CN114209283A - 一种基于脑机空间复杂度的术中疼痛检测方法 - Google Patents

一种基于脑机空间复杂度的术中疼痛检测方法 Download PDF

Info

Publication number
CN114209283A
CN114209283A CN202111617321.2A CN202111617321A CN114209283A CN 114209283 A CN114209283 A CN 114209283A CN 202111617321 A CN202111617321 A CN 202111617321A CN 114209283 A CN114209283 A CN 114209283A
Authority
CN
China
Prior art keywords
pain
spatial
brain
entropy
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
CN202111617321.2A
Other languages
English (en)
Inventor
梁振虎
王欣蕊
唐波
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.)
Yanshan University
Original Assignee
Yanshan University
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 Yanshan University filed Critical Yanshan University
Priority to CN202111617321.2A priority Critical patent/CN114209283A/zh
Publication of CN114209283A publication Critical patent/CN114209283A/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]
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Surgery (AREA)
  • Public Health (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Psychiatry (AREA)
  • Artificial Intelligence (AREA)
  • Psychology (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Signal Processing (AREA)
  • Anesthesiology (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明公开了一种基于脑机空间复杂度的术中疼痛检测方法，属于脑机接口以及麻醉控制领域，所述方法应用于脑机接口实时注意力监测系统，其特征在于：从脑机接口实时监测以及疼痛分类的角度去实时监测麻醉中的病人是否因疼痛而术中知晓，通过术前采集被试的疼痛数据与非疼痛数据，建立病人的疼痛模型，然后在术中通过小的滑窗以及调用疼痛模型来确定被试的实时状态；所述疼痛数据的处理方法包括给定多通道数据；根据多通道数据定义空间排列熵、空间近似熵、空间样本熵；计算空间权重矩阵；最后求得空间熵特征组合。本发明从空间复杂度的角度去量化疼痛，能有效提高术中知晓的准确性，减少病人的术后心理并发症，改善医患关系。

Description

一种基于脑机空间复杂度的术中疼痛检测方法
技术领域
本发明涉及脑机接口以及麻醉控制领域，尤其是一种基于脑机空间复杂度的术中疼痛检测方法。
背景技术
有统计显示，全麻手术术中知晓率为0.1％～0.2％，而在心脏手术、剖宫产术和创伤手术中，术中知晓风险高达1％。全身麻醉后术中知晓最严重的并发症为创伤后应激障碍，表现为再体验、回避反应及高警觉，症状轻者出现失眠、噩梦、易怒、易受惊吓等，重者焦虑、抑郁、情感及性格变化，影响患者工作能力以及与家人、朋友的关系。
有研究显示，特定的脑电图模式与人类的疼痛程度有关，目前关于疼痛评价常用的方法有拉普拉斯变换法、α+β+θ+δ法等，也有人将疼痛相关脑电与复杂度联系在一起。
作为一种给患者带来痛苦的医源性并发症，术中知晓增加了患者对手术的顾虑，甚至会给麻醉医师带来法律纠纷，现有技术中，关于术中知晓，一般是靠医生自己去判断，没有一定的评价指标，还有就是一种麻醉深度测试方法，但是该方法对被试者手术中的疼痛监测不准。
因此，有必要研发一种有效的疼痛分类方法以及实时监测系统。
发明内容
本发明需要解决的技术问题是提供一种基于脑机空间复杂度的术中疼痛检测方法，系统的从脑机接口分类的角度去分析多通道脑电疼痛数据以达到疼痛监测的目的。
为解决上述技术问题，本发明所采用的技术方案是：
一种基于脑机空间复杂度的术中疼痛检测方法，所述方法应用于脑机接口实时注意力监测系统，从脑机接口实时监测以及疼痛分类的角度去实时监测麻醉中的病人是否因疼痛而术中知晓，通过术前采集被试的疼痛数据与非疼痛数据，建立病人的疼痛模型，然后在术中通过小的滑窗以及调用疼痛模型来确定被试的实时状态。
本发明技术方案的进一步改进在于：所述疼痛数据的处理方法包括以下步骤：
步骤1，给定多通道数据；
步骤2，根据多通道数据定义空间排列熵SPE；
步骤3，根据多通道数据定义空间近似熵SAE；
步骤4，根据多通道数据定义空间样本熵SSE；
步骤5，计算空间权重矩阵，计算公式为：
W＝BTP
式中，P为疼痛数据与非疼痛数据的归一化空间协方差矩阵的白化矩阵，B为两类信号经过白化分解后的特征向量，其中得到的w是一个通道乘通道的二维矩阵，取矩阵的第一行或者最后一列作为最终的w；
步骤6，计算两类数据的空间熵特征，将求得的W代入到步骤2、3、4中，最后求得的空间熵特征组合为：
S＝[SPE,SAE,SSE]
式中，SPE为空间排列熵，SAE为空间近似熵，SSE为空间样本熵。
本发明技术方案的进一步改进在于：步骤1中，多通道数据为Xs(i)∈RC×T,(s∈{1,2}),i＝1,2，……Ns，C是通道数，T是采样点数，s＝1表示被试疼痛状态，s＝2表示被试非疼痛状态，i＝1:n表示第i个任务试次。
本发明技术方案的进一步改进在于：步骤2中，对每个通道的每个试次的时间序列进行相空间重构，并将其每个子序列按照递增顺序排列，并计算单试次单通道各种排列情况出现的相对概率pt,定义空间排列熵：
Figure BDA0003436946550000031
式中，w为空间权重矩阵，m为相空间重构的嵌入维度，Pt为单试次单通道各种排列情况出现的相对概率。
本发明技术方案的进一步改进在于：步骤3中，按步骤2对时间序列进行相空间重构，并计算子序列之间的欧氏距离，并通过统计网络中大于阈值t的个数占总数n-m+1的占比，计算对数平均值Φm(t)，定义空间近似熵：
Figure BDA0003436946550000032
式中，w为空间权重矩阵，Φm(t)为对数平均值。
本发明技术方案的进一步改进在于：步骤4中，按步骤3计算欧氏距离，通过统计网络中每一行中大于阈值t＝r*SD的个数占不包含自身总数n-m的比值
Figure BDA0003436946550000035
计算其对数平均值Φm(t)，定义空间样本熵：
Figure BDA0003436946550000033
式中，w为空间权重矩阵，
Figure BDA0003436946550000034
由于采用了上述技术方案，本发明取得的技术进步是：
1、本发明为术中知晓提供了一个新的辅助解决方法，从空间复杂度的角度去量化疼痛。
2、本发明能有效提高术中知晓的准确性，减少病人的术后心理并发症，改善医患关系。
附图说明
图1是本发明的脑机空间复杂度的术中疼痛检测分类模型；
图2是本发明具体实施实例中的术中知晓监测系统框图。
具体实施方式
下面结合附图及实施例对本发明做进一步详细说明：
如图1所示，一种基于脑机空间复杂度的术中疼痛检测方法，所述方法应用于脑机接口实时注意力监测系统，其特征在于：从脑机接口实时监测以及疼痛分类的角度去实时监测麻醉中的病人是否因疼痛而术中知晓，通过术前采集被试的疼痛数据与非疼痛数据，建立病人的疼痛模型，然后在术中通过小的滑窗以及调用疼痛模型来确定被试的实时状态。
所述脑机接口实时注意力监测系统由脑电采集设备、电脑、以及显示设备等组成。整个系统分为离线训练部分和在线监测部分。离线训练部分是指电脑端采集到被试处于两种状态时的脑电数据，然后经过本发明方法的处理，训练被试的个性化特征模型。在线监测部分是通过实施采集被试的脑电数据，然后将脑电数据进行与训练部分相同的处理，并把求得的空间熵特征组合输入到训练模型中，选择合适的分类器进行评估，进而输出被试的状态，以达到实时监测的目的。
所述疼痛数据的处理方法包括以下步骤：
步骤1，给定多通道数据为Xs(i)∈RC×T,(s∈{1,2}),i＝1,2，……Ns，C是通道数，T是采样点数，s＝1表示被试疼痛状态，s＝2表示被试非疼痛状态，i＝1:n表示第i个任务试次。
步骤2，对每个通道的每个试次的时间序列进行相空间重构，并将其每个子序列按照递增顺序排列，并计算单试次单通道各种排列情况出现的相对概率pt,定义空间排列熵：
Figure BDA0003436946550000051
式中，w为空间权重矩阵(其具体计算公式见步骤5)，
m为相空间重构的嵌入维度，嵌入维度m是通过最假近邻法法来确定的，使用自动互信息函数的第一个最小是来设置延时间；
Pt为单试次单通道各种排列情况出现的相对概率。
步骤3，按步骤2对时间序列进行相空间重构，并计算子序列之间的欧氏距离，并通过统计网络中大于阈值t的个数占总数n-m+1的占比，计算对数平均值Φm(t)，定义空间近似熵：
Figure BDA0003436946550000052
式中，w为空间权重矩阵，Φm(t)为对数平均值。
步骤4，按步骤3计算欧氏距离，通过统计网络中每一行中大于阈值t＝r*SD的个数占不包含自身总数n-m的比值
Figure BDA0003436946550000055
计算其对数平均值Φm(t)，定义空间样本熵：
Figure BDA0003436946550000053
式中，w为空间权重矩阵，
Figure BDA0003436946550000054
以上定义的空间排列熵、空间样本熵以及空间近似熵都扩大了通道，计算了整个全脑64个通道的熵，然后乘以一个权重矩阵，就是每个通道占比多少，才能将两类数据最大化的分开。
步骤5，计算空间权重矩阵，计算公式为：
W＝BTP
式中，P为疼痛数据与非疼痛数据的归一化空间协方差矩阵的白化矩阵，B为两类信号经过白化分解后的特征向量，其中得到的w是一个通道乘通道的二维矩阵，取矩阵的第一行或者最后一列作为最终的w；
式中的P可通过求数据的归一化协方差矩阵以及其白话矩阵求得，其具体计算公式如下：
Figure BDA0003436946550000061
∑＝∑1+∑2＝U0ΛU0 T
Figure BDA0003436946550000062
通过分解白化平均协方差矩阵可以得到B，其具体计算公式如下：
QS＝P∑sPT＝BsλsBs T,(s∈{1,2})
对于空间权重矩阵的计算，考虑到数据的格式为：
Xs(i)∈RC×T,(s∈{1,2}),i＝1,2，……Ns，两类信号之间的协方差计算为通道之间的协方差计算，当然也可以计算试次之间的协方差矩阵，最后通过引入正则化的参数，来选取最后的空间权重矩阵，但是本发明主要是为了区分两种信号的空间特征，因此本发明只通过计算脑电信号的通道之间的协方差矩阵来求空间权重矩阵。
步骤6，计算两类数据的空间熵特征，将求得的W代入到步骤2、3、4中，最后求得的空间熵特征组合为：
S＝[SPE,SAE,SSE]
式中，SPE为空间排列熵，SAE为空间近似熵，SSE为空间样本熵。
对于步骤2、3、4中的空间熵特征的提取，得到的空间排列熵、空间近似熵以及空间样本熵是作为空间熵特征组合输入到分类器中的，实验证明，这种空间熵特征组合在脑电分类中具有良好的分类结果，在具体的注意力空闲任务分类中能达到90％以上的效果。
如图2所示，为本发明在术中知晓监测中的一种应用场景，术中知晓的监测包括信号采集模块，远程控制模块以及智能报警系统。信号采集设备、远程控制端以及智能报警器可以进行实时的数据交换，从而实现远程术中知晓监测。本发明中的方法主要集中应用在远程控制面板模块中疼痛模型的建立模块。
如图1所示，为本发明中方法的程序框图，图中的交叉验证图是为了得到准确率较高的疼痛分类模型，其分类器采用的是随机森林，经过交叉验证之后，输出准确率较高的疼痛模型。在线测试利用滑窗截取数据，将数据经过上述步骤处理后，输入到离线训练好的模型中，输出被试状态，最后经过控制器连接到报警系统，以达到实时响应的目的。
以上所述的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (6)

1.一种基于脑机空间复杂度的术中疼痛检测方法，所述方法应用于脑机接口实时注意力监测系统，其特征在于：从脑机接口实时监测以及疼痛分类的角度去实时监测麻醉中的病人是否因疼痛而术中知晓，通过术前采集被试的疼痛数据与非疼痛数据，建立病人的疼痛模型，然后在术中通过小的滑窗以及调用疼痛模型来确定被试的实时状态。
2.根据权利要求1所述的一种基于脑机空间复杂度的术中疼痛检测方法，其特征在于：所述疼痛数据的处理方法包括以下步骤：
步骤1，给定多通道数据；
步骤2，根据多通道数据定义空间排列熵SPE；
步骤3，根据多通道数据定义空间近似熵SAE；
步骤4，根据多通道数据定义空间样本熵SSE；
步骤5，计算空间权重矩阵，计算公式为：
W＝BTP
式中，P为疼痛数据与非疼痛数据的归一化空间协方差矩阵的白化矩阵，B为两类信号经过白化分解后的特征向量，其中得到的w是一个通道乘通道的二维矩阵，取矩阵的第一行或者最后一列作为最终的w；
步骤6，计算两类数据的空间熵特征，将求得的W代入到步骤2、3、4中，最后求得的空间熵特征组合为：
S＝[SPE,SAE,SSE]
式中，SPE为空间排列熵，SAE为空间近似熵，SSE为空间样本熵。
3.根据权利要求2所述的一种基于脑机空间复杂度的术中疼痛检测方法，其特征在于：步骤1中，多通道数据为Xs(i)∈RC×T,(s∈{1,2}),i＝1,2，……Ns，C是通道数，T是采样点数，s＝1表示被试疼痛状态，s＝2表示被试非疼痛状态，i＝1:n表示第i个任务试次。
4.根据权利要求3所述的一种基于脑机空间复杂度的术中疼痛检测方法，其特征在于：步骤2中，对每个通道的每个试次的时间序列进行相空间重构，并将其每个子序列按照递增顺序排列，并计算单试次单通道各种排列情况出现的相对概率pt,定义空间排列熵：
Figure FDA0003436946540000021
式中，w为空间权重矩阵，m为相空间重构的嵌入维度，Pt为单试次单通道各种排列情况出现的相对概率。
5.根据权利要求4所述的一种基于脑机空间复杂度的术中疼痛检测方法，其特征在于：步骤3中，按步骤2对时间序列进行相空间重构，并计算子序列之间的欧氏距离，并通过统计网络中大于阈值t的个数占总数n-m+1的占比，计算对数平均值Φm(t)，定义空间近似熵：
Figure FDA0003436946540000022
式中，w为空间权重矩阵，Φm(t)为对数平均值。
6.根据权利要求5所述的一种基于脑机空间复杂度的术中疼痛检测方法，其特征在于：步骤4中，按步骤3计算欧氏距离，通过统计网络中每一行中大于阈值t＝r*SD的个数占不包含自身总数n-m的比值
Figure FDA0003436946540000023
计算其对数平均值Φm(t)，定义空间样本熵：
Figure FDA0003436946540000024
式中，w为空间权重矩阵，
Figure FDA0003436946540000025
CN202111617321.2A 2021-12-27 2021-12-27 一种基于脑机空间复杂度的术中疼痛检测方法 Pending CN114209283A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111617321.2A CN114209283A (zh) 2021-12-27 2021-12-27 一种基于脑机空间复杂度的术中疼痛检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111617321.2A CN114209283A (zh) 2021-12-27 2021-12-27 一种基于脑机空间复杂度的术中疼痛检测方法

Publications (1)

Publication Number Publication Date
CN114209283A true CN114209283A (zh) 2022-03-22

Family

ID=80706328

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111617321.2A Pending CN114209283A (zh) 2021-12-27 2021-12-27 一种基于脑机空间复杂度的术中疼痛检测方法

Country Status (1)

Country Link
CN (1) CN114209283A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201622650A (zh) * 2014-12-27 2016-07-01 Nat Inst Chung Shan Science & Technology 一種腦電波分析的方法
CN107280664A (zh) * 2017-07-26 2017-10-24 中国科学院心理研究所 一种基于疼痛脑响应的术前及术中麻醉深度评估的方法
CN109512442A (zh) * 2018-12-21 2019-03-26 杭州电子科技大学 一种基于LightGBM的EEG疲劳状态分类方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201622650A (zh) * 2014-12-27 2016-07-01 Nat Inst Chung Shan Science & Technology 一種腦電波分析的方法
CN107280664A (zh) * 2017-07-26 2017-10-24 中国科学院心理研究所 一种基于疼痛脑响应的术前及术中麻醉深度评估的方法
CN109512442A (zh) * 2018-12-21 2019-03-26 杭州电子科技大学 一种基于LightGBM的EEG疲劳状态分类方法

Similar Documents

Publication Publication Date Title
Boostani et al. A comparative review on sleep stage classification methods in patients and healthy individuals
Khalighi et al. Automatic sleep staging: A computer assisted approach for optimal combination of features and polysomnographic channels
Diambra et al. Epileptic activity recognition in EEG recording
Acharya et al. Automated diagnosis of epileptic EEG using entropies
Sabeti et al. Entropy and complexity measures for EEG signal classification of schizophrenic and control participants
Guo et al. Epileptic seizure detection using multiwavelet transform based approximate entropy and artificial neural networks
Übeyli Lyapunov exponents/probabilistic neural networks for analysis of EEG signals
Giri et al. Automated diagnosis of coronary artery disease affected patients using LDA, PCA, ICA and discrete wavelet transform
US10321840B2 (en) Development of fully-automated classifier builders for neurodiagnostic applications
Bairy et al. Automated diagnosis of depression electroencephalograph signals using linear prediction coding and higher order spectra features
EP0856181A2 (de) Verfahren und vorrichtung zur auswertung eines narkose- oder intensiv-eeg
CN113017627B (zh) 一种基于双通道相位同步特征融合的抑郁症和双相障碍脑网络分析方法
Babaeian et al. Driver drowsiness detection algorithms using electrocardiogram data analysis
Baghizadeh et al. A new emotion detection algorithm using extracted features of the different time-series generated from ST intervals Poincaré map
Karmakar et al. Risk stratification of cardiac autonomic neuropathy based on multi-lag Tone–Entropy
Bakheet et al. Linear and nonlinear analysis of intrinsic mode function after facial stimuli presentation in children with autism spectrum disorder
Wen et al. Construction and cross-correlation analysis of the affective physiological response database
Choudhury et al. Epileptic seizure detection employing cross-hyperbolic stockwell transform
Obeidat et al. EEG based epilepsy diagnosis system using reconstruction phase space and naive Bayes classifier
CN114209283A (zh) 一种基于脑机空间复杂度的术中疼痛检测方法
Kumari et al. Correlation and relief attribute rank-based feature selection methods for detection of alcoholic disorder using electroencephalogram signals
Prabhakar et al. EM based non-linear regression and singular value decomposition for epilepsy classification
Übeyli Implementing eigenvector methods/probabilistic neural networks for analysis of EEG signals
Sun et al. Weighted directed graph-based automatic seizure detection with effective brain connectivity for EEG signals
CN113907770A (zh) 基于特征融合的棘慢复合波检测识别方法及系统

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