基于机器学习的颅内多模态信息融合的脑部疾病判断系统技术方案

本发明专利技术提供了一种基于机器学习的颅内多模态信息融合的脑部疾病判断系统，所述判断系统包括输入层和输出层，其中，将颅内信息输入到所述输入层，进行数据的多层次处理、自动判断输出各种颅内损伤类型，根据所述输出层的类型组合指定干预治疗组合，其中，所述颅内信息包括颅内压力、颅内氧分压、颅内温度、颅内神经电信号、颅内钠离子浓度和颅内钾离子浓度。

【技术实现步骤摘要】
基于机器学习的颅内多模态信息融合的脑部疾病判断系统
本专利技术涉及生理信号监测
，特别涉及一种基于机器学习的颅内多模态信息融合的脑部疾病判断系统。
技术介绍
创伤性颅脑损伤是死亡率极高的全球性健康问题，中国每年大约60万人发生颅脑创伤，其中死亡10万人左右，造成直接和间接经济损失高达100亿元以上。中国颅脑创伤资料库初步统计结果显示，在中国47家医院13000多例急性颅脑创伤住院病人中，重型颅脑创伤的病死率＞20％，重残率＞50％。国外数据显示，对于格拉斯哥昏迷评分(GlasgowComaScale，GCS)≤8分的重型颅脑损伤患者，其死亡率率高达35％～45％。颅内压、脑神经电信号、颅内温度和颅内氧分压以及颅内电解质浓度的检测是指示脑损伤以及二次脑损伤的生理指标，实时监控并分析上述指标不仅可以早期判断二次脑损伤的发生，还可以量化脑损伤的程度。2016年美国脑外伤基金会(BrainTraumaFoundation，BTF)发表了重型颅脑创伤治疗指南(第四版)。指南内包含了关于重症颅脑创伤的治疗意见，推荐GCS≤8以内的患者在脑损伤后进行24-36小时的持续性的多参数监测，可及时监控病情变化，以对病情进行有效合理的干预，从而具有改善预后的重要性。目前国内外尚无微创集成化多模态脑皮层生理指标的监测手段，通常采用单一颅脑生理指标监控技术进行颅内监控，其设备体积较大、操作设备的复杂度较高。采用这种监控手段，对于病患本身而言，大大增加监控过程中组织感染的几率，降低伤口愈合速度。针对单一或双模态颅脑生理指标监控技术已有相关研究，进行如下介绍：(1)颅内压：在已有产品中根据是否将传感器植入颅内，颅内压监测方法可分为非植入式监测法和植入式监测法两类。非植入式颅内压监测法无须在颅内植入传感器，能够避免因植入式监测对患者造成的创伤，且监测过程中无感染风险，同时具有操作简便和成本较低的优点。其原理有诸如经颅多普勒法、闪光视觉诱发电位法和红外分光检查法等。以上非植入式监测方法均通过间接手段将其他物理量转化为压力值，监测过程中存在较多的干扰因素，使得测量误差较大。植入式颅内压监测法是指将压力传感器植入颅内，直接测量颅内压值。其方法是通过颅脑手术，将测压导管一端插入脑室，另一端与液压传感器接口连接，从而测得颅内压值。此方法的优点在于检测精确度高，可满足临床颅内压监测指标要求，被视为颅内压监测的“金标准”。但是，该方法以及其它现有植入式颅内压监测设备均为有线式，在持续监测过程中存在诸多不便，不适合长期监控，增加创口感染几率。有国外文献报道感染几率甚至高达11％。(2)颅内脑电信号：颅内脑电信号的测量可分为皮层区域的电信号测量和皮层内部的电信号测量。皮层脑电是利用手术将皮层电极放在颅内大脑皮层上，电极导线经过颅骨和头皮，接在外部脑电图仪上。通过分析皮层信号的功率谱密度、beta波(15-25Hz)、alpha波(8-13Hz)、delta-theta波(2-8Hz)，可以对由于二次脑损伤造成的非痉挛性癫痫发作的起始时刻或癫痫持续状态进行检测，给予及时反馈治疗。2016年DeMarchies等人采用美国Ad-TechMedical公司的柔性多通道植入式皮层脑电极产品。脑皮层深部植入式电极是采用硅基或者不锈钢神经探针，植入大脑皮层内部，进行脑神经信号的测量，通过分析场电位和动作电位，达到获取脑损伤对运动或者感知皮层的创伤程度。(3)颅内温度：在不同生理和病理条件下，大脑的温度不仅会波动，而且会影响皮层细胞多项生理代谢的变化。研究者曾尝试使用红外线成像方式显示皮层的温度，但由于其准确性不足、以及不能实时监测，所以仅仅停留在少数研究方面。目前普遍采用植入式温度传感探头植入脑皮层测量皮层温度，颅内温度传感器通常与颅内压检测或颅内氧分压检测探头集成，但创口较大，测量时间较短，而且是在开颅术中，未覆盖颅骨和头皮，数值与生理状态下可能存在很大差异。(4)颅内脑氧分压：脑损伤治疗中，评估全身氧合状况的方法并不可靠，因此应用检测脑组织氧合方法技术十分关键。目前较成熟的方法有全脑测氧法和局部测氧法。全脑测氧法采用探针进行颈静脉测定，该方法较为方便，但不能精确获取脑组织局部氧合分布情况，无法获得受损脑组织的精准定位。局部测氧法有近红外光谱仪无创技术和组织探针植入法。前者通过对比进入脑内和返回的光强信息，获取氧分压状况，如美国CASMedical公司的近红外无创脑组织氧监护仪。但由于光穿透路径较手指氧合测量法比具有更大不确定性，如脑外伤后脑肿胀会改变光路距离，进而降低测量准确性和可靠性。目前较为可靠的方式为采用组织探针测量局部组织氧分压状况，脑氧分压及温度的监护设备公司主要有德国Integra的Licox植入式产品和美国Raumedic公司提供的Neurovent-PTO植入式产品。(5)颅内电解质浓度约有62％的患者是死于颅脑创伤后的各种并发症，而在这当中由于颅脑创伤后内分泌功能障碍导致水电解质紊乱，进而内环境平衡遭到破坏，引起病理性的应激反应，进而导致水电解质紊乱或是多脏器功能受到损害或衰竭。颅脑创伤后患者的水电解质紊乱长期困扰着广大医疗工作者，包括低钠血症、高钠血症、及低钾血症等。因此，同步检测脑组织液的钾和钠离子的组分浓度十分重要。目前，并未有针对颅脑的植入式电解质检测手段。对以上陈述加以总结，当前对于颅内生理指标的监测多采用植入式传感探头，其带来的创口面积大、易感染、导线连接不便等问题，显著限制了其临床应用。目前国内外尚无高集成化的可以实时同步进行多模态颅内大脑皮层信号监测的仪器和方法。因此，研究多模态信号传感原理，探索出精确可靠的高集成度无线微型颅内脑皮层信号监测方法，对揭示二次脑损伤的机制、分析二次脑损伤起因、预判及治疗二次脑损伤有重要意义。
技术实现思路
有鉴于此，本专利技术的主要目的在于提供一种基于机器学习的颅内多模态信息融合的脑部疾病判断系统，以期部分地解决上述技术问题中的至少之一。为了实现上述目的，作为本专利技术的一方面，提供了一种基于机器学习的颅内多模态信息融合的脑部疾病判断系统，所述判断系统包括输入层和输出层，其中，将颅内信息输入到所述输入层，进行数据的多层次处理、自动判断输出各种颅内损伤类型，根据所述输出层的类型组合指定干预治疗组合，其中，所述颅内信息包括颅内压力、颅内氧分压、颅内温度、颅内神经电信号、颅内钠离子浓度和颅内钾离子浓度。其中，所述基于机器学习的颅内多模态信息融合的脑部疾病判断系统包括人工神经网络预测模型或随机森林预测模型。其中，所述人工神经网络预测模型的输入层包括：压力、氧分压、温度、钠离子浓度和钾离子浓度五个输入节点的输入值为各参数5s内采样值的平均值，神经电信号的输入节点的输入值为5s内五个参数各自的方差；在训练时，针对各参数每一项特征的所有采集值，需要进行特征归一化。其中，所述人工神经网络预测模型还包括隐藏层，所述隐藏层训练时使用的优化算法包括GradientDesecnt、StochasticGradient本文档来自技高网...

【技术保护点】
1.一种基于机器学习的颅内多模态信息融合的脑部疾病判断系统，其特征在于，所述判断系统包括输入层和输出层，其中，/n将颅内信息输入到所述输入层，进行数据的多层次处理、自动判断输出各种颅内损伤类型，根据所述输出层的类型组合指定干预治疗组合，其中，所述颅内信息包括颅内压力、颅内氧分压、颅内温度、颅内神经电信号、颅内钠离子浓度和颅内钾离子浓度。/n

【技术特征摘要】
1.一种基于机器学习的颅内多模态信息融合的脑部疾病判断系统，其特征在于，所述判断系统包括输入层和输出层，其中，
将颅内信息输入到所述输入层，进行数据的多层次处理、自动判断输出各种颅内损伤类型，根据所述输出层的类型组合指定干预治疗组合，其中，所述颅内信息包括颅内压力、颅内氧分压、颅内温度、颅内神经电信号、颅内钠离子浓度和颅内钾离子浓度。


2.根据权利要求1所述的脑部疾病判断系统，其特征在于，所述基于机器学习的颅内多模态信息融合的脑部疾病判断系统包括人工神经网络预测模型或随机森林预测模型。


3.根据权利要求2所述的脑部疾病判断系统，其特征在于，所述人工神经网络预测模型的输入层包括：
压力、氧分压、温度、钠离子浓度和钾离子浓度五个输入节点的输入值为各参数5s内采样值的平均值，神经电信号的输入节点的输入值为5s内五个参数各自的方差；
在训练时，针对各参数每一项特征的所有采集值，需要进行特征归一化。


4.根据权利要求2所述的脑部疾病判断系统，其特征在于，所述人工...

【专利技术属性】
技术研发人员：薛宁，刘春秀，赵明，周军，姚镭，刘铁柱，姚盼，尹思远，尤昌华，
申请(专利权)人：中国科学院空天信息创新研究院，
类型：发明
国别省市：北京;11