一种脑起搏器的电量监测方法以及电量监测系统技术方案

本发明专利技术涉及一种脑起搏器的电量监测方法以及采用该方法的电量监测系统。该方法包括：获取脑起搏器的刺激参数；通过支持向量机预测模型计算该脑起搏器的电池相关参数；以及将计算得到的电池参数显示给用户。本发明专利技术提供的脑起搏器的电量监测方法以及电量监测系统可以实现对对脑起搏器的电量进行高精度的预测，并且该预测方案可以实现与临床特异性相结合的针对每一种刺激参数组合和患者个体情况的DBS电量监测和寿命评估，具备一定的可靠性，最终可应用于临床。

Method and system for monitoring electric quantity of brain pacemaker

The invention relates to a method for monitoring the electric quantity of a brain pacemaker and an electric quantity monitoring system adopting the method. The method comprises the following steps of: acquiring the stimulation parameters of the brain pacemaker; calculating the battery related parameters of the brain pacemaker through the support vector machine prediction model; and displaying the calculated cell parameters to the user. Power monitoring method provided by the invention is a brain pacemaker and electricity monitoring system can be achieved on the brain pacemaker electric quantity of the high precision of the prediction, and the prediction scheme can realize the power monitoring and service life of DBS for each combination of stimulation parameters and individual emotion condition assessment patients combined with clinical specificity, have certain the reliability, finally to clinical application.

【技术实现步骤摘要】

本专利技术涉及医疗器械相关
，尤其，涉及一种植入式医疗器械(Implantable Medical Device,IMD)。
技术介绍
脑起搏器，又称脑深部电刺激(Deep Brain Stimulation,DBS)，是目前治疗晚期和药物难治性运动障碍和精神障碍疾病的有效技术。特别是在帕金森病的治疗上疗效显著。近期研究成果表明脑起搏器也可用于治疗阿兹海默症以及强迫症、抑郁症等精神类疾病。参见图1，脑深部电刺激的实施器件即为脑起搏器，它是一套可植入式微电子装置，包括脉冲发生器(IPG)、电极和延伸导线。脑起搏器开刺激后，脉冲发生器将根据体外程控仪设定的刺激参数产生持续电脉冲，电流经由延伸导线通过电极触点刺激丘脑底核或苍白球内侧核的神经核团。由于这些部件均需植入体内，因此脑起搏器具有功耗低、体积小、安全性强等特点，同时对其材料特性、温度特性和外形设计都有较高的要求。通过体外程控仪就可以调整刺激幅度、频率和脉宽在内的所有刺激参数。脑起搏器采用的电池包括可充电电池和不可充电电池。在临床上需要知道脑起搏器植入者的DBS的不可充电电池的电量水平和剩余寿命。不准确的电池寿命预测将会导致过早地进行DBS更换手术，造成电池的浪费和患者财产损失；或者过晚进行更换手术造成意外停机，对治疗效果不利。对于DBS适应症患者而言，术后的刺激参数(幅度、频率、脉宽)调节是保证疗效最为重要的手段，几乎每位DBS植入者都会经历调参的过程，目前的寿命预测方案只适用于典型(常用)刺激参数组合，并且刺激参数的每一次调整都将带来误差的累积，这使得预测结果很不可靠以致无法应用于临床。但从实际的角度看，目前只能采用这种近似估计的方法，因为在不考虑阻抗的前提下，幅度、频率、脉宽三个刺激参数的组合有一百余万种，其中电压模式下就有五十余万种组合，将每种参数组合下的功耗都测出来显然是不切实际的。因此，需要寻求高精度的预测方法对脑起搏器进行电量预测，并且要求该预测方案可以实现与临床特异性相结合的针对每一种刺激参数组合和患者个体情况的(如阻抗)DBS电量监测和寿命评估，并且能够给出对应的误差范围和分布特点，具备一定的精度和可靠性，最终可应用于临床。
技术实现思路
本专利技术提供一种脑起搏器的电量监测方法以及电量监测系统。一种脑起搏器的电量监测方法，该方法包括：获取脑起搏器的刺激参数；通过支持向量机预测模型计算该脑起搏器的电池相关参数；以及将计算得到的电池参数显示给用户。根据上述脑起搏器的电量监测方法，其中，所述支持向量机预测模型通过以下方法建立：步骤S10，确定所选的核函数，进入步骤S11；步骤S11，初始化核函数的参数，进入步骤S12；步骤S12，获取实验样本数据，进入步骤S13；步骤S13，将样本数据用于学习或预测对比，如果是学习，进入步骤S14，如果是预测对比，则进入步骤S18；步骤S14，对样本数据进行预处理，进入步骤S15；步骤S15，判断所选参数特征是否具有代表性，如果是，进入步骤S16，如果否，则返回步骤S14；步骤S16，算法训练建立模型，进入步骤S17；步骤S17，采用网络搜索方法优化参数，进入步骤S18；步骤S18，将预测数据与实验数据进行对比，进入步骤S19；步骤S19，判断误差是否在允许范围内，如果是，进入步骤S20，如果否，则返回步骤S16；以及步骤S20，作为预测模型。根据上述脑起搏器的电量监测方法，其中，所述步骤S10中，所选的核函数为：径向基核函数K(xi,xj)＝exp(-γ||xi-xj||2),γ>0。根据上述脑起搏器的电量监测方法，其中，所述步骤S12中，获取实验样本数据的方法为：利用自动测试系统采集三个维度的数据，幅度、频率和脉宽。根据上述脑起搏器的电量监测方法，其中，所述步骤S14中，对样本数据进行预处理的方法为归一化或取序列号。根据上述脑起搏器的电量监测方法，其中，所述归一化公式(1)为：X1＝2((X-Xmin)/(Xmax-Xmin))-1(1)，其中，X为原数据；X1为X经归一化处理后的值；Xmax和Xmin分别为原数据X所在数据组中的最大值和最小值。根据上述脑起搏器的电量监测方法，其中，所述取序列号的方法为：幅度序列号＝幅度×20；脉宽序列号＝(脉宽-30)/10；频率序列号按照自然数以1为增量进行编号。一种脑起搏器电量监测系统，其包括：一控制模块，所述控制模块控制控制整个脑起搏器电量监测系统的工作；一计算模块，所述计算模块用于通过上述方法计算该脑起搏器的电池相关参数；一显示模块，所述显示模块用于将所述计算模块计算得到的结果显示给用户；一数据输入模块，所述数据输入模块用于输入脑起搏器的数据信息；以及一存储模块，所述存储模块用于存储数据信息。根据上述脑起搏器电量监测系统，进一步包括一数据获取模块和一通讯模块；所述数据获取模块用于通过该通讯模块与所述脑起搏器的体外程控仪进行通讯，从而获取脑起搏器的刺激参数。根据上述脑起搏器电量监测系统，进一步包括一比较模块和一提示模块；所述比较模块用于将所述计算模块计算得到的结果与一安全阈值进行比较，从而在危险时通过该提示模块进行提示；且所述示模块通过一图形用户界面将所述计算模块计算得到的结果显示给用户。相较于现有技术，本专利技术提供的脑起搏器的电量监测方法以及电量监测系统可以实现对对脑起搏器的电量进行高精度的预测，并且该预测方案可以实现与临床特异性相结合的针对每一种刺激参数组合和患者个体情况的DBS电量监测和寿命评估，具备一定的可靠性，最终可应用于临床。附图说明图1为本专利技术实施例采用的脑起搏器的工作原理图。图2为结构风险最小化示意图。图3为支持向量机的特征空间示意图。图4为核函数原理图。图5为支持向量机预测模型建模流程图。图6为SVM不对训练和测试样本进行预处理的预测绝对误差与曲线拟合预测绝对误差对比图。图7为SVM不对训练和测试样本进行预处理的预测相对误差与曲线拟合预测相对误差对比图。图8为SVM对训练和预测样本进行取序列号预处理的预测绝对误差与曲线拟合预测绝对误差对比图。图9为SVM对训练和预测样本进行取序列号预处理的预测相对误差与曲线拟合预测相对误差对比图。图10为SVM样本归一化和取序列号处理的预测绝对误差对比图。图11为SVM样本归一化和取序列号预测相对误差对比图。图12为SVM参数优选mse等值线图。图13为本专利技术提供的脑起搏器电量监测系统的结构示意图。图14为本专利技术提供的脑起搏器电量监测系统的图形用户界面示意图。主要元件符号说明脑起搏器电量监测系统10控制模块100计算模块101数据获取模块102通讯模块103显示模块104数据输入模块105存储模块106比较模块107提示模块108如下具体实施例将结合上述附图进一步说明本专利技术。具体实施方式本专利技术提供了一种脑起搏器的电量监测方法以及采用该方法的脑起搏器电量监测系统。该方法可以预测不可充电电池的电量和可充电电池的电量消耗情况。对不可充电电池尤为重要。本专利技术首先介绍支持向量机(SVM)预测模型。统计学习理论(Statistic Learning Theory,SLT)是一种专门研究小样本情况下机器学习规律的基本理论和数学架构。由Vapnik提出的基于结构风险最小化的学习机器支持向量机(Support本文档来自技高网...

【技术保护点】
一种脑起搏器的电量监测方法，该方法包括：获取脑起搏器的刺激参数；通过支持向量机预测模型计算该脑起搏器的电池相关参数；以及将计算得到的电池参数显示给用户。

【技术特征摘要】
1.一种脑起搏器的电量监测方法，该方法包括：获取脑起搏器的刺激参数；通过支持向量机预测模型计算该脑起搏器的电池相关参数；以及将计算得到的电池参数显示给用户。2.根据权利要求1的脑起搏器的电量监测方法，其特征在于，所述支持向量机预测模型通过以下方法建立：步骤S10，确定所选的核函数，进入步骤S11；步骤S11，初始化核函数的参数，进入步骤S12；步骤S12，获取实验样本数据，进入步骤S13；步骤S13，将样本数据用于学习或预测对比，如果是学习，进入步骤S14，如果是预测对比，则进入步骤S18；步骤S14，对样本数据进行预处理，进入步骤S15；步骤S15，判断所选参数特征是否具有代表性，如果是，进入步骤S16，如果否，则返回步骤S14；步骤S16，算法训练建立模型，进入步骤S17；步骤S17，采用网络搜索方法优化参数，进入步骤S18；步骤S18，将预测数据与实验数据进行对比，进入步骤S19；步骤S19，判断误差是否在允许范围内，如果是，进入步骤S20，如果否，则返回步骤S16；以及步骤S20，作为预测模型。3.根据权利要求2的脑起搏器的电量监测方法，其特征在于，所述步骤S10中，所选的核函数为：径向基核函数K(xi,xj)＝exp(-γ||xi-xj||2),γ>0。4.根据权利要求2的脑起搏器的电量监测方法，其特征在于，所述步骤S12中，获取实验样本数据的方法为：利用自动测试系统采集三个维度的数据，幅度、频率和脉宽。5.根据权利要求2的脑起搏器的电量监测方法，其特征在于，所述步骤S1...

【专利技术属性】
技术研发人员：曲薇，胡春华，马伯志，黄俊，陈浩，郝红伟，薛林，李路明，
申请(专利权)人：北京品驰医疗设备有限公司，清华大学，
类型：发明
国别省市：北京;11