[go: up one dir, main page]

CN118557181A - 一种麻醉监护仪报警用声音转化系统 - Google Patents

一种麻醉监护仪报警用声音转化系统 Download PDF

Info

Publication number
CN118557181A
CN118557181A CN202410792980.7A CN202410792980A CN118557181A CN 118557181 A CN118557181 A CN 118557181A CN 202410792980 A CN202410792980 A CN 202410792980A CN 118557181 A CN118557181 A CN 118557181A
Authority
CN
China
Prior art keywords
patient
signal
alarm
sound
breathing
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202410792980.7A
Other languages
English (en)
Inventor
薛行行
薛蓉
王波
郝海宁
王丽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
First Hospital Of Yulin
Original Assignee
First Hospital Of Yulin
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by First Hospital Of Yulin filed Critical First Hospital Of Yulin
Priority to CN202410792980.7A priority Critical patent/CN118557181A/zh
Publication of CN118557181A publication Critical patent/CN118557181A/zh
Pending legal-status Critical Current

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Measuring devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor or mobility of a limb
    • A61B5/1104—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor or mobility of a limb induced by stimuli or drugs
    • A61B5/1106—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor or mobility of a limb induced by stimuli or drugs to assess neuromuscular blockade, e.g. to estimate depth of anaesthesia
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
    • A61B5/0077—Devices for viewing the surface of the body, e.g. camera, magnifying lens
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/08—Measuring devices for evaluating the respiratory organs
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A61B5/372—Analysis of electroencephalograms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient; User input means
    • A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0495—Quantised networks; Sparse networks; Compressed networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/161—Detection; Localisation; Normalisation
    • G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • General Engineering & Computer Science (AREA)
  • Pathology (AREA)
  • Surgery (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Physiology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Human Computer Interaction (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Psychology (AREA)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Probability & Statistics with Applications (AREA)

Abstract

本发明公开了一种麻醉监护仪报警用声音转化系统，涉及医疗设备技术领域，本发明包括用于判断患者呼吸是否正常的呼吸检测模块；用于判断患者是否清醒的脸部摄像模块；用于判断是否需要调节麻醉效果的输入气体检测模块；用于判断患者脑电波是否正常的脑电信号模块，以及用于示警和发出声音的报警模块。本发明为一种麻醉监护仪报警用声音转化系统，可以提高患者呼吸过程中呼吸暂停检测的可靠性；在不降低精确度的情况下减少了计算量，同时提升了计算速度；可以准确检测患者各阶段的状况便于调整；还可以检测患者的脑电波进行对比，将各项不符合预设阈值区间的数据转化成警报和声音，引起医务人员的注意，提高了安全性。

Description

一种麻醉监护仪报警用声音转化系统
技术领域
本发明涉及医疗设备技术领域，特别涉及一种麻醉监护仪报警用声音转化系统。
背景技术
麻醉监护仪是一种以测量和控制病人生理参数，并可与已知设定值进行比较，如果出现超标，可发出警报的装置或系统，麻醉监护仪在使用时必须实时连续监护病人的生理参数，检出变化趋势，指出临危情况，供医生应急处理和进行治疗的依据，使并发症减到最少达到缓解并消除病情的目的。
在公告号“CN201662869U”中公开了：一种监护仪声音报警增强系统，包括用于感应病人生理信号的传感器、与传感器的输出端相电连接的主处理器、与主处理器的一输出端相连接用于告警的主扬声器，它还包括一与所述的主处理器相通信连接且相互周期性的传递各自状态信息的从处理器、与所述的从处理器的输出端相电连接在达到预设条件下进行辅助告警的辅扬声器。本实用新型监护仪声音告警系统通过增加从处理器以及辅扬声器，结合主从处理器控制相应告警声音的方法，达到了临床监护对可靠声音报警的需求，具有推广应用价值。
上述方案通过增加从处理器以及辅扬声器，结合主从处理器控制相应告警声音的方法，达到了临床监护对可靠声音报警的需求，但是不能及时检测患者的呼吸状态是否正常，只通过人为判断容易出现误差导致意外发生，同时患者在麻醉监护的过程中脑电波需要进行识别处理，通过脑电波的对比来判断患者是否麻醉成功，保证后续手术的安全性。
发明内容
本发明的主要目的在于提供一种麻醉监护仪报警用声音转化系统，可以有效解决背景技术中不能及时检测患者的呼吸状态是否正常，只通过人为判断容易出现误差导致意外发生，同时患者在麻醉监护的过程中脑电波需要进行识别处理，通过脑电波的对比来判断患者是否麻醉成功，保证后续手术的安全性的问题。
为实现上述目的，本发明采取的技术方案为：本发明之一种麻醉监护仪报警用声音转化系统，该系统包括：
呼吸检测模块：包括设置在患者颈部的呼吸音信号采集设备，以及设置在患者鼻腔内部的鼻气流压力采集设备来收集呼吸数据，确定患者的有效呼吸是否正常，同时检测患者呼吸是否暂停，若患者呼吸暂停则对报警模块传输指令，使得报警模块显示警报以及发出声响；
脸部摄像模块：包括设置于脸部上方的摄像机和设置于摄像机一侧的计算装置，计算装置中构建基础模型SSD检测患者眨眼和开口来判断患者是否苏醒，摄像机将脸部图片送至计算装置中的基础模型SSD中，基础模型SSD通过分割采集图像中的双眼虹膜和眼睑，通过识别每只眼睛的眼睑之间的距离和相应的虹膜直径，然后通过深度可分离卷积算法进行处理，识别患者眨眼并确定患者是否苏醒，同时对患者的嘴型进行对比来判断是否苏醒；
输入气体检测模块：包括用于数据采集的下位机以及处理麻醉气体浓度的上位机，通过下位机检测患者的呼吸治疗以及麻醉效果，通过上位机来优化患者麻醉的效果，若优化后患者依旧麻醉失败则向报警模块传输指令，使得报警模块显示警报以及发出声响；
脑电信号模块：包括非侵入式采集EEG装置，将EEG装置中的多个电极片放置在大脑皮层，记录大脑皮层的神经元活动，去除噪声的干扰形成脑电波信号，并且通过样本熵值算法来得到脑电波信号的样本熵值，若脑电波信号的样本熵值不在预设区间内，则向报警模块传输指令，使得报警模块显示警报；
报警模块：包括显示器以及声音播放装置，显示器用于显示警报以及呼吸检测模块、脸部摄像模块、输入气体检测模块和脑电信号模块采集的各项数据，声音播放装置用于将警报转化成声音。
优选地，所述呼吸检测模块中鼻气流压力采集设备采集的数据中包括鼻部气流的压力信号和呼吸气流速度信号，且鼻部气流的压力信号与呼吸气流速度信号的平方成比例，呼吸检测模块对鼻气流压力信号进行开方处理后得到了与呼吸气流速度信号成正比例的类呼吸气流速度信号，通过类呼吸信号判断患者是否进行有效呼吸以及呼吸是否暂停，当患者吸气时，类呼吸气流速度信号中显示正值，该吸气中吸入的气流为类潮气量，吸气阈值定义为患者的类潮气量信号中类潮气量的10%，当患者吐气时，鼻气流压力信号为负值，吐气阈值定义为该患者类呼吸气流速度信号中最小值的10%，每次呼吸的吸气和吐气均超过该患者的吸气阈值和吐气阈值时为有效呼吸，当多次呼吸的吸气和吐气均不超过该患者的吸气阈值和吐气阈值且持续15秒为一次假呼吸暂停。
优选地，所述呼吸检测模块中的呼吸音信号采集设备采集呼吸音持续时间的信号，对类呼吸信号中的每次假呼吸暂停区间与呼吸音信号采集设备中对应的区间进行对比，若有呼吸音持续则视为有效呼吸，若无呼吸音持续则视为一次真呼吸暂停，同时对报警模块传输指令，使得报警模块显示警报以及发出声响。
优选地，所述脸部识别模块中基础模型SSD中的主干网络为轻量级网络MobileNetV2，轻量级网络 MobileNetV2中特征抽取层的大小为19×19，通道数为96，在不降低精确度的情况下减少了计算量，同时轻量级网络MobileNetV2 采用线性激活函数避免特征丢失，同时堆叠基于深度可分离的卷积块，即将通道、空间相关性完全分离，用深度可分离卷积代替传统卷积，对输入的特征图先进行升维，使用卷积得到更多的特征信息，再降维输出。
优选地，所述脸部识别模块中的深度可分离卷积算法为，其中、为卷积核的长和宽，为输入的通道数，为卷积核的具体个数，为虹膜直径与眼睑之间距离的比值，为预测值，若值为正数则表示患者已清醒，若为负数则表示患者未清醒。
优选地，所述输入气体检测模块中的下位机包括气道压力传感器、气体流量传感器、氧气浓度传感器、二氧化碳浓度传感器、安氟醚浓度传感器和计时器，通过计时器来调节检测时间，将气道压力传感器、气体流量传感器、氧气浓度传感器、二氧化碳浓度传感器采集的数据送至上位机中与设定的部分阈值区间进行对比，若某项数据超出对应的阈值区间则上位机根据安氟醚的浓度传感器采集的数据调节安氟醚的浓度，随后再观察气道压力传感器、气体流量传感器、氧气浓度传感器、二氧化碳浓度传感器采集的新数据是否符合阈值区间，若依旧不符合则重复调节直至符合。
优选地，所述脑电信号模块中去除噪声的干扰包括以下方法：去除基线漂移和呼吸伪差；手动去除信号中的奇异信号；先检测采集到的信号中可能存在的各种伪差信号，具体可根据采集到的原始信号的统计特性，如最大值、均值、中值、最小值、方差、偏斜或峰度等确定阈值除去异常信号点或者段；根据傅里叶变换查看信号的频谱特性，根据脑电信号的频域特性，选择截止频率为1—47Hz的带通滤波器对处理后的脑电信号进行滤波处理；去除眼电信号和肌电信号的干扰，对上面处理后的信号进行小波变换，根据静息状态下的人体眼电信号、肌电信号和脑电信号的频谱特征，利用阈值小波变换算法去除干扰。
优选地，所述小波变换算法包括，其中，为膨胀参数，为位移参数，代表，为小波簇，对于信号，其连续小波变换可定义为函数与在不同，上的小波簇的卷积：，然后对膨胀参数和位移参数离散化得：，其中,则离散的二进小波变换为：。
优选地，所述样本熵值算法包括以下步骤：,其中为时间序列，为数据长度，将嵌入到m维空间可得向量，，计算两个向量和之间的距离得：，其中，统计计算的个数，并计算，，计算平均值：，同样计算，得到样本熵值。
与现有技术相比，本发明具有如下有益效果：
1.本发明中，通过呼吸检测模块的设置，通过鼻气流压力采集设备采集的数据中包括鼻部气流的压力信号和呼吸气流速度信号进行计算来判断患者是否在进行有效呼吸，同时可以直观的观察患者每次呼吸的气体输入量和吐出量，同时当患者的呼吸的气体输入量和吐出量持续15秒不达标时为假呼吸暂停，调取该假呼吸暂停区间内，呼吸音信号采集设备采集呼吸音的持续时间是否正常，若有呼吸音持续则视为有效呼吸，若无呼吸音持续则视为一次真呼吸暂停，同时对报警模块传输指令，使得报警模块显示警报以及发出声响，提高医务人员的注意力，这样可以提高患者呼吸过程中呼吸暂停检测的可靠性，同时提高了安全性。
2.本发明中，通过脸部识别模块的设置，由于 MobileNetv2 特征抽取层的大小为19×19，通道数为96，对基础模型SSD的精确度影响小且参数量较少，这样在不降低精确度的情况下减少了计算量，同时提升了计算速度，更符合麻醉复苏实时检测的条件。
3.本发明中，通过输入气体检测模块的设置，可以通过计时器来选择不同的检测时间，同时多个传感器的设置可以检测患者麻醉各个阶段过程中的不同情况，从而及时作出判断，每个阶段各项数据的阈值区间均不同，因此需要及时调节安氟醚的浓度，同时还需要调节氧气的浓度和流量，这样可以准确检测患者各阶段的状况，从而合理的做出调整。
4.本发明中，通过脑电信号模块的设置，根据脑电信号和干扰源信号的主要频率成分不同，采用小波算法，去除麻醉过程中的脑电信号中的噪声，得到较为纯净的脑电信号，为后续脑电信号的特征提取和特征识别奠定了基础，再对该脑电波信号采用样本熵值算法得到该脑电波信号的样本熵值，通过对比样本熵值来判断患者是否麻醉成功，进而保证后续手术的安全性。
附图说明
图1为本发明一种麻醉监护仪报警用声音转化系统的流程图；
图2为本发明一种麻醉监护仪报警用声音转化系统中输入气体检测模块的流程图；
图3为本发明中小波算法去除干扰的流程图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
在本发明的描述中，需要说明的是，术语“上”、“下”、“内”、“外”“前端”、“后端”、“两端”、“一端”、“另一端”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，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。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“设置有”、“连接”等，应做广义理解，例如“连接”，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发明中的具体含义。
请参照图1—3所示，本实施例为一种麻醉监护仪报警用声音转化系统，该系统包括：
呼吸检测模块：包括设置在患者颈部的呼吸音信号采集设备，以及设置在患者鼻腔内部的鼻气流压力采集设备来收集呼吸数据，确定患者的有效呼吸是否正常，同时检测患者呼吸是否暂停，若患者呼吸暂停则对报警模块传输指令，使得报警模块显示警报以及发出声响；
脸部摄像模块：包括设置于脸部上方的摄像机和设置于摄像机一侧的计算装置，计算装置中构建基础模型SSD检测患者眨眼和开口来判断患者是否苏醒，摄像机将脸部图片送至计算装置中的基础模型SSD中，基础模型SSD通过分割采集图像中的双眼虹膜和眼睑，通过识别每只眼睛的眼睑之间的距离和相应的虹膜直径，然后通过深度可分离卷积算法进行处理，识别患者眨眼并确定患者是否苏醒，同时对患者的嘴型进行对比来判断是否苏醒；
输入气体检测模块：包括用于数据采集的下位机以及处理麻醉气体浓度的上位机，通过下位机检测患者的呼吸治疗以及麻醉效果，通过上位机来优化患者麻醉的效果，若优化后患者依旧麻醉失败则向报警模块传输指令，使得报警模块显示警报以及发出声响；
脑电信号模块：包括非侵入式采集EEG装置，将EEG装置中的多个电极片放置在大脑皮层，记录大脑皮层的神经元活动，去除噪声的干扰形成脑电波信号，并且通过样本熵值算法来得到脑电波信号的样本熵值，若脑电波信号的样本熵值不在预设区间内，则向报警模块传输指令，使得报警模块显示警报；
报警模块：包括显示器以及声音播放装置，显示器用于显示警报以及呼吸检测模块、脸部摄像模块、输入气体检测模块和脑电信号模块采集的各项数据，声音播放装置用于将警报转化成声音。
呼吸检测模块中鼻气流压力采集设备采集的数据中包括鼻部气流的压力信号和呼吸气流速度信号，且鼻部气流的压力信号与呼吸气流速度信号的平方成比例，呼吸检测模块对鼻气流压力信号进行开方处理后得到了与呼吸气流速度信号成正比例的类呼吸气流速度信号，通过类呼吸信号判断患者是否进行有效呼吸以及呼吸是否暂停，当患者吸气时，类呼吸气流速度信号中显示正值，该吸气中吸入的气流为类潮气量，吸气阈值定义为患者的类潮气量信号中类潮气量的10%，当患者吐气时，鼻气流压力信号为负值，吐气阈值定义为该患者类呼吸气流速度信号中最小值的10%，每次呼吸的吸气和吐气均超过该患者的吸气阈值和吐气阈值时为有效呼吸，当多次呼吸的吸气和吐气均不超过该患者的吸气阈值和吐气阈值且持续15秒为一次假呼吸暂停。
呼吸检测模块中的呼吸音信号采集设备采集呼吸音持续时间的信号，对类呼吸信号中的每次假呼吸暂停区间与呼吸音信号采集设备中对应的区间进行对比，若有呼吸音持续则视为有效呼吸，若无呼吸音持续则视为一次真呼吸暂停，同时对报警模块传输指令，使得报警模块显示警报以及发出声响。
通过鼻气流压力采集设备采集的数据中包括鼻部气流的压力信号和呼吸气流速度信号进行计算来判断患者是否在进行有效呼吸，同时可以直观的观察患者每次呼吸的气体输入量和吐出量，同时当患者的呼吸的气体输入量和吐出量持续15秒不达标时为假呼吸暂停，调取该假呼吸暂停区间内，呼吸音信号采集设备采集呼吸音的持续时间是否正常，若有呼吸音持续则视为有效呼吸，若无呼吸音持续则视为一次真呼吸暂停，同时对报警模块传输指令，使得报警模块显示警报以及发出声响，提高医务人员的注意力，这样可以提高患者呼吸过程中呼吸暂停检测的可靠性，同时提高了安全性；
脸部识别模块中基础模型SSD中的主干网络为轻量级网络MobileNetV2，轻量级网络MobileNetV2中特征抽取层的大小为19×19，通道数为96，在不降低精确度的情况下减少了计算量，同时轻量级网络MobileNetV2采用线性激活函数避免特征丢失，同时堆叠基于深度可分离的卷积块，即将通道、空间相关性完全分离，用深度可分离卷积代替传统卷积，对输入的特征图先进行升维，使用卷积得到更多的特征信息，再降维输出。
脸部识别模块中的深度可分离卷积算法为，其中、为卷积核的长和宽，为输入的通道数，为卷积核的具体个数，为虹膜直径与眼睑之间距离的比值，为预测值，若值为正数则表示患者已清醒，若为负数则表示患者未清醒。
由于 MobileNetv2 特征抽取层的大小为19×19，通道数为96，对基础模型SSD的精确度影响小且参数量较少，这样在不降低精确度的情况下减少了计算量，同时提升了计算速度，更符合麻醉复苏实时检测的条件；
输入气体检测模块中的下位机包括气道压力传感器、气体流量传感器、氧气浓度传感器、二氧化碳浓度传感器、安氟醚浓度传感器和计时器，通过计时器来调节检测时间，将气道压力传感器、气体流量传感器、氧气浓度传感器、二氧化碳浓度传感器采集的数据送至上位机中与设定的部分阈值区间进行对比，若某项数据超出对应的阈值区间则上位机根据安氟醚的浓度传感器采集的数据调节安氟醚的浓度，随后再观察气道压力传感器、气体流量传感器、氧气浓度传感器、二氧化碳浓度传感器采集的新数据是否符合阈值区间，若依旧不符合则重复调节直至符合。
输入气体检测模块中下位机的多个传感器的对应阈值区间随着阶段的改变而改变，将阶段分为开始采集脑电信号的时刻到开始注射麻醉药的时刻、开始注射麻醉药的时刻到患者达到手术状态的时刻、患者达到手术状态的时刻到停止给药的时刻，以及停止给药的时刻到患者的苏醒时刻，其中患者达到手术状态的时刻由麻醉医生根据经验和BIS监护仪的指数来判断，当BIS值在40-60之间，表示患者进入合适的麻醉状态即中度麻醉状态，麻醉前开始记录脑电信号到开始注射麻醉药之间患者处于清醒状态，该段脑电信号即为清醒状态下的脑电信号；开始注射麻醉药的时间到病人达到手术状态的时间之间即为诱导阶段，患者处于轻度麻醉状态，该段脑电信号即为轻度麻醉状态下的脑电信号；达到手术状态的时间到停止给药之间的时间即手术维持阶段，患者处于中度麻醉状态，该段脑电信号即为中度麻醉状态下的脑电信号；停止给药到苏醒时刻之间即为恢复阶段，患者处于轻度麻醉状态，该段脑电信号即为轻度麻醉状态下的脑电信号；
可以通过计时器来选择不同的检测时间，同时多个传感器的设置可以检测患者麻醉各个阶段过程中的不同情况，从而及时作出判断，每个阶段各项数据的阈值区间均不同，因此需要及时调节安氟醚的浓度，同时还需要调节氧气的浓度和流量，这样可以准确检测患者各阶段的状况，从而合理的做出调整；
当气道压力传感器检测到氧气气压低于下限时停止气体输送并报警、对二氧化碳气压过高过低的监测报警，同时还设置有废气处理装置，废气处理装置由气体收集装置、输送管道、连接装置与处理装置构成，输入气体检测模块中产生的多余麻醉气体和人体内排出的废气都通过废气处理装置进行处理。
脑电信号模块中去除噪声的干扰包括以下方法：去除基线漂移和呼吸伪差；手动去除信号中的奇异信号；先检测采集到的信号中可能存在的各种伪差信号，具体可根据采集到的原始信号的统计特性，如最大值、均值、中值、最小值、方差、偏斜或峰度等确定阈值除去异常信号点或者段；根据傅里叶变换查看信号的频谱特性，根据脑电信号的频域特性，选择截止频率为1—47Hz的带通滤波器对处理后的脑电信号进行滤波处理；去除眼电信号和肌电信号的干扰，对上面处理后的信号进行小波变换，根据静息状态下的人体眼电信号、肌电信号和脑电信号的频谱特征，利用阈值小波变换算法去除干扰。
先将原始脑电信号小波分解。选择合适的小波基函数和小波分解层数，计算各层小波分解系数；再进行高频系数阈值化处理：每一个分解层选择一个阈值，对高频系数进行处理，去除集中在高频的噪声成分；随后对脑电信号小波重构：针对每一个分解层，对低频系数部分和阈值量化处理后的高频系数部分进行小波重构，获得去掉噪声后的脑电信号；
小波变换算法包括，其中，为膨胀参数，为位移参数，代表，为小波簇，对于信号，其连续小波变换可定义为函数与在不同，上的小波簇的卷积：，然后对膨胀参数和位移参数离散化得：，其中,则离散的二进小波变换为：。
样本熵值算法包括以下步骤：,其中为时间序列，为数据长度，将嵌入到m维空间可得向量，，计算两个向量和之间的距离得：，其中，统计计算的个数，并计算，，计算平均值：，同样计算，得到样本熵值。
根据脑电信号和干扰源信号的主要频率成分不同，采用小波算法，去除麻醉过程中的脑电信号中的噪声，得到较为纯净的脑电信号，为后续脑电信号的特征提取和特征识别奠定了基础，再对该脑电波信号采用样本熵值算法得到该脑电波信号的样本熵值，通过对比样本熵值来判断患者是否麻醉成功，进而保证后续手术的安全性。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (9)

1.一种麻醉监护仪报警用声音转化系统，其特征在于：该系统包括：
呼吸检测模块：包括设置在患者颈部的呼吸音信号采集设备，以及设置在患者鼻腔内部的鼻气流压力采集设备来收集呼吸数据，确定患者的有效呼吸是否正常，同时检测患者呼吸是否暂停，若患者呼吸暂停则对报警模块传输指令，使得报警模块显示警报以及发出声响；
脸部摄像模块：包括设置于脸部上方的摄像机和设置于摄像机一侧的计算装置，计算装置中构建基础模型SSD检测患者眨眼和开口来判断患者是否苏醒，摄像机将脸部图片送至计算装置中的基础模型SSD中，基础模型SSD通过分割采集图像中的双眼虹膜和眼睑，通过识别每只眼睛的眼睑之间的距离和相应的虹膜直径，然后通过深度可分离卷积算法进行处理，识别患者眨眼并确定患者是否苏醒，同时对患者的嘴型进行对比来判断是否苏醒；
输入气体检测模块：包括用于数据采集的下位机以及处理麻醉气体浓度的上位机，通过下位机检测患者的呼吸治疗以及麻醉效果，通过上位机来优化患者麻醉的效果，若优化后患者依旧麻醉失败则向报警模块传输指令，使得报警模块显示警报以及发出声响；
脑电信号模块：包括非侵入式采集EEG装置，将EEG装置中的多个电极片放置在大脑皮层，记录大脑皮层的神经元活动，去除噪声的干扰形成脑电波信号，并且通过样本熵值算法来得到脑电波信号的样本熵值，若脑电波信号的样本熵值不在预设区间内，则向报警模块传输指令，使得报警模块显示警报；
报警模块：包括显示器以及声音播放装置，显示器用于显示警报以及呼吸检测模块、脸部摄像模块、输入气体检测模块和脑电信号模块采集的各项数据，声音播放装置用于将警报转化成声音。
2.根据权利要求1所述的一种麻醉监护仪报警用声音转化系统，其特征在于：所述呼吸检测模块中鼻气流压力采集设备采集的数据中包括鼻部气流的压力信号和呼吸气流速度信号，且鼻部气流的压力信号与呼吸气流速度信号的平方成比例，呼吸检测模块对鼻气流压力信号进行开方处理后得到了与呼吸气流速度信号成正比例的类呼吸气流速度信号，通过类呼吸信号判断患者是否进行有效呼吸以及呼吸是否暂停，当患者吸气时，类呼吸气流速度信号中显示正值，该吸气中吸入的气流为类潮气量，吸气阈值定义为患者的类潮气量信号中类潮气量的10%，当患者吐气时，鼻气流压力信号为负值，吐气阈值定义为该患者类呼吸气流速度信号中最小值的10%，每次呼吸的吸气和吐气均超过该患者的吸气阈值和吐气阈值时为有效呼吸，当多次呼吸的吸气和吐气均不超过该患者的吸气阈值和吐气阈值且持续15秒为一次假呼吸暂停。
3.根据权利要求2所述的一种麻醉监护仪报警用声音转化系统，其特征在于：所述呼吸检测模块中的呼吸音信号采集设备采集呼吸音持续时间的信号，对类呼吸信号中的每次假呼吸暂停区间与呼吸音信号采集设备中对应的区间进行对比，若有呼吸音持续则视为有效呼吸，若无呼吸音持续则视为一次真呼吸暂停，同时对报警模块传输指令，使得报警模块显示警报以及发出声响。
4.根据权利要求3所述的一种麻醉监护仪报警用声音转化系统，其特征在于：所述脸部识别模块中基础模型SSD中的主干网络为轻量级网络 MobileNetV2，轻量级网络MobileNetV2中特征抽取层的大小为19×19，通道数为96，在不降低精确度的情况下减少了计算量，同时轻量级网络MobileNetV2 采用线性激活函数避免特征丢失，同时堆叠基于深度可分离的卷积块，即将通道、空间相关性完全分离，用深度可分离卷积代替传统卷积，对输入的特征图先进行升维，使用卷积得到更多的特征信息，再降维输出。
5.根据权利要求4所述的一种麻醉监护仪报警用声音转化系统，其特征在于：所述脸部识别模块中的深度可分离卷积算法为，其中、为卷积核的长和宽，为输入的通道数，为卷积核的具体个数，为虹膜直径与眼睑之间距离的比值，为预测值，若值为正数则表示患者已清醒，若为负数则表示患者未清醒。
6.根据权利要求5所述的一种麻醉监护仪报警用声音转化系统，其特征在于：所述输入气体检测模块中的下位机包括气道压力传感器、气体流量传感器、氧气浓度传感器、二氧化碳浓度传感器、安氟醚浓度传感器和计时器，通过计时器来调节检测时间，将气道压力传感器、气体流量传感器、氧气浓度传感器、二氧化碳浓度传感器采集的数据送至上位机中与设定的部分阈值区间进行对比，若某项数据超出对应的阈值区间则上位机根据安氟醚的浓度传感器采集的数据调节安氟醚的浓度，随后再观察气道压力传感器、气体流量传感器、氧气浓度传感器、二氧化碳浓度传感器采集的新数据是否符合阈值区间，若依旧不符合则重复调节直至符合。
7.根据权利要求6所述的一种麻醉监护仪报警用声音转化系统，其特征在于：所述脑电信号模块中去除噪声的干扰包括以下方法：去除基线漂移和呼吸伪差；手动去除信号中的奇异信号；先检测采集到的信号中可能存在的各种伪差信号，具体可根据采集到的原始信号的统计特性，如最大值、均值、中值、最小值、方差、偏斜或峰度等确定阈值除去异常信号点或者段；根据傅里叶变换查看信号的频谱特性，根据脑电信号的频域特性，选择截止频率为1—47Hz的带通滤波器对处理后的脑电信号进行滤波处理；去除眼电信号和肌电信号的干扰，对上面处理后的信号进行小波变换，根据静息状态下的人体眼电信号、肌电信号和脑电信号的频谱特征，利用阈值小波变换算法去除干扰。
8.根据权利要求7所述的一种麻醉监护仪报警用声音转化系统，其特征在于：所述小波变换算法包括，其中，为膨胀参数，为位移参数，代表，为小波簇，对于信号，其连续小波变换可定义为函数与在不同，上的小波簇的卷积：，然后对膨胀参数和位移参数离散化得：，其中,则离散的二进小波变换为：。
9.根据权利要求8所述的一种麻醉监护仪报警用声音转化系统，其特征在于：所述样本熵值算法包括以下步骤：,其中为时间序列，为数据长度，将嵌入到m维空间可得向量，，计算两个向量和之间的距离得：，其中，统计计算的个数，并计算，，计算平均值：，同样计算，得到样本熵值。
CN202410792980.7A 2024-06-19 2024-06-19 一种麻醉监护仪报警用声音转化系统 Pending CN118557181A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410792980.7A CN118557181A (zh) 2024-06-19 2024-06-19 一种麻醉监护仪报警用声音转化系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410792980.7A CN118557181A (zh) 2024-06-19 2024-06-19 一种麻醉监护仪报警用声音转化系统

Publications (1)

Publication Number Publication Date
CN118557181A true CN118557181A (zh) 2024-08-30

Family

ID=92466841

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410792980.7A Pending CN118557181A (zh) 2024-06-19 2024-06-19 一种麻醉监护仪报警用声音转化系统

Country Status (1)

Country Link
CN (1) CN118557181A (zh)

Similar Documents

Publication Publication Date Title
JP7078676B2 (ja) 睡眠段階を決定するシステム及び方法
TW579290B (en) System and method for detecting the onset of an obstructive sleep apnea event
EP4096757B1 (en) System for detecting mouth leak
US10213152B2 (en) System and method for real-time measurement of sleep quality
Bozkurt et al. Detection of abnormal respiratory events with single channel ECG and hybrid machine learning model in patients with obstructive sleep apnea
US6935335B1 (en) System and method for treating obstructive sleep apnea
US20240398336A1 (en) Apparatus and methods for screening, diagnosis and monitoring of respiratory disorders
JP5155856B2 (ja) 臨床症状の予測および監視技術
US20070208269A1 (en) Mask assembly, system and method for determining the occurrence of respiratory events using frontal electrode array
CN101365373A (zh) 用于预测和监测临床发作的技术
EP2142095A1 (en) Monitoring, predicting and treating clinical episodes
EP2506761A1 (en) Multi-channel brain or cortical activity monitoring and method
ES2298060A1 (es) Sistema para la monitorizacion y analisis de señales cardiorespiratorias y del ronquido.
CN101309716A (zh) 用于诊断和治疗患者呼吸模式的系统和方法
CN115607123A (zh) 一种心肺功能监测和呼吸机闭环控制一体化装置
CN118557181A (zh) 一种麻醉监护仪报警用声音转化系统
KR20190071893A (ko) 자궁 근전도 신호를 기반으로 하는 조산예측기능을 갖고, 양압 호흡기를 구비하는 임산부 모니터링 시스템
EP4623814A1 (en) Continuous positive airway pressure cpap method and system for alerting the onset of stroke during sleep
La Porta Sleep apnea events recognition based on polysomnographic signals recordings: a machine learning approach
EP4593695A1 (en) Systems and methods for cardiogenic oscillation detection

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20240830

WD01 Invention patent application deemed withdrawn after publication