CN109803719A - 用于闭环确定电模拟系统的刺激参数设置的系统和方法 - Google Patents

Abstract

提供了一种用于促进确定和设置用于使用闭环编程对电刺激系统进行编程的刺激参数的方法或系统。例如，脉冲发生器反馈逻辑由处理器执行，以通过合并一个或多个机器学习引擎来与可植入脉冲发生器的控制指令对接，以自动生成所建议的刺激参数值集，每个刺激参数值影响了可植入脉冲发生器的刺激方面，接收一个或多个临床响应并考虑到所接收的临床响应而自动生成修订后的值集合，并重复自动接收临床响应并考虑了临床响应而调整刺激参数值，直到或除非达到停止条件或治疗响应指示在指定容差内为止。

Description

用于闭环确定电模拟系统的刺激参数设置的系统和方法

相关申请的交叉引用

本申请要求2016年10月14日提交的美国临时专利申请序列号62/408,399和2017年8月15日提交的美国临时专利申请序列号62/545,819的35 U.S.C§119(e)下的权益，其两者通过引用并入本文。

技术领域

本发明涉及可植入电刺激系统以及制造和使用该系统的方法的领域。本发明还涉及用于促进确定和设置用于对电刺激系统进行编程的刺激参数的系统和方法。

背景技术

可植入电刺激系统已经被证明治疗各种疾病和病症。例如，脊髓刺激系统已被用作治疗慢性疼痛综合征的治疗方式。周围神经刺激已被用于治疗慢性疼痛综合征和失禁，其中其它许多应用正在调查中。功能性电刺激系统已经被应用于恢复脊髓损伤患者中瘫痪四肢的一些功能。对大脑的刺激(诸如深部脑刺激)可以用于治疗各种疾病或病症。

已经开发出刺激器以提供用于各种治疗的疗法。刺激器可以包括：控制模块(具有脉冲发生器)、一个或多个引线、以及每个引线上的刺激器电极阵列。刺激器电极与要刺激的神经、肌肉或其它组织接触或接近其。控制模块中的脉冲发生器产生由电极递送到身体组织的电脉冲。

发明内容

一个实施例是一种使用闭环编程促进与患者相关联的可植入脉冲发生器的编程设置的系统，该系统包括计算机处理器和存储脉冲发生器反馈控制逻辑的存储器。脉冲发生器反馈逻辑由处理器执行，以通过以下动作与可植入脉冲发生器的控制指令对接：合并一个或多个机器学习引擎，自动生成建议的刺激参数值集，每个刺激参数值影响IPG的刺激方面；转发自动生成的建议的刺激参数值集，以相应地配置IPG的刺激参数；作为IPG被配置为建议的刺激参数值集的结果，接收一个或多个临床响应值；考虑到接收到的临床响应值，通过合并一个或多个机器学习引擎而自动生成修订后的建议的刺激参数值集；转发修订后的建议的集合以将IPG的刺激参数配置为修订后的建议的刺激参数值集；并且重复以下动作：作为IPG被配置为修订后的建议的集合的结果，接收一个或多个临床响应值；通过合并一个或多个机器学习引擎而自动生成修订后的建议的刺激参数值集、以及转发修订后的建议的刺激参数值集以相应地配置IPG的刺激参数，直到或除非已经达到停止条件或一个或多个接收到的临床响应值指示对应于指定容差内的治疗响应指示的值为止。

在该系统的至少一些实施例中，IPG是深部脑刺激器。

在该系统的至少一些实施例中，每个影响IPG的刺激方面的刺激参数值包括以下中的一个或多个：电极确定、电流振幅、电流频率、脉冲宽度、刺激的传播和/或焦点、和/或受刺激组织的几何形状。

在该系统的至少一些实施例中，至少一个刺激参数指示设置在电刺激器的引线上的电极的位置。在这些实施例的一些实施例中，电极是环形电极或分段电极。

在该系统的至少一些实施例中，至少一个刺激参数指示导致电流被限制在单个方向上的电极的位置。

在该系统的至少一些实施例中，从与患者相关联的传感器自动接收一个或多个临床响应值。在这些实施例的至少一些实施例中，从传感器接收临床响应值允许对IPG的编程自动化或至少半自动化，使得临床医生不需要在场以对IPG进行编程。

在该系统的至少一些实施例中，脉冲发生器反馈控制逻辑并入多个机器学习技术以自动生成建议的刺激参数值集和/或修订后的建议的刺激参数值集。在这些实施例的至少一些实施例中，机器学习技术被同时部署。在至少一些实施例中，多个学习技术基于生成(对应于指定容差内的治疗响应指示的)刺激参数值集的能力或基于其它度量而被自动评级(或排名)。这些评级可以在刺激参数设置内或在不同会话之间改变。

在该系统的至少一些实施例中，通过合并一个或多个机器学习引擎而自动生成修订后的建议的刺激参数值集还包括：使用一个或多个机器学习引擎，针对尚未接收到临床响应值的IPG的多个刺激参数的多个值而自动生成一个或多个预测治疗响应值；以及部分地基于预测治疗响应值中的至少一个，自动选择修订后的建议的刺激参数值集以配置IPG。在这些实施例的至少一些实施例中，多个机器学习引擎被部署为生成一个或多个预测治疗响应值的多个预测。在这些实施例的至少一些实施例中，用于配置IPG的修订后的建议的刺激参数值集考虑了预测治疗响应值中的至少一个，以确定要尝试的下一个刺激参数值集。

在该系统的至少一些实施例中，自动生成修订后的建议的多个刺激参数的值集是基于一个或多个规则的。在这些实施例的至少一些实施例中，规则对剩下的可能建议的值集进行排名。在这些实施例的至少一些实施例中，规则包括以下中的至少一个：基于在多次迭代内重试位置的规则，基于建议的刺激参数值集与已经测试的刺激参数值集的数学接近度的规则，基于导致不良副作用的刺激参数的值的规则，和/或基于相同刺激参数的值之间的步长的规则。

在该系统的至少一些实施例中，作为IPG被配置为建议的刺激参数值集的结果而接收一个或多个临床响应值指示出是否已经发生了不期望的副作用。

在该系统的至少一些实施例中，在每个后续迭代中以接触顺序确定修订后的建议的刺激参数值集，其中接触顺序意味着在测试引线上的下一次近端接触之前，沿着第一次接触进行测试，直到副作用过高(prohibitive)为止。在该系统的至少一些实施例中，通过选择性地选择沿着引线的主轴的接触并针对每个选择性选择的接触来改变其它刺激参数，在每个后续迭代中确定修订后的建议的刺激参数值集。

在该系统的至少一些实施例中，基于患者的模型、空间搜索算法或通过改变跳转到修订后的建议的刺激参数值集的跳转大小，而随机地在每个后续迭代中确定修订后的建议的刺激参数值集。在其它实施例中，可以使用其它技术或规则来确定修订后的建议的刺激参数值集。

另一个实施例是一种用于使用闭环编程来促进与患者相关联的电刺激器的编程设置的方法，该方法包括：接收多个刺激参数的指示和期望的治疗响应值的指示；自动生成初始建议的刺激参数值集，以用于测试根据这些初始值进行编程的电刺激器；基于在接受者上测试被编程的电刺激器而接收临床结果的指示，其中接收到的指示表明治疗响应值；使用机器学习，针对尚未接收到临床结果的指示的多个刺激参数的多个值而自动生成一个或多个预测治疗响应值；部分地基于预测治疗响应值中的至少一个，自动生成并指示下一个所建议的刺激参数值集，以用于测试被相应编程的电刺激器；并且重复以下动作：基于测试被编程的电刺激器而接收临床结果的指示、使用机器学习来自动生成一个或多个预测的治疗响应值、以及自动生成并指示下一个建议的刺激参数值集，以用于测试被相应编程的电刺激器，直到或除非已经达到停止条件或接收到的临床结果的指示表明在指定容差内的治疗响应值。

在该方法的一些实施例中，电刺激器是可植入脉冲发生器。在该方法的一些实施例中，至少一个刺激参数指示被设置在电刺激器的引线上的电极的位置。在该方法的一些实施例中，电极是环形电极或分段电极。在该方法的一些实施例中，至少一个刺激参数在多个方向上立刻产生电流刺激。在该方法的一些实施例中，至少一个刺激参数指示导致电流被限制在单个方向上的电极的位置。

在该方法的至少一些实施例中，多个刺激参数值包括以下中的一个或多个：电极位置、电流振幅、电流频率、脉冲宽度、刺激的传播、和/或受刺激组织的几何形状。

在该方法的至少一些实施例中，基于测试具有电刺激器的接受者而接收临床结果的指示表明是否已经发生了不期望的副作用。

在该方法的至少一些实施例中，使用机器学习，针对尚未接收到临床结果的指示的多个刺激参数的多个值而自动生成一个或多个预测治疗响应值使用了基于接受者或其它接受者的先验数据的训练数据集。

在该方法的至少一些实施例中，从数据储存库接收基于在接受者上测试电刺激器的临床结果的指示。

在该方法的至少一些实施例中，使用在先前的电刺激器编程会话中收集到的数据来确定初始建议的刺激参数值集。

在该方法的至少一些实施例中，多个机器学习技术被同时部署以生成一个或多个预测治疗响应值的多个预测，并且多个机器学习技术基于提供治疗响应测量结果的准确预测的能力而被自动评级。

在该方法的至少一些实施例中，自动生成下一个建议的刺激参数值集通过基于一个或多个规则对可能的刺激参数值集进行排名来确定下一个建议的集。在这些实施例的至少一些实施例中，规则对剩下的可能建议的值集进行排名。在这些实施例的至少一些实施例中，规则包括以下中的至少一个：基于在多次迭代内重试位置的规则，基于建议的刺激参数值集与已经测试的刺激参数值集的数学接近度的规则，基于导致不良副作用的刺激参数的值的规则，和/或基于相同刺激参数的值之间的步长的规则。

在该方法的至少一些实施例中，以接触顺序在每个后续迭代中确定下一个建议的刺激参数值集，其中接触顺序意味着沿着第一次接触进行测试直到在测试引线上的下一次邻近接触之前，副作用过高为止。在该方法的至少一些实施例中，通过选择性地选择沿着引线的主轴的接触并针对每个选择性选择的接触改变其它刺激参数，而在每个后续迭代中确定下一个建议的刺激参数值集。在该方法的至少一些实施例中，基于患者的模型或空间搜索算法，随机地在每个后续迭代中确定下一个建议的刺激参数值集。在该方法的至少一些实施例中，通过改变跳转到多个刺激参数的组合值的下一个建议的集合的跳转大小，在每个后续迭代中确定下一个建议的刺激参数值集。

在该方法的至少一些实施例中，针对多个刺激参数中的至少一些而定义值限制。

在该方法的至少一些实施例中，该方法被认为已经基于最快时间确定了最佳响应以确定：在指定容差内的治疗响应值，最接近期望的治疗响应值的治疗响应值，或者针对指定容差内的一些治疗响应值的最少电池用量。

又另一实施例是一种具有存储在其上的指令的计算机可读介质，该指令包括所描述的任何系统实施例的脉冲发生器反馈控制逻辑的任何动作，或者包括所描述的任何方法实施例的任何动作。

在至少一个实施例中，计算机可读介质包括控制计算机处理器通过执行方法来自动确定与患者相关联的可植入脉冲发生器(IPG)的编程设置的指令，该方法包括：自动生成所建议的多个刺激参数的值集，每个刺激参数值都影响IPG的刺激方面；致使IPG的刺激参数被设置为自动生成的所建议的刺激参数值集；接收作为IPG被设置为建议的刺激参数值集的结果的一个或多个临床响应值；通过合并一个或多个机器学习引擎，自动生成修订后的建议的刺激参数值集；致使IPG的刺激参数被设置为自动生成的修订后的所建议的刺激参数值集；并且重复：接收一个或多个临床响应值；通过合并一个或多个机器学习引擎，自动生成修订后的建议的刺激参数值集；以及致使IPG的刺激参数被设置为修订后的建议的刺激参数值集，直到或除非已经达到停止条件或接收到的一个或多个临床响应值指示对应于指定容差内的治疗响应测量结果的值为止。

在至少一个实施例中，介质是计算系统中的存储器。

附图说明

参考以下图来描述本技术的非限制性和非穷举性实施例。在图中，除非另有说明，否则相同的附图标记在各个图中指代相同的部件。

为了更好地理解本技术，将参考结合附图阅读的以下详细描述，在附图中：

图1是根据所述技术的电刺激系统的一个实施例的示意性视图；

图2是根据所述技术的电刺激引线的一个实施例的示意性侧视图；

图3A-3H是根据所述技术的包含环形电极和分段电极的引线的远端的不同实施例的示意性透视图；

图4是根据所述技术的用于对电刺激系统进行编程的计算系统的一个实施例的示意性框图；

图5是根据所述技术的用于确定电刺激器编程设置的反馈回路刺激参数控制系统的示意性框图；

图6A-6K是根据所述技术的用于使用反馈回路刺激参数控制系统来可视化刺激参数确定的用户界面的示例显示屏；

图7是根据所述技术的用于确定电刺激器编程设置的示例方法的示例流程图；

图8是用于使用预测治疗响应值生成要测试的修订后的建议的刺激参数值集的示例方法的示例流程图；

图9是临床效果映射图中的测试位置值的示例示意图。

具体实施方式

本发明涉及可植入电刺激系统以及制造和使用该系统的方法的领域。本发明还涉及用于使用机器学习技术自动确定有利的刺激参数值以探索和/或设置电刺激设备的参数的系统和方法。

合适的可植入电刺激系统包括但不限于至少一个引线，其具有设置在引线的远端上的一个或多个电极和设置在引线的一个或多个近端上的一个或多个端子。引线包括例如经皮引线、桨状引线、袖口引线(cuff lead)或电极在引线上的任何其它布置。具有引线的电刺激系统的示例在以下中找到：例如，美国专利号6181969；6516227；6609029；6609032；6741892；7244150；7450997；7672734；7761165；7783359；7792590；7809446；7949395；7974706；8175710；8224450；8271094；8295944；8364278；8391985；和8688235；以及美国专利申请公开号2007/0150036；2009/0187222；2009/0276021；2010/0076535；2010/0268298；2011/0005069；2011/0004267；2011/0078900；2011/0130817；2011/0130818；2011/0238129；2011/0313500；2012/0016378；2012/0046710；2012/0071949；2012/0165911；2012/0197375；2012/0203316；2012/0203320；2012/0203321；2012/0316615；2013/0105071；和2013/0197602，所有这些都通过引用并入。在下面的讨论中，将举例说明经皮引线，但将理解的是，本文所述的方法和系统也适用于桨状引线和其它引线。

用于电刺激(例如，深部脑刺激或脊髓刺激)的引线包括刺激电极，其可以是仅部分地围绕引线的圆周延伸的分段电极、环形电极、或任何其它类型的电极，或其任何组合。分段电极可以以电极的集合而被提供，其中每个集合具有在特定纵向位置处在引线周围圆周分布的电极。为了说明的目的，本文描述的引线、系统和方法涉及针对深部脑刺激的使用，但是将理解的是，任何引线、系统和方法可以用于除了深部脑刺激之外的应用，包括脊髓刺激，周围神经刺激，背根神经节刺激或其它神经、肌肉和组织的刺激。

转到图1，电刺激系统10的一个实施例包括一个或多个刺激引线12和可植入脉冲发生器(IPG)14。系统10还可以包括外部遥控器(RC)16、临床医生的编程器(CP)18、外部试验刺激器(ETS)20或外部充电器22中的一个或多个。

IPG 14可选地经由一个或多个引线延伸部24物理地连接到一个或多个刺激引线12。每个引线承载了被布置成阵列的多个电极26。IPG 14包括脉冲发生电路，其根据刺激参数的集合以例如脉冲电波形(即，时间序列的电脉冲)的形式将电刺激能量递送到电极阵列26。可植入脉冲发生器可以被植入到患者体内，例如，在患者的锁骨区域下方或在患者的臀部或腹腔内。可植入脉冲发生器可以具有八个或十六个刺激信道，其可以是独立可编程的以控制来自每个信道的电流刺激的幅度。在一些实施例中，可植入脉冲发生器可以具有多于或少于八个或十六个刺激信道(例如，4-、6-、32-或更多个刺激信道)。可植入脉冲发生器可以具有一个、两个、三个、四个或更多个连接器端口，以用于接收引线的端子。

ETS 20也可以可选地经由经皮引线延伸部28和外部电缆30物理地连接到刺激引线12。可以具有与IPG 14类似的脉冲发生电路的ETS 20也根据刺激参数的集合以例如脉冲电波形的形式将电刺激能量递送到电极阵列26。ETS 20和IPG 14之间的一个差异在于ETS20通常是不可植入设备，其在已经植入神经刺激引线12之后且在植入IPG 14之前在试验的基础上来使用，以测试要提供的刺激的响应性。本文关于IPG 14描述的任何功能同样可以关于ETS 20来执行。

RC 16可以用于经由单向或双向无线通信链路32与IPG 14或ETS 20遥测通信或控制IPG 14或ETS 20。一旦植入IPG 14和神经刺激引线12，RC 16就可以用于经由单向或双向通信链路34与IPG 14遥测通信或控制IPG 14。这种通信或控制允许IPG 14打开或关闭，并用不同的刺激参数集进行编程。IPG 14还可以被操作为修改被编程的刺激参数以主动控制IPG 14输出的电刺激能量的特性。CP 18允许用户(诸如临床医生)具有在手术室和后续会话中对用于IPG 14和ETS 20的刺激参数进行编程的能力。

CP 18可以经由无线通信链路36通过RC 16与IPG 14或ETS 20间接通信来执行该功能。可替换地，CP 18可以经由无线通信链路(未示出)与IPG 14或ETS 20直接通信。由CP18提供的刺激参数也用于对RC 16进行编程，使得可以通过RC 16以独立模式(即，没有CP18的帮助)操作来随后修改刺激参数。

出于简洁的目的，本文将不再进一步描述RC 16、CP 18、ETS 20和外部充电器22的细节。这些设备的示例性实施例的细节在美国专利号6895280中公开，其通过引用被明确地并入本文。电刺激系统的其它示例可以在以下找到：美国专利号6181969；6516227；6609029；6609032；6741892；7949395；7244150；7672734；和7761165；7974706；8175710；8224450；和8364278；以及美国专利申请公开号2007/0150036，以及上面引用的其它参考文献，所有这些都通过引用并入。

图2是电刺激引线的一个实施例的示例示意性侧视图。图2示出了引线110，其具有沿着引线的远端部分至少部分地围绕引线110的圆周而设置的电极125和沿着引线的近端部分而设置的端子145。引线110可以被植入在待刺激的身体的所需部分附近或其内部，诸如例如大脑、脊髓或其它身体器官或组织。在用于深部脑刺激的操作的一个示例中，可以通过用颅骨钻(通常称为骨钻(burr))在患者的头骨或颅骨中钻孔并且凝固和切割硬脑膜或大脑覆盖来完成对脑中的期望位置的访问。可以在探针(未示出)的帮助下将引线110插入到颅骨和脑组织中。可以使用例如立体定位框架和微驱动电机系统将引线110引导到大脑内的目标位置。在一些实施例中，微驱动电机系统可以是完全自动或部分自动的。微驱动电机系统可以被配置为执行一个或多个以下动作(单独或组合)：插入引线110、推进引线110、缩回引线110、或旋转引线110。

在一些实施例中，耦合到由目标神经元刺激的肌肉或其它组织的测量设备，或响应于患者或临床医生的单元，可以耦合到可植入脉冲发生器或微驱动电机系统。测量设备、用户或临床医生可以指示目标肌肉或其它组织对刺激或一个或多个记录电极的响应，以进一步识别目标神经元并促进对一个或多个刺激电极的定位。例如，如果目标神经元被引导到经历震颤的肌肉，则测量设备可以用于观察肌肉并指示响应于神经元刺激的例如震颤频率或振幅的变化。可替换地，患者或临床医生可以观察肌肉并提供反馈。

用于深部脑刺激的引线110可以包括刺激电极、记录电极或两者。在至少一些实施例中，引线110是可旋转的，使得在已经使用记录电极定位神经元之后，刺激电极可以与目标神经元对准。

刺激电极可以被设置在引线110的圆周上以刺激目标神经元。刺激电极可以是环形的，使得电流沿着引线110的长度从电极的位置在每个方向上均等地从每个电极射出(project)。在图2的实施例中，电极120中的两个是环形电极120。环形电极通常不能使刺激电流仅从引线周围的有限角度范围被引导。然而，分段电极130可以用于将刺激电流引导到引线周围的所选角度范围。当分段电极与递送恒定电流刺激的可植入脉冲发生器结合使用时，可以实现电流转向(current steering)以更精确地将刺激递送到引线的轴线周围的位置(即，引线的轴线周围的径向定位)。为了实现电流转向，除了环形电极之外或作为环形电极的替代，可以利用分段电极。

引线100包括引线主体110、端子145、和一个或多个环形电极120以及一组或多组分段电极130(或电极的任何其它组合)。引线主体110可以由生物相容的非导电材料形成，诸如例如聚合材料。合适的聚合材料包括但不限于硅树脂、聚氨酯、聚脲、聚氨酯脲、聚乙烯等。一旦植入体内，引线100可以在延长的时间段内与身体组织接触。在至少一些实施例中，引线100的横截面直径不大于1.5mm并且可以在0.5到1.5mm的范围内。在至少一些实施例中，引线100具有至少10cm的长度，并且引线100的长度可以在10到70cm的范围内。

电极125可以使用金属、合金、导电氧化物或任何其它合适的导电生物相容性材料制成。合适材料的示例包括但不限于铂、铂铱合金、铱、钛、钨、钯、钯铑等。优选地，电极由生物相容的并且在预期的使用持续时间内在操作环境中在预期操作条件下基本不会腐蚀的材料制成。

可以使用或不使用(OFF)每个电极。当使用电极时，电极可以用作阳极或阴极并承载阳极或阴极电流。在一些情况下，电极在一段时间内可以是阳极且在一段时间内可以是阴极。

深部脑刺激引线和其它引线可以包括一组或多组分段电极。分段电极可以提供比环形电极更好的电流转向，这是因为深部脑刺激或其它刺激中的目标结构通常不是关于远侧电极阵列的轴线对称的。取而代之的是，目标可以位于穿过引线轴线的平面的一侧上。通过使用径向分段电极阵列(“RSEA”)，电流转向不仅可以沿着引线的长度而且可以围绕引线的圆周来执行。这提供了精确的三维靶向和将电流刺激递送到神经靶组织，同时可能避免对其它组织的刺激。具有分段电极的引线的示例包括：美国专利号8473061；8571665；和8792993；美国专利申请公开号2010/0268298；2011/0005069；2011/0130803；2011/0130816；2011/0130817；2011/0130818；2011/0078900；2011/0238129；2012/0016378；2012/0046710；2012/0071949；2012/0165911；2012/197375；2012/0203316；2012/0203320；2012/0203321；2013/0197424；2013/0197602；2014/0039587；2014/0353001；2014/0358208；2014/0358209；2014/0358210；2015/0045864；2015/0066120；2015/0018915；2015/0051681；美国专利申请序列号14/557211和14/286797；以及美国临时专利申请序列号62/113291，所有这些都通过引用并入本文。

任何数量的分段电极130可以设置在引线主体110上，包括例如一个、两个、三个、四个、五个、六个、七个、八个、九个、十个、十一个、十二个、十三个、十四个、十五个、十六个或更多个分段电极130。将理解的是，任何数量的分段电极130可以被设置为沿着引线主体110的长度。分段电极130通常围绕引线的圆周仅延伸75％、67％、60％、50％、40％、33％、25％、20％、17％、15％或更少。

分段电极130可以被分组成分段电极的集合，其中每个集合被设置在引线100的特定纵向部分处围绕引线100的圆周。引线100可以具有给定集合的分段电极中的任何数量的分段电极130。引线100可以具有给定集合中的一个、两个、三个、四个、五个、六个、七个、八个或更多个分段电极130。在至少一些实施例中，引线100的分段电极130的每个集合包含相同数量的分段电极130。引线100上设置的分段电极130可以包括与引线100上设置的分段电极130的至少一个其它集合不同数量的电极。

分段电极130的尺寸和形状可以变化。在一些实施例中，分段电极130具有相同的尺寸、形状、直径、宽度或面积或其任何组合中的所有。在一些实施例中，每个圆周集合的分段电极130(或甚至是引线100上设置的所有分段电极)的尺寸和形状可以相同。

每个集合的分段电极130可以围绕引线主体110的圆周设置，以形成围绕引线主体110的基本上圆柱的形状。给定集合的分段电极的各个电极之间的间隔可以与引线100上的另一集合的分段电极的各个电极之间的间隔相同或不同。在至少一些实施例中，在围绕引线主体110的圆周的每个分段电极130之间设置相等的间隔、间隙或切口(cutout)。在其它实施例中，分段电极130之间的间隔、间隙或切口的尺寸或形状可以不同。在其它实施例中，对于特定集合的分段电极130或者对于所有集合的分段电极130，分段电极130之间的间隔、间隙或切口可以是均匀的。分段电极130的集合可以被定位成沿着引线主体110长度的不规则的或者规则的间距。

附接到环形电极120或分段电极130的导线(未示出)沿着引线主体110延伸。这些导线可以延伸穿过引线100的材料或沿着由引线100限定的一个或多个内腔延伸，或者两者都有。导线将电极120、130耦合到端子145。

图3A-3H示出了具有分段电极330、可选环形电极320或尖端电极320a的引线300和引线主体310的不同实施例。分段电极330的集合每个都包括两个(图3B)、三个(图3E-3H)、或四个(图3A、3C和3D)或任何其它数量的分段电极，包括例如三个、五个、六个或更多个。分段电极330的集合可以彼此对准(图3A-3G)或交错(图3H)。

当引线100包括环形电极120和分段电极130两者时，环形电极120和分段电极130可以以任何合适的配置布置。例如，当引线100包括两个环形电极120和两个集合的分段电极130时，环形电极120可以位于两个集合的分段电极130的侧面(参见例如图2、3A和3E-3H-环形电极320和分段电极330)。可替换地，两个集合的环形电极120可以被设置为接近两个集合的分段电极130(参见例如图3C-环形电极320和分段电极330)，或者两个集合的环形电极120可以被设置为远离两个集合的分段电极130(参见例如图3D-环形电极320和分段电极330)。环形电极中的一个可以是尖端电极(参见图3E和3G的尖端电极320a)。将理解的是，其它配置也是可能的(例如，交替的环形电极和分段电极等)。

通过改变分段电极130的位置，可以选择目标神经元的不同覆盖范围。例如，如果医生预期的是神经目标将更接近引线主体110的远尖端，则图3C的电极布置可能是有用的，而如果医生预期的是神经目标将更靠近引线主体110的近端，则图3D的电极布置可能是有用的。

环形电极120和分段电极130的任何组合可以被设置在引线100上。例如，引线可以包括第一环形电极120，两个集合的分段电极(每个集合由四个分段电极130形成)，以及在引线末端处的最后环形电极120。该配置可以简称为1-4-4-1配置(图3A和3E-环形电极320和分段电极330)。用这种速记符号指代电极可以是有用的。因此，图3C的实施例可以被称为1-1-4-4配置，而图3D的实施例可以被称为4-4-1-1配置。图3F、3G和3H的实施例可以称为1-3-3-1配置。其它电极配置包括例如2-2-2-2配置(其中四个集合的分段电极被设置在引线上)和4-4配置(其中两个集合的分段电极被设置在引线上，每个集合具有四个分段电极130)。图3F、3G和3H的1-3-3-1电极配置具有两个集合的分段电极，每个集合包含围绕引线的圆周设置的位于两个环形电极(图3F和3H)或环形电极和尖端电极(图3G)两侧的三个电极。在一些实施例中，引线包括16个电极。16-电极引线的可能配置包括但不限于4-4-4-4；8-8；3-3-3-3-3-1(以及该配置的所有重新布置)；以及2-2-2-2-2-2-2-2。

可以使用分段电极和/或环形电极的任何其它合适的布置，包括但不限于美国临时专利申请序列号62/113291和美国专利申请公开号2012/0197375和2015/0045864中公开的那些，所有这些通过引用并入本文。作为示例，其中分段电极相对于彼此螺旋布置的布置。一个实施例包括双螺旋。

一个或多个电刺激引线可以被植入在患者体内(例如，在患者的大脑或脊髓中)并用于刺激周围组织。一个或多个引线耦合到可植入脉冲发生器(诸如图1中的IPG14)。植入后，临床医生将使用临床医生编程器、遥控器或其它编程设备对可植入脉冲发生器进行编程。根据至少一些编程技术，临床医生输入用于刺激程序的刺激器参数，并且刺激程序用于刺激患者。临床医生观察患者反应。在至少一些情况下，临床医生要求患者描述、评级或以其它方式提供关于刺激效果的信息，诸如身体的哪个部分受影响、刺激效果有多强、是否存在副作用或负面影响等。

在至少一些情况下，临床医生可以远离患者。例如，临床医生可以在另一个房间、治疗或护理机构、城市、州或甚至国家。这可能是有利的，这是因为它可以允许熟练的临床医生与远离临床医生的患者进行交互而不要求临床医生出差或损失时间。作为另一示例，患者可以在手术后被送回家，并且临床医生可以在患者在家时对设备进行远程编程。

然而，这种远程编程可能遇到困难，诸如例如，有限的带宽、语言障碍患者、耳聋患者、与临床医生说不同语言的患者、电话或患者与临床医生之间的视频连接的噪声、由于助听设备而造成的患者听力困难等。

另外，用于对电刺激系统进行编程(诸如通过对图1中的IPG 14进行编程)的当前技术是冗长的试错过程，其仅探索某些可能的编程参数。通过引入多个独立的电流源和复杂的引线几何形状，探索哪些参数进行操作以及如何对它们进行编程变得更难以表达和可视化以及设置和跟踪。

因此，在至少一些情况下，可能需要使用诸如本文所述的半自动或全自动系统对可植入脉冲发生器(或其它深部脑刺激设备)进行编程，其获得来自患者的反馈使用机器学习技术产生新的刺激器参数值，并测试参数值以确定它们是否已经引起更理想的治疗响应。该过程迭代，直到确定刺激参数值引起指定容差内的治疗响应或直到达到停止条件为止。获得的反馈与机器学习技术结合使用以探索参数值的刺激参数空间，其潜在地为患者提供更好的结果、对设备的更快编程、增加的电池寿命和/或控制多个独立的电流源和定向的引线。确定哪些参数值引起指定容差内或其它潜在可指定的参数(诸如，具有最少的电池使用和最快的)内的治疗响应也被称为发现“最佳的”刺激参数值。

在一些情况下，反馈回路刺激参数控制系统是完全自动的，并且从与患者相关联的一个或多个传感器获得对刺激参数值的变化的响应。具有传感器允许响应由反馈回路刺激参数控制系统直接监视，而不是取决于患者反馈的潜在主观输入。该自动化系统向基于机器学习的控制系统提供反馈回路，该基于机器学习的控制系统试图基于来自患者的可观察量(或其它患者数据)和一组规则来智能地选择新的参数值。使用机器学习技术的深部脑刺激器的反馈回路编程关于图5-8进一步详细讨论。本文使用深部脑刺激作为系统和方法的示例，但是将理解的是，该系统和方法可以用于其它刺激技术，包括但不限于脊髓刺激、外周神经刺激、器官刺激等。

在至少一个实施例中，诸如图5-8中描述的反馈回路刺激参数控制系统可以考虑电极的类型(例如，环形电极或分段电极)以及电极在引线上的位置。在确定最佳参数值时，这些不同类型的电极在对刺激参数空间的探索中引起复杂性。当控制系统确定如何在刺激参数空间内移动以探索要测试的下一参数值集时，系统可以在分段电极之间相比于从环形电极到分段电极、从环形电极到环形电极等不同地进行移动。因此，可以存在于引线上的不同类型的电极可以通过示例刺激参数反馈回路控制系统导致不同的计算和确定。

在至少一些情况下，治疗医师可能希望定制用于特定患者的刺激参数(诸如要使用的刺激电极接触、刺激脉冲振幅(例如取决于正使用的刺激器的电流或电压振幅)、刺激脉冲宽度、刺激频率等(或其任何组合)中的哪一个或哪些多个)，以提高治疗的有效性。

在常规电刺激(例如深部脑刺激或脊髓刺激)中执行的编程过程通常在初始会话中执行，并且在至少一些情况下，在稍后的会话中执行。该过程可以涉及，例如，测试不同的刺激参数集合(其可以包括所选择的电极的变化以及诸如振幅、持续时间、脉冲频率等的不同电参数)并且当存在有益的治疗效果或不希望的副作用时进行注释。在至少一些实施例中，临床医生执行单极检查，以单独测试每个电极并记录针对引线上的每个电极的治疗/有益效果和副作用，其对应于刺激振幅或其它刺激参数的不同值。临床医生还可以使用两个或更多个电极执行双极或多极检查。

与这些传统方法相比，这里描述的反馈回路刺激参数控制系统可以用于提供信息(例如，要设置哪些刺激参数和什么值)或者可以被集成到刺激系统的其它组件中以在对设备进行编程时设置刺激参数。例如，反馈回路刺激参数控制系统可以与编程软件(诸如IPG软件)集成。另外，反馈回路刺激参数控制系统可以被集成到临床响应软件中，以基于观察到的(或检测到的)临床响应提供推荐或新设置。在至少一些实施例中，刺激参数反馈回路控制系统、编程软件和临床响应软件所有都是集成的。

在这些场景中的至少一些场景中，临床医生可以使用反馈回路刺激参数控制系统以在编程期间监视患者，将数据(诸如刺激参数值)传递到另一个设备，或者可以不被涉及—反馈回路刺激参数控制系统可以用于确定刺激参数并在没有临床医生的情况下设置患者的设备。

可以预期临床医生的参与程度和反馈回路刺激参数控制系统进入刺激系统的总体环境的位置的所有这种排列(permutation)。

图4示出了用于运行刺激参数反馈回路控制系统的软件、硬件或固件实施例的计算设备400的一个实施例。计算设备400包括处理器402和存储器404、显示器406和输入设备408。可选地，计算设备400可以连接到电刺激系统412(诸如图1中的系统10)或以其它方式与电刺激系统412集成。例如，在一些实施例中，计算设备400是电刺激系统412的一部分，诸如临床医生编程器18(图1)、遥控器16(图1)或外部试验刺激器20(图1)的一部分。在其它实施例中，计算设备400与电刺激系统412分离。

计算设备400可以是计算机、平板电脑、移动设备或用于处理信息的任何其它合适的设备。计算设备400可以是用户本地的，或者可以包括计算机(包括处理器402或存储器404(或其部分)中的一个或两个)非本地的组件。例如，在一些实施例中，用户可以操作被连接到非本地处理器或存储器的端子。

计算设备的其它示例可以包括手表、腕带、智能电话等。这种计算设备可以与电刺激系统的其它组件(诸如临床医生编程器18(图1)、遥控器16(图1)、外部试验刺激器20(图1)或IPG 14(图1))无线通信。这种设备还可以有用于收集患者信息，诸如一般活动水平或对患者的当前查询或测试，以识别或评分疼痛、抑郁、刺激效果或副作用、认知能力等。例如，设备可以要求患者进行对监视例如阿尔茨海默氏病的认知能力的定期测试(例如，每天)。这种设备还可以用于感测患者对治疗的响应，诸如例如震颤、心率等。该设备可以与临床医生编程器18(图1)、遥控器16(图1)、外部试验刺激器20(图1)或IPG 14(图1)通信，以使用闭环算法引导刺激参数的变化，如下所述，该闭环算法可以在设备或IPG上。该设备可以仅在编程会话期间给予患者佩戴；或者，它可以一直佩戴并不断调整刺激参数。该算法可以在患者的手机上，其连接到IPG并且可能地连接到评估设备(例如，腕带或手表)，以对刺激参数进行改变。这些设备还可以用于记录信息并将信息发送给临床医生。

计算设备400可以利用包括一个或多个硬件处理器的任何合适的处理器402，一个或多个硬件处理器可以是用户本地的或者是用户非本地的或计算设备的其它组件。处理器402被配置为执行提供给处理器的指令。

任何合适的存储器404可以用于计算设备402。存储器404示出了一种类型的计算机可读介质，即计算机可读存储介质。计算机可读存储介质可以包括但不限于以用于存储信息的任何方法或技术实现的非易失性、非暂时性、可移除的和不可移除的介质，诸如计算机可读指令、数据结构、程序模块或其它数据。计算机可读存储介质的示例包括RAM、ROM、EEPROM、闪存或其它存储器技术、CD-ROM、数字通用盘(“DVD”)或其它光学存储、磁带盒、磁带、磁盘存储或其它磁存储设备、或可用于存储所需信息并且可由计算设备访问的任何其它介质。

通信方法提供另一种类型的计算机可读介质；即通信介质。通信介质通常以已调制数据信号(诸如载波、数据信号或其它传输机制)来体现计算机可读指令、数据结构、程序模块或其它数据并且包括任何信息递送介质。术语“已调制数据信号”和“载波信号”包括以下信号，其具有以将信息、指令、数据等编码在信号中的方式设置或改变其一个或多个特性。举例来说，通信介质包括有线介质(诸如双绞线、同轴电缆、光纤、波导、以及其它有线介质)和无线介质(诸如声音、RF、红外线、蓝牙^TM、近场通信和其它无线介质)。

显示器406可以是任何合适的显示器或呈现设备(诸如监视器、屏幕、显示器等)，并且可以包括打印机。输入设备408可以是例如键盘、鼠标、触摸屏、跟踪球、操纵杆、语音识别系统或其任何组合等。另一输入设备408可以是摄像头，临床医生可以从该摄像头观察患者。又另一输入设备408是麦克风，其中患者或临床医生可以提供响应或查询。

电刺激系统412可以包括例如图1中所示的任何组件。电刺激系统412可以通过有线或无线连接与计算设备400通信，或者可替换地或另外地，用户可以使用计算机可读介质或通过一些其它机制来提供电刺激系统412和计算设备400之间的信息。如所提到的，在一些实施例中，计算设备400可以包括电刺激系统的一部分，诸如例如IPG、CP、RC、ETS或其任何组合。

图5是示例反馈回路刺激参数控制系统的示例框图。在至少一些实施例中，反馈回路刺激参数控制系统(FLSPCS)500包括脉冲发生器反馈控制逻辑501，其确定并发送参数(504)以配置深部脑刺激器控制器505(诸如图1中的IPG 14或ETS20)。然后，深部脑刺激器控制器505修改各种引线(诸如图2中的引线100或图3A-3H中的引线300)的刺激参数，这可能对其中植入IPG的患者506产生不同的影响。患者506提供反馈，其被作为临床响应值508报告给脉冲发生器反馈控制逻辑501。在一些实施例中，患者506经由传感器507自动或半自动地提供反馈，其被作为临床响应值508发送到脉冲发生器反馈控制逻辑501。然后，控制逻辑501基于接收到的反馈508并基于由一个或多个机器学习引擎502实现的模型来调整刺激参数503的值。然后，控制逻辑501发送这些经调整的(新的或被修订的)刺激参数值(504)以进一步配置控制器505以将植入在患者506中的引线的刺激参数改变为经调整的值。然后，反馈控制循环继续，直到达到被认为是最佳的、期望的或可接受的结果为止，或者直到达到某些其它停止条件(诸如迭代次数、在编程会话中花费的时间等)为止。如果结果满足一定阈值或测试(例如，患者的结果更好、设备的编程更快、电池寿命增加和/或控制多个独立的电流源和定向的引线)，则该结果可以被认为是最佳的、期望的或可接受的。

在一些实施例中，可以根据测试发生时的时间对临床响应值508进行加权。已经发现的是，对于至少一些患者或至少一些测试程序，患者疲劳随时间推移而发生，这可能降低或以其它方式改变临床响应值(无论从患者、临床医生还是传感器获得)。例如，更近期的临床响应值508可以被加权高于较早的临床响应值，这是因为更近期的临床响应值更能预测对经调整的刺激参数的临床响应，这是因为这些后来的测试具有相似量的患者疲劳。权重的示例可以是但不限于1.05至1.5范围内的值。

注意的是，在至少一些实施例中，FLSPCS 500可以自己执行并且不连接到控制器。在这种情况下，它可以仅用于确定和建议编程参数、可视化参数空间、测试潜在参数等。

在至少一些实施例中，机器学习引擎502促进反馈回路刺激参数控制系统(或系统的用户)以探索可能的刺激参数空间，以便选择用于编程深部脑刺激器控制器505的值。有监督或无监督的任何类型的机器学习引擎(包括例如朴素贝叶斯分类器、支持向量机(SVM)、集成分类器、神经网络、卡尔曼滤波器、回归分析器等)可以被并入到反馈回路刺激参数控制系统500中。机器学习引擎502在FLSPCS 500中的作用是预测各种刺激参数值的结果，以帮助(例如，临床医生)更有效和更高效地探索刺激参数空间，以产生最佳的、期望的或可接受的结果。也就是说，机器学习引擎502通常在数据上训练自己以生成数据模型。(在有监督的机器学习中，数据是先验已知的；在无监督的机器学习中，模型在不具有已知初始结构的情况下从数据导出。)使用所导出的数据模型，引擎502可以基于它已经“知道”的内容而预测关于新片段的未知数据的信息或对新片段的未知数据进行分类。

在这种情况下，机器学习引擎502构建了用于预测刺激参数值集的结果的模型。刺激参数值集定义了正被确定的每个刺激参数的值。例如，如果当前振幅和接触位置是正被探索或调整的刺激参数，则刺激参数值集是以下一组值—用于振幅的一个值和描述接触位置的一个或多个值(分段接触可以具有x、y、z方向分量以及引线轴线上的位置)。如果每个刺激参数值集的结果满足一定标准，则其可以被进一步描述为“最佳的”。最佳结果度量可以是预先指定的或可设置的(可变的)，并且指代诸如以下的属性：1)结果的时间—最快的最佳结果(假设具有相同临床响应的多个结果)；2)最佳结果—在所选参数集内的最可能的临床结果(全局最佳设置对局部最佳设置)；和/或3)电池节省—电池使用最少的最佳结果(假设具有相同临床响应的多个结果)。

在一些实施例中，机器学习引擎502可以利用成像数据来通知对下一值集的选择。当算法发现自己处于相当平坦的参数空间区域并且仅从患者响应中的下一步骤选择是不明显的时，这将是特别有用的。提供关于引线在患者大脑中的位置的信息的成像数据以及通知算法哪些方向可能是下一步骤的更好选择的先验可以导致更快的收敛。

在一些实施例中，机器学习引擎502基于引擎到目前为止已经“学习”的内容来确定尚未测试的参数值的预期结果，并提供对要测试的下一值集的推荐。这里，测试是指寻找用于配置深部脑刺激控制器505的最佳参数所要求的迭代测试。对要测试的下一值集的推荐是基于所确定的预期结果中的哪些满足一组指定的(确定的、选择的、预选的等)标准(例如，规则、启发、和因素等)。例如，考虑的规则可以包括诸如以下因素：下一值集不能是被测试的最后10个设置之一，或者不能太接近先前测试的设置。参考图7和8描述了附加的这种规则的示例。因此，脉冲发生器反馈控制逻辑501及其机器学习引擎502用于基于到目前为止其所学习的内容和(可选地)不同规则和/或启发(其有助于更高效地实现最佳结果)来系统地探索刺激参数空间。

确定尚未测试的参数值(集)的预期结果的过程可以涉及使用其它数据进行机器学习。例如，来自同一患者的其它编程会话以及来自其它患者的数据可用于训练机器学习引擎502。在一些实施例中，可以不使用先验数据。在这种情况下，机器学习引擎502将仅在一个特定设置中使用从该患者学习到的数据。在其它实施例中，可以使用来自相同患者但来自先前会话的数据。在一些实施例中，可以使用来自所有会话的所有患者数据。在一些实施例中，可以使用利用引线位置信息(空间中的引线位置相对于解剖结构的知识)的所有患者数据。不同的其它组合也是可能的。

为了将该数据用于机器学习目的，数据首先被清理、可选地转换、并然后建模。在一些实施例中，导出新变量，诸如与定向引线一起使用，包括刺激的中心点、最大半径、刺激场的传播等。诸如缺失数据填补和尺寸减小的数据清理和转换技术可以用于准备数据进行建模。如果没有使用先验数据，则可以不需要该步骤。(随着系统500观察到更多数据，建立该模型。)

在一些实施例中，不同类型的模型可以用于拟合刺激参数数据，诸如(包括但不限于)：

1.基于函数的模型(样条、小波、核回归、加性模型、广义加性模型等)；

2.空间模型或时空模型(变差函数、动态模型或静态模型、随机场、连接函数等)；

3.时间序列模型(自回归、移动平均、自回归条件异方差模型及其变体—ARMA、VARMA、VARMAX、ARIMA、GARCH等)；

4.潜变量模型(因子分析、结构方程建模、隐马尔可夫模型等)；

5.图模型(有向无环图、贝叶斯网络、无向图等)；

6.其它模型(线性回归或非线性回归、混合模型、层次模型等)。

另外，当使用多于一个机器学习引擎502时，每个机器学习引擎502可以使用彼此不同的类型来导出其自己的模型(尽管不是必需的)。当这发生时，逻辑501可以让每个机器学习引擎502得出其自己的结论，以推荐要测试的下一刺激参数值集。在一些情况下，机器学习引擎502可以通过具有历史上提供的最佳答案的引擎的推荐对推荐进行“投票”，该推荐可能被比不具有历史上提供的最佳答案的引擎所确定的那些更高地加权。其它变体和其它投票方案也是可能的。

机器学习引擎502还可以希望确定预测结果如何最好地满足最佳结果度量。为此，在一些实施例中，可以使用各种不同的优化技术，包括：

1.用于使模型拟合数据的所有优化算法和估计过程(例如，梯度下降、卡尔曼滤波器、马尔可夫链、蒙特卡罗等)；

2.为搜索重新制定的优化算法(例如，模拟退火)；

3.空间插值(例如，克里金法、反距离加权、自然邻域等)；

4.有助于优化过程的补充方法(例如，变量选择、正则化、交叉验证等)；和

5.搜索算法(例如，“黄金分割”搜索、二分搜索等)。

使用这些技术，机器学习引擎502可以决定刺激参数值集的特定预测结果是否是例如最快的最佳结果、最好的可能的临床结果、或具有最少电池使用的最佳结果。

如所提到的，在一些实施例中，黄金分割搜索可以用作优化算法以确定预测结果是否满足最佳结果度量。黄金分割搜索被如下执行：

-首先在一个维度中搜索，然后在后续维度中搜索；

-搜索维度被分解成几部分，相对临床得分确定被排除的空间部分，并且搜索迭代地继续；

-搜索范围和/或ε值可以自适应为接近理想位置；

-对于圆柱形引线，维度通常是振幅和接触位置；对于定向引线，可以添加旋转角度。

其它实施例可以支持其它类型的搜索和/或优化算法。在一些实施例中，结果的优化可以与初始搜索可接受结果同时地执行，或者可以在不同时间执行。

如所提到的，脉冲发生器反馈控制逻辑501可以用于搜索和配置(和/或可视化和/或测试)各种引线的不同类型的刺激参数，这可能对植入IPG的患者506造成不同的影响。反馈回路刺激参数控制系统500的实施例可以支持要配置的各种不同刺激参数，包括以下中的一个或多个：

1.触点配置/极性

a.仅单极—仅使用单触点阴极

b.单极和细分(fractionalization)—使用单触点阴极或两个相邻触点的阴极(例如，哪些电极打开/关断以使电流转向)

c.仅双极—使用相邻触点作为阳极—阴极，搜索所有可能的配对

d.任何可能的设置—包括阳极的给定系统的所有可能配置

2.脉冲宽度

a.单个脉冲宽度—仅使用单个脉冲宽度进行整个搜索(例如，60us、30us)

b.多个脉冲宽度—允许在不同的脉冲宽度之间进行搜索

3.频率

a.单个频率—仅使用单一频率进行整个搜索(例如，130Hz)

b.多个频率—允许在不同频率之间进行搜索

4.振幅

a.单个振幅—仅使用单个振幅进行整个搜索

b.多个振幅—允许在不同的振幅处进行搜索

给定这些可能的刺激参数，FLSPCS 500可以以不同的顺序、以不同的增量在参数空间周围移动，并被限制在特定范围。即，在FLSPCS 500的一些实施例中，用于确定要测试的增量步骤的技术可以包括以下中的一个或多个(包括其中组合有意义的组合)：

1.基本单极审查—沿着单触点前进直至副作用过高为止，然后进入相邻控制

2.转向—选择触点、增加振幅直到看到治疗效果为止，沿引线的主轴转向(上下并围绕移动—环绕—引线)

3.基于模型—根据模型选择的参数，基于先前的参数或先前患者的经验来选择下一步骤

4.随机—随机选择下一步骤；可以在整个空间中或候选子集中(可以在会话开始时用于探索空间，然后移动到其它技术之一)

5.空间搜索算法—使用优化搜索算法遍历刺激参数空间并找到最佳设置。

在一些实施例中，步长限制可以包括：

1.无限制—可以测试任何参数组合

2.基于先前步骤的步长限制

3.基于所有先前搜索点的步长限制

4.基于已经采取的步骤数量的步长限制。

在一些实施例中，搜索范围限制可以包括以下中的一个或多个(包括其中有意义的组合)：

1.无限制—可以测试任何参数组合

2.振幅限制—仅可以测试到一定振幅

3.电荷限制—仅可以测试到一定振幅*脉冲宽度限制

4.定义限制—医师/临床医生进行单极审查，比如用于识别每个触点处的副作用边界的搜索；然后将它们用作搜索边界的输入。

可以结合增量、增量大小、搜索范围限制或影响围绕参数空间的移动的其它参数的不同组合。

另外，反馈回路刺激参数控制系统500可以允许用户向刺激参数中的一个或多个提供搜索范围限制，以限制刺激参数的范围，系统将在该范围内搜索参数。例如，用户可以限制哪些电极可以用于刺激，或者可以将振幅或脉冲宽度限制到一定范围或具有所选择的最大值或最小值。作为一个说明，基于植入部位，用户可以意识到最远侧和最近侧的电极不太可能产生适当的刺激，并且用户限制电极的范围以排除这两个电极。

对于具有分段电极的引线，当电极的组合和每个电极上的不同振幅是可能的时，参数选择的可能性的数量可以非常大。在使用具有分段电极的引线的一些实施例中，对用于刺激的电极的选择可以限于完全定向选择(即，仅选择单个分段电极)和完全同心选择(即，在具有相同振幅的情况下，单个集合分段电极中的所有电极都是有效的)。在其它实施例中，通过参数空间的初始移动可以限于完全定向选择和完全同心选择。在使用这些限制来识别刺激参数集之后，对电极的选择的变化可以向所识别的刺激参数集中的所述选择附近的其它可能性开放，以进一步优化刺激参数。

在一些实施例中，可以限制变化的刺激参数的数量和这些变化的范围。例如，一些刺激参数(例如，电极选择、振幅和脉冲宽度)在变化时可以具有比其它刺激参数(例如，脉冲形状或脉冲持续时间)更大的效果。通过参数空间的移动可以限于展示出更大效果的那些刺激参数。在一些实施例中，当反馈回路刺激参数控制系统500通过测试多个刺激参数集来进行时，系统可以观察哪些刺激参数在变化时提供更大的效果并且集中于探索那些刺激参数的变化。

在至少一些实施例中，反馈回路刺激参数控制系统500包括用户界面(图5中未示出)，以用于当系统确定要测试的新的和更好的参数值时，可视化对刺激参数空间的探索，直到确定了符合在某些指定阈值内的解决方案或达到停止条件为止。在FLSPCS 500的一些实施例中，用户界面是脉冲发生器反馈控制逻辑501的一部分。在其它实施例中，用户界面可以是另一计算系统的一部分，其作为FLSPCS 500的一部分，或者可以远程且通信地连接到FLSPCS 500。用户界面可以向用户(例如临床医生、医师、程序员等)呈现对尚未测试的(某些)刺激参数值的预测预期结果的可视化以及对要测试的下一刺激参数值集的推荐。参考图6A-6J，描述了用于搜索最佳刺激参数值集的这种用户界面的示例。

在其中实际上经由控制器505利用由脉冲发生器反馈控制逻辑501转发的至少一个刺激参数值集来配置深部脑刺激器的一些实施例中，医师/临床医生可以在整个过程中监视患者并还记录了除了患者506能够报告副作用之外的临床可观察量。当观察/记录副作用时，各种搜索算法将在选择/建议要测试的下一值集时考虑该事实。在一些实施例中，例如，通过单极审查选择触点的那些实施例中，可以改变其它参数直到它们引起副作用为止，这种情况被称为边界。例如，在其中振幅是另一正变化的刺激参数的单极审查中，振幅可以逐渐增加，直到观察到副作用为止。

在一些实施例中，一个以上临床度量(例如，震颤、运动迟缓等)可以是重要的可观察量。FLSPCS 500的不同实施例可以不同地处理这些度量。例如，一些实施例可以识别每个度量的理想位置，并在它们之间选择一个理想位置，设置在患者的遥控器中以便患者可以根据需要进行选择，或者选择最佳组合结果。作为另一示例，一些实施例可以同时搜索多个结果并且使用最佳组合得分作为最佳结果或者单独地找到每个度量的最佳位置。作为又另一个示例，一些实施例可以使用顺序过程来选择多个结果的刺激参数值。例如，系统可以针对第一结果(例如，运动迟缓)搜索参数空间，并且一旦找到合适的结束条件，则针对第二结果(例如，僵硬)搜索参数空间。在针对第一结果搜索参数空间时，可以获得针对第一结果和第二结果两者的临床响应值。因此，当系统切换到第二结果时，已经存在针对该结果的许多临床响应值，这可能会减少搜索的长度。

在一些实施例中，可以植入两个刺激引线以在身体的两侧(例如，身体的右侧和左侧)产生刺激效果。本文描述的相同过程可用于通过探索联合参数空间来联合确定两条引线的刺激参数，或者通过单独探索每条引线的参数空间来单独确定两条引线的刺激参数。在一些实施例中，用户可以针对身体的每一侧确定哪个临床响应是主要的或最具响应性的。这可以例如通过让患者执行捕获多个响应的单个任务(例如，连接屏幕上的点以监视运动的震颤和运动迟缓)或一系列小任务来完成。这使得系统能够确定要使用哪个临床响应来识别身体那一侧的刺激参数。

如所指出的，反馈可以由患者506直接提供，由诸如临床医生(未示出)的观察者输入，或者可以借助于与患者506相关联的和与患者506物理、听觉或视觉接触的传感器507提供。在其中可以(诸如借助于传感器507)自动或半自动地监视反馈的实施例中，临床医生或其它观察者可以没有必要在场来操作FLSPCS 500。因此，在这种实施例中，用户界面可以在系统500中不存在。

图6A-6J是根据所述技术的用于使用反馈回路刺激参数控制系统来可视化刺激参数确定的用户界面的示例显示屏。其它用户界面是可能的。在所示的示例中，强调搜索参数空间以找到最佳参数值，其中如上所述最佳结果是：到达结果的最快时间、最佳的可能的临床结果和/或具有最少电池用量的最佳结果。在该示例用户界面中可以改变的刺激参数是接触位置和振幅(以毫安为单位)。接触位置可以被指定为沿着用于环形电极的引线的轴线的接触的单个值，并且可以具有x、y、z(围绕圆周)分量以指定在分段引线或定向引线中指定哪个分段。在一些实施例中，接触位置可以是“虚拟”接触位置，这意味着刺激可以在两个或相邻接触之间的某一部分中分裂，并且所得到的刺激具有位于两个接触之间的质心，看起来好像它来自两个或多个接触之间的虚拟接触。其它实施例和布置是可能的。

更具体地，在图6A中，显示屏600示出了新患者的初始数据生成。数据生成标签601示出了用于最佳接触位置603的量规(gauge)和用于最佳振幅604的量规。这些量规的值被确定为运行反馈回路刺激参数控制系统(图5中的系统500)的结果，这里作为应用呈现。噪声水平指示符605指定治疗响应的测量噪声，并且以0到4的刻度(scale)进行测量(可以使用其它刻度)。单选按钮606指示程序是否应该绘制圆圈以指示出临床效果映射图上的最佳设置的位置。

在图6B中，由于不存在先前的数据，因此为该患者随机填写了显示屏600。如果有的话，则屏幕600将反映这些值。

在图6C中，用户已经将显示屏600改变为传统的引线数据确定标签602。这里，如在每个后续步骤中，反馈循环刺激参数控制系统示出了治疗响应611(可观察量)，其是由利用指示出系统建议的接触位置和振幅值的参数值610对深部脑刺激器控制器(例如图5中的控制器505)进行编程而产生的。用户(例如临床医生)可以在域(field)610中覆盖这些值。当然，如果正在确定和测试不同的参数，则不同的值将是相关的并且潜在不同数量的域被示出。该系统还示出了迄今为止在临床效果映射图620中已经测试的刺激参数值。

在图6D中，反馈回路刺激参数控制系统在域610中示出了针对刺激参数值(接触＝6，振幅＝2)的治疗响应611为1.7。当控制器被编程为这些值时，治疗响应测量结果611显示关于震颤。通过使用下拉菜单612选择不同的受益，可以显示针对其它受益的治疗响应611。可以使用单选按钮613指示任何副作用。在这种情况下，没有副作用被标记。如在每个步骤，如果临床医生(或其它用户)想要接受这些值作为要并入模型中的数据，则临床医生选择更新按钮。此时，临床效果映射图仅显示一个先前的数据点(来自对控制器编程的步骤1，参考图6C描述)。下一建议的刺激参数值集(该编程步骤)在映射图中被示为三角形621。评述622跟踪迄今为止观察到的最好的临床响应值(步骤1)。

在图6E中，反馈回路刺激参数控制系统在屏幕600中显示了对控制器进行编程的步骤3的所建议的刺激参数值的结果。在这种情况下，值610针对接触＝8和振幅＝0。观察到的治疗响应611针对震颤(受益612)是2.4并且指示没有副作用(613)。按下更新按钮将步骤3数据输入系统中。临床效果映射图620示出了两个先前的编程步骤，并指示该步骤(针对下一步骤的推荐值)落在映射图上的什么位置(位置623)。注意的是，随着机器学习引擎被给予更多数据，它们能够基于数据预测什么样的值集合可能引起最好的预测响应(图6E的上部，并且在一个实施例中，着色为紫色)并预测什么样的值集合可能导致最差的预测响应(图6E的下部，并且在一个实施例中，着色为深灰色)。在随后的图中，着色或阴影变化，这是因为处理的数据越多，模型就越完整。参考图7和8描述系统如何确定下一刺激参数值集。

在一些实施例中，反馈回路刺激参数控制系统可以在获得临床响应值之前向用户建议在特定刺激设置下应用刺激之后等待的洗入(wash-in)时间量。在至少一些情况下，发现了当在靠近接近刺激参数的新参数(该刺激参数立即在新参数之前)下进行刺激(例如使用电极在2mA下进行刺激，然后使用相同电极在2.5mA下进行刺激)时，不需要像参数相距很远时的洗入时间那么长。基于与先前刺激参数的距离，系统可以建议适当的洗入时间。可替换地或另外地，可能需要测试患者的特定洗入时间以评估特定的临床响应。例如，在编程会话开始时，用一些通用的、可接受的刺激参数对患者进行编程，并且我们将每30秒测量临床响应，并然后观察在最初改变设置之后对渐进线的响应并达到稳定的响应花了多长时间。这将用作用于该患者或半球的洗入时间。

在图6F中，反馈回路刺激参数控制系统在屏幕600中显示了对控制器编程的步骤4的所建议的刺激参数值的结果。在这种情况下，值610针对接触＝5.2和振幅＝7。观察到的治疗响应611对于震颤是2.1(受益612)并且指示没有副作用(613)。按下更新按钮将步骤4数据输入到系统中。临床效果映射图620示出了所有三个先前的编程步骤，并且其中它们落入到基于到目前为止处理的数据的预测的最佳和最差的响应范围(例如，紫色和灰色)内。它还指示了该步骤(下一步骤的推荐值)落在映射图(三角形)上的位置。现在可以看出的是，在评述区域中被指示为目前为止所跟踪的最佳响应的步骤2值正好位于最佳预测响应区域的中心。

在图6G中，反馈回路刺激参数控制系统在屏幕600中显示了对控制器编程的步骤5的所建议的刺激参数值的结果。在这种情况下，值610针对接触＝7.2和振幅＝2.1。观察到的治疗响应611对于震颤是1.9(受益612)并且指示没有副作用(613)。按下更新按钮将步骤5数据输入到系统中。临床效果映射图620示出了所有四个先前的编程步骤，并且其中它们落入到基于到目前为止处理的数据的预测的最佳和最差的响应范围(例如，紫色和灰色)内。它还指示了该步骤624(下一步骤的推荐值)落在映射图(三角形)上的位置。仍然可以观察到，在评述区域中被指示为目前为止所跟踪的最佳响应的步骤2值处于最佳预测响应区域中，尽管不再居中。

图6H示出了对应于编程步骤8的显示屏600。未示出三个中间步骤。在该步骤中，值610针对接触＝5.8和振幅＝6。观察到的治疗响应611对于震颤是1.4(受益612)，但是指示存在副作用(613)。按下更新按钮将步骤8数据输入到系统中。临床效果映射图620示出了所有七个先前的编程步骤，并且其中它们落入到基于到目前为止处理的数据的预测的最佳和最差的响应范围(例如，紫色和灰色)。它还指示了该步骤625(下一步骤的推荐值)落在映射图(三角形)上的位置。到目前为止所跟踪的最佳响应现在已经变为步骤7结果。

在图6I中，反馈回路刺激参数控制系统在屏幕600中显示了对控制器编程的步骤9的所建议的刺激参数值的结果。在这种情况下，值610针对接触＝3.9和振幅＝4.6。观察到的治疗响应611对于震颤是0.9(受益612)并且指示没有副作用(613)。按下更新按钮将步骤9数据输入到系统中。临床效果映射图620示出了所有八个先前的编程步骤，并且其中它们落入到基于到目前为止处理的数据的预测的最佳和最差的响应范围(例如，紫色和灰色)内。注意的是，产生(不希望的)副作用的任何先前响应(例如，步骤8)被不同地编码。它还指示了该步骤626(下一步骤的推荐值)落在映射图(三角形)上的位置。到目前为止所追踪的最佳响应仍然是步骤7结果。

在图6J中，反馈回路刺激参数控制系统在屏幕600中显示了对控制器进行编程的步骤15的所建议的刺激参数值的结果(步骤10-14未示出)。在这种情况下，值610针对接触＝4.9和振幅＝4.2。观察到的治疗响应611针对震颤是0.2(受益612)，并且指示没有副作用(613)。按下更新按钮将步骤15数据输入到系统中。临床效果映射图620示出了所有十四个先前的编程步骤，并且其中它们落入到基于到目前为止处理的数据的预测的最佳和最差的响应范围(例如，紫色和灰色)。注意的是，产生副作用的先前响应627被不同地编码。它还指示了该步骤628(下一步骤的推荐值)落在映射图(三角形)上的位置。到目前为止所追踪的最佳响应现在是步骤15结果。此时，编程可以继续运行或停止，这是因为值正在收敛到最佳预测区域。可以并入其它停止条件，诸如迭代次数、时间、用户的主观确定等。

图6K示出了与分段电极组一起使用并表示临床效果映射图620a的替代屏幕610a。系统可以允许用户向上或向下移动引线，显示了针对每个分段电极集合的不同的临床效果映射图。在这种情况下，每个集合中有三个分段电极(参见，例如，图3F-3H)，其中三角形的每个顶点621a、621b、621对应于使用仅一个电极的刺激并且顶点之间的位置对应于电极的组合。刺激的振幅由距图623a的中心的距离表示。呈现下一刺激参数集的参数值610a，以及治疗响应测量结果611a。关于参数值610a，“位置”、“旋转”以及“传播”值是指电极选择，其中位置是沿着引线的纵向位置，旋转是刺激的角度方向，并且传播与刺激的角宽度有关。在美国临时专利申请序列号62/480942(其通过引用并入本文)中更详细地讨论了这些参数。

如参考图5所讨论的，反馈回路刺激参数控制系统500确定并发送刺激参数以配置深部脑刺激器控制器505。深部脑刺激器控制器505修改植入式设备(或测试设备)的刺激参数，并且，迭代地，基于反馈，调整所发送的刺激参数以配置控制器，直到达到期望的结果或停止条件为止。

图7描述了用于根据示例反馈回路刺激参数控制系统(诸如系统500)来确定深部脑刺激器编程设置的示例方法700。具体地，在框701中，逻辑(诸如图5中的脉冲发生器反馈控制逻辑501)接收要设置的多个刺激参数的指示和所需治疗响应的指示。例如，在参考图6A-6J描述的示例用户界面中，被调整的刺激参数集包括接触位置和振幅。在该集合中可以包括其它刺激参数，例如脉冲宽度和频率。定向引线可以包括附加参数，包括x，y和z坐标、角度和形状。因此，刺激参数集可能很大。此外，定向引线可以以其它方式被参数化，包括使用以下方式描述受刺激组织的位置和形状：

1.刺激的图心(x，y，z坐标)加上振幅。

2.刺激的图心(x，y，z坐标)加上单个值来描述半径。

3.刺激的图心(x，y，z坐标)加上三个值来描述半径(也是x，y，z)。

4.刺激的图心(x，y，z坐标)加上体积。

5.刺激的图心(x，y，z坐标)加上两个值来描述横截面表面积(例如x-y和y-z)。

6.预先计算由我们的编程控件创建的每个转向状态的体积。通常，生成的体积是大致球形的相干体积。然后可以搜索这些生成的体积，以获得与所需体积最紧密对齐的体积和所识别的对应的刺激设置。

7.使用三个圆柱坐标(z，θ，r)来近似纵向位置、旋转位置和振幅(忽略传播控制)。

8.分配给每个接触的电流细分，加上总振幅(这将是9个维度，并且可能需要诸如机器学习的方法来处理)。

9.将过程分为几个阶段，其中“环形模式”首先用于搜索最佳纵向位置和振幅，然后是最佳旋转位置和振幅，并且然后是最佳传播和振幅。环形模式是指以下刺激设置，其中引线的任何有效方向行上的电极可以通过以大致相同的百分比(例如，对于具有三个电极的行是33％)激活它们而像圆柱形电极一样对待。

在框702中，逻辑生成初始建议的刺激参数(SP)值集。这些包括正被调整的每个刺激参数的值。例如，当刺激参数集包括接触位置和振幅时，初始建议的集可以是“接触＝3”和“振幅＝2mA”，如图6C所示。

在一个示例实施例中，初始建议的刺激参数值集是任意选择的，这是因为尚未收集到针对该患者的数据。在另一示例实施例中，逻辑被扩展以使用来自先前患者的最佳设置(例如，振幅和/或接触位置)的分布来挑选针对新患者的起始设置。这允许临床医生使用其它患者已发现受益的设置开始编程会话。此外，新患者可以通过外部信息(诸如诊断、成像数据或基线症状严重程度)与先前患者匹配。

在框703中，逻辑将初始建议的刺激参数值集转发到深部脑刺激器。在一个实施例中，这通过将参数值转发到DBS控制器(参见图5中的消息504)来完成，DBS控制器调整实际的植入式设备。

在框704-707中，逻辑执行循环(迭代)以接收治疗响应，预测并建议要尝试的新刺激参数值，并转发它们以设置DBS，直到达到停止条件或达到对应于指定阈值内的治疗响应的临床响应值为止。

具体地，在框704中，逻辑确定是否到达结束条件。例如，逻辑可以确定是否已经接收到对应于指定阈值内的治疗响应的临床响应。例如，如果震颤是所观察到的那样，则可以认为低于2.0(在0到4的刻度上)的(受益的)治疗响应是充分停止点。在一些实施例中，指定了其它停止条件，诸如已经执行了一定数量的迭代、治疗响应随着y次迭代而改变小于x％，或者用户对结果满意。其它停止条件是可能的。

在块705中，逻辑接收临床响应值的指示。如上所讨论的，这些值可以通过观察从患者接收，或直接从与患者相关联的传感器(例如，位于患者手腕上的加速度计)接收。在一些实施例中，可以从观察患者的临床医生或医师接收临床值的指示。

在块706中，逻辑执行附加逻辑步骤以生成合并了机器学习技术的修订后的所建议的刺激参数值集。参考图8更详细地描述这些附加步骤的示例。

在块707中，逻辑转发修订后的所建议的刺激参数值集以将DBS设置为修订值并返回到框704中的循环的开始。

在一些实施例中，针对第一治疗响应执行步骤704至707，同时获得针对第一治疗响应和第二治疗响应两者的临床响应值。在找到针对第一治疗响应的结束条件后，可以针对第二治疗响应执行步骤704至707。可以针对其它治疗响应重复该过程，并提供用于选择刺激参数值以获得多种治疗效果的顺序过程。例如，第一治疗效果可以是运动迟缓，且第二治疗效果可以是僵硬。尽管针对运动迟缓和僵硬两者获得临床响应值，但执行步骤704至707直到发现运动迟缓的最终条件为止。因此，当随后针对僵硬执行步骤704至707时，已经有许多针对僵硬存在的临床响应值。

另外，图7描述的这些技术可以用于刺激多个引线。如果得到的解决方案产生多个最佳位置(针对相同的临床响应或者两个或更多个不同的临床响应)，则逻辑随后可以同时或不同时识别最佳刺激两个位置的设置。

图8描述了用于使用机器学习技术来生成修订后的所建议的刺激参数值集的示例方法800。特别地，该逻辑包括两个阶段：1)预测阶段，其中使用机器学习针对尚未测试/尝试的一些数量的值来预测治疗响应；2)建议阶段，其中逻辑基于预测阶段的结果和规则/启发的集合而建议下一个刺激参数值集。如上所讨论的，可以基于由于测试疲劳或其它因素而发生测试的时间而对所测量的临床响应值进行加权。例如，更近期的临床响应值可以比更早期临床响应值被加权更多，这是因为更近期的临床响应值更能预测治疗响应。

具体地，在框801中，逻辑使用机器学习技术自动生成尚未测试的刺激参数值的一个或多个治疗响应值。例如，在刺激参数集包括两个参数(接触位置和振幅)的实施例中，可能希望将接触位置的值可视化(和设置)为从1到8，并且将振幅的值以0.1为增量可视化(和设置)为从0mA到6mA。如果要在临床效果映射图(如图6C中的临床效果映射图620)上可视化这些可能的值，则这些可能的值将导致4331个网格位置(71×61)。逻辑允许递送的总电流的10％在相邻触点之间移动，并且沿着接触轴的位置跟踪体积的图心(即，位置2.3表示触点2具有70％的电流并且触点3具有30％)。在其它示例实施例中，可以在触点之间移动不同量的电流。

在编程步骤t+1(例如，图7中所示的循环的迭代)处，存在训练数据集，其由刺激设置的“X”t×m矩阵和治疗响应的“y”t×l矢量组成，其中t表示已测试设置的数量，并且m表示刺激参数的数量。目标是基于训练数据预测(4331-t)个未测试设置中的每个的治疗响应。

例如，如果m＝2(接触位置和振幅)，则“X”(t×m)矩阵可以被表示为图9中所示的稀疏矩阵901。矩阵901中所示的值与图6C-6F所示的示例编程步骤1-4中的值相同。图9中的向量“y”902显示了对应的治疗响应值。

如前所述，许多机器学习方法可以完成这项任务。如果存在两个或更多个要控制的不良症状，则预测阶段可以针对每个矩阵位置针对每个治疗响应来生成单独的预测。可替换地，预测阶段可以基于以多种方式(包括基于重要性对它们进行加权、将它们聚合等)组合多个系统来生成组合得分。

在一些实施例中，多个机器学习方法可以(同时)用于生成多个预测和以某种方式评分的结果。例如，当对深部脑刺激器进行编程时，患者对刺激的响应不太可能遵循既定的参数分布，容易产生噪声，并且是患者特定的。在一些实施例中，来自若干机器学习方法的预测可以存储在存储器中，并然后在收集新数据之后分析精确性。产生精确预测的机器学习方法将被“投赞同票(up-voted)”，而产生不精确预测的方法将被“投反对票(down-voted)”。该过程允许高性能预测方法来驱动搜索过程，这是因为单个方法也许不可能对所有患者或在编程会话的整个持续时间内起作用。

框801的预测技术还可以考虑先前获取的局部场电位(LFP)数据，其将给出预测空间的近似。

在框802中，逻辑可选地显示或呈现从框801得到的预测。如图6A-6J所注意的，当刺激参数集(例如接触位置和振幅)较小时，可以使用临床效果映射图来可视化来自对DBS进行编程的每次迭代的响应。由于添加了附加的刺激参数，因此这变得更加困难。此外，提出对下一个刺激参数值集的建议也变得更具挑战性。

在至少一些实施例中，可以生成并显示置信度得分以指示预测将产生良好结果或预测结果的可能性。例如，置信度得分可以基于响应的可重复性(例如，如果使用或预测相同或类似的设置并且响应变化太多，则结果可能是有问题的)，或者置信度得分可以基于临床响应的稳健性(例如，如果所有患者响应都是4内的3.9或4.0，那么该过程可能不会收敛到良好的解决方案)。

在框803中，逻辑执行过程的第二阶段：它自动建议要测试的下一个刺激参数集。在示例实施例中，该阶段考虑了针对尚未测试的参数值的治疗响应的一个或多个预测，并且还可以合并规则和/或启发来提供对下一个所建议的刺激参数值集的更高效选择。在一些实施例中，规则/启发旨在消除那些由于某种原因而不可能产生期望结果的值。例如，在一个实施例中，使用一组规则消除不适当的网格位置，然后根据预定标准以不同方式对R个剩余位置进行排名，例如从1＝“最佳”到R＝“最差”。在这种情况下，针对下一个编程步骤所选择的网格位置是具有最低总体排名的位置。在一些实施例中，提供了返回多个顶部候选的选项，从而在编程路径上给予程序员/临床医生更多的手动控制。此外，用于完全覆盖由逻辑提供的一个或多个建议的选项也是可能的。

在一个实施例中，合并以下示例规则以消除不适当的刺激参数值集(例如，网格4331值的位置)：

1.不能是测试的最后10个设置(值)中的一个，即尽管不太可能但可以进行重新测试。

2.不能太接近先前测试的设置，其中紧密度(或数学接近度)由取决于已经采用的编程步骤的数量的数学函数定义。

3.不能具有比测试的最后设置高1.5mA的振幅。

4.如果在先前的编程步骤中观察到不良副作用，则消除了导致副作用的设置的接触位置的±0.3内和较高振幅的所有设置。

在一些实施例中，用于确定与先前确定的设置的紧密度的数学函数可以考虑与由已经查看的网格位置形成的刺激参数值相关联的“几何形状”。例如，下一个刺激参数值集可以位于该几何形状的中心。

其它实施例可以结合附加或不同的规则。

接下来，对剩余可能的刺激参数值集(例如，剩余的网格位置)进行排名。例如，在一个实施例中，根据以下标准给予这组值三个排名：

1.按预测的治疗响应进行排列，从最佳到最差。

2.按距已经测试位置的总距离进行排列，从最远到最近。

3.按与距已经测试位置的距离的相似性进行排名，从最相似到最不相似。

这些排名的相对重要性可能在DBS编程会话期间转变。在会话开始时，目标是探索参数空间，因此距离排名更重要。在会话快结束时，可能需要查明最佳网格位置，因此治疗响应排名可能变得更重要。数学函数可以用于根据编程会话进展的程度将三个排名概括为一个总排名。换句话说，可能会逐渐减少接受更差的解决方案(不利的预测的治疗响应)以允许早期探索参数空间。

通过添加更多排名，逻辑可以逐渐变得更加复杂。如果存在两种不良症状要控制，则可以通过基于对第二治疗响应的预测添加第四排名来调整建议阶段。另外，在一些实施例中，对于临床医生希望强调特定响应的情况，可以添加选项以允许外部输入锁定治疗响应排名的重要性。通过添加更多排名，还可以将来自不同机器学习方法的多个预测合并到提议阶段中。对于添加的每个新特征，指定了在编程会话期间如何将排名集合在一起并且重要性变化的微调。

当集中的刺激参数的数量大于2时，如定向引线的情况，通过所有可能的参数集(例如，网格位置)的穷举搜索变得过分地慢。在一个实施例中，调整逻辑使得在每个编程步骤处仅检查可能的刺激参数值集(例如，网格位置)的子集。例如，在一个示例定向引线算法中，起点是确定针对全向环形模式的最佳网格位置，这相当于在4接触传统引线中找到最佳网格位置。在将参数空间已经缩小到最佳环形模式配置附近之后，可以构建引线周围的三维空间。然后逻辑可以以与m＝2维度搜索相同的方式以m＝4维度(x，y，z坐标加振幅)继续进行搜索。单独的算法可以将三维位置转换为刺激设置。

认识到控制逻辑可以从先前的编程会话中学习(对于该患者或其它患者，逻辑可以将搜索路径朝着具有先前最佳设置的高密度的参数区域转向)。通过首先测试对其它患者有效的设置，临床医生将可能需要较少的编程步骤来优化治疗响应。该逻辑可以被合并到用于建议下一个刺激参数值集的规则中。

在框806中，逻辑返回所建议的刺激参数值集。如参考图7所述，然后将该修订后的集转发到DBS并且接收新临床结果的指示。

将理解的是，该系统可以包括上文参考图7和8以任何组合描述的一种或多种方法。本文描述的方法、系统和单元可以以许多不同的形式体现，并且不应该被解释为限于本文阐述的实施例。因此，本文描述的方法、系统和单元可以采用完全硬件实施例、完全软件实施例或组合软件和硬件方面的实施例的形式。可以使用任何类型的处理器或处理器的任何组合(其中每个处理器执行该过程的至少一部分)来执行本文描述的方法。

将理解的是，流程图说明的每个框以及本文公开的流程图说明和方法中的框的组合可以由计算机程序指令实现。可以将这些程序指令或代码逻辑提供给处理器以产生机器，使得在处理器上执行的指令创建用于实现本文公开的流程图一个或多个框中指定的动作的手段。计算机程序指令可以由处理器执行，以致使由处理器执行一系列操作步骤产生计算机实现的过程。计算机程序指令还可以致使至少一些操作步骤并行执行。此外，一些步骤也可以在多于一个处理器(诸如可能出现在多处理器计算机系统中)上执行。另外，在不脱离本发明的范围或精神的情况下，还可以与其它过程同时或者甚至以不同于所示的顺序执行一个或多个过程。

计算机程序指令可以存储在任何合适的计算机可读介质上，包括但不限于：RAM、ROM、EEPROM、闪存或其它存储器技术、CD-ROM、数字通用盘(“DVD”)或其它光学存储、磁带盒、磁带、磁盘存储或其它磁存储设备、或可以用于存储所需信息并且可以由计算设备访问的任何其它介质。

以上说明书提供了对本发明的结构、制造和用途的描述。由于在不脱离本发明的精神和范围的情况下可以做出本发明的许多实施例，因此本发明也存在于下文所附的权利要求中。

Claims (15)

1.一种用于促进与患者相关联的可植入脉冲发生器的编程设置的计算系统，包括：

处理器；

存储器；以及

脉冲发生器反馈控制逻辑，该脉冲发生器反馈控制逻辑被存储在所述存储器中并且被配置为：当由所述处理器执行时，通过执行以下动作而与所述可植入脉冲发生器(IPG)的控制指令对接：

合并一个或多个机器学习引擎，自动生成所建议的刺激参数值集，每个刺激参数值影响IPG的刺激方面；

转发自动生成的所建议的刺激参数值集，以将IPG的刺激参数配置为所述所建议的刺激参数值集；

作为IPG被配置为所述所建议的刺激参数值集的结果，接收一个或多个临床响应值；

通过合并一个或多个机器学习引擎，考虑接收到的临床响应值，而自动生成修订后的所建议的刺激参数值集；

转发修订后的所建议的集以将IPG的刺激参数配置为所述修订后的所建议的刺激参数值集；以及

重复以下动作：

作为IPG被配置为修订后的所建议的集合的结果，接收一个或多个临床响应值；通过合并一个或多个机器学习引擎，自动生成修订后的所建议的刺激参数值集；并转发修订后的所建议的刺激参数值集以相应地配置IPG的刺激参数，

直到或除非已经达到停止条件或者一个或多个接收到的临床响应值指示出对应于指定容差内的治疗响应指示的值为止。

2.根据权利要求1所述的系统，其中，从与所述患者相关联的传感器自动接收一个或多个临床响应值。

3.根据权利要求1或2所述的系统，其中，所述脉冲发生器反馈控制逻辑合并多个机器学习技术以自动生成所述所建议的刺激参数值集和/或所述修订后的所建议的刺激参数值集。

4.根据权利要求3所述的系统，其中，所述多个机器学习技术被同时部署，并且基于生成与所述指定容差内的治疗响应指示相对应的刺激参数值集的能力而被自动评级。

5.根据权利要求1至5中任一项所述的系统，其中，通过合并一个或多个机器学习引擎，考虑接收到的临床响应值，而自动生成修订后的所建议的刺激参数值集还包括：

使用所述一个或多个机器学习引擎，针对尚未接收到临床响应值的IPG的多个刺激参数的多个值而自动生成一个或多个预测的治疗响应值；和

自动选择修订后的所建议的刺激参数值集以部分地基于预测的治疗响应值中的至少一个来配置IPG。

6.根据权利要求5所述的系统，其中，多个机器学习引擎被部署为生成对所述一个或多个预测的治疗响应值的多个预测。

7.根据权利要求1至6中任一项所述的系统，其中，基于一个或多个规则而自动生成修订后的所建议的多个刺激参数的值集。

8.根据权利要求7所述的系统，其中，所述规则包括以下中的至少一个：基于在多次迭代内重试位置的规则、基于所建议的刺激参数值集与已经测试的刺激参数值集的数学接近度的规则、基于导致不良副作用的刺激参数的值的规则、和/或基于相同刺激参数的值之间的步长的规则。

9.根据权利要求1至8中任一项所述的系统，其中，作为IPG被配置为所建议的刺激参数值集的结果而接收一个或多个临床响应值指示出是否已经发生了不期望的副作用。

10.根据权利要求1至9中任一项所述的系统，其中，以接触顺序来在每个后续迭代中确定所述自动生成所述修订后的所建议的刺激参数值集，其中，接触顺序意味着沿着第一接触进行测试，直到对引线上的下一个邻近接触进行测试之前副作用过高为止；和/或通过选择性地选择沿着引线的主轴的接触并针对每个选择性选择的接触而改变其它刺激参数来在每个后续迭代中确定所述自动生成所述修订后的所建议的刺激参数值集；和/或基于所述患者的模型、空间搜索算法或通过改变跳转到修订后的所建议的刺激参数值集的大小而随机选择刺激参数值来在每个后续迭代中确定所述自动生成所述修订后的所建议的刺激参数值集。

11.一种用于自动确定针对电刺激器的患者编程设置的计算机实现的方法，该方法包括：

接收多个刺激参数的指示和所需治疗响应值的指示；

自动生成初始建议的刺激参数值集，以用于测试根据这些初始值进行编程的所述电刺激器；

基于在接受者上测试被编程的电刺激器而接收临床结果的指示，其中接收到的指示指示了治疗响应值；

使用机器学习，针对尚未接收到临床结果的指示的多个刺激参数的多个值而自动生成一个或多个预测的治疗响应值；

部分地基于预测的治疗响应值中的至少一个，自动生成并指示下一个所建议的刺激参数值集，以用于测试被相应编程的电刺激器；以及

重复以下动作：

基于测试所述被编程的电模拟器而接收临床结果的指示；使用机器学习来自动生成所述一个或多个预测的治疗响应值；并自动生成和指示下一个所建议的刺激参数值集以用于测试被相应编程的所述电刺激器，

直到或除非已经达到停止条件或接收到的临床结果的指示表明了在指定容差内的治疗响应值。

12.根据权利要求11所述的方法，其中，使用机器学习，针对尚未接收到临床结果的指示的所述多个刺激参数的多个值而自动生成一个或多个预测的治疗响应值使用了基于接受者或其它接受者的先验数据的训练数据集。

13.根据权利要求11或12中任一项所述的方法，其中，基于在接受者上测试所述电刺激器的临床结果的指示从数据储存库被接收，并且/或者其中，自动生成初始建议的刺激参数值集使用在先前的电刺激器编程会话中收集到的数据来确定。

14.根据权利要求11至13中任一项所述的方法，其中，多个机器学习技术被同时部署为生成所述一个或多个预测的治疗响应值的多个预测，并且基于提供对治疗响应测量的精确预测的能力来自动评级所述多个机器学习技术；并且/或者其中，自动生成下一个所建议的刺激参数值集通过基于一个或多个规则对可能的刺激参数值集进行排名来确定下一个所建议的集；并且/或者其中，针对所述多个刺激参数中的至少一些来定义值限制。

15.一种计算机可读存储介质，包含控制计算机处理器的指令，所述指令在被执行时通过执行根据权利要求11-14中任一项所述的方法或根据权利要求1-10中任一项所述的脉冲发生器反馈控制逻辑的动作，来自动确定与患者相关联的可植入脉冲发生器(IPG)的编程设置。