CN110234272B - 麻醉阶段识别与麻醉深度计算方法及装置 - Google Patents
麻醉阶段识别与麻醉深度计算方法及装置 Download PDFInfo
- Publication number
- CN110234272B CN110234272B CN201780085012.0A CN201780085012A CN110234272B CN 110234272 B CN110234272 B CN 110234272B CN 201780085012 A CN201780085012 A CN 201780085012A CN 110234272 B CN110234272 B CN 110234272B
- Authority
- CN
- China
- Prior art keywords
- anesthesia
- patient
- correlation
- stage
- depth
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 206010002091 Anaesthesia Diseases 0.000 title claims abstract description 371
- 230000037005 anaesthesia Effects 0.000 title claims abstract description 371
- 238000004364 calculation method Methods 0.000 title claims description 190
- 238000000034 method Methods 0.000 claims abstract description 51
- 230000006698 induction Effects 0.000 claims abstract description 42
- 230000002618 waking effect Effects 0.000 claims abstract description 31
- 230000004044 response Effects 0.000 claims abstract description 24
- 238000011084 recovery Methods 0.000 claims description 20
- 230000003044 adaptive effect Effects 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 10
- 230000005526 G1 to G0 transition Effects 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 abstract description 11
- 210000004556 brain Anatomy 0.000 description 40
- 230000000875 corresponding effect Effects 0.000 description 35
- 238000001914 filtration Methods 0.000 description 23
- 230000004424 eye movement Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 230000003444 anaesthetic effect Effects 0.000 description 9
- 238000001514 detection method Methods 0.000 description 9
- 230000002596 correlated effect Effects 0.000 description 8
- 238000000605 extraction Methods 0.000 description 6
- 230000003183 myoelectrical effect Effects 0.000 description 6
- 238000007781 pre-processing Methods 0.000 description 5
- 230000003595 spectral effect Effects 0.000 description 5
- 210000003128 head Anatomy 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 241000282414 Homo sapiens Species 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000036407 pain Effects 0.000 description 3
- 238000001356 surgical procedure Methods 0.000 description 3
- 210000005069 ears Anatomy 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000027311 M phase Effects 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 210000003710 cerebral cortex Anatomy 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 230000001054 cortical effect Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000002567 electromyography Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 230000000926 neurological effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000001473 noxious effect Effects 0.000 description 1
- 230000008058 pain sensation Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 208000020016 psychiatric disease Diseases 0.000 description 1
- 210000004761 scalp Anatomy 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
- 208000019116 sleep disease Diseases 0.000 description 1
- 208000020685 sleep-wake disease Diseases 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
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
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/372—Analysis of electroencephalograms
- A61B5/374—Detecting the frequency distribution of signals, e.g. detecting delta, theta, alpha, beta or gamma waves
-
- 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
- A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Psychiatry (AREA)
- Anesthesiology (AREA)
- Psychology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
一种麻醉阶段的识别方法,用于识别患者所处的麻醉阶段,包括:采集脑电信号(S11);按照预设频率计算采集到的脑电信号的至少两个特征(S12);根据计算得到的至少两个特征确定患者对应时间段所处的麻醉阶段(S13)。本识别方法能够准确判断麻醉阶段、解决误判带来的清醒期异常跌落和诱导期响应速度慢的问题。
Description
技术领域
本发明涉及麻醉脑电监测领域,尤其涉及一种基于脑电的麻醉阶段识别与麻醉深度计算方法及装置。
背景技术
麻醉是指用药物或其他方法使患者整体或局部暂时失去感觉,以达到无痛的目的进行手术治疗。在外科手术中,麻醉的作用极为重要。
适当的麻醉可以使患者在无痛觉的情况下进行手术治疗,由此,可以使患者免受痛苦,同时方便医生正常工作。但是麻醉不当,不但不能消除患者的痛苦,还会带来一系列其他的问题。例如,麻醉过深,可能使患者的神经***功能受到损伤,并可能留下神经后遗症。而麻醉过浅,可能无法抑制伤害性刺激引起的机体过渡反应,使患者在术中知晓,造成患者自存有手术中记忆,从而可能引起严重的精神或睡眠障碍。因而麻醉阶段监测十分重要。
然而在现有技术中,麻醉阶段的判断存在一些问题。如图1所示,麻醉深度值处于80至100时,患者处于清醒状态,麻醉深度值处于40至60时,患者处于麻醉状态。在清醒期的M段内,麻醉深度出现了异常跌落,使得患者被误判为处于麻醉状态;***物输送至患者体内较长一段时间后,患者在N段的起始点处就应该呈现下降的趋势,但N段的麻醉深度值仍处于清醒的水平,使得麻醉深度的整体下降速度变慢。
上述的问题的出现,是由于清醒状态下的闭眼眼动信号(参见图2a)和麻醉诱导状态下的脑电信号(参见图2b)相似度很高,极易出现两者之间的误判。即患者处于清醒状态时,会有生成眼动信号,当眼动信号误识别为脑电信号,麻醉深度值会出现异常跌落的现象。当***物开始起作用后,大脑会产生类似于眼动信号的脑电信号,这时患者已经处于麻醉状态,但会存在脑电信号误识别为眼动信号,由此麻醉深度值依旧维持清醒状态的水平,患者被误判为处于清醒状态。
发明内容
本发明是鉴于上述情况而作出的,其目的在于提供一种能够准确判断麻醉阶段、解决误判带来的清醒期异常跌落和诱导期响应速度慢的问题的麻醉阶段识别方法与麻醉深度计算方法。
为此,本发明的一方面提供了一种麻醉阶段的识别方法,用于识别患者所处的麻醉阶段,其特征在于,所述方法包括:采集脑电信号;按照预设频率计算采集到的所述脑电信号的至少两个特征;根据计算得到的至少两个所述特征,确定患者对应时间段所处的麻醉阶段。
在本发明中,利用按照预设频率计算采集到的所述脑电信号的至少两个特征,确定患者在采集的脑电信号下的相应的麻醉阶段。在这种情况下,能够解决误判带来的清醒期异常跌落和诱导期响应速度慢的问题,准确获得患者所处的麻醉阶段。
在本发明的一方面所涉及的麻醉阶段的识别方法中,采集的所述脑电信号包括至少两个通道的脑电信号;所述脑电信号的至少两个特征包括任意两个通道脑电信号的相关性和由任意一个通道的脑电信号中的高频能量。由此,根据高频能量和相关性准确获得患者所处的麻醉阶段。
在本发明的一方面所涉及的麻醉阶段的识别方法中,根据计算得到的至少两个所述特征,确定患者对应时间段所处的麻醉阶段的步骤具体为:由得到的所述高频能量,及任意两个通道脑电信号的所述相关性或所述相关性的变化确定患者对应时间段所处的麻醉阶段。由此,根据高频能量和相关性或相关性的变化,能够更加准确获得患者所处的麻醉阶段。
在本发明的一方面所涉及的麻醉阶段的识别方法中,所述麻醉阶段分为:清醒期、诱导期、平稳期和恢复期。由此,根据高频能量和相关性或相关性的变化,能够更加准确获得患者处于清醒期、诱导期、平稳期和恢复期中的哪个阶段。
在本发明的一方面所涉及的麻醉阶段的识别方法中,将所述高频能量与第一预设阈值比较,确定高频能量的高低。由此,可以根据高频能量的高低判断患者所处的麻醉阶段。
在本发明的一方面所涉及的麻醉阶段的识别方法中,所述第一预设阈值为与高频能量相关的自适应阈值。由此,可以准确获得高频能量的高低,能够更加准确判断患者所处的麻醉阶段。
在本发明的一方面所涉及的麻醉阶段的识别方法中,若所述高频能量高且所述相关性为负,确定所述麻醉阶段为清醒期;若所述高频能量低且所述相关性为正,确定所述麻醉阶段为平稳期;若患者处于清醒期,当所述高频能量由高到低,且所述相关性为正,确定患者进入诱导期;若患者处于平稳期,当所述高频能量由低到高,且所述相关性为负,确定患者进入恢复期。由此,根据高频能量与相关性的综合判定,可以准确获得患者所处的麻醉阶段。
在本发明的一方面所涉及的麻醉阶段的识别方法中,通过皮尔森相关系数来标定所述相关性。由此,可以获得脑电信号的相关性,根据进一步相关性获得患者所处的麻醉阶段。
在本发明的一方面所涉及的麻醉阶段的识别方法中,所述皮尔森相关系数大于或等于第二阈值,判断相关性为正相关;所述皮尔森相关系数小于或等于第三阈值,判断相关性为负相关。由此,更能准确判断麻醉阶段。
本发明的另一方面提供了一种麻醉深度计算方法,所述方法包括:采集脑电信号;获取患者所处的麻醉阶段;根据患者所处的所述麻醉阶段确定麻醉深度计算策略;根据确定的所述麻醉深度计算策略计算对应时间段的麻醉深度。
在本发明中,根据不同的麻醉阶段采用不同的麻醉深度计算策略,获得与所采集的脑电信号相应的麻醉深度。在这种情况下,可以更加准确快速的获得麻醉深度值。
在本发明的另一方面所涉及的麻醉深度计算方法中,所述麻醉深度计算策略至少包括第一计算策略和第二计算策略。由此,可以根据不同的计算策略获得麻醉深度值。
在本发明的另一方面所涉及的麻醉深度计算方法中,采用所述第一计算策略计算所述麻醉深度的响应速度比采用所述第二计算策略计算所述麻醉深度的响应速度快;根据确定的所述麻醉深度计算策略计算对应时间段的麻醉深度的步骤具体为:当患者处于所述诱导期,采用所述第一计算策略。由此,可以获得更快的麻醉深度响应速度。
在本发明的另一方面所涉及的麻醉深度计算方法中,所述第一计算策略为用相对较短的信号计算所述麻醉深度,所述第二计算策略为用较所述第一计算策略中更长的信号计算所述麻醉深度。由此,第一计算策略计算麻醉深度的响应速度比采用第二计算策略计算麻醉深度的响应速度快。
在本发明的另一方面所涉及的麻醉深度计算方法中,所述根据确定的所述麻醉深度计算策略计算对应时间段的麻醉深度的步骤包括:用第一计算策略和第二计算策略并行计算麻醉深度;当患者处于所述诱导期,将采用所述第一计算策略的计算结果作为该对应阶段的麻醉深度。由此,能够更快的响应麻醉深度。
在本发明的另一方面所涉及的麻醉深度计算方法中,获取患者所处的麻醉阶段的步骤包括:利用采集的所述脑电信号,计算所述脑电信号的至少两个特征;根据两个所述特征确定患者对应时间段所处的麻醉阶段。由此,可以更高效的获得患者所处的麻醉阶段。
在本发明的另一方面提供了一种麻醉深度计算装置,包括采集模块,其用于采集脑电信号;判定模块,其用于获取患者所处的麻醉阶段;选择模块,其用于根据患者所处的所述麻醉阶段确定麻醉深度计算策略;计算模块,其用于根据确定的所述麻醉深度计算策略计算对应时间段的麻醉深度。由此,可以更加准确快速的获得麻醉深度值。
在本发明的另一方面所涉及的麻醉深度计算装置中,所述麻醉深度计算策略至少包括第一计算策略和第二计算策略,所述第一计算策略为用相对较短的信号计算所述麻醉深度,所述第二计算策略为用较所述第一计算策略中更长的信号计算所述麻醉深度。使用第二计算策略得到的麻醉深度值相比第一计算策略得到的麻醉深度值更平稳,同时使用第一计算测略得到的麻醉深度值相比第二计算策略得到的麻醉深度值更灵敏。在这种情况下,可以通过不同的麻醉阶段调整不同的计算策略,从而获得在不同的麻醉阶段下不同的出值计算策略,满足临床中对于不同麻醉阶段的需求。
在本发明的另一方面提供了一种麻醉深度计算装置,其特征在于,所述装置包括:传感器,其用于采集脑电信号;存储器,其用于存储采集到的所述脑电信号;处理器,其用于执行下述步骤:按照预设频率计算采集到的所述脑电信号的至少两个特征;根据计算得到的至少两个所述特征,确定患者对应时间段所处的麻醉阶段。在这种情况下,能够解决误判带来的清醒期异常跌落和诱导期响应速度慢的问题,准确获得患者所处的麻醉阶段。
在本发明的另一方面所涉及的麻醉深度计算装置中,采集的所述脑电信号包括至少两个通道的脑电信号;所述脑电信号的至少两个特征包括任意两个通道脑电信号的相关性和由任意一个通道的脑电信号中的高频能量。由此,根据高频能量和相关性准确获得患者所处的麻醉阶段。
在本发明的另一方面所涉及的麻醉深度计算装置中,将所述高频能量与第一预设阈值比较,确定高频能量的高低。由此,可以根据高频能量的高低判断患者所处的麻醉阶段。
在本发明的另一方面所涉及的麻醉深度计算装置中,所述第一预设阈值为与高频能量相关的自适应阈值。由此,可以准确获得高频能量的高低,能够更加准确判断患者所处的麻醉阶段。
在本发明的另一方面所涉及的麻醉深度计算装置中,通过皮尔森相关系数来标定所述相关性。由此,可以获得脑电信号的相关性,根据进一步相关性获得患者所处的麻醉阶段。
在本发明的另一方面所涉及的麻醉深度计算装置中,所述处理器还用于执行下述步骤:根据患者所处的所述麻醉阶段确定麻醉深度计算策略;根据确定的所述麻醉深度计算策略计算对应时间段的麻醉深度。在这种情况下,可以更加准确快速的获得麻醉深度值。
根据本发明,能够提供一种能够准确判断麻醉阶段、解决误判带来的清醒期异常跌落和诱导期响应速度慢的问题的基于脑电的麻醉阶段识别与麻醉深度计算方法及装置。
附图说明
图1是示出了现有的麻醉阶段的识别技术所存在的问题的示意图。
图2a是示出了本发明的实施方式所涉及的清醒状态下的闭眼眼动信号波形的示意图;图2b是示出了本发明的实施方式所涉及的麻醉诱导状态下的脑电信号波形的示意图。
图3是示出了本发明的实施方式所涉及的麻醉阶段的识别技术的效果的示意图。
图4是示出了本发明的实施方式所涉及的一种麻醉深度计算装置模块的框图。
图5是示出了本发明的实施方式所涉及的另一种麻醉深度计算装置模块的框图。
图6是示出了本发明的实施方式所涉及的一种麻醉阶段的识别方法流程图。
图7是示出了本发明的实施方式所涉及的一种麻醉深度计算方法流程图。
图8是示出了本发明的实施方式所涉及的另一种麻醉深度计算方法流程图。
图9是示出了本发明的实施方式所涉及的一种麻醉深度计算方法流程图。
图10是示出了本发明的实施方式所涉及的另一种麻醉深度计算法流程图。
具体实施方式
以下,参考附图,详细地说明本发明的优选实施方式。在下面的说明中,对于相同的部件赋予相同的符号,省略重复的说明。另外,附图只是示意性的图,部件相互之间的尺寸的比例或者部件的形状等可以与实际的不同。
图2a是示出了本实施方式所涉及的清醒状态下的闭眼眼动信号波形的示意图。图2b是示出了本实施方式所涉及的麻醉诱导状态下的脑电信号波形的示意图。图3是示出了本实施方式所涉及的麻醉阶段的识别技术的效果的示意图。图4是示出了本实施方式所涉及的一种麻醉深度计算装置模块的框图。
在本实施方式中,如图4所示,麻醉深度计算装置1可以包括采集模块10、判定模块20、选择模块30和计算模块40。
在本实施方式中,采集模块10可以采集例如来自于生物体的脑电信号。脑电信号是生物体(例如人或动物)重要的生物电信号,是大脑皮层脑神经细胞电活动的总体反映。脑电信号与麻醉阶段(状态)密切相关,不同麻醉阶段下的脑电信号在时域、频域等不同方面有着不同的特点。通过对不同方面的脑电信号进行分析,可以得到相应的麻醉阶段。
在本实施方式中,采集模块10可以是传感器。也即脑电信号的采集可以通过传感器获取。例如,脑电信号的采集可以通过电极片获取。另外,也可以通过其它脑电信号采集装置获取。
对于脑电信号的采集,通常为了提高对麻醉阶段判断的准确度,经常会采集多个通道的脑电信号。在一些示例中,多个通道的脑电信号可以通过多个电极片来采集。例如,两个通道的脑电信号可以通过三个电极片采集信号。具体而言,通过三个电极片采集信号,其中一个电极片为公共电极片,即R电极片,其他两个电极片为T电极片和E电极片。通过T、E电极片分别与R电极片之间的电位差即可得到两个通道的脑电信号。
在本实施方式中,脑电信号可以包括肌电干扰信号等生理干扰信号。肌电干扰信号位于脑电信号的高频部分。
在本实施方式中,在不同的麻醉阶段下,高频能量不同。例如,清醒期的高频能量较高,麻醉期的高频能量较低。由此,可以提取出脑电信号中的肌电干扰信号,根据高频能量的高低(也称为肌电水平的高低),判定不同的麻醉阶段。
在本实施方式中,如上所述,采集模块10可以采集多个通道的脑电信号。也即采集模块10可以采集至少两个通道的脑电信号。具体而言,采集脑电信号时,可以选取患者头部至少两个不同位置进行脑电信号的采集。例如,采集三个通道的脑电信号时,可以选取人眼周围的区域进行脑电信号的采集,可以选取患者大脑所在的区域进行脑电信号的采集,也可以选取患者耳朵周围的区域进行脑电信号的采集。
在一些示例中,采集模块10可以采集两个通道的脑电信号。作为两个通道的脑电信号的例子,第一通道的脑电信号可以包括眼动干扰信号,例如RT通道,第二通道的脑电信号不包括眼动干扰信号,例如RE通道。在不同的麻醉阶段下,第一通道的脑电信号波形与第二通道的脑电信号波形的特性不同。
例如,清醒期时,如果患者眨眼,第一通道的脑电信号和第二通道的脑电信号的波形呈现反向,也即第一通道的脑电信号和第二通道的脑电信号是负相关的。在诱导期下,第一通道的脑电信号和第二通道的脑电信号的波形呈现同向,也即第一通道的脑电信号和第二通道的脑电信号是正相关的。由此,可以根据第一通道的脑电信号和第二通道的脑电信号的相关性,判断患者所处的麻醉阶段。
此外,采集模块10还可以采集超过三个通道的脑电信号。另外,采集模块10的采集方式可以采用在不同的区域中,每个区域选择一个通道,也可以在相同的区域,选择多个通道。
另外,在本实施方式中,麻醉深度计算装置1还可以包括存储器(未图示)。存储器可以用于存储采集到的脑电信号。在一些示例中,存储器与采集模块10连接,在这种情况下,由采集模块10所采集的脑电信号可以存储在该存储器内。
在本实施方式中,如图4所示,麻醉深度计算装置1还可以包括判定模块20。判定模块20可以用于获取患者所处的麻醉阶段。具体而言,判定模块20可以接收采集模块10所采集的脑电信号,并且基于该脑电信号来获取患者所处的麻醉阶段。在一些示例中,判定模块20可以是处理器例如中央处理器(CPU)、微型处理器(MPU)、专用集成电路(ASIC)等。
在本实施方式中,判定模块20可以利用采集的脑电信号,按照预设频率计算采集的脑电信号的至少两个特征;根据计算得到的至少两个特征确定患者对应时间段所处的麻醉阶段。也即判定模块20可以根据采集的脑电信号,自动识别患者在相应的脑电信号下的麻醉阶段。
在本实施方式中,脑电信号的至少两个特征可以是任意两个通道脑电信号的相关性和由任意一个通道的脑电信号中的高频能量,该高频能量为30hz以上频带的脑电信号的能量,可以在一定程度上反映肌电水平(EMG)。由此,判定模块20可以由得到的高频能量,及任意两个通道脑电信号的相关性或相关性的变化确定患者对应时间段所处的麻醉阶段。
在本实施方式中,判定模块20可以包括能量计算单元。能量计算单元可以通过高频能量从采集的脑电信号中提取出肌电干扰信号。脑电信号中的肌电干扰信号主要分布在50~300hz频域段,也即肌电干扰信号是脑电信号中的高频段。
在本实施方式中,在不同的麻醉阶段条件下,高频能量不同。能量计算单元可以将提取出的肌电干扰信号进行计算,获得高频能量。
在本实施方式中,肌电干扰信号的高频能量水平可以使用功率谱密度进行量化。功率谱密度通过以下步骤计算得到:
首先,通过傅里叶转换式(1)对肌电干扰信号进行傅里叶变换,
然后,根据帕塞瓦尔定理,利用傅里叶转换式平方之和得到功率谱密度。公式(2)为帕塞瓦尔定理公式。
在本实施方式中,利用上述计算方法,可以获得高频能量。根据高频能量的高低,判定不同的麻醉阶段。
在本实施方式中,判定模块20还可以包括相关性计算单元。
在本实施方式中,相关性计算单元可以从多个通道中选取两个通道。两个通道中的脑电信号,第一脑电信号可以包括眼动干扰信号,第二脑电信号不包括眼动干扰信号。
在本实施方式中,在不同的麻醉阶段条件下,第一脑电信号波形与第二脑电信号波形的特性不同。相关性计算单元可以计算第一脑电信号与第二脑电信号的相关性。脑电信号的相关性可以是时域的相关性,也可以是频域的相关性。
在本实施方式中,相关性的计算可以是通过皮尔森相关系数得到的。皮尔森相关系数可以用来度量两个通道中的脑电信号之间的线性关系。皮尔森相关系数可以用r表示,其定义式为:
在本实施方式中,判定模块20可以根据由能量计算单元获得的高频能量和由相关性计算单元获得的两个通道中的脑电信号的相关性数值,获取患者所处的麻醉阶段。
在本实施方式中,在不同的麻醉阶段条件下,高频能量不同,且两个通道中的脑电信号的相关性也不同。判定模块20可以根据高频能量和相关性,监测麻醉阶段。但本实施方式不限于此,例如,判定模块20还可以根据其他类型的特征,例如,非线性域的特征中的复杂度或熵等特征,来监测麻醉阶段。
在本实施方式中,判定模块20可以判断高频能量的高低。高频能量的高低(也即肌电水平的高低)可以根据高频能量和第一预设阈值得到。其中高频能量由能量计算单元获得。
在本实施方式中,第一预设阈值可以是经验阈值。经验阈值可以是在大量的手术过程中,医生总结得到的用来区分患者的不同麻醉阶段下的肌电干扰信号的能量阈值。
在本实施方式中,第一预设阈值还可以是自适应阈值。肌电干扰信号能量的自适应阈值与高频能量水平有关。可以将自适应阈值的初始值设置为经验阈值,随着手术过程中的肌电干扰信号能量水平的变化,自适应阈值的数值也随之变化。由此,能够实时根据肌电干扰信号能量水平,及时调整第一预设阈值,更加准确地判断麻醉阶段。
在本实施方式中,若肌电干扰信号能量大于等于第一预设阈值,则高频能量水平高,可以判定麻醉阶段为清醒期;若肌电干扰信号能量小于第一预设阈值,则高频能量水平低,可以判定麻醉阶段为麻醉期。由此,判定模块20能够根据第一预设阈值和肌电干扰信号能量,初步确定患者的监测麻醉阶段。
在本实施方式中,相关性的正负与麻醉状态的判断相关。仅仅通过相关性数值的符号的正负来判断麻醉阶段,通常存在误差。这是由于在零值附近的数值,仅通过符号的判定,通常不能够准确判断出患者所处的麻醉阶段。
在本实施方式中,相关性的正负需要通过相关性的数值与第二阈值和第三阈值比较获得。具体而言,在判定模块20中,皮尔森相关系数大于或等于第二阈值,判断相关性为正相关。皮尔森相关系数小于或等于第三阈值,判断相关性为负相关。第二阈值可以为大于零的正数。第三阈值可以为小于零的负数。
另外,在本实施方式中,判定模块20可以结合肌电干扰信号能量的高低和相关性数值的正负,监测不同的麻醉阶段。
在本实施方式中,若判定模块20判定出肌电(EMG)干扰信号能量的高,且判定模块20判定出相关性为负,也即两个通道中的脑电信号为负相关,则判定模块20确定麻醉阶段为清醒期。
在本实施方式中,若判定模块20判定出肌电干扰信号能量的低,且判定模块20判定出相关性为正,也即两个通道中的脑电信号为正相关,则判定模块20确定麻醉阶段为平稳期。
在本实施方式中,若判定模块20判定出患者处于清醒期,而且判定模块20判定出肌电干扰信号能量由高到低,且判定模块20判定出相关性为正,也即两个通道中的脑电信号为正相关,则判定模块20确定患者所处麻醉阶段为诱导期。
在本实施方式中,若判定模块20判定出患者处于平稳期,而且判定模块20判定出肌电干扰信号能量由低到高,且判定模块20判定出相关性为负,也即两个通道中的脑电信号为负相关,则判定模块20确定患者所处麻醉阶段为恢复期。由此,判定模块20利用相关性与肌电干扰信号能量水平的综合判定,能够更加准确判断麻醉阶段。
在本实施方式中,如图4所示,麻醉深度计算装置1还可以包括选择模块30。选择模块30可以用于根据患者所处的麻醉阶段确定麻醉深度计算策略。具体而言,选择模块30可以通过接受判定模块20所得到的获取患者所处的麻醉阶段来确定麻醉深度计算策略。选择模块30可以是处理器例如中央处理器(CPU)、微型处理器(MPU)、专用集成电路(ASIC)等。
在本实施方式中,麻醉深度计算策略至少可以包括第一计算策略和第二计算策略。第一计算策略可以为用相对较短的信号计算麻醉深度,第二计算策略为用较第一计算策略中更长的信号计算麻醉深度。也即第一计算策略所采集的脑电信号与第二计算策略所采集的脑电信号相比,可以是采样时间短,也可以是信号长度短。例如,第一计算策略所采集的脑电信号的设定的采集时间是5秒,则第二计算策略所采集的脑电信号的设定的采集时间可以是大于5秒的时间。例如10秒、20秒。
在本实施方式中,当患者处于诱导期,选择模块30采用第一计算策略。当患者处于其他期,选择模块30可以采用第二计算策略。采用第一计算策略计算麻醉深度的响应速度比采用第二计算策略计算麻醉深度的响应速度快。
当然,还可以当患者处于诱导期或恢复期,选择模块30采用第一计算策略。当患者处于清醒期或平稳期,选择模块30采用第二计算策略。对于计算策略的选择,可以根据实际需要选择。
在本实施方式中,如图4所示,麻醉深度计算装置1还可以包括计算模块40。计算模块40可以根据确定的麻醉深度计算策略计算对应时间段的麻醉深度。在一些示例中,计算模块40可以是处理器例如中央处理器(CPU)、微型处理器(MPU)、专用集成电路(ASIC)等。
在本实施方式中,计算模块40可以根据选择模块30确定的麻醉深度计算策略,用对应时间段的脑电信号计算该对应时间段的麻醉深度。
在本实施方式中,脑电信号经过特征提取,得到不同的特征。提取的特征可以是时域特征、频域特征以及复杂域特征中的至少一个。计算模块40可以根据提取的信号特征计算出相应特征下的麻醉深度值。也即计算模块40可以根据对应时间段的脑电信号的信号特征计算该对应时间段的麻醉深度。
图5是示出了本实施方式所涉及的另一种麻醉深度计算装置模块的框图。
在本实施方式中,如图5所示,麻醉深度计算装置1还可以包括处理模块50。处理模块50对采集的脑电信号进行相关处理。具体而言,若处理模块50监测到麻醉阶段是清醒期或患者从平稳期进入恢复期(也称麻醉恢复期)时,对脑电信号进行低频干扰检测和高通滤波。由此,滤除了眼动干扰信号,避免了清醒期的异常跌落,使得麻醉深度保持稳定。
在本实施方式中,若处理模块50监测到麻醉阶段处于诱导期或患者从清醒期进入诱导期(也称麻醉诱导期)时,停止对脑电信号的低频干扰检测和高通滤波。低频干扰的频率通常为0~10Hz,高通滤波的门限可以大于等于2Hz。由此,可以降低麻醉深度值的平滑长度,使得诱导期的脑电信号能够用于计算麻醉深度,达到快速响应的目的。
在本实施方式中,如图5所示,麻醉深度计算装置1还可以包括显示模块60。
在本实施方式中,显示模块60可以接收计算模块40计算出的麻醉深度值并将麻醉深度值显示值显示出来。由此,可以直接读取麻醉深度值。
在本实施方式中,先通过采集模块10获取脑电信号,判定模块20根据采集的脑电信号获得患者所处的麻醉阶段。选择模块30根据麻醉阶段选择麻醉深度计算策略,计算模块40针对相应的计算策略获得麻醉深度值。由此,如图3所示,能够准确判断麻醉阶段、解决误判带来的清醒期异常跌落(M段异常跌落的可能性降低)和诱导期响应速度慢(从N段的初始点处麻醉深度出现下降趋势)的问题。
以下,结合图6详细地描述本实施方式所涉及的麻醉阶段的识别方法。
图6是示出了本实施方式所涉及的一种麻醉阶段的识别方法流程图。
在本实施方式中,如图6所示,麻醉阶段的识别方法可以包括:采集脑电信号(步骤S11);按照预设频率计算采集到的所述脑电信号的至少两个特征(步骤S12);并且根据计算得到的至少两个所述特征,确定患者对应时间段所处的麻醉阶段(步骤S13)。
在步骤S11中,采集的脑电信号包括至少两个通道的脑电信号。也即选取患者头部至少两个不同位置,进行脑电信号的采集。例如,可以采集三个通道的脑电信号,如可以选取人眼周围的区域进行脑电信号的采集,可以选取患者大脑皮层所在的区域进行脑电信号的采集,也可以选取患者耳朵周围的区域进行脑电信号的采集。
在本实施方式中,脑电信号的采集可以通过传感器获取。例如,脑电信号的采集可以通过电极片获取。
在本实施方式中,麻醉阶段的识别方法还可以包括按照预设频率计算采集到的脑电信号的至少两个特征(步骤S12)。
在步骤S12中,脑电信号的至少两个特征可以是任意两个通道脑电信号的相关性和由任意一个通道的脑电信号中的高频能量得到肌电水平(EMG)。当然,还可以通过其它的特征实现。例如非线性特征,如复杂度,熵等。
在本实施方式中,在不同的麻醉阶段下,高频能量不同。在步骤S12中,高频能量可以利用功率谱密度进行量化得到。首先对肌电干扰信号进行傅里叶变换,然后利用帕塞瓦尔定理得到功率谱密度。由此,可以获得肌电干扰信号能量。
在本实施方式中,在步骤S12中还可以包括从多个通道中选取两个通道,计算两个通道中的脑电信号的相关性。
在一些示例中,在步骤S12中,在选取的两个通道中的脑电信号中,一个通道的脑电信号可以包括眼动干扰信号,另一个通道的脑电信号可以不包括眼动干扰信号。例如,一个通道的脑电信号可以选取眼睛周围的区域进行采集,另一个通道的脑电信号可以选取远离眼部的区域例如大脑头皮区域进行采集。
另外,在本实施方式中,相关性的计算可以通过皮尔森相关系数得到,也即通过皮尔森相关系数来标定相关性。皮尔森相关系数可以用来度量两个通道中的脑电信号之间的线性关系。由此,可以获得脑电信号的相关性。
在本实施方式中,麻醉阶段的识别方法还可以根据计算得到的至少两个特征,确定患者对应时间段所处的麻醉阶段(步骤S13)。
在步骤S13中,由于脑电信号的至少两个特征可以是任意两个通道脑电信号的相关性和任意一个通道的脑电信号中的高频能量。由此,能够由得到的高频能量,及任意两个通道脑电信号的相关性或相关性的变化确定患者对应时间段所处的麻醉阶段。
在本实施方式中,高频能量的高低可以通过步骤S12计算得到的肌电干扰信号能量和第一预设阈值相比较得到。由此,可以准确获得高频能量的高低,能够更加准确判断患者所处的麻醉阶段。
在本实施方式中,第一预设阈值可以是经验阈值。经验阈值可以是医生根据大量的手术经验总结得到的用来区分患者的不同麻醉阶段下的高频能量阈值。
在本实施方式中,第一预设阈值还可以是自适应阈值。肌电干扰信号能量的自适应阈值与高频能量水平有关。可以将自适应阈值的初始值设置为经验阈值,随着手术过程中的肌电干扰信号能量水平的变化,自适应阈值的数值也随之变化。由此,能够实时根据肌电干扰信号能量水平,及时调整第一预设阈值,更加准确判断麻醉阶段。
在本实施方式中,若肌电干扰信号能量大于等于第一预设阈值,则高频能量水平高,麻醉阶段为清醒期。若肌电干扰信号能量小于第一预设阈值,则高频能量水平低,麻醉阶段为麻醉期。由此,能够根据第一预设阈值和肌电干扰信号能量,初步确定患者的监测麻醉阶段。
在本实施方式中,相关性的正负需要通过相关性的数值与第二阈值和第三阈值比较获得。具体而言,皮尔森相关系数大于或等于第二阈值,判断相关性为正相关。皮尔森相关系数小于或等于第三阈值,判断相关性为负相关。第二阈值可以为大于零的正数。第三阈值可以为小于零的负数。根据第二阈值和第三阈值判别出来的相关性更能准确判断麻醉阶段。由此,相关性与麻醉阶段的关系更加准确,更能准确判断麻醉阶段。
在本实施方式中,麻醉阶段分为清醒期、诱导期、平稳期和恢复期。在步骤S13中,若判断出肌电干扰信号能量的高,且相关性是负相关,也即两个通道中的脑电信号为负相关,则确定麻醉阶段为清醒期。若判定出肌电干扰信号能量的低,且判定出相关性为正,也即两个通道中的脑电信号为正相关,则确定麻醉阶段为平稳期。
在本实施方式中,若判定出患者处于清醒期,而且判定出肌电干扰信号能量由高到低,且判定出相关性为正,也即两个通道中的脑电信号为正相关,则确定患者所处麻醉阶段为诱导期。
在本实施方式中,若判定出患者处于平稳期,而且判定出肌电干扰信号能量由低到高,且判定出相关性为负,也即两个通道中的脑电信号为负相关,则确定患者所处麻醉阶段为恢复期。由此,清醒期和诱导期时,不同通道的脑电信号的相关性存在差异性,相关性与肌电干扰信号能量水平的综合判定,能够更加准确判断患者所处的麻醉阶段。
在这种情况下,根据高频能量和相关性或相关性的变化,能够更加准确获得患者所处的麻醉阶段。
另外,由于麻醉阶段分为清醒期、诱导期、平稳期和恢复期。由此,根据高频能量和相关性或相关性的变化,能够更加准确获得患者处于清醒期、诱导期、平稳期和恢复期中的哪个阶段。
以下,结合图7和图8详细地描述本实施方式所涉及的麻醉深度计算方法。
图7是示出了本实施方式所涉及的一种麻醉深度计算方法流程图。图8是示出了本实施方式所涉及的另一种麻醉深度计算方法流程图。
在本实施方式中,如图7所示,麻醉深度计算方法可以包括采集脑电信号(步骤S101)。这里,步骤S101与步骤S11类似。
在本实施方式中,脑电信号的采集可以通过传感器获取。例如,脑电信号的采集可以通过电极片获取(参见上述步骤S11)。
在本实施方式中,通过三个电极片采集信号,其中一个电极片为公共电极片,即R电极片,其他两个电极片为T电极片和E电极片。通过T、E电极片分别与R电极片之间的电位差即可得到两个通道的脑电信号。
在步骤S101中,可以采集多个通道的脑电信号,也即至少采集患者头部两个不同位置的脑电信号。采集脑电信号的位置可以是患者头部不同区域的,也可以是同一区域的不同位置。
在本实施方式中,如图7所示,麻醉深度计算方法还可以包括获取患者所处的麻醉阶段(步骤S102)。如上所述,麻醉阶段可以分为清醒期、诱导期、平稳期和恢复期。由于不同的麻醉阶段代表不同的状态,通过患者判断所处的麻醉阶段可以为后续的麻醉深度计算策略的确定提供基础。
在步骤S102中,利用采集的脑电信号,计算脑电信号的至少两个特征。根据至少两个特征确定患者对应时间段所处的麻醉阶段。也即可以根据采集的脑电信号,自动识别患者在相应的脑电信号下的麻醉阶段。由此,可以更高效的获得患者所处的麻醉阶段。
在本实施方式中,自动识别患者在相应的脑电信号下的麻醉阶段(也即麻醉阶段的识别方法)可以参考上面所描述的麻醉阶段的识别方法。
在本实施方式中,如图7所示,麻醉深度计算方法还可以包括根据患者所处的麻醉阶段确定麻醉深度计算策略(步骤S103)。
在本实施方式中,麻醉阶段可以由步骤S102得到。由于麻醉阶段有所不同,相应的,步骤S103中选择的计算策略也有所不同。
在本实施方式中,麻醉深度计算策略至少可以包括第一计算策略和第二计算策略。第一计算策略可以为用相对较短的信号计算麻醉深度,第二计算策略为用较第一计算策略中更长的信号计算麻醉深度。即第一计算策略所采集的脑电信号与第二计算策略所采集的脑电信号相比,可以是采样时间短,也可以是信号长度短。由此,可以根据不同的计算策略获得麻醉深度值。
在步骤S103中,采用第一计算策略计算麻醉深度的响应速度比采用第二计算策略计算麻醉深度的响应速度快。当患者处于诱导期或恢复期,采用第一计算策略。当患者处于清醒期或平稳期,采用第二计算策略。由此,可以获得更快的麻醉深度响应速度。
在本实施方式中,如图7所示,麻醉深度计算方法还可以包括根据确定的麻醉深度计算策略计算对应时间段的麻醉深度(步骤S104)。在这种情况下,可以更加准确快速的获得麻醉深度值。
在步骤S104中,可以根据步骤S103确定的麻醉深度计算策略,获取所选计算策略下的脑电信号。然后对获得脑电信号通过进行相关处理。
在步骤S104中,监测到麻醉阶段处于清醒期或患者从平稳期进入恢复期(也称麻醉恢复期)时,对脑电信号进行低频干扰检测和高通滤波,监测到麻醉阶段处于诱导期或患者从清醒期进入诱导期(也称麻醉诱导期)时,停止对脑信号的低频干扰检测和高通滤波。
在本实施方式中,清醒期时对脑电信号进行低频干扰检测和高通滤波可以滤除眼动干扰信号,避免清醒期的异常跌落,使得麻醉深度保持稳定。诱导期时停止对脑电信号的低频干扰检测和高通滤波可以降低麻醉深度值的平滑长度,使得诱导期的脑电信号能够用于计算麻醉深度,达到快速响应的目的。
在步骤S104中,还可以包括对进行滤波处理的脑电信号进行特征提取,计算麻醉深度值。提取的特征可以是时域特征,可以是频域特征,也可以是复杂域特征中的至少一个特征。根据提取的特征计算麻醉深度值。
在本实施方式中,如图8所示,麻醉深度计算方法还可以包括显示麻醉深度值(步骤S105)。通过步骤S105,可以直观地获知患者的麻醉深度值。
在本实施方式中,麻醉深度计算方法通过计算肌电干扰信号能量和计算两个通道中的脑电信号的相关性,监测麻醉阶段。在这种情况下,结合肌电干扰信号能量和两个通道中的脑电信号的相关性,能够准确获得患者所处的麻醉阶段、解决误判带来的清醒期异常跌落和诱导期响应速度慢的问题。另外,可以通过不同的麻醉阶段调整不同的计算策略,从而获得在不同的麻醉阶段下不同的出值计算策略,满足临床中对于不同麻醉阶段的需求。
在本实施方式中,麻醉深度值的获取不限于上述的方法。例如,存在以下变形的麻醉阶段监测方法。
在本实施方式中,与上述麻醉深度计算方法的不同在于在执行完步骤S101和步骤S102后,步骤S104分别用第一计算策略和第二计算策略并行对脑电信号进行信号特征提取、计算麻醉深度。当患者处于诱导期或麻醉恢复期,步骤S103将采用第一计算策略的计算结果作为该对应阶段的麻醉深度。当患者处于清醒期或麻醉平稳期,步骤S103采用第二计算策略的计算结果作为该对应阶段的麻醉深度。然后通过步骤S105显示麻醉深度值。由此,能够更快的响应麻醉深度。
下面结合图9和10详细地描述本实施方式所涉及的麻醉深度计算方法在一些示例中的步骤。
图9是示出了本实施方式所涉及的一种麻醉深度计算方法流程图。图10是示出了本实施方式所涉及的另一种麻醉深度计算方法流程图。
在一些示例中,如图9所示,麻醉深度计算方法可以包括采集脑电信号(步骤S201)。这里,步骤S201与步骤S101类似。
在本实施方式中,如图9所示,麻醉深度计算方法还可以包括统计采集的脑电信号的高频能量(步骤S202)和统计采集的脑电信号的双通道相关性(步骤S203)。高频能量和双通道相关性的计算方法参见步骤S12。
另外,麻醉深度计算方法还可以包括根据高频能量和双通道相关性判断麻醉状态并选择计算策略以及选择干扰、滤波配置(步骤S204)。麻醉状态的判断参见步骤S13。计算策略的选择可以参见步骤S103。
另外,麻醉深度计算方法还可以包括根据选择的干扰、滤波配置对采集的脑电信号进行预处理(步骤S205)。对经过预处理后脑电信号进行特征提取和麻醉深度计算(步骤S206)。步骤S205中,监测到麻醉阶段是清醒期或患者从平稳期进入恢复期(也称麻醉恢复期)时,对脑电信号进行低频干扰检测和高通滤波,具体处理如上所述,不再赘述。步骤S206可以参见步骤S104。显示麻醉深度(步骤S207)。步骤S207与步骤S105类似。
在一些示例中,如图10所示,麻醉深度计算方法可以包括采集脑电信号(步骤S301)。这里,步骤S301与步骤S101类似。
在本实施方式中,如图10所示,麻醉深度计算方法还可以包括统计采集的脑电信号的其它特征(步骤S302)和统计采集的脑电信号的双通道相关性(步骤S303)。双通道相关性的计算方法参见步骤S12。其它特征可以选自时域特征、频域特征和或非线性域。
另外,麻醉深度计算方法还可以包括根据其它特征和双通道相关性判断麻醉状态(步骤S304)。
另外,麻醉深度计算方法还可以包括通过第一干扰、滤波配置对采集的脑电信号进行预处理(步骤S305)并对经过预处理后脑电信号进行特征提取和计算第一麻醉深度(步骤S306)。通过第二干扰、滤波配置对采集的脑电信号进行预处理(步骤S307)并对经过预处理后脑电信号进行特征提取和计算第二麻醉深度(步骤S308)。
在步骤S305中,第一干扰、滤波配置可以是对清醒期的脑电信号进行低频干扰检测和高通滤波的干扰、滤波装置。在步骤S306中,第一麻醉深度可以是经过第一干扰、滤波配置的脑电信号对应的麻醉深度值。在步骤S307中,第二干扰、滤波配置可以是停止对诱导期的脑电信号进行低频干扰检测和高通滤波的干扰、滤波装置。第二麻醉深度可以是经过第二干扰、滤波配置的脑电信号对应的麻醉深度值。但本实施方式不限于此,第一干扰、滤波配置和第一麻醉深度还可以对诱导期的脑电信号进行预处理和麻醉深度计算,相应的,第二干扰、滤波配置和第二麻醉深度可以对清醒期的脑电信号进行预处理和麻醉深度计算。
另外,麻醉深度计算方法还可以包括根据步骤S304中的麻醉状态选择第一麻醉深度或第二麻醉深度(步骤S309)。显示麻醉深度(步骤S310)。步骤S310与步骤S105类似。
虽然以上结合附图和实施例对本发明进行了具体说明,但是可以理解,上述说明不以任何形式限制本发明。本领域技术人员在不偏离本发明的实质精神和范围的情况下可以根据需要对本发明进行变形和变化,这些变形和变化均落入本发明的范围内。
Claims (21)
1.一种麻醉阶段识别方法,用于识别患者所处的麻醉阶段,其特征在于,所述方法包括:
采集脑电信号,其中所述脑电信号包括至少两个通道的脑电信号;
按照预设频率计算采集到的所述脑电信号的至少两个特征,其中,所述脑电信号的至少两个特征包括任意两个通道脑电信号的相关性和任意一个通道的脑电信号中的高频能量;
根据计算得到的至少两个所述特征,确定患者对应时间段所处的麻醉阶段。
2.根据权利要求1所述的方法,其特征在于,
根据计算得到的至少两个所述特征,确定患者对应时间段所处的麻醉阶段的步骤具体为:
由得到的所述高频能量,及任意两个通道脑电信号的所述相关性或所述相关性的变化确定患者对应时间段所处的麻醉阶段。
3.根据权利要求2所述的方法,其特征在于,
所述麻醉阶段分为:清醒期、诱导期、平稳期和恢复期。
4.根据权利要求1所述的方法,其特征在于,
将所述高频能量与第一预设阈值比较,确定高频能量的高低。
5.根据权利要求4所述的方法,其特征在于,
所述第一预设阈值为与高频能量相关的自适应阈值。
6.根据权利要求3所述的方法,其特征在于,
若所述高频能量高且所述相关性为负,确定所述麻醉阶段为清醒期;
若所述高频能量低且所述相关性为正,确定所述麻醉阶段为平稳期;
若患者处于清醒期,当所述高频能量由高到低,且所述相关性为正,确定患者进入诱导期;
若患者处于平稳期,当所述高频能量由低到高,且所述相关性为负,确定患者进入恢复期。
7.根据权利要求1所述的方法,其特征在于,
通过皮尔森相关系数来标定所述相关性。
8.根据权利要求7所述的方法,其特征在于,
所述皮尔森相关系数大于或等于第二阈值,判断相关性为正相关;
所述皮尔森相关系数小于或等于第三阈值,判断相关性为负相关。
9.一种麻醉深度计算方法,其特征在于,所述方法包括:
采集脑电信号,其中所述脑电信号包括至少两个通道的脑电信号;
获取患者所处的麻醉阶段,所述麻醉阶段是根据所述脑电信号的至少两个特征计算得到,其中,所述脑电信号的至少两个特征包括任意两个通道脑电信号的相关性和任意一个通道的脑电信号中的高频能量;
根据患者所处的所述麻醉阶段确定麻醉深度计算策略;
根据确定的所述麻醉深度计算策略计算对应时间段的麻醉深度。
10.根据权利要求9所述的方法,其特征在于,
所述麻醉深度计算策略至少包括第一计算策略和第二计算策略。
11.根据权利要求10所述的方法,其特征在于,
采用所述第一计算策略计算所述麻醉深度的响应速度比采用所述第二计算策略计算所述麻醉深度的响应速度快;
根据确定的所述麻醉深度计算策略计算对应时间段的麻醉深度的步骤具体为:
当患者处于诱导期,采用所述第一计算策略。
12.根据权利要求11所述的方法,其特征在于,
所述第一计算策略为用相对较短的信号计算所述麻醉深度,所述第二计算策略为用较所述第一计算策略中更长的信号计算所述麻醉深度。
13.根据权利要求10所述的方法,其特征在于,
所述根据确定的所述麻醉深度计算策略计算对应时间段的麻醉深度的步骤包括:
用第一计算策略和第二计算策略并行计算麻醉深度;
当患者处于诱导期,将采用所述第一计算策略的计算结果作为该对应阶段的麻醉深度。
14.根据权利要求9所述的方法,其特征在于,所述获取患者所处的麻醉阶段的步骤包括:
利用采集的所述脑电信号,计算所述脑电信号的至少两个特征;
根据两个所述特征确定患者对应时间段所处的麻醉阶段。
15.一种麻醉深度计算装置,其特征在于,包括:
采集模块,采集脑电信号,其中所述脑电信号包括至少两个通道的脑电信号;
判定模块,获取患者所处的麻醉阶段,所述麻醉阶段是根据所述脑电信号的至少两个特征计算得到,其中,所述脑电信号的至少两个特征包括任意两个通道脑电信号的相关性和任意一个通道的脑电信号中的高频能量;
选择模块,根据患者所处的所述麻醉阶段确定麻醉深度计算策略;
计算模块,根据确定的所述麻醉深度计算策略计算对应时间段的麻醉深度。
16.根据权利要求15所述的装置,其特征在于,
所述麻醉深度计算策略至少包括第一计算策略和第二计算策略,所述第一计算策略为用相对较短的信号计算所述麻醉深度,所述第二计算策略为用较所述第一计算策略中更长的信号计算所述麻醉深度。
17.一种麻醉阶段识别装置,其特征在于,所述装置包括:
传感器,采集脑电信号,其中所述脑电信号包括至少两个通道的脑电信号;
存储器,存储采集到的所述脑电信号;
处理器,执行下述步骤:
按照预设频率计算采集到的所述脑电信号的至少两个特征,其中,所述脑电信号的至少两个特征包括任意两个通道脑电信号的相关性和任意一个通道的脑电信号中的高频能量;
根据计算得到的至少两个所述特征,确定患者对应时间段所处的麻醉阶段。
18.根据权利要求17所述的装置,其特征在于,
所述处理器将所述高频能量与第一预设阈值比较,确定高频能量的高低。
19.根据权利要求18所述的装置,其特征在于,
所述第一预设阈值为与高频能量相关的自适应阈值。
20.根据权利要求17所述的装置,其特征在于,
通过皮尔森相关系数来标定所述相关性。
21.根据权利要求17所述的装置,其特征在于,所述处理器还用于执行下述步骤:
根据患者所处的所述麻醉阶段确定麻醉深度计算策略;
根据确定的所述麻醉深度计算策略计算对应时间段的麻醉深度。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2017/120346 WO2019127556A1 (zh) | 2017-12-29 | 2017-12-29 | 麻醉阶段识别与麻醉深度计算方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110234272A CN110234272A (zh) | 2019-09-13 |
CN110234272B true CN110234272B (zh) | 2022-06-14 |
Family
ID=67062925
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780085012.0A Active CN110234272B (zh) | 2017-12-29 | 2017-12-29 | 麻醉阶段识别与麻醉深度计算方法及装置 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11819336B2 (zh) |
CN (1) | CN110234272B (zh) |
WO (1) | WO2019127556A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117838064B (zh) * | 2024-03-05 | 2024-05-24 | 江西杰联医疗设备有限公司 | 麻醉监测装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202821345U (zh) * | 2012-10-15 | 2013-03-27 | 合肥诺和电子科技有限公司 | 一种麻醉深度多参数监护仪 |
CN103637798A (zh) * | 2013-12-17 | 2014-03-19 | 山东大学齐鲁医院 | 一种麻醉深度监测装置 |
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 |
CN104644166A (zh) * | 2015-02-16 | 2015-05-27 | 浙江大学 | 一种基于格子复杂性算法的无线动态麻醉深度检测方法 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020019588A1 (en) * | 2000-06-23 | 2002-02-14 | Marro Dominic P. | Frontal electrode array for patient EEG signal acquisition |
US6801803B2 (en) * | 2000-10-16 | 2004-10-05 | Instrumentarium Corp. | Method and apparatus for determining the cerebral state of a patient with fast response |
US8192376B2 (en) * | 2003-08-18 | 2012-06-05 | Cardiac Pacemakers, Inc. | Sleep state classification |
US7509161B2 (en) * | 2003-10-22 | 2009-03-24 | Instrumentarium Corporation | Method and apparatus for determining the cerebral state of a patient using generalized spectral entropy of the EEG signal |
US7805187B2 (en) * | 2005-07-07 | 2010-09-28 | The General Electric Company | Monitoring of the cerebral state of a subject |
EP1995685A3 (en) * | 2007-05-21 | 2012-08-01 | Biotronik CRM Patent AG | Medical device for monitoring biological signal |
US20110118620A1 (en) * | 2008-04-15 | 2011-05-19 | Christopher Scheib | Method and system for monitoring and displaying physiological conditions |
US9008639B2 (en) * | 2011-03-11 | 2015-04-14 | Microsoft Technology Licensing, Llc | Controlling audio of a device |
US10111617B2 (en) * | 2014-09-22 | 2018-10-30 | Covidien Lp | Systems and methods for EEG monitoring |
WO2016095918A1 (en) * | 2014-12-18 | 2016-06-23 | Quantium Medical Sl | Apparatus for the assessment of the level of pain and nociception during general anesthesia using electroencephalogram, plethysmographic impedance cardiography, heart rate variability and the concentration or biophase of the analgesics |
US10835174B2 (en) * | 2016-01-12 | 2020-11-17 | Covidien Lp | System and method for monitoring cerebral activity |
US10420482B2 (en) * | 2016-03-31 | 2019-09-24 | Wave Neuroscience, Inc. | Methods for diagnosing mental disorders using neurometrics |
-
2017
- 2017-12-29 WO PCT/CN2017/120346 patent/WO2019127556A1/zh active Application Filing
- 2017-12-29 CN CN201780085012.0A patent/CN110234272B/zh active Active
-
2020
- 2020-06-23 US US16/909,964 patent/US11819336B2/en active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202821345U (zh) * | 2012-10-15 | 2013-03-27 | 合肥诺和电子科技有限公司 | 一种麻醉深度多参数监护仪 |
CN103637798A (zh) * | 2013-12-17 | 2014-03-19 | 山东大学齐鲁医院 | 一种麻醉深度监测装置 |
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 |
CN104644166A (zh) * | 2015-02-16 | 2015-05-27 | 浙江大学 | 一种基于格子复杂性算法的无线动态麻醉深度检测方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2019127556A1 (zh) | 2019-07-04 |
CN110234272A (zh) | 2019-09-13 |
US11819336B2 (en) | 2023-11-21 |
US20200315525A1 (en) | 2020-10-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200170575A1 (en) | Systems and methods to infer brain state during burst suppression | |
EP1665981A1 (en) | Identification of a dominant signal component in a biosignal | |
EP1880667B1 (en) | Detection of focal epileptiform activity | |
JP6259471B2 (ja) | 麻酔深度の測定方法及び装置 | |
KR101768332B1 (ko) | 우울 정도를 실시간으로 분석하는 방법 및 그 시스템 | |
US20090247893A1 (en) | Method and apparatus for measuring responsiveness of a subject | |
SE532705C2 (sv) | Apparat och metod för övervakning av epileptiform aktivitet | |
WO2013186265A1 (en) | Support system and method for detecting neurodegenerative disorder | |
WO2014176356A1 (en) | System and method for monitoring anesthesia and sedation using measures of brain coherence and synchrony | |
CN106413541B (zh) | 用于诊断睡眠的***和方法 | |
US11547349B2 (en) | System and method for spectral characterization of sleep | |
Wang et al. | Temporal lobe seizure prediction based on a complex Gaussian wavelet | |
Zoughi et al. | A wavelet-based estimating depth of anesthesia | |
US20140378859A1 (en) | Method of Multichannel Galvanic Skin Response Detection for Improving Measurement Accuracy and Noise/Artifact Rejection | |
US20050137494A1 (en) | Method and apparatus for determining the cerebral state of a patient using generalized spectral entropy of the EEG signal | |
WO2016044944A1 (en) | System, method and apparatus for detection of signals in noise and monitoring state of consciousness | |
US20240090817A1 (en) | Cortical recording and signal processing methods and devices | |
JP2020512860A (ja) | 頭皮脳波から病理学的脳活動を特定する方法 | |
Wen et al. | Electroencephalogram (EEG) human stress level classification based on theta/beta ratio | |
CN110234272B (zh) | 麻醉阶段识别与麻醉深度计算方法及装置 | |
Alawieh et al. | A real-time ECG feature extraction algorithm for detecting meditation levels within a general measurement setup | |
Radhakrishnan et al. | Investigating EEG Signals of Autistic Individuals Using Detrended Fluctuation Analysis. | |
Xiao et al. | Electroencephalogram based brain concentration and its human computer interface application | |
Kempfner et al. | Sleep phenomena as an early biomarker for Parkinsonism | |
Zeljković et al. | Pre-Ictal phase detection algorithm based on one dimensional EEG signals and two dimensional formed images analysis |
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 |