CN115040140B - 一种基于深度学习的实时麻醉深度监测系统 - Google Patents
一种基于深度学习的实时麻醉深度监测系统 Download PDFInfo
- Publication number
- CN115040140B CN115040140B CN202210760283.4A CN202210760283A CN115040140B CN 115040140 B CN115040140 B CN 115040140B CN 202210760283 A CN202210760283 A CN 202210760283A CN 115040140 B CN115040140 B CN 115040140B
- Authority
- CN
- China
- Prior art keywords
- data
- network
- electroencephalogram
- state
- anesthesia
- 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 118
- 230000037005 anaesthesia Effects 0.000 title claims abstract description 118
- 238000012544 monitoring process Methods 0.000 title claims abstract description 27
- 238000013135 deep learning Methods 0.000 title abstract description 8
- 210000004556 brain Anatomy 0.000 claims abstract description 72
- 238000003062 neural network model Methods 0.000 claims abstract description 21
- 230000003444 anaesthetic effect Effects 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 claims abstract description 15
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 230000005611 electricity Effects 0.000 claims abstract description 10
- 239000003814 drug Substances 0.000 claims abstract description 9
- 229940079593 drug Drugs 0.000 claims abstract description 9
- 230000009471 action Effects 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 102
- 239000000523 sample Substances 0.000 claims description 91
- 238000012360 testing method Methods 0.000 claims description 53
- 230000006870 function Effects 0.000 claims description 24
- 238000000034 method Methods 0.000 claims description 23
- 230000008014 freezing Effects 0.000 claims description 18
- 238000007710 freezing Methods 0.000 claims description 18
- 238000010257 thawing Methods 0.000 claims description 12
- 239000003193 general anesthetic agent Substances 0.000 claims description 10
- 230000006698 induction Effects 0.000 claims description 9
- 230000001939 inductive effect Effects 0.000 claims description 9
- 238000012423 maintenance Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 9
- 230000002618 waking effect Effects 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 6
- 238000011084 recovery Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- OLBCVFGFOZPWHH-UHFFFAOYSA-N propofol Chemical compound CC(C)C1=CC=CC(C(C)C)=C1O OLBCVFGFOZPWHH-UHFFFAOYSA-N 0.000 claims description 4
- 229960004134 propofol Drugs 0.000 claims description 4
- 238000012952 Resampling Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- DPYMFVXJLLWWEU-UHFFFAOYSA-N desflurane Chemical compound FC(F)OC(F)C(F)(F)F DPYMFVXJLLWWEU-UHFFFAOYSA-N 0.000 claims description 3
- 229960003537 desflurane Drugs 0.000 claims description 3
- 210000001061 forehead Anatomy 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 239000003550 marker Substances 0.000 claims description 3
- 239000013610 patient sample Substances 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 230000006835 compression Effects 0.000 description 3
- 238000007906 compression Methods 0.000 description 3
- 238000002347 injection Methods 0.000 description 3
- 239000007924 injection Substances 0.000 description 3
- 239000004081 narcotic agent Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 208000032358 Intraoperative Awareness Diseases 0.000 description 1
- 229920001774 Perfluoroether Polymers 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 230000036407 pain Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 210000001747 pupil Anatomy 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- 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
- A61B5/369—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
- A61B5/48—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
- A61B5/7203—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
-
- 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
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- 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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Medical Informatics (AREA)
- Veterinary Medicine (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Psychology (AREA)
- Fuzzy Systems (AREA)
- Anesthesiology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种基于深度学习的实时麻醉深度监测系统，属于医疗麻醉技术领域，包括初始化模块、脑电采集模块、数据预处理模块、特征提取模块和多任务神经网络模块；初始化模块用于生成记录信息所需的空白表格，并记录所用麻醉药物和麻醉药物作用下的患者的生理特征信息；脑电采集模块用于采集患者临床手术中的脑电数据；数据预处理模块用于对采集到的脑电数据进行预处理；状态标记模块用于临床医生对脑电数据进行麻醉状态的标记；特征提取模块用于计算脑电特征；多任务神经网络模块用于存储用于临床预测麻醉深度和麻醉状态的多任务深度神经网络模型。本发明能够同时麻醉深度指标和麻醉状态估计，并能应用于不同年龄段人群和不同的药物。
Description
技术领域
本发明涉及医疗麻醉技术领域，尤其是一种基于深度学习的实时麻醉深度监测系统。
背景技术
稳定的麻醉过程是许多外科手术顺利进行的基础，根据手术的不同，麻醉所需的深度和麻醉持续的时间也不尽相同。然而，目前的麻醉实施大多通过麻醉师根据患者的血压、心率和瞳孔等生命体征估计患者的麻醉深度，从而把握麻醉药物的注射剂量，显然这种依赖专家经验的麻醉方式难免会出现麻醉药物注射不足或过量的情况。麻醉药物注射不足可能引发术中知晓，给患者带来痛苦的回忆，而过多的麻醉药物则会延长患者的预后时间，甚至造成患者的死亡。因此，麻醉领域需要一种智能化、精准化的麻醉深度监测手段用于指导麻醉实施。
目前，多数麻醉深度指标是基于脑电提取的，因脑电具有无创、简便的优势，并具有较高的时间分辨率。但是，已有的研究表明麻醉下的脑电在不同年龄段有着显著的差异，这使得可以广泛应用于成人的麻醉深度监护产品无法用于老年人。此外，不同的药物的影响下，脑电特征也有明显差别。故现在亟需一种鲁棒的麻醉深度指标，且这种麻醉深度指标能克服患者间的差异，广泛的应用于不同年龄段的人群，并在不同的麻醉药物下发挥相近的性能。
发明内容
本发明需要解决的技术问题是提供一种基于深度学习的实时麻醉深度监测系统，能够同时麻醉深度指标和麻醉状态估计，并能应用于不同年龄段人群和不同的药物。
为解决上述技术问题，本发明所采用的技术方案是：
一种基于深度学习的实时麻醉深度监测系统，包括初始化模块、脑电采集模块、数据预处理模块、状态标记模块、特征提取模块和多任务神经网络模块；
所述初始化模块：用于生成记录信息所需的空白表格，并记录所用麻醉药物和麻醉药物作用下的患者的生理特征信息；
所述脑电采集模块：用于采集患者临床手术中的脑电数据；
所述数据预处理模块：用于对采集到的脑电数据进行预处理；
所述状态标记模块：用于临床医生对脑电数据进行麻醉状态的标记；
所述特征提取模块：用于计算脑电特征，所述脑电特征包括排序熵、样本熵、近似熵、同步快慢比、边缘频率、中值频率、状态熵、反应熵、δ频带比率、θ频带比率、α频带比率、β频带比率、γ频带比率、去趋势波动分析和排列Lempel-Ziv复杂度；
所述多任务神经网络模块：用于存储多任务深度神经网络模型，多任务深度神经网络模型用于临床预测麻醉深度和麻醉状态。
本发明技术方案的进一步改进在于：所述监测系统应用的监测方法，包括以下步骤：
S1、利用初始化模块记录不同麻醉药物作用下的患者的生理特征信息，包括身高、体重、性别和年龄，获取患者临床手术中的脑电数据和脑电双频指数数据；
S2、利用脑电采集模块采集患者的前额双通道脑电信号；
S3、选择双通道脑电信号中一个脑电通道，利用数据预处理模块对采集到的脑电数据进行预处理后得到脑电双频指数；
S4、利用状态标记模块根据脑电波形、脑电双频指数波形和临床医生记录对脑电数据进行麻醉状态的标记；
S5、使用预处理后的脑电数据，利用特征提取模块根据10秒的窗长计算脑电特征，窗口的重叠率为90％；
S6、构造多任务深度神经网络模型教师网和学生网，基于患者生理特征信息、麻醉状态标注信息、脑电特征信息和脑电双频指数构建模型对应的训练集；
S7、将训练集中的样本输入到所建立的多任务深度神经网络模型中的教师网模型中，训练教师网；
S8、利用教师网进行特征数据的选择，特征数据包括脑电特征信息和生理特征信息；
S9、将训练集中的样本输入到所建立的学生网模型中，训练学生网。
本发明技术方案的进一步改进在于：在所述S3中，需要预处理的脑电信号为采样率128Hz下的单通道时间序列信号x＝(x1,x2,……,xn)T,其中，x为第T秒的脑电数据，长度n为128；
所述S3具体包括以下步骤：
S301、脑电滤波，将原始脑电信号进行带通滤波，带通滤波器的工作频率范围0.1～45Hz；
S302、插值对齐，以1秒作为时间段计算每秒去噪后保留的脑电数据的长度，若某一秒脑电保留的数据小于此秒脑电的90％，则将此秒脑电数据和此秒对应的脑电双频指数全部删除，若保留的数据大于此秒脑电的90％，则通过重采样将该秒脑电数据恢复至原始脑电长度；
S303、去除脑电双频指数异常值，去除大于100或小于0的脑电双频指数，以及这些脑电双频指数对应时刻的脑电数据。
本发明技术方案的进一步改进在于：S4中，麻醉数据标记为5种状态：
清醒状态：未给药时脑电双频指数大于90的阶段；
诱导状态：清醒期之后脑电双频指数快速下降的阶段；
维持状态：诱导期之后脑电双频指数维持在40～60的阶段；
恢复状态：维持期之后脑电双频指数逐渐增加直至患者恢复意识的阶段；
“X状态”：任何不能明确认为是清醒、诱导、维持、恢复四者之一的状态，如过渡阶段。
本发明技术方案的进一步改进在于：S6中，具体包括以下步骤：
S601、构造两个结构相同、输入样本形状不同的多任务组合神经网络，组合神经网络由一个共享的GRU网络和两个分别用于预测脑电双频指数和预测麻醉状态的BP网络组成；
S602、从丙泊酚和地氟醚麻醉数据中各随机选择15名患者样本作为测试集，剩下的样本被用于制作训练集；
S603、分割数据，将患者的脑电特征信息和生理特征信息合并为特征数据，将特征数据按麻醉状态分割成5部分；
S604、构建样本池，对于各个部分的特征数据，将每连续30个特征数据作为一个样本，样本将麻醉状态和第30个特征数据对应时刻的脑电双频指数作为标签，构建5个样本池，分别为清醒样本池、诱导样本池、维持样本池，恢复样本池，X状态样本池；
S605、构建教师网训练集Set30,nX，从清醒、诱导、维持和恢复这四个样本池中随机选取样本，使训练集中来自来不同麻醉药物、各个麻醉状态的样本的数量相同，最终生成训练集Set30,nX，即该训练集中每个样本的历史数据为30秒，且不包含“X状态”的样本；
S606、构建教师网训练集Set30,X，从清醒、诱导、维持、恢复和X状态样本池中随机选取样本，使训练集中来自来不同麻醉药物、各个麻醉状态的样本的数量相同，最终生成训练集Set30,X，即该训练集中每个样本的历史数据为30秒，且包含“X状态”的样本；
S607、构建学生网训练集Set10,nX，移除训练集Set30,nX中每个样本的前20个特征数据，生成训练集Set10,nX，即该训练集中每个样本的历史数据为10秒，且不包含“X状态”的样本；
S608、构建学生网训练集Set10,X，移除训练集Set10,X中每个样本的前20个特征数据，生成训练集Set10,X，即该训练集中每个样本的历史数据为10秒，且包含“X状态”的样本；
除历史数据长度外，Set30,nX的样本和Set10,nX相同，Set30,X的样本和Set10,X相同。
本发明技术方案的进一步改进在于：S601中，输入样本形状为(30,19)的模型命名为教师网，输入样本形状为(10,19-a)的模型命名为学生网，其中a为在S8中基于特征选择移除的特征的数量。
本发明技术方案的进一步改进在于：教师网和学生网的可训练参数使用误差反向传播算法向损失函数最小化的方向反复调整，损失函数L包括回归损失函数Lr和分类损失函数Lc，公式如下：
其中，N1是喂入样本的批次大小,Y1是归一化后的脑电双频指数，是预测的脑电双频指数，ai是样本的状态标签，pi是预测的各个状态的概率，λr是回归损失函数加权系数，λc是分类损失函数加权系数。
本发明技术方案的进一步改进在于：S7中，训练教师网，对于一批给定数量为N1的样本，用教师网的GRU网络T-GRU将其二维特征数据压缩为一维；教师网的回归BP网络T-BPr和分类BP网络T-BPc分别根据压缩特征数据同时预测脑电双频指数和麻醉状态，公式如下：
其中，X是输入样本标准化后的标准化数据,Y1是归一化后的脑电双频指数，Y2是独热码表示的麻醉状态,F是压缩后的特征数据，fT-GRU代表T-GRU网络的映射关系，是预测的脑电双频指数，代表T-BPr网络的映射关系，是模型输出的各个麻醉状态的概率，模型预测麻醉状态时仅考虑清醒、诱导、维持和恢复这四个状态，代表T-BPc网络的映射关系；
教师网使用Aadm优化器最小化损失函数值，初始学习率lr为0.001，lr随epoch不断衰减，公式如下：
训练集中随机选取10％的数据作为验证集；
为训练教师网，具体包括以下子步骤：
S701、冻结T-BPc的可训练参数，设置λr＝1，λc＝0.001，并使用Set30,X的样本训练教师网；
S702、解冻T-BPc的可训练参数，冻结T-GRU和T-BPr的可训练参数，设置λr＝0.001，并设置λc＝1，用Set30,nX的样本训练教师网；
S703、解冻T-GRU的可训练参数，冻结T-BPc和T-BPr的可训练参数，设置λr＝0.1，设置λc＝0.8，用Set30,nX的样本训练教师网；设置λr小于λc是为了减小预测麻醉深度的BP网络传回的误差对学生网的影响，防止因Set30,nX的单一数据；
S704、解冻T-BPr的可训练参数，冻结T-GRU和T-BPc的可训练参数，设置λr＝1，设置λc＝0.001，用Set30,X的样本训练教师网；
S705、重复S702到S704，直到验证集上的损失函数值几乎不再减少。
本发明技术方案的进一步改进在于：S8中，具体包括以下步骤：
S801、在测试集上分别计算平均绝对误差MAE和正确率Acc，分别用于评价模型的回归性能和分类性能，分别记作MAEtest和Acctest；
S802、选中第1个特征；
S803、将测试集所有样本的该特征的数据置0，在调整后的测试集上分别计算MAE和Acc，记作MAE1和Acc1；
S804、计算模型性能的变化，公式如下：
ΔMAEi＝MAEi-MAEtest
ΔAcci＝Acci-Acctest
其中，MAEtest是在测试集上计算的平均绝对误差，Acctest是在测试集上计算的正确率，i代表选中的第i个特征，MAEi是测试集样本第i个特征置0后计算的平均绝对误差，Acci是测试集样本第i个特征置0后计算的正确率，ΔMAEi是测试集样本第i个特征置0后计算的平均绝对误差的变化，ΔAcci是测试集样本第i个特征置0后计算的正确率的变化；
S805、将测试集恢复原样，选中下一个特征；
S806、重复S803至S805，直至遍历所有的特征；
S807、以年龄的ΔMAE和ΔAcc为阈值，所有ΔMAE小于年龄且ΔAcc大于年龄的特征被移除。
本发明技术方案的进一步改进在于：S9中，训练学生网，对于一批给定数量为N1的样本，用学生网的GRU网络S-GRU将其二维特征数据压缩为一维；学生网的回归BP网络S-BPr和分类BP网络S-BPc分别根据压缩特征数据同时预测脑电双频指数和麻醉状态，公式如下：
学生网优化器和学习率的设置与教师网相同，训练集中随机选取10％的数据作为验证集；
为训练学生网，具体包括以下子步骤：
S901、将学生网和教师网分别拆分，对同一样本,向T-GRU和学生网的GRU网络S-GRU之间输出差异Dout最小的方向训练S-GRU，公式如下：
其中，是S-GRU输出的第i个元素，是T-GRU输出的第i个元素；
S902、组装学生网；
S903、冻结S-GRU和学生网的分类BBP网络S-BPc的的可训练参数，设置λr＝1，设置λc＝0.001，用Set10,X的样本训练学生网；
S904、解冻S-BPc的可学习参数，冻结S-GRU和S-BPr的可学习参数，设置λr＝0.001，设置λc＝1，用Set10,nX的样本训练学生网。
由于采用了上述技术方案，本发明取得的技术进步是：
1、本发明监测系统中的多任务深度神经网络模型能实时同步输出麻醉深度和麻醉状态，输出的麻醉状态可以帮助麻醉师判断患者当前的麻醉状态，输出的麻醉深度指标可以提供一个精确的数值为麻醉师的给药提供数据支持。
2、本发明监测系统中的多任务深度神经网络模型模型兼顾了高精度和实时性，教师网每预测一次麻醉深度和麻醉状态需要输入所有特征的30秒历史数据，学生网每预测一次麻醉深度和麻醉状态需要输入被选出的特征的10秒历史数据。
3、本发明设计的多任务深度神经网络模型中，学生网和教师网都根据压缩特征预测麻醉深度和麻醉状态，本发明所述的为训练学生网所设计的步骤使得学生网的GRU输出的压缩特征与教师网的GRU输出的压缩特征差异尽可能小，通过这一方式间接让学生网从更多特征、更长的历史数据中学习到了更多的信息，进而提高了模型的精度，使用学生网作为最终用于临床预测麻醉深度和麻醉状态的神经网络模型。在精度几乎不变的前提下，每十万样本所需的计算时间从22.93秒(教师网)降低至10.16秒，降低了55.69％(Intel Corei5-6500HQ,2.3GHz CPU)。
4、本发明的多任务深度神经网络模型在不同药物下、麻醉的各个阶段都能实现均衡且高精度的麻醉深度和麻醉状态预测。
5、本发明的多任务深度神经网络模型的输入选取了来自频域和非线性动力学的15种脑电特征，这些脑电特征可以高效、全面地表达脑电信息，且脑电特征对脑电信号的质量要求较低，能大幅减少噪声的干扰，如PE、ApEn和SampEn等脑电特征根据脑电的相对大小计算特征值，因此不要求高精度的脑电数据，不同领域的特征使得部分脑电特征值异常时仍可以保证模型的整体效果，使模型具有更高的鲁棒性。
6、本发明中的生理特征信息在本发明的模型中对于克服相同年龄段的患者间差异、成人与老人间的差异起到了重要作用。
附图说明
图1是本发明的基于深度学习的实时麻醉深度监测方法的方法流程图；
图2是本发明的数据处理的方法流程图；
图3是本发明的教师网训练流程图；
图4是本发明的学生网训练流程图。
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：
一种基于深度学习的实时麻醉深度监测系统，包括初始化模块、脑电采集模块、数据预处理模块、状态标记模块、特征提取模块和多任务神经网络模块；
所述初始化模块：用于生成记录信息所需的空白表格，并记录所用麻醉药物和麻醉药物作用下的患者的生理特征信息；
所述脑电采集模块：用于采集患者临床手术中的脑电数据；
所述数据预处理模块：用于对采集到的脑电数据进行预处理；
所述状态标记模块：用于临床医生对脑电数据进行麻醉状态的标记；
所述特征提取模块：用于计算脑电特征，所述脑电特征包括排序熵、样本熵、近似熵、同步快慢比、边缘频率和中值频率；
所述多任务神经网络模块：用于存储多任务深度神经网络模型，多任务深度神经网络模型用于临床预测麻醉深度和麻醉状态。
如图1-4所示，基于深度学习的实时麻醉深度监测系统的监测方法，包括以下步骤：
S1、利用初始化模块记录不同麻醉药物作用下的患者的生理特征信息，包括身高、体重、性别和年龄，获取患者临床手术中的脑电数据和脑电双频指数数据；
S2、利用脑电采集模块采集患者的前额双通道脑电信号；
S3、选择双通道脑电信号中一个脑电通道，利用数据预处理模块对采集到的脑电数据进行预处理后得到脑电双频指数，需要预处理的脑电信号为采样率128Hz下的单通道时间序列信号x＝(x1,x2,……,xn)T,其中，x为第T秒的脑电数据，长度n为128，所述S3具体包括以下步骤：
S301、脑电滤波，将原始脑电信号进行带通滤波，带通滤波器的工作频率范围0.1～45Hz；
S302、插值对齐，以1秒作为时间段计算每秒去噪后保留的脑电数据的长度，若某一秒脑电保留的数据小于此秒脑电的90％，则将此秒脑电数据和此秒对应的脑电双频指数全部删除，若保留的数据大于此秒脑电的90％，则通过重采样将该秒脑电数据恢复至原始脑电长度；
S303、去除脑电双频指数异常值，去除大于100或小于0的脑电双频指数，以及这些脑电双频指数对应时刻的脑电数据。
S4、利用状态标记模块根据脑电波形、脑电双频指数波形和临床医生记录对脑电数据进行麻醉状态的标记，将麻醉数据标记为5种状态：
清醒状态：未给药时脑电双频指数大于90的阶段；
诱导状态：清醒期之后脑电双频指数快速下降的阶段；
维持状态：诱导期之后脑电双频指数维持在40～60的阶段；
恢复状态：维持期之后脑电双频指数逐渐增加直至患者恢复意识的阶段；
“X状态”：任何不能明确认为是清醒、诱导、维持、恢复四者之一的状态，如过渡阶段。
S5、使用预处理后的脑电数据，利用特征提取模块根据10秒的窗长计算脑电特征，窗口的重叠率为90％；
S6、构造多任务深度神经网络模型，基于患者生理特征信息、麻醉状态标注信息、脑电特征信息和脑电双频指数构建模型对应的训练集，所述S6具体包括以下步骤：
S601、构造两个结构相同、输入样本形状不同的多任务组合神经网络，组合神经网络由一个共享的GRU网络和两个分别用于预测脑电双频指数和预测麻醉状态的BP网络组成，将输入样本形状为(30,19)的模型命名为教师网，教师网的GRU网络(T-GRU)单元数分别为32、32、16，GRU网络的最后一层不再进行连续输出，预测脑电双频指数的BP网络(T-BPr)单元数分别为32、16、1，预测麻醉状态的BP网络(T-BPc)单元数分别为32、16、4；将输入样本形状为(10,19)的模型命名为学生网，学生网的GRU网络(S-GRU)单元数分别为32、32、16，GRU网络的最后一层不再进行连续输出，预测脑电双频指数的BP网络(S-BPr)单元数分别为32、16、1，预测麻醉状态的BP网络(S-BPc)单元数分别为32、16、4；教师网和学生网的可训练参数使用误差反向传播算法向损失函数最小化的方向反复调整，损失函数L包括回归损失函数Lr和分类损失函数Lc，公式如下：
其中，N1是喂入样本的批次大小,Y1是归一化后的脑电双频指数，是预测的脑电双频指数，ai是样本的状态标签，pi是预测的各个状态的概率，λr是回归损失函数加权系数，λc是分类损失函数加权系数；
在训练过程中会按步骤调整λr和λc控制反向传播误差的来源和大小，例如若λr远大于λc，则反向传播误差更新可训练参数时，来自分类的误差可以忽略不计，保证模型不会受到“X状态”的样本影响；
S602、从丙泊酚和地氟醚麻醉数据中各随机选择15名患者样本作为测试集，剩下的样本被用于制作训练集；
S603、分割数据，将患者的脑电特征信息和生理特征信息合并为特征数据，将特征数据按麻醉状态分割成5部分；
S604、构建样本池，对于各个部分的特征数据，将每连续30个特征数据作为一个样本，样本将麻醉状态和第30个特征数据对应时刻的脑电双频指数作为标签，构建5个样本池，分别为清醒样本池、诱导样本池、维持样本池，恢复样本池，X状态样本池；
S605、构建教师网训练集Set30,nX，从清醒、诱导、维持和恢复这四个样本池中随机选取样本，使训练集中来自来不同麻醉药物、各个麻醉状态的样本的数量相同，最终生成训练集Set30,nX，即该训练集中每个样本的历史数据为30秒，且不包含“X状态”的样本；
S606、构建教师网训练集Set30,X，从清醒、诱导、维持、恢复和X状态样本池中随机选取样本，使训练集中来自来不同麻醉药物、各个麻醉状态的样本的数量相同，最终生成训练集Set30,X，即该训练集中每个样本的历史数据为30秒，且包含“X状态”的样本；
S607、构建学生网训练集Set10,nX，移除训练集Set30,nX中每个样本的前20个特征数据，生成训练集Set10,nX，即该训练集中每个样本的历史数据为10秒，且不包含“X状态”的样本；
S608、构建学生网训练集Set10,X，移除训练集Set10,X中每个样本的前20个特征数据，生成训练集Set10,X，即该训练集中每个样本的历史数据为10秒，且包含“X状态”的样本；
除历史数据长度外，Set30,nX的样本和Set10,nX相同，Set30,X的样本和Set10,X相同。
S7、将训练集中的样本输入到所建立的多任务深度神经网络模型中的教师网模型中，训练教师网，对于一批给定数量为N1的样本，用教师网的GRU网络T-GRU将其二维特征数据压缩为一维；教师网的回归BP网络T-BPr和分类BP网络T-BPc分别根据压缩特征数据同时预测脑电双频指数和麻醉状态，公式如下：
其中，X是输入样本标准化后的标准化数据,Y1是归一化后的脑电双频指数，Y2是独热码表示的麻醉状态,F是压缩后的特征数据，fT-GRU代表T-GRU网络的映射关系，是预测的脑电双频指数，代表T-BPr网络的映射关系，是模型输出的各个麻醉状态的概率，模型预测麻醉状态时仅考虑清醒、诱导、维持和恢复这四个状态，代表T-BPc网络的映射关系；
教师网使用Aadm优化器最小化损失函数值，初始学习率lr为0.001，lr随epoch不断衰减，公式如下：
训练集中随机选取10％的数据作为验证集；
为训练教师网，具体包括以下子步骤：
S701、冻结T-BPc的可训练参数，设置λr＝1，λc＝0.001，并使用Set30,X的样本训练教师网；
S702、解冻T-BPc的可训练参数，冻结T-GRU和T-BPr的可训练参数，设置λr＝0.001，并设置λc＝1，用Set30,nX的样本训练教师网；
S703、解冻T-GRU的可训练参数，冻结T-BPc和T-BPr的可训练参数，设置λr＝0.1，设置λc＝0.8，用Set30,nX的样本训练教师网；设置λr小于λc是为了减小预测麻醉深度的BP网络传回的误差对学生网的影响，防止因Set30,nX的单一数据；
S704、解冻T-BPr的可训练参数，冻结T-GRU和T-BPc的可训练参数，设置λr＝1，设置λc＝0.001，用Set30,X的样本训练教师网；
S705、重复S702到S704，直到验证集上的损失函数值几乎不再减少(即早停机制)。
S8、利用教师网进行特征数据的选择，特征数据包括脑电特征信息和生理特征信息，目的是从19个特征数据中移除重要性相对较低的特征，在训练学生网时既能保证一定的性能，又能减少模型的计算量，提高实时性，具体包括以下子步骤：
S801、在测试集上分别计算平均绝对误差MAE和正确率Acc，分别用于评价模型的回归性能(即预测麻醉深度的性能)和分类性能(即预测麻醉状态的性能)，分别记作MAEtest和Acctest；
S802、选中第1个特征；
S803、将测试集所有样本的该特征的数据置0，在调整后的测试集上分别计算MAE和Acc，记作MAE1和Acc1；
S804、计算模型性能的变化，公式如下：
ΔMAEi＝MAEi-MAEtest
ΔAcci＝Acci-Acctest
其中，MAEtest是在测试集上计算的平均绝对误差，Acctest是在测试集上计算的正确率，i代表选中的第i个特征，MAEi是测试集样本第i个特征置0后计算的平均绝对误差，Acci是测试集样本第i个特征置0后计算的正确率，ΔMAEi是测试集样本第i个特征置0后计算的平均绝对误差的变化，ΔAcci是测试集样本第i个特征置0后计算的正确率的变化；
S805、将测试集恢复原样，选中下一个特征；
S806、重复S803至S805，直至遍历所有的特征；
S807、以年龄的ΔMAE和ΔAcc为阈值，所有ΔMAE小于年龄且ΔAcc大于年龄的特征被移除；
ΔMAE和ΔAcc用于评价的相对重要性，例如，若某个特征的ΔMAE小于年龄的ΔMAE，说明该特征的在预测麻醉深度方面的重要性劣于年龄，若某个特征的ΔAcc大于年龄的ΔAcc，说明该特征的在预测麻醉状态方面的重要性劣于年龄，以年龄为标准，同步快慢比、边缘频率、中值频率、θ频带比率、α频带比率、β频带比率、γ频带比率和年龄共8个特征被移除，最终有11个较重要的特征被保留；
S9、将训练集中的样本输入到所建立的多任务深度神经网络模型中的学生网模型中，训练学生网，对于一批给定数量为N1的样本，用学生网的GRU网络S-GRU将其二维特征数据压缩为一维；学生网的回归BP网络S-BPr和分类BP网络S-BPc分别根据压缩特征数据同时预测脑电双频指数和麻醉状态，公式如下：
学生网优化器和学习率的设置与教师网相同，训练集中随机选取10％的数据作为验证集；
为训练学生网，具体包括以下子步骤：
S901、将学生网和教师网分别拆分，对同一样本(尽管学生网的样本的历史数据从30秒缩短至10秒，特征数量从19减少至11),向T-GRU和学生网的GRU网络S-GRU之间输出差异Dout最小的方向训练S-GRU，公式如下：
其中，是S-GRU输出的第i个元素，是T-GRU输出的第i个元素；
S902、组装学生网；
S903、冻结S-GRU和学生网的分类BBP网络S-BPc的的可训练参数，设置λr＝1，设置λc＝0.001，用Set10,X的样本训练学生网；
S904、解冻S-BPc的可学习参数，冻结S-GRU和S-BPr的可学习参数，设置λr＝0.001，设置λc＝1，用Set10,nX的样本训练学生网。
训练完成后的学生网是最终用于临床预测脑电双频指数和麻醉状态的神经网络模型，该模型储存在多任务神经网络模块，每秒输出一个预测的麻醉深度和预测的麻醉状态。在15例丙泊酚患者测试集上的平均绝对误差是4.45±1.27，ROC曲线下面积为97.64±5.23％，在15例地氟醚患者测试集上的平均绝对误差是4.27±1.54，ROC曲线下面积为98.39±3.13，总体平均绝对误差是4.36±1.36，总体ROC曲线下面积为98.02±4.29。在30～40年龄段预测麻醉深度和预测麻醉状态的性能最好，平均绝对误差是3.16±0.45，ROC曲线下面积为99.75±1.47，在50～60年龄段预测麻醉深度和预测麻醉状态的性能最差，平均绝对误差是5.03±1.20，ROC曲线下面积为94.64±28.89，能满足临床需求。因此该模型生成的麻醉指标能克服患者间的差异，广泛的应用于不同年龄段的人群，并在不同的麻醉药物下发挥相近的性能。
综上所述，本发明能够同时麻醉深度指标和麻醉状态估计，并能应用于不同年龄段人群和不同的药物。
Claims (9)
1.一种基于深度学习的实时麻醉深度监测系统，其特征在于：包括初始化模块、脑电采集模块、数据预处理模块、状态标记模块、特征提取模块和多任务神经网络模块；
所述初始化模块：用于生成记录信息所需的空白表格，并记录所用麻醉药物和麻醉药物作用下的患者的生理特征信息；
所述脑电采集模块：用于采集患者临床手术中的脑电数据；
所述数据预处理模块：用于对采集到的脑电数据进行预处理；
所述状态标记模块：用于临床医生对脑电数据进行麻醉状态的标记；
所述特征提取模块：用于计算脑电特征，所述脑电特征包括排序熵、样本熵、近似熵、同步快慢比、边缘频率、中值频率、状态熵、反应熵、δ频带比率、θ频带比率、α频带比率、β频带比率、γ频带比率、去趋势波动分析和排列Lempel-Ziv复杂度；
所述多任务神经网络模块：用于存储多任务深度神经网络模型，多任务深度神经网络模型用于临床预测麻醉深度和麻醉状态；
所述监测系统应用的监测方法，包括以下步骤：
S1、利用初始化模块记录不同麻醉药物作用下的患者的生理特征信息，包括身高、体重、性别和年龄，获取患者临床手术中的脑电数据和脑电双频指数数据；
S2、利用脑电采集模块采集患者的前额双通道脑电信号；
S3、选择双通道脑电信号中一个脑电通道，利用数据预处理模块对采集到的脑电数据进行预处理后得到脑电双频指数；
S4、利用状态标记模块根据脑电波形、脑电双频指数波形和临床医生记录对脑电数据进行麻醉状态的标记；
S5、使用预处理后的脑电数据，利用特征提取模块根据10秒的窗长计算脑电特征，窗口的重叠率为90％；
S6、构造多任务深度神经网络模型教师网和学生网，基于患者生理特征信息、麻醉状态标注信息、脑电特征信息和脑电双频指数构建模型对应的训练集；
S7、将训练集中的样本输入到所建立的多任务深度神经网络模型中的教师网模型中，训练教师网；
S8、利用教师网进行特征数据的选择，特征数据包括脑电特征信息和生理特征信息；
S9、将训练集中的样本输入到所建立的学生网模型中，训练学生网。
2.根据权利要求1所述的一种基于深度学习的实时麻醉深度监测系统，其特征在于：在所述S3中，需要预处理的脑电信号为采样率128Hz下的单通道时间序列信号x＝(x1,x2,……,xn)T,其中，x为第T秒的脑电数据，长度n为128；
所述S3具体包括以下步骤：
S301、脑电滤波，将原始脑电信号进行带通滤波，带通滤波器的工作频率范围0.1～45Hz；
S302、插值对齐，以1秒作为时间段计算每秒去噪后保留的脑电数据的长度，若某一秒脑电保留的数据小于此秒脑电的90％，则将此秒脑电数据和此秒对应的脑电双频指数全部删除，若保留的数据大于此秒脑电的90％，则通过重采样将该秒脑电数据恢复至原始脑电长度；
S303、去除脑电双频指数异常值，去除大于100或小于0的脑电双频指数，以及这些脑电双频指数对应时刻的脑电数据。
3.根据权利要求1所述的一种基于深度学习的实时麻醉深度监测系统，其特征在于：S4中，麻醉数据标记为5种状态：
清醒状态：未给药时脑电双频指数大于90的阶段；
诱导状态：清醒期之后脑电双频指数快速下降的阶段；
维持状态：诱导期之后脑电双频指数维持在40～60的阶段；
恢复状态：维持期之后脑电双频指数逐渐增加直至患者恢复意识的阶段；
“X状态”：任何不能明确认为是清醒、诱导、维持、恢复四者之一的状态，如过渡阶段。
4.根据权利要求1所述的一种基于深度学习的实时麻醉深度监测系统，其特征在于：S6中，具体包括以下步骤：
S601、构造两个结构相同、输入样本形状不同的多任务组合神经网络，组合神经网络由一个共享的GRU网络和两个分别用于预测脑电双频指数和预测麻醉状态的BP网络组成；
S602、从丙泊酚和地氟醚麻醉数据中各随机选择15名患者样本作为测试集，剩下的样本被用于制作训练集；
S603、分割数据，将患者的脑电特征信息和生理特征信息合并为特征数据，将特征数据按麻醉状态分割成5部分；
S604、构建样本池，对于各个部分的特征数据，将每连续30个特征数据作为一个样本，样本将麻醉状态和第30个特征数据对应时刻的脑电双频指数作为标签，构建5个样本池，分别为清醒样本池、诱导样本池、维持样本池，恢复样本池，X状态样本池；
S605、构建教师网训练集Set30,nX，从清醒、诱导、维持和恢复这四个样本池中随机选取样本，使训练集中来自来不同麻醉药物、各个麻醉状态的样本的数量相同，最终生成训练集Set30,nX，即该训练集中每个样本的历史数据为30秒，且不包含“X状态”的样本；
S606、构建教师网训练集Set30,X，从清醒、诱导、维持、恢复和X状态样本池中随机选取样本，使训练集中来自来不同麻醉药物、各个麻醉状态的样本的数量相同，最终生成训练集Set30,X，即该训练集中每个样本的历史数据为30秒，且包含“X状态”的样本；
S607、构建学生网训练集Set10,nX，移除训练集Set30,nX中每个样本的前20个特征数据，生成训练集Set10,nX，即该训练集中每个样本的历史数据为10秒，且不包含“X状态”的样本；
S608、构建学生网训练集Set10,X，移除训练集Set10,X中每个样本的前20个特征数据，生成训练集Set10,X，即该训练集中每个样本的历史数据为10秒，且包含“X状态”的样本；
除历史数据长度外，Set30,nX的样本和Set10,nX相同，Set30,X的样本和Set10,X相同。
5.根据权利要求4所述的一种基于深度学习的实时麻醉深度监测系统，其特征在于：S601中，输入样本形状为(30,19)的模型命名为教师网，输入样本形状为(10,19-a)的模型命名为学生网，其中a为在S8中基于特征选择移除的特征的数量。
6.根据权利要求1所述的一种基于深度学习的实时麻醉深度监测系统，其特征在于：教师网和学生网的可训练参数使用误差反向传播算法向损失函数最小化的方向反复调整，损失函数L包括回归损失函数Lr和分类损失函数Lc，公式如下：
其中，N1是喂入样本的批次大小,Y1是归一化后的脑电双频指数，是预测的脑电双频指数，ai是样本的状态标签，pi是预测的各个状态的概率，λr是回归损失函数加权系数，λc是分类损失函数加权系数。
7.根据权利要求1所述的一种基于深度学习的实时麻醉深度监测系统，其特征在于：S7中，训练教师网，对于一批给定数量为N1的样本，用教师网的GRU网络T-GRU将其二维特征数据压缩为一维；教师网的回归BP网络T-BPr和分类BP网络T-BPc分别根据压缩特征数据同时预测脑电双频指数和麻醉状态，公式如下：
其中，X是输入样本标准化后的标准化数据,Y1是归一化后的脑电双频指数，Y2是独热码表示的麻醉状态,F是压缩后的特征数据，fT-GRU代表T-GRU网络的映射关系，是预测的脑电双频指数，代表T-BPr网络的映射关系，是模型输出的各个麻醉状态的概率，模型预测麻醉状态时仅考虑清醒、诱导、维持和恢复这四个状态，代表T-BPc网络的映射关系；
教师网使用Aadm优化器最小化损失函数值，初始学习率lr为0.001，lr随epoch不断衰减，公式如下：
训练集中随机选取10％的数据作为验证集；
为训练教师网，具体包括以下子步骤：
S701、冻结T-BPc的可训练参数，设置λr＝1，λc＝0.001，并使用Set30,X的样本训练教师网；
S702、解冻T-BPc的可训练参数，冻结T-GRU和T-BPr的可训练参数，设置λr＝0.001，并设置λc＝1，用Set30,nX的样本训练教师网；
S703、解冻T-GRU的可训练参数，冻结T-BPc和T-BPr的可训练参数，设置λr＝0.1，设置λc＝0.8，用Set30,nX的样本训练教师网；设置λr小于λc是为了减小预测麻醉深度的BP网络传回的误差对学生网的影响，防止因Set30,nX的单一数据；
S704、解冻T-BPr的可训练参数，冻结T-GRU和T-BPc的可训练参数，设置λr＝1，设置λc＝0.001，用Set30,X的样本训练教师网；
S705、重复S702到S704，直到验证集上的损失函数值几乎不再减少。
8.根据权利要求1所述的一种基于深度学习的实时麻醉深度监测系统，其特征在于：S8中，具体包括以下步骤：
S801、在测试集上分别计算平均绝对误差MAE和正确率Acc，分别用于评价模型的回归性能和分类性能，分别记作MAEtest和Acctest；
S802、选中第1个特征；
S803、将测试集所有样本的该特征的数据置0，在调整后的测试集上分别计算MAE和Acc，记作MAE1和Acc1；
S804、计算模型性能的变化，公式如下：
ΔMAEi＝MAEi-MAEtest
ΔAcci＝Acci-Acctest
其中，MAEtest是在测试集上计算的平均绝对误差，Acctest是在测试集上计算的正确率，i代表选中的第i个特征，MAEi是测试集样本第i个特征置0后计算的平均绝对误差，Acci是测试集样本第i个特征置0后计算的正确率，ΔMAEi是测试集样本第i个特征置0后计算的平均绝对误差的变化，ΔAcci是测试集样本第i个特征置0后计算的正确率的变化；
S805、将测试集恢复原样，选中下一个特征；
S806、重复S803至S805，直至遍历所有的特征；
S807、以年龄的ΔMAE和ΔAcc为阈值，所有ΔMAE小于年龄且ΔAcc大于年龄的特征被移除。
9.根据权利要求1所述的一种基于深度学习的实时麻醉深度监测系统，其特征在于：S9中，训练学生网，对于一批给定数量为N1的样本，用学生网的GRU网络S-GRU将其二维特征数据压缩为一维；学生网的回归BP网络S-BPr和分类BP网络S-BPc分别根据压缩特征数据同时预测脑电双频指数和麻醉状态，公式如下：
学生网优化器和学习率的设置与教师网相同，训练集中随机选取10％的数据作为验证集；
为训练学生网，具体包括以下子步骤：
S901、将学生网和教师网分别拆分，对同一样本,向T-GRU和学生网的GRU网络S-GRU之间输出差异Dout最小的方向训练S-GRU，公式如下：
其中，是S-GRU输出的第i个元素，是T-GRU输出的第i个元素；
S902、组装学生网；
S903、冻结S-GRU和学生网的分类BBP网络S-BPc的的可训练参数，设置λr＝1，设置λc＝0.001，用Set10,X的样本训练学生网；
S904、解冻S-BPc的可学习参数，冻结S-GRU和S-BPr的可学习参数，设置λr＝0.001，设置λc＝1，用Set10,nX的样本训练学生网。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210760283.4A CN115040140B (zh) | 2022-06-29 | 2022-06-29 | 一种基于深度学习的实时麻醉深度监测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210760283.4A CN115040140B (zh) | 2022-06-29 | 2022-06-29 | 一种基于深度学习的实时麻醉深度监测系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115040140A CN115040140A (zh) | 2022-09-13 |
| CN115040140B true CN115040140B (zh) | 2024-08-02 |
Family
ID=83165620
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210760283.4A Active CN115040140B (zh) | 2022-06-29 | 2022-06-29 | 一种基于深度学习的实时麻醉深度监测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115040140B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116173345B (zh) * | 2023-02-28 | 2023-12-12 | 长沙市妇幼保健院(长沙市妇幼保健计划生育服务中心) | 闭环自调节ai注射泵 |
| CN116168035B (zh) * | 2023-04-26 | 2023-06-30 | 首都医科大学附属北京天坛医院 | 一种脑熵的确定方法、系统、电子设备及存储介质 |
| CN117653147B (zh) * | 2024-01-31 | 2024-04-26 | 长春理工大学 | 一种基于脑电信号特征的分类方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111616681A (zh) * | 2020-05-31 | 2020-09-04 | 天津大学 | 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 |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2003241369A1 (en) * | 2003-05-06 | 2005-01-21 | Everest Biomedical Instruments | Anesthesia and sedation monitoring system and method |
| CN101449974A (zh) * | 2007-12-05 | 2009-06-10 | 李小俚 | 一种自动实时估计麻醉深度的方法 |
| KR101893596B1 (ko) * | 2016-12-22 | 2018-08-31 | 고려대학교 산학협력단 | 진정마취심도 모니터링 방법 및 그 장치 |
| CN109785847B (zh) * | 2019-01-25 | 2021-04-30 | 东华大学 | 基于动态残差网络的音频压缩算法 |
| EP3831286A1 (en) * | 2019-12-06 | 2021-06-09 | École Normale Supérieure Paris-Saclay | System and method for predicting depth of anesthesia |
| CN111544855B (zh) * | 2020-04-30 | 2021-08-31 | 天津大学 | 基于蒸馏学习和深度学习纯意念控制智能康复方法及应用 |
| CN112493995B (zh) * | 2020-11-27 | 2022-03-11 | 燕山大学 | 一种适用不同年龄患者的麻醉状态评估系统及方法 |
| CN112587154B (zh) * | 2020-12-29 | 2023-08-15 | 深圳美格尔生物医疗集团有限公司 | 脑电双频谱监测信号采集装置和系统 |
| CN216257042U (zh) * | 2021-07-13 | 2022-04-12 | 深圳技术大学 | 一种多模态麻醉深度评估系统 |
| CN113491506B (zh) * | 2021-08-06 | 2024-05-17 | 中科搏锐（北京）科技有限公司 | 一种基于深度卷积网络的脑电信号处理方法及其设备 |
| CN114176526B (zh) * | 2021-12-29 | 2024-05-07 | 杭州电子科技大学 | 基于新型神经架构搜索的穿戴式膀胱充盈检测方法及装置 |
-
2022
- 2022-06-29 CN CN202210760283.4A patent/CN115040140B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111616681A (zh) * | 2020-05-31 | 2020-09-04 | 天津大学 | 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115040140A (zh) | 2022-09-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115040140B (zh) | 一种基于深度学习的实时麻醉深度监测系统 | |
| Afshar et al. | A combinatorial deep learning structure for precise depth of anesthesia estimation from EEG signals | |
| Zhang et al. | Sleep stage classification using bidirectional lstm in wearable multi-sensor systems | |
| CH716863B1 (de) | Verfahren zum Erstellen eines Depressionserkennungs-Klassifikationsmodells basierend auf einer Kanalauswahl von Mehrkanal-Elektroenzephalographie. | |
| Krauss et al. | Analysis of multichannel eeg patterns during human sleep: a novel approach | |
| CN104470425A (zh) | 感知失去检测 | |
| Engin et al. | The classification of human tremor signals using artificial neural network | |
| CN112493995B (zh) | 一种适用不同年龄患者的麻醉状态评估系统及方法 | |
| CN114177415A (zh) | 一种基于脑电信号监测老人麻醉靶控智能化方法及系统 | |
| Sarà et al. | Complexity loss in physiological time series of patients in a vegetative state | |
| CN105593860B (zh) | 用于确定复合评分分布的装置和患者健康状态确定器 | |
| CN110752002A (zh) | 一种药物用量预测装置 | |
| CN114177414A (zh) | 一种基于脑电信号监测成人麻醉靶控智能化方法及系统 | |
| CN113974557A (zh) | 基于脑电奇异谱分析的深度神经网络麻醉深度分析方法 | |
| Khanmohammadi et al. | Intrinsic network reactivity differentiates levels of consciousness in comatose patients | |
| Han et al. | Disentangled adversarial transfer learning for physiological biosignals | |
| CN115602317A (zh) | 一种基于深度学习的七点血糖预测模型构建方法及装置 | |
| CN111696011B (zh) | 一种监测与调控学生自主学习系统及其方法 | |
| Hussein et al. | Accurate method for sleep stages classification using discriminated features and single eeg channel | |
| CN110415778B (zh) | 一种基于云数据的个人健康数据管理方法及系统 | |
| Zheng et al. | Adaptive sedation monitoring from EEG in ICU patients with online learning | |
| Locharla et al. | EEG-based deep learning neural net for apnea detection | |
| Xie et al. | Prediction of chronic obstructive pulmonary disease exacerbation using physiological time series patterns | |
| Wen et al. | Classification of ERP signals from mild cognitive impairment patients with diabetes using dual input encoder convolutional neural network | |
| Li et al. | Synergy through integration of digital cognitive tests and wearable devices for mild cognitive impairment screening |
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 |