CN117457229A - 基于人工智能的麻醉深度监测系统及方法 - Google Patents
基于人工智能的麻醉深度监测系统及方法 Download PDFInfo
- Publication number
- CN117457229A CN117457229A CN202311797030.5A CN202311797030A CN117457229A CN 117457229 A CN117457229 A CN 117457229A CN 202311797030 A CN202311797030 A CN 202311797030A CN 117457229 A CN117457229 A CN 117457229A
- Authority
- CN
- China
- Prior art keywords
- blood pressure
- time sequence
- electrocardiogram
- feature
- sequence
- 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.)
- Granted
Links
- 206010002091 Anaesthesia Diseases 0.000 title claims abstract description 137
- 230000037005 anaesthesia Effects 0.000 title claims abstract description 134
- 238000012544 monitoring process Methods 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 40
- 238000001514 detection method Methods 0.000 claims abstract description 29
- 230000008569 process Effects 0.000 claims abstract description 19
- 230000036772 blood pressure Effects 0.000 claims description 269
- 239000013598 vector Substances 0.000 claims description 249
- 230000004927 fusion Effects 0.000 claims description 30
- 238000005728 strengthening Methods 0.000 claims description 29
- 238000004458 analytical method Methods 0.000 claims description 25
- 230000003993 interaction Effects 0.000 claims description 23
- 238000012937 correction Methods 0.000 claims description 22
- 230000007246 mechanism Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 15
- 238000003062 neural network model Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 3
- 230000003014 reinforcing effect Effects 0.000 claims description 3
- 239000008280 blood Substances 0.000 claims 1
- 210000004369 blood Anatomy 0.000 claims 1
- 238000001356 surgical procedure Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 8
- 238000011176 pooling Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 208000003443 Unconsciousness Diseases 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000036407 pain Effects 0.000 description 3
- 230000035790 physiological processes and functions Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 208000001953 Hypotension Diseases 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 230000036543 hypotension Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 208000004756 Respiratory Insufficiency Diseases 0.000 description 1
- 206010038678 Respiratory depression Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000003444 anaesthetic effect Effects 0.000 description 1
- 230000006793 arrhythmia Effects 0.000 description 1
- 206010003119 arrhythmia Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 210000000748 cardiovascular system Anatomy 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000001766 physiological effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/021—Measuring pressure in heart or blood vessels
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—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
- A61B5/48—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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Cardiology (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Epidemiology (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Physiology (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Anesthesiology (AREA)
- Vascular Medicine (AREA)
- Fuzzy Systems (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本申请公开了一种基于人工智能的麻醉深度监测系统及方法,涉及智能监测领域,其通过实时采集被麻醉患者在麻醉深度监测过程中的生理信号,并在后端引入数据处理和分析算法来进行患者的生理信号的时序协同分析,以此来检测该患者的麻醉深度。这样,能够实现患者的麻醉深度的自动化检测和评估,以提供实时、客观和准确的患者麻醉深度检测结果,这有助于临床医生更好地控制麻醉过程,提高患者的安全性和手术稳定性,从而为医疗机构和患者带来更好的服务和体验。
Description
技术领域
本申请涉及智能监测领域,且更为具体地,涉及一种基于人工智能的麻醉深度监测系统及方法。
背景技术
麻醉是为了在手术过程中使患者处于无痛、无意识和稳定的状态,以确保手术的安全和成功进行。麻醉深度是指患者在麻醉过程中对外界刺激的反应程度,是评价麻醉效果的重要指标。
麻醉深度监测是在麻醉过程中对患者的麻醉状态进行监测和评估的过程,其目的是确保患者在手术期间处于适当的麻醉深度,既不会出现疼痛和意识恢复,也不会出现过度麻醉导致的并发症。然而,传统的麻醉深度监测主要是依赖于临床医生的临床观察和经验判断,缺乏客观和量化的标准,容易导致麻醉过浅或过深的风险。
因此,期望一种优化的基于人工智能的麻醉深度监测方案。
发明内容
为了解决上述技术问题,提出了本申请。
根据本申请的一个方面,提供了一种基于人工智能的麻醉深度监测系统及方法,其包括:
患者生理数据监测采集模块,用于获取被麻醉患者在被麻醉后的预定时间段的心电图和所述预定时间段内多个预定时间点的血压值;
血压局部时序特征分析模块,用于将所述多个预定时间点的血压值按照时间维度排列为血压时序输入向量后,对所述血压时序输入向量进行局部时序特征分析以得到血压局部时序特征向量的序列;
心电图特征捕捉模块,用于通过基于深度神经网络模型的心电时序特征提取器对所述心电图进行特征提取以得到心电图语义特征向量;
生理数据时序特征跨模态交互模块,用于使用基于类注意力机制的跨模态交互融合模块来对所述血压局部时序特征向量的序列和所述心电图语义特征向量进行处理以得到血压时序特征引导下心电图强化语义特征向量作为血压时序特征引导下心电图强化语义特征;
麻醉深度等级检测模块,用于基于所述血压时序特征引导下心电图强化语义特征,确定麻醉深度等级标签;
所述生理数据时序特征跨模态交互模块,用于:使用基于类注意力机制的跨模态交互融合模块以如下融合公式来对所述血压局部时序特征向量的序列和所述心电图语义特征向量进行处理以得到所述血压时序特征引导下心电图强化语义特征向量;
其中,所述融合公式为:;
;
其中,表示所述心电图语义特征向量,/>表示1×/>的矩阵,/>等于所述心电图语义特征向量的尺度,/>是1×/>的矩阵,/>等于所述血压局部时序特征向量的序列中血压局部时序特征向量的数量,/>是Sigmoid函数,/>为权重系数,/>和表示1×1卷积核的卷积操作,/>表示所述血压局部时序特征向量的序列中的各个血压局部时序特征向量,/>表示所述血压局部时序特征向量的序列中的各个血压局部时序特征向量的尺度,/>表示所述血压时序特征引导下心电图强化语义特征向量。
其中,所述血压局部时序特征分析模块,包括:
血压时序排列单元,用于将所述多个预定时间点的血压值按照时间维度排列为血压时序输入向量后,对所述血压时序输入向量进行向量切分以得到血压局部时序输入向量的序列;
血压时序特征提取单元,用于将所述血压局部时序输入向量的序列通过基于一维卷积层的血压时序关联特征提取器以得到所述血压局部时序特征向量的序列。
进一步地,所述深度神经网络模型为卷积神经网络模型。
进一步地,所述麻醉深度等级检测模块,包括:
特征分布优化单元,用于对所述血压时序特征引导下心电图强化语义特征向量进行特征校正以得到校正后血压时序特征引导下心电图强化语义特征向量;
麻醉深度检测单元,用于将所述校正后血压时序特征引导下心电图强化语义特征向量通过分类器以得到分类结果,所述分类结果用于表示麻醉深度等级标签。
进一步地,所述特征分布优化单元,包括:
特征校正子单元,用于对所述血压局部时序特征向量的序列和所述心电图语义特征向量进行校正以得到校正特征向量;
校正特征融合子单元,用于将所述校正特征向量与所述血压时序特征引导下心电图强化语义特征向量进行融合以得到所述校正后血压时序特征引导下心电图强化语义特征向量。
进一步地,所述麻醉深度检测单元,用于:使用多标签分类器以如下分类公式对所述校正后血压时序特征引导下心电图强化语义特征向量进行处理以生成所述分类结果;
其中,所述分类公式为:
;
其中为所述分类结果的输出结果矩阵,/>为所述校正后血压时序特征引导下心电图强化语义特征向量,/>和/>分别为第/>个分类对应的权重和偏置向量,表示向量的指数运算,所述向量的指数运算表示以向量中各个位置的特征值为幂的自然指数函数值。
根据本申请的另一方面,提供了一种基于人工智能的麻醉深度监测方法,其包括:
获取被麻醉患者在被麻醉后的预定时间段的心电图和所述预定时间段内多个预定时间点的血压值;
将所述多个预定时间点的血压值按照时间维度排列为血压时序输入向量后,对所述血压时序输入向量进行局部时序特征分析以得到血压局部时序特征向量的序列;
通过基于深度神经网络模型的心电时序特征提取器对所述心电图进行特征提取以得到心电图语义特征向量;
使用基于类注意力机制的跨模态交互融合模块来对所述血压局部时序特征向量的序列和所述心电图语义特征向量进行处理以得到血压时序特征引导下心电图强化语义特征向量作为血压时序特征引导下心电图强化语义特征;
基于所述血压时序特征引导下心电图强化语义特征,确定麻醉深度等级标签;
其中,使用基于类注意力机制的跨模态交互融合模块以如下融合公式来对所述血压局部时序特征向量的序列和所述心电图语义特征向量进行处理以得到所述血压时序特征引导下心电图强化语义特征向量;
其中,所述融合公式为:
;
;
其中,表示所述心电图语义特征向量,/>表示1×/>的矩阵,/>等于所述心电图语义特征向量的尺度,/>是1×/>的矩阵,/>等于所述血压局部时序特征向量的序列中血压局部时序特征向量的数量,/>是Sigmoid函数,/>为权重系数,/>和表示1×1卷积核的卷积操作,/>表示所述血压局部时序特征向量的序列中的各个血压局部时序特征向量,/>表示所述血压局部时序特征向量的序列中的各个血压局部时序特征向量的尺度,/>表示所述血压时序特征引导下心电图强化语义特征向量。
进一步地,将所述多个预定时间点的血压值按照时间维度排列为血压时序输入向量后,对所述血压时序输入向量进行局部时序特征分析以得到血压局部时序特征向量的序列,包括:
将所述多个预定时间点的血压值按照时间维度排列为血压时序输入向量后,对所述血压时序输入向量进行向量切分以得到血压局部时序输入向量的序列;
将所述血压局部时序输入向量的序列通过基于一维卷积层的血压时序关联特征提取器以得到所述血压局部时序特征向量的序列。
进一步地,所述深度神经网络模型为卷积神经网络模型。
与现有技术相比,本申请提供的一种基于人工智能的麻醉深度监测系统及方法,其通过实时采集被麻醉患者在麻醉深度监测过程中的生理信号(如心电图和血压等),并在后端引入数据处理和分析算法来进行患者的生理信号的时序协同分析,以此来检测该患者的麻醉深度。这样,能够实现患者的麻醉深度的自动化检测和评估,以提供实时、客观和准确的患者麻醉深度检测结果,这有助于临床医生更好地控制麻醉过程,提高患者的安全性和手术稳定性,从而为医疗机构和患者带来更好的服务和体验。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的基于人工智能的麻醉深度监测系统的框图。
图2为根据本申请实施例的基于人工智能的麻醉深度监测系统的架构示意图。
图3为根据本申请实施例的基于人工智能的麻醉深度监测系统中血压局部时序特征分析模块的框图。
图4为根据本申请实施例的基于人工智能的麻醉深度监测系统中麻醉深度等级检测模块的框图。
图5为根据本申请实施例的基于人工智能的麻醉深度监测方法的流程图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
在本公开的实施例的描述中,术语“包括”及其类似用语应当理解为开放性包含,即“包括但不限于”。术语“基于”应当理解为“至少部分地基于”。术语“一个实施例”或“该实施例”应当理解为“至少一个实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。
需要注意,本公开中提及“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
麻醉是一种医学技术和过程,通过使用药物和其他方法来使患者在手术或其他疼痛性操作期间处于无痛、无意识和稳定的状态,从而确保手术过程的安全和成功进行。麻醉深度是评价麻醉效果的重要指标,它指的是患者在麻醉过程中对外界刺激的反应程度。麻醉深度监测是一种通过监测患者的生理指标来评估和控制麻醉深度的过程。其目的是确保患者在手术期间处于适当的麻醉深度,既不会感受到疼痛,也不会意识到手术过程。具体来说,麻醉深度监测旨在确保患者在手术过程中没有疼痛感知,处于无意识状态和没有其他并发症的发生。
但传统的麻醉深度监测主要依赖于临床医生的临床观察和经验判断,容易导致麻醉过浅或过深的风险。具体地,临床医生的主观判断可能受到个体差异、环境因素和专业经验的影响,从而导致误判。应可以理解,麻醉过深可能会引起低血压、呼吸抑制等并发症,而麻醉过浅则可能导致患者在手术过程中出现疼痛和意识恢复,增加手术的风险和不适。
因此,针对上述技术问题,本申请的技术构思为在进行被麻醉患者的麻醉深度监测过程中,通过对患者的生理信号(如心电图和血压等)进行实时监测采集,并在后端引入数据处理和分析算法来进行患者的生理信号的时序协同分析,以此来检测该患者的麻醉深度。这样,能够实现患者的麻醉深度的自动化检测和评估,以提供实时、客观和准确的患者麻醉深度检测结果,这有助于临床医生更好地控制麻醉过程,提高患者的安全性和手术稳定性,从而为医疗机构和患者带来更好的服务和体验。
图1为根据本申请实施例的基于人工智能的麻醉深度监测系统的框图。图2为根据本申请实施例的基于人工智能的麻醉深度监测系统的架构示意图。如图1和图2所示,根据本申请实施例的基于人工智能的麻醉深度监测系统100,包括:患者生理数据监测采集模块110,用于获取被麻醉患者在被麻醉后的预定时间段的心电图和所述预定时间段内多个预定时间点的血压值;血压局部时序特征分析模块120,用于将所述多个预定时间点的血压值按照时间维度排列为血压时序输入向量后,对所述血压时序输入向量进行局部时序特征分析以得到血压局部时序特征向量的序列;心电图特征捕捉模块130,用于通过基于深度神经网络模型的心电时序特征提取器对所述心电图进行特征提取以得到心电图语义特征向量;生理数据时序特征跨模态交互模块140,用于使用基于类注意力机制的跨模态交互融合模块来对所述血压局部时序特征向量的序列和所述心电图语义特征向量进行处理以得到血压时序特征引导下心电图强化语义特征向量作为血压时序特征引导下心电图强化语义特征;以及,麻醉深度等级检测模块150,用于基于所述血压时序特征引导下心电图强化语义特征,确定麻醉深度等级标签。
在本申请实施例中,所述患者生理数据监测采集模块110,用于获取被麻醉患者在被麻醉后的预定时间段的心电图和所述预定时间段内多个预定时间点的血压值。应可以理解,所述心电图和血压值是评估患者麻醉深度的重要指标。而麻醉深度的准确控制对手术的成功和患者的安全至关重要。具体来说,心电图可以提供关于患者的意识状态和脑电活动的信息,而血压值可以反映循环系统的功能状态。再者,在麻醉过程中可能出现一些麻醉相关的并发症,如心律失常、低血压或高血压等。因此,在本申请的技术方案中,通过监测心电图和血压值可以帮助医生及时发现并处理这些并发症,以避免对患者的不良影响,进而确保手术的顺利进行,保障患者的安全。
在本申请实施例中,所述血压局部时序特征分析模块120,用于将所述多个预定时间点的血压值按照时间维度排列为血压时序输入向量后,对所述血压时序输入向量进行局部时序特征分析以得到血压局部时序特征向量的序列。相应地,考虑到在麻醉过程中,血压值随时间的变化可能存在一些短期的波动或局部趋势,这些血压的局部时序特征可能包含有关患者麻醉状态和循环系统功能的重要信息。因此,在本申请的技术方案中,进一步将所述多个预定时间点的血压值按照时间维度排列为血压时序输入向量并进行局部时序特征分析以得到所述血压局部时序特征向量的序列,以此来捕捉到血压中的局部时序特征信息,如血压的变化速率、波动性、周期性等,从而更全面地描述患者的生理状态。
图3为根据本申请实施例的基于人工智能的麻醉深度监测系统中血压局部时序特征分析模块的框图。具体地,在本申请实施例中,如图3所示,所述血压局部时序特征分析模块120,包括:血压时序排列单元121,用于将所述多个预定时间点的血压值按照时间维度排列为血压时序输入向量后,对所述血压时序输入向量进行向量切分以得到血压局部时序输入向量的序列;以及,血压时序特征提取单元122,用于将所述血压局部时序输入向量的序列通过基于一维卷积层的血压时序关联特征提取器以得到所述血压局部时序特征向量的序列。
具体地,所述血压时序排列单元121,用于将所述多个预定时间点的血压值按照时间维度排列为血压时序输入向量后,对所述血压时序输入向量进行向量切分以得到血压局部时序输入向量的序列。应可以理解,血压是一个随时间变化的信号,包含了患者的心血管系统状态和生理活动的信息。并且,考虑到由于所述被麻醉患者的血压值在时间维度上具有着时序的动态变化规律,为了能够捕捉和刻画出患者的血压时序变化特征,以此来更为准确地进行麻醉深度检测和判断,在本申请的技术方案中,需要进一步将所述多个预定时间点的血压值按照时间维度排列为血压时序输入向量,以此来整合所述被麻醉患者的血压值的时序分布信息。继而,再将所述血压时序输入向量进行向量切分以得到血压局部时序输入向量的序列。这样,能够将该患者的血压时序分布分解为多个局部时序片段,以便于更好地捕捉到患者血压信号的局部特征和变化趋势,从而提供更详细和精确的患者生理状态信息。
具体地,所述血压时序特征提取单元122,用于将所述血压局部时序输入向量的序列通过基于一维卷积层的血压时序关联特征提取器以得到所述血压局部时序特征向量的序列。相应地,考虑到一维卷积层在处理时序数据时具有局部感知能力,可以通过滑动窗口的方式对输入序列进行局部特征提取,捕捉到血压数据中的局部模式和短期趋势。其次,在处理时序数据时无论输入序列的具体位置如何,一维卷积层都可以识别相同的模式和特征。具体地,在本申请的技术方案中,对于血压数据而言,这意味着不受血压曲线在时间轴上的平移影响,能够更好地捕捉到血压的重要特征。基于此,在本申请的技术方案中,将所述血压局部时序输入向量的序列通过基于一维卷积层的血压时序关联特征提取器中进行特征挖掘,以分别提取出各个所述血压局部时序输入向量中有关于所述被麻醉患者的血压值在各个时序片段中的局部时序特征信息,从而得到血压局部时序特征向量的序列。
值得一提的是,基于一维卷积层的血压时序关联特征提取器是一种用于处理序列数据的深度神经网络模型。它使用一维卷积操作来提取输入序列中的局部特征,并通过多个卷积核来学习不同的特征表示。具体地,一维卷积层在处理序列数据时,类似于图像处理中的二维卷积层,但在一个维度上进行卷积操作。它通过滑动一个固定大小的窗口(卷积核)在输入序列上进行卷积运算,从而提取局部特征。这个窗口在序列上滑动,并计算窗口内的卷积结果,形成输出特征图。应可以理解,一维卷积层的血压时序关联特征提取器通常由多个并行的卷积核组成,每个卷积核学习一种特定的特征表示。每个卷积核都有自己的权重参数,用于计算窗口内的卷积结果。通过训练过程,这些卷积核可以学习到不同的局部特征,例如边缘、形状或频率等。相应地,在一维卷积层之后,通常会使用池化层来进一步减少特征图的维度,并提取更高级的特征表示。常用的池化操作包括最大池化和平均池化,它们可以分别提取窗口内的最大值或平均值作为池化结果。以此,基于一维卷积层的血压时序关联特征提取器为血压序列数据的特征提取和表示学习提供了一种有效的方法。
在本申请实施例中,所述心电图特征捕捉模块130,用于通过基于深度神经网络模型的心电时序特征提取器对所述心电图进行特征提取以得到心电图语义特征向量。特别地,这里所述的深度神经网络模型为卷积神经网络模型。应可以理解,卷积神经网络在处理图像和时序数据时具有局部感知能力。也就是,通过卷积神经网络卷积层的滤波器对输入数据进行局部特征和隐含特征提取,可以捕捉到输入数据中的局部模式和短期趋势。因此,在本申请技术方案中,使用在图像的隐含特征提取方面具有优异表现性能的基于卷积神经网络模型的心电时序特征提取器对所述心电图进行特征分析,以此来提取出所述心电图中的隐含特征分布信息,以捕捉心电信号中的特定波形、心律变异和其他重要特征,从而得到心电图语义特征向量。
特别地,在本申请另一个可实现的实施例中,通过基于深度神经网络模型的心电时序特征提取器对所述心电图进行特征提取以得到心电图语义特征向量,可通过以下步骤实现。首先,准备包含心电图信号的数据集。这些数据可以来自实际患者的心电图记录,包括心电图的时序数据。然后,对收集到的心电图数据进行预处理,包括去除噪声、滤波和标准化等步骤。接着,将数据集划分为训练集、验证集和测试集。训练集用于模型的训练,验证集用于调整模型的超参数和监控模型的性能,测试集用于评估最终模型的性能。
然后,选择适合心电图特征提取的深度神经网络模型,如循环神经网络(RNN)。
接着,根据所选模型架构,设计心电图特征提取器,包括确定网络的层数、卷积核大小、池化操作和激活函数等。然后,将心电图信号作为输入,通过前向传播计算输出特征向量。使用适当的损失函数(如均方误差或交叉熵)和优化算法(如随机梯度下降或Adam)来训练模型,使得输出的特征向量能够准确地表示心电图的语义信息。再然后,使用验证集对模型的超参数进行调优,使用独立的测试集对训练好的模型进行评估。最后,将训练好的心电图特征提取器应用于实际的心电图数据,生成心电图的语义特征向量。
在本申请实施例中,所述生理数据时序特征跨模态交互模块140,用于使用基于类注意力机制的跨模态交互融合模块来对所述血压局部时序特征向量的序列和所述心电图语义特征向量进行处理以得到血压时序特征引导下心电图强化语义特征向量,作为血压时序特征引导下心电图强化语义特征。应可以理解,所述血压局部时序特征向量的序列和所述心电图语义特征向量是来自患者的不同模态生理数据特征,分别代表了该患者的血压局部时序动态特征和心电图语义特征信息。因此,为了更好地利用这两种有关于患者的生理状态特征信息,以进一步提高对于患者麻醉深度的检测和判断,在本申请的技术方案中,使用基于类注意力机制的跨模态交互融合模块来对所述血压局部时序特征向量的序列和所述心电图语义特征向量进行处理以得到血压时序特征引导下心电图强化语义特征向量。特别地,这里,所述类注意力机制是一种注意力机制的变体,用于学习患者生理参数的不同模态之间的相关性和重要性,并通过加权融合的方式来实现血压时序特征引导下心电图的特征强化和融合,以提高麻醉深度监测系统对患者麻醉状态的理解和判断能力。也就是说,通过所述类注意力机制的处理能够确定血压时序特征对心电图的影响程度,并将这个信息应用于心电图的特征表示中,以使血压时序特征引导下的心电图特征得到强化。这种特征融合的方式可以提供更丰富、更准确的特征表示,同时充分考虑了血压和心电图之间的交互关联性,有助于更好地捕捉患者麻醉状态的细微变化和动态特征。
具体地,在本申请实施例中,所述生理数据时序特征跨模态交互模块,用于:使用基于类注意力机制的跨模态交互融合模块以如下融合公式来对所述血压局部时序特征向量的序列和所述心电图语义特征向量进行处理以得到所述血压时序特征引导下心电图强化语义特征向量;其中,所述融合公式为:
;
;
其中,表示所述心电图语义特征向量,/>表示1×/>的矩阵,/>等于所述心电图语义特征向量的尺度,/>是1×/>的矩阵,/>等于所述血压局部时序特征向量的序列中血压局部时序特征向量的数量,/>是Sigmoid函数,/>为权重系数,/>和表示1×1卷积核的卷积操作,/>表示所述血压局部时序特征向量的序列中的各个血压局部时序特征向量,/>表示所述血压局部时序特征向量的序列中的各个血压局部时序特征向量的尺度,/>表示所述血压时序特征引导下心电图强化语义特征向量。
在本申请实施例中,所述麻醉深度等级检测模块150,用于基于所述血压时序特征引导下心电图强化语义特征,确定麻醉深度等级标签。应可以理解,所述血压时序特征引导下心电图强化语义特征包含了血压和心电图两种生理信号,融合了血压时序特征信息和心脏电活动的详细语义信息。因此,在本申请技术方案中,进一步基于所述血压时序特征引导下心电图强化语义特征,确定麻醉深度等级标签,以此来综合利用两种信号之间的相关性和时序关系,更好地刻画麻醉深度等级的差异,为医生提供更可靠的麻醉监测和患者管理,从而提高麻醉过程的安全性。
图4为根据本申请实施例的基于人工智能的麻醉深度监测系统中麻醉深度等级检测模块的框图。具体地,在本申请实施例中,如图4所示,所述麻醉深度等级检测模块150,包括:特征分布优化单元151,用于对所述血压时序特征引导下心电图强化语义特征向量进行特征校正以得到校正后血压时序特征引导下心电图强化语义特征向量;以及,麻醉深度检测单元152,用于将所述校正后血压时序特征引导下心电图强化语义特征向量通过分类器以得到分类结果,所述分类结果用于表示麻醉深度等级标签。
具体地,所述特征分布优化单元151,用于对所述血压时序特征引导下心电图强化语义特征向量进行特征校正以得到校正后血压时序特征引导下心电图强化语义特征向量。特别地,在上述技术方案中,所述血压局部时序特征向量的序列表达所述血压值在全局时域经由向量切分确定的局部时域下的局部时域内时序关联特征,而所述心电图语义特征向量表达所述心电图的图像语义特征,由此,在使用基于类注意力机制的跨模态交互融合模块来对所述血压局部时序特征向量的序列和所述心电图语义特征向量进行处理时,考虑到所述血压局部时序特征向量的序列和所述心电图语义特征向量之间的跨模态语义特征差异可能导致语义特征的基于类注意力机制的交互稀疏性,从而影响所述血压时序特征引导下心电图强化语义特征向量的表达效果,因此期望基于所述血压局部时序特征向量的序列和所述心电图语义特征向量各自的特征表达显著性和关键性来进行特征对应性优化,从而提升所述血压时序特征引导下心电图强化语义特征向量的表达效果。
更具体地,所述特征分布优化单元,包括:特征校正子单元,用于对所述血压局部时序特征向量的序列和所述心电图语义特征向量进行校正以得到校正特征向量;以及,校正特征融合子单元,用于将所述校正特征向量与所述血压时序特征引导下心电图强化语义特征向量进行融合以得到所述校正后血压时序特征引导下心电图强化语义特征向量。
更具体地,在本申请实施例中,所述特征校正子单元,用于:以如下校正公式对所述血压局部时序特征向量的序列和所述心电图语义特征向量进行校正以得到校正特征向量;其中,所述校正公式为:;
其中,表示所述血压局部时序特征向量的序列级联得到的级联特征向量,表示所述心电图语义特征向量,/>表示特征向量的逐位置开方,/>和分别表示特征向量/>和/>最大特征值的倒数,/>和/>表示权重超参数,/>表示所述校正特征向量,/>表示向量的按位置减法,/>表示向量的按位置点乘。
值得一提的是,这里,通过所述血压局部时序特征向量的序列和所述心电图语义特征向量的各个特征值的开方值来获得特征值集合的预分割的局部组,并从其中回归所述血压局部时序特征向量的序列和所述心电图语义特征向量的关键最大值特征,这样,可以基于最远点采样的思想来提升特征值的按位置显著性分布,从而通过具有显著分布的关键特征来进行特征向量间的稀疏交互控制,以实现校正特征向量对于所述血压局部时序特征向量的序列和所述心电图语义特征向量的原始流形几何的还原。这样,再将所述校正特征向量/>与所述血压时序特征引导下心电图强化语义特征向量融合,就可以提升所述血压时序特征引导下心电图强化语义特征向量的表达效果,从而提升其通过分类器得到的分类结果的准确性。这样,能够实现患者的麻醉深度的自动化检测和评估,从而有利于提供实时、客观和准确的患者麻醉深度检测结果,并且,这还有助于临床医生更好地控制麻醉过程,提高患者的安全性和手术稳定性,从而为医疗机构和患者带来更好的服务和体验。
具体地,所述麻醉深度检测单元152,用于将所述校正后血压时序特征引导下心电图强化语义特征向量通过分类器以得到分类结果,所述分类结果用于表示麻醉深度等级标签。具体地,在本申请的技术方案中,所述分类器的标签为麻醉深度等级标签。因此,在得到所述分类结果后,可以基于所述分类结果来检测该患者的麻醉深度。这样,能够实现患者的麻醉深度的自动化检测和评估,以提供实时、客观和准确的患者麻醉深度检测结果,这有助于临床医生更好地控制麻醉过程。
更具体地,在本实施例中,所述麻醉深度检测单元,用于:使用所述多标签分类器以如下分类公式对所述校正后血压时序特征引导下心电图强化语义特征向量进行处理以生成所述分类结果;其中,所述分类公式为:
;
其中为所述分类结果的输出结果矩阵,/>为所述校正后血压时序特征引导下心电图强化语义特征向量,/>和/>分别为第/>个分类对应的权重和偏置向量,/>表示向量的指数运算,所述向量的指数运算表示以向量中各个位置的特征值为幂的自然指数函数值。
综上,基于本申请实施例的基于人工智能的麻醉深度监测系统100被阐明,其通过实时采集被麻醉患者在麻醉深度监测过程中的生理信号(如心电图和血压等),并在后端引入数据处理和分析算法来进行患者的生理信号的时序协同分析,以此来检测该患者的麻醉深度。这样,能够实现患者的麻醉深度的自动化检测和评估,以提供实时、客观和准确的患者麻醉深度检测结果,这有助于临床医生更好地控制麻醉过程,提高患者的安全性和手术稳定性,从而为医疗机构和患者带来更好的服务和体验。
如上所述,根据本申请实施例的基于人工智能的麻醉深度监测系统100可以实现在各种无线终端中,例如具有基于人工智能的麻醉深度监测算法的服务器等。在一种可能的实现方式中,根据本申请实施例的基于人工智能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无线终端中。例如,该基于人工智能的麻醉深度监测系统100可以是该无线终端的操作系统中的一个软件模块,或者可以是针对于该无线终端所开发的一个应用程序;当然,该基于人工智能的麻醉深度监测系统100同样可以是该无线终端的众多硬件模块之一。
替换地,在另一示例中,该基于人工智能的麻醉深度监测系统100与该无线终端也可以是分立的设备,并且该基于人工智能的麻醉深度监测系统100可以通过有线和/或无线网络连接到该无线终端,并且按照约定的数据格式来传输交互信息。
图5为根据本申请实施例的基于人工智能的麻醉深度监测方法的流程图。如图5所示,根据本申请实施例的基于人工智能的麻醉深度监测方法,包括:S110,获取被麻醉患者在被麻醉后的预定时间段的心电图和所述预定时间段内多个预定时间点的血压值;S120,将所述多个预定时间点的血压值按照时间维度排列为血压时序输入向量后,对所述血压时序输入向量进行局部时序特征分析以得到血压局部时序特征向量的序列;S130,通过基于深度神经网络模型的心电时序特征提取器对所述心电图进行特征提取以得到心电图语义特征向量;S140,使用基于类注意力机制的跨模态交互融合模块来对所述血压局部时序特征向量的序列和所述心电图语义特征向量进行处理以得到血压时序特征引导下心电图强化语义特征向量作为血压时序特征引导下心电图强化语义特征;以及,S150,基于所述血压时序特征引导下心电图强化语义特征,确定麻醉深度等级标签。
这里,本领域技术人员可以理解,上述基于人工智能的麻醉深度监测方法中的各个步骤的具体操作已经在上面参考图1到图4的基于人工智能的麻醉深度监测系统的描述中得到了详细介绍,并因此,将省略其重复描述。
以上已经描述了本公开的各实现,上述说明是示例性的,并非穷尽性的。并且也不限于所公开的各实现,在不偏离所说明的各实现的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实现的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其他普通技术人员能理解本文公开的各个实理方式。
Claims (9)
1.一种基于人工智能的麻醉深度监测系统,其特征在于,包括:
患者生理数据监测采集模块,用于获取被麻醉患者在被麻醉后的预定时间段的心电图和所述预定时间段内多个预定时间点的血压值;
血压局部时序特征分析模块,用于将所述多个预定时间点的血压值按照时间维度排列为血压时序输入向量后,对所述血压时序输入向量进行局部时序特征分析以得到血压局部时序特征向量的序列;
心电图特征捕捉模块,用于通过基于深度神经网络模型的心电时序特征提取器对所述心电图进行特征提取以得到心电图语义特征向量;
生理数据时序特征跨模态交互模块,用于使用基于类注意力机制的跨模态交互融合模块来对所述血压局部时序特征向量的序列和所述心电图语义特征向量进行处理以得到血压时序特征引导下心电图强化语义特征向量,作为血压时序特征引导下心电图强化语义特征;
麻醉深度等级检测模块,用于基于所述血压时序特征引导下心电图强化语义特征,确定麻醉深度等级标签;
其中,所述生理数据时序特征跨模态交互模块,用于:使用基于类注意力机制的跨模态交互融合模块以如下融合公式来对所述血压局部时序特征向量的序列和所述心电图语义特征向量进行处理以得到所述血压时序特征引导下心电图强化语义特征向量;
其中,所述融合公式为:
;
;
其中,表示所述心电图语义特征向量,/>表示1×/>的矩阵,/>等于所述心电图语义特征向量的尺度,/>是1×/>的矩阵,/>等于所述血压局部时序特征向量的序列中血压局部时序特征向量的数量,/>是Sigmoid函数,/>为权重系数,/>和/>表示1×1卷积核的卷积操作,/>表示所述血压局部时序特征向量的序列中的各个血压局部时序特征向量,/>表示所述血压局部时序特征向量的序列中的各个血压局部时序特征向量的尺度,/>表示所述血压时序特征引导下心电图强化语义特征向量。
2.根据权利要求1所述的基于人工智能的麻醉深度监测系统,其特征在于,所述血压局部时序特征分析模块,包括:
血压时序排列单元,用于将所述多个预定时间点的血压值按照时间维度排列为血压时序输入向量后,对所述血压时序输入向量进行向量切分以得到血压局部时序输入向量的序列;
血压时序特征提取单元,用于将所述血压局部时序输入向量的序列通过基于一维卷积层的血压时序关联特征提取器以得到所述血压局部时序特征向量的序列。
3.根据权利要求2所述的基于人工智能的麻醉深度监测系统,其特征在于,所述深度神经网络模型为卷积神经网络模型。
4.根据权利要求3所述的基于人工智能的麻醉深度监测系统,其特征在于,所述麻醉深度等级检测模块,包括:
特征分布优化单元,用于对所述血压时序特征引导下心电图强化语义特征向量进行特征校正以得到校正后血压时序特征引导下心电图强化语义特征向量;
麻醉深度检测单元,用于将所述校正后血压时序特征引导下心电图强化语义特征向量通过分类器以得到分类结果,所述分类结果用于表示麻醉深度等级标签。
5.根据权利要求4所述的基于人工智能的麻醉深度监测系统,其特征在于,所述特征分布优化单元,包括:
特征校正子单元,用于对所述血压局部时序特征向量的序列和所述心电图语义特征向量进行校正以得到校正特征向量;
校正特征融合子单元,用于将所述校正特征向量与所述血压时序特征引导下心电图强化语义特征向量进行融合以得到所述校正后血压时序特征引导下心电图强化语义特征向量。
6.根据权利要求5所述的基于人工智能的麻醉深度监测系统,其特征在于,所述麻醉深度检测单元,用于:使用多标签分类器以如下分类公式对所述校正后血压时序特征引导下心电图强化语义特征向量进行处理以生成所述分类结果;
其中,所述分类公式为:
;
其中为所述分类结果的输出结果矩阵,/>为所述校正后血压时序特征引导下心电图强化语义特征向量,/>和/>分别为第/>个分类对应的权重和偏置向量,表示向量的指数运算,所述向量的指数运算表示以向量中各个位置的特征值为幂的自然指数函数值。
7.一种基于人工智能的麻醉深度监测方法,其特征在于,包括:
获取被麻醉患者在被麻醉后的预定时间段的心电图和所述预定时间段内多个预定时间点的血压值;
将所述多个预定时间点的血压值按照时间维度排列为血压时序输入向量后,对所述血压时序输入向量进行局部时序特征分析以得到血压局部时序特征向量的序列;
通过基于深度神经网络模型的心电时序特征提取器对所述心电图进行特征提取以得到心电图语义特征向量;
使用基于类注意力机制的跨模态交互融合模块来对所述血压局部时序特征向量的序列和所述心电图语义特征向量进行处理以得到血压时序特征引导下心电图强化语义特征向量作为血压时序特征引导下心电图强化语义特征;
基于所述血压时序特征引导下心电图强化语义特征,确定麻醉深度等级标签;
其中,使用基于类注意力机制的跨模态交互融合模块以如下融合公式来对所述血压局部时序特征向量的序列和所述心电图语义特征向量进行处理以得到所述血压时序特征引导下心电图强化语义特征向量;
其中,所述融合公式为:
;
;
其中,表示所述心电图语义特征向量,/>表示1×/>的矩阵,/>等于所述心电图语义特征向量的尺度,/>是1×/>的矩阵,/>等于所述血压局部时序特征向量的序列中血压局部时序特征向量的数量,/>是Sigmoid函数,/>为权重系数,/>和/>表示1×1卷积核的卷积操作,/>表示所述血压局部时序特征向量的序列中的各个血压局部时序特征向量,/>表示所述血压局部时序特征向量的序列中的各个血压局部时序特征向量的尺度,/>表示所述血压时序特征引导下心电图强化语义特征向量。
8.根据权利要求7所述的基于人工智能的麻醉深度监测方法,其特征在于,将所述多个预定时间点的血压值按照时间维度排列为血压时序输入向量后,对所述血压时序输入向量进行局部时序特征分析以得到血压局部时序特征向量的序列,包括:
将所述多个预定时间点的血压值按照时间维度排列为血压时序输入向量后,对所述血压时序输入向量进行向量切分以得到血压局部时序输入向量的序列;
将所述血压局部时序输入向量的序列通过基于一维卷积层的血压时序关联特征提取器以得到所述血压局部时序特征向量的序列。
9.根据权利要求8所述的基于人工智能的麻醉深度监测方法,其特征在于,所述深度神经网络模型为卷积神经网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311797030.5A CN117457229B (zh) | 2023-12-26 | 2023-12-26 | 基于人工智能的麻醉深度监测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311797030.5A CN117457229B (zh) | 2023-12-26 | 2023-12-26 | 基于人工智能的麻醉深度监测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117457229A true CN117457229A (zh) | 2024-01-26 |
CN117457229B CN117457229B (zh) | 2024-03-08 |
Family
ID=89593323
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311797030.5A Active CN117457229B (zh) | 2023-12-26 | 2023-12-26 | 基于人工智能的麻醉深度监测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117457229B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117649943A (zh) * | 2024-01-30 | 2024-03-05 | 吉林大学 | 基于机器学习的整形数据智能分析系统及方法 |
CN117838063A (zh) * | 2024-03-04 | 2024-04-09 | 江西杰联医疗设备有限公司 | 麻醉场景下的生理信息预警处理系统及电子设备 |
CN117912711A (zh) * | 2024-03-19 | 2024-04-19 | 吉林大学 | 血液透析数据采集分析系统及方法 |
CN117942045A (zh) * | 2024-03-27 | 2024-04-30 | 吉林大学 | 基于人工智能的智能麻醉给药控制系统及方法 |
CN118032062A (zh) * | 2024-04-11 | 2024-05-14 | 克拉玛依市城投油砂矿勘探有限责任公司 | 基于人工智能的sagd井下温压监测系统及方法 |
CN118155791A (zh) * | 2024-05-10 | 2024-06-07 | 吉林大学第一医院 | 一种基于数据监测的神经外科数据记录管理系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1495715A1 (en) * | 2003-07-07 | 2005-01-12 | Instrumentarium Corporation | A method and apparatus based on combination of three phsysiological parameters for assessment of analgesia during anesthesia or sedation |
US11194972B1 (en) * | 2021-02-19 | 2021-12-07 | Institute Of Automation, Chinese Academy Of Sciences | Semantic sentiment analysis method fusing in-depth features and time sequence models |
KR20220038968A (ko) * | 2020-09-21 | 2022-03-29 | 주식회사 삼육오엠씨네트웍스 | 인공지능 기반의 수면마취 안전도 예측 장치 및 방법 |
CN115064246A (zh) * | 2022-08-18 | 2022-09-16 | 山东第一医科大学附属省立医院(山东省立医院) | 一种基于多模态信息融合的抑郁症评估系统及设备 |
US20220392637A1 (en) * | 2021-06-02 | 2022-12-08 | Neumora Therapeutics, Inc. | Multimodal dynamic attention fusion |
CN116386860A (zh) * | 2022-12-22 | 2023-07-04 | 东北林业大学 | 基于多模态的糖尿病及其并发症智能辅助预测与诊断平台 |
CN116580849A (zh) * | 2023-05-30 | 2023-08-11 | 杭州医初科技有限公司 | 医疗数据的采集分析系统及其方法 |
WO2023165005A1 (zh) * | 2022-03-04 | 2023-09-07 | 平安科技(深圳)有限公司 | 多导联心电图信号处理方法、装置、设备及存储介质 |
CN116807392A (zh) * | 2022-09-05 | 2023-09-29 | 上海市同济医院 | 一种多模态麻醉监测系统 |
CN117137500A (zh) * | 2023-10-27 | 2023-12-01 | 深圳市格阳医疗科技有限公司 | 智能麻醉深度监测仪器与反馈控制系统 |
CN117153393A (zh) * | 2023-08-30 | 2023-12-01 | 哈尔滨工业大学 | 一种基于多模态融合的心血管疾病风险预测方法 |
CN117251699A (zh) * | 2023-11-17 | 2023-12-19 | 北京无极慧通科技有限公司 | 基于人工智能的医疗大数据分析方法及系统 |
-
2023
- 2023-12-26 CN CN202311797030.5A patent/CN117457229B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1495715A1 (en) * | 2003-07-07 | 2005-01-12 | Instrumentarium Corporation | A method and apparatus based on combination of three phsysiological parameters for assessment of analgesia during anesthesia or sedation |
KR20220038968A (ko) * | 2020-09-21 | 2022-03-29 | 주식회사 삼육오엠씨네트웍스 | 인공지능 기반의 수면마취 안전도 예측 장치 및 방법 |
US11194972B1 (en) * | 2021-02-19 | 2021-12-07 | Institute Of Automation, Chinese Academy Of Sciences | Semantic sentiment analysis method fusing in-depth features and time sequence models |
US20220392637A1 (en) * | 2021-06-02 | 2022-12-08 | Neumora Therapeutics, Inc. | Multimodal dynamic attention fusion |
WO2023165005A1 (zh) * | 2022-03-04 | 2023-09-07 | 平安科技(深圳)有限公司 | 多导联心电图信号处理方法、装置、设备及存储介质 |
CN115064246A (zh) * | 2022-08-18 | 2022-09-16 | 山东第一医科大学附属省立医院(山东省立医院) | 一种基于多模态信息融合的抑郁症评估系统及设备 |
CN116807392A (zh) * | 2022-09-05 | 2023-09-29 | 上海市同济医院 | 一种多模态麻醉监测系统 |
CN116386860A (zh) * | 2022-12-22 | 2023-07-04 | 东北林业大学 | 基于多模态的糖尿病及其并发症智能辅助预测与诊断平台 |
CN116580849A (zh) * | 2023-05-30 | 2023-08-11 | 杭州医初科技有限公司 | 医疗数据的采集分析系统及其方法 |
CN117153393A (zh) * | 2023-08-30 | 2023-12-01 | 哈尔滨工业大学 | 一种基于多模态融合的心血管疾病风险预测方法 |
CN117137500A (zh) * | 2023-10-27 | 2023-12-01 | 深圳市格阳医疗科技有限公司 | 智能麻醉深度监测仪器与反馈控制系统 |
CN117251699A (zh) * | 2023-11-17 | 2023-12-19 | 北京无极慧通科技有限公司 | 基于人工智能的医疗大数据分析方法及系统 |
Non-Patent Citations (3)
Title |
---|
JIEHUI YUAN: "Modelling of environmental benefit evaluation of energy transition to multi-energy complementary system", ENERGY PROCEDIA, 15 March 2019 (2019-03-15), pages 4882 - 4888 * |
陆利君;: "妇科腹腔镜手术485例麻醉分析", 微创医学, no. 04, 25 August 2008 (2008-08-25), pages 381 - 383 * |
齐彦: "人性化服务在麻醉恢复室护理工作中的应用效果观察", 安徽卫生职业技术学院学报, 26 October 2017 (2017-10-26), pages 111 - 112 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117649943A (zh) * | 2024-01-30 | 2024-03-05 | 吉林大学 | 基于机器学习的整形数据智能分析系统及方法 |
CN117649943B (zh) * | 2024-01-30 | 2024-04-30 | 吉林大学 | 基于机器学习的整形数据智能分析系统及方法 |
CN117838063A (zh) * | 2024-03-04 | 2024-04-09 | 江西杰联医疗设备有限公司 | 麻醉场景下的生理信息预警处理系统及电子设备 |
CN117838063B (zh) * | 2024-03-04 | 2024-05-24 | 江西杰联医疗设备有限公司 | 麻醉场景下的生理信息预警处理系统及电子设备 |
CN117912711A (zh) * | 2024-03-19 | 2024-04-19 | 吉林大学 | 血液透析数据采集分析系统及方法 |
CN117912711B (zh) * | 2024-03-19 | 2024-05-24 | 吉林大学 | 血液透析数据采集分析系统及方法 |
CN117942045A (zh) * | 2024-03-27 | 2024-04-30 | 吉林大学 | 基于人工智能的智能麻醉给药控制系统及方法 |
CN117942045B (zh) * | 2024-03-27 | 2024-07-09 | 吉林大学 | 基于人工智能的智能麻醉给药控制系统及方法 |
CN118032062A (zh) * | 2024-04-11 | 2024-05-14 | 克拉玛依市城投油砂矿勘探有限责任公司 | 基于人工智能的sagd井下温压监测系统及方法 |
CN118032062B (zh) * | 2024-04-11 | 2024-08-02 | 克拉玛依市城投油砂矿勘探有限责任公司 | 基于人工智能的sagd井下温压监测系统及方法 |
CN118155791A (zh) * | 2024-05-10 | 2024-06-07 | 吉林大学第一医院 | 一种基于数据监测的神经外科数据记录管理系统 |
CN118155791B (zh) * | 2024-05-10 | 2024-07-19 | 吉林大学第一医院 | 一种基于数据监测的神经外科数据记录管理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117457229B (zh) | 2024-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117457229B (zh) | 基于人工智能的麻醉深度监测系统及方法 | |
US20200337580A1 (en) | Time series data learning and analysis method using artificial intelligence | |
WO2019100562A1 (zh) | 基于人工智能的心电图心搏自动识别分类方法 | |
CN109009102B (zh) | 一种基于脑电图深度学习的辅助诊断方法及系统 | |
CN111209885A (zh) | 一种手势信息处理方法、装置、电子设备及存储介质 | |
CN113057648A (zh) | 一种基于复合lstm结构的ecg信号分类方法 | |
CN108836314A (zh) | 一种基于网络和人工智能的动态心电图分析方法及系统 | |
Klug et al. | The BeMoBIL Pipeline for automated analyses of multimodal mobile brain and body imaging data | |
CN113128585B (zh) | 一种基于多尺寸卷积核的深度神经网络实现心电异常检测分类方法 | |
CN111080643A (zh) | 基于眼底图像的糖尿病及相关疾病的分类方法及设备 | |
CN113080996B (zh) | 一种基于目标检测的心电图分析方法及装置 | |
CN111028232A (zh) | 基于眼底图像的糖尿病分类方法及设备 | |
CN113995419A (zh) | 一种基于心跳节律信号的房颤发生风险预测系统及其应用 | |
CN115969369A (zh) | 一种大脑任务负荷识别方法、应用及设备 | |
CN116012568A (zh) | 一种通过拍照心电图获取心电节律信息的系统 | |
CN117942045B (zh) | 基于人工智能的智能麻醉给药控制系统及方法 | |
CN111047590A (zh) | 基于眼底图像的高血压分类方法及设备 | |
CN117224080B (zh) | 大数据的人体数据监测方法装置 | |
CN116188466B (zh) | 医疗器械体内停留时长确定方法和装置 | |
CN110680285A (zh) | 一种基于神经网络的麻醉程度监测装置 | |
CN115661101A (zh) | 基于随机采样和深度学习的早产儿视网膜病变检测系统 | |
Vasu et al. | A survey on bipolar disorder classification methodologies using machine learning | |
Saadi et al. | Low-cost ecg monitoring system with classification using deep learning | |
CN113425298A (zh) | 一种通过穿戴设备采集数据分析抑郁程度的方法 | |
CN116135146A (zh) | 动态心电的分析方法、装置及医疗设备 |
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 |