CN103654760B

CN103654760B - 无创颅内压测量方法及应用该方法的无创颅内压分析仪

Info

Publication number: CN103654760B
Application number: CN201210331774.3A
Authority: CN
Inventors: 焦文华
Original assignee: Individual
Current assignee: Individual
Priority date: 2012-09-10
Filing date: 2012-09-10
Publication date: 2016-08-03
Anticipated expiration: 2032-09-10
Also published as: CN103654760A

Abstract

本发明涉及一种无创颅内压测量方法及应用该方法的无创颅内压分析仪，将样本病人的样本数据作为样本建立初始样本数据库，进行数据训练，建立若干样本模型，无创测量、分析处理被测病人的颅内压关联数据，选出与被测病人相似度最大的样本模型，将测得的被测病人的颅内压关联数据带入所选择的样本模型中以求得被测病人的无创ICP数据。本发明的方法及分析仪通过预先建立多个样本模型，并通过选择误差最小的样本模型作为当前被测样本的样本模型来预测无创颅内压，适用于不同个体、不同群体的病人且具有良好的后向兼容性，经过数据训练的数据库能够通过简单的计算进行快速、准确的测量，显著提高了测量速度和准确性。

Description

无创颅内压测量方法及应用该方法的无创颅内压分析仪

技术领域

本发明涉及一种颅内压的无创测量方法，主要用于神经内科、神经外科、重症监护室（ICU）中的无创颅内压测量，本发明还涉及一种采用该测量方法的无创颅内压分析仪。

背景技术

由于闪光视觉诱发信号非常弱（0.3～20μv），极易淹没在脑电信号和其他外界信号之中（脑电信号为30～100μv），需要多次测量求取平均值，多次闪光刺激给病人带来疲劳和不适，也易于引入爆发性伪迹，尤其是对于重症病人该方法的适应范围受到一定限制。且基于闪光视觉诱发电位法通常假设颅内压信号与该闪光视觉诱发电位之间存在固定的函数关系，但颅内压信号与该闪光视觉诱发电位之间的函数关系非常复杂，尤其是涉及不同的生理病理特征时更是如此，因此其测量的准确性很难保证。另外，该方法测得的是颅内压的平均值，无法反应颅内压的波动信息，无法满足动态连续监测的要求，而颅内压的动态波型中含有很多有价值的重要信息。

而目前较为常用的经颅多普勒法主要是基于“黑匣子”理论建立ICP与ABP（血压）之间的函数关系，即用可以进行动态监测的ABP的函数式来表示ICP，如可以用下式表示：

ICP=k×ABP×F（TCD）+b

其中，F（TCD）为用TCD测量值经过变化后的函数表达式，k和b为修正值。

实际应用中，对样本病人进行测量并记录FV（血流）、ABP和有创ICP的值，从FV曲线中得到TCD特征参数，从ABP曲线和有创ICP曲线中得到加权函数，然后通过加权函数和TCD特征参数，基于特定的算法（如最小均方误差、最小二乘法等）进行预测，得到无创颅内压预测的经验公式，并根据经验公式预测未知病人的无创颅内压，通常在建立该函数式之后，将被测病人的ABP值输入后得出其ICP曲线。

但是，由于上述函数式是根据样本病人的数据建立的单一的关系式，而并未考虑具体被测病人的个体差异情况，因此，其对于不同病人、不同病症的适用性较差，不能满足实际应用中的要求。

发明内容

为了克服现有技术的上述缺陷，本发明的目的在于提供一种无创颅内压测量方法及应用该方法的无创颅内压分析仪，能够对病人的ICP数值进行无创测量，并能够进行动态监测，适用于不同个体、不同群体的病人，能够通过简单的计算进行快速、准确的测量。

本发明的技术方案是：

一种无创颅内压测量方法，包括如下步骤：

（1）建立含有n个样本的样本数据的样本数据库，所述样本数据包括无创检测获得的无创动脉血压和血流等颅内压关联数据和有创检测获得的颅内压实测数据；

（2）对各所述样本的样本数据进行数据分析，建立体现所述颅内压关联数据和所述颅内压实测数据之间关系的样本模型；

（3）依据通过无创检测方式获得的被测病人的颅内压关联数据，选择与被测病人最接近的所述样本的所述样本模型；

（4）以与被测病人最接近的所述样本的所述样本模型，计算出与被测病人颅内压关联数据对应的颅内压预测数据，并以此预测数据作为被测病人的无创颅内压检测数据。

较优地，采用下列数据训练的方式进行所述的步骤（2）和（3）：

（a）利用时间序列模型对样本数据进行分析，以样本的颅内压实测数据为输出时间序列OTS，以样本的颅内压关联数据为输入时间序列ITS，对每个样本的每个{ITS，OTS}对进行系统辨识，建立ITS与OTS的关系，获得相应样本的样本模型；

（b）计算得到各{ITS，OTS}对之间的相异度矩阵E；

（c）提取ITS的血流动力学特征参数p，建立所述血流动力学特征参数p与所述相异度矩阵E的映射关系f；

（d）依据所述被测病人的颅内压关联数据，提取相应的血流动力学特征参数p，依据映射关系f求出相异度矩阵E，以相异度最小的样本为所述与被测病人最接近的样本。

较优地，所述步骤（a）的具体方法为：

考虑一个线性多变量系统，根据一般常识，其状态空间模型描述如下：

公式（1）

采用子空间系统辨识算法（N4SID）进行模式识别对公式（1）求解，求出该样本数据的ITS与OTS的对应关系：

其中，公式（1）

式中y为m维输出向量（对于颅内压为唯一输出，m=1），u为r维输入关联数据（对于颅内压为输出，其输入参量至少为ABP和CBFV，即），A、B、C、D为要进行系统辨识的所述{ITS，OTS}对的系统参数矩阵，分别为维矩阵；

w、v分别为零均值平稳高斯白噪声序列中的状态噪声和观测噪声，Q、R分别为所述两噪声的协方差矩阵，E为数学期望算子，T为转置，S为状态噪声和观测噪声的协方差矩阵，δ_k为Kronecker算子，为n维状态向量，k为取样点；

未知的状态变量及其维度可以由输入和输出矩阵组成的分块Hankel矩阵来估计；

N4SID算法是确定多输入多输出模型最有效的方法之一，特别是对于高阶系统，比传统的方法好，只需要给定模型的阶次，而且模型的阶次也可以在辨识的过程中估计出来;

在数值计算时，这种方法不存在非线性，也没有迭代；

N4SID方法简洁，无需参数化和迭代优化，但估计结果仅为次优，同时量测噪声统计特性应符合高斯分布；

另一类经典的方法是增广Kalman滤波,在高斯噪声假设时结果最优；

实际中由于模型的非线性，以及噪声非高斯特性的影响，需要采取措施加以控制；

其一，需要识别这种不一致，其次，需要利用观测信息估计和矫正模型中的不确定因素；

上述过程可采用自适应估计技术，对状态和量测噪声模型进行自动估计；

考虑到该模型本质上是一个复杂的非线性模型，因此在样本充分的时候，也使用Doucet等提出的基于粒子滤波的点估计方法进行参数辨识，在粒子框架下使用最大似然估计(ML)以及期望值最大(EM)算法直接估计未知参数；

实际中可根据Occam准则，使用低阶线性模型得到辨识结果，并与非线性辨识结果相比较，如误差小于指定则认为结果可接受；

上述过程重复n次，求出所有n个样本数据的ITS与OTS的对应关系；

所述步骤（b）的具体方法为：

对于输入关联数据u，根据各{ITS，OTS}所得的系统辨识结果，求得颅内压的估计值（共有N个取样），与原实测数据y的均方差，并归一化后，得到相异度数值e：

公式（2）

所述步骤（c）中的映射关系根据公式（3）和/或（4）计算，假设输入的血流动力学参数F与相异度矩阵E存在线性关系：

E=P^TF公式（3）

公式（4）

其中，P为根据ITS分析提取出的血流动力学特征参数的矩阵（维），由相应的ABP与CBFV的比值进行线性回归得到，E为所述相异度矩阵（维），F为P和E的映射关系矩阵（维），为所述映射关系矩阵F的估计值，其中，为所述样本数据库中的样本数，d为一个脉搏周期内的所述血流动力学特征参数的个数；

所述步骤（d）并求得颅内压预测数据的具体步骤为：

（d1）根据被测病人的颅内压关联数据建立被测ITS；

（d2）提取所述被测ITS的血流动力学特征参数p_new；

（d3）根据所述映射关系求出相异度矩阵；

（d4）选择所述相异度矩阵中的相异度最小的样本模型作为与所述被测ITS最匹配的样本模型，

其中，根据数据训练时计算得出的所述映射关系矩阵的估计值结合公式（3）求得所有样本病人组成的相异度的矩阵，公式（5），将维所述中最小的e对应的样本模型选取为与所述被测ITS最匹配的样本模型。

根据所选择的样本模型及已经求得的{ITS，OTS}系统辨识的结果，将所述被测ITS输入所述公式（1）中，求得被测病人的颅内压预测数据作为被测病人的无创颅内压检测数据。

上述任意一项技术方案中，较优地，所述颅内压关联数据包括血压信息和/或血流信息，所述血压信息和血流信息分别至少包括动脉血压ABP和脑血流速度CBFV。

所述动脉血压为包括逐跳连续血压信号的平均脑动脉血压，所述平均脑动脉血压为通过无创测量法根据桡动脉脉搏信息测得的平均外周动脉血压，所述脑血流速度包括通过经颅多普勒法测得的搏动指数、阻力指数、收缩期峰值血流速度和/或舒张期末血流速度，所述脑血流信息还包括脑血流方向、脑血流量和/或脑血管阻力。

每个所述样本数据的记录时间可以为20分钟，优选为包括多个若干心跳长度的小片段，小片段的心跳长度可以为100或120，优选为120心跳长度，所述样本的选择应最大限度地考虑多种病人，优选为以脑损伤的病人和脑积水的病人为主，所述样本和/或被测病人的颅内压关联数据优选为精选的、无伪迹的数据。

优选为根据动脉血压的脉搏周期属性识别所述颅内压关联数据中的ABP数据的伪差，具体识别方法可以为：首先以每个脉搏为单位，判断取样的最高压ABP_max和最低压ABP_min，再设定一个ABP预警门限和观察周期，所述ABP预警门限依据所述最高压ABP_max和最低压ABP_min的差值进行设定，如果在设定的观察周期内测得ABP的最高值与最低值的差值超过所述ABP预警门限，则将此段ABP数据判断为伪差。

所述血流动力学参数可以采用慢波动态法或波形分析法进行提取，优选为采用慢波动态法进行提取。

当需要在已经完成数据训练的包括n组所述样本数据的样本数据库中增加m组新的所述样本数据时，所述数据训练在所述步骤（c）之后还包括如下步骤：

（c1）将m组新的所述样本数据输入所述样本数据库，

（c2）根据每组新的所述样本数据中的颅内压关联数据和颅内压实测数据建立相应的所述{ITS，OTS}对，

（c3）对每个新的所述样本数据的{ITS，OTS}对进行系统辨识，建立新的所述样本数据的ITS与OTS的对应关系，并结合已有的n组所述样本数据计算得到（m+n）组所述样本数据中的各{ITS，OTS}对之间的相异度矩阵，

（c4）提取（m+n）组所述样本数据的ITS的血流动力学特征参数p，建立（m+n）组所述样本数据的ITS的血流动力学特征参数p与相异度矩阵E的映射关系F，在已有的样本数据库中增加新数据的数据训练完成；

当需要在已经完成数据训练的所述样本数据库中增加附加颅内压关联数据时，在所述数据训练完成之后还包括如下步骤：

（c1＇）根据所增加的所述附加颅内压关联数据更新所述样本数据库，

（c2＇）更新所述{ITS，OTS}对，将所述ITS更新为还包括所述附加颅内压关联数据的输入时间序列，

（c3＇）重复所述步骤（c3）、（c4）。

所述附加颅内压关联数据包括下列中的一种、几种或全部：

颈静脉压力、脑灌注压、二氧化碳分压、氧分压、测量过程中病人的呼吸信息。

本发明还提供了一种无创颅内压分析仪，可以采用上述任意一种技术方案中的测量方法进行颅内压的无创测量，包括用于测量所述颅内压关联数据的探头模块，用于将测得的所述颅内压关联数据进行AD转换、滤波等预处理的FPGA信号采集模块，用于对所述样本数据及所采集的数字信号进行处理的FPGA信号处理模块，用于输出测量结果的输出模块，以及分别与所述探头模块、FPGA信号采集模块、FPGA信号处理模块和输出模块连接并用于控制所述各模块的ARM微处理器控制模块，所述FPGA信号处理模块依据本发明的任一方法对所述样本数据及所采集的数字信号进行处理，根据输入的颅内压关联数据预测无创颅内压ICP并由所述输出模块输出。

本发明的有益效果是：

由于本发明可以根据样本病人的多种数据作为颅内压关联数据构建样本数据库，并通过对被测病人的相应的多种数据的测量与样本数据库进行对比，充分考虑了不同病人的个体性差异和群体性差异，因此，有效提高了样本数据库与被测病人的匹配度，提高了测量的准确性，并且，本发明适用于不同病种、不同生理特点的病人，其适用的范围更广；

由于本发明采用经过数据训练的数据库作为样本数据库进行比对，采用的是误差最小的数据库模型，更进一步提高了测量的准确性，并且，本发明的方法具有良好的后向兼容性，即由于所述样本数据库可以通过数据训练的方式不断更新、完善，随着样本数据库中样本数据的增加，其中的样本数据将逐渐趋近于与被测病人完全匹配，测量结果的准确性不断提高，并且可以采取所述数据训练的方式对相关设备的软件进行升级、改造，以适应各种新情况、新需求，升级、改造简便易行，成本低廉；

并且，由于本发明采用数据训练的方式进行样本数据库的建立，在数据库的建立过程中进行了较为复杂的计算，提高了样本数据库中的数据与实际操作中的被测病人的数据之间的匹配度，使得测量结果更加准确，但是在实际测量过程中只需要调取样本数据库中的数据与被测病人的数据进行比对即可，不需要在测量过程中进行复杂的运算，提高了测量的效率，使得测量更加便捷，提高了实时性；

由于本发明采用子空间模式识别等较优的算法进行系统辨识，使得经数据训练后的样本数据库中的每一个样本均为独立的样本模型，并且被测病人的颅内压关联数据均经过特征参数提取后选择相似度最大的样本模型被输入，最终输出的无创颅内压均由匹配度最高的样本模型中预测出来与现有技术下各个样本均采用同样的函数关系式相比，本发明的测量准确性均有很大提高。

本发明的无创颅内压分析仪的硬件基本采用经颅多普勒测量和无创血压的测量，这两种指标的测量方法已经比较成熟，测量结果比较可靠，且硬件成本低廉，本发明的无创颅内压分析仪可以根据实际需要按照不同地域、不同人群的病人的生理特征，建立相应的样本数据库，并采用相应的样本病人进行数据训练，以使其达到最佳的数据匹配，以最低的成本获得最佳的测量精度，即采用相同的硬件通过改变相应的软件来实现最佳的适用度。

附图说明

图1是本发明无创颅内压测量方法的数据训练的流程示意图；

图2是本发明无创颅内压测量方法计算颅内压的流程示意图；

图3是样本k在其他样本辨识所得的系统中的误差统计表；

图4是本发明方法的一个实施例在波形偏离度为0.02时归一化处理后的预测值与实际值的差异示意图（图中粗线为有创法实测的颅内压，细线为采用本发明方法预测的nICP）；

图5是本发明方法的另一个实施例在波形偏离度为0.19时归一化处理后的预测值与实际值的差异示意图（图中粗线为有创法实测的颅内压，细线为采用本发明方法预测的nICP）；

图6是采用本发明方法与采用Schmidt法的平均偏离度比较示意图（横轴为样本数据数，纵轴为偏离度e，粗线表示Schmidt法，圆圈连线表示本发明的方法）。

具体实施方式

为了更好地解释本发明，以便更好地理解，下面结合附图通过具体实施方式对本发明作更进一步的描述。

参见图1和图2，本发明提供了一种无创颅内压测量方法，包括如下步骤：

（1）建立含有n个样本的样本数据的样本数据库，所述样本数据包括无创检测获得的颅内压关联数据和有创检测获得的颅内压实测数据；

所述颅内压关联数据包括样本/被测病人的血压信息和/或血流信息，所述血压信息和血流信息分别至少包括动脉血压ABP和脑血流速度CBFV。

所述动脉血压可以为包括逐跳连续血压信号的平均脑动脉血压，优选为通过无创测量法根据桡动脉脉搏信息测得的平均外周动脉血压，所述脑血流速度可以包括通过经颅多普勒法测得的搏动指数、阻力指数、收缩期峰值血流速度和/或舒张期末血流速度，所述脑血流信息还可以包括脑血流方向、脑血流量和/或脑血管阻力。

所述颅内压关联数据中还可以包括下列附加颅内压关联数据中的一种、几种或全部：脑灌注压、二氧化碳分压、氧分压、测量过程中病人的呼吸信息，以及其他被认为会对测量结果的准确性带来影响的数据。

所述样本病人即样本的选择应最大限度地考虑多种病人，优选为以脑损伤的病人和脑积水的病人为主。每个所述样本数据的记录时间可以为20分钟，优选为包括多个100或120心跳长度的小片段。所述样本病人和/或被测病人的颅内压关联数据优选为精选的、无伪迹的数据。

可以采用下列数据训练的方式进行所述的步骤（2）和（3）：

（a）利用时间序列模型对样本数据进行分析，如可以利用时间序列模型对样本数据库进行数据挖掘，以样本的颅内压实测数据为输出时间序列OTS，以样本的颅内压关联数据为输入时间序列ITS，对每个样本的每个{ITS，OTS}对进行系统辨识，建立ITS与OTS的关系，获得相应样本的样本模型；

（b）计算得到各{ITS，OTS}对之间的相异度矩阵E；

所述血流动力学特征参数可以采用慢波动态法、波形分析法或其他方法进行提取，由于CBFV中的慢波中包含了对于ABP中慢波的响应信息，该响应信息组成了血流动力学特征向量，使得对于血流动力学特征参数的提取更为容易且较为准确，因此所述血流动力学特征参数优选为采用慢波动态法（slowwavedynamic）进行提取。

具体提取方法可以参见文献：PaneraiRB,DawsonSL,PotterJF.Linearandnonlinearanalysisofhumandynamiccerebralautoregulation.AmJPhysiol1999;277(3Pt.2):H1089–99.

其中，所述步骤（a）的具体方法可以为：

选择第（为自然数，）个样本数据，采用子空间模式识别方法或增广Kalman滤波或基于粒子滤波的点估计方法进行模式识别对公式（1）求解，求出第k个样本数据的ITS与OTS的对应关系：

公式（1）

其中，

式中A、B、C、D为要进行系统辨识的所述{ITS，OTS}对的系统参数矩阵，y为输出颅内压向量，u为多维输入关联数据（至少包括ABP和CBFV），w、v分别为零均值平稳高斯白噪声序列中的状态噪声和观测噪声，Q、R分别为所述两噪声的协方差矩阵，E为数学期望算子，T为转置，S为状态噪声和观测噪声的协方差矩阵，δ_k为Kronecker算子，为n维状态向量。k为取样点。

其他样本可以适用于本样本的后预测值，上述过程重复n次，可以求出所有n个样本的ITS与OTS的对应关系。

可以对其他样本适用于本样本的后预测值与有创ICP的误差进行统计，以用于新样本进行适用样本的选择。图3示出了本发明的一个样本在其他样本辨识所得的系统中的适用误差统计，

公式（2）

由此，对应于第k组ITS，都会有对应于某个系统辨识结果的相异度。由于第k个系统辨识的结果对第k组的ITS是最优的，所以e（k，k）最小。

由此得到了ITS与e矩阵的对应关系。

通过系统辨识建立了该样本模型后，对于其他样本在该系统辨识所得的样本模型中的误差估计可以为：

ITS与e矩阵的对应关系是很复杂的。可以最简单的假设二者间存在线性关系，此时有：

E=P^TF（公式2）

其中，P为根据ITS分析提取出的血流动力学特征参数的矩阵（维），由相应的ABP与CBFV的比值进行线性回归得到，E为所述相异度矩阵（维），F为P和E的映射关系矩阵（维），为所述映射关系矩阵F的估计值，其中，为所述样本数据库中的样本数，d为一个脉搏周期内的所述血流动力学特征参数的个数。

还可以结合（公式3）计算出所述映射关系矩阵F的估计值。

这样，训练过程结束后，整个样本数据库对应于一个F矩阵，其中每个样本对应于一个p向量。

所述步骤（d）并求得颅内压预测数据的具体步骤可以为：

（d1）根据被测病人的颅内压关联数据建立被测ITS；

（d2）提取所述被测ITS的血流动力学特征参数p_new；

（d3）根据所述映射关系求出相异度矩阵；

（d4）选择所述相异度矩阵中的相异度最小的样本数据/样本模型作为与所述被测ITS最匹配的样本数据/样本模型，

其中，

根据数据训练时计算得出的所述映射关系矩阵的估计值结合公式（3）求得所有样本病人组成的相异度的矩阵，公式（5），将维所述中最小的e对应的样本模型选取为与所述被测ITS最匹配的样本模型。

可以根据所选择的样本模型及已经求得的{ITS，OTS}系统辨识的结果，将所述被测ITS输入所述公式（1）中，求得被测病人的颅内压预测数据作为被测病人的无创颅内压检测数据。

例如，对于一个新的病人i，测得其ABP和CBFV等颅内压关联数据后，可以采用所述的慢波动态法求得其血流动力学特征向量(维)。

这样根据训练过程中已经求得的所述映射关系矩阵的估计值（），可以求得（维），即所有病人的相异度向量组成的相异度矩阵：

（公式4）

其中所述维向量中最小的e就是我们所要选取的与被测新病人最匹配的样本模型。由于其系统参数（即矩阵A，B，C，D）已经在训练过程中被提前计算出来，只需将新的被测病人的ITS输入到公式1中，就可以预测出OTS，即无创颅内压或称为颅内压预测数据。

为了提高最终测量结果的准确性，优选为对输入的ITS中的ABP数据进行预处理，如剔除其中的伪迹（即存在伪差的数据段）。由于引起伪差的原因多种多样，如病人的翻身、吸气、移动、接触不良等，但是一般来说大多数伪差都会失去动脉压的脉搏周期属性，因此所述颅内压关联数据中的ABP数据的伪差可以根据动脉血压的脉搏周期属性识别，具体识别方法可以为：首先以每个脉搏为单位，判断取样的最高压ABP_max和最低压ABP_min，再设定一个ABP预警门限和观察周期，所述ABP预警门限依据所述最高压ABP_max和最低压ABP_min的差值进行设定，如果在设定的观察周期内测得ABP的最高值与最低值的差值超过所述ABP预警门限，则将此段ABP数据判断为伪差。对于存在伪迹的ABP数据，会同意标记为非法值，对于非法值，不会作为ITS输入。

例如MaxABPpp=90,MinABPpp=15，观察周期取1.5秒，前三个脉搏周期最高压和最低压的差异在160-80=80左右，基本正常。而后面的脉搏周期其最大值和最小值的差异仅为20，则证明其为伪迹。

通常来说，评价测量结果是否准确时，可以将测量（预测）所得的无创颅内压的平均值与采用有创方法测得的ICP的差异进行对比来衡量，参见图4和图5，分别示出了在相异度度分别为0.02和0.19时，归一化的ICP的估计值与实际值的差异，图示表明，本发明的方法测得的无创颅内压与有创测得的颅内压趋势基本相符，且测量结果与有创颅内压的误差较小。图6示出了本发明的方法与现有技术下的Schmidt法的测量结果的对比。

由图6可以看出，采用本发明的方法测得的无创ICP的平均值与采用有创法测得的ICP的平均值的偏离度很小，而采用Schmidt法时偏离度较大，尤其是0～20和60～100区间更为明显。

由此可知，本发明的每个所述{ITS，OTS}对均为独立的样本模型，而在现有技术中，一般是通过相应的计算确定一个样本模型，而后所有的被测病人均以该样本模型为基础来进行无创颅内压的估算，因此其存在着假定所有病人（包括确定样本模型用的样本病人和所有被测病人）均适用该样本模型的缺陷，而实际上目前没有任何一个样本模型可以适用于所有病人，因此其测量的准确性也不能让人满意。而本发明通过多个样本模型的建立，并在所有样本模型中寻找相异度最小的样本模型，使得每个被测病人均能够找到误差最小的样本模型进行无创颅内压的预测，显著提高了最终测量结果的准确性。

另外，本发明的无创颅内压测量方法还具有良好的后向兼容性，可以根据实际需要对所述样本数据库进行进一步地完善、改进，以使其适应更高的需求。例如，可以在已经完成数据训练的样本数据库中增加新的样本数据或附加颅内压关联数据，以提高样本数据库中的样本模型与实际测量中的被测病人间的匹配度，使得测量准确性更高。

当需要在所述样本数据库中增加新的样本数据或在各所述样本数据中增加新的颅内压关联数据时，可以对所述样本数据再次进行数据训练。

例如，当需要在已经完成数据训练的包括n组所述样本数据的样本数据库中增加m组新的所述样本数据时，所述数据训练在所述步骤（c）之后还可以包括如下步骤：

（c1）将m组新的所述样本数据输入所述样本数据库，

数据训练完成后，新增加的m组样本数据结合已有的n组样本数据库形成新的（m+n）组样本数据库；

当需要在已经完成数据训练的所述样本数据库中增加附加颅内压关联数据时，在所述数据训练完成之后（如所述步骤c或c4之后）还可以包括如下步骤：

（c3＇）重复所述步骤（c3）、（c4），

理论上来说，建立所述初始样本数据库所选择的样本病人的数量越多，即所述样本数据的数量越多，即n的数值越大时，所述ITS中所选择的颅内压关联数据/附加颅内压关联数据的种类/项数越多，所提取的所述特征参数的种类/项数越多，最终的测量结果也就越准确。但是n值越大、ITS中的项数越多、所提取的特征参数的项数越多，则所述数据训练的计算也越复杂，应根据实际需要确定。

通常来说，在实际应用中，n值、ITS中的项数、所提取的特征参数的项数均可以在应用中不断扩充，以不断提高测量结果的准确性。

本发明还提供了一种无创颅内压分析仪，可以采用上述任意一种技术方案中的测量方法进行颅内压的无创测量，包括用于测量所述颅内压关联数据的探头模块，用于将测得的所述颅内压关联数据进行AD转换、滤波预处理的FPGA信号采集模块，用于对所述样本数据及所采集的数字信号进行处理的FPGA信号处理模块，用于输出测量结果的输出模块，以及分别与所述探头模块、FPGA信号采集模块、FPGA信号处理模块和输出模块连接并用于控制所述各模块的ARM控制模块，所述FPGA信号处理模块依据本发明的任一方法对所述样本数据及所采集的数字信号进行处理，根据输入的颅内压关联数据预测无创颅内压ICP并由所述输出模块输出。

所述探头模块可以包括血流探头模块和血压探头模块，如可以采用经颅多普勒超声测量血流信号，可以采用1.5MHz、2MHz、4MHz的超声探头，如可以采用自动监护探头系统，其可以自动搜寻获取脑动脉的最佳血流信号，便于操作，且能提高测量结果的精度，并且可以在探头出现轻度位移时自动复位，佩戴轻松舒适，比较适合在本发明的无创颅内压分析仪上使用。

通常可以采用无创血压测量仪测量血压信号，可以测量多个部位的血压信号，优选为在腕部测量，较优地，所述血压探头模块还可以测量、记录、输出逐跳连续血压信号，如可以采用日本Colin、荷兰Finapress等相应型号的无创血压测量仪。

所述探头模块通常测量的为模拟信号，该模拟信号可以经所述FPGA信号采集模块进行AD转换处理转换为稳定的数字信号，并经滤波等预处理后输入所述FPGA信号处理模块中进行处理，根据输入的血流和血压等颅内压关联数据预测无创颅内压ICP并由所述输出模块输出。

所述输出模块可以同时显示血流的多普勒信号、逐跳连续无创血压和ICP曲线，从而方便地对病人的多个脑功能参数进行对比研究。

所述无创颅内压分析仪还可以外接来自脑电图仪或多参数监护仪的其他生理信号，例如通过接入脑电信号或血氧信号，把无创颅内压与外接的其他生理信号进行对比研究。

本发明的无创颅内压分析仪可以为基于x86的笔记本式或台式机，也可以基于ARM架构的嵌入式主机来实现。所述各模块均可以通过所述ARM控制模块进行控制，如可以采用32位ARMCPUS3C2440/9263作为控制模块对其分别进行控制。

所述无创颅内压分析仪还可以采用Linux操作系统和MiniGUI图形库，以提高其性能。

本发明的无创颅内压测量方法及应用该方法的无创颅内压分析仪能够快速、准确地无创测量多种不同病人的颅内压，尤其适合于在神经外科、神经内科、重症监护室（ICU）中的应用。

Claims

1.一种无创颅内压测量方法，其特征在于包括如下步骤：

（4）以与被测病人最接近的所述样本的所述样本模型，计算出与被测病人颅内压关联数据对应的颅内压预测数据，并以此预测数据作为被测病人的无创颅内压检测数据，

采用下列数据训练的方式进行所述的步骤（2）和（3）：

（b）计算得到各{ITS，OTS}对之间的相异度矩阵E；

2.根据权利要求1所述的无创颅内压测量方法，其特征在于：

所述步骤（a）的具体方法为：

公式（1）

采用子空间系统辨识算法N4SID、增广Kalman滤波方法或者基于粒子滤波的点估计方法进行模式识别对公式（1）求解，求出该样本数据的ITS与OTS的对应关系：

其中，

式中y为m维输出向量，u为r维输入关联数据，A、B、C、D为要进行系统辨识的所述{ITS，OTS}对的系统参数矩阵，分别为维矩阵；

未知的状态变量及其维度由输入和输出矩阵组成的分块Hankel矩阵来估计；

N4SID算法是确定多输入多输出模型最有效的方法之一，在数值计算时，这种方法不存在非线性，也没有迭代；

采用增广Kalman滤波的方法，在高斯噪声假设时结果最优；

上述过程采用自适应估计技术，对状态和量测噪声模型进行自动估计；

考虑到该模型本质上是一个复杂的非线性模型，因此在样本充分的时候，使用Doucet等提出的基于粒子滤波的点估计方法进行参数辨识，在粒子框架下使用最大似然估计ML以及期望值最大EM算法直接估计未知参数；

根据Occam准则，使用低阶线性模型得到辨识结果，并与非线性辨识结果相比较，如误差小于指定则认为结果可接受；

所述步骤（b）的具体方法为：

对于输入关联数据u，根据各{ITS，OTS}所得的系统辨识结果，求得颅内压的估计值，共有N个取样，与原实测数据y的均方差，并归一化后，得到相异度数值e：

公式（2）

E=P^TF公式（3）

公式（4）

其中，P为根据ITS分析提取出的血流动力学特征参数的维矩阵，由相应的动脉血压ABP与脑血流速度CBFV的比值进行线性回归得到，E为维的所述相异度矩阵，F为P和E的维映射关系矩阵，为所述映射关系矩阵F的估计值，其中，为所述样本数据库中的样本数，d为一个脉搏周期内的所述血流动力学特征参数的个数；

所述步骤（d）并求得颅内压预测数据的具体步骤为：

（d1）根据被测病人的颅内压关联数据建立被测ITS；

（d2）提取所述被测ITS的血流动力学特征参数p_new；

（d3）根据所述映射关系求出相异度矩阵；

其中，根据数据训练时计算得出的所述映射关系矩阵的估计值结合公式（3）求得所有样本病人组成的相异度的矩阵，公式（5），将维所述中最小的e对应的样本模型选取为与所述被测ITS最匹配的样本模型；

3.根据权利要求1或2所述的无创颅内压测量方法，其特征在于所述颅内压关联数据包括血压信息和/或血流信息，所述血压信息和血流信息分别至少包括动脉血压ABP和脑血流速度CBFV。

4.根据权利要求3所述的无创颅内压测量方法，其特征在于所述动脉血压为包括逐跳连续血压信号的平均脑动脉血压，所述平均脑动脉血压为通过无创测量法根据桡动脉脉搏信息测得的平均外周动脉血压，所述脑血流速度包括通过经颅多普勒法测得的搏动指数、阻力指数、收缩期峰值血流速度和/或舒张期末血流速度，所述血流信息还包括脑血流方向、脑血流量和/或脑血管阻力。

5.根据权利要求4所述的无创颅内压测量方法，其特征在于每个所述样本数据的记录时间为20分钟，包括多个若干心跳长度的小片段，所述样本包括脑损伤的病人和脑积水的病人，所述样本和/或被测病人的颅内压关联数据为精选的、无伪迹的数据。

6.根据权利要求5所述的无创颅内压测量方法，其特征在于根据动脉血压的脉搏周期属性识别所述颅内压关联数据中的ABP数据的伪差，具体识别方法为：首先以每个脉搏为单位，判断取样的最高压ABP_max和最低压ABP_min，再设定一个ABP预警门限和观察周期，所述ABP预警门限依据所述最高压ABP_max和最低压ABP_min的差值进行设定，如果在设定的观察周期内测得ABP的最高值与最低值的差值超过所述ABP预警门限，则将此段ABP数据判断为伪差。

7.根据权利要求6所述的无创颅内压测量方法，其特征在于所述血流动力学特征参数采用慢波动态法进行提取。

8.根据权利要求7所述的无创颅内压测量方法，其特征在于所述数据训练还包括：

（c1）将m组新的所述样本数据输入所述样本数据库，

（c3＇）重复所述步骤（c3）、（c4），

所述附加颅内压关联数据包括下列中的一种、几种或全部：

9.一种无创颅内压分析仪，其特征在于包括用于测量所述颅内压关联数据的探头模块，用于将测得的所述颅内压关联数据进行AD转换和滤波预处理的FPGA信号采集模块，用于对所述样本数据及所采集的数字信号进行处理的FPGA信号处理模块，用于输出测量结果的输出模块，以及分别与所述探头模块、FPGA信号采集模块、FPGA信号处理模块和输出模块连接并用于控制所述各模块的ARM微处理器控制模块，所述FPGA信号处理模块依据权利要求1-8中任意一项权利要求所述的方法对所述样本数据及所采集的数字信号进行处理，根据输入的颅内压关联数据预测无创颅内压ICP并由所述输出模块输出。