CN116982937A - 一种基于深度学习的围术期麻醉深度监测系统 - Google Patents
一种基于深度学习的围术期麻醉深度监测系统 Download PDFInfo
- Publication number
- CN116982937A CN116982937A CN202311028107.2A CN202311028107A CN116982937A CN 116982937 A CN116982937 A CN 116982937A CN 202311028107 A CN202311028107 A CN 202311028107A CN 116982937 A CN116982937 A CN 116982937A
- Authority
- CN
- China
- Prior art keywords
- anesthesia depth
- spectral density
- power spectral
- frequency
- signal
- 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 112
- 230000037005 anaesthesia Effects 0.000 title claims abstract description 109
- 238000012544 monitoring process Methods 0.000 title claims abstract description 31
- 238000013135 deep learning Methods 0.000 title claims abstract description 17
- 230000003595 spectral effect Effects 0.000 claims abstract description 63
- 238000004458 analytical method Methods 0.000 claims abstract description 29
- 238000013136 deep learning model Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims description 22
- 238000001228 spectrum Methods 0.000 claims description 19
- 238000000034 method Methods 0.000 claims description 17
- 238000007781 pre-processing Methods 0.000 claims description 15
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 14
- 230000036772 blood pressure Effects 0.000 claims description 13
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 7
- 239000001569 carbon dioxide Substances 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 230000036391 respiratory frequency Effects 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 230000000241 respiratory effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000012800 visualization Methods 0.000 claims description 3
- 210000004556 brain Anatomy 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000010183 spectrum analysis Methods 0.000 description 3
- 230000003444 anaesthetic effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000002565 electrocardiography Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000029058 respiratory gaseous exchange Effects 0.000 description 2
- 210000004761 scalp Anatomy 0.000 description 2
- 230000002618 waking effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program 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
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003193 general anesthetic agent Substances 0.000 description 1
- 230000000004 hemodynamic effect Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000036387 respiratory rate Effects 0.000 description 1
- 230000003938 response to stress Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000009528 vital sign measurement Methods 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
- A61B5/02—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
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
-
- 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
- A61B5/72—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
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Cardiology (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Artificial Intelligence (AREA)
- Pulmonology (AREA)
- Psychology (AREA)
- Anesthesiology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于深度学习的围术期麻醉深度监测系统，涉及麻醉深度监测技术领域，该系统包括脑电图分析模块，用于对采集的脑电图进行分析，通过将脑电图信号转换成频谱图，得到不同波的能量，再通过不同波的能量计算出脑电图的功率谱密度指数；心电图分析模块，通过计算信号在每个频率点处的功率谱密度，得到不同频率区间的能量，最后计算出心电图的功率谱密度指数；深度学习模型训练模块，通过建立深度学习模型并进行训练，学习生理信号和麻醉深度之间的非线性关系，生成麻醉深度评分。本发明旨在实时监测患者的麻醉深度和生命体征指标，更加全面的对围术期麻醉深度进行综合评估，确保手术期间患者的安全和舒适。
Description
技术领域
本发明涉及麻醉深度监测技术领域，具体为一种基于深度学习的围术期麻醉深度监测系统。
背景技术
传统的围术期麻醉深度监测方法主要依赖于生命体征的测量，如血压、心率和呼吸频率等，然而，这些指标无法直接反映麻醉深度，且易受到一系列因素的干扰，因此，需要一种新的监测系统，能够准确、实时地评估患者的麻醉深度。
在申请公布号为CN115040140A的中国发明申请中，公开了一种基于深度学习的实时麻醉深度监测系统，属于医疗麻醉技术领域，包括初始化模块、脑电采集模块、数据预处理模块、特征提取模块和多任务神经网络模块；初始化模块用于生成记录信息所需的空白表格，并记录所用麻醉药物和麻醉药物作用下的患者的生理特征信息；脑电采集模块用于采集患者临床手术中的脑电数据；数据预处理模块用于对采集到的脑电数据进行预处理；状态标记模块用于临床医生对脑电数据进行麻醉状态的标记；特征提取模块用于计算脑电特征；多任务神经网络模块用于存储用于临床预测麻醉深度和麻醉状态的多任务深度神经网络模型。
在以上发明申请中，能够同时估计麻醉深度指标和麻醉状态，并能应用于不同年龄段人群和不同的药物。但在实际应用中仅仅考虑脑电图信息是不够全面的，还需考虑心电图、血压等，以此来更全面的对围术期麻醉深度进行综合评估。
为此，本发明提供了一种基于深度学习的围术期麻醉深度监测系统。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种基于深度学习的围术期麻醉深度监测系统，旨在实时监测患者的麻醉深度和生命体征指标，更加全面的对围术期麻醉深度进行综合评估，确保手术期间患者的安全和舒适。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：一种基于深度学习的围术期麻醉深度监测系统，包括数据采集模块、数据预处理模块、脑电图分析模块、心电图分析模块以及深度学习模型训练模块；其中，
数据采集模块，用于收集多模态生理信号数据，包括脑电图、心电图、血压以及呼吸数据，并将采集的数据传输至数据预处理模块；
脑电图是记录大脑电活动的一种方法，通过分析脑电图信号，可以评估患者的意识状态和麻醉深度；心电图记录了心脏的电活动，在麻醉过程中，心电图的变化可反映患者的麻醉状态和深度；监测患者的血压变化可以了解其血流动力学状况，从而判断麻醉深度的影响；监测患者的呼吸频率和呼气二氧化碳浓度可以提供麻醉深度的信息。
数据预处理模块，用于对采集的生理信号数据进行预处理工作，包括噪声滤除、特征提取和数据校准，并将预处理后的数据传输给后续分析模块；
脑电图分析模块，用于对采集的脑电图进行分析，通过将脑电图信号转换成频谱图，提取不同的频率区间，使用功率谱密度估计方法，获得每个频率点上的功率谱密度并进行求和计算，得到不同波的能量，再通过不同波的能量计算出脑电图的功率谱密度指数EE；
心电图分析模块，用于对采集的心电图进行分析，通过对心电图信号进行分段，对信号段进行汉明窗处理，对处理后的信号段进行傅里叶变换，计算信号在每个频率点处的功率谱密度，并对频段内的功率谱密度进行求和计算，得到不同频率区间的能量，最后计算出心电图的功率谱密度指数EC；
深度学习模型训练模块，通过脑电图的功率谱密度指数EE和心电图的功率谱密度指数EC，以及其他生理信号数据，包括血压、呼吸频率和呼气二氧化碳浓度，建立深度学习模型并进行训练，模型采用卷积神经网络以学习生理信号和麻醉深度之间的非线性关系，生成麻醉深度评分ADS。
进一步的，脑电图的功率谱密度指数EE的分析步骤如下：
将脑电图信号转换成频谱图，提取不同频率区间，包括δ波(0.5-4Hz)、θ波(4-8Hz)、α波(8-13Hz)、β波(13-30Hz)；
将数据分成一段段等长的时间窗口，选择2到10秒不等的时间段，并对每个时间窗口的信号应用快速傅里叶变换，将时域信号转换为频域信号；
使用功率谱密度估计方法，获得每个频率点上的功率谱密度P(f)；
对频段内的功率谱密度进行求和计算，得到不同波的能量E(δ)、E(θ)、E(α)以及E(β)，计算公式如下：
E(x)＝∑P(f)
其中，x表示为不同波；
通过不同波的能量计算出脑电图的功率谱密度指数EE，计算公式如下：
其中，γ1、γ2为权重系数，且γ1>0，γ2>0，γ1+γ2＝1。
进一步的，心电图的功率谱密度指数EC的分析步骤如下：
将心电图信号转换成频谱图，提取不同频率区间，包括低频(LF)和高频(HF)频谱；
对心电图信号进行分段，将心电图信号分成M个段；
对每个信号段进行汉明窗处理，将信号段与汉明窗进行点乘；
对处理后的信号段进行傅里叶变换，将处理后的信号段进行傅里叶变换，得到频谱；
将傅里叶变换得到的频谱取模后平方，然后除以(M*f_s)，得到信号在每个频率点处的功率谱密度，计算公式如下：
其中，psd(f)表示在频率f处的功率谱密度，FFT表示对信号x(n)进行傅里叶变换得到的频谱，M表示信号段数，f_s表示信号的采样频率；
对频段内的功率谱密度进行求和计算，得到不同频率区间的能量E(LF)、E(HF)，计算公式如下：
其中，M为信号段数，x表示频率区间；
根据不同频率区间的能量，计算心电图的功率谱密度指数EC，计算公式如下：
其中，γ3、γ4为权重系数，且γ3>0，γ4>0，γ3+γ4＝1。
进一步的，麻醉深度评分ADS的生成步骤包括：
获取脑电图的功率谱密度指数EE和心电图的功率谱密度指数EC，以及生理信号数据包括血压、呼吸频率和呼气二氧化碳浓度；设计卷积神经网络的结构，可以根据具体情况选择合适的网络深度、卷积层和池化层的数量与大小；
将生理信号输入到卷积神经网络中，使用卷积层和池化层提取特征，并将池化后的特征输入到全连接层，通过全连接层进行非线性映射和特征学习；选择损失函数来衡量预测值与真实值之间的差距，损失函数包括均方误差和交叉熵损失，并使用反向传播算法计算梯度，通过梯度下降等优化方法来更新网络参数，使损失函数最小化；
使用测试数据评估模型的性能，根据评估结果对网络结构和超参数进行调整，如增加网络层数、调整卷积核大小等，以提高模型性能；使用训练好的模型进行麻醉深度的预测，将新的生理信号输入到模型中，得到相应的生成麻醉深度评分ADS。
进一步的，还包括麻醉深度评估模块，通过训练完成的深度学习模型，实时评估患者的麻醉深度，通过输入当前的生理信号数据，输出麻醉深度的预测结果。
进一步的，还包括可视化模块，用于将麻醉深度监测结果以直观、可视化的方式展示，界面上显示麻醉深度评分、警报信息。
进一步的，警报信息通过预先设置第一评分阈值和第二评分阈值，并与麻醉深度评分进行比对，根据不同的比对结果，作出相应的警报，具体为：
当麻醉深度评分ADS<第一评分阈值时，发出第一警报，提示患者的麻醉深度浅；
当麻醉深度评分ADS>第二评分阈值时，发出第二警报，提示患者麻醉深度深。
(三)有益效果
本发明提供了一种基于深度学习的围术期麻醉深度监测系统，具备以下有益效果：
(1)通过脑电图的功率谱密度指数EE和心电图的功率谱密度指数EC，以及其他生理信号数据，建立深度学习模型并进行训练，采用卷积神经网络综合评估生理信号和麻醉深度之间的非线性关系，生成麻醉深度评分ADS，提供了更准确、更全面的监测结果。
(2)可提供高效的数据处理和算法分析能力，实时监测和反馈麻醉深度信息，帮助医生及时做出调整，采集的是非侵入式的生理信号，不需要额外插入或操作，更加方便和安全。
(3)可视化的展示监测结果，使临床医生能够更直观地理解麻醉深度状况，提高麻醉管理的精细化和个体化水平，并通过将麻醉深度评分与预先设置的第一评分阈值和第二评分阈值进行比对，根据比对结果作出相应的警报，保障患者的舒适和生命安全。
附图说明
图1为本发明围术期麻醉深度监测系统结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，本发明提供一种基于深度学习的围术期麻醉深度监测系统，包括数据采集模块、数据预处理模块、脑电图分析模块、心电图分析模块以及深度学习模型训练模块；其中，
数据采集模块，用于收集多模态生理信号数据，包括脑电图、心电图、血压以及呼吸数据，并将采集的数据传输至数据预处理模块；
脑电图通过在头皮上放置电极阵列来收集，电极与患者的头皮接触，并记录和放大大脑中的电信号；心电图通过将电极贴在胸部和四肢的特定位置上，测量心脏电信号的变化；血压通过血压计来测量；呼吸通过呼吸传感器来实时监测呼吸信号。
数据预处理模块，用于对采集的生理信号数据进行预处理工作，包括噪声滤除、特征提取和数据校准，并将预处理后的数据传输给后续分析模块；首先需要对生理信号数据进行噪声滤除，通过滤波器等方法去除由于采集环境或设备引入的噪声，常用的滤波器包括低通滤波器、高通滤波器、带通滤波器等；生理信号数据可能存在偏移、漂移等问题，需要进行校准，校准通过基线校准或零漂校准等方法来进行，以确保数据的准确性；
从预处理后的信号中提取出具有代表性的特征，特征提取包括时域分析、频域分析、小波变换、功率谱分析等，以获得能够描述信号特点的关键特征；对提取的特征进行归一化处理，以消除不同特征之间的量纲差异，归一化方法包括最大最小值归一化、标准化等；
对于高维度的特征数据，采用降维方法来减少特征维度，保留主要信息的同时减少计算复杂度，降维方法包括主成分分析(PCA)、线性判别分析(LDA)等。对采集的生理信号数据进行预处理，可以帮助去除噪声、提取有效的特征，并对数据进行校准，以便后续的分析和应用，提高后续深度学习模型的输入质量。
脑电图分析模块，用于对采集的脑电图进行分析，通过将脑电图信号转换成频谱图，提取不同的频率区间，使用功率谱密度估计方法，获得每个频率点上的功率谱密度并进行求和计算，得到不同波的能量，再通过不同波的能量计算出脑电图的功率谱密度指数EE；
脑电图的功率谱密度指数EE的分析步骤如下：
步骤101：将脑电图信号转换成频谱图，提取不同频率区间，包括δ波(0.5-4Hz)、θ波(4-8Hz)、α波(8-13Hz)、β波(13-30Hz)；
步骤102：将数据分成一段段等长的时间窗口，选择2到10秒不等的时间段，并对每个时间窗口的信号应用快速傅里叶变换，将时域信号转换为频域信号；
步骤103：使用功率谱密度估计方法，获得每个频率点上的功率谱密度P(f)；
步骤104：对频段内的功率谱密度进行求和计算，得到不同波的能量E(δ)、E(θ)、E(α)以及E(β)，计算公式如下：
E(x)＝∑P(f)
其中，x表示为不同波；
步骤105：通过不同波的能量计算出脑电图的功率谱密度指数EE，计算公式如下：
其中，γ1、γ2为权重系数，且γ1>0，γ2>0，γ1+γ2＝1。
需要说明的是，δ波是低频的脑电信号，在清醒状态下通常较少出现，但在麻醉深度较浅时会显著增加，θ波代表着较低的频率和较高的振幅，它在清醒状态下也相对较少活跃，但在麻醉深度较浅时会显著增加。相反，在麻醉深度较深时，α和β波段的能量会显著增加，α波往往在眼睛睁开但无视觉刺激时出现，而在麻醉深度较深时，α波的能量增加，可能是由于脑区间的通信受到麻醉药物的抑制，β波代表着高频率和低振幅的脑电信号，在麻醉深度较深时也会显著增加。
结合步骤101至步骤104的内容：
通过对脑电图信号频谱进行分析，计算不同频率区间功率密度以及功率密度和，获得不同波的能量，根据不同波的能量可以初步判断围术期的麻醉深度，为后续综合分析提供数据基础。
心电图分析模块，用于对采集的心电图进行分析，通过对心电图信号进行分段，对信号段进行汉明窗处理，对处理后的信号段进行傅里叶变换，计算信号在每个频率点处的功率谱密度，并对频段内的功率谱密度进行求和计算，得到不同频率区间的能量，最后计算出心电图的功率谱密度指数EC；
其中，心电图的功率谱密度指数EC的分析步骤如下：
步骤201：将心电图信号转换成频谱图，提取不同频率区间，包括低频(LF)和高频(HF)频谱；
步骤202：对心电图信号进行分段，将心电图信号分成M个段；
步骤203：对每个信号段进行汉明窗(Hanning Window)处理，将信号段与汉明窗进行点乘；
步骤204：对处理后的信号段进行傅里叶变换，将处理后的信号段进行傅里叶变换，得到频谱；
步骤205：将傅里叶变换得到的频谱取模后平方，然后除以(M*f_s)，得到信号在每个频率点处的功率谱密度，计算公式如下：
其中，psd(f)表示在频率f处的功率谱密度，FFT表示对信号x(n)进行傅里叶变换得到的频谱，M表示信号段数，f_s表示信号的采样频率；
步骤206：对频段内的功率谱密度进行求和计算，得到不同频率区间的能量E(LF)、E(HF)，计算公式如下：
其中，M为信号段数，x表示频率区间；
步骤207：根据不同频率区间的能量，计算心电图的功率谱密度指数EC，计算公式如下：
其中，γ3、γ4为权重系数，且γ3>0，γ4>0，γ3+γ4＝1。
需要说明的是，频谱分析作为一种评估麻醉深度的辅助手段，需要综合考虑其他指标和临床情况进行综合判断。此外，不同个体之间的频谱特征存在差异，在使用频谱分析进行麻醉深度评估时，还需结合个体化的基线数据和参考值进行比较和判断。
结合步骤201至步骤205的内容：
通过计算心电图信号功率谱密度，可以了解信号在不同频率范围内的能量分布情况，进而进行对麻醉深度的评估和分析，这种方法可以揭示信号的频率特征，帮助医生了解患者的生理状态。
深度学习模型训练模块，通过脑电图的功率谱密度指数EE和心电图的功率谱密度指数EC，以及其他生理信号数据，包括血压、呼吸频率和呼气二氧化碳浓度，建立深度学习模型并进行训练，模型采用卷积神经网络以学习生理信号和麻醉深度之间的非线性关系，生成麻醉深度评分ADS；
其中，麻醉深度评分ADS的生成步骤包括：
步骤301：获取脑电图的功率谱密度指数EE和心电图的功率谱密度指数EC，以及生理信号数据包括血压、呼吸频率和呼气二氧化碳浓度；
步骤302：设计卷积神经网络的结构，可以根据具体情况选择合适的网络深度、卷积层和池化层的数量与大小；
步骤303：将生理信号输入到卷积神经网络中，使用卷积层和池化层提取特征，并将池化后的特征输入到全连接层，通过全连接层进行非线性映射和特征学习；
步骤304：选择损失函数来衡量预测值与真实值之间的差距，损失函数包括均方误差和交叉熵损失，并使用反向传播算法计算梯度，通过梯度下降等优化方法来更新网络参数，使损失函数最小化；
步骤305：使用测试数据评估模型的性能，根据评估结果对网络结构和超参数进行调整，如增加网络层数和调整卷积核大小等，以提高模型性能；
步骤306：使用训练好的模型进行麻醉深度的预测，将新的生理信号输入到模型中，得到相应的生成麻醉深度评分ADS。
结合步骤301至步骤306中的内容：
通过脑电图的功率谱密度指数EE和心电图的功率谱密度指数EC，以及其他生理信号数据，建立深度学习模型并进行训练，采用卷积神经网络以学习生理信号和麻醉深度之间的非线性关系，生成麻醉深度评分ADS，可以有效的、综合的评估出在围术期麻醉的深度评分，提升手术的效率和安全性。
在本发明中还提供麻醉深度评估模块以及可视化模块；其中，
麻醉深度评估模块，通过训练完成的深度学习模型，实时评估患者的麻醉深度，通过输入当前的生理信号数据，模型可以输出麻醉深度的预测结果；可视化模块，将麻醉深度监测结果以直观、可视化的方式展示给临床医生，界面上显示麻醉深度评分、警报信息，帮助医生准确判断和调整麻醉程度。
预先设置第一评分阈值和第二评分阈值，并与麻醉深度评分进行比对，根据不同的比对结果，作出相应的警报，具体为：
当麻醉深度评分ADS<第一评分阈值时，发出第一警报，提示患者的麻醉深度浅；
当麻醉深度评分ADS>第二评分阈值时，发出第二警报，提示患者麻醉深度深。
通过实时显示麻醉深度评分和警报信息，可以更好的帮助医生准确判断和调整麻醉程度，防止当麻醉程度不够时，产生应激反应；当麻醉程度过深时，对患者造成不利影响。
上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数由本领域的技术人员根据实际情况进行设置。
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述，仅为本申请的具体实施方式，但本申请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申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。
Claims (7)
1.一种基于深度学习的围术期麻醉深度监测系统，其特征在于，包括数据采集模块、数据预处理模块、脑电图分析模块、心电图分析模块以及深度学习模型训练模块；其中，
数据采集模块，用于收集多模态生理信号数据，包括脑电图、心电图、血压以及呼吸数据，并将采集的数据传输至数据预处理模块；
数据预处理模块，用于对采集的生理信号数据进行预处理工作，包括噪声滤除、特征提取和数据校准，并将预处理后的数据传输给后续分析模块；
脑电图分析模块，用于对采集的脑电图进行分析，通过将脑电图信号转换成频谱图，提取不同的频率区间，使用功率谱密度估计方法，获得每个频率点上的功率谱密度并进行求和计算，得到不同波的能量，再通过不同波的能量计算出脑电图的功率谱密度指数EE；
心电图分析模块，用于对采集的心电图进行分析，通过对心电图信号进行分段，对信号段进行汉明窗处理，对处理后的信号段进行傅里叶变换，计算信号在每个频率点处的功率谱密度，并对频段内的功率谱密度进行求和计算，得到不同频率区间的能量，最后计算出心电图的功率谱密度指数EC；
深度学习模型训练模块，通过脑电图的功率谱密度指数EE和心电图的功率谱密度指数EC，以及其他生理信号数据，包括血压、呼吸频率和呼气二氧化碳浓度，建立深度学习模型并进行训练，采用卷积神经网络学习生理信号和麻醉深度之间的非线性关系，生成麻醉深度评分ADS。
2.根据权利要求1所述的一种基于深度学习的围术期麻醉深度监测系统，其特征在于，脑电图的功率谱密度指数EE的分析步骤如下：
将脑电图信号转换成频谱图，提取不同频率区间，包括δ波(0.5-4Hz)、θ波(4-8Hz)、α波(8-13Hz)、β波(13-30Hz)；
将数据分成一段段等长的时间窗口，并对每个时间窗口的信号应用快速傅里叶变换，将时域信号转换为频域信号；
使用功率谱密度估计方法，获得每个频率点上的功率谱密度P(f)；
对频段内的功率谱密度进行求和计算，得到不同波的能量E(δ)、E(θ)、E(α)以及E(β)，计算公式如下：
E(x)＝∑P(f)
其中，x表示为不同波；
通过不同波的能量计算出脑电图的功率谱密度指数EE，计算公式如下：
其中，γ1、γ2为权重系数，且γ1>0，γ2>0，γ1+γ2＝1。
3.根据权利要求1所述的一种基于深度学习的围术期麻醉深度监测系统，其特征在于，心电图的功率谱密度指数EC的分析步骤如下：
将心电图信号转换成频谱图，提取不同频率区间，包括低频和高频频谱；对心电图信号进行分段，将心电图信号分成M个段；对每个信号段进行汉明窗处理，将信号段与汉明窗进行点乘；
对处理后的信号段进行傅里叶变换，将处理后的信号段进行傅里叶变换得到频谱；
将傅里叶变换得到的频谱取模后平方，然后除以(M*f_s)，得到信号在每个频率点处的功率谱密度，计算公式如下：
其中，psd(f)表示在频率f处的功率谱密度，FFT表示对信号x(n)进行傅里叶变换得到的频谱，M表示信号段数，f_s表示信号的采样频率；
对频段内的功率谱密度进行求和计算，得到不同频率区间的能量E(LF)、E(HF)，计算公式如下：
其中，M为信号段数，x表示频率区间；
根据不同频率区间的能量，计算心电图的功率谱密度指数EC，计算公式如下：
其中，γ3、γ4为权重系数，且γ3>0，γ4>0，γ3+γ4＝1。
4.根据权利要求3所述的一种基于深度学习的围术期麻醉深度监测系统，其特征在于，麻醉深度评分ADS的生成步骤包括：
获取脑电图的功率谱密度指数EE和心电图的功率谱密度指数EC，以及生理信号数据包括血压、呼吸频率和呼气二氧化碳浓度；设计卷积神经网络的结构，选择网络深度、卷积层和池化层的数量与大小；
将生理信号输入到卷积神经网络中，使用卷积层和池化层提取特征，并将池化后的特征输入到全连接层，通过全连接层进行非线性映射和特征学习；选择损失函数衡量预测值与真实值之间的差距，损失函数包括均方误差和交叉熵损失，并使用反向传播算法计算梯度，通过梯度下降更新网络参数；
使用测试数据评估模型的性能，根据评估结果对网络结构和超参数进行调整，包括增加网络层数、调整卷积核大小；使用训练好的模型进行麻醉深度的预测，将新的生理信号输入到模型中，生成相应的麻醉深度评分ADS。
5.根据权利要求1所述的一种基于深度学习的围术期麻醉深度监测系统，其特征在于，还包括麻醉深度评估模块，通过训练完成的深度学习模型，实时评估患者的麻醉深度，通过输入当前的生理信号数据，输出麻醉深度的预测结果。
6.根据权利要求5所述的一种基于深度学习的围术期麻醉深度监测系统，其特征在于，还包括可视化模块，用于将麻醉深度监测结果以直观、可视化的方式展示，界面上显示麻醉深度评分、警报信息。
7.根据权利要求6所述的一种基于深度学习的围术期麻醉深度监测系统，其特征在于，警报信息通过预先设置第一评分阈值和第二评分阈值，并与麻醉深度评分进行比对，根据不同的比对结果，作出相应的警报，具体为：
当麻醉深度评分ADS<第一评分阈值时，发出第一警报，提示患者的麻醉深度浅；当麻醉深度评分ADS>第二评分阈值时，发出第二警报，提示患者麻醉深度深。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311028107.2A CN116982937A (zh) | 2023-08-16 | 2023-08-16 | 一种基于深度学习的围术期麻醉深度监测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311028107.2A CN116982937A (zh) | 2023-08-16 | 2023-08-16 | 一种基于深度学习的围术期麻醉深度监测系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116982937A true CN116982937A (zh) | 2023-11-03 |
Family
ID=88531962
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311028107.2A Pending CN116982937A (zh) | 2023-08-16 | 2023-08-16 | 一种基于深度学习的围术期麻醉深度监测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116982937A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118177755A (zh) * | 2024-04-12 | 2024-06-14 | 北京大学口腔医学院 | 一种基于多元数据的麻醉深度监测方法及系统 |
| CN118303845A (zh) * | 2024-04-30 | 2024-07-09 | 四川新源生物电子科技有限公司 | 麻醉深度评估方法、系统和存储介质 |
-
2023
- 2023-08-16 CN CN202311028107.2A patent/CN116982937A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118177755A (zh) * | 2024-04-12 | 2024-06-14 | 北京大学口腔医学院 | 一种基于多元数据的麻醉深度监测方法及系统 |
| CN118303845A (zh) * | 2024-04-30 | 2024-07-09 | 四川新源生物电子科技有限公司 | 麻醉深度评估方法、系统和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US7025729B2 (en) | Apparatus for detecting sleep apnea using electrocardiogram signals | |
| US7578793B2 (en) | Sleep staging based on cardio-respiratory signals | |
| CN111466876B (zh) | 一种基于fNIRS和图神经网络的阿尔兹海默症辅助诊断系统 | |
| EP2962634B1 (en) | Method and apparatus for measuring anesthetic depth | |
| CN108577834B (zh) | 一种用于癫痫间期棘波自动检测的方法 | |
| CN116982937A (zh) | 一种基于深度学习的围术期麻醉深度监测系统 | |
| EP2286723A1 (en) | Method and apparatus for determining sleep apnea | |
| US20090247893A1 (en) | Method and apparatus for measuring responsiveness of a subject | |
| US20130324812A1 (en) | Cardiac pulse coefficient of variation and breathing monitoring system and method for extracting information from the cardiac pulse | |
| CN108766576A (zh) | 一种健康储备评估方法、装置及其应用 | |
| CN109350020A (zh) | 身心健康状况分析装置及方法 | |
| US20050143668A1 (en) | Automatic diagnosing method for autonomic nervous system and device thereof | |
| CN117814760B (zh) | 基于多指标的麻醉深度检测装置及电子设备 | |
| CN115316957A (zh) | 基于多参数指标的围术期麻醉深度监测系统 | |
| Bonjyotsna et al. | Correlation of drowsiness with electrocardiogram: A review | |
| Hegde et al. | A review on ECG signal processing and HRV analysis | |
| Kew et al. | Wearable patch-type ECG using ubiquitous wireless sensor network for healthcare monitoring application | |
| CN113208615B (zh) | 一种用于心肺复苏仪的连续脑电监测及反馈系统与方法 | |
| CN112826451A (zh) | 一种麻醉深度及睡眠深度的评估方法及装置 | |
| WO2021050972A1 (en) | Wearable system for automated, objective and continuous quantification of pain | |
| CN118824576B (zh) | 评价手术麻醉质量的方法、系统及终端 | |
| Bashi et al. | Diagnosis of obstructive apnea disease AHI in chemical warfare veterans based on HRV signals analysis using the ANFIS neural network | |
| CN118356164B (zh) | 一种用于高龄患者的麻醉状态监测方法、系统及装置 | |
| Preethi et al. | Design of H-IoT based pregnancy monitoring device in free-living environment | |
| Herrero et al. | Electrocardiogram-based detection of central sleep apnea: a full-record signal processing approach |
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 |