一种麻醉深度及睡眠深度的评估方法及装置

本发明涉及医疗技术领域，尤其是涉及一种麻醉深度及睡眠深度的评估方法及装置。

背景技术：

多导睡眠图(psg)被认为是评估睡眠的金标准。该方法通过记录脑电(eeg)、心电(ecg)、眼电、肌电、口鼻呼吸气流、胸腹呼吸运动、血氧饱和度、打鼾、腿运动、体位等信号，但是该方法需要专业的技术人员进行整夜监控，并按照相关标准采用手动分析，导致对睡眠深度评估的效率较低。此外，麻醉深度的精确评估在手术室和重症监护病房中至关重要，维持适宜的麻醉深度是重要而复杂的，需要综合各项反应作出合理的评价，近些年来常用的麻醉深度估计方法主要有：仅通过使用脑电信号作为评估标准，或者仅通过使用心电信号作为评估标准，然而，仅使用脑电型号或者心电信号进行评估，无法全面评估病人的麻醉深度，导致对麻醉深度评估的效率较低。

技术实现要素：

本发明提供一种麻醉深度及睡眠深度的评估方法及装置，以解决现有的麻醉深度及睡眠深度的评估方法对麻醉深度以及睡眠深度的评估效率较低的技术问题。

本发明的第一实施例提供了一种麻醉深度及睡眠深度的评估方法，包括：

采集待评估人体的脑电信号和心电信号；

对所述脑电信号进行预处理得到所述脑电信号中若干个脑电波对应的频率范围，以及对所述心电信号进行预处理得到所述心电信号的若干个波形关键点；

根据所述频率范围以及所述波形关键点分别提取所述脑电信号的脑电信号波形特征以及所述心电信号的心电信号波形特征；

根据多变量传递熵算法计算所述脑电信号波形特征与所述心电信号波形特征之间的耦合特征值；

根据所述耦合特征值，评估得到待评估人体的麻醉深度和睡眠深度。

进一步的，所述采集待评估人体的脑电信号和心电信号，具体为：

通过导出所述待评估人体的脑电图和心电图采集对应的脑电信号和心电信号。

进一步的，所述对所述脑电信号进行预处理得到所述脑电信号中若干个脑电波对应的频率范围，具体为：

采用巴特沃斯滤波器对所述脑电信号进行去燥处理，分别得到所述脑电信号中脑电波δ、θ、α、σ和β的频率范围。

进一步的，所述心电信号进行预处理得到所述心电信号的若干个波形关键点，具体为：

采用巴特沃斯滤波器对所述心电信号进行去燥处理后，采用差分阈值算法计算得到所述心电信号的波形关键点，其中，所述波形关键点包括：r波峰值点、p波起始点、qrs波群起始点和t波结束点。

进一步的，所述根据所述频率范围以及所述波形关键点分别提取所述脑电信号的脑电信号波形特征以及所述心电信号的心电信号波形特征，具体为：

利用自回归模型估计每一所述脑电波对应的功率谱密度，通过对每一所述功率谱密度进行积分，计算得到每一所述脑电波对应的绝对频谱功率，将所述绝对频谱功率作为所述脑电信号的脑电信号波形特征；

采用差分阈值算法计算若干个所述波形关键点之间的间期，将所述间期作为所述心电信号的心电信号形态特征；其中所述间期包括相邻r峰间期rr、p波起始点到r波峰值点的间期pr和qrs波群起始点到t波结束点的间期qt。

进一步的，所述根据多变量传递熵算法计算所述脑电信号波形特征与所述心电信号波形特征之间的耦合特征值，具体为：

对所述脑电信号波形特征以及所述心电信号波形特征进行归一化处理，将所述脑电信号波形特征以及所述心电信号波形特征划分为预设时间段的信号特征，采用多变量传递熵算法根据所述信号特征计算得到所述脑电信号波形特征与所述心电信号波形特征之间的耦合特征值。

进一步的，所述根据所述耦合特征值，评估得到待评估人体的麻醉深度和睡眠深度，具体为：

根据所述耦合特征值分析所述待评估人体的自主神经系统调控的变化，得到所述待评估人体的麻醉深度评估结果和睡眠深度评估结果。

本发明的第二实施例提供了一种麻醉深度及睡眠深度评估装置，包括：

采集模块，用于采集待评估人体的脑电信号和心电信号；

预处理模块，用于对所述脑电信号进行预处理得到所述脑电信号中若干个脑电波对应的频率范围，以及对所述心电信号进行预处理得到所述心电信号的若干个波形关键点；

特征提取模块，用于根据所述频率范围以及所述波形关键点分别提取所述脑电信号的脑电信号波形特征以及所述心电信号的心电信号波形特征；

计算模块，用于根据多变量传递熵算法计算所述脑电信号波形特征与所述心电信号波形特征之间的耦合特征值；

评估模块，用于根据所述耦合特征值，评估得到待评估人体的麻醉深度和睡眠深度。

进一步的，所述特征提取模块，具体用于：

利用自回归模型估计每一所述脑电波对应的功率谱密度，通过对每一所述功率谱密度进行积分，计算得到每一所述脑电波对应的绝对频谱功率，将所述绝对频谱功率作为所述脑电信号的脑电信号波形特征；

采用差分阈值算法计算若干个所述波形关键点之间的间期，将所述间期作为所述心电信号的心电信号形态特征；其中所述间期包括相邻r峰间期rr、p波起始点到r波峰值点的间期pr和qrs波群起始点到t波结束点的间期qt。

进一步的，所述计算模块，具体用于：

对所述脑电信号波形特征以及所述心电信号波形特征进行归一化处理，将所述脑电信号波形特征以及所述心电信号波形特征划分为预设时间段的信号特征，采用多变量传递熵算法根据所述信号特征计算得到所述脑电信号波形特征与所述心电信号波形特征之间的耦合特征值。

本发明实施综合考虑了人体的脑电信号和心电信号对睡眠深度以及麻醉深度的影响，根据多变量传递熵算法计算脑电信号波形特征与心电信号波形特征之间的耦合特征值，并根据该耦合特征值的变化评估人体的麻醉深度和睡眠深度，能够有效提高评估的全面性以及准确性，且能够有效提高评估的效率。

附图说明

图1是本发明实施例提供的一种麻醉深度及睡眠深度的评估方法的流程示意图；

图2是本发明实施例提供的脑电波的功率谱密度示意图；

图3是本发明实施例提供的心电信号的波形关键点示意图；

图4是本发明实施例提供的脑电波的绝对频谱功率示意图；

图5是本发明实施例提供的心电信号的波形关键点之间的间期示意图；

图6是本发明实施例提供的一种麻醉深度及睡眠深度评估装置的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

在本申请的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，除非另有说明，“多个”的含义是两个或两个以上。

在本申请的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。

请参阅图1-5，在本发明的第一实施例，提供了如图1所示的一种麻醉深度及睡眠深度的评估方法，包括：

s1、采集待评估人体的脑电信号(eeg)和心电信号(ecg)；

s2、对脑电信号进行预处理得到脑电信号中若干个脑电波对应的频率范围，以及对心电信号进行预处理得到心电信号的若干个波形关键点；

s3、根据频率范围以及波形关键点分别提取脑电信号的脑电信号波形特征以及心电信号的心电信号波形特征；

s4、根据多变量传递熵算法计算脑电信号波形特征与心电信号波形特征之间的耦合特征值；

s5、根据耦合特征值，评估得到待评估人体的麻醉深度和睡眠深度。

本发明实施综合考虑了人体的脑电信号和心电信号对睡眠深度以及麻醉深度的影响，根据多变量传递熵算法计算脑电信号波形特征与心电信号波形特征之间的耦合特征值，并根据该耦合特征值的变化评估人体的麻醉深度和睡眠深度，能够有效提高评估的全面性以及准确性，且能够有效提高评估的效率。

作为本发明实施例的一种具体实施方式，采集待评估人体的脑电信号和心电信号，具体为：

通过导出待评估人体的脑电图和心电图采集对应的脑电信号和心电信号。

在本发明实施例中，待评估人体的脑电图和心电图可以通过相关设备采集得到。

作为本发明实施例的一种具体实施方式，对脑电信号进行预处理得到脑电信号中若干个脑电波对应的频率范围，具体为：

采用巴特沃斯滤波器对脑电信号进行去燥处理，分别得到脑电信号中脑电波δ、θ、α、σ和β的频率范围。

在本发明实施例中，脑电波δ、θ、α、σ和β均为脑电信号的子频段，在一种具体的实施方式中，脑电波δ、θ、α、σ和β的频率范围分别为0.5-4、4-8、8-12、12-15和15-20hz。

作为本发明实施例的一种具体实施方式，心电信号进行预处理得到心电信号的若干个波形关键点，具体为：

采用巴特沃斯滤波器对心电信号进行去燥处理后，采用差分阈值算法计算得到心电信号的波形关键点，其中，波形关键点包括：r波峰值点、p波起始点、qrs波群起始点和t波结束点。

请参阅图3，为本发明实施例体提供的心电信号的波形关键点示意图。可选地，在进行去燥处理之前，对心电信号中的明显伪影、心动过缓和心动过速片段剔除。

作为本发明实施例的一种具体实施方式，根据频率范围以及波形关键点分别提取脑电信号的脑电信号波形特征以及心电信号的心电信号波形特征，具体为：

利用自回归模型估计每一脑电波对应的功率谱密度，通过对每一功率谱密度进行积分，计算得到每一脑电波对应的绝对频谱功率，将绝对频谱功率作为脑电信号的脑电信号波形特征；

采用差分阈值算法计算若干个波形关键点之间的间期，将间期作为心电信号的心电信号形态特征；其中间期包括相邻r峰间期rr、p波起始点到r波峰值点的间期pr和qrs波群起始点到t波结束点的间期qt。

请参阅图2，为本发明实施例提供的脑电波的功率谱密度图。本发明实施例通过每一功率谱密度进行积分处理，计算得到如图4所示的每一个脑电波对应的绝对频谱功率。

请参阅图5，为本发明实施例提供的心电信号的波形关键点之间的间期示意图。

本发明实施例中，脑电波的绝对频谱功率表征中暑神经系统的活动，心电信号形态特征表征自主神经系统的活动。本发明实施例通过结合脑电信号波形特征以及心电信号波形特征对人体的麻醉深度和睡眠深度进行评估，能够有效提高评估的全面性，从而能够有效提高评估的效率。

作为本发明实施例的一种具体实施方式，根据多变量传递熵算法计算脑电信号波形特征与心电信号波形特征之间的耦合特征值，具体为：

对脑电信号波形特征以及心电信号波形特征进行归一化处理，将脑电信号波形特征以及心电信号波形特征划分为预设时间段的信号特征，采用多变量传递熵算法根据信号特征计算得到脑电信号波形特征与心电信号波形特征之间的耦合特征值。

可选地，在对心电信号进行归一化处理之前，将心电信号波形特征的时间序列进行插值处理，以保持检测快速生理变化所需的高时间分辨率，从而能够有效提高检测的准确性。具体地，归一化处理具体为：将述脑电信号波形特征以及心电信号波形特征划分为以300秒作为时间段的信号特征。本发明实施通过对心电信号波形特征以及脑电信号波形特征进行归一化处理，能够有效提高计算的精度。

在一种具体的实施方式中，耦合特征值的数量为64个。

作为本发明实施例的一种具体实施方式，根据耦合特征值，评估得到待评估人体的麻醉深度和睡眠深度，具体为：

根据耦合特征值分析待评估人体的自主神经系统调控的变化，得到待评估人体的麻醉深度评估结果和睡眠深度评估结果。

本发明实施例中，耦合特征值能够准确表示人体中心与脑之间的相互作用，通过计算得到的耦合特征值分析中枢字数神经系统调控的变化，能够全面且准确对麻醉深度以及睡眠深度进行评估，从而能够有效提高评估的效率。

实施本发明实施例，具有以下有益效果：

本发明实施综合考虑了人体的脑电信号和心电信号对睡眠深度以及麻醉深度的影响，根据多变量传递熵算法计算脑电信号波形特征与心电信号波形特征之间的耦合特征值，并根据该耦合特征值的变化评估人体的麻醉深度和睡眠深度，能够有效提高评估的全面性以及准确性，且能够有效提高评估的效率。

请参阅图6，本发明的第二实施例提供了一种麻醉深度及睡眠深度评估装置，包括：

采集模块10，用于采集待评估人体的脑电信号和心电信号；

预处理模块20，用于对脑电信号进行预处理得到脑电信号中若干个脑电波对应的频率范围，以及对心电信号进行预处理得到心电信号的若干个波形关键点；

特征提取模块30，用于根据频率范围以及波形关键点分别提取脑电信号的脑电信号波形特征以及心电信号的心电信号波形特征；

计算模块40，用于根据多变量传递熵算法计算脑电信号波形特征与心电信号波形特征之间的耦合特征值；

评估模块50，用于根据耦合特征值，评估得到待评估人体的麻醉深度和睡眠深度。

作为本发明实施例的一种具体实施方式，特征提取模块30，具体用于：

利用自回归模型估计每一脑电波对应的功率谱密度，通过对每一功率谱密度进行积分，计算得到每一脑电波对应的绝对频谱功率，将绝对频谱功率作为脑电信号的脑电信号波形特征；

采用差分阈值算法计算若干个波形关键点之间的间期，将间期作为心电信号的心电信号形态特征；其中间期包括相邻r峰间期rr、p波起始点到r波峰值点的间期pr和qrs波群起始点到t波结束点的间期qt。

情参阅图2，为本发明实施例提供的脑电波的功率谱密度图。本发明实施例通过每一功率谱密度进行积分处理，计算得到如图3所示的每一个脑电波对应的绝对频谱功率。

本发明实施例中，脑电波的绝对频谱功率表征中暑神经系统的活动，心电信号形态特征表征自主神经系统的活动。本发明实施例通过结合脑电信号波形特征以及心电信号波形特征对人体的麻醉深度和睡眠深度进行评估，能够有效提高评估的全面性，从而能够有效提高评估的效率。

作为本发明实施例的一种具体实施方式，计算模块40，具体用于：

对脑电信号波形特征以及心电信号波形特征进行归一化处理，将脑电信号波形特征以及心电信号波形特征划分为预设时间段的信号特征，采用多变量传递熵算法根据信号特征计算得到脑电信号波形特征与心电信号波形特征之间的耦合特征值。

可选地，在对心电信号进行归一化处理之前，将心电信号波形特征的时间序列进行插值处理，以保持检测快速生理变化所需的高时间分辨率，从而能够有效提高检测的准确性。具体地，归一化处理具体为：将述脑电信号波形特征以及心电信号波形特征划分为以300秒作为时间段的信号特征。本发明实施通过对心电信号波形特征以及脑电信号波形特征进行归一化处理，能够有效提高计算的精度。

在一种具体的实施方式中，耦合特征值的数量为64个。

实施本发明实施例，具有以下有益效果：

本发明实施综合考虑了人体的脑电信号和心电信号对睡眠深度以及麻醉深度的影响，根据多变量传递熵算法计算脑电信号波形特征与心电信号波形特征之间的耦合特征值，并根据该耦合特征值的变化评估人体的麻醉深度和睡眠深度，能够有效提高评估的全面性以及准确性，且能够有效提高评估的效率。

以上是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。