神经接口制造技术

提供了用于与受试者的神经系统接口的方法和设备。响应于接收到与神经系统的第一部分的神经活动相关的多个神经系统信号，使用训练为生成表示神经系统的第一部分的神经活动的神经数据的估计值的第一一种或多种机器学习(ML)技术，处理代表接收到的多个神经信号的神经样本数据；和将代表神经数据估计值的数据传输到与神经系统的第一部分相关的第一装置；并响应于从与神经系统的第二部分相关的第二装置接收到装置数据，通过将接收到的装置数据输入到第二一种或多种ML技术，生成一个或多个神经刺激信号，所述第二一种或多种ML技术训练为估计与装置数据相关的一个或多个神经刺激信号以输入到神经系统的第二部分；并将所述一个或多个估计的神经刺激信号传输至受试者的神经系统的第二部分。

【技术实现步骤摘要】
【国外来华专利技术】神经接口本申请涉及用于操作神经接口的系统、设备和方法。
技术介绍
人机交互(HCI)系统或人机交互(HMI)系统是使用计算机或控制计算设备、装置或车辆的任何人的现代生活中的重要组成部分。传统的HCI系统已经包括使用语音、键盘、鼠标、操纵杆、触摸屏、手势或移动和/或其他设备来与某种形式或另一种形式的计算设备进行交互。但是，这些系统通常在设计时考虑到了完全有能力的人员或受试者。近来，人们对通过使用生物医学信号(例如脑电图(EEG)、眼电图(EOG)和肌电图(EMG))操作各种设备、装置和/或系统来开发受试者的神经系统的HCI和/或HMI系统感兴趣。尽管这类系统可以改善能力较弱的受试者的生活质量，但是这些生物医学信号仅提供低水平的细微度(granularity)。这样的信号不足以用于需要对受试者进行更好控制的更高级的HCI或HMI系统。例如，更高级的HCI或HMI系统，仅举例但不限于，用于控制、监视和/或操作受试者的部件或身体功能的装置、设备和系统，可以包括：假肢、器官刺激器和/或神经调节装置，仅举例但不限于心脏起搏器、眼和/或耳植入物或胰腺控制器，或用于控制、监本文档来自技高网...

【技术保护点】
1.一种用于与受试者的神经系统接口的计算机实现的方法，所述方法包括：/n响应于接收到与神经系统的第一部分的神经活动相关的多个神经信号，执行以下步骤：/n使用第一一种或多种机器学习(ML)技术，处理代表接收到的多个神经信号的神经样本数据，所述第一一种或多种机器学习(ML)技术经训练用于产生代表神经系统的第一部分的神经活动的神经数据的估计；和/n将代表神经数据估计的数据传输到与神经系统的第一部分相关的第一装置；和/n响应于从与所述神经系统的第二部分相关的第二装置接收装置数据，执行以下步骤：/n通过输入接收到的装置数据到第二一种或多种ML技术，生成一个或多个神经刺激信号，所述第二一种或多种ML技术经...

【技术特征摘要】
【国外来华专利技术】20171113 GB 1718756.8;20180725 GB 1812130.11.一种用于与受试者的神经系统接口的计算机实现的方法，所述方法包括：
响应于接收到与神经系统的第一部分的神经活动相关的多个神经信号，执行以下步骤：
使用第一一种或多种机器学习(ML)技术，处理代表接收到的多个神经信号的神经样本数据，所述第一一种或多种机器学习(ML)技术经训练用于产生代表神经系统的第一部分的神经活动的神经数据的估计；和
将代表神经数据估计的数据传输到与神经系统的第一部分相关的第一装置；和
响应于从与所述神经系统的第二部分相关的第二装置接收装置数据，执行以下步骤：
通过输入接收到的装置数据到第二一种或多种ML技术，生成一个或多个神经刺激信号，所述第二一种或多种ML技术经训练用于估计与所述装置数据相关联的一个或多个神经刺激信号，以输入到神经系统的第二部分；和
向所述受试者的神经系统的第二部分传输一个或多个估计的神经刺激信号。


2.根据权利要求1所述的计算机实现的方法，其中代表由至少一种ML技术产生或计算的神经活动的神经数据的估计与一个或多个身体变量相关联。


3.根据权利要求1或2所述的计算机实现的方法，还包括：
接收与所述第一一种或多种ML技术或所述第二一种或多种ML技术相关的至少一组性能数据；
评估所述一组性能数据，以确定是否要再训练所述第一一种或多种ML技术或所述第二一种或多种ML技术；和
响应于确定对所述第一一种或多种ML技术或所述第二一种或多种ML再训练，再训练所述第一一种或多种ML技术。


4.一种用于评估与受试者的神经系统接口的机器学习(ML)技术的性能的计算机实现的方法，所述方法包括：
响应于接收到与神经系统的第一部分的神经活动相关的多个神经信号，执行以下步骤：
从与处理代表多个神经信号的神经样本数据相关的第一一种或多种ML技术中选择第一ML技术，用于生成代表神经系统的第一部分的神经活动的神经数据的估计；
接收与第一选择的ML技术相关的第一组性能数据，所述第一组性能数据包括所述神经样本数据和生成的神经数据的估计；
基于第一组性能数据评估第一成本函数，以确定是否再训练第一选择的ML技术；
响应于确定要再训练第一选择的ML技术而对第一选择的ML技术进行再训练；
响应于从与所述神经系统的第二部分相关的装置接收装置数据，执行以下步骤：
从与处理接收到的装置数据相关的第二一种或多种ML技术中选择第二ML技术，用于估计与所述装置数据相关的一个或多个神经刺激信号，以输入到所述神经系统的第二部分；
接收与选择的ML技术相关的第二组性能数据，所述组性能数据包括接收的装置数据和估计的一个或多个神经刺激信号；
基于第二组性能数据评估第二成本函数，以确定是否再训练第二选择的ML技术；和
响应于确定要再训练第二选择的ML技术而对第二选择的ML技术进行再训练。


5.根据权利要求4所述的计算机实现的方法，还包括：
将代表神经数据估计的数据传输到与神经系统的第一部分相关的第一装置；或
向所述受试者的神经系统的第二部分传输一个或多个估计的神经刺激信号。


6.根据任一前述权利要求所述的计算机实现的方法，其中所述神经系统的第一部分包括围绕多个神经接收器聚集的受试者的第一多个神经元，每个神经接收器配置为输出与在所述多个神经元中的一个或多个上的神经活动相关的神经信号，所述方法包括：
从与受试者的所述多个神经元相关的神经接收器接收一个或多个神经信号；和
使用第一一种或多种ML技术中的至少一种将所述一个或多个神经信号分类为一个或多个神经数据类别。


7.根据任一前述权利要求所述的计算机实现的方法，还包括：
当检测到神经活动时，通过捕获神经信号的样本生成表示神经信号的神经样本数据；和
使用第一一种或多种ML技术中的至少一种处理所述神经样本数据，以生成代表与所述神经活动相关的神经信息的神经数据。


8.根据权利要求7所述的计算机实现的方法，还包括通过以下步骤生成神经样本数据的训练集：
存储从多个神经信号接收的捕获的神经样本数据，其中对所述神经样本数据加时间戳；
从在所述受试者上训练的一个或多个传感器捕获并存储传感器数据，其中对所述传感器数据加时间戳；
使所述神经样本数据与所述传感器数据同步；和
识别所述神经样本数据中与神经活动相关的部分；
通过分析所述传感器数据中与神经样本数据的已识别部分相对应的部分，确定神经样本数据的每个已识别部分的神经数据标签；
基于确定的神经数据标签来标记神经样本数据的已识别部分；和
将标记的神经样本数据的已识别部分存储为所述神经样本数据的训练集。


9.根据权利要求7或8的任一项所述的计算机实现的方法，还包括：
使用第一一种或多种ML技术中的至少一种分析神经样本数据的已检测部分，以生成与包含在神经样本数据的已检测部分内的神经数据相关的一组分类向量；和
用从所述神经样本数据和传感器数据的相应部分确定的神经数据标签标记所述分类向量。


10.根据任一前述权利要求所述的计算机实现的方法，还包括基于神经样本数据的训练集来训练第一一种或多种ML技术中的至少一种，其中所述训练集中的每个神经样本数据被标记为与识别其中包含的神经数据的神经数据标签相关联。


11.根据任一前述权利要求所述的计算机实现的方法，其中第一一种或多种ML技术中的至少一种包括以下的至少一种或多种ML技术或其组合：
a)神经网络；
b)隐式马尔可夫模型；
c)高斯过程动力学模型；
d)自动编码器/解码器网络；
e)对抗/鉴别器网络；
f)卷积神经网络；
g)长期短期记忆神经网络；和
h)适用于对所述接收的神经信号进行操作的任何其他ML或分类器/分类技术或其组合。


12.根据任一前述权利要求所述的计算机实现的方法，其中所述第一一种或多种ML技术中的至少一种基于神经网络自动编码器结构，所述神经网络自动编码器结构包括编码网络和解码网络，所述编码网络包括一个或多个隐藏层和所述解码网络包括一个或多个隐藏层，其中所述神经网络自动编码器经过训练以输出神经数据标签向量，所述向量能够将来自神经样本数据的训练集的神经样本数据的每个部分分类为一个或多个神经数据标签，所述方法包括：
将神经样本数据输入所述自动编码器以对神经信号进行实时分类。


13.根据权利要求12所述的计算机实现的方法，所述方法还包括：
训练所述神经网络自动编码器，以输出神经数据标签向量，所述向量能够将来自神经样本数据的训练集的神经样本数据的每个部分分类为一个或多个神经数据标签；和
使用所述自动编码器的所述隐藏层的训练权重进行神经信号的实时分类。


14.根据权利要求12或13所述的计算机实现的方法，其中所述神经网络自动编码结构还包括：
潜在表示层，其用于输出标签向量y，以将来自所述神经样本数据的训练集的神经样本数据的每个部分进行分类，其中所述标签向量y的元素数目对应于要标记的神经数据类别的数目；和
与所述神经网络自动编码器的潜在表示层耦合的对抗网络，所述对抗网络包括输入层、一个或多个隐藏层以及输出层，所述方法还包括：
训练所述对抗网络以对由所述潜在表示层生成的标签向量y和来自与所述标签向量y的维度相同的一组独热向量的分类分布中的样本进行区分。


15.根据权利要求14所述的计算机实现的方法，其中所述神经样本数据的训练集包括神经样本向量序列的训练集，其中1≤i≤Lk和1≤k≤T，其中Lk是第k个神经样本向量序列的长度，T是训练神经样本向量序列的数目，对于与通过自动编码器的第k个神经活动对应的每个第k个神经样本向量序列，所述方法还包括：
基于所述对抗网络的输出生成损失或成本函数，第k个神经样本向量序列的估计表示为解码网络的输出，原始的第k个神经样本向量序列(xi)k，以及从所述潜在表示层输出的潜在向量z和标签向量y；和
使用反向传播技术通过时间技术更新所述隐藏层的权重。


16.根据权利要求12-15中任一项所述的计算机实现的方法，其中所述神经网络自动编码结构还包括：
潜在表示层，其用于输出潜在向量z，该向量表示潜在空间中神经样本数据的每个输入部分；和
与所述神经网络自动编码器的潜在表示层耦合的另外对抗网络，所述另外对抗网络包括输入层、一个或多个隐藏层以及输出层，所述方法还包括：
训练所述另外对抗网络，以对由潜在表示层生成的潜在向量z和来自与潜在向量z相同维度的概率分布的样本向量进行区分。


17.根据任一前述权利要求所述的计算机实现的方法，其中所述多个神经信号中的每个从耦合到神经接口设备的神经接收器输出，并且每个神经接收器包括来自以下组的任何一个或多个神经接收器：
能够测量或接收来自神经元群体的神经活动的电极；
光遗传传感器；和
能够从受试者的神经系统的神经元群体中检测和测量神经活动并输出代表所述神经活动的神经信号的任何设备、机构、传感器或装置。


18.根据任一前述权利要求所述的计算机实现的方法，还包括：
在时间间隔上跟踪神经接口的状态，以确定在所述时间间隔开始时与相同的一个或多个神经数据或神经数据标签相关联的多个神经信号中的任何变化；和
更新所述ML技术，以考虑检测到的多个神经系统信号的任何变化。


19.根据任一前述权利要求所述的计算机实现的方法，还包括：
基于捕获与神经元簇相关的神经活动的短期可变性，监视多个神经元的一个或多个神经元簇的状态随时间的第一变化；
基于捕获与神经元簇相关的神经活动的长期可变性，监视多个神经元的一个或多个神经元簇的状态随时间的第二变化；和
根据神经活动的第一变化或第二变化发送通知。


20.根据任一前述权利要求所述的计算机实现的方法，还包括使用一个或多个外部计算系统来执行以下组中的一个或多个：
存储和/或处理与从受试者的神经系统接收的神经信号相关的神经信号数据；
存储和/或处理与在受试者上训练的一个或多个传感器相关联的传感器数据；
基于所述神经信号数据和/或所述传感器数据，生成神经样本数据的一个或多个训练集；
基于所述神经样本数据、存储的神经信号数据训练一种或多种ML技术；和/或
发送代表一种或多种受过训练的ML技术的数据，以用于处理所述神经样本数据。


21.根据任一前述权利要求所述的计算机实现的方法，其中所述神经系统的所述第二部分包括围绕一个或多个神经传输器聚集的受试者的第二多个神经元，所述一个或多个神经传输器用于接收一个或多个神经刺激信号以输入到所述神经元簇，所述方法还包括：
从第二装置接收装置数据，所述第二装置用于管理受试者的身体的一部分的操作；
通过输入接收到的装置数据到第二一种或多种机器学习(ML)技术中的至少一种，生成一个或多个神经刺激信号，所述第二一种或多种ML技术经训练用于估计一个或多个神经刺激信号，以输入到所述神经系统；和
将一个或多个估计的神经刺激信号传输至耦合至与身体的所述部分相关的神经系统的第二部分的神经传输器。


22.根据权利要求21所述的计算机实现的方法，其中所述神经刺激信号包括来自以下组的一个或多个：
a)能够激发神经传输器就近的神经元群体的神经活动的兴奋性信号；或
b)能够抑制神经传输器就近的神经元群体的神经活动的抑制性信号。


23.根据权利要求21或22的任一项所述的计算机实现的方法，还包括：
从一个或多个神经接收器接收与神经刺激相关的一个或多个神经信号，其中聚集在所述一个或多个神经接收器周围的一个或多个神经元接收所述神经刺激；
当检测到与所述神经刺激相关的神经活动时，通过捕获所述神经信号的样本，生成代表接收到的神经信号的神经刺激样本数据；和
使用第二一种或多种ML技术中的至少一种处理所述神经样本数据，以生成神经刺激数据的训练集。


24.根据权利要求21至23中任一项所述的计算机实现的方法，还包括在神经刺激样本数据的训练集上训练第二一种或多种ML技术中的至少一种，其中所述集中的每个神经刺激样本数据基于与神经刺激相关的神经活动进行标记。


25.根据权利要求23或24中任一项所述的计算机实现的方法，还包括通过以下步骤生成神经刺激样本数据的训练集：
存储从多个神经信号接收的捕获的神经刺激样本数据，其中对所述神经刺激样本数据加时间戳；
从在所述受试者上训练的一个或多个传感器捕获并存储传感器数据，其中对所述传感器数据加时间戳；
使所述神经刺激样本数据与所述传感器数据同步；和
识别所述神经刺激样本数据中与神经刺激相关的神经活动相关的部分；
通过分析所述传感器数据中与神经刺激样本数据的已识别部分相对应的部分，确定神经刺激样本数据的每个已识别部分的神经刺激标签；
基于确定的神经刺激标签来标记神经刺激样本数据的已识别部分；和
将标记的神经刺激样本数据的已识别部分存储为所述神经刺激样本数据的训练集。


26.根据权利要求23-25中任一项所述的计算机实现的方法，还包括：
使用第二一种或多种ML技术中的至少一种分析神经刺激样本数据的已检测部分，以生成与神经刺激相关并包含在神经刺激样本数据的已检测部分内的一组分类向量；和
用从所述神经刺激样本数据和传感器数据的相应部分确定的神经刺激标签标记所述分类向量。


27.根据权利要求21-26中任一项所述的计算机实现的方法，其中第二一种或多种ML技术中的至少一种包括以下的至少一种或多种ML技术或其组合：
a)神经网络；
b)隐式马尔可夫模型；
c)高斯过程动力学模型；
d)自动编码器/解码器网络；
e)对抗/鉴别器网络；
f)卷积神经网络；
g)长期短期记忆神经网络；和
h)适用于对所述接收的神经信号进行操作的任何其他ML或分类器/分类技术或其组合。


28.根据权利要求21-27中任一项所述的计算机实现的方法，其中所述第二一种或多种ML技术中的至少一种基于神经网络自动编码器结构，所述神经网络自动编码器结构包括编码网络和解码网络，所述编码网络包括一个或多个隐藏层和所述解码网络包括一个或多个隐藏层，其中基于将神经刺激标签向量输入到所述解码网络，训练所述神经网络自动编码器的所述解码网络以生成表示神经刺激信号的数据，所述方法包括：
选择与从第二装置接收的装置数据相关的神经刺激标签向量；和
将所选择的神经刺激标签向量输入到所述解码网络，以生成表示与所述神经刺激标签向量相关联的神经刺激信号的数据。


29.根据权利要求28所述的计算机实现的方法，所述方法还包括：
训练所述神经网络自动编码器，以输出神经刺激标签向量，所述向量能够将来自神经刺激样本数据的训练集的神经刺激样本数据的每个部分分类为一个或多个神经刺激标签；和
在从第二装置输入装置数据的情况下，使用所述解码网络的隐藏层的训练后权重进行实时生成神经刺激信号。


30.根据权利要求28或29所述的计算机实现的方法，其中所述神经网络自动编码结构还包括：
潜在表示层，其用于输出标签向量y，以将来自所述神经刺激样本数据的训练集的神经刺激样本数据的每个部分进行分类，其中所述标签向量y的元素数目对应于要标记的神经刺激类别的数目；和
与所述神经网络自动编码器的潜在表示层耦合的对抗网络，所述对抗网络包括输入层、一个或多个隐藏层以及输出层，所述方法还包括：
训练所述对抗网络以对由所述潜在表示层生成的标签向量y和来自与所述标签向量y的维度相同的一组独热向量的分类分布中的样本进行区分。


31.根据权利要求28所述的计算机实现的方法，其中所述神经刺激样本数据的训练集包括神经刺激样本向量序列的训练集，其中1≤i≤Lk和1≤k≤T，其中Lk是第k个神经刺激样本向量序列的长度，T是训练神经刺激样本向量序列的数目，对于与通过自动编码器的和第k个神经刺激相关的第k个神经活动对应的每个第k个神经刺激样本向量序列，所述方法还包括：
根据对抗网络的输出生成损失或成本函数，第k个神经刺激样本向量序列的估计表示为解码网络的输出，原始的第k个神经样本向量序列(xi)k，以及从潜在表示层输出的潜在向量z和标签向量y；和
使用反向传播技术通过时间技术更新所述隐藏层的权重。


32.根据权利要求28-31中任一项所述的计算机实现的方法，其中所述神经网络自动编码结构还包括：
潜在表示层，其用于输出潜在向量z，该向量表示潜在空间中神经刺激样本数据的每个输入部分；和
与所述神经网络自动编码器的潜在表示层耦合的另外对抗网络，所述另外对抗网络包括输入层、一个或多个隐藏层以及输出层，所述方法还包括：
训练所述另外对抗网络，以对由潜在表示层生成的潜在向量z和来自与潜在向量z相同维度的概率分布的样本向量进行区分。


33.根据权利要求21-32中任一项所述的计算机实现的方法，其中与神经刺激相关的所述多个神经信号中的每个从耦合到受试者的神经系统的神经接收器输出，并且每个神经接收器包括来自以下组的任何一个或多个神经接收器：
能够测量或接收与神经元群体的神经刺激有关的神经活动的电极；
光遗传传感器；和
能够检测和测量与受试者的神经系统的神经元群体的神经刺激相关的神经活动并输出代表所述神经活动的神经信号的任何设备、机构、传感器或装置。


34.根据权利要求21至33中任一项所述的计算机实现的方法，其中表示与从第二装置接收到的装置数据相关联的神经刺激信号的数据被传输到耦合至受试者的神经系统的神经传输器，并且每个神经传输器包括以下组中的任何一个或多个神经传输器：
能够将与代表神经刺激信号的数据相关的神经活动注射或传输到与所述神经刺激信号相关的神经元群体上的电极；
光遗传传感器；和
能够将与代表神经刺激信号的数据相关的神经活动耦合到受试者的神经系统的神经元群体的任何设备、机构、传感器或装置。


35.根据权利要求21-34中任一项所述的计算机实现的方法，还包括使用一个或多个外部计算系统来执行以下组中的一个或多个：
存储和/或处理与从受试者的神经系统接收的与和神经刺激相关的神经信号相关的神经刺激信号数据；
存储和/或处理与在受试者上训练的一个或多个传感器相关联的传感器数据；
基于所述神经刺激信号数据和/或所述传感器数据，生成神经刺激样本数据的一个或多个训练集；
基于所述神经刺激样本数据训练第二一种或多种ML技术中的至少一种；和/或
发送代表一种或多种受过训练的ML技术的数据，以用于处理所述神经刺激样本数据。


36.根据权利要求1至35中任一项所述的计算机实现的方法，其中所述第一装置或第二装置可以包括以下组中的一个或多个装置或设备：
能够接收神经数据估计并相应地操作和/或能够传输用于向受试者提供相应的神经刺激的装置数据的假体装置或设备；
能够接收神经数据估计并相应地操作和/或能够传输用于向受试者提供相应的神经刺激的装置数据的非假体装置或设备；
用于管理或协助受试者体内许多不同器官、组织、生物学部位和/或子系统中的任何一个或多个的操作或功能的装置或设备；
用于管理或协助受试者的身体的多个身体部件中的任何一个或多个的操作或功能的装置或设备；
能够根据应用要求对神经数据估计进行操作的任何装置或设备；和
能够生成和/或传输装置数据以根据应用要求向受试者提供相应的神经刺激的任何装置或设备。


37.根据任一前述权利要求所述的计算机实现的方法，其中所述第一装置是所述第二装置。


38.根据任一前述权利要求所述的计算机实现的方法，其中：
所述第一一种或多种ML技术中的至少一种对应于所述第二一种或多种ML技术中的至少一种；或
所述第一一种或多种ML技术对应于所述第二一种或多种ML技术。


39.根据任一前述权利要求所述的计算机实现的方法，其中装置数据包括来自以下组的任何一个或多个：
a.代表装置动作的数据；
b.代表装置运动的数据；
c.代表装置状态的数据；
d.代表由装置执行的操作的数据，其包括计算控制或运动，并用于生成神经刺激；
e.代表一个或多个身体变量信号的数据；和
f.代表任何其他适用于生成神经刺激的装置数据的数据。


40.根据任一前述权利要求所述的计算机实现的方法，其中神经活动编码一个或多个身体变量或其组合，并且代表所述神经活动的神经数据的估计包括与所述神经活动相关的一个或多个身体变量或其组合的估计。


41.根据任一前述权利要求所述的计算机实现的方法，其中神经活动编码一个或多个身体变量或其组合。


42.根据任一前述权利要求所述的计算机实现的方法，其中身体变量包括表示整个受试者、受试者的身体部件或受试者的子部件的状态的数据。


43.根据权利要求41或42中任一项所述的计算机实现的方法，其中身体变量包括以下组中的至少一个：
代表受试者生命体征的任何数据，其包括代表以下组中至少一个的数据：
受试者的心率；
受试者的活动；
受试者的温度；
受试者的血压；
受试者的血糖；
呼吸频率；
受试者的任何其他生命体征；
整个受试者、受试者身体部件或受试者的子部件的任何生理测量；
代表整个受试者、受试者的身体部件或受试者的子部件的状态的任何数据；
代表受试者的与一个或多个基因组领域相关的信息、值、参数的任何数据，所述基因组领域包括以下组中的至少一种：
表观遗传学；
表型；
基因型；
转录组学；
蛋白质组学；
代谢组学；
微生物组学；和
描述与受试者的整个身体、受试者的身体的任何部件和/或子部件等相关的数字、状态、度量、变量或信息的任何其他术语。


44.根据任一前述权利要求所述的计算机实现的方法，其中一个或多个传感器包括来自以下组的至少一个传感器：
ECG或心率传感器；
活动传感器；
温度感应器；
血糖传感器；
血压传感器；
用于输出与受试者的一个或多个生命体征相关的传感器数据的任何传感器；
用于输出与整个受试者、受试者的身体部件或受试者的子部件的生理测量有关的传感器数据的任何传感器；
用于输出与代表整个受试者、受试者的身体部件或受试者的子部件的状态的数据相关联的传感器数据的任何传感器；
用于输出与代表与受试者的整个身体、受试者的身体的任何部件和/或子部件等相关的一个或多个数字、状态、度量、参数、变量和/或信息的数据相关的传感器数据的任何传感器。


45.根据权利要求41-44中任一项所述的计算机实现的方法，还包括：
当检测到神经活动时，通过捕获神经信号的样本生成表示神经信号的神经样本数据；和
从在所述受试者上训练的一个或多个传感器捕获传感器数据；
使所述神经样本数据的部分与所述传感器数据的对应部分同步；
基于表征感兴趣的身体变量的变化的一组身体变量标签，分析和标记所述传感器数据的所述部分；
基于所述传感器数据的标记的部分，标记所述神经样本数据的所述部分；和
基于神经样本数据的标记的部分，生成与感兴趣的身体变量相关的神经样本数据的标记的训练集。


46.根据权利要求45所述的计算机实现的方法，其中生成神经样本数据的标记的训练集还包括将神经样本数据的标记的部分存储为与感兴趣的身体变量相关联的神经样本数据的标记的训练集。


47.根据权利要求41-44中任一项所述的计算机实现的方法，还包括：
当检测到神经活动时，通过捕获神经信号的样本生成表示神经信号的神经样本数据；
从在所述受试者上训练的一个或多个传感器捕获传感器数据；
使神经样本数据的部分与一个或多个中间低维度代表状态同步；
使中间状态与所述传感器数据的相应部分同步；
基于表征感兴趣的身体变量的变化的一组身体变量标签，分析和标记所述传感器数据的所述部分；
基于所述传感器数据的标记的部分，标记所述神经样本数据的所述部分；和
基于神经样本数据的标记的部分，生成与感兴趣的身体变量相关的神经样本数据的标记的训练集。


48.根据权利要求47所述的计算机实现的方法，其中生成神经样本数据的标记的训练集还包括将神经样本数据的标记的部分存储为与感兴趣的身体变量相关联的神经样本数据的标记的训练集。


49.根据权利要求47或48所述的计算机实现的方法，其中所述一个或多个低维度代表状态通过以下生成：
训练ML技术以生成ML模型，以确定代表神经信号的低维潜在空间；和
基于将确定的低维潜在空间的维度与一个或多个身体变量标签相关联，生成一个或多个中间低维度代表状态。


50.根据权利要求47或48所述的计算机实现的方法，其中所述一个或多个低维度代表状态通过以下生成：
训练ML技术以产生ML模型，所述模型用于基于与代表一个或多个身体变量的一个或多个身体变量标签相关联的标记的训练数据集，确定用于代表神经信号的低维潜在空间；和
基于将确定的低维潜在空间的维度与一个或多个身体变量标签相关联，生成一个或多个中间低维度代表状态。


51.根据权利要求45至50中任一项所述的计算机实现的方法，还包括基于所生成的与感兴趣的身体变量相关的神经样本数据的标记的训练集，训练ML技术，其中所述ML技术生成用于预测当输入神经样本数据时与感兴趣的身体变量相关的身体变量标签估计的已训练的ML模型。


52.一种用于确定受试者的神经系统的一部分的神经活动的计算机实现的方法，所述方法包括：
接收与所述神经系统的所述部分的神经活动相关的多个神经信号；和
使用一种或多种机器学习(ML)技术处理代表接收到的多个神经信号的神经样本数据，所述技术被训练用于生成与神经系统的所述部分的神经活动相关的神经活动或其组合的估计；和
将代表神经活动估计的数据发送到用于基于所述神经活动估计进行操作的装置。


53.根据权利要求52所述的计算机实施的方法，其中所述神经活动包括编码所述受试者的神经系统的所述部分的一个或多个身体变量的神经活动，所述方法进一步包括：
使用一种或多种机器学习(ML)技术处理代表接收到的多个神经信号的神经样本数据，该技术被训练用于生成与神经系统的所述部分的神经活动相关的一个或多个身体变量或其组合的估计；和
将代表一个或多个身体变量估计的数据发送到用于基于所述身体变量估计执行操作的装置。


54.根据权利要求52或53所述的计算机实现的方法，其中所述神经系统的所述部分包括围绕多个神经接收器聚集的受试者的多个神经元，每个神经接收器配置为输出与在所述多个神经元中的一个或多个上的神经活动相关的神经信号，所述方法包括：
从与受试者的所述多个神经元相关的神经接收器接收一个或多个神经信号；
和
使用所述一种或多种ML技术将所述一个或多个神经信号分类为一个或多个身体变量类别。


55.根据权利要求52-54中任一项所述的计算机实现的方法，还包括：
当检测到编码一个或多个身体变量的神经活动时，通过捕获神经信号的样本生成表示神经信号的神经样本数据；和
使用所述一种或多种ML技术处理所述神经样本数据以生成代表身体变量估计的数据。


56.根据权利要求52-55中任一项所述的计算机实现的方法，还包括通过以下步骤生成神经样本数据的训练集：
存储从多个神经信号接收的捕获的神经样本数据，其中对所述神经样本数据加时间戳；
从在所述受试者上训练的一个或多个传感器捕获并存储传感器数据，其中对所述传感器数据加时间戳；
使所述神经样本数据与所述传感器数据同步；和
识别所述神经样本数据中与编码一个或多个身体变量的神经活动相关的部分；
通过分析所述传感器数据中与神经样本数据的已识别部分相对应的部分，确定神经样本数据的每个已识别部分的身体变量标签；
基于确定的身体变量标签来标记神经样本数据的已识别部分；和
基于神经样本数据的标记的已识别部分，生成与感兴趣的身体变量相关的神经样本数据的标记的训练集。


57.根据权利要求56所述的计算机实现的方法，其中生成神经样本数据的标记的训练集还包括将神经样本数据的标记的已识别部分存储为神经样本数据的标记的训练集。


58.根据权利要求55-57中任一项所述的计算机实现的方法，还包括：
使用一种或多种ML技术分析神经样本数据的已检测部分，以生成与包含在神经样本数据的已检测部分内的与一个或多个身体变量或其组合相关的一组分类向量；和
用从所述神经样本数据和传感器数据的相应部分确定的身体变量标签标记所述分类向量。


59.根据权利要求52至58中任一项所述的计算机实现的方法，还包括基于神经样本数据的训练集来训练一种或多种ML技术，其中所述训练集中的每个神经样本数据被标记为与识别其中包含的一个或多个身体变量的身体变量标签相关联。


60.根据权利要求52-59中任一项所述的计算机实现的方法，其中所述一种或多种ML技术至少包括以下组的一种或多种ML技术：
a)神经网络；
b)隐式马尔可夫模型；
c)高斯过程动力学模型；
d)自动编码器/解码器网络；
e)对抗/鉴别器网络；
f)卷积神经网络；
g)长期短期记忆神经网络；和
h)适用于对所述接收的神经信号进行操作的任何其他ML或分类器/分类技术或其组合。


61.根据权利要求52至60中任一项所述的计算机实现的方法，其中神经活动编码一个或多个身体变量或其组合。


62.根据权利要求52至61中任一项所述的计算机实现的方法，其中身体变量包括表示整个受试者、受试者的身体部件或受试者的子部件的状态的数据。


63.根据权利要求61或62中任一项所述的计算机实现的方法，其中身体变量包括以下组中的至少一个：
代表受试者生命体征的任何数据，其包括代表以下组中至少一个的数据：
受试者的心率；
受试者的活动；
受试者的温度；
受试者的血压；
受试者的血糖；
呼吸频率；
受试者的任何其他生命体征；
整个受试者、受试者身体部件或受试者的子部件的任何生理测量；
代表整个受试者、受试者的身体部件或受试者的子部件的状态的任何数据；
代表受试者的与一个或多个基因组领域相关的信息、值、参数的任何数据，所述基因组领域包括以下组中的至少一种：
表观遗传学；
表型；
基因型；
转录组学；
蛋白质组学；
代谢组学；
微生物组学；和
描述与受试者的整个身体、受试者的身体的任何部件和/或子部件等相关的数字、状态、度量、变量或信息的任何其他术语。


64.根据权利要求52至63中任一项所述的计算机实现的方法，其中一个或多个传感器包括来自以下组的至少一个传感器：
ECG或心率传感器；
活动传感器；
温度感应器；
血糖传感器；
血压传感器；
用于输出与受试者的一个或多个生命体征相关的传感器数据的任何传感器；
用于输出与整个受试者、受试者的身体部件或受试者的子部件的生理测量有关的传感器数据的任何传感器；
用于输出与代表整个受试者、受试者的身体部件或受试者的子部件的状态的数据相关联的传感器数据的任何传感器；和
用于输出与代表与受试者的整个身体、受试者的身体的任何部件和/或子部件等相关的一个或多个数字、状态、度量、参数、变量和/或信息的数据相关的传感器数据的任何传感器。


65.根据权利要求61-64中任一项所述的计算机实现的方法，还包括：
当检测到神经活动时，通过捕获神经信号的样本生成表示神经信号的神经样本数据；和
从在所述受试者上训练的一个或多个传感器捕获传感器数据；
使所述神经样本数据的部分与所述传感器数据的对应部分同步；
基于表征感兴趣的身体变量的变化的一组身体变量标签，分析和标记所述传感器数据的所述部分；
基于所述传感器数据的标记的部分，标记所述神经样本数据的所述部分；和
基于神经样本数据的标记的部分，生成与感兴趣的身体变量相关的神经样本数据的标记的训练集。


66.根据权利要求65所述的计算机实现的方法，其中生成神经样本数据的标记的训练集还包括将神经样本数据的标记的部分存储为与感兴趣的身体变量相关联的神经样本数据的标记的训练集。


67.根据权利要求61-64中任一项所述的计算机实现的方法，还包括：
当检测到神经活动时，通过捕获神经信号的样本生成表示神经信号的神经样本数据；
从在所述受试者上训练的一个或多个传感器捕获传感器数据；
使神经样本数据的部分与一个或多个中间低维度代表状态同步；
使中间状态与所述传感器数据的相应部分同步；
基于表征感兴趣的身体变量的变化的一组身体变量标签，分析和标记所述传感器数据的所述部分；
基于所述传感器数据的标记的部分，标记所述神经样本数据的所述部分；和
基于神经样本数据的标记的部分，生成与感兴趣的身体变量相关的神经样本数据的标记的训练集。


68.根据权利要求67所述的计算机实现的方法，其中生成神经样本数据的标记的训练集还包括将神经样本数据的标记的部分存储为与感兴趣的身体变量相关联的神经样本数据的标记的训练集。


69.根据权利要求67或68所述的计算机实现的方法，其中所述一个或多个低维度代表状态通过以下生成：
训练ML技术以生成ML模型，以确定代表神经信号的低维潜在空间；和
基于将确定的低维潜在空间的维度与一个或多个身体变量标签相关联，生成一个或多个中间低维度代表状态。


70.根据权利要求67或68所述的计算机实现的方法，其中所述一个或多个低维度代表状态通过以下生成：
训练ML技术以产生ML模型，所述模型用于基于与代表一个或多个身体变量的一个或多个身体变量标签相关联的标记的训练数据集，确定用于代表神经信号的低维潜在空间；和
基于将确定的低维潜在空间的维度与一个或多个身体变量标签相关联，生成一个或多个中间低维度代表状态。


71.根据权利要求65至70中任一项所述的计算机实现的方法，还包括基于所生成的与感兴趣的身体变量相关的神经样本数据的标记的训练集，训练ML技术，其中所述ML技术生成用于预测当输入神经样本数据时与感兴趣的身体变量相关的身体变量标签估计的已训练的ML模型。


72.根据权利要求52至71中任一项所述的计算机实现的方法，其中ML技术基于神经网络自动编码器结构，所述神经网络自动编码器结构包括编码网络和解码网络，所述编码网络包括一个或多个隐藏层和所述解码网络包括一个或多个隐藏层，其中所述神经网络自动编码器经过训练以输出身体变量标签向量，该向量能够将来自神经样本数据的训练集的神经样本数据的每个部分分类为一个或多个身体变量标签，所述方法包括：
将神经样本数据输入所述自动编码器以对神经信号进行实时分类。


73.根据权利要求72所述的计算机实现的方法，所述方法还包括：
训练所述神经网络自动编码器，以输出身体变量标签向量，所述向量能够将来自神经样本数据的训练集的神经样本数据的每个部分分类为一个或多个身体变量标签；和
使用所述自动编码器的所述隐藏层的训练权重进行神经信号的实时分类。


74.根据权利要求72或73所述的计算机实现的方法，其中所述神经网络自动编码结构还包括：
潜在表示层，其用于输出标签向量y，以将来自所述神经样本数据的训练集的神经样本数据的每个部分进行分类，其中所述标签向量y的元素数目对应于要标记的身体变量类别的数目；和
与所述神经网络自动编码器的潜在表示层耦合的对抗网络，所述对抗网络包括输入层、一个或多个隐藏层以及输出层，所述方法还包括：
训练所述对抗网络以对由所述潜在表示层生成的标签向量y和来自与所述标签向量y的维度相同的一组独热向量的分类分布中的样本进行区分。


75.根据权利要求74所述的计算机实现的方法，其中所述神经样本数据的训练集包括神经样本向量序列的训练集，其中1≤i≤Lk和1≤k≤T，其中Lk是第k个神经样本向量序列的长度，T是训练神经样本向量序列的数目，对于与通过自动编码器的编码一个或多个身体变量的第k个神经活动对应的每个第k个神经样本向量序列，所述方法还包括：
基于所述对抗网络的输出生成损失或成本函数，第k个神经样本向量序列的估计表示为解码网络的输出，原始的第k个神经样本向量序列(xi)k，以及从所述潜在表示层输出的潜在向量z和标...

【专利技术属性】
技术研发人员：E赫瓦格，O阿米塔格，T爱德华兹，
申请(专利权)人：生物医疗有限公司，
类型：发明
国别省市：英国;GB