CN113974557A

CN113974557A - 基于脑电奇异谱分析的深度神经网络麻醉深度分析方法

Info

Publication number: CN113974557A
Application number: CN202111264602.4A
Authority: CN
Inventors: 李洪
Original assignee: Second Affiliated Hospital Army Medical University
Current assignee: Second Affiliated Hospital Army Medical University
Priority date: 2021-10-28
Filing date: 2021-10-28
Publication date: 2022-01-28

Abstract

本发明涉及医疗麻醉技术领域，具体涉及基于脑电奇异谱分析的深度神经网络麻醉深度分析方法，包括以下步骤：麻醉事件标记步骤：根据脑电波形数据、面部图像数据和脑干听觉诱发方法进行麻醉事件进行标记；数据处理步骤：通过奇异谱分析法将脑电波形数据转换为矩阵并进行奇异值分解，再通过矩阵变换重新构造原始一维脑电信息；数据分析步骤：对原始一维脑电信息进行滤波处理、傅里叶变换、小波变换、功率谱分析和样本熵分析，获取脑电信息在时域频域上的特征信息；麻醉深度预测步骤：构造深度学习神经网络模型，并将标注结果和特征信息输入到神经网络模型中，并输出病人的麻醉深度预测结果。本发明能够提高麻醉深度预测的准确性。

Description

基于脑电奇异谱分析的深度神经网络麻醉深度分析方法

技术领域

本发明涉及医疗麻醉技术领域，具体涉及基于脑电奇异谱分析的深度神经网络麻醉深度分析方法。

背景技术

据临床统计，大约只有60％的病人能够享受到完全优质的麻醉服务，约14％的患者被过度麻醉，16％的患者麻醉过浅，10％的患者处于时浅时深。其中，麻醉过深，药物过量会引起呼吸变慢，至呼吸停止，大脑缺氧，大脑长期缺氧，引起病人心脏停止，造成病人死亡。麻醉过浅，引起术中知晓，病人可能对手术有记忆甚至感到疼痛，严重的还会引起精神或睡眠障碍，术中可能引发的“恐怖回忆”成为术后生活的又一痛苦；术中知晓也即在全麻下手术过程中发生意识的恢复。为了降低麻醉用药过浅或过深的发生率，就需要通过实时监测麻醉状态，以降低医务人员的工作强度和病人的痛苦，保证安全性和麻醉效果。

传统麻醉深度的判断是通过观察患者的生命体征监测，如体温、脉搏、呼吸、血压、瞳孔等变化来实现的，主要反映术中植物神经功能的状态；随着对脑电波研究的深入，目前已开发出基于脑电信号的麻醉深度监测仪，如BIS指数、Nacotend指数、听觉诱发电位等监测，但二者各有优缺点。前者简单易行，但目前暂无法定量测定；后者虽能定量检测，但仍然受生理因素的影响，如年龄、种族、性别、低温、低血糖、脑缺氧等影响，因此，目前麻醉深度估计方法的预测准确度有待提高。

发明内容

本发明的目的在于提供基于脑电奇异谱分析的深度神经网络麻醉深度分析方法，能够提高麻醉深度预测的准确性。

为了达到上述目的，提供了基于脑电奇异谱分析的深度神经网络麻醉深度分析方法，包括以下步骤：

数据获取步骤：获取病人临床手术中的脑电波形数据和面部图像数据；

麻醉事件标记步骤：根据脑电波形数据、面部图像数据和脑干听觉诱发方法对病人处于麻醉状态中的各个麻醉事件进行标记，并获得标注结果；

数据处理步骤：通过奇异谱分析法将脑电波形数据转换为矩阵并进行奇异值分解，将分解后的奇异值进行分组和去伪降噪，再通过矩阵变换重新构造原始一维脑电信息；

数据分析步骤：对原始一维脑电信息进行滤波处理，获取人脑正常活动频率范围内的脑电信息，再结合傅里叶变换、小波变换、功率谱分析和样本熵分析，获取脑电信息在时域频域上的特征信息；

麻醉深度预测步骤：构造深度学习神经网络模型，并将标注结果和特征信息输入到神经网络模型中，并输出病人的麻醉深度预测结果。

原理及优点：

1.麻醉事件标记步骤的设置，通过脑干听觉诱发方法和脑电波形数据、面部图像数据，能够比较客观敏感地反映中枢神经***的功能，从而方便了解病人此时的麻醉状态，进而实现麻醉事件的反向标注。而实现麻醉事件的反向标注可方便病人当前麻醉状态的分析，从而方便根据麻醉状态来分析病人的麻醉深度，进而为后期的麻醉深度的预测提供数据支持。

2.数据处理步骤和数据分析步骤的设置，数据处理步骤过奇异谱分析法将脑电波形数据转换为矩阵并进行奇异值分解，以及通过矩阵变换重新构造原始一维脑电信息，实现将高纬度的脑电波形数据降维到低纬度，极大的降低了数据处理量，从而提高了数据的分析处理效率。然后再通过矩阵变换重新构造原始一维脑电信息；以及对原始一维脑电信息进行滤波处理，以及再结合傅里叶变换、小波变换、功率谱分析和样本熵分析，可以充分剔除脑电数据中的无效数据，从而得到与麻醉深度关联更深的脑电信息。最后通过构造的深度学习神经网络模型，并将标注结果和特征信息输入其中，即可快速且准确的得到病人的麻醉深度预测结果，极大的减轻了医生的工作量和降低了麻醉手术的实施压力。

进一步，所述数据处理步骤中奇异谱分析法包括以下子步骤：

轨迹矩阵构建子步骤：将脑电波形数据中的原始EEG信号，转换成多维轨迹矩阵X；

奇异值分解子步骤：构建协方差矩阵，将非对称的多维轨迹矩阵转换为对称方阵，并进行特征值分解，得到按降序排列的特征值，以及相应的特征向量。

对于对称方阵，特征值和奇异值相等，因此通过奇异值分解可以快速获取多维轨迹矩阵X的特征值和特征向量，从而方便对数据进行降维处理，以降低数据处理量，从而提高数据处理效率。

进一步，所述原始EEG信号为单通道时间序列信号s＝(s₁,s₂,……,s_N)^T,所述多维轨迹矩阵X的公式如下：

N为原始EEG信号的长度，L为轨迹矩阵的内嵌时间窗口，其中L<N，K＝N-L+1。

进一步，所述数据处理步骤具体还包括以下子步骤：

分组去伪降噪子步骤：根据特征值变化率公式从奇异值分解后得到的特征值和特征向量进行分组；根据去除伪迹公式和设置去除伪迹公式中设置的固定阈值去除原始EEG信号中的伪迹；根据奇异值的大小去除原始EEG信号中的噪音，并获取具有特征意义的分组结果。

进一步，原始EEG信号中去除伪迹的公式如下：

当原始EEG信号中的最大振幅大于固定阈值V₀时，将RC1和RC2归为伪迹，反之将RC1归为伪迹；RC1和RC2均由该分组特征值对应的特征向量组成。

进一步，所述数据处理步骤具体还包括以下子步骤：

矩阵重构子步骤：根据特征值变化率公式选取有效的特征向量组，并根据重构公式重构轨迹矩阵。

进一步，所述特征值变化率公式如下：

其中，λ_i为特征值，i<j<L。

进一步，所述重构公式如下：

其中，

X_i为特定特征向量重组后的轨迹矩阵。

进一步，所述麻醉事件标记步骤具体包括以下步骤：

反向标注子步骤：根据脑电波数据提取特征数据，并根据特征数据进行麻醉事件的反向标注，得到第一标注结果；对采集面部图像数据进行图像识别，获取各个麻醉事件的第二标注结果；

神经网络模型标注子步骤：将脑电波数据、特征数据和第一标注结果进行关联存储并作为第一累计数据，以及将面部图像数据和第二标注结果作为第二累计数据，根据第一累计数据和第二累计数据构建、训练及优化神经网络模型，并将待测病人的面部图像数据输入到神经网络模型中进行麻醉事件的自动判断和标注，且得到第三标注结果。

通过对脑电波数据提取特征数据，就能够比较客观敏感地反映中枢神经***的功能，从而方便了解病人此时的麻醉状态，进而实现麻醉事件的反向标注，其优点是麻醉事件的标记更为精确，但由于脑电波的波形更新频率较快，需要安排医护人员实时观看听觉诱发电位监护仪并记录相关脑电数据，容易让医护人员分心。对病人进行麻醉时，医生需要在病人的面部进行相关的手术操作，通过智能终端的摄像头获取病人在手术期间的面部图像数据，就能采集到医生的手术操作，由于手术操作会反馈到病人的面部上，因此再通过图像识别。就可以方便地分析病人的麻醉状态，并完成麻醉事件的标记。其优点是麻醉事件的标记无需医护人员实时关注，使得医护人员不易分心，更便捷。最后根据第一累计数据和第二累计数据构建、训练及优化神经网络模型，并将待测病人的面部图像数据输入到神经网络模型中进行麻醉事件的自动判断和标注，且得到第三标注结果。其中，待测病人的脸部数据获取十分方便，仅需安装一颗摄像头即可，成本低利，而脑电波设备成本高，使用时操作较为复杂，需穿戴头戴式传感器等设备，以及进行设备调校操作等，十分不方便。本方案通过用神经网络模型进行两者数据的关联，即找到脸部数据和脑电波数据的关联，通过脸部数据快速关联分析出对应的脑电波数据，利用分析出的脑电波数据进一步确认麻醉深度，实现低成本、高效率的同时保证麻醉深度的测量精度，将两者的优缺点实现互补。从而可以进一步提高麻醉状态分析的精准度，同时无需安排医护人员去实时关注与记录，节省了人力成本且效率更高。从而使得病人的麻醉状态能够自动记录和标注，避免地由于记录人看错时间、笔误写错内容等原因造成差错，导致记录的数据不利于后续临床麻醉科研和应用的问题。

进一步，所述数据获取步骤：获取病人手术前的静态数据、体征数据和手术数据；所述静态数据包括身高、体重、性别、年龄和病历；

所述方法还包括以下步骤：

数据存储管理步骤：根据病人的静态数据对病人进行筛选分类，去除具有脑部或神经方面存在异常的病人，并划分临床病例范围。

通过筛选分类可以排除掉特殊病例造成而偶然误差，从而保证数据的普适性。

附图说明

图1为本发明实施例一中基于脑电奇异谱分析的深度神经网络麻醉深度分析方法的流程框图；

图2为图1中数据处理步骤的流程框图。

具体实施方式

下面通过具体实施方式进一步详细说明：

实施例一

一种基于脑电奇异谱分析的深度神经网络麻醉深度分析方法，其使用的设备包括智能终端、蓝牙耳机和听觉诱发电位监护仪。智能终端搭载有APP，用于蓝牙耳机进行通信连接，发送短声刺激信息，本实施例中智能终端采用带摄像头的平板电脑，平板电脑通过支架固定在手术台上。蓝牙耳机与平板电脑通过蓝牙配对，实现远程无线通信连接。基本如附图1、图2所示，包括以下步骤：

数据获取步骤：获取病人临床手术中的脑电波形数据和面部图像数据；获取病人手术前的静态数据、体征数据和手术数据；所述静态数据包括身高、体重、性别、年龄和病历；

病人筛选管理步骤：根据病人的静态数据对病人进行筛选分类，去除具有脑部或神经方面存在异常的病人，并划分临床病例范围。

所述麻醉事件标记步骤具体包括以下步骤：

S001、手术开始前，为病人佩戴蓝牙耳机和穿戴听觉诱发电位监护仪；

S002、设备初始化，检测蓝牙耳机、听觉诱发电位监护仪和摄像头是否正常连接；

S101、在手术开始前，向智能终端输入病人的身份信息和短声刺激信息的配置信息，所述配置信息包括刺激信息内容、音量和刺激信息内容的播放时间间隔。刺激信息内容为病人姓名，并要求病人听到呼唤时眨眼。

S102、根据病人的身份信息从医院的病历数据库调取其听力体征数据，并根据听力体征数据优化配置信息中的音量设置。用于将音量调到合适的大小，以便于后续的麻醉状态分析。

S1、在手术开始后，将智能终端的摄像头对准病人脸部，获取病人在手术期间的面部图像数据(即脸部视频图像数据)；在手术完成后，保存面部图像数据。

S2、在手术开始的同时，通过智能终端向病人佩戴的蓝牙耳机发送短声刺激信息，并利用病人穿戴的听觉诱发电位监护仪记录病人的脑电波数据；当病人在麻醉状态听到刺激信息内容时，病人会进行响应，因此脑电波数据中会存在对应循环周期(与刺激信息内容的播放时间间隔存在相位差)的波形信息(特征波)。其中病人麻醉状态下的特征波与非麻醉状态下的特征波存在差异，具体表现在特征波的频率和振幅等。

S3、根据脑电波数据提取特征数据，并根据特征数据进行麻醉事件的反向标注，得到第一标注结果；对采集面部图像数据进行图像识别，获取各个麻醉事件的第二标注结果；

所述步骤S3还包括以下步骤：

S301、根据脑电波数据提取特征数据，所述特征数据包括脑电波的振幅、相位、频率；

S302、将特征数据结合频域的特征以及功率谱的分析，进行麻醉事件的反向标注，且得到第一标注结果，所述第一标注结果包括各个麻醉事件的时间节点；当病人在非麻醉状态时，病人听到刺激信息内容时，应答较为强烈，功率较大，振幅较大，频率能与刺激信息内容的播放频率基本重合。而在麻醉状态时，病人的中枢神经为屏蔽，病人听到刺激信息内容时，应答较弱，功率较小，振幅也较小，频率会减小，而且特征波的相位会发生一定变化。而屏蔽强弱的变化，会导致功率、振幅、频率和相位也产生相应的变化。因此就能进行麻醉事件的反向标注。

S303、对采集面部图像数据进行图像识别，获取各个麻醉事件的第二标注结果，所述第二标注结果包括各个麻醉事件对应的图像数据，所述图像数据包括麻醉事件起始时间点到结束时间点的图像帧数据。图像帧数据中存在对应的时间信息。当医生进行与麻醉事件相关的手术操作时，病人的反馈体会现在面部，因此通过对面部图像数据进行图像识别，就能间接的标注病人的麻醉事件。

S304、根据第一标注结果中各个麻醉事件的时间节点，从第二标注结果中各个麻醉事件对应的图像数据里筛选匹配出时间节点相符合的关键图像帧数据，若存在相符合的关键图像帧数据，则将第一标注结果和第二标注结果标记为正常数据，若不存在相符合的关键图像帧数据或不完全相符，则将第一标注结果和第二标注结果标记为异常数据。

S4、将脑电波数据、特征数据和第一标注结果进行关联存储并作为第一累计数据，以及将面部图像数据和第二标注结果作为第二累计数据，根据第一累计数据和第二累计数据构建、训练及优化神经网络模型，并将待测病人的面部图像数据输入到神经网络模型中进行麻醉事件的自动判断和标注，且得到第三标注结果；

S401、当第一标注结果和第二标注结果标记为异常数据时，将第一累计数据和第二累计数据发送至医生，获取医生对于第一标注结果和第二标注结果进行麻醉事件重新标注的标注数据，并根据标注数据对第一标注结果和/或第二标注结果中标注的麻醉事件进行替换；

S402、随机抽取第一标注结果和第二标注结果标记为正常数据的第一累计数据和第二累计数据，并将第一累计数据和第二累计数据发送至医生，获取医生对于第一标注结果和第二标注结果进行麻醉事件重新标注的标注数据；

S403、积累设定数量的标注数据以及第一累计数据和第二累计数据，并根据标注数据以及第一累计数据和第二累计数据构建、训练及优化神经网络模型。本实施例中，神经网络模型采用深度神经网络算法进行建模，采用多隐藏层，多神经网络单元的结构，并考虑过拟合，欠拟合的问题。深度神经网络算法属于成熟的技术，本实施例中不做过多赘述。

S5、输出第二标注结果，并与病人进行关联记录。

数据处理步骤：通过奇异谱分析法将脑电波形数据转换为矩阵并进行奇异值分解，将分解后的奇异值进行分组和去伪降噪，再通过矩阵变换重新构造原始一维脑电信息；重新构造原始一维脑电信息，相比传统的滤波方法，该方法比原始脑电波形提供了更具表征意义的时域脑电信息，更能准确地对病人的麻醉状态进行分析。

所述数据处理步骤中奇异谱分析法包括以下子步骤：

所述原始EEG信号为单通道时间序列信号s＝(s₁,s₂,……,s_N)^T,所述多维轨迹矩阵X的公式如下：

奇异值分解子步骤：构建协方差矩阵C＝XX^T，将非对称的多维轨迹矩阵转换为对称方阵，并进行特征值分解，得到按降序排列的特征值λ_i(λ₁≥λ₂≥…≥λ_L≥0)，以及相应的特征向量V_i。奇异值分解(SVD)的计算现有技术中已充分公开，本实施例中不做过多赘述。

分组去伪降噪子步骤：根据奇异值分解后得到的特征值和特征向量进行波形成分分析与提取，其中波形为复合波，主要成分包含三个部分特征，分别为伪迹、振荡以及噪音；而振荡这一特征是所需保留的，伪迹和噪音需要剔除。

根据去除伪迹公式和设置去除伪迹公式中的固定阈值去除原始EEG信号中的伪迹；根据奇异值的大小去除原始波形中的噪音，再根据特征值变化率公式进行分组并获取具有特征意义的特征值分组结果。前面一段波形与后面一段波形所对应的特征值，在相同时间窗口内的特征值变化率小于5％，说明前面一段波形与后面一段波形变化很小，可以认为是同一波形。若特征值变化率大于等于5％，则说明前面一段波形与后面一段波形是两组不同的波形，以此实现分组。

原始EEG信号中的去除伪迹公式如下：

当原始EEG信号中的最大振幅大于固定阈值V₀时，将RC1和RC2归为伪迹，反之将RC1归为伪迹；其中RC为构造组件，RC的划分标准为相似的特征值，即将前后变化较小的特征值归为同一个RC，RC由该组特征值对应的特征向量组成。常见的EEG信号大小小于100μV，本实施例中固定阈值V₀为200μV。

所述特征值变化率公式如下：

其中，λ_i为特征值，i<j<L。

所述重构公式如下：

其中，

X_i为特定特征向量重组后的轨迹矩阵。

数据分析步骤：对原始一维脑电信息进行滤波处理，获取人脑正常活动频率范围内的脑电信息，脑电信息包括若干正弦波形数据，例如α、β、θ、δ频段的正弦波形。针对脑电信息的时域信息，进行傅里叶变换，实现时域频域变换，并提取频域信息进行分析，并考虑脑电这种非稳态波形在变换过程中带来的问题，进一步采用小波变换，获取频域信息的同时，纳入时域信息的考虑，结合功率谱分析，以及样本熵，获取脑电信息在时域频域上的特征信息；例如，脑电信息中在高频与低频等频段上的比值，以及α、β、θ、δ频段的正弦波形的能量值。

傅里叶变换用于信号在时域和频域之间的变换，其目的在于通过傅里叶变换，得到时域信息在频域上的特征表现，其傅里叶变换只作用于稳态波形，窗口时间较长。采用离散傅里叶变换进行频域转换，对于序列{x[n]}0≤n≤N，其离散傅里叶变换为：

小波变换是指用有限长度或者快速衰减的母小波的振荡波形来标识原始信号在时域、频域特性的一种分析方法。小波变换既能体现变换后的频域信息，同时又保留了原始的时域信息。小波变换作用于非稳态波形，窗口时间较短，提供了一种非稳态可变时长的分析方法，采用离散小波变换对原始信号进行时频特征转换提取，离散小波变换公式如下：

小波变换可以看作是在多种尺度(频率)下，计算母小波和原始信号在时域上的卷积，得出小波和原始信号在各时点，各尺度下的相似系数，由此分析原始信号在各时点的频域组成。

功率谱分析是根据信号频域分类，分别计算α、β、θ、δ频段对应的功率谱，把长度为N的原始一维脑电信息分成L段，每段数据长度为M，即N＝LM，在每段信号上使用窗口函数w，求出每段信号的功率谱，最后对每段信号功率谱进行平均，进而得到整段信号的功率谱，功率谱密度计算公式如下：

样本熵是一种分析时间序列复杂程度的算法，样本熵越大，表明复杂程度越大，反之亦然。样本熵的计算方法如下；

假设由N个数据组成的时间序列N＝{x₁,x₂,x₃,……,x_N}；

(1)将N划分为多个以m为步长的子集，其公式如下：X_m(i)＝{x_i,x_i+1,x_i+2,……,x_i+m-1}

(2)分别计算子集之间的切比雪夫距离(Chebyshev distance)，d[X_m(i),X_m(j)](i≠j)，切比雪夫距离为两个序列中，对应位置差值的最大值的绝对值；其公式如下：

max_{k＝0,…,m-1}(|x(i+k)-x(i+k)|)

(3)计算样本熵；其公式如下：

其中，A为对于所有的i满足d[X_m+1(i),X_m+1(j)]<r的个数的总和；B为对于所有的i满足d[X_m(i),X_m(j)]<r的个数的总和。傅里叶变换、小波变换、功率谱分析和样本熵作为比较成熟的数据处理技术，本实施例中，不涉及对其具体改进，因此不过多赘述。

麻醉深度预测步骤：构造深度学习神经网络模型，并将标注结果和特征信息输入到神经网络模型中，并输出病人的麻醉深度预测结果。本实施例中，采用深度神经网络(Deep Neural Networks，DNN)，深度神经网络使用多层隐藏层(具体采用5层隐藏层)，神经网络单元数分别为2048，1024，512，256，128，并设置dropout，learning rate等模型参数，神经网络模型的epoch设置为100000，初始Learning Rate设置为0.001，dropout比例为0.3(即30％的神经元在训练过程中会被随机屏蔽，视为模型惩罚项，防止模型过度拟合)，损失函数选择为对数似然损失函数。

实施例二

目前，患者做手术时，要填写手术告知书或知情书，必须要由家属签字。一是因为有些患者在家属不知情的情况下自行到医院做手术，这样的情况下，患者没人照顾，术中、术后出现问题没有家属照看，容易出现问题。二是患者家属也有知情同意权，医务人员有义务也有责任要和患者家属沟通患者病情，来获得患者家属的支持和信任。三是因为患手术全麻后，失去意识后，一旦出现不可预知的风险，需要与患者家属沟通，待患者家属签字确认后再进行下一步诊疗活动。

实施例二与实施例一的区别在于，还包括以下步骤：

根据病人的身份信息从医院的病历数据库调取其第一家属数据；所述第一家属数据包括家属姓名、与患者关系和联系方式。

根据病人的人脸数据从医院调取视频监控数据，并根据视频监控数据进行人脸识别，获取陪同病人前往医院治疗的人员数据；所述人员数据包括姓名和联系方式。

根据手术告知书或知情书获取其病人的第二家属数据；所述第二家属数据包括家属姓名、与患者关系和联系方式。

对第一家属数据、人员数据和第二家属数据设置不同的权重分数，并设定关系亲进度参考分数综合计算各个人员的关系亲进度总分数。再根据各个人员的关系亲进度总分数进行降序排名，将排名第一的人员定义为最亲近人员。其中，当第一家属数据或人员数据为空时，数据以零值分析计算。

根据最亲近人员的联系方式对其进行语音通信，并通过语音通信获取其设定的语音信息，例如，语音信息的信息内容为病人姓名，并要求病人听到呼唤时眨眼，再将语音信息进行编辑，设定播放间隔和循环周期，得到短声刺激信息。

本实施例中通过获取其病人的家属数据、关系亲近的人员数据等，来分析出最亲近人员，从而获取其最亲近人员的声音信息，而声音信息会被制作为听觉诱发电位技术的短声刺激信息，方便在病人麻醉后，让病人感觉更亲切，更容易让病人产生应答，从而使得脑电波中的应答信号的振幅更大，更方便麻醉深度的分析及预测。

以上所述的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此过多描述，所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识，能够获知该领域中所有的现有技术，并且具有应用该日期之前常规实验手段的能力，所属领域普通技术人员可以在本申请给出的启示下，结合自身能力完善并实施本方案，一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。