CN117814760A - 基于多指标的麻醉深度检测装置及电子设备 - Google Patents
基于多指标的麻醉深度检测装置及电子设备 Download PDFInfo
- Publication number
- CN117814760A CN117814760A CN202410240637.1A CN202410240637A CN117814760A CN 117814760 A CN117814760 A CN 117814760A CN 202410240637 A CN202410240637 A CN 202410240637A CN 117814760 A CN117814760 A CN 117814760A
- Authority
- CN
- China
- Prior art keywords
- target
- anesthesia
- anesthesia depth
- determining
- depth value
- 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 388
- 230000037005 anaesthesia Effects 0.000 title claims abstract description 388
- 238000001514 detection method Methods 0.000 title claims abstract description 37
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 193
- 238000007781 pre-processing Methods 0.000 claims abstract description 45
- 238000012545 processing Methods 0.000 claims abstract description 30
- 230000035790 physiological processes and functions Effects 0.000 claims abstract description 21
- 230000008030 elimination Effects 0.000 claims abstract description 9
- 238000003379 elimination reaction Methods 0.000 claims abstract description 9
- 230000003444 anaesthetic effect Effects 0.000 claims description 92
- 238000005457 optimization Methods 0.000 claims description 41
- 238000000034 method Methods 0.000 claims description 38
- 230000005672 electromagnetic field Effects 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 15
- 239000003814 drug Substances 0.000 claims description 7
- 229940079593 drug Drugs 0.000 claims description 3
- 230000000153 supplemental effect Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 description 13
- 238000006243 chemical reaction Methods 0.000 description 12
- 210000004556 brain Anatomy 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000001228 spectrum Methods 0.000 description 5
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 210000003128 head Anatomy 0.000 description 4
- 230000003183 myoelectrical effect Effects 0.000 description 4
- 230000001629 suppression Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000001364 causal effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 239000003193 general anesthetic agent Substances 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 210000003205 muscle Anatomy 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 230000036772 blood pressure Effects 0.000 description 2
- 238000002567 electromyography Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000002695 general anesthesia Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000035807 sensation Effects 0.000 description 2
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 206010062519 Poor quality sleep Diseases 0.000 description 1
- 206010040030 Sensory loss Diseases 0.000 description 1
- 208000003443 Unconsciousness Diseases 0.000 description 1
- 210000000577 adipose tissue Anatomy 0.000 description 1
- 229940035674 anesthetics Drugs 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000002570 electrooculography Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 239000004519 grease Substances 0.000 description 1
- 238000000691 measurement method Methods 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
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 230000006461 physiological response Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000036387 respiratory rate Effects 0.000 description 1
- 210000004761 scalp Anatomy 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- JLYXXMFPNIAWKQ-UHFFFAOYSA-N γ Benzene hexachloride Chemical compound ClC1C(Cl)C(Cl)C(Cl)C(Cl)C1Cl JLYXXMFPNIAWKQ-UHFFFAOYSA-N 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- 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多指标的麻醉深度检测装置及电子设备,包括:获取单元、处理单元、确定单元,获取单元用于获取目标对象的第一脑电信号;处理单元用于对第一脑电信号进行放大得到第二脑电信号;根据目标预处理算法对第二脑电信号进行去干扰得到第三脑电信号;确定单元用于根据第三脑电信号确定P个麻醉深度指标数据;获取单元还用于获取目标对象的目标生理状态参数;确定单元还用于确定与目标生理状态参数对应的Q个麻醉深度指标标识;获取与Q个麻醉深度指标标识对应的Q个麻醉深度指标数据;根据目标麻醉深度算法和Q个麻醉深度指标数据确定目标麻醉深度值。采用本发明实施例,提高了麻醉深度的检测准确性。
Description
技术领域
本发明涉及医用监护技术领域,尤其涉及一种基于多指标的麻醉深度检测装置及电子设备。
背景技术
目前,在医院进行手术时,一般是通过脑电双频指数(Bispectra lindex,BIS)方法来确定手术对象的麻醉程度,BIS方法先采集并记录下手术对象脑电图,接着,通过BIS设备分析记录的脑电图,并将其转换为数字指数,也被称为BIS指数,BIS指数范围通常从0到100,数值越高表示对象越清醒,数值越低表示对象越接近麻醉状态,医生可以根据BIS指数调整麻醉药物的剂量,以维持适当的麻醉深度。
BIS方法简单快捷,便于使用,但是,BIS方法受干扰信号的影响较大,如噪声、脑电图伪迹等,从而,导致最终得到的BIS指数不准确,为此,如何提高麻醉深度的检测准确性成为一个亟待解决的问题。
发明内容
本发明实施例提供一种基于多指标的麻醉深度检测装置及电子设备,通过获取人的脑电信号,再对脑电信号进行放大和去干扰处理,得到一个精准的脑电信号,接着,根据人的生理状态和精准的脑电信号得到多个麻醉深度指标数据,最后,根据目标麻醉深度算法确定目标麻醉深度值,如此,综合考虑了多个指标和影响因素,可以确定一个精准的麻醉深度,从而,提高了麻醉深度的检测准确性。
第一方面,本发明实施例提供了一种基于多指标的麻醉深度检测装置,所述装置包括:获取单元、处理单元、确定单元,其中,
所述获取单元,用于获取目标对象的第一脑电信号;
所述处理单元,用于对所述第一脑电信号进行放大处理,得到第二脑电信号;根据目标预处理算法对所述第二脑电信号进行去干扰处理,得到第三脑电信号;
所述确定单元,用于根据所述第三脑电信号确定P个麻醉深度指标数据,每一麻醉深度指标数据对应一个麻醉深度指标标识,P为正整数;
所述获取单元,还用于获取所述目标对象的目标生理状态参数;
所述确定单元,还用于确定与所述目标生理状态参数对应的麻醉深度指标标识,得到Q个麻醉深度指标标识,Q为小于或等于P的正整数;从所述P个麻醉深度指标数据中选取与所述Q个麻醉深度指标标识对应的麻醉深度指标数据,得到Q个麻醉深度指标数据;根据目标麻醉深度算法和所述Q个麻醉深度指标数据确定所述目标对象的目标麻醉深度值;
其中,所述Q个麻醉深度指标数据中每一麻醉深度指标数据均包括预设时间段内的多个麻醉指标数据,每一麻醉指标数据对应一个采集时刻;在所述根据目标麻醉深度算法和所述Q个麻醉深度指标数据确定所述目标对象的目标麻醉深度值方面,所述确定单元具体用于:
对所述Q个麻醉深度指标数据中每一麻醉深度指标数据进行拟合,得到Q条拟合曲线,每一拟合曲线对应一个麻醉深度指标标识;
获取所述Q个麻醉深度指标标识中的每一麻醉深度指标标识对应的权重值,得到Q个权重值;
根据所述Q个权重值将所述Q条拟合曲线进行融合,得到目标拟合曲线;
通过所述目标拟合曲线获取所述目标对象在指定时刻的麻醉深度值,得到所述目标麻醉深度值;
其中,在所述通过所述目标拟合曲线获取所述目标对象在指定时刻的麻醉深度值,得到所述目标麻醉深度值方面,所述确定单元具体用于:
通过所述目标拟合曲线获取所述目标对象在所述指定时刻的麻醉深度值,得到第一麻醉深度值;
获取所述目标对象的历史身体状况数据和所述指定时刻的目标身体状况数据;
确定所述历史身体状况数据和所述目标身体状况数据之间的差异程度,得到目标差异程度;
确定所述目标差异程度对应的目标优化因子;
根据所述目标优化因子对所述第一麻醉深度值进行优化,得到所述目标麻醉深度值。
第二方面,本申请提供了一种电子设备,所述电子设备包括如第一方面所述的基于多指标的麻醉深度检测装置。
实施本申请,具备如下有益效果:
可以看出,本申请中所描述的基于多指标的麻醉深度检测装置包括:获取单元、处理单元、确定单元,一方面,通过处理单元对第一脑电信号进行放大和去干扰处理,不仅可以提高信号的幅度,还可以去除信号中的噪声和干扰成分,提高信号的质量和可靠性,使得信号更加清晰和易于分析,另一方面,通过确定单元根据目标麻醉深度算法和Q个麻醉深度指标数据确定目标麻醉深度值,综合考虑多个指标和影响因素,可以确定一个精准的麻醉深度值,从而,提高了麻醉深度的检测准确性。
附图说明
为了更清楚地说明本发明实施例或背景技术中的技术方案,下面将对本发明实施例或背景技术中所需要使用的附图进行说明。
图1是本申请实施例提供的一种基于多指标的麻醉深度检测装置的工作流程图;
图2是本申请实施例提供的另一种基于多指标的麻醉深度检测装置的工作流程图;
图3是本申请实施例提供的一种基于多指标的麻醉深度检测装置的功能单元组成框图;
图4是本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本申请实施例所描述的电子设备可以包括智能手机(如Android手机、iOS手机、Windows Phone手机等)、平板电脑、掌上电脑、笔记本电脑、视频矩阵、监控平台、移动互联网设备(mobile internet devices,MID)或穿戴式设备等,上述仅是举例,而非穷举,包含但不限于上述装置,当然,上述电子设备还可以为服务器,例如,云服务器。
首先,对本申请中涉及的一些名词进行解释,解释如下:
脑电信号:又称脑电图(Electroencephalogram,EEG)信号,它是通过放置在头皮上的电极记录下来的脑电活动的电信号。EEG信号反映了大脑神经元的电活动,包括神经元之间的通讯和同步性。EEG信号通常以波形的形式表示,其频率范围在0.5-100Hz之间,包括不同的频率波段,这些波段反映了不同的大脑状态和功能,例如睡眠、注意力、认知加工等。
麻醉深度:指在全身麻醉过程中,患者意识、感觉和生理反应受抑制的程度。全身麻醉是通过使用麻醉药物使患者失去意识和感觉,以进行手术或其他医疗操作。麻醉深度的评估对于确保患者的安全和舒适非常重要。
爆发抑制率(Burst Suppression Ratio,BSR):是通过限定EEG电压及时间的阈值,将脑电划分为爆发期和抑制期两个时相后,计算抑制期时长与总时长的比值。BSR可作为临床麻醉的常规监测指标,使麻醉医师更易于调节麻醉深度。
频谱共振性(Spectral Coherence,COH),通常用于描述两个信号在频域上的相关性。它是一种衡量两个信号在特定频率上的一致性或相似性的指标。在EEG信号处理中,“频谱共振性”常用于分析不同通道之间的脑电信号在不同频段上的相关性。
加权排列熵(Weighted Permutation Entropy,WPE):是排列熵(PermutationEntropy,PE)的一种变体,其相比于PE保存了原始信号所携带的有用幅度信息。
β率(Beta Ratio):在脑电信号分析中,β率通常指的是β波的出现频率或占总脑电信号的比例。β波是脑电信号中的一种频率较高的电波,其频率范围通常在13-30Hz之间。β波的出现与人的觉醒状态、注意力、思维活动等密切相关,通常在人处于清醒、警觉或集中注意力的状态下出现。
肌电图(Electromyogram,EMG):是指肌肉电活动的记录。它通过记录肌肉收缩时产生的电信号来监测肌肉活动。
SEM(Secondary Expectation-Maximization Algorithm)评价算法:是一种用于评估观察性研究中因果关系的统计方法。它是在期望最大化算法的基础上发展而来的。SEM算法主要用于在观察性研究中,当存在潜在变量(也称为未观测变量或隐变量)时,估计因果关系。该算法通过迭代地估计潜在变量的分布和参数,以及观察变量与潜在变量之间的关系,来推断因果关系。
请参阅图1,图1是本申请实施例提供的一种基于多指标的麻醉深度检测装置的工作流程图,该基于多指标的麻醉深度检测装置可以执行包括但不限于以下步骤:
S101、获取目标对象的第一脑电信号。
本申请实施例中,获取脑电信号的方法可以包括以下至少一种:脑电图、脑磁图、植入式脑电图等等,在此不做限定。
具体实施例中,可以采用脑电图来对目标对象进行检测,得到第一脑电信号,具体的,在进行脑电图之前,可以对目标对象进行一些准备工作,可以向目标对象解释脑电图的检测过程,确保目标对象的理解并同意参与,防止其在检测过程中做出危险动作,造成伤害,此外,还需要对目标对象的头部进行清理,保持头部整洁,确保没有油脂或发胶等可能影响脑电图采集的异物,接着,采集脑电图可以通过脑电图设备来进行,将脑电图设备的采集电极放置在目标对象的头部,一般可以放置在目标对象的额头上,确保采集电极与头部接触良好,进一步的,可以启动脑电图设备开始记录脑电信号,得到第一脑电信号;记录时间可以根据医生或目标对象的实际需要来进行设置,通常持续几分钟到数小时不等。
其中,目标对象可以包括任意人,例如,老人,小孩,妇女,年轻人等等,在此不做限定。
具体实现中,可以在目标对象未注射麻醉药物的情况下,获取目标对象的第一脑电信号,也可以在目标对象已经注射麻醉药物的情况下,获取目标对象的第一脑电信号。
S102、对所述第一脑电信号进行放大处理,得到第二脑电信号。
本申请实施例中,上述脑电图设备可以包括对脑电信号进行放大处理的放大设备,放大设备可以包括以下至少一种:差动放大器、带通滤波器、运算放大器等等,在此不做限定。
具体实施例中,可以通过带通滤波器对第一脑电信号进行放大处理,得到第二脑电信号,具体的,可以先根据实际应用场景确定需要进行放大处理的脑电信号的频率范围,例如,在麻醉深度检测中,可以将上述频率范围设置为德尔塔波(Delta Wave,Delta)的频率范围0.5-4Hz,Delta波通常与深度睡眠和麻醉状态相关,在麻醉深度增加时,Delta波的功率会增加,可以作为一个麻醉指标数据,接着,可以根据上述频率范围选择一个合适的带通滤波器对第一脑电信号进行放大处理,从而,得到第二脑电信号。
需要解释的是,上述频率范围除了可以设置为Delta的频率范围,还可以设置为其他的频率范围,在此不做限定。
S103、根据目标预处理算法对所述第二脑电信号进行去干扰处理,得到第三脑电信号。
本申请实施例中,目标预处理算法可以包括以下至少一种算法:滤波、降噪、归一化等等,在此不做限定。
具体实施例中,可以先获取目标预处理算法,再根据该目标预处理算法对第二脑电信号进行去干扰处理,得到第三脑电信号。
可选的,步骤S103,所述根据目标预处理算法对所述第二脑电信号进行去干扰处理,得到第三脑电信号,可以包括如下步骤:
A1、对所述第二脑电信号进行特征提取,得到目标信号特征;
A2、根据所述目标信号特征确定所述第二脑电信号对应的干扰种类参数;所述干扰种类参数包括以下至少一种:伪迹干扰、噪声干扰、电磁干扰、机械干扰、电生理干扰;
A3、获取所述目标预处理算法中的初始算法控制参数集,所述初始算法控制参数集包括m个初始算法控制参数;m为正整数;
A4、根据所述干扰种类参数确定所述m个初始算法控制参数中需要调节的初始算法控制参数,得到n个初始算法控制参数,n为小于或等于m的正整数;
A5、确定所述第二脑电信号的信噪比;
A6、根据所述信噪比确定所述n个初始算法控制参数中每一初始算法控制参数的调节系数,得到n个调节系数;
A7、根据所述n个调节系数对所述n个初始算法控制参数中相应的初始算法控制参数进行调节,得到n个第一初始算法控制参数;
A8、根据所述n个第一初始算法控制参数更新所述初始算法控制参数集,得到目标算法控制参数集;
A9、根据所述目标算法控制参数集控制所述目标预处理算法对所述第二脑电信号进行处理,得到所述第三脑电信号。
本申请实施例中,算法控制参数可以包括以下至少一种:滤波参数、降噪参数、归一化参数、阈值参数等等,在此不做限定,算法控制参数集是多个算法控制参数的集合。
具体实施例中,可以先对第二脑电信号进行特征提取,得到目标信号特征,具体的,可以是使用频域分析法对第二脑电信号分析,可以是通过快速傅里叶变换将脑电信号从时域转换到频域,得到脑电信号的频谱,接着,可以从频谱中提取与干扰种类相关的特征,得到目标信号特征,例如:峰值、频率、带宽、能量分布、频率对称性、杂散频率等等,在此不做限定,接着,可以根据目标信号特征确定第二脑电信号对应的干扰种类参数,具体的,可以通过确定特定频率范围内的峰值和能量分布,推断出某种干扰的存在,可以预先存储预设的信号特征与干扰种类之间的映射关系,基于该映射关系确定目标信号特征对应的干扰种类参数,例如,目标信号特征中存在一个明显的峰值10Hz,能量分布集中在8Hz到12Hz的范围内,接着,通过文献或经验数据对比分析,发现这个特征与肌肉电信号的干扰特征相符,那么就可以确定干扰种类参数中包括肌电干扰,也即电生理干扰,以此类推。
需要解释的是,峰值频率是频谱中能量最大的频率成分。带宽是频谱中能量集中的频率范围。能量分布是频谱中不同频率成分的能量分布情况。
接着,可以获取目标预处理算法中的初始算法控制参数集,初始算法控制参数集包括m个初始算法控制参数;根据干扰种类参数确定m个初始算法控制参数中需要调节的初始算法控制参数,得到n个初始算法控制参数,具体的,可以是针对上述干扰种类参数中每一种干扰种类参数,分析其与算法控制参数之间的关联关系,比如,对于电源线频率干扰,可能需要调节滤波器的截止频率,也即调节初始算法控制参数集中的滤波参数,再比如,对于肌电干扰,可能需要调节阈值以区分肌肉电信号和脑电信号,即调节初始算法控制参数集中的阈值参数,如此,可以得到n个初始算法控制参数。
进一步的,可以确定第二脑电信号的信噪比,具体的,可以通过信号处理技术将上述第二脑电信号中的信号和噪声进行分离,分别计算信号和噪声的功率,然后用信号的功率除以噪声的功率来计算信噪比,如果信号和噪声是随时间变化的,可以使用时间平均功率来计算;接着,可以根据信噪比确定n个初始算法控制参数中每一初始算法控制参数的调节系数,得到n个调节系数,具体的,可以先确定上述n个初始算法控制参数中每一初始算法控制参数对信噪比的影响大小,得到n个影响值,再根据这n个影响值确定n个调节系数,可以是预先存储预设的影响值与调节系数之间的映射关系,基于该映射关系确定上述n个影响值对应的n个调节系数;进一步的,可以根据上述n个调节系数对n个初始算法控制参数中相应的初始算法控制参数进行调节,得到n个第一初始算法控制参数,具体调整方式,可以是:
第一初始算法控制参数a=(1+调节系数a)×初始算法控制参数a;
初始算法控制参数a为上述n个初始算法控制参数中任一参数。
接着,可以根据n个第一初始算法控制参数更新初始算法控制参数集,具体的,可以是用n个第一初始算法控制参数中每一第一初始算法控制参数替换其对应的初始算法控制参数,得到目标算法控制参数集;最后,可以根据目标算法控制参数集控制目标预处理算法对第二脑电信号进行处理,得到第三脑电信号。
如此,通过对第二脑电信号进行特征提取,得到目标信号特征;根据目标信号特征确定第二脑电信号对应的干扰种类参数;获取目标预处理算法中的初始算法控制参数集,初始算法控制参数集包括m个初始算法控制参数;根据干扰种类参数确定m个初始算法控制参数中需要调节的n个初始算法控制参数;确定第二脑电信号的信噪比;根据信噪比确定n个初始算法控制参数对应的n个调节系数;根据n个调节系数对n个初始算法控制参数中相应的初始算法控制参数进行调节,得到n个第一初始算法控制参数;根据n个第一初始算法控制参数更新初始算法控制参数集,得到目标算法控制参数集;根据目标算法控制参数集控制目标预处理算法对第二脑电信号进行处理,得到第三脑电信号,一方面,根据目标信号特征确定干扰种类参数,并根据干扰种类参数选择需要调节的初始算法控制参数,可以有针对性地去除第二脑电信号中的干扰成分,提高信号的纯度和准确性,另一方面,根据信噪比确定调节系数,并根据调节系数对初始算法控制参数进行调节,可以使预处理算法根据信号的实际情况进行自适应调整,提高算法的灵活性和适应性。
可选的,所述基于多指标的麻醉深度检测装置还可以执行如下步骤:
B1、获取所述目标对象的初始麻醉深度值;
B2、确定所述初始麻醉深度值对应的参考预处理算法;
B3、获取所述目标对象的历史麻醉数据;
B4、根据所述历史麻醉数据和目标麻醉药物确定所述目标对象的麻醉耐受参数;所述目标麻醉药物为当前时刻对所述目标对象进行麻醉的药物;
B5、确定所述麻醉耐受参数对应的目标优化参数;
B6、根据所述目标优化参数对所述参考预处理算法进行优化,得到所述目标预处理算法。
本申请实施例中,历史麻醉数据可以包括以下至少一种:麻醉药物种类、剂量、麻醉深度、麻醉期间的生理参数等等,在此不做限定,优化参数可以包括以下至少一种:滤波优化参数、降噪优化参数、归一化优化参数、阈值优化参数等等,在此不做限定。
具体实施例中,可以先获取目标对象的初始麻醉深度值;确定初始麻醉深度值对应的参考预处理算法,具体的,可以是通过临床测量仪器(如BIS监测仪)对上述目标对象进行检测,得到初始麻醉深度值,当然,也可以通过现场的麻醉医生的评估来获取该初始麻醉深度值;接着,可以是根据目标对象的身份信息从数据库中获取目标对象的历史麻醉数据,接着,可以根据历史麻醉数据和目标麻醉药物确定目标对象的麻醉耐受参数;目标麻醉药物为当前时刻对目标对象进行麻醉的药物,具体的,可以先从历史麻醉数据中了解目标对象对不同麻醉药物的反应情况,得到第一反应情况数据,接着,可以是从上述历史麻醉数据中找出与该目标麻醉药物相关的数据,得到第一麻醉数据,并从中了解目标对象对目标麻醉药物的反应情况,得到第二反应情况数据,根据第一反应情况数据和第二反应情况数据确定目标对象对目标麻醉药物的目标反应情况,目标反应情况可以包括麻醉时间和麻醉深度,可以根据目标反应情况绘制麻醉反应图,斜率即为麻醉耐受参数。
进一步的,可以确定麻醉耐受参数对应的目标优化参数;根据目标优化参数对参考预处理算法进行优化,得到目标预处理算法,具体的,目标优化参数可以是阈值优化参数,接着,可以根据目标优化参数对上述参考预处理算法中的初始控制参数进行优化,具体如下:
优化后控制参数=(1+目标优化参数)×初始控制参数;
初始控制参数为上述目标优化参数对应的控制参数,从而,得到优化后控制参数,接着,可以通过优化后控制参数更新上述参考预处理算法中的控制参数,得到目标预处理算法。
如此,通过先获取目标对象的初始麻醉深度值;根据该初始麻醉深度值确定对应的参考预处理算法;接着,获取目标对象的历史麻醉数据;根据历史麻醉数据和目标麻醉药物确定目标对象的麻醉耐受参数;根据该麻醉耐受参数得到目标优化参数;根据目标优化参数对参考预处理算法进行优化,得到目标预处理算法,通过获取目标对象的初始麻醉深度值和历史麻醉数据,可以了解目标对象对麻醉药物的反应情况和耐受能力,根据这些信息确定麻醉耐受参数和目标优化参数,可以使最终的预处理算法更加准确地适应目标对象的特殊情况。
S104、根据所述第三脑电信号确定P个麻醉深度指标数据,每一麻醉深度指标数据对应一个麻醉深度指标标识,P为正整数。
本申请实施例中,麻醉深度指标数据可以包括以下至少一种:BSR数据、COH数据、PE数据、WPE数据、β率数据等等,在此不做限定。
具体实施例中,可以根据脑电信号处理算法对第三脑电信号进行分析处理,从而,确定P个麻醉深度指标数据,每一麻醉深度指标数据对应一个麻醉深度指标标识。
需要解释的是,上述麻醉深度指标数据的计算或获取均可以通过现有方法进行,例如,以WPE数据和β率数据这两个数据为例,下面将对其的计算过程进行详细介绍。
其中,计算WPE数据,具体步骤如下:
设第三脑电信号的时间序列为{X(i),i=1,2,…,n},对其进行相空间重构,得到矩阵Y:
;
其中,m是指嵌入维度,是指延迟时间,且有等式/>。矩阵中每一行就是一个重构分量,列表示有K个重构分量,每个分量的方差为:
;
其中,为方差,/>为平均值。
假设将时间序列中的第j个重构分量即根据大小进行排列(稳定排序),设这个分量在未排列前的重构分量中,各个元素所在列的索引值为1,2,…,m,设/>为排列之后的索引值,即:
;
因此,对于任意的时间序列X重构所得到每行的重构分量都可以通过排列得到一组位置索引序列,如下:
;
该序列共有R种排列可能,且有,记每一种排列/>包含的分量的方差和为/>,则该排列所含方差和占所有排列方差和的分量记为/>;因此可得时间序列X的带权排序熵为:
;
当时,/>取最大值,将时间序列的带权排序熵归一化得到:
;
即为加权排列熵。
其中,计算第三脑电信号的β率数据,具体步骤如下:
首先,将第三脑电信号按预设间隔划分为连续的时间段,得到多个时间段内的多个脑电信号,预设间隔可以为默认间隔或人为设置的间隔。这样可以分析不同时间段内的β率变化。
其次,使用傅里叶变换将上述多个脑电信号从时域转换到频域,这样可以直观的观察到信号中不同频率成分的强度,具体如下:
;
其中,为上述多个脑电信号的函数表示,/>为/>在频域中的函数表示。
在频域中,可以确定β频段的范围(通常为13-30Hz),计算在每个时间段内β频段的功率之和,得到第一功率总和W1,再计算每个时间段内脑电信号的功率之和,得到第二功率总和W2,最后计算β率,具体如下:
β率=W1/W2;
根据上述公式计算得到β率,也即β率数据。
如此,通过脑电信号处理算法对第三脑电信号进行分析处理,从而,确定多个麻醉深度指标数据,麻醉深度指标数据可以包括以下至少一种:BSR数据、COH数据、PE数据、WPE数据、β率数据等等,这多个麻醉指标数据可以相互印证和补充,有助于更准确地判断麻醉深度和患者的反应,还可以帮助医生进行个体化的麻醉管理,根据患者的具体情况调整麻醉药物的剂量和给药方式,从而,提高麻醉过程的安全性。
S105、获取所述目标对象的目标生理状态参数。
本申请实施例中,生理状态参数可以包括以下至少一种:心率、血压、呼吸频率、体温、血氧饱和度、血糖水平、肌电图、眼电图等等,在此不做限定。
具体实施例中,可以是通过医疗检测设备对目标对象进行实时检测,得到目标生理状态参数,例如,可以使用心电传感器检测心率,血压计测量血压等等,诸如此类,根据不同的生理状态参数选择不同的测量方法和设备进行检测。
S106、确定与所述目标生理状态参数对应的麻醉深度指标标识,得到Q个麻醉深度指标标识,Q为小于或等于P的正整数。
本申请实施例中,麻醉深度指标标识为麻醉深度指标数据的唯一标识。
具体实施例中,可以确定与目标生理状态参数对应的麻醉深度指标标识,得到Q个麻醉深度指标标识,具体的,可以是预先存储预设的生理状态参数与麻醉深度指标标识之间的映射关系,基于该映射关系确定目标生理状态参数对应的麻醉深度指标标识,得到Q个麻醉深度指标标识。
S107、从所述P个麻醉深度指标数据中选取与所述Q个麻醉深度指标标识对应的麻醉深度指标数据,得到Q个麻醉深度指标数据。
本申请实施例中,因为一个麻醉深度指标标识对应一个麻醉深度指标数据,所以可以根据Q个麻醉深度指标标识从P个麻醉深度指标数据中选取相应的麻醉深度指标数据,得到Q个麻醉深度指标数据。
S108、根据目标麻醉深度算法和所述Q个麻醉深度指标数据确定所述目标对象的目标麻醉深度值。
本申请实施例中,麻醉深度算法是一种用于评估麻醉深度的计算方法。
具体实施例中,可以根据目标麻醉深度算法和Q个麻醉深度指标数据确定上述目标对象的目标麻醉深度值,具体的,上述目标麻醉深度算法可以是提前预设的算法,将上述Q个麻醉深度指标数据带入上述目标麻醉深度算法中进行运算,得到目标麻醉深度值。
可选的,请参阅图2,步骤S108,所述Q个麻醉深度指标数据中每一麻醉深度指标数据均包括预设时间段内的多个麻醉指标数据,每一麻醉指标数据对应一个采集时刻;所述根据目标麻醉深度算法和所述Q个麻醉深度指标数据确定所述目标对象的目标麻醉深度值,可以包括如图2所示步骤:
C1、对所述Q个麻醉深度指标数据中每一麻醉深度指标数据进行拟合,得到Q条拟合曲线,每一拟合曲线对应一个麻醉深度指标标识;
C2、获取所述Q个麻醉深度指标标识中的每一麻醉深度指标标识对应的权重值,得到Q个权重值;
C3、根据所述Q个权重值将所述Q条拟合曲线进行融合,得到目标拟合曲线;
C4、通过所述目标拟合曲线获取所述目标对象在指定时刻的麻醉深度值,得到所述目标麻醉深度值。
本申请实施例中,预设时间段可以是默认或提前预设;对麻醉深度指标数据进行拟合的方法可以包括以下至少一种:多项式拟合、最小二乘法、线性回归等等,在此不做限定,指定时刻可以是默认时刻或预设时刻。
具体实施例中,对上述Q个麻醉深度指标数据中每一麻醉深度指标数据进行拟合,得到Q条拟合曲线,每一拟合曲线对应一个麻醉深度指标标识,具体的,可以采用线性回归对Q个麻醉深度指标数据中每一麻醉深度指标数据进行拟合,从而,得到Q条拟合曲线。
以麻醉深度指标数据a为例说明下,麻醉深度指标数据a为Q个麻醉深度指标数据中任一麻醉深度指标数据,由于Q个麻醉深度指标数据中每一麻醉深度指标数据均包括预设时间段内的多个麻醉指标数据,每一麻醉指标数据对应一个采集时刻,那么,可以先确定麻醉深度指标数据a中的多个麻醉指标数据,以及多个麻醉指标数据中每一麻醉指标数据对应的采集时刻,得到多个采集时刻,接着,可以按时间顺序将这多个麻醉指标数据和多个采集时刻构成多个坐标点,再将这多个坐标点进行拟合,得到拟合曲线a;其他的拟合曲线也可按此方法进行拟合。
接着,可以获取Q个麻醉深度指标标识中的每一麻醉深度指标标识对应的权重值,得到Q个权重值;根据Q个权重值将Q条拟合曲线进行融合,得到目标拟合曲线,具体的,可以是预先存储预设的麻醉深度指标标识与权重值之间的映射关系,基于该映射关系确定上述Q个麻醉深度指标标识对应的Q个权重值,接着,可以是将上述Q条拟合曲线中每一拟合曲线乘以对应的权重,得到目标拟合曲线,具体如下:
目标拟合曲线=拟合曲线a×权重a+拟合曲线b×权重b++拟合曲线q×权重q;
其中,拟合曲线a、拟合曲线b、、拟合曲线q均为Q条拟合曲线中的曲线,拟合曲线a~拟合曲线q一共有Q条曲线;权重a为拟合曲线a对应的权重,其他权重也分别对应一条拟合曲线;通过目标拟合曲线获取目标对象在指定时刻的麻醉深度值,得到目标麻醉深度值,具体的,可以是先获取目标拟合曲线对应的目标曲线方程,再将上述指定时刻带入目标曲线方程进行计算,从而,得到目标麻醉深度值。
如此,通过对Q个麻醉深度指标数据中每一麻醉深度指标数据进行拟合,得到Q条拟合曲线,每一拟合曲线对应一个麻醉深度指标标识;获取Q个麻醉深度指标标识中的每一麻醉深度指标标识对应的权重值,得到Q个权重值;根据Q个权重值将Q条拟合曲线进行融合,得到目标拟合曲线;通过目标拟合曲线获取目标对象在指定时刻的麻醉深度值,得到目标麻醉深度值,一方面,通过综合考虑多个麻醉深度指标的数据,可以获取更全面的信息,有助于更准确地评估麻醉深度,另一方面,通过将Q条拟合曲线进行融合,可以综合考虑不同指标之间的相关性和协同作用,得到更平滑、连续的麻醉深度曲线。
可选的,本申请实施例还提供另一种获取目标麻醉深度值的麻醉算法,具体如下:
首先对目标对象的历史麻醉数据进行分段,对相同输出(即相同麻醉深度)的历史麻醉数据进行分组组合,得到多个组,对多个组中的每一组均进行下列步骤。
在此算法中,可以使用样本熵度量不同脑电信号之间的非线性相似性,这样可以度量脑电信号中产生新模式的概率大小,从而,衡量脑电信号的复杂度。这种方法可以评估出脑电信号中的重复性和规律性,还考虑了脑电信号的生理特征与噪声特征。
接着,可以使用时频分析方法度量不同脑电信号间的线性相似性,这种方法可以度量脑电信号中由于突发生理或噪声而导致的变化,在相似度达到设定相似度阈值之后,可以通过乘系数抑制掉脑电信号间的相同表达,所以这两种方法融合使用,可以平衡脑电信号中的不同种类的噪声,可以通过非线性方法抑制规律噪声,还可以通过线性方法抑制突发噪声。
在上述步骤之后,进入SEM算法,SEM算法的步骤如下:
S步骤:首先,可以对不同脑电信号进行多项式拟合,快速建立目标机器学习模型,接下来让每两个脑电信号之间互为次级分布,也就是说,假设两个脑电信号之间具有强耦合,但由于参数缺失,导致分布呈现差异,而经过确定的参数转化后,脑电信号间可以恢复相似分布。接下来应用E和M步骤,对假设的缺失参数进行估计,最终根据估计效果对脑电信号间的独立性进行评价。
E步骤:根据目标机器学习模型的分布估计值计算缺失参数的条件期望,对于缺失参数,将其视为隐变量,并计算其在给定观测数据和当前参数下的条件期望。
M步骤:根据E步骤计算得到的缺失数据的条件期望,通过最大化完全数据的对数似然函数来估计模型参数。这一步骤通常使用极大似然估计或最大后验估计进行计算。
在经过SEM算法之后,可以获得平衡噪声之后的脑电信号间的参数估计后独立性。
由于在历史麻醉数据中,会存在不同输入导致相同输出的情况,所以,可以将相似分布的情况进行统计学习,即可以学习到脑电信号间的“统计独立”参数。在这个过程中,设计了一个脑电信号门来进行学习。该脑电信号门会搜索历史相似数据,并根据“统计独立”参数学习脑电信号与输出的对应关系。设定误差为最小化观测值与预测值之间的残差平方和。通过最小化误差,可以求出最优独立信息的权重值。最后拟合出不同独立信息表达状态下的综合麻醉深度值。“统计独立”的脑电信号会获得更高的学习权重,同时脑电信号门会逐步抑制多次无法表现为“统计独立”的脑电信号表达。
最终,根据历史脑电信号,通过上述计算过程,可以获得一个平衡噪声,且在统计数据中表现为独立的特征映射为麻醉深度的数学模型。
在实时脑电信号中,可重复之前的独立统计过程,从而,应用根据历史麻醉数据获得的数学模型进行麻醉深度的计算。
可选的,步骤C4,所述通过所述目标拟合曲线获取所述目标对象在指定时刻的麻醉深度值,得到所述目标麻醉深度值,可以包括如下步骤:
D1、通过所述目标拟合曲线获取所述目标对象在所述指定时刻的麻醉深度值,得到第一麻醉深度值;
D2、获取所述目标对象的历史身体状况数据和所述指定时刻的目标身体状况数据;
D3、确定所述历史身体状况数据和所述目标身体状况数据之间的差异程度,得到目标差异程度;
D4、确定所述目标差异程度对应的目标优化因子;
D5、根据所述目标优化因子对所述第一麻醉深度值进行优化,得到所述目标麻醉深度值。
本申请实施例中,身体状况数据可以包括以下至少一种:身高、体重、心率、体脂率、身体质量指数等等,在此不做限定。
具体实施例中,通过目标拟合曲线获取目标对象在指定时刻的麻醉深度值,得到第一麻醉深度值,具体的,可以是先获取目标拟合曲线对应的目标曲线方程,再将上述指定时刻带入目标曲线方程进行计算,从而,得到第一麻醉深度值。
接着,可以获取目标对象的历史身体状况数据和指定时刻的目标身体状况数据,具体的,上述历史身体状况数据可以是根据目标对象的身份信息从数据库中获取,目标身体状况数据可以是通过医疗检测设备对目标对象进行实时监测获取,例如,可以通过心率监测仪对目标对象进行监测,在上述指定时刻时,记录下此刻的身体状况数据,也即目标身体状况数据。
进一步的,可以确定历史身体状况数据和目标身体状况数据之间的差异程度,得到目标差异程度,具体的,可以是根据身体状况数据中的身体质量指数来确定二者之间的目标差异程度,具体如下:
目标差异程度=|目标身体质量指数-历史身体质量指数|/目标身体质量指数×100%;
其中,目标身体状况数据包括目标身体质量指数,历史身体状况数据包括历史身体质量指数,接着,可以确定目标差异程度对应的目标优化因子,得到目标麻醉深度值,具体的,可以预先存储预设的差异程度与优化因子之间的映射关系,基于该映射关系确定目标差异程度对应的目标优化因子,最后,可以根据目标优化因子对第一麻醉深度值进行优化,具体如下:
目标麻醉深度值=(1+目标优化因子)×第一麻醉深度值;
根据上述公式计算得到目标麻醉深度值。
如此,通过目标拟合曲线获取目标对象在指定时刻的麻醉深度值,得到第一麻醉深度值;获取目标对象的历史身体状况数据和指定时刻的目标身体状况数据;确定历史身体状况数据和目标身体状况数据之间的差异程度,得到目标差异程度;确定目标差异程度对应的目标优化因子;根据目标优化因子对第一麻醉深度值进行优化,得到目标麻醉深度值,通过考虑目标对象的历史身体状况数据和当前身体状况数据,能够更好地针对个体差异进行麻醉深度的调整,以满足不同患者的个体差异,提高了最终麻醉深度的准确性。
可选的,所述基于多指标的麻醉深度检测装置还可以执行如下步骤:
E1、在所述目标麻醉深度值小于预设麻醉深度值时,确定所述预设麻醉深度值与所述目标麻醉深度值之间的差值,得到目标差值;
E2、确定与所述目标差值对应的补充麻醉药物用量;
E3、根据所述补充麻醉药物用量生成目标提示信息。
本申请实施例中,预设麻醉深度值可以为默认或提前预设。
具体实施例中,在目标麻醉深度值小于预设麻醉深度值时,确定预设麻醉深度值与目标麻醉深度值之间的差值,具体如下:
目标差值=预设麻醉深度值-目标麻醉深度值;
根据上述公式得到目标差值;确定与目标差值对应的补充麻醉药物用量,具体的,可以预先存储预设的差值与麻醉药物用量之间的映射关系,基于该映射关系确定目标差值对应的补充麻醉药物用量,接着,可以根据上述补充麻醉药物用量生成目标提示信息,例如,补充麻醉药物用量为2mg,那么,目标提示信息就可以是“XX还差2mg麻醉药物”,以此提示目标对象周围的医生或麻醉师,根据目标提示信息继续用药。
需要解释的是,目标差值是有正负号的,目标差值为正,说明目标对象的麻醉深度还不够,需要继续进行麻醉,也就是说,还需要继续注入麻醉药物给目标对象,目标差值为负,说明目标对象的麻醉深度已经足够,不再需要进行麻醉,此时,需要停止注入麻醉药物。
可选的,在所述根据目标麻醉深度算法和所述Q个麻醉深度指标数据确定所述目标对象的目标麻醉深度值的步骤之后,所述基于多指标的麻醉深度检测装置还可以执行如下步骤:
F1、获取所述目标对象周围预设距离中存在的所有电子设备,得到第一电子设备集;
F2、确定所述第一电子设备集中对所述目标麻醉深度值产生影响的电子设备,得到第二电子设备集;
F3、获取所述第二电子设备集中每一电子设备在正常工作状态下产生的电磁场数据,得到第一电磁场数据集;
F4、确定所述第一电磁场数据集对所述目标麻醉深度值的磁场影响因子;
F5、根据所述磁场影响因子调节所述目标麻醉深度值,得到实际麻醉深度值。
本申请实施例中,预设距离可以为默认或预设。
具体实施例中,获取目标对象周围预设距离中存在的所有电子设备,得到第一电子设备集,具体的,由于目标对象是在医院中进行麻醉的,那么可以通过医院的数据库确定目标对象周围预设距离中存在的所有电子设备,或者,可以通过无线电信号检测设备来检测目标对象周围的所有电子设备,得到第一电子设备集。
接着,确定第一电子设备集中对目标麻醉深度值产生影响的电子设备,得到第二电子设备集,具体的,可以是调查和研究已有的文献、临床研究、实验数据,了解不同电子设备对麻醉深度值检测的影响,从而,确定第一电子设备集中对目标麻醉深度值产生影响的电子设备。
进一步的,获取第二电子设备集中每一电子设备在正常工作状态下产生的电磁场数据,得到第一电磁场数据集;确定第一电磁场数据集对目标麻醉深度值的磁场影响因子,具体的,可以先将第一电磁场数据集中的每一电磁场数据相加,得到电磁场数据总和,然后,可以是预先存储预设的电磁场数据与磁场影响因子之间的映射关系,基于该映射关系确定电磁场数据总和对目标麻醉深度值的磁场影响因子,最后,可以根据磁场影响因子调节目标麻醉深度值,得到实际麻醉深度值,具体如下:
实际麻醉深度值=(1+磁场影响因子)×目标麻醉深度值;
根据上述公式计算得到实际麻醉深度值。
如此,通过获取目标对象周围预设距离中存在的所有电子设备,得到第一电子设备集;确定第一电子设备集中对目标麻醉深度值产生影响的电子设备,得到第二电子设备集;获取第二电子设备集中每一电子设备在正常工作状态下产生的电磁场数据,得到第一电磁场数据集;确定第一电磁场数据集对目标麻醉深度值的磁场影响因子;根据磁场影响因子调节目标麻醉深度值,得到实际麻醉深度值,通过确定可能对目标麻醉深度值产生影响的电子设备的电磁场,根据该电磁场对应的磁场影响因子对目标麻醉深度值进行调节,可以减少电磁干扰对麻醉深度监测的影响,从而,提高监测的准确性和可靠性。
可以看出,本申请实施例中所描述的基于多指标的麻醉深度检测装置的工作流程包括:获取目标对象的第一脑电信号;对第一脑电信号进行放大处理,得到第二脑电信号;根据目标预处理算法对第二脑电信号进行去干扰处理,得到第三脑电信号;根据第三脑电信号确定P个麻醉深度指标数据,每一麻醉深度指标数据对应一个麻醉深度指标标识,P为正整数;获取目标对象的目标生理状态参数;确定与目标生理状态参数对应的麻醉深度指标标识,得到Q个麻醉深度指标标识,Q为小于或等于P的正整数;从P个麻醉深度指标数据中选取与Q个麻醉深度指标标识对应的麻醉深度指标数据,得到Q个麻醉深度指标数据;根据目标麻醉深度算法和Q个麻醉深度指标数据确定目标对象的目标麻醉深度值,通过对第一脑电信号进行放大和去干扰处理,得到第三脑电信号,再根据这第三脑电信号和目标生理状态参数得到Q个麻醉深度指标数据,最后,根据目标麻醉深度算法和Q个麻醉深度指标数据确定目标对象的目标麻醉深度值,一方面,对第一脑电信号进行放大和去干扰处理,不仅可以提高信号的幅度,还可以去除信号中的噪声和干扰成分,提高信号的质量和可靠性,使得信号更加清晰和易于分析,另一方面,根据目标麻醉深度算法和Q个麻醉深度指标数据确定目标麻醉深度值,综合考虑多个指标和影响因素,可以确定一个精准的麻醉深度值,从而,提高了麻醉深度的检测准确性。
与上述实施例一致地,请参阅图3,图3是本申请实施例提供的一种基于多指标的麻醉深度检测装置300的功能单元组成框图,图3所示的基于多指标的麻醉深度检测装置300包括:获取单元301、处理单元302、确定单元303,其中,
所述获取单元301,用于获取目标对象的第一脑电信号;
所述处理单元302,用于对所述第一脑电信号进行放大处理,得到第二脑电信号;根据目标预处理算法对所述第二脑电信号进行去干扰处理,得到第三脑电信号;
所述确定单元303,用于根据所述第三脑电信号确定P个麻醉深度指标数据,每一麻醉深度指标数据对应一个麻醉深度指标标识,P为正整数;
所述获取单元301,还用于获取所述目标对象的目标生理状态参数;
所述确定单元303,还用于确定与所述目标生理状态参数对应的麻醉深度指标标识,得到Q个麻醉深度指标标识,Q为小于或等于P的正整数;从所述P个麻醉深度指标数据中选取与所述Q个麻醉深度指标标识对应的麻醉深度指标数据,得到Q个麻醉深度指标数据;根据目标麻醉深度算法和所述Q个麻醉深度指标数据确定所述目标对象的目标麻醉深度值;
其中,所述Q个麻醉深度指标数据中每一麻醉深度指标数据均包括预设时间段内的多个麻醉指标数据,每一麻醉指标数据对应一个采集时刻;在所述根据目标麻醉深度算法和所述Q个麻醉深度指标数据确定所述目标对象的目标麻醉深度值方面,所述确定单元303具体用于:
对所述Q个麻醉深度指标数据中每一麻醉深度指标数据进行拟合,得到Q条拟合曲线,每一拟合曲线对应一个麻醉深度指标标识;
获取所述Q个麻醉深度指标标识中的每一麻醉深度指标标识对应的权重值,得到Q个权重值;
根据所述Q个权重值将所述Q条拟合曲线进行融合,得到目标拟合曲线;
通过所述目标拟合曲线获取所述目标对象在指定时刻的麻醉深度值,得到所述目标麻醉深度值。
其中,在所述通过所述目标拟合曲线获取所述目标对象在指定时刻的麻醉深度值,得到所述目标麻醉深度值方面,所述确定单元303具体还用于:
通过所述目标拟合曲线获取所述目标对象在所述指定时刻的麻醉深度值,得到第一麻醉深度值;
获取所述目标对象的历史身体状况数据和所述指定时刻的目标身体状况数据;
确定所述历史身体状况数据和所述目标身体状况数据之间的差异程度,得到目标差异程度;
确定所述目标差异程度对应的目标优化因子;
根据所述目标优化因子对所述第一麻醉深度值进行优化,得到所述目标麻醉深度值。
可选的,在所述根据目标预处理算法对所述第二脑电信号进行去干扰处理,得到第三脑电信号方面,所述处理单元302具体用于:
对所述第二脑电信号进行特征提取,得到目标信号特征;
根据所述目标信号特征确定所述第二脑电信号对应的干扰种类参数;所述干扰种类参数包括以下至少一种:伪迹干扰、噪声干扰、电磁干扰、机械干扰、电生理干扰;
获取所述目标预处理算法中的初始算法控制参数集,所述初始算法控制参数集包括m个初始算法控制参数;m为正整数;
根据所述干扰种类参数确定所述m个初始算法控制参数中需要调节的初始算法控制参数,得到n个初始算法控制参数,n为小于或等于m的正整数;
确定所述第二脑电信号的信噪比;
根据所述信噪比确定所述n个初始算法控制参数中每一初始算法控制参数的调节系数,得到n个调节系数;
根据所述n个调节系数对所述n个初始算法控制参数中相应的初始算法控制参数进行调节,得到n个第一初始算法控制参数;
根据所述n个第一初始算法控制参数更新所述初始算法控制参数集,得到目标算法控制参数集;
根据所述目标算法控制参数集控制所述目标预处理算法对所述第二脑电信号进行处理,得到所述第三脑电信号。
可选的,所述基于多指标的麻醉深度检测装置300还具体用于:
获取所述目标对象的初始麻醉深度值;
确定所述初始麻醉深度值对应的参考预处理算法;
获取所述目标对象的历史麻醉数据;
根据所述历史麻醉数据和目标麻醉药物确定所述目标对象的麻醉耐受参数;所述目标麻醉药物为当前时刻对所述目标对象进行麻醉的药物;
确定所述麻醉耐受参数对应的目标优化参数;
根据所述目标优化参数对所述参考预处理算法进行优化,得到所述目标预处理算法。
可选的,所述基于多指标的麻醉深度检测装置300还具体用于:
在所述目标麻醉深度值小于预设麻醉深度值时,确定所述预设麻醉深度值与所述目标麻醉深度值之间的差值,得到目标差值;
确定与所述目标差值对应的补充麻醉药物用量;
根据所述补充麻醉药物用量生成目标提示信息。
可选的,在所述根据目标麻醉深度算法和所述Q个麻醉深度指标数据确定所述目标对象的目标麻醉深度值的步骤之后,所述基于多指标的麻醉深度检测装置300还具体用于:
获取所述目标对象周围预设距离中存在的所有电子设备,得到第一电子设备集;
确定所述第一电子设备集中对所述目标麻醉深度值产生影响的电子设备,得到第二电子设备集;
获取所述第二电子设备集中每一电子设备在正常工作状态下产生的电磁场数据,得到第一电磁场数据集;
确定所述第一电磁场数据集对所述目标麻醉深度值的磁场影响因子;
根据所述磁场影响因子调节所述目标麻醉深度值,得到实际麻醉深度值。
可以理解的是,本实施例的基于多指标的麻醉深度检测装置300还可执行上述实施例中的其他步骤,其具体实现过程可以参照上述实施例的相关描述,此处不再赘述。
与上述实施例一致地,请参阅图4,图4是本申请实施例提供的一种电子设备的结构示意图,该电子设备包括处理器、存储器、通信接口以及一个或多个程序,所述处理器、存储器和通信接口通过总线相互连接,所述存储器用于存储一个或多个程序,并且被配置由所述处理器执行,上述一个或多个程序被存储在上述存储器中,并且被配置由上述处理器执行,本申请实施例中,上述程序包括用于执行以下步骤的指令:
获取目标对象的第一脑电信号;
对所述第一脑电信号进行放大处理,得到第二脑电信号;
根据目标预处理算法对所述第二脑电信号进行去干扰处理,得到第三脑电信号;
根据所述第三脑电信号确定P个麻醉深度指标数据,每一麻醉深度指标数据对应一个麻醉深度指标标识,P为正整数;
获取所述目标对象的目标生理状态参数;
确定与所述目标生理状态参数对应的麻醉深度指标标识,得到Q个麻醉深度指标标识,Q为小于或等于P的正整数;
从所述P个麻醉深度指标数据中选取与所述Q个麻醉深度指标标识对应的麻醉深度指标数据,得到Q个麻醉深度指标数据;
根据目标麻醉深度算法和所述Q个麻醉深度指标数据确定所述目标对象的目标麻醉深度值。
可选的,所述Q个麻醉深度指标数据中每一麻醉深度指标数据均包括预设时间段内的多个麻醉指标数据,每一麻醉指标数据对应一个采集时刻;在所述根据目标麻醉深度算法和所述Q个麻醉深度指标数据确定所述目标对象的目标麻醉深度值方面,上述程序还包括用于执行以下步骤的指令:
对所述Q个麻醉深度指标数据中每一麻醉深度指标数据进行拟合,得到Q条拟合曲线,每一拟合曲线对应一个麻醉深度指标标识;
获取所述Q个麻醉深度指标标识中的每一麻醉深度指标标识对应的权重值,得到Q个权重值;
根据所述Q个权重值将所述Q条拟合曲线进行融合,得到目标拟合曲线;
通过所述目标拟合曲线获取所述目标对象在指定时刻的麻醉深度值,得到所述目标麻醉深度值。
可选的,在所述通过所述目标拟合曲线获取所述目标对象在指定时刻的麻醉深度值,得到所述目标麻醉深度值方面,上述程序还包括用于执行以下步骤的指令:
通过所述目标拟合曲线获取所述目标对象在所述指定时刻的麻醉深度值,得到第一麻醉深度值;
获取所述目标对象的历史身体状况数据和所述指定时刻的目标身体状况数据;
确定所述历史身体状况数据和所述目标身体状况数据之间的差异程度,得到目标差异程度;
确定所述目标差异程度对应的目标优化因子;
根据所述目标优化因子对所述第一麻醉深度值进行优化,得到所述目标麻醉深度值。
可选的,在所述根据目标预处理算法对所述第二脑电信号进行去干扰处理,得到第三脑电信号方面,上述程序还包括用于执行以下步骤的指令:
对所述第二脑电信号进行特征提取,得到目标信号特征;
根据所述目标信号特征确定所述第二脑电信号对应的干扰种类参数;所述干扰种类参数包括以下至少一种:伪迹干扰、噪声干扰、电磁干扰、机械干扰、电生理干扰;
获取所述目标预处理算法中的初始算法控制参数集,所述初始算法控制参数集包括m个初始算法控制参数;m为正整数;
根据所述干扰种类参数确定所述m个初始算法控制参数中需要调节的初始算法控制参数,得到n个初始算法控制参数,n为小于或等于m的正整数;
确定所述第二脑电信号的信噪比;
根据所述信噪比确定所述n个初始算法控制参数中每一初始算法控制参数的调节系数,得到n个调节系数;
根据所述n个调节系数对所述n个初始算法控制参数中相应的初始算法控制参数进行调节,得到n个第一初始算法控制参数;
根据所述n个第一初始算法控制参数更新所述初始算法控制参数集,得到目标算法控制参数集;
根据所述目标算法控制参数集控制所述目标预处理算法对所述第二脑电信号进行处理,得到所述第三脑电信号。
可选的,上述程序还包括用于执行以下步骤的指令:
获取所述目标对象的初始麻醉深度值;
确定所述初始麻醉深度值对应的参考预处理算法;
获取所述目标对象的历史麻醉数据;
根据所述历史麻醉数据和目标麻醉药物确定所述目标对象的麻醉耐受参数;所述目标麻醉药物为当前时刻对所述目标对象进行麻醉的药物;
确定所述麻醉耐受参数对应的目标优化参数;
根据所述目标优化参数对所述参考预处理算法进行优化,得到所述目标预处理算法。
可选的,上述程序还包括用于执行以下步骤的指令:
在所述目标麻醉深度值小于预设麻醉深度值时,确定所述预设麻醉深度值与所述目标麻醉深度值之间的差值,得到目标差值;
确定与所述目标差值对应的补充麻醉药物用量;
根据所述补充麻醉药物用量生成目标提示信息。
可选的,在所述根据目标麻醉深度算法和所述Q个麻醉深度指标数据确定所述目标对象的目标麻醉深度值的步骤之后,上述程序还包括用于执行以下步骤的指令:
获取所述目标对象周围预设距离中存在的所有电子设备,得到第一电子设备集;
确定所述第一电子设备集中对所述目标麻醉深度值产生影响的电子设备,得到第二电子设备集;
获取所述第二电子设备集中每一电子设备在正常工作状态下产生的电磁场数据,得到第一电磁场数据集;
确定所述第一电磁场数据集对所述目标麻醉深度值的磁场影响因子;
根据所述磁场影响因子调节所述目标麻醉深度值,得到实际麻醉深度值。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置,可通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如上述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性或其它的形式。
上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。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储器中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储器中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例上述方法的全部或部分步骤。而前述的存储器包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上对本申请实施例进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (6)
1.一种基于多指标的麻醉深度检测装置,其特征在于,所述装置包括:获取单元、处理单元、确定单元,其中,
所述获取单元,用于获取目标对象的第一脑电信号;
所述处理单元,用于对所述第一脑电信号进行放大处理,得到第二脑电信号;根据目标预处理算法对所述第二脑电信号进行去干扰处理,得到第三脑电信号;
所述确定单元,用于根据所述第三脑电信号确定P个麻醉深度指标数据,每一麻醉深度指标数据对应一个麻醉深度指标标识,P为正整数;
所述获取单元,还用于获取所述目标对象的目标生理状态参数;
所述确定单元,还用于确定与所述目标生理状态参数对应的麻醉深度指标标识,得到Q个麻醉深度指标标识,Q为小于或等于P的正整数;从所述P个麻醉深度指标数据中选取与所述Q个麻醉深度指标标识对应的麻醉深度指标数据,得到Q个麻醉深度指标数据;根据目标麻醉深度算法和所述Q个麻醉深度指标数据确定所述目标对象的目标麻醉深度值;
其中,所述Q个麻醉深度指标数据中每一麻醉深度指标数据均包括预设时间段内的多个麻醉指标数据,每一麻醉指标数据对应一个采集时刻;在所述根据目标麻醉深度算法和所述Q个麻醉深度指标数据确定所述目标对象的目标麻醉深度值方面,所述确定单元具体用于:
对所述Q个麻醉深度指标数据中每一麻醉深度指标数据进行拟合,得到Q条拟合曲线,每一拟合曲线对应一个麻醉深度指标标识;
获取所述Q个麻醉深度指标标识中的每一麻醉深度指标标识对应的权重值,得到Q个权重值;
根据所述Q个权重值将所述Q条拟合曲线进行融合,得到目标拟合曲线;
通过所述目标拟合曲线获取所述目标对象在指定时刻的麻醉深度值,得到所述目标麻醉深度值;
其中,在所述通过所述目标拟合曲线获取所述目标对象在指定时刻的麻醉深度值,得到所述目标麻醉深度值方面,所述确定单元具体用于:
通过所述目标拟合曲线获取所述目标对象在所述指定时刻的麻醉深度值,得到第一麻醉深度值;
获取所述目标对象的历史身体状况数据和所述指定时刻的目标身体状况数据;
确定所述历史身体状况数据和所述目标身体状况数据之间的差异程度,得到目标差异程度;
确定所述目标差异程度对应的目标优化因子;
根据所述目标优化因子对所述第一麻醉深度值进行优化,得到所述目标麻醉深度值。
2.如权利要求1所述的装置,其特征在于,在所述根据目标预处理算法对所述第二脑电信号进行去干扰处理,得到第三脑电信号方面,所述处理单元具体用于:
对所述第二脑电信号进行特征提取,得到目标信号特征;
根据所述目标信号特征确定所述第二脑电信号对应的干扰种类参数;所述干扰种类参数包括以下至少一种:伪迹干扰、噪声干扰、电磁干扰、机械干扰、电生理干扰;
获取所述目标预处理算法中的初始算法控制参数集,所述初始算法控制参数集包括m个初始算法控制参数;m为正整数;
根据所述干扰种类参数确定所述m个初始算法控制参数中需要调节的初始算法控制参数,得到n个初始算法控制参数,n为小于或等于m的正整数;
确定所述第二脑电信号的信噪比;
根据所述信噪比确定所述n个初始算法控制参数中每一初始算法控制参数的调节系数,得到n个调节系数;
根据所述n个调节系数对所述n个初始算法控制参数中相应的初始算法控制参数进行调节,得到n个第一初始算法控制参数;
根据所述n个第一初始算法控制参数更新所述初始算法控制参数集,得到目标算法控制参数集;
根据所述目标算法控制参数集控制所述目标预处理算法对所述第二脑电信号进行处理,得到所述第三脑电信号。
3.如权利要求2所述的装置,其特征在于,所述装置还具体用于:
获取所述目标对象的初始麻醉深度值;
确定所述初始麻醉深度值对应的参考预处理算法;
获取所述目标对象的历史麻醉数据;
根据所述历史麻醉数据和目标麻醉药物确定所述目标对象的麻醉耐受参数;所述目标麻醉药物为当前时刻对所述目标对象进行麻醉的药物;
确定所述麻醉耐受参数对应的目标优化参数;
根据所述目标优化参数对所述参考预处理算法进行优化,得到所述目标预处理算法。
4.如权利要求1-3任一项所述的装置,其特征在于,所述装置还具体用于:
在所述目标麻醉深度值小于预设麻醉深度值时,确定所述预设麻醉深度值与所述目标麻醉深度值之间的差值,得到目标差值;
确定与所述目标差值对应的补充麻醉药物用量;
根据所述补充麻醉药物用量生成目标提示信息。
5.如权利要求1-3任一项所述的装置,其特征在于,在所述根据目标麻醉深度算法和所述Q个麻醉深度指标数据确定所述目标对象的目标麻醉深度值之后,所述装置还具体用于:
获取所述目标对象周围预设距离中存在的所有电子设备,得到第一电子设备集;
确定所述第一电子设备集中对所述目标麻醉深度值产生影响的电子设备,得到第二电子设备集;
获取所述第二电子设备集中每一电子设备在正常工作状态下产生的电磁场数据,得到第一电磁场数据集;
确定所述第一电磁场数据集对所述目标麻醉深度值的磁场影响因子;
根据所述磁场影响因子调节所述目标麻醉深度值,得到实际麻醉深度值。
6.一种电子设备,其特征在于,所述电子设备包括如权利要求1-5任一项所述的基于多指标的麻醉深度检测装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410240637.1A CN117814760B (zh) | 2024-03-04 | 2024-03-04 | 基于多指标的麻醉深度检测装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410240637.1A CN117814760B (zh) | 2024-03-04 | 2024-03-04 | 基于多指标的麻醉深度检测装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117814760A true CN117814760A (zh) | 2024-04-05 |
CN117814760B CN117814760B (zh) | 2024-05-17 |
Family
ID=90504388
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410240637.1A Active CN117814760B (zh) | 2024-03-04 | 2024-03-04 | 基于多指标的麻醉深度检测装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117814760B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005072792A1 (en) * | 2004-01-27 | 2005-08-11 | Aspect Medical Systems, Inc. | System for adaptive drug delivery |
WO2012069887A1 (en) * | 2010-11-24 | 2012-05-31 | Universidade De Trás-Os-Montes E Alto Douro | Method and device for electroencephalogram based assessment of anesthetic state during anesthesia or sedation |
CN104545949A (zh) * | 2014-09-29 | 2015-04-29 | 浙江普可医疗科技有限公司 | 一种基于脑电的麻醉深度监测方法 |
WO2019127558A1 (zh) * | 2017-12-29 | 2019-07-04 | 深圳迈瑞生物医疗电子股份有限公司 | 基于脑电的麻醉深度监测方法和装置 |
CN111481174A (zh) * | 2020-04-15 | 2020-08-04 | 中科搏锐(北京)科技有限公司 | 一种麻醉与意识深度监护系统及方法 |
CN114422076A (zh) * | 2021-12-23 | 2022-04-29 | 北京润科通用技术有限公司 | 干扰信号产生方法、装置、电子设备及存储介质 |
CN115316957A (zh) * | 2022-09-15 | 2022-11-11 | 河北省胸科医院 | 基于多参数指标的围术期麻醉深度监测系统 |
WO2023071501A1 (zh) * | 2021-11-01 | 2023-05-04 | 北京荣耀终端有限公司 | 心率检测方法及电子设备 |
CN116172576A (zh) * | 2023-03-03 | 2023-05-30 | 杭州电子科技大学 | 一种基于多模块神经网络的脑电信号伪迹去除方法 |
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 |
CN116747374A (zh) * | 2022-01-24 | 2023-09-15 | 深圳市威浩康医疗器械有限公司 | 全凭静脉麻醉靶控智能化系统 |
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 |
CN117322895A (zh) * | 2023-11-23 | 2024-01-02 | 浙江普可医疗科技有限公司 | 一种基于传感器阻抗脑电状态动态监测装置 |
-
2024
- 2024-03-04 CN CN202410240637.1A patent/CN117814760B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005072792A1 (en) * | 2004-01-27 | 2005-08-11 | Aspect Medical Systems, Inc. | System for adaptive drug delivery |
WO2012069887A1 (en) * | 2010-11-24 | 2012-05-31 | Universidade De Trás-Os-Montes E Alto Douro | Method and device for electroencephalogram based assessment of anesthetic state during anesthesia or sedation |
CN104545949A (zh) * | 2014-09-29 | 2015-04-29 | 浙江普可医疗科技有限公司 | 一种基于脑电的麻醉深度监测方法 |
WO2019127558A1 (zh) * | 2017-12-29 | 2019-07-04 | 深圳迈瑞生物医疗电子股份有限公司 | 基于脑电的麻醉深度监测方法和装置 |
CN111481174A (zh) * | 2020-04-15 | 2020-08-04 | 中科搏锐(北京)科技有限公司 | 一种麻醉与意识深度监护系统及方法 |
WO2023071501A1 (zh) * | 2021-11-01 | 2023-05-04 | 北京荣耀终端有限公司 | 心率检测方法及电子设备 |
CN114422076A (zh) * | 2021-12-23 | 2022-04-29 | 北京润科通用技术有限公司 | 干扰信号产生方法、装置、电子设备及存储介质 |
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 |
CN116747374A (zh) * | 2022-01-24 | 2023-09-15 | 深圳市威浩康医疗器械有限公司 | 全凭静脉麻醉靶控智能化系统 |
CN115316957A (zh) * | 2022-09-15 | 2022-11-11 | 河北省胸科医院 | 基于多参数指标的围术期麻醉深度监测系统 |
CN116172576A (zh) * | 2023-03-03 | 2023-05-30 | 杭州电子科技大学 | 一种基于多模块神经网络的脑电信号伪迹去除方法 |
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 |
CN117322895A (zh) * | 2023-11-23 | 2024-01-02 | 浙江普可医疗科技有限公司 | 一种基于传感器阻抗脑电状态动态监测装置 |
Also Published As
Publication number | Publication date |
---|---|
CN117814760B (zh) | 2024-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2575608B1 (en) | Detector for identifying physiological artifacts from physiological signals and method | |
CA2784267C (en) | Method and device for point-of-care neuro-assessment and treatment guidance | |
WO2019009420A1 (ja) | トレンド分析を利用した痛みの判別、機械学習、経済的判別モデルおよびIoTを応用した医療装置、テイラーメイド機械学習、および新規疼痛判別用脳波特徴量 | |
KR101400362B1 (ko) | 마취 심도 측정 방법 및 장치 | |
EP1880667B1 (en) | Detection of focal epileptiform activity | |
EP1870032B1 (en) | Separation of natural and drug-induced sleep of a subject | |
EP1665981A1 (en) | Identification of a dominant signal component in a biosignal | |
US20160106331A1 (en) | Fractal index analysis of human electroencephalogram signals | |
US20090247893A1 (en) | Method and apparatus for measuring responsiveness of a subject | |
KR101111498B1 (ko) | 마취 심도 모니터링 시스템 및 방법 | |
WO2009150744A1 (ja) | 睡眠状態モニタリング装置、モニタリングシステムおよびコンピュータプログラム | |
JP2015529099A (ja) | ニューロフィードバックシステム | |
Zoughi et al. | A wavelet-based estimating depth of anesthesia | |
KR20180109529A (ko) | 치매 진단 장치 및 방법과 어플리케이션 | |
CN116035536A (zh) | 一种睡眠行为活跃水平检测量化的方法、系统和装置 | |
CN113974557A (zh) | 基于脑电奇异谱分析的深度神经网络麻醉深度分析方法 | |
CN117814760B (zh) | 基于多指标的麻醉深度检测装置及电子设备 | |
TWI565448B (zh) | A method of brainwave analysis | |
Adochiei et al. | Human behavior, recognition, and interpretation system using physiological signals | |
CN112826451A (zh) | 一种麻醉深度及睡眠深度的评估方法及装置 | |
Chen et al. | Coherence validation of alternative sleep EEG electrode placements using wavelet transform | |
CN109567823A (zh) | 一种基于近红外光谱技术的麻醉深度监测系统及方法 | |
WO2019013324A1 (ja) | スパースモデリングを利用した痛みの分類および瞬間痛の判別 | |
US11559237B1 (en) | Robust real-time EEG suppression detection device and method | |
US11660047B2 (en) | Consciousness level determination method and computer program |
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 |