基于模式识别的麻醉深度指数合成算法精品课件.pptVIP

基于模式识别的麻醉深度指数合成算法及实现 报告人：金鑫 清华大学迈瑞创新俱乐部 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 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 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 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） 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 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 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 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 设计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 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） 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 方案流程图 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) 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 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） 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