一种基于多模态数据分析的麻醉深度监测方法及系统
本发明涉及术中生理信号监测与智能分析,更具体的说是涉及一种基于多模态数据分析的麻醉深度监测方法及系统。
背景技术:
1、全身麻醉过程包含两大核心且相互耦合的生理维度,分别为大脑意识抑制水平与机体伤害性应激反应水平,二者生理机制相互独立。精准区分患者术中意识抑制状态与疼痛应激状态,是实现镇静、镇痛药物个体化精准输注,规避术中知晓、镇痛不足、麻醉过深等临床风险的核心前提。
2、当前临床主流麻醉深度监测设备以bis、脑电熵指数等单模态脑电监测设备为主,仅依靠eeg信号评估麻醉深度。该类监测方式存在固有缺陷:术中电刀干扰、电极偏移、人体肌电活动极易造成脑电信号失真,且对特殊麻醉药物的监测响应存在系统性偏差。更为关键的是,单一脑电信号仅能反映中枢神经抑制程度,无法区分监测数值波动是源于患者意识苏醒还是伤害刺激诱发的自主神经应激升高,极易误导麻醉医师的用药判断,临床适用性受限。
3、为解决单模态监测精度低、抗干扰差的问题,现有技术逐步采用多模态监测方案,融合eeg、ecg、ppg、有创动脉血压等多类生理信号优化麻醉评估效果。但目前已公开的多模态监测技术仍存在根本性技术缺陷,并未真正解决临床核心痛点。
4、其一,各类生理信号硬件采样率差异较大,且神经调控心血管响应存在固有生理滞后,现有技术普遍采用固定线性插值方式统一时序,未区分硬件采集传输时延与人体生理响应时延,导致多模态特征时序错位,融合过程引入系统性误差,监测准确性大幅下降。
5、其二,现有方案多对各路信号独立预处理、单独提取特征后直接拼接融合,仅依靠通用网络或固定权重完成预测,未结合麻醉生理机制设计模态交互逻辑,且缺乏实时信号质量判别与动态调控机制。当单一模态受噪声干扰失真时,噪声会跨模态传导扩散,无法实现失效模态的动态抑制,整体抗干扰能力弱。
6、其三,现有多模态方案最终仅输出单一麻醉深度指数,该指数混合了意识抑制与机体应激两类独立生理信息,无法区分“麻醉偏浅、意识苏醒”与“镇痛不足、应激升高”两种差异化临床状态,难以分别指导镇静药与镇痛药的精准调控。
7、其四,现有融合模型完全依赖数据训练,未引入中枢神经与自主神经的生理耦合先验约束,缺乏生理机制支撑,在老年患者、脑功能异常、低温体外循环等特殊病例场景适配性差、监测稳定性不足。
8、综上,现有多模态麻醉深度监测技术仅为各类监测信号的简单叠加,无法同时解决时序匹配失真、噪声跨模态传染、意识与应激状态混淆、特殊人群监测失准的核心技术难题。基于此,亟需提出一种具备生理先验约束、模态动态调控、跨模态耦合融合、双状态解耦评估的多模态麻醉深度监测方案。
技术实现思路
1、有鉴于此,本发明提供了一种基于多模态数据分析的麻醉深度监测方法及系统,解决了背景技术存在的问题。
2、为了实现上述目的,本发明提供如下技术方案:
3、一种基于多模态数据分析的麻醉深度监测方法,包括以下步骤:
4、s1、实时采集患者术中多路异构生理时序信号并记录对应的采集时间戳,多路异构生理时序信号包括作为中枢神经模态信号的eeg信号以及共同构成自主神经模态信号的ecg信号、ppg信号和动脉血压信号;
5、s2、基于预构建的麻醉生理时延先验库区分硬件传输时延与生理响应时延,以eeg信号时间轴为基准对自主神经模态信号进行可变时延补偿校正,并采用动态时间规整算法完成波形匹配,得到时序对齐后的多路标准化信号;
6、s3、针对时序对齐后的多路标准化信号,从模态内波形一致性、伪影污染程度、跨模态变化趋势时序匹配度三个维度开展信号质量评估,计算得到各路信号对应的模态置信度;
7、s4、将时序对齐后的多路标准化信号输入双分支跨模态门控融合网络,依托与麻醉生理时延先验库同源的中枢神经与自主神经耦合约束进行跨模态特征交互,并依据模态置信度动态调节特征融合权重,输出耦合特征;
8、s5、基于耦合特征执行两组独立预测任务,并行解耦输出意识抑制指数和术中应激指数;其中,意识抑制指数表征患者大脑麻醉意识深度,术中应激指数表征患者机体伤害性应激水平。
9、可选的,s1中,针对中枢神经模态信号与自主神经模态信号采用生理适配的差异化采集参数进行信号采集,并基于统一硬件时钟对各路信号进行时间戳同步校准;其中,对eeg信号采用高频采样及脑电专用带通滤波采集,对ecg信号、ppg信号、动脉血压信号采用适配自主神经慢变生理特性的低频采样及对应体征滤波采集。
10、可选的,s2中,麻醉生理时延先验库为双层维度结构化先验知识库,用于区分存储设备固有硬件传输时延参数与人体麻醉状态下的神经-心血管生理响应时延参数;其中,生理响应时延参数按照麻醉诱导期、插管刺激期、麻醉维持期、麻醉苏醒期进行阶段分区存储,并匹配不同年龄、术中体温及脑功能状态形成分层时延区间参数。
11、可选的,s2中,得到时序对齐后的多路标准化信号,具体包括以下步骤:
12、预先通过离线设备标定得到不随患者生理状态及麻醉阶段变化的硬件传输时延,结合临床样本统计得到随患者年龄、术中体温、脑功能状态及麻醉阶段动态变化的神经-心血管生理响应时延;
13、基于麻醉生理时延先验库调取匹配患者属性与麻醉阶段对应的时延区间,在时延区间内自适应寻优得到最优补偿值,利用最优补偿值对自主神经模态信号执行粗时延补偿;
14、以eeg信号波形为参照,采用局部搜索窗口约束的动态时间规整算法对执行粗时延补偿后的自主神经模态信号做精细波形匹配;
15、匹配完成后对各路信号进行幅值归一化与尺度标准化处理,得到时序对齐后的多路标准化信号。
16、可选的,s3中,模态置信度的获取方式具体为:
17、在预设滑动窗口内计算各路标准化信号的自相关系数并映射至0~1区间,得到模态内波形一致性得分;
18、统计预设滑动窗口内信号幅值突变点、频谱异常点的伪影占比并将伪影占比反向映射至0~1区间,得到伪影洁净得分;
19、以时序对齐后的eeg信号为基准,在同步滑动窗口内计算各路标准化信号与eeg信号的互相关系数并映射至0~1区间,得到跨模态变化趋势时序匹配得分;
20、综合模态置信度的计算公式为:
21、
22、式中:为各路信号对应的模态置信度;、、为动态权重系数,根据当前麻醉阶段从麻醉生理时延先验库中调取,;为伪影超标衰减系数,当信号伪影污染程度超过预设阈值时,取小于1的固定衰减值,伪影污染程度未超过预设阈值时,;、、的取值范围均为0至1。
23、可选的,s4中,双分支跨模态门控融合网络包括脑电特征提取分支、自主神经特征提取分支及跨模态交互门控单元;脑电特征提取分支用于从时序对齐后的eeg信号中提取中枢抑制特征,自主神经特征提取分支用于从时序对齐后的ecg信号、ppg信号、动脉血压信号中提取自主神经应激特征,跨模态交互门控单元依托中枢神经与自主神经耦合先验实现两类特征交互融合并接收模态置信度动态调控特征融合权重;
24、双分支跨模态门控融合网络通过如下预训练流程得到:采集原始生理信号并配套意识标注真值、术中应激标注真值、麻醉阶段以及患者生理属性标签,形成原本样本库;采用与推理阶段一致的时序对齐、模态置信评估流程对原始生理信号进行预处理,得到标注数据集;基于意识预测损失项、应激预测损失项、特征解耦正则损失项以及模态置信门控约束损失项,构建总损失函数;基于标注数据集与总损失函数对网络参数迭代优化,直至模型收敛,得到可投入监测使用的双分支跨模态门控融合网络。
25、可选的,s4中,耦合特征的获取过程具体为:
26、从麻醉生理时延先验库调取当前麻醉阶段对应的中枢神经与自主神经耦合约束所对应的耦合参数,构建耦合先验矩阵;
27、汇总时序对齐后的多路标准化信号对应的模态置信度,分别归一化得到脑电特征提取分支基础权重与自主神经特征提取分支基础权重;
28、将脑电特征提取分支输出的中枢抑制特征、自主神经特征提取分支输出的自主神经应激特征输入跨模态交互门控单元,利用耦合先验矩阵完成两类特征的交叉交互运算,并结合两支路基础权重自适应调整特征融合比重,输出耦合特征。
29、可选的,s5中,意识抑制指数和术中应激指数的获取方式具体为:
30、设置并行独立的意识预测头与应激预测头,将耦合特征同时输入意识预测头、应激预测头,分别输出意识基础值、应激基础值;
31、调取麻醉生理时延先验库内存储的意识与应激生理关联边界参数,判定意识基础值、应激基础值的组合是否符合麻醉生理合理区间;
32、若超出合理区间,则采用对应的修正系数、对意识基础值、应激基础值进行校正,若处于合理区间则、;
33、对校正后的数值执行时序滑动窗口平滑处理,得到意识抑制指数和术中应激指数。
34、一种基于多模态数据分析的麻醉深度监测系统,执行如以上任一项所述的一种基于多模态数据分析的麻醉深度监测方法,包括:
35、生理信号采集模块,用于实时采集患者术中多路异构生理时序信号并记录对应的采集时间戳,多路异构生理时序信号包括作为中枢神经模态信号的eeg信号以及共同构成自主神经模态信号的ecg信号、ppg信号和动脉血压信号;
36、时序对齐校正模块,用于基于预构建的麻醉生理时延先验库区分硬件传输时延与生理响应时延,以eeg信号时间轴为基准对自主神经模态信号进行可变时延补偿校正,并采用动态时间规整算法完成波形匹配,得到时序对齐后的多路标准化信号;
37、模态置信评估模块,用于针对时序对齐后的多路标准化信号,从模态内波形一致性、伪影污染程度、跨模态变化趋势时序匹配度三个维度开展信号质量评估,计算得到各路信号对应的模态置信度;
38、跨模态特征融合模块,用于将时序对齐后的多路标准化信号输入双分支跨模态门控融合网络,依托与麻醉生理时延先验库同源的中枢神经与自主神经耦合约束进行跨模态特征交互,并依据模态置信度动态调节特征融合权重,输出耦合特征;
39、监测指数解耦输出模块,用于基于耦合特征执行两组独立预测任务,并行解耦输出意识抑制指数和术中应激指数。
40、经由上述的技术方案可知,与现有技术相比,本发明公开提供了一种基于多模态数据分析的麻醉深度监测方法及系统,具有以下有益效果:
41、(1)本发明针对eeg、ecg、ppg、动脉血压多路异构生理信号,结合麻醉生理时延先验库完成区分硬件与生理响应时延的可变补偿及时序对齐,克服了多模态信号之间生理响应不同步、硬件传输时差带来的融合失真问题,提升了输入数据的时序一致性。
42、(2)本发明通过多维度量化评估得到各路信号的模态置信度,能够量化表征各生理信号的可信程度,对伪影、信号劣化形成自适应抑制,降低电极移位、术中干扰对监测结果的负面影响。
43、(3)本发明采用双分支跨模态门控融合网络,依托中枢-自主神经耦合约束结合模态置信度动态调节融合权重,充分挖掘不同模态的有效特征,规避简单拼接融合带来的信息冗余与噪声放大缺陷。
44、(4)本发明并行解耦输出意识抑制指数与术中应激指数,可以将麻醉状态拆分为大脑意识抑制水平、机体伤害性刺激应激两个独立维度,解决传统脑电监测无法区分指数波动源于意识苏醒还是疼痛应激的痛点,为麻醉医师区分镇静、镇痛状态,指导个体化药物输注提供更可靠依据,降低术中知晓、镇痛不足或过度麻醉的临床风险。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com