一种基于Bayesian网络的自动麻醉控制方法技术

本发明专利技术公开了一种基于Bayesian网络的自动麻醉控制方法，首先获取至少表明全身麻醉一个组成部分麻醉程度的目标参数，然后基于目标参数推断出病人所需的麻醉药物种类、麻醉药物剂量和注射速率等级，最后通过输液传输装置向病人输送药物。本发明专利技术的创新之处在于其自学习性，随着在对特定传感器生命监控场景中使用时间的攀升，本发明专利技术方案会变得愈发精确，该方法能学习该医生的操作模式；同时，每次手术结束后，算法都会储存趋势数据，通过统计学习方式改善麻醉控制的性能。

【技术实现步骤摘要】
【专利摘要】本专利技术公开了，首先获取至少表明全身麻醉一个组成部分麻醉程度的目标参数，然后基于目标参数推断出病人所需的麻醉药物种类、麻醉药物剂量和注射速率等级，最后通过输液传输装置向病人输送药物。本专利技术的创新之处在于其自学习性，随着在对特定传感器生命监控场景中使用时间的攀升，本专利技术方案会变得愈发精确，该方法能学习该医生的操作模式；同时，每次手术结束后，算法都会储存趋势数据，通过统计学习方式改善麻醉控制的性能。【专利说明】—种基于Bayesian网络的自动麻醉控制方法
本专利技术涉及麻醉控制领域，具体是一种可根据实时监测病人生命体征信息进行麻醉剂输入的具有自学习能力的方法，针对不同的病人，该算法可选择合适的麻醉药物种类，计算出麻醉药物剂量，确定麻醉等级和注射速率等级。
技术介绍
麻醉定义了病人处于无意识的(同样可以使用术语“麻醉”、“催眠”来描述这种状态)，无痛苦的(同样可以使用术语“痛觉缺失”来形容这种状态)，肌肉放松的(同样可以使用“神经肌肉阻滞”、“肌肉阻滞”术语来形容这种状态)一种状态。这三个组成部分在不同程度上描述了全身麻醉的需要具备的必要条件。全身麻醉的部分形式有局部麻醉，病人处于某种程度的无意识的、昏昏欲睡的、痛觉丧失的状态，只保证和维护病人的无痛苦状态，以允许对其进行某些操作程序或干预。对于全身麻醉的三个组成部分，需要根据一些参数来确定其所处的不同程度。贝叶斯网络是一种概率网络，它是基于概率推理的图形化网络，而贝叶斯公式则是这个概率网络的基础。贝叶斯网络是基于概率推理的数学模型，所谓概率推理就是通过一些变量的信息来获取其他的概率信息的过程，基于概率推理的贝叶斯网络(Bayesiannetwork)是为了解决不定性和不完整性问题而提出的，它对于解决复杂要素的不确定性和关联性引起的推理难题具有很大的优势，在多个领域中获得广泛应用。目前已有的自动麻醉技术仅是利用公式并参照医生经验得出的不同麻醉模式下靶浓度的数值，简单地通过设定体重值和麻醉模式选择，来设定麻醉剂(通常仅为异丙酚一种)的维持输入速度，其靶浓度的值是预先设定的。已有方法存在的问题是，不能根据患者的实际情况选择合适的麻醉药物种类，如在某患者对异丙酚过敏的情况下，该如何进行处理等等。 现实应用中需要将人工智能与手工输入相结合，其应用效果将会比只由麻醉医师打麻药还来得安全。运用该算法可实现麻醉药物种类的自动选择，麻醉药物剂量的自动计算，麻醉等级和注射速率等级的自动评定，可大大减轻麻醉师的工作负荷，以支持麻醉师更好地进行长时间手术，使其能将更多精力投入到监控病人生理状况等更重要的工作中。因此该算法具有非常良好的应用前景。
技术实现思路
本专利技术的目的在于提供一种基于Bayesian Networks的自动麻醉控制方法。该方法通过运用一种贝叶斯分类算法，来控制病人的麻醉至少一个组成部分， 实现本专利技术目的的技术方案为:，主要包括以下步骤:首先获取至少表明全身麻醉一个组成部分麻醉程度的目标参数，然后基于目标参数推断出病人所需的麻醉药物种类、麻醉药物剂量和注射速率等级，最后通过输液传输装置向病人输送药物。所述全身麻醉包括催眠、痛觉丧失和肌肉松弛三个部分，全身麻醉组成部分麻醉程度的目标参数为反映当前催眠程度的参数、反映当前痛觉丧失程度的参数和反映当前肌肉松弛程度的参数。基于目标参数推断出病人所需的麻醉药物种类、麻醉药物剂量和注射速率等级的具体方法如下: 步骤2.1:根据先验知识构造贝叶斯网络； 步骤2.2:训练贝叶斯网络； 步骤2.3:用构建出的贝叶斯网络推断麻醉药物种类、注射药剂量和注射速度。步骤2.1中根据先验知识构造贝叶斯网络的具体步骤如下: (1)获取真实手术中麻醉实施的样本，其中，麻醉实施样本由病人的生命体征信息及其对应的麻醉药物种类、剂量和注射速度的选择信息组成；生命体征传感信息包括脑电双频指数BIS、动脉收缩压、心跳和痛觉指数； (2)由上述样本经关联规则挖掘算法——Apriori算法得到所有满足最小支持度阈值的频繁项集和所有满足最小置信度阈值的关联规则；其中，关联规则即麻醉实施样本中随机变量之间的因果关系； (3)根据得到的关联规则构造相应的贝叶斯网络。步骤2.2中的训练贝叶斯网络分为两种情况，具体如下:(I)当网络结构已知并且变量可见时:采用朴素贝叶斯分类中涉及的概率计算方法计算贝叶斯网络中的条件概率表项； (2)当网络结构给定但某些变量隐藏时:采用梯度下降方法计算贝叶斯网络中的条件概率表项，方法具体如下: 1)对每个i,j, k,计算梯度:【权利要求】1.,其特征在于:获取至少表明全身麻醉一个组成部分麻醉程度的目标参数，然后基于目标参数推断出病人所需的麻醉药物种类、麻醉药物剂量和注射速率等级，最后通过输液传输装置向病人输送药物。2.根据权利要求1所述的基于Bayesian网络的自动麻醉控制方法，其特征在于:所述全身麻醉包括催眠、痛觉丧失和肌肉松弛三个部分，全身麻醉组成部分麻醉程度的目标参数为反映当前催眠程度的参数、反映当前痛觉丧失程度的参数和反映当前肌肉松弛程度的参数。3.根据权利要求1所述的基于Bayesian网络的自动麻醉控制方法，其特征在于，基于目标参数推断出病人所需的麻醉药物种类、麻醉药物剂量和注射速率等级的具体方法如下: 步骤2.1:根据先验知识构造贝叶斯网络； 步骤2.2:训练贝叶斯网络； 步骤2.3:用构建出的贝叶斯网络推断麻醉药物种类、注射药剂量和注射速度。4.根据权利要求1所述的基于Bayesian网络的自动麻醉控制方法,其特征在于,步骤2.1中根据先验知识构造贝叶斯网络的具体步骤如下: 获取真实手术中麻醉实施的样本，其中，麻醉实施样本由病人的生命体征信息及其对应的麻醉药物种类、剂量和注射速度的选择信息组成； 由上述样本经关联规则挖掘算法——Apriori算法得到所有满足最小支持度阈值的频繁项集和所有满足最小置信度阈值的关联规则；其中，关联规则即麻醉实施样本中随机变量之间的因果关系； 根据得到的关联规则构造相应的贝叶斯网络。5.根据权利要求1或3所述的基于Bayesian网络的自动麻醉控制方法，其特征在于，步骤2.2中的训练贝叶斯网络分为两种情况，具体如下: (1)当网络结构已知并且变量可见时:采用朴素贝叶斯分类中涉及的概率计算方法计算贝叶斯网络中的条件概率表项； (2)当网络结构给定但某些变量隐藏时:采用梯度下降方法计算贝叶斯网络中的条件概率表项，方法具体如下: I)对每个i, j, k,计算梯度: 6.根据权利要求1或3所述的基于Bayesian网络的自动麻醉控制方法，其特征在于:步骤2.3中用构建出的贝叶斯网络推断麻醉药物种类、注射药剂量和注射速度的步骤如下: 输入有向无环图DAG，不可观察要素节点I和正规化因子α ;对所有可观察随机变量节点用观察值实例化，将不可观察节点实例化为随机值； 对DAG进行遍历，对每一个不可观察节点y,计算汽= ?汽W細.￡他办)}0作.,Ift?.咖Φ.,)) ’其中&表示除j以外的其它所有节点，七.表 示_7的第j个子节点，α为正规化因子，α使得对除y以外的每个节点Wi，P (y I Wi)的总和为1，即 【文档本文档来自技高网...

【技术保护点】
一种基于Bayesian网络的自动麻醉控制方法，其特征在于：获取至少表明全身麻醉一个组成部分麻醉程度的目标参数，然后基于目标参数推断出病人所需的麻醉药物种类、麻醉药物剂量和注射速率等级，最后通过输液传输装置向病人输送药物。

【技术特征摘要】

【专利技术属性】
技术研发人员：王永利，徐龙河，张功萱，刘冬梅，庄雪琴，钱秀娟，孙淑荣，王川，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：