CN116807392A - 一种多模态麻醉监测系统 - Google Patents
一种多模态麻醉监测系统 Download PDFInfo
- Publication number
- CN116807392A CN116807392A CN202211095293.7A CN202211095293A CN116807392A CN 116807392 A CN116807392 A CN 116807392A CN 202211095293 A CN202211095293 A CN 202211095293A CN 116807392 A CN116807392 A CN 116807392A
- Authority
- CN
- China
- Prior art keywords
- electrode signal
- anesthesia
- brain electrode
- signal sequence
- historical
- 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 193
- 230000037005 anaesthesia Effects 0.000 title claims abstract description 193
- 238000012544 monitoring process Methods 0.000 title claims abstract description 95
- 210000004556 brain Anatomy 0.000 claims abstract description 193
- 108010076504 Protein Sorting Signals Proteins 0.000 claims abstract description 181
- 238000011156 evaluation Methods 0.000 claims abstract description 53
- 238000003908 quality control method Methods 0.000 claims abstract description 51
- 230000003925 brain function Effects 0.000 claims abstract description 27
- 238000013441 quality evaluation Methods 0.000 claims abstract description 26
- 238000010276 construction Methods 0.000 claims abstract description 12
- 230000036760 body temperature Effects 0.000 claims description 53
- 230000036772 blood pressure Effects 0.000 claims description 44
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 41
- 239000008280 blood Substances 0.000 claims description 41
- 210000004369 blood Anatomy 0.000 claims description 41
- 238000000034 method Methods 0.000 claims description 41
- 229910052760 oxygen Inorganic materials 0.000 claims description 41
- 239000001301 oxygen Substances 0.000 claims description 41
- 230000005856 abnormality Effects 0.000 claims description 26
- 230000000241 respiratory effect Effects 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 18
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 13
- 230000006978 adaptation Effects 0.000 claims description 9
- 238000012806 monitoring device Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 201000010099 disease Diseases 0.000 claims description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 210000003205 muscle Anatomy 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 239000003814 drug Substances 0.000 claims description 5
- 229940079593 drug Drugs 0.000 claims description 5
- 230000002490 cerebral effect Effects 0.000 claims description 4
- 230000003183 myoelectrical effect Effects 0.000 claims description 4
- 230000001537 neural effect Effects 0.000 claims description 4
- 230000008557 oxygen metabolism Effects 0.000 claims description 4
- 230000003321 amplification Effects 0.000 claims description 3
- 230000037396 body weight Effects 0.000 claims description 3
- 230000004424 eye movement Effects 0.000 claims description 3
- 230000036541 health Effects 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims 1
- 238000001303 quality assessment method Methods 0.000 claims 1
- 230000003444 anaesthetic effect Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 230000000903 blocking effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000002695 general anesthesia Methods 0.000 description 4
- 239000000243 solution Substances 0.000 description 4
- 238000001949 anaesthesia Methods 0.000 description 3
- 210000005036 nerve Anatomy 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002690 local anesthesia Methods 0.000 description 2
- 230000036407 pain Effects 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 230000035807 sensation Effects 0.000 description 2
- 238000002627 tracheal intubation Methods 0.000 description 2
- LEBVLXFERQHONN-UHFFFAOYSA-N 1-butyl-N-(2,6-dimethylphenyl)piperidine-2-carboxamide Chemical compound CCCCN1CCCCC1C(=O)NC1=C(C)C=CC=C1C LEBVLXFERQHONN-UHFFFAOYSA-N 0.000 description 1
- NNJVILVZKWQKPM-UHFFFAOYSA-N Lidocaine Chemical compound CCN(CC)CC(=O)NC1=C(C)C=CC=C1C NNJVILVZKWQKPM-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 229960003150 bupivacaine Drugs 0.000 description 1
- 210000003169 central nervous system Anatomy 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 239000003983 inhalation anesthetic agent Substances 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000010255 intramuscular injection Methods 0.000 description 1
- 239000007927 intramuscular injection Substances 0.000 description 1
- 238000001990 intravenous administration Methods 0.000 description 1
- 238000010253 intravenous injection Methods 0.000 description 1
- 229960004194 lidocaine Drugs 0.000 description 1
- 239000003589 local anesthetic agent Substances 0.000 description 1
- 229960005015 local anesthetics Drugs 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008058 pain sensation Effects 0.000 description 1
- 210000000578 peripheral nerve Anatomy 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 210000001032 spinal nerve Anatomy 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明属于麻醉监测技术领域，公开了一种多模态麻醉监测系统，所述多模态麻醉监测系统包括：生理数据采集模块、中央控制模块、脑功能评估模块、数据库构建模块、麻醉模块、麻醉深度预测模块、麻醉质量评价模块、显示模块。本发明通过麻醉深度预测模块将实时获取的大脑电极信号序列输入麻醉深度预测网络得到预测麻醉深度指数，避免了因麻醉深度指数的显示延迟而导致麻醉深度状态可能在手术中才能知晓的情况，达到了对麻醉深度指数进行预测的目的；同时，通过麻醉质量评价模块对监控设备采集的生命体征的监控数据进行分析处理，可以获得手术质控指数，手术质控指数越高，手术麻醉质量越好；可以实现准确对手术麻醉质量进行评价。
Description
技术领域
本发明属于麻醉监测技术领域，尤其涉及一种多模态麻醉监测系统。
背景技术
麻醉的含义是用药物或其他方法使患者整体或局部暂时失去感觉，以达到无痛的目的进行手术治疗。麻醉学(anesthesiology)是运用有关麻醉的基础理论、临床知识和技术以消除患者手术疼痛，保证患者安全，为手术创造良好条件的一门科学。全身麻醉是指将麻醉药通过吸入、静脉、肌肉注射进入体内，使中枢神经系统受到抑制，致使患者意识消失而周身无疼痛感觉的过程。这种麻醉方式便是常言道的“睡着状态”，特点是患者意识消失，全身肌肉松弛，体验不到疼痛。最常用的全身麻醉方式是气管插管全身麻醉，特点是采用静脉麻醉药和/或吸入麻醉药产生全身麻醉作用，术中需要行气管插管，机械辅助呼吸。局部麻醉是利用局部麻醉药如布比卡因、利多卡因等，注射在相应部位使脊神经、神经丛或神经干以及更细的周围神经末梢受到阻滞，使身体的某一部位暂时失去感觉。局部麻醉的特点就是麻醉局限在身体的“局部”，患者的意识是清醒的。常用的方法包括椎管内麻醉(阻滞)、神经阻滞、区域阻滞、局部浸润麻醉和表面麻醉等。然而，现有多模态麻醉监测系统进行麻醉深度监测的方法通常以脑电图监测为主；但是由于不同患者的身体状况不同，难以对后期的麻醉深度指数进行预测；同时，不能准确的对手术麻醉质量评价。
通过上述分析，现有技术存在的问题及缺陷为：
(1)现有多模态麻醉监测系统进行麻醉深度监测的方法通常以脑电图监测为主；但是由于不同患者的身体状况不同，难以对后期的麻醉深度指数进行预测。
(2)对手术麻醉质量评价没有精确标准，计算结果无法很好的表明麻醉质量。
发明内容
针对现有技术存在的问题，本发明提供了一种多模态麻醉监测系统。
本发明是这样实现的，一种多模态麻醉监测系统包括：
生理数据采集模块、中央控制模块、脑功能评估模块、数据库构建模块、麻醉模块、麻醉深度预测模块、麻醉质量评价模块、显示模块；
生理数据采集模块，与中央控制模块连接，用于通过医疗设备采集患者心率、血压、呼末CO2、神经活动、脑氧代谢，肌电等生理数据；
中央控制模块，与生理数据采集模块、脑功能评估模块、数据库构建模块、麻醉模块、麻醉深度预测模块、麻醉质量评价模块、显示模块连接，用于控制和调度各个模块正常工作；
脑功能评估模块，与中央控制模块连接，用于通过建立以EEG-NIRS-EMG为基础的脑功能评估体系，从多模态、多维度的动态方法对麻醉过程中的脑功能进行刻画、评估，从实时评估结果观察麻醉质量；
数据库构建模块，与中央控制模块连接，用于根据药物、年龄、身体状况、手术类型等因素的影响，建立药物-年龄麻醉数据库；
麻醉模块，与中央控制模块连接，用于通过麻醉设备对患者进行麻醉操作；
麻醉深度预测模块，与中央控制模块连接，用于采集脑电信号以及对患者麻醉深度进行预测；
麻醉质量评价模块，与中央控制模块连接，用于对患者麻醉质量进行评价；
显示模块，与中央控制模块连接，用于通过显示器显示生理数据、脑功能评估结果、数据库、麻醉深度监测结果、麻醉质量评价结果；所述显示模块将麻醉深度预测模块、数据库、脑功能评估模块、麻醉质量评价模块接受到的数据结果以图表的形式显示在显示器上。
进一步，所述麻醉深度预测模块监测方法如下：
配置电极参数，采集实时大脑电极信号序列；对采集的电极信号进行校准；将所述实时大脑电极信号序列预处理后输入麻醉深度预测网络得到预测麻醉深度指数；
其中，所述属于大脑电极信号序列预处理包括去除伪迹、噪声、眼动等序列点；
所述麻醉深度预测网络的训练方法为：
利用训练集训练麻醉深度预测网络，所述麻醉深度预测网络的损失函数为以质量系数为权重的均方差损失函数；
其中，所述训练集的扩增方法为：获取多个历史患者的历史麻醉数据，将计算后的拼接大脑电极信号序列作为所述麻醉深度预测网络的训练数据集；
所述历史麻醉数据包括：体重、麻醉深度指数和对应的历史大脑电极信号序列、身体健康状况、手术类型、麻醉时间，所述历史大脑电极信号序列分为多个历史大脑电极信号序列段；计算任意两个历史大脑电极信号序列的匹配程度和对应的体重差的绝对值，将其他影响因素作为权重加入计算中；根据所述匹配程度和所述体重差的绝对值得到所述两个历史大脑电极信号序列的综合相似度；基于不属于同一历史大脑电极信号序列的待拼接的两个历史大脑电极信号序列段，计算两个历史大脑电极信号序列段在拼接处的大脑电极信号数据的绝对差值；根据各所述历史大脑电极信号序列段的所述绝对差值之和得到两个历史大脑电极信号序列的补偿系数；所述综合相似度和所述补偿系数的乘积为两个历史大脑电极信号序列的适配程度；根据适配程度对两个历史大脑电极信号序列进行拼接得到拼接大脑电极信号序列，根据所述拼接大脑电极信号序列对应的适配程度得到对应的质量系数；所述拼接大脑电极信号序列作为所述麻醉深度预测网络的训练集数据。
进一步，所述计算任意两个历史大脑电极信号序列的匹配程度，包括：
基于同一所述历史大脑电极信号序列，根据任意两个历史大脑电极信号序列段的序列距离和序列状态跨度值得到所述两个历史大脑电极信号序列段的相似度评价指标；根据所述相似度评价指标对同一历史大脑电极信号序列的历史大脑电极信号序列段进行最大迭代匹配得到多个匹配对；根据所述匹配对计算任意两个历史大脑电极信号序列的匹配程度。
进一步，所述根据所述匹配对计算任意两个历史大脑电极信号序列的匹配程度，包括：
选取两个历史大脑电极信号序列中任意两个匹配对，所述两个匹配对为两个不同的历史大脑电极信号序列中的匹配对；
基于所述两个匹配对，利用动态时间规整算法计算两个匹配对对应的历史大脑电极信号序列段的相似度，得到最佳序列段相似度和最差序列段相似度；所述最佳序列段相似度和所述最差序列段相似度的比值为初始匹配程度；所述两个历史大脑电极信号序列中所有匹配对对应的初始匹配程度的均值作为两个历史大脑电极信号序列的匹配程度。
进一步，所述基于同一所述历史大脑电极信号序列，根据任意两个历史大脑电极信号序列段的序列距离和序列状态跨度值得到所述两个历史大脑电极信号序列段的相似度评价指标，包括：
所述相似度评价指标的计算公式为：
其中，Q(Ai,Aj)为历史大脑电极信号序列A中第i个历史大脑电极信号序列段和第j个历史大脑电极信号序列段的相似度评价指标；K(Ai,Aj)为历史大脑电极信号序列A中第i个历史大脑电极信号序列段和第j个历史大脑电极信号序列段的所述序列状态跨度值；G(Ai,Aj)为历史大脑电极信号序列A中第i个历史大脑电极信号序列段和第j个历史大脑电极信号序列段的所述序列距离。
进一步，所述序列距离的获取方法为：利用动态时间规整算法计算任意两个历史大脑电极信号序列段的序列距离。
进一步，所述序列状态跨度值的获取方法，包括：
获取所述历史大脑电极信号序列段对应的体温和序列号；基于同一所述历史大脑电极信号序列，计算任意两个历史大脑电极信号序列段对应的体温差的绝对值和对应的序列号差的绝对值；选取所述体温差的绝对值和预设体温截断值中的最小值；所述最小值和所述序列号差的绝对值的乘积为所述序列状态跨度值。
进一步，所述根据所述相似度评价指标对同一历史大脑电极信号序列的历史大脑电极信号序列段进行最大匹配得到多个匹配对，包括：
利用K-M算法对同一历史大脑电极信号序列的历史大脑电极信号序列段进行匹配得到多个匹配对。
进一步，所述计算两个历史大脑电极信号序列段在拼接处的大脑电极信号数据的绝对差值，包括：
待拼接的两个历史大脑电极信号序列段中，一个历史大脑电极信号序列段在前，一个历史大脑电极信号序列段在后；在前的历史大脑电极信号序列段中的段尾元素和在后的历史大脑电极信号序列段的段首元素的元素差的绝对值为拼接处大脑电极信号数据的绝对差值。
进一步，所述麻醉质量评价模块评价方法如下：
1)构建生理数据库；接收来自麻醉患者的监控设备传输的监控数据，其中，所述监控数据包括多个生命体征的监控数据；将监控数据存入生理数据库中；
2)统计第一预定时间和第一预定范围内的所述监控设备传输的所述监控数据并通过与所述监控数据相关联的预定策略计算获得手术质控指数；其中，所述第一预定范围包括一个科室或至少一个特定医护人员；
3)利用所述手术质控指数评价手术麻醉质量，其中，所述手术质控指数的高低反应手术麻醉质量的优良；
其中，所述统计第一预定时间和第一预定范围内的所述监控设备传输的所述监控数据并通过与所述监控数据相关联的预定策略计算获得手术质控指数的步骤，包括：统计第一预定时间和第一预定范围内的所述监控数据以获得多个质控项目的数值，每个质控项目具有对应的权重百分比，所有所述质控项目对应的权重值之和为1；根据多个所述质控项目的数值及多个所述质控项目对应的权重百分比，获得多个所述质控项目的分值；多个所述质控项目的分值之和为所述手术质控指数。
进一步，所述多个生命体征包括：呼吸、体温、心率、血压和血氧、肌电。
进一步，所述质控项目包括：呼吸/体温/心率/血压/血氧异常发生率，所述呼吸/体温/心率/血压/血氧异常发生率为所述第一预定时间和所述第一预定范围内呼吸/体温/心率/血压/血氧异常发生的总次数与麻醉患者人数的比值；呼吸/体温/心率/血压/血氧最大异常处理时间，所述呼吸/体温/心率/血压/血氧最大异常处理时间为所述第一预定时间和所述第一预定范围内呼吸/体温/心率/血压/血氧异常处理时间合集中的最大值；或者，呼吸/体温/心率/血压/血氧平均异常处理时间，所述呼吸/体温/心率/血压/血氧平均异常处理时间为所述第一预定时间和所述第一预定范围内呼吸/体温/心率/血压/血氧异常处理时间的总和与呼吸/体温/心率/血压/血氧异常处理次数的比值。
进一步，所述质控项目对应的分值不超过其对应的权重值，所述呼吸/体温/心率/血压/血氧异常发生率和所述呼吸/体温/心率/血压/血氧异常处理时间与其对应的分值成反比。
进一步，所述评价方法还包括：预设所述呼吸/体温/心率/血压/血氧/肌电的标准范围，所述标准范围包括最大值、最小值和持续时间阈值；判断当前所述呼吸/体温/心率/血压/血氧/肌电的数值是否大于所述最大值或小于所述最小值且持续时间超过阈值，若是，则判定所述呼吸/体温/心率/血压/血氧/肌电发生异常。
进一步，所述接收来自监控设备传输的监控数据之前，所述方法还包括：预先对麻醉患者的病情进行评级；所述预先对麻醉患者的病情进行评级之后，所述方法还包括：判断所述麻醉患者的病情等级是否在预设等级范围内，若是，则接收来自所述麻醉患者的监控设备传输的监控数据，否则，不接收；或者，判断所述麻醉患者的病情等级是否在预设等级范围内，若是，则对接收的所述麻醉患者的监控设备传输的监控数据进行处理，否则，对接收的所述麻醉患者的监控设备传输的监控数据不进行处理。
结合上述的技术方案和解决的技术问题，请从以下几方面分析本发明所要保护的技术方案所具备的优点及积极效果为：
第一、针对上述现有技术存在的技术问题以及解决该问题的难度，紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等，详细、深刻地分析本发明技术方案如何解决的技术问题，解决问题之后带来的一些具备创造性的技术效果。具体描述如下：
本发明通过麻醉深度预测模块利用训练好的麻醉深度预测网络，将实时获取的大脑电极信号序列输入麻醉深度预测网络得到预测麻醉深度指数，避免了因麻醉深度指数的显示延迟而导致麻醉深度状态可能在手术中才能知晓的情况，达到了对麻醉深度指数进行预测的目的；同时，通过麻醉质量评价模块对监控设备采集的生命体征的监控数据进行分析处理，可以获得手术质控指数，手术质控指数越高，手术麻醉质量越好；可以实现准确对手术麻醉质量进行评价。
第二，把技术方案看做一个整体或者从产品的角度，本发明所要保护的技术方案具备的技术效果和优点，具体描述如下：
本发明通过麻醉深度预测模块利用训练好的麻醉深度预测网络，将实时获取的大脑电极信号序列输入麻醉深度预测网络得到预测麻醉深度指数，避免了因麻醉深度指数的显示延迟而导致麻醉深度状态可能在手术中才能知晓的情况，达到了对麻醉深度指数进行预测的目的；同时，通过麻醉质量评价模块对监控设备采集的生命体征的监控数据进行分析处理，可以获得手术质控指数，手术质控指数越高，手术麻醉质量越好；可以实现准确对手术麻醉质量进行评价。
附图说明
图1是本发明实施例提供的多模态麻醉监测系统结构框图。
图2是本发明实施例提供的麻醉质量评价模块评价方法流程图。
图1中：1、生理数据采集模块；2、中央控制模块；3、脑功能评估模块；4、数据库构建模块；5、麻醉模块；6、麻醉深度预测模块；7、麻醉质量评价模块；8、显示模块。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
一、解释说明实施例。为了使本领域技术人员充分了解本发明如何具体实现，该部分是对权利要求技术方案进行展开说明的解释说明实施例。
如图1所示，本发明实施例提供的多模态麻醉监测系统包括：生理数据采集模块1、中央控制模块2、脑功能评估模块3、数据库构建模块4、麻醉模块5、麻醉深度预测模块6、麻醉质量评价模块7、显示模块8。
生理数据采集模块1，与中央控制模块2连接，用于通过医疗设备采集患者心率、血压、呼末CO2、神经活动、脑氧代谢，肌电等生理数据；
中央控制模块2，与生理数据采集模块1、脑功能评估模块3、数据库构建模块4、麻醉模块5、麻醉深度预测模块6、麻醉质量评价模块7、显示模块8连接，用于控制和调度各个模块正常工作；
脑功能评估模块3，与中央控制模块2连接，用于通过建立以EEG-NIRS-EMG为基础的脑功能评估体系，从多模态、多维度的动态方法对麻醉过程中的脑功能进行刻画、评估，从实时评估结果观察麻醉质量；
数据库构建模块4，与中央控制模块2连接，用于根据药物、年龄、身体状况、手术类型等因素的影响，建立药物-年龄麻醉数据库；
麻醉模块5，与中央控制模块2连接，用于通过麻醉设备对患者进行麻醉操作；
麻醉深度预测模块6，与中央控制模块2连接，用于采集脑电信号以及对患者麻醉深度进行预测；
麻醉质量评价模块7，与中央控制模块2连接，用于对患者麻醉质量进行评价；
显示模块8，与中央控制模块2连接，用于通过显示器显示生理数据、脑功能评估结果、数据库、麻醉深度监测结果、麻醉质量评价结果；所述显示模块8将麻醉深度预测模块6、数据库、脑功能评估模块3、麻醉质量评价模块7接收到的数据结果以图表的形式显示在显示器上。
本发明提供的麻醉深度预测模块6监测方法如下：
配置电极参数，采集实时大脑电极信号序列；对采集的电极信号进行校准；将所述实时大脑电极信号序列预处理后输入麻醉深度预测网络得到预测麻醉深度指数；
其中，所述属于大脑电极信号序列预处理包括去除伪迹、噪声、眼动等序列点；
所述麻醉深度预测网络的训练方法为：
利用训练集训练麻醉深度预测网络，所述麻醉深度预测网络的损失函数为以质量系数为权重的均方差损失函数；
其中，所述训练集的扩增方法为：获取多个历史患者的历史麻醉数据；将计算后的拼接大脑电极信号序列作为所述麻醉深度预测网络的训练数据集；
所述历史麻醉数据包括：体重、麻醉深度指数和对应的历史大脑电极信号序列、身体健康状况、手术类型、麻醉时间，所述历史大脑电极信号序列分为多个历史大脑电极信号序列段；计算任意两个历史大脑电极信号序列的匹配程度和对应的体重差的绝对值，将其他影响因素作为权重加入计算中；根据所述匹配程度和所述体重差的绝对值得到所述两个历史大脑电极信号序列的综合相似度；基于不属于同一历史大脑电极信号序列的待拼接的两个历史大脑电极信号序列段，计算两个历史大脑电极信号序列段在拼接处的大脑电极信号数据的绝对差值；根据各所述历史大脑电极信号序列段的所述绝对差值之和得到两个历史大脑电极信号序列的补偿系数；所述综合相似度和所述补偿系数的乘积为两个历史大脑电极信号序列的适配程度；根据适配程度对两个历史大脑电极信号序列进行拼接得到拼接大脑电极信号序列，根据所述拼接大脑电极信号序列对应的适配程度得到对应的质量系数；所述拼接大脑电极信号序列作为所述麻醉深度预测网络的训练集数据。
本发明提供的计算任意两个历史大脑电极信号序列的匹配程度，包括：
基于同一所述历史大脑电极信号序列，根据任意两个历史大脑电极信号序列段的序列距离和序列状态跨度值得到所述两个历史大脑电极信号序列段的相似度评价指标；根据所述相似度评价指标对同一历史大脑电极信号序列的历史大脑电极信号序列段进行最大迭代匹配得到多个匹配对；根据所述匹配对计算任意两个历史大脑电极信号序列的匹配程度。
本发明提供的根据所述匹配对计算任意两个历史大脑电极信号序列的匹配程度，包括：
选取两个历史大脑电极信号序列中任意两个匹配对，所述两个匹配对为两个不同的历史大脑电极信号序列中的匹配对；
基于所述两个匹配对，利用动态时间规整算法计算两个匹配对对应的历史大脑电极信号序列段的相似度，得到最佳序列段相似度和最差序列段相似度；所述最佳序列段相似度和所述最差序列段相似度的比值为初始匹配程度；所述两个历史大脑电极信号序列中所有匹配对对应的初始匹配程度的均值作为两个历史大脑电极信号序列的匹配程度。
本发明提供的基于同一所述历史大脑电极信号序列，根据任意两个历史大脑电极信号序列段的序列距离和序列状态跨度值得到所述两个历史大脑电极信号序列段的相似度评价指标，包括：
所述相似度评价指标的计算公式为：
其中，Q(Ai,Aj)为历史大脑电极信号序列A中第i个历史大脑电极信号序列段和第j个历史大脑电极信号序列段的相似度评价指标；K(Ai,Aj)为历史大脑电极信号序列A中第i个历史大脑电极信号序列段和第j个历史大脑电极信号序列段的所述序列状态跨度值；G(Ai,Aj)为历史大脑电极信号序列A中第i个历史大脑电极信号序列段和第j个历史大脑电极信号序列段的所述序列距离。
本发明提供的序列距离的获取方法为：利用动态时间规整算法计算任意两个历史大脑电极信号序列段的序列距离。
本发明提供的序列状态跨度值的获取方法，包括：
获取所述历史大脑电极信号序列段对应的体温和序列号；基于同一所述历史大脑电极信号序列，计算任意两个历史大脑电极信号序列段对应的体温差的绝对值和对应的序列号差的绝对值；选取所述体温差的绝对值和预设体温截断值中的最小值；所述最小值和所述序列号差的绝对值的乘积为所述序列状态跨度值。
本发明提供的根据所述相似度评价指标对同一历史大脑电极信号序列的历史大脑电极信号序列段进行最大匹配得到多个匹配对，包括：
利用K-M算法对同一历史大脑电极信号序列的历史大脑电极信号序列段进行匹配得到多个匹配对。
本发明提供的计算两个历史大脑电极信号序列段在拼接处的大脑电极信号数据的绝对差值，包括：
待拼接的两个历史大脑电极信号序列段中，一个历史大脑电极信号序列段在前，一个历史大脑电极信号序列段在后；在前的历史大脑电极信号序列段中的段尾元素和在后的历史大脑电极信号序列段的段首元素的元素差的绝对值为拼接处大脑电极信号数据的绝对差值。
如图2所示，本发明提供的麻醉质量评价模块7评价方法如下：
S201，构建生理数据库；接收来自麻醉患者的监控设备传输的监控数据，其中，所述监控数据包括多个生命体征的监控数据；将监控数据存入生理数据库中；
S202，统计第一预定时间和第一预定范围内的所述监控设备传输的所述监控数据并通过与所述监控数据相关联的预定策略计算获得手术质控指数；其中，所述第一预定范围包括一个科室或至少一个特定医护人员；
S203，利用所述手术质控指数评价手术麻醉质量，其中，所述手术质控指数的高低反应手术麻醉质量的优良；
其中，所述统计第一预定时间和第一预定范围内的所述监控设备传输的所述监控数据并通过与所述监控数据相关联的预定策略计算获得手术质控指数的步骤，包括：统计第一预定时间和第一预定范围内的所述监控数据以获得多个质控项目的数值，每个质控项目具有对应的权重百分比，所有所述质控项目对应的权重值之和为1；根据多个所述质控项目的数值及多个所述质控项目对应的权重值，获得多个所述质控项目的分值；多个所述质控项目的分值之和为所述手术质控指数。
本发明提供的多个生命体征包括：呼吸、体温、心率、血压和血氧，肌电。
本发明提供的质控项目包括：呼吸/体温/心率/血压/血氧/肌电异常发生率，所述呼吸/体温/心率/血压/血氧/肌电异常发生率为所述第一预定时间和所述第一预定范围内呼吸/体温/心率/血压/血氧/肌电异常发生的总次数与麻醉患者人数的比值；呼吸/体温/心率/血压/血氧/肌电最大异常处理时间，所述呼吸/体温/心率/血压/血氧/肌电最大异常处理时间为所述第一预定时间和所述第一预定范围内呼吸/体温/心率/血压/肌电/血氧异常处理时间合集中的最大值；或者，呼吸/体温/心率/血压/血氧/肌电平均异常处理时间，所述呼吸/体温/心率/血压/血氧/肌电平均异常处理时间为所述第一预定时间和所述第一预定范围内呼吸/体温/心率/血压/血氧/肌电异常处理时间的总和与呼吸/体温/心率/血压/血氧异常处理次数的比值。
本发明提供的质控项目对应的分值不超过其对应的权重值，所述呼吸/体温/心率/血压/血氧/肌电异常发生率和所述呼吸/体温/心率/血压/血氧异常处理时间与其对应的分值成反比。
本发明提供的评价方法还包括：预设所述呼吸/体温/心率/血压/血氧/肌电的标准范围，所述标准范围包括最大值和最小值和持续时间阈值；判断当前所述呼吸/体温/心率/血压/血氧/肌电的数值是否大于所述最大值或小于所述最小值且持续时间超过阈值，若是，则判定所述呼吸/体温/心率/血压/血氧/肌电发生异常。
本发明提供的接收来自监控设备传输的监控数据之前，所述方法还包括：预先对麻醉患者的病情进行评级；所述预先对麻醉患者的病情进行评级之后，所述方法还包括：判断所述麻醉患者的病情等级是否在预设等级范围内，若是，则接收来自所述麻醉患者的监控设备传输的监控数据，否则，不接收；或者，判断所述麻醉患者的病情等级是否在预设等级范围内，若是，则对接收的所述麻醉患者的监控设备传输的监控数据进行处理，否则，对接收的所述麻醉患者的监控设备传输的监控数据不进行处理。
二、应用实施例。为了证明本发明的技术方案的创造性和技术价值，该部分是对权利要求技术方案进行具体产品上或相关技术上的应用实施例。
本发明工作时，首先，通过生理数据采集模块1利用医疗设备采集患者心率、血压、呼末CO2、神经活动、脑氧代谢，肌电等生理数据；其次，中央控制模块2通过脑功能评估模块3建立以EEG-NIRS-EMG为基础的脑功能评估体系，从多模态、多维度的角度对麻醉过程中的脑功能进行刻画、评估；通过数据库构建模块4根据药物、年龄等因素的影响，建立药物-年龄麻醉数据库；通过麻醉模块5利用麻醉设备对患者进行麻醉操作；通过麻醉深度预测模块6对患者麻醉深度进行预测；然后，通过麻醉质量评价模块7对患者麻醉质量进行评价；最后，通过显示模块8利用显示器显示生理数据、脑功能评估结果、数据库、麻醉深度监测结果、麻醉质量评价结果。
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
三、实施例相关效果的证据。本发明实施例在研发或者使用过程中取得了一些积极效果，和现有技术相比的确具备很大的优势，下面内容结合试验过程的数据、图表等进行描述。
本发明通过麻醉深度预测模块利用训练好的麻醉深度预测网络，将实时获取的大脑电极信号序列输入麻醉深度预测网络得到预测麻醉深度指数，避免了因麻醉深度指数的显示延迟而导致麻醉深度状态可能在手术中才能知晓的情况，达到了对麻醉深度指数进行预测的目的；同时，通过麻醉质量评价模块对监控设备采集的生命体征的监控数据进行分析处理，可以获得手术质控指数，手术质控指数越高，手术麻醉质量越好；可以实现准确对手术麻醉质量进行评价。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种多模态麻醉监测系统，其特征在于，所述多模态麻醉监测系统包括：
生理数据采集模块、中央控制模块、脑功能评估模块、数据库构建模块、麻醉模块、麻醉深度预测模块、麻醉质量评价模块、显示模块；
生理数据采集模块，与中央控制模块连接，用于通过医疗设备采集患者心率、血压、呼末CO2、神经活动、脑氧代谢，肌电等生理数据；
中央控制模块，与生理数据采集模块、脑功能评估模块、数据库构建模块、麻醉模块、麻醉深度预测模块、麻醉质量评价模块、显示模块连接，用于控制和调度各个模块正常工作；
脑功能评估模块，与中央控制模块连接，用于通过建立以EEG-NIRS-EMG为基础的脑功能评估体系，从多模态、多维度的动态方法对麻醉过程中的脑功能进行刻画、评估，从实时评估结果观察麻醉质量；
数据库构建模块，与中央控制模块连接，用于根据药物、年龄、身体状况、手术类型等因素的影响，建立药物-年龄麻醉数据库；
麻醉模块，与中央控制模块连接，用于通过麻醉设备对患者进行麻醉操作；
麻醉质量评价模块，与中央控制模块连接，用于对患者麻醉质量进行评价；
显示模块，与中央控制模块连接，用于通过显示器显示生理数据、脑功能评估结果、数据库、麻醉深度监测结果、麻醉质量评价结果；所述显示模块将麻醉深度预测模块、数据库、脑功能评估模块、麻醉质量评价模块接收到的数据结果以图表的形式显示在显示器上；
麻醉深度预测模块，与中央控制模块连接，用于采集脑电信号以及对患者麻醉深度进行预测；
所述麻醉深度预测模块监测方法如下：
配置电极参数，采集实时大脑电极信号序列；对采集的电极信号进行校准；将所述实时大脑电极信号序列预处理后输入麻醉深度预测网络得到预测麻醉深度指数；
其中，所述属于大脑电极信号序列预处理包括去除伪迹、噪声、眼动等序列点；
所述麻醉深度预测网络的训练方法为：
利用训练集训练麻醉深度预测网络，所述麻醉深度预测网络的损失函数为以质量系数为权重的均方差损失函数；
其中，所述训练集的扩增方法为：获取多个历史患者的历史麻醉数据，将计算后的拼接大脑电极信号序列作为所述麻醉深度预测网络的训练数据集；
所述历史麻醉数据包括：体重、麻醉深度指数和对应的历史大脑电极信号序列、身体健康状况、手术类型、麻醉时间，所述历史大脑电极信号序列分为多个历史大脑电极信号序列段；计算任意两个历史大脑电极信号序列的匹配程度和对应的体重差的绝对值，将其他影响因素作为权重加入计算中；根据所述匹配程度和所述体重差的绝对值得到所述两个历史大脑电极信号序列的综合相似度；基于不属于同一历史大脑电极信号序列的待拼接的两个历史大脑电极信号序列段，计算两个历史大脑电极信号序列段在拼接处的大脑电极信号数据的绝对差值；根据各所述历史大脑电极信号序列段的所述绝对差值之和得到两个历史大脑电极信号序列的补偿系数；所述综合相似度和所述补偿系数的乘积为两个历史大脑电极信号序列的适配程度；根据适配程度对两个历史大脑电极信号序列进行拼接得到拼接大脑电极信号序列，根据所述拼接大脑电极信号序列对应的适配程度得到对应的质量系数；所述拼接大脑电极信号序列作为所述麻醉深度预测网络的训练集数据。
2.如权利要求1所述多模态麻醉监测系统，其特征在于，所述计算任意两个历史大脑电极信号序列的匹配程度，包括：
基于同一所述历史大脑电极信号序列，根据任意两个历史大脑电极信号序列段的序列距离和序列状态跨度值得到所述两个历史大脑电极信号序列段的相似度评价指标；根据所述相似度评价指标对同一历史大脑电极信号序列的历史大脑电极信号序列段进行最大迭代匹配得到多个匹配对；根据所述匹配对计算任意两个历史大脑电极信号序列的匹配程度；
所述序列距离的获取方法为：利用动态时间规整算法计算任意两个历史大脑电极信号序列段的序列距离。
所述根据所述匹配对计算任意两个历史大脑电极信号序列的匹配程度，包括：
选取两个历史大脑电极信号序列中任意两个匹配对，所述两个匹配对为两个不同的历史大脑电极信号序列中的匹配对；
基于所述两个匹配对，利用动态时间规整算法计算两个匹配对对应的历史大脑电极信号序列段的相似度，得到最佳序列段相似度和最差序列段相似度；所述最佳序列段相似度和所述最差序列段相似度的比值为初始匹配程度；所述两个历史大脑电极信号序列中所有匹配对对应的初始匹配程度的均值作为两个历史大脑电极信号序列的匹配程度。
3.如权利要求2所述多模态麻醉监测系统，其特征在于，所述基于同一所述历史大脑电极信号序列，根据任意两个历史大脑电极信号序列段的序列距离和序列状态跨度值得到所述两个历史大脑电极信号序列段的相似度评价指标，包括：
所述相似度评价指标的计算公式为：
其中，Q(Ai,Aj)为历史大脑电极信号序列A中第i个历史大脑电极信号序列段和第j个历史大脑电极信号序列段的相似度评价指标；K(Ai,Aj)为历史大脑电极信号序列A中第i个历史大脑电极信号序列段和第j个历史大脑电极信号序列段的所述序列状态跨度值；G(Ai,Aj)为历史大脑电极信号序列A中第i个历史大脑电极信号序列段和第j个历史大脑电极信号序列段的所述序列距离。
4.如权利要求2所述多模态麻醉监测系统，其特征在于，所述序列状态跨度值的获取方法，包括：
获取所述历史大脑电极信号序列段对应的体温和序列号；基于同一所述历史大脑电极信号序列，计算任意两个历史大脑电极信号序列段对应的体温差的绝对值和对应的序列号差的绝对值；选取所述体温差的绝对值和预设体温截断值中的最小值；所述最小值和所述序列号差的绝对值的乘积为所述序列状态跨度值。
5.如权利要求2所述多模态麻醉监测系统，其特征在于，所述根据所述相似度评价指标对同一历史大脑电极信号序列的历史大脑电极信号序列段进行最大匹配得到多个匹配对，包括：
利用K-M算法对同一历史大脑电极信号序列的历史大脑电极信号序列段进行匹配得到多个匹配对。
6.如权利要求2所述多模态麻醉监测系统，其特征在于，所述计算两个历史大脑电极信号序列段在拼接处的大脑电极信号数据的绝对差值，包括：
待拼接的两个历史大脑电极信号序列段中，一个历史大脑电极信号序列段在前，一个历史大脑电极信号序列段在后；在前的历史大脑电极信号序列段中的段尾元素和在后的历史大脑电极信号序列段的段首元素的元素差的绝对值为拼接处大脑电极信号数据的绝对差值。
7.如权利要求1所述多模态麻醉监测系统，其特征在于，所述麻醉质量评价模块评价方法如下：
1)构建生理数据库；接收来自麻醉患者的监控设备传输的监控数据，其中，所述监控数据包括多个生命体征的监控数据；将监控数据存入生理数据库中；所述多个生命体征包括：呼吸、体温、心率、血压和血氧、肌电。
2)统计第一预定时间和第一预定范围内的所述监控设备传输的所述监控数据并通过与所述监控数据相关联的预定策略计算获得手术质控指数；其中，所述第一预定范围包括一个科室或至少一个特定医护人员；
3)利用所述手术质控指数评价手术麻醉质量，其中，所述手术质控指数的高低反应手术麻醉质量的优良；
其中，所述统计第一预定时间和第一预定范围内的所述监控设备传输的所述监控数据并通过与所述监控数据相关联的预定策略计算获得手术质控指数的步骤，包括：统计第一预定时间和第一预定范围内的所述监控数据以获得多个质控项目的数值，每个质控项目具有对应的权重百分比，所有所述质控项目对应的权重值之和为1；根据多个所述质控项目的数值及多个所述质控项目对应的权重百分比，获得多个所述质控项目的分值；多个所述质控项目的分值之和为所述手术质控指数。
8.如权利要求7所述多模态麻醉监测系统，其特征在于，所述质控项目包括：呼吸/体温/心率/血压/血氧/肌电异常发生率，所述呼吸/体温/心率/血压/血氧/肌电异常发生率为所述第一预定时间和所述第一预定范围内呼吸/体温/心率/血压/血氧/肌电异常发生的总次数与麻醉患者人数的比值；呼吸/体温/心率/血压/血氧/肌电最大异常处理时间，所述呼吸/体温/心率/血压/血氧/肌电最大异常处理时间为所述第一预定时间和所述第一预定范围内呼吸/体温/心率/血压/血氧/肌电异常处理时间合集中的最大值；或者，呼吸/体温/心率/血压/血氧/肌电平均异常处理时间，所述呼吸/体温/心率/血压/血氧/肌电平均异常处理时间为所述第一预定时间和所述第一预定范围内呼吸/体温/心率/血压/血氧/肌电异常处理时间的总和与呼吸/体温/心率/血压/血氧/肌电异常处理次数的比值。
所述质控项目对应的分值不超过其对应的权重值，所述呼吸/体温/心率/血压/血氧/肌电异常发生率和所述呼吸/体温/心率/血压/血氧/肌电异常处理时间与其对应的分值成反比。
9.如权利要求7所述多模态麻醉监测系统，其特征在于，所述评价方法还包括：预设所述呼吸/体温/心率/血压/血氧/肌电的标准范围，所述标准范围包括最大值、最小值和持续时间阈值；判断当前所述呼吸/体温/心率/血压/血氧/肌电的数值是否大于所述最大值或小于所述最小值且持续时间超过阈值，若是，则判定所述呼吸/体温/心率/血压/血氧/肌电发生异常。
10.如权利要求7所述多模态麻醉监测系统，其特征在于，所述接收来自监控设备传输的监控数据之前，所述方法还包括：预先对麻醉患者的病情进行评级；所述预先对麻醉患者的病情进行评级之后，所述方法还包括：判断所述麻醉患者的病情等级是否在预设等级范围内，若是，则接收来自所述麻醉患者的监控设备传输的监控数据，否则，不接收；或者，判断所述麻醉患者的病情等级是否在预设等级范围内，若是，则对接收的所述麻醉患者的监控设备传输的监控数据进行处理，否则，对接收的所述麻醉患者的监控设备传输的监控数据不进行处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211095293.7A CN116807392A (zh) | 2022-09-05 | 2022-09-05 | 一种多模态麻醉监测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211095293.7A CN116807392A (zh) | 2022-09-05 | 2022-09-05 | 一种多模态麻醉监测系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116807392A true CN116807392A (zh) | 2023-09-29 |
Family
ID=88124491
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211095293.7A Pending CN116807392A (zh) | 2022-09-05 | 2022-09-05 | 一种多模态麻醉监测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116807392A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117457229A (zh) * | 2023-12-26 | 2024-01-26 | 吉林大学 | 基于人工智能的麻醉深度监测系统及方法 |
-
2022
- 2022-09-05 CN CN202211095293.7A patent/CN116807392A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117457229A (zh) * | 2023-12-26 | 2024-01-26 | 吉林大学 | 基于人工智能的麻醉深度监测系统及方法 |
| CN117457229B (zh) * | 2023-12-26 | 2024-03-08 | 吉林大学 | 基于人工智能的麻醉深度监测系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9474452B2 (en) | Method and system for quantifying anaesthesia or a state of vigilance | |
| CN100518846C (zh) | 镇静和止痛系统中的神经网络 | |
| USRE41291E1 (en) | Closed loop drug administration method and apparatus using EEG complexity for control purposes | |
| US8775340B2 (en) | Detection and prediction of physiological events in people with sleep disordered breathing using a LAMSTAR neural network | |
| US20210077032A1 (en) | Classifying seizures as epileptic or non-epileptic using extra-cerebral body data | |
| US8744779B2 (en) | Methods and apparatus for drug modeling and displaying drug models | |
| US20070010756A1 (en) | Patient monitoring during drug administration | |
| Westover et al. | Real-time segmentation of burst suppression patterns in critical care EEG monitoring | |
| 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 | |
| WO2021110879A1 (en) | System and method for predicting depth of anesthesia | |
| CN110752002B (zh) | 一种药物用量预测装置 | |
| Singh et al. | Automatic quantitative analysis of human respired carbon dioxide waveform for asthma and non-asthma classification using support vector machine | |
| 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 | |
| Krauss et al. | Characteristics of and predictors for apnea and clinical interventions during procedural sedation | |
| CN113886407A (zh) | 麻醉剂用药数据库的智能更新方法、装置、系统及介质 | |
| CN116807392A (zh) | 一种多模态麻醉监测系统 | |
| Liu et al. | HRV-derived data similarity and distribution index based on ensemble neural network for measuring depth of anaesthesia | |
| Jun et al. | Assessment of phase-lag entropy, a new measure of electroencephalographic signals, for propofol-induced sedation | |
| CN116548920A (zh) | 一种基于神经网络的麻醉状态监测系统及方法 | |
| CN110710956A (zh) | 一种昏迷患者的预后评估方法和评估系统 | |
| Brás et al. | Electroencephalogram-based indices applied to dogs' depth of anaesthesia monitoring | |
| Vajapey | Predicting optimal sedation control with reinforcement learning | |
| CN117637188B (zh) | 基于数字化平台的肿瘤化疗反应监测方法、介质及系统 | |
| CN117976125B (zh) | 一种基于数据分析的医疗设备管理系统及方法 |
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 |