JP5395954B2 - Ｅｅｇモニタリング・システムおよびｅｅｇをモニタリングする方法 - Google Patents

Description

この発明はモニタリングに関する。より詳細にはこの発明はモニタされるべき人物によって連続して持ち運ばれるのに適するＥＥＧモニタリング・システムに関する。さらにこの発明はＥＥＧをモニタリングする方法に関する。

ＥＥＧは脳波（Electro Encephalo-Gram）の略語として頻繁に用いられており，一般には人の脳活動を電気的にモニタリングする方法を言う。ＥＥＧをモニタリングするシステムは長年にわたって知られている。一般的な技術開発では，モニタされるべき人によって連続して持ち運ばれるまたは装着されることが可能なＥＥＧモニタリング・システムが開発されている。

国際特許公開２００６／０６６５７７は糖尿病を煩っている人が連続して装着するシステムを開示しており，そこでは血糖値がモニタされ，低血糖発作に対して警告される。低血糖値は脳活動に重大な影響を及ぼし，低すぎる血糖値は意識喪失や死にさえ至ることもある。国際特許公開２００６／０６６５７７に記載のシステムは完全埋込み型皮下システム（a fully implanted subcutaneous system）である。電線を介して，埋込み電極（複数）が切迫した低血糖発作についての脳波特性（the brainwaves characteristic）を検出可能なモニタリング装置に接続され，上記皮下モニタリング装置の振動の形で警告が発せられる。国際特許公開第２００６／０６６５７７にはさらに，埋没物（implant）が，より大きな電力を要求する電子機器部材を含む外部ユニットと無線通信可能であり，したがって上記埋込み皮下部材の長い電池寿命が得られることが述べられている。音警告（an acoustic warning）も可能である。切迫した低血糖発作を検出するために，国際特許公開２００６／０６６５７７のシステムは，脳波の周波数および振幅において，参照によってここに援用される国際特許公開２００６／０６６５７７に説明されているような低血糖発作の前に，高振幅および低周波数を有する波形パターンを有するフェーズに入る脳波変化を見る。ベイス分類器（Bayesian classifiers），ニューラル・ネットワーク，またはロジスティック回帰のような分類器（classifiers）を用いることが述べられているが，国際特許公開２００６／０６６５７７はやり方（how）について詳細を開示していない。最後にするが，国際特許公開２００６／０６６５７７は信号処理アルゴリズムの動的適応（dynamic adaptation）の内蔵を述べており，これを上記システムを持ち運ぶ個々人に連続的に適応する。この観点についても，上記文書はそのような動的適応の達成のやり方について何ら述べてはいない。

この従来技術に基づき，この発明は先進的なシステムを提供することを目的とする。すなわち，とりわけこの発明は，上述した動的適応を提供するシステムおよび方法を提示することをさらなる目的とする。

この発明の第１の観点によると，これらの目的は冒頭の段落によるＥＥＧモニタリング・システムによって達成され，このシステムは，上記ＥＥＧモニタリング・システムを持ち運ぶ人物から少なくとも一のＥＥＧ信号を計測（測定）する電極，上記少なくとも一のＥＥＧ信号の少なくとも一部を受信しかつ処理するように構成される信号処理手段，上記ＥＥＧ信号を分析する分析手段，上記少なくとも一のＥＥＧ信号に関するデータをログするように構成されるロギング手段，および上記ＥＥＧ信号に関するデータを記憶するメモリを備えている。

この発明の第２の観点によると，これらの目的は携帯型のモニタリング・システムを用いてＥＥＧをモニタリングする方法によって達成され，この方法は，上記ＥＥＧモニタリング・システムを持ち運ぶ人物から少なくとも一のＥＥＧ信号を計測し，信号処理手段を用いて上記少なくとも一のＥＥＧ信号を受信し，処理し，かつ解析し，データロギング手段を用いて上記少なくとも一のＥＥＧ信号に関するデータをロギングし，上記ＥＥＧ信号に関するデータをメモリに記憶する。

データをログすることによって上記データの拡張評価（extensive evaluation）を実行することが可能になり，同様に，より良い解析，所定事象のより良い検出，個々人の脳波と低血糖発作またはてんかん発作などの切迫した事象との間の関係性のより良い理解，さらに個別調節をなすことが可能になる。

この発明の上記第１の観点の好ましい実施態様によると，上記信号処理手段は上記ＥＥＧ信号から特徴ベクトルを抽出する特徴抽出器（feature extractor）を備える。特徴抽出器を用いることによって，上記信号の内容を分類すべき評価プロセスにおいて考慮されるべきＥＥＧ信号のオリジナルの情報量の実質的な削減が図られる。

この発明の第１の側面のさらに好ましい実施態様によると，上記分析手段は上記少なくとも一の信号に基づいて所定の事象（複数）（events）を検出する事象分類器（event classifier）を備える。事象分類器を用いることは，重要な事象および取るに足らない事象を区別する効果的なやり方である。

この発明の第１の側面のさらなる実施態様によると，上記ロギング手段は複数の事象（a number of events）についての情報，たとえばそれらの発生のとき（時）（their time of occurrence）をログするように構成される。複数の事象をロギングすることは，重要な事象の発生に依拠したアラームのような決定についての基礎を提供するための効果的なやり方である。さらに，たとえばサンプルされるＥＥＧ信号全体（the fully sampled EEG signal）と比較して記憶される情報の実質的な低減が図られる。

この発明の第１の観点の他の好ましい実施態様によると，上記データロギング手段は上記ＥＥＧ信号から抽出される少なくとも一の特徴ベクトルをログするように構成される。特徴ベクトルだけをロギングすることで，耳の後ろに装着されるべき小型デバイスにおいて重要である，記憶容量の大幅な節約が図られる。

この発明の第１の側面のさらに他の好ましい実施態様によると，上記データロギング手段は上記少なくとも一のＥＥＧ信号の波形をログするように構成される。上記信号の波形の全体情報を保持することは，容量に関する考慮がさほど重要でないときには好ましい。

この発明の第１の側面の特に好ましい実施態様によると，検出される所定の事象に基づいて異常脳状態（abnormal brain condition）を検出し，かつ上記異常脳状態の検出に基づいてアラームを開始（発生）する手段が設けられる。

この発明の第１の側面のさらに好ましい実施態様によると，上記異常脳状態の検出に応じて（upon detection），上記データロギング手段によってログされるデータが上記メモリ中に記憶される。さらなる解析のために記憶される，上記アラームに至るまでの期間に係る情報（information pertaining to the period leading up to the alarm）を節約することができる。

この発明の第２の側面による方法の実施態様は，一般に第１の側面による実施態様と同一の利点を提供する。

この発明によるＥＥＧモニタリング・システムを備える人物の頭部を示す。 図１のＥＥＧモニタリング・システムのブロック図を示す。 低血糖モニタの一実施態様のブロック図および図２のデータロギング・ブロックを示す。 患者の血中血糖値と対比した経時的な積算事象値を示す。 事象レベルと数日間の時刻とのヒストグラムを示す。 連続特徴ベクトルを記憶するための循環バッファを示す。 簡単な分類を示す散布図である。

以下，非限定の実施態様に基づいてかつ図面を参照して，この発明を詳細に説明する。

図１はこの発明によるＥＥＧモニタリング・システムを持ち運ぶ人物の頭部１を模式的に示している。上記ＥＥＧモニタリング・システム２はＥＥＧを測定（計測）するための埋込みユニット（implant unit）３を備えている。上記埋込みユニット３は患者の耳４の後ろに皮下的に配置される。上記埋込みユニット３は，電子部品（electronics part）５および上記患者の脳からの電気的ＥＥＧ信号をピックアップするための少なくとも２つの電極12（図１において図示略）を有するプローブ手段６を備えている。上記埋込みユニット３の上記電子部品５は，上記電極によって測定されたＥＥＧ信号をサンプリングする手段および上記ＥＥＧモニタリング・システム２の一部を形成する外部ユニット７に無線でそれらを送信する手段のための必要な電子回路（necessary electronics）を含む。好ましくは，上記埋込みユニット３へのエネルギー供給が上記外部ユニット７から誘導的に受付けられ，したがって上記埋込みユニットは長い寿命を持ち，電池電源（battery power）によって束縛されることがない。電池交換では埋込みユニット３全体を交換するために外科的処置が必要となるから，このことは利点である。

見て取れるように，上記外部ユニット７は耳掛け型補聴器（Behind-The-Ear hearing aid）（ＢＴＥ補聴器）に似たものとすることができ，通常使用時において上記ＥＥＧモニタリング・システム２を持ち運ぶ人物の耳４の後ろに配置されるハウジング部８と，イヤプラグ９とを備える。ＢＴＥ補聴器のように，上記ハウジング部８は中間接続部材10を介して上記人物の耳道内の上記イヤプラグ９と接続される。中間接続部材は，イヤプラグにつながる従来の音チューブであっても，または耳内レシーバ型イヤプラグ（Receiver In The Ear type earplug）（ＲＩＴＥイヤプラグ）につながる電気コードであってもよい。これによって，上記外部ユニット７は，上記ＥＥＧモニタリング・システム２を持ち運ぶ人物の耳４内に向けて，アラームまたは警告（alarms or warnings）のようなメッセージを出すことができる。

図示するように，上記ＥＥＧモニタリング・システム２は，後述するような，付加的かつおそらくより多くのエネルギを消費する，データ用電子記憶スペース（electronic storage space for data）を備える周辺装置11を選択的に含むことができる。

図２を参照して，図２は上記ＥＥＧモニタリング・システム２の内部詳細を模式的に示している。はじめに上記埋込みユニット３から説明すると，埋込みユニットは電気的脳波を計測する２つの電極12を備えている。明らかではあるが，説明および図示を簡単にするために２つのみが示されているのであって，２つ以上の電極を備えてもよい。上記電極（複数）は，上記電極12からの電気信号を増幅するアナログ・フロント・エンド13に接続されており，その後に電気信号はサンプリングされてディジタル・データを形成する。典型的なサンプリング・レートは256Ｈｚである。256Ｈｚは，上記埋込みユニット３のエネルギー消費を低く保つ要望と，スカル（scull）の外側の皮下に配置される埋込物を用いて実際に計測可能な周波数との間の良好な妥協点（a good compromise）である。サンプリングされたデータはチャンネル・エンコーダ14に与えられ，次にチャネル・エンコーダは無線データ送信機15に入力を供給する。明らかにされているが，上記無線データ送信機15は好ましくは上記外部ユニット７からのエネルギー供給を受けるエネルギー受信機中に組込まれる。好ましくは，上記エネルギー供給は埋込みユニット・コイル16を用いて誘導的に受付けられ，かつデータ送信が上記埋込みユニット・コイル16上の負荷変動によって提供される。この負荷変動は外部ユニット・コイル18に与えられ，対応する結合エネルギー送信機およびデータ受信機（a corresponding combined energy transmitter and data receiver）17における負荷感知によって容易に検知することができる。

上記外部ユニット７において，上記エネルギー送信機およびデータ受信機17から受信したデータはチャンネル・デコーダ19に与えられ，ここで上記埋込みユニット３の上記フロント・エンド13からのデジタル・データ信号を再構成し（reconstructing），上記再構成されたディジタル・データ信号が低血糖（低血糖症）モニタ（hypoglycemia monitor）20に与えられる。上記低血糖モニタ20およびその機能を以下詳細に説明する。上記低血糖モニタ20は出力信号を機器作動コントローラ（device operating controller）21に伝達し，上記機器作動コントローラは，スピーカ23への警告またはアラームといった音信号を生成するオーディオジェネレータ（audio generator）22を制御する。上述したように，上記スピーカ23はＲＩＴＥイヤプラグの一部であってもよいし，音チューブを通じて受動イヤプラグ（passive earplug）とやりとりするものであってもよい。上記機器作動コントローラはまたデータロギング・ユニット24を制御し，上記データロギング・ユニットはＥＥＰＲＯＭのような不揮発性メモリ25中に情報を記憶するために用いることができる。上述したように，情報は，データの受信および読込みが可能なデータロギング・リーダ26を有する周辺装置11に送信することもでき，ここではフラッシュ・データロガーと呼ぶが，上記外部ユニット７において利用可能なものよりも大きな容量の適切なデータ・ストレージ27（たとえばフラッシュ・メモリ）に記憶してもよい。上記周辺装置は専用の記憶装置である必要はなく，他の機能，たとえばリモート・コントロール・ユニットをも組み込んだユニットであってもよい。

図３は，４つの基本部分，すなわち特徴抽出器（feature extractor）28，分類器（classifier）29，事象積算（積分，統合）器（event integrator）30およびアラーム・ユニット31に分解された（broken down）低血糖モニタ20と，データロガー24と，不揮発性メモリ25とを示している。さらに，事象の発生を追跡する（keeping track）ためのリアルタイムクロック32が示されている。上記チャンネル・デコーダ14から上記低血糖モニタ20への入力信号は，実質的にまさしく連続ビット・ストリームである。有用な情報を導出するために，このビット・ストリームは，はじめに，所望の特徴を抽出する特徴抽出器28に与えられる。上記特徴抽出器は，次元（the dimensions）を低減するために，特徴ベクトルＦＶ中に上記入力信号をイメージし（images），高い次元を持つ入力信号は結果的に特徴ベクトルＦＶとなる（the input signal having a higher dimension that the resulting feature vector FV）。

以下の記載から理解されるように，このような次元（a dimension）は多くのやり方で実行することができ，すなわち，特徴ベクトルを形成する実パラメータ（実引数，actual parameters）を様々なやり方で選択することができる。特徴ベクトルについてのパラメータ（複数）は，平均ＦＦＴ係数（averaged FFT coefficients），臨床帯域（clinical bands）についての電力測定値（power measurement for clinical bands），または周波数帯域（複数）における振幅分布（amplitude distribution），たとえばパーセンタイル値，平均値，歪み度（percentiles, median, skewness）とすることができる。傾向（trends），すなわち与えられる帯域特徴（a given band feature）が増加しているまたは減少しているかどうかを用いることもできる。

これを行うやり方の一つは，たとえば256Ｈｚのサンプリング・レートに対応して，上記ビット・ストリームを複数のブロック（blocks）に細分することである。これらのブロック（複数）に，たとえば256または128といった適切な数のポイントを持つＦＦＴを適用することができる。これによって，上記ＦＦＴのポイント数に依存して，０Ｈｚから２５６Ｈｚの間の対応する数の周波数帯にわたって（over a corresponding number of frequency bands），すなわちそれぞれが２Ｈｚの幅を持てば128帯域（128 bands）にわたる，それぞれが１Ｈｚの幅を持てば256帯域にわたる，上記ＥＥＧ信号のエネルギー分布を反映する出力ベクトルが得られる。上記ＦＦＴによって処理される各ブロックについて，上記ＦＦＴは，対応する次元数の一の出力ベクトル（one output vector of the corresponding number of dimensions），すなわち128または256次元のベクトルを生成する。もちろん，いくつかの連続ブロックにわたって上記ＦＦＴの出力を平均することもできる。

これ自体は単に基底変換（a change of basis）を構成している。上記特徴ベクトルＦＶは実際にはさらに次元を減らすことによって達成される。これを達成するやり方の一つは，特定の広域周波数帯間のエネルギー分布，特に臨床帯域（clinical bands）として知られる周波数帯間のエネルギー分布を見ること（looking）である。上記臨床帯域は，通常，０〜４Ｈｚ（デルタ），４〜７Ｈｚ（シータ），８〜１２Ｈｚ（アルファ），１２〜３０Ｈｚ（ベータ）および３０〜１００＋Ｈｚ（ガンマ）として定義されている。しかしながら，便宜上，軽度偏差（slight deviations），たとえば，インターバル・リミットが２の倍数に対応する（the interval limits corresponding to multiples of 2）０〜４Ｈｚ，４〜８Ｈｚ，８〜１６Ｈｚ，１６〜３２Ｈｚおよび３２〜２５６Ｈｚを特徴ベクトルに用いることができる。これにより各次元がＥＥＧ信号の別々の臨床帯域における瞬間エネルギー分布（momentary energy distribution）を表す，５次元の特徴ベクトルＦＶが得られる。

図６に示すように，上記データロガー24中の適切な長さの循環メモリまたはバッファ33に，所定時間間隔たとえば10秒ごとに，連続する特徴ベクトル（successive feature vectors）が記憶される。図示する上記循環バッファ33はＮ個の特徴ベクトル・サンプル（N feature vector samples FV）を含むもので，ｎは上記サンプルのタイム・インデックス（時間指標）を示す。すなわちＦＶ（ｎ）は現時点の（at the current time）特徴ベクトルＦＶのサンプルであり，ＦＶ（ｎ−１）は前回の（previous）特徴ベクトルのサンプルである。上記タイム・インデックスの各更新のために，上述したように，たとえば10秒ごとに，最も古い特徴ベクトルのサンプルＦＶ（ｎ−Ｎ＋１）が新しい特徴ベクトルのサンプルＦＶ（ｎ）のデータによって上書きされる。

上記分類器29は，たとえば，上記臨床帯域間のエネルギー分布を見ることによって，低血糖の兆候として同一視可能な所定パターンについて，上記特徴ベクトルＦＶをモニタする。上記分類器は，顕著な（注目すべき）低血糖または切迫した低血糖を知らせるパターンについて，これらの臨床帯域における上記エネルギーのＲＭＳ値（the RMS value）を見ることができる。

２次元分類に相当する分類の一例が図７の分布図（散布図）に示されている。横座標に沿ってプロットされている次元１がシータ帯におけるエネルギーとされ，縦座標に沿ってプロットされている次元２がアルファ帯におけるエネルギーとされている。上記分類器は，上記アルファ帯およびシータ帯の両方におけるエネルギーが低いときにクラス１（class 1）を出力し（暗色四角34に対応），上記アルファ帯およびシータ帯の両方のエネルギーが高いときにクラス２（class 2）を出力する（明色円35に対応）。最適な分類（optimum classifier）が実線36によって規定されている。

すなわち上記分類器は，上記暗色四角34および明色円35によって示される２つのクラスを区別する（弁別する）ように構成されている。線36の上がわ（above）の観測値（observations）はクラス２に属するとして分類され，他方上記線36の下がわ（below）の観測値はクラス１，たとえば低血糖に属するとして分類される。

図示する例から明らかであるが，２次元分類は，２つの存在するクラスを完全に分離するものではない（no two dimensional classifier which fully separates the two classes exist）。図７の右下隅に示すように，正確には5000の観測値がクラス１に属しており，正確には1000の観測値がクラス２に属している。クラス１に属する5000の観測値のうち4812が正しく分類されており，残りの188は不正確に分類されている。逆にクラス２に属する34の観測値がクラス１の観測値として誤って識別されている。

上記特徴ベクトルＦＶをロギングし，分類される事象に基づいてアラームをトリガするときにそれを記憶することで，その後のデータ分析が可能になり，さらに線36の角度およびレベルの修正すなわち上記分類器のトレーニングを行うことができ，将来的な偽陽性（正しくは陰性であるのに結果は誤って陽性と出ること）または偽陰性（正しくは陽性であるのに結果は誤って陰性と出ること）（false positives or negatives）の数が減る。偽陽性および偽陰性の低減はさらに正しいアラームの増加および間違ったアラームの減少につながる。２次元の分類は簡単であるものの，この発明の内容において実用的な目的のために充分とは言えず一例として提供するだけである。

他方，256Ｈｚのサンプリング周波数は上記ＥＥＧ信号自体をサンプリングするのには適切かも知れないが，この周波数は，上記信号パターン中の現象（developments）を検出して事象をモニタするのに必要なレートよりもかなり高い。したがって上記分類器は，典型的には，より長い時間で，たとえば１秒に１回，または１分間に５〜１０回，その分類を実行するだけである。

このようにパターンが検出されると，上記分類器は事象を識別し，事象信号が上記事象積算器30に向けて出力される。上記事象積算器30は経時的に上記事象信号を積算して（統合して）（integrate），事象レベル信号（event level signal）を生成する。上記積算は好ましくは減衰機能（減衰関数）（a decaying function）を有し，したがって上記事象積算器は，高頻度の事象が発生した期間において（in periods with a high frequency of events），高い事象レベルに上昇するだけである（only gives rise to a high event level）。この点に関して，この開示における積算は広く理解されるべきであり，たとえばＡＲフィルタといった１次および２次の再帰的積算（first and second order recursive integration）を含み，かつ，漏洩積算（leaky integrations）および減衰機能を持つ他の積算を含む。

上記事象レベル信号が上記アラーム・ユニット31によって検出されると，アラーム・ユニット31は上記機器作動コントローラ21を介して上記オーディオジェネレータ22をトリガする，または所定条件のもとで上記スピーカ23において警告またはアラームを放出する。簡単ではあるが好ましい判定基準は事象レベル閾値（event level threshold）であり，これを越えたときにアラームまたは警告がトリガされる。

図４は，被験者（test person）についての経時的な事象レベル信号の一例を，同一期間にわたる上記被験者の血中血糖値（the plasma glucose level in the blood）の実際の計測値との対比において示している。0.6の事象レベル閾値が示されている。上述したように，簡単な２次元分類はこの発明の目的のためには全く充分ではなく，この例は，29次元を用いたより複雑な分類に基づいている。

循環バッファ33に上記特徴ベクトルをロギングすることとは別に，実際にサンプリングされたＥＥＧ信号をログすることもでき，好ましくはこれも循環バッファにログされる。上記リアルタイムクロック32を用いることによって事象が発生したとき（the time）もログすることができる。

低血糖発作およびてんかん発作のような発作（複数）は，別人であれば，同一パターンで同様に発症するものではない。情報をロギングすることおよび事象を検出することは，上記ＥＥＧモニタリング・システムを持ち運ぶ人物が，いつ（when），どのような状況において（in what situations），低血糖発作やてんかん発作などの発作の危険があるのかについて，経験を積みかつ深く学ぶことに関しての可能性を非常に向上させるにとどまらず，個々人のパターンを検出することに関しての可能性を非常に向上させる。さらに，これによって，アルゴリズムの個別適応たとえば上記分類器のトレーニング，またはアラーム閾値の調節が可能になり，この両方において間違いアラームの導出がより少なくなる。

したがってこの発明によって適切な時点で情報を記憶することができる。このような適切な時点の一つはアラームまたは警告がトリガされるときである。ある事象について，警告に至るまでの（leading up to the warning）たとえば最後の30分間のＥＥＧ信号からの生（raw）サンプリング・データを不揮発性メモリ25に記憶することができる。しかしながら，記憶領域が少なくなることがあるので，記憶する前に，上記ＥＥＧ信号からのサンプリング・データを無損失データ圧縮の対象とすることがよいであろう。これに代えて，より多くの記憶領域を節約するには，図６に示すように，特徴ベクトルのサンプルＦＶ（ｎ−Ｎ＋１）〜ＦＶ（ｎ）を含む循環特徴ベクトル・バッファ33全体のみに記憶すればよい。両ケースにおいて，インシデントに至るまでの事象の描写（picture）をもたらす情報は，その後の精査のために保存される。

図２に示すように，上記データロガーおよび／または不揮発性メモリからの情報は，周辺装置11へ読出すことができる。この周辺装置11は，より深く解明するために（to learn more）情報を処理する装置とすることができ，または容量が大きくしかしながら必要なエネルギーの少ない記憶手段，たとえばフラッシュ・メモリ等とすることができる。この周辺装置11は常時持ち運ばれることは意図していない。むしろ周辺装置は，この発明によるＥＥＧモニタリング・システムを持ち運ぶ人物のベッドの近くに置かれ，その者のベッドでその者が寝ている夜間にそこにデータ転送できるようにすることが想定される。

アラーム・ベースのデータ記憶（alarm based storage of data）に代えて，等時間間隔で，たとえば上記リアルタイムクロック32に基づいて15分おきに，データを記憶させてもよく，これも不揮発性メモリ25において利用可能な記憶容量に依存する。

この場合，特に，事象レベルについての情報を保存するのが好ましい。現在の事象レベルが等時間間隔で記憶される場合，たとえば15分おきに記憶される場合，上記ＥＥＧモニタリング装置を持ち運ぶ人物の推移を24時間常時モニタすることが可能になる。すなわち，24時間の間に特に危機的なときがあるかどうか，およびたとえば砂糖の摂取を増やすまたはインシュリンを摂取するなど，上記ＥＥＧモニタリング装置を持ち運ぶ人物が自身の健康のために自分自身で何かを行ったかどうかを検出することが可能になる。

これは特に，数ヶ月さらには数年にわたる長期間にわたってこのようなデータが集められるときに興味深いものになる。

図６は，多くの日数の時刻に対する事象レベルについての２次元ヒストグラム（two dimensional histogram over event level versus time of day for a large number of days）を示しており，グレースケールはヒストグラムのコラムの高さ（the height of the columns）を示している。長期間における各日について，９６の時間間隔で各事象レベルがヒストグラム中の対応するコラムに追加される。高い明度（high intensity）が，その特定の時（時刻）に（at this specific time）特定の事象レベルが頻繁に発生したことを示している。ＥＥＧモニタリング装置を持ち運ぶ人物は１６時ごろに非常に高い事象レベルを頻繁に持っていることが容易に理解される。同様に，上記人物は夜間には低〜中程度の事象レベルを通常持っている。このようにログ・データに基づく上記ヒストグラムは，上記ＥＥＧモニタリング装置を持ち運ぶ上記人物は午後遅くに低血糖症に充分に注意すべきであり，砂糖およびインシュリンの摂取の毎日のリズムを変更することによって予防措置がとられるべきであろうことが明確に示唆される。

このようなヒストグラムの完全なデータ（full data）は上記外部ユニット７の不揮発性メモリ中に記憶することができる。しかしながら，好ましくは，上記データはより多くの記憶容量を持つ，必要に応じてヒストグラムの算出および表示のためのコンピュータに接続される上記周辺装置中に記憶される。

上述したデータロギング，ログ・データの記憶，特に事象ベースの記憶（the event base storage）を用いることで，上記携帯型ＥＥＧモニタリング・システムを持ち運ぶ人物は，個別に適応されるアラーム閾値および事象分類を得ることができるのみならず，栄養，インシュリンの使用，食生活，トラフ値（次回の薬物投与直前の最低血中濃度）の観点における指針情報を得ることができ，自己の身体の反応パターンを学ぶことができる。

いくつかの実施形態を参照してこの発明を主要に記述した。しかしながら，当業者であれば容易に理解するように，この発明の範囲内において上述したもの以外の実施態様も，添付する特許請求の範囲において規定されるように同様に可能である。

Claims (12)

1. 携帯型ＥＥＧモニタリング・システム(2)であって，
   上記ＥＥＧモニタリング・システム(2)を持ち運ぶ人物から少なくとも一のＥＥＧ信号を計測する電極(12)，
   上記少なくとも一のＥＥＧ信号の少なくとも一部を受信し，処理しかつ解析するように構成される信号処理手段であって，上記ＥＥＧ信号から特徴ベクトルを抽出する特徴抽出器(28)を備える信号処理手段，および
   事象を識別するために上記特徴ベクトルをモニタリングし，かつ事象信号を，経時的に上記事象信号を積算して事象レベル信号を生成するように構成される事象積算器(30)へ出力するように構成される分類器(29)を備え，
   上記少なくとも一のＥＥＧ信号に関するデータをログし，かつ上記ＥＥＧ信号から抽出された少なくとも一の特徴ベクトルをログするように構成される，循環バッファ(33)を含むデータロギング手段(24)，および
   上記循環バッファ(33)にログされたログ・データを，上記事象レベル信号が事象レベル閾値を超えたときに記憶する不揮発性メモリ(25)をさらに備えることを特徴とする，
   携帯型ＥＥＧモニタリング・システム(2)。
2. 上記解析手段は上記少なくとも一の信号に基づいて重要な事象を検出する事象分類器(29)を備えている，請求項１に記載のＥＥＧモニタリング・システム(2)。
3. 上記データロギング手段(24)は複数の事象についての情報をログするように構成されている，請求項１または２に記載のＥＥＧモニタリング・システム(2)。
4. 上記データロギング手段(24)は上記少なくとも一のＥＥＧ信号の波形をログするように構成されている，請求項１から３のいずれか一項に記載のＥＥＧモニタリング・システム(2)。
5. 上記検出された重要事象に基づいて異常脳状態を検出し，上記異常脳状態の検出に基づいてアラームを開始する手段が設けられている，請求項２から４のいずれか一項に記載のＥＥＧモニタリング・システム(2)。
6. 上記異常脳状態の検出に応じて，上記データロギング手段(24)によってログされたデータが上記不揮発性メモリ(25)中に記憶される，請求項５に記載のＥＥＧモニタリング・システム(2)。
7. 携帯型ＥＥＧモニタリング・システム(2)を用いてＥＥＧをモニタリングする方法であって，
   上記ＥＥＧモニタリング・システム(2)を持ち運ぶ人物から少なくとも一のＥＥＧ信号を計測し，
   信号処理手段を用いて上記少なくとも一のＥＥＧ信号の少なくとも一部を受信し，処理しかつ解析し，上記信号処理は特徴抽出器を用いた上記ＥＥＧ信号からの特徴ベクトルの抽出を含むものであり，
   分類器(29)を用いて事象を識別する上記特徴ベクトルをモニタリングし，事象信号を事象積算器(30)へ出力し，かつ上記事象積算器を用いた経時的積算によって事象レベル信号を生成し，
   さらに，循環バッファ(33)を含むデータロギング手段(24)を用いて上記少なくとも一のＥＥＧ信号に関するデータを上記循環バッファ(33)にロギングし，上記ＥＥＧ信号から抽出された少なくとも一の特徴ベクトルがデータロギング手段(24)において上記循環バッファ(33)にログされ，
   上記循環バッファ(33)にログされたログ・データを，上記事象レベル信号が事象レベル閾値を超えたときに不揮発性メモリ(25)中に記憶する，
   方法。
8. 事象分類器(29)を用いて，上記少なくとも一の信号に基づいて重要事象が検出される，請求項７に記載の方法。
9. データロギング手段(24)を用いて複数の事象についての情報がログされる，請求項７から８のいずれか一項に記載の方法。
10. 上記少なくとも一のＥＥＧ信号の波形がデータロギング手段(24)においてログされる，請求項７から９のいずれか一項に記載の方法。
11. 重要事象に基づいて異常脳状態が検出され，上記異常脳状態の上記検出に基づいてアラームが開始される，請求項８から１０のいずれか一項に記載の方法。
12. 上記異常脳状態の検出に応じて，上記データロギング手段(24)によってログされたデータが上記不揮発性メモリ(25)中に記憶される，請求項１１に記載の方法。

Images