特許 7373555 ＥＥＧ信号を使用した運動機能の定量化

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2023-10-25

(45)【発行日】2023-11-02

(54)【発明の名称】ＥＥＧ信号を使用した運動機能の定量化

(51)【国際特許分類】

   A61B 5/374 20210101AFI20231026BHJP

   A61B 5/11 20060101ALI20231026BHJP

   G06N 3/08 20230101ALI20231026BHJP

   A61H 1/02 20060101ALN20231026BHJP

【ＦＩ】

A61B5/374

A61B5/11 230

G06N3/08

A61H1/02 Z

【請求項の数】 17

(21)【出願番号】P 2021515254

(86)(22)【出願日】2019-05-24

(65)【公表番号】

(43)【公表日】2021-11-18

(86)【国際出願番号】 CA2019000078

(87)【国際公開番号】W WO2019222833

(87)【国際公開日】2019-11-28

【審査請求日】2021-05-11

(31)【優先権主張番号】62/675,866

(32)【優先日】2018-05-24

(33)【優先権主張国・地域又は機関】US

(31)【優先権主張番号】62/700,416

(32)【優先日】2018-07-19

(33)【優先権主張国・地域又は機関】US

(73)【特許権者】

【識別番号】520460638

【氏名又は名称】ヘルステック コネックス インコーポレイテッド

【氏名又は名称原語表記】ＨＥＡＬＴＨＴＥＣＨ ＣＯＮＮＥＸ ＩＮＣ．

(74)【代理人】

【識別番号】110001999

【氏名又は名称】弁理士法人はなぶさ特許商標事務所

(72)【発明者】

【氏名】ダーシー，ライアン，クラーク，ニューウェル

(72)【発明者】

【氏名】ジャン，シン

(72)【発明者】

【氏名】メノン，カルロ

(72)【発明者】

【氏名】フレーリック，ザッカリー

(72)【発明者】

【氏名】タンヌーリ，パメラ

【審査官】佐藤 秀樹

(56)【参考文献】

【文献】特開２０１０－１２５２８７（ＪＰ，Ａ）

【文献】Eduardo Lopez-Larraz，Evolution of EEG Motor Rhythms after Spinal Cord Injury: A Longitudinal Study，PLOS ONE，2015年07月15日，journal.pone.0131759，1-15

【文献】Vera Kaiser，Relationship Between Electrical Brain Response to Motor Imagery and Motor Impairment in Stroke，Stroke，2012年10月，October 2012，2735-2740

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ａ６１Ｂ ５／３６９～５／３８６

Ａ６１Ｂ ５／１１～５／１１３

ＪＳＴＰｌｕｓ／ＪＭＥＤＰｌｕｓ／ＪＳＴ７５８０（ＪＤｒｅａｍＩＩＩ）

(57)【特許請求の範囲】

【請求項1】

複数の脳波記録法（ＥＥＧ）電極から得られた複数のＥＥＧ波形として表されるＥＥＧデータに基づいて対象者の運動機能の指標である運動制御スコアを自動的に生成する、コンピュータが実行する方法であって、
（ａ）複数のＥＥＧ波形の各ＥＥＧ波形について、該ＥＥＧ波形を少なくとも１つのウィンドウに分離するステップであって、各ウィンドウは、対象者によって実行される運動に対応する神経活動を表すＥＥＧ波形の一部を含んでいる、ステップ、
（ｂ）少なくとも１つのウィンドウ内のＥＥＧデータから、少なくとも１つまたは複数の周波数成分を決定するステップ、および、
（c）少なくとも１つまたは複数の周波数成分に基づいて運動制御スコアを計算するステップ、を含んでおり、
１つまたは複数の前記周波数成分は、少なくとも１つのウィンドウの少なくとも１つの位相応答に対応し、少なくとも１つの位相応答は、少なくとも１つのウィンドウ内のＥＥＧデータに対して周波数領域への変換を実行することによって得られ、
少なくとも１つまたは複数の信号成分が、少なくとも１つのウィンドウ内のＥＥＧデータから決定され、該１つまたは複数の信号成分は、少なくとも１つのウィンドウの少なくとも１つの信号電力スペクトル密度に対応し、
前記運動制御スコアは、一次ニューラルネットワークを使用して計算され、該一次ニューラルネットワークには、少なくとも１つの位相応答および少なくとも１つの信号電力スペクトルを含む入力として、少なくとも１つのウィンドウ内のＥＥＧデータが提供される、方法。

【請求項2】

１つまたは複数の前記周波数成分は、少なくとも１つの事象関連脱同期（ＥＲＤ）応答周波数帯域および少なくとも１つの事象関連同期（ＥＲＳ）応答周波数帯域に対応する、請求項１に記載のコンピュータが実行する方法。

【請求項3】

前記少なくとも１つのＥＲＤ応答周波数帯域および少なくとも１つのＥＲＳ応答周波数帯域は、
（ａ）単一のＥＥＧ電極に関連付けられた一組の波形ウィンドウを使用して平均ウィンドウを計算するステップ、
（ｂ）平均化されたウィンドウの時間－周波数領域表現を出力するステップ、
（ｃ）時間－周波数領域表現の第１の周波数範囲内で、少なくとも１つのＥＲＤ応答周波数帯域を特定するステップ、および、
（ｃ）時間－周波数領域表現の第２の周波数範囲内で、少なくとも１つのＥＲＳ応答周波数帯域を特定するステップ、
によって決定される、請求項２に記載のコンピュータが実行する方法。

【請求項4】

空間グループ内の１つの電極が、該空間グループ内の少なくとも１つの他の電極と同じまたは類似のＥＲＤ特性およびＥＲＳ特性を検出する、請求項３に記載のコンピュータが実行する方法。

【請求項5】

前記第１の周波数範囲は８Ｈｚから１２Ｈｚの間であり、前記第２の周波数範囲は１３Ｈｚから３０Ｈｚの間である、請求項３または４に記載のコンピュータが実行する方法。

【請求項6】

前記第１の周波数範囲および前記第２の周波数範囲は、それぞれ１Ｈｚから４５Ｈｚの間である、請求項３から５のいずれか１項に記載のコンピュータが実行する方法。

【請求項7】

時間－周波数領域表現は、フーリエ変換およびウェーブレット変換のうちの１つを使用して生成される、請求項３から６のいずれか１項に記載のコンピュータが実行する方法。

【請求項8】

前記少なくとも１つのＥＲＤ応答周波数帯域は、前記第１の周波数範囲内の時間－周波数領域表現の低信号強度領域に対応し、前記少なくとも１つのＥＲＳ応答周波数帯域は、前記第２の周波数範囲内の時間－周波数領域表現の高信号強度領域に対応する、請求項３から７のいずれか１項に記載のコンピュータが実行する方法。

【請求項9】

前記少なくとも１つのＥＲＤ応答周波数帯域は２Ｈｚの帯域幅を有し、前記少なくとも１つのＥＲＳ応答周波数帯域は４Ｈｚの帯域幅を有する、請求項３から８のいずれか１項に記載のコンピュータが実行する方法。

【請求項10】

前記少なくとも１つのＥＲＤ応答周波数帯域および少なくとも１つのＥＲＳ応答周波数帯域は、それぞれ、第１の周波数範囲および第２の周波数範囲のそれぞれのサイズに比例するそれぞれの帯域幅を有する、請求項３から９のいずれか１項に記載のコンピュータが実行する方法。

【請求項11】

前記複数のＥＥＧ波形は、ＥＥＧ波形を少なくとも１つのウィンドウに分離するステップの前に、１Ｈｚから４５Ｈｚのバンドパス有限インパルス応答フィルタを使用してフィルタリングされる、請求項１に記載のコンピュータが実行する方法。

【請求項12】

少なくとも１つのウィンドウ内のＥＥＧデータの位相応答は、少なくともアルファ帯域およびベータ帯域内の周波数要素を含む、請求項１に記載のコンピュータが実行する方法。

【請求項13】

前記周波数領域への変換は、高速フーリエ変換を含む、請求項１に記載のコンピュータが実行する方法。

【請求項14】

前記一次ニューラルネットワークは、複数のＥＥＧ波形中の位相応答と電力スペクトル密度、および、複数のＥＥＧ波形に関連付けられた複数の手動で評価された臨床運動機能スコアを有するトレーニングデータセットを用いた回帰を使用して構成される、請求項１に記載のコンピュータが実行する方法。

【請求項15】

少なくとも１つの位相応答および少なくとも１つの信号電力スペクトル密度は、少なくとも１つのウィンドウの対応する周波数領域表現から計算される、請求項１に記載のコンピュータが実行する方法。

【請求項16】

前記一次ニューラルネットワークのモデルは、少なくとも２つの二次元畳み込みニューラルネットワーク層、少なくとも２つの最大プーリング層、および少なくとも２つの全結合層を含む構成フレームワークを使用して構成される、請求項１に記載のコンピュータが実行する方法、

【請求項17】

前記一次ニューラルネットワークのモデルは、二次元畳み込みニューラルネットワーク層と全結合層とを含む構成フレームワークを使用して構成される、請求項１に記載のコンピュータが実行する方法。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、一般に、脳波記録法（electroencephalography：ＥＥＧ）の測定を使用して運動機能を定量化するためのシステムおよび方法に関する。本明細書に開示される特定のシステムおよび方法は、慢性脳卒中生存者の運動機能を定量化するために適用することができる。

【0002】

この出願は、２０１８年５月２４日に出願され、「ＥＥＧを使用した慢性脳卒中の上肢運動機能の定量化（Using ＥＥＧ to Quantify Upper-Extremity Motor Function for Chronic Stroke）」と題された米国特許出願第６２／６７５，８６８号、および２０１８年年７月１９日に出願され、「脳活動を使用した運動機能のスコア付け（Using Brain Activity to Score Motor Function）」と題された米国特許出願第６２／７００，４１６号からの優先権を主張する。この出願は、２０１８年５月２４日に出願され、「ＥＥＧを使用した慢性脳卒中の上肢運動機能の定量化（Using ＥＥＧ to Quantify Upper Extremity Motor Function for Chronic Stroke）」と題された米国特許出願第６２／６７５，８６６号、およびおよび２０１８年７月１９日に出願され、「脳活動を使用した運動機能のスコア付け（Using Brain Activity to Score Motor Function）」と題された米国特許出願第６２／７００，４１６号の、米国特許法第１２０条に基づく利益を主張し、これらの両方は、参照によりその全体が本明細書に組み込まれる。

【背景技術】

【0003】

健康な人と、神経学的疾患、病気、または傷害の影響を受けた人との両方に対する人間の運動機能の評価は、スポーツ、健康、ビデオゲーム、軍事、および臨床応用を含むさまざまな分野に関連する。例えば、脳卒中は運動機能に影響を与える一般的な疾患であり、脳卒中の回復を正確かつ確実に査定する能力は、脳卒中のリハビリテーションの過程において重要な役割を果たす可能性がある。従来、欠落したおよび残存する運動機能の臨床評価は、訓練を受けた臨床医によるベッドサイド検査に限定されている。例えば、もともと末梢神経筋障害のために設計された、筋力評価のための医学研究審議会（Medical Research Council：ＭＲＣ）の０から５のスケールは、臨床運動力評価に使用されるツールの１つである。機能的自立度評価法（Functional Independence Measurement：ＦＩＭ）、ウルフ運動機能テスト（Wolf Motor Function Test：ＷＭＦＴ）、およびヒューゲルマイヤー運動評価法（Fugl-Meyer Motor Assessment：ＦＭＭＡ）など、その他の標準化された半定量的スコアは、機能評価用に設計されており、調査研究で一般的に使用されている。但し、これらのおよび他の同様のスコア付けシステムは、完全に定量的ではなく、管理も容易ではない。さらに、正確なスコア付けには、テスト管理者の経験と技量の両方が必要であり、テスト管理者がそれを獲得するには時間と労力がかかるものである。

【発明の概要】

【発明が解決しようとする課題】

【0004】

上記を考慮して、運動機能が神経学的疾患、病気、または傷害によって影響を受けた場合を含めて、運動機能の一貫した正確な評価のための、改善されかつ自動化された解決手段を開発する必要がある。

【課題を解決するための手段】

【0005】

一般に、本明細書は、ＥＥＧ測定から得られたＥＰ／ＥＲＰ波形を高速、かつ再現可能であり、かつ自動化された方法で記録および定量化するためのシステムおよび方法を説明するものである。

【0006】

一態様は、複数の脳波記録法（ＥＥＧ）電極から得られた複数のＥＥＧ波形として表されるＥＥＧデータに基づいて対象者の運動制御スコアを自動的に生成する、コンピュータが実行する方法を提供する。この方法は、複数のＥＥＧ波形の各ＥＥＧ波形について、該ＥＥＧ波形を少なくとも１つのウィンドウに分離するステップであって、各ウィンドウは、対象者によって実行される運動に対応する神経活動を表すＥＥＧ波形の一部を含んでいる、ステップ、少なくとも１つのウィンドウ内のＥＥＧデータから、少なくとも１つまたは複数の周波数成分を決定するステップ、および、少なくとも1つまたは複数の周波数成分に基づいて運動制御スコアを計算するステップ、を含んでいる。

【0007】

特定の一実施形態において、１つまたは複数の前記周波数成分は、少なくとも１つの事象関連脱同期（event-related desyncronization：ＥＲＤ）応答周波数帯域および少なくとも１つの事象関連同期（event-related syncronization：ＥＲＳ）応答周波数帯域に対応し、前記運動制御スコアは、少なくとも１つのＥＲＤ応答周波数帯域および少なくとも１つのＥＲＳ応答周波数帯域に基づいて複数のＥＥＧ波形から抽出された、少なくとも１つのＥＲＤ波形特徴およびＥＲＳ波形特徴に基づいて計算される。少なくとも１つのＥＲＤ波形特徴およびＥＲＳ波形特徴は、少なくとも１つのＥＲＤ応答周波数帯域および少なくとも１つのＥＲＳ応答周波数帯域を使用して、複数のＥＥＧ波形をフィルタリングするステップ、複数のＥＥＧ電極を少なくとも１つの空間グループにグループ化するステップであって、少なくとも１つの空間グループのそれぞれに、それぞれの仮想ＥＥＧチャネルが関連付けられる、ステップ、少なくとも１つの空間グループのそれぞれに関連付けられたそれぞれの仮想ＥＥＧチャネルからＥＲＤ波形およびＥＲＳ波形を生成するステップ、および、少なくとも１つの空間グループのそれぞれに関連付けられたＥＲＤ波形およびＥＲＳ波形から少なくとも1つのＥＲＤ波形特徴およびＥＲＳ波形特徴を抽出するステップ、によって取得される。

【0008】

前記少なくとも１つのＥＲＤ応答周波数帯域および少なくとも１つのＥＲＳ応答周波数帯域は、単一のＥＥＧ電極に関連付けられた一組の波形ウィンドウを使用して平均ウィンドウを計算するステップ、平均化されたウィンドウの時間－周波数領域表現を出力するステップ、時間－周波数領域表現の第１の周波数範囲内で、少なくとも1つのＥＲＤ応答周波数帯域を特定するステップ、および、時間－周波数領域表現の第２の周波数範囲内で、少なくとも1つのＥＲＳ応答周波数帯域を特定するステップ、によって決定されるものであってもよい。

【0009】

別の実施形態において、１つまたは複数の前記周波数成分は、少なくとも１つのウィンドウの少なくとも１つの位相応答に対応し、前記少なくとも１つまたは複数の信号成分は、少なくとも１つのウィンドウ内のＥＥＧデータから決定され、該１つまたは複数の信号成分は、少なくとも１つのウィンドウの少なくとも１つの信号電力スペクトル密度に対応する。前記運動制御スコアは、一次ニューラルネットワークを使用して計算され、該一次ニューラルネットワークには、少なくとも１つの位相応答および少なくとも１つの信号電力スペクトルを含む入力として、少なくとも１つのウィンドウ内のＥＥＧデータが提供される。少なくとも１つのウィンドウ内のＥＥＧデータの位相応答は、少なくともアルファ帯域およびベータ帯域内の周波数要素を含む。

【0010】

前記一次ニューラルネットワークは、複数のＥＥＧ波形中の位相応答と電力スペクトル密度、および、複数のＥＥＧ波形に関連付けられた複数の手動で評価された臨床運動機能スコアを有するトレーニングデータセットを用いた回帰を使用して構成されるものであってもよい。

【0011】

特定の一実施形態において、少なくとも１つの位相応答および少なくとも１つの信号電力スペクトル密度は、少なくとも１つのウィンドウの対応する周波数領域表現から計算される。前記一次ニューラルネットワークのモデルは、少なくとも２つの二次元畳み込みニューラルネットワーク層、少なくとも２つの最大プーリング層、および少なくとも２つの全結合層を含む構成フレームワークを使用して構成される。

【0012】

本発明のさらなる態様は、以下の説明を考慮して明らかになるであろう。

【0013】

本発明の実施形態の特徴および利点は、以下の添付の図面を参照して理解すれば、以下の詳細な説明から明らかになるであろう。

【図面の簡単な説明】

【0014】

【図1】図１は、可動性評価システムのブロック図である。

【図2】図２は、図１の可動性評価システムとともに使用されるＥＥＧ取得ハードウェアの画像である。

【図3】図３は、図１の可動性評価システムを使用してＥＥＧスキャンを実行するための手順のフローチャートである。

【図4】図４は、図３の手順を使用してＥＥＧスキャンデータを処理するための方法のフローチャートである。

【図5A】図５Ａは、未補正のＥＥＧ波形および眼電図（electro-oculogram：ＥＯＧ）補正されたＥＥＧ波形と、ＥＯＧ補正に使用される対応するＥＯＧ波形のグラフである。

【図5B】図５Ｂは、図４の方法から得られるＥＥＧ信号の時間－周波数マップである。

【図5C】

【図6】図６は、サンプルの健常者と脳卒中患者の連続時間アルファ事象関連脱同期（ＥＲＤ）波形のグラフである。

【図7】図７は、サンプルの健常者と脳卒中患者の連続時間ベータ事象関連同期（ＥＲＳ）波形のグラフである。

【図8】図８は、ＥＲＤ波形およびＥＲＳ波形の曲線の下の領域と臨床的ボックスアンドブロックテストのスコアとの間の相関のグラフである。

【図9】図９は、ＥＲＤおよびＥＲＳ波形の最大値および最小値と、臨床的ボックスアンドブロックテストスのコアとの間の相関のグラフである。

【図10】図１０は、運動制御スコアの代表的な視覚化である。

【図11】図１１は、１つの実装方法に従ってニューラルネットワークモデルを構成するためのフローチャートである。

【図12】図１２は、別の実装方法に従ってニューラルネットワークモデルを構成するためのフローチャートである。

【図13】図１３は、参加者内テストについて測定されたヒューゲルマイヤー評価（ＦＭＡ）スコアに対する予測されたＦＭＡスコアの相関を示すグラフである。

【図14】図１４は、参加者間テストについて測定されたヒューゲルマイヤー評価（ＦＭＡ）スコアに対する予測されたＦＭＡスコアの相関を示すグラフである。

【図15】図１５は、脳の活性化に対するリハビリテーション訓練または治療の効果を解釈するための活性化－最大化を実施する方法のフローチャートである。

【発明を実施するための形態】

【0015】

以下の説明、およびそこに記載されている実施形態は、本発明の原理の特定の実施形態の例を例示するために提供されている。これらの例は、これらの原理および本発明を、限定する目的ではなく、説明する目的で提供される。

【0016】

脳波記録法（ＥＥＧ）は、脳のニューロン内のイオン電流に起因する電圧変動を測定するために、対象者の頭皮に配置された複数の電極を使用して、脳活動を監視する非侵襲的で電気生理学的な方法である。ＥＥＧは、神経学的診療のツールであり、脳に関連する運動機能に影響を与える状態を過去に経験した、または現に経験している患者の管理においていくつかの用途がある。本明細書で使用される場合、「運動機能に影響を与える状態」は、個人の運動機能に影響を与える脳関連の傷害、状態、または疾患を指す。運動機能に影響を与える状態には、例えば、脳卒中（例えば、虚血性、出血性、一過性脳虚血発作、潜在性および脳幹発作）、外傷性または非外傷性を問わず後天性脳損傷、パーキンソン病、アルツハイマー病、脳性麻痺などが含まれる。リハビリテーション過程におけるＥＥＧの変化は、運動機能に影響を与える状態に陥った後の運動回復を予測するために使用することができる。ＥＥＧは、ＥＥＧ信号から計算された結果（例えば、デルタアルファ比（delta alpha ration：ＤＡＲ）、脳対称性指数（brain symmetry index：ＢＳＩ）、および大規模位相同期（Large-Scale Phase Synchrony））を使用した予後/評価ツールとしても使用することができる。ＥＥＧはまた、ロボット工学、娯楽、および健康などの分野における多くの潜在的な非臨床的応用を有し、その結果、本明細書に記載された技術の特定の実施形態は、健康な個人が、健康、スポーツのパフォーマンス、運動能力が関連するさまざまなタスクのパフォーマンス中の覚醒度を改善するためにも使用され得る。

【0017】

脳卒中の場合、以前のＥＥＧ作業は、主に急性または亜急性の脳卒中の人々に対して行われてきた。本発明者らは、ＥＥＧバイオマーカーが、慢性脳卒中生存者ならびに他のタイプの運動機能に影響を与える状態の生存者の運動機能を評価する際に使用するために適合し得ることを認識した。運動機能を評価するためにＥＥＧを適用することは、（１）訓練を受けた臨床医によるベッドサイド検査を必要とすることが多い、および/または（２）正確なスコア付けがテスト管理者の経験と技量に少なくとも部分的に依存しているため、完全に定量的ではなく、管理が容易でもない、という既存の評価手法の欠点に対処し得るものである。

【0018】

運動機能を評価するためにＥＥＧデータを使用すると、より定量的な評価と、本明細書に記載されるような運動制御スコアの決定に関連するプロセスを自動化する機会を得ることができる。このような方法は、人工ニューラルネットワークベースの機械学習法の使用などの最新のコンピューティング技術も活用することができ、これにより、ＥＥＧデータ内のさらなる意味のある特徴の検索が可能となる。本明細書に開示される例示的な実装は、ＥＥＧデータを使用するが、本明細書に開示される特定のシステムおよび方法は、眼電図記録法（electrooculography：ＥＯＧ）、脳磁図法（magnetoencephalography：ＭＥＧ）、および他のタイプの生体電気信号、近赤外分光法（near infrared spectroscopy：ＮＩＲＳ）、機能的ＮＩＲＳ（functional NIRS：ｆＮＩＲＳ）、機能的磁気共鳴イメージング（functional magnetic resonance imaging：ｆＭＲＩ）などの、脳活動に関連する任意の時間的に変動する信号に適合および応用し得るものである。

【0019】

本明細書に開示されるのは、臨床応用における従来の運動機能評価の使用を置き換えるためのツールとして動作可能なＥＥＧの取得および処理システムである。開示された技術はまた、健康産業および娯楽産業などの非臨床的用途における脳機能および運動能力を評価するために使用することができる。説明のために、以下の例は、脳卒中生存者および比較のための健常者の運動機能を定量化する文脈で提供される。しかしながら、本明細書で説明されるシステムおよび方法は、脳卒中に限定されず、運動選手、高齢者、および子供を含む健康な個人、または、他のタイプの運動機能に影響を与える状態を経験した患者の運動機能を評価するために適合および適用し得ることを理解されたい。他のタイプの運動機能に影響を与える状態は、外傷性または非外傷性を問わない後天性脳損傷、パーキンソン病、アルツハイマー病、および脳性麻痺などを含むが、これらに限定されない。このシステムは、個人の運動評価を自動化して、既存の臨床的運動評価方法または非臨床的運動パフォーマンス測定基準よりも評価精度を向上させることを目的とする。

【0020】

以下でより詳細に説明される可動性評価システムの実施形態は、ＥＥＧ波形を取得し、所望の期間内に関心のある特徴を自動的に特定する。これらの特徴は、患者の運動機能の指標である対応する「運動制御スコア」を決定して出力するために処理される。本開示において関心のある特徴には、事象関連脱同期（ＥＲＤ）波形および事象関連同期（ＥＲＳ）波形、および１つまたは複数のＥＥＧ信号から取得可能な特徴が含まれるものであってもよい。

【0021】

ＥＲＤおよびＥＲＳ（個別におよび集合的に、ＥＲＤ／ＥＲＳ）は、非位相同期ＥＥＧ応答であり、それぞれ、特定の神経プロセスのタイミングに関連して、相対的なＥＥＧ信号電力の減少とＥＥＧ信号電力の増加を示す。これらの信号は、感覚と運動の両方のプロセス（例えば、指のタッピングなどの関連する動き）について特徴付けられる。
特に、運動の準備、運動の実行、運動後の段階でＥＲＤ／ＥＲＳの特性が異なるため、運動活動の指標として使用される。

【0022】

ＥＲＤ／ＥＲＳは、周波数帯域が制限されていると理解されているため、異なるＥＥＧ帯域は同時に異なるＥＲＤ／ＥＲＳ特性を持つことができる。波形は、信号特性に基づいて周波数帯域（例えば、アルファ、ベータ、ガンマ、シータ、デルタとして指定）に細分される。各バンドは、リラックス（アルファ）、身体活動（ベータ）、ストレス（ガンマ）、眠気（シータ）、睡眠（デルタ）などの特定の行動に関連付けられている。さらに、ＥＲＤ／ＥＲＳは、大脳皮質の空間マッピングと密接に関連している。運動関連のＥＲＤ／ＥＲＳは、一般に、運動制御に関連する脳構造が位置する中心溝の周囲で発生することが知られており、脳の2つの半球が異なった影響を受ける。ＥＥＧを使用して、このようなＥＲＤ／ＥＲＳ特性を複数の脳部位で一度に記録できる。

【0023】

本開示では、ＥＲＤ／ＥＲＳは、運動機能を制御する人の能力の指標であると見なすことができる。 運動中、健康な人は、脳卒中から回復する人など、運動制御に障害のある人とは区別できるＥＥＧ信号特性を持っている。 運動機能のＥＥＧベースの評価を生成するために、個人は、一連の単純なベンチマーク動作（数回繰り返される指タッピングなど）を実行しながらＥＥＧデバイスを装着し、動作実行時にタイムスタンプを付ける。いくつかの実施形態では、ＥＥＧデバイスは、対象者の１）静止状態の脳活動（特定の行動が行われていない）、２）架空の運動（同様のＥＲＤ／ＥＲＳプロパティがあるが、タイムスタンプはない）、および/または、３）タイムスタンプまたは自動的に検出されたタイムスタンプのない物理的な動き、に関連するさらなる脳ＥＥＧ信号を捕捉するように操作され得る。次に、ＥＲＤ／ＥＲＳ情報が生のＥＥＧデータから抽出され、運動制御スコアが導き出される。

【0024】

一実施形態による運動機能の評価の手順は、時間周波数分析を使用して、所望のＥＲＤ／ＥＲＳ特性を含むＥＥＧ周波数帯域を識別することを含む。さらに、時間周波数分析で特定された周波数帯域を使用してＥＥＧチャネルをフィルタリングし、ＥＥＧチャネルに関連する電極を電極グループに空間的に分割し、各電極グループ内の電極の寄与を最適化し、運動前後のＥＲＤ／ＥＲＳ動作のフルタイム曲線の形式で各電極グループのＥＲＤ／ＥＲＳ波形を導出する。ＥＲＤ／ＥＲＳ波形から運動前後の特徴を抽出する。さらに、抽出された特徴から運動制御スコアを計算する。手順のさまざまなステップの詳細については、以下で詳しく説明する。

【0025】

本明細書に開示されるＥＥＧ取得および処理システムは、臨床医、理学療法士、および他の医療専門家によって、脳損傷後のリハビリテーション中の特定の時点での運動機能を評価するためのツールとして使用することができる（例えば、脳卒中または頭部外傷などの他の状態から）。このシステムはさらに、脳損傷のある患者の運動機能評価スコアを記録および追跡して、患者の状態が改善しているかどうかを評価したり、リハビリテーションプログラムが機能しているか調整が必要かどうかを医療専門家に通知したりするために使用できる。場合によっては、システムは、リハビリテーションプログラムへのコンプライアンスを監視するためのツール、回復の可能性を予測するためのツール、または患者がリハビリテーションの練習に関するフィードバックを（定期的またはリアルタイムで）受け取るためのツールとして使用できる。

【0026】

最初に図１を参照する。その中に示されているのは、ＥＥＧデータを取得して自動的に処理し、対応する定量的に取得された運動制御スコアを出力するように動作可能な可動性評価システム１００のブロック図である。本実施形態では、可動性評価システム１００は、データ収集とのインタフェースを有する。患者（例えば、人間または動物の対象者）からＥＥＧ信号を取得するためのコンポーネント、健康な、または運動機能に影響を与える状態から苦しんでいる/回復している。可動性評価システム１００は、以下でより詳細に説明されるように、対応する運動制御スコアを決定するための基礎として使用するために、取得されたＥＥＧ信号から関心のある特徴を識別するためのデータ処理コンポーネントを含む。

【0027】

いくつかの実施形態では、可動性評価システム１００は、汎用コンピューティングデバイスを使用して実装することができる。汎用コンピューティングデバイスは、適切なＥＥＧハードウェアと通信してＥＥＧ信号を取得するように構成することができる。特定の実施形態では、眼電図（ＥＯＧ）信号が、ＥＥＧ信号に加えて、またはＥＥＧ信号の代わりに使用される。 したがって、汎用コンピューティングデバイスは、適切なＥＯＧハードウェアと通信してＥＯＧ信号を取得するように構成することができる。可動性評価システム１００は、心拍数、光、動きなどの他のデータソースを組み込むことができる。コンピューティングデバイスは、デスクトップコンピュータ、ラップトップコンピュータ、クラウドベースのサーバー、およびタブレット、スマートフォン、その他のポータブルデバイスなどのモバイルコンピューティングデバイスを含むがこれらに限定されないさまざまな形式をとることができる。別の実施形態では、可動性評価システム１００は、ここに記載されている機能を提供するように特別に構成および／またはプログラムされたスタンドアロンデバイスとして実装することができる。ここで、可動性評価システム１００の様々な構成要素の説明が提示される。

【0028】

可動性評価システム１００は、ユーザがＥＥＧデータ取得または「スキャン」セッションの様々な側面を制御し、可動性評価システム１００のステータスをレビューするために、表示画面上にグラフィカルユーザインタフェースとして提示することができるユーザインタフェース１１０を含む。例えば、入力コントロール（オンスクリーンキーボードや物理キーボードなど）を提供して、スキャンセッションのパラメータを入力できるようにすることができる。パラメータには、対象者の名前、対象者の状態（脳卒中、外傷性脳損傷など）、テスト/記録される動きのタイプ（ボタンのタップ、腕への到達など）、物理的または想像上の動き、使用されている手足（左/右腕など）、データを解釈するために適用される処理アルゴリズムのタイプ、およびスキャンセッションの場所などのコンテキスト情報を含めることができる。

【0029】

スキャン中、ユーザインタフェース１１０は、スキャンされたデータの収集または品質に影響を与えるであろうエラーが可動性評価システム１００によって検出されたかどうかを示すように動作可能である。例えば、ＥＥＧハードウェアが応答しない場合、またはＥＥＧ電極のインピーダンスレベルが閾値または範囲外にある場合、スキャンが続行されない場合がある。スキャン後、ユーザは、ユーザインタフェース１ １０を使用して、スキャンデータおよび／またはスキャンレポートをデータストレージ１５０に保存して、後で検索およびレビューすることができる。

【0030】

取得ハードウェアインタフェース１２０は、図１に示されるように、可動性評価システム１００とＥＥＧ取得ハードウェア２００との間の通信リンクを確立するように動作可能である。図２に示されるように、少なくとも１つのＥＥＧ電極２１０からＥＥＧ信号を収集するため、通信リンクは、有線インタフェース、無線インタフェース、または有線インタフェースと無線インタフェースの組み合わせを含むがこれらに限定されない、当業者に知られている任意の方法を介して確立することができる。通信リンクのステータスは、リンクがアクティブであるかどうかを示すために、ユーザインタフェース１１０に示すことができる。例えば、ユーザインタフェース１１０のインジケータは、リンクがアクティブであることを示すために緑色のインジケータを使用し、リンクが非アクティブであることを示すために赤色のインジケータを使用することができる。

【0031】

いくつかの実施形態では、取得ハードウェアインタフェース１２０は、対象者の眼窩の上および横に配置された電極を使用して、対象者の眼の活動（例えば、眼球運動およびまばたき）を測定するためにＥＯＧハードウェアと通信するためのインタフェースをさらに含む。いくつかの実施形態では、取得ハードウェアインタフェース１２０は、可動性評価システム１００と共に使用することを目的とした利用可能なＥＥＧおよび／またはＥＯＧハードウェア機器をスキャンし、それとの通信リンクを確立するための適切な通信プロトコルを選択するように動作可能である。

【0032】

ＥＥＧ電極のインピーダンスは、結果として得られるＥＥＧ信号の品質に影響を与える可能性があり、したがって、分析のためにＥＥＧデータから使用可能なＥＲＤ / ＥＲＳ特性を取得する能力に影響を与える可能性がある。したがって、いくつかの実施形態では、取得ハードウェアインタフェース１２０はまた、ＥＥＧハードウェアからインピーダンス測定値を収集するように動作可能であり得る。例えば、システムコントローラ１７０は、インピーダンス測定のために、取得ハードウェアインタフェース１２０を介してＥＥＧハードウェアを定期的に（例えば、オンデマンドで、または所定のポーリング周波数で）ポーリングすることができる。 収集されたインピーダンス値は、ユーザインタフェース１１０に表示することができる。例えば、ユーザインタフェース１１０は、インピーダンス品質を示すためにカラーマップを使用して電極インピーダンスをグラフィカルに示すか、またはインピーダンスインジケータを備えた電極位置の概略図を表示することができる。

【0033】

システム入力／出力モジュール１３０は、可動性評価システム１００のシステム入力および出力タスクを処理するように動作可能である。例えば、ユーザインタフェース１１０は、情報を提示し、ユーザからデータ入力を受信するために使用され、ユーザインタフェース１１０を介して入力された対応する入力は、入力データを他のモジュールに中継するか、または応答してアクションを実行することによって、システム入力／出力モジュール１３０によって処理される。受信した入力に。入力には、スイッチ、ボタン、マウス、キーボード、タッチスクリーン、ボタンベースのクリッカーデバイス、ＥＭＧセンサー、ビデオカメラなどの入力デバイスからのユーザ入力、またはデータストレージ１５０からのデータ入力が含まれる（例えば、タイムスタンプのために行われている間の動きを観察および記録するための目的）。出力には、ディスプレイ画面またはオーディオ/ビジュアルに表示するためのグラフィック画像を含めることができる。特定のベンチマーク動作を実行するための対象者のクリック／タッピングは、例えば、音声キューを出力して、自己推定１０秒ごとに１回、指タッピングなどの一連の単純なベンチマーク動作を実行するように対象者に指示することがでる。一実施形態では、健康な対象者のＥＥＧデータは、利き手でベンチマークのクリック／タッピング動作を実行する対象者によって収集された。 ベンチマークのクリック／タッピングの動作は、ハードウェアボタンベースのクリッカーデバイスまたは筋電図（ＥＭＧ）センサーを使用してキャプチャできる。慢性脳卒中の対象者の場合、ＥＥＧデータは、障害のある手でクリック／タップすることによって収集された。したがって、対応するＥＥＧデータを、ベンチマーク運動のパフォーマンスを示す適切なタイムスタンプデータとともに記録できる。

【0034】

タイミングモジュール１４０は、スキャンセッション中に出力されるオーディオ／ビジュアル命令のタイミングを制御するように動作可能である。タイミングモジュール１４０はさらに、上記のタイムスタンプデータを生成するように動作可能であり得る。例えば、タイムスタンプは、ボタンベースのクリッカーデバイス、ＥＭＧセンサー、カメラなど、上記のデバイスの１つによって生成された信号に対応できる。これらのデバイスの１つによって信号（運動を示す）が生成されると、対応するタイムスタンプ値が生成されて、動きのパフォーマンスにフラグが立てられる。別の方法の実装では、タイミングモジュールは、対象者が静止していてアクションを実行しないときにＥＥＧデータをキャプチャする目的で、上記の静止状態のタイムスタンプを生成するように構成することができる。この実装では、対象者は、一定期間静止するように特に指示される場合がある。これらの命令を生成すると、休止期間の開始を示すタイムスタンプも生成される。休止期間は、１～５秒、１空７秒、または１～１０秒の範囲の期間などの適切な期間、または他の任意の適切な期間続くことができる。そのような休止期間に対応するＥＥＧ信号は、運動に対応するＥＥＧ信号と併せて運動制御スコアの計算において考慮され得る。

【0035】

データストレージ１５０は、運動制御スコアの決定に関連する構成ファイルおよびデータファイルなどの可動性評価システム１００によって使用される情報およびデータを格納するように動作可能である。データストレージ１５０はさらに、生（原）および処理されたＥＥＧおよび／またはＥＯＧデータおよび関連するレポートなどのスキャンセッションデータを格納するように動作可能である。 データストレージ１５０は、当業者に知られている方法で実装することができる。 例えば、データストレージ１５０は、磁気または光学ディスクドライブ、ソリッドステートドライブ、ネットワークディスクドライブ、分散ストレージリソース（例えば、クラウドベースのストレージ）、データベースなどであり得る。

【0036】

データ処理モジュール１６０は、取得されたＥＥＧおよび／またはＥＯＧ信号を処理して、関心のあるＥＲＤ／ＥＲＳ波形特徴を自動的に特定し、対応する運動制御スコアを計算するように動作可能である。上記のように、特徴選択の場合、ＥＥＧデータ内のＥＲＤ / ＥＲＳ特性は運動機能の指標を提供する。運動中、健常者は、脳卒中から回復している人など、運動制御に障害のある個人と区別できるＥＥＧ信号特性を持っていることが理解される。

【0037】

いくつかの実施形態では、データ処理モジュール１６０を使用して、可動性評価システム１００の他の要素に処理能力を提供することもできる。例えば、データ処理モジュール１６０は、システム入力／出力モジュール１３０によってトリガーされて、テスト対象者のための音声および／または視覚コマンドを合成することができる。

【0038】

システムコントローラ１７０は、ＥＥＧおよび／またはＥＯＧデータの取得およびそのようなデータの処理を含む、可動性評価システム１００の動作を調整するように動作可能である。 図３は、一実施形態による、スキャンを実施するためにシステムコントローラ１７０によって実行され得る方法３００を示すフローチャートを示す。いくつかの実施形態では、システムコントローラは、可動性評価システム１００の動作の１つまたは複数の態様および／または方法３００の１つまたは複数のステップを監視するコンピュータ化されたプロセスによって実装することができる。例えば、コンピュータ化されたプロセスは、（以下でより詳細に説明されるように）、取得ハードウェアインタフェース１２０のポーリング周波数を制御して、電極インピーダンスへの準拠を確実にすることができる。他の実施形態では、システムコントローラ１７０は、可動性評価システム１００の動作の１つまたは複数の態様および／または方法２００の１つまたは複数のステップを監視するためのユーザ入力を含むことができる。例えば、システムコントローラは、適切なデータ処理スイートを開き、データストレージ１５０からのデータファイルを手動で処理するために、ユーザからの入力を受け取ることができる。さらに他の実施形態では、ユーザ入力は、可動性評価システム１００の動作および／または方法３００のステップを調整するために必要とされる。

【0039】

図３を参照すると、方法３００のステップ３１０で、前述のようにコンテキスト情報（例えば、診療所情報およびスキャンの場所）およびスキャン情報（例えば、対象者の識別子、実行番号）が受信される。そのような情報は、例えば、ユーザインタフェース１１０を介して、ユーザによって入力され得る。

【0040】

ステップ３２０で、ＥＥＧおよび／またはＥＯＧハードウェアとのアクティブな通信リンクが確認される。例えば、システムコントローラ１７０は、そのステータスの取得ハードウェアインタフェース１２０を照会することができる。ステータスがアクティブな接続がないことを示している場合、またはＥＥＧやＥＯＧハードウェアへの接続の試みが失敗した場合は、上述したようにエラーインジケータまたはメッセージを生成してユーザインタフェース１１０に表示できる。あるいは、接続の問題をユーザに警告するために音を生成することもでき。これらのアラートは、接続の問題に対処するようにユーザに促すものである。取得ハードウェアインタフェース１２０と取得ハードウェア（すなわち、ＥＥＧおよび／またはＥＯＧハードウェア）との間にアクティブな通信リンクが存在する場合、方法３００は、ステップ３３０に進むことができる。

【0041】

上述したように、ＥＥＧ電極のインピーダンスはＥＥＧ信号の品質に影響を与える可能性があり、したがって、ＥＥＧ信号からＥＲＤ／ＥＲＳ特徴を確実に抽出する能力に影響を与える可能性がある。したがって、ステップ３３０で、インピーダンス測定が実行されて、測定されたインピーダンス値が閾値または範囲外にあるかどうかが検証される。例えば、ＥＥＧ電極の特定のセットについては、特定の閾値未満のインピーダンス値が好ましい。そのため、インピーダンスの測定を行ってから、この閾値と比較することができる。インピーダンス測定は、電極の特定のアレイ内の任意のＥＥＧ電極位置に対して要求できる。例えば、Ｆｚ、Ｃｚ、Ｐｚおよび／またはＥＯＧ電極は、位置ｈＥＯＧ（例えば、「水平ＥＯＧ」－対象者の目の横、こめかみの近くに配置されるＥＯＧ電極）またはｖＥＯＧ（例えば、「垂直ＥＯＧ」－配置されたＥＯＧ電極－対象者の目の上）にあり得る。いくつかの実施形態では、ＥＯＧおよびＥＥＧ電極は、異なる閾値に関連付けられ得る。他の実施形態では、ＥＯＧおよびＥＥＧ電極は、同じ閾値に関連付けられ得る。いくつかの他の実施形態では、いくつかのＥＥＧ電極位置（脳の運動領域に最も近いＣ３、ＣＺおよびＣ４など）は、これらの電極が優先されることを確実にするために、より低いインピーダンス閾値を有し得る。ＥＥＧおよびＥＯＧ電極は、図２に示されるように配置され得る、または信号を記録するために任意の適切な空間的位置および構成をとることができる。

【0042】

ＥＥＧおよび／またはＥＯＧ電極の測定されたインピーダンス値が満足のいくものである（例えば、閾値を下回る）場合、方法３００の次のステップを実行することができる。しかしながら、測定されたインピーダンス値が満足のいくものでない場合、エラーインジケータまたはメッセージが生成されて、ユーザインタフェース１１０に表示され得る。あるいは、インピーダンスの問題が存在することをユーザに警告するために音が生成されてもよい。これらのアラートは、インピーダンスの問題に対処するようにユーザに促すものである。例えば、電極インピーダンスは、次の１つ以上を実行することで修正できる。すなわち、対象者の頭皮に追加のＥＥＧ導電性ゲルを塗布する、電極/キャップを再調整して、フィット感を向上させる、ヘアジェルなど、対象者の髪から余分な破片を取り除く、頭皮を磨いて非導電性の皮膚層を取り除く、アルコールワイプで頭皮の皮膚をきれいにするなどである。

【0043】

上述したように、インピーダンス測定値を繰り返しスキャンして、各ＥＥＧおよび/またはＥＯＧ電極のインピーダンスが目的の範囲内にあることを確認できる。したがって、システムコントローラ１７０は、更新されたインピーダンス値について、取得ハードウェアインタフェース１２０を介してＥＥＧハードウェアを定期的に（例えば、オンデマンドで、または所定のポーリング周波数で）ポーリングすることができる。

【0044】

ステップ３４０で、スキャンが開始される。スキャンの開始時に、スキャンが開始されようとしていることを対象者に示し、スキャンプロセスに関する情報および１つまたは複数のベンチマーク動作を実行する方法に関する指示を対象者に提供するために、音声または視覚プロンプトが生成され得る。スキャン中、例えば、短いビデオをディスプレイで再生して、特定のベンチマーク動作を実行する方法を対象者に示すことができる。最初の音声または視覚的なプロンプトに続いて、スキャンが開始される場合がある。

【0045】

スキャン中、システムコントローラ１７０は、ＥＥＧおよび／またはＥＯＧ電極からの生データ、ならびに一連のベンチマーク動作の性能を示すトリガー信号（例えば、ボタンベースのクリッカー、ＥＭＧまたはカメラからの）の存在を記録することができる。いくつかの実施形態では、マルチチャネルＥＥＧデータが受信され、各チャネルは、電極のグループ内の電極に対応し、それぞれが、それぞれのＥＥＧ信号を記録するために適切な空間位置に配置される。 例えば、そのようなデータは、図２のＥＥＧハードウェアのＦｚ、Ｃｚ、およびＰｚチャネルに対応することができ。名目上の電極部位に存在するＥＥＧヘッドセットに埋め込まれた電極に属する。別の例では、Ｃ３、ＣＺ、およびＣ４チャネルなどの脳の運動領域の近くに配置された電極が、運動能力を評価するためのＥＥＧ信号を取得する目的でより一般的に使用され得る。さらに他の例では、脳の運動野内またはその周囲にクラスター化された複数の電極を配置することが望ましい場合がある。ＥＯＧハードウェアＰ０７およびＯｚチャネルから受信したデータも受信できる。このようなチャネルは、ｖＥＯＧ／ｈＥＯＧの位置にある接着電極に接続されている。

【0046】

システムコントローラ１７０は、運動コマンドの開始時間をタイムスタンプでマークすることができる。このタスクは、例えば、取得ハードウェアインタフェース１２０または他の任意の適切なシステムコンポーネントを介して、ＥＥＧハードウェアへのトリガー信号を生成することによって達成することができる。いくつかの実施形態では、トリガー信号は、ＥＥＧハードウェアによって受信および捕捉され、ＥＥＧデータとともに可動性評価システム１００に提供され得る電圧出力として表される生成されたパルスであり得る。他の実施形態では、トリガー信号は、異なるコード値を有するトリガーコードの形態であり得る。例えば、トリガーコードは、スキャンの開始を示す１６進値、または特定のベンチマーク運動を実行するコマンドが提供されることを示す１６進値である場合がある。例えば、第１のコードは、一連のコマンドの第１のコマンドを示すために使用され得る、第２のコードは、一連のコマンドの第２のコマンドを示すために使用され得る、等々である。

【0047】

スキャンが正常に終了すると、システムコントローラ１７０は、取得されたＥＥＧおよび／またはＥＯＧデータをデータストレージ１５０に保存することができる。例えば、システムコントローラ１７０は、収集されたＥＥＧおよび／またはＥＯＧデータをその生の形態でファイルに保存することができる。生のＥＥＧデータ（原ＥＥＧデータ）ファイルには、スキャン中にＥＥＧハードウェアによって記録されたすべてのチャネルのデータを含めることができる。これには、使用可能なすべてのＥＥＧ電極、バッテリーレベル、サンプル番号、ベンチマーク運動が実行された時点を示すトリガーチャネルが含まれる。ＥＯＧデータも同様の方法で保存できる。

【0048】

システムコントローラ１７０はまた、コンテキスト情報、スキャン詳細、スキャン日付およびスキャン時間を含むスキャンメタデータファイルにスキャン関連メタデータを保存することができる。したがって、本実施形態では、２つの出力ファイルが生成され、ＥＥＧおよび／またはＥＯＧデータ用の１つの出力ファイルと、メタデータ用の別の出力ファイルとを含む。２つの出力ファイルの内容は「スキャンデータ」と見なすことができる。他の実施形態では、スキャンデータを組み合わせて同じデータファイルにすることができる。保存されたスキャンデータは、その後、ユーザによって検索され、データ処理モジュール１６０にロードされて、以下でより詳細に説明されるように、対応する運動制御スコアを計算するために使用されるＥＲＤ／ＥＲＳ特性を決定することができる。

【0049】

別のスキャン構成では、最後に保存されたスキャン関連データは、処理および分析のためにデータ処理モジュール１６０に自動的にロードされ得る。別のスキャン構成では、スキャン取得および信号処理は、「リアルタイム」で同時にまたは実質的に同時に実行され得る。例えば、スキャンセッションが進行しているとき、取得されたＥＥＧおよび／またはＥＯＧデータは、データストレージ１５０に保存され得、また、運動制御スコアのリアルタイム計算のためにデータ処理モジュール１６０に「ストリーミング」され得る。

【0050】

ＥＥＧデータの処理と最適化
ここで図４を参照すると、時間－周波数分析（時間周波数分析）を使用して所与の対象者の生のＥＥＧスキャンデータを処理して特定の周波数成分、すなわちＥＲＤ／ＥＲＳ挙動を含む周波数帯域を特定し、ＥＲＤ／ＥＲＳ波形を抽出するための方法４００を示すフローチャートが示されている。ＥＲＤ／ＥＲＳは、一般的な周波数帯域と動きに関連する一般的な期間で発生することが知られているが、正確な周波数帯域と期間は個人によって異なる。一部の実装では、対象者の周波数帯域は１Ｈｚ～４５Ｈｚの範囲になる。他の実装では、範囲はより狭くなる。例えば、ＥＥＧアルファ帯域（バンド）は一般に８Ｈｚ～１２Ｈｚの範囲であると見なされるが、個人によって異なり、その結果、アルファＥＲＤは、この周波数帯域内のサブセクション（２Ｈｚ幅のサブバンドなど）でのみ発生する可能性がある。同様に、ＥＥＧベータ帯域は、一般に１３～３０Ｈｚの範囲にあると見なされるが、個人間のばらつきを考えると、ベータＥＲＤは、この周波数帯域内のサブセクション（４Ｈｚ幅のサブバンドなど）でのみ発生する可能性がある。

【0051】

関心のある周波数帯域を決定するために、運動情報を含む可能性が最も高い単一のＥＥＧ電極またはＥＥＧ電極の組み合わせからのデータ（通常、各脳半球の運動皮質の真上に配置されるＣ３またはＣ４、またはＣ３／Ｃ４周囲の電極のラプラシアン（Laplacian）コンビネーション）は、個人固有の周波数帯域を識別するために使用できる。周波数を決定すると、個人のスキャンに使用されるすべてのＥＥＧ電極からキャプチャされたＥＲＤ／ＥＲＳ情報を抽出して、運動制御スコアを計算できる。

【0052】

方法４００は、上記の可動性評価システム１００（この方法のデータ処理ステップは、データ処理モジュール１６０によって実施され得る）、クラウドベースのコンピューティングクラスタなどの分散処理リソースによって、または、特定用途向け集積回路（ＡＳＩＣ）またはフィールドプログラマブルゲートアレイ（ＦＰＧＡ）を使用するなど、当技術分野で知られている技術を使用して実装された別個のおよび／または専用のデジタル信号プロセッサによって実行され得る。

【0053】

方法４００のステップ４０５で、所望のスキャンのためのＥＥＧデータが分析のためにインポートされる。上記のように、ＥＥＧデータは、参加者が一連の単純なベンチマーク動作（指のタッピングなど）を実行しているときに記録できる。動作の実行時にタイムスタンプが付けられ、自己推定１０秒ごとに１回実行される。健康な参加者の場合、ＥＥＧデータは、利き手でボタンベースのクリッカーデバイスでクリックすることで収集できる。慢性脳卒中の参加者の場合、ＥＥＧデータは、障害のある手でボタンベースのクリッカーデバイスをクリックすることで収集できる。場合によっては、ヒューゲルマイヤー評価法（ＦＭＡ）やボックスアンドブロックテスト（ＢＢＴ）などの臨床評価を実行して、すべての参加者から運動機能の臨床評価スコアを収集することもできる 利用可能な場合、そのような臨床評価スコアは、追加のコンテキスト情報として可動性評価システム１００に提供することができる。しかしながら、ＥＥＧ情報から運動制御スコアを取得するための本明細書に記載の方法は、臨床評価の代替として機能することを意図しているので、そのような臨床評価スコアは必須ではない。

【0054】

いくつかの実施形態では、完了したスキャンに対応するスキャンデータは、データストレージ１５０から検索され得る。この場合、ユーザインタフェース１１０は、処理に利用可能なデータファイルのリストを提供するように動作可能である（例えば、そのようなデータファイルは、処理されたものとしてマークされていないであろう）。いくつかの他の実施形態では、ユーザインタフェース１１０はまた、処理されたデータファイルを同時に表示する適切な提示を提供し得る。さらに他の実施形態では、ユーザインタフェース１１０は、データストレージ１５０を定期的にスキャンして、まだ処理されていないデータファイルのリストの更新を容易にするために追加された新しいデータファイルを識別することができる。

【0055】

処理済みのデータファイルは、未処理のデータファイルとは異なる形式で保存される場合がある。例えば、生の（未処理の）ＥＥＧデータ（原ＥＥＧデータ）は、人間が読める形式（例えば、ＣＳＶ形式）であり、処理されたＥＥＧデータファイルは、機械可読形式である場合がある（例えば、メモリ使用量を削減できる圧縮可能または圧縮ファイル形式などのバイナリファイル形式を使用する）。場合によっては、未加工および処理済みのＥＥＧデータファイルに、機密を保持する必要のある情報が含まれていることがある。そのため、対象者のプライバシーを保護する目的で、生および処理されたＥＥＧデータファイルが暗号化される場合がある。

【0056】

処理する目的のデータファイルを手動または自動で選択すると、ＥＥＧおよび/またはEOGデータと対応するメタデータが可動性評価システム１００によって「読み込まれ」る。いくつかの実施形態では、スキャンデータは、処理の前にその有効性を評価するために検証され得る。
例えば、選択されたデータファイルが破損している（例えば、サンプル数の表示、誤ったファイル長などの特定のファイルパラメータが欠落している）、データストレージ150から欠落していると判断された場合、エラーメッセージが生成され得る。 、またはすでに処理されている。

【0057】

ステップ４１０で、インポートされたＥＥＧデータは、運動タイムスタンプ（または休止期間タイムスタンプ）の周りの１つまたは複数の個別のウィンドウに分割される。一実施形態では、運動時点の周りの関心のある特定の時間範囲は、アルファＥＲＤの運動に対して－２秒から０秒であり、ベータＥＲＳの運動に対して０秒から＋２秒である。上記のように、トリガー信号はタイミング基準として使用できる。ウィンドウのサイズは、実行されている動きに関連する神経活動の予想される持続時間に従って選択することができる。指のタッピングなどの単純なタスクの場合、ＥＲＤは身体の動きの最大２～３秒前に開始され、運動の準備を示す。運動後、ＥＲＳは最大２～３秒間発生する可能性があり、不応（refractory）期または「リセット」期間を示す。選択したウィンドウサイズには、予想される活動期間の全部または一部が含まれる場合がある。神経活動の増加または減少の計算を可能にするために、ＥＲＤの前またはＥＲＳの後のいずれかで定義される、「通常」に関連するベースライン期間（動きが発生しておらず、脳の運動活性化がアイドル状態にある場合）もウィンドウに含めることができる。

【0058】

いくつかの実装形態では、ステップ４１０でウィンドウ処理を適用する前に、任意選択でスキャンデータをさらにフィルタリングして、より高い周波数のノイズを除去し、ＥＲＤ／ＥＲＳに寄与すると予想されない脳周波数を除外し、および／またはＥＥＧから低周波数の「ドリフト」を除去することができる。選択されるフィルタは、使用されているＥＥＧハードウェアから受信したスキャンデータをフィルタリングするのに適した任意のフィルタであり得る。 例えば、ローパスフィルタ、ニューラルネットワークフィルタ（オートエンコーダなど）、および運動平均フィルタを使用できる。いくつかの実施形態では、所望の通過帯域を有するバンドパスフィルタを、ＥＥＧおよび／またはＥＯＧチャネルの生データ（原データ）に適用することができる。例えば、通過帯域の低周波数部分は、高周波数ノイズ成分を除去するように動作可能であり、通過帯域の高周波数部分は、「ドリフト」を除去するように動作可能である。いくつかの実施形態では、バンドパスフィルタは、バターワースフィルタなどの最小通過帯域リップルフィルタを使用して実装することができる。

【0059】

任意選択で、ステップ４１５で、ＥＯＧ補正は、ＥＯＧハードウェアからのＥＯＧデータを使用して適用され、眼球運動およびまばたきなどのスキャン中に検出された眼球活動に起因するアーチファクトを除去する。具体的には、ＥＥＧチャネルからのデータが適応フィルタを使用してフィルタ処理されるため、ＥＯＧデータを参照として使用できる。例えば、カーネルサイズが５で忘却係数が０．９９９９の再帰的最小二乗フィルタを適用できる。図５Ａは、まばたきを示すＥＯＧ信号５１２のグラフ、結果として生じる対応するまばたきアーチファクトを含む「汚染された」ＥＥＧ信号５１０（Ｆｚチャネル）、およびアーチファクトが低減された補正されたＥＥＧ信号５１４を示す。他の実施形態では、独立成分分析手法（ＩＣＡ）および/または自己回帰運動平均（外因性）モデル（ＡＲＭＡＸ）が組み込まれた他の適切なフィルタを使用することができる。場合によっては、任意選択で、ウィンドウの一部を却下（拒否）し（例えば、高電圧などのアーチファクトが存在する場合）、同じウィンドウの別の部分を保持することが適切な場合もある。したがって、高電圧（または他のタイプのアーティファクト）を伴うデータセグメントの却下は、ウィンドウ処理の前（ステップ４１０）、ウィンドウ処理後、またはその両方で実行することができる。

【0060】

任意選択で、ステップ４２０で、ＥＯＧ補正されたＥＥＧデータをさらにフィルタリングして、所与の閾値を超える電圧を有するサンプルを除去することができる。拒否されたウィンドウは、以降の処理から除外される。高電圧は、使用されているＥＥＧハードウェアを含むさまざまな要因、または電極の対象者への接触や対象者の動きの程度などの環境要因に起因する可能性がある。当業者は、ＥＥＧハードウェアの構成およびスキャンされる対象者に応じて、閾値が異なる値をとることができることを理解するであろう。したがって、特定のシステムの閾値は、較正によって、または当業者に知られている他の適切な方法を使用して決定することができる。

【0061】

ステップ４２５で、ウィンドウは一緒に平均化される。複数のウィンドウを平均化すると、ノイズを 1 / √n の係数で削減できる。ここで、n は反復回数である。このような平均化により、ノイズで汚染された個々のＥＥＧと比較して統計的に意味のあるＥＥＧ波形が生成される。いくつかの実施形態では、この平均化は、チャネルごとに実施することができる。

【0062】

ステップ４３０で、平均化後、時間周波数分析が、平均化されたＥＥＧデータに対して実行されて、図５Ｂに示されるような時間周波数マップを生成する。平均化されたＥＥＧデータは、当業者に知られている技術を使用して時間－周波数領域に変換することができる。例えば、変換は、連続または離散フーリエ変換またはウェーブレット変換、あるいは高速フーリエ変換を使用して実行できる。ウェーブレット変換の場合、適切なウェーブレットタイプを適用して変換を実行できる。 例えば、ハール（Haar）ウェーブレット、ドブシー（Daubechies）ウェーブレット、二重直交（Biothogonal）ウェーブレット、コイフレット（Coiflets）ウェーブレット、モルレー（Morlet）ウェーブレット、シムレット（Symlets）ウェーブレット、メキシカンハット（Mexican Hat）ウェーブレット、マイヤー（Meyer）ウェーブレット、複素ウェーブレット、その他の実際のウェーブレットを含むがこれらに限定されない、１つ以上の異なるファミリのウェーブレットを使用できる。

【0063】

時間－周波数領域内で、周波数帯域は、生成された時間周波数マップに基づいて上記の一般的な周波数範囲内で識別され、予想されるアルファ/ベータＥＲＤ / ＥＲＳ特性を特定する。上記のように、ＥＲＤ／ＥＲＳは、一般的な周波数帯域内で、運動に関連する一般的な期間に発生することが知られている。ただし、特定の周波数帯域は通常、個人によって異なる。例えば、ＥＥＧアルファ帯域は、一般に８Ｈｚ～１２Ｈｚの範囲にあると見なされ、ベータ帯域は、一般に１３Ｈｚ～３０Ｈｚzの範囲にあると見なされるが、さまざまな個人の特定の周波数帯域は、これらの範囲内で変化する。一般的な周波数帯域ウィンドウ内（つまり、アルファの場合は８～１２Ｈｚ、ベータの場合は１３～３０Ｈｚ）、特定の時点（例えば、アルファＥＲＤの場合は－２秒から０秒、ベータＥＲＳの場合は０秒から＋２秒）で、各個人のＥＲＤ／ＥＲＳ特性を最もよく表す周波数帯域は、アルファ/ベータＥＲＤ／ＥＲＳ特性が期待される時間-周波数マップ内の位置に基づいて自動的に識別できる。一実施形態では、アルファ帯域内の２Ｈｚ幅のサブバンドおよびベータ帯域内の４Ｈｚ幅のサブバンドは、周波数範囲内であると見なされる。サブバンドの他の適切な帯域幅も使用することができる。

【0064】

図５Ｂに示される１人の対象者のＥＥＧの例示的な時間周波数マップにおいて、関心領域は、運動前（時間０）に発生するアルファＥＲＤに対応する低信号強度領域を表す楕円形のマーカー５２０によって表される。円マーカー５３０は、運動後のベータＥＲＳを表す高信号強度の領域を示す。この特定のケースでは、強調表示されたＥＲＤ帯域は約９～１３Ｈｚであり、強調表示されたＥＲＳは約１６～２３Ｈｚであることに注意されたい。幅がそれぞれ２Ｈｚと４Ｈｚのサブバンドをこれらの一般的なバンドから選択して、最も顕著なＥＲＤ／ＥＲＳの周波数を分離できる。場合によっては、２つのＥＲＤ帯域と２つのＥＲＳ帯域、または複数のＥＲＤ帯域とＥＲＳ帯域の組み合わせが存在する可能性がある。したがって、ＥＲＤおよびＥＲＳ周波数帯域は、時間－周波数マップ内の１つまたは複数の周波数範囲内に配置することができる。典型的なケースは、アルファＥＲＤとベータＥＲＳであるが、例えば、アルファＥＲＳ、ベータＥＲＤ、ガンマＥＲＳ（それぞれ異なるバンドを持つ）もあり得る。他の実施形態では、１つの周波数帯域のみが使用され、ＥＲＳおよびＥＲＤの両方がその帯域から導出される。

【0065】

一実施形態では、ＥＲＤウィンドウ中の平均電力が最も低く、ＥＲＳウィンドウ中の平均電力が最も高い帯域が考慮される。一例によれば、アルファ帯域の場合、最適な個々の帯域が２Ｈｚ幅のサブバンドとして選択され、ベータ帯域の場合、最適な個々の帯域が４Ｈｚ幅のサブバンドとして選択される。周波数が増加するにつれてサブバンド帯域幅が増加することは、周波数分解能がより高い周波数で減少する時間周波数分析の不確定性原理と一致している。例えば、サブバンドの帯域幅は、対象者の周波数範囲の増加に比例して増加する可能性がある。３０Ｈｚ～１００Ｈｚのガンマ帯域など、より高い周波数帯域を検討する場合は、個々の帯域（つまりサブ帯域）の帯域幅を比例して広くする必要がある。

【0066】

ステップ４３５で、ＥＲＤ ／ ＥＲＳを含む識別された周波数帯域特性は、すべてのＥＥＧ電極からのＥＥＧデータをフィルタリングするための適切なフィルタを構成するために使用される。次に、バンドパスフィルタがすべてのＥＥＧチャネルとすべてのＥＥＧ時間サンプルに適用される。フィルタリング後、フィルタリングされたデータは、ステップ４１０で適用されたのと同じ時間ウィンドウを使用して、再び時間によって区切られる（例えば、ウィンドウ化される）。

【0067】

ステップ４４０で、バンドパスフィルタリング後、様々なＥＥＧチャネルは、電極位置に従って１つまたは複数の空間グループに空間的に分割され、以下でより詳細に説明するように、各電極グループの全体的なＥＥＧ波形を取得するように最適化される。例えば、脳半球が異なる信号特性を持つと予想される場合、電極は、左半球または右半球上の位置に基づいて２つのグループに分けることができる。電極グループ内の各電極は、同じまたは類似のＥＲＤ／ＥＲＳ特性を検出することが予想される。この方法で電極をグループ化する理由は、２つの半球での脳活動の同期は複雑であるが、様々なタイプの運動活動が半球に異なる影響を与えることである。一般的に、アルファ運動活動は両方の半球でしばしば発生し、同時に、ベータ運動活動は運動の反対側の半球でのみ発生する。脳卒中やその他の脳損傷のある人の場合、このパターンが乱れる可能性がある。

【0068】

ステップ４４５で、各空間グループの最適化が実行される。前のステップで特定された各電極グループについて、与えられた個人に対して電極の最適な組み合わせ（例えば、電極のグループ全体またはグループのサブセット）があり、そのために行われる運動プロセスのＥＥＧ表現を最もよく提供できると想定される。具体的には、ＥＥＧ体積伝導の原理に従って、運動活動は複数のＥＥＧ電極によって検出可能であり、したがって複数のＥＥＧチャネルに存在すると一般に予想される。注意の変動を示す後頭脳領域からのアルファ活動など、運動活動と同時に発生する他の脳信号も、複数の電極によって検出可能になる。したがって、これらのチャネルを組み合わせると、出力情報の品質を最大化してＥＲＤ／ＥＲＳ検出を改善し、運動皮質からの意味のある信号を最適に検出し、他の信号（ノイズ、無関係なアルファ活動など）を最適に拒否することができる。脳は複雑な器官であり、さまざまな領域でさまざまな振動周波数で同時に進行する複数の種類の脳活動がある。そのような活動には、中央領域からの運動活動、後頭領域からの視覚活動、前頭領域からの認知活動、およびノイズが含まれる。電気的活動の体積伝導は、すべての電極がすべての活動タイプを記録することを意味する。したがって、ＥＥＧ電極のグループが複数のタイプの脳活動を同時に記録する場合、最適化手法を適用して、目的のタイプの活動（運動など）のみを保持し、他のすべてを削除することが望ましい場合がある。この最適化は、独立成分分析（ＩＣＡ）と同じように機能する。この場合、独立したソース（例えば、脳の個別のタイプの活動）を複数の記録（例えば、電極）から再構築できる。脳構造と運動皮質構造は個人間である程度の変動を示すため、１つのタイプの脳活動（運動活動など）のキャプチャを最適化するＥＥＧチャネルの組み合わせは、個々の対象者に依存する場合がある。さらに、脳卒中などの脳損傷は、影響を受けた各脳に独自の変化を生じさせることが知られている。

【0069】

ＥＥＧチャネルの最適な組み合わせの決定は、コンピュータで実装されたさまざまな最適化手法を使用して自動化できる。例えば、一実施形態では、勾配降下法は、最適な電極の組み合わせを識別するために選択される。最急降下法の１つのアプリケーションでは、相互に関連して最適化するために２つの時間ウィンドウが選択される。あるケースでは、ＥＲＤは対象者の動きの前と動きの間に発生すると予想される。 この予想に基づいて、ベースライン期間（例えば、運動タイムスタンプの－５秒から－４秒前の範囲）とＥＲＤ期間（例えば、運動タイムスタンプの－１秒から０秒前の範囲）を確立できる。運動後に発生すると予想されるＥＲＳの場合、同じベースライン期間を運動後の期間（例えば、０秒から＋１秒の範囲）と組み合わせて使用できる。あるいは、運動前と運動後の期間を相互に最適化することもできる。選択した期間の幅は、通常０．５秒から３秒の範囲内で変化する可能性があるが、時間分解能の向上と、幅が狭くなるにつれてノイズに対する脆弱性が高まることの間のトレードオフがある。

【0070】

次に、最急降下法を実行して、ベースライン期間中のＥＥＧ信号電力とＥＲＤ期間中のＥＥＧ信号電力の比率に関して最適化を実行できる。この最適化の目的は、信号電力の相対的な差を最大化する各電極グループ内の電極の組み合わせを特定することである。この最適化により、運動中のＥＲＤが可能な限り低く、運動後のＥＲＳが可能な限り高い電極の組み合わせが特定されることが予想される。最適化は、期間全体の平均として計算されるため、出力波形を自動的に平滑化するという追加の利点がある。

【0071】

最適化手順の開始時に、可能な電極の組み合わせの最初の推測は、各ＥＥＧチャネルに対応する重み付け値を割り当てることによって提供される（例えば、ゼロの重み付けはチャネルが除外されることを意味する）。この推測は、上記の時間周波数分析ステップで使用される最良の推測の重み付けと同じまたは異なる場合がある。この最初の推測から、多次元勾配曲線は、当業者に知られている技術を使用して計算され、信号電力比を最適化する増分の重み付けの変化を特定することができる。

【0072】

最適な推測の重み付けは、重み付けを段階的に変更することで更新できる。重み付けの調整は、ＥＥＧ信号の電力比（「信号」期間と「ノイズ」期間の相対的な電力差）が安定するまで繰り返し実行することができる。このプロセスは決定的である（つまり、最初のチャネルの重みの推測は常に同じ「最適化された」出力チャネルの重みを生成する）が、最初の推測に依存する。したがって、いくつかの実施形態では、最終的な最適化を見つけるために、複数の初期推測（小さな変動または大きな差異のいずれか）が試みられ得る。

【0073】

各周波数帯域および各電極グループについて、最適化手順からの最適化されたチャネルの重みを使用して、電極グループに関連付けられたその周波数帯域/領域のＥＥＧ信号を最もよく表す結果の「仮想チャネル」を計算する。図５Ｂは、勾配降下最適化前のチャネル重みの例示的な仮想チャネル重みプロットを示している。プロット５４０に示されている最初の推測は、電極Ｃ３を中心とする単純な空間ラプラシアン（Laplacian）フィルタである。プロット５５０は、最適化後の重み付けを示している。重みの全体的な組み合わせは、最適化後も同じままであるが（この場合、Ｃ３の重みが最も大きくなる）、周囲の電極の寄与が適応していることに注意されたい。全体的な適応は、上記の段階的な変更の反復プロセスを通じて行われる。

【0074】

ステップ４５０で、各仮想チャネルは、仮想チャネルによって表されるＥＥＧ信号を二乗し、各運動試行の周りをウィンドウ処理し、すべての試行にわたって平均し、運動の前のベースライン期間での電力信号に対して平均を正規化することによって、ＥＲＤ ／ ＥＲＳ電力信号に変換される。導出されたＥＲＤ／ＥＲＳ電力信号は、ベースライン電力レベルに対する電力変化のパーセンテージとして表される。既存の方法は、一般に、勾配降下最適化を事前に適用することなく、仮想チャネルではなく、ＥＥＧチャネルのＥＥＧ信号の二乗を適用することに留意されたい。そうすることで、ＥＲＤ／ＥＲＳ機能を使用した自動運動制御スコア決定のために（さまざまなノイズ源のために）適切に「クリーン」になる可能性のある派生ＥＲＤ／ＥＲＳ電力信号が得られる可能性がある。

【0075】

運動制御スコアの計算
上述した手順により、運動前後のＥＲＤ / ＥＲＳ動作の連続時間曲線が作成される。アルファＥＲＤおよびベータＥＲＳ信号の例示的なグラフが、健常者のサンプル（それぞれ、運動の対側および運動の同側のグラフ（ａ）および（ｃ））および脳卒中患者のサンプル（運動の対側および運動の同側のグラフ（ｂ）および（ｄ））のそれぞれについて、図６および図７にそれぞれ示されている。各グラフで、細い線は個々のＥＲＤまたはＥＲＳ（場合によっては）信号に対応し、太線は対応する個々の信号の平均ＥＲＤまたはＥＲＳ（場合によっては）を表する。

【0076】

次に、最大値と最小値、最大値と最小値の発生時間、曲線の下の面積など、１つ以上の特徴をＥＲＤ／ＥＲＳ曲線から抽出できる。図６及び図７は、両方の周波数帯域でのＥＲＤ／ＥＲＳ活動を示している。図６および図７に示されるＥＲＤ／ＥＲＳ曲線は、時間領域グラフであるものの、上記のバンドパスフィルタリングステップがＥＥＧ周波数成分を狭い帯域に制限しているため、それらは周波数帯域情報を含む。したがって、グラフは、１つの特定のＥＥＧ周波数帯域の時間の活動変動を表する。例えば、アルファＥＲＤグラフは、２Ｈｚ幅のアルファ帯域の活動が、指の動きのタイムスタンプと比較して時間的にどのように変化するかを表する。図６および７では、健常者の参加者（グラフ（ａ）および（ｃ））は両方のＥＲＤ／ＥＲＳで高いピーク値を示し、慢性脳卒中の参加者（グラフ（ｂ）および（ｄ））では、対応するＥＲＤ／ＥＲＳ信号は比較的「フラット」であることが一般的に観察される。

【0077】

運動制御スコアは、抽出されたＥＲＤ／ＥＲＳ波形から取得可能な二次特徴値の組み合わせとして計算できる。運動制御スコアは、ボックスアンドブロックテスト、ＦＭＡ、ＷＭＦＴなどの臨床的運動機能評価との相関関係によって検証できる。これらの臨床評価は、スキャンと同じ日に対象者から取得することができる。

【0078】

一般的に、運動制御スコアは、任意の形式の二次特徴のセットから導出することができ、これらの特徴の線形または非線形の組み合わせを含むことができる。例えば、抽出されたＥＲＤ／ＥＲＳの二次特徴の和（合計）または積（乗算）は、運動制御スコアとして使用できる。考えられる二次的特徴には、例えば、ピーク値および曲線下面積（ＡＵＣ）が含まれ得る。これらの二次的特徴は、可動性の指標として使用できるため、運動制御スコアを生成するための適切な候補となる可能性がある。例えば、これらの二次的特徴の適合性は、図８に示されるように、脳卒中患者のＥＲＤ／ＥＲＳのＡＵＣとボックスアンドブロックテストのスコア（すなわち、臨床的に評価されたスコア）との間の相関を調べることによって示すことができる。アルファＥＲＤの最大値および最小値とボックスアンドブロックテストの間で特定された最高のピアソンの相関係数（ｒ＝－０．６３）、およびベータＥＲＳのＡＵＣとボックスアンドブロックテストの間で特定された最高のピアソンの相関係数（ｒ＝０．７８））は、図８に示されている。

【0079】

ＥＥＧ波形から抽出できる追加の二次特徴（ＥＲＤ／ＥＲＳ波形を含むが、これに限定されない）には、例えば、次のものが含まれる。それは、正のピークの最大値、負または正のピークの曲線下面積（ＡＵＣ）、全体的なＡＵＣ（負と正のＡＵＣの合計）、特定の時間間隔での平均値、線の全長、負のピークの待ち時間、正のピークの待ち時間、ゼロクロッシングの待ち時間、特定の時点での勾配、最大の正の勾配、最大の負の勾配、特定の時点での二次導関数、ｎ次多項式としての最適モデリングの係数、代表的な波形（グループ平均波形など）との畳み込みまたは相互相関から導出された特徴、波形間の畳み込みまたは相互相関（脳半球間など）から派生した特徴、代表的な波形のサブセクションとの畳み込みまたは相互相関から派生した特徴、信号の自己相関から派生した特徴、代表的な波形（グループ平均波形など）からの距離の測定値（ユークリッド距離、絶対的なポイント間差の合計など）、波形間の距離（ユークリッド距離、絶対的な点間差の合計など）の測定値（脳半球間など）、代表的な波形（グループ平均波形など）に関するＲ二乗係数、波形間のＲ二乗係数（脳半球間など）、波形のサブセクションのＲ二乗係数、周波数領域から派生した特徴、時間-周波数領域から派生した特徴、推定された分散または信号ノイズ（平均または特定の時点で）、曲線モーメントの測定値（歪度や尖度など）、およびその他の関連または適切な特徴である。

【0080】

運動制御スコアの計算には、次の操作の１つまたは任意の組み合わせを含めることができる。それらは、特徴値の和（合計）、特徴値の差（減算）、特徴値の積（乗算）、特徴値の商（除算）、定数による特徴値のスケーリング（目的の運動制御スコア出力を使用した、その特徴タイプの既知または推定の相関係数など）、既知の人口分布に対する特徴値の正規化、特徴値のべき乗（正または負の値の指数）、関数（正弦波など）を使用した特徴値のスケーリングまたは乗算、関数（正弦関数や余弦関数など）による特徴値の変換、またはその他の適切な特徴である。

【0081】

一例の実装では、運動制御スコアは、以下の一般式を使用して導出することができる。

【数1】

ここで、特徴１からｎ（feature₁ から feature_n）は、特定のＥＲＤ／ＥＲＳ特徴の二次特徴値である（例えば、アルファＥＲＤピークの最小値、ベータＥＲＳピークの曲線下面積、など）。また、係数ａとｂは、すべての特徴を０から１００までの平均値５０の近似範囲に等しくする正規化係数であり、係数ｃは、特徴の相対的な重要性、または特徴への信頼、または運動活動との特徴相関の予想される強さを表すスケーリング係数である。この場合、運動制御スコア値のスケールと範囲は一般的な運動機能を表し、０から１００まで任意に正規化できる。他のケースでは、既存の臨床評価（脳卒中患者のヒューゲルマイヤー評価など）の結果を具体的に予測するために運動制御スコアが導出される場合、値の範囲を調整して、目的の出力予測の範囲に一致させることができる（例：上肢ヒューゲルマイヤー評価の場合は０～６６）。

【0082】

別の実施形態では、運動機能を定量化するためのＥＥＧデータに見られるＥＲＤ／ＥＲＳ特徴の適用は、１つまたは複数の人工ニューラルネットワークモデルのコンテキストで実装することができる。このようなモデルは、モデルへの入力としてＥＥＧデータを使用して、臨床的に使用される運動機能スコアを生成するように訓練（トレーニング）できる。適切なニューラルネットワークモデルの開発と、ニューラルネットワークモデルの運動機能スコアへの適用について以下に説明する。

【0083】

他の実施形態では、運動制御スコアの決定は、ＥＲＤ／ＥＲＳ特徴または他の処理されたＥＥＧ特徴を、排他的に、または生／未処理のＥＥＧデータと組み合わせて、ディープニューラルネットワーク（ＤＮＮ）に入力することによって行うことができる。ＤＮＮ実装の特定のケースは、Xia 等著、“Electrooculogram based sleep stage classification using deep belief network”、2015 International Joint Conference on Neural Networks (IJCNN)、２０１５年７月１２日（ｐｐ．１－５）（ＩＥＥＥ）、および、Mikolov等著、“Recurrent neural network based language model”、INTERSPEECH-2010、ｐｐ．１０４５－１０４８、で議論されている。

【0084】

特定の実施形態では、運動制御スコア決定の基礎としての複数の出力測定値（例えば、ＤＮＮが複数の運動機能測定値と一致するように訓練されている場合）が考慮される。出力測定値は、運動制御スコアが形状として表されるように幾何学的に配置され得る（例えば、図１０に見られるように、正常な運動機能の場合は六角形、および障害がある場合、三角形）。図１０は、仮定のシナリオによる、標準的な場合の運動スコア１０１０と障害がある場合の運動スコア１０２０との間の偏差を示している。予測される機能測定値の組み合わせには、応答時間、器用さ、位置精度、ヒューゲルマイヤースコア、右腕、左腕、右脚、左脚、頭、胴体。グロスムーブメント、微細な動き、およびサブグループまたは上記の組み合わせが含まれる。

【0085】

別の実施形態では、運動制御スコアは、脳活動信号と筋電図（ＥＭＧ）などの他の生体信号とのデータ融合を使用して決定することができる。具体的には、対象者の体のさまざまな筋肉群から記録されたＥＭＧ信号を、生の信号として、またはフィルタリング後に、運動制御スコアを計算するためのＤＮＮの特徴として使用できる。

【0086】

人工ニューラルネットワークの実装
場合によっては、運動制御スコアを使用して、既存の臨床評価（脳卒中患者のヒューゲルマイヤー評価など）の結果を予測することが望ましい場合がある。１つの例示的な実装形態では、人工ニューラルネットワークが、運動制御スコアを使用して既存の臨床評価の結果を予測するために実装されている。この実装形態では、発明者らは、１２人の健常者である参加者と１４人の慢性脳卒中の参加者から取得したＥＥＧデータを使用して必要な一次ニューラルネットワークモデルを生成した。参加者から得られたＥＥＧデータは、人工ニューラルネットワークに適切な入力データを提供するために、上記の方法４００または別の適切な処理方法の１つまたは複数のステップを使用して処理され得る。一実施形態では、参加者のクリックイベント（すなわち、ベンチマークの運動）は、データ収集中にタイムスタンプが付けられた。別の実施形態では、追加の休止期間は、データ収集中にタイムスタンプが付けられた。収集されたＥＥＧデータは、１－４５バンドパス有限インパルス応答（「ＦＩＲ」）フィルタを使用してフィルタ処理される。フィルタリング後、ＥＥＧデータは、クリックの６秒前からクリックの４秒後まで（タイムスタンプに基づいて）ウィンドウに分割される。ＥＥＧデータに高速フーリエ変換が適用され、データの対応する大きさ応答とそれに応じた位相応答が抽出される。

【0087】

人工ニューラルネットワークモデルは、ＥＥＧスキャンの日の従来の評価によって各参加者に対して決定された対応するヒューゲルマイヤー評価（ＦＭＡ）スコアで計算された運動制御スコアの回帰を使用して生成された。例示的なニューラルネットワークモデルの構成が図１１示されている。ＥＥＧ信号の電力スペクトル密度および位相情報の形式の参加者データ（すなわち、少なくともアルファおよびベータ帯域の周波数要素を含む、各ＥＥＧ波形ウィンドウ内のＥＥＧデータの信号および周波数成分）は、モデル構成のフローへの入力として使用される。図１１の例示的なニューラルネットワークモデルでは、二次元畳み込みニューラルネットワーク層（「二次元畳み込み層」１１１０）は、指定されたカーネルサイズで入力行列内の隣接する要素の畳み込みを計算し、ニューロン数で事前定義された次元で出力を生成する。「最大プーリング」層１１２０は、前の層の出力から指定された部分行列から最大値をとるように設計されている。この例では、部分行列は２×２行列の形式である。この例の「平坦化層」１１３０は、前の層の出力を１次元ベクトルに再形成することを指す。「全結合層」１１４０は、すべてのニューラルノードが非畳み込みで全て結合されているネットワークを指す。このような層は、ニューロン数で事前定義された次元の出力を生成する。この例の「ドロップアウト層」１１５０は、前の層の出力の一部をランダムにゼロに設定する特別な層を含む。構成例では、この部分は０．００５のステップサイズで０から１まで検索される。現在のモデル構成では、各参加者のデータの３０回の試行がモデル生成に使用された。すべてのデータはランダム化され、１６回の試行のバッチに分割されて、モデルトレーニングプロセスに送られた。現在の実装では、全体として、取得したデータは２００回の繰り返しでモデル生成フレームワークに提供された。

【0088】

別の例示的な実施形態では、図１２に示すように、浅いニューラルネットワーク構成を使用することができる。浅いネットワークは、図１１のネットワークモデルと比較して、その構成においてより少ない層を含む。したがって、浅いネットワークはトレーニングに必要なデータが少なく、一般的に計算効率が高くなる。このようなニューラルネットワークは、モバイルまたはポータブルコンピューティングデバイスに展開されるシステムのアプリケーションをより容易にする可能性がある。

【0089】

生成されたモデルは、モデルのトレーニング/生成プロセスで使用されていない参加者からのデータを使用してテスト（検証）される。このデータは、少なくともアルファ帯域とベータ帯域内の周波数要素などの信号と周波数成分を含み、運動機能スコアを予測する能力をテストするためにモデルに提供される。結果は、以下でより詳細に説明するように、参加者内テストの結果と参加者間テストの結果を使用して要約される。

【0090】

参加者内テストの結果については、クリック動作中のすべての参加者からの３０試行分のＥＥＧデータがモデルのトレーニングで使用された。モデルのトレーニング／生成に関与しなかった残りのデータは、モデルの検証に使用される。この場合、モデル生成プロセスでは、テスト参加者のデータの一部のみがモデルに公開されている。このシナリオは、モデルのパフォーマンスの安定性を示すために、同じ参加者から新しいＥＥＧスキャンを取得することに似ている。

【0091】

参加者間テストの場合、１人の参加者のＥＥＧデータはトレーニングデータセットから除外される。モデルは、残りの参加者の３０回の試行に相当するＥＥＧデータを使用して生成される。モデルは、そのモデルがトレーニングで遭遇したことのない「真新しい」参加者（つまり、除外された参加者）のＥＥＧデータで検証される。このテストシナリオは、既存のデータセットに基づいて新しい参加者の運動機能のパフォーマンスを予測することに類似しており、データセットには新しい参加者のデータは含まれていない。

【0092】

上記のテストシナリオでは、ニューラルネットワークモデルはＦＭＡスコアを予測するようにトレーニングされている。参加者の予測されたおよび対応するＦＭＡスコアは、Ｒ^２相関係数値が０．９７５の参加者内テストの場合、図１３に示されるように補間される。相関結果に基づいて、ニューラルネットワークモデルはトレーニング中にうまく収束したと結論付けることができる。このモデルテストプロセスでは、クリック動作中の各参加者の３０試行分のＥＥＧデータがモデルのトレーニングで使用された。残りのデータは、モデルの検証で使用された。相関係数の値が１に近い場合、参加者内テストを使用したこの人工ニューラルネットワークアプローチでは、高い予測精度を実現できる。

【0093】

本発明者らはまた、トレーニングプロセスから１人の参加者を取り出し、残りの参加者のＥＥＧデータを使用してニューラルネットワークモデルをトレーニングすることにより、人工ニューラルネットワークの参加者間テストを実施した。除外された参加者のＥＥＧデータは、モデルの検証プロセスで使用される。テスト結果は、図１４に要約されている。図１４は、実際のＦＭＡスコアに対する平均予測ＦＭＡスコアのプロットを示している。この特定の研究では、相関係数 ｒ＝ ０．９５８３および０．９１８４のＲ^２値が得られ、予測スコアと実際のスコアの間に高レベルの相関があることを示している。このモデルのパフォーマンスは、より多くの参加者からＥＥＧデータをトレーニングし、トレーニング中にハイパーパラメータ最適化を適用することでさらに改善できる。

【0094】

前述の回帰研究はＦＭＡスコアを利用するが、例えばウルフ運動機能テスト（ＷＦＭＴ）などの運動機能の変化に対してより敏感な回帰評価も使用できるものである。

【0095】

別の実施形態では、得られた人工ニューラルネットワークモデルのさらなる分析を使用して、脳の活性化に対するリハビリテーショントレーニングまたは治療の効果の解釈を支援する。分析には、活性化最大化または別の適切な方法を使用して人工ニューラルネットワークの特徴を視覚化または分析することが含まれるが、これらに限定されるものではない。人工ニューラルネットワークの出力は、個人の運動能力が治療によって変化していないことを示している可能性があるが、モデルの分析を使用して、脳の再編成が発生しているかどうかを理解できる。これは、例えば、時間の経過とともに、人工ニューラルネットワークがさまざまなＥＥＧ特徴（ＥＲＤ／ＥＲＳ、またはＥＥＧ信号内の他の活動）を選択してモデルを作成する場合に当てはまる。

【0096】

図１５は、脳の活性化に対するリハビリテーショントレーニングまたは治療の効果を解釈するための人工ニューラルネットワークモデル分析の１つの可能な適用を示す方法１５００のフローチャートである。この方法は、ステップ１５０５(または「ステップ１」)から開始する。このステップは、脳活動の記録（例えば、ＥＥＧを使用する）を含むいくつかのサブステップを含み、対象者の運動機能を評価し（例えば、手動で、または本明細書に開示される可動性評価システム１００を使用して評価する）、記録された脳活動および対応する運動機能を使用して人工ニューラルネットワークなどの数学的モデルをトレーニングする。ステップ１の方法は、時間参照名「時刻０」（ゼロ）で一度に行われると言うことができる。

【0097】

次に、ステップ１５１０（または「ステップ２」）で、ステップ１のサブステップが繰り返されるが、このステップは、異なる時刻である。評価の頻度は、用途と目的に応じて変わる。例えば、頻度は、毎日、毎週、または毎月の場合がある。より具体的には、ステップ１が繰り返される時刻は、時間参照名「時刻１」で一度に発生すると言うことができる。

【0098】

ステップ１５１５（または「ステップｉ」）は、ステップ１を複数回繰り返すことができる（各繰り返しは、ステップｉのインスタンスである）ため、複数の数学的モデルが生成される任意選択のステップである。

【0099】

ステップ１５２０（または「ステップｎ」）において、この方法は、脳活動データおよび運動機能スコアを使用して生成された数学的モデルのパラメータを比較することを必要とする。 比較は、脳のモンタージュが変化したかどうかを理解するために、要素ごとの方法、または活性化最大化などの視覚化方法を使用した他の分析で行うことができる。

【0100】

本明細書で使用される例および対応する図は、例示のみを目的としている。本明細書に記載されている原理から逸脱することなく、異なる構成および用語を使用することができる。

【0101】

本発明は、特定の特定の実施形態を参照して説明されてきたが、その様々な修正は、本発明の範囲から逸脱することなく、当業者には明らかであろう。特許請求の範囲は、例として記載された例示的な実施形態によって限定されるべきではなく、全体としての説明と一致する最も広い解釈を与えられるべきである。

【図1】

【図2】

【図3】

【図4】

【図5A】

【図5B】

【図5C】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】

【図15】