CN112438701A - 一种基于光电融合的血液参数和电生理参数的检测方法 - Google Patents

Abstract

本发明公开了一种基于光电融合的血液参数和电生理参数的检测方法；该方法面向脑电、脑氧数据采集，通过柔性贴片传感器采集患者脑部区域脑电、脑氧数据，通过无线传输模块将采集的信号传送给上位机进行信号处理；通过上位机对信号进行预处理可以将信号中的伪迹信息进行去除，提高信号的信噪比；通过移动窗口提取脑电和脑氧信号中的特征，并对麻醉深度相关指标进行计算和预测；本发明通过无线传输模块对数据进行传输，解决了数据传输线易损坏的问题；将脑氧信号运用到麻醉深度监测方法中，解决了脑电信号受到干扰无法使用的问题。

Description

一种基于光电融合的血液参数和电生理参数的检测方法

技术领域

本发明涉及一种优化的麻醉深度监测技术，尤其涉及一种基于光电融合的血液参数和电生理参数的检测方法。

背景技术

不同于侵入式的检测手段，非侵入式的脑功能检测技术不会对人体大脑造成有创伤口，一直是人们研究和发展的重点。非侵入式脑功能检测技术主要包括fMRI、PET、EEG以及NIRS等。其中fMRI和PET具有高空间分辨率和低时间分辨率的特点，通过脑功能成像可以迅速找到大脑或病变的具体位置，但是临床应用成本较高，因此该类技术在脑功能的基础研究中应用较为广泛。而EEG与NIRS的检测技术则有较好的时间分辨率，能够对大脑相关状态变化快速响应，能够用于长时间的脑功能监测任务，在设备的使用环境和移动性上具有很大的灵活性。

随着对脑功能状态研究的不断深入，准确的反应麻醉手术过程中患者所处的状态就显得比较重要；麻醉是通过麻醉剂对中枢神经系统的抑制和兴奋作用达到意识消失的目的，而脑电正好可以反映出中枢神经系统的活动水平；传统的手术实施过程中主要通过患者的基本信息来估计麻醉剂的使用量，但由于个体差异性，基于此方法估算的麻醉剂需求量往往不能使患者处于最佳的麻醉水平；目前市场上也相继出现了多种商用的麻醉深度监护设备，这些设备大都是通过患者的前额脑电信号特征对麻醉深度进行预测；脑电分析方法主要是通过脑电的时域、频域以及非线性特征来反映不同脑电信号所处的麻醉状态；在遇到较多伪迹信号的时候，脑电信号的信噪比较低，麻醉监护设备往往就不能准确的反映该时刻的麻醉深度；一般都是通过提示信号质量较低来表示当前指标的可信度，并无更好的解决方案；

因此本技术领域的研究人员需要解决的一个问题是：如何找到一种新的方法来解决脑电信号被干扰情况下的准确反映麻醉深度的问题，并解决传统麻醉监测装置数据传输线易损坏，更换费用较高的问题；

发明内容

本发明的目的在于针对现有技术的不足，提供一种基于双模态的无线麻醉深度检测方法；数据通过无线传输，解决了传统数据传输线易损坏的问题，基于脑电、脑氧信号的双模态方法使得在信号干扰较大时麻醉深度检测具有较高的准确性；

本发明方法是基于以下装置，该装置主要包括数据采集模块、无线信号传输模块、中央数据处理模块、数据显示模块；数据采集模块通过专有电极片与大脑前额连接；采集的脑电、脑氧信号通过无线信号传输模块输出，并与上位机的中央数据处理模块的数据接收端连接；上位机的中央数据处理模块最后将结果传输到上位机数据显示模块；

进一步地，所述的数据采集模块，包括脑电信号采集模块和脑氧信号采集模块，脑电信号采集模块包括专有脑电采集电极、信号放大模块以及模数转换模块，脑氧信号采集模块主要包括脑氧专有数据采集电极和模数转换模块；所述的信号放大模块主要用于接收模拟脑电信号，并对微弱的脑电信号进行放大；所述的模数转换模块主要将信号放大模块的模拟脑电数据信号、采集到的脑氧数据信号转换为数字信号；

进一步地，所述的无线信号传输模块，通过wifi无线网络将数据采集模块采集到的脑电、脑氧数字信号传送到上位机的中央数据处理模块；

进一步地，所述的中央数据处理模块主要包括信号预处理模块、特征参数计算模块和模型预测模块；信号预处理模块接收无线信号传输模块传来的脑电和脑氧数字信号，并对信号进行预处理，所述的信号预处理主要去除包括但不限于眼电伪迹、肌电伪迹、极限漂移、电刀伪迹等，提高信号的信噪比；

进一步地，由于上述的伪迹信号属于噪声信号，不携带有脑电脑氧信息，其存在对于结果特征的存在较大的影响，故在计算信号特征之前剔除掉主要的干扰噪声，提高结果的可信度；

进一步地，所述的中央数据处理模块中的特征参数计算模块用来计算特定窗口条件下的脑电、脑氧信号特征，包括爆发抑制比、小波熵、排序熵、beta比率、肌电值、氧合血红蛋白含量变化量和脱氧血红蛋白变化量等参数的计算；

进一步地，所述的beta比率、小波熵主要用来对清醒和麻醉状态进行区分；所述的排序熵主要用来对轻度麻醉状态和中度麻醉状态进行区分；所述的爆发抑制比主要用来对麻醉过深阶段进行识别；所述的肌电值、氧合血红蛋白含量变化量和脱氧血红蛋白变化量主要用来辅助解决伪迹较多时麻醉深度预测不准的情况；

进一步地，所述的中央数据处理的模型预测模块主要接收特征参数计算模块的输出特征，并计算最后大脑所处的麻醉状态水平；

该方法主要包括以下步骤：

步骤(1)、脑电、脑氧数据采集模块主要各自通过专有电极采集手术过程中大脑前额的脑电脑氧信号，并通过数模转换器将模拟信号转换为数字信号；

步骤(2)、将步骤(1)中采集的数字信号通过无线信号传输模块，传输到上位机中央数据处理模块；上位机中央数据处理模块通过对接收到的脑电和脑氧数据进行保存，并进行预处理；所述的预处理主要将一些对原始信号有干扰的伪迹信号进行剔除处理，包括但不限于眼电伪迹，肌电伪迹，电刀伪迹等，提高信号的信噪比；

剔除处理属于本领域技术人员所掌握的成熟技术；

步骤(3)、通过移动窗口对步骤(2)处理之后的干净信号进行分析处理，计算特定时间窗口中的脑电和脑氧信号特征，包括爆发抑制比、小波熵、排序熵、beta比率、肌电值、氧合血红蛋白含量变化量和脱氧血红蛋白变化量；

3.1非线性分析：计算脑电信号的小波熵

对步骤(2)中的脑电信号进行离散小波变换得到不同的小波系数，在每一层小波分解之后都会通过2倍的降采样处理，采用最大重复小波变换来解决降采样过后小波系数和源信号长度不一致的问题；信号分解之后小波系数长度一致的特性在计算小波系数的相对能量时能够减少其他性质带来的影响；小波熵通过计算小波系数的相对能量，并且结合熵理论可得；脑电信号通过n层的离散小波分解之后可得近似小波系数和细节小波系数，每一层小波能量等于该层小波系数的平方和；脑电信号总的小波能量为：

其中，A_n表示第n层近似小波系数，D_j表示第j层细节小波系数，j＝1，2，...，n；

相对小波能量为当前层的小波能量与总的小波能量的比值：

其中，E_j表示脑电信号中各层小波分解系数的能量；

根据香农提出的熵理论以及相对小波能量，小波熵S_wte可定义为：

S_wte＝-∑_jp_jlog p_j

3.2时域分析：计算脑电信号的爆发抑制比

所述的爆发抑制比为爆发抑制状态信号在过去30秒内的占比，可以很好的量化麻醉过深状态；爆发抑制状态表现为低电位和爆发高电位交替的周期性出现；

3.3频域分析：计算脑电信号的beta比率：

所述的beta比率为脑电信号中30-42.5Hz的信号功率与11-21Hz信号功率的比值，其主要表现为beta频段信号的占比情况；

3.4脑电信号排序熵的计算：

3.4.1从步骤(2)预处理后的脑电信号数据中设定信号序列时间窗口，也就是信号序列长度，这里的时间窗口可人为设定，一般选取5-30秒，结合信号采样率确定序列长度；

3.4.2在确定时间序列m子窗口，窗口的长度的数据阶数m和延迟时间τ程度，通过滑动窗口得到多个子序列；

3.4.3对时刻i的信号单元X_i进行重构，以时间间隔τ连续采样m个信号数据点，得到重构之后的信号为：

X_i＝{x(i)，x(i+1)，...，x(i+(m-1)*τ)}

3.4.4对于每一个信号X_i，对信号中的所有数据采样点进行排序，得到数据之间的相对顺序排列关系J_i。；统计所有重构信号的排列关系，并计算各种排列顺序的概率p_j，j＝1，2，...，m！；

3.4.5计算信号的排序熵：

归一化之后的排序熵为：

3.5EMG(即肌电值)分析：

所述的肌电值为预处理之前的脑电信号中70Hz～110Hz的信号的功率的对数值；

3.6脑氧信号中氧合血红蛋白和脱氧血红蛋白变化值计算：

所述的氧合血红蛋白和脱氧血红蛋白的变化值主要是氧合血红蛋白和脱氧血红蛋白的在血液中相对浓度的变化值；该变量的变化量是与清醒状态下的浓度的比值；

步骤(4)、Elman循环神经网络模型的训练：

所述的Elman循环神经网络模型是将特定时间窗口中计算的所有脑电、脑氧参数特征作为输入变量，这些参数特征包括Beta比率、AlDha比率、爆发抑制比BSR、小波熵、排序熵、肌电比率、氧合血红蛋白浓度变化量和脱氧血红蛋白浓度变化量，将对应的麻醉医生修正之后的麻醉深度指标作为专家知识输出，训练Elman循环神经网络模型；相比于神经网络模型，该Elman循环神经网络模型主要改进在于在隐藏层引入了一个内容层，用于保存前一步的隐藏层结果；该改进的方法拥有更好的鲁棒性，能更好的使用脑电信号，能较好的预测麻醉深度指标，并且具有较好的干扰性；

所述的Elman循环神经网络模型的训练终止条件为：通过交叉验证，测试数据集的损失函数不再增加时终止模型的训练；

上述麻醉医生修正之后的麻醉深度指标是根据通用的警觉镇静评分量表获得的评分，其结果是以1-5的表述方式形成一种数量指数。

本发明的效果：

本发明采用无线数据传输解决了传统数据传输线易损坏的问题，节约了成本；同时通过双模态特征解决了伪迹较多时，麻醉深度指标准确性较低的问题；

附图说明

图1是本发明整体处理流程图；

图2是本发明使用的脑电和脑氧柔性贴片传感器示意图；

图3是本发明脑电和脑氧传感器在大脑前额的粘贴位置示意图；

图4是本发明具体数据处理模块流程图；

图5是本发明的上位机软件功能显示界面示意图；

图6是本发明使用的Elman循环神经网络模型示意图；

图7是本发明某实施例计算结果指标和商用BIS指标趋势图；

图中：脑电传感器1，脑氧传感器2，参考电极11，偏置电极12，通道一测量电极13，通道二测量电极14，信号(光源)发射器21，近端信号接收器22，远端信号接收器23。

具体实施方式

以下结合附图及具体实施例对本发明做详细描述，但并不是限制本发明；

如图1所示，本发明方法是基于以下双模态无线麻醉深度监测装置，该装置主要包括数据采集模块、无线信号传输模块、中央数据处理模块、数据显示模块；数据采集模块通过专有电极片与大脑前额连接；采集的脑电、脑氧信号通过无线信号传输模块输出，并与上位机的中央数据处理模块的数据接收端连接；上位机的中央数据处理模块最后将结果传输到上位机结果显示模块；

如图2所示，数据采集模块包括脑电信号采集模块和脑氧信号采集模块；

脑电信号采集模块包括专有脑电采集电极、信号放大模块以及模数转换模块，脑氧信号采集模块主要包括脑氧专有数据采集电极和模数转换模块；

如图2所示，专有脑电采集电极采用脑电信号传感器1，包括参考电极11，偏置电极12，通道一测量电极13和通道二测量电极14；

如图2所示，脑氧专有数据采集电极采用脑氧信号传感器2，包括信号(光源)发射器21，近端信号接收器22和远端信号接收器23；

脑电传感器和脑氧传感器的粘贴位置可在人脑前额叶区域无毛发处，如图3所示为其中一种，其中脑电电极和脑氧信号传感器各个单元位置按照图2中的相对关系排列；

如图4所示为数据处理模块的流程图，其包括原始数据、数据预处理、数据分析、模型实现和模型评价五部分；原始数据为wifi信号传输模块上传的原始采信号；数据预处理部分接收原始数据，通过数据预处理方法对伪迹信号进行检测和滤除；数据分析部分对预处理之后的信号进行分析、分段并提取不同时间段信号的特征指标；其中脑电数据特征包括Beta比率、小波熵、肌电比率、爆发抑制比等，脑氧数据特征包括氧合血红蛋白浓度变化量和脱氧血红蛋白浓度变化量；模型实现部分通过接受数据分析部分的特征作为输入，并通过Elman循环神经网络模型对结果进行预测；模型评价部分通过预测概率指标值对结果进行评价，并修正网络模型；

如图5所示为上位机软件显示界面，其主要显示部分包括脑电信号显示模块，脑氧信号显示模块，麻醉指标显示模块，脑氧参数显示模块和指标趋势显示模块；

如图6所示为本发明所使用的Elman循环神经网络模型结构示意图；其中x，h，z，u分别为输入层，隐藏层，输出层和内容层；W为不同层之间的权重系数；运算公式为：

y_t＝S(W_hx_t+U_hy_t-1+b_h)

z_t＝S(W_zy_t+b_y)

其中，x_t为输入矢量，y_t为隐藏层矢量，z_t为输出矢量，W，U，b为各连接层的权重系数矩阵，S为激活函数；

如图7(a)所示为本实施例得到的麻醉深度指标趋势图，图7(b)所示为BIS商用麻醉深度指标趋势图；

临床实验实施例

将上述检测装置以及数据处理方法应用于临床，观察复合麻醉下BIS麻醉深度指标和本发明麻醉深度指标的效果；

选取年龄≥取年岁，性别不限，ASA(美国麻醉协会)标准等级为I级或II级的全身麻醉手术患者，排除颅面部手术、精神疾病或者长期服用精神类药物患者；

患者进入手术室确定脑电和脑氧传感器的粘贴位置，并于患者前额粘贴好传感器；并在脑氧电极一侧粘贴BIS电极传感器；根据患者情况使用定量的咪达唑仑、依托咪酯、舒芬太尼和罗库溴胺用于镇静麻醉；手术维持期使用吸入式七氟烷用于维持麻醉；记录整个手术过程中的脑电和脑氧信号数据；

临床试验结果

本实施例和BIS麻醉监护仪显示的麻醉深度指数分别如图7(a)和图7(b)所示，从图中可以看出本实施例具有较高识别灵敏度，能较好的识别不同麻醉状态和清醒状态的转换过程；同时本实施例在同一状态下具有较小的波动范围，对麻醉深度指标的反映更加稳定；

本发明主要结论

本发明结合脑电和脑氧相关特征，构建一种基于双模态的无线麻醉深度检测方法，并与BIS商业麻醉设备指标进行比较；临床实验表明，脑电、脑氧双模态麻醉检测方法在保证识别准确性的基础上，具有更加稳定的麻醉深度指标，可以作为临床麻醉深度检测的一种新方法。

Claims (1)

1.基于近红外光谱检测血流参数和电生理参数的双模态无线脑部生理状态的监护方法；该方法面向脑电和脑氧双模态的无线麻醉深度监护方法，是基于以下装置，该装置主要包括数据采集模块、无线信号传输模块、中央数据处理模块、数据显示模块；数据采集模块通过专有电极片与大脑前额连接；采集的脑电、脑氧信号通过无线信号传输模块输出，并与上位机的中央数据处理模块的数据接收端连接；上位机的中央数据处理模块最后将结果传输到上位机数据显示模块；

其特征在于该方法主要包括以下步骤：

步骤(1)、脑电、脑氧数据采集模块主要各自通过专有电极采集手术过程中大脑前额的脑电脑氧信号，并通过数模转换器将模拟信号转换为数字信号；

步骤(2)、将步骤(1)中采集的数字信号通过无线信号传输模块，传输到上位机中央数据处理模块；上位机中央数据处理模块通过对接收到的脑电和脑氧数据进行保存，并进行预处理；所述的预处理主要将一些对原始信号有干扰的伪迹信号进行剔除处理，包括但不限于眼电伪迹，肌电伪迹，电刀伪迹等，提高信号的信噪比；

步骤(3)、通过移动窗口对步骤(2)处理之后的干净信号进行分析处理，计算特定时间窗口中的脑电和脑氧信号特征，包括爆发抑制比、小波熵、排序熵、beta比率、肌电值、氧合血红蛋白含量变化量和脱氧血红蛋白变化量；

3.1非线性分析：计算脑电信号的小波熵

对步骤(2)中的脑电信号进行离散小波变换得到不同的小波系数，在每一层小波分解之后都会通过2倍的降采样处理，采用最大重复小波变换来解决降采样过后小波系数和源信号长度不一致的问题；信号分解之后小波系数长度一致的特性在计算小波系数的相对能量时能够减少其他性质带来的影响；小波熵通过计算小波系数的相对能量，并且结合熵理论可得；脑电信号通过n层的离散小波分解之后可得近似小波系数和细节小波系数，每一层小波能量等于该层小波系数的平方和；脑电信号总的小波能量为：

其中，A_n表示第n层近似小波系数，D_j表示第j层细节小波系数，j＝1，2，...，n；

相对小波能量为当前层的小波能量与总的小波能量的比值：

其中，E_j表示脑电信号中各层小波分解系数的能量；

根据香农提出的熵理论以及相对小波能量，小波熵S_wte可定义为：

S_wte＝-∑_jp_jlog p_j

3.2时域分析：计算脑电信号的爆发抑制比

所述的爆发抑制比为爆发抑制状态信号在过去30秒内的占比，可以很好的量化麻醉过深状态；爆发抑制状态表现为低电位和爆发高电位交替的周期性出现；

3.3频域分析：计算脑电信号的beta比率：

所述的beta比率为脑电信号中30-42.5Hz的信号功率与11-21Hz信号功率的比值，其主要表现为beta频段信号的占比情况；

3.4脑电信号排序熵的计算：

3.4.1从步骤(2)预处理后的脑电信号数据中设定信号序列时间窗口，也就是信号序列长度，这里的时间窗口可人为设定，一般选取5-30秒，结合信号采样率确定序列长度；

3.4.2在确定时间序列m子窗口，窗口的长度的数据阶数m和延迟时间τ程度，通过滑动窗口得到多个子序列；

3.4.3对时刻i的信号单元X_i进行重构，以时间间隔τ连续采样m个信号数据点，得到重构之后的信号为：

X_i＝{x(i)，x(i+1)，...，x(i+(m-1)*τ)}

3.4.4对于每一个信号X_i，对信号中的所有数据采样点进行排序，得到数据之间的相对顺序排列关系J_i；统计所有重构信号的排列关系，并计算各种排列顺序的概率p_j，j＝1，2，...，m！；

3.4.5计算信号的排序熵：

归一化之后的排序熵为：

3.5 EMG(即肌电值)分析：

所述的肌电值为预处理之前的脑电信号中70Hz～110Hz的信号的功率的对数值；

3.6脑氧信号中氧合血红蛋白和脱氧血红蛋白变化值计算：

所述的氧合血红蛋白和脱氧血红蛋白的变化值主要是氧合血红蛋白和脱氧血红蛋白的在血液中相对浓度的变化值；该变量的变化量是与清醒状态下的浓度的比值；

步骤(4)、Elman循环神经网络模型的训练：

所述的Elman循环神经网络模型是将特定时间窗口中计算的所有脑电、脑氧参数特征作为输入变量，这些参数特征包括Beta比率、Alpha比率、爆发抑制比BSR、小波熵、排序熵、肌电比率、氧合血红蛋白浓度变化量和脱氧血红蛋白浓度变化量，将对应的麻醉深度指标作为专家知识输出，训练Elman循环神经网络模型；

上述Elman循环神经网络模型在隐藏层引入了一个内容层，用于保存前一步的隐藏层结果；

模型的训练终止条件为：通过交叉验证，测试数据集的损失函数不再增加时终止模型的训练。

Images