一种基于体征信号分析的麻醉状态监测方法技术

本发明专利技术公开了一种基于体征信号分析的麻醉状态监测方法，包括体征信号的实时采集、脑血氧信号的分解重构、样本熵计算、麻醉状态分类和麻醉状态预测；通过上述方式，本发明专利技术能够对患者的脑血氧信号、心率和呼吸频率进行采集与分析，去除心跳和呼吸对脑血氧信号的干扰，获得更加准确的脑血氧样本熵；同时，本发明专利技术还能够通过支持向量机和回归预测法对样本熵进行分类与预测，进而实现对麻醉状态的分类及预测，保障患者的麻醉安全和手术的顺利进行。

A monitoring method of anesthesia state based on sign signal analysis

【技术实现步骤摘要】
一种基于体征信号分析的麻醉状态监测方法
本专利技术涉及麻醉监测
，特别是涉及一种基于体征信号分析的麻醉状态监测方法。
技术介绍
麻醉作为临床手术中不可或缺的关键环节，其主要作用是抑制神经对伤害性刺激下的反应，帮助患者消除手术疼痛，保证手术过程的顺利进行。在临床手术中，如果麻醉太浅，病患在手术中可能会有恢复意识的现象；如果麻醉深度太深，则极有可能造成病患意识恢复延迟，甚至死亡。因此，术中对麻醉状况进行实时监测对保障病患术中麻醉安全和术后快速恢复具有重要意义。当前，对麻醉状态的监测常通过监测脑电信号来进行，通过将脑电信号转化成脑电双频指数或脑电熵等无量纲的数字化指数，再根据数值大小表示大脑皮层受抑制的程度，从而反应大脑皮层的状态和变化；并通过设定阈值，可以对麻醉状态进行区分。但是，由于脑电信号十分复杂，信号的识别、处理和计算较为繁琐，并且脑电信号存在较强的药物依赖性以及较大的人体差异，临床手术时高频手术刀也会对脑电信号产生明显的干扰，术中伤害性刺激及人体的肌电活动也都会引起脑电信号的变化，从而使脑电信号监测不能准确地反映患者的麻醉状态，影响了脑电信号监测方法的应用效果。因此，当前仍需要一种更为准确有效的监测麻醉状态的方法。公开号为CN109567823A的专利提供了一种基于近红外光谱技术的麻醉深度监测系统和方法，通过近红外光谱技术采集脑血氧信号，利用样本熵算法，分别计算病人在清醒和麻醉状态下前额叶的样本熵，并根据AUC值和尤登指数找到区分这两种状态的最佳信号和阈值，用于监测麻醉深度。这种方法在临床应用中可以避免高频电刀对监测的影响，数据处理更为简洁，临床应用中运算效率高、延时低。但是这种方法只进行了简单的滤波处理，难以消除心率和呼吸频率这类与脑血氧信号频率接近的生理噪声对脑血氧信号的影响，结果不够准确；并且，这种方法只能将麻醉状态简单分为麻醉和清醒两类，在临床应用过程中意义不大。因此，当前仍需要对一种更为有效的麻醉状态监测方法，对术中麻醉状态进行更为准确的监测和分类，以保障患者的麻醉安全。
技术实现思路
本专利技术的目的在于针对上述问题，提供一种基于体征信号分析的麻醉状态监测方法，通过对患者的脑血氧信号、心率和呼吸频率进行采集与分析，去除心跳和呼吸对脑血氧信号的干扰，获得更加准确的脑血氧样本熵；并通过支持向量机和回归预测法对样本熵进行分类与预测，进而实现对麻醉状态的分类及预测。为实现上述目的，本专利技术采用的技术方案是：一种基于体征信号分析的麻醉状态监测方法，包括如下步骤：S1、信号采集：对需要麻醉的患者进行术中体征信号实时采集，所述体征信号包括脑血氧信号、心率和呼吸频率；S2、信号处理：对脑血氧信号进行分解，提取并剔除心跳和呼吸的干扰分量，进行脑血氧信号重构；S3、样本熵计算：对重构后的脑血氧信号进行样本熵计算；S4、麻醉状态分类：提取脑血氧信号的样本熵作为特征向量，利用支持向量机进行麻醉状态分类；S5、麻醉状态预测：根据样本熵的时间序列，对样本熵的变化趋势进行预测，并按照步骤S4对预测的样本熵进行麻醉状态分类，即得到预测的麻醉状态。进一步地，步骤S1中所述脑血氧信号、心率和呼吸频率分别由近红外光谱仪、心电监测仪和呼吸监测仪进行采集。进一步地，步骤S2中所述分解包括如下步骤：S2.1.1、计算脱氧血红蛋白变化量和氧合血红蛋白变化量；S2.1.2、将脱氧血红蛋白变化量和氧合血红蛋白变化量分别分解为多个固有模态函数；S2.1.3、计算各固有模态函数的瞬时频率均值。进一步地，步骤S2中所述心跳和呼吸的干扰分量分别由心动周期频率和呼吸频率表示，所述呼吸频率即为步骤S1中采集的呼吸频率值，所述心动周期频率的计算公式如下：式中，hr为步骤S1中采集的心率值。进一步地，步骤S2中所述信号重构包括如下步骤：S2.3.1、将步骤S2.1.3中的各瞬时频率均值与心动周期频率和呼吸频率进行匹配，并从中剔除与心动周期频率或呼吸频率一致的瞬时频率，得到无干扰瞬时频率；S2.3.2、对步骤S2.3.1所得的无干扰瞬时频率进行低通滤波；S2.3.3、将滤波后的无干扰瞬时频率对应的固有模态函数重构成脑血氧信号，其公式如下：式中：A(t)为重构后的脑血氧信号，m为滤波后无干扰瞬时频率对应的固有模态函数的个数，Ci(t)为相应的固有模态函数。进一步地，步骤S3中所述样本熵的计算步骤如下：S3.1、以N为数据长度，将重构后的脑血氧信号按时间序列进行排列，表示为A(1)～A(N)，再将该时间序列组成M维向量，得到向量X(1)～X(N-M)，其中，X(i)表示为：X(i)＝[A(i)，A(i+1)，...A(i+M-1)]，(i∈[1，N-M])S3.2、对任意两个向量X(i)和X(j)之间的距离进行计算，即：d[X(i)，X(j)]＝max(|A(i+k)|-|A(j+k)|)其中，k∈[0，M-1]，j∈[1，N-M]，i≠j；S3.3、统计各向量间的距离中小于相似容限r的距离个数Ni(M，r)，并计算相似函数Bi(M，r)及其平均值其计算公式如下：S3.4、将向量维数增加至M+1，再按照步骤S3.2和S3.3计算M+1维的相似函数的平均值S3.5、根据M维和M+1维下的相似函数的平均值，计算样本熵值SampEn(N，M，r)，其公式如下：进一步地，步骤S4中所述麻醉状态分为清醒状态、轻度麻醉状态、中度麻醉状态和深度麻醉状态。进一步地，步骤S4中所述支持向量机为经过训练的分类器，其评价指标包括准确率、灵敏度和特异性。进一步地，步骤S5中对样本熵的预测采用回归预测法，对样本熵的时间序列进行曲线拟合。进一步地，所述回归预测法包括如下步骤：S5.1、建立多顶式回归模型；S5.2、采用最小二乘法对多项式回归模型中的回归系数进行计算；S5.3、对所得回归模型的拟合优度进行检验，确定预测方程并进行预测。与现有技术相比，本专利技术的有益效果是：1、本专利技术提供的基于体征信号分析的麻醉状态监测方法能够对患者的脑血氧信号、心率和呼吸频率进行采集与分析，去除心跳和呼吸对脑血氧信号的干扰，获得更加准确的脑血氧样本熵；同时，本专利技术还能够通过支持向量机和回归预测法对样本熵进行分类与预测，从而实现对麻醉状态的分类及预测。2、本专利技术通过在术中同时对脑血氧信号、心率和呼吸频率进行监测，全面分析患者的术中体征，保证患者的术中安全；同时，本专利技术根据脑血氧信号对脱氧血红蛋白与氧合血红蛋白的变化量进行分解，并从中剔除心跳和呼吸的干扰分量，获得更为有效的脑血氧信号，从而使对麻醉状态的监测和分类更加准确。3、本专利技术通过提取脱氧血红蛋白变化量和氧合血红蛋白变化量的样本熵作为特征向量，利用支持向量机进行训练与分类测试，从而能够根据样本熵将麻醉状态分为清醒状态本文档来自技高网...

【技术保护点】
1.一种基于体征信号分析的麻醉状态监测方法，其特征在于，包括如下步骤：/nS1、信号采集：对需要麻醉的患者进行术中体征信号实时采集，所述体征信号包括脑血氧信号、心率和呼吸频率；/nS2、信号处理：对脑血氧信号进行分解，提取并剔除心跳和呼吸的干扰分量，进行脑血氧信号重构；/nS3、样本熵计算：对重构后的脑血氧信号进行样本熵计算；/nS4、麻醉状态分类：提取脑血氧信号的样本熵作为特征向量，利用支持向量机进行麻醉状态分类；/nS5、麻醉状态预测：根据样本熵的时间序列，对样本熵的变化趋势进行预测，并按照步骤S4对预测的样本熵进行麻醉状态分类，即得到预测的麻醉状态。/n

【技术特征摘要】
1.一种基于体征信号分析的麻醉状态监测方法，其特征在于，包括如下步骤：
S1、信号采集：对需要麻醉的患者进行术中体征信号实时采集，所述体征信号包括脑血氧信号、心率和呼吸频率；
S2、信号处理：对脑血氧信号进行分解，提取并剔除心跳和呼吸的干扰分量，进行脑血氧信号重构；
S3、样本熵计算：对重构后的脑血氧信号进行样本熵计算；
S4、麻醉状态分类：提取脑血氧信号的样本熵作为特征向量，利用支持向量机进行麻醉状态分类；
S5、麻醉状态预测：根据样本熵的时间序列，对样本熵的变化趋势进行预测，并按照步骤S4对预测的样本熵进行麻醉状态分类，即得到预测的麻醉状态。


2.根据权利要求1所述的一种基于体征信号分析的麻醉状态监测方法，其特征在于：步骤S1中所述脑血氧信号、心率和呼吸频率分别由近红外光谱仪、心电监测仪和呼吸监测仪进行采集。


3.根据权利要求1所述的一种基于体征信号分析的麻醉状态监测方法，其特征在于：步骤S2中所述分解包括如下步骤：
S2.1.1、计算脱氧血红蛋白变化量和氧合血红蛋白变化量；
S2.1.2、将脱氧血红蛋白变化量和氧合血红蛋白变化量分别分解为多个固有模态函数；
S2.1.3、计算各固有模态函数的瞬时频率均值。


4.根据权利要求3所述的一种基于体征信号分析的麻醉状态监测方法，其特征在于：步骤S2中所述心跳和呼吸的干扰分量分别由心动周期频率和呼吸频率表示，所述呼吸频率即为步骤S1中采集的呼吸频率值，所述心动周期频率的计算公式如下：



式中，hr为步骤S1中采集的心率值。


5.根据权利要求4所述的一种基于体征信号分析的麻醉状态监测方法，其特征在于：步骤S2中所述信号重构包括如下步骤：
S2.3.1、将步骤S2.1.3中的各瞬时频率均值与心动周期频率和呼吸频率进行匹配，并从中剔除与心动周期频率或呼吸频率一致的瞬时频率，得到无干扰瞬时频率；
S2.3.2、对步骤S2.3.1所得的无干扰瞬时频率进行低通滤波；
S2.3.3、将滤波后的无干扰瞬时频率对应的固有模态函数重构成脑血氧信号，其公式如下：



式中：A(t)为重构后...

【专利技术属性】
技术研发人员：张永顺，张峰，
申请(专利权)人：张永顺，
类型：发明
国别省市：福建;35