專利名稱:基于腦電復(fù)合排列熵指數(shù)的麻醉監(jiān)測(cè)方法
技術(shù)領(lǐng)域:
本發(fā)明屬于麻醉監(jiān)測(cè)領(lǐng)域,具體內(nèi)容是利用腦電信號(hào)實(shí)現(xiàn)對(duì)麻醉深度的監(jiān)測(cè)的方法。
背景技術(shù):
目前,腦電圖信號(hào)在檢測(cè)麻醉深度中的研究已取得較好的研究結(jié)果?;谀X電信號(hào)展開的麻醉深度監(jiān)測(cè)方法主要包括雙頻指數(shù)、麻醉趨勢(shì)、人工神經(jīng)網(wǎng)絡(luò)方法、復(fù)雜度和小波分析法等。(I)雙頻指數(shù)(bispectral index, BIS),是包含了時(shí)域、頻域和高階譜變量三種特性的腦電圖定量分析指標(biāo),其通過一個(gè)特定的非線性算法,將四個(gè)不同的EEG參數(shù),即突發(fā) 抑制率,"QUAI "、比率和快慢波的相對(duì)同步性,綜合成一個(gè)100-0的無量綱數(shù)字,用于表示大腦的抑制程度。然而,許多因素都會(huì)對(duì)BIS產(chǎn)生影響。艾司洛爾、外源性的腎上腺素可以使BIS值升高,影響麻醉深度的真實(shí)值。在靜脈復(fù)合麻醉和體外循環(huán)的低溫狀態(tài)下,也表現(xiàn)出BIS與麻醉深度的不一致。另外,BIS的計(jì)算速度很慢。(2)麻醉趨勢(shì)(nacrotrend,NT) ,NT是一種新的用于測(cè)量麻醉嘗試的EEG方法,利用Kugler多參數(shù)統(tǒng)計(jì)和微機(jī)處理,將腦電信號(hào)形成6個(gè)階段14個(gè)級(jí)別的量化指標(biāo),即A、
,并同時(shí)顯示α、β、Υ、δ波的功率譜變化情況和趨勢(shì)。階段A表示清醒狀態(tài);Β是鎮(zhèn)靜狀態(tài);C是淺麻醉狀態(tài);D是常規(guī)普通麻醉狀態(tài);E是深度麻醉狀態(tài);F階段是腦電活動(dòng)的消失。但是該方法對(duì)復(fù)合麻醉的麻醉深度監(jiān)測(cè)研究很少,還有待于進(jìn)一步探索。(3)人工神經(jīng)網(wǎng)絡(luò)方法,是近年來發(fā)展起來的腦電分析技術(shù),它是繼BIS后又一種所有腦電功率譜數(shù)據(jù)中提煉出單變量的方法。通常把EEG的4個(gè)特征波形α、β、Y、δ的平均功率作為EEG的譜特征參數(shù),再加上血流動(dòng)力學(xué)參數(shù)如血壓、心率以及MAC表示的麻醉藥物劑量等數(shù)據(jù),利用AR模型、聚類分析和Bayes估計(jì)理論,最終形成一個(gè)代表麻醉深度的絕對(duì)數(shù)值。但是其臨床應(yīng)用的可信性有待進(jìn)一步證實(shí)。(4)復(fù)雜度和小波分析,是近幾年出現(xiàn)的一種非線性動(dòng)力學(xué)分析方法,由于腦電一種非平穩(wěn)信號(hào),所以復(fù)雜度分析是刻畫EEG信號(hào)動(dòng)力學(xué)特性的有效方法。只是計(jì)算復(fù)雜度太大。
發(fā)明內(nèi)容
本發(fā)明的目的是針對(duì)背景技術(shù)存在的缺陷,研發(fā)一種基于復(fù)合排列熵的麻醉監(jiān)測(cè)方法,根據(jù)處于麻醉狀態(tài)下腦電信號(hào)的特征,結(jié)合排列熵和模體分析等信號(hào)處理技術(shù),用復(fù)合排列熵指數(shù)(Composite Permutation Entropy Index, CPEI),實(shí)現(xiàn)對(duì)麻醉狀態(tài)的評(píng)估。本發(fā)明方法包括步驟I.設(shè)置參數(shù);步驟2.將EEG信號(hào)分割成一系列的模體每個(gè)模體取3個(gè)點(diǎn),模體內(nèi)部相鄰兩點(diǎn)之間的延時(shí)通過參數(shù)τ來控制,τ = I是兩點(diǎn)之間的延時(shí)為一個(gè)采樣周期,即模體內(nèi)部的相鄰兩點(diǎn)就是EEG信號(hào)的相鄰兩點(diǎn),另外我們還要分別在τ =2,3的情況下分割EEG信號(hào);步驟3.按模體內(nèi)部三個(gè)點(diǎn)之間的大小關(guān)系將模體分為13類;步驟4.計(jì)算每一類模體所包含模體的數(shù)目,并除以總模體數(shù)得到該類模體的頻率,該頻率作為該模體出現(xiàn)的概率;步驟5.根據(jù)模體概率分布計(jì)算信息熵;熵可以利用公式H = - Σ PiX In(Pi))計(jì)算得到;步驟6.歸一化便得到排列熵,并進(jìn)一步計(jì)算出復(fù)合排列熵指數(shù);排列熵就麵么、講= -—befofmotifs)獅-她靈附觀ΡΕ_Γ, 是對(duì)于不同的τ計(jì)算出來的熵相加再進(jìn)行歸一化處理計(jì)算出來的,其計(jì)算公式為
CPEI = -^>'xln(n4Axln(pUAxln(M=3xl00,乘以 100 是為了讓指標(biāo)分
1η(13χ13χ13)
布在O到100的數(shù)值范圍內(nèi)。在步驟3中,考慮到腦電信號(hào)中存在噪聲,當(dāng)信號(hào)中兩點(diǎn)的幅值只差不大于數(shù)據(jù)四分位數(shù)間距的I %時(shí),我們認(rèn)為該兩點(diǎn)幅值相等。
圖I是本發(fā)明方法流程示意圖(方框圖);圖2是本發(fā)明采用的模體分割方法;圖3是本發(fā)明采用的模體類別圖4是本發(fā)明實(shí)施方式中所提取的麻醉深度信息與雙頻指數(shù)對(duì)比;圖5是本發(fā)明實(shí)施方式中所提取的麻醉深度信息與雙頻指數(shù)的散點(diǎn)具體實(shí)施例方式本實(shí)施方式采用的是出于麻醉狀態(tài)下的病人的腦電數(shù)據(jù),采樣率為256Hz。步驟I.設(shè)置參數(shù),令τ = 0;步驟2.令τ = τ+l,按照?qǐng)D2所示的方法,將信號(hào)分割成模體序列;步驟3.對(duì)比圖3中的模體,將所有的模體分為13類,注意考慮噪聲影響;步驟4.計(jì)算每一類模體中所包含模體的數(shù)目,并除以總模體數(shù)得到該類模體的頻率,該頻率作為該模體出現(xiàn)的概率;步驟5.利用公式H = - Σ Pi X In (Pi)和模體的概率分布計(jì)算模體的信息熵,并判斷τ的值是否為3,若不為3,則轉(zhuǎn)向步驟2,若為3,則轉(zhuǎn)向步驟6 ;步驟6.利用公式CPE1 = -
1η(13χ13χ13)
計(jì)算復(fù)合排列熵指數(shù)。
權(quán)利要求
1.一種基于腦電復(fù)合排列熵的麻醉監(jiān)測(cè)方法,包括 步驟I.設(shè)置參數(shù); 步驟2.將EEG信號(hào)分割成一系列的模體每個(gè)模體取3個(gè)點(diǎn),模體內(nèi)部相鄰兩點(diǎn)之間的延時(shí)通過參數(shù)τ來控制,τ = I是兩點(diǎn)之間的延時(shí)為一個(gè)采樣周期,即模體內(nèi)部的相鄰兩點(diǎn)就是EEG信號(hào)的相鄰兩點(diǎn),另外我們還要分別在τ =2,3的情況下分割EEG信號(hào);步驟3.按模體內(nèi)部三個(gè)點(diǎn)之間的大小關(guān)系將模體分為13類; 步驟4.計(jì)算每一類模體所包含模體的數(shù)目,并除以總模體數(shù)得到該類模體的頻率,該頻率作為該模體出現(xiàn)的概率; 步驟5.根據(jù)模體概率分布計(jì)算信息熵;熵可以利用公式H = - Σ PiX In(Pi)計(jì)算得到; 步驟6.歸一化便得到排列熵,并進(jìn)一步計(jì)算出復(fù)合排列熵指數(shù);排列熵就是棚料PE = -“rfofmotifs)獅-她霞歹丨」撤郎雛,i對(duì)于不同的τ計(jì)算出來的熵相加再進(jìn)行歸一化處理計(jì)算出來的,其計(jì)算公式為CPEI- 2]AxlnCP,)r=1100是為了讓指標(biāo)分1η(13χ13χ13)布在O到100的數(shù)值范圍內(nèi)。
2.按照權(quán)利要求I所述基于腦電復(fù)合排列熵的麻醉監(jiān)測(cè)方法,其特征在于所述模體的類別有13種。
3.按照權(quán)利要求I所述基于腦電復(fù)合排列熵的麻醉監(jiān)測(cè)方法,其特征在于步驟2中采用了多種方式分割模體。
4.按照權(quán)利要求I所述基于腦電復(fù)合排列熵的麻醉監(jiān)測(cè)方法,其特征在于步驟3中考慮了噪聲影響,噪聲閾值為上下分位數(shù)間距的1%,是自適應(yīng)調(diào)整的。
全文摘要
該發(fā)明屬于麻醉深度的監(jiān)測(cè)方法。包括參數(shù)的初始化、模體分割與識(shí)別、確定模體概率、計(jì)算信息熵和復(fù)合排列熵。該發(fā)明根據(jù)三點(diǎn)之間的大小關(guān)系巧妙地將模體分為13種類別,同時(shí)引入閾值以控制噪聲對(duì)模體識(shí)別的影響。再將各模體出現(xiàn)的頻率作為其出現(xiàn)的概率來計(jì)算信息熵,進(jìn)而計(jì)算出復(fù)合排列熵。復(fù)合排列熵就是最終的麻醉深度指標(biāo)。該發(fā)明有效地降低了計(jì)算復(fù)雜度,提高了麻醉監(jiān)測(cè)技術(shù)的實(shí)時(shí)性,必能應(yīng)用于工程當(dāng)中。
文檔編號(hào)A61B5/0476GK102772205SQ20111011793
公開日2012年11月14日 申請(qǐng)日期2011年5月9日 優(yōu)先權(quán)日2011年5月9日
發(fā)明者劉銘湖, 周博, 楊偉偉 申請(qǐng)人:劉銘湖, 周博, 楊偉偉