CN106983504B - 一种基于卷积神经网络算法监测颅内压的方法 - Google Patents

Abstract

本发明公开了一种基于卷积神经网络算法监测颅内压的方法，其包括S1：通过FVEP无创颅内压监测技术检测实际的颅内压值，并形成FVEP波形图；S2：构建卷积神经网络系统，并以步骤S1实际测得的颅内压值为结果，不断训练其学习不同颅内压值对应的实际FVEP波形图，并综合考虑各种影响颅内压的外在因素共同作为该卷积神经网络系统的输入；S3：通过卷积神经网络系统进行FVEP波形图的匹配和识别分析，实现对FVEP波形的有效识别。本发明用卷积神经网络算法对测得的FVEP波形图进行图形识别，并不断自我学习优化，实现有效的颅内压预测。

Description

一种基于卷积神经网络算法监测颅内压的方法

技术领域

本发明属于神经外科技术领域，具体涉及一种基于卷积神经网络算法监测颅内压的方法。

背景技术

颅腔内容物对颅腔壁所产生的压力就是颅内压(Intracranial Pressure)ICP。由于颅内的脑脊液介于颅腔壁和脑组织之间，一般以脑脊液的静水压代表颅内压力，通过侧卧位腰椎穿刺或直接脑室穿刺测量来获得该压力数值，成人的正常颅内压为0.7-2.0kPa，儿童的正常颅内压为0.5-1.0kPa。

颅内压增高是神经外科常见临床病理综合征，是颅脑损伤、脑肿瘤、脑出血、脑积水和颅内炎症等所共有征象，由于上述疾病使颅腔内容物体积增加，导致颅内压持续在2.0kPa以上，从而引起的相应的综合征，称为颅内压增高。颅内压增高会引发脑疝危象，可使病人因呼吸循环衰竭而死亡，因此对颅内压增高及时诊断和正确处理，十分重要。

颅内压监测技术分为有创监测和无创监测两种。目前临床上采用的主要还是有创颅内压监测方法，其一般是通过腰椎穿刺，开颅放入监测探头的方式进行监测。主要方法包括：脑室内插管法、硬脑膜外传感器法、光纤探头检测法、腰大池置管监测法。有创颅内压监测能够获得比较精确的监测数据，但是由于涉及到开颅等手段，难免会对患者身体造成永久性的创伤，易引发感染、脑疝、低颅压等并发症。因此需要大力发展无创颅内压监测方法。

目前无创颅内压监测方法主要包括：TCD监测法、闪光视觉诱发电位FVEP法、电阻等效电路模型技术、鼓膜移位法(TMD)等。无创性颅内压监测技术代表了颅内压技术未来的发展趋势。但由于技术难度很大，仍存在不同程度的测量精确度差、使用局限多、方法繁杂、影响因素多等缺点。

闪光视觉诱发电位FVEP(flash-elicited visual-evoked potential)监测法是目前临床理论研究最早、最完善的一种无创颅内压监测方法，并且得到了临床应用，取得了较好的效果。它是由弥散的非模式的闪光对视网膜刺激所引起的大脑皮层(枕叶)的电位变化。FVEP反映了从视网膜到枕叶皮视觉通路的完整性。视觉通路位于脑底部，视神经纤维向前向后贯穿全脑，自额叶底部穿过顶叶及颞叶到达枕叶，行程较长，所以颅内发生病变时常常会影响视神经功能障碍，从视网膜光刺激到大脑枕叶视觉电位的改变，在一定程度上反映了颅内的生理病理变化。当颅内压ICP持续增高时，易产生视通路神经损害，神经元及纤维缺血缺氧，代谢障碍，神经电信号传导阻滞，闪光视觉诱发电位波峰潜伏期延长。利用FVEP的这一原理来可反映颅内压的改变。

具体而言，目前的FVEP无创颅内压监测技术是通过检测FVEP波峰(N2波)的潜伏期来判断颅内压。通过闪光发出标准光刺激信号刺激人眼，然后用视网膜光传感器接收视神经纤维产生的诱发电位，进行放大处理，输入到计算机中，计算机中通过专门的软件，将其显示成诱发电位的波形图，通过N2波的潜伏期与颅内压的函数关系，计算出颅内压值，供医师分析判断。

FVEP尽管是当前最好的无创颅内压监测方法，但其依然存在一些不足之处：

1)缺乏统一标准。从一连串阳性，阴性波中识别出N2波是FVEP法监测颅内压的关键，但是目前为止，对N2波的识别以及N2波潜伏期的判定还没有一个统一的标准。N2波识别的不统一后，就可能导致同一患者在不同医师的测量下，出现不同的结果。这不利于测量的准确性。

2)颅内压值随着条件(病因，个体)而发生变化，FVEP法识别模型的准确、通用和简化不能兼顾，而且由于影响参数多，关系复杂，FVEP与颅内压的关系是一个复杂的非线性系统，单一的识别模型无法准确的匹配所有情况，兼顾各种因素，无法用一个函数来给出FVEP的各种波与颅内压，以及患者年龄，生理条件等各方面的准确关系。这限制了FVEP的准确性。比如，临床研究表明，不同年龄阶段，其FVEP的潜伏期存在区别，又比如，不同疾病对神经细胞代谢影响不同，对于神经内科疾病中的缺氧性脑病、脑炎等，也会导致N2波的潜伏期延长，导致判断不准确。因此对于不同患者，不同病因，其对FVEP曲线和颅内压的对应关系采用同一个回归函数，难免会存在误差。

发明内容

本发明要解决的技术问题是克服现有技术的缺陷，提供一种基于卷积神经网络算法监测颅内压的方法，其用卷积神经网络算法对测得的FVEP波形图进行图形识别，并不断自我学习优化，实现有效的颅内压预测。

为了解决上述技术问题，本发明提供了如下的技术方案：

本发明一种基于卷积神经网络算法监测颅内压的方法，其包括以下步骤：

S1：通过FVEP无创颅内压监测技术检测实际的颅内压值，并形成FVEP波形；

S2：构建卷积神经网络系统，并以步骤S1实际测得的颅内压值为结果，不断训练其学习不同颅内压值对应的实际FVEP波形图，并综合考虑各种影响颅内压的外在因素共同作为该卷积神经网络系统的输入；

S3：通过卷积神经网络系统在图形识别方面的强大能力，进行FVEP波形图的匹配和识别分析，实现对FVEP波形的有效识别，通过不断训练神经网络使之形成对FVEP波形和颅内压之间关系的丰富经验，具备越来越强，越来越准确的颅内压评估能力。

进一步地，步骤S2中，所述的影响颅内压的外在因素包括患者性别、患者年龄、患者既往病史和患者现有疾病。

进一步地，还包括步骤S4：将判断颅内压的卷积神经网络系统设置于云服务器，持续不断的根据实际的监测结果和新获得的数据对云服务器的卷积神经网络系统进行训练，使其可以不断的学习更多的FVEP波形图，可以更好，更精确地进行颅内压判断。

进一步地，步骤S2中，采用整个FVEP波形图作为输入，其评估的是整个FVEP波形与颅内压值的关系，而不仅仅是局限于N2波。

进一步地，通过n层卷积操作完成对图像的有效提取，将第n层子采样层作为输入，输入到经典的神经网络(NN)中，最后通过大量的训练神经网络，使之达到能有效可靠的评估颅内压值。

从手写识别开始，利用卷积算法+神经网络构成的算法实现了有效的图形识别。到目前为止，基于卷积神经网络算法的图形识别系统其图像的识别能力已经超过了人类的图形识别水平，准确度可以达到99％以上。目前已大规模商用，如手写输入识别，人脸识别等。技术已经十分成熟可靠。

本发明通过构建一个卷积神经网络系统，以实际颅内压值为结果，不断训练其学习不同颅内压值对应的实际FVEP波形图，并综合考虑各种影响颅内压的外在因素作为共同作为该神经网络系统的输入。通过大量样本学习，训练该卷积神经网络系统成为一个专家人工智能系统，实现对颅内压值的准确预测。

本发明通过基于深度学习技术的卷积神经网络系统来学习和识别FVEP诱发电位波形图，充分利用神经网络对于复杂非线性系统的良好拟合能力，以及深度学习技术在图形识别方面的超强能力来有效识别FVEP诱发电位波形图，可以实现

1)充分考虑各种因素对FVEP波和颅内压的影响。

2)更全面的分析FVEP波及其对颅内压产生的影响。

3)更准确，全面的通过FVEP判断颅内压值。

本发明所达到的有益效果是：

1)采用对FVEP曲线的识别匹配来评估计算颅内压，相比仅仅依赖于N2波进行判断，更加全面；

2)通过在图像识别领域十分成功的卷积神经网络系统来进行FVEP曲线的识别，使得FVEP曲线的匹配识别具备可行性；

3)将患者的性别、年龄、现有疾病等影响FVEP波形与颅内压关系的的因素考虑进去。将这些参数也作为输入层与放电图谱卷积之后的采样输入层一起输入到神经网络中，使系统更加可靠、全面，评估判断颅内压的能力更强；

4)整个监测系统采用“云-终端”架构，使得神经网络可以不断的学习更多更全面的FVEP曲线，提高其可靠性。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1是本发明的结构示意图；

图2是本发明加入病人实际情况后的结构示意图；

图3是本发明的云构架结构示意图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

一种基于卷积神经网络算法监测颅内压的方法，其包括以下步骤：

S1：通过FVEP无创颅内压监测技术检测实际的颅内压值，并形成FVEP波形；

S2：构建卷积神经网络系统，并以步骤S1实际测得的颅内压值为结果，不断训练其学习不同颅内压值对应的实际FVEP波形图，并综合考虑各种影响颅内压的外在因素共同作为该卷积神经网络系统的输入；

S3：通过卷积神经网络系统在图形识别方面的强大能力，进行FVEP波形图的匹配和识别分析，实现对FVEP波形的有效识别，通过不断训练神经网络使之形成对FVEP波形和颅内压之间关系的丰富经验，具备越来越强，越来越准确的颅内压评估能力。

本发明利用计算机图像识别的原理，通过计算机识别FVEP波形，来评估颅内压值。一方面利用了图像识别技术，另一方面由于采用整个FVEP波形作为输入，其评估的是整个FVEP波形与颅内压值的关系，而不仅仅是局限于N2波，这样的考量更加全面。

本发明利用卷积神经网络在图形识别方面的强大能力，进行FVEP波形图的匹配和识别分析，实现对FVEP波形的有效识别，通过不断训练神经网络使之形成对FVEP波形和颅内压之间关系的丰富经验，具备越来越强，越来越准确的颅内压评估能力。

卷积神经网络是近年发展起来，并引起广泛重视的一种高效识别方法，属于深度学习这一前沿技术领域，其在图像识别领域的应用尤其成熟，通过局部感知野和权值共享两大技术，使之具备很强的图像识别能力。本技术采用FVEP波形图作为卷积神经网络的输入，颅内压值作为输出，通过不断学习训练，让神经网络具备对颅内压的高效预测能力。如图1所示。通过n层卷积操作完成对图像的有效提取，将第n层子采样层作为输入，输入到经典的神经网络(NN)中。最后通过大量的训练神经网络，使之达到能有效可靠的评估颅内压值。

本发明综合考虑其他影响因素。如前文所述，在实际中，颅内压值随着病人的实际情况：病因、性别、年龄、及其他身体生理指标)而发生变化。因此为了更进一步的提高本系统的可靠性，精确性。可将患者的性别、年龄、既往病史、现有疾病等影响FVEP波形与颅内压关系的的因素考虑进去。理论上，考虑的因数越多越准确，但从系统的复杂性角度考虑，只需要引入有较大影响的主要因素即可。对于此可以按以下方式进行操作，如图2所示，通过在传统神经网络的输入层加入“年龄”，“性别”，“现有疾病”等参数(在实际应用中不仅仅局限于这些参数)以进一步提高整个系统的准确性。

本发明具有持续学习的能力。在实际的应用中，本系统可以采用云架构，颅内压判断的卷积神经网络系统位于云端，可以持续不断的根据实际的监测结果和新获得的数据对云端的卷积神经网络系统进行训练，使得其可以不断的学习更多的FVEP曲线，可以更好，更精确地进行颅内压判断。

而具体的用于对患者监测的设备均为终端设备，其只用于测试FVEP波形图，通过internet将其曲线图上传到云端，由云端的卷积神经网络系统进行FVEP曲线进行分析，并将分析得到的颅内压值回传给对应的终端。如图3所示。

这种云架构的好处是，可以持续不断训练神经网络学习提升，可以获得更多更广泛的数据供其学习提升。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于卷积神经网络算法监测颅内压的方法，其特征在于，包括以下步骤：

S1：通过FVEP无创颅内压监测技术检测实际的颅内压值，并形成FVEP波形图；

S2：构建卷积神经网络系统，并以步骤S1实际测得的颅内压值为结果，不断训练其学习不同颅内压值对应的实际FVEP波形图，并综合考虑各种影响颅内压的外在因素共同作为该卷积神经网络系统的输入；

S3：通过卷积神经网络系统在图形识别方面的强大能力，进行FVEP波形图的匹配和识别分析，实现对FVEP波形的有效识别，通过不断训练神经网络使之形成对FVEP波形和颅内压之间关系的丰富经验，具备越来越强，越来越准确的颅内压评估能力；

其中，

步骤S2中，所述的影响颅内压的外在因素包括患者性别、患者年龄、患者既往病史和患者现有疾病。

2.根据权利要求1所述的一种基于卷积神经网络算法监测颅内压的方法，其特征在于，还包括步骤S4：将判断颅内压的卷积神经网络系统设置于云服务器，持续不断的根据实际的监测结果和新获得的数据对云服务器的卷积神经网络系统进行训练，使其可以不断的学习更多的FVEP波形图，可以更好，更精确地进行颅内压判断。

3.根据权利要求1所述的一种基于卷积神经网络算法监测颅内压的方法，其特征在于，步骤S2中，采用整个FVEP波形图作为输入，其评估的是整个FVEP波形与颅内压值的关系，而不仅仅是局限于N2波。

4.根据权利要求1所述的一种基于卷积神经网络算法监测颅内压的方法，其特征在于，通过n层卷积操作完成对FVEP波形图的有效提取，将第n层子采样层作为输入，输入到神经网络(NN)中，最后通过大量的训练神经网络，使之达到能有效可靠的评估颅内压值。