CN103610456A - 基于生理信号特征参数的颅脑压力无创监测分析系统 - Google Patents
基于生理信号特征参数的颅脑压力无创监测分析系统 Download PDFInfo
- Publication number
- CN103610456A CN103610456A CN201310654826.5A CN201310654826A CN103610456A CN 103610456 A CN103610456 A CN 103610456A CN 201310654826 A CN201310654826 A CN 201310654826A CN 103610456 A CN103610456 A CN 103610456A
- Authority
- CN
- China
- Prior art keywords
- cranium
- cerebral power
- cranium cerebral
- signal
- invasive monitoring
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 232
- 238000004458 analytical method Methods 0.000 title claims abstract description 60
- 210000004556 brain Anatomy 0.000 title claims abstract description 33
- 238000001514 detection method Methods 0.000 claims abstract description 38
- 230000002490 cerebral effect Effects 0.000 claims description 442
- 230000000004 hemodynamic effect Effects 0.000 claims description 79
- 230000036772 blood pressure Effects 0.000 claims description 69
- 238000005303 weighing Methods 0.000 claims description 61
- 230000000007 visual effect Effects 0.000 claims description 53
- 230000000763 evoking effect Effects 0.000 claims description 52
- 238000000034 method Methods 0.000 claims description 48
- 238000012549 training Methods 0.000 claims description 37
- 230000008569 process Effects 0.000 claims description 25
- 238000012937 correction Methods 0.000 claims description 18
- 239000000284 extract Substances 0.000 claims description 16
- 230000001360 synchronised effect Effects 0.000 claims description 15
- 230000006978 adaptation Effects 0.000 claims description 14
- 238000007639 printing Methods 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 12
- 230000000694 effects Effects 0.000 claims description 10
- 230000035487 diastolic blood pressure Effects 0.000 claims description 9
- 230000035488 systolic blood pressure Effects 0.000 claims description 9
- 230000004872 arterial blood pressure Effects 0.000 claims description 8
- 230000008602 contraction Effects 0.000 claims description 8
- 238000011534 incubation Methods 0.000 claims description 8
- 230000036962 time dependent Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 4
- 208000027418 Wounds and injury Diseases 0.000 description 17
- 230000006870 function Effects 0.000 description 15
- 238000012360 testing method Methods 0.000 description 8
- 230000006872 improvement Effects 0.000 description 7
- 238000013461 design Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000007917 intracranial administration Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 210000000103 occipital bone Anatomy 0.000 description 4
- 230000004936 stimulating effect Effects 0.000 description 4
- 230000003321 amplification Effects 0.000 description 3
- 238000013075 data extraction Methods 0.000 description 3
- 210000003128 head Anatomy 0.000 description 3
- 238000009593 lumbar puncture Methods 0.000 description 3
- 238000003199 nucleic acid amplification method Methods 0.000 description 3
- 230000001575 pathological effect Effects 0.000 description 3
- 230000035479 physiological effects, processes and functions Effects 0.000 description 3
- 206010022773 Intracranial pressure increased Diseases 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 210000001061 forehead Anatomy 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 201000009941 intracranial hypertension Diseases 0.000 description 2
- 230000035800 maturation Effects 0.000 description 2
- 230000002861 ventricular Effects 0.000 description 2
- 208000002403 Encephalocele Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 208000029028 brain injury Diseases 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000003788 cerebral perfusion Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 210000000624 ear auricle Anatomy 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 238000004070 electrodeposition Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 210000001595 mastoid Anatomy 0.000 description 1
- 210000003657 middle cerebral artery Anatomy 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 230000036391 respiratory frequency Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 230000009131 signaling function Effects 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 210000000239 visual pathway Anatomy 0.000 description 1
- 230000004400 visual pathway Effects 0.000 description 1
Images
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明提供了一种基于生理信号特征参数的颅脑压力无创监测分析系统，其综合利用了颅脑压力变化与多种生理信号的相关度以及与多种特征参数的相关度，很好地保证了颅脑压力无创监测结果的临床检测精度，并且能够在监测过程中由颅脑压力无创监测模型根据不同时间段输入的特征参数种类自适应调整选择相应特征参数种类的影响权重值而运算得到颅脑压力无创检测值，避免因某些特征参数不便于获取时导致无创监测完全失效的问题，即便在发生不同种类特征参数的跳转、切换时，系统所运算输出的颅脑压力无创检测结果也能够很好地保持平稳性和连续性，从而有效实现对颅脑压力的长时间无创监测，增强了系统的检测均衡性和临床普遍适用性。
Description
技术领域
本发明涉及生物医学信号处理技术和无创医疗系统技术领域，特别涉及一种基于生理信号特征参数的颅脑压力无创监测分析系统。
背景技术
目前颅脑压力检（监）测方法多为有创方法，临床应用最多的是脑室穿刺法和腰椎穿刺方法，因为有创，所以需要专业人员进行操作，临床应用要求高，临床数据需要专业人员解释。其中，脑室穿刺法还存在监测费用昂贵、易带来感染的风险，同时因为要进行开颅或穿孔，临床应用科室受限；腰椎穿刺法本身也存在一定的误差，只能得到单个时刻的颅脑压力值，不能进行连续或多点检测，且腰椎穿刺过程对患者而言是一种痛苦，不能经常应用。所以临床有创颅脑压力监测在神经外科应用较多，而不能应用于综合医院、急诊室、门诊和事故现场，即使如此，仍有非常多的医院并没有进行颅脑压力监护，但是颅内高压是继发性脑损伤的一个主要原因，其程度和持续时间已被证明与存活率、永久性功能障碍的程度有关，特别是当颅内体积-压力曲线达到临界点时，只要颅内体积发生少许变化，颅脑压力就会急剧增高，加重脑移位与脑疝，发生中枢衰竭危象。因此临床颅脑压力（Intracranial Pressure，ICP）监测非常重要，是预防和控制颅内高压、确定治疗方案的基础，同时也提供了一种客观衡量成功治疗的方法。基于这样一种现状，无创颅脑压力监测分析方法及设备就提供了一个比较好的选择。
然而在目前，颅脑压力的无创监测仍然是世界性的难题，国内、外虽然有很多颅脑压力无创监测的专利和文献出现，但目前还没有美国FDA以及欧洲CE认证的成熟产品，其市场前景广大；国内虽有基于闪光视觉诱发电位的颅脑压力无创检测分析仪，但由于这类仪器普遍都是基于单一信号参数的颅脑压力无创检测方法，因而不可避免存在依赖单一参数进行颅脑压力无创检测的原理缺陷，导致颅脑压力无创检测的精度不高、临床适用性不强的问题；虽然近期也有出现基于多参数颅脑压力无创检测方法的颅脑压力无创检测分析仪，但其无创检测所利用的多种信号参数的数量和种类非常固定，不可替换，当其中一部分信号参数不便于检测获得、或者一部分信号参数的种类发生跳变时，则无法继续有效、准确地实现颅脑压力的无创检测，自适应性能差，因此不可避免地导致无创检测间断性失效，难以实现对颅脑压力的长时间无创监测，从而在临床应用上仍受到很多限制。
发明内容
针对现有技术存在的上述不足，本发明要解决的技术问题是，如何提供一种基于生理信号特征参数的颅脑压力无创监测分析系统，以解决现有技术中颅脑压力无创检测技术精度不高、间断性失效的问题，更好地保证颅脑压力无创监测结果的精度，实现对颅脑压力的长时间无创监测，增强其临床适用性。
为了实现上述目的，本发明采用了如下的技术手段：
基于生理信号特征参数的颅脑压力无创监测分析系统，该系统包括：
数据采集模块，用于通过数据接口采集和记录来自生理信号无创检测装置的生理信号；所述生理信号包括闪光视觉诱发电位信号、脑血流动力学信号、心电信号和血压信号；
特征参数分析模块，用于对数据采集模块采集到的生理信号进行数据处理和分析，提取生理信号的特征参数；其中，闪光视觉诱发电位信号的特征参数包括N2波潜伏期；脑血流动力学信号的特征参数包括脑血流动力学信号的上升速度、下降速度、上升角、顶峰角、收缩波高度和重搏波波谷深度；心电信号的特征参数包括心电信号的P波宽度、QRS特征波宽度、T波宽度、RR间期、PR间期、ST间期、QT间期和ST段偏移量；血压信号的特征参数包括收缩压、舒张压和平均动脉压；
颅脑压力无创监测分析模块，预设有颅脑压力无创监测模型，用于将特征参数分析模块提取到的生理信号的特征参数作为颅脑压力无创监测模型的输入，实时地得到随时间动态变化的颅脑压力无创检测值；
界面排版显示模块，用于将数据采集模块采集到的生理信号转换为随时间变化的生理信号波形，将颅脑压力无创监测分析模块处理得到的颅脑压力无创检测值转换为随时间变化的颅脑压力监测波形，并按预设的界面排版方式将生理信号波形、颅脑压力监测波形以及特征参数分析模块提取到的生理信号的特征参数、颅脑压力无创监测分析模块处理得到的颅脑压力无创检测值进行实时的界面显示输出。
上述的颅脑压力无创监测分析系统中，作为一种优选方案，所述颅脑压力无创监测分析模块中的颅脑压力无创监测模型为：
PnICP(t)=k1·f(N2(t))+k2·an·f(θn(t))+k3·bi·f(βi(t))+k4·cj·f(BPj(t))；
其中，PnICP(t)表示随时间t动态变化的颅脑压力无创检测值；k1、k2、k3、k4分别表示闪光视觉诱发电位信号、脑血流动力学信号、心电信号、血压信号的变化对颅脑压力变化的影响权重系数；f(N2(t))表示N2波潜伏期与颅脑压力之间随时间t变化的函数关系；f(θn(t))表示脑血流动力学信号的第n种特征参数θn(t)与颅脑压力之间随时间t变化的函数关系，n∈{1,2,...,6}，其中，θ1(t)、θ2(t)、…、θ6(t)分别表示脑血流动力学信号的上升速度、下降速度、上升角、顶峰角、收缩波高度、重搏波波谷深度这六种特征参数，an则表示脑血流动力学信号的第n种特征参数θn(t)的变化对颅脑压力变化的影响权重值，且
f(βi(t))表示心电信号的第i种特征参数βi(t)与颅脑压力之间随时间t变化的函数关系，i∈{1,2,...,8}，其中，β1(t)、β2(t)、…、β8(t)分别表示心电信号的P波宽度、QRS特征波宽度、T波宽度、RR间期、PR间期、ST间期、QT间期、ST段偏移量这八种特征参数，bi则表示心电信号的第i种特征参数βi(t)的变化对颅脑压力变化的影响权重值，且
f(BPj(t))表示血压信号的第j种特征参数BPj(t)与颅脑压力之间随时间t变化的函数关系，j∈{1,2,3}，其中，BP1(t)、BP2(t)、BP3(t)分别表示收缩压、舒张压、平均动脉压这三种特征参数，cj则表示血压信号的第j种特征参数BPj(t)的变化对颅脑压力变化的影响权重值，且c1+c2=c3=1；
所述颅脑压力无创监测模型中，根据对不同时间段输入的特征参数θn(t)、βi(t)、BPj(t)的种类编号n、i、j的判断，自适应调整选择相应种类编号的影响权重值an、bi、cj进行颅脑压力无创检测值PnICP(t)的计算。
上述的颅脑压力无创监测分析系统中，作为一种优选方案，所述颅脑压力无创监测分析模块中的颅脑压力无创监测模型通过如下的方法得到：
1）通过与颅脑压力无创监测分析系统数据通信连接的生理信号无创检测装置同步采集训练样本对象的闪光视觉诱发电位信号、脑血流动力学信号、心电信号和血压信号至颅脑压力无创监测分析系统，同时通过与颅脑压力无创监测分析系统数据通信连接的颅脑压力有创监测仪同步采集训练样本对象实际的颅脑压力动态变化过程波形至颅脑压力无创监测分析系统；
2）选择多个患有不同颅脑压力相关病症的病人分别作为训练样本对象，通过步骤1）所述的方法利用颅脑压力无创监测分析系统获取这多个训练样本对象的闪光视觉诱发电位信号、脑血流动力学信号、心电信号和血压信号以及有创监测的颅脑压力动态变化过程波形；
3）通过分析步骤2）中获取的多个训练样本对象的闪光视觉诱发电位信号、脑血流动力学信号、心电信号和血压信号各自的变化对颅脑压力变化影响的大小程度和比例关系，确定闪光视觉诱发电位信号、脑血流动力学信号、心电信号、血压信号的变化对颅脑压力变化的影响权重系数k1、k2、k3、k4；
4）通过分析分别提取出步骤2）中获取的多个训练样本对象的闪光视觉诱发电位信号、脑血流动力学信号、心电信号和血压信号中各种特征参数与颅脑压力之间随时间t变化的函数关系f(N2(t))、f(θn(t))、f(βi(t))、f(BPj(t))，并根据脑血流动力学信号、心电信号和血压信号中各种特征参数的变化对颅脑压力变化影响的大小程度和比例关系确定各自相应的影响权重值an、bi、cj，其中n∈{1,2,...,6}，i∈{1,2,...,8}，j∈{1,2,3}；
5）利用相应的影响权重系数和影响权重值分别对闪光视觉诱发电位信号、脑血流动力学信号、心电信号和血压信号中特征参数与颅脑压力之间随时间t变化的函数关系进行加权求和，得到颅脑压力无创监测模型：
PnICP(t)=k1·f(N2(t))+k2·an·f(θn(t))+k3·bi·f(βi(t))+k4·cj·f(BPj(t))；
并使颅脑压力无创监测模型中，根据对不同时间段输入的特征参数θn(t)、βi(t)、BPj(t)的种类编号n、i、j的判断，自适应调整选择相应种类编号的影响权重值an、bi、cj进行颅脑压力无创检测值PnICP(t)的计算。
上述的颅脑压力无创监测分析系统中，作为一种改进方案，所述颅脑压力无创监测分析模块还预设有颅脑压力监测校准模型，用于根据被监测对象的颅脑压力有创检测值进行校准，得到因被监测对象个体差异产生的补偿修正值；所述颅脑压力无创监测校准模型为：
ΔP=PnICP(tk)-PICP(tk)；
其中，ΔP表示因被监测对象个体差异产生的补偿修正值；PICP(tk)表示在校准检测时刻tk对被监测对象进行颅脑压力有创检测得到的颅脑压力有创检测值；PnICP(tk)表示在校准检测时刻tk由颅脑压力无创监测模型在补偿修正值ΔP设置为零的条件下与颅脑压力有创检测同步检测得到的被监测对象的颅脑压力无创检测初值。
上述的颅脑压力无创监测分析系统中，作为一种改进方案，所述颅脑压力无创监测分析模块中的颅脑压力无创监测模型为：
PnICP(t)=k1·f(N2(t))+k2·an·f(θn(t))+k3·bi·f(βi(t))+k4·cj·f(BPj(t))+ΔP；
其中，PnICP(t)表示随时间t动态变化的颅脑压力无创检测值，ΔP表示因被监测对象个体差异产生的补偿修正值；k1、k2、k3、k4分别表示闪光视觉诱发电位信号、脑血流动力学信号、心电信号、血压信号的变化对颅脑压力变化的影响权重系数；f(N2(t))表示N2波潜伏期与颅脑压力之间随时间t变化的函数关系；f(θn(t))表示脑血流动力学信号的第n种特征参数θn(t)与颅脑压力之间随时间t变化的函数关系，n∈{1,2,...,6}，其中，θ1(t)、θ2(t)、…、θ6(t)分别表示脑血流动力学信号的上升速度、下降速度、上升角、顶峰角、收缩波高度、重搏波波谷深度这六种特征参数，an则表示脑血流动力学信号的第n种特征参数θn(t)的变化对颅脑压力变化的影响权重值，且f(βi(t))表示心电信号的第i种特征参数βi(t)与颅脑压力之间随时间t变化的函数关系，i∈{1,2,...,8}，其中，β1(t)、β2(t)、…、β8(t)分别表示心电信号的P波宽度、QRS特征波宽度、T波宽度、RR间期、PR间期、ST间期、QT间期、ST段偏移量这八种特征参数，bi则表示心电信号的第i种特征参数βi(t)的变化对颅脑压力变化的影响权重值，且
f(BPj(t))表示血压信号的第j种特征参数BPj(t)与颅脑压力之间随时间t变化的函数关系，j∈{1,2,3}，其中，BP1(t)、BP2(t)、BP3(t)分别表示收缩压、舒张压、平均动脉压这三种特征参数，cj则表示血压信号的第j种特征参数BPj(t)的变化对颅脑压力变化的影响权重值，且c1+c2=c3=1；
所述颅脑压力无创监测模型中，根据对不同时间段输入的特征参数θn(t)、βi(t)、BPj(t)的种类编号n、i、j的判断，自适应调整选择相应种类编号的影响权重值an、bi、cj进行颅脑压力无创检测值PnICP(t)的计算。
上述的颅脑压力无创监测分析系统中，作为一种改进方案，所述颅脑压力无创监测分析模块中的颅脑压力无创监测模型通过如下的方法得到：
1）通过与颅脑压力无创监测分析系统数据通信连接的生理信号无创检测装置同步采集训练样本对象的闪光视觉诱发电位信号、脑血流动力学信号、心电信号和血压信号至颅脑压力无创监测分析系统，同时通过与颅脑压力无创监测分析系统数据通信连接的颅脑压力有创监测仪同步采集训练样本对象实际的颅脑压力动态变化过程波形至颅脑压力无创监测分析系统；
2）选择多个患有不同颅脑压力相关病症的病人分别作为训练样本对象，通过步骤1）所述的方法利用颅脑压力无创监测分析系统获取这多个训练样本对象的闪光视觉诱发电位信号、脑血流动力学信号、心电信号和血压信号以及有创监测的颅脑压力动态变化过程波形；
3）通过分析步骤2）中获取的多个训练样本对象的闪光视觉诱发电位信号、脑血流动力学信号、心电信号和血压信号各自的变化对颅脑压力变化影响的大小程度和比例关系，确定闪光视觉诱发电位信号、脑血流动力学信号、心电信号、血压信号的变化对颅脑压力变化的影响权重系数k1、k2、k3、k4；
4）通过分析分别提取出步骤2）中获取的多个训练样本对象的闪光视觉诱发电位信号、脑血流动力学信号、心电信号和血压信号中各种特征参数与颅脑压力之间随时间t变化的函数关系f(N2(t))、f(θn(t))、f(βi(t))、f(BPj(t))，并根据脑血流动力学信号、心电信号和血压信号中各种特征参数的变化对颅脑压力变化影响的大小程度和比例关系确定各自相应的影响权重值an、bi、cj，其中n∈{1,2,...,6}，i∈{1,2,...,8}，j∈{1,2,3}；
5）利用相应的影响权重系数和影响权重值分别对闪光视觉诱发电位信号、脑血流动力学信号、心电信号和血压信号中特征参数与颅脑压力之间随时间t变化的函数关系进行加权求和，结合颅脑压力无创监测校准模型得到的补偿修正值ΔP，得到颅脑压力无创监测模型：
PnICP(t)=k1·f(N2(t))+k2·an·f(θn(t))+k3·bi·f(βi(t))+k4·cj·f(BPj(t))+ΔP；
并使颅脑压力无创监测模型中，根据对不同时间段输入的特征参数θn(t)、βi(t)、BPj(t)的种类编号n、i、j的判断，自适应调整选择相应种类编号的影响权重值an、bi、cj进行颅脑压力无创检测值PnICP(t)的计算。
上述的颅脑压力无创监测分析系统中，作为一种改进方案，该系统还包括：
数据库模块，用于进行被监测对象的个体信息、查询用户登录信息的记录，并提供对被监测对象的个体信息以及生理信号、特征参数的数据库管理和查询功能。
上述的颅脑压力无创监测分析系统中，作为一种改进方案，该系统还包括：
报告打印模块，用于与打印机的驱动程序相适配，并根据预先的设置调取被检测对象的监测数据编辑为监测报告文本，通过调用驱动程序控制打印机执行监测报告文本的打印操作；所述监测数据包括被检测对象的生理信号、特征参数、生理信号波形或/和颅脑压力监测波形。
上述的颅脑压力无创监测分析系统中，作为一种改进方案，该系统还包括：
辅助功能模块，用于实现对数据采集模块、特征参数分析模块和颅脑压力无创监测分析模块的功能参数设定，以及实现对生理信号波形、颅脑压力监测波形的时间轴浏览操作。
与现有技术相比，本发明具有以下优点：
1、本发明基于生理信号特征参数的颅脑压力无创监测分析系统，综合利用了颅脑压力变化与多种生理信号的相关度以及与多种特征参数的相关度，使得通过本系统无创监测获得的颅脑压力检测结果更全面反映颅脑压力随多种生理、病理信号参数的变化情况，因而避免了单一参数颅内压无创检测方法检测结果不稳定的缺陷，很好地保证了颅脑压力无创监测结果的临床检测精度。
2、本发明基于生理信号特征参数的颅脑压力无创监测分析系统，能够在监测过程中由颅脑压力无创监测模型根据不同时间段输入的特征参数种类自适应调整选择相应特征参数种类的影响权重值而运算得到颅脑压力无创检测值，一方面使得颅脑压力无创监测模型利用生理信号中不同种类的特征参数能够得到精准度相当的颅脑压力无创检测值运算结果，以适应于不同的临床检测情况，避免因某些特征参数不便于获取时导致无创监测完全失效的问题，另一方面也能够弱化不同特征参数的输入跳转、切换时对颅脑压力无创检测值运算结果的影响，使得即便在发生不同种类特征参数的跳转、切换时，系统所运算输出的颅脑压力无创检测结果也能够很好的保持平稳性和连续性，从而能够有效实现对颅脑压力的长时间无创监测，增强了本发明颅脑压力无创监测分析系统的检测均衡性和临床普遍适用性。
3、本发明基于生理信号特征参数的颅脑压力无创监测分析系统，还能够对不同个体进行准确的差异化颅脑压力无创监测，使得该系统具备更好的临床适用性和鲁棒性。
附图说明
图1为本发明基于生理信号特征参数的颅脑压力无创监测分析系统的构架框图；
图2为本发明颅脑压力无创监测分析系统界面显示输出的一种界面显示的示例。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细说明。
本发明提供了一种基于生理信号特征参数的颅脑压力无创监测分析系统，该系统是一套依附于计算机设备的系统平台上运行的软件程序系统；运行有本发明系统的计算机设备通过数据接口连接生理信号无创检测装置、通过显示输出接口连接显示器，本发明颅脑压力无创监测分析系统则根据生理信号无创检测装置所检测的生理信号进行综合监测分析，处理并显示输出颅脑压力无创监测数据和波形。本发明基于生理信号特征参数的颅脑压力无创监测分析系统采用了基于多种生理信号、多种特征参数的颅脑压力无创监测模型求取颅脑压力无创检测值，使得通过本系统无创监测获得的颅脑压力检测结果更全面反映颅脑压力随多种生理、病理信号参数的变化情况，避免了单一参数颅脑压力无创检测方法检测结果不稳定的缺陷，能够更好地保证颅脑压力无创监测结果的临床检测精度。
如图1所示，本发明基于生理信号特征参数的颅脑压力无创监测分析系统主要由数据采集模块、特征参数分析模块、颅脑压力无创监测分析模块和界面排版显示模块构成。其中，数据采集模块用于通过数据接口采集和记录来自生理信号无创检测装置的生理信号；这里所述的生理信号包括闪光视觉诱发电位信号、脑血流动力学信号、心电信号和血压信号。特征参数分析模块用于对数据采集模块采集到的生理信号进行数据处理和分析，提取生理信号的特征参数；其中，闪光视觉诱发电位信号的特征参数包括N2波潜伏期；脑血流动力学信号的特征参数包括脑血流动力学信号的上升速度、下降速度、上升角、顶峰角、收缩波高度和重搏波波谷深度；心电信号的特征参数包括心电信号的P波宽度、QRS特征波宽度、T波宽度、RR间期、PR间期、ST间期、QT间期和ST段偏移量；血压信号的特征参数包括收缩压、舒张压和平均动脉压。颅脑压力无创监测分析模块预设有颅脑压力无创监测模型，用于将特征参数分析模块提取到的生理信号的特征参数作为颅脑压力无创监测模型的输入，实时地得到随时间动态变化的颅脑压力无创检测值。界面排版显示模块用于将数据采集模块采集到的生理信号转换为随时间变化的生理信号波形，将颅脑压力无创监测分析模块处理得到的颅脑压力无创检测值转换为随时间变化的颅脑压力监测波形，并按预设的界面排版方式将生理信号波形、颅脑压力监测波形以及特征参数分析模块提取到的生理信号的特征参数、颅脑压力无创监测分析模块处理得到的颅脑压力无创检测值进行实时的界面显示输出。
本发明中提及的生理信号无创检测装置，应当至少包括有心电信号采集电路、闪光视觉诱发电位信号采集电路、脑血流动力学信号采集电路和血压信号采集电路。各部分电路可以是分体式集成结构的，也可以是一体化整体结构的。其中，心电信号采集电路包括三导联的电极、心电信号放大调理电路、数据转换输出电路，其电路构成与市面上心电信号检测仪的信号采集部分的电路结构基本相同，属于技术成熟的电路结构。闪光视觉诱发电位采集电路包括刺激光源、双导联枕骨电极、地电极和参考电极、放大调理电路以及数据转换输出电路；刺激光源与数据转换输出电路中的脉宽调制电路接口连接，可通过控制该脉宽调制电路，产生一定频率和脉宽的闪光刺激信号；地电极放置在人体头部眉间处，参考电极可放置在患者两耳的耳垂处或放置在患者额头发际处，以采集地电位和参考点位；双导联枕骨电极放置在患者头部两枕骨处，这也是人体视通路的末端；放大调理电路的输入部分分别与地电极、参考电极和双导联枕骨电极电连接，放大调理电路的输出部分与数据转换输出电路相连；数据转换输出电路连接至运行有本发明颅脑压力无创监测分析系统的计算机设备的数据采集接口，用于将转换输出的闪光视觉诱发电位信号传输至颅脑压力无创监测分析系统。脑血流动力学信号采集电路包括两个激励电极、四个检测电极、恒流源激励电路、放大调理电路以及数据转换输出电路；两个激励电极分别放置在患者前额正中和枕骨粗隆下发际边缘；恒流源激励电路与两个激励电极电连接，用于产生刺激电流并通过两个激励电极作用于人体头部，刺激电流通常为40～100kHz、2～8mA的弱电流；四个检测电极分别放置在患者左右眉弓正中上方之额结节处以及左右耳后乳突处，用于检测大脑中动脉区域的脑血流动力学状态；放大调理电路与四个检测电极电连接，根据四个检测电极检测信号的大小进行放大调理，其输出部分与数据转换输出电路连接；数据转换输出电路连接至运行有本发明颅脑压力无创监测分析系统的计算机设备的数据采集接口，用于将转换输出的脑血流动力学信号传输至颅脑压力无创监测分析系统。血压信号采集电路包括袖带及压力传感器、充放气控制电路、血压信号传递及数据转换输出电路，其电路构成与市面上血压检测仪的信号采集部分的电路结构基本相同，属于技术成熟的电路结构。生理信号无创检测装置数据通信连接到本发明的颅脑压力无创监测分析系统后，其各部分电路的检测启动、生理信号数据的采集和记录、数据和保存和调用，则都由颅脑压力无创监测分析系统进行控制。
本发明基于生理信号特征参数的颅脑压力无创监测分析系统，可以利用Visual C++6.0等现有技术中常用的软件编程语言进行编程得以实现，编程得到的颅脑压力无创监测分析系统在Windows等计算机设备的操作系统平台上运行工作，以适应不同的客户需要。本发明颅脑压力无创监测分析系统的特征参数分析模块中，对闪光视觉诱发电位信号、脑血流动力学信号、心电信号和血压信号处理、分析提取得到各种特征参数的方法，均属于本领域中成熟的数据提取方法，本领域技术人员可根据这些特征参数的数据提取方法进行编程，实现特征参数分析模块的数据提取功能。而本发明颅脑压力无创监测分析系统的颅脑压力无创监测分析模块中，颅脑压力无创监测模型则可以选择适宜的病人作为训练样本对象，从病理学和生物力学角度出发，利用生理信号无创检测装置同步采集训练样本对象的闪光视觉诱发电位信号、脑血流动力学信号、心电信号和血压信号，同时利用与计算机数据通信连接的颅脑压力有创监测仪同步采集训练样本对象实际的颅脑压力动态变化过程波形，然后通过数据挖掘和分析识别，提取出不同病症的训练样本对象的闪光视觉诱发电位信号、脑血流动力学信号、心电信号和血压信号中各种特征参数的变化与颅脑压力变化之间的相关关系，通过数学建模构建而得到。建立得到颅脑压力无创监测分析模块中的颅脑压力无创监测模型的流程如图2所示，具体方法如下：
1）通过与颅脑压力无创监测分析系统数据通信连接的生理信号无创检测装置同步采集训练样本对象的闪光视觉诱发电位信号、脑血流动力学信号、心电信号和血压信号至颅脑压力无创监测分析系统，同时通过与颅脑压力无创监测分析系统数据通信连接的颅脑压力有创监测仪同步采集训练样本对象实际的颅脑压力动态变化过程波形至颅脑压力无创监测分析系统；
2）选择多个患有不同颅脑压力相关病症的病人分别作为训练样本对象，通过步骤1）所述的方法利用颅脑压力无创监测分析系统获取这多个训练样本对象的闪光视觉诱发电位信号、脑血流动力学信号、心电信号和血压信号以及有创监测的颅脑压力动态变化过程波形；
3）通过分析步骤2）中获取的多个训练样本对象的闪光视觉诱发电位信号、脑血流动力学信号、心电信号和血压信号各自的变化对颅脑压力变化影响的大小程度和比例关系，确定闪光视觉诱发电位信号、脑血流动力学信号、心电信号、血压信号的变化对颅脑压力变化的影响权重系数k1、k2、k3、k4；
4）通过分析分别提取出步骤2）中获取的多个训练样本对象的闪光视觉诱发电位信号、脑血流动力学信号、心电信号和血压信号中各种特征参数与颅脑压力之间随时间t变化的函数关系f(N2(t))、f(θn(t))、f(βi(t))、f(BPj(t))，并根据脑血流动力学信号、心电信号和血压信号中各种特征参数的变化对颅脑压力变化影响的大小程度和比例关系确定各自相应的影响权重值an、bi、cj，其中n∈{1,2,...,6}，i∈{1,2,...,8}，j∈{1,2,3}；
5）利用相应的影响权重系数和影响权重值分别对闪光视觉诱发电位信号、脑血流动力学信号、心电信号和血压信号中特征参数与颅脑压力之间随时间t变化的函数关系进行加权求和，得到颅脑压力无创监测模型：
PnICP(t)=k1·f(N2(t))+k2·an·f(θn(t))+k3·bi·f(βi(t))+k4·cj·f(BPj(t))；
并使颅脑压力无创监测模型中，根据对不同时间段输入的特征参数θn(t)、βi(t)、BPj(t)的种类编号n、i、j的判断，自适应调整选择相应种类编号的影响权重值an、bi、cj进行颅脑压力无创检测值PnICP(t)的计算。该颅脑压力无创监测模型中，PnICP(t)表示随时间t动态变化的颅脑压力无创检测值；k1、k2、k3、k4分别表示闪光视觉诱发电位信号、脑血流动力学信号、心电信号、血压信号的变化对颅脑压力变化的影响权重系数；f(N2(t))表示N2波潜伏期与颅脑压力之间随时间t变化的函数关系；f(θn(t))表示脑血流动力学信号的第n种特征参数θn(t)与颅脑压力之间随时间t变化的函数关系，n∈{1,2,...,6}，其中，θ1(t)、θ2(t)、…、θ6(t)分别表示脑血流动力学信号的上升速度、下降速度、上升角、顶峰角、收缩波高度、重搏波波谷深度这六种特征参数，an则表示脑血流动力学信号的第n种特征参数θn(t)的变化对颅脑压力变化的影响权重值，且
f(βi(t))表示心电信号的第i种特征参数βi(t)与颅脑压力之间随时间t变化的函数关系，i∈{1,2,...,8}，其中，β1(t)、β2(t)、…、β8(t)分别表示心电信号的P波宽度、QRS特征波宽度、T波宽度、RR间期、PR间期、ST间期、QT间期、ST段偏移量这八种特征参数，bi则表示心电信号的第i种特征参数βi(t)的变化对颅脑压力变化的影响权重值，且f(BPj(t))表示血压信号的第j种特征参数BPj(t)与颅脑压力之间随时间t变化的函数关系，j∈{1,2,3}，其中，BP1(t)、BP2(t)、BP3(t)分别表示收缩压、舒张压、平均动脉压这三种特征参数，cj则表示血压信号的第j种特征参数BPj(t)的变化对颅脑压力变化的影响权重值，且c1+c2=c3=1。
训练建立颅脑压力无创监测模型的过程中，之所以选用颅脑压力有创监测仪采集训练样本对象的颅脑压力动态变化过程波形，是因为现有的颅脑压力有创监测仪更能够准确地检测训练样本对象的真实的颅脑压力变化情况，避免建模中数据的偏差给颅脑压力无创监测模型带来不可弥补的运算偏差，以保证颅脑压力无创监测模型的准确性。而闪光视觉诱发电位信号、脑血流动力学信号、心电信号和血压信号中所包含有多种特征参数，都与颅脑压力有较密切的联系，因此，基于此四项，本发明通过综合考量这些生理信号及其特征参数与颅脑压力的关系，即可利用这些生理信号以及其中的特征参数确定颅脑压力的变化。更为重要的是，在本发明颅脑压力无创监测分析系统中，利用上述的颅脑压力无创监测模型，其能够根据对不同时间段输入的特征参数θn(t)、βi(t)、BPj(t)的种类编号n、i、j的判断，自适应调整选择相应种类编号的影响权重值an、bi、cj进行颅脑压力无创检测值PnICP(t)的计算；例如，在某个时间段，若由特征参数分析模块提取得到并向颅脑压力无创监测模型输入的脑血流动力学信号的特征参数为脑血流动力学信号的上升速度θ1(t)、心电信号的特征参数为心电信号的QRS特征波宽度β2(t)、血压信号的特征参数为收缩压BP1(t)时，颅脑压力无创监测模型则自适应地调整选择θ1(t)、β2(t)、BP1(t)相应的影响权重值a1、b2、c1计算颅脑压力无创检测值PnICP(t)；而在另一时间段，若由特征参数分析模块提取得到并向颅脑压力无创监测模型输入的脑血流动力学信号的特征参数为脑血流动力学信号的下降速度θ2(t)、心电信号的特征参数为心电信号的PR间期β5(t)、血压信号的特征参数为舒张压BP2(t)时，颅脑压力无创监测模型则自适应地调整选择θ2(t)、β5(t)、BP2(t)相应的影响权重值a2、b5、c2计算颅脑压力无创检测值PnICP(t)；……如此自适应调整选择相应的影响权重值an、bi、cj，直至监测过程结束。这样以来，发明基于生理信号特征参数的颅脑压力无创监测分析系统，能够在监测过程中由颅脑压力无创监测模型根据不同时间段输入的特征参数种类自适应调整选择相应特征参数种类的影响权重值而运算得到颅脑压力无创检测值，一方面使得颅脑压力无创监测模型利用生理信号中不同种类的特征参数能够得到精准度相当的颅脑压力无创检测值运算结果，以适应于不同的临床检测情况，避免因某些特征参数不便于获取时导致无创监测完全失效的问题，另一方面也能够弱化不同特征参数的输入跳转、切换时对颅脑压力无创检测值运算结果的影响，使得即便在发生不同种类特征参数的跳转、切换时，系统所运算输出的颅脑压力无创检测结果也能够很好的保持平稳性和连续性，从而能够有效实现对颅脑压力的长时间无创监测，增强了本发明颅脑压力无创监测分析系统的检测均衡性和临床普遍适用性。
得到颅脑压力无创监测模型后，借助本发明的颅脑压力无创监测分析系统，对于待进行颅脑压力监测的患者，则无需再进行颅脑压力的有创检测，而是借助生理信号无创检测装置检测检测患者的闪光视觉诱发电位信号、脑血流动力学信号、心电信号和血压信号，借助本发明颅脑压力无创监测分析系统中的颅脑压力无创监测模型进行多参数、多方位运算处理，即到相应的颅脑压力动态变化过程波形，由于闪光视觉诱发电位信号、脑血流动力学信号、心电信号和血压信号均来自于生理信号无创检测装置，从而实现了对颅脑压力的无创检测；同时，由于本发明颅脑压力无创监测分析系统中的颅脑压力无创监测模型综合考量了颅脑压力变化与多种生理信号的相关度（分别通过影响权重系数k1、k2、k3、k4加以度量）以及与多种特征参数的相关度（分别通过影响权重值an、bi、cj加以度量），使得通过本系统无创监测获得的颅脑压力检测结果更全面反映颅脑压力随多种生理、病理信号参数的变化情况，因而避免了单一参数颅内压无创检测方法检测结果不稳定的缺陷，更好的保证了颅脑压力无创监测结果的临床检测精度。
考虑到不同个体之间年龄、性别、身高、体重、临床病症、用药历史等情况存在不同，其生理信号和特征参数与颅脑压力之间的相关性也可能存在个体化差异，如果利用单一的颅脑压力无创监测模型进行颅脑压力无创监测，则可能存在个体化差异引起的监测误差。为此，作为本发明颅脑压力无创监测分析系统的进一步改进方案，系统中的颅脑压力无创监测分析模块还预设有颅脑压力监测校准模型，用于根据被监测对象的颅脑压力有创检测值进行校准，得到因被监测对象个体差异产生的补偿修正值，以便于利用该补偿修正值来减小系统针对个体化差异的监测误差。该颅脑压力无创监测校准模型为：
ΔP=PnICP(tk)-PICP(tk)；
其中，ΔP表示因被监测对象个体差异产生的补偿修正值；PICP(tk)表示在校准检测时刻tk对被监测对象进行颅脑压力有创检测得到的颅脑压力有创检测值；PnICP(tk)表示在校准检测时刻tk由颅脑压力无创监测模型在补偿修正值ΔP设置为零的条件下与颅脑压力有创检测同步检测得到的被监测对象的颅脑压力无创检测初值。此处所述的校准检测时刻tk，是指针对被监测的个体对象进行校准检测操作的时刻，该校准检测时刻应当在利用本发明颅脑压力无创监测分析系统对被监测个体对象正式进行颅脑压力监测过程之前，以保证颅脑压力监测过程中，系统能够利用该补偿修正值对被监测个体对象的颅脑压力无创检测值加以个体化修正，减少个体误差。在结合颅脑压力无创监测校准模型的基础上，建立颅脑压力无创监测模型的方法也可以进行相应的改进，即在上述模型建立方法的基础上，在步骤5）中，利用相应的影响权重系数和影响权重值分别对闪光视觉诱发电位信号、脑血流动力学信号、心电信号和血压信号中特征参数与颅脑压力之间随时间t变化的函数关系进行加权求和后，还进一步的结合颅脑压力无创监测校准模型得到的补偿修正值ΔP，得到颅脑压力无创监测模型：
PnICP(t)=k1·f(N2(t))+k2·an·f(θn(t))+k3·bi·f(βi(t))+k4·cj·f(BPj(t))+ΔP；
其中，PnICP(t)表示随时间t动态变化的颅脑压力无创检测值，ΔP表示因被监测对象个体差异产生的补偿修正值；其它各字符含义与前文相一致，同样地，在该颅脑压力无创监测模型中，根据对不同时间段输入的特征参数θn(t)、βi(t)、BPj(t)的种类编号n、i、j的判断，自适应调整选择相应种类编号的影响权重值an、bi、cj进行颅脑压力无创检测值PnICP(t)的计算。由此，本发明的颅脑压力无创监测分析系统除了能够有效实现对颅脑压力的长时间无创监测、保证颅脑压力无创监测结果的临床检测精度之外，还能够基于生理信号和特征参数对不同个体进行更为准确的差异化颅脑压力无创监测，使得该系统具备更好的临床适用性和鲁棒性。
具体应用实施时，本发明基于生理信号特征参数的颅脑压力无创监测分析系统中各个模块可以进行适于实用的具体设计。例如，在系统的数据采集模块中，可以内嵌信号过滤处理算法以滤除所采集的生理信号中的各种噪声，如工频干扰噪声、呼吸噪声、不同通道之间的串扰噪声等。在特征参数分析模块中，除了提取出生理信号中的上述各种特征参数之外，还可以提取一些用于显示被监测对象生理健康状态的生理数据，例如心率、呼吸频率等，也可以提取一些设备的工作数据，例如设备工作电压、工作设置参数等。在颅脑压力无创监测分析模块中，可以添加对被监测对象的其它数据分析功能，例如生理信号趋势分析、颅脑压力趋势分析等。在界面排版显示模块中，可以将界面设计得较为美观实用，并且在界面中划分多个不同的显示区，例如“波形显示区”、“数据显示区”、“功能操作显示区”等，设置“波形显示区”显示生理信号波形、颅脑压力监测波形，设置“数据显示区”显示生理信号的特征参数、颅脑压力无创检测值等，设置“功能操作显示区”显示各种操作按键以及功能按键等；图2示出了一种界面显示的示例。
另一方面，为了使得功能更加完善，在本发明的颅脑压力无创监测分析系统中，还可以增设数据库模块、报告打印模块、辅助功能模块等。
数据库模块用于进行被监测对象的个体信息、查询用户登录信息的记录，并提供对被监测对象的个体信息以及生理信号、特征参数的数据库管理和查询功能。数据库模块利用数据库编程技术即可实现。具体应用时，可以通过编程设计，使得数据库模块可以审核登录用户身份、把由患者信息输入对话框输入的患者信息自动保存到数据库中并进行管理，还可把检（监）测过程中根据各生理信号波形提取到的特征参数以及随时间变化的颅脑压力无创检测值实时地保存到数据库中；同时，通过调用数据库模块的查询功能，在查询窗口提供多种患者信息查询方式，例如根据患者姓名、患者ID、检查日期、检测医生及检测时间段查询，也可以对患者信息进行综合查询，并统计出每种查询方式下的记录数，还可设计实现对患者相关检测结果的统计管理和记录。
报告打印模块用于与打印机的驱动程序相适配，并根据预先的设置调取被检测对象的监测数据编辑为监测报告文本，通过调用驱动程序控制打印机执行监测报告文本的打印操作；这里所述的监测数据，包括被检测对象的生理信号、特征参数、生理信号波形或/和颅脑压力监测波形等，可根据具体设计的报告打印模板确定需要打印的监测数据。报告打印模块利用现有的计算机系统驱动编程技术即可实现。具体应用时，可以通过编程设计，使得报告打印模块提供多种报告打印模式，例如颅脑压力无创检测报告打印、颅脑压力变化趋势分析报告打印、带脑灌注压的颅脑压力无创检测报告打印等，在报告中显示患者基本信息，还可以根据选择的报告打印模式显示记录的各生理信号波形、颅脑压力变化曲线以及各生理信号特征参数及颅脑压力检测值，以方便医生根据这些信息对患者进行全面综合的评估。
辅助功能模块用于实现对数据采集模块、特征参数分析模块和颅脑压力无创监测分析模块的功能参数设定，以及实现对生理信号波形、颅脑压力监测波形的时间轴浏览操作。辅助功能模块利用现有的软件系统辅助功能编程方案即可实现。主要用于实现生理信号的采集、记录、分析过程中的功能参数设置功能，以及生理信号波形、颅脑压力监测波形显示时的时间轴浏览操作等软件系统必不可少的辅助功能，具体应用时，还可以添加电极位置放置位置示意功能、系统应用帮助功能等。
需要说明的是，以上实施例仅以说明本发明技术方案而非限制本发明。尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围之中。
Claims (9)
1.基于生理信号特征参数的颅脑压力无创监测分析系统，其特征在于，该系统包括：
数据采集模块，用于通过数据接口采集和记录来自生理信号无创检测装置的生理信号；所述生理信号包括闪光视觉诱发电位信号、脑血流动力学信号、心电信号和血压信号；
特征参数分析模块，用于对数据采集模块采集到的生理信号进行数据处理和分析，提取生理信号的特征参数；其中，闪光视觉诱发电位信号的特征参数包括N2波潜伏期；脑血流动力学信号的特征参数包括脑血流动力学信号的上升速度、下降速度、上升角、顶峰角、收缩波高度和重搏波波谷深度；心电信号的特征参数包括心电信号的P波宽度、QRS特征波宽度、T波宽度、RR间期、PR间期、ST间期、QT间期和ST段偏移量；血压信号的特征参数包括收缩压、舒张压和平均动脉压；
颅脑压力无创监测分析模块，预设有颅脑压力无创监测模型，用于将特征参数分析模块提取到的生理信号的特征参数作为颅脑压力无创监测模型的输入，实时地得到随时间动态变化的颅脑压力无创检测值；
界面排版显示模块，用于将数据采集模块采集到的生理信号转换为随时间变化的生理信号波形，将颅脑压力无创监测分析模块处理得到的颅脑压力无创检测值转换为随时间变化的颅脑压力监测波形，并按预设的界面排版方式将生理信号波形、颅脑压力监测波形以及特征参数分析模块提取到的生理信号的特征参数、颅脑压力无创监测分析模块处理得到的颅脑压力无创检测值进行实时的界面显示输出。
2.根据权利要求1所述的颅脑压力无创监测分析系统，其特征在于，所述颅脑压力无创监测分析模块中的颅脑压力无创监测模型为：
PnICP(t)=k1·f(N2(t))+k2·an·f(θn(t))+k3·bi·f(βi(t))+k4·cj·f(BPj(t)）；
其中，PnICP(t)表示随时间t动态变化的颅脑压力无创检测值；k1、k2、k3、k4分别表示闪光视觉诱发电位信号、脑血流动力学信号、心电信号、血压信号的变化对颅脑压力变化的影响权重系数；f(N2(t))表示N2波潜伏期与颅脑压力之间随时间t变化的函数关系；f(θn(t))表示脑血流动力学信号的第n种特征参数θn(t)与颅脑压力之间随时间t变化的函数关系，n∈{1,2,...,6}，其中，θ1(t)、θ2(t)、…、θ6(t)分别表示脑血流动力学信号的上升速度、下降速度、上升角、顶峰角、收缩波高度、重搏波波谷深度这六种特征参数，an则表示脑血流动力学信号的第n种特征参数θn(t)的变化对颅脑压力变化的影响权重值，且
f(βi(t))表示心电信号的第i种特征参数βi(t)与颅脑压力之间随时间t变化的函数关系，i∈{1,2,...,8}，其中，β1(t)、β2(t)、…、β8(t)分别表示心电信号的P波宽度、QRS特征波宽度、T波宽度、RR间期、PR间期、ST间期、QT间期、ST段偏移量这八种特征参数，bi则表示心电信号的第i种特征参数βi(t)的变化对颅脑压力变化的影响权重值，且f(BPj(t))表示血压信号的第j种特征参数BPj(t)与颅脑压力之间随时间t变化的函数关系，j∈{1,2,3}，其中，BP1(t)、BP2(t)、BP3(t)分别表示收缩压、舒张压、平均动脉压这三种特征参数，cj则表示血压信号的第j种特征参数BPj(t)的变化对颅脑压力变化的影响权重值，且c1+c2=c3=1；
所述颅脑压力无创监测模型中，根据对不同时间段输入的特征参数θn(t)、βi(t)、BPj(t)的种类编号n、i、j的判断，自适应调整选择相应种类编号的影响权重值an、bi、cj进行颅脑压力无创检测值PnICP(t)的计算。
3.根据权利要求2所述的颅脑压力无创监测分析系统，其特征在于，所述颅脑压力无创监测分析模块中的颅脑压力无创监测模型通过如下的方法得到：
1）通过与颅脑压力无创监测分析系统数据通信连接的生理信号无创检测装置同步采集训练样本对象的闪光视觉诱发电位信号、脑血流动力学信号、心电信号和血压信号至颅脑压力无创监测分析系统，同时通过与颅脑压力无创监测分析系统数据通信连接的颅脑压力有创监测仪同步采集训练样本对象实际的颅脑压力动态变化过程波形至颅脑压力无创监测分析系统；
2）选择多个患有不同颅脑压力相关病症的病人分别作为训练样本对象，通过步骤1）所述的方法利用颅脑压力无创监测分析系统获取这多个训练样本对象的闪光视觉诱发电位信号、脑血流动力学信号、心电信号和血压信号以及有创监测的颅脑压力动态变化过程波形；
3）通过分析步骤2）中获取的多个训练样本对象的闪光视觉诱发电位信号、脑血流动力学信号、心电信号和血压信号各自的变化对颅脑压力变化影响的大小程度和比例关系，确定闪光视觉诱发电位信号、脑血流动力学信号、心电信号、血压信号的变化对颅脑压力变化的影响权重系数k1、k2、k3、k4；
4）通过分析分别提取出步骤2）中获取的多个训练样本对象的闪光视觉诱发电位信号、脑血流动力学信号、心电信号和血压信号中各种特征参数与颅脑压力之间随时间t变化的函数关系f(N2(t))、f(θn(t))、f(βi(t))、f(BPj(t))，并根据脑血流动力学信号、心电信号和血压信号中各种特征参数的变化对颅脑压力变化影响的大小程度和比例关系确定各自相应的影响权重值an、bi、cj，其中n∈{1,2,...,6}，i∈{1,2,...,8}，j∈{1,2,3}；
5）利用相应的影响权重系数和影响权重值分别对闪光视觉诱发电位信号、脑血流动力学信号、心电信号和血压信号中特征参数与颅脑压力之间随时间t变化的函数关系进行加权求和，得到颅脑压力无创监测模型：
PnICP(t)=k1·f(N2(t))+k2·an·f(θn(t))+k3·bi·f(βi(t))+k4·cj·f(BPj(t))；
并使颅脑压力无创监测模型中，根据对不同时间段输入的特征参数θn(t)、βi(t)、BPj(t)的种类编号n、i、j的判断，自适应调整选择相应种类编号的影响权重值an、bi、cj进行颅脑压力无创检测值PnICP(t)的计算。
4.根据权利要求1所述的颅脑压力无创监测分析系统，其特征在于，所述颅脑压力无创监测分析模块还预设有颅脑压力监测校准模型，用于根据被监测对象的颅脑压力有创检测值进行校准，得到因被监测对象个体差异产生的补偿修正值；所述颅脑压力无创监测校准模型为：
ΔP=PnICP(tk)-PICP(tk)；
其中，ΔP表示因被监测对象个体差异产生的补偿修正值；PICP(tk)表示在校准检测时刻tk对被监测对象进行颅脑压力有创检测得到的颅脑压力有创检测值；PnICP(tk)表示在校准检测时刻tk由颅脑压力无创监测模型在补偿修正值ΔP设置为零的条件下与颅脑压力有创检测同步检测得到的被监测对象的颅脑压力无创检测初值。
5.根据权利要求4所述的颅脑压力无创监测分析系统，其特征在于，所述颅脑压力无创监测分析模块中的颅脑压力无创监测模型为：
PnICP(t)=k1·f(N2(t))+k2·an·f(θn(t))+k3·bi·f(βi(t))+k4·cj·f(BPj(t))+ΔP；
其中，PnICP(t)表示随时间t动态变化的颅脑压力无创检测值，ΔP表示因被监测对象个体差异产生的补偿修正值；k1、k2、k3、k4分别表示闪光视觉诱发电位信号、脑血流动力学信号、心电信号、血压信号的变化对颅脑压力变化的影响权重系数；f(N2(t))表示N2波潜伏期与颅脑压力之间随时间t变化的函数关系；f(θn(t))表示脑血流动力学信号的第n种特征参数θn(t)与颅脑压力之间随时间t变化的函数关系，n∈{1,2,...,6}，其中，θ1(t)、θ2(t)、…、θ6(t)分别表示脑血流动力学信号的上升速度、下降速度、上升角、顶峰角、收缩波高度、重搏波波谷深度这六种特征参数，an则表示脑血流动力学信号的第n种特征参数θn(t)的变化对颅脑压力变化的影响权重值，且f(βi(t))表示心电信号的第i种特征参数βi(t)与颅脑压力之间随时间t变化的函数关系，i∈{1,2,...,8}，其中，β1(t)、β2(t)、…、β8(t)分别表示心电信号的P波宽度、QRS特征波宽度、T波宽度、RR间期、PR间期、ST间期、QT间期、ST段偏移量这八种特征参数，bi则表示心电信号的第i种特征参数βi(t)的变化对颅脑压力变化的影响权重值，且
f(BPj(t))表示血压信号的第j种特征参数BPj(t)与颅脑压力之间随时间t变化的函数关系，j∈{1,2,3}，其中，BP1(t)、BP2(t)、BP3(t)分别表示收缩压、舒张压、平均动脉压这三种特征参数，cj则表示血压信号的第j种特征参数BPj(t)的变化对颅脑压力变化的影响权重值，且c1+c2=c3=1；
所述颅脑压力无创监测模型中，根据对不同时间段输入的特征参数θn(t)、βi(t)、BPj(t)的种类编号n、i、j的判断，自适应调整选择相应种类编号的影响权重值an、bi、cj进行颅脑压力无创检测值PnICP(t)的计算。
6.根据权利要求5所述的颅脑压力无创监测分析系统，其特征在于，所述颅脑压力无创监测分析模块中的颅脑压力无创监测模型通过如下的方法得到：
1）通过与颅脑压力无创监测分析系统数据通信连接的生理信号无创检测装置同步采集训练样本对象的闪光视觉诱发电位信号、脑血流动力学信号、心电信号和血压信号至颅脑压力无创监测分析系统，同时通过与颅脑压力无创监测分析系统数据通信连接的颅脑压力有创监测仪同步采集训练样本对象实际的颅脑压力动态变化过程波形至颅脑压力无创监测分析系统；
2）选择多个患有不同颅脑压力相关病症的病人分别作为训练样本对象，通过步骤1）所述的方法利用颅脑压力无创监测分析系统获取这多个训练样本对象的闪光视觉诱发电位信号、脑血流动力学信号、心电信号和血压信号以及有创监测的颅脑压力动态变化过程波形；
3）通过分析步骤2）中获取的多个训练样本对象的闪光视觉诱发电位信号、脑血流动力学信号、心电信号和血压信号各自的变化对颅脑压力变化影响的大小程度和比例关系，确定闪光视觉诱发电位信号、脑血流动力学信号、心电信号、血压信号的变化对颅脑压力变化的影响权重系数k1、k2、k3、k4；
4）通过分析分别提取出步骤2）中获取的多个训练样本对象的闪光视觉诱发电位信号、脑血流动力学信号、心电信号和血压信号中各种特征参数与颅脑压力之间随时间t变化的函数关系f(N2(t))、f(θn(t))、f(βi(t))、f(BPj(t))，并根据脑血流动力学信号、心电信号和血压信号中各种特征参数的变化对颅脑压力变化影响的大小程度和比例关系确定各自相应的影响权重值an、bi、cj，其中n∈{1,2,...,6}，i∈{1,2,...,8}，j∈{1,2,3}；
5）利用相应的影响权重系数和影响权重值分别对闪光视觉诱发电位信号、脑血流动力学信号、心电信号和血压信号中特征参数与颅脑压力之间随时间t变化的函数关系进行加权求和，结合颅脑压力无创监测校准模型得到的补偿修正值ΔP，得到颅脑压力无创监测模型：
PnICP(t)=k1·f(N2(t))+k2·an·f(θn(t))+k3·bi·f(βi(t))+k4·cj·f(BPj(t))+ΔP；
并使颅脑压力无创监测模型中，根据对不同时间段输入的特征参数θn(t)、βi(t)、BPj(t)的种类编号n、i、j的判断，自适应调整选择相应种类编号的影响权重值an、bi、cj进行颅脑压力无创检测值PnICP(t)的计算。
7.根据权利要求1所述的颅脑压力无创监测分析系统，其特征在于，该系统还包括：
数据库模块，用于进行被监测对象的个体信息、查询用户登录信息的记录，并提供对被监测对象的个体信息以及生理信号、特征参数的数据库管理和查询功能。
8.根据权利要求1所述的颅脑压力无创监测分析系统，其特征在于，该系统还包括：
报告打印模块，用于与打印机的驱动程序相适配，并根据预先的设置调取被检测对象的监测数据编辑为监测报告文本，通过调用驱动程序控制打印机执行监测报告文本的打印操作；所述监测数据包括被检测对象的生理信号、特征参数、生理信号波形或/和颅脑压力监测波形。
9.根据权利要求1所述的颅脑压力无创监测分析系统，其特征在于，该系统还包括：
辅助功能模块，用于实现对数据采集模块、特征参数分析模块和颅脑压力无创监测分析模块的功能参数设定，以及实现对生理信号波形、颅脑压力监测波形的时间轴浏览操作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310654826.5A CN103610456B (zh) | 2013-12-08 | 2013-12-08 | 基于生理信号特征参数的颅脑压力无创监测分析系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310654826.5A CN103610456B (zh) | 2013-12-08 | 2013-12-08 | 基于生理信号特征参数的颅脑压力无创监测分析系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103610456A true CN103610456A (zh) | 2014-03-05 |
| CN103610456B CN103610456B (zh) | 2015-06-10 |
Family
ID=50161193
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310654826.5A Active CN103610456B (zh) | 2013-12-08 | 2013-12-08 | 基于生理信号特征参数的颅脑压力无创监测分析系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103610456B (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105760704A (zh) * | 2016-05-12 | 2016-07-13 | 重庆医科大学 | 血管硬化特征谱多参数医学模型的建立方法及其软件系统 |
| CN105796088A (zh) * | 2016-02-25 | 2016-07-27 | 张学魁 | 一种颅脑压力无创监测分析系统 |
| CN105816168A (zh) * | 2016-03-28 | 2016-08-03 | 上海夏先机电科技发展有限公司 | 一种心电检测装置 |
| CN106457855A (zh) * | 2014-06-27 | 2017-02-22 | 京瓷办公信息系统株式会社 | 图像形成装置、图像形成系统及图像形成方法 |
| CN109164167A (zh) * | 2018-08-15 | 2019-01-08 | 武汉理工大学 | 次声波生理影响实验装置及评估方法 |
| WO2019191864A1 (zh) * | 2018-04-02 | 2019-10-10 | 华为技术有限公司 | 一种确定压力值的方法及装置 |
| CN111428882A (zh) * | 2020-03-27 | 2020-07-17 | 联想(北京)有限公司 | 一种处理方法及计算机设备 |
| CN111466921A (zh) * | 2020-04-23 | 2020-07-31 | 中国科学院上海技术物理研究所 | 基于多源信息感知及融合的无创血糖检测仪与检测方法 |
| CN111643057A (zh) * | 2020-06-11 | 2020-09-11 | 康键信息技术（深圳）有限公司 | 生理参数数据处理方法及系统 |
| CN112244809A (zh) * | 2020-11-16 | 2021-01-22 | 勃森生命科技(上海)有限公司 | 一种无创式颅内脑压检测系统及方法 |
| WO2021258937A1 (zh) * | 2020-06-24 | 2021-12-30 | 京东方科技集团股份有限公司 | 用户特征值检测方法及装置、存储介质及电子设备 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4204547A (en) * | 1978-11-13 | 1980-05-27 | Allocca John A | Method and apparatus for noninvasive monitoring of intracranial pressure |
| US20050182304A1 (en) * | 2004-01-16 | 2005-08-18 | Petite James R.Jr. | Neuromonitoring system |
| CN101627905A (zh) * | 2009-07-30 | 2010-01-20 | 季忠 | 一种颅内压无创综合监测分析方法及装置 |
| CN102429651A (zh) * | 2011-08-15 | 2012-05-02 | 重庆大学 | 基于多参数的颅内压无创检测方法及装置 |
| CN202458347U (zh) * | 2012-03-29 | 2012-10-03 | 季忠 | 一种颅内压无创综合检测系统 |
| CN202950650U (zh) * | 2012-09-10 | 2013-05-29 | 焦文华 | 无创颅内压分析仪和无创颅内压检测系统 |
-
2013
- 2013-12-08 CN CN201310654826.5A patent/CN103610456B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4204547A (en) * | 1978-11-13 | 1980-05-27 | Allocca John A | Method and apparatus for noninvasive monitoring of intracranial pressure |
| US20050182304A1 (en) * | 2004-01-16 | 2005-08-18 | Petite James R.Jr. | Neuromonitoring system |
| CN101627905A (zh) * | 2009-07-30 | 2010-01-20 | 季忠 | 一种颅内压无创综合监测分析方法及装置 |
| CN102429651A (zh) * | 2011-08-15 | 2012-05-02 | 重庆大学 | 基于多参数的颅内压无创检测方法及装置 |
| CN202458347U (zh) * | 2012-03-29 | 2012-10-03 | 季忠 | 一种颅内压无创综合检测系统 |
| CN202950650U (zh) * | 2012-09-10 | 2013-05-29 | 焦文华 | 无创颅内压分析仪和无创颅内压检测系统 |
Non-Patent Citations (3)
| Title |
|---|
| 周冀英 等: "《闪光视觉诱发电位对颅内压水平的监测及其与血压、心率的关系》", 《中华物理医学与康复杂志》 * |
| 季忠 等: "《基于闪光视觉诱发电位的颅内压无创检测及其仪器实现》", 《仪器仪表学报》 * |
| 季忠 等: "《颅内压无创检测分析方法及其实现》", 《仪器仪表学报》 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106457855A (zh) * | 2014-06-27 | 2017-02-22 | 京瓷办公信息系统株式会社 | 图像形成装置、图像形成系统及图像形成方法 |
| CN106457855B (zh) * | 2014-06-27 | 2018-12-25 | 京瓷办公信息系统株式会社 | 图像形成装置、图像形成系统及图像形成方法 |
| CN105796088A (zh) * | 2016-02-25 | 2016-07-27 | 张学魁 | 一种颅脑压力无创监测分析系统 |
| CN105816168A (zh) * | 2016-03-28 | 2016-08-03 | 上海夏先机电科技发展有限公司 | 一种心电检测装置 |
| CN105760704A (zh) * | 2016-05-12 | 2016-07-13 | 重庆医科大学 | 血管硬化特征谱多参数医学模型的建立方法及其软件系统 |
| WO2019191864A1 (zh) * | 2018-04-02 | 2019-10-10 | 华为技术有限公司 | 一种确定压力值的方法及装置 |
| CN109164167A (zh) * | 2018-08-15 | 2019-01-08 | 武汉理工大学 | 次声波生理影响实验装置及评估方法 |
| CN111428882A (zh) * | 2020-03-27 | 2020-07-17 | 联想(北京)有限公司 | 一种处理方法及计算机设备 |
| CN111466921A (zh) * | 2020-04-23 | 2020-07-31 | 中国科学院上海技术物理研究所 | 基于多源信息感知及融合的无创血糖检测仪与检测方法 |
| CN111643057A (zh) * | 2020-06-11 | 2020-09-11 | 康键信息技术（深圳）有限公司 | 生理参数数据处理方法及系统 |
| WO2021258937A1 (zh) * | 2020-06-24 | 2021-12-30 | 京东方科技集团股份有限公司 | 用户特征值检测方法及装置、存储介质及电子设备 |
| CN112244809A (zh) * | 2020-11-16 | 2021-01-22 | 勃森生命科技(上海)有限公司 | 一种无创式颅内脑压检测系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103610456B (zh) | 2015-06-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103610456B (zh) | 基于生理信号特征参数的颅脑压力无创监测分析系统 | |
| ES2395039T3 (es) | Monitorizar actividad fisiológica usando reconstrucción parcial de espacio de estado | |
| US9974488B2 (en) | Early detection of hemodynamic decompensation using taut-string transformation | |
| US6985769B2 (en) | Automated realtime interpretation of brain waves | |
| US20180350468A1 (en) | Processing physiological electrical data for analyte assessments | |
| US8388542B2 (en) | System for cardiac pathology detection and characterization | |
| US9037223B2 (en) | Atrial fibrillation classification using power measurement | |
| US8706464B2 (en) | Health data dynamics, its sources and linkage with genetic/molecular tests | |
| JP6275109B2 (ja) | Ｅｃｇ信号に基づいて睡眠の質の視覚的表現を提供するための方法及び装置 | |
| US20120065480A1 (en) | Stress monitor system and method | |
| US20110295142A1 (en) | Detector for identifying physiological artifacts from physiological signals and method | |
| US11075009B2 (en) | System and method for sympathetic and parasympathetic activity monitoring by heartbeat | |
| US9642546B2 (en) | Relaxation state evaluation system and method and computer program product thereof | |
| CN102429651B (zh) | 基于多参数的颅内压无创检测方法及装置 | |
| US11844618B2 (en) | System and method for cardiovascular monitoring and reporting | |
| CN103830885A (zh) | 基于生命体征信号的便携式动作指令控制装置及方法 | |
| US11179046B2 (en) | Method and system for detection of atrial fibrillation | |
| Suresh et al. | End-to-end deep learning for reliable cardiac activity monitoring using seismocardiograms | |
| CN116982937A (zh) | 一种基于深度学习的围术期麻醉深度监测系统 | |
| US20040181159A1 (en) | Method and apparatus for detecting yin-yang and asthenia-sthenia | |
| KR20190076420A (ko) | 건강지수 표출 방법 | |
| CN116548935A (zh) | 基于柔性有机光探测器和深度学习算法的血压测量系统 | |
| CN116369853A (zh) | 一种基于脑机交互技术的嗅觉功能标准化评估装置及方法 | |
| CN204745287U (zh) | 一种基于心率变异性的催眠治疗抑郁症效果评价系统 | |
| US20230165506A1 (en) | Apparatus for non-invasive acquisition of maternal and/or fetal physiological signals |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| C41 | Transfer of patent application or patent right or utility model | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20160831 Address after: 400000, Jiangbei District, Chongqing, No. 9, No. 2, No. 26, No. Patentee after: Chongqing able medical equipment Co., Ltd. Address before: 400044 Xinhua Building, Chongqing University, 174 Sha Jie street, Shapingba District, Chongqing, 3-7 Patentee before: Ji Zhong |
|
| TR01 | Transfer of patent right |
Effective date of registration: 20190116 Address after: 400,000 Building 9, No. 26, Gang'an Road, Jiangbei District, Chongqing Patentee after: CHONGQING KOPOWER MEDICAL DEVICE CO., LTD. Address before: 400,000 Building 9, No. 26, Anlu Road, Cuntangang, Jiangbei District, Chongqing Patentee before: Chongqing able medical equipment Co., Ltd. |
|
| TR01 | Transfer of patent right |