CN104955388A - 采用时空划分的神经生理学数据分析 - Google Patents

Abstract

一种对受试者中记录的神经生理学数据进行分析的方法被公开。该方法包括识别数据中的活动相关特征；根据该活动相关特征划分数据以定义多个胶囊，每个胶囊均代表一个大脑中的时空活动区域。该方法还包括将至少一些已定义胶囊与至少一个参比胶囊进行比较，并基于该比较评估该受试者的脑功能。

Description

采用时空划分的神经生理学数据分析

技术领域

本申请要求于2012年11月13日提交的美国临时专利申请号61/725614和2013年2月3日提交的美国临时专利申请号61/760101的优先权权益，在此引入其全部内容作为参考。

背景技术

本发明，其一些实施例涉及神经生理学，并且更具体但不排他地涉及使用时空划分分析数据的方法和系统。

鲜为人知的是，让大脑有选择性地提高行为上重要刺激的神经表征，而忽略无关刺激的机制。大脑是由可产生动作电位信号的神经细胞组成的复杂结构。这些动作电位可通过突触间隙从一个细胞传递到另一个细胞。这些电位在皮层中整合并通过脑部的覆盖物延伸至头皮，在头皮可采用适当的电极进行测量。测量的节奏性动作电位为突触后皮层神经元电位，这是大量皮层细胞复杂相互作用的同步化结果。

行为功能是基于在脑中各种功能区域之间的流动，涉及特定时空流动模式。一种具体的时空模式显示一种特定的行为功能涉及功能性脑区域，这些区域往往激活至少几十毫秒或更多。那些区域中的活动流动通常是同步化的。

本领域共知的方法是标识与相关目标行为功能已定位脑活动区域的离散参与区域。采用其他技术分析从一个区域到另一个区域的流动。

美国6792304号专利公开了一种用于大量传播评估的方法和系统。认知任务从中央控制站点发送到多个经由因特网连接的远程测试点。受试者在远程站点响应于任务的大脑响应被记录，并通过互联网传送回中央控制站点。中央控制站点然后计算在每个选定站点的受试者脑活动变化。

美国20040059241号公开申请公开了一种分类和治疗脑生理失衡的方法。采用神经生理技术获得受试者的一组解析大脑信号，以及从该信号测定的一组数字参数。该数字参数定量映射到不同的治疗响应曲线。将此受试者的信号和参数有关症状和无症状参比群体数据库中的神经生理信息进行对比，并根据比较结果给出治疗建议。将治疗反应模式作为因变量，其为患病患者的临床治疗取得成功存在关联。

国际公开号WO 2007/138579专利，其内容通过引用并入本文，描述了一种用于建立神经流动模式知识基础的方法。获取特定行为过程中的多个研究小组信号，参与特定行为功能的活动源被局部定位。此后，确认了系列的脑活动模式，神经心理学分析方法也被用于分析局部定位源和已确认的模式。此分析方法包括可能途径的鉴定和排序。然后，创建一套流动模式并作为知识库使用。此知识库可用于减少排序路径的数量。

国际公开号WO2009/069134，WO2009/069135和WO2009/069136，其通过引用并入本文的内容，描述了一种在受试者执行生成刺激的任务和/或行动前后收集其神经生理数据的技术。刺激用于定义数据上的特征，并根据所定义的特征将数据分解。因此，对特征进行分析，以确定在数据中的一个或多个模式。分解可以经过聚类用于定位数据中的一个或多个重要特征，其中，群集的集合形成一个有效的网络。数据模式可以经过分析定义特定病理学和/或治疗对大脑模拟影响的神经模型。

国际公开号WO2011/086563，其内容通过引用并入本文，公开了一种神经生理数据分析方法。此分析方法包括界定数据中的活动相关特征；构建具有多个节点的大脑网络活动(BNA)模式，每个一个节点代表众多活性相关特征中的一个特征；分配一个连接权重到BNA模式中每对节点。

附加的背景技术包括美国公开申请号20050177058，其公开了一种对多个受试者EEG读数进行收集、分析和比较的系统，这些受试者在相同或不同的位置暴露于一组相同的刺激。通过脑波(EEG)读数研究受试者的相容性，发现或验证了隐瞒信息。

发明内容

根据本发明的一些实施例的方面，提供了分析记录自受试者脑神经生理学数据的方法。该方法由一个数据处理器执行，包括：识别数据中与活动相关的特征；根据活动相关的特征划分数据，定义多个“胶囊”，每个均代表大脑中的一个时空活动区域；将至少一些已定义胶囊与至少一个参比胶囊进行比较；以及根据上述比较评估受试者的大脑功能。

根据本发明的一些实施例，其中的比较包括对每个至少一些已定义胶囊的计算，使用多维统计分布描述相应数据库胶囊对应的时空向量统计得分。

根据本发明的一些实施例，数据库的每个记录都与加权有关，此方法进一步包括使用加权方法对统计分数进行加权计算。

根据本发明的一些实施例，此方法包括计算所述胶囊与相应数据库胶囊之间的相关性。

根据本发明的一些实施例，不管有无胶囊间关系均执行比较。

根据本发明的一些实施例，胶囊间关系至少包括两个定义胶囊之间的空间接近性、两个定义胶囊之间的时间接近性、两个定义胶囊之间的频谱接近性、和两个定义胶囊之间的能量接近性中的一个。

根据本发明的一些实施例，该方法包括：确定所述胶囊中胶囊间关系、构建对应于胶囊间关系的胶囊网络模式。其中，所述数据库包括数据库胶囊网络模式，所述比较包括所述构造模式与数据库模式的比较。

根据本发明的一些实施例，所述至少一个参比胶囊包括一个含有多个记录数据库的注释数据库胶囊，并且所述方法还包括访问数据库。

根据本发明的一些实施例，所述至少一个参比胶囊包括使用来自同一受试者获得在不同时间的神经生理数据所定义的基准胶囊，该方法包括将相对于基线胶囊的胶囊变化量，与之前注释为正常的第一胶囊和也注释为正常的第二胶囊所保存的变化量进行比较。

根据本发明的一些实施例，所述至少一个参比胶囊包括使用来自同一受试者获得在不同时间的神经生理数据所定义的基准胶囊。

根据本发明的一些实施例，该方法包括将相对于基线胶囊的胶囊变化量，与之前注释为正常的第一胶囊和也注释为正常的第二胶囊所保存的变化量进行比较。

根据本发明的一些实施例，所述至少一个参比胶囊包括使用来自不同受试者神经生理数据定义的胶囊。

根据本发明的一些实施例，所述至少一个参比胶囊包括使用来自不同受试者神经生理数据定义的胶囊。

根据本发明的一些实施例，该方法包括：构建一个具有多个节点的大脑网络活动(BNA)模式，每个节点代表与活性相关特征中的一种；分配给BNA模式中的每对节点连接权重；对所构建的BNA与至少一个参比BNA模式进行比较；其中受试者脑功能的评估也是基于与参比BNA的比较。

根据本发明的一些实施例，所述至少一个参比BNA模式包括存储有多个记录BNA数据库的注释BNA模式，并且该方法进一步包括访问数据库。

根据本发明的一些实施例，所述至少一个参比BNA模式包括自同一受试者获得在不同时间的神经生理数据所提取的一个基准BNA模式。

根据本发明的一些实施例，所述至少一个参比BNA模式包括从来自不同个体或一组受试者的神经生理数据中提取的一个BNA模式。

根据本发明的一些实施例，该方法包括，在比较之前，对多个胶囊进行一个特征选择程序，以提供至少一个胶囊子集，其中单独对每个所述至少一个胶囊子集的进行比较。

根据本发明的一些实施例，所述脑功能是指临时脑功能异常。

根据本发明的一些实施例，所述脑功能是指慢性脑功能异常。

根据本发明的一些实施例，所述脑功能是对刺激的响应或缺乏相应。

根据本发明的一些实施例，所述方法包括评估脑震荡的可能性。

根据本发明的一些实施例，所述方法包括将对大脑的局部刺激对应于所估计的脑功能，局部刺激是指与至少一个胶囊的空间位置对应的一个或多个位置。

根据本发明的一些实施例，所述方法包括将对大脑的局部刺激对应于所估计的脑功能。

根据本发明的一些实施例，所述局部刺激是指作用于至少一个胶囊空间位置对应的一个或多个位置。

根据本发明的一些实施例，所述脑功能的评估被重复执行，并且所述方法包括与脑功能变化量对应变化的局部刺激。

根据本发明的一些实施例，所述局部刺激包括经颅刺激。

根据本发明的一些实施例，所述局部刺激包括经颅电刺激(tES)。

根据本发明的一些实施例，所述局部刺激包括经颅直流电刺激(tDCS)。

根据本发明的一些实施例，所述局部刺激包括高清晰度经颅直流电刺激(HD-tDCS)。

根据本发明的一些实施例，所述局部刺激包括皮质电生理刺激。

根据本发明的一些实施例，所述局部刺激包括深部脑刺激。

根据本发明的一些实施例，所述局部刺激包括经颅刺激和深部脑刺激，且以深部脑刺激的控制激活阈值执行所述经颅刺激。

根据本发明一些实施例的方面，提供了由一组受试者记录的神经生理数据构建数据库的方法。此方法由一个数据处理器执行，包括：识别数据中活动相关的特征；根据活动相关的特征划分数据，定义多个胶囊，每个均代表大脑中的一个时空活动区域；根据胶囊聚类数据，以生成多个胶囊簇；并将所述簇和/或等效模型存储在计算机可读介质中，由此形成数据库。

根据本发明的一些实施例，所述簇模型包括所述簇的胶囊模型。

根据本发明的一些实施例，该方法进一步包括确定所述胶囊之间的胶囊间关系以及构建对应胶囊间关系的胶囊网络模式，簇之间网络模式包含胶囊网络模式。

根据本发明的一些实施例，所述划分包括形成空间网格、将网格元件和一个时间点与每个已识别的活动相关特征相关联、通过将与已关联网格元件附近的网格元件和与已关联时间点附近的时间点胶囊化的方法定义与已识别活动相关特征的胶囊。

根据本发明的一些实施例，所述已关联网格元件附近的网格元件包括所有活动相关特征的振幅级在预定阈值范围内的网格元件。

根据本发明的一些实施例，所述已关联时间点附近的时间点包括所有活动相关特征的振幅级在预定阈值范围内的时间点。

根据本发明的一些实施例，所述空间网格是一个二维空间网格。

根据本发明的一些实施例，所述空间网格是一个描述受试者规模的二维空间网格。

根据本发明的一些实施例，所述空间网格是一个描述受试者颅内表面的二维空间网格。

根据本发明的一些实施例，所述空间网格是一个三维空间网格。

根据本发明的一些实施例，所述空间网格是一个描述受试者颅内体积的三维空间网格。

根据本发明的一些实施例，所述划分包括对数据实施频率分解生成多个频段，其中在每个频段分别对已识别的活动相关特征进行关联及对胶囊进行定义。

根据本发明的一些实施例，所述划分包括对数据实施频率分解生成多个频段，其中在每个频段分别对已识别的活动相关特征进行关联及对胶囊进行定义。

根据本发明的一些实施例，所述划分包括用频率值将每个已识别的活动相关特征进行关联，其中，通过与已关联网格元件附近的网格元件、与已关联时间点附近的时间点和与已关联频率值附近的频率值胶囊化的方法将对应于已识别活动相关特征的胶囊定义为光谱时空活性区域。

根据本发明的一些实施例方面，提供了一种用于处理神经生理数据的系统，其包括用于接收所述神经生理学数据的数据处理器和执行上述内容划定的以及后述任选进一步举例说明的方法。

根据本发明的一些实施例方面，提供了一种计算机软件产品，包括存储有程序指令的计算机可读介质(所述指令是指在由一个数据处理器读出时可以使数据处理器接收神经生理数据的指令)和执行上述内容划定的以及后述任选进一步举例说明的方法。

根据本发明的一些实施例方面，提供了一种用于分析从受检者脑部记录的神经生理学数据的系统。此系统包括一个配置成的数据处理器：识别数据中的活动相关特征；根据活动相关特征划分数据，定义多个胶囊，每个均代表大脑中的一个时空活动区域；至少以一个参比胶囊相比比较至少一些已定义的胶囊；以及根据上述比较评估受试者的大脑功能。

根据本发明的一些实施例，所述系统还包括一个连接到一个脑刺激系统的控制器，其配置用于控制所述脑刺激系统以达成对与预估脑功能相对应的脑部进行局部刺激。

根据本发明的一些实施例，所述控制器被配置用于控制所述脑刺激系统以达成对与至少一个胶囊的空间位置相对应的一个或多个位点进行局部刺激。

根据本发明的一些实施例，所述预估的脑功能被重复执行，所述控制器被配置成可对脑功能变化量产生不同局部刺激。

根据本发明的一些实施例，所述脑刺激系统包括经颅刺激系统。

根据本发明的一些实施例，所述脑刺激系统包括经颅直流电刺激(tDCS)系统。

根据本发明的一些实施例，所述局部刺激包括高清晰度经颅直流电刺激(HD-tDCS)。

根据本发明的一些实施例，所述脑刺激系统包括可对皮质进行电生理刺激的电生理刺激系统。

根据本发明的一些实施例，所述脑刺激系统包括深部脑刺激系统。

根据本发明的一些实施例，所述脑刺激系统配置成可进行经颅刺激和深部脑刺激，其中控制器配置成可控制脑刺激系统进行以深部脑刺激的控制激活阈值执行所述经颅刺激。

除非另外定义，否则本文使用的所有技术和/或科学术语具有相同的含义普通技术人员通常的技术人员，以与本发明有关的理解。虽然方法和类似或等同于本文描述的材料可以在实践或本发明的实施例的测试中使用，示例性方法和/或材料描述如下。在冲突的情况下，本专利说明书，包括定义，将控制。此外，材料，方法和实施例仅是说明性的，并不意在必然是限制性的。

除非另有定义，本文所用的所有技术和/或科学术语具有本发明涉及领域普通技术人员通常理解的相同含义。虽然在实践或本发明实施例的测试中可以使用本文描述的方法和类似或等同的材料，但下文仍对示例性方法和/或材料进行说明。在冲突的情况下，以本专利中的说明书及定义为准。此外，材料、方法和实施例仅是说明性的，而不是要进行必要的限制。

本发明实施例方法和/或系统的实现可涉及由手动、自动或它们的组合来执行或完成选择的任务。另外，根据本发明方法和/或系统实施例的实际仪器设备，若干所选择的任务可以由硬件、软件、固件或使用操作系统对它们的组合来实现。

例如，用于执行本发明实施例所选择任务的硬件可以是芯片或电路。至于软件，本发明实施例所选择的任务可以通过使用任何适当操作系统计算机执行的多个软件指令而实现。在一个示例性的本发明实施例中，一个或多个根据本文描述示例性方法和/或系统实施例描述的任务由一个数据处理器(如执行多个指令的计算平台)执行。任选地，数据处理器包括用于存储指令和/或数据的易失性存储器和/或例如磁性硬盘和/或可移动介质的非易失性存储器。任选地，也可使用网络连接。任选地，也可使用显示器和/或如键盘或鼠标的用户输入设备。

附图说明

本文中描述了本发明的一些实施例，仅作为示例的方式，参比附图。具体参照附图详图，它以例图的方式及示例讨论的目的强调了本发明实施例的细节特点。在这点上，本图例说明与那些说明发明实施例如何运作的图例有着显著区别。

本附图：

图1是根据本发明的各种典型实施例,适合于分析神经生理数据的方法流程图。

图2是根据本发明的一些实施例，显示从神经生理学数据中提取出的一个脑网络活动(BNA)模式示意图。

图3A是根据本发明的一些实施例，描述用于识别一组受试者的活动相关特征的过程流程图。

图3B是根据本发明的一些实施例，用于确定大脑活动特征之间关系的过程示意图；

图3C-E是本发明的一些实施例使用图3B所示的步骤，构造的BNA模式抽象插图；

图4是根据本发明的各种示例性实施例，描述适合用于分析特定受试者BNA模式的方法流程图。

图5A-F是根据本发明的一些实施例，用于确定脑紊乱指数过程的代表例示意图。

图6A-F是根据本发明的一些实施例，显示一种多动症(ADHD)受试者对治疗响应性的评估过程代表例示意图。

图7A-D是根据本发明的一些实施例，显示另一种多动症(ADHD)受试者对治疗响应性的评估过程代表例示意图。

图8A-E是根据本发明的一些实施例，显示一种受试者对东莨菪碱响应性的评估过程代表例示意图。

图9A-B是根据本发明的一些实施例，显示使用BNA模式测量疼痛的代表例示意图。

图10A-H是根据本发明的一些实施例，根据工作存储器测试期间记录的脑电图数据构造BNA模式的示意图。

图11是根据本发明的一些实施例，描述脑紊乱指数的绘图显示。

图12是根据本发明的一些实施例，显示了一项关于哌甲酯(MPH)的研究结果。

图13为未治疗ADHD受试者(左栏)、MPH治疗ADHD受试者(中栏)，和对照(右栏)的BNA模式组评价。

图14是根据本发明的一些实施例，根据从一组受试者中记录的神经生理数据构造数据库的方法流程图。

图15是根据本发明的一些实施例，对一组受试者中记录的神经生理数据进行分析的方法流程图。

图16是根据本发明的一些实施例，在实验所执行的数据分析技术的框图。

图17A和17B是根据本发明的一些实施例，显示了通过实验获得的组胶囊。

图18是根据本发明的一些实施例，显示了通过实验获得的θ带ROC曲线。

图19是根据本发明一些实施例，利用示例性研究使用的技术框图。

图20是根据本发明一些实施例，示例性研究中采用的方法示意图。

图21是根据本发明一些实施例，示例性研究中所用的一个听觉Oddball任务(Auditory Oddball Task)示意图。

图22是根据本发明一些实施例，示例性研究期间获得的两个EEG-ERP部分的BNA分数的规范数据库组内相关(ICC)值。

图23是根据本发明一些实施例，示例性研究期间获得的参照听觉Oddball任务“异常刺激”的刺激连通ΔBNA分数Q-Q图。

图24是根据本发明一些实施例，示例性研究期间获得的听觉Oddball任务“异常刺激”的刺激连通ΔBNA分数频率直方图。

图25是根据本发明一些实施例，示例性研究期间获得的在规范数据库中随机选择健康受试者Fz信道的重构ERP，其通过对与参照听觉Oddball任务“异常刺激”的刺激相对应的P300成分进行6步分级操作(组合幅度下降和延迟延迟)实现。

图26A-B是根据本发明一些实施例，示例性研究期间获得的模拟结果。

图27是根据本发明一些实施例，示例性研究期间获得的药理模型结果。

图28是根据本发明一些实施例，使用示例性实验研究的技术框图。

图29A-B是根据本发明一些实施例，示例性研究期间获得的决定是否执行任务而可选择参比的BNA模式(图29A)和听觉Oddball任务(图29B)。

图30A-D是根据本发明一些实施例，示例性实验研究期间获得的4次脑震荡组(n＝35)和对照组(n＝19)数据的组平均BNA分数(％与参比BNA的相似性)。

图31A-D是根据本发明一些实施例，示例性实验研究期间获得的BNA模式敏感性和特异性。

图32是根据，分析神经生理数据系统的示意图。

图33是适用于本发明一些实施例的特征选择过程示意图。

图34A-C是适用于本发明一些实施例的比较方案示意图

图35是根据本发明一些实施例，通过实验在不进行刺激的不同频带提取时空峰值的一个例子。

图36是根据本发明一些实施例，进行特征选择实验所获得的结果。

图37是根据本发明一些实施例，进行疼痛分析与治疗的调查研究所采用的视觉模拟级别(VAS)。

图38是在调查疼痛分析与治疗研究中适用的热刺激区域示意图。

图39是在调查疼痛分析与治疗研究中使用的电极分布示意图。

图40是调查疼痛分析与治疗研究所使用的方案流程图。

图41是在调查疼痛分析与治疗研究中所获得的具有数字化疼痛级别的视觉模拟级别(VAS)。

图42是在调查疼痛分析与治疗研究中所获得的BNA得分、VAS和生活质量量表。

图43与预测调查疼痛分析与治疗研究相比的BNA得分变化值。

图44A-D为宣布对调查疼痛分析与治疗研究有反应受试者的代表性例子。

图45A-C为宣布对调查疼痛分析与治疗研究无反应受试者的代表性例子。

具体实施方式

本发明一些实施例涉及神经生理学，更具体地但不排他地涉及分析神经生理数据的方法和系统。

在说明至少一个本发明实施例细节之前，应当理解本发明不仅限于下述描述和/或图例和/或举例说明中阐述的组件和/或方法的构建和布置。本发明可通过其他实施例或其他可操作或可执行的方式实现。

本发明的实施例针对可用于个体受试者或一组受试者的工具，用于分析他们的大脑活动，以便提取例如行为、条件、脑功能和其他受试者特征信息。该信息是通过构造一个或多个表达该信息的数据对象进行提取。本发明一些实施例中的数据对象是神经生理学数据模式，在一些实施例中数据对象是脑网络活动(BNA)模式，在一些实施例中数据对象是在大脑中的时空活动区域，而在一些实施例中数据对象是时空活动区域的网络。

数据对象同时有助于与数据对象相关联病状的诊断和治疗。可基于一种或多种数据对象对一个受试者或一组受试者进行分析。当基于两种或更多种数据对象对某个或多个受试者进行分析时，从每个对象中提取的信息可以被组合和/或加权以形成对相关行为、条件和/或脑功能的判断。

例如，某个或某组受试者可以首先通过构建BNA模式分析进行第一分析，还可以使用一个或多个时空活动区域分析进行第二分析。可以对第一和第二分析进行整合以提供关于行为、条件、脑功能和/或其他受试者特性的更好评估。

分析中的代表例可以用于评估由其它分析作出的评估结果。另一实例，当每个分析中都包括数值评估值(例如，一个特定受试者具有一些紊乱的可能性)时，这些数值评估值可以被整合(例如，通过计算平均值或加权平均值)。

除非另有定义，应明确下文所述操作在许多执行整合或命令中同时或顺序执行。具体而言，流程图图解的顺序不应被认为是限制性的。例如，出现在下面描述中或在某个特定命令中的流程图的两个或更多操作可以以不同的顺序(例如，相反顺序)或基本上同时执行。此外，以下描述的若干操作是可选的，并且可以不被执行。

至少部分操作可以通过一个数据处理系统执行，例如，一个专用电路或通用计算机，其被配置用于接收数据并执行下述操作。

实现本实施例方法的计算机程序通常可以通过例如但不限于软盘、CD-ROM、闪速存储器装置和便携式硬盘驱动器的分发介质分发给用户。所述计算机程序可以从分发介质被复制到硬盘或类似的中间存储介质。通过将分发介质或其中间存储介质上存储的计算机指令加载至执行计算机的存储器，执行该计算机程序从而控制计算机按照本发明的方法运行。所有这些操作对于计算机系统的领域技术人员来说是众所周知的。

本实施例的方法可以通过许多形式实现。例如，它可以在诸如计算机的有形介质上执行该方法操作而实现。可在带有可执行本方法操作计算机可读指令的计算机可读介质上实现。也可在具有设置于有形介质上运行计算机程序或在计算机可读介质中执行指令的具有数字计算机能力的电子设备上实现。

图1是根据本发明的各种典型实施例,适合于分析神经生理数据的方法流程图。

所述待分析的神经生理数据可以是直接从待研究受试者脑获取的任何数据。“直接”获取的数据显示了脑组织本身的电、磁、化学或、结构特征。神经生理学数据可以是从直接单个受试者脑部获取的数据或直接从多个受试者(例如，一个研究组)各自脑部获取的数据，不必同时。

可以通过单独执行下面描述的对应于单一大脑的每部分数据的操作来完成对来自多个大脑数据的分析。然而，某些操作可以为了超过一个大脑的数据而共同执行。因此，除非明确说明，否则提及的单数形式的“受试者”或“大脑”并不一定意味着一个个体受试者的数据分析。提及的单数形式的“受试者”或“大脑”也包括对应于数个受试者中的某一个受试者的一部份数据分析，该分析也可以适用于其它部分。

该数据可以在采集后立即进行分析(“在线分析”)，或者它可以被记录、存储，随后进行分析(“离线分析”)。

适用于本发明的神经生理学典型数据类型，包括但不限于脑电图(EEG)数据、脑磁图(MEG)数据、计算机辅助断层扫描(CAT)数据、正电子发射断层扫描(PET)数据、磁共振成像(代表例MRI)数据、功能磁共振成像(fMRI)技术数据、超声数据、单光子发射计算机断层摄影(SPECT)数据、脑机接口(BCI)数据和神经水平的神经假体数据。任选地，该数据包括两种或更多种不同类型数据的组合。

在本发明的各种示例性实施例中，神经生理数据与分别放置在受试者头皮上多个不同位置的多个测量装置所收集的信号相关。在这些实施例中，数据类型优选EEG或MEG数据。测量装置可包括电极、超导量子干涉器件(SQUIDs)和类似物。获得某部分数据的每一个位置也被称为“通道”。在一些实施例中，神经生理数据与放置在脑组织本身中的多个测量装置所收集的信号相关。在这些实施例中，数据类型优选侵入性EEG数据，也称为脑电图(ECoG)数据。

任选且优选地，至少在受试者执行任务和/或行动前后收集神经生理数据。在本发明的一些实施例中，至少在受试者已经概念化任务和/或行动但实际上并没有执行任务的前后收集神经生理数据。当受试者存在某种类型可能会阻止任务和/或行动实际执行的物理和/或认知缺陷时，这些实施方案是有用的。例如中风等各种脑损伤受试者。然而，如果需要这些实施例可以用于任何受试者。

与任务和/或操作(无论实际执行或概念化)相关的神经生理数据可作为事件相关的测量，如事件相关电位(ERP的)或事件相关领域(ERFS)。该任务和/或操作(无论实际执行或概念化)优选与一个刺激或多个刺激相对应，并且将数据采集与刺激同步化以建立与提取的数据特征相对应的响应时间表。典型但不是必须地，该数据集合是持续的，例如在执行或概念化某项任务和/或动作之前、期间和之后连续收集神经生理数据。

可设想低水平和高水平的各种类型认知任务和/或动作。该任务/动作可以是单一的、串行的或持续的。持续的低水平的认知任务/动作例子，包括但不限于观看电影；单一的低水平的认知任务/动作例子，包括但不限于向受试者提供一个听觉信号(例如，一个单一声音)；串行的低水平的认知任务/动作例子，包括但不限于反复播放的听觉信号。可以理解，对于一个重复性的任务，受试者最终可能被条件化，并会不重视(称为习惯化的过程)，但仍然会有来自大脑的响应。高水平的认知任务/动作例子，包括但不限于所谓的“是/否执行任务”。其中受试者被要求如果听到一个高音调声音则按一下按钮，听到低音调声音则不按下按钮。这个任务在本领域是公知的，并且应用在许多认知研究中。

许多刺激方案和刺激反应在业内是公知的，所有这些都涵盖在本发明的一些实施方案中。刺激反应神经心理测试，包括但不限于所述的Stroop任务、威斯康星卡片分类测试等类似测试；基于测试的刺激，包括但不限于失匹配负波、脑干诱发反应测听(BERA)等类似刺激。基于测试的预期响应，包括但不限于扫视分析、运动相关电位(MRP)、N-回归记忆任务和其他工作记忆任务，“串行七”测试(从100开始隔7数数)、波斯纳注意力任务等。

应该理解的是，这并不意味着限制本发明只应用于与刺激、任务和/或操作相关联的神经生理数据范围内。本发明的实施例也可以应用于描述自发大脑活动的神经生理数据。某些实施例中还设想获取特定活动的神经生理数据，但并未与刺激同步获取此数据。

参比图1所示，方法于10开始和任选和优选地持续于11处接收神经生理数据。该数据可以直接从受试者处记录，或者可从诸如存储数据的计算机可读存储器介质等外部源处接收。

该方法继续于12处确定数据特征之间的关系，以便来识别活动相关的特征。这可以使用本领域中已知的任何程序来完成。例如，国际公开号WO2007/138579、WO2009/069134、WO2009/069135和WO2009/069136专利中描述的程序，其内容通过引用结合于此，也可使用。从广义上讲，活动相关特征的提取包括数据的多维分析，其中该数据被分析以提取所述数据的空间和非空间特征。

空间属性较好地描述了从中获取相应数据的位置。例如，所述空间属性可包括受试者头皮上的测量设备(例如电极、SQUID)位置。

预期实施例中的空间属性估计了生成神经生理数据的脑组织位置。在这些实施例中，一个源定位过程可以通过包括但不限于低分辨率电磁断层扫描(LORETA)实现。适合于本实施例的源定位过程在引用结合于此的上述国际出版物中进行了描述。其他适用于本实施例的源定位过程还发现于格林布拉特等人，2005年，“生物电磁反向问题的局部线性估计”《IEEE学报信号处理》，53(9)：5430；关原等人，“自适应空间滤波器的电磁脑功能成像(生物医学工程系列)”《施普林格》，2008年；和关原等人，2005，“定位偏差和适应性和非适应性空间滤波器对MEG源重建的空间分辨率”《神经成像》25：1056；其内容通过引用并入本文。

另外预期实施例中的空间属性估计了epicortical表面位置。在这些实施例中，收集处理在受试者头皮位置的数据以便将头皮电位的分布映射到所述epicortical表面。该类映射技术是本领域所公知的，并且在文献中称为皮质潜在成像(CPI)或皮质源密度(CSD)。适用于本实施例的映射技术被发现在凯泽尔等人，2006年，“将拉普拉斯波形主成分分析方法作为确定ERP发电机模式的通用方法：一，听觉Oddball任务评价”。《临床神经生理学》117(2)：348；张等人，2006年，“一项采用有限元方法根据同时颅内、外的电记录进行皮层电位成像的研究”《神经成像》，31(4)：1513；佩兰等，1987，“头皮电流密度制图：电位数据的价值与评估，”《IEEE生物医学工程学报》，BME-34(4)：283；Ferree等，2000，“头皮表面拉普拉斯的理论与计算”www.csi.uoregon.edu/members/ferree/tutorials/SurfaceLaplacian；以及Babiloni等人，1997，“高分辨率EEG：一种采用现实构型的MR-构成受试者头部模型进行新的模型依赖的空间模糊方法”《脑电图和临床神经生理学》102：69。

在任何上述实施例中，所述空间特性可以根据需要使用离散的或连续的空间坐标系统来表示。当坐标系统是离散的时，它通常对应于测量设备的位置(例如，在头皮上的位置、epicortical表面、大脑皮层或更深的脑部)。当坐标系统是连续的时，它优选描述头皮、epicortical表面或某些类似采样位置的形状。取样表面可以用三维空间中一组点的点群形式来表示，其足以用于描述所述表面的拓扑。对于一个连续的坐标系统，空间属性可以通过测量装置位置之间的分段插值求得。分段插值优选采用所述表面的一个光滑解析函数或一组光滑解析函数。

本发明的一些实施例中，对于每一个空间属性分别获取其非空间属性。例如，对每个通道分别获取其非空间属性。当空间属性是连续的时，优选获取此连续段的一组离散点上的非空间属性。通常，这组离散点至少包括用于分段插值的点，但也可包括所述表面取样位置上的其它点。

非空间属性优选包括根据采集时间分割数据时间的时间属性。分割结果是获取了与各自时间段一一对应的多个数据段。时间段长度取决于表征神经生理数据类型的时间分辨率。例如，对于EEG或MEG数据，典型的时段长度是大约1000毫秒。

其它非空间属性可通过数据分解技术获得。在本发明的各种示例性实施例中，所述分解是对每个空间属性的每个数据段分开执行的。因此，对于一个特定的数据信道，举例说明分解是向这一特定信道的每段数据顺序执行的(如：首先是对应于所述第一时段的数据段，然后是对应于第二时段的数据段，如此类推)。对其它信道也执行这样的顺序分解。

可以通过识别数据的极值模式(波峰、波谷等)将神经生理数据分解，或者更优选于波形分析，例如但不限于小波分析。在本发明的一些实施例中，通过时空邻域的定义识别极值。该邻域可以被定义为一个极值所在的空间区域(二维或三维)，和/或极值发生的时间间隔。优选地，同时定义空间区域和时间间隔，以便为每个极值关联时空邻域。定义这种邻域的优点是，它们提供了有关数据扩展时间和/或空间结构的信息。邻域(在各自的维度)的尺寸可以基于极值的属性来确定。例如，在一些实施例中，邻域的大小等于一半最大值极值(FWHM)的整个宽度。本发明范畴内不排除邻域的其他定义。

波形分析优选伴随滤波(例如带通滤波)进行，使得波分解成组成波形的多个信号极值的重叠集(例如，峰值)。过滤器本身可以任选重叠。

当神经生理数据包括脑电图数据时，滤波时可采用以下一个或多个频段：δ-带(通常为约1赫兹至约4赫兹)，θ-带(通常为约3至约8赫兹)，α-带(通常为约7至约13赫兹)，低β带(通常为约12至约18赫兹)，β-带(通常为约17至约23赫兹)，和高β带(通常为约22至约30赫兹)。也可以考虑更高的频段，例如但不限于γ带(通常为约30至约80赫兹)。

下面的波形分析、波形属性优选提取诸如但不限于时间(等待时间)、频率和任选的振幅。这些波形特性作为离散值优选获得，由此形成一个矢量，其分量是单独的波形特性。使用离散值是有利的，因为它减少了需进一步分析的数据量。其他减量技术，例如但不限于预期的统计归一化(例如，通过标准分或者使用任何统计矩)。正常化可用于降低噪声，该方法还有助应用到一个以上的受试者和/或当测量装置和大脑之间的界面在不同受试者或单个受试者的不同位置之间变化时。例如，当存在EEG电极的非均匀阻抗匹配时统计正常化非常有用。

属性提取可产生多个矢量，其每一个包括作为矢量分量、空间属性(例如各个电极或其他测量设备的位置)、以及一个或多个来自分割和分解得到非空间属性。每个这些矢量都是一个数据特征，并且任何一对符合一定关系的矢量(例如，一个向量相关联的位置信息与另一个向量相关联的位置信息相一致的两个矢量间关系)指向两个活动相关的特征。

所提取的矢量定义了一个多维空间。例如，当该组件包括地点、时间和频率时，该矢量则定义一个三维空间；而当所述组件包括地点、时间、频率和振幅时，该矢量则定义一个四维空间。本发明范围内不排除更多维数。

当对一个受试者的神经生理数据施加分析时，该数据的每个特征代表所述矢量定义多维空间中的一个点；每组活动相关特征集代表一组点，组内任何点都在沿该组一点或多个其他点时间轴的特定距离内(以下也称为“延迟差”)。

当对从一组或子组受试者获得的神经生理数据施加分析时，该数据的特征优选表示为上述多维空间中的离散点簇。当单个受试者的神经生理数据施加分析时，可以定义点簇。在这些实施例中，从对受试者施加的单独刺激分别提取波形属性矢量，从而定义多维空间中的点簇，簇中的每个点对应于在不同时间施加的刺激。所述的单独刺激任选和优选地形成一组的相同或相似的刺激，或一组不一定相同但具有相同类型(例如一组不一定完全相同的视觉刺激)的刺激。本发明范围不排除在不同的时间使用不同的刺激。

综合考虑上述陈述，其中数据是从多个受试者收集并用于一个或多个受试者，对时间上分开的刺激(即施加在不同时间的刺激)分别提取波形特征矢量。在这些实施例中，一个簇包含对应于不同受试者的点也包含与单独刺激对应的点。例如一种情况，其中数据是从10名受试者收集，每个受试者在获取数据期间给予了5个刺激。在这种情况下，数据集包括5×10＝50个数据段，每一个对应于一个受试者对一个刺激的响应。因此，在多维空间内的一个簇可以包括最多5×10个点，每一个点代表从其中一个数据段提取的属性向量。

无论是否表示多个受试者的属性和/或对单个受试者刺激对应的多个响应属性，沿所述空间给定轴线的簇宽度描述了对应数据属性(时间，频率等)的活动窗尺寸。作为代表例，需考虑沿时间轴的簇宽度。这样的宽度任选和优选地用于描述在多个受试者之间发生延迟范围的方法中。同样地，沿频率轴的簇宽度可用于描述在多个受试者间事件发生的频段；沿着位置轴的簇宽度(例如，对应于二维位置图数据的两个位置轴，以及对应于三维位置图数据的三个位置轴)可以用来定义一组多个受试者间事件发生的相邻电极；沿着振幅轴的簇宽度可用于定义描述在多个受试者间事件发生的振幅范围。

对于一组或子组的受试者，可如下确定活动相关特征。沿时间轴的单个簇优选用于确定所述簇宽度定义的时间窗中发生的一个单一事件。此时间窗任选和优选的收窄以排除一些离群点，从而重新定义所述各数据特征的属性延迟范围。对于沿时间轴的一连串簇，其中每个簇都具有特定限定的宽度(沿时间轴)，执行模式提取过程优选用于识别那些符合连通关系的簇。从广义上来说这样的程序可以在簇群中搜索出相互簇之间的足量数据存在关联关系的对簇。

提取程序模式可包括任何类型的聚类程序，包括但不限于基于密度聚类程序、最近邻聚类程序等等。适用于本实施例的基于密度聚类程序参见曹等人，2006年，“带有噪音数据流中的基于密度聚类”，第六次SIAM国际会议数据挖掘的论文集，马里兰州贝塞斯达，第328-39页。适合于本实施例的最近邻聚类程序参见R.O.Duta、P.E.Hart和D.g.Stork，“模式分类”(第二版)，A Wiley-Interscience出版，2000年。在最近邻聚类程序应用中，集群被识别，然后形成基于簇的时空距离聚集形成元簇。因此，所述元簇即所述识别簇的集合。在这些实施例中，所述元簇属于所述数据特征，以及在所述元簇中识别与活动相关的特征。

图3A是根据本发明的一些实施例，描述用于识别一组受试者的活动相关特征的过程流程图。该过程开始于40，并继续至识别分离簇的41。本实施例即考虑了在多维空间中特定维度进行识别的子空间聚类，也考虑了在全维度空间进行识别的全空间聚类。从计算时间的观点来看优选子空间聚类，而从一般性特征的观点考虑优选全空间聚类。

子空间聚类的一个代表性例子为分别每个指定频带和每个预定空间位置时间轴的簇识别。所述识别任选和优选将具有固定和预定窗口宽度的移动时间窗口作为特征。一个典型的脑电图数据窗口宽度为增量带在约200毫秒。簇中点的最小量限制是任意施加的，以便不排除分析中的小簇。通常拥有小于X点的簇将被排除，其中X等于约80％的该组中受试者。点的最小数量可以在程序过程中被更新。一旦一组初始簇被定义，时间窗口宽度优选随即降低。

子空间聚类的另一个代表性例子为优选分别对每个预定频带的时空子空间的簇识别。在本实施例中，所提取的空间特性采用连续空间坐标系显示，例如上文进一步详述的在测量设备位置之间的分段插值。因此，每个簇均与一个时间窗口和一个空间区域相关联，其中所述空间区域可以或不以一个测量装置的位置为中心。在一些实施例中，至少一个簇与其中心位置处于测量装置位置以外的空间区域相关联。时空子空间通常是一个时间维度和两个空间维度的三维，其中每个簇与一个时间窗口和一个两维空间的表面区域相关联，例如此表面区域对应为头皮表面形状、所述epicortical表面等。也可以设想为四维时空空间，其中每个簇与一个时间窗口及至少对应于内部大脑部分体积的三维空间区域相关联。

子空间聚类的另一个代表性例子为通过频率-空间-时间的子空间进行簇识别。在此实施例中，该方法可以在非预定的频率识别簇取代分别在每个预定频带搜索簇。因此，在子空间频率可认为是连续坐标。在此时空子空间的所述实施例中，所提取的空间特性被使用连续空间坐标系来表示。因此，每个簇均与一个时间窗、一个空间区域和一个频带相关联。空间区域可以是如上文进一步详述的二维或三维。在一些实施例中，至少一个簇与其中心位置处于测量装置位置以外的空间区域相关联；并且至少一个簇与一个频带相关联，该频带包括δ、θ、α、低β、β、高β和γ带中的两种或更多。例如，一个簇可与横跨部分δ带和θ带或部分θ带和α带或部分α带和低β带等的频带相关联。

所述程序可选且优选地继续至42，在此处一对簇被选中。所述程序可选且优选地继续至43，在此处对所选对簇代表每个受试者，任选计算所述对应事件之间的潜伏期差(包括零差)。所述程序继续至44，在此处执行一个限制给所计算出的潜伏期差，使得超出预定阈值范围(例如，0-30毫秒)的潜伏期差被拒绝而在预计阈值范围内的潜伏期差则被接受。所述程序继续至决定45，在此处所述程序确定所接受的差异数量是否足够大(即上述的一些数字，例如：80％的上述组中受试者)。如果接受差异的数值不足够大则程序进行到46，在此处程序接受该对簇并识别它作为一对活动相关特征。如果接受差异的数值足够大则程序进行到47，在此处拒绝该对。从46或47本实施例的程序返回到42。

图3B是用于确定数据特征和识别活动相关特征的说明性示例图。该图示在包括时间和地点的二维空间中进行展示。本例子用于一个空间特性是离散的实施例中，其中簇的识别是沿着分别对每个预定频带和每个预定空间位置的时间轴。本领域技术人员将知道如何改写其它如频率、振幅等方面的描述。图3B示出数据是来自6名受试者(或来自一个受试者在不同的时间的6次刺激)，列举的1到6。为了阐述清楚，不同数据段的数据(例如，从不同受试者或同一受试者在不同时间的刺激采集的数据)沿标记有“数据段号”的垂直轴分开。空心圆表示在一个标记为“A”特定位置记录的事件(通过诸如EEG电极的测量装置)，实心圆表示在另一个标记为“B”的特定位置记录的事件。

所述时间轴表示各事件的测量潜伏期，例如受试者对刺激反应的时间。事件的潜伏期在此中表示为t⁽ⁱ⁾A和t⁽ⁱ⁾B，其中i表示所述段编号(ⅰ＝1，...，6)、A和B代表位置。为了明确地阐述，图3B中未显示所述潜伏期，但此处详细提供了一种本领域中的普通技术，以知道如何将潜伏期添加到图示中。

对于每一个位置A和B，定义一个时间窗。这些时间窗标记为ΔtA和ΔtB，对应于沿时间轴的簇宽度，根据需要它们可以相同或彼此不同。还定义了两单一事件之间的潜伏期差时间窗ΔtAB。此窗口对应于所述簇之间(例如它们的中心之间)沿时间轴的分离。窗口ΔtAB被标记为具有虚线段和实线段的间隔。虚线段的长度表示窗口下限，间隔的总长度表示窗口上限。将ΔtA、ΔtB和ΔtAB作为部分判断标准决定是否接受在A和B位置记录的事件对作为活动相关特征。

所述时间窗ΔtA和ΔtB优选用于识别该组中的单一事件。如图所示，对于1、2、4和5号数据段其两个事件均落于相应的时间窗内(数学上这可写为：t⁽ⁱ⁾ _A∈t_A,t⁽ⁱ⁾ _B∈t_A,i＝1,2,4,5)。在另一方面，对于3号数据段其A位置记录的事件落于ΔtA外而B位置记录的事件落于ΔtB内(t⁽³⁾ _B∈t_B)；6号数据段其A位置记录的事件落于ΔtA内(t⁽⁶⁾ _A∈t_A)，而B位置记录的事件落于ΔtB外因此，对于位置A，根据1、2、4、5和6号数据段将单一事件定义为一个数据点簇；对于位置B，根据1-5号数据段将单一事件定义为一个数据点簇。

潜伏期差时间窗ΔtAB优选用于识别活动相关特征。在本发明各种示范实施例中，将每段的潜伏期差t⁽ⁱ⁾ _AB(i＝1,2,...,5)与潜伏期差时间窗ΔtAB进行比较。在本发明各种示范实施例中，如果(i)特征对中的每个特征属于一个单一事件、(ii)相应的潜伏期差落于ΔtAB内则该对特征被接受为一个活动有关的特征对。如图3B所示，由于数据段满足了上述两个标准((t⁽ⁱ⁾ _AB∈t_AB,t⁽ⁱ⁾ _A∈t_A,t⁽ⁱ⁾ _B∈t_A,i＝4,5)所以从4和5号数据段记录的每对特征都被接受作为一对活动相关特征。从第1-3号数据段记录的特征对，因为其t⁽¹⁾ _AB、t⁽²⁾ _AB和t⁽³⁾ _AB落于ΔtAB外而未通过潜伏期差的标准要求。因此这些对被拒绝。请注意，在本实施例中，即使从6号数据段获得的特征对符合潜伏期差的标准，但因为它未通过时间窗标准该对仍被拒绝。

在本发明的各种示例性实施例中，所述程序还接受相应于发生在两个或多个不同位置发生事件的数据特征对。虽然这样的事件不会相对于彼此因果关系(因为有信息的位置之间不流动)，仍采用该方法标记相应特征。不限定于任何特定的理论，本发明人认为虽然没有通过本方法确认，但该数据的同步事件被因果相关于另一个事件。例如，相同的物理刺激可以在大脑中的两个或多个位置同时引发事件。

在46接受的已识别活动相关特征对，可以作为基本模式用于在特征空间内将此基本构建块构造成复杂的模式。在本发明的各种示例性实施例中，该方法进行到48，在此处两对或更多对的活动相关特征被接合(例如串接)而形成的两个特征以上的模式。该串接标准可以是特征对特性在矢量表现上的相似性。例如，在一些实施例中当两对活动相关特征具有共同特征时进行串接。象征性地可以如下表示：特征对“A-B”和“B-C”有“B”作为共同特征，串接在一起形成一个复杂的模式A-B-C。

优选地，该串接的特征集需经过阈值化程序，例如当X％或更多组中受试者包括在串接集中时该集方被接受，而当小于X％的该组中受试者包括在串接集中时该集被拒绝。阈值X的典型值约为80。

三个或更多个特征的每个模式因此对应于已定义簇的集合。该集合内的任何簇都在相对此集合内一个或多个其它簇的潜在期差范围内。一旦所有簇对进行分析后程序继续至终结处49，在此结束。

再次参比图1，在13处构建脑网络活动(BNA)模式。

BNA模式的概念可以参比图2更好地理解，它是一个根据本发明的一些实施例在此可从神经生理学数据中提取BNA模式20的代表性例子。BNA模式20具有多个节点22，每个代表一个活性相关特征。例如，一个节点可以代表在特定的位置并在一个特定的时间窗口或潜伏期范围内的一个任选特定范围振幅的特定频带(任选两个或多个特定频带)。

一些节点22是由边缘24连接，每一个代表在相应边缘末端节点之间的因果关系。因此，BNA模式是表示为具有节点和边缘的曲线图。在本发明的各种示例性实施例中，BNA模式包括多个离散节点。其中，关于所述数据特征的信息仅由节点代表而有关特征间关系的信息仅由边缘代表。

图2示出带有头皮模板26的BNA模式20，其显示了与大脑不同波瓣相关的所述节点位置(正面28、中央30、顶叶32、枕部34和颞叶36)。可以通过其各种特性标记BNA模式中的节点。如果需要也可以采用彩色编码或形状编码可视化技术。例如，可使用一种颜色或形状来显示对应于一种特定频带的节点而使用另一种颜色或形状来显示对应于另一频带的节点。在图2的代表例中。2，呈现出两种颜色。红色节点对应于δ波和绿色节点对应的θ波。

BNA模式20可以描述单个受试者或一组或子组受试者的脑活动。描述单个受试者脑活动的BNA图案在本文中称为单个特定受试者的BNA模式，而描述一组或子组受试者脑活动的BNA模式在此被称为组BNA模式。

当BNA模式20是单个特定受试者的BNA模式时，仅使用从各受试者数据中提取的矢量构造所述BNA模式。因此，每个节点对应于多维空间中的一点，并在此代表了脑中的一个活动事件。当BNA模式20是组BNA模式时，一些节点可以对应于多维空间中的一簇点，并在此表示一个该组或子组受试者中普遍存在的活动事件。由于组BNA模式的统计特性，组BNA模式的节点(在此被称为“命令”)数和/或边缘(在本文中称为“大小”)通常但不一定大于单个特定受试者BNA模式的命令和/或大小。

作为构成一个组BNA模式的简单例子，图3B简化示出情景，其中一个“段”对应于一组或子组受试者中的不同受试者。在本例中该组数据包括与位置A和B相关联的两个单一事件。这些事件中每个事件形成了多维空间中的一个簇。在本发明的各种示例性实施例中，本文中称为簇A和B的每个簇在组BNA模式中是以一个节点表示。两个簇A和B作为活动相关特征被识别，因为这些簇中的某些点符合符合上述关系标准(在本例中的4、5号受试者对)。因此，在本发明的各种示例性实施例中，对应于簇A和B中的节点通过边缘连接。所得组BNA模式的简化图示如图3C。

单个特定受试者BNA模式任选和优选地通过比较从各受试者采集数据特征与对照数据特征之间的特征和关系进行构建。在本发明的一些实施例中，此对照数据包括组数据。在这些实施方案中，对所述受试者数据相关联点中的点和关系与所述组数据相关联簇中的簇和关系进行比较。例如，参见简化的场景图示图3B，其中一个“段”对应于一组或子组受试者的不同的受试者。簇A不包括3号受试者数据，簇B不包括6号受试者数据，因为这些受试者的相应点不符合所述的时间窗口标准。因此，在本发明的各种示例性实施例中，在对3号受试者构建单个特定受试者BNA模式时不包括对应位置A的节点，而在对6号受试者构建单个特定受试者BNA模式时不包括对应位置B的节点。另一方面，在对1、2、3和5号受试者构建单个特定受试者BNA模式时位置A和B均可以节点表示。

对于那些各点被接受为活动相关特征对(在本例中4和5号受试者)的受试者，其相应的节点优选地通过边缘连接。此情况下的单个特定受试者BNA模式简化示意图如图3D。

需注意的是对于只有两个节点的此简化例，图3D的单个特定受试者BNA模式类似于图3C的组图BNA模式。对于较大数目的节点，组BNA模式命令和/或大小如前所述一般大于单个特定受试者BNA模式的命令和/或尺寸。单个特定受试者BNA模式与组BNA模式之前的其他差异可以通过以边缘表示的活动相关特征之间的关联度来表现，后续将进一步详细描述。

对于那些相应点被拒绝的受试者(在本例中除1和2号受试者外)时，相应的节点优选地不通过边缘相连。此情况下的单个特定受试者BNA模式简化示意图如图3E。

然而应理解，虽然上述技术用于构建描述特定受试者与组受试者数据之间关系的单个特定受试者BNA模式，但这并不是必然的情况。因为在一些实施例中，可以仅由单一受试者的数据构建单个特定受试者BNA模式。在这些实施例中，分别对时间上分开的刺激提取波形特性矢量以限定点簇，簇中的每个点对应于在不同时间施加刺激的响应，如上文的详述。这些实施例中构建特定受试者BNA模式优选上述与构建组BNA模式相同的程序。然而，由于所有数据都收集自单个受试者，所以BNA模式也是特定受试者的。

因此，本实施例涵盖两种类型的特定受试者BNA模式：第一种是描述特定受试者与组或子组受试者关联的，即以组BNA模式形式表现特定受试者BNA模式；第二种为未关联组或子组受试者描述特定受试者数据。前一种类型的BNA模式在本文中称为相关联的特定受试者BNA模式，后一类型的BNA模式在本文中称为未关联的特定受试者BNA模式。

对于未关联的特定受试者BNA模式，优选对反复多次的单个刺激的重复响应进行分析，任选并优选在数据平均和转换成数据单一矢量前进行分析。另一方面，对于组BNA模式任选和优选地将该组每个受试者的数据进行平均并随后转换成数据矢量。

需注意虽然未关联特定受试者BNA模式对于一个特定受试者通常是唯一的(特定受试者BNA模式构建时)，但是可以采用不止一种的关联特定受试者BNA模式将同一受试者特性化，因为受试者可以与不同组进行不同的关联。例如设想，一组健康受试者和一组患有相同大脑紊乱的非健康受试者。进一步设想受试者Y其可能或可能不是这些组中的一个受试者。本实施例为受试者Y设定了几个特定受试者BNA模式。第一种BNA模式是一种未关联特定对象的BNA模式，正如上述的因为此模式是仅从受试者Y采集的数据构建的所以其对于该受试者是独一无二的。第二种BNA模式是关联特定对象的BNA模式，其根据受试者Y和健康组数据间的关系构建。第三种BNA模式是关联特定对象的BNA模式，其根据受试者Y和非健康组数据间的关系构建。每种BNA模式都有助于评估受试者Y的条件。第一种BNA模式可以是有用的，例如用于在一段时间内监测受试者的脑功能变化(例如监测脑可塑性等)，因为它可以将所述BNA模式与以前构建的未关联特定对象BNA模式进行比较。第二和第三种BNA模式有助于确定受试者Y和各自组的关联水平，从而确定受试者脑功能障碍的可能性。

设想的实施例还有将用于构建特定对象BNA模式的参比数据对应于先前从相同受试者获得的历史数据。这些实施例类似于上述关于关联特定对象BNA模式的实施例，不同之处在于BNA模式被关联到相同受试者的历史，而不是一组受试者。

此外预期的实施例还有将参比数据对应于随后一段时间相同获得的相同受试者的数据。这些实施例允许调查从早期至演变成在稍后时间所获得的数据。一个特别而非限制性的例子是同一受试者几个疗程的情况，例如N个阶段。在最初的几次治疗阶段(例如阶段1至K1<N)获得的数据可以作为参比数据用于构建对应于中间阶段(例如从阶段K2>k1至K3>K2)的第一个关联特定受试者的BNA模式；在后期的几次治疗阶段(例如阶段K4至N)获得的数据可以作为参比数据用于构建对应于上述中间阶段，其中1<K1<K2<K3<K4。此同一受试者的如此两个关联特定受试者的BNA模式可用于确定治疗早期和后期演化的数据。

该方法继续进行至14，在此连接权重被分配到BNA模式的每对节点(或等同的BNA模式的每个边缘)，从而形成一个加权BNA模式。连接权重在图2、3C和3D中以连接两个节点的边缘厚度进行表示。例如，较厚的边缘可以对应于较高的权重而较薄的边缘可对应于较低的权重。

在本发明的各种示例性实施例中，连接权重包含基于至少一种以下簇特性算出的重量指数WI：(i)对应簇对中的受试者数目，其中较大的权重被分配于较大的受试者数目；(ii)簇对中每个簇的受试者数目差异(称为对的“分化程度”)，其中较大的权重被分配给较低的分化水平；(ⅲ)与每个对应簇相关联的时间窗口宽度(例如参见图3A中的ΔtA和ΔtB)，其中较大的权重被分配给窄的窗口；(ⅳ)两个簇之间的潜伏期差(参见图3A中的ΔtAB)，其中较大的权重被分配给窄的窗口；(ⅴ)与相应簇相关的信号振幅；(ⅵ)与相应簇关联的信号频率；(vii)限定簇的空间窗宽度(在实施例中的坐标系统是连续的)。对于任何簇的特性，除了特性(i)和(ii)，外优选但不限于采用簇中的平均值、中间值、上确界、下确界和方差等特性统计观测值。

对于组BNA模式或无关联的特定受试者BNA模式，连接权重更优选等于基于簇特性计算的加权指数WI。

对于关联特定受试者的BNA模式，一对节点的连接权重优选分配给基于计算的权重指数WI以及一个或更多个特定受试者和特定对数量表示的SI。这样数量的代表性例子如下。

在本发明的各种示范实施例中，关联特定受试者BNA模式中的一对节点被分配给结合WI与SI计算出的连接权重。例如，关联特定受试者BNA模式中的一对连接权重可通过WI·SI给出。当对一对给定节点计算一个以上数量(如个)时，可将该对分配给一个以上的连接权重，例如WI·SI1，WI·SI2，...，WI·SI_N，其中SI1，SI2，...，SI_N是计算的N个数量。或者或另外地，该对给定节点的所有连接权重可以结合，例如通过平均、相乘等。

SI数值可以是诸如显示所述特定受试者对与对应簇之间关系特性的统计分数。该统计分数可以是任何类型，包括但不限于平均值偏差、绝对偏差、标准分等。计算所述统计分数的关系可以是用于计算权重指数WI、包括但不限于潜伏期、潜伏期差、振幅、频率等中的一种或多种特性。

关于潜伏期或潜伏期差的统计分数在本文中称为同步得分并表示为SIs。因此根据本发明一些实施例的同步得分，可通过计算如下的统计分数获得(i)与对应簇组平均潜伏期相关的从所述受试者获得的点潜伏期(例如上述例子中的t⁽ⁱ⁾ _A和t⁽ⁱ⁾ _B))和/或(ⅱ)与两对应簇间组平均潜伏期差相关的从所述受试者获得的所述两点间潜伏期差(如t⁽ⁱ⁾ _AB)。

关于振幅的统计分数在本文中称为振幅得分并表示为SIa。因此根据本发明的一些实施例，通过计算与所述对应簇组平均振幅相关的从所述受试者获得的振幅统计分数获得振幅得分。

关于频率的统计分数是在本文中称为频度得分并表示为SIf。因此根据本发明的一些实施例，通过计算与所述对应簇组平均频率相关的从所述受试者获得的频率统计分数获得频率得分。

关于位置的统计分数是在本文中称为位置得分并表示为SIl。这些实施例对于采用连续坐标系统的实施例特别有用，详见上文。因此根据本发明的一些实施例，通过计算与所述对应簇组平均位置相关的从所述受试者获得的位置统计分数获得位置得分。

关于其他特性统计分数的计算没有排除在本发明范围外。

下面是根据本发明的一些实施例计算SI数值的技术描述。

当SI是同步得分SIs时，如果成立所述计算任选和优选基于通过所述电极对限定的匹配离散时间点(Time_subj)。在这些实施例中，这些点时间与该组模式中离散点时间(Time_pat)的标准偏差和均值进行比较，每个区域生成一个区域同步得分SI_Sr。同步得分SIs可以诸如通过所述对中两个区域的区域同步分数平均化进行计算。形式上，此过程可以写为：

${\mathrm{SIs}}_r=0.5+\frac{\mathrm{std}\left({\mathrm{Time}}_{\mathrm{pat}}\right)}{2*(\mathrm{abs}(\stackrel{\&OverBar;}{{\mathrm{Time}}_{\mathrm{pat}}}-{\mathrm{Time}}_{\mathrm{subj}})+\mathrm{std}\left({\mathrm{Time}}_{\mathrm{pat}}\right))};\mathrm{SIs}=\frac{1}{r}\mathrm{\&Sigma;}{\mathrm{SIs}}_r$

振幅得分SIa任选和优选地以类似的方式计算。最初将所述个体受试者离散点的振幅(Amp_subj)所述组模式中离散点振幅(Amp_pat)的平均值和标准偏差进行比较，每个区域生成一个区域振幅得分SIa_r。振幅得分可以诸如通过所述对中两个区域的区域振幅分数平均化进行计算：

${\mathrm{SIs}}_r=0.5+\frac{\mathrm{std}\left({\mathrm{Amp}}_{\mathrm{pat}}\right)}{2*(\mathrm{abs}(\stackrel{\&OverBar;}{{\mathrm{Amp}}_{\mathrm{pat}}}-{\mathrm{Amp}}_{\mathrm{subj}})+\mathrm{std}\left({\mathrm{Amp}}_{\mathrm{pat}}\right))};\mathrm{SIa}=\frac{1}{r}\mathrm{\&Sigma;}{\mathrm{SIa}}_r$

一个或多个BNA模式相似性S可以通过所述BNA模式节点的加权平均进行计算，具体如下：

$Ss=\frac{\underset{i}{\&Sigma;}(W_i*{\mathrm{SIs}}_i)}{\underset{i}{\&Sigma;}{W}_i}$

$Sa=\frac{\underset{i}{\&Sigma;}(W_i*{\mathrm{SIa}}_i)}{\underset{i}{\&Sigma;}{W}_i}$

$Sf=\frac{\underset{i}{\&Sigma;}(W_i*{\mathrm{SIf}}_i)}{\underset{i}{\&Sigma;}{W}_i}$

$Sl=\frac{\underset{i}{\&Sigma;}(W_i*{\mathrm{SIl}}_i)}{\underset{i}{\&Sigma;}{W}_i}$

形式上，一个附加的相似性Sc可以如下计算：

$Ic=\frac{\underset{i}{\&Sigma;}(W_i*{\mathrm{SIc}}_i)}{\underset{i}{\&Sigma;}{W}_i}$

其中，SIc_i是一个二进制数，当所述受试者数据中存在对i时其等于1，否则为0。

在本发明的一些实施例中，SI数值包括已记录活动之间的相关值。在一些实施例中，此相关值描述了在特定受试者所述对相关的两位置上记录的活动之间的相关性；在一些实施例中，此相关值描述了在特定受试者所述对相关的任意位置记录的活动与该组相同位置记录的活动之间的相关性。在一些实施例中，此相关值描述了活动之间的因果关系。

诸如因果关系计算相关值的程序是公知的现有技术。根据本发明的一些实施例，采用了Granger理论[Granger CWJ，1969年，“通过计量经济模型和交叉谱方法研究因果关系”《经济计量学》，37(3)：242]。适合于本实施例的其他技术见于Durka等人，2001年，“与事件相关脑电图不同步和同步的时频显微结构，”《医学生物工程和计算机》，39：315；Smith Bassett等，2006年，“小世界大脑网络”《神经科学家》12：512；He等人，2007，“通过MRI检查的皮质厚度揭示人类大脑中的小世界网络”，《大脑皮质》17：2407；以及DeVico Fallani等人，“从根据高分辨率脑电图记录预估的皮质连接模式中提取信息：一个理论图法，”《脑地形图》19：125；所有这些参比的内容通过引用并入本文。

分配在BNA模式中的连接权重可被计算记为连续变量(例如使用具有连续范围的函数)或者记为离散变量(例如使用具有离散范围或使用查找表的函数)。在任何情况下，连接权重可以具有多于两个可能的值。因此，根据本发明的各种示例性实施例，所述的加权BNA模式具有至少三个或至少四个或至少五个或至少六个边缘，其中每个被分配有一个不同的连接权重。

在本发明的一些实施例中，方法进行至16，在此其中一个特征选择过程被施加到所述BNA模式以提供至少一个子集的BNA模式节点。

特征选择是一个通过从一大组的输入变量中选择最佳特征的过程，更与算法的获得过程相关。通过去除无关数据表示一组数据原始特征的精度得以提高，从而提高数据挖掘任务(诸如预测建模)的准确性。现有的特征选择方法分为前向选择和后向选择两大类。后向选择(例如，Marill等，IEEE Tran InfTheory 1963年，9：11-17；Pudil等人，第12届模式识别国际会议程序(1994)279-283；及Pudil等，模式识别快报(1994)15：1119-1125)自每一个变量开始，以一个接一个的逐步方式移动至排名靠前变量的左边。正向选择(如Whitney等，IEEE Trans Comput 197；20：1100-1103年；Benjamini等，GavrilovAnn Appl Stat 2009；3：179-198)以一个空变量集开始，在每步加入最好的变量直至任何进一步加入不能改善该模型为止。

在本发明的一些实施例中，采用了特征的正向选择；在本发明的一些实施例中，则采用了特征的反向选择。在本发明的一些实施例中，本发明的方法采用了一种用于控制可能会导致差选择的假阳性误报程序，这样的程序被称为假发现率(FDR)程序，可参比例如Benjamini等的Supra。此内容通过引用并入本发明。

适合于本实施例的特征选择过程代表性例子示于图33。开始时，任选并优选地使用为达到相对高精确度的足够大数据集考察一组受试者(例如无论是健康对照或患病受试者)。所述组可以使用BNA模式来表示。然后将所述特征选择程序施加于数据集的训练集合以评价表征该组数据集的每个特征，在此所述评价特征可以是BNA模式的一个节点或一对节点或任何节点的组合。优选使用训练集计算的评估分数(例如，每个特征训练集中每个元素的分数)输入到特征选择算法。特征选择也可以施加于其它特征，例如但不限于EEG和ERP的特征，例如但不限于连贯性、相关性、时间和振幅测量。特征选择也可以施加于这些特征的不同组合。

此过程的结果可以是一组监督BNA模式(图33中表示为“监督网络”)，其每个均适合于描述一个具有特定特征集人群的不同子组。在所述过程中获得的监督BNA模式可以允许对单个受试者与特定网络或多个网络获得的BNA模式进行比较。因此，监管BNA模式可以作为生物标记物使用。

一旦BNA模式被构建，其可以被发送到诸如计算机显示器或打印机的显示设备。可替代地或附加地，BNA模式也可以被传送到计算机可读介质。

此方法在15处结束。

根据本发明的各种示例性实施例，图4是描述适合用于分析特定受试者BNA模式的方法流程图。该方法开始于50，并继续至51，在此处通过参照上述图1、2和3描述的操作获得所述受试者的一个BNA模式，更优选为一个加权BNA模式。在51处获得的BNA模式即下面称为BNA图案20。根据需要，BNA图案20可以在如计算机监视器或打印机等显示装置上被显示或打印，和/或存储在计算机可读介质中。

在本发明的各种示范实施例中，BNA图案20是一种关联特定受试者的BNA模式，其基于所述受试者数据与先前注释BNA模式的组数据之间关系进行构建。先前注释的BNA模式可任选并优选输入先前注释BNA模式的数据库，在这种情况下，该方法优选地获得每个数据库BNA模式的关联特定受试者BNA模式。

术语“注释的BNA模式”指的是与注释信息相关联的BNA模式。所述BNA模式的注释信息可以分别存储(例如在计算机可读介质上一个单独文件)。所述注释信息优选对应于一个特定脑相关紊乱或病症识别整个BNA模式的全球化注释。因此，所述注释信息可以是关于特定紊乱、病症或脑功能存在、不存在或水平的信息。可预期的注释信息还有实施例中与施加到受试者的治疗相关的紊乱或条件相关特定大脑信息。例如，一个BNA模式可以与紊乱相关的治疗大脑对应信息进行注释。这样BNA模式还可以采用与治疗相关的剂量、持续时间累积和经过的时间等属性进行注释。一个BNA模式任选并优选与紊乱相关的未治疗脑部对应信息进行注释。

如本文所用，术语“治疗”包括消除、基本上抑制、减慢或逆转状况的进展、基本上改善状况的临床或外观症状或基本上预防状况的临床或外观症状的出现。治疗可包括侵入性和非侵入性的任何类型干预，包括但不限于药理学、外科手术、幻变、康复等类似方面。

可替代地或附加地，BNA模式可以被识别为对应于个体的特定组(例如具体的性别、人种、年龄组等)，其中，所述注释信息涉及到该组个体的上述特性。在本发明的一些实施例中，所述注释信息包括局部注释，其中以特定紊乱、条件和/或组的指示识别BNA图案的多个位置节点。

该方法进行至52，在此BNA模式20与先前注释的BNA模式进行比较。在从同一受试者获得数个特定受试者BNA模式的实施例中，优选将其每个特定受试者BNA模式与相应注解BNA模式进行比较。该方法任选且优选地选择相互最佳匹配的BNA模式对。任选地，该方法可以给每对被比较的BNA模式分配一个分数。此分数可以是诸如上文更详细说明的一个或多个BNA模式的相似性S。因此，在本发明的各种示例性实施例中52包括至少一个描述BNA模式20和先前注释的BNA模式之间的相似性的BNA模式相似性S计算。

在本发明的各种示范实施例中，BNA模式20至少与一个注释为异常的BNA模式进行比较以及至少与一个注释为正常的BNA模式进行比较。注释为异常的BNA模式是一个与指示相关紊乱或病况在大脑存在、不存在或水平的注释信息相关联的BNA模式。注释为正常的BNA模式是从识别为具有正常脑功能的一个受试者或更优选地一组受试者中提取的BNA模式。与注释为异常和正常的BNA模式进行的对比对于根据与紊乱或病状相关的各个脑部进行BNA模式20分类是有用的。这种分类任选和优选地通过某个特定受试者BNA模式与组BNA模式之间的相似性数值进行表示。

特定受试者BNA模式的分类可根据的脑相关紊乱或病症代表性实例本包括但不限于：注意缺陷多动障碍(ADHD)、中风、创伤性脑损伤(TBI)、轻度TBI(俗称作为与相关联的脑震荡)、创伤后应激障碍(PTSD)、疼痛(例如产痛、急性疼痛、慢性疼痛、机械性疼痛、静态异常性疼痛、动态异常性疼痛、骨癌痛、头痛、骨关节炎疼痛、炎性疼痛、与疼痛自身免疫性病症或纤维肌痛)、癫痫症、帕金森、多发性硬化、躁动、滥用、阿尔茨海默病/痴呆、焦虑、恐慌、恐惧症、双相型障碍、边缘型人格障碍、行为控制问题、躯体变形障碍、认知问题(例如温和认知功能障碍)、抑郁症、分离性障碍、进食障碍、食欲障碍、乏力、呃逆、冲动控制问题、易怒、情绪问题、运动的问题、强迫症、人格障碍、精神分裂症和其他精神病性障碍、季节性情感障碍、性功能障碍、睡眠障碍、口吃、物质滥用、抽动秽语综合症、拔毛发癖或暴力/自我毁灭行为。

短语“炎性疼痛”是指因任何发炎组织的水肿或肿胀导致的疼痛，包括炎症性关节痛。炎性关节疼痛包括类风湿关节炎疼痛。

短语“急性疼痛”是指任何疼痛，包括但不限于关节疼痛、骨关节炎疼痛、类风湿关节炎疼痛、炎性疼痛、烧伤疼痛、切口疼痛、手术后疼痛、纤维肌痛的疼痛、骨癌痛、月经痛、背痛、头痛、静态异常性疼痛和动态异常性疼痛，如果不及时治疗各可持续从1分钟至91天、1分钟至31天、1分钟至7天、1分钟至5天、1分钟至3天、1分钟至2天、1小时至91天、1小时至31天、1小时至7天、1小时至5天、1小时至3天、1小时至2天、1小时至24小时、1小时至12小时或1小时至6小时。急性疼痛包括但不限于关节疼痛、骨关节炎疼痛、类风湿关节炎疼痛、炎性疼痛、烧伤疼痛、切口疼痛、手术后疼痛、纤维肌痛的疼痛、骨癌痛、月经痛、背痛、头痛、静态异常性疼痛、动态异常性疼痛、急性关节疼痛、急性骨关节炎疼痛、急性类风湿性关节炎痛、急性炎症性疼痛、急性头痛、急性月经痛、急性腰痛和纤维肌痛急性疼痛。急性疼痛可选自急性关节疼痛、急性骨关节炎疼痛、急性类风湿关节炎疼痛、急性炎症性疼痛、急性头痛、急性经痛和急性背痛。急性疼痛还可选自急性关节疼痛、急性骨关节炎疼痛、急性类风湿关节炎疼痛和急性炎症性疼痛。急性疼痛也可选自急性关节疼痛、急性骨关节炎疼痛和急性类风湿关节炎疼痛。急性疼痛也可选自急性关节痛和急性骨关节炎疼痛。

此前注释的BNA模式可任选且优选作为已识别具有正常脑功能或相同脑紊乱组受试者属性的基线注释BNA模式。此基线注释BNA模式可任选的大于依据命令(BNA模式中的节点数目定义)并和/或尺寸(BNA模式中的边缘数目定义)的BNA模式20。用于构建和注释此基线BNA模式的技术和基线BNA模式的示例在下面的实施例部分进行描述。

根据本发明的一些实施例，BNA模式之间的比较优选定量。在这些实施例中BNA模式之间的比较包括计算BNA模式的相似性。所述BNA模式相似性任选和优选地基于所述BNA模式的连接权重值进行计算。例如，BNA模式相似性可以通过特定受试者BNA模式间的平均连接权重获得。当多于一种类型的连接权重被分配给BNA图案20的每对节点时，优选分别对每一类型的连接权重执行BNA模式间的平均化。任选并优选地可组合一种或多种平均化(例如相加、相乘、平均等)以形成组合BNA模式相似性。可替代地，平均的代表(例如最大)可被定义为BNA模式相似性。

所述BNA模式相似性可用于作为一个分类分值，定量地描述所述受试者在各自组的成员级别。此实施例对于当一个以上的特定受试者BNA模式是使用不同组数据的相同受试者进行构建时尤为有用，其中该分类分值可以用来评估所述受试者在各自组的成员级别。

所述相似性可以表示为一个连续或离散的变量。在本发明的各种示例性实施例中，相似性是一个非二进制数。换句话说，不是确定两个BNA模式是否相同或不同，该方法是计算这两个BNA模式相似或不相似的程度。例如，所述相似性可以表示为介于0和1之间的非整数百分比(例如0对应于完全不相似，1对应于BNA模式与它本身之间的比较)，和类似数。

用于计算相似性的上述过程可以通过特定受试者BNA模式20和注释为异常的BNA模式之间的比较来进行，也可以通过特定受试者BNA模式20和注释为正常的BNA模式之间的比较来进行。

受试者BNA模式与参比BNA模式之间的比较任选和优选相对于特征选择过程期间获得的监督BNA模式(参见例图33)。

预期有几个比较方案，其示意性地示于图34A-C。这些比较方案是尤其可用于构建作为基线的单一受试者BNA模式，其可对跨越多个试验的受试者进行评分。这种基线的优点是在所述受试者内获得的数据可变性通常小于受试者之间的变异性。因此，根据本发明的一些实施方案对所述受试者的BNA模式与以对应于相同受试者的BNA模式进行比较。

在图34A中示出的比较，执行了一个匹配过程，对单个受试者代表组BNA模式(多个)之间的大脑活动相似性程度进行了定量。根据本发明的一些实施例，相似性的大致程度可以通过与所有对比特征相关的单独相似性评分的加权和进行量化。在获得数个BNA模式的实施例中，每个BNA模式特性化一个关于人口的特定子组。在这些实施例中，所述受试者可以与此受试者特性最类似子组相关联的一个或多个BNA模式进行匹配。

在图34B中示出的比较，对所述受试者的BNA模式与组BNA模式进行比较；优选选择所述单一受试者相对组网络的代表匹配特征(例如最佳匹配特征)。这些代表匹配特征可作为单一受试者BNA模式与组BNA模式之间的交集，生成一个个性化的单一受试者BNA子模式，作为在同一受试者多个测试中的参比基线。

在一些实施例中，在选择一个单一受试者BNA模式作为参比时为进行微调可能将所述单个受试者与若干个描述均质亚型的组BNA子模式进行比较。因此，与组BNA模式特征相匹配的个体特征可以进行已定制BNA模式的提取和所述个体与描述个体特性条件(例如健康与患病)的特征子集进行比较。

在图34C中示出的比较，显示了各种组合的比较。这些包括但不限于单个受试者BNA模式与另一单一受试者BNA模式、BNA模式与所述BNA模式和单一受试者BNA模式的交集，以及相似情况。

在53处该方法提取关于受试者条件的信息，响应BNA图案20与注释BNA图案(多个)之间的比较。一旦信息被提取，如果需要其也可以传输到一个计算机可读介质或显示装置或打印装置。本发明预期可有许多类型的信息。这些类型的代表性例子后续会进一步详细提及。

此方法在54处结束。

在本发明的各种示例性实施例中，所提取的信息涉及的受试者脑功能异常的可能性。此外，所述BNA模式的比较可以任选和优选地用于提取预后信息。例如，可将BNA模式20与描述具有类似康复历史的相同脑功能异常受试者组的基线注释BNA模式进行比较，其中所述基线注释BNA模式是从康复过程初期获取的神经生理数据进行构建。BNA模式20与基线注释BNA模式之间的相似性水平可作为特定脑功能异常和特定康复过程的预后指标。

脑功能异常的可能性任选和优选地通过至少部分基于BNA模式20与注释BNA模式(多个)之间相似性测定的脑障碍指数进行提取。例如，当计算BNA模式20与注释对应于多动症BNA模式之间相似性时，此相似性可用于计算多动症指数。所述脑障碍指数可以是相似性本身，或者基于相似性来计算。在本发明的各种示例性实施例中，脑障碍指数可基于BNA模式20与注释异常的BNA模式之间相似性进行计算，也可基于BNA模式20与注释正常的BNA模式之间相似性进行计算。例如，前者相似性表示为S_abnormal而后者相似性表示为S_normal，其中S_abnormal和S_normal均在0和1之间，所述脑紊乱指数I_disorder可以如下计算：

I_disorder＝(S_abnormal+(1-S_normal))/2.

上述公式的变化并不排除在本发明的范围外。

确定ADHD的情况脑紊乱指数过程的代表性实例为示图5A-F，图中显示从EEG数据构建BNA模式。在图5A-F中，红色节点对应于在δ频带的ERP，绿色节点对应于在θ频带的ERP和黄色节点对应于在α频带ERP。所述BNA模式还包括对应于多于一个以上的频带记录的ERP位置节点。这些节点被示为混合色。具体地讲，绿-红节点对应于在δ和θ频带的ERP和黄-绿色节点对应于在α和θ频带的ERP。

图5A示出了注释为正常的基线BNA模式，而图5D示出注释为对应多动症的基线BNA模式。这两个BNA模式分别根据鉴定为正常和多动症的成年受试者组进行构建。如图5A所示，正常脑功能的基线BNA模式是具有主要在δ频带(红色节点)代表在多个在右半球额叶-后位置的节点ERP。δ节点的特征时间窗口的宽度约50毫秒。δ节点的特征潜伏期平均约90-110毫秒和约270-330毫秒。如图5D所示，多动症基线BNA模式是具有主要在θ和α的频带(绿色和黄色的节点)代表在多个额核位置的节点ERP。所述多动症BNA模式还可以包括在中央顶叶位置的节点。在θ和α节点的特征时间窗口ΔtA从约100毫秒到约200毫秒。

图5B和5E分别显示基于正常和ADHD基线组BNA模式比较构建的关联特定受试者BNA模式。如上所述计算出的相似值是S_normal＝0.76(图5B)和S_ADHD＝0.47(图5E)。因此，与多动症基线BNA模式相比本受试者的BNA模式更类似于正常基线BNA模式。本受试者的多动症指数可被设置为0.47，更优选为(0.47+(1-0.76))/2＝0.355。

图5C和5F示出了特定受试者BNA模式(根据另一单一受试者构建)分别，以正常和多动症基线BNA模式之间进行比较的结果。如上所述计算出的相似值是S_normal＝0.32(图5C)和S_ADHD＝0.68(图5F)。因此，与正常基线BNA模式相比本受试者的BNA模式更类似于多动症基线BNA模式。本受试者的多动症指数可被设置为0.68，或者更优选为(0.68+(1-0.32))/2＝0.68。

所述脑紊乱指数可以以比例尺图形的形式呈现给用户。这种多动症情况图形的代表性示例见图11。

虽然上述实施例特别对多动症进行了强调说明，但是应当理解的是对此紊乱的更详细参照并不是以任何方式限制本发明的范围。因此，BNA模式的比较技术可用于评估包括任何上述脑相关紊乱在内的许多脑相关紊乱可能性。关于脑相关紊乱可能性评估的进一步例子在以下实施例部分(参见多动症的实施例1和轻度认知障碍和阿尔茨海默氏病的实施例5)提供。

基线注释BNA模式也可以与给予组受试者治疗相关的受试者特定脑相关紊乱或状况的注释信息相关。这样的基线BNA模式也可以用包括剂量、持续时间和处理经过的时间等治疗特征进行注释。BNA模式20与此类型基线BNA模式的比较可以提供该特定受试者对治疗响应和/或治疗有效性的信息。这种比较任选并优选地用于提取特定治疗的预后信息。与这种基线BNA模式互补的BNA模式是注释为对应于未治疗的脑相关紊乱BNA模式。

可选地且优选地，该方法对BNA模式20至少与一个注释为对应治疗脑相关紊乱的基线BNA模式和至少与一个注释为对应未治疗脑相关紊乱的基线BNA模式相比较。采用此两种基线BNA模式评估受试者对治疗响应的过程代表性实例见图6A-F、7A-D和8A-E。

图6A-D显示的BNA模式是根据特定多动症受试者中记录的EEG数据构建的关联特定受试者BNA模式。图6A-D中的黑点表示EEG电极的位置。在这些BNA模式中的颜色代码具有与上述相同的定义。图6A-B中的特定受试者BNA模式描述了多动症受试者与未治疗多动症受试者之间的关联，而图6C-D中的BNA模式描述了多动症受试者与均给予哌甲酯(MPH)治疗的多动症受试者组之间的关联。图6A和6C中的特定受试者BNA模式是以多动症受试者任何治疗前记录的脑电图数据为依据，而图6B和6D中的特定受试者BNA模式是以多动症受试者给予MPH治疗后记录的脑电图数据为依据。

根据未治疗多动症受试者组构建的基线注释BNA模式以及根据相同受试者组给予MPH治疗后构建的并基线注释BNA模式分别参见图6E和6F。

每个特定受试者BNA模式计算的BNA模式相似度示于图6A-D。对应于图6A计算的特定受试者BNA模式相似度为0.73，对应于图6B计算的特定受试者BNA模式相似度为0.19，对应于图6C计算的特定受试者BNA模式相似度为0.560，对应于图6D计算的特定受试者BNA模式相似度为0.6。本发明人认识到这些相似性值表明该受试者响应于所述治疗。治疗前，该受试者的BNA模式具有一个与未治疗多动症受试者的基线BNA模式相比较高的相似性(0.73)，而与已治疗多动症受试者的基线BNA模式相比较低的相似性(0.56)，这意味着该受试者可以与未经治疗的多动症受试者组进行区分。一剂量MPH治疗后，与未治疗多动症组基线BNA模式的相似度值科学地从0.73减小到0.19，而与治疗多动症组基线BNA模式的相似度值科学地从0.56提高到0.6，这意味着一剂量治疗后，受试者的大脑活动不再具有未治疗多动症活动的特性，而具有了已治疗多动症活动的特性。

关于多动症受试者的某些MPH研究结果概括于图12。对于每一个受试者，构建两个关联特定受试者BNA模式。第一个BNA模式描述受试者与未治疗的多动症受试者组的关联，第二个BNA模式描述受试者与健康受试者组(对照)的关联。左侧柱显示MPH治疗前的受试者平均得分，中间柱表示MPH治疗后的受试者平均得分，右侧柱显示对照组的得分。

随时间演变的组BNA模式代表性示例示于图13。图13所示为三列BNA模式，分别对应于未经治疗的多动症受试者(左列)，经MPH治疗的多动症受试者(中列)和对照(右列)。以50毫秒为间隔显示演变。每列最上面的BNA模式是经该列中其他模式的叠加形成。

关于从多动症受试者获得的神经生理数据进一步分析细节请参见后续的实例部分(参见实例1)。

本实施例中所述的BNA模式也可用于决定给受试者的推荐剂量。需明确的可以变化剂量直至获得已治疗受试者与基线BNA模式具有足够高或最大的相似性。一旦获得上述相似性，则可通过此方法确定将获得此相似性的设定为对此受试者的推荐剂量。

图7A-D显示的BNA模式是根据不同多动症受试者中记录的EEG数据进行构建，根据上述的相同方案给予这些受试者MPH治疗的相关响应参见图6A-D。图7A-D中的黑色点表示EEG电极的位置，这些BNA模式中的彩色编码与上述的定义相同。因此，图7A-B中显示的特定受试者BNA模式描述所述多动症受试者与未治疗多动症受试者组的关联，图7C-D中显示的BNA模式描述所述多动症受试者与经MPH治疗多动症受试者组的关联。图7A和7C中的特定受试者BNA模式是以多动症受试者任何治疗前记录的脑电图数据为依据，而图7B和7D中的特定受试者BNA模式是以多动症受试者给予MPH治疗后记录的脑电图数据为依据。

需要注意的是图7A和7D中的BNA模式不包括任何节点和边缘。但这并不意味这些受试者没有大脑活动。无效的关联特定受试者BNA模式意味着没有对应受试者的数据特征属于该受试者相匹配组的关联簇。

对每个图7A-D中显示的特定受试者BNA模式计算BNA模式相似性。与图7A中BNA模式对应的相似性计算为0，与图7B中BNA模式对应的相似性计算为0，与图7C中BNA模式对应的相似性计算为0.06，与图7D中BNA模式对应的相似性计算为0。本发明人认为这些相似性数值表明该受试者对治疗无响应。

图8A-D显示的关联特定受试者BNA模式是根据两名健康志愿者受试者中记录的EEG数据进行构建。图8A-D中的黑色点表示EEG电极的位置，这些BNA模式中的彩色编码与上述的定义相同。图8A-D中显示的特定受试者BNA模式描述所述受试者与给予安慰剂治疗和相关畸变任务的健康受试者组之间的关联。该组的基线注释BNA模式参见图8E。

图8A和8C是从给予安慰剂治疗的第一个受试者(图8A)和第二个受试者(图8C)采集的EEG数据构建的特定受试者BNA模式。图8B和8D是从给予东莨菪碱药物治疗的第一个受试者(图8B)和第二个受试者(图8D)采集的EEG数据构建的特定受试者BNA模式。东莨菪碱是一种抗胆碱能药物，具有抑制兴奋型M2胆碱受体的作用。其对大脑皮层具有抑制作用，一般诱发轻微麻醉效果。

对每个图8A-D中显示的特定受试者BNA模式计算BNA模式相似性。计算的相似性分别为0.937、0.079、1.0和0.94。本发明人认为这些相似性数值表明所述第一名受试者(图8A和8B)对东莨菪碱具有高响应，而所述第二名受试者(图8C和8D)具有低响应。此结论也经过临床观察的确认，给予东莨菪碱治疗后观察到第一名受试者的行为终点下降70％，但第二名受试者的行为终点没有变化。

从服用东莨菪碱受试者中获取的神经生理学数据分析在后续实例部分提供(参加实例4)。

上述实施例表明，本实施例的BNA图案比较技术可用于定量评估对治疗的响应。虽然上述实施例特别强调了对MPH和东莨菪碱治疗的描述，但是应当理解的是对这些治疗的更详细参照并不是以任何方式限制本发明的范围。因此，BNA模式的比较技术可用于评估对多种治疗的响应和有效性。

在本发明的各种示例性实施例中，所提取关于所述受试者疼痛水平的信息为经验值。优选地，该信息包括客观的疼痛水平。根据本发明的一些实施例，疼痛水平评价在提供患有慢性疼痛受试者治疗或康复的机构中尤其有用。使用BNA模式测量疼痛的代表性实例见图9A和9B，表明根据一项疼痛研究期间的EEG数据构建BNA模式，进一步细节参见后续的实例部分(参见实例3)。图9A是根据一名宣称疼痛较高的受试者构建的特定受试者BNA模式，图9B是根据一名宣称疼痛较低的受试者构建的特定受试者BNA模式。如图所示，疼痛水平的差异显示于BNA模式中，经历低疼痛受试者的BNA模式的尺寸小于经历高疼痛受试者。因此，BNA模式的尺寸可被用作为疼痛程度指标。

在本发明的一些实施例中，将BNA模式20与同一受试者在不同的时间的BNA模式进行比较。这些实施例对于许多应用是有用的。

例如，在一些实施例中，采用此种比较用于确定神经可塑性在大脑中的存在、不存在和/或水平。

脑可塑性涉及大脑对环境改变的适应能力(功能上和/或结构上)，此类改变有时是损伤或中风后，但更常见的是在获取新的技能时。大脑的可塑性已在许多基本任务中得以证明，有证据指向重复执行中的皮层物理改变。从具体的任务重复执行导致神经相互作用的可塑性已知导致执行改善。

神经可塑性的判定对患中风的受试者特别有用，中风患者的脑部分受损而其他部分开始起功能或改变功能。2名中风后的受试者BNA之间的比较可用于识别脑活动的变化，也可以用于评估大脑的神经可塑性。在本发明的一些实施例中，在受试者的康复期间构建受试者的后期BNA模式。后期BNA模式从数个康复阶段获得的数据中任选，优选在所述康复的足够末期。此BNA模式可以被看作是由大脑为了克服运动功能障碍建立的一个神经网络通路。因此在某一阶段构建的一个特定受试者BNA模式可以与后期的BNA模式进行比较，从而建立受试者的学习曲线。

神经可塑性的判定对患有慢性疼痛的受试者特别有用。本发明人认为慢性疼痛在大脑中形成和建立，并且常常伴随着大脑的化学变化。例如N-乙酰天冬氨酸的降低和其他脑代谢产物的变化。此化学变化导致抑郁、焦虑和/或认知记忆功能的丧失。2名所述受试者BNA之间的比较可用于识别脑活动的变化，继而评估这些化学变化。例如，这种评估可以与疼痛刺激组合使用以确定受试者是慢性疼痛患者或对痛觉刺激正常响应的可能性。

在一些实施例中，对根据一种治疗获得的神经生理学数据构建的BNA模式与根据治疗之前获得的神经生理数据构建的BNA模式进行比较。这样的比较可以用于评估治疗响应及任选治疗的有效性。上述图6A-D、7A-D和8A-D大体上可以如此操作，不同的是此种比较是对同一受治疗者的两个BNA模式而不是受试者BNA模式与组基线BNA模式之间。

在一些实施方案中，对根据执行特定任务与未执行此特定任务和/或其他特定任务的受试者神经生理数据构建的BNA模式进行比较。此实施例的代表性示例参比图10A-H。

图10A-H为根据两组受试者在工作记忆测试时记录的EEG数据构建的BNA模式。图10A-H中的黑色点表示EEG电极的位置，这些BNA模式中的彩色编码与上述的定义相同。在测试过程中，该组的每个受试者被要求记住一副人脸的图像(简称“提示”)。两秒钟后，向受试者再次展现一副人脸图像(简称为“探针”)，并且要求受试者确定探针与提示是否匹配。

第一组的BNA模式示于图10A-D。图10A和10B是根据给予安慰剂(以下称为安慰剂A)治疗构建的组BNA模式，图10C和10D是根据给予东莨菪碱治疗的组BNA模式。第二组的BNA模式示于图10E-H，其中图10E和10F是根据给予安慰剂(以下称为安慰剂B)治疗构建的组BNA模式，图10G和10H是根据给予氯胺酮治疗的组BNA模式。

前述已解释了东莨菪碱的作用。氯胺酮被广泛认为是一个常见非巴比妥酸盐麻醉剂，其可迅速作用产生麻醉状态。更具体地说，氯胺酮是一种传统用于诱导分离麻醉的丙烯环烷基胺。氯胺酮已被用于诱导健康儿童前择期手术麻醉，并且还用于诱导不耐受普通麻醉老年受试者中的麻醉。

图10A、10C、10E和10G的BNA模式分别根据提示出现时获得数据进行构建。本发明人认为其中包含了脑记忆过程(在已知文献中也称为“编码”)的信息。图10B，10D，10F和10H的BNA模式分别根据探针出现时获得数据进行构建。本发明人认为其中包含了脑检索过程的信息。值得注意的是图10A-H的BNA模式描述分化活性网络。因此，例如图10A的BNA模式描述的提示时脑活动在安慰剂A和东莨菪碱间存在差异；图10B的BNA模式描述的提示时脑活动在安慰剂B和氯胺酮间存在差异。

如图10A-B和10E-F所示，其均给予安慰剂治疗，在检索过程中的BNA模式在命令和尺寸上均明显大于记忆过程中的BNA模式。给予东莨菪碱和氯胺酮治疗的情况则不同。东莨菪碱(图10C-D)诱导(ⅰ)额叶与顶部区域之间的低连通性，和(ii)中央和额叶的广泛代偿活动。氯胺酮(图10G-H)诱导中央和额叶活动增加、右不对称降低。未观察到所述BNA模式的额顶叶部分显著变化。

关于对服用东莨菪碱受试者获得的神经生理数据分析的进一步细节在后续实例部分提供(参见实例4)。

本实施例的BNA模式比较技术也可用于诱导改善脑功能。本发明的一些实施例中，在更高层次的认知测试期间一般实时构建关联特定受试者BNA模式。所述受试者可以用已构建的BNA模式呈现或以此作为反馈。例如，作为所述认知行为的结果，当所述受试者的BNA模式与健康组的属性BNA模式更相似时，可用该受试者的阳性反馈呈现受试者的此结果。相反当所述受试者的BNA模式与脑紊乱组的属性BNA模式更相似时，可用该受试者的阴性反馈呈现受试者的此结果。与神经反应相关的实时BNA模式分析可任选且优选用于获得采用外部刺激电极提升皮质刺激。

本实施例的BNA模式比较技术也可用于评价对光疗的反应和任选功效。光疗是一种用于生物组织，达到诸如刺激组织恢复和再生过程等特定生物功能的光能应用。另一方面，较高强度水平的光疗可抑制所述生物功能或损伤相关组织，此可应用于肿瘤组织中。

大体上，通过将光能辐射入受试者组织、皮肤下或组织表面得以完成光疗。此辐射即包括可见光波长范围也包括不可见的红外(IR)波长范围。光疗还可以通过和不相干光能、镭射和非镭射光能、窄波段和宽波段光能以及连续或离散等方式得以实现。此辐射能通常以低能量强度应用，通常以毫瓦特测量。在治疗中使用的相对较低的辐射能称为低水平光能(LLLT)。建议将LLLT用于CNS的神经紊乱，用以防止和/或修复损伤、缓解症状、减缓疾病进程和修正基因异常。特别是光疗可用于脑血管意外(中风)。

本实施例可用于评估对光疗尤其是神经紊乱LLLT的反应和任选功效。通过在光疗前、中、后获得的神经学数据构建BNA模式以及上述描述细节的相互间和/或与基线BNA模式进行对比实现此评估。

本实施例的BNA模式比较技术也可用于评价对高压治疗的反应和任选功效。高压治疗包含多种医疗条件、治疗目的和培训方案。高压治疗有助于多种氧气依赖疾病以及运动损伤的治疗。高压治疗可有效治疗的一些失调包括：脑水肿、颅脑和脊髓损伤、慢性卒中、中风后、早期器质性脑综合征、脑干综合征、脑缺血、脑血液循环障碍和头痛症。高压治疗一般是在高于大气压的高压室室压状态下通过一个密闭式面罩、头罩或其他设备给使用者提供氧气。此氧气是通过超气压室外的供给源提供给使用者。所述受试者通过一个通到高压室外的密闭系统呼气，如此可使高压室内空气保持小于23.5％的含氧量或不产生氧气富集。高压室内的环境也通过连接到室外的源进行维持，并一般通过恒温器进行控制。

通过在高压治疗前、后及任选治疗期间获得的神经学数据构建BNA模式以及上述描述细节的相互间和/或与基线BNA模式进行对比实现对高压治疗反应和任选功效的评价。

通过本实施例的BNA模式比较技术评价的其他治疗实例包括但不限于超声治疗、康复治疗和诸如肌电生物反馈、脑电图神经反馈、经颅磁刺激(TMS)和电极直接刺激(DES)的神经反馈。

在本发明的一些实施例中，在与BNA比较中提取信息相关的脑部进行局部刺激。局部刺激是任选和优选在对应于至少一个BNA模式节点空间位置的一个或多个位置。该方法的操作51、52和53可以重复执行，并且本发明一些实施例所提取信息的变化改变此局部刺激。因此，可在一个封闭环中执行此刺激和BNA模式分析，其中BNA模式分析可以提供关于治疗有效性的指示。可在受试者的单个部位执行此封闭环操作，例如将从脑部收集数据的电极和用于施加刺激的系统接合于受试者的头部。

本实施方案考虑多种类型的局部刺激。代表性的实例包括但不限于经颅刺激、上皮层电皮层刺激和脑深部刺激(DBS)。

适合于本实施例的经颅刺激技术代表性实例包括但不限于经颅电刺激(tES)和经颅磁刺激(TMS)。适合于本实施例的tES代表性例子包括但不限于经颅直流电刺激(tDCS)、经颅交流电刺激(tACS)及经颅随机噪声刺激(tRNS)。tES可以是多灶性或单个灶点。tES可使用任何数量的电极。通常，电极数量是从1到256，但是在本发明的一些实施例中也考虑使用了超过256的电极。在本发明的一些实施例中，采用诸如但不限于HD-tDCS的高清晰度tES(HD-tES)。

适合于本实施例的tDCS和HD-tDCS可参见Edwards等人《神经成像》74(2013)266-275，Kuo等《脑刺激》第6卷第4期(2013年)644-648和Villamar等人《J疼痛》(2013)14(4)：371-83，其内容通过引用并入本文。

本实施方案也考虑结合经颅刺激和深度脑刺激(DBS)。因为经颅刺激(如tDCS或HD-tDCS)可提升DBS有效性所以这些实施例很有用。一些实施例中在DBS之前执行经颅刺激(如tDCS或HD-tDCS)，其中采用BNA模式分析的封闭环鉴别对脑刺激的作用。一旦建立起该作用即可在经颅刺激(如tDCS或HD-tDCS)起效(如最有效)的部位实施DBS。

在本发明的一些实施例中，经颅刺激(例如tDCS或HD-tDCS)被同时或间歇地与DBS运用。以此改善DBS治疗的有效性。可以通过本实施例的BNA模式分析方法来实现合并刺激(经颅和DBS，例如t ES和DBS)，其中在远离DBS电极位置的BNA模式区域进行经颅刺激，而在靠近DBS电极的BNA模式区域则通过DBS电极进行刺激。合并刺激(经颅和DBS，例如t ES和DBS)可用于激活和/或抑制大脑中各区域的活动，且可同步或独立地由BNA模式呈现。在本发明的一些示例性实施例中，采用合并刺激(经颅和DBS，例如t ES和DBS)达到通过执行经颅刺激(例如tDCS或HD-tDCS)控制DBS激活阈值的目的。例如，经颅刺激可以降低在那些受DBS作用脑区周围脑区的激活阈值，从而扩展了DBS的有效范围。所述经颅刺激也可以增加受DBS作用脑区的激活阈值从而控制DBS的刺激路径。

可任选并优选地采用DBS从大脑获得神经生理数据。根据本发明的一些实施例，通过所述方法用这些数据来更新BNA模式。

局部刺激是任选和优选在对应于至少一个BNA模式节点空间位置的一个或多个位置。例如，可分析BNA模式以识别对应于脑功能紊乱的位置。在这些位置，进行局部刺激可减少或消除该病症。替代地，可以在对应于BNA模式其他节点的位置进行所述局部刺激。这些其他位置可以是在同一受试者或组受试者中的先前刺激已证明可成功地减少或消除该病症的位置。

应用局部刺激的一个代表性例子是在疼痛的情况下。在这些实施例中，施加局部刺激以减少或消除疼痛。因此，分析BNA模式可以以识别对应于疼痛的节点，然后在对应于这些节点的位置施加刺激。

在一些实施方案中，在获取神经生理数据之前或同时对受试者施加疼痛刺激(如热刺激)。对其BNA模式进行分析以识别对应于所施加疼痛刺激的节点且可在对应于已识别节点的一个或多个位置处施加局部刺激。这些实施例特别有用但不是唯一地用于治疗慢性疼痛(例如纤维肌痛)的情况。

除了上述的MPH、东莨菪碱和氯胺酮，所述BNA模式比较技术还可用于评估许多其它类型药物治疗的反应和任选功效。

例如，当受试者患有诸如阿尔茨海默氏病的神经变性紊乱时，所述治疗可以包括使用选自多奈哌齐、毒扁豆碱、他克林等的药理学活性制剂以及药剂学上以上成分的可接受酸加成盐，及其以上成分的任何组合；当受试者患有诸如亨廷顿氏病的神经变性紊乱时，所述治疗可包括使用选自氟西汀、卡马西平等药理学活性制剂和药剂学上以上成分的可接受酸加成盐，及其以上成分的任何组合；当受试者患有例如帕金森氏病的神经变性紊乱时，所述治疗可包括使用选自金刚烷胺、阿扑吗啡、溴隐亭、左旋多巴、培高利特、罗匹尼罗、司来吉兰、苯海索、阿托品、东莨菪碱、格隆等组药理学活性制剂以及药剂学上以上成分的可接受酸加成盐，及其以上成分的任何组合；并且当受试者患有诸如肌萎缩性侧索硬化症(ALS)的神经变性紊乱时，所述治疗可以包括使用选自巴氯芬、地西泮、替扎尼定、丹曲林等组药理学活性制剂以及药剂学上以上成分的可接受酸加成盐，及其以上成分的任何组合。

一般地，药物治疗可以包括使用药理学活性制剂，例如中枢作用的药物，特别是中枢神经系统活性制剂和其他神经系统药物，包括但不限于以下内容：拟交感胺类、包括神经营养因子的神经保护和神经再生剂、神经活性氨基酸和多肽、神经递质、毒蕈碱受体激动剂和拮抗剂、抗胆碱酯酶、神经肌肉阻断剂、神经节刺激性药物、治疗如阿尔茨海默氏病、亨廷顿氏病、帕金森氏病和肌萎缩侧索硬化症(ALS)神经变性紊乱的制剂、抗癫痫药、中枢神经系统和呼吸兴奋剂和选择性地修改CNS功能的药物包括麻醉剂、止痛剂、止吐剂、抗高血压药、脑血管扩张剂、催眠剂和镇静剂、抗焦虑药和镇静剂、精神安定剂、抗微生物剂、α-肾上腺素能受体拮抗剂和食欲抑制剂。如本领域普通技术人员所理解的，一些药剂被两个或多个上述分类所涵盖。

这些药理学活性剂的例子包括但不限于拟交感胺(例如包括沙丁胺醇、安非他明、苄甲苯异丙胺、可尔特罗、二乙胺、多巴胺、盐酸多巴胺、多巴酚丁胺、麻黄碱、肾上腺素、肾上腺素酒石酸氢盐、乙基去甲肾上腺素、乙基去甲肾上腺素盐酸盐、芬氟拉明、非诺多泮、非诺多巴、非诺多巴甲磺酸盐、羟化苯丙胺、羟化苯丙胺氢溴酸盐、异波帕胺、异他林、异丙肾上腺素、盐酸异丙肾上腺素、美芬丁胺、美芬丁胺硫酸盐、奥西那林、间羟胺、间羟胺酒石酸氢盐、甲氧胺、甲氧胺盐酸盐、米多君、去甲肾上腺素、去甲肾上腺素酒石酸氢盐、苯甲曲秦、芬美曲秦、芬特明、去氧肾上腺素、盐酸去氧肾上腺素、苯乙胺、苯丙醇胺、普瑞特罗、六氢脱氧麻黄碱、利托君、特布他林、硫酸特布他林和酪胺)；神经保护和神经再生剂(例如兴奋性氨基酸拮抗剂和神经营养因子，例如脑源性神经营养因子、睫状神经营养因子、神经生长因子、神经营养蛋白(NT)3(NT3)、NT4和NT5)；神经活性氨基酸和肽(例如γ氨基丁酸(GABA)、甘氨酸、β丙氨酸、牛磺酸和谷氨酸以及神经活性肽包括缓激肽、胰激肽、脱-精氨酸sup.9-缓激肽、脱-精氨酸sup.10-胰激肽、脱-精氨酸sup.9-[亮氨酸.sup.8]-缓激肽、[D-苯丙氨酸.sup.7]-缓激肽、HOE140、神经肽Y、脑啡肽和相关的阿片肽，如蛋氨酸.sup.5-脑啡肽、亮氨酸sup.5-脑啡肽、α-、β-和γ内啡肽、α-和β-新内啡肽、强啡肽；神经递质(例如GABA(γ氨基丁酸)、甘氨酸、谷氨酸、乙酰胆碱、多巴胺、肾上腺素、5-羟色胺、P物质、血清素、脑啡肽和如上述有关阿片肽和儿茶酚胺；毒蕈碱受体激动剂和拮抗剂(如胆碱酯，如乙酰胆碱、乙酰甲胆碱、卡巴胆碱、乌拉胆碱(氨基甲酰甲基胆碱)、乌拉胆碱氯化物；拟胆碱天然生物碱及合成的类似物包括槟榔碱、毛果芸香碱、毒蕈碱、McN-A-343和氧化震颤素。毒蕈碱性受体拮抗剂通常是颠茄生物碱或半合成或合成的类似物，如阿托品、东莨菪碱、后马托品、后马托品溴甲烷、异丙托、甲胺、甲基东莨菪碱和噻托溴铵；胆碱酯酶抑制剂(例如安贝氯铵、安贝氯铵氯化物、癸二胺苯酯、癸二胺苯酯溴化物、碘化二乙氧膦酰硫胆碱、腾喜龙、氯化腾喜龙、新斯的明、溴化新斯的明、新斯的明甲酯、毒扁豆碱、水杨酸毒扁豆碱、吡斯的明、和溴吡斯的)；神经肌肉阻断剂和神经节阻断药物(例如双胆碱酯(如琥珀酰胆碱)、苄基异喹啉类(d-筒箭毒碱、阿曲库铵、多库酯钠、美维松)和哌库、罗库溴铵、维库溴铵)、六甲铵、咪噻吩和美加明；治疗神经变性疾病制剂(例如用于治疗阿耳茨海默氏病的活性剂，如多奈哌齐、多奈哌齐盐酸盐、毒扁豆碱、水杨酸毒扁豆碱、他克林和盐酸他克林，用于治疗亨廷顿病的活性剂，例如但不限于氟西汀和卡马西平、抗震颤麻痹药，例如但不限于金刚烷胺、阿扑吗啡、溴隐亭、左旋多巴(特别是左旋多巴/卡比多巴的组合)、培高利特、罗匹尼罗、司来吉兰、苯海索、盐酸苯海索和抗胆碱能剂；以及用于治疗ALS的制剂，例如但不限于解痉(抗痉挛)剂，如巴氯芬、地西泮、替扎尼定和丹曲林)；抗癫痫药(例如抗惊厥(抗惊厥)药物如乙酰唑胺、卡马西平、氯硝西泮、氯拉卓酸、乙琥胺、乙苯、非尔氨酯、加巴喷丁、拉莫三嗪、美芬妥英、甲基苯巴比妥、苯妥英、苯巴比妥、扑米酮、三甲双酮、氨己烯酸，并且是可用于多种适应症包括焦虑、失眠、恶心)的苯并二氮杂类；以及中枢神经系统和呼吸兴奋剂(如黄嘌呤如咖啡因和茶碱、安非他明类如安非他明、盐酸苄甲苯异丙胺、右旋安非他命、右旋安非他命硫酸盐、左旋苯丙胺、左旋苯丙胺盐酸盐、甲基苯丙胺和甲基苯丙胺盐酸盐；以及杂项兴奋剂如哌甲酯、盐酸哌甲酯、莫达非尼、匹莫林、西布曲明和盐酸西布曲明)。

还可预期选择性地修改CNS功能的药物。这些药物包括但不限于麻醉剂，如氯胺酮；阿片类镇痛药如阿芬太尼、丁丙诺啡、布托啡、可待因、二氢可待因、芬太尼、氢可酮、氢吗啡酮、左啡诺、哌替啶、美沙酮、吗啡、纳布啡、氧可酮、氧吗啡酮、喷他佐辛、丙氧芬、舒芬太尼和曲马多；非阿片类镇痛剂如阿扎丙宗、依托度酸、diphenpyramide、吲哚美辛、甲氯灭酸、甲灭酸、奥沙普秦、保泰松、吡罗昔康和托美丁；止吐药如氯丙嗪、西沙必利、多潘立酮、格拉司琼、甲氧氯普胺、昂丹司琼、奋乃静、丙氯拉嗪、异丙嗪、硫乙拉嗪、和三氟普马嗪；抗高血压剂如阿可乐定、可乐定、胍法辛和胍那苄；脑血管扩张剂如长春胺、萘呋胺草酸盐、罂粟碱和烟酸；催眠剂和镇静剂如氯美噻唑、炔己蚁胺、依托咪酯、格鲁米特、眠尔通、甲乙哌酮、唑吡坦和巴比妥类(如异戊巴比妥、阿普比妥、仲丁比妥、布他比妥、甲基苯巴比妥、美索比妥、戊巴比妥、苯巴比妥、司可巴比妥、硫喷妥钠)；抗焦虑药和镇静剂如苯二氮类(如阿普唑仑、溴替唑仑、利眠宁、氯巴占、氯硝西泮、氯氮卓、地莫西洋、地西泮、艾司唑仑、氟马西尼、氟西泮、哈拉西泮、劳拉西泮、咪达唑仑、硝西泮、劳拉西泮、奥沙西泮、普拉西泮、夸西泮、替马西泮、三唑仑)、丁螺环酮和氟哌利多；神经安定剂包括抗抑郁药、抗躁狂药和抗精神病剂，其中抗抑郁药包括(a)三环抗抑郁药如阿莫沙平、阿米替林、氯米帕明、地昔帕明、多虑平、丙咪嗪、马普替林、去甲替林、protryptiline和曲米帕明，(b)血清素再摄取抑制剂西酞普兰、氟西汀、氟伏沙明、帕罗西汀、舍曲林、与文拉法辛、(c)单胺氧化酶抑制剂，例如苯乙肼、反苯环丙胺和(-)-司来吉兰，以及(d)其他，“非典型”抗抑郁剂如安非他酮、奈法唑酮和曲唑酮文拉法辛，以及抗躁狂和抗精神病药物包括(a)吩噻嗪如醋奋乃静、马来酸盐醋奋乃静、氯丙嗪、盐酸氯丙嗪、氟奋乃静、盐酸氟奋乃静、氟奋乃静庚酸酯、氟奋乃静癸酸酯、美索达嗪、美索达嗪苯磺酸盐、奋乃静、硫利达嗪、盐酸硫利达嗪、三氟拉嗪和盐酸三氟拉嗪，(b)噻吨如氯普硫蒽、替沃噻吨和盐酸替沃噻吨，(c)其它杂环药物如卡马西平、氯氮平、氟哌利多、氟哌啶醇、氟哌啶醇癸酸盐、洛沙平琥珀酸盐、吗茚酮、吗茚酮盐酸盐、奥氮平、匹莫齐特、喹硫平、利培酮、舍吲哚；抗胆碱能药如阿托品、东莨菪碱和格隆铵；抗微生物剂例如(a)四环素抗生素和相关化合物(金霉素、土霉素、地美环素、甲烯、多西环素、吡甲四环素)，(b)大环内酯类抗生素如红霉素、克拉霉素、阿奇霉素，(c)链阳性菌素类抗生素如奎奴普丁和达福普汀，(d)β-内酰胺抗生素包括青霉素(如青霉素G、青霉素VK)、抗葡萄球菌青霉素(例如氯唑西林、双氯西林、萘夫西林、和苯唑西林)、广谱青霉素类(例如氨基青霉素如氨苄西林、阿莫西林和抗假单胞菌青霉素如羧苄西林)和头孢菌素(例如头孢羟氨苄、头孢吡肟、头孢氨苄、头孢唑啉、头孢西丁、头孢替坦、头孢呋辛、头孢噻肟、头孢他啶和头孢曲松)和碳青霉烯类如亚胺硫霉素、美罗培南和氨曲南，(e)氨基糖苷类抗生素如链霉素、庆大霉素、妥布霉素、丁胺卡那霉素、和新霉素，(f)糖肽抗生素如万古霉素和替考拉宁；(g)磺酰胺抗生素如醋酰、磺胺苯酰、磺胺嘧啶、磺胺、磺胺甲基嘧啶、磺胺二甲嘧啶、磺胺甲和磺胺甲基异恶唑，(h)喹诺酮类抗生素例如环丙沙星、萘啶酸氧氟沙星；(i)抗分支杆菌如异烟肼、利福平、利福布汀、乙胺丁醇、吡嗪酰胺、乙硫异烟胺、氨基水杨酸和环丝氨酸，(j)全身抗真菌剂如伊曲康唑、酮康唑、氟康唑和两性霉素B，(k)抗病毒剂如阿昔洛韦、泛昔洛韦、更昔洛韦、碘苷、索立夫定、三氟胸苷、伐昔洛韦、阿糖腺苷、去羟肌苷、司他夫定、扎西他滨、齐多夫定、金刚烷胺、干扰素α、利巴韦林和金刚乙胺，(l)杂抗微生物剂如氯霉素、大观霉素、多粘菌素B(粘菌素)和杆菌肽；α肾上腺素受体拮抗剂如多沙唑嗪、印哌胺、酚苄明、酚妥拉明、哌唑嗪、妥拉唑林、特拉唑嗪、三甲氧唑嗪和育亨宾；食欲抑制剂如苯丙胺、右旋安非他命、右旋安非他命硫酸盐、盐酸二乙胺、马吲哚、甲基苯丙胺盐酸盐、苯丁胺和盐酸苯丁胺。

根据本发明的一些实施例，图14是一个根据组受试者记录的神经生理数据构建数据库的方法流程图。

如上文进一步详述，此进行分析的神经生理数据可能是直接从所研究受试者脑部获取的任何数据。可以采集后立即对该数据进行分析(“在线分析”)或者将其记录和存储随后进行分析(“离线分析”)。神经生理数据可包括任何上述数据类型。本发明的一些实施例的数据是脑电图数据。如上文详细说明，可在受试者执行或概念化任务和/或动作之前和/或之后收集所述神经生理数据。如上文进一步详述，如ERPs或ERFs的所述神经生理数据可作为事件相关的测量。

该方法开始于140并可选且优选地持续到神经生理数据被接收的141处。可以直接从所述受试者记录该数据或者从诸如存储有数据的计算机可读存储器介质的外部源接收数据。

该方法继续至142，在此处确定数据特征间的关系以便来识别活动相关特征。活动相关特征可以是极值(峰、谷等)，并且它们可以通过上文的进一步详细说明进行识别。

该方法继续至143，在此根据已识别的活动相关特征执行划分程序以限定多个胶囊，每个胶囊均至少代表大脑中的一块时空活动区域。从广义上讲，划分程序可定义每个标识特征邻域。该邻域任选且优选是时空邻域。在本发明的一些实施例中，所述邻域是一个光谱时空邻域，这些实施例后续进行详细说明。

该邻域可以被定义为一个极值位于的空间区域(二维或三维)和/或极值发生的时间间隔。优选地，对空间区域和时间间隔均进行定义以便为每个极值关联一个时空邻域。如此定义邻域的优点在于它们可提供跨时间和/或空间数据的扩展结构信息。邻域(在各自的维度)的尺寸可以基于极值属性来确定。例如，在一些实施例中，邻域的大小等于在极值半最大值(FWHM)时的整个宽度。邻域的其他定义并不排除在本发明范围外。

在本发明的各种示例性实施例中，在多个网格元件之间建立空间网格。所述空间网格构建的输入优选测量装置的位置(例如，在头皮上、epicortical表面、大脑皮层或更深脑部的位置)。在本发明的各种典型实施例中，采用分段插值以便建立具有比描述检测设备位置属性分辨率更高分辨率的空间网。分段插值优选利用一个平滑滑分析函数或一组平滑分析函数。

在本发明的一些实施例中，所述空间网格为一个二维空间网格。例如，所述空间网格可以描述受试者的范围或epicortical表面或颅内表面。

在本发明的一些实施例中，所述空间格网是一个三维空间网格。例如所述空间网格可以描述受试者的颅内体积。

一旦构建所述空间网格，每个已识别的活动相关特征优先与网格元件x(x可以是实施例中构建二维网格中的表面元件或一个位置点，或者是构建三维网格中的体积元件或在一个点位置)和一个时间点t相关联。然后对应于已识别活动相关特征的胶囊可以被定义为将与关联网格元件x相邻的网格元件和与关联时间点t相邻的时间点胶囊化的时空活动区域。在这些实施例中，一个特定胶囊的维数为D+1，其中D是空间维数。

相邻网格元件任选和优选地包括所有各自活动相关特征的幅度水平在预定阈值范围内(例如上述的一半峰值振幅)的网格元件。相邻时间点任选和优选地包括所有活动相关特征的幅度水平在预定阈值范围内的时间点，此预定阈值范围可以与定义相邻网格元件的阈值范围相同。

该划分步骤143可任选且优选包括不同频率分解数据以提供多个频带，包括但不限于上文详述的δ、θ、α、低β、β、高β频带。例如但不限于γ频带的更高频带也可以考虑。在这些实施例中，可对每个频带单独定义所述胶囊。

本发明的发明人还考虑将每个已确定的活动有关特征与一个频率值f相关联的划分程序。其中，将对应于已确定活动有关特征的胶囊定义为具有网格元件邻域x、时间点邻域t和频率值邻域f的胶囊化光谱时空活性区域。因此，在这些实施例中，一个特定胶囊的维数为D+2，其中D是空间维数。

根据本发明一些实施例，对每个受试者单独进行胶囊定义。在这些实施例中，用于特定受试者胶囊定义的数据仅包括从该特定受试者收集的数据，而不包括从所述组中其他受试者收集的数据。

在本发明的各种示例性实施例中，方法继续至144。在此处根据所述胶囊将数据聚类形成一系列的胶囊簇。当为每个频带分别定义胶囊时，也优选为每个频带执行聚类。聚类程序的输入可以包括所述组中所有受试者的一些或所有胶囊。无论是先前地或动态地执行聚类程序，优选定义一组限定。选择该组限定生成簇集，每个簇代表的一个所有簇中普遍存在的大脑活动事件。例如，该组限定可包括簇中每个受试者的最多允许事件(例如一个或两个或三个)。限定集也可包括簇中的最大允许时间窗和最大允许空间距离。适合于本实施例中聚类程序的代表性例子可参见下面提供的实例部分。

一旦所述簇被定义，则可以任选和优选执行以减少簇的表示。例如在本发明的一些实施例中，采用簇的胶囊化表示。在这些实施例中，每个簇被表示为单个胶囊，其特性近似于这些簇组成的胶囊特性。

在一些实施例中，该方法进行至145。在此处确定胶囊之间的关系。可以使用上述关于确定BNA模式边缘的程序来实现(参见如图3B-E)。具体来说，胶囊间关系能够代表两个胶囊之间的因果关系。例如，对于给定对胶囊中的每一个，都可以定义时间窗。这些时间窗口对应于沿时间轴的胶囊宽度。两个胶囊之间的延迟差窗口也可以被定义。这个延迟差窗口对应于沿时间轴的胶囊之间分离。

所述各个时间窗和延迟差窗口可以被用来定义胶囊对之间的关系。例如，阈值程序可以应用到这些窗口中的每一个，从而接受、拒绝或定量(例如分配权重)胶囊之间的关系。所述阈值程序可以是对所有窗口是相同的，或更优选地可以是特定于每个类型的窗口。例如，一个阈值程序可以用于沿时间轴的胶囊宽度而另一个阈值程序可以用于延迟差窗口。该阈值参数任选根据胶囊间的空间距离，其中较短距离则采用较低的时间阈值。

本实施例设想有多种类型的胶囊间关系，包括但不限于两个定义胶囊之间的空间接近性、两个定义胶囊之间的时间接近性、两个定义胶囊之间的频谱(例如信号的频率)接近性和两个定义胶囊之间的能量(例如信号功率或幅度)接近性。

在一些实施例中，一组各自具有胶囊和时空峰受试者被定义为一组胶囊。任选和优选基于各个组胶囊之间的时间差定义两组胶囊之间的关系。该时间差优选计算为两组胶囊受试者的对应两时空峰值间的时间差。该时间差可以替代计算为每一个胶囊(而非峰值之间的时间差)时空事件激活起始点之间的是检查。

例如，如果具有这些胶囊受试者中的胶囊间时间差在预定的时间窗内时则可以宣称这两组胶囊为一对相关胶囊。该标准被称为时间窗口限定。适用于本实施例的一个典型时间窗口是几个毫秒。

在一些实施例中，基于具有那些胶囊的受试者数目来定义两组胶囊之间的关系。例如，当具有所述胶囊的受试者数目高于预定阈值时，则宣称该两组胶囊为一对相关胶囊。该标准被称为受试者数限定。在本发明的各种实施例中，还使用了时间窗口限定和受试者数限定，其中当时间窗口限定和受试者数限定都满足时则宣称此两组胶囊为一对相关胶囊。可以创建一个特定胶囊对的最大受试者数目被称为两组受试者的交集。

因此，在本实施例中构建胶囊型网络模式，其中胶囊网络模式可被表示为节点对应于胶囊而边缘对应于胶囊间关系的曲线图。

在本发明一些实施例中，将此方法应用(操作149)特征选择程序于胶囊生成至少一个胶囊子集。

在本发明的一些实施例中，采用了特征的正向选择；在本发明的一些实施例中，则采用了特征的反向选择。在本发明的一些实施例中，本发明的方法采用了一种用于控制可能会导致差选择的假阳性误报程序，这样的程序被称为假发现率(FDR)程序，可参比例如Benjamini等的Supra。此内容通过引用并入本发明。

适合于本实施例的特征选择过程代表性例子示于图33。开始时，任选并优选地使用为达到相对高精确度的足够大数据集考察一组受试者(例如无论是健康对照或患病受试者)。所述组可以使用BNA模式来表示。然后将所述特征选择程序施加于数据集的训练集合以评价表征该组数据集的每个特征，在此所述评价特征可以是BNA模式的一个节点或一对节点或任何节点的组合。优选使用训练集计算的评估分数(例如，每个特征训练集中每个元素的分数)输入到特征选择算法。特征选择也可以施加于其它特征，例如但不限于EEG和ERP的特征，例如但不限于连贯性、相关性、时间和振幅测量。特征选择也可以施加于这些特征的不同组合。

此过程的结果可以是一组胶囊的高级网络，其每个均适合于描述一个具有特定特征集人群的不同子组。在所述过程中获得网络可以允许对单个受试者与一个或多个特定网络获得的胶囊进行比较。因此，所获得的网络可以作为生物标记物使用。

在本发明的一些实施例中，该方法继续至146处。在此处对每个簇(或胶囊表示物)和/或每对簇(或胶囊表示物)定义权重。可以如前所描述的分配给BNA边缘的权重对对簇进行加权计算。

单个胶囊或簇的权重可以描述在数据库中特定胶囊的存在水平。例如，一个簇的权重可以被定义为如上计算的簇中所有胶囊的平均幅度。该权重任选和优选采用所有簇所有振幅均值总和进行归一化。

还可以预期的是，权重描述定义簇中胶囊的一个或多个参数的统计分布或密度。具体而言，该权重可包括至少一个：簇中所述振幅的分布或密度、簇中所述空间分布或空间密度、簇中所述时间分布或时间密度和簇中所述频谱分布或频谱密度。

在147处本方法将所述簇和/或其标示和/或胶囊网络模式存储在计算机可读介质中。当计算权重时，它们也被存储。

所述方法结束于148处。

图15是一个根据本发明的一些实施例的流程图，示出适合于分析记录自受试者神经生理数据的方法。

如上文进一步详述，此进行分析的神经生理数据可能是直接从所研究受试者脑部获取的任何数据。可以采集后立即对该数据进行分析(“在线分析”)或者将其记录和存储随后进行分析(“离线分析”)。神经生理数据可包括任何上述数据类型。本发明的一些实施例的数据是脑电图数据。如上文详细说明，可在受试者执行或概念化任务和/或动作之前和/或之后收集所述神经生理数据。如上文进一步详述，如ERPs或ERFs的所述神经生理数据可作为事件相关的测量。

该方法开始于150，并可选且优选地持续到151处接收神经生理数据。该数据可以直接从受试者记录或者从诸如存储有所述数据计算机可读存储器介质的外部源接收。

该方法继续到152，在此处确定数据特征之间的关系以便识别活动相关特征。活动相关特征可以是极值(峰、谷等)，并且它们可以通过上文的进一步详细说明进行识别。

该方法继续到153，如上文进一步详述在此处根据已识别的活动相关特征执行划分程序以限定多个胶囊。如上文进一步详述所述胶囊和胶囊之间的关系定义了该受试者的胶囊网络模式。

在一些实施例中，该方法进行到157，如上文进一步详述在此处执行一个特征选择程序。

该方法任选和优选地继续到154，此处是有多个入口的数据库，每个入口都进行一个带注释数据库胶囊。可如上文图14描述构建此数据库。

术语“注释胶囊”指的是与注释信息相关联的胶囊。该注释信息可以根据胶囊分别存储(例如在计算机可读介质上一个单独文件)。注释信息可以与单个胶囊或胶囊的集合相关联。因此，注释信息可以诸如是关于特定紊乱或条件或脑功能的存在、不存在或程度信息。实施例中还可预期其中的注释信息是涉及给予受试者治疗相关的特定大脑相关紊乱或条件。例如一个胶囊(或胶囊集合)可以注释为对应于已治疗过的大脑相关紊乱。一个胶囊(或胶囊集合)也可任选且优先地注释为对应于未治疗过的大脑相关紊乱。上文提及的任何紊乱、大脑功能条件和治疗都可以作为注释信息。

代替或另外地所述胶囊(或胶囊集合)可以被识别为对应于个体的特定组(例如具体的性别、人种、年龄组等)，其中所述注释信息涉及此个体组的特性。

所述数据库可包括从一组受试者获得数据定义的胶囊，也可以使用来自同一受试者不同时间获得在的数据，例如一个较早时间。在后一种情况下，所述胶囊注释可以包括接收日期代替或附加于上述类型注释。

该方法进行到155，在此处对至少一些(例如所有)已定义胶囊和一个多多个参比胶囊进行比较。

本实施例考虑一种以上类型的参比胶囊。

在本发明的一些实施例中，参比胶囊是使用从相同受试者在例如一个较早时间的不同时间获得的神经生理数据所定义的基准胶囊。

这些实施例的一个特别而非限制性的例子是同一受试者在数个疗程(如N个疗程)的情况下。在每个疗程之前和之后获取数据，并为每次数据获取定义胶囊。治疗前定义的胶囊可作为基线胶囊而将治疗后获取的胶囊与之对比。在本发明的一些实施例中，基线胶囊是第一疗程之前获取定义的胶囊，而将每个成功获取定义的胶囊与此相同的基线胶囊进行对比。在本发明的一些实施例中，基线胶囊是第k个疗程之前获取定义的胶囊，而将随后每个获取定义的胶囊与这些基线胶囊进行对比。此实施例对于评估一个或多个特定疗程的效果是有用的。

该比较可以任选地用于确定大脑神经可塑性存在、不存在和/或水平。

神经可塑性的判定对患中风的受试者特别有用，中风患者的脑部分受损而其他部分开始起功能或改变功能。中风受试者的两个胶囊或胶囊集之间的比较可用于识别脑活动的变化，从而可以用于评估大脑的神经可塑性。神经可塑性的判定是对患有慢性疼痛的受试者特别有用。两个胶囊或胶囊集之间的比较可用于识别脑活动的变化，从而可以用于评估这些化学变化。这种评估可以与诸如疼痛刺激组合使用，以确定受试者是慢性疼痛患者或对此疼痛刺激具有正常反应的可能性。

该比较可以任选地用于估计创伤性脑损伤(TBI)的可能性。基于三个参数TBI常被分类为轻度、中度和重度TBI：1)意识变化的量和长度，2)健忘症(记忆丧失)的长度，以及3)格拉斯哥昏迷评分(GCS)。传统上，意识长度小于20分钟、健忘症是24小时或更小且GCS评分高于13的脑损伤被归类为脑震荡(mTBI)。同一受试者两个胶囊或胶囊集之间的比较可用于识别脑活动的变化，从而可以用于评估如脑震荡的TBI存在、不存在或可能性。

在本发明的一些实施例中，参比胶囊是采用不同受试者中获取的神经生理数据定义的胶囊。

在本发明的一些实施例中，将根据所述数据定义的特定胶囊相对于基准胶囊(如前文定义或根据先前采集的数据定义)的变化量与注释为正常的两个或多个胶囊间的变化量进行对比。例如，将特定胶囊相对于所述基线胶囊的变化量与注释为正常的第一个和第二胶囊间的变化量进行对比。任选且优选地根据在已经识别为具有正常脑功能的不同受试者中获取的神经生理学数据定义这些已注释的胶囊。

这些实施例的优点在于它们能够评估一个特定胶囊相对于基线胶囊所观察到的变化量的诊断程度。例如，当相对于所述基线胶囊的变化量与从已经识别为具有正常脑功能的两个或更多个不同受试者中神经生理学数据获取的变化量相近时，该方法可以评估所观察到的相对于基线胶囊的变化是减少或没有任何意义。另一方面，当与正常受试者中的变化量相比相对于基线胶囊的所述变化量明显时，该方法可以评估观察到的相对于基线胶囊的变化量具有显著诊断意义。

在访问先前注释胶囊数据库(操作154)的实施例中，所述参比胶囊任选且优选该数据库胶囊。该胶囊可以与至少一个注释为异常的数据库胶囊和至少一个注释为正常的数据库胶囊进行比较。注释为异常的数据库胶囊是一个与大脑有关紊乱或病况的存在、不存在或水平等注释信息相关的胶囊。注释为正常的数据库胶囊是采用具有正常脑功能的一名或一组受试者数据定义的胶囊。将注释为异常的数据库胶囊与注释为正常的数据库胶囊进行比较对于根据各个脑相关紊乱或病况进行受试者分类是有用的。这种分类任选和优选通过各胶囊之间相似性的可能值执行。

此胶囊之间的比较通常是以确定所比较胶囊之间的相似性为目的。此相似度可以基于任意维数所述胶囊之间的相关性。在由本发明人进行的实验中，甚至使用了非胶囊尺寸内的胶囊间相关性。这些实验在后续实例部分进行更详细描述。

此胶囊之间的比较可以包括计算描述已定义胶囊与数据基础胶囊之间的相似性分数。当数据库对应于一组具有一个共同紊乱、病况、脑功能、治疗或其它特性(性别、人种、年龄组等)受试者时，其相似性程度可以表达诸如组中受试者的关系水平。换言之，此相似性程度表示所述组中受试者紊乱、病况、脑功能、治疗或其他特性如何接近或有多远。

此得分计算可包括通过描述各个数据库胶囊的多维统计分布(例如，多维正态分布)计算对应于受试者胶囊的时空向量统计得分(例如z得分)。在本发明的一些实施例中，采用所述数据库中的权重对此统计得分进行加权。此得分计算也可包括胶囊与相应数据库胶囊之间相关性的运算。适用于本实施例的得分计算程序代表性例子在后续实例部分提供。

关于该数据库特定分数的得分也可用于两个胶囊彼此比较。例如，第一胶囊C1和之前的不同于C1的第二胶囊C2。假设将C1与数据库X比较并分配有得分S1。进一步假设C2与数据库Y(在一些实施例中即数据库X，但也可以是一个不同的数据库)比较并被分配有得分S2。在本发明的一些实施例中通过S1与S2的比较实现C1与C2之间的比较。当C1和C2中的一个是基准胶囊和C1和C2是根据不同受试者收集的神经生理数据定义时，这些实施例尤为有用。

所述受试者胶囊和数据库的比较可以在不论任何类型的胶囊间关系中执行。在这些实施例中，将受验者胶囊与数据库胶囊进行比较而没有考虑到特定一对数据库胶囊是否具有在时间、空间、频率或幅度方面的关系。

可替代地，如上文进一步详述的该方法可确定已定义胶囊的胶囊间关系，并构建与此胶囊间关系相对的胶囊网络模式。在这些实施方案中，是在已构建的模式和与数据库模式之间进行比较。

受试者胶囊和数据库胶囊之间的比较任选和优选关于特征选择过程期间获得的高级胶囊网络(例如，参见图33)。

考虑有几个比较方案，示意性地示于图34A-C。

如图34A中示出的比较，将单个受试者大脑活动与其代表网络(多个)之间的定量化相似度进行匹配处理。根据本发明的一些实施例，通过对所有比较特征相关的独立相似性得分进行加权求和量化相似性的大体程度。在这些实施例中得到数个网络，每个网络特性化集合中的一个特定子组。在这些实施例中，一个受试者可以匹配于与该受试者属性最相似的一个或多个子组关联网络。

如图34B中示出的比较，执行受试者与组网络进行比较的胶囊网络模式和单个受试者与组网络的代表特征匹配(例如最匹配的特征)。这些代表匹配特征可被用作单个受试者胶囊网络和组网络之间的交点近似值并构成个性化的单个受试者子组，用作相同受试者多次测试中的参比基准。

在一些实施例中，在选择用作参比的单个受试者网络时将所述单个受试者与几个描述均质亚型的子组网络进行比较可起到微调作用。因此，将个人特征与该组网络特征进行匹配可以允许提取个性化网络和该个人与最能描述其条件(例如健康、患病)属性的特征子集的比较。

在图34C中示出的比较，示出各种比较组合。这些包括但不限于对单个受试者网络与另一个受试者网络、网络与该网络与单个受试者网络交点等等。

该方法结束于156处。

在本发明的各种示例性实施例中，从155处比较中提取的信息涉及该受试者脑功能异常的可能性。另外，该比较可以任选和优选用于提取预后信息。例如，将所述胶囊与一个参比(例如基线)胶囊集做对比，该胶囊集为描述一组患有相同异常脑功能与同类康复历史的受试者属性，其中的基线胶囊集根据在康复过程起始时获取的神经生理数据构建。在153处获取的胶囊间相似性水平和参比胶囊集可用作特定脑功能异常和特定康复过程的预后指标。

所述脑功能异常可能性任选和优选地通过确定脑紊乱指数获得，该指数至少部分基于在153处所获胶囊与参比胶囊集之间的相似性，该参比胶囊集即上文进一步详述的关于BNA模式20和已注释BNA模式的对比。

但是应当理解，本实施例的胶囊可用于评估包括任何前述的许多脑相关紊乱的可能性。

一个基线胶囊集也可以与一组受试者特定脑相关疾病或条件及给予该组受试者的治疗等注释信息相关。此基线胶囊集还可以采用包括剂量、持续时间和治疗经过的时间等治疗属性进行注释。在153处获得胶囊与这种类型基线胶囊集的比较可以提供关于受试者对治疗响应和/或对特定受试者治疗有效性的相关信息。这种比较可任选并优选地用于获取特定治疗后的预后信息。与这种基线胶囊集互补的胶囊集是一组被注释为对应于未经治疗的脑相关紊乱的胶囊。

任选地且优选地，本方法将在153处获得的胶囊与至少一种注释为对应已治疗脑相关紊乱的基线胶囊集和至少一种注释为对应未经治疗脑相关紊乱的基线胶囊集进行对比。

本实施例中的所述胶囊还可用于确定给予受试者的推荐剂量为。具体而言，调整剂量直到获得与以治疗受试者的基线胶囊集足够高的或最大的相似性。一旦达到这样的相似性，则该方法可确定达到这种相似性的剂量即为此受试者的推荐剂量。

在本发明的各种示例性实施例中，胶囊剂之间的所述比较被用于提取受试者经历疼痛的级别信息。优选地，该信息包括一个客观的疼痛水平。根据本发明的一些实施例，疼痛程度评价对于患有慢性疼痛受试者的治疗或康复尤为有用。

在本发明的一些实施例中，将在153获得的胶囊与一组从同一受试者在不同的时间构建的胶囊集进行比较。这些实施例对于许多应用是有用的。

例如，在一些实施方案中，如上文进一步关于BNA图案之间比较的详述该比较用于确定大脑神经可塑性存在、不存在和/或水平。

在一些实施例中，根据治疗后获取的神经生理学数据所得的胶囊集治疗前获得的胶囊集进行对比。这样的比较可以用于评估对治疗的响应性和任选功效。

在一些实施方案中，将根据受试者在执行特定任务时获取的神经生理学数据所得的胶囊集与受试者未执行此特定任务和/或执行另一特定任务时获取神经生理数据所得的胶囊集进行对比。

本实施例的胶囊也可用于诱导改善脑功能。在本发明的一些实施例中，一般是实时地获取受试者在较高级别认知测试期间的一组胶囊。此受试者可以呈现为胶囊集(例如可以采用图形表示)并以此作为反馈。例如，作为认知行为的结果，当所述组受试者的胶囊集变得更类似于健康组胶囊集时，以受试者阳性反馈作为此受试者的结果呈现。相反，作为认知行为的结果，当所述组受试者的胶囊集变得更类似于脑紊乱组胶囊集时，以受试者阴性反馈作为此受试者的结果呈现。BNA模式的实时分析与神经反馈一起可以任选和优选地用于通过外部刺激电极实现改善皮层刺激。

如上文进一步详述的关于BNA模式之间比较，本实施例中的所述胶囊还可用于评估光疗和/或高压疗法的响应和任选功效。

采用本实施例所述的胶囊对比方法可评估的其他治疗实例还包括但不限于超声治疗、康复治疗以及诸如肌电生物反馈、脑电图神经反馈、经颅磁刺激(TMS)和电极直接刺激(DES)的神经反馈。

在本发明的一些实施例中，局部刺激被施加到响应于提取155处比较信息的大脑区域。此局部刺激任选和优选地施加于对应至少一个所述BNA模式节点空间位置中的一处或多处位置。本方法中的操作151、152和153可以重复执行，并且局部刺激可以根据本发明一些实施例中提取信息的响应变化而进行改变。因此，该刺激和胶囊分析可以在一个封闭环中进行，其中所述胶囊分析可以提供指示关于治疗的有效性。此封闭环可以在所述受试者的某一个部分实现，例如使用电极从脑部收集数据而用所述系统在受试者头部施加刺激。

本实施方案考虑多种类型的局部刺激。代表性的实例包括但不限于经颅刺激、上皮层电皮层刺激和DBS。

适合于本实施例的经颅刺激技术代表性实例包括但不限于经颅电刺激(tES)和经颅磁刺激(TMS)。适合于本实施例的tES代表性例子包括但不限于经颅直流电刺激(tDCS)、经颅交流电刺激(tACS)及经颅随机噪声刺激(tRNS)。tES可以是多灶性或单个灶点。tES可使用任何数量的电极。通常，电极数量是从1到256，但是在本发明的一些实施例中也考虑使用了超过256的电极。在本发明的一些实施例中，采用诸如但不限于HD-tDCS的高清晰度tES(HD-tES)。

本实施方案也考虑结合经颅刺激和深度脑刺激(DBS)。因为经颅刺激(如包括但不限于tDCS或HD-tDCS的tES)可提升DBS有效性所以这些实施例很有用。一些实施例中在DBS之前执行经颅刺激(如tDCS或HD-tDCS)，其中采用胶囊分析的封闭环鉴别对脑刺激的作用。一旦建立起该作用即可在经颅刺激(如tDCS或HD-tDCS)起效(如最有效)的部位实施DBS。

在本发明的一些实施例中，经颅刺激(例如tDCS或HD-tDCS)被同时或间歇地与DBS运用。以此改善DBS治疗的有效性。可以通过本实施例胶囊分析方法来实现合并刺激(经颅和DBS，例如t ES和DBS)，其中在远离DBS电极位置的胶囊集区域进行经颅刺激，而在靠近DBS电极的胶囊集区域则通过DBS电极进行刺激。合并刺激(经颅和DBS，例如t ES和DBS)可用于激活和/或抑制大脑中各区域的活动，且可同步或独立地由获得的胶囊呈现。在本发明的一些示例性实施例中，采用合并刺激(经颅和DBS，例如t ES和DBS)达到通过执行经颅刺激(例如tDCS或HD-tDCS)控制DBS激活阈值的目的。例如，经颅刺激可以降低在那些受DBS作用脑区周围脑区的激活阈值，从而扩展了DBS的有效范围。所述经颅刺激也可以增加受DBS作用脑区的激活阈值从而控制DBS的刺激路径。

DBS可任选并优选地用于从大脑获得神经生理数据。根据本发明的一些实施例，这些数据可用于该方法中来更新胶囊集。

局部刺激可施加于胶囊网络模式至少一个胶囊空间位置对应的一个或多个位置。例如，可分析该胶囊网络模式以识别对应于脑功能紊乱的位置。在这些位置，进行局部刺激可减少或消除该病症。替代地，可以在胶囊网络模式其他胶囊的对应位置进行所述局部刺激。这些其他位置可以是在同一受试者或组受试者中的先前刺激已证明可成功地减少或消除该病症的位置。

应用局部刺激的一个代表性的例子是在疼痛情况下。在这些实施例中，施加所述局部刺激以减少或消除疼痛。由此，通过分析其胶囊型网络模式可以识别对应于疼痛的胶囊病在对应于这些胶囊的位置施加刺激。

在一些实施方案中，在获取神经生理数据之前或同时对受试者施加疼痛刺激(如热刺激)。对其胶囊模式进行分析以识别对应于所施加疼痛刺激的胶囊且可在对应于已识别胶囊的一个或多个位置处施加局部刺激。这些实施例特别有用但不是唯一地用于治疗慢性疼痛(例如纤维肌痛)的情况。

图32是一个用于分析神经生理数据的系统320示意图。系统320包括数据处理器322，例如配置用于接收所述神经生理数据并至少执行本文描述一些操作的一个专用电路或通用计算机。系统320可包括被配置用于感测和/或记录神经生理数据和向数据处理器322传送数据的感测系统324。在本发明的一些实施例中，该系统包括一个可连接到脑刺激系统328的控制器326。控制器326任选和优选地配置用于控制脑刺激系统328在预计脑功能的对应大脑区域(未示出)施加局部刺激。脑刺激系统328可以是任何类型，包括但不限于经颅刺激系统、tDCS系统，HD-tDCS系统，配置成在皮层施加电皮层刺激的电皮层刺激系统、DBS系统等。

本文所用术语“约”是指±10％。

本文所用词汇“示范性”表示“用作示例、实例或说明”。任何描述为“示例性”的实施例未必被解释为优选或优于其它实施例和/或排除来自其它实施例的特征的结合。

词语“可选地”在本文中用于表示“在一些实施例中采用，而在其他实施例中不采用”。任何特定的本发明实施例可包括多个“可选的”特征，除非这些特征冲突。

术语“构成”、“由…构成”、“包括”、“包含”，“具有”和它们的同根词是指“包括但不限于”。

该术语“由...组成”是指“包括且限于”。

“基本上由...组成”一词是指组合物或方法可包括另外的成分和/或步骤，但只有当另外的成分和/或步骤不实质上改变所要求保护的组合物或方法的基本和新颖特性。

如本文所使用的，单数形式“一”，“一个”和“该”包括复数引用，除非上下文另有明确说明。例如，术语“一种化合物”或“至少一种化合物”可以包括多种化合物，因此包含混合物。

在整个本申请中，以一系列形式呈现本发明的各种实施例。但应当理解，此系列形式的描述仅仅是为了方便和简洁，不应被解释为对本发明范围的硬性限制。因此，本系列描述应当被认为已经具体公开了所有可能的子范围以及该范围内的单个数值。例如，从1到6的范围描述应考虑到包含有具体公开的子范围如从1到3、从1到4、从1到5、从2到4、从2到6、从3到6等等，以及该范围内单个数值数，例如1、2、3、4、5和6。不论范围的宽度此规则均适用。

本文中标明的数值范围，是指包括在其标明范围内的任何引用数字(小数或整数)。短语在第一指示数字和第二指示数字的“范围/范围之间”以及第一指示数字“到”第二指示数字的“范围/从范围”在本文中可互换使用，并意指包括第一和第二指示数字以及其间的所有分数和整数数字。

可以理解，为了清楚起见，本发明的某些特征在单独实施例的上下文中进行描述，它们也可以在单个实施例中组合呈现。相反，为了简便起见，本发明的各种特征在单个实施例的上下文中进行描述，它们也可以单独地或以任何合适的子组合或在适用于本发明的任何其他实施例中得以呈现。在各种实施例上下文中描述的某些特征不应被认为是那些实施方案的必要特征，除非是该实施例没有这些元素就无法起作用。

上文所划定的各种实施例和本发明的各方面和宣称的权利要求部分可在下面实例中找到实验支持。

实例

现在参比以下实例，以非限制性方式连同以上描述说明本发明的一些实施例。

实例1

时空划分(STEP)程序举例

本实施例的STEP程序将完整的ERP空间和时间维度划分成一组单一的事件，例如极值点及其周围。将收集于不同受试者的两个或两个以上生物时间序列相匹配的难点源于共同隐藏功能微观化的接受存在和受试者执行共同任务的时间不断变化。STEP的划分定义允许在不扭曲信号形状和时间依赖性的状况下匹配不同信号。如此，为了限定和隔离组普通模板可对组中微态池进行聚类。

本实施例中的所述STEP程序将自然状态的相关空间传播和时空动态转换成一个集微观集，从而解决传统时空分析方法的两个缺点：以整体状态使用完整时空地图和微观上时间动态损失的限制。

方法

受试者

两组健康的惯用右手男性和女性受试者，从两个不同的中心参与了这项研究。第一组包括40名(17名男性)来自以色列Ra'anana年龄在23-64岁的受试者，第二组为来自美国堪萨斯州年龄在15-24岁的60名(男性30例)受试者。所有参与者都签署了各中心伦理委员会批准的参与此过程的知情同意书。

任务和数据采集

所有受试者进行听觉Oddball任务。在听觉古怪的目标探测试验中，受试者被要求对不定期无规则一系列标准刺激的听觉目标刺激作出反应。600例试验中，80％为2000Hz的刺激(频率)、10％为要求响应(目标)的1000赫兹罕见刺激以及10％的无需目标响应的各种声音(异常)。刺激间隔为1500毫秒。

受试者被要求注视屏幕中间的标志。使用耳机传递声音，并且声级被设置为70分贝。第一组受试者间隔一周重复3次。

使用64通道Biosemi Active Two系统(阿姆斯特丹，荷兰)获得脑电图记录。此采样率为256Hz。第二组重复2次，通过129道HydroCel GeodesicSensor Net和净放大器300放大器EGI(尤金，俄勒冈州)获得记录。采样率为250Hz。

假象移除程序包括嘈杂电极去除(振幅范围超过±100μV或与邻域电极高度不相似)、嘈杂时期去除(振幅超过±100μV的范围或者频道振幅与其均值偏差超过7STDs)和使用ICA校正眼假象。使用EEGLAB软件(诉9.0.4s)执行所有假象移除阶段。

数据分析

根据本发明的一些实施例，在本实施例中使用的数据分析过程示于框图15。此程序包括预处理、单个受试者特征提取、组聚类和单受试者评分(相对于组特性)。这些每一个阶段可以取决于不同类型的分析独自运行。

对于每个受试者，所述的ERP首先分解成四个常规频带，δ(0.5-4Hz)、θ(3-8Hz)、α(7-13Hz)和β(12-30Hz)。采用最小二乘误差最小化和反向数字过滤设计的线性相位FIR滤波器。接着，计算大脑活动的高分辨率空间网格(33*37个像素)。对于每次采样，根据使用立体样条内插估算的3D电极阵列将全部记录电极的活动插入到二维网格中。

预处理后，程序提取时空事件及其相关联的周围事件。时空事件被定义为极值振幅点(峰)。活动大于绝对峰值一半振幅的该峰值周围被定义为围绕峰值的所有体素(在2D网格空间以及在时间维度)。每个受试者大脑活动特性化的随后特征即在时间上和空间上围绕每个频带峰周围的所有峰和胶囊化活动区域的集合(图16，B框)。在本实施例中这些活动区域是指胶囊。

C框表示在给定频带对一组受试者的胶囊化脑部活动区域进行分类的聚类操作。该聚类的特征输入包括该组中所有受试者的所有胶囊。聚类的目标是生成一组簇集，每个均代表该簇集中每个簇都具有的整体事件。

为了实现此目标，对簇中每个受试者最大参与整体事件施加限定。其他限定包括最大时间窗和在簇中允许的空间距离。所述时间窗口在δ、θ、α和β四个频带分别为200、125、77、56毫秒。所述空间窗口相当于在64个电极10-20系统中非相邻电极之间的最小距离。

本聚类程序包括如下3个阶段。

a.地图化所有可选簇。根据上述规定的限定和高质量簇中包含的忽略簇执行地图化。

b.实施一个贪婪程序以选择最佳簇，以便具有一个包含70％受试者而不含任何簇间重叠峰的簇集。簇的质量措施是参与受试者数目的组合因子，即簇中独立峰与峰值周围环境相关性的欧几里得距离。通过文献[6]中定义的全球现场电源(GFP)和峰周围环境校准将周围环境正常化后，计算两个峰周围环境之间的相关性。

c.得到一个组代表。组代表与单个受试者代表具有相同的特性。在本实施例中，此组代表具有与上一阶段获得簇数目相同数量的胶囊。一个组峰值位置被定义为簇所有成员的峰值位置平均值。为了到达组峰的周围环境，计算平均周围环境。对于参与簇的每一个受试者，获得其原始高分辨率ERP后通过相关受试者峰与该组峰进行校准。所有校准ERP的平均值围绕在该组峰形成一个新的平均高分辨率ERP。以同类方法在单个受试者中提取周围环境。该聚类的最终输出是一系列组共同胶囊，即每个原始簇中包含的单个受试者胶囊平均值。这组胶囊特性化了该组共同大脑活动。

在D框，计算相对于该组共同胶囊集的单个受试者得分。在峰和周围环境方面一个单个受试者代表与组代表相类似，除了组具有峰值位置均值和SDs。当然，组比单个受试者具有较少的整体事件。受试者得分是其胶囊与该组胶囊最佳匹配的加权和：

$S_{score}=\underset{S_i,G_j}{\overset{pairsofbest}{\stackrel{matchedpeaks}{\&Sigma;}}}(capsule\_\mathrm{co}rr(S_i,G_j)*S_{temporal\_dist}(S_i,G_j)*G_{amp\_weight}(G_j\left)\right)$

其中S_i和G_j分别是单个受试者和组通过得分运算发现的最匹配胶囊对；如果S_peak(i),G_peak(j)不符合所述限定则capsule_corr(S_i，G_j)等于零，corr(S_surr(i),G_surr(j))同理。S_peak(i),G_peak(j)分别是该受试者和该组的时空峰；S_surr(i),G_surr(j)分别是该受试者和该组的胶囊；是与所述峰相关性正常化并校准过的相关性；S_{temporal_dist}定义为：

S_{temporal_dist}(S_i,G_j)＝N(S_peak(i)；μ(G_peak(j)),σ²(G_peak(j)))

是参数的正态分布，G_{amp_weight}定义为：

$G_{amp\_weight}\left(G_j\right)={\mathrm{mean}}_{amp}\left(G_{peak}\right(j\left)\right)/\underset{k}{\overset{allpeaks}{\&Sigma;}}{\mathrm{mean}}_{amp}\left(G_{peak}\right(k\left)\right)$

mean_amp(·)是簇中峰振幅的平均值。

总则

代替患者组的与正常组比较中，对新刺激的诱发响应被视为正常目标响应的病理变量并测试STEP程序正确分类此两种响应的能力。

此外，为了在更苛刻和更现实条件下测试此方法的普遍适用性，只有第1组受试者的第3次访问时使用ERPs创建通用模板。以此模版对第2组成员的不同年龄范围、测试系统、电极数量和位置以及采样率进行评分，在这些成员中也使用了所述目标-突出分类。

结果

目标组代表由15个胶囊组成，θ和α频段分别为6和9个。新颖组代表由14个胶囊组成，δ，θ和α频带分别为2、5和7个。所述相关分析时间在刺激后0到600毫秒。组胶囊示于图17A和17B。图17A和17B示出的是第1组第3次访问的目标和新胶囊轮廓。所述Y-Z平面是2D大脑活动网格，在每个胶囊中间的点是所述峰值。

在本例中使用的STEP程序成功将突出与目标反应分类。在第一组的第三来访时执行聚类。基于STEP得分将第一组的另外两次访问和第二组的两次访问对随后组胶囊进行分类。

计算所有组、访问和频段组合的ROC曲线。很明显，θ波段胶囊在所有组合的频率得分中占主导地位，他们是相比其他频段而言是更好突出-目标分类器(表1)。所述各自灵敏度和特异性值来自于θ频带上的截止点。最佳分类的ROC曲线分别为0.85和0.9为(AUC＝0.947)，最差为0.73和0.65(AUC＝0.77)。

表1

所有频率的ROC曲线AUC值

所述4组访问组合的θ带ROC曲线绘于图18。在图18中，G1和G2分别表示第1组和第2组，V1和V2分别表示第一次和第二次访问。蓝色的圆圈是ROC分析的截止点。在图18中所示ROC曲线的相关统计信息列于表2。

表2

ROC统计细节

讨论

算法中使用的STEP程序生成了特定刺激的组活动模板。该程序正确分类了与诱发密切相关的反应。可通过高差异化特色胶囊的定位并基于该胶囊分数实现分类上的改进。

一旦受试者ERP令人满意，则表示一个以上的评价模式可用来评估ERP随时间的变化(主要是恶化)。在一些实施例中，从受试者中收集与基准数据库相同的宽度，对此为了合格而任选和优选测试每个额外性能。在本发明的一些实施例中，正常受试者代表性组反应的最宽共性被定义，并且随后进行单个受试者符合该组的演化。此发明的STEP程序在这些实施例中有用是因为它允许对两个实验间或一个实验与一个派生组共同模板之间的相似性进行分级。

实例2

以下是根据本发明的一些实施例描述的一种适用于各种应用的技术，包括但不限于脑震荡管理。在一些实施例中，该技术被东莨菪碱诱导的认知功能障碍模型所证实。

本实施例的BNA技术可用于提供定量和/或定性的输出，根据本发明的一些实施例此输出对于监测个体受试者随时间变化的脑活动是有用的。

本发明人进行的计算机模拟和实验涉及确定本实施例技术中的重测重复性，以及用于展示由应用本实施方式技术的临床实践。

方法

BNA分析

图19是描述本实施例的技术框图。生成的所述参比脑网络模型用作集成到本实施例计算机化方法的参比基线以及用于计算个体受试者的BNA得分(第1层)。40名23-64岁的健康对照组(男18例，女22例)被用于此目的。

所述规范数据库代表BNA分数变化(ΔBNA分数)，并被生成用以确定为建立趋势分析参照进行的重复测试阶段的BNA分数标准偏差(SEM)(第2层)。60名15-24岁健康对照者(男30例，女30例)被用于此目的。所述趋势分析包括多个备选趋势中搜索最佳趋势。

SEM截止值允许临床医师估计随时间BNA分数的相对变化程度以用于电生理脑活动的趋势分析(第3层)。

根据本发明的一些实施例，BNA分析系统通过一组规范受试者的脑电活动与一组参比大脑网络模型的对比生成定量分数(第1层)。这些得分可以被用来构建其通常至少由这些分数构成的规范数据库。该数据库可被用于确定统计偏差(第2层)。然后可将个体受试者的BNA得分与这个数据库进行对比，以提供评估电生理随时间变化的趋势分析的工具(第3层)。

本实施例的BNA分析可用于揭示受试者组的BNA模式，和/或用于比较单个受试者与组BNAs的大脑活动。该比较可以包括诸如个体BNA模式的形式定性输出和/或以一个或多个(例如2、3、4个或更多)BNA分数的形式定量输出。

组BNA分析可以提供一个参比脑网络模型(见图19第1层)。单个受试者的定量分析可以提供一个规范性的数据库(图19第2层)。单个受试者的定量和/或定性分析可以提供一个趋势分析(图19第3层)。

图20示出适合于本实施例的功能性网络分析轮廓。在本发明的一些实施例中，所述BNA分析包括两个独立的过程：组模式分析(蓝色箭头)和个体受试者评价(红色箭头)。

对于组分析，每个受试者的原始数据(例如但不限于脑电图数据)经历至少如下一个处理阶段：(1)预处理(A-C-假象去除，经过带)；(2)突出的事件萃取(D-E-离散化、正常化)及(3)所有受试者突出事件池(多个蓝色箭头)的网络分析(F-H-聚类、完整事件提取、模式对提取、模板组形成)。任选和优选地连续执行阶段(1)-(3)。

对于单一受试者水平的过程，优选执行至少一个以下阶段：第一和第二阶段可以与组级别进程(B-E)相同；第三阶段可以包括比较该单一受试者活动与组分析阶段发出的模板集。该比较任选和优选包括计算一个或多个描述该比较的分数。

认知任务

本研究选择的任务是听觉Oddball任务，但其他任务并不排除在本发明的范围外。图21是一个听觉古怪任务在本研究中使用的示意性表示。该任务包括重复600次的1000ms听觉刺激，其中80％为2000Hz的刺激(频率-蓝色圆圈)，10％为需要一个运动响应的1000赫兹刺激(目标-红色圆圈)和10％的稀有非目标组成的各种声音(突出-黄星)。所述刺激间隔为1500毫秒。声音通过耳机在70dB的声压级发送。

统计分析

●重复性：通过计算组内相关评估受试者内BNA得分的重复性。

●正态性检验：使用正态柯尔莫哥洛夫-斯米尔诺夫测试(p≥.200)和相应的QQ图验证评价ΔBNA分布的正态性。

●SEM计算：通过对规范数据库的标准差测量(SEM)评估受试者/患者BNA分数从基线随时间的变化(ΔBNA)，以确定真正变化的可能性。

结果

规范数据库的统计分析

图22显示两个EEG-ERP阶段BNA分数的规范数据库组内相关(ICC)值。

图23显示新奇刺激连通ΔBNA分数的Q-Q积。散点图的近乎完美的线性度是正常化的有力证据。

图24显示新奇刺激连通ΔBNA分数的频率直方图。频率单位是60以外的得分数。均值周围的一个和两个SEMs以红线表示。

规范数据库的重复性：对于所有12个BNA分数，第1次和第2次访问的均值无显著不同。ICC值介于0.47至0.83，平均值为0.71(标准差＝0.10)，参见图22。

规范性数据库中ΔBNA得分的正态分布：所述BNA分析系统的规范性数据库包括来自两个连续EEG-ERP阶段的ΔBNA分数。如直方图和Q-Q图(图23和24)的推断，发现对于所有12个刺激和分数组合其规范数据库的ΔBNA分数遵循高斯分布。

确定SEM：所述计算的2SEM介于16.04至40.62(平均＝26.9)BNA得分点。因为所述规范数据库ΔBNA分数遵循高斯分布，所以可以得出结论：约95％确定落在2SEM范围之外的ΔBNA分数不是随机变化(图24)的结果。

临床应用

A部分：刺激

从规范数据库中随机选择受试者。然后以逐渐衰减幅度和增加延迟的操作施加所述目标和新奇的刺激。此有效地模拟了可能发生在各种临床情况的变化。然后在所有64个模拟的头皮位置使用多通道匹配追踪。

然后计算在连续操作步骤下BNA分数的结果变化，对从规范数据库导出的SEM值进行评估。

图25示出从规范数据库随机选择的健康受试者按照响应于新奇刺激的P300成分6步分级操作(组合幅度下降和延迟延迟)在Fz信道的重构ERP。该顶部曲线是原始非操纵轨迹。

模拟结果示于图26A-B。图26A示出了4个ΔBNA得分值作为操纵程度函数图(操作等级BNA得分-基线BNA得分)。所述盒区表明从规范BNA数据库导出的±1SEM和±2SEM阈值。图26B显示了个人定性地图上对操纵程度的依赖。组模板上的红点代表所涉及的事件对的头皮位置(由线连接)。个人地图上的红点代表与该组模板共同的事件对，连线粗细表示在幅度和时间上的匹配的有多接近。

如图26A-B中所示，个体定性地图随着操纵进展变得越来越不复杂并与组模板的更小的类似性。因此，所述ΔBNA分数一般表明减少与操纵程度的符合。

B部分-认知损伤模型

药理模型研究包括年龄在18-45之间的13名男女健康志愿者。将这些志愿者安排在间隔1周的连续3个BNA阶段。第一阶段被用作基准，其他两个阶段之一服用东莨菪碱(0.4mg)，而其他两个阶段的另一个服用安慰剂。第二个和第三个阶段为随机顺序、双盲设计。对SEM值进行ΔBNA分数值(基准-安慰剂和基准-药物)评价。

图27显示药理模型的结果。显示的是对于新奇刺激的ΔBNA(基线-治疗)连接分值制图。每个符号是一个服药或服用安慰剂后测试的单个受试者。水平线为从规范BNA数据库导出的±1、1.5或2SEM阈值。

该结果代表新奇刺激。新奇处理被称为是特别容易导致认知能力下降。的13名接受东茛菪碱患者中的8名，其治疗后BNA得分超过2SEM低于基线得分，相比接受安慰剂的受试者仅2例。

结论

本实例证明本实施例的BNA技术具有高度的重测重复性。本实例证明本实施例的BNA技术可以用在有临床意义的个体受试者脑活动变化之后。本实例证明，根据本发明的一些实施例计算的自基线随时间变化的BNA得分，可以帮助监测疾病状态，特别是用于脑震荡管理。

实例3

体育相关脑震荡的实验研究举例

本实验研究评价了本实施例BNA分析区分多个时段间脑震荡和非脑震荡运动员的有效性。

体育有关脑震荡后的大脑活动和连通性变化是鲜为人知的。对刺激电生理反应时间反射的事件相关电位(ERPs)也许可以提供关于脑震荡后病理生理事件的有价值见解。本实施例的BNA模式可以用于识别和任选跟踪体育相关脑震荡的恢复。

所采用技术的示意性流程图见图28。在受试者执行具体的电脑认知任务时采集高密度脑电图数据。随后根据本发明的一些实施例处理该脑电图数据，提取代表已激活大脑网络的一组时空活动模式。将所述单个受试者模式对任务匹配和年龄匹配的参比脑网络(N＝>90)打分，产生一个BNA得分。

方法学

实验对象和程序

实验对象包括35名脑震荡患者和19名对照运动员。在研究之前获得大学IRB。对所有运动员进行计算机化的神经认知测试、症状评估和电生理学(EEG/ERP)的评估，同时实施三种认知任务：1)听觉古怪，2)视觉GoNoGo，以及3)Sternberg记忆；在脑震荡后10天之内、11-17天、18-24天和25-31。

数据分析

首次界定了与体育有关脑震荡相关的大脑网络。计算组间相关性(ICC)值来评价健康对照在所有脑震荡后访问的BNA分数稳定性。采用受试者操作特性曲线(ROC)分析评价对脑震荡运动员和匹配对照脑网络活动的区分能力。

结果

对应于GoNogo任务中“GO”事件和听觉古怪任务中“频繁”事件的BNA证明了对脑震荡运动员和匹配对照进行区分的最佳能力。图29A显示对GoNogo任务所选择的参比BNA而图29B显示对听觉古怪任务所选择的参比BNA。

与所述网络活动展开时间(刺激的绝对定时和电生理事件的相对定时)相关的BNA得分对所述脑震荡作用最为敏感。图30显示用于生成BNA比分的参比BNA模式。

所述对照组的组内相关性(ICC)揭示了高水平的重复性，证明该组四次访问的BNA分数稳定性。ICC分数从0.66-0.69不等。

图30A-D显示脑震荡组(n＝35)和对照组(n＝19)4次访问的组平均BNA分数(％与参比BNA相似性)。自第1次访问(平均7.7天后震荡内)和全部随后访问期间观察到脑震荡组和对照组之间得分BNA的显著分离。

所述BNA模式的敏感性和特异性示于图31A-D。ROC分析表明了对脑震荡运动员和健康对照组的高区分度。该灵敏度范围从约0.74至约0.85和该特异性范围从约0.58至约0.68，其AUC值范围从约0.70至约0.76。

实例4

特征选择程序举例

根据本发明的一些实施例，采取特征选择程序降低胶囊网络模式的维数。

方法

受试者

从以下三个中心招募约110名受试者(14-24岁)：约克大学、匹兹堡医疗中心(UPMC)大学和Vince&Associates临床研究所(美国堪萨斯州)。为了实现此项研究目的采用了听觉古怪、听觉Go/No-Go以及Sternberg任务。在UPMC大学35名脑震荡和20名对照受试者数据上进行特征选择训练。

任务

在所述古怪任务中，以每1.5秒一个刺激的平均速率随机概率方式给予三个听觉刺激。约80％的刺激是2000Hz的纯音(“标准”)，约10％的刺激是1000Hz的的纯音(“目标”)，另约10％的刺激是每个刺激均不同的环境声音(“新奇”)，如电话振铃或狗叫声。受试者通过他/她的右手食指按一个按钮作出反应。

在听觉Go/No-Go任务中，每个试验中给予Go刺激或NoGo刺激。相比于所述Go刺激，No-Go刺激比较罕见(发生约20％)。No-Go暗示要求受试者抑制肌肉运动的准备行为，而Go暗示要求受试者尽可能快作出反应的刺激。

在Sternberg记忆任务中，要求受试者呈现对包括数个连续显示刺激的记忆集。在短暂停留时间间隔后，呈现一个探针刺激。受试者被要求当此探针出现在其记忆集中时按一个键，否则按另一个关键(50％“是”)。通过该记忆集中的刺激数目控制难度水平。

数据分析

如上文进一步详述将对活动相关特征施加区块划分以定义胶囊。对应于所有受试者所有事件的胶囊进行特征选择以提供具有单个受试者得分的组特性。将一个事件定义为在所述时空振幅空间和其相关联环境内的一个极值点。所述描述每个受试者大脑活动特性的特征被定义为所有胶囊(波峰和在时间空间上该峰周围的胶囊化活动区域)的集合。通过受试者操作特性曲线(ROC)的曲线下面积(AUC)与之前模型中使用的组内相关(ICC)的组合总和排序所述特征。

在第二项研究中，采用训练集被检查重复性和阴性预测值(NPV)。此NPV被定义为描述不具有疾病阴性测试结果的受试者被正确诊断概率的汇总统计。在这项研究中通过其AUC和ICC值的组合总和排序所述特征。

结果

图35示出对No-Go刺激在不同频带提取时空峰的例子。

在三个认知任务中每个刺激的分化(AUC)和重复性(ICC)测量值介于约0.7至0.9(除了目标ICC)，列于表3中。

表3

刺激	AUC	ICC
			Go	0.78	0.9
NoGo	0.8	0.73
			频繁	0.77	0.86
目标	0.74	0.64
			新奇	0.79	0.67
Sternberg刺激	0.74	0.74

所述不同任务实施的刺激分化以图形方式显示于图36A-C(蓝线＝健康对照；红线＝脑震荡)。在图36A-C中显示所有三种类型刺激首次访问期间的脑震荡和健康对照组可以清楚地分离。这种分离在随后的访问中呈现减少，但在新奇(图36A)和Sternberg(图36C)刺激的第二次访问时仍很明显。

对于第二项研究，通过NPV训练可以允许提取高精度识别无脑震荡个体的胶囊网络。也就是，所述胶囊型网络精确地确定基于其网络检验结果阴性的个体确实无脑震荡。所述特征取得了良好的NPV 0.72分值。

本发明人发现NPV训练所获得的胶囊网络有助于制定决策。例如，当受试者被诊断为具有运动相关脑震荡的运动员时，该胶囊网络有助于决定该运动员可否返回到体育活动中。

实例5

疼痛分析和治疗实验研究实例

根据本发明的一些实施例，进行了指向疼痛分析和治疗的研究。

在这项研究中，通过施加热刺激获得诱发电位。此诱发电位被称为接触热诱发电位(CHEPs)。通过PATHWAY-CHEPS感官评估系统施加触觉刺激(以色列Ramat-Yishai，Medoc有限公司)。本实施例通过采用该技术生成施加热刺激之前、期间和之后的BNA模式。本项研究包括通过已获得BNA模式引导的HD-tDCS治疗。通过在2.0毫安电流使用Soterix 4x1s(美国纽约Soterix)实施HD-tDCS。

用于HD-tDCS的电极为银/氯化银的烧结式环形电极(EL-TP-RNG烧结；加利福尼亚州圣拉斐尔Stens生物反馈公司)。由专门设计的嵌入一个模块化脑电图记录帽的塑料外壳固定电极位置。中心电极(阳极)放置在C3(国际10/20脑电图系统)，其对应于主运动皮层的大概位置。四个返回电极(阴极)置于距离中心电极约7.5cm半径内以便集中目标区域内的刺激。它们的位置大致对应于Cz、F3、T7和P3。

图37示出在研究中使用的视觉模拟评分(VAS)，而图38示出热刺激施加的区域。图38是标有数个指示区域的受试者前视图。本研究中在距离肘窝约4cm的C 5-C 6皮区施加刺激。高温和低温均被使用。用来收集神经生理数据的电极分布图见示意图39。

图40是描述本研究使用方案的流程图。通过电话进行筛选前登记，以确定是否合格。目标招录15例受试者。在第一次访问(持续时间约1.5小时)期间，进行无刺激的基线评估。根据本发明的一些实施例，在这次访问中对每个受试者及该组受试者构建基线BNA模式。使用具有图39所示电极分布图的电极帽收集数据。。

在随后访问中(每次访问持续时间约0.5-1.5小时)，施加如图38示意的热刺激。此外，每次访问施加一次活性阳极tDCS。在第11、16、21、24和27次访问时的刺激后进行非应答评估。在反应后或第27次访问(无论哪个先发生)后对所有受试者进行跟踪访问。

作为疼痛程度数值化体现而报告的VAS示于图41。其中的实心圆形表示给予HD-tDCS治疗后的VAS。如图所示，急性疼痛评分(NPS)和慢性疼痛评分VAS之间存在相关性。这表明，由急性疼痛引导的治疗也可有效地减少慢性疼痛。因此，可以在获取神经生理数据之前或同时施加疼痛刺激(如热刺激)。可以分析该BNA模式以识别对应于所施加疼痛刺激的节点并基于该识别的节点进行局部刺激。

图42显示治疗前(基线)、第5疗程后和第10疗程后的BNA评分、VAS和生活质量量表。如图所示，其BNA得分表明疼痛减少和生活质量提高。

图43示出了第一次访问后的BNA分数变化。每个BNA评分有意义增加的受试者被宣布为“应答”，而每个BNA评分有意义减少的受试者被宣布为“无应答”。

宣布为应答的受试者代表性实例见图44A-44D，其中图44A显示连接加权的BNA得分、图44B显示幅度的BNA得分、图44C显示低温下NPS功能的BNA得分以及图44D显示高温下NPS功能的BNA得分。所述高CHEPS的温度为52℃(以红色显示)，所述低CHEPS的温度为49℃(以蓝色示出)。如图所示，有治疗中(参见访问7)和治疗之间(参见访2和访问11之间)BNA得分均有减少。因此，该BNA模式与疼痛特性的BNA模式更加不同。这表明，受试者是响应于治疗，而所述刺激减少疼痛。

宣布为无应答的受试者代表性实例见图45A-45C，其中图45A显示连接加权的BNA得分、图45B显示低温下NPS功能的BNA得分以及图45C显示高温下NPS功能的BNA得分。所述高CHEPS的温度为47℃(显示为红色)，所述低CHEPS的温度为45℃(以蓝色示出)。

此实例证明，急性疼痛模型可用于治疗慢性疼痛。诱导急性疼痛并确定其在大脑中的响应(通过BNA模式或胶囊网络模式)。图42示出了与慢性疼痛测量(VAS评分)相关的BNA变化(及急性疼痛后的电生理)到，图44C-D和45B-C显示BNA得分与NPS得分(急性疼痛)之间的关系。

参比文件

[1]F.H.Duffy《诱发电位的地形显示：脑电活动地图(BEAM)的临床应用》Annals of the New York Academy of Science,vol.388,pp.183-96,June,1982.

[2]D.Lehmann《在脑电磁信号分析方法中的空间分析原则》A.S.Gevins,A.Remond,Eds.Amsterdam:Elsevier,1987.pp.309–54.

[3]K.J.Friston,J.T.Ashburner,S.J.Kiebel,T.E.Nicholsand W.D.Penny《统计参数图：脑功能影像分析》London:Academic Press,2001.

[4]K.E.Stephan,L.M.Harrison,S.J.Kiebel,O.David,W.D.Penny and K.J.Friston《神经系统动力学动态因果模型：现状和未来展望》Journal of Biosciences,vol.32,no.1,pp.129-144,January2007.

[5]C.M.Michel,M,Seeck and T.Landis《人类认知的时空动态》Newsin Physiological Sciences,vol.14,pp.206-214,October 1999.

[6]D.Brunet,M.M.Murray and C.M.Michel《多通道脑电图的时空分析：CARTOOL》Computational Intel ligence&Neuroscience,vol.2011,pp.813-870,January 2011.

[7]C.D.Woody《适用于分析可变延迟神经电信号的滤波器表征》Medical&Biological Engineering,vol.5,no.6,pp.539-554,November 1967.

[8]R.Bellman and R.Kalaba《适应性控制流程》IRE Trans on AutomaticControl,vol.4,no.2pp.1-9,November 1959.

[9]A.Efrat,Q.Fan and S.Venkatasubramanian《曲线匹配、时间扭曲和光场：曲线间相似度计算的新算法》Journal of Mathematical&ImagingVisualization,vol.27,no.3,pp.203-216,April 2007.

[10]D.Comaniciu and P.Meer《均值漂移：可靠的接近特征空间分析》IEEE Trans on Pattern Analysis and Machine Intelligence,vol.24,no.5,pp.603–619,May 2002.

[11]J.Polich《更新p300：p3A和p3B的整合理论》ClinicalNeurophysiology,vol.118,no.10,pp.2128–2148,October 2007.

[12]D.J.Linden《P300：它在大脑何处产生和它告诉我们什么？》TheNeuroscientist,vol.11no.6pp.563–576,November 2005.

虽然已结合了具体实施例对本发明进行了描述，但很明显，对于那些熟练的技术人员而言本案显然仍存在许多可替换、修改和变化之处。因此，以意在涵盖所有此类替换修改和变型为宗旨起草宽范围的所附权利要求。

在本说明书中提及的所有出版物、专利和专利申请以其整体作为参比在此引入到本说明书中，以相同的程度每个单独的出版物、专利或专利申请被具体地和单独地引入本文作为参比。此外，在本申请中引用或标识的任何参比不应被解释为承认这些参比是适用本发明的已有技术。使用标题中的范围不应该被解释为必要的限制。

Claims (62)

1.一种分析从受试者脑部记录神经生理数据的方法，通过数据处理器和下列组成执行该方法：

识别所述数据中的活动相关特征；

根据所述活动相关特征将所述数据划分定义多个胶囊，每个胶囊均代表大脑中的一个时空活动区域；

将至少一些所述已定义胶囊与至少一个参比胶囊进行比较；和

基于所述比较评估该受试者的脑功能。

2.根据权利要求1所述的方法，其中所述比较包括对于每个所述至少一些所述已定义胶囊使用描述相应数据库胶囊的多维统计分布计算对应于所述胶囊的时空向量的统计分数。

3.根据权利要求2所述的方法，其中所述数据库的每条录入还与一个权重相关联，以及该方法还包括通过所述加权计算获得的所述加权统计得分。

4.根据权利要求2和3中任一所述的方法，还包括计算所述胶囊和相应数据库胶囊之间的相关性。

5.根据权利要求1-4中任一所述的方法，其中所述比较的执行与任何胶囊间关系不相关。

6.根据权利要求5所述的方法，其中所述间胶囊关系包括两个已定义胶囊之间的空间接近性、两个已定义胶囊之间的时间接近性、两个已定义胶囊之间的频谱接近性和两个已定义胶囊之间的能量接近性中的至少一项。

7.根据权利要求1-3中任一所述的方法，还包括确定所述胶囊的胶囊间关系和构建对应于所述胶囊间关系的胶囊网络模式，其中，所述数据库包括数据库胶囊网络模式，并且其中所述比较包括所述构建模式与所述数据库模式的比较。

8.根据权利要求4所述的方法，还包括确定所述胶囊的胶囊间关系和构建对应于所述胶囊间关系的胶囊网络模式，其中，所述数据库包括数据库胶囊网络模式，并且其中所述比较包括所述构建模式与所述数据库模式的比较。

9.根据权利要求1-8中任一所述的方法，其中所述至少一个参比胶囊包括存储有多个录入数据库的注释数据库胶囊，并且所述方法还包括访问所述数据库。

10.根据任何权利要求1-3中任一所述的方法，其中所述至少一个参比胶囊包括使用来自同一受试者不同时间获得的神经生理数据所定义的基准胶囊，该方法包括将所述胶囊变化与所述基线胶囊或者与预先存储的第一个和第二个都注释为正常胶囊之间的变化进行比较。

11.根据权利要求1-9中任一所述的方法，其中所述至少一个参比胶囊包括使用来自同一受试者不同时间获得的神经生理数据所定义的基准胶囊。

12.根据权利要求11所述的方法，还包括将所述胶囊变化与所述基线胶囊或者与预先存储的第一个和第二个都注释为正常胶囊之间的变化进行比较。

13.根据任利要求1-3中任一所述的方法，其中所述至少一个参比胶囊包括使用来自不同受试者的神经生理数据所定义的胶囊。

14.根据权利要求4-11中任一所述的方法，其中所述至少一个参比胶囊包括使用来自不同受试者的神经生理数据所定义的胶囊。

15.根据权利要求1-8中任一所述的方法，进一步包括：

构建具有多个节点的脑网络活动(BNA)模式，每一个节点代表所述活动相关特征的一个特征；

分配连接权重给所述BNA模式中的每对节点；

对所述已构建BNA与至少一个参比BNA模式进行比较；

其中对该受试者所述脑功能的所述评估也是基于与所述参比BNA进行的所述比较。

16.根据权利要求15所述的方法，其中所述至少一个参比BNA模式包括存储在具有多个录入BNA数据库中的注释BNA模式，并且所述方法还包括访问所述数据库。

17.根据权利要求15和16中任一所述的方法，其中所述至少一个参比BNA模式包括从同一受试者在不同时间获得的神经生理数据中提取的基准BNA模式。

18.根据权利要求15-17中任一所述的方法，其中所述至少一个参比BNA模式包括从同组受试者中不同受试者获得的神经生理数据中提取的基准BNA模式。

19.根据权利要求1-18中任一所述的方法，还包括在所述比较之前对所述多个胶囊施加一个特征选择程序以提供至少一个胶囊子集，其中对每个所述的至少一个胶囊子集单独实施所述比较。

20.根据权利要求1-19中任一所述的方法，其中所述的脑功能是一个临时脑功能异常。

21.根据权利要求1-19中任一所述的方法，其中所述的脑功能是一个慢性脑功能异常。

22.根据权利要求1-19中任一所述的方法，其中所述的脑功能是对刺激有响应或无响应。

23.根据权利要求1-22任一所述的方法，包括评估脑震荡的可能性。

24.根据权利要求1所述的方法，其包括对所述估计脑功能对应的脑部施加局部刺激，在至少一个所述胶囊的空间位置对应的一个或多个位置施加所述局部刺激。

25.根据权利要求1-22中任一所述的方法，其包括对所述估计脑功能对应的脑部施加局部刺激。

26.根据权利要求25所述的方法，在至少一个所述胶囊的空间位置对应的一个或多个位置施加所述局部刺激。

27.根据权利要求25和26中任一所述的方法，其中所述估计所述脑功能被重复执行，并且所述方法包括根据所述脑功能的变化改变所述局部刺激。

28.根据权利要求25-27中任一所述的方法，其中所述局部刺激包括经颅刺激。

29.根据权利要求25-27中任一所述的方法，其中所述局部刺激包括经颅直流电刺激(tDCS)。

30.根据权利要求25-27中任一所述的方法，其中所述局部刺激包括高清晰度的经颅直流电刺激(HD-tDCS)。

31.根据权利要求25-28中任一所述的方法，其中所述局部刺激包括在皮层的电皮层刺激。

32.根据权利要求25-28中任一所述的方法，其中所述局部刺激包括深部脑刺激。

33.根据权利要求25-28中任一所述的方法，其中所述局部刺激包括经颅刺激和深部脑刺激，且其中执行所述经颅刺激用以控制所述深部脑刺激的激活阈值。

34.根据权利要求24所述的方法，其中所述局部刺激包括经颅刺激和深部脑刺激，且其中执行所述经颅刺激用以控制所述深部脑刺激的激活阈值。

35.一种根据一组受试者中记录的神经生理数据构建数据库的方法，通过数据处理器和下列组成执行该方法：

识别所述数据中的活动相关特征；

根据所述活动相关特征将所述数据划分定义多个胶囊，每个胶囊均代表大脑中的一个时空活动区域；

根据所述胶囊聚类所述数据以提供多个胶囊簇；和

在计算机可读介质中存储所述簇和/或其代表，由此形成数据库。

36.根据权利要求35所述的方法，其中所述簇的代表包括所述簇囊代表。

37.根据权利要求35和36中任一所述的方法，还包括确定所述胶囊之间的胶囊间关系和构建对应于所述胶囊间关系的胶囊网络模式，其中所述簇的所述表示包括所述胶囊网络模式。

38.根据权利要求35和36中任一所述的方法，其中所述的划分包括形成一个空间网格、将每个已识别的活动有关特征与网格元件和一个时间点相关联以及将对应于所述已鉴定活性相关特征的胶囊定义为将所述关联网格元件邻域网格元件和所述关联时间点邻域时间点胶囊化的时空活动区域。

39.根据权利要求37所述的方法，其中所述的划分包括形成一个空间网格、将每个已识别的活动有关特征与网格元件和一个时间点相关联以及将对应于所述已鉴定活性相关特征的胶囊定义为将所述关联网格元件邻域网格元件和所述关联时间点邻域时间点胶囊化的时空活动区域。

40.根据权利要求39所述的方法，其中所述关联网格元件邻域的所述网格元件包括所有所述活动相关特征的幅度水平在预定阈值范围内的网格元件。

41.根据权利要求39和40中任一所述的方法，其中所述关联时间点邻域的所述时间点包括所有所述活动相关特征的幅度水平在预定阈值范围内的时间点。

42.根据权利要求39-41中任一所述的方法，其中所述空间网格是一个两维的空间网格。

43.根据权利要求39-42中任一所述的方法，其中所述空间网格是一个描述受试者头皮的两维空间网格。

44.根据权利要求39-42中任一所述的方法，其中所述空间网格是一个描述受试者颅内表面的两维空间网格。

45.根据权利要求39-41中任一所述的方法，其中所述空间网格是一个三维的空间网格。

46.根据权利要求39-41中任一所述的方法，其中所述空间网格是一个描述受试者颅内体积的三维空间网格。

47.根据权利要求39所述的方法，其中所述划分包括对所述施加频率分解以提供多个频带，在每个频带单独执行所述已鉴定活性相关特征的所述关联和所述胶囊的所述定义。

48.根据权利要求40-46中任一所述的方法，其中所述划分包括对所述施加频率分解以提供多个频带，在每个频带单独执行所述已鉴定活性相关特征的所述关联和所述胶囊的所述定义。

49.根据权利要求39的方法，其中所述划分包括将每个已识别的活动相关特征与一个频率值相关联，并且将对应于所述已鉴定活性相关特征的胶囊定义为将所述关联网格元件邻域网格元件、所述关联时间点邻域时间点和所述关联频率值邻域频率值胶囊化的时空活动区域。

50.根据权利要求40-46中任一所述的方法，其中所述划分包括将每个已识别的活动相关特征与一个频率值相关联，并且将对应于所述已鉴定活性相关特征的胶囊定义为将所述关联网格元件邻域网格元件、所述关联时间点邻域时间点和所述关联频率值邻域频率值胶囊化的时空活动区域。

51.一种用于处理神经生理数据的系统，其包括数据处理器，所述数据处理器用于接收所述神经生理学数据，并执行根据权利要求1-50中任一所述的方法。

52.一种计算机软件产品，其包括计算机可读介质，在所述计算机可读介质存储有程序指令，所述指令当由一个数据处理器读取时可使该数据处理器接收神经生理数据并执行权利要求1-50中任一个所述的方法。

53.一种用于分析来自受试者脑记录神经生理数据的系统，该系统含有数据处理器，所述数据处理器被配置用于：

识别所述数据中的活动相关特征；

根据所述活动相关特征将所述数据划分定义多个胶囊，每个胶囊均代表大脑中的一个时空活动区域；

将至少一些所述已定义胶囊与至少一个参比胶囊进行对比；和

基于所述对比评估该受试者的脑功能。

54.权利要求53所述的系统，还包括一个控制器，所述控制器被连接到脑刺激系统且被配置用于控制所述脑刺激系统，以便在对应于所述估计脑功能的脑部施加局部刺激。

55.根据权利要求54所述的系统，所述控制器被配置为控制所述脑刺激系统以便在对应于至少一个所述胶囊空间位置的一个或多个位置施加所述局部刺激。

56.根据权利要求54和55任一所述的系统，其中对所述脑功能的所述评估被反复执行，且所述控制器被配置成随所述脑功能的变化而改变所述局部刺激。

57.根据权利要求54-56任一所述的系统，其中所述脑刺激系统包括经颅刺激系统。

58.根据权利要求54-56任一所述的系统，其中所述脑刺激系统包括经颅直流电刺激(tDCS)系统。

59.根据权利要求54-56任一所述的系统，其中所述局部刺激包括高清晰度颅直流电刺激(HD-tDCS)的系统。

60.根据权利要求54-59任一所述的系统，其中所述脑刺激系统包括被配置成在皮层施加电皮层刺激的电皮层刺激系统。

61.根据权利要求54-60任一所述的系统，其中所述脑刺激系统包括深部脑刺激系统。

62.根据权利要求54-61任一所述的系统，其中所述脑刺激系统被配置成均可实施经颅刺激和深部脑刺激，并且其中所述控制器被配置成可控制所述脑刺激系统以执行所述经颅刺激用以控制所述深部脑刺激的激活阈值。