一种基于脑网络连接的麻醉苏醒期预测与干预系统的制作方法

摘要: 本发明属于医疗监测与信号处理,具体涉及麻醉苏醒期的脑电信号监测与处理,尤其涉及一种基于脑网络连接的麻醉苏醒期预测与干预系统。背景技术:1、全身麻醉后的苏醒期是围...
一种基于脑网络连接的麻醉苏醒期预测与干预系统的制作方法

本发明属于医疗监测与信号处理,具体涉及麻醉苏醒期的脑电信号监测与处理,尤其涉及一种基于脑网络连接的麻醉苏醒期预测与干预系统。

背景技术:

1、全身麻醉后的苏醒期是围术期管理中的关键阶段。在这一阶段,患者的大脑需要从麻醉药物诱导的意识丧失状态逐步恢复至正常的清醒状态。准确预测患者的苏醒启动时刻并据此实施精准的临床干预,对于麻醉医生制定拔管时机、调整药物输注策略以及预防苏醒期并发症(如苏醒延迟、苏醒期躁动、术后谵妄等)具有重要的临床意义。

2、目前,临床上最广泛使用的麻醉深度监测手段是脑电双频指数(bispectralindex,bis)。bis通过对脑电信号进行频谱分析,将多通道脑电信息压缩为一个0至100的数值,用以反映大脑皮质的抑制水平。此外,临床还可采用熵指数(entropy)、narcotrend指数(nti)、脑状态指数(csi)等基于脑电信号的单一量化指标进行麻醉深度评估。

3、然而,上述现有技术存在以下显著不足:

4、第一,现有指标具有预测滞后性。bis等指标本质上是对当前时刻脑电状态的度量,而非对未来趋势的预测。当bis数值开始上升时,患者往往已经进入了苏醒的后期阶段。虽然已有研究尝试利用长短期记忆网络(lstm)等深度学习模型对bis的未来值进行预测,但其预测对象仍然是bis这一单一数值本身,即预测bis数值未来会变成多少,而非直接预测苏醒事件何时会发生。这种数值预测模式无法直接回答临床医生最关心的问题:患者什么时候会醒。由于缺乏可靠的预测手段,临床干预往往在苏醒实际发生后才被动实施,错失了最佳干预时机。

5、第二,单一数值指标丢失了脑网络的多维拓扑信息。bis等指标的本质是将复杂的多导联脑电信号压缩为一个数值,这一压缩过程不可避免地丢失了大脑功能网络的多维拓扑结构信息。然而,越来越多的神经科学研究表明,麻醉诱导的意识丧失表现为全脑功能网络的碎片化——不同脑区之间的长程连接减弱,网络被分割成相对独立的模块。苏醒过程则是脑网络从碎片化状态向整合化状态的重构。意识的存在恰恰依赖于功能性大脑网络中整合与分离的动态平衡。用单一数值来刻画这一高维拓扑空间的动态演化过程,在本质上是不充分的。

6、第三,现有基于脑网络的研究停留在状态分类层面,未形成预测与干预的闭环。近年来,已有研究利用功能连接和功能网络分析方法研究麻醉诱导的意识丧失,也有研究利用脑网络参数进行麻醉状态与清醒状态的分类,还有专利提出基于网络连接分析区分易麻醉人群和不易麻醉人群。然而,这些研究均停留在状态分类层面——即判断当前处于什么状态——尚未解决苏醒启动时刻的提前预测问题,更未将预测结果与临床干预决策相关联。现有技术中缺乏一种能够基于脑网络动态演化特征提前预测苏醒启动时刻、并利用预测结果引导临床干预决策的系统。

7、综上所述,现有技术中缺乏一种能够利用脑网络拓扑结构的动态变化特征、在脑网络重构的早期阶段提前识别苏醒启动信号并据此引导临床干预的系统。

技术实现思路

1、本发明要解决的技术问题是:如何利用脑网络拓扑结构的动态变化轨迹,在脑网络从碎片化向整合化重构的早期阶段,提前识别出苏醒即将启动的信号并输出预测结果,以引导麻醉苏醒期的临床干预决策,从而为临床干预赢得时间窗口。

2、具体而言,现有技术无法提前预知苏醒将在何时启动,临床医生只能在苏醒实际发生后被动应对,导致干预时机不当。

3、为实现上述目的,本发明提供了一种基于脑网络连接的麻醉苏醒期预测与干预系统,包括:

4、脑电信号采集模块,用于实时采集患者在麻醉苏醒期的多导联脑电信号;

5、脑网络动态构建模块,其输入端连接所述脑电信号采集模块的输出端,用于采用滑动时间窗口对所述脑电信号进行分段处理,在每个时间窗口内计算各脑区之间的功能连接强度,构建随时间演变的动态脑网络序列;

6、轨迹分析模块,其输入端连接所述脑网络动态构建模块的输出端,用于提取每个时间窗口内所述动态脑网络序列中对应网络的全局效率和模块化系数,将所述全局效率和模块化系数按时间顺序排列,分别形成全局效率变化轨迹和模块化系数变化轨迹;

7、转折点检测模块,其输入端连接所述轨迹分析模块的输出端,用于对所述全局效率变化轨迹进行变点检测,当检测到全局效率的变化率在连续个时间窗口内持续为正且递增时,判定预苏醒转折点出现,;

8、轨迹匹配确认模块,其输入端连接所述转折点检测模块的输出端,用于在接收到所述预苏醒转折点的判定结果后,提取所述预苏醒转折点之后30秒至120秒内的全局效率变化轨迹片段和模块化系数变化轨迹片段作为待匹配轨迹,将所述待匹配轨迹与预先构建的苏醒前典型轨迹库中的典型轨迹模板进行动态时间规整比对,计算相似度分数,所述相似度分数基于所述待匹配轨迹与典型轨迹模板之间的多维欧氏距离计算得到;

9、预测输出模块,其输入端连接所述轨迹匹配确认模块的输出端,用于当所述相似度分数超过预设阈值时,输出苏醒启动的预测结果及预测置信度,所述预测结果包含预计苏醒将在平均时间间隔后启动的信息;所述预测结果用于引导麻醉苏醒期的临床干预决策。

10、进一步地,所述转折点检测模块还用于:计算所述模块化系数变化轨迹在与所述连续个时间窗口相对应的时段内的变化率;当所述模块化系数在所述时段内的变化率在所述连续个时间窗口内为负时,确认所述预苏醒转折点为有效转折点,触发所述轨迹匹配确认模块;否则,判定所述预苏醒转折点为无效信号,不触发所述轨迹匹配确认模块。

11、进一步地,所述苏醒前典型轨迹库中存储有若干类典型轨迹模板,每一类典型轨迹模板包含全局效率模板曲线和模块化系数模板曲线,并关联有从预苏醒转折点到苏醒启动时刻的平均时间间隔,所述苏醒启动时刻为患者对指令做出反应或自主睁眼的时刻。

12、进一步地,所述脑电信号采集模块采用的导联数量为8至32导联,采样率为250hz至1000hz,各导联的电极-头皮阻抗保持在5kω以下。

13、进一步地,所述脑网络动态构建模块从每个时间窗口的脑电信号中提取频段信号,计算各导联对之间的加权相位延迟指数作为功能连接强度,构建功能连接矩阵,并以15%至25%的稀疏度阈值对所述功能连接矩阵进行二值化处理,得到二值化网络。

14、进一步地,所述滑动时间窗口的窗口长度为20秒至60秒,步长为2秒至10秒;所述连续个时间窗口中的取值为3。

15、进一步地,所述动态时间规整比对中,以待匹配轨迹与典型轨迹模板之间的多维欧氏距离作为距离度量,所述多维欧氏距离同时包含全局效率维度和模块化系数维度;所述相似度分数按照以下公式计算:

16、

17、其中,为相似度分数,为所述多维欧氏距离,为归一化因子,所述归一化因子为全局效率的最大可能变化范围。

18、进一步地,所述轨迹匹配确认模块中,所述预设阈值为0.60至0.85。

19、进一步地,所述预测输出模块输出的所述预测结果,用于在所述相似度分数超过预设阈值时通过人机交互界面向临床医护人员发出苏醒预警信号,所述苏醒预警信号至少包含预计苏醒将在所述平均时间间隔后启动的信息及所述预测置信度。

20、进一步地,所述预测输出模块还用于:当所述相似度分数未超过预设阈值时,不输出预测结果,并在麻醉药物停用后30分钟内持续未输出预测结果的情况下,在所述人机交互界面上显示未匹配到典型苏醒模式的提示信息。

21、本发明与现有技术相比,具有以下有益效果:

22、第一,实现了苏醒启动时刻的提前预测与干预引导。本发明通过追踪脑网络拓扑参数(全局效率和模块化系数)的变化轨迹,识别脑网络从平台期向快速重构期转变的早期转折点,能够在传统bis等指标尚未发生明显变化时提前发出苏醒预警信号。可比传统方法提前2至5分钟预测苏醒启动时刻,为临床干预预留了充足的时间窗口,预测结果可直接用于引导拔管时机选择、药物输注速率调整等临床干预决策。

23、第二,预测依据具有充分的神经科学理论基础。全局效率和模块化系数分别对应脑网络的整合性和分离性,而意识的存在恰恰依赖于两者之间的动态平衡。麻醉状态下脑网络呈现碎片化(全局效率降低、模块化系数升高),苏醒过程中脑网络逐步整合(全局效率升高、模块化系数降低)。选择这两个参数具有明确的神经科学依据,而非经验性的黑箱选择。

24、第三,双重验证机制确保了预测可靠性。本发明采用转折点检测加轨迹匹配确认的双重验证机制,先通过变点检测识别候选转折点,再通过与典型轨迹库的dtw匹配进行二次确认,有效降低了因信号噪声导致的误报率,确保了预测结果用于引导临床干预时的可靠性。

25、第四,具有良好的个体适应性。dtw轨迹匹配对时间轴伸缩具有鲁棒性,能够适应不同个体苏醒速度的差异,无论苏醒过程快慢,其轨迹形态都能被有效识别。

26、第五,系统集成度高,临床可操作性强。本发明可集成于现有的麻醉工作站或多参数监护仪中,作为其软件模块或独立功能单元实现。系统所需的脑电采集设备为临床常规配置,无需额外硬件投入,预测结果通过人机交互界面直观呈现,具有良好的工业实用性和临床推广价值。