CN102413871B

CN102413871B - 以基于支持向量机的算法为基础的病人状态探测

Info

Publication number: CN102413871B
Application number: CN201080020014.XA
Authority: CN
Inventors: D·L·卡尔森; T·J·丹尼森; A·H·休伯
Original assignee: Medtronic Inc
Current assignee: Medtronic Inc
Priority date: 2009-04-30
Filing date: 2010-01-26
Publication date: 2016-01-20
Anticipated expiration: 2030-01-26
Also published as: EP2429643A1; WO2010126624A1; EP2429644A1; EP2429643B1; US20100280579A1; CN102413871A; EP2429644B1; CN102413872A; US20100280334A1; US20100280574A1; WO2010126625A1; CN105844087A; US20100280335A1

Abstract

用由监督式机器学习技术(诸如支持向量机)所产生的至少一个分类界线来探测病人状态。在一些示例中，使用病人状态探测来做以下至少一件事：控制治疗传递给病人、产生病人提醒、开始数据记录、或者评估病人情况。另外，可基于特征向量和分类界线而确定评估度量，特征向量是基于病人参数信号的特性而确定的。示例的评估度量可基于至少一个特征向量和分类界线之间的距离，和/或多个特征向量随时间相对于分类界线的轨迹。

Description

以基于支持向量机的算法为基础的病人状态探测

技术领域

本发明涉及医疗设备，且，更具体地，涉及通过医疗设备的病人状态探测。

背景

可在不同的治疗应用中使用诸如电刺激器或治疗剂输送设备之类的可植入医疗设备，这些治疗应用诸如深度脑刺激(DBS)、脊髓刺激(SCS)、骨盆刺激、胃刺激、末梢神经刺激、功能电刺激或传输制药试剂、胰岛素、止痛剂或抗炎症试剂到病人体内的目标组织点。可使用医疗设备来向病人传递治疗，从而治疗各种症状或病人情况，诸如慢性痛、震颤、帕金森病、其他类型的运动障碍、癫痫症(如，癫痫)、小便或大便失禁、性功能紊乱、肥胖、精神紊乱、胃轻瘫或糖尿病。在一些治疗系统中，在由医疗导线所部署的一个或多个电极的辅助下，植入性电刺激器将电治疗传输给病人体内的目标治疗点。除了电刺激治疗之外或者代替电刺激治疗，在一个或多个流体传递部件(诸如导管或治疗剂流出管(elutingpatch))的辅助下，医疗设备可将治疗剂传输给病人体内的目标治疗点。

可配置外部或可植入的医疗设备来感知一个或多个病人参数，诸如生理信号、病人活动级别或病人姿势。在一些示例中，可使用基于所感知到的一个或多个生理参数的病人状态的探测来控制治疗传递。

概述

总体上，本发明涉及使用基于监督式(supervised)机器学习而确定的分类算法的病人状态探测。例如，可使用支持向量机(SVM)或者另一个人造神经网络而应用该监督式机器学习。监督式机器学习被实现为基于已知的指示病人处于病人状态的一个或多个病人参数信号中的两个或更多个特征的值以及已知的指示病人不处于病人状态的一个或多个病人参数信号的特征值，而在学习过程中产生分类界线。特征是病人参数信号的特性，诸如在特定频段的能级的幅值。分类界线描绘了指示病人处于病人状态的特征值和指示病人不处于病人状态的的特征值。

一旦基于已知的病人状态数据而确定了分类界线，通过确定从所感知的病人参数信号中提取出的特定特征值位于这个界线的哪一侧，医疗设备可使用这个界线来探测何时病人处于特定的病人状态。可使用这个病人状态探测来控制各种动作过程，诸如控制治疗传递、产生病人提醒或评估病人情况。另外，可基于该分类界线以及指示病人参数的信号来确定用于监测及评估病人情况的各种度量。

在一个方面中，本发明涉及一种方法，包括接收指示病人参数的信号、接收标识病人状态发生的信息、确定指示病人处于病人状态的生理信号的特性的至少一个第一值以及指示病人不处于第一病人状态的生理信号的特性的至少一个第二值，其中第一和第二值是不同的，且应用支持向量机基于生理信号的特性的第一和第二值来界定分类界线，其中医疗设备使用该分类界线将接下来所感知的病人的生理信号分类为指示病人状态。

在另一个方面中，本发明涉及一种方法，包括接收指示病人姿势的信号、接收标识姿势状态发生的信息、确定指示病人处于姿势状态的信号的特性的至少一个第一值以及指示病人不处于姿势状态的信号的特性的至少一个第二值，其中第一和第二值是不同的，且应用监督式机器学习技术基于信号的特性的第一和第二值来界定分类界线，其中医疗设备使用该分类界线将接下来所感知的病人的信号分类为指示姿势状态。

在另一个方面中，本发明涉及一种系统，包括产生指示病人参数的信号的感知模块、处理器，其接收指示病人参数的信号、接收标识姿势状态的发生的信息、确定指示病人处于姿势状态的信号的特性的至少一个第一值以及指示病人不处于姿势状态的信号的特性的至少一个第二值，其中第一和第二值是不同的，且应用监督式机器学习技术基于信号的特性的第一和第二值来界定分类界线。该系统还包括医疗设备，其使用该分类界线将接下来所感知的病人的信号分类为指示姿势状态。

在另一个方面中，本发明涉及一个方法，包括接收指示病人参数的信号、应用基于监督式机器学习技术而确定的分类算法来基于该信号而分类病人姿势状态，其中该分类算法界定分类界线，并基于所确定的病人姿势状态来控制给病人的医疗传递。

在另一个方面中，本发明涉及一种系统，包括将治疗传递给病人的治疗模块、产生指示病人姿势的信号的传感器和处理器，其应用基于监督式机器学习技术而确定的分类算法来基于该信号分类病人姿势状态并基于所确定的病人姿势状态而控制该治疗模块。

在另一个方面中，本发明涉及一个系统，包括用于接收指示病人姿势的信号的装置、用于接收标识姿势状态发生的信息的装置、用于确定指示病人处于姿势状态的信号的特性的至少一个第一值以及指示病人不处于姿势状态的信号的特性的至少一个第二值的装置，其中第一和第二值是不同的，以及用于应用监督式机器学习技术基于信号的特性的第一和第二值来界定分类界线的装置，其中医疗设备使用该分类界线将接下来所感知的病人的信号分类为指示姿势状态。

在另一个方面中，本发明涉及一个系统，包括用于接收指示病人参数的信号的装置、用于应用基于监督式机器学习技术而确定的分类算法来基于该信号而分类病人姿势状态的装置，其中该分类算法界定分类界线，以及用于基于所确定的病人姿势状态来控制给病人的医疗传递的装置。

在另一个方面中，本发明涉及一种计算机可读介质，包括使可编程处理器做出以下动作的指令：接收指示病人姿势的信号、接收标识姿势状态发生的信息、确定指示病人处于姿势状态的信号的特性的至少一个第一值以及指示病人不处于姿势状态的信号的特性的至少一个第二值，其中第一和第二值是不同的，且应用监督式机器学习技术基于信号的特性的第一和第二值来界定分类界线，其中医疗设备使用该分类界线将接下来所感知的病人的信号分类为指示姿势状态。

在另一个方面中，本发明涉及一种计算机可读介质，包括使可编程处理器做出以下动作的指令：接收指示病人参数的信号、应用基于监督式机器学习技术而确定的分类算法来基于该信号而分类病人姿势状态，其中该分类算法界定分类界线，并基于所确定的病人姿势状态来控制给病人的医疗传递。

在另一个方面中，本发明涉及一种方法，包括接收指示病人参数的信号、应用基于监督式机器学习而确定的第一分类算法来基于该信号分类病人状态，且应用基于监督式机器学习而确定的至少一个附加分类算法来基于该信号进一步分类病人状态。

在另一个方面中，本发明涉及一种系统，包括产生指示病人参数的信号的传感模块，和处理器，其接收该信号、应用基于监督式机器学习而确定的第一分类算法来基于该信号分类病人状态，以及应用基于监督式机器学习而确定的至少一个附加分类算法来基于该信号进一步分类病人状态。

在另一个方面中，本发明涉及一个系统，包括用于接收指示病人参数的信号的装置、用于应用基于监督式机器学习而确定的第一分类算法来基于该信号分类病人状态的装置，以及应用基于监督式机器学习而确定的至少一个附加分类算法来基于该信号进一步分类病人状态的装置。

在另一个方面中，本发明涉及一种计算机可读介质，包括使可编程处理器做出以下动作的指令：接收指示病人参数的信号、应用基于监督式机器学习而确定的第一分类算法来基于该信号分类病人状态，以及应用基于监督式机器学习而确定的至少一个附加分类算法来基于该信号进一步分类病人状态。

在另一个方面中，本发明涉及一种方法，包括接收指示病人参数的信号、基于该信号确定特征向量、应用基于支持向量机的算法来基于该特征向量分类病人状态，其中该基于支持向量机的算法界定分类界线，确定该特征向量和分类界线之间的距离，以及基于该距离确定对病人状态的评估度量。

在另一个方面中，本发明涉及一个系统，包括产生指示病人参数的信号的传感模块，和处理器，其接收该指示病人参数的信号、基于该信号确定特征向量、应用基于支持向量机的算法来基于该特征分类病人状态，其中该基于支持向量机的算法界定分类界线，并基于该特征向量和分类界线之间的距离而确定对病人状态的评估度量。

在另一个方面中，本发明涉及一个系统，包括用于接收指示病人参数的信号的装置、用于基于该信号确定特征向量的装置、用于应用基于支持向量机的算法来基于该特征向量分类病人状态的装置，其中该基于支持向量机的算法界定分类界线，用于确定该特征向量和分类界线之间的距离的装置，以及用于基于该距离确定用于病人状态的评估度量的装置。

在另一个方面中，本发明涉及一种计算机可读介质，包括使可编程处理器做出以下动作的指令：接收指示病人参数的信号、基于该信号确定特征向量、应用基于支持向量机的算法来基于该特征向量分类病人状态，其中该基于支持向量机的算法界定分类界线，确定该特征向量和分类界线之间的距离，以及基于该距离确定用于病人状态的评估度量。

在另一个方面中，本发明涉及一种方法，包括基于病人的参数产生信号、基于该信号确定随时间变化的多个特征向量、基于该多个特征向量而应用基于支持向量机的算法来分类病人状态，其中该基于支持向量机的算法界定特征空间中的分类界线，确定特征空间中的特征向量相对于该分类界线的轨迹，以及基于该特征空间中的特征向量的轨迹来产生指示。

在另一个方面中，本发明涉及一个系统，包括产生指示病人的参数的信号的传感模块，和处理器，其接收该信号、基于该信号确定随时间变化的多个特征向量、基于该多个特征向量而应用基于支持向量机的算法来分类病人状态，其中该基于支持向量机的算法界定特征空间中的分类界线，确定特征空间中的特征向量相对于该分类界线的轨迹，以及基于该特征空间中的特征向量的轨迹来产生指示。

在另一个方面中，本发明涉及一个系统，包括用于接收指示病人的参数的信号的装置、用于基于该信号确定随时间变化的多个特征向量的装置、用于基于该多个特征向量而应用基于支持向量机的算法来分类病人状态的装置，其中该基于支持向量机的算法界定特征空间中的分类界线，用于确定特征空间中的特征向量相对于该分类界线的轨迹的装置，以及用于基于该特征空间中的特征向量的轨迹来产生指示的装置。

在另一个方面中，本发明涉及一种计算机可读介质，包括使可编程处理器做出以下动作的指令：接收指示病人的参数的信号、基于该信号确定随时间变化的多个特征向量、基于该多个特征向量而应用基于支持向量机的算法来分类病人状态，其中该基于支持向量机的算法界定特征空间中的分类界线，确定特征空间中的特征向量相对于该分类界线的轨迹，以及基于该特征空间中的特征向量的轨迹来产生指示。

在另一个方面中，本发明涉及含有指令的计算机可读存储介质。该指令使可编程处理器执行此处描述的技术的任何一部分。这些指令可以是，例如，软件指令，诸如那些被用于定义软件或计算机程序的软件指令。计算机可读介质可以是计算机可读存储介质，诸如存储设备(如，盘驱动器或光驱)、存储器(如，闪存、随机存取存储器或RAM)或者其他任何类型的能存储指令(如，以计算机程序或其他可执行的形式)的易失性或非易失性的存储器，以使可编程处理器执行此处描述的技术。

在附图和以下描述中阐明了本公开的一个或多个示例的细节。

附图简述

图1是示出示例深度脑刺激(DBS)系统的理念图。

图2是示出示例医疗设备的组件的功能框图。

图3是示出示例医疗设备编程器的组件的功能框图。

图4是示例技术的流程图，用于训练支持向量机(SVM)算法来响应进一步的病人参数信号输入并将该病人参数信号输入分类为代表第一病人状态或第二病人状态。

图5是实现基于SVM的算法的计算设备的功能的概念图示，用于确定分类所感知的病人参数信号作为代表第一病人状态还是代表第二病人状态的分类界线。

图6示出包括线性分类界线的特征空间的示例。

图7示出包括两个线性分类界线的特征空间的示例。

图8A和8B数据示出非线性分类界线的示例。

图9是示例技术的流程图，用于基于实时或所存储的病人参数信号而确定病人状态。

图10是技术的概念图示，使用该技术，医疗设备基于指示病人参数的信号而确定病人状态。

图11是流程图，示出用于基于特征空间中的特征向量的轨迹而监测病人状态的示例技术。

图12是处理器可实现确定所感知的生理信号指示了三个病人状态中的哪一个的示例技术的流程图。

图13是流程图，示出处理器在使用SVM算法所产生的分类界线的帮助下可实现确定评估度量的示例技术。

图14A和14B是特征空间的概念图示，示出如何可确定分类界线与所确定的特征向量之间的距离。

图15是数据结构的示例，其将特征向量与分类界线之间的多个距离与相应的严格度量(severitymetric)关联起来。

图16和17是医疗设备的传感模块的示例电路的概念框图。

图18是表格，其比较了基于疾病发作探测延迟、灵敏度和每天错误探测的次数的不同传感能力。

图19是表格，其比较了使用原型可植入的设备实现的疾病发作探测算法的耗用电流。

详细描述

探测一个或多个病人状态对于各种目的而言是有用的，诸如监测和/或评估病人情况、控制传递给病人的治疗、产生病人或其它用户提醒、数据日志、开始记录病人参数等。此处描述的技术包括基于一个或多个所感知到的病人参数(也被称为病人状态生物标志物)，用基于由计算设备(如，医疗设备编程器、被配置为接受病人参数信号并基于该信号产生分类算法的医疗设备或另一个计算设备)实现的一个或多个机器学习技术确定的分类算法来探测病人状态。示例机器学习技术包括，但不限于，遗传算法、人工神经网络(如，基于支持向量机(SVM)、贝叶斯分类器等)或者其他监督式机器学习技术。因此，在用于将病人参数分类为指示病人状态的分类界线是使用监督式机器学习而产生的这个意义上，可将病人状态探测算法称为基于监督式机器学习的算法。

实现(或应用)监督式机器学习算法的计算设备接收指示病人参数(如，生理学参数或病人姿势或活动级别)的信号并直接从该信号或参数化的信号或基于粗略的病人参数信号而产生的数据中提取出信号特性而产生分类算法。经由监督式机器学习算法来处理信号特性，以产生分类界线。

此处描述的设备、系统和技术的一些示例的描述是指使用基于SVM确定的分类界线的病人状态探测，这可被称为是基于SVM的算法。在其他示例中，此处描述的设备、系统和技术可使用其他类型的病人状态分类算法，诸如基于其他监督式机器学习技术所确定(或产生的)分类算法。监督式机器学习技术基于来自已知的病人状态的发生的训练数据(如，病人参数信号)来产生分类界线，其中使用该分类界线来预测或探测病人状态的发生或评估该病人状态，如此处相关基于SVM的算法而描述的那样。

在此处描述的技术中，通过确定从所感知的病人参数信号提取出来的特征向量所位于的分类界线的侧来做出病人状态确定。特征可以是病人参数信号特性，且特征向量包括两个或更多个特征。因此，基于所感知的病人参数信号所确定的特征向量包括每个特征的相应值。信号特性的示例包括信号的形态(如，幅值、斜率、频率、峰值、谷值或信号的其他特点)或信号的频谱特性(如，频率带宽功率级别、功率电平比值(ratioofpowerlevel)等)。分类界线的每一侧与不同的病人状态相关联。该分类界线可分开表示病人状态的特征向量和不表示病人状态的特征向量。如下文进一步描述的那样，分类界线可以是线性界线或非线性界线。另外，界线可在多个方向上扩展且遍历(traverse)多维空间(如，二维特征空间、三维特征空间、四维特征空间或更多维，取决于用于分类病人状态的特征向量中呈现的特征的数量)。

此处描述的技术还包括在由计算设备实现的SVM算法的帮助下确定分类界线，该计算设备诸如在通用目的计算机上实现的医疗数据计算设备、医疗设备编程器或者医疗设备，如可植入的医疗治疗或传感设备。如参看图4所描述的那样，SVM算法使用表示已知病人状态的特征来确定分类界线。

在一些示例中，病人状态包括运动状态和/或非运动状态。运动状态可包括病人打算继续运动、企图开始运动或已经开始运动的状态，非运动状态可包括病人不打算继续运动、不企图开始运动的状态。如果病人由于运动障碍或其他神经退化减损而痛苦，病人的某些运动任务(motortask)的表现可能是困难的。相应地，探测病人是否处于运动状态对于控制给病人的治疗传递并以闭环方式提供障碍治疗给病人是有用的。

治疗传递，诸如电刺激治疗的传递、流体传递治疗(如，传递治疗剂)、流体悬浮传递(fluidsuspensiondelivery)或外部提示的传递可改善否则可能会困难的病人的运动任务的表现。这些任务可包括以下至少一种：开始运动、保持运动、抓取或移动物体、改善与突然转弯相关联的步法等。

在其他示例中，病人状态包括其中出现了运动障碍的一个或多个症状的状态。运动障碍的症状包括，例如，受限的肌肉控制、动作损伤或者其他的运动问题，诸如僵硬、运动徐缓、节奏性运动机能亢奋、非节奏性运动机能亢奋和运动不能。在一些情况下，运动障碍可能是帕金森病的症状。然而，运动障碍可能归于其他病人情况。通过确定病人何时经受着运动障碍的症状，如果病人需要或希望治疗，治疗系统可提供严格的治疗来帮助管理这些症状并改善病人运动。

在一些示例中，病人状态包括运动和非运动状态，用于确定病人状态的指示病人参数的一个或多个信号可包括，但不限于，生物电脑信号，诸如脑电图(EEG)信号、皮层脑电图(ECoG)信号、感知自病人脑部的一个或多个区域内的局部场电位(LFP)和/或来自病人脑部中的单个细胞的动作电位。LFP表示活体神经中的从几千到几百万个细胞的全体活动，且可经由植入在病人脑部的电极获得(如图1中所示)。

LFP中的离散频带的低频功率波动为区分脑部状态提供了有用的生物标志。用于区分不同病人状态的相关生物标志可跨相对宽的频谱，从病人睡眠状态的1赫兹(Hz)震荡到其他病人状态的大于500Hz(如，海马状突起中的“快速波动”)。不同病人状态的生物标志可具有广泛地变化的频带。

可用于根据此处描述的技术来确定病人状态的其他信号包括运动传感器(如，一轴、二轴或三轴的加速度计、陀螺仪、压力传感器或压电晶体)或产生表示病人参数(如，生理学参数，诸如血压、组织灌注、心率、呼吸速率、肌肉活动、皮电活动、体温等)的信号的另一种类型的传感器产生的信号。

病人状态还包括情绪状态，这可以是病人经受的精神障碍的症状。例如，病人情绪状态可以是紧张状态、非紧张的情绪状态、沮丧的状态、非沮丧的情绪状态、狂躁状态、非狂躁状态、恐慌状态、非恐慌状态等。治疗系统10可有帮助的精神障碍的示例包括重度抑郁症(MDD)、双相型障碍、焦虑性障碍(如，外伤后压性疾病、强迫症(OCD)、焦虑症)或心境恶劣障碍。

探测病人的情绪状态可有用于，确定病人的精神障碍的严重性或进展、为病人建立治疗方案、以及控制给病人的治疗传递(如，激活治疗传递、关闭治疗或调整一个或多个治疗传递参数)等等。所探测到的病人情绪状态以及，在一些示例中，在病人情绪状态中观察到的病人参数可用设备存储用于之后临床医生的分析。相比于依赖病人输入指示病人的情绪状态，在整个评估时间段内自动地确定病人的情绪状态可能更能指示精神障碍的状态。

在病人状态包括病人的情绪状态的示例汇总、用于确定病人状态的指示病人参数的一个或多个信号可包括，但不限于，生物电脑信号。替代或除了生物电脑信号之外，伴随着病人情绪状态可探测到的信号包括，但不限于，指示心率(如，如心电图、电描记图或脉搏血氧计所指示的)、呼吸速率(如，如经胸廓的阻抗传感器或脉搏血氧计所指示的)、皮电活动(如，皮肤电导率级别)、面部表情的变化(如，如面部肌动电流图(EMG)所指示的)、脸红(如，如温度传感所指示的)或者疲劳(如，如面部表情所指示的)的信号。如申请系列号为12/426,065、由Giftakis等、名为“ANALYZINGAWASHOUTPERIODCHARACTERISTICFORPSYCHIATRICDISORDERTHERAPYDELIVERY(为精神障碍治疗传递分析失败时段特性)”、在2009年4月17日申请的美国专利所述，这些不同的生理学参数可因变于病人情绪状态而改变，并，因此，可被用于探测或确定病人情绪状态。

病人状态还可包括姿势状态，这可被称为病人处于特定病人姿势中，或处于姿势和活动的组合中的状态。姿势状态可包括，例如，直立姿势状态或躺下姿势状态，其中直立的姿势状态可被再次分类为直立和活动或直立和非活动。其他姿势状态，诸如躺下姿势状态，可能或可能不具有活动分量。然而，躺下姿势状态可具有其他分量。例如，病人状态可以是前躺姿势状态(其中病人躺在身体的前侧(如，腹部侧))、背躺姿势状态(其中病人躺在身体的背侧(如，脊背侧))、右躺姿势状态(其中病人躺在身体的右侧)、以及左躺姿势状态(其中病人躺在身体的左侧)。

病人姿势状态的探测对于提供响应姿势的治疗传递给病人是有帮助的。由于电极之间或其他治疗传递部件之间的距离的改变(如，由于与不同姿势相关联的力或压力导致的导线或导管的临时迁移，或来自不同姿势状态中的病人组织的压缩的变化)，姿势状态的改变可导致治疗传递的功效的变化。另外，姿势状态变化可在症状或症状级别，如疼痛级别上呈现变化。为了保持治疗功效，可能理想的是基于不同的病人姿势状态(如，不同的姿势和/或病人参数的活动)来调整一个或多个治疗参数值。

医疗设备可通过修改一个或多个治疗参数的值(如，通过规定对特定治疗参数的调整或通过选择不同治疗程序或定义治疗参数值的不同组合的程序分组)来调整治疗。也就是说，可通过为当前程序选择或调整参数值(包括诸如幅值、脉冲宽度、脉冲率、电极组合、电极极性之类的参数)或者通过选择不同的治疗程序来完成治疗调整。在一些示例中，医疗设备自动地基于所探测到的病人姿势状态做出一个或多个治疗参数值的调整。

在病人状态包括病人姿势状态的示例中，可由产生指示病人姿势状态的信号的运动传感器(一轴、二轴或三轴的加速度计、陀螺仪、压力传感器或压电晶体)来产生一个或多个指示病人参数的信号。替代或除了运动传感器，信号可指示颅内压力，这可随着病人姿势改变而改变。

在一些示例中，病人状态包括疾病发作状态(其中病人的疾病发作的一个或多个症状呈现)和非疾病发作状态(其中病人没有疾病发作)。在一些示例中，疾病发作状态还可包括疾病发作可能要发生的状态。然而，在其他示例中，疾病发作状态包括病人实际上正经历着疾病发作的状态。这对于，例如，评估病人情况并产生病人疾病发作活动的记录是有帮助的。

可使用此处描述的系统、设备和技术，单独探测或与其他一起探测每一个此处描述的病人状态。此处描述的示例描述了基于生物电脑部信号来探测病人状态。在其他示例中，此处描述的技术还可应用于基于指示病人参数的其他类型的信号(诸如，参考上述的其他类型的信号)来探测病人状态。

图1是理念图，示出被植入病人14的脑部12附近的示例治疗系统10，用于帮助管理病人情况，诸如疼痛、精神障碍、运动障碍或癫痫症。尽管病人14一般被称为人类病人，也可考虑其他哺乳动物或非哺乳动物的病人。

治疗系统10包括可植入的医疗设备(IMD)16、导线延长线18、带相应电极组24、24的引线20A和20B，以及医疗设备编程器28。IMD16包括经由引线20A和20B(一起被称为“引线20”)传递电刺激治疗到脑部12的一个或多个区域的治疗模块。在图1所示示例中，可将治疗系统10称为深度脑刺激(DBS)系统，因为IMD16直接将电刺激治疗提供至脑部12之内的组织，如脑部12的硬脑膜之下的组织点。在其他示例中，可将引线12放置成传递治疗给脑部12的表面(如，脑部12的皮质表面)。另外，在一些示例中，DBS系统10可包括一个引线或多于两个引线。

在图1所述示例中，可将IMD16植入在病人14的胸部附近的皮下囊袋(pocket)中。在其他示例中，可将IMD16植入在病人14的其他区域内，诸如病人14的腹部的皮下囊袋中或邻近病人14的头盖骨之处。被植入的导线延长线18经由连接块30连接于IMD16，连接块30可包括，例如，电连接到导线延长线18上的相应电触片的电触片。电触片将由引线20载有的电极电连接至IMD16。导线延长线18遍历病人14胸腔内的IMD16的植入点、沿着病人14的颈部、穿过病人14的头盖骨32到达脑部12。

引线20可位于传递电刺激到脑部12内的一个或多个目标组织点的位置，以管理与病人障碍相关联的病人症状。通过头盖骨32的相应的洞，引线20可被植入以将电极24、26放置在脑部12的理想的位置处。引线20可被放置在脑部12中的任何位置处，这样在治疗过程中，电极24、26能将电刺激提供给脑部12中的目标组织点。在图1所示示例中，引线20被分别植入在脑部12的右和左半球中，从而将电刺激传递给脑部12的一个或多个区域，这可基于很多因素而选择，诸如治疗系统10被植入来管理的病人情况的类型。

不同的神经或精神障碍可与脑部12的一个或多个区域内的活动相关联，这在不同病人之间是变化的。因此，取决于病人情况和病人情况的症状，可将刺激治疗传递到脑部12的不同区域。例如，在MDD、双相型障碍、OCD或其他焦虑性障碍的情况下，引线20可被植入为将电刺激传递到脑部12的内囊的内边缘，且仅仅是内囊的内边缘的腹面部(也被称为VC/VS)、具带皮层的膝下部分、内部具带皮层布罗德曼野32和34、前额皮层的各部分，包括背侧和中前额叶皮层(PFC)(如，布罗德曼野9)、腹正中的额叶前部的皮层(如，布罗德曼野10)、后和中眼窝前额皮层(如，布罗德曼野11)、伏隔中或核、丘脑、板内核、丘脑核、杏仁核、海马体、外侧下丘脑、蓝斑、背缝神经核、中腹被、黑质、丘脑下核、丘脑下脚、丘脑的背中核、松果体缰或其组合。

用于控制病人14的运动障碍的脑部20中的合适的目标治疗点包括脚桥核(PPN)、丘脑、基底神经节结构(如，苍白球、黑质或丘脑底核)、未定带、纤维管道、H1区(及其分支)、豆状核袢，和/或Forel域(theFieldofForel)(H2区)。PPN也被称为脚桥盖核。

目标治疗传递点可取决于正被治疗的病人障碍或情况。因此，在其他示例中，引线20可被置于传递其他类型的治疗到病人14的位置，诸如脊髓刺激来管理疼痛，邻近于盆底神经处来管理小便或大便失禁，或者邻近病人14的任何合适的神经、器官、肌肉或肌肉组，其可基于，例如，病人情况来选择。例如，可使用治疗系统10来传递神经刺激给阴部神经、会阴神经或神经系统的其他区域，在这些情况下，引线20的一个或两个将被植入并基本固定在相应的神经附近。作为进一步的示例，可将引线20的一个或两个放置为治疗疼痛、周围神经病或手术前的疼痛缓解的临时或慢性的脊髓刺激、髂盆神经刺激、脉间神经刺激、用于胃动力障碍和肥大的治疗的胃刺激、为缓解其他临时和局部疼痛(如，腿部疼痛或背部疼痛)的肌肉刺激(如，肌肉的功能性电刺激(FES))，或者治疗运动障碍和其他神经障碍的深度脑刺激。相应地，尽管在本发明为说明目的的公开的剩余部分均参考为病人14和DBS，治疗系统可适于用在多种电刺激应用中。

尽管图1中示出引线20连接至公共的导线延长线18，在其他示例中，引线20可经由单独的导线延长线连接至IMD16或直接连接至IMD16的连接块30。引线20可传递电刺激来治疗任何数量的神经障碍或疾病，诸如精神障碍、运动障碍或癫痫症。运动障碍的示例包括，受限的肌肉控制、动作损伤或者其他的运动问题，诸如僵硬、运动徐缓、节奏性运动机能亢奋、非节奏性运动机能亢奋、肌张力障碍、颤动和运动不能。运动障碍可关联于病人的疾病状态，诸如帕金森病或亨廷顿病。示例的癫痫症包括癫痫。

引线20可经由任何合适的技术被植入在脑部12的理想位置中，诸如通过病人14的头骨的相应的钻孔(burrhole)或通过头盖骨的普通的钻孔。引线20可被置于脑部12的任何位置处，从而在治疗过程中，引线的电极可提供电刺激给目标组织。从IMD16的治疗模块的信号发生器(未示出)产生的电刺激可帮助防止与病人情况相关的事件的发作或者缓解病人情况的症状。刺激治疗的精确的治疗参数值，诸如刺激信号的幅值或大小、每个信号的持续事件、刺激的波形(如，矩形、正弦或倾斜的信号)、信号的频率等，特定于有关的特定目标刺激点(如，脑部的区域)，以及特定病人和病人情况而言。

在刺激脉冲的情况下，刺激治疗可表征为所选的脉冲参数，诸如脉冲幅值、脉冲速率和脉冲宽度。另外，如果可用不同电极来传递刺激，治疗可进一步表征为不同的电极组合，其可包括所选的电极及其相应的极性。可采用用于确定优化刺激参数的已知技术。

引线20的电极24、26图示为环形电极。环形电极可相对简单地来编程，且一般能将电场传递给邻近引线20的任何组织。在其他示例中，引线20的电极可具有不同的配置。例如，引线20的电极可具有复杂的电极阵列形状，其能产生某种形状的电场。复杂的电极阵列形状可包括围绕每个引线20，而不是环形电极，的周长，的多个电极(如，部分环形或段式的电极)。以这种方式，可将电刺激从引线20的特定方向引入而增强治疗功效，并减少来自刺激大量组织的可能的反向副作用。在一些示例中，IMD16的外壳可包括一个或多个刺激和/或传感电极。在可选示例中，除了图1所示的长圆柱形之外，引线20可具有其他形状。例如，引线20可以是盘状引线、球状引线、可弯曲的引线或可有效治疗病人14的其他类型形状。

在一些示例中，IMD16包括传感模块，其传感脑部12中的生物电信号或者和与IMD16物理分离的传感模块通信。生物电脑部信号可反映由跨脑组织的电位差之和引起的电流变化。生物电脑信号的示例包括，但不限于，从病人脑部的一个或多个区域所感知的EEG信号、ECoG信号、LFP信号和/或来自病人脑部内的单个细胞的动作电位。另外，在一些情况中，生物电脑部信号包括所测得的脑部12的组织的阻抗。在一些示例中，可使用生物电脑部信号来确定病人14是否处于特定状态，如，使用由SVM算法所确定的分类界线，如参看图9所描述的那样。

在一些示例中，引线20可包括被放置为探测病人脑部12的一个或多个区域中的生物电脑部信号的传感电极。可选地，另一组可植入或外部传感电极可监测该电信号。IMD16可传递治疗及传感脑部12的同一个或不同目标组织点中的生物电脑部信号。

IMD16包括产生经由引线20传递给病人14的电刺激的刺激产生器。在图1所示示例中，IMD16根据一个或多个治疗参数而产生电刺激，所述治疗参数可能被放置在治疗程序(或参数组)中。具体地，IMD16中的信号发生器(未示出)以由医生和/或病人14所选的治疗程序或程序组所定义的方式产生刺激。可将信号发生器配置为产生电脉冲来治疗病人14。在其他示例中，IMD16的信号发生器可被配置为产生连续波信号，如，正弦波或三角波。在这两种情况下，IMD16根据由具体治疗程序所定义的治疗参数值来为DBS产生电刺激治疗。

治疗程序定义界定刺激的多个参数的相应值。例如，治疗参数可包括电压或电流脉冲幅值、脉冲宽度、脉冲速率、脉冲频率、电极组合等。IMD16可存储多个程序。在一些情况下，可将一个或多个刺激程序组织为组，IMD16可根据程序组将刺激传递给病人14。在IMD16被评估以确定IMD16是否提供有功效的治疗给病人14的尝试阶段(trialstage)中，可测试及评估所存储的程序的功效。

IMD16可包括存储器，用于存储一个或多个治疗程序(如，以组配置的)和指令，该指令用于界定病人14可调整治疗参数、在程序之间转换或采取其他治疗调整的程度。病人14在治疗中的任何时间或由医生所标记的任何时间经由编程器28可产生IMD16使用的附加程序。

一般，IMD16的外壳34由防腐蚀和抵抗体液降解的生物相容材料构建。IMD16可被植入在邻近刺激点的皮下囊袋中。尽管在图1所示的示例中，IMD16被植入在邻近病人14的锁骨的皮下囊袋中，在其他示例中，IMD16可被植入在头骨或在另外的组织点处(如，肌肉下组织点或靠近病人14的腹部的组织点)。另外，尽管图1中IMD16被图示为植入在病人14之中，在其他示例中，IMD16可位于病人体外。例如，在尝试阶段，IMD16可以是经由经皮的引线电耦合至引线20的试验刺激器。如果试验刺激器指示治疗系统10提供了有效治疗给病人14，医生可植入慢性刺激器在病人14内用于长期治疗。

在一些示例中，取决于病人情况，治疗系统10包括动作传感器36，其产生指示病人活动(如，病人动作或病人姿势转换)的信号。例如，动作传感器36可包括能探测三维的静态取向或向量的一个或多个加速度计(如，一轴、二轴或三轴的加速度计)。示例加速度计为微机电加速度计。在其他示例中，动作传感器36可选地或附加地包括一个或多个陀螺仪、压力变换器、压电晶体或其所产生的信号因变于病人活动或病人姿势而改变的其他传感器。在一些示例中，可使用动作传感器36所产生的信号来确定病人14是否处于特定状态，如，使用参看图9所描述的基于SVM的技术或由计算设备所实现的另一个监督式机器学习技术。

在一些示例中，经由编程器28或IMD16所提供的病人输入也可被关联于生物电脑部信号信息或指示病人参数的其他信号，从而训练病人状态探测算法(如，SVM算法)。例如，如根据图4所描述的那样，病人输入可指示何时病人14处于特定病人状态，诸如以下的至少一个：疾病发作状态、特定的运动障碍状态、情绪状态、特定病人姿势状态等。病人14经由编程器28或IMD16提供输入(如，通过以预确定的方式轻击IMD16，且IMD16可包括动作探测器以探测该病人输入)以指示发生了病人状态。该输入还可指示何时发生了病人状态，这样病人输入可在时间上与生物电脑部信号信息相关联。可使用，例如，相关图4所描述的技术，来确定指示病人状态的一个或多个脑部信号特性。

在一些示例中，可使用经由编程器28或另一个设备接收到的病人输入来激活对训练数据的记录，该训练数据由计算设备(如，编程器28、IMD16或另一个计算设备)实现的SVM技术所使用，来产生用于病人状态探测的基于SVM的分类算法。在一些示例中，训练数据包括由传感器(如，动作传感器和/或生理学参数传感模块)产生的信号，一旦经由编程器28接收到病人输入，该信号可被存储在IMD16的存储器中。该信号可被记录一段预确定的时间段(如，约一分钟或更短)或者直到经由编程器28接收到进一步的病人输入。在一些示例中，IMD16的存储器可缓冲在病人输入的输入之前所传感到的数据。在这样的示例中，训练数据可包括由传感器产生的、指示一段时间的病人参数的信号，这一段时间包括在激活训练数据的记录的病人输入的接收之前和之后。如下文将进一步所讨论的，附加或替代病人输入，可使用其他技术来获取训练数据。

用于接收病人输入来收集与病人事件(诸如情绪状态或疾病发作状态)的发生相关的示例系统和技术，描述在系列号为No.12/236,211、Kovach等人申请的、名为“PATIENTEVENTINFORMATION(病人事件信息)”、在2008年9月23日申请的美国专利申请中。如Kovach等人申请的、系列号为No.12/236,211的美国专利申请中所描述的，病人14一旦激活了编程器28的事件指示按钮，编程器28或另一个计算设备的处理器可产生事件标记(eventmarker)。例如，如果病人14探测到疾病发作或特定情绪状态或病人姿势，病人14可激活事件指示按钮，且，作为响应，处理器可产生事件标记。可考虑其他类型的病人事件，诸如其他类型的病人状态的发生(如，运动状态、特定情绪状态、特定姿势状态等)。病人14可提供与病人事件相关的事件信息。例如，事件信息可包括探测到的病人事件的类型、病人事件的严重性、病人事件的持续时间、在病人事件发生之前、之中和之后所服用的药物类型和剂量、被传递以管理病人情况的治疗的功效的主观比率等。编程器28可提供用户界面，其被配置为接收来自病人的事件信息，且，在一些示例中，可提示用户该信息。

在图1所示示例中，动作传感器36位于IMD16的外壳34之中。在其他示例中，可将动作传感器36植入在病人14中的任何合适的位置或可能装载在病人14之外。可基于各种因素，诸如动作传感器36被实现为探测的病人动作的类型，来选择动作传感器36的位置。在一些示例中，动作传感器36可分离于IMD16。与IMD16或引线20物理地分离的动作传感器可经由无线通信技术或有线连接来与IMD16通信。在一些示例中，治疗系统10包括多于一个的动作传感器36。例如，可放置多个植入的或外部的动作传感器来探测病人14的多个肢体(如，手臂或腿)的动作。

在一些示例中，除了或替代IMD16的动作传感器36或传感模块，治疗系统10还包括产生指示病人参数的信号的传感器38。传感器38可以是传感与病人14的病人情况相关联的生理学参数的任何合适的传感器。尽管图1中所示的示例中示出为物理地与IMD16分离，在其他示例中，传感器38可以在IMD16的外壳之上或之中。传感器38可被植入病人14中的任何合适的位置(如，皮下植入点)或可位于外部(如，未被植入病人14中)。

在一些示例中，传感器38被配置为监测病人14的生理学信号，诸如心率、呼吸速率、皮电活动(如，皮肤电导率级别或皮肤电反射)、肌肉活动(如，经由肌动电流图)、热传感或可指示特定病人状态的任何其他生理学参数。在一些示例中，然而，IMD16的传感模块还可传感这些生理学参数中的一个或多个。

外部编程器28根据需要无线地与IMD16通信以提供或取回治疗信息。编程器28是外部计算设备，用户，如医生和/或病人14可使用其来与IMD16通信。例如，编程器28可以是医生编程器，医生使用其与IMD16通信并为IMD16编程一个或多个治疗程序。可选地，编程器28可以是病人编程器，容许病人14选择程序和/或浏览并修改治疗参数。医生编程器可包括多于病人编程器的更多的编程特征。也就是说，只容许医生编程器使用更多的复杂或敏感的任务，防止未受过训练的病人做出IMD16的不希望的改变。

编程器28可以是手持计算设备，带有用户可浏览的显示器和用于提供给编程器28(也就是，用户输入机制)的输入的界面。例如，编程器28可包括呈现信息给用户的小的显示屏(如，液晶显示器(LCD)或发光二极管(LED)显示器)。另外，编程器28可包括触摸屏显示器、键盘、按钮、外围定点设备或容许用户通过编程器28的用户界面指定(navigate)并提供输入的另一个输入机制。如果编程器28包括按钮和键盘，可将按钮专用为执行特定功能，如，电源按钮或按钮和键盘可以是随用户当前看到的用户界面的部分而改变功能的软键盘。可选地，编程器28的屏幕(未示出)可以是触摸屏，容许用户直接向在显示器上显示的用户界面提供输入。用户可使用指示笔或他们的手指来向显示器提供输入。

在其他示例中，编程器28可以是在另一个多功能设备中的较大的工作站或独立的应用，而不是专用计算设备。例如，多功能设备可以是笔记本计算机、台式计算机、工作站、个人数字助理或可运行能是计算设备操作作为安全的医疗设备编程器28的应用程序的另一个计算设备。连接至计算设备的无线适配器可确保计算设备与IMD16之间的安全的通信。

当编程器28被配置为由医生使用，可使用编程器28来传输初始编程信息给IMD16。初始信息可包括硬件信息，诸如引线20的类型、引线20上电极24、26的排列、病人14中的动作传感器36的数量和位置、脑部12中的引线20的位置、电极阵列24、26的配置、定义治疗参数值的初始程序和医生希望编程到IMD16中的其他任何信息。编程器28还可能完成功能测试(如，测量引线20的电极24、26的阻抗)。

医生还可在编程器28的帮助下将治疗程序存储到IMD16中。在编程过程(可发生在IMD16植入之后或IMD16植入之前)中，医生可确定提供有效治疗给病人14的治疗参数值，以克服与病人情况相关联的症状。例如，医生可选择用其传递刺激给脑部12的一个或多个电极组合。作为另一个示例，编程器28或另一个计算设备可使用自动地选择治疗程序的搜索算法用于试验，也就是，在病人14上的测试。在编程过程中，病人14可向医生提供关于正在评估的特定程序(如，试验的或测试的)的功效反馈，或者医生可基于病人的一个或多个生理学参数(如，心率、呼吸速率或肌肉活动)评估功效。通过提供用于标识潜在有益的治疗参数值的有组织的系统，编程器28可在治疗程序的创建/标识方面帮助医生。

还可将编程器28配置为由病人14使用。当被配置作为病人编程器的时候，编程器28可具有有限功能(相比医生编程器而言)以防止病人14改变IMD16的关键功能或对病人而言可能有害的应用程序。以这个方式，编程器28可仅容许病人14调整特定治疗参数的值或为特定治疗参数设定可用的值的范围。

当治疗被传递的时候、当病人输入触发了治疗中的变化或者当编程器28或IMD16中的电源需要替换或充电的时候，编程器28还可提供指示给病人14。例如，编程器28可包括提醒LED，经由编程器显示器可闪烁消息给病人14，产生可听音或体感提示来确认病人输入已经接收为，如，指示病人状态或用于手动地修改治疗参数。

不论编程器28被配置为医生或病人使用，编程器28被配置为经由无线通信，与IMD16，及，可选地，另一个计算设备进行通信。编程器28，例如，可使用现有技术中已知的射频(RF)遥测技术，经由无线通信与IMD16进行通信。编程器28还可使用各种本地无线通信技术(诸如根据802.11或蓝牙规范组的RF通信、根据IRDA规范组的红外(IR)通信或者其他标准或专用遥测协议)经由有线或无线连接与另一个编程器或计算设备进行通信。编程器28还可经由可移动介质(诸如磁盘或光盘、存储卡或记忆棒)的交换与其他编程或计算设备进行通信。进一步，编程器28可经由现有技术中已知的远程遥测技术与IMD16和另一个编程器进行通信，例如，通信可经由局域网(LAN)、广域网(WAN)、公共交换电话网络(PSTN)或蜂窝电话网络。

治疗系统10可被实现为在几个月或几年的过程中提供慢性(chronic)刺激治疗给病人14。然而，在着手全面植入之前，还可在试验基础上使用系统10来评估治疗。如果暂时地实现，系统10的一些组件可不必植入病人14之中。例如，病人14可配备有外部医疗设备，诸如试验刺激器，而不是IMD16。外部医疗设备可耦合至经皮引线或经由经皮的延长线耦合至被植入的引线。如果试验刺激器指示DBS系统10提供了有效治疗给病人14，医生可植入慢性刺激器在病人14内用于相对长期的治疗。

除了或替代电刺激治疗，IMD16可传递治疗剂给病人14来管理病人情况。在这样的示例中，IMD16可包括流体泵或另一个设备，其以计量的或其他希望的流体剂量经由导管从IMD16内的槽传递治疗剂到病人14中的治疗点。流体泵可以是外部的或被植入的。治疗剂可被用来提供治疗给病人14来管理病人14的情况，且可被传递给病人的脑部12、血流或组织。作为另一个示例，医疗设备可以是佩戴在病人14的皮肤表面的贴片(patch)，此处线流出治疗剂，然后被病人皮肤吸收。可考虑其他类型的治疗剂传递系统。一旦基于指示病人参数的信号(如，生物电脑部信号或动作传感器信号)探测到特定病人状态，IMD16可传递治疗剂。被用于传递治疗剂给病人14的导管可包括用于传感病人14的生物电脑部信号的一个或多个电极。

在治疗剂传递的情况下，治疗参数可包括治疗剂的剂量(如，剂丸的尺寸或浓度)、治疗剂传递的速率、每个剂丸的最大可接收的剂量、一定剂量的治疗剂可传递给病人的时间段(闭锁时间段)，等。

尽管本发明的其他部分描述了相关图1的治疗系统10的用于探测病人14的病人状态的各种系统、设备和技术，这些此处描述的系统、设备和技术也可应用于其他类型的治疗系统，诸如传递治疗剂给病人14来管理病人情况的治疗系统或仅在探测到病人状态时传递提醒给病人14的治疗系统。在一些情况下，治疗系统可被用于监测指示病人14的一个或多个参数的一个或多个信号，且可能不包括治疗传递(如，刺激传递或治疗剂传递)能力。监测设备对于医生在，例如，在对病人14的初始评估来评估病人情况并使用SVM算法(参看图4而描述的)产生用于分类所感知到的病人参数信号为第一病人状态或非第一状态的状态的分类界线的时候，是有用的。

图2是更详细地示出示例IMD16的组件的功能框图。在图2所示的示例中，IMD16包括动作传感器36、处理器40、存储器42、刺激传感器44、传感模块46、开关模块48、遥测模块50和电源52。存储器42可包括任何易失、非易失介质，诸如随机存取存储器(RAM)、只读存储器(ROM)、非易失性RAM(NVRAM)、电可擦除可编程ROM(EEPROM)、闪存等。存储器42可存储可读计算机指令，当由处理器40执行这些指令的时候，导致IMD16来执行此处描述的各种功能。另外，在一些示例中，存储器42存储由动作传感器36和/或传感模块46所产生的数据，用于训练SVM来产生用于基于SVM算法的分类界线。

在图2所示示例中，存储器42存储治疗程序54、病人状态探测算法56和在存储器42的独立存储器中或存储器42中的独立区域中的操作指令58。每个被存储的治疗程序54以电刺激参数(诸如刺激电极组合、电极极性、电流或电压幅值)的相应值的形式定义治疗的特定程序，且，在如果刺激发生器44产生并传递刺激脉冲的情况下，治疗程序可定义脉冲宽度、脉冲速率的值和刺激信号的占空比。在一些示例中，可将治疗程序存储为治疗组，其定义可用以产生刺激的一组治疗程序。由治疗程序组定义的刺激信号可在重叠或非重叠(如，时间交织的)的基础上一起传递。

由存储器42所存储的病人状态探测算法56包括用于执行算法的机器可读的指令。使用这些指令，处理器40可执行病人状态探测算法56来基于所接收到的指示病人参数的信号(如，来自传感模块46、动作传感器36或图1所示的传感器38)来探测病人状态。处理器40可用来探测病人状态的示例病人状态探测算法使用以SVM产生的分类界线。参考图9而描述这个病人状态探测技术的示例。操作指令58引导IMD16在处理器40的控制下的一般操作，且可包括例如用于测量电极24、26的阻抗的指令和/或确定电极24、26之间的距离的指令。

在一些示例中，存储器42还存储病人状态发生的日志(或记录)。这对于评估病人情况、病人情况的进程或者在管理病人情况方面IMD16的治疗效果方面是有用的。病人状态发生的日志了包括任何合适类型的信息。在一个示例中，日志包括一旦探测到病人状态则由处理器40产生的病人状态指示、指示何时探测到病人状态的日期和时间戳、以及由以下的一个或多个所产生的病人参数信号：动作传感器36、传感器28、传感模块46或另一个传感模块。

IMD16耦合至引线20A和20B，其分别包括电极24A-24D和26A-26D(一起被称为“电极24和26”)。尽管IMD16直接耦合至引线20，在其他示例中，IMD16可非直接地耦合至引线20，如，经由引线延长线18(图1)。在图2所示示例中，可植入的医疗引线20基本是圆柱形的，这样电极24、26置于引线20的圆形外表面上。如前所述，在其他示例中，引线20可以是，至少部分地是，盘型的(也就是“盘状”引线)。在一些示例中，电极24、26可以是环形电极。在其他示例中，电极24、26可以是数个段式的或部分环形的电极，每一个绕相应引线20的外部周围延伸小于360度(如，90-120度)的弧形。使用段式或部分环形的电极24、26还可减少由IMD16传递给电极24、26的整体功率，因为通过减少或最小化将刺激传递给病人14内不需要或不必要的区域可有更多的能力更有效地传递刺激给目标刺激点。

图2中示出的电极24、26的配置、类型和数量仅仅是示例性的。例如，IMD16可耦合至其上带有八个电极的引线，或者在分支的引线延长线的帮助下耦合至三个或更多的引线。电极24、26经由相应引线20A、20B中的导体电耦合至IMD16的刺激产生器44和传感模块46。电极24、26中的每一个可耦合至单独的导体，这样电极24、26可被独立地选择中，或者在一些示例中，两个或更多个电极24和/或两个或更多个电极26可耦合至同一个电极。在一些示例中，传感模块46经由从电极24、26中选择出来的电极传感生物电脑部信号，当然也可使用其他电极或传感设备。

处理器40可包括微处理器、控制器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、分立逻辑电路中的一个或多个。分配给此处描述的处理器的功能可体现为经由软件固件、硬件或其任意组合而体现在硬件设备中。处理器40控制刺激发生器44根据所选的治疗参数，产生并传递电刺激信号给病人14。具体地，处理器40根据存储在存储器42中的治疗参数54控制刺激发生器44来应用由一个或多个程序所指定的特定刺激参数值，诸如电流或电压幅值、频率和占空比(如，在刺激脉冲的情况下是脉冲宽度和脉冲速率)。另外，处理器40还可经由所选电极24、26的子组以所选的极性来控制刺激发生器44来传递电刺激信号。例如，开关模块48以不同的双极性或多极性组合来组合电极24、26来将刺激能量传递给所选点，诸如脑部12中的点。在其他示例中，治疗参数存储在编程器28或另一个计算设备中，其经由遥测模块50将治疗程序传输给IMD16。

在图2所示示例中，引线20A的电极24的集合包括电极24A、24B、24C和24D，引线20B的电极26的集合包括电极26A、26B、26C和26D。处理器40可控制开关模块48应用由刺激发生器44产生的刺激信号给电极24、26的所选组合。具体地，开关模块48可耦合刺激信号至引线20中的所选导体，然后，后者跨所选电极24、26传递刺激信号。开关模块48可以是开关阵列、开关矩阵、多路复用器、或任何其他类型的开关模块，其被设置为选择性地耦合刺激能量至所选电极24、26，并选择性地传感所选24、26的生物电脑部信号。因此，刺激发生器44经由开关模块48和引线20中的导体耦合至电极24、26。在一些示例中，然而，IMD16不包括开关模块48。

刺激发生器44可以是单信道或多信道的刺激发生器。具体地，刺激发生器44可经由单个电极组合在给定时间传递单刺激脉冲、多刺激脉冲或连续信号，或者经由多个电极组合在给定时间传递多刺激脉冲。在一些示例中，然而，刺激发生器44和开关模块48可被配置为在时间交织的基础上传递多信道。例如，开关模块48可用于时间分割在不同时间跨不同电极组合的刺激发生器44输出，以传递多个程序或刺激能量的信道给病人14。

传感模块46被设置为经由电极24、26的所选子组来传感病人14的生物电脑部信号。处理器40可控制开关模块48来电连接传感模块46至电极24、26的所选组合。以这种方式，传感模块46可选择性地以电极24、26的不同组合传感生物电脑部信号。如前所述，在一些示例中，处理器40可经由所传感的生物电脑部信号来探测病人14的特定病人状态。在其他示例中，除了或替代指示脑部活动的生物电脑部信号，处理器40可基于病人14的其他生理学参数而探测病人14的特定病人状态。

在一些示例中，传感模块46包括频选传感电路，其抽取所传感的的病人参数信号(其可以是，例如，生物电脑部信号)的一个或多个所选频带中的能量级别。频选传感电路可包括斩波稳定的超外差仪器放大器和信号分析单元，并且可利用外差的、斩波稳定的放大器构造来将生理学信号(诸如生物电脑部信号)的所选频带转换为用于分析的基带。如此处所描述的，可在一个或多个所选频带中分析生理学信号来确定一个或多个特征。在一些示例中，传感模块46包括多个信道，其提取指示一个或多个病人参数的一个或多个信号的相同的或不同的频带。

可适于或适用于本发明的这个技术、电路和设备的各种附加断续放大器电路的示例在专利号为7,385,443、授权给Dension、名为“CHOPPERSTABILIZEDINSTRUMENTATIONAMPLIFIER(斩波稳定的仪器放大器)”、在2008年1月10日授权的美国专利中有描述。使用外差的、斩波稳定的放大器构造的频选监测器的示例在申请号为60/975,372的、由Dension等申请的、名为“FREQUENCYSELECTIVEMONITORINGOFPHYSIOLOGICALSIGNALS(生理学信号的频选监测)”、申请日为2007年9月26日的美国临时申请、共同转让的申请号为61/025,503的、由Dension等申请的、名为“FREQUENCYSELECTIVEMONITORINGOFPHYSIOLOGICALSIGNALS(生理学信号的频选监测)”、申请日为2008年2月1日的美国临时申请和共同转让的申请号为61/083,381的、名为“FREQUENCYSELECTIVEEEGSENSINGCIRCUITRY(频选EEG传感电炉)”、申请日为2008年7月24日的美国临时申请中有描述。断续放大器电路的进一步的示例在共同转让的公开号为2009/0082691的、由Dension等申请的、名为“FREQUENCYSELECTIVEMONITORINGOFPHYSIOLOGICALSIGNALS(生理学信号的频选监测)”、申请日为2008年9月25日的美国申请公开中有进一步的细节。

直接提取生物电脑部信号的关键频带中的能量的传感模块46可被用于以柔性的、稳健的且相对低噪声的构造来提取关键生理学频率中的频带功率。斩波稳定是用于放大带有良好的处理免疫力(processimmunity)的微功率应用(如，被植入的设备)中的低频神经信号的噪声和功率有效的结构。斩波稳定放大器可被适于提供宽的动态范围、高Q的过滤器。包括斩波稳定放大器的传感模块46轻微地(slightly)移位断续放大器中的时钟，以与用于通信系统中的超外差接收器类似的方式来重新居中(re-center)能量的目标频带至直流电流(DC)。在一些示例中，提取所选频带中的频带功率需要被组合在功率提取阶段(powerextractionstage)中的两个平行的信号路径(同相或正交)。功率输出信号可以是低通滤波的，其导致代表频带中的频谱功率波动的输出。

如前所示，生物电脑部信号可包括EEG、ECoG、单细胞记录或LFP。在病人14的脑部12(图1)中所传感到的LPF中的频带功率波动的一般低于其被编码的频率的数量级，所以在执行模数转换之前使用有效的模拟预处理可极大地降低用于实现全部混合信号系统的整体能量要求。因此，包括直接提取生物电脑部信号的关键频带中的能量的电路构造的传感模块46，对于追踪所选频带中的相对缓慢的功率波动以及基于生物电脑部信号确定病人状态是有帮助的。在一些示例中，可使用生物电脑部信号特定频带或多个频带中的能量作为用作监督式机器学习算法(诸如SVM算法或基于SVM算法而产生的基于SVM的分类算法)中特征值的参数。这样的传感模块46的示例是斩波稳定的超外差仪器放大器和信号分析单元。

在图2所示示例中，IMD16包括动作传感器36，其和处理器40、刺激发生器44和传感模块46一起被装在一个共同外壳中。如前所述，在其他示例中，动作传感器36连接至引线和/或独立于IMD16被植入为病人14中，或者可在病人14外部。动作传感器36可包括产生指示病人动作或病人姿势的电信号的任何合适的设备。例如，动作传感器36可包括单轴、2轴、3轴加速度计、压电晶体、陀螺仪、压力传感器或加速度计、压电晶体、陀螺仪或压力传感器的任意组合。来自动作传感器36的信号被提供给处理器40，其基于该信号探测病人状态，如，使用用SVM算法所确定的分类界线，如，参看图9所描述的。

遥测模块50支持IMD16和外部编程器28或受控于处理器40的另一个计算设备之间的无线通信。IMD16的处理器40可经由遥测模块50从编程器28接收，作为程序的更新，各刺激参数(诸如幅值和电极组合)的值。对于治疗程序的更新可被存储在存储器42的治疗程序54部分中。IMD16中的遥测模块50，以及此处描述的其他设备和系统(诸如编程器28)中的遥测模块，可通过射频(RF)通信技术完成通信。另外，遥测模块50可经由IMD16和编程器28的近侧电感性交互来与外部医疗设备编程器28通信。相应地，遥感模块50可以连续方式、周期性时间间隔或一旦接收到来自IMD16或编程器28的请求，向外部编程器28发送信息。

电源52将运作功率传递至IMD16的各个组件。电源52可包括小的可充电或不可充电的电池和产生操作功率的发电电路。充电可通过外部充电器和IMD16中的电感充电线圈之间的近侧电感性交互来完成。在一些示例中，功率要求可能是足够小的能容许IMD16利用病人动作并实现动能提取设备来涓流充电可充电电池。在其他示例中，可使用传统电池一段有限时间。

图3是示例外部医疗设备编程器28的概念框图，其包括处理器60、存储器62、遥测模块64、用户界面66和电源68。处理器60控制用户界面66和遥测模块64，并向/自存储器62存储/取回信息和指令。可配置编程器28用作医生编程器或病人编程器。处理器60可包括一个或多个处理器的组合，处理器包括一个或多个微处理器、DSP、ASIC、FPGA或其他等效的集合或离散的逻辑电路。相应地，处理器60可包括任何合适的结构，不论是以硬件、软件、固件或其任意组合，来执行此处描述给处理器60的功能。

用户，诸如医生或病人14，可与编程器28通过用户界面66交互。用户界面66包括用户输入机制76和显示器78，诸如LCD或LED显示器或其他类型的屏幕，以呈现于治疗相关的信息，诸如与经由多个感觉电极组合所感知的生物电信号相关的信息。还可使用显示器78来呈现可视警报给病人14，表示IMD16已经探测到特定病人状态将要发生。可考虑其他类型的警报，诸如可听音或体感警报。输入机制76被配置为接收来自用户的输入。输入机制76可包括，例如，按钮、键盘(如，字母数字键盘)、外围定点设备或容许用户通过编程器28的处理器60呈现的用户界面导航(navigate)并提供输入的另一个输入机制。

输入机制76可包括按钮和键盘，这里可将按钮作为执行特定功能，如，电源按钮或按钮和键盘可以是随用户当前看到的用户界面的部分而改变功能的软键盘。可选地，编程器28的显示器78可以是触摸屏，容许用户直接向在显示器上显示的用户界面提供输入。用户可使用指示笔或他们的手指来向显示器提供输入。在其他示例中，用户界面66还包括音频电路，用于提供可听指令或提醒给病人14和/或从病人14处接收语音命令，这在如果病人14具有受限的活动功能的时候是有用的。病人14，医生或另一个用户还可与编程器28交互来手动地选择治疗程序、产生新的治疗程序、通过个别或全局调整来修改治疗程序、并将新的程序传输给IMD16。

在一些示例中，IMD16的治疗传递的控制中的至少一些可由编程器28的处理器60实现。例如，在一些示例中，处理器60可接收来自IMD16或来自独立于IMD16的传感模块的病人活动信息和生物电脑部信号。单独的传感单元可能，不是必须，被植入病人14体内。在一些示例中，处理器60可评估来自IMD16的病人活动信息和生物电脑部信号以确定当前病人14处于多个病人状态中的哪一个。

另外，在一些示例中，替代或除了IMD16或另一个计算设备的处理器40之外，编程器28的处理器60可使用SVM算法产生一个或多个界线用于基于所感知到的病人参数信号确定病人状态。参考图4描述处理器60可实现用于训练SVM算法(或者另一个监督式机器学习算法)来确定一个或多个界线的示例技术。

存储器62可包括用于操作用户界面66和遥测模块64、以及用于管理电源68的指令。存储器62还可存储在治疗过程中从IMD16中取回出来的任何治疗数据，以及被实现为产生用于探测病人状态的分类界线的SVM的指令。存储器62可包括任何易失性或非易失性存储器，诸如RAM、ROM、EEPROM或闪存。存储器62也可包括可用来提供存储器升级或增加存储器容量的可移动存储器部分。可移除的存储器还可容许在编程器28由不同的病人使用之前，移除敏感的病人数据。在一些示例中，存储器62还可存储病人状态探测的日志，如参考IMD16的存储器42的上述描述那样。

可通过RF通信或IMD16和编程器28的近侧电感性交互来完成编程器28中的无线遥测。该无线通信通过使用遥测模块64是可能的。相应地，遥测模块64可能类似于IMD16中含有的遥测模块。在可选示例中，编程器28可进行红外通信或通过有线连接直接通信。如此，其它外部设备能与编程器28通信而无需要建立安全的无线连接。

电源68将运作功率传递至编程器28的各个组件。电源68可包括电池和产生功率的发电电路。在一些示例中，电池可再充电以允许延长的操作时间。充电可通过将电源68电耦合于连接到交流电(AC)插座的充电架或插头来完成。另外，充电可通过外部充电器和编程器28内的电感充电线圈之间的近侧电感性交感来完成。在其它示例中，可使用传统电池(例如镍镉电池或锂离子电池)。另外，编程器28可直接耦合于交流电输出插座来操作。电源68可包括监测电池中残留的功率的电路。如此，用户接口66可提供当前电池水平指示或需要更换电池或对电池再充电时的低电池水平指示。在一些情形下，电源68能使用当前电池估计剩余的操作时间。

在一些示例中，编程器28实现基于SVM的分类算法(或者另一个基于监督式机器学习的分类算法)来确定病人状态。在这样的示例中，存储器62存储病人状态探测算法，其类似于由IMD16的存储器42所存储的病人状态探测算法56。由存储器62所存储的病人状态探测算法可包括用于执行算法的机器可读的指令。使用该指令，编程器28的处理器60可执行病人状态探测算法来基于指示病人参数的接收到的信号来探测病人状态。处理器60可经由有线或无线的通信技术接收来自传感模块46、动作传感器36、传感器38或另一个传感器的信号。

在其他示例中，远离IMD16和编程器28的计算设备(如，在医生的办公室)可实现基于SVM的分类算法(或者另一个基于监督式机器学习的分类算法)来确定病人状态。和用编程器28一样，远程计算设备可经由有线或无线的通信技术接收来自传感模块46、动作传感器36、传感器38或另一个传感器的病人参数信号。可连续地或周期性地将该信号传输给远程计算机。然而，取决于自IMD16或另一个传感模块到编程器或远程计算机的信号传输的可用带宽，理想的是IMD16(或另一个传感模块)来传输参数化的信号或数据而不是原始的信号波形。

SVM技术是监督式机器学习技术，被用于分类或回归(regression)，其将输入数据视作n-维空间(也被称为特征空间)中的一组向量。特征空间具有任何合适数量的维度，诸如二、三、四或更多。基于SVM的算法(此处也被称为“SVM算法”)将数据段，诸如指示病人参数的特性(或“特征”)，分类为指示不同的病人状态。SVM算法基于指示病人14处于第一病人状态的代表性特征值和指示病人14不处于第一病人状态(如，指示为第二病人状态)的代表性特征值而学习如何分类数据段。如之前所示，特征值可以是指示病人参数信号的特性(如，信号的形态或信号的频谱特性)的值，而特征向量包含多个特征的每一个的相应值。病人参数信号可以是生物电脑部信号，如此处主要描述的，或者是指示病人参数的另一种类型的信号，诸如来自动作传感器36(也被称为姿势传感器或活动传感器)、传感器38(图1)或传感模块46(图2)的信号。此处描述的用于基于生物电脑部信号而确定特征向量及分类病人状态的技术还可应用到其他类型的病人参数信号。

特征值与特定病人状态相关联。如上所述，特征向量包括对于一段病人参数信号段的多个特征(如，两个或更多个特征)的每一个的相应值。执行SVM算法的计算设备(如，编程器28、IMD16或另一个计算设备)基于多个特征向量定义分类界线，此处分类界线将一个特征空间分为两个不同的区域。特征空间的每一个特征界定一个轴，这样特征向量的值指示特征空间中的点的坐标。也就是说，基于特征向量中的特征值，可将特征向量映射为特征空间中的特定点。

基于训练数据(如，与指示处于特定病人状态的生理学参数或病人姿势状态的信号相关联的数据)确定已知的特征值(也被称为代表性特征值)。训练数据可使用任何合适的技术而获得。在一些示例中，如上所述，IMD16或编程器28记录和存储传感器信号和与所记录的生理学信号在时间上相关联的病人状态的发生的指示。在一些示例中，可将传感器信号存储在循环记录器中，尽管还可考虑其他存储器格式。可使用任何合适的技术来初始化传感器信号记录和存储。参看图4描述各示例。示例的循环记录技术在共同转让的专利号为7,610,083的、由Drew等申请的、名为“METHODANDSYSTEMFORLOOPRECORDINGWITHOVERLAPPINGEVENTS(用于循环记录重叠事件的方法和系统)”、在2009年10月27日授权的美国专利中有描述。

然后医生可评估记录下来的训练数据(如，传感器数据和指示一个或多个病人状态的发生的数据)来确定一个或多个病人状态的每一个的代表性的特征值。在其他示例中，在学习阶段，由用户(如，医生)提供代表性特征值，此学习阶段可在IMD16的治疗实现之前，或在接下来的，更新IMD16的病人探测算法的后续过程中。代表性特征值可能对于具体病人14都是专用的，或者可基于对多于一个的病人是通用的训练数据。

医生可选择两个或更多个特征(其可用于基于病人参数信号而标识第一和第二病人状态)，并确定特征向量值(如，在计算设备的帮助下)，后者然后被输入SVM算法。基于一段病人参数信号而确定的特征值被排列在向量中，这被称为特征向量，其被映射到特征空间，特征空间可以是二维、三维或具有任何其他维数。

基于代表性特征向量，SVM算法产生特征空间中的分类界线(在线性界线的情况下也被称为超平面)。分类界线将特征空间分为与指示第一病人状态的特征值相关联的第一区域和与指示第二病人状态的特征值相关联的第二区域。该分类界线可以是二维界线或可在超过二维上扩展。

SVM算法基于在为特定病人14所感知到的病人参数信号的基础上而确定的特征值而产生用于病人状态探测的分类界线。以这种方式，可基于为病人14专用的数据而训练SVM，这样在稍后时刻由设备实现的用于探测病人状态的分类界线是基于病人专用的数据而产生的。

在用于探测病人状态的一些现有技术中，通过将一个或多个信号特性与非专用于病人而是适用于多个病人的阈值或模板相比较而确定病人状态。信号特性可以是，例如，生理学信号的幅值、生理学信号频域中的一个或多个功率级别、或者生理学信号波形中的图形。尽管基于非病人专用的阈值或模板而探测病人状态可能是有用的，但相比于使用病人专用的分类界线来探测病人状态的技术而言，错误的积极病人状态探测和错误的消极病人状态探测的次数将会更高。基于SVM的分类算法被设置为相比一些现有技术而言改善病人状态探测，因为基于SVM的分类算法是使用SVM而产生的，该SVM依靠病人专用的训练数据并为特定病人产生分类界线。

指示病人状态的一些病人参数信号特性可对一类病人而言是类似，因此，非病人专用的阈值或模板对于探测病人状态可能是有用的。然而，依靠非病人专用的阈值或信号模板的用于探测病人状态的技术并不必须考虑病人参数可能在病人之间是不同的这些方面。病人之间的病人参数的差异可导致对于不同病人(尽管使用相同的病人状态探测阈值或模板)的病人状态探测算法的不同敏感性和特异性。

作为示例，具有焦虑性障碍的第一病人在该第一病人并不处于焦躁状态(也就是，处于非焦躁状态)的时候可能在生物电脑部信号的特定频带具有相对较高的功率值，而与该第一病人相比，具有类似焦虑性障碍的第二病人在其处于非焦躁状态时可能在生物电脑部信号的特定频带具有较低的功率值。因此，指示第一和第二病人的非焦躁状态的生物标记可能不同。非病人专用的阈值可能没有考虑这些差异，且可能，例如，因为在非焦虑状态过程中在特定频带中具有较高的整体功率级别，导致将第一病人的一些非焦虑状态误认为是焦虑状态。

SVM和此处被用于区别两个不同的病人状态的基于SVM的分类算法考虑到了病人之间的病人参数的差异。具体地，SVM被训练为自动地基于对特定病人14的实际病人参数数据而分类病人状态，其中病人参数数据已知为指示第一病人状态。在一些示例中，也将SVM训练为基于对特定病人14的实际病人参数数据，其已知为指示不是第一病人状态的第二病人状态。对于不同病人的基于SVM的分类算法可，因此，定义计算设备用于确定病人状态的不同分类界线。

图4是示例技术的流程图，用于训练SVM(也被称为SVM算法)响应将来的病人参数信号输入并将该病人参数信号输入分类为代表第一病人状态或第二病人状态。SVM使用如图4所示的技术可产生分类界线，其由IMD16或另一个设备在稍后时刻用于确定所感知到的病人参数信号是否指示特定病人状态。图4中所示的技术可由IMD16、编程器28或另一个计算设备所执行。因此，尽管在整个图4、以及图6-8的描述中提及编程器28的处理器60，而整个图5和9-19的描述中提及IMD16的处理器40，在其他示例中，此处描述的技术的任何部分可由IMD16的处理器40(图2)、编程器28的处理器60、另一个医疗设备(如，外部医疗设备)、另一个计算设备的处理器、或其组合而实现。

根据图4中所示的技术，处理器60接收指示第一病人状态的指示(100)，其可以是，例如，病人情绪状态、动作状态、姿势状态或上述讨论的任何其他病人状态。在一些示例中，病人14经由编程器28的用户界面66(图3)或另一个用户输入机制(诸如专用于接收来自病人14的指示病人状态的发生的输入)来提供指示病人状态的发生的输入。该专用的设备可以是，例如，具有有限个输入按钮(如，一个或两个按钮)的遥控钥匙、被设置为记录病人输入的消费电子设备(如，手机或个人数字助理)、或者能接收与存储病人输入的任何其他合适的设备。处理器60通过有线(如，电缆)连接或经由无线连接，可接收来自专用设备的输入。

在其他示例中，处理器60单独基于来自传感器的数据或结合病人输入，可自动地确定病人状态的发生。可实现基于SVM的算法，以容许处理器60基于来自第一类型的传感器的信号可自动地探测病人状态。处理器60基于来自第二类型的传感器的信号可自动地探测病人状态，该传感器可以是，例如，对于病人状态探测是可靠的、但由于其尺寸、功率消耗或其他因素对于流动的IMD控制是没有帮助的传感器。因此，可使用第二类型的传感器来训练处理器60以基于第一类型的传感器探测病人状态。

第一病人状态的指示可包括日期和时间戳来指示探测到该第一病人状态的时间或病人14提供指示第一病人状态的输入的时间。取决于病人14被诊断的情况(如，障碍)，直到第一病人状态发作之后、甚至在第一病人状态终止之后，病人14可能不能提供指示第一病人状态的发生的输入。因此，编程器28可包括容许病人14修改病人输入的特征，诸如通过修改与病人输入相关联的日期和时间戳使其变得更准确。在一些示例中，病人14还可提供指示病人状态结束的输入。

在一些示例中，IMD16可接收直接的病人输入。例如，病人14可轻击在IMD16之上的皮肤，IMD16可包括被设置为传感轻击的特定模式的运动传感器，然后这可被认为是病人输入。

处理器60还接收指示病人参数的信号(102)。在一些示例中，处理器60接收来自IMD16或独立的被植入或外部的传感设备的信号，其可产生指示生理学参数(如，生物电脑部信号、心率、体温等)的信号或指示另一个病人参数(诸如病人活动级别或病人姿势状态)的信号。在一些示例中，处理器60接收多于一个的指示相应病人参数的信号。

在此处描述的示例中，处理器60接收来自IMD16的信号。然而，在其他示例中，替代或除了IMD16，处理器60可接收来自另一个传感设备的病人参数信号。另外，在IMD16的处理器40执行图4中所示的技术的至少一部分的示例中，处理器40可接收来自传感模块46(图2)的信号。在图4所示示例中，信号由IMD16或独立的传感设备所存储，且处理器60经由无线通信技术接收来自IMD16或传感设备的信号。在IMD16包括外部设备的示例中，处理器60可经由有线(如，电缆)连接接收来自IMD16的信号。处理器60可以基本连续的方式、有规律、周期性的方式接收来自IMD16的指示病人参数的信号，或者编程器28的处理器60可询问IMD16来取回该信号。

IMD16或单独的传感设备可以连续的方式、基本周期性并定期的方式或者相应于接收到病人输入或另一个触发，传感病人参数。例如，一旦经由编程器28或者直接经由IMD16接收到病人输入，IMD16可开始存储指示病人参数的信号，且，在一些示例中，还可存储在接收到病人输入之前至少一段预确定的时间的信号部分。IMD16可包括循环记录器或另一种类型的存储器来存储病人参数信号，IMD16的处理器40可从中取回在接收到用于存储在存储器42中的病人输入之前的信号部分。

在一些示例中，处理器60开始记录并存储传感器信号，该传感器信号由动作传感器36、传感器38或传感模块46响应于、并一旦在接收到经由编程器28的用户界面66(图3)或另一个设备的指示特定病人状态发生的病人输入之后立即而产生。在其他示例中，可使用通用算法(genericalgorithm)来触发数据的记录。通用算法可以是，例如，大体上探测到病人状态的发生，但是相比此处描述的基于SVM的算法，具有较低的精度和准确性。例如，通用算法可能是过度概括(over-inclusive)的且相比基于SVM的算法，提供从训练数据中得出的更多的错误的病人状态的积极探测。

在一个通用的、病人非专用算法中，运动传感器36、传感器38或传感模块46产生指示病人参数(如，姿势、活动级别或生理学参数)的信号并提取信号的频谱特征。IMD16、编程器28或另一个设备的处理器标准化这些所感知的信号，诸如通过确定在信号的特定频带的当前能量与背景能量的比值。可基于相对短(如，约2秒)的感知到的信号段确定在特定频带中的当前能量级别(如，前景(foreground)能量级别)，而背景能量可基于所感知的信号的较长时间窗(如，约30分钟)而确定。根据病人非专用算法，当特定频带中的处理器确定当前能量与背景能量的比值大于或等于预确定的阈值的时候，处理器确定病人状态发生。用于预测病人脑部活动状态变化(其可指示病人状态的发生)的通用算法的示例，在专利号为5,995,868、Dorfmeister等人的、名为“SYSTEMFORTHEPREDICTION，RAPIDDETECTION，WARNING，PREVENTION，ORCONTROLOFCHANGESINACTIVITYSTATESINTHEBRAINOFASUBJECT(用于预测、快速探测、警告、防止或控制主体脑部的活动状态变化的系统)”、在1999年11月30日授权的美国专利中有描述。

在其他示例中，定时器控制何时处理器60开始记录并存储由运动传感器36、传感器38或传感单元46所产生的传感器信号。定时器的持续时间可被设定为在预确定的时间间隔或在病人14的生理节奏周期的不同段内激活数据记录。记录来自病人14生理节奏周期的不同段的传感器数据对于那些在一天中不同时间表现不同症状的不同病人情况是有帮助的。例如，相关于诸如癫痫的癫痫症，病人14的非促发(non-ictal)睡眠状态的脑信号(如，LFP)可区别于病人14的非促发清醒状态的脑信号。在一天中不同时间中传感器信号的变化对于经由SVM定义精确且准确的分类界线可能是有帮助的。

在一些示例中，处理器60响应于特定病人情况或事件的探测所产生的传感器信号开始记录并存储由动作传感器36、传感器38或传感模块46。病人情况或事件可以是病人状态的标记。例如，相关于被诊断为重度抑郁疾病的病人，动作传感器36可通过探测到病人14展现相对较低的活动级别(如，由预确定的阈值或范围所指示的)的时间探测到抑郁发作(depressiveepisode)，且处理器60可开始记录来自传感模块38、46中的至少一个的传感器数据，其一旦探测到抑郁事件就传感脑信号(如EEG、ECoG或LFP)来获得可能表现抑郁事件的脑信号。作为另一个示例，相关于被诊断为癫痫症的病人，一旦疾病发作或特定类型的疾病发作，就开始记录来自一个或多个传感器36、38、46的训练数据是有帮助的。可使用任何合适的技术，诸如基于对动作传感器36所产生的数据的分析或经由颅骨内的压力传感器，来自动地确定疾病发作或特定类型的疾病发作。

如共同转让的公开号为12/359,055、由Giftakis等申请的、名为“SEIZUREDISORDEREVALUATIONBASEDONINTRACRANIALPRESSUREANDPATIENTMOTION(基于颅骨内压力和病人运动的癫痫症评估)”、在2009年1月23日申请的美国专利申请和共同转让的公开号为12/359,037、由Giftakis等申请的、名为“SEIZUREDISORDEREVALUATIONBASEDONINTRACRANIALPRESSURE(基于颅骨内压力的癫痫症评估)”、在2009年1月23日申请的美国专利申请中描述的那样，病人动作和/或颅骨内压力可被用于探测疾病发作状态的发生。另外，可基于与疾病发作相关联的颅骨内压力和/或病人运动来产生疾病发作度量。可使用疾病发作度量来评估病人的疾病发作并区别不同类型的疾病发作。例如，可基于在疾病发作过程中探测到的活动级别来确定疾病发作的类型或疾病发作的严重性。另外，在与所探测到的疾病发作的时间内病人姿势的突然改变可指示病人在疾病发作中跌倒，这可指示相对较为严重的疾病发作，其有益于训练数据的记录，用于确定标识将来病人状态(其中这样的疾病发作可能将要发生)的分类界线。

在数据记录触发的这些示例的每一个中，可在接收到触发之后在预确定的时间段内由处理器60或IMD16的处理器40记录传感器数据。如上所述，IMD16的存储器42、编程器28的存储器62或者另一个设备的存储器还可在接受到上述触发中任何一个之前缓冲数据，从而获得在病人指示的病人状态的发生之前的一个时间段内的传感器信号。如专利号为7,610,083、Drew等人的美国专利中所描述的那样，可植入的医疗设备可存储具有特定的事前和事后次数的波形数据的循环记录。可，例如，用触发来指示事件。

在接收到病人状态和病人参数信号的指示(100、102)之后，处理器60，自动地或在医生帮助下，标识指示第一病人状态的信号的部分(104)。在一些示例中，处理器60可将病人参数信号与指示第一病人状态的指示时间上关联起来，来确定病人参数信号中的哪些部分是在第一病人状态中被感知到的。另外，在一些示例中，处理器60还标识病人参数信号中的哪些部分在时间上相关于正好在病人状态发生之前的时刻和正好在病人状态终止之后的时刻。处理器60可将指示第一病人状态的病人参数信号的部分标识为对应于指示第一病人状态的发生之前一段预确定事件和在第一病人状态的发生之后一段预确定的时间，如果这些信息是已知的话。

处理器60标识病人参数信号中指示病人14处于不是第一状态的状态(也就是，指示病人14处于第二状态)的部分(104)。总体上，第二状态可以是特定病人状态(疯狂状态)或者大致是非第一状态的状态。SVM将数据段分类为指示第一状态或不是指示第一状态。因此，第二状态可以大致是非第一状态的状态。

在其他示例中，处理器60基于来自医生的输入标识指示第一和第二病人状态的信号部分。医生可确定所感知道的病人参数的哪些段相关联于第一病人状态并输入信息到处理器60。在一些示例中(其中基于接收到来自用户(如，病人14、照顾病人的人或医生)的指示病人状态发生的指示而触发记录来自至少一个传感器36、38、46的数据)，处理器60不需要标识指示病人状态的信号的部分。相反，全部的所存储的数据段可关联于病人14所指示的病人状态或者自动探测到的病人状态。

在标识病人参数信号中指示第一和第二病人状态的相关部分(104)之后，处理器60，自动地或在医生的帮助下，基于所标识出的病人参数信号的部分而确定特征向量(106)。特征向量是由指示病人参数信号特性(如，信号的形态)的两个或更多个参数值而定义的向量。在一些示例中，特征向量的至少一个特征包括形态特征，诸如在一个或多个频带中的病人参数信号的功率级别(也被称为频谱能量)、病人参数信的部分或部分的子部分的幅值(如，瞬间的、峰值的、平均或中值幅值)，其他信号特性或其组合。

特征向量可包括病人参数信号的所标识部分的任何数量的特征。在此处描述的一些示例中，特征向量包括两个特征。例如，如果第一病人状态是疾病发作状态而第二病人状态是非疾病发作状态，一个特征可以是病人参数信号在约0Hz到约16Hz频带中的功率级别，而另一个特征可以是在约15Hz到约37Hz频带中的信号部分的功率级别。

特征向量的特征被选择为帮助区分不同病人状态。在一些示例中，医生通过评估指示第一和第二病人状态的信号部分并确定哪些信号特性帮助区分病人状态，而来选择特征。在其他示例中，处理器60自动地确定特征向量的特征。一般，处理器60选择特征以使与第一病人状态相关联的特征值极大地区别于与第二病人状态(如，非第一病人状态的特定的病人状态或通用的状态)相关联的特征值，这样可使用传感器信号的特征来准确地、精确地分类病人状态。

在特征是不同的频带的示例中，在第一和第二状态中展示不同功率级别的特定频带在实现SVM之前是未知的。相应地，在获得训练数据的过程中，IMD16或编程器28(或者另一个设备)可记录时域传感器信号，其为带宽数据且包括全频谱。医生或处理器60可在稍后时刻执行分析以确定哪些传感频道和特征导致第一和第二病人状态的显著(如，最大的)分离界线。IMD16的传感模块46或另一个传感模块的每一个传感频道可提取所感知的病人参数信号的相应频带。在一些示例中，处理器60经由显示器78(图3)呈现多个能导致第一和第二病人状态的显著(如，最大的)分离界线的特征给医生，且医生可经由用户输入机制78选择特征。

在一些示例中，医生可通过模拟来自包括所选特征的特征向量的分类界线而选择特征。例如，在经由编程器28(图3)的用户输入机制76接收指示一个或多个所选特征的用户输入之后，编程器60可基于所选特征产生分类界线，并经由显示器78(图3)将分类界线、特征空间和包括特征向量的特征向量的图形化显示呈现给医生。以此方式，医生可可视地分析多个分类边界并选择能导致分类界线看来在不同特征向量(其相关联于用分类界线描绘的两个病人状态的每一个)之间提供相对显著的分别(如，以距离来指示)的特征。

在处理器60自动地确定特征的示例中，处理器60可实现搜索算法来确定哪些频带或其他信号特性是展现第一和第二病人状态的。当实现搜索算法时，处理器60可在传感频道和频带的不同组合中扫描，使用诸如下述的技术之类的任何合适的技术来确定分类界线，并为每种组合产生分离度量。分离度量可以指示，例如，分类界线之间的平均、中间、最大或最小距离，和基于训练数据而确定的并用于产生分类界线的训练特征值。一般，训练特征值和分类界线之间的较大的距离指示被用于产生分类界线的特征在第一和第二病人状态之间提供了较好的分离。然后，处理器60可经由用户界面66的显示器78(图3)呈现与最大的分离度量相关联的一个或多个特征给医生。处理器60还可基于由医生所选的传感频道和频带的组合而产生分离度量，而不是如上所述为处理器60所选的传感频道和频带的组合而产生分离度量。

在选择传感模块46或传感特定展示病人状态的信号的另一个传感器的传感频道后，传感模块46可被配置为经由所选的传感频道而传感。另外，在确定展示特定病人状态的频带之后，可将传感模块46调为在所选频带中传感。

由于IMD16和传感能力的限制或功耗的限制，理想的是限制SVM所用的特征的数量。在其他示例中，特征向量可包括最多为16或更多的特征。例如，特征向量可包括在十个分离的频带中的功率级别。如果IMD16包括用于传感的十六个分离频道，可使用每个频道来为每个相应特征向量提取任何数量的特征。例如，为每个频道，可使用10个分离能带中的能量定义相应的特征向量。

特征向量中的每个特征对应于特征空间中的一维，SVM使用这个特征空间来将数据段分为代表第一病人状态或第二病人状态(例如，基本不同于第一病人状态的状态或特定的、已知的状态)。每个特征向量定义特征空间中的点，用计算设备实现的SVM用此来分类数据。以此方式，特征向量定义的每个数据点是在给定时间所监测到的特征值的量化表示，每一个特征向量定义用于产生分类界线的特征空间中的一个数据点。特征向量可包括任何合适数量的特征，诸如两个、三个或更多个，且，相应地，特征空间可具有任何合适的维数。

在一些示例中，处理器60自动地确定特征向量(106)，如，通过自动地为每一个所标识出的信号部分确定每一个选择出的特征的值。在其他示例中，医生或另一个人确定特征向量并将所确定的特征向量的特征值输入到编程器28中用于自动确定分类界线。

在一些示例中，特征向量被确定的信号部分具有预确定时间期间。因此，每一个特征向量代表为该预确定时间期间的病人状态。相应地，持续时间段超过被用于确定单个特征向量的信号部分的时间的单个病人状态的单次发生可能关联于多个特征向量。在一些示例中，被用于确定特征向量的信号段具有在约0.5秒到约5秒之间(诸如2秒)的持续时间，其他时间窗也可考虑。

图5示出其中使用病人参数信号来确定代表性特征向量的技术的示例，代表性特征向量提供用于定义分类界线的训练点。图5是用于配置SVM来产生用于将所感知的病人参数信号分类为指示第一状态或第二状态的分类界线的监督学习技术的概念图示。在图5中，IMD16感知指示病人14的疾病发作状态的第一生物电脑部信号段120(也被称为信号部分)和指示状态为非疾病发作状态的第二生物电脑部信号段122。

信号120、122的多个频带组分被示在图5中。在一些示例中，IMD16的传感模块46包括模拟传感电路，其带有使用有限功率来监测在其中产生理想生物信号的放大器。如之前所示，频选传感电路可包括斩波稳定的超外差式仪器放大器和信号分析单元，并且可利用外差的、斩波稳定的发达器构造来将生理学信号(诸如生物电脑部信号)的所选频带转换为用于分析的基带。如此处所描述的，可在一个或多个所选频带中分析生理学信号来确定一个或多个特征。

在图5所示示例中，传感模块46提取相应生物电脑部信号120、122的特定频带作为信号的特征，这样所选频带中的频谱能量可被确定以产生相应的特征向量124、126。在使用频选传感电路的时候，处理器40可在相对低的速率，诸如约1Hz的速率，采样并数字化信号120、122。可使用相对较低的速率，因为传感模块46的传感放大器已经提取了理想的频谱能量特征。

处理器40基于所传感的信号120确定特征向量124，其中特征向量124的特征值124A是在约0Hz到约16Hz的第一频带中的能量级别，而第二特征值124B是约15Hz到约37Hz的第二频带中的能量级别。可考虑并基于，例如，被认为特定地展示第一和第二病人状态的频带，选择其他的频带。另外，可考虑特征向量包括多于两个的特征。

处理器40也可基于所传感的信号122确定特征向量126，其中特征向量126的特征值126A是在约0Hz到约16Hz的第一频带中的能量级别，而第二特征值126B是约15Hz到约37Hz的第二频带中的能量级别。每个特征向量124、126定义特征空间128中的点，SVM算法使用这个来产生分类界线。因此，在图5所示示例中，每一个特征向量定义特征空间中的一个数据点。如之前所示，特征向量中的每一个特征对应于特征空间中的一维。因此，在图5所示示例中，示出二维特征空间128。

回到图4中所示的技术，在为所标识的信号部分确定特征向量(106)之后，处理器60确定是否还有特征向量没有被确定的指示第一和第二病人状态的附加指示(108)。如果有处理器60还没有确定特征向量的第一病人状态的附加指示，处理器60可标识病人参数信号的相关部分相关联于第一和第二病人状态的相应指示(104)并确定与第一和第二病人状态的相应指示相关联的特征向量(106)，直至没有附加训练点(如图4中所示的示例中的特征向量)留待被确定。例如，如果没有附加训练点可用，处理器60可不继续确定训练点。

处理器60，在没有用户输入的情况下自动地或基于用户输入地，为每一个所标识的信号部分确定特征向量(106)。因此，确定了指示第一病人状态的信号部分和指示第二病人状态的信号部分的特征向量值。以此方式，由处理器60实现的SVM算法被训练为基于与第一或第二状态相关联的一致特征向量来分类数据。如图5的示例特征空间128中所示，特征向量定义特征空间128中的点。在图5所示示例中，对应于疾病发作状态(也就是，图5所示示例的第一状态)的探测的每个特征向量被绘在特征空间中为圆形标志，而每一个不对应于疾病发作的发生(也就是，图5所示示例的第二状态)的特征向量被图示为“X”。

图示在特征空间128的疾病发作状态的每个探测并不必须是分离的疾病发作的发生。反之，用特征向量所指示的一些疾病发作状态探测可以是共同的疾病发作的发生的片段，且，在一些示例中，这些疾病发作的片段可被群集起来探测疾病发作。群集神经活动的概念来探测并监测神经事件(如，疾病发作)的发生被描述在共同转让的专利号为7,280,867的、授权给Frei等的、名为“CLUSTERINGOFRECORDEDPATIENTNEUROLOGICALACTIVITYTODETERMINELENGTHOFANEUROLOGICALEVENT(群集所记录的病人神经活动来确定神经事件的长度)”、在2007年10月9日授权的美国专利中。

基于所感知的病人参数信号的部分来确定特征向量。因此，发生超过被用于确定单个特征向量的一段时间的病人状态的单次发生可能关联于多个特征向量。

在对第一和第二状态确定多个特征向量之后，处理器60自动地基于所确定的多个特征向量确定描绘第一和第二病人状态的分类界线。具体地，定义分类界线来分离于已知病人状态相关联的特征值，诸如位于界线一边的第一病人状态的特征值和位于另一边的来自第二病人状态的特征值。以此方式，处理器60分离所确定的特征值(其可被排入特征向量)为两个类别，藉此第一类别对应于第一病人状态，第二类别对应于第二病人状态的发生。图4所示的技术可在训练阶段被使用，其中训练数据来自特定病人，且支持向量机基于对特定病人的数据而被训练。以此方式，病人专用的分类界线可减少错误的积极和错误的消极病人状态探测的次数。总体上，当使用分类界线来区分的病人状态之间的类似性增多，可能需要更多的支持向量来定义更复杂的分类界线。

该分类界线可以是线性的或非线性的。线性分类界线130的示例示于图6中。线性界线130定义特征空间128的第一区域132和第二区域134，其稍后被SVM使用来基于所感知的病人参数信号来分类所感知的病人状态。第一区域132相关联于第一病人类别，其在图6所示示例中，是疾病发作状态。第二区域134相关联于第二病人类别，其在图6所示示例中，是非疾病发作状态。处理器60自动地确定线性界线130来最大化第一和第二病人类别之间的分离。

可使用任何用于确定线性界线130的合适的技术。在一些示例中，处理器60使用如下式来确定线性界线130：

W^TX+β＞0(Equation1)(式1)

变量“W”是支持向量，变量“X”是特征空间128中的已知数据点(也就是，训练特征向量)的每一个特征值定义的向量，“β”是偏置项(bias)。变量“T”指示支持向量是经转置的。向量W和偏置项β是由SVM学习算法所确定的参数。

在一些示例中，处理器40可确定多于一个的线性界线，诸如两个或更多。图7是特征空间128的概念图示，处理器40为此特征空间128确定了两个线性界线130、136，用于描绘已知数据点的第一和第二类别，其对应于第一和第二病人状态。稍后，当IMD16的处理器40基于所感知的病人参数信号而确定病人14是否处于第一状态或第二状态，处理器40可同时运行线性SVM并基于线性界线130、136来执行逻辑运算(如AND或OR)来确定由所感知的病人参数信号所指示的病人状态。

例如，通过同时或相继地基于线性界线130确定特征向量是否被分类为指示第一状态或第二状态，且基于线性界线136确定特征向量是否被分类为指示第一状态或第二状态，IMD16的处理器40可确定从病人参数信号提取出的特征向量指示病人14处于第一或第二状态。使用带有多个线性界线130、136的SVM导致分类技术更接近于非线性SVM技术，非线性SVM技术参看图8A而描述。使用多个线性界线130、136，然而，相比于带有非线性界线的SVM，可需要通过处理器的较少的处理，且，因此，相比于使用非线性界线的SVM，可能消耗较少的功率来分类病人14为处于第一病人状态或第二病人状态。

图8A示出示例非线性界线140。非线性界线140将特征空间128分离为与第一病人状态相关联的第一区域142和与第二病人状态相关联的第二区域144。像用线性界线那样，处理器60确定在第一和第二病人类别之间最大化分离的界线140。处理器60使用任何合适的技术基于训练数据点(基于与已知的第一和第二病人状态相关联的特征向量所确定的)来确定非线性界线140。处理器60可，例如，使用内核函数(kernelfunction)通过病人状态来确定分离数据点的非线性界线140。

处理器60可利用以下式来确定非线性分类界线：

β + Σ_{i = 1}^{N} α_{i} \exp (- γ {| | X - X_{i} | |}^{2}) > 0

(式2)

在式2中，变量“β”是偏置项，“α”是由SVM学习算法自动确定的系数，“exp”指示式子的随后部分是系数“α”的指数，变量“γ”是用户定义的用于控制分类界线的曲线且可由用户选择的，且变量“X”是特征空间128的已知数据点(也就是，训练特征向量)的每一个特征向量所定义的向量。在一些示例中，变量“γ”可能是约0.1。“X_i”指示SVM算法选择以定义曲线界线的代表性支持向量。仅使用代表性特征向量中的一些来定义界线，而所选择的特征向量可被称为支持向量。

非线性界线可基于训练数据点提供第一和第二类别的更好的分离，不过使用非线性界线，处理器可能消耗更多的功率和时间处理数据段来分类数据段为第一和第二类别。在为可植入医疗设备(诸如IMD16)选择分类技术的时候，功率消耗可能是重要的因素，因为IMD16的可用寿命取决于电源52(图2)的寿命。

相比确定线性界线130，确定非线性界线还可能要求处理器60的更多的功率消耗。已经发现处理器可通过限制式2的指数函数的项数来确定平衡功耗和特异性的非线性界线。例如，已经发现用式2的指数函数的八项(如，8支持向量)产生的非线性界线产生可接受的非线性界线，其带有的分类特异性(接近于用式2的指数函数的约50到约200项所产生的非线性界线的SVM。因此，限制用于在特征空间128中确定非线性界线132的项数可利用SVM，其使用对于带有有限处理能力和有限电源的设备(诸如IMD16)而言更为可行的非线性界线。分类特异性可以是SVM的不正确的状态探测的数量、错误的积极第一状态探测的次数，和/或错误的消极第一状态探测的次数的函数。

图8B是特征空间128的概念图示，其比较使用带有八项的式2所确定的非线性界线146和使用带有50项的式2确定的非线性界线148。如图8B所示，使用较少的项所确定的非线性界线146与界线148类似，且，因此，可具有类似的分类特异性。图8暗示，产生具有较少数量的项的有用的非线性界线可帮助在分类特定病人状态的时候限制IMD16的处理器40的功率消耗。

在处理器60自动地确定分类界线(图4中的框110)之后，使用SVM产生的分类界线被加载到探测病人状态的设备中。例如，编程器28，独立地或在医生的帮助下，可将SVM加载到MID16的存储器42(图2)中。在这个步骤之后，IMD16的处理器40自动地处理实时的或存储的病人参数信号，SVM使用所确定的分类界线将从信号中提取出来的多个数据段(如，信号的样本)进行分类。在此处所述的示例中，数据段是基于病人参数信号的特性而确定的特征向量。SVM将基于由IMD16所感知的病人参数信号的特性而确定的特征向量映射到特征空间中，并确定这个特征值落在分类界线的哪一边。基于这个确定，处理器确定当前的病人状态。

图9是示例技术的流程图，该技术用于基于实时或所存储的病人参数信号，以使用SVM算法确定的分类界线来确定病人状态。图9是相关于IMD16的处理器40而描述的。然而，图9所示的技术可由编程器28的处理器60、另一个设备的处理器或其组合执行。

处理器40接收指示病人参数的信号(160)。信号可以是，例如，生理学信号或指示病人活动级别或病人姿势的信号。在一些示例中，SVM用来确定分类界线的病人参数信号是与处理器40用来确定病人状态的信号一样的信号。在一些示例中，病人参数信号通过传感模块46(图2)、动作传感器36、另一个传感器或其组合而产生。

处理器40确定用于基于这些信号而确定的特征向量的一个或多个特征值(162)。加以确定值的那些特征是SVM算法用来产生分类界线(如，使用图4中的技术)的相同的特征。处理器40可使用任何合适的技术来确定特征向量值，诸如相关于图4而描述的、用于确定用于SVM训练点的特征向量的技术。在一些示例中，处理器40基于具有预确定的时间持续的病人参数信号的样本而确定特征向量。以此方式，具有相应特征值的多个所确定的特征向量可代表持续了已知时间持续的病人状态。

在基于所接收到的信号确定特征向量值(162)之后，处理器40将该特征向量值和分类界线(164)相比较，该分类界线可能是线性的(图5中的线性界线130)或非线性的(图7中的非线性界线140)。具体地，处理器40将所确定的特征向量映射到特征空间中并确定该特征向量落在界线的哪一侧。在一些示例中，处理器40对确定病人14是否处于第一状态感兴趣。因此，如果该特征向量没有落在与第一病人状态相关联的界线的那一侧，处理器40可产生第二状态指示(167)并且然后继续监测生理学信号(160)并确定特征向量(162)。第二状态指示可以是，例如，存储在IMD或另一个设备(如，编程器28)的存储器42中的信号的值、标记(flag)。

在其他示例中，处理器40没有产生第二状态指示，而是仅继续监测生理学信号(160)以及确定特征向量(162)直至探测到第一状态。如果特征向量落在与第一病人状态相关联的界线的那一侧，处理器40将所确定的特征向量分类在与第一病人状态相关联的特征空间中，且处理器40确定病人14处于第一状态(166)。处理器40可产生第一状态指示(168)。第一状态指示可以是，例如，存储在IMD或另一个设备(如，编程器28)的存储器42中的信号的值、标记。在一些示例中，在确定病人14已经改变了状态之前，处理器40确定预确定数量(如，四个)相邻点是否位于界线的一侧。

如前所示，可为多个目的而使用第一病人状态的确定，诸如控制治疗传递(如，开始、使无效、修改治疗传递的一个或多个参数)、产生病人提醒(如，警告来指示疾病发作状态将要发生)、评估病人情况、或者开始病人参数的记录(以及存储病人参数(诸如指示病人参数的信号)在设备的存储器中)。因此，一旦产生第一状态指示(168)，IMD16的处理器40可采用任何合适的动作过程(其可由医生预先选择且可包括前述动作中的一个或多个)。

在IMD16的处理器40基于所确定的病人状态而控制治疗模块(如，在IMD16产生并传递电刺激给14的示例中的刺激产生器44(图2)、在IMD16产生并传递治疗剂给14的示例中的流体传递模块或传递外部提示的模块)的示例中，处理器40响应病人状态的确定可修改治疗传递的一个或多个参数。相应于所探测到的病人状态，对于一个或多个治疗参数的修改(或调整)不同于使治疗传递无效，这是指IMD16继续有效地用经调整的治疗参数传递治疗给病人14，而不是使治疗传递无效。以此方式，IMD16可调整治疗传递来兼容不同的病人状态，其可关联于不同症状或不同治疗结果。这个响应的治疗传递帮助提供有效的治疗给病人14。

在一个示例中，基于所确定的病人状态，处理器40从存储器42(图2)中选择治疗程序或对于当前程序调整一个或多个刺激参数值(包括诸如幅值、脉冲宽幅、脉冲速率、电极组合、电极极性之类的参数)。然后，根据调整的治疗参数，IMD16产生并传递治疗给病人。在替代或除了电刺激，IMD16传递治疗剂给病人14的示例中，处理器40可从存储器42(图2)中选择治疗程序或调整一个或多个流体传递参数值(如，治疗剂的剂量、治疗剂的传递速率、每个剂团中最大可接收的剂量、或治疗剂的剂量可传递给病人的时间段)。在此之后，IMD16根据经调整的参数将治疗剂传递给病人14。在外部设备传递外部提示(诸如可视、可听或体感提示(如，脉搏振动))给病人14的示例中，IMD16的处理器40或另一个设备(诸如外部设备)的处理器，可控制外部设备增加或降低可视提示的对比度或亮度、增加或降低可视提示的寿命、增加或降低可听提示的音量，等。

图10是技术的概念图示，处理器40使用该技术，在实现SVM算法时，基于代表病人参数的信号而确定病人状态。在图10中，IMD16的传感模块46用一个传感频道(频道1)传感病人14的脑部信号。在图10所示示例中，传感模块46包括模拟频率选择传感电路，其提取经由传感频道所传感的生物电信号中的频率组分。从经由频道1感知的病人参数信号，传感模块46为第一特征170(包括从0Hz到约16Hz的频带中的能量级别)和第二特征值172(包括从15Hz到约37Hz的频带中的能量级别)提取值。这些特征170、172的值是为传感频道所产生的特征向量174的特征值X₁和X₂。

在用特征值(X₁和X₂)确定了特征向量174之后，处理器40将特征向量174映射到之前已确定的特征空间128(如，使用图4中所示的技术而确定)中并确定特征向量174落在线性界线130的哪一侧。在其他示例中，替代或除了线性界线130，SVM算法可利用非线性界线。如果特征向量174落在区域132中，处理器40确定所感知的生物电脑部信号指示病人14处于第一状态(如，疾病发作状态)。另一方面，如果特征向量174映射到区域134，处理器40确定所感知到的生物电脑部信号指示病人14处于第二状态(如，非疾病发作状态)或至少不处于第一状态。

在使用SVM算法确定的分类界线的帮助下，处理器40确定病人14是否处于第一状态或第二状态。通过使用由SVM算法所确定的多个分类界线，处理器40可确定病人14是否处于多个病人状态中的一个，此处每一个分类界线被用于确定病人14是否处于相应的状态或不在这个状态。

在一些示例中，IMD16的处理器40(或者另一个设备的处理器)可确定所感知的病人参数信号是否指示病人14正在向需要采取动作过程的病人状态移动。如前所示，动作过程可包括治疗传递(如，刺激或治疗剂)、病人提醒的传递、开始记录病人参数信号，等。并非等待直到基于病人参数信号而实际地探测到病人状态，基于一段时间所感知的病人参数信号而确定的特征向量指示病人14正向着该病人状态移动，处理器40可开始动作过程。

图11是示例技术的流程图，该示例技术用于确定所感知的病人参数信号是否指示病人14正在向特定病人状态移动。像使用图9中所示的技术那样，处理器40接收指示病人参数的信号(160)并确定基于信号的时间段确定特征向量的一个或多个特征值(162)。处理器40可基于随着时间所感知的病人信号参数的相应部分确定多个特征向量，这样每一个特征向量指示一段预确定时间的病人状态。基于病人参数信号的连续(或相继)段而确定的特征向量可指示连续的病人状态的确定。

如前所述，特征向量的特征值定义特征向量的坐标，这样每一个特征向量可被映射到特征空间。在图11所示示例技术中，处理器40确定连续的特征向量(如，特征空间中坐标点发展(progression))是否接近分类界线(177)。在一些示例中，处理器40基于具有预确定的时间持续的病人参数信号的段而确定特征向量。可基于病人参数信号的段的不同部分而确定每个特征向量。以此方式，在特征空间中的特征向量的轨迹可指示一段预确定时间持续中的病人情况的发展(progression)。在其他示例中，处理器40基于病人参数信号持续地确定特征向量。在这个示例中，处理器40在未知的、未确定的时间段上监测该特征向量的轨迹。然而，例如为便于处理，处理器40可基于有限(如，预确定的)数量的特征向量而评估轨迹路径。例如，处理器40可基于从约2个到约100个特征向量(诸如约2个到4个特征向量)的轨迹评估病人状态。预确定数量的特征向量可基于病人参数信号的最新的段。以此方式，处理器40可基于相关于现有病人状态的病人参数信号段而评估病人状态。

不论轨迹被观察的持续时间或轨迹中特征向量的数量，特征空间128(图10)中连续特征向量的位置可指示病人状态是否在变化，这可能指示预期的病人状态变化。例如，随时间的特征向量可定义朝向分类界线的轨迹，藉此指示病人14可能位于逼近的或可能的病人状态变化。以此方式，可使用基于所感知的连续病人参数信号段而确定的特征向量的轨迹来预测病人状态的发生。

在一些示例中，处理器40通过确定特征向量和分类界线之间的距离而确定是否随时间的特征向量定义了朝向分类界线的轨迹(177)，如，向参看图13-14B所描述的那样。如果病人参数信号的相继段(可能不是必须是连续的段)的特征向量和分类界线之间的距离随着时间降低，处理器40可确定特征向量在定义向着分类界线的轨迹。距离可以是特征空间中的特征向量和分类界线之间延伸的垂直线的绝对值。轨迹可能是，但不必须是线性的。在一些示例中，如果轨迹中每一个后来的特征向量(如，基于病人参数信号的相继段而确定的特征值)相比于之前的特征向量更接近于分类界线，处理器40确定特征向量在定义向着分类界线的轨迹。

在其他示例中，轨迹中的每一个后来的特征向量并不必须相比于之前的特征向量而言更接近分类界线，而是可用非相继的特征向量定义轨迹的方向。例如，向着分类界线的轨迹可包括距离分类界线第一距离且在第一时间确定的第一特征向量、距离分类界线第二距离且在接着第一时间的第二时间确定的第二特征向量、距离分类界线第三距离且在接着第二时间的第三时间确定的第三特征向量，和距离分类界线第四距离且在接着第三时间的第四时间确定的第四特征向量。

在一些示例中，当第四特征向量相比第三特征向量更接近分类界线、第三特征向量相比第二特征向量更接近分类界线、第二特征向量相比第一特征向量更接近分类界线，处理器40确定特征向量定义了随时间朝向分类界线的轨迹。在其他示例中，当第四特征向量相比第一、第二、第三特征向量中的任何一个更接近分类界线(即使，如，第二或第三特征向量相比第一特征向量更远离分类界线)、第三特征向量相比第一、第二特征向量中的任何一个更接近分类界线、或者第二特征向量相比第一特征向量更接近分类界线，处理器40确定特征向量定义了随时间朝向分类界线的轨迹。

如果处理器40确定基于病人参数信号而确定的特征向量没有定义随时间向着分类界线的轨迹，处理器40可继续监测病人参数信号(160)和特征向量随时间的轨迹。

另一方面，如果处理器40确定基于病人参数信号而确定的特征向量定义随时间向着分类界线的轨迹，处理器40产生预期的病人状态指示(178)，其指示与分类界线的另一侧(特征向量的轨迹随时间将要与之靠近)相关联的病人状态在逼近或至少像要发生。预期的病人状态指示可以是，例如，存储在IMD或另一个设备(如，编程器28)的存储器42中的信号的值、标记(flag)。在特征值的轨迹没有穿过分类界线的示例中，预期的病人状态指示的产生不表示处理器40探测到了病人状态的实际发生，而是，处理器40基于特征向量的轨迹预测到了病人状态的发生。

在图11所示示例中，一旦产生预期病人状态指示，处理器40可开始合适的动作过程(如，无效、开始或调整治疗参数，产生病人提醒或开始、无效或调整病人参数信号的记录)。在一些示例中，当特征向量与分类界线之间的距离小于或等于预先确定的阈值(其可被存储于存储器42中)时，处理器40开始合适的动作过程(如，开始治疗传递或产生病人提醒)。在其他示例中，当病人参数信号的相继段的阈值数量的特征向量定义向着分类界线的轨迹时，处理器40开始合适的动作过程(如，开始治疗传递或产生病人提醒)。被用于确定轨迹正在向着分类界线的轨迹中的特征向量的阈值数量可以由医生预先确定或存储在IMD16的存储器42(图2)、编程器28的存储器62(图3)中另一个设备的存储器中。

在病人14达到病人状态之前开始动作过程可以帮助预防病人状态的发生或至少减轻与该病人状态相关联的任何症状的严重性。由特征向量界定的向着分类界线的轨迹可指示有可能病人14最终将达到病人状态。因此，任何预防性的治疗传递对于管理病人情况是有用的。另外，在一些示例中，在实际达到病人状态之前为病人14提供治疗相比在病人实际处于病人状态之后提供治疗而言更有帮助。例如，如果病人处于癫痫症中，在疾病发作状态之前提供治疗传递，相比在病人14处于疾病发作状态之后的时候传递治疗，会更有利于预防或减轻疾病发作。类似地，在疾病发作之前产生病人提醒，相比在病人处于疾病状态之后传递提醒，会更有利于为病人14提供提醒。例如，在疾病发作状态之前的提醒可为病人14提供充分的提醒，先于疾病发作的任何微弱效果的发作之前到安全位置或者为疾病发作做其他准备(如，如果病人14正在驾驶车辆的话则将车辆停下)。

作为另一个示例，如果病人状态是处于出现了运动障碍的一个或多个症状的状态中，在运动状态之前提供治疗传递，相比于在运动障碍症状已经出现之后为病人14提供治疗，更有助于帮助病人14开始和/或保持运动。在运动障碍的一个或多个症状出现之前治疗的传递可能帮助最小化病人14所感知任何运动障碍症状。基于向着分类界线的特征向量的轨迹而预测运动障碍症状的出现可有助于传递治疗的时间，这样病人14基本没有感受到不能开始运动或运动障碍的另一个影响。这还可应用到其他病人状态。一般，基于向着分类界线(描绘了区别于另一个状态的病人状态)的特征向量的轨迹而预测病人状态的出现有助于传递治疗的时间安排，这样病人14基本没有感受与病人状态相关联的症状。

在一些示例中，有效的是控制刺激发生器14(或另一个治疗模块)来将传递给病人14的治疗调整为一种治疗设定，其在病人14处于病人状态之前的姿势状态中提供给病人14有效治疗。例如，如果病人14在特定病人状态感觉更疼，那么对于病人14处于此病人状态之前的姿势状态开始治疗是有帮助的，这样在治疗效果上没有延迟。

在一些示例中，相比于，例如，基于所感知的病人参数信号的单个部分而确定的分立的特征向量，取决于病人和病人参数信号的类型，随时间的病人情况发展可提供更好的对于病人状态的指示。例如，分立的特征向量可能是界外值(outlier)(如，基于病人参数信号中的瞬时变化)且可能不提供当前病人状态的准确表示。另一方面，随时间的特征向量的轨迹基于较长的时间窗，且可提供更稳健的和有意义的当前病人状态的指示。在病人姿势状态的情况下，分立的特征向量可代表瞬时姿势状态(如，病人在第一和第二姿势状态之间的瞬时所采用的中间姿势状态)。另一方面，基于指示病人姿势或活动的病人参数信号的相继段而确定的特征向量的轨迹可指示病人姿势状态随较长时间段的变化，且，因此，可能不考虑病人14处于瞬时的姿势状态，不过，而是，正在接近第二姿势状态。因此，可基于第二姿势状态的探测而控制给病人14的治疗传递。

在一些示例中，处理器40(或另一个设备的处理器，诸如编程器28)可基于特征向量相对于由SVM定义的分类界线的轨迹而确定评估度量。评估度量可被存储在IMD16的存储器42或设备的存储器中。存储器40产生的随时间的评估度量的日志可提供数据，根据这些数据医生可评估病人情况的发展、监测病人情况的严重性等。评估度量可指示，例如，病人的情况是否在改善(如，在病人14正当前处于消极病人状态的示例中，轨迹是否正在接近着分类界线)或者病人的情况是否在恶化(如，在病人14正当前处于积极病人状态的示例中，轨迹是否正在接近分类界线)。另外，在一些示例中，评估度量可指示病人是否正在接近病人状态转换(如，轨迹是否正在接近分类界线)。

在一些示例中，评估度量是轨迹的至少一个特征向量和分类界线之间的距离。可使用任何合适的技术，诸如下文中参考图13而描述的技术，来确定距离。在一些示例中，评估度量是基于轨迹中的两个或更多个特征向量和分类界线的距离而确定的平均或中值距离。在其他示例中，评估度量是轨迹的任何一个特征向量和分类界线之间的最小距离。还有在其他示例中，评估度量是基于最新的病人参数信号段(如，在最近的时间点处观察的病人参数信号段)而确定的特征向量和分类界线之间的距离。在这些示例中，评估度量可指示病人14是否正在接近病人状态变化。

在一些情况下，轨迹的至少一个特征向量和分类界线之间的相对小(如，相比于预确定的阈值)的距离可指示病人情况正在改善。例如，如果病人14正处于消极病人状态，且一个或多个特征向量和分类界线之间的距离正在减少，距离可指示病人正在接近更积极的病人状态(如，非疾病发作状态或病人的情绪障碍的一个或多个症状没有出现的积极的情绪状态)。然而，在一些示例中，相对小的距离可指示病人情况正在恶化。例如，如果病人14正处于积极病人状态，且轨迹的至少一个特征向量和分类界线之间的距离减少或小于预先确定的阈值，轨迹可指示病人14正在接近更消极的病人状态(如，疾病发作状态或更严重的疾病发作状态，或消极的情绪状态，诸如抑郁或焦虑情绪状态)。

另外，在一些示例中，多个评估度量可指示病人是否正在接近病人状态转换(如，如果特征向量和分类界线之间的距离是减少的趋势则，轨迹正在接近分类界线)。

在评估度量是基于以最新的病人参数信号段为基础而确定的特征向量和分类界线之间的距离的示例中，基于与分类界线的距离的大小，评估度量可指示病人14是否接近于转换到不同的病人状态。特征向量和分类界线之间相对较小的大小可指示病人14接近转换到不同的病人状态，或者病人状态转换正在逼近。医生可确定指示病人状态转换正在逼近的度量(如，距离值)。在一些情况下，这个度量可在SVM训练阶段被确定，或者在其他情况下，度量可在紧接着监测阶段被确定，其中在监测阶段中使用此处描述的基于SVM的分类算法探测到病人状态且病人状态指示被存储在存储器中用于后来的评估。

如上所述，轨迹可具有已知数量(如，预确定的或计算出的)的特征向量。在这些示例中，除了或替代轨迹的一个或多个特征向量和分类界线之间的距离，评估度量可包括距离分类界线的距离小于阈值距离的轨迹中特征向量的数量或特征向量的百分比。可由医生或监督式机器学习技术预先确定阈值，并存储在IMD16的存储器42或另一个设备的存储器中。

另外，在一些示例中，评估度量可包括接近分类界线的轨迹的相继特征向量(例如，基于病人参数信号的连续段而确定)的数量。

图12是示例技术的流程图，处理器40可实现此技术以确定病人参数信号指示了三个病人状态中的哪一个。像使用图9中所示的技术那样，在图12所示技术中，处理器40从运动传感器36(图2)、传感器38(图1)或传感模块46(图2)或另一个传感模块(160)处接收指示病人参数的信号，并基于所感知的信号的一部分而确定特征向量值(162)。处理器40将所确定的特征向量与由第一SVM算法确定的第一分类界线相比较(164)来确定病人14是否处于第一状态或没有处于第一状态。界线可能是线性的(如，图5中的线性界线130)或非线性的(如，图7中的非线性界线140)。处理器40将所确定的特征向量映射到特征空间中并确定该特征向量落在界线的哪一侧。

如果特征向量落在与第一病人状态相关联的界线的那一侧，处理器40将所确定的特征向量分类在与第一病人状态相关联的特征空间中并确定病人14处于第一状态。然后，处理器40可产生第一状态指示(168)。另一方面，如果特征向量没有落在与第一病人状态相关联的界线的那一侧，处理器40确定病人14没有处于第一状态。

为了进一步分类病人状态，处理器40实现附加的分类界线。可通过基于同样的或不同的训练数据的SVM而产生分类界线。在图12所示示例中，为了确定所确定的特征向量是否指示第二或第三病人状态，处理器40实现由第一SVM算法或第二SVM算法实现的分类界线并将所确定的特征向量与第二分类界线比较(180)。处理器40确定特征向量是否指示病人14处于第二状态(182)。具体地，如果特征向量落在与第二病人状态相关联的界线的那一侧，处理器40将所确定的特征向量分类在与第二病人状态相关联的特征空间中并确定病人14处于第二状态。处理器40可产生第二状态指示(182)。与第一状态指示一样，第二状态指示可以是，例如，存储在IMD或另一个设备(如，编程器28)的存储器42中的信号的值、标记(flag)。在一些示例中，在确定病人14已经改变状态到第二状态之前，处理器40确定预确定数量(如，四个)相邻点是否位于界线的一侧。如果第二SVM算法指示病人14没有处于第二状态(182)，处理器40确定病人14处于第三状态并产生第三状态指示(184)。

在此处描述的示例中，每一个SVM算法提供关于病人14是否处于特定病人状态的二元化指示。在希望分类大于两个状态的示例中，处理器40可使用任何合适数量的SVM算法来确定病人14是否处于多个病人状态中的一个。处理器40可将基于第二病人状态确定的特征向量与相应的基于SVM的分类算法的任何数量的分类界线比较。可使用每一个基于SVM的分类算法来进一步区分病人状态。处理器40可平行地或连续地做出比较。

在一些示例中，当病人状态是不同的姿势状态时，多于两个病人状态的分类是理想的。例如，相关于参看图12而描述的技术，第一状态可以是躺着的状态、第二状态可以是直立且活动的状态，而第三状态可以是直立状态。作为另一个示例，第一状态可以是向上躺着的姿势状态，第二状态可以是向右躺着的姿势状态，而第三状态可以是向左躺着的姿势状态。使用一个或多个基于SVM的算法可实现任何可能的数量和顺序的姿势状态探测。

另外，在一些示例中，多于两个病人状态的分类对于表征特定病人状态(其中出现了病人事件或事情(诸如疾病发作事件、运动障碍事件或情绪状态障碍事件)的一个或多个症状)的严重性是有帮助的。例如，相比于感觉性疾病发作(sensoryseizure)(如，不与运动组分相关联的脑电变化)，与运动组分相关的脑电变化的疾病发作(如，强直性痉挛疾病发作)可被认为相对更严重。相关于参看图12而描述的技术，第一状态可以是非疾病发作状态、第二状态可以是感觉性疾病发作状态，而第三状态可以是运动疾病发作状态。使用一个或多个基于SVM的算法可实现任何可能的数量和顺序的疾病发作状态探测。还可考虑疾病发作状态和其他病人障碍(如，情绪障碍)的严重性分类的其他类型。区别不同严重性的病人状态的不同分类界线可基于与具有不同严重程度的病人状态相关联的训练数据而确定。通过实现将特征空间定义为与特定病人状态的不同严重程度相关联的不同部分的多个分类界线，图12中所示的技术对于确定特定病人状态的严重性是有帮助的。

在一些示例中，取决于病人状态，处理器40或另一个设备(诸如编程器28的处理器)基于由SVM算法产生的共同分类界线而确定病人状态的严重性。例如，疾病发作状态、抑郁情绪状态、焦虑情绪状态、疯狂情绪状态等的严重性可通过确定做出病人状态分类的特征向量和SVM算法的分类界线之间的距离而确定。

图13是示例技术的流程图，处理器40可用此技术在使用SVM算法所产生的分类界线的帮助下可实现评估度量(如，严重性度量)。评估度量可以是可被用于评估所探测到的病人状态，且，在一些情况下，用于互相比较多个探测到的病人状态的值或任何其他指示。评估度量可被存储在设备的存储器中，诸如IMD16或编程器28中用于医生的稍后分析。然而，评估度量还可基于所存储的病人参数信号由医生依需要产生。在确定病人14处于特定病人状态且将所确定的特征向量映射到预确定的特征空间之后，处理器40确定所确定的特征向量和SVM算法所定义的分类界线之间的距离(190)。用于基于所感知的病人参数信号而确定特征向量的示例技术将会参看图9和12进一步描述，用于确定特征空间的示例技术参看图4而描述。

处理器40可使用任何合适的技术来确定特征向量(如，在指示当前病人状态的所感知的病人参数信号的段的基础上确定的)和由SVM算法定义的分类界线之间的距离。在一些示例中，处理器40用所确定的特征向量更新式1或2，其还可被用于确定分类界线。用特征向量对新式1或2的更新导致一个特定数，其关联于特征向量和分类界线之间的距离。处理器40可确定结果值是积极的还是消极的。积极的值可指示特征向量位于分类界线的第一侧，而消极的值可指示特征向量位于分类界线的第二侧。另外，基于式1所确定的值的大小指示特征向量与分类界线之间的距离。一般，当特征向量变得更远离分类界线时该值增加，这样相对小的值指示特征向量接近分类界线，而相对大的值指示特征向量相对远离分类界线。

图14A和14B是特征空间的概念图示，示出如何可确定分类界线与所确定的特征向量之间的距离。在图14A中，处理器14基于所感知的病人参数信号的不同部分而确定特征向量196、198，并将特征向量196、198分类在区域132中，其指示病人14处于第一状态(如，疾病发作状态)。可在不同时间确定特征向量196、198，这样特征向量196、198提供对于不同时间段的病人状态指示。特征向量196、198具有不同的特征值。处理器40将特征向量196、198映射到特征空间128并确定每一个特征向量196、198与线性界线130之间的距离。具体地，处理器40确定特征向量196距离线性界线130为距离D₁₉₆，其中距离D₁₉₆是向着线性界线130基本垂直的方向测出的。另外，处理器40确定特征向量198距离线性界线130为距离D₁₉₈，其中距离D₁₉₈是向着线性界线130基本垂直的方向测出的。如上所述，在一些示例中，距离D₁₉₆可以是用特征向量196更新式1得到的值，而距离D₁₉₈可以是用特征向量198更新式2得到的值。

在图14B中，其示出了非线性界线140描绘第一和第二病人状态的特征空间，处理器40在不同时间基于所感知的病人参数信号的不同部分而确定特征向量200、202，并将特征向量200、202分类在区域142中，其指示病人14处于第一状态(如，疾病发作状态)。处理器40将特征向量200、202映射到特征空间128并确定每一个特征向量200、202与非线性界线140之间的距离。具体地，处理器40确定特征向量200距离非线性界线140为距离D₂₀₀，其中距离D₂₀₀是向着非线性界线140基本垂直的方向测出的。具体地，处理器40确定特征向量202距离非线性界线140为距离D₂₀₂，其中距离D₂₀₂是向着非线性界线140基本垂直的方向测出的。如上所述，在一些示例中，距离D₂₀₀可以是用特征向量200更新式1得到的值，而距离D₂₀₂可以是用特征向量202更新式2得到的值。

现在回到图13中所示的技术，对于每一个特征向量，处理器40将在所确定的特征向量和分类界线之间的所确定的距离与多个所存储的距离值中的每一个进行比较(192)。距离值可由，如，医生，预先确定，或者存储于IMD16的存储器42或另一个设备的存储器中。每一个所存储的值，其可为一段值的范围，可能相关联于特定的严重性度量。例如，所存储的值可指示特征向量距离分类界线越远，如所确定的距离所指示的那样，表示病人状态越严重。这可能是由于描绘第一和第二病人状态的分类界线，且，因此，特征向量距离分类界线越远，则该特征向量越是远离另一个病人状态。例如，第二病人状态可指示病人14不处于第一状态。因此，第二状态可以是对于第一状态的相对最低的严重性比率，因为不存在第一状态。

存储多个距离值来区分病人状态的级别，其中不同级别可相关联于，例如，不同的病人症状、病人症状的不同程度或病人对病人状态的不同感知。以此方式，距离值代表不同严重性度量。严重性度量可指示病人状态的一个或多个症状的相对严重性。例如，在疾病发作状态的情况下，严重性度量可指示该疾病发作是否关联于运动组分(如，强制性痉挛疾病发作)。作为另一个示例，在抑郁状态的情况下，严重性度量可指示抑郁的一个或多个症状的严重性(如，快感缺乏)。可使用任何合适数量的严重性度量。处理器40基于将所确定的特征向量和分类界线之间的所确定的距离和所存储的值进行比较而确定病人状态的严重性。

关联严重性度量的多个距离范围的每一个的示例数据结构被图示在图15中。该数据结构可被存储在IMD16的存储器42(图2)、编程器28的存储器62或另一个设备的存储器中。该数据结构包括列出多个数据范围的列和指示与相应距离范围相关联的严重性度量的列。在图15所示示例中，数据结构指示如果所确定的距离D(在所确定的特征向量和SVM算法的分类界线之间)小于预确定的距离D1，严重性度量是“1”，其中严重性度量指示病人状态的严重性。另外，数据结构指示如果所确定的距离D大于或等于距离D1，不过小于距离D2，相关联的特征向量所指示的病人状态的严重性度量是“2”。数据结构还指示如果所确定的距离D大于或等于距离D2，不过小于距离D3，相关联的特征向量所指示的病人状态的严重性度量是“3”。最后，数据结构指示如果所确定的距离D大于或等于D3，严重性度量是“4”。

距离D1、D2和D3可使用任何合适的技术来确定。在一些示例中，编程器28的处理器60或者另一个设备(如，IMD16)的处理器基于在病人状态分类算法训练阶段中的病人输入而自动地确定距离D1、D2和D3。例如，如果病人14提供指示病人事件发生(如，疾病发作、运动状态、特定病人姿势、特定情绪状态或强迫)的输入，病人14可提供关于病人事件严重性的反馈。处理器60基于病人反馈可将训练特征向量组织为不同严重性类别，并确定基于训练特征向量与分类界线之间的距离的每一个严重性类别的距离范围。在其他示例中，距离D1、D2和D3可由医生单独地或在编程器28的帮助下而确定。不管如何确定了距离，可基于对病人14特定的训练数据或对于多于一个病人的数据而确定距离。

病人14或另一个用户可使用任何合适的机制来提供有关于特定病人事件(或病人状态)严重性的反馈。在一些示例中，可使用数字化定量表(numericratingscale)。在一些示例中，诸如在使用IMD16传递治疗用于疼痛管理的示例中，可使用Wong-BakerFACES疼痛量表或McGill疼痛调查表。在病人事件是情绪状态的示例中，可使用贝克抑郁量表(BeckDepressionInventory)、用于抑郁的汉米尔顿抑郁量表(HamiltonRatingScaleforDepression)(HAM-D)或蒙哥马利-艾森贝格抑郁量表(Montgomery-AsbergDepressionRatingScale)(MADRS)来评估病人状态的严重性。贝克抑郁量表(BeckDepressionInventory)和HAM-D都是由病人14填写的21个多选问题的调查，而MADRS是十项调查表。这些问题的答案可指示病人症状的严重性或整体的病人情绪状态，且处理器60(或医生)可基于主动病人(subjectivepatient)或照顾病人的人的评估而对所指示的病人状态给出严重性评分。

在共同转让的申请号为12/236,211、Kovach等人申请的、名为“PATIENTEVENTINFORMATION(病人事件信息)”、在2008年9月23日申请的美国专利申请中描述了用于获得与病人事件有关的病人数据(如，与病人事件的严重性相关的病人参数信号和/或主动的病人反馈)的示例系统和技术。如Kovach等人申请的、系列号为No.12/236,211的美国专利申请中所描述的，一旦病人14激活了编程器28的事件指示按钮，编程器28或另一个计算设备的处理器60可产生事件标记。例如，如果病人14探测到病人事件，病人14可激活事件指示按钮，且，作为响应，处理器60可产生事件标记。病人可提供与病人事件相关的事件信息。例如，事件信息可包括病人事件的类型、病人对于病人事件严重性的评分、病人时间持续事件，等。然后可使用及时对应事件指示的病人参数信号段来确定特征向量，可使用特征向量与使用任何合适的监督式机器学习技术所确定的分类界线之间的距离来产生被用于提供严重性度量的距离范围。

严重性度量1-4可以是等级标尺的一部分，藉此与特征向量相关联的严重性度量“4”指示相关联于特征向量的病人状态是比与严重性度量“1”相关联的病人状态更为严重的病人状态(如，更严重的疾病发作或病人情绪状态)。可考虑其他类型的严重性度量，并不需要是等级标尺。例如，严重性度量可以是二元化的且指示所探测到的病人状态是严重还是不严重。图15中所示的表格仅为了示例目的。在其他示例中，可定义任何合适数量的距离范围和与之相关联的严重性度量，且数据结构可具有除表格之外的其他结构。

处理器40可参考图15中所示的数据结构来确定由所确定的特征向量196、198(图14A)所指示的病人状态的相对严重性。例如，处理器40可将特征向量196和线性界线130(图14A)之间的距离D₁₉₆与图15中所示数据结构所存储的多个距离范围进行比较。在图14A所示示例中，处理器40确定所确定的距离D₁₉₆大于D1，但小于D2，因此处理器40将在与特征向量196相关联的时刻探测到的病人状态相关联为严重性度量“2”。所探测到的病人状态和与之关联的严重性度量可被存储IMD16的存储器42(图2)、编程器28的存储器62或另一个设备的存储器中。

处理器40还可将特征向量198和线性界线130(图14A)之间的距离D₁₉₆与图15中所示数据结构所存储的多个距离范围相比较。在图14A所示示例中，处理器40确定所确定的距离D₁₉₈大于D3。因此，处理器40将在与特征向量198相关联的时刻探测到的病人状态相关联为严重性度量“4”。由于特征向量198和线性界线130之间的距离D₁₉₈大于特征向量196和线性界线130之间的距离D₁₉₆，处理器40确定在与特征向量198相关联的时刻探测到的病人状态比在与特征向量196相关联的时刻探测到的病人状态更严重。严重性之间的差别用与相应特征向量相关联的不同严重性度量来指示。

处理器40还可参考图15中所示的数据结构来确定基于被映射到带有非线性界线140的特征空间128中的特征向量200、202(图14B)而确定的病人状态的相对严重性。在一些示例中，取决于图15中所示的数据结构所存储的距离范围，处理器14可确定，由于特征向量202和非线性界线140之间的距离D₂₀₂大于特征向量200和非线性界线140之间的距离D₂₀₂。因此，处理器40可确定在与特征向量202相关联的时刻探测到的病人状态比在与特征向量200相关联的时刻探测到的病人状态更严重。在其他示例中，取决于图15中所示的数据结构所存储的距离范围，处理器14可确定，尽管距离D₂₀₂大于距离D₂₀₀，在与特征向量200、202相关联的时刻探测到的病人状态具有一样的严重性度量，藉此指示与其他所探测到的病人状态相比而言同样的相对严重性。

在这些事例中的每一个中，距离D₁₉₆、D₁₉₈、D₂₀₀和D₂₀₂可被标准化，这样彼此之间的比较可以是有用的。另外，在其他示例中，编程器28的处理器60可为每一个所探测到的病人状态而确定严重性度量。

IMD16的处理器40、编程器28的处理器60或者另一个设备的处理器可通过确定一段时间内在分类界线的一边或两边上特征向量能达到的最大距离或者追踪所确定的特征向量的距离的随时间的趋势，来追踪病人状态的严重性(和，在一些情况下，病人情况的发展)。不管是随时间的最大距离或者随时间所确定的距离，可指示，例如，病人情况是否在改善或恶化。例如，如果在第一时间确定了特征向量196，处理器可存储距离D₁₉₆(或者与特征向量196相关联的且基于距离D₁₉₆所确定的严重性度量)作为病人14的基准状态或病人14的当前状态。处理器40可在后来的时刻探测特征向量198并确定D₁₉₈，其指示在与特征向量198相关联的时刻的病人状态的相对严重性。如果处理器40确定距离D₁₉₈大于距离D₁₉₆，从而指示最近所探测到的状态的严重性增加了，处理器40可确定病人情况在恶化。

除了严重性度量之外，还可基于所确定的特征空间和特征向量(其每一个指示病人状态探测)来确定其他类型的度量。例如，处理器40(或者编程器28的处理器60或另一个设备的处理器)可通过确定映射到与该病人状态相关联的特征空间128的分类的那一侧的特征向量的数量来追踪病人14处于特定病人状态的时间段。在一些示例中，处理器40基于预定病人参数信号持续而确定特征向量。这个持续可能是，例如，约一秒到一分钟或更多(如，以小时为数量级)。因此，每个特征向量可指示病人14保持了预确定时间段的状态。

位于由SVM算法定义的分类界线的第一侧的特征向量可被累加或乘以预确定的时间段来确定病人14保持与分类界线的第一侧相关联的第一病人状态的时间段。位于第二侧的特征向量也可被累加或乘以预确定的时间段来确定病人14保持与分类界线的第二侧相关联的第二病人状态的时间段。

如前所示，在一些示例中，如果基于相继的病人参数信段而确定的多个特征向量指示了状态变化，处理器40确定病人14从一个状态变化到另一个状态。因此，如果一个特征向量落在与不同于之前状态确定的病人状态相关联的区域内，处理器40可连续监测病人参数信号并基于随时间的相继的病人参数信段而确定特征向量是否是指示状态变化的附加的特征向量。

SVM示例

使用所存储的带有癫痫症的病人的ECoG信号来执行各种自动疾病发作探测算法的评估。SVM示例示出用于探测疾病发作状态的基于SVM的算法，相比于其他自动的疾病发作探测算法，可导致改善的敏感性、特异性、反应时间和功耗。这表示基于所感知的病人参数信号的用于探测任何病人状态的SVM算法可能是有用的，且，在一些情况下，相比于现有的病人状态探测算法更为有利。

在SVM示例中，使用了包括斩波稳定的超外差仪式器放大器的传感模块和提取所传感的EcoG信号的所选频带到基带的信号分析单元。传感模块使用串行接口用于实时数据上载所存储的EcoG信号。使用一组所存储的EcoG信号训练SVM算法并将其上载到可编程集成电路(PIC)(R)处理器(可在亚利桑那州、Chandler的MicrochipTechnology有限公司获得)，其可能是传感模块的一部分或者分立于传感模块。由于传感模块被配置为提取EcoG信号的频谱能量特征，EcoG信号的数字化可被以相对低的速率(约1Hz)来执行。

将所感知到的EcoG信号分类为指示疾病发作状态或非疾病发作可由PIC处理器基于另一组所存储的EcoG信号，使用三个不同的算法来执行。在第一算法(算法1)中，如果EcoG信号的部分的标准化频谱大于阈值的话，确定EcoG信号来指示疾病发作状态，如之前参考用于触发训练数据记录的病人非特定算法而描述的那样。仅使用一个阈值用于第一疾病发作状态算法，且该阈值并不是病人专用的，而是意在用于多个病人的通用的疾病发作探测算法中。在第二算法(算法2)中，使用单个的由SVM算法定义的线性分类界线来将EcoG信号分类为指示疾病发作状态或非疾病发作状态。在第三算法(算法3)中，使用由SVM算法定义的非线性分类界线来将EcoG信号分类为指示疾病发作状态或非疾病发作状态。基于训练数据而确定线性和非线性分类界线，其中训练数据包括收集自17个成人对象的约81小时的颅内EEG(IEEG)。平均，每个病人获得约4.5小时的记录时间，含有3次疾病发作。对于每一个病人，医生标识出所有疾病发作的发作时间以标识该训练数据。在稍后时刻，选择展示稍早的疾病发作活动的信号的两个频道。

由于每一个病人的可用的疾病发作的次数很少，采用留一法(leave-one-out)的测试方法。例如，一个病人的IEEG数据记录有K个十分钟的IEEG数据块，含有L次疾病发作。基于含有L-1次疾病发作的K/2数据块而确定对病人特定的分类界线。接着，在剩余的含有第L次疾病发作的K/2块上评估对病人特定的和对病人非特定的探测器。这样重复L次，从而测试了每一个疾病发作探测算法的能力。

图16是被用于SVM示例的传感模块电路的概念框图。图17是传感模块电路的另一个概念框图，该传感模块电路可被用在IMD16中用于传感一个或多个生理学信号并提取所传感信号中的特定频带组分。在图17中，开关可被打开的或被关闭来构建相比图16中的电路更多的“触点”组合。“触点”可以是，例如，被置于病人脑部中传感生物电脑部信号的可植入医疗引线的电极(如，图1中所示的电极24、26)。

如图16和17所示，可使用不同的传感频道来提取ECoG信号中的频率组分(被指示为“频率提取”)或者传感时域ECoG信号。在疾病发作探测的情况下，时域信号对于SVM训练是非常重要的，因为医生可确定ECoG信号(或者其他被传感到的信号)的哪个数据段含有疾病发作以及哪些数据段不是基于时域信号的。使用如图16中所示的传感电路结构，不太可能用时域数据同时收集多于一个的频谱特征向量。因此，使用图17中所示的更稳健的SVM训练可能是有用的，其通过具有两个传感频道来提取所传感的信号的不同的频谱组分。

图18是表格，其对于使用含有相应传感能力的概念的传感模块所产生的信号而探测到的疾病发作，比较了基于疾病发作探测延迟、灵敏度和每天错误探测的次数的不同传感能力。延迟可以是，例如，在疾病发作的发作时刻与PIC处理器探测到疾病发作的时刻之间的时间段。消极延迟指示疾病发作在疾病发作的发作之前被探测到，其中“发作”可能根据不同准则而定义且可能对于特定医生的准则而言都是特定的。错误探测是指，在医生标记为没有疾病发作活动的时间窗内做出了疾病发作探测。

图18中所用的标签如下：

RBF_2C_2B：非线性SVM(算法3)，使用两个传感频道且每个频道两个频带

Linear_2C_2B：线性SVM(算法2)，使用两个传感频道且每个频道两个频带

RBF_1C_2B：非线性SVM(算法3)，使用一个传感频道和两个频带

Linear_1C_2B：线性SVM(算法2)，使用一个传感频道和两个频带

RBF_2C_1B：非线性SVM(算法3)，使用两个传感频道且每个频道一个频带

Linear_2C_1B：线性SVM(算法2)，使用两个传感频道且每个频道一个频带

BR3Sec：算法1，带有三秒的时间阈值用于确定与疾病探测阈值相比的幅值

BR10Sec：算法1，带有十秒的时间阈值用于确定与疾病探测阈值相比的幅值

如图18中所示的表格所示，PIC处理器在实现算法3并使用两个传感频道且每个频道两个引出(extracted)频带的时候表现出最好的延迟、灵敏度和最低的每天错误探测的次数。在用两个频道和每个频道两个频带的情况下不是可行的，如，由于传感硬件限制，图18中所示数据显示带有两个频带的一个传感频道的传感结构提供了相对较低的延迟和相对较高的灵敏度，同时最小化了每天错误探测的次数。

图18中所示的表格比较了由PIC处理器实现的不同疾病发作探测算法的性能。图18中所示表格还指示使用算法2的疾病发作探测，相比于现有的技术(算法1)(其依靠单个并非特定于病人的阈值幅值来探测疾病发作)，SVM算法使用线性分类界线，导致较好的延迟、灵敏度和每天较少次数的错误疾病发作状态探测。另外，图18中所示的表格还指示相比于算法1，使用算法3(使用非线性分类界线的SVM算法)的疾病发作探测导致较好的敏感度，以及可比较的延迟和每天错误疾病发作状态探测。错误探测率可通过将算法1的延迟限制从1延长为10秒来予以减少，不过图18显示采样生物电脑部信号的延迟延长的代价是增加的延迟和下降的灵敏度。

图19是表格，其比较了使用原型可植入的设备(其含有PIC处理器)实现的疾病发作探测算法的耗用电流。图19中所示的数据显示，使用线性界线的SVM算法(算法2)在疾病发作探测过程中消耗了最少量的电流(4微安，相比于算法1的12微安和算法3的48微安)。相信，如果PIC处理器使用含有多个线性界线的SVM算法来探测病人的疾病发作状态，图19中所示的电流消耗将会乘以被用于疾病发作探测的线性界线的数量。图18和19中所示的数据指示线性SVM算法(算法2)相比起消耗的总体电流，提供了最好的整体性能。

如前所示，用于确定病人14是否处于特定状态(如，探测病人状态)的SVM算法，可能对于各种病人状态都是有用的。用于训练和运行SVM算法用作疾病发作探测的示例技术如下：

1.选择一个生物电脑部信号频道，如，提供最好的相对疾病发作探测的频道。

2.将传感设备(如，IMD16)配置为记录时域数据和生物电脑部信号的两个频带，且能使记录(如，循环记录)来抓取这些频道。

3.经由编程器28或另一个输入设备来教示病人14(和/或照顾病人的人)关于病人输入的规定，这样病人14(或照顾病人的人)经由输入设备来提供指示疾病发作的发生的输入。病人14还提供指示何时疾病发作没有发生的输入，这样医疗设备抓取了非疾病发作的数据。

4.抓取训练数据。在一些示例中，一旦探测到疾病发作，医生可通过使用非特定于病人14的单个阈值的传感设备来使疾病发作探测算法触发循环记录(如，上述的病人非特定算法)。疾病发作探测算法可被偏置向灵敏度而最小化没有被探测到的疾病发作的发生的次数。除了或替代数据的阈值触发，可基于病人输入的定时而开始训练数据的存储，如上所述。疾病发作数据的自动抓取可在病人被送到家里且不在医疗机构的流动性(ambulatory)时间段内发生。

5.上载数据到计算设备，如，编程器28。

6.将数据段分类为疾病发作和非疾病发作。

7.在经分类和分离的数据段上运行自动SVM产生软件(或另一个监督式机器学习技术)来确定一个或多个分类界线。

8.上载一个或多个分类界线到IMD16。

9.启用(Enable)使用SVM所产生的一个或多个分类界线的基于SVM的疾病探测算法。为多个目的而使用基于分类界线的疾病发作探测，诸如疾病发作负担监测、治疗的闭环传递、提供病人提醒等。

可考虑用于训练和运行用于疾病发作探测的基于SVM的算法的其他技术。

用于训练和运行用于各种运动障碍状态(如，其中病人14的运动障碍的一个或多个症状出现的第一状态，和症状没有出现的第二状态)的基于SVM的算法的示例技术如下：

1.当病人14不在进行运动障碍治疗的药物治疗时(如，没有刺激治疗且最近没有服用治疗剂)，医生确定用于确定不同运动障碍状态的最好的传感电极组合。这可经由自动例程由IM16执行。

2.确定在不同运动障碍状态中有所不同的频带。

3.将传感模块调到所选的频带且启动闭环记录在所选频道中抓取生物电脑部信号。

4.为第一运动障碍状态而抓取数据。通过观察病人14并确认所选的运动障碍症状出现了，医生可保证第一状态的数据修正。

5.传递治疗(药物和/或刺激治疗)来将病人14转换到第二运动障碍状态，其中所选的运动障碍症状被减轻或者不出现。

6.为第二运动障碍状态而抓取生物电脑部信号。通过观察病人14并确认所选的运动障碍症状不出现或被减轻了，医生可保证第二状态的数据修正。

7.上载数据到计算设备，如，编程器28。

8.将数据段分类为指示第一或第二状态。

9.在经分类和分离的数据段上运行自动SVM产生软件(或另一个监督式机器学习技术)。

10.上载一个或多个分类界线到IMD16。

11.启用使用一个或多个分类界线的基于SVM的算法。为多个目的而使基于SVM的算法运行并执行不同运动障碍状态的探测，诸如运动障碍监测、治疗的闭环传递、提供病人提醒等。

在用于训练和运行用于探测抑郁情绪状态和非抑郁情绪状态的SVM算法的一个示例技术中，SVM算法是基于这样的示例：其中抑郁的指示是在病人14的脑部12的皮层两半球中所感知到的生物电脑部信号的爱尔法频带(如，大约5Hz到约13Hz)中的能量平衡。因此，可使用带有两个传感频道且每一个频道有一个频带的传感设备来传感生物电脑部信号用于SVM算法的实现。用于训练和运行用于探测抑郁情绪状态和非抑郁情绪状态的SVM算法的示例技术如下：

1.选择两个生物电脑部信号传感频道，一个来自一个半球。

2.将所传感到的信号调(tune)至爱尔法频带。

3.将传感设备调到所选频道并启用循环记录以抓取这些频道。

4.经由编程器28或另一个输入设备来教示病人14(和/或照顾病人的人)关于病人输入的规定，这样病人14(或照顾病人的人)经由输入设备来提供指示抑郁情绪状态的发生的输入。病人14还提供指示非抑郁情绪状态的输入，这样医疗设备抓取非抑郁情绪状态的生物电脑部信号数据。

5.使用病人事件触发器抓取抑郁状态数据。可在流动性(ambulatory)方式中完成用于SVM训练的数据收集，因为可能不能为临床中的每一个情绪状态抓取数据。情绪状态经常是缓慢地变化的状态，难以在临床上被触发。

6.使用病人事件触发器抓取非抑郁状态数据。

7.对于还经受疯狂状态的病人，抓取疯狂状态数据(当病人被送回家，可以是完全流动性时间段)。

8.上载数据

9.将数据段分类为指示抑郁和非抑郁状态。

10.对于还经受疯狂状态的病人，将数据段分类为指示疯狂和非疯狂状态。

11.在经分类和分离的数据段上运行自动SVM产生软件(或另一个监督式机器学习技术)来产生分立的分类界线，用于探测抑郁和非抑郁状态，且还可产生用于探测疯狂和非疯狂状态的分类界线。

11.上载分类界线到IMD16上。

12.启用使用分类界线的基于SVM的病人探测算法。为多个目的而使基于SVM的算法运行并执行情绪状态探测，诸如病人情绪障碍监测、治疗的闭环传递、提供病人提醒等。用于探测疯狂情绪状态和非疯狂情绪状态的基于SVM的算法可结合用于探测抑郁情绪状态和非抑郁情绪状态的基于SVM的算法而使用。

在一些情况下，可使用基于SVM的算法来探测病人姿势状态。在各种情况下姿势状态探测是有帮助的，诸如来编程并实现响应姿势的治疗传递。可对于疼痛治疗实现响应姿势的刺激。

用于训练和运行基于SVM的算法来基于三轴加速度计所产生的信号而探测直立的病人姿势状态(如，在IMD被植入病人14中之后)的示例算法如下：

1.如，在将加速度计植入病人14之后，启动收集运动传感器(如，加速度计)数据。可使用三轴加速度计来提供三个频道的数据，藉此每一个频道相关联于不同的轴。

2.病人14采取各种姿势和活动，且为每个已知的姿势和活动记录数据。在一些情况下，姿势状态可包括姿势和活动级别(如，直立姿势状态可区别于直立且活动的姿势状态)。

3.上载数据。

4.将数据段分类为指示直立和非直立的姿势状态。“非直立”姿势状态可以是任何不适直立姿势状态的任何一个或多个其他姿势状态。例如，“非直立”姿势状态可包括躺卧的姿势状态。

5.在经分类和分离的数据段上运行自动SVM产生软件(或另一个监督式机器学习技术)来生成一个或多个分类界线用于探测直立和非直立姿势状态。

6.上载一个或多个分类界线到IMD16。

7.启用使用一个或多个分类界线的基于SVM的算法。为多个目的而使基于SVM的算法运行并执行不同姿势状态探测，诸如提供治疗的闭环传递、提供病人提醒等。

一个或多个附加的基于SVM的算法可被实现以进一步定义姿势状态探测。例如，在用一个基于SVM的算法而确定病人14处于直立的姿势状态之后，IMD16的处理器40可实现另一个使用不同分类界线(且在一些情况下，不同的病人参数信号特征)的基于SVM的算法来确定病人14是否是活动的还是不活动的而进一步确定病人14是否处于直立且活动的姿势状态。作为另一个示例，在用一个基于SVM的算法而确定病人14处于直立的姿势状态之后，IMD16的处理器40可实现另一个基于SVM的算法来确定病人14是否处于躺卧的姿势状态。可使用附加的基于SVM的算法来进一步精细化躺卧姿势状态，如，确定病人14的身体哪一侧躺卧着。

本公开中描述的技术，包括归于编程器28、IMD16或各构成组件的那些技术，可至少部分地以硬件、软件、固件或其任意组合来实现。例如，技术的各个方面可实现在包括一个或多个微处理器、DSP、ASIC、FPGA或任何其它等效的集成或分立逻辑电路以及这些组件的任意组合的一个或多个处理器中，以编程器形式体现，例如医生或患者编程器、刺激器、图像处理设备或其它设备。术语“处理器”或“处理电路”一般可指任何前述逻辑电路、独立的或与其它逻辑电路一起或任何其它等效电路。

这些硬件、软件、固件可实现在同一设备中或若干分立的设备中，以支持本说明书中描述的各个操作和功能。尽管此处主要描述为由IMD16的处理器40和/或其编程器28的处理器60执行的技术，此处描述的技术的任何一个或多个部分可由IMD16、编程器28或另一个设备中的一个、独立地或彼此组合地来实现。

另外，任意所述单元、模块或组件可一起实现或作为分立但可互操作的逻辑设备单独实现。将不同的特征描述为模块或单元旨在强调不同的功能方面而不一定意指这些模块或单元必定通过单独的硬件或软件组件来实现。相反，与一个或多个模块或单元关联的功能可通过单独的硬件或软件组件来执行，或集成在共同的或分立的硬件或软件组件内。

当用软件实现的时候，归因于此处描述的系统、设备和技术的功能可实现为在计算机可读介质上的指令，计算机可读介质诸如RAM、ROM、NVRAM、EEPROM、闪存、磁数据存储介质、光数据存储介质等。可执行指令以支持本公开中描述的功能的一个或多个方面。

Claims

1.一种系统，包括：

用于基于所传感到的病人参数而产生信号的装置；

用于基于所述信号随时间确定多个特征向量的装置；

用于应用基于支持向量机的算法以基于所述多个特征向量来分类病人状态的装置，其中，所述基于支持向量机的算法定义了特征空间中的分类界线；

用于至少通过确定各个所述特征向量和所述分类界线之间的相应距离来确定特征空间中的特征向量相对于所述分类界线的轨迹的装置；以及

用于当所述特征向量在所述特征空间中定义随时间朝向所述分类界线的轨迹时，产生预期的病人状态指示的装置。

2.如权利要求1所述的系统，其特征在于，所述用于产生指示的装置包括用于基于特征空间中的特征向量的所述轨迹而确定所述病人状态的评估度量的装置。

3.如权利要求2所述的系统，其特征在于，所述用于确定所述评估度量的装置基于在预确定时间范围内接近所述分类界线的特征值的数量而确定所述评估度量。

4.如权利要求2所述的系统，其特征在于，所述用于确定所述评估度量的装置确定所述特征值中至少一个和所述分类界线之间的距离，并基于所述距离而确定所述评估度量。

5.如权利要求4所述的系统，其特征在于，所述距离包括以下至少一个：所述特征值中至少两个和所述分类界线之间的距离的平均、中值、或最小距离。

6.如权利要求2所述的系统，其特征在于，所述用于确定所述评估度量的装置确定多个相继特征向量，所述特征向量界定特征空间中朝向所述分类界线的轨迹。

7.如权利要求2所述的系统，其特征在于，所述用于确定所述评估度量的装置确定所述轨迹中距离所述分类界线的距离小于阈值距离的特征向量的数量。

8.如权利要求1所述的系统，其特征在于，还包括用于基于所述指示而控制给所述病人的治疗传递的装置。

9.如权利要求8所述的系统，其特征在于，如果所述特征向量定义随时间朝向所述分类界线的轨迹，则所述用于控制给病人的治疗传递的装置对给病人的治疗传递进行无效、激活或调整中至少一个操作。

10.如权利要求9所述的系统，其特征在于，如果有阈值数量的所述信号的相继段的特征向量定义随时间朝向所述分类界线的轨迹，则所述用于控制给病人的治疗传递的装置对给病人的治疗传递进行无效、激活或调整中至少一个操作。

11.如权利要求8所述的系统，其特征在于，如果所述特征向量定义随时间远离所述分类界线的轨迹，则所述用于控制给病人的治疗传递的装置基于所述特征空间中的特征向量的轨迹而无效、激活或调整给病人的治疗传递。

12.如权利要求11所述的系统，其特征在于，如果有阈值数量的所述信号的相继段的特征向量定义随时间远离所述分类界线的轨迹，则所述用于控制给病人的治疗传递的装置无效、激活或调整给病人的治疗传递。

13.如权利要求8所述的系统，其特征在于，还包括用于确定每一个所述特征向量和所述分类界线之间的距离的装置，其中当基于所述特征向量和所述分类界线之间的距离的值小于或等于阈值的时候，则所述用于控制给病人的治疗传递的装置基于所述特征空间中的所述特征向量的轨迹对给病人的治疗传递进行无效、激活或调整中至少一个操作。

14.如权利要求13所述的系统，其特征在于，所述值包括以下至少一个：基于至少两个所述特征向量和所述分类界线之间的距离的平均或中值距离、或者所述特征向量之一和所述分类界线之间的最小距离。

15.如权利要求1所述的系统，其特征在于，所述病人状态包括姿势状态、疾病发作状态、运动障碍状态或心情状态中的至少一个。