CN115105681B - 基于多模态生理指标的麻醉闭环输注系统 - Google Patents
基于多模态生理指标的麻醉闭环输注系统 Download PDFInfo
- Publication number
- CN115105681B CN115105681B CN202210730110.8A CN202210730110A CN115105681B CN 115105681 B CN115105681 B CN 115105681B CN 202210730110 A CN202210730110 A CN 202210730110A CN 115105681 B CN115105681 B CN 115105681B
- Authority
- CN
- China
- Prior art keywords
- drug
- value
- mdi
- hei
- parameter
- 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
- 238000001802 infusion Methods 0.000 title claims abstract description 60
- 206010002091 Anaesthesia Diseases 0.000 title claims abstract description 44
- 230000037005 anaesthesia Effects 0.000 title claims abstract description 44
- 239000003814 drug Substances 0.000 claims abstract description 196
- 229940079593 drug Drugs 0.000 claims abstract description 166
- 238000002347 injection Methods 0.000 claims abstract description 53
- 239000007924 injection Substances 0.000 claims abstract description 53
- 206010039897 Sedation Diseases 0.000 claims abstract description 26
- 230000036280 sedation Effects 0.000 claims abstract description 25
- 230000036592 analgesia Effects 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims abstract description 15
- 238000001320 near-infrared absorption spectroscopy Methods 0.000 claims abstract description 12
- 238000013500 data storage Methods 0.000 claims abstract description 9
- 238000012544 monitoring process Methods 0.000 claims abstract description 9
- 230000036772 blood pressure Effects 0.000 claims abstract description 7
- 238000007405 data analysis Methods 0.000 claims abstract description 7
- 239000000932 sedative agent Substances 0.000 claims description 43
- 230000004044 response Effects 0.000 claims description 38
- 238000005457 optimization Methods 0.000 claims description 34
- 230000001624 sedative effect Effects 0.000 claims description 33
- 238000000034 method Methods 0.000 claims description 31
- 230000000202 analgesic effect Effects 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 19
- 230000000694 effects Effects 0.000 claims description 16
- 229940035676 analgesics Drugs 0.000 claims description 14
- 239000000730 antalgic agent Substances 0.000 claims description 14
- 238000012546 transfer Methods 0.000 claims description 11
- 210000002569 neuron Anatomy 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 230000006698 induction Effects 0.000 claims description 7
- 238000012423 maintenance Methods 0.000 claims description 7
- 239000000243 solution Substances 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 208000000114 Pain Threshold Diseases 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 6
- 230000003444 anaesthetic effect Effects 0.000 claims description 6
- 230000000857 drug effect Effects 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 6
- 230000001965 increasing effect Effects 0.000 claims description 6
- 230000037040 pain threshold Effects 0.000 claims description 6
- 210000004556 brain Anatomy 0.000 claims description 5
- 210000003205 muscle Anatomy 0.000 claims description 5
- 230000000875 corresponding effect Effects 0.000 claims description 4
- 238000013136 deep learning model Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 239000003596 drug target Substances 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims description 3
- 210000001061 forehead Anatomy 0.000 claims description 3
- 230000002040 relaxant effect Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000035790 physiological processes and functions Effects 0.000 abstract description 3
- 230000008901 benefit Effects 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 208000002193 Pain Diseases 0.000 description 6
- 239000003193 general anesthetic agent Substances 0.000 description 6
- OLBCVFGFOZPWHH-UHFFFAOYSA-N propofol Chemical compound CC(C)C1=CC=CC(C(C)C)=C1O OLBCVFGFOZPWHH-UHFFFAOYSA-N 0.000 description 6
- 229960004134 propofol Drugs 0.000 description 6
- 230000036407 pain Effects 0.000 description 5
- ZTVQQQVZCWLTDF-UHFFFAOYSA-N Remifentanil Chemical compound C1CN(CCC(=O)OC)CCC1(C(=O)OC)N(C(=O)CC)C1=CC=CC=C1 ZTVQQQVZCWLTDF-UHFFFAOYSA-N 0.000 description 4
- 229960003394 remifentanil Drugs 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- YXSLJKQTIDHPOT-UHFFFAOYSA-N Atracurium Dibesylate Chemical compound C1=C(OC)C(OC)=CC=C1CC1[N+](CCC(=O)OCCCCCOC(=O)CC[N+]2(C)C(C3=CC(OC)=C(OC)C=C3CC2)CC=2C=C(OC)C(OC)=CC=2)(C)CCC2=CC(OC)=C(OC)C=C21 YXSLJKQTIDHPOT-UHFFFAOYSA-N 0.000 description 2
- 229960001862 atracurium Drugs 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001647 drug administration Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- 210000003462 vein Anatomy 0.000 description 2
- 206010021118 Hypotonia Diseases 0.000 description 1
- 208000032358 Intraoperative Awareness Diseases 0.000 description 1
- 208000031649 Postoperative Nausea and Vomiting Diseases 0.000 description 1
- 206010066963 Procedural vomiting Diseases 0.000 description 1
- 206010003119 arrhythmia Diseases 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 238000007675 cardiac surgery Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007012 clinical effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000890 drug combination Substances 0.000 description 1
- 238000012377 drug delivery Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000001990 intravenous administration Methods 0.000 description 1
- 230000007794 irritation Effects 0.000 description 1
- DDLIGBOFAVUZHB-UHFFFAOYSA-N midazolam Chemical compound C12=CC(Cl)=CC=C2N2C(C)=NC=C2CN=C1C1=CC=CC=C1F DDLIGBOFAVUZHB-UHFFFAOYSA-N 0.000 description 1
- 229960003793 midazolam Drugs 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036640 muscle relaxation Effects 0.000 description 1
- 239000003158 myorelaxant agent Substances 0.000 description 1
- 239000004081 narcotic agent Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 229960004739 sufentanil Drugs 0.000 description 1
- GGCSSNBKKAUURC-UHFFFAOYSA-N sufentanil Chemical compound C1CN(CCC=2SC=CC=2)CCC1(COC)N(C(=O)CC)C1=CC=CC=C1 GGCSSNBKKAUURC-UHFFFAOYSA-N 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
- A61M5/00—Devices for bringing media into the body in a subcutaneous, intra-vascular or intramuscular way; Accessories therefor, e.g. filling or cleaning devices, arm-rests
- A61M5/14—Infusion devices, e.g. infusing by gravity; Blood infusion; Accessories therefor
- A61M5/168—Means for controlling media flow to the body or for metering media to the body, e.g. drip meters, counters ; Monitoring media flow to the body
- A61M5/172—Means for controlling media flow to the body or for metering media to the body, e.g. drip meters, counters ; Monitoring media flow to the body electrical or electronic
- A61M5/1723—Means for controlling media flow to the body or for metering media to the body, e.g. drip meters, counters ; Monitoring media flow to the body electrical or electronic using feedback of body parameters, e.g. blood-sugar, pressure
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/389—Electromyography [EMG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—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
- A61B5/48—Other medical applications
- A61B5/4836—Diagnosis combined with treatment in closed-loop systems or methods
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Anesthesiology (AREA)
- Cardiology (AREA)
- Physiology (AREA)
- Hematology (AREA)
- Diabetes (AREA)
- Vascular Medicine (AREA)
- Pulmonology (AREA)
- Infusion, Injection, And Reservoir Apparatuses (AREA)
Abstract
本发明公开了一种基于多模态生理指标的麻醉闭环输注系统，其包括生理参数采集系统、指标生成系统、输注泵以及控制系统，生理参数采集系统用于采集EEG参数、ECG参数、NIRS信号参数以及血压参数，指标生成系统根据生理参数采集系统采集的数据生成镇静深度指标MDI、镇痛深度参数HEI，控制系统包含用户界面、数据解析单元、药物模型、数据存储单元、药物控制器以及药物预测单元及参数预警单元。本发明的系统能够融合多种药物同时输注，此外系统具有患者生理状态监测和突发状况的报警提示功能，并能够对需要的注药信息进行预测，实现患者的术中安全监测与药物自动输注，具有实时性强，精度高等优点。
Description
技术领域
本发明涉及麻醉控制领域，具体地涉及一种基于多模态生理指标的麻醉闭 环输注系统。
背景技术
全凭静脉麻醉药物主要包括镇静药物(丙泊酚和咪达唑仑等)、镇痛药物(瑞 芬太尼和舒芬太尼等)和肌松药物(阿曲库铵和顺势阿曲库铵等)。临床麻醉医生 需要根据患者的麻醉状态以及不同的麻醉时期选取合适的麻醉药物和给药方 案。然而，目前针对TIVA的给药，主要依靠麻醉医生的技术水平和临床经验， 这也导致了麻醉药物用量的不确定性，很多患者面临麻醉过深或过浅的风险， 这些风险包括了术中知晓、呼吸暂定、心律失常、术后呕吐、镇痛不足等[3]。 此外，一些复杂的外科手术，如心脏外科手术、神经外科手术等，对麻醉药物 的控制提出了更高的要求，以此来保证患者术中和术后的安全。由于患者个体之间存在差异并且PKPD模型中参数通常是不变的，这与患者的实际情况不相 符，会导致不期望的手术刺激和风险。同时，手术当中麻醉药物常常联合使用， 药物彼此间的相互作用关系也会导致实际结果与期望目标存在一定差别。
闭环控制系统拥有反馈控制器，可以在动态变换中以更高的频率对药物剂 量进行调整。同时，多变量的设置，控制系统能够精准的对目标进行调整，能 够实现药物联合输注的精准控制、减少患者个体差异产生的影响、对手术刺激 能够做出快速响应，使其达到预期的临床效果。因此，设计一个广泛应用于临 床的麻醉闭环控制系统，减轻医生负担和增强患者治疗安全的同时极大地减少 患者治疗的成本，将具有非常重要的意义。
发明内容
为了解决上述现有技术的不足，本发明的目的在于通过监测患者的多模态 生理参数，提供一种基于多模态生理指标的麻醉闭环控制输注系统，以采集的 EEG、ECG、NIRS和血压等生理信号为状态进行观测，以静脉镇静-镇痛联合 麻醉为主的全静脉麻醉。考虑联合用药的协同效应问题，采用智能化控制方法 实现多种药物闭环控制输注。系统具有患者生理状态监测和突发状况的报警提 示功能，并可对需要的注药信息进行预测，从而能够保障麻醉的正常进行。
为实现上述目的，本发明采用了以下技术方案：本发明提供一种基于多模 态生理指标的麻醉闭环输注系统，其包括生理参数采集系统、指标生成系统、 输注泵以及控制系统，所述生理参数采集系统用于采集EEG参数、ECG参数、 NIRS信号参数以及血压参数，所述指标生成系统根据所述生理参数采集系统 采集的数据生成镇静深度指标MDI和镇痛深度参数HEI，所述控制系统包含 用户界面、数据解析单元、药物模型、数据存储单元、药物控制器、药物预测 单元及参数预警单元，所述数据解析单元用于解析采集的指标数据；所述用户 界面用于显示生理信息指标；所述参数预警单元用于监测并报警；所述数据存 储单元用于存储数据，所述药物控制器内设置有PKPD响应面模型，所述PKPD 响应面模型用于计算药物的剂量；所述药物预测单元根据PKPD响应面模型预 测未来的药物剂量；
镇静深度指标MDI的具体生成过程为：对原始EEG参数信号进行滤波降 采样处理后，使用频域分析和非线性方法计算脑电特征指标，包括PE、BSR、 SFS、SEF95以及β比率，之后通过训练好的深度学习模型实时计算得到镇静 深度指标MDI；模型的训练以获取的实际脑电为基础，深度学习模型为包括 门控循环单元神经网络的组合模型，所述组合模型通过输入的特征输出BIS 曲线；
组合模型包括GRU网络和全连接网络，其中，GRU网络用于从输入特征 的历史数据中提取中间特征，所述全连接网络用于将提取的中间特征降维至1， 并输出预测的BIS，所述GRU网络包括多个GRU神经元，每个GRU神经元 在接受当前时刻的输入特征Xt后会对上一时刻的中间传递信息St-1进行更新， 更新时保留输入特征Xt和中间传递信息St-1中的重要信息并舍弃不重要的信息， 最终生成当前时刻的中间传递信息St，并将中间传递信息St传递到下一时刻， 直至在最后时刻产生输出BIS(t)并生成BIS曲线，其具体过程如下：
其中，r(t)为重置门参数，z(t)为更新门参数，激活函数sigmoid为 S(x)＝1/(1+e-x)，激活函数tanh为T(x)＝(ex-e-x)/(ex+e-x)，Wr、Wo、Wz、Whh、 Ur、Uz、Uhh分别为神经元内部的不同权重矩阵，Br、Bz和Bo分别为神经元内 部的不同偏置矩阵；
镇痛深度参数HEI的具体生成过程为：利用NIRS信号中的HbO信息和 所采集前额生物电信息中的肌电(EMG)分量实时计算镇痛深度参数HEI，融合 镇痛参数HEI采用模糊逻辑规则，具体计算过程如下所示：当HbO和EMG 均不变时，HEI的值为1；当HbO不变且EMG增加时，HEI的值为2；当HbO 增加且EMG不变时，HEI的值为3；当HbO和EMG均增加时，HEI的值为4；具体的计算公式如下：
式中，ΔEMG是t时刻的EMG值与前5sEMG值的平均值之差，ΔHbO是t 时刻的HbO值与前60sHbO值的平均值之差；当ΔEMG或ΔHbO的值大于0时 表示为增加，当ΔEMG或ΔHbO的值小于0时表示为减少，当ΔEMG或ΔHbO的 值等于0时表示为不变；
所述控制系统根据药物响应模型预测未来的药物输注曲线，并根据镇静深 度指标MDI、镇痛深度指标HEI，自动计算药物用量以及药物注射速率，完成 对麻醉药物的输注；
所述药物控制器内设置有MDI第一阈值、MDI第二阈值、MDI第三阈值、 MDI第四阈值、HEI阈值；
麻醉诱导期时，所述输注泵根据PKPD响应面模型计算的药物初始用量注 射诱导期镇静药物以及镇痛药物，注射完成后，如果镇静深度指标MDI小于 MDI第一阈值则增大镇静药物用量，如果镇静深度指标MDI大于MDI第一阈 值，注射肌肉松弛药物，如果镇静深度指标MDI小于MDI第二阈值或者镇痛 深度参数HEI小于HEI阈值时，所述控制器对PKPD响应面模型进行优化， 得到优化后的药物用量以及药物注射速率，所述药物预测单元根据优化后的药 物用量以及药物注射速率对未来的药物剂量进行预测，判断药物用量以及药物 注射速率是否达到需求，当镇静深度指标MDI大于MDI第二阈值且镇痛深度 参数HEI大于HEI阈值时，输注泵停止注药并观察；
麻醉维持期时，所述输注泵根据PKPD响应面模型计算的药物初始用量注 射维持期镇静药物以及镇痛药物，注射完成后，如果镇静深度指标MDI小于MDI第四阈值或者镇痛深度参数HEI小于HEI阈值，所述控制器对PKPD响 应面模型进行优化，得到优化后的药物用量以及药物注射速率，所述药物预测 单元根据优化后的药物用量以及药物注射速率对未来的药物剂量进行预测，判 断药物用量以及药物注射速率是否达到需求，当镇静深度指标MDI大于MDI 第四阈值且镇痛深度参数HEI大于HEI阈值时，输注泵停止注药并观察。
优选地，所述HbO值通过NIRS提取0.01Hz-0.2Hz信息得到，采用移动 窗技术，每2s计算一次HbO值，以当前HbO值超过前1分钟HbO值的平均 值20％作为痛觉阈值；
所述EMG值通过系统所采集信号在35-47Hz频段与0.5-47Hz频段的相 对能量比值进行计算，具体计算公式如下所述：
式中，P(35-47)为系统所采集信号在35-47Hz频段的能量，P(35-47)指系统所采 集信号在0.5-47Hz频段的能量；
所述的EMG值与HbO值相结合判断患者的镇痛效果，当患者的肌肉松 弛达到阈值时，采用移动窗技术，每5s计算一次EMG值与前5s的平均值进 行比较，以当前EMG值超过前5sEMG值的平均值20％作为痛觉阈值。
优选地，控制器还设置有多种药物浓度计算单元，多种药物浓度计算单元 用于根据需要的药物浓度对药物用量进行优化并输出优化后的药物用量，多种 药物的浓度和对应效应之间的关系表示如下：
其中，E(t)为麻醉深度效应；t为时间单位是秒；τ为两种药物浓度的比例； E0为人体没有药物时的麻醉深度效应；Emax(θ)是在θ下的最大麻醉深度药物效 应；Yprop(t)为镇静的药物浓度；YRem(t)为镇痛的药物浓度；Y50(θ)是θ在下50％ 的最大药物效应；τ(θ)是在θ下方程的陡峭程度。
优选地，所述PKPD响应面模型的镇痛药物注射速率的优化采用迭代法计 算，具体的步骤如下所示:
S1、计算Δt持续时间的药物浓度达到峰值的时间tpeak：以单位速度u＝1持 续输注Δt时间后停止，计算Ce到达峰值的时间t＝tpeak；
S2、计算药物初始速率：计算达到药物目标浓度CT的tpeak时刻的药物速率 umaybe，具体计算公式如下所示：
S3、计算t时刻以umaybe注射到达药物浓度峰值的实际时间，药物浓度在 (t+tpeak)前的某个时刻达到峰值，将时刻称之为(t+tmaybe)；
S4、判断umaybe是否满足需求：计算umaybe输注的峰值效应室浓度，并与目标 浓度CT进行比较，如果两者的差值位于误差范围内，则接受umaybe作为Δt时刻 内的注药速率，如果两者差值大于误差范围，则执行步骤S5；
S5、重新计算新的注射速率并返回步骤S3-4重新评估，直到umaybe满足需 求。
优选地，所述PKPD响应面模型的镇静药物注射速率的优化采用如下的优 化过程算法优化P控制系统模型的三个参数kp、ki和kd，完成药物用量的自 动计算，具体地优化过程如下所示：
第一步：初始化优化参数的大小：设置学习因子C1和C2、惯性权重因子 ω以及剩余参数，设置最大迭代次数为50、并设置优化参数范围为[-3,3]，优 化参数位置X和初始速度Y初始化时为随机值；
第二步：设置控制器三个参数值的范围以及初始值：kp的范围为[0,30]， ki的范围为[0,5]，kd的范围为[0,10]；设置初始值为kp＝1.5，ki＝0.4，kd＝0.5， 并构建PID模型；
第三步：以测试样本作为输入，通过迭代获得测试样本的预测值y，用平 均绝对误差计算迭代优化参数的适应度函数；
第四步：通过与适应度函数值进行比较，更新优化参数的单个最优值pij和全局最优解pgj；
第五步：更新初始优化参数的X和Y；
式中，是第j维数参数i的第h次迭代中的速度，/>是第j维数参数 i的第h次迭代中的位置，h是迭代次数，rand1和rand2是0到1之间的随机 数；
第六步：确定预设的迭代次数或相邻代数之间的差异是否满足最小误差限 制，如果不满足，则返回第二步；如果满足收敛条件或者当前的迭代次数达到 了100次迭代，则停止迭代输出最优解；
第七步：将最优的kp、ki和kd值带入控制模型中，并根据优化得到具体 参数后，计算镇静药物的注射速率。
优选地，所述数据存储单元以bdf的格式存储数据信息。
与现有技术相比，本发明具有以下优点：
1、本发明的方法能够实现病人的多模态麻醉监测，能够更好的监控病人 的生理状态，控制多种麻醉药物的同时输注。通过选取镇静指标、镇痛指标和 心率血压等基础生命特征，通过选取的深度镇静指标MDI、深度镇痛指标HEI 联合监控药物的输入量以及输入速率是否满足需求。并且，PKPD响应面模型 用于计算药物的剂量；药物预测单元根据PKPD响应面模型预测未来的药物剂 量，预测结果与实际结果符合度高，能够为临床提供有效的数据及监测。
2、本发明通过对原始EEG信号的分析，整合PE、BSR、SFS、SEF95、 β比率在频域和非线性领域的特征，形成了系统独立的深度镇静指标MDI。解 决了传统参数的不准确和延时问题，控制系统能够完成上述的原始信号分析、 指标计算、药物模型预测、智能化药物控制、人机交互功能以及患者生命安全 预警等功能。控制系统计算得到的药物注射速率信息传递给注射器对病人进行 药物注射，同时也支持人工在系统控制模块进行速率调整。
3、本发明通过对原始NIRS信号的分析，将HbO与EMG指标的相对值 进行模糊逻辑组合，建立了系统独立的镇痛评价标准，形成了深度镇痛指标 HEI，能够更加精准的评估患者的疼痛程度。
4、本发明考虑麻醉药物之间的协同作用，建立了药物浓度计算模型和药 物混合响应面模型，能够对不期望的手术刺激做出快速反应，预测未来药物剂 量；同时使用靶控输注算法与自动控制结合的控制系统大大减轻麻醉师的工作 负荷，提升了手术的安全性。
附图说明
图1为本发明的多模态麻醉闭环控制结构框图；
图2a为镇静药物期望浓度与实际浓度曲线对比示意图；
图2b为镇痛药物期望浓度与实际浓度曲线对比示意图；
图2c为镇静药物速度输注曲线示意图；
图2d为镇痛物速度输注曲线示意图；
图3为本发明的镇静闭环给药控制示意图；
图4为本发明的镇痛闭环给药控制示意图。
具体实施方式
以下，参照附图对本发明的实施方式进行说明。
如图1所示是本发明系统的多模态麻醉闭环控制结构框图，控制系统由控 制器，药物浓度计算单元和药物混合响应面模型(PKPD响应面模型)构成。 药物浓度计算单元内部设置有药物PK模型，药物PK模型用于计算患者体内 的药物浓度，PKPD响应面模型用于计算患者的麻醉深度指标。
具体地，本发明提供一种基于多模态生理指标的麻醉闭环输注系统，其包 括生理参数采集系统、指标生成系统、输注泵以及控制系统，生理参数采集系 统用于采集EEG参数、ECG参数、NIRS信号参数以及血压参数，指标生成 系统根据生理参数采集系统采集的数据生成镇静深度指标MDI、镇痛深度参 数HEI，控制系统包含用户界面、数据解析单元、药物模型、数据存储单元、 药物控制器以及药物预测单元及参数预警单元，数据解析单元用于解析采集的 指标数据；用户界面用于显示生理信息指标；参数预警单元用于监测并报警；数据存储单元用于存储数据，药物控制器内设置有PKPD响应面模型，PKPD 响应面模型用于计算药物的剂量；药物预测单元根据PKPD响应面模型预测未 来的药物剂量。
镇静深度指标MDI的具体生成过程为：对原始EEG参数信号进行滤波降 采样处理后，使用频域分析和非线性方法计算脑电特征指标PE、BSR、SFS、 SEF95以及β比率，之后通过机器学习和深度学习对PE、BSR、SFS、SEF95 以及β比率指标进行特征提取，实时计算得到镇静深度指标MDI。
镇痛深度参数HEI的具体生成过程为：利用NIRS信号中的HbO信息和 所采集前额生物电信息中的肌电(EMG)分量实时计算镇痛深度参数HEI，具体 计算过程如下所示：当HbO和EMG均未变时，HEI的值为1；当HbO不变 且EMG增加时，HEI的值为2；当HbO增加且EMG不变时，HEI的值为3； 当HbO和EMG均增加时，HEI的值为4。
控制系统根据药物响应模型预测未来的药物输注曲线，并根据镇静指标 MDI、镇痛指标HEI，应用靶控输注算法与药物控制器自动计算药物输注速率， 完成对麻醉药物的输注。
药物控制器内设置有MDI第一阈值、MDI第二阈值、MDI第三阈值、 MDI第四阈值和HEI阈值。
麻醉诱导期时，输注泵根据PKPD响应面模型计算的药物初始用量注射诱 导期镇静药物以及镇痛药物，注射完成后，如果镇静深度指标MDI小于MDI 第一阈值则增大镇静药物用量，如果镇静深度指标MDI大于MDI第一阈值， 则注射肌肉松弛药物，如果镇静深度指标MDI小于MDI第二阈值或者镇痛深 度参数HEI小于HEI阈值时，控制器对PKPD响应面模型进行优化，得到优 化后的药物用量以及药物注射速率，药物预测单元根据优化后的药物用量以及 药物注射速率对未来的药物剂量进行预测，判断药物用量以及药物注射速率是 否达到需求，当镇静深度指标MDI大于MDI第二阈值且镇痛深度参数HEI 大于HEI阈值时，输注泵停止注药并观察。
麻醉维持期时，输注泵根据PKPD响应面模型计算的药物初始用量注射维 持期镇静药物以及镇痛药物，注射完成后，如果镇静深度指标MDI小于MDI 第四阈值或者镇痛深度参数HEI小于HEI阈值，控制器对PKPD响应面模型 进行优化，得到优化后的药物用量以及药物注射速率，药物预测单元根据优化 后的药物用量以及药物注射速率对未来的药物剂量进行预测，判断药物用量以 及药物注射速率是否达到需求，当镇静深度指标MDI大于MDI第四阈值且镇 痛深度参数HEI大于HEI阈值时，输注泵停止注药并观察。
具体的，镇静深度指标MDI的计算过程如下：将原始EEG信号进行滤波 降采样处理后，使用频域分析和非线性方法计算脑电特征得到的指标，包括排 序熵(PE)、爆发抑制比(BSR)、同步快慢比(SFS)、EEG总功率的95％(SEF95)、 β比率五种指标。对上述指标进行特征提取通过机器学习和深度学习处理，最 后整合为麻醉镇静深度指标MDI。指标具体的算法描述如下：
PE指标：
式中，Pj是第j种排序模式发生的概率，公式中的嵌入维数m为6。每次 计算的数据段长度为10s，数据重叠度为75％。
BSR指标：
当病人处于深度麻醉时，脑电图可能会出现一种特殊的活动模式。抑制 描述为脑电图电压不超过约0.50s的时间为TBS。BSR定义为处于抑制状态的 时间占历元长度TBSA的百分比。
SFS指标：
其中，θ为频段的频谱峰值频率。
β比率指标：
式中，P是脑电频段的双谱能量的对数。
通过对这五种信号指标进行的特征提取，模型的训练以获取的实际脑电为 基础，深度学习框架采用以门控循环单元(GRU)神经网络为主的组合模型 设计，目标为BIS系统曲线，最终通过输入的特征来跟踪BIS曲线。
组合模型由GRU网络和全连接网络组成，其中，GRU网络用于从输入特 征的历史数据中提取重要中间特征，全连接网络用于快速对提取的中间特征降 维至1，并输出预测的BIS，对于每个GRU神经元来说，它在接受当前时刻 的输入特征Xt后会对上一时刻的中间传递信息St-1进行更新，更新时会不同程 度的保留Xt和St-1中的重要信息，舍弃不重要的信息，最终生成当前时刻的中 间传递信息St，并将其传递到下一时刻，直至在最后时刻产生输出BIS(t)，具 体过程如下：
其中，r(t)被称为重置门参数，z(t)被称为更新门参数，激活函数sigmoid 为S(x)＝1/(1+e-x)，激活函数tanh为T(x)＝(ex-e-x)/(ex+e-x)，Wr、Wz、Whh、Ur、 Uz、Uhh为神经元内部的不同权重矩阵，Br和Bz为神经元内部的不同偏置矩阵；
通过上述计算方法，可以得出精确符合术中患者镇静状态的特征曲线，最 后通过模糊逻辑交叉整合为麻醉镇静深度指标MDI。解决了传统参数的不准 确和延时问题。
镇痛深度参数HEI是通过对计算麻醉时期5秒EMG和HbO与前60秒的 平均值的相对值(麻醉时期的值与静态息的比值)数据，进行组合逻辑分析得 到的。脑氧指标HbO值通过NIRS提取0.01Hz-0.2Hz信息得到，采用移动窗 技术，每2s计算一次HbO值，以当前HbO值超过前1分钟HbO值的平均值 20％作为痛觉阈值。
EMG值为系统所采集信号在35-47Hz频段的与0.5-47Hz频段的相对能量 比值进行计算，具体计算公式如下所述：
式中，P(35-47)为系统所采集信号在35-47Hz频段的能量，P(35-47)为系统所采 集信号在0.5-47Hz频段的能量。
将EMG值与HbO值相结合判断患者的镇痛效果，当患者的肌肉松弛达 到阈值时，采用移动窗技术，每5s计算一次EMG值与前5s的平均值进行比 较，以当前EMG值超过前5sHbO值的平均值20％作为痛觉阈值。
两者的具体表示如下表：
将镇痛指标HEI使用(1-4)表示，经过分析和实践试验能够将具体患者 疼痛的具体情况分为四种情况：(1)HEI＝1时，患者表现为不痛：具体值HbO 和EMG均未变。(2)HEI＝2时，患者表现为一般痛：HbO不变并且EMG增 加。(3)HEI＝3时，患者表现为痛：HbO增加并且EMG不变。(4)HEI＝4时， 患者表现为很痛：HbO和EMG均增加。该HEI指标能够更加精准的评估患者 的疼痛程度。
药物模型控使用镇静药物和镇痛药物联合药物响应面模型，在传统的PK 模型基础上，两种药物的浓度和对应效应之间的关系表示如下：
其中，E(t)为麻醉深度效应；t为时间，单位是秒；τ为两种药物浓度的比 例；E0为人体没有药物时的麻醉深度效应；Emax(θ)是在θ下的最大麻醉深度药 物效应；Yprop(t)为丙泊酚的药物浓度；YRem(t)为镇痛药物的药物浓度；Y50(θ)是θ 在下50％的最大药物效应；τ(θ)是在θ下方程的陡峭程度。同时使用粒子群优 化算法对药物模型中的关键参数E0，Emax(θ)，β，γ(θ)进行辨识，是模型具有 普适性能够适用更多的患者。该模型能够很好的描述两种药物的相互作用关系， 可以用来药物的闭环控制输注以及对未来药物剂量的预测。
药物控制器如图1所示，采用优化算法优化后的控制器与靶控控制相结合 的方式与辨识后准确后的药物模型进行药物控制。控制器完成对丙泊酚药物注 射速率的优化，靶控控制器完成对镇痛药物瑞芬太尼药物注射速率的优化。
镇静药物的具体优化方法为：首先采用优化算法，优化控制器的三个参 数，从而完成药物剂量的自动计算，具体的计算步骤如下：
第一步：初始化优化参数的大小：设置学习因子C1和C2、惯性权重因子 ω以及剩余参数，设置最大迭代次数为50、并设置优化参数范围为[-3,3]，优 化参数位置X和初始速度Y初始化时为随机值；
第二步：设置控制器三个参数值的范围以及初始值：kp的范围为[0,30]， ki的范围为[0,5]，kd的范围为[0,10]；设置初始值为kp＝1.5，ki＝0.4，kd＝0.5， 并构建PID模型；
第三步：以测试样本作为输入，通过迭代获得测试样本的预测值y，用平 均绝对误差计算迭代优化参数的适应度函数；
第四步：通过与适应度函数值进行比较，更新优化参数的单个最优值pij和全局最优解pgj；
第五步：更新初始优化参数的X和Y；
式中，是第j维数参数i的第h次迭代中的速度，/>是第j维数参数 i的第h次迭代中的位置，h是迭代次数，rand1和rand2是0到1之间的随机 数；
第六步：确定预设的迭代次数或相邻代数之间的差异是否满足最小误差限 制，如果不满足，则返回第二步；如果满足收敛条件或者当前的迭代次数达到 了100次迭代，则停止迭代输出最优解；
第七步：将最优的kp、ki和kd值带入控制模型中，并根据优化得到具体 参数后，计算镇静药物的注射速率。
在优化得到具体控制器的参数后，计算镇静药物的药物注射速率。首先计 算期望镇静值与目标的差值，然后通过PID算法，计算得到对应的丙泊酚注 射速率。
TCI靶控控制器根据目标的药物浓度计算镇痛药物的注射速率，仿真结果 如图2a-图2d所示。具体的优化步骤如下：
S1、计算Δt持续时间的tpeak。以单位速度u＝1持续输注药物Δt时间后停止。 计算Ce到达峰值的时间t＝tpeak。
S2、计算药物初始速率。计算达到药物目标浓度CT的tpeak时刻的药物速率， 把这速度称为umaybe。
S3、计算t时刻以umaybe注射到达药物浓度峰值的实际时间，它必定会在 (t+tpeak)前的某个时刻达到峰值，把这个时刻称之为(t+tmaybe)。
S4、计算umaybe输注的峰值效应室浓度，并与目标浓度CT做判断，如果接 近目标浓度满足误差范围内，则可以接受umaybe作为Δt时刻内的注药速率，如果 没有满足要求则执行第5步。
S5、计算一个新的注射速率返回第三步重新评估，直至得到一个满意的药 物注射速率。
图2a-图2d分别示出了基于期望的药物浓度所计算的给药浓度曲线，其中， 图2a为丙泊酚药物期望浓度与实际浓度曲线对比示意图，图2b为瑞芬太尼药 物期望浓度与实际浓度曲线对比示意图，图2c为丙泊酚药物速度输注曲线示 意图，图2d为瑞芬太尼物速度输注曲线示意图。由图中可以看出，实际浓度 与期望浓度非常接近。
药物控制器考虑患者的个人信息包括，身高、体重、年龄、性别等信息， 系统根据药物响应模型预测未来的药物输注曲线，然后系统根据镇静指标MDI、 镇痛指标HEI，应用靶控输注算法与优化后的控制器自动计算药物输注速率， 完成对麻醉药物的输注。具体的镇静药物和镇痛药物麻醉闭环控制如图3和图 4所示，根据患者的个人信息(身高、体重、年龄、性别)计算诱导期和维持 期的药物初始剂量，术中根据镇静指标和镇痛指标要求的范围内，使用控制器 调整药物的输注，完成镇静药物和镇痛药物的闭环控制。
多药物融合输注，通过选取镇静指标、镇痛指标和心率血压等基础生命特 征，使用PKPD模型、药物联合模型、模糊逻辑判断和医生判断进行药物剂量 分析，最后使用TCI靶控控制器、闭环控制器和手动输注的方式完成多种药 物的同时输注。
以上所述的实施例仅是对本发明的优选实施方式进行描述，并非对本发明 的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对 本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的 保护范围内。
Claims (6)
1.一种基于多模态生理指标的麻醉闭环输注系统，其特征在于：其包括生理参数采集系统、指标生成系统、输注泵以及控制系统，所述生理参数采集系统用于采集EEG参数、ECG参数、NIRS信号参数以及血压参数，所述指标生成系统根据所述生理参数采集系统采集的数据生成镇静深度指标MDI和镇痛深度参数HEI，所述控制系统包含用户界面、数据解析单元、药物模型、数据存储单元、药物控制器、药物预测单元及参数预警单元，所述数据解析单元用于解析采集的指标数据；所述用户界面用于显示生理信息指标；所述参数预警单元用于监测并报警；所述数据存储单元用于存储数据，所述药物控制器内设置有PKPD响应面模型，所述PKPD响应面模型用于计算药物的剂量；所述药物预测单元根据PKPD响应面模型预测未来的药物剂量；
镇静深度指标MDI的具体生成过程为：对原始EEG参数信号进行滤波降采样处理后，使用频域分析和非线性方法计算脑电特征指标，包括PE、BSR、SFS、SEF95以及β比率，之后通过训练好的深度学习模型实时计算得到镇静深度指标MDI；模型的训练以获取的实际脑电为基础，深度学习模型为包括门控循环单元神经网络的组合模型，所述组合模型通过输入的特征输出BIS曲线；得出BIS曲线后通过模糊逻辑交叉得到麻醉镇静深度指标MDI；
组合模型包括GRU网络和全连接网络，其中，GRU网络用于从输入特征的历史数据中提取中间特征，所述全连接网络用于将提取的中间特征降维至1，并输出预测的BIS曲线，所述GRU网络包括多个GRU神经元，每个GRU神经元在接受当前时刻的输入特征Xt后对上一时刻的中间传递信息St-1进行更新，更新时保留输入特征Xt和中间传递信息St-1中的重要信息并舍弃不重要的信息，最终生成当前时刻的中间传递信息St，并将中间传递信息St传递到下一时刻，直至在最后时刻产生输出BIS(t)并生成BIS曲线，其具体过程如下：
其中，r(t)为重置门参数，z(t)为更新门参数，激活函数sigmoid为S(x)＝1/(1+e-x)，激活函数tanh为T(x)＝(ex-e-x)/(ex+e-x)，Wr、Wo、Wz、Whh、Ur、Uz、Uhh分别为神经元内部的不同权重矩阵，Br、Bz和Bo分别为神经元内部的不同偏置矩阵；
镇痛深度参数HEI的具体生成过程为：利用NIRS信号中的HbO信息和所采集前额生物电信息中的肌电(EMG)分量实时计算镇痛深度参数HEI，融合镇痛参数HEI采用模糊逻辑规则，具体计算过程如下所示：当HbO和EMG均不变时，HEI的值为1；当HbO不变且EMG增加时，HEI的值为2；当HbO增加且EMG不变时，HEI的值为3；当HbO和EMG均增加时，HEI的值为4；具体的计算公式如下：
式中，ΔEMG是t时刻的EMG值与前5sEMG值的平均值之差，ΔHbO是t时刻的HbO值与前60sHbO值的平均值之差；当ΔEMG或ΔHbO的值大于0时表示为增加，当ΔEMG或ΔHbO的值小于0时表示为减少，当ΔEMG或ΔHbO的值等于0时表示为不变；
所述控制系统根据药物响应模型预测未来的药物输注曲线，并根据镇静深度指标MDI以及镇痛深度指标HEI，自动计算药物用量以及药物注射速率，完成对麻醉药物的输注；
所述药物控制器内设置有MDI第一阈值、MDI第二阈值、MDI第三阈值、MDI第四阈值以及HEI阈值；
麻醉诱导期时，所述输注泵根据PKPD响应面模型计算的药物初始用量注射诱导期镇静药物以及镇痛药物，注射完成后，如果镇静深度指标MDI小于MDI第一阈值则增大镇静药物用量，如果镇静深度指标MDI大于MDI第一阈值，注射肌肉松弛药物，如果镇静深度指标MDI小于MDI第二阈值或者镇痛深度参数HEI小于HEI阈值时，所述控制器对PKPD响应面模型进行优化，得到优化后的药物用量以及药物注射速率，所述药物预测单元根据优化后的药物用量以及药物注射速率对未来的药物剂量进行预测，判断药物用量以及药物注射速率是否达到需求，当镇静深度指标MDI大于MDI第二阈值且镇痛深度参数HEI大于HEI阈值时，输注泵停止注药并观察；
麻醉维持期时，所述输注泵根据PKPD响应面模型计算的药物初始用量注射维持期镇静药物以及镇痛药物，注射完成后，如果镇静深度指标MDI小于MDI第四阈值或者镇痛深度参数HEI小于HEI阈值，所述控制器对PKPD响应面模型进行优化，得到优化后的药物用量以及药物注射速率，所述药物预测单元根据优化后的药物用量以及药物注射速率对未来的药物剂量进行预测，判断药物用量以及药物注射速率是否达到需求，当镇静深度指标MDI大于MDI第四阈值且镇痛深度参数HEI大于HEI阈值时，输注泵停止注药并观察。
2.根据权利要求1所述的基于多模态生理指标的麻醉闭环输注系统，其特征在于：所述HbO的值通过NIRS提取0.01Hz-0.2Hz信息得到，采用移动窗技术，每2s计算一次HbO值，以当前HbO值超过前1分钟HbO值的平均值20％作为痛觉阈值；
所述EMG值通过所采集信号在35-47Hz频段与所采集信号在0.5-47Hz频段的相对能量比值进行计算，具体计算公式如下所述：
式中，P(35-47)为系统所采集信号在35-47Hz频段的能量，P(35-47)指系统所采集信号在0.5-47Hz频段的能量；
所述的EMG值与HbO值相结合判断患者的镇痛效果，当患者的肌肉松弛达到阈值时，采用移动窗技术，每5s计算一次EMG值与前5s的平均值进行比较，以当前EMG值超过前5s的EMG值的平均值20％作为痛觉阈值。
3.根据权利要求1所述的基于多模态生理指标的麻醉闭环输注系统，其特征在于：控制器还设置有多种药物浓度计算单元，多种药物浓度计算单元用于根据需要的药物浓度对药物用量进行优化并输出优化后的药物用量，多种药物的浓度和对应效应之间的关系表示如下：
其中，E(t)为麻醉深度效应；t为时间，单位是秒；τ为两种药物浓度的比例；E0为人体没有药物时的麻醉深度效应；Emax(θ)是在θ下的最大麻醉深度药物效应；Yprop(t)为镇静药的药物浓度；YRem(t)为镇痛药的药物浓度；Y50(θ)是θ在下50％的最大药物效应；τ(θ)是在θ下方程的陡峭程度。
4.根据权利要求1所述的基于多模态生理指标的麻醉闭环输注系统，其特征在于：所述PKPD响应面模型的镇痛药物注射速率的优化采用迭代法计算，具体的步骤如下所示:
S1、计算Δt持续时间的药物浓度达到峰值的时间tpeak：以单位速度u＝1持续输注Δt时间后停止，计算Ce到达峰值的时间t＝tpeak；
S2、计算药物初始速率：计算达到药物目标浓度CT的tpeak时刻的药物速率umaybe，具体计算公式如下所示：
S3、计算t时刻以umaybe注射到达药物浓度峰值的实际时间，药物浓度在(t+tpeak)前的某个时刻达到峰值，将时刻称之为(t+tmaybe)；
S4、判断umaybe是否满足需求：计算umaybe输注的峰值效应室浓度，并与目标浓度CT进行比较，如果两者的差值位于误差范围内，则接受umaybe作为Δt时刻内的注药速率，如果两者差值大于误差范围，则执行步骤S5；
S5、重新计算新的注射速率并返回步骤S3-4重新评估，直到umaybe满足需求。
5.根据权利要求1所述的基于多模态生理指标的麻醉闭环输注系统，其特征在于：所述PKPD响应面模型的镇静药物注射速率的优化采用如下的优化过程来优化控制系统的三个参数kp、ki和kd，完成药物用量的自动计算，具体地优化过程如下所示：
第一步：初始化优化参数的大小：设置学习因子C1和C2、惯性权重因子ω以及剩余参数，设置最大迭代次数为50、并设置优化参数范围为[-3,3]，优化参数位置X和初始速度Y初始化时为随机值；
第二步：设置控制器三个参数值的范围以及初始值：kp的范围为[0,30]，ki的范围为[0,5]，kd的范围为[0,10]；设置初始值为kp＝1.5，ki＝0.4，kd＝0.5，并构建PID模型；
第三步：以测试样本作为输入，通过迭代获得测试样本的预测值y，用平均绝对误差计算迭代优化参数的适应度函数；
第四步：通过与适应度函数值进行比较，更新优化参数的单个最优值pij和全局最优解pgj；
第五步：更新初始优化参数的X和Y；
式中，是第j维数参数i的第h次迭代中的速度，/>是第j维数参数i的第h次迭代中的位置，h是迭代次数，rand1和rand2是0到1之间的随机数；
第六步：确定预设的迭代次数或相邻代数之间的差异是否满足最小误差限制，如果不满足，则返回第二步；如果满足收敛条件或者当前的迭代次数达到了100次迭代，则停止迭代输出最优解；
第七步：将最优的kp、ki和kd值带入控制模型中，并根据优化得到具体参数后，计算镇静药物的注射速率。
6.根据权利要求1所述的基于多模态生理指标的麻醉闭环输注系统，其特征在于：数据存储单元以bdf的格式存储数据信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210730110.8A CN115105681B (zh) | 2022-06-24 | 2022-06-24 | 基于多模态生理指标的麻醉闭环输注系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210730110.8A CN115105681B (zh) | 2022-06-24 | 2022-06-24 | 基于多模态生理指标的麻醉闭环输注系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115105681A CN115105681A (zh) | 2022-09-27 |
| CN115105681B true CN115105681B (zh) | 2024-05-24 |
Family
ID=83330439
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210730110.8A Active CN115105681B (zh) | 2022-06-24 | 2022-06-24 | 基于多模态生理指标的麻醉闭环输注系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115105681B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116407721A (zh) * | 2023-03-30 | 2023-07-11 | 深圳市威浩康医疗器械有限公司 | 一种智能化晚期肿瘤手术的麻醉靶控系统 |
| CN117838063B (zh) * | 2024-03-04 | 2024-05-24 | 江西杰联医疗设备有限公司 | 麻醉场景下的生理信息预警处理系统及电子设备 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1350469A (zh) * | 1999-05-10 | 2002-05-22 | 阿诺股份公司 | 一种对有生命的动物施行麻醉的设备 |
| CN108325020A (zh) * | 2018-03-09 | 2018-07-27 | 燕山大学 | 一种静脉麻醉多参数指标闭环监控系统 |
| CN109009099A (zh) * | 2018-07-19 | 2018-12-18 | 燕山大学 | 一种基于eeg-nirs的智能麻醉系统 |
| CN109645989A (zh) * | 2018-12-10 | 2019-04-19 | 燕山大学 | 一种麻醉深度估计方法及系统 |
| CN109893709A (zh) * | 2019-04-09 | 2019-06-18 | 广东嘉博制药有限公司 | 一种基于关键生命体征参数的麻醉深度自动控制系统 |
| 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 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102005028080A1 (de) * | 2005-06-17 | 2006-12-21 | Bayer Technology Services Gmbh | Verfahren zur zeitlich gesteuerten intravenösen Verabreichung des Narkosemittels Propofol |
-
2022
- 2022-06-24 CN CN202210730110.8A patent/CN115105681B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1350469A (zh) * | 1999-05-10 | 2002-05-22 | 阿诺股份公司 | 一种对有生命的动物施行麻醉的设备 |
| CN108325020A (zh) * | 2018-03-09 | 2018-07-27 | 燕山大学 | 一种静脉麻醉多参数指标闭环监控系统 |
| CN109009099A (zh) * | 2018-07-19 | 2018-12-18 | 燕山大学 | 一种基于eeg-nirs的智能麻醉系统 |
| CN109645989A (zh) * | 2018-12-10 | 2019-04-19 | 燕山大学 | 一种麻醉深度估计方法及系统 |
| CN109893709A (zh) * | 2019-04-09 | 2019-06-18 | 广东嘉博制药有限公司 | 一种基于关键生命体征参数的麻醉深度自动控制系统 |
| 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 (2)
| Title |
|---|
| 丙泊酚闭环控制系统的设计与仿真;梁振虎等;燕山大学学报;20180131;42(第01期);第67-74页 * |
| 闭环靶控输注系统研究进展;李杰雄等;广州医科大学学报;20191031;第47卷(第5期);163-168 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115105681A (zh) | 2022-09-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115105681B (zh) | 基于多模态生理指标的麻醉闭环输注系统 | |
| CN104869897B (zh) | 用于监测和控制患者的系统 | |
| Minto et al. | Contributions of PK/PD modeling to intravenous anesthesia | |
| KR101572209B1 (ko) | Db 기반의 탈모상태별 탈모 치료장치 | |
| WO2014008815A1 (zh) | 一种麻醉深度控制装置及方法 | |
| CN103153178A (zh) | 用于结合麻醉药和止痛药的药物效应相互作用与评估麻醉期间意识水平的脑电图的装置 | |
| Lowery et al. | Towards efficient, personalized anesthesia using continuous reinforcement learning for propofol infusion control | |
| CN109069736A (zh) | 用于控制丙泊酚向患者之施用的控制装置 | |
| Copot et al. | Drug delivery system for general anesthesia: Where are we? | |
| CN116747377A (zh) | 一种闭环的智能麻醉控制系统 | |
| Moore et al. | Reinforcement learning for closed-loop propofol anesthesia: A human volunteer study | |
| WO2021047912A1 (en) | Method for training a model usable to compute an index of nociception | |
| CN112289456B (zh) | 一种肌肉注射并发症预防系统及方法 | |
| CN114129825A (zh) | 一种智能麻醉控制系统 | |
| Schwilden et al. | Target controlled anaesthetic drug dosing | |
| Schubert et al. | Monitoring the stress response during general anaesthesia | |
| Schiavo | Automatic Control of General Anesthesia: New Developments and Clinical Experiments | |
| Jamali et al. | Adpative Neuro-Fuzzy Inference System Estimation Propofol dose in the induction phase during anesthesia; case study | |
| Khodaei et al. | An adaptive neuro-fuzzy strategy in closed-loop control of anesthesia | |
| Liu | A Model-Based Architecture for Automatic Anesthesia Infusion | |
| RU2499546C2 (ru) | Способ управления многокомпонентной анестезией при общехирургических вмешательствах | |
| Paolino et al. | On the use of the Eleveld PK/PD model for the design of PID control of anesthesia | |
| Ionescu | Computer-assisted Drug Delivery for General Anesthesia: Completing the Puzzle: Plenary Talk | |
| Setati | A closed-loop system between intra-ear canal monitoring and general anesthesia | |
| Lazar et al. | How we did it-an easy and feasible experimental rat model of protective role of Lipid Emulsion in Ropivacaine induced Local Anesthetic Systemic Toxicity-technique presentation and preliminary results |
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 |