睡眠および覚醒状態の自動検出
スペクトルデータから低出力の周波数帯域情報を決定する。低出力の周波数帯域情報を獲得するのに有益な、調整されたソースデータを決定するため、より高出力の周波数帯域に比べ、低出力の周波数帯域内で出力のダイナミックレンジを増加させるよう、未処理の信号データを調整することができる。低出力の周波数帯域情報は、様々な未処理信号データの分析に使用することが可能である。例えば、睡眠状態を決定するために、睡眠期間からの対象の脳波検査データ内の低出力の周波数帯域情報を使用することができる。同様に、自動全周波数スペクトル脳波検査信号分析は、睡眠品質の評価、病的状態の検出、睡眠状態に対する薬物の効果の決定を含む、特別な分析に有用となり得る。
【発明の詳細な説明】
【関連出願の相互参照】
【０００１】
本出願は、２００５年５月１０日に出願された米国仮出願番号６０／６７９，９５１に対する優先権を主張する。先行出願の開示は、本出願の一部である（さらに参照により援用される）と解釈される。
【背景技術】
【０００２】
睡眠状態やその他の脳の活動は一般に、脳波検査またはＥＥＧ信号で分析される。人が眠りに就くと、脳の活動が変調され、異なる睡眠の深さや段階を表す。典型的な人では、睡眠状態は、徐波睡眠またはＳＷＳとして知られる第１の睡眠状態から始まり、経時的に遷移する。ＳＷＳでは、低周波数高出力ＥＥＧ活動がある。睡眠は、いわゆる中間的睡眠状態へと軽くなる。他の睡眠状態はレム睡眠として知られ、低出力ＥＥＧ活動を特徴とする。
【０００３】
ＥＥＧ信号は、比較的高い周波数の信号が比較的低い振幅、つまり比較的低い出力を有する分布に従う。このいわゆる１／ｆ分布は、最も低い周波数で最も高い振幅が現れることを意味する。
【０００４】
睡眠段階を決定するためのＥＥＧ信号は、従来Ｒｅｃｈｔｓｃｈａｆｆｅｎ−Ｋａｌｅｓ法で分析されてきた。この方法は、低出力の周波数に対する自動信号分析技術の限界に起因して、手作業での睡眠ＥＥＧ信号の評価に依存することがある。Ｒｅｃｈｔｓｃｈａｆｆｅｎ−Ｋａｌｅｓ法は、統計学的に有意な高周波数でのシフトは、非常に低い振幅に起因して、通常人間の評価者には検出不可能であるため、非常に信頼性が無く時間のかかるものとなり得る。さらに、Ｒｅｃｈｔｓｃｈａｆｆｅｎ−Ｋａｌｅｓ法は、時間および空間分解能が低い傾向があり、すべての変数を知ることができるわけではなく、また、手動あるいは自動で評価したかにかかわらず、ユーザー間の一致率が低くなる。残念ながら、人工ニューラルネットワーク分類子などの代替となる睡眠状態決定法は、通常複数のチャネルに依存し、かつ人間の能力に従う傾向があるため、品質を大幅に向上させることなく決定の時間を改善するものである。
【発明の開示】
【０００５】
本出願は、データ内の情報のダイナミックレンジを増加させるために、脳波の活動を示す正規化するデータを説明する。
【０００６】
実施態様は、睡眠状態を自動的に決定するためのこの情報を使用して説明する。睡眠の質、病態、および投薬効果を自動的に評価する他の適用を説明する。
【図面の簡単な説明】
【０００７】
【図１】少なくとも１つの低出力の周波数帯域を有するソースデータから低出力の周波数情報を決定するための例となるシステムのブロック図である。
【０００８】
【図２】ソースデータを調整するための例となる方法を示すフローチャートである。
【０００９】
【図３】時間とともに周波数のスペクトルにわたる出力における差異を説明するソースデータを調整するための例となる方法を示すフローチャートである。
【００１０】
【図４】対象の睡眠状態の情報を決定するための例となるシステムのブロック図である。
【００１１】
【図５】対象の睡眠状態の情報を決定するための別の例となるシステムのブロック図である。
【００１２】
【図６】対象での睡眠状態を決定するための例となる方法を示すフローチャートである。
【００１３】
【図７】対象での睡眠状態を分類するための例となる方法を示すフローチャートである。
【００１４】
【図８】睡眠状態からの対象の病態を決定するための例となるシステムのブロック図である。
【００１５】
【図９】睡眠状態に基づく対象の病態を決定するためのコンピュータを実装した例となる方法を示すフローチャートである。
【００１６】
【図１０】対象のためにカスタマイズ化された睡眠スコアを同時に決定するための例となるシステムのブロック図である。
【００１７】
【図１１】例となる一晩のＥＥＧソースデータ周波数出力スペクトル図のスクリーンショットである。
【００１８】
【図１２】例となる調整技術を適用した後で、図１１に示す例となる一晩のＥＥＧソースデータのスクリーンショットである。
【００１９】
【図１３】図１２に示す、例となる調整された一晩のＥＥＧソースデータの２時間枠のスクリーンショットである。
【００２０】
【図１４】図１２に示す、一晩のＥＥＧスペクトル内の高出力および低出力の周波数帯域の例となる視覚化のスクリーンショットである。
【００２１】
【図１５】図１４に示す、一晩のスペクトル内の高出力および低出力の周波数帯域の例となる視覚化の２時間４０分の時間枠のスクリーンショットである。
【００２２】
【図１６】図１２の一晩のＥＥＧスペクトルの例となる５次元パラメーター空間視覚化のスクリーンショットである。
【００２３】
【図１７】図１６に示す一晩のＥＥＧ視覚化の例となる５次元パラメーター空間視覚化の２時間の時間枠のスクリーンショットである。
【００２４】
【図１８】ＥＥＧスペクトルデータに基づき分類された睡眠状態の例となる視覚化のスクリーンショットである。
【００２５】
【図１９】ＥＥＧスペクトルデータに基づき分類された睡眠状態の別の例となる視覚化のスクリーンショットである。
【００２６】
【図２０】ＥＥＧスペクトルデータに基づき分類された睡眠状態のさらに別の例となる視覚化のスクリーンショットである。
【００２７】
【図２１】図２０のＥＥＧスペクトルデータに基づき分類された睡眠状態の例となる視覚化の別の有利な点からのスクリーンショットである。
【００２８】
【図２２】一定期間対象における特徴的な睡眠状態に指示される周波数重み付け時期を表す標準的スペクトルのスクリーンショットである。
【図２３】一定期間対象における特徴的な睡眠状態に指示される周波数重み付け時期を表す標準的スペクトルのスクリーンショットである。
【図２４】一定期間対象における特徴的な睡眠状態に指示される周波数重み付け時期を表す標準的スペクトルのスクリーンショットである。
【図２５】一定期間対象における特徴的な睡眠状態に指示される周波数重み付け時期を表す標準的スペクトルのスクリーンショットである。
【００２９】
【図２６】２つ以上の睡眠状態の特徴を有する過渡的な睡眠状態を示す周波数重み付け時期を表す標準的スペクトルのスクリーンショットである。
【００３０】
【図２７】特徴的な睡眠状態の代表となる標準的スペクトルを区別する睡眠段階分離の程度の例となる視覚化のスクリーンショットである。
【００３１】
【図２８】１つ以上の時期の睡眠状態の指示に従い、対象に対する睡眠状態の統計値の例となる視覚化のスクリーンショットである。
【図２９】１つ以上の時期の睡眠状態の指示に従い、対象に対する睡眠状態の統計値の例となる視覚化のスクリーンショットである。
【図３０】１つ以上の時期の睡眠状態の指示に従い、対象に対する睡眠状態の統計値の例となる視覚化のスクリーンショットである。、
【図３１】１つ以上の時期の睡眠状態の指示に従い、対象に対する睡眠状態の統計値の例となる視覚化のスクリーンショットである。
【図３２】１つ以上の時期の睡眠状態の指示に従い、対象に対する睡眠状態の統計値の例となる視覚化のスクリーンショットである。
【００３２】
【図３３】ＥＥＧスペクトルデータに基づき、麻酔ネコの分類された麻酔状態の例となる視覚化のスクリーンショットである。
【００３３】
【図３４】ＥＥＧスペクトルデータに基づきヒト対象の分類された睡眠状態の例となる視覚化のスクリーンショットである。
【００３４】
【図３５】説明した技術で実装することができる、対象における分類睡眠状態のためのさらに別の例となる方法を示すフローチャートである。
【００３５】
【図３６】説明した技術で実装することができる、例となるコンピュータシステムである。
【００３６】
【図３７】情報を抽出するために、適切な周波数の時間枠をさらに決定するよう正規化されたスペクトル図に適用される、単独の要素分析の例となる視覚化のスクリーンショットである。
【００３７】
【図３８】何時間にもわたり、図３７の単独の要素の例となる視覚化のスクリーンショットである。
【００３８】
【図３９】アルツハイマー病を患うヒト対象からの一晩のＥＥＧ視覚化の周波数帯域の例となる５次元パラメーター空間視覚化の６時間３０分の時間枠のスクリーンショットである。
【００３９】
【図４０】鳥からの分類された半脳睡眠の例となる視覚化のスクリーンショットである。
【００４０】
【図４１】二重正規化を使用する別の実施態様の動作のフローチャートを例証する。
【００４１】
【図４２ａ−４２ｃ】生のスペクトル図、単一の正規化されたスペクトル図、および二重正規化されたスペクトル図をそれぞれ示す。
【００４２】
【図４３】時間の経過に対して望ましい周波数を示す。
【００４３】
【図４４】これらの周波数のダイアグラムを示す。
【００４４】
【図４５】データの３次元ビューを示す。
【００４５】
【図４６】周波数のスペクトルフラグメンテーションのグラフを示す。
【発明を実施するための最良の形態】
【００４６】
本システムの一つの重要な認識は、ＥＥＧ信号における低周波数帯域は時折最も多くのエネルギーを有し、それ故、多くの研究者に、そのような低周波数帯域を誤って過度に分析させる結果となることである。しかしながら、これらの比較的低い周波数において出力の増大が発見された一つの理由は、発明者により、頭がい骨の低域通過の特徴となることが発見されたことである。他の理由もまた、比較的低い周波数における出力の増大に貢献する場合もある。
【００４７】
取得されたＥＥＧ信号は、低出力の周波数信号であり、信号での出力が周波数に逆に関連、例えば、反比例する１／ｆ分布に附随する。
【００４８】
ＥＥＧ信号は通常、時期と称される連続インクリメントにおいて時間内に調査されている。例えば、睡眠を分析するためのＥＥＧ信号を使用する場合、睡眠を、分析に使用する１つ以上の時期に分割してもよい。走査の時間枠を使用して、時期を異なる区分に分割することができ、ここで走査の時間枠は、時系列のインクリメントの異なる区分を画定する。走査の時間枠はスライディングウィンドウを経て移動することができ、ここでスライディングウィンドウの区分は、重複時系列の順序を有する。あるいは、時期は、例えば、全体的な時系列にわたることもできる。
【００４９】
本出願に従い、睡眠状態の異なる形態を測定してもよい。行動的、身体的、信号的特徴を表す区別できる睡眠または覚醒状態として睡眠状態を説明する。本出願において参照される睡眠状態には、徐波睡眠またはＳＷＳ、レム睡眠またはＲＥＭ、インターまたはＩＳ状態とも称される中間睡眠状態、および覚醒状態が含まれる。覚醒状態は、実際には睡眠状態の一部である場合もあり、また覚醒状態は、不眠症によって記銘力または覚醒レベルに特徴付けることもできる。中間睡眠はまた、中間−１睡眠および中間−２睡眠として特徴付けることもできる。
【００５０】
アーチファクトはまた、ＥＥＧを獲得する間に取得してもよい。アーチファクトは、ＥＥＧを不正確に伝えるデータである。例えば、ＥＥＧに登録した使用者体内の動きはアーチファクトである場合がある。アーチファクト例には、筋収縮などが含まれる。
【００５１】
実施例１−例となるソースデータ
【００５２】
本明細書に説明される任意の実施態様では、脳波検査（ＥＥＧ）データ、心電図記録データ（ＥＫＧ）、電気眼球図記録データ（ＥＯＧ）、筋電図検査データ（ＥＭＧ）、局所電場電位（ＬＦＰ）データ、スパイク列データ、音波および圧力波を含む波動データ、１／ｆ分布などのデータの周波数スペクトルにわたる多様な周波数のための出力のダイナミックレンジにおける差異がある場所を示すどんなデータをも含む多様なソースデータを分析することができる。ソースデータには、ソースデータ内の低出力の周波数で保存されたコード化されたデータを含むことができる。
【００５３】
実施例２−少なくとも１つの低出力の周波数帯域を有するソースデータから低出力の周波数情報を決定する例となるシステム
【００５４】
図１は、少なくとも１つの低出力の周波数帯域を有するソースデータから低出力の周波数情報を決定するための例となるシステム１００を示す。
【００５５】
少なくとも１つの低出力の周波数帯域１０２を有するソースデータを取得し、ソフトウェア１０４に入力して低出力の周波数情報１０６を決定する。
【００５６】
ソフトウェア１０４は、本明細書で説明するような技術のいかなる組み合わせも使用することができ、ソースデータのための低出力の周波数情報１０６を決定する。
【００５７】
少なくとも１つの低出力の周波数帯域を有するソースデータから低出力の周波数情報を決定する方法を以下に詳細を説明する。
【００５８】
実施例３−ソースデータを調整するための例となる方法
【００５９】
図２は、ソースデータを調整するための例となる方法２００を示す。例えば、方法２００は、図１のシステム１００内に実装することができる。
【００６０】
２０２では、少なくとも１つの低出力の周波数帯域を有するソースデータを受信する。例えば、対象に対する脳波検査ソースデータを受信することができる。ソースデータは、単一のチャネルまたは複数のチャネルを経て受信することができる。
【００６１】
２０４では、ソースデータは、２番目に高い出力周波数帯域ソースデータと比較して、ソースデータの周波数スペクトルの少なくとも１つの低出力の周波数帯内の出力に対するダイナミックレンジを増加させるよう調整する。正規化および周波数重み付けを含み、本明細書に説明する多くの調整技術を使用することができる。実施態様では、脳波検査のソースデータは、比較的高い出力で、比較的低い周波数帯域データと相対的な低出力で、比較的高い周波数帯域データを増加させるよう正規化し、より一般には、異なる信号部分の出力を正規化する。
【００６２】
ソースデータを調整した後で、様々な他の処理を使用することができる。例えば、調整されたソースデータの視覚化を与えることができる。さらに、低出力の周波数情報は、調整されたソースデータから抽出することができる。例えば、低出力の周波数情報は、調整された脳波検査ソースデータから抽出することができる。比較的高い出力周波数情報もまた、調整されたソースデータから抽出することができる。
【００６３】
この実施例または他のいかなる実施例に説明した方法は、１つ以上のコンピュータ−可読の媒体でのコンピュータで実行可能な命令を経て実行されるコンピュータに実装される方法であってもよい。示しているいかなるアクションも、信号処理システムまたは他のどんな信号データ分析システム内に組み込まれるソフトウェアによって実行することができる。
【００６４】
実施例４−時間とともに周波数のスペクトルにわたる出力における差異を説明するソースデータを調整するための例となる方法
【００６５】
図３は、時間とともに周波数のスペクトルにわたる出力における差異を説明するソースデータを調整するための例となる方法３００を示す。例えば。方法３００は、図１のシステム１００内に実装することができる。
【００６６】
３０２では、少なくとも低出力の周波数帯域を有するソースデータを受信する。例えば、少なくとも１つの低出力の周波数帯域を有する脳波検査データを受信することができる。前記データでのアーチファクトはソースデータから除去することができる。例えば、アーチファクトデータは、ソースデータから手作業で除去する、またはフィルタリング（例えば、ＤＣフィルタリング）またはデータ平滑化技術によってソースデータから自動的にフィルタリングすることができる。ソースデータはまた、要素分析により前処理することもできる。
【００６７】
３０４では、ソースデータは１つ以上の時期に分割され、ここでそれぞれの時期は、前記シリーズからのデータの一部である。例えば、ソースデータは、様々な分離技術によって複数の時間区分に分割することができる。走査の時間枠およびスライディングウィンドウは、ソースデータを時系列インクリメントに分離させるのに使用することができる。
【００６８】
３０６では、時間を越えて１つ以上の時期の出力における差異のために１つ以上の時期を正規化する。例えば、１つ以上の周波数でのそれぞれの時期の出力は、時間を越えて正規化し、抽出情報のための適切な周波数の時間枠を決定することができる。かかる正規化は、低出力の、１つ以上の周波数（例えば、デルタ、ガンマ、および同等物）での出力における統計的に重要な変化を明らかにすることができる。いかなる周波数帯域でも、分析するために明らかにされ、また使用することができる。適切な周波数の時間枠を確立した後で、１つ以上の時期のそれぞれのために情報を計算することができる。かかる情報には、低周波数出力（例えば、デルタ出力）、高周波数出力（例えば、ガンマ出力）、標準偏差、最大振幅（例えば、ピークの絶対値の最高値）およびその種類を含むことができる。さらに、ガンマ出力／デルタ出力、デルタの時間導関数、ガンマ出力／デルタ出力の時間導関数および同等物などの情報を作成する１つ以上の時期のそれぞれのために計算された情報についての計算をすることができる。時間導関数は、先行する時期および後続する時期にわたり算出することができる。情報を計算した後、その次に１つ以上の時期にわたりその情報を正規化することができる。Ｚスコアの算出および他の類似した技術を含む様々なデータ正規化の技術を実施することができる。
【００６９】
３０８では、時間とともに周波数のスペクトルにわたる出力における差異を説明するためのソースデータの調整の結果は、データの１つ以上の時期として提示することができる。例えば、周波数重み付けの時期は、調整されたソースデータとして提示することができる。
【００７０】
実施例５−睡眠状態を決定するための例となるシステム
【００７１】
対象のための情報
【００７２】
図４は、対象のために睡眠状態の情報を決定するための例となるシステム４００を示す。対象４０２のための脳波検査データを取得し、ソフトウェア４０４に入力して、対象４０６のための睡眠状態の情報を決定する。
【００７３】
ソフトウェア４０４は、本明細書に説明しているものなど、どんな技術の組み合わせも使用し、対象４０６のための睡眠状態の情報を決定することができる。
【００７４】
対象のための睡眠状態の情報を決定するための方法を以下に詳細に説明する。
【００７５】
実施例６−対象のための睡眠状態の情報を決定するのための別の例となるシステム
【００７６】
図５は、対象のために睡眠状態の情報を決定するための例となるシステム５００を示す。
【００７７】
対象５０２のための脳波検査データを取得し、分割器５０４に入力して、データを１つ以上の時期に分割する。実地では、時期は類似した（例えば、同じ）長さである。時期の長さは、構成可能なパラメーターによって調整することができる。１つ以上の時期は、順に、正規化器５０６に入力し、時間を越えて１つ以上の時期での周波数データを正規化することにより、周波数は、脳波検査データの１つ以上の時期に重み付けをする。１つ以上の周波数重み付け時期は、その次に、分類器５０８へ入力され、データを睡眠状態に分類することにより、対象５１０のために睡眠状態の情報を生成する。
【００７８】
対象のために睡眠状態の情報を決定するための方法を以下に詳細に説明する。
【００７９】
実施例７−対象のために睡眠状態を決定するための例となる方法
【００８０】
図６は、対象における睡眠状態を決定するための例となる方法６００を示す。例えば、方法６００は、図５のシステム５００または図４のシステム４００内に実装することができる。
【００８１】
６０２では、対象のための脳波検査（ＥＥＧ）データを受信する。例えば、周波数スペクトの第２の周波数帯域と比較して周波数スペクトルの少なくとも１つの低出力の第１の周波数帯域における出力のための比較的低いダイナミックレンジを示す、脳波検査データを受信することができる。
【００８２】
６０４では、対象のための脳波検査データを１つ以上の時期に分割する。例えば、様々な分離技術によって１つ以上の時期にＥＥＧデータを分割することができる。走査の時間枠およびスライディングウィンドウは、ＥＥＧデータを１つ以上の時期に分離するために使用することができる。ソースデータはまた、分割の間、分割に先立って、または分割後直流フィルタリングによってフィルタリングすることもできる。ソースデータはまた、要素分析（例えば、主要素分析または単独要素分析）によって前処理することもできる。
【００８３】
図１１は、１秒のインクリメントの間隔で３秒の時期にわたり分割されている、典型的な対象の一晩のＥＥＧソースデータの周波数出力のスペクトル図のスクリーンショットである。出力帯域を陰影付けで表示し、ここで白色の陰影付けの領域は、暗い陰影付けの領域よりも出力が比較的高い。したがって、比較的高い周波数（例えば、ガンマ）は、一晩のＥＥＧデータにおいて、比較的低い周波数（例えば、デルタ、シータおよび同等物）より低い出力を示す。
【００８４】
６０６では、１つ以上の時期の周波数出力を、時間を越えて重み付けをする。例えば、１つ以上の周波数でのそれぞれの時期の出力は、時間を越えて正規化し、抽出情報のための適切な周波数の時間枠を決定することができる。かかる正規化は、低出力の、１つ以上の周波数（例えば、デルタ、ガンマ、および同等物）での出力における統計的に重要な変化を明らかにすることができる。さらに、それぞれの時期は、時間とともに最も高い相対出力を有する周波数によって表し、抽出情報のために適切な周波数の時間枠を決定することができる。あるいは、要素分析（例えば、主要素分析（ＰＣＡ）または単独要素分析（ＩＣＡ））を正規化の後利用し、抽出情報のために適切な周波数の時間枠をさらに決定することができる。例えば、図３７および図３８は、フィルター（例えば、スクリーンショット３７００）を意味し、また何時間にもわたる単独要素（例えば、スクリーンショット３８００）を表現するよう正規化した後に使用された要素分析のスクリーンショットである。いかなる周波数帯域も分析のために明らかにされ、使用することができる。
【００８５】
適切な周波数の時間枠を確立した後で（例えば、周波数の重み付けをした後で）、１つ以上の時期のそれぞれのために情報を計算することができる。かかる情報には、低周波数出力（例えば、デルタ出力）、高周波数出力（例えば、ガンマ出力）、標準偏差、最大振幅（例えば、ピークの絶対値の最高値）およびその種類を含むことができる。さらに、ガンマ出力／デルタ出力、デルタの時間導関数、ガンマ出力／デルタ出力の時間導関数および同等物などの情報を作成する１つ以上の時期のそれぞれのために計算された情報についての計算をすることができる。時間導関数は、先行する時期および後続する時期にわたり算出することができる。情報を計算した後、その次に１つ以上の時期にわたりそれを正規化することができる。Ｚスコアの算出および同等物を含む様々なデータ正規化の技術を実施することができる。
【００８６】
図１２は、１つ以上の時期の例となる周波数出力を、時間を越えて重み付けをした後、図１１に示した例となる一晩のＥＥＧソースデータのスクリーンショットである。比較的高い周波数データは今では明確に視認できる。図１３は、図１２に示した例となる調整された一晩のＥＥＧソースデータの２時間の時間枠のスクリーンショットである。図１４は、図１２に示した一晩のＥＥＧスペクトル図内の高い（例えば、ガンマ）、および低い（例えば、デルタ）出力周波数帯域の例となる視覚化のスクリーンショットである。図１５は、図１４に示した高い、および低い出力周波数帯域の例となる視覚化の２時間４０分の時間枠のスクリーンショットである。
【００８７】
図１６は、図１２の一晩のＥＥＧスペクトル図の例となる５次元パラメーター空間視覚化のスクリーンショットである。５つのパラメーター（例えば、変数）は、周波数に重み付けをした後、１つ以上の時期のそれぞれのために計算される情報である。図１７は、図１６に示した一晩のＥＥＧ視覚化の例となる５次元パラメーター空間視覚化の２時間の時間枠のスクリーンショットである。
【００８８】
６０８では、対象における睡眠状態は、１つ以上の周波数重み付け時期に基づき分類する。例えば、１つ以上の周波数重み付け時期は、Ｋ平均法によるクラスタ化を含む多様ないかなるクラスタリング技法によってでもクラスタ化することができる。時期（例えば、デルタ出力、ガンマ出力、標準偏差、最大振幅（ガンマ／デルタ）、デルタの時間導関数、（ガンマ／デルタおよびその種類）の時間導関数から計算された情報についてクラスタ化を行うことができる。クラスタ化においてパラメーター空間（例えば、使用される情報のタイプ）を決定するために要素分析（例えば、ＰＣＡまたはＩＣＡ）を使用することができる。
【００８９】
クラスタ化に続き、睡眠状態の指示を時期に割り当てることができる。時期に指示された睡眠状態はその後、時期によって表される時間帯での対象における睡眠状態の描写として提示することができる。分類はまた、手作業で決定された睡眠状態を組み込むことができる（手作業で決定された「覚醒」対「眠っている」睡眠状態）。さらに、アーチファクト情報（例えば、運動データ、貧弱な信号データ、または同等物）は、分類において使用することができる。
【００９０】
実施例８−例となる睡眠状態の分類技術
【００９１】
時期が表す睡眠状態によって、時期を分類することができる。高周波数情報、低周波数情報、または高および低周波数情報の両方に基づき、正規化された変数（例えば、時期に対して計算された情報）により時期を分類することができる。例えば、ＲＥＭ睡眠状態の時期は、比較的高い周波数でのＳＷＳより比較的高い相対出力、および比較的低い周波数でのＳＷＳより比較的低い相対出力を有することができる。同様に、ＳＷＳ睡眠状態の時期は、比較的高い周波数でのＲＥＭより比較的低い相対出力、および比較的低い周波数でのＲＥＭより比較的高い相対出力を有することができる。さらに、ＮＲＥＭおよびＮＳＷＳ睡眠の両方として最初に分類された時期（例えば、高および低周波数のどちらにおいても低い相対出力を有する時期）は、中間睡眠として分類することができ、またＲＥＭおよびＳＷＳ睡眠の両方として分類された時期（例えば、高および低周波数のどちらにおいても高い相対出力を有する時期）は異常値をして分類することができる。さらに、ＮＲＥＭおよびＮＳＷＳ睡眠の両方として最初に分類された時期は、中間段階Ｉ睡眠として分類することができ、またＲＥＭおよびＳＷＳ睡眠の両方として最初に分類された時期は、中間段階ＩＩ睡眠として分類することができる。さらに、睡眠状態は、紡錘体、Ｋ複合波、および他の部分を探すために分類作業に分割することができる。１つの睡眠状態として最初に分類された時期のどんな群も、分類詳細のレベルの増加に従って、複数のサブ分類された睡眠状態に分割することができる。例えば、ＳＷＳとして分類された時期の群は、２つの特徴的なタイプのＳＷＳとして差再分類することができる。
【００９２】
実施例９−例となるアーチファクト分類技術
【００９３】
アーチファクトデータ（例えば、運動データ、貧弱な信号データ、および同等物）はまた、睡眠状態分類に使用することができる。例えば、アーチファクトは、睡眠状態の指示が最初に割り当てられた時期が、隣接するアーチファクトデータのために新しい睡眠状態の指示を再割り当てるかどうかを分析するのに使用することができる。例えば、先行する運動アーチファクトまたは覚醒時期を有するＲＥＭの睡眠状態の指示が割り当てられた時期は、覚醒の睡眠状態の指示を再割り当てすることができる。さらに、例えば、時期は、覚醒状態の間の起こることが多い大きな運動アーチファクトよりもむしろ大きなＳＷＳ睡眠の時期を表す可能性が高いので、続いて起こるＳＷＳ時期を有するアーチファクト時期は、ＳＷＳの睡眠状態の指示を再割り当てすることができる。そのようにして、例えば、データ平滑化技術においてアーチファクトデータを使用することができる。
【００９４】
実施例１０−例となる平滑化技術
【００９５】
睡眠状態を割り当てる間は、どんな様々なデータ平滑化技術も使用することができる。例えば、数字（例えば、０および１）を指示した睡眠状態を表すのに使用することができる。その次に、隣接する時期の睡眠状態の指示の数字を平均して、時期のうちの１つが不正確に睡眠状態の指示を割り当てられるかどうかを決定する。例えば、ＳＷＳ−ＮＳＷＳ−ＳＷＳ（およびＲＥＭ−ＮＲＥＭ−ＲＥＭ）からの突然の飛越しは、睡眠データでは稀である。したがって、時期の群が、睡眠状態において突然の飛越しを表す睡眠状態の指示を割り当てるならば、平滑化技術は、割り当ての正確さを改善するために適用することができる。
【００９６】
例えば、０がＳＷＳを表すシナリオでは、１はＮＳＷＳおよび隣接する５つの時期に存在する次の睡眠状態の指示を表し、００１００、その後５つの睡眠状態の平均は０．２ということになる。このような場合では、１（ＳＷＳ）の睡眠指示を最初に割り当てられて中間の時期は、０（ＮＳＷＳ）の睡眠状態の指示を再割り当てされることになる。同じ技術をＲＥＭ対ＮＲＥＭのために使用してもよく、ここで同じ５つの隣接する時期のための第２のセットの睡眠指示が決定される。例えば、１はＲＥＭを表し、０はＮＲＥＭを表し、また次の指示は、５つの隣接する時期、００１００のために終了することができる。再び、５つの睡眠状態の平均は、０．２ということになる。再び、１（ＲＥＭ）の指示を最初に割り当てられた中間の時期は、０（ＮＲＥＭ）の睡眠状態の指示を再割り当てすることになる。かかる平滑化技術は、睡眠状態の指示の割り当ての正確さを改善することができる。
【００９７】
実施例１１−対象における睡眠状態を分類するための例となる方法
【００９８】
図７は、対象における睡眠状態を分類するための例となる方法をフローチャートに示す。例えば、方法７００は、図５のシステム５００内、図４のシステム４００内または方法６００の６０８を分類するすることにより実装することができる。
【００９９】
７０２では、１つ以上の周波数重み付け時期を得る。例えば、方法６００の６０６に重みをかけるステップから決定される周波数重み付け時期を得ることができる。
【０１００】
７０４では、１つ以上の周波数重み付け時期は、クラスタ化される。例えば、１つ以上の周波数重み付け時期は、Ｋ平均法でクラスタ化するステップを含む、いずれかの様々なクラスタ技術によりクラスタ化することが可能である。クラスタ化するステップは、時期から算出された情報（例えば、デルタパワー、ガンマパワー、標準偏差、最大振幅（ガンマ／デルタ）、デルタの時間導関数、ガンマ／デルタ、およびその分類時間導関数）により実施することができる。クラスタ化された睡眠状態の例となる視覚化は、図１８および１９に示される。図１８は、デルタ、ガンマ／デルタを介してクラスタ化された時期、およびデルタの時間導関数を示す。そのような方法において、ＲＥＭのような時期は、視覚的に槍先に似た線を形成する。図１９は、デルタを介してクラスタ化された時期、ガンマ／デルタ、および（ガンマ／デルタ）の時間導関数を示す。そのような方法において、ＳＷＳのような時期は、視覚的に槍先に似た線を形成する。さらに、睡眠状態をクラスタ化した例となる視覚化は、図２０および２１に示され、クラスタ化するステップは、主成分分析を介して派生したパラメーター（例えば、変数）を使用して実施された。
【０１０１】
７０６では、睡眠状態の指示を１つ以上のクラスタ化された周波数重み付け時期に割り当てる。例えば、徐波睡眠指示を低周波数で有意な相対的出力がある時期に割り当て、レム睡眠指示を高周波数で有意な相対的出力がある時期に割り当てる。例えば、ＲＥＭ睡眠は、ＳＷＳと比べると、ガンマ／デルタが高く、（ガンマ／デルタ）の時間導関数の絶対値が高い数値を示しのに対し、ＳＷＳは、ＲＥＭ睡眠よりもデルタが高く、デルタの時間導関数の絶対値が高い数値を示す。さらに、例えば、標準偏差は、睡眠状態の指示を割り当てるステップにおいて使用することができる。同時期に徐波睡眠指示およびレム睡眠指示の双方を割り当てることが可能である。そのような場合において、異常値または中間―２睡眠の新たな睡眠状態の指示に時期を再度割り当てることができる。別法として、非徐波睡眠指示およびノンレム睡眠指示の双方に時期を割り当てることができる。そのような場合において、中間睡眠または中間―１睡眠の新たな睡眠状態の指示に時期を再度割り当てることができる。例えば、高周波数がデルタおよびパラメーター空間デルタにより分割することにより発現する場合、異常値指示がＲＥＭとＳＷＳとの間で交差することができる一方、ガンマ／デルタ、合成による分析（導関数（デルタ））、合成による分析（導関数（ガンマ／デルタ））、および、任意的に、標準偏差、および中間睡眠指示は、ＮＲＥＭとＮＳＷＳとの間で交差することができる。別法として、例えば、単独のデルタまたは標準偏差を有するデルタが、ＮＳＷＳからＳＷＳを決定するために使用され、単独のガンマまたは単独の合成による分析を有するガンマ（導関数（デルタ））または標準偏差を有するガンマは、ＮＲＥＭからＲＥＭを決定するために使用され、その後、中間―２睡眠指示がＲＥＭとＳＷＳとの間で交差できる一方、中間―１睡眠指示は、ＮＲＥＭとＮＳＷＳとの間で交差できる。いずれかの様々なデータ平滑化技術は、睡眠状態を割り当てるステップの間、使用することができる。アーチファクトデータはまた、睡眠状態を割り当てるステップの間、使用することができる。
【０１０２】
７０８では、睡眠状態の指示は、１つ以上の時期により表された期間に対する睡眠状態の指示として示される。睡眠状態は、時間を越えて睡眠統計の形式で示すことができる。例えば、図２８、２９、３０、３１、および３２は、時間の機能として、時期を指定した睡眠状態に対する睡眠統計の提示を表す。例えば、図２８において、スクリーンショット２８００は、対象に対する脳波検査データの夜間、時間ごとに各睡眠状態のタイプを百分率で睡眠状態の密度を表す。図２９において、スクリーンショット２９００は、毎時間にわたる各睡眠段階の平均発現の長さを表す。図３０において、スクリーンショット３０００は、毎時間にわたる各睡眠段階の発現数を表す。図３１において、スクリーンショット３１００は、毎時間の連続するＲＥＭ睡眠状態の間隔で平均時間間隔を表す。図３２において、スクリーンショット３２００は、夜間にわたる期間の偏移を表す。
【０１０３】
さらに、１つ以上の周波数重み付け時期は、類似の睡眠状態の指示を有する１つ以上の時期により表される期間における対象に対する睡眠状態の標準的スペクトルの典型として表すことができる。例えば、同一の睡眠状態の指示を有するとして指定される時期のグループの中間内の時期を選択でき、そのスペクトルは、睡眠状態の標準的スペクトルとして表すことができる。別法として、類似の睡眠状態の指示を有する１つ以上の時期の平均加重出力に一番近い加重出力を有する時期を選択でき、そのスペクトルは、睡眠状態の標準的スペクトルとして表すことができる。例えば、図２２、２３、２４、２５、および２６は、ＥＥＧスペクトル図データ分析に基づく、対象における様々な睡眠状態のための時期の例となる視覚化のスクリーンショット（例えば、スクリーンショット２２００はＳＷＳ、スクリーンショット２３００は、ＲＥＭ睡眠、スクリーンショット２４００は、中間睡眠、スクリーンショット２５００は、覚醒状態、スクリーンショット２６００は一時的である）である。
【０１０４】
さらに、睡眠状態の指示は、成功に対して手動採点法の機能として示すことができ、品質尺度は、（例えば、単一変数および多変数一元配置分散分析、睡眠密度に対する各期間を算出する回帰係数、発現数、平均発現の長さ、サイクル時間、および同等のものを含む睡眠状態の指示分離の統計値）を示すことができる。品質尺度を示すステップの例となる視覚化は、図２７に示される。スクリーンショット２７００は、特徴的な睡眠状態の典型的な標準的スペクトルを区別する睡眠段階分離の程度の例となる視覚化を表す。例えば、独立成分分析（ＩＣＡ）は、ＩＣＡを各睡眠状態に示された標準的スペクトルまたは平均スペクトルに適用することにより、現在の睡眠状態において睡眠段階分離の質を固定するために使用することができる。いずれかの様々な分類技術は、初期に睡眠段階分類の質を決定するために使用することができる。
【０１０５】
実施例１２−睡眠状態から対象の病態を決定するステップの例となるシステム
【０１０６】
図８は、睡眠状態から対象の病態を決定するステップの例となるシステム８００を示す。
【０１０７】
対象８０２に対する脳波検査データを取得し、対象８０６の病態を決定するために睡眠状態分析器８０４にそれを入力する。
【０１０８】
対象により示された睡眠状態から対象の病態を決定するための方法は、脳波検査データを分析するステップから決定したように、下記に詳細を記載した。
【０１０９】
実施例１３−睡眠状態から対象の病態を決定するステップのための例となるコンピュータで実装される方法
【０１１０】
図９は、睡眠状態から対象の病態を決定するステップのための例となるコンピュータで実装される方法９００を示す。コンピュータで実装される方法９００は、図８のシステム８００を利用することができる。
【０１１１】
９０２では、対象脳波検査データを得る。例えば、周波数スペクトル内の第２周波数帯域と比較して、周波数スペクトル内の少なくとも１つの低出力第１周波数帯域における出力に対するダイナミックレンジが低い事を示す脳波検査データを得ることができる。
【０１１２】
９０４では、脳波検査データは周波数分析で分析される。例えば、周波数分析は、方法２００の調整２０４であることができる。
【０１１３】
９０６では、対象における睡眠状態は、周波数分析に基づいて割り当てられる。例えば、図７の睡眠状態を分類するための方法７００は、対象における睡眠状態を割り当てるために使用することができる。
【０１１４】
９０８では、睡眠状態に基づいて、対象における病態を検出することができる。例えば、睡眠状態を個人のために取得し、睡眠状態が正常睡眠か異常睡眠であるかを決定するために分析することができる。異常睡眠は、病態を示すことができた。例えば、睡眠状態を病態を有する個人から取得し、病態を有する典型を表す例となる特徴的な「病態」睡眠状態の分析結果および／または睡眠状態の統計値を生成するために一般的な属性を分析することができる。そのような分析結果または統計値は、対象が病態または病態のいずれの初期指標を有するか否かを検出するために、対象に対して決定する睡眠状態を比較するために使用することができる。いずれの様々な病態を検出および／または分析することができる。例えば、睡眠関連の病態は、てんかん、アルツハイマー病、うつ病、脳損傷、不眠症、下肢静止不能症候群、および睡眠時無呼吸を含むことができる。例えば、睡眠ポリグラフ計によると、アルツハイマー病を患う対象は、認知症の範囲に比較してレム睡眠の減少を示すことができる。
【０１１５】
実施例１４−対象に対する専用睡眠スコアを動的に決定するステップのための例となるシステム
【０１１６】
図１０は、対象に対する専用睡眠スコアを動的に決定するステップのための例となるシステムを示す。
【０１１７】
データ収集装置１００２は、睡眠期間から対象のために脳波検査データを取得することができる。
【０１１８】
データノーマライザー１００４は、低出力の周波数情報を決定するために、脳波検査データにアクセスできる。
【０１１９】
データプレゼンター１００６は、少なくとも低出力の周波数情報に基づいて対象の睡眠状態を示すことができる。
【０１２０】
図５の方法５００、図６の方法６００、図７の方法７００など、対象の特別な睡眠スコアを動的に決定する方法がここに開示される。
【０１２１】
実施例１５−模範的病態
【０１２２】
ここで開示される技術において、多様な病態は対象に関し取得されたソースデータから決定される。例えば、うつ病、脳損傷、癲癇およびアルツハイマー病は，対象に関して取得されたソースデータから決定された睡眠状態から決定される病態である。例えば、図３９はここで開示される技術の用途の画面例３９００で、アルツハイマー病を患う対象となるヒトから獲得された一晩のＥＥＧからアルツハイマー病の特性を示す睡眠状態を決定する。
【０１２３】
実施例１６−睡眠に影響を与える模範的薬物および化学物質
【０１２４】
ここで開示される技術において、対象睡眠状態への薬物および化学物質の影響は、対象から取得されたソースデータを分析することで決定される。例えば、睡眠状態はアルコール、ニコチンおよびコカインの使用によって変化する。睡眠に影響を与える模範的薬物は、ステロイド、テオフィリン、充血除去剤、ベンゾジアゼピン、抗鬱剤、モノアミン酸化酵素抑制剤（例えば、フェネルジンおよびＭｏｃｌｏｂｅｍｉｄｅ）、選択的セロトニン再取り込み抑制剤（例えば、フルオキセチン（Ｐｒｏｚａｃ(R)の名称で流通））およびＳｅｒｔｒａｌｉｅ（Ｚｏｌｏｆｔ(R)の名称で流通）、チロキシン、経口避妊薬、降圧剤、抗ヒスタミン剤、神経弛緩薬、アンフェタミン、バルビツール酸系睡眠薬、麻酔薬、その他。
【０１２５】
実施例１７−模範的睡眠統計
【０１２６】
ここで開示される技術において、多様な統計は調節されたソースデータから生成される。例えば、睡眠統計は睡眠状態に分類され調節されたソースＥＥＧデータから生成される。模範的睡眠統計は、睡眠段階の密度、睡眠段階のエピソード数、睡眠段階の平均的持続時間、サイクル時間、睡眠段階の時間間隔、睡眠段階の分類統計，睡眠の開始、レム睡眠の潜時、動向回帰係数、動向の統計的優位性の測定、その他を含む情報を構成する。
【０１２７】
実施例１８−ある期間にわたって対象の睡眠状態を決定する方法の模範的実施
【０１２８】
動物王国の主要分類群において、睡眠は共通し、偏在するが、あまり理解されていない。低いレベルの精神物理学的な知覚および運動タスクに関する人体研究から、睡眠が以下のタスク学習で見られる性能損失を修正するという証拠が多く提出されている（Ｋａｒｎｉ ｅｔ ａｌ．１９９４；Ｍｅｄｎｉｃｋ ｅｔ ａｌ．２００２；Ｍｅｄｎｉｃｋ ｅｔ ａｔ．２００３；Ｆｅｎｎ ｅｔ ａｌ．２００３）。動物研究では、睡眠中の「再生」に関する証拠が提供されたが、この「再生」は性能の強化に関わる睡眠プロセスの中心的部分である。
【０１２９】
睡眠中、キンカチョウ（Ｔａｅｎｉｏｐｙｇｉａ ｇｕｔｔａｔａのｒｏｂｕｓｔｕｓ ａｒｃｈｉｓｔｒｉａｔａｌｉｓ；ＲＡ）神経細胞、鳴き声のシステムがさえずりのパターンを同時に繰り返し、その鳥の鳴き声の再生に反応することが最近わかった（Ｄａｖｅ＆Ｍａｒｇｏｌｉａｓｈ，２０００）。キンカチョウの鳴き声の発達段階において、若鳥は成鳥などが鳴く新規の音声素材に触れた次の日から鳴き声のパターンを変化させる（Ｔｃｈｅｒｎｉｃｈｏｖｓｋｉ ｅｔ ａｌ．２００１）。決定的な証拠はないが、若鳥の鳴き声学習、または成鳥の鳴き声の維持には、睡眠が必要となり、または睡眠から利得を得ている。
【０１３０】
鳴き声学習または維持における睡眠の役割を調査するにあたり、スズメ目鳥の睡眠状態に関する限られた知識によって阻害される。前回の調査では、キンカチョウの異なる睡眠段階については報告されていない。（Ｎｉｃｋ＆Ｋｏｎｉｓｈｉ，２００２；Ｈａｈｎｌｏｓｅｒ ｅｔ ａｌ．，２００２）対照的に、スズメ目鳥を含むその他の鳥に関する研究（Ａｙａｌａ−Ｇｕｅｒｒｅｒｏ ｅｔ ａｌ．，１９８８；Ｓｚｙｍｃｚａｋ ｅｔ ａｌ．，１９９３；Ｒａｔｔｅｎｂｏｒｇ ｅｔ ａｌ．，２００４）では、この門におけるレム睡眠に関して報告された。さらに、ラットの海馬では、神経細胞の再生に関する異なるパターンが、異なる睡眠段階中に生じることが知られている。（Ｂｕｚｓａｋｉ，１９８９；Ｗｉｌｓｏｎ＆ＭｃＮａｕｇｈｔｏｎ，１９９４；Ｌｏｕｉｅ＆Ｗｉｌｓｏｎ，２００１）従って、キンカチョウの睡眠段階について調査された。
【０１３１】
電極の種類、帯域および位置を決定するために、ウレタン（２０％、約９０ １．１１、１時間）で麻酔をかけられた鳥で一連の急性実験がまず行われた。信号の振幅および信頼度によって判断された最適なＥＥＧレコーディングは、小脳の接地とともに硬膜に接触した厚みのあるプラチナ電極（Ａ−Ｍ ｓｙｓｔｅｍｓ、ＷＡ）を異なるように組み合わせて使用することで取得される。レコーディングおよび接地電極に関する定位の座標はそれぞれ以下のとおりである：（１．５Ｒ，３Ｌ）、（３Ｒ，２Ｌ）および（０．５Ｃ，ＯＬ）。
【０１３２】
それから５羽の鳥は麻酔をかけられ、３ｍｍのＬ型プラチナ電極を前述の部位に埋め込まれ、その電極の後ろ２ｍｍを硬膜に中間側面軸に沿って正接する。電極のインピーダンスは０．１５Ｏｈｍｓであった。半脳の浅い眠りを評定するために、３羽の鳥がニ方向ＥＥＧ電極を埋め込まれる。電極は、デンタルアクリルで基部に固定され、上部コネクターに精銅ワイヤー（Ａ−Ｍ ｓｙｓｔｅｍｓ，ＷＡ）で接着される。鳥は術後３日間が与えられ、レコーディング環境に慣らされる。
【０１３３】
レコーディング中、鳥の頭部につながった光のケーブルが頭上水銀電流転換器（Ｄｒａｎｇｏｎｆｌｙ Ｉｎｃ，ＷＶ）に接続される。このセットアップにより、鳥がケージ内で自由に動き回ることができ、抑制誘発ストレスは睡眠体系に影響を与えると知られていることから、動物を抑制することよりも望ましい（Ａｌｔｍａｎ ｅｔ ａｌ．，１９７２）。１６：８明暗サイクルの暗期に、睡眠中の鳥の直接的観察と電気生理学レコーディングが結合する。鳥は赤外線（ＩＲ）光を浴び、赤外線カメラ（Ｉｋｅｇａｍａ，Ｊａｐａｎ）で監視される。戦略的に接地された鏡により、目、頭および体の動きを監察することが容易になる。ＥＥＧは１Ｋによって増幅され、１ｋＨｚでサンプリングされ、１〜１００Ｈｚでフィルタリングされた。低周波数アーチファクトを示すある１羽において、データが２〜１００Ｈｚで漏れた。６０Ｈｚノッチフィルターも、信号−騒音率を改善するために使用された。
【０１３４】
データ分析において高い信頼性を得るために、データは手作業および自動で得られる。自動スコアリングは、３秒のＥＥＧ時期の視覚検査に頼り、同時に目、頭部および体の動きといった顕性行動もスコアリングされる。自動スコアリングはそれぞれの時期を、アーチファクトも含む、レム、ノンレムまたは覚醒と分類する。自動スコアリングは睡眠データに限られる。段階分類および単一チャンネルＥＥＧデータの定量化に関する、睡眠パラメトリックＥＥＧ自動認識システム（ＳＰＥＡＲＳ）が使用される。高スペクトル、時間的および統計的結果を統合するために１秒のスライディングウィンドウを利用して、ＥＥＧは２００Ｈｚまでダウンサンプルされ、直流フィルターされ、３秒間分析される。スペクトルの漏れを最小限に抑え、周波数領域の統計的結果を上げるために、ＥＥＣ出力スペクトルが標準的なマルチテーパ推定法（Ｔｈｏｍｓｏｎ、１９８２）に従って２つの直交テーパに対し計算された。
【０１３５】
１〜４Ｈｚ（デルタ）および３０〜５５Ｈｚ（ガンマ）周波数バンドは段階分類のため選択される。デルタおよびガンマ／デルタはそれぞれＮＳＷＳ（非ＳＷＳ）からＳＷＳを、ノンレム睡眠かレム睡眠を分類するために使用される。分類は平均法クラスタリングアルゴリズムで実施され、追加変数：標準偏差およびデルタと（ガンマ／デルタ）の時間導関数の絶対値、の包含によって精錬される。それぞれの時期に、時間導関数は、Ｍａｔｌａｂ"ｇｒａｄｉｅｎｔ"機能を利用して、前期および後期を算出する。最初の分類は、アーチファクト自由睡眠データによって実施される。その後、睡眠アーチファクトは、睡眠アーチファクトが第一前アーチフェクト自由時期（覚醒時期にはならず、さもなくばアーチフェクトは自動スコアリングで覚醒アーチフェクトと分類される）のスコアを得る覚醒時期でない限り、直後の第一非アーチファクト時期と同じスコアを帰する。本発明は自動スコアリングとの一致率を著しく減少することはなかった（表１）。睡眠アーチフェクトを除去またはスコアリングしないことが睡眠エピソードを縮めたり駄目にしたりすることで、計算された密度、平均値、時期の平均数、各段階の長さを変更してしまうため、睡眠アーチフェクトを含むことが大事である。
【０１３６】
最初の分類に続き、各時期のスコアは、５秒のスライディングウィンドウを使用することで容易になり、これは自動スコアリングによって分離されなかった短いアーチファクトによるスコアの堕落を最小限にするためである。レムまたはＳＷＳとスコアされなかった時期は、中間（ＩＮＴＥＲ）と分類される。逆に、レムおよびＳＷＳ両方に属するとされた時期は、外れ値と分類される。データでは、数少ない外れ値が見られる（表１）。
【０１３７】
レム、ＳＷＳおよび中間時期は、デルタ、ガンマ／デルタ、標準偏差と、デルタおよび（ガンマ／デルタ）導関数に定義された５次元スペースの主成分によって定義された３次元スペース（図２０〜２１）で視覚化できる（図１６〜１７）。それぞれの鳥は、５次元クラスタリングスペース上の多変量ＡＮＯＶＡは、レム、ＳＷＳおよび中間段階分類に対し、Ｐ＜０．００１を産出した。
【０１３８】
ＭＡＴＬＡＢ"ｓｉｌｈｏｕｅｔｔｅ"機能を利用すると、ＳＷＳ、レム、中間および覚醒時期の最も代表的な例は、自動的に発生する。（図２２、２３、２４、２５および２６）
【０１３９】
手動および自動スコアリングの一致は、レム睡眠と評定されたそれぞれの時期を分類することで、手動または自動スコアリングがエラーであった場合のみ、算出される。手動および自動スコアリングの時間的結果を考えると、一般的一致率は極めて高い（表１）。
【０１４０】
自動分析に基づいて、段階密度（図２８）、平均エピソード数（図３０）と持続時間（図２９）、中間ＲＥＭ間隔（図３１）および段階移行（図３２）が算出される（表１）。全ての分析はＭａｔｌａｂ（ＭａｔｈＷｏｒｋｓ Ｉｎｃ，ＭＡ）で実施される。
【０１４１】
表１ ５羽の鳥の５夜の睡眠の段階統計
【０１４２】
段階密度、平均エピソードの持続時間と数、および段階遷移が決定された。各段階から中間段階への遷移の割合と、中間段階からその他の段階への遷移の割合を示す。両半球にインプラントされた鳥（動物１〜３）に関しては、半脳の睡眠が報告され、ＥＥＧおよびビデオの目視検査、および異常値が無いことにより決定されるような、最も信頼性のあるデータを使用してその他の統計が半脳に対し計算された。段階密度に対し回帰係数が計算され、毎時間のＲＥＭ間の間隔はＳＷＳとＲＥＭの概日分布を反映する（＊＝［ｒ２＞０．５およびｐ＜０．０５］、§＝［ｒ２＞０．５およびｐ＝０．０５］、£は時間２〜８に対し計算された値、εは時間１〜７に対し計算された値）。自動評価と手動評価の間の一致率は、アーチファクト除去あり／無しで決定された。
【表１】
【０１４３】
記録の分析は、キンカチョウが少なくとも３つの明確な睡眠の段階、つまりＳＷＳ、ＲＥＭおよび中間的睡眠を表していることを示している。ＳＷＳは、デルタ帯域で顕著な出力を持った大振幅ＥＥＧ信号があった（図１４〜１７）。ＲＥＭは非常に小さい振幅の「覚醒状」ＥＥＧ信号（図２３）を特徴とし、典型的には約±３０μＶの、ＮＲＥＭよりも高い出力をガンマ（図１４および１５）に持ち、これは現在のところ哺乳類にのみ検出されている特徴である（Ｍａｌｏｎｅｙら、１９９７年；Ｃａｎｔｅｒｏら、２００４年）。中間の時期は非常に変わりやすい振幅があり、±５０μＶ前後で、デルタ帯域にもガンマ帯域に顕著な出力はない（図１４、１５および２４）。中間の段階は以前は哺乳類にのみ観察されていた（Ｇｏｔｔｅｓｍａｎｎら、１９８４年；Ｇｌｉｎら、１９９１年；ＫｉｒｏｖおよびＭｏｙａｎｏｖａ、２００２年）。正常な概日パターンおよびシフトした概日スケジュールの鳥は両方とも、これら３つの睡眠段階を示した。
【０１４４】
ＳＷＳの時期は、夜の初期にはＲＥＭおよび中間のエピソードよりも長く、哺乳類型の分布に従い、一晩を通して持続時間が減少して（図２９）、段階密度の全体的な減少へとつながる（図２８）（表１）。
【０１４５】
ＮＲＥＭの間は、鳥はゆっくりと規則的に呼吸し、目と頭の動きは決まったパターンをとらずＲＥＭのものとは非常にはっきりと区別される。片方の目は開いており、もう一方の目は閉じているという例もいくつか見られた。開いた目の反対側の半球は低振幅高周波数ＥＥＧを示し、一方閉じた目の反対側の半球はＳＷＳの揺らぎを示した。これらの半脳の睡眠の例が占める割合は、通常、暗期の５％未満であり（表１）、明期ではより高い頻度だった。そのような半脳の睡眠のパターンは、他の鳥の種、クジラ目、およびその他の海洋哺乳類に対して過去に検出されている（Ｍｕｋｈａｍｅｔｏｖら、１９８４年；Ｍｕｋｈａｍｅｔｏｖら、１９８７年；Ｓｚｙｍｃｚａｋら、１９９６年；Ｒａｔｔｅｎｂｏｒｇら、１９９９年；Ｌｙａｍｉｎら、２００２年）。
【０１４６】
典型的には、ＲＥＭエピソードは、夜の初期には短く、一晩を通じて長くなっていく（図２９）とともに、エピソードの数も増加していき（図３０）、ＲＥＭ間の間隔は、一晩を通じて短くなっていく「哺乳類型」の傾向を示すようになる（図３１）（表１）。ＲＥＭは、その他の種に見られるように（Ｓｉｅｇｅｌら、１９９９年）、目や頭の微妙な単収縮運動と関連して確実に生じた。目の動きは、毎秒１サッカード程度であった。頭の動きはそれほど確実ではなかったが、発生したときには目の方向性のある動きに従う傾向があった。頭の動きは、何も装着していないそのままの動物において目の動きに関連して観察されたため、頭の動きは、ＲＥＭの頸筋弛緩の間取り付けられたケーブルの重みによる頭の位置のずれに起因するものではなかった。
【０１４７】
中間の時期は短く、数が多かった。中間の状態は、通常、密度（図２８）、時期の平均持続時間（図２９）、および１時間あたりの平均エピソード数（図３０）の点で、ＲＥＭおよびＳＷＳよりも一晩を通して安定していた。哺乳類の場合と同様、中間段階は一貫して（これに限定されるわけではないが）ＳＷＳとＲＥＭの間の遷移期として働いた（図３２）（表１）。
【０１４８】
すべての鳥において、ＮＲＥＭでは、約５００ミリ秒続く大きなピーク間のＥＥＧ過渡信号が検出された（図２６）。これらの信号は、哺乳類のＫ複合波の記述（ＲｏｗａｎおよびＴｏｌｕｎｓｋｙ、２００３年）を連想させる。Ｋ複合波は、哺乳類以外の種においては過去に観察されていないようである。
【０１４９】
キンカチョウの睡眠ＥＥＧに関する過去の研究では、ＳＷＳのみが報告されている。この研究は、ＥＥＧ電極を埋め込む適した場所を見つけることだけでなく、おそらくは習慣的な記録構成の性質から動物が拘束されず、また睡眠を誘発するためのメラトニンなどの薬剤の必要性を回避したために、ＮＳＷＳ（ＲＥＭおよび中間段階）を検出することに成功している。ある研究（Ｍｉｎｔｚら、１９９８年）では、ハトにおいて、メラトニンの導入はＳＷＳを誘発することが示されている。メラトニンがキンカチョウにおいても同様の効果を持ち、それにより観測可能な夜のＮＳＷＳの量が減少する（Ｈａｈｎｌｏｓｅｒら、２００２年）可能性があることは否定できない。
【０１５０】
データ分析技術は、ＲＥＭ睡眠検出の主要な差別化要素である、比較的低い出力における出力の変化を解決することを可能にした。また、自動化分析は、手作業による評価を、人間の評価者により容易に検出可能な覚醒状態およびアーチファクトに限定した。さらに、自動化ＥＥＧ評価は、人間の偏りがデータ分析に反映し寄与する傾向がある、任意に定義された閾値、最尤法、あるいは監視非線形分類器には依存せず、全夜統計に依存した（Ｇｅｒｖａｓｏｎｉら）。
【０１５１】
結果は、哺乳類型の睡眠特性が哺乳類と鳥類両方に同時に現れているということを示唆している。ここに開示されるデルタおよびガンマ出力活性間の相互にかみ合う基本パターン（図１４および１５）は、睡眠中に哺乳類の皮質に観察されるもの（Ｄｅｓｔｅｘｈｅ、ＣｏｎｔｒｅｒａｓおよびＳｔｅｒｉａｄｅ、１９９９年）と極めて類似している。さらに、我々が観察した信号のいくつかは、明確に哺乳類の皮質に帰属されている（ＡｍｚｉｃａおよびＳｔｅｒｉａｄｅ、１９９８年）。しかし鳥は大きな層状皮質に欠いており、皮質は哺乳類型睡眠特性の発達のせいぜい十分条件ではあっても必要条件ではない可能性を示している。逆に、鳥は確かに非層状形態の哺乳類皮質の相同体を有していると考えられる（Ｋａｒｔｅｎ、１９９７年）。これらの極めて興味深い可能性のどちらが正しいのかを評価するには、今後細胞および分子レベルでの研究が必要であろう。
【０１５２】
参考文献：
【０１５３】
Ａｌｔｍａｎ ｅｔ ａｌ．Ｐｓｙｃｈｏｎ．Ｓｃｉ．２６（１９７２），ｐｐ．１５２−１５４．Ａｍｚｉｃａ＆Ｓｔｅｒｉａｄｅ．Ｎｅｕｒｏｓｃｉｅｎｃｅ．１９９８ Ｆｅｂ；８２（３）：６７１−８６．Ａｙａｌａ−Ｇｕｅｒｒｅｒｏ ｅｔ ａｌ．Ｐｈｙｓｉｏｌ Ｂｅｈａｖ．１９８８；４３（５）：５８５−９．Ｂｕｚｓａｋｉ．Ｎｅｕｒｏｓｃｉｅｎｃｅ．１９８９；３１（３）：５５１−７０．
【０１５４】
Ｃａｎｔｅｒｏ ｅｔ ａｌ．Ｎｅｕｒｏｉｍａｇｅ．２００４ Ｊｕｌ；２２（３）：１２７１−８０．
【０１５５】
Ｄａｖｅ＆Ｍａｒｇｏｌｉａｓｈ．Ｓｃｉｅｎｃｅ．２０００ Ｏｃｔ ２７；２９０（５４９２）：８１２−６．Ｄｅｓｔｅｘｈｅ，Ｃｏｎｔｒｅｒａｓ＆Ｓｔｅｒｉａｄｅ．１９９９ Ｊｕｎ１；１９（１１）：４５９５−６０８．Ｆｅｎｎ ｅｔ ａｌ．Ｎａｔｕｒｅ．２００３ Ｏｃｔ ９；４２５（６９５８）：６１４−６．Ｇｅｒｖａｓｏｎｉ ｅｔ ａｌ．Ｊ Ｎｅｕｒｏｓｃｉ．２００４ Ｄｅｃ ８；２４（４９）：１１１３７−４７．Ｇｌｉｎ ｅｔ ａｌ．Ｐｈｙｓｉｏｌ Ｂｅｈａｖ．１９９１ Ｎｏｖ；５０（５）：９５１−３．Ｇｏｔｔｅｓｍａｎｎ ｅｔ ａｌ．Ｊ Ｐｈｙｓｉｏｌ（Ｐａｒｉｓ）．１９８４；７９（５）：３６５−７２．
【０１５６】
Ｈａｈｎｌｏｓｅｒ ｅｔ ａｌ．Ｎａｔｕｒｅ．２００２ Ｓｃｐ ５；４１９（６９０２）：６５−７０．Ｋａｒｎｉ ｅｔ ａｌ．Ｓｃｉｅｎｃｅ．１９９４ ＪｕＩ ２９；２６５（５１７２）：６７９−６８２
【０１５７】
Ｋａｒｔｅｎ．Ｐｒｏｃ Ｎａｔｌ Ａｃａｄ Ｓｃｉ ＵＳＡ．１９９７ Ａｐｒ １；９４（７）：２８００−４．Ｋｈａｚｉｐｏｖ ｅｔ ａｌ．Ｓｏｃｉｅｔｙ ｆｏｒ Ｎｅｕｒｏｓｃｉｅｎｃｅ Ａｂｓｔｒａｃｔｓ ２００４．Ｋｉｒｏｖ＆Ｍｏｙａｎｏｖａ．Ｎｅｕｒｏｓｃｉ Ｌｅｔｔ．２００２ Ａｐｒ ５；３２２（２）：１３４−６．Ｌｏｕｉｅ＆Ｗｉｌｓｏｎ．Ｎｅｕｒｏｎ．２００１ Ｊａｎ；２９（１）：１４５−５６．Ｌｙａｍｉｎ ｅｔ ａｌ．Ｂｅｈａｖ Ｂｒａｉｎ Ｒｅｓ． ２００２ Ｆｅｂ １；１２９（１−２）：１２５−９ Ｍａｌｏｎｅｙ ｅｔ ａｌ．Ｎｅｕｒｏｓｃｉｅｎｃｅ．１９９７ Ｊａｎ；７６（２）：５４１−５５．Ｍｅｄｎｉｃｋ ｅｔ ａｌ．Ｎａｔ Ｎｅｕｒｏｓｃｉ．２００２ Ｊｕｌ；５（７）：６７７−８１ Ｍｅｄｎｉｃｋ ｅｔ ａｌ．Ｎａｔ Ｎｅｕｒｏｓｃｉ．２００３ Ｊｕｌ；６（７）：６９７−８．Ｍｉｎｔｚ ｅｔ ａｌ．Ｎｅｕｒｏｓｃｉ Ｌｅｔｔ．１９９８ Ｄｅｃ １８；２５８（２）：６１−４．
【０１５８】
Ｍｕｋｈａｍｅｔｏｖ ｅｔ ａｌ．Ｚｈ Ｖｙｓｓｈ Ｎｅｗ Ｄｅｉａｔ Ｉｍ Ｉ Ｐ Ｐａｖｌｏｖａ．１９８４ Ｍａｒ−Ａｐｒ；３４（２）：２５９−６４．
【０１５９】
Ｍｕｋｈａｍｅｔｏｖ．Ｎｅｕｒｏｓｃｉ Ｌｅｔｔ．１９８７ Ａｕｇ １８；７９（１−２）：１２８−３２．
【０１６０】
Ｎｉｃｋ＆Ｋｏｎｉｓｈｉ．Ｐｒｏｃ Ｎａｔｌ Ａｃａｄ Ｓｃｉ ＵＳＡ．２００１ Ｎｏｖ ２０；９８（２４）：１４０１２−６．
【０１６１】
Ｒａｔｔｅｎｂｏｒｇ ｅｔ ａｌ．Ｂｅｈａｖ Ｂｒａｉｎ Ｒｅｓ．１９９９ Ｎｏｖ １５；１０５（２）：１６３−７２．Ｒａｔｔｅｎｂｏｒｇ ｅｔ ａｌ．ＰＬｏＳ Ｂｉｏｌ．２００４ Ｊｕｌ；２（７）：Ｅ２１２．
【０１６２】
Ｒｏｗａｎ＆Ｔｏｌｕｓｎｋｙ．"Ｐｒｉｍｅｒ ｏｆ ＥＥＧ"．Ｂｕｔｔｅｒｗｏｒｔｈ Ｈｅｉｎｅｍａｎｎ．Ｅｌｓｅｖｉｅｒ Ｓｃｉｅｎｃｅ ２００３
【０１６３】
Ｓｉｅｇｅｌ ｅｔ ａｌ．Ｎｅｕｒｏｓｃｉｅｎｃｅ．１９９９；９１（１）：３９１−４００．
【０１６４】
Ｓｚｙｍｃｚａｋ ｅｔ ａｌ．Ｐｈｙｓｉｏｌ Ｂｅｈａｖ．１９９３ Ｊｕｎ；５３（６）：１２０１−１０．Ｓｚｙｍｃｚａｋ ｅｔ ａｌ．Ｐｈｙｓｉｏｌ Ｂｅｈａｖ．１９９６ Ｏｃｔ；６０（４）：１１１５−２０．Ｔｃｈｅｒｎｉｃｈｏｖｓｋｉ ｅｔ ａｌ．Ｓｃｉｅｎｃｅ．２００１ Ｍａｒ ３０；２９１（５５１３）：２５６４−９．Ｔｈｏｍｓｏｎ，Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＩＥＥＥ，Ｖｏｌ．７０（１９８２），ｐｐ．１０５５−１０９６．Ｗｉｌｓｏｎ＆ＭｃＮａｕｇｈｔｏｎ．Ｓｃｉｅｎｃｅ．１９９３ Ａｕｇ ２０；２６１（５１２４）：１０５５−８
【０１６５】
【０１６６】
実施例１９―ある期間にわたる対象の睡眠状態を決定するための典型的方法
【０１６７】
図３５は、ある期間にわたる対象の睡眠状態を決定するためのさらに他の典型的方法３５００を示す。方法３５００は、ここに開示される様々な技術を取り入れている。
【０１６８】
実施例２０―典型的変換技術
【０１６９】
時系列データにおける様々な周波数に対する出力を決定するための信号処理に使用されるデータ変換法は様々である。ここに開示されるように、変換法には、マルチテーパ変換、フーリエ変換、ウェーブレット変換が含まれてもよい。ソース信号において複数の時系列または時期で表現される様々な周波数に対する出力を測定するためのその他のいかなる変換法も使用することができる。
【０１７０】
実施例２１―データのグループを区別するための典型的計算法
【０１７１】
データを明確に異なるクラスに区別するための信号計算処理に使用される、クラスタ化および分類の方法は様々である。ここで開示されるように、使用されるクラスタ化方法はＫ平均クラスタ化であるが、データのグループを区別するための信号計算処理であればいかなるものも使用できる。同様に、ここに開示されるように、成因分析（例えば、主成分分析や独立成分分析）などの分類法が使用される。
【０１７２】
計算方法の概要を以下に述べる。
【０１７３】
クラスタ化（またはクラスタ分析）は、クラスが事前に知られておらず、これらのクラスをデータから発見することを目標とする教師なし学習である。例えば、遺伝子発現プロファイルを使用して新たな腫瘍クラスを特定することは、教師なし学習の形態である。
【０１７４】
分類（またはクラス予測）は、クラスが事前に定義されており、ラベルを付けた対象のセットから分類の基本を理解し、将来のラベルなしの観測のための予測器を構築することを目的とする、教師あり学習である。例えば、悪性度を既知のクラスに分類することは、教師あり学習の形態である。
【０１７５】
クラスタ化：
【０１７６】
クラスタ化は、以下のようないくつかの明確に区別されるステップを伴う。
【０１７７】
対象間の適切な距離を拡散させる。
【０１７８】
クラスタ化アルゴリズムを選択し適用する。
【０１７９】
クラスタ化の手順は一般に、階層法とパーティション法の２つのカテゴリに分類される。階層法は分割（トップダウン）または凝集（ボトムアップ）となり得る。階層的クラスタ法は樹形図または系統樹を生成する。階層法により、すべての対象が一つのクラスタに収まる最小のセットから、それぞれの観測点がそれぞれのクラスタに収まる最大のセットまでの、クラスタの階層が提供される。
【０１８０】
パーティション法には通常、クラスタ数の指定が必要である。そして、対象をクラスタに割り当てる機構が決定されなければならない。これらの方法は、相互に排他的および包括的なグループの事前に指定された数ｋまで、データを分割する。この方法は、ある基準が満たされるまで、観測点をクラスタに繰り返し再割り当てする（例えば、クラスタ内の二乗和を最小化する）。パーティション法の例としては、Ｋ平均クラスタ法、Ｐａｒｔｉｔｉｏｎｉｎｇ Ａｒｏｕｎｄ Ｍｅｄｏｉｄｓ（ＰＡＭ）法、自己組織化マップ（ＳＯＭ）法、モデルベースのクラスタ法などがある。
【０１８１】
効率的で正確なアルゴリズムが使用できるということが大きく起因して、実践されているほとんどの方法は凝集型階層法である。しかし、どちらのクラスタ法も、それぞれに利点と欠点がある。階層法の利点としては、少なくとも凝集型クラスタ化では高速計算が挙げられ、また欠点としては、柔軟性がなく、その方法で以前下された誤った決定を後に訂正することができないことが挙げられる。パーティション法の利点は、そのような方法が最適性基準を（近似的に）満足するクラスタを提供できる点などであり、欠点としては、初期ｋ値が必要であり、この方法では計算時間が長いなどが挙げられる。
【０１８２】
要約すると、クラスタ化は、以下を含む様々な理由により、分類よりも困難な問題である。
【０１８３】
ラベル付きの観測の学習セットがない。
【０１８４】
通常グループ数が未知である。
【０１８５】
暗黙的に、クラスタ法に使用される関連特性および距離測定値の両方をすでに選択していなければならない。
【０１８６】
分類：
【０１８７】
統計、機械学習、および心理統計学に関連する技術を使用することができる。分類器の例としては、ロジスティック回帰、判別分析（一次または二次）、主成分分析（ＰＣＡ）、最近傍分類器（ｋ−最近傍）、分類・回帰ツリー（ＣＡＲＴ）、マイクロアレイ、ニューラルネットワークおよび多項式対数線形モデルの予測解析、サポートベクトルマシン、集合分類器（バギング、ブースティング、フォレスト）、および進化アルゴリズムなどがある。
【０１８８】
ロジスティック回帰：
【０１８９】
ロジスティック回帰は、従属（応答）変数が二値変数（すなわち、通常いくつかの結果イベントの有無を表す２つの値（通常０または１で符号化される）しかとらない）であり、従属（入力）変数が連続的か分類別、あるいはその両方である場合に使用される、線形回帰の変化形である。例えば、医学研究においては、患者（患畜）は生存または死亡し、あるいは臨床サンプルはあるウイルスの抗体に対し陽性または陰性である。
【０１９０】
通常の回帰とは異なり、ロジスティック回帰は、従属変数の一次結合として従属変数を直接モデル化せず、また従属変数を正規分布しているとも仮定しない。代わりに、ロジスティック回帰は、説明変数の一次結合としてイベント発生の確率の関数をモデル化する。ロジスティック回帰に関し、このように確率を説明変数に関連付ける関数はロジスティック関数であり、これは説明変数の一次結合の値に対しプロットした場合、Ｓ字形状を有する。
【０１９１】
ロジスティック回帰は、ロジスティック回帰モデルをデータにフィッティングし、様々な説明変数パターンをそのフィッティングされた確率に基づき類別することにより、分類に使用される。その後、順次データの分類は、共変量パターンおよび推定された確率に基づく。
【０１９２】
判別分析：
【０１９３】
要約すると、判別分析は空間の点としてのサンプルを表し、そしてその点を分類する。線形判別分析（ＬＤＡ）は、２つのクラスに属する点を最も良く分類する最適な平面を見つける。二次判別分析（ＱＤＡ）は最適な（二次）曲面を見つける。どちらの方法もある種の分類エラーを最適化しようとするものである。
【０１９４】
フィッシャーの線形判別分析（ＦＬＤＡまたはＬＤＡ）：
【０１９５】
ＬＤＡは、群内平方和に対する群間平方和の比率の大きいデータの一次結合（判別変数）を見つけ、判別変数について平均ベクトルがｘに最も近いクラスにより観測点ｘのクラスを予測する。ＬＤＡの利点としては、テストケースの予測されたクラスが最も近い平均を持つクラスである場合には単純で直観的であり、実際によい成果をもって実行することができる、ということが挙げられる。ＬＤＡの欠点としては以下が挙げられる。
【０１９６】
線形判別の境界が十分柔軟ではない場合がある。
【０１９７】
特性がクラス内で異なる分布を持つ場合がある。
【０１９８】
特性が多すぎる場合は、過度のパラメータ化と、パラメータ推定値の高い分散性に起因して、結果が急激に悪化する場合がある。
【０１９９】
再近傍分類器：
【０２００】
最近傍法は、ユークリッド距離や、２つのデータセット間の相関関係を差し引いた距離など、観測点間の距離の測定値に基づく。Ｋ最近傍分類器は、観測点ｘを以下のように類別することにより機能する。
【０２０１】
ｘに最も近い学習セット内のｋ個の観測点を見つける。
【０２０２】
多数決によりｘのクラスを予測する、すなわち、これらのｋ個の近傍点のうち最も一般的なクラスを選択する。通常、非常にうまくいくのは、ｋ＝１の単純な分類器である。無関係の変数、あるいは関係がほとんとない、もしくは全くない雑音の変数が非常に多いと、最近傍分類器の結果は著しく悪化する。
【０２０３】
分類ツリー：
【０２０４】
分類ツリーは、例えば、ある規則（特性変数閾値）に従って１つのサンプルを２つのサブサンプルに分割するのに使用される。それぞれのサブサンプルをさらに分割することも可能である。二分木構造の分類器は、サブセット（ノード）をその下の２つのサブセットに繰り返し分割するにより構築される。ツリーのそれぞれの末端のサブセットはクラスのラベルが割り当てられ、得られたパーティションは分類器に対応する。ツリー構築の３つの主要な側面には、分割の選択（各ノードで、不純物を最も減少させる分割が選ばれる）、ノード終端の宣言または分割の継続の決定（大きなツリーにするには、ツリーの枝を選択的に上方に払いサブツリーのシーケンスを減少させる）、各終端ノードのクラスへの割り当て（各終端ノードに対し、誤判別の確率の代替推定値を最小化するクラスが選ばれる）が含まれる。
【０２０５】
マイクロアレイの予測分析：
【０２０６】
これらの方法は、最近傍縮小重心（ｎｅａｒｅｓｔ ｓｈｒｕｎｋｅｎ ｃｅｎｔｒｏｉｄ）法を利用する。各クラスの第１の標準化重心が計算される。そして、各クラスの重心が、全てのクラスの全体の重心に向かって、いわゆる閾値（ユーザーにより選ばれる）の分だけ縮小される。縮小は、重心を閾値の分だけゼロに向かって移動させること、ゼロにぶつかる場合はゼロと等価に設定することから成る。
【０２０７】
人工ニューラルネットワーク：
【０２０８】
人工ニューラルネットワーク（ＡＮＮ）モデルの主要な要素は、情報処理システムの新規な構造である。これは、神経細胞に類似し、シナプスに類似した重み付けされた結合により相互に繋がった、高度に相互接続された多くの処理要素より成る。すべての分類法と同様、一度ＡＮＮを既知のサンプルで学習させれば、サンプルを自動的に予測することができるようになる。
【０２０９】
サポートベクトルマシン：
【０２１０】
サポートベクトルマシンは、二値分類（パターン認識）および実数値関数近似（回帰予測）のタスクを実行する学習機械である。サポートベクトルマシンは、そのｎ次元入力スペースをより高次元の特性スペースに非線形的にマッピングする。この高次元特性スペースでは、線形分類器が構築される。
【０２１１】
集合分類器：
【０２１２】
この方法は、ばらつきのある学習セットのバージョンから構築された予測器を集めることにより機能する。分類では、多数決により予測器の複数のバージョンが集められる。ブートストラッピングは、元の学習セットと同じサイズのばらつきのある学習セットが、学習セットの非パラメトリックブートストラップ複製である、つまり学習セットから復元してランダムに引き出される、バギングの最も単純な形態である。パラメトリックブートストラッピングでは、多変量ガウス分布の混合に従い、ばらつきのある学習セットが生成される。ランダムフォレスティングはツリー分類器同士（または他のもの）との組み合わせであり、それぞれのツリーは、フォレスト内のすべてのツリーのランダムベクトルの値に依存する。ブーストでは、分類器は重み付けされた学習セットに対し構築され、以前の分類結果に依存する。まず、すべてのオブジェクトには等しい重みがあり、第１の分類器がこのデータセットに対し構成される。その後、その分類器の結果に従い、重みが変更される。間違って分類されたオブジェクトはより大きな重みがつけられ、次の分類器は再び重みをつけられた学習セットに対してブーストされる。このように、学習セットと分類器のシーケンスが得られ、次にそれが決定での単純な多数決または重み付けされた多数決により組み合わせられる。
【０２１３】
実施例２２―典型的睡眠データプレゼンタ
【０２１４】
本明細書におけるいずれの実施例でも、睡眠状態データに基づき、電子形態または紙ベースの報告書を提示することができる。そのような報告書として、対象の特別な睡眠状態情報、睡眠状態統計、病的状態、睡眠に対する薬剤上および／または化学的効果などを挙げることができる。スクリーニングテストの推奨や行動の変化などもまた提示することができる。いくつかの実施例では、特定の睡眠データや低周波数情報の結果が示されているが、その他の睡眠データプレゼンタやデータの可視化が使用されてもよい。
【０２１５】
実施例２３―対象の典型的睡眠状態情報
【０２１６】
ここに開示されるいかなる技術を用いても、様々な対象から典型的な睡眠状態の情報を取得することができる。図３３は、麻酔をかけられたネコの、分析されたＥＥＧスペクトルデータに基づき分類された麻酔状態の典型的な可視化の画面例３３００を含んでいる。画面例３３００では、例えば、ＳＷＳ分類は深い麻酔状態に対応し、ＲＥＭ睡眠分類は軽い麻酔状態に対応し、ＩＮＴＥＲ睡眠分類は中程度の麻酔状態に対応する。そのようにして、ここに開示される技術を使用してヒトまたはその他の哺乳類の対象における麻酔状態を決定することができる。図３４は、分析されたＥＥＧスペクトルデータに基づき分類されたヒトの対象における睡眠状態の典型的な可視化の画面例３４００を含む。
【０２１７】
実施例２４―技術の典型的な利点と応用
【０２１８】
このデータ分析が実行される速度、特別かつ教師なしの分析という性質、および以前に無視されたあるいは分析されていない低出力の周波数情報を抽出できるという能力により、様々な研究分野においてこの方法論は特に魅力的となっている。様々な数の状態、様々な数の識別規則、適合性のあるキャリブレーション、様々な時間分解能、および様々なスペクトル分解能を使用して、この技術は高い適合性をもつことができる。ソースデータを調整して調整ソースデータを生成することは、病的状態、ならびに薬剤上および化学的効果の試験における動物の信号データを分析することに特に適用可能である。本発明のいずれの実施例においても、低い周波数であるが極めて多様な周波数データを抽出し分析することができる（データの時間的パターンの発見など）。応用として、株式市場データの分析（価格変動が小さいことから他の場合では無視される一般的な変動性を決定するために、安値株を分析するなど）から、暗号化されたデータへのアクセス（音波のうち、低出力かつ非常に高いあるいは非常に低い周波数で記憶されるモールス信号データなど）、そしていくつかの空間周波数をもつ視覚映像の分析まで、多様な使用が挙げられる。同様に、ここに開示される技術は、生成された睡眠状態の情報による、対象の特別な睡眠品質の決定に使用することができる。
【０２１９】
本発明のいずれの実施例においても、一つのチャネルまたは複数のチャネルから受信したソースデータに本方法を使用することができる。本方法は、チャネル間の比較を行ないながら、複数のチャネルからのソースデータに独立して適用することができる。例えば、脳のそれぞれの半球から受信した独立したＥＥＧチャネルデータから半脳の睡眠を決定することができる。図４０は、鳥の脳のそれぞれの半球から受信した独立したＥＥＧチャネルデータから決定された半脳の睡眠の画面例４０００を示す。あるいは、本方法を複数のチャネルからのソースデータに同時に適用し、結合された複数チャネルのソースデータを分析することができる。例えば、対象のＥＥＧチャネルデータとＥＭＧチャネルデータを同時に分析して、覚醒状態対ＲＥＭ睡眠状態を決定することができ、それにより、ＥＭＧデータが高振幅に該当する場合、ＥＥＧデータ分析からＲＥＭに指定された睡眠状態を、覚醒睡眠状態として再割り当てすることができる。
【０２２０】
さらに、本発明のいずれの実施例でも、ノイズ除去ソース分離（ｄｅｎｏｉｓｉｎｇ ｓｏｕｒｃｅ ｓｅｐａｒａｔｉｏｎ；ｄｓｓ）などの方法を、ここで開示される方法と組み合わせて使用して、睡眠状態を決定することができる。例えば、ｄｓｓは低周波数情報を使用してＲＥＭ睡眠を決定することができる。
【０２２１】
ここに開示される技術は、特に低出力の周波数情報の分析に有益となり得るが、高周波数と低周波数が同じ出力分布をもつ信号などの様々な信号から、クラスタ化を行い睡眠段階を決定することにも適用可能である。また、スペクトル分析、段階分類および信頼性の尺度に関する技術を使用することができる。
【０２２２】
実施例２５―典型的なデータ可視化
【０２２３】
ここに開示されるいずれの技術においても、典型的なデータ可視化は、そのデータの異なる側面を描写するために色を利用することができる。例えば、分類されたデータ（例えば、ＲＥＭ、ＳＷＳ、ＩＮＴＥＲなどの睡眠状態の分類）は、その分類されたデータの可視化のために、それぞれの分類状態に色分けすることができる。あるいは、分類されたデータの可視化のために、グレースケールを使用してそれぞれの分類状態に分けることができる。
【０２２４】
実施例２６−行動分析の例となるコンピュータシステム
【０２２５】
図３６及び以下の説明は、上記解説したソフトウェアの適切なコンピュータ環境（例えば、コンピュータプログラム）の一般的かつ簡潔な解説である。上記解説した方法は、コンピュータ実行可能命令（例えば、プログラムモジュールを構成）を実装する。プログラムモジュールは、タスクを実行するルーチン、プログラム、目的、要素及びデータを含み、上記解説した技術を実装するデータタイプを実行する。
【０２２６】
図３６は、デスクコンピュータの基本的構成を図示しており、前記技術は別のコンピュータシステム構成、例えばマルチプロセッサーシステム、マイクロプロセッサを用いたまたはプログラム可能な消費荷電製品、ミニコンピュータ本体などに、実装される。前記技術は、パフォーマンスを高めるために処理装置と同時にタスクを実行する分散型コンピュータ環境にも利用される。例えば、タスクが同時に複数のコンピュータで実行される、単一コンピュータで複数のプロセッサーが実行される、またはその両方が可能である。分散型コンピュータ環境において、プログラムモジュールは、ローカルおよびリモート記憶装置に設置される。例えば、コードは、インターネットを通じてアクセスのためにローカル装置／サーバー上に保管され、ここで分析からのデータがローカル装置／サーバーによりアップロードおよび処理され、その結果がプリントおよび／またはダウンロードされる。
【０２２７】
図３６に図示されたコンピュータシステムは、ここで開示された前記技術を実装するのに適し、プロセシングユニット３６２１、システムメモリ３６２２、およびシステムメモリからプロセシングユニット３６２１を含む多様なシステム要素を相互に連結するシステムバス３６２３を有するコンピュータ３６２０を含む。システムバスは、メモリバスまたはメモリコントローラ、周辺バスおよびバスアーキテクチャーを利用したローカルバスを含む数種類のバス構成を含む。システムメモリは、リードオンリーメモリ（ＲＯＭ）３６２４およびランダムアクセスメモリ（ＲＡＭ）３６２５を構成する。非揮発性システム（例えば、ＢＩＯＳ）はＲＯＭ３６２４で保管され、例えばスタートアップ中パーソナルコンピュータ３６２０内の要素間で情報を伝達する基本的ルーチンを含む。パーソナルコンピュータ３６２０はさらに、ハードディスクドライブ３６２７、例えばリムーバルディスク３６２９から読み込むまたは書き込むための磁気ディスクドライブ３６２８、例えば、ＣＤ−ＲＯＭディスク３６３１から読み込むまたはその他光媒体から読み込むまたは書き込むための光ディスドライブを含む。ハードディスクドライブ３６２７、磁気ディスクドライブ３６２８および光ディスク３６３０は、ハードディスクドライブインターフェース３６３２、磁気ディスクドライブインターフェース３６３３および光ドライブインターフェース３６３４によってそれぞれシステムバス３６２３に接続されている。ドライブおよび関連するコンピュータ可読媒体は、データ、データ構成、コンピュータ実行可能命令（ダイナミック・リンク・ライブラリおよび実行可能ファイルなどのプログラムコードを含む）、およびパーソナルコンピュータ３６２０に関連するその類の不揮発性記憶装置を構成する。コンピュータ可読媒体の上記解説は、ハードディスク、リムーバブル磁気ディスクおよびＣＤに言及しているが、磁気カセット、フラッシュメモリカード、ＤＶＤなどコンピュータが読み込み可能なその他媒体も含む。
【０２２８】
プログラムモジュールの多くはドライブおよびＲＡＭ３６２５に保管され、オペレーティングシステム３６３５、１つ以上のアプリケーションプログラム３６３６、その他プログラムモジュール３６３７およびプログラムデータ３６３８を含む。ユーザーは、キーボード３６４０およびマウス３６４２などのポインティングデバイスを通してパーソナルコンピュータ３６２０にコマンドおよび情報を入力する。その他のインプットデバイス（図示されず）は、マイクロフォン、ジョイスティック、ゲームパッド、衛星放送用パラボラアンテナ、スキャナーなどを含む。前記および別のインプットデバイスは通常、システムバスに接続されたシリアルポートインターフェース３６４６を通してプロセシングユニットに接続されるが、パラレルポート、ゲームポートまたはユニバーサルシリアルバス（ＵＳＢ）など別のインターフェースによっても接続される。モニター３６４７または別のディスプレイ装置も、ディスプレイコントローラーまたはビデオアダプター３６４８などのインターフェースを通してシステムバス３６２３に接続される。モニターに加え、パーソナルコンピュータは一般的に、スピーカーやプリンターなどその他周辺オウトプットデバイス（図示されず）を含む。
【０２２９】
上記コンピュータシステムは一例にすぎない。前記技術は、多様な構成で実装することが可能である。さらに、ソースデータを収集および分析する多様なアプローチが可能である。例えば、データは収集分析され、結果は適切に異なるコンピュータ上で現れる。それに加え、ハードウェアでは多様なソフトウェアアスペクトが実装可能であり、またその逆も可能である。さらに、前記技術への紙面上のアプローチも可能であり、例えば、アルゴリズムの解釈に関する説明を活用する純粋な紙面上のアプローチや、スキャニング技術およびデータ分析ソフトウェアを活用する一部紙面上のアプローチがある。
【０２３０】
実施例２７−例となるコンピュータ実装法
【０２３１】
ここで開示されるコンピュータ実装方法は、自動システムのソフトウェアによって稼動されたソフトウェアにより実行される（例えば、コンピュータシステム）。完全自動（例えば、ヒトの介在なく）または半自動オペレーション（例えば、ヒトの介在によるコンピュータプロセシング）がある。パラメーターの調整または結果の熟考など、ユーザーの介在が望ましい場合もある。
【０２３２】
前述のソフトウェアは、前述した機能を実行するためにコンピュータ実行可能命令を含む１つ以上のコンピュータ可読媒体上に、記憶される。前述の媒体は有形（例えば、身体の）媒体である。
【０２３３】
例となる実施態様において本発明の本質を図示および解説したが、当該技術分野に従事するものには解説された実施例が例証であることは明らかであり、本発明の本質から逸脱することなく配置および詳細において変更が可能である。前記実施例の技術は１つ以上の別の実施例と組み合わせが可能である。
【０２３４】
別の実施態様では、ダイナミックレンジをさらに増大させる二重正規化を利用する。この実施態様は、鳥を対象としている前述の実施態様よりも、ヒトの睡眠を対象にしたデータを解説、重要視している。さらに、前述の実施態様において上記に解説された用途、正規化の技術およびクラスタリングは、当該実施態様にも同等に適用可能である。
【０２３５】
本実施態様は、前述の実施態様の多くの特徴を活用し、改良を加えた。本実施態様は、脳波の動きを分析する。脳波からの信号、例えばＥＥＧは、脳波の周波数がｆである時、脳波の出力量が１／ｆに比例する指標を辿る。出力量は逆に周波数に比例する。前述の実施態様を参考にして解説したとおり、信号の高い周波数部分は振幅電圧が低いため、１／ｆスペクトル分布は信号の高い周波数部分を不明瞭にする傾向がある。
【０２３６】
元来、ＥＥＧを表す脳波を観察する人間は、高い周波数と相対的な、実質的情報を確かなものとできない。この理由の多くを本発明者が仮定した。１つの理由には、脳波活動の高い周波数は頭蓋骨から浸透するが、これは頭蓋骨の身体構造が低域通過フィルターとして働くからである。
【０２３７】
前述の実施態様は、例えばＺスコア（を算出する）を利用して、どのように正規化が脳波信号からの情報を分析するかを解説する。前記に実行された分析は周波数の出力情報を正規化する。正規化するにはＺスコア（を算出する）を利用するのが望ましいが、別のデータ正規化も利用可能である。利用された正規化はＺスコア（を算出する）など単位なしが望ましい。当該技術分野では周知のＺスコア（を算出する）は分布の包絡線の形を変化させずに、分布を正規化するために使用される。Ｚスコア（を算出する）は本質上、標準偏差へと変化する。ユニットを正規化したそれぞれのＺスコア（を算出する）は信号の平均と相対的な信号の出力量を反映する。スコアは、それぞれの平均偏差から平均を引いて、平均偏差フォームに変換される。そしてスコアは標準偏差と相対的に正規化される。Ｚスコアで正規化された全てのユニットは１と同等の標準偏差を有する。
【０２３８】
上記は、Ｚスコアを使用した正規化を述べているが、Tスコアなど、その他の正規化も実行可能であることを理解されたい。
【０２３９】
上記実施態様は、特定帯域内における毎周波数の出力の正規化を解説する。帯域は、０〜１００ｈｚ、または１２８ｈｚ、５００ｈｚまでの範囲となる。周波数の帯域はサンプリングレートによってのみ限定される。例となる３０ＫＨｚのサンプリングレートでは、１５ＫＨｚまでの分析が可能である。
【０２４０】
本実施態様に従って、追加の正規化が実行され、ここでそれぞれの周波数に関し時間を越えて出力を正規化する。周波数および時間を超えて正規化された情報に関する結果は、二重正規化スペクトル図を作成するために使用される。
【０２４１】
この実施態様は、脳波データから追加の情報を取得し、分析されたデータから自動的に睡眠の異なる段階を検知することを解説する。検知される睡眠の段階は、徐波睡眠（ＳＷＳ）、レム睡眠（ＲＥＭ）、中間睡眠（ＩＩＳ）および覚醒状態を含むがこれに限らない。重要な特性によると、脳波活動の単一チャネル（ヒトの頭蓋骨上の単一部から取得される）が分析に用いられる。
【０２４２】
図４１のフローチャートに従ってオペレーションが実行され、これは本明細書で記載されたどのコンピュータでも、またネットワークを渡ってでも、またはその他の別の方法においても、実行可能である。４１００でデータが取得される。前述のとおり、取得されたデータはヒトまたはその他の対象からのＥＥＧ情報の１つのチャンネルとなり得る。取得されたＥＥＧデータは、例えば２５６Ｈｚサンプリングレートを利用して収集され、高周波率でサンプリングされることができる。データは例えば３０秒時期など時期に分類することができ、周波数によって特徴をなす。
【０２４３】
４１１０で、第１の周波数の正規化が実行される。出力情報は各周波数ビンのＺスコア（を算出する）技術を利用して正規化される。実施態様において、ビンは１〜１００Ｈｚまで拡張し、３０ビン／Ｈｚである。正規化は時間を超えて実行される。これにより正規化されたスペクトル図またはＮＳが作られ、これは信号からの各周波数帯域に実質上同じ重みをかける。実施態様において、各３０秒時期は、その時期で最大のＺスコアを有する周波数である「望ましい周波数」を表す。
【０２４４】
これにより、望ましい周波数空間と呼ばれる特別な周波数空間を作る。図４２Ａは未加工のスペクトル図を、図４２Ｂは正規化されたスペクトルを示す。それぞれの時期は、例えば図４３の３０秒分割または図４４の１秒スライディングウィンドウは、最大Ｚスコアを有する周波数で表される。図４４は、どのように異なるパターンに広く分離されるかを示す。
【０２４５】
これらのパターンがどのように形成されたかを分析することで、パターンの特徴の分析が可能となる。例えば、Ｗまたは覚醒状態はアルファ帯域、７〜１２Ｈｚまたはベータ帯域（１５〜２５Ｈｚ）と特徴づけられた分析によって見出される。
【０２４６】
中間睡眠は１〜４Ｈｚ帯域のデルタ値および１２〜１５Ｈｚのスピンドル周波数を示す。中間睡眠は、高い周波数の活動およびガンマ帯域３〜９０Ｈｚも示す。驚くべきことに、レム睡眠はデルタおよびシータ周波数で小型帯域を確定し、短期変動睡眠は広域スペクトル活性に支配されている。
【０２４７】
異なる睡眠状態はゆえに判別関数に従って画定され、ここで判別関数は特定部位で特定の活性をおよび別の部位で不活性を求める。どの部位の周波数が活性を有し、また有さないかで、前記関数は睡眠状態を評価する。
【０２４８】
より一般的には、ダイナミックスペクトルスコアはどれも補正データ上で実行される。判別関数は、複数の周波数帯域においてそれぞれ、特定値を必要とするか、特定の活性度の有無を単に必要とするかもしれない。判別関数は単に周波数対応の包絡線に一致するかもしれない。判別関数はスペクトルおよびフラグメンテーションおよび時間的なフラグメンテーションに注視する。
【０２４９】
４１２０は、周波数を越えて実行する第２の正規化を示す。４１２０での第２の正規化は二重正規化スペクトルを形成する。これは、帯域がより明瞭である新たな周波数空間を生み出す。第２の正規化は図４２Ｃで示され、明るい部位の帯域は正値を、暗い部位の帯域は負値を表している。
【０２５０】
二重正規化スペクトルは、空間内で値を最大限に分離するフィルターを形成するために使用される。図４３は、時間の関数において望ましい周波数のグラフを示し、周波数の異なるクラスタを表す。
【０２５１】
４１３０は、二重に正規化された周波数上で実行されたクラスタリング技術を示す。例えば、クラスタリング技術は、前述の実施態様で解説されたＫ平均法がある。図４３で図示されるとおり、クラスタはグループを構成する。図４４は、異なる状態の間の域、例えば帯域４４００がどのように複数の異なるクラスタを構成するかを図示する。各クラスタは睡眠状態を示す。
【０２５２】
クラスタは、実際複次元クラスタであり、図４５で図示されるように、クラスタ自体が追加情報を発見できるようグラフ化される。次元数は、クラスタ変数の数値による。これは、どのように二重正規化スペクトル図がより多くの測定特徴を有するかを示す。図４５は実際異なる特徴の３次元グラフであり、異なる状態を検知する。分析はしかし、徐波睡眠が、時間および周波数に関し、レム睡眠または覚醒状態よりも安定していることを明らかにした。中間睡眠はしばしば徐波睡眠への中間的存在となる。
【０２５３】
平均の測定は周波数を越えて正規化された出力で広がり、スペクトルフラグメンテーションを表す図４６で図示される通り、スペクトルフラグメンテーションが可能であることを示す。フラグメンテーション値は、異なる状態において時間的なフラグメンテーションに基づき、判別関数の一部として活用される。
【０２５４】
例えば：
【０２５５】
ＮＳおよび２ＮＳ値にそれぞれ対応するＺおよびＺＺを使用：
【０２５６】
ｗ＿ｆｉｌｔｅｒ＝ｍｅａｎ（ＺＺ（１２−１５Ｈｚ））＋ｍｅａｎ（ＺＺ（１−４Ｈｚ））＋ｍｅａｎ（ＺＺ（４−７Ｈｚ））．
【０２５７】
ｎｒｅｍ＿ｆｉｌｔｅｒ＝ｍｅａｎ（ＺＺ（６０−１００Ｈｚ））＋ｍｅａｎ（ＺＺ（４−７Ｈｚ））−［ｍｅａｎ（ＺＺ（１２−１５Ｈｚ））＋ｍｅａｎ（ＺＺ（２５−６０Ｈｚ））＋ｍｅａｎ（ＺＺ（１５−２５Ｈｚ））］
【０２５８】
ｓｗｓ＿ｆｉｌｔｅｒ＝ｍｅａｎ（Ｚ（４−７Ｈｚ））＋ｍｅａｎ（Ｚ（７−１２Ｈｚ））
【０２５９】
フラグメンテーション値は以下の通りである：
【０２６０】
Ｓｐｅｃｔｒａｌ＿ｆｒａｇ＝ｍｅａｎ（ａｂｓ（ｇｒａｄ＿ｆ（ＺＺ（１−１００Ｈｚ））））；
【０２６１】
Ｓｐｅｃｔｒａｌ＿ｔｅｍｐ＝ｍｅａｎ（ａｂｓ（ｇｒａｄ＿ｔ（ＺＺ（１−１００Ｈｚ））））；
【０２６２】
ｇｒａｄ＿ｆおよびｇｒａｄ＿ｔが２次元隣接グラディエントＺＺに一致する場所。
【０２６３】
この２つの関数は、二重に正規化されたスペクトル上で評価され、ノンレム睡眠におけるアーチファクト運動で発生した全ての周波数において、均一上昇を利用し、Ｗは単独に正規化されたスピクトルにおいて異常に上昇したフラグメンテーション値を引き出す。
【０２６４】
これらのフラグメンテーション値は判別関数の一部として利用される。重要なことは、上記に説明した通り、判別関数は一般的に手動技術を含む前記の分析技術からは明確にならない。
【０２６５】
計算は分割によって特徴付けられ、また重複時間枠またはスライディングウィンドウを利用し、時間的な登録を増加させる。これにより、多くの技術がこれまで実現可能となってきた。オンザフライを特徴づけることによって、ダイナミックスペクトルスコアを利用した睡眠状態と、脳波信号だけを利用した覚醒状態とを区別することが可能となった。
【０２６６】
別のアスペクトは、自動的にＥＥＧ情報を取得する機械、およびＥＥＧ情報を分析し睡眠状態に関する情報を決定するコンピュータを含む。例えば、前記情報は実際の睡眠状態または睡眠状態のその他の部分を含む。前記コンピュータは、睡眠状態を示す情報を記憶する不揮発性メモリを含み、睡眠状態を示す情報をリモート装置で伝達するワイヤレスネットワーク接続を含む。ユーザーは、睡眠を特徴づけるために、機械または前記機械に接続された電極を着用できる。
【０２６７】
上記は、情報が睡眠状態を決定するためにどのように利用されるかを説明している。これらの技術は睡眠状態を特徴づけるその他のアプリケーションおよびその他の技術に利用される。アプリケーションは患者が各自の睡眠状態および睡眠状態に基づく脳機能の変化として予め決定された変数に基づき、特定の薬剤を服用するかの決定を含む。別のアプリケーションは、アルコールの消費を決定する脳波信号を分析するが、例えば「アルコール検出器」として使用されるシステムの構築などである。
【０２６８】
一般構成および技術、さらにより一般的な目標を実現する異なる方法を遂げるために用いられるより特定の実施態様が、本明細書で開示される。
【０２６９】
上記で詳細を開示している実施態様は少数であるが、その他の実施態様も可能で、本発明者は本明細書にその他の実施態様が含まれると解釈する。本明細書は別の方法で成されるより一般的な目標を実現する特定の実施例を解説する。本開示内容は、例となることを目的とし、請求項は当該技術分野において通常技量を有する人には予測可能でる変更または代替案を含むと指定する。例えば、他の用途は可能であり、その他の判別関数および特性も可能である。上記は「望ましい周波数」に関して周波数を特徴づけるよう広範囲にわたり解説しているが、情報のより正確な特性も可能であることに留意する。また、上記はＥＧＧデータより睡眠状態を決定することおよび睡眠状態の決定の異なる種類にのみ言及しているが、別の用途も熟考されることを理解する。
【０２７０】
また、本発明者は「〜する方法」という用語を用いた請求項は３５ ＵＳＣ １１２第６節で解釈されることを意図する。さらに明細書からの非限定は、請求項において限定について表記されていない限り、どの請求項にも適用される。
【０２７１】
本明細書で開示される前記コンピュータは、一般用途またはワークステーションなど特定用途のどのコンピュータでも可能である。前記コンピュータは、ＷｉｎｄｏｗｓＸＰ、ＬｉｎｕｘまたはＭａｃｉｎｔｏｓｈコンピュータを搭載するペンティアムクラスのコンピュータでもよい。前記コンピュータは、ＰＤＡ、携帯またはラップトップなどの携帯用コンピュータでもよい。
【０２７２】
プログラムはＣ、Ｊａｖａ、Ｂｒｅｗ、またはその他プログラミング用語で書かれている。プログラムは、磁気、光またはコンピュータハードドライブ、リムーバブルディスク、メモリースティック、ＳＤ媒体またはリムーバブル媒体などの、記憶媒体に内在する。プログラムはネットワークをサーバーまたは本明細書に記載するオペレーションを実行するためにローカル機械に信号を伝達するその他機械を利用して、ネットワークを動かす。
【関連出願の相互参照】
【０００１】
本出願は、２００５年５月１０日に出願された米国仮出願番号６０／６７９，９５１に対する優先権を主張する。先行出願の開示は、本出願の一部である（さらに参照により援用される）と解釈される。
【背景技術】
【０００２】
睡眠状態やその他の脳の活動は一般に、脳波検査またはＥＥＧ信号で分析される。人が眠りに就くと、脳の活動が変調され、異なる睡眠の深さや段階を表す。典型的な人では、睡眠状態は、徐波睡眠またはＳＷＳとして知られる第１の睡眠状態から始まり、経時的に遷移する。ＳＷＳでは、低周波数高出力ＥＥＧ活動がある。睡眠は、いわゆる中間的睡眠状態へと軽くなる。他の睡眠状態はレム睡眠として知られ、低出力ＥＥＧ活動を特徴とする。
【０００３】
ＥＥＧ信号は、比較的高い周波数の信号が比較的低い振幅、つまり比較的低い出力を有する分布に従う。このいわゆる１／ｆ分布は、最も低い周波数で最も高い振幅が現れることを意味する。
【０００４】
睡眠段階を決定するためのＥＥＧ信号は、従来Ｒｅｃｈｔｓｃｈａｆｆｅｎ−Ｋａｌｅｓ法で分析されてきた。この方法は、低出力の周波数に対する自動信号分析技術の限界に起因して、手作業での睡眠ＥＥＧ信号の評価に依存することがある。Ｒｅｃｈｔｓｃｈａｆｆｅｎ−Ｋａｌｅｓ法は、統計学的に有意な高周波数でのシフトは、非常に低い振幅に起因して、通常人間の評価者には検出不可能であるため、非常に信頼性が無く時間のかかるものとなり得る。さらに、Ｒｅｃｈｔｓｃｈａｆｆｅｎ−Ｋａｌｅｓ法は、時間および空間分解能が低い傾向があり、すべての変数を知ることができるわけではなく、また、手動あるいは自動で評価したかにかかわらず、ユーザー間の一致率が低くなる。残念ながら、人工ニューラルネットワーク分類子などの代替となる睡眠状態決定法は、通常複数のチャネルに依存し、かつ人間の能力に従う傾向があるため、品質を大幅に向上させることなく決定の時間を改善するものである。
【発明の開示】
【０００５】
本出願は、データ内の情報のダイナミックレンジを増加させるために、脳波の活動を示す正規化するデータを説明する。
【０００６】
実施態様は、睡眠状態を自動的に決定するためのこの情報を使用して説明する。睡眠の質、病態、および投薬効果を自動的に評価する他の適用を説明する。
【図面の簡単な説明】
【０００７】
【図１】少なくとも１つの低出力の周波数帯域を有するソースデータから低出力の周波数情報を決定するための例となるシステムのブロック図である。
【０００８】
【図２】ソースデータを調整するための例となる方法を示すフローチャートである。
【０００９】
【図３】時間とともに周波数のスペクトルにわたる出力における差異を説明するソースデータを調整するための例となる方法を示すフローチャートである。
【００１０】
【図４】対象の睡眠状態の情報を決定するための例となるシステムのブロック図である。
【００１１】
【図５】対象の睡眠状態の情報を決定するための別の例となるシステムのブロック図である。
【００１２】
【図６】対象での睡眠状態を決定するための例となる方法を示すフローチャートである。
【００１３】
【図７】対象での睡眠状態を分類するための例となる方法を示すフローチャートである。
【００１４】
【図８】睡眠状態からの対象の病態を決定するための例となるシステムのブロック図である。
【００１５】
【図９】睡眠状態に基づく対象の病態を決定するためのコンピュータを実装した例となる方法を示すフローチャートである。
【００１６】
【図１０】対象のためにカスタマイズ化された睡眠スコアを同時に決定するための例となるシステムのブロック図である。
【００１７】
【図１１】例となる一晩のＥＥＧソースデータ周波数出力スペクトル図のスクリーンショットである。
【００１８】
【図１２】例となる調整技術を適用した後で、図１１に示す例となる一晩のＥＥＧソースデータのスクリーンショットである。
【００１９】
【図１３】図１２に示す、例となる調整された一晩のＥＥＧソースデータの２時間枠のスクリーンショットである。
【００２０】
【図１４】図１２に示す、一晩のＥＥＧスペクトル内の高出力および低出力の周波数帯域の例となる視覚化のスクリーンショットである。
【００２１】
【図１５】図１４に示す、一晩のスペクトル内の高出力および低出力の周波数帯域の例となる視覚化の２時間４０分の時間枠のスクリーンショットである。
【００２２】
【図１６】図１２の一晩のＥＥＧスペクトルの例となる５次元パラメーター空間視覚化のスクリーンショットである。
【００２３】
【図１７】図１６に示す一晩のＥＥＧ視覚化の例となる５次元パラメーター空間視覚化の２時間の時間枠のスクリーンショットである。
【００２４】
【図１８】ＥＥＧスペクトルデータに基づき分類された睡眠状態の例となる視覚化のスクリーンショットである。
【００２５】
【図１９】ＥＥＧスペクトルデータに基づき分類された睡眠状態の別の例となる視覚化のスクリーンショットである。
【００２６】
【図２０】ＥＥＧスペクトルデータに基づき分類された睡眠状態のさらに別の例となる視覚化のスクリーンショットである。
【００２７】
【図２１】図２０のＥＥＧスペクトルデータに基づき分類された睡眠状態の例となる視覚化の別の有利な点からのスクリーンショットである。
【００２８】
【図２２】一定期間対象における特徴的な睡眠状態に指示される周波数重み付け時期を表す標準的スペクトルのスクリーンショットである。
【図２３】一定期間対象における特徴的な睡眠状態に指示される周波数重み付け時期を表す標準的スペクトルのスクリーンショットである。
【図２４】一定期間対象における特徴的な睡眠状態に指示される周波数重み付け時期を表す標準的スペクトルのスクリーンショットである。
【図２５】一定期間対象における特徴的な睡眠状態に指示される周波数重み付け時期を表す標準的スペクトルのスクリーンショットである。
【００２９】
【図２６】２つ以上の睡眠状態の特徴を有する過渡的な睡眠状態を示す周波数重み付け時期を表す標準的スペクトルのスクリーンショットである。
【００３０】
【図２７】特徴的な睡眠状態の代表となる標準的スペクトルを区別する睡眠段階分離の程度の例となる視覚化のスクリーンショットである。
【００３１】
【図２８】１つ以上の時期の睡眠状態の指示に従い、対象に対する睡眠状態の統計値の例となる視覚化のスクリーンショットである。
【図２９】１つ以上の時期の睡眠状態の指示に従い、対象に対する睡眠状態の統計値の例となる視覚化のスクリーンショットである。
【図３０】１つ以上の時期の睡眠状態の指示に従い、対象に対する睡眠状態の統計値の例となる視覚化のスクリーンショットである。、
【図３１】１つ以上の時期の睡眠状態の指示に従い、対象に対する睡眠状態の統計値の例となる視覚化のスクリーンショットである。
【図３２】１つ以上の時期の睡眠状態の指示に従い、対象に対する睡眠状態の統計値の例となる視覚化のスクリーンショットである。
【００３２】
【図３３】ＥＥＧスペクトルデータに基づき、麻酔ネコの分類された麻酔状態の例となる視覚化のスクリーンショットである。
【００３３】
【図３４】ＥＥＧスペクトルデータに基づきヒト対象の分類された睡眠状態の例となる視覚化のスクリーンショットである。
【００３４】
【図３５】説明した技術で実装することができる、対象における分類睡眠状態のためのさらに別の例となる方法を示すフローチャートである。
【００３５】
【図３６】説明した技術で実装することができる、例となるコンピュータシステムである。
【００３６】
【図３７】情報を抽出するために、適切な周波数の時間枠をさらに決定するよう正規化されたスペクトル図に適用される、単独の要素分析の例となる視覚化のスクリーンショットである。
【００３７】
【図３８】何時間にもわたり、図３７の単独の要素の例となる視覚化のスクリーンショットである。
【００３８】
【図３９】アルツハイマー病を患うヒト対象からの一晩のＥＥＧ視覚化の周波数帯域の例となる５次元パラメーター空間視覚化の６時間３０分の時間枠のスクリーンショットである。
【００３９】
【図４０】鳥からの分類された半脳睡眠の例となる視覚化のスクリーンショットである。
【００４０】
【図４１】二重正規化を使用する別の実施態様の動作のフローチャートを例証する。
【００４１】
【図４２ａ−４２ｃ】生のスペクトル図、単一の正規化されたスペクトル図、および二重正規化されたスペクトル図をそれぞれ示す。
【００４２】
【図４３】時間の経過に対して望ましい周波数を示す。
【００４３】
【図４４】これらの周波数のダイアグラムを示す。
【００４４】
【図４５】データの３次元ビューを示す。
【００４５】
【図４６】周波数のスペクトルフラグメンテーションのグラフを示す。
【発明を実施するための最良の形態】
【００４６】
本システムの一つの重要な認識は、ＥＥＧ信号における低周波数帯域は時折最も多くのエネルギーを有し、それ故、多くの研究者に、そのような低周波数帯域を誤って過度に分析させる結果となることである。しかしながら、これらの比較的低い周波数において出力の増大が発見された一つの理由は、発明者により、頭がい骨の低域通過の特徴となることが発見されたことである。他の理由もまた、比較的低い周波数における出力の増大に貢献する場合もある。
【００４７】
取得されたＥＥＧ信号は、低出力の周波数信号であり、信号での出力が周波数に逆に関連、例えば、反比例する１／ｆ分布に附随する。
【００４８】
ＥＥＧ信号は通常、時期と称される連続インクリメントにおいて時間内に調査されている。例えば、睡眠を分析するためのＥＥＧ信号を使用する場合、睡眠を、分析に使用する１つ以上の時期に分割してもよい。走査の時間枠を使用して、時期を異なる区分に分割することができ、ここで走査の時間枠は、時系列のインクリメントの異なる区分を画定する。走査の時間枠はスライディングウィンドウを経て移動することができ、ここでスライディングウィンドウの区分は、重複時系列の順序を有する。あるいは、時期は、例えば、全体的な時系列にわたることもできる。
【００４９】
本出願に従い、睡眠状態の異なる形態を測定してもよい。行動的、身体的、信号的特徴を表す区別できる睡眠または覚醒状態として睡眠状態を説明する。本出願において参照される睡眠状態には、徐波睡眠またはＳＷＳ、レム睡眠またはＲＥＭ、インターまたはＩＳ状態とも称される中間睡眠状態、および覚醒状態が含まれる。覚醒状態は、実際には睡眠状態の一部である場合もあり、また覚醒状態は、不眠症によって記銘力または覚醒レベルに特徴付けることもできる。中間睡眠はまた、中間−１睡眠および中間−２睡眠として特徴付けることもできる。
【００５０】
アーチファクトはまた、ＥＥＧを獲得する間に取得してもよい。アーチファクトは、ＥＥＧを不正確に伝えるデータである。例えば、ＥＥＧに登録した使用者体内の動きはアーチファクトである場合がある。アーチファクト例には、筋収縮などが含まれる。
【００５１】
実施例１−例となるソースデータ
【００５２】
本明細書に説明される任意の実施態様では、脳波検査（ＥＥＧ）データ、心電図記録データ（ＥＫＧ）、電気眼球図記録データ（ＥＯＧ）、筋電図検査データ（ＥＭＧ）、局所電場電位（ＬＦＰ）データ、スパイク列データ、音波および圧力波を含む波動データ、１／ｆ分布などのデータの周波数スペクトルにわたる多様な周波数のための出力のダイナミックレンジにおける差異がある場所を示すどんなデータをも含む多様なソースデータを分析することができる。ソースデータには、ソースデータ内の低出力の周波数で保存されたコード化されたデータを含むことができる。
【００５３】
実施例２−少なくとも１つの低出力の周波数帯域を有するソースデータから低出力の周波数情報を決定する例となるシステム
【００５４】
図１は、少なくとも１つの低出力の周波数帯域を有するソースデータから低出力の周波数情報を決定するための例となるシステム１００を示す。
【００５５】
少なくとも１つの低出力の周波数帯域１０２を有するソースデータを取得し、ソフトウェア１０４に入力して低出力の周波数情報１０６を決定する。
【００５６】
ソフトウェア１０４は、本明細書で説明するような技術のいかなる組み合わせも使用することができ、ソースデータのための低出力の周波数情報１０６を決定する。
【００５７】
少なくとも１つの低出力の周波数帯域を有するソースデータから低出力の周波数情報を決定する方法を以下に詳細を説明する。
【００５８】
実施例３−ソースデータを調整するための例となる方法
【００５９】
図２は、ソースデータを調整するための例となる方法２００を示す。例えば、方法２００は、図１のシステム１００内に実装することができる。
【００６０】
２０２では、少なくとも１つの低出力の周波数帯域を有するソースデータを受信する。例えば、対象に対する脳波検査ソースデータを受信することができる。ソースデータは、単一のチャネルまたは複数のチャネルを経て受信することができる。
【００６１】
２０４では、ソースデータは、２番目に高い出力周波数帯域ソースデータと比較して、ソースデータの周波数スペクトルの少なくとも１つの低出力の周波数帯内の出力に対するダイナミックレンジを増加させるよう調整する。正規化および周波数重み付けを含み、本明細書に説明する多くの調整技術を使用することができる。実施態様では、脳波検査のソースデータは、比較的高い出力で、比較的低い周波数帯域データと相対的な低出力で、比較的高い周波数帯域データを増加させるよう正規化し、より一般には、異なる信号部分の出力を正規化する。
【００６２】
ソースデータを調整した後で、様々な他の処理を使用することができる。例えば、調整されたソースデータの視覚化を与えることができる。さらに、低出力の周波数情報は、調整されたソースデータから抽出することができる。例えば、低出力の周波数情報は、調整された脳波検査ソースデータから抽出することができる。比較的高い出力周波数情報もまた、調整されたソースデータから抽出することができる。
【００６３】
この実施例または他のいかなる実施例に説明した方法は、１つ以上のコンピュータ−可読の媒体でのコンピュータで実行可能な命令を経て実行されるコンピュータに実装される方法であってもよい。示しているいかなるアクションも、信号処理システムまたは他のどんな信号データ分析システム内に組み込まれるソフトウェアによって実行することができる。
【００６４】
実施例４−時間とともに周波数のスペクトルにわたる出力における差異を説明するソースデータを調整するための例となる方法
【００６５】
図３は、時間とともに周波数のスペクトルにわたる出力における差異を説明するソースデータを調整するための例となる方法３００を示す。例えば。方法３００は、図１のシステム１００内に実装することができる。
【００６６】
３０２では、少なくとも低出力の周波数帯域を有するソースデータを受信する。例えば、少なくとも１つの低出力の周波数帯域を有する脳波検査データを受信することができる。前記データでのアーチファクトはソースデータから除去することができる。例えば、アーチファクトデータは、ソースデータから手作業で除去する、またはフィルタリング（例えば、ＤＣフィルタリング）またはデータ平滑化技術によってソースデータから自動的にフィルタリングすることができる。ソースデータはまた、要素分析により前処理することもできる。
【００６７】
３０４では、ソースデータは１つ以上の時期に分割され、ここでそれぞれの時期は、前記シリーズからのデータの一部である。例えば、ソースデータは、様々な分離技術によって複数の時間区分に分割することができる。走査の時間枠およびスライディングウィンドウは、ソースデータを時系列インクリメントに分離させるのに使用することができる。
【００６８】
３０６では、時間を越えて１つ以上の時期の出力における差異のために１つ以上の時期を正規化する。例えば、１つ以上の周波数でのそれぞれの時期の出力は、時間を越えて正規化し、抽出情報のための適切な周波数の時間枠を決定することができる。かかる正規化は、低出力の、１つ以上の周波数（例えば、デルタ、ガンマ、および同等物）での出力における統計的に重要な変化を明らかにすることができる。いかなる周波数帯域でも、分析するために明らかにされ、また使用することができる。適切な周波数の時間枠を確立した後で、１つ以上の時期のそれぞれのために情報を計算することができる。かかる情報には、低周波数出力（例えば、デルタ出力）、高周波数出力（例えば、ガンマ出力）、標準偏差、最大振幅（例えば、ピークの絶対値の最高値）およびその種類を含むことができる。さらに、ガンマ出力／デルタ出力、デルタの時間導関数、ガンマ出力／デルタ出力の時間導関数および同等物などの情報を作成する１つ以上の時期のそれぞれのために計算された情報についての計算をすることができる。時間導関数は、先行する時期および後続する時期にわたり算出することができる。情報を計算した後、その次に１つ以上の時期にわたりその情報を正規化することができる。Ｚスコアの算出および他の類似した技術を含む様々なデータ正規化の技術を実施することができる。
【００６９】
３０８では、時間とともに周波数のスペクトルにわたる出力における差異を説明するためのソースデータの調整の結果は、データの１つ以上の時期として提示することができる。例えば、周波数重み付けの時期は、調整されたソースデータとして提示することができる。
【００７０】
実施例５−睡眠状態を決定するための例となるシステム
【００７１】
対象のための情報
【００７２】
図４は、対象のために睡眠状態の情報を決定するための例となるシステム４００を示す。対象４０２のための脳波検査データを取得し、ソフトウェア４０４に入力して、対象４０６のための睡眠状態の情報を決定する。
【００７３】
ソフトウェア４０４は、本明細書に説明しているものなど、どんな技術の組み合わせも使用し、対象４０６のための睡眠状態の情報を決定することができる。
【００７４】
対象のための睡眠状態の情報を決定するための方法を以下に詳細に説明する。
【００７５】
実施例６−対象のための睡眠状態の情報を決定するのための別の例となるシステム
【００７６】
図５は、対象のために睡眠状態の情報を決定するための例となるシステム５００を示す。
【００７７】
対象５０２のための脳波検査データを取得し、分割器５０４に入力して、データを１つ以上の時期に分割する。実地では、時期は類似した（例えば、同じ）長さである。時期の長さは、構成可能なパラメーターによって調整することができる。１つ以上の時期は、順に、正規化器５０６に入力し、時間を越えて１つ以上の時期での周波数データを正規化することにより、周波数は、脳波検査データの１つ以上の時期に重み付けをする。１つ以上の周波数重み付け時期は、その次に、分類器５０８へ入力され、データを睡眠状態に分類することにより、対象５１０のために睡眠状態の情報を生成する。
【００７８】
対象のために睡眠状態の情報を決定するための方法を以下に詳細に説明する。
【００７９】
実施例７−対象のために睡眠状態を決定するための例となる方法
【００８０】
図６は、対象における睡眠状態を決定するための例となる方法６００を示す。例えば、方法６００は、図５のシステム５００または図４のシステム４００内に実装することができる。
【００８１】
６０２では、対象のための脳波検査（ＥＥＧ）データを受信する。例えば、周波数スペクトの第２の周波数帯域と比較して周波数スペクトルの少なくとも１つの低出力の第１の周波数帯域における出力のための比較的低いダイナミックレンジを示す、脳波検査データを受信することができる。
【００８２】
６０４では、対象のための脳波検査データを１つ以上の時期に分割する。例えば、様々な分離技術によって１つ以上の時期にＥＥＧデータを分割することができる。走査の時間枠およびスライディングウィンドウは、ＥＥＧデータを１つ以上の時期に分離するために使用することができる。ソースデータはまた、分割の間、分割に先立って、または分割後直流フィルタリングによってフィルタリングすることもできる。ソースデータはまた、要素分析（例えば、主要素分析または単独要素分析）によって前処理することもできる。
【００８３】
図１１は、１秒のインクリメントの間隔で３秒の時期にわたり分割されている、典型的な対象の一晩のＥＥＧソースデータの周波数出力のスペクトル図のスクリーンショットである。出力帯域を陰影付けで表示し、ここで白色の陰影付けの領域は、暗い陰影付けの領域よりも出力が比較的高い。したがって、比較的高い周波数（例えば、ガンマ）は、一晩のＥＥＧデータにおいて、比較的低い周波数（例えば、デルタ、シータおよび同等物）より低い出力を示す。
【００８４】
６０６では、１つ以上の時期の周波数出力を、時間を越えて重み付けをする。例えば、１つ以上の周波数でのそれぞれの時期の出力は、時間を越えて正規化し、抽出情報のための適切な周波数の時間枠を決定することができる。かかる正規化は、低出力の、１つ以上の周波数（例えば、デルタ、ガンマ、および同等物）での出力における統計的に重要な変化を明らかにすることができる。さらに、それぞれの時期は、時間とともに最も高い相対出力を有する周波数によって表し、抽出情報のために適切な周波数の時間枠を決定することができる。あるいは、要素分析（例えば、主要素分析（ＰＣＡ）または単独要素分析（ＩＣＡ））を正規化の後利用し、抽出情報のために適切な周波数の時間枠をさらに決定することができる。例えば、図３７および図３８は、フィルター（例えば、スクリーンショット３７００）を意味し、また何時間にもわたる単独要素（例えば、スクリーンショット３８００）を表現するよう正規化した後に使用された要素分析のスクリーンショットである。いかなる周波数帯域も分析のために明らかにされ、使用することができる。
【００８５】
適切な周波数の時間枠を確立した後で（例えば、周波数の重み付けをした後で）、１つ以上の時期のそれぞれのために情報を計算することができる。かかる情報には、低周波数出力（例えば、デルタ出力）、高周波数出力（例えば、ガンマ出力）、標準偏差、最大振幅（例えば、ピークの絶対値の最高値）およびその種類を含むことができる。さらに、ガンマ出力／デルタ出力、デルタの時間導関数、ガンマ出力／デルタ出力の時間導関数および同等物などの情報を作成する１つ以上の時期のそれぞれのために計算された情報についての計算をすることができる。時間導関数は、先行する時期および後続する時期にわたり算出することができる。情報を計算した後、その次に１つ以上の時期にわたりそれを正規化することができる。Ｚスコアの算出および同等物を含む様々なデータ正規化の技術を実施することができる。
【００８６】
図１２は、１つ以上の時期の例となる周波数出力を、時間を越えて重み付けをした後、図１１に示した例となる一晩のＥＥＧソースデータのスクリーンショットである。比較的高い周波数データは今では明確に視認できる。図１３は、図１２に示した例となる調整された一晩のＥＥＧソースデータの２時間の時間枠のスクリーンショットである。図１４は、図１２に示した一晩のＥＥＧスペクトル図内の高い（例えば、ガンマ）、および低い（例えば、デルタ）出力周波数帯域の例となる視覚化のスクリーンショットである。図１５は、図１４に示した高い、および低い出力周波数帯域の例となる視覚化の２時間４０分の時間枠のスクリーンショットである。
【００８７】
図１６は、図１２の一晩のＥＥＧスペクトル図の例となる５次元パラメーター空間視覚化のスクリーンショットである。５つのパラメーター（例えば、変数）は、周波数に重み付けをした後、１つ以上の時期のそれぞれのために計算される情報である。図１７は、図１６に示した一晩のＥＥＧ視覚化の例となる５次元パラメーター空間視覚化の２時間の時間枠のスクリーンショットである。
【００８８】
６０８では、対象における睡眠状態は、１つ以上の周波数重み付け時期に基づき分類する。例えば、１つ以上の周波数重み付け時期は、Ｋ平均法によるクラスタ化を含む多様ないかなるクラスタリング技法によってでもクラスタ化することができる。時期（例えば、デルタ出力、ガンマ出力、標準偏差、最大振幅（ガンマ／デルタ）、デルタの時間導関数、（ガンマ／デルタおよびその種類）の時間導関数から計算された情報についてクラスタ化を行うことができる。クラスタ化においてパラメーター空間（例えば、使用される情報のタイプ）を決定するために要素分析（例えば、ＰＣＡまたはＩＣＡ）を使用することができる。
【００８９】
クラスタ化に続き、睡眠状態の指示を時期に割り当てることができる。時期に指示された睡眠状態はその後、時期によって表される時間帯での対象における睡眠状態の描写として提示することができる。分類はまた、手作業で決定された睡眠状態を組み込むことができる（手作業で決定された「覚醒」対「眠っている」睡眠状態）。さらに、アーチファクト情報（例えば、運動データ、貧弱な信号データ、または同等物）は、分類において使用することができる。
【００９０】
実施例８−例となる睡眠状態の分類技術
【００９１】
時期が表す睡眠状態によって、時期を分類することができる。高周波数情報、低周波数情報、または高および低周波数情報の両方に基づき、正規化された変数（例えば、時期に対して計算された情報）により時期を分類することができる。例えば、ＲＥＭ睡眠状態の時期は、比較的高い周波数でのＳＷＳより比較的高い相対出力、および比較的低い周波数でのＳＷＳより比較的低い相対出力を有することができる。同様に、ＳＷＳ睡眠状態の時期は、比較的高い周波数でのＲＥＭより比較的低い相対出力、および比較的低い周波数でのＲＥＭより比較的高い相対出力を有することができる。さらに、ＮＲＥＭおよびＮＳＷＳ睡眠の両方として最初に分類された時期（例えば、高および低周波数のどちらにおいても低い相対出力を有する時期）は、中間睡眠として分類することができ、またＲＥＭおよびＳＷＳ睡眠の両方として分類された時期（例えば、高および低周波数のどちらにおいても高い相対出力を有する時期）は異常値をして分類することができる。さらに、ＮＲＥＭおよびＮＳＷＳ睡眠の両方として最初に分類された時期は、中間段階Ｉ睡眠として分類することができ、またＲＥＭおよびＳＷＳ睡眠の両方として最初に分類された時期は、中間段階ＩＩ睡眠として分類することができる。さらに、睡眠状態は、紡錘体、Ｋ複合波、および他の部分を探すために分類作業に分割することができる。１つの睡眠状態として最初に分類された時期のどんな群も、分類詳細のレベルの増加に従って、複数のサブ分類された睡眠状態に分割することができる。例えば、ＳＷＳとして分類された時期の群は、２つの特徴的なタイプのＳＷＳとして差再分類することができる。
【００９２】
実施例９−例となるアーチファクト分類技術
【００９３】
アーチファクトデータ（例えば、運動データ、貧弱な信号データ、および同等物）はまた、睡眠状態分類に使用することができる。例えば、アーチファクトは、睡眠状態の指示が最初に割り当てられた時期が、隣接するアーチファクトデータのために新しい睡眠状態の指示を再割り当てるかどうかを分析するのに使用することができる。例えば、先行する運動アーチファクトまたは覚醒時期を有するＲＥＭの睡眠状態の指示が割り当てられた時期は、覚醒の睡眠状態の指示を再割り当てすることができる。さらに、例えば、時期は、覚醒状態の間の起こることが多い大きな運動アーチファクトよりもむしろ大きなＳＷＳ睡眠の時期を表す可能性が高いので、続いて起こるＳＷＳ時期を有するアーチファクト時期は、ＳＷＳの睡眠状態の指示を再割り当てすることができる。そのようにして、例えば、データ平滑化技術においてアーチファクトデータを使用することができる。
【００９４】
実施例１０−例となる平滑化技術
【００９５】
睡眠状態を割り当てる間は、どんな様々なデータ平滑化技術も使用することができる。例えば、数字（例えば、０および１）を指示した睡眠状態を表すのに使用することができる。その次に、隣接する時期の睡眠状態の指示の数字を平均して、時期のうちの１つが不正確に睡眠状態の指示を割り当てられるかどうかを決定する。例えば、ＳＷＳ−ＮＳＷＳ−ＳＷＳ（およびＲＥＭ−ＮＲＥＭ−ＲＥＭ）からの突然の飛越しは、睡眠データでは稀である。したがって、時期の群が、睡眠状態において突然の飛越しを表す睡眠状態の指示を割り当てるならば、平滑化技術は、割り当ての正確さを改善するために適用することができる。
【００９６】
例えば、０がＳＷＳを表すシナリオでは、１はＮＳＷＳおよび隣接する５つの時期に存在する次の睡眠状態の指示を表し、００１００、その後５つの睡眠状態の平均は０．２ということになる。このような場合では、１（ＳＷＳ）の睡眠指示を最初に割り当てられて中間の時期は、０（ＮＳＷＳ）の睡眠状態の指示を再割り当てされることになる。同じ技術をＲＥＭ対ＮＲＥＭのために使用してもよく、ここで同じ５つの隣接する時期のための第２のセットの睡眠指示が決定される。例えば、１はＲＥＭを表し、０はＮＲＥＭを表し、また次の指示は、５つの隣接する時期、００１００のために終了することができる。再び、５つの睡眠状態の平均は、０．２ということになる。再び、１（ＲＥＭ）の指示を最初に割り当てられた中間の時期は、０（ＮＲＥＭ）の睡眠状態の指示を再割り当てすることになる。かかる平滑化技術は、睡眠状態の指示の割り当ての正確さを改善することができる。
【００９７】
実施例１１−対象における睡眠状態を分類するための例となる方法
【００９８】
図７は、対象における睡眠状態を分類するための例となる方法をフローチャートに示す。例えば、方法７００は、図５のシステム５００内、図４のシステム４００内または方法６００の６０８を分類するすることにより実装することができる。
【００９９】
７０２では、１つ以上の周波数重み付け時期を得る。例えば、方法６００の６０６に重みをかけるステップから決定される周波数重み付け時期を得ることができる。
【０１００】
７０４では、１つ以上の周波数重み付け時期は、クラスタ化される。例えば、１つ以上の周波数重み付け時期は、Ｋ平均法でクラスタ化するステップを含む、いずれかの様々なクラスタ技術によりクラスタ化することが可能である。クラスタ化するステップは、時期から算出された情報（例えば、デルタパワー、ガンマパワー、標準偏差、最大振幅（ガンマ／デルタ）、デルタの時間導関数、ガンマ／デルタ、およびその分類時間導関数）により実施することができる。クラスタ化された睡眠状態の例となる視覚化は、図１８および１９に示される。図１８は、デルタ、ガンマ／デルタを介してクラスタ化された時期、およびデルタの時間導関数を示す。そのような方法において、ＲＥＭのような時期は、視覚的に槍先に似た線を形成する。図１９は、デルタを介してクラスタ化された時期、ガンマ／デルタ、および（ガンマ／デルタ）の時間導関数を示す。そのような方法において、ＳＷＳのような時期は、視覚的に槍先に似た線を形成する。さらに、睡眠状態をクラスタ化した例となる視覚化は、図２０および２１に示され、クラスタ化するステップは、主成分分析を介して派生したパラメーター（例えば、変数）を使用して実施された。
【０１０１】
７０６では、睡眠状態の指示を１つ以上のクラスタ化された周波数重み付け時期に割り当てる。例えば、徐波睡眠指示を低周波数で有意な相対的出力がある時期に割り当て、レム睡眠指示を高周波数で有意な相対的出力がある時期に割り当てる。例えば、ＲＥＭ睡眠は、ＳＷＳと比べると、ガンマ／デルタが高く、（ガンマ／デルタ）の時間導関数の絶対値が高い数値を示しのに対し、ＳＷＳは、ＲＥＭ睡眠よりもデルタが高く、デルタの時間導関数の絶対値が高い数値を示す。さらに、例えば、標準偏差は、睡眠状態の指示を割り当てるステップにおいて使用することができる。同時期に徐波睡眠指示およびレム睡眠指示の双方を割り当てることが可能である。そのような場合において、異常値または中間―２睡眠の新たな睡眠状態の指示に時期を再度割り当てることができる。別法として、非徐波睡眠指示およびノンレム睡眠指示の双方に時期を割り当てることができる。そのような場合において、中間睡眠または中間―１睡眠の新たな睡眠状態の指示に時期を再度割り当てることができる。例えば、高周波数がデルタおよびパラメーター空間デルタにより分割することにより発現する場合、異常値指示がＲＥＭとＳＷＳとの間で交差することができる一方、ガンマ／デルタ、合成による分析（導関数（デルタ））、合成による分析（導関数（ガンマ／デルタ））、および、任意的に、標準偏差、および中間睡眠指示は、ＮＲＥＭとＮＳＷＳとの間で交差することができる。別法として、例えば、単独のデルタまたは標準偏差を有するデルタが、ＮＳＷＳからＳＷＳを決定するために使用され、単独のガンマまたは単独の合成による分析を有するガンマ（導関数（デルタ））または標準偏差を有するガンマは、ＮＲＥＭからＲＥＭを決定するために使用され、その後、中間―２睡眠指示がＲＥＭとＳＷＳとの間で交差できる一方、中間―１睡眠指示は、ＮＲＥＭとＮＳＷＳとの間で交差できる。いずれかの様々なデータ平滑化技術は、睡眠状態を割り当てるステップの間、使用することができる。アーチファクトデータはまた、睡眠状態を割り当てるステップの間、使用することができる。
【０１０２】
７０８では、睡眠状態の指示は、１つ以上の時期により表された期間に対する睡眠状態の指示として示される。睡眠状態は、時間を越えて睡眠統計の形式で示すことができる。例えば、図２８、２９、３０、３１、および３２は、時間の機能として、時期を指定した睡眠状態に対する睡眠統計の提示を表す。例えば、図２８において、スクリーンショット２８００は、対象に対する脳波検査データの夜間、時間ごとに各睡眠状態のタイプを百分率で睡眠状態の密度を表す。図２９において、スクリーンショット２９００は、毎時間にわたる各睡眠段階の平均発現の長さを表す。図３０において、スクリーンショット３０００は、毎時間にわたる各睡眠段階の発現数を表す。図３１において、スクリーンショット３１００は、毎時間の連続するＲＥＭ睡眠状態の間隔で平均時間間隔を表す。図３２において、スクリーンショット３２００は、夜間にわたる期間の偏移を表す。
【０１０３】
さらに、１つ以上の周波数重み付け時期は、類似の睡眠状態の指示を有する１つ以上の時期により表される期間における対象に対する睡眠状態の標準的スペクトルの典型として表すことができる。例えば、同一の睡眠状態の指示を有するとして指定される時期のグループの中間内の時期を選択でき、そのスペクトルは、睡眠状態の標準的スペクトルとして表すことができる。別法として、類似の睡眠状態の指示を有する１つ以上の時期の平均加重出力に一番近い加重出力を有する時期を選択でき、そのスペクトルは、睡眠状態の標準的スペクトルとして表すことができる。例えば、図２２、２３、２４、２５、および２６は、ＥＥＧスペクトル図データ分析に基づく、対象における様々な睡眠状態のための時期の例となる視覚化のスクリーンショット（例えば、スクリーンショット２２００はＳＷＳ、スクリーンショット２３００は、ＲＥＭ睡眠、スクリーンショット２４００は、中間睡眠、スクリーンショット２５００は、覚醒状態、スクリーンショット２６００は一時的である）である。
【０１０４】
さらに、睡眠状態の指示は、成功に対して手動採点法の機能として示すことができ、品質尺度は、（例えば、単一変数および多変数一元配置分散分析、睡眠密度に対する各期間を算出する回帰係数、発現数、平均発現の長さ、サイクル時間、および同等のものを含む睡眠状態の指示分離の統計値）を示すことができる。品質尺度を示すステップの例となる視覚化は、図２７に示される。スクリーンショット２７００は、特徴的な睡眠状態の典型的な標準的スペクトルを区別する睡眠段階分離の程度の例となる視覚化を表す。例えば、独立成分分析（ＩＣＡ）は、ＩＣＡを各睡眠状態に示された標準的スペクトルまたは平均スペクトルに適用することにより、現在の睡眠状態において睡眠段階分離の質を固定するために使用することができる。いずれかの様々な分類技術は、初期に睡眠段階分類の質を決定するために使用することができる。
【０１０５】
実施例１２−睡眠状態から対象の病態を決定するステップの例となるシステム
【０１０６】
図８は、睡眠状態から対象の病態を決定するステップの例となるシステム８００を示す。
【０１０７】
対象８０２に対する脳波検査データを取得し、対象８０６の病態を決定するために睡眠状態分析器８０４にそれを入力する。
【０１０８】
対象により示された睡眠状態から対象の病態を決定するための方法は、脳波検査データを分析するステップから決定したように、下記に詳細を記載した。
【０１０９】
実施例１３−睡眠状態から対象の病態を決定するステップのための例となるコンピュータで実装される方法
【０１１０】
図９は、睡眠状態から対象の病態を決定するステップのための例となるコンピュータで実装される方法９００を示す。コンピュータで実装される方法９００は、図８のシステム８００を利用することができる。
【０１１１】
９０２では、対象脳波検査データを得る。例えば、周波数スペクトル内の第２周波数帯域と比較して、周波数スペクトル内の少なくとも１つの低出力第１周波数帯域における出力に対するダイナミックレンジが低い事を示す脳波検査データを得ることができる。
【０１１２】
９０４では、脳波検査データは周波数分析で分析される。例えば、周波数分析は、方法２００の調整２０４であることができる。
【０１１３】
９０６では、対象における睡眠状態は、周波数分析に基づいて割り当てられる。例えば、図７の睡眠状態を分類するための方法７００は、対象における睡眠状態を割り当てるために使用することができる。
【０１１４】
９０８では、睡眠状態に基づいて、対象における病態を検出することができる。例えば、睡眠状態を個人のために取得し、睡眠状態が正常睡眠か異常睡眠であるかを決定するために分析することができる。異常睡眠は、病態を示すことができた。例えば、睡眠状態を病態を有する個人から取得し、病態を有する典型を表す例となる特徴的な「病態」睡眠状態の分析結果および／または睡眠状態の統計値を生成するために一般的な属性を分析することができる。そのような分析結果または統計値は、対象が病態または病態のいずれの初期指標を有するか否かを検出するために、対象に対して決定する睡眠状態を比較するために使用することができる。いずれの様々な病態を検出および／または分析することができる。例えば、睡眠関連の病態は、てんかん、アルツハイマー病、うつ病、脳損傷、不眠症、下肢静止不能症候群、および睡眠時無呼吸を含むことができる。例えば、睡眠ポリグラフ計によると、アルツハイマー病を患う対象は、認知症の範囲に比較してレム睡眠の減少を示すことができる。
【０１１５】
実施例１４−対象に対する専用睡眠スコアを動的に決定するステップのための例となるシステム
【０１１６】
図１０は、対象に対する専用睡眠スコアを動的に決定するステップのための例となるシステムを示す。
【０１１７】
データ収集装置１００２は、睡眠期間から対象のために脳波検査データを取得することができる。
【０１１８】
データノーマライザー１００４は、低出力の周波数情報を決定するために、脳波検査データにアクセスできる。
【０１１９】
データプレゼンター１００６は、少なくとも低出力の周波数情報に基づいて対象の睡眠状態を示すことができる。
【０１２０】
図５の方法５００、図６の方法６００、図７の方法７００など、対象の特別な睡眠スコアを動的に決定する方法がここに開示される。
【０１２１】
実施例１５−模範的病態
【０１２２】
ここで開示される技術において、多様な病態は対象に関し取得されたソースデータから決定される。例えば、うつ病、脳損傷、癲癇およびアルツハイマー病は，対象に関して取得されたソースデータから決定された睡眠状態から決定される病態である。例えば、図３９はここで開示される技術の用途の画面例３９００で、アルツハイマー病を患う対象となるヒトから獲得された一晩のＥＥＧからアルツハイマー病の特性を示す睡眠状態を決定する。
【０１２３】
実施例１６−睡眠に影響を与える模範的薬物および化学物質
【０１２４】
ここで開示される技術において、対象睡眠状態への薬物および化学物質の影響は、対象から取得されたソースデータを分析することで決定される。例えば、睡眠状態はアルコール、ニコチンおよびコカインの使用によって変化する。睡眠に影響を与える模範的薬物は、ステロイド、テオフィリン、充血除去剤、ベンゾジアゼピン、抗鬱剤、モノアミン酸化酵素抑制剤（例えば、フェネルジンおよびＭｏｃｌｏｂｅｍｉｄｅ）、選択的セロトニン再取り込み抑制剤（例えば、フルオキセチン（Ｐｒｏｚａｃ(R)の名称で流通））およびＳｅｒｔｒａｌｉｅ（Ｚｏｌｏｆｔ(R)の名称で流通）、チロキシン、経口避妊薬、降圧剤、抗ヒスタミン剤、神経弛緩薬、アンフェタミン、バルビツール酸系睡眠薬、麻酔薬、その他。
【０１２５】
実施例１７−模範的睡眠統計
【０１２６】
ここで開示される技術において、多様な統計は調節されたソースデータから生成される。例えば、睡眠統計は睡眠状態に分類され調節されたソースＥＥＧデータから生成される。模範的睡眠統計は、睡眠段階の密度、睡眠段階のエピソード数、睡眠段階の平均的持続時間、サイクル時間、睡眠段階の時間間隔、睡眠段階の分類統計，睡眠の開始、レム睡眠の潜時、動向回帰係数、動向の統計的優位性の測定、その他を含む情報を構成する。
【０１２７】
実施例１８−ある期間にわたって対象の睡眠状態を決定する方法の模範的実施
【０１２８】
動物王国の主要分類群において、睡眠は共通し、偏在するが、あまり理解されていない。低いレベルの精神物理学的な知覚および運動タスクに関する人体研究から、睡眠が以下のタスク学習で見られる性能損失を修正するという証拠が多く提出されている（Ｋａｒｎｉ ｅｔ ａｌ．１９９４；Ｍｅｄｎｉｃｋ ｅｔ ａｌ．２００２；Ｍｅｄｎｉｃｋ ｅｔ ａｔ．２００３；Ｆｅｎｎ ｅｔ ａｌ．２００３）。動物研究では、睡眠中の「再生」に関する証拠が提供されたが、この「再生」は性能の強化に関わる睡眠プロセスの中心的部分である。
【０１２９】
睡眠中、キンカチョウ（Ｔａｅｎｉｏｐｙｇｉａ ｇｕｔｔａｔａのｒｏｂｕｓｔｕｓ ａｒｃｈｉｓｔｒｉａｔａｌｉｓ；ＲＡ）神経細胞、鳴き声のシステムがさえずりのパターンを同時に繰り返し、その鳥の鳴き声の再生に反応することが最近わかった（Ｄａｖｅ＆Ｍａｒｇｏｌｉａｓｈ，２０００）。キンカチョウの鳴き声の発達段階において、若鳥は成鳥などが鳴く新規の音声素材に触れた次の日から鳴き声のパターンを変化させる（Ｔｃｈｅｒｎｉｃｈｏｖｓｋｉ ｅｔ ａｌ．２００１）。決定的な証拠はないが、若鳥の鳴き声学習、または成鳥の鳴き声の維持には、睡眠が必要となり、または睡眠から利得を得ている。
【０１３０】
鳴き声学習または維持における睡眠の役割を調査するにあたり、スズメ目鳥の睡眠状態に関する限られた知識によって阻害される。前回の調査では、キンカチョウの異なる睡眠段階については報告されていない。（Ｎｉｃｋ＆Ｋｏｎｉｓｈｉ，２００２；Ｈａｈｎｌｏｓｅｒ ｅｔ ａｌ．，２００２）対照的に、スズメ目鳥を含むその他の鳥に関する研究（Ａｙａｌａ−Ｇｕｅｒｒｅｒｏ ｅｔ ａｌ．，１９８８；Ｓｚｙｍｃｚａｋ ｅｔ ａｌ．，１９９３；Ｒａｔｔｅｎｂｏｒｇ ｅｔ ａｌ．，２００４）では、この門におけるレム睡眠に関して報告された。さらに、ラットの海馬では、神経細胞の再生に関する異なるパターンが、異なる睡眠段階中に生じることが知られている。（Ｂｕｚｓａｋｉ，１９８９；Ｗｉｌｓｏｎ＆ＭｃＮａｕｇｈｔｏｎ，１９９４；Ｌｏｕｉｅ＆Ｗｉｌｓｏｎ，２００１）従って、キンカチョウの睡眠段階について調査された。
【０１３１】
電極の種類、帯域および位置を決定するために、ウレタン（２０％、約９０ １．１１、１時間）で麻酔をかけられた鳥で一連の急性実験がまず行われた。信号の振幅および信頼度によって判断された最適なＥＥＧレコーディングは、小脳の接地とともに硬膜に接触した厚みのあるプラチナ電極（Ａ−Ｍ ｓｙｓｔｅｍｓ、ＷＡ）を異なるように組み合わせて使用することで取得される。レコーディングおよび接地電極に関する定位の座標はそれぞれ以下のとおりである：（１．５Ｒ，３Ｌ）、（３Ｒ，２Ｌ）および（０．５Ｃ，ＯＬ）。
【０１３２】
それから５羽の鳥は麻酔をかけられ、３ｍｍのＬ型プラチナ電極を前述の部位に埋め込まれ、その電極の後ろ２ｍｍを硬膜に中間側面軸に沿って正接する。電極のインピーダンスは０．１５Ｏｈｍｓであった。半脳の浅い眠りを評定するために、３羽の鳥がニ方向ＥＥＧ電極を埋め込まれる。電極は、デンタルアクリルで基部に固定され、上部コネクターに精銅ワイヤー（Ａ−Ｍ ｓｙｓｔｅｍｓ，ＷＡ）で接着される。鳥は術後３日間が与えられ、レコーディング環境に慣らされる。
【０１３３】
レコーディング中、鳥の頭部につながった光のケーブルが頭上水銀電流転換器（Ｄｒａｎｇｏｎｆｌｙ Ｉｎｃ，ＷＶ）に接続される。このセットアップにより、鳥がケージ内で自由に動き回ることができ、抑制誘発ストレスは睡眠体系に影響を与えると知られていることから、動物を抑制することよりも望ましい（Ａｌｔｍａｎ ｅｔ ａｌ．，１９７２）。１６：８明暗サイクルの暗期に、睡眠中の鳥の直接的観察と電気生理学レコーディングが結合する。鳥は赤外線（ＩＲ）光を浴び、赤外線カメラ（Ｉｋｅｇａｍａ，Ｊａｐａｎ）で監視される。戦略的に接地された鏡により、目、頭および体の動きを監察することが容易になる。ＥＥＧは１Ｋによって増幅され、１ｋＨｚでサンプリングされ、１〜１００Ｈｚでフィルタリングされた。低周波数アーチファクトを示すある１羽において、データが２〜１００Ｈｚで漏れた。６０Ｈｚノッチフィルターも、信号−騒音率を改善するために使用された。
【０１３４】
データ分析において高い信頼性を得るために、データは手作業および自動で得られる。自動スコアリングは、３秒のＥＥＧ時期の視覚検査に頼り、同時に目、頭部および体の動きといった顕性行動もスコアリングされる。自動スコアリングはそれぞれの時期を、アーチファクトも含む、レム、ノンレムまたは覚醒と分類する。自動スコアリングは睡眠データに限られる。段階分類および単一チャンネルＥＥＧデータの定量化に関する、睡眠パラメトリックＥＥＧ自動認識システム（ＳＰＥＡＲＳ）が使用される。高スペクトル、時間的および統計的結果を統合するために１秒のスライディングウィンドウを利用して、ＥＥＧは２００Ｈｚまでダウンサンプルされ、直流フィルターされ、３秒間分析される。スペクトルの漏れを最小限に抑え、周波数領域の統計的結果を上げるために、ＥＥＣ出力スペクトルが標準的なマルチテーパ推定法（Ｔｈｏｍｓｏｎ、１９８２）に従って２つの直交テーパに対し計算された。
【０１３５】
１〜４Ｈｚ（デルタ）および３０〜５５Ｈｚ（ガンマ）周波数バンドは段階分類のため選択される。デルタおよびガンマ／デルタはそれぞれＮＳＷＳ（非ＳＷＳ）からＳＷＳを、ノンレム睡眠かレム睡眠を分類するために使用される。分類は平均法クラスタリングアルゴリズムで実施され、追加変数：標準偏差およびデルタと（ガンマ／デルタ）の時間導関数の絶対値、の包含によって精錬される。それぞれの時期に、時間導関数は、Ｍａｔｌａｂ"ｇｒａｄｉｅｎｔ"機能を利用して、前期および後期を算出する。最初の分類は、アーチファクト自由睡眠データによって実施される。その後、睡眠アーチファクトは、睡眠アーチファクトが第一前アーチフェクト自由時期（覚醒時期にはならず、さもなくばアーチフェクトは自動スコアリングで覚醒アーチフェクトと分類される）のスコアを得る覚醒時期でない限り、直後の第一非アーチファクト時期と同じスコアを帰する。本発明は自動スコアリングとの一致率を著しく減少することはなかった（表１）。睡眠アーチフェクトを除去またはスコアリングしないことが睡眠エピソードを縮めたり駄目にしたりすることで、計算された密度、平均値、時期の平均数、各段階の長さを変更してしまうため、睡眠アーチフェクトを含むことが大事である。
【０１３６】
最初の分類に続き、各時期のスコアは、５秒のスライディングウィンドウを使用することで容易になり、これは自動スコアリングによって分離されなかった短いアーチファクトによるスコアの堕落を最小限にするためである。レムまたはＳＷＳとスコアされなかった時期は、中間（ＩＮＴＥＲ）と分類される。逆に、レムおよびＳＷＳ両方に属するとされた時期は、外れ値と分類される。データでは、数少ない外れ値が見られる（表１）。
【０１３７】
レム、ＳＷＳおよび中間時期は、デルタ、ガンマ／デルタ、標準偏差と、デルタおよび（ガンマ／デルタ）導関数に定義された５次元スペースの主成分によって定義された３次元スペース（図２０〜２１）で視覚化できる（図１６〜１７）。それぞれの鳥は、５次元クラスタリングスペース上の多変量ＡＮＯＶＡは、レム、ＳＷＳおよび中間段階分類に対し、Ｐ＜０．００１を産出した。
【０１３８】
ＭＡＴＬＡＢ"ｓｉｌｈｏｕｅｔｔｅ"機能を利用すると、ＳＷＳ、レム、中間および覚醒時期の最も代表的な例は、自動的に発生する。（図２２、２３、２４、２５および２６）
【０１３９】
手動および自動スコアリングの一致は、レム睡眠と評定されたそれぞれの時期を分類することで、手動または自動スコアリングがエラーであった場合のみ、算出される。手動および自動スコアリングの時間的結果を考えると、一般的一致率は極めて高い（表１）。
【０１４０】
自動分析に基づいて、段階密度（図２８）、平均エピソード数（図３０）と持続時間（図２９）、中間ＲＥＭ間隔（図３１）および段階移行（図３２）が算出される（表１）。全ての分析はＭａｔｌａｂ（ＭａｔｈＷｏｒｋｓ Ｉｎｃ，ＭＡ）で実施される。
【０１４１】
表１ ５羽の鳥の５夜の睡眠の段階統計
【０１４２】
段階密度、平均エピソードの持続時間と数、および段階遷移が決定された。各段階から中間段階への遷移の割合と、中間段階からその他の段階への遷移の割合を示す。両半球にインプラントされた鳥（動物１〜３）に関しては、半脳の睡眠が報告され、ＥＥＧおよびビデオの目視検査、および異常値が無いことにより決定されるような、最も信頼性のあるデータを使用してその他の統計が半脳に対し計算された。段階密度に対し回帰係数が計算され、毎時間のＲＥＭ間の間隔はＳＷＳとＲＥＭの概日分布を反映する（＊＝［ｒ２＞０．５およびｐ＜０．０５］、§＝［ｒ２＞０．５およびｐ＝０．０５］、£は時間２〜８に対し計算された値、εは時間１〜７に対し計算された値）。自動評価と手動評価の間の一致率は、アーチファクト除去あり／無しで決定された。
【表１】
【０１４３】
記録の分析は、キンカチョウが少なくとも３つの明確な睡眠の段階、つまりＳＷＳ、ＲＥＭおよび中間的睡眠を表していることを示している。ＳＷＳは、デルタ帯域で顕著な出力を持った大振幅ＥＥＧ信号があった（図１４〜１７）。ＲＥＭは非常に小さい振幅の「覚醒状」ＥＥＧ信号（図２３）を特徴とし、典型的には約±３０μＶの、ＮＲＥＭよりも高い出力をガンマ（図１４および１５）に持ち、これは現在のところ哺乳類にのみ検出されている特徴である（Ｍａｌｏｎｅｙら、１９９７年；Ｃａｎｔｅｒｏら、２００４年）。中間の時期は非常に変わりやすい振幅があり、±５０μＶ前後で、デルタ帯域にもガンマ帯域に顕著な出力はない（図１４、１５および２４）。中間の段階は以前は哺乳類にのみ観察されていた（Ｇｏｔｔｅｓｍａｎｎら、１９８４年；Ｇｌｉｎら、１９９１年；ＫｉｒｏｖおよびＭｏｙａｎｏｖａ、２００２年）。正常な概日パターンおよびシフトした概日スケジュールの鳥は両方とも、これら３つの睡眠段階を示した。
【０１４４】
ＳＷＳの時期は、夜の初期にはＲＥＭおよび中間のエピソードよりも長く、哺乳類型の分布に従い、一晩を通して持続時間が減少して（図２９）、段階密度の全体的な減少へとつながる（図２８）（表１）。
【０１４５】
ＮＲＥＭの間は、鳥はゆっくりと規則的に呼吸し、目と頭の動きは決まったパターンをとらずＲＥＭのものとは非常にはっきりと区別される。片方の目は開いており、もう一方の目は閉じているという例もいくつか見られた。開いた目の反対側の半球は低振幅高周波数ＥＥＧを示し、一方閉じた目の反対側の半球はＳＷＳの揺らぎを示した。これらの半脳の睡眠の例が占める割合は、通常、暗期の５％未満であり（表１）、明期ではより高い頻度だった。そのような半脳の睡眠のパターンは、他の鳥の種、クジラ目、およびその他の海洋哺乳類に対して過去に検出されている（Ｍｕｋｈａｍｅｔｏｖら、１９８４年；Ｍｕｋｈａｍｅｔｏｖら、１９８７年；Ｓｚｙｍｃｚａｋら、１９９６年；Ｒａｔｔｅｎｂｏｒｇら、１９９９年；Ｌｙａｍｉｎら、２００２年）。
【０１４６】
典型的には、ＲＥＭエピソードは、夜の初期には短く、一晩を通じて長くなっていく（図２９）とともに、エピソードの数も増加していき（図３０）、ＲＥＭ間の間隔は、一晩を通じて短くなっていく「哺乳類型」の傾向を示すようになる（図３１）（表１）。ＲＥＭは、その他の種に見られるように（Ｓｉｅｇｅｌら、１９９９年）、目や頭の微妙な単収縮運動と関連して確実に生じた。目の動きは、毎秒１サッカード程度であった。頭の動きはそれほど確実ではなかったが、発生したときには目の方向性のある動きに従う傾向があった。頭の動きは、何も装着していないそのままの動物において目の動きに関連して観察されたため、頭の動きは、ＲＥＭの頸筋弛緩の間取り付けられたケーブルの重みによる頭の位置のずれに起因するものではなかった。
【０１４７】
中間の時期は短く、数が多かった。中間の状態は、通常、密度（図２８）、時期の平均持続時間（図２９）、および１時間あたりの平均エピソード数（図３０）の点で、ＲＥＭおよびＳＷＳよりも一晩を通して安定していた。哺乳類の場合と同様、中間段階は一貫して（これに限定されるわけではないが）ＳＷＳとＲＥＭの間の遷移期として働いた（図３２）（表１）。
【０１４８】
すべての鳥において、ＮＲＥＭでは、約５００ミリ秒続く大きなピーク間のＥＥＧ過渡信号が検出された（図２６）。これらの信号は、哺乳類のＫ複合波の記述（ＲｏｗａｎおよびＴｏｌｕｎｓｋｙ、２００３年）を連想させる。Ｋ複合波は、哺乳類以外の種においては過去に観察されていないようである。
【０１４９】
キンカチョウの睡眠ＥＥＧに関する過去の研究では、ＳＷＳのみが報告されている。この研究は、ＥＥＧ電極を埋め込む適した場所を見つけることだけでなく、おそらくは習慣的な記録構成の性質から動物が拘束されず、また睡眠を誘発するためのメラトニンなどの薬剤の必要性を回避したために、ＮＳＷＳ（ＲＥＭおよび中間段階）を検出することに成功している。ある研究（Ｍｉｎｔｚら、１９９８年）では、ハトにおいて、メラトニンの導入はＳＷＳを誘発することが示されている。メラトニンがキンカチョウにおいても同様の効果を持ち、それにより観測可能な夜のＮＳＷＳの量が減少する（Ｈａｈｎｌｏｓｅｒら、２００２年）可能性があることは否定できない。
【０１５０】
データ分析技術は、ＲＥＭ睡眠検出の主要な差別化要素である、比較的低い出力における出力の変化を解決することを可能にした。また、自動化分析は、手作業による評価を、人間の評価者により容易に検出可能な覚醒状態およびアーチファクトに限定した。さらに、自動化ＥＥＧ評価は、人間の偏りがデータ分析に反映し寄与する傾向がある、任意に定義された閾値、最尤法、あるいは監視非線形分類器には依存せず、全夜統計に依存した（Ｇｅｒｖａｓｏｎｉら）。
【０１５１】
結果は、哺乳類型の睡眠特性が哺乳類と鳥類両方に同時に現れているということを示唆している。ここに開示されるデルタおよびガンマ出力活性間の相互にかみ合う基本パターン（図１４および１５）は、睡眠中に哺乳類の皮質に観察されるもの（Ｄｅｓｔｅｘｈｅ、ＣｏｎｔｒｅｒａｓおよびＳｔｅｒｉａｄｅ、１９９９年）と極めて類似している。さらに、我々が観察した信号のいくつかは、明確に哺乳類の皮質に帰属されている（ＡｍｚｉｃａおよびＳｔｅｒｉａｄｅ、１９９８年）。しかし鳥は大きな層状皮質に欠いており、皮質は哺乳類型睡眠特性の発達のせいぜい十分条件ではあっても必要条件ではない可能性を示している。逆に、鳥は確かに非層状形態の哺乳類皮質の相同体を有していると考えられる（Ｋａｒｔｅｎ、１９９７年）。これらの極めて興味深い可能性のどちらが正しいのかを評価するには、今後細胞および分子レベルでの研究が必要であろう。
【０１５２】
参考文献：
【０１５３】
Ａｌｔｍａｎ ｅｔ ａｌ．Ｐｓｙｃｈｏｎ．Ｓｃｉ．２６（１９７２），ｐｐ．１５２−１５４．Ａｍｚｉｃａ＆Ｓｔｅｒｉａｄｅ．Ｎｅｕｒｏｓｃｉｅｎｃｅ．１９９８ Ｆｅｂ；８２（３）：６７１−８６．Ａｙａｌａ−Ｇｕｅｒｒｅｒｏ ｅｔ ａｌ．Ｐｈｙｓｉｏｌ Ｂｅｈａｖ．１９８８；４３（５）：５８５−９．Ｂｕｚｓａｋｉ．Ｎｅｕｒｏｓｃｉｅｎｃｅ．１９８９；３１（３）：５５１−７０．
【０１５４】
Ｃａｎｔｅｒｏ ｅｔ ａｌ．Ｎｅｕｒｏｉｍａｇｅ．２００４ Ｊｕｌ；２２（３）：１２７１−８０．
【０１５５】
Ｄａｖｅ＆Ｍａｒｇｏｌｉａｓｈ．Ｓｃｉｅｎｃｅ．２０００ Ｏｃｔ ２７；２９０（５４９２）：８１２−６．Ｄｅｓｔｅｘｈｅ，Ｃｏｎｔｒｅｒａｓ＆Ｓｔｅｒｉａｄｅ．１９９９ Ｊｕｎ１；１９（１１）：４５９５−６０８．Ｆｅｎｎ ｅｔ ａｌ．Ｎａｔｕｒｅ．２００３ Ｏｃｔ ９；４２５（６９５８）：６１４−６．Ｇｅｒｖａｓｏｎｉ ｅｔ ａｌ．Ｊ Ｎｅｕｒｏｓｃｉ．２００４ Ｄｅｃ ８；２４（４９）：１１１３７−４７．Ｇｌｉｎ ｅｔ ａｌ．Ｐｈｙｓｉｏｌ Ｂｅｈａｖ．１９９１ Ｎｏｖ；５０（５）：９５１−３．Ｇｏｔｔｅｓｍａｎｎ ｅｔ ａｌ．Ｊ Ｐｈｙｓｉｏｌ（Ｐａｒｉｓ）．１９８４；７９（５）：３６５−７２．
【０１５６】
Ｈａｈｎｌｏｓｅｒ ｅｔ ａｌ．Ｎａｔｕｒｅ．２００２ Ｓｃｐ ５；４１９（６９０２）：６５−７０．Ｋａｒｎｉ ｅｔ ａｌ．Ｓｃｉｅｎｃｅ．１９９４ ＪｕＩ ２９；２６５（５１７２）：６７９−６８２
【０１５７】
Ｋａｒｔｅｎ．Ｐｒｏｃ Ｎａｔｌ Ａｃａｄ Ｓｃｉ ＵＳＡ．１９９７ Ａｐｒ １；９４（７）：２８００−４．Ｋｈａｚｉｐｏｖ ｅｔ ａｌ．Ｓｏｃｉｅｔｙ ｆｏｒ Ｎｅｕｒｏｓｃｉｅｎｃｅ Ａｂｓｔｒａｃｔｓ ２００４．Ｋｉｒｏｖ＆Ｍｏｙａｎｏｖａ．Ｎｅｕｒｏｓｃｉ Ｌｅｔｔ．２００２ Ａｐｒ ５；３２２（２）：１３４−６．Ｌｏｕｉｅ＆Ｗｉｌｓｏｎ．Ｎｅｕｒｏｎ．２００１ Ｊａｎ；２９（１）：１４５−５６．Ｌｙａｍｉｎ ｅｔ ａｌ．Ｂｅｈａｖ Ｂｒａｉｎ Ｒｅｓ． ２００２ Ｆｅｂ １；１２９（１−２）：１２５−９ Ｍａｌｏｎｅｙ ｅｔ ａｌ．Ｎｅｕｒｏｓｃｉｅｎｃｅ．１９９７ Ｊａｎ；７６（２）：５４１−５５．Ｍｅｄｎｉｃｋ ｅｔ ａｌ．Ｎａｔ Ｎｅｕｒｏｓｃｉ．２００２ Ｊｕｌ；５（７）：６７７−８１ Ｍｅｄｎｉｃｋ ｅｔ ａｌ．Ｎａｔ Ｎｅｕｒｏｓｃｉ．２００３ Ｊｕｌ；６（７）：６９７−８．Ｍｉｎｔｚ ｅｔ ａｌ．Ｎｅｕｒｏｓｃｉ Ｌｅｔｔ．１９９８ Ｄｅｃ １８；２５８（２）：６１−４．
【０１５８】
Ｍｕｋｈａｍｅｔｏｖ ｅｔ ａｌ．Ｚｈ Ｖｙｓｓｈ Ｎｅｗ Ｄｅｉａｔ Ｉｍ Ｉ Ｐ Ｐａｖｌｏｖａ．１９８４ Ｍａｒ−Ａｐｒ；３４（２）：２５９−６４．
【０１５９】
Ｍｕｋｈａｍｅｔｏｖ．Ｎｅｕｒｏｓｃｉ Ｌｅｔｔ．１９８７ Ａｕｇ １８；７９（１−２）：１２８−３２．
【０１６０】
Ｎｉｃｋ＆Ｋｏｎｉｓｈｉ．Ｐｒｏｃ Ｎａｔｌ Ａｃａｄ Ｓｃｉ ＵＳＡ．２００１ Ｎｏｖ ２０；９８（２４）：１４０１２−６．
【０１６１】
Ｒａｔｔｅｎｂｏｒｇ ｅｔ ａｌ．Ｂｅｈａｖ Ｂｒａｉｎ Ｒｅｓ．１９９９ Ｎｏｖ １５；１０５（２）：１６３−７２．Ｒａｔｔｅｎｂｏｒｇ ｅｔ ａｌ．ＰＬｏＳ Ｂｉｏｌ．２００４ Ｊｕｌ；２（７）：Ｅ２１２．
【０１６２】
Ｒｏｗａｎ＆Ｔｏｌｕｓｎｋｙ．"Ｐｒｉｍｅｒ ｏｆ ＥＥＧ"．Ｂｕｔｔｅｒｗｏｒｔｈ Ｈｅｉｎｅｍａｎｎ．Ｅｌｓｅｖｉｅｒ Ｓｃｉｅｎｃｅ ２００３
【０１６３】
Ｓｉｅｇｅｌ ｅｔ ａｌ．Ｎｅｕｒｏｓｃｉｅｎｃｅ．１９９９；９１（１）：３９１−４００．
【０１６４】
Ｓｚｙｍｃｚａｋ ｅｔ ａｌ．Ｐｈｙｓｉｏｌ Ｂｅｈａｖ．１９９３ Ｊｕｎ；５３（６）：１２０１−１０．Ｓｚｙｍｃｚａｋ ｅｔ ａｌ．Ｐｈｙｓｉｏｌ Ｂｅｈａｖ．１９９６ Ｏｃｔ；６０（４）：１１１５−２０．Ｔｃｈｅｒｎｉｃｈｏｖｓｋｉ ｅｔ ａｌ．Ｓｃｉｅｎｃｅ．２００１ Ｍａｒ ３０；２９１（５５１３）：２５６４−９．Ｔｈｏｍｓｏｎ，Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＩＥＥＥ，Ｖｏｌ．７０（１９８２），ｐｐ．１０５５−１０９６．Ｗｉｌｓｏｎ＆ＭｃＮａｕｇｈｔｏｎ．Ｓｃｉｅｎｃｅ．１９９３ Ａｕｇ ２０；２６１（５１２４）：１０５５−８
【０１６５】
【０１６６】
実施例１９―ある期間にわたる対象の睡眠状態を決定するための典型的方法
【０１６７】
図３５は、ある期間にわたる対象の睡眠状態を決定するためのさらに他の典型的方法３５００を示す。方法３５００は、ここに開示される様々な技術を取り入れている。
【０１６８】
実施例２０―典型的変換技術
【０１６９】
時系列データにおける様々な周波数に対する出力を決定するための信号処理に使用されるデータ変換法は様々である。ここに開示されるように、変換法には、マルチテーパ変換、フーリエ変換、ウェーブレット変換が含まれてもよい。ソース信号において複数の時系列または時期で表現される様々な周波数に対する出力を測定するためのその他のいかなる変換法も使用することができる。
【０１７０】
実施例２１―データのグループを区別するための典型的計算法
【０１７１】
データを明確に異なるクラスに区別するための信号計算処理に使用される、クラスタ化および分類の方法は様々である。ここで開示されるように、使用されるクラスタ化方法はＫ平均クラスタ化であるが、データのグループを区別するための信号計算処理であればいかなるものも使用できる。同様に、ここに開示されるように、成因分析（例えば、主成分分析や独立成分分析）などの分類法が使用される。
【０１７２】
計算方法の概要を以下に述べる。
【０１７３】
クラスタ化（またはクラスタ分析）は、クラスが事前に知られておらず、これらのクラスをデータから発見することを目標とする教師なし学習である。例えば、遺伝子発現プロファイルを使用して新たな腫瘍クラスを特定することは、教師なし学習の形態である。
【０１７４】
分類（またはクラス予測）は、クラスが事前に定義されており、ラベルを付けた対象のセットから分類の基本を理解し、将来のラベルなしの観測のための予測器を構築することを目的とする、教師あり学習である。例えば、悪性度を既知のクラスに分類することは、教師あり学習の形態である。
【０１７５】
クラスタ化：
【０１７６】
クラスタ化は、以下のようないくつかの明確に区別されるステップを伴う。
【０１７７】
対象間の適切な距離を拡散させる。
【０１７８】
クラスタ化アルゴリズムを選択し適用する。
【０１７９】
クラスタ化の手順は一般に、階層法とパーティション法の２つのカテゴリに分類される。階層法は分割（トップダウン）または凝集（ボトムアップ）となり得る。階層的クラスタ法は樹形図または系統樹を生成する。階層法により、すべての対象が一つのクラスタに収まる最小のセットから、それぞれの観測点がそれぞれのクラスタに収まる最大のセットまでの、クラスタの階層が提供される。
【０１８０】
パーティション法には通常、クラスタ数の指定が必要である。そして、対象をクラスタに割り当てる機構が決定されなければならない。これらの方法は、相互に排他的および包括的なグループの事前に指定された数ｋまで、データを分割する。この方法は、ある基準が満たされるまで、観測点をクラスタに繰り返し再割り当てする（例えば、クラスタ内の二乗和を最小化する）。パーティション法の例としては、Ｋ平均クラスタ法、Ｐａｒｔｉｔｉｏｎｉｎｇ Ａｒｏｕｎｄ Ｍｅｄｏｉｄｓ（ＰＡＭ）法、自己組織化マップ（ＳＯＭ）法、モデルベースのクラスタ法などがある。
【０１８１】
効率的で正確なアルゴリズムが使用できるということが大きく起因して、実践されているほとんどの方法は凝集型階層法である。しかし、どちらのクラスタ法も、それぞれに利点と欠点がある。階層法の利点としては、少なくとも凝集型クラスタ化では高速計算が挙げられ、また欠点としては、柔軟性がなく、その方法で以前下された誤った決定を後に訂正することができないことが挙げられる。パーティション法の利点は、そのような方法が最適性基準を（近似的に）満足するクラスタを提供できる点などであり、欠点としては、初期ｋ値が必要であり、この方法では計算時間が長いなどが挙げられる。
【０１８２】
要約すると、クラスタ化は、以下を含む様々な理由により、分類よりも困難な問題である。
【０１８３】
ラベル付きの観測の学習セットがない。
【０１８４】
通常グループ数が未知である。
【０１８５】
暗黙的に、クラスタ法に使用される関連特性および距離測定値の両方をすでに選択していなければならない。
【０１８６】
分類：
【０１８７】
統計、機械学習、および心理統計学に関連する技術を使用することができる。分類器の例としては、ロジスティック回帰、判別分析（一次または二次）、主成分分析（ＰＣＡ）、最近傍分類器（ｋ−最近傍）、分類・回帰ツリー（ＣＡＲＴ）、マイクロアレイ、ニューラルネットワークおよび多項式対数線形モデルの予測解析、サポートベクトルマシン、集合分類器（バギング、ブースティング、フォレスト）、および進化アルゴリズムなどがある。
【０１８８】
ロジスティック回帰：
【０１８９】
ロジスティック回帰は、従属（応答）変数が二値変数（すなわち、通常いくつかの結果イベントの有無を表す２つの値（通常０または１で符号化される）しかとらない）であり、従属（入力）変数が連続的か分類別、あるいはその両方である場合に使用される、線形回帰の変化形である。例えば、医学研究においては、患者（患畜）は生存または死亡し、あるいは臨床サンプルはあるウイルスの抗体に対し陽性または陰性である。
【０１９０】
通常の回帰とは異なり、ロジスティック回帰は、従属変数の一次結合として従属変数を直接モデル化せず、また従属変数を正規分布しているとも仮定しない。代わりに、ロジスティック回帰は、説明変数の一次結合としてイベント発生の確率の関数をモデル化する。ロジスティック回帰に関し、このように確率を説明変数に関連付ける関数はロジスティック関数であり、これは説明変数の一次結合の値に対しプロットした場合、Ｓ字形状を有する。
【０１９１】
ロジスティック回帰は、ロジスティック回帰モデルをデータにフィッティングし、様々な説明変数パターンをそのフィッティングされた確率に基づき類別することにより、分類に使用される。その後、順次データの分類は、共変量パターンおよび推定された確率に基づく。
【０１９２】
判別分析：
【０１９３】
要約すると、判別分析は空間の点としてのサンプルを表し、そしてその点を分類する。線形判別分析（ＬＤＡ）は、２つのクラスに属する点を最も良く分類する最適な平面を見つける。二次判別分析（ＱＤＡ）は最適な（二次）曲面を見つける。どちらの方法もある種の分類エラーを最適化しようとするものである。
【０１９４】
フィッシャーの線形判別分析（ＦＬＤＡまたはＬＤＡ）：
【０１９５】
ＬＤＡは、群内平方和に対する群間平方和の比率の大きいデータの一次結合（判別変数）を見つけ、判別変数について平均ベクトルがｘに最も近いクラスにより観測点ｘのクラスを予測する。ＬＤＡの利点としては、テストケースの予測されたクラスが最も近い平均を持つクラスである場合には単純で直観的であり、実際によい成果をもって実行することができる、ということが挙げられる。ＬＤＡの欠点としては以下が挙げられる。
【０１９６】
線形判別の境界が十分柔軟ではない場合がある。
【０１９７】
特性がクラス内で異なる分布を持つ場合がある。
【０１９８】
特性が多すぎる場合は、過度のパラメータ化と、パラメータ推定値の高い分散性に起因して、結果が急激に悪化する場合がある。
【０１９９】
再近傍分類器：
【０２００】
最近傍法は、ユークリッド距離や、２つのデータセット間の相関関係を差し引いた距離など、観測点間の距離の測定値に基づく。Ｋ最近傍分類器は、観測点ｘを以下のように類別することにより機能する。
【０２０１】
ｘに最も近い学習セット内のｋ個の観測点を見つける。
【０２０２】
多数決によりｘのクラスを予測する、すなわち、これらのｋ個の近傍点のうち最も一般的なクラスを選択する。通常、非常にうまくいくのは、ｋ＝１の単純な分類器である。無関係の変数、あるいは関係がほとんとない、もしくは全くない雑音の変数が非常に多いと、最近傍分類器の結果は著しく悪化する。
【０２０３】
分類ツリー：
【０２０４】
分類ツリーは、例えば、ある規則（特性変数閾値）に従って１つのサンプルを２つのサブサンプルに分割するのに使用される。それぞれのサブサンプルをさらに分割することも可能である。二分木構造の分類器は、サブセット（ノード）をその下の２つのサブセットに繰り返し分割するにより構築される。ツリーのそれぞれの末端のサブセットはクラスのラベルが割り当てられ、得られたパーティションは分類器に対応する。ツリー構築の３つの主要な側面には、分割の選択（各ノードで、不純物を最も減少させる分割が選ばれる）、ノード終端の宣言または分割の継続の決定（大きなツリーにするには、ツリーの枝を選択的に上方に払いサブツリーのシーケンスを減少させる）、各終端ノードのクラスへの割り当て（各終端ノードに対し、誤判別の確率の代替推定値を最小化するクラスが選ばれる）が含まれる。
【０２０５】
マイクロアレイの予測分析：
【０２０６】
これらの方法は、最近傍縮小重心（ｎｅａｒｅｓｔ ｓｈｒｕｎｋｅｎ ｃｅｎｔｒｏｉｄ）法を利用する。各クラスの第１の標準化重心が計算される。そして、各クラスの重心が、全てのクラスの全体の重心に向かって、いわゆる閾値（ユーザーにより選ばれる）の分だけ縮小される。縮小は、重心を閾値の分だけゼロに向かって移動させること、ゼロにぶつかる場合はゼロと等価に設定することから成る。
【０２０７】
人工ニューラルネットワーク：
【０２０８】
人工ニューラルネットワーク（ＡＮＮ）モデルの主要な要素は、情報処理システムの新規な構造である。これは、神経細胞に類似し、シナプスに類似した重み付けされた結合により相互に繋がった、高度に相互接続された多くの処理要素より成る。すべての分類法と同様、一度ＡＮＮを既知のサンプルで学習させれば、サンプルを自動的に予測することができるようになる。
【０２０９】
サポートベクトルマシン：
【０２１０】
サポートベクトルマシンは、二値分類（パターン認識）および実数値関数近似（回帰予測）のタスクを実行する学習機械である。サポートベクトルマシンは、そのｎ次元入力スペースをより高次元の特性スペースに非線形的にマッピングする。この高次元特性スペースでは、線形分類器が構築される。
【０２１１】
集合分類器：
【０２１２】
この方法は、ばらつきのある学習セットのバージョンから構築された予測器を集めることにより機能する。分類では、多数決により予測器の複数のバージョンが集められる。ブートストラッピングは、元の学習セットと同じサイズのばらつきのある学習セットが、学習セットの非パラメトリックブートストラップ複製である、つまり学習セットから復元してランダムに引き出される、バギングの最も単純な形態である。パラメトリックブートストラッピングでは、多変量ガウス分布の混合に従い、ばらつきのある学習セットが生成される。ランダムフォレスティングはツリー分類器同士（または他のもの）との組み合わせであり、それぞれのツリーは、フォレスト内のすべてのツリーのランダムベクトルの値に依存する。ブーストでは、分類器は重み付けされた学習セットに対し構築され、以前の分類結果に依存する。まず、すべてのオブジェクトには等しい重みがあり、第１の分類器がこのデータセットに対し構成される。その後、その分類器の結果に従い、重みが変更される。間違って分類されたオブジェクトはより大きな重みがつけられ、次の分類器は再び重みをつけられた学習セットに対してブーストされる。このように、学習セットと分類器のシーケンスが得られ、次にそれが決定での単純な多数決または重み付けされた多数決により組み合わせられる。
【０２１３】
実施例２２―典型的睡眠データプレゼンタ
【０２１４】
本明細書におけるいずれの実施例でも、睡眠状態データに基づき、電子形態または紙ベースの報告書を提示することができる。そのような報告書として、対象の特別な睡眠状態情報、睡眠状態統計、病的状態、睡眠に対する薬剤上および／または化学的効果などを挙げることができる。スクリーニングテストの推奨や行動の変化などもまた提示することができる。いくつかの実施例では、特定の睡眠データや低周波数情報の結果が示されているが、その他の睡眠データプレゼンタやデータの可視化が使用されてもよい。
【０２１５】
実施例２３―対象の典型的睡眠状態情報
【０２１６】
ここに開示されるいかなる技術を用いても、様々な対象から典型的な睡眠状態の情報を取得することができる。図３３は、麻酔をかけられたネコの、分析されたＥＥＧスペクトルデータに基づき分類された麻酔状態の典型的な可視化の画面例３３００を含んでいる。画面例３３００では、例えば、ＳＷＳ分類は深い麻酔状態に対応し、ＲＥＭ睡眠分類は軽い麻酔状態に対応し、ＩＮＴＥＲ睡眠分類は中程度の麻酔状態に対応する。そのようにして、ここに開示される技術を使用してヒトまたはその他の哺乳類の対象における麻酔状態を決定することができる。図３４は、分析されたＥＥＧスペクトルデータに基づき分類されたヒトの対象における睡眠状態の典型的な可視化の画面例３４００を含む。
【０２１７】
実施例２４―技術の典型的な利点と応用
【０２１８】
このデータ分析が実行される速度、特別かつ教師なしの分析という性質、および以前に無視されたあるいは分析されていない低出力の周波数情報を抽出できるという能力により、様々な研究分野においてこの方法論は特に魅力的となっている。様々な数の状態、様々な数の識別規則、適合性のあるキャリブレーション、様々な時間分解能、および様々なスペクトル分解能を使用して、この技術は高い適合性をもつことができる。ソースデータを調整して調整ソースデータを生成することは、病的状態、ならびに薬剤上および化学的効果の試験における動物の信号データを分析することに特に適用可能である。本発明のいずれの実施例においても、低い周波数であるが極めて多様な周波数データを抽出し分析することができる（データの時間的パターンの発見など）。応用として、株式市場データの分析（価格変動が小さいことから他の場合では無視される一般的な変動性を決定するために、安値株を分析するなど）から、暗号化されたデータへのアクセス（音波のうち、低出力かつ非常に高いあるいは非常に低い周波数で記憶されるモールス信号データなど）、そしていくつかの空間周波数をもつ視覚映像の分析まで、多様な使用が挙げられる。同様に、ここに開示される技術は、生成された睡眠状態の情報による、対象の特別な睡眠品質の決定に使用することができる。
【０２１９】
本発明のいずれの実施例においても、一つのチャネルまたは複数のチャネルから受信したソースデータに本方法を使用することができる。本方法は、チャネル間の比較を行ないながら、複数のチャネルからのソースデータに独立して適用することができる。例えば、脳のそれぞれの半球から受信した独立したＥＥＧチャネルデータから半脳の睡眠を決定することができる。図４０は、鳥の脳のそれぞれの半球から受信した独立したＥＥＧチャネルデータから決定された半脳の睡眠の画面例４０００を示す。あるいは、本方法を複数のチャネルからのソースデータに同時に適用し、結合された複数チャネルのソースデータを分析することができる。例えば、対象のＥＥＧチャネルデータとＥＭＧチャネルデータを同時に分析して、覚醒状態対ＲＥＭ睡眠状態を決定することができ、それにより、ＥＭＧデータが高振幅に該当する場合、ＥＥＧデータ分析からＲＥＭに指定された睡眠状態を、覚醒睡眠状態として再割り当てすることができる。
【０２２０】
さらに、本発明のいずれの実施例でも、ノイズ除去ソース分離（ｄｅｎｏｉｓｉｎｇ ｓｏｕｒｃｅ ｓｅｐａｒａｔｉｏｎ；ｄｓｓ）などの方法を、ここで開示される方法と組み合わせて使用して、睡眠状態を決定することができる。例えば、ｄｓｓは低周波数情報を使用してＲＥＭ睡眠を決定することができる。
【０２２１】
ここに開示される技術は、特に低出力の周波数情報の分析に有益となり得るが、高周波数と低周波数が同じ出力分布をもつ信号などの様々な信号から、クラスタ化を行い睡眠段階を決定することにも適用可能である。また、スペクトル分析、段階分類および信頼性の尺度に関する技術を使用することができる。
【０２２２】
実施例２５―典型的なデータ可視化
【０２２３】
ここに開示されるいずれの技術においても、典型的なデータ可視化は、そのデータの異なる側面を描写するために色を利用することができる。例えば、分類されたデータ（例えば、ＲＥＭ、ＳＷＳ、ＩＮＴＥＲなどの睡眠状態の分類）は、その分類されたデータの可視化のために、それぞれの分類状態に色分けすることができる。あるいは、分類されたデータの可視化のために、グレースケールを使用してそれぞれの分類状態に分けることができる。
【０２２４】
実施例２６−行動分析の例となるコンピュータシステム
【０２２５】
図３６及び以下の説明は、上記解説したソフトウェアの適切なコンピュータ環境（例えば、コンピュータプログラム）の一般的かつ簡潔な解説である。上記解説した方法は、コンピュータ実行可能命令（例えば、プログラムモジュールを構成）を実装する。プログラムモジュールは、タスクを実行するルーチン、プログラム、目的、要素及びデータを含み、上記解説した技術を実装するデータタイプを実行する。
【０２２６】
図３６は、デスクコンピュータの基本的構成を図示しており、前記技術は別のコンピュータシステム構成、例えばマルチプロセッサーシステム、マイクロプロセッサを用いたまたはプログラム可能な消費荷電製品、ミニコンピュータ本体などに、実装される。前記技術は、パフォーマンスを高めるために処理装置と同時にタスクを実行する分散型コンピュータ環境にも利用される。例えば、タスクが同時に複数のコンピュータで実行される、単一コンピュータで複数のプロセッサーが実行される、またはその両方が可能である。分散型コンピュータ環境において、プログラムモジュールは、ローカルおよびリモート記憶装置に設置される。例えば、コードは、インターネットを通じてアクセスのためにローカル装置／サーバー上に保管され、ここで分析からのデータがローカル装置／サーバーによりアップロードおよび処理され、その結果がプリントおよび／またはダウンロードされる。
【０２２７】
図３６に図示されたコンピュータシステムは、ここで開示された前記技術を実装するのに適し、プロセシングユニット３６２１、システムメモリ３６２２、およびシステムメモリからプロセシングユニット３６２１を含む多様なシステム要素を相互に連結するシステムバス３６２３を有するコンピュータ３６２０を含む。システムバスは、メモリバスまたはメモリコントローラ、周辺バスおよびバスアーキテクチャーを利用したローカルバスを含む数種類のバス構成を含む。システムメモリは、リードオンリーメモリ（ＲＯＭ）３６２４およびランダムアクセスメモリ（ＲＡＭ）３６２５を構成する。非揮発性システム（例えば、ＢＩＯＳ）はＲＯＭ３６２４で保管され、例えばスタートアップ中パーソナルコンピュータ３６２０内の要素間で情報を伝達する基本的ルーチンを含む。パーソナルコンピュータ３６２０はさらに、ハードディスクドライブ３６２７、例えばリムーバルディスク３６２９から読み込むまたは書き込むための磁気ディスクドライブ３６２８、例えば、ＣＤ−ＲＯＭディスク３６３１から読み込むまたはその他光媒体から読み込むまたは書き込むための光ディスドライブを含む。ハードディスクドライブ３６２７、磁気ディスクドライブ３６２８および光ディスク３６３０は、ハードディスクドライブインターフェース３６３２、磁気ディスクドライブインターフェース３６３３および光ドライブインターフェース３６３４によってそれぞれシステムバス３６２３に接続されている。ドライブおよび関連するコンピュータ可読媒体は、データ、データ構成、コンピュータ実行可能命令（ダイナミック・リンク・ライブラリおよび実行可能ファイルなどのプログラムコードを含む）、およびパーソナルコンピュータ３６２０に関連するその類の不揮発性記憶装置を構成する。コンピュータ可読媒体の上記解説は、ハードディスク、リムーバブル磁気ディスクおよびＣＤに言及しているが、磁気カセット、フラッシュメモリカード、ＤＶＤなどコンピュータが読み込み可能なその他媒体も含む。
【０２２８】
プログラムモジュールの多くはドライブおよびＲＡＭ３６２５に保管され、オペレーティングシステム３６３５、１つ以上のアプリケーションプログラム３６３６、その他プログラムモジュール３６３７およびプログラムデータ３６３８を含む。ユーザーは、キーボード３６４０およびマウス３６４２などのポインティングデバイスを通してパーソナルコンピュータ３６２０にコマンドおよび情報を入力する。その他のインプットデバイス（図示されず）は、マイクロフォン、ジョイスティック、ゲームパッド、衛星放送用パラボラアンテナ、スキャナーなどを含む。前記および別のインプットデバイスは通常、システムバスに接続されたシリアルポートインターフェース３６４６を通してプロセシングユニットに接続されるが、パラレルポート、ゲームポートまたはユニバーサルシリアルバス（ＵＳＢ）など別のインターフェースによっても接続される。モニター３６４７または別のディスプレイ装置も、ディスプレイコントローラーまたはビデオアダプター３６４８などのインターフェースを通してシステムバス３６２３に接続される。モニターに加え、パーソナルコンピュータは一般的に、スピーカーやプリンターなどその他周辺オウトプットデバイス（図示されず）を含む。
【０２２９】
上記コンピュータシステムは一例にすぎない。前記技術は、多様な構成で実装することが可能である。さらに、ソースデータを収集および分析する多様なアプローチが可能である。例えば、データは収集分析され、結果は適切に異なるコンピュータ上で現れる。それに加え、ハードウェアでは多様なソフトウェアアスペクトが実装可能であり、またその逆も可能である。さらに、前記技術への紙面上のアプローチも可能であり、例えば、アルゴリズムの解釈に関する説明を活用する純粋な紙面上のアプローチや、スキャニング技術およびデータ分析ソフトウェアを活用する一部紙面上のアプローチがある。
【０２３０】
実施例２７−例となるコンピュータ実装法
【０２３１】
ここで開示されるコンピュータ実装方法は、自動システムのソフトウェアによって稼動されたソフトウェアにより実行される（例えば、コンピュータシステム）。完全自動（例えば、ヒトの介在なく）または半自動オペレーション（例えば、ヒトの介在によるコンピュータプロセシング）がある。パラメーターの調整または結果の熟考など、ユーザーの介在が望ましい場合もある。
【０２３２】
前述のソフトウェアは、前述した機能を実行するためにコンピュータ実行可能命令を含む１つ以上のコンピュータ可読媒体上に、記憶される。前述の媒体は有形（例えば、身体の）媒体である。
【０２３３】
例となる実施態様において本発明の本質を図示および解説したが、当該技術分野に従事するものには解説された実施例が例証であることは明らかであり、本発明の本質から逸脱することなく配置および詳細において変更が可能である。前記実施例の技術は１つ以上の別の実施例と組み合わせが可能である。
【０２３４】
別の実施態様では、ダイナミックレンジをさらに増大させる二重正規化を利用する。この実施態様は、鳥を対象としている前述の実施態様よりも、ヒトの睡眠を対象にしたデータを解説、重要視している。さらに、前述の実施態様において上記に解説された用途、正規化の技術およびクラスタリングは、当該実施態様にも同等に適用可能である。
【０２３５】
本実施態様は、前述の実施態様の多くの特徴を活用し、改良を加えた。本実施態様は、脳波の動きを分析する。脳波からの信号、例えばＥＥＧは、脳波の周波数がｆである時、脳波の出力量が１／ｆに比例する指標を辿る。出力量は逆に周波数に比例する。前述の実施態様を参考にして解説したとおり、信号の高い周波数部分は振幅電圧が低いため、１／ｆスペクトル分布は信号の高い周波数部分を不明瞭にする傾向がある。
【０２３６】
元来、ＥＥＧを表す脳波を観察する人間は、高い周波数と相対的な、実質的情報を確かなものとできない。この理由の多くを本発明者が仮定した。１つの理由には、脳波活動の高い周波数は頭蓋骨から浸透するが、これは頭蓋骨の身体構造が低域通過フィルターとして働くからである。
【０２３７】
前述の実施態様は、例えばＺスコア（を算出する）を利用して、どのように正規化が脳波信号からの情報を分析するかを解説する。前記に実行された分析は周波数の出力情報を正規化する。正規化するにはＺスコア（を算出する）を利用するのが望ましいが、別のデータ正規化も利用可能である。利用された正規化はＺスコア（を算出する）など単位なしが望ましい。当該技術分野では周知のＺスコア（を算出する）は分布の包絡線の形を変化させずに、分布を正規化するために使用される。Ｚスコア（を算出する）は本質上、標準偏差へと変化する。ユニットを正規化したそれぞれのＺスコア（を算出する）は信号の平均と相対的な信号の出力量を反映する。スコアは、それぞれの平均偏差から平均を引いて、平均偏差フォームに変換される。そしてスコアは標準偏差と相対的に正規化される。Ｚスコアで正規化された全てのユニットは１と同等の標準偏差を有する。
【０２３８】
上記は、Ｚスコアを使用した正規化を述べているが、Tスコアなど、その他の正規化も実行可能であることを理解されたい。
【０２３９】
上記実施態様は、特定帯域内における毎周波数の出力の正規化を解説する。帯域は、０〜１００ｈｚ、または１２８ｈｚ、５００ｈｚまでの範囲となる。周波数の帯域はサンプリングレートによってのみ限定される。例となる３０ＫＨｚのサンプリングレートでは、１５ＫＨｚまでの分析が可能である。
【０２４０】
本実施態様に従って、追加の正規化が実行され、ここでそれぞれの周波数に関し時間を越えて出力を正規化する。周波数および時間を超えて正規化された情報に関する結果は、二重正規化スペクトル図を作成するために使用される。
【０２４１】
この実施態様は、脳波データから追加の情報を取得し、分析されたデータから自動的に睡眠の異なる段階を検知することを解説する。検知される睡眠の段階は、徐波睡眠（ＳＷＳ）、レム睡眠（ＲＥＭ）、中間睡眠（ＩＩＳ）および覚醒状態を含むがこれに限らない。重要な特性によると、脳波活動の単一チャネル（ヒトの頭蓋骨上の単一部から取得される）が分析に用いられる。
【０２４２】
図４１のフローチャートに従ってオペレーションが実行され、これは本明細書で記載されたどのコンピュータでも、またネットワークを渡ってでも、またはその他の別の方法においても、実行可能である。４１００でデータが取得される。前述のとおり、取得されたデータはヒトまたはその他の対象からのＥＥＧ情報の１つのチャンネルとなり得る。取得されたＥＥＧデータは、例えば２５６Ｈｚサンプリングレートを利用して収集され、高周波率でサンプリングされることができる。データは例えば３０秒時期など時期に分類することができ、周波数によって特徴をなす。
【０２４３】
４１１０で、第１の周波数の正規化が実行される。出力情報は各周波数ビンのＺスコア（を算出する）技術を利用して正規化される。実施態様において、ビンは１〜１００Ｈｚまで拡張し、３０ビン／Ｈｚである。正規化は時間を超えて実行される。これにより正規化されたスペクトル図またはＮＳが作られ、これは信号からの各周波数帯域に実質上同じ重みをかける。実施態様において、各３０秒時期は、その時期で最大のＺスコアを有する周波数である「望ましい周波数」を表す。
【０２４４】
これにより、望ましい周波数空間と呼ばれる特別な周波数空間を作る。図４２Ａは未加工のスペクトル図を、図４２Ｂは正規化されたスペクトルを示す。それぞれの時期は、例えば図４３の３０秒分割または図４４の１秒スライディングウィンドウは、最大Ｚスコアを有する周波数で表される。図４４は、どのように異なるパターンに広く分離されるかを示す。
【０２４５】
これらのパターンがどのように形成されたかを分析することで、パターンの特徴の分析が可能となる。例えば、Ｗまたは覚醒状態はアルファ帯域、７〜１２Ｈｚまたはベータ帯域（１５〜２５Ｈｚ）と特徴づけられた分析によって見出される。
【０２４６】
中間睡眠は１〜４Ｈｚ帯域のデルタ値および１２〜１５Ｈｚのスピンドル周波数を示す。中間睡眠は、高い周波数の活動およびガンマ帯域３〜９０Ｈｚも示す。驚くべきことに、レム睡眠はデルタおよびシータ周波数で小型帯域を確定し、短期変動睡眠は広域スペクトル活性に支配されている。
【０２４７】
異なる睡眠状態はゆえに判別関数に従って画定され、ここで判別関数は特定部位で特定の活性をおよび別の部位で不活性を求める。どの部位の周波数が活性を有し、また有さないかで、前記関数は睡眠状態を評価する。
【０２４８】
より一般的には、ダイナミックスペクトルスコアはどれも補正データ上で実行される。判別関数は、複数の周波数帯域においてそれぞれ、特定値を必要とするか、特定の活性度の有無を単に必要とするかもしれない。判別関数は単に周波数対応の包絡線に一致するかもしれない。判別関数はスペクトルおよびフラグメンテーションおよび時間的なフラグメンテーションに注視する。
【０２４９】
４１２０は、周波数を越えて実行する第２の正規化を示す。４１２０での第２の正規化は二重正規化スペクトルを形成する。これは、帯域がより明瞭である新たな周波数空間を生み出す。第２の正規化は図４２Ｃで示され、明るい部位の帯域は正値を、暗い部位の帯域は負値を表している。
【０２５０】
二重正規化スペクトルは、空間内で値を最大限に分離するフィルターを形成するために使用される。図４３は、時間の関数において望ましい周波数のグラフを示し、周波数の異なるクラスタを表す。
【０２５１】
４１３０は、二重に正規化された周波数上で実行されたクラスタリング技術を示す。例えば、クラスタリング技術は、前述の実施態様で解説されたＫ平均法がある。図４３で図示されるとおり、クラスタはグループを構成する。図４４は、異なる状態の間の域、例えば帯域４４００がどのように複数の異なるクラスタを構成するかを図示する。各クラスタは睡眠状態を示す。
【０２５２】
クラスタは、実際複次元クラスタであり、図４５で図示されるように、クラスタ自体が追加情報を発見できるようグラフ化される。次元数は、クラスタ変数の数値による。これは、どのように二重正規化スペクトル図がより多くの測定特徴を有するかを示す。図４５は実際異なる特徴の３次元グラフであり、異なる状態を検知する。分析はしかし、徐波睡眠が、時間および周波数に関し、レム睡眠または覚醒状態よりも安定していることを明らかにした。中間睡眠はしばしば徐波睡眠への中間的存在となる。
【０２５３】
平均の測定は周波数を越えて正規化された出力で広がり、スペクトルフラグメンテーションを表す図４６で図示される通り、スペクトルフラグメンテーションが可能であることを示す。フラグメンテーション値は、異なる状態において時間的なフラグメンテーションに基づき、判別関数の一部として活用される。
【０２５４】
例えば：
【０２５５】
ＮＳおよび２ＮＳ値にそれぞれ対応するＺおよびＺＺを使用：
【０２５６】
ｗ＿ｆｉｌｔｅｒ＝ｍｅａｎ（ＺＺ（１２−１５Ｈｚ））＋ｍｅａｎ（ＺＺ（１−４Ｈｚ））＋ｍｅａｎ（ＺＺ（４−７Ｈｚ））．
【０２５７】
ｎｒｅｍ＿ｆｉｌｔｅｒ＝ｍｅａｎ（ＺＺ（６０−１００Ｈｚ））＋ｍｅａｎ（ＺＺ（４−７Ｈｚ））−［ｍｅａｎ（ＺＺ（１２−１５Ｈｚ））＋ｍｅａｎ（ＺＺ（２５−６０Ｈｚ））＋ｍｅａｎ（ＺＺ（１５−２５Ｈｚ））］
【０２５８】
ｓｗｓ＿ｆｉｌｔｅｒ＝ｍｅａｎ（Ｚ（４−７Ｈｚ））＋ｍｅａｎ（Ｚ（７−１２Ｈｚ））
【０２５９】
フラグメンテーション値は以下の通りである：
【０２６０】
Ｓｐｅｃｔｒａｌ＿ｆｒａｇ＝ｍｅａｎ（ａｂｓ（ｇｒａｄ＿ｆ（ＺＺ（１−１００Ｈｚ））））；
【０２６１】
Ｓｐｅｃｔｒａｌ＿ｔｅｍｐ＝ｍｅａｎ（ａｂｓ（ｇｒａｄ＿ｔ（ＺＺ（１−１００Ｈｚ））））；
【０２６２】
ｇｒａｄ＿ｆおよびｇｒａｄ＿ｔが２次元隣接グラディエントＺＺに一致する場所。
【０２６３】
この２つの関数は、二重に正規化されたスペクトル上で評価され、ノンレム睡眠におけるアーチファクト運動で発生した全ての周波数において、均一上昇を利用し、Ｗは単独に正規化されたスピクトルにおいて異常に上昇したフラグメンテーション値を引き出す。
【０２６４】
これらのフラグメンテーション値は判別関数の一部として利用される。重要なことは、上記に説明した通り、判別関数は一般的に手動技術を含む前記の分析技術からは明確にならない。
【０２６５】
計算は分割によって特徴付けられ、また重複時間枠またはスライディングウィンドウを利用し、時間的な登録を増加させる。これにより、多くの技術がこれまで実現可能となってきた。オンザフライを特徴づけることによって、ダイナミックスペクトルスコアを利用した睡眠状態と、脳波信号だけを利用した覚醒状態とを区別することが可能となった。
【０２６６】
別のアスペクトは、自動的にＥＥＧ情報を取得する機械、およびＥＥＧ情報を分析し睡眠状態に関する情報を決定するコンピュータを含む。例えば、前記情報は実際の睡眠状態または睡眠状態のその他の部分を含む。前記コンピュータは、睡眠状態を示す情報を記憶する不揮発性メモリを含み、睡眠状態を示す情報をリモート装置で伝達するワイヤレスネットワーク接続を含む。ユーザーは、睡眠を特徴づけるために、機械または前記機械に接続された電極を着用できる。
【０２６７】
上記は、情報が睡眠状態を決定するためにどのように利用されるかを説明している。これらの技術は睡眠状態を特徴づけるその他のアプリケーションおよびその他の技術に利用される。アプリケーションは患者が各自の睡眠状態および睡眠状態に基づく脳機能の変化として予め決定された変数に基づき、特定の薬剤を服用するかの決定を含む。別のアプリケーションは、アルコールの消費を決定する脳波信号を分析するが、例えば「アルコール検出器」として使用されるシステムの構築などである。
【０２６８】
一般構成および技術、さらにより一般的な目標を実現する異なる方法を遂げるために用いられるより特定の実施態様が、本明細書で開示される。
【０２６９】
上記で詳細を開示している実施態様は少数であるが、その他の実施態様も可能で、本発明者は本明細書にその他の実施態様が含まれると解釈する。本明細書は別の方法で成されるより一般的な目標を実現する特定の実施例を解説する。本開示内容は、例となることを目的とし、請求項は当該技術分野において通常技量を有する人には予測可能でる変更または代替案を含むと指定する。例えば、他の用途は可能であり、その他の判別関数および特性も可能である。上記は「望ましい周波数」に関して周波数を特徴づけるよう広範囲にわたり解説しているが、情報のより正確な特性も可能であることに留意する。また、上記はＥＧＧデータより睡眠状態を決定することおよび睡眠状態の決定の異なる種類にのみ言及しているが、別の用途も熟考されることを理解する。
【０２７０】
また、本発明者は「〜する方法」という用語を用いた請求項は３５ ＵＳＣ １１２第６節で解釈されることを意図する。さらに明細書からの非限定は、請求項において限定について表記されていない限り、どの請求項にも適用される。
【０２７１】
本明細書で開示される前記コンピュータは、一般用途またはワークステーションなど特定用途のどのコンピュータでも可能である。前記コンピュータは、ＷｉｎｄｏｗｓＸＰ、ＬｉｎｕｘまたはＭａｃｉｎｔｏｓｈコンピュータを搭載するペンティアムクラスのコンピュータでもよい。前記コンピュータは、ＰＤＡ、携帯またはラップトップなどの携帯用コンピュータでもよい。
【０２７２】
プログラムはＣ、Ｊａｖａ、Ｂｒｅｗ、またはその他プログラミング用語で書かれている。プログラムは、磁気、光またはコンピュータハードドライブ、リムーバブルディスク、メモリースティック、ＳＤ媒体またはリムーバブル媒体などの、記憶媒体に内在する。プログラムはネットワークをサーバーまたは本明細書に記載するオペレーションを実行するためにローカル機械に信号を伝達するその他機械を利用して、ネットワークを動かす。
【特許請求の範囲】
【請求項１】
脳波の活動を示すデータを取得するステップと、
少なくとも１つの周波数帯域における前記データの出力レベルを別の周波数帯域でのデータと相対的に変化させるため、前記データの前記少なくとも１つの周波数帯域を正規化し、脳波の活動示す正規化されたデータを形成するステップと、
脳波の活動を示す前記正規化されたデータを分析し、前記分析から睡眠状態を示す少なくとも１つのパラメーターを決定するステップと、
を含む方法。
【請求項２】
前記分析するステップは、前記正規化されたデータを自動的にクラスタ化してクラスタにするステップと、前記分析するステップにおいて前記クラスタを使用して前記パラメーターを決定するステップとを含む、請求項１に記載の方法。
【請求項３】
前記正規化するステップは、前記データのＺスコアを算出するステップを含む、請求項１に記載の方法。
【請求項４】
前記データ正規化する第２のステップであって、前記分析するステップに先立ち、二重正規化されたデータを形成するステップをさらに含む、請求項１に記載の方法。
【請求項５】
前記第２の正規化するステップは、時間を越えて周波数を正規化するステップを含む、請求項４に記載の方法。
【請求項６】
前記第１および第２の正規化するステップはそれぞれ、前記正規化するステップのためにＺスコアを使用する、請求項５に記載の方法。
【請求項７】
複数の異なる睡眠状態の前記二重正規化されたデータの特徴を表す判別関数を定義するステップと、前記判別関数を使用して前記二重正規化されたデータから睡眠状態を決定するステップとをさらに含む、請求項５に記載の方法。
【請求項８】
前記判別関数は、睡眠状態を定義するための、特定の帯域に存在し、また他の特定の帯域に存在しない周波数に関する関数である、請求項７に記載の方法。
【請求項９】
任意の特定の時間において前記最も高い標準値を有する周波数として好ましい周波数を特徴付けるステップと、前記好ましい周波数を分析して前記少なくとも１つのパラメーターを決定するステップとをさらに含む、請求項４に記載の方法。
【請求項１０】
判別関数が、存在する周波数、および存在しない周波数に関して睡眠状態を定義する場合には、好ましい周波数の関数として判別関数を定義するステップをさらに含む、請求項９に記載の方法。
【請求項１１】
前記二重正規化されたデータのフラグメンテーションを分析するステップと、前記分析するステップの一部として前記フラグメンテーションを使用するステップとをさらに含む、請求項４に記載の方法。
【請求項１２】
睡眠状態を示す前記パラメーターは、現在の時刻に応じた推定睡眠状態を含む、請求項１に記載の方法。
【請求項１３】
睡眠状態を示す前記パラメーターは、ありそうに思われる薬物消費を示す情報を含む、請求項１に記載の方法。
【請求項１４】
前記正規化するステップは、コンピュータを使用して前記データを変更するステップを実行する、請求項１に記載の方法。
【請求項１５】
前記ソースデータからアーチファクトを除去するステップをさらに含む、請求項１に記載の方法。
【請求項１６】
前記正規化するステップに先立って、前記ソースデータを複数の時間区分に分割するステップをさらに含む、請求項１に記載の方法。
【請求項１７】
前記分離するステップは、走査の時間枠またはスライディングウィンドウのうちの１つを使用するステップを含む、請求項１６に記載の方法。
【請求項１８】
前記分離するステップは、
全時系列と、
重複時系列と、
非重複系列と
から成る群から選択される少なくとも１つの時系列のインクリメントを決定するステップを含む、請求項１７に記載の方法。
【請求項１９】
ある期間にわたって対象の睡眠状態を決定するための方法であって、
前記期間にわたって前記対象の脳波データを受信するステップであって、前記脳波データは、周波数スペクトルでの第２の周波数帯域と比較して、前記周波数スペクトルでの、少なくとも１つの低出力の第１の周波数帯域において、比較的低い出力のダイナミックレンジを示すステップと、
前記脳波データを１つ以上の時期に分割するステップと、
時間にわたり前記１つ以上の時期の周波数出力に重みをかけるステップであって、前記第２の周波数帯域と比較して前記周波数スペクトルの前記低出力の周波数帯域内で、出力の前記ダイナミックレンジを増大し、１つ以上の周波数重み付け時期を生成するステップを含む、前記重みをかけるステップと、
前記１つ以上の周波数重み付け時期に基づき前記対象の睡眠状態を分類するステップと、
を含む方法。
【請求項２０】
前記対象の睡眠状態を分類するステップは、
前記１つ以上の周波数重み付け時期をクラスタ化するステップと、
前記クラスタ化に従い、睡眠状態の指定を前記１つ以上の周波数重み付け時期に割り当てるステップと、
前記１つ以上の周波数重み付け時期によって表される前記期間、前記対象の睡眠状態を示す前記睡眠状態の指定を与えるステップと、
を含む、請求項１９に記載の方法。
【請求項２１】
前記１つ以上の周波数重み付け時期をクラスタ化するステップは、Ｋ平均法でクラスタ化するステップを含む、請求項１９に記載の方法。
【請求項２２】
要素分析により前記脳波検査データを前処理するステップをさらに含む、請求項１９に記載の方法。
【請求項２３】
前記対象の睡眠状態を分類するステップは、単独の要素分析を前記１つ以上の周波数重み付け時期に適用するステップを含む、請求項１９に記載の方法。
【請求項２４】
睡眠状態を分類するステップは、手作業で決定した睡眠状態を組み込むステップをさらに含む、請求項１９に記載の方法。
【請求項２５】
睡眠状態の指示を前記１つ以上の周波数重み付け時期に割り当てるステップは、
少なくとも低周波数情報に基づき、非徐波睡眠の指示から徐波睡眠の指示を決定するステップと、
少なくとも高周波数情報に基づき、ノンレム睡眠の指示からレム睡眠の指示を決定するステップと
を含む、請求項１９に記載の方法。
【請求項２６】
徐波睡眠指示を、低周波数で著しく重みをかける出力を有する時期に割り当てるステップをさらに含む、請求項２５に記載の方法。
【請求項２７】
レム睡眠の指示を、高周波数で著しく重みをかける出力を有する時期に割り当てるステップをさらに含む、請求項２５に記載の方法。
【請求項２８】
睡眠状態の指示を前記１つ以上の周波数重み付け時期に割り当てるステップは、平滑窓を前記１つ以上の重みをかける時期に適用するステップであって、前記平滑化は、前記１つ以上の重みをかける時期を越えて睡眠状態の指示を平均化するステップを含むことができるステップをさらに含む、請求項１９に記載の方法。
【請求項２９】
類似している睡眠状態の指示を有する前記１つ以上の時期によって表される前記期間前記対象の前記睡眠状態を代表するの標準的スペクトルとして１つ以上の周波数重み付け時期を与えるステップをさらに含む、請求項１９に記載の方法。
【請求項３０】
単独の要素分析により前記標準的スペクトルを分析して睡眠状態の分類の信頼を確立するステップをさらに含む、請求項２９に記載の方法。
【請求項３１】
前記１つ以上の周波数重み付け時期の前記睡眠状態の指示に従い、前記対象の睡眠統計を与えるステップをさらに含む、請求項１９に記載の方法。
【請求項３２】
正規化されたデータを二重に形成するための前記分類に先立って、第２の寸法に従って前記データを正規化するための第２の重みをかける出力をさらに含む、請求項１９に記載の方法。
【請求項３３】
前記第２の重みをかけるステップは、時間を越えて少なくとも１つの周波数を正規化するステップを含む、請求項３２に記載の方法。
【請求項３４】
前記重みをかけるステップおよび前記第２の重みをかけるステップはそれぞれ、Ｚスコアを使用して正規化するステップを実行する、請求項３２に記載の方法。
【請求項３５】
複数の異なる睡眠状態の前記二重正規化されたデータの特徴を表す判別関数を定義するステップと、前記判別関数を使用して前記二重正規化されたデータから睡眠状態を決定するステップとをさらに含む、請求項３２に記載の方法。
【請求項３６】
前記判別関数は、すなわち、睡眠状態を定義するための、特定の帯域に存在し、また他の特定の帯域に存在しない周波数に関する関数である、請求項３５に記載の方法。
【請求項３７】
任意の特定の時間において前記最も高い標準値を有する周波数として好ましい周波数を特徴付けるステップと、前記好ましい周波数を分析して前記少なくとも１つのパラメーターを決定するステップとをさらに含む、請求項３２に記載の方法。
【請求項３８】
判別関数が、存在する周波数、および存在しない周波数に関して睡眠状態を定義する場合には、前記好ましい周波数の関数として判別関数を定義するステップをさらに含む、請求項３７に記載の方法。
【請求項３９】
前記二重正規化されたデータのスペクトルのフラグメンテーションを分析するステップと、前記分析するステップの一部として前記スペクトルのフラグメンテーションを使用するステップとをさらに含む、請求項３２に記載の方法。
【請求項４０】
前記二重正規化されたデータの時間的なフラグメンテーションを分析するステップと、前記分析するステップの一部として前記時間的なフラグメンテーションを使用するステップとをさらに含む、請求項３２に記載の方法。
【請求項４１】
脳波の活動を示す少なくとも１つの信号を受信して、別の周波数帯域でのデータと相対的に前記少なくとも１つの周波数帯域でのデータの出力レベルを変化させるために、前記信号の少なくとも１つの周波数帯域を正規化して脳波の活動を示す正規化されたデータを形成し、また脳波の活動を示す前記正規化されたデータを使用して睡眠状態を示す少なくとも１つのパラメーターを決定するコンピュータデバイスを備える装置。
【請求項４２】
前記コンピュータデバイスは、前記データのＺスコアを算出することによって前記正規化するステップを実行する、請求項４１に記載の装置。
【請求項４３】
前記コンピュータは、前記データの第２の正規化するステップを実行するよう動作して、前記データを使用するのに先立って、二重正規化されたデータを形成する、請求項４１に記載の装置。
【請求項４４】
前記コンピュータによって実行される前記第２の正規化するステップは、時間を越えて周波数を正規化するステップを含む、請求項４３に記載の装置。
【請求項４５】
前記コンピュータは複数の異なる睡眠状態の前記二重正規化されたデータの特徴を表す判別関数に基づき動作し、また前記判別関数を使用して前記正規化されたデータから睡眠状態を決定する、請求項４２に記載の装置。
【請求項４６】
前記判別関数は、すなわち、睡眠状態を定義するための、特定の帯域に存在し、また他の特定の帯域に存在しない周波数に関する関数である、請求項４６に記載の装置。
【請求項４７】
前記コンピュータは、任意の特定の時間において最も高い標準値を有する周波数として好ましい周波数を決定するよう動作し、また前記好ましい周波数を分析して前記少なくとも１つのパラメーターを決定する、請求項４３に記載の装置。
【請求項４８】
前記コンピュータは、前記分析するステップの一部として前記二重正規化されたデータのフラグメンテーションを決定する、請求項４３に記載の装置。
【請求項４９】
前記信号を取得するよう接続される、脳波の電極をさらに備える、請求項４１に記載の装置。
【請求項５０】
脳波信号を示す情報を受信する第１の受信部分と、
脳波の活動を示す正規化されたデータを形成し、また脳波の活動を示す前記正規化されたデータを使用して睡眠状態を示す少なくとも１つのパラメーターを決定するよう、前記脳波信号の少なくとも１つの周波数帯域で正規化する処理部分と
を備える装置。
【請求項５１】
前記処理部分は、前記データのＺスコアを算出することにより前記正規化するステップを実行する、請求項５０に記載の装置。
【請求項５２】
前記処理部分は、２つの別個の、前記データを正規化するステップを実行し、前記データを使用するのに先立って、二重正規化されたデータを形成する、請求項５０に記載の装置。
【請求項１】
脳波の活動を示すデータを取得するステップと、
少なくとも１つの周波数帯域における前記データの出力レベルを別の周波数帯域でのデータと相対的に変化させるため、前記データの前記少なくとも１つの周波数帯域を正規化し、脳波の活動示す正規化されたデータを形成するステップと、
脳波の活動を示す前記正規化されたデータを分析し、前記分析から睡眠状態を示す少なくとも１つのパラメーターを決定するステップと、
を含む方法。
【請求項２】
前記分析するステップは、前記正規化されたデータを自動的にクラスタ化してクラスタにするステップと、前記分析するステップにおいて前記クラスタを使用して前記パラメーターを決定するステップとを含む、請求項１に記載の方法。
【請求項３】
前記正規化するステップは、前記データのＺスコアを算出するステップを含む、請求項１に記載の方法。
【請求項４】
前記データ正規化する第２のステップであって、前記分析するステップに先立ち、二重正規化されたデータを形成するステップをさらに含む、請求項１に記載の方法。
【請求項５】
前記第２の正規化するステップは、時間を越えて周波数を正規化するステップを含む、請求項４に記載の方法。
【請求項６】
前記第１および第２の正規化するステップはそれぞれ、前記正規化するステップのためにＺスコアを使用する、請求項５に記載の方法。
【請求項７】
複数の異なる睡眠状態の前記二重正規化されたデータの特徴を表す判別関数を定義するステップと、前記判別関数を使用して前記二重正規化されたデータから睡眠状態を決定するステップとをさらに含む、請求項５に記載の方法。
【請求項８】
前記判別関数は、睡眠状態を定義するための、特定の帯域に存在し、また他の特定の帯域に存在しない周波数に関する関数である、請求項７に記載の方法。
【請求項９】
任意の特定の時間において前記最も高い標準値を有する周波数として好ましい周波数を特徴付けるステップと、前記好ましい周波数を分析して前記少なくとも１つのパラメーターを決定するステップとをさらに含む、請求項４に記載の方法。
【請求項１０】
判別関数が、存在する周波数、および存在しない周波数に関して睡眠状態を定義する場合には、好ましい周波数の関数として判別関数を定義するステップをさらに含む、請求項９に記載の方法。
【請求項１１】
前記二重正規化されたデータのフラグメンテーションを分析するステップと、前記分析するステップの一部として前記フラグメンテーションを使用するステップとをさらに含む、請求項４に記載の方法。
【請求項１２】
睡眠状態を示す前記パラメーターは、現在の時刻に応じた推定睡眠状態を含む、請求項１に記載の方法。
【請求項１３】
睡眠状態を示す前記パラメーターは、ありそうに思われる薬物消費を示す情報を含む、請求項１に記載の方法。
【請求項１４】
前記正規化するステップは、コンピュータを使用して前記データを変更するステップを実行する、請求項１に記載の方法。
【請求項１５】
前記ソースデータからアーチファクトを除去するステップをさらに含む、請求項１に記載の方法。
【請求項１６】
前記正規化するステップに先立って、前記ソースデータを複数の時間区分に分割するステップをさらに含む、請求項１に記載の方法。
【請求項１７】
前記分離するステップは、走査の時間枠またはスライディングウィンドウのうちの１つを使用するステップを含む、請求項１６に記載の方法。
【請求項１８】
前記分離するステップは、
全時系列と、
重複時系列と、
非重複系列と
から成る群から選択される少なくとも１つの時系列のインクリメントを決定するステップを含む、請求項１７に記載の方法。
【請求項１９】
ある期間にわたって対象の睡眠状態を決定するための方法であって、
前記期間にわたって前記対象の脳波データを受信するステップであって、前記脳波データは、周波数スペクトルでの第２の周波数帯域と比較して、前記周波数スペクトルでの、少なくとも１つの低出力の第１の周波数帯域において、比較的低い出力のダイナミックレンジを示すステップと、
前記脳波データを１つ以上の時期に分割するステップと、
時間にわたり前記１つ以上の時期の周波数出力に重みをかけるステップであって、前記第２の周波数帯域と比較して前記周波数スペクトルの前記低出力の周波数帯域内で、出力の前記ダイナミックレンジを増大し、１つ以上の周波数重み付け時期を生成するステップを含む、前記重みをかけるステップと、
前記１つ以上の周波数重み付け時期に基づき前記対象の睡眠状態を分類するステップと、
を含む方法。
【請求項２０】
前記対象の睡眠状態を分類するステップは、
前記１つ以上の周波数重み付け時期をクラスタ化するステップと、
前記クラスタ化に従い、睡眠状態の指定を前記１つ以上の周波数重み付け時期に割り当てるステップと、
前記１つ以上の周波数重み付け時期によって表される前記期間、前記対象の睡眠状態を示す前記睡眠状態の指定を与えるステップと、
を含む、請求項１９に記載の方法。
【請求項２１】
前記１つ以上の周波数重み付け時期をクラスタ化するステップは、Ｋ平均法でクラスタ化するステップを含む、請求項１９に記載の方法。
【請求項２２】
要素分析により前記脳波検査データを前処理するステップをさらに含む、請求項１９に記載の方法。
【請求項２３】
前記対象の睡眠状態を分類するステップは、単独の要素分析を前記１つ以上の周波数重み付け時期に適用するステップを含む、請求項１９に記載の方法。
【請求項２４】
睡眠状態を分類するステップは、手作業で決定した睡眠状態を組み込むステップをさらに含む、請求項１９に記載の方法。
【請求項２５】
睡眠状態の指示を前記１つ以上の周波数重み付け時期に割り当てるステップは、
少なくとも低周波数情報に基づき、非徐波睡眠の指示から徐波睡眠の指示を決定するステップと、
少なくとも高周波数情報に基づき、ノンレム睡眠の指示からレム睡眠の指示を決定するステップと
を含む、請求項１９に記載の方法。
【請求項２６】
徐波睡眠指示を、低周波数で著しく重みをかける出力を有する時期に割り当てるステップをさらに含む、請求項２５に記載の方法。
【請求項２７】
レム睡眠の指示を、高周波数で著しく重みをかける出力を有する時期に割り当てるステップをさらに含む、請求項２５に記載の方法。
【請求項２８】
睡眠状態の指示を前記１つ以上の周波数重み付け時期に割り当てるステップは、平滑窓を前記１つ以上の重みをかける時期に適用するステップであって、前記平滑化は、前記１つ以上の重みをかける時期を越えて睡眠状態の指示を平均化するステップを含むことができるステップをさらに含む、請求項１９に記載の方法。
【請求項２９】
類似している睡眠状態の指示を有する前記１つ以上の時期によって表される前記期間前記対象の前記睡眠状態を代表するの標準的スペクトルとして１つ以上の周波数重み付け時期を与えるステップをさらに含む、請求項１９に記載の方法。
【請求項３０】
単独の要素分析により前記標準的スペクトルを分析して睡眠状態の分類の信頼を確立するステップをさらに含む、請求項２９に記載の方法。
【請求項３１】
前記１つ以上の周波数重み付け時期の前記睡眠状態の指示に従い、前記対象の睡眠統計を与えるステップをさらに含む、請求項１９に記載の方法。
【請求項３２】
正規化されたデータを二重に形成するための前記分類に先立って、第２の寸法に従って前記データを正規化するための第２の重みをかける出力をさらに含む、請求項１９に記載の方法。
【請求項３３】
前記第２の重みをかけるステップは、時間を越えて少なくとも１つの周波数を正規化するステップを含む、請求項３２に記載の方法。
【請求項３４】
前記重みをかけるステップおよび前記第２の重みをかけるステップはそれぞれ、Ｚスコアを使用して正規化するステップを実行する、請求項３２に記載の方法。
【請求項３５】
複数の異なる睡眠状態の前記二重正規化されたデータの特徴を表す判別関数を定義するステップと、前記判別関数を使用して前記二重正規化されたデータから睡眠状態を決定するステップとをさらに含む、請求項３２に記載の方法。
【請求項３６】
前記判別関数は、すなわち、睡眠状態を定義するための、特定の帯域に存在し、また他の特定の帯域に存在しない周波数に関する関数である、請求項３５に記載の方法。
【請求項３７】
任意の特定の時間において前記最も高い標準値を有する周波数として好ましい周波数を特徴付けるステップと、前記好ましい周波数を分析して前記少なくとも１つのパラメーターを決定するステップとをさらに含む、請求項３２に記載の方法。
【請求項３８】
判別関数が、存在する周波数、および存在しない周波数に関して睡眠状態を定義する場合には、前記好ましい周波数の関数として判別関数を定義するステップをさらに含む、請求項３７に記載の方法。
【請求項３９】
前記二重正規化されたデータのスペクトルのフラグメンテーションを分析するステップと、前記分析するステップの一部として前記スペクトルのフラグメンテーションを使用するステップとをさらに含む、請求項３２に記載の方法。
【請求項４０】
前記二重正規化されたデータの時間的なフラグメンテーションを分析するステップと、前記分析するステップの一部として前記時間的なフラグメンテーションを使用するステップとをさらに含む、請求項３２に記載の方法。
【請求項４１】
脳波の活動を示す少なくとも１つの信号を受信して、別の周波数帯域でのデータと相対的に前記少なくとも１つの周波数帯域でのデータの出力レベルを変化させるために、前記信号の少なくとも１つの周波数帯域を正規化して脳波の活動を示す正規化されたデータを形成し、また脳波の活動を示す前記正規化されたデータを使用して睡眠状態を示す少なくとも１つのパラメーターを決定するコンピュータデバイスを備える装置。
【請求項４２】
前記コンピュータデバイスは、前記データのＺスコアを算出することによって前記正規化するステップを実行する、請求項４１に記載の装置。
【請求項４３】
前記コンピュータは、前記データの第２の正規化するステップを実行するよう動作して、前記データを使用するのに先立って、二重正規化されたデータを形成する、請求項４１に記載の装置。
【請求項４４】
前記コンピュータによって実行される前記第２の正規化するステップは、時間を越えて周波数を正規化するステップを含む、請求項４３に記載の装置。
【請求項４５】
前記コンピュータは複数の異なる睡眠状態の前記二重正規化されたデータの特徴を表す判別関数に基づき動作し、また前記判別関数を使用して前記正規化されたデータから睡眠状態を決定する、請求項４２に記載の装置。
【請求項４６】
前記判別関数は、すなわち、睡眠状態を定義するための、特定の帯域に存在し、また他の特定の帯域に存在しない周波数に関する関数である、請求項４６に記載の装置。
【請求項４７】
前記コンピュータは、任意の特定の時間において最も高い標準値を有する周波数として好ましい周波数を決定するよう動作し、また前記好ましい周波数を分析して前記少なくとも１つのパラメーターを決定する、請求項４３に記載の装置。
【請求項４８】
前記コンピュータは、前記分析するステップの一部として前記二重正規化されたデータのフラグメンテーションを決定する、請求項４３に記載の装置。
【請求項４９】
前記信号を取得するよう接続される、脳波の電極をさらに備える、請求項４１に記載の装置。
【請求項５０】
脳波信号を示す情報を受信する第１の受信部分と、
脳波の活動を示す正規化されたデータを形成し、また脳波の活動を示す前記正規化されたデータを使用して睡眠状態を示す少なくとも１つのパラメーターを決定するよう、前記脳波信号の少なくとも１つの周波数帯域で正規化する処理部分と
を備える装置。
【請求項５１】
前記処理部分は、前記データのＺスコアを算出することにより前記正規化するステップを実行する、請求項５０に記載の装置。
【請求項５２】
前記処理部分は、２つの別個の、前記データを正規化するステップを実行し、前記データを使用するのに先立って、二重正規化されたデータを形成する、請求項５０に記載の装置。
【図１】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図１２】
【図１３】
【図１４】
【図１５】
【図１６】
【図１７】
【図１８】
【図１９】
【図２０】
【図２１】
【図２２】
【図２３】
【図２４】
【図２５】
【図２６】
【図２７】
【図２８】
【図２９】
【図３０】
【図３１】
【図３２】
【図３３】
【図３４】
【図３５】
【図３６】
【図３７】
【図３８】
【図３９】
【図４０】
【図４１】
【図４２Ａ】
【図４２Ｂ】
【図４２Ｃ】
【図４３】
【図４４】
【図４５】
【図４６】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図１２】
【図１３】
【図１４】
【図１５】
【図１６】
【図１７】
【図１８】
【図１９】
【図２０】
【図２１】
【図２２】
【図２３】
【図２４】
【図２５】
【図２６】
【図２７】
【図２８】
【図２９】
【図３０】
【図３１】
【図３２】
【図３３】
【図３４】
【図３５】
【図３６】
【図３７】
【図３８】
【図３９】
【図４０】
【図４１】
【図４２Ａ】
【図４２Ｂ】
【図４２Ｃ】
【図４３】
【図４４】
【図４５】
【図４６】
【公表番号】特表２００８−５４４７７２（Ｐ２００８−５４４７７２Ａ）
【公表日】平成２０年１２月１１日（２００８．１２．１１）
【国際特許分類】
【出願番号】特願２００８−５１１３３０（Ｐ２００８−５１１３３０）
【出願日】平成１８年５月９日（２００６．５．９）
【国際出願番号】ＰＣＴ／ＵＳ２００６／０１８１２０
【国際公開番号】ＷＯ２００６／１２２２０１
【国際公開日】平成１８年１１月１６日（２００６．１１．１６）
【公序良俗違反の表示】
（特許庁注：以下のものは登録商標）
１．Ｌｉｎｕｘ
２．ペンティアム
３．ＪＡＶＡ
４．ＷＩＮＤＯＷＳ
【出願人】（５０７３７３４４９）ザ サルク インスティテュート フォー バイオロジカル スタディーズ (1)
【Ｆターム（参考）】
【公表日】平成２０年１２月１１日（２００８．１２．１１）
【国際特許分類】
【出願日】平成１８年５月９日（２００６．５．９）
【国際出願番号】ＰＣＴ／ＵＳ２００６／０１８１２０
【国際公開番号】ＷＯ２００６／１２２２０１
【国際公開日】平成１８年１１月１６日（２００６．１１．１６）
【公序良俗違反の表示】
（特許庁注：以下のものは登録商標）
１．Ｌｉｎｕｘ
２．ペンティアム
３．ＪＡＶＡ
４．ＷＩＮＤＯＷＳ
【出願人】（５０７３７３４４９）ザ サルク インスティテュート フォー バイオロジカル スタディーズ (1)
【Ｆターム（参考）】
[ Back to top ]