基于人工智能技术和近红外技术的颅内压无创测量方法

摘要

一种基于人工智能技术和近红外技术的颅内压无创测量方法，包括：一、采集多位术后患者的颅内近红外数据及侵入式颅内压数据；对每位术后患者进行多次间隔采集，近红外数据的采集大于或等于100帧；通过采集形成包括数组近红外数据及数组侵入式颅内压数据的大数据集；二、在AI计算工作站中通过大数据集建立AI模型；三、将AI模型部署于AI计算工作站；在对新的无创患者进行颅内压测量时，先采集该新患者的颅内近红外数据输入AI计算工作站中，算得该新患者的颅内压预测值。本发明使通过无创的方式实时精确掌握患者的颅内压变化趋势变为可能，保障了患者的生命安全，且降低了应用成本。

说明书

技术领域

本发明涉及生物医学工程技术领域，具体涉及一种基于人工智能技术和近红外技术的颅内压无创测量方法。

背景技术

颅内压（ICP）的检测对于颅内脑损伤病人的管理非常重要，特别是对于脑水肿、脑出血患者，颅内压的变化趋势对于颅内伤情有极大的指导意义，保持稳定的颅内压有助于获得更好的预后，避免颅脑损伤、甚至死亡等情况的发生。《中国颅脑创伤颅内压监测专家共识》推荐急性重型颅脑创伤患者（GCS3-8分）应及时进行颅内压检测，将颅内压监测数据作为其临床监控的主要参考数据之一。

目前颅内压的临床监测方式主要采用侵入式监测方法，但该方法为有创方法，常会给患者带来感染，出血，组织损伤等伤害，同时由于需要采取手术才可以放置侵入式监测设备，因此对于需要监控颅内压，但尚未采取手术治疗或者尚无手术指征的患者来说，无法通过该方法测量得到颅内压数据。

近红外技术（NIRS）是一种常用的生物成像和检测技术，该技术的原理为利用近红外光在组织中多重散射的特性，同时光与人体组织（如脑组织等）相互作用，近红外光遵循Beer-Lambert定律，使得其在组织中经过一系列吸收、散射后，光的衰减程度等信息被CCD等传感器捕捉到，进而用于分析组织成分。近红外光的吸收主要与氧合血红蛋白HbO2与脱氧血红蛋白Hb相关，两种血红蛋白的红外吸收峰值集中在850nm和760nm两个波长区间。因此该设备常用于检测颅内的血氧含量，并通过Hb和HbO2来推导脑血氧饱和度RSO2。脑血氧饱和度与颅内压存在一定的相关关系，现有的技术通常运用近红外设备测量Hb与HbO2，并直接根据经验公式推导颅内压ICP，该方法虽然解决了无创的问题，然而经验公式通常存在较大的误差，因此无法解决颅内压检测精度的问题。

现有专利一（201911014649.8）中提到使用近红外设备测量脑血流心跳搏动指数PI，并建立PI与ICP的相关关系，以此来推算ICP的数值，然而基于其专利中所描述的相关关系图像（如图1）可知，PI与ICP两者虽然存在相关关系，然而其线性关系不强，因此该专利中所述的单纯通过线性相关关系ICP=K * PI + b来推测ICP存在非常大的误差，该方法难以在临床中推广应用。

现有专利二（201810913909.4）中提到运用近红外设备测量脑血氧饱和度RSO2，并运用平均动脉血压MAP来建立经验公式ICP =（MAP-1.267*RSO2）推导ICP数值。基于该现有专利二中提供的数据，该方法相比于现有专利一而言，由于增加了MAP传感设备，增加了关键的血压数据，因此可提高ICP计算的准确程度，然而依然存在误差大等问题，除此之外增加的血压监测设备也进一步提高了设备在临床中使用成本和困难程度。

综上，目前临床上常用的颅内压监测的方法主要为侵入式监测方法，该方法为有创监测，给患者造成了一定的伤害，而且只能针对手术后的患者。近红外技术可用于无创监测颅内压，然而该方法存在准确度不足的情况，导致临床应用有限。

因此，如何解决上述现有技术存在的不足，便成为本发明所要研究解决的课题。

发明内容

本发明的目的是提供一种基于人工智能技术和近红外技术的颅内压无创测量方法。

为达到上述目的，本发明采用的技术方案是：

一种基于人工智能技术和近红外技术的颅内压无创测量方法，

准备阶段：将一近红外采集设备的采集端定位于术后的颅脑疾病的患者头部，并将该近红外采集设备以及一侵入式颅内压监测设备同时与一第一AI计算工作站通讯连接；

所述测量方法包括：

步骤一、在临床中，通过所述近红外采集设备采集术后患者颅内的近红外数据，同时，通过所述侵入式颅内压监测设备采集所述术后患者的侵入式颅内压数据；

对多位所述术后患者进行上述数据的采集，采集的患者数量大于或等于100例；

对每位所述术后患者进行多次上述数据的采集，至少每半个小时同时记录所述近红外数据和所述侵入式颅内压数据；其中近红外数据的采集要求大于或等于100帧；

通过上述采集形成包括数组所述近红外数据以及数组所述侵入式颅内压数据的大数据集；

步骤二、在所述第一AI计算工作站中通过所述大数据集建立AI模型；

步骤三、在AI模型建立之后，将AI模型部署于第一AI计算工作站或第二AI计算工作站中；

在对新的无创患者进行颅内压测量时，通过采集该新患者的颅内近红外数据，将数据输入部署有所述AI模型的第一或第二AI计算工作站中，通过第一或第二AI计算工作站算得并输出该新患者的颅内压预测值。

上述技术方案中的有关内容解释如下：

1．上述方案中，所述近红外采集设备为多通道采集设备，在患者头部采集的近红外数据点位大于或等于四个，且所述点位至少涵盖患者头部的额叶、颞叶区域。

2.上述方案中，所述大数据集中的近红外数据需要进行预处理，该预 处理操作包括对所述近红外数据进行滤波；

所述数据的预处理方法包括以下步骤：

一、将所述近红外采集设备的采样频率设为大于或等于10Hz，光极间距 设为大于或等于20mm；每个通道至少采集四个不同波长的光衰减量，且采 集波长范围为720～1000nm，采集波长的间距大于或等于25nm；

所述光衰减量通过以下方式计算：

入射光强为I0，出射光强为I1，衰减量OD为

3．上述方案中，所述小波滤波分为以下步骤：

一、对测量信号进行正交小波变换，选定一个正交小波和分解层数N，N为正整数，对原始信号进行N层小波分解；

二、对测量信号的小波变换系数进行非线性阈值处理，1至N的每一层高频系数均通过阈值进行处理，低频系数不做处理；

三、对处理后的小波系数进行重构，分解后的第N层低频系数和经过处理后的第一层至第N层高频系数进行信号重构，得到滤波后的信号。

4．上述方案中，建立AI模型的过程包括以下步骤：

一、从所述大数据集中随机选择患者，分为训练组、验证组和测试组，其中所述训练组和所述验证组的比例至少为2：1，所述验证组和所述测试组的比例为1：1；

二、搭建AI模型，利用所述训练组的数据对AI模型进行多轮训练，每轮训练之后利用所述验证组的数据测试AI模型所输出的颅内压预测值的准确程度，测试方法如下所示：

将所述近红外数据输入AI模型，误差比对方法如以下公式所示：

Error = abs(ICPval – ICPpre) / ICPval

ICPpre为所述颅内压预测值，ICPval为所述侵入式颅内压数据；

三、记录验证组的平均Error值，并与上次训练结果进行比对，如果AI模型预测精度提高，则继续训练，如果AI模型精度无显著提高，则认为训练结束；

四、AI模型训练结束后，运用测试组数据对AI模型的准确程度进行测试，并记录所有患者的误差值Error，计算最大误差和平均误差，作为评估AI模型临床适应性的依据。

5．上述方案中，所述AI模型为神经网络模型。

6．上述方案中，针对每种颅脑疾病，分别建立一与之对应的AI模型；

于步骤三中，在对新的无创患者进行颅内压测量时，首先判断该患者属于何种颅脑疾病，同时采集该新患者的颅内近红外数据，再将数据输入部署有对应该种颅脑疾病的AI模型的AI计算工作站中，通过AI计算工作站算得并输出该新患者的颅内压预测值。

本发明的工作原理及优点如下：

本发明一种基于人工智能技术和近红外技术的颅内压无创测量方法，包括：一、采集多位术后患者的颅内近红外数据及侵入式颅内压数据；对每位术后患者进行多次间隔采集，近红外数据的采集大于或等于100帧；通过采集形成包括数组近红外数据及数组侵入式颅内压数据的大数据集；二、在AI计算工作站中通过大数据集建立AI模型；三、将AI模型部署于AI计算工作站；在对新的无创患者进行颅内压测量时，先采集该新患者的颅内近红外数据输入AI计算工作站中，算得该新患者的颅内压预测值。

相比现有技术而言，本发明通过对现有的有创患者进行数据的采集，并运用人工智能技术建立AI模型，利用AI模型实现了基于近红外技术进行无创预测颅内压的快速和精准，颅内压预测值与通过侵入式设备监测的实际颅内压值相比可达到误差小于1%，极大提高了近红外监测颅内压的临床适应性和预测结果的可靠性。

本发明一方面可避免为获得精确颅内压而对患者造成的开创伤害，另一方面获得的颅内压预测值可靠、准确，使通过无创的方式实时精确掌握患者的颅内压变化趋势变为可能，保障了患者的生命安全，且降低了应用成本。

附图说明

附图1为现有技术中PI与ICP的关系图；

附图2为本发明实施例的流程框图；

附图3为本发明实施例可针对不同疾病种类的另一种流程框图；

附图4为本发明实施例建立AI模型的流程框图。

具体实施方式

下面结合附图及实施例对本发明作进一步描述：

实施例：以下将以图式及详细叙述对本案进行清楚说明，任何本领域技术人员在了解本案的实施例后，当可由本案所教示的技术，加以改变及修饰，其并不脱离本案的精神与范围。

本文的用语只为描述特定实施例，而无意为本案的限制。单数形式如“一”、“这”、“此”、“本”以及“该”，如本文所用，同样也包含复数形式。

关于本文中所使用的“第一”、“第二”等，并非特别指称次序或顺位的意思，亦非用以限定本案，其仅为了区别以相同技术用语描述的组件或操作。

关于本文中所使用的“包含”、“包括”、“具有”等，均为开放性的用语，即意指包含但不限于。

关于本文中所使用的用词（terms），除有特别注明外，通常具有每个用词使用在此领域中、在本案内容中与特殊内容中的平常意义。某些用以描述本案的用词将于下或在此说明书的别处讨论，以提供本领域技术人员在有关本案描述上额外的引导。

参见附图2所示，一种基于人工智能技术和近红外技术的颅内压无创测量方法。

准备阶段：将一近红外采集设备的采集端以头套形式固定于术后的颅脑疾病的患者头部，所述颅脑疾病包括脑出血，脑水肿，脑梗塞，脑肿瘤等。并将该近红外采集设备以及一侵入式颅内压监测设备同时与一第一AI计算工作站通讯连接。

所述测量方法包括：

步骤一、在临床中，通过所述近红外采集设备采集术后患者颅内的近红外数据，同时，通过所述侵入式颅内压监测设备采集所述术后患者的精准侵入式颅内压数据。

对多位所述术后患者进行上述数据的采集，采集的患者数量大于或等于100例，其中，对于某一类颅脑疾病，如脑出血、脑水肿，则优选大于150例。

对每位所述术后患者进行多次上述数据的采集，至少每半个小时（优选每小时）同时记录所述近红外数据和所述侵入式颅内压数据；其中近红外数据的采集要求大于或等于100帧。例如：对于采样频率50Hz的设备，采集数据应不少于2s（50*2=100）；对于采样频率20Hz的设备，采集数据应不少于5s（20*5=100）。

通过上述采集形成包括数组所述近红外数据以及数组所述侵入式颅内压数据的大数据集。

步骤二、在所述第一AI计算工作站中通过所述大数据集建立AI模型。

步骤三、在AI模型建立之后，将AI模型部署于第一AI计算工作站或第二AI计算工作站中。在对新的无创患者进行颅内压测量时，通过采集该新患者的颅内近红外数据，将数据输入部署有所述AI模型的AI计算工作站中，通过AI计算工作站算得并输出该新患者的颅内压预测值。

其中，所述近红外采集设备为多通道采集设备，在患者头部采集的近红外数据点位大于或等于四个（优选大于或等于八个），且所述点位至少涵盖患者头部的额叶、颞叶区域。

优选的，步骤一和步骤三中的所述近红外数据需要进行预处理，该预处理操作包括对所述近红外数据进行滤波；所述数据的预处理方法包括以下步骤：

一、将所述近红外采集设备的采样频率设为大于或等于10Hz（优选50Hz），光极间距设为大于或等于20mm（优选30mm）；每个通道至少采集四个不同波长的光衰减量，且采集波长范围为720~1000nm。其中采集波长的间距大于或等于25nm，这样光衰减量之间的相互干涉较小。优选采集735nm、760nm、805nm和850nm四个波长的光衰减量。其中通道数量对应采集点位数量，以八通道设备为例，八通道设备可以50Hz的频率，每帧采集32个数据，当采样时间为10s时，可总计获得4*8*10*50=16000个数据。

所述光衰减量通过以下方式计算：

入射光强为I0，出射光强为I1，衰减量OD为：

二、对每个通道的每组数据，运用0.001-10Hz的带通滤波对其进行滤波，再对数据进行小波滤波。

对每个通道的每组数据（不同的波长），小波变换在时频域都有表征信号局部特征的能力，小波变换无需去噪后处理，运算速度也快，在红外光谱分析中有较大的优势。

其中，所述小波滤波分为以下步骤：

一、对测量信号进行正交小波变换，选定一个正交小波和分解层数N，N为正整数，对原始信号进行N层小波分解；

二、对测量信号的小波变换系数进行非线性阈值处理，1至N的每一层高频系数均通过阈值进行处理，低频系数不做处理；

三、对处理后的小波系数进行重构，分解后的第N层低频系数和经过处理后的第一层至第N层高频系数进行信号重构，得到滤波后的信号。

小波滤波的方式优选Haar小波和Daubechies小波，优选分解层数为4层，对原始数据进行4层小波分解。通过小波变换的方式提高数据的信噪比，消除基线漂移，保证数据的真实性。

所述侵入式颅内压数据无需预处理。

其中，如图4所示，于步骤二中，建立AI模型的过程包括以下步骤：

一、从所述大数据集中随机选择患者，分为训练组、验证组和测试组，其中所述训练组和所述验证组的比例至少为2：1，所述验证组和所述测试组的比例为1：1，以此可保证验证组和测试组至少有25例到100例患者；

每位患者均有相应的多时间段的所述近红外数据和所述侵入式颅内压数据。

患者数据越多，则训练组比例越高，验证组和测试组比例越低。以150~300例患者为例，训练组、验证组和测试组的比例可为4：1：1；若患者数量大于10000例，训练组、验证组和测试组的比例可为18：1：1。保证测试组和验证组至少有25例到100例患者，能够对模型进行有效测试，同时保证训练组患者数量越多，所训练的AI模型越精准。

二、搭建AI模型，利用所述训练组的数据对AI模型进行多轮训练，每轮训练之后利用所述验证组的数据测试AI模型所输出的颅内压预测值的准确程度，测试方法如下所示：

将所述近红外数据输入AI模型，误差比对方法如以下公式所示：

Error = abs(ICPval – ICPpre) / ICPval

ICPpre为所述颅内压预测值，ICPval为所述侵入式颅内压数据；

三、记录验证组的平均Error值，并与上次训练结果进行比对，如果AI模型预测精度提高，则继续训练，如果多轮训练后AI模型精度无显著提高，则认为训练结束；

其中，Error值越小说明AI模型预测精度越高，Error值越大说明AI模型预测精度越低。

四、AI模型训练结束后，运用测试组数据对AI模型的准确程度进行测试，并记录所有患者的误差值Error，计算最大误差和平均误差，作为评估AI模型临床适应性的依据。

例如，当最大误差小于10%，平均误差小于5%时，可判定为具备临床适应性。但对于不同的颅脑疾病，对最大误差和平均误差的参考标准可不同。同时也可计算最小误差作为评估的依据。

其中，步骤一和步骤三中采集所述近红外数据时，其通道数、采集位置、采样频率、光极间距、采集波长以及预处理方式均要求一致。

其中，所述AI模型的输入为近红外数据（优选滤波后近红外数据），输出为侵入式颅内压设备所监测的颅内压数据，通过对AI模型的训练、调优，实现最佳的颅内压预测效果。

其中，所述AI模型优选卷积神经网络模型。可根据大数据集的数据量进一步调整神经网络模型的层数，以达到最优准确的预测值。

优选的，本发明可针对每种颅脑疾病，分别建立一与之对应的AI模型，进而构建一包含有数个AI模型的集合；建立各AI模型的过程依照所述准备阶段、所述步骤一和所述步骤二进行。

于步骤三中，在对新的无创患者进行颅内压测量时，首先采集该新患者的颅内近红外数据，同时判断该患者属于何种颅脑疾病，再将数据输入部署有对应该种颅脑疾病的AI模型的AI计算工作站中，通过AI计算工作站算得并输出该新患者的颅内压预测值。

在临床实践中，不同的颅内疾病，如脑出血，脑积水，脑梗，脑肿瘤等，其近红外数据与侵入式颅内压数据的相关性均有所区别，因此一个统一的AI模型来预测各种颅内疾病的颅内压值可能存在一定程度上的误差，为了进一步提高颅内压值预测的准确程度，尽可能减少误差，本发明的技术方案可针对不同的疾病种类分别建立各自的AI模型，在设备使用过程中，由临床医生针对患者疾病选择对应的AI模型，进而实现更精准的颅内压预测，其流程图具体如图3所示。

本发明的“准备阶段”和“步骤一”仅针对术后患者，所述术后患者已是有创状态，即，本发明不会为了进行“步骤二”和“步骤三”而对原本无创的患者进行有创操作，且通过侵入式颅内压监测设备对术后患者进行侵入式颅内压数据的采集亦为现有技术。本发明的技术方案不包括对患者头部进行手术开创的操作步骤。

本发明采用的所述近红外采集设备、所述侵入式颅内压监测设备、所述第一AI计算工作站以及所述第二AI计算工作站均为现有设备，其具体结构构造或选型不在本发明技术方案的限定中。

其中，所述第一AI计算工作站用于对所述近红外采集设备以及所述侵入式颅内压监测设备采集得到的数据进行分析，并建立AI模型。所述第二AI计算工作站为医院端在具体使用时采用的工作站，由于不需要对数据进行分析处理，也无需建立AI模型，因此其硬件要求低于所述第一AI计算工作站，以达到降低使用门槛和成本的目的。

下面以5个具体案例对本实施例进行说明：

案例1：

运用美国Cortech公司提供的八通道OctaMon+近红外采集头套设备采集术后的已有创患者的颅内近红外数据，同时运用美国易诺佳Camino MPM1型多参数颅内压监护仪，采集患者的侵入式颅内压数据。

采集患者的数量超过300位（包含至少150位脑血肿患者和150位脑水肿患者），对每位患者每隔一个小时采集一次近红外数据和侵入式颅内压数据，每次采集时间为10秒钟，总计采集48小时，因此每位患者至少包含48组数据，全部患者的总数据量超过14400组数据。

运用小波变换对每次采集得到的8通道的近红外数据进行滤波，得到滤波后的数据。

将300位患者分为训练组和测试组和验证组，训练组包含200位患者的所有数据，测试组包含50位患者的所有数据，验证组包含50位患者的所有数据。

搭建卷积神经网络作为AI模型，运用L2-Loss和Smooth L1-Loss作为AI模型训练的损失函数，对AI模型进行多轮训练，运用测试数据寻找精准度最高的AI模型。

运用测试组患者的所有数据，将近红外数据输入AI模型，输出结果为颅内压预测值ICPpre，将颅内压预测值ICPpre与测量得到的侵入式颅内压数据ICPval进行比对，误差比对方法如以下公式所示：

Error = abs(ICPval – ICPpre) / ICPval

通过以上所述误差计算方法，测试组的误差均小于5%，最小值为0.4%，均值为1.9%。

案例2：

运用美国Cortech公司提供的八通道OctaMon+近红外采集头套设备采集术后的已有创患者的颅内近红外数据，同时运用美国易诺佳Camino MPM1型多参数颅内压监护仪，采集患者的侵入式颅内压数据。

采集患者的数量超过150位，全部为脑血肿穿刺术的术后患者，每位患者每隔一个小时采集一次近红外数据和侵入式颅内压数据，每次采集时间为10秒钟，总计采集48小时，因此每位患者至少包含48组数据，全部患者的总数据量超过7200组数据。

运用小波变换对每次采集得到的8通道的近红外数据进行滤波，得到滤波后的数据。

将150位患者分为训练组和测试组和验证组，训练组包含100位患者的所有数据，测试组包含25位患者的所有数据，验证组包含25位患者的所有数据。

搭建卷积神经网络作为AI模型，运用L2-Loss和Smooth L1-Loss作为AI模型训练的损失函数，对AI模型进行多轮训练，运用测试数据寻找精准度最高的AI模型。

运用测试组患者的所有数据，将近红外数据输入AI模型，输出结果为颅内压预测值ICPpre，将颅内压预测值ICPpre与测量得到的侵入式颅内压ICPval进行比对，误差比对方法如以下公式所示：

Error = abs(ICPval – ICPpre) / ICPval

通过以上所述误差计算方法，测试组的误差均小于4.2%，最小值为0.38%，均值为1.7%。

案例3：

运用美国Cortech公司提供的八通道OctaMon+近红外采集头套设备采集术后的已有创患者的颅内近红外数据，同时运用美国易诺佳Camino MPM1型多参数颅内压监护仪，采集患者的侵入式颅内压数据。

采集患者的数量超过150位，全部为脑水肿穿刺术的术后患者，每位患者采集一次近红外数据和侵入式颅内压数据，每次采集时间为10秒钟，总计采集48小时，因此每位患者至少包含48组数据，全部患者的总数据量超过7200组数据。

运用小波变换对每次采集得到的8通道的近红外数据进行滤波，得到滤波后的数据。

将150位患者分为训练组和测试组和验证组，训练组包含100位患者的所有数据，测试组包含25位患者的所有数据，验证组包含25位患者的所有数据。

搭建卷积神经网络作为AI模型，运用L2-Loss和Smooth L1-Loss作为AI模型训练的损失函数，对AI模型进行多轮训练，运用测试数据寻找精准度最高的AI模型。

运用测试组患者所有数据，将近红外数据输入AI模型，输出结果为颅内压预测值ICPpre，将颅内压预测值ICPpre与测量得到的侵入式颅内压ICPval进行比对，误差比对方法如以下公式所示：

Error = abs(ICPval – ICPpre) / ICPval

通过以上所述误差计算方法，测试组误差均小于4.0%，最小值为0.39%，均值为1.8%。

案例4：

运用美国Cortech公司提供的八通道OctaMon+近红外采集头套设备采集术后的已有创患者的颅内近红外数据，同时运用美国易诺佳Camino MPM1型多参数颅内压监护仪，采集患者的侵入式颅内压数据。

采集患者的数量超过300位（包含至少150位脑血肿患者和150位脑水肿患者），每位患者采集一次近红外数据和侵入式颅内压数据，每次采集时间为10秒钟，总计采集48小时，因此每位患者至少包含48组数据，全部患者的总数据量超过14400组数据。

运用小波变换对每次采集得到的4通道的近红外数据进行滤波，得到滤波后的数据。

将300位患者分为训练组和测试组和验证组，训练组包含200位患者的所有数据，测试组包含50位患者的所有数据，验证组包含50位患者的所有数据。

搭建卷积神经网络作为AI模型，运用L2-Loss和Smooth L1-Loss作为AI模型训练的损失函数，对AI模型进行多轮训练，运用测试数据寻找精准度最高的AI模型。

运用测试组患者所有数据，将近红外数据输入AI模型，输出结果为颅内压预测值ICPpre，将颅内压预测值ICPpre与测量得到的侵入式颅内压ICPval进行比对，误差比对方法如以下公式所示：

Error = abs(ICPval – ICPpre) / ICPval

通过以上所述误差计算方法，测试组误差均小于7%，最小值为0.69%，均值为3.1%。

表1为上述4个案例测试集的患者误差表 （单位：%）

表1

通过表1可知，上述4个案例的平均误差均小于5%，最大误差小于10%，满足临床适应性；同时通过以上案例1、2、3可知，针对不同病种，可有针对性地选择数据训练AI模型，从而能够进一步提高AI模型预测ICP的准确度。通过案例1、4可知，增加红外采集的通道数，可以提高预测的准确度。

相比现有技术而言，本发明通过对现有的有创患者进行数据的采集，并运用人工智能技术建立AI模型，利用AI模型实现了基于近红外技术进行无创预测颅内压的快速和精准，颅内压预测值与通过侵入式设备监测的实际颅内压值相比可达到误差小于1%，极大提高了近红外监测颅内压的临床适应性和预测结果的可靠性。

本发明一方面可避免为获得精确颅内压而对患者造成的开创伤害，另一方面获得的颅内压预测值可靠、准确，使通过无创的方式实时精确掌握患者的颅内压变化趋势变为可能，保障了患者的生命安全，且降低了应用成本。

上述实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项 技术的人士能够了解本发明的内容并据以实施，并不能以此限制本发明的保 护范围。凡根据本发明精神实质所作的等效变化或修饰，都应涵盖在本发明 的保护范围之内。