JPH11514901A - 麻酔または集中治療において実施されるｅｅｇを評価するための方法およびデバイス - Google Patents

Abstract

(57)【要約】 本発明は、麻酔または集中治療において実施されるEEGを評価する方法に関する。この目的のために、時間領域および／または周波数領域からのパラメータが、EEG曲線から決定され、決定されたパラメータは、多変量分類関数において使用され、そしてこれに基づいて、麻酔または集中治療において実施されるEEGが、自動的にステージに分割される。

Description

【発明の詳細な説明】 麻酔または集中治療において実施されるEEGを評価するための 方法およびデバイス 本発明は、請求項１の前段部分に従う麻酔または集中治療において実施される EEGを評価するための方法、および請求項５の前段部分に従う麻酔または集中治 療において実施されるEEGを評価するためのデバイスに関する。 脳波記録法は、脳により生じる電気的活動を表現する方法である。従来の方法 では、EEGの記録は、一般に30mm/秒の記録速度で、リール紙上にマルチチャンネ ル記録計によって行われる。ドイツEEG協会は、少なくとも10チャンネルを有す るデバイスの使用を推奨する。頭部の種々の領域からの信号を適切に評価するこ とを可能にするために、電極を、いくつかの誘導プログラムにおいて種々の方法 で相互連結する。記録はまた、コンピュータ支援されることが多くなっている。 脳波（EEG）における波形の構成は、脳の機能的状態に依存する。外科的およ び集中治療の領域における患者のEEGダイアグラムは変化する；それらは、多数 の内因性および外因性の要因によって影響を受け得る。正常な覚醒状態のEEGは 別として、例えば、以下のことを考慮に入れなければならない：睡眠EEGの要素 、医薬品および他の外因性に導入された(admited)化学物質の効果、呼吸および 代謝による影響、温度効果、外傷性脳損傷の結果、ならびに炎症性、血管性、変 性EEGの変化、および新生物によって引き起こされるEEG変化。 EEGにおいて生じる波は、以下の周波数領域に割り当てられる：α（7.5〜12.5 Hz）、β（＞12.5Hz）、θ（3.5〜7.5Hz）、およびδ（0.5〜3.5Hz）。これらの 他に、サブδバンド（＜0.5Hz）およびγバンド（＞30Hz）が、範囲を定められ 得る。観察の間、これらの周波数領域における波は、振幅、周波数、規則性、時 間的構造、局所分布、および刺激中の変化に関して記述される。EEGの振幅は、 μVで測定される。一般に、より高い周波数の波は、より小さな振幅を有するが 、減速は、通常、振幅の増大を伴う。 睡眠EEG、麻酔EEG、または昏睡EEGのステージを分類するために、Kuglerは、E EGの分割を提案し、そこでは、覚醒状態はＡによって記述され、そして大脳機能 の進行性抑制に伴うEEGイメージはＢ〜Ｆの文字によって記述される。EEG曲線を 評価するために、特定の周波数領域における波の周波数および振幅、ならびに代 表的パターンが使用される。 成人の大部分では、覚醒EEG（ステージＡ）は、α周波数領域の波によって特 徴づけられる。ステージＢは、より速い周波数およびより低い振幅の波によって 特徴づけられる。ステージＣまたはＤでは、θ波およびδ波が発生する。ステー ジＥでは、曲線は高振幅δ活動によって特徴づけられる。 ステージＦは、等電曲線セクションに対して平坦部とより高い波の群との間の 変化によって；バースト抑制サンプルによって；または連続的に非常に平坦であ る活動によって特徴づけられる。 従来のEEGの誘導は、比較的多くを要求している。解釈には、特別な知識およ び経験を必要とする。動的に進行するEEG変化のより良い判断は、元の信号の記 録、およびEEGスペクトル分析によって可能である。EEGパワースペクトルを計算 するために、アナログ−デジタル変換後、EEG信号は、所定の時間について、高 速フーリエ変換(FFT)にかけられる。フーリエ変換によって、EEGの波ダイアグラ ムは、基礎をなす振動成分に分割される；時間領域から周波数領域への変換が行 われる。振動成分の二乗振幅は、パワースペクトルを構成する。時間信号におい て発生する周波数は、EEGパワースペクトルから読み取られ得る。しかし、この 情報も、EEGステージを認識するため、したがって大脳機能のステージを認識す るためには解釈を必要とする。 自動化パターン認識を得るため、EEGセクションの分類のために自己回帰パラ メータを使用することは、雑誌「Biomedizinische Technik」[Biomedical Techn ology]，37，第6巻，1992，122-130頁から公知である。ここで、分類は、カテゴ リーＡ、Ｃ、およびＥに関する。得られた結果は、自己回帰パラメータが高い判 別値を有すること、および二乗判別関数の使用が低率の分類誤差を生じることを 示す。 本発明の目的は、麻酔または集中治療において実施されるEEGを評価するため の方法およびデバイスであって、EEGステージのすべてのカテゴリーが、EEG曲線 から直接に明白に決定され得、そして干渉の結果としての影響はできるだけ避け られ得る方法およびデバイスを記載することである。 この目的は、請求項１の前段部分に従う方法によって、請求項１の後段（特徴 記載）部分に記載される顕著な特徴によって、および請求項６の前段部分に従う デバイスによって、請求項６の後段（特徴記載）部分に記載される顕著な特徴に よって満たされる。 EEG信号は、確率プロセス、すなわちランダムプロセスであり、これは、数学 的統計学的方法によって近似され得る。現実的理由のために、EEGのさらなるコ ンピュータ処理のために、できる限り意味のある２、３のパラメータのみにまで 減少させることが望ましい。パラメータ形成は、時間領域または周波数領域のい ずれかで行い得る。EEG信号は、時間領域における分析のためのデータの基礎を 形成し；周波数領域における計算の前にデータは変換される。 フーリエ分析は、周波数領域においてEEG信号を分析するための１つのオプシ ョンである。フーリエ変換によって、EEGの複雑な波ダイアグラムは、基礎をな す振動成分に分割され、続いて時間領域から周波数領域に翻訳される。これらの 振動成分の二乗振幅は、いわゆるパワースペクトルを形成する。フーリエ分析の 結果のさらなる処理は、いわゆるスペクトルパラメータの抽出および連続した統 計学的計算を含む。スペクトルから誘導され得るパラメータは、例えば、総パワ ー、ならびに種々の周波数バンドにおける絶対および相対パワーを含む。メディ アン、スペクトル端周波数、および主周波数は、さらに頻繁に使用されるパラメ ータである。メディアンは、スペクトルの領域を２つの等しい部分に分割する周 波数である。スペクトル端周波数は、95％分位数（quantile）として最もしばし ば定義され、すなわち、スペクトルの総パワーの95％がこの周波数未満である。 主周波数は、最も高いパワーを有する周波数である。 パワースペクトルによって、EEGセクションの周波数分布は明瞭に示され得る 。しかし、ほとんどの時間、バースト抑制相または発作にかかっている可能性の ような特別のパターンを推測するためにスペクトルを使用することは不可能であ る。 高速フーリエ変換（FFT）は、パワースペクトルを迅速に計算するための１つ の方法である。 自己回帰パラメータの決定は、時間領域においてEEG信号を分析するための１ つのオプションである。自己回帰（AR）パラメータは、時間領域からの値である 。特定の時点で測定した値は、その歴史的な値（historic value）の加重総和＋ ランダム成分として表される。ARパラメータは重み付けを形成する。ARプロセス についての一般式は以下のとおりである： Ｙ_t＝ａ₁＊Ｙ_t-1＋．．．＋ａ_p＊Ｙ_t-p＋ｅ_t。 これにおいて、Ｙ_tは時間ｔでの測定値を示す；ａ_i（ｉ＝１、．．．、ｐ）はAR パラメータであり、そしてｅ_tはすべての時点ｔについて平均値０および一定分 散を有する独立ランダム成分である。文字ｐは、プロセスの次数、すなわち、考 慮される必要がある歴史的値（historical value）の数を示す。モデルパラメー タは、Yule-Walker方程式を使用して推定され得る。モデルの次数の決定および モデルの質のチェックは、通常、BoxおよびJenkinsに従う。KayおよびMarpleは 、推定のさらなる方法およびモデルカテゴリーの概略を提供する。 Hjorthにより提案されそして彼にちなんで命名された、特別なEEGパラメータ の計算は、EEG測定値を特徴づけるために頻繁に使用される方法である。これは ３つのパラメータを含む：活動度、可動度、および複雑度。Hjorthパラメータは 、EEG信号の散乱から、ならびにそれらの一次微分および二次微分から計算され る。あるいは、Hjorthパラメータの計算はまた、周波数領域で、すなわち、スペ クトル分析によって行い得る。 活動度は、信号の総パワーに対応し、従ってEEG測定値の振幅の程度の尺度で ある。可動度は、中央周波数についての尺度として解釈され得、そして複雑度は 、信号の変動度の尺度として解釈され得る。 純粋なスペクトルパラメータまたは純粋なARパラメータとは別に、スペクトル パラメータ、ARパラメータ、Hjorthパラメータ、またはさらにカオスパラメータ の組み合わせの決定が可能である。 例えば、判別分析法またはニューロナルネットは、スペクトルパラメータおよ び／またはARパラメータおよび／またはHjorthパラメータおよび／またはカオス パラメータに基づく多変量分類関数によってEEGデータを分類するために適切で ある。 判別分析分類法は、多くの高められた特徴によって、いくつかの所定の群のう ちの１つに対象を分類するために適切である。麻酔EEGまたは集中治療EEGのステ ージへの分割の場合には、EEGセクションは、スペクトルパラメータおよび／ま たはARパラメータおよび／またはHjorthパラメータおよび／またはカオスパラメ ータによって特徴づけられる分類されるべき対象を形成する。適切な分類関数を 計算するための多くの方法が存在する；これらの方法は、パラメトリックな試み とノンパラメトリックな試みとの間の区別を可能にする。特性値に基づく分類関 数は、特定の群に属することが既知である対象のランダムサンプルによって導出 され得る。種々の群における特性ベクトルが多変量正規分布に従うことがパラメ トリック法に必須である。線形判別分析は、個々の群内の共分散行列が等しいこ とを前提とする；二次判別分析により、群の異なる共分散行列を考慮することが 可能になる。Mahalanobis距離は、距離の尺度として使用される；これは、群の 平均値までの観察ベクトルの重み付けされた距離を表す。次いで、対象は、選択 された方法に依存して、Mahalanobis距離の関数が最も低い群に割り当てられる 。 特性ベクトルの分布が末知であるかまたは正規分布に従わないならば、分類規 則を導出するためにノンパラメトリック法を使用することが可能である。k-near est-neighbour法は、この例証的な例である。これにおいて、分類されるべき特 性ベクトルの、利用可能なランダムサンプルの他のすべての特性ベクトルまでの 距離が形成され、そしてサイズに従ってソートされる。次いで、ｋ番目に小さな 距離を有する観察ベクトルが決定される。そうすることにおいて、考慮される値 の数ｋは、予め決定されなければならない。次いで、これらのｋ値がどの群に属 するかを決定し、そして個々の群の測定値の総数におけるシェアが決定される。 次いで、割り当ては、このシェアが最も高い群に対してなされる。 パラメトリック法と比較すると、このノンパラメトリック法では、対象の分類 のために元のデータ記録全体に戻る必要があるので、計算の努力を増すことが要 求される。対照的に、パラメトリック法では、対象の特性値は分類関数に使用さ れる。 分類法の質を決定するために、それぞれの誤差率が使用され得る。誤差率は誤 分類のシェアを意味する。データの再分類は、誤差率を推定するための１つのオ プションを提供する。しかし、このように決定された誤差率は、非常に明確な真 の誤差率の推定を提供する。分類が独立したデータ記録に対してチェックされる ならば、誤差率のより実際的な推定が得られ得る。このことは、所定のデータ記 録を、分類規則を導出するためのトレーニングデータ記録に、および分類を確認 するためのテストデータ記録に分けることによって行い得る。いわゆる交差確認 またはleave-one-out法は、データを分ける極端な形態である。これにおいて、 それぞれの時間、１つの観察がデータ記録から取り出され、そして残りのデータ からの判別関数に基づいて分類される。 判別関数を導出するために多数の潜在的な特徴があるならば、適切な段階的な 方法によって、最も高い可能性のある群の分離を確実にするパラメータが決定さ れ得る。この目的のために、文献は多くの方法を示唆する；例えば、段階的に、 パラメータは、Wilks Lambdaに基づいて、群分離に最大の貢献をする評価に組み 込まれる。 麻酔EEGまたは集中治療EEGのステージへの分割は、前述のように、覚醒状態を Ａと、そして大脳機能の非常に深い抑制をＦと命名するKuglerに基づいて行い得 る。これにおいて、中間ステージＢ〜Ｅは、表１に示すように、なおさらにサブ 分割され得る。 ステージへの他の分割、またはステージの規模もまた、使用され得る。 記載された方法およびデバイスは、麻酔EEGまたは集中治療EEGのステージへの 自動化分割およびコンピュータ制御された分割を可能にする；この課題は、以前 は、EEG曲線によって視覚的に行われた。この方法およびデバイスは、種々の個 々の評価の結果として誤差のない、ステージへの均一な分割が行われるという利 点を有する。この方法およびデバイスは、臨床領域において、ならびに製薬産業 において、新しい麻酔剤および鎮静剤の開発およびテストの間ならびにそれらの 投与速度を決定する場合に、麻酔患者および集中治療患者のモニターに等しく適 している。 従来の尺度ではステージＡ〜Ｅのみが明確に認識され得るが、パラメータ、特 にゼロ線に対する信号パワーの、さらなる極限値の決定、および極限値による多 変量分類の補正は、ステージ分割のステージＦを認識することにおいて顕著な改 善を可能にする。他のステージとは対照的に、このステージはゼロ線によって部 分的に特徴づけられ得るので、スペクトルパラメータ、ARパラメータ、Hjorthパ ラメータ、またはカオスパラメータの排他的評価は、必ずしもステージＦの明確 な認識を導くわけではない。 脳が発生する電気的活動は非常に小さな電位を示すので、EEGは極端に干渉さ れ易い。本質的に、EEG曲線は、動きのアーチファクト、筋肉のアーチファクト 、または干渉幅射によって影響を受ける。これらの干渉は、一方では、時々、EE Gの評価を全く不可能にし得；そして他方では、これらはまた、脳に由来せずそ のため誤った解釈に導く電気的活動を捏造し得る。 動きのアーチファクトが、例えば、医療職員の存在下での操作の間に生じるな らば、その動きが検出される場合、ステージへの不正確な分割は、もちろん無視 され得る。しかし、EEGの記録およびその後の評価の間、ある信号が動きのアー チファクトによって引き起こされたかどうかを、EEG曲線から決定することはも はや不可能である。 EEG記録とは独立して、さらなる動きのアーチファクトを決定することによっ て、ステージへの分割は、動きのアーチファクトによって補正または抑制され得 る。 ステージへの分割のさらなる改善は、被験体のための年齢特異的分類関数が、 蓄積された種々の年齢依存的分類関数から選択される場合に達成される。ヒトの EEGが年齢依存的特徴を含むことが見いだされている。これを単純に表現すると 、例えば、年齢の増加に伴って、覚醒状態の成人のスペクトルは、より低い周波 数にシフトする；麻酔の間は、例えば、δパワーが減少する。年齢特異的分類関 数を考慮することによって、ステージへの正確な分割が、より確実に行われ得る 。 さらに、蓄積された種々の医薬品依存的分類関数から、使用される医薬品に特 異的な分類関数を選択することもまた可能である。種々の睡眠誘導医薬品、すな わち麻酔剤または鎮静剤は、個々のステージにおいて種々のEEG曲線を生じるこ とが示されている。全体を基準にして選択された分類関数の場合、これは誤った 解釈、従って、麻酔EEGまたは集中治療EEGのステージへの分割の不正確な割り当 てに導き得る。使用される特定の医薬品に特異的な分類関数を考慮することによ って、このような誤った割り当てが避けられ得る。 動きのアーチファクトを決定するために、評価コンピュータに連結された、患 者または被験体の頭部に装着されている少なくとも１つのセンサー素子を有する 、動きセンサーが提供され得る。加速度トランスデューサおよび／または変位ト ランスデューサが、センサー素子として特によく適している。 しかし、センサー素子はまた、患者または被験体の頭部に連結された電気的ラ インであり得る；このラインは、磁場および／または電場に位置している。この 場におけるラインの動きおよび／または場の強度の変化の間、近接する動いてい る身体および／または物体の影響の下、ラインに、電流が誘導され、そして／ま たは電圧が生じて、これが評価され得る。 さらに、筋肉アーチファクトもまた、EEG曲線の時間領域および／または周波 数領域から決定され得、そして、筋肉アーチファクトによって、ステージへの分 割は補正または抑制され得る。このような筋肉アーチファクトは、前額部筋肉お よび顔面筋肉によって引き起こされ得る；これらは通常、他の周波数シェアとは 別に、30Hzよりも大きな周波数シェアも存在することにより認識できる。 最後に、電気医療装置、特に電気的外科装置の干渉輻射から生じるさらなるア ーチファクトを決定することも可能である。干渉輻射アーチファクトによって、 ステージへの分割は補正または抑制され得る。この場合、干渉輻射を捕捉する干 渉輻射センサーが提供される。 しかし、アーチファクトはまた、ソフトウエアの質問によって認識され得る。 以下、本発明は、１つの実施態様によって説明され、これは次のように図面に 示される： 図１は、パーソナルコンピュータおよび２つのEEGチャンネルについての測定 デバイスを含むデバイスを示す； 図２は、スクリーンイメージを示す；そして 図３は、２つのEEGセクションのグラフィック表示である。 図１に示すデバイスは、カラーモニターを有するパーソナルコンピュータおよ び２つのEEGチャンネルについての測定デバイスを具備する。EEG記録のために、 電極が患者の頭部に装着され、そして患者のすぐ近くに配置された前置増幅器に 接続される。２つの電極の電位差の形成は、差動増幅器で起こる。信号は、AD（ アナログ／デジタル）変換器への値調整の範囲を保証するために20,000倍に増幅 される。 動きのアーチファクトを検出するために、動きセンサーが、患者の頭部に装着 される。この動きセンサーの信号もまた、AD変換にかけられる。 AD変換の前に、ハイパスフィルターおよびローパスフィルターならびにノッチ フィルターにかけられる。50Hzノッチフィルターは、電源ハム（mains-hum）ア ーチファクトを減殺する。フィルターにかけそして増幅したアナログ信号は、12 8Hzでデジタル化される。これは、さらなる処理のためにPCに利用可能な値を作 成するマイクロコントローラーによって制御される。このPCは、データの蓄積お よび評価を取り扱う。EEG分析はAD変換と平行して行い、それによってデータ取 得の連続性が確実になる。 デバイスをスイッチオンした後、選択メニューがスクリーン上に現れ、測定プ ログラムを開始するかまたは既に蓄積された測定値を読み込むオプションを提供 する。キー入力（keying-in）は、選択に応じて、プラスチックホイルキーボー ドによるか、タッチスクリーンまたは外部キーボードにより行い得る。出力は、 モニター、およびオプションとしてプリンターによる。 各測定の前に、患者の年齢がキー入力される。所望のように、データは１誘導 からまたは２誘導から評価され、そして蓄積され得る。 図２に示すように、測定の開始から、モニターは、大脳波として、１誘導また は２誘導の元のEEG、従来のEEG周波数バンドの境界を指示する10個の２秒間から 平均したEEGパワースペクトル、現在のステージ（Ａ〜Ｆ）、およびステージ進 行を連続的に示す。 さらに、ファイル名、患者の年齢、日付、および時刻、ならびに任意にコメン トが出される。 パワースペクトルの代わりに、パワースペクトルの分位数、ならびに、α、β 、θ、およびδバンドの相対パワーの分位数の傾向を、累積形態で表すことも可 能である。 ステージ分類は、判別分析関数ならびに補充的な極限値の質問によって達成さ れる。さらに、アルゴリズムは、バースト抑制相認識（ステージＦ）を改善する ためにプログラムされた。２秒の時間は、アーチファクトが負担になると考えら れ得、ステージへの分類の間考慮されない。 ｋ個のステージならびにｐ次元の特性ベクトルＸ＝（Ｘ₁、．．Ｘ_p）（例えば 、ｐ個の適切なEEGパラメータ）は、判別分析関数の編集のための開始点を提供 する。ｋ個のステージのうちの１つへの割り当ては、特性ベクトルＸに基づく。 割り当てに用いられる分類関数の導出は、トレーニングデータ記録による。ト レーニングデータ記録は、種々のステージに代表的な、EEG信号を含む。これか ら、ｋ個のステージについての分類関数が、判別分析法によって計算される。 分類の場合に、パラメータ（例えば、スペクトルパラメータ、ARパラメータ、 Hjorthパラメータ、またはカオスパラメータ）は、調査されるEEGセクションか ら計算され、そしてトレーニングデータ記録から決定される分類関数に挿入され る。分類関数は、ｋ個のステージのそれぞれについての割り当て確率、すなわち 、種々のステージに対する調査されるEEGセクションの類似性についての尺度を 提供する。次いで、EEGセクションは、最大の割り当て確率を有するステージに 割り当てられる。 実施例 これは、具体的な実施例によって、判別分析の間の手順を示すものである。 図３に示すように、それぞれ２秒間巾のEEGセクションが与えられる。判別分 析によって、これらのセクションは、Ａ（覚醒）からＥ（深い麻酔）までのステ ージに割り当てられる。ステージへの分割は、Kuglerに従って行われた。セクシ ョン(a)は、浅い麻酔からのEEGセクションであり；セクション(b)は、より深い 麻酔からのEEGである。 第１の工程は、それぞれのEEGセクションを特徴づけるために適切なパラメー タを計算することからなる。この場合、５つの自己回帰パラメータ、ならびにEE G信号のパワーに対応する対数標準偏差が計算された。しかし、他のパラメータ 、例えば、スペクトルパラメータまたはHjorthパラメータを使用することも可能 である。EEGセクションはまた、上記の６つのEEGパラメータを成分として含む特 性ベクトルＸによって記載される。 その後、判別関数は、ステージ分類が視覚的評価により既知であるトレーニン グデータ記録によって計算される。本実施例の場合、12のステージＡ，Ｂ₀、Ｂ₁ 、Ｂ₂、Ｃ₀、Ｃ₁、Ｃ₂、Ｄ₀、Ｄ₁、Ｄ₂、Ｅ₀、およびＥ₁についての線形判別分 析が使用された。 新たに分類されるべきEEGセクションの具体的な分類のために、まずそれぞれ の特性ベクトルＸが計算される。本実施例の２つのEEGセクション(a)および(b) について、以下の結果に到達する： (a) Ｘ＝（1.20、1.45、-0.89、0.14、0.06、0.03）、 (b) Ｘ＝（2.32、1.69、-0.96、0.18、0.05、-0.06）、 ここで、最初の成分は信号の対数標準偏差を示し、そしてさらなる成分は５つの 自己回帰パラメータを示す。 これらの値は、次いで、本実施例の分類関数に挿入され、そして可能性のある ステージのそれぞれにについて、それぞれの割り当て確率に到達する。 EEGセクション(a)および(b)について計算された値を表２に示す。EEGセクショ ンに最も近似するステージ、すなわち、最も高い割り当て確率を有するステージ に分類される。表２は、EEGセクション(a)がステージＢ₁に割り当てられ；そし てセクション(b)がステージＤ₀に割り当てられることを示す。

Claims (1)

1. 【特許請求の範囲】 １．麻酔または集中治療において実施されるEEGを評価するための方法であって 、パラメータが、スペクトルパラメータに基づく多変量分類関数に決定されたパ ラメータを挿入することによって時間領域および／または周波数領域から決定さ れ、そしてそれから該麻酔EEGまたは該集中治療EEGのステージへの分割が自動的 に行われる方法であって、 さらに、該パラメータの、特にゼロ線に関する信号パワーの極限値が決定され 、そして該多変量分類の補正が該極限値によって行われること；および、動きの アーチファクトが決定され、そして該麻酔EEGまたは該集中治療EEGのステージへ の該分割が該動きのアーチファクトによって補正または抑制されることで特徴づ けられる、方法。 ２．蓄積された種々の年齢依存的分類関数から、被験体についての年齢特異的分 類関数が選択されることで特徴づけられる、請求項１に記載の方法。 ３．蓄積された種々の医薬品依存的分類関数から、使用される医薬品についての 医薬品特異的分類関数が選択されることで特徴づけられる、請求項１または２に 記載の方法。 ４．さらに、筋肉アーチファクトが、EEG曲線の前記時間領域および／または周 波数領域から決定され、そして該筋肉アーチファクトによってステージへの前記 分割が補正または抑制されることで特徴づけられる、請求項１〜３のいずれかに 記載の方法。 ５．請求項１〜４のいずれかに記載の方法であって、電気医療装置、特に電気的 外科装置の干渉輻射の結果としてのさらなるアーチファクトが決定され、そして 該干渉輻射アーチファクトによって、前記麻酔EEGまたは集中治療EEGのステージ への前記分割が補正または抑制されることで特徴づけられる、方法。 ６．コンピュータによって麻酔EEGまたは集中治療EEGを評価するためのデバイス であって、該コンピュータが、測定されたEEG曲線から、時間領域および／また は周波数領域からのパラメータを決定し；該決定されたパラメータを多変量分類 関数に挿入し、そしてこれらから自動的に該麻酔EEGまたは集中治療EEGのステー ジへの分割を行うデバイスであって、 該コンピュータが、さらに、該パラメータ、特にゼロ線に関する信号パワーの 極限値を決定し、そして該極限値によって該多変量分類の補正を行うこと、およ び患者または被験体の頭部に装着されるかまたは連結可能である少なくとも１つ のセンサー素子を有する、該コンピュータに連結された動きセンサーが提供され ること；および該動きセンサーによって決定された動きのアーチファクトが、該 麻酔EEGまたは集中治療EEGのステージへの該分割が補正または抑制され得るよう に、該コンピュータによって評価され得ることで特徴づけられる、デバイス。 ７．請求項６に記載のデバイスであって、前記コンピュータのストレージ中に、 さらに、種々の年齢依存的分類関数が蓄積されること、および該蓄積された分類 関数から、年齢特異的分類関数が、年齢を入力することによって選択され得るこ とで特徴づけられる、デバイス。 ８．請求項６または７に記載のデバイスであって、前記コンピュータのストレー ジ中に、さらに、種々の医薬品依存的分類関数が蓄積されること、および該蓄積 された分類関数から、使用される医薬品に特異的な分類関数が、医薬品について の情報を入力することによって選択され得ることで特徴づけられる、デバイス。 ９．前記センサー素子が、加速度トランスデューサおよび／または変位トランス デューサであることで特徴づけられる、請求項６〜８にいずれかに記載のデバイ ス。 １０．請求項６〜８のいずれかに記載のデバイスであって、前記センサー素子が 、 前記患者または被験体の頭部に連結された電気ラインであり；該ラインが磁場お よび／または電場に位置し；そして該場中での動きおよび／または場の強さの変 化の間、該ラインが、評価され得る、電流を誘導しそして／または電圧を生じる ことで特徴づけられる、デバイス。 １１．請求項６〜１０のいずれかに記載のデバイスであって、前記コンピュータ によって、前記EEG曲線の時間領域および／または周波数領域からの筋肉アーチ ファクトが、前記麻酔EEGまたは集中治療EEGのステージへの前記分割が補正また は抑制されるように、評価され得ることで特徴づけられる、デバイス。 １２．請求項６〜１１のいずれかに記載のデバイスであって、前記コンピュータ に連結された干渉輻射センサーが提供されること、および該干渉輻射センサーに よって決定される電気医療装置、特に電気的外科装置からの干渉輻射が、前記麻 酔EEGまたは前記集中治療EEGのステージへの前記分割が補正または抑制されるよ うに、該コンピュータによって評価され得ることで特徴づけられる、デバイス。