一种基于微状态功率谱分析的麻醉深度监测系统及方法技术方案

一种基于微状态功率谱分析的麻醉深度监测系统及方法，系统包括脑电信号采集模块A、微状态时间序列构建模块B、脑电时‑频信息计算模块C、微状态功率谱构建模块D和分类识别模块E五个模块，先用高密度脑电采集被试全脑脑电信号，然后根据微状态算法构建相应的微状态时间序列；同时通过MEMD对脑电信号信号进行分解，得到不同时间点的脑电信号的瞬时频段和功率,进而得到各通道的希尔伯特谱；再将微状态时间序列构和脑电态时‑频信息相结合，得到不同频率的微状态功率谱；接着不同频段的微状态功率谱分别为特征输入到SVM进行模式识别分类；本发明专利技术利用脑电微状态及其时‑频信息对麻醉深度进行监测，同时能够有效、准确地监测病人麻醉深度。

A monitoring system and method of anesthesia depth based on microstate power spectrum analysis

【技术实现步骤摘要】
一种基于微状态功率谱分析的麻醉深度监测系统及方法
本专利技术涉及生物医学信号处理
，尤其涉及一种基于微状态功率谱分析的麻醉深度监测系统及方法。
技术介绍
麻醉，尤其是全身麻醉，是临床治疗比较常见的手段。一般而言，在手术过程中，通过吸入麻醉药物或者静脉注射，对病人的中枢神经进行抑制，使病人表现出失去意识、运动功能下降、疼痛刺激反应消失等状态，使病人失去对术中痛觉的记忆，增加手术的安全性，进而方便手术进行。麻醉深度监测，是保障临床手术中麻醉质量的重要方法。如果麻醉深度过重，不仅会增加用药成本，而且会延长患者苏醒时间，甚至对神经系统造成麻醉后遗症。而如果麻醉程度较浅，则有可能导致患者“术中知晓”，不仅影响手术正常进行，还会给患者造成极大的身体和心灵上的创伤。在临床中，关于麻醉深度监测还没有通用的“金标准”，在实际临床中，应用比较广泛的，主要有基于患者临床体征的监测方法以及基于脑电信号的监测方法。前者中应用较广的，主要是最低肺泡浓度(minimumalveolarconcentration,MAC)监测，定义是在创伤性刺激下50％的受试者无回应时吸入麻醉药物在肺泡气内的浓度，缺点是只能应用于评价吸入式麻醉药效，无法用于评价静脉麻醉及混合麻醉的深度。后者，主要为监测自发脑电的脑电双谱指数(BispectralIndex,BIS)和监测诱发脑电的听觉诱发电位(AuditoryEvokedPotentials,AEP)。BIS是一种无量纲参数，规定在0-100的范围内，当受试者处于绝对清醒时，BIS评估为100；处于最深度麻醉时评估为0。但是BIS对药物有很强的依赖性，例如其与异氟醚和N2O就无相关性。其次，BIS对不同人种也有较大的差异性。再者，BIS有时不能预测病人的苏醒时间及恢复过程。AEP则是利用病人对于一个重复声音刺激所产生的听觉诱发电位来监测麻醉深度，可以反映丘脑及初级听觉皮层的神经元活动，并且其不受阿片类和诱导药物的影响。但是，AEP监测仪容易受到周围环境的影响，同时，AEP依赖于人的听觉，导致患有听力问题的病人很难使用到这种方法。
技术实现思路
为了克服以上方法存在的问题，本专利技术的目的在于提供了一种基于微状态功率谱分析的麻醉深度监测系统及方法，脑电微状态被认为能够代表全局头皮电场活动，能够结合脑电的时间信息和空间信息，能够很好地反应脑电拓扑在时域上的特征，而通过结合微状态序列在频域的功率谱，可以从时-频域上更全面的监测大脑的麻醉深度变化，通过构建被试在不同状态下的脑电微状态时间序列，然后结合多元经验模态分解(MultivariateEmpiricalModeDecomposition,MEMD)，得到不同微状态的任意时刻的不同频段的功率谱，然后将得到的微状态功率谱作为特征输入到支持向量机(SupportVectorMachine,SVM)中，用于麻醉状态监测，区分被试的清醒和麻醉状态；本专利技术将大脑作为一个有机整体，利用脑电微状态及其时-频信息对麻醉深度进行监测，同时结合SVM分类器，具有较高的正确率和灵敏度。为了达到上述目的，本专利技术具体技术方案为：一种基于微状态功率谱分析的麻醉深度监测系统，包括脑电信号采集模块(A)、微状态时间序列构建模块(B)、脑电时-频信息计算模块(C)、微状态功率谱构建模块(D)和分类识别模块(E)五个模块；所述的脑电信号采集模块(A)用于采集接受全身麻醉的样本不同麻醉状态下的脑电信号；所述的微状态时间序列构建模块(B)对脑电信号采集模块(A)采得的信号通过脑电微状态算法对不同麻醉状态的脑电信号进行分析，构建相应的微状态时间序列；所述的脑电时-频信息计算模块(C)通过MEMD对脑电信号采集模块(A)得到的信号进行分解，得到不同时间点的脑电信号的瞬时频段和功率，进而得到各通道的希尔伯特谱；所述的微状态功率谱构建模块(D)将微状态时间序列构建模块(B)得到的微状态时间序列和脑电态时-频信息计算模块(C)得到的脑电信号瞬时频率和功率信息相结合，得到不同频率的微状态功率谱；所述的分类识别模块(E)将微状态功率谱构建模块(D)得到的不同频段的微状态功率谱分别为特征输入到SVM进行模式识别分类，SVM的二分类结果即为麻醉深度的监测结果。一种基于微状态功率谱分析的麻醉深度监测系统的监测方法，包括以下步骤：(1)利用脑血氧信号采集模块(A)采集进行全身麻醉的样本在不同麻醉状态下的脑电信号；(2)利用微状态时间序列构建模块(B)对采得的信号通过脑电微状态算法对不同麻醉状态的脑电信号进行分析，构建相应的微状态时间序列；(3)利用脑电时-频信息计算模块(C)通过MEMD对脑电信号进行分解，得到不同时间点的脑电信号的瞬时频率和功率，进而得到各通道的希尔伯特谱；(4)利用微状态功率谱构建模块(D)将得到的微状态时间序列和脑电信号瞬时频率和功率信息相结合，得到不同频段的微状态功率谱；(5)利用分类识别模块(E)对得到的不同频段的微状态功率谱作为特征值，输入到SVM进行模式识别分类，SVM的二分类结果即为麻醉深度的检测结果。所述步骤(2)具体包括：(2.1)对于测得的脑电信号，通过cross-validation(CV)和Krzanowski-LaiCriterion(KL)两种准则来决定微状态的理想个数；(2.2)提取脑电信号的全局能量谱(GFP，Globalfieldpower)的峰值点，其中GFP的具体公式如下：公式中，K代表总导联数，Vi表示第i个导联的电位；(2.3)对GFP对应时刻的脑电信号通过Modifiedk-means算法来进行聚类，获得微状态拓扑，在聚类的同时，计算全局可解释方差GEV)(GlobalExplainedVariance)，通过计算100次GEV，使得GEV最大来保证最终得到的微状态拓扑能最大程度克服Modifiedk-means算法的随机性；(2.4)将聚类出的微状态与原始脑电信号的GFP函数峰值点脑电进行空间相关性配对，取最高空间相关性的微状态拓扑作为此时的微状态，即标记此时刻的脑电为该微状态的序号；空间相关性的公式如下：式中，C为空间相关性，n为导联数量，u为Mapu的脑电地形图，v为Mapv的脑电地形图，i为第i个导联；(2.5)对其余的脑电信号根据最近的GFP峰值对应微状态进行标记，即可得到相应麻醉状态的微状态序列。所述步骤(3)具体包括：(3.1)通过MEMD获得原始信号的本征模态函数(IntrinsicModeFunction,IMFs)，表达为如下形式：式中，s(t)为n通道的EEG信号,ci(t)为本征模态函数；r(t)为余量函数；(3.2)通过希尔伯特变换计算瞬时频率和能量来做短时傅里叶分析；对第j个通道，第i个IMF(cij(t))的希尔伯特变换如下所示：其中P代表柯西主值；(3.3)进一步得到相应的瞬时幅值和频率，本文档来自技高网...

【技术保护点】
1.一种基于脑电微状态的麻醉深度监测系统，其特征在于，包括脑电信号采集模块(A)、微状态时间序列构建模块(B)、脑电时-频信息计算模块(C)、微状态功率谱构建模块(D)和分类识别模块(E)五个模块；/n所述的脑电信号采集模块(A)用于采集接受全身麻醉的样本不同麻醉状态下的脑电信号；/n所述的微状态时间序列构建模块(B)先对脑电信号采集模块(A)采得的信号通过脑电微状态算法对不同麻醉状态的脑电信号进行分析，构建相应的微状态时间序列；/n所述的脑电时-频信息计算模块(C)通过MEMD对脑电信号采集模块(A)得到的信号进行分解，得到不同时间点的脑电信号的瞬时频段和功率,进而得到各通道的希尔伯特谱；/n所述的微状态功率谱构建模块(D)将微状态时间序列构建模块(B)得到的微状态时间序列和脑电态时-频信息计算模块(C)得到的脑电信号瞬时频率和功率信息相结合，得到不同频率的微状态功率谱；/n所述的分类识别模块(E)将微状态功率谱构建模块(D)得到的不同频段的微状态功率谱分别为特征输入到SVM进行模式识别分类，SVM的二分类结果即为麻醉深度的监测结果。/n

【技术特征摘要】
1.一种基于脑电微状态的麻醉深度监测系统，其特征在于，包括脑电信号采集模块(A)、微状态时间序列构建模块(B)、脑电时-频信息计算模块(C)、微状态功率谱构建模块(D)和分类识别模块(E)五个模块；
所述的脑电信号采集模块(A)用于采集接受全身麻醉的样本不同麻醉状态下的脑电信号；
所述的微状态时间序列构建模块(B)先对脑电信号采集模块(A)采得的信号通过脑电微状态算法对不同麻醉状态的脑电信号进行分析，构建相应的微状态时间序列；
所述的脑电时-频信息计算模块(C)通过MEMD对脑电信号采集模块(A)得到的信号进行分解，得到不同时间点的脑电信号的瞬时频段和功率,进而得到各通道的希尔伯特谱；
所述的微状态功率谱构建模块(D)将微状态时间序列构建模块(B)得到的微状态时间序列和脑电态时-频信息计算模块(C)得到的脑电信号瞬时频率和功率信息相结合，得到不同频率的微状态功率谱；
所述的分类识别模块(E)将微状态功率谱构建模块(D)得到的不同频段的微状态功率谱分别为特征输入到SVM进行模式识别分类，SVM的二分类结果即为麻醉深度的监测结果。


2.基于权利要求1所述的一种基于脑电微状态的麻醉深度监测系统的监测方法，其特征在于，包括以下步骤：
(1)利用脑血氧信号采集模块(A)采集进行全身麻醉的样本在不同麻醉状态下的脑电信号；
(2)利用微状态时间序列构建模块(B)对采得的信号通过脑电微状态算法对不同麻醉状态的脑电信号进行分析，构建相应的微状态时间序列；
(3)利用脑电时-频信息计算模块(C)通过MEMD对脑电信号进行分解，得到不同时间点的脑电信号的瞬时频率和功率，进而得到各通道的希尔伯特谱；
(4)利用微状态功率谱构建模块(D)将得到的微状态时间序列和脑电信号瞬时频率和功率信息相结合，得到不同频段的微状态功率谱；
(5)利用分类识别模块(E)对得到的不同频段的微状态功率谱作为特征值，输入到SVM进行模式识别分类，SVM的二分类结果即为麻醉深度的检测结果。


3.根据权利要求2所述的监测方法，所述步骤(2)具体包括：
(2.1)对于测得的脑电信号，通过cross-validation和Krzanowski-LaiCriterion两种准则来决定微状态的理想个数；
(2.2)提取脑电信号的全局能量谱(GFP,Globalfieldpower)的峰值点，其中GFP的具体公式如下：

【专利技术属性】
技术研发人员：王刚，刘治安，施文，闫相国，李雅敏，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：陕西;61