基于事件锚定时频特征与轻量化CNN的麻醉脑电信号处理方法
本发明涉及医疗电子,尤其涉及基于事件锚定时频特征与轻量化cnn的麻醉脑电信号处理方法。
背景技术:
1、吸入麻醉药七氟烷因血气分配系数低、诱导平稳、对气道刺激小等特性,已成为儿科与门诊全身麻醉的首选吸入药物,但其快进快出特性使麻醉苏醒期的脑电状态变化迅速且个体差异显著。现行临床所用的脑电监测设备及方法主要存在以下不足:
2、1、常用商业麻醉脑电监护仪输出的状态指数依赖于厂商封闭算法,且主要面向麻醉维持期的稳态深度估计,对苏醒期高度非平稳的频域过渡缺乏足够的时间分辨率和频域分辨率,无法可靠刻画频段(0.5-4hz)至频段(8–13hz)的转换轨迹与窄带频段(30–40hz)的瞬时活动;
3、2、现有研究普遍仅在bis、相对功率、相对功率等单一频域指标上展开评估,且各团队所采用的分段方式差异较大,主要包括按时间百分比划分(如取停药到拔管时段的前20%、中50%、后20%)与按状态自报划分(医生主观标注)两类;其中按时间百分比划分的方法存在根本性的”状态混杂”缺陷,主要表现为麻醉苏醒期个体差异大、百分比窗口存在状态混杂等;
4、3、已有少数将一维卷积神经网络应用于麻醉深度识别的研究,其输入为人工特征构成的一维向量,未能利用时频图所承载的时间-频率二维结构信息,且缺乏对苏醒期事件锚定时窗的标准化划分;该一维方法在面向苏醒期非平稳过渡时分类能力有限,且不能输出基于时频图像的可解释关注区域;
5、4、已有的相位-振幅耦合分析、排列熵分析、苏醒轨迹分析等高阶电生理指标多以独立形式出现于科研文献,尚无在统一的事件锚定时窗框架下融合上述指标并与时频图卷积神经网络进行端到端推理的工业化方法。
技术实现思路
1、本发明所解决的技术问题在于提供一种基于事件锚定时频特征与轻量化cnn的麻醉脑电信号处理方法,以解决现有麻醉脑电监测中事件锚定不标准、特征维度单一、对苏醒期时频结构利用不充分以及深度学习模型无法与高阶电生理指标融合的技术问题。
2、本发明提供的基础方案:基于事件锚定时频特征与轻量化cnn的麻醉脑电信号处理方法,包括:
3、s1:从前额叶脑电采集装置实时获取前额区域脑电通道的连续脑电信号;
4、s2:接收麻醉信息系统输出的事件流并提取麻醉关键事件时间戳,以所述麻醉关键事件时间戳为锚点,对步骤s1获取的连续脑电信号进行窗口划分,识别出预设事件锚定时间窗对应的脑电信号片段;
5、s3:对步骤s2得到的每一事件锚定时间窗对应的脑电信号片段,并行执行多锥度时频变换和多维度脑电生理指标计算这两类特征提取处理,分别输出二维时频特征矩阵与多维度量化特征向量;
6、s4:对步骤s3输出的二维时频特征矩阵输入预设的嵌入cbam注意力模块的轻量化二维卷积神经网络主干,经前向推理输出深度学习预测分量;
7、对步骤s3输出的多维度量化特征向量输入预训练完成的梯度提升树模型,经推理输出手工特征预测分量;
8、s5:将输出的深度学习预测分量和手工特征预测分量按照预设加权融合策略进行融合计算,输出麻醉脑电状态量化指数,并传输至显示终端进行显示。
9、进一步,所述s1包括:
10、s1-1:通过前额叶脑电采集装置,设置信号采样率不低于250hz,同步采集至少包括fp1、fp2、f7、f8四个通道的原始脑电模拟信号;
11、s1-2:对采集得到的原始脑电模拟信号执行模数转换处理,生成对应通道的原始数字脑电信号;
12、s1-3:对原始数字脑电信号依次执行基线漂移校正、50hz工频陷波处理,去除信号中的基线干扰与工频噪声,输出预处理后的连续脑电信号。
13、进一步,所述s2包括:
14、s2-1:通过标准化数据接口对接麻醉信息系统,实时接收包含麻醉操作标识的事件流数据;
15、s2-2:从接收的事件流数据中匹配预设的麻醉关键事件标签,提取各麻醉关键事件对应的发生时间戳;所述麻醉关键事件至少包括呼气末吸入麻醉药浓度稳态事件、吸入麻醉药停药事件以及人工气道移除事件;
16、s2-3:以各麻醉关键事件时间戳为基准锚点,按照预设的固定窗口时长向基准锚点前后截取信号区间,生成多组预设的事件锚定时间窗;
17、s2-4:根据各组事件锚定时间窗的时间区间,从步骤s1输出的连续脑电信号中截取对应时段的信号段,输出每一事件锚定时间窗对应的脑电信号片段。
18、进一步,所述预设的事件锚定时间窗包括停药前窗、拔管前窗、拔管后早期窗。
19、进一步,所述s3包括:
20、s3-1:以步骤s2得到的每一事件锚定时间窗对应的脑电信号片段为输入,通过slepian正交锥度序列结合短时傅里叶变换完成多锥度功率谱密度估计,生成高信噪比的二维时频表征,最终输出保留窄带频段的多通道二维时频特征矩阵;其中,s3-1包括:
21、s3-1-1:配置多锥度功率谱估计的时间-半带宽积nw的取值范围为2-4;配置slepian锥度序列的数量k,k为3-7的正整数,且满足正交性约束条件;
22、基于上述参数生成k个两两正交的slepian离散长球面序列,作为多锥度时频变换的加权窗函数,记第k个slepian锥度序列为,其中k=1,2,…,k;n为采样点索引;
23、s3-1-2:将每一个slepian锥度序列分别与输入的单通道脑电信号片段逐点相乘,得到k路锥度加权信号;并对每一路锥度加权信号分别执行短时傅里叶变换,对应得到k组单锥度复时频谱;第k路锥度加权信号的短时傅里叶变换计算表达式为:
24、
25、其中,为输入的单通道脑电信号片段的第n个采样点,为短时傅里叶变换的窗长,为时间步长,为脑电信号的采样率,为时间帧索引,为频率点索引,为第k路信号在时间帧t、频率点f处的复时频值;
26、s3-1-3:对k组单锥度复时频谱分别取模值平方得到单锥度功率谱,再对所有锥度的功率谱结果执行算术平均,得到单通道的多锥度平滑功率时频谱,完成多锥度功率谱密度估计,表达式为:
27、
28、其中,为单通道平滑功率时频谱在处的功率谱密度值;
29、s3-1-4:对单通道平滑功率时频谱执行频段截取,保留频率轴hz 的有效频段区间,完整保留hz的窄带频段,同时使时间轴完整覆盖整个事件锚定时间窗,形成单通道二维时频网格;
30、将fp1、fp2、f7、f8四个通道的二维时频网格按通道维度拼接,生成维度为的二维时频特征矩阵并输出,c为通道数,t为时间帧总数,f为hz区间内的频率点总数。
31、进一步,所述s3还包括:
32、s3-2:以步骤s2得到的每一事件锚定时间窗对应的脑电信号片段为输入,依次计算频段功率、频谱形态、相位-振幅耦合、归一化排列熵、苏醒轨迹平滑度共五类电生理特征,最终拼接生成多维度量化特征向量;其中,s3-2包括:
33、s3-2-1:基于welch法对所述脑电信号片段进行功率谱估计,得到单边功率谱密度,并分别计算频段、频段、频段、频段以及窄带频段的绝对功率与相对功率;
34、s3-2-2:以预设滑动窗长与滑动步长,在事件锚定事件窗内逐窗计算频段和频段的绝对功率,对应每个滑动时间点生成功率比值,得到alpha/delta比动态轨迹序列,表达式为:
35、
36、其中,t为滑动窗的时序索引,为第t个滑动窗内频段的绝对功率,为第t个滑动窗内频段的绝对功率;
37、s3-2-3:基于功率谱密度,计算累计功率达到全频段总功率95%的频谱边缘频率,95%频谱边缘频率满足以下计算关系:
38、
39、其中,为95%频谱边缘频率,为全频段的总绝对功率;
40、s3-2-4:采用时间打乱替代分布结合z变换的方式,计算频段相位与频段振幅的标准化调制指数,具体的:
41、对脑电信号片段分别执行频段带通滤波、频段带通滤波,得到频段信号与频段信号;并通过希尔伯特变换分别提取频段信号的瞬时相位、频段信号的瞬时振幅;
42、将相位区间均匀划分为n个子区间,统计每个相位子区间内振幅的平均值,计算振幅分布概率,得到原始调制指数,表达式为:
43、
44、其中,为第j个相位子区间的振幅分布概率;n为相位子区间总数;
45、对原始脑电信号执行大于200次的随机时间打乱,每次打乱后重复上述步骤,计算得到一个替代调制指数,最终构建出替代分布,计算替代分布的均值和标准差;
46、对原始调制指数执行z变换标准化,得到最终的标准化调制指数,表征相位-振幅耦合,表达式为:
47、
48、s3-2-5:设置嵌入维数为m,时间延迟为,对长度为的脑电信号片段重构相空间,得到个m维重构向量;对每个重构向量内的元素按幅值升序排列,得到m种排列模型,统计每种排列模式出现的概率,k=1,2,…,m;计算出归一化排列熵,表达式为:
49、
50、其中,为归一化排列熵,取值范围;
51、s3-2-6:基于步骤s3-2-2生成的比动态轨迹序列应用滤波,得到平滑序列;再对平滑序列求解一阶时间倒数,得到变化速率序列,计算变化速率序列的均方根值,表达式为:
52、
53、其中,n为序列的总采样点数,为变化速率序列;
54、计算统一事件锚定时间窗内全频段总绝对功率时序序列的均值,以该均值对均方根值进行标准化处理,得到苏醒轨迹平滑度指标s,表达式为:
55、
56、s3-2-7:将计算得到的多频段功率特征、alpha/delta比动态轨迹序列、95%频谱边缘频率、标准化调制指数、排列熵、苏醒轨迹平滑度指标s按预设维度顺序拼接,生成多维度量化特征向量。
57、进一步,所述s4包括:
58、s4-1:对步骤s3输出的二维时频特征矩阵输入预设的嵌入cbam注意力模块的轻量化二维卷积神经网络主干,经前向推理输出深度学习预测分量;其中,所述轻量化二维卷积神经网络包括eegnet、mobilenetv3-small中的一种,所述s4-1包括:
59、s4-1-1:对步骤s3输出的二维时频特征矩阵执行逐通道的零均值单位方差归一化处理,并按照网络输入要求调整张量维度,生成适配主干网络输入规格的输入特征张量,归一化计算式为:
60、
61、其中,为输入的二维时频特征矩阵中第c通道、第t时间帧、第f频率点的原始值;、分别为第c通道特征在模型训练集上的均值与标准差;为归一化后的输入特征张量值;
62、s4-1-2:将输入特征张量输入轻量化二维卷积神经网络的主干网络,经多层卷积运算提取多尺度深层特征图;
63、s4-1-3:在主干网络的至少一个特征层之后嵌入cbam注意力模块,对提取得到的深层特征图依次执行通道注意力加权与空间注意力加权,通道注意力加权表达式为:
64、
65、其中,为输入特征图,为通道注意力权重图,为sigmoid激活函数,为全局平均池化,为全局最大池化,为共享全连接层运算;
66、将通道注意力权重图与输入特征图逐元素相乘,得到通道加权特征图;
67、空间注意力加权表达式为:
68、
69、其中,为空间注意力权重图,为沿通道维度的平均池化,为沿通道维度的最大池化,为卷积运算;
70、将空间注意力权重图与通道加权特征图逐元素相乘,得到最终的注意力加权深层特征图;
71、s4-1-4:对注意力加权深层特征图执行全局平均池化操作,将二维特征图降维为一维特征向量,将一维特征向量输入全连接层,经sigmoid激活函数映射后,输出取值范围为的深度学习预测分量,表达式为:
72、
73、其中,为全局平均池化运算,w为全连接层权重向量,b为全连接层偏置项。
74、进一步,所述s4还包括:
75、s4-2:对步骤s3输出的多维度量化特征向量输入预训练完成的梯度提升树模型,经推理输出手工特征预测分量;其中,s4-2包括:
76、s4-2-1:采用模型训练阶段保存的标准化参数,对多维度量化特征向量执行逐特征的零均值单位方差标准化,得到标准化特征向量,表达式为:
77、
78、其中,为原始特征向量中第d维特征的取值;、分别为第d维特征在训练集上的均值与标准差;为标准化后的第d维特征值;
79、s4-2-2:将标准化特征向量输入预训练完成的梯度提升树模型,输入的标准化特征向量包括经前述处理得到的频域功率特征、频谱边缘频率、相位-振幅耦合指标、排列熵指标以及苏醒轨迹平滑度指标;
80、通过多颗决策树的串行累加运算得到预测原始值,梯度提升树的加法模型表达式为:
81、
82、其中,t为梯度提升树的决策树总数量,为学习率,为第t棵决策树的预测函数,输出对应叶子节点的权重值,为标准化特征向量,为模型输出的原始预测对数几率值;
83、s4-2-3:对原始预测对数几率值执行sigmoid映射,将数值归一化至区间,得到手工特征预测分量,表达式为:
84、
85、其中,为手工特征预测分量,表征基于手工量化特征的脑电状态预测概率。
86、进一步,所述s5包括:
87、s5-1:按照预设线性加权融合策略,对两路独立预测分量执行加权求和,生成麻醉脑电状态量化指数,表达式为:
88、
89、其中,为s4步骤输出的深度学习预测分量,为s4步骤输出的手工特征预测分量;为预设的深度学习分量融合权重,为麻醉脑电状态量化指数;
90、s5-2:以深度学习预测分量为目标输出,基于梯度类激活映射方法在二维时频特征矩阵上生成关注区域热图,作为脑电状态量化指数的可解释性附属输出;
91、s5-3:将麻醉脑电状态量化指数与对应的关注区域热图、事件锚定时间窗表示信息进行标准化数据打包,通过通信接口传输至临床显示终端进行可视化展示。
92、本发明的技术原理在于:本发明立足于麻醉苏醒期脑电信号的非平稳特性与临床监测的标准化需求,以临床麻醉关键事件为时间基准构建统一分析窗口,通过“多锥度时频深度特征+多维度生理量化特征”的双路径特征提取体系,结合轻量化卷积神经网络与梯度提升树的双流融合推理框架,实现高精度、高可解释性的麻醉脑电状态量化,其核心技术原理如下:
93、1、以麻醉信息系统输出的停药、拔管等客观临床关键事件为时间锚点,采用固定时长的时间窗截取脑电信号,替代传统基于苏醒时长百分比的窗口划分方式。
94、2、本发明并行构建时频深度特征提取路径与手工量化特征提取路径,形成“数据驱动深层特征+生理先验结构化特征”的互补特征体系:
95、多锥度时频变换路径:采用多个相互正交的 slepian 离散长球面序列作为窗函数,对脑电信号分别加权后执行短时傅里叶变换,再对多组单窗功率谱取算术平均得到平滑时频谱;
96、多维度量化特征路径:从频域功率、频谱形态、相位-振幅耦合、排列熵、苏醒轨迹平滑度指标五个维度提取具有明确生理意义的量化特征;
97、3、针对两类特征的不同特性,分别适配对应模型进行推理,再通过加权融合得到最终结果,兼顾模型的特征挖掘能力与鲁棒性:
98、深度学习推理分支:采用轻量化二维卷积神经网络作为主干,自动挖掘二维时频图中的深层隐含模式;网络中嵌入cbam注意力模块,通过通道注意力与空间注意力的级联运算,自适应强化对预测结果贡献更高的时频区域特征,进一步提升模型的预测精度;轻量化主干设计保证算法可在临床监护终端实现实时运行;
99、传统机器学习推理分支:采用梯度提升树模型对多维度结构化手工特征进行推理,利用树模型对结构化特征的强拟合能力、抗噪性与可解释性,输出基于生理先验特征的预测分量,与深度特征形成互补;
100、线性加权融合策略:通过预设权重对两路预测分量进行加权求和,融合深度特征的隐含模式挖掘优势与手工特征的生理先验优势,提升最终麻醉脑电状态量化指数的整体精度与鲁棒性。
101、4、以深度学习分支的最终预测分量为目标,通过grad-cam梯度类激活映射方法实现模型决策的可视化。
102、本发明的有益效果在于:本发明针对现有麻醉脑电监测与分析技术存在的四类核心技术问题,通过事件锚定标准化窗口、双路径特征提取、双流模型融合与可解释性输出的整体设计,取得以下对应有益技术效果:
103、1、解决现有商业监护仪对苏醒期非平稳信号适配性差、时频分辨率不足的问题:
104、现有商用麻醉脑电监护仪的封闭算法主要针对麻醉维持期稳态场景优化,对苏醒期高度非平稳的频域过渡过程时间与频率分辨率不足,无法可靠刻画频段转换轨迹与窄带瞬时活动,对此,本发明采用多锥度时频变换方案,通过多正交锥度的谱估计平均降低方差,在保留时间分辨率的同时提升频域估计稳定性,可精准刻画频段至频段的转换轨迹与30-40hz窄带频段的瞬时活动,弥补了传统监护仪对苏醒期非平稳信号刻画能力不足的缺陷,为麻醉苏醒期的精细化脑电状态监测提供了可靠的量化基础。
105、2、解决传统百分比窗口划分的状态混杂缺陷、群组分析效应量低估的问题:
106、现有按时间百分比划分窗口的方法,因患者苏醒时长受年龄、肝肾功能、用药方案等因素影响存在巨大个体差异,会导致同百分位窗口对应完全不同的麻醉药残留水平与意识状态,人为放大组内方差、稀释组间真实差异,造成研究结论系统性低估效应量,对此,本发明采用临床关键事件锚定的固定窗口划分方式,使不同患者的分析窗口在生理状态层面严格对齐,从根源消除状态混杂偏差;
107、3、解决现有深度学习方案特征利用不充分、预测精度低且缺乏可解释性的问题:
108、现有基于一维特征向量的卷积神经网络方案无法利用脑电时频图的二维结构信息,面向苏醒期非平稳信号预测精度有限,且普遍存在黑箱缺陷、无可解释性输出,无法满足临床应用的核验需求,对此,本发明以二维时频特征矩阵作为网络输入,充分利用时间-频率二维结构信息,结合cbam注意力模块自适应聚焦关键特征,相比一维cnn方案显著提升预测精度;同时采用轻量化网络主干,兼顾性能与端侧实时部署能力;配套grad-cam关注区域热图输出,直观展示模型决策的核心依据,破解深度学习黑箱风险,适配临床场景的辅助决策需求;
109、4、解决高阶电生理指标分散应用、缺乏统一融合工业化方案的问题:
110、现有相位耦合、排列熵、苏醒轨迹特征等高阶电生理指标多以独立形式分散应用于科研场景,缺乏统一的标准化分析框架与落地化的融合方案,无法形成可直接应用于临床的工业化处理方法,对此,本发明在统一的事件锚定时间窗框架下,系统整合多频段功率、频谱边缘频率、标准化调制指数、排列熵、苏醒轨迹平滑度五类高阶指标,并通过梯度提升树模型与时频深度学习模型实现端到端的融合推理,将分散的科研级指标整合为可直接落地的工业化信号处理方案,充分挖掘了多维度脑电特征的互补临床价值,同时提升了整体方案的鲁棒性与临床适配性。
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