CN113729624B 意识水平测定方法及计算机程序 （博睿优株式会社）

US2010262377A1,2010US2017181693A1,2017.0本发明一实施例的用于测定患者的意识水小的上述一个以上频带的每个成分的大小超过规定临界值的程度为基础，来计算上述第一指网络，根据一个以上频带的每个成分的第一指2第一指数计算步骤，计算所述一个以上频带的每个一区间中的规定基准成分大小的所述一个以上频带的每个成分的大小超过规定临界值的概率值计算步骤，利用经过学习的人工神经网络，根据一个以意识水平确定步骤，以所计算的所述一个以上患者状态各所述一个以上频带的多个成分包括属于所述第一区间的一个以上时间点上的每个频分别针对所述一个以上时间点，来计算相对于所述基准脑波第一区间生成步骤，生成脑波的第一区间，所述脑波的第一区间包在所述提取步骤中，从已去除所述噪音的所述脑波的第一区间所述噪音去除步骤包括如下的替换步骤：在所述脑波的第一区间内所述第一部分区间及所述第二部分区间为所述第一区间的至少一所述噪音去除步骤包括如下的替换步骤：在所述脑波的第一区39.根据权利要求1所述的意识水平测定方法，其特征在于，在所述意识水平测定方法从通过第一通道获取的所述患者的第一脑波的第一区间，计算N个频带各自的第一指从通过第二通道获取的所述患者的第二脑波的第一区间，计算所述N个频带各自的所生成与所述第一通道的N个第一指数相对应的N生成与所述第二通道的N个第一指数相对应的N生成包含所述第一输入数据、所述第二输入数据、所述第三所述人工神经网络为基于学习数据来学习脑波的特性、肌电图特性以通过第一通道获取的脑波的N个第一指数及通过第二通道获取的脑波的N个第一指4基于适用有加权值的多个所述归一化概率值的和来确定所述意在所述适用步骤中，将5个所述患者状态各自的权值集合中的一个适用于所述归一化5[0001]本发明的实施例涉及利用经过学习的人工神经网络来测定对象的意识水平的方[0006]据报告，使用BIS分析方式的麻醉深度测定装置在测定患者的麻醉深度的准确性6定时间间隔以内的脑波包括在内的方式生成上[0018]上述一个以上频带的多个成分包括属于上述第一区间的一个以上时间点上的每能够以上述第一区间内的上述基准成分的绝对大小为基础来确定上述数与上述第二通道的N个第一指数的组合(Combination)为基础来生成N的平方个第一输入7过第二通道获取的脑波的N个第一指数的组合(Combination)为基础生成的N的平方个第一态数据可包含K(K为自然数)个患者状态各自相应概率值；以及基于适用有加权值的多个上述归一化概率值的和来确定上述意识水平的步[0024]在基于适用有加权值的多个上述归一化概率值的和来确定上述意识水平的步骤[0026]尤其，针对现有的基于BIS分析方式的意识水平测定装置的问题，即，跟踪速度[0031]图2为用于说明本发明一实施例的控制部120生成脑波400的第一区间的方法的[0032]图3为用于说明本发明一实施例的控制部120通过在例示性的脑波的第一区间440[0033]图4为用于说明本发明一实施例的控制部120从已去除噪音的脑波的第一区间[0036]图7为用于说明本发明一实施例的控制部120使人工神经网络520利用多个学习数8[0037]图8为用于说明作为基于本发明一实施例的人工神经网络520的输入数据531、[0039]图10为用于说明本发明选择性实施例的控制部120确定患者300的最终意识水平[0040]图11为用于说明本发明一实施例的由用户终端100执行的意识水平测定方法的流[0056]本发明一实施例的意识水平测定系统可以基于患者300的活体信号来测定患者的9[0063]本发明另一实施例的检测部210可省略上述参考(Reference)电极211和地(Ground)电极212中的一个。换言之，本发明另一实施例的检测部210可配置为包括参考(Ground)电位相当于同一电位，可通过参考(Reference)电极211或地(Ground)电极212来[0064]本发明一实施例的信号处理部220可指通过处理检测部210获取的活体信号来向[0066]例如，信号处理部220可在按照规定比率对分别在检测部210的第一通道电极213[0067]与此类似地，信号处理部220可在按照规定比率对在检测部210的第一通道电极[0068]本发明一实施例的信号处理部220可通过多种通信方式向用户终端100传输通过上述过程扩增及采样的活体信号。例如，信号处理部220可通过蓝牙通信方式向用户终端[0069]本发明一实施例的用户终端100可基于信号处理部220传输的活体信号(经扩增及[0070]在此情况下，用户终端100可以为设置有用于测定意识水平的应用程序的通用电[0072]本发明一实施例的通信部110可包括用户终端100通过与如信号处理部220的其他如，通信部110可包括用于通过蓝牙方式与信号处理部220发送和接收信号的硬件及软件。[0073]本发明一实施例的控制部120可包括能够处理数据的所有类型的装置，如处理器置的一例，可包括微处理器(Microprocessor)、中央处理器(CentralProcessingUnit，CPU)、处理器内核(ProcessorCore)、多处理器(Multiprocessor)、专用集成电路(Application-SpecificIntegratedCircuit，ASIC)、现场可编程门阵列(Field[0074]本发明一实施例的存储器130执行临时或永久存储用户终端100处理的数据的功[0075]本发明一实施例的显示部140可执行向用户提供所测定的麻醉深度的功能。上述[0076]以下，将以用户终端100的控制部120测定患者的麻醉深度的方法为中心进行说在此情况下所获取的肌电图信号亦可以为经扩增且按规定采样频率采[0081]本发明一实施例的控制部120可生成脑波的第一区间，上述脑波包括所获取的脑[0082]图2为用于说明本发明一实施例的控制部120生成脑波400的第一区间的方法的括从当前时间点(4秒钟)开始规定时间间隔(假设为4秒钟)以内的过去的脑波的脑波的第[0087]本发明一实施例的控制部120可针对经不同通道获取的两个脑波，分别通过上述深度确定时间点的改变)以当前时间点为基准来反复[0088]本发明一实施例的控制部120可在按上述过程生成的脑波的第一区间内去除噪[0089]图3为用于说明本发明一实施例的控制部120通过在例示性的脑波的第一区间440界大小Ath的第一部分区间444A替换为与第一部分区间不同的第[0091]此时，在第一部分区间444A内的任一时间点上的脑波的大小大于规定临界大小Ath的情况下，控制部120可确定相应区间444A内的脑波的大小大于规定临界大小Ath。并[0092]由此，控制部120可生成已去除噪音的脑波的第一区间440FLT，上述第一区间[0094]在选择性实施例中，在脑波的第一区间440内的脑波大小大于规定临界大小的模[0096]本发明一实施例的控制部120可以从按上述过程生成的脑波的第一区间(或者已去除噪音的脑波的第一区间)提取一个以上频带的[0097]图4为用于说明本发明一实施例的控制部120从已去除噪音的脑波的第一区间[0098]本发明一实施例的控制部120可从已去除噪音的脑波的第一区间410FLT提取的基准成分411以及0.5Hz至30Hz的爆发抑[0099]本发明一实施例的控制部120可利用一个以上频带分别对应的频率滤波器来从已416、417、418。例如，控制部120可利用通频带为0.5Hz至4Hz的带通滤波器(Ban-Pass已去除噪音的脑波的第一区间410FLT相同的时间长度。并且，一个以上频带的多个成分可包含属于第一区间的一个以上时间点上的每个频带[0101]例如，在信号处理部220的采样频率为250Hz，已去除噪音的脑波的第一区间410FLT的长度为4秒钟的情况下，已去除噪音的脑波的第一区间410FLT内可包含1000个时[0105]本发明一实施例的控制部120能够以对于第一区间中的规定基准成分的大小的一来分别计算基准成分的一个以上频带的多个成第一区间的第一个时间点上的基准成分411的大小与第一区间的第一个时间点上的第一成[0107]本发明一实施例的控制部120可将所计算的比率的大小超过规定临界值Rth的时[0108]本发明一实施例的控制部120能够以属于第一区间的整体时间点与超过时间点的[0109]另一方面，本发明一实施例的控制部120可基于第一区间内的基准成分的绝对大[0110]对于经不同通道获取的两个脑波，本发明一实施例的控制部120可分别计算基于[0111]本发明一实施例的控制部120可计算第二指数，上述第二指数反映第一区间的脑[0114]本发明一实施例的控制部120可在爆发抑制率成分418中确认第一类型的信号(或爆发(Burst)类型的信号)及第二类型的信号(或抑制(Suppression)类型的信号)的反复次[0115]在图6中，信号的第一类型为在短于第二持续时间的第一持续时间内产生大小为续时间的第二持续时间内产生大小为第二临界大小Ath_2_P或Ath_2_N以下的脑波的类型。[0118]本发明一实施例的控制部120能够以与脑波的第一区间410FLT的长度相对应的值410FLT的长度相对应的值可指脑波的第一区间410FLT所包含的时间点的数量(例如，1000[0119]另一方面，图6所说明的方法为用于判断第一区间410FLT的脑波符合规定模式的[0120]本发明一实施例的控制部120能够以与患者的状态相对应的至少一个活体信号为[0123]本发明一实施例的控制部120能够以通过上述过程计算的第一指数、第二指数及[0124]本发明一实施例的控制部120可以利用经过学习的人工神经网络与一个以上频带数据及反映肌电图特性的数据的输入来输出患络可实现为卷积神经网络(CNN)模型、递归神经网络(RNN)模型和长短期记忆(LSTM)模型。[0128]图7为用于说明本发明一实施例的控制部120使人工神经网络520利用多个学习数300的第一脑波(通过第一通道获取)的第一区间计算的N(N为自然数)个频带各自的第一指N个频带各自的第一指数相对应的N个数据511B、以第一通道的N个第一指数511A及第二通道的N个第一指数511B的组合为基础生成的N的平方个数据511D。[0134]包含第二个学习数据512及第三个学习数据513的其余学习数据亦包括与第一个络520可根据由患者的状态信号生成的数据的输入来输出相应患者与多个患者状态分别相[0136]图8为用于说明作为基于本发明一实施例的人工神经网络520的输入数据531、534，以便利用通过上述过程学习的人工神经网络520来计算患者300分别属于一个以上的藏代码)；以及输出层523，包含至少一个输出代码。如图所示，中间层522可包含全连接据533可以为用于人工神经网络520的学习的学习数据中与图7的数据道的N个指数分别相乘而得的数据以及第一通道的第二个指数与第二通道的N个指数分别[0141]本发明一实施例的控制部120可生成与第一通道的N个第一指数相对应的N个第二输入数据532。上述第二输入数据532可以为用于人工神经网络520的学习的学习数据中与道的N个第一指数与N个第二输入数据532分别[0142]本发明一实施例的控制部120可生成与第二通道的N个第一指数相对应的N个第三输入数据534。上述第三输入数据534可以为用于人工神经网络520的学习的学习数据中与道的N个第一指数与N个第三输入数据534分别[0143]本发明一实施例的控制部120可生成基于肌电图信号的M个第四输入数据531。上述第四输入数据531可以为用于人工神经网络520的学习的学习数据中与图7的数据511C相[0145]本发明一实施例的控制部120可通过输入在人工神经网络520按上述过程生成的[0146]本发明一实施例的患者的状态数据540可包含患者300分别对应于K(K为自然数)或深度麻醉状态(HyperorDeepAnesthesia)Status4以及脑死亡状态Stat为81％、患者300处于镇静状态(Sedation)的概率为62％、患者300处于全身麻醉状态(GeneralAnesthesia)的概率为34％、患者300处于过度麻醉或全身麻醉状态(Hyperor[0149]本发明一实施例的控制部120可基于一个以上患者状态各自的概率值来确定患者够以使得一个以上患者状态各自的概率值的总和为1的方式计算一个以上患者状态各自的[0151]并且，本发明一实施例的控制部120可将与患者状态相对应的权值集合适用于归第一个权值集合610为与清醒状态(Awake)Status1相对应的权值集合，第二个权值集合醉状态(GeneralAnesthesia)Status3相对应的权值集合，第四个权值集合640为与过度值集合650为与脑死亡状态(BrainDeath)Status5相对应的权[0154]本发明一实施例的控制部120可基于适用有加权值的多个归一化概率值的和来确[0155]在选择性实施例中，本发明一实施例的控制部120可参照通过其他方式确定的患者300的麻醉深度来确定患者300的最[0156]图10为用于说明根据本发明选择性实施例的控制部120确定患者300的最终麻醉[0157]本发明选择性实施例的控制部120可基于第一麻醉深度与第二麻醉深度的和来确所说明的过程计算的麻醉深度DOA_1，上述第二麻醉深度将规定加权值W2适用于通过第二[0158]图11为用于说明本发明一实施例的由用户终端100执行的意识水平测定方法的流[0159]本发明一实施例的用户终端100可使人工神经网络基于多个学习数据来进行学习络可实现为卷积神经网络(CNN)模型、递归神经网络(RNN)模型和长短期记忆(LSTM)模型。[0163]图7为用于说明本发明一实施例的用户终端100使人工神经网络520利用多个学习300的第一脑波(通过第一通道获取)的第一区间计算的N(N为自然数)个频带各自的第一指N个频带各自的第一指数相对应的N个数据511B、以第一通道的N个第一指数511A及第二通道的N个第一指数511B的组合为基础生成的N的平方个数据511D。[0169]包含第二个学习数据512及第三个学习数据513的其余学习数据亦包括与第一个络520可根据由患者的状态信号生成的数据的输入来输出相应患者与多个患者状态分别相[0173]另一方面，本发明一实施例的用户终端100还可同时获取脑波与肌电图信号。当然，在此情况下所获取的肌电图信号亦可以为经扩增且按规定采样频率采样的肌电图信户终端100可用于通过将过去的活体信号临时和/或永久存储于存储器130来测定患者的麻[0175]本发明一实施例的用户终端100可生成脑波的第一区间，上述脑波包括所获取的[0176]图2为用于说明本发明一实施例的用户终端100生成脑波400的第一区间的方法的当前时间点(4秒钟)开始规定时间间隔(假设为4秒钟)以内的过去的脑波的脑波的第一区[0181]本发明一实施例的用户终端100可针对经不同通道获取的两个脑波，分别通过上麻醉深度确定时间点的改变)以当前时间点为基准来反复生成[0182]本发明一实施例的用户终端100可在按上述过程生成的脑波的第一区间内去除噪[0183]图3为用于说明本发明一实施例的用户终端100通过在例示性的脑波的第一区间440中去除噪音来生成已去除噪音的脑波的第一区间440临界大小Ath的第一部分区间444A替换为与第一部分区间不同的[0185]此时，在第一部分区间444A内的任一时间点上的脑波的大小大于规定临界大小[0186]由此，用户终端100可生成已去除噪音的脑波的第一区间440FLT，上述第一区间[0188]在选择性实施例中，在脑波的第一区间440内的脑波大小大于规定临界大小的模[0190]本发明一实施例的用户终端100可以从按上述过程生成的脑波的第一区间(或者[0191]图4为用于说明本发明一实施例的用户终端100从已去除噪音的脑波的第一区间[0192]本发明一实施例的用户终端100可从已去除噪音的脑波的第一区间410FLT提取的基准成分411以及0.5Hz至30H[0193]本发明一实施例的用户终端100可利用一个以上频带分别对应的频率滤波器来从已去除噪音的脑波的第一区间410FLT提取一个以上频带的多个成分411、412、413、414、已去除噪音的脑波的第一区间410FLT相同的时间长度。并且，一个以上频带的多个成分可包含属于第一区间的一个以上时间点上的每个频带[0195]例如，在信号处理部220的采样频率为250Hz，已去除噪音的脑波的第一区间410FLT的长度为4秒钟的情况下，已去除噪音的脑波的第一区间410FLT内可包含1000个时[0197]本发明一实施例的用户终端100可计算一个以上频带的多个成分411、412、413、[0199]本发明一实施例的用户终端100能够以对于第一区间中的规定基准成分的大小的一个以上频带的每个成分的大小超过规定临界值Rth的程度为基础，来计算第一指数。例算第一区间的第一个时间点上的基准成分411的大小与第一区间的第一个时间点上的第一[0201]本发明一实施例的用户终端100可将所计算的比率的大小超过规定临界值Rth的[0202]本发明一实施例的用户终端100能够以属于第一区间的整体时间点与超过时间点[0203]另一方面，本发明一实施例的用户终端100可基于第一区间内的基准成分的绝对[0204]对于经不同通道获取的两个脑波，本发明一实施例的用户终端100可分别计算基[0205]本发明一实施例的用户终端100可生成人工神经网络520的输入数据531、532、[0206]图8为用于说明作为基于本发明一实施例的人工神经网络520的输入数据531、道获取的患者300的第二脑波的第一区间计算得出N个频带各自的第一指数，为了便于说数据533可以为用于人工神经网络520的学习的学习数据中与图7的数据511D相对应的项通道的N个指数分别相乘而得的数据以及第一通道的第二个指数与第二通道的N个指数分[0210]本发明一实施例的用户终端100可生成与第一通道的N个第一指数相对应的N个第二输入数据532。上述第二输入数据532可以为用于人工神经网络520的学习的学习数据中一通道的N个第一指数与N个第二输入数据532[0211]本发明一实施例的用户终端100可生成与第二通道的N个第一指数相对应的N个第三输入数据534。上述第三输入数据534可以为用于人工神经网络520的学习的学习数据中二通道的N个第一指数与N个第三输入数据534[0212]本发明一实施例的用户终端100可生成基于肌电图信号的M个第四输入数据531。上述第四输入数据531可以为用于人工神经网络520的学习的学习数据中与图7的数据511C[0214]本发明一实施例的用户终端100可通过输入在人工神经网络520按上述过程生成[0215]本发明一实施例的患者的状态数据540可包含患者300分别对应于K(K为自然数)或深度麻醉状态(Hype