基于人工智能技术和近红外技术的颅内压无创测量方法技术

一种基于人工智能技术和近红外技术的颅内压无创测量方法，包括：一、采集多位术后患者的颅内近红外数据及侵入式颅内压数据；对每位术后患者进行多次间隔采集，近红外数据的采集大于或等于100帧；通过采集形成包括数组近红外数据及数组侵入式颅内压数据的大数据集；二、在AI计算工作站中通过大数据集建立AI模型；三、将AI模型部署于AI计算工作站；在对新的无创患者进行颅内压测量时，先采集该新患者的颅内近红外数据输入AI计算工作站中，算得该新患者的颅内压预测值。本发明专利技术使通过无创的方式实时精确掌握患者的颅内压变化趋势变为可能，保障了患者的生命安全，且降低了应用成本。且降低了应用成本。且降低了应用成本。

Noninvasive measurement of intracranial pressure based on artificial intelligence and near infrared technology

【技术实现步骤摘要】
基于人工智能技术和近红外技术的颅内压无创测量方法


[0001]本专利技术涉及生物医学工程
，具体涉及一种基于人工智能技术和近红外技术的颅内压无创测量方法。

技术介绍

[0002]颅内压（ICP）的检测对于颅内脑损伤病人的管理非常重要，特别是对于脑水肿、脑出血患者，颅内压的变化趋势对于颅内伤情有极大的指导意义，保持稳定的颅内压有助于获得更好的预后，避免颅脑损伤、甚至死亡等情况的发生。《中国颅脑创伤颅内压监测专家共识》推荐急性重型颅脑创伤患者（GCS3
‑
8分）应及时进行颅内压检测，将颅内压监测数据作为其临床监控的主要参考数据之一。
[0003]目前颅内压的临床监测方式主要采用侵入式监测方法，但该方法为有创方法，常会给患者带来感染，出血，组织损伤等伤害，同时由于需要采取手术才可以放置侵入式监测设备，因此对于需要监控颅内压，但尚未采取手术治疗或者尚无手术指征的患者来说，无法通过该方法测量得到颅内压数据。
[0004]近红外技术（NIRS）是一种常用的生物成像和检测技术，该技术的原理为利用近红外光在组织中多重散射的特性，同时光与人体组织（如脑组织等）相互作用，近红外光遵循Beer
‑
Lambert定律，使得其在组织中经过一系列吸收、散射后，光的衰减程度等信息被CCD等传感器捕捉到，进而用于分析组织成分。近红外光的吸收主要与氧合血红蛋白HbO2与脱氧血红蛋白Hb相关，两种血红蛋白的红外吸收峰值集中在850nm和760nm两个波长区间。因此该设备常用于检测颅内的血氧含量，并通过Hb和HbO2来推导脑血氧饱和度RSO2。脑血氧饱和度与颅内压存在一定的相关关系，现有的技术通常运用近红外设备测量Hb与HbO2，并直接根据经验公式推导颅内压ICP，该方法虽然解决了无创的问题，然而经验公式通常存在较大的误差，因此无法解决颅内压检测精度的问题。
[0005]现有专利一（201911014649.8）中提到使用近红外设备测量脑血流心跳搏动指数PI，并建立PI与ICP的相关关系，以此来推算ICP的数值，然而基于其专利中所描述的相关关系图像（如图1）可知，PI与ICP两者虽然存在相关关系，然而其线性关系不强，因此该专利中所述的单纯通过线性相关关系ICP=K * PI + b来推测ICP存在非常大的误差，该方法难以在临床中推广应用。
[0006]现有专利二（201810913909.4）中提到运用近红外设备测量脑血氧饱和度RSO2，并运用平均动脉血压MAP来建立经验公式ICP =（MAP
‑
1.267*RSO2）推导ICP数值。基于该现有专利二中提供的数据，该方法相比于现有专利一而言，由于增加了MAP传感设备，增加了关键的血压数据，因此可提高ICP计算的准确程度，然而依然存在误差大等问题，除此之外增加的血压监测设备也进一步提高了设备在临床中使用成本和困难程度。
[0007]综上，目前临床上常用的颅内压监测的方法主要为侵入式监测方法，该方法为有创监测，给患者造成了一定的伤害，而且只能针对手术后的患者。近红外技术可用于无创监测颅内压，然而该方法存在准确度不足的情况，导致临床应用有限。
[0008]因此，如何解决上述现有技术存在的不足，便成为本专利技术所要研究解决的课题。

技术实现思路

[0009]本专利技术的目的是提供一种基于人工智能技术和近红外技术的颅内压无创测量方法。
[0010]为达到上述目的，本专利技术采用的技术方案是：一种基于人工智能技术和近红外技术的颅内压无创测量方法，准备阶段：将一近红外采集设备的采集端定位于术后的颅脑疾病的患者头部，并将该近红外采集设备以及一侵入式颅内压监测设备同时与一第一AI计算工作站通讯连接；所述测量方法包括：步骤一、在临床中，通过所述近红外采集设备采集术后患者颅内的近红外数据，同时，通过所述侵入式颅内压监测设备采集所述术后患者的侵入式颅内压数据；对多位所述术后患者进行上述数据的采集，采集的患者数量大于或等于100例；对每位所述术后患者进行多次上述数据的采集，至少每半个小时同时记录所述近红外数据和所述侵入式颅内压数据；其中近红外数据的采集要求大于或等于100帧；通过上述采集形成包括数组所述近红外数据以及数组所述侵入式颅内压数据的大数据集；步骤二、在所述第一AI计算工作站中通过所述大数据集建立AI模型；步骤三、在AI模型建立之后，将AI模型部署于第一AI计算工作站或第二AI计算工作站中；在对新的无创患者进行颅内压测量时，通过采集该新患者的颅内近红外数据，将数据输入部署有所述AI模型的第一或第二AI计算工作站中，通过第一或第二AI计算工作站算得并输出该新患者的颅内压预测值。
[0011]上述技术方案中的有关内容解释如下：1．上述方案中，所述近红外采集设备为多通道采集设备，在患者头部采集的近红外数据点位大于或等于四个，且所述点位至少涵盖患者头部的额叶、颞叶区域。
[0012]2.上述方案中，所述大数据集中的近红外数据需要进行预处理，该预 处理操作包括对所述近红外数据进行滤波；所述数据的预处理方法包括以下步骤：一、将所述近红外采集设备的采样频率设为大于或等于10Hz，光极间距 设为大于或等于20mm；每个通道至少采集四个不同波长的光衰减量，且采 集波长范围为720～1000nm，采集波长的间距大于或等于25nm；所述光衰减量通过以下方式计算：入射光强为I0，出射光强为I1，衰减量OD为
[0013]3．上述方案中，所述小波滤波分为以下步骤：一、对测量信号进行正交小波变换，选定一个正交小波和分解层数N，N为正整数，对原始信号进行N层小波分解；
二、对测量信号的小波变换系数进行非线性阈值处理，1至N的每一层高频系数均通过阈值进行处理，低频系数不做处理；三、对处理后的小波系数进行重构，分解后的第N层低频系数和经过处理后的第一层至第N层高频系数进行信号重构，得到滤波后的信号。
[0014]4．上述方案中，建立AI模型的过程包括以下步骤：一、从所述大数据集中随机选择患者，分为训练组、验证组和测试组，其中所述训练组和所述验证组的比例至少为2：1，所述验证组和所述测试组的比例为1：1；二、搭建AI模型，利用所述训练组的数据对AI模型进行多轮训练，每轮训练之后利用所述验证组的数据测试AI模型所输出的颅内压预测值的准确程度，测试方法如下所示：将所述近红外数据输入AI模型，误差比对方法如以下公式所示：Error = abs(ICPval
ꢀ–ꢀ
ICPpre) / ICPvalICPpre为所述颅内压预测值，ICPval为所述侵入式颅内压数据；三、记录验证组的平均Error值，并与上次训练结果进行比对，如果AI模型预测精度提高，则继续训练，如果AI模型精度无显著提高，则认为训练结束；四、AI模型训练结束后，运用测试组数据对AI模型的准确程度进行测试，并记录所有患者的误差值Error，计算最大误差和平均误差，作为评估AI模型临床适应性的依据。
[0015]5．上述方案中，所述AI模型为神经网络模型。<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能技术和近红外技术的颅内压无创测量方法，其特征在于：准备阶段：将一近红外采集设备的采集端定位于术后的颅脑疾病的患者头部，并将该近红外采集设备以及一侵入式颅内压监测设备同时与一第一AI计算工作站通讯连接；所述测量方法包括：步骤一、在临床中，通过所述近红外采集设备采集术后患者颅内的近红外数据，同时，通过所述侵入式颅内压监测设备采集所述术后患者的侵入式颅内压数据；对多位所述术后患者进行上述数据的采集，采集的患者数量大于或等于100例；对每位所述术后患者进行多次上述数据的采集，至少每半个小时同时记录所述近红外数据和所述侵入式颅内压数据；其中近红外数据的采集要求大于或等于100帧；通过上述采集形成包括数组所述近红外数据以及数组所述侵入式颅内压数据的大数据集；步骤二、在所述第一AI计算工作站中通过所述大数据集建立AI模型；步骤三、在AI模型建立之后，将AI模型部署于第一AI计算工作站或第二AI计算工作站中；在对新的无创患者进行颅内压测量时，通过采集该新患者的颅内近红外数据，将数据输入部署有所述AI模型的第一或第二AI计算工作站中，通过第一或第二AI计算工作站算得并输出该新患者的颅内压预测值。2.根据权利要求1所述的颅内压无创测量方法，其特征在于：所述近红外采集设备为多通道采集设备，在患者头部采集的近红外数据点位大于或等于四个，且所述点位至少涵盖患者头部的额叶、颞叶区域。3.根据权利要求2所述的颅内压无创测量方法，其特征在于：所述步骤一和所述步骤三中的近红外数据均需要进行预处理，该预处理操作包括对所述近红外数据进行滤波；所述数据的预处理方法包括以下步骤：一、将所述近红外采集设备的采样频率设为大于或等于10Hz，光极间距设为大于或等于20mm；每个通道至少采集四个不同波长的光衰减量，且采集波长范围为720~1000nm，采集波长的间距大于或等于25nm；所述光衰减量通过以下方式计算：入射光强为I0，出射光强为I1，衰减量OD为二、对每个通道的每组数据，运用0.001
‑
10Hz的带通滤波对其进行滤波，再对数据进行小波滤波。...

【专利技术属性】
技术研发人员：周至宜，王沐晴，
申请(专利权)人：上海寻是科技有限公司，
类型：发明
国别省市：