專利名稱：用于疼痛檢測和疼痛量化指數計算的系統(tǒng)和方法
用于疼痛檢測和疼痛量化指數計算的系統(tǒng)和方法
發(fā)明人歐文'羅伊'約翰，萊斯莉.S'普利凱普和埃米爾'希斯艾格
背景
通常，疼痛測量基本上是主觀的。也就是說，盡管i會斷方法(例如， MRI， x-射線，超聲等)提供了精確地確定生理狀態(tài)的數據，但疼痛的 測量幾乎一直是通過要求來自患者的反饋來進行。例如，在給予阿片 樣物質和/或其他鎮(zhèn)痛藥的情況下，特別是患者自控鎮(zhèn)痛(Patient Controlled Analgesia, PCA)的情況下，客觀測量患者體驗的疼痛是理 想的，以監(jiān)測，和可能超控(over-ride)不當的和過度的鎮(zhèn)痛管理。因為 醫(yī)師沒有評估患者疼痛報告的客觀方法，急性疼痛以及特別是慢性疼 痛的處理不足是普遍的，會經常發(fā)生，特別是對外周神經系統(tǒng)進行常 規(guī)的基于解剖學的放射研究或常規(guī)的診斷電生理學研究不能確認疼痛 源的情形下。即便在急診部，當評估或治療腿骨折或肩脫臼的患者時， 醫(yī)務人員假定所有患者對類似劑量的反應類似，僅基于以往經驗選擇 鎮(zhèn)痛水平，就可能處理不足或過度。 '
這種客觀評估的缺乏也不利于患者自控鎮(zhèn)痛(PCA)-經由泵靜脈內 遞送麻醉藥以控制每小時輸注劑量的基礎速率以及患者自己每小時施 予的額外的麻醉藥的劑量和頻率-的調控。如果基礎和額外的麻醉藥推 注給藥后，患者仍感疼痛，必須上調泵參數。這一過程需要經過訓練 的護理人員的關注以及醫(yī)師的指示，可能會導致不合宜的延遲和PCA 被調整合適前不必要的疼痛，此外，主要依賴患者對疼痛報告這一點 使患者有機會操縱醫(yī)師以獲得超出需要的疼痛藥物治療。
因為動物不能提供主觀的疼痛程度的評估，它們不舒服的程度只 能通過注意它們的行為變化(例如，跛行)來推測，所以對它們來i兌， 疼痛的客觀測量特別有價值。
除醫(yī)學應用外，量化的參考數據在需要客觀評估疼痛程度的任何 情況下(例如，訴訟、保險和殘疾索賠)都是重要的。
8t者如正電子發(fā)射斷層成^象(Positron Emission Tomography, PET)、 單光子發(fā)射計算才幾斷層成l象(Single Photon Emission Computed Tomography" SPECT)、功能磁共振成像(Functional Magnetic Resonance Imaging, fMRI)的腦成像方法有時用于輔助理解在患急性的、用實驗方 法產生的以及較不常見的、慢性疼痛的個體中的疼痛處理機制。諸如 LORETA (Pascual-Marqui et al 1999)的低分辨率qEEG腦成^象方法可以 用于提供關于參與處理各種類型的急性和/或慢性疼痛的腦區(qū)域的生 理信息，以及治療對這些區(qū)域生理活動的影響，但沒有提供疼痛的客 7見測量。
發(fā)明概述
本發(fā)明涉及檢測疼痛的系統(tǒng)和方法。該方法包括下述步驟生成 基于實驗對象的腦波活動的腦波數據，將所述腦波數據與參考數據進 行比較以生成結果數據，以及確定作為結果數據的函數的該實驗對象 體驗的疼痛的存在。所述參考數據對應下述的至少一種(i)群體常模 性數據(populationnormative data),表示第一群個體無疼痛時的腦波活 動，(ii)群體參考數據(population reference data),表示第二群個體在應 答施予他們的疼痛事件時產生的腦波活動，(iii)自身常模性數據(self normative data),表示所述實-險對象無疼痛時的腦波活動，以及(iv)主 觀性群體參考數據(subjective population reference data),表示第三群個 體在凈艮告疼痛感覺時的腦波活動。正如本領域」技術人員所理解的，從 其獲取數據的多群個體可以彼此完全分離或者部分或完全重疊。此外， 本領域的技術人員會理解，基于個體或患者疼痛報告的任何數據可以 是對這一信息提示的反應或者是自發(fā)地提供的。
附圖筒要說明


圖1顯示了本發(fā)明所述的用于檢測疼痛的系統(tǒng)的示例性實施方案。
圖2顯示了本發(fā)明所述的疼痛評估算法的示例性實施方案的流程圖。圖3顯示了聚類分析程序的示例性實施方案的流程圖，該程序用
于建立疼痛評估算法中使用的聚類分析模塊(module)。
圖4顯示了判別分析(discriminant analysis)程序的示例性實施方案 的流程圖，該程序用于建立疼痛評估算法的 一個實施方案中使用的判 別分析模塊。以及
詳細描述
結合下面的說明和附圖可以進一步理解本發(fā)明，其中為類似的元 素提供相同的參照數碼(reference numerals)。本發(fā)明描述了通過分析從 腦電圖(EEG)采集的腦波數據4企測疼痛的系統(tǒng)和方法。本領域的技術 人員會理解，可以以與本文描述的相似的方式處理與腦活動相關的其 他類型的數據以得到相似的結果。因此，EEG的描述和EEG特征的 具體描述是用于說明本發(fā)明的示例性實施方案，不應理解為限制本發(fā) 明的范圍。例如，可以測量和量化對疼痛敏感的任一片幾體系統(tǒng)的活動 (例如，自主神經系統(tǒng)，發(fā)汗或皮膚電反應(GSR)，眼睛流淚，前額上 的肌肉-額肌、輪匝肌、眼睛周圍皮膚的收縮等)以確定個體是否正體 驗疼痛。此外，可以利用對任一腦區(qū)域的神經元和/或代謝活動的量敏 感的其他分析形式，例如，肌電圖(electromyogram， EMG)、腦磁圖 (magnetoencephalogram， MEG)、功能石茲共振成虧象(fMRI)、近紅夕卜光i普 (NIRS)或其他光學斷層成像方法(例如，SPECT)等。
盡管結合人類實驗對象詳述了本發(fā)明，本領域的技術人員會理解， 可以利用基本類似的方法從動物獲得同樣的結果。具體地，根據解剖 差異進行調整后，可以對諸如馬、貓、狗等哺乳動物進行與所述對人 的分析類似的分析。最初，這種動物分析可能更普遍是通過比較疼痛 開始前后(例如，外科手術前后)的個體腦活動，應用自身標準，而不 是將實驗對象的腦活動與群體數據相比。然而，本領域的技術人員可
同的方式進行匯編。
正如本領域技術人員所理解的，腦電圖(EEG)通過測量腦產生的電信號的強度和模式來檢測神經生理活動。電信號的自發(fā)振蕩通常稱
為腦波或EEG。 EEG記錄自發(fā)振蕩的電信號和其他的電活動(例如，"噪 聲(noise)"或非腦來源的電活動，由感官刺激引發(fā)的瞬時電位，例如， 事件相關電位(ERPs)等)。EEG通常用于輔助i貪斷兒童和成人的癲癇 癥、占位性病變、神經和精神病癥以及腦功能的其他異常。
在示例性實施方案中，對應腦活動的數據(例如，EEG)用于^r測 和量化實驗對象體驗的疼痛。通過比較實驗對象的EEG數據和一個或 多個數據庫中的數據，對疼痛存在和缺乏時產生的腦波差異以及指示 不同疼痛程度的差異進行統(tǒng)計學評估。例如，可以將實驗對象的EEG 數據與表示對照群體的正常腦波活動的常模性數據比較，所述對照群 體由與該實驗對象基本類似的個體(例如，年齡、性別等)組成。例如， 在通過增加的量化刺激引'入的不同程度的疼痛存在下，進一步將實驗 對象的EEG數據與表示對照群體的腦波活動的比例(caled)或"校準的" 參考數據比較。數據庫還可以包括表示疼痛存在或缺乏時實驗對象腦 波活動的自身常模性數據，和/或從對照群體收集的自我報告參考數 據，這些數據表示該群體內的個體主觀報告疼痛存在(例如，急性、慢 性疼痛)時的腦波活動。數據庫還可以包括群體中的個體和/或所述實 驗對象的病史和身體的和/或神經學檢查結果。本領域的技術人員會理 解，術語數據庫不是用于指代某一特定數據結構。而應該被廣義地理 解為包括存在于任何類型存儲器的任何可檢索的數據記錄的集合。
本發(fā)明涉及用于4企測、量化和成像疼痛的系統(tǒng)和方法，即疼痛量 化指數/圖像(Pain Quantification Index/Image)。該方法包括下述步驟 從由定位于實—驗對象的頭皮和前額上標準位置的不同數目的電才及記錄 的腦電活動中提取定量腦電圖(quantitative electroencephalograph, qEEG)特征，將腦波數據與年齡適當的常模性數據比較以生成標準的 或Z-得分的結果數據，以及確定作為結果數據的函數的實驗對象體驗 的疼痛的存在和/或持續(xù)性和/或強度。數據庫對應下述的至少一種(i) 群體常模性數據，表示第一群個體無疼痛時的腦波活動，(ii)群體參考 數據，表示第二群正常個體在應答施予所述個體的 一 系列校準的疼痛 時產生的腦波活動，(iii)主觀性群體參考數據(慢性和急性的)，表示第
ii活動；以 及(iv)參考數據群(population of reference data)(慢性和急性例)，反映第 四群個體在干預后的腦波活動，所述干預已經改變了他們對疼痛主觀
報告的陳述。
結果數據可以用于腦內異常qEEG活動最可能的神經解剖產生部 位的來源定位，所述異常qEEG活動通過PDI在頭皮上檢測。低分辨 率電磁斷層成像分析(Low Resolution Electromagnetic Tomographic Analysis, Pascual-Marqui et al 1999)、可變分辨率電；茲斷層成l象分對斤 (Variable Resolution Electromagnetic Tomographic Analysis, Bosch-Bayard et al 2001)或類似的方法是用于顯現這些來源的逆向求 解#支術(inverse solution techniques)的示例?；诤涂寺蔒RI圖i普 (Probabilistic MRI Atlas， Evans et al 1993)的4黃斷層、矢狀層或冠狀層圖 示計算的來源，使用調色板顏色編碼各腦區(qū)域的每一體素(voxel)以表 現;險測的來源的統(tǒng)計學意義。這些LORETA圖^象可以通過4義器來計 算，所述儀器使用按照國際10/20電極放置系統(tǒng)(International 10/20 Electrode Placement System, Jasper 1958);故置在頭皮上的合適電才及排 列并執(zhí)行來自由個人臺式電腦或筆記本控制和分析的一組數字放大器 的所有計算。
圖1顯示了本發(fā)明用于檢測疼痛的系統(tǒng)1的示例性實施方案。該 系統(tǒng)1包括疼痛檢測儀器(PDI) 16，其提供對實驗對象20在給定時間 體驗的疼痛的客觀的證實，以及任選的量化。在示例性實施方案中， 應用的PDI 16為用于臨床和非臨床情形下的輕便手提式設備。在后一 情形的實例中，EMT或本領域其他醫(yī)療人員可以利用PDI 16沖全測和/ 或量化實驗對象體驗的疼痛以便，例如，確定合適的疼痛管理策略， 或結合觸it等輔助作出初診?？梢詫⑼ㄟ^例如比較實驗對象的EEG凄史 據與疼痛量化指數量化的疼痛記錄在患者檔案、工作相關創(chuàng)傷的雇主
檔案等中以便將來參考。本領域的技術人員會理解，可以在其他多種 情形下使用PDI 16，這些情形包括，但不限于急性和/或慢性疼痛的管 理、康復治療、治療處方、治療功效的評估、監(jiān)測或調控包括患者自 控鎮(zhèn)痛(PCA)遞送在內的對患者鎮(zhèn)痛藥的遞送、區(qū)分疼痛的水平、通過合適的神經反饋模式減弱疼痛等。
PDI 16與電極8連接以接收對應于實驗對象20的腦活動的電數據。相似的電極;改置可以用于記錄SEP或EEG。以il"如國際10/20電極放置系統(tǒng)(Jasper 1958)的標準排列，或者以選擇的頭、前額或頰上的有利位置放置電極。定量分析電數據以生成數字定量EEG (qEEG)數據和/或定量體感誘發(fā)電位(qSEP)數據，然后將其與數據庫6中的參考數據比較。正如本領域技術人員理解的，數據庫6可以儲存在PDI16內的存儲器內或者可以經由無線或有線連接從例如遠程存儲器獲取?？蛇x擇地，數據庫6的部分可以本地-賭存而其〗也部分/人一個或多個遠程區(qū)獲取。如下文更詳細的描述，數據庫6中的參考數據對應從下述個體檢測到的腦波數據(i)正體驗從無疼痛到極度疼痛的不同程度疼痛(沖交準的疼痛標準)的個體，疼痛由實驗確定并在下文作了進一 步說明；(ii)在無疼痛時觀察到的具有急性或慢性疼痛的個體(實驗對象20)(自身參考標準)；和/或(iii)自我報告疼痛(急性的或慢性的)的個體。實驗
4可疼痛的量化。EEG凄t據和/或SEP數據的變化可以與數據庫6中的條件(condition)相關。例如，在疼痛治療方案/程序中，將治療前后的實驗對象的腦波數據與參考數據比較可以用于量化所述治療或程序的神經生物學功效，和/或指導另外的治療。
在構建數據庫6的過程中，可以針對群體中的每一個體生成EEG和/或SEP,且分析EEG和SEP以生成參考數據。例如，可以分析靜息EEG和/或SEP以提取與個體的主觀性疼痛(及相應的強度和/或持續(xù)性)報告相關的特征。如本領域技術人員理解的，EEG功率譜中的峰反映電極8抽樣的腦區(qū)域內不同神經元集合的自發(fā)活化。SEP的波形中的連續(xù)峰對應于對施予實驗對象20的刺激相關的信號經過神經系統(tǒng)連續(xù)的解剖區(qū)域，例如，內側丘系通路結構時的處理。EEG功率i普的形狀和/或SEP中的峰的時限(timing)(例如，潛伏期)提供了關于神經系統(tǒng)功能和通過神經元傳遞通路的信號處理的信息。
具體地，當從頭皮特定部位記錄時，功率的明顯變化可能發(fā)生在EEG功率譜的特定頻率，在優(yōu)選的示例性實施方案中所述頭皮特定部位為前額葉背外側導聯(lián)、前額葉框周(periorbital prefrontal)導聯(lián)、扣帶 回前部(anterior cingulate gyrus)上方的內俯J額葉(mesial frontal)導耳關，7于
活動來自到達對應疼痛感覺的皮層區(qū)的急性或慢性疼痛感覺輸入。這 種對疼痛的明顯反應/人凄t據庫6提取，并用于定義構成"qEEG疼痛判 別函數(discriminant function), Pl"的關鍵特征集的"qEEG疼痛標簽 (pain signature)"。
可以以才莫擬或數字形式記錄EEG數據。正如本領域技術人員理解 的，如果以模擬形式記錄所述數據，則該數據是數字化的，并且隨后 可以進行人為操作或任何其他確保質量的程序。隨后，從質量合格的 數字數據中提取選擇的特征集。簡而言之，從獲得的全部數據集中提 取與體驗的疼痛的評估特別相關的來自qEEG數據的選定特征集，并 與包括下述至少一個在內的參考數據比較(i)群體常模性數據，表示 個體無疼痛時的腦波活動，(ii)群體參考數據，表示個體在應答施予他 們的疼痛事件時產生的腦波活動，(iii)主觀性群體參考數據(subjective population reference data),表示個體在才艮告疼痛感覺時的腦波活動， 以及(iv)參考數據群，表示個體在改變主觀疼痛報告的干預后的腦波活 動。之后，分別在步驟130和135中，針對提取的特征計算單變量或 多變量(例如，馬氏距離(Mahalanobis distance))數據特征，并且在適當 的情形下轉化這些特征以獲得正態(tài)高斯分布。正如本領域技術人員可 以理解的，變化的真實值或差異分數可以交替作為標準，不需這些轉 化或獲得標準分數。
例如，在提取選定特征集程序的第一步中，使用ANOVAS和其 他統(tǒng)計學方法以在外部qEEG數據庫內檢出特征"A"(或其他標準值)， 所述特征在感興趣的兩組或更多組(諸如體檢疼痛的個體與無疼痛的 個體比較)之間有顯著的差異。然后，來自第一步的結果，即特征"A" 的集合被輸入到諸如多重逐步判別函數的分類器函數(classifier function)，其結果(a)本身作為分類器函數被隨后考慮為疼痛評估策略 的部分和/或(b)用于簡化特征數目得到更敏感的特征"B"集合以進入可 能包括，例如，聚類分析的下一步驟。輸入特征"B"集合進行聚類分析，
14其結果(a)本身作為分類器函數被隨后考慮為疼痛評估策略的部分和/ 或(b)用于簡化特征數目得到更敏感的特征"C"集合,其可以單獨使用或 與特征"A"或"B"集合組合作為邏輯回歸(logistic regression)的輸入。類 似地，可以使用神經網絡，其接收從qEEG數據提取的大的未經選擇 的特征集作為輸入并輸出簡化的特征"D"集合，所述簡化的特征"D"集 合本身作為分類器函數可以隨后被考慮為疼痛評估策略的部分和/或
用于簡化特征數目以得到更敏感的特征集，其與特征"A"的集合和/或 特征"B"的集合和/或特征"C"的集合組合輸入邏輯回歸。可選擇地，正 如本領域技術人員所理解的，單一的分類器函數可以用于評估感覺到 疼痛的可能性，且可以將來自單一分類器函數的結果與來自數據庫的 數據比較以確定疼痛存在與否以及其強度和/或類型。
此后，如下文將更詳細地描述的，將數據輸入一個或多個分類器
的個體亞組在統(tǒng)計學上關聯(lián)起來。本領域的技術人員會理解，可以利 用代表相似數據或其他預先確定的標準的查找表或其他結構來取代所 述數據庫。通過將諸如回歸的決策分類器函數應用到個體數據，可以 確定個體^皮恰當地分到具有確定程度和/或類型的疼痛的組內的統(tǒng)計 學可能性?；貧w模塊(優(yōu)選實施方案是邏輯回歸)符合普通的斜率累積 模型，其是基于應答類別(response categories)的累積概率而不是個體概 率的平行線回歸模型。考慮進n個個體的k個預測變量，所述模型為 Log [p,/l陽； J = a +似7++…。
這一等式應用到個體，并作出疼痛評估，所述等式事先已經基于 包括耐受不同量/類型的疼痛的個體和實驗對象的數據庫驗證過。本領 域的技術人員會理解，在其它實施方案中，出于評估疼痛的目的，可 以將任一或組合的判別函數、聚類算法、神經網絡和/或其他分類器函 數應用于該數據。
本領域的技術人員會理解，盡管下文描述的疼痛評估算法180的 示例性實施方案明確地公開了利用聚類分析模塊400、判別分析模塊 500和邏輯回歸模塊這樣的順序的步驟，本發(fā)明的疼痛評估算法可以 包括處于任何特定順序的這些4莫塊的某些或全部。此外，通過各種其他分類器模塊，諸如通過使用神經網絡獲得的規(guī)則也可以并入疼痛評 估算法180以生成對患者預期認知下降的預測。此外，正如本領域技 術人員理解的，對數據庫進行任一或全部改變和分類器算法的改良、
完善或將來迭代后，疼痛評估算法180利用的所有模塊可以重新導出
和/或改進。然而，在優(yōu)選的實施方案中，邏輯回歸是這一程序的最后
步驟。例如，如圖2所示，在步驟1 (200)中，將選擇的特征輸入到諸 如例如判別函數的分類程序中，以確定兩種或多種程度的疼痛的相對 概率。也可以將該分析中確定的特征集輸入到諸如聚類分析和/或邏輯 回歸的其他分類器函數。
例如，在步驟2(210)中，將選擇的特征輸入到諸如例如聚類分析 的分類程序中，以確定實-瞼對象體驗疼痛的相對概率，其對應于反映 不同程度和/或類型的疼痛的兩個或更多個聚類的概率。這一分析中確 定的特征集可以用作諸如判別分析的其他分類器函數和/或邏輯回歸 的選擇的輸入。
然后，在步驟N(220)中，將選擇的特征輸入到例如，諸如回歸和 /或邏輯回歸的分類程序中以確定兩種或更多種狀態(tài)的疼痛的相對概 率。這一分析中確認的特征集也可以用作諸如聚類分析和/或判別函數 的其他分類器函數的選擇的輸入。
此后，如本領域技術人員理解的，在步驟230中，使用接受者操 作特性(Receiver Operating Characteristic (ROC))曲線將由步驟N的分 類器函數計算的概率分數換算為可信度。使用靈敏度對特異性的圖， 可以確定對應于不同P水平的積克率(諸如0.10, 0.05， 0.01等)。如本領i或 技術人員可以理解的，當利用多個分類器函數的計算結果做出疼痛評 估時，可以在步驟240中使用"投票策略(votingstrategy)"將它們結合。 此外，疼痛評估算法可以利用另外的數據(例如，關于先前存在的狀態(tài)、 臨床史/臨床癥狀，神經生物學或遺傳信息的數據)以進一步改進疼痛 評估。
"QSEP疼痛標簽(pain signature)"以類似的方式從介導疼痛感覺的 腦區(qū)域的記錄中導出，所述疼痛標簽反映為患者SEP的振幅、峰潛伏 期或峰之間的間隔、選擇的潛伏點之間的SEP下的面積、選擇的形態(tài)描述符或神經解剖分布的變化，所述患者SEP由不同的校準強度的恒 定電流或紅外激光脈沖經校準的刺激誘發(fā)的。這些刺激被遞送到身體 表面的特定位置(例如，手腕的正中神經)或可以直接遞送到與被報告
疼痛最嚴重的區(qū)域最接近的皮區(qū)或身體表面區(qū)域。在這種應用中，SEP
波形可以與校準的常模性數據庫定量比較，或者，如果疼痛是單側的
或以另外的方式局部化的，通過與罹患部位的刺激誘發(fā)的SEPs相對 于相應的或同倫的非罹患的對應側或對照區(qū)域比較?？梢允褂枚喾N數 學技術，諸如獨立的組分分析(ICA)、主要的組分分析(PCA)或區(qū)域或 刺激條件或強度之間的t-沖企驗進行定量的SEP分析(qSEP)以將SEP分 解為定量描述符和將實驗對象的SEP描述符值與常模性描述符值比 較，所述常模性描述符值獲自與上述針對qF,EG描述的那些類似的常 模性或疼痛參考數據庫。疼痛標簽的要素用作"qSEP疼痛判別函數. P2"的變量。
qEEG和/或qSEP用于4僉測實^r對象腦波中的疼痛相關的活動， 以一個或多個參數表示。在qEEG中，參數可以包括，但不限于特定 寬帶頻域(例如，S, ^a,/3,7)的功率，或者使用在腦預先選擇的部分中 的極窄帶(VNB)譜分析量化的某特定頻率中的功率，在腦預先選定部 分之間的任一寬頻帶或VNB頻帶中的功率的一致性和/或不對稱性。 在qSEP中，參數可以包括腦預先選定部分中的潛伏期、振幅和/或任 一峰下面積，總SEP的一致性和/或不對稱性和/或來自腦的4壬4可成對 的相應部分(腦兩半3求之間)的個別峰，同一半J求(半球內)上的任何成對 電極之間的功率比或不同步性。在分析qEEG和/或qEEG時，可以生 成腦內電流源的三維圖像，且參數可以包括在選擇的腦內體素的任一 頻率處的功率和/或電流和/或Z-分數，或者與SEP波形的分析歷元 (analysis epoch)中的特定峰潛伏期或潛伏間隔期相關。
如圖l所示，PDI 16與應用到實—瞼對象20的頭皮的一個或多個 EEG電極8偶聯(lián)，所述實驗對象正在任一選擇的配置(例如，10/20系 統(tǒng))中被分析疼痛的存在。當構建數據庫6時，電極8與群體中的個體 的頭皮連接。本領域的技術人員會理解，任何常規(guī)的EEG生物傳感器 電極可以與本發(fā)明聯(lián)用，且電極8可以是可重復使用的或一次性的。例如，電才及8可以是預l交化的、自粘式 一 次性電才及。可選4奪地，電^f及 8可以有多個小倒鉤、針電極或臨時附著到頭皮的導電圓盤。電極8 也可以利用導電膠體提供對頭皮的迅速和安全的附著，同時限制由電
極8返回的電信號中的干擾噪聲。在其他示例性實施方案中(例如，手 提系統(tǒng))，電極8可以與放置于實驗對象20的頭上的帽狀物連接，所 述帽狀物適應將電極8置于相對于頭皮的任何選擇的配置 (configuration)。所述帽狀物可以使電極8在非臨床環(huán)境下方便地放置， 并減少了與電極8附著到頭皮相關的問題。在另 一示例性實施方案中， 電極8可以包含在陣列中自粘式材料條中。因此，PDI16可以被配置 為接收來自任何數目和/或類型生物傳感器電極的數據，以及被配置為 分離電極8組的數據，/人而允許，例如，在醫(yī)院病床上、神經創(chuàng)傷ICU、 多醫(yī)院創(chuàng)傷網絡等中例如多個患者的同時使用。在這一實施方案中， 凄史據庫6可以由幾個實體同時組成。電極8可以通過有線或無線連4妻 與PDI 16連結。使用有線電極，導聯(lián)可以將信號從電才及8傳遞到PDI 16，而用無線電極，無線電頻率信號利用無線電頻率發(fā)射器可以將信 號傳遞到PDI 16。 PDI 16包括接收裝置(例如，電纜連接器、無線電頻 率接收器)來接收來自電極8的信號。因為PDI 16可以被配置為接收 來自多個實驗對象上的電極的信號，系統(tǒng)l可以在多張病床、神經創(chuàng) 傷ICU、多醫(yī)院創(chuàng)傷網絡等應用。刺激器13可以(通過連接器)與PDI 16 連結或整合，例如，當監(jiān)測SEP和/或構建數據庫6時。刺激器13可 以將一個或多個疼痛事件以某一選擇的反復率施予實驗對象20和/或 群體中的個體，通常為l秒5-ll個脈沖，或以任意的間隔。刺激器13 可以包括或受軟件控制，所述軟件用于改變疼痛事件的類型、強度和/ 或持續(xù)時間以生成SEP和腦活動刺激的多種類型的疼痛，例如，神經 性、肌肉骨骼性或內臟性的、單側或雙側的、局部的或全身的、急性 的或慢性的、情緒的或精神的疼痛等。
為了比較區(qū)域敏感性以及避免習慣化(habituation),可以通過PDI 16控制刺激部位和/或強度。疼痛事件在類型和/或持續(xù)時間上可以變 化，從模擬瞬時疼痛到慢性疼痛。刺激器13可以利用電、機械、化學、 光學和/或熱枳4成裝置和/或作用于聽覺的聲音或作用于3見覺的場景來模擬疼痛事件。例如，刺激器13可以將電擊，激光刺激、壓縮力和/ 或溫度變化施加于個體以引發(fā)"精神疼痛"。在一個示例性實施方案中， 刺激器13將可變的電流或激光能量施加于感覺神經(例如，腕關節(jié)的 正中神經、踝關節(jié)的脛后神經、皮膚表面等)以使施予的疼痛的量可以
精確控制，同時PDI 16測量個體與疼痛發(fā)作關聯(lián)的腦活動以捕獲SEP 數據，以及對應于個體體驗的疼痛的其他數據，例如qEEG、聽覺誘 發(fā)電位、 一見覺誘發(fā)電位、EKG等。
可以設計多式刺激以區(qū)別精神疼痛(例如，情緒的或心理的)和身 體疼痛，且可以包括圖解視覺圖像或聲音的反復出現，特別是在評估 患有創(chuàng)傷后壓力失調(PT S D)的患者時。
電極8可以放置在選擇的部位上方，或在傳統(tǒng)的10/20系統(tǒng)中， 以收集腦波并從中生成EEG和SEP數據。利用信號源定位算法，例 如，低分辨率電磁層析成像分析(LORETA)、可變分辨率的電磁層析成 像分析(VARETA)等，也可以利用這些腦波來構建三維腦圖像。利用 這些方法，可以評估反映意識、疼痛的性質和強度的腦區(qū)，其包括， ^旦不限于前額皮質的背外側、內側、中間和眶周區(qū)，島葉，扣帶回的 前、中和后區(qū)，中央和頂葉皮質的體覺區(qū)，杏仁核，豆狀核和丘腦。 電極8可以放置于選擇的區(qū)域上方，或放置在傳統(tǒng)的10/20系統(tǒng)中以 收集腦波并從中生成EEG和SEP數據。
由電極8監(jiān)測的電信號傳遞到PDI 16中的高增益、低噪聲放大器 17,然后通過濾波裝置19過濾以檢測和除去信號的人為污染。在電信 號中檢測人為假像(artifact)可以通過下述方法實現，例如，(l)檢測相 對于統(tǒng)計學參數的非平穩(wěn)性，所述參數來自EEG多個連續(xù)的2.5秒長 區(qū)|爻的滑動窗口 (sliding window) ， (2)應用定義諸如EMG(身體)，EKG (心率)和/或眼電圖(眼運動)的常見人為假像(artifact)的特征的 一組規(guī) 則，(3)4吏用獨立的組分分析(ICA)通過多變量統(tǒng)計學程序和/或分形維 數分析以鑒定人為假象。如本領域技術人員可以理解的，濾波裝置19 最小化了噪聲和/或其他來自例如，實驗對象的運動、電極放置松動、 干擾等其他人為假象的影響以生成代表和局限于實驗對象20的腦活 動的數據。可以借助從動屏障來保護電極以減少人為假像。去除人為現象后，使用諸如快速傅里葉變換(FFT)、微浪分析或分 形維數分析的在大約2.5秒長的EEG的樣本上進行的信號處理技術， 可以對EEG進行光譜分析。EEG功率譜可以分為寬帶(例如，低S (0.5-1.5Hz)，高S (1.5隱3.5Hz), 0 (3.5-7.5Hz),低a (7.15-10Hz),高a (10.0-12,5Hz)， /3 (12.5-25Hz)1;低/y (25-35Hz),高7 (35-50Hz)和特高 (50-200Hz))?？梢杂嬎闼袑?lián)的所有頻率相對所有導聯(lián)的所有頻率 的方差-協(xié)方差矩陣以評價頻譜和雙頻譜。也就是說，所有導聯(lián)內和所 有導聯(lián)間的不同頻率之間的相位關系和相位相干性會被檢測。
可選擇地，頻語可以分為寬度大約為0.39-0.50Hz的極窄帶(VNB)。 絕對功率和相對功率、單極和雙極偏差(derivation),雙側對稱、對應 導聯(lián)之間的相干性和雙相干性、所有成對導聯(lián)之間的相干性和雙相干 性和功率梯度以及上面所列特征的多種組合的多變量壓縮(例如，馬氏 距離)可以計算出并表達為相對于常模分布的分數(例如，Z-分數)。類 似地，分形維數可以在一個和兩個之間變化，可以構建分形數據庫， 可以計算針對疼痛存在或不存在時來自不同電極的EEG的分形Z-分 數。
;故大器17放大由電極8監(jiān)測的電信號，使用例如，約100,000dB 的放大增益，高輸入阻抗(約1兆歐姆)，約0.5Hz-1500kHz的寬帶和/ 或低于約1/xV的噪聲水平。放大器17可以包括輸入絕緣電路以免電 流泄漏，諸如光電二極管光發(fā)射二極管絕緣聯(lián)結器，且可以通過本領 域已知的射頻濾波器和/或60-循環(huán)陷波濾波器保護其免受電干擾。通 過放大器17輸出來自每一電極8的放大的電信號，且通過模擬變數字 轉換器(analog-to-digital converter, ADC) 18將其轉換為數字信號，在 示例性實施方案中，所述轉換器以每秒約8,000樣本的最小轉化率及 24位的分辨率運4亍。注意的是，這可以通過使用針對每一電極的24 位數字放大器實現。
將數字信號傳送到數字信號處理器(DSP)21，其可能包括在中央處 理器(CPU)25內或與中央處理器(CPU)25電學聯(lián)結。如本領域已知， DSP21利用數字信號處理技術以過濾數字信號，且CPU 25比較DSP 21輸出的信號和儲存于數據庫6的參考數據，所述參考數據本地儲存于PDI 16中的存儲器內(例如，非易失性存儲器)或通過網絡遠程獲取
(例如，因特網、內部網)。本領域的4支術人員會理解，PDI 16可以通 過有線和/或無線連接與網絡聯(lián)結。作為比較的結果，CPU 25輸出表 示是否4企測到疼痛的數據，如果檢測到疼痛，疼痛的量級(即，對應疼 痛指數)。下文將進一步描述數字信號的分析。
PDI 16可以包括或與一個或多個輸入/輸出(I/0)裝置24聯(lián)結。在 示例性實施方案中，PDI 16與顯示實-險對象20的腦波數據(即，EEG)、 參考數據和/或疼痛指數等的顯示器聯(lián)結。PDI 16可以包括用于配置 PDI 16的組件/設置和處理EEG的4建盤、打印EEG和/或包括疼痛指數 在內的其他實驗對象相關數據的打印機，和/或任何其他與PDI 16整 合或可與PDI 16聯(lián)結的其他外周組件。為了與這些或任何其他外周組 件通訊，PDI 16優(yōu)選包括與所述組件通訊的合適的硬件端口和軟件驅 動程序。
qEEG分析可以揭示超出數據庫6中確認的常模性閥值的定量變 量值，表示存在疼痛?？蛇x擇地，從qEEG和/或SEP測量中選擇的樣 本可以輸入一個或多個分類器函數，例如，諸如判別函數和/或回歸方 程以確定疼痛的存在/強度。第一判別函數A評估正體驗疼痛的概率 (A二存在疼痛)，第二判別函數B評估沒有在體驗疼痛的概率(B-沒有 疼痛)。注意，A可以是qEEG疼痛判別函數fi， qSEP疼痛判別函數
或者其和PJ+P2,多模式qEEG加qSEP疼痛判別函數。那么， eA+eB=l,且eA/(l - eB)等于疼痛存在的概率P (從0.00至1.00)。使用 這種方法或其他4壬何合適的方法可以校準疼痛量化指數(PQI)以對應 疼痛的臨床等級，所述等級從無疼痛、不舒服感、輕度疼痛、中度疼 痛、嚴重疼痛到無法忍受的疼痛。本領域的技術人員會理解，可以通 過訓練神經網絡獲得類似結果以達到相同的結論?？梢詫⑺鱿到y(tǒng)設 定為只要PQI至少是閾值水平t-即，只要eA/(1 -eB)>t，則確定實 驗對象正體驗疼痛。取決于假陽性的結果，這一閾值水平可以變化。 例如，系統(tǒng)可以確定實驗對象正在感覺疼痛，只要t值》0.95。對于々支 陽性結果更為嚴重的情況，所述系統(tǒng)可以確定所述實驗對象正感覺到 疼痛，只要值t》0.99。此外，本領域的技術人員會理解，真實的數據可以給出eA+eB的結果，其盡管接近l但不等于l。
當構建數據庫6時，CPU 25指示刺激器13給予個體疼痛事件。 例如，當在個體中進行疼痛敏感度的SEP評估時，CPU25指示刺激 器13以某一重復率(例如，約9.7Hz)給予位于腕關節(jié)正中神經上方的 一對電極恒定電流脈沖波列。以約5mA至約25mA (或至個體認為太 疼痛以至幾乎不能忍受的最大強度)的強度逐步給予約250個脈沖，每 一個具有約200ps的方波持續(xù)時間。每一強度下，將給予脈沖期間生 成的EEG數據在脈沖至脈沖的間隔期內進行頻譜分析(例如，快速傅 里葉變換)以監(jiān)測跨經放大器17的帶寬區(qū)間(例如，約0.5Hz)的每一極 窄帶(VNB)頻率的振幅和相位?？蛇x擇地，EEG的連續(xù)采樣可以用每 一脈沖波列(例如，SEP潛伏期歷元(SEP latency epoch))中每一刺激發(fā) 作開始至恰在下一刺激發(fā)作前的采樣點的每次采樣來平均。因此，構 建-〖皮鎖時(time-locked)到脈沖遞送時間的時間連續(xù)電壓以呈現由每一 刺激引發(fā)的單一體覺誘發(fā)電位的波形。因此，腦活動數據可以用于構 建功率譜或被平均以提供為可更新的平均SEP(ASEP)，其是在每一強 度分別采集的N個采樣的和(例如，鎖時到刺激發(fā)作的250個SEP潛 伏期歷元，除以采樣數)。當計算時，功率譜和/或ASEP值可以儲存在， 例如，PDI16的存儲器內、可移動的存儲介質和/或傳送到遠程存儲設 備。
如本領域技術人員所理解的，腦電活動記錄數據可能被與身體活 動(例如，眼睛活動)、異常的生理事件或周圍環(huán)境電噪聲等有關的電 壓污染。這些電壓通常高于腦活動產生的電壓，本發(fā)明利用算法使這 類污染事件的影響最小化。例如，當通過EEG放大器檢測腦活動時， 通過計算20秒滑動窗口的均方才艮(rms)-電壓且將該rms-電壓乘以選定 常凄t，可以連續(xù)計算EEG通道的可更新的電壓閾值(或者在多于一個 EEG通道的情形下分別計算每一通道的閾值)，以使rms-電壓約為電 信號幅值的0.2標準偏差。過濾EEG以棄去包含大于閾值的電壓的電 信號區(qū)段。在示例性實施方案中，所述閾值是rms-電壓的倍數，約等 于幅值標準偏差的6倍。在其他示例性實施方案中，閾值是預期由腦 活動生成的靜態(tài)值(即，高于該值的所有電壓都被認為產生自人工假象)。通過這些或相似的消除干護C方法/人記錄中去除非腦來源的電活動 后，可以假定剩余的電信號基本上是無人為假象的，且將其匯編形成
連續(xù)的、無人為假象的腦電活動采樣以用于進一步的qEEG或qSEP 處理。通過濾波裝置19使SEP消除噪聲，從而可以除去EEG相關的 正在進行的腦電活動以及剩余的非腦來源的電噪聲，這一點在題目為 "胎兒腦監(jiān)控器"的美國第6,566,861號專利中有描述，該專利的全部內 容通過引用特別并入本文。
重要的是，提供的裝置使PDI適應性監(jiān)測獲得的數據的質量以確 ?？山邮艿臏y試-再測試可信度且確保獲得足夠的信息，同時避免過多 的和/或多余的數據。這一點特別重要，因為數據收集過程可能涉及患 者或實驗對象的不適。盡管維持使操作者收集預先確定量的數據的選 項是理想的，有許多方法，通過這些方法自適應性質量控制可能更有 效地實現。實現此類可信度自我評價的一個示例性手段是在獲得數據 時逐步計算感興趣的所有變量的"變異系數[除以平均值的標準偏差]，，， 或者CV，所述所有變量是例如，諸如每一頻率的VNB頻譜功率或每 一導聯(lián)的SEP幅值。當CV集中于預先選擇的限定可接受度的閾值內， 數據一皮認為是可接受地可信的，即"可再現的"。可選擇地，可以通過 交替地將區(qū)間分配給兩個相互連鎖但獨立的采樣來構建奇偶分半(odd and even split halves),每一個包含，例如，來自約25個刺激的10次 光平均值(light average)以包含250個"奇數"和250個"偶數"采樣的總 數。可以在每一光平均值的每一采樣點計算分半(splithalves)中的每一 個內的標準偏差
<formula>formula see original document page 23</formula>其中v =每一時間點的電壓
V2/N=電壓的平方均值，以及 (V/N"二電壓均值的平方。
當PDI表明個體正體驗疼痛時，表明這一點的測量應該優(yōu)選可信地可以再現。使用如下的每一 時間點t的t-檢驗可以檢驗可再現性
在可選擇的實施方案中，可以利用在具有最小相關性的閾值的整 個波內的交叉相關性，可以接受所述最小相關性以表示可信度。 一旦 在每一時間點的均值和電壓的常模性數據可以利用，本發(fā)明的方法可
以用于檢測以及量化實驗對象20體驗的疼痛。例如，如果檢測的疼痛 顯著性P〉0.05，重復可得到p2<0.0025。來自兩個分半的結果可以合并 (即平均化)顯示，突出顯示重復的顯著性結果。
在另 一 示例性實施方案中，數字梳狀濾波器用于降低電信號中的 噪聲的副作用。例如，系統(tǒng)1可以使用數字梳狀濾波器，其在題目為 "Interoperative Monitoring or EP Evaluation System Utilizing an Automatic Adaptive Self-optimizing Digital Comb Filter，，的美國專利號 4,705,049中描述過，該專利的全部內容通過引用的方式特別地并入本 文。如上文提及的，PDI 16可以利用^t字才危狀濾波器來改善由電極8 采集的電信號的信噪比(signal-to-noise ratio, SNR)。在數字梳狀濾波 器中，使用時控相位變異參數(phase variance parameter)來選擇帶通頻 率以形成梳齒來對應于疼痛事件的存在和不存在。如本領域的技術人 員所理解的，最佳數字過濾可以是用于改善SNR的信號平均化的一個 選擇。例如，如果刺激器13產生約250個體覺事件(每秒9.7事件)用 于信號平均化，SEP與疼痛事件同步，而噪聲是隨機的。當計算SEP 時，將噪聲降低到與刺激例如疼痛事件的數目的平方根成比例。然而， 信號平均化與數字疏過濾相比較慢。因為EEG和周圍的噪聲可以為約 100-250]LiV,簡單的信號平均化后，剩余的非SEP"噪聲"仍可以高達 15jLtV。峰間的SEP幅值大約為2.5jLiV數量級。因此，信噪比可以低至 1:6。通過使用最佳數字過濾可以進一步消除噪聲。
使用諸如"神經度量"(腦電活動的計算機化的量化分析)的預期的 信號常態(tài)(例如，無疼痛)來評價ASEP數據和/或qEEG數據。在神經 度量分析(Neurometric analysis)中，,人qEEG和SEPs中提取特征，并 將其轉換以獲得高斯性(Gaussianity)，與預期的常模值(如上述的群體/自身標準)比較，且以來自正常群體的標準偏差單位(即，疼痛指數)表
達。計算結果可以顯示為腦功能的顏色編碼的地形(topographic )概 率圖，或者時域曲線(電壓相對于潛伏期)的顏色編碼區(qū)段。利用這些 方法極大提高了此類數據的靈敏度、特異性和臨床實用性。疼痛存在 時可以精確地描述qEEG和SEP譜，并將其與無疼痛時的常模語相比。
為了評-階過濾的SEP,將SEP運用算法來自動^^測曲線中幾個峰 中的每一個，所述曲線鎖時到刺激以鑒定每一峰的潛伏期。例如，將 過濾的均值三點平滑(3-point smoothing)后，產生的SEP通過捕獲第二 偏差的零-值并輸出對應于峰的系列時間點的程序接受自動峰檢測。在 最優(yōu)化的過濾的qSEP上標記計算的峰并將其疊加于常規(guī)模板上，且 如上所述，將潛伏期與常模性數據比較，所述常模性數據從對照群體 和/或沒有體驗疼痛的實驗對象20的疼痛實驗中采集。
才艮據本發(fā)明用于#全測實-驗對象20疼痛的方法1200的示例性實施 方案顯示在圖5中。在步驟1202中，初始化系統(tǒng)l并進行校準。PDI 16和I/0裝置24可以裝有動力并設定為根據本文描述的方法學用于疼 痛檢測。可以基于實驗對象數據，例如，高度、重量、年齡、病史等 設定系統(tǒng)1。當確定疼痛的存在和程度時，可以利用實驗對象數據。 例如，可以基于實驗對象數據和實驗對象腦波數據查詢數據庫6。
在步驟1204中，PDI 16^妄收對應于實驗對象20的腦活動(例如， 來自附著于實驗對象20的頭皮的電極8的電信號)的信號。在步驟1206 中，信號以上文描述的方式經PDI 16處理。也就是說，實驗對象20 的qEEG和/或qSEP數據用于生成對應于腦活動的數據，所述腦活動 對應于實驗對象20體驗的疼痛。如上文所述，過濾并平滑信號以降^氐 周圍噪聲和人為假象的影響。
在步驟1208中，將腦活動數據與參考數據比較以確定疼痛是否存 在。將腦波數據與數據庫6中的參考數據比較，返回對應于疼痛指數 的值(即，對應于實驗對象20體驗的疼痛程度)并經1/0裝置24輸出。 當腦波數據表明存在疼痛時，將這一方法進行到可選的步驟1210，在 此將疼痛量化為PQI。
本發(fā)明使實-驗對象的疼痛得以客觀驗證。在臨床和非臨床環(huán)境中，確定疼痛的存在是有利的。例如，在訴訟中，經?；谠馐艿奶弁匆?及疼痛是否是可治療的或〗曼性的來判定賠償金。疼痛的客觀驗證〗吏賠 償金的計算更為精確。
對本領域的技術人員顯而易見的是，在不偏離本發(fā)明的精神或范 疇下，可以對本發(fā)明的結構和方法學作出各種改進和變化。因此，本 發(fā)明意在包括該發(fā)明的改進和變化，只要它們在隨附的權利要求和其 等同物的范圍內。
權利要求
1.檢測實驗對象的疼痛的方法，包括下述步驟生成基于所述實驗對象的腦波活動的腦波數據；將所述腦波數據與參考數據比較以生成結果數據，所述參考數據對應于下述中的至少一種(i)群體常模性數據，表示第一群個體無疼痛時的腦波活動；(ii)群體參考數據，表示第二群個體在應答施予所述第二群個體的疼痛事件時產生的腦波活動；(iii)主觀性群體參考數據，表示第三群個體報告疼痛感覺的腦波活動；以及(iv)參考數據群，表示第四群個體在干預后的腦波活動，所述干預改變了疼痛的主觀性報告；以及確定所述實驗對象體驗的疼痛的存在，其為所述結果數據的函數。
2. 如權利要求l所述的方法，其中所述參考數據是疼痛量化指數， 其包括對應于多種疼痛程度和多種疼痛類型中的一種的值。
3. 如權利要求2所述的方法，其中所述疼痛類型包括慢性的和急 性的。
4. 如4又利要求2所述的方法，其還包括將所述腦波數據輸入第一分類器函數A，所述函數A表示正感覺 到疼痛的積克率；以及將所述概率與所述疼痛量化指數中的值比較。
5. 如權利要求2所述的方法，其還包括將所述腦波數據輸入第 一分類器函數A和第二分類器函數B，所 述函數A表示正感覺到疼痛的概率，所述函數B表示沒有感覺到疼痛 的概率；計算所述實驗對象正體驗疼痛的概率P，其中P等于eA/(l - eB);以及將所述概率P與所述疼痛量化指數中的值比較。
6. 如權利要求5所述的方法，其中分別為A和B的所述第一和 第二分類器函數是判別函數。
7. 如權利要求2所述的方法，其還包括將所述腦波數據輸入分類器函數A和第二分類器函數B，所述函 數A表示正感覺到疼痛的概率，所述函數B表示沒有感覺到疼痛的概 率；通過將基于eA的值與基于1 - eB的值比較來計算所述實驗對象正 體—瞼疼痛的概率p;以及基于判別分數的概率大于0.5當所述概率P至少為閾值水平時，使用邏輯回歸計算所述疼痛的 預期強度和預期類型中的一種。
8. 如權利要求7所述的方法，其中所述閾值水平為至少0.95。
9. 如權利要求7所述的方法，其中所述閾值水平為至少0.99。
10. 如權壽>*^2所述的方法，其中利用神經網絡分析所述腦波 數據以計算正感覺到疼痛的概率以及感覺到的疼痛的預期強度和感覺 到的疼痛的預期類型中的一種。
11. 如權利要求1所述的方法，其中所述腦波數據和所述結果數 據中的 一種作為用于神經生物反饋的"靶"刺激呈遞給所述實驗對象， 使所述實驗對象通過精神重置感知闊值來降低疼痛的感覺和強度中的 一種。
12. 如權利要求1所述的方法，其中所述腦波數據來自定量腦電 圖(EEG)、體覺誘發(fā)電位(SEP)、腦磁圖(MEG)、功能MRI(fMRI)、正電子發(fā)射斷層(PET)成像、單光子發(fā)射計算機斷層(SPECT)成像和近紅 外光譜(NIRS)中的一種。
13. 如權利要求1所述的方法，其中所述參考數據來自下述的至 少一種腦電圖、腦磁圖、近紅外光譜、功能MRI(fMRI)研究、正電 子發(fā)射斷層(PET)研究、來自選擇的肌肉組的肌電圖(EMG)、神經狀況 研究、單光子發(fā)射計算機斷層(SPECT)成像、皮膚電反應、心率和血 壓。
14. 如權利要求13所述的方法，其中所述腦電圖包括來自誘發(fā)和 事件相關電位中的一種的數據。
15. 如權利要求13所述的方法，其中所述選擇的肌肉組包括額肌、 輪匝肌和眼睛周圍皮膚中的至少一種。
16. 如權利要求l所述的方法，其中所述疼痛事件包括聽覺、電、 激光、熱、機械和化學刺激中的至少一種。
17. 如權利要求1所述的方法，其中所迷主觀性群體參考數據還 包括病史、身體檢查結果和神經學檢查結果中的至少一種。
18. 如權利要求1所述的方法，還包括定量由所述實驗對象體驗 的疼痛程度，其為所述結果數據的函數。
19. 如權利要求13所述的方法，還包括調節(jié)通過患者控制的麻醉 器械給予所述實驗對象的鎮(zhèn)痛劑的量，其為所述結果數據和所述疼痛 程度的函數。
20. 如權利要求1所述的方法，還包括將至少一個生物傳感器電 極可移動地連接到所述實驗對象的頭皮和前額至少之一。
21. 如權利要求20所述的方法，還包括通過所述至少一個生物傳感器電極檢測系列電壓振蕩以生成所述腦波數據。
22. 如權利要求1所述的方法，其中所述實驗對象是人。
23. 如權利要求l所述的方法，其中所述實驗對象是貓、狗、馬、 和非人靈長類動物中的一種。
24. 才企測實驗對象的疼痛的方法，包括下述步驟 才全測對應于所述實驗對象體驗的疼痛感覺的預定生理活動以生成主題數據；將所述主題數據與參考數據比較以生成結果數據，所述參考數據系列生J里活動；以及確定所述實驗對象體驗的疼痛的存在，其為所述結果數據的函數。
25. 如權利要求24所述的方法，其中所述預定的生理活動是(i)腦 波活動，(ii)自主神經系統(tǒng)活動，(iii)發(fā)汗，(iv)皮膚電反應(GSR)和(v) 眼睛流淚中的至少一種。
26. 如權利要求24所述的方法，其中所述參考數據對應于下述的 至少一種(i)群體常模性數據，表示第一群個體無疼痛時的腦波活動， (ii)群體參考數據，表示第二群個體在應答施予所述個體的疼痛事件時 產生的腦波活動，(iii)自身常模性數據，表示所述實驗對象無疼痛時的 腦波活動，以及(iv)主觀性群體參考數據，表示第三群個體報告疼痛感 覺的腦波活動。
27. 如權利要求24所述的方法，其中所述群體參考數據來自下述 的至少一種(i)腦電圖，(ii)磁電圖，(iii)近紅外光譜，(iv)來自選擇的肌肉組的肌電圖(EMG)， (v)體覺誘發(fā)電位(SEP)， (vi)皮膚電反應和(vii)血壓。
28. 如權利要求27所述的方法，其中所述選擇的肌肉組包括額肌、 輪匝肌和眼睛周圍皮膚的至少一種。
29. 如權利要求24所述的方法，其中所述疼痛事件包括聽覺、電、 激光、熱、機械和化學刺激中的至少一種。
30. 如權利要求24所述的方法，其中所述參考數據是疼痛量化指 數，其包括對應于多種疼痛程度和多種疼痛類型中的一種的值。
31. 如權利要求24所述的方法，其中所述疼痛類型包括慢性和急 性疼痛。
32. 如權利要求30所述的方法，還包括生成作為所述結果數據的函數的值，該值表示所述實驗對象體驗 的疼痛；以及將所述值與所述疼痛量化指數中的值比較，以確定所述實驗對象 體驗的疼痛程度。
33. 4全測疼痛感覺的i殳備，其包括接收來自多個腦電圖(EEG)電極的電信號的接收裝置； 生成腦波數據的處理器，所述數據基于由EEG電極檢測的實驗對 象的腦波活動；存儲器，用于儲存對應于下述至少一種的參考數據(i)群體常模性 數據，表示第一群個體無疼痛時的腦波活動，(ii)群體參考數據，表示 第二群個體在應答施予所述個體的疼痛事件時產生的腦波活動，(iii)自身常模性數據，表示所述實驗對象無疼痛時的腦波活動，以及(iv) 主觀性群體參考數據，表示第三群個體報告疼痛感覺的腦波活動，其中所述處理器將所述腦波數據與所述參考數據比較以生成結果數據，所述處理器確定作為所述結果數據函數的所述實驗對象的疼痛的存在。
34. 如權利要求33所述的設備，其中所述接收裝置是電纜連接器 和無線信號接收器中的一種。
35. 如權利要求33所述的設備，其還包括顯示所述腦波數據和所 述結果數據中的至少一種的顯示器。
36. 如權利要求33所述的設備，其還包括與刺激器連接的刺激器 連接器，所述處理器控制所過;刺激器給予所述疼痛事件。
37. 如權利要求36所述的設備，其中所述疼痛事件包括電、激光、 熱、機械和化學刺激中的至少一種。
38. 檢測實驗對象疼痛的方法，其包括下述步驟 生成基于所述實驗對象的腦波活動的腦波數據；將所述腦波數據輸入表明正感受到疼痛的概率的第 一判別函數 A;以及將所述概率與疼痛量化指數中的值比較以確定疼痛的存在。
39. 如權利要求38所述的方法，其還包括 將所述腦波數據輸入表明無疼痛的概率的第二判別函數B;以及 計算所述實— 驗對象正體驗疼痛的概率P,所述概率P等于(1-eB);以及將所述概率P與疼痛量化指數中的值比較以確定疼痛的存在。
全文摘要
檢測個體疼痛的方法包括生成基于實驗對象腦波活動的腦波數據并將所述腦波數據與參考數據比較以生成結果數據，以及確定作為結果數據的函數的該實驗對象體驗的疼痛的存在。所述參考數據對應(i)群體常模性數據，表示無疼痛的第一群個體的腦波活動，(ii)群體參考數據，表示第二群個體在應答施予他們的疼痛事件時產生的腦波活動，(iii)主觀性群體參考數據，表示第三群個體報告疼痛感覺時的腦波活動，和/或(iv)參考數據群，表示第四群個體在改變主觀疼痛報告的干預后的腦波活動。
文檔編號A61B5/04GK101677775SQ200880017241
公開日2010年3月24日 申請日期2008年4月4日 優(yōu)先權日2007年4月5日
發(fā)明者埃米爾·希斯格爾, 歐文·羅伊·約翰, 萊斯莉·S·普利凱普 申請人:紐約大學