用于电生理诱发电位的表征和分类的系统、方法及计算机算法

摘要

一种自动EP分析设备，用于监控、检测和识别产生分析的EP的生理系统的变化(不良或好转)，其中，该设备被适配为：表征和分类EP，并且如果所获取的EP波形在延迟、幅度或形态上显著变化时，针对产生EP的生理系统的变化(不良或好转)建立警报。

说明书

技术领域

本发明整体涉及检测诱发电位(EP)的变化，并且更具体地涉及利 用计算机算法自动地检测EP的变化。

背景技术

体感诱发电位是在反复地刺激末梢神经之后通常从头部或颈部区域 记录的累加电位。在手术过程中使用体感诱发电位监控患者已经被显示为 允许对即将发生的定位影响(positioning effect)损伤(其随后可通过重新 定位患者来避免)的早期识别以减轻压力或张力。

例如，如在以下文献中所描述的：Hickey,C，Gugino,L.D.，Aglio,L. S.，Mark,J.B.，Son,S.L.和Maddi,R.(1993)，"Intraoperative somatosensory  evoked potential monitoring predicts peripheral nerve injury during cardiac  surgery,"Anesthesiology 78(1),29—35；Kamel,I.R.，Drum,E.T.，Koch,S. A.，Whitten,J.A.，Gaughan,J.P.，Barnette,R.E.和Wendling,W.W.(2006)， "The use of somatosensory evoked potentials to determine the relationship  between patient positioning and impending upper extremity nerve injury  during spine surgery:a retrospective analysis,"Anesth Analg 102(5),1538— 1542；以及Labrom,R.D.，Hoskins,M.，Reilly,C.W.，Tredwell,S.J.和 Wong,P.K.H.(2005),和"Clinical usefulness of somatosensory evoked  potentials for detection of brachial plexopathy secondary to malpositioning in  scoliosis surgery."Spine 30(18),2089—2093，将上述文献的全部内容通过 引用结合于此。

这种监控通常需要在利用精密多通道放大器和显示设备的医生监督 下由训练有素的技术专家进行。不幸的是，这样的人员和设备的可获得性 是有限的、需要事先预订，并且是昂贵的。此外，这种监控传统上在定位 影响发生在手术室(其中，昏迷、虚弱或受限制的患者可能产生定位影响) 之外的很多区域中不能进行。

通常情况下，技术专家检查波形，而神经学家同时地在现场或通过互 联网远程检查EP波形。技术专家和神经学家是受过训练的并且是确定EP 波形的变化是否显著并指示即将发生的神经损伤的专家。使专家完全参与 解释这些波形的成本导致服务配给几乎所有高风险手术。

美国专利申请公开号2008/0167574描述了可用于在手术过程中自动 地测量生物信号以避免神经损伤的半自动装置。然而，该装置着重于肌肉 或电机记录以测量接近手术仪器的神经且没有解决定位影响。

通过分析和分类波形来确定定位影响的困难在于波形的幅度、频率和 形状的变化很大。这些变化由许多因素(包括麻醉、与其它装置的电干扰 和神经的任何预先存在的异常)引起。

因此，需要能够克服先前的系统和方法的缺点的系统和方法。

发明内容

在本发明的示例性实施方式中，公开了用于电生理EP的表征和分类 的系统、方法和计算机算法。EP可被定义为使用适当的电极由神经系统 获得的电压相对时间的信号。例如当从体感系统获得EP时，信号可通过 整体平均使用适当电极检测的对体感系统的重复刺激的电生理响应来获 得。EP的实例是体感、听觉或视觉EP。算法被应用于在正在进行的临床 手术的过程中获取的EP的时间序列。算法建立基线(baseline)/正常EP 的特征，并且然后相对于基线EP以及先前的EP表征随后的EP，以确定 底层感官神经系统的功能是否已经显著受到正在进行的临床手术的影响。 算法与被开发为获取EP的序列并提供适当反馈的辅助硬件(ancillary  hardware)和算法通信以确保有效的临床工作流程。算法为临床有效应用 提供基础，从而使假阳性和假阴性最小化。

下面参照附图详细描述本发明的其它特征和优点以及本发明的各种 实施方式的结构和操作。

附图说明

通过如在附图中示出的本发明的优选实施方式的以下更具体的描述， 本发明的前述和其它特征和优点将显而易见，其中，类似的参考标号一般 表示相同的、功能相似的和/或结构相似的元件。

图1示出了根据本发明的示例性实施方式的利用背景相关(context  relevant)刺激对关注的生理系统的刺激的示例性描绘。

图2示出了根据本发明的示例性实施方式的施加到关注的生理系统 的适当刺激的序列以及相应响应的序列的示例性描绘。

图3示出了根据本发明的示例性实施方式的基于多个响应建立整体 平均的EP的示例性描绘。

图4A示出了根据本发明的示例性实施方式的用于获取和分类EP响 应的过程的示例性流程图。

图4B示出了根据本发明的示例性实施方式的用于确定在EP的序列 中是否已经发生变化的过程的示例性流程图。

图5示出了根据本发明的示例性实施方式的用于计算基线响应的过 程的示例性流程图。

图6示出了根据本发明的示例性实施方式的用于确定分析范围的过 程的示例性流程图。

图7示出了根据本发明的示例性实施方式的用于更新基线响应的过 程的示例性流程图。

图8示出了根据本发明的示例性实施方式的用于表征EP的度量计算 中的关系图的示例性实施方式。

图9示出了根据本发明的示例性实施方式的用于良好状态的过程的 示例性流程图。

图10示出了根据本发明的示例性实施方式的用于不良状态的过程的 示例性流程图。

具体实施方式

下面详细讨论包括优选实施方式的本发明的各种示例性实施方式。虽 然讨论了具体示例性实施方式，但是应理解，这仅是为了说明的目的。相 关领域技术人员将认识到，在不脱离本发明的精神和范围的情况下，可使 用其它部件和配置。

本发明的实施方式涉及用于实时的EPS的表征和分类的计算机信号 处理和模式识别算法。该算法可取代通常由技术专家和医生提供的专家分 析。可在任何手术或其中患者处于危险的情况下使用在安装在EP机器的 软件上运行的计算机算法，以检测、警报和改善定位影响或任何异常。

图1示出了根据本发明的示例性实施方式的利用背景相关刺激对关 注的生理系统的示例性刺激。对于体感系统，例如，刺激可以是对浅表神 经施加适当大小和形状的电流脉冲。假定施加适当的刺激，则电生理响应 是由施加的刺激激发的沿着轴突的动作电位的齐射(volley)。

图2示出了施加至关注的生理系统的适当刺激的序列以及相应的响 应序列的示例性描绘。根据本发明的示例性实施方式，可使用适当地配置 在适当记录位置的适当电极来检测相应的响应序列。这些响应由在通过施 加的刺激诱发时由关注的生理系统的电生理响应建立的体导电电压场 (volume conducted voltage field)的时间取样和数字化测量组成。

图3示出了根据本发明的示例性实施方式的基于多个响应建立整体 平均的EP的示例性描绘。各个响应可能受到来自其它生理系统的电生理 反应以及周围电噪声的电压贡献的污染。因此，为了获得适当的信噪比， 可整体平均多个响应以建立合成的诱发电位(EP)。在N(被平均的响应 的数量)增加时，合成的EP的信噪比提高。在实施方式中，根据关注的 生理系统，N的范围可从10到1000。

EP可被处理为评估关注的生理系统的状态。在正常工作模式下的生 理系统可被认为是处于“良好”状态。如果生理系统紧张、疲劳，或受伤， 系统可被认为是处于“不良”状态。由良好状态下的生理系统开始，在 EP序列的EP的特性中检测的变化可用于预测生理系统是处于良好还是不 良状态。

图4A示出了根据本发明的示例性实施方式的用于获取和分类EP响 应的过程的示例性流程图。每个EP最初可被滤波以去除不想要的仪器噪 声以更好地呈现关注的系统的电生理响应。EP可基于似然估计来滤波。

如果基线响应不存在，则可分析获取的响应以估计基线响应并建立分 析范围。例如，如果没有N_I个接收的良好响应(其中，N_I是建立基线响 应所需的初始EP响应的数量)，则基线响应可能不存在。下面进一步描述 估计基线响应并建立分析范围的分析。

如果基线响应存在，则可基于当前响应更新基线。下面进一步描述更 新基线。

一旦确定当前基线响应，则随后当前响应相对于当前基线和之前的响 应来表征。例如，表征可以是欧几里德(Euclidean)距离、伪相关 (pseudo-correlation)、互相关(cross-correlation)、或者当前响应与当前基 线之间的能量比中的至少一个。能量比可以是当前响应与当前基线之间的 能量的比。能量比可表示EP响应的大小的变化。随后可基于当前响应的 表征来分类当前响应。

EP可基于表征分为四种可能的类型：良好、不良、不确定和不可靠。 良好分类可指示EP表征与没有显著波形变化对应。例如，当没有定位影 响时。不良分类可指示EP表征与显著波形变化对应。例如，当具有定位 影响时。不确定分类可指示EP表征可能是不确定的意义。例如，EP表征 可能不足以归为良好分类，但也不足以归为不良分类。例如，EP可能与 定位影响或无定位影响对应。不可靠分类可指示EP包含太多的噪声而不 能被适当表征和分类。

每个分类可与特定阈值对应。阈值可指示EP响应应该与被认为良好 响应的基线多么相似或者EP响应应该与被认为不良响应的基线多么不一 样。阈值可基于EP响应的表征。例如，阈值可基于欧几里德距离、伪相 关、互相关、或者EP响应与基线之间的能量比中的至少一个。阈值还可 指示在EP响应被认为不可靠之前在EP响应中可包括多少噪声。

用于分类的阈值可通过分析训练数据来确定。训练数据可包括已知对 应于特定分类的多个EP响应。使用从训练数据的分析确定的多组阈值， 当前响应可基于其计算的度量值被分类为属于关注的类别。

图4B示出了根据本发明的示例性实施方式的用于确定在EP的序列 中是否已经发生变化的过程的示例性流程图。图4B延续图4A。假定分类 的EP的序列，可确定关注的生理系统的状态是否已经改变(从良好到不 良或者反之亦然)或者关注的生理系统的状态是否没有改变。如果状态已 经改变，则系统可建立警报。

图5示出了根据本发明的示例性实施方式的用于计算基线响应的过 程的示例性流程图。当前加载的响应可反复地表示为使用响应对之间的欧 几里德距离建立的最小生成树(MST)内的节点。链接响应对的MST中 的每条线可表示欧几里德距离值。当前加载的响应可以是最初获取的响 应。响应对可以是任何两个当前加载的响应的组合。例如，三个响应可导 致三个响应对。欧几里德距离可基于每个响应对中的响应之间的差的平方 和或者每个响应对中的响应之间的差的绝对值的和。

MST可基于大于阈值的分割线(cutting line)被分为集群(cluster)。 阈值可基于线长度的平均值以及线长度的标准偏差。集群可基于集群的大 小分类。集群的大小可以是集群内的响应的数量。可选择具有最大大小的 集群，从而基于集群内的响应来计算临时基线。可使用默认分析范围和伪 相关来对准最大集群内的所有响应。具有最多成员的集群的响应成员可被 平均以估计基线响应。

图6示出了根据本发明的示例性实施方式的用于确定分析范围的过 程的示例性流程图。使用初始基线响应估计和默认分析范围表征和分类初 始响应。首先，初始良好响应用于通过调整范围的位置直到获得最小一致 性值来定位默认宽度分析范围。使用初始良好响应，随后通过将分析范围 的宽度向左或向右增加直到获得最小一致性值来调整分析范围的宽度。对 于分析范围位置和大小，一致性度量可以是：

$\frac{1}{3}[2*\mathrm{NormED}+\frac{1}{\mathrm{CC}}]$

其中NormED是归一化欧几里德距离且CC是互相关。虽然在图6 中未示出，但是所计算的新基线响应可用于重新计算分析范围。

图7示出根据本发明的示例性实施方式的用于更新基线响应的过程 的示例性流程图。如图7所示，如果之前的响应被分类为良好的，则可基 于之前的响应和之前的基线来重新计算当前基线。例如，当前基线可被设 置到之前响应的25％和之前基线的75％。如果之前的响应未被分类为良 好，则当前基线可被设置为之前的基线。

无论如何确定新的当前基线，新的当前基线都可用于相对于新的当前 基线重新对准当前响应。随后可对重新对准的响应执行度量计算。

图8示出了根据本发明的示例性实施方式的在用于表征EP的度量计 算中的关系图的示例性实施方式。如图8所示，当前响应可与之前的响应 比较以给出响应之间的欧式距离、伪相关和互相关。当前响应可与当前基 线比较以给出响应和基线之间的欧式距离、伪相关、互相关和能量比。当 前响应可基于这些不同的结果来分类。

在获取下一个响应之后，当前响应也可用于给出当前响应和下一响应 之间的欧式距离、伪相关和互相关。

图9示出了根据本发明的示例性实施方式的针对良好状态的过程的 示例性流程图。如果在处于良好状态下时接收到不良响应，系统可检查以 查看不良计数是否大于或等于不良计数阈值N_B。不良计数可指示很多不 良响应。不良计数阈值N_B可指示在下一个不良响应将状态改变为不良状 态之前接收的不良响应或不确定响应的数量。可根据关注的生理系统为每 个状态设置不良计数阈值N_B。

如果不良计数大于不良计数阈值N_B，则当前状态可改变为不良状态 且可建立警报。警报可以多种方式(例如通过显示可视化、产生声音、产 生振动等)传递到系统的用户。如果不良计数未大于不良计数阈值N_B， 则不良计数可被递增且不良响应被添加到不良跟踪器(bad tracker)。不良 跟踪器可跟踪不良响应以及接收的不确定响应。

如果接收到的响应不是不良响应，则系统可检查接收的响应是否是不 确定响应。如果接收的响应是不确定响应，则不良计数也递增，且不确定 响应被添加到不良跟踪器。

如果接收的响应也不是不确定响应，则系统可检查接收的响应是否是 良好响应。如果接收的响应是良好响应，则如果不良计数小于或等于不良 计数阈值N_B，则不良计数重置为零，且不良跟踪器被清空。如果不良计 数大于不良计数阈值N_B，则良好计数可被递增，且良好响应被添加到良 好跟踪器。

如果接收的响应也不是良好响应，则系统可确定响应是不可靠响应， 且可忽略该响应。

基于不良计数、不良跟踪器、良好计数和良好跟踪器，系统可向用户 提供不同的指示。系统可改变显示的图标的颜色，使得图标在不良计数为 零时呈现为绿色且随着不良跟踪器的值增加而逐渐变得更红。

图10示出了根据本发明的示例性实施方式的针对不良状态的过程的 示例性流程图。如果在处于不良状态时接收到良好响应，则系统可递增良 好计数，并且如果不良计数小于不良计数阈值N_B，则清除不良跟踪器检 查。

系统可检查以查看良好计数是否大于或等于良好计数阈值N_G。良好 计数可指示良好响应的数量。良好计数阈值N_G可指示将状态改为良好状 态所需要接收的良好响应的数量。良好计数阈值N_G可根据关注的生理系 统为每个状态进行设置。如果良好计数大于良好计数阈值N_G，则当前状 态可被改为良好状态且可建立警报。如果良好计数未大于良好计数阈值 N_G，则良好响应可被添加到良好跟踪器。良好跟踪器可跟踪接收的良好响 应。

如果所接收的响应不是良好响应，则系统可检查所接收到响应是否是 不确定响应。如果所接收的响应是不确定响应，则不良计数递增，且不确 定响应被添加到不良跟踪器。

如果所接收的响应也不是不确定响应，则系统可检查所接收的响应是 否是不良响应。如果所接收到响应是不良响应，则如果良好计数小于或等 于良好计数阈值N_G，则良好计数重置为零，且良好跟踪器被清空。如果 良好计数大于良好计数阈值N_G，则不良计数可递增且不良响应被添加到 不良跟踪器。

如果所接收到的响应也不是不良响应，则系统可确定响应是不可靠响 应，且可忽略该响应。

可应用信号处理进程以减少所获取EP中的噪声并检测何时获取具有 不适当信噪比(SNR)的EP，使得这些EP可从进一步的分析和报告的差 信号质量中排除。接收的不可靠信号的数量可被跟踪并与阈值比较以确定 何时产生关于差信号质量的警报。

所应用的滤波技术可使用基于平均的似然估计以减少仪器和基于背 景的噪声并提高所获得EP的SNR，使得可更清楚地定义基线EP，并且随 后EP的改变可更好地被表征并与基线和之前的EP比较。

模式识别算法可用于表征EP，以测量后者获得的EP相对于基线和 之前的EP的变化并检测指示底层感官神经系统的改变功能的EP的变化 何时发生。可使用它们相对于定义的基线模板响应以及之前的EP的能量、 欧几里德距离和伪相关来表征EP。使用这些度量，可应用分类规则以确 定当前响应是否指示产生EP的底层生理系统的显著(不良或好转)改变。

在实施方式中，可添加组件以允许医疗或其他参与人员在所获取EP 的变化与任何底层生理变化(例如，与刺激或电极因素相关的变化)不相 关的时候重置基线响应。

在实施方式中，系统可以是用于监控、检测和识别产生分析的EP的 生理系统的变化(不良或好转)的自动化EP分析设备，其中该设备被适 配为表征和分类EP并在所获取的EP波形在延迟、幅度或形态上显著变 化时针对产生EP的生理系统的变化(不良或好转)建立警报。系统还可 包括用于在外科手术环境中将这种设备集成到其它装置的系统。

设备还可在外科环境中将信息(其允许这些装置手动或自动改善或减 轻生理变化并改进随后获得的EP波形)馈送到其它装置。

设备还可从麻醉或血压机获得用于计算EP波形变化何时是由于麻醉 或血压变化而引起的信息。

设备可执行自动识别对末梢神经结构的潜在伤害的方法，其包括：利 用电脉冲刺激末梢神经；通过放置在颈部或头部的电极记录由神经系统产 生的合成电波形；测量获得的EP波形的变化或趋势；向用户警报变化； 允许用户选择以决定数据是否准确；将该信息传递到自动手术室桌台；以 及通过桌太的调整自动或半自动重新调整患者位置以减轻或避免伤害。

虽然已经在上面描述了本发明的各种实施方式，但是应理解，仅以举 例而不是限制的方式给出以上描述。因此，本发明的宽度和范围不应由任 何上述示例性实施方式限制，而是仅根据所附权利要求及其等同物来限 定。