TW201521676A - 一種使用類神經網路產生判斷麻醉意識清醒程度指標的方法 - Google Patents

一種使用類神經網路產生判斷麻醉意識清醒程度指標的方法 Download PDF

Info

Publication number
TW201521676A
TW201521676A TW102146017A TW102146017A TW201521676A TW 201521676 A TW201521676 A TW 201521676A TW 102146017 A TW102146017 A TW 102146017A TW 102146017 A TW102146017 A TW 102146017A TW 201521676 A TW201521676 A TW 201521676A
Authority
TW
Taiwan
Prior art keywords
signal
sample entropy
physiological
anesthesia
entropy
Prior art date
Application number
TW102146017A
Other languages
English (en)
Inventor
Shang-Ju Wu
Nien-Tzu Chen
Kuo-Kuang Jen
Jiann-Shing Shieh
Shou-Zen Fan
Original Assignee
Nat Inst Chung Shan Science & Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nat Inst Chung Shan Science & Technology filed Critical Nat Inst Chung Shan Science & Technology
Priority to TW102146017A priority Critical patent/TW201521676A/zh
Priority to US14/566,926 priority patent/US20150164413A1/en
Publication of TW201521676A publication Critical patent/TW201521676A/zh

Links

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
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • 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
    • A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
    • A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
    • A61B3/113—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for determining or recording eye movement
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Anesthesiology (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Psychology (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)

Abstract

本發明提供一種使用類神經網路判斷麻醉意識清醒程度的方法，受測者於一完整手術期間之生理訊號(腦波訊號或眼動訊號)首先被量測取得，接著，將取得之生理訊號經過經驗模態分解(Empirical Mode Decomposition,EMD)法濾除雜訊後，再將濾除雜訊後的生理訊號，分段進行樣本熵值計算後，得到一受測者的生理訊號樣本熵值集合，然後，依據上述步驟進行複數個受測者的生理訊號量測、濾波、樣本熵值計算後，得到複數個受測者的生理訊號樣本熵值集合，將該樣本熵值集合與手術期間經由麻醉深度監測儀取得之意識清醒度進行類神經網路(artificial neural networks,ANNs)迴歸分析後，產生麻醉深度指標模型，以應用於開刀房中判斷病患麻醉後之意識清醒程度。

Description

一種使用類神經網路判斷麻醉意識清醒程度的方法
本發明係關於一種用於判斷意識清醒程度的方法，特別是一種使用類神經網路判斷麻醉意識清醒程度的方法。
醫院中有許多高風險性的療程，手術就是其中之一，手術病患從進入開刀房進行麻醉開始，經過開刀過程至術後恢復，風險因子無所不在，其中，麻醉的安全性是最受病患及家屬所關心的事情之一，在麻醉的過程中，醫護人員均要依照病患麻醉深度監測儀器的數據來觀看病人的狀況。
目前市面上應用於醫院開刀房中麻醉深度監測儀器主要的包括Aspect medical systems製造的雙頻譜指標系統監測儀(BIS VISTA Monitor)以及Alaris製造的AEP監測儀(Auditory Evoked Potential(AEP)monitor)等。在分析評估腦波所反應的意識程度方面，BIS VISTA monitor運用雙頻譜指標(bi-spectral index)；AEP則是以發出聲波刺激病人，以量測病人的腦波電位變化來評估病人對聲音的反應，作為評估麻醉深度的依據。
BIS VISTA monitor採用的雙頻譜指標易受開刀房的電刀影響產生信號失真的狀況；Auditory Evoked Potential(AEP)monitor採用的音頻信號在操作上對開刀房的環境的要求較高，且由於誘發電位弱，易受干擾，尤其是電器的電波干擾，容易造成臨床使用的不便和限制，採用AEP index監測需給予聽覺刺激，因此對於聽力障礙的病人並不適用。
後續有人提出以樣本熵(Sample Entropy)分析腦波應 用於麻醉深度評估，試圖改善應用BIS及AEP index時存在的問題，然而，先前以樣本熵(Sample Entropy)進行腦電波分析計算求得出之熵值，仍存在雜訊，且缺乏一套完整迴歸分析，無法將求得出之數據，有效且方便地呈現給觀察者(醫師與護士等相關人員)。
本發明之目的即在於改善過去提出以非線性分析技術樣本熵判定病人麻醉深度之結果，提出一套更加完整的分析方法，結合麻醉深度監測儀量測的意識清醒度，然後，進行迴歸分析，得出麻醉深度指標模型，以利更能協助從事麻醉醫療行為人員，據以判定病人的麻醉深度。
本發明結合過去樣本熵之非線性分析技術所運算出之指標，以經驗模態分解法(Empirical Mode Decomposition，EMD)，並配合由麻醉深度監測儀量測之意識清醒度的麻醉趨勢作為依據，以類神經網路(artificial neural networks,ANNs)法運算後，建立麻醉深度指標模組，作為提供醫師與護士判斷病患麻醉意識清醒度更精確的依據。
經驗模態分解(Empirical Mode Decomposition,EMD)法是美籍華人N.E.Huang等人於1998年提出的，適合於分析非線性、非平穩信號序列，具有很高的信噪比。該方法的關鍵是經驗模式分解，它能使複雜信號分解為多組固有模態函數(Intrinsic Mode Function,IMF)，所分解出來的各IMF分量包含了原信號的不同時間尺度的局部特徵信號。從訊號分離出可能的固有模態函數的過程被稱之為轉換過程(Sifting Process)，轉換過程得到的可能固有模態函數必須兩個條件，否則就必須以可能的固有模態函數再次進行sifting直到滿足下列兩個條件：(a)整個時間序列中，所有局部極值的數目之和與跨零點(Zero-Crossing)數目之和相差不能超過一個；(b)在任何時間點上，平均包絡線(envelope)必需趨於零。
若上述兩個條件均滿足，則分離出來的訊號被稱之為固有模態函數(IMF)記作C1，原訊號與C1相減得到的剩餘訊號稱之為剩餘訊號(residue)。剩餘的訊號可以作為分解下一個固有模態函數的輸入。重複執行這樣的過程可以逐步分解出不同的固有模態函數，直到剩餘訊號是單調函數(monotonic function)。
經驗模態分解法能使非平穩數據進行平穩化處理，與短時傅立葉轉換、小波分解等方法相比，這種方法是直觀的、直接的和自適應的，因為基函數是由數據本身所分解得到，由於分解是基於信號序列時間尺度的局部特性，因此具有自適應性。
熵，是一個物理概念，與一個系統中紊亂的總量相關，在資訊理論的範疇中，描述一個信號的無規律性、複雜性和無預見性。熵，在時間範圍、頻率範圍或者兩者中都能被計算。
樣本熵是一種對時間範圍的訊號，進行分析的運算方法，有別於同樣屬於時間範圍的近似熵，不同點在於樣本熵是不計入自身的運算，可以說是近似熵的改進。樣本熵表示非線性系統產生信號的機率，主要用來定量地刻劃系統的規則度及複雜度。樣本熵的值越大，序列自我相似性越低，產生新信號的機率越高，序列越複雜；反之，樣本熵的值越小，序列自我相似性越高，產生新信號的機率越低，序列越簡單。
樣本熵的數值範圍為0至3左右，為了方便醫師或醫療人員能以習慣的表示了解病患的麻醉深度，因此，利用類神經網路(artificial neural networks,ANNs)法對意識清醒度值集合及麻醉信號監測儀取得的意識清醒度回歸，使樣本熵值的範圍變為0至100。
類神經網路是一個並行計算模型，這是類似於人類的神經結構，因此，它也被稱為平行分散式處理模式(parallel distributed processing model)或連接模型(connectionist model)。類神經網路利用反覆不斷的學習和誤差重複之修正，以達到最佳的輸出，整個系統就像一個大腦一樣了解新問題，進行分析，最後總結了最好的結論。
人工神經網絡的學習規則有三個一般分為：監督式學習(supervised learning)，無監督式學習(unsupervised learning)以及強化式學習 (reinforced learning)。
監督式學習網路(Supervised Learning)的訓練樣式(pattern)是 在訓練中過程中，藉由輸入和輸出數值之間的對應規則，產生一個新的權重值，如倒傳遞網路(Back Propagation Network,BPN)、學習向量量化網路(Learning Vector Qantization,LVQ)與反傳遞網路(Counter-Propagation Network,CPN)等，均為此類型的網路學習方式。
強化式學習網路(Reinforcement Learning)的訓練樣式是以對 訓練輸出值作關鍵性的程度判別，並由程度的差異，產生一組可應用於新樣式的權重值。此種網路結構，和監督式學習網路一樣，皆有目標作比對，但卻無法知道實際的輸出，通常是以較多的關鍵程度判別藉以得到更好權重值修正來回饋。
非監督式學習網路(Unsupervised Learning)的訓練樣式只有 輸入值，在訓練過程中藉由學習資料內部群聚規則，產生的加權值組應用新訓練樣式。如自組成圖網路(Self-Organization Map，SOM)與自調共鳴理論網路(Adaptive Resonance Theory,ART)等均屬於此種類型。
本發明所採用之類神經網路為一具有一層輸入層、一層隱藏 層與一層輸出層之類神經網路，以監督式學習網路訓練，經由倒傳遞網路的運作過程，從問題領域中取得訓練範例及目標輸出值，並將訓練範例輸入網路中，反覆調節網路的連接加權值及偏權值，以期接近醫師判斷結果。
第1圖顯示本發明之使用類神經網路產生判斷麻醉意識清醒程度指標模型的方法流程圖。
請參閱第1圖，第1圖為根據本發明之一具體實施例中的類神經網路產生判斷麻醉意識清醒程度指標的方法流程圖。首先，參考步驟S11，取得一受測者於一完整手術期間內之N(複數)筆生理信號，該生理訊號可為腦波信號或眼動信號，N的值依手術期間長短，擷取受測者生理信號的取樣頻率(sampling rate)而定。
參考步驟S12，將一整場手術期間內之N筆生理信號，經由 經驗模態分解(Empirical Mode Decomposition)法進行雜訊濾除，以得到濾除雜訊後的生理訊號。
參考步驟S13，將通過經驗模態分解(EMD)法濾除雜訊後的生 理訊號進行樣本熵值處理。假設一整場手術有N筆資料，將濾除雜訊後的生理訊號第1~n筆[n值依取樣頻率而定；假設頻率為125Hz，則通常n約會落在10m~30m範圍內，m為SampEn(N,m,r)中預先選定資料比較個數，假設m=2，則n的數量在100~900之間，通常取平均500，依取樣頻率=125Hz，約4秒的量]，計算出一筆樣本熵數值，接著利用滑動視窗繼續計算第2~n+1筆腦波訊號，再算出一筆樣本熵值，以此類推後續的計算，則有N-n+1筆樣本熵數值(代表此場手術意識清醒度指標)。本實施例中以SampEn(N,m,r)來表示樣本熵，其中，m為預先選定資料比較個數，r為預先選定的容忍範圍的係數，N為資料循環長度。樣本熵的具體算法如下：設原始數據為x(1),x(2),…,x(N)，共N個點。
(1)按照序號連續順序組成一組m維向量，從um(1)到um(N-m)，其中um(i)=[x(i),x(i+1),…,x(i+m-1)],i=1~N-m+1
(2)定義um(i)與um(j)之間的距離d[um(i)，um(j)]為兩者對應元素中相差最大的值。
d[u m (1),u m (j)]=max{| x(i+k)-x(j+k)|：0≦k≦m-1}
(3)給定閥值R(R=r*SD,SD為原始序列的標準差)，對每一個1iN-m值，統計d[um(i)，um(j)]為小於R的數目並除以N-m得到B m (r)。其公式如下：
(4)將維度增加1，重複(1)~(3)的步驟得A m(r)。其公式如下：
(5)B m (r)和A m (r)分別為m維和m+1維的兩序列相似機率，當N為有限時，樣本熵的計算公式為：
分別取得每個受測者於一整段手術期間的生理訊號，重覆步驟S11至步驟S13後，得到複數組樣本熵值所代表的意識清醒度指標。
參考步驟S3，將經由步驟S1處理的多組手術意識清醒度指標與步驟S2生理訊號監測儀量測的意識清醒度指標結合，利用類神經網路進行迴歸分析後得到一意識清醒度指標模型，作為較精確的判斷開刀房病患意識清醒度之指標模型。
在本實施例中，步驟S12用以進行濾波之經驗模態分解法(Empirical Mode Decomposition,EMD)，係將原始的信號分解成數個固有模態函數(Intrinsic Mode Functions,IMF)，而分解出來的每個固有模態函數包含了原信號的不同時間尺度的局部特徵信號；首先，固有模態函數係根據以下兩個邊界條件判斷，若資料可滿足這兩個條件，即可稱作固有模態函數：(a)整個時間序列中，所有局部極值的數目之和與跨零點(Zero-Crossing)數目之和相差不能超過一個，也就是說一個極值後面必需馬上接一個跨零點點；(b)在任何時間點上，平均包絡線(envelope)必需趨於零。根據上述兩邊界條件，原始資料x(t)可利用經驗模態分離法轉換為固有模態函數，其步驟為：建立上、下包絡線，係在原始資料x(t)中辨識出其局部極大值與局部極小值，並將原始訊號x(t)中的局部極大值串連成上包絡線與局部極小值串連成下包絡線。計算平均值，將該原始資料x(t)之平均值曲線即為上、下包絡線之平均，以m1(t)表示。
執行篩選，在第一次篩選中，係將原始的原始資料x(t)減去第一次計算出的平均值m1(t)，獲得第一個分量信號h1(t)，完成一次的篩選 動作，藉由不斷地篩選動作，可使平均值mk(t)逐漸趨於平緩，極值的個數也會逐漸等於零交越點的個數，篩選過程可表示如下：x(t)-m1(t)=h1(t)
h1(t)-m2(t)=h2(t)
...............
hk-1(t)-mk(t)=hk(t)
→ hk(t)=c1(t)
判斷篩選後的分量信號是否滿足邊界條件：在篩選過程中，將每一次得到的分量信號hk(t)與前述兩邊界條件比對，而符合兩邊界條件者，該分量信號即為一固有模態函數，以hk(t)=c1(t)表示，至此完成一篩選過程(sifting process)。
分離固有模態函數，在獲得固有模態函數後，將其自原始資料x(t)中分離出來，此時會得到一殘餘值r1(t)(residual)，此殘餘值包含著週期較長、頻率較低之信號，將此殘餘值r1(t)做為新的原始資料，重複前述步驟數次，可逐漸得到頻率由高至低的數個固有模態函數，其分離過程如下：x(t)-c1(t)=r1(t)
r1(t)-c2(t)=r2(t)
............
rn-1(t)-cn(t)=rn(t)

Claims (6)

  1. 一種使用類神經網路產生判斷麻醉意識清醒程度指標模型的方法，其步驟包括：(a)取得一受測者於一手術期間之複數筆生理信號；(b)將該複數筆生理信號經由經驗模態分解法濾除雜訊；(c)將該複數筆濾除雜訊後之生理信號經由樣本熵亂度計算產生複數筆樣本熵值；(d)將複數個受測者之手術期間的生理訊號，經上述(a)~(c)之步驟產生一樣本熵值集合；(e)將所有受測者的樣本熵值集合結合麻醉程度監測儀量測的意識清醒度數值，經由類神經網路運算法進行迴歸分析，得到判斷麻醉病患意識清醒度的指標模型。
  2. 如申請專利範圍第1項所述之方法，其中該生理信號為腦波信號或眼動信號。
  3. 一種使用類神經網路產生判斷麻醉意識清醒程度指標模型的方法，其步驟包括：(a)取得一受測者於一手術期間之複數筆生理信號；(b)將該複數筆生理信號經由經驗模態分解法濾除雜訊；(c)將該複數筆濾除雜訊後之第1~n(n值依取樣頻率而定)筆生理信號經由樣本熵亂度計算產生一樣本熵值；(d)重覆上述(c)之步驟將第2~n+1筆生理信號經由樣本熵亂度計算產生下一樣本熵值；(e)依據上述(c)之步驟進行後續信號處理，直到該受測者於一手 術期間之複數筆生理信號處理完畢；(f)將多個受測者之手術期間的生理訊號，經上述(a)~(e)之步驟產生一樣本熵值集合；(g)將所有受測者的樣本熵值集合結合麻醉程度監測儀量測的意識清醒度，經由類神經網路運算法進行迴歸分析，得到判斷麻醉病患意識清醒度的指標模型。
  4. 如申請專利範圍第3項所述之方法，其中該生理信號為腦波信號或眼動信號。
  5. 一種使用類神經網路產生判斷麻醉意識清醒程度指標模型的方法，其步驟包括：(a)分別取得複數個受測者各自於一手術期間之複數筆生理信號；(b)將各個受測者的複數筆生理信號經由經驗模態分解法濾除雜訊；(c)每個受測者的複數筆生理信號依據下列步驟產生一樣本熵值集合：(i)將該複數筆濾除雜訊後之第1~n(n值依取樣頻率而定)筆生理信號經由樣本熵亂度計算產生一樣本熵值；(ii)重覆上述(i)之步驟將第2~n+1筆生理信號經由樣本熵亂度計算產生下一樣本熵值；(iii)依據上述(i)之步驟進行後續信號處理，直到該受測者於一手術期間之複數筆生理信號處理完畢；(d)將所有受測者的樣本熵值集合結合麻醉程度監測儀量測的意識清醒度，經由類神經網路運算法進行迴歸分析，得到判 斷麻醉病患意識清醒度的指標模型。
  6. 如申請專利範圍第5項所述之方法，其中該生理信號為腦波信號或眼動信號。
TW102146017A 2013-12-13 2013-12-13 一種使用類神經網路產生判斷麻醉意識清醒程度指標的方法 TW201521676A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
TW102146017A TW201521676A (zh) 2013-12-13 2013-12-13 一種使用類神經網路產生判斷麻醉意識清醒程度指標的方法
US14/566,926 US20150164413A1 (en) 2013-12-13 2014-12-11 Method of creating anesthetic consciousness index with artificial neural network

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW102146017A TW201521676A (zh) 2013-12-13 2013-12-13 一種使用類神經網路產生判斷麻醉意識清醒程度指標的方法

Publications (1)

Publication Number Publication Date
TW201521676A true TW201521676A (zh) 2015-06-16

Family

ID=53366998

Family Applications (1)

Application Number Title Priority Date Filing Date
TW102146017A TW201521676A (zh) 2013-12-13 2013-12-13 一種使用類神經網路產生判斷麻醉意識清醒程度指標的方法

Country Status (2)

Country Link
US (1) US20150164413A1 (zh)
TW (1) TW201521676A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11006830B2 (en) 2016-01-08 2021-05-18 Genting Taurx Diagnostic Centre Sdn Bhd Method and system for determining network connections
CN113974557A (zh) * 2021-10-28 2022-01-28 中国人民解放军陆军军医大学第二附属医院 基于脑电奇异谱分析的深度神经网络麻醉深度分析方法

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9849241B2 (en) 2013-04-24 2017-12-26 Fresenius Kabi Deutschland Gmbh Method of operating a control device for controlling an infusion device
EP3324842B1 (en) 2015-07-17 2019-11-27 Quantium Medical S.L. Device and method for assessing the level of consciousness, pain and nociception during wakefulness, sedation and general anaesthesia
CN106473704B (zh) * 2016-09-21 2019-05-07 广州视源电子科技股份有限公司 睡眠状态分析中去除眼电伪迹的方法和系统
CN107480619B (zh) * 2017-08-03 2019-11-15 中国地质大学（武汉） 基于eemd和排列熵的探地雷达b扫描图像的降噪方法及系统
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
CN108236464B (zh) * 2017-12-29 2021-02-23 重庆邮电大学 基于脑电信号的特征提取方法及其检测提取系统
CN108801568B (zh) * 2018-04-27 2021-01-01 北京建筑大学 一种桥梁动挠度降噪方法及系统
CN108888264A (zh) * 2018-05-03 2018-11-27 南京邮电大学 Emd和csp融合功率谱密度脑电特征提取方法
CN109887594A (zh) * 2018-12-17 2019-06-14 浙江好络维医疗技术有限公司 一种基于modwt和tdcnn的多导联心律失常智能诊断方法
CN109946389B (zh) * 2019-01-31 2020-12-25 青岛理工大学 基于总体经验模态分解与卷积神经网络的结构损伤识别法
CN110243560A (zh) * 2019-05-28 2019-09-17 武汉光谷北斗控股集团有限公司 一种桥梁挠度监测中的温度效应分离方法
CN110633844B (zh) * 2019-08-25 2023-02-24 天津大学 基于emd和ann的建筑能源系统模拟预测方法及应用
CN110798225A (zh) * 2019-11-06 2020-02-14 深圳大普微电子科技有限公司 一种数据纠错方法、装置、设备及可读存储介质
KR20210146723A (ko) 2020-05-27 2021-12-06 주식회사 브레인유 의식 수준 측정 방법 및 컴퓨터 프로그램

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7625340B2 (en) * 2004-12-02 2009-12-01 Instrumentarium Corporation Identification of a dominant signal component in a biosignal

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11006830B2 (en) 2016-01-08 2021-05-18 Genting Taurx Diagnostic Centre Sdn Bhd Method and system for determining network connections
TWI745321B (zh) * 2016-01-08 2021-11-11 馬來西亞商雲頂圖爾斯診斷中心有限公司 決定網路連結之方法及系統
CN113974557A (zh) * 2021-10-28 2022-01-28 中国人民解放军陆军军医大学第二附属医院 基于脑电奇异谱分析的深度神经网络麻醉深度分析方法

Also Published As

Publication number Publication date
US20150164413A1 (en) 2015-06-18

Similar Documents

Publication Publication Date Title
TW201521676A (zh) 一種使用類神經網路產生判斷麻醉意識清醒程度指標的方法
Sangaiah et al. An intelligent learning approach for improving ECG signal classification and arrhythmia analysis
Gupta et al. Epileptic seizure identification using entropy of FBSE based EEG rhythms
CN108388912B (zh) 基于多传感器特征优化算法的睡眠分期方法
Güler et al. Classification of EMG signals using PCA and FFT
US6839581B1 (en) Method for detecting Cheyne-Stokes respiration in patients with congestive heart failure
Yan et al. Multi-modality of polysomnography signals’ fusion for automatic sleep scoring
CN106413541B (zh) 用于诊断睡眠的系统和方法
CN112043252B (zh) 基于脉搏信号中呼吸成分的情绪识别系统及方法
Nguyen-Ky et al. Measuring the hypnotic depth of anaesthesia based on the EEG signal using combined wavelet transform, eigenvector and normalisation techniques
Wang et al. An efficient method to detect sleep hypopnea-apnea events based on EEG signals
Diykh et al. Robust approach to depth of anaesthesia assessment based on hybrid transform and statistical features<? show [AQ ID= Q1]?>
Witteveen et al. Comparison of a pragmatic and regression approach for wearable EEG signal quality assessment
Alsafy et al. Developing a robust model to predict depth of anesthesia from single channel EEG signal
Kong et al. Use of modified sample entropy measurement to classify ventricular tachycardia and fibrillation
Adama et al. Extendable Hybrid Approach to Detect Conscious States in a CLIS Patient Using Machine Learning.
Lucena et al. The Performance of Short‐Term Heart Rate Variability in the Detection of Congestive Heart Failure
Karimi Moridani An automated method for sleep apnoea detection using HRV
Gialelis et al. Identifying chronic disease complications utilizing state of the art data fusion methodologies and signal processing algorithms
Tang et al. Epileptic seizure detection based on path signature and bi-LSTM network with attention mechanism
Szczuko et al. Mining knowledge of respiratory rate quantification and abnormal pattern prediction
Zhong et al. Epileptic prediction using spatiotemporal information combined with optimal features strategy on EEG
Radhakrishnan et al. Investigating EEG Signals of Autistic Individuals Using Detrended Fluctuation Analysis.
TWI565448B (zh) A method of brainwave analysis
Halliday et al. Neural spike train synchronization indices: definitions, interpretations, and applications