CN108325020A - 一种静脉麻醉多参数指标闭环监控*** - Google Patents
一种静脉麻醉多参数指标闭环监控*** Download PDFInfo
- Publication number
- CN108325020A CN108325020A CN201810193928.4A CN201810193928A CN108325020A CN 108325020 A CN108325020 A CN 108325020A CN 201810193928 A CN201810193928 A CN 201810193928A CN 108325020 A CN108325020 A CN 108325020A
- Authority
- CN
- China
- Prior art keywords
- parameter
- index
- module
- signal
- control host
- 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
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
- A61M5/00—Devices for bringing media into the body in a subcutaneous, intra-vascular or intramuscular way; Accessories therefor, e.g. filling or cleaning devices, arm-rests
- A61M5/14—Infusion devices, e.g. infusing by gravity; Blood infusion; Accessories therefor
- A61M5/142—Pressure infusion, e.g. using pumps
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
- A61M5/00—Devices for bringing media into the body in a subcutaneous, intra-vascular or intramuscular way; Accessories therefor, e.g. filling or cleaning devices, arm-rests
- A61M5/14—Infusion devices, e.g. infusing by gravity; Blood infusion; Accessories therefor
- A61M5/168—Means for controlling media flow to the body or for metering media to the body, e.g. drip meters, counters ; Monitoring media flow to the body
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
- A61M5/00—Devices for bringing media into the body in a subcutaneous, intra-vascular or intramuscular way; Accessories therefor, e.g. filling or cleaning devices, arm-rests
- A61M5/14—Infusion devices, e.g. infusing by gravity; Blood infusion; Accessories therefor
- A61M5/142—Pressure infusion, e.g. using pumps
- A61M2005/14208—Pressure infusion, e.g. using pumps with a programmable infusion control system, characterised by the infusion program
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
- A61M5/00—Devices for bringing media into the body in a subcutaneous, intra-vascular or intramuscular way; Accessories therefor, e.g. filling or cleaning devices, arm-rests
- A61M5/14—Infusion devices, e.g. infusing by gravity; Blood infusion; Accessories therefor
- A61M5/142—Pressure infusion, e.g. using pumps
- A61M2005/14288—Infusion or injection simulation
- A61M2005/14292—Computer-based infusion planning or simulation of spatio-temporal infusate distribution
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
- A61M2230/00—Measuring parameters of the user
- A61M2230/08—Other bio-electrical signals
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Anesthesiology (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Hematology (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Vascular Medicine (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Infusion, Injection, And Reservoir Apparatuses (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种静脉麻醉多参数指标闭环监控***,包括参数信号采集模块、控制主机模块、注射装置模块;所述参数信号采集模块与控制主机模块相连,参数信号采集模块用于采集人体原始EEG信号、NIRS信号、EMG信号,并将上述信号转化为可以监测镇静深度、镇痛深度及肌肉松弛度的参数指标传输至控制主机模块;所述控制主机模块用于参数辨识、模型预测、控制器反馈计算得到人体实时需要的药量和注射速率,并实时提供监测指标;控制主机模块的控制端与注射装置模块相连,所述注射装置模块通过控制主机模块获取药剂量和注射速度然后实行对人体进行注射。本发明采用多参数指标监控的闭环***,解决了传统参数的不确定性,具有实时性强,精度高等优点。
Description
技术领域
本发明涉及麻醉控制领域,尤其是一种静脉麻醉的多参数指标闭环监控***。
背景技术
据统计,我国每年有大约9千万人/次的全麻手术,预计到2018年手术量会达到1.55亿人/次。在临床上一些重要的手术,如心脏外科手术,神经外科手术以及脑创伤病人的监护,需要精细的麻醉给药,才能保证病人术中和术后的安全。这些对麻醉用药的个体化、精细化控制提出了更高的要求。
众所周知,术中麻醉深度监测可以使用三种指标,即镇静、镇痛和肌肉松弛。对于临床上的麻醉而言,关于镇静的监测研究最多,市场上已经有多款基于脑电产生一个单一指标来估计镇静深度,比如,双频谱指数、Nacrotrend指数、熵指数、小波指标等。在镇痛方面,由于镇痛药物对大脑作用受体与镇静药物不同,从EEG上很难提取单一的镇痛水平。关于镇痛的监测有心率变异性、平均动脉血压等。肌松的监测相对简单,通过肌电分量可以有效监测术中肌松程度,且肌松剂与镇静、镇痛剂之间无药物的相互作用。同时,镇静药物(如丙泊酚)和镇痛药物(如瑞芬太尼)之间有协同作用,这会导致固定的PKPD模型估计产生误差。
尽管现在关于麻醉监测和闭环控制方面的研究已经很多,但目前已有的大部分***仅仅是考虑了镇静或镇痛单一的指标,也没有考虑镇痛镇静药物之间的协同作用。因此目前还没有一个麻醉监控***能够同时给出麻醉中的镇静、镇痛等多参数指标。
发明内容
本发明目的在于提供一种静脉麻醉多参数指标闭环监控***,能同时采集EEG和NIRS信号,从EEG及NIRS中提取镇静镇痛相关指标,以丙泊酚-瑞芬太尼联合麻醉为主,考虑联合用药的协同效应,分别对镇痛、镇静等参数实现对应的闭环控制。
为实现上述目的,采用了以下技术方案:本发明所述***包括参数信号采集模块、控制主机模块、注射装置模块;所述参数信号采集模块与控制主机模块相连,参数信号采集模块用于采集人体原始EEG信号、NIRS信号、EMG信号,并将上述信号转化为可以监测镇静深度、镇痛深度及肌肉松弛度的参数指标传输至控制主机模块;所述控制主机模块用于参数辨识、模型预测、控制器反馈计算得到人体实时需要的药量和注射速率,并实时提供监测指标;控制主机模块的控制端与注射装置模块相连,所述注射装置模块通过控制主机模块获取药剂量和注射速度然后实行对人体进行注射。
进一步的,所述参数信号采集模块由EEG-NIRS信号采集***构成,具有EEG信号模块、NIRS信号模块、肌电信号模块;所述EEG信号模块包含对原始信号的采集及镇静指标的提取;所述NIRS信号模块包含对原始NIRS信号的采集及镇痛指标的提取;所述肌电信号模块包含对原始信号的采集及肌松指标的提取。所述的三种信号及其对应指标的联合监测是***多参数控制的基础。
进一步的,所述镇静深度参数LIA是通过对PLZC、SFS、MPF、BetaRatio四种指标的特征分量,经过整合、特征提取及深度神经网络学习后得到。解决了单一指标的不精确和传统参数的不确定性和时延问题;
进一步的,所述镇痛深度参数NAF是通过对原始NIRS信号进行多尺度小波分解及比尔-郎伯法则变换,并通过计算特征曲线A-LL下的面积,得到镇痛深度参数NAF;计算出的指标NAF能准确评估手术中疼痛/镇痛的反应;
NAF=[(α*LLmin)2+α*β]1/2/12.8
其中α和β为镇痛深度参数NAF的常数变量,值为0-100的常数;LLmin为特征曲线A-LL在相邻四个子窗口下的面积的最小值。
进一步的,所述肌松参数RPSD是根据肌电分量占总能量的比例的大小来判断病人的肌肉松弛度,即提取出肌电信号所在频段(≥40Hz)后,通过计算肌电分量的相对功率谱密度,评估病人肌肉松弛度。
进一步的,所述控制主机模块包含监控界面、药代模型、参数辨识、控制器、指标优化及数据库;所述的监控界面包含具有人工输入功能和参数指标监测功能;所述的药代模型为考虑药物混合使用的协同效应的病人模型;所述的参数辨识为基于最小二乘法的模型参数辨识;所述的控制器为模型预测控制和基于扩展预测自适应算法的闭环控制器;所述的指标优化为通过特征提取和无监督式深度神经网络学习进行参数优化;所述的数据库为存储建立病人数据信息。
进一步的,所述注射装置模块由并联设计的镇静、镇痛、肌松药物注射器组成,通过与控制主机模块建立RS232串口通信协议,将控制主机模块运算出的镇静、镇痛、肌松三种药物注射速度信息传递给注射器对病人进行药物注射。
进一步的,所述的考虑药物混合使用的协同效应的病人模型,针对丙泊酚和瑞芬太尼联合用药产生的协同效应,在传统的PKPD模型基础上,两种药物浓度-响应关系可以由以下规范化的关系进行表示:
其中,DOA(t)为麻醉镇静效应;t为时间(s)变量;θ为药物浓度效应参数;E0为指标初始常量(0-100);Emax(θ)是θ下的最大可能药物效应;Uprop(t)为丙泊酚的浓度效应;URem(t)为瑞芬太尼的浓度效应;Uprop(t)+URem(t)是混合药物效应;U50(θ)是在θ下50%的最大效应常量;γ(θ)是浓度-响应关系在θ下的最大可能药物效应。
进一步的,所述的参数辨识即病人模型辨识模块为采用最小二乘法进行辨识,辨识的病人模型如下:
a4y(k-4)+a3y(k-3)+a2y(k-2)+a1y(k-1)+a0y(k)=b1u(k-1)+b2u(k-2)+b3u(k-3)
其中,u代表模型的输入,即丙泊酚和瑞芬太尼的输注速度;k为输注速度u矩阵中的变量,取整数;y代表麻醉监测指标,即镇静或镇痛;a4,a3,a2,a1,a0,b1,b2,b3为辨识的模型参数;
进一步的,所述的指标优化为采用多视角学习方法,对指标特征进行二次优化和确认;包括以下步骤:
(1)提取麻醉的不同特征并建立所有特征的特征池;将不同年龄段的特征看作多个视角;
(2)采用多层神经网络第一次训练得到的指标特征标签的出事分布概率作为麻醉的状态特征,联合病人的年龄特征对多层圣经网络进行再训练;
(3)通过建立不同特征与状态的关联关系,找到每个状态下最合适的特征表示生成状态。
与现有技术相比,本发明具有如下优点:
1、实现多参数指标的麻醉监测,为精细控制麻醉提供状态监测基础。
2、通过自制的EEG-NIRS***采集的EEG信号,对PLZC、MPF、SFS、BetaRatio四个在频域时域的指标进行特征提取和优化,建立***独立的镇静参数LIA,解决了现有指标的不确定性。
3、根据自制的EEG-NIRS***,对原始近红外信号进行多尺度分解及特征提取得到***独立的镇痛参数NAF(NIRS-Area-Feature),得到的镇痛参数经过临床实验,能够更加精准的评估疼痛/镇痛刺激程度。
4、考虑镇静和镇痛药物之间的协同作用,建立了混合药物病人模型,能够对不期望的手术刺激做出快速反应;同时人工输入与自动控制结合的麻醉控制***大大减轻麻醉师的工作负荷,提升手术安全性,使其能将跟多精力投入到更重要的手术决策中。
附图说明
图1为本发明***的模块框图。
图2为本发明***的多输入多输出麻醉闭环控制结构图。
图3为本发明***的多参数麻醉状态优化示意图。
具体实施方式
下面结合附图对本发明做进一步说明:
如图1所示,本发明***包括病人(11),参数信号采集模块(12),控制主机模块(13),注射装置模块(14);
病人与参数信号采集模块相连,参数信号采集模块由EEG-NIRS信号采集***构成,能够同步采集NIRS(121)信号、EEG信号(122)、肌电信号(123),提取相关的镇静(141)、镇痛(142)、肌松(143)的指标,并将参数指标信息传递给控制主机模块。所述的控制主机模块包含具有人工输入功能和参数指标监测的监控界面(131)、考虑药物混合使用的协同效应的病人模型(134)、基于最小二乘法的模型参数辨识(132)、模型预测控制和基于扩展预测自适应算法的闭环控制器(133)、通过特征提取和无监督式深度神经网络学习的指标优化(135)以及建立病人数据信息的数据库(136)。控制主机模块与注射装置模块相连,通过建立RS232串口通信协议,将控制主机模块计算出的病人所需药物种类,注射药剂量和注射速度信息传递给注射装置模块。所述的注射装置模块由并联设计的镇静,镇痛,肌松药物注射器,对病人进行药物输注,实现自动麻醉闭环控制。
所述的多指标参数包括镇静深度、镇痛深度、肌肉松弛度、脑氧代谢信息。
所述的镇静深度参数是从采集的EEG信号中,在时域和频域经过多尺度分解及特征提取得到了排列Lempel-Ziv复杂度(PLZC)、同步快慢比(SFS)、中频谱(MPF)、β比率(BetaRatio)四种指标,经过整合、特征提取及深度神经网络学习后,得到的能够精准判定镇静深度参数指标LIA。
PLZC具体算法描述如下:
(1)对于N点的标记序列{x(i):1≤i≤N},总数为m!个,将其进行重构。然后根据重构后的标记序列来计算Lempel-Ziv复杂性。一个标记序列(x(n))的子序列总数有一个上限,并记为L(n):
L(n)=c(n)[logαc(n)+1] (1)
其中是当前标记序列中标记的个数,等于我们在排列标记过程中的m!。
(2)PLZC可以定义为一个标准化的c(n):
(3)其中n表示标记序列的总长度。当N很大时,PLZC可以简化为:
β比率具体算法如下:
BetaRatio=log(P30-47Hz/P11-20Hz) (4)
MPF具体算法如下:
SFS具体算法如下:
SEF=log(P0.5-47Hz/P40-47Hz) (7)
通过对将四种信号的特征分量输入特征矩阵,经由SVM及随机森林等分类方法,可以得出精确符合术中患者镇静状态的特征曲线,优化得到***独自的监测镇静深度的指标LIA,解决了单一指标的不精确和传统参数的不确定性和时延问题。
所述的镇痛深度参数NAF(NIRS-Area-Feature)是从采集的NIRS信号中,对原始信号进行多尺度小波分解。将尺度8下的近似分量(0-0.196Hz)提取出进行小波逆变换得到原始信号脑功能相关趋势分量;根据两个信号的趋势分量进行比尔-郎伯法则变换得到HbO2和Hb相对浓度的变化。基于此绘制的特征信号曲线产生的特征L波形,测量两个L波之间的时间。采用超过64秒的标准向量LL的间期序列,标准值(θ)的计算:
然后,每个LL样本除以标准值(θ):
LLi'=LLi/θ (9)
对均值和归一化后LL间期序列进行能量分布计算,得到A-LL特征曲线。将64s的信号量分成4段,每段16s。通过计算特征曲线A-LL下的面积值,记录每个16s子窗口下的面积S1,S2,S3,S4。为了得出总窗口面积的一部分,计算出一个0-100的度量值,我们定义LLmin=min(S1,S2,S3,S4):
NAF=[(α*LLmin)2+α*β]1/2/12.8 (10)
经过实验分析和理论验证,在α=4.8和β=1.6时,计算出的指标NAF能准确评估手术中疼痛/镇痛的反应。通过每次计算后,移动64s的窗口,可以连续测量。最终参数的采样率取决于窗口移动的周期。
所述的肌松参数,本发明通过相对功率谱密度(RPSD)进行术中肌松程度的监测,即根据肌电分量占总能量的比例的大小,来判断病人的肌肉松弛度。根据EEG信号的振荡频率在临床上主要可以分成五种子带宽:delta波(0-4Hz),theta波(4-8Hz),alpha波(8-13Hz),beta波(13-30Hz)及gamma波(30-47Hz)。这些子带宽的功率谱密度(PSD)采用pwelch的方法计算。RSPD的具体计算方式如下:
p(.)代表能量,RPSD(.)代表相对功率谱密度。这里的f1和f2分别代表低频率和高频率。p(1,47)代表从1Hz-47Hz包含五种子带宽(delta波,theta波,alpha波,gamma波)的能量。根据上述方法,提取出肌电信号所在频段(≥40Hz)后,通过计算肌电分量的相对功率谱密度(RPSD),即可准确评估病人肌肉松弛度,且肌松剂与镇静、镇痛剂之间无药物的相互作用。经过临床实验,此方法对肌松的判断精确可行。
所述的***的混合药物病人模型,针对丙泊酚和瑞芬太尼联合用药产生的协同效应,在传统的PKPD模型基础上,两种药物浓度-响应关系可以由以下规范化的关系进行表示:
其中Uprop(t)+URem(t)是混合药物效应;γ(θ)是浓度-响应关系在θ下的斜率;DOA(t)为麻醉镇静效应。
所述的控制***的控制器,如图2所示,从实用性和可靠性的角度出发,本发明中采用模型预测控制和基于扩展预测自适应控制算法。针对镇静/镇痛闭环控制,在得到可靠的辨识模型后,控制策略如下:
(1)进行模型预测。在当前采样时刻,基于辨识模型、期望镇静/镇痛值,已施加的输入和已获得的输出,预测未来一个时间段内的输入和输出。
(2)进行最优控制,使未来输出接近期望输出。
(3)滚动优化。在当前时刻,仅采用最有控制序列的第一个输入,在下一采样时刻,重复上述步骤,获得最优控制输入。
(4)通过反复进行的预测控制优化,期望得到最优控制效果。
控制输入信号u可以表示为:u(s)=K1(s)r(s)+K2(s)y(s)。
针对肌松的闭环控制器,常用的肌肉阻滞剂是阿曲库铵,对此,采用一个简洁的维纳模型,对肌松实现单输入单输出控制。
所述的***的参数辨识即病人模型辨识模块,本发明采用每个病人自己的临床数据,通过辨识模块,将病人的个人生理信息整合成模型,得到各自的模型参数。采用最小二乘法进行辨识,辨识的病人模型是一个四阶微分方程:
其中u代表模型的输入,即两种药物的输注速度;y代表麻醉监测指标,即镇静或镇痛;a4,a3,a2,a1,a0,b1,b2,b3为辨识的模型参数。
所述的***的参数优化即将数字化的指标映射到麻醉的不同状态,用于控制器的控制。如图3所示,采用多视角学习方法,对指标特征进行二次优化和确认。具体描述如下:
(1)基于获取的多源数据,提取麻醉的不同特征并建立所有特征的特征池。将不同年龄段的特征看作多个视角。
(2)基于多模态的迭代计算,采用多层神经网络第一次训练得到的指标特征标签的出事分布概率作为麻醉的状态特征,联合病人的年龄特征对多层圣经网络进行再训练。
(3)基于多视角的状态标志,通过建立不同特征与状态的关联关系,找到每个状态下最合适的特征表示生成状态。
以上所述的实施例仅仅是对本发明的优选实施方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案做出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。
Claims (10)
1.一种静脉麻醉多参数指标闭环监控***,其特征在于:所述***包括参数信号采集模块、控制主机模块、注射装置模块;所述参数信号采集模块与控制主机模块相连,参数信号采集模块用于采集人体原始EEG信号、NIRS信号、EMG信号,并将上述信号转化为可以监测镇静深度、镇痛深度及肌肉松弛度的参数指标传输至控制主机模块;所述控制主机模块用于参数辨识、模型预测、控制器反馈计算得到人体实时需要的药量和注射速率,并实时提供监测指标;控制主机模块的控制端与注射装置模块相连,所述注射装置模块通过控制主机模块获取药剂量和注射速度然后实行对人体进行注射。
2.根据权利要求1所述的一种静脉麻醉多参数指标闭环监控***,其特征在于:所述参数信号采集模块由EEG-NIRS信号采集***构成,具有EEG信号模块、NIRS信号模块、肌电信号模块;所述EEG信号模块包含对原始信号的采集及镇静指标的提取;所述NIRS信号模块包含对原始NIRS信号的采集及镇痛指标的提取;所述肌电信号模块包含对原始信号的采集及肌松指标的提取。
3.根据权利要求1所述的一种静脉麻醉多参数指标闭环监控***,其特征在于:所述镇静深度参数LIA是通过对PLZC、SFS、MPF、BetaRatio四种指标的特征分量,经过整合、特征提取及深度神经网络学习后得到。
4.根据权利要求1所述的一种静脉麻醉多参数指标闭环监控***,其特征在于:所述镇痛深度参数NAF是通过对原始NIRS信号进行多尺度小波分解及比尔-郎伯法则变换,并通过计算特征曲线A-LL下的面积,得到镇痛深度参数NAF;计算出的指标NAF能准确评估手术中疼痛/镇痛的反应;
NAF=[(α*LLmin)2+α*β]1/2/12.8 (1)
其中α和β为镇痛深度参数NAF的常数变量,值为0-100的常数;LLmin为特征曲线A-LL在相邻四个子窗口下的面积的最小值。
5.根据权利要求1所述的一种静脉麻醉多参数指标闭环监控***,其特征在于:所述肌松参数RPSD是根据肌电分量占总能量的比例的大小来判断病人的肌肉松弛度,即提取出肌电信号所在频段(≥40Hz)后,通过计算肌电分量的相对功率谱密度,评估病人肌肉松弛度。
6.根据权利要求1所述的一种静脉麻醉多参数指标闭环监控***,其特征在于:所述控制主机模块包含监控界面、药代模型、参数辨识、控制器、指标优化及数据库;所述的监控界面包含具有人工输入功能和参数指标监测功能;所述的药代模型为考虑药物混合使用的协同效应的病人模型;所述的参数辨识为基于最小二乘法的模型参数辨识;所述的控制器为模型预测控制和基于扩展预测自适应算法的闭环控制器;所述的指标优化为通过特征提取和无监督式深度神经网络学习进行参数优化;所述的数据库为存储建立病人数据信息。
7.根据权利要求1所述的一种静脉麻醉多参数指标闭环监控***,其特征在于:所述注射装置模块由并联设计的镇静、镇痛、肌松药物注射器组成,通过与控制主机模块建立RS232串口通信协议,将控制主机模块运算出的镇静、镇痛、肌松三种药物注射速度信息传递给注射器对病人进行药物注射。
8.根据权利要求6所述的一种静脉麻醉多参数指标闭环监控***,其特征在于:所述的考虑药物混合使用的协同效应的病人模型,针对丙泊酚和瑞芬太尼联合用药产生的协同效应,在传统的PKPD模型基础上,两种药物浓度-响应关系可以由以下规范化的关系进行表示:
其中,DOA(t)为麻醉镇静效应;t为时间(s)变量;θ为药物浓度效应参数;E0为指标初始常量(0-100);Emax(θ)是θ下的最大可能药物效应;Uprop(t)为丙泊酚的浓度效应;URem(t)为瑞芬太尼的浓度效应;Uprop(t)+URem(t)是混合药物效应;U50(θ)是在θ下50%的最大效应常量;γ(θ)是浓度-响应关系在θ下的最大可能药物效应。
9.根据权利要求6所述的一种静脉麻醉多参数指标闭环监控***,其特征在于:所述的参数辨识即病人模型辨识模块为采用最小二乘法进行辨识,辨识的病人模型如下:
其中,u代表模型的输入,即丙泊酚和瑞芬太尼的输注速度;k为输注速度u矩阵中的变量,取整数;y代表麻醉监测指标,即镇静或镇痛;a4,a3,a2,a1,a0,b1,b2,b3为辨识的模型参数。
10.根据权利要求6所述的一种静脉麻醉多参数指标闭环监控***,其特征在于:所述的指标优化为采用多视角学习方法,对指标特征进行二次优化和确认;包括以下步骤:
(1)提取麻醉的不同特征并建立所有特征的特征池;将不同年龄段的特征看作多个视角;
(2)采用多层神经网络第一次训练得到的指标特征标签的出事分布概率作为麻醉的状态特征,联合病人的年龄特征对多层圣经网络进行再训练;
(3)通过建立不同特征与状态的关联关系,找到每个状态下最合适的特征表示生成状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810193928.4A CN108325020B (zh) | 2018-03-09 | 2018-03-09 | 一种静脉麻醉多参数指标闭环监控*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810193928.4A CN108325020B (zh) | 2018-03-09 | 2018-03-09 | 一种静脉麻醉多参数指标闭环监控*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108325020A true CN108325020A (zh) | 2018-07-27 |
CN108325020B CN108325020B (zh) | 2021-01-08 |
Family
ID=62929051
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810193928.4A Active CN108325020B (zh) | 2018-03-09 | 2018-03-09 | 一种静脉麻醉多参数指标闭环监控*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108325020B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109157231A (zh) * | 2018-10-24 | 2019-01-08 | 阿呆科技(北京)有限公司 | 基于情绪刺激任务的便携式多通道抑郁倾向评估*** |
CN109887599A (zh) * | 2019-02-25 | 2019-06-14 | 中国计量大学 | 一种基于神经网络的中医处方疗效推演方法 |
CN112190233A (zh) * | 2020-10-20 | 2021-01-08 | 黄淮学院 | 患者术后居家疼痛观察远程分析管理*** |
CN112870480A (zh) * | 2021-01-22 | 2021-06-01 | 燕山大学 | 模糊控制远程控制***物输液泵*** |
CN113440690A (zh) * | 2021-08-03 | 2021-09-28 | 复旦大学 | 基于肌电信号反馈的智能定量给药电针注射设备 |
CN113648484A (zh) * | 2021-09-06 | 2021-11-16 | 北京航空航天大学 | 一种便携式靶控输注静脉麻醉装置及靶控输注控制方法 |
CN115105681A (zh) * | 2022-06-24 | 2022-09-27 | 纽锐思(苏州)医疗科技有限公司 | 基于多模态生理指标的麻醉闭环输注*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102793534A (zh) * | 2012-07-11 | 2012-11-28 | 广西威利方舟科技有限公司 | 麻醉深度监控装置及方法 |
CN103908249A (zh) * | 2014-01-28 | 2014-07-09 | 广西威利方舟科技有限公司 | ***物平衡控制装置及其控制方法 |
CN105852804A (zh) * | 2016-03-24 | 2016-08-17 | 美合实业(苏州)有限公司 | 便携式麻醉深度监护仪 |
CN106902421A (zh) * | 2017-01-17 | 2017-06-30 | 燕山大学 | 一种个人化麻醉闭环控制*** |
-
2018
- 2018-03-09 CN CN201810193928.4A patent/CN108325020B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102793534A (zh) * | 2012-07-11 | 2012-11-28 | 广西威利方舟科技有限公司 | 麻醉深度监控装置及方法 |
CN103908249A (zh) * | 2014-01-28 | 2014-07-09 | 广西威利方舟科技有限公司 | ***物平衡控制装置及其控制方法 |
CN105852804A (zh) * | 2016-03-24 | 2016-08-17 | 美合实业(苏州)有限公司 | 便携式麻醉深度监护仪 |
CN106902421A (zh) * | 2017-01-17 | 2017-06-30 | 燕山大学 | 一种个人化麻醉闭环控制*** |
Non-Patent Citations (2)
Title |
---|
ZHENHU LIANG,YUE GU,XUEJING DUAN: "Design of multichannel functional near-infrared spectroscopy system with application to propofol and sevoflurane anesthesia monitoring", 《NEUROPHOTONICS》 * |
梁振虎: "EEG熵算法及麻醉状态监测应用研究", 《中国博士学位论文全文数据库医药卫生科技辑》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109157231A (zh) * | 2018-10-24 | 2019-01-08 | 阿呆科技(北京)有限公司 | 基于情绪刺激任务的便携式多通道抑郁倾向评估*** |
CN109887599A (zh) * | 2019-02-25 | 2019-06-14 | 中国计量大学 | 一种基于神经网络的中医处方疗效推演方法 |
CN112190233A (zh) * | 2020-10-20 | 2021-01-08 | 黄淮学院 | 患者术后居家疼痛观察远程分析管理*** |
CN112870480A (zh) * | 2021-01-22 | 2021-06-01 | 燕山大学 | 模糊控制远程控制***物输液泵*** |
CN112870480B (zh) * | 2021-01-22 | 2021-12-14 | 燕山大学 | 模糊控制远程控制***物输液泵*** |
CN113440690A (zh) * | 2021-08-03 | 2021-09-28 | 复旦大学 | 基于肌电信号反馈的智能定量给药电针注射设备 |
CN113648484A (zh) * | 2021-09-06 | 2021-11-16 | 北京航空航天大学 | 一种便携式靶控输注静脉麻醉装置及靶控输注控制方法 |
CN115105681A (zh) * | 2022-06-24 | 2022-09-27 | 纽锐思(苏州)医疗科技有限公司 | 基于多模态生理指标的麻醉闭环输注*** |
CN115105681B (zh) * | 2022-06-24 | 2024-05-24 | 纽锐思(苏州)医疗科技有限公司 | 基于多模态生理指标的麻醉闭环输注*** |
Also Published As
Publication number | Publication date |
---|---|
CN108325020B (zh) | 2021-01-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108325020A (zh) | 一种静脉麻醉多参数指标闭环监控*** | |
CN109009099A (zh) | 一种基于eeg-nirs的智能麻醉*** | |
CN105147248B (zh) | 基于生理信息的抑郁症评估***及其评估方法 | |
Izard et al. | Infant cardiac activity: Developmental changes and relations with attachment. | |
Katz | Fractals and the analysis of waveforms | |
Stassen | Computerized recognition of persons by EEG spectral patterns | |
CN104825135A (zh) | 一种新型疼痛评估***的建立方法 | |
CN110193113A (zh) | 多通道智能给药*** | |
Wang et al. | Inference of brain states under anesthesia with meta learning based deep learning models | |
CN115282401B (zh) | 静脉输液泵控制***、静脉输液泵控制方法和存储介质 | |
Nath et al. | Validating physiological stress detection model using cortisol as stress bio marker | |
CN111616681A (zh) | 基于便携式脑电采集设备和深度学习的麻醉状态监测*** | |
CN115299881A (zh) | 一种麻醉维持期的监测与调控***及方法 | |
CN114343573B (zh) | 一种面向药物成瘾患者的闭环数字药物***、设备及介质 | |
CN117219227B (zh) | 一种基于模糊神经网络的麻醉给药控制*** | |
CN116747377A (zh) | 一种闭环的智能麻醉控制*** | |
CN104799814A (zh) | 气虚、血虚状态量化测量方法与装置 | |
CN109620263B (zh) | 一种企事业单位上岗人员体征安全分析方法 | |
CN117093846A (zh) | 一种从局部到全局的时空ecg情绪识别模型 | |
Wu et al. | Stress detection using wearable devices based on transfer learning | |
Schmierer et al. | Harnessing machine learning for EEG signal analysis: Innovations in depth of anaesthesia assessment | |
Goldberger et al. | Fractals and the heart | |
Spotts et al. | Drugs and personality: Comparison of drug users, nonusers, and other clinical groups on the 16PF | |
Zhou et al. | Application of back propagation neural network and information entropy in deep detection of anesthesia | |
Belgacem et al. | ECG based human identification using random forests |
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 |