CN116746885A - 麻醉深度监测系统及其方法 - Google Patents
麻醉深度监测系统及其方法 Download PDFInfo
- Publication number
- CN116746885A CN116746885A CN202310850556.9A CN202310850556A CN116746885A CN 116746885 A CN116746885 A CN 116746885A CN 202310850556 A CN202310850556 A CN 202310850556A CN 116746885 A CN116746885 A CN 116746885A
- Authority
- CN
- China
- Prior art keywords
- feature vector
- electroencephalogram
- electromyogram
- scaled
- electrooculogram
- 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
- 206010002091 Anaesthesia Diseases 0.000 title claims abstract description 141
- 230000037005 anaesthesia Effects 0.000 title claims abstract description 141
- 238000012544 monitoring process Methods 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 47
- 239000013598 vector Substances 0.000 claims description 136
- 230000004927 fusion Effects 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 description 20
- 210000003205 muscle Anatomy 0.000 description 12
- 238000001356 surgical procedure Methods 0.000 description 10
- 238000011156 evaluation Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 230000003444 anaesthetic effect Effects 0.000 description 8
- 239000003193 general anesthetic agent Substances 0.000 description 8
- 238000002567 electromyography Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000002570 electrooculography Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000036407 pain Effects 0.000 description 6
- 210000001508 eye Anatomy 0.000 description 5
- 210000004556 brain Anatomy 0.000 description 4
- 230000004424 eye movement Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 229940035674 anesthetics Drugs 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 229940079593 drug Drugs 0.000 description 3
- 239000003814 drug Substances 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 206010021118 Hypotonia Diseases 0.000 description 2
- 208000003443 Unconsciousness Diseases 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 239000000730 antalgic agent Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 210000005252 bulbus oculi Anatomy 0.000 description 2
- 210000003710 cerebral cortex Anatomy 0.000 description 2
- 238000013434 data augmentation Methods 0.000 description 2
- 239000003589 local anesthetic agent Substances 0.000 description 2
- 229960005015 local anesthetics Drugs 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- BQJCRHHNABKAKU-KBQPJGBKSA-N morphine Chemical compound O([C@H]1[C@H](C=C[C@H]23)O)C4=C5[C@@]12CCN(C)[C@@H]3CC5=CC=C4O BQJCRHHNABKAKU-KBQPJGBKSA-N 0.000 description 2
- 230000036640 muscle relaxation Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 206010033799 Paralysis Diseases 0.000 description 1
- 206010039897 Sedation Diseases 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000036592 analgesia Effects 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000004397 blinking Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000007177 brain activity Effects 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000004399 eye closure Effects 0.000 description 1
- 230000004418 eye rotation Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 229940005494 general anesthetics Drugs 0.000 description 1
- 230000000147 hypnotic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 239000003983 inhalation anesthetic agent Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000002869 intravenous anesthetic agent Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229960005181 morphine Drugs 0.000 description 1
- 230000004118 muscle contraction Effects 0.000 description 1
- 229940035363 muscle relaxants Drugs 0.000 description 1
- 239000003158 myorelaxant agent Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 229940121367 non-opioid analgesics Drugs 0.000 description 1
- 229940021182 non-steroidal anti-inflammatory drug Drugs 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 239000000014 opioid analgesic Substances 0.000 description 1
- 229940005483 opioid analgesics Drugs 0.000 description 1
- 230000008058 pain sensation Effects 0.000 description 1
- 238000002161 passivation Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000000144 pharmacologic effect Effects 0.000 description 1
- 230000004962 physiological condition Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 230000006343 physiological stress response Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000012191 relaxation of muscle Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 210000004761 scalp Anatomy 0.000 description 1
- 230000036280 sedation Effects 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000011477 surgical intervention Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 230000002747 voluntary effect Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—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
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/372—Analysis of electroencephalograms
-
- 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
- A61B5/24—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]
- A61B5/397—Analysis of electromyograms
-
- 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
- A61B5/398—Electrooculography [EOG], e.g. detecting nystagmus; Electroretinography [ERG]
-
- 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
Abstract
本发明公开了一种麻醉深度监测系统及其方法,其获取被麻醉患者对象的脑电图、肌电图和眼电图;提取所述被麻醉患者对象的脑电图、肌电图和眼电图中的生理特征信息;基于所述生理特征信息,生成麻醉深度指数评分估计值。这样,可以综合利用被麻醉患者对象的脑电图、肌电图和眼电图,自动化地估计麻醉深度指数评分,也就是,融合多种生理参数特征,提供更全面的麻醉深度监测,减少对医生主观判断和经验的依赖。
Description
技术领域
本发明涉及智能化监测技术领域,尤其涉及一种麻醉深度监测系统及其方法。
背景技术
经历医疗规程的患者可以通过接收一种或多种药理麻醉剂而麻醉。不同的麻醉剂可能产生不同的效果,例如镇静或催眠(例如,缺乏意识或对周围世界的感知)、镇痛(例如,疼痛的钝化或不存在)或麻痹(例如,肌肉松弛,其可能导致或可能不会导致患者缺乏随意运动)。麻醉剂可以提供这些效果中的一种或多种,并且不同患者身上的麻醉程度存在差异。
为了确保患者在手术过程中处于适当的麻醉状态,一般需要进行麻醉深度监测与评估,以帮助麻醉提供者评估患者对麻醉剂的反应,调整给药方案。传统的麻醉深度监测方法存在一定的局限性,例如依赖医生的主观判断和经验,或者,仅依靠药物浓度来评估麻醉深度,其准确性有限。
因此,期待一种优化的麻醉深度监测方案。
发明内容
本发明实施例提供一种麻醉深度监测系统及其方法,其获取被麻醉患者对象的脑电图、肌电图和眼电图;提取所述被麻醉患者对象的脑电图、肌电图和眼电图中的生理特征信息;基于所述生理特征信息,生成麻醉深度指数评分估计值。这样,可以综合利用被麻醉患者对象的脑电图、肌电图和眼电图,自动化地估计麻醉深度指数评分,也就是,融合多种生理参数特征,提供更全面的麻醉深度监测,减少对医生主观判断和经验的依赖。
本发明实施例还提供了一种麻醉深度监测方法,其包括:
获取被麻醉患者对象的脑电图、肌电图和眼电图;
提取所述被麻醉患者对象的脑电图、肌电图和眼电图中的生理特征信息;
基于所述生理特征信息,生成麻醉深度指数评分估计值。
本发明实施例还提供了一种麻醉深度监测系统,其包括:
图获取模块,用于获取被麻醉患者对象的脑电图、肌电图和眼电图;
生理特征信息提取模块,用于提取所述被麻醉患者对象的脑电图、肌电图和眼电图中的生理特征信息;
评分估计值生成模块,用于基于所述生理特征信息,生成麻醉深度指数评分估计值。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1为本发明实施例中提供的一种麻醉深度监测方法的流程图。
图2为本发明实施例中提供的一种麻醉深度监测方法的系统架构的示意图。
图3为本发明实施例中提供的一种麻醉深度监测方法中步骤120的子步骤的流程图。
图4为本发明实施例中提供的一种麻醉深度监测系统的框图。
图5为本发明实施例中提供的一种麻醉深度监测方法的应用场景图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
除非另有说明,本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的,不是旨在限制本申请的范围。
在本申请实施例记载中,需要说明的是,除非另有说明和限定,术语“连接”应做广义理解,例如,可以是电连接,也可以是两个元件内部的连通,可以是直接相连,也可以通过中间媒介间接相连,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
需要说明的是,本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换,以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
麻醉剂是用于使患者在手术或疼痛性操作期间处于无痛或无意识状态的药物。麻醉剂一般包括:麻醉药,麻醉药可以分为全身麻醉药和局部麻醉药,全身麻醉药可以使患者进入无意识状态,包括静脉麻醉药和吸入麻醉药。局部麻醉药主要用于麻醉特定部位,使其失去感觉,但患者仍然清醒。镇痛药,镇痛药用于缓解或消除疼痛感觉,镇痛药可以分为阿片类镇痛药(如吗啡)和非阿片类镇痛药(如非甾体消炎药)。肌松药,肌松药是用于使肌肉松弛的药物。它们被用于手术期间,以帮助外科医生更容易进行手术操作。
麻醉剂的选择和使用需要根据患者的具体情况、手术类型和麻醉医生的判断来确定。在使用麻醉剂时,医生会根据患者的生理状况和监测指标来调整剂量,以确保患者在手术过程中处于适当的麻醉状态。
确保患者在手术过程中处于适当的麻醉状态非常重要,麻醉可以有效地控制患者在手术期间的疼痛感受,适当的麻醉状态可以减轻患者的疼痛,提高手术的舒适度和安全性。适当的麻醉状态可以使患者的肌肉松弛,减少手术干预时的不适和抵抗,有助于医生顺利进行手术操作,并降低手术风险。麻醉可以维持患者的生理稳定,如心率、血压和呼吸等,在手术期间,适当的麻醉状态可以保持患者的生理参数在正常范围内,减少手术相关的生理应激反应。麻醉可以减轻患者的紧张和焦虑感,提供心理上的舒适,适当的麻醉状态可以让患者在手术过程中感到安心和放松,有助于手术的顺利进行。适当的麻醉状态可以减少手术期间的并发症和风险,通过监测和调整麻醉深度,可以避免麻醉过深或过浅带来的潜在问题,提高手术的安全性。
因此,确保患者在手术过程中处于适当的麻醉状态对于患者的疼痛管理、手术操作、生理稳定、心理舒适以及手术的安全性和风险降低都具有重要的必要性。
在本发明的一个实施例中,图1为本发明实施例中提供的一种麻醉深度监测方法的流程图。图2为本发明实施例中提供的一种麻醉深度监测方法的系统架构的示意图。如图1和图2所示,根据本发明实施例的麻醉深度监测方法100,包括:110,获取被麻醉患者对象的脑电图、肌电图和眼电图;120,提取所述被麻醉患者对象的脑电图、肌电图和眼电图中的生理特征信息;130,基于所述生理特征信息,生成麻醉深度指数评分估计值。
其中,在所述步骤110中,确保正确安装和放置脑电图、肌电图和眼电图的传感器,以获取准确和可靠的信号,确保传感器与患者的皮肤接触良好,避免干扰和伪信号的产生。脑电图可以提供关于患者大脑活动的信息,肌电图可以反映患者肌肉活动的情况,眼电图可以揭示患者的眼球活动状态。这些信号的获取可以为后续的分析和评估提供基础。
在所述步骤120中,使用合适的信号处理和特征提取算法,对脑电图、肌电图和眼电图进行处理和分析,提取与麻醉深度相关的生理特征信息,确保算法的准确性和可靠性。通过提取生理特征信息,可以获得关于患者的麻醉状态和深度的量化指标,这些特征信息可以包括频谱特征、时域特征、相干性等,用于描述患者的脑电活动、肌肉活动和眼球活动的特征。
在所述步骤130中,建立麻醉深度指数评分的模型或算法,将提取的生理特征信息与麻醉深度进行关联和转化,确保模型或算法的准确性和可靠性。通过生成麻醉深度指数评分估计值,可以实现对患者麻醉深度的自动化监测和评估,有助于减少对医生主观判断和经验的依赖,提供更全面和客观的麻醉深度监测。
综合利用脑电图、肌电图和眼电图的麻醉深度监测方法可以提供更全面的麻醉状态评估,帮助医生确保患者在手术过程中处于适当的麻醉状态,从而实现疼痛管理、手术操作、生理稳定、心理舒适以及手术的安全性和风险降低等方面的有益效果。
具体地,在所述步骤110中,获取被麻醉患者对象的脑电图、肌电图和眼电图。针对上述技术问题,本申请的技术构思为综合利用被麻醉患者对象的脑电图、肌电图和眼电图,自动化地估计麻醉深度指数评分。也就是,融合多种生理参数特征,提供更全面的麻醉深度监测,减少对医生主观判断和经验的依赖。
具体地,在本申请的技术方案中,首先获取被麻醉患者对象的脑电图、肌电图和眼电图。其中,脑电图(Electroencephalogram,EEG),是通过在患者头皮上放置电极来记录大脑皮层的电活动。这些电极测量脑部神经元的电位变化,并将其转化为图形记录。脑电图可以提供关于患者意识状态、麻醉深度和脑功能的信息。在麻醉过程中,脑电图的频率、振幅和波形会发生变化,反映患者的麻醉状态。
肌电图(Electromyogram,EMG),是通过在患者的肌肉上放置电极来记录肌肉的电活动。肌电图可以反映肌肉的收缩和松弛情况。在麻醉过程中,肌电图可以用于监测患者的肌肉活动水平,以评估麻醉深度和肌肉松弛程度。
眼电图(Electrooculogram,EOG),是通过在患者眼睛附近放置电极来记录眼部肌肉的电活动。眼电图可以反映眼球运动和眼睛的状态,包括眼球转动、眨眼和闭眼等。在麻醉过程中,眼电图可以用于评估患者的意识状态和眼动情况,以辅助麻醉深度的监测。
通过同时记录和分析脑电图、肌电图和眼电图等生理信号,可以综合评估患者的麻醉深度,并提供更准确的监测和控制。这种综合利用不同信号的方法可以减少对医生主观判断的依赖,提高麻醉过程的安全性和效果。
进一步地,脑电图记录了患者大脑皮层的电活动,可以反映患者的意识状态和麻醉深度。在麻醉过程中,不同的麻醉深度会导致不同频率和振幅的脑电波,通过分析脑电图信号,可以提取出一些特征参数,如频谱特征、时域特征和非线性特征,用于评估麻醉深度指数。肌电图记录了患者肌肉的电活动,可以反映患者的肌肉活动水平。在麻醉过程中,肌电图信号的能量和频率会发生变化,通过分析肌电图信号,可以提取出一些特征参数,如肌电能量、肌电频率和肌电幅度,用于评估麻醉深度指数。眼电图记录了患者眼球运动的电活动,可以反映患者的眼球运动状态。在麻醉过程中,眼电图信号的频率和振幅会发生变化,通过分析眼电图信号,可以提取出一些特征参数,如眼电频率、眼电幅度和眼电相位,用于评估麻醉深度指数。
综合利用脑电图、肌电图和眼电图可以提供更全面的麻醉深度监测,不同的信号源提供了不同方面的信息,综合分析可以减少对单一指标的依赖,提高麻醉深度评估的准确性。这种综合利用可以通过机器学习算法或其他模型来实现,从而自动化地生成麻醉深度指数评分的估计值,有助于减少对医生主观判断和经验的依赖,提高麻醉监测的可靠性和精确性。
具体地,在所述步骤120中,提取所述被麻醉患者对象的脑电图、肌电图和眼电图中的生理特征信息。图3为本发明实施例中提供的一种麻醉深度监测方法中步骤120的子步骤的流程图,如图3所示,提取所述被麻醉患者对象的脑电图、肌电图和眼电图中的生理特征信息,包括:121,对所述被麻醉患者对象的脑电图、肌电图和眼电图进行图像预处理以得到缩放后脑电图、缩放后肌电图和缩放后眼电图;以及,122,对所述缩放后脑电图、所述缩放后肌电图和所述缩放后眼电图进行语义分析和参数融合以得到被麻醉患者对象多生理参数特征向量作为所述生理特征信息。
其中,通过综合利用多种生理信号,包括脑电图、肌电图和眼电图,可以更全面地评估麻醉深度,可以减少对医生主观判断和经验的依赖,提高麻醉深度监测的准确性和可靠性。通过对脑电图、肌电图和眼电图进行图像预处理、语义分析和参数融合,可以自动化地得到被麻醉患者的多生理参数特征向量,作为生理特征信息,以实现对麻醉深度指数的自动评估,提高工作效率,减少人为误差。准确评估麻醉深度可以帮助医生确保患者在手术过程中处于适当的麻醉状态,对于疼痛管理、手术操作、生理稳定、心理舒适以及手术的安全性和风险降低都非常重要。
通过上述步骤,综合利用麻醉患者的脑电图、肌电图和眼电图来自动化地估计麻醉深度指数评分的技术构思可以提供更全面的麻醉深度监测,提高工作效率,确保患者在手术过程中处于适当的麻醉状态。
对于所述步骤121,包括:对所述被麻醉患者对象的脑电图、肌电图和眼电图进行自适应图片缩放以得到所述缩放后脑电图、所述缩放后肌电图和所述缩放后眼电图。
考虑到被麻醉患者对象的脑电图、肌电图和眼电图的大小可能会有一定的差异。因此,在本申请的技术方案中,对所述被麻醉患者对象的脑电图、肌电图和眼电图进行自适应图片缩放以得到缩放后脑电图、缩放后肌电图和缩放后眼电图。其中,自适应图片缩放技术可以通过添加最少的黑边来改变图像的纵横比以达到标准大小,从而加快网络的推理速度。这种技术可以在不改变图像内容的情况下,将输入图像缩放到网络所需的大小,从而减少了网络的计算量和内存占用。
应可以理解,自适应图片缩放是一种图像处理技术,用于将图像调整为适合特定需求的尺寸,将使用自适应图片缩放来处理被麻醉患者的脑电图、肌电图和眼电图。
自适应图片缩放的目的是根据输入图像的大小和比例,将其调整为特定的目标大小,同时保持图像的内容和特征,这种缩放技术可以确保图像在缩放过程中不会失真或变形,同时保持图像的清晰度和细节。
在应用自适应图片缩放到被麻醉患者的脑电图、肌电图和眼电图时,可以根据需要的尺寸和比例来调整图像的大小,可以通过使用图像处理软件或编程语言中的图像处理库来实现。根据图像的特点和需求,可以选择不同的缩放算法和参数来达到最佳的缩放效果。
通过自适应图片缩放,可以将被麻醉患者的脑电图、肌电图和眼电图调整为适合后续处理和分析的统一尺寸,为后续的语义分析和参数融合提供准确的输入数据。
在本申请的一个实施例中,首先,对脑电图、肌电图和眼电图进行预处理,包括去除噪声、滤波和放大等操作,以提高信号质量和可读性。然后,根据具体需求,确定所需的目标尺寸。接着,根据原始图像的尺寸和目标尺寸,计算出缩放比例,例如,如果目标尺寸是原始尺寸的一半,缩放比例就是0.5。然后,使用图像处理库或算法,将脑电图、肌电图和眼电图按照计算得到的缩放比例进行缩放,这可以通过调整图像的像素大小或应用图像变换方法来实现。经过缩放处理后,获得缩放后的脑电图、肌电图和眼电图。对于所述步骤122,包括:基于深度卷积神经网络模型,对所述缩放后脑电图、所述缩放后肌电图和所述缩放后眼电图分别进行图像语义理解以得到脑电图语义特征向量、肌电图语义特征向量和眼电图语义特征向量;以及,融合所述脑电图语义特征向量、所述肌电图语义特征向量和所述眼电图语义特征向量以得到被麻醉患者对象多生理参数特征向量。
其中,所述深度卷积神经网络模型为基于ViT模型的图像特征提取器;其中,基于深度卷积神经网络模型,对所述缩放后脑电图、所述缩放后肌电图和所述缩放后眼电图分别进行图像语义理解以得到脑电图语义特征向量、肌电图语义特征向量和眼电图语义特征向量,包括:将所述缩放后脑电图、所述缩放后肌电图和所述缩放后眼电图分别通过所述基于ViT模型的图像特征提取器以得到所述脑电图语义特征向量、所述肌电图语义特征向量和所述眼电图语义特征向量。
然后,将所述缩放后脑电图、所述缩放后肌电图和所述缩放后眼电图分别通过基于ViT模型的图像特征提取器以得到脑电图语义特征向量、肌电图语义特征向量和眼电图语义特征向量。也就是,利用ViT模型强大的视觉表征能力,捕捉脑电图、肌电图和眼电图信号中的细微变化和模式。
应可以理解,自2017年Google提出的Transformer结构以来,迅速引发一波热潮,针对于NLP领域的,通过自注意力机制代替传统处理序列数据时采用的循环神经网络结构,不仅实现了并行训练,提升了训练的效率,同时也在应用中取得很好的结果。在NLP中,输入transformer中的是一个序列,而在视觉领域,需要考虑如何将一个2d图片转化为一个1d的序列,最直观的想法就是将图片中的像素点输入到transformer中,但是复杂度太高的问题。
而ViT模型对输入的改进可以降低复杂度,先将图片切分成一个个图像块,然后每一个图像块投影为固定长度的向量送入Transformer中,后续编码器的操作和原始Transformer中完全相同。但是因为对图片分类,因此在输入序列中加入一个特殊的标记,该标记对应的输出即为最后的类别预测。ViT在很多视觉任务上都展现了相当优秀的性能,但是和CNN(Convolutional Neural Network,卷积神经网络)相比,缺少归纳偏置让ViT应用于小数据集时非常依赖模型正则化(model regularization)和数据增广(dataaugmentation)。
应可以理解,ViT模型通过自注意力机制和Transformer架构可以捕捉图像中的高级语义信息,通过将脑电图、肌电图和眼电图输入ViT模型,可以获得更丰富和抽象的特征表示,从而更好地表达图像的语义含义。语义特征向量通常具有较低的维度,相比于原始图像数据,它们更紧凑且更易于处理,这可以减少计算和存储的开销,并提高后续任务的效率和速度。通过提取语义特征向量,可以减少对图像细节的依赖,更关注图像中的重要特征,有助于提高鉴别能力,使得后续的麻醉深度指数评分或其他任务更准确和可靠。语义特征向量具有更好的泛化性能,可以适应不同的麻醉患者和手术场景,意味着通过基于ViT模型的图像特征提取器得到的特征可以更好地适应新的数据样本,提高模型的泛化能力。
也就是,通过基于ViT模型的图像特征提取器,将缩放后的脑电图、肌电图和眼电图转换为语义特征向量可以带来多种有益效果,包括提取高级语义信息、降低维度、提高鉴别能力和增强泛化性能。
进一步地,融合所述脑电图语义特征向量、所述肌电图语义特征向量和所述眼电图语义特征向量以得到被麻醉患者对象多生理参数特征向量,包括:融合所述脑电图语义特征向量、所述肌电图语义特征向量和所述眼电图语义特征向量以得到初始被麻醉患者对象多生理参数特征向量;计算所述脑电图语义特征向量、所述肌电图语义特征向量、所述眼电图语义特征向量和所述初始被麻醉患者对象多生理参数特征向量可转移特征的量化的可转移性感知因数;以及,以所述可转移性感知因数作为权重分别对所述脑电图语义特征向量、所述肌电图语义特征向量和所述眼电图语义特征向量进行加权融合以得到所述被麻醉患者对象多生理参数特征向量。
接着,融合所述脑电图语义特征向量、所述肌电图语义特征向量和所述眼电图语义特征向量以得到被麻醉患者对象多生理参数特征向量。也就是,将多个生理参数的特征信息进行融合,增加所述被麻醉患者对象多生理参数特征向量的信息表达能力。
融合所述脑电图语义特征向量、所述肌电图语义特征向量和所述眼电图语义特征向量以得到被麻醉患者对象多生理参数特征向量,一方面,可以提高麻醉深度评估的准确性,通过融合多个生理参数的特征信息,可以综合考虑患者的脑电活动、肌肉活动和眼球运动等方面的指标,从而更准确地评估麻醉深度,有助于医生更好地了解患者的麻醉状态,及时调整麻醉药物的剂量和类型。另一方面,可以减少主观判断和经验依赖,传统的麻醉深度评估方法往往依赖医生的主观判断和经验,存在一定的主观性和误差。通过融合多个生理参数的特征信息并采用自动化的评分算法,可以减少对医生主观判断的依赖,提高评估的客观性和一致性。再一方面,可以提供更全面的麻醉监测,融合多个生理参数的特征信息可以提供更全面的麻醉监测,不仅可以评估麻醉深度,还可以监测患者的肌肉状态和眼球运动情况,有助于医生全面了解患者的生理状态,及时发现并处理潜在的问题。而且,还可以进行个性化麻醉管理,通过融合多个生理参数的特征信息,可以获取更全面的患者生理特征,实现个性化的麻醉管理。不同患者对麻醉药物的反应可能存在差异,通过综合考虑多个生理参数,可以更好地调整麻醉药物的剂量和类型,以确保患者在手术过程中处于适当的麻醉状态。
融合脑电图、肌电图和眼电图的语义特征向量可以提高麻醉深度评估的准确性、减少主观判断和经验依赖、提供更全面的麻醉监测,并支持个性化的麻醉管理。这将有助于提高手术的安全性和患者的手术体验。
在本申请的技术方案中,融合所述脑电图语义特征向量、所述肌电图语义特征向量和所述眼电图语义特征向量得到所述被麻醉患者对象多生理参数特征向量,并所述被麻醉患者对象多生理参数特征向量通过解码器进行解码回归时,考虑到所述脑电图语义特征向量、所述肌电图语义特征向量和所述眼电图语义特征向量分别表达脑电图、肌电图和眼电图的局部上下文关联的图像语义特征,由于源图像语义上的差异,各个特征向量在特征融合并解码时,需要考虑域转移差异来进行特征融合,从而提升特征融合效果。
基于此,本申请的申请人对于所述脑电图语义特征向量、所述肌电图语义特征向量和所述眼电图语义特征向量中的每个,例如记为Vi,其中i=1~3,以及所述被麻醉患者对象多生理参数特征向量,例如记为Vc,计算其可转移特征的量化的可转移性感知因数:以如下优化公式计算所述脑电图语义特征向量、所述肌电图语义特征向量、所述眼电图语义特征向量和所述初始被麻醉患者对象多生理参数特征向量可转移特征的量化的可转移性感知因数;其中,所述优化公式为:
其中,fij和fcj分别是所述脑电图语义特征向量、所述肌电图语义特征向量和所述眼电图语义特征向量,以及所述被麻醉患者对象多生理参数特征向量的特征值,log为以2为底的对数函数,且α是加权超参数,Vi为所述脑电图语义特征向量、所述肌电图语义特征向量和所述眼电图语义特征向量中的每个,其中i=1~3,Vc为所述初始被麻醉患者对象多生理参数特征向量,wi所述可转移性感知因数。
这里,所述可转移特征的量化的可转移性感知因数通过域转移下的不确定性度量来估计特征空间域到分类目标域的域不确定性,且由于该域不确定性估计可以用于标识已经在域间转移的特征表示,因此通过以该因数来作为权重分别对所述脑电图语义特征向量、所述肌电图语义特征向量和所述眼电图语义特征向量进行加权后再进行融合,就可以通过特征空间域到分类目标域的跨域对齐来鉴别特征映射是否在域间有效转移,从而量化地感知不同特征向量中的可转移特征的可转移性,以实现域间自适应的特征融合。
具体地,在所述步骤130中,基于所述生理特征信息,生成麻醉深度指数评分估计值,包括:将所述被麻醉患者对象多生理参数特征向量通过解码器进行解码回归以得到所述麻醉深度指数评分估计值。
继而,将所述被麻醉患者对象多生理参数特征向量通过解码器进行解码回归以得到麻醉深度指数评分估计值。
其中,解码器是一个关键的组件,用于将被麻醉患者的多生理参数特征向量转化为麻醉深度指数评分的估计值。解码器的主要功能是学习特征向量与麻醉深度之间的映射关系,并生成相应的评分估计值。
解码器通常采用机器学习算法,如神经网络模型,接收输入的多生理参数特征向量作为输入,并通过一系列的隐藏层和激活函数进行计算和转换,最终输出麻醉深度指数评分的估计值。
其中,解码器的网络结构能够适应输入特征向量的维度和复杂性,通常采用深层神经网络结构,如多层感知机(MLP)或卷积神经网络(CNN),以提取和学习输入特征的高级表示。解码器的隐藏层通常采用非线性的激活函数,如ReLU(Rectified Linear Unit)或Sigmoid函数,以引入非线性变换能力,增强模型的表达能力。解码器的训练需要定义一个适当的损失函数来度量预测值与实际麻醉深度指数之间的差异,损失函数包括均方误差(Mean Squared Error)和交叉熵损失(Cross-Entropy Loss)等。
通过合理设计和训练解码器,可以实现将被麻醉患者的多生理参数特征向量转化为麻醉深度指数评分的估计值,为麻醉医生提供更准确的麻醉深度监测和管理。
综上,基于本发明实施例的麻醉深度监测方法100被阐明,其综合利用被麻醉患者对象的脑电图、肌电图和眼电图,自动化地估计麻醉深度指数评分,也就是,融合多种生理参数特征,提供更全面的麻醉深度监测,减少对医生主观判断和经验的依赖。
图4为本发明实施例中提供的一种麻醉深度监测系统的框图。如图4所示,所述麻醉深度监测系统,包括:图获取模块210,用于获取被麻醉患者对象的脑电图、肌电图和眼电图;生理特征信息提取模块220,用于提取所述被麻醉患者对象的脑电图、肌电图和眼电图中的生理特征信息;评分估计值生成模块230,用于基于所述生理特征信息,生成麻醉深度指数评分估计值。
具体地,在所述麻醉深度监测系统中,所述生理特征信息提取模块,包括:图像预处理单元,用于对所述被麻醉患者对象的脑电图、肌电图和眼电图进行图像预处理以得到缩放后脑电图、缩放后肌电图和缩放后眼电图;以及,语义分析和参数融合单元,用于对所述缩放后脑电图、所述缩放后肌电图和所述缩放后眼电图进行语义分析和参数融合以得到被麻醉患者对象多生理参数特征向量作为所述生理特征信息。
本领域技术人员可以理解,上述麻醉深度监测系统中的各个步骤的具体操作已经在上面参考图1到图3的麻醉深度监测方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本发明实施例的麻醉深度监测系统100可以实现在各种终端设备中,例如用于麻醉深度监测的服务器等。在一个示例中,根据本发明实施例的麻醉深度监测系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该麻醉深度监测系统100可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该麻醉深度监测系统100同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该麻醉深度监测系统100与该终端设备也可以是分立的设备,并且该麻醉深度监测系统100可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
图5为本发明实施例中提供的一种麻醉深度监测方法的应用场景图。如图5所示,在该应用场景中,首先,获取被麻醉患者对象的脑电图(例如,如图5中所示意的C1)、肌电图(例如,如图5中所示意的C2)和眼电图(例如,如图5中所示意的C3);然后,将获取的脑电图、肌电图和眼电图输入至部署有麻醉深度监测算法的服务器(例如,如图5中所示意的S)中,其中所述服务器能够基于麻醉深度监测算法对所述脑电图、所述肌电图和所述眼电图进行处理,以生成麻醉深度指数评分估计值。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种麻醉深度监测方法,其特征在于,包括:
获取被麻醉患者对象的脑电图、肌电图和眼电图;
提取所述被麻醉患者对象的脑电图、肌电图和眼电图中的生理特征信息;
基于所述生理特征信息,生成麻醉深度指数评分估计值。
2.根据权利要求1所述的麻醉深度监测方法,其特征在于,提取所述被麻醉患者对象的脑电图、肌电图和眼电图中的生理特征信息,包括:
对所述被麻醉患者对象的脑电图、肌电图和眼电图进行图像预处理以得到缩放后脑电图、缩放后肌电图和缩放后眼电图;以及
对所述缩放后脑电图、所述缩放后肌电图和所述缩放后眼电图进行语义分析和参数融合以得到被麻醉患者对象多生理参数特征向量作为所述生理特征信息。
3.根据权利要求2所述的麻醉深度监测方法,其特征在于,对所述被麻醉患者对象的脑电图、肌电图和眼电图进行图像预处理以得到缩放后脑电图、缩放后肌电图和缩放后眼电图,包括:
对所述被麻醉患者对象的脑电图、肌电图和眼电图进行自适应图片缩放以得到所述缩放后脑电图、所述缩放后肌电图和所述缩放后眼电图。
4.根据权利要求3所述的麻醉深度监测方法,其特征在于,对所述缩放后脑电图、所述缩放后肌电图和所述缩放后眼电图进行语义分析和参数融合以得到被麻醉患者对象多生理参数特征向量作为所述生理特征信息,包括:
基于深度卷积神经网络模型,对所述缩放后脑电图、所述缩放后肌电图和所述缩放后眼电图分别进行图像语义理解以得到脑电图语义特征向量、肌电图语义特征向量和眼电图语义特征向量;以及
融合所述脑电图语义特征向量、所述肌电图语义特征向量和所述眼电图语义特征向量以得到被麻醉患者对象多生理参数特征向量。
5.根据权利要求4所述的麻醉深度监测方法,其特征在于,所述深度卷积神经网络模型为基于ViT模型的图像特征提取器;
其中,基于深度卷积神经网络模型,对所述缩放后脑电图、所述缩放后肌电图和所述缩放后眼电图分别进行图像语义理解以得到脑电图语义特征向量、肌电图语义特征向量和眼电图语义特征向量,包括:
将所述缩放后脑电图、所述缩放后肌电图和所述缩放后眼电图分别通过所述基于ViT模型的图像特征提取器以得到所述脑电图语义特征向量、所述肌电图语义特征向量和所述眼电图语义特征向量。
6.根据权利要求5所述的麻醉深度监测方法,其特征在于,融合所述脑电图语义特征向量、所述肌电图语义特征向量和所述眼电图语义特征向量以得到被麻醉患者对象多生理参数特征向量,包括:
融合所述脑电图语义特征向量、所述肌电图语义特征向量和所述眼电图语义特征向量以得到初始被麻醉患者对象多生理参数特征向量;
计算所述脑电图语义特征向量、所述肌电图语义特征向量、所述眼电图语义特征向量和所述初始被麻醉患者对象多生理参数特征向量可转移特征的量化的可转移性感知因数;以及
以所述可转移性感知因数作为权重分别对所述脑电图语义特征向量、所述肌电图语义特征向量和所述眼电图语义特征向量进行加权融合以得到所述被麻醉患者对象多生理参数特征向量。
7.根据权利要求6所述的麻醉深度监测方法,其特征在于,计算所述脑电图语义特征向量、所述肌电图语义特征向量、所述眼电图语义特征向量和所述初始被麻醉患者对象多生理参数特征向量可转移特征的量化的可转移性感知因数,包括:以如下优化公式计算所述脑电图语义特征向量、所述肌电图语义特征向量、所述眼电图语义特征向量和所述初始被麻醉患者对象多生理参数特征向量可转移特征的量化的可转移性感知因数;
其中,所述优化公式为:
其中,fij和fcj分别是所述脑电图语义特征向量、所述肌电图语义特征向量和所述眼电图语义特征向量,以及所述被麻醉患者对象多生理参数特征向量的特征值,log为以2为底的对数函数,且α是加权超参数,Vi为所述脑电图语义特征向量、所述肌电图语义特征向量和所述眼电图语义特征向量中的每个,其中i=1~3,Vc为所述初始被麻醉患者对象多生理参数特征向量,wi所述可转移性感知因数。
8.根据权利要求7所述的麻醉深度监测方法,其特征在于,基于所述生理特征信息,生成麻醉深度指数评分估计值,包括:
将所述被麻醉患者对象多生理参数特征向量通过解码器进行解码回归以得到所述麻醉深度指数评分估计值。
9.一种麻醉深度监测系统,其特征在于,包括:
图获取模块,用于获取被麻醉患者对象的脑电图、肌电图和眼电图;
生理特征信息提取模块,用于提取所述被麻醉患者对象的脑电图、肌电图和眼电图中的生理特征信息;
评分估计值生成模块,用于基于所述生理特征信息,生成麻醉深度指数评分估计值。
10.根据权利要求9所述的麻醉深度监测系统,其特征在于,所述生理特征信息提取模块,包括:
图像预处理单元,用于对所述被麻醉患者对象的脑电图、肌电图和眼电图进行图像预处理以得到缩放后脑电图、缩放后肌电图和缩放后眼电图;以及
语义分析和参数融合单元,用于对所述缩放后脑电图、所述缩放后肌电图和所述缩放后眼电图进行语义分析和参数融合以得到被麻醉患者对象多生理参数特征向量作为所述生理特征信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310850556.9A CN116746885A (zh) | 2023-07-12 | 2023-07-12 | 麻醉深度监测系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310850556.9A CN116746885A (zh) | 2023-07-12 | 2023-07-12 | 麻醉深度监测系统及其方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116746885A true CN116746885A (zh) | 2023-09-15 |
Family
ID=87951308
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310850556.9A Pending CN116746885A (zh) | 2023-07-12 | 2023-07-12 | 麻醉深度监测系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116746885A (zh) |
Cited By (2)
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 |
CN117281534A (zh) * | 2023-11-22 | 2023-12-26 | 广东省人民医院 | 一种多指标的麻醉状态监测方法及系统 |
-
2023
- 2023-07-12 CN CN202310850556.9A patent/CN116746885A/zh active Pending
Cited By (4)
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 |
CN117281534A (zh) * | 2023-11-22 | 2023-12-26 | 广东省人民医院 | 一种多指标的麻醉状态监测方法及系统 |
CN117281534B (zh) * | 2023-11-22 | 2024-03-22 | 广东省人民医院 | 一种多指标的麻醉状态监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bota et al. | A review, current challenges, and future possibilities on emotion recognition using machine learning and physiological signals | |
Panicker et al. | A survey of machine learning techniques in physiology based mental stress detection systems | |
Chu et al. | Physiological signal-based method for measurement of pain intensity | |
Greco et al. | Advances in Electrodermal activity processing with applications for mental health | |
Tangermann et al. | Review of the BCI competition IV | |
CA2801251C (en) | Cognitive function assessment in a patient | |
CN116746885A (zh) | 麻醉深度监测系统及其方法 | |
Li et al. | Emotion recognition using physiological signals | |
JP2019528104A (ja) | 生体信号のモニタリングのための耳内感知システムおよび方法 | |
Gümüslü et al. | Emotion recognition using EEG and physiological data for robot-assisted rehabilitation systems | |
Al-Shargie | Early detection of mental stress using advanced neuroimaging and artificial intelligence | |
Ali et al. | A single-channel wireless EEG headset enabled neural activities analysis for mental healthcare applications | |
Fernandez Rojas et al. | A systematic review of neurophysiological sensing for the assessment of acute pain | |
Li et al. | Multi-modal emotion recognition based on deep learning of EEG and audio signals | |
CA3111668A1 (en) | Systems and methods of pain treatment | |
CN113974557A (zh) | 基于脑电奇异谱分析的深度神经网络麻醉深度分析方法 | |
CN116312951B (zh) | 一种基于多模态耦合分析的运动功能评估方法及其系统 | |
CN110680285A (zh) | 一种基于神经网络的麻醉程度监测装置 | |
Othmani et al. | EEG-based neural networks approaches for fatigue and drowsiness detection: A survey | |
CN112652381A (zh) | 心理健康矫正计划生成方法及系统 | |
Xu et al. | Emotional recognition of EEG signals based on fractal dimension | |
Rajalakshmi et al. | Investigate the Effect of Yoga and Meditation Using a Brain-Computer Interface Device | |
Saini et al. | State of art mental tasks classification based on electroencephalogram: a review | |
Martišius | Data acquisition and signal processing methods for brain–computer interfaces | |
George | Improved motor imagery decoding using deep learning techniques |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |