There is presented a reliable technique for measuring condition change in nonlinear data such as brain waves. The nonlinear data is filtered and discretized into windowed data sets. The system dynamics within each data set is represented by a sequence of connected phase-space points, and for each data set a distribution function is derived. New metrics are introduced that evaluate the distance between distribution functions. The metrics are properly renormalized to provide robust and sensitive relative measures of condition change. As an example, these measures can be used on EEG data, to provide timely discrimination between normal, preseizure, seizure, and post-seizure states in epileptic patients. Apparatus utilizing hardware or software to perform the method and provide an indicative output is also disclosed.

É apresentado uma técnica de confiança para medir a mudança da circunstância em dados não-lineares tais como ondas de cérebro. Os dados não-lineares são filtrados e discretized em windowed séries de dados de. A dinâmica do sistema dentro de cada série de dados de é representada por uma seqüência de pontos conectados do fase-espaço, e para cada série de dados de uma função de distribuição é derivada. Os metrics novos são introduzidos que avalíam a distância entre funções de distribuição. Os metrics são renormalized corretamente para fornecer robust e as medidas relativas sensíveis da circunstância mudam. Como um exemplo, estas medidas podem ser usadas em dados de EEG, fornecer a discriminação oportuna entre o normal, o preseizure, a apreensão, e os estados da borne-apreensão em pacientes epileptic. O instrumento que utiliza a ferragem ou o software para executar o método e para fornecer uma saída indicativa é divulgado também.