CN113729624A - 意识水平测定方法及计算机程序 - Google Patents

意识水平测定方法及计算机程序 Download PDF

Info

Publication number
CN113729624A
CN113729624A CN202011435094.7A CN202011435094A CN113729624A CN 113729624 A CN113729624 A CN 113729624A CN 202011435094 A CN202011435094 A CN 202011435094A CN 113729624 A CN113729624 A CN 113729624A
Authority
CN
China
Prior art keywords
patient
consciousness
interval
level
data
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.)
Pending
Application number
CN202011435094.7A
Other languages
English (en)
Inventor
金光武
洪承均
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Boruiyou Co ltd
Original Assignee
Boruiyou Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Boruiyou Co ltd filed Critical Boruiyou Co ltd
Publication of CN113729624A publication Critical patent/CN113729624A/zh
Pending legal-status Critical Current

Links

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
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A61B5/372—Analysis of electroencephalograms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A61B5/372—Analysis of electroencephalograms
    • A61B5/374—Detecting the frequency distribution of signals, e.g. detecting delta, theta, alpha, beta or gamma waves
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/389—Electromyography [EMG]
    • A61B5/397—Analysis of electromyograms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6802—Sensor mounted on worn items
    • A61B5/6803—Head-worn items, e.g. helmets, masks, headphones or goggles
    • 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
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • 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
    • 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
    • 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
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7278—Artificial waveform generation or derivation, e.g. synthesising signals from measured signals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2505/00—Evaluating, monitoring or diagnosing in the context of a particular type of medical care
    • A61B2505/05—Surgical care
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
    • A61B2562/06—Arrangements of multiple sensors of different types
    • A61B2562/063—Arrangements of multiple sensors of different types in a linear array
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/25—Bioelectric electrodes therefor
    • A61B5/279—Bioelectric electrodes therefor specially adapted for particular uses
    • A61B5/291—Bioelectric electrodes therefor specially adapted for particular uses for electroencephalography [EEG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/25—Bioelectric electrodes therefor
    • A61B5/279—Bioelectric electrodes therefor specially adapted for particular uses
    • A61B5/296—Bioelectric electrodes therefor specially adapted for particular uses for electromyography [EMG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/389—Electromyography [EMG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/398—Electrooculography [EOG], e.g. detecting nystagmus; Electroretinography [ERG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6813—Specially adapted to be attached to a specific body part
    • A61B5/6814—Head

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Data Mining & Analysis (AREA)
  • Primary Health Care (AREA)
  • Evolutionary Computation (AREA)
  • Epidemiology (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Fuzzy Systems (AREA)
  • Anesthesiology (AREA)
  • Psychology (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明一实施例的用于测定患者的意识水平的方法可包括：提取步骤，从脑波的第一区间提取一个以上频带的多个成分；第一指数计算步骤，计算上述一个以上频带的每个成分的第一指数，以相对于上述第一区间中的规定基准成分大小的上述一个以上频带的每个成分的大小超过规定临界值的程度为基础，来计算上述第一指数；概率值计算步骤，利用经过学习的人工神经网络，根据一个以上频带的每个成分的第一指数，来计算一个以上患者状态各自的概率值；以及意识水平确定步骤，以所计算的上述一个以上患者状态各自的概率值为基础，来确定上述患者的意识水平。

Description

意识水平测定方法及计算机程序
技术领域
本发明的实施例涉及利用经过学习的人工神经网络来测定对象的意识水平的方法及计算机程序。
背景技术
通常，在进行手术、治疗之类的医学行为的部位中，受试者会伴随疼痛，此时，通过麻醉来阻断神经传导，从而减轻或去除疼痛。根据患者的症状或手术部位，有时进行全身麻醉，有时进行局部麻醉，在全身麻醉的情况下，由于患者自身无法表达，因此需要对患者进行更细致的监控。
为此，在手术中需要持续对麻醉深度进行测定，作为这种测定麻醉深度的方法，通常使用观察临床表现的方法和分析生物电信号的方法。
在分析生物电信号的方法中，有一种测定和分析脑波以评估麻醉剂对中枢神经系统的效果的方法，现有技术以各种方式来测定和分析脑波。
当前，使用最广泛的测定麻醉深度的方式是双频谱指数(Bispectral index，以下称为“BIS”)分析方式。BIS分析方式的特征在于，在0～100之间对麻醉深度进行数值化处理。
据报告，使用BIS分析方式的麻醉深度测定装置在测定患者的麻醉深度的准确性方面存在很多问题，由于未公开装置的分析算法的具体内容，因此难以证明算法错误。
并且，使用BIS分析方式的意识水平测定装置存在如下问题，即，由于该方式的特性，对麻醉状态的急剧变化的跟踪速度(tracking speed)慢，因此无法准确且快速地检测患者的麻醉状态。
发明内容
本发明的目的在于解决上述的问题，即使麻醉条件发生变化也提供准确的意识水平测定值，即使麻醉、意识状态急剧变化也及时提供意识水平信息。
并且，本发明的目的在于，提供与对象的情绪状态有关的信息。
并且，本发明的目的在于，提供多种对象(如人类之外的动物等)的麻醉深度或意识水平。
本发明一实施例的用于测定患者的意识水平的方法可包括：提取步骤，从脑波的第一区间提取一个以上频带的多个成分；第一指数计算步骤，计算上述一个以上频带的每个成分的第一指数，以相对于上述第一区间中的规定基准成分大小的上述一个以上频带的每个成分的大小超过规定临界值的程度为基础，来计算上述第一指数；概率值计算步骤，利用经过学习的人工神经网络，根据一个以上频带的每个成分的第一指数，来计算一个以上患者状态各自的概率值；以及意识水平确定步骤，以所计算的上述一个以上患者状态各自的概率值为基础，来确定上述患者的意识水平。
在本发明一实施例的用于测定患者的意识水平的方法中，在上述提取步骤之前还可包括：脑波获取步骤，获取上述患者的脑波；脑波第一区间生成步骤，生成脑波的第一区间，上述脑波的第一区间包含所获取的上述脑波的至少一部分；以及噪音去除步骤，在上述脑波的第一区间去除噪音。在此情况下，上述提取步骤可从已去除上述噪音的上述脑波的第一区间提取一个以上频带的多个成分。
在上述脑波获取步骤中，可获取按照规定采样频率采样的上述患者的脑波。
在上述脑波第一区间生成步骤中，能够以将从确定上述意识水平的时间点开始规定时间间隔以内的脑波包括在内的方式生成上述脑波的第一区间。
上述噪音去除步骤包括如下的替换步骤：在上述脑波的第一区间内，将第一部分区间替换为与上述第一部分区间不同的第二部分区间，上述第一部分区间包括脑波的大小超过规定临界大小的时间点，上述第一部分区间及上述第二部分区间可以为上述第一区间的至少一部分。
上述噪音去除步骤包括如下的替换步骤：在上述脑波的第一区间内的脑波大小超过规定临界大小的模式与预设模式相对应的情况下，将上述脑波的第一区间替换为上述脑波的第二区间，上述第二区间与上述第一区间不同，可以为上述脑波的至少一部分。
在上述提取步骤中，可以从上述脑波的第一区间提取0.5Hz至4Hz的第一成分、4Hz至8Hz的第二成分、8Hz至16Hz的第三成分、16Hz至25Hz的第四成分、25Hz至30Hz的第五成分、30Hz至48Hz的第六成分以及0.5Hz至55Hz的基准成分。
上述一个以上频带的多个成分包括属于上述第一区间的一个以上时间点上的每个频带的成分的大小，上述第一指数计算步骤可包括如下的步骤：分别针对上述一个以上时间点，来计算相对于上述基准成分的大小的上述一个以上频带的多个成分的大小；将所计算的上述大小超过上述规定临界值的时间点确定为超过时间点；以及以属于上述第一区间的整体时间点与上述超过时间点的数量比率为基础，来计算上述第一指数。在此情况下，能够以上述第一区间内的上述基准成分的绝对大小为基础来确定上述规定临界值。
在本发明一实施例的意识水平测定方法中，在上述概率值计算步骤之前还可包括输入数据生成步骤，在上述输入数据生成步骤中，利用上述一个以上频带的每个成分的第一指数的组合来生成上述人工神经网络的输入数据。
在本发明一实施例的意识水平测定方法中，从通过第一通道获取的上述患者的第一脑波的第一区间，计算N(N为自然数)个频带各自的第一指数，从通过第二通道获取的上述患者的第二脑波的第一区间，计算上述N个频带各自的上述第一指数，上述第二通道区别于上述第一通道，上述输入数据生成步骤可包括如下的步骤：以上述第一通道的N个第一指数与上述第二通道的N个第一指数的组合(Combination)为基础来生成N的平方个第一输入数据；生成与上述第一通道的N个第一指数相对应的N个第二输入数据；生成与上述第二通道的N个第一指数相对应的N个第三输入数据；生成基于肌电图信号的M(M为自然数)个第四输入数据；以及生成包含上述第一输入数据、上述第二输入数据、上述第三输入数据及上述第四输入数据的上述输入数据。在此情况下，上述N为6，上述M可以为1。
上述人工神经网络为基于学习数据来学习脑波的特性、肌电图特性及患者的状态之间的相互关系的神经网络，上述学习数据包含反映脑波的特性的数据及反映肌电图特性的数据，并且标记有与上述脑波的特性和上述肌电图特性相对应的患者的状态数据，上述反映脑波的特性的数据包含：以通过第一通道获取的脑波的N(N为自然数)个第一指数及通过第二通道获取的脑波的N个第一指数的组合(Combination)为基础生成的N的平方个第一数据；与上述第一通道的N个第一指数相对应的N个第二数据；与上述第二通道的N个第一指数相对应的N个第三数据；以及基于肌电图信号的M(M为自然数)个第四数据，上述患者的状态数据可包含K(K为自然数)个患者状态各自相应的概率值。
上述意识水平确定步骤可包括：归一化概率值计算步骤，对上述一个以上患者状态各自的概率值进行归一化处理，来计算归一化概率值；适用步骤，将与患者状态相对应的权值集合适用于上述归一化概率值，其中，上述患者状态具有上述归一化概率值中最大的概率值；以及基于适用有加权值的多个上述归一化概率值的和来确定上述意识水平的步骤。
上述一个以上的患者状态包括清醒(Awake)状态、镇静(Sedation)状态、全身麻醉(General Anesthesia)状态、深度麻醉(Deep Anesthesia)状态和脑死亡(Brain Death)状态，在上述适用步骤中，可将5个上述患者状态各自的权值集合中的一个适用于上述归一化概率值。
在基于适用有加权值的多个上述归一化概率值的和来确定上述意识水平的步骤中，能够以第一意识水平与将第二加权值适用于第二意识水平的意识水平为基础来确定上述意识水平，上述第一意识水平将规定的第一加权值适用于适用有加权值的多个上述归一化概率值的和，上述第二意识水平按照第二方式来确定。
根据本发明，可以更加准确地测定患者的麻醉深度或意识状态。
尤其，针对现有的基于BIS分析方式的意识水平测定装置的问题，即，跟踪速度(tracking speed)慢导致在麻醉程度快速变化时反应速度慢的问题加以改善，与现有的麻醉深度分析装置相比，在从清醒状态(awake)变化到麻醉状态(hypnosis)时，更快地做出反应，从而可以准确且及时地掌握患者的状态。
并且，由于算法简单，本发明易于进行实时处理，从而可以更准确地捕获麻醉中状态的变化。
并且，本发明可提供与对象的情绪状态有关的信息。
并且，本发明可提供多种对象(如人类之外的动物等)的麻醉深度。
附图说明
图1为简要示出本发明一实施例的意识水平测定系统的结构的图。
图2为用于说明本发明一实施例的控制部120生成脑波400的第一区间的方法的图。
图3为用于说明本发明一实施例的控制部120通过在例示性的脑波的第一区间440中去除噪音来生成已去除噪音的脑波的第一区间440FLT的方法的图。
图4为用于说明本发明一实施例的控制部120从已去除噪音的脑波的第一区间410FLT提取一个以上频带的多个成分411、412、413、414、415、416、417、418的过程的图。
图5为用于说明本发明一实施例的控制部120计算第一指数的方法的图。
图6为用于说明本发明一实施例的控制部120计算第二指数的方法的图。
图7为用于说明本发明一实施例的控制部120使人工神经网络520利用多个学习数据510来学习的过程的图
图8为用于说明作为基于本发明一实施例的人工神经网络520的输入数据531、532、533、534的输出数据的患者的状态数据540的图。
图9为以曲线图形式示出例示性的一个以上权值集合610、620、630、640、650的图。
图10为用于说明本发明选择性实施例的控制部120确定患者300的最终意识水平的过程的图。
图11为用于说明本发明一实施例的由用户终端100执行的意识水平测定方法的流程图。
附图标记的说明
100：用户终端
110：通信部
120：控制部
130：存储器
140：显示部
200：意识水平测定装置
210：检测部
220：信号处理部
211至214：电极
300：患者
具体实施方式
本发明可施加多种变换，并且可具有多种实施例，因此将在附图中例示并在详细说明中详细说明特定实施例。本发明的效果、特征及实现它们的方法将参照附图及后文详细说明的实施例变得更加明确。但是，本发明不限定于以下揭示的实施例，可以多种形态来实现。
以下，将参照附图来详细说明本发明的实施例，在参照附图进行说明时，将对相同或相对应的结构要素赋予相同的附图标记，并省略对其的重复说明。
在以下实施例中，“第一”、“第二”等术语用于将一个结构要素与其他结构要素区别开，而不具有限定性意义。在以下实施例中，单数的表达包括复数的表达，除非在文脉上另有明确说明。在以下实施例中，“包括”或“具有”等术语意味着存在说明书中所记载的特征或结构要素，而不预先排除一个以上的其他特征或结构要素的附加可能性。在附图中，为了便于说明，可放大或缩小结构要素的尺寸。例如，为了便于说明，任意示出了附图中所示的每个结构的大小及形态，因此本说明不必限于所示内容。
图1为简要示出本发明一实施例的意识水平测定系统的结构的图。
本发明一实施例的意识水平测定系统可以基于患者300的活体信号来测定患者的意识水平。在此情况下，“活体信号”可以指从患者300的身体直接或间接测定的多种形态的信号，如患者300的脑波、患者300的肌电图信号、眼电图(EOG)信号等。并且，“意识水平”可以指患者300正常地感知、区分自身及围绕自身的周边环境的程度，以及在受到特定刺激时可以觉醒的程度。在本发明中，有时使用“麻醉深度”作为表示意识水平的指标，但这为例示性的，本发明的思想并不限定于此。除麻醉深度之外，还可使用患者300的情绪状态、患者的睡眠状态等作为表示意识水平的指标。
另一方面，患者300作为对象的示例来在图1中示出，但本发明的思想并不限定于此。因此，如图1所示，对象可以为患者300，即，人类，亦可为成为对象的动物。
如图1所示，本发明一实施例的意识水平测定系统可包括用户终端100及意识水平测定装置200。
本发明一实施例的意识水平测定装置200可包括：检测部210，附着于患者300的身体来获取患者的活体信号；以及信号处理部220，处理通过检测部210获取的患者300的活体信号来向用户终端100传输。
如上所述，本发明一实施例的检测部210可指通过附着于患者300的身体来获取患者的活体信号的单元。在此情况下，如图1所示，检测部210可包括：用于设定参考(Reference)电位的参考电极211；用于设定地(Ground)电位的地电极212；用于测定脑波及肌电图信号的第一通道电极213；以及用于测定脑波的第二通道电极214。
随着检测部210佩戴于患者300的头部，多个电极211、212、213、214可分别通过非侵袭性或侵袭性附着于患者300的头皮来获取活体信号。
另一方面，图1所示的检测部210的形状、检测部210所包括的多个电极211、212、213、214的数量及多个电极211、212、213、214的配置为例示性的，本发明的思想并不限定于此。因此，如果是可通过附着于患者300的身体来获取患者300的活体信号的单元，则可相当于本发明的检测部210。
本发明另一实施例的检测部210可省略上述参考(Reference)电极211和地(Ground)电极212中的一个。换言之，本发明另一实施例的检测部210可配置为包括参考(Reference)电极211、第一通道电极213及第二通道电极214，也可配置为包括地(Ground)电极212、第一通道电极213及第二通道电极214。在此情况下，参考(Reference)电位和地(Ground)电位相当于同一电位，可通过参考(Reference)电极211或地(Ground)电极212来设定。
本发明一实施例的信号处理部220可指通过处理检测部210获取的活体信号来向用户终端100传输的单元。在此情况下，“处理”信号可指用户终端100以可运算的形态对信号进行加工，例如，对信号进行采样或对信号进行扩增。
本发明一实施例的信号处理部220可以对检测部210获取的活体信号进行扩增。并且，本发明一实施例的信号处理部220可按照规定采样频率来对检测部210获取的活体信号进行采样。
例如，信号处理部220可在按照规定比率对分别在检测部210的第一通道电极213及第二通道电极214获取的脑波进行扩增后，按照250Hz的采样频率来进行采样。
与此类似地，信号处理部220可在按照规定比率对在检测部210的第一通道电极213获取的肌电图信号进行扩增后，按照250Hz的采样频率来进行采样。
本发明一实施例的信号处理部220可通过多种通信方式向用户终端100传输通过上述过程扩增及采样的活体信号。例如，信号处理部220可通过蓝牙通信方式向用户终端100传输活体信号(经扩增及采样的)，也可通过无线保真通信方式向用户终端100传输活体信号。当然，信号处理部220可利用公知的多种有线通信方式向用户终端100传输活体信号。
本发明一实施例的用户终端100可基于信号处理部220传输的活体信号(经扩增及采样的信号，例如，分别在2个通道获取的脑波、肌电图信号及眼电图信号)来测定患者300的麻醉深度。
在此情况下，用户终端100可以为设置有用于测定意识水平的应用程序的通用电子装置。例如，用户终端100可以为设置有用于测定意识水平的应用程序的移动电话(或平板电脑)。并且，用户终端100也可以为仅驱动用于测定意识水平的应用程序的专用电子装置。
如图1所示，本发明一实施例的用户终端100可包括通信部110、控制部120、存储器130及显示部140。并且，虽未图示，但本实施例的用户终端100还可包括输入/输出部和程序存储部等。
本发明一实施例的通信部110可包括用户终端100通过与如信号处理部220的其他装置的有线或无线连接来发送和接收如控制信号或数据信号的信号所需的硬件及软件。例如，通信部110可包括用于通过蓝牙方式与信号处理部220发送和接收信号的硬件及软件。另一方面，在用户终端100为通用电子装置的情况下，通信部110还可包括利用通用通信网(例如，LTE通信网、3G通信网、Wi-fi通信网等)来发送和接收数据的通信调制解调器和软件。
本发明一实施例的控制部120可包括能够处理数据的所有类型的装置，如处理器(Processor)。其中，例如，“处理器”可指内置于硬件的数据处理装置，具有为执行程序中的代码或指令所表示的功能而物理结构化的电路。如上所述，作为内置于硬件的数据处理装置的一例，可包括微处理器(Microprocessor)、中央处理器(Central Processing Unit，CPU)、处理器内核(Processor Core)、多处理器(Multiprocessor)、专用集成电路(Application-Specific Integrated Circuit，ASIC)、现场可编程门阵列(FieldProgrammable Gate Array，FPGA)等处理装置，但本发明的范围并不限定于此。
本发明一实施例的存储器130执行临时或永久存储用户终端100处理的数据的功能。存储器可包括磁存储介质(Magnetic Storage Media)或闪存存储介质(Flash StorageMedia)，但本发明的范围并不限定于此。例如，存储器130可临时和/或永久存储从信号处理部220接收的活体信号。并且，存储器130可临时和/或永久存储构成经过学习的人工神经网络的多个加权值。
本发明一实施例的显示部140可执行向用户提供所测定的麻醉深度的功能。上述显示部140可实现为多种公知的显示装置，如液晶显示器(LCD)、有机发光半导体(OLED)以及微发光半导体(Micro LED)等。但这为例示性的，根据电子控制信号显示画面的装置可相当于本发明的显示部140。
以下，将以用户终端100的控制部120测定患者的麻醉深度的方法为中心进行说明。
本发明一实施例的控制部120可获取患者300的活体信号。
本发明一实施例的控制部120可获取患者300的脑波。例如，控制部120可通过从上述信号处理部220接收脑波的方式来获取脑波。在此情况下，所获取的脑波可以为经扩增且按规定采样频率采样的脑波。并且，控制部120可获取从信号处理部220经不同通道获取的两个脑波。
另一方面，本发明一实施例的控制部120还可同时获取脑波与肌电图信号。当然，在此情况下所获取的肌电图信号亦可以为经扩增且按规定采样频率采样的肌电图信号。
本发明一实施例的控制部120可实时获取患者300的活体信号。在此情况下，控制部120可将过去的活体信号临时和/或永久存储于存储器130，来用于测定患者的麻醉深度。
本发明一实施例的控制部120可生成脑波的第一区间，上述脑波包括所获取的脑波的至少一部分。
图2为用于说明本发明一实施例的控制部120生成脑波400的第一区间的方法的图。
以下，为了便于说明，患者300的脑波400如图所示，根据情况将当前时间点假设为4秒钟、5秒钟及6秒钟来分别进行说明。
在生成脑波400的第一区间的过程中，本发明一实施例的控制部120能够以将从确定麻醉深度的时间点(即，当前时间点)开始规定时间间隔以内的过去的脑波包括在内的方式生成脑波的第一区间。
例如，在假设确定麻醉深度的当前时间点为4秒钟的情况下，控制部120可生成包括从当前时间点(4秒钟)开始规定时间间隔(假设为4秒钟)以内的过去的脑波的脑波的第一区间410。与此类似地，在当前时间点为5秒钟的情况下，控制部120可生成脑波的第一区间420，在当前时间点为6秒钟的情况下，控制部120可生成脑波的第一区间430。
在此情况下，“规定时间间隔”可根据系统特性进行多种设定。例如，在需要快速响应的系统中，可将规定时间间隔设定得相对短。并且，在需要准确响应的系统中，可将规定时间间隔设定得相对长。
本发明一实施例的控制部120可针对经不同通道获取的两个脑波，分别通过上述过程来生成第一区间。并且，本发明一实施例的控制部120可随着时间的推移(即，随着麻醉深度确定时间点的改变)以当前时间点为基准来反复生成第一区间。
本发明一实施例的控制部120可在按上述过程生成的脑波的第一区间内去除噪音。
图3为用于说明本发明一实施例的控制部120通过在例示性的脑波的第一区间440中去除噪音来生成已去除噪音的脑波的第一区间440FLT的方法的图。
在脑波的第一区间440内，本发明一实施例的控制部120可将脑波大小大于规定临界大小Ath的第一部分区间444A替换为与第一部分区间不同的第二部分区间443A。
此时，在第一部分区间444A内的任一时间点上的脑波的大小大于规定临界大小Ath的情况下，控制部120可确定相应区间444A内的脑波的大小大于规定临界大小Ath。并且，控制部120可利用与相应区间444A相邻的区间443A来替换相应区间444A。
由此，控制部120可生成已去除噪音的脑波的第一区间440FLT，上述第一区间440FLT的第一个部分区间441B、第二个部分区间442B、第三个部分区间443B与第一区间440的第一个部分区间441A、第二个部分区间442A、第三个部分区间443A相同，第四个部分区间444B与第一区间440的第三个部分区间443A相同。
但是，部分区间的长度、临界大小Ath及部分区间的替换方法为例示性的，本发明的思想并不限定于此。
在选择性实施例中，在脑波的第一区间440内的脑波大小大于规定临界大小的模式与预设模式相对应的情况下，控制部120亦可将脑波的第一区间440替换为脑波的第二区间。在此情况下，脑波的第二区间可以为与脑波的第一区间440不同的区间的脑波，如相邻区间的脑波。
并且，“预设模式”可以根据系统的目的进行多种设定。例如，预设模式可以为在相同区间内的多个部分区间产生大小大于规定临界大小的脑波的模式，亦可以为在连续的两个以上部分区间产生大小大于规定临界大小的脑波的模式。但上述模式为例示性的，本发明的思想并不限定于此。
本发明一实施例的控制部120可以从按上述过程生成的脑波的第一区间(或者已去除噪音的脑波的第一区间)提取一个以上频带的多个成分。
图4为用于说明本发明一实施例的控制部120从已去除噪音的脑波的第一区间410FLT提取一个以上频带的多个成分411、412、413、414、415、416、417、418的过程的图。
本发明一实施例的控制部120可从已去除噪音的脑波的第一区间410FLT提取0.5Hz至4Hz的第一成分412、4Hz至8Hz的第二成分413、8Hz至16Hz的第三成分414、16Hz至25Hz的第四成分415、25Hz至30Hz的第五成分416、30Hz至48Hz的第六成分417、0.5Hz至55Hz的基准成分411以及0.5Hz至30Hz的爆发抑制率(BSR)成分418。
本发明一实施例的控制部120可利用一个以上频带分别对应的频率滤波器来从已去除噪音的脑波的第一区间410FLT提取一个以上频带的多个成分411、412、413、414、415、416、417、418。例如，控制部120可利用通频带为0.5Hz至4Hz的带通滤波器(Ban-PassFilter)来提取第一成分412。
所提取的一个以上频带的多个成分411、412、413、414、415、416、417、418可具有与已去除噪音的脑波的第一区间410FLT相同的时间长度。并且，一个以上频带的多个成分411、412、413、414、415、416、417、418可包含属于第一区间的一个以上时间点上的每个频带的成分的大小。
例如，在信号处理部220的采样频率为250Hz，已去除噪音的脑波的第一区间410FLT的长度为4秒钟的情况下，已去除噪音的脑波的第一区间410FLT内可包含1000个时间点(或者1000个采样时间点)与每个时间点上的脑波的大小。由此，一个以上频带的多个成分411、412、413、414、415、416、417、418可包含属于第一区间的1000个时间点各自的每个频带的成分的大小。
换言之，一个以上频带的多个成分411、412、413、414、415、416、417、418可包含属于第一区间的1000个时间点上的每个频带的成分的大小。
本发明一实施例的控制部120可计算一个以上频带的多个成分411、412、413、414、415、416、417、418各自的第一指数。
图5为用于说明本发明一实施例的控制部120计算第一指数的方法的图。为了便于说明，图5所示的曲线图涉及第一成分，以在第一成分的第一区间包含有15个时间点为前提进行说明。
本发明一实施例的控制部120能够以对于第一区间中的规定基准成分的大小的一个以上频带的每个成分的大小超过规定临界值Rth的程度为基础，来计算第一指数。例如，本发明一实施例的控制部120可针对属于第一区间的一个以上的时间点(即，15个时间点)，来分别计算基准成分的一个以上频带的多个成分的大小。
在此情况下，基准成分可指按图4说明的过程来提取的基准成分411，一个以上频带的多个成分可指按图4说明的过程来提取的多个成分412至417。例如，控制部120可计算第一区间的第一个时间点上的基准成分411的大小与第一区间的第一个时间点上的第一成分412的大小的比率R1。与此类似地，控制部可计算其余时间点上基准成分411的大小与第一成分412的大小的比率R2至R15。当然，对于多个其余成分413至417，控制部120亦可分别通过上述过程来计算多个时间点上各自的比率。
本发明一实施例的控制部120可将所计算的比率的大小超过规定临界值Rth的时间点确定为超过时间点。例如，控制部120可将图5的R4、R12、R13、R14分别对应的时间点确定为超过时间点。当然，对于多个其余成分413至417，控制部亦可通过上述过程来确定多个超过时间点。
本发明一实施例的控制部120能够以属于第一区间的整体时间点与超过时间点的数量之比为基础来计算第一指数。例如，对于第一成分412，控制部120可利用整体时间点的数量15与超过时间点的数量4来以4/15计算第一指数。在此情况下，控制部120可通过将规定值与所计算的第一指数相乘来对第一指数进行归一化处理。当然，对于多个其余成分413至417，控制部亦可分别通过上述过程来计算第一指数。
另一方面，本发明一实施例的控制部120可基于第一区间内的基准成分的绝对大小来确定规定临界值Rth。在基准成分的情况下，在宽频带中提取基准成分，因此，在第一区间内的脑波大小大的情况下，可确定规定临界值Rth相对高，在脑波大小小的情况下，可确定规定临界值Rth相对低。
对于经不同通道获取的两个脑波，本发明一实施例的控制部120可分别计算基于上述过程的第一指数。并且，本发明一实施例的控制部120可根据第一区间的更新来反复计算所更新的第一区间的第一指数。
本发明一实施例的控制部120可计算第二指数，上述第二指数反映第一区间的脑波符合规定模式的程度。
图6为用于说明本发明一实施例的控制部120计算第二指数的方法的图。
本发明一实施例的控制部120可根据爆发抑制率成分418来计算第二指数，上述爆发抑制率成分418通过图4说明的过程来从已去除噪音的脑波的第一区间410FLT提取。在此情况下，爆发抑制率成分418可以为从已去除噪音的脑波的第一区间410FLT提取的0.5Hz至30Hz的成分。
本发明一实施例的控制部120可在爆发抑制率成分418中确认第一类型的信号(或爆发(Burst)类型的信号)及第二类型的信号(或抑制(Suppression)类型的信号)的反复次数。信号的第一类型为在第一持续时间内产生大小(即，信号的振幅的绝对值)为第一临界大小以上的脑波的类型，信号的第二类型可以为在第二持续时间内产生大小为第二临界大小以下的脑波的类型。在此情况下，第一持续时间可以比第二持续时间短。
在图6中，信号的第一类型为在短于第二持续时间的第一持续时间内产生大小为第一临界大小Ath_1_P或Ath_1_N以上的脑波的类型，信号的第二类型可以为在长于第一持续时间的第二持续时间内产生大小为第二临界大小Ath_2_P或Ath_2_N以下的脑波的类型。在此情况下，第一临界大小Ath_1_P或Ath_1_N及第二临界大小Ath_2_P或Ath_2_N可预设为适当的大小。
因此，图6中，B1、B2、B3可分别为第一类型的信号，S1、S2、S3可分别为第二类型的信号。
另一方面，图6中，本发明一实施例的控制部120可将第一类型的信号及第二类型的信号的反复次数确认(或确定)为3。
本发明一实施例的控制部120能够以与脑波的第一区间410FLT的长度相对应的值与信号的反复次数的比率为基础，来计算第二指数。在此情况下，例如，与脑波的第一区间410FLT的长度相对应的值可指脑波的第一区间410FLT所包含的时间点的数量(例如，1000个)成正比的值。因此，控制部120可以根据爆发抑制率成分418将第二指数确定为与3/1000或3/1000成正比的值。
另一方面，图6所说明的方法为用于判断第一区间410FLT的脑波符合规定模式的程度的例示性方法，本发明的思想并不限定于此，若是可判断在第一区间410FLT的脑波的特定单位模式的信号是否反复及反复次数的方法，在本发明中均可无限制地用于计算第二指数。
本发明一实施例的控制部120能够以与患者的状态相对应的至少一个活体信号为基础，来计算第三指数。例如，本发明一实施例的控制部120能够以检测部210的第一通道电极213所测定的肌电图信号为基础来生成第三指数。
但是，如上所述，作为生成第三指数的要素，使用肌电图信号为例示性的，第三指数的计算方法可根据意识水平测定系统的构成而不同。例如，在意识水平测定系统还包括用于测定患者300的其他活体信号的结构要素的情况下，控制部120亦能够以相应结构要素所测定的信号为基础来生成第三指数。
在选择性实施例中，控制部120可基于患者的眼电图信号来生成第三指数。
本发明一实施例的控制部120能够以通过上述过程计算的第一指数、第二指数及第三指数中的至少一个为基础，来确定患者300的麻醉深度。
本发明一实施例的控制部120可以利用经过学习的人工神经网络与一个以上频带的每个成分的第一指数以及基于肌电图信号的第三指数，来确定患者300的麻醉深度。
在本发明中，“人工神经网络”可指基于学习数据来学习脑波的特性、肌电图特性及患者的状态之间的相互关系的神经网络，上述学习数据包含反映脑波的特性的数据及反映肌电图特性的数据，并且标记有与上述脑波的特性和上述肌电图特性相对应的患者的状态数据。
换言之，人工神经网络可指如下的神经网络，即，学习为对应于反映脑波的特性的数据及反映肌电图特性的数据的输入来输出患者的状态数据。
在本发明中，人工神经网络可实现为多种结构的神经网络模型。例如，人工神经网络可实现为卷积神经网络(CNN)模型、递归神经网络(RNN)模型和长短期记忆(LSTM)模型。但是，上述神经网络为例示性的，能够基于学习数据学习输入与输出之间的相互关系的单元可以用作本发明的人工神经网络。
图7为用于说明本发明一实施例的控制部120使人工神经网络520利用多个学习数据510来学习的过程的图。
如上所述，人工神经网络520可指基于多个学习数据510学习脑波的特性、肌电图特性及患者的状态之间的相互关系的神经网络。
在此情况下，如上所述，多个学习数据510可分别为如下的数据，即，包含反映脑波的特性的数据及反映肌电图特性的数据，并且标记有与脑波的特性及肌电图特性相对应的患者的状态数据。
例如，在第一个学习数据511的情况下，反映脑波的特性的数据可包含：与从患者300的第一脑波(通过第一通道获取)的第一区间计算的N(N为自然数)个频带各自的第一指数相对应的N个数据511A、与从患者300的第二脑波(通过第二通道获取)的第一区间计算的N个频带各自的第一指数相对应的N个数据511B、以第一通道的N个第一指数511A及第二通道的N个第一指数511B的组合为基础生成的N的平方个数据511D。
并且，在第一个学习数据511的情况下，反映肌电图特性的数据可包含基于肌电图信号的M(M为自然数)个数据511C。
并且，可在第一个学习数据511标记有患者状态数据511E，上述患者状态数据511E包含相应患者300分别对应于K个患者状态的概率。在此情况下，例如，N可以为6，M可以为1，K可以为5。
包含第二个学习数据512及第三个学习数据513的其余学习数据亦包括与第一个学习数据相同的数据，可用相同的数据标记。将参照图8在后文对用于生成个别学习数据所包含的个别数据的具体方法进行说明。
如上所述，本发明可基于学习数据来使人工神经网络520进行学习，上述学习数据包含由患者的活体信号生成的数据及分别与多个患者状态相应的概率。由此，人工神经网络520可根据由患者的状态信号生成的数据的输入来输出相应患者与多个患者状态分别相应的概率。以下，以图7中说明的人工神经网络520已完成基于多个学习数据510的学习为前提进行说明。
图8为用于说明作为基于本发明一实施例的人工神经网络520的输入数据531、532、533、534的输出数据的患者的状态数据540的图。
本发明一实施例的控制部120可生成人工神经网络520的输入数据531、532、533、534，以便利用通过上述过程学习的人工神经网络520来计算患者300分别属于一个以上的患者状态的概率值。在此情况下，人工神经网络520可包含：输入层521，包含输入有输入数据531、532、533、534的至少一个输入代码；中间层522(或隐藏层)，包含多个中间代码(或隐藏代码)；以及输出层523，包含至少一个输出代码。如图所示，中间层522可包含全连接(Fully Connected)的一个以上层。在中间层522包含多个层的情况下，人工神经网络520可包含用于定义每个隐藏层之间的关系的函数。
控制部120通过图2至图5所说明的过程，从经第一通道获取的患者300的第一脑波的第一区间计算得出N个频带各自的第一指数，控制部120通过同样的过程从经第二通道获取的患者300的第二脑波的第一区间计算得出N个频带各自的第一指数，为了便于说明，下面将以上述内容为前提来进行说明。
在上述前提下，本发明一实施例的控制部120能够以第一通道的N个第一指数及第二通道的N个第一指数的组合为基础，来生成N的平方个第一输入数据533。上述第一输入数据533可以为用于人工神经网络520的学习的学习数据中与图7的数据511D相对应的项目。
例如，控制部120可生成第一输入数据533，以将第一通道的第一个指数与第二通道的N个指数分别相乘而得的数据以及第一通道的第二个指数与第二通道的N个指数分别相乘而得的数据包含在内。当然，对于第一通道的其余指数，控制部120可分别使用与上述方式相同的方式来生成第一输入数据533。
本发明一实施例的控制部120可生成与第一通道的N个第一指数相对应的N个第二输入数据532。上述第二输入数据532可以为用于人工神经网络520的学习的学习数据中与图7的数据511A相对应的项目。例如，控制部120可生成N个第二输入数据532，以使得第一通道的N个第一指数与N个第二输入数据532分别为相同的值。
本发明一实施例的控制部120可生成与第二通道的N个第一指数相对应的N个第三输入数据534。上述第三输入数据534可以为用于人工神经网络520的学习的学习数据中与图7的数据511B相对应的项目。例如，控制部120可生成N个第三输入数据534，以使得第二通道的N个第一指数与N个第三输入数据534分别为相同的值。
本发明一实施例的控制部120可生成基于肌电图信号的M个第四输入数据531。上述第四输入数据531可以为用于人工神经网络520的学习的学习数据中与图7的数据511C相对应的项目。例如，本发明一实施例的控制部120可利用按上述过程生成的第三指数来生成第四输入数据531。
在本发明的一实施例中，上述N可以为6，M可以为1。因此，第一输入数据533包含36个数据，第二输入数据532及第三输入数据534分别包含6个数据，第四输入数据531可包含1个数据。但是，如上所述，各个数据531至534所包含的数据的数量为例示性的，本发明的思想并不限定于此。
本发明一实施例的控制部120可通过输入在人工神经网络520按上述过程生成的输入数据531、532、533、534，来获取患者的状态数据540，上述患者的状态数据540包含患者300分别属于一个以上的患者状态的概率值。
本发明一实施例的患者的状态数据540可包含患者300分别对应于K(K为自然数)个患者状态的概率值。例如，K为5，一个以上的患者状态可包括清醒状态(Awake)Status 1、镇静状态(Sedation)Status 2、全身麻醉状态(General Anesthesia)Status 3、过度麻醉或深度麻醉状态(Hyper or Deep Anesthesia)Status 4以及脑死亡状态Status 5。
例如，控制部120可从人工神经网络520获取患者的状态数据540，如[0.81，0.62，0.34，0.17，0.01]。上述患者的状态数据540可意味着患者300处于清醒状态(Awake)的概率为81％、患者300处于镇静状态(Sedation)的概率为62％、患者300处于全身麻醉状态(General Anesthesia)的概率为34％、患者300处于过度麻醉或全身麻醉状态(Hyper orDeep Anesthesia)的概率为17％、患者300处于脑死亡状态(Brain Death)的概率为1％。
在本发明的另一实施例中，可对K个状态和/或数量进行多种设定。例如，在本发明用于确定患者的情绪状态等的情况下，K个状态可分别为表示患者的感情的多个状态。但是这为例示性的，本发明的思想并不限定于此。
本发明一实施例的控制部120可基于一个以上患者状态各自的概率值来确定患者300的麻醉深度。
更具体地，本发明一实施例的控制部120可通过对患者的状态数据540所包含的一个以上患者状态各自的概率值进行归一化处理，来计算归一化概率值。例如，控制部120能够以使得一个以上患者状态各自的概率值的总和为1的方式计算一个以上患者状态各自的归一化概率值。
并且，本发明一实施例的控制部120可将与患者状态相对应的权值集合适用于归一化概率值，上述权值集合具有归一化概率值中最大的概率值。
图9为以曲线图形式示出例示性的一个以上权值集合610、620、630、640、650的图。第一个权值集合610为与清醒状态(Awake)Status 1相对应的权值集合，第二个权值集合620为与镇静状态(Sedation)Status 2相对应的权值集合，第三个权值集合630为与全身麻醉状态(General Anesthesia)Status 3相对应的权值集合，第四个权值集合640为与过度麻醉或深度麻醉状态(Hyper or Deep Anesthesia)Status 4相对应的权值集合，第五个权值集合650为与脑死亡状态(Brain Death)Status 5相对应的权值集合。
例如，在按照上述过程计算的归一化概率值为[0.45，0.25，0.15，0.1，0.05]的情况下，患者300处于清醒状态(Awake)Status 1的概率最高，因此，控制部120可通过将与清醒状态(Awake)Status 1相对应的权值集合610适用于归一化概率值，来计算如[0.45，0.2，0.5，0.01，0]的概率。
本发明一实施例的控制部120可基于适用有加权值的多个归一化概率值的和来确定患者300的麻醉深度。
在选择性实施例中，本发明一实施例的控制部120可参照通过其他方式确定的患者300的麻醉深度来确定患者300的最终麻醉深度。
图10为用于说明根据本发明选择性实施例的控制部120确定患者300的最终麻醉深度的过程的图。
本发明选择性实施例的控制部120可基于第一麻醉深度与第二麻醉深度的和来确定患者300的最终麻醉深度DOA_F，上述第一麻醉深度将规定加权值W1适用于按照图2至图9所说明的过程计算的麻醉深度DOA_1，上述第二麻醉深度将规定加权值W2适用于通过第二方式计算的麻醉深度DOA_2。在此情况下，计算麻醉深度DOA_2的第二方式可指至少一部分过程与图2至图9所说明的过程不同的麻醉深度计算方式。例如，第二麻醉深度可知基于第一指数、第二指数及第三指数来确定的麻醉深度，上述第一指数从患者的脑波计算得出，上述第二指数反映患者的脑波符合规定模式的程度，上述第三指数基于与患者的状态相对应的至少一个活体信号。
图11为用于说明本发明一实施例的由用户终端100执行的意识水平测定方法的流程图。以下将省略对与图1至图10所说明的内容重复的内容的说明，将同时参照图1至图10来进行说明。
本发明一实施例的用户终端100可使人工神经网络基于多个学习数据来进行学习(步骤S910)。
在本发明中，“人工神经网络”可指基于学习数据来学习脑波的特性、肌电图特性及患者的状态之间的相互关系的神经网络，上述学习数据包含反映脑波的特性的数据及反映肌电图特性的数据，并且标记有与上述脑波的特性和上述肌电图特性相对应的患者的状态数据。
换言之，人工神经网络可指如下的神经网络，即，学习为对应于反映脑波的特性的数据及反映肌电图特性的数据的输入，来输出患者的状态数据。
在本发明中，人工神经网络可实现为多种结构的神经网络模型。例如，人工神经网络可实现为卷积神经网络(CNN)模型、递归神经网络(RNN)模型和长短期记忆(LSTM)模型。但是，上述神经网络为例示性的，能够基于学习数据学习输入与输出之间的相互关系的单元可以用作本发明的人工神经网络。
图7为用于说明本发明一实施例的用户终端100使人工神经网络520利用多个学习数据510来学习的过程的图。。
如上所述，人工神经网络520可指基于多个学习数据510学习脑波的特性、肌电图特性及患者的状态之间的相互关系的神经网络。
在此情况下，如上所述，多个学习数据510可分别为如下的数据，即，包含反映脑波的特性的数据及反映肌电图特性的数据，并且标记有与脑波的特性及肌电图特性相对应的患者的状态数据。
例如，在第一个学习数据511的情况下，反映脑波的特性的数据可包含：与从患者300的第一脑波(通过第一通道获取)的第一区间计算的N(N为自然数)个频带各自的第一指数相对应的N个数据511A、与从患者300的第二脑波(通过第二通道获取)的第一区间计算的N个频带各自的第一指数相对应的N个数据511B、以第一通道的N个第一指数511A及第二通道的N个第一指数511B的组合为基础生成的N的平方个数据511D。
并且，在第一个学习数据511的情况下，反映肌电图特性的数据可包含基于肌电图信号的M(M为自然数)个数据511C。
并且，可在第一个学习数据511标记有患者状态数据511E，上述患者状态数据511E包含相应患者300分别对应于K个患者状态的概率。在此情况下，例如，N可以为6，M可以为1，K可以为5。
包含第二个学习数据512及第三个学习数据513的其余学习数据亦包括与第一个学习数据相同的数据，可用相同的数据标记。
如上所述，本发明可基于学习数据来使人工神经网络520进行学习，上述学习数据包含由患者的活体信号生成的数据及分别与多个患者状态相应的概率。由此，人工神经网络520可根据由患者的状态信号生成的数据的输入来输出相应患者与多个患者状态分别相应的概率。以下，以图7中说明的人工神经网络520已完成基于多个学习数据510的学习为前提进行说明。
本发明一实施例的用户终端100可获取患者300的活体信号(步骤S920)。
本发明一实施例的用户终端100可获取患者300的活体信号。例如，用户终端100可通过从上述信号处理部220接收脑波的方式来获取脑波。在此情况下，所获取的脑波可以为经扩增且按规定采样频率采样的脑波。并且，用户终端100可获取从信号处理部220经不同通道获取的两个脑波。
另一方面，本发明一实施例的用户终端100还可同时获取脑波与肌电图信号。当然，在此情况下所获取的肌电图信号亦可以为经扩增且按规定采样频率采样的肌电图信号。
本发明一实施例的用户终端100可实时获取患者300的活体信号。在此情况下，用户终端100可用于通过将过去的活体信号临时和/或永久存储于存储器130来测定患者的麻醉深度。
本发明一实施例的用户终端100可生成脑波的第一区间，上述脑波包括所获取的脑波的至少一部分(步骤S930)。
图2为用于说明本发明一实施例的用户终端100生成脑波400的第一区间的方法的图。
以下，为了便于说明，患者300的脑波400如图所示，根据情况将当前时间点假设为4秒钟、5秒钟及6秒钟来分别进行说明。
在生成脑波400的第一区间的过程中，本发明一实施例的用户终端100能够以将从确定麻醉深度的时间点(即，当前时间点)开始规定时间间隔以内的过去的脑波包括在内的方式生成脑波的第一区间。
例如，在假设确定麻醉深度的当前时间点为4秒钟的情况下，用户终端100包括从当前时间点(4秒钟)开始规定时间间隔(假设为4秒钟)以内的过去的脑波的脑波的第一区间410。与此类似地，在当前时间点为5秒钟的情况下，用户终端100可生成脑波的第一区间420，在当前时间点为6秒钟的情况下，用户终端100可生成脑波的第一区间430。
在此情况下，“规定时间间隔”可根据系统特性进行多种设定。例如，在需要快速响应的系统中，可将规定时间间隔设定得相对短。并且，在需要准确响应的系统中，可将规定时间间隔设定得相对长。
本发明一实施例的用户终端100可针对经不同通道获取的两个脑波，分别通过上述过程来生成第一区间。并且，本发明一实施例的用户终端100可随着时间的推移(即，随着麻醉深度确定时间点的改变)以当前时间点为基准来反复生成第一区间。
本发明一实施例的用户终端100可在按上述过程生成的脑波的第一区间内去除噪音(步骤S940)。
图3为用于说明本发明一实施例的用户终端100通过在例示性的脑波的第一区间440中去除噪音来生成已去除噪音的脑波的第一区间440FLT的方法的图。
在脑波的第一区间440内，本发明一实施例的用户终端100可将脑波大小大于规定临界大小Ath的第一部分区间444A替换为与第一部分区间不同的第二部分区间443A。
此时，在第一部分区间444A内的任一时间点上的脑波的大小大于规定临界大小Ath的情况下，用户终端100可确定相应区间444A内的脑波的大小大于规定临界大小Ath。并且，用户终端100可利用与相应区间444A相邻的区间443A来替换相应区间444A。
由此，用户终端100可生成已去除噪音的脑波的第一区间440FLT，上述第一区间440FLT的第一个部分区间441B、第二个部分区间442B、第三个部分区间443B与第一区间440的第一个部分区间441A、第二个部分区间442A、第三个部分区间443A相同，第四个部分区间444B与第一区间440的第三个部分区间443A相同。
但是，部分区间的长度、临界大小Ath及部分区间的替换方法为例示性的，本发明的思想并不限定于此。
在选择性实施例中，在脑波的第一区间440内的脑波大小大于规定临界大小的模式与预设模式相对应的情况下，用户终端100亦可将脑波的第一区间440替换为脑波的第二区间。在此情况下，脑波的第二区间可以为与脑波的第一区间440不同的区间的脑波，如相邻区间的脑波。
并且，“预设模式”可以根据系统的目的进行多种设定。例如，预设模式可以为在相同区间内的多个部分区间产生大小大于规定临界大小的脑波的模式，亦可以为在连续的两个以上部分区间产生大小大于规定临界大小的脑波的模式。但上述模式为例示性的，本发明的思想并不限定于此。
本发明一实施例的用户终端100可以从按上述过程生成的脑波的第一区间(或者已去除噪音的脑波的第一区间)提取一个以上频带的多个成分(步骤S950)。
图4为用于说明本发明一实施例的用户终端100从已去除噪音的脑波的第一区间410FLT提取一个以上频带的多个成分411、412、413、414、415、416、417、418的过程的图。
本发明一实施例的用户终端100可从已去除噪音的脑波的第一区间410FLT提取0.5Hz至4Hz的第一成分412、4Hz至8Hz的第二成分413、8Hz至16Hz的第三成分414、16Hz至25Hz的第四成分415、25Hz至30Hz的第五成分416、30Hz至48Hz的第六成分417、0.5Hz至55Hz的基准成分411以及0.5Hz至30Hz的爆发抑制率成分418。
本发明一实施例的用户终端100可利用一个以上频带分别对应的频率滤波器来从已去除噪音的脑波的第一区间410FLT提取一个以上频带的多个成分411、412、413、414、415、416、417、418。例如，用户终端100可利用通频带为0.5Hz至4Hz的带通滤波器(Ban-PassFilter)来提取第一成分412。
所提取的一个以上频带的多个成分411、412、413、414、415、416、417、418可具有与已去除噪音的脑波的第一区间410FLT相同的时间长度。并且，一个以上频带的多个成分411、412、413、414、415、416、417、418可包含属于第一区间的一个以上时间点上的每个频带的成分的大小。
例如，在信号处理部220的采样频率为250Hz，已去除噪音的脑波的第一区间410FLT的长度为4秒钟的情况下，已去除噪音的脑波的第一区间410FLT内可包含1000个时间点(或者1000个采样时间点)与每个时间点上的脑波的大小。由此，一个以上频带的多个成分411、412、413、414、415、416、417、418可包含属于第一区间的1000个时间点各自的每个频带的成分的大小。
换言之，一个以上频带的多个成分411、412、413、414、415、416、417、418可包含属于第一区间的1000个时间点上的每个频带的成分的大小。
本发明一实施例的用户终端100可计算一个以上频带的多个成分411、412、413、414、415、416、417、418各自的第一指数(步骤S960)。
图5为用于说明本发明一实施例的用户终端100计算第一指数的方法的图。为了便于说明，图5所示的曲线图涉及第一成分，以在第一成分的第一区间包含有15个时间点为前提进行说明。
本发明一实施例的用户终端100能够以对于第一区间中的规定基准成分的大小的一个以上频带的每个成分的大小超过规定临界值Rth的程度为基础，来计算第一指数。例如，本发明一实施例的用户终端100可针对属于第一区间的一个以上的时间点(即，15个时间点)，来分别计算基准成分的一个以上频带的多个成分的大小。
在此情况下，基准成分可指按图4说明的过程来提取的基准成分411，一个以上频带的多个成分可指按图4说明的过程来提取的多个成分412至417。例如，用户终端100可计算第一区间的第一个时间点上的基准成分411的大小与第一区间的第一个时间点上的第一成分412的大小的比率R1。与此类似地，控制部计算其余时间点上基准成分411的大小与第一成分412的大小的比率R2至R15。当然，对于多个其余成分413至417，用户终端100亦可分别通过上述过程来计算多个时间点上各自的比率。
本发明一实施例的用户终端100可将所计算的比率的大小超过规定临界值Rth的时间点确定为超过时间点。例如，用户终端100可将图5的R4、R12、R13、R14分别对应的时间点确定为超过时间点。当然，对于多个其余成分413至417，控制部亦可通过上述过程来确定多个超过时间点。
本发明一实施例的用户终端100能够以属于第一区间的整体时间点与超过时间点的数量之比为基础来计算第一指数。例如，对于第一成分412，用户终端100可利用整体时间点的数量15与超过时间点的数量4来以4/15计算第一指数。在此情况下，用户终端100可通过将规定值与所计算的第一指数相乘来对第一指数进行归一化处理。当然，对于多个其余成分413至417，控制部亦可分别通过上述过程来计算第一指数。
另一方面，本发明一实施例的用户终端100可基于第一区间内的基准成分的绝对大小来确定规定临界值Rth。在基准成分的情况下，在宽频带中提取基准成分，因此，在第一区间内的脑波大小大的情况下，可确定规定临界值Rth相对高，在脑波大小小的情况下，可确定规定临界值Rth相对低。
对于经不同通道获取的两个脑波，本发明一实施例的用户终端100可分别计算基于上述过程的第一指数。并且，本发明一实施例的用户终端100可根据第一区间的更新来反复计算所更新的第一区间的第一指数。
本发明一实施例的用户终端100可生成人工神经网络520的输入数据531、532、533、534，以便利用通过上述过程学习的人工神经网络520来计算患者300分别属于一个以上的患者状态的概率值(步骤S970)。
图8为用于说明作为基于本发明一实施例的人工神经网络520的输入数据531、532、533、534的输出数据的患者的状态数据540的图。
用户终端100通过图2至图5所说明的过程，从经第一通道获取的患者300的第一脑波的第一区间计算得出N个频带各自的第一指数，用户终端100通过同样的过程从经第二通道获取的患者300的第二脑波的第一区间计算得出N个频带各自的第一指数，为了便于说明，下面将以上述内容为前提来进行说明。
在上述前提下，本发明一实施例的用户终端100能够以第一通道的N个第一指数及第二通道的N个第一指数的组合为基础，来生成N的平方个第一输入数据533。上述第一输入数据533可以为用于人工神经网络520的学习的学习数据中与图7的数据511D相对应的项目。
例如，用户终端100可生成第一输入数据533，以将第一通道的第一个指数与第二通道的N个指数分别相乘而得的数据以及第一通道的第二个指数与第二通道的N个指数分别相乘而得的数据包含在内。当然，对于第一通道的其余指数，用户终端100可分别使用与上述方式相同的方式来生成第一输入数据533。
本发明一实施例的用户终端100可生成与第一通道的N个第一指数相对应的N个第二输入数据532。上述第二输入数据532可以为用于人工神经网络520的学习的学习数据中与图7的数据511A相对应的项目。例如，用户终端100可生成N个第二输入数据532，以使得第一通道的N个第一指数与N个第二输入数据532分别为相同的值。
本发明一实施例的用户终端100可生成与第二通道的N个第一指数相对应的N个第三输入数据534。上述第三输入数据534可以为用于人工神经网络520的学习的学习数据中与图7的数据511B相对应的项目。例如，用户终端100可生成N个第三输入数据534，以使得第二通道的N个第一指数与N个第三输入数据534分别为相同的值。
本发明一实施例的用户终端100可生成基于肌电图信号的M个第四输入数据531。上述第四输入数据531可以为用于人工神经网络520的学习的学习数据中与图7的数据511C相对应的项目。例如，本发明一实施例的用户终端100可利用按上述过程生成的第三指数来生成第四输入数据531。
在本发明的一实施例中，上述N可以为6，M可以为1。因此，第一输入数据533包含36个数据，第二输入数据532及第三输入数据534分别包含6个数据，第四输入数据531可包含1个数据。但是，如上所述，各个数据531至534所包含的数据的数量为例示性的，本发明的思想并不限定于此。
本发明一实施例的用户终端100可通过输入在人工神经网络520按上述过程生成的输入数据531、532、533、534，来获取患者的状态数据540，上述患者的状态数据540包含患者300分别属于一个以上的患者状态的概率值(步骤S980)。
本发明一实施例的患者的状态数据540可包含患者300分别对应于K(K为自然数)个患者状态的概率值。例如，K为5，一个以上的患者状态可包括清醒状态(Awake)Status 1、镇静状态(Sedation)Status 2、全身麻醉状态(General Anesthesia)Status 3、过度麻醉或深度麻醉状态(Hyper or Deep Anesthesia)Status 4以及脑死亡状态(Brain Death)Status 5。
例如，用户终端100可从人工神经网络520获取患者的状态数据540，如[0.81，0.62，0.34，0.17，0.01]。上述患者的状态数据540可意味着患者300处于清醒状态(Awake)的概率为81％、患者300处于镇静状态(Sedation)的概率为62％、患者300处于全身麻醉状态(General Anesthesia)的概率为34％、患者300处于过度麻醉或全身麻醉状态(Hyper orDeep Anesthesia)的概率为17％、患者300处于脑死亡状态(Brain Death)的概率为1％。
在本发明的另一实施例中，可对K个状态和/或数量进行多种设定。例如，在本发明用于确定患者的情绪状态等的情况下，K个状态可分别为表示患者的感情的多个状态。但是这为例示性的，本发明的思想并不限定于此。
本发明一实施例的用户终端100可基于一个以上患者状态各自的概率值来确定患者300的麻醉深度(步骤S990)。
更具体地，本发明一实施例的用户终端100可通过对患者的状态数据540所包含的一个以上患者状态各自的概率值进行归一化处理，来计算归一化概率值。例如，用户终端100能够以使得一个以上患者状态各自的概率值的总和为1的方式计算一个以上患者状态各自的归一化概率值。
并且，本发明一实施例的用户终端100可将与患者状态相对应的权值集合适用于归一化概率值，上述权值集合具有归一化概率值中最大的概率值。
图9为以曲线图形式示出例示性的一个以上权值集合610、620、630、640、650的图。第一个权值集合610为与清醒状态(Awake)Status 1相对应的权值集合，第二个权值集合620为与镇静状态(Sedation)Status 2相对应的权值集合，第三个权值集合630为与全身麻醉状态(General Anesthesia)Status 3相对应的权值集合，第四个权值集合640为与过度麻醉或深度麻醉状态(Hyper or Deep Anesthesia)Status 4相对应的权值集合，第五个权值集合650为与脑死亡状态(Brain Death)Status 5相对应的权值集合。
例如，在按照上述过程计算的归一化概率值为[0.45，0.25，0.15，0.1，0.05]的情况下，患者300处于清醒状态(Awake)Status 1的概率最高，因此，用户终端100可通过将与清醒状态(Awake)Status 1相对应的权值集合610适用于归一化概率值，来计算如[0.45，0.2，0.5，0.01，0]的概率。
本发明一实施例的用户终端100可基于适用有加权值的多个归一化概率值的和来确定患者300的麻醉深度。
在选择性实施例中，本发明一实施例的用户终端100可参照通过其他方式确定的患者300的麻醉深度来确定患者300的最终麻醉深度。
图10为用于说明根据本发明选择性实施例的用户终端100确定患者300的最终麻醉深度的过程的图。
本发明选择性实施例的用户终端100可基于第一麻醉深度与第二麻醉深度的和来确定患者300的最终麻醉深度DOA_F，上述第一麻醉深度将规定加权值W1适用于按照图2至图9所说明的过程计算的麻醉深度DOA_1，上述第二麻醉深度将规定加权值W2适用于通过第二方式计算的麻醉深度DOA_2。在此情况下，计算麻醉深度DOA_2的第二方式可指至少一部分过程与图2至图9所说明的过程不同的麻醉深度计算方式。例如，第二麻醉深度可知基于第一指数、第二指数及第三指数来确定的麻醉深度，上述第一指数从患者的脑波计算得出，上述第二指数反映患者的脑波符合规定模式的程度，上述第三指数基于与患者的状态相对应的至少一个活体信号。
以上说明的本发明的实施例能够以可由计算机上的多种结构要素执行的计算机程序的形式来实现，上述计算机程序可记录于计算机可读介质。在此情况下，介质可以存储可由计算机执行的程序。作为介质的示例，可以为配置为存储程序指令的介质，包括如硬盘、软盘及磁带等的磁性介质、如光盘只读存储器(CD-ROM)和数字通用光碟(DVD)等的光记录介质、如光磁软盘(floptical disk)等的磁光介质(magneto-optical medium)以及只读存储器(ROM)、随机存储器(RAM)、闪存等。
另一方面，上述计算机程序可以针对本发明进行特别的设计和配置，或者可以是计算机软件领域的普通技术人员所公知的且可以使用的程序。作为计算机程序的例，不仅包括由编译器产生的机器语言代码，还可包括可使用解释器等由计算机执行的高级语言代码。
在本发明中说明的特定实施方式作为一实施例，而不以任何方法限定本发明的范围。为了说明书的简洁，可省略对现有电子配置、控制系统、软件、上述系统的其他功能方面的描述。并且，附图所示的结构要素之间的线的连接或连接部件例示性表示功能性连接和/或物理连接或电路连接，在实际装置中表示可以替换或添加的各种功能性连接、物理连接或电路连接。并且，若无“必需的”、“重要的”等具体的提及，则可以不是为了适用本发明而必需的结构要素。
因此，本发明的思想不限定于上述实施例，所附发明要求保护范围以及与发明要求保护范围等同或由其等价变更的所有范围均属于本发明的思想范畴。

Claims (17)

1.一种意识水平测定方法，用于测定患者的意识水平，其特征在于，包括：
提取步骤，从脑波的第一区间提取一个以上频带的多个成分；
第一指数计算步骤，计算所述一个以上频带的每个成分的第一指数，以相对于所述第一区间中的规定基准成分大小的所述一个以上频带的每个成分的大小超过规定临界值的程度为基础，来计算所述第一指数；
概率值计算步骤，利用经过学习的人工神经网络，根据一个以上频带的每个成分的第一指数，来计算一个以上患者状态各自的概率值；以及
意识水平确定步骤，以所计算的所述一个以上患者状态各自的概率值为基础，来确定所述患者的意识水平。
2.根据权利要求1所述的意识水平测定方法，其特征在于，
在所述提取步骤之前还包括：
脑波获取步骤，获取所述患者的脑波；
脑波第一区间生成步骤，生成脑波的第一区间，所述脑波的第一区间包含所获取的所述脑波的至少一部分；以及
噪音去除步骤，在所述脑波的第一区间去除噪音；
在所述提取步骤中，从已去除所述噪音的所述脑波的第一区间提取一个以上频带的多个成分。
3.根据权利要求2所述的意识水平测定方法，其特征在于，在所述脑波获取步骤中，获取按照规定采样频率采样的所述患者的脑波。
4.根据权利要求2所述的意识水平测定方法，其特征在于，在所述脑波第一区间生成步骤中，以将从确定所述意识水平的时间点开始规定时间间隔以内的脑波包括在内的方式生成所述脑波的第一区间。
5.根据权利要求2所述的意识水平测定方法，其特征在于，
所述噪音去除步骤包括如下的替换步骤：在所述脑波的第一区间内，将第一部分区间替换为与所述第一部分区间不同的第二部分区间，所述第一部分区间包括脑波的大小超过规定临界大小的时间点，
所述第一部分区间及所述第二部分区间为所述第一区间的至少一部分。
6.根据权利要求2所述的意识水平测定方法，其特征在于，
所述噪音去除步骤包括如下的替换步骤：在所述脑波的第一区间内的脑波大小超过规定临界大小的模式与预设模式相对应的情况下，将所述脑波的第一区间替换为所述脑波的第二区间，
所述第二区间与所述第一区间不同，为所述脑波的至少一部分。
7.根据权利要求1所述的意识水平测定方法，其特征在于，在所述提取步骤中，从所述脑波的第一区间提取0.5Hz至4Hz的第一成分、4Hz至8Hz的第二成分、8Hz至16Hz的第三成分、16Hz至25Hz的第四成分、25Hz至30Hz的第五成分、30Hz至48Hz的第六成分以及0.5Hz至55Hz的基准成分。
8.根据权利要求1所述的意识水平测定方法，其特征在于，
所述一个以上频带的多个成分包括属于所述第一区间的一个以上时间点上的每个频带的成分的大小，
所述第一指数计算步骤包括如下的步骤：
分别针对所述一个以上时间点，来计算相对于所述基准成分的大小的所述一个以上频带的多个成分的大小；
将所计算的所述大小超过所述规定临界值的时间点确定为超过时间点；以及
以属于所述第一区间的整体时间点与所述超过时间点的数量比率为基础，来计算所述第一指数。
9.根据权利要求8所述的意识水平测定方法，其特征在于，以所述第一区间内的所述基准成分的绝对大小为基础来确定所述规定临界值。
10.根据权利要求1所述的意识水平测定方法，其特征在于，在所述意识水平测定方法中，在所述概率值计算步骤之前还包括输入数据生成步骤，在所述输入数据生成步骤中，利用所述一个以上频带的每个成分的第一指数的组合来生成所述人工神经网络的输入数据。
11.根据权利要求10所述的意识水平测定方法，其特征在于，
在所述意识水平测定方法中，
从通过第一通道获取的所述患者的第一脑波的第一区间，计算N个频带各自的第一指数，其中，N为自然数，
从通过第二通道获取的所述患者的第二脑波的第一区间，计算所述N个频带各自的所述第一指数，所述第二通道区别于所述第一通道，
所述输入数据生成步骤包括如下的步骤：
以所述第一通道的N个第一指数与所述第二通道的N个第一指数的组合为基础，来生成N的平方个第一输入数据；
生成与所述第一通道的N个第一指数相对应的N个第二输入数据；
生成与所述第二通道的N个第一指数相对应的N个第三输入数据；
生成基于肌电图信号的M个第四输入数据，其中，M为自然数；以及
生成包含所述第一输入数据、所述第二输入数据、所述第三输入数据及所述第四输入数据的所述输入数据。
12.根据权利要求11所述的意识水平测定方法，其特征在于，所述N为6，所述M为1。
13.根据权利要求1所述的意识水平测定方法，其特征在于，
所述人工神经网络为基于学习数据来学习脑波的特性、肌电图特性及患者的状态之间的相互关系的神经网络，所述学习数据包含反映脑波的特性的数据及反映肌电图特性的数据，标记有与所述脑波的特性和所述肌电图特性相对应的患者的状态数据，
所述反映脑波的特性的数据包含：
以通过第一通道获取的脑波的N个第一指数及通过第二通道获取的脑波的N个第一指数的组合为基础生成的N的平方个第一数据，其中，N为自然数；
与所述第一通道的N个第一指数相对应的N个第二数据；
与所述第二通道的N个第一指数相对应的N个第三数据；以及
基于肌电图信号的M个第四数据，其中M为自然数，
所述患者的状态数据包含K个患者状态各自相应的概率值，其中，K为自然数。
14.根据权利要求1所述的意识水平测定方法，其特征在于，
所述意识水平确定步骤包括：
归一化概率值计算步骤，对所述一个以上患者状态各自的概率值进行归一化处理，来计算归一化概率值；
适用步骤，将与患者状态相对应的权值集合适用于所述归一化概率值，其中，所述患者状态具有所述归一化概率值中最大的概率值；以及
基于适用有加权值的多个所述归一化概率值的和来确定所述意识水平的步骤。
15.根据权利要求14所述的意识水平测定方法，其特征在于，
所述一个以上的患者状态包括清醒状态、镇静状态、全身麻醉状态、深度麻醉状态和脑死亡状态，
在所述适用步骤中，将5个所述患者状态各自的权值集合中的一个适用于所述归一化概率值。
16.根据权利要求14所述的意识水平测定方法，其特征在于，在基于适用有加权值的多个所述归一化概率值的和来确定所述意识水平的步骤中，以第一意识水平与将第二加权值适用于第二意识水平的意识水平为基础来确定所述意识水平，所述第一意识水平将规定的第一加权值适用于适用有加权值的多个所述归一化概率值的和，所述第二意识水平按照第二方式来确定。
17.一种计算机程序，存储于介质，其特征在于，利用计算机来执行权利要求1至16中任一项所述的方法。
CN202011435094.7A 2020-05-27 2020-12-10 意识水平测定方法及计算机程序 Pending CN113729624A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020200063886A KR20210146723A (ko) 2020-05-27 2020-05-27 의식 수준 측정 방법 및 컴퓨터 프로그램
KR10-2020-0063886 2020-05-27

Publications (1)

Publication Number Publication Date
CN113729624A true CN113729624A (zh) 2021-12-03

Family

ID=73747987

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011435094.7A Pending CN113729624A (zh) 2020-05-27 2020-12-10 意识水平测定方法及计算机程序

Country Status (6)

Country Link
US (1) US11660047B2 (zh)
EP (1) EP3915478A1 (zh)
JP (1) JP2021186654A (zh)
KR (1) KR20210146723A (zh)
CN (1) CN113729624A (zh)
SG (1) SG10202012522UA (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114767133A (zh) * 2022-03-31 2022-07-22 同济大学 一种基于多信息融合的疲劳检测方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6317627B1 (en) * 1999-11-02 2001-11-13 Physiometrix, Inc. Anesthesia monitoring system based on electroencephalographic signals
US7783343B2 (en) * 2005-07-07 2010-08-24 The General Electric Company Monitoring of the cerebral state of a subject
US20100262377A1 (en) * 2007-05-15 2010-10-14 Aircraft Medical (Barcelona) SL Emg and eeg signal separation method and apparatus
PT105402A (pt) 2010-11-24 2012-05-24 Univ Tras Os Montes E Alto Douro Método e dispositivo para a avaliação do estado anestésico durante a anestesia ou sedação baseada no electroencefalograma
TW201521676A (zh) 2013-12-13 2015-06-16 Nat Inst Chung Shan Science & Technology 一種使用類神經網路產生判斷麻醉意識清醒程度指標的方法
CN107847172B (zh) 2015-07-17 2021-04-30 昆腾医疗公司 用于评估觉醒、镇静和全身麻醉期间的意识、疼痛和伤害感受的水平的设备和方法
KR101939574B1 (ko) * 2015-12-29 2019-01-17 주식회사 인바디 의식 상태 모니터링 방법 및 장치
WO2019179544A1 (es) 2018-03-22 2019-09-26 Universidad De La Sabana Proceso para clasificar profundidad anestésica en intervenciones con anestesia total intravenosa
CN110680285A (zh) 2019-10-29 2020-01-14 张萍萍 一种基于神经网络的麻醉程度监测装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114767133A (zh) * 2022-03-31 2022-07-22 同济大学 一种基于多信息融合的疲劳检测方法

Also Published As

Publication number Publication date
SG10202012522UA (en) 2021-12-30
US11660047B2 (en) 2023-05-30
EP3915478A1 (en) 2021-12-01
US20210369193A1 (en) 2021-12-02
JP2021186654A (ja) 2021-12-13
KR20210146723A (ko) 2021-12-06

Similar Documents

Publication Publication Date Title
Fraser et al. Automated biosignal quality analysis for electromyography using a one-class support vector machine
US9801553B2 (en) System, method, and computer program product for the real-time mobile evaluation of physiological stress
EP1880667B1 (en) Detection of focal epileptiform activity
KR101768332B1 (ko) 우울 정도를 실시간으로 분석하는 방법 및 그 시스템
KR20190059376A (ko) 뇌파를 통한 뇌 인지기능 평가 플랫폼 및 방법
CN109350020A (zh) 身心健康状况分析装置及方法
JP2021531140A (ja) Ｅｅｇ信号を使用した運動機能の定量化
CN113598790A (zh) 基于听觉刺激的意识障碍脑功能网络的意识评估方法
Rajaguru et al. KNN classifier and K-means clustering for robust classification of epilepsy from EEG signals. A detailed analysis
Sulaiman et al. Offline labview-based EEG signals analysis for human stress monitoring
Majumder et al. A real-time cardiac monitoring using a multisensory smart IoT system
US20210315507A1 (en) System and methods for consciousness evaluation in non-communicating subjects
CN113729624A (zh) 意识水平测定方法及计算机程序
JP3223851B2 (ja) メンタルストレス判定装置
KR20160008368A (ko) 재귀 추정을 이용한 생체 신호 처리 방법 및 그 장치
KR101919907B1 (ko) 다중 신경생리신호 기반 사용자 간 상호작용 모니터링 장치 및 방법
KR20210146724A (ko) 의식 수준 측정 방법 및 컴퓨터 프로그램
Turnip et al. Application of support vector machine classifier on developed wireless ECG system
CN107280650B (zh) 生命体特征参数获取方法及装置
CN110234272B (zh) 麻醉阶段识别与麻醉深度计算方法及装置
Miltiadous et al. An experimental protocol for exploration of stress in an immersive VR scenario with EEG
KR102053329B1 (ko) 생체 및 운동 신호 기반의 스트레스 분석 방법
JP2009112402A (ja) 睡眠計及び睡眠状態判定方法
RU93658U1 (ru) Система измерения энергетической напряженности в подсистемах головного мозга
DE102018000883A1 (de) Biofeedbacksystem, dessen Verwendung und Verfahren zur Prävention, Diagnose und Therapie von Stress und kognitivem Leistungsabfall bedingt durch der Unterhaltung, Kommunikation und Datenverarbeitung dienenden, elektronischen Bildschirmgeräten

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