神经事件检测

技术领域

本公开大体涉及用于检测一个或多个神经的存在的外科诊断系统。

背景技术

传统的外科实践强调了识别或验证神经位置以避免伤害神经的重要性。外科技术的进步包括开发包括更小暴露的技术(诸如微创外科手术)，以及插入更复杂的医疗装置。随着外科技术的这些进步，对应地需要改善检测和/或避免神经的方法。

发明内容

提供了一种神经监测系统，所述神经监测系统能够检测肌肉对人类受试者的体内治疗区域内提供的刺激的人工诱导的机械响应。所述体内治疗区域通常包括支配所监测的肌肉的神经。本发明的系统利用先进的滤波技术来有助于将诱导响应与所有其他响应区分开。

所述神经监测系统包括非侵入式机械传感器、刺激器和处理器。所述机械传感器被配置成放置成与所述肌肉机械连通，并且用于生成对应于所述肌肉的感测到的机械运动的机械肌动描记术输出信号。所述刺激器被配置成在所述体内治疗区域内提供周期性刺激，其中所述周期性刺激至少包括在第一时间(T

所述处理器与所述机械传感器和所述刺激器两者通信，并且用于向所述刺激器提供所述周期性刺激以用于最终递送到所述体内治疗区域，并且从所述机械传感器接收所述机械肌动描记术输出信号。所述处理器可被配置成分析所述机械肌动描记术输出信号的响应窗口以确定所述第一刺激是否诱导了所述肌肉的响应。如果检测到诱导响应，则所述处理器可诸如以警报、声音、联接的显示器上的更改的颜色等的形式向用户提供对应的指示。相反，如果在所述响应窗口内未检测到诱导响应，则所述处理器可向所述用户提供不同的指示以指示所述刺激未诱导肌肉响应。在一个配置中，所述响应窗口对应于对所述第一刺激的诱导响应很可能发生的时间段。此响应窗口通常在第三时间(T

在一些实施方案中，所述处理器被配置成通过使用监督学习算法检查所述响应窗口内的所述机械肌动描记术输出信号的一个或多个特征来确定所述第一刺激是否诱导了所述肌肉的响应，所述监督学习算法用于将所述响应窗口分类为表示所述肌肉的诱导响应或不表示所述肌肉的诱导响应。在一个实施方案中，所述监督学习算法可包括基于图像的分类器，所述基于图像的分类器用于分析所述机械肌动描记术输出信号的曲线图的一个或多个图形方面。

在一个实施方案中，所述机械传感器可以是三轴加速度计，所述三轴加速度计用于监测三个相互正交的轴上的加速度。然后，所述处理器可被配置成使用根据所述三个轴中的每个轴上的所监测的加速度计算的合成向量的量值来确定所述第一刺激是否诱导了所述肌肉的响应。在一些实施方案中，所述处理器可被配置成：仅在所述肌肉在垂直于皮肤表面的方向上的运动的量值大于所述肌肉在与所述皮肤表面相切的方向上的运动的量值时，确定所述第一刺激是否诱导了所述肌肉的响应。

作为另外的背景消除滤波器，在一个实施方案中，所述处理器还可被配置成从所述机械肌动描记术输出信号中识别至少部分地存在于所述响应窗口之外的信号成分；确定所述信号成分的频率分量；以及衰减来自所述响应窗口内的所述机械肌动描记术输出信号的所述频率分量。然后可使用此经滤波的响应窗口来确定所述第一刺激是否诱导了所述肌肉的响应。在一些实施方案中，所述信号成分至少部分地存在于T

在一些实施方案中，所述处理器可被配置成使用本文所述的技术来更准确地确定肌肉响应延迟或神经传导速度的变化。例如，所述处理器可被配置成在所述响应窗口内识别对应于检测到的诱导的肌肉响应的时间；确定所述第一刺激和对应于检测到的诱导的肌肉响应的所述时间之间的第一响应延迟；识别对应于由所述刺激器提供的后续刺激诱导的后续检测到的肌肉响应的时间；确定所述后续刺激和所述后续检测到的肌肉响应的所述时间之间的第二响应延迟；并且如果所述第二响应延迟与所述第一响应延迟的差异大于预定量，则提供警报。

在一些实施方案中，可以闭环方式控制所施加的刺激的所述电流量值，以识别诱导所述肌肉的阈值响应的最低电流。这可通过检查所述机械肌动描记术输出信号量值和阈值输出信号量值之间的差值来操作，并且尝试使用描述响应如何对应于肌肉输出的模型来使所述差值最小化。

一种检测肌肉对人类受试者的体内治疗区域内提供的刺激的人工诱导的机械响应的方法包括：将周期性电刺激发射到所述体内治疗区域内的刺激器；从与所述肌肉机械连通的非侵入式机械传感器接收机械肌动描记术输出信号；检测来自所接收的机械肌动描记术输出信号的运动；以及仅在所述运动发生在存在于第一刺激和第二连续刺激之间的响应窗口内时向用户提供所述运动是人工诱导的肌肉响应的指示。

当结合附图时，根据以下详细描述，本发明技术的上述特征和优点以及其他特征和优点是显而易见的。

“一(A)”、“一个(an)”、“所述(the)”、“至少一个(at least one)”和“一个或多个(one or more)”可互换使用以指示存在项目中的至少一个；除非上下文另有明确说明，否则可以存在多个此类项目。本说明书(包括所附权利要求)中的参数(例如，数量或状况)的所有数值应当被理解为在所有情况下均由术语“约”修饰，无论“约”是否实际出现在数值之前。“约”指示所述数值允许某种轻微的不精确性(对于值的精确性的某种接近；约或合理地接近该值；接近)。如果在本领域中没有以这种普通含义理解由“约”提供的不精确性，则如本文所用，“约”指示至少可以由测量和使用此类参数的普通方法产生的变化。此外，范围的公开包括在整个范围内的所有值和进一步划分的范围的公开。因此，范围内的每个值和范围的端点都作为单独的实施方案公开。

附图说明

图1是用于检测人工诱导的机械肌肉响应的神经监测系统的示意图。

图2是多个机械传感器在受试者腿上的放置的示意性前视图。

图3是包括腰椎的一部分的体内治疗区域的示意性侧视图。

图4是响应于周期性电刺激的机械肌动描记术输出信号的示意性时域图。

图5是在施加诱导刺激之后存在的响应窗口内肌肉的诱导机械响应的示意性时域图。

图6是包括监督学习算法的信号处理算法的示意图，该算法用于将感测到的肌肉运动分类为诱导响应或不是诱导响应。

图7是消除至少部分地发生在响应窗口之外的背景噪音的方法的示意性流程图。

图8是用于比较刺激的施加和在响应窗口内发生的诱导响应的发生之间的延迟的技术的示意性时域图。

图9是示出刺激电流控制算法的示意图，该算法基于刺激电流、传感器输出信号幅值以及刺激器和神经之间的距离之间的关系来调节刺激电流。

图10是检测肌肉对在人类受试者的体内治疗区域内提供的刺激的人工诱导的机械响应的方法的示意性流程图。

具体实施方式

本公开提供了一种神经监测系统，该神经监测系统具有用于检测肌肉对刺激的人工诱导的响应的改善的能力。更具体地，本文所述的处理技术实现更稳健的事件检测能力，同时减少误报的发生。

参考附图，其中相同的附图标号用于标识各个视图中的相同或完全相同的部件，图1示意性地示出了神经监测系统10，该神经监测系统可以用于识别受试者14的体内治疗区域12内的一个或多个神经的存在。如将在下面更详细地描述的，系统10可针对机械运动监测受试者14的一个或多个肌肉，并且可能够将肌肉的人工诱导的机械响应(也称为“人工诱导的机械肌肉响应”)与受试者预期的肌肉收缩/松弛和/或环境引起的运动区分开。如果在手术期间检测到人工诱导的肌肉机械响应，则系统10可向用户提供指示。

如本文所用，人工诱导的机械肌肉响应是指肌肉响应于不是通过自然感觉手段(例如，视力、声音、味道、气味和触摸)接收到的刺激而收缩或松弛。相反，它是通过将刺激直接施加到支配肌肉的神经而诱导的肌肉收缩/松弛。可引起“人工诱导的”肌肉响应的刺激的示例可包括直接施加到神经或者直接围绕神经的体内组织或流体的电流。在该示例中，如果所施加的电流足够强和/或足够接近神经，则它可能人为地致使神经去极化(从而导致由该神经支配的肌肉的对应收缩)。此类“人工刺激”的其他示例可能涉及机械诱导的去极化(例如，物理拉伸或压缩神经，诸如用组织牵开器)，热诱导的去极化(例如，通过超声烧灼)，或化学诱导的去极化(例如，通过将化学试剂施加到围绕神经的组织)。

在人工诱导的机械肌肉响应期间，由人工去极化神经支配的肌肉可物理收缩或松弛(即，机械响应)。这种机械反应可主要沿着肌肉的纵向方向(即，与肌肉的组成纤维对齐的方向)发生，但还可导致肌肉在侧向方向上的相应肿胀/松弛(对于大多数骨骼肌肉，该方向可基本上垂直于皮肤)。在人工诱导的机械肌肉响应期间，肌肉的这种局部运动可相对于肌肉处于非刺激状态时的位置进行测量，并且区别于肌肉的其他全局平移。

神经监测系统10可以包括与至少一个机械传感器22通信的处理器20。例如，机械传感器22可以包括应变仪、力传感器、位置编码器、加速度计、压电材料、或可将物理运动转换成可变电信号的任何其他换能器或换能器组合。

每个机械传感器22可以被具体地配置成监测受试者14的肌肉的局部机械运动。例如，每个传感器22可以包括紧固装置(诸如粘合材料/贴片)，其允许传感器22被粘附、包扎或以其他方式附着到受试者14的皮肤(即，附着在外部皮肤表面上)。合适的紧固装置的其他示例可以包括绷带、套管、或可保持传感器22与受试者14物理接触的其他弹性紧固装置。可替代地，机械传感器22(和/或联接装置)可以被配置成通过其物理设计来监测肌肉的局部机械运动。例如，传感器/联接装置可包括导管、球囊、咬合防护件、孔塞或气管内管，其可定位在受试者的内腔或天然开口内以监测内腔或孔口、或者与内腔或孔口直接相邻和/或连接的肌肉的响应。在一个配置中，机械传感器可以是非侵入式装置，由此术语“非侵入式”旨在表示传感器并非通过外科手术来放置在受试者体内(即，经由切割组织以实现放置)。出于本公开的目的，非侵入式传感器可以包括放置在可在不需要切口的情况下接近的天然存在体内腔内的传感器。

在一个配置中，传感器22可以包括接触检测装置，其可以提供传感器22是否与受试者14的皮肤物理接触的指示。例如，接触检测装置可以包括被配置成在传感器22被正确定位时接触受试者14的皮肤的一对电极。然后，传感器22和/或接触检测装置可以监测电极之间的阻抗以确定电极是否与皮肤接触。合适的接触检测装置的其他示例可以包括电容式触摸传感器或略微突出超过传感器表面的按钮。

系统10还可以包括能够在受试者14的体内治疗区域12内选择性地提供刺激的一个或多个细长医疗器械30(即，也称为刺激器30)。例如，在一个配置中，细长医疗器械30可以包括具有设置在远端部分36上的电极34的探针32(例如，球尖探针、k线或针)。电极34可以在用户/医师的请求下或者在处理器20的命令下被选择性地通电，以向受试者的体内组织提供电刺激38。在其他配置中，细长医疗器械30可以包括扩张器、牵开器、夹子、烧灼探针、椎弓根螺钉或可用于侵入式医疗手术的任何其他医疗器械。无论何种器械，如果预期的人工刺激是电流，则器械30可以包括可选择性通电的电极34，其设置在器械的旨在用于在手术期间接触体内治疗区域12内的组织的部分处。

在外科手术期间，用户/外科医生可以选择性地将刺激施用于治疗区域12内的体内组织以识别一个或多个神经束或纤维的存在。对于电刺激38，使用者/外科医生可以例如在按压与系统10通信(并且更具体地与刺激器30通信)的按钮或脚踏板时施用刺激。电刺激38可以是例如周期性刺激，该周期性刺激包括以小于约10Hz，或约1Hz至约5Hz，并且优选地介于约2Hz和约4Hz之间的频率提供的多个连续离散脉冲(例如，步进脉冲)。每个脉冲可具有在约50μs至约400μs范围内的脉冲宽度。在其他示例中，离散脉冲可具有在约50μs至约200μs范围内，或者在约75μs至约125μs范围内的脉冲宽度。另外，在一些实施方案中，每个脉冲的电流幅度可以是独立可控的。

如果神经在电极34的预定距离内延伸，电刺激38可导致神经去极化，从而导致由神经支配的肌肉的机械性抽搐(即，人工诱导的机械肌肉响应)。通常，响应/抽搐的量值可与电极和神经之间的距离、电刺激和接地贴片之间的阻抗以及刺激电流的量值直接相关。在一个配置中，给定已知的刺激量值和所测量的机械肌肉响应，处理器20可采用查找表来提供电极和神经之间的近似距离。

在开始外科手术之前，一个或多个机械传感器22可以被放置成与受试者14的一个或多个肌肉机械连通。在本发明的上下文中，如果传感器22可经由与肌肉直接接触或经由通过一种或多种中间材料和/或组织(例如，皮肤和/或皮下组织)的机械关系物理地检测肌肉的运动、速度、加速度、应变或肌肉的其他物理响应，则该传感器可与肌肉进行机械连通。

图2示出了用于可在腰椎的L2、L3和/或L4椎骨附近(在图3中示意性地示出)进行的外科手术的多个机械传感器22的放置的示例。离开L2、L3和L4孔56、58、60的神经50、52和54因此可以位于治疗区域12(即，围绕L2、L3和/或L4椎骨的区域)内或者可以是紧邻此区域。在使用常见的解剖学知识下，外科医生可以理解对这些神经50、52、54的损伤可能影响股内侧肌和胫骨前肌的功能。这样，外科医生可以将机械传感器22a-22d放置在股内侧肌和胫骨前肌上或附近以防止在规程期间无意中操纵神经。例如，机械传感器22a和22b放置在由离开L2和L3孔56、58的神经50、52支配的股内侧肌上，并且传感器22c和22d放置在由离开L4孔60的神经54支配的胫骨前肌上。

一般来讲，每个机械传感器22可生成对应于感测到的相邻肌肉的机械运动/响应的机械肌动描记术(MMG)输出信号(在62处示意性地示出)。MMG输出信号62可以是数字或模拟信号，并且传感器22还可包括通信电路，该通信电路用于通过有线或无线通信协议(例如，通过用于通过物理导线传送数据的一个或多个有线数据传输协议，诸如I2C、CAN、TCP/IP或其他有线协议；或通过使用一个或多个无线/基于射频的数据传输协议，诸如根据IEEE802.11、Bluetooth、ZigBee、NFC、RFiD等)将机械肌动描记术输出信号发射到处理器。作为特定信号，MMG输出信号62旨在与肌肉或皮肤的任何电势(通常称为肌电图(EMG)信号)分开且不同。虽然电(EMG)和机械(MMG)肌肉响应可能是相关的，但它们的关系是复杂的，并且不容易描述(例如，电势是非常位置特定的，跨感兴趣的肌肉的体积具有潜在可变电势)。

再次参考图1，处理器20可以与刺激器30和机械传感器22通信，并且可以被配置成从机械传感器22接收MMG输出信号62。处理器20可以体现为一个或多个数字计算机、数据处理装置和/或数字信号处理器(DSP)，其可能具有一个或多个微控制器或中央处理单元(CPU)、只读存储器(ROM)、随机存取存储器(RAM)、电可擦除可编程只读存储器(EEPROM)、高速时钟、模数(A/D)电路、数模(D/A)电路、输入/输出(I/O)电路、和/或信号调节和缓冲电子设备。

处理器20可被配置成自动执行一个或多个信号处理算法70或方法以确定(即，经由MMG输出信号62)感测到的机械运动是否表示人工诱导的机械肌肉响应，或者它是否仅仅是受试者预期的肌肉运动和/或环境引起的运动。这些处理算法70可以被体现为软件或固件，并且可以本地存储在处理器20上，或者可以由处理器20容易地评估。

图4总体上示出了响应于靠近神经提供的周期性电刺激38的MMG输出信号62的曲线图80。应当指出的是，为了进行示意性的说明，提供了曲线图80，以示出对以约3Hz的刺激频率提供的周期性刺激的广义肌肉响应。如图所示，MMG输出信号62具有随时间86变化的幅度84并且包括多个通常离散的收缩事件88。每个收缩事件88可包括例如初始响应90(例如，M波)和多个后续的峰/谷92(例如，H反射)。

图5提供了图4的第一事件88的放大视图。除了MMG输出信号62的曲线图80之外，图5另外包括表示两个连续刺激96、98的曲线图94。如通常所示，第一刺激96可由刺激器从第一时间T

T

通常可选择周期100内T

如果一些肌肉事件发生在预期的响应窗口102之外，则在刺激之间的周期100内适当地调整响应窗口102的尺寸可使处理器20能够立刻拒绝这些事件(或其他检测到的运动)。例如，如果以2Hz的频率(500ms周期)对受试者施加周期性刺激，则可预期任何给定的脉冲都会在脉冲开始的约前100ms内引发响应(即，基于患者的健康状况略有差异)。如果在周期100的后400ms中检测到了据称的肌肉事件88，则可以安全地假定所施加的刺激未引起该运动。

使用这些假定，在一个实施方案中，处理器20可被配置成仅对响应窗口102内发生的感测到的运动或肌肉事件执行信号处理算法70。此类时间选通滤波器可减少必须分析的潜在事件的总数，这可节省处理能力、改善处理速度并降低误报的可能性。如上所述，响应窗口的尺寸应被设定为使得T

在一些实施方案中，信号处理算法70可涉及一种或多种模拟检测技术，诸如例如在2013年1月1日公布的美国专利8,343,065(‘065专利)中描述的，该专利以引用方式全文并入，以及/或者一种或多种数字检测技术，诸如在2013年8月13日提交的US 2015/0051506(‘506申请)中描述的，该专利也以引用方式全文并入。在模拟技术中，处理器20可在模拟/时域中检查MMG输出信号62的一个或多个方面，以确定感测到的响应是否为肌肉对刺激的人工诱导的响应。这些模拟方面可包括例如加速度的时间导数或M波/初始响应90的最大幅度。

在数字环境中，诸如在‘503申请中描述的，处理器20可将MMG输出信号的频率分量(即，在频域中)与所施加刺激的频率进行比较，以确定感测到的肌肉响应和/或“事件”是否由所施加的刺激引起。通过仅考虑在参考窗口102内发生的事件或肌肉活动和/或通过在应用信号处理算法70之前积极地对响应窗口102之外的信号进行滤波/衰减该信号或忽略该信号，可使此类技术变得更稳健。

在一些实施方案中，信号处理算法70可包括一个或多个监督学习算法，该一个或多个监督学习算法用于将任何感测到的运动分类成多个分类中的一个分类，该多个分类至少包括信号62表示肌肉的人工诱导的机械响应以及该信号不表示肌肉的人工诱导的机械响应。两种分类都可在手术期间为进行操作的外科医生提供有价值的信息。肯定地检测到响应会通知外科医生神经靠近刺激器/工具并谨慎地进行。相反地，确定没有发生诱导响应，特别是如果提供刺激的话，则通知外科医生不存在神经并且他们可以其正常方式继续进行。

在一般意义上，监督学习算法是尝试使用关于先前样本进行的观察及其已知分类来对当前样本进行分类的算法。更具体地，该算法尝试构建和/或优化能够识别训练输入与训练输出之间的关系或模式的模型，并且然后该算法使用该模型来预测给定新样本下的输出分类。可采用的监督学习算法的示例包括神经网络、支持向量机、逻辑回归、朴素贝叶斯分类器、决策树、随机森林、或其他此类技术或技术集合。

图6示意性地示出了可用于将MMG输出信号62的当前样本112分类成二进制分类(即，人工诱导的肌肉响应114、或非人工诱导的响应116)的监督学习算法110的实施方案。如图所示，处理器20可根据一个或多个模拟特征118、频率特征120和/或时间序列/图像特征122来初始表征MMG输出信号62和/或识别的肌肉事件(即，相对于基线的任何感测到的运动)。使用基于多个预分类的训练样本126构造/优化的模型124，监督学习算法110可然后进行知悉的分类，该分类最小化已建立的误差函数或最大化准确预测的概率。

在一个实施方案中，一个或多个模拟特征118可包括例如最大/最小加速度幅度、最大/最小速度幅度、加速度的时间导数、信号上升时间或曲线拟合系数。同样，一个或多个频率特征120可包括例如FFT系数、峰值频率、峰值频率量值、谐波频率或频率下降。最终，时间序列/图像特征120可包括MMG输出62随时间推移的曲线图80的快照(类似于图5中所示的图)。一般来讲，如在‘065专利和‘506申请中讨论的，人工诱导的肌肉响应具有非诱导响应没有的某些模拟和频率特征。这样，监督学习算法110可总体上对这些特征118、120进行建模，以便于以更大的准确度来预测肌肉事件的性质。此外，在一些情况下，诱导响应的视觉属性可告知的模式比任何一个参数或参数集合所告知的模式更为完整。这样，在一个实施方案中，监督学习算法110可包括基于图像的分类器，该分类器可基于与其他先前识别的诱导响应的视觉相似性来尝试对肌肉响应进行分类。

在一些实施方案中，监督学习算法110可采用集合方法来生成输出分类。在此类方法中，模型124可包括可根据加权/成本计算公式组合以提供改善的冗余/投票的多个不同模型/方法。在另一个实施方案中，集合方法可以使用一个或多个方法/模型的输出作为另一个模型的输入。例如，在‘065专利和/或‘506申请中讨论的基于模拟和/或频率的检测技术可输出所讨论的事件代表诱导响应的概率或可能性。然后，这些估计值可作为另一输入馈送到例如监督学习算法中(即，其中监督学习算法可理解预定算法是可信的还是不可信的情况)。在另一个实施方案中，包括任何监督学习算法的每个模型可馈送到可基于各种模型的结果输出二进制响应或概率的单独算法中。该方法可使用投票算法、概率组合和/或单独监督学习算法以基于每个组成模型的预测来提供输出。

虽然上述信号处理算法70中的每个算法可以单独地或组合地提供可靠的检测功能，但是在一些实施方案中，通过使用一种或多种技术来增加MMG输出信号62的信噪比，可以使检测功能更稳健。在一般意义上，信噪比表示肌肉事件在手术室内其他感测到的运动、信号噪音或其他发生的事情之中发生时可识别的程度。MMG技术已经提供了来自先前使用的EMG技术的极大改善的信噪比，然而，仍然可进一步改善。

在一个实施方案中，依赖于响应窗口102的时间选通方法可用于以比连续监测方法中可能执行的置信度更高的置信度来识别和消除背景噪音。更具体地，至少部分地发生在响应窗口102之外的活动可被假定为不是由所施加的刺激引起的，并且因此在尝试识别诱导的肌肉响应时可被归类为“背景噪音”。此外，可以假定，跨多个刺激发生的信号成分也不表示人工诱导的肌肉响应，因为诱导响应在施加下一个顺序刺激之前趋于稳定。因此，在一些实施方案中，至少部分地发生在参考窗口102之外的活动可被视为噪音(对于诱导的响应检测算法70而言)并且用于调整数字滤波器。然后可在上述信号处理算法70中的任一者之前将此滤波器应用于信号。

图7示意性地示出了消除至少部分地发生在响应窗口102之外的背景噪音的方法130。本方法130在132处通过以下开始：从机械肌动描记术输出信号62中识别至少部分地存在于响应窗口102之外的信号成分。在一些实施方案中，处理器20可例如通过以下来识别此信号成分：(例如，经由快速傅里叶变换)将机械肌动描记术输出信号62转换为频域；以及搜索周期(即，频率的倒数)大于响应窗口102的长度和/或频率小于约所施加刺激的频率的信号成分。此信号成分可表示可跨多个刺激/响应窗口延伸并因此至少部分地处于任何给定响应窗口102之外的运动。另选地或除此之外，处理器20可以搜索出现在响应窗口102和响应102之外的相邻时间段两者中的具有较快频率的信号成分。虽然优选的是，使用至少部分地存在于该响应窗口之外的直接相邻时间段中的成分来对每个响应窗口102进行滤波，但在一些实施方案中，信号成分可被先前检测到并识别为在复现基础上发生(例如，以0.1Hz周期发生的10Hz信号，或半波整流信号)。

然后，在134处，处理器20可例如使用快速傅里叶变换(FFT)来确定此信号成分的频率特征。频率特征可包括主频率、谐波、相位角等的识别。

当识别此窗口外成分时，可使用其频率和相位来调整数字滤波器，以衰减来自至少响应窗口102内的机械肌动描记术输出信号62的此频率成分(在136处)。然后可将此经清理的响应窗口传递到一个或多个信号处理算法70(在138处)，该信号处理算法可用于确定肌肉的人工诱导的响应的发生。

如可以理解的，此背景识别和消除技术可以通过减小噪音(即，分母)来改善MMG输出信号62的信噪比。在一些实施方案中，还可使用在事件(即，分子)期间改善信号的质量的技术来改善信噪比。在一个实施方案中，可通过使用能够感测三个正交轴上的运动的MMG传感器22(即“三轴机械传感器”)来改善信号的质量。

在一个实施方案中，上述机械传感器22中的一个或多个机械传感器可以是三轴机械传感器，该三轴机械传感器被特别配置成监测受试者14的肌肉在三个正交轴上的局部机械运动。在第一配置中，来自三个轴中的每个轴的感测到的运动可被独立地馈送到信号处理算法70中。在这样做时，算法70可具有更多关于事件的信息，这些算法可以使其分类以该信息为基础。此技术对于监督学习算法110可能特别有用，监督学习算法可识别指示诱导的肌肉响应的各个信道之间的模式。

在一些实施方案中，感测到的三个正交轴中的每个正交轴上的运动可被组合以形成更准确地描述感测到的响应的量值和方向的合成向量。更具体地，合成向量将始终具有大于或等于任何一个轴的量值的量值；并且，随着量值越大，信号越大。作为附加有益效果，使用三轴机械传感器可减少可归因于不正确的传感器放置的任何信号方差/误差。例如，如果传感器通常不在肌肉群上居中，则感测到的运动可包括与皮肤表面相切的一些分量(即，其中肌肉的收缩导致皮肤的偏心部分向内或向外旋转，而中心区可在基本上法向方向上运动)。

作为另外的滤波技术，在一个配置中，仅在感测到的垂直于皮肤表面的运动的量值大于感测到的与皮肤表面相切的任何一个轴上的运动(和/或大于在两个切向轴之间形成的合成向量)时，信号处理算法70才可以考虑合成向量和/或任何组成向量。这种滤波技术以以下理解为前提：诱导的肌肉响应主要由垂直于皮肤表面的方向上的运动表示。如果感测到的与皮肤表面相切的运动相对于运动正交皮肤太大，则感测到的运动不是诱导的肌肉响应的概率很高，并因此可被忽略。在一个实施方案中，除非法向运动的量值为合成切向运动的量值的两倍以上，否则可忽略感测到的运动。在其他实施方案中，除非法向运动的量值为合成切向运动的量值的三倍以上、或四倍以上、或甚至五倍以上，否则可忽略感测到的运动。

在滤波和执行一个或多个信号处理算法70之后，如果处理器20断定感测到的运动和/或肌肉事件是人工诱导的肌肉响应，则处理器20可向用户提供对应于检测到的事件的指示。在一个配置中，此指示可以包括以下中的一者或多者：照明光/LED、彩色光/LED、与处理器20相关联的显示装置上的文本或符号警报、刺激器的柄部中的振动以及可听警报(诸如单频警报、多频警报和/或可听自然语言警报)。此外，指示/警报可包括对电极和神经之间的接近度的估计，诸如可使用如上所述或如在以下中解释的查找表来导出：授予Bartol等人的标题为“NEURAL EVENT DETECTION”的美国专利8,343,065，该专利的在本文中所提及的全部公开内容及其全文据此以引用方式并入。

除了简单地检测人工诱导的肌肉响应之外，在一个实施方案中，处理器20还可被配置成检查所提供的刺激和由此刺激诱导的肌肉响应之间的定时。如果此定时变化超过阈值量，则处理器20可向用户提供警报，以指示支配响应肌肉的神经的健康状况的变化。作为一般前提，健康神经的神经传导速度和/或肌肉响应延迟应比受伤或受冲击神经的神经传导速度和/或肌肉响应延迟短。

因此，如图8中大体所示，在一个实施方案中，处理器20可被配置成识别发生在第一响应窗口154内的第一肌肉事件152的时间150。第一肌肉事件152由在第一时间158处开始的第一刺激156诱导。如通常所示，肌肉事件包括具有峰值量值162的初始M波响应160，随后是诸如H反射的稍后响应164。处理器20可被配置成确定肌肉事件152的第一时间156和时间150之间的第一响应延迟166。尽管在哪里记录刺激时间并不重要，但在测量之间一致地记录延迟166非常重要。这样，记录刺激时间的最佳时间是在上升沿或下降沿处，并且记录事件时间的最佳时间是在最大峰值处(即，因为容易实现峰值检测技术)。

一旦通过计算单个延迟或许多连续计算的延迟的平均值建立了基线延迟，则可以类似方式计算未来延迟(例如，后续延迟168)，并将其与基线进行比较。更具体地，处理器20可被配置成在由刺激器提供的后续刺激176之后在第二响应窗口174内识别第二肌肉事件172的时间170。处理器20可确定刺激176和第二肌肉事件172之间的响应延迟168，并且然后，如果第二响应延迟168与基线延迟的差异大于预定阈值量，则处理器可提供警报，该预定阈值量被设定为指示有意义的神经健康改善或有意义的神经受损。附加地或另选地，系统10可显示将神经传导速度和/或肌肉响应延迟与根据该患者测量的基线水平或者与标准或预期速度/延迟进行比较的恒定读数，可由该标准或预期速度/延迟测量整个手术中的变化。

在一个实施方案中，处理器20可被配置成经由刺激器提供具有变化的电流量值的电刺激38，该变化的电流量值是感测到的M波响应的最大幅度和阈值幅度之间的差值的函数(另选地，电流量值是感测到的峰值MMG输出信号量值和阈值MMG输出信号量值之间的差值的函数)。

在一些外科技术中，可能有用的是，供外科医生理解什么是由刺激器30提供来引发大于或等于预定阈值响应的机械响应的电刺激38的最小电流幅度。图9示出了表示电流量值180、MMG输出信号(峰值)量值162、刺激器30和神经之间的距离184和寻求的阈值186响应之间的关系的曲线图的示例。如果处理器20以引发第一MMG输出量值190的已知第一电流188施加刺激，则已知关系可使得处理器能够使用各种闭环控制技术(例如，比例控制方法、导数控制方法和积分控制方法的各种组合)来最小化感测到的量值190和阈值186之间的差值192。在此示例中，此类闭环控制方案将最终达成电流降低到第二电平194。

此闭环阈值搜索技术高度依赖于准确的模型和从传感器获得一致输出信号的能力，这两者均使用MMG技术而存在(但通常不可能使用噪音更强的信号，诸如可与其他感测方法(诸如EMG技术)一起存在的噪音更强的信号)。

虽然图9中大体示出的控制技术假定固定式刺激器(即，距离184在第一电流电平188和第二电流电平194之间不改变，但是在另一个实施方案中，可以跟踪刺激器30的运动，以试图近似于刺激器和神经之间的距离的变化。可以例如通过在刺激器30或刺激器柄部上包括加速度计、惯性测量单元和/或陀螺仪来跟踪刺激器30的运动。同样，如果刺激器30被机器人式地控制或者通过另一种非接触定位技术感测，则该刺激器的运动可以是已知的。虽然刺激器的运动是重要的，但最终控制技术必须理解刺激器相对于神经的运动。因此，在一些实施方案中，系统可采用诸如在2016年10月5日提交的美国专利申请2017/0020611中描述的神经检测和标测技术，该专利申请全文以引用方式并入。

图10示意性地示出了检测肌肉对在人类受试者的体内治疗区域内提供的刺激的人工诱导的机械响应的方法200。一般来讲，方法200开始于处理器20将周期性电刺激发射到体内治疗区域内的刺激器(在202处)。与上述内容类似，周期性刺激至少包括在第一时间(T

在发射刺激的同时，处理器20可从与受试者的一个或多个肌肉进行机械连通的一个或多个非侵入式机械传感器接收机械肌动描记术输出信号(在204处)。处理器20可具体地在响应窗口内分析机械肌动描记术输出信号(在206处)，该响应窗口对应于肌肉对第一刺激的诱导响应可能发生的时间段。响应窗口可在第三时间(T

在一些实施方案中，分析响应窗口内的机械肌动描记术输出信号的步骤可包括对感测到的MMG输出信号执行一个或多个信号处理算法70。在一个实施方案中，这些信号处理算法70可仅在运动发生在响应窗口内时执行。在一个实施方案中，信号处理算法70可包括监督学习算法，该监督学习算法检查响应窗口内的MMG输出信号的一个或多个特征，以确定感测到的运动是否是人工诱导的肌肉响应。监督学习算法通常可用于将运动分类成多个分类中的一个分类，所述多个分类包括感测到的运动(和/或作为整体的响应窗口)表示诱导的肌肉响应，或者感测到的运动(和/或响应窗口)不表示诱导的肌肉响应。

在一些实施方案中，可对已动态减小或衰减背景噪音的“经清理的”信号执行信号处理算法70。此类清理过程可包括：从机械肌动描记术输出信号中识别至少部分地存在于响应窗口之外的信号成分；确定所述信号成分的频率分量；以及衰减来自响应窗口内的机械肌动描记术输出信号的频率分量。

在步骤208处，处理器20然后可仅在感测到的运动发生在响应窗口内时向用户提供该运动是人工诱导的肌肉响应的指示。

除用作独立的或手持式的神经监测设备之外，本发明的神经监测系统10和所描述的人工诱导的机械肌肉响应检测算法(如在方法100内描述的)可以由机器人外科系统使用，诸如在2014年10月7日发布的标题为“ROBOTIC SURGICAL SYSTEM WITHMECHANOMYOGRAPHY FEEDBACK”的美国专利8,855,622中描述的，该专利的在本文中所提及的全部公开内容及其全文以引用方式并入。在此类系统中，如果检测到人工诱导的机械肌肉响应，则上述神经监测系统10可用于向机器人外科系统提供一个或多个控制信号。在此类实施方案中，上文所述的一个或多个细长医疗器械30可由机器人控制器以高达6或更大的自由度/运动度机器人式地控制。此器械可被配置成在机器人控制器的方向上在体内治疗区域内执行外科手术，并且可以上文所述的方式提供电刺激38。如果检测到人工诱导的机械肌肉响应，则神经监测系统10可指示机器人控制器(经由所提供的控制信号)限制细长医疗器械30的可用运动范围并且/或者防止端部执行器的致动，该端部执行器可设置在器械30上并可由机器人控制器控制。

尽管已经详细描述了用于进行本发明技术的最佳方式，但熟悉本技术所涉及的领域的技术人员将认识到在所附权利要求的范围内的各种替代设计和实施方案。旨在将以上描述中包含的或附图中示出的所有内容解释为仅是说明性的而非限制性的。

在以下条款中进一步阐述了本公开的各种优点和特征：

条款1：一种神经监测系统，所述神经监测系统用于检测肌肉对人类受试者的体内治疗区域内提供的刺激的人工诱导的机械响应，所述体内治疗区域包括支配所述肌肉的神经，所述神经监测系统包括：非侵入式机械传感器，所述非侵入式机械传感器被配置成放置成与所述肌肉机械连通并且生成对应于所述肌肉的感测到的机械运动的机械肌动描记术输出信号；刺激器，所述刺激器被配置成在所述体内治疗区域内提供周期性刺激，所述周期性刺激至少包括在第一时间(T1)处开始的第一刺激和在第二时间(T2)处开始的第二连续刺激；以及处理器，所述处理器与所述机械传感器和所述刺激器通信，所述处理器被配置成：向所述刺激器提供所述周期性刺激；从所述机械传感器接收所述机械肌动描记术输出信号；分析所述机械肌动描记术输出信号的响应窗口以确定所述第一刺激是否诱导了所述肌肉的响应；并且如果确定所述第一刺激在所述响应窗口内诱导了所述肌肉的响应，则向用户提供指示；其中所述响应窗口对应于对所述第一刺激的诱导响应很可能发生的时间段；并且其中所述响应窗口在第三时间(T3)和第四时间(T4)之间延伸，使得T1≤T3

条款2：根据条款1所述的神经监测系统，其中所述处理器还被配置成通过仅在所述响应窗口内分析所述机械肌动描记术输出信号来确定所述第一刺激是否诱导了所述肌肉的响应。

条款3：根据条款1-2中任一项所述的神经监测系统，其中所述处理器被配置成通过使用监督学习算法检查所述响应窗口内的所述机械肌动描记术输出信号的一个或多个特征来确定所述第一刺激是否诱导了所述肌肉的响应；并且其中所述监督学习算法用于将所述响应窗口分类成多个分类中的一个分类，所述多个分类包括：所述响应窗口表示所述肌肉的人工诱导的机械响应；以及所述响应窗口不表示所述肌肉的人工诱导的机械响应。

条款4：根据条款3所述的神经监测系统，其中所述机械肌动描记术输出信号的所述一个或多个特征包括在整个所述响应窗口中随时间变化的所述机械肌动描记术输出信号的幅度的曲线图；并且其中所述监督学习算法包括基于图像的分类器，所述基于图像的分类器用于分析所述曲线图的一个或多个图形方面。

条款5：根据条款1-4中任一项所述的神经监测系统，其中所述机械传感器是三轴加速度计，所述三轴加速度计用于监测三个相互正交的轴上的加速度；并且其中所述处理器被配置成使用根据所述三个轴中的每个轴上的所监测的加速度计算的合成向量的量值来确定所述第一刺激是否诱导了所述肌肉的响应。

条款6：根据条款5所述的神经监测系统，其中所述处理器被配置成：仅在所述肌肉在垂直于皮肤表面的方向上的运动的量值大于所述肌肉在与所述皮肤表面相切的方向上的运动的量值时，确定所述第一刺激是否诱导了所述肌肉的响应。

条款7：根据条款1-6中任一项所述的神经监测系统，其中(T

条款8：根据条款1-7中任一项所述的神经监测系统，其中所述处理器还被配置成：从所述机械肌动描记术输出信号中识别至少部分地存在于所述响应窗口之外的信号成分；确定所述信号成分的频率分量；衰减来自所述响应窗口内的所述机械肌动描记术输出信号的所述频率分量；并且其中所述处理器被配置成使用所述响应窗口内的所衰减的所述机械肌动描记术输出信号来确定所述第一刺激是否诱导了所述肌肉的响应。

条款9：根据条款8所述的神经监测系统，其中来自所述机械肌动描记术输出信号的所述信号成分至少部分地存在于T1和T2之间。

条款10：根据条款8-9中任一项所述的神经监测系统，其中所述周期性刺激包括多个刺激；并且其中所述信号成分跨所述多个刺激而存在。

条款11：根据条款1-10中任一项所述的神经监测系统，其中所述处理器还被配置成在所述响应窗口内识别对应于检测到的诱导的肌肉响应的时间；确定所述第一刺激和对应于检测到的诱导的肌肉响应的所述时间之间的第一响应延迟；识别对应于由所述刺激器提供的后续刺激诱导的后续检测到的肌肉响应的时间；确定所述后续刺激和所述后续检测到的肌肉响应的所述时间之间的第二响应延迟；如果所述第二响应延迟与所述第一响应延迟的差异大于预定量，则提供警报。

条款12：根据条款1-11中任一项所述的神经监测系统，其中所述第一刺激具有第一电流量值，后续刺激具有第二电流量值，并且对所述第一刺激的检测到的诱导的肌肉响应具有机械肌动描记术输出信号量值；并且其中所述第二电流量值：与所述第一电流量值不同；并且是所述机械肌动描记术输出信号量值和阈值输出信号量值之间的差值的函数。

条款13：根据条款12所述的神经监测系统，其中所述第二电流量值与所述机械肌动描记术输出信号量值和阈值输出信号量值之间的所述差值成比例。

条款14：一种检测肌肉对人类受试者的体内治疗区域内提供的刺激的人工诱导的机械响应的方法，所述体内治疗区域包括支配所述肌肉的神经，所述方法包括：将周期性电刺激发射到所述体内治疗区域内的刺激器，所述周期性刺激至少包括在第一时间(T1)处开始的第一刺激和在第二时间(T2)处开始的第二连续刺激；从与所述肌肉机械连通的非侵入式机械传感器接收机械肌动描记术输出信号，其中所述机械肌动描记术输出信号对应于所述肌肉的感测到的机械运动；在响应时间窗口内分析所述机械肌动描记术输出信号，以确定所述感测到的运动是否表示所述肌肉的人工诱导的响应，其中所述响应窗口对应于所述肌肉对所述第一刺激的诱导响应很可能发生的时段，所述响应窗口在第三时间(T3)和第四时间(T4)之间延伸，使得T1≤T3

条款15：根据条款14所述的方法，还包括：仅在所述响应窗口内分析所述机械肌动描记术输出信号，以确定所述感测到的运动是否是人工诱导的肌肉响应。

条款16：根据条款14-15中任一项所述的方法，还包括：使用监督学习算法来检查所述响应窗口内的所述机械肌动描记术输出信号的一个或多个特征，以确定所述肌肉的所述感测到的机械运动是否是人工诱导的肌肉响应；并且其中所述监督学习算法用于将所述响应窗口内的所述机械肌动描记术输出信号分类成多个分类中的一个分类，所述多个分类包括：所述响应窗口表示所述肌肉的人工诱导的机械响应；以及所述响应窗口不表示所述肌肉的人工诱导的机械响应。

条款17：根据条款14-16中任一项所述的方法，其中(T

条款18：根据条款14-17中任一项所述的方法，还包括：从所述机械肌动描记术输出信号中识别至少部分地存在于所述响应窗口之外的信号成分；确定所述信号成分的频率分量；衰减来自所述响应窗口内的所述机械肌动描记术输出信号的所述频率分量；并且使用所述响应窗口内的所衰减的机械肌动描记术输出信号来确定肌肉事件的发生。

条款19：根据条款14-18中任一项所述的方法，还包括：在所述响应窗口内识别所述肌肉响应的时间；确定T1和所述肌肉响应的所述时间之间的第一响应延迟；在由所述刺激器提供的在第三时间(T3)处开始的第三刺激之后在第二响应窗口内识别第二肌肉响应的时间；确定T3和所述第二肌肉响应的所述时间之间的第二响应延迟；如果所述第二响应延迟与所述第一响应延迟的差异大于预定量，则提供警报。

条款20：根据条款14-19中任一项所述的方法，其中所述第一刺激具有第一电流量值，所述第二刺激具有第二电流量值，并且所述肌肉响应具有机械肌动描记术输出信号量值；并且其中发射所述周期性电刺激包括发射所述第二电流量值，使得所述第二电流量值：与所述第一电流量值不同；并且是所述机械肌动描记术输出信号量值和阈值输出信号量值之间的差值的函数。

条款21：一种机械肌动描记术传感器，所述机械肌动描记术传感器被配置成放置成与人类受试者的肌肉机械连通，所述机械肌动描记术传感器包括：非侵入式机械传感器，所述非侵入式机械传感器用于感测所述肌肉的机械运动并且生成对应于所感测到的机械运动的机械肌动描记术输出信号；通信装置，所述通信装置用于将所述机械肌动描记术输出信号发射到处理器，所述处理器用于：向刺激器提供周期性刺激，所述周期性刺激至少包括在第一时间(T1)处开始的第一刺激和在第二时间(T2)处开始的第二连续刺激；从所述机械传感器接收所述机械肌动描记术输出信号；在响应窗口内分析所述机械肌动描记术输出信号，以确定所述第一刺激是否诱导了所述肌肉的响应；其中所述响应窗口对应于对所述第一刺激的诱导响应很可能发生的时间段；并且其中所述响应窗口在第三时间(T3)和第四时间(T4)之间延伸，使得T1≤T3

条款22：根据条款21所述的机械肌动描记术传感器，其中所述机械传感器是三轴加速度计，所述三轴加速度计用于监测三个相互正交的轴上的加速度；并且其中所述处理器还用于使用根据所述三个轴中的每个轴上的所监测的加速度计算的合成向量的量值来确定所述第一刺激是否诱导了所述肌肉的响应。

条款23：根据条款22所述的机械肌动描记术传感器，其中所述处理器还用于：仅在所述肌肉在垂直于皮肤表面的方向上的运动的量值大于所述肌肉在与所述皮肤表面相切的方向上的运动的量值时，确定所述第一刺激是否诱导了所述肌肉的响应。