CN115098832A - 一种基于丘脑皮层模型的麻醉深度估计方法 - Google Patents
一种基于丘脑皮层模型的麻醉深度估计方法 Download PDFInfo
- Publication number
- CN115098832A CN115098832A CN202210564335.0A CN202210564335A CN115098832A CN 115098832 A CN115098832 A CN 115098832A CN 202210564335 A CN202210564335 A CN 202210564335A CN 115098832 A CN115098832 A CN 115098832A
- Authority
- CN
- China
- Prior art keywords
- thalamocortical
- model
- value
- anesthesia
- vector
- 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
Links
- 230000003461 thalamocortical effect Effects 0.000 title claims abstract description 74
- 206010002091 Anaesthesia Diseases 0.000 title claims abstract description 50
- 230000037005 anaesthesia Effects 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 50
- 239000013598 vector Substances 0.000 claims abstract description 44
- 210000004556 brain Anatomy 0.000 claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims abstract description 15
- 230000009466 transformation Effects 0.000 claims abstract description 14
- 230000003416 augmentation Effects 0.000 claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 18
- 239000003193 general anesthetic agent Substances 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 14
- 230000003190 augmentative effect Effects 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 10
- 230000009471 action Effects 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 6
- 238000009825 accumulation Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 4
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 239000004081 narcotic agent Substances 0.000 abstract 1
- YQEZLKZALYSWHR-UHFFFAOYSA-N Ketamine Chemical compound C=1C=CC=C(Cl)C=1C1(NC)CCCCC1=O YQEZLKZALYSWHR-UHFFFAOYSA-N 0.000 description 9
- 230000003444 anaesthetic effect Effects 0.000 description 9
- 229960003299 ketamine Drugs 0.000 description 9
- 229960004134 propofol Drugs 0.000 description 9
- OLBCVFGFOZPWHH-UHFFFAOYSA-N propofol Chemical compound CC(C)C1=CC=CC(C(C)C)=C1O OLBCVFGFOZPWHH-UHFFFAOYSA-N 0.000 description 9
- 229960002078 sevoflurane Drugs 0.000 description 9
- DFEYYRMXOJXZRJ-UHFFFAOYSA-N sevoflurane Chemical compound FCOC(C(F)(F)F)C(F)(F)F DFEYYRMXOJXZRJ-UHFFFAOYSA-N 0.000 description 9
- 239000003814 drug Substances 0.000 description 7
- 230000001537 neural effect Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 229940079593 drug Drugs 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 4
- 230000033764 rhythmic process Effects 0.000 description 4
- 229940035674 anesthetics Drugs 0.000 description 3
- 238000002695 general anesthesia Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 208000000044 Amnesia Diseases 0.000 description 1
- 208000031091 Amnestic disease Diseases 0.000 description 1
- 208000003443 Unconsciousness Diseases 0.000 description 1
- 230000006986 amnesia Effects 0.000 description 1
- 230000036592 analgesia Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 210000003618 cortical neuron Anatomy 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000001490 effect on brain Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000007230 neural mechanism Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000001991 pathophysiological effect Effects 0.000 description 1
- 230000001766 physiological effect Effects 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 230000036515 potency Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000021885 response to anesthetic Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000946 synaptic effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- Software Systems (AREA)
- Heart & Thoracic Surgery (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Anesthesiology (AREA)
- Algebra (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (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丘脑皮层模型的麻醉深度估计方法，属于脑电计算模型领域，包括：定义一个六维向量来存放丘脑皮层模型的状态变量；通过构建观测方程来体现状态变量在某一时刻的观测值；定义一个增广向量，用于存放每次迭代时状态变量和参数变量的估计值；增广向量做非线性变换得到的数据代入丘脑皮层模型中；将经过丘脑皮层模型运算输出的数据代入观测方程中计算每个列向量对应的模型输出，对每个输出值进行加权求和得到模型的预测值；模型的预测值中包含的参数变量Tcs被定义为丘脑皮质状态；使用Tcs评估麻醉深度。本发明能够对麻醉期间的大脑状态进行生理学上更具体的分析，解决了传统麻醉深度监测方法对不同麻醉药物无法监测的问题。
Description
技术领域
本发明涉及脑电计算模型领域，尤其是一种基于丘脑皮层模型的麻醉深度估计方法，适用于对丙泊酚、七氟醚和氯胺酮三种药物作用下的麻醉深度估计。
背景技术
全身麻醉(general anesthesia,GA)是临床手术中常用的一种医学手段，可以让病人进入无意识、失忆、镇痛、静止以及维持生理稳定状态，从而保障外科大夫安全实施各类手术，但是麻醉药物如何影响大脑的神经机制尚不明确。
对大脑回路结构和脑电图(elelctroencephalogram,EEG)活动的长期研究发现，麻醉药物与特定的离子受体结合可使EEG中有明显的高频率节奏特征，神经群模型基于突触动力学二阶微分方程，可以模拟α、γ等单峰振荡，这表明我们可以借助数学建模的方法研究麻醉药物对大脑节律产生的影响。而且数学模型提供了一种可替代的神经信息源，对于特定节律的EEG，使用模型生成EEG就避免了信号采集的过程对生物造成的伤害，以及一些不必要的噪声干扰。
神经计算模型逐渐发展为分析神经元功能特性的方法，用于区分病理生理性脑电变化。基于神经计算模型可以更好地理解脑电信号产生的物理机制、脑电异常，而且借助模型参数估计的方法，可以定量分析特定脑电生理活动。神经群模型(neural mass model,NMM)能够对某一脑区的脑电状态变化进行模拟，生成不同脑状态的EEG信号，以此在宏观上理解大脑在不同状态下的节律。基于麻醉药物对皮层神经元的作用原理，研究神经群模型参数的变化生成不同频段的EEG，进一步推测麻醉药物的神经作用机制，对麻醉深度的评估具有实际的生理意义。
发明内容
本发明需要解决的技术问题是提供一种基于丘脑皮层模型的麻醉深度估计方法，使用丘脑皮层模型来模拟麻醉药物作用下的EEG信号，将Tcs作为模型参数的状态变量，经过增广矩阵的非线性变换和建立观测矩阵，以递推的形式观测Tcs的变化，通过仿真麻醉期间的EEG同时评估丘脑皮质状态(thalamocortical state,TCS)，以此能够对麻醉期间的大脑状态进行生理学上更具体的分析，避免了基于EEG的麻醉深度测量方法很难检测到包括丙泊酚、七氟醚、氯胺酮在内的一些常用麻醉药。
为解决上述技术问题，本发明所采用的技术方案是：
一种基于丘脑皮层模型的麻醉深度估计方法，包括以下步骤：
S1，定义一个六维向量xt来存放丘脑皮层模型的状态变量，在每次的迭代过程中，随着旧数据误差不断积累和新的数据的修正，需要一个增广向量用于存放每次迭代时状态变量和参数变量的估计值；
S2，假设状态变量在某一时刻的观测值
只受自身变化的影响，其规律通过构建观测方程yt来体现；
S3，对增广向量做非线性变换，将得到的数据代入丘脑皮层模型中计算状态变量值
和参数值
S4，将步骤3得到的
和
代入观测方程中计算丘脑皮层模型的观测值，对每个观测值加权求和得到丘脑皮层模型的预测值；
S5，将步骤4得到的预测值中包含的参数变量Tcs被定义为丘脑皮质状态；
S6，形式上将丘脑皮质状态的变化定义为麻醉深度的估计指数，使用丘脑皮质状态评估麻醉深度。
本发明技术方案的进一步改进在于：S1中，状态向量包括模型参数和丘脑皮质状态参数，定义一个增广向量
来用于存放每次迭代时状态变量的估计值和参数变量的估计值，采用高性能的迭代算法，通过跟踪得到模拟脑电信号来估计丘脑皮层模型中生理参数的变化。
本发明技术方案的进一步改进在于：S2中，构建的观测方程为：
yt＝Ctxt+et
式中，xt是一个六维向量，保存每次跟踪过程中丘脑皮层模型的状态变量，Ct是丘脑皮层模型中的常数矩阵，et代表测量误差。
本发明技术方案的进一步改进在于：S3中，对增广向量
做非线性变换；使用逼近非线性分布的方法，使第i个变量被扩展为2n+1个采样点的高斯分布，且均值为增广向量的第i个值；非线性变换的计算公式为：
式中，
10-4＜γ＜1是缩放参数，常数κ是二阶缩放参数，通常设置为0或者
是矩阵Pt-1的下三角分解，保证Pt-1为正定才能顺利计算；Pt为模型变量协方差：
K为比例常数(0<K<1)，
和Pt y是丘脑皮层模型的输出值和预测值的加权方差，计算公式为：
式中，Q是增广矩阵协方差，事先给增广矩阵协方差Q设置如下：Q＝diag(α2 α2 (Aaα2)Δt α2 α2 α2 α1A0 α1B0 α1Tcs)；其中α1＝10-4，α2＝10-7，A0、B0、a0、b0、Tcs是初始值；R＝(0.2σeeg)2中的σeeg真实脑电数据的测量标准差，权值定义如下：
式中，β是一个常值变量。
本发明技术方案的进一步改进在于：S4中，具体过程如下：
将经过丘脑皮层模型运算的输出的数据代入观测方程中计算的每个列向量对应的模型输出，对每个输出值赋予权值，相加得到模型的预测值yt；经过非线性变换得到列向量，每个列向量中都包含和增广矩阵含义一样的变量值；将得到的列向量代入丘脑皮层模型中计算n次后得到状态变量值和参数值
和
经过丘脑皮层模型运算的输出的数据代入观测方程中计算的每个列向量对应的模型输出yt；但是此时计算得到的是2n+1个变量值，将每个值搭配一个权值，相加得到丘脑皮层模型的预测值，计算如下式：
本发明技术方案的进一步改进在于：S6中，所述估计指数是一种基于丘脑皮层模型的信号分析方法，能够更好的反映麻醉药物作用下丘脑皮质状态参数的变化，更好地理解和监测麻醉相关的脑电图现象。
由于采用了上述技术方案，本发明取得的技术进步是：
1、本发明采用一种受生理学启发的脑电分析方法，假设通过对TCS联合脑电估计来评估麻醉深度，极大减少了传统麻醉深度监测对不同麻醉药物无法监测的问题。
2、本发明提供了一种新的方法来评估麻醉深度，适用于多种麻醉药物，尤其是对丙泊酚、七氟醚、氯胺酮三种药物的麻醉。
3、本发明在匹配丘脑皮层的参数设置上提供了更多参数选择，所以在模型参数优化受限的神经科学领域，本发明对研究麻醉的作用机制和区分不同意识状态具有重要意义。
4、本发明能够对麻醉期间的大脑状态进行生理学上更具体的分析，解决了传统麻醉深度监测方法对不同麻醉药物无法监测的问题。
附图说明
图1为本发明的基于丘脑皮层模型的麻醉深度估计方法的流程图；
图2为本发明的丘脑皮层模型的生理结构示意图；
图3为用本发明方法计算的丙泊酚麻醉药物下的TCS曲线图和时频图；
图4为用本发明方法计算的七氟醚麻醉药物下的TCS曲线图和时频图；
图5为用本发明方法计算的氯胺酮麻醉药物下的TCS曲线图和时频图；
图6为本发明中丙泊酚、七氟醚和氯胺酮三种药物不同意识状态下TCS参数的箱线图。
具体实施方式
本申请实施例通过提供一种基于丘脑皮层模型的麻醉深度估计方法，解决了现有技术中麻醉深度指标对麻醉药物浓度依赖性的问题；采用脑电分析方法，假设通过对提出的TCS联合脑电估计来评估麻醉深度，极大减少了传统麻醉深度监测对不同麻醉药物无法监测的问题，尤其对对丙泊酚、七氟醚和氯胺酮三种药物作用下的麻醉深度估计，效果显著。
下面结合附图及实施例对本发明做进一步详细说明：
T-CNMM为英文thalamo-cortical neural mass model的缩写，中文译为：丘脑皮层模型；
EEG为英文elelctroencephalogram的缩写，中文译为：脑电图；
TCS为英文Thalamocortical state的缩写，中文译为：丘脑皮质状态；
sEEG为英文simulated elelctroencephalogram的缩写，中文译为：模拟脑电。
如图1、2所示，一种基于丘脑皮层模型的麻醉深度估计方法，具体的是一种基于丘脑皮层模型对丙泊酚、七氟醚和氯胺酮三种药物作用下的麻醉深度估计方法，经过处理的脑电图监测，大多数取决于高频的消失和向低频的转移，从脑电图对麻醉药物反应的统计现象学中量化麻醉药物的作用水平，包括以下步骤：
S1，定义一个六维向量xt来存放丘脑皮层模型的状态变量，在每次的迭代过程中，随着旧数据误差不断积累和新的数据的修正，需要一个增广向量用于存放每次迭代时状态变量和参数变量的估计值；
具体的：建立一个六维向量xt，用于存放每次迭代时状态变量(是总的矢量)的估计值和参数变量的估计值。保存最优估计值的估计增广矩阵
其中θt＝[At BtTcst]T 
At Bt为模型参数，
为TCS的参数变量。状态向量(是包含的每个分量)包括模型参数和丘脑皮质状态(TCS)参数，使用
作为估计过程中模型的中间变量，在一次次迭代过程中，随着旧数据误差不断积累和新的数据的修正，得到更新的增广向量，迭代后的增广向量就是估计值。
S2，假设状态变量在某一时刻的观测值
只受自身变化的影响，其规律通过构建观测方程yt来体现；
具体的：构建观测方程yt＝Ctxt+et，
式中，xt是一个六维向量，保存每次跟踪过程中丘脑皮层模型的状态变量，Ct是丘脑皮层模型中的常数矩阵，et代表测量误差。使用贝叶斯公式
结合观测方程得到模型的中间变量。
S3，对增广向量做非线性变换，将得到的数据代入丘脑皮层模型中计算状态变量值
和参数值
具体的：使用逼近非线性分布的方法，对增广向量做非线性变换，非线性变换的计算公式为：
式中，
10-4＜γ＜1是缩放参数，常数κ是二阶缩放参数，通常设置为0或者
是矩阵Pt-1的下三角分解，保证Pt-1为正定才能顺利计算；Pt为模型变量协方差：
K为比例常数(0<K<1)，
和Pt y是丘脑皮层模型预测值的加权方差，计算公式为：
其中Q是增广矩阵协方差，事先给增广矩阵协方差Q设置如下：
Q＝diag(α2 α2(Aaα2)Δt α2 α2 α2 α1A0 α1B0 α1Tcs)
其中α1＝10-4，α2＝10-7，A0、B0、a0、b0、Tcs是初始值。
R＝(0.2σeeg)2中的σeeg真实脑电数据的测量标准差，权值定义如下：
式中，β是一个常值变量。
S4，将步骤3得到的
和
代入观测方程中计算丘脑皮层模型的观测值，对每个观测值加权求和得到丘脑皮层模型的预测值；
具体的：经过非线性变换得到的列向量，每个列向量中都包含和增广矩阵含义一样的变量值。将得到的列向量代入T-CNMM中计算n次后的状态变量值和参数值
和
将经过T-CNMM运算的输出的数据代入观测方程中计算的每个列向量对应的输出值xt和yt。但是此时计算得到的是2n+1个变量值，将每个值进行加权求和后得到模型的预测值，计算如下式：
S5，将步骤4得到的丘脑皮层模型的预测值定义为丘脑皮质状态；
具体的：增广向量经过n次迭代之后得到预测值中包含的参数变量Tcs被定义为丘脑皮质状态(Thalamocortical state，TCS)。对手术中采集到的丙泊酚、七氟醚、氯胺酮三种药物的实际脑电(real EEG,rEEG)数据分别建模，通过S1-S4得到的部分模型参数变量和Tcs代入到模型中得到模拟脑电(simulated EEG,sEEG)。
S6，形式上将TCS的变化定义为麻醉深度的估计指数，使用TCS评估麻醉深度。
具体的：形式上将TCS的变化定义为麻醉深度的估计指数(描述估计)。画出三种脑电药物仿真出的sEEG的时频图，以及跟踪过程中的估计参数Tcs的变化，观察麻醉过程中引起的脑电活动与所提出的TCS变化趋势。
用本发明的方法计算得到的TCS值，结果如图3-图6所示。结果显示，麻醉期间随着麻醉诱导和恢复，TCS能够跟踪麻醉药物浓度的变化，同时对这三种麻醉剂的不同效力也很敏感。本发明的方法提供了一种潜在的有效测量方法，适用于不同分子作用模式下不同麻醉剂的麻醉深度监测。可以观察到TCS随着丙泊酚、七氟醚、氯胺酮浓度的增加而降低，通过跟踪不同意识状态麻醉药物浓度的变化，表明在麻醉药物存在时对大脑TCS的影响。所以在麻醉机制尚不明确的神经麻醉领域，本发明对TCS的评估可能为量化一系列麻醉药物的中枢效应展示了一种新的方法。
最后应说明的是：以上所述的各实施例仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施所记载的技术方案进行修改，或者对其中部分或全部技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明各实施技术方案的范围。
Claims (6)
1.一种基于丘脑皮层模型的麻醉深度估计方法，其特征在于：包括以下步骤：
S1，定义一个六维向量xt来存放丘脑皮层模型的状态变量，在每次的迭代过程中，随着旧数据误差不断积累和新的数据的修正，需要一个增广向量用于存放每次迭代时状态变量和参数变量的估计值；
S2，假设状态变量在某一时刻的观测值
只受自身变化的影响，其规律通过构建观测方程yt来体现；
S3，对增广向量做非线性变换，将得到的数据代入丘脑皮层模型中计算状态变量值
和参数值
S4，将步骤3得到的
和
代入观测方程中计算丘脑皮层模型的观测值，对每个观测值加权求和得到丘脑皮层模型的预测值；
S5，将步骤4得到的预测值中包含的参数变量Tcs定义为丘脑皮质状态；
S6，形式上将丘脑皮质状态的变化定义为麻醉深度的估计指数，使用丘脑皮质状态评估麻醉深度。
2.根据权利要求1所述的一种基于丘脑皮层模型的麻醉深度估计方法，其特征在于：S1中，状态向量包括模型参数和丘脑皮质状态参数Tcs，定义一个增广向量
来用于存放每次迭代时状态变量的估计值和参数变量的估计值，采用高性能的迭代算法，通过跟踪得到模拟脑电信号来估计丘脑皮层模型中生理参数的变化。
3.根据权利要求2所述的一种基于丘脑皮层模型的麻醉深度估计方法，其特征在于：S2中，构建的观测方程为：
yt＝Ctxt+et
式中，xt是一个六维向量，保存每次跟踪过程中丘脑皮层模型的状态变量，Ct是丘脑皮层模型中的常数矩阵，et代表测量误差。
4.根据权利要求1所述的一种基于丘脑皮层模型的麻醉深度估计方法，其特征在于：S3中，对增广向量
做非线性变换；使用逼近非线性分布的方法，使第i个变量被扩展为2n+1个采样点的高斯分布，且均值为增广向量的第i个值；非线性变换的计算公式为：
式中，
10-4＜γ＜1是缩放参数，常数κ是二阶缩放参数，通常设置为0或者
是矩阵Pt-1的下三角分解，保证Pt-1为正定才能顺利计算；Pt为模型变量协方差：
K为比例常数(0<K<1)，
和Pt y是丘脑皮层模型的预测值的加权方差，计算公式为：
式中，Q是增广矩阵协方差，事先给增广矩阵协方差Q设置如下：Q＝diag(α2α2(Aaα2)Δtα2α2α2α1A0α1B0α1Tcs)；其中α1＝10-4，α2＝10-7，A0、B0、a0、b0、Tcs是初始值；R＝(0.2σeeg)2中的σeeg真实脑电数据的测量标准差，权值定义如下：
式中，β是一个常值变量。
5.根据权利要求1所述的一种基于丘脑皮层模型的麻醉深度估计方法，其特征在于：S4中，具体过程如下：
将经过丘脑皮层模型运算的输出的数据代入观测方程中计算的每个列向量对应的模型输出，对每个输出值赋予权值，相加得到模型的预测值yt；经过非线性变换得到列向量，每个列向量中都包含和增广矩阵含义一样的变量值；将得到的列向量代入丘脑皮层模型中计算n次后得到状态变量值和参数值
和
经过丘脑皮层模型运算的输出的数据代入观测方程中计算的每个列向量对应的模型输出yt；但是此时计算得到的是2n+1个变量值，将每个值搭配一个权值，相加得到丘脑皮层模型的预测值，计算如下式：
6.根据权利要求1所述的一种基于丘脑皮层模型的麻醉深度估计方法，其特征在于：S6中，所述估计指数是一种基于丘脑皮层模型的信号分析方法，能够更好的反映麻醉药物作用下丘脑皮质状态参数的变化，更好地理解和监测麻醉相关的脑电图现象。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210564335.0A CN115098832A (zh) | 2022-05-23 | 2022-05-23 | 一种基于丘脑皮层模型的麻醉深度估计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210564335.0A CN115098832A (zh) | 2022-05-23 | 2022-05-23 | 一种基于丘脑皮层模型的麻醉深度估计方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115098832A true CN115098832A (zh) | 2022-09-23 |
Family
ID=83289595
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210564335.0A Pending CN115098832A (zh) | 2022-05-23 | 2022-05-23 | 一种基于丘脑皮层模型的麻醉深度估计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115098832A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107595247A (zh) * | 2017-08-29 | 2018-01-19 | 深圳市德力凯医疗设备股份有限公司 | 一种基于脑电信号的麻醉深度的监测方法及系统 |
| CN110263924A (zh) * | 2019-06-19 | 2019-09-20 | 北京计算机技术及应用研究所 | 一种神经元群模型的参数和状态估计方法 |
| CN110840411A (zh) * | 2019-12-06 | 2020-02-28 | 深圳市德力凯医疗设备股份有限公司 | 一种麻醉深度的测量方法、存储介质及电子设备 |
| CN112493995A (zh) * | 2020-11-27 | 2021-03-16 | 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 |
-
2022
- 2022-05-23 CN CN202210564335.0A patent/CN115098832A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107595247A (zh) * | 2017-08-29 | 2018-01-19 | 深圳市德力凯医疗设备股份有限公司 | 一种基于脑电信号的麻醉深度的监测方法及系统 |
| CN110263924A (zh) * | 2019-06-19 | 2019-09-20 | 北京计算机技术及应用研究所 | 一种神经元群模型的参数和状态估计方法 |
| CN110840411A (zh) * | 2019-12-06 | 2020-02-28 | 深圳市德力凯医疗设备股份有限公司 | 一种麻醉深度的测量方法、存储介质及电子设备 |
| WO2021109601A1 (zh) * | 2019-12-06 | 2021-06-10 | 深圳市德力凯医疗设备股份有限公司 | 一种麻醉深度的测量方法、存储介质及电子设备 |
| CN112493995A (zh) * | 2020-11-27 | 2021-03-16 | 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 |
Non-Patent Citations (3)
| Title |
|---|
| MICHAEL BREAKSPEAR: "Dynamic models of large-scale brain activity", 《NATURE》, 23 February 2017 (2017-02-23), pages 1 - 13 * |
| YUE GU 等: "Use of Multiple EEG Features and Artificial Neural Network to Monitor the Depth of Anesthesia", 《SENSORS》, 31 May 2019 (2019-05-31), pages 1 - 12 * |
| 梁振虎 等: "丘脑皮层神经群模型仿真及现场可编程门阵列实现研究", 《生物医学工程学杂志》, 31 August 2016 (2016-08-31), pages 1 - 10 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tong et al. | Nonextensive entropy measure of EEG following brain injury from cardiac arrest | |
| Kannathal et al. | Characterization of EEG—a comparative study | |
| Kaffashi et al. | The effect of time delay on approximate & sample entropy calculations | |
| Lu et al. | Dynamic entropy-based pattern learning to identify emotions from EEG signals across individuals | |
| CN105764415B (zh) | 将非平稳信号分解成函数分量 | |
| JP5203215B2 (ja) | 脳波（ｅｅｇ）測定値を使って抑うつおよびその他の気分障害を分析し、評価するシステムおよび方法 | |
| Malladi et al. | Online Bayesian change point detection algorithms for segmentation of epileptic activity | |
| US11241188B2 (en) | System and methods for monitoring and improving cognitive flexibility | |
| Abeysuriya et al. | Real-time automated EEG tracking of brain states using neural field theory | |
| Kuhlmann et al. | Neural mass model-based tracking of anesthetic brain states | |
| Song et al. | A new neural mass model driven method and its application in early epileptic seizure detection | |
| CN114051616A (zh) | 用于将机械学习中使用的示教数据放大的系统、方法、程序 | |
| Gibson et al. | EEG variability: Task-driven or subject-driven signal of interest? | |
| Schetinin et al. | Classification of newborn EEG maturity with Bayesian averaging over decision trees | |
| Gohil et al. | Mixtures of large-scale dynamic functional brain network modes | |
| Zhu et al. | Unsupervised Bayesian inference to fuse biosignal sensory estimates for personalizing care | |
| Wei et al. | Online vigilance analysis based on electrooculography | |
| Ruse et al. | Inference for biomedical data by using diffusion models with covariates and mixed effects | |
| Kanchanamala et al. | Heart disease prediction using hybrid optimization enabled deep learning network with spark architecture | |
| Stroh et al. | Hypothesis-driven modeling of the human lung–ventilator system: A characterization tool for Acute Respiratory Distress Syndrome research | |
| Kuhlmann et al. | Tracking electroencephalographic changes using distributions of linear models: application to propofol-based depth of anesthesia monitoring | |
| Prado | Sequential estimation of mixtures of structured autoregressive models | |
| CN115098832A (zh) | 一种基于丘脑皮层模型的麻醉深度估计方法 | |
| Le Van Quyen et al. | Exploring the nonlinear dynamics of the brain | |
| Gaso et al. | Electromyography signal classification using deep learning |
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 |