CN116548920A - 一种基于神经网络的麻醉状态监测系统及方法 - Google Patents

一种基于神经网络的麻醉状态监测系统及方法 Download PDF

Info

Publication number
CN116548920A
CN116548920A CN202310499629.4A CN202310499629A CN116548920A CN 116548920 A CN116548920 A CN 116548920A CN 202310499629 A CN202310499629 A CN 202310499629A CN 116548920 A CN116548920 A CN 116548920A
Authority
CN
China
Prior art keywords
neural network
anesthesia
anesthetic
network
data set
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310499629.4A
Other languages
English (en)
Inventor
苏殿三
王红雨
周洁
吴昌学
丁曦冰
章闻曦
张骁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Jiaotong University
Renji Hospital Shanghai Jiaotong University School of Medicine
Original Assignee
Shanghai Jiaotong University
Renji Hospital Shanghai Jiaotong University School of Medicine
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Jiaotong University, Renji Hospital Shanghai Jiaotong University School of Medicine filed Critical Shanghai Jiaotong University
Priority to CN202310499629.4A priority Critical patent/CN116548920A/zh
Publication of CN116548920A publication Critical patent/CN116548920A/zh
Pending legal-status Critical Current

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4821—Determining level or depth of anaesthesia
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—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
    • A61B5/02—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
    • A61B5/021—Measuring pressure in heart or blood vessels
    • 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
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/107—Measuring physical dimensions, e.g. size of the entire body or parts thereof
    • A61B5/1072—Measuring physical dimensions, e.g. size of the entire body or parts thereof measuring distances on the body, e.g. measuring length, height or thickness
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1118—Determining activity level
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Public Health (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Cardiology (AREA)
  • Evolutionary Computation (AREA)
  • Psychiatry (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Dentistry (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • Fuzzy Systems (AREA)
  • Pulmonology (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Epidemiology (AREA)
  • Vascular Medicine (AREA)
  • Anesthesiology (AREA)
  • Primary Health Care (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Psychology (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明提供一种基于神经网络的麻醉状态监测系统和方法，包括：采集模块，其采集数据集，数据集包括多个对象的各项生理指标、麻醉状态指数和当前时刻的麻醉药物种类和剂量；网络输入模块，其将数据集作为面向神经网络的输入；神经网络模块，其对数据集的各个输入数据进行学习，更新网络参数；网络输出模块，其基于更新网络参数后的神经网络，根据监测对象的各项生理指标及其当前时刻的麻醉药物种类和剂量，输出监测对象的麻醉状态指数和下一时刻麻醉药物的种类和剂量。本发明基于深度学习的神经网络，实现了麻醉状态的自动实时监测，其融合了多个生理指标，使得麻醉状态信息准确性更高，同时多指标的方式增加了麻醉状态监测的鲁棒性。

Description

一种基于神经网络的麻醉状态监测系统及方法
技术领域
本发明涉及麻醉医学领域，具体地，涉及一种基于神经网络的麻醉状态监测系统及方法。
背景技术
麻醉对于外科手术的顺利进行至关重要，为外科手术保驾护航。术中麻醉状态的精确监测和判断已成为临床麻醉医师高度关注和亟待解决的难题。全身麻醉是一种特殊而复杂的状态，包括镇静、镇痛、肌肉松弛、应激抑制等多方面因素，经过全麻诱导、维持及苏醒的过程。整个全身麻醉的过程完全依靠麻醉药物的注射来控制。麻醉药物不足造成麻醉过浅，会导致监测对象发生术中知晓，是全身麻醉严重并发症之一。术中知晓造成的严重情感和精神健康问题，已发展成为一个社会问题。麻醉过浅，可能导致监测对象突发的体动，对脑外科、心胸外科等外科精细操作造成干扰，对监测对象产生不可估量的后果。相反，麻醉药物过量造成麻醉过深，可增加术后并发症，包括苏醒延迟、术后谵妄、术后认知功能障碍，甚至影响监测对象远期病残率和死亡率。因此，基于麻醉状态监测下的精准麻醉药物注射显得尤为重要，也诞生了对麻醉状态评估精确性、实时自动化评估的需求。
不同种类的外科手术对所需的麻醉状态不同，一台手术的不同阶段对应的麻醉状态也不一致。针对麻醉状态的时刻变化，需要麻醉医生不间断进行麻醉状态评估。传统的麻醉状态评估主要依靠麻醉医生人力判断，通过观察全身麻醉监测对象的临床体征如心率、血压、呼吸、出汗、流泪、瞳孔、体动等的变化结合自身临床经验做出综合判断，但是上述这些指标各有其局限性。随着外科手术量的增加，导致麻醉医师的需求量增大，供需比例严重失衡；经验不足的麻醉医师对于麻醉状态的判断会存在一些偏差，一定程度上影响麻醉效果。显然，这种依靠人力来判断麻醉状态费时费力，精确性差，不具有时效性和预见性。
目前，仍缺乏高度敏感性和特异性的麻醉状态监测仪器。大多数麻醉状态监测都是根据监测对象的脑电图(Electroencephalogram,EEG)进行计算，其中常见的有基于脑电双频指数(bispectral index，BIS)值。BIS值是人们所熟知的镇静深度监测指标之一，是医学界普遍认可的意识状态判别的监测方法。BIS是一种基于EEG功率谱、双频谱分析和爆发抑制等参数计算得到的无量纲指数，为临床工作提供了巨大帮助。但是基础实验中尚未完全解析麻醉后意识状态与脑电图(EEG)变化的内在机制，因此现在基于EEG的脑电深度监测手段无法百分之百的监测麻醉状态。此外，BIS的监测范围与肌电活动有很大一部分重叠。当监测对象受到刺激时会激活肌电图(electromyography，EMG)，活动的EMG被BIS误认为是脑电活动，如果此时根据BIS的升高增加麻醉药物的使用，会导致监测对象麻醉深度过深，增加并发症。手术过程中肌肉松弛药物的使用可掩盖麻醉医生对麻醉状态的判定，一味减少麻醉药物会增加监测对象术中知晓的风险。现有BIS值来源于健康志愿者，不适用于阿尔兹海莫、血管性痴呆、脑缺血等基础疾病的监测对象，对于存在脑损害或既往有脑损伤的监测对象使用BIS进行麻醉状态监测，误差会进一步增加。此外，高龄、低体温、低血糖、酸碱平衡紊乱也会干扰BIS值。BIS值也易受到手术中电刀、电凝、超声刀等的干扰。
呼吸和循环功能监测对于麻醉状态监测同样非常重要，其中呼吸末二氧化碳分压(PETCO2)就是表征呼吸和循环功能的重要生命指标之一。监测呼吸末二氧化碳分压，可以达到监测肺通气，反映血液循环功能和肺血流状况的目的，是麻醉监测对象和呼吸代谢系统疾病监测对象的重要监测指标。此外，脉搏血氧饱和度(SpO2)监测是根据血红蛋白的光吸收特性连续监测动脉血中血红蛋白氧饱和度的一种方法，为麻醉常规监测。研究发现心率(Heart Rate，HR)同样可以作为监测麻醉状态的指标。研究发现中枢神经和自主神经系统功能均与麻醉状态密切相关。心电信号中的心率变异性受中枢神经和自主神经系统共同调控，与麻醉药物作用和麻醉状态密切相关。在注射麻醉药物后，监测对象迷走神经活动明显增强，心率和血压下降。麻醉深度过深，心脏功能受到抑制，心率和血压明显下降。反之，麻醉过浅，心率增快，血压升高。
目前致力于麻醉状态监测的方法还有一些别的方法，比如专利号为CN202011305979.5的专利也公布了一种用于监测麻醉状态的麻醉机器人，但该专利的做法是通过图像识别皮纹状态的方式来判断监测对象的麻醉状态，这无疑从图像噪声又引入新的噪声信号到监测对象的信息特征中。
综合来看，上述指标都与麻醉状态呈现一定的关系，但是其中具体的关系却都不能够具体量化成一个固定的等式，采用单一的指标进行麻醉状态的判断具有较大局限性，很容易受到干扰，稳定性较差。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种基于神经网络的麻醉状态监测系统及方法。
根据本发明的一个方面，提供一种基于神经网络的麻醉状态监测系统，包括：
采集模块，所述采集模块采集数据集，所述数据集包括多个对象的各项生理指标、所述各项生理指标对应的麻醉状态指数和当前时刻的麻醉药物种类和剂量；
网络输入模块，所述网络输入模块将所述采集模块采集的数据集作为面向神经网络的输入；
神经网络模块，所述神将网络模块对所述数据集中的所述各项生理指标和当前时刻的麻醉药物种类和剂量进行学习，更新网络参数；
网络输出模块，所述网络输出模块基于更新网络参数后的神经网络，根据监测对象的各项生理指标及其当前时刻的麻醉药物种类和剂量，输出监测对象的麻醉状态指数和下一时刻麻醉药物的种类和剂量。
优选地，还包括信号处理模块，所述信号处理模块对所述采集模块采集的各项生理指标进行数据信号处理，包括采用滤波方法去除信号中的噪声。
优选地，所述监测对象的各项生理指标，包括监测对象的BIS、Br、BM、MR、HR、Pu、P、A、W、H、G的一种或者多种；
设监测对象的各项生理指标为I，即：
I＝BIS,Br,BM,MR,HR,Pu,P,A,W,H,G
其中I为BIS、Br、BM、MR、HR、Pu、P、A、W、H、G的非线性组合；
BIS为脑电双频指数，Br为呼吸，BM为体动，MR为肌肉松弛，HR为心率，Pu为脉搏，P为血压，A为年龄，G为性别，H为身高，W为体重。
优选地，所述神经网络模块选用BP神经网络。
优选地，所述神经网络在训练时，通过设置误差阈值或者设置训练周期控制训练时长。
根据本发明的第二个方面，提供一种基于神经网络的麻醉状态监测方法，包括：
采集数据集，所述数据集包括多个对象的各项生理指标、所述各项生理指标对应的麻醉状态指数和当前时刻的麻醉药物种类和剂量；
将所述数据集作为面向神经网络的输入；
神将网络对所述数据集中的所述各项生理指标和当前时刻的麻醉药物种类和剂量进行学习，更新网络参数；
基于更新网络参数后的神经网络，根据监测对象的各项生理指标及其当前时刻的麻醉药物种类和剂量，输出监测对象的麻醉状态指数和下一时刻麻醉药物的种类和剂量。
优选地，所述麻醉状态指数S总分为100，代表清醒状态；分数越低，代表麻醉越深：100：清醒状态；60-80：浅麻醉；40-60：麻醉状态；<40：深麻醉状态。
根据本发明的第三个方面，提供一种基于神经网络的麻醉状态监测装置，采用上述的系统，或，执行上述的方法。
根据本发明的第四个方面，提供一种终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时可用于运行上述的方法，或，执行上述的系统。
根据本发明的第五个方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时可用于运行上述的方法，或，执行上述的系统。
与现有技术相比，本发明具有如下的有益效果：
本发明实施例中的基于神经网络的麻醉状态监测系统及方法，基于深度学习的神经网络，实现了麻醉状态的自动实时监测。
本发明实施例中的基于神经网络的麻醉状态监测系统及方法，融合了BIS、Br、BM、MR、HR、Pu、P、A、W、H、G等指标，使得麻醉状态信息准确性更高，同时多指标的方式增加了麻醉状态监测的鲁棒性。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明一实施例中的基于神经网络的麻醉状态监测系统的原理图；
图2为本发明一实施例中的基于神经网络的麻醉状态监测方法的流程图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。
参见图1，为本发明提供的一个实施例，采集模块、网络输入模块、神经网络模块和网络输出模块；采集模块采集数据集，数据集包括多个对象的各项生理指标、所述各项生理指标对应的麻醉状态指数和当前时刻的麻醉药物种类和剂量；网络输入模块将采集模块采集的数据集作为面向神经网络的输入；神将网络对数据集中的各项生理指标、当前时刻的麻醉药物种类和剂量进行学习，更新网络参数；网络输出模块基于更新网络参数后的神经网络，根据监测对象的各项生理指标及其当前时刻的麻醉药物种类和剂量，输出监测对象的麻醉状态指数和下一时刻麻醉药物的种类和剂量。
本实施例解决了现有技术中麻醉状态监测不准确、稳定性差、费时费力的问题。其通过深度学习方法，利用多指标实施精准监测患者的麻醉状态，实现了麻醉状态的自动监测。
在本发明的一个优选实施例中，包括一个信号处理模块，该模块对采集模块采集的各项生理指标进行信号处理。此处的信号处理主要是用一般的滤波方法去除信号中的噪声；其次主要是为了得到该实施例需要使用的各项生理指标。因为，这里的生理指标有些是仪器可以直接输出的，有些则需要换算才能得到。
在本发明的一个优选实施例中，监测对象的各项生理指标为I，即：
I＝BIS,Br,BM,MR,HR,Pu,P,A,W,H,G
其中I为BIS、Br、BM、MR、HR、Pu、P、A、W、H、G的非线性组合。
BIS：脑电双频指数；
Br：呼吸；BM：体动；MR：肌肉松弛；
HR：心率；Pu：脉搏；P：血压；
A：年龄；G：性别；H：身高；W：体重。
本实施例中，以上各项生理指标通过临床上常规设备采集获得。一般的，BIS、Br、HR、Pu和P可通过多参数监护仪获得；MR通过肌松监测仪获得；BM通过体动记录仪获得；A、W、H、G等通过常规问诊及常规测量获得。需要说明的是，并不限制生理指标的个数及类别，适当增减均可。
在本发明的一个优选实施例中，网络输入模块输入的数据包括多个对象的各项生理指标I，同时还包括当前时刻的麻醉医生的药物种类和注射剂量Dk。
具体的，根据研究，脑电双频指数BIS、心率HR、呼吸Br、体动BM、肌肉松弛MR等都与麻醉状态存在一定的关系。为了更加稳定地表征麻醉状态，实时自动反映患者真实的麻醉状态，将BIS、呼吸Br、体动BM、肌肉松弛MR、心率HR、脉搏Pu、血压P、年龄A、体重W、身高H、性别G等指标，作为判断麻醉状态的综合因素。
同时，将专业的麻醉医生对患者的麻醉状态进行的打分，作为该生理指标I及麻药注射量对应下的麻醉状态分数S的真实值Strue，该值作为神经网络监督学习的损失计算监督值。
麻醉医生对患者的麻醉药物输注种类和剂量的即时调节是反映患者当前麻醉状态的重要参考指标。因此，记录麻醉医生对患者注射麻醉药物的种类和剂量D，作为判断患者麻醉状态的指标之一。
本实施例，将各项生理指标、当前时刻的麻醉药物种类和剂量同时作为多指标输入神经网络进行深度学习，以能精准监测患者的麻醉状态。
在本发明的一个优选实施例中，设置监测对象的麻醉状态指数，即麻醉状态值为S，总分为100，代表清醒状态。分数越低，代表麻醉越深。一般的，100：清醒状态；60-80：浅麻醉；40-60：麻醉状态；<40：深麻醉状态。
在本发明的一个优选实施利中，用f(·)表示I与S之间的映射关系，即表示神经网络：
S,Dk+1＝f(I,Dk)
Dk,Dk+1分别表示k时刻与k+1时刻的麻醉药物种类和剂量。因此监测对象的麻醉状态可用其生理指标BIS,Br,BM,MR,HR,Pu,P,A,W,H,G表示：
S,Dk+1＝f(I,Dk)
＝f(BIS,Br,BM,MR,HR,Pu,P,A,W,H,G,Dk)
其中:
在该实例的神经网络中，(a1,b1),(a2,b2)是预测S的网络权重参数，(u1,v1),(u2,v2)是预测Dk+1所需的网络参数。(m1,n1),(m2,n2),(m3,n3),(m4,n4)…是计算I的网络权重参数，并且S与Dk+1共享权重参数(mi,ni)。这些参数共同属于神经网络，并在网络训练过程中不算学习优化。
一较佳实施例中，神经网络选用BP神经网络，参加图1。BP神经网络成熟稳定，利于对各个参数进行深度学习。
在本发明的一个优选实施例中，神经网络输出层的神经元个数为2，分别是麻醉状态指数S和下一时刻麻醉药物的种类和剂量Dk+1。基于该麻醉状态指数S判断状态，以此判断对象的身体状况；基于下一时刻麻醉药物的种类和剂量Dk+1进行下一时刻的给药。
在本发明的一个优选实施利中，提供了对神经网络参数进行优化的过程。首先随机初始化D值，在训练时，将监测对象的BIS、Br、BM、MR、HR、Pu、P、A、W、H、G等及Dk作为网络的训练数据输入网络中，将量化麻醉状态指数S与Dk+1作为标签进行训练。同时更新网络的权重参数。
训练时可以设置误差阈值来控制训练的时间，比如设置error小于0.05时停止训练；此外，还可以选择控制训练的周期的方式进行控制训练时长。训练完成后保存网路的参数信息。
基于相同的发明构思，本发明提供一个基于神经网络的麻醉状态监测方法，参见图2，主要包括：
S100,采集数据集，该数据集包括多个对象的各项生理指标、各项生理指标对应的麻醉状态指数和当前时刻的麻醉药物种类和剂量；
S200,将S100中的数据集作为面向神经网络的输入；
S300,对数据集中的所述各项生理指标、各项生理指标对应的麻醉状态指数以及当前时刻的麻醉药物种类和剂量进行学习，更新网络参数；
S400,基于S300中更新网络参数后的神经网络，根据监测对象的各项生理指标及其当前时刻的麻醉药物种类和剂量，输出监测对象的麻醉状态指数和下一时刻麻醉药物的种类和剂量。
基于相同的发明构思，在其他实施例中，提供一种终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时可用于运行上述的方法，或，执行上述的系统。
基于相同的发明构思，在其他实施例中，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时可用于运行上述的方法，或，执行上述的系统。
需要说明的是，本发明提供的所述方法中的步骤，可以利用所述系统中对应的模块、装置、单元等予以实现，本领域技术人员可以参照所述系统的技术方案实现所述方法的步骤流程，即，所述系统中的实施例可理解为实现所述方法的优选例，在此不予赘述。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以，本发明提供的系统及其各项装置可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构；也可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
在一具体应用实施例中，基于神经网络的麻醉状态监测方法，具体可以包括如下过程：
1、采集各项生理指标；
可以在临床上通过设备采集得到患者的各项生理指标和基本信息，具体设备按照医院常规设备即可。采集的数据经过信号处理之后得到患者具体指标：包括BIS、Br、BM、MR、HR、Pu、P、A、W、H、G等。同时，需要多位有经验的麻醉医生对患者的麻醉状态进行评估，结合各项生理指标，对患者每一阶段的麻醉状态结合本专利的麻醉状态分数定义规则给出患者此时的麻醉状态分数，将该麻醉状态分数作为生理指标I的标签。这里的处理方式与原本的医学处理一致，属于医疗的常规处理手段。具体数据采集如下：
采集一定数量的患者(比如2000位患者)的数据，共计2000组数据。数据与标签一一对应，得到训练数据集及对应标签。2000组数据中90％作为训练集，10％作为验证集。
2、将各项生理指标和当前时刻的麻醉药物种类和剂量输入神经网络；
神经网络的具体层数基于训练后验证集准确率进行调整。网络输入的变量与输入的患者的生理指标的数量保持一致。比如，采用BIS、Br、BM、MR、HR、Pu、P、A、W、H、G、Dk+1等11个变量作为输入，则输入层的变量为11；网络的输出为麻醉状态值S以及Dk+1，因此网络输出数量为2。神经网络的中间隐藏层可以根据训练结果调整，比如采用2层隐藏层，每层的神经元数量为12。
3、网络训练：
在网络训练时，将患者的BIS、Br、BM、MR、HR、Pu、P、A、W、H、G等作为网络的训练数据输入网络中进行训练。训练时可以设置误差阈值来控制训练的时间，比如设置error小于0.05时停止训练；此外，还可以选择控制训练的周期的方式进行控制训练时长。当然，在其他实施例中，也可以设置其他误差阈值，并不局限于0.05。
网络训练完成后保存网路的参数信息。
4、采用上述训练好的网络，获得麻醉状态指数和下一时刻麻醉药物的种类和剂量。
在网络训练之后，就可将网络部署到实际的麻醉状态监测过程中。首先通过采集模块采集得到患者的各项生理指标和基本信息，并实时处理得到的BIS、Br、BM、MR、HR、Pu、P、A、W、H、G。接着将BIS、Br、BM、MR、HR、Pu、P、A、W、H、G输入到训练之后的神经网络中，神经网络会实时输出患者的麻醉状态值。此时，将麻醉状态通过显示器显示在屏幕上，为医生提供患者麻醉状态信息。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。上述各优选特征在互不冲突的情况下，可以任意组合使用。

Claims (10)

1.一种基于神经网络的麻醉状态监测系统，其特征在于，包括：
采集模块，所述采集模块采集数据集，所述数据集包括多个对象的各项生理指标、所述各项生理指标对应的麻醉状态指数和当前时刻的麻醉药物种类和剂量；
网络输入模块，所述网络输入模块将所述采集模块采集的数据集作为面向神经网络的输入；
神经网络模块，所述神经网络模块对所述数据集中的所述各项生理指标、当前时刻的麻醉药物种类和剂量进行学习，更新网络参数；
网络输出模块，所述网络输出模块基于更新网络参数后的神经网络，根据监测对象的各项生理指标及其当前时刻的麻醉药物种类和剂量，输出监测对象的麻醉状态指数和下一时刻麻醉药物的种类和剂量。
2.根据权利要求1所述的一种基于神经网络的麻醉状态监测系统，其特征在于，还包括信号处理模块，所述信号处理模块对所述采集模块采集的各项生理指标进行数据信号处理，包括采用滤波方法去除信号中的噪声。
3.根据权利要求1所述的一种基于神经网络的麻醉状态监测系统，其特征在于，
所述监测对象的各项生理指标，包括监测对象的BIS、Br、BM、MR、HR、Pu、P、A、W、H、G的一种或者多种；
设监测对象的各项生理指标为I，即：
I＝BIS,Br,BM,MR,HR,Pu,P,A,W,H,G
其中I为BIS、Br、BM、MR、HR、Pu、P、A、W、H、G的非线性组合；
BIS为脑电双频指数，Br为呼吸，BM为体动，MR为肌肉松弛，HR为心率，Pu为脉搏，P为血压，A为年龄，G为性别，H为身高，W为体重。
4.根据权利要求1所述的一种基于神经网络的麻醉状态监测系统，其特征在于，所述神经网络模块选用BP神经网络。
5.根据权利要求1所述的一种基于神经网络的麻醉状态监测系统，其特征在于，所述神经网络在训练时，通过设置误差阈值或者设置训练周期控制训练时长。
6.一种基于神经网络的麻醉状态监测方法，其特征在于，包括：
采集数据集，所述数据集包括多个对象的各项生理指标、所述各项生理指标对应的麻醉状态指数和当前时刻的麻醉药物种类和剂量；
将所述数据集作为面向神经网络的输入；
对所述数据集中的所述各项生理指标以及当前时刻的麻醉药物种类和剂量进行学习，更新网络参数；
基于更新网络参数后的神经网络，根据监测对象的各项生理指标及其当前时刻的麻醉药物种类和剂量，输出监测对象的麻醉状态指数和下一时刻麻醉药物的种类和剂量。
7.根据权利要求6所述的一种基于神经网络的麻醉状态监测方法，其特征在于，所述麻醉状态指数S总分为100，代表清醒状态；分数越低，代表麻醉越深：100：清醒状态；60-80：浅麻醉；40-60：麻醉状态；<40：深麻醉状态。
8.一种基于神经网络的麻醉状态监测装置，其特征在于，采用权利要求1-5任一项所述的系统，或，执行权利要求6-7任一项所述的方法。
9.一种终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时可用于运行权利要求1-5任一项所述的系统，或，执行权利要求6-7任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时可用于运行权利要求1-5任一项所述的系统，或，执行权利要求6-7任一项所述的方法。
CN202310499629.4A 2023-05-04 2023-05-04 一种基于神经网络的麻醉状态监测系统及方法 Pending CN116548920A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310499629.4A CN116548920A (zh) 2023-05-04 2023-05-04 一种基于神经网络的麻醉状态监测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310499629.4A CN116548920A (zh) 2023-05-04 2023-05-04 一种基于神经网络的麻醉状态监测系统及方法

Publications (1)

Publication Number Publication Date
CN116548920A true CN116548920A (zh) 2023-08-08

Family

ID=87487353

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310499629.4A Pending CN116548920A (zh) 2023-05-04 2023-05-04 一种基于神经网络的麻醉状态监测系统及方法

Country Status (1)

Country Link
CN (1) CN116548920A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117017234A (zh) * 2023-10-09 2023-11-10 深圳市格阳医疗科技有限公司 多参数集成麻醉监测与分析系统
CN117219227A (zh) * 2023-11-09 2023-12-12 遂宁市中心医院 一种基于模糊神经网络的麻醉给药控制方法及控制系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117017234A (zh) * 2023-10-09 2023-11-10 深圳市格阳医疗科技有限公司 多参数集成麻醉监测与分析系统
CN117017234B (zh) * 2023-10-09 2024-01-16 深圳市格阳医疗科技有限公司 多参数集成麻醉监测与分析系统
CN117219227A (zh) * 2023-11-09 2023-12-12 遂宁市中心医院 一种基于模糊神经网络的麻醉给药控制方法及控制系统
CN117219227B (zh) * 2023-11-09 2024-01-23 遂宁市中心医院 一种基于模糊神经网络的麻醉给药控制系统

Similar Documents

Publication Publication Date Title
EP2356579B1 (en) Long term active learning from large continually changing data sets
EP1704818B1 (en) Determination of the clinical state of a subject
CN116548920A (zh) 一种基于神经网络的麻醉状态监测系统及方法
US8574156B2 (en) Determination of the clinical state of a subject
US11972843B2 (en) Systems and methods for predicting adverse events and assessing level of sedation during medical procedures
US10388405B2 (en) Systems and methods for predicting adverse events and assessing level of sedation during medical procedures
DE112011100282T5 (de) Wellness-Analysesystem
Sinha et al. Monitoring devices for measuring the depth of anaesthesia–An overview
WO2023123437A1 (zh) 麻醉控制系统，麻醉系统及非暂态计算机可读介质
CN111798956B (zh) 一种用于人工智能麻醉的决策确定方法、装置及系统
JP2023518363A (ja) 疼痛治療を最適化するための睡眠及び同様の意識状態のマクロ／マイクロ構造
CN114177414A (zh) 一种基于脑电信号监测成人麻醉靶控智能化方法及系统
JP2012531246A (ja) 人工呼吸から離脱させる統合肺指標
Liu et al. HRV-derived data similarity and distribution index based on ensemble neural network for measuring depth of anaesthesia
CN115299881A (zh) 一种麻醉维持期的监测与调控系统及方法
US20220202350A1 (en) Multiparameter noninvasive sepsis monitor
Lin et al. On the use of multivariable piecewise-linear models for predicting human response to anesthesia
US20230363702A1 (en) Tracking nociception under anesthesia using a multimodal metric
Chen et al. A unified point process probabilistic framework to assess heartbeat dynamics and autonomic cardiovascular control
Garfinkel et al. Patient monitoring in the operating room: validation of instrument readings by artificial intelligence methods
CN205697736U (zh) 一种多监测指标的麻醉深度监护仪
EP3803896B1 (de) Medizinische analysevorrichtung zur bewertung der narkosetauglichkeit eines patienten
WO2024032810A1 (zh) 生命信息处理系统和生命信息处理方法
RU2807285C1 (ru) Способ оценки адекватности анестезии
Li et al. The Investigation of Behavior Change in EEG Signals During Induction of Anesthesia

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