專利名稱：：睡眠和清醒狀態(tài)的自動檢測的制作方法睡眠和清醒狀態(tài)的自動檢測相關(guān)申請的交叉引用本申請要求于2005年5月10日提交的美國臨時申請序列號60/679,951的優(yōu)先權(quán)。在先申請的公開被認(rèn)為是本申請的公開的一部分(并且以引用方式包括在本申請的公開中)。
背景技術(shù)：
：一般通過腦電圖或者EEG信號分析睡眠狀態(tài)和其他大腦活動。隨著一個人進(jìn)入睡眠，大腦活動受到調(diào)節(jié)，代表著不同深度和階段的睡眠。對于一般人，睡眠狀態(tài)隨著時間而轉(zhuǎn)變，以稱為慢波睡眠(slowwavesleep)或SWS的第一睡眠狀態(tài)開始。SWS具有^f氐頻高能EEG活動。睡眠可以輕才公進(jìn)入至所謂的中間睡眠狀態(tài)。稱為快速眼動睡眠的其他睡眠狀態(tài)以低能EEG活動為特征。EEG信號服從以下分布越高頻的信號具有越低的振幅，并且因此具有越低的能量。該所謂的1/f分布表示最大的振幅對應(yīng)最低的頻率。利用Rechtschaffen-Kales方法常身見地分析用于睡眠階^殳判斷的EEG信號。因?yàn)樽詣踊盘柗治黾夹g(shù)的低能頻率限制，該方法可以依賴于對睡眠EEG信號手動地計(jì)分(score)。因?yàn)橛捎诜浅５偷恼穹?，人類?jì)分者一般不可能檢測出高頻處統(tǒng)計(jì)性的顯著改變，因而Rechtschaffen-Kales方法可能是非常不可靠的，而且浪費(fèi)時間。進(jìn)一步地，Rechtschaffen-Kales方法往往具有差的時間和空間分辨率，不能使得其所有的變化可知，并且導(dǎo)致人工的和自動的計(jì)分者的低的用戶間符合率。不幸地是，包括人工神經(jīng)網(wǎng)絡(luò)分類的可選的睡眠狀態(tài)判斷方法一^:依賴于多種渠道，并且往往仿真人類行為，從而增加了判斷的時間，而沒有顯著地提高質(zhì)量。
發(fā)明內(nèi)容本申請描述了對表示腦波活動的數(shù)據(jù)歸一化(normalize)，以擴(kuò)大數(shù)據(jù)中信息的動態(tài)范圍。實(shí)施方案解釋了利用該信息來自動地判斷睡眠狀態(tài)。描述了其他的應(yīng)用自動地評定睡眠質(zhì)量、病理情況以及藥物治療效果。圖1為用于自具有至少一個低能頻率范圍的源數(shù)據(jù)來確定低能頻率信息的示例性系統(tǒng)的方塊圖；圖2為示出用于調(diào)整源數(shù)據(jù)的示例性方法的流程圖；圖3為示出用于調(diào)整源數(shù)據(jù)以計(jì)算隨時間變化的頻譜上的能量差值的示例性方法的流程圖；圖4為用于判斷研究對象的睡眠狀態(tài)信息的示例性系統(tǒng)的方塊圖；圖5為用于判斷研究對象的睡眠狀態(tài)信息的另一示例性系統(tǒng)的方塊圖；圖6為用于判斷研究對象的睡眠狀態(tài)的示例性方法的流程圖；圖7為用于分類研究對象的睡眠狀態(tài)的示例性方法的流程圖；圖8為用于從睡眠狀態(tài)判斷研究對象的病理情況的示例性系統(tǒng)的方塊圖；圖9為示出用于根據(jù)睡眠狀態(tài)判斷研究對象的病理情況的示例性計(jì)算機(jī)實(shí)施方法的流程圖；圖10為用于動態(tài)判斷研究對象的定制的睡眠計(jì)分的示例性系統(tǒng)的方塊圖；圖11為整個夜間EEG源數(shù)據(jù)頻率能量譜圖(frequencypowerspectrogram)的屏幕截圖；圖12為應(yīng)用了示例性調(diào)整技術(shù)之后，圖11中所示的示例性的整個夜間EEG源數(shù)據(jù)的屏幕截圖；圖13為圖12中所示的示例性調(diào)整的整個夜間EEG源數(shù)據(jù)的2小時時幀(timeframe)的屏幕截圖；圖14為圖12中所示的整個夜間EEG能語圖中高能頻帶和低能頻帶的示例性可視化(visualization)的屏幕截圖；圖15為圖14中所示的整個夜間能鐠圖中高能頻帶和低能頻帶的示例性可視化的2小時和40分鐘時幀的屏幕截圖；圖16為圖12的整個夜間EEG能譜圖的示例性五維參數(shù)空間可視化的屏幕截圖；圖17為圖16中所示的整個夜間EEG可視化的示例性五維參數(shù)空間可視化的2小時時幀的屏幕截圖；圖18為根據(jù)EEG能譜圖數(shù)據(jù)的分類的睡眠狀態(tài)的示例性可視化的屏幕截圖；圖19為根據(jù)EEG能譜圖數(shù)據(jù)的分類的睡眠狀態(tài)的另一示例性可視化的屏幕截圖；圖20為根據(jù)EEG能語圖數(shù)據(jù)的分類的睡眠狀態(tài)的再一示例性可視化的屏幕截圖；圖21為根據(jù)圖20的EEG能語圖數(shù)據(jù)的分類的睡眠狀態(tài)的示例性可視化的另一優(yōu)勢的屏幕截圖；圖22、23、24和25為一段時間內(nèi)作為表示研究對象的不同睡眠狀態(tài)的頻率加權(quán)時程(epoch)的代表的典型能譜的屏幕截圖；圖26為表示頻率加權(quán)時程的典型能i普的屏幕截圖，其顯示具有不止一個睡眠狀態(tài)特征的暫時性睡眠狀態(tài)；圖27為睡眠交錯分開程度的示例性可視化的屏幕截圖，其區(qū)分不同睡眠狀態(tài)的代表性典型能譜；圖28、29、30、31和32為根據(jù)一個或更多時程的睡眠狀態(tài)標(biāo)志的研究對象的睡眠狀態(tài)統(tǒng)計(jì)的示例性可視化的屏幕截圖；圖33為根據(jù)EEG能鐠圖數(shù)據(jù)對麻醉的貓的分類的麻醉狀態(tài)的示例性可視化的屏幕截圖；圖34為根據(jù)EEG能譜圖數(shù)據(jù)對人類研究對象的分類的睡眠狀態(tài)的示例性可視化的屏幕截圖；圖35為可以與所述的技術(shù)一起實(shí)施的另一示例性方法的流程圖，所述方法用于對研究對象的睡眠狀態(tài)進(jìn)行分類；圖36為可以與所述的技術(shù)一起實(shí)施的示例性計(jì)算機(jī)系統(tǒng)；圖37為獨(dú)立成份分析的示例性可視化的屏幕截圖，該獨(dú)立成分分析應(yīng)用于歸一化能語圖以進(jìn)一步判斷適當(dāng)?shù)念l率窗口從而提取信息；圖38為整個時間內(nèi)圖37的獨(dú)立成分的示例性可視化的屏幕截圖；圖39為示例性五維參數(shù)空間可視化的六個半小時時幀的屏幕截圖，該示例性五維參數(shù)空間可視化是關(guān)于來自具有阿爾茨海默(Alzheimer)病的人類研究對象的整個夜間EEG可視化的頻帶的；圖40為對鳥的單半球睡眠分類的示例性可視化的屏幕截圖；圖41為利用兩次歸一化的另一實(shí)施方案操作的流程圖；圖42a-42c分別示出了未處理的能鐠圖、單次歸一化的能鐠圖以及兩次歸一化的能譜圖；圖43示出了隨著時間變化的優(yōu)選頻率；圖44示出了這些頻率的圖表；圖45示出了數(shù)據(jù)的三維視圖；以及圖46示出了頻率的能譜分段(fragmentation)的圖。具體實(shí)施方式本系統(tǒng)的一個重要的認(rèn)識在于EEG信號中的低頻范圍通常具有最高的能量，并且因此錯誤地導(dǎo)致很多研究人員對于該低頻范圍過度研究。然而，發(fā)明人發(fā)現(xiàn)這些較低頻率中能量增加的一個原因在于顱骨的低通特性。其他原因也可以促成較低頻率中能量的增加。獲得的EEG信號為低能頻率信號，并且遵從l/f分布，從而信號中的能量與頻率成倒數(shù)關(guān)系，例如，反比例。一般在稱為時程的時間序列增加中即時地檢測EEG信號。例如，當(dāng)EEG信號用于分析睡眠時，可以將睡眠分解成一個或更多的時程以用于分析。利用掃描窗口，可以將時程分解成不同的部分，其中掃描窗口限定時間序列增加的不同部分。掃描窗可以憑借滑動(sliding)窗口移動，其中滑動窗口的部分具有重疊的時間序列順序。例如，時程可以可選地跨越整個時間序列。根據(jù)本申請，可以監(jiān)控不同形式的睡眠狀態(tài)。睡眠狀態(tài)被描述為任何可以區(qū)分的睡眠或者失眠，其代表行為的、身體的或者信號的特征。在該申請中所指的睡眠狀態(tài)包括慢波睡眠或者SWS、快速眼動睡眠或者REM、還稱為中間(inter)或者IS狀態(tài)的中間睡眠狀態(tài)、以及清醒狀態(tài)。清醒狀態(tài)實(shí)際上為睡眠狀態(tài)的一部分，并且清醒狀態(tài)可以由失眠描述為專心或者清醒等級。中間睡眠還可以描述為中間-1睡眠和中間-2睡眠。在獲取EEG期間，還可以獲得偽跡(artifact)。偽跡是錯誤表示EEG的數(shù)據(jù)。例如，記錄在EEG上的用戶的運(yùn)動可以是偽跡。示例的偽跡包括肌肉抽動等。樣例1——示例性源數(shù)據(jù)在本文所描述的任何實(shí)施方案中，可以分析各種源數(shù)據(jù)，包括腦電圖(EEG)數(shù)據(jù)、心電圖(EKG)數(shù)據(jù)、眼動電圖(EOG)數(shù)據(jù)、肌電圖(EMG)數(shù)據(jù)、局部場電位(LFP)數(shù)據(jù)、脈沖序列數(shù)據(jù)、包括聲音和壓力波的波形數(shù)據(jù)、以及表現(xiàn)通過數(shù)據(jù)頻譜的各種頻率中能量動態(tài)范圍中的差異的任何數(shù)據(jù)，例如，1/f分布。源數(shù)據(jù)可以包括以低能頻率存儲在源數(shù)據(jù)中的編碼數(shù)據(jù)。樣例2—一從具有至少一個低能頻率范圍的源數(shù)據(jù)中判斷低能頻率信息的示例性系統(tǒng)圖1示出了用于從具有至少一個低能頻率范圍的源數(shù)據(jù)中判斷低能頻率信息的示例性系統(tǒng)100。獲得具有至少一個低能頻率范圍的源數(shù)據(jù)102,并輸入到軟件104中以判斷低能頻率信息106。軟件104可以使用如本文中所描述的技術(shù)的任何組合來判斷源數(shù)據(jù)的低能頻率信息106。以下將詳細(xì)描述來自具有至少一個低能頻率范圍的源數(shù)據(jù)中的低能頻率信息。樣例3——調(diào)整源數(shù)據(jù)的示例性方法圖2示出了用于調(diào)整源數(shù)據(jù)的示例性方法200。舉例來講，方法200可以在圖1的系統(tǒng)100中實(shí)施。在202，接收具有至少一個低能頻率范圍的源數(shù)據(jù)。例如，可以接收研究對象的腦電圖源數(shù)據(jù)。源數(shù)據(jù)可以通過單個信道或者多個信道接收。在204,當(dāng)與第二個較高能頻率范圍比較時，調(diào)整源數(shù)據(jù)以增加源數(shù)據(jù)的頻鐠的至少一個低能頻率范圍中的能量的動態(tài)范圍?？梢允褂帽疚闹兴枋龅亩喾N調(diào)整技術(shù)，包括歸一化和頻率加權(quán)。在實(shí)施方案中，歸一化腦電圖源數(shù)據(jù)以增加與較高能量、較低頻率范圍數(shù)據(jù)相對的低能量、較高頻率范圍數(shù)據(jù)，或者更一般地使得不同信號部分的能量歸一化。調(diào)整完源數(shù)據(jù)之后，可以進(jìn)行各種其他處理。例如，可以顯示調(diào)整的源數(shù)據(jù)的可視化。進(jìn)一步地，可以從調(diào)整的源數(shù)據(jù)中提取低能頻率信息。例如，可以從調(diào)整的腦電圖源數(shù)據(jù)中提取低能頻率信息。也可以從調(diào)整的源數(shù)據(jù)中提取較高能量頻率信息。在該樣例或其他樣例中描述的方法可以是通過一個或更多計(jì)算機(jī)可讀媒介中的計(jì)算機(jī)可讀指令執(zhí)行的計(jì)算機(jī)執(zhí)行方法。所示的任何操作可以在信號處理系統(tǒng)或者任何其他信號數(shù)據(jù)分析系統(tǒng)中結(jié)合軟件實(shí)施。樣例4一_調(diào)整源數(shù)據(jù)以計(jì)算隨時間變化的頻語上的能量差值的示例性方法圖3示出了用于調(diào)整源數(shù)據(jù)以計(jì)算隨時間變化的頻譜上的能量差值的示例性方法的流程圖。舉例來講，方法300可以在圖1的系統(tǒng)100中實(shí)施。在302,接收具有至少一個低能頻率范圍的源數(shù)據(jù)。例如，可以接收具有至少一個低能頻率范圍的腦電圖數(shù)據(jù)?？梢詮脑磾?shù)據(jù)中除去數(shù)據(jù)中的偽跡。例如，可以經(jīng)由濾波(例如，DC濾波)或者數(shù)據(jù)平滑技術(shù)，從源數(shù)據(jù)中手動地清除偽跡數(shù)據(jù)或者自動地濾除偽跡數(shù)據(jù)。還可以隨著成分分析對源數(shù)據(jù)進(jìn)行預(yù)處理。在304,將源數(shù)據(jù)分解成一個或更多的時程；其中每個時程是序列中數(shù)據(jù)的一部分。例如，可以通過多種分離技術(shù)將源數(shù)據(jù)分解成多個時間片段。掃描窗口和滑動窗口可用于將源數(shù)據(jù)分割到時間序列增量中。在306,針對通過一段時間的一個或更多時程的能量差，歸一化一個或更多時程。例如，可以通過一段時間歸一化一個或更多頻率的每個時程的能量，以判斷用于提取信息的適當(dāng)?shù)念l率窗口。該歸一化可以揭示低能量、在一個或更多頻率(例如，德耳塔(Delta)、伽馬(Gamma)等)時能量中統(tǒng)計(jì)上的顯著上升。可以揭示并使用任何頻率范圍用于分析。在建立適當(dāng)?shù)念l率窗口之后，可以計(jì)算信息用于一個或更多時程中的每個。這樣的信息可以包括低頻能量(例如Delta能量)、高頻能量(例如Gamma能量)、標(biāo)準(zhǔn)偏差、最大振幅(例如，峰值的最大絕對值)以及類別。對于諸如Gamma能量/Delta能量、Delta的時間導(dǎo)數(shù)、Gamma能量/Delta能量的時間導(dǎo)數(shù)等的一個或多個時程產(chǎn)生信息中的每一個，可對于計(jì)算出的信息進(jìn)行進(jìn)一步的計(jì)算。可以在之前的并連續(xù)的時程內(nèi)計(jì)算時間導(dǎo)數(shù)。在計(jì)算信息之后，接著通過一個或更多時程可以歸一化信息。可以使用多種數(shù)據(jù)歸一化技術(shù)，包括z計(jì)分(z-score)處理和其他類似的4支術(shù)。在308,調(diào)整源數(shù)據(jù)以計(jì)算隨時間變化的頻譜中能量差的結(jié)果可以作為^:據(jù)的一個或更多時程而出現(xiàn)。例如，頻率加權(quán)時程可以作為調(diào)整的源數(shù)據(jù)而出現(xiàn)。樣例5——判斷睡眠狀態(tài)的示例性系統(tǒng)用于研究對象的信息圖4為用于判斷研究對象的睡眠狀態(tài)信息的示例性系統(tǒng)400的方塊圖。獲得研究對象的腦電圖數(shù)據(jù)402，并且輸入到軟件404以判斷研究對象的睡眠狀態(tài)406。軟件404可以使用例如本文中所述的技術(shù)的任何組合來判斷研究對象的睡眠狀態(tài)信息406。以下將詳細(xì)描述判斷研究對象的睡眠狀態(tài)信息的方法。樣例6——判斷研究對象的睡眠狀態(tài)信息的另一示例性系統(tǒng)圖5示出了用于判斷研究對象的睡眠狀態(tài)信息的另一示例性系統(tǒng)500。獲得研究對象的腦電圖數(shù)據(jù)，并輸入分解器(segmenter)504以將數(shù)據(jù)分解成一個或更多時程。實(shí)際上，時程長度類似(例如，相同)。每個長度可以通過一個可配置參數(shù)進(jìn)行調(diào)整。將一個或更多時程依次地輸入規(guī)范器(normalizer)506以使得通過一段時間的一個或更多時程中的數(shù)據(jù)歸一化，從而使得腦電圖數(shù)據(jù)的一個或更多時程被頻率加權(quán)。接著將一個或更多頻率加權(quán)時程輸入到分類器508中以將數(shù)據(jù)分類為睡眠狀態(tài)，從而產(chǎn)生研究對象的睡眠狀態(tài)信息510。以下將詳細(xì)描述判斷研究對象的睡眠狀態(tài)信息的方法。樣例7——判斷研究對象的睡眠狀態(tài)的示例性方法圖6示出了用于判斷研究對象的睡眠狀態(tài)的示例性方法600。例如，方法600可以在圖5的系統(tǒng)500或圖4的系統(tǒng)400中實(shí)施。在602,接收研究對象的腦電圖(EEG)數(shù)據(jù)。例如，可以接收一種腦電圖數(shù)據(jù)，與頻鐠中的第二頻率范圍相比，其在頻鐠的至少一個低能第一頻率范圍中的能量上展現(xiàn)出更低的動態(tài)范圍。在604,將研究對象的腦電圖數(shù)據(jù)分解成一個或更多時程。例如，可以通過多種分離技術(shù)將EEG數(shù)據(jù)分解成一個或更多時程。掃描窗口和滑動窗口可以用于將EEG數(shù)據(jù)分割成一個或更多時程。還可以在分解期間、分解之前或分解之后，通過直流電流來過濾源數(shù)據(jù)。還可以隨著成份分析(例如，成份或獨(dú)立成份分析)，對源數(shù)據(jù)進(jìn)行預(yù)先處理。圖11為研究對象的整個夜間EEG源數(shù)據(jù)頻率能量譜圖的屏幕截圖，其在3個秒時程中以l秒增量進(jìn)行分割。能量范圍以陰影表示，其中白色陰影區(qū)域比黑色陰影區(qū)域中的能量高。因此，在整個夜間EEG數(shù)據(jù)中較高頻率(例如，Gamma)比較低頻率(例如，Delta、Theta等)具有更低的能量。在606，對一段時間內(nèi)的一個或更多時程的頻率能量進(jìn)行加權(quán)。例如，可以歸一化一段時間內(nèi)的一個或更多頻率的每個時程的能量，以判斷出適當(dāng)?shù)念l率窗口進(jìn)行信息提取。這樣的歸一化可以揭示低能量、在一個或更多頻率(例如，Ddta、Gamma等)的能量中統(tǒng)計(jì)上的顯著上升。此外，可以由在一段時間內(nèi)具有最高相對能量的頻率表示每個時程，以判斷出適當(dāng)?shù)念l率窗口進(jìn)行信息提取?？蛇x地，可以在歸一化之后，使用成份分析(例如，主成份分析(PCA)或獨(dú)立成份分析(ICA))以判斷用于提取信息的適當(dāng)?shù)念l率窗口。例如，圖37和38為在歸一化之后使用的成份分析的屏幕截圖，從而表明濾波(例如，屏幕截圖3700)并表達(dá)出整個時間內(nèi)的獨(dú)立成份(例如，屏幕截圖3800)?？梢越沂静⑹褂萌魏晤l率范圍用于分析。在建立適當(dāng)?shù)念l率窗口之后(例如，在加權(quán)頻率之后)，可以為一個或更多的時程計(jì)算信息。這樣的信息可以包括低頻能量(例如Delta能量)、高頻能量(例如Gamma能量)、標(biāo)準(zhǔn)偏差、最大振幅(例如，峰值的最大絕對值)以及類別。對于諸如Gamma能量/Delta能量、Delta的時間導(dǎo)數(shù)、Gamma能量/Delta能量的時間導(dǎo)數(shù)等的一個或多個時程中的每一個，可以對于計(jì)算出來的數(shù)據(jù)進(jìn)行進(jìn)一步的計(jì)算?？梢栽谥暗那疫B續(xù)的時程內(nèi)計(jì)算時間導(dǎo)數(shù)。在計(jì)算信息之后，接著可以通過一個或更多時程將信息歸一化?？梢允褂枚喾N數(shù)據(jù)歸一化技術(shù)，包括z計(jì)分處理和其他類似的技術(shù)。圖12是對一個或更多時程的示例性頻率能量在一段時間內(nèi)進(jìn)行加權(quán)之后，圖11中所示的示例性的整個夜間EEG源數(shù)據(jù)的屏幕截圖?，F(xiàn)在較高的頻率數(shù)據(jù)更加清楚地可見。圖13為圖12中所示的示例性調(diào)整的整個夜間EEG源數(shù)據(jù)的2小時時幀的屏幕截圖。圖14為圖12中所示的整個夜間EEG能譜圖中的高能頻帶(例如，Gamma)和低能頻帶(例如，Delta)的示例性可視化的屏幕截圖。圖15為圖14中所示的高能頻帶和低能頻帶的示例性可視化的2小時和40分鐘時幀的屏幕截圖。圖16為圖12的整個夜間EEG能譜圖的示例性五維參數(shù)空間可視化的屏幕截圖。在加權(quán)頻率之后，5個參數(shù)(例如，變量)是針對一個或更多時程中的每一個而計(jì)算的信息。圖17為圖16中所示的整個夜間EEG可視化的示例性五維參數(shù)空間可視化的2小時時幀的屏幕截圖。在608,根據(jù)一個或更多頻率加權(quán)時程，對研究對象的睡眠狀態(tài)進(jìn)行分類。例如，可以通過任何多種聚類(clustering)技術(shù)對一個或更多的頻率加權(quán)時程進(jìn)行聚類，包括k-均值聚類?？梢詫τ蓵r程計(jì)算出的信息(Delta能量、Gamma能量、標(biāo)準(zhǔn)偏差、最大振幅(Gamma/Delta)、Delta的時間導(dǎo)數(shù)、(Gamma/Delta)的時間導(dǎo)數(shù)、以及類別)進(jìn)行聚類。成份分析(例如，PCA或者ICA)可以用于判斷聚類中的參數(shù)空間(例如，使用的信息的類型)。聚類之后，睡眠狀態(tài)指示分配給時程。睡眠狀態(tài)指派時程接著可以表示時程代表的時間周期中研究對象的睡眠狀態(tài)。分類還可以包括手動判斷的睡眠狀態(tài)(例如，手動判斷的"清醒，，與"入睡"睡眠狀態(tài))。此外，在分類中可以使用偽跡信息(例如，運(yùn)動數(shù)據(jù)、差的信號數(shù)據(jù)等)。樣例8—一示例性睡眠狀態(tài)分類技術(shù)可以根據(jù)時程表示的睡眠狀態(tài)對時程進(jìn)行分類。可以根據(jù)基于高頻信息、低頻信息或者同時基于高頻信息和低頻信息的歸一化變量(例如，針對時程計(jì)算的信息)，對時程進(jìn)行分類。例如，REM睡眠狀態(tài)時程可以在更高頻率時具有比SWS相對更高的能量，以及在更低頻率時具有比SWS相對更低的能量。類似地，SWS睡眠狀態(tài)時程可以在更高頻率時具有比REM相對更低的能量，以及在更低頻率時具有比REM相對更高的能量。此外，起初分類為NREM和NSWS睡眠的時程(例如，在較高頻率和較低頻率時均有由相對低能量的時程)可以歸類為中間睡眠，而分類為REM和SWS睡眠的時程(例如，在較高和較低頻率時均具有相對高能量的時程)可以歸類為異常(outlier)。進(jìn)一步地，起初分類為NREM和NSWS睡眠的時程可以歸類為中間階段I睡眠，而起初分類為REM和SWS睡眠的時程可以歸類為中間階段II睡眠。此外，可以在分類中使得睡眠狀態(tài)分離以尋找主軸(spindle)、k-復(fù)數(shù)(complexe)以及其他元素。根據(jù)分類明細(xì)的增加等級，起初分類為一種睡眠狀態(tài)的任何一組時程可以分離成多個子類型的睡眠狀態(tài)。例如，歸類為SWS的一組時程可以再次分類為兩種不同類型的SWS。樣例9一一示例性偽跡分類技術(shù)可以在睡眠狀態(tài)分類中使用偽跡數(shù)據(jù)(例如，運(yùn)動數(shù)據(jù)、差的信號數(shù)據(jù)等)。例如，可以使用偽跡來分析因?yàn)榕R近的偽跡數(shù)據(jù)而是否應(yīng)該為起初已被指派睡眠狀態(tài)標(biāo)識的時程重新分配新的睡眠狀態(tài)標(biāo)識。例如，具有之前的運(yùn)動偽跡或清醒時程的被指定了REM的睡眠狀態(tài)標(biāo)識的時程可以被重新分配有清醒睡眠狀態(tài)標(biāo)識。進(jìn)一步地，例如，具有隨后的SWS時程的偽跡時程可以被重新分配有SWS的睡眠狀態(tài)標(biāo)識，因?yàn)楦涌赡艿氖?，該時程表示大的SWS睡眠時程，而不是在清醒期間更普通的大的運(yùn)動偽跡。例如，利用這種方式，可以在數(shù)據(jù)平滑技術(shù)中使用偽跡數(shù)據(jù)。樣例10——示例性平滑技術(shù)可以在睡眠狀態(tài)的賦值期間使用任何類型的數(shù)據(jù)平滑技術(shù)。例如，可以使用數(shù)字(例如，0和l)來表示指定的睡眠狀態(tài)?？梢詫︵徑鼤r程的睡眠狀態(tài)標(biāo)識數(shù)字求平均以判斷時程中的一個是否精確地被賦值了一個睡眠狀態(tài)標(biāo)識。例如，從SWS-NSWS-SWS(以及REW-NREW-REW)的陵跳在睡眠數(shù)據(jù)中是少見的。因此，一組時程應(yīng)該分配有表示睡眠狀態(tài)中陡跳的睡眠狀態(tài)標(biāo)識，可以使用平滑技術(shù)來提高賦值的精確度。例如，在0表示SWS、1表示NSWS、并且隨后的睡眠狀態(tài)標(biāo)識表示5個鄰近時程00100的方案中，那么5個睡眠狀態(tài)的平均值應(yīng)該為0.2。在該情況中，起初賦值為l(SWS)的睡眠標(biāo)識的中間時程應(yīng)該重新指定為賦值為O(NSWS)的睡眠狀態(tài)標(biāo)識。對于與NREM相反的REM,可以使用相同的技術(shù)，在REW中，判斷用于相同5個鄰近時程的第二組睡眠標(biāo)識。例如，1可以表示REM,0可以表示NREM,以及隨后的標(biāo)識可以用于5個鄰接的時程00100。再一次，5個睡眠狀態(tài)的平均值可以為0.2。再一次，起初賦值為l(REM)標(biāo)識的中間時程可以重新賦值為O(NREM)的睡眠狀態(tài)標(biāo)識。該平滑技術(shù)可以提高分配睡眠狀態(tài)標(biāo)識的精度。樣例11——對研究對象的睡眠狀態(tài)進(jìn)行分類的示例性方法圖7示出了用于分類研究對象的睡眠狀態(tài)的示例性方法700的流程圖。例如，方法700可以在圖5的系統(tǒng)500、圖4的系統(tǒng)400或者方法600的分類608中實(shí)施。在702,接收一個或更多的頻率加權(quán)時程。例如，可以接收自方法600的加權(quán)606中判斷出的頻率加權(quán)時程。在704，聚類一個或更多頻率加權(quán)時程。例如，可以通過包括k-均值聚類的任何類型的聚類技術(shù)聚類一個或更多的頻率加權(quán)時程?？梢詫τ蓵r程計(jì)算出的信息(Delta能量、Gamma能量、標(biāo)準(zhǔn)偏差、最大振幅(Gamma/Ddta)、Delta的時間導(dǎo)數(shù)、Gamma/Delta的時間導(dǎo)數(shù)()、以及類別)進(jìn)行聚類。在圖18和19中示出了聚類的睡眠狀態(tài)的示例性可^L化。圖18示出了經(jīng)由Delta、Gamma/Delta、以及Delta的時間導(dǎo)數(shù)的聚類的時程。以該方式，REM類的時程形成可視的矛形指針形狀。圖19示出了經(jīng)由Delta、Gamma/Delta、以及(Gamma/Delta)的時間導(dǎo)數(shù)的聚類的時程。以該方式，SWS類時程形成了可視的矛形指針形狀。在圖20和21中示出了聚類的睡眠狀態(tài)的另外的示例性可視化，其中，利用通過主成份分析形成的參數(shù)(例如，變量)進(jìn)行聚類。在步驟706時，對一個或更多聚類的頻率加權(quán)時程分配睡眠狀態(tài)標(biāo)識。例如，低頻時具有相對顯著的能量的時程可以分配有慢波睡眠標(biāo)識，而高頻時具有相對顯著能量的時程可以分配有快速眼動睡眠標(biāo)識。例如，REM睡眠與SWS相比可以具有更高的Gamma/Delta和更高的Gamma/Delta的時間導(dǎo)數(shù)的絕對值，而SWS與REM睡眠相比可以具有更高的Delta和Delta的時間導(dǎo)數(shù)的更高的絕對值。進(jìn)一步地，例如，標(biāo)準(zhǔn)偏差可以用于指派睡眠狀態(tài)標(biāo)識。對相同的時程分配慢波睡眠標(biāo)識和快速眼動睡眠標(biāo)識是可能的。在該情況下，可以對時程重新指派異常中間階段II睡眠或異常的新的睡眠狀態(tài)標(biāo)識?？蛇x地，可以對時程指派非慢波睡眠標(biāo)識和非快速眼動睡眠標(biāo)識。在這種情況下，可以對時程重新指派中間階段I睡眠或中間睡眠的新的睡眠標(biāo)識。例如，當(dāng)通過以Delta和參數(shù)空間Delta、Gamma/Delta、Delta導(dǎo)數(shù)的絕對值、Gamma/Delta導(dǎo)數(shù)的絕對值、以及可選的標(biāo)準(zhǔn)偏差來將其劃分而表達(dá)高頻時，那么中間睡眠標(biāo)識可以是REM和SWS的交集，而異常標(biāo)識可以是REM和SWS的交集。可選地，例如，如果單獨(dú)的Delta或者具有標(biāo)準(zhǔn)偏差的Delta用于自NSWS中判斷SWS，并且單獨(dú)的Gamma或者具有標(biāo)準(zhǔn)偏差的Gamma用于自NREM中判斷REM,那么中間階段I睡眠標(biāo)識可以是NREM和NSWS之間的交集，而中間階段II睡眠標(biāo)識可以是REM和SWS之間的交集。在指派睡眠狀態(tài)期間，可以使用任何種類的數(shù)據(jù)平滑技術(shù)。在睡眠狀態(tài)指派期間還可以使用偽跡數(shù)據(jù)。在708,睡眠狀態(tài)標(biāo)識是一個或更多時程所代表的時間周期內(nèi)的睡眠狀態(tài)的代表。睡眠狀態(tài)可以表示通過一段時間統(tǒng)計(jì)的睡眠形式。例如，圖28、29、30、31和32描述了作為時間函數(shù)的睡眠狀態(tài)指派時程的睡眠統(tǒng)計(jì)的代表。例如，在圖28中，屏幕截圖2800以研究對象的夜間腦電圖數(shù)據(jù)期間每小時的每個睡眠類型的百分比描述了睡眠狀態(tài)密度。在圖29中，屏幕截圖2900描述了每小時內(nèi)每個睡眠階段的平均事件長度。圖30中，屏幕截圖3000描述了每小時內(nèi)每個睡眠階段的多個事件。在圖31中，屏幕截圖3100描述了每小時內(nèi)連續(xù)REM睡眠狀態(tài)間隙之間的平均時間間隙。在圖32,屏幕截圖3200描述了整個夜間的階段轉(zhuǎn)換。另外，一個或更多頻率加權(quán)時程可以表示成代表由具有類似睡眠狀態(tài)規(guī)范能譜。例如，可以選4奪標(biāo)記成具有相同睡眠狀態(tài)標(biāo)識的一組時程中間中的時程，并且其能語被表示成代表睡眠狀態(tài)的規(guī)范能譜?？蛇x地，可以選擇具有最接近于具有類似睡眠狀態(tài)的一個或更多時程的平均加權(quán)能量的加權(quán)能量的時程，并且其能譜被表示成代表睡眠狀態(tài)的規(guī)范能鐠。例如，圖22、23、24、25和26為基于EEG能語數(shù)據(jù)分析的研究對象的各種睡眠狀態(tài)的時程的示例性可視化的屏幕截圖(例如，屏幕截圖2200為SWS,屏幕截圖2300為REM睡眠，屏幕截圖2400為中間睡眠，屏幕截圖2500為清醒，以及屏幕截圖2600為過渡(transient))。另外，睡眠狀態(tài)標(biāo)識可以表示為連續(xù)-手動計(jì)分的函數(shù)，并且可以出現(xiàn)品質(zhì)測量(例如，睡眠狀態(tài)標(biāo)識分離統(tǒng)計(jì)包括單個變量和多變量的單向ANOVA、用于睡眠密度的每個階段的回歸系數(shù)、事件數(shù)量、平均事件長度、循環(huán)時間等)。圖27中示出了出現(xiàn)的品質(zhì)測量的示例性可視化。屏幕截圖2700描述了睡眠階段分離的程度的示例性可視化，其區(qū)分了不同睡眠狀態(tài)的代表性規(guī)范能譜。例如，可以通過將ICA用于出現(xiàn)的每個睡眠狀態(tài)的平均能語或規(guī)范能譜而將獨(dú)立成分分析(ICA)用于在出現(xiàn)的睡眠狀態(tài)中確立睡眠狀態(tài)階段分離的質(zhì)量。任何種類的分類技術(shù)可以用于判斷最初的睡眠階段分類的質(zhì)量。樣例12——從睡眠狀態(tài)判斷研究對象的病理情況的示例性系統(tǒng)圖8示出了用于從睡眠狀態(tài)判斷研究對象的病理情況的示例性系統(tǒng)800。獲得對象的腦電圖數(shù)據(jù)802，并輸入到睡眠狀態(tài)分析器804以判斷對象的病理情況806。以下將更加詳細(xì)描述從由研究對象表現(xiàn)的睡眠狀態(tài)中判斷研究對象的病理情況，如從分析的腦電圖數(shù)據(jù)中判斷的。樣例13_—自睡眠狀態(tài)中判斷研究對象的病理情況的示例性計(jì)算機(jī)-實(shí)施方法圖9為示出用于從睡眠狀態(tài)判斷研究對象的病理情況的計(jì)算機(jī)-實(shí)施方法900。計(jì)算機(jī)-實(shí)施方法900可以在圖8的系統(tǒng)800中使用。在902，接收研究對象的腦電圖數(shù)據(jù)。例如，可以接收一種腦電圖數(shù)據(jù)，該數(shù)據(jù)與頻譜中的第二頻率范圍中的數(shù)據(jù)相比，表現(xiàn)出在頻語的至少一個低能第一頻率范圍中具有較低的動態(tài)范圍。在904,腦電圖數(shù)據(jù)隨著頻率分析而分析。例如，頻率分析可以是方法200的調(diào)整204。在906，根據(jù)頻率分析指派研究對象的睡眠狀態(tài)。例如，可以使用對圖7的睡眠狀態(tài)進(jìn)行分類的方法700來指派研究對象的睡眠狀態(tài)。在908,可以根據(jù)睡眠狀態(tài)檢測研究對象的病理情況。例如，對于個體可以獲得睡眠狀態(tài)，并且進(jìn)行分析以判斷睡眠狀態(tài)代表正常睡眠還是非正常睡眠。非正常睡眠可以表示病理情況。例如，可以自具有病理情況的個體獲得睡眠狀態(tài)，并進(jìn)行分析，以共同地作用以產(chǎn)生示例性的特別的"病理情況"睡眠狀態(tài)概圖和/或代表具有病理情況的睡眠狀態(tài)統(tǒng)計(jì)。這樣的概圖或統(tǒng)計(jì)可以比較于為研究對象判斷的睡眠狀態(tài)，以檢測研究對象是否具有病理情況或者病理情況的任何早期指示?？梢詸z測和/或分析任何種類的病理情況。例如，睡眠相關(guān)的病理情況可以包括癲癇癥、阿爾茨海默疾病、抑郁癥、腦損傷、失眠癥、多動腿綜合征以及睡眠呼吸暫停。例如，睡眠檢測中，具有阿爾茨海默病的研究對象可以表現(xiàn)出與他們的癡呆程度相稱的減慢的快速眼動睡眠。樣例14_一動態(tài)判斷研究對象的定制的睡眠計(jì)分的示例性系統(tǒng)圖10示出了用于動態(tài)判斷研究對象的定制的睡眠計(jì)分的示例性系統(tǒng)。數(shù)據(jù)收集器1002可以在睡眠時期中獲得研究對象的腦電圖數(shù)據(jù)。數(shù)據(jù)規(guī)范器1004可以存取腦電圖數(shù)據(jù)以判斷低能頻率信息。數(shù)據(jù)呈現(xiàn)器(datapresenter)1006可以至少基于低能頻率信息呈現(xiàn)研究對象的睡眠狀態(tài)。本文中描述了用于動態(tài)判斷研究對象的定制的睡眠計(jì)分的方法，包括圖5的方法500、圖6的方法600以及圖7的方法700。樣例15——示例性病理情況在本文所描述的任何技術(shù)中，可以從獲得的用于研究對象的源凝:據(jù)中判斷各種病理情況。例如，可以從獲得的用于研究對象的源數(shù)據(jù)中判斷出的睡眠狀態(tài)判斷的病理情況為抑郁癥、腦損傷、癲癇癥以及阿爾茨海默疾病。例如，圖39為本文中所描述的技術(shù)應(yīng)用的屏幕截圖3900,其從具有阿爾茨海默疾病的人類研究對象的整個夜間EEG中判斷表示阿爾茨海默疾病的特征的睡眠狀態(tài)。樣例16——可以影響睡眠的示例性藥物和化學(xué)藥品在本文所描述的任何技術(shù)中，可以通過分析獲得的用于研究對象的源數(shù)據(jù)來判斷藥物和化學(xué)藥品對研究對象的睡眠狀態(tài)的影響。例如，可以通過使用酒精、尼古丁以及可卡因而改變睡眠狀態(tài)。影響睡眠的示例性藥物包括類固醇、茶堿、減充血劑、地西泮、抗抑郁劑、單胺氧化酶抑制劑(例如，苯乙肼和嗎氯貝胺)、選擇性5-羥色胺再攝取抑制劑(例如，氟西汀(以Prozac⑧命名))以及舍曲林(Sertralie)(以Zoloft⑧命名)、曱狀腺素、口服避孕丸、抗高血壓藥、抗組胺劑、安定藥、苯丙胺、巴比妥酸鹽、麻醉劑等。樣例17——示例性睡眠統(tǒng)計(jì)在本文所述的任何技術(shù)中，可以自調(diào)整的源數(shù)據(jù)中產(chǎn)生任何類型的統(tǒng)計(jì)。例如，可以自已經(jīng)分類成睡眠狀態(tài)的調(diào)整的源EEG數(shù)據(jù)中產(chǎn)生睡眠統(tǒng)計(jì)。示例性睡眠統(tǒng)計(jì)可以包括信息，該信息包括睡眠階段密度、睡眠階段事件數(shù)量、睡眠階段平均持續(xù)時間、循環(huán)時間、睡眠階段之間的間隙時間、睡眠階段分離統(tǒng)計(jì)、睡眠發(fā)作、快速眼動睡眠反應(yīng)時間、趨勢的回歸系數(shù)、趨勢的統(tǒng)計(jì)重要性的測量等。樣例18---段時間內(nèi)判斷研究對象的睡眠狀態(tài)的方法的示例性實(shí)施例睡眠在動物王國的所有主要分類群中常見并可能普遍存在，但是未理解。在各種低級精神生理感知和運(yùn)動任務(wù)方面，人類的研究證據(jù)增加，睡眠幫助糾正行為損失，在隨后的任務(wù)認(rèn)知中可以觀察到(Kami等人，1994年；Mednick等人，2002年；Mednick等人，2003年；Fenn等人，2003年)。動物研究可以提供睡眠期間"重新播放(replay)"的證據(jù)，其可以是包括在行為鞏固中的睡眠過程的中心成分。最近，已經(jīng)看出，在睡眠期間，斑胸草雀(taeniopygiaguttata)的古紋狀體粗核(RA)神經(jīng)元、叫聲系統(tǒng)本能地練習(xí)叫聲模式，并回應(yīng)播放的鳥自己的叫聲(Dave&Margoliash,2000)。在斑胸草雀叫聲形成期間，在受到新聲音材料的輔導(dǎo)(Tchernichovski等人，2001)影響的日子，幼鳥開始改變叫聲模式。可是幼鳥的叫聲學(xué)習(xí)或者成年鳥的叫聲維持要求在睡眠中進(jìn)行或者從睡眠中獲益沒有決定性的證據(jù)。叫聲學(xué)習(xí)或維持中的睡眠的可能的作用研究受到雀形目鳥的睡眠狀態(tài)局限知識的阻礙。之前的研究還沒有報(bào)道斑胸草雀的睡眠的不同階段(Nick&Konishi,2002年；Hahnloser等人，2002年)。相反，對于其他鳥類的研究已經(jīng)報(bào)告了在此門類(phylum)中REM睡眠，其它鳥類包括雀形目鳥(Ayala-Guerrero等人，1988年;Rattenborg等人，2004年)。此外，在大鼠睡眠的不同階段，已知海馬中發(fā)生了不同模型的神經(jīng)元重放(Buzsaki,1989年；Wilson&McNaughton,1994年；Louie&Wilson,2001年)。因此，對斑胸雀鳥的睡眠階段進(jìn)行了研究。為了確定電極的類型、裝置和位置,首先操作利用尿烷(20%,大約901.11超過lhr)麻醉的鳥的一系列精確試驗(yàn)。利用觸碰硬腦膜的不同配對厚度的鉑電極(A-M系統(tǒng)，WA),獲得通過信號的振幅和穩(wěn)定性判斷出的最佳EEG記錄，其中另一接地電極觸碰小腦。記錄和接地電極的立體定位坐標(biāo)分別為(1.5R,3L)、(3R，2L)以及(0.5C，0L)。接著麻醉5只鳥，并將3mm長L形鉑電極植入在前述位置，其中電極末端的2mm正切于沿著內(nèi)-外側(cè)軸的硬腦膜。電極電阻為0.15歐姆。為了進(jìn)入單半球睡眠，3只鳥纟皮植入雙面EEG電極。利用牙醫(yī)用丙烯酸(dentalacrylic)將電極緊固在它們的底部，并利用細(xì)的銅線(A-M系統(tǒng)，WA)連接至頭部連接器。給鳥3天時間來從手術(shù)中恢復(fù)過來，并熟悉記錄的環(huán)境。記錄期間，用光纜將鳥的頭部連接在汞轉(zhuǎn)接器(Drangonfly公司，WV)。因?yàn)橐阎种?誘導(dǎo)壓力修改睡眠結(jié)構(gòu)(Altman等人，1972年)，允許籠中的鳥相對自由活動的此裝置優(yōu)選地對動物進(jìn)行控制。在16:8的亮/暗循環(huán)的暗階段，組合睡眠狀態(tài)的鳥的直接觀察和電生理學(xué)記錄。鳥處于紅外光下，并利用IR電視攝像機(jī)(Ikegama,日本)監(jiān)控。放置于關(guān)鍵位置的鏡子有利于眼睛、頭部和身體運(yùn)動的檢測。EEG擴(kuò)大1K,以lkHz進(jìn)行采樣并且以l-100Hz過濾。表現(xiàn)出低頻偽跡的一只鳥中，以2-100Hz過濾數(shù)據(jù)。還使用60Hz陷波濾波器來提高信號-噪聲比。為了建立數(shù)據(jù)分析的高可信度，數(shù)據(jù)被手動計(jì)分的同時還被自動計(jì)分。手動計(jì)分依賴于3秒鐘EEG時程的視覺檢查，同時計(jì)分明顯的行為，例如，眼睛、頭部和身體運(yùn)動。手動計(jì)分將每個時程分類為包括偽跡的REM、NREM(non-REM)或者清醒。自動計(jì)分受限于睡眠數(shù)據(jù)。使用用于單通道EEG數(shù)據(jù)的階段分離和量化的睡眠參數(shù)EEG自動識別系統(tǒng)(SPEARS)。EEG下行采樣至200Hz，進(jìn)行直流濾波，并且利用1秒滑動窗口在3秒鐘時程上對其分析，以結(jié)合高能譜、時間和統(tǒng)計(jì)分辨率。為了最小化能譜泄露并增加頻域中的統(tǒng)計(jì)分辨率，利用標(biāo)準(zhǔn)的多錐形估算技術(shù)(Thomson,1982)在2直角錐形中計(jì)算EEG能譜。選擇l-4Hz(Delta)和30-55Hz(Gamma)頻帶用于階段分類。Delta和Gamma/Delta分別用于將SWS從NSWS(非SWS)中分離出來，以及將REM從NREM中分離出來。分離利用k-均值聚類算法進(jìn)行，并且受到包含其他變量的限制標(biāo)準(zhǔn)偏差和Delta的時間導(dǎo)數(shù)的絕對值以及(Gamma/Delta)的時間導(dǎo)數(shù)的絕對值。對于每個時程，利用Matlab"gradient"函數(shù)在之前和后續(xù)時程上計(jì)算時間導(dǎo)數(shù)。在偽跡自由睡眠數(shù)據(jù)上進(jìn)行初始分離。之后，睡眠偽跡貢獻(xiàn)與立即跟隨其的第一非偽跡時程相同的計(jì)分，除非其是清醒時程，在該情況下，睡眠偽跡被給出第一之前偽跡自由時程的計(jì)分(其不會是清醒時程，否則，偽跡將會通過人工計(jì)分標(biāo)記為清醒偽跡)。該慣例并不顯著地降低與手動計(jì)分的相符率(表1)。包括睡眠偽跡是重要的，因?yàn)槿コ蛘卟粚λ鼈冇?jì)分會分別縮短或者破壞睡眠時間，并且從而改變計(jì)算出的密度、時間的平均數(shù)量以及每個階段的長度。起初的分離之后，利用5秒窗口平滑每個時程的計(jì)分，以通過簡化偽跡而最小化計(jì)分的瑕瘋，該偽跡可能不被人工計(jì)分隔離。未4皮計(jì)分為REM或者SWS的時程可以標(biāo)記為中間(INTER)。相反，標(biāo)記為屬于REM和SWS的任何時程可以標(biāo)記為異常。在數(shù)據(jù)中具有非常少的異常(表1)。REM、SWS和中間時程可以顯示在三維空間(圖20_21)中，三維空間受到由Delta、Gamma/Delta、標(biāo)準(zhǔn)偏差以及Delta的導(dǎo)凄t和Gamma/Delta的導(dǎo)數(shù)確定的五維空間(圖16-17)的主要元素的限定。對于每只鳥，針對REM、SWS和中間階段的分離，五維聚類空間的多元ANOVA產(chǎn)生出PO.OOl。利用MATLAB"silhouette"函數(shù)，自動地產(chǎn)生用于SWS、REM、中間以及清醒時程的最具代表性的樣例(圖22、23、24、25以及26)。通過僅僅作為誤差而進(jìn)行的人工或自動計(jì)分而將每個時程分類計(jì)分為REM，計(jì)算人工和自動計(jì)分之間的符合。給定人工和自動計(jì)分的高的時間分辨率(表l)，一般的相符率是很高的。根據(jù)自動分析，計(jì)算階段密度(圖28)、平均事件數(shù)量(圖30)以及持續(xù)時間(圖29)、inter-REM間隙(圖31)和階段轉(zhuǎn)換(圖32)(表1)。所有的分析在Matlab(Mathworks公司，MA)中進(jìn)行。表1.5只鳥的5個^1晚的階li統(tǒng)計(jì)判斷階段密度、平均事件持續(xù)時間和數(shù)量以及階段轉(zhuǎn)換。示出了從每個階段出來向中間階段轉(zhuǎn)換的百分比以及從中間階段出來向其他階段轉(zhuǎn)換的百分比。對于雙半球被植入的鳥(動物1-3)，記錄單半球睡眠，并且利用通過EEG和視頻的視覺檢查以及異常的出現(xiàn)而確定的最穩(wěn)定的數(shù)據(jù)，計(jì)算大腦半球的其他統(tǒng)計(jì)數(shù)據(jù)。通過每小時的階段密度和inter-REM間隙計(jì)算回歸系數(shù)，并反映SWS和REM的生理周期分布C^[r2〉0.5以及p<0.05],§=[r2>0.5以及p^.05],￡為計(jì)算的2-8個小時的值，《為計(jì)算的1-7個小時的值)。利用偽跡干擾以及不用偽跡干擾判斷自動和人工計(jì)分之間的符合率。表1<table>tableseeoriginaldocumentpage26</column></row><table><table>tableseeoriginaldocumentpage27</column></row><table>記錄的分析表示斑胸雀鳥表現(xiàn)睡眠的至少三個明顯階段SWS、REM以及中間睡眠。SWS的高振幅EEG信號在Delta范圍具有很大的能量(圖14-17)。REM的特征在于具有非常低振幅的"類似于清醒"的EEG信號(圖23)，典型地為大約士30微伏，在Gamma(圖14和15)范圍能量比NREM更高，其為發(fā)展到現(xiàn)在僅僅在哺乳動物中檢查到的特征(Maloney等人，1997年；Cantero等人，2004年)。中間時程具有高變化量的振幅，中心大約為士50微伏并且在Delta和Gamma范圍都不具有較大的能量(圖14、15和24)。之前，中間階段已經(jīng)在哺乳動物中觀察到(Gottesmann等人，1984年;Glin等人,1991年;Kirov&Moya謂a,2002年)。鳥的正常生理節(jié)奏模式和移動的生理節(jié)奏表展示了這三種睡眠階段。在夜晚早期，SWS時程比REM和中間事件長，遵循哺乳動物般的分布，SWS時程將在整個夜晚在持續(xù)時間上減少(圖29),導(dǎo)致階段密度全面下降(圖28)(表1)。在NREM期間，鳥規(guī)律地緩'ft呼吸；眼睛和頭部運(yùn)動不遵循立體模式，并且與REM中的模式明顯不同。當(dāng)一只眼睛睜開另一只閉合時，發(fā)明人觀察了幾種情況。崢開的眼睛的半球?qū)?cè)表現(xiàn)出低振幅和高頻EEG，而閉合眼睛的半球?qū)?cè)表現(xiàn)出SWS振蕩。單半球睡眠的這些情況一般il明少于5%的暗循環(huán)(表1),并且在亮循環(huán)中更加頻繁。之前，單半球睡眠的這樣的模式已經(jīng)在其他品種的鳥類、鯨類以及其他海生哺乳動物中檢查到(Mukhametov等人，1984年；Mukhametov,1987年；Szymczak等人，19%年；Rattenborg等人，1999年；Lyamin等人，2002年)。夜晚早期時，REM時程一般比較簡短，并且隨著時程數(shù)量的增加(圖30)在整個夜晚將會變得更長(圖29)，使得inter-REM間隙在整個夜晚表現(xiàn)出下降的"哺乳動物般的"趨勢(圖31)(表1)。如其他物種中所見(Siegd等人，1999年)，REM在眼睛和微妙的頭部抽搐運(yùn)動時穩(wěn)定地發(fā)生。眼動為每秒鐘眨動一次的量級。頭部運(yùn)動不是如此穩(wěn)定，但是當(dāng)出現(xiàn)時趨向于追隨眼動方向的運(yùn)動。在REM頸部肌肉張弛期間，頭部運(yùn)動不是由連4妄的光纜重量導(dǎo)致的頭部移動的結(jié)杲，因?yàn)轭^部運(yùn)動結(jié)合不受影響并解下束蜂的動物的眼動而被觀察。中間時程簡短而數(shù)量眾多。根據(jù)密度(圖28)、平均時程持續(xù)時間(圖29)以及每小時事件的平均數(shù)量(圖30),在整個夜間，中間狀態(tài)一般比REM和SWS更加穩(wěn)定。對于哺乳動物的情況，中間階段始終充當(dāng)?shù)⒉幌抻赟WS和REM之間的轉(zhuǎn)換狀態(tài)(圖32)(表1)。對于所有鳥，在NREM時檢測到持續(xù)大約500毫秒的大的峰值-峰值轉(zhuǎn)換(圖26)。這些信號使人想起哺乳動物K-復(fù)數(shù)的描述(Rowan和Tolunsky,2003年)。之前，從未在非哺乳動物物種中觀察到K-復(fù)數(shù)。在之前對于斑胸雀鳥睡眠EEG的研究中，僅4又報(bào)道了SWS。除了發(fā)現(xiàn)植入EEG電極的適當(dāng)位置之外，該項(xiàng)研究成功地檢測NSWS(REM和中間階段)，大概因?yàn)槌掷m(xù)記錄的裝置的性質(zhì)不會限制動物，并且消除了對于誘導(dǎo)睡眠的藥理學(xué)劑例如褪黑素的需要。在一個研究中(Mintz等人，1998年)，給予褪黑素來誘導(dǎo)鴒子的SWS。對于斑胸雀鳥，很可能褪黑素具有類似的效杲，因此，減少了夜間可觀察到的NSWS的數(shù)量(Hahnloser等人，2002年)。數(shù)據(jù)分析技術(shù)實(shí)現(xiàn)了處于較低能量、高頻率的能量的分辨變化，對于REM睡眠檢測，其是關(guān)鍵性區(qū)別因素。此外，自動分析將人工計(jì)分和偽跡限于清醒狀態(tài)和偽跡，對于人類計(jì)分員而言其易于檢測。另外，自動EEG計(jì)分依賴于整個夜間統(tǒng)計(jì)(Gervasoni等人)而不是任意限定的門限、極大似然方法或者輔助的非線性分類器，所有這些趨向于對數(shù)據(jù)分析反應(yīng)并對其強(qiáng)加人類的偏見。結(jié)果表明，哺乳動物般的睡眠特征在哺乳動物和鳥類中一起得到發(fā)展。本文中描述的Delta和Gamma能量活動之間的中間數(shù)據(jù)的基本模型(圖14和15)非常類似于睡眠期間在哺乳動物腦皮層中觀察到的模型(Destexhe,Contreras&Steriade,1999)。此外，發(fā)明人觀察到的一些信號特別地歸因于哺乳動物腦皮層(Amzica&Steriade，1998)。然而，鳥類缺乏大的薄片狀的腦皮層，使得對于哺乳動物般的睡眠特性的發(fā)展，腦皮層可以是最充分的但不是必需的。相反，可以想象，鳥類確實(shí)擁有以非薄片狀形式的哺乳動物腦皮層同源器官(Karten,1997)。需要在細(xì)胞和分子水平的進(jìn)一步工作，以評定這些讓人非常感興趣的可能性中的哪些證明是正確的。參考引用Altaianetal.Psychon.Sci.26(1972),pp.152-154。Amzica&Steriade.Neuroscience.1998Feb;82(3):671-86。Ayala-Guerreroetal.PhysiolBehav.1988;43(5):585-9。Buzsaki.Neuroscience.1989;31(3):551-70。Canteroetal.Neuroimage.2004Jul;22(3):1271-80。Dave&Margoliash.Science.2000Oct27;290(5492):812-6。Destexhe，Contreras&Steriade.1999Jun1;19(11).4595-608。Fennetal.Nature.2003Oct9;425(6958):614-6。Gervasonietal.JNeurosci.2004Dec8;24(49):11137-47。Glinetal.PhysiolBehav.1991Nov;50(5):951-3。Gottesmannetal.JPhysiol(Paris).1984;79(5):365-72。Hahnloseretal.Nature.2002Scp5;419(6902):65-70。Kamietal.Science.1994Jul29;265(5172):679-682。Karten.ProcNatlAcadSciUSA.1997Aprl;94(7):2800-4。Khazipovetal.SocietyforNeuroscienceAbstracts2004。Kirov&Moyanova.NeurosdLett.2002Apr5;322(2):134-6。Louie&Wilson.Neuron.2001Jan;29(1):145-56。Lyaminetal.BehavBrainRes.2002Feb1;129(1-2):125-9。Maloneyetal.Neuroscience.1997Jan;76(2):541-55。Mednicketal.NatNeurosd.2002Jul;5(7):677-81Mednicketal.NatNeurosci.2003Jul;6(7):697陽8。Mintzetal.NeurosciLett.1998Dec18;258(2):61-4。Mukhametovetal.ZhVysshNewDeiatImIPPavlova.1984Mar-Apr;34(2):259-64。Mukhametov.NeurosciLett.1987Aug18;79(l-2):128-32。Nick&Konishi.ProcNatlAcadSciUSA.2001Nov20;98(24).14012-6。Rattenborgetal.BehavBrainRes.1999Nov15;105(2):163-72。Rattenborgetal.PLoSBiol.2004Jul;2(7):E212。Rowan&Tolusnky."PrimerofEEG"。ButterworthHeinemann.ElsevierScience2003。Siegeletal.Neuroscience.1999;91(1):391-400。Szymczaketal.PhysiolBehav.1993Jun;53(6).1201-10。Szymczaketal.PhysiolBehav.1996Oct;60(4):1115-20。Tchemichovskietal.Science.2001。Mar30;291(5513):2564-9。Thomson,ProceedingsoftheIEEE,Vol.70(1982)，pp.1055-1096。Wilson&McNaughton.Science.1993Aug20;261(5124):1055-8。樣例19——判斷一段時間內(nèi)研究對象的睡眠狀態(tài)的示例性方法圖35示出了判斷一段時間內(nèi)研究對象的睡眠狀態(tài)的再一示例性方法3500。方法3500包括本文中所述的各種才支術(shù)。樣例20——示例性變換技術(shù)多種數(shù)據(jù)變換方法用于信號處理中以判斷時間序列數(shù)據(jù)中各種頻率的能量。如本文中所述，變換方法可以包括多錐形變換、傅立葉變換、小波變換。對于代表源信號中多個時間序列或時程的許多頻率，可以使用用于測量能量的任何其他變換方法。樣例21—一用于不同數(shù)據(jù)組的示例性計(jì)算方法存在多種用于計(jì)算信號處理中的聚類和分類方法，以將數(shù)據(jù)區(qū)分為不同類別。如本文中所述，使用的聚類方法為k-均值聚類，但是可以使用用于區(qū)分?jǐn)?shù)據(jù)組的任何計(jì)算信號處理方法。類似地，如本文中所述，使用諸如成分分析(例如，主成分分析和獨(dú)立成分分析)的分類方法。以下提供計(jì)算方法的概述。聚類(或聚類分析)為一種無人監(jiān)管行為，其中類別預(yù)先未知，并且目標(biāo)就是在數(shù)據(jù)中發(fā)現(xiàn)這些類別。例如，利用基因表達(dá)概圖的新腫瘤類別的標(biāo)識是無人監(jiān)管認(rèn)知形式。分類(或類別預(yù)測)是一種監(jiān)管認(rèn)知方法，其中類別被預(yù)先確定，并且目標(biāo)就是自一組標(biāo)記的對象中理解分類的基礎(chǔ)，以及構(gòu)建未來將要標(biāo)記的觀察值的預(yù)測值。例如，將惡性腫瘤分類成已知的類別是監(jiān)管認(rèn)知形式。聚類聚類包括幾個不同步驟調(diào)節(jié)研究對象之間的適當(dāng)距離。選擇應(yīng)用一種聚類算法。聚類程序一般有兩類分級方法和分拆方法。分級方法可以是分離的(頂部-向下)或者聚集的(底部-向上)。分級聚類方法產(chǎn)生了樹形或系統(tǒng)樹圖。分級方法提供了自最小值開始至最大集合的簇(duster)的分層，其中所有對象處于一個簇中，每個觀察值處于其自身的簇中。分拆方法通常要求簇?cái)?shù)量的說明。那么，必須判斷用于將研究對象分拆成簇的機(jī)構(gòu)。這些方法將數(shù)據(jù)拆分成預(yù)定數(shù)目k個的互斥的并且完全的組。該方法重復(fù)地將觀察值重新指派給簇，直到達(dá)到某些標(biāo)準(zhǔn)(例如，最小化簇中的平方和)。分拆方法包括k-均值聚類、圍繞中心點(diǎn)劃分(Partitioningaroundmedoids,簡稱為PAM)、自組織映射(selforganizingmaps,簡稱為SOM)以及基于模型的聚類(model-basedclustering)。用于實(shí)際中的大部分方法是聚集的分級方法，大部分因?yàn)樯У膰?yán)格算法的可用性。然而，兩種聚類方法都具有其優(yōu)勢和劣勢。分級優(yōu)勢包括快速計(jì)算，至少對于聚集的聚類方法如此，劣勢包括其是剛性的并且對于早先在該方法中造成的錯誤決定不能夠進(jìn)行修正。分拆優(yōu)勢包括這樣的方法可以提供(近似)滿足最優(yōu)性標(biāo)準(zhǔn)的簇，而劣勢包括需要初始的k值，并且該方法會耗費(fèi)長的計(jì)算時間?？傊垲愂且粋€比分類更加困難的問題，因?yàn)橄铝性虿痪哂袠?biāo)記的觀察值的認(rèn)知集合。組的數(shù)量通常未知。無疑，必須已經(jīng)選擇用于聚類方法的距離測量和相關(guān)特征。分類可以使用包括統(tǒng)計(jì)學(xué)、機(jī)器認(rèn)知以及心理學(xué)測試的技術(shù)。分類器的例子包括羅吉斯回歸(logisticregression)、判別式分析(線性和二次)、主成分分析(PCA)、最鄰近分類器(k-最鄰近)、分類和回歸樹(CART)、用于微點(diǎn)陣的預(yù)測分析、神經(jīng)網(wǎng)絡(luò)和多項(xiàng)式對數(shù)線性模型(neuralnetworksandmultinomiallog-linearmodels)、支撐向量機(jī)(supportvectormachine)、集合分類器(包型結(jié)構(gòu)(bagging)、增強(qiáng)型結(jié)構(gòu)(boosting)、森林型結(jié)構(gòu)(forests))以及演化算法。羅吉斯回歸羅吉斯回歸為線性回歸的變形，當(dāng)附屬(響應(yīng))變量為二分變量(即，其僅僅具有兩個值，一般表示一些結(jié)果事件的發(fā)生和未發(fā)生，一般編碼為0或l)以及獨(dú)立(輸入)變量為連續(xù)、無條件或者兩者都是時，將其使用。例如，在醫(yī)藥研究中，病人存活或者死亡，或者臨床樣品對于某些濾過性病毒抗體是積極的或者消積的。與一般的回歸不同，羅吉斯回歸不是直接地將獨(dú)立變量模擬為附屬變量的線性組合，其也不假定附屬變量正態(tài)分布。羅吉斯回歸改為將事件發(fā)生的概率函數(shù)作為說明性變量的線性組合。對于羅吉斯回歸，以這種方式使得概率與說明性變量有關(guān)的函數(shù)是羅吉斯函數(shù)，當(dāng)針對說明性變量的線性組合的值繪圖時，其為字母s形或者S形。通過使數(shù)據(jù)與羅吉斯回歸模型相配合以及根據(jù)其相配的概率來分類各種說明性變量模式，而將羅吉斯回歸用于分類中。隨后數(shù)據(jù)的分類接著以變值模式和估計(jì)的概率為基礎(chǔ)。判別式分析總體而言，判別式分析將樣品表示為在空間中的點(diǎn)，以及接著分類這些點(diǎn)。線性判別式分析(LDA)尋找屬于兩個類別的最佳分離點(diǎn)的最佳平面表面。而二次判別式分析(QDA)尋找最佳曲線(二次)表面。兩種方法都尋求最小化分類誤差的一些形式。Fisher線性判別式分析(FLDA或者LDA):LDA尋找具有組間到組內(nèi)平方和的最大比率的數(shù)據(jù)的線性組合(判別式變量)，并通過分類來預(yù)測觀察值x的類別，根據(jù)判別式變量，其均值向量最接近于x。LDA的優(yōu)勢在于其筒單并且直觀，其中測試情況的預(yù)測類別是具有最接近的均值的類別，并且其易于在實(shí)際中實(shí)現(xiàn)有良好的性能。LDA的劣勢包括以下線性判別式邊界可能不夠靈活。特征在類別中可能具有不同的分布。在太多特征的情況下，因?yàn)檫^多的參數(shù)化以及參數(shù)評估的高度變化，性能可能快速降低。最鄰近分類器最鄰近方法基于觀察值之間的距離測量，例如歐幾里德距離或者1減去兩個數(shù)據(jù)集合之間的相關(guān)性。通過分類觀察值x的K-最鄰近分類器工作遵循—找出認(rèn)知集合中最接近x的k個觀察值?！ㄟ^優(yōu)化投票預(yù)測x的分類，即選擇這些k個鄰近中最一般的分類。具有k=l的簡單分類器一般非常成功。大量的不相關(guān)或者具有很少或者不具有相關(guān)性的噪聲變量實(shí)質(zhì)上可以使得最鄰近分類器的性能下降。分類樹例如，可以使用分類樹以根據(jù)一些規(guī)則(特征變量閾值)將采樣分割成兩個子采樣。每個子采樣可以進(jìn)一步分割等。通過將子集重復(fù)地分割成兩個更小的子集而構(gòu)建出二叉樹結(jié)構(gòu)分類器。每個樹形最終子集^^皮分配有一個分類標(biāo)簽，并且隨之的部分對應(yīng)于分類器。結(jié)構(gòu)的三個主要方面包括分割的選擇(每個節(jié)點(diǎn)，選擇最大化雜質(zhì)減少的分割)、進(jìn)行判斷以表明節(jié)點(diǎn)端子或者繼續(xù)分割(以產(chǎn)生大的樹形，選#^生地向上剪除樹形，得到子樹的減少序列)、以及將每個端子節(jié)點(diǎn)分配至一個分類(對于每個端子節(jié)點(diǎn)，選擇最小化錯誤分類概率的重新代入估計(jì)的分類)。用于微點(diǎn)陣的預(yù)測分析這些方法利用最短收縮重心法。首先，計(jì)算每個分類的標(biāo)準(zhǔn)的重心。接著通過所謂的閾值(用戶選擇)將每個分類重心向所有類別的總體重心進(jìn)行收縮。收縮包括將重心通過閾值向零移動，如果其達(dá)到零，設(shè)置其等于零。人工神經(jīng)網(wǎng)絡(luò)人工神經(jīng)網(wǎng)絡(luò)(ANN)模型的關(guān)鍵點(diǎn)在于信息處理系統(tǒng)的新穎結(jié)構(gòu)。其由類似于神經(jīng)細(xì)胞并以加權(quán)連接綁定在一起的很多高度互連處理元件組成，加權(quán)連接類似于神經(jīng)原的神經(jīng)線連接。當(dāng)利用所有分類方法時，一旦ANN在已知的采樣上訓(xùn)練，其將能夠自動地預(yù)測采樣。支撐向量機(jī)支撐向量機(jī)為一種能夠?qū)崿F(xiàn)邊界分類(模式識別)以及真實(shí)值函數(shù)近似(回歸估計(jì))任務(wù)的認(rèn)知機(jī)。支撐向量機(jī)將其n維輸入空間映射進(jìn)更高維數(shù)特征空間中。在該高維特征空間中構(gòu)造線性分類器。集合分類器該方法通過聚集自認(rèn)知集合的干擾形式構(gòu)建的預(yù)測值而工作。在分類中，通過才殳票，聚集多種形式的預(yù)測值。解靴帶法(bootstmpping)是包型結(jié)構(gòu)的最簡單形式，其中，與原始認(rèn)知集合具有相同大小的干擾認(rèn)知集合是認(rèn)知集合的非參數(shù)引導(dǎo)復(fù)制，即，隨機(jī)地以來自認(rèn)知集合的替換進(jìn)行提取。參數(shù)解靴帶法包括根據(jù)多元高斯分布的混合產(chǎn)生的干擾認(rèn)知集合。隨機(jī)森林型結(jié)構(gòu)是樹形分類器(或者其他)的組合，其中，每個樹形依賴于森林型結(jié)構(gòu)中的所有樹形的隨機(jī)向量值。增強(qiáng)型結(jié)構(gòu)中，分類器構(gòu)造成加權(quán)形式的訓(xùn)練集合，其依賴于之前的分類結(jié)果。起初，所有對象具有相等的權(quán)重，并且基于該數(shù)據(jù)集合構(gòu)造第一分類器。接著，根據(jù)分類器的性能改變權(quán)重。不正確的分類對象獲得更大的權(quán)重，并且下一個分類器在重新加權(quán)的訓(xùn)練集合上增強(qiáng)。以該方式，獲得一系列訓(xùn)練集合和分類器，其接著通過決定中的加權(quán)的主要"&票和簡單主要投票而組合。樣例22—一示例性睡眠數(shù)據(jù)呈現(xiàn)器在本文中任何樣例中，可以出現(xiàn)基于睡眠狀態(tài)的電子或紙件報(bào)道。這樣的報(bào)道可以包括定制的睡眠狀態(tài)信息、睡眠狀態(tài)統(tǒng)計(jì)、病理情況、藥物和/或化學(xué)藥品對于睡眠的影響、以及研究對象的類似信息。還可以出現(xiàn)用于分選試驗(yàn)、行為改變等的建議。盡管在一些樣例中示出了特定的睡眠數(shù)據(jù)和低頻信息結(jié)果，但也可以使用其他睡眠數(shù)據(jù)呈現(xiàn)器和數(shù)據(jù)的可視化。樣例23——研究對象的示例性睡眠狀態(tài)信息可以使用本文中所述的任何技術(shù)自各種研究對象中獲得示例性睡眠狀態(tài)信息。圖33包括根據(jù)分析的EEG能語圖數(shù)據(jù)對麻醉的貓的麻醉狀態(tài)分類的示例性可視化的屏幕截圖3300。例如，在屏幕截圖3300中，SWS分類對應(yīng)于深度麻醉狀態(tài)，REM睡眠分類對應(yīng)于輕度麻醉狀態(tài)，以及INTER睡眠分類對應(yīng)于中間麻醉狀態(tài)。以這樣的方式，本文中所述的才支術(shù)可以用于判斷人類或者其他哺乳動物研究對象的麻醉狀態(tài)。圖34包括根據(jù)分析的EEG能譜數(shù)據(jù)對人類研究對象的睡眠狀態(tài)進(jìn)行分類的示例性可視化的屏幕截圖3400。樣例24——技術(shù)的示例性優(yōu)勢和應(yīng)用由于其實(shí)現(xiàn)該數(shù)據(jù)分析的速度、分析的定制和無人監(jiān)管特性、以及提取之前忽略的或者未加分析的低能頻率信息的能力，使得該方法對于各種領(lǐng)域研究有特殊的吸引力。利用可變數(shù)量的狀態(tài)、可變數(shù)量的識別規(guī)則、能修改的標(biāo)準(zhǔn)、可變化時間分辨率以及可變化能譜分辨率，該技術(shù)可以有很強(qiáng)的適應(yīng)性。調(diào)整源數(shù)據(jù)以產(chǎn)生調(diào)整的源數(shù)據(jù)可以專門應(yīng)用于分析針對病理情況和藥物和化學(xué)藥品效果的檢測中的動物信號數(shù)據(jù)。在本文所述的任何樣例中，可以提取并分析低振幅但高度可變的頻率數(shù)據(jù)(例如，找出數(shù)據(jù)中的時間模式)。應(yīng)用可以包括來自分析股票市場數(shù)據(jù)(例如，分析美分股票的波動來判斷一般的變化或者忽略因?yàn)樾r(jià)格變動而引起的變化)以存取編碼數(shù)據(jù)(例如，以低能、非常高或非常低的頻率存儲在聲音波形中的摩爾斯編碼)從而分析具有多個空間頻率的視覺圖像的多種使用。類似地，本文中所述的技術(shù)可以用于通過產(chǎn)生的睡眠狀態(tài)信息來判斷研究對象的定制的睡眠質(zhì)量判斷。在本文的任何樣例中，可以將該方法用于自一個或多個通道接收的源數(shù)據(jù)。該方法可以獨(dú)立地應(yīng)用于來自多個通道的源數(shù)據(jù)，其中在通道之間進(jìn)行比較。例如，可以由大腦的每個半球接收的獨(dú)立的EEG通道數(shù)據(jù)判斷單半球睡眠。圖40示出了由自鳥的大腦的每個半球^接收的獨(dú)立EEG通道數(shù)據(jù)判斷的單半球睡眠的屏幕截圖4000?？蛇x地，該方法可以同時應(yīng)用至來自多個信道的源數(shù)據(jù)，從而分析組合的多信道源數(shù)據(jù)。例如，可以同時分析研究對象的EEG信道數(shù)據(jù)和EEG通道數(shù)據(jù)，以判斷清醒與REM睡眠狀態(tài)，從而，如果EMG數(shù)據(jù)落于高振幅簇中，可以將來自EEG數(shù)據(jù)分析的REM指定睡眠狀態(tài)重新指定為清醒睡眠狀態(tài)。進(jìn)一步地，在本文所述的任何樣例中，可以結(jié)合本文所述的方法使用諸如降噪源分離(dss)等方法以判斷睡眠狀態(tài)。例如，dss可以使用低頻信息來判斷REM睡眠。盡管對于分析低能頻率信息，本文所述的技術(shù)可以特別具有價(jià)值，但是其還可以應(yīng)用于從包括高頻和低頻具有相同能量分布的信號的任何種類的信號中聚類和判斷睡眠階段。此外，可以一個接一個獨(dú)立地使用附屬于能譜圖分析、階段分類和穩(wěn)定性測量的技術(shù)。樣例25——數(shù)據(jù)的示例性可視化在本文所述的任何技術(shù)中，數(shù)據(jù)的示例性顯影可以使用彩色來表示數(shù)據(jù)的不同方面。例如，為了分類數(shù)據(jù)的可視化，可以針對每種分類狀態(tài)，對分類數(shù)據(jù)(例如，諸如REM、SWS以及INTER的睡眠狀態(tài)分類)進(jìn)行色彩編碼?？蛇x地，對于分類數(shù)據(jù)的可視化，灰度(greyscale)可以用于針對每種分類狀態(tài)進(jìn)行編碼。樣例26——用于管理分析的示例性計(jì)算^l系統(tǒng)圖36和下列討論提供了一種用于以上所述的軟件(例如，計(jì)算機(jī)程序)的適當(dāng)計(jì)算機(jī)環(huán)境的簡潔通用描述。以上所述的方法可以以計(jì)算機(jī)可執(zhí)行指令實(shí)施(例如，以程序模塊被組織)。程序模塊可以包括例行程序、程序、對象、元素以及數(shù)據(jù)結(jié)構(gòu)，其執(zhí)行任務(wù)并執(zhí)行用于實(shí)施以上技術(shù)的數(shù)據(jù)類型。盡管圖36示出了桌上型計(jì)算機(jī)的一般結(jié)構(gòu)，但該技術(shù)可以在其他計(jì)算機(jī)系統(tǒng)配置中實(shí)施，包括多處理器系統(tǒng)、基于微處理器或可編程用戶電子裝置、小型計(jì)算機(jī)、大型計(jì)算機(jī)等。該技術(shù)還可以用于分布式計(jì)算環(huán)境，其中任務(wù)通過處理設(shè)備并行地執(zhí)行以增強(qiáng)性能。例如，任務(wù)可以在多個計(jì)算機(jī)、單個計(jì)算機(jī)中的多個處理器上或者兩者之上同時進(jìn)行。在分布式計(jì)算環(huán)境中，程序模塊可以位于本地或遠(yuǎn)程存儲器存儲設(shè)備中。例如，可以將編碼存儲在通過因特網(wǎng)訪問的本地機(jī)器/服務(wù)器上，從而可以通過本地機(jī)器/服務(wù)器上傳和處理分析的數(shù)據(jù)，并將結(jié)果進(jìn)行打印和/或下載。圖36中顯示的計(jì)算機(jī)系統(tǒng)適于實(shí)施本文中所述的技術(shù)，并包括計(jì)算機(jī)3620,計(jì)算機(jī)3620具有處理單元3621、系統(tǒng)存儲器3622、以及使得各個系統(tǒng)部件相互連接的系統(tǒng)總線3623,該相互連接包括將系統(tǒng)存儲器連接至處理單元3621。系統(tǒng)總線可以包括幾種類型的總線結(jié)構(gòu)中的任何一種，其包括存儲器總線或存儲控制器、外圍總線和使用總線結(jié)構(gòu)的本地總線。系統(tǒng)存儲器包括只讀存儲器(ROM)3624以及隨機(jī)存取存儲器(RAM)3625。非易失性系統(tǒng)(例如，BIOS)可以存儲在ROM3625中，并包括在個人計(jì)算機(jī)3620的元件之間交換信息的基本例行程序，例如在啟動期間。個人計(jì)算機(jī)3620可以進(jìn)一步包括硬盤驅(qū)動3627、諸如從可移動硬盤3629讀出并向可移動硬盤3629寫入的磁盤驅(qū)動3628、以及諸如讀取驅(qū)動3630。硬盤驅(qū)動3627、磁盤驅(qū)動3628以及光盤3630通過硬盤驅(qū)動接口3632、磁盤驅(qū)動接口3633以及光盤接口3634分別連接至系統(tǒng)總線3623。驅(qū)動器及其相關(guān)的計(jì)算機(jī)可讀媒介提供數(shù)據(jù)的非易失性存儲存儲、數(shù)據(jù)結(jié)構(gòu)、計(jì)算機(jī)可執(zhí)行指令(包括諸如動態(tài)鏈接庫和可執(zhí)行文件的程序編碼)以及用于個人計(jì)算機(jī)3620的類似物。盡管以上的計(jì)算機(jī)可讀媒介的描述指硬盤、可移動磁盤以及CD,但是其還可以包括計(jì)算機(jī)可讀的其他類型的媒介，例如磁帶、快閃存儲卡、DVD等。多個程序模塊可以存儲在驅(qū)動器和RAM3625中，包括操作系統(tǒng)3635、一個或更多應(yīng)用程序3636、其他程序4莫塊3637、以及程序數(shù)據(jù)3638。用戶可以通過鍵盤3640和指示裝置例如鼠標(biāo)3542將命令和信息輸入個人計(jì)算機(jī)3620。其他輸入設(shè)備(未示出)可以包括擴(kuò)音器、操縱桿、游戲墊、圓盤式衛(wèi)星天線、掃描儀等。這些和其他輸入設(shè)備通常通過連接至系統(tǒng)總線的串行端口接口3646連接至處理單元3621,但是可以通過其他接口進(jìn)行連接，例如并行端口、游戲端口或者通用串行總線(USB)。監(jiān)控器3647或者其他類型的顯示設(shè)備也經(jīng)由接口連接至系統(tǒng)總線3623，例如顯示控制器或視頻適配器3648。除了監(jiān)控器之外，個人計(jì)算機(jī)一般包括其他外圍輸出設(shè)備(未示出)，例如揚(yáng)聲器和打印機(jī)。以上計(jì)算機(jī)系統(tǒng)僅僅作為樣例提供。該技術(shù)可以在各種其他結(jié)構(gòu)中實(shí)施。進(jìn)一步地，收集和分析數(shù)據(jù)源的各種方法是可能的，例如，可以收集和分析數(shù)據(jù)，并且適當(dāng)時，將結(jié)果顯示在不同的計(jì)算機(jī)系統(tǒng)上。此外，可以在硬件中實(shí)施各種軟件方面，并且反之亦然。進(jìn)一步地，該技術(shù)的基于紙張的方法是可能的，包括例如將指令用于算法解釋的純粹地基于紙張的方法以及利用掃描技術(shù)和數(shù)據(jù)分析軟件的部分基于紙張的方法。樣例27——示例性計(jì)算機(jī)-實(shí)施方法本文中所述的任何計(jì)算機(jī)-實(shí)施方法可以通過自動系統(tǒng)(例如，計(jì)算機(jī)系統(tǒng))中的軟件執(zhí)行的軟件來實(shí)施。可以提供完全自動化(例如，沒有人類干涉)或者半自動化操作(例如，通過人類干涉輔助的計(jì)算機(jī)處理)。在一些情況下，用戶干預(yù)是期望的，例如調(diào)整參數(shù)或考慮結(jié)果。這樣的軟件可以存儲在一個或更多計(jì)算機(jī)-可讀媒介上，包括用于執(zhí)行上述行為的計(jì)算機(jī)-可執(zhí)行指令。該媒介可以是有形(例如，物理的)媒介。已經(jīng)在示例性實(shí)施方案中示出并描述了本發(fā)明的原理，對于本領(lǐng)域的技術(shù)人員而言，顯然所描述的樣例為示意性實(shí)施方案，并且可以對裝置和細(xì)節(jié)進(jìn)行修改而不背離這樣的原理。任何樣例中的技術(shù)可以包括在一個或更多的任何其他樣例中。另一實(shí)施方案將雙歸一化用于進(jìn)一步的動態(tài)范圍增加。該實(shí)施方案解釋并依賴于人類睡眠主體的數(shù)據(jù)，而不是如之前的一些實(shí)施方案中的鳥。此外，當(dāng)涉及歸一化和聚類技術(shù)時，以上針對之前實(shí)施方案描述的任何應(yīng)用可以同等地適用于該實(shí)施方案。該實(shí)施方案使用之前實(shí)施方案的很多特征，還增加了一些改進(jìn)。該實(shí)施方案起到分析腦波活動的作用。來自腦波的信號例如EEG—般遵循以下特性能量的總量與頻率成反比，其中腦波中的能量的總量與例如1/f成比例，其中，f為腦波的頻率。當(dāng)參考之前的實(shí)施方案進(jìn)行解釋時，該1/f能譜分布趨向于使得信號的較高頻率部分不明顯，因?yàn)樾盘柕倪@些較高頻率部分具有較小的電壓振幅。觀察代表EEG的波形的人類觀察者過去一直不能夠探知與較高頻率有關(guān)的任何基本信息。對于該情況，發(fā)明人假定了很多原因。一個原因是因?yàn)轭^骨的物理結(jié)構(gòu)表現(xiàn)為低通濾波器，所以腦波行為的較高頻率已經(jīng)從頭骨中被過濾掉。之前的實(shí)施方案已經(jīng)示出了歸一化例如利用z計(jì)分處理如何允許分析來自腦波信號的更多信息。之前執(zhí)行的分析歸一化了通過頻率的能量信息。歸一化優(yōu)選地使用z計(jì)分處理，但是可以使用任何類型的數(shù)據(jù)歸一化。葉吏用的歸一化優(yōu)選地?zé)o單位，例如z計(jì)分處理。如本領(lǐng)域所/>知，z計(jì)分處理可以用于歸一化分布而不改變分布的包絡(luò)的形狀。z計(jì)分處理實(shí)質(zhì)上改變?yōu)闃?biāo)準(zhǔn)偏差的單位。每個z計(jì)分處理歸一化單元反應(yīng)了與信號的平均有關(guān)的信號的能量的總量。通過將均值從每個記分中減去，將記分轉(zhuǎn)換為均值偏差形式。接著相對于標(biāo)準(zhǔn)偏差歸一化記分。所有z計(jì)分處理的歸一化單元具有等于統(tǒng)一值的標(biāo)準(zhǔn)偏差。盡管以上利用z計(jì)分處理描述了歸一化，應(yīng)該理解也可以實(shí)施其他歸一化，包括T計(jì)分等。以上實(shí)施方案描述了在具體范圍中的每個頻率的能量的歸一化。該范圍可以從0至100hz,或者至128hz或者至500hz。頻率范圍僅僅受到采樣率的限制。以30KHz的采樣率為例，可以進(jìn)行高達(dá)15KHz的分析。根據(jù)本實(shí)施方案，實(shí)施另一歸一化，其歸一化每個頻率的一段時間內(nèi)的能量。這樣產(chǎn)生了已經(jīng)通過頻率和通過時間被歸一化的用于產(chǎn)生雙歸一化能譜圖的信息。該實(shí)施方案可以從腦波數(shù)據(jù)中獲得其他信息，并且實(shí)施方案自動地描述自分析的數(shù)據(jù)中檢測不同時期的睡眠。可以檢測的睡眠時期可以包括但不限于短波睡眠(SWS)、快速眼動睡眠(REM)、中間睡眠(IIS)以及清醒狀態(tài)。根據(jù)重要特征，單個通道的腦波行為(其自人類頭骨上的單個位置獲得)用于分析。根據(jù)圖41的流程圖實(shí)施本操作，其可以在本文所述的任何計(jì)算機(jī)設(shè)備中執(zhí)行，或者可以通過網(wǎng)絡(luò)或者其他已知方式執(zhí)行。在4100,獲得數(shù)據(jù)。如上所述，獲得的數(shù)據(jù)可以是來自人類或其他研究對象的一個信道的EEG信息?？梢允褂美?56Hz采樣率收集獲得的EEG數(shù)據(jù)，或者可以以更高的速率進(jìn)行采樣。數(shù)據(jù)分割為多個時程，例如30秒時程，并且根據(jù)頻率進(jìn)行特征化。在4110,實(shí)施第一頻率歸一化。利用每個頻率庫上的z計(jì)分處理4支術(shù)歸一化能量信息。在實(shí)施方案中，庫可以從1延伸至100Hz,并且每赫茲30個庫。歸一化發(fā)生在一段時間內(nèi)。這產(chǎn)生了歸一化能i普圖或者NS,30秒時程由"優(yōu)選頻率"表示，其為在該時程中具有最大的z計(jì)分的頻率。這產(chǎn)生了稱為優(yōu)選頻率空間的特定頻率空間。圖42A示出了未處理的能鐠，而圖42B示出了歸一化能譜。每個時程例如圖43中的30秒片段或者圖44中的1秒滑動窗口時程由具有最大z計(jì)分的頻率表示。圖44表示如何將其廣泛地分隔成不同模式。分析那些模式如何形成，并允許分析模式的特征。例如，通過分析，發(fā)現(xiàn)W或清醒狀態(tài)被特征化為a帶中的波段、或者為7-12hz、以及有時為13帶中的波段(15-25hz)。中間狀態(tài)展示了1至4hz范圍內(nèi)的Delta值以及12至15hz內(nèi)的紡錘形頻率(spindlefrequency)。還示出了更高頻率和Gamma范圍的3-90hz的活動。令人驚訝地是，REM狀態(tài)將緊湊帶定義在Delta和Theta頻率，并且短波睡眠受到彌散的寬頻譜活動的限制。因此，可以根據(jù)判別式函數(shù)定義不同的睡眠狀態(tài)，其中判別式函數(shù)尋找某些區(qū)域中的某些活動和其他區(qū)域中的不活動。函數(shù)可以根據(jù)具有活動的區(qū)域的頻率和不具有活動的區(qū)域的頻率來計(jì)算睡眠狀態(tài)。但是，更一般地，任何形式的動態(tài)能語計(jì)分可以基于補(bǔ)償數(shù)據(jù)實(shí)施。判別式函數(shù)可以要求專門值，或者簡單地要求在多個頻率范圍的每個中將要出現(xiàn)或不出現(xiàn)的活動的某種量。判別式函數(shù)可以簡單地匹配頻率響應(yīng)的包絡(luò)。判別式函數(shù)還可以查看能譜分段和時間分段(temporalfragmentation)。4120示出了在一段頻率內(nèi)實(shí)現(xiàn)的第二次歸一化。在4120的第二次歸一化產(chǎn)生了雙歸一化能譜圖。這產(chǎn)生了一個新的頻率空間，其中帶變得更加明顯。第二次歸一化如圖42C所示，其中示為較亮值的帶表示正值，而較暗的區(qū)域意指具有負(fù)值。雙歸一化能語圖值可以用于形成最大地隔離空間中值的過濾。圖43示出了作為時間函數(shù)的優(yōu)選頻率的圖表，示出了不同簇的頻率。4130示出了基于雙歸一化頻率實(shí)施的聚類技術(shù)。例如，聚類技術(shù)可以為之前的實(shí)施方案中所述的k均值技術(shù)。簇形成了如圖43所示的組。圖44示出了不同狀態(tài)之間的區(qū)域例如邊界4400如何形成多個不同簇。每個簇可以表示一個睡眠狀態(tài)。簇實(shí)際上是多維簇，其自身可以被用圖來表示以找出其他信息，是如圖45所示。維數(shù)的數(shù)量可以依賴于聚類變量的數(shù)量。這樣示出了雙歸一化能譜圖還如何允許更多的測量特征。圖45實(shí)際上為不同特征的三維圖表，并且可以允許不同狀態(tài)的檢測。然而，分析表明，慢波睡眠比快速眼動睡眠或者清醒狀態(tài)更加不穩(wěn)定并且時間更多、頻率更高。中間睡眠通常形成了一個與短波睡眠之間的橋梁。一段頻率內(nèi)的歸一化能量中的平均傳播的測量示出了能譜分段，如圖46所示，其示出了能譜分段也是可能的?？蛇x地，分段值可以基于不同狀態(tài)的時間分段，還可以用作為判別式函數(shù)的一部分。例如利用Z和ZZ來分別對應(yīng)于NS和2NS值<formula>formulaseeoriginaldocumentpage41</formula>nrem_filter=mean(ZZ(60-100Hz))+mean(ZZ(4-7Hz))-[mean(ZZ(12-15Hz))+mean(ZZ(25-60Hz))+mean(ZZ(15-25Hz))]sws—filter=mean(Z(4-7Hz))+mean(Z(7-12Hz))分段值如下Spectral—frag=mean(abs(grad—f(ZZ(1-100Hz))));Spectral一temp二mean(abs(grad—t(ZZ(l隱lOOHz))));其中，grad一f和grad_t對應(yīng)于ZZ的兩維最接近的梯度。這兩種函數(shù)根據(jù)雙歸一化能譜計(jì)算，由于NREM睡眠和W中產(chǎn)生的運(yùn)動偽跡將在單個歸一化能譜中導(dǎo)致反常地升高的分段值，這依賴于在所有頻率的增益中的均勻增加。這些分段值可以用作為判別式函數(shù)的一部分。重要地是，如上所述，該判別式函數(shù)從任何之前的分析技術(shù)來看一般不夠明顯，包括人工技術(shù)。計(jì)算可以用分解作為特征，或者可以使用重疊窗口或者滑動窗口來增加時間配準(zhǔn)(temporalregistration)。這使得之前一直不可能的任何很多技術(shù)變?yōu)榭赡堋Ｍㄟ^特征化閑置狀態(tài)，這樣使得僅僅利用腦波信號可以通過動態(tài)能譜計(jì)分區(qū)分睡眠狀態(tài)和清醒狀態(tài)。另一方面包括自動地活動EEG信息的機(jī)器，并且包括分析EEG信息以判斷關(guān)于睡眠狀態(tài)的信息的計(jì)算機(jī)。例如，信息可以包括實(shí)際睡眠狀態(tài)或者睡眠狀態(tài)的其他部分。計(jì)算機(jī)還可以包括其中的非易失性存儲器以存儲睡眠狀態(tài)的信息表示，并且可以包括例如無線網(wǎng)絡(luò)連接，以允許表示睡眠狀態(tài)的信息發(fā)送至遠(yuǎn)程設(shè)備。用戶可以帶上機(jī)器或者連接至機(jī)器的電才及，以表現(xiàn)^也或她的睡眠。以上已經(jīng)描述了信息可以如何用于判斷睡眠狀態(tài)。這些4支術(shù)還可以用于包括表現(xiàn)睡眠狀態(tài)的其他應(yīng)用和其他技術(shù)。應(yīng)用還可以包括根據(jù)病人的睡眠狀態(tài)以及根據(jù)之前當(dāng)基于這些睡眠狀態(tài)的大腦函數(shù)改變時判斷出的變量，判斷病人是否服用了某種類型的藥物。任何應(yīng)用可以分析腦波信號以判斷酒精攝入量，例如，形成可以用作為"呼吸試驗(yàn)器，，的系統(tǒng)。本文中描述了通用結(jié)構(gòu)和技術(shù)以及可以用于影響實(shí)施更普通的目的的不同方法的更加具體的實(shí)施方案。盡管以上僅僅詳細(xì)地公開了一些實(shí)施方案，其他實(shí)施方案是可能的，并且發(fā)明人旨在將其包括在本說明書中。說明書描述了具體樣例以實(shí)施可以其他方式完成的更加通用的目的。該公開旨在示例，并且權(quán)利要求旨在覆蓋對于本領(lǐng)域的普通技術(shù)人員而言可預(yù)言的任何修改或者選擇。例如，其他應(yīng)用是可能的，并且其他形式的判別式函數(shù)和特征時可能的。盡管以上按照"優(yōu)選頻率"廣泛地描述了特征化頻率，應(yīng)該理解，信息的更加嚴(yán)格的特征可能存在。同樣，盡管以上僅僅參考由EEG數(shù)據(jù)判斷睡眠狀態(tài)，并且僅僅參考睡眠狀態(tài)的幾種不同種類的判斷，應(yīng)該理解其他應(yīng)用也在預(yù)期內(nèi)。同樣，發(fā)明人旨在根據(jù)35USC112第六段對僅僅那些使用詞匯"用于......的裝置"的權(quán)利要求進(jìn)行解釋。此外，沒有將來自說明書的限制加于任何權(quán)利要求的意圖，除非這些限制清楚地包括在權(quán)利要求中。本文中所述的計(jì)算機(jī)可以是任何類型的計(jì)算機(jī)，既可以是通用目的也可以是一些專用目的計(jì)算機(jī)，諸如工作站。計(jì)算機(jī)可以是運(yùn)行WindowsXP或者Linux的Pentium系列的計(jì)算機(jī)，也可以是Macintosh計(jì)算機(jī)。計(jì)算機(jī)還可以是掌上計(jì)算機(jī)例如PDA、手機(jī)或膝上型計(jì)算機(jī)。程序可以用C或者Java、Brew或者任何編程語言進(jìn)行編寫。程序可以駐留在存儲媒介中，例如磁或光的計(jì)算機(jī)硬驅(qū)動、可移動盤或媒介例如存儲棒或SD媒介或者其他可移動媒介。程序還可以運(yùn)行在網(wǎng)絡(luò)上，例如，利用將信號發(fā)送至本地機(jī)器的服務(wù)器或者其他機(jī)器，其允許本地機(jī)器實(shí)施本文中所述的#:作。權(quán)利要求1.一種方法，其包括獲得表示腦波活動的數(shù)據(jù)；歸一化所述數(shù)據(jù)的至少一個頻率范圍，以相對于另一頻率范圍中的數(shù)據(jù)改變所述至少一個頻率范圍中的數(shù)據(jù)的能量級，從而形成表示腦波活動的歸一化數(shù)據(jù)；以及分析表示腦波活動的所述歸一化數(shù)據(jù)，以根據(jù)所述分析確定表示睡眠狀態(tài)的至少一個參數(shù)。2.根據(jù)權(quán)利要求1所述的方法，其中，所述分析步驟包括，自動地將所述歸一化數(shù)據(jù)聚類成簇，以及利用所述分析步驟中的所述簇確定所述參數(shù)。3.根據(jù)權(quán)利要求1所述的方法，其中，所述歸一化步驟包括對所述數(shù)據(jù)進(jìn)行Z計(jì)分處理。4.根據(jù)權(quán)利要求1所述的方法，還包括第二次歸一化所述數(shù)據(jù)，以在所述分析之前，形成雙歸一化數(shù)據(jù)。5.根據(jù)權(quán)利要求4所述的方法，其中，所述第二次歸一化步驟包括在一段時間內(nèi)歸一化頻率。6.根據(jù)權(quán)利要求5所述的方法，其中，所述第一次歸一化步驟和所述第二次歸一化步驟的每個使用Z計(jì)分處理用于所述歸一化。7.根據(jù)權(quán)利要求5所述的方法，還包括定義代表多個不同睡眠狀態(tài)的所述雙歸一化數(shù)據(jù)的特征的判別式函數(shù)，以及使用所述判別式函數(shù)根據(jù)所述雙歸一化數(shù)據(jù)確定睡眠狀態(tài)。8.根據(jù)權(quán)利要求7所述的方法，其中，所述判別式函數(shù)是根據(jù)出現(xiàn)在指定的范圍中而不出現(xiàn)在指定的其他范圍中的頻率而定義睡眠狀態(tài)的函數(shù)。9.根據(jù)權(quán)利要求4所述的方法，還包括將優(yōu)選頻率特征化為在任何指定時間內(nèi)具有最高歸一化值的頻率，以及分析所述優(yōu)選頻率以確定所述至少一個參數(shù)。10.根據(jù)權(quán)利要求9所述的方法，還包括將判別式函數(shù)定義為優(yōu)選頻率的函數(shù)，其中，判別式函數(shù)根據(jù)出現(xiàn)的頻率以及未出現(xiàn)的頻率定義睡眠狀態(tài)。11.根據(jù)權(quán)利要求4所述的方法，還包括分析所述雙歸一化數(shù)據(jù)的分段，以及使用所述分段作為所述分析的一部分。12.根據(jù)權(quán)利要求1所述的方法，其中，表示睡眠狀態(tài)的所述參數(shù)包括對應(yīng)于當(dāng)前時間段的可能的睡眠狀態(tài)。13.根據(jù)權(quán)利要求1所述的方法，其中，表示睡眠狀態(tài)的所述參數(shù)包括表示可能消耗藥物的信息。14.根據(jù)權(quán)利要求1所述的方法，其中，利用計(jì)算機(jī)實(shí)施所述歸一化步驟以改變所述數(shù)據(jù)。15.根據(jù)權(quán)利要求1所述的方法，還包括從源數(shù)據(jù)中去除偽跡。16.根據(jù)權(quán)利要求1所述的方法，還包括在所述歸一化步驟之前，將所述源數(shù)據(jù)分解至多個時間片段中。17.根據(jù)權(quán)利要求16所述的方法，其中，所述分離步驟包括使用掃描窗口或滑動窗口中的一個。18.根據(jù)權(quán)利要求17所述的方法，其中，所述分離步驟包括確定從由以下成員所組成的組中選"t奪的至少一個時間序列增加整個時間序列；重疊時間序列；以及非重疊時間序列。19.一種用于在一時間段內(nèi)判斷研究對象的睡眠狀態(tài)的方法，所述方法包括在所述時間段內(nèi)接收所述研究對象的腦波，其中，與頻語中的第二頻率范圍相比，所述腦波數(shù)據(jù)在所述頻譜的至少一個低能第一頻率范圍中展現(xiàn)出能量的更低的動態(tài)范圍；將所述腦波數(shù)據(jù)分解為一個或更多時程；加權(quán)一段時間內(nèi)的所述一個或更多時程的頻率能量，其中，所述加權(quán)步驟包括與所述第二頻率范圍相比，增加在所述頻譜的低能頻率范圍中的所述能量的動態(tài)范圍，從而產(chǎn)生一個或更多的頻率加權(quán)時程；以及根據(jù)所述一個或更多的頻率加權(quán)時程，對所述研究對象的睡眠狀態(tài)分類。20.根據(jù)權(quán)利要求19所述的方法，其中，對所述研究對象的睡眠狀態(tài)分類的所述步驟包括聚類所述一個或更多的頻率加權(quán)時程；以及根據(jù)所述聚類步驟，將睡眠狀態(tài)標(biāo)識指派給所述一個或更多的頻率加斗又時禾呈；以及將所述睡眠狀態(tài)標(biāo)識表示為代表由所述一個或更多的頻率加權(quán)時程代表的所述時間段內(nèi)所述研究對象的睡眠狀態(tài)。21.根據(jù)權(quán)利要求19所述的方法，其中，聚類所述一個或更多的頻率加權(quán)時程包括k-均值聚類。22.根據(jù)權(quán)利要求19所述的方法，還包括利用成分分析預(yù)先處理腦電圖數(shù)據(jù)。23.根據(jù)權(quán)利要求19所述的方法，其中，對所述研究對象的睡眠狀態(tài)分類的所述步驟包括對所述一個或更多的頻率加權(quán)時程應(yīng)用獨(dú)立成分分析。24.根據(jù)權(quán)利要求19所述的方法，其中，對睡眠狀態(tài)分類的所述步驟還包括并入人工判斷的睡眠狀態(tài)。25.根據(jù)權(quán)利要求19所述的方法，其中，將睡眠狀態(tài)標(biāo)識指派給所述一個或更多的頻率加權(quán)時程的所述步驟包括至少根據(jù)低頻信息，從非慢波睡眠標(biāo)識確定慢波睡眠標(biāo)識；以及至少#4居高頻信息，從非快速眼動睡眠標(biāo)識確定快速眼動睡眠標(biāo)識。26.根據(jù)權(quán)利要求25所述的方法，還包括將慢波睡眠標(biāo)識指派給在低頻率具有顯著加權(quán)能量的時程。27.根據(jù)權(quán)利要求25所述的方法，還包括將快速眼動睡眠標(biāo)識指派給在高頻率具有顯著加權(quán)能量的時程。28.根據(jù)權(quán)利要求19所述的方法，其中，將睡眠狀態(tài)標(biāo)識指派給所述一個或更多頻率加權(quán)時程的所述步驟還包括將平滑窗口應(yīng)用至所述一個或更多的加權(quán)時程，其中，所述平滑可包括對所述一個或更多加權(quán)時程中的睡眠狀態(tài)標(biāo)識進(jìn)行平均。29.根據(jù)權(quán)利要求19所述的方法，還包括將一個或更多的頻率加權(quán)時程表示成規(guī)范能譜，所述規(guī)范能語代表由具有類似睡眠狀態(tài)標(biāo)識的所述一個或更多的時程代表的所述時間段內(nèi)所述對象的所述睡眠狀態(tài)。30.根據(jù)權(quán)利要求29所述的方法，還包括利用獨(dú)立成分分析來分析所述規(guī)范能語以確立睡眠狀態(tài)分類可信度。31.根據(jù)權(quán)利要求19所述的方法，還包括根據(jù)所述一個或更多的頻率加權(quán)時程的所述睡眠狀態(tài)標(biāo)識，呈現(xiàn)所述研究對象的睡眠統(tǒng)計(jì)。32.根據(jù)權(quán)利要求19所述的方法，還包括在進(jìn)行所述分類之前，根據(jù)第二維而第二次加權(quán)能量以歸一化所述數(shù)據(jù)，來形成雙歸一化數(shù)據(jù)。33.根據(jù)權(quán)利要求32所述的方法，其中，所述第二次加權(quán)步驟包括歸一化一,殳時間內(nèi)的至少一個頻率。34.根據(jù)權(quán)利要求32所述的方法，其中，所述加權(quán)步驟和所述第二次加權(quán)步驟的每個利用Z計(jì)分處理來實(shí)現(xiàn)歸一化。35.根據(jù)權(quán)利要求32所述的方法，還包括定義代表多個不同睡眠狀態(tài)的所述雙歸一化^據(jù)的特征的判別式函數(shù)，以及使用所述判別式函數(shù)根據(jù)所述雙歸一化數(shù)據(jù)確定睡眠狀態(tài)。36.根據(jù)權(quán)利要求35所述的方法，其中，所述判別式函數(shù)為根據(jù)出現(xiàn)在指定的范圍中而不出現(xiàn)在指定的其他范圍中的頻率而定義睡眠狀態(tài)的函數(shù)。37.根據(jù)權(quán)利要求32所述的方法，還包括將優(yōu)選頻率特征化為在任何指定時間內(nèi)具有最高歸一化值的頻率，以及分析所述優(yōu)選頻率以確定所述至少一個參數(shù)。38.根據(jù)權(quán)利要求37所述的方法，還包括將所述判別式函數(shù)定義為所述優(yōu)選頻率的函數(shù)，其中，所述判別式函數(shù)根據(jù)出現(xiàn)的頻率以及未出現(xiàn)的頻率定義睡眠狀態(tài)。39.根據(jù)權(quán)利要求32所述的方法，還包括分析所述雙歸一化數(shù)據(jù)的能譜分段，以及使用所述能譜分段作為所述分析的一部分。40.根據(jù)權(quán)利要求32所述的方法，還包括分析所述雙歸一化數(shù)據(jù)的時間分段，以及使用所述時間分段作為所述分析的一部分。41.一種裝置，其包括計(jì)算設(shè)備，所述計(jì)算設(shè)備接收表示腦波活動的至少一個信號，以及歸一化所述信號的至少一個頻率范圍以相對于另一頻率范圍中的數(shù)據(jù)改變所述至少一個頻率范圍中的萄:據(jù)的能量級，從而形成表示腦波活動的歸一化數(shù)據(jù)，以及利用表示腦波活動的所述歸一化數(shù)據(jù)來確定表示睡眠狀態(tài)的至少一個參數(shù)。42.根據(jù)權(quán)利要求41所述的裝置，其中，所述計(jì)算設(shè)備通過對所述數(shù)據(jù)進(jìn)行Z計(jì)分處理而實(shí)施所述歸一化。43.根據(jù)權(quán)利要求41所述的裝置，其中，所述計(jì)算機(jī)運(yùn)行以實(shí)施所述數(shù)據(jù)的第二次歸一化，從而在使用所述數(shù)據(jù)之前，形成雙歸一化數(shù)據(jù)。44.根據(jù)權(quán)利要求43所述的裝置，其中，通過所述計(jì)算機(jī)實(shí)施的所述第二次歸一化包括歸一化一段時間內(nèi)的頻率。45.根據(jù)權(quán)利要求42所述的裝置，其中，所述計(jì)算機(jī)基于代表多個不同睡眠狀態(tài)的所述雙歸一化數(shù)據(jù)的特征的判別式函數(shù)而運(yùn)行，以及使用所述判別式函數(shù)根據(jù)所述歸一化數(shù)據(jù)確定睡眠狀態(tài)。46.根據(jù)權(quán)利要求46所述的裝置，其中，所述判別式函數(shù)為根據(jù)出現(xiàn)在指定范圍中而不出現(xiàn)在指定的其他范圍中的頻率而定義睡眠狀態(tài)的函數(shù)。47.根據(jù)權(quán)利要求43所述的裝置，其中，所述計(jì)算機(jī)運(yùn)行以確定優(yōu)選頻率為在任何指定時間內(nèi)具有最高歸一化值的頻率，以及分析所述優(yōu)選頻率以確定所述至少一個參數(shù)。48.根據(jù)權(quán)利要求43所述的裝置，其中，所述計(jì)算機(jī)確定所述的雙歸一化數(shù)據(jù)的分段作為所述分析的一部分。49.根據(jù)權(quán)利要求41所述的裝置，還包括連接成獲得所述信號的腦波電極。50.—種裝置，其包括第一接收部件，其接收表示腦波信號的信息；以及處理部件，其歸一化所述腦波信號的至少一個頻率范圍，以形成表示腦波活動的歸一化數(shù)據(jù)，以及利用表示腦波活動的所述歸一化數(shù)據(jù)來確定表示睡眠狀態(tài)的至少一個參數(shù)。51.根據(jù)權(quán)利要求50所述的裝置，其中，所述處理部件通過對數(shù)據(jù)進(jìn)行Z計(jì)分處理而實(shí)施所述歸一化。52.根據(jù)權(quán)利要求50所述的裝置，其中，所述處理部件實(shí)施數(shù)據(jù)的兩種分開的歸一化，以在使用所述數(shù)據(jù)之前，形成雙歸一化數(shù)據(jù)。全文摘要由能譜數(shù)據(jù)判斷低能頻率范圍信息?？梢哉{(diào)整原始狀態(tài)信號數(shù)據(jù)以增加與更高能頻率范圍相比的低能頻率范圍中的能量的動態(tài)范圍，從而判斷對于獲得低能頻率范圍信息有價(jià)值的調(diào)整的源數(shù)據(jù)。低能頻率范圍信息可以用于多種原始狀態(tài)信號數(shù)據(jù)的分析。例如，睡眠時期的研究對象的腦電圖數(shù)據(jù)中的低能頻率范圍信息可以用于判斷睡眠狀態(tài)。類似地，自動的全頻能譜腦電圖信號分析可以有益于定制的分析，包括評定睡眠質(zhì)量、檢測病理情況以及判斷藥物對于睡眠狀態(tài)的影響。文檔編號A61B5/04GK101272732SQ200680019721公開日2008年9月24日申請日期2006年5月9日優(yōu)先權(quán)日2005年5月10日發(fā)明者特倫斯·J·塞諾夫斯基,菲利普·S·羅申請人:索爾克生物學(xué)研究所