CN109893097B - 一种基于近红外相位幅值耦合的麻醉深度监测系统及方法 - Google Patents
一种基于近红外相位幅值耦合的麻醉深度监测系统及方法 Download PDFInfo
- Publication number
- CN109893097B CN109893097B CN201910244092.0A CN201910244092A CN109893097B CN 109893097 B CN109893097 B CN 109893097B CN 201910244092 A CN201910244092 A CN 201910244092A CN 109893097 B CN109893097 B CN 109893097B
- Authority
- CN
- China
- Prior art keywords
- anesthesia
- module
- value
- signals
- frequency band
- 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.)
- Active
Links
- 206010002091 Anaesthesia Diseases 0.000 title claims abstract description 164
- 230000037005 anaesthesia Effects 0.000 title claims abstract description 161
- 230000008878 coupling Effects 0.000 title claims abstract description 41
- 238000010168 coupling process Methods 0.000 title claims abstract description 41
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 41
- 238000012544 monitoring process Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title abstract description 21
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical group [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims abstract description 47
- 239000008280 blood Substances 0.000 claims abstract description 47
- 210000004369 blood Anatomy 0.000 claims abstract description 47
- 229910052760 oxygen Inorganic materials 0.000 claims abstract description 47
- 239000001301 oxygen Substances 0.000 claims abstract description 47
- 210000004556 brain Anatomy 0.000 claims abstract description 36
- 238000004364 calculation method Methods 0.000 claims abstract description 23
- 238000002695 general anesthesia Methods 0.000 claims abstract description 22
- 238000001914 filtration Methods 0.000 claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 9
- 206010062519 Poor quality sleep Diseases 0.000 claims abstract 2
- 230000002618 waking effect Effects 0.000 claims description 60
- 238000012423 maintenance Methods 0.000 claims description 36
- 230000035945 sensitivity Effects 0.000 claims description 14
- 230000002490 cerebral effect Effects 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 9
- 238000007635 classification algorithm Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 210000001061 forehead Anatomy 0.000 abstract description 3
- 238000012216 screening Methods 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 241001575999 Hakka Species 0.000 description 3
- 235000016278 Mentha canadensis Nutrition 0.000 description 3
- 238000004497 NIR spectroscopy Methods 0.000 description 3
- 239000003814 drug Substances 0.000 description 3
- 229940079593 drug Drugs 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000000763 evoking effect Effects 0.000 description 3
- 238000002329 infrared spectrum Methods 0.000 description 3
- 230000003444 anaesthetic effect Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 239000003983 inhalation anesthetic agent Substances 0.000 description 2
- 230000036407 pain Effects 0.000 description 2
- 230000002360 prefrontal effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- 230000000638 stimulation Effects 0.000 description 2
- QGZKDVFQNNGYKY-UHFFFAOYSA-O Ammonium Chemical compound [NH4+] QGZKDVFQNNGYKY-UHFFFAOYSA-O 0.000 description 1
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 102000001554 Hemoglobins Human genes 0.000 description 1
- 108010054147 Hemoglobins Proteins 0.000 description 1
- PIWKPBJCKXDKJR-UHFFFAOYSA-N Isoflurane Chemical compound FC(F)OC(Cl)C(F)(F)F PIWKPBJCKXDKJR-UHFFFAOYSA-N 0.000 description 1
- ZTVQQQVZCWLTDF-UHFFFAOYSA-N Remifentanil Chemical compound C1CN(CCC(=O)OC)CCC1(C(=O)OC)N(C(=O)CC)C1=CC=CC=C1 ZTVQQQVZCWLTDF-UHFFFAOYSA-N 0.000 description 1
- 208000003443 Unconsciousness Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 210000003926 auditory cortex Anatomy 0.000 description 1
- 235000013405 beer Nutrition 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013211 curve analysis Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 239000003193 general anesthetic agent Substances 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000001990 intravenous administration Methods 0.000 description 1
- 238000010253 intravenous injection Methods 0.000 description 1
- 229960002725 isoflurane Drugs 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 230000007659 motor function Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003702 neurovascular coupling effect Effects 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- OLBCVFGFOZPWHH-UHFFFAOYSA-N propofol Chemical compound CC(C)C1=CC=CC(C(C)C)=C1O OLBCVFGFOZPWHH-UHFFFAOYSA-N 0.000 description 1
- 229960004134 propofol Drugs 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 229960003394 remifentanil Drugs 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 210000001103 thalamus Anatomy 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000008733 trauma Effects 0.000 description 1
- 230000000472 traumatic effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
一种基于近红外相位幅值耦合的麻醉深度监测系统及方法，监测系统包括脑血氧信号采集模块，相位幅值耦合调制指数计算模块，最佳频段选定模块，目标信号辨识模块，最佳阈值确定模块和应用模块，先用近红外采集病人前额的Hb和HbO2信号，粗滤波后用相位幅值耦合算法计算各信号MI值；后比较不同阶段的信号MI值差值，得到最佳频段；再重新滤波，计算信号MI值；再用ROC曲线的AUC值，选出对麻醉、清醒区分能力最强的目标信号；再用尤登指数，找到能区分这两阶段的最佳阈值；对进行全麻的新病人，便可采集目标信号，在最佳频段滤波，计算MI值，使用最佳阈值进行麻醉深度监测；本发明具有运算效率高、快速的筛选所需监测信号、安全便携、价格低廉的特点。
Description
技术领域
本发明涉及生物医学信号处理技术领域，尤其涉及一种基于近红外相位幅值耦合的麻醉深度监测系统及方法，主要应用于临床上对进行全身麻醉的病人的麻醉深度进行监测。
背景技术
麻醉，特别是全身麻醉，是在临床治疗中一种常见的手段。一般是在手术过程中，通过静脉注射或者吸入麻醉药物，对病人的中枢神经进行抑制，使病人表现出失去意识、运动功能下降、疼痛刺激反应消失等状态，使病人失去对术中痛觉的记忆，增加手术的安全性，以方便手术的进行。麻醉深度监测，是保障临床手术中麻醉质量的重要方法。如果麻醉深度过重，不仅会增加用药成本，而且会延长患者苏醒时间，甚至对神经系统造成麻醉后遗症。而如果麻醉程度较浅，则有可能引发术中知晓，不仅会影响手术正常进行，还会给患者造成极大的身体和心灵上的创伤。
目前，在临床中尚不存在关于麻醉深度监测的“金标准”，在实际的临床中，应用比较广泛的，主要有基于患者临床体征的监测方法以及基于脑电信号的监测方法。前者中应用较广的，主要是最低肺泡浓度(minimum alveolar concentration,MAC)监测，定义是在创伤性刺激下50％的受试者无回应时吸入麻醉药物在肺泡气内的浓度，缺点是只能应用于评价吸入式麻醉药效，无法用于评价静脉麻醉及混合麻醉的深度。后者，主要为监测自发脑电的脑电双谱指数(Bispectral Index,BIS)和监测诱发脑电的听觉诱发电位(AuditoryEvoked Potentials,AEP)。BIS是一种无量纲参数，规定在0-100的范围内，当受试者处于绝对清醒时，BIS评估为100；处于最深度麻醉时评估为0。但是BIS对药物有很强的依赖性，例如其与异氟醚和N2O就无相关性。其次，BIS对不同人种也有较大的差异性。再者，BIS有时不能预测病人的苏醒时间及恢复过程。AEP则是利用病人对于一个重复声音刺激所产生的听觉诱发电位来监测麻醉深，可以反映丘脑及初级听觉皮层的神经元活动，并且其不受阿片类和诱导药物的影响。但是，AEP监测仪容易受到周围环境的影响，同时，AEP依赖于人的听觉，导致患有听力问题的病人很难使用到这种方法。对于基于脑电信号的麻醉深度监测方法，在临床手术中，高频电刀的使用会极大干扰到脑信号采集，从而影响监测方法的应用效果。
发明内容
针对以上方法存在的问题，本发明提供了一种基于近红外相位幅值耦合的麻醉深度监测系统及方法,通过近红外光谱(Near Infrared Spectroscopy,NIRS)技术采集脑血氧信号，利用相位幅值耦合算法，分别计算病人在清醒与麻醉状态下右侧前额叶脑血氧信号的低频段信号相位与高频段信号幅值的相位幅值耦合调制指数(phase-amplitudecoherence modulation index,MI)，然后利用不同状态下调制指数的差值，找到最适宜不同病人的低频和高频信号频率范围，最后利用尤登指数，找到MI值的最佳阈值，用于监测病人的麻醉深度，区分其清醒和麻醉状态，在使用上具有便携性、安全、价格低廉的特点。
为了达到上述目的，本发明具体技术方案为：
一种基于近红外相位幅值耦合的麻醉深度监测系统，包括脑血氧信号采集模块A、相位幅值耦合调制指数计算模块B、最佳频段选定模块C、目标信号辨识模块D、最佳阈值确定模块E和应用模块F六个模块；
所述的脑血氧信号采集模块A：用于采集接受全身麻醉的病人不同麻醉状态下的脑血氧信号；
所述的相位幅值耦合调制指数计算模块B：先对脑血氧信号采集模块A采得的信号进行滤波，分别得到粗略的低频段和高频段信号，然后计算脑血氧信号在麻醉前清醒、麻醉维持和麻醉后清醒三种状态下的MI值；
所述的最佳频段选定模块C：做麻醉前清醒阶段与麻醉维持阶段、麻醉后清醒阶段与麻醉维持阶段的MI值差值，借此找到麻醉前、麻醉后清醒与麻醉维持阶段MI值最大差异的频段，选定为最佳低频和高频频段，然后对信号重新滤波，计算其MI值；
所述的目标信号辨识模块D：利用灵敏度与特异性绘制各信号MI值的ROC曲线，然后得到各信号的AUC值，确定AUC值最大的信号为目标信号；
所述的最佳阈值确定模块E：通过比较尤登指数的大小确定能区分麻醉状态的MI值的阈值，用以监测病人麻醉深度；
所述的应用模块F：对新的进行全麻的病人，用脑血氧信号采集模块A采集目标信号辨识模块D确定的信号，在最佳频段选定模块C确定的最佳频段滤波，用相位幅值耦合调制指数计算模块B的算法计算MI值，利用最佳阈值确定模块E确定的阈值，来观测新的进行全麻病人的麻醉深度。
一种基于近红外相位幅值耦合的麻醉深度监测系统的监测方法,包括以下步骤：
(1)：利用脑血氧信号采集模块A采集进行全身麻醉手术的病人在麻醉前清醒、麻醉维持与麻醉后清醒阶段下的近红外脑血氧信号；
(2)：利用相位幅值耦合调制指数计算模块B进行滤波，得到高频段与低频段的脑血氧信号，然后计算其在麻醉前清醒、麻醉维持和麻醉后清醒三种状态下的MI值；
(3)：利用最佳频段选定模块C做出麻醉前清醒阶段与麻醉维持阶段、麻醉后清醒阶段与麻醉维持阶段的MI值差值图，找到麻醉前、麻醉后清醒与麻醉维持阶段MI值最大差异的频段；
(4)：利用目标信号辨识模块D绘制各信号MI值的ROC曲线，然后根据得到的AUC值，确定目标信号；
(5)：利用最佳阈值确定模块E通过比较尤登指数的大小确定能区分麻醉状态的MI值的阈值，作为监测病人麻醉深度的MI值阈值；
(6)：对新的进行全麻的病人，用脑血氧信号采集模块A采集目标信号辨识模块D确定的信号，在最佳频段选定模块C确定的最佳频段滤波，用相位幅值耦合调制指数计算模块B的算法计算MI值，利用最佳阈值确定模块E确定的阈值，利用应用模块F来观测新的进行全麻病人的麻醉深度。
所述步骤(2)具体包括：
(2.1)：对于测得的脑血氧信号，用巴特沃斯滤波器进行较宽波段的滤波，得到低频段信号xph(t)与高频段信号xamp(t)；
(2.2)：通过希尔伯特变换，分别得到两种信号的瞬时幅值和相位信息，提取低频信号的瞬时相位ψph(t)和高频信号的瞬时幅值Aamp(t)，然后计算HbO2信号的相位幅值耦合值PAC(t,φ)为：
公式中，t为时间，δ函数为单位冲击函数，δt代表要研究的目标时间段，δφ代表要研究的目标相位区间；
(2.3)：对PAC(t,φ)进行归一化处理，即PAC(t,φ)除以δt时间内的幅值的积分，得到一个衡量随时间变化的相位幅值耦合调制值M(t,φ)：
对于在全相位段内，便有∑M(t,φ)＝1。
(2.4)：取相位分辨率为2π/N,即将全相位段等分成N份，则φn＝2πn/N，对于每份φn分别求出M(t,φ)的值，用以衡量M(t,φ)的在全相位段上的分布情况，即可得到相位幅值耦合调制指数MI(t)：
所述步骤(4)具体包括：
根据二分类方式将数据分成为正类和负类两种，反映正类数据中判断正确率标准的灵敏度(sensitivity)与反映负类数据中判断正确率标准的特异性(specificity)的计算公式如下所示：
式中：TP判断为正类，实际为正类的数据数目；FN判断为负类，实际为正类的数据数目。TN判断为负类，实际为负类的数据数目；FP判断为正类，实际为负类的数据数目。
利用灵敏度(sensitivity)与特异性(specificity)绘制ROC曲线，通过ROC曲线下面积AUC来对所考量的二分类算法的区分能力进行判断，AUC均值最大的信号，即为麻醉与清醒状态能力最强的信号，即为目标信号。
本发明近红外光谱技术基于脑血氧信号的光谱特征，通过检测特定波长近红外光通过人体后的衰减程度，根据朗伯比尔定律来得到前额叶的氧合血红蛋白(Oxyhemoglobin,HbO2)和还原血红蛋白(Deoxyhemoglobin,Hb)信号浓度的相对变化量。基于神经血管耦合机理，可以反映HbO2与Hb浓度变化相关的神经活动。同时，通过组织血氧的光谱特征来采集脑血氧信号不会受到周围其他电器设备的干扰，在使用上具有便携性、安全、价格低廉的特点，因此近红外光谱技术采集的脑血氧信号已逐渐成为麻醉深度监测研究的合适选择。
本发明的优势在于：本发明提供了一种连续监测病人麻醉深度的方法，近红外脑血氧信号具有较强的抗干扰及抗噪声能力，对于突然产生的瞬态强干扰具有很好的屏蔽作用，特别是相比于传统的脑电信号监测方法，在临床应用中，可以避免高频电刀对监测的影响。同时，利用相位幅值耦合算法处理脑血氧信号，对比其他非线性动力学方法，计算所需的数据长度较短，在临床应用中运算效率高、低延时。而且可以针对不同群体给出不同阈值，对病人的麻醉特异性问题提供一定的解决方案。
附图说明
图1是本发明的流程图。
图2信号采集示意图。
图3是11例病人Hb信号在不同麻醉阶段的MI值分布图。
图4是11例病人HbO2信号在不同麻醉阶段的MI值分布图。
图5是11例病人Hb信号在麻醉前清醒阶段与麻醉维持阶段、麻醉后清醒阶段与麻醉维持阶段的MI值差值。
图6是11例病人HbO2信号在麻醉前清醒阶段与麻醉维持阶段、麻醉后清醒阶段与麻醉维持阶段的MI值差值。
图7是2号病人的两种信号在三种阶段下随时间变化的MI值变化曲线图，其中用虚线将麻醉前清醒、麻醉维持、麻醉后清醒三个阶段区分开。
图8是2号病人两种信号的ROC曲线图。
图9是2号病人的HbO2信号在三种阶段下随时间变化的麻醉深度监测演示图，其中用虚线将麻醉前清醒、麻醉维持、麻醉后清醒三个阶段区分开，星折线为MI值变化曲线，点圆线为MI值阈值。
具体实施方式
下面结合附图对本发明做详细叙述。以下实施例用于说明本发明，但不用来限制本发明的范围。
参照图1，一种基于近红外相位幅值耦合的麻醉深度监测系统，包括脑血氧信号采集模块A、相位幅值耦合调制指数计算模块B、最佳频段选定模块C、目标信号辨识模块D、最佳阈值确定模块E和应用模块F六个模块，
所述的脑血氧信号采集模块A：用于采集接受全身麻醉的病人不同麻醉状态下的脑血氧信号；
所述的相位幅值耦合调制指数计算模块B：先对脑血氧信号采集模块A采得的信号进行滤波，分别得到粗略的低频段和高频段信号，然后计算脑血氧信号在麻醉前清醒、麻醉维持和麻醉后清醒三种状态下的MI值；
所述的最佳频段选定模块C：做麻醉前清醒阶段与麻醉维持阶段、麻醉后清醒阶段与麻醉维持阶段的MI值差值，借此找到麻醉前、麻醉后清醒与麻醉维持阶段MI值最大差异的频段，选定为最佳低频和高频频段，然后对信号重新滤波，计算其MI值；
所述的目标信号辨识模块D：利用灵敏度与特异性绘制各信号MI值的ROC曲线，然后得到各信号的AUC值，确定AUC值最大的信号为目标信号；
所述的最佳阈值确定模块E：通过比较尤登指数的大小确定能区分麻醉状态的MI值的阈值，用以监测病人麻醉深度；
所述的应用模块F：对新的进行全麻的病人，用脑血氧信号采集模块A采集目标信号辨识模块D确定的信号，在最佳频段选定模块C确定的最佳频段滤波，用相位幅值耦合调制指数计算模块B的算法计算MI值，利用最佳阈值确定模块E确定的阈值，来观测新的进行全麻病人的麻醉深度。
本实施例是基于上述监测系统的检测方法，包括以下步骤：
1利用脑血氧信号采集模块A对11例进行全身麻醉的病人进行右侧前额叶近红外脑血氧信号进行采集。
所述步骤(1)具体包括：
本实施例中的11例病人需满足如下条件：
1.无心脑血管疾病；
2.进行非头部相关手术；
3.采用的麻醉药物为丙泊酚、瑞芬太尼以及顺势阿曲库铵。
信号采集示意图如图2所示，使用的仪器是NIRS多参数记录器，近红外信号的采集设备由记录器和探头组成，探头包含一个光源和一个距光源2cm的接收器，贴于病人前额距离眉心上方1cm的右侧，采样频率为10Hz，选用波长为735nm和850nm的双波长的近红外光源，得到包含Hb与HbO2在内的2种脑血氧信号。
(2)：利用相位幅值耦合调制指数计算模块B进行粗略滤波，得到高频段与低频段的脑血氧信号，然后计算其在麻醉前清醒、麻醉维持和麻醉后清醒三种状态下的MI值；
所述步骤(2)具体包括：
(2.1)：对于得到的脑血氧信号进行滤波。为得到低频段和高频段信号，本发明选择了巴特沃斯带通滤波器，根据经验，粗略的将低频段定为0.005-0.105Hz，将高频段定为0.1-0.4Hz，得到低频段信号xph(t)与高频段信号xamp(t)；
(2.2)：通过希尔伯特变换，分别得到两种信号的瞬时幅值和相位信息，提取低频信号的瞬时相位ψph(t)和高频信号的瞬时幅值Aamp(t)，然后计算HbO2信号的相位幅值耦合值PAC(t,φ)为：
式中t为时间，本说明在进行计算时，以60s为移动步长进行计算，δ函数为单位冲击函数，δt代表要研究的目标时间段，δφ代表要研究的目标相位区间；δt取240s，δφ取π/4，在低频段中，每小段测试频段的频段长为0.01Hz，移动步长为0.0025Hz，即每次移动产生75％的重叠；本文选择的高频段为0.1-0.4Hz，每小段测试频段的频段长为0.05Hz，移动步长为0.005Hz，即每次移动产生90％的重叠。；
(2.3)：对PAC(t,φ)进行归一化处理，即将PAC(t,φ)除以δt时间内的幅值的积分，得到一个衡量随时间变化的相位幅值耦合调制值M(t,φ)：
(2.4)：取相位分辨率为2π/N,即将全相位段等分成N份，则φn＝2πn/N，本专利中取N＝8，对于每份φn分别求出M(t,φ)的值，用以衡量M(t,φ)的在全相位段上的分布情况，即可得到相位幅值耦合调制指数MI(t)：
在得到了每位病人的MI值后，对所有病人在麻醉前清醒、麻醉维持和麻醉后清醒状态下的MI值进行平均，结果如图3和图4所示，图右侧的颜色柱代表着不同颜色所代表的数值。对于Hb信号，麻醉维持阶段的MI值略微小于麻醉前清醒以及麻醉后清醒阶段，在低频段，随着频率的升高，MI值逐渐减小；对于高频段，麻醉前清醒、麻醉维持以及麻醉后清醒的高MI值更多集中在中下部。对于HbO2信号，情况也基本类似。
(3)：利用最佳频段选定模块(C)做出麻醉前清醒阶段与麻醉维持阶段、麻醉后清醒阶段与麻醉维持阶段的MI值差值图，找到麻醉前、麻醉后清醒与麻醉维持阶段MI值最大差异的频段；
所述步骤(3)具体包括：
(3.1)做麻醉前清醒阶段与麻醉维持阶段、麻醉后清醒阶段与麻醉维持阶段的MI值差值，结果如图5和图6所示，最终对于Hb信号，本发明选择低频段为0.005-0.017Hz，高频段为0.23-0.385Hz,对于HbO2信号，本发明选择低频段为0.005-0.015Hz，高频段为0.325-0.385Hz。
(3.2)根据所选频段，分别再重复步骤(2)，对步骤(1)里获得的信号进行滤波，然后计算Hb和HbO2信号在三种麻醉阶段下的MI值，并如图7所示，得到2号病人的两种信号在三种状态下随时间变化的MI值变化曲线，通过虚线分割，随时间增长依次为麻醉前清醒、麻醉维持和麻醉后清醒阶段。可以看到除了麻醉维持初期外，两种信号在清醒阶段的MI值普遍高于麻醉维持阶段。
(4)：利用目标信号辨识模块D绘制各信号MI值的ROC曲线，然后根据得到的AUC值，确定目标信号；
所述步骤(4)具体包括：
ROC曲线分析：ROC曲线的全名为受试者工作特征曲线，在绘制曲线的过程中，根据二分类方式将数据分成为正类和负类两种，反映正类数据中判断正确率标准的灵敏度(sensitivity)与反映负类数据中判断正确率标准的特异性(specificity)的计算公式如下所示：
式中：TP判断为正类，实际为正类的数据数目；FN判断为负类，实际为正类的数据数目。TN判断为负类，实际为负类的数据数目；FP判断为正类，实际为负类的数据数目。
在本发明中，定义麻醉阶段的数据为正类，清醒阶段的数据为负类。图8即为2号病人两种信号的ROC曲线图。
通过AUC(ROC曲线下面积)来对所考量的二分类算法的区分能力进行判断。在本实例中，2号病人的rn-Hb信号的AUC值为0.913，rn-HbO2信号的AUC值为0.875，表明两种信号的MI值均具有较高的诊断能力。
继续对11例病人的AUC进行分析，Hb信号的AUC均值为0.87±0.13，HbO2信号的AUC均值为0.891±0.08。可以看到，从数值的角度上HbO2信号均值要优于Hb信号，而且HbO2信号具有更小的标准差，表明这种信号的诊断能力更为稳定。故选取HbO2信号作为麻醉监测的目标信号。
(5)：利用最佳阈值确定模块E通过比较尤登指数的大小确定能区分麻醉状态的MI值的阈值，作为监测病人麻醉深度的MI值阈值；
所述步骤(5)具体包括：
最佳阈值通过比较尤登指数(灵敏度+特异性-1)的大小确定。尤登指数越大，表明正类和负类数据的判断越准确，即说明在该阈值下的区分效果越好。
最佳阈值以及对应的灵敏度以及特异性表如表1所示。表中的数据显示，11例病人的灵敏度均值为0.867±0.100，特异性为0.817±0.108，最佳阈值为0.176±0.052。因此选定0.176作为监测麻醉状态的最佳阈值。
(6)新的进行全麻的病人，用脑血氧信号采集模块A采集目标信号辨识模块D确定的信号，在最佳频段选定模块C确定的最佳频段滤波，用相位幅值耦合调制指数计算模块B的算法计算MI值，利用最佳阈值确定模块E确定的阈值，利用应用模块F来观测新的进行全麻病人的麻醉深度。如图9所示，则为2号病人的HbO2信号在三种阶段下随时间变化的麻醉深度监测演示图，其中麻醉前清醒、麻醉维持、麻醉后清醒三个阶段用虚线分开，星折线为MI值变化曲线，点圆线为MI值阈值。可以看到除了麻醉维持初期外，病人在麻醉阶段的MI值基本在阈值之下，而在麻醉后清醒阶段，MI值基本在阈值之上。当MI值接近阈值时，则麻醉师应对病人采取措施，确保病人不会发生术中苏醒。故而可用此系统及方法来监测病人在全麻手术中的麻醉深度。
表1 11例病人rn-HbO2信号MI值最佳阈值与对应的灵敏度及特异性
Claims (4)
1.一种基于近红外相位幅值耦合的麻醉深度监测系统，其特征在于，包括脑血氧信号采集模块(A)、相位幅值耦合调制指数计算模块(B)、最佳频段选定模块(C)、目标信号辨识模块(D)、最佳阈值确定模块(E)和应用模块(F)六个模块；
所述的脑血氧信号采集模块(A)：用于采集接受全身麻醉的病人不同麻醉状态下的脑血氧信号；
所述的相位幅值耦合调制指数计算模块(B)：先对脑血氧信号采集模块(A)采得的信号进行简单滤波，分别得到粗略的低频段和高频段信号，然后计算脑血氧信号在麻醉前清醒、麻醉维持和麻醉后清醒三种状态下的MI值；
所述的最佳频段选定模块(C)：做麻醉前清醒阶段与麻醉维持阶段、麻醉后清醒阶段与麻醉维持阶段的MI值差值，借此找到麻醉前、麻醉后清醒与麻醉维持阶段MI值最大差异的频段，选定为最佳低频和高频频段，然后对信号重新滤波，计算其MI值；
所述的目标信号辨识模块(D)：利用灵敏度与特异性绘制各信号MI值的ROC曲线，然后得到各信号的AUC值，确定AUC值最大的信号为目标信号；
所述的最佳阈值确定模块(E)：通过比较尤登指数的大小确定能区分麻醉状态的MI值的阈值，用以监测病人麻醉深度；
所述的应用模块(F)：对新的进行全麻的病人，用脑血氧信号采集模块(A)采集目标信号辨识模块(D)确定的信号，在最佳频段选定模块(C)确定的最佳频段滤波，用相位幅值耦合调制指数计算模块(B)的算法计算MI值，利用最佳阈值确定模块(E)确定的阈值，来观测新的进行全麻病人的麻醉深度。
2.根据权利要求1所述的一种基于近红外相位幅值耦合的麻醉深度监测系统，其特征在于，包括以下步骤：
(1)：利用脑血氧信号采集模块(A)采集进行全身麻醉手术的病人在麻醉前清醒、麻醉维持与麻醉后清醒阶段下的近红外脑血氧信号；
(2)：利用相位幅值耦合调制指数计算模块(B)进行滤波，得到高频段与低频段的脑血氧信号，然后计算其在麻醉前清醒、麻醉维持和麻醉后清醒三种状态下的MI值；
(3)：利用最佳频段选定模块(C)做出麻醉前清醒阶段与麻醉维持阶段、麻醉后清醒阶段与麻醉维持阶段的MI值差值图，找到麻醉前、麻醉后清醒与麻醉维持阶段MI值最大差异的频段；
(4)：利用目标信号辨识模块(D)绘制各信号MI值的ROC曲线，然后根据得到的AUC值，确定目标信号；
(5)：利用最佳阈值确定模块(E)通过比较尤登指数的大小确定能区分麻醉状态的MI值的阈值，作为监测病人麻醉深度的MI值阈值；
(6)：对新的进行全麻的病人，用脑血氧信号采集模块(A)采集目标信号辨识模块(D)确定的信号，在最佳频段选定模块(C)确定的最佳频段滤波，用相位幅值耦合调制指数计算模块(B)的算法计算MI值，利用最佳阈值确定模块(E)确定的阈值，利用应用模块(F)来观测新的进行全麻病人的麻醉深度。
3.根据权利要求2所述的一种基于近红外相位幅值耦合的麻醉深度监测系统，其特征在于，所述步骤(2)具体包括：
(2.1)：对于测得的脑血氧信号，用巴特沃斯滤波器进行较宽波段的粗略滤波，得到低频段信号xph(t)与高频段信号xamp(t)；
(2.2)：通过希尔伯特变换，分别得到两种信号的瞬时幅值和相位信息，提取低频信号的瞬时相位ψph(t)和高频信号的瞬时幅值Aamp(t)，然后计算HbO2信号的相位幅值耦合值PAC(t,φ)为：
公式中，t为时间，δ函数为单位冲击函数，δt代表要研究的目标时间段，δφ代表要研究的目标相位区间；
(2.3)：对PAC(t,φ)进行归一化处理，即PAC(t,φ)除以δt时间内的幅值的积分，得到一个衡量随时间变化的相位幅值耦合调制值M(t,φ)：
对于在全相位段内，便有∑M(t,φ)＝1；
(2.4)：取相位分辨率为2π/N,即将全相位段等分成N份，则φn＝2πn/N，对于每份φn分别求出M(t,φ)的值，用以衡量M(t,φ)的在全相位段上的分布情况，即可得到相位幅值耦合调制指数MI(t)：
4.根据权利要求2所述的一种基于近红外相位幅值耦合的麻醉深度监测系统，其特征在于，所述步骤(4)具体包括：
根据二分类方式将数据分成为正类和负类两种，反映正类数据中判断正确率标准的灵敏度与反映负类数据中判断正确率标准的特异性的计算公式如下所示：
式中：TP判断为正类，实际为正类的数据数目；FN判断为负类，实际为正类的数据数目；TN判断为负类，实际为负类的数据数目；FP判断为正类，实际为负类的数据数目；定义麻醉阶段的数据为正类，清醒阶段的数据为负类；
利用灵敏度与特异性绘制ROC曲线，通过ROC曲线下面积AUC来对所考量的二分类算法的区分能力进行判断，AUC均值最大的信号，即为麻醉与清醒状态能力最强的信号，即为目标信号。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910244092.0A CN109893097B (zh) | 2019-03-28 | 2019-03-28 | 一种基于近红外相位幅值耦合的麻醉深度监测系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910244092.0A CN109893097B (zh) | 2019-03-28 | 2019-03-28 | 一种基于近红外相位幅值耦合的麻醉深度监测系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109893097A CN109893097A (zh) | 2019-06-18 |
| CN109893097B true CN109893097B (zh) | 2020-12-08 |
Family
ID=66954000
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910244092.0A Active CN109893097B (zh) | 2019-03-28 | 2019-03-28 | 一种基于近红外相位幅值耦合的麻醉深度监测系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109893097B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113100781B (zh) * | 2021-04-09 | 2022-02-18 | 浙江象立医疗科技有限公司 | 基于脑电耦合关系的术中伤害刺激反应性监测系统及方法 |
| CN118266873A (zh) * | 2024-05-13 | 2024-07-02 | 上海岩思类脑人工智能研究院有限公司 | 一种麻醉状态检测方法、系统、存储介质及设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103405230A (zh) * | 2013-08-07 | 2013-11-27 | 清华大学 | 基于脑电诱发电位的颜色感知能力检测系统及检测方法 |
| CN105939303A (zh) * | 2015-03-02 | 2016-09-14 | 杭州舍可迪生物科技有限公司 | 相位振幅耦合和振幅振幅耦合信号处理的系统和方法 |
| WO2017143319A1 (en) * | 2016-02-19 | 2017-08-24 | The Regents Of The University Of California | Systems and methods for artifact reduction in recordings of neural activity |
| WO2018102815A1 (en) * | 2016-12-02 | 2018-06-07 | Thomas Jefferson University | Signal processing method for distinguishing and characterizing high-frequency oscillations |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2906112B1 (en) * | 2012-10-12 | 2023-03-15 | The General Hospital Corporation | System and method for monitoring and controlling a state of a patient during and after administration of anesthetic compound |
| CN107595275B (zh) * | 2015-07-02 | 2020-07-28 | 北京海思瑞格科技有限公司 | 基于幅度和相位耦合的生物反馈方法 |
| CN106073767B (zh) * | 2016-05-26 | 2018-09-21 | 东南大学 | Eeg信号的相位同步度量、耦合特征提取及信号识别方法 |
| US10953222B2 (en) * | 2016-09-27 | 2021-03-23 | Medtronic, Inc. | Adaptive deep brain stimulation using frequency sub-bands |
| US10786676B2 (en) * | 2016-10-21 | 2020-09-29 | Regents Of The University Of Minnesota | Deep brain stimulation system and method with multi-modal, multi-symptom neuromodulation |
| KR20180059984A (ko) * | 2016-11-28 | 2018-06-07 | 참엔지니어링(주) | 일체형 마취심도 및 뇌산소포화도 감지센서 |
| US10966625B2 (en) * | 2017-12-12 | 2021-04-06 | Neuropace, Inc. | Systems, devices and methods using phase-amplitude coupling measures in implantable medical devices |
-
2019
- 2019-03-28 CN CN201910244092.0A patent/CN109893097B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103405230A (zh) * | 2013-08-07 | 2013-11-27 | 清华大学 | 基于脑电诱发电位的颜色感知能力检测系统及检测方法 |
| CN105939303A (zh) * | 2015-03-02 | 2016-09-14 | 杭州舍可迪生物科技有限公司 | 相位振幅耦合和振幅振幅耦合信号处理的系统和方法 |
| WO2017143319A1 (en) * | 2016-02-19 | 2017-08-24 | The Regents Of The University Of California | Systems and methods for artifact reduction in recordings of neural activity |
| WO2018102815A1 (en) * | 2016-12-02 | 2018-06-07 | Thomas Jefferson University | Signal processing method for distinguishing and characterizing high-frequency oscillations |
Non-Patent Citations (4)
| Title |
|---|
| Spectral and phase-amplitude coupling signatures in human deep brain oscillations during propofol-induced anaesthesia;Huang Y，Wu D，Bahuri N.F.A, et al;《British Journal of Anaesthesia》;20180731;第121卷;第303-313页 * |
| 基于微型光谱仪的麻醉深度监测技术研究;黄超;《中国优秀硕士学位论文全文数据库》;20161231;第11-21页 * |
| 基于脑疲劳的Delta_Gamma相位幅值耦合研究;杨硕，冀亚坤，王磊，郝鹏茹，徐桂芝;《中国生物医学工程学报》;20180820;第37卷(第4期);第445-450页 * |
| 基于脑血氧信号近似熵的麻醉深度监测方法研究;冯一鸣，李金铭，高成成，闫相国，王刚;《航天医学与医学工程》;20180815;第31卷(第4期);第458-463页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109893097A (zh) | 2019-06-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US7373198B2 (en) | Method and apparatus for the estimation of anesthetic depth using wavelet analysis of the electroencephalogram | |
| US7190995B2 (en) | System and method for analysis of respiratory cycle-related EEG changes in sleep-disordered breathing | |
| CA2721154C (en) | Non-invasive method and apparatus for determining light-sleep and deep-sleep stages | |
| Kurihara et al. | Sleep-stage decision algorithm by using heartbeat and body-movement signals | |
| EP2962634B1 (en) | Method and apparatus for measuring anesthetic depth | |
| US10674956B2 (en) | System and method for characterizing brain states during general anesthesia and sedation using phase-amplitude modulation | |
| US7756575B2 (en) | Apparatus and method of diagnosing health using cumulative data pattern analysis via fast Fourier transformation of brain wave data measured from frontal lobe | |
| US20130324812A1 (en) | Cardiac pulse coefficient of variation and breathing monitoring system and method for extracting information from the cardiac pulse | |
| JP2002528146A (ja) | 麻酔深度モニタ | |
| WO2014152565A1 (en) | Wavelet analysis in neuro diagnostics | |
| WO2004026133A2 (en) | Method, apparatus and system for characterizing sleep | |
| US20060135880A1 (en) | Identification of a dominant signal component in a biosignal | |
| CN110811556A (zh) | 一种基于脑电微状态分析的麻醉深度监测系统及方法 | |
| CN109893097B (zh) | 一种基于近红外相位幅值耦合的麻醉深度监测系统及方法 | |
| CN110811557A (zh) | 一种基于微状态功率谱分析的麻醉深度监测系统及方法 | |
| CN112057087B (zh) | 精神分裂症高风险人群自主神经功能数据处理方法及装置 | |
| Hadiyoso et al. | Early detection of mild cognitive impairment using quantitative analysis of EEG signals | |
| US8219187B2 (en) | Method and apparatus for providing improved assessment of a physiological condition of a patient | |
| CN109567823B (zh) | 一种基于近红外光谱技术的麻醉深度监测系统及方法 | |
| Dabbabi et al. | A Review of Non Invasive Methods of Brain Activity Measurements via EEG Signals Analysis | |
| Yousaf et al. | Wearable Peripheral Neuropathy Detection System based on Surface Electromyography | |
| Al-abed et al. | Spectral analysis of ECG ventricular waveform parameters in obese sleep apnea patients | |
| Lipping et al. | EEG signal in monitoring brain function in anesthesia and intensive care: a review | |
| Saeed et al. | Automatic seizure onset detection in long term pediatric EEG signals | |
| Kang et al. | The Spectral Entropy of Resting State fNIRS Signals as a Biomarker for Alzheimer's Disease |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240726 Address after: 712000 room 1064, 1f, jugou Hongde building, No. 20, Western China Science and technology innovation port, Fengxi new town, Xixian new area, Xi'an City, Shaanxi Province Patentee after: Xixian New Area sairuibo Medical Technology Co.,Ltd. Country or region after: China Address before: Beilin District Xianning West Road 710049, Shaanxi city of Xi'an province No. 28 Patentee before: XI'AN JIAOTONG University Country or region before: China |