基于便携式脑电采集设备和深度学习的麻醉状态监测系统技术方案

一种基于便携式脑电采集设备和深度学习的麻醉状态监测系统，其特征在于，包括便携式脑电采集设备、数据处理分析模块和显示模块；所述的便携式脑电采集设备用于采集患者麻醉过程中的脑电信号，并进行滤波放大处理操作，传输到所述的数据处理分析模块；所述的数据处理分析模块对接收的脑电信号进行处理、分析；所述的显示模块是显示器，用于实时显示患者的麻醉状态。本发明专利技术使用的便携式脑电采集设备具有制作成本低、接口开放，体积小的优点，能够便捷高效地采集脑电信号；本发明专利技术能够较为精确的实现对麻醉状态的监测；适用于不同患者的脑电信号分析；基于脑电信号对患者麻醉状态的监测更为直观便捷，对于手术医疗具有重要的指导意义。

【技术实现步骤摘要】
基于便携式脑电采集设备和深度学习的麻醉状态监测系统
本专利技术涉及一种患者麻醉状态监测系统。特别是涉及一种基于便携式脑电采集设备和深度学习的麻醉状态监测系统。
技术介绍
作为现代临床手术过程中必不可少的一个重要环节，麻醉状态的准确判断始终是一项挑战。相同剂量的麻醉药对于不同的人产生的效果也不完全相同，故麻醉具有较高的风险。成功的麻醉过程可以认为是患者无术中意识，无疼痛刺激反应。但完全意义上的成功的麻醉过程难以实现，麻醉过浅时患者可能会感到手术的疼痛或压力，对患者的生理和心理都产生严重的影响；麻醉过深可能会导致严重的脑损伤、神经损伤、瘫痪或者脊髓损伤及严重的术中并发症，导致术后的恢复时间增加，甚至造成术后死亡率的增加。因此为确保病人安全，准确监测大脑所处的麻醉状态不仅能够对麻醉医生的用药量提供指导，而且对于提供一个安全稳定的手术环境具有重要的意义。脑电信号能够直接反映中枢神经系统的活动，脑电技术当前成为分析麻醉状态的最佳手段之一。脑电来自于脑部神经元群的自由放电活动，是脑神经细胞的电生理活动在大脑皮层或头皮表面的总体反映。脑电信号中包含了本文档来自技高网...

【技术保护点】
1.一种基于便携式脑电采集设备和深度学习的麻醉状态监测系统，其特征在于，包括便携式脑电采集设备、数据处理分析模块和显示模块；所述的便携式脑电采集设备用于采集患者麻醉过程中的脑电信号，并进行滤波放大处理操作，传输到所述的数据处理分析模块；所述的数据处理分析模块对接收的脑电信号进行处理、分析；所述的显示模块是显示器，用于实时显示患者的麻醉状态。/n

【技术特征摘要】
1.一种基于便携式脑电采集设备和深度学习的麻醉状态监测系统，其特征在于，包括便携式脑电采集设备、数据处理分析模块和显示模块；所述的便携式脑电采集设备用于采集患者麻醉过程中的脑电信号，并进行滤波放大处理操作，传输到所述的数据处理分析模块；所述的数据处理分析模块对接收的脑电信号进行处理、分析；所述的显示模块是显示器，用于实时显示患者的麻醉状态。


2.根据权利要求1所述的基于脑机接口和深度学习的术后急性疼痛预测系统，其特征在于，所述的便携式脑电采集设备，包括有：依次连接的用于采集脑电信号的脑电极帽及其转接线(1)、用于脑电信号放大和转换的生物电信号采集模块(2)、用于控制脑电信号的采集并通过USB通信电路(4)输出脑电信号的FPGA处理器(3)，以及分别连接生物电信号采集模块(2)和FPGA处理器(3)的系统供电电路(5)，其中，
所述的脑电极帽及其转接线(1)中的脑电极帽采集不同脑区的脑电信号，通过转接线及DSUB37接口与生物电信号采集模块(2)相连接，用于生物电信号的采集和传输；
所述的生物电信号采集模块(2)是由数片集成了用于接收脑电帽采集的脑电压信号的高共模抑制比模拟输入模块、用于进行脑电压信号放大的低噪声可编程增益放大器和用于将模拟信号转换为数字信号的高分辨率同步采样模数转换器的生物电信号采集芯片组成；
所述的FPGA处理器(3)用于调整生物电信号采集模块(2)的采集模式与参数和控制USB通信电路(4)向数据处理分析模块输出脑电信号数据；
所述的USB通信电路(4)工作在异步FIFO模式，最高传输速率8MB/秒，在FPGA处理器(3)的控制下周期性地将采集到的脑电信号以数据包的形式向数据处理分析模块输出；
所述的系统供电电路(5)，输入电压为5V，由USB接口进行供电，通过电压转换模块提供系统不同芯片的工作电压。


3.根据权利要求2所述的基于便携式脑电采集设备和深度学习的麻醉状态监测系统，其特征在于，所述的麻醉过程包括麻醉诱导阶段、麻醉维持阶段和麻醉苏醒阶段，在麻醉过程中持续给患者等时间间隔地施加一定的刺激，通过患者的反应来判断患者的麻醉状态所属阶段；所述的采集患者麻醉过程中的脑电信号，是采集被试者对应于脑电极帽的Fp1,Fp2,F7,F3,Fz,F4,F8,T3,C3,Cz,C4,T4,T5,P3,Pz,P4,T6,O1和O2这19个通道的脑电信号；脑电极帽的电极分布符合10/20国际标准导联。


4.根据权利要求1所述的基于便携式脑电采集设备和深度学习的麻醉状态监测系统，其特征在于，所述的数据处理分析模块，包括进行如下步骤：
1)对于接收的脑电信号，通过长度为le的滑动窗口进行数据分割，滑动窗口的滑动步长为s，得到一系列的脑电信号片段，第p个脑电信号片段表示为
2)根据脑电信号片段通道的拓扑结构，利用预处理方法从一系列的脑电信号片段中提取对应的特征，利用提取的特征构建一系列对应的脑电特征图像；
3)将一系列脑电特征图像构建成数据集，与麻醉诱导阶段、麻醉维持阶段和麻醉苏醒阶段对应的图片添加麻醉诱导阶段、麻醉维持阶段和麻醉苏醒阶段三类标签，并划分训练集和测试集；
4)构建基于深度学习的监测模型，确定模型结构及待优化模型参数，通过训练与测试得到能够监测麻醉状态的基于深度学习的监测模型。


5.根据权利要求4所述的基于便携式脑电采集设备和深度学习的麻醉状态监测系统，其特征在于，步骤2)所述的预处理方法，包括根据在麻醉过程中持续给患者施加刺激的时间间隔设定移动窗口的长度l，移动窗口的长度l小于相邻的两个刺激之间的时间间隔，对每个通道内的脑电信号片段，单独进行移动窗口计算提取谱带功率、统计矩和Hjorth参数特征；其中，
在计算谱带功率时选用0.5-4Hz的δ频域、4-8Hz的θ频域、8-13Hz的α频域、13-30Hz的β频...

【专利技术属性】
技术研发人员：高忠科，曲志勇，马超，马文庆，
申请(专利权)人：天津大学，天津富瑞隆金属制品有限公司，
类型：发明
国别省市：天津;12