариантов осуществления методики картирования можно найти в работах Kayser et al., 2006, "Principal Components Analysis of Laplacian Waveforms as a Generic Method for Identifying ERP Generator Patterns: I. Evaluation with Auditory Oddball Tasks", Clinical Neurophysiology 117(2): 348; Zhang et al., 2006, "A Cortical Potential Imaging Study from Simultaneous Extra- and Intra-cranial Electrical Recordings by Means of the Finite Element Method", Neuroimage, 31(4): 1513; Pen-in et al., 1987, "Scalp Current Density Mapping: Value and Estimation from Potential Data", IEEE transactions on biomedical engineering, BME-34(4):283; Ferree et al., 2000, "Theory and Calculation of the Scalp Surface Laplacian", www.csi.uoregon.edu/members/ferree/tutorials/Surface Laplacian; и Babiloni et al., 1997, "High resolution EEG: a new model-dependent spatial deblurring method using a realistically-shaped MR-constructed subject's head model," Electroencephalography and clinical Neurophysiology 102:69.

Согласно любому из описанных выше вариантов осуществления пространственные характеристики по желанию можно представить с помощью дискретной или непрерывной системы пространственных координат. Если система координат является дискретной, то она, как правило, соответствует местоположениям измерительных устройств (например, местоположениям на волосистой части кожи головы, поверхности коры головного мозга, коры головного мозга или глубже в головном мозге). Если система координат является непрерывной, то она предпочтительно описывает примерную форму поверхности волосистой части кожи головы или коры головного мозга или ее некоторую взятую в качестве образца версию. Взятую в качестве образца поверхность можно представить с помощью облака точек сканирования, которое является набором точек в трехмерном пространстве и которое является достаточным для описания топологии поверхности. Для непрерывной системы координат пространственные характеристики можно получить с помощью кусочной интерполяции между местоположениями измерительных устройств. Кусочная интерполяция предпочтительно использует гладкую аналитическую функцию или набор гладких аналитических функций по поверхности.

В соответствии с некоторыми вариантами осуществления по настоящему изобретению непространственные характеристики получают отдельно для каждой пространственной характеристики. Например, непространственные характеристики можно получать отдельно для каждого канала. Если пространственные характеристики являются непрерывными, то непространственные характеристики предпочтительно получают для набора дискретных точек в непрерывном множестве. Как правило, такой набор дискретных точек включает по меньшей мере используемые для кусочной интерполяции точки, но также может включать другие точки на взятом в качестве образца варианте поверхности.

Непространственные характеристики предпочтительно включают временные характеристики, которые получают путем сегментирования данных согласно времени получения. В результате сегментации получают множество сегментов данных, каждый из которых соответствует периоду, на протяжении которого получали соответствующий сегмент данных. Длительность периода зависит от временной разрешающей способности, характеризующей тип нейрофизиологических данных. Например, для данных EEG или MEG типичная длительность периода составляет примерно 1000 мс.

Другие непространственные характеристики можно получить с помощью методик разбиения данных на подмножества. В соответствии с различными иллюстративными вариантами осуществления по настоящему изобретению разбиение на подмножества выполняют отдельно для каждого сегмента данных у каждой пространственной характеристики. Таким образом, для конкретного канала данных разбиение на подмножества применяют, например, последовательно по отношению к каждому сегменту данных такого конкретного канала (например, сначала к сегменту, который соответствует первому периоду, затем к сегменту, который соответствует второму периоду, и так далее). Такое последовательное разбиение на подмножества также выполняют для других каналов.

Нейрофизиологические данные можно разбить на подмножества путем выявления паттерна пиков данных или, более предпочтительно, посредством анализа формы волны, такого как без ограничения анализ формы сигнала. В соответствии с некоторыми вариантами осуществления по настоящему изобретению выявление пиков выполняют совместно с определением пространственно-временного окружения пика. Окружение можно задать в виде области пространства (двух- или трехмерной), в которой расположен пик, и/или временного интервала, в течение которого длится пик. Предпочтительно, задают как область пространства, так и временной интервал с тем, чтобы связать пространственно-временное окружение для каждого пика. Преимущество задачи таких окружений заключается в том, что они дают информацию касательно структуры распределения данных по времени и/или пространству. Размер окружения (касательно соответствующей размерности) можно определить на основе свойства пика. Например, в соответствии с некоторыми вариантами осуществления размер окружения равен полной ширине на половине максимума (FWHM) пика. Другие способы задачи окружения не исключены из объема настоящего изобретения.

Анализ формы волны предпочтительно выполняют совместно с фильтрацией (например, полосовой фильтрацией) так, чтобы разложить волну на множество перекрывающихся наборов пиков сигнала, которые вместе составляют форму волны. Сами по себе фильтры необязательно могут быть перекрывающимися.

Если нейрофизиологические данные содержат данные EEG, то в ходе фильтрации можно использовать один или несколько из следующих диапазонов частот: дельта диапазон (обычно от приблизительно 1 Гц до приблизительно 4 Гц), тета диапазон (обычно от приблизительно 3 до приблизительно 8 Гц), альфа диапазон (обычно от приблизительно 7 до приблизительно 13 Гц), нижний бета диапазон (обычно от приблизительно 12 до приблизительно 18 Гц), бета диапазон (обычно от приблизительно 17 до приблизительно 23 Гц) и верхний бета диапазон (обычно от приблизительно 22 до приблизительно 30 Гц). Также предусмотрены более высокие диапазоны частот, такие как без ограничения гамма диапазон (обычно от приблизительно 30 до приблизительно 80 Гц).

После анализа формы волны предпочтительно извлекают волновые характеристики, такие как без ограничений время (время задержки), частота и необязательно амплитуда. Такие волновые характеристики предпочтительно получают в виде дискретных значений, таким образом формируя одномерный массив, компоненты которого представляют собой отдельные волновые характеристики. Использование дискретных значений является преимущественным, поскольку оно уменьшает количество данных для последующего анализа. Также предусмотрены другие редукционные методики, такие как без ограничения статистическая нормализация (например, посредством стандартной оценки или путем использования любого статистического момента). Нормализацию можно использовать для уменьшения шумового сигнала, и она также подходит, если способ применяют по отношению к полученным от нескольких объектов данным, и/или если поверхности раздела измерительных устройств и головного мозга изменяются у различных объектов и среди различных местоположений для отдельного объекта. Например, статистическая нормализация может быть пригодна, если между электродами EEG имеет место неравномерное согласование полных сопротивлений.

Извлечение характеристик в результате дает множество одномерных массивов, каждый из которых включает, в качестве компонентов одномерных массивов, пространственные характеристики (например, местоположение соответствующего электрода или другого измерительного устройства) и одну или несколько непространственных характеристик, которые получены в результате сегментации и разбиения на подмножества. Каждый из этих одномерных массивов представляет собой элемент данных, и любая пара одномерных массивов, чьи характеристики подчиняются некоторой зависимости (например, причинно-следственной зависимости, при которой два одномерных массива согласуются с потоком информации от связанного с одним одномерным массивом местоположения до связанного с другим одномерным массивом местоположения), представляет собой два связанных с активностью элемента.

Извлеченные одномерные массивы, таким образом, задают многомерное пространство. Например, если компоненты включают местоположение, время и частоту, то одномерные массивы задают трехмерное пространство, а если компоненты включают местоположение, время, частоту и амплитуду, то одномерные массивы задают четырехмерное пространство. Большее число измерений не исключено из объема настоящего изобретения.

Если анализ применяют по отношению к нейрофизиологическим данным одного объекта, то каждый элемент данных представляют в виде точки в пределах многомерного пространства, заданного одномерными массивами, а каждый набор связанных с активностью элементов представляют в виде такого набора точек, чтобы любая точка набора лежала в пределах определенного расстояния на временной оси (также называемого в настоящем документе ниже "разницей времени задержки") от одной или нескольких других точек в этом наборе.

Если анализ применяют по отношению к нейрофизиологическим данным, полученным от группы или подгруппы объектов, то элемент данных предпочтительно представляют в виде кластера дискретных точек в вышеупомянутом многомерном пространстве. Кластер точек также можно задать, если анализ применяют по отношению к нейрофизиологическим данным отдельного объекта. Согласно таким вариантам осуществления одномерные массивы волновых характеристик извлекают отдельно для отдельных представляемых объекту стимулов, таким образом задавая кластеры точек в пределах многомерного пространства, где каждая точка в пределах кластера соответствует ответу на стимул, прилагаемый в другой момент времени. Отдельные стимулы необязательно и предпочтительно формируют набор повторных представлений одного и того же или похожего стимула или набор стимулов, которые не обязательно являются идентичными, но которые принадлежат к одному типу (например, набор необязательно идентичных визуальных стимулов). Использование различных стимулов в различные моменты времени не исключены из объема настоящего изобретения.

Также предусмотрены комбинации вышеупомянутых представлений, в которых данные собраны от множества объектов, и для одного или нескольких объектов одномерные массивы волновых характеристик извлечены отдельно для разделенных по времени стимулов (т.е. прилагаемых в различные моменты времени стимулов). Согласно таким вариантам осуществления кластер содержит точки, которые соответствуют различным объектам, а также точки, которые соответствуют ответу на отдельный стимул. Рассмотрим, например, случай, в котором данные были собраны от 10 объектов, причем каждому объекту в ходе получения данных были представлены 5 стимулов. В этом случае, набор данных включает 5×10=50 сегментов данных, причем каждый соответствует ответу одного объекта на один стимул. Таким образом, кластер в пределах многомерного пространства может включать до 5^х10 точек, причем каждая представляет одномерный массив характеристик, извлеченных из одного из сегментов данных.

Независимо от представления характеристик множества объектов и/или характеристик множества ответов на представленные отдельному объекту стимулы, ширина кластера на заданной оси пространства описывает размер интервала активности для соответствующей характеристики данных (времени, частоты и т.д.). В качестве иллюстративного примера рассмотрим ширину кластера на временной оси. Такую ширину необязательно и предпочтительно используют согласно способу для описания диапазона времени задержки, в пределах которого у множества объектов имеет место событие. Аналогично, ширину кластера на оси частот можно использовать для описания диапазона частот, показывающего встречаемость события, имеющего место у множества объектов, ширины кластера на осях местоположений (например, двух осях местоположений для данных, соответствующих 2D карте местоположений, и трех осях местоположений для данных, соответствующих 3D карте местоположений) можно использовать для задачи набора смежных электродов, в которых имеет место событие среди множества объектов, а ширину кластера на оси амплитуд можно использовать для задачи диапазона амплитуд, показывающего встречаемость события у множества объектов.

Для группы или подгруппы объектов связанные с активностью элементы можно выявить приведенным ниже способом. Отдельный кластер на временной оси предпочтительно выявляют в качестве представления однократного события, имеющего место в пределах временного интервала, заданного, как указано, с помощью ширины кластера. Такой интервал необязательно и предпочтительно сужают для исключения некоторых резко отклоняющихся точек, таким образом повторно задавая диапазон времени задержки, характеризующий соответствующий элемент данных. По отношению к последовательности кластеров на временной оси, где каждый кластер в серии характеризуется шириной (на временной оси) в пределах конкретного условия, предпочтительно выполняют процедуру извлечения паттернов для выявления таких кластеров, которые подчиняются взаимным связям друг с другом. В общих чертах, с помощью такой процедуры можно проводить по кластерам поиск пары кластеров, в которой существуют такие взаимные связи между достаточным количеством точек среди кластеров.

Процедура извлечения паттернов может включать любой тип процедуры кластеризации, в том числе без ограничения процедуру кластеризации по плотности, процедуру кластеризации по ближайшему окружению и тому подобные. Подходящая для настоящих вариантов осуществления процедура кластеризации по плотности описана в работе Cao et al., 2006, "Density-based clustering over an evolving data stream with noise," Proceedings of the Sixth SIAM International Conference on Data Mining. Bethesda, Maryland, p.328-39. Подходящая для настоящих вариантов осуществления процедура кластеризации по ближайшему окружению описана в [R.O. Duda, P.E. Hart and D.G. Stork, "Pattern Classification" (2nd Edition), A Wiley-Interscience Publication, 2000]. При использовании процедуры кластеризации по ближайшему окружению выявляют кластеры, а после этого собирают с формированием метакластеров на основании пространственно-временных расстояний между кластерами. Метакластеры, таким образом, представляют собой кластеры выявленных кластеров. Согласно таким вариантам осуществления метакластеры представляют собой элементы данных, и среди метакластеров выявляют связанные с активностью элементы.

Фиг.2А представляет собой блок-схему, описывающую процедуру выявления связанных с активностью элементов для группы объектов в соответствии с некоторыми вариантами осуществления по настоящему изобретению. Процедура 12 предусматривает начало на 40 и продолжение до 41, на котором выявляют изолированные кластеры. Настоящие варианты осуществления предусматривают как кластеризацию подпространства, при которой кластеры выявляют на отдельной проекции многомерного пространства, так и кластеризацию всего пространства, при которой кластеры выявляют во всем многомерном пространстве. Кластеризация подпространства предпочтительна с точки зрения времени вычислений, а кластеризация всего пространства предпочтительна с точки зрения общности элементов.

Один иллюстративный пример кластеризации подпространства включает выявление кластеров на временной оси отдельно для каждого заранее определенного диапазона частот и каждого заранее определенного пространственного местоположения. Выявление необязательно и предпочтительно характеризуется скользящим временным интервалом с фиксированной и заранее определенной шириной интервала. Типичная ширина интервала для данных EEG составляет 200 мс для дельта диапазона. Необязательно применяют ограничение на минимальное число точек в кластере с тем, чтобы исключить из анализа малые кластеры. Обычно исключают кластеры с менее чем Х точек, где Х равен приблизительно 80% объектов в группе. Минимальное число точек можно корректировать в ходе процедуры. После задачи начального набора кластеров ширину временного интервала предпочтительно уменьшают.

Другой иллюстративный пример кластеризации подпространства включает выявление кластеров в пространственно-временном подпространстве, предпочтительно отдельно для каждого заранее определенного диапазона частот. Согласно такому варианту осуществления извлекаемые пространственные характеристики представляют с помощью непрерывной системы пространственных координат, например, с помощью кусочной интерполяции между местоположениями измерительных устройств, как более подробно описано в данном документе ранее. Таким образом, каждый кластер связан с временным интервалом, а также пространственной областью, причем пространственная область может быть центрирована или не центрирована на местоположении измерительного устройства. В соответствии с некоторыми вариантами осуществления по меньшей мере один кластер связан с пространственной областью, которая центрирована на местоположении, отличном от местоположения измерительного устройства. Пространственно-временное подпространство, как правило, является трехмерным с одним временным измерением и двумя пространственными измерениями, в котором каждый кластер связан с временным интервалом и двухмерной пространственной областью на поверхности, которая может соответствовать, например, форме поверхности волосистой части кожи головы, поверхности коры головного мозга и т.п. Также предусмотрено четырехмерное пространственно-временное пространство, в котором каждый кластер связан с временным интервалом и трехмерной пространственной областью в объеме, по меньшей мере частично соответствующем внутренней части головного мозга.

Другой иллюстративный пример кластеризации подпространства включает выявление кластеров в частотно-пространственно-временном подпространстве. В соответствии с таким вариантом осуществления, вместо поиска кластеров отдельно для каждого заранее определенного диапазона частот способ предусматривает выявление кластеров также с частотами, которые заранее не определены. Таким образом, частоту рассматривают в качестве непрерывной координаты в подпространстве. Как и в случае варианта осуществления пространственно-временного подпространства, полученные пространственные характеристики представляют с помощью непрерывной системы пространственных координат. Таким образом, каждый кластер связан с временным интервалом, пространственной областью и диапазоном частот. Пространственная область может быть двух- или трехмерной, как более детально описано в настоящем документе ранее. В соответствии с некоторыми вариантами осуществления по меньшей мере один кластер связан с пространственной областью, которая центрирована на местоположении, отличном от местоположения измерительного устройства, и по меньшей мере один кластер связан с диапазоном частот, который включает частоты из двух или более из дельта, тета, альфа, нижнего бета, бета, верхнего бета и гамма диапазонов. Например, кластер может быть связан с диапазоном частот, охватывающим часть дельта диапазона и часть тета диапазона, или часть тета диапазона и часть альфа диапазона, или часть альфа диапазона и часть нижнего бета диапазона и т.д.

Процедуру 12 необязательно и предпочтительно продолжают до 42, на котором выбирают пару кластеров. Процедуру необязательно и предпочтительно продолжают до 43, на котором для каждого объекта, который представлен в выбранной паре, необязательно рассчитывают разницу времени задержки (включая нулевую разницу) между соответствующими событиями. Процедуру продолжают до 44, на котором к рассчитанным разницам времени задержки применяют условие с тем, чтобы разницы времени задержки, которые выходят за пределы заранее определенного порогового диапазона (например, 0-30 мс), отклонялись, в то время как разницы времени задержки, которые находятся в пределах заранее определенного порогового диапазона принимались. Процедуру продолжают до принятия решения 45, на котором процедуру обрывают, если число принятых разниц достаточно велико (т.е. больше некоторого числа, например, больше 80% объектов в группе). Если число принятых разниц не достаточного велико, то процедуру продолжают до 46, на котором согласно процедуре принимают пару кластеров и выявляют ее как пару связанных с активностью элементов. Если число принятых разниц достаточного велико, то процедуру продолжают до 47, на котором согласно процедуре отклоняют пару. От 46 или 47 согласно процедуре по настоящим вариантам осуществления возвращаются назад к 42.

Иллюстративный пример определения взаимосвязей среди элементов данных и выявления связанных с активностью элементов показан на фиг.2B. Иллюстрация приведена в виде проекции на двухмерное пространство, которое включает время и местоположение. Настоящий пример относится к варианту осуществления, согласно которому пространственные характеристики являются дискретными, причем выявление кластеров проводят на оси времени отдельно для каждого заранее определенного диапазона частот и каждого заранее определенного пространственного местоположения. Специалист в данной области будет знать как адаптировать настоящее описание к другим измерениям, например, частоте, амплитуде и т.д. На фиг.2B показан сценарий, согласно которому данные собирают от 6 объектов (или от одного объекта, на который воздействуют 6 стимулами в различные моменты времени), пронумерованных от 1 до 6. Для наглядности, данные различных сегментов данных (например, данные, собранные от различных объектов или от одного объекта, но для стимулов в различные моменты времени) разделяют по вертикальной оси, обозначенной "сегмент данных №". Для каждого сегмента незаштрихованный кружок представляет событие, записанное в одном конкретном местоположении (посредством измерительного устройства, например, электрода для EEG), обозначенном "А", а заштрихованный круг представляет событие, записанное в другом конкретном местоположении, обозначенном "В".

Временная ось представляет время задержки соответствующего события, которое измерено, например, от момента времени, в котором на объект воздействовали стимулом. Значения времени задержки событий обозначены в настоящем документе и , где i представляет собой номер сегмента (i=1, …, 6), а А и В представляют собой местоположение. Для наглядности значения времени задержки не показаны на фиг.2B, но специалист в данной области, которому известны описанные в настоящем документе детали, поймет как добавить на чертеж значения времени задержки.

Для каждого из местоположений А и В задают временной интервал. Эти временные интервалы, обозначенные Δt_A и Δt_B, соответствуют ширине кластеров на временной оси, и они, по необходимости, могут быть одинаковыми или отличаться друг от друга. Также задают интервал разницы времени задержки Δt_AB между двумя однократными событиями. Такой интервал соответствует расстоянию на временной оси между кластерами (например, между их центрами). Интервал Δt_AB проиллюстрирован в виде отрезка с пунктирным сегментом и сплошным сегментом. Длина пунктирного сегмента представляет собой нижнюю границу интервала, а вся длина отрезка представляет собой верхнюю границу интервала. Δt_A, Δt_B и Δt_AB являются частью критерия для определения того, принимать ли пару записанных в А и В событий как связанные с активностью элементы.

Временные интервалы Δt_A и Δt_B предпочтительно используют для выявления однократных событий в группе. Как показано, для каждого сегмента №№1, 2, 4 и 5 оба события попадают в соответствующие временные интервалы (математически это можно записать следующим образом: , , i=1, 2, 4, 5). С другой стороны, для сегмента №3 записанное под А событие выпадает из Δt_A (), в то время как записанное под В событие, попадает в пределы Δt_B (), а для сегмента №6 записанное под А событие попадает в пределы Δt_A (), в то время как записанное под В событие выпадает из Δt_B (). Таким образом, для местоположения А однократное событие задают в виде кластера точек данных, полученных с сегментов №№1, 2, 4, 5 и 6, а для местоположения В однократное событие задают в виде кластера точек данных, полученных с сегментов №№1-5.

Интервал разницы времени задержки Δt_AB предпочтительно используют для выявления связанных с активностью элементов. Согласно различным иллюстративным вариантам осуществления по настоящему изобретению разницу времени задержки (i=1,2,…,5) у каждого сегмента сравнивают с интервалом разницы времени задержки Δt_AB. Согласно различным иллюстративным вариантам осуществления по настоящему изобретению пару элементов принимают как связанную с активностью пару, если (i) каждый из элементов в паре принадлежит к однократному событию, и (ii) соответствующая разница времени задержки попадает в пределы Δt_AB. На иллюстрации фиг.2B каждую из пар, записанную с сегментов №№4 и 5, принимают как пару связанных с активностью элементов, поскольку каждый из этих сегментов соответствуют обоим критериям (, , , i=4, 5). Записанные с сегментов №№1-3 пары не удовлетворяют критерию разницы времени задержки, поскольку каждый из , и находится за пределами Δt_AB ( i=1, 2, 3). Таким образом, эти пары отклоняют. Следует отметить, что согласно настоящему варианту осуществления, даже если полученная из сегмента №6 пара удовлетворяет критерию разницы времени задержки, пару отклоняют, поскольку она не удовлетворяет критерию временного интервала ().

В соответствии с различными иллюстративными вариантами осуществления по настоящему изобретению, согласно процедуре также принимают пару, соответствующую одновременным событиям в данных, которые имеют место в двух или более различных местоположениях. Несмотря на то, что такие события не являются причинно-следственными по отношению друг к другу (поскольку между местоположениями отсутствует поток информации), с помощью настоящего способа отмечают соответствующие элементы. Не привязываясь к какой-либо конкретной теории, полагают, что одновременные события в данных имеют причинно-следственную связь с другим событием, даже если оно не выявлено с помощью настоящего способа. Например, один и тот же физический стимул может породить одновременные события в двух или более местоположениях в головном мозге.

Выявленные пары связанных с активностью элементов, принятых на 46, можно обрабатывать как элементарные паттерны, которые можно использовать в качестве элементарных структурных элементов для построения сложных паттернов в пространстве элемента. В соответствии с различными иллюстративными вариантами осуществления по настоящему изобретению способ продолжают до 48, на котором соединяют две или более пары связанных с активностью элементов (например, конкатенируются) с образованием паттерна из более чем двух элементов. Критерием связывания может быть сходство характеристик пар, которое показано с помощью одномерных массивов. Например, в соответствии с некоторыми вариантами осуществления две пары связанных с активностью элементов связывают, если у них есть общий элемент. Символически это можно сформулировать следующим образом: у пар "А-В" и "В-С" в качестве общего элемента есть "В", и их связывают с образованием сложного паттерна А-В-С.

Предпочтительно, связанный набор элементов подвергают процедуре сравнения с порогом, например, если Х % или более объектов в группе включены в связанный набор, то набор принимают, а если менее Х % объектов в группе включены в связанную группу, то набор отклоняют. Типичным значением для порогового Х является приблизительно 80.

Каждый паттерн из трех или более элементов, таким образом, соответствует объединению кластеров, заданному так, чтобы каждый кластер объединения находился в пределах конкретной разницы времени задержки от одного или нескольких других кластеров в объединении. После анализа всех частей кластеров процедуру 12 продолжают до завершающего этапа 49, на котором ее заканчивают.

Снова обратимся к фиг.1, на 13 строят специфичный для объекта паттерн сетевой активности головного мозга (BNA). Перед приведением более детального описания способа будет объяснена общая идея паттернов BNA.

На фиг.3 приведен иллюстративный пример паттерна BNA 20, который можно извлечь из нейрофизиологических данных в соответствии с некоторыми вариантами осуществления по настоящему изобретению. Паттерн BNA 20 характеризуется множеством узлов 22, причем каждый представляет один из связанных с активностью элементов. Например, узел может представлять конкретный диапазон частот (необязательно два или более конкретных диапазонов частот) в конкретном местоположении и в пределах конкретного временного интервала или диапазона времени задержки, необязательно с конкретным диапазоном амплитуд.

Некоторые из узлов 22 имеют соединения 24, представляющие причинно-следственную связь между узлами на концах соответствующего соединения. Таким образом, паттерн BNA представляют в виде графика с узлами и соединениями. В соответствии с различными иллюстративными вариантами осуществления по настоящему изобретению паттерн BNA включает множество дискретных узлов, причем касающаяся данных информация представлена только узлами, а информация, касающаяся взаимосвязей между элементами, представлена только соединениями.

На фиг.3 показан паттерн BNA 20 на модели 26 волосистой части кожи головы, позволяющий осуществить связывание местоположения узлов различных долей головного мозга (фронтальной 28, центральной 30, париетальной 32, окципитальной 34 и темпоральной 36). Узлы в паттерне BNA можно пометить с помощью их различных характеристик. При необходимости может быть использована методика представления с помощью цветовой кодировки и кодировки формы. Например, соответствующие конкретному диапазону частот узлы можно отобразить с помощью одного цвета или формы, а соответствующие другому диапазону частот узлы можно отобразить с помощью другого цвета или формы. В иллюстративном примере на фиг.3 представлены два цвета. Красные узлы соответствуют дельта волнам, а зеленые узлы соответствуют тета волнам.

Паттерн BNA, такой как проиллюстрированный паттерн 20, может описывать активность головного мозга отдельного объекта или группы или подгруппы объектов. Паттерн BNA, который описывает активность головного мозга отдельного объекта, в настоящем документе называют специфичный для объекта паттерн BNA, а паттерн BNA, который описывает активность головного мозга группы или подгруппы объектов, в настоящем документе называют групповой паттерн BNA.

Если паттерн BNA 20 является специфичным для объекта паттерном BNA, то для построения паттерна BNA используют только одномерные массивы, извлеченные из данных соответствующего объекта. Таким образом, каждый узел соответствует точке в многомерном пространстве, и, таким образом, представляет собой событие активности в головном мозге. Если паттерн BNA 20 является групповым паттерном BNA, то несколько узлов могут соответствовать кластеру точек в многомерном пространстве и, таким образом, он представляет собой событие активности, которое преобладает у группы или подгруппы объектов. По причине статистической природы группового паттерна BNA число узлов (называемое в настоящем документе "порядком") и/или соединений (называемое в настоящем документе "размером") в групповом паттерне BNA, как правило, но не обязательно, больше порядка и/или размера специфичного для объекта паттерна BNA.

В качестве простого примера построения группового паттерна BNA рассматривают проиллюстрированный на фиг.2B упрощенный сценарий, в котором "сегмент" соответствует другому объекту в группе или подгруппе объектов. В настоящем примере групповые данные включают два однократных события, связанных с местоположениями А и В. Каждое из этих событий формирует кластер в многомерном пространстве. Согласно различным иллюстративным вариантам осуществления по настоящему изобретению каждый из кластеров, называемых в настоящем документе кластерами А и В, представлен узлом в группе BNA. Два кластера А и В выявляют как связанные с активностью элементы, поскольку в этих кластерах есть несколько отдельных точек, которые удовлетворяют критериям для такой связи (пары объектов №№4 и 5 в настоящем примере). Таким образом, в соответствии с различными иллюстративными вариантами осуществления по настоящему изобретению соответствующие кластерам А и В узлы связывают с помощью соединения. Упрощенная иллюстрация полученного группового паттерна BNA показана на фиг.2С.

Поскольку групповой паттерн BNA описывает активность головного мозга у нескольких объектов, его, как правило, строят для группы или подгруппы объектов с некоторой общей классификацией, которая может иметь отношение к условию, характеристике, принадлежности и т.п. Такие групповые паттерны BNA можно пометить комментариями согласно такой групповой классификации.

В настоящем документе выражение "помеченный комментарием паттерн BNA" будет использован для обозначения паттерна BNA, который связан с информацией в комментарии. Информацию в комментарии можно хранить отдельно от паттерна BNA (например, в отдельном файле на машиночитаемом носителе). Информация в комментарии предпочтительно представляет собой глобальный комментарий, в котором весь паттерн BNA выявлен как соответствующий конкретному связанному с деятельностью головного мозга расстройству или состоянию. Таким образом, например, информация в комментарии может иметь отношение к наличию, отсутствию или уровню конкретного расстройства или состояния. Также предусмотрены варианты осуществления, согласно которым информация в комментарии имеет отношение к конкретному связанному с деятельностью головного мозга расстройству или состоянию в том, что касается применяемого к объекту лечения. Например, паттерн BNA можно пометить комментарием как соответствующий подвергнутому лечению расстройству, связанному с деятельностью головного мозга. Такой паттерн BNA также можно пометить комментарием с особенностями лечения, включая дозировку, длительность и прошедшее после лечения время. Паттерн BNA можно необязательно и предпочтительно пометить комментарием как соответствующий не подвергнутому лечению расстройству, связанному с деятельностью головного мозга.

Используемый в настоящем документе термин "лечение" включает устранение, по сути подавление, замедление или обращение развития состояния, по сути ослабление клинических или эстетических симптомов состояния или по сути предупреждение проявление клинических или эстетических симптомов состояния. Лечение может предусматривать любой тип вмешательства, как инвазивное, так и неинвазивное, в том числе без ограничения фармакологическое, хирургическое, лучевое, реабилитационное и т.п.

Альтернативно или дополнительно, паттерн BNA можно выявить как соответствующий конкретной группе индивидуумов (например, группе с конкретным полом, этническим происхождение, возрастом и т.д.), причем информация в комментарии имеет отношение к характеристикам такой группы индивидуумов. В соответствии с некоторыми вариантами осуществления по настоящему изобретению информация в комментарии включает локальный комментарий, в котором узлы в нескольких местоположениях в паттерне BNA выявляют как указывающие на конкретное расстройство, состояние и/или группу.

В отличие от группового паттерна BNA, в основе всех узлов в специфичном для объекта паттерне BNA лежат одномерные массивы, полученные из данных соответствующего объекта. Специфичный для объекта паттерн BNA необязательно и предпочтительно строят путем сравнения элементов и взаимосвязей между элементами собранных от соответствующего объекта данных с элементами и взаимосвязями между элементами референтных данных. Референтные данные могут включать групповые данные и/или данные отдельного объекта, предпочтительно того же подвергаемого анализу объекта, и/или искусственные данные, полученные, например, с помощью нейрофизиологической модели.

Если референтные данные содержат групповые данные, то связанные с данными объекта точки и взаимосвязи между точками сравнивают со связанными с групповыми данными кластерами и взаимосвязями между кластерами. Рассмотрим, например, проиллюстрированный на фиг.2B упрощенный сценарий, в котором "сегмент" соответствует другому объекту в группе или подгруппе объектов. Кластер А не включает вклад от объекта №3, а кластер В не включает вклад от объекта №6, поскольку у этих объектов соответствующие точки не удовлетворяют критерию временного интервала. Таким образом, в соответствии с различными иллюстративными вариантами осуществления по настоящему изобретению, если специфичный для объекта паттерн BNA строят для объекта №3, то он не включает узел, соответствующий местоположению А, а если специфичный для объекта паттерн BNA строят для объекта №6, то он не включает узел, соответствующий местоположению В. С другой стороны, местоположения как А, так и В представлены в виде узлов в специфичных для объекта паттернах BNA, построенных для любого из объектов №№1, 2, 4 и 5.

Для тех объектов, для которых соответствующие точки принимают в качестве пары связанных с активностью элементов (в настоящем примере объекты №№4 и 5), соответствующие узлы предпочтительно связывают при помощи соединения. Упрощенная иллюстрация специфичного для объекта паттерна BNA для каждого случая показана на фиг.2D.

Следует отметить, что в таком упрощенном примере только из двух узлов специфичный для объекта паттерн BNA из фиг.2D похож на групповой паттерн BNA из фиг.2С. Для большего числа узлов порядок и/или размер группового паттерна BNA в указанной форме, как правило, больше порядка и/или размера специфичного для объекта паттерна BNA. Дополнительное отличие между специфичными для объекта и групповыми паттернами BNA можно увидеть по степени взаимосвязи между связанными с активностью элементами, представленной с помощью соединений, как более детально описано в настоящем документе ниже.

Для объектов, для которых соответствующие точки были отклонены (в настоящем примере объекты №№1 и 2), соответствующие узлы предпочтительно не связывают при помощи соединения. Упрощенная иллюстрация специфичного для объекта паттерна BNA для такого случая показана на фиг.2Е.

Если референтные данные включают данные отдельного объекта, то одномерные массивы волновых характеристик извлекают отдельно для разделенных во времени стимулов для задачи кластеров точек, где каждая точка в кластере соответствует ответу на стимул, прилагаемый в различный момент времени, как более детально описано ранее в настоящем документе. Процедура построения специфичного для объекта паттерна BNA согласно таким вариантам осуществления предпочтительно совпадает с описанной выше процедурой построения группового паттерна BNA. Однако, поскольку все данные собирают от отдельного объекта, то паттерн BNA является специфичным для объекта.

Таким образом, настоящие варианты осуществления предусматривают два типа специфичных для объекта паттернов BNA: первый тип, который описывает связь конкретного объекта с группой или подгруппой объектов, являющейся реализацией группового паттерна BNA для конкретного объекта, и второй тип, который описывает данные конкретного объекта без связывания объекта с группой или подгруппой объектов. Первый тип паттерна BNA называют в настоящем документе связанным специфичным для объекта паттерном BNA, а второй тип паттерна BNA называют в настоящем документе несвязанным специфичным для объекта паттерном BNA.

Для несвязанного специфичного для объекта паттерна BNA анализ предпочтительно проводят на наборе повторяющихся представлений отдельного стимула, а именно, на наборе отдельных испытаний, необязательно и предпочтительно перед усреднением данных и преобразования их в один отдельный одномерный массив данных. Для групповых паттернов BNA, с другой стороны, данные каждого объекта группы необязательно и предпочтительно усредняют и после этого преобразуют в одномерные массивы данных.

Следует отметить, что, несмотря на то, что несвязанный специфичный для объекта паттерн BNA обычно является единственно возможным для конкретного объекта (на момент построения специфичного для объекта паттерна BNA), тот же объект можно охарактеризовать с помощью нескольких связанных специфичных для объекта паттернов BNA, поскольку объект может иметь различные связи с различными группами. Рассмотрим, например, группу здоровых объектов и группу нездоровых объектов, все из которых страдают одним и тем же расстройством головного мозга. Рассмотрим дополнительно объект Y, который может принадлежать или не принадлежать к одной из этих групп. Согласно настоящим варианты осуществления для объекта Y предусматривают несколько специфичных для объекта паттернов BNA. Первый паттерн BNA является несвязанным специфичным для объекта паттерном BNA, который, как указано, обычно является единственно возможным для такого объекта, поскольку его строят из собранных только от объекта Y данных. Второй паттерн BNA является связанным специфичным для объекта паттерном BNA, построенным на основании взаимосвязи между данными объекта Y и данными здоровой группы. Третий паттерн BNA является связанным специфичным для объекта паттерном BNA, построенным на основании взаимосвязи между данными объекта Y и данными нездоровой группы. Каждый из этих паттернов BNA пригоден для оценки состояния объекта Y. Первый паттерн BNA может быть пригоден, например, для отслеживания изменений функции головного мозга объекта с течением времени (например, отслеживания пластичности головной мозг или т.п.), поскольку он делает возможным сравнение паттерна BNA с ранее построенным несвязанным специфичным для объекта паттерном BNA. Второй и третий паттерн BNA может быть пригоден для определения уровня связи между объектом Y и соответствующей группой и, таким образом, определения вероятности расстройства головного мозга для объекта.

Также предусмотрены варианты осуществления, согласно которым референтные данные, используемые для построения специфичного для объекта паттерна BNA, соответствуют архивным данным, ранее полученным от того же объекта. Эти варианты осуществления аналогичны описанным выше вариантам осуществления в отношении связанного специфичного для объекта паттерна BNA, за исключением того, что паттерн BNA связывают с историей того же объекта вместо группы объектов.

Кроме того, предусмотрены варианты осуществления, согласно которым референтные данные соответствуют данным, полученным от того же объекта некоторое время спустя. Настоящие варианты осуществления делают возможным исследование того, превратятся ли данные, полученные в более ранний момент времени, в данные, полученные в более поздний момент времени. Конкретным и неограничивающим примером является случай нескольких сеансов лечения, например, N сеансов, для одного и того же объект. Полученные на первых нескольких сеансах лечения данные (например, от сеанса 1 до сеанса k₁<N) можно использовать в качестве референтных данных для построения первого связанного специфичного для объекта паттерна BNA, соответствующего промежуточным сеансам (например, от сеанса k₂>k₁ до сеанса k₃>k₂), а полученные в последние несколько сеансов лечения данные (например, от сеанса k₄ до сеанса N) можно использовать в качестве референтных данных для построения второго связанного специфичного для объекта паттерна BNA, соответствующего вышеупомянутым промежуточным сеансам, где 1<k₁<k₂<k₃<k₄. Такие два связанных специфичных для объекта паттерна BNA для одного и того же объекта можно использовать для определения изменения данных с ранних этапов лечения до поздних этапов лечения.

Дополнительно предусмотрены варианты осуществления, согласно которым референтные данные содержат данные, полученные из нейрофизиологической модели. В основе модели может лежать известная из уровня техники информация в отношении паттернов ожидаемого пространственно-временного развития среди различных функциональных областей головного мозга для конкретного состояния головного мозга.

Нейрофизиологическую модель можно построить путем обработки нейрофизиологических данных тренировки, собранных от достаточно большого объема выборки, и использования статистического анализа и/или методики машинного обучения для построения прогностической модели. Источники нейрофизиологических данных обучения могут быть любого типа, который дает информацию касательно неврологической активности головного мозга. Иллюстративные примеры включают без ограничения данные EEG, данные MEG, данные CAT, данные PET, данные MRI, данные fMRI, ультразвуковые данные, данные SPECT, данные BCI и данные от нейропротезов на нейронном уровне. Необязательно, модель строят на основе комбинирования двух или более различных типов данных. Набор данных обучения также может включать литературные данные.

Набор данных обучения необязательно можно собрать от объектов из различных групп исследования, включающих без ограничения по меньшей мере одну контрольную группу и по меньшей мере одну целевую группу объектов с различными линиями поведения, например, патологическими действиями или активностями, осуществляемыми специфическим образом вследствие патологического состояния, или непатологическими действиями, которые просят выполнить объектов. Методику создания нейрофизиологической модели, подходящую для некоторых вариантов осуществления по настоящему изобретению, можно найти в международной публикации № WO 2009/069135 того же заявителя, что и у настоящей заявки, и включенной с помощью ссылки в ее полном объеме.

Несколько моделей, которые могут согласовываться с набором данных обучения, можно построить и оценить, например, с помощью ранжирования вероятности, отражающего вероятность согласования модели с набором данных обучения. Можно выбрать модель или модели, которые имеют наиболее высокие оценки, и использовать компьютеризированную подсистему для получения искусственных нейрофизиологических данных, которые необходимы для использования в качестве референтных данных.

В соответствии с различными иллюстративными вариантами осуществления по настоящему изобретению в выбранную(выбранные) модель(модели) вводят касающиеся исследуемого объекта сведения и получают в ответ искусственные нейрофизиологические данные, которые ожидают получить от такого объекта. В выбранную модель необязательно и предпочтительно вводят сведения, касающиеся классификационной группы, к которой, согласно ожиданиям, принадлежит объект, а также вводят запрос касательно типа искусственных данных, которые необходимы в качестве референтных.

В качестве иллюстративного примера рассмотрим анализируемый объект, который часто задействован в контактном виде спортивной деятельности. Предположим, что необходимо построить специфичный для объекта паттерн BNA, который связан с сотрясением головного мозга. В такой иллюстративной ситуации в выбранную модель предпочтительно вводят сведения, касающиеся классификационной группы, к которой принадлежит объект (например, возраст, пол и род спорта), а также запрос на создание искусственных данных, которые характерны для состояния сотрясения головного мозга для конкретной классификационной группы. Созданные с помощью нейрофизиологической модели искусственные данные применяют в способе по настоящим вариантам осуществления в качестве референтных данных для построения связанного специфичного для объекта паттерна BNA. Как указано, один и тот же объект может иметь несколько связанных специфичных для объекта паттернов BNA. Таким образом, в модель можно дополнительно вводить, например, касающиеся классификационной группы сведения вместе с запросом на создание искусственных данных, которые характерны для нормальной функции головного мозга и, таким образом, сотрясения мозга для конкретной классификационной группы. Последние искусственные данные можно применять согласно способу по настоящим вариантам осуществления в качестве референтных данных для построения специфичного для объекта паттерна BNA, связанного с нормальной функцией головного мозга.

Каждой паре узлов (или, эквивалентно, каждому соединению) в построенном паттерне BNA необязательно и предпочтительно присваивают паттерн веса связи, таким образом получая взвешенный паттерн BNA. Вес связи представлен на фиг.2С, и 2D, и 3 с помощью толщины связывающих два узла соединений. Например, более толстые соединения могут соответствовать более высоким значениям веса, а более тонкие соединения могут соответствовать более низким значениям веса.

В соответствии с различными иллюстративными вариантами осуществления по настоящему изобретению вес связи включает весовой показатель WI, рассчитанный на основе по меньшей мере одного из следующих кластерных свойств: (i) количество объектов, участвующих в соответствующей кластерной паре, причем большие значения веса закреплены за большим количеством объектов, (ii) разница между количеством объектов в каждом кластере пары (называемой "разностным уровнем" пары), причем большие значения веса закреплены за более низкими разностными уровнями, (iii) ширина временных интервалов, связанных с каждым из соответствующих кластеров (см, например, Δt_A и Δt_B на фиг.2А), причем большие значения веса закреплены за более узкими интервалам, (iv) разница времени задержки между двумя кластерами (см. Δt_AB на фиг.2А), причем большие значения веса закреплены за более узкими интервалами, (v) амплитуда сигнала, связанного с соответствующими кластерами, (vi) частота сигнала, связанного с соответствующими кластерами, и (vii) ширина пространственного интервала, задающего кластер (согласно вариантам осуществления, в которых система координат является непрерывной). Для любого из кластерных свойств, за исключением свойств (i) и (ii), предпочтительно использовать одну или несколько статистических измеряемых величин свойств, таких как без ограничения средняя, медианная, супремум, инфимум и дисперсия на протяжении кластера.

Для группового паттерна BNA или несвязанного специфичного для объекта паттерна BNA вес связи предпочтительно равен весовому показателю WI, который рассчитан на основе кластерных свойств.

Для связанного специфичного для объекта паттерна BNA вес связи пары узлов предпочтительно присваивают на основе весового показателя WI, а также одного или нескольких специфичных для объекта и специфичных для пары количественных параметров, обозначенных SI. Иллюстративные примеры таких количественных параметров приведены ниже.

В соответствии с различными иллюстративными вариантами осуществления по настоящему изобретению паре узлов связанного специфичного для объекта паттерна BNA присваивают вес связи, который рассчитывают путем объединения WI и SI. Например, вес связи пары в связанном специфичном для объекта паттерне BNA можно задать с помощью WI⋅SI. При расчете нескольких количественных параметров (скажем, N количественных параметров) заданной паре узлов паре можно присвоить несколько значений веса связи, например, WI⋅SI₁, WI⋅SI₂, …, WI⋅SI_N, где SI₁, SI₂, …, Si_N, представляют собой N рассчитанных количественных параметров. Альтернативно или дополнительно, все значения веса связи у заданной пары можно объединить путем, например, усреднения, умножения и т.п.

Количественный параметр SI может представлять собой, например, статистический показатель, характеризующий взаимосвязь специфичной для объекта пары и соответствующих кластеров. Статистический показатель может быть любого типа, включая без ограничения отклонение от среднего, абсолютное отклонение, стандартную оценку и др. Взаимосвязь, для которой рассчитывают статистический показатель, может относиться к одному или нескольким свойствам, используемым для расчета весового показателя WI, включая без ограничения время задержки, разницу времени задержки, амплитуду, частоту и др.

Статистический показатель, касающийся времени задержки или разницы времени задержки, называют в настоящем документе показателем синхронизации и обозначают SIs. Таким образом, показатель синхронизации в соответствии с некоторыми вариантами осуществления по настоящему изобретению можно получить в результате расчета статистического показателя для (i) времени задержки у точки, полученного для объекта (например, и в приведенном выше примере), относительно среднего по группе времени задержки соответствующего кластера, и/или (ii) разницы времени задержки между двумя точками, полученного для объекта (например, ), относительно средней по группе разницы времени задержки между двумя соответствующими кластерами.

Касающийся амплитуды статистический показатель называют в настоящем документе амплитудным показателем и обозначают SIa. Таким образом, амплитудный показатель в соответствии с некоторыми вариантами осуществления по настоящему изобретению получают путем расчета статистического показателя для получаемой от объекта амплитуды относительно средней по группе амплитуде для соответствующего кластера.

Касающийся частоты статистический показатель называют в настоящем документе частотным показателем и обозначают SIf. Таким образом, частотный показатель в соответствии с некоторыми вариантами осуществления по настоящему изобретению получают путем расчета статистического показателя для получаемой от объекта частоты относительно средней по группе частоты для соответствующего кластера.

Касающийся местоположения статистический показатель называют в настоящем документе показателем местоположения и обозначают SIl. Такие варианты осуществления особенно пригодны в вариантах осуществления, согласно которым используют непрерывную систему координат, как более детально описано в настоящем документе выше. Таким образом, показатель местоположения в соответствии с некоторыми вариантами осуществления по настоящему изобретению получают путем расчета статистического показателя для получаемого от объекта местоположения относительно среднего по группе местоположения для соответствующего кластера.

Расчет касающихся других свойств статистических показателей не исключен из объема настоящего изобретения.

Далее приведено описание методики расчета количественного параметра SI в соответствии с некоторыми вариантами осуществления по настоящему изобретению.

Если SI является показателем синхронизации SIs, то расчет необязательно и предпочтительно основан на дискретных моментах времени, соответствующих пространственно-временным условиям, устанавливаемым электродной парой (Time_subj), если такая существует. Согласно настоящим вариантам осуществления для каждой области значения времени этих моментов можно сравнить со средним и стандартным отклонением времени дискретных моментов, относящихся к групповому паттерну (Time_pat), с получением показателя синхронизации для области SIs_r. Показатель синхронизации SIs затем можно рассчитать, например, путем усреднения показателей синхронизации для области у двух областей в паре. Формально, такую процедуру можно записать в следующем виде:

Амплитудный показатель SIa необязательно и предпочтительно рассчитывают аналогичным образом. Изначально, для каждой области амплитуду дискретных моментов у отдельного объекта (Amp_subj) сравнивают со средним и стандартным отклонением амплитуд дискретных моментов, относящихся к групповому паттерну (Amp_pat), с получением амплитудного показателя SIa_r. Амплитудный показатель затем можно рассчитать, например, путем усреднения амплитудных показателей для области у двух областей в паре.

Сходство S одного или нескольких паттернов BNA затем можно рассчитать в виде взвешенного среднего по узлам паттерна BNA следующим образом:

Формально, дополнительное сходство, Sc, можно рассчитать следующим образом:

где SIc_i представляет собой бинарный количественный параметр, который равен 1, если пара i существует в данных объекта, и 0, если нет.

В соответствии с некоторыми вариантами осуществления по настоящему изобретению количественный параметр SI охватывает корреляционное значение между записанными активностями. В соответствии с некоторыми вариантами осуществления корреляционное значение описывает корреляцию между активностями, записанными для конкретного объекта в двух связанных парой местоположениях, и в соответствии с некоторыми вариантами осуществления корреляционное значение описывает корреляцию между активностями, записанными для конкретного объекта в любом из связанных парой местоположениях, и групповыми активностями, которые записаны в том же местоположении. В соответствии с некоторыми вариантами осуществления корреляционное значение описывает причинно-следственные связи между активностями.

Процедуры расчета корреляционных значений, таких как причинно-следственные связи, известны из уровня техники. В соответствии с некоторыми вариантами осуществления по настоящему изобретению используют теорию Гранжера [Granger С W J, 1969, "Investigating Causal Relations By Econometric Models And Cross-Spectral Methods," Econometrica, 37(3): 242]. Другие методики, подходящие для настоящих вариантов осуществления, можно найти в работах Durka et al., 2001, "Time-frequency microstructure of event-related electroencephalogram desynchronisation and synchronisation," Medical & Biological Engineering & Computing, 39:315; Smith Bassett et al., 2006, "Small-World Brain Networks" Neuroscientist, 12:512; He et al., 2007, "Small-World Anatomical Networks in the Human Brain Revealed by Cortical Thickness from MRI," Cerebral Cortex 17:2407; и De Vico Fallani et al., "Extracting Information from Cortical Connectivity Patterns Estimated from High Resolution EEG Recordings: A Theoretical Graph Approach," Brain Topogr 19:125; все содержание которых, таким образом, включено с помощью ссылки.

Значения веса связи, определяемые паттерном BNA, можно рассчитать в виде непрерывной переменной (например, с помощью функции с непрерывным диапазоном значений) или в виде дискретной переменной (например, с помощью функции с дискретным диапазоном значений или с помощью таблицы перекодировки). В любом случае вес связи может характеризоваться более чем двумя возможными значениями. Таким образом, в соответствии с различными иллюстративными вариантами осуществления по настоящему изобретению взвешенный паттерн BNA характеризуется по меньшей мере тремя, или по меньшей мере четырьмя, или по меньшей мере пятью, или по меньшей мере шестью соединениями, каждому из которых присвоен различный вес связи.

После построения специфичного для объекта паттерна BNA его можно передать на устройство отображения, такое как компьютерный монитор или принтер. Альтернативно или дополнительно, паттерн BNA можно передать на машиночитаемый носитель.

Снова обратимся к фиг.1, способ предусматривает переход до 14, на котором специфичный для объекта паттерн BNA (например, паттерн 20) сравнивают с базовым паттерном BNA, который специфичен для того же объекта. Базовый паттерн BNA может представлять собой паттерн, построенный для тех же объектов в другой момент времени, например, в более ранний момент времени. Предпочтительно, как паттерн BNA, который построен на 13, так и базовый паттерн BNA описывают связь конкретного объекта (хотя и в различные моменты времени) с той же группой или подгруппой объектов. В соответствии с различными иллюстративными вариантами осуществления по настоящему изобретению как построенный, так и базовый паттерны BNA представляют собой специфичные для объекта паттерны BNA, связанные с сотрясением головного мозга. Альтернативно, как построенный, так и базовый паттерны BNA могут представлять собой специфичные для объекта паттерны BNA, связанные с нормальной функцией головного мозга.

В соответствии с некоторыми вариантами осуществления по настоящему изобретению способ предусматривает возврат к началу цикла к 12 или 13 с тем, чтобы в конечном счете построить два или более специфичных для объекта паттернов BNA. Такие варианты осуществления делают возможным применение нескольких связей. Таким образом, каждый специфичный для объекта паттерн BNA строят на основе различных референтных данных или модели, но с использованием одинаковых нейрофизиологических данных объекта, и каждый специфичный для объекта паттерн BNA сравнивают с различным базовым паттерном BNA и связывают с различными состояниями головного мозга.

В иллюстративном варианте осуществления по настоящему изобретению способ предусматривает построение первого связанного специфичного для объекта паттерна BNA, который связан с сотрясением головного мозга, и второго специфичного для объекта паттерна BNA, который связан с нормальной функцией головного мозга. Каждый из построенных паттернов BNA сравнивают с соответствующим базовым паттерном BNA. В частности, первый паттерн BNA сравнивают с базовым паттерном BNA, связанным с сотрясением головного мозга, а второй паттерн BNA сравнивают с базовым паттерном BNA, связанным с нормальной функцией головного мозга.

Сравнение паттернов BNA в соответствии с некоторыми вариантами осуществления по настоящему изобретению предпочтительно является количественным. Согласно таким вариантам осуществления сравнение паттернов BNA включает расчет сходства паттернов BNA. Сходство паттернов BNA необязательно и предпочтительно рассчитывают на основе значений веса связи паттерна BNA. Например, сходство паттернов BNA можно получить путем усреднения значений веса связи по специфичному для объекта паттерну BNA. При назначении каждой паре узлов в паттерне BNA 20 нескольких типов веса связи усреднение предпочтительно осуществляют по паттерну BNA отдельно для каждого типа веса связи. Необязательно и предпочтительно одно или несколько средних значений можно объединить (например, суммировать, умножить, усреднить, и т.д.) с получением объединенного сходства паттернов BNA. Альтернативно, в качестве сходства паттернов BNA можно определить репрезентативное значение средних (например, наибольшее).

Сходство можно выразить в виде непрерывной или дискретной переменной. В соответствии с различными иллюстративными вариантами осуществления по настоящему изобретению сходство представляет собой недвоичное число. Другими словами, вместо определения того, сходны или несходны два паттерна BNA, способ предусматривает расчет степени сходства или несходства двух паттернов BNA. Например, сходство можно выразить в виде процента, как нецелое число от 0 до 1 (например, 0, соответствующий полному несходству, и 1, соответствующий сравнению паттерна BNA с ним самим), и того подобного.

В вариантах осуществления, согласно которым от одного объекта получают несколько специфичных для объекта паттернов BNA, каждый специфичный для объекта паттерн BNA предпочтительно сравнивают с соответствующим базовым паттерном BNA. Способ необязательно и предпочтительно предусматривает подбор пары из паттернов BNA, которые лучше всего совмещаются друг с другом. Необязательно, способ может предусматривать определение показателя для каждой пары сравниваемых паттернов BNA. Таким показателем может быть, например, сходство S одного или нескольких паттернов BNA, которое дополнительно подробно описано в настоящем документе выше. Таким образом, в соответствии с различными иллюстративными вариантами осуществления по настоящему изобретению 52 включает расчет сходства S по меньшей мере одного паттерна BNA, описывающее сходство между паттерном BNA 20 и базовым паттерном BNA.

Сходство паттернов BNA можно использовать в качестве классификационного показателя, который в количественном отношении описывает уровень принадлежности объекта к соответствующей группе. Такой вариант осуществления особенно пригоден при построении нескольких специфичных для объекта паттернов BNA для одного объекта с применением данных различных групп, при котором классификационный показатель можно использовать для оценки уровня принадлежности объекта к каждой из групп. Таким образом, каждый контрактированный специфичный для объекта паттерн BNA можно сравнить с групповым паттерном BNA в дополнение или в качестве альтернативы сравнению с соответствующим специфичным для объекта базовым паттерном BNA.

Способ предусматривает продолжение до 15, на котором оценивают вероятность сотрясения головного мозга, основываясь на рассчитанном сходстве. Например, показатель сотрясения головного мозга по меньшей мере отчасти можно рассчитать на основании полученного сходства. Показатель сотрясения головного мозга может быть сходством самим по себе или его можно рассчитать на основании сходства. Например, при обнаружении высокого уровня сходства между связанными с сотрясением головного мозга паттернами BNA способ может предусматривать формирование отчета, что существует высокая вероятность того, что у объекта есть сотрясение головного мозга.

Если сравнение проводят как со связанным с сотрясением мозга паттерном BNA, так и между связанными с нормальной функцией головного мозга паттернами BNA, то для оценки можно использовать оба уровня сходства. Например, обозначая соответствующие уровни сходства S_{сотрясение мозга} и S_норма, где как S_{атипично}, так и S_норма равны от 0 до 1, показатель сотрясения головного мозга I_{сотрясение мозга} можно рассчитать следующим образом:

I_{сотрясение мозга}=(S_{сотрясение мозга}+(1-S_норма))/2.

Варианты приведенной выше формулы не исключены из объема настоящего изобретения.

После оценки вероятности при необходимости ее можно передать на машиночитаемый носитель, или устройство отображения, или устройство печати. Например, показатель сотрясения головного мозга можно представить пользователю в графическом виде на масштабной полоске. Иллюстративный пример такого графического представления показан на фиг.4.

Уровень сходства необязательно и предпочтительно можно также использовать в качестве прогностического индекса для конкретного объекта. В частности, в качестве прогностического индекса можно использовать результаты наблюдения изменения уровня сходства с течением времени. Например, при повышении со временем уровня сходства по отношению к нормальному исходному уровню в качестве прогностического индекса можно использовать темп прироста.

Таким образом, способ необязательно и предпочтительно предусматривает извлечение 16 прогностической информации, основываясь на рассчитанном сходстве. Базовый паттерн BNA можно связать с касающейся лечения информацией в комментарии необязательно и предпочтительно вместе с особенностями лечения, например, дозировкой, длительностью и прошедшим после лечения временем. Сравнение построенного паттерна BNA с таким типом базовых паттернов BNA может дать информацию в отношении восприимчивости объекта к лечению и/или эффективности лечения для такого конкретного объекта. Такое сравнение необязательно и предпочтительно можно использовать для извлечения прогностической информации в отношении конкретного лечения. Паттерн BNA, который комплементарен такому базовому паттерну BNA, является паттерном BNA, который помечен комментарием как соответствующий не подвергнутому лечению расстройству, связанному с деятельностью головного мозга. Необязательно и предпочтительно, способ предусматривает сравнение паттерна BNA 20 по меньшей мере с одним базовым паттерном BNA, помеченным комментарием как соответствующий подвергнутому лечению расстройству, связанному с деятельностью головного мозга, и по меньшей мере одним базовым паттерном BNA, помеченным комментарием как соответствующий не подвергнутому лечению расстройству, связанному с деятельностью головного мозга.

Прогностическую информацию можно передать на машиночитаемый носитель, или устройство отображения, или устройство печати.

Способ предусматривает завершение на 17.

Методику сравнения паттернов BNA согласно настоящим вариантам осуществления можно использовать для стимуляции улучшения функции головного мозга. В соответствии с некоторыми вариантами осуществления по настоящему изобретению связанные специфичные для объекта паттерны BNA строят для объекта в ходе высокоуровневого когнитивного теста, обычно в режиме реального времени. Объекту можно продемонстрировать построенные паттерны BNA или некоторые другие его представления, и он может использовать их в качестве результатов ответной реакции. Например, если в качестве результата когнитивного действия паттерн BNA объекта становится больше похож на характеристический паттерн BNA здоровой группы, то представление такого результата объекту может быть использовано объектом в качестве положительной ответной реакции. И наоборот, если в качестве результата когнитивного действия паттерн BNA объекта становится больше похож на характеристический паттерн BNA группы с расстройством головного мозга, то представление такого результата объекту может быть использовано объектом в качестве отрицательной ответной реакции. Анализ в реальном времени паттернов BNA в сочетании с обратной нейронной связью необязательно и предпочтительно можно использовать для достижения улучшенной стимуляция коры головного мозга с помощью внешних стимулирующих электродов.

Фиг.5 представляет собой блок-схему другого способа, подходящего для оценки вероятности сотрясения головного мозга, исходя из нейрофизиологических данных, в соответствии с различными иллюстративными вариантами осуществления по настоящему изобретению. Способ предусматривает начало на 10 и необязательно и предпочтительно продолжение до 11, на котором получают нейрофизиологические данные, как более детально описано в настоящем документе выше. Способ предусматривает продолжение до 12, на котором устанавливают взаимосвязи между элементами данных с тем, чтобы выявить связанные с активностью элементы, и до 13, на котором строят специфичный для объекта паттерн BNA, как более детально описано в настоящем документе выше. Согласно настоящему варианту осуществления специфичный для объекта паттерн BNA строят с применением референтных данных, которые являются групповыми данными или искусственными данными. Построенный специфичный для объекта BNA связывают с сотрясением головного мозга.

Способ предусматривает продолжение до 51, на котором специфичный для объекта паттерн BNA (например, паттерн 20) сравнивают с групповым паттерном BNA, который помечен комментарием как соответствующий сотрясению головного мозга. Сравнение можно осуществить как описано выше с тем, чтобы рассчитать сходство паттернов BNA. Способ предусматривает продолжение до 52, на котором сходство сравнивают с записанным сходством, описывающим сравнение ранее построенного специфичного для объекта паттерна BNA того же объекта и того же группового паттерна BNA. Способ предусматривает продолжение до 53, на котором оценивают вероятность сотрясения головного мозга, основываясь на разнице записанного сходства и рассчитанного сходства. Таким образом, разница между приведенным выше способом 50 и способом 10 заключается в том, что способ 50 предусматривает оценку на основании наблюдаемых изменений в рассчитанном сходстве и не обязательно на основании изменения специфичного для объекта паттерна BNA. Другая разница заключается в типе используемого базового паттерна BNA. Способ 10 предусматривает, что базовый паттерн BNA предпочтительно является специфичным для объекта. Способ 50 предусматривает, что базовый паттерн BNA является групповым паттерном BNA.

От 52 способ может необязательно и предпочтительно предусматривать возврат к 12 или 13 для построения другого специфичного для объекта паттерна BNA. Например, способ может предусматривать построение 13 специфичного для объекта паттерна BNA, который связан с нормальной функцией головного мозга, и его сравнение 51 с групповым паттерном BNA, который помечен комментарием как соответствующий нормальной функции головного мозга, с получением уровня второго сходства. Затем способ может предусматривать сравнение 52 второго сходства с соответствующим вторым записанным сходством. Согласно таким вариантам осуществления оценка основана на разнице второго записанного сходства и второго рассчитанного сходства. Например, при повышении со временем сходства, которое соответствует сотрясению головного мозга, и понижении со временем сходства, которое соответствует нормальной функции головного мозга, способ может предусматривать оценку, что вероятно, что объект страдает от сотрясения мозга.

Способ 50 необязательно и предпочтительно предусматривает продолжение до 16, на котором извлекают прогностическую информацию, основываясь на рассчитанных сходствах, как более детально описано в настоящем документе выше.

Способ предусматривает завершение на 57.

Способы 10 и 50 также можно комбинировать. Согласно таким вариантам осуществления специфичный для объекта паттерн сравнивают как со специфичным для объекта базовым паттерном, так и с групповым помеченным комментарием базовым паттерном. Результат каждого сравнения обеспечивает дополнительную оценку касательно вероятности сотрясения головного мозга. Все полученные результаты оценок можно передать на машиночитаемый носитель, или устройство отображения, или устройство печати.

В соответствии с аспектом некоторых вариантов осуществления настоящее изобретение относится к системе анализа нейрофизиологических данных. Система содержит процессор для обработки данных, например, специализированную радиосхему или компьютер общего назначения, сконфигурированный для получения нейрофизиологических данных и выполнения по меньшей мере некоторых из описываемых в настоящем документе операций.

Согласно аспекту некоторых вариантов осуществлений настоящее изобретение относится к способу оценки вероятности синдрома дефицита внимания и гиперактивности ADHD. Способ предусматривает выявление связанных с активностью элементов в нейрофизиологических данных, полученных от головного мозга объекта, построение паттерна BNA и расчет сходства паттернов BNA, описывающего результат сравнения построенного паттерна BNA базового паттерна BNA при ADHD. Выявление связанных с активностью элементов и/или построение паттерна BNA можно выполнить как описано выше в отношении способа оценки вероятности сотрясения головного мозга. Альтернативно или дополнительно, выявление связанных с активностью элементов и/или построение паттерна BNA можно осуществить согласно идеям из РСТ заявки № PCT/IL2011/000055, содержание которой, таким образом, включено с помощью ссылки.

В соответствии с различными иллюстративными вариантами осуществления по настоящему изобретению базовый паттерн BNA при ADHD характеризуется узлами, представляющими связанные с событием потенциалы преимущественно в одном или нескольких диапазонах частот, выбранных из группы, состоящей из диапазонов частот дельта, тета и альфа, во множествах фронтоцентральных местоположениях в пределах характеристического временного интервала, составляющего от приблизительно 100 мс до приблизительно 200 мс. В соответствии с некоторыми вариантами осуществления по настоящему изобретению базовый паттерн BNA при ADHD характеризуется узлами, представляющими связанные с событием потенциалы, преимущественно в диапазоне частот дельта во множестве окципитальных, париетальных и фронтоцентральных местоположениях в пределах характеристического временного интервала, составляющего от приблизительно 300 мс до приблизительно 600 мс.

После расчета сходства BNA между построенным паттерном BNA и базовым паттерном BNA при ADHD его можно использовать для оценки вероятности. Например, сходство паттернов BNA, которое превышает заранее определенный порог, может указывать в вероятность того, что у объекта есть ADHD.

Вероятность необязательно и предпочтительно извлекают путем определения показателя ADHD, по меньшей мере отчасти, на основе сходства между построенным паттерном BNA и базовым паттерном BNA при ADHD. Показатель ADHD головного мозга может быть сходством самим по себе или его можно рассчитать на основании сходства. В соответствии с различными иллюстративными вариантами осуществления по настоящему изобретению показатель ADHD рассчитывают на основе сходства между построенным паттерном BNA и паттерном BNA, помеченным комментарием как атипичный, а также сходства между построенным паттерном BNA и базовым паттерном BNA при ADHD. Например, обозначая первое сходство посредством S_норма, а второе сходство посредством SADHD, где как S_норма, так и S_ADHD равны от 0 до 1, показатель ADHD I_ADHD можно рассчитать следующим образом:

I_ADHD=(S_ADHD+(1-S_норма))/2.

Варианты приведенной выше формулы не исключены из объема настоящего изобретения.

Показатель расстройства головного мозга можно представить пользователю в графическом виде на масштабной полоске. Иллюстративный пример такого графического представления для случая ADHD показан на фиг.38.

Используемый в настоящем документе термин "приблизительно" относится к ±10%.

В настоящем документе слово "иллюстративный" используют как означающее "служащий в качестве примера, частного случая или иллюстрации". Любой описываемый как "иллюстративный" вариант осуществления не обязательно нужно понимать как предпочтительный или преимущественный по сравнению с другими вариантами осуществления, и/или он не обязательно должен исключать включение элементов из других вариантов осуществления.

Слово "необязательно" в настоящем документе используют как означающее "приведенное в некоторых вариантах осуществления и не приведенное в других вариантах осуществления". Любой конкретной вариант осуществления по настоящему изобретению может включать множество "необязательных" элементов, если такие элементы не противоречат друг другу.

Термины "содержит", "содержащий", "включает", "включающий", "имеющий" и их объединения означают "включающий без ограничений".

Термин "состоящий из" означает "включающий и ограниченный до".

Термин "практически состоящий из" означает, что композиция, способ или структура могут включать дополнительные ингредиенты, стадии и/или части, но только если дополнительные ингредиенты, стадии и/или части существенно не изменяют исходные и новые характеристики заявляемой композиции, способа или структуры.

Используемые в настоящем документе формы единственного числа включают отсылки к формам множественного лица, если контекст явно не диктует иное. Например, термин "вещество" или "по меньшей мере одно вещество" может включать множество веществ, в том числе смеси из них.

По всей настоящей заявки различные варианты осуществления по настоящему изобретению могут присутствовать в различном формате. Следует понимать, что описание в формате диапазонов приведено лишь для удобства и краткости, и его не следует истолковывать как жесткое ограничение объема настоящего изобретения. Соответственно, описание варианта необходимо рассматривать как содержащее, в частности, все раскрытые возможные поддиапазоны, а также отдельные числовые значения в пределах такого диапазона. Например, описание такого диапазона, как от 1 до 6, следует рассматривать как содержащий, в частности, такие раскрытые поддиапазоны, как от 1 до 3, от 1 до 4, от 1 до 5, от 2 до 4, от 2 до 6, от 3 до 6 и т.д., а также отдельные числа в пределах такого диапазона, например, 1, 2, 3, 4, 5 и 6. Это применимо независимо от ширины диапазона.

В случаях, когда в настоящем документе указан числовой диапазон, его понимают как включающий любое упомянутое число (дробное или целое) в пределах указанного диапазона. Фразы "варьирующий/варьирует в диапазоне между" первым указанным числом и вторым указанным числом и "варьирующий/варьирует от" первого указанного числа "до" второго указанного числа в настоящем документе используют взаимозаменяемо и понимают как включающие первые и вторые указанные числа и все дробные и целые числа между ними.

Понятно, что определенные элементы по настоящему изобретению, которые для ясности описаны в контексте отдельных вариантов осуществления, могут быть приведены в комбинации с отдельным вариантом осуществления. И наоборот, различные элементы по настоящему изобретению, которые для краткости описаны в контексте отдельного варианта осуществления, также могут быть приведены отдельно, или в любой подходящей подкомбинации, или в подходящем виде в любом описанном варианте осуществления по настоящему изобретению. Определенные описанные в контексте различных вариантов осуществления элементы не следует рассматривать как необходимые элементы таких вариантов осуществлений, если вариант осуществления не оказывается нерабочим без таких элементов.

Экспериментальное обоснование различных вариантов осуществления и аспектов по настоящему изобретению, которые описаны в настоящем документе выше и заявлены в приведенном ниже разделе формулы изобретения, можно найти в приведенных далее примерах.

Примеры

Теперь обратимся к приведенным далее примерам, которые вместе с приведенными выше описаниями неограничивающим образом иллюстрируют некоторые варианты осуществления по настоящему изобретению.

В этом примере описана модель модели нарушения когнитивных функций, полученного в результате сотрясения мозга. В основе модели лежит введение скополамина здоровым объектам.

Объектам вводили скополамин в количестве 0,4 мг и плацебо. Два групповых паттерна BNA (один паттерн BNA для группы плацебо и один паттерн BNA для группы скополамина) и несколько специфичных для объектов паттернов BNA строили в соответствии с идеями настоящих вариантов осуществления.

Объекты выполняли несколько задач, включая тест на неожиданные акустические стимулы и тест на кратковременную память.

В тесте на выявление целевых и неожиданных акустических стимулов объектов просили дать ответный сигнал на целевой акустический стимул, который редко и нерегулярно встречался в серии стандартных стимулов. Стандартный стимул бы в форме тона с частотой 1000 Гц, а целевой стимул был в форме тона с частотой 2000 Гц. Интервалы между двумя последовательными стимулами (стандартными или целевыми) составляли 1,5 секунды. На каждый объект воздействовали серией стимулов, 80% которых были стандартными стимулами, а 10% были целевыми стимулами. Дополнительные 10% были фоновыми звуками (называемыми "новыми стимулами").

В тесте на кратковременную память каждого объекта просили запомнить изображение лица человека (называемое "ключом"). Спустя две секунды объекту снова показывали изображение лица человека (называемое "образцом") и просили определить, совпадает ли образец с ключом.

Тесты и получения данных проводили в трех моментах времени (i) непосредственно после введения плацебо, (ii) один час спустя после введения 0,4 мг скополамина и (iii) две недели спустя, что обеспечивало полное вымывание лекарственного средства. BNA, построенные из полученных после введения плацебо данных, использовали в качестве базового BNA. Влияние лекарственного средства было временным, что, таким образом, делало возможным моделирование случая сотрясения мозга (когда фармакокинетические показатели лекарственного средства были на максимальном уровне) и после этого восстановление (когда лекарственное средство уже было вымыто из объекта).

На фиг.6A-С показаны результаты, соответствующие трем различным объектам. Данные собирали в ходе теста на неожиданный стимул. На каждой из фиг.6А-С показан групповой базовый паттерн BNA, помеченный комментарием как нормальный, и два специфичных для объекта паттерна BNA, полученные в моменты времени (ii) и (iii). Также показан паттерн BNA контрольной группы. На гистограмме видны уровни сходства с базовым. Нормальный диапазон показан на гистограмме в виде прямоугольника. Более конкретно, прямоугольник обозначает минимальное важное различие (MID), которое рассчитывали из групповых данных нормальных объектов. Любое изменение двух величин у отдельного объекта, в этом случае - показатель BNA до и после смоделированного сотрясения мозга, которое выходило за пределы диапазона MID, считали значимым изменением. Изменение в пределах MID считали не значимыми, и их могли рассматривать в качестве шумового сигнала системы. Видно, что имело место явное значимое изменение.

На фиг.7A-С показаны результаты экспериментов, проведенных на тех же трех объектах. Данные собирали в ходе теста на кратковременную память. На каждой из фиг.7A-С показан групповой базовый паттерн BNA, помеченный комментарием как нормальный, и два специфичных для объекта паттерна BNA, полученные в моменты времени (ii) и (iii). Также показан паттерн BNA контрольной группы. На гистограмме видны уровни сходства с базовым. Нормальный диапазон показан на гистограмме в виде прямоугольника, как описано выше в отношении фиг.6A-С.

Как показано на фиг.6А-С и 7А-С, уровень сходства с нормальным базовым уменьшался для нарушенного состояния, указывая на то, что высока вероятность сотрясения головного мозга. Из этого примера видна возможность оценки вероятности сотрясения головного мозга согласно настоящим вариантам осуществления.

Несмотря на то, что настоящее изобретение было описано в сочетании с конкретными его вариантами осуществления, очевидно, что специалистам в данной области техники будут понятны многие альтернативы, модификации и вариации. Соответственно, предусмотрено включение всех таких альтернатив, модификаций и вариаций, которые подпадают под идею и широкий объем прилагаемой формулы изобретения.

Все упомянутые в настоящем описании публикации, патенты и заявки на выдачу патентов включены в описание в настоящем документе в их полном объеме с помощью ссылки до той же степени, как если бы каждая отдельная заявка, патент или заявка на выдачу патента были специально и отдельно указаны как включенные в настоящий документ с помощью ссылки. В дополнение к этому, цитирование или указание любой ссылки в настоящей заявке не следует истолковывать в качестве допущения, что содержание по такой ссылке может выступать в качестве прототипа для настоящего изобретения. В случае использования заглавий разделов их не следует истолковывать как безусловно ограничительные.

1. Способ оценки вероятности сотрясения головного мозга исходя из нейрофизиологических данных, полученных от головного мозга субъекта, нейрофизиологические данные содержат по меньшей мере одно из данных электроэнцефалограммы (EEG) и данных магнитоэнцефалографии (MEG), способ включает:

применение процессора для обработки данных для:

получения референтных нейрофизиологических данных;

применения анализа формы волны к данным, содержащим нейрофизиологические данные субъекта и указанные референтные нейрофизиологические данные, для извлечения одномерных массивов характеристик данных;

выявления изолированных кластеров указанных одномерных массивов,

построения специфичного для субъекта паттерна сетевой активности головного мозга (BNA) для обеспечения построенного паттерна BNA с множеством узлов, причем каждый узел представляет собой кластер, имеющий одномерный массив нейрофизиологических данных субъекта, а каждой паре узлов присвоен вес связи, описывающий связь между нейрофизиологическими событиями, описанными с помощью соответствующей пары одномерных массивов, представленных узлами в указанной паре, где вес связи включает весовой показатель, рассчитанный на основе по меньшей мере одного свойства кластера,

расчета сходства паттернов BNA, описывающего результаты сравнения построенного паттерна BNA и ранее построенного базового паттерна BNA, которые специфичны для субъекта, указанное сходство паттернов BNA рассчитывается на основании величин весов связи указанных паттернов BNA, и

оценки вероятности того, что субъект имеет сотрясение головного мозга, основываясь на указанном сходстве с паттерном BNA.

2. Способ по п. 1, где в основе указанного базового паттерна BNA лежит групповой паттерн BNA, характеризующий группу субъектов, у которых выявлено сотрясение головного мозга.

3. Способ по п. 1, дополнительно включающий повтор указанного построения специфичного для субъекта паттерна BNA и указанного расчета сходства паттернов BNA по меньшей мере один раз.

4. Способ по п. 1, дополнительно включающий повтор указанного построения специфичного для субъекта BNA и указанного расчета сходства паттернов BNA по меньшей мере один раз, причем каждый специфичный для субъекта паттерн BNA строят на основании различных референтных данных или модели, но с использованием тех же нейрофизиологических данных субъекта, причем каждый специфичный для субъекта паттерн BNA сравнивают с базовым паттерном BNA, который связан с отличным состоянием головного мозга, и причем оценку проводят, основываясь по меньшей мере на двух сходствах паттернов BNA.

5. Способ по п. 4, где по меньшей мере один базовый паттерн BNA характеризует группу субъектов, у которых выявлена нормальная функция головного мозга, и по меньшей мере один базовый паттерн BNA характеризует группу субъектов, у которых выявлено сотрясение головного мозга.

6. Способ по любому из пп. 1-5, включающий построение нескольких паттернов BNA, каждый из которых является соответствующим отличному временному интервалу, в течение которого указанные нейрофизиологические данные получают из головного мозга субъекта, и отображение указанных паттернов BNA на временной оси.

7. Способ по п. 1, где указанный базовый паттерн BNA основан на групповом паттерне BNA, характеризующем группу субъектов, определенных как имеющие нормальную функцию головного мозга, и способ дополнительно включает извлечение прогностической информации касательно состояния головного мозга, основываясь по меньшей мере на указанном сходстве паттернов BNA, где прогностический индекс представляет собой темп прироста указанного сходства паттернов BNA.

8. Способ по любому из пп. 1-5, причем указанное по меньшей мере одно свойство кластера выбрано из группы, состоящей из следующего: (i) количество одномерных массивов в соответствующей паре кластеров, (ii) изменчивость количеств одномерных массивов в указанной соответствующей паре кластеров, (iii) ширина временных интервалов, связанных с каждым кластером в указанной соответствующей паре кластеров, (iv) разница времени задержки, разделяющая указанную соответствующую пару кластеров, (v) амплитуда сигнала, связанного с указанной соответствующей парой кластеров, (vi) частота сигнала, связанного с указанной соответствующей парой кластеров и (vii) ширина пространственного интервала, задающего указанные кластеры.

9. Способ по любому из пп. 1-5, где указанные нейрофизиологические данные включают данные, полученные до, в ходе и/или после лечения.

10. Способ по любому из пп. 1-5, дополнительно включающий получение указанных нейрофизиологических данных от головного мозга субъекта до, в ходе и/или после осуществления или концептуализации осуществления субъектом задачи, выбранной из группы, состоящей из низкоуровневой когнитивной задачи и высокоуровневой когнитивной задачи, где указанные нейрофизиологические данные представляют собой связанные с событием потенциалы (ERP) или связанные с событием участки (ERF).

11. Способ по п. 9, дополнительно содержащий оценку влияния лечения путем сравнения сходства паттернов BNA, рассчитанного с использованием по меньшей мере указанного базового паттерна BNA и специфичного для субъекта паттерна BNA, построенного на основе полученных до лечения данных, со сходством паттернов BNA, рассчитанным с использованием по меньшей мере указанного базового паттерна BNA и специфичного для субъекта паттерна BNA, построенного на основе полученных после лечения данных.

12. Способ по п. 9, дополнительно включающий оценку влияния лечения путем сравнения паттерна BNA, соответствующего полученным до лечения данным, с паттерном BNA, соответствующим полученным в ходе и/или после лечения данным.

13. Способ по п. 9, где указанное лечение включает фармакологическое лечение с использованием активного средства.

14. Способ по п. 9, где указанное лечение также включает плацебо-лечение с использованием плацебо-средства, и причем способ включает оценку влияния указанного фармакологического лечения путем сравнения паттерна BNA, соответствующего полученным в ходе и/или после указанного плацебо-лечения данным, с паттерном BNA, соответствующего полученным в ходе и/или после указанного фармакологического лечения данным.

15. Способ по п. 9, где указанное лечение включает по меньшей мере одно лечение, выбранное из группы, состоящей из: хирургического вмешательства, реабилитационного лечения, светотерапии, гипербарической терапии, обратной нейронной связи, обратной биологической связи по EMG, обратной нейронной связи по EEG, транскраниальной магнитной стимуляции (TMS) и непосредственной стимуляции электродами.

16. Способ оценки вероятности сотрясения головного мозга исходя из нейрофизиологических данных, полученных от головного мозга субъекта, нейрофизиологические данные содержат по меньшей мере одно из данных электроэнцефалограммы (EEG) и данных магнитоэнцефалографии (MEG), способ включает:

применение процессора для обработки данных для:

получения референтных нейрофизиологических данных;

применения анализа формы волны к данным, содержащим, нейрофизиологические данные субъекта и указанные референтные нейрофизиологические данные, для извлечения одномерных массивов характеристик данных;

выявления изолированных кластеров указанных одномерных массивов,

построения первого специфичного для субъекта паттерна сетевой активности головного мозга (BNA) с множеством узлов, причем каждый узел представляет собой кластер, имеющий одномерный массив нейрофизиологических данных субъекта, а каждой паре узлов присвоен вес связи, описывающий связь между нейрофизиологическими событиями, описанными с помощью соответствующей пары одномерных массивов, представленных узлами в указанной паре, где указанный вес связи включает весовой показатель, рассчитанный на основе по меньшей мере одного свойства кластера, причем

указанный специфичный для субъекта паттерн BNA связывают с сотрясением головного мозга,

расчета первого сходства паттернов BNA, описывающего результаты сравнения указанного первого паттерна BNA и первого ранее построенного базового паттерна BNA, помеченного комментарием как соответствующий сотрясению головного мозга,

сравнения указанного сходства с первым записанным сходством, описывающим результаты сравнения предварительно построенного специфичного для субъекта паттерна BNA субъекта и указанного первого базового паттерна BNA, и

оценки вероятности того, что субъект имеет сотрясения головного мозга, основываясь на разнице указанного записанного сходства и указанного рассчитанного сходства.

17. Способ по п. 16, дополнительно включающий

построение второго специфичного для субъекта паттерна BNA, связанного с нормальной функцией головного мозга,

расчет второго сходства паттернов BNA, описывающего результат сравнения указанного второго паттерна BNA и ранее построенного второго базового паттерна BNA, помеченного в комментарии как соответствующий нормальной функции головного мозга, и

сравнение указанного второго сходства со вторым записанным сходством, описывающим результаты сравнения предварительно построенного специфичного для субъекта паттерна BNA субъекта и указанного второго базового паттерна BNA,

причем указанную оценку проводят, основываясь дополнительно на разнице указанного второго записанного сходства и указанного второго рассчитанного сходства.

18. Способ по п. 17, дополнительно включающий получение указанных нейрофизиологических данных от головного мозга субъекта до, в ходе и/или после осуществления или концептуализации осуществления субъектом задачи, выбранной из группы, состоящей из низкоуровневой когнитивной задачи и высокоуровневой когнитивной задачи, где указанные нейрофизиологические данные представляют собой связанные с событием потенциалы (ERP) или связанные с событием участки (ERF).

19. Система оценки вероятности сотрясения головного мозга, содержащая процессор для обработки данных, сконфигурированный для получения нейрофизиологических данных и выполнения способа по любому из пп. 1-5.

20. Машиночитаемый носитель, содержащий команды управления программой, хранящиеся в нем, причем команды при считывании процессором для обработки данных заставляют процессор для обработки данных получать нейрофизиологические данные и выполнять способ по любому из пп. 1-5.