CN117219227B - 一种基于模糊神经网络的麻醉给药控制*** - Google Patents
一种基于模糊神经网络的麻醉给药控制*** Download PDFInfo
- Publication number
- CN117219227B CN117219227B CN202311486130.6A CN202311486130A CN117219227B CN 117219227 B CN117219227 B CN 117219227B CN 202311486130 A CN202311486130 A CN 202311486130A CN 117219227 B CN117219227 B CN 117219227B
- Authority
- CN
- China
- Prior art keywords
- fuzzy
- anesthetic
- neural network
- module
- parameters
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 30
- 206010002091 Anaesthesia Diseases 0.000 title claims abstract description 23
- 230000037005 anaesthesia Effects 0.000 title claims abstract description 23
- 230000003444 anaesthetic effect Effects 0.000 claims abstract description 54
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000005457 optimization Methods 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 230000000007 visual effect Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 8
- 230000036772 blood pressure Effects 0.000 claims description 7
- 230000036760 body temperature Effects 0.000 claims description 7
- 210000004556 brain Anatomy 0.000 claims description 7
- 230000009471 action Effects 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000036387 respiratory rate Effects 0.000 claims description 5
- 230000001105 regulatory effect Effects 0.000 claims description 4
- 201000010099 disease Diseases 0.000 claims description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 2
- 238000002347 injection Methods 0.000 claims description 2
- 239000007924 injection Substances 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 claims 1
- 230000009466 transformation Effects 0.000 claims 1
- 230000035790 physiological processes and functions Effects 0.000 abstract description 10
- 238000001514 detection method Methods 0.000 abstract description 4
- 230000007547 defect Effects 0.000 abstract description 3
- 230000008859 change Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 239000000243 solution Substances 0.000 description 4
- 206010021118 Hypotonia Diseases 0.000 description 3
- 238000002695 general anesthesia Methods 0.000 description 3
- 230000036640 muscle relaxation Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 208000024827 Alzheimer disease Diseases 0.000 description 1
- 208000028389 Nerve injury Diseases 0.000 description 1
- 208000012902 Nervous system disease Diseases 0.000 description 1
- 208000025966 Neurological disease Diseases 0.000 description 1
- 208000026301 Postoperative Cognitive Complications Diseases 0.000 description 1
- 206010039897 Sedation Diseases 0.000 description 1
- 206010039966 Senile dementia Diseases 0.000 description 1
- 230000036592 analgesia Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008764 nerve damage Effects 0.000 description 1
- 230000036407 pain Effects 0.000 description 1
- 230000035485 pulse pressure Effects 0.000 description 1
- 210000001747 pupil Anatomy 0.000 description 1
- 230000011514 reflex Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000036280 sedation Effects 0.000 description 1
- 230000035882 stress Effects 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Feedback Control In General (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本申请涉及一种基于模糊神经网络的麻醉给药控制***,相比于现有技术:1、本申请采用模糊神经网络进行训练,预测受测者在下一时间点的综合生理状态,并根据输出参数实时调节麻醉剂给药量,能够解决传统检测控制方法带来较大的误差和较大的噪声的问题,同时能够精准控制麻醉剂的给药量;2、设置了全局优化参数,在其达到预设参数时,停止给药,防止根据当前的结果继续给药导致患者麻醉剂给药量超标,同时,全局优化参数可以作为模糊神经网络参数训练的控制参数之一;3、避免了现有技术中只根据单一生理参数判断麻醉剂用量的缺陷,通过结合多项生理参数综合预测患者在注射麻醉剂后的生理状态,增加了预测***的鲁棒性和准确性。
Description
技术领域
本发明涉及麻醉医学领域,具体地,涉及一种基于模糊神经网络的麻醉给药控制***。
背景技术
全身麻醉是一种特殊而复杂的状态,包括镇静、镇痛、肌肉松弛、应激抑制等多方面因素,经过全麻诱导、维持及苏醒的过程。整个全身麻醉的过程完全依靠麻醉给药的给药量来控制。当麻醉给药不足,则会引起麻醉过浅,导致患者在手术中痛感大大增加,突发性的体动不利于手术的正常进行。与此相反,当***给药量过大,则会引起麻醉过深,导致患者苏醒延迟、术后认知功能障碍以及其他潜在的心脑血管或神经***疾病,对患者身体造成不可逆的损伤。因此,如何对麻醉状态实施有效检测,且在该有效检测状态下实时、精准地控制麻醉剂给药量,成为本领域技术人员亟待解决的技术难题。
而传统的麻醉状态检测,多依赖麻醉科医生的经验判断,例如患者的心率是否正常、血压是否偏低、呼吸是否正常、瞳孔是否散光、是否体动等,综合这些生理参数特性给出判断,但是这些指标综合判断方法有一定的局限性,且效果较差,对于实习医生而言,短时期内很难上手操作。随着麻醉术的发展,现有技术也出现了基于脑波分析、神经电位分析或肌肉松弛状态判断等更高级的判断方法,并通过这些判断及时控制麻醉剂的给药量和给药时间,但是这些方法,多是基于当前的参数采集对当前的麻醉结果进行判断,很难准确预测下一时间段患者的生理状态变化以及麻醉剂用量,因此这类方法在实际操作过程中会带来较大的误差和较大的噪声,无法精准地控制麻醉剂的给药量。
发明内容
针对上述背景技术中的缺陷和问题,本发明提出了一种基于模糊神经网络的麻醉给药控制***,具体技术方案如下:
一种基于模糊神经网络的麻醉给药控制***,所述控制***包括参数采集模块、通信模块、计算模块、可视化输入模块、给药控制模块,其中,参数采集模块用于在患者给药时刻起,实时采集受测者生理状态参数,参数采集模块与通信模块连接,将多项生理参数转化为电信号,通过通信模块上传给计算模块,同时,通过可视化输入模块输入受测者的身份信息和麻醉剂信息,可视化输入模块与计算模块电连接,身份信息和麻醉剂信息在计算模块中进行存储,在此基础上,计算模块对接受到的生理状态参数进行数据预处理、模糊训练,并根据模糊神经网络的实际输出值调节给药量。
所述控制***的运行要依赖以下步骤实现:
步骤S1:数据采集与信息录入:从受测者注射麻醉剂开始算,对受测者的多项生理指标进行实时数据采集,并进行数据录入:所述生理指标至少包括受测者前时刻的脑电波频率Phead、心率Pheart、呼吸速率ζ1、脉搏频率ζ2、血压P、体温T;信息录入包括两个方面,一是受测者的身份信息(包括年龄、性别、疾病类型),二是麻醉剂信息(包括麻醉剂的种类、预用剂量S0);
步骤S2:数据预处理:将多项生理指标数据进行归一化处理,得到数据集{Xi,t},具体地,归一化参数Xi为:
Xi,t+1=(Yi,t+1-Yi,t)/Yi,0 (1)
式中,Y代表归一化前的某项生理指标值,X表示归一化后的生理指标,下标“t”表示某个时间点,下标“i”表示第i项。
步骤S3:将步骤S2中的经过预处理后的数据集{Xi,t}作为输入参数,设定神经元个数和训练次数,并导入模糊神经网络中,基于模糊预测算法进行训练;
由于麻醉状态随时间的变化属于非线性的,因此,在上述步骤S3中,为了实现精准的预测,优选T-S预测模型,T-S模型中非线性预测的模糊函数如下:
Xi,t+1=f({Xi,t+1},St)+g({Xi,t},St-1)u (2)
上式中,f()和g()均为光滑的非线性函数,u为模糊预测算法中的输出值,其中g()的格式为:
步骤S4:对数据集中的归一化参数Xi以及当前时刻的麻醉剂给药量进行学习,并更新模糊网络的各项参数;
步骤S5:在步骤S4的基础上,计算全局优化参数Ψ,判断Ψ是否达到预设阈值Ψset,根据结果判断是否进行下一时刻***剂的给药,若是,则停止注射麻醉剂,若否,则根据当前的全局优化参数Ψ调节给药量S。
Ψ(t)=a1*X1,t+a2*X2,t+a3*X3,t+a4*X4,t+a5*X5,t+a6*X6,t+S(t) (4)
式中,系数ai是在初始参数给定的情况下,由上述模糊神经网络反复迭代解算得出,Ψ(t)作为神经网络训练过程中的控制参数。
综上所述,所述一种基于模糊神经网络的麻醉给药控制***,与现有技术相比,具有如下技术效果:
1)本发明的中的控制***基于模糊神经网络进行训练,预测受测者在下一时间点的综合生理状态,并根据模神经网络得到的输出参数对对麻醉剂给药量进行实时调节,能够解决传统检测控制方法带来较大的误差和较大的噪声的问题,同时能够精准控制麻醉剂的给药量;
2)本发明设置了全局优化参数,在全局优化参数达到预设参数时,停止给药,防止根据当前的结果继续给药导致患者麻醉剂给药量超标,同时,全局优化参数可以作为模糊神经网络参数训练的控制参数之一;
3)本发明避免了现有技术中只根据单一生理参数判断麻醉剂用量的缺陷,通过结合多项生理参数,进行多参数综合预测患者在注射麻醉剂后当前的生理状态,提高了整个预测***的鲁棒性和准确性。
附图说明
图1为本发明的一种基于模糊神经网络的麻醉给药控制***的流程图;
图2为本发明的一种基于模糊神经网络的麻醉给药控制***的***图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
请参考图1-2,一种基于模糊神经网络的麻醉麻醉给药控制***,该控制***包括参数采集模块、通信模块、计算模块、可视化输入模块、给药控制模块,其中,参数采集模块用于在患者给药时刻起,实时采集受测者生理状态参数,参数采集模块与通信模块连接,将多项生理参数转化为电信号,通过通信模块上传给计算模块,同时,通过可视化输入模块输入受测者的身份信息和麻醉剂信息,可视化输入模块与计算模块电连接,身份信息和麻醉剂信息在计算模块中进行存储,在此基础上,计算模块对接受到的生理状态参数进行数据预处理、模糊训练,并根据模糊神经网络的实际输出值调节给药量。
上述参数采集模块至少包括用于测量脑电波频率的测试芯片、测量心率的心率传感器、测量呼吸速率的传感器、测量脉搏频率压脉带、测量血压的血压仪、测量体温的温度传感器。
上述给药控制模块为微控阀或流量调节阀,用于调节麻醉剂的给药量。
上述控制***的运行基于以下步骤实现:
步骤S1:数据采集与信息录入:在向受测者注射麻醉剂开始算,对患者的多项生理指标进行实时数据采集:当前时刻的脑电波频率Phead、心率Pheart、呼吸速率ζ1、脉搏频率ζ2、血压P、体温T;信息录入包括两个方面:一是受测者的身份信息(包括年龄、性别、疾病类型),二是麻醉剂信息(包括麻醉剂的种类,预用剂量S0);
需要指出的是,通过大量临床实践,本发明选择的生理参数均为与麻醉剂麻醉后生理反应最为密切的生理参数,而体动参数由于患者复杂性(老年痴呆症、神经损伤症等不适用)影响,且属于图像参数,不仅处理过程复杂而且会带来较大的噪声,因此本方案的生理参数采集不纳入该参数。
步骤S2:数据预处理:将多项生理指标数据进行归一化处理,得到数据集{Xi,t},具体地,在t+1时刻归一化参数Xi,t+1为:
Xi,t+1=(Yi,t+1-Yi,t)/Yi,0 (1)
式中,Y代表归一化前的某项生理指标值,X表示归一化后的生理指标,下标“t”表示某个时间点,下标“i”表示第i项。
步骤S3:将步骤S2中的经过预处理后的数据集{Xi,t}作为输入参数,设定神经元个数和训练次数,并导入模糊神经网络中进行训练;
由于麻醉状态随时间的变化属于非线性的,因此,在上述步骤S3中,为了实现精准的预测,本发明采用T-S预测模型,非线性预测的模糊函数如下:
Xi,t+1=f({Xi,t+1},St)+g({Xi,t},St-1)u (2)
上式中,f()和g()均为光滑的非线性函数,u为模糊预测算法中的输出值,其中g()的格式为:
步骤S4:对数据集中的归一化参数Xi以及当前时刻的麻醉剂给药量进行学习,并更新模糊网络的各项参数;
步骤S5:在步骤S4的基础上,计算全局优化参数Ψ,判断Ψ是否达到预设阈值Ψset,根据结果判断是否进行下一时刻***剂的给药,若是,则停止注射麻醉剂,若否,则根据当前的全局优化参数Ψ调节给药量S。
Ψ(t)=a1*X1,t+a2*X2,t+a3*X3,t+a4*X4,t+a5*X5,t+a6*X6,t+S(t) (4)
式中,系数ai是在初始参数给定的情况下,由上述模糊神经网络反复迭代解算得出,Ψ(t)作为神经网络训练过程中的控制参数。
在上述步骤S3中,模糊预测算法的基本步骤如下:
1)定义***状态的输入(eXi,t,eSt)和输出值u的论域、隶属函数和模糊预测规则,其中,下标“t”表示某个时间点,下标“i”表示第i项生理指标;
2)将真实的输入(eXi,t,eSt)和输出值u映射为模糊推理论域中的输入和输出u*;
3)确定的作用模糊子集Ai和Bj及其作用模糊预测规则Rk,模糊预测规则Rk与模糊规则表(如表1所示)结构相同,是基于现有的模糊规则设定初始值并构建的模糊规则矩阵,在此基础上确定模糊子集Ai和Bj;
4)计算各条作用规则的隶属度值μk,其计算如公式(5)所示:
5)在步骤4)的基础上,利用重心法进行反模糊化得到模糊输出量u*,如公式(6)所示:
式中,uk为第k条作用规则下输出值u。
6)将模糊预测得到的输出u*映射为实际的输出值u,实际的输出值u作为流量差ΔS的调节值,在t+1时刻ΔS与模糊推理的输出值u有如下关系:
u=M(eXi,t,eSt) (7)
ΔSt+1=ΔSt+u (8)
其中,选取E、EC和u的各语言变量值,正大为PB,正中为PM,正小为PS,负小为NS,负中为NM,负大为NB,在语言变量值的确定下,u的赋值如表1中所示:
表1模糊规则表
在t时刻,当Ψ是否达到预设阈值Ψset时,则预判患者在下一预设时刻,受测者/患者将达到完全麻醉状态,可以实施手术;若Ψ是尚未达到预设阈值Ψset,则根据实际输出值u调节给药量S,即St+ΔSt,或St-ΔSt,具体地,模糊控制器可将反馈调节信号输入到调节端,通过微型阀/流量调节阀实时调节麻醉剂的给药量,该调节过程主要是基于对当前生理参数的采集,并通过模糊神经网络进行参数训练,实现对下一时刻模糊调节量的预测。
在现有技术中,基于脑波分析、神经电位分析或肌肉松弛状态判断,与神经网络算法或其他算法结合来控制麻醉剂的给药量和给药时间的方法,多是基于当前的参数采集对当前的麻醉结果进行判断,明显缺乏前瞻性或预测功能,一是无法准确预测下一时间段患者的生理状态变化以及麻醉剂用量,二是这类方法多是线性调控(在注射麻醉剂后,多项生理参数随时间的变化是明显非线性的,比方说患者体温,当麻醉剂达到注射到一定程度后,该项参数将趋于稳定,体温不会降得太低),因此这类方法在实际操作过程中会带来较大的误差和噪声,无法精准地控制麻醉剂的给药量。而本实施例中的上述方案,通过采集患者当前的生理参数信息,进行归一化处理后导入网络中进行模糊训练和反模糊化处理,最终在t时刻就可以获得对t+1时刻麻醉剂给药量进行调节的模糊输出量,因而,本技术方案实际上是根据超前调节参数控制麻醉剂的给药量,能够实现精准、快速调节。
本领域技术人员应当理解,上述实施例仅对本方明最优的实现方法进行描述,并不仅限于上述技术方案,在不脱离上述发明基本构思的前提下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案,例如上述技术特征与本发明中发明的具有类似功能的技术特征进行互相替换而形成的技术方案,本发明的保护范围由权利要求所涵盖的技术方案决定。
Claims (3)
1.一种基于模糊神经网络的麻醉给药控制***,其特征在于,所述控制***包括参数采集模块、通信模块、计算模块、可视化输入模块、给药控制模块,其中,参数采集模块用于在患者给药时刻起,实时采集受测者生理指标数据,参数采集模块与通信模块连接,将多项生理参数转化为电信号,通过通信模块上传给计算模块,同时,通过可视化输入模块输入受测者的身份信息和麻醉剂信息,可视化输入模块与计算模块电连接,身份信息和麻醉剂信息在计算模块中进行存储,在此基础上,计算模块对接受到的生理指标数据进行数据预处理、模糊训练,并根据模糊神经网络的实际输出值调节给药量;
所述控制***运行基于以下步骤实现:
步骤S1:数据采集与信息录入:从受测者注射麻醉剂开始算,对受测者的多项生理指标数据进行实时数据采集,并进行信息录入;
步骤S2:数据预处理:将多项生理指标数据进行归一化处理,得到数据集{Xi,t},其中,下标“t”表示某个时间点,下标“i”表示第i项生理指标;
在所述步骤S2中,Xi,t归一化过程如公式(1)所示:
Xi,t+1=(Yi,t+1-Yi,t)/Yi,0 (1)
式中,Y代表归一化前的某项生理指标值,X表示归一化后的生理指标,下标“t”表示某个时间点,下标“i”表示第i项;
步骤S3:将步骤S2中的经过预处理后的数据集{Xi,t}作为输入参数,设定神经元个数和训练次数,并导入模糊神经网络中,基于模糊预测算法进行训练;
在所述步骤S3中,为了实现精准的预测,采用T-S预测模型,T-S预测模型中非线性预测的模糊函数如下:
Xi,t+1=f({Xi,t+1},St)+g({Xi,t},St-1)u (2)
上式中,f()和g()均为光滑的非线性函数,u为模糊预测算法中的输出值,其中g()的格式为:
在所述步骤S3中,所述模糊预测算法的步骤具体包括:
1)定义***状态的输入(eXi,t,eSt)和输出值u的论域、隶属函数和模糊预测规则;
2)将真实的输入(eXi,t,eSt)和输出值u映射为模糊推理论域中的输入和输出量u*;
3)确定的作用模糊子集Ai和Bj及其作用模糊预测规则Rk;
4)计算各条作用规则的隶属度值μk,其计算如公式(5)所示:
5)在步骤4)的基础上,利用重心法进行反模糊化得到模糊输出量u*,如公式(6):
式中,uk为第k条作用规则下输出值u;
6)将模糊预测得到的输出u*映射为实际的输出值u,实际的输出值u作为流量差ΔS的调节值,在t+1时刻ΔS与模糊推理的输出值u有如下关系:
u=M(eXi,t,eSt) (7)
ΔSt+1=ΔSt+u (8)
步骤S4:对数据集中的归一化参数Xi以及当前时刻的麻醉剂给药量进行深度学习,并更新模糊网络的各项参数;
步骤S5:在步骤S4的基础上,计算全局优化参数Ψ,判断Ψ是否达到预设阈值Ψset,根据结果判断是否进行下一时刻***剂的给药,若是,则停止注射麻醉剂,若否,则根据当前的全局优化参数Ψ调节给药量S。
2.根据权利要求1所述的一种基于模糊神经网络的麻醉给药控制***,其特征在于,所述参数采集模块至少包括用于测量脑电波频率的测试芯片、测量心率的心率传感器、测量呼吸速率的传感器、测量脉搏频率压脉带、测量血压的血压仪、测量体温的温度传感器;
所述参数采集模块采集的生理指标数据包括生理指标和身份信息两项,所述生理指标至少包括受测者当前时刻的脑电波频率Phead、心率Pheart、呼吸速率ζ1、脉搏频率ζ2、血压P、体温T,所述信息录入包括受测者的身份信息和受测者所使用的麻醉剂信息;所述身份信息包括年龄、性别、疾病类型,所述麻醉剂信息包括麻醉剂的种类、预用剂量S0。
3.根据权利要求2所述的一种基于模糊神经网络的麻醉给药控制***,其特征在于,所述给药控制模块为微控阀或流量调节阀,所述给药控制模块用于调节麻醉剂的给药量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311486130.6A CN117219227B (zh) | 2023-11-09 | 2023-11-09 | 一种基于模糊神经网络的麻醉给药控制*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311486130.6A CN117219227B (zh) | 2023-11-09 | 2023-11-09 | 一种基于模糊神经网络的麻醉给药控制*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117219227A CN117219227A (zh) | 2023-12-12 |
CN117219227B true CN117219227B (zh) | 2024-01-23 |
Family
ID=89039392
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311486130.6A Active CN117219227B (zh) | 2023-11-09 | 2023-11-09 | 一种基于模糊神经网络的麻醉给药控制*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117219227B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117942045B (zh) * | 2024-03-27 | 2024-07-09 | 吉林大学 | 基于人工智能的智能麻醉给药控制***及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19829018A1 (de) * | 1998-06-30 | 2000-01-13 | Markus Lendl | Verfahren zur Narkotisierung und Narkosesystem |
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 |
WO2015079355A1 (en) * | 2013-11-26 | 2015-06-04 | Koninklijke Philips N.V. | Methods for estimating dosage of anesthetic agent and for determining depth of anesthesia |
KR20210066271A (ko) * | 2019-11-28 | 2021-06-07 | 엠텍글로벌 주식회사 | 마취 분야에서의 의료 딥러닝을 활용한 처방 시스템 |
CN116548920A (zh) * | 2023-05-04 | 2023-08-08 | 上海交通大学医学院附属仁济医院 | 一种基于神经网络的麻醉状态监测***及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2595529A4 (en) * | 2010-07-23 | 2014-01-08 | Quantium Medical Sl | APPARATUS FOR COMBINING THE INTERACTION OF MEDICINAL EFFECTS BETWEEN ANESTHETICS AND ANALGESICS AND THE CHARACTERISTICS OF ELECTROENCEPHALOGRAM FOR A PRECISE EVALUATION OF THE LEVEL OF CONSCIOUSNESS DURING ANESTHESIA |
-
2023
- 2023-11-09 CN CN202311486130.6A patent/CN117219227B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19829018A1 (de) * | 1998-06-30 | 2000-01-13 | Markus Lendl | Verfahren zur Narkotisierung und Narkosesystem |
WO2015079355A1 (en) * | 2013-11-26 | 2015-06-04 | Koninklijke Philips N.V. | Methods for estimating dosage of anesthetic agent and for determining depth of anesthesia |
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 |
KR20210066271A (ko) * | 2019-11-28 | 2021-06-07 | 엠텍글로벌 주식회사 | 마취 분야에서의 의료 딥러닝을 활용한 처방 시스템 |
CN116548920A (zh) * | 2023-05-04 | 2023-08-08 | 上海交通大学医学院附属仁济医院 | 一种基于神经网络的麻醉状态监测***及方法 |
Non-Patent Citations (4)
Title |
---|
基于模糊神经网络的麻醉深度的监测研究;李敏;叶志前;;中国医疗器械杂志;第30卷(第4期);第253-255页 * |
基于模糊自适应PID控制的麻醉靶控输注智能化研究;丁正敏;熊冬生;王小红;钟炳艺;张兴安;;中国医学物理学杂志;第33卷(第7期);第726-732页 * |
探讨模糊神经网络在麻醉监测中的应用;李敏;潘慧平;叶志前;;中国医疗器械信息;第13卷(第9期);第5-10页 * |
机器学习算法在麻醉领域的应用;徐瑾;邓晓明;晏馥霞;;中国医学科学院学报;第42卷(第5期);第696-701页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117219227A (zh) | 2023-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Afshar et al. | A combinatorial deep learning structure for precise depth of anesthesia estimation from EEG signals | |
Mendez et al. | Sleep apnea screening by autoregressive models from a single ECG lead | |
CN117219227B (zh) | 一种基于模糊神经网络的麻醉给药控制*** | |
EP3783619A1 (en) | Human body health assessment method and system based on sleep big data | |
CN110050308A (zh) | 多传感器中风检测 | |
CN110547868B (zh) | 一种连续麻醉装置 | |
WO2023123437A1 (zh) | 麻醉控制***,麻醉***及非暂态计算机可读介质 | |
Wang et al. | Inference of brain states under anesthesia with meta learning based deep learning models | |
KR20210066271A (ko) | 마취 분야에서의 의료 딥러닝을 활용한 처방 시스템 | |
CN115299881A (zh) | 一种麻醉维持期的监测与调控***及方法 | |
CN110752002A (zh) | 一种药物用量预测装置 | |
CN116548920A (zh) | 一种基于神经网络的麻醉状态监测***及方法 | |
Fadiyah et al. | Classification of motor imagery and synchronization of post-stroke patient EEG signal | |
US20220165393A1 (en) | System for the detection and management of mental, emotional, and behavioral disorders | |
CN115105681A (zh) | 基于多模态生理指标的麻醉闭环输注*** | |
CN109727670A (zh) | 一种智能中风康复监护方法和*** | |
CN109727669A (zh) | 一种中风患者监护***和方法 | |
Linkens et al. | Clinical implementation of advanced control in anaesthesia | |
Abed et al. | Sleep apnea events detection using deep learning techniques | |
CN112354042A (zh) | 一种镇痛泵流量控制方法和装置 | |
Rajgure et al. | A Novel Approach on Yoga Posture Identification Using Machine Learning | |
Zhang et al. | Depth of anesthesia control with fuzzy logic | |
Bhongade et al. | 1D Convolutional Neural Network for Obstructive Sleep Apnea Detection | |
Mo et al. | A multimodal data-driven framework for anxiety screening | |
Zhu et al. | Ventilator control based on a fuzzy-neural network approach |
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 |