CN117017234B - 多参数集成麻醉监测与分析系统 - Google Patents
多参数集成麻醉监测与分析系统 Download PDFInfo
- Publication number
- CN117017234B CN117017234B CN202311293614.9A CN202311293614A CN117017234B CN 117017234 B CN117017234 B CN 117017234B CN 202311293614 A CN202311293614 A CN 202311293614A CN 117017234 B CN117017234 B CN 117017234B
- Authority
- CN
- China
- Prior art keywords
- data
- anesthesia
- anesthetic
- module
- oxygen saturation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 206010002091 Anaesthesia Diseases 0.000 title claims abstract description 82
- 230000037005 anaesthesia Effects 0.000 title claims abstract description 82
- 238000012544 monitoring process Methods 0.000 title claims abstract description 31
- 230000003444 anaesthetic effect Effects 0.000 claims abstract description 58
- 238000012545 processing Methods 0.000 claims abstract description 27
- 230000002787 reinforcement Effects 0.000 claims abstract description 26
- 238000007781 pre-processing Methods 0.000 claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 24
- 239000013598 vector Substances 0.000 claims abstract description 21
- 238000007405 data analysis Methods 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 41
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 32
- 239000008280 blood Substances 0.000 claims description 32
- 210000004369 blood Anatomy 0.000 claims description 32
- 229910052760 oxygen Inorganic materials 0.000 claims description 32
- 239000001301 oxygen Substances 0.000 claims description 32
- 230000009471 action Effects 0.000 claims description 27
- 238000002567 electromyography Methods 0.000 claims description 27
- 230000000694 effects Effects 0.000 claims description 23
- 238000000605 extraction Methods 0.000 claims description 20
- 238000004458 analytical method Methods 0.000 claims description 18
- 229910003798 SPO2 Inorganic materials 0.000 claims description 15
- 101100478210 Schizosaccharomyces pombe (strain 972 / ATCC 24843) spo2 gene Proteins 0.000 claims description 15
- 238000013507 mapping Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 9
- 238000013136 deep learning model Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 8
- 230000001105 regulatory effect Effects 0.000 claims description 6
- 230000033764 rhythmic process Effects 0.000 claims description 6
- 238000013500 data storage Methods 0.000 claims description 4
- 210000003414 extremity Anatomy 0.000 claims description 4
- 210000003205 muscle Anatomy 0.000 claims description 4
- 208000008238 Muscle Spasticity Diseases 0.000 claims description 3
- 206010029315 Neuromuscular blockade Diseases 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 230000001815 facial effect Effects 0.000 claims description 3
- 210000001097 facial muscle Anatomy 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 210000003141 lower extremity Anatomy 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 3
- 208000018198 spasticity Diseases 0.000 claims description 3
- 210000001364 upper extremity Anatomy 0.000 claims description 3
- 238000011002 quantification Methods 0.000 claims description 2
- 238000013480 data collection Methods 0.000 claims 2
- 238000012512 characterization method Methods 0.000 claims 1
- 238000007726 management method Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract 1
- 230000010354 integration Effects 0.000 abstract 1
- 238000000537 electroencephalography Methods 0.000 description 11
- 210000002569 neuron Anatomy 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000004913 activation Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000036772 blood pressure Effects 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 239000000306 component Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000035790 physiological processes and functions Effects 0.000 description 2
- 238000011272 standard treatment Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- 230000001225 therapeutic effect Effects 0.000 description 2
- 238000011282 treatment Methods 0.000 description 2
- 206010047700 Vomiting Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000001055 chewing effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 210000000624 ear auricle Anatomy 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 210000000744 eyelid Anatomy 0.000 description 1
- 210000000245 forearm Anatomy 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 210000003784 masticatory muscle Anatomy 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036407 pain Effects 0.000 description 1
- 230000006461 physiological response Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 210000004761 scalp Anatomy 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000008673 vomiting Effects 0.000 description 1
- 238000002759 z-score normalization 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
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/0245—Detecting, measuring or recording pulse rate or heart rate by using sensing means generating electric signals, i.e. ECG signals
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/14542—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring blood gases
-
- 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]
-
- 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
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/352—Detecting R peaks, e.g. for synchronising diagnostic apparatus; Estimating R-R interval
-
- 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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- 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
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Pathology (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)
- Veterinary Medicine (AREA)
- Cardiology (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychology (AREA)
- Mathematical Physics (AREA)
- Optics & Photonics (AREA)
- Anesthesiology (AREA)
- Power Engineering (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提供了一种多参数集成麻醉监测与分析系统及方法;其中,该系统包括三个主要单元:数据采集单元、数据处理单元和数据分析单元;数据采集单元使用生物传感器收集患者在麻醉过程中的多种生理数据;数据处理单元进一步分为预处理模块、提取模块和构建模块;数据分析单元使用经过训练的深度学习和强化学习模型来生成当前的麻醉深度评分;该评分通过特定的计算公式得出,该公式同时考虑了多维特征向量和以前的麻醉剂剂量;最后,系统利用一个特定的公式调整麻醉剂的剂量,以达到预设的目标麻醉深度;通过这一集成方式,该系统提供了一个全面、准确和个性化的麻醉管理解决方案。
Description
技术领域
本发明涉及麻醉监测技术领域,尤其涉及一种多参数集成麻醉监测与分析系统。
背景技术
麻醉在医学手术和一些诊疗过程中扮演着至关重要的角色,其主要目的是在维持患者生命体征稳定的同时,达到降低疼痛和意识水平的效果。传统的麻醉方法多依赖医生的经验和单一或少数几个生理参数(如心率、血压等)来判断麻醉的效果和深度,然而这种方法往往缺乏精确性和可靠性。
近年来,随着生物传感器和机器学习技术的不断发展,尝试通过更多维度的数据和先进算法来更准确地监测和调控麻醉深度的需求越来越迫切。尽管已有一些基于多参数的麻醉监控系统,但这些系统通常只集成了有限种类的生理参数,并且在数据分析和剂量调整方面依然较为原始。
此外,当前的麻醉监控系统大多数只使用简单的算法模型进行数据分析,缺乏对复杂生理过程的深入理解和精确控制。因此,在实际应用中可能会出现误判或操作失误,从而影响到麻醉的安全性和有效性。
因此,急需一种能够集成多种生理参数,并通过先进的数据处理和分析算法,以实现更高准确度和自动化程度的麻醉监测与分析系统。
发明内容
本申请提供一种多参数集成麻醉监测与分析系统及方法,以实现对麻醉深度的精确评估。
本申请提供的多参数集成麻醉监测与分析系统,包括:
数据采集单元,利用生物传感器采集患者在麻醉过程中的生理数据,所述生理数据包括心电图数据、脑电图数据、肌电图数据以及血氧饱和度数据;
数据处理单元,包括预处理模块、提取模块、构建模块,其中,所述预处理模块对于所述数据采集单元采集的生理数据执行包括去噪、滤波和归一化处理在内的预处理步骤;所述提取模块从预处理后的数据中提取关键生理参数特征;所述构建模块将提取的关键生理参数特征进行融合,构建一个多维特征向量;
数据分析单元,通过训练好的深度学习模型和强化学习模型/>生成当前麻醉深度评分/>,该评分根据如下公式进行计算:
;
其中,是一个在0和1之间的调节因子;所述强化学习模型/>根据当前状态State和动作Action来生成奖励;所述当前状态State包括多维特征向量/>和以前的麻醉剂剂量;所述动作Action为调整麻醉剂剂量;
根据如下公式进行麻醉剂剂量调整:
;
其中,是新的麻醉剂剂量,/>是当前的麻醉剂剂量,λ是一个预设的常数,是目标麻醉深度。
更进一步地,所述数据采集单元采集的肌电图数据包括:
面部肌电图数据,用于监测面部肌肉的电活动,以评估患者是否处于适当的麻醉状态;
咀嚼肌电图数据,用于通过测量咀嚼肌的电活动来评估患者的痉挛或放松状态;
上肢和下肢肌电图数据,用于监测四肢的电活动,以评估神经肌肉阻滞的效果和需要。
更进一步地,所述预处理模块具体用于:
对于心电图数据采用高斯滤波器去除噪声;
将去除噪声后的心电图数据进行归一化处理;
所述提取模块具体用于:
对于归一化处理后的心电图数据执行R波检测,获取R波峰值;
通过测量相邻R波之间的时间间隔,获得每分钟心跳数;
计算心跳间隔的标准差,获得心律的规律性;
将所述R波峰值、每分钟心跳数以及心律的规律性确定为关键心电图特征fECG。
更进一步地,所述预处理模块具体用于:
对于脑电图数据使用傅里叶变换去除噪声;
将去除噪声后的脑电图数据应用带通滤波器滤除不必要的频率成分;
所述提取模块具体用于:
对于滤除处理之后的脑电图数据进行快速傅里叶变换,获得频域数据;
对于所述频域数据进行计算,获得δ(1-4 Hz)、θ(4-8 Hz)、α(8-15 Hz)、β(16-30Hz)波的相对强度;
将所述δ(1-4 Hz)、θ(4-8 Hz)、α(8-15 Hz)、β(16-30 Hz)波的相对强度确定为关键脑电图特征fEEG。
更进一步地,所述预处理模块具体用于:
对于肌电图数据使用带通滤波器进行去噪;
所述提取模块具体用于:
对于去噪后的肌电图数据进行计算,获得肌电信号在指定时间窗口内的平均电压;
对于去噪后的肌电图数据进行计算,获得肌电信号在指定时间窗口内的最大和最小电压之间的差值;
对于去噪后的肌电图数据使用Hurst指数执行量化操作,获得肌电信号的复杂性;
将肌电信号在指定时间窗口内的平均电压、肌电信号在指定时间窗口内的最大和最小电压之间的差值以及肌电信号的复杂性确定为关键肌电图特征fEMG。
更进一步地,所述预处理模块具体用于:
对于血氧饱和度数据采用移动平均的方法进行平滑处理;
所述提取模块具体用于:
对于平滑处理后的血氧饱和度数据进行计算,获得指定时间窗口内血氧饱和度的平均值;
对于平滑处理后的血氧饱和度数据进行计算,血氧饱和度在指定窗口内的最大值和最小值之间的差值;
将所述指定时间窗口内血氧饱和度的平均值以及血氧饱和度在指定窗口内的最大值和最小值之间的差值确定为关键血氧饱和度特征fSPO2。
更进一步地,所述构建模块具体用于:
使用核函数φECG将关键心电图特征fECG映射到高维空间,获得高维空间特征φECG(fECG);
使用核函数φEEG将关键脑电图特征fEEG映射到高维空间,获得高维空间特征φEEG(fEEG);
使用核函数φEMG将关键肌电图特征fEMG映射到高维空间,获得高维空间特征φEMG(fEMG);
使用核函数φSPO2将关键心电图特征fSPO2映射到高维空间,获得高维空间特征φSPO2(fSPO2);
利用如下公式进行特征融合:
;
其中,是融合后的高维特征,/>、/>、/>以及/>是权重系数;
利用如下公式进行归一化操作获得所述多维特征向量:
;
其中,Min是求取最小值的函数,Max是求取最大值的函数。
更进一步地,所述强化学习模型使用如下的奖励函数:
;
其中,Reward是奖励值;是当前的麻醉深度评分;/>是目标麻醉深度评分;/>是新的麻醉剂剂量;/>是当前的麻醉剂剂量;/>是麻醉剂的最大安全剂量;、/>和/>是权重参数;SideEffectTerm 是一个量化可能副作用的指标。
更进一步地,所述数据采集单元进一步包括数据存储模块,用于存储采集到的生理数据。
本申请还提供一种多参数集成麻醉监测与分析方法,包括:
采集患者在麻醉过程中的生理数据,所述生理数据包括心电图数据、脑电图数据、肌电图数据以及血氧饱和度数据;
对于采集的生理数据执行包括去噪、滤波和归一化处理在内的预处理步骤;从预处理后的数据中提取关键生理参数特征;
将提取的关键生理参数特征进行融合,构建一个多维特征向量;
通过训练好的深度学习模型和强化学习模型/>生成当前麻醉深度评分/>,该评分根据如下公式进行计算:
;
其中,是一个在0和1之间的调节因子;所述强化学习模型/>根据当前状态State和动作Action来生成奖励;所述当前状态State包括多维特征向量/>和以前的麻醉剂剂量;所述动作Action为调整麻醉剂剂量;
根据如下公式进行麻醉剂剂量调整:
;
其中,是新的麻醉剂剂量,/>是当前的麻醉剂剂量,λ是一个预设的常数,是目标麻醉深度。
本申请提供的技术方案不同于现有技术中的其他方案。本申请不仅考虑了常规的心电图和血氧饱和度数据,还引入了脑电图和肌电图等更为综合的生理参数。本申请通过使用训练好的深度学习模型和强化学习模型,能够在复杂的生理状态空间中进行高度精确的麻醉深度评估和剂量调整。本申请还提出了一个基于数学模型的麻醉剂剂量动态调整方案,该方案能够根据当前的麻醉深度评分和目标麻醉深度,快速而精确地调整麻醉剂的剂量,实现了麻醉过程的个性化管理。
本申请提供的技术方案的有益效果包括:
(1)提高麻醉安全性:通过集成多维度的生理数据和应用先进的数据分析算法,本申请能够更准确地评估患者的麻醉深度,从而有效地降低因麻醉深度不当而导致的风险。
(2)提升麻醉效果:通过精确的麻醉深度评估和个性化的剂量调整,本申请有助于实现更为舒适和有效的麻醉体验。
(3)增强操作便利性:本申请的自动化程度较高,能够大大减轻医务人员在麻醉管理中的工作负担,使他们能够更加集中地进行其他关键性的医疗任务。
附图说明
图1是本申请第一实施例提供的一种多参数集成麻醉监测与分析系统的示意图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本申请内涵的情况下做类似推广,因此本申请不受下面公开的具体实施的限制。
本申请第一实施例提供一种多参数集成麻醉监测与分析系统。请参看图1,该图为本申请第一实施例的示意图。以下结合图1对本申请第一实施例提供一种多参数集成麻醉监测与分析系统进行详细说明。
如图1所示,所述多参数集成麻醉监测与分析系统包括数据采集单元101,数据处理单元102以及数据分析单元。
所述数据采集单元101,利用生物传感器采集患者在麻醉过程中的生理数据,所述生理数据包括心电图数据、脑电图数据、肌电图数据以及血氧饱和度数据。
数据采集单元101是整个系统的输入接口,其主要任务是使用生物传感器采集患者在麻醉过程中的各种生理数据。该单元包括用于心电图(ECG)的生物传感器,该传感器通常由多个电极组成,放置在患者的胸部和四肢上,用以测量心电活动。该数据采集通常使用12导联或更多导联的配置。这些电极通过一定的采样率(例如,500 Hz或更高)收集电信号。
该单元包括用于脑电图(EEG)的生物传感器,这些传感器由一系列电极组成,这些电极通常放置在患者的头皮上,以各种排列形式(如10-20系统)进行。采样率通常为256 Hz或更高,以确保捕获脑电活动的高分辨率数据。
该单元还包括用于肌电图(EMG)的生物传感器,肌电图传感器通常放置在患者的特定肌肉群上,如前臂或颈部。采样率通常为1 kHz或更高,以便捕获肌肉活动的快速变化。
本实施例中,主要关注以下几种肌电图:
面部肌电图:监测面部肌肉(如眼睑、颊部)的电活动,以评估患者是否处于适当的麻醉状态。
咀嚼肌电图:通过测量咀嚼肌的电活动来评估患者的痉挛或放松状态,这有助于预防在手术过程中出现的误吸或呕吐。
上肢和/或下肢肌电图:监测四肢的电活动,主要用于评估神经肌肉阻滞的效果和需要。
该单元还包括用于血氧饱和度(SpO2)的生物传感器,这通常是一个脉搏氧饱和度计,它通过患者的手指、耳垂或其他透明体部位测量血氧水平。这种类型的传感器通常有一个较低的采样率,例如1 Hz。
该单元还包括数据接口和传输,所有这些传感器将他们的数据传输到一个中央处理单元。传输可以通过有线连接,如USB或以太网,或通过无线连接,如蓝牙或Wi-Fi来完成。数据通常以原始电信号的形式或数字化后的形式存储和传输。为了确保来自不同传感器的数据能够准确地关联和分析,所有传感器都通过内部或外部时钟进行时间同步。
所述数据采集单元进一步包括数据存储模块,用于存储采集到的生理数据。这个模块的主要功能是存储从患者体内采集到的生理数据。这些生理数据包括但不限于心电图数据、脑电图数据、肌电图数据以及血氧饱和度数据。
该数据存储模块的存在有多重重要性:
(1)数据备份:它为临床医生提供了一个数据备份机制,以便后期分析和记录。
(2)实时与历史数据对比:通过保存历史数据,系统能够进行更为精确的实时与历史数据比对,以便更准确地评估患者状态的变化。
通过这样的数据采集单元配置,该多参数集成麻醉监测与分析系统能够实时、高效地收集所需的多维生理数据,为后续的数据处理和分析奠定坚实的基础。
所述数据处理单元102,包括预处理模块、提取模块、构建模块,其中,所述预处理模块对于所述数据采集单元采集的生理数据执行包括去噪、滤波和归一化处理在内的预处理步骤;所述提取模块从预处理后的数据中提取关键生理参数特征;所述构建模块将提取的关键生理参数特征进行融合,构建一个多维特征向量。
数据处理单元102在系统中占据了关键的位置。该单元是一个复杂的软硬件集成模块,它负责对从数据采集单元收到的生理数据进行预处理、特征提取和特征构建。
下面对于该单元针对心电图数据的处理过程进行说明:
所述预处理模块具体用于对于心电图数据采用高斯滤波器(滤波器大小为5×5,标准差为1.5)去除噪声;将去除噪声后的心电图数据进行Z-score归一化处理;
所述提取模块具体用于,对于归一化处理后的心电图数据,采用Pan-Tompkins算法执行R波检测,获取R波峰值;通过测量相邻R波之间的时间间隔,利用算术平均法获得每分钟心跳数;采用均方根法计算心跳间隔的标准差,获得心律的规律性;将所述R波峰值、每分钟心跳数以及心律的规律性确定为关键心电图特征fECG。
下面对于该单元针对脑电图数据的处理过程进行说明:
所述预处理模块具体用于,对于脑电图数据使用具有256点FFT的傅里叶变换去除噪声;将去除噪声后的脑电图数据应用带通滤波器(截止频率为0.5 Hz和50 Hz)滤除不必要的频率成分。
所述提取模块具体用于:对于滤除处理之后的脑电图数据,使用256点FFT进行快速傅里叶变换,获得频域数据;对于所述频域数据,使用功率谱密度分析进行计算,获得δ(1-4 Hz)、θ(4-8 Hz)、α(8-15 Hz)、β(16-30 Hz)波的相对强度;将所述δ(1-4 Hz)、θ(4-8Hz)、α(8-15 Hz)、β(16-30 Hz)波的相对强度确定为关键脑电图特征fEEG。
下面对于该单元针对肌电图数据的处理过程进行说明:
所述预处理模块具体用于,对于肌电图数据使用带通滤波器(截止频率为20 Hz和500 Hz)进行去噪。
所述提取模块具体用于,对于去噪后的肌电图数据,在一个长度为200毫秒的指定时间窗口内进行计算,获得肌电信号的平均电压;在同一时间窗口内进行计算,获得肌电信号的最大和最小电压之间的差值;对于去噪后的肌电图数据,使用Hurst指数方法执行量化操作,获得肌电信号的复杂性;将肌电信号在指定时间窗口内的平均电压、肌电信号在指定时间窗口内的最大和最小电压之间的差值以及肌电信号的复杂性确定为关键肌电图特征fEMG。
下面对于该单元针对血氧饱和度数据的处理过程进行说明:
所述预处理模块具体用于,对于血氧饱和度数据采用移动平均的方法进行平滑处理,其中移动平均使用一个长度为5秒的时间窗口。
所述提取模块具体用于,对于平滑处理后的血氧饱和度数据,在一个长度为10秒的指定时间窗口内进行计算,获得血氧饱和度的平均值;在同一时间窗口内进行计算,获得血氧饱和度的最大值和最小值之间的差值;将所述指定时间窗口内血氧饱和度的平均值以及血氧饱和度在指定窗口内的最大值和最小值之间的差值确定为关键血氧饱和度特征fSPO2。
所述构建模块具体用于:
使用高斯核函数φECG将关键心电图特征fECG映射到高维空间,获得高维空间特征φECG(fECG);
使用高斯核函数φEEG将关键脑电图特征fEEG映射到高维空间,获得高维空间特征φEEG(fEEG);
使用高斯核函数φEMG将关键肌电图特征fEMG映射到高维空间,获得高维空间特征φEMG(fEMG);
使用高斯核函数φSPO2将关键心电图特征fSPO2映射到高维空间,获得高维空间特征φSPO2(fSPO2);
利用如下公式进行特征融合:
;
其中,是融合后的高维特征,/>、/>、/>以及/>是权重系数,其可以通过支持向量机(SVM)训练确定,也可以根据经验数据获取。
利用如下公式进行归一化操作:
;
其中,是多维特征向量,Min和Max分别是在训练数据集中求取最小值和最大值的函数。
所述数据分析单元103,通过训练好的深度学习模型和强化学习模型/>生成当前麻醉深度评分/>,该评分根据如下公式进行及算法:
;
其中,是一个在0和1之间的调节因子;所述强化学习模型/>根据当前状态State和动作Action来生成奖励;所述当前状态State包括多维特征向量/>和以前的麻醉剂剂量;所述动作Action为调整麻醉剂的剂量;
并根据如下公式进行麻醉剂的剂量调整:
;
其中,是新的麻醉剂剂量,/>是当前的麻醉剂剂量,λ是一个预设的常数,是目标麻醉深度。
所述数据分析单元103可以通过相应的软件在处理器上执行,从而实现该单元的功能。
本实施例提供的深度学习模型可以是一个多层感知机(MLP)。该多层感知机的输入为多维特征向量,这是一个多维特征向量。该向量包括了经过预处理和特征提取后的患者生理数据。其维度取决于选定的特征数量。该多层感知机的输出是一个数值,代表根据输入特征评估出的当前麻醉深度。
该多层感知机依次包括如下结构:
(1)输入层,该层用于接收输入数据,即多维特征向量。
(2)第一隐藏层:采用全连接层,包含256个神经元,使用ReLU(Rectified LinearUnit)作为激活函数。
(3)第二隐藏层,采用全连接层,包含128个神经元,使用ReLU作为激活函数。
(4)输出层,使用一个全连接层,包含一个神经元,无激活函数。该层输出一个数值,代表当前的麻醉深度评分。
本实施例提供的多层感知机在训练之后输出可以用公式进行计算。
强化学习模型的输入为当前状态State,其由两部分组成:首先是多维在该强化学习模型训练之后,可以使用函数fRL(State,Action)表示。
本实施例提供的强化学习模型的输入为当前状态State,其由两部分组成:首先是多维特征向量,这是经过预处理和特征提取后的患者生理数据;然后是过去几次麻醉剂的剂量,这部分是为了给模型提供关于之前治疗措施的效果的信息。这两部分联合构成了模型的全量输入状态。
强化学习模型的输出是奖励,该奖励是根据当前状态和执行的动作(即麻醉剂的剂量调整)来生成的。
强化学习模型的结构如下:
(1)输入层:对应于状态的维度,假设是一个 128 维向量,而过去几次麻醉剂剂量则为 5 维(例如最近五次的剂量),则输入层会有 133 个神经元。
(2)第一隐藏层:包含 256 个神经元,并采用 ReLU(Rectified Linear Unit)作为激活函数。
(3)第二隐藏层:包含 128 个神经元,同样采用 ReLU 作为激活函数。
(4)输出层:有一个单一的神经元,它输出一个数值,这个数值即为当前状态和动作下的预测奖励。
强化学习模型是基于奖励函数(或称为回报函数)进行操作的。奖励函数是强化学习中的核心组成部分,用于量化智能体(在本例中是数据分析单元)所执行的各种动作(在本例中是调整麻醉剂剂量)的好坏或效果。具体来说,当智能体在一个给定的状态下执行一个动作后,奖励函数会生成一个数值(即奖励),以表示该动作带来的长期或短期收益。
奖励函数通常依赖于当前的状态、执行的动作和新达到的状态。这些信息合在一起用于计算奖励,该奖励随后用于更新模型的策略。在某些情况下,奖励函数也可能包括其他额外的参数或者考虑环境中的其他因素。
通过奖励函数,模型能够学习如何在不同的状态下选择最优的动作。它不仅影响单步动作的选择,还影响模型在多步决策场景中的整体策略。因此,设计一个合适和有效的奖励函数是训练强化学习模型成功的关键因素。
本实施例提供如下的奖励函数:
;
在这个奖励函数中,Reward是奖励值;是当前的麻醉深度评分;/>是目标麻醉深度评分;/>是新的麻醉剂剂量;/>是当前的麻醉剂剂量;/>是麻醉剂的最大安全剂量;/>、/>和/>是权重参数;SideEffectTerm 是一个量化可能副作用(例如心率、血压等生理指标异常)的指标。
该公式中,第一项是一个逻辑斯蒂函数,用于衡量当前麻醉深度评分与目标麻醉深度的接近程度。该函数在差距越小时值越大,从而奖励更接近目标的麻醉深度。
第二项是新的和当前麻醉剂剂量之间差异的平方项,该项被规范化为剂量的最大可能值。这个项惩罚剂量的大幅度变动,因为剂量的快速变化可能增加风险。
第三项是SideEffectTerm,用于量化可能的副作用。这一项会惩罚任何可能对患者不利的生理反应。
权重参数、/>和/>可以通过交叉验证或者其他优化方法进行调整。
这样设计的奖励函数旨在平衡多个因素:麻醉深度的准确控制、剂量的稳定性,以及副作用的最小化。通过这个奖励函数,强化学习模型能够在复杂的临床环境中做出更加全面和准确的决策。
在该强化学习模型训练之后,其输出可以使用函数进行计算。
数据分析单元103,通过训练好的深度学习模型和训练好的强化学习模型/>生成当前麻醉深度评分/>,该评分根据如下公式进行计算:
;
其中,是一个在0和1之间的调节因子;所述强化学习模型/>根据当前状态State和动作Action来生成奖励;所述当前状态State包括多维特征向量/>和以前的麻醉剂的剂量;所述动作Action为调整麻醉剂的剂量;
根据如下公式进行麻醉剂的剂量调整:
;
其中,是新的麻醉剂的剂量,/>是当前的麻醉剂的剂量,λ是一个预设的常数,/>是目标麻醉深度。
是新的麻醉剂的剂量,是通过该公式计算得出的,用于接下来的治疗周期。是当前的正在使用的麻醉剂的剂量,这是已知的,通常是通过之前的医疗决策或标准治疗方案确定的。λ是一个预设的常数,用于调整指数项的影响,这个常数可以根据先前的研究或临床试验来确定,也可以通过优化算法进行调整。/>是当前麻醉深度评分,由数据分析单元通过深度学习模型/>和强化学习模型/>计算得出。/>是目标麻醉深度,通常是通过临床需求或标准治疗方案来设定的。
该公式提供了一种基于当前状态和目标状态的动态调整机制,能够实时地调整麻醉剂的剂量,以更接近目标麻醉深度。这有助于个性化治疗和提高治疗效果。
在上述的实施例中,提供了一种多参数集成麻醉监测与分析系统,与之相对应的,本申请还提供一种多参数集成麻醉监测与分析方法。由于本实施例,即第二实施例,基本相似于系统实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。下述描述的系统实施例仅仅是示意性的。
本申请第二实施例提供一种多参数集成麻醉监测与分析方法,包括:
采集患者在麻醉过程中的生理数据,所述生理数据包括心电图数据、脑电图数据、肌电图数据以及血氧饱和度数据;
对于采集的生理数据执行包括去噪、滤波和归一化处理在内的预处理步骤;从预处理后的数据中提取关键生理参数特征;
将提取的关键生理参数特征进行融合,构建一个多维特征向量;
通过训练好的深度学习模型和强化学习模型/>生成当前麻醉深度评分/>,该评分根据如下公式进行计算:
;
其中,是一个在0和1之间的调节因子;所述强化学习模型/>根据当前状态State和动作Action来生成奖励;所述当前状态State包括多维特征向量/>和以前的麻醉剂剂量;所述动作Action为调整麻醉剂剂量;
根据如下公式进行麻醉剂剂量调整:
;
其中,是新的麻醉剂剂量,/>是当前的麻醉剂剂量,λ是一个预设的常数,是目标麻醉深度。
本申请第三实施例提供一种电子设备,所述电子设备包括:
处理器;
存储器,用于存储程序,所述程序在被所述处理器读取执行时,执行本申请第二实施例中提供的多参数集成麻醉监测与分析方法。
本申请第四实施例提供一种计算机可读取存储介质,其上存储有计算机程序,该程序被处理器执行时,执行本申请第二实施例中提供的多参数集成麻醉监测与分析方法。
本申请虽然以较佳实施例公开如上,但其并不是用来限定本申请,任何本领域技术人员在不脱离本申请的精神和范围内,都可以做出可能的变动和修改,因此本申请的保护范围应当以本申请权利要求所界定的范围为准。
Claims (8)
1.一种多参数集成麻醉监测与分析系统,其特征在于,包括:
数据采集单元,利用生物传感器采集患者在麻醉过程中的生理数据,所述生理数据包括心电图数据、脑电图数据、肌电图数据以及血氧饱和度数据;
数据处理单元,包括预处理模块、提取模块、构建模块,其中,所述预处理模块对于所述数据采集单元采集的生理数据执行包括去噪、滤波和归一化处理在内的预处理步骤;所述提取模块从预处理后的数据中提取关键生理参数特征;所述构建模块将提取的关键生理参数特征进行融合,构建一个多维特征向量;
数据分析单元,通过训练好的深度学习模型和强化学习模型/>生成当前麻醉深度评分/>,该评分根据如下公式1进行计算:
;
其中,是一个在0和1之间的调节因子;所述强化学习模型/>根据当前状态State和动作Action来生成奖励;所述当前状态State包括多维特征向量/>和以前的麻醉剂剂量;所述动作Action为调整麻醉剂剂量;
根据如下公式2进行麻醉剂剂量调整:
;
其中,是新的麻醉剂剂量,/>是当前的麻醉剂剂量,λ是一个预设的常数,是目标麻醉深度评分。
2.根据权利要求1所述的多参数集成麻醉监测与分析系统,其特征在于,所述数据采集单元采集的肌电图数据包括:
面部肌电图数据,用于监测面部肌肉的电活动,以评估患者是否处于适当的麻醉状态;
咀嚼肌电图数据,用于通过测量咀嚼肌的电活动来评估患者的痉挛或放松状态;
上肢和下肢肌电图数据,用于监测四肢的电活动,以评估神经肌肉阻滞的效果和需要。
3.根据权利要求1所述的多参数集成麻醉监测与分析系统,其特征在于,所述预处理模块具体用于:
对于心电图数据采用高斯滤波器去除噪声;
将去除噪声后的心电图数据进行归一化处理;
所述提取模块具体用于:
对于归一化处理后的心电图数据执行R波检测,获取R波峰值;
通过测量相邻R波之间的时间间隔,获得每分钟心跳数;
计算心跳间隔的标准差,获得心律的规律性;
将所述R波峰值、每分钟心跳数以及心律的规律性确定为关键心电图特征fECG。
4.根据权利要求3所述的多参数集成麻醉监测与分析系统,其特征在于,所述预处理模块具体用于:
对于肌电图数据使用带通滤波器进行去噪;
所述提取模块具体用于:
对于去噪后的肌电图数据进行计算,获得肌电信号在指定时间窗口内的平均电压;
对于去噪后的肌电图数据进行计算,获得肌电信号在指定时间窗口内的最大和最小电压之间的差值;
对于去噪后的肌电图数据使用Hurst指数执行量化操作,获得肌电信号的复杂性;
将肌电信号在指定时间窗口内的平均电压、肌电信号在指定时间窗口内的最大和最小电压之间的差值以及肌电信号的复杂性确定为关键肌电图特征fEMG。
5.根据权利要求4所述的多参数集成麻醉监测与分析系统,其特征在于,所述预处理模块具体用于:
对于血氧饱和度数据采用移动平均的方法进行平滑处理;
所述提取模块具体用于:
对于平滑处理后的血氧饱和度数据进行计算,获得指定时间窗口内血氧饱和度的平均值;
对于平滑处理后的血氧饱和度数据进行计算,血氧饱和度在指定窗口内的最大值和最小值之间的差值;
将所述指定时间窗口内血氧饱和度的平均值以及血氧饱和度在指定窗口内的最大值和最小值之间的差值确定为关键血氧饱和度特征fSPO2。
6.根据权利要求5所述的多参数集成麻醉监测与分析系统,其特征在于,所述构建模块具体用于:
使用核函数φECG将关键心电图特征fECG映射到高维空间,获得高维空间特征φECG(fECG);
使用核函数φEEG将关键脑电图特征fEEG映射到高维空间,获得高维空间特征φEEG(fEEG);
使用核函数φEMG将关键肌电图特征fEMG映射到高维空间,获得高维空间特征φEMG(fEMG);
使用核函数φSPO2将关键血氧饱和度特征fSPO2映射到高维空间,获得高维空间特征φSPO2(fSPO2);
利用如下公式3进行特征融合:
;
其中,是融合后的高维特征,/>、/>、/>以及/>是权重系数;
利用如下公式4进行归一化操作获得所述多维特征向量:
;
其中,Min是求取最小值的函数,Max是求取最大值的函数。
7.根据权利要求1所述的多参数集成麻醉监测与分析系统,其特征在于,所述强化学习模型使用如下的奖励函数:
;
其中,Reward是奖励值;是当前的麻醉深度评分;/>是目标麻醉深度评分;是新的麻醉剂剂量;/>是当前的麻醉剂剂量;/>是麻醉剂的最大安全剂量;/>、和/>是权重参数;SideEffectTerm 是一个量化可能副作用的指标。
8.根据权利要求1所述的多参数集成麻醉监测与分析系统,其特征在于,所述数据采集单元进一步包括数据存储模块,用于存储采集到的生理数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311293614.9A CN117017234B (zh) | 2023-10-09 | 2023-10-09 | 多参数集成麻醉监测与分析系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311293614.9A CN117017234B (zh) | 2023-10-09 | 2023-10-09 | 多参数集成麻醉监测与分析系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117017234A CN117017234A (zh) | 2023-11-10 |
CN117017234B true CN117017234B (zh) | 2024-01-16 |
Family
ID=88630366
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311293614.9A Active CN117017234B (zh) | 2023-10-09 | 2023-10-09 | 多参数集成麻醉监测与分析系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117017234B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103432651A (zh) * | 2012-12-31 | 2013-12-11 | 南京理工大学 | 一种闭环的智能麻醉控制系统 |
CN204274482U (zh) * | 2014-12-05 | 2015-04-22 | 东北大学秦皇岛分校 | 人体情绪波动监测报警仪 |
CN106821335A (zh) * | 2017-04-01 | 2017-06-13 | 新乡医学院第附属医院 | 一种麻醉和意识深度监测模块 |
KR20210066271A (ko) * | 2019-11-28 | 2021-06-07 | 엠텍글로벌 주식회사 | 마취 분야에서의 의료 딥러닝을 활용한 처방 시스템 |
CN115346680A (zh) * | 2022-08-15 | 2022-11-15 | 中科院成都信息技术股份有限公司 | 麻醉数据处理方法、系统、介质、设备及信息处理终端 |
WO2023123437A1 (zh) * | 2021-12-31 | 2023-07-06 | 通用电气精准医疗有限责任公司 | 麻醉控制系统,麻醉系统及非暂态计算机可读介质 |
CN116484913A (zh) * | 2023-03-01 | 2023-07-25 | 华东理工大学 | 一种基于深度强化学习和双额叶残差网络的脑电情感识别系统 |
CN116548920A (zh) * | 2023-05-04 | 2023-08-08 | 上海交通大学医学院附属仁济医院 | 一种基于神经网络的麻醉状态监测系统及方法 |
CN116746885A (zh) * | 2023-07-12 | 2023-09-15 | 西安市红会医院(西安市骨科研究所) | 麻醉深度监测系统及其方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201319681D0 (en) * | 2013-11-07 | 2013-12-25 | Imp Innovations Ltd | System and method for drug delivery |
KR102234007B1 (ko) * | 2020-07-14 | 2021-03-31 | 고려대학교 산학협력단 | 강화학습을 이용한 약물 주입 조절 장치 및 방법 |
-
2023
- 2023-10-09 CN CN202311293614.9A patent/CN117017234B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103432651A (zh) * | 2012-12-31 | 2013-12-11 | 南京理工大学 | 一种闭环的智能麻醉控制系统 |
CN204274482U (zh) * | 2014-12-05 | 2015-04-22 | 东北大学秦皇岛分校 | 人体情绪波动监测报警仪 |
CN106821335A (zh) * | 2017-04-01 | 2017-06-13 | 新乡医学院第附属医院 | 一种麻醉和意识深度监测模块 |
KR20210066271A (ko) * | 2019-11-28 | 2021-06-07 | 엠텍글로벌 주식회사 | 마취 분야에서의 의료 딥러닝을 활용한 처방 시스템 |
WO2023123437A1 (zh) * | 2021-12-31 | 2023-07-06 | 通用电气精准医疗有限责任公司 | 麻醉控制系统,麻醉系统及非暂态计算机可读介质 |
CN115346680A (zh) * | 2022-08-15 | 2022-11-15 | 中科院成都信息技术股份有限公司 | 麻醉数据处理方法、系统、介质、设备及信息处理终端 |
CN116484913A (zh) * | 2023-03-01 | 2023-07-25 | 华东理工大学 | 一种基于深度强化学习和双额叶残差网络的脑电情感识别系统 |
CN116548920A (zh) * | 2023-05-04 | 2023-08-08 | 上海交通大学医学院附属仁济医院 | 一种基于神经网络的麻醉状态监测系统及方法 |
CN116746885A (zh) * | 2023-07-12 | 2023-09-15 | 西安市红会医院(西安市骨科研究所) | 麻醉深度监测系统及其方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117017234A (zh) | 2023-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Subasi | Practical guide for biomedical signals analysis using machine learning techniques: A MATLAB based approach | |
JP5961235B2 (ja) | 睡眠/覚醒状態評価方法及びシステム | |
Xu et al. | Cluster-based analysis for personalized stress evaluation using physiological signals | |
US8781566B2 (en) | System and methods for sliding-scale cardiac event detection | |
US5447166A (en) | Neurocognitive adaptive computer interface method and system based on on-line measurement of the user's mental effort | |
JP6159250B2 (ja) | 患者の生存性を予測するためのシステムの制御方法およびプログラム | |
US20160038043A1 (en) | Assessing Effectiveness of CPR | |
JP2018524080A (ja) | 被検者の生理学的状態を監視する装置及び方法 | |
TW201725559A (zh) | 一種評估心跳停止發生可能的穿戴式裝置及其方法 | |
Saini et al. | Artificial intelligence methods for analysis of electrocardiogram signals for cardiac abnormalities: State-of-the-art and future challenges | |
WO2016061545A1 (en) | Assessing effectiveness of cpr | |
Islam et al. | Signal artifacts and techniques for artifacts and noise removal | |
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 | |
Wang et al. | A Novel Rapid Assessment of Mental Stress by Using PPG Signals Based on Deep Learning | |
CN106510641A (zh) | 一种检测人体不同睡眠阶段的方法及系统 | |
Mahmood et al. | Introduction to Non-Invasive Biomedical Signals for Healthcare | |
Tiwari et al. | Movement artifact-robust mental workload assessment during physical activity using multi-sensor fusion | |
CN116313029B (zh) | 一种数字针灸动态控制优化的方法、系统和装置 | |
Alawieh et al. | A real-time ECG feature extraction algorithm for detecting meditation levels within a general measurement setup | |
CN117017234B (zh) | 多参数集成麻醉监测与分析系统 | |
CN115486818A (zh) | 一种运动神经通路检测量化的方法、系统和装置 | |
Dharma et al. | Hypertension Identification Using Naive Bayes Classification Method and Pan Tompkins Feature Extraction | |
CN112263768A (zh) | 一种基于听觉节律的焦虑治疗方法和系统 | |
Xiong et al. | A biofeedback system for mobile healthcare based on heart rate variability | |
Sahay et al. | Computer‐Aided Interpretation of ECG Signal—A Challenge |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |