null基于模式识别的麻醉深度指数合成算法及实现基于模式识别的麻醉深度指数合成算法及实现
人:金鑫
清华大学迈瑞创新俱乐部内容概要内容概要背景
需求
目标
解决方案
算法
实现
演示
总结
感谢麻醉深度麻醉深度一般指全身麻醉药物抑制在伤害性刺激下中枢、循环、呼吸功能及应激反应的程度。
良好的麻醉应满足:
意识消失
镇痛良好
肌松适度
适当抑制应激反应
内环境稳定麻醉深度检测问
麻醉深度检测问题麻醉与手术
浅麻醉 -> 术中知晓、后遗症
深麻醉 -> 生理功能抑制、影响手术、复苏慢
不恰当的麻醉对手术的成功有直接的影响,
甚至可能产生手术事故、造成医患纠纷。
麻醉深度检测
指导麻醉诱导、维持和复苏
节省麻醉药物
减少纠纷、增加医院效益麻深检测的基本需求麻深检测的基本需求持续、实时、无创地显示麻醉深度变化
反映麻醉药浓度的变化
反映手术刺激的变化
不依赖于所使用的麻醉药物
简单实用,不易受各种干扰
尺寸适合使用场合
目前尚无一种麻醉技术和方法满足上述所有条件 方法及产品方法及产品脑电双谱指数分析(Bispectral Index Analysis)
脑电图谱的时域、频域联合分析
综合生成0~100的量化指标(BIS指数)
美国ASPECT公司的A-2000TMXPTMBIS 方法及产品方法及产品人工神经网络(artificial neural networks,ANN)
特征性波形α,β,γ,δ的功率作为输入节点
前馈/反向传播神经网络
合成0-100的麻醉深度指数丹麦Danmeter公司的UP-8000 方法及产品方法及产品Narcotrend分级(NT分级)监测
Narcotrend指数,类似BIS指数,范围为0~100
附带有亚级别A、B0-2、C0-2、D0-2、E0-2和F0-2的分级系统
瑞士Schiller公司Nacrotrend系列 麻醉深度指数麻醉深度指数
0-100的量化数值
含义:
> 90:清醒状态
~ 70:中度镇静
~ 50:一般麻醉
~ 30:深度麻醉
< 10:无脑电信号
基于脑电信号的麻醉信息特征提取 基于脑电信号的麻醉信息特征提取 将迈瑞提供的EEG数据作为研究的资源,制作出一套自己的意识深度量化算法
评价信号质量的算法和量化结果SQI(0~100)
给出以下参数的定义以及统计方法:SEF(Spectrum Edge Freq),MF(Median Freq),MDF(Mean Dominant Freq), Delta%, Theta%, Alpha%, Beta%, BSR(Burst Suppression Ratio), TP(Total Power), PPF(Peak Power Freq)
在软件用户界面中显示三维图谱DSA(Dense Spectral Array)并提供详细的显示规格和功能
从双通道脑电信号中提取出肌电(EMG)的干扰信号强度(功率的量化),给出量化方法和量化结果
方案确定方案确定该方案根据我们组的实际情况确定
小组EEG知识储备有限,无法在较短的开发周期内给出严格的计算公式
分别来自机械、生医、精仪、物理
麻醉深度指数的算法属于商业机密,源码无法轻易获取
大量临床数据的分析
提供的数据中有仪器分析好的麻醉深度指数供参考
——用模式识别方法进行拟合(已有数据推测新数据)
基于模式识别的麻醉深度指数合成算法方案可行性方案可行性模式学习的数据来源问题
提供的数据有麻深指数,而实际临床数据并没有算好的麻深指数——始终跟别人产品的算法走?
另外,100个值对应100个模式,学习量庞大
将数值分段进行识别
0-10 | 11-20 | 21-30 | … | 91-100
实际情况同样可以分成若干状态
——依据术后病人 复苏时间长短和术 后感觉来判断。
麻醉和脑电参数的关系> 90:清醒状态
~ 70:中度镇静
~ 50:一般麻醉
~ 30:深度麻醉
< 10:无信号方案流程图方案流程图特征提取模块特征提取模块4个反应麻醉深度的特征频带
Alpha波段8-12Hz
Beta波段12-24Hz
Theta波指4-7Hz
Delta波低于3Hz
上述四个参数的功率及相对功率
麻醉深度指示其他常用特征量
SEF95 - 95%边缘频率
Median Freq - 中值频率
Total Power - 功率谱总能量
Entropy - 熵(Shannon熵、近似熵等)
BSR - 暴发抑制比
EMG - 肌电干扰(高频段75-110Hz的功率)不同麻醉状态下用各特征量单独识别的准确程度排名特征提取模块特征提取模块功率谱的计算
FFT变换方法得到的功率谱存在频段泄漏和噪声问题,使用现代谱分析手段
AR谱估计(全极点模型)
相比FFT方法能有效抑制噪声
4-7阶(阶数越高谱线越平滑)
50Hz工频陷波器设计
Butterworth带阻滤波器
根据各波段设计带通滤波器
对最终结果求和得到所需频段功率市面产品计算的SEF95(蓝色)和我们计算的SEF95 (红色)对比图SVM模式识别算法SVM模式识别算法低维空间向量集通常难于划分,解决的方法是将它们映射到高维空间
支持向量机(SVM)方法:
在高维度空间寻找最佳分类界面
找到某种最佳的映射关系(低维度映射至高维度)
拓展到高维度空间SVM模式识别算法SVM模式识别算法使用libsvm工具包进行BIS指数的合成
台湾大学的Chih-Chung Chang和Chih-Jen Lin等人开发
将样本数据交给libsvm进行学习,获得model文件
使用model文件对待测试数据进行指数合成
具体做法
将0~100的麻醉深度数值分成10个类别
0-10 | 11-20 | 21-30 | … | 91-100
选取7个特征进行分类和识别
Alpha相对功率, Beta相对功率, Theta相对功率,
Beta功率, Total_Power, SEF95, MF
使用线性分类核函数
共从原始数据压缩包里提取22组有效数据
9组”demo”,8组”临床”,5组”清醒”抽样测试1抽样测试1选择“demo_718_20060718_112532.dat”进行识别,其他数据用于学习的结果:BIS拟合结果(蓝)和原BIS(红)对比图
均方误差:0.094抽样测试2抽样测试2选择“罗燕_20060921_112438.dat”进行识别,其他数据用于学习的结果:BIS拟合结果(蓝)和原BIS(红)对比图
均方误差:0.6526抽样测试3抽样测试3选择“姚锦娣_20060920_124055.dat”进行识别,其他数据用于学习的结果:BIS拟合结果(蓝)和原BIS(红)对比图
均方误差:0.5215软件模拟界面软件模拟界面从文件读取数据模拟实时运行情况:
Matlab后台计算特征参数
C++模式识别算法指数合成
VC6 + MFC界面程序
显示参数可以自定义选择
阈值提醒功能总结总结时间分配
前松后紧
人力分配
初期过于空闲
完成度评价
没有全部实现预定目标
提出了一套可行的方案,并进行了实际论证
项目计划外事件
人手流失(考试、课题等)
算法模块出问题
结项过于匆忙后续工作后续工作根据实际效果选取更合适的参数
三阶谱Bispectrual指数
各类熵的计算
增加样本量
批量学习
临床实时更新
分类识别
性别、身高、年龄、病情等
药物的影响感谢感谢
感谢迈瑞公司提供给我们宝贵的锻炼机会!
感谢迈瑞创新俱乐部、迈瑞工程师提供给我们小组的各种帮助和支持!
同时感谢我们小组全体成员的共同努力!
清华大学迈瑞创新俱乐部 麻深项目小组
金鑫 刘涛 白如星 万蔡辛