專利名稱：用于產生反映醫(yī)學狀態(tài)的嚴重程度的定量測量的系統(tǒng)和方法
技術領域：
本發(fā)明涉及一種系統(tǒng)，用于產生反映醫(yī)學狀態(tài)(medical condition)的嚴重程度 的定量測量。本發(fā)明進一步涉及一種成效(success)監(jiān)視系統(tǒng)和一種方法，用于通過執(zhí)行 定量測量為至少一種探測化合物(probe compound)確定成效指標(success indicator)。
背景技術：
阿爾茨海默(AD)類型的癡呆是老年人中最普通的一種癡呆。阿爾茨海默病的診 斷主要是基于標準化的臨床標準(Small等人，JAMA 1997)。診斷的基石是借助于定量的神 經系放射學方法(CT，MRI，SPECT，PET)和主觀的神經心理學所獲得的來自病人及其親屬的 癥狀的詳細歷史。上述對于AD的臨床診斷的準確性對輕微或中等損傷的病人是相當好的。
W0 2006/094797公開了一種方法和系統(tǒng)，用于為神經狀態(tài)產生識別信號，其提供 了至少一種具有神經心理學作用的探測化合物。該參考文獻可以分為兩部分，一部分定義 了一個參考分布，另一部分使用這個參考分布產生識別信號，也就是查明對象是否遭受特 定的疾病。 在第一部分，從遭受特定疾病的指定組中(例如一組阿爾茨海默病患者，也可以 是一組健康的對象)的參考候選者收集數據，并使用這些數據定義參考工具。這是通過使 用下面的步驟完成的；定義特征屬性域V，其中包含特征的各種組合作為域元素。作為一個 例子，如果特征的數量是3，fl，f2和f3，特征屬性域V可以例如被定義為V= Kfl，f2); (fl，f3) ;(f2，f3M，其中fl，f2和f3可以是絕對delta能量(the absolute delta power)、 絕對theta能量和絕對alpha能量。對于指定組(例如組A)中的每個單獨的對象，根據域 元素計算后驗概率向量P二 (P(fl，f2) ;p(fl，f3) ;p(f2，f3)}。后驗概率向量的向量元素 表明特定的參考對象關于特征屬性域V是否屬于例如組A的指定組的可能性?，F在執(zhí)行過 濾過程，去除高于或者低于預定閾值的那些向量或向量元素。閾值可以例如選擇"0.7"。這 樣，如果對于組A中的指定對象，后驗概率向量為P二 {0.9 ;0.8 ;0.95}，這表明這個特定的 對象是在參考分布中使用的期望的候選者，相反，具有P = {0.9 ;0. 1 ;0.5}的參考對象不 會被考慮作為潛在的候選者(或者至少不是P的最后兩個元素)。對指定參考組(例如遭 受阿爾茨海默病的一組對象)中的所有候選者都執(zhí)行這樣的過濾過程。對例如組A中的所 有對象執(zhí)行這樣的過濾過程之后，選出關于域元素(fl， f2) 、 (fl， f3) 、 (f2， f3)具有相似特
性的對象。參考工具是這樣的參考分布，其中X軸是域元素V(也就是(fl， f2) ;(fl， f3);
(f2，f3))，y軸上是對象分別屬于(fl，f2)、 (fl，f3)、 (f2，f3)的概率。這樣，形成了由這 三個x值的分布所組成的"域"。 在第二部分，為試驗對象/病人測量關于試驗對象群體的相似的生物信號數據。 執(zhí)行相似的計算，也就是計算后驗概率向量P = (P(fl，f2) ;p(fl，f3) ;p(f2，f3)K最后， 將P的值與參考對象的分布進行比較，也就是檢查P的值是否位于上面所討論的分布之內。 如果例如P的所有元素位于這個分布之內，很有可能這個試驗對象屬于組A，例如具有阿爾
5茨海默病。如果僅是P的部分元素位于這個分布之內，那么可以表明應進一步檢查這個對象。 WO 2006/094797的結果是，能夠早于其它現有技術的方法診斷出遭受神經疾病的
對象。這樣，有可能治愈該神經疾病或者防止該神經疾病變得更加嚴重。 然而，WO 2006/094797沒有以任何形式表明特定的治療是否成功。 為了改進治療并且能夠監(jiān)視治療的成效，需要測量疾病的嚴重程度。例如，如果一
個藥品開發(fā)公司有一些候選藥品并且需要在其中進行選擇，那么對這些候選者功效的比較
是必須的。 根據研究對象的認知損傷的嚴重程度確定疾病的嚴重程度。不存在用于這個目的 的公知的定量測量。估計AD嚴重程度的一種方式是通過簡易智力狀態(tài)檢查量表(匪SE)。 這個試驗對于下面一些能力敏感，比如短期記憶、理解簡單指令的能力、解決簡單問題的表 現、對于時間和位置的意識等。這個試驗結果產生范圍在0-30的數值分數。這樣評估疾病 的嚴重程度的主要問題在于它是與癥狀有關的和主觀的。它并沒有直接聯系到疾病的生理 病狀。這意味著評估依賴于對象的社會和環(huán)境背景。例如，受到長期學校教育的阿爾茨海 默病病人比起那些僅接受了基礎教育的病人傾向于獲得更高的匪SE分數。匪SE的結果還 依賴于對象當天的狀態(tài)。這個試驗還有的另一個問題是如果試驗重復進行，病人可以學習 試驗過程和答案，監(jiān)視和開發(fā)治療時也正是這種情況。這些不足導致的結果是為了獲得足 夠的統(tǒng)計意義的需要，藥品開發(fā)和其它治療手段的開發(fā)要求極其廣泛的臨床試驗。

發(fā)明內容
本發(fā)明的目的是通過提供一種能夠進行定量測量的系統(tǒng)和方法來克服上述缺點，
所述定量測量對疾病病狀的生理情況敏感。 根據一個方面，本發(fā)明涉及一種系統(tǒng)，用于產生反映醫(yī)學狀況的嚴重程度的定量 測量，包括 參接收器單元，用于接收從M個病人組成的人群收集的生物信號數據，所述人群
被選擇為所述病人具有不同程度的醫(yī)學狀況， 參處理器，適用于-使用所述生物信號數據作為輸入，用于為所述人群中每個病人確定參考特征值， 根據預定組的參考特征[f"... ，fN]進行所述確定，并產生參考特征向量FL..M二 [值(f》， 值(&)，...，值(。]，接著將所述病人的所述參考特征向量組織成MXN的矩陣A，和
-將所述矩陣A轉換為所述特征的不相關線性組合Xl fs+x2 fp. . . xn ft，其中指 數A. . . ，Xn說明了所述數據中的差異，其中指數Xl. . . ，xn的大小表明所述醫(yī)學狀況的嚴重 程度。 因而斷定，代替定性測量，提供了一種反映醫(yī)學狀況的嚴重程度的定量測量。這 樣，用該測量反映醫(yī)學狀況的嚴重程度的可靠性變得非常高。作為一個例子，對于4個不 同的特征(例如生物信號數據是EEG數據，特征l是絕對theta能量；特征2是總熵(the total entropy);特征3是相對gamma會g量(therelative gamma power);特征4是峰值頻 率)和例如40個病人的人群，矩陣A將由4列40行(或相反)組成。特征的線性組合可
絕對ga腿a能量15總熵；0. 10絕對theta能量；0. 05峰值頻率。i亥鄉(xiāng)且^M不了 f頁g鄉(xiāng)且牛寺tlE fi勺^，排列。這說明，受特定疾病(如阿爾茨海默病)的癥狀影響最深的特征是絕對gamma能量， 其次是總熵等。 在一個實施例中，所述醫(yī)學狀況是神經狀況。 在一個實施例中，所述神經狀況是阿爾茨海默類型(AD組)。 在一個實施例中，所述神經狀況選自 參阿爾茨海默病， 參多發(fā)性硬化癥， 參包括抑郁性障礙的精神疾病 參雙相情感障礙和精神分裂性障礙， 參帕金森病， 參癲癇，偏頭痛， 參血管性癡呆(VaD)， 參額顳癡呆， 參路易體癡呆， 參克雅氏病， 參vCJD (瘋牛病)，和 參AD/HD (注意缺陷/多動障礙)。 在一個實施例中，所述接收器適用于耦合到腦電圖(EEG)測量裝置，其中，接收的 數據是腦電圖(EEG)數據。 在一個實施例中，所述接收器適用于耦合到選自以下測量裝置的至少一個測量裝 置 參磁共振成像(MRI)， 參功能磁共振成像(FMRI)，
參磁腦照相(MEG)測量， 參正電子發(fā)射斷層掃描(PET)， 參CAT掃描(計算機軸向斷層掃描)， 參單光子發(fā)射計算機斷層掃描(SPECT)， 參一個或多個所述測量裝置的組合， 其中，所述生物信號數據是來自 一個或多個所述裝置的測量數據。 在一個實施例中，所述預定組的參考特征選自 絕對de 1 ta會隨， 參絕對theta會隨， 參絕對alpha能量， 參絕對beta能量， 參絕對 gamma會g量， 參相對delta能量， 參相對theta能量， 參相對alpha能量， 參相對beta能量，
7
參相對gamma能量， 參總能量， 參峰值頻率， 參中間頻率， 參譜熵， 參DFA標度指數(alpha波帶振蕩)， 參DFA標度指數(beta波帶振蕩)，和 參總熵。 在一個實施例中，對說明所述數據中的差異的所述特征組合的確定包含用來運用 主成分分析(PCA)的方式。 根據另一個方面，本發(fā)明涉及一種方法，用于產生反映醫(yī)學狀況的嚴重程度的定 參接收從具有不同程度的醫(yī)學狀況的病人人群收集的生物信號數據， 參使用所述生物信號數據作為輸入，用于為所述人群中每個病人確定參考特征
值，根據預定組的參考特征[&， ... ， fN]進行所述確定，并產生參考特征向量巳... =[值 (f》，值仏)，...，值(fw)]，接著將所述病人的所述參考特征向量組織成MXN的矩陣A，
參將所述矩陣A轉換為所述特征的不相關線性組合Xl fs+x2 fp. . . xn ft，其中 指數Xl. . . ，Xn說明了所述數據中的差異，其中指數Xl. . . ，xn的大小表明所述醫(yī)學狀況的嚴
重程度。
在一個實施例中，該方法進一步包括通過比較說明所述數據中的差異的特征組
合和現有測量，對所述說明所述數據中的差異的特征組合執(zhí)行相關關聯測量。在一個實施
例中，所述現有測量是簡易智力狀態(tài)檢查量表(匪SE)測量。 這樣，可以優(yōu)化和所述現有測量方法相關的所述定量測量的性能。 在一個實施例中，執(zhí)行相關關聯測量包括 參重復地，從所述說明數據中的差異的特征組合去除部分，或者改變所述說明數
據中的差異的特征組合，然后， 參確定產生的說明數據中的差異的特征組合與所述現有測量之間的相關性，
其中，對所述相關性沒有貢獻或降低了所述相關性的那些去除的部分被從所述說 明數據中的差異的特征組合中排除。 在一個實施例中，使用主成分分析(PCA)完成確定說明數據中的差異的特征組合
的步驟，并且其中，所述說明數據中的差異的特征組合是得到的PCA向量。 根據再另一個方面，本發(fā)明涉及一種計算機程序產品，用于當所述產品在計算機
上運行時，指示處理單元執(zhí)行產生反映醫(yī)學狀態(tài)的嚴重程度的定量測量的方法。 根據又另一個方法，本發(fā)明涉及一種成效監(jiān)視系統(tǒng)(300)，用于通過執(zhí)行根據上述
系統(tǒng)所確定的所述定量測量來為至少一種探測化合物確定成效指標，包括 參接收器單元，用于在將所述至少一種探測化合物給予試驗對象之后，接收從所
述試驗對象收集的生物信號數據， 參處理器，適用于 O像為M個病人組成的人群確定向量一樣，為所述試驗對象確定類似的特征向量Fl . . m =[試驗對象(f》，試驗對象(f 2) ， ，試驗對象(f n)]，和 O確定為所述試驗對象確定的特征向量FL..m二 [試驗對象(f》，試驗對象 (f2)，...，試驗對象(fN)]和說明數據中的差異的所述特征組合Xl fs+x2 fp. . . xn ft之
間的標積，所述標積作為所述成效指標。 根據又另一個方面，本發(fā)明涉及一種方法，使用上述反映醫(yī)學狀況的嚴重程度的 定量測量來為至少一種探測確定成效指標，包括 參在將所述至少一種探測化合物給予試驗對象之后，接收從所述試驗對象收集的
生物信號數據， 參像為M個病人組成的人群確定向量一樣，為所述試驗對象確定類似的特征向量
Fl .. m =[試驗對象(f》，試驗對象(f 2) ， ，試驗對象(fn)]，和 參確定為所述試驗研究對象確定的特征向量FL..m二 [試驗對象(f》，試驗對象 (f2)，...，試驗對象(fN)]和說明數據中的差異的所述特征組合Xl *fs+x2 *fp. . . xn *ft(403)
之間的標積，所述標積作為所述成效指標。 為了開發(fā)治療手段和能夠監(jiān)視這些治療手段的成效，需要對醫(yī)學狀況的嚴重程度 進行測量。因此，該系統(tǒng)和方法提供了對特定疾病嚴重程度的良好測量。藥品開發(fā)公司有一 些候選藥品并且需要在其中進行選擇，這種情況下，對這些候選藥品功效的比較是必須的。
根據又另一個方面，本發(fā)明涉及一種計算機程序產品，用于當所述產品在計算機 上運行時，指示處理單元執(zhí)行執(zhí)行使用上述反映疾病嚴重程度的定量測量為至少一種探測 確定一個成效指標的方法。 本發(fā)明的各個方面中的每個方面可以和其它任何方面結合。通過參照下面說明的 各個實施例進行闡述，本發(fā)明的這些方面和其它方面將會顯而易見。


僅是通過舉例的方式，將參照

本發(fā)明的各個實施例，其中， 圖1顯示了根據本發(fā)明的系統(tǒng)，用于產生反映醫(yī)學狀況的嚴重程度的定量測量的
一個系統(tǒng)， 圖2顯示了根據本發(fā)明的方法的流程圖，所述方法用于產生反映醫(yī)學狀況的嚴重 程度的定量測量， 圖3顯示了根據本發(fā)明的成效監(jiān)視系統(tǒng)，用于通過執(zhí)行圖1和2中討論的定量測 量為至少一種探測化合物確定成效指標， 圖4顯示了根據本發(fā)明的方法的流程圖，所述方法使用圖1和2中討論的上述定 量測量為至少一種探測化合物確定成效指標， 圖5是顯示了繪制的病人的特征向量(pel)與匪SE分數的圖。
具體實施例方式
圖1顯示了根據本發(fā)明的系統(tǒng)IOO，用于產生反映醫(yī)學狀況的嚴重程度的定量測 量。所述系統(tǒng)包括接收器單元(R)102，用于接收從具有不同程度醫(yī)學狀況的病人人群101 收集的生物信號數據。具有不同程度的醫(yī)學狀況的重要性是為了獲得一定級別的等級分 布。
在一個實施例中，生物信號數據是腦電圖(EEG)數據。該數據還可以包含一個或 多個下面的測量裝置得出的生物信號數據磁共振成像(MRI)、功能磁共振成像(FMRI)、磁 腦照相(MEG)測量、正電子發(fā)射斷層掃描(PET)、 CAT掃描(計算機軸向斷層掃描)和單光 子發(fā)射計算機斷層掃描(SPECT)。 在一個實施例中，所述醫(yī)學狀況是神經狀況，一個例子是阿爾茨海默類型(AD 組)、多發(fā)性硬化癥(multiple schlerosis、包括抑郁性障礙的精神疾病、雙相情感障礙和 精神分裂性障礙、帕金森病、癲癇、偏頭痛、血管性癡呆(VaD)、額顳癡呆、路易體癡呆、克雅 氏病(Creutzfeld-Jacob disease) 、 vCJD (瘋牛病)禾PAD/HD。 所述系統(tǒng)進一步包括處理器(P) 103，適用于使用生物信號數據為所述人群中每個 單獨的病人確定參考特征值，根據一組預定的參考特征進行所述確定。
在一個實施例中，預定組的參考特征選自絕對delta能量、絕對theta能量、絕 對alpha能量、絕對beta能量、絕對gamma能量、相對delta能量、相對theta能量、相對 alpha能量、相對beta能量、相對gamma能量、總能量、峰值頻率、中間頻率、譜熵、DFA標度 指數(alpha波帶振蕩)、DFA標度指數(beta波帶振蕩)和總熵。因此，預定組的參考特征 可以例如是[絕對theta能量；絕對gamma能量；相對gamma能量；峰值頻率]。為每個單 獨的病人確定的參考特征值可以相應地是[值l(絕對theta能量)；值2(絕對gamma能 量)；值3(相對gamma能量)；值4(峰值頻率)]。 處理器(P) 103進一步適用于為上述病人人群101中的每個單獨的病人分配參考 特征向量，該參考特征向量具有與該病人相關聯的參考特征值作為向量元素，即(參考上 面的例子)向量=[絕對theta能量的值1 ;總熵的值2 ;相對gamma能量的值3 ;峰值頻 率的值4]。這樣的結果是矩陣A，其中每行表示為每個單獨的病人分配的向量。如果病人 的數量是40，矩陣中行的數目是40。
A=
值l (病人l )
值l (病人2) 值l (病人3)
值2 (病人l ) 值2 (病人2 ) 值2 (病人3 )
值3 (病人l ) 值3 (病人2) 值3 (病人3 )
值4 (病人l ) 值4 (病人2 ) 值4 (病人3 ) 接著，處理器(P)103使用病人的參考特征向量作為輸入，用于確定說明數據104 中的差異的特征組合，其中所述組合的大小作為醫(yī)學狀況嚴重程度的指示。作為一個例子， 該處理器可以執(zhí)行主成分分析(PCA)，用于確定特征向量和矩陣A的協(xié)方差矩陣的值，結 果將會是特征的一組不相關線性組合，其中特征值涉及數據中的差異。這樣，結果是線性 轉換，其為所述數據集選擇新的坐標系，使得數據集的任意投影的最大差異位于第一個軸 (被稱為第一主要成分)，第二大差異位于第二個軸，依此類推。 參考上述例子，其中矩陣A有四個不同的特征(矩陣中列的數目)，特征組合的結
果可以是C =
。該組合，或者定量領lj
量向量C 104顯示了上述預定組的特征的差異排列(參考上面的例子)。這說明，受特定疾
病(如Alzheimer)的癥狀影響最深的特征是絕對gamma能量，其次是總熵等。 在一個實施例中，接收器單元(R) 102耦合到至少一個測量裝置106。這些裝置可
10以例如是腦電圖儀(EEG)、磁共振成像(MRI)、功能磁共振成像(FMRI)、磁腦照相(MEG)測 量、正電子發(fā)射斷層掃描(PET)、CAT掃描(計算機軸向斷層掃描)、單光子發(fā)射計算機斷層 掃描(SPECT)、一個或多個上述測量裝置的組合等等。接收器單元(R)102也可以適用于通 過通信信道耦合到外部存儲器105。 圖2顯示了根據本發(fā)明的方法的流程圖，所述方法用于產生反映醫(yī)學狀況的嚴重 程度的定量測量。 在一個實施例中，所述方法包括接收從具有不同程度的醫(yī)學狀況的病人人群收集 的生物信號數據(Sl)201，使用所述生物信號數據(S2)202為所述人群中每個單獨的病人 確定參考特征值，根據預定組的參考特征進行所述確定。該方法進一步包括為上述病人 人群中的每個單獨的病人分配參考特征向量(S3)203，該參考特征向量具有與該病人相關 聯的參考特征值作為向量元素，并使用病人的參考特征向量作為輸入，用于確定說明數據 (S4)204中的差異的特征組合，所述組合的大小作為醫(yī)學狀況的嚴重程度的指示。
圖3顯示了根據本發(fā)明的成效監(jiān)視系統(tǒng)300，用于通過執(zhí)行圖1和2中討論的 定量測量為至少一種探測化合物確定成效指標303。所述成效監(jiān)視系統(tǒng)包括接收器單元 (R)302，用于在將所述至少一種探測化合物給予試驗對象301之后，接收從所述試驗對象 301收集的生物信號數據，和處理器(P)303，像為上述病人人群確定向量一樣，用于確定類 似的特征向量。該處理器(P)303進一步被執(zhí)行用于確定為試驗對象確定的特征向量和說 明數據中的差異的上述特征組合之間的標積(scalar product)，所述標積作為所述成效指 標的一個指標。 參考上面給出的例子，向量=[絕對theta能量的值1 ;總熵的值2 ;相對gamma能 量的值3;峰值頻率的值4]，這僅是個4維向量。該向量乘以上述向量C二
得到某個值，這里是指+/_303。正是這個值加3為判 斷所述探測化合物，例如任何種類的新藥對治療或治愈特定疾病是否有效提供了非常好的 指示。 圖4顯示了根據本發(fā)明的方法的流程圖，所述方法使用圖1和2中討論的上述定 量測量為至少一種探測化合物確定成效指標。 在一個實施例中，所述方法包括在將所述至少一種探測化合物給予試驗對象之 后，接收從所述試驗研究對象(Sl)401收集的生物信號數據，像為上述病人(S2)402人群確 定向量一樣，確定一個類似的特征向量，確定為所述試驗對象確定的特征向量和說明數據 (S3)403中的差異的上述特征組合之間的標積，所述標積作為所述成效指標的一個指標。
定暈測暈的建立 為了確定定量生理測量反映出特定疾病的嚴重程度，需要表明所述測量與現有的 對嚴重程度敏感的測量之間的聯系，即使不存在金標準并且那個測量是主觀的或間接的。 尋找定量測量的一種方式是建立特征數據庫，其中的特征是從遭受不同程度疾病的病人人 群中收集的生理測量結果獲取的。這樣，數據庫中的對象不是代表相同的人群，如果生理數 據或者部分生理數據對相關病狀敏感，那么可以預期在關系到疾病嚴重程度的數據上具有 一定程度的差異。如果數據很好地反映了病人的狀況，將預期數據庫中數據的大部分差異 是由于不同程度的疾病導致的。如果是這樣的話，因子分析，比如主成分分析(PCA)、特征向 量和特征相關矩陣的值，將揭示說明了數據的差異的特征的不相關線性組合。那么，具有最
11大特征值的主成分說明了數據的最大差異，將會和疾病的嚴重程度相關。如果是這樣的話， 隨后可以通過估計現有的測量和從數據庫中發(fā)現的主成分之間的相關性進行驗證。注意相 關性不一定會高。如果所述現有的測量是主觀的并且受到與疾病無關的外部環(huán)境影響，比 如使用匪SE(簡易智力狀態(tài)檢查量表)分數獲得阿爾茨海默病病人狀況的情況，為了確定 定量測量只能建立非常有限的相關性。之后，為了確定新的定量測量的質量，必須進行獨立 的測試或臨床試驗。使用上面說明的策略，通過重復地排除數據的一部分，該部分對現有的 測量和新的定量測量之間的相關性沒有貢獻，或甚至降低相關性，可以優(yōu)化新測試的性能。 通過系統(tǒng)地執(zhí)行這樣的過程，例如使用遺傳算法的方法或者僅是通過測試所有的組合，可 以優(yōu)化與現有測量相關的新測量的性能。
仿仔(歐魏黒爐) 腦電圖(EEG)記錄了大腦的電活動。活動包含了關于大腦狀態(tài)的信息。EEG是生 理的，因此當特定疾病，比如阿爾茨海默病的病狀影響到EEG，它成為對所述疾病嚴重程度 敏感的定量測量的候選者。 為了建立特征數據庫，進行了臨床試驗。征集一組60個具有不同程度病癥的阿爾 茨海默病病人，記錄每一個病人的EEG。在病人閉上眼睛休息的時候，從每個研究對象收集 三分鐘的記錄。使用計算測量設備記錄腦電圖信號。使用傳統(tǒng)的國際10-20電極放置系統(tǒng) (International 10-20system of electrod印lacement)執(zhí)行記錄過程。收集的數據以原 始格式存儲在存儲設備上，用于以后的分析。在記錄期間，信號同時顯示在計算機屏幕上。 這允許操作者監(jiān)視電極是否變松并插入表示特定事件的記號。這樣的事件可以表示記錄協(xié) 議中特定部分的開始，或者表示可能導致非人腦電波出現在記錄中的事情。這樣的事情包 括對象眨眼、吞咽、移動或者一般地破壞協(xié)議。來源于這樣事件的影響在特征提取期間將 被排除。利用40秒的沒有非人腦電波記錄來提取特征。所提取的特征均來自科學文獻報 導的結果(Adler G.等2003， Babiloni C.等2004， Bennys K.等2001， B進ovsky M.等 2003， Cichocki等2004， Cho S. Y. 2003， Claus J. J.等1999，Hara J.等1999，Holschneider D.P.等2000， Hongzhi Q. I.等2004， Huang C.等2000， Hyung-Rae K.等1999， Jelles B.等1999，Jeong J.等1998， 2001， 2004， Jonkman E.J. 1997，Kikuchi M.等2002，Koenig T.等2004，Locatelli T.等1998，Londos E.等2003，Montplaisir J.等1998，Moretti等 2004，Musha T.等2002， Pi jnenburg Y. A. L.等2004，Pucci E.等1998， 1999， RodriquezG. 等1999，Signorino M.等1995，Stam C. J.等2003， 2004， Stevens A.等1998， 2001， Strik W.K.等1997，Vesna J.等2000，Wada Y.等1998， Benve皿to J.等2002， Jimenez-Escrig A.等2001，Sumi N.等2000)，通過引用結合于此。例子中使用的特征編號如下。從每個波 道中選擇并提取了 16個基礎特征。
l,絕對delta能量，
2.-絕對theta能量
3.-絕對alpha能量
4.-絕對beta能量
5.—纟色X寸 gamma會g量
6.-相對delta能量
7.-相對theta能量
8.-相對alpha能量
9.-相對beta能量
10.-相對gamma能量
ll.-總能量
12.-峰值頻率
13.-中間頻率
14.-譜熵 15. -DFA標度指數(alpha波帶振蕩) [O127] 16. -DFA標度指數(beta波帶振蕩) 將收錄進數據庫的數據組織成矩陣X，其中每行包含了從特定病人的記錄中提取 的所有特征。這樣，矩陣的維是對象的數目乘以提取的特征數。然后在X上執(zhí)行主成分分 析。之后，對照同一個對象的匪SE分數，繪制每個對象的具有最大特征值(pel)的主成分。 從圖5中可以明顯看到pel和匪SE之間存在的一個趨勢。為了建立pel和匪SE之間的相 關性，計算了 Pearson的線性相關系數P和Kendall的t 。結果發(fā)現p = 0. 51
和t = 0. 38
，這里使用自舉模擬再取樣方法(bootstrap resampling method)估計這兩個標準偏差。證明了 pel和匪SE之間的相關性是顯著的，因此pel是與 疾病嚴重程度相關的定量測量。 從而，基于對EEG的記錄和病人數據的數據庫，我們發(fā)現了一個定量測量，其能夠 跟蹤阿爾茨海默病的發(fā)展。 此處闡述了公開的實施例的某些特定細節(jié)，是為了解釋而不是限制，以便提供對 本發(fā)明清楚和徹底的理解。然而，本領域技術人員應該明白，在不明顯脫離這種揭示的精神 和范圍的情況下，本發(fā)明可以通過并非完全遵照此處闡述的細節(jié)的其它實施例實現。此外， 在上下文中，出于簡潔和清楚的目的，省略了對公知設備、電路和方法的詳細說明，以避免 不必要的細節(jié)和可能的混亂。 參考標記包含在權利要求中，然而包含參考標記僅是為了清楚的原因，而不應該
將其解釋為對權利要求保護范圍的限制。 參考文件列表 Adler G. et al. EEG coherence in Alzheimer ' s dementia. Journal of neuraltransmission， Vol 110， no.9，2003. Babiloni， C. et al. Mapping distributed sources of cortical rhythms in mildAlzheimer' s disease. A multicentric EEG study. Neuroimage 2251-61,2004.
Babiloni， C. et al. Abnormal fronto-parietal coupling of brain rhythms in mildAlzheimer ' s disease :a multicentric EEG study. European Journal of Neuroscience， Vol. 19， pp.2583—25902004. Bennys， K. et al. Diagnostic value of quantitative EEG in Alzheimer' s disease. Neurophysiol Clin， 31，153—60， 2001. Benvenuto J. et al. Identif ication of diagnostic evoked response potential segmentsin Alzheimer' s disease. Experimental Neurology 176,269-276， 2002.
Brunovsky M. ，Matousek M. et al. EEG assessment of the degree of dementia. Ne訓psychobio logy 48 :19_26， 2003. Cichocki et al. EEG filtering based on blind source seperation(BSS)for earlydetection of Alzheimer' s disease. Clinical Neurophysiology,In_press，2004.
Cho， S. Y. et al. Automatic recognition of Alzheimer ' s disease using geneticalgorithms and neural network.Lecture Notes in Computer Science, Springer-Verlag， Volume 2658， pp.695-702，2003. Claus，J. J. et al. The diagnostic value of electroencephalography in mild senileAlzheimer' s disease. Clinical Neurophysiology 110,825-832,1999.
Duda R0， Hart PE and Stork DG， Pattern Classification, Wiley-Interscience ;2ndedition， 2000. Hara J. et al.Cortical atrophy in Alzheimer's disease unmasks electrically silentsulci and lowers EEG dipolarity. IEEE TBME 46，8，1999.
Holschneider， D. P. et al丄oss of high-frequency brain electrical response tothiopental administration in Alzheimer's-type dementia. Neuropsychopharmacology16， 4，1997. Holschneider， D. P. et al. Attenuation of brain high frequency electrocorticalresponse after thiopental in early stages of Alzheimer ' s dementia. Psychopharmacology，149， 6_11， 2000. Hongzhi, Q. I. et al. Mutual information entropy research on dementia EEG signals.The Fourth International Conference on Computer and Information Technology (CIT' 04) ， S印tember 14_16，2004， Wuhan， China. Huang， C. et al. Discrimination of Alzheimer ' s disease and mild cognitiveimpairment by equivalent EEG sources :a cross—sectional and longitudinal study. Clinical Neurophysiology 111，1961_1967，2000.
Hyung-Rae K. et al.Analysis of the spatiotemporal EEG pattern in Alzheimer' sdisease. Journal of the Korean Physical Society, Vol. 34， No. 4， April 1999.Jelles B.et al. Decrease of non_linear structure in the EEG of Alzheimer patientscompared to healthy controls.Clinical Neurophysiology 110，1159—1167， 1999. Jeong，J. et al. Non-linear dynamical analysis of the EEG in Alzheimer' s diseasewith optimal embedding dimension. Electroencephalography and clinicalNeurophysiology 106， 220-228，1998. Jeong， J. et al. Mutual information analysis of the EEG in patients with Alzheimer' sdisease. Clinical Neurophysiology 112，827-835，2001.
Jeong， J.EEG dynamics in patients with Alzheimer's disease. ClinicalNeurophysiology, In—press,2004. Jimenez-Escrig A. et al. P3001atency reveals cholinergic enhancement produced byrivastigmine in Alzheimer' s disease. Alzheimer' s Reports, Vol. 4，
14No. 1，2001. Jonkman， E. J. The role of the electroencephalogram in the diagnosis of dementia ofthe Alzheimer type :an attempt at technology assessment. Neurophysiol Clin，27，211-9，1997. Kikuchi，M. et al. EEG harmonic responses to photic stimulation in normal agingand Alzheimer ' s disease -differences in interhemispheric coherence. ClinicalNeurophysiology 113，1045—1051，2002. Koenig， T. et al. Decreased EEG synchronization in Alzheimer' s disease
and mildcognitive impairment. Neurobiology of aging， In press,2004. Locatelli， T. et al. EEG coherence in Alzheime r's disease.
Electroenc印halogr即hyand clinical Neurophysiology 106， 229_237， 1998. Londos， E. ， Rosen， Let al. Regional cerebral blood flow and EEG in
clinicallydiagnosed dementia with Lewy bodies and Alzheimer' s disease. Arch.
Gerontol. Geriatr. 36， 231-245， 2003. Montplaisir，J. et al. Sleep disturbances and EEG slowing in Alzheimer' s disease. Sle印Research Online 1(4) :147_151， 1998 Moretti et al. Inidividual analysis of EEG frequency and band power in mildAlzheimer' s disease. Clinical Neurophysiology 115，299-308，2004.
Musha， T. et al. A new EEG method for estimating cortical neuronal impairmentthat is sensitive to early stage Alzheimer 's disease. Clinical Neurophysiology 113，1052-1058， 2002. Nikulin V. ， Brismar T. ， Long-range temporal correlation in alpha and betaoscillations :effects of arousal level and test—retest reliability. ClinicalNeurophysiology 115，1896-1908,2004. Pi jnenburg Y. A. L. et al. EEG synchronization likelihood in mild cognitiveimpairment and Alzheimer' s disease during a working memory task. ClinicalNeurophysiology, In—press,2004. Pucci， E. et al.EEG spectral analysis in Alzheimer ' s disease and differentdegenerative dementias. Archives of Gerontology and Geriatrics 26， 283-297,1998. Pucci，E. et al. EEG power spectrum diffefences in early and late onset forms ofAlzheimer' s disease. Clinical Neurophysiology 110,621-631,1999.
Rodriquez，G. et al. EEG spectral profile to stage Alzheimer' s disease. ClinicalNeurophysiology 110，1831—1837，1999. Shawe-Taylor J and Cristianini N， Kernel Methods for Pattern Analysis, CambridgeUniversity Press,2004. Signorino M. et al. EEG spectral analysis in vascular and Alzheimer dementia. Electroencephalography and clinical neurophysiology 94 :313—325，1995.
Sumi， N. et al. Interpeak latency of auditory event—relatedpotentials (P300)insenile depression and dementia of the Alzheimer type. Psychiatry and ClinicalNeurosciences，54，679_684，2000. Stam CJ. et al. EEG synchronization in mild cognitive impairment and Alzheimer' sdisease. Acta Neural Scand 108，90-96，2003. Stam CJ. et al. Disturbed fluctuations of resting state EEG synchronization inAlzheimer ' s disease. Clinical Neurophysiology, In_press， 2004. Stevens A. et al. Cognitive decline unlike normal aging is associated withalterations of EEG temporo—spatial characteristics. . Eur Arch Psychiatry ClinNe訓sci 248:259-266,1998. Stevens A.et al. Dynamic regulation of EEG power and coherence is lost early andglobally in probable DAT. Eur Arch Psychiatry Clin Neurosci 251 : 199-204,2001. Strik， W. K. et al. Decreased EEG microstate duration and anteriorisation of thebrain electrical fields in mild and moderate dementia of the Alzheimer type.Psychiatry Research :Neuroimaging Section,75，183-191 (1997).
Vesna J. et al. Quantitative electroencephalography in mild cognitive impairment :longitudinal changes and possible prediction of Alzheimer ' s disease. Neurobiologyof aging 21，533—540，2000. Wada Y. et a 1. Abnormal functional connectivity in Alzheimer' s disease: intrahemisphereic EEG coherence during rest and photic stimulation.Eur ArchPsychiatry Clin Neurosci 248 :203—208，1998.
權利要求
一種系統(tǒng)(100)，用于產生反映醫(yī)學狀況的嚴重程度的定量測量，包括●接收器單元(102)，用于接收從M個病人組成的人群收集的生物信號數據，所述人群被選擇為所述病人具有不同程度的醫(yī)學狀況，●處理器(103)，適用于-使用所述生物信號數據作為輸入，用于為所述人群中每個病人確定參考特征值，根據預定組的參考特征[f1，...，fN]進行所述確定，并產生參考特征向量F1...M＝[值(f1)，值(f2)，...，值(fN)]，接著將所述病人的所述參考特征向量組織成M×N的矩陣A，和-將所述矩陣A轉換為所述特征的不相關線性組合x1·fs+x2·fp...xn·ft，其中指數x1...，xn說明了所述數據中的差異，其中指數x1...，xn的大小表明所述醫(yī)學狀況的嚴重程度。
2. 根據權利要求l的系統(tǒng)，其中，所述醫(yī)學狀況是神經狀況。
3. 根據權利要求2的系統(tǒng)，其中，所述神經狀況是阿爾茨海默類型(AD組)。
4. 根據權利要求2的系統(tǒng)，其中，所述神經狀況選自 參阿爾茨海默病，參多發(fā)性硬化癥，參包括抑郁性障礙的精神疾病參雙相情感障礙和精神分裂性障礙，參帕金森病，參癲癇，偏頭痛，參血管性癡呆(VaD)，參額顳癡呆，參路易體癡呆，參克雅氏病， vCJD(瘋牛病)，和參AD/HD (注意缺陷/多動障礙)。
5. 根據權利要求l的系統(tǒng)，其中，所述接收器適用于耦合到腦電圖(EEG)測量裝置 (106)，其中，接收的數據是腦電圖(EEG)數據。
6. 根據權利要求l的系統(tǒng)，其中，所述接收器適用于耦合到選自以下測量裝置的至少 一個測量裝置(106):參磁共振成像(MRI)，參功能磁共振成像(FMRI)，參磁腦照相(MEG)測量，參正電子發(fā)射斷層掃描(PET)，參CAT掃描(計算機軸向斷層掃描)，參單光子發(fā)射計算機斷層掃描(SPECT)，參一個或多個所述測量裝置的組合，其中，所述生物信號數據是來自 一個或多個所述裝置的測量數據。
7. 根據權利要求l的系統(tǒng)，其中，所述預定組的參考特征選自 參絕對delta能量，參絕對theta能量， 參絕對alpha能量， 參絕對beta能量， *絕對gamma會g量， 參相對delta能量， 參相對theta能量， 參相對alpha能量， 參相對beta能量， 參相對gamma會g量，參峰值頻率， 參中間頻率， 參譜熵，參DFA標度指數(alpha波帶振蕩)， 參DFA標度指數(beta波帶振蕩)，和 參總熵。
8. 根據權利要求l的系統(tǒng)，其中，對說明所述數據中的差異的所述特征組合的確定包 含用來運用主成分分析(PCA)的方式。
9. 一種方法，用于產生反映醫(yī)學狀況的嚴重程度的定量測量，包括 參接收從具有不同程度的醫(yī)學狀況的病人人群收集的生物信號數據(201)， 參使用所述生物信號數據(202)作為輸入，用于為所述人群中每個病人確定參考特征值，根據預定組的參考特征[4， ...， fN]進行所述確定，并產生參考特征向量巳... =[值 (f》，值仏)，...，值(fw)]，接著將所述病人的所述參考特征向量組織成MXN的矩陣A，參將所述矩陣A轉換為所述特征的不相關線性組合Xl fs+x2 fp. . . xn ft，其中指數 Xl. . . ， Xn說明了所述數據中的差異，其中指數Xl. . . ， xn的大小表明所述醫(yī)學狀況的嚴重程 度。
10. 根據權利要求9的方法，進一步包括通過比較說明所述數據中的差異的特征組合 和現有測量，對所述說明所述數據中的差異的特征組合執(zhí)行相關關聯測量。
11. 根據權利要求9的方法，其中，所述現有測量是簡易智力狀態(tài)檢查量表(匪SE)測
12. 根據權利要求10或11的方法，其中，執(zhí)行相關關聯測量包括 參重復地，從所述說明數據中的差異的特征組合去除部分，或者改變所述說明數據中的差異的特征組合，然后，參確定產生的說明數據中的差異的特征組合與所述現有測量之間的相關性，其中，對所述相關性沒有貢獻或降低了所述相關性的那些去除的部分被從所述說明數 據中的差異的特征組合中排除。
13. 根據權利要求9-11中任一項的方法，其中，使用主成分分析(PCA)完成確定說明數 據中的差異的特征組合的步驟，并且其中，所述說明數據中的差異的特征組合是得到的PCA向量。
14. 一種計算機程序產品，用于當所述產品在計算機上運行時，指示處理單元執(zhí)行權利 要求9-13中任一項的方法步驟。
15. —種成效監(jiān)視系統(tǒng)(300)，用于通過執(zhí)行根據權利要求l-8中任一項的系統(tǒng)所確定 的所述定量測量來為至少一種探測化合物確定成效指標，包括參接收器單元(302)，用于在將所述至少一種探測化合物給予試驗對象之后，接收從所 述試驗對象收集的生物信號數據， 參處理器(303)，適用于O像為M個病人組成的人群確定向量一樣，為所述試驗對象確定類似的特征向量FL..m =[試驗對象(f》，試驗對象(f2) ， ，試驗對象(fN)]，和O確定為所述試驗對象確定的特征向量F,..m =[試驗對象(f》，試驗對象(f2)，...， 試驗對象(fN)]和說明數據中的差異的所述特征組合^ fs+x2 fp...xn* ft之間的標積， 所述標積作為所述成效指標。
16. —種方法，使用權利要求9所述的反映醫(yī)學狀況的嚴重程度的定量測量來為至少 一種探測確定成效指標，包括參在將所述至少一種探測化合物給予試驗對象之后，接收從所述試驗對象收集的生物 信號數據(401)，參像為M個病人組成的人群確定向量一樣，為所述試驗對象(402)確定類似的特征向 量.. m =[試驗對象(f》，試驗對象(f2) ， ，試驗對象(fN)]，和參確定為所述試驗研究對象確定的特征向量FL..m =[試驗對象(f》，試驗對象 (f2)，...，試驗對象(fN)]和說明數據中的差異的所述特征組合Xl <formula>formula see original document page 4</formula>之間的標積，所述標積作為所述成效指標。
17. —種計算機程序產品，用于當所述產品在計算機上運行時，指示處理單元執(zhí)行權利 要求16所述的方法步驟。
全文摘要
本發(fā)明涉及一種方法和系統(tǒng)，用于產生反映醫(yī)學狀況的嚴重程度的定量測量。接收器單元接收從具有不同程度的醫(yī)學狀況的病人人群收集的生物信號數據。處理器使用所述生物信號數據為所述人群中每個病人確定參考特征值，其中，根據預定組的參考特征進行所述確定。然后處理器為上述病人人群中的每個病人分配參考特征向量，其具有的向量元素是與該病人相關聯的參考特征值。該處理器還使用病人的參考特征向量作為輸入，用于確定說明數據中的差異的特征組合，其中所述組合的大小作為該醫(yī)學狀況的嚴重程度的指示。本發(fā)明進一步涉及一種方法和系統(tǒng)，用于通過執(zhí)行定量測量利用該定量測量為探測化合物確定成效指標，其中接收器單元在給予試驗對象探測化合物之后，接收從所述試驗對象收集的生物信號數據，和處理器為所述病人人群確定類似的特征向量。最后，該處理器確定為所述試驗對象確定的特征向量和說明數據中的差異的所述特征組合之間的標積。所述標積是所述成效指標，它表明了所述探測化合物有效的程度。
文檔編號G06F19/00GK101743549SQ200880018743
公開日2010年6月16日 申請日期2008年6月9日 優(yōu)先權日2007年6月7日
發(fā)明者克里斯廷·約翰森, 斯坦恩·格維茲門松 申請人:曼提斯庫拉Ehf.公司