CN114364317A - 用于检测癫痫发作和精神性发作的方法 - Google Patents

Abstract

本发明涉及一种用于检测癫痫发作和精神性发作的方法，其包括以下步骤：a.获取一种特征值类型的多个时间上连续的特征值，其中基于区段时间上连续的RR间期确定特征值，其中所述区段时间上连续的特征值的区别优选在于，作为确定随后的特征值的基础的区段，不包含作为确定在前特征值的基础的区段(先前区段)的最旧RR间期，而是包含时间上跟随先前区段的最新RR间期的RR间期，b.将所述特征值的时间变化曲线与同一种特征值类型的特征值的时间变化曲线进行对比，所述同一种特征值类型的特征值依据方法步骤a确定，并且所述确定以指示发作的RR间期(对比特征值)为基础，c.当所述特征值的时间变化曲线具有所述对比特征值的时间变化曲线的指示发作的特征(变化曲线特征)时识别出发作。

Description

用于检测癫痫发作和精神性发作的方法

技术领域

本发明涉及一种用于检测癫痫发作或精神性发作的方法，其中获取多个时间上连续的特征值并且基于区段时间上连续的RR间期确定所述特征值。本发明还涉及一种用于数据处理的装置，该装置包括用于实施所述方法的器件。本发明还涉及一种用于检测检测癫痫发作或精神性发作的系统，该系统尤其是设计成可携带并且可移动的仪器并且具有所述用于数据处理的装置。

背景技术

已知这样的方法，其中例如使用心率可变性或修改的心交感指数作为特征值并且获取特征值的时间变化曲线。此外确定阈值，在超过该阈值时认为识别出发作。问题是，所谓的阈值开端是取决于患者的，从而不存在普遍适用的阈值。这经常导致误以为识别出发作，尽管实际上没有出现发作。相反也会出现发作，然而特征值低于阈值，从而不能进行识别。特别是，目前仅是不充足地检测病灶性癫痫发作，尽管这种发作类型占癫痫发作的大部分。为了能够可靠地识别发作并且能够记录关于发作的重要信息(如发作类型)，患者至今绝大部分依赖于在医院中的医生监测。

发明内容

本发明的任务是，提供一种用于检测癫痫发作和精神性发作的方法，该方法具有高可靠性，而患者不必接受医生监测。

所述任务利用根据权利要求1所述的方法来解决。所述任务还利用根据权利要求11的装置和根据权利要求12的系统来解决。有利的实施方式在各从属权利要求和说明书以及附图中描述。

根据本发明，该方法包括以下步骤：

a.获取一种特征值类型的多个时间上连续的特征值，其中基于区段时间上连续的RR间期确定特征值，其中所述区段时间上连续的特征值的区别优选在于，作为确定随后的特征值的基础的区段，不包含作为确定在前特征值的基础的区段(先前区段)的最旧RR间期，而是包含时间上跟随先前区段的最新RR间期的RR间期，

b.将所述特征值的时间变化曲线与同一种特征值类型的特征值的时间变化曲线进行对比，所述同一种特征值类型的特征值依据方法步骤a确定，并且所述确定以指示发作的RR间期(对比特征值)为基础，

c.当所述特征值的时间变化曲线具有所述对比特征值的时间变化曲线的指示发作的特征(变化曲线特征)时识别出发作。

优选地，通过用Pan-Tompkin算法获取心电图的两个连续的R波峰并且然后计算R波峰之间的距离来确定RR间期。原则上，直接在获取R波峰之后确定RR间期。

指示发作的RR间期是在已遭受发作的患者在发作时确定的RR间期(指示发作的RR间期)。在该意义上，术语“在发作时”指的是从发作开始至发作结束的时间段或该时间段的部分区段。有利地，也包括在发作之前和之后的时间段，如果这些时间段可以与关于发作的其它信息具有相关性，例如可以提供关于即将发作的结论。例如，可以在医生监测患者期间测量指示发作的RR间期。有利地，所述对比特征值的确定基于典型的指示发作的RR间期，其可以基于多个指示发作的RR间期来确定。通过评估多个指示发作的RR间期也可以不仅识别一般典型的发作的，而且识别特定典型的发作的指示发作的RR间期。在此上下文中，“特定典型”是指所涉及的RR间期不仅可以一般地与发作相关联，而且还能够实现与其它信息的特定关联。这种信息例如可以是发作的类型。因此，不仅可以识别发作，而且可以识别发作类型。

狭义上，指示发作的RR间期可以理解为在已遭受发作的患者在发作时所确定的RR间期(原本指示发作的RR间期)。在另一个意义上，术语“指示发作的RR间期”还包括由原本指示发作的RR间期(衍生的指示发作的RR间期)推导出的RR间期。这例如可以通过机器学习来实现。因此，例如计算机可以基于指示发作的RR间期的持续增长的数据集产生更精确的或更可靠的指示发作的RR间期。

特征值基于区段时间上连续的RR间期来确定。RR间期以何种方式确定特征值取决于操作的类型，所述操作的操作数是RR间期。所述操作类型例如可以是计算中值。在这种情况下，RR间期的总和形成并且除以RR间期的数量。因此，该特征值是RR间期的中值。

原则上，在本发明的意义中“时间上连续的”可以理解为时间上直接连续的。

所述区段时间上连续的特征值的区别优选在于，作为确定随后特征值的基础的区段(后续区段)，不包含作为确定在前特征值的基础的区段(旧间期)的最旧RR间期(先前区段)，而是包含时间上跟随先前区段的最新RR间期的RR间期(新间期)。也可设想这样的实施方式，其中所述后续区段与先前区段的区别在于，该后续区段包括多个新间期而不是多个旧间期，其中优选旧间期的数量和新间期的数量相同。优选地，每一区段都包括相同数量的RR间期，例如100个RR间期。也可设想，每一区段都包括在特定时间段内测量的多个RR间期。所述时间段例如可以是30秒。

在一个替代实施方式中，所述后续区段不包括先前区段的RR间期。可设想，所述后续区段以时间上跟随先前区段的最新RR间期的RR间期开始，。

在本发明的意义中，“识别(出)发作”包括当发作已经开始时识别出发作的情况，亦或发作还没有开始但即将发生发作的情况。因此，根据本发明的方法也适合于警告发作的即将发生。

在本发明的意义中，“多个”意味着至少两个的数量。优选地，“多个”代表远大于2的数量，例如至少1000。

对比特征值的时间变化曲线包括变化曲线特征。但也可设想，对比特征值的时间变化曲线仅由变化曲线特征或一部分变化曲线特征组成。

在一个优选实施方式中，根据本发明的方法包括以下步骤：

d.相应于方法步骤a获取第二特征值类型的多个时间上连续的特征值(第二特征值)，

e.将所述第二特征值的时间变化曲线与第二特征值类型的特征值的时间变化曲线进行对比，所述第二特征类型的特征值相应于方法步骤a确定，并且所述确定基于指示发作的RR间期(对比第二特征值)，

其中当额外地所述第二特征值的时间变化曲线具有所述对比第二特征值的时间变化曲线的指示发作的特征(对于第二特征值的变化曲线特征)时，才根据方法步骤c识别出发作。

优选地，作为确定特征值的基础的区段和作为确定第二特征值的基础的区段是相同的。在一个替代的优选实施方式中，确定特征值所基于的区段和确定第二特征值所基于的区段是不相同的或仅部分相同的。特别优选地，同时确定特征值和第二特征值。在这方面要指出，在权利要求中表示方法步骤的字母不是按时间顺序排列方法步骤，而是仅用于简化地参考各个方法步骤，而不需要重复所引用的方法步骤的措辞。而在一个可设想的实施方式中，所述字母根据其字母顺序按时间顺序排列权利要求中的方法步骤。

根据权利要求2所述的实施方式尤其是具有如下优点，即错误地检测出发作的概率变小，并且只有当累积满足以下两个条件时才检测出发作：特征值的时间变化曲线具有变化曲线特征，并且第二特征值的时间变化曲线具有用于第二特征值的变化曲线特征。

在本发明的一个替代实施方式中，用于检测癫痫发作和精神性发作的方法具有以下步骤：

·获取一种特征值类型的多个时间上连续的特征值，其中基于区段时间上连续的RR间期确定特征值，其中所述区段时间上连续的特征值的区别优选在于，作为确定随后的特征值的基础的区段，不包含作为确定在前特征值的基础的区段(先前区段)的最旧RR间期，而是包含时间上跟随先前区段的最新RR间期的RR间期，

·根据所述替代实施方式的在前方法步骤获取至少第二特征值类型的多个时间上连续的特征值(第二特征值)，

·将特征值的时间变化曲线与第二特征值的时间变化曲线进行对比，

·基于所述对比确定是否存在发作。

所述替代实施方式与其余的实施方式的区别在于，为了识别发作不需要对比特征值和对比特性。

在一个优选实施方式中，根据本发明的方法包括以下步骤：

f.对至少一个第三特征值类型相应地实施步骤d和e，

其中当额外地所述第三特征值的时间变化曲线具有对比第三特征值的时间变化曲线的指示发作的特征(对于第三特征值的变化曲线特征)时，才根据方法步骤c识别出发作。

术语“至少”指示可以相应地实施针对任意数量的特征值类型的方法步骤f。因此，例如除了第三特征值之外，还可以给出第四特征值，即第四特征值类型的特征值。因此，所述实施方式的条件也可被应用于相应的第四特征值。在这种情况下，所述条件的内容是：“当额外地所述第四特征值的时间变化曲线具有对比第四特征值的时间变化曲线的指示发作的特征(对于第三特征值的变化曲线特征)时……”。

第二特征值类型是与(第一)特征值类型不同的特征值类型。第三特征值类型与第二特征值类型不同并且与(第一)特征值类型不同。相同的内容适用于每个其它特征值类型。例如，第四特征值类型不同于第一、第二和第三特征值类型。

优选地，确定特征值所基于的区段与确定第二特征值所基于的区段和确定第三特征值所基于的区段是相同的。但也完全可设想，确定特征值所基于的区段与确定第二特征值所基于的区段和确定第三特征值所基于的区段等是不相同的或仅部分相同的。特别优选地，同时确定特征值、第二特征值和第三特征值。

在所述实施方式的一个替代实施方式中，根据本发明的方法包括以下步骤：

·对至少一个第三特征值类型相应地实施步骤d和e，

其中当所述第三特征值的时间变化曲线不具有用于第三特征值的变化曲线特征时，根据方法步骤c识别出发作。

在一个优选实施方式中，所述特征值类型是中值、标准差、心交感指数(CSI)、功能性修改的心交感指数(CSImod)、心血管指数、根据巴耶夫斯基的压力指数、调节过程的充足性指数、植物性平衡指数或植物性节律指数、相邻的RR间期之间的所有平方差的总和的中值的平方根(RMSSD)、RR间期的分布斜度(RRskew)、RR间期的分布曲率(RRKur t)、与在之前发生的间期的偏差至少50毫秒的间期的百分比(pNN50)、在总记录中彼此偏差超过50毫秒的相邻间期对的数量(NN50)、低于0.003赫兹的频率范围(ULF)、0.003至0.04赫兹的频率范围(VLF)、0.04至0.15赫兹的频率范围(LF)、0.14至0.4赫兹的频率范围(HF)、LF与HF的比值、绝对功率谱密度(t t lpwr)、低频带和高频带中的最有代表性的功率谱密度、低频带和高频带中的最高出现的频率、基于RR间期的心律的加速和减速能力(PRS-AC或PRS-DC)、样本熵(SampEn)、近似熵(ApEn)、样本熵的系数(CoSEN)、长期和短期趋势波动分析(DFA)、密度分布或三角指数的积分(TRI)、PoincaréPlot的椭圆的近似长度和宽度以及它们的商、心律震荡(HRT)或复发率(REC)。

当特征值在坐标系中相对于时间绘制出时，特征值的时间变化曲线例如可以目视化显示。由此，变化曲线特征也可以目视化显示。该变化曲线特征可以具有特征形状。在一个优选实施方式中，当所述特征值类型是中值并且基本上山形的曲线(山形)时，当所述特征值类型是标准差或CSI时，所述变化曲线特征是基本上线性下降的曲线(线性下降)。

在一个优选实施方式中，所述(第一)特征值的特征值类型是中值，所述第二特征值的特征值类型是标准差，并且所述第三特征值的特征值类型是CSI。

在根据本发明的方法的一个优选实施方式中，其还包括以下步骤：

·形成时间上连续的间期，其包含时间上连续的特征值(特征值间期)，其中所述特征值间期这样在时间上连续，使得随后特征值间期与先前特征值间期的区别在于，其不包含先前特征值间期的最旧特征值，而是包含在时间上跟随先前特征值间期的最新特征值的特征值，

·按特征值间期检查，变化曲线特征是否在各个特征值间期中出现。

特征值间期这样在时间上连续地跟随，使得随后特征值间期与先前特征值间期的区别在于，其不包含先前特征值间期的最旧特征值(旧特征值)，而是包含在时间上跟随先前特征值间期的最新特征值(新特征值)的特征值。也可设想这样的实施方式，其中随后的特征值间期与先前的特征值间期的区别在于，随后的特征值间期包括多个新特征值而不是多个旧特征值，其中优选旧特征值的数量和新特征值的数量相同。优选地，每个特征值间期包括相同数量的特征值。

在根据本发明的方法的一个优选实施方式中，该方法包括以下方法步骤：

·将所述特征值间期划分成至少两个优选基本上一样大的子间期，

·确定每个子间期的过特征值，

·基于所述过特征值识别是否存在变化曲线特征。

过特征值基于区段时间上连续的RR间期来确定。所述特征值以何种方式确定过特征值取决于操作的类型，所述操作的操作数是所述特征值。所述操作类型例如可以是计算中值。在这种情况下，所述特征值的总和形成并且除以所述特征值的数量。因此，该过特征值是所述特征值的中值。因此，该过特征值对应于所述特征值。优选地，该过特征值是在本申请中用于特征值(例如中值、CSImod、REC等)的其中一个实例。

在根据本发明的方法的一个优选实施方式中，该方法还包括以下步骤：

·将所述特征值间期划分成优选四个基本上一样大的子间期，

·确定每个子间期的所有特征值的中值，

·当每个较旧的子间期的中值大于每个较新的子间期的中值时，识别出变化曲线特征线性下降。

所述子间期的大小由该子间期包含的特征值的数量确定。在本发明的意义中，“基本上一样大的子间期”意味着，所述子间期是一样大的或者其大小这样不同，使得不会不利于对变化曲线特征的识别。在最后一种替代方案的情况下，可以将子间期大小与平均间期大小之间的关系考虑为判断标准。一个示例应解释这一点：子间期大小为101、99、102和98个特征值。平均间期大小为100个特征值。就此子间期仅与平均间期大小偏差1至2％。这是根据本发明的子间期基本上具有一样大的标志。

所述实施方式的方法可以被多次实施，其中区段所包含的RR间期的数量(区段长度)在每次实施时都改变。所述多次实施可以同时进行或依次进行。优选地，实施的次数是三，其中区段长度是50、75、100个RR间期。每次实施的结果是识别为或不识别为变化曲线特征。实施的结果可以借助布尔代数联结成逻辑结论。例如可以定义，当其中一次实施提供的结果识别为变化曲线特征时，作为总结果存在变化曲线特征。

替代地，也可设想其它数量的子间期。

在根据本发明的方法的另一个优选实施方式中，其还包括以下步骤：

·将所述特征值间期划分成四个基本上一样大的子间期，

·确定每个子间期的所有特征值的中值，

·将最旧子间期划分成四个一样大的子间期(子子间期)并且确定每个子子间期的所有特征值的中值，

·对于最旧子间期，检查每个较新的子子间期的中值是否大于每个较旧的子子间期的中值(最旧子子间期线性上升)，

·将最新子间期划分成四个一样大的子间期(子子间期)并且确定每个子子间期的所有特征值的中值，

·对于最新子间期，检查每个较旧的子子间期的中值是否大于每个较新的子子间期的中值(最新子子间期线性下降)，

·识别出变化曲线特征山形，当

-存在最旧子子间期的线性上升，

-存在最新子子间期的线性下降，

-最旧子间期的中值小于第二最旧子间期的中值，并且

-第二最新子间期的中值大于最新子间期的中值。

所述实施方式的方法可以被多次实施，其中区段所包含的RR间期的数量(区段长度)在每次实施时都改变。所述多次实施可以同时进行或依次进行。优选地，实施的次数是四，其中区段长度是50、75、100和150个RR间期。每次实施的结果是识别为或不识别为变化曲线特征。实施的结果可以借助布尔代数联结成逻辑结论。例如可以定义，当其中一次实施提供的结果识别为变化曲线特征时，作为总结果存在变化曲线特征。

根据本发明的方法适合于监测患者，使得一旦已经识别出发作，就能够及时报警。在这种情况下示出，在确定RR间期之后直接并且顺利地实施所述方法步骤。因此对于即时报警有利的是，所述区段包括较少数量的RR间期。在一个有利的实施方式中，一个区段包括4至300个RR间期。

根据本发明的方法也适合于发作的分析。在这种情况下也可以使用在较长的时间之前确定的RR间期。借助根据本发明的方法不仅可以确定患者在过去是否遭受发作及其频繁度，而且还可以识别出发作的类型。因此为了分析的目的，有利的是这些区段包括较大数量的RR间期。在一个优选实施方式中，一个区段包括4至5000个RR间期。

在一个优选实施方式中，该方法包括以下方法步骤：

·形成时间上连续的间期，其包含时间上连续的特征值(特征值间期)，其中所述特征值间期这样在时间上连续，使得随后特征值间期与先前特征值间期的区别在于，其不包含先前特征值间期的最旧特征值，而是包含在时间上跟随先前特征值间期的最新特征值的特征值，

·根据其是否指示发作，将至少一个特征值间期进行分类，其中借助人造神经网络进行分类，其中所述网络具有输入层，优选地具有至少一个中间层和输出层，其中所述输入层具有所述特征值间期，使得所述输入层的神经元分别代表所述特征值间期的特征值，其中所述输出层具有至少一个神经元，其中输出层的神经元代表分类的结果，所述特征值间期是否指示发作或者所述特征值间期是否指示不发作。

人造神经网络是已知的。通常，输入层的每个神经元与中间层的每个神经元相关联。通常，中间层的每个神经元也与输入层的每个神经元相关联。优选地，输出层具有唯一的神经元。优选地，该网络向前指向，即一层神经元受前一层神经元影响。例如，输入层的神经元影响中间层的神经元，并且中间层的神经元影响输出层的神经元。这通常通过如下方式实现，即将与随后的层的神经元连接的在前的层的神经元的值乘以它们各自的权重并且将这样加权的值的总和作为所谓的网络输入传递给激活函数。该激活函数为每个网络输入配设有输出，该输出被传递给相应的后续层的神经元。在此可以确定阈值，该阈值确保从确定的值起才将输出传递给随后的层的神经元。还可以设置有一个或多个偏倚神经元。

优选地，所述网络具有多个中间层(深度学习)。

输入层的神经元分别代表特征值间期的特征值。所述代表通常通过数值进行。特征值间期例如可以具有多个特征值类型中值的特征值。因此，所述特征值间期包括多个中值。通过其进行代表的数值在这种情况下是所述多个中值中的一个。一个示例应阐明这一点：特征值间期具有特征值类型中值的三个特征值。最旧特征值是中值5，第二最旧特征值是中值3，最新特征值是中值9。此外，在该示例中设置有具有三个神经元的输入层。代表最旧特征值的第一神经元将具有数值5。代表第二最旧特征值的第二神经元将具有数值3。最后，代表最新特征值的第三神经元将具有数值9。优选地，输入层的神经元布置成一区段，其中该区段的第一神经元表代表最旧特征值，该区段的第二神经元代表第二最旧特征值等等。优选地，输入层具有55或128个神经元。

对至少一个特征值间期进行分类。优选地，对多个特征值间期进行分类。对特征值间期的分类可以从最旧特征值间期的分类逐步进行到最新特征值间期。也可能的是，所有特征值间期同时被分类。

在所述优选实施方式中，其中同时对多个特征值间期进行分类，输入优选被认为是(二维)矩阵。

在一个优选实施方式中，该方法还包括以下方法步骤：

·形成时间上连续的间期，其包含时间上连续的第二特征值(第二特征值间期)，其中第二特征值间期这样在时间上连续，使得随后的第二特征值间期与先前的第二特征值间期的区别在于，包括用在时间上跟随先前的第二特征值间期的最新第二特征值的第二特征值代替先前的第二特征值间期的最旧第二特征值，

·根据其是否指示发作将至少一个第二特征值间期进行分类，其中借助人造神经网络进行分类，其中所述输入层具有第二特征值间期，使得设置用于第二特征值间期的输入层的神经元(第二神经元)分别代表第二特征值间期的第二特征值，其中所述输出层具有至少一个神经元，所述神经元代表分类的结果，第二特征值间期是否指示发作或第二特征值间期是否指示不发作，其中确定特征值间期的特征值所基于的时间上连续的RR间期的区段和确定第二特征值间期的第二特征值所基于的时间上连续的RR间期的区段是相同的或部分相同的，其中优选同时进行特征值间期的分类和第二特征值间期的分类。因此，所述分类可以针对具有不同特征值类型的特征值间期进行，其中它们(至少部分地)基于相同的RR间期。因此，它们(至少部分地)涉及相同的时间段。如果以相同的RR间期为基础，那么所述特征值间期和所述第二特征值间期导致共同的结果，即存在发作或不存在发作。

优选地，即使在具有不同特征值类型的多个特征值间期的变型方案中，神经网络也仅具有一个输出神经元。

所述实施例具有如下优点：这样训练神经网络，使得它也使用不同特征值类型的特征值间期之间的关系来进行分类。例如可以利用这样的认知，即如果例如特征值类型中值的特征值间期具有线性的变化曲线，与此同时第二特征值类型标准差的第二特征值间期具有山形，则存在发作。这仅是一个简单的示例，其应对此提供一个印象，即在不同特征值类型的特征值间期之间的关系可以被神经网络识别出并且这些认知可以导致更可靠的分类。

特别优选地，该方法还包括形成第三特征值间期且对至少一个第三特征值间期进行分类，其中这类似于在特征值间期和第二特征值间期中所描述的过程。不同特征值类型的特征值间期(特征值间期、第二特征值间期、第三特征值间期、第四特征值间期)的数量越多，则分类可以越可靠。例如，不同特征值类型的特征值间期的数量可以是36。

在一个优选实施方式中，利用特征值间期的数据集训练所述网络，其中使用监控学习的方法，其中所述数据集具有指示发作的特征值间期(发作特征值间期)和指示不发作的特征值间期(不发作特征值间期)，其中将至少一个发作特征值间期这样传输给输入层，使得该输入层的神经元分别代表所述发作特征值间期的特征值，其中当所述网络将发作特征值间期错误地分类为不发作特征值间期时，以提高分类的可靠性的目标调整所述网络的参数，其中当将发作特征值间期的网络正确地分类为发作特征值间期时，所述网络的参数保持不变，其中将至少一个不发作特征值间期传输给所述输入层，使得该输入层的神经元分别代表所述不发作特征值间期的特征值，其中当所述网络将不发作特征值间期错误地分类为发作特征值间期时，以提高分类的可靠性的目标调整所述网络的参数，其中当所述网络将不发作特征值间期正确地分类为不发作特征值间期时，所述网络的参数保持不变。

本发明也涉及训练人造神经网络用以对至少一个特征值间期进行分类，其中利用特征值间期的数据集训练所述网络，其中使用监控学习的方法，其中所述数据集具有指示发作的特征值间期(发作特征值间期)和指示不发作的特征值间期(不发作特征值间期)，其中将至少一个发作特征值间期这样传输给输入层，使得该输入层的神经元分别代表所述发作特征值间期的特征值，其中当所述网络将发作特征值间期错误地分类为不发作特征值间期时，以提高分类的可靠性的目标调整所述网络的参数，其中当将发作特征值间期的网络正确地分类为发作特征值间期时，所述网络的参数保持不变，其中将至少一个不发作特征值间期传输给所述输入层，使得该输入层的神经元分别代表所述不发作特征值间期的特征值，其中当所述网络将不发作特征值间期错误地分类为发作特征值间期时，以提高分类的可靠性的目标调整所述网络的参数，其中当所述网络将不发作特征值间期正确地分类为不发作特征值间期时，所述网络的参数保持不变。

一个参数例如是神经元的权重。特别优选地，进行多个神经元的权重的调整。优选地，在此涉及所述至少一个中间层的神经元和/或输出层的神经元。参数的其它示例是偏倚神经元。

优选地，在训练之后是测试阶区段，在该测试阶区段中利用数据集的特征值间期和/或新的特征值间期来测试网络特征值间期是否可靠地分类。

本发明也涉及一种用于数据处理的装置，该装置包括用于实施所述方法的器件。所述用于数据处理的装置例如可以是计算机或智能手机。

本发明还涉及一种用于检测检测癫痫发作和精神性发作的系统，该系统具有根据本发明的用于数据处理的装置。此外，所述系统包括用于获取心跳数据的传感器以及用于通知关于所述检测的信息的输出单元。通过用于获取心跳数据的传感器可以通过对患者的直接测量确定RR间期。由此，该系统可被用于监控有发作危险的患者。输出单元向使用者(例如患者或医生)通知关于检测到的发作的信息，例如发作出现、发作类型和发作的时刻。由此例如可以触发警报。但信息也可被存储在发作日历中。例如，发作日历的存储位置可以位于用于数据处理的装置中。

在根据本发明的系统的一个优选实施方式中，该系统还具有用于发送关于所述检测的信息的发送器。当检测出发作时，发送器例如用于发出紧急呼叫或警报。

在一个优选实施方式中，该系统构造成可携带并且可移动的仪器。该仪器的可携带并且可移动的设计方案例如可以根据可移动的EKG仪器的模型来实现。该仪器例如可被固定在患者的手腕上或胸部上。由此，即使在不存在医生并且不与医院接待处绑定的情况下也可以可靠地监测患者。

附图说明

下面将以示例性实施方式解释本发明。

具体实施方式

图1示出如何确定在时间上连续的特征值。可以看到三个区段，即上面的区段、中间的区段和下面的区段。在上面的区段中记录了具体确定的RR间期。在此，例如可以是RR间期，其对有发作危险的患者进行测量，以便监测该患者是否发作或是否即将发作。在根据图1的示例中示出15个RR间期(15个小方框)。在每个小方框中以毫秒(ms)为单位说明对应的RR间期的各个值。例如，第一RR间期具有值798ms，并且第二RR间期具有值795ms。所示的RR间期在时间上是连续的。在此，最左边的RR间期(798ms)是所示的RR间期中最旧(因此被测量为第一的)并且最右边的RR间期(783ms)是最新(因此被测量为最后的)。在中间的区段中记录了中值特征值类型的特征值。在时刻t(即在测量最新RR间期的时刻)，所述中值基于时间上连续的RR间期的最后一区段具有值783.7。在此，为了说明，所述区段包括3个RR间期的长度。因此，中值783.7是最新三个RR间期785、783和783的中值。为了说明，在最后一区段中在同一时刻t的特征值类型CSI具有基于最新五个RR间期(788、785、785、783和783)确定的值4.074。因此，确定第二特征值(在此为CSI)所基于的区段以五个RR间期大于确定(第一)特征值(中值)所基于的区段，该区段仅包括三个RR间期。在本示例中，不同的特征值的区段长度不同。

在时刻t-8的中值(在此RR间期具有778ms的值并且中值为761.3ms)同样基于区段三个RR间期、即748、758和778(它们借助具有实线的矩形包围)来确定。因此，用于确定每个中值的区段(中间的区段)在图1中是三个RR间期长。在t-8时确定中值所基于的区段是用于在t-7时确定中值所基于的区段的先前区段，该区段又是所述先前区段的后续区段。所述后续区段包括RR间期758、778和825。因此，在本示例中具有恒定长度的三个RR间期的区段形象地说以小方框的方式从左向右移动。在本示例中，这继续直到到达图1中可见的最后一区段(RR间期785、783以及783)。

根据所述移动区段的原理也确定CSI值。例如，CSI在时间t-8时刻具有值3.266，该值基于借助具有虚线的矩形包围的五个RR间期所确定(RR间期790、765、748、758、778)。基于第二特征值CSI的确定的区段在该示例中也始终具有恒定的长度(与第一特征值不同，但是长度为5)。所述区段以小方框的方式向右移动直至到达由RR间期788、785、785、783、783组成的最后可见的区段。在继续移动的每个步骤中确定CSI值(参见最下面的区段)。

图2示出第一特征值类型的多个时间上连续的特征值的时间变化曲线(上面的图)、第二特征值类型的多个时间上连续的特征值的时间变化曲线(中间的图)和第三特征值类型的多个时间上连续的特征值的时间变化曲线(下面图)。第一特征值类型是中值，第二特征值类型是标准差，并且第三特征值类型是CSI。可以清楚地看到，所有的变化曲线特征都在大约40秒的时间内。此时获取的RR间期指示发作。在此，所有三个图在这方面具有变化曲线特征。特征值类型中值(上面)的特征值的变化曲线特征是线性下降，而特征值类型标准差(中间)和特征值类型CSI(下面)的特征值的变化曲线特征是山形。

图3示出对于三种特征值类型(左边的分图：中值；中间的分图：标准差；右边的分图：CSI)的特征值将特征值间期划分成四个子间期(UI1、UI2、UI 3、UI4)。在四个子间期的基础上，以特征值类型中值为例确定每个子间期的特征值的所有中值(P1、P2、P3、P4)。(为了更好地理解要指出，所述特征值间期在该示例中从40秒延长至80秒。)在此基础上，如果每个较旧的子间期的中值大于每个较新的子间期的中值，则能够识别出变化曲线特征线性下降，如在左边的分图(图形中值)中所示的那样。对于特征值类型标准差(中间的分图)和CSI(右边的分图)，如下识别出变化曲线特征山形：划分成四个一样大的子间期并且检查对于最旧子间期(UI 1)是否存在变化曲线特征线性上升，对于最新子间期(UI4)是否存在变化曲线特征线性下降，最旧子间期(UI 1)的中值是否小于第二最旧子间期的中值(UI2)，并且第二最旧子间期的中值(UI 3)是否大于最新子间期的中值(UI4)。通过将子间期划分成四个一样大的子间期(未示出)实现确定在最旧子间期(UI 1)中变化曲线特征线性上升；对于每个子间期，当每个较旧的子间期的中值小于每个较新的子间期的中值时，确定中值并且识别出变化过程特征线性上升。相应的内容适用于确定对于最新子间期(UI4)的变化曲线特征线性下降。为了完整起见，要指出，在中间的分图中的特征值间期从40秒延长至80秒并且在右边的分图中的特征值间期从40秒延长至100秒。每次实施的结果是识别或不识别变化曲线特征。实施的结果可以借助布尔代数联结成逻辑结论(图4)。

图4示出不同特征值类型的检测结果的逻辑运算的示例。下面首先涉及最上面的三个区段。每个区段代表识别另一个变化曲线特征。例如，上面的区段(FF I)示出是否已识别出变化曲线特征线性下降(特征值类型中值)，上面的区段(FF I I)示出是否已识别出特征值类型标准差的山形的变化曲线特征，并且上面的区段(FF I I I)示出是否已识别出特征值类型CSI的山形的变化曲线特征。暗条及其长度表示是否已识别出变化曲线特征和在哪个时间段上。下面的区段作为结果示出，是否进行止挡。上面三个区段与下面一个区段通过逻辑运算连接，该逻辑运算在图4的示例中具有如下内容：仅当识别出在FF I中的变化曲线特征和在FF I I中的变化曲线特征并且额外地也没有识别出在FF I I I中的变化曲线特征时，才在下面的区段中识别出止挡。

图5示出用于根据是否指示发作或是否指示不发作对特征值间期进行分类的一个示例性的人造神经网络。为了清晰性，所述网络包括仅具有两个神经元的输入层(左边)、具有五个神经元的中间层(中间)和具有一个神经元的输出层(右边)。输入层的每个神经元与中间层的每个神经元连接，并且中间层的每个神经元与输出层的神经元连接。输入层的最上面的神经元代表特征值间期的最新特征值，并且最下面的神经元代表特征值间期的最旧特征值。输出层的神经元说明分类的结果，即包含在输入层中的特征值间期是发作特征值间期还是不发作特征值间期。

图6示出用于对特征值类型的特征值间期进行分类和对第二特征值类型的第二特征值间期进行分类的一个示例性的人造神经网络。图6的人造神经网络与图5的人造神经网络的不同之处在于，输入层具有两个列，每列具有三个神经元。第一列具有特征值间期的神经元，并且第二列具有第二神经元，即第二特征值间期的神经元。在输入层的第一区段中可以记录基于相同的或部分相同的区段的RR间期的特征值和第二特征值。相应的情况适用于第二和第三区段。

Claims (19)

1.用于检测癫痫发作或精神性发作的方法，其包括以下步骤：

a.获取一种特征值类型的多个时间上连续的特征值，其中基于区段时间上连续的RR间期确定特征值，其中所述区段时间上连续的特征值的区别优选在于，作为确定随后的特征值的基础的区段，不包含作为确定在前特征值的基础的区段(先前区段)的最旧RR间期，而是包含时间上跟随先前区段的最新RR间期的RR间期，

b.将所述特征值的时间变化曲线与同一种特征值类型的特征值的时间变化曲线进行对比，所述同一种特征值类型的特征值依据方法步骤a确定，并且所述确定以指示发作的RR间期(对比特征值)为基础，

c.当所述特征值的时间变化曲线具有所述对比特征值的时间变化曲线的指示发作的特征(变化曲线特征)时识别出发作。

2.根据权利要求1所述的方法，其包括以下步骤：

d.相应于方法步骤a获取第二特征值类型的多个时间上连续的特征值(第二特征值)，

e.将所述第二特征值的时间变化曲线与第二特征值类型的特征值的时间变化曲线进行对比，所述第二特征类型的特征值相应于方法步骤a确定，并且所述确定基于指示发作的RR间期(对比第二特征值)，

其中当额外地所述第二特征值的时间变化曲线具有所述对比第二特征值的时间变化曲线的指示发作的特征(对于第二特征值的变化曲线特征)时，才根据方法步骤d识别出发作。

3.根据权利要求2所述的方法，其还包括以下步骤：

f.对至少一个第三特征值类型相应地实施步骤d和e，

其中当额外地所述第三特征值的时间变化曲线具有对比第三特征值的时间变化曲线的指示发作的特征(对于第三特征值的变化曲线特征)时，才根据方法步骤c识别出发作，或

其中当所述第三特征值的时间变化曲线不具有用于第三特征值的变化曲线特征时，根据方法步骤c识别出发作。

4.根据上述权利要求中任一项所述的方法，其中所述特征值类型是中值、标准差、心交感指数(CSI)、功能性修改的心交感指数(CSImod)、心血管指数、根据巴耶夫斯基的压力指数、调节过程的充足性指数、植物性平衡指数或植物性节律指数的特征值类型。

5.根据权利要求4所述的方法，其中

·当所述特征值类型是中值时，所述变化曲线特征是基本上线性下降的曲线(线性下降)，

·当所述特征值类型是标准差或CSI时，所述变化曲线特征是基本上山形的曲线(山形)。

6.根据权利要求4或5中任一项所述的方法，只要涉及权利要求3，其中所述(第一)特征值的特征值类型是中值，所述第二特征值的特征值类型是标准差，并且所述第三特征值的特征值类型是CSI。

7.根据上述权利要求中任一项所述的方法，其包括以下方法步骤：

·形成时间上连续的间期，其包含时间上连续的特征值(特征值间期)，其中所述特征值间期这样在时间上连续，使得随后特征值间期与先前特征值间期的区别在于，其不包含先前特征值间期的最旧特征值，而是包含在时间上跟随先前特征值间期的最新特征值的特征值，

·按特征值间期检查，变化曲线特征是否在各个特征值间期中出现。

8.根据上述权利要求所述的方法，其包括以下方法步骤：

·将所述特征值间期划分成至少两个优选基本上一样大的子间期，

·确定每个子间期的过特征值，

·基于所述过特征值识别是否存在变化曲线特征。

9.根据权利要求7或8所述的方法，其包括以下方法步骤：

·将所述特征值间期划分成优选四个基本上一样大的子间期，

·确定每个子间期的所有特征值的中值，

·当每个较旧的子间期的中值大于每个较新的子间期的中值时，识别出变化曲线特征线性下降。

10.根据权利要求7、8或9所述的方法，其包括以下方法步骤：

·将所述特征值间期划分成优选四个基本上一样大的子间期，

·确定每个子间期的所有特征值的中值，

·将最旧子间期划分成四个一样大的子间期(子子间期)并且确定每个子子间期的所有特征值的中值，

·对于最旧子间期，检查每个较新的子子间期的中值是否大于每个较旧的子子间期的中值(最旧子子间期线性上升)，

·将最新子间期划分成四个一样大的子间期(子子间期)并且确定每个子子间期的所有特征值的中值，

·对于最新子间期，检查每个较旧的子子间期的中值是否大于每个较新的子子间期的中值(最新子子间期线性下降)，

·识别出变化曲线特征山形，当

o存在最旧子子间期的线性上升，

o存在最新子子间期的线性下降，

o最旧子间期的中值小于第二最旧子间期的中值，并且

o第二最新子间期的中值大于最新子间期的中值。

11.根据权利要求1至6中任一项所述的方法，其包括以下方法步骤：

·形成时间上连续的间期，其包含时间上连续的特征值(特征值间期)，其中所述特征值间期这样在时间上连续，使得随后特征值间期与先前特征值间期的区别在于，其不包含先前特征值间期的最旧特征值，而是包含在时间上跟随先前特征值间期的最新特征值的特征值，

·根据其是否指示发作，将至少一个特征值间期进行分类，其中借助人造神经网络进行分类，其中所述网络具有输入层，优选地具有至少一个中间层和输出层，其中所述输入层具有所述特征值间期，使得所述输入层的神经元分别代表所述特征值间期的特征值，其中所述输出层具有至少一个神经元，其中输出层的神经元代表分类的结果，所述特征值间期是否指示发作或者所述特征值间期是否指示不发作。

12.根据上述权利要求所述的方法，其包括以下方法步骤：

·形成时间上连续的间期，其包含时间上连续的第二特征值(第二特征值间期)，其中第二特征值间期这样在时间上连续，使得随后的第二特征值间期与先前的第二特征值间期的区别在于，包括用在时间上跟随先前的第二特征值间期的最新第二特征值的第二特征值代替先前的第二特征值间期的最旧第二特征值，

·根据其是否指示发作将至少一个第二特征值间期进行分类，其中借助人造神经网络进行分类，其中所述输入层具有第二特征值间期，使得设置用于第二特征值间期的输入层的神经元(第二神经元)分别代表第二特征值间期的第二特征值，其中所述输出层具有至少一个神经元，所述神经元代表分类的结果，第二特征值间期是否指示发作或第二特征值间期是否指示不发作，其中确定特征值间期的特征值所基于的时间上连续的RR间期的区段和确定第二特征值间期的第二特征值所基于的时间上连续的RR间期的区段是相同的或部分相同的，其中优选同时进行特征值间期的分类和第二特征值间期的分类。

13.根据权利要求11或12所述的方法，其中利用特征值间期的数据集训练所述网络，其中使用监控学习的方法，其中所述数据集具有指示发作的特征值间期(发作特征值间期)和指示不发作的特征值间期(不发作特征值间期)，其中将至少一个发作特征值间期这样传输给输入层，使得该输入层的神经元分别代表所述发作特征值间期的特征值，其中当所述网络将发作特征值间期错误地分类为不发作特征值间期时，以提高分类的可靠性的目标调整所述网络的参数，其中当将发作特征值间期的网络正确地分类为发作特征值间期时，所述网络的参数保持不变，其中将至少一个不发作特征值间期传输给所述输入层，使得该输入层的神经元分别代表所述不发作特征值间期的特征值，其中当所述网络将不发作特征值间期错误地分类为发作特征值间期时，以提高分类的可靠性的目标调整所述网络的参数，其中当所述网络将不发作特征值间期正确地分类为不发作特征值间期时，所述网络的参数保持不变。

14.根据上述权利要求中任一项所述的方法，其中一区段包括4至300个或4至5000个RR间期。

15.训练人造神经网络用以对至少一个根据权利要求11或12所述的特征值间期进行分类，其中利用特征值间期的数据集训练所述网络，其中使用监控学习的方法，其中所述数据集具有指示发作的特征值间期(发作特征值间期)和指示不发作的特征值间期(不发作特征值间期)，其中将至少一个发作特征值间期这样传输给输入层，使得该输入层的神经元分别代表所述发作特征值间期的特征值，其中当所述网络将发作特征值间期错误地分类为不发作特征值间期时，以提高分类的可靠性的目标调整所述网络的参数，其中当将发作特征值间期的网络正确地分类为发作特征值间期时，所述网络的参数保持不变，其中将至少一个不发作特征值间期传输给所述输入层，使得该输入层的神经元分别代表所述不发作特征值间期的特征值，其中当所述网络将不发作特征值间期错误地分类为发作特征值间期时，以提高分类的可靠性的目标调整所述网络的参数，其中当所述网络将不发作特征值间期正确地分类为不发作特征值间期时，所述网络的参数保持不变。

16.用于数据处理的装置，其包括用于实施根据上述权利要求中任一项所述的方法的器件。

17.用于检测癫痫发作或精神性发作的系统，该系统具有：

·根据权利要求16所述的用于数据处理的装置，

·用于获取心跳数据的传感器，

·用于通知关于所述检测的信息的输出单元。

18.根据权利要求17所述的系统，该系统具有用于发送关于检测的信息的发送器。

19.根据权利要求17或18所述的系统，该系统设计成可携带的并且可移动的仪器。

Images