CN115054828A - 脉冲发生器、医疗系统及计算机可读存储介质 - Google Patents
脉冲发生器、医疗系统及计算机可读存储介质 Download PDFInfo
- Publication number
- CN115054828A CN115054828A CN202210880324.3A CN202210880324A CN115054828A CN 115054828 A CN115054828 A CN 115054828A CN 202210880324 A CN202210880324 A CN 202210880324A CN 115054828 A CN115054828 A CN 115054828A
- Authority
- CN
- China
- Prior art keywords
- pulse generator
- patient
- configuration information
- training
- 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.)
- Granted
Links
- 230000000638 stimulation Effects 0.000 claims abstract description 158
- 230000000694 effects Effects 0.000 claims abstract description 36
- 238000013145 classification model Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims description 147
- 238000013136 deep learning model Methods 0.000 claims description 61
- 238000000034 method Methods 0.000 claims description 56
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 50
- 238000004364 calculation method Methods 0.000 claims description 46
- 230000008569 process Effects 0.000 claims description 30
- 208000035475 disorder Diseases 0.000 claims description 26
- 201000010099 disease Diseases 0.000 claims description 24
- 238000002372 labelling Methods 0.000 claims description 10
- 208000019901 Anxiety disease Diseases 0.000 claims description 8
- 208000021384 Obsessive-Compulsive disease Diseases 0.000 claims description 8
- 230000036506 anxiety Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 8
- 208000024827 Alzheimer disease Diseases 0.000 claims description 7
- 206010003805 Autism Diseases 0.000 claims description 7
- 208000020706 Autistic disease Diseases 0.000 claims description 7
- 208000020925 Bipolar disease Diseases 0.000 claims description 7
- 208000023105 Huntington disease Diseases 0.000 claims description 7
- 208000026139 Memory disease Diseases 0.000 claims description 7
- 208000019022 Mood disease Diseases 0.000 claims description 7
- 208000018737 Parkinson disease Diseases 0.000 claims description 7
- 230000003542 behavioural effect Effects 0.000 claims description 7
- 230000006996 mental state Effects 0.000 claims description 7
- 208000028173 post-traumatic stress disease Diseases 0.000 claims description 7
- 206010044565 Tremor Diseases 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 abstract description 13
- 238000003745 diagnosis Methods 0.000 abstract description 6
- 230000008859 change Effects 0.000 description 16
- 230000006870 function Effects 0.000 description 15
- 230000009286 beneficial effect Effects 0.000 description 11
- 210000004556 brain Anatomy 0.000 description 11
- 230000003993 interaction Effects 0.000 description 9
- 238000013461 design Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 210000001519 tissue Anatomy 0.000 description 7
- 210000002569 neuron Anatomy 0.000 description 6
- 208000024891 symptom Diseases 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 210000005036 nerve Anatomy 0.000 description 5
- 208000002193 Pain Diseases 0.000 description 4
- 230000002035 prolonged effect Effects 0.000 description 4
- 230000001737 promoting effect Effects 0.000 description 4
- 238000013256 Gubra-Amylin NASH model Methods 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 125000004122 cyclic group Chemical group 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007383 nerve stimulation Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 210000005013 brain tissue Anatomy 0.000 description 2
- 239000002775 capsule Substances 0.000 description 2
- 230000000747 cardiac effect Effects 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 208000024714 major depressive disease Diseases 0.000 description 2
- 210000001009 nucleus accumben Anatomy 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000005424 photoluminescence Methods 0.000 description 2
- 238000002600 positron emission tomography Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 208000020016 psychiatric disease Diseases 0.000 description 2
- 210000002637 putamen Anatomy 0.000 description 2
- 238000011897 real-time detection Methods 0.000 description 2
- 210000000278 spinal cord Anatomy 0.000 description 2
- 230000007384 vagal nerve stimulation Effects 0.000 description 2
- 208000034048 Asymptomatic disease Diseases 0.000 description 1
- 206010010904 Convulsion Diseases 0.000 description 1
- 208000019695 Migraine disease Diseases 0.000 description 1
- 208000016285 Movement disease Diseases 0.000 description 1
- 208000012902 Nervous system disease Diseases 0.000 description 1
- 208000025966 Neurological disease Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 208000028683 bipolar I disease Diseases 0.000 description 1
- 210000001159 caudate nucleus Anatomy 0.000 description 1
- 230000001054 cortical effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 238000012377 drug delivery Methods 0.000 description 1
- 206010013663 drug dependence Diseases 0.000 description 1
- 206010015037 epilepsy Diseases 0.000 description 1
- 201000006517 essential tremor Diseases 0.000 description 1
- 210000001723 extracellular space Anatomy 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 210000003194 forelimb Anatomy 0.000 description 1
- 230000002496 gastric effect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 206010027599 migraine Diseases 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000000926 neurological effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 210000000578 peripheral nerve Anatomy 0.000 description 1
- 230000002980 postoperative effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 208000011117 substance-related disease Diseases 0.000 description 1
- 230000000946 synaptic effect Effects 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 210000001364 upper extremity Anatomy 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N1/00—Electrotherapy; Circuits therefor
- A61N1/18—Applying electric currents by contact electrodes
- A61N1/32—Applying electric currents by contact electrodes alternating or intermittent currents
- A61N1/36—Applying electric currents by contact electrodes alternating or intermittent currents for stimulation
- A61N1/3605—Implantable neurostimulators for stimulating central or peripheral nerve system
-
- 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
-
- 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
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N1/00—Electrotherapy; Circuits therefor
- A61N1/18—Applying electric currents by contact electrodes
- A61N1/32—Applying electric currents by contact electrodes alternating or intermittent currents
- A61N1/36—Applying electric currents by contact electrodes alternating or intermittent currents for stimulation
- A61N1/3605—Implantable neurostimulators for stimulating central or peripheral nerve system
- A61N1/36128—Control systems
- A61N1/36135—Control systems using physiological parameters
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Psychiatry (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Physiology (AREA)
- Neurology (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Neurosurgery (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Child & Adolescent Psychology (AREA)
- Developmental Disabilities (AREA)
- Educational Technology (AREA)
- Hospice & Palliative Care (AREA)
- Psychology (AREA)
- Social Psychology (AREA)
- Electrotherapy Devices (AREA)
Abstract
本申请提供了脉冲发生器、医疗系统及计算机可读存储介质,脉冲发生器包括处理器,处理器被配置成执行以下步骤:S1:利用电极导线感测患者的电生理活动,以得到患者的电生理信号;S2:将患者的电生理信号输入状态分类模型,以得到患者的状态分类结果;S3:获取患者的状态分类结果对应的脉冲发生器的期望配置信息;S4:检测脉冲发生器的当前配置信息与期望配置信息是否匹配;如果不匹配,则执行S5;如果相匹配,则在经过第一预设时长后执行S1;S5:利用脉冲发生器的期望配置信息对脉冲发生器的一个或多个刺激参数进行更新,在经过第二预设时长后执行S1;其中,第二预设时长小于第一预设时长。实现基于状态诊断的自适应刺激功能。
Description
技术领域
本申请涉及植入式器械、脑深部电刺激、深度学习的技术领域,尤其涉及脉冲发生器、医疗系统及计算机可读存储介质。
背景技术
随着科技发展和社会进步,患者渴望通过各种治疗手段来提高生命质量,其中医疗器械,尤其是植入式器械的应用前景非常广阔。植入式器械是指借助手术全部或者部分进入人体内或腔道(口)中,或者用于替代人体上皮表面或眼表面,并且在手术过程结束后留在人体内30日(含)以上或者被人体吸收的医疗器械。刺激器是植入式器械的一种,刺激器通常包括IPG(Implantable Pulse Generator,植入式脉冲发生器)、延伸导线和电极导线,能够为患者提供参数可控的精细化电刺激治疗,在市场上受到众多消费者的欢迎。
在术后程控过程中,医生可以使用程控设备对刺激器的刺激参数进行调整,根据患者的主观感受的好坏,来决定是否程控及程控参数的调整范围,也就是说程控调整主要还是依赖于医生的主观经验。这就导致患者术后的程控次数及时间明显延长,无形中增加了患者的经济负担和程控医师的工作负担。
专利CN113577555A公开了基于多模态数据的配置信息获取装置及相关设备,能够基于患者的实时生物电数据和实时图像数据,获取患者的实时状态信息,进而获取患者的配置信息,以控制患者体内的刺激器准确地施加电刺激。其中,配置信息的获取过程包括:获取患者的实时生物电数据;利用摄像头拍摄患者,得到患者的实时图像数据;将患者的实时生物电数据和实时图像数据输入状态分类模型,得到患者的实时状态信息;将患者的实时状态信息输入配置获取模型,得到患者的配置信息,患者的配置信息用于控制患者体内的刺激器施加电刺激。可以看到,该技术方案不涉及采用不同的间隔时长重新执行获取患者的实时生物电数据的步骤,不涉及比对刺激器的当前配置信息和期望配置信息的步骤。并且,状态分类步骤和刺激器配置步骤的对应关系是直接对应,二者之间不存在中间步骤,虽然形成闭环控制,但是两次闭环控制过程之间的间隔时长保持不变,是固定值,即实时检测步骤的间隔时长。以相同的间隔时长感测电生理活动的目的是实时检测状态变化并实时调整刺激参数。也就是说,该方案通过实时的检测步骤完成实时的自适应参数调整,从而完成间隔时长固定的闭环控制过程,以增加耗电的方式提高植入式刺激器的治疗效果。
专利CN113244533A公开了一种参数调整方法,用于自动调整植入于患者体内的刺激器的参数,所述方法包括:利用设置于所述患者体外的程控设备接收标记操作,响应于所述标记操作,利用所述刺激器采集所述患者的脑电信号,所述标记操作用于标记所述患者的状态类型;将所述患者的脑电信号和状态类型关联存储至第一数据集,以使所述第一数据集包括所述患者的多种脑电信号以及每种脑电信号对应的状态类型;利用所述第一数据集训练第一深度学习模型,得到状态分类模型;利用所述刺激器采集所述患者的实时脑电信号;将所述实时脑电信号输入所述状态分类模型,得到所述实时脑电信号对应的实时状态类型;当检测到所述实时状态类型相对于上一时刻发生变化时,获取所述实时状态类型对应的参数配置信息;基于所述实时状态类型对应的参数配置信息,利用所述程控设备调整所述刺激器的参数,以使所述刺激器对所述患者施加对应的电刺激。该方法针对实时状态类型的变化调整参数配置信息,未考虑状态诊断的时间间隔,频繁的状态诊断可能会导致电量消耗过快。
基于此,本申请提供了脉冲发生器、医疗系统及计算机可读存储介质,以解决上述现有技术中存在的问题。
发明内容
本申请的目的在于提供脉冲发生器、医疗系统及计算机可读存储介质,基于患者的实时状态自适应调整刺激参数,采用两种间隔时长有针对性地执行下一次感测步骤。
本申请的目的采用以下技术方案实现:
第一方面,本申请提供了一种脉冲发生器,所述脉冲发生器植入于患者体内,所述脉冲发生器包括处理器,所述处理器被配置成:
S1:利用电极导线感测所述患者的电生理活动,以得到所述患者的电生理信号;
S2:将所述患者的电生理信号输入状态分类模型,以得到所述患者的状态分类结果;
S3:获取所述患者的状态分类结果对应的所述脉冲发生器的期望配置信息;
S4:检测所述脉冲发生器的当前配置信息与期望配置信息是否匹配;如果不匹配,则执行S5;如果相匹配,则在经过第一预设时长后执行S1;
S5:利用所述脉冲发生器的期望配置信息对所述脉冲发生器的一个或多个刺激参数进行更新,在经过第二预设时长后执行S1;
其中,所述第二预设时长小于所述第一预设时长。
该技术方案的有益效果在于:利用电极导线实时感测患者的电生理活动,从而得到患者的实时的电生理信号;利用状态分类模型对感测得到的电生理信号进行状态分类,就能智能化、自动化地得到患者的实时的状态分类结果,例如可以分类为病情得到控制、病情未得到控制,或者可以分类为发病中、即将发病、未发病,或者可以分类为无症状、轻度症状、中度症状、重度症状,或者可以分类为睡眠、运动中、其他,或者可以分类为高兴、伤心、焦虑等;基于患者的实时的状态分类结果,智能化、自动化地获取所对应的脉冲发生器的期望配置信息;将脉冲发生器的当前配置信息与期望配置信息进行比对,看二者是否匹配,如果相匹配则不需要对脉冲发生器的刺激参数进行调整,如果不匹配则需要对脉冲发生器的刺激参数进行调整,使得脉冲发生器能够以期望配置信息对应的刺激参数通过电极导线的电极触点向患者递送电刺激;不管是否进行参数调整,在经过一定时长后都会再次执行感测患者电生理活动的步骤(即步骤S1),构成循环往复的(感测、状态分类、获取期望配置信息、配置信息比对、调整/不调整、感测、状态分类、获取期望配置信息、配置信息比对、调整/不调整、……)过程,实现基于状态诊断的自适应刺激功能。其中,调整/不调整刺激参数两种情况下,与下一次感测步骤之间的间隔时长不同,具体而言,如果刺激参数被调整,则间隔时长(第二预设时长)较短,如果刺激参数不需要调整,则间隔时长较长(第一预设时长)。这样做的好处是,当患者的实时状态发生变化时,可能存在状态频繁发生变化的情况,如果保持较长的间隔进行实时感测,则刺激参数的配置无法迅速跟上患者的状态变化,因此,需要缩短间隔时长。一旦患者的刺激参数被调整,就开始以较短的间隔时长执行下一次的感测步骤,解决一次调节可能不足以满足实际需求的问题。另外,在患者的实时状态不变、不需要调整刺激参数的情况下,保持较长的间隔时长去执行下一次的感测步骤,能够减少脉冲发生器的数据运算量,从而减少脉冲发生器的耗电,(当脉冲发生器采用可充电款式时)延长脉冲发生器两次充电之间的时间间隔,延长各部件的使用寿命。
本申请通过当前配置信息和期望配置信息的比对结果,采用较短的间隔时长使刺激参数的配置迅速跟上患者的状态变化,采用较长的间隔时长在保证疗效的前提下降低植入式刺激器的耗电。
在一些可选的实施方式中,所述状态分类模型的训练过程包括:
获取第一训练集,所述第一训练集包括多个第一训练数据,每个所述第一训练数据包括第一样本对象的电生理信号以及所述第一样本对象的状态分类结果的标注数据;
针对所述第一训练集中的每个第一训练数据,执行以下处理:
将所述第一训练数据中的第一样本对象的电生理信号输入预设的第一深度学习模型,以得到所述第一样本对象的状态分类结果的预测数据;
基于所述第一样本对象的状态分类结果的预测数据和标注数据,对所述第一深度学习模型的模型参数进行更新;
检测是否满足预设的第一训练结束条件;如果是,则将训练出的所述第一深度学习模型作为所述状态分类模型;如果否,则利用下一个所述第一训练数据继续训练所述第一深度学习模型。
该技术方案的有益效果在于:通过设计,建立适量的神经元计算节点和多层运算层次结构,选择合适的输入层和输出层,就可以得到预设的第一深度学习模型,通过该第一深度学习模型的学习和调优,建立起从输入到输出的函数关系,虽然不能100%找到输入与输出的函数关系,但是可以尽可能地逼近现实的关联关系,由此训练得到的状态分类模型,可以基于(实时感测得到的)患者的电生理信号获取患者的(实时的)状态分类结果,且计算结果准确性高、可靠性高。
在一些可选的实施方式中,所述处理器被进一步配置成采用以下方式获取所述患者的状态分类结果对应的所述脉冲发生器的期望配置信息:
将所述患者的状态分类结果输入参数配置模型,以得到所述脉冲发生器的期望配置信息;
其中,所述参数配置模型的训练过程包括:
获取第二训练集,所述第二训练集包括多个第二训练数据,每个所述第二训练数据包括第二样本对象的状态分类结果以及所述脉冲发生器的期望配置信息的标注数据;
针对所述第二训练集中的每个第二训练数据,执行以下处理:
将所述第二训练数据中的第二样本对象的状态分类结果输入预设的第二深度学习模型,以得到所述脉冲发生器的期望配置信息的预测数据;
基于所述脉冲发生器的期望配置信息的预测数据和标注数据,对所述第二深度学习模型的模型参数进行更新;
检测是否满足预设的第二训练结束条件;如果是,则将训练出的所述第二深度学习模型作为所述参数配置模型;如果否,则利用下一个所述第二训练数据继续训练所述第二深度学习模型。
该技术方案的有益效果在于:通过设计,建立适量的神经元计算节点和多层运算层次结构,选择合适的输入层和输出层,就可以得到预设的第二深度学习模型,通过该第二深度学习模型的学习和调优,建立起从输入到输出的函数关系,虽然不能100%找到输入与输出的函数关系,但是可以尽可能地逼近现实的关联关系,由此训练得到的参数配置模型,可以基于患者的状态分类结果获取脉冲发生器的期望配置信息,且计算结果准确性高、可靠性高。
在一些可选的实施方式中,所述处理器被进一步配置成采用以下方式获取所述患者的状态分类结果对应的所述脉冲发生器的期望配置信息:
获取状态分类结果与期望配置信息的第一对应关系;
基于所述患者的状态分类结果和所述第一对应关系,确定所述患者的状态分类结果对应的所述脉冲发生器的期望配置信息。
该技术方案的有益效果在于:预先建立状态分类结果与期望配置信息之间的第一对应关系,利用该第一对应关系可以获取患者的状态分类结果对应的期望配置信息,采用上述方式获取脉冲发生器的期望配置信息,计算过程简单,计算量小,计算速度快,所消耗的计算资源少。当患者的状态分类结果只有几种时,其优势更为突出,可以快速对应得到每种状态分类结果对应的期望配置信息。
在一些可选的实施方式中,所述脉冲发生器的期望配置信息用于指示以下一种或多种刺激参数的参数值:
刺激脉冲信号的电压幅值、脉宽、频率;
用于递送电刺激的电极触点的标识信息。
该技术方案的有益效果在于:电极导线设置有多个电极触点,不仅能够调整正在执行刺激任务的电极触点所释放的电刺激能量(通过调整刺激脉冲信号的电压幅值、脉宽、频率来实现),还能够选择适合的电极触点执行刺激任务。这样做的好处是,例如可以根据感测到的电生理信号的强弱等情况,自动调整刺激参数高低或者自动更换递送电刺激的电极触点,在保证疗效的基础上可以节省能量(耗电量),延长脉冲发生器的使用寿命,减轻患者的经济负担,有助于提升患者对植入式医疗装置的接受度、使用植入式医疗装置的积极性,有助于提升植入式医疗装置的市场前景。
在一些可选的实施方式中,所述第一预设时长的获取过程包括:
将所述患者的状态分类结果和所述脉冲发生器的电量输入时长计算模型,以得到所述第一预设时长;
其中,所述时长计算模型的训练过程包括:
获取第三训练集,所述第三训练集包括多个第三训练数据,每个所述第三训练数据包括第三样本对象的状态分类结果、样本脉冲发生器的电量以及所述第一预设时长的标注数据;
针对所述第三训练集中的每个第三训练数据,执行以下处理:
将所述第三训练数据中的第三样本对象的状态分类结果和样本脉冲发生器的电量输入预设的第三深度学习模型,以得到所述第一预设时长的预测数据;
基于所述第一预设时长的预测数据和标注数据,对所述第三深度学习模型的模型参数进行更新;
检测是否满足预设的第三训练结束条件;如果是,则将训练出的所述第三深度学习模型作为所述时长计算模型;如果否,则利用下一个所述第三训练数据继续训练所述第三深度学习模型。
该技术方案的有益效果在于:通过设计,建立适量的神经元计算节点和多层运算层次结构,选择合适的输入层和输出层,就可以得到预设的第三深度学习模型,通过该第三深度学习模型的学习和调优,建立起从输入到输出的函数关系,虽然不能100%找到输入与输出的函数关系,但是可以尽可能地逼近现实的关联关系,由此训练得到的参数配置模型,可以基于(实时获取的)患者的状态分类结果和脉冲发生器在当前时刻的电量,获取与下一次感测步骤之间的第一预设时长,且计算结果准确性高、可靠性高。另外,根据患者的状态好坏、脉冲发生器电量高低来对第一预设时长进行动态调整,相比于将第一预设时长设置为固定数值来说,更加符合实际应用中的需求。举例来说,当患者处于发病状态且电量足够时,快速控制患者病情是第一要务,耗电快慢显然是次要关注的事项,所对应的第一预设时长可以是较短的,缩短两次状态诊断的间隔,有助于及时发现需要调整参数配置的情况;当患者处于未发病状态且电量很低时,为了避免脉冲发生器因为电量耗尽而关机导致电刺激治疗中断、影响患者病情控制,可以设置较长的第一预设时长,用以延长脉冲发生器的续航时间。
在一些可选的实施方式中,所述第一预设时长的获取过程包括:
获取电量与第一预设时长的第二对应关系;
基于所述脉冲发生器的当前时刻的电量和所述第二对应关系,确定所述脉冲发生器的当前时刻的电量对应的所述第一预设时长。
该技术方案的有益效果在于:预先建立电量与第一预设时长之间的第二对应关系,利用该第二对应关系可以获取脉冲发生器的当前时刻的电量对应的第一预设时长,例如电量较高时可以采用较短的第一预设时长,电量较少时可以采用较长的第一预设时长。采用上述方式获取第一预设时长,计算过程简单,计算量小,计算速度快,所消耗的计算资源少。
在一些可选的实施方式中,所述患者的疾病包括以下至少一种:
痉挛疾病、抑郁症、躁郁症、焦虑症、创伤后压力心理障碍症、强迫症、行为障碍、情绪障碍、记忆障碍、心理状态障碍、震颤、帕金森氏病、亨廷顿病、阿尔茨海默症、成瘾性疾病和自闭症。
该技术方案的有益效果在于:电刺激治疗直接对神经靶点(例如是伏隔核、内囊前肢、尾状核、豆状核、壳核等组织、核团、纤维束等)进行电刺激,能够有效控制上述疾病的病情,减轻患者的症状,缓解患者的痛苦。
第二方面,本申请提供了一种医疗系统,所述医疗系统包括:
上述任一项脉冲发生器;
电极导线,所述电极导线用于感测患者的电生理活动以及递送电刺激;
程控设备,所述程控设备用于与所述脉冲发生器建立程控连接,所述程控设备用于接收范围配置操作,响应于所述范围配置操作,确定所述脉冲发生器的每个刺激参数对应的可调整的数值范围;
所述脉冲发生器用于在每个刺激参数对应的可调整的数值范围里进行自适应调整。
该技术方案的有益效果在于:医生可以配置允许脉冲发生器自适应调整刺激参数的数值范围,保障电刺激治疗的安全性。医生可以根据不同患者的病情严重程度,为各患者设置不同的数值范围,兼顾安全性和治疗效果。
在一些可选的实施方式中,所述患者的疾病包括以下至少一种:
痉挛疾病、抑郁症、躁郁症、焦虑症、创伤后压力心理障碍症、强迫症、行为障碍、情绪障碍、记忆障碍、心理状态障碍、震颤、帕金森氏病、亨廷顿病、阿尔茨海默症、成瘾性疾病和自闭症。
第三方面,本申请提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项脉冲发生器的功能。
附图说明
下面结合附图和实施方式对本申请进一步说明。
图1示出了本申请实施例提供的一种医疗系统的结构框图。
图2示出了本申请实施例提供的一种自适应刺激方法的流程示意图。
图3示出了本申请实施例提供的一种获取期望配置信息的流程示意图。
图4示出了本申请实施例提供的一种获取第一预设时长的流程示意图。
图5示出了本申请实施例提供的一种脉冲发生器的结构框图。
图6示出了本申请实施例提供的一种程序产品的结构示意图。
具体实施方式
下面将结合本申请的说明书附图以及具体实施方式,对本申请中的技术方案进行描述,需要说明的是,在不相冲突的前提下,以下描述的各实施方式之间或各技术特征之间可以任意组合形成新的实施方式。
在本申请实施例中,“至少一个”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B的情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,a和b,a和c,b和c,a和b和c,其中a、b和c可以是单个,也可以是多个。值得注意的是,“至少一项(个)”还可以解释成“一项(个)或多项(个)”。
还需说明的是,本申请实施例中,“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”或者“例如”的任何实施方式或设计方案不应被解释为比其他实施方式或设计方案更优选或更具优势。确切而言,使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
下面,首先对本申请实施例的其中一个应用领域(即植入式器械)进行简单说明。
植入式神经刺激系统(一种植入式医疗系统)主要包括植入患者体内的刺激器以及设置于患者体外的程控设备。现有的神经调控技术主要是通过立体定向手术在体内特定结构(即靶点)植入电极,并由植入患者体内的刺激器经电极向靶点发放电脉冲,调控相应神经结构和网络的电活动及其功能,从而改善症状、缓解病痛。其中,刺激器可以是植入式神经电刺激装置、植入式心脏电刺激系统(又称心脏起搏器)、植入式药物输注装置(Implantable Drug Delivery System,简称I DDS)和导线转接装置中的任意一种。植入式神经电刺激装置例如是脑深部电刺激系统(Deep Brain Stimulation,简称DBS)、植入式脑皮层刺激系统(Cortical Nerve Stimulation,简称CNS)、植入式脊髓电刺激系统(SpinalCord Stimulation,简称SCS)、植入式骶神经电刺激系统(Sacral Nerve Stimulation,简称SNS)、植入式迷走神经电刺激系统(Vagus Nerve Stimulation,简称VNS)等。
刺激器可以包括IPG、延伸导线和电极导线,IPG(implantable pulse generator,植入式脉冲发生器)设置于患者体内,依靠密封电池和电路向体内组织提供可控制的电刺激能量,通过植入的延伸导线和电极导线,为体内组织的特定区域递送一路或两路可控制的特定电刺激。延伸导线配合IPG使用,作为电刺激信号的传递媒体,将IPG产生的电刺激信号,传递给电极导线。电极导线通过多个电极触点,向体内组织的特定区域递送电刺激。刺激器设置有单侧或双侧的一路或多路电极导线,电极导线上设置有多个电极触点,电极触点可以均匀排列或者非均匀排列在电极导线的周向上。作为一个示例,电极触点可以以4行3列的阵列(共计12个电极触点)排列在电极导线的周向上。电极触点可以包括刺激电极触点和/或采集电极触点。电极触点例如可以采用片状、环状、点状等形状。
在一些可能的实施方式中,受刺激的体内组织可以是患者的脑组织,受刺激的部位可以是脑组织的特定部位。当患者的疾病类型不同时,受刺激的部位一般来说是不同的,所使用的刺激触点(单源或多源)的数量、一路或多路(单通道或多通道)特定电刺激信号的运用以及刺激参数数据也是不同的。本申请实施例对适用的疾病类型不做限定,其可以是脑深部刺激(DBS)、脊髓刺激(SCS)、骨盆刺激、胃刺激、外周神经刺激、功能性电刺激所适用的疾病类型。其中,DBS可以用于治疗或管理的疾病类型包括但不限于:痉挛疾病(例如,癫痫)、疼痛、偏头痛、精神疾病(例如,重度抑郁症(MDD))、躁郁症、焦虑症、创伤后压力心理障碍症、轻郁症、强迫症(OCD)、行为障碍、情绪障碍、记忆障碍、心理状态障碍、移动障碍(例如,特发性震颤或帕金森氏病)、亨廷顿病、阿尔茨海默症、药物成瘾症、自闭症或其他神经学或精神科疾病和损害。
本申请实施例中,程控设备和刺激器建立程控连接时,可以利用程控设备调整刺激器的刺激参数(不同的刺激参数所对应的电刺激信号不同),也可以通过刺激器感测患者脑深部的电生理活动以采集得到电生理信号,并可以通过所采集到的电生理信号来继续调节刺激器的电刺激信号的刺激参数。
程控设备可以是医生程控器(即医生使用的程控设备)或者患者程控器(即患者使用的程控设备)。程控设备例如可以是平板电脑、笔记本电脑、台式计算机、手机等智能终端设备。
本申请实施例对医生程控器和刺激器的数据交互不进行限制,当医生远程程控时,医生程控器可以通过服务器、患者程控器与刺激器进行数据交互。当医生线下和患者面对面进行程控时,医生程控器可以通过患者程控器与刺激器进行数据交互,医生程控器还可以直接与刺激器进行数据交互。
患者程控器可以包括(与服务器通信的)主机和(与刺激器通信的)子机,主机和子机可通信的连接。其中,医生程控器可以通过3G/4G/5G网络与服务器进行数据交互,服务器可以通过3G/4G/5G网络与主机进行数据交互,主机可以通过蓝牙协议/WIFI协议/USB协议与子机进行数据交互,子机可以通过401MHz-406MHz工作频段/2.4GHz-2.48GHz工作频段与刺激器进行数据交互,医生程控器可以通过401MHz-406MHz工作频段/2.4GHz-2.48GHz工作频段与刺激器直接进行数据交互。
除了上述植入式器械的应用领域,本申请实施例还可以应用于非植入式医疗器械甚至非医疗器械的技术领域,本申请实施例不对此设限,只要涉及实时状态诊断以更新刺激参数的场合均可应用。
(系统实施方式)
参见图1,图1示出了本申请实施例提供的一种医疗系统的结构框图。
本申请实施例提供了一种医疗系统,所述医疗系统包括:
脉冲发生器11;
电极导线12,所述电极导线12用于感测患者的电生理活动以及递送电刺激;
程控设备20,所述程控设备20用于与所述脉冲发生器11建立程控连接,所述程控设备20用于接收范围配置操作,响应于所述范围配置操作,确定所述脉冲发生器11的每个刺激参数对应的可调整的数值范围;
所述脉冲发生器11用于在每个刺激参数对应的可调整的数值范围里进行自适应调整。
由此,医生可以配置允许脉冲发生器自适应调整刺激参数的数值范围,保障电刺激治疗的安全性。医生可以根据不同患者的病情严重程度,为各患者设置不同的数值范围,兼顾安全性和治疗效果。
本申请实施例中,所述医疗系统还可以包括延伸导线13,脉冲发生器11、电极导线12、延伸导线13组成刺激器10。当脉冲发生器11和电极导线12均植入于患者颅内时,刺激器10也可以不包括延伸导线13,而只包括脉冲发生器11和电极导线12。
本申请实施例中,脉冲发生器11和电极导线12可通信地连接,二者之间可以直接通信,也可以通过延伸导线13实现数据交互。
本申请实施例中,电极导线12可以植入于患者颅内或者体内其他位置。电极导线12的数量例如可以是1、2、3、4、5、6等。每个电极导线12的电极触点的数量例如可以是4、6、8、9、10、12、15、18等。当患者颅内植入有多个电极导线12时,多个电极导线12可以植入于大脑的同一侧半球,也可以分别植入于大脑的两个半球。
本申请实施例对程控设备20不作限定,其例如可以包括平板电脑、笔记本电脑、台式机、手机、智能穿戴设备中的一种或多种,还可以是控制台或者工作站。
本申请对利用程控设备接收范围配置操作的方式不作限定。按照输入方式划分操作,例如可以包括文本输入操作、音频输入操作、视频输入操作、按键操作、鼠标操作、键盘操作、智能触控笔操作等。
在一些可选的实施方式中,所述患者的疾病包括以下至少一种:
痉挛疾病、抑郁症、躁郁症、焦虑症、创伤后压力心理障碍症、强迫症、行为障碍、情绪障碍、记忆障碍、心理状态障碍、震颤、帕金森氏病、亨廷顿病、阿尔茨海默症、成瘾性疾病和自闭症。
本申请实施例中,所述脉冲发生器10可以被配置成实现自适应刺激方法的步骤,下文将先对自适应刺激方法进行说明,再对脉冲发生器10进行说明。
(方法实施方式)
参见图2,图2示出了本申请实施例提供的一种自适应刺激方法的流程示意图。
本申请还提供了一种自适应刺激方法,用于自适应地调整脉冲发生器的一种或多种刺激参数,所述脉冲发生器植入于患者体内,所述方法包括:
S1:利用电极导线感测所述患者的电生理活动,以得到所述患者的电生理信号;
S2:将所述患者的电生理信号输入状态分类模型,以得到所述患者的状态分类结果;
S3:获取所述患者的状态分类结果对应的所述脉冲发生器的期望配置信息;
S4:检测所述脉冲发生器的当前配置信息与期望配置信息是否匹配;如果不匹配,则执行S5;如果相匹配,则在经过第一预设时长后执行S1;
S5:利用所述脉冲发生器的期望配置信息对所述脉冲发生器的一个或多个刺激参数进行更新,在经过第二预设时长后执行S1;
其中,所述第二预设时长小于所述第一预设时长。
由此,利用电极导线实时感测患者的电生理活动,从而得到患者的实时的电生理信号;利用状态分类模型对感测得到的电生理信号进行状态分类,就能智能化、自动化地得到患者的实时的状态分类结果;基于患者的实时的状态分类结果,智能化、自动化地获取所对应的脉冲发生器的期望配置信息;将脉冲发生器的当前配置信息与期望配置信息进行比对,看二者是否匹配,如果相匹配则不需要对脉冲发生器的刺激参数进行调整,如果不匹配则需要对脉冲发生器的刺激参数进行调整,使得脉冲发生器能够以期望配置信息对应的刺激参数通过电极导线的电极触点向患者递送电刺激;不管是否进行参数调整,在经过一定时长后都会再次执行感测患者电生理活动的步骤(即步骤S1),构成循环往复的(感测、状态分类、获取期望配置信息、配置信息比对、调整/不调整、感测、状态分类、获取期望配置信息、配置信息比对、调整/不调整、……)过程,实现基于状态诊断的自适应刺激功能。
其中,调整/不调整刺激参数两种情况下,与下一次感测步骤之间的间隔时长不同,具体而言,如果刺激参数被调整,则间隔时长(第二预设时长)较短,如果刺激参数不需要调整,则间隔时长较长(第一预设时长)。
这样做的好处是,当患者的实时状态发生变化时,可能存在状态频繁发生变化的情况,如果保持较长的间隔进行实时感测,则刺激参数的配置无法迅速跟上患者的状态变化,因此,需要缩短间隔时长。
一旦患者的刺激参数被调整,就开始以较短的间隔时长执行下一次的感测步骤,解决一次调节可能不足以满足实际需求的问题。
另外,在患者的实时状态不变、不需要调整刺激参数的情况下,保持较长的间隔时长去执行下一次的感测步骤,能够减少脉冲发生器的数据运算量,从而减少脉冲发生器的耗电,(当脉冲发生器采用可充电款式时)延长脉冲发生器两次充电之间的时间间隔,延长各部件的使用寿命。
本申请实施例对患者的电生理活动并非实时感测,而是在“调整/不调整刺激参数”步骤之后一定时长(可能是较长的第一预设时长,也可能是较短的第二预设时长)才会再次进行感测;并且不是基于状态分类结果调整刺激参数,而是基于当前配置信息与期望配置信息的匹配结果调整刺激参数。
也就是说,状态分类步骤和刺激参数配置步骤之间不存在直接对应关系,二者之间存在中间步骤,具体而言,获取状态分类结果——获取当前状态分类结果对应的期望配置信息——比对当前配置信息和期望配置信息,判断是否调整刺激器的刺激参数——调整/不调整刺激器的刺激参数。其中,如果当前配置信息和期望配置信息相匹配,则不调整;如果不匹配,则需要调整。状态分类结果发生变化并不一定意味着需要调整刺激参数,只有状态变化前后所对应的期望配置信息发生变化,才会调整刺激参数(因为当前配置信息是上一次的期望配置信息)。
这种对刺激参数的调整会影响患者后续的状态变化过程(因为刺激器是一种植入式治疗装置),形成一个闭环控制,但是,两次闭环控制过程之间的间隔时长是不确定的,是第一预设时长或者第二预设时长,从而在保证疗效的基础上迅速配置刺激参数、降低植入式刺激器的耗电。
本申请实施例中,是否调整刺激参数的判断依据是:当前配置信息和期望配置信息的匹配结果。
以不同的间隔时长感测电生理活动的目的是:使刺激参数的配置迅速跟上患者的状态变化,在保证疗效的前提下降低植入式刺激器的耗电。
这样,就能够在自适应调整刺激器的刺激参数的过程中,通过当前配置信息和期望配置信息的比对结果,采用两种间隔时长有针对性地执行下一次感测步骤,完成间隔时长不定的闭环控制过程。其本质是:随着患者的状态变化改变刺激参数的配置频率,采用较短的间隔时长使刺激参数的配置迅速跟上患者的状态变化,采用较长的间隔时长在保证疗效的前提下降低植入式刺激器的耗电。
本申请实施例解决问题的方向是兼顾治疗效果以及刺激参数的配置效率、刺激器耗电,所采用的技术思路是改变刺激参数的配置频率以降低耗电,因此能够随着患者的状态变化改变刺激参数的配置频率,采用较短的间隔时长使刺激参数的配置迅速跟上患者的状态变化,采用较长的间隔时长在保证疗效的前提下降低植入式刺激器的耗电。
在实际应用中,当患者的实时状态发生变化时,缩短间隔时长以使刺激参数的配置能够迅速跟上患者的状态变化,解决一次调节可能不足以满足实际需求的问题;在不需要调整刺激参数的情况下,保持较长的间隔时长去执行下一次的感测步骤,减少脉冲发生器的数据运算量,从而减少脉冲发生器的耗电,当脉冲发生器采用可充电款式时,延长脉冲发生器两次充电之间的时间间隔,延长各部件的使用寿命。
本申请实施例中,电极导线可以用于感测单细胞和/或多细胞的电生理活动,以得到单细胞的电生理信号和/或局部场电位。局部场电位(Local Field Potential,LFP)是一类特殊的电生理信号。在生物体内,具有一定体积的生物组织中的树突突触活动会引发电流,当这股电流流经具有一定阻抗的细胞外空间时,就形成了一定的电压分布,在某一点记录到的局部电压值就叫做局部场电位。
本申请实施例对患者的状态分类结果不作限定,其例如可以分类为病情得到控制、病情未得到控制,或者可以分类为发病中、即将发病、未发病,或者可以分类为无症状、轻度症状、中度症状、重度症状,或者可以分类为睡眠、运动中、其他,或者可以分类为高兴、伤心、焦虑等。针对不同的状态分类结果,所对应的期望配置信息往往是不同的。
脉冲发生器的刺激参数可以包括以下至少一种:频率(例如是单位时间1s内的电刺激脉冲信号个数,单位为Hz)、脉宽(每个脉冲的持续时间,单位为μs)、幅值(一般用电压表述,即每个脉冲的强度,单位为V)、时序(例如可以是连续或者触发)、刺激模式(包括电流模式、电压模式、定时刺激模式和循环刺激模式中的一种或多种)、医生控制上限及下限(医生可调节的范围)和患者控制上限及下限(患者可自主调节的范围)。
在一个具体应用场景中,可以在电流模式或者电压模式下对刺激器的各刺激参数进行调节。
本申请实施例中,脉冲发生器的当前配置信息与期望配置信息相匹配是指:当前配置信息与期望配置信息完全一致;或者,当前配置信息与期望配置信息中的每个刺激参数的差值不大于该刺激参数对应的预设阈值;或者,当前配置信息与期望配置信息的相似度不小于预设相似度阈值。其中,预设相似度阈值例如可以是85%、89%、96%、99%等。
在一个具体应用场景中,脉冲发生器的当前配置信息是(刺激脉冲信号的电压幅值是4.9V、脉宽是60μs、频率是130Hz),期望配置信息是(刺激脉冲信号的电压幅值是4.9V、脉宽是60μs、频率是130Hz),二者相匹配。
在另一个具体应用场景中,脉冲发生器的当前配置信息是(刺激脉冲信号的电压幅值是3V、脉宽是30μs、频率是100Hz),期望配置信息是(刺激脉冲信号的电压幅值是4.9V、脉宽是60μs、频率是130Hz),二者不匹配。
在又一个具体应用场景中,脉冲发生器的当前配置信息是(刺激脉冲信号的电压幅值是4.8V、脉宽是58μs、频率是127Hz),期望配置信息是(刺激脉冲信号的电压幅值是4.9V、脉宽是60μs、频率是130Hz),二者相匹配。
本申请实施例对第一预设时长、第二预设时长不作限定,只要第一预设时长大于第二预设时长即可。
在一些可选的实施方式中,第一预设时长例如可以是5分钟、10分钟、15分钟、30分钟、1小时、2小时等,第二预设时长例如可以是5秒钟、10秒钟、15秒钟、30秒钟、1分钟、2分钟、3分钟等。
在一些可选的实施方式中,所述状态分类模型的训练过程可以包括:
获取第一训练集,所述第一训练集包括多个第一训练数据,每个所述第一训练数据包括第一样本对象的电生理信号以及所述第一样本对象的状态分类结果的标注数据;
针对所述第一训练集中的每个第一训练数据,执行以下处理:
将所述第一训练数据中的第一样本对象的电生理信号输入预设的第一深度学习模型,以得到所述第一样本对象的状态分类结果的预测数据;
基于所述第一样本对象的状态分类结果的预测数据和标注数据,对所述第一深度学习模型的模型参数进行更新;
检测是否满足预设的第一训练结束条件;如果是,则将训练出的所述第一深度学习模型作为所述状态分类模型;如果否,则利用下一个所述第一训练数据继续训练所述第一深度学习模型。
由此,通过设计,建立适量的神经元计算节点和多层运算层次结构,选择合适的输入层和输出层,就可以得到预设的第一深度学习模型,通过该第一深度学习模型的学习和调优,建立起从输入到输出的函数关系,虽然不能100%找到输入与输出的函数关系,但是可以尽可能地逼近现实的关联关系,由此训练得到的状态分类模型,可以基于(实时感测得到的)患者的电生理信号获取患者的(实时的)状态分类结果,且计算结果准确性高、可靠性高。
在一些可选的实施方式中,本申请可以训练得到状态分类模型以及后文中的参数配置模型、时长计算模型,在另一些可选的实施方式中,本申请可以采用预先训练好的状态分类模型、参数配置模型和时长计算模型。
在一些可选的实施方式中,例如可以对历史数据进行数据挖掘,以获取训练集(包括第一训练集以及后文中的第二训练集、第三训练集)中的样本对象(包括第一样本对象以及后文中的第二样本对象、第三样本对象)的相关数据(电生理信号、状态分类结果)以及样本脉冲发生器的相关数据(电量)等。也就是说,这些样本对象可以是真实的患者,样本脉冲发生器可以是真实的脉冲发生器。当然,样本对象以及样本脉冲发生器的相关数据也可以是利用GAN模型的生成网络自动生成的。
其中,GAN模型即生成对抗网络(Generative Adversarial Network),由一个生成网络与一个判别网络组成。生成网络从潜在空间(latent space)中随机采样作为输入,其输出结果需要尽量模仿训练集中的真实样本。判别网络的输入则为真实样本或生成网络的输出,其目的是将生成网络的输出从真实样本中尽可能分辨出来。而生成网络则要尽可能地欺骗判别网络。两个网络相互对抗、不断调整参数,最终目的是使判别网络无法判断生成网络的输出结果是否真实。使用GAN模型可以生成多个样本对象以及多个样本脉冲发生器的相关数据,用于各模型的训练过程,能有效降低原始数据采集的数据量,大大降低数据采集和标注的成本。
本申请对标注数据的获取方式不作限定,例如可以采用人工标注的方式,也可以采用自动标注或者半自动标注的方式。当样本对象是真实患者、样本脉冲发生器是真实脉冲发生器时,可以通过关键词提取的方式从历史数据中获取真实数据作为标注数据。
本申请对状态分类模型、参数配置模型和时长计算模型的训练过程不作限定,其例如可以采用上述监督学习的训练方式,或者可以采用半监督学习的训练方式,或者可以采用无监督学习的训练方式。
本申请对预设的训练结束条件(包括第一训练结束条件以及后文中的第二训练结束条件、第三训练结束条件)不作限定,其例如可以是训练次数达到预设次数(预设次数例如是1次、3次、10次、100次、1000次、10000次等),或者可以是训练集中的训练数据都完成一次或多次训练,或者可以是本次训练得到的总损失值不大于预设损失值。
在一些可选的实施方式中,所述步骤S3可以包括:
将所述患者的状态分类结果输入参数配置模型,以得到所述脉冲发生器的期望配置信息;
其中,所述参数配置模型的训练过程包括:
获取第二训练集,所述第二训练集包括多个第二训练数据,每个所述第二训练数据包括第二样本对象的状态分类结果以及所述脉冲发生器的期望配置信息的标注数据;
针对所述第二训练集中的每个第二训练数据,执行以下处理:
将所述第二训练数据中的第二样本对象的状态分类结果输入预设的第二深度学习模型,以得到所述脉冲发生器的期望配置信息的预测数据;
基于所述脉冲发生器的期望配置信息的预测数据和标注数据,对所述第二深度学习模型的模型参数进行更新;
检测是否满足预设的第二训练结束条件;如果是,则将训练出的所述第二深度学习模型作为所述参数配置模型;如果否,则利用下一个所述第二训练数据继续训练所述第二深度学习模型。
由此,通过设计,建立适量的神经元计算节点和多层运算层次结构,选择合适的输入层和输出层,就可以得到预设的第二深度学习模型,通过该第二深度学习模型的学习和调优,建立起从输入到输出的函数关系,虽然不能100%找到输入与输出的函数关系,但是可以尽可能地逼近现实的关联关系,由此训练得到的参数配置模型,可以基于患者的状态分类结果获取脉冲发生器的期望配置信息,且计算结果准确性高、可靠性高。
参见图3,图3示出了本申请实施例提供的一种获取期望配置信息的流程示意图。
在一些可选的实施方式中,所述步骤S3可以包括:
步骤S201:获取状态分类结果与期望配置信息的第一对应关系;
步骤S202:基于所述患者的状态分类结果和所述第一对应关系,确定所述患者的状态分类结果对应的所述脉冲发生器的期望配置信息。
由此,预先建立状态分类结果与期望配置信息之间的第一对应关系,利用该第一对应关系可以获取患者的状态分类结果对应的期望配置信息,采用上述方式获取脉冲发生器的期望配置信息,计算过程简单,计算量小,计算速度快,所消耗的计算资源少。当患者的状态分类结果只有几种时,其优势更为突出,可以快速对应得到每种状态分类结果对应的期望配置信息。
在一些可选的实施方式中,所述脉冲发生器的期望配置信息可以用于指示以下一种或多种刺激参数的参数值:
刺激脉冲信号的电压幅值、脉宽、频率;
用于递送电刺激的电极触点的标识信息。
由此,电极导线设置有多个电极触点,不仅能够调整正在执行刺激任务的电极触点所释放的电刺激能量(通过调整刺激脉冲信号的电压幅值、脉宽、频率来实现),还能够选择适合的电极触点执行刺激任务。
这样做的好处是,例如可以根据感测到的电生理信号的强弱等情况,自动调整刺激参数高低或者自动更换递送电刺激的电极触点,在保证疗效的基础上可以节省能量(耗电量),延长脉冲发生器的使用寿命,减轻患者的经济负担,有助于提升患者对植入式医疗装置的接受度、使用植入式医疗装置的积极性,有助于提升植入式医疗装置的市场前景。
本申请实施例对标识信息不作限定,其例如可以采用中文、字母、数字、符号中的一种或多种来表示。
在一个具体应用场景中,脉冲发生器的期望配置信息是(刺激脉冲信号的电压幅值是4.9V、脉宽是60μs、频率是130Hz,用于递送电刺激的电极触点的标识信息是3#和6#)。
在一些可选的实施方式中,所述第一预设时长的获取过程可以包括:
将所述患者的状态分类结果和所述脉冲发生器的电量输入时长计算模型,以得到所述第一预设时长;
其中,所述时长计算模型的训练过程包括:
获取第三训练集,所述第三训练集包括多个第三训练数据,每个所述第三训练数据包括第三样本对象的状态分类结果、样本脉冲发生器的电量以及所述第一预设时长的标注数据;
针对所述第三训练集中的每个第三训练数据,执行以下处理:
将所述第三训练数据中的第三样本对象的状态分类结果和样本脉冲发生器的电量输入预设的第三深度学习模型,以得到所述第一预设时长的预测数据;
基于所述第一预设时长的预测数据和标注数据,对所述第三深度学习模型的模型参数进行更新;
检测是否满足预设的第三训练结束条件;如果是,则将训练出的所述第三深度学习模型作为所述时长计算模型;如果否,则利用下一个所述第三训练数据继续训练所述第三深度学习模型。
由此,通过设计,建立适量的神经元计算节点和多层运算层次结构,选择合适的输入层和输出层,就可以得到预设的第三深度学习模型,通过该第三深度学习模型的学习和调优,建立起从输入到输出的函数关系,虽然不能100%找到输入与输出的函数关系,但是可以尽可能地逼近现实的关联关系,由此训练得到的参数配置模型,可以基于(实时获取的)患者的状态分类结果和脉冲发生器在当前时刻的电量,获取与下一次感测步骤之间的第一预设时长,且计算结果准确性高、可靠性高。
另外,根据患者的状态好坏、脉冲发生器电量高低来对第一预设时长进行动态调整,相比于将第一预设时长设置为固定数值来说,更加符合实际应用中的需求。
举例来说,当患者处于发病状态且电量足够时,快速控制患者病情是第一要务,耗电快慢显然是次要关注的事项,所对应的第一预设时长可以是较短的(例如是10分钟),缩短两次状态诊断的间隔,有助于及时发现需要调整参数配置的情况;当患者处于未发病状态且电量很低时,为了避免脉冲发生器因为电量耗尽而关机导致电刺激治疗中断、影响患者病情控制,可以设置较长的第一预设时长(例如是30分钟),用以延长脉冲发生器的续航时间。
本申请实施例中的脉冲发生器例如可以是可充电的脉冲发生器,也可以是不可充电的脉冲发生器。当采用可充电的脉冲发生器时,采用上述动态调整第一预设时长的方式可以减少脉冲发生器的充电次数。
参见图4,图4示出了本申请实施例提供的一种获取第一预设时长的流程示意图。
在一些可选的实施方式中,所述第一预设时长的获取过程可以包括:
步骤S301:获取电量与第一预设时长的第二对应关系;
步骤S302:基于所述脉冲发生器的当前时刻的电量和所述第二对应关系,确定所述脉冲发生器的当前时刻的电量对应的所述第一预设时长。
由此,预先建立电量与第一预设时长之间的第二对应关系,利用该第二对应关系可以获取脉冲发生器的当前时刻的电量对应的第一预设时长,例如电量较高时可以采用较短的第一预设时长(例如是10分钟),电量较少时可以采用较长的第一预设时长(例如是30分钟)。采用上述方式获取第一预设时长,计算过程简单,计算量小,计算速度快,所消耗的计算资源少。
本申请实施例中,第一对应关系和第二对应关系均可以采用对照表的方式,对照表预先存储于脉冲发生器本地。
在一些可选的实施方式中,所述患者的疾病可以包括以下至少一种:
痉挛疾病、抑郁症、躁郁症、焦虑症、创伤后压力心理障碍症、强迫症、行为障碍、情绪障碍、记忆障碍、心理状态障碍、震颤、帕金森氏病、亨廷顿病、阿尔茨海默症、成瘾性疾病和自闭症。
由此,电刺激治疗直接对神经靶点(例如是伏隔核、内囊前肢、尾状核、豆状核、壳核等组织、核团、纤维束等)进行电刺激,能够有效控制上述疾病的病情,减轻患者的症状,缓解患者的痛苦。
在一个具体应用场景中,电极导线植入于患者颅内,电极导线的电极触点同时具备感测电生理活动和递送电刺激的功能;脉冲发生器能够利用电极导线感测患者脑部局部场电位,在患者即将发病或发病时,通过智能化、自动化的方式及时向患者脑部发出精确的、间隙性刺激信号。
当术后监测到患者处于症状控制不佳的状态(状态分类结果为病情未得到控制)时,脉冲发生器会自动开启刺激模式。
当患者持续长时间处于症状控制明显的状态(状态分类结果为病情得到控制),脉冲发生器自动降低各刺激参数,甚至停止电刺激治疗。
脉冲发生器还可以根据感测得到的电生理信号的强弱,自动调整刺激参数高低或者自动更换电极触点,在保证疗效的基础上节省能量,延长脉冲发生器的使用寿命,减轻患者的经济负担。
通过积累一定量的相关数据,分析特定的反应患者状态的电生理信号,能够建立上述状态分类模型、参数配置模型和时长计算模型,利用深度学习、自适应学习等人工智能技术,实现对病人脑部神经的精确刺激,减少医生人为干预调节,准确控制病人症状。
在另一些可选的实施方式中,可以基于患者的电生理信号和疾病信息,获取脉冲发生器的期望配置信息。在患者的年龄、性别、疾病类型、病史、治疗记录、程控记录等的基础上得到的期望配置信息,能够综合考虑治疗效果的多种影响因素,准确度更高,治疗效果得以进一步提升。
本申请实施例对疾病信息不作限定,其例如可以包括患者的基本信息、病史信息、医学影像信息、预先录制视频信息、实时视频信息、程控记录和音视频记录中的一个或多个。患者的基本信息可以包括患者的年龄、性别、疾病类型等。
本申请实施例中的医学影像信息例如可以包括CT数据、MR数据、PET数据、X光数据、PET-CT数据、PET-MR数据等。相应的,所使用的医学扫描设备例如可以是CT设备、MR设备、PET设备、X光设备、PET-CT设备、PET-MR设备等。其中,CT(Computed Tomography)即电子计算机断层扫描,MR(Magnetic Resonance)即磁共振,PET(Positron EmissionTomography)即正电子发射断层扫描。
(脉冲发生器实施方式)
本申请实施例还提供了一种脉冲发生器,其具体实施方式与上述方法实施方式中记载的实施方式、所达到的技术效果一致,部分内容不再赘述。
本申请还提供了一种脉冲发生器,所述脉冲发生器植入于患者体内,所述脉冲发生器包括处理器,所述处理器被配置成:
S1:利用电极导线感测所述患者的电生理活动,以得到所述患者的电生理信号;
S2:将所述患者的电生理信号输入状态分类模型,以得到所述患者的状态分类结果;
S3:获取所述患者的状态分类结果对应的所述脉冲发生器的期望配置信息;
S4:检测所述脉冲发生器的当前配置信息与期望配置信息是否匹配;如果不匹配,则执行S5;如果相匹配,则在经过第一预设时长后执行S1;
S5:利用所述脉冲发生器的期望配置信息对所述脉冲发生器的一个或多个刺激参数进行更新,在经过第二预设时长后执行S1;
其中,所述第二预设时长小于所述第一预设时长。
在一些可选的实施方式中,所述状态分类模型的训练过程可以包括:
获取第一训练集,所述第一训练集包括多个第一训练数据,每个所述第一训练数据包括第一样本对象的电生理信号以及所述第一样本对象的状态分类结果的标注数据;
针对所述第一训练集中的每个第一训练数据,执行以下处理:
将所述第一训练数据中的第一样本对象的电生理信号输入预设的第一深度学习模型,以得到所述第一样本对象的状态分类结果的预测数据;
基于所述第一样本对象的状态分类结果的预测数据和标注数据,对所述第一深度学习模型的模型参数进行更新;
检测是否满足预设的第一训练结束条件;如果是,则将训练出的所述第一深度学习模型作为所述状态分类模型;如果否,则利用下一个所述第一训练数据继续训练所述第一深度学习模型。
在一些可选的实施方式中,所述处理器可以被进一步配置成采用以下方式获取所述患者的状态分类结果对应的所述脉冲发生器的期望配置信息:
将所述患者的状态分类结果输入参数配置模型,以得到所述脉冲发生器的期望配置信息;
其中,所述参数配置模型的训练过程包括:
获取第二训练集,所述第二训练集包括多个第二训练数据,每个所述第二训练数据包括第二样本对象的状态分类结果以及所述脉冲发生器的期望配置信息的标注数据;
针对所述第二训练集中的每个第二训练数据,执行以下处理:
将所述第二训练数据中的第二样本对象的状态分类结果输入预设的第二深度学习模型,以得到所述脉冲发生器的期望配置信息的预测数据;
基于所述脉冲发生器的期望配置信息的预测数据和标注数据,对所述第二深度学习模型的模型参数进行更新;
检测是否满足预设的第二训练结束条件;如果是,则将训练出的所述第二深度学习模型作为所述参数配置模型;如果否,则利用下一个所述第二训练数据继续训练所述第二深度学习模型。
在一些可选的实施方式中,所述处理器可以被进一步配置成采用以下方式获取所述患者的状态分类结果对应的所述脉冲发生器的期望配置信息:
获取状态分类结果与期望配置信息的第一对应关系;
基于所述患者的状态分类结果和所述第一对应关系,确定所述患者的状态分类结果对应的所述脉冲发生器的期望配置信息。
在一些可选的实施方式中,所述脉冲发生器的期望配置信息可以用于指示以下一种或多种刺激参数的参数值:
刺激脉冲信号的电压幅值、脉宽、频率;
用于递送电刺激的电极触点的标识信息。
在一些可选的实施方式中,所述第一预设时长的获取过程可以包括:
将所述患者的状态分类结果和所述脉冲发生器的电量输入时长计算模型,以得到所述第一预设时长;
其中,所述时长计算模型的训练过程包括:
获取第三训练集,所述第三训练集包括多个第三训练数据,每个所述第三训练数据包括第三样本对象的状态分类结果、样本脉冲发生器的电量以及所述第一预设时长的标注数据;
针对所述第三训练集中的每个第三训练数据,执行以下处理:
将所述第三训练数据中的第三样本对象的状态分类结果和样本脉冲发生器的电量输入预设的第三深度学习模型,以得到所述第一预设时长的预测数据;
基于所述第一预设时长的预测数据和标注数据,对所述第三深度学习模型的模型参数进行更新;
检测是否满足预设的第三训练结束条件;如果是,则将训练出的所述第三深度学习模型作为所述时长计算模型;如果否,则利用下一个所述第三训练数据继续训练所述第三深度学习模型。
在一些可选的实施方式中,所述第一预设时长的获取过程可以包括:
获取电量与第一预设时长的第二对应关系;
基于所述脉冲发生器的当前时刻的电量和所述第二对应关系,确定所述脉冲发生器的当前时刻的电量对应的所述第一预设时长。
在一些可选的实施方式中,所述患者的疾病可以包括以下至少一种:
痉挛疾病、抑郁症、躁郁症、焦虑症、创伤后压力心理障碍症、强迫症、行为障碍、情绪障碍、记忆障碍、心理状态障碍、震颤、帕金森氏病、亨廷顿病、阿尔茨海默症、成瘾性疾病和自闭症。
参见图5,图5示出了本申请实施例提供的一种脉冲发生器的结构框图。
脉冲发生器例如可以包括至少一个存储器210、至少一个处理器220以及连接不同平台系统的总线230。
存储器210可以包括易失性存储器形式的可读介质,例如随机存取存储器(RAM)211和/或高速缓存存储器212,还可以进一步包括只读存储器(ROM)213。
其中,存储器210还存储有计算机程序,计算机程序可以被处理器220执行,使得处理器220实现上述任一项脉冲发生器的功能,其具体实施方式与上述方法实施方式中记载的实施方式、所达到的技术效果一致,部分内容不再赘述。
存储器210还可以包括具有至少一个程序模块215的实用工具214,这样的程序模块215包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例的每一个或某种组合中可能包括网络环境的实现。
相应的,处理器220可以执行上述计算机程序,以及可以执行实用工具214。
处理器220可以采用一个或多个应用专用集成电路(ASIC,Application SpecificIntegrated Circuit)、DSP、可编程逻辑器件(PLD,ProgrammableLogic Device)、复杂可编程逻辑器件(CPLD,Complex Programmable Logic Device)、现场可编程门阵列(FPGA,Field-Programmable Gate Array)或其他电子元件。
总线230可以为表示几类总线结构的一种或多种,包括存储器总线或者存储器控制器、外围总线、图形加速端口、处理器或者使用多种总线结构的任意总线结构的局域总线。
脉冲发生器也可以与一个或多个外部设备240例如键盘、指向设备、蓝牙设备等通信,还可与一个或者多个能够与该脉冲发生器交互的设备通信,和/或与使得该脉冲发生器能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等)通信。这种通信可以通过输入输出接口250进行。并且,脉冲发生器还可以通过网络适配器260与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。网络适配器260可以通过总线230与脉冲发生器的其它模块通信。应当明白,尽管图中未示出,可以结合脉冲发生器使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储平台等。
(介质实施方式)
本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项脉冲发生器的功能或者实现上述任一项方法的步骤,其具体实施方式与上述方法实施方式中记载的实施方式、所达到的技术效果一致,部分内容不再赘述。
参见图6,图6示出了本申请实施例提供的一种程序产品的结构示意图。
程序产品可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本申请实施例中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等,或者上述的任意合适的组合。可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,程序设计语言包括面向对象的程序设计语言诸如Java、C++等,还包括常规的过程式程序设计语言诸如C语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
本申请从使用目的上,效能上,进步及新颖性等观点进行阐述,已符合专利法所强调的功能增进及使用要件,本申请以上的说明书及说明书附图,仅为本申请的较佳实施例而已,并非以此局限本申请,因此,凡一切与本申请构造,装置,特征等近似、雷同的,即凡依本申请专利申请范围所作的等同替换或修饰等,皆应属本申请的专利申请保护的范围之内。
Claims (10)
1.一种脉冲发生器,其特征在于,所述脉冲发生器植入于患者体内,所述脉冲发生器包括处理器,所述处理器被配置成:
S1:利用电极导线感测所述患者的电生理活动,以得到所述患者的电生理信号;
S2:将所述患者的电生理信号输入状态分类模型,以得到所述患者的状态分类结果;
S3:获取所述患者的状态分类结果对应的所述脉冲发生器的期望配置信息;
S4:检测所述脉冲发生器的当前配置信息与期望配置信息是否匹配;如果不匹配,则执行S5;如果相匹配,则在经过第一预设时长后执行S1;其中,如果相匹配则不需要对脉冲发生器的刺激参数进行调整,如果不匹配则需要对脉冲发生器的刺激参数进行调整,使得脉冲发生器能够以期望配置信息对应的刺激参数通过电极导线的电极触点向患者递送电刺激;
S5:利用所述脉冲发生器的期望配置信息对所述脉冲发生器的一个或多个刺激参数进行更新,在经过第二预设时长后执行S1;
其中,所述第二预设时长小于所述第一预设时长;
脉冲发生器的当前配置信息与期望配置信息相匹配是指:当前配置信息与期望配置信息完全一致;或者,当前配置信息与期望配置信息中的每个刺激参数的差值不大于该刺激参数对应的预设阈值;或者,当前配置信息与期望配置信息的相似度不小于预设相似度阈值。
2.根据权利要求1所述的脉冲发生器,其特征在于,所述状态分类模型的训练过程包括:
获取第一训练集,所述第一训练集包括多个第一训练数据,每个所述第一训练数据包括第一样本对象的电生理信号以及所述第一样本对象的状态分类结果的标注数据;
针对所述第一训练集中的每个第一训练数据,执行以下处理:
将所述第一训练数据中的第一样本对象的电生理信号输入预设的第一深度学习模型,以得到所述第一样本对象的状态分类结果的预测数据;
基于所述第一样本对象的状态分类结果的预测数据和标注数据,对所述第一深度学习模型的模型参数进行更新;
检测是否满足预设的第一训练结束条件;如果是,则将训练出的所述第一深度学习模型作为所述状态分类模型;如果否,则利用下一个所述第一训练数据继续训练所述第一深度学习模型。
3.根据权利要求1所述的脉冲发生器,其特征在于,所述处理器被进一步配置成采用以下方式获取所述患者的状态分类结果对应的所述脉冲发生器的期望配置信息:
将所述患者的状态分类结果输入参数配置模型,以得到所述脉冲发生器的期望配置信息;
其中,所述参数配置模型的训练过程包括:
获取第二训练集,所述第二训练集包括多个第二训练数据,每个所述第二训练数据包括第二样本对象的状态分类结果以及所述脉冲发生器的期望配置信息的标注数据;
针对所述第二训练集中的每个第二训练数据,执行以下处理:
将所述第二训练数据中的第二样本对象的状态分类结果输入预设的第二深度学习模型,以得到所述脉冲发生器的期望配置信息的预测数据;
基于所述脉冲发生器的期望配置信息的预测数据和标注数据,对所述第二深度学习模型的模型参数进行更新;
检测是否满足预设的第二训练结束条件;如果是,则将训练出的所述第二深度学习模型作为所述参数配置模型;如果否,则利用下一个所述第二训练数据继续训练所述第二深度学习模型。
4.根据权利要求1所述的脉冲发生器,其特征在于,所述处理器被进一步配置成采用以下方式获取所述患者的状态分类结果对应的所述脉冲发生器的期望配置信息:
获取状态分类结果与期望配置信息的第一对应关系;
基于所述患者的状态分类结果和所述第一对应关系,确定所述患者的状态分类结果对应的所述脉冲发生器的期望配置信息。
5.根据权利要求3或4所述的脉冲发生器,其特征在于,所述脉冲发生器的期望配置信息用于指示以下一种或多种刺激参数的参数值:
刺激脉冲信号的电压幅值、脉宽、频率;
用于递送电刺激的电极触点的标识信息。
6.根据权利要求1所述的脉冲发生器,其特征在于,所述第一预设时长的获取过程包括:
将所述患者的状态分类结果和所述脉冲发生器的电量输入时长计算模型,以得到所述第一预设时长;
其中,所述时长计算模型的训练过程包括:
获取第三训练集,所述第三训练集包括多个第三训练数据,每个所述第三训练数据包括第三样本对象的状态分类结果、样本脉冲发生器的电量以及所述第一预设时长的标注数据;
针对所述第三训练集中的每个第三训练数据,执行以下处理:
将所述第三训练数据中的第三样本对象的状态分类结果和样本脉冲发生器的电量输入预设的第三深度学习模型,以得到所述第一预设时长的预测数据;
基于所述第一预设时长的预测数据和标注数据,对所述第三深度学习模型的模型参数进行更新;
检测是否满足预设的第三训练结束条件;如果是,则将训练出的所述第三深度学习模型作为所述时长计算模型;如果否,则利用下一个所述第三训练数据继续训练所述第三深度学习模型。
7.根据权利要求1所述的脉冲发生器,其特征在于,所述第一预设时长的获取过程包括:
获取电量与第一预设时长的第二对应关系;
基于所述脉冲发生器的当前时刻的电量和所述第二对应关系,确定所述脉冲发生器的当前时刻的电量对应的所述第一预设时长。
8.根据权利要求1所述的脉冲发生器,其特征在于,所述患者的疾病包括以下至少一种:
痉挛疾病、抑郁症、躁郁症、焦虑症、创伤后压力心理障碍症、强迫症、行为障碍、情绪障碍、记忆障碍、心理状态障碍、震颤、帕金森氏病、亨廷顿病、阿尔茨海默症、成瘾性疾病和自闭症。
9.一种医疗系统,其特征在于,所述医疗系统包括:
权利要求1-8任一项所述的脉冲发生器;
电极导线,所述电极导线用于感测患者的电生理活动以及递送电刺激;
程控设备,所述程控设备用于与所述脉冲发生器建立程控连接,所述程控设备用于接收范围配置操作,响应于所述范围配置操作,确定所述脉冲发生器的每个刺激参数对应的可调整的数值范围;
所述脉冲发生器用于在每个刺激参数对应的可调整的数值范围里进行自适应调整。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-8任一项所述脉冲发生器的功能。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210880324.3A CN115054828B (zh) | 2022-07-25 | 2022-07-25 | 脉冲发生器、医疗系统及计算机可读存储介质 |
PCT/CN2023/102709 WO2024021960A1 (zh) | 2022-07-25 | 2023-06-27 | 脉冲发生器、医疗系统及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210880324.3A CN115054828B (zh) | 2022-07-25 | 2022-07-25 | 脉冲发生器、医疗系统及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115054828A true CN115054828A (zh) | 2022-09-16 |
CN115054828B CN115054828B (zh) | 2022-11-01 |
Family
ID=83205762
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210880324.3A Active CN115054828B (zh) | 2022-07-25 | 2022-07-25 | 脉冲发生器、医疗系统及计算机可读存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115054828B (zh) |
WO (1) | WO2024021960A1 (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115429293A (zh) * | 2022-11-04 | 2022-12-06 | 之江实验室 | 一种基于脉冲神经网络的睡眠类型分类方法和装置 |
CN115779226A (zh) * | 2022-12-30 | 2023-03-14 | 上海布恩布莱医疗科技有限公司 | 神经调控参数的调节方法、装置以及神经调控仪 |
CN116440408A (zh) * | 2023-03-17 | 2023-07-18 | 上海杉翎医疗科技有限公司 | 植入式刺激系统、方法、植入式设备、设备和存储介质 |
CN116549853A (zh) * | 2023-07-04 | 2023-08-08 | 苏州景昱医疗器械有限公司 | 脉冲发生器、刺激器、存储介质及程序产品 |
CN116943032A (zh) * | 2023-09-20 | 2023-10-27 | 江西省精一医疗科技有限公司 | 电刺激生成装置、方法、电子设备及存储介质 |
WO2024021960A1 (zh) * | 2022-07-25 | 2024-02-01 | 景昱医疗科技(苏州)股份有限公司 | 脉冲发生器、医疗系统及计算机可读存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111886047A (zh) * | 2018-03-20 | 2020-11-03 | 美敦力公司 | 非连续的电刺激治疗 |
CN113244533A (zh) * | 2021-06-24 | 2021-08-13 | 景昱医疗器械(长沙)有限公司 | 参数调整方法、装置、电子设备及计算机可读存储介质 |
CN113577555A (zh) * | 2021-07-30 | 2021-11-02 | 苏州景昱医疗器械有限公司 | 基于多模态数据的配置信息获取装置及相关设备 |
CN113784748A (zh) * | 2019-03-08 | 2021-12-10 | 卡拉健康公司 | 利用节律生物过程治疗疾病的可穿戴周围神经刺激 |
US20220001181A1 (en) * | 2018-11-09 | 2022-01-06 | The Regents Of The University Of Colorado, A Body Corporate | Deep Brain Stimulation Using Artificial Neural Networks |
CN114206431A (zh) * | 2019-05-16 | 2022-03-18 | 浙江迈达佩思医疗科技有限公司 | 用于向骶神经提供治疗的装置、系统和方法 |
CN114781516A (zh) * | 2022-04-22 | 2022-07-22 | 苏州景昱医疗器械有限公司 | 紧急程控设备、方法、系统及计算机可读存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115054828B (zh) * | 2022-07-25 | 2022-11-01 | 苏州景昱医疗器械有限公司 | 脉冲发生器、医疗系统及计算机可读存储介质 |
-
2022
- 2022-07-25 CN CN202210880324.3A patent/CN115054828B/zh active Active
-
2023
- 2023-06-27 WO PCT/CN2023/102709 patent/WO2024021960A1/zh unknown
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111886047A (zh) * | 2018-03-20 | 2020-11-03 | 美敦力公司 | 非连续的电刺激治疗 |
US20220001181A1 (en) * | 2018-11-09 | 2022-01-06 | The Regents Of The University Of Colorado, A Body Corporate | Deep Brain Stimulation Using Artificial Neural Networks |
CN113784748A (zh) * | 2019-03-08 | 2021-12-10 | 卡拉健康公司 | 利用节律生物过程治疗疾病的可穿戴周围神经刺激 |
CN114206431A (zh) * | 2019-05-16 | 2022-03-18 | 浙江迈达佩思医疗科技有限公司 | 用于向骶神经提供治疗的装置、系统和方法 |
CN113244533A (zh) * | 2021-06-24 | 2021-08-13 | 景昱医疗器械(长沙)有限公司 | 参数调整方法、装置、电子设备及计算机可读存储介质 |
CN113577555A (zh) * | 2021-07-30 | 2021-11-02 | 苏州景昱医疗器械有限公司 | 基于多模态数据的配置信息获取装置及相关设备 |
CN114781516A (zh) * | 2022-04-22 | 2022-07-22 | 苏州景昱医疗器械有限公司 | 紧急程控设备、方法、系统及计算机可读存储介质 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024021960A1 (zh) * | 2022-07-25 | 2024-02-01 | 景昱医疗科技(苏州)股份有限公司 | 脉冲发生器、医疗系统及计算机可读存储介质 |
CN115429293A (zh) * | 2022-11-04 | 2022-12-06 | 之江实验室 | 一种基于脉冲神经网络的睡眠类型分类方法和装置 |
CN115429293B (zh) * | 2022-11-04 | 2023-04-07 | 之江实验室 | 一种基于脉冲神经网络的睡眠类型分类方法和装置 |
CN115779226A (zh) * | 2022-12-30 | 2023-03-14 | 上海布恩布莱医疗科技有限公司 | 神经调控参数的调节方法、装置以及神经调控仪 |
CN116440408A (zh) * | 2023-03-17 | 2023-07-18 | 上海杉翎医疗科技有限公司 | 植入式刺激系统、方法、植入式设备、设备和存储介质 |
CN116440408B (zh) * | 2023-03-17 | 2024-01-09 | 上海杉翎医疗科技有限公司 | 植入式刺激系统、方法、植入式设备、设备和存储介质 |
CN116549853A (zh) * | 2023-07-04 | 2023-08-08 | 苏州景昱医疗器械有限公司 | 脉冲发生器、刺激器、存储介质及程序产品 |
CN116549853B (zh) * | 2023-07-04 | 2023-09-12 | 苏州景昱医疗器械有限公司 | 脉冲发生器、刺激器、存储介质及程序产品 |
CN116943032A (zh) * | 2023-09-20 | 2023-10-27 | 江西省精一医疗科技有限公司 | 电刺激生成装置、方法、电子设备及存储介质 |
CN116943032B (zh) * | 2023-09-20 | 2024-01-09 | 江西省精一医疗科技有限公司 | 电刺激生成装置、方法、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2024021960A1 (zh) | 2024-02-01 |
CN115054828B (zh) | 2022-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115054828B (zh) | 脉冲发生器、医疗系统及计算机可读存储介质 | |
CN107073278B (zh) | 针对电刺激治疗的电极选择 | |
US20190184160A1 (en) | Systems and methods for temporary, incomplete, bi-directional, adjustable electrical nerve block | |
US8761890B2 (en) | Electrical stimulation programming | |
CN114842956B (zh) | 控制设备、医疗系统及计算机可读存储介质 | |
CN115501481A (zh) | 应急程控设备、医疗系统及计算机可读存储介质 | |
CN113244533A (zh) | 参数调整方法、装置、电子设备及计算机可读存储介质 | |
CN115430050A (zh) | 充电提醒装置、植入式神经刺激系统及存储介质 | |
WO2023005353A1 (zh) | 基于多模态数据的配置信息获取装置及相关设备 | |
CN114783585B (zh) | 程控设备、程控系统、电子设备和计算机可读存储介质 | |
WO2023185410A1 (zh) | 刺激电极导线的成像识别方法及相关装置 | |
WO2008109508A2 (en) | Automatic parameter selection and therapy timing for increasing efficiency in responsive neurodevice therapies | |
CN115463347A (zh) | 参数调节装置、程控设备、医疗系统及计算机存储介质 | |
CN115299893A (zh) | 自诊断设备、程控系统及计算机可读存储介质 | |
WO2024083193A1 (zh) | 脉冲发生器、刺激器、医疗系统及计算机可读存储介质 | |
CN117065217A (zh) | 电位信号采集设备及其方法、医疗系统、可读存储介质 | |
WO2024001695A1 (zh) | 数据采集方法、装置、系统及计算机可读存储介质 | |
CN116488297A (zh) | 体外充电器及其充电方法、存储介质及程序产品 | |
WO2023024881A1 (zh) | 慢性病患者视频追溯方法及相关装置 | |
WO2023071378A1 (zh) | 植入式神经刺激器和植入式神经刺激系统 | |
CN114817168A (zh) | 数据存储方法、装置、系统及计算机可读存储介质 | |
CN115019948B (zh) | 控制设备、远程会诊系统和计算机可读存储介质 | |
CN113856040B (zh) | 植入式神经刺激器和植入式神经刺激系统 | |
CN116680571A (zh) | 参数配置装置、医疗系统、存储介质及程序产品 | |
CN117577293A (zh) | 远程程控设备、方法、医疗系统及可读存储介质 |
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 | ||
CP01 | Change in the name or title of a patent holder | ||
CP01 | Change in the name or title of a patent holder |
Address after: 215000 building C16, bio nano Park, 218 Xinghu street, Suzhou Industrial Park, Jiangsu Province Patentee after: Jingyu Medical Technology (Suzhou) Co.,Ltd. Address before: 215000 building C16, bio nano Park, 218 Xinghu street, Suzhou Industrial Park, Jiangsu Province Patentee before: SCENERAY Co.,Ltd. |