麻醉呼吸机的控制方法、装置及可调控麻醉呼吸机系统

摘要

本发明公开了一种麻醉呼吸机的控制方法、装置及可调控麻醉呼吸机系统。该方法通过实时采集患者麻醉过程中的脑电模拟信号，并对其进行转换处理以提取出生理特征值体系，通过机器模型根据该生理特征值体系进行判断，并根据判断结果调控麻醉呼吸机的工作模式。该装置包括信号采集模块、信号处理模块、分析判断模块以及实时调节模块以实现准确、实时的判断和调控。该可调控麻醉呼吸机系统包括麻醉呼吸机和该装置，且该系统的实时调节模块连接到麻醉呼吸机，从而根据系统的判断结果调节麻醉呼吸机的各项控制参数，从而调控麻醉呼吸机的工作模式。

说明书

技术领域

本发明涉及麻醉呼吸机的工作模式自动调控领域，涉及一种麻醉呼吸机的控制方法、装置及可调控麻醉呼吸机系统。

背景技术

为使得患者在手术时免于疼痛，麻醉医生往往会在手术前对患者进行全身麻醉或局部麻醉，为了避免意外情况的发生，麻醉医生还会在手术过程中严密观察患者的变化，以根据实际情况进行必要的处理(例如，手术麻醉过程中患者可能会突然发生心跳呼吸停止的情况，此时需要立即对麻醉呼吸机进行调节，并立即对患者进行心、肺复苏)。

其中，最常用的全身麻醉方式是气管插管全身麻醉，特点是采用静脉麻醉药或吸入麻醉药产生全身麻醉作用，术中需要行气管插管，机械辅助呼吸。过程包括麻醉诱导，麻醉维持和麻醉苏醒。麻醉医生会给患者吸入麻醉气体，患者在给药后3～5分钟便意识消失，由清醒进入睡眠状态。在全身麻醉状态下，由于没有意识、全身肌肉松弛，患者丧失呼吸的力量，自主呼吸通常会消失，因此在患者进入全麻状态后，麻醉医生会进行气管插管操作，即在喉镜等插管器械的辅助下把一根气管导管经患者的口腔或鼻腔插入患者的气管，气管导管的另一端连接麻醉机，由麻醉机通过气管导管给患者输送氧气，帮助患者呼吸。此后即进入麻醉维持状态，麻醉医生会通过麻醉机给患者持续吸入麻醉气体，或通过静脉通路持续输注麻醉药物，使患者持续处在麻醉状态。整个麻醉维持时间的长短，取决于手术时间的长短。当手术顺利结束的时候，麻醉医生就会停止麻醉药物的使用，患者即进入麻醉苏醒期。随着患者体内麻醉药物的代谢排出，麻醉药物浓度逐渐降低。当麻醉药物体内浓度降低到一定程度的时候，患者就可以恢复自主呼吸，意识也会清醒，此时麻醉医生会将气管导管拔出，继续给患者面罩吸氧，并吸除口腔分泌物。当患者的自主呼吸恢复良好，意识完全清醒，辩知能力良好，生命体征平稳时，即达到了麻醉苏醒离室标准，便可以返回病房了。全身麻醉并不是都需要进行气管插管，机械通气。一些时间短小，伤害性刺激小，简单的手术操作和检查操作，比如人流手术、胃肠镜检查等，就不需要进行气管插管全身麻醉，而可以实施保留自主呼吸，但意识消失的全身麻醉。

由上述可知，不同的情况下对于麻醉呼吸机的各个参数的调节是不同的。针对这一需求，在现有技术中，麻醉医生会通过观察临床体征，例如血压、心率、呼吸等参数来判断麻醉深度，然而，在血管扩张剂等药物的影响下，这些判断依据就会变得不够可靠，无法完全掌握意识状态与呼吸状态。同时，经过人工调节麻醉呼吸机参数具有一定的滞后性，并不能做到和患者当时所需要的麻醉呼吸工作模式的同步化。

因此，当前市场迫切需求一种麻醉呼吸机的控制方法、装置及可调控麻醉呼吸机系统，从而自动、准确地判断患者的意识状态以及呼吸状态，并根据判断结果实时调控麻醉呼吸机的工作模式，从而解决现有技术存在的上述问题。

发明内容

针对现存的上述技术问题，本发明的目的在于提供一种麻醉呼吸机的控制方法、装置及可调控麻醉呼吸机系统，以提升对患者的意识状态以及呼吸状态判断的准确性和便利性，并实现麻醉呼吸机工作模式调控的实时性，从而解决现有技术中存在的判断不准确以及调控滞后的问题。

本发明提供了一种麻醉呼吸机的控制方法，该方法包括：采集患者麻醉过程中的脑电模拟信号；根据预设的信号处理方法对该脑电模拟信号进行处理以获取相应的生理特征值体系；其中，该生理特征值体系由多个生理指标的测量值构建而成，该多个生理指标包括相对功率、绝对功率、加权相位滞后指数、符号传递熵、多尺度传递熵以及相位传递熵；根据该生理特征值体系、预设的第一机器学习模型以及预设的第二机器学习模型，确定患者的意识状态和呼吸状态；根据该意识状态和呼吸状态，调控麻醉呼吸机中的多个控制参数，以调控该麻醉呼吸机的工作模式。

在一个实施例中，该第一机器学习模型和第二机器学习模型是通过以下训练方法训练而成的：将预设的训练数据集中的所有特征值进行归一化，并利用预设的评分算法对每个特征值进行评分；其中，该预设的训练数据集包括多个生理特征值体系，该生理特征值体系由多个生理指标的测量值构建而成，该多个生理指标包括相对功率、绝对功率、加权相位滞后指数、符号传递熵、多尺度传递熵以及相位传递熵；将所有特征值按照评分从高到低排序，并筛选出最优特征值集合；利用预设的集成学习算法对该最优特征值集合进行模型训练，获得该第一机器学习模型和该第二机器学习模型；其中，该第一机器学习模型用于根据输入的生理特征值体系来确定相应的意识状态；该第二机器学习模型用于根据输入的生理特征值体系来确定相应的呼吸状态。

在一个实施例中，所述根据预设的信号处理方法对该脑电模拟信号进行处理以获取相应的生理特征值体系，具体为：去除该脑电模拟信号中的工频干扰，并将去除干扰后的脑电模拟信号转换为第一脑电数字信号；对该第一脑电数字信号进行滤波处理以获得第二脑电数字信号；将该第二脑电数字信号分频，分别计算获取分频后各个频段的生理特征值体系。

在一个实施例中，所述将该第二脑电数字信号分频，分别计算获取分频后各个频段的生理特征值体系，具体为：利用离散小波变换对该第二脑电数字信号进行多级分解；分别计算获取分频后的各个频段的生理特征值体系。

在一个实施例中，所述根据该意识状态和呼吸状态，调控麻醉呼吸机中的多个控制参数，以调控该麻醉呼吸机的工作模式，具体为：根据该意识状态，实时地自动调控麻醉呼吸机中控制麻醉气体浓度的端口，并根据呼吸状态，实时地自动调控麻醉呼吸机中控制潮气量、分钟通气量的端口。

本发明还提供了一种麻醉呼吸机的控制装置，该控制装置包括信号采集模块、信号处理模块、分析判断模块以及实时调节模块，其中，信号采集模块用于采集患者麻醉过程中的脑电模拟信号；信号处理模块用于根据预设的信号处理方法对该脑电模拟信号进行处理以获取相应的生理特征值体系；分析判断模块用于根据该生理特征值体系、预设的第一机器学习模型以及预设的第二机器学习模型，确定患者的意识状态和呼吸状态；实时调节模块用于根据该意识状态和呼吸状态，调控麻醉呼吸机中的多个控制参数，以调控该麻醉呼吸机的工作模式。

在一个实施例中，该信号处理模块还包括比较放大电路、数模转换单元和带通滤波器，其中：该比较放大电路用于去除该脑电模拟信号中的工频干扰；该数模转换单元用于将去除干扰后的脑电模拟信号转换为第一脑电数字信号；该带通滤波器用于对该第一脑电数字信号进行滤波处理以获得第二脑电数字信号。

在一个实施例中，该实时调节模块用于根据所述意识状态和呼吸状态，调控麻醉呼吸机中的多个控制参数，以调控所述麻醉呼吸机的工作模式，具体地：该实时调节模块根据该意识状态，实时地自动调控麻醉呼吸机中控制麻醉气体浓度的端口；并根据呼吸状态，实时地自动调控麻醉呼吸机中控制潮气量、分钟通气量的端口。

本发明还提供了一种可调控麻醉呼吸机系统，该可调控麻醉呼吸机系统包括麻醉呼吸机以及如前该的麻醉呼吸机的控制装置，该麻醉呼吸机的控制装置通信连接到麻醉呼吸机。

相比于现有技术，本发明实施例具有如下有益效果：

本发明提供了一种麻醉呼吸机的控制方法、装置及可调控麻醉呼吸机系统，通过实时采集患者麻醉过程中的脑电模拟信号，并对其进行转换处理以提取出生理特征值体系，通过机器模型根据该生理特征值体系进行判断，并根据判断结果调控麻醉呼吸机的工作模式，该方法、装置及可调控麻醉呼吸机系统不仅实现了判断调控麻醉呼吸机过程的自动化，还在提升对患者意识状态和呼吸状态的判断的准确性的基础上，保障了调控的实时性。

附图说明

下文将结合说明书附图对本发明进行进一步的描述说明，其中：

图1示出了根据本发明的一种麻醉呼吸机的控制方法的一个实施例的逻辑流程图；

图2示出了根据本发明的第一机器学习模型和第二机器学习模型的训练方法的一个实施例的流程图；

图3示出了根据本发明的一种麻醉呼吸机的控制装置的一个实施例的结构图；

图4示出了根据本发明的一种可调控麻醉呼吸机系统的一个实施例的结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

具体实施例一

图1示出了根据本发明的一种麻醉呼吸机的控制方法的一个实施例的逻辑流程图，该方法包括如下步骤：

S1:采集患者麻醉过程中的脑电模拟信号。

脑电是脑神经细胞的电生理活动在大脑皮层的总体反映，包含着大量的生理与疾病信息，脑电模拟信号能够直接反映大脑神经系统的功能活动，具有非侵入性、高时间分辨率等特点，因此，脑电技术目前成为分析意识状态的最佳手段之一。在一个实施例中，为了准确判断患者在麻醉过程中的意识状态和呼吸状态，本发明将患者的脑电模拟信号作为分析意识状态的样本，对患者的脑电模拟信号进行采集。

S2:根据预设的信号处理方法对所述脑电模拟信号进行处理以获取相应的生理特征值体系。

具体地，首先，先去除所述脑电模拟信号中的工频干扰，并对去除干扰后的脑电模拟信号进行数模转换，从而将脑电模拟信号转换为第一脑电数字信号；随后，对所述第一脑电数字信号进行滤波处理以获得第二脑电数字信号；最后，将所述第二脑电数字信号分频，分别计算获取分频后各个频段的生理特征值体系。由于离散小波变换具有良好的频率分辨能力，所设计的滤波器过渡带窄，且边缘震荡小，因此利用离散小波变换对脑电数字信号进行多级分解，得到不同频段的脑电数字信号。

在上述过程中，第二脑电数字信号将被分解至δ(0.5-4Hz)、θ(4-8Hz)、α(8-12Hz)、σ(12-15Hz)、β(15-30Hz)以及γ(30-50Hz)六个频段中的一个或多个频段中，具体表现为不同频段上的频段震荡，这些不同频段震荡对应于不同的意识状态：δ频段与潜意识感知相关，在该频段上的频段震荡是清醒状态的表现；在θ频段上的频段震荡是意识不清醒的表现；α频段与认知和感知相关，在该频段上的频段震荡是清醒状态的表现；σ频段上的频段震荡仅在人脑处于深度睡眠、无意识状态时出现；β频段上的频段震荡则在人脑意识清醒，处于思考、焦虑状态时出现；γ频段上的频段震荡在大脑处于感知任务处理状态时出现，多为一种精神疾病的标记。

在分频后，即可根据分频后的信号，针对各个频段上的多个生理指标进行计算以获取多个生理指标的测量值，从而实时构建患者的生理特征值体系。其中，所述多个生理指标包括相对功率、绝对功率、加权相位滞后指数、符号传递熵、多尺度传递熵以及相位传递熵。上述多个生理指标分别表征患者的不同的生理特征：功率特征能够反映大脑的活跃度；加权相位滞后指数能够评估脑功能跨区域的动态整合、协调和响应；而上述提到的多类熵能够反映大脑的交互功能，其中，符号传递熵能够序列化信号以得到脑电信号幅值的波动性，多尺度传递熵能够在多个时间精度上分析信号的连通性，相位传递熵则能够分析脑电信号相位的波动性。综合这些指标能够在麻醉过程中使用者的大脑的状态，以此来判断使用者的意识，同时这些生理指标能够反映不同呼吸状态下大脑的功能状态，从而可以利用这些生理指标来判断患者的呼吸状态。

S3:根据所述生理特征值体系、预设的第一机器学习模型以及预设的第二机器学习模型，确定患者的意识状态和呼吸状态。

患者的意识状态和呼吸状态是判断患者麻醉程度的重要依据，由于传统的分析判断方法往往不够准确，本发明中利用训练好的第一机器学习模型和第二机器学习模型来对S2步骤中获得的生理特征值体系进行判断分类，从而确定患者的意识状态和呼吸状态。其中，能够通过生理特征值体系区分患者意识状态的第一机器学习模型，以及能够通过生理特征值体系区分患者呼吸状态的第二机器学习模型需要利用预设的训练数据集训练获得，预设的训练数据集包括多个已有生理特征值体系，该多个生理特征值体系是通过从多个不同患者采集得来。

由于第一机器学习模型和第二机器学习模型的质量与最终判断结果的准确程度强相关，因此，第一机器学习模型和第二机器学习模型的训练十分重要。图2示出了根据本发明的第一机器学习模型和第二机器学习模型的训练方法的一个实施例的流程图。具体地，首先将预设的训练数据集中的所有特征值进行归一化，并利用预设的评分算法对每个特征值进行评分；再将所有特征值按照评分从高到低排序，并筛选出最优特征值集合；最后，利用十折交叉验证法将最优特征值集合分为训练集和测试集，在训练集上，利用集成学习算法进行模型训练，在测试集上输出最优结果，从而获得第一机器学习模型和所述第二机器学习模型。其中，预设的评分算法可以是Fi sher Scor i ng算法以及Pearson Correl at i on算法；预设的集成学习算法具体为将贝叶斯分类、支持向量机、最近邻算法、决策树以及BP神经网络五类个体学习器作为个体学习器，应用Boost i ng算法强化弱学习器，通过参数调整以及计算速度的调整，从而建立最优的机器学习模型。

在获得第一机器学习模型和所述第二机器学习模型后，将步骤S1-S2获得的生理特征值体系输入第一机器学习模型和第二机器学习模型，从而利用预设的第一机器学习模型和第二机器学习模型确定患者的意识状态和呼吸状态。其中，第一机器学习模型将患者的意识状态分为：清醒期、诱导期、维持期和恢复期；第二机器学习模型将患者的呼吸状态分为：低通气、呼吸暂停和正常呼吸。

S4:根据所述意识状态和呼吸状态，调控麻醉呼吸机中的多个控制参数，以调控所述麻醉呼吸机的工作模式。

由于不同的意识状态和呼吸状态对应不同的麻醉深度，进而对应不同的麻醉气体浓度、潮气量以及分钟通气量的需求，因此，还应根据所述意识状态，实时地自动调控麻醉呼吸机中控制麻醉气体浓度的端口，并根据呼吸状态，实时地自动调控麻醉呼吸机中控制潮气量、分钟通气量的端口。例如，当对脑电模拟信号进行分析处理并输入第一机器学习模型和第二机器学习模型后，判断认为术中患者当前处于清醒期且低通气状态，则应调控麻醉呼吸机的对应麻醉气体浓度以及通气压力阀等的阀门开关，实现增大麻醉气体浓度以保持患者处于无意识状态，同时增大潮气量以及每分钟通气量以保证患者能维持基本生命体征。

本发明提供了一种麻醉呼吸机的控制方法，通过实时采集患者麻醉过程中的脑电模拟信号，并对其进行转换处理以提取出生理特征值体系，通过机器模型根据该生理特征值体系进行判断，并根据判断结果调控麻醉呼吸机的工作模式，该方法不仅实现了判断调控麻醉呼吸机过程的自动化，还在提升对患者意识状态和呼吸状态的判断的准确性的基础上，保障了调控的实时性。

具体实施例二

如图3所示，本发明还提供了一种麻醉呼吸机的控制装置11，所述控制装置11包括信号采集模块111、信号处理模块112、分析判断模块113以及实时调节模块114，并且该四个模块依次通信连接。其中，信号采集模块111用于采集患者麻醉过程中的脑电模拟信号，并将脑电模拟信号输出到信号处理模块112；信号处理模块112用于根据预设的信号处理方法对所述脑电模拟信号进行处理以获取相应的生理特征值体系，并将生理特征值体系输出到分析判断模块113；分析判断模块113用于根据所述生理特征值体系、预设的第一机器学习模型以及预设的第二机器学习模型，确定患者的意识状态和呼吸状态，并将判断结果输出到实时调节模块114；实时调节模块114用于根据所述意识状态和呼吸状态，调控麻醉呼吸机中的多个控制参数，以调控所述麻醉呼吸机的工作模式。

在一个实施例中，信号处理模块112还包括比较放大电路1121、数模转换单元1122和带通滤波器1123，其中，比较放大电路1121用于去除所述脑电模拟信号中的工频干扰，并将去除干扰后的脑电模拟信号输出到数模转换单元1122；数模转换单元1122用于将去除干扰后的脑电模拟信号转换为第一脑电数字信号，并将第一脑电数字信号输出到带通滤波器1123；带通滤波器1123用于对所述第一脑电数字信号进行滤波处理以获得第二脑电数字信号，并将第二脑电数字信号输出到分析判断模块113。

在一个实施例中，实时调节模块114用于根据所述意识状态和呼吸状态，调控麻醉呼吸机中的多个控制参数，以调控所述麻醉呼吸机的工作模式，具体地：所述实时调节模块根据所述意识状态，实时地自动调控麻醉呼吸机中控制麻醉气体浓度的端口；并根据呼吸状态，实时地自动调控麻醉呼吸机中控制潮气量、分钟通气量的端口。

本发明提供了一种麻醉呼吸机的控制装置，通过实时采集患者麻醉过程中的脑电模拟信号，并对其进行转换处理以提取出生理特征值体系，通过机器模型根据该生理特征值体系进行判断，并根据判断结果调控麻醉呼吸机的工作模式，该装置不仅实现了判断调控麻醉呼吸机过程的自动化，还在提升对患者意识状态和呼吸状态的判断的准确性的基础上，保障了调控的实时性。

具体实施例三

如图4所示，本发明还提供了一种可调控麻醉呼吸机系统1，可调控麻醉呼吸机系统1包括如前所述的麻醉呼吸机的控制装置11以及麻醉呼吸机12，所述麻醉呼吸机的控制装置11中的实时调节模块114通信连接到麻醉呼吸机12，从而在对患者进行脑电模拟信号的采集与处理、特征分析以及呼吸状态和意识状态的判断后，通过调控控制麻醉气体浓度、控制潮气量以及分钟通气量的端口来调控麻醉呼吸机12的工作模式。

本发明提供了一种可调控麻醉呼吸机系统，通过实时采集患者麻醉过程中的脑电模拟信号，并对其进行转换处理以提取出生理特征值体系，通过机器模型根据该生理特征值体系进行判断，并根据判断结果调控麻醉呼吸机的工作模式，该可调控麻醉呼吸机系统不仅实现了判断调控麻醉呼吸机过程的自动化，还在提升对患者意识状态和呼吸状态的判断的准确性的基础上，保障了调控的实时性。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。特别指出，对于本领域技术人员来说，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。