確定用於電生理學信號的尖峰檢測的閾值的方法和系統的製作方法

2023-09-25 18:44:05

專利名稱：確定用於電生理學信號的尖峰檢測的閾值的方法和系統的製作方法
技術領域：
本發明涉及一種確定用於電生理學信號中的尖峰檢測的閾值的方法。本發明還涉及一種用於執行這種方法的電腦程式產品和系統。
背景技術：
電生理學通常涉及將電極置於活有機體的生物組織內或者置於切除的組織內。常 見的電生理學測量在例如大腦或肌肉組織中進行，但是其他類型的組織也可以經受電生理 學測量。例如，在下文中，討論了大腦中的電生理學測量。然而，應當指出的是，所描述的技 術也可應用到其他的電生理學測量。許多應用需要用於檢測各神經元的活性的可靠方法。示例包括神經假體，其中測 量皮層中的神經元的活性並且由計算機進行解釋以便控制假體設備。另一個示例是功能神 經外科，其中神經活性的記錄用來幫助改進外科手術的目標位置。此外，存在許多其非常重 要的研究應用。為了測量來自各神經元的活性，利用微電極進行記錄。微電極只是其表面面積足 夠小以允許其選擇性地僅對處於其緊鄰位置的那些神經元敏感的電極。通過這種方式測量 的單獨的神經元的活性典型地為稱作動作電位的短雙極脈衝。微電極記錄典型地由來自一些附近神經元(在本領域中經常稱為單元)的動作電 位以及強的噪聲背景組成。該背景是來自大量更遠神經元的平均神經活性以及由於例如阻 抗而引起的測量噪聲的組合。因此，該背景典型地為寬帶高斯噪聲。獲得各單元的活性的第一步驟因而是將動作電位與背景活性分離，並且然後將動 作電位分成組，其中理想情況下每組代表單個單元。該過程稱為尖峰分類。尖峰分類中的第一步驟是發現數據中很可能代表動作電位的事件。這通常通過設 置閾值並且然後將緊鄰該閾值的任何交叉之前和之後一定間隔內的數據定義為事件來完 成。背景噪聲偶爾由於或然性而穿越閾值，並且數據可能包含也穿越閾值的各種偽像。因 此，極端重要的是，最佳地為該數據設置閾值。最佳設置為對於其錯過最少數量的動作電位 並且找到最少數量的虛正的設置。設置用於尖峰檢測的閾值的關鍵步驟是估計背景噪聲的幅度。如果知道(或者可 以假設)背景噪聲是正態分布的，那麼可以將閾值設置為使得由於隨機或然性而引起的虛 正非常罕見的水平。然而，估計用於微電極記錄的噪聲幅度可能是非常棘手的任務。儘管 背景噪聲本身典型地被非常精確地建模成寬帶高斯噪聲，但是諸如動作電位和偽像之類的 其他活性也可以佔據測量數據的大部分，這使得可靠地估計噪聲分布的任務非常困難。估計噪聲幅度的最直接的方式是測量總信號的標準偏差。如果信號幾乎完全由僅 僅噪聲組成，那麼這可以是非常精確的。遺憾的是，標準偏差對於異常值的存在極為敏感。 標準偏差對於極端異常值特別敏感，這意味著如果信號中存在的動作電位或偽像具有比噪 聲水平大得多的幅度，那麼即使小部分(fraction)的數據被汙染也可能對於得到的信號 的標準偏差具有重大的影響。4
Quian Quiroga、Nadasdy 禾口 Ben-Shaul 的"Unsupervised Spike Detection and Sorting with Wavelets and Superparamagnetic Clustering" (2004)中描述了一禾中用 於估計噪聲水平的更魯棒的方法。該方法使用信號絕對值的中值，並且將其除以常數因子 (0. 6745)。該方法基於以下觀察對於高斯噪聲而言，信號絕對值的中值與信號的標準偏差 成比例。一般而言，分布的中值比標準偏差對於異常值的存在更魯棒得多，當異常值具有比 噪聲大得多的幅度時，情況尤其如此。事實上，中值並不真正對異常值的幅度敏感。它所敏 感的唯一因素是被汙染的部分數據。在零均值高斯噪聲的情況下，中值也為零，並且根本不依賴於噪聲幅度。因此，在 Quian Quiroga等人的中值估計方法中，使用了測量信號的絕對值。該中值估計方法性能遠 優於基於信號標準偏差的直接測量的方法，對於較高的發放率(仿真樣本信號中事件發生 的頻率)，情況尤其如此。然而，即使該改進的估計對於IOOHz的發放率也將噪聲幅度過高 估計了大約20%。發明目的本發明的目的是提供一種確定用於電生理學信號中的尖峰檢測的閾值的方法，該 方法導致更可靠的閾值。

發明內容
依照本發明的第一方面，這個目的是通過提供一種確定用於電生理學信號中的尖 峰檢測的閾值的方法實現的，該方法包括步驟確定電生理學信號的估計的包絡；基於該 估計的包絡，確定估計的高斯噪聲；確定估計的高斯噪聲的瞬時幅度的分布；確定瞬時幅 度的分布的模；以及基於瞬時幅度的分布的模確定閾值。依照本發明的方法基於以下認識信號分布的模傾向於對於「異常值」的汙染非 常魯棒。當汙染具有與初始數據截然不同的分布時(在這種情況下，「初始數據」為背景噪 聲)，情況尤其如此。在這裡，這具有特別的適用性，其中構成尖峰和/或偽像的數據很多時 候大多數落在背景噪聲的範圍之外。然而，採用原始信號的模是無用的，因為原始信號的模正好為零，並且像中值一樣 沒有給予我們有關噪聲幅度的信息。信號的絕對值也沒有用處，因為其模也處於原點。對 於原始數據而言，如果通過對其平方而不是通過取絕對值來對其修正，情況也是這樣。本發 明人已經通過使用從估計的包絡確定的高斯噪聲瞬時幅度的分布而克服了這些問題。該瞬 時幅度分布的模被證明是信號中背景噪聲標準偏差的非常良好的估計。依照本發明的方法的一個優選實施例應用了原始信號的希爾伯特濾波器來精確 地確定瞬時幅度。在另一個實施例中，瞬時幅度分布從電生理學信號的局部極值的分布中 導出。後一種方法沒有使用希爾伯特濾波器的方法那麼精確，但是需要少得多的計算能力， 同時對於異常事件的存在仍然相當魯棒。曲線擬合技術可以用於從瞬時幅度的分布確定模。本發明的這些和其他方面根據下面描述的實施例是清楚明白的，並且將參照這些 實施例進行闡述。


在附圖中圖Ia示出了示例性電生理學信號，圖Ib示出了要在電生理學信號中檢測的尖峰的示例，圖2示出了確定用於尖峰檢測的閾值的方法的流程圖，圖3a示出了圖加的示例性電生理學信號以及該電生理學信號的估計的包絡，圖北示出了電生理學信號的估計的包絡，圖4示出了用於確定估計的包絡的方法，圖5示出了估計的高斯噪聲的瞬時幅度的概率分布函數，圖6示出了如何確定圖5分布的模，圖7示出了用於確定圖5的分布的模的可替換方式，圖8示出了應用到電生理學信號的確定的閾值，圖9示出了對於依照本發明的方法和現有技術方法的結果的可靠性的比較，圖10示出了不同位置處噪聲水平的統計分析的結果，圖11示出了檢測的尖峰的統計分析的結果，圖12示出了檢測的尖峰的另一統計分析的結果，以及圖13示出了依照本發明的用於確定尖峰閾值的系統。
具體實施例方式圖Ia示出了示例性電生理學信號11。該電生理學信號11包括來自一些附近神經 元的動作電位12以及噪聲背景13。該背景13是來自大量更遠神經元的平均神經活性以及 由於例如阻抗而引起的測量噪聲的組合。因此，該背景13典型地為寬帶高斯噪聲。單獨的 神經元的活性典型地為稱作動作電位的短雙極脈衝(尖峰)。圖Ib示出了要在電生理學信 號U中檢測的尖峰12的示例。獲得各單元的活性的第一步驟是將動作電位12與背景活性 13分離。動作電位12和背景噪聲13的分離以找到數據中很可能代表動作電位的事件開始。 這通常通過設置閾值並且然後將緊鄰該閾值的任何交叉之前和之後一定間隔內的數據定義 為事件來完成。當然，不是所有的事件都是動作電位。背景噪聲13偶爾由於或然性而穿越閾 值，並且數據可能包含也穿越閾值的各種偽像。因此，極端重要的是，最佳地為該數據設置閾 值。最佳設置為對於其錯過最少數量的動作電位12並且找到最少數量的虛正的設置。圖2示出了確定用於尖峰檢測的閾值的方法的流程圖。依照本發明，該方法以用 於確定電生理學信號11的估計的包絡的包絡檢測步驟21開始。信號11的包絡可以各種 方式來確定。例如，可以對信號11平方並且發送通過低通濾波器。可替換地，可以將希爾 伯特濾波器用於確定包絡，或者可以確定局部極值以便估計包絡。後兩種選項將在下面參 照圖3和圖4進一步進行闡述。然後，在噪聲估計步驟22中將估計的包絡用於確定估計的高斯噪聲。由於尚未獲 得尖峰12和噪聲13的分離，因而估計的高斯噪聲將包含動作電位12，這些動作電位12不 是「真實」噪聲13的一部分。因此，依照本發明的方法使用估計的高斯噪聲的已知對於極 端事件的存在高度魯棒的統計特性。例如，這裡使用的統計特性為估計的高斯噪聲的瞬時 幅度的分布以及所述分布的模。6
在分布確定步驟23中，確定估計的高斯噪聲的瞬時幅度的分布。例如，通過作出 上述局部極值的(絕對)值的直方圖(參見圖4)或者通過進一步處理希爾伯特濾波器的 結果(參見圖3)而構造概率密度函數。當已經構造了概率密度函數時，在模檢測步驟M中確定分布的模。這可以直接從 所述分布例如通過取函數的峰值或者直方圖的最滿面元來完成。可替換地，可以將概率密 度函數的形狀曲線擬合到諸如拋物線或瑞利分布之類的預定函數，並且然後可以通過確定 擬合曲線的峰值來計算所述模。然後，在閾值確定步驟25中確定閾值。選擇的閾值由分布的模(對於瑞利分布， 模等於分布的標準偏差)以及希望的置信水平決定。該置信水平被選擇成使得在減少虛正 的數量與不丟失太多的真實事件之間獲得最佳的平衡。圖3a示出了圖加的示例性電生理學信號11以及該電生理學信號11的估計的包 絡31。圖北僅僅示出了電生理學信號11的估計的包絡31。信號11的包絡31可以以各 種方式來確定。例如，可以對信號11平方並且發送通過低通濾波器。可替換地，可以例如 以下面的方式將希爾伯特濾波器用於確定包絡31 首先，對電生理學輸入信號X去均值(減去DC水平)和/或進行帶限，並且然後 應用希爾伯特濾波器。該濾波器產生信號Z(t)，使得Z(t) =X' (t)+iH(X』(t))，其中X』 為去均值的信號，H(X』)為X』的希爾伯特變換，並且i為-1的平方根。該分析信號Z於是 為複函數。當以極坐標形式表示時，Z (t) =A(t)exp(i9 (t))，其中A為瞬時幅度，並且θ 為瞬時相位。A和θ均為時間⑴的函數。函數X』(t)的希爾伯特變換H(X』(t))由以下 公式給出(0) = fL πτ圖4示出了用於確定高斯噪聲的估計的包絡31的另一方法。代替直接計算瞬時 幅度的是，將其近似估計為局部極值42的值。在這種情況下，定位出去均值信號X』 11的零 交叉41，並且在每對零交叉41之間確定和存儲局部極值42。這些極值的完整分布將是瞬 時幅度分布的粗略近似。圖5示出了估計的高斯噪聲的瞬時幅度的概率分布函數51。例如，概率密度函數 51通過作出局部極值的(絕對)值的直方圖(參見圖4)或者通過分析從希爾伯特濾波器 得到的函數A(t)而構造。圖6示出了如何確定圖5分布的模。模61簡單地為具有最高概率的值，即概率密 度函數51的峰62處的瞬時幅度。圖7示出了用於確定圖5的分布的模的可替換且更精確的方式。除了模61對於 異常事件(尖峰12)的影響非常魯棒之外，數據分布51在模61周圍的區域中的總體形狀 傾向於對於這樣的事件12相當魯棒。通過使用最小二乘擬合以便將該數據與瑞利分布的 函數形式匹配，於是通過使用擬合瑞利分布的模做出背景噪聲方差的更可靠的估計 Ρ(χ) = -4-exp σf 2\、2σ。 使用希爾伯特濾波器的重要細節在於，高斯信號的希爾伯特變換也是高斯分布 的。對於帶限高斯噪聲，這兩個分布是統計獨立的(Fang和Xie 1995)。這意味著覆信號的7瞬時幅度將是瑞利分布的。瑞利分布71的優點在於，其模等於初始高斯信號的標準偏差。 因此，概率密度函數51的模61是噪聲分布的方差的直接度量。優選地，為了降低異常值 (尖峰)的影響，將模61周圍某個窄範圍(例如從0. 5模到1. 5模)內的分布數據擬合到 瑞利概率密度函數的函數形式。可替換地，也可以將模61周圍的區域擬合到拋物線曲線。圖8示出了應用到電生理學信號11的確定的閾值81、82。閾值81、82被設置為計 算的模61的固定倍數。使用的固定倍數與數據獨立地設置，並且簡單地設置為與瑞利分布 模型的置信區間相對應的值。例如，為模的3. 7倍的閾值將與瑞利分布的99. 9%的置信水 平相對應，這意味著檢測的事件12具有0. 99的不由背景噪聲13造成的概率。一旦設定了閾值，任何時候(去均值的)信號超過該閾值；則將其標記為事件。該 事件組然後傳送到尖峰分類系統。所述閾值可以在正或負方向或者兩個方向上設置。圖9示出了對於依照本發明的方法和現有技術方法的結果的可靠性的比較。對於 這兩幅圖而言，對具有尖峰和噪聲的電生理學信號進行了仿真。依照本發明的方法以及現 有技術「中值估計」方法(參見上文)用於進行噪聲估計。圖9a示出了對於由背景噪聲和 疊加的事件組成的信號使用中值估計(虛線91)和幅度分布的模(實線92)計算的估計的 噪聲標準偏差。實際的噪聲標準偏差為1.0。每個疊加的事件是從實際微電極記錄採樣的 動作電位。動作電位被縮放成具有持續時間ans以及幅度10。動作電位以規則的間隔插 入，發放率從OHz (沒有插入動作電位)到200Hz。在附圖中可見，當使用依照本發明的方法 時，噪聲估計比使用現有技術的中值估計方法精確得多。尤其是在高發放率(許多事件) 的情況下，依照本發明的方法勝過現有技術方法。圖9b示出了利用中值方法(虛線93)和幅度模方法(實線94)計算的估計的噪 聲標準偏差。仿真的電生理學信號中使用的噪聲與上面針對圖9a描述的相同。尖峰幅度 從1變化到10，其以IOHz的固定速率突發。由圖可見，當使用依照本發明的方法時，噪聲估 計比使用現有技術的中值估計方法時精確得多。特別是在較大尖峰幅度的情況下，依照本 發明的方法勝過現有技術方法。如上所述用於確定閾值的方法可以用作電生理學信號的進一步統計分析的起點。 利用依照本發明的方法確定的估計的噪聲水平和尖峰閾值可以提供有關電極在人體或動 物體內部的位置的信息。依照本發明，提供了一種使用依照本發明的基於包絡的噪聲水平 估計方法自動地計算並且向用戶呈現指示所測量的組織的功能解剖作用的統計信息。當測 量的信號的單獨的成分(例如背景噪聲和尖峰活性)被確定時，對這些單獨的成分計算已 知與各種類型的功能解剖相關的統計量。該系統然後將這些統計量作為位置的函數呈現給 用戶，從而向用戶傳達每個位置處的功能解剖很可能是什麼。該系統至少包括用於接收電生理學信號的輸入端以及被配置成處理接收的信號 的處理單元。該處理單元被配置成確定電生理學信號11的估計的包絡31，基於估計的包絡 31確定估計的高斯噪聲，確定估計的高斯噪聲的瞬時幅度的分布51，確定瞬時幅度的分布 51的模61，並且基於瞬時幅度的分布51的模61確定閾值81、82。該系統因而能夠通過使 用基於包絡的噪聲水平估計方法自動地設置適當的閾值來將信號分成「背景噪聲」和「尖峰 活性」成分。為了進行統計分析，該系統也可以包括一個或多個成分分析子系統，其計算信 號的現在分離的成分的已知與不同類型的功能解剖相關的統計度量。顯示子系統可以將分析結果作為位置的函數呈現給用戶。圖10示出了不同位置處噪聲水平的統計分析的結果。在該示例中，在從初始估計 的目標位置以上若干毫米到該目標位置以下若干毫米的深度沿著朝向目標的五個平行的 軌跡進行微型記錄。對於每個記錄，使用如上所述的方法分離背景噪聲和尖峰活性。然後， 產生顯示作為深度和位置的函數的估計的噪聲水平的概要圖。已知噪聲水平本身是處於例 如丘腦下核內的腦下核是在帕金森疾病患者中仿真的常見目標。作為深度的函數的噪聲水 平的增大和減小因而可以由臨床團隊用來確定所述五個微電極探針中的每一個何時進入 和退出該目標結構。圖11示出了檢測的尖峰的統計分析的結果。該實施例與圖10的實施例類似。在 圖11中，作為深度和位置的函數計算並且顯示每個記錄內的尖峰的平均速率。同樣地，該 平均發放率可以是電極相對於人腦或動物腦或者神經系統的其他部分中的特定功能單元 的位置的良好指示。圖12示出了檢測的尖峰的另一統計分析的結果。在該實施例中，外科手術過程與 圖10和圖11中一樣。在這種情況下，對系統檢測的尖峰執行尖峰分類。這分離出神經單 元的尖峰事件，使得如果超過一個神經元正產生信號中的尖峰，那麼它們可以被分成來自 不同單元的尖峰事件。然後，基於什麼發放率傾向於與感興趣解剖區域關聯的知識將可以 出現的可能發放率的範圍劃分成預定義的間隔。系統然後為用戶顯示作為位置和深度的函 數的每個記錄中存在哪些發放率，並且提供有關測量的生理學信號中存在的每個神經單元 的發放率的信息。圖13示出了用於確定尖峰閾值的系統130。系統130包括用於接收電生理學信號 11的輸入端131以及用於處理電生理學信號11的處理單元132。處理單元132被配置成 確定電生理學信號11的估計的包絡31，基於估計的包絡31確定估計的高斯噪聲，確定估計 的包絡31的分布51的模61，並且基於估計的包絡31的分布51的模61確定閾值81、82。 系統130也可以包括用於向用戶呈現電生理學信號11的處理結果的輸出端134。該輸出端 可以耦合到用於顯示結果的顯示器135。可選地，系統130還包括成分分析子系統133，其用於基於在不同位置處測量的一 個或多個電生理學信號的估計的高斯噪聲和/或閾值對測量的電生理學信號執行統計分 析。可以在輸出端134提供並且在顯示器135上顯示作為所述一個或多個不同位置的函數 的統計分析。應當理解的是，本發明也可以擴展到電腦程式，尤其是載體上或載體內的適於 將本發明付諸實施的電腦程式。該程序可以是原始碼、目標代碼、介於原始碼與目標代碼 之間的代碼的形式，例如部分編譯的形式，或者是適用於實施依照本發明的方法的任何其 他形式。還應當理解的是，這種程序可以具有許多不同的架構設計。例如，實現依照本發明 的方法或系統的功能的程序代碼可以細分成一個或多個子例程。在這些子例程之間分布功 能的許多不同的方式對於技術人員應當是清楚明白的。這些子例程可以一起存儲到一個可 執行文件中以便形成自包含程序。這種可執行文件可以包含計算機可執行指令，例如處理 器指令和/或解釋器指令(例如Java解釋器指令)。可替換地，這些子例程中的一個或多 個或者全部可以存儲在至少一個外部庫文件中並且靜態地或者動態地(例如在運行時)與 主程序連結。主程序包含對至少一個子例程的至少一個調用。此外，這些子例程可以包含9對於彼此的函數調用。涉及電腦程式產品的實施例包含與所闡述的至少一個方法的每個 處理步驟相對應的計算機可執行指令。這些指令可以細分成子例程和/或存儲到可以靜態 地或動態地連結的一個或多個文件中。涉及電腦程式產品的另一個實施例包含與所闡述 的系統和/或產品中的至少一個的每個裝置相對應的計算機可執行指令。這些指令可以細 分成子例程和/或存儲到可以靜態地或動態地連結的一個或多個文件中。電腦程式的載體可以是能夠承載該程序的任何實體或設備。例如，該載體可以 包含存儲介質，例如ROM (如CD ROM或半導體ROM)，或者磁性記錄介質(例如軟盤或硬碟)。 此外，載體可以是可傳輸的載體，例如電信號或光信號，其可以經由電纜或光纜或者通過無 線電或其他裝置運送。當程序包含在這種信號中時，載體可以由這種纜線或其他設備或裝 置構成。可替換地，載體可以是其中嵌入了程序的集成電路，該集成電路適於執行有關方法 或者用於執行有關方法。應當指出的是，上述實施例說明了而不是限制了本發明，並且本領域技術人員在 不脫離所附權利要求書的範圍的情況下應當能夠設計出許多可替換的實施例。在權利要求 書中，置於括號之間的任何附圖標記都不應當被視為限制了權利要求。動詞「包括」及其變 體的使用並沒有排除存在與權利要求中說明的那些不同的元件或步驟。元件之前的冠詞 「一」並沒有排除存在多個這樣的元件。本發明可以藉助於包括若干不同元件的硬體以及借 助於經過適當編程的計算機來實現。在列舉了若干裝置的設備權利要求中，這些裝置中的 一些可以由同一硬體項實施。在相互不同的從屬權利要求中陳述了特定的技術措施這一純 粹事實並不意味著這些技術措施的組合不可以被有利地利用。
權利要求
1.一種確定用於電生理學信號(11)中的尖峰(12)檢測的閾值(81，82)的方法，該方 法包括步驟"(21)確定電生理學信號(11)的估計的包絡(31)，"(22)基於該估計的包絡(31)，確定估計的高斯噪聲，"(24)確定估計的信號包絡(31)的分布(51)的模(61)，以及"(25)基於估計的包絡(31)的分布(51)的模(61)確定閾值(81,82) 0
2.如權利要求1所述的確定閾值(81，82)的方法，還包括確定估計的高斯噪聲的瞬時 幅度的分布(51)的步驟03)，並且其中估計的包絡(31)的分布(51)由瞬時幅度的分布 (51)表示。
3.如權利要求1所述的確定閾值(81，82)的方法，-其中確定估計的包絡(31)包括計算分析信號，該分析信號包含實部和虛部，實部包 含電生理學信號(11)，虛部包含電生理學信號(11)的希爾伯特變換，並且 -其中瞬時幅度的分布(51)從分析信號導出。
4.如權利要求1所述的確定閾值(81，82)的方法，-其中確定估計的包絡(31)包括確定電生理學信號(11)的局部極值(42)，並且 -其中瞬時幅度的分布(51)從局部極值G2)的分布導出。
5.如權利要求1所述的確定閾值(81，82)的方法，其中閾值(81，82)被確定為瞬時幅 度的分布的模的固定倍數。
6.如權利要求1所述的確定閾值(81，82)的方法，其中確定閾值(81，82)包括在模 (61)周圍的區間上將平滑的曲線擬合到瞬時幅度的分布(51)的形狀。
7.如權利要求1所述的確定閾值(81，82)的方法，其中平滑的曲線(71)為拋物線。
8.如權利要求1所述的確定閾值(81，82)的方法，其中平滑的曲線(71)為瑞利分布。
9.一種用於呈現電生理學信號的統計分析的方法，該方法包括 -測量一個或多個位置處的電生理學信號，-對於這些測量的電生理學信號中的每一個信號，執行如權利要求1所述的確定閾值 (81,82)的方法的步驟以便對於這些測量的電生理學信號中的每一個信號確定估計的高斯 噪聲和/或閾值(81，82)，-基於這些測量的電生理學信號的估計的高斯噪聲和/或閾值對於這些測量的電生理 學信號執行統計分析，-向用戶呈現統計分析的結果。
10.如權利要求9所述的用於呈現電生理學信號的統計分析的方法，其中所述統計分 析還包括確定每個所述位置處的尖峰的平均速率。
11.如權利要求9所述的用於呈現電生理學信號的統計分析的方法，其中所述呈現包 括呈現估計的高斯噪聲。
12.如權利要求9所述的用於呈現電生理學信號的統計分析的方法，其中所述統計分 析還包括基於這些電生理學信號中存在的發放率的分析對尖峰分類。
13.一種電腦程式產品，所述程序操作來使得處理器執行如權利要求1-12中任何一 項所述的方法。
14.一種確定用於電生理學信號(11)中的尖峰(12)檢測的閾值(81，82)的系統(130)，該系統包括-用於接收電生理學信號(11)的輸入端(131)，-處理單元(132)，其被配置成-確定電生理學信號(11)的估計的包絡(31)，-基於該估計的包絡(31)，確定估計的高斯噪聲，-確定估計的包絡(31)的分布(51)的模(61)，以及-基於估計的包絡(31)的分布(51)的模(61)確定閾值(81，82)。
15.如權利要求14所述的系統(130)，還包括-成分分析子系統(133)，其用於基於在不同位置處測量的一個或多個電生理學信號 的估計的高斯噪聲和/或閾值對測量的電生理學信號執行統計分析，以及-輸出端(134)，其用於向用戶呈現作為所述一個或多個不同位置的函數的統計分析 的結果。
全文摘要
提供了一種確定用於電生理學信號(11)中的尖峰(12)檢測的閾值(81，82)的方法。該方法包括確定電生理學信號(11)的估計的包絡(31)的步驟，基於該估計的包絡(31)，確定估計的高斯噪聲的步驟，確定估計的高斯噪聲的瞬時幅度的分布(51)的步驟，確定瞬時幅度的分布(51)的模(61)以及基於瞬時幅度的分布(51)的模(61)確定閾值(81，82)的步驟。
文檔編號G06F17/00GK102047246SQ200980119315
公開日2011年5月4日 申請日期2009年5月25日 優先權日2008年5月28日
發明者H·C·F·馬滕斯, K·T·多蘭 申請人:皇家飛利浦電子股份有限公司