CN216257042U - 一种多模态麻醉深度评估*** - Google Patents
一种多模态麻醉深度评估*** Download PDFInfo
- Publication number
- CN216257042U CN216257042U CN202121584873.3U CN202121584873U CN216257042U CN 216257042 U CN216257042 U CN 216257042U CN 202121584873 U CN202121584873 U CN 202121584873U CN 216257042 U CN216257042 U CN 216257042U
- Authority
- CN
- China
- Prior art keywords
- module
- power spectrum
- gru
- anesthesia
- control unit
- 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.)
- Expired - Fee Related
Links
- 206010002091 Anaesthesia Diseases 0.000 title claims abstract description 45
- 230000037005 anaesthesia Effects 0.000 title claims abstract description 45
- 238000011156 evaluation Methods 0.000 title claims abstract description 8
- 238000001228 spectrum Methods 0.000 claims abstract description 30
- 238000004364 calculation method Methods 0.000 claims abstract description 20
- 239000003814 drug Substances 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 229940079593 drug Drugs 0.000 claims abstract description 10
- 239000003193 general anesthetic agent Substances 0.000 claims abstract description 8
- 238000001914 filtration Methods 0.000 claims description 12
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 230000003444 anaesthetic effect Effects 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 2
- 210000004556 brain Anatomy 0.000 claims 1
- 230000008030 elimination Effects 0.000 claims 1
- 238000003379 elimination reaction Methods 0.000 claims 1
- 230000003533 narcotic effect Effects 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 abstract description 8
- 230000000763 evoking effect Effects 0.000 description 8
- 238000005259 measurement Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000000638 stimulation Effects 0.000 description 2
- 230000002618 waking effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000036592 analgesia Effects 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 229940035674 anesthetics Drugs 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004424 eye movement Effects 0.000 description 1
- 208000016354 hearing loss disease Diseases 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000000034 method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Images
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本实用新型公开了一种多模态麻醉深度评估***，包括多通道脑电信号模块、患者信息模块、***物类型模块和用药信息模块，所述多通道脑电信号模块的输出端连接有信号预处理模块，且信号预处理模块的输出端连接有功率谱计算模块，所述功率谱计算模块和患者信息模块的输出端均连接有GRU（门循环控制单元），且GRU（门循环控制单元）的另两个输入端还连接有***物类型模块和用药信息模块。本实用新型将包含脑电信号提取的特征值结合***物类型与患者个体特征共同作为GRU神经网络的输入层参数，能够更为全面的反应患者的状态，更加准确的预估麻醉深度，且采用GRU神经网络参数量少，能够有效的减少过拟合，增加预估的准确。
Description
技术领域
本实用新型涉及麻醉技术领域，具体为一种多模态麻醉深度评估***。
背景技术
麻醉是现代临床手术中必不可少的关键环节，但实施麻醉具有较高的风险性，错误的麻醉剂量都会给患者带来伤害如何为患者提供安全可靠的麻醉，是目前麻醉学研究相关领域的重点课题，传统麻醉是由麻醉师借助常规监护仪的血压、心率等信息和观察患者瞳孔大小、是否流泪、皮肤温度等体态特征来评价麻醉的深浅，主要依赖麻醉师的主观判定，很大程度上依赖麻醉师的个人技能水平和经验，而且病人的有些生理特征容易被干扰，因而传统麻醉麻醉深度存在很大的局限性。
脑电信号是大脑皮层神经细胞群突触电位变化的综合反映，有反映意识活动的优势及无创性特点，脑电信号是目前客观评估麻醉深度中最有潜力的方法之一，已取得较好的研究成果，通过脑电信号来评估临床手术中麻醉状态具有重要的临床应用价值，因而脑电信号的获取对于麻醉深度监测至关重要，同时不同***物对麻醉深度的影响存在较大的差异，不同的个体对麻醉深度的适应性也是不同，目前常见用于获取脑电信号的电极传感器主要有双频指数（BIS）、听觉诱发电位指数（AEP index）、熵指数（Entropy index）。
双频指数（BIS）监护仪在总体上能够有效的反映药物对麻醉意识的影响，BIS手术中患者EEG信号能够反映麻醉深度的特点，通过快速傅立叶变换将EEG信号进行量化处理，再通过复杂的运算，最终得到一个能够反映麻醉深度的BIS指数，BIS值在85-100代表清醒、65-85代表轻度镇定、40-65代表适合麻醉、40以下出现爆发抑制。
听觉诱发电位（AEP)能够实现无创监测，并能够利用AAI（A-LineTM ARX index）指数来反映麻醉深度，听觉诱发电位具有明确的生理学意义，其每个波峰都与解剖结构有着密切的关联，听觉诱发电位能够提供手术刺激、镇痛等多方面的信息，能够较全面的反映当前麻醉的深浅，较好的预测体动和预防术中知晓，AAI与BIS值不同，AAI在60-100代表清醒状态、40-60睡眠状态、30-40代表浅麻醉状态，低于30是临床麻醉状态。
熵指数能够根据患者的具体情况，指导***的用量，还能够预测患者麻醉的恢复与术中知晓，对电刀等干扰的抑制能力更强，熵本质上时是EEG和FEMG信号的测量，特别是对不规则性的测量，熵值与麻醉深度状态具有一定的联系，熵值越高说明EEG和FEMG越具有不规则性，则患者处于清醒状态，熵值越小说明EEG和FEMG越呈现规则性，则患者进入麻醉状态。
双频指数监护仪是目前市场占有率最高的产品，有研究表明BIS监护效果对***物的联合应用具有局限性，在应用不同组合的***物时，虽然BIS值相似，但可能处于不同麻醉深度状态，听觉诱发电位监护仪诱发脑电的幅值在0.1-20uV，十分微弱，容易受其他设备所产生的电波干扰，而且需给予患者听觉刺激，不适用有听力障碍的患者，熵指数监护仪在频繁眼动、体动等情况，熵值可能不能准确反映当前的麻醉状态，在精神类药物作用下也可能引起测量不准的现象，同时熵指数需要工作人员对其数据结果进行二次分析。
实用新型内容
本实用新型的目的在于提供一种多模态麻醉深度评估***，以解决上述背景技术中提出的问题。
为实现上述目的，本实用新型提供如下技术方案：一种多模态麻醉深度评估***，包括多通道脑电信号模块、患者信息模块、***物类型模块和用药信息模块，所述多通道脑电信号模块的输出端连接有信号预处理模块，且信号预处理模块的输出端连接有功率谱计算模块，所述功率谱计算模块和患者信息模块的输出端均连接有GRU（门循环控制单元），且GRU（门循环控制单元）的另两个输入端还连接有***物类型模块和用药信息模块，同时，GRU（门循环控制单元）的输出端连接有麻醉深度指数模块；
所述功率谱计算模块包括θ、δ、α、β、BetaR、EMG、SEF，且患者信息模块包括性别、年龄、身高、体重。
优选的，所述θ为0-4Hz与0-30Hz的功率谱比，δ为4-8Hz与0-30Hz的功率谱比，α为8-13Hz与0-30Hz的功率比，β为13-30Hz与0-30Hz的功率谱比，EMG为70-110Hz频段的功率值，betaR为30-47Hz与11-20Hz的功率谱比，SEF是在EEG信号在0-30Hz的频率范围内功率值在95%总功率时的频率参数值。
优选的，所述GRU（门循环控制单元）为一个三层神经网络模型，输入层神经元个数为12，输出层神经元个数为1，将输出结果作为评价麻醉深度的指标，将呼吸末浓度结合药代药效动力学计算结果作为训练标签。
优选的，所述信号预处理模块包含主成分析进行降维处理、自适应阈值滤波滤除高频干扰、小波db4自适应绿滤波和47Hz低通滤波和0.5Hz高通滤波。
优选的，所述功率谱计算模块采用Welch功率谱计算法。
与现有技术相比，本实用新型的有益效果如下：
本实用新型将包含脑电信号提取的特征值结合***物类型与患者个体特征共同作为GRU神经网络的输入层参数，能够更为全面的反应患者的状态，更加准确的预估麻醉深度，且采用GRU神经网络参数量少，能够有效的减少过拟合，增加预估的准确。
附图说明
图1为本实用新型***原理图。
具体实施方式
下面将结合本实用新型实施例中的附图，对本实用新型实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本实用新型一部分实施例，而不是全部的实施例。基于本实用新型中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本实用新型保护的范围。
在本申请的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“设置有”、“连接”等，应做广义理解，例如“连接”，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。
请参阅图1，一种多模态麻醉深度评估***，包括多通道脑电信号模块、患者信息模块、***物类型模块和用药信息模块，多通道脑电信号模块的输出端连接有信号预处理模块，且信号预处理模块的输出端连接有功率谱计算模块，功率谱计算模块和患者信息模块的输出端均连接有GRU（门循环控制单元），且GRU（门循环控制单元）的另两个输入端还连接有***物类型模块和用药信息模块，同时，GRU（门循环控制单元）的输出端连接有麻醉深度指数模块；
功率谱计算模块包括θ、δ、α、β、BetaR、EMG、SEF，且患者信息模块包括性别、年龄、身高、体重，将包含脑电信号提取的特征值结合***物类型与患者个体特征共同作为GRU神经网络的输入层参数，能够更为全面的反应患者的状态，更加准确的预估麻醉深度，且采用GRU神经网络参数量少，能够有效的减少过拟合，增加预估的准确。
θ为0-4Hz与0-30Hz的功率谱比，δ为4-8Hz与0-30Hz的功率谱比，α为8-13Hz与0-30Hz的功率比，β为13-30Hz与0-30Hz的功率谱比，EMG为70-110Hz频段的功率值，betaR为30-47Hz与11-20Hz的功率谱比，SEF是在EEG信号在0-30Hz的频率范围内功率值在95%总功率时的频率参数值，GRU（门循环控制单元）为一个三层神经网络模型，输入层神经元个数为12，输出层神经元个数为1，将输出结果作为评价麻醉深度的指标，将呼吸末浓度结合药代药效动力学计算结果作为训练标签，信号预处理模块包含主成分析进行降维处理、自适应阈值滤波滤除高频干扰、小波db4自适应绿滤波和47Hz低通滤波和0.5Hz高通滤波，功率谱计算模块采用Welch功率谱计算法。
使用时，将包含脑电信号提取的特征值结合***物类型与患者个体特征共同作为GRU神经网络的输入层参数，能够更为全面的反应患者的状态，更加准确的预估麻醉深度，且采用GRU神经网络参数量少，能够有效的减少过拟合，增加预估的准确。
尽管已经示出和描述了本实用新型的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本实用新型的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本实用新型的范围由所附权利要求及其等同物限定。
Claims (5)
1.一种多模态麻醉深度评估***，包括多通道脑电信号模块、患者信息模块、***物类型模块和用药信息模块，其特征在于：所述多通道脑电信号模块的输出端连接有信号预处理模块，且信号预处理模块的输出端连接有功率谱计算模块，所述功率谱计算模块和患者信息模块的输出端均连接有GRU（门循环控制单元），且GRU（门循环控制单元）的另两个输入端还连接有***物类型模块和用药信息模块，同时，GRU（门循环控制单元）的输出端连接有麻醉深度指数模块；
所述功率谱计算模块包括θ、δ、α、β、BetaR、EMG、SEF，且患者信息模块包括性别、年龄、身高、体重。
2.根据权利要求1所述的一种多模态麻醉深度评估***，其特征在于：所述θ为0-4Hz与0-30Hz的功率谱比，δ为4-8Hz与0-30Hz的功率谱比，α为8-13Hz与0-30Hz的功率比，β为13-30Hz与0-30Hz的功率谱比，EMG为70-110Hz频段的功率值，betaR为30-47Hz与11-20Hz的功率谱比，SEF是在EEG信号在0-30Hz的频率范围内功率值在95%总功率时的频率参数值。
3.根据权利要求1所述的一种多模态麻醉深度评估***，其特征在于：所述GRU（门循环控制单元）为一个三层神经网络模型，输入层神经元个数为12，输出层神经元个数为1，将输出结果作为评价麻醉深度的指标，将呼吸末浓度结合药代药效动力学计算结果作为训练标签。
4.根据权利要求1所述的一种多模态麻醉深度评估***，其特征在于：所述信号预处理模块包含主成分析进行降维处理、自适应阈值滤波滤除高频干扰、小波db4自适应绿滤波和47Hz低通滤波和0.5Hz高通滤波。
5.根据权利要求1所述的一种多模态麻醉深度评估***，其特征在于：所述功率谱计算模块采用Welch功率谱计算法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202121584873.3U CN216257042U (zh) | 2021-07-13 | 2021-07-13 | 一种多模态麻醉深度评估*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202121584873.3U CN216257042U (zh) | 2021-07-13 | 2021-07-13 | 一种多模态麻醉深度评估*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN216257042U true CN216257042U (zh) | 2022-04-12 |
Family
ID=81057705
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202121584873.3U Expired - Fee Related CN216257042U (zh) | 2021-07-13 | 2021-07-13 | 一种多模态麻醉深度评估*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN216257042U (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115040140A (zh) * | 2022-06-29 | 2022-09-13 | 燕山大学 | 一种基于深度学习的实时麻醉深度监测*** |
| CN116636817A (zh) * | 2023-07-26 | 2023-08-25 | 四川新源生物电子科技有限公司 | 一种麻醉深度评估方法、***、装置和存储介质 |
-
2021
- 2021-07-13 CN CN202121584873.3U patent/CN216257042U/zh not_active Expired - Fee Related
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115040140A (zh) * | 2022-06-29 | 2022-09-13 | 燕山大学 | 一种基于深度学习的实时麻醉深度监测*** |
| CN116636817A (zh) * | 2023-07-26 | 2023-08-25 | 四川新源生物电子科技有限公司 | 一种麻醉深度评估方法、***、装置和存储介质 |
| CN116636817B (zh) * | 2023-07-26 | 2023-11-03 | 四川新源生物电子科技有限公司 | 一种麻醉深度评估方法、***、装置和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11553869B1 (en) | Multi-channel brain or cortical activity monitoring and method | |
| CA2448806C (en) | Methods and apparatus for monitoring consciousness | |
| EP2007279B1 (en) | System and method of assessing analgesic adequacy using biopotental variability | |
| CN216257042U (zh) | 一种多模态麻醉深度评估*** | |
| CN104887225B (zh) | 麻醉精度监护仪器及方法 | |
| JP2016520375A (ja) | 脳のコヒーレンスおよびシンクロニーの指標を使用して麻酔および鎮静を監視するためのシステムおよび方法 | |
| WO2009064475A1 (en) | Method for real time attitude assessment | |
| Restrepo-Agudelo et al. | Improving surface EMG burst detection in infrahyoid muscles during swallowing using digital filters and discrete wavelet analysis | |
| WO2002032305A1 (en) | Method and apparatus for determining the cerebral state of a patient with fast response | |
| JP7244689B2 (ja) | 装置 | |
| Zoughi et al. | A wavelet-based estimating depth of anesthesia | |
| Chowdhury et al. | Deep learning via ECG and PPG signals for prediction of depth of anesthesia | |
| Chen et al. | Electroencephalogram variability analysis for monitoring depth of anesthesia | |
| Fürbass et al. | Combining time series and frequency domain analysis for a automatic seizure detection | |
| Liang et al. | Propofol anesthesia decreased the efficiency of long-range cortical interaction in humans | |
| CN111134641A (zh) | 一种睡眠监测芯片***及睡眠监测芯片 | |
| Abdelazez et al. | Automated biosignal quality analysis of electrocardiograms | |
| Bouafif | Monitoring of anesthesia by bispectral analysis of EEG signals | |
| CN108378846A (zh) | 基于双通道脑电检测方法及装置 | |
| Benzy et al. | Approximate entropy and wavelet entropy based depth of anesthesia monitoring | |
| Valenza et al. | EEG complexity drug-induced changes in disorders of consciousness: A preliminary report | |
| Afrasiabi et al. | Presenting an effective EEG-based index to monitor the depth of anesthesia | |
| Molteni et al. | Entropy analysis on EEG signal in a case study of focal myoclonus | |
| CN115633969B (zh) | 基于脑电信号和脉搏信号的麻醉疼痛伤害感受评估方法 | |
| CN110584663B (zh) | 一种带状疱疹的药效判断装置及其使用方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220412 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |