CN111616681B - 基于便携式脑电采集设备和深度学习的麻醉状态监测系统 - Google Patents
基于便携式脑电采集设备和深度学习的麻醉状态监测系统 Download PDFInfo
- Publication number
- CN111616681B CN111616681B CN202010481469.7A CN202010481469A CN111616681B CN 111616681 B CN111616681 B CN 111616681B CN 202010481469 A CN202010481469 A CN 202010481469A CN 111616681 B CN111616681 B CN 111616681B
- Authority
- CN
- China
- Prior art keywords
- electroencephalogram
- anesthesia
- deep learning
- patient
- module
- 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 88
- 230000037005 anaesthesia Effects 0.000 title claims abstract description 88
- 238000012544 monitoring process Methods 0.000 title claims abstract description 55
- 238000013135 deep learning Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 claims abstract description 50
- 238000012545 processing Methods 0.000 claims abstract description 29
- 230000008569 process Effects 0.000 claims abstract description 25
- 238000001914 filtration Methods 0.000 claims abstract description 6
- 230000003321 amplification Effects 0.000 claims abstract description 5
- 238000003199 nucleic acid amplification method Methods 0.000 claims abstract description 5
- 210000004556 brain Anatomy 0.000 claims description 28
- 238000011176 pooling Methods 0.000 claims description 16
- 210000002569 neuron Anatomy 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000003595 spectral effect Effects 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 6
- 230000006698 induction Effects 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000000638 stimulation Effects 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 claims description 2
- 239000012634 fragment Substances 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 230000001360 synchronised effect Effects 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 15
- 230000000694 effects Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 3
- 208000014644 Brain disease Diseases 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 2
- 230000003444 anaesthetic effect Effects 0.000 description 2
- 230000036407 pain Effects 0.000 description 2
- 230000002980 postoperative effect Effects 0.000 description 2
- 208000032358 Intraoperative Awareness Diseases 0.000 description 1
- 208000032984 Intraoperative Complications Diseases 0.000 description 1
- 208000028389 Nerve injury Diseases 0.000 description 1
- 206010057765 Procedural complication Diseases 0.000 description 1
- 208000029028 brain injury Diseases 0.000 description 1
- 210000003169 central nervous system Anatomy 0.000 description 1
- 210000003710 cerebral cortex Anatomy 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 210000004761 scalp Anatomy 0.000 description 1
- 208000020431 spinal cord injury Diseases 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4821—Determining level or depth of anaesthesia
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Anesthesiology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
一种基于便携式脑电采集设备和深度学习的麻醉状态监测系统，其特征在于，包括便携式脑电采集设备、数据处理分析模块和显示模块；所述的便携式脑电采集设备用于采集患者麻醉过程中的脑电信号，并进行滤波放大处理操作，传输到所述的数据处理分析模块；所述的数据处理分析模块对接收的脑电信号进行处理、分析；所述的显示模块是显示器，用于实时显示患者的麻醉状态。本发明使用的便携式脑电采集设备具有制作成本低、接口开放，体积小的优点，能够便捷高效地采集脑电信号；本发明能够较为精确的实现对麻醉状态的监测；适用于不同患者的脑电信号分析；基于脑电信号对患者麻醉状态的监测更为直观便捷，对于手术医疗具有重要的指导意义。
Description
技术领域
本发明涉及一种患者麻醉状态监测系统。特别是涉及一种基于便携式脑电采集设备和深度学习的麻醉状态监测系统。
背景技术
作为现代临床手术过程中必不可少的一个重要环节，麻醉状态的准确判断始终是一项挑战。相同剂量的麻醉药对于不同的人产生的效果也不完全相同，故麻醉具有较高的风险。成功的麻醉过程可以认为是患者无术中意识，无疼痛刺激反应。但完全意义上的成功的麻醉过程难以实现，麻醉过浅时患者可能会感到手术的疼痛或压力，对患者的生理和心理都产生严重的影响；麻醉过深可能会导致严重的脑损伤、神经损伤、瘫痪或者脊髓损伤及严重的术中并发症，导致术后的恢复时间增加，甚至造成术后死亡率的增加。因此为确保病人安全，准确监测大脑所处的麻醉状态不仅能够对麻醉医生的用药量提供指导，而且对于提供一个安全稳定的手术环境具有重要的意义。脑电信号能够直接反映中枢神经系统的活动，脑电技术当前成为分析麻醉状态的最佳手段之一。
脑电来自于脑部神经元群的自由放电活动，是脑神经细胞的电生理活动在大脑皮层或头皮表面的总体反映。脑电信号中包含了大量的生理与疾病信息，对于脑电信号的研究分析不仅可为某些脑疾病提供诊断依据，而且还可以为某些脑疾病提供有效的治疗手段。人们尝试通过脑-机接口(BCI)来有效提取和分析脑电信号，从而达到某种控制目的。由于脑电信号是不具备各态历经性的非平稳随机信号，其噪声影响也很大，所以关于脑电信号的分析与处理是一项重要研究内容。脑电信号的分析方法有傅立叶变换、频域分析、时域分析等传统方法，随后出现了小波分析、匹配跟踪方法、神经网络分析、混沌分析等方法。目前基于脑电信号的麻醉状态分析方法主要包括频域分析、双谱指数、麻醉趋势和熵指数分析等。近年来深度学习的快速发展，为脑电信号的有效分析提供了一种研究方法。
深度学习作为一种数据驱动的算法，能够自动学习原始数据的抽象表示特征，在特征提取过程中被广泛使用。卷积神经网络作为最有效的深度学习算法之一，主要应用于图像识别、人脸检测、文字识别等领域。卷积神经网络使用卷积层和池化层，同时引入局部感受野、权值共享的机制，大大减少了待训练的参数量，从而自动学习针对特定分类任务的最好卷积核以及这些卷积核的组合方式，计算出输入图像对于分类任务最好的特征表达。近几年来卷积神经网络在时间序列分析中的应用也逐渐增多，使用卷积神经网络来充分提取时间序列中存在的特征，能够有效实现对于时间序列的分析，特别是对于脑电信号的有效分析。
发明内容
本发明所要解决的技术问题是，提供一种能够实现患者的麻醉状态监测的基于便携式脑电采集设备和深度学习的麻醉状态监测系统。
本发明所采用的技术方案是：一种基于便携式脑电采集设备和深度学习的麻醉状态监测系统，包括便携式脑电采集设备、数据处理分析模块和显示模块；所述的便携式脑电采集设备用于采集患者麻醉过程中的脑电信号，并进行滤波放大处理操作，传输到所述的数据处理分析模块；所述的数据处理分析模块对接收的脑电信号进行处理、分析；所述的显示模块是显示器，用于实时显示患者的麻醉状态。
本发明的基于便携式脑电采集设备和深度学习的麻醉状态监测系统，使用的便携式脑电采集设备具有制作成本低、接口开放，体积小的优点，方便携带与佩戴，能够便捷高效地采集脑电信号；使用基于深度学习的智能算法可以充分提取脑电信号中的隐含特征，能够较为精确的实现对麻醉状态的监测；基于深度学习的智能算法能够通过调节不同层的数量来改变模型结构，适用于不同患者的脑电信号分析；基于脑电信号对患者麻醉状态的监测更为直观便捷，对于手术医疗具有重要的指导意义。
附图说明
图1是本发明基于便携式脑电采集设备和深度学习的麻醉状态监测系统的构成框图；
图2是本发明中便携式脑电采集设备的硬件构成框图；
图3是本发明涉及到的32导的脑电极分布位置及名称；
图4是本发明的脑电信号预处理方法示意图；
图5是本发明的基于深度学习的监测模型构成框图。
具体实施方式
下面结合实施例和附图对本发明的基于便携式脑电采集设备和深度学习的麻醉状态监测系统做出详细说明。
如图1所示，本发明的基于便携式脑电采集设备和深度学习的麻醉状态监测系统，包括便携式脑电采集设备、数据处理分析模块和显示模块；所述的便携式脑电采集设备用于采集患者麻醉过程中的脑电信号，并进行滤波放大处理操作，传输到所述的数据处理分析模块；所述的数据处理分析模块对接收的脑电信号进行处理、分析，即，脑电信号经过处理与分割后通过预处理方法初步提取脑电信号的特征，构建数据集，提出基于深度学习的智能算法对数据集进行训练与测试，调整模型结构与参数得到能够快速准确区分麻醉状态的基于深度学习的监测模型，用于患者麻醉后的脑电信号分类；所述的显示模块是显示器，用于实时显示患者的麻醉状态。
如图2所示，所述的便携式脑电采集设备，包括有：依次连接的用于采集脑电信号的脑电极帽及其转接线1、用于脑电信号放大和转换的生物电信号采集模块2、用于控制脑电信号的采集并通过USB通信电路4输出脑电信号的FPGA处理器3，以及分别连接生物电信号采集模块2和FPGA处理器3的系统供电电路5，其中，
所述的脑电极帽及其转接线1中的脑电极帽采集不同脑区的脑电信号，通过转接线及DSUB37接口与生物电信号采集模块2相连接，用于生物电信号的采集和传输；
所述的生物电信号采集模块2是由数片集成了用于接收脑电帽采集的脑电压信号的高共模抑制比模拟输入模块、用于进行脑电压信号放大的低噪声可编程增益放大器和用于将模拟信号转换为数字信号的高分辨率同步采样模数转换器的生物电信号采集芯片组成；
所述的FPGA处理器3用于调整生物电信号采集模块2的采集模式与参数和控制USB通信电路4向数据处理分析模块输出脑电信号数据；
所述的USB通信电路4工作在异步FIFO模式，最高传输速率8MB/秒，在FPGA处理器3的控制下周期性地将采集到的脑电信号以数据包的形式向数据处理分析模块输出；
所述的系统供电电路5，输入电压为5V，由USB接口进行供电，通过电压转换模块提供系统不同芯片的工作电压。
所述的麻醉过程包括麻醉诱导阶段、麻醉维持阶段和麻醉苏醒阶段，在麻醉过程中持续给患者等时间间隔地施加一定的刺激，通过患者的反应来判断患者的麻醉状态所属阶段；所述的采集患者麻醉过程中的脑电信号，是采集被试者对应于脑电极帽的Fp1,Fp2,F7,F3,Fz,F4,F8,T3,C3,Cz,C4,T4,T5,P3,Pz,P4,T6,O1和O2这19个通道的脑电信号；如图3所示，脑电极帽的电极分布符合10/20国际标准导联。
所述的数据处理分析模块，包括进行如下步骤：
1)对于接收的脑电信号，通过长度为le的滑动窗口进行数据分割，滑动窗口的滑动步长为s，得到一系列的脑电信号片段，第p个脑电信号片段表示为
2)根据脑电信号片段通道的拓扑结构，利用预处理方法从一系列的脑电信号片段中提取对应的特征，利用提取的特征构建一系列对应的脑电特征图像；
如图4所示，所述的预处理方法，包括根据在麻醉过程中持续给患者施加刺激的时间间隔设定移动窗口的长度l，移动窗口的长度l小于相邻的两个刺激之间的时间间隔，对每个通道内的脑电信号片段，单独进行移动窗口计算提取谱带功率、统计矩和Hjorth参数特征；其中，
在计算谱带功率时选用0.5-4Hz的δ频域、4-8Hz的θ频域、8-13Hz的α频域、13-30Hz的β频域、30-50Hz的γ-1频域、50-75Hz的γ-2频域、75-100Hz的γ-3频域和100-128Hz的γ-4频域，其中为了消除60Hz的电力线噪声和谐波，计算过程中不使用57-63Hz和117-123Hz这两个频域，通过谱带功率计算得到8个谱带功率特征；
在计算统计矩的过程中选用均值、方差、偏态和峰度作为脑电信号的时域特征，得到4个统计矩特征；
在计算Hjorth参数的过程中，使用移动性和复杂性参数来提取脑电信号片段的时域特征，得到2个Hjorth参数特征；
通过对谱带功率、统计矩和Hjorth参数特征的计算，一个脑电信号片中，每个通道累计提取14个特征，19个通道共提取19×14个特征，将所有特征进行融合，得到一张19×14大小的脑电特征图像，对应一系列的脑电信号片段，得到一系列的脑电特征图像。
3)将一系列脑电特征图像构建成数据集，与麻醉诱导阶段、麻醉维持阶段和麻醉苏醒阶段对应的图片添加麻醉诱导阶段、麻醉维持阶段和麻醉苏醒阶段三类标签，并划分训练集和测试集；
4)构建基于深度学习的监测模型，确定模型结构及待优化模型参数，通过训练与测试得到能够监测麻醉状态的基于深度学习的监测模型；其中，
如图5所示，所述的基于深度学习的监测模型，包括n1个卷积层、n2个池化层、n3个全连接层、n4个批量标准化层、n5个随机丢失层、1个分支融合结构；n1、n2、n3、n4和n5根据数据量与数据特点人为设定，n1、n2和n4均取值为大于5的正整数，n3和n5均取值为不小于2的正整数；
每个所述的卷积层通过卷积计算从模型的输入中提取有效特征，运算如下式：
Xl＝f(∑Xl-1*wl+bl)
其中Xl和Xl-1分别表示当前层卷积和上一卷积层的特征图，wl表示权重，bl表示偏置，f表示激活函数，选用ReLU激活函数；
每个所述的池化层用于扩大感受野，利用一个矩阵窗口在特征图上进行扫描，将每个矩阵中元素通过池化方法来减少元素的个数，保持特征的空间位置关系，所述的池化方法是最大池化法或平均池化法或空间金字塔池化法；
每个所述的全连接层用于将多维数据扁平化，转化成一维向量；
每个所述的批量标准化层用于将每层神经网络的神经元分布在均值为0、方差为1的标准正态分布中，公式为
其中，yo表示批量标准化后的输出，BN表示批量标准化，x0是批量标准化前的神经元，
是转换后的神经元，
是最小批次的均值，m是最小批次，
是当前批次下的方差，φ和ψ是被学习的参数，ε是一个常数；
每个所述的随机丢失层用于按照设定的量随机删掉网络中的一部分神经元，减少过拟合现象；
所述的分支融合结构包括两个以上卷积神经网络，通过向量加法或者向量拼接将各个卷积神经网络提取的特征融合在一起。
所述的通过训练与测试得到能够监测麻醉状态的基于深度学习的监测模型，包括：
(1)以训练集作为基于深度学习的监测模型的输入，设置初始学习率，利用优化算法优化模型参数，进行训练，所述的优化算法是Adam或SGD；
(2)以测试集作为训练后基于深度学习的监测模型的输入，通过生成的准确率变化曲线和损失情况调整基于深度学习的监测模型结构与参数，其中使用交叉熵损失函数来评估当前训练得到的概率分布与真实分布的差异情况；
(3)重复第(1)～第(2)步，直到得到麻醉状态监测准确率大于90％的基于深度学习的监测模型，作为能够对患者麻醉状态进行监测的基于深度学习的监测模型。
本发明的基于便携式脑电采集设备和深度学习的麻醉状态监测系统在实际应用中，使用脑电信号采集模块采集患者麻醉过程中的脑电信号，并进行滤波放大处理操作，传输到所述的数据处理分析模块，然后在数据处理分析模块中对接收的脑电信号进行分割和预处理，将得到的一系列脑电特征图像输入到能够对患者麻醉状态进行监测的基于深度学习的监测模型对患者的麻醉状态进行判断，并在显示模块上实时显示判断的麻醉状态，实现患者麻醉状态监测。
作为优选实施例，本发明中基于深度学习的监测模型的分支融合结构为两个结构相同的卷积神经网络，通过使用不同尺寸的卷积核来提取多尺度特征，其中一条分支结构中的卷积计算使用尺寸为3的一维卷积核，另外一条分支结构中的卷积计算使用尺寸为4的一维卷积核，两条分支提取的特征经过融合后再次进行一维卷积、批量标准化、最大池化、随机丢失、全连接等一系列操作，通过第一次全连接将维度降到100，使用ReLU激活函数进行激活，然后通过第二次全连接将维度降到3，经Softmax函数激活后得到输出的麻醉状态类别。
以上对本发明和实施例的描述，并不局限于此，实施例中的描述仅是本发明的实施方式之一，在不脱离本发明创造宗旨的情况下，任何不经创造性的设计出与该技术方案类似的结构或实施例，均属本发明的保护范围。
Claims (6)
1.一种基于便携式脑电采集设备和深度学习的麻醉状态监测系统，其特征在于，包括便携式脑电采集设备、数据处理分析模块和显示模块；所述的便携式脑电采集设备用于采集患者麻醉过程中的脑电信号，并进行滤波放大处理操作，传输到所述的数据处理分析模块；所述的数据处理分析模块对接收的脑电信号进行处理、分析；所述的显示模块是显示器，用于实时显示患者的麻醉状态；其中，
所述数据处理分析模块的运行，具体包括进行如下步骤：
1)对于接收的脑电信号，通过长度为le的滑动窗口进行数据分割，滑动窗口的滑动步长为s，得到一系列的脑电信号片段，第p个脑电信号片段表示为
2)根据脑电信号片段通道的拓扑结构，利用预处理方法从一系列的脑电信号片段中提取对应的特征，利用提取的特征构建一系列对应的脑电特征图像；
所述的预处理方法，包括根据在麻醉过程中持续给患者施加刺激的时间间隔设定移动窗口的长度l，移动窗口的长度l小于相邻的两个刺激之间的时间间隔，对每个通道内的脑电信号片段，单独进行移动窗口计算提取谱带功率、统计矩和Hjorth参数特征；其中，
在计算谱带功率时选用0.5-4Hz的δ频域、4-8Hz的θ频域、8-13Hz的α频域、13-30Hz的β频域、30-50Hz的γ-1频域、50-75Hz的γ-2频域、75-100Hz的γ-3频域和100-128Hz的γ-4频域，其中为了消除60Hz的电力线噪声和谐波，计算过程中不使用57-63Hz和117-123Hz这两个频域，通过谱带功率计算得到8个谱带功率特征；
在计算统计矩的过程中选用均值、方差、偏态和峰度作为脑电信号的时域特征，得到4个统计矩特征；
在计算Hjorth参数的过程中，使用移动性和复杂性参数来提取脑电信号片段的时域特征，得到2个Hjorth参数特征；
通过对谱带功率、统计矩和Hjorth参数特征的计算，一个脑电信号片中，每个通道累计提取14个特征，19个通道共提取19×14个特征，将所有特征进行融合，得到一张19×14大小的脑电特征图像，对应一系列的脑电信号片段，得到一系列的脑电特征图像；
3)将一系列脑电特征图像构建成数据集，与麻醉诱导阶段、麻醉维持阶段和麻醉苏醒阶段对应的图片添加麻醉诱导阶段、麻醉维持阶段和麻醉苏醒阶段三类标签，并划分训练集和测试集；
4)构建基于深度学习的监测模型，确定模型结构及待优化模型参数，通过训练与测试得到能够监测麻醉状态的基于深度学习的监测模型。
2.根据权利要求1所述的基于便携式脑电采集设备和深度学习的麻醉状态监测系统，其特征在于，所述的便携式脑电采集设备，包括有：依次连接的用于采集脑电信号的脑电极帽及其转接线(1)、用于脑电信号放大和转换的生物电信号采集模块(2)、用于控制脑电信号的采集并通过USB通信电路(4)输出脑电信号的FPGA处理器(3)，以及分别连接生物电信号采集模块(2)和FPGA处理器(3)的系统供电电路(5)，其中，
所述的脑电极帽及其转接线(1)中的脑电极帽采集不同脑区的脑电信号，通过转接线及DSUB37接口与生物电信号采集模块(2)相连接，用于生物电信号的采集和传输；
所述的生物电信号采集模块(2)是由数片集成了用于接收脑电帽采集的脑电压信号的高共模抑制比模拟输入模块、用于进行脑电压信号放大的低噪声可编程增益放大器和用于将模拟信号转换为数字信号的高分辨率同步采样模数转换器的生物电信号采集芯片组成；
所述的FPGA处理器(3)用于调整生物电信号采集模块(2)的采集模式与参数和控制USB通信电路(4)向数据处理分析模块输出脑电信号数据；
所述的USB通信电路(4)工作在异步FIFO模式，最高传输速率8MB/秒，在FPGA处理器(3)的控制下周期性地将采集到的脑电信号以数据包的形式向数据处理分析模块输出；
所述的系统供电电路(5)，输入电压为5V，由USB接口进行供电，通过电压转换模块提供系统不同芯片的工作电压。
3.根据权利要求2所述的基于便携式脑电采集设备和深度学习的麻醉状态监测系统，其特征在于，所述的麻醉过程包括麻醉诱导阶段、麻醉维持阶段和麻醉苏醒阶段，在麻醉过程中持续给患者等时间间隔地施加一定的刺激，通过患者的反应来判断患者的麻醉状态所属阶段；所述的采集患者麻醉过程中的脑电信号，是采集被试者对应于脑电极帽的Fp1,Fp2,F7,F3,Fz,F4,F8,T3,C3,Cz,C4,T4,T5,P3,Pz,P4,T6,O1和O2这19个通道的脑电信号；脑电极帽的电极分布符合10/20国际标准导联。
4.根据权利要求1所述的基于便携式脑电采集设备和深度学习的麻醉状态监测系统，其特征在于，步骤4)所述的基于深度学习的监测模型，包括n1个卷积层、n2个池化层、n3个全连接层、n4个批量标准化层、n5个随机丢失层、1个分支融合结构；其中，n1、n2、n3、n4和n5根据数据量与数据特点人为设定，n1、n2和n4均取值为大于5的正整数，n3和n5均取值为不小于2的正整数；
每个所述的卷积层通过卷积计算从模型的输入中提取有效特征，运算如下式：
Xl＝f(∑Xl-1*wl+bl)
其中Xl和Xl-1分别表示当前层卷积和上一卷积层的特征图，wl表示权重，bl表示偏置，f表示激活函数，选用ReLU激活函数；
每个所述的池化层用于扩大感受野，利用一个矩阵窗口在特征图上进行扫描，将每个矩阵中元素通过池化方法来减少元素的个数，保持特征的空间位置关系，所述的池化方法是最大池化法或平均池化法或空间金字塔池化法；
每个所述的全连接层用于将多维数据扁平化，转化成一维向量；
每个所述的批量标准化层用于将每层神经网络的神经元分布在均值为0、方差为1的标准正态分布中，公式为
其中，yo表示批量标准化后的输出，BN表示批量标准化，x0是批量标准化前的神经元，
是转换后的神经元，
是最小批次的均值，m是最小批次，
是当前批次下的方差，φ和ψ是被学习的参数，ε是一个常数；
每个所述的随机丢失层用于按照设定的量随机删掉网络中的一部分神经元，减少过拟合现象；
所述的分支融合结构包括两个以上卷积神经网络，通过向量加法或者向量拼接将各个卷积神经网络提取的特征融合在一起。
5.根据权利要求1所述的基于便携式脑电采集设备和深度学习的麻醉状态监测系统，其特征在于，步骤4)所述的通过训练与测试得到能够监测麻醉状态的基于深度学习的监测模型，包括：
(1)以训练集作为基于深度学习的监测模型的输入，设置初始学习率，利用优化算法优化模型参数，进行训练，所述的优化算法是Adam或SGD；
(2)以测试集作为训练后基于深度学习的监测模型的输入，通过生成的准确率变化曲线和损失情况调整基于深度学习的监测模型结构与参数，其中使用交叉熵损失函数来评估当前训练得到的概率分布与真实分布的差异情况；
(3)重复第(1)～第(2)步，直到得到麻醉状态监测准确率大于90％的基于深度学习的监测模型，作为能够对患者麻醉状态进行监测的基于深度学习的监测模型。
6.根据权利要求1所述的基于便携式脑电采集设备和深度学习的麻醉状态监测系统，其特征在于，在实际应用中，使用脑电信号采集模块采集患者麻醉过程中的脑电信号，并进行滤波放大处理操作，传输到所述的数据处理分析模块，然后在数据处理分析模块中对接收的脑电信号进行分割和预处理，将得到的一系列脑电特征图像输入到能够对患者麻醉状态进行监测的基于深度学习的监测模型对患者的麻醉状态进行判断，并在显示模块上实时显示判断的麻醉状态，实现患者麻醉状态监测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010481469.7A CN111616681B (zh) | 2020-05-31 | 2020-05-31 | 基于便携式脑电采集设备和深度学习的麻醉状态监测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010481469.7A CN111616681B (zh) | 2020-05-31 | 2020-05-31 | 基于便携式脑电采集设备和深度学习的麻醉状态监测系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111616681A CN111616681A (zh) | 2020-09-04 |
| CN111616681B true CN111616681B (zh) | 2022-06-03 |
Family
ID=72267290
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010481469.7A Active CN111616681B (zh) | 2020-05-31 | 2020-05-31 | 基于便携式脑电采集设备和深度学习的麻醉状态监测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111616681B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112315487B (zh) * | 2020-11-26 | 2022-02-11 | 山东大学 | 一种脑电信号采集系统及方法 |
| CN113509190A (zh) * | 2021-03-18 | 2021-10-19 | 上海交通大学 | 一种产品设计评价方法及系统 |
| CN113133744A (zh) * | 2021-04-30 | 2021-07-20 | 鹤壁市人民医院 | 一种多功能麻醉科用麻醉深度监测装置 |
| CN115040140B (zh) * | 2022-06-29 | 2024-08-02 | 燕山大学 | 一种基于深度学习的实时麻醉深度监测系统 |
| CN118522465A (zh) * | 2023-07-20 | 2024-08-20 | 重庆市妇幼保健院(重庆市妇产科医院、重庆市遗传与生殖研究所) | 一种用于麻醉管道连接紧密性的实时监测系统 |
| CN116636817B (zh) * | 2023-07-26 | 2023-11-03 | 四川新源生物电子科技有限公司 | 一种麻醉深度评估方法、系统、装置和存储介质 |
| CN117838063B (zh) * | 2024-03-04 | 2024-05-24 | 江西杰联医疗设备有限公司 | 麻醉场景下的生理信息预警处理系统及电子设备 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109998530A (zh) * | 2019-04-15 | 2019-07-12 | 杭州妞诺科技有限公司 | 基于vr眼镜的便携式脑电监测系统 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101751823B1 (ko) * | 2009-08-14 | 2017-06-29 | 데이비드 버톤 | 마취 및 의식 심도 모니터링 시스템 |
| CN106503799B (zh) * | 2016-10-11 | 2018-11-30 | 天津大学 | 基于多尺度网络的深度学习模型及在脑状态监测中的应用 |
| CN108446020B (zh) * | 2018-02-28 | 2021-01-08 | 天津大学 | 融合可视图与深度学习的运动想象意念控制方法及应用 |
| CN108433722A (zh) * | 2018-02-28 | 2018-08-24 | 天津大学 | 便携式脑电采集设备及其在ssvep和运动想象中的应用 |
| CN110599413B (zh) * | 2019-08-15 | 2023-05-09 | 江苏大学 | 基于深度学习卷积神经网络的激光光斑图像去噪的方法 |
| CN111079837B (zh) * | 2019-12-16 | 2022-06-28 | 桂林电子科技大学 | 一种用于二维灰度图像检测识别分类的方法 |
-
2020
- 2020-05-31 CN CN202010481469.7A patent/CN111616681B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109998530A (zh) * | 2019-04-15 | 2019-07-12 | 杭州妞诺科技有限公司 | 基于vr眼镜的便携式脑电监测系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111616681A (zh) | 2020-09-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111616681B (zh) | 基于便携式脑电采集设备和深度学习的麻醉状态监测系统 | |
| CN110765920B (zh) | 基于卷积神经网络的运动想象分类方法 | |
| CN109784023B (zh) | 基于深度学习的稳态视觉诱发脑电身份识别方法及系统 | |
| CN110969108B (zh) | 一种基于自主运动想象脑电的肢体动作识别方法 | |
| CN104173124B (zh) | 一种基于生物信号的上肢康复系统 | |
| KR102096565B1 (ko) | 움직임 상상 뇌신호 인식을 위한 웨이블릿 변환 기반의 컨볼루션 신경망 분석 방법 | |
| CN111616682B (zh) | 基于便携式脑电采集设备的癫痫发作预警系统及应用 | |
| CN112741638B (zh) | 一种基于eeg信号的医疗诊断辅助系统 | |
| CN111513735B (zh) | 基于脑机接口和深度学习的重度抑郁症辨识系统及应用 | |
| CN105054928A (zh) | 一种基于bci装置脑电波采集分析的情绪展示设备 | |
| CN111493836B (zh) | 基于脑机接口和深度学习的术后急性疼痛预测系统及应用 | |
| CN104914994A (zh) | 基于稳态视觉诱发电位的飞行器控制系统和飞行控制方法 | |
| Shi et al. | Feature extraction of brain–computer interface electroencephalogram based on motor imagery | |
| CN111544256A (zh) | 基于图卷积和迁移学习的脑控智能全肢体康复方法 | |
| CN102708288A (zh) | 一种基于脑-机接口的医患交互方法 | |
| CN111584029A (zh) | 基于判别式对抗网络的脑电自适应模型及在康复中的应用 | |
| CN114145745B (zh) | 基于图的多任务自监督情绪识别方法 | |
| CN112426162A (zh) | 一种基于脑电信号节律熵的疲劳检测方法 | |
| Jamil et al. | Artifact removal from EEG signals recorded in non-restricted environment | |
| CN101833669A (zh) | 视听联合刺激产生事件相关电位的特征提取方法 | |
| CN114504330A (zh) | 一种基于便携式脑电采集头环的疲劳状态监测系统 | |
| CN107822628B (zh) | 一种癫痫脑部病灶区自动定位装置及系统 | |
| Akhanda et al. | Detection of cognitive state for brain-computer interfaces | |
| CN115886720A (zh) | 一种基于脑电信号的可穿戴视力检测装置 | |
| Sun et al. | MEEG-Transformer: transformer Network based on Multi-domain EEG for emotion recognition |
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 |