一种多模态麻醉监测系统技术方案

本发明专利技术属于麻醉监测技术领域，公开了一种多模态麻醉监测系统，所述多模态麻醉监测系统包括：生理数据采集模块、中央控制模块、脑功能评估模块、数据库构建模块、麻醉模块、麻醉深度预测模块、麻醉质量评价模块、显示模块。本发明专利技术通过麻醉深度预测模块将实时获取的大脑电极信号序列输入麻醉深度预测网络得到预测麻醉深度指数，避免了因麻醉深度指数的显示延迟而导致麻醉深度状态可能在手术中才能知晓的情况，达到了对麻醉深度指数进行预测的目的；同时，通过麻醉质量评价模块对监控设备采集的生命体征的监控数据进行分析处理，可以获得手术质控指数，手术质控指数越高，手术麻醉质量越好；可以实现准确对手术麻醉质量进行评价。可以实现准确对手术麻醉质量进行评价。可以实现准确对手术麻醉质量进行评价。

【技术实现步骤摘要】
一种多模态麻醉监测系统


[0001]本专利技术属于麻醉监测
，尤其涉及一种多模态麻醉监测系统。

技术介绍

[0002]麻醉的含义是用药物或其他方法使患者整体或局部暂时失去感觉，以达到无痛的目的进行手术治疗。麻醉学(anesthesiology)是运用有关麻醉的基础理论、临床知识和技术以消除患者手术疼痛，保证患者安全，为手术创造良好条件的一门科学。全身麻醉是指将麻醉药通过吸入、静脉、肌肉注射进入体内，使中枢神经系统受到抑制，致使患者意识消失而周身无疼痛感觉的过程。这种麻醉方式便是常言道的“睡着状态”，特点是患者意识消失，全身肌肉松弛，体验不到疼痛。最常用的全身麻醉方式是气管插管全身麻醉，特点是采用静脉麻醉药和/或吸入麻醉药产生全身麻醉作用，术中需要行气管插管，机械辅助呼吸。局部麻醉是利用局部麻醉药如布比卡因、利多卡因等，注射在相应部位使脊神经、神经丛或神经干以及更细的周围神经末梢受到阻滞，使身体的某一部位暂时失去感觉。局部麻醉的特点就是麻醉局限在身体的“局部”，患者的意识是清醒的。常用的方法包括椎管内麻醉(阻滞)、神经阻滞、区域阻滞、局部浸润麻醉和表面麻醉等。然而，现有多模态麻醉监测系统进行麻醉深度监测的方法通常以脑电图监测为主；但是由于不同患者的身体状况不同，难以对后期的麻醉深度指数进行预测；同时，不能准确的对手术麻醉质量评价。
[0003]通过上述分析，现有技术存在的问题及缺陷为：
[0004](1)现有多模态麻醉监测系统进行麻醉深度监测的方法通常以脑电图监测为主；但是由于不同患者的身体状况不同，难以对后期的麻醉深度指数进行预测。
[0005](2)对手术麻醉质量评价没有精确标准，计算结果无法很好的表明麻醉质量。

技术实现思路

[0006]针对现有技术存在的问题，本专利技术提供了一种多模态麻醉监测系统。
[0007]本专利技术是这样实现的，一种多模态麻醉监测系统包括：
[0008]生理数据采集模块、中央控制模块、脑功能评估模块、数据库构建模块、麻醉模块、麻醉深度预测模块、麻醉质量评价模块、显示模块；
[0009]生理数据采集模块，与中央控制模块连接，用于通过医疗设备采集患者心率、血压、呼末CO2、神经活动、脑氧代谢，肌电等生理数据；
[0010]中央控制模块，与生理数据采集模块、脑功能评估模块、数据库构建模块、麻醉模块、麻醉深度预测模块、麻醉质量评价模块、显示模块连接，用于控制和调度各个模块正常工作；
[0011]脑功能评估模块，与中央控制模块连接，用于通过建立以EEG
‑
NIRS
‑
EMG为基础的脑功能评估体系，从多模态、多维度的动态方法对麻醉过程中的脑功能进行刻画、评估，从实时评估结果观察麻醉质量；
[0012]数据库构建模块，与中央控制模块连接，用于根据药物、年龄、身体状况、手术类型
等因素的影响，建立药物
‑
年龄麻醉数据库；
[0013]麻醉模块，与中央控制模块连接，用于通过麻醉设备对患者进行麻醉操作；
[0014]麻醉深度预测模块，与中央控制模块连接，用于采集脑电信号以及对患者麻醉深度进行预测；
[0015]麻醉质量评价模块，与中央控制模块连接，用于对患者麻醉质量进行评价；
[0016]显示模块，与中央控制模块连接，用于通过显示器显示生理数据、脑功能评估结果、数据库、麻醉深度监测结果、麻醉质量评价结果；所述显示模块将麻醉深度预测模块、数据库、脑功能评估模块、麻醉质量评价模块接受到的数据结果以图表的形式显示在显示器上。
[0017]进一步，所述麻醉深度预测模块监测方法如下：
[0018]配置电极参数，采集实时大脑电极信号序列；对采集的电极信号进行校准；将所述实时大脑电极信号序列预处理后输入麻醉深度预测网络得到预测麻醉深度指数；
[0019]其中，所述属于大脑电极信号序列预处理包括去除伪迹、噪声、眼动等序列点；
[0020]所述麻醉深度预测网络的训练方法为：
[0021]利用训练集训练麻醉深度预测网络，所述麻醉深度预测网络的损失函数为以质量系数为权重的均方差损失函数；
[0022]其中，所述训练集的扩增方法为：获取多个历史患者的历史麻醉数据，将计算后的拼接大脑电极信号序列作为所述麻醉深度预测网络的训练数据集；
[0023]所述历史麻醉数据包括：体重、麻醉深度指数和对应的历史大脑电极信号序列、身体健康状况、手术类型、麻醉时间，所述历史大脑电极信号序列分为多个历史大脑电极信号序列段；计算任意两个历史大脑电极信号序列的匹配程度和对应的体重差的绝对值，将其他影响因素作为权重加入计算中；根据所述匹配程度和所述体重差的绝对值得到所述两个历史大脑电极信号序列的综合相似度；基于不属于同一历史大脑电极信号序列的待拼接的两个历史大脑电极信号序列段，计算两个历史大脑电极信号序列段在拼接处的大脑电极信号数据的绝对差值；根据各所述历史大脑电极信号序列段的所述绝对差值之和得到两个历史大脑电极信号序列的补偿系数；所述综合相似度和所述补偿系数的乘积为两个历史大脑电极信号序列的适配程度；根据适配程度对两个历史大脑电极信号序列进行拼接得到拼接大脑电极信号序列，根据所述拼接大脑电极信号序列对应的适配程度得到对应的质量系数；所述拼接大脑电极信号序列作为所述麻醉深度预测网络的训练集数据。
[0024]进一步，所述计算任意两个历史大脑电极信号序列的匹配程度，包括：
[0025]基于同一所述历史大脑电极信号序列，根据任意两个历史大脑电极信号序列段的序列距离和序列状态跨度值得到所述两个历史大脑电极信号序列段的相似度评价指标；根据所述相似度评价指标对同一历史大脑电极信号序列的历史大脑电极信号序列段进行最大迭代匹配得到多个匹配对；根据所述匹配对计算任意两个历史大脑电极信号序列的匹配程度。
[0026]进一步，所述根据所述匹配对计算任意两个历史大脑电极信号序列的匹配程度，包括：
[0027]选取两个历史大脑电极信号序列中任意两个匹配对，所述两个匹配对为两个不同的历史大脑电极信号序列中的匹配对；
[0028]基于所述两个匹配对，利用动态时间规整算法计算两个匹配对对应的历史大脑电极信号序列段的相似度，得到最佳序列段相似度和最差序列段相似度；所述最佳序列段相似度和所述最差序列段相似度的比值为初始匹配程度；所述两个历史大脑电极信号序列中所有匹配对对应的初始匹配程度的均值作为两个历史大脑电极信号序列的匹配程度。
[0029]进一步，所述基于同一所述历史大脑电极信号序列，根据任意两个历史大脑电极信号序列段的序列距离和序列状态跨度值得到所述两个历史大脑电极信号序列段的相似度评价指标，包括：
[0030]所述相似度评价指标的计算公式为：
[0031][0032]其中，Q(Ai,Aj)为历史大脑电极信号序列A中第i个历史大脑电极信号序列段和第j个历史大脑电极信号序列段的相似度评价指标；K(Ai,Aj)为历史大脑电极信号序本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多模态麻醉监测系统，其特征在于，所述多模态麻醉监测系统包括：生理数据采集模块、中央控制模块、脑功能评估模块、数据库构建模块、麻醉模块、麻醉深度预测模块、麻醉质量评价模块、显示模块；生理数据采集模块，与中央控制模块连接，用于通过医疗设备采集患者心率、血压、呼末CO2、神经活动、脑氧代谢，肌电等生理数据；中央控制模块，与生理数据采集模块、脑功能评估模块、数据库构建模块、麻醉模块、麻醉深度预测模块、麻醉质量评价模块、显示模块连接，用于控制和调度各个模块正常工作；脑功能评估模块，与中央控制模块连接，用于通过建立以EEG
‑
NIRS
‑
EMG为基础的脑功能评估体系，从多模态、多维度的动态方法对麻醉过程中的脑功能进行刻画、评估，从实时评估结果观察麻醉质量；数据库构建模块，与中央控制模块连接，用于根据药物、年龄、身体状况、手术类型等因素的影响，建立药物
‑
年龄麻醉数据库；麻醉模块，与中央控制模块连接，用于通过麻醉设备对患者进行麻醉操作；麻醉质量评价模块，与中央控制模块连接，用于对患者麻醉质量进行评价；显示模块，与中央控制模块连接，用于通过显示器显示生理数据、脑功能评估结果、数据库、麻醉深度监测结果、麻醉质量评价结果；所述显示模块将麻醉深度预测模块、数据库、脑功能评估模块、麻醉质量评价模块接收到的数据结果以图表的形式显示在显示器上；麻醉深度预测模块，与中央控制模块连接，用于采集脑电信号以及对患者麻醉深度进行预测；所述麻醉深度预测模块监测方法如下：配置电极参数，采集实时大脑电极信号序列；对采集的电极信号进行校准；将所述实时大脑电极信号序列预处理后输入麻醉深度预测网络得到预测麻醉深度指数；其中，所述属于大脑电极信号序列预处理包括去除伪迹、噪声、眼动等序列点；所述麻醉深度预测网络的训练方法为：利用训练集训练麻醉深度预测网络，所述麻醉深度预测网络的损失函数为以质量系数为权重的均方差损失函数；其中，所述训练集的扩增方法为：获取多个历史患者的历史麻醉数据，将计算后的拼接大脑电极信号序列作为所述麻醉深度预测网络的训练数据集；所述历史麻醉数据包括：体重、麻醉深度指数和对应的历史大脑电极信号序列、身体健康状况、手术类型、麻醉时间，所述历史大脑电极信号序列分为多个历史大脑电极信号序列段；计算任意两个历史大脑电极信号序列的匹配程度和对应的体重差的绝对值，将其他影响因素作为权重加入计算中；根据所述匹配程度和所述体重差的绝对值得到所述两个历史大脑电极信号序列的综合相似度；基于不属于同一历史大脑电极信号序列的待拼接的两个历史大脑电极信号序列段，计算两个历史大脑电极信号序列段在拼接处的大脑电极信号数据的绝对差值；根据各所述历史大脑电极信号序列段的所述绝对差值之和得到两个历史大脑电极信号序列的补偿系数；所述综合相似度和所述补偿系数的乘积为两个历史大脑电极信号序列的适配程度；根据适配程度对两个历史大脑电极信号序列进行拼接得到拼接大脑电极信号序列，根据所述拼接大脑电极信号序列对应的适配程度得到对应的质量系数；所述拼接大脑电极信号序列作为所述麻醉深度预测网络的训练集数据。
2.如权利要求1所述多模态麻醉监测系统，其特征在于，所述计算任意两个历史大脑电极信号序列的匹配程度，包括：基于同一所述历史大脑电极信号序列，根据任意两个历史大脑电极信号序列段的序列距离和序列状态跨度值得到所述两个历史大脑电极信号序列段的相似度评价指标；根据所述相似度评价指标对同一历史大脑电极信号序列的历史大脑电极信号序列段进行最大迭代匹配得到多个匹配对；根据所述匹配对计算任意两个历史大脑电极信号序列的匹配程度；所述序列距离的获取方法为：利用动态时间规整算法计算任意两个历史大脑电极信号序列段的序列距离。所述根据所述匹配对计算任意两个历史大脑电极信号序列的匹配程度，包括：选取两个历史大脑电极信号序列中任意两个匹配对，所述两个匹配对为两个不同的历史大脑电极信号序列中的匹配对；基于所述两个匹配对，利用动态时间规整算法计算两个匹配对对应的历史大脑电极信号序列段的相似度，得到最佳序列段相似度和最差序列段相似度；所述最佳序列段相似度和所述最差序列段相似度的比值为初始匹配程度；所述两个历史大脑电极信号序列中所有匹配对对应的初始匹配程度的均值作为两个历史大脑电极信号序列的匹配程度。3.如权利要求2所述多模态麻醉监测系统，其特征在于，所述基于同一所述历史大脑电极信号序列，根据任意两个历史大脑电极信号序列段的序列距离和序列状态跨度值得到所述两个历史大脑电极信号序列段的相似度评价指标，包括：所述相似度评价指标的计算公式为：其中，Q(Ai,Aj)为历史大脑电极信号序列A中第i个历史大脑电极信号序列段和第j个历史大脑电极信号序列段的相似度评价...

【专利技术属性】
技术研发人员：刘健慧，李杰，张毓文，刘苏，程鑫宇，吴凡，刘杰辉，胡佳勇，蒋方旭，
申请(专利权)人：上海市同济医院，
类型：发明
国别省市：