ES2989788T3

ES2989788T3 - Sistema y método para determinar el volumen de sangre cerebral y/o la circulación de sangre cerebral y/o la profundidad anestésica de un paciente

Info

Publication number: ES2989788T3
Application number: ES18728851T
Authority: ES
Inventors: Erik Jensen; Pijuan Carmen Gonzalez
Original assignee: Quantium Medical SL
Current assignee: Quantium Medical SL
Priority date: 2017-06-14
Filing date: 2018-05-29
Publication date: 2024-11-27
Anticipated expiration: 2038-05-29
Also published as: EP3638099C0; JP2020523113A; EP3638099A1; BR112019024732A2; RU2020100456A; CN110740681A; WO2018228813A1; RU2020100456A3; RU2766409C2; US20200222008A1; EP3638099B1; JP7189897B2; US11589824B2

Abstract

Un sistema (1) para estimar el volumen sanguíneo cerebral y/o el flujo sanguíneo cerebral y/o la profundidad de la anestesia de un paciente, comprende al menos un electrodo de excitación (110E) que se coloca sobre la cabeza (20) de un paciente (2) para aplicar una señal de excitación, al menos un electrodo sensor (110S) que se coloca sobre la cabeza (20) del paciente (2) para detectar una señal de medición provocada por la señal de excitación, y un dispositivo procesador (12) para procesar dicha señal de medición (VC) detectada por el al menos un electrodo sensor (110S) para determinar una salida indicativa del volumen sanguíneo cerebral y/o el flujo sanguíneo cerebral. En este caso, el dispositivo procesador (12) está constituido para reducir el ruido en la señal de medición (VC) mediante la aplicación de un algoritmo de reducción de ruido no lineal. De esta manera, se proporciona un sistema para estimar el volumen sanguíneo cerebral y/o el flujo sanguíneo cerebral de un paciente que puede conducir a una mayor precisión y, por lo tanto, a estimaciones más exactas. (Traducción automática con Google Translate, sin valor legal)

Description

DESCRIPCIÓN

Sistema y método para determinar el volumen de sangre cerebral y/o la circulación de sangre cerebral y/o la profundidad anestésica de un paciente

La invención se refiere a un sistema para determinar el volumen de sangre cerebral y/o la circulación de sangre cerebral y/o la profundidad anestésica de un paciente de acuerdo con la reivindicación 1 y a un método correspondiente como se define en la reivindicación 9.

Un sistema de este tipo comprende al menos un electrodo de excitación que se coloca en la cabeza de un paciente para aplicar una señal de excitación, y al menos un electrodo de detección que se coloca en la cabeza del paciente para detectar una señal de medición generada por la señal de excitación. Un dispositivo procesador sirve para procesar dicha señal de medición detectada por el al menos un electrodo de detección a fin de determinar un valor de salida que indique el volumen de sangre cerebral y/o de la circulación de sangre cerebral.

Generalmente, el estado hemodinámico del paciente, por ejemplo, durante la anestesia, puede variar rápidamente, por lo que una monitorización frecuente o incluso continua del volumen de sangre cerebral y de la circulación de sangre cerebral puede proporcionar información útil que permita una reacción rápida cuando la perfusión cerebral se vea afectada, incluyendo un ajuste rápido de los anestésicos si es necesario.

La señal de excitación excitada por el al menos un electrodo puede ser, por ejemplo, una corriente eléctrica que se inyecta a una frecuencia predeterminada y con una amplitud constante. Por ejemplo, se puede colocar una disposición de múltiples electrodos de excitación, por ejemplo, dos electrodos de excitación, en la cabeza del paciente para que fluya una corriente de un electrodo de excitación al otro. Mediante uno o varios electrodos de detección, a continuación, se puede detectar una señal de tensión vinculada a la corriente de excitación inyectada por la bioimpedancia del paciente.

La medición de la bioimpedancia en partes del cuerpo se describe, por ejemplo, en el documento US 3.340.867, que divulga una pletismografía de impedancia especialmente útil para determinar el gasto cardíaco.

El documento US 3.835.840 describe un aparato de pletismografía de impedancia y un método para utilizar la impedancia eléctrica como indicador de la circulación de sangre en la aorta u otras arterias.

El documento US 2007/0287899 A1 divulga un método de estimación de al menos un parámetro hemodinámico intracraneal mediante la obtención de un análisis de datos de cambios en la impedancia eléctrica a través de la cabeza de un sujeto en función del tiempo.

El documento US 2010/0268096 A1 divulga un método y un aparato para correlacionar la impedancia con la circulación de sangre pulsátil.

En el US 2016/0374581 A1 se describe un aparato para determinar el volumen sistólico, el gasto cardíaco y la inflamación sistémica mediante la combinación lógica difusa de características extraídas de una tensión medida sobre el tórax.

Por lo general, existe el deseo de poder determinar de manera suficientemente exacta la circulación de sangre cerebral y el volumen de sangre cerebral de un paciente, en particular durante la anestesia. Por ende, al procesar una señal de medición es necesario eliminar el ruido y los artefactos de forma que el ruido o los artefactos no tengan una (gran) influencia en la precisión del procesamiento. En este contexto, cabe suponer que, en general, las técnicas de filtrado que emplean, por ejemplo, filtros de paso bajo o filtros pasobanda no ofrecen una precisión suficiente porque, en particular en el contexto de las mediciones de la bioimpedancia, la señal de medición puede tener un espectro de frecuencias amplio y potencialmente variable que muestre diferentes contenidos de frecuencia, de modo que las técnicas de filtrado convencionales pueden tener un efecto no deseado en la propia señal.

La expresión "volumen de sangre cerebral" (o simplemente volumen de sangre) en el contexto de este texto debe entenderse que se refiere a la cantidad de sangre que se ve afectada por el enfoque de medición de la bioimpedancia mediante el al menos un electrodo de excitación y el al menos un electrodo de detección. En concreto, se puede suponer que una señal de excitación, en particular una corriente inyectada, fluirá por la ruta de menor resistencia (impedancia), en particular a lo largo de las arterias llenas de sangre. Por ende, una señal medida correlativa a la impedancia será más baja cuanta más sangre haya, y viceversa. Por ende, cuando se utiliza una disposición que comprende dos electrodos de excitación colocados, por ejemplo, en las sienes opuestas de la cabeza del paciente, el volumen de sangre cerebral indica la cantidad de sangre presente entre los dos electrodos de excitación y que influye en el guiado de la señal de excitación.

La expresión "circulación de sangre del cerebro" (o circulación de sangre cerebral, abreviada como CSC) en el contexto de este texto debe entenderse como el volumen de sangre por minuto que llega al cerebro.

El documento WO 2015/086020 A1 describe un aparato para determinar el volumen sistólico, el gasto cardíaco y la inflamación sistémica mediante una combinación lógica difusa de características extraídas de una tensión medida sobre el tórax, electrocardiograma y electroencefalograma.

Es un objeto de la presente invención proporcionar un sistema y un método para determinar el volumen de sangre cerebral y/o la circulación de sangre cerebral de un paciente que pueda conducir a una mayor precisión y, por lo tanto, a estimaciones más exactas.

Este objeto se logra mediante un sistema que comprende las características de la reivindicación 1.

Por consiguiente, el dispositivo procesador está constituido para reducir el ruido en la señal de medición aplicando un algoritmo no lineal de reducción del ruido, en particular mediante un análisis de mapas de Poincaré.

Dentro de un análisis de mapas de Poincaré, en particular,

- se puede construir un atractor a partir de una serie temporal (perturbada por el ruido) que represente una señal de medición,

- se pueden agrupar puntos del atractor en lo que se denomina vecindades,

- se pueden proyectar las vecindades y

- se puede reconstruir una nueva serie temporal que represente una señal de medición con reducción del ruido a partir de las vecindades proyectadas.

El proceso que incluye las etapas anteriores puede repetirse iterativamente. Por consiguiente, el algoritmo puede aplicarse de nuevo a la señal reconstruida hasta obtenerse una reducción del ruido que se considere suficiente para un tratamiento posterior.

El algoritmo de reducción del ruido no lineal puede incluir en particular:

- determinar un mapa de Poincaré m-dimensional a partir de la señal de medición,

- agrupar puntos conforme a las vecindades en el mapa de Poincaré,

- definir un sistema de coordenadas para cada vecindad en función del centro de gravedad de la vecindad, - determinar las coordenadas de los puntos de las vecindades mediante el sistema de coordenadas de cada vecindad,

- diferenciar las coordenadas que tienen una gran contribución a la varianza de la señal de medición de las coordenadas que tienen una contribución reducida a la varianza de la señal de medición, y

- eliminar las coordenadas que contribuyen en menor medida a la varianza de la señal de medición para obtener un nuevo conjunto de coordenadas para cada vecindad,

- definir un nuevo sistema de coordenadas para cada vecindad de acuerdo con el nuevo conjunto de coordenadas, teniendo el nuevo sistema de coordenadas un número reducido de dimensiones, y

- proyectar los puntos de cada vecindad en el nuevo sistema de coordenadas.

Esto se basa en la constatación de que, para obtener una mayor precisión al procesar las señales de medición de la bioimpedancia, se puede utilizar un algoritmo de reducción del ruido basado en el análisis de mapas de Poincaré para reducir las interferencias sin introducir ningún desplazamiento de fase en la señal de medición.

Por ejemplo, Maria G. Signorini, Fabrizio Marchetti y Sergio Cerutti en "Applying Non-linear Noise Reduction in the analysis of Heart Rate Variability. A promising tool in the Early Identification of Cardiovascular Dynamics",IEEE Engineering in Medicine and Biology Magazine,marzo-abril de 2001, páginas 59-68, describen un algoritmo de reducción del ruido no lineal que utiliza el análisis de mapas de Poincaré.

Como otro ejemplo, R. Cawley y G.-H. Hsu en "Local-geometric-projection method for noise reduction in chaotic maps and flows",Physical Review A,Col. 46, n.° 6, 1992, páginas 3057-3082, describen un algoritmo de reducción del ruido que utiliza el análisis de mapas de Poincaré.

El algoritmo de reducción del ruido aplicado por el dispositivo procesador utiliza, por ejemplo, un análisis de mapas de Poincaré. Para formar los mapas de Poincaré, la señal de medición, de forma digitalizada, se representa sobre una versión retardada de la señal de medición, en donde se obtienen mapas de Poincaré multidimensionales para diferentes retardos (cada retardo corresponde a una dimensión del mapa de Poincaré). Dentro de un mapa de Poincaré, los puntos de la señal de medición se agrupan por vecindades, y dentro de las vecindades se recalculan las coordenadas de cada punto considerando el centro de gravedad de la vecindad como nueva referencia. Las coordenadas que tienen una gran influencia en la varianza de la señal de medición se diferencian de las coordenadas que tienen una contribución reducida a la varianza de la señal de medición. Se calcula la contribución de cada dimensión particular a la varianza de los puntos de la vecindad, y algunas de esas dimensiones se eliminan basándose en la suposición de que cabe esperar que las coordenadas que tienen una contribución reducida a la varianza se deban al ruido. Por ende, mediante el análisis del mapa de Poincaré se obtiene una señal de medición con reducción del ruido, que puede utilizarse para el procesamiento posterior con el fin de determinar el volumen de sangre cerebral y la circulación de sangre cerebral.

Al eliminar el número de dimensiones de las vecindades, se reduce localmente el ruido para cada conjunto de puntos, preservando los patrones más significativos de los puntos de la vecindad. De esta manera, se utiliza el llamado atractor de la señal de medición para reconstruir la señal de medición, que ahora es de suponer que se verá poco afectada por el ruido.

En una realización, el al menos un electrodo de excitación se controla para inyectar una corriente eléctrica que tiene una o varias frecuencias predeterminadas y/o que tiene una amplitud constante. Por ende, a través del al menos un electrodo de excitación se inyecta una corriente, que fluye por una región del paciente y provoca una señal de tensión, que puede ser captada por el al menos un electrodo de detección como señal de medición. La señal de tensión, también denominada curva pletismográfica de tensión, pletismograma de tensión o curva de tensión, se vincula a la corriente inyectada por medio de la bioimpedancia, que, en particular, está influenciada por la sangre que fluye por las arterias de la cabeza del paciente en la que se coloca el al menos un electrodo de excitación y el al menos un electrodo de detección.

La corriente de excitación puede tener, por ejemplo, una amplitud constante de 50 a 1000 pA y puede tener una frecuencia elevada, por ejemplo, de 50 kHz.

En una realización, pueden colocarse dos electrodos de excitación en la cabeza del paciente, por ejemplo, un electrodo de excitación en la sien izquierda y otro electrodo de excitación en la sien derecha de la cabeza del paciente. Por lo tanto, la corriente circula entre los dos electrodos de excitación por la ruta de menor resistencia (impedancia), es decir, a lo largo de las arterias llenas de sangre del interior de la cabeza del paciente. Además, por ejemplo, pueden utilizarse dos electrodos de detección, cada electrodo de detección se coloca cerca de un electrodo de excitación en una sien de la cabeza del paciente.

La señal de medición detectada por el al menos un electrodo de detección se procesa en el dispositivo procesador en una primera ruta de procesamiento que comprende un dispositivo de amplificación para amplificar la señal de medición y un convertidor de analógico a digital para digitalizar la señal de medición. El dispositivo de amplificación puede ser, en particular, un amplificador de bajo ruido (LNA,Low-Noise Amplifier)para amplificar la señal de medición, en particular, una señal de tensión, captada por el al menos un electrodo de detección. Mediante el convertidor de analógico a digital, la señal de medición (amplificada) se digitaliza para su posterior procesamiento, de forma que este se realiza sobre una versión digitalizada de la señal de medición.

El dispositivo procesador está constituido para determinar, en función de la señal de medición, un indicador del volumen de sangre cerebral de acuerdo con un área obtenida a partir de la integración de la señal de medición. En concreto, la señal de medición, en particular, la curva de tensión, se integra en el período de apertura de la válvula aórtica, que se obtiene de la señal de medición. En este sentido, cabe señalar que la señal de medición será variable y aproximadamente periódica con la frecuencia cardíaca. Por consiguiente, la señal de medición puede dividirse en porciones, siendo cada porción correspondiente a la señal de tensión a lo largo de un latido del corazón del paciente. Dentro de dicha porción se puede obtener el período de apertura de la válvula aórtica, en donde el punto de inicio del período de apertura puede definirse, por ejemplo, por un aumento de la señal de tensión en el intervalo del 5 al 15 %. El punto final del período de apertura de la válvula aórtica puede definirse, a continuación, como el punto en el tiempo para el que la señal de tensión se aproxima a ese mismo umbral. Habiéndose obtenido el indicador del volumen de sangre cerebral (que es el área obtenida de la integración), se obtiene un indicador de la circulación de sangre cerebral multiplicando dicho indicador del volumen de sangre cerebral por la frecuencia cardíaca. La frecuencia cardíaca puede deducirse de la propia señal de medición determinando la periodicidad de la señal de medición. En concreto, se puede suponer que la frecuencia cardíaca es igual al intervalo entre picos sucesivos de la señal de tensión. Si se multiplica el indicador del volumen de sangre cerebral por la frecuencia cardíaca, se obtiene un indicador de la circulación de sangre cerebral, es decir, un indicador del volumen de sangre que llega al cerebro del paciente por minuto (lo que se denomina circulación de sangre cerebral).

El indicador del volumen de sangre cerebral y el indicador de la circulación de sangre cerebral se correlacionan con el volumen de sangre cerebral real y con la circulación de sangre cerebral real y, por consiguiente, permiten determinar el volumen de sangre cerebral y la circulación de sangre cerebral reales. Los valores reales del volumen de sangre cerebral y de la circulación de sangre cerebral se obtienen, de acuerdo con la invención, mediante un primer modelo no lineal en el que se introducen los indicadores del volumen de sangre cerebral y de la circulación de sangre cerebral para obtener los valores de salida indicadores de las determinaciones del volumen de sangre cerebral real y de la circulación de sangre cerebral. El primer modelo no lineal puede ser, por ejemplo, un modelo de lógica difusa o un modelo de ecuación cuadrática, que pueden formarse, en una fase inicial, de acuerdo con los datos de preparación cuya circulación de sangre cerebral se conoce. En la fase de preparación se definen los parámetros del modelo de forma que el modelo, en el que se han introducido el indicador del volumen de sangre cerebral y la circulación de sangre cerebral, determine (de manera exacta) los valores reales del volumen de sangre cerebral y de la circulación de sangre cerebral.

En el primer modelo no lineal se pueden introducir valores de entrada, por ejemplo, un valor derivado máximo de la señal de medición, una amplitud positiva máxima de la señal de medición y una amplitud negativa máxima de la señal de medición, y/o un valor del tiempo de eyección del ventrículo izquierdo obtenido de la señal de medición. Estas características pueden obtenerse de la propia señal de medición, en particular, a partir de una porción de la señal de medición relativa a un latido, de modo que, mediante el primer modelo no lineal, se obtienen los valores reales del volumen de sangre cerebral y de la circulación de sangre cerebral para cada latido.

Para, por ejemplo, determinar, además, un valor de salida indicativo de la profundidad anestésica, se introducen los valores de salida obtenidos del primer modelo no lineal en un segundo modelo no lineal, que también puede ser un modelo de lógica difusa o un modelo de ecuación cuadrática. Mediante el segundo modelo no lineal, las características obtenidas a partir de una señal de EEG se combinan con las determinaciones del volumen de sangre cerebral y de la circulación de sangre cerebral obtenidas a partir del primer modelo no lineal. Dichas características se obtienen a través de una segunda ruta de procesamiento del dispositivo procesador en el que se recibe y procesa una señal de EEG, por ejemplo, obteniéndose las características en función de la dinámica simbólica de la señal de EEG, mediante la determinación de intervalos de frecuencias de la señal de EEG, mediante la determinación de un valor de entropía de la señal de EEG y/o mediante la determinación de un valor indicativo de la supresión de ráfagas en la señal de EEG.

Para obtener la señal de EEG, se colocan los electrodos de la EEG en el cuero cabelludo del paciente para captar la actividad eléctrica espontánea de su cerebro.

El término "electroencefalografía (EEG)" se refiere generalmente al registro de la actividad eléctrica por el cuero cabelludo. La EEG mide las fluctuaciones de tensión resultantes de los flujos de corriente iónica dentro de las neuronas del cerebro. En contextos clínicos, Por EEG se entiende el registro de la actividad eléctrica espontánea del cerebro a partir de varios electrodos colocados en el cuero cabelludo. Las aplicaciones de diagnóstico generalmente se enfocan en el contenido espectral de EEG, es decir, el tipo de oscilaciones neuronales que pueden observarse en las señales de EEG.

El procesamiento de la EEG implica un análisis espectral de la misma. A partir del espectro pueden definirse intervalos de frecuencias, relativos, por ejemplo, a los contenidos energéticos en porciones del espectro de 1-4 Hz, 4-8 Hz, 8 12 Hz, 12-20 Hz, 20-45 Hz, etc.

La dinámica simbólica puede utilizarse para evaluar la complejidad de la EEG. Los símbolos pueden ser 1 y 0, por ejemplo, 1 cuando la e Eg es positiva y 0 cuando es negativa. Además, los símbolos podrían diseñarse en función de si la diferencia entre muestras sucesivas es mayor o menor que un factor multiplicado por la desviación típica de las muestras de EEG en un determinado intervalo temporal. En general, al disminuir la circulación de sangre se produce una disminución de la frecuencia media o del borde espectral de la EEG.

La supresión de ráfagas de la EEG se caracteriza por períodos de ráfagas seguidos de una EEG plana, que suele producirse durante la baja actividad cerebral causada por los anestésicos, hipoxia o baja circulación de sangre cerebral.

Para el análisis de señales de EEG, por ejemplo, puede emplearse un algoritmo de transformada rápida de Fourier (FFT,Fast Fourier Transformation).Mediante un algoritmo de transformada rápida de Fourier se puede calcular una transformada discreta de Fourier (DFT,Discrete Fourier Transform)y su inversa. Una transformada de Fourier convierte el tiempo (o el espacio) en frecuencia y viceversa.

Además, de acuerdo con otro aspecto, pueden introducirse otros parámetros en el segundo modelo no lineal, por ejemplo, información relativa a un fármaco infundido al paciente y/o información relativa al peso del paciente, la altura, el género y/o la edad u otros datos demográficos relativos al paciente.

Dentro del segundo modelo no lineal, se combinan los diferentes datos de entrada para obtener los valores finales de las determinaciones del volumen de sangre cerebral, la circulación de sangre cerebral y, en particular, también un índice de la profundidad anestésica. Se puede preparar el segundo modelo no lineal, en una fase inicial de preparación, utilizando datos de preparación para los que, por ejemplo, se conoce la circulación de sangre cerebral y potencialmente también se dispone de información relativa a la profundidad anestésica.

El objeto también se logra mediante un método para determinar el volumen de sangre cerebral y/o la circulación de sangre cerebral y/o la profundidad anestésica de un paciente, tal como se define en la reivindicación 9.

Las ventajas y las realizaciones ventajosas descritas anteriormente para el sistema se aplican igualmente al método.

La idea subyacente a la invención se describirá seguidamente con más detalle haciendo referencia a las realizaciones que se muestran en las figuras. En el presente documento:

la figura 1 muestra un diagrama esquemático de un sistema para determinar el volumen de sangre cerebral, la circulación de sangre cerebral y/o un índice de la profundidad anestésica de un paciente;

la figura 2 muestra la colocación de electrodos de EEG en el cuero cabelludo de un paciente;

las figuras 3A y 3B muestran la colocación de los electrodos de excitación y los electrodos de detección para las mediciones de la bioimpedancia en las sienes de un paciente;

la figura 4A muestra una señal de medición en forma de señal de tensión (curva de tensión);

la figura 4B muestra un mapa de Poincaré relativo a la señal de medición;

la figura 4C muestra el mapa de Poincaré que indica una vecindad dentro del mapa de Poincaré;

la figura 4D muestra el mapa de Poincaré después de proyectar los puntos al nuevo sistema de coordenadas obtenido descartando las coordenadas que tienen una contribución reducida a la varianza de la señal de medición;

la figura 4E muestra una versión reconstruida con reducción del ruido de la señal de medición;

la figura 5A muestra una porción de la señal de medición relativa a la señal de tensión a lo largo de un latido;

la figura 5B muestra la derivada de una porción de la señal de medición relativa a la señal de tensión a lo largo de un latido;

la figura 6A muestra una señal de medición a lo largo del tiempo;

la figura 6B muestra la derivada de la señal de medición de la figura 6A;

la figura 7 muestra un dibujo esquemático de un primer modelo no lineal y un segundo modelo no lineal para derivar el volumen de sangre cerebral, la circulación de sangre cerebral y un índice de la profundidad anestésica; y

las figuras 8A y 8B muestran una formulación matemática de un modelo no lineal ANFIS(Adaptive Neuro Fuzzy Inference System,sistema de inferencia neurodifusa adaptativo).

La figura 1, en un dibujo esquemático, muestra un sistema 1 para determinar valores del volumen de sangre cerebral y de la circulación de sangre cerebral y también de un índice de profundidad anestésica de un paciente 2.

Dentro del sistema 1, se combinan diferentes tipos de señales en un dispositivo procesador 12 haciendo uso de diferentes modelos no lineales 104, 114 con el fin de obtener, a partir de los valores de entrada, valores de salida relativos al volumen de sangre cerebral, la circulación de sangre cerebral y el índice de profundidad anestésica.

El sistema 1 puede estar constituido como un dispositivo informático, por ejemplo, una estación de trabajo. Las diferentes unidades del dispositivo procesador 12 pueden implementarse mediante una o varias unidades dehardwareo mediantesoftware.

Dentro del sistema 1, en particular, se combinan la información obtenida de una señal de medición obtenida a partir de mediciones de la bioimpedancia y la información obtenida a partir de una señal de EEG. Para ello, el dispositivo procesador 12 comprende diferentes rutas de procesamiento 10, 11, en las que se procesan las señales de EEG (ruta de procesamiento 10) y las señales de medición de la bioimpedancia (ruta de procesamiento 11) y, en los modelos no lineales 104, 114, combinados entre sí.

Para las mediciones de EEG, los electrodos 100 se colocan en el cuero cabelludo 200 de la cabeza 20 del paciente 2, como se indica, por ejemplo, en la figura 2. Mediante los electrodos 100, se captan las señales relativas a la actividad cerebral espontánea del paciente 2 y se amplifican en una unidad de amplificación 101 (en particular, un amplificador de bajo ruido) de la ruta de procesamiento 10, tras lo que la señal de EEG amplificada se introduce en un convertidor de analógico a digital 102 para digitalizar la señal de EEG.

Para las mediciones de la bioimpedancia, los electrodos de excitación 110E y los electrodos de detección 110S se colocan en las sienes de la cabeza 20 del paciente 2, como se muestra a modo de ejemplo en las figura 3A y 3B. Se coloca un electrodo de excitación 110E en cada sien de la cabeza del paciente 20, y se inyecta una señal de excitación en forma de corriente constante a una frecuencia elevada entre los electrodos de excitación 110E para que fluya por la cabeza del paciente. La corriente de excitación puede tener, por ejemplo, una amplitud (constante) comprendida entre 50 y 1000 pA. Por la corriente de excitación, que busca su ruta a través de la cabeza del paciente 20 en particular a lo largo de las arterias llenas de sangre del interior de la cabeza del paciente 20, se genera una señal de tensión que se vincula a la corriente inyectada a través de la bioimpedancia. Esta señal de tensión es captada por los dos electrodos de detección 110S, estando cada electrodo de detección 110S dispuesto en las proximidades de un electrodo de excitación 110E, como se muestra en las figuras 3A y 3B.

La señal de medición captada a través de los electrodos de detección 110S se introduce en una unidad de amplificación 111 de la ruta de procesamiento 11, en particular un amplificador de bajo ruido, en el que se amplifica y posteriormente se introduce en un convertidor de analógico a digital 112 para digitalizar la señal de medición.

La señal de medición en forma de curva de tensión CT se muestra en un ejemplo de la figura 4A. Se obtiene la curva de tensión CT para cada latido, en donde las curvas de tensión CT para los latidos consecutivos suelen tener una morfología similar.

Para el procesamiento de la curva de tensión CT, se aplica a la señal digitalizada un algoritmo de eliminación del ruido que se basa en los mapas de Poincaré para que los patrones subyacentes emerjan de una señal ruidosa. En una realización, el ruido se reduce aplicando un análisis de mapas de Poincaré, en el que se forma un mapa de Poincaré M como el que se muestra en la figura 4B trazando la curva de tensión CT sobre una versión retardada de la curva de tensión CT. Debido a la digitalización de la señal de medición, surgen puntos discretos que se puede suponer que tienden hacia un llamado atractor.

Generalmente, las señales caóticas son señales deterministas con patrones irregulares incluidos. La mayoría de las señales eléctricas fisiológicas están controladas por varios procesos biológicos subyacentes y, por tanto, presentan este tipo de comportamiento. Un atractor es el conjunto geométrico de puntos al que tenderá una señal caótica aunque se modifiquen ligeramente las condiciones iniciales. Uno de los métodos más utilizados para estudiar los atractores es el método de coordenadas retardadas, en el que cada dimensión del atractor corresponde a la serie temporal original retardada en un cierto retardo.

Dada la serie temporal

X = [X1 x2 X3...Xn-1 Xn]

donde

Xi=x(t =i),

su atractor con un desfase temporal t y una dimensión de inclusión m se define como:

A =[x(t)x(t t) ■■■ x(t (m -2)<t>) x(<t>+(m- 1)<t>)]

en donde cada columna corresponde a una versión retardada en t con respecto a la serie temporal anterior.

Consideremos, por ejemplo, un atractor con desfase temporal t = 1 y dimensión de inclusión m = 2, se definirá mediante la ecuación:

A =[x(t)x(t+ 1)]

y su representación en el espacio de estados, el llamado mapa de Poincaré, se obtiene trazando una coordenada de A en función de la otra.

Dentro de un mapa de Poincaré, se pueden identificar las vecindades V agrupando puntos: los puntos se seleccionan aleatoriamente y para cada punto seleccionado se define su vecindad V como el grupo de puntos más cercanos v. Este procedimiento se repite hasta que todos los puntos del mapa pertenezcan a una vecindad V. Para cada vecindad V, se define un nuevo sistema de coordenadas, centrado en su centro de gravedad, y se calculan nuevas coordenadas para cada punto de la vecindad V. A partir del conjunto de coordenadas calculadas, se eliminan los que proporcionan una cantidad baja de varianza de la vecindad total V y se vuelven a calcular las coordenadas de cada punto para el nuevo espacio con dimensión reducida. Despreciando aquellas dimensiones que tienen una contribución reducida a la varianza de la señal de medición y que, por consiguiente, se puede suponer que se deben al ruido, solo quedan las coordenadas que contribuyen sustancialmente a la varianza. Posteriormente, todos los puntos de la vecindad V se proyectan en el nuevo sistema de coordenadas, con dimensión inferior a M, y se obtiene el gráfico de Poincaré resultante, como se muestra en la figura 4D.

Al reconstruir la señal de medición en la forma de la curva de tensión CT, a continuación, se obtiene una versión con reducción del ruido de la señal de medición en forma de curva de tensión CT, como se muestra en la fig. 4E.

Cabe señalar que existe un único mapa de Poincaré con m dimensiones, correspondiendo cada dimensión a un desfase diferente. Por lo tanto, el análisis se realiza en un único mapa tridimensional. En las figura 4B y 4C se ilustra un mapa 2D para simplificar, ya que un mapa m-dimensional no puede presentarse visualmente. Sin embargo, la eliminación del ruido se aplica a un único mapa m-dimensional.

Asimismo, el proceso que incluye las etapas anteriores puede repetirse iterativamente. Por consiguiente, se puede volver a aplicar el algoritmo a la señal reconstruida para reducir aún más el ruido, hasta obtenerse una reducción del ruido considerada suficiente para un procesamiento posterior.

El análisis de mapas de Poincaré se ha descrito, por ejemplo, por R. Cawley y G.-H. Hsu en "Local-geometric-projection method for noise reduction in chaotic maps and flows",Physical Review A,Col. 46, n.° 6, 1992, páginas 3057 a 3082, cuyo contenido se incorporará por referencia al presente documento.

El procesamiento posterior puede tener lugar ahora en la versión con reducción del ruido de la señal de medición en forma de curva de tensión CT, como se muestra en la fig. 4E.

En concreto, de una porción de la curva de tensión CT relativa a un latido, como se muestra en la figura 5A, se pueden obtener características como una pendiente máxima dV/dt, una amplitud positiva máxima máxHpos y una amplitud negativa máxima máxHneg (bloque 113 de la figura 1).

A partir de la derivada de la curva de tensión CT (DCT), como se muestra en la figura 5B, además, el tiempo de eyección del ventrículo izquierdo TEVI se puede determinar como el período desde un punto B, definido como el mínimo de la DCT antes del punto máximo C, hasta un punto X, definido como el mínimo de la DCT inmediatamente después de dicho punto C.

Además, si integramos la curva de tensión CT durante el período TEVI se obtiene un área A que es un indicador del volumen de sangre cerebral.

Del indicador del volumen de sangre cerebral, también se puede obtener un indicador de la circulación de sangre cerebral. A partir de la periodicidad de la curva de tensión CT, se puede detectar la frecuencia cardíaca FC, como se indica, por ejemplo, en la figura 6A. Si multiplicamos la frecuencia cardíaca por el volumen de sangre cerebral (VSC), se obtiene el indicador de la circulación de sangre cerebral (CSC) como

CSC = FC x VSC.

Los parámetros extraídos de la curva de tensión CT y el indicador del volumen de sangre cerebral y de la circulación de sangre cerebral se introducen como valores de entrada en el primer modelo no lineal 114, como se muestra en la figura 7. El primer modelo no lineal 114 puede ser, por ejemplo, un modelo de lógica difusa o un modelo de ecuación cuadrática, que combina las características y produce estimaciones del volumen de sangre cerebral real y de la circulación de sangre cerebral real.

Como se muestra en las figuras 1 y 7, se introduce el valor de salida del primer modelo no lineal 114, junto con otros parámetros, en el segundo modelo no lineal 104. El segundo modelo no lineal 104 toma, como valores de entrada adicionales, las características obtenidas a partir de la señal de EEG y datos demográficos adicionales sobre el paciente 2, como la altura, el peso, el género y la edad del paciente, e información adicional relativa a los fármacos infundidos al paciente 2.

Dentro de la ruta de procesamiento 10, las características se extraen de la señal de EEG en el bloque 103 (véase la figura 1). En concreto, pueden definirse intervalos de frecuencias en relación con la energía en porciones del espectro, por ejemplo de 1 a 4 Hz, de 4 a 8 Hz, de 8 a 12 Hz, de 12 a 20 Hz y de 20 a 45 Hz, etc. La dinámica simbólica puede utilizarse para evaluar la complejidad de la señal de EEG, por ejemplo empleando los símbolos 1 y 0 para las porciones positivas de la señal de e Eg respectivamente las porciones negativas de la señal de EEG. Puede obtenerse información relativa a la supresión de una ráfaga, caracterizada por porciones de ráfagas seguidas de porciones planas dentro de la señal de EEG.

Dentro del segundo modelo no lineal 104, que, al igual que el primer modelo no lineal 114, puede ser, por ejemplo, un modelo de lógica difusa o un modelo de ecuación cuadrática, los distintos parámetros se combinan entre sí para obtener una determinación final del volumen de sangre cerebral y de la circulación de sangre cerebral, así como una determinación de un índice de profundidad anestésica.

El segundo modelo 104 tiene por objeto explorar la relación causal entre la circulación de sangre cerebral y la actividad de la EEG, e integra la información de ambos para obtener índices finales del volumen de sangre cerebral y de la circulación de sangre cerebral que tienen en cuenta la actividad actual de la EEG, así como un índice de profundidad anestésica que tiene en cuenta la circulación de sangre en su algoritmo.

Ambos modelos 104, 114 pueden tomar más o menos valores de entrada que lo que se ha descrito anteriormente.

La preparación de los modelos no lineales se realiza de forma beneficiosa con una gran cantidad de datos en donde se conoce la circulación de sangre cerebral del paciente. La preparación define los parámetros de los modelos que, a continuación, pueden predecir la circulación de sangre cerebral cuando se presentan los valores de entrada al modelo.

Como se ha dicho, para el procesamiento, pueden emplearse modelos no lineales en forma de modelos de lógica difusa o modelos de ecuaciones cuadráticas. Sin embargo, también pueden utilizarse otros modelos no lineales.

En lo sucesivo, a modo de ejemplo, se ofrecen detalles sobre los modelos ANFIS y los modelos de ecuaciones cuadráticas.

Modelo ANFIS:

Un modelo de lógica difusa puede ser, por ejemplo, el llamado modelo ANFIS. En ese caso, el sistema 1 utiliza modelos ANFIS para combinar los parámetros, para la definición del volumen de sangre, la circulación de sangre cerebral y el índice de profundidad anestésica. Los parámetros extraídos de la impedancia cerebral y las señales de EEG, así como los datos demográficos del paciente, se utilizan como datos de entrada para un sistema de inferencia neurodifusa adaptativo (ANFIS).

El sistema ANFIS es un híbrido entre un sistema de lógica difusa y una red neuronal. El sistema ANFIS no supone ninguna función matemática que rija la relación entre los valores de entrada y los valores de salida. El sistema ANFIS aplica un enfoque basado en datos, en donde los datos de preparación deciden el comportamiento del sistema.

Las cinco capas del ANFIS, que se muestran en las figura 8A y 8B, tienen las siguientes funciones:

- Cada unidad de la capa 1 almacena tres parámetros para definir una función de pertenencia en forma de campana. Cada unidad está conectada exactamente a una unidad de entrada y calcula el grado de pertenencia del valor de entrada obtenido.

- Cada regla está representada por una unidad en la capa 2. Cada unidad está conectada a aquellas unidades de la capa anterior que proceden del antecedente de la regla. Los valores de entrada en una unidad son los grados de pertenencia, que se multiplican para determinar el grado de cumplimiento de la norma representada. - En la capa 3, para cada regla existe una unidad que calcula su grado relativo de cumplimiento mediante una ecuación de normalización. Cada unidad está conectada a todas las unidades de regla de la capa 2.

- Las unidades de la capa 4 están conectadas a todas las unidades de entrada y exactamente a una unidad de la capa 3. Cada unidad calcula el valor de salida de una regla.

- Una unidad de salida de la capa 5 calcula el valor de salida final sumando todos los valores de salida de la capa 4.

En el sistema ANFIS se aplican procedimientos de aprendizaje convencionales de la teoría de redes neuronales. Se utiliza la retropropagación para aprender los parámetros antecedentes, es decir, las funciones de pertenencia, y se utiliza la estimación por mínimos cuadrados para determinar los coeficientes de las combinaciones lineales en los consecuentes de las reglas. Una etapa del procedimiento de aprendizaje tiene dos pases. En el primer pase, el pase hacia delante, se propagan los patrones de entrada, y se determinan los parámetros óptimos consecuentes mediante un procedimiento iterativo de mínimos cuadrados medios, mientras que los parámetros antecedentes se fijan para el ciclo actual a través del conjunto de preparación. En el segundo pase (el pase hacia atrás), se propagan de nuevo los patrones, y en este pase se utiliza la propagación hacia atrás para modificar los parámetros antecedentes, mientras que los parámetros consecuentes permanecen fijos. A continuación, se repite este procedimiento hasta alcanzar el número de épocas deseado. Si los parámetros antecedentes inicialmente se eligen adecuadamente, basándose en el conocimiento de un experto, suele bastar con una época, ya que el algoritmo de LMS determina los parámetros óptimos consecuentes en un solo pase y si los antecedentes no cambian significativamente mediante el método de descenso de gradiente, tampoco el cálculo de LMS de los consecuentes conducirá a otro resultado. Por ejemplo, en un sistema de 2 reglas y 2 valores de entrada, la regla 1 se define como

si x es A e y es B, entonces fi=pix+qiy+ri

donde p, q y r son parámetros denominados consecuentes lineales o solo consecuentes. Lo más común es f de primer orden, ya que los modelos difusos de Sugeno de orden superior introducen una gran complejidad a cambio de ninguna mejora evidente.

Los valores de entrada del sistema ANFIS se dividen en varias clases predeterminadas. El número de clases debe ser mayor o igual a dos. El número de clases puede determinarse por diferentes métodos. En la lógica difusa tradicional, las clases son definidas por un experto. El método solo puede aplicarse si es evidente para el experto dónde pueden situarse los puntos de referencia entre dos clases. El sistema ANFIS optimiza la posición de los puntos de referencia, sin embargo, el método de descenso de gradiente alcanzará su mínimo más rápidamente si el valor inicial de los parámetros que definen las clases se aproxima a los valores óptimos. Por defecto, los puntos de referencia iniciales de ANFIS se eligen dividiendo el intervalo de mínimo a máximo de todos los datos en n intervalos equidistantes, donde n es el número de clases. El número de clases también puede elegirse representando los datos en un histograma y decidiendo visualmente un número adecuado de clases, mediante clasificación, como hace FIR, a través de diversos métodos de agrupación o modelos de Markov. Para esta invención se eligió el ANFIS por defecto, que demostró que más de tres clases provocaban inestabilidades durante la fase de validación, de ahí que se utilizaran dos o tres clases.

Tanto el número de clases como el de los valores entrada aumentan la complejidad del modelo, es decir, el número de parámetros. Por ejemplo, en un sistema con cuatro valores de entrada, cada valor de entrada puede dividirse en tres clases que consisten en 36 parámetros antecedentes (no lineales) y 405 parámetros consecuentes (lineales), calculados mediante las dos fórmulas siguientes:

parámetros antecedentes = número de clases x número de valores de entrada x 3

parámetros consecuentes = número de clases número de valores de entradas x (número de valores de entrada 1)

En general, el número de pares de valores de entrada y salida debe ser mucho mayor (al menos 10 veces mayor) que el número de parámetros para obtener una solución significativa de los parámetros.

Un recurso útil para garantizar la estabilidad es la experiencia obtenida trabajando con un determinado sistema neurodifuso tal como ANFIS en el contexto de un conjunto de datos particular, y probando con datos extremos, por ejemplo, obtenidos por simulación.

ANFIS utiliza un error de la media cuadrática (EMC) para validar el resultado de la preparación y, a partir de un conjunto de datos de validación, se puede calcular el error de validación del EMC después de cada época de preparación. Una época se define como una actualización tanto de los parámetros antecedentes como de los parámetros consecuentes. En general, un mayor número de épocas reducirá el error de preparación.

MODELO CUADRÁTICO

Como alternativa, pueden utilizarse modelos de ecuaciones cuadráticos para los modelos 104, 114. En ese caso, el sistema 1 utiliza modelos cuadráticos para combinar los parámetros de definición del volumen de sangre, la circulación de sangre cerebral y el índice de profundidad anestésica. Los parámetros extraídos de la impedancia cerebral y las señales de EEG y los valores demográficos del paciente se utilizan como valores de entrada de un modelo cuadrático.

Los índices de salida se obtienen de modelos generalizados cuadráticos que utilizan como valores de entrada los valores extraídos de la EEG, impedancia cerebral y datos demográficos del paciente. Dicho modelo contiene un coeficiente independiente denominado intersección, un término lineal por cada valore de entrada, un término al cuadrado por cada valor de entrada y términos de interacción entre cada par de valores de entrada. El modelo puede expresarse como:

Salida = Intersección

Donde:

Intersección: intersección o término constante.

Entrada: modelo de entrada.

Salida: salida del modelo.

n: número de entradas del modelo

a: términos lineales.

b: términos al cuadrado

c: términos de interacción entre las entradas.

Lista de números de referencia

I Sistema

10 Ruta de procesamiento de la EEG

100 Electrodos

101 Dispositivo de amplificación

102 Convertidor de analógico a digital

103 Unidad de extracción de características

104 Unidad modelo

I I Ruta de procesamiento de la EEG

110E Electrodo de excitación

110S Electrodo de detección

I I I Dispositivo de amplificación

112 Convertidor de analógico a digital

113 Unidad de extracción de características

114 Unidad modelo

12 Dispositivo procesador

2 Paciente

20 Cabeza

200 Cuero cabelludo

A Área

DCT Derivada de la curva de tensión

M Mapa de Poincaré

V Vecindad

CT Señal de medición (curva de tensión)

Claims

REIVINDICACIONES

1. Un sistema (1) para determinar el volumen de sangre cerebral y/o la circulación de sangre cerebral y/o la profundidad anestésica de un paciente, que comprende:

- al menos un electrodo de excitación (110E) que se colocará en una sien de la cabeza de un paciente (2) para aplicar una señal de excitación,

- al menos un electrodo de detección (110S) que se colocará en una sien de la cabeza del paciente (2) para detectar una señal de medición generada por la señal de excitación,

- varios electrodos que se colocarán en el cuero cabelludo de la cabeza del paciente para recibir una señal de EEG de la actividad eléctrica espontánea del cerebro del paciente, y

- un dispositivo procesador (12) para procesar dicha señal de medición (CT) detectada por el al menos un electrodo de detección (110S) en una primera ruta de procesamiento (11) que comprende un dispositivo de amplificación (111) para amplificar la señal de medición (CT) y un convertidor de analógico a digital (12) para digitalizar la señal de medición (CT), para determinar un valor de salida indicativo del volumen de sangre cerebral y/o de la circulación de sangre cerebral,

en donde

el dispositivo procesador (12) está constituido para reducir el ruido en la señal de medición (CT) aplicando un algoritmo no lineal de reducción del ruido, y

el dispositivo procesador (12) está constituido para determinar, en función de la versión con reducción del ruido de la señal de medición (CT), un indicador del volumen de sangre cerebral de acuerdo con un área (A) obtenida a partir de la integración de la señal de medición,

en donde el área (A) se obtiene a partir de la integración de la señal de las mediciones (CT) a lo largo del período de tiempo de eyección del ventrículo izquierdo, que se determina como el período desde un punto (B), definido como el mínimo de la derivada de la curva de tensión (CV) antes de un punto máximo (C), hasta un punto (X), definido como el mínimo de la derivada de la curva de tensión inmediatamente después de dicho punto máximo (C), y en donde el dispositivo procesador (12) está constituido para determinar un indicador de la circulación de sangre cerebral multiplicando dicho indicador del volumen de sangre cerebral por un valor indicativo de la frecuencia cardíaca del paciente,

en donde el dispositivo procesador (12) está constituido para introducir el indicador del volumen de sangre cerebral y/o el indicador de la circulación de sangre cerebral en un primer modelo no lineal (114) a fin de obtener valores de salida indicativos del volumen de sangre cerebral y/o de la circulación de sangre cerebral, en donde el dispositivo procesador (12) está constituido para introducir dichos valores de salida y características obtenidas de la señal de EEG, a través de una segunda ruta de procesamiento del dispositivo procesador, en un segundo modelo no lineal (104) a fin de obtener valores de salida finales para el volumen de sangre cerebral y/o la circulación de sangre cerebral, y/o un valor de salida indicativo de una profundidad anestésica.

2. El sistema de acuerdo con la reivindicación 1, en donde el al menos un electrodo de excitación (110E) se controla para inyectar una corriente eléctrica que tiene una o más frecuencias predeterminadas y/o que tiene una amplitud constante.

3. El sistema de acuerdo con la reivindicación 1,

en donde el dispositivo procesador (12) está constituido para la obtención de dicho valor indicativo de la frecuencia cardíaca a partir de la señal de medición (CT).

4. El sistema de acuerdo con la reivindicación 1,

en donde el dispositivo procesador (12) en constituido para introducir, como valores de entrada adicionales, al menos uno del grupo de un valor máximo derivado de la señal de medición (CT), una amplitud positiva máxima de la señal de medición (CT), una amplitud negativa máxima de la señal de medición (CT) y un valor del tiempo de eyección del ventrículo izquierdo obtenido de la señal de medición (CT) en el primer modelo no lineal (114).

5. El sistema de acuerdo con la reivindicación 1, en donde el primer modelo no lineal (114) es un modelo de lógica difusa o un modelo de ecuación cuadrática.

6. El sistema de acuerdo con la reivindicación 1,

en donde dichas características de la señal de EEG se obtienen en función de la dinámica simbólica de la señal de EEG, mediante la determinación de intervalos de frecuencias de la señal de EEG, mediante la determinación de un valor de entropía de la señal de EEG y/o mediante la determinación de un valor indicativo de la supresión de ráfagas en la señal de EEG.

7. El sistema de acuerdo con la reivindicación 1, en donde el dispositivo procesador (12) está constituido para introducir, como valores de entrada adicionales, al menos uno del grupo de información relativa a un fármaco infundido al paciente (2), e información relativa al peso, la altura, el género y/o la edad del paciente (2) en el segundo modelo no lineal (104).

8. El sistema de acuerdo con la reivindicación 1, en donde el segundo modelo no lineal (104) es un modelo de lógica difusa o un modelo de ecuación cuadrática.

9. Un método (1) para determinar el volumen de sangre cerebral y/o la circulación de sangre cerebral y/o la profundidad anestésica de un paciente, que comprende:

- aplicar una señal de excitación mediante al menos un electrodo de excitación (110E) colocado en una sien de la cabeza (20) de un paciente (2),

- detectar una señal de medición (CT) generada por la señal de excitación utilizando al menos un electrodo de detección (110S) colocado en una sien de la cabeza (20) del paciente (2),

- recibir una señal de EEG de actividad eléctrica espontánea del cerebro del paciente mediante varios electrodos colocados en el cuero cabelludo de la cabeza del paciente, y

- procesar, mediante un dispositivo procesador (12), dicha señal de medición (CT) detectada por el al menos un electrodo de detección (110S) en una primera ruta de procesamiento que comprende un dispositivo de amplificación para amplificar la señal de medición (CT) y un convertidor de analógico a digital para digitalizar la señal de medición (CT), para determinar un valor de salida indicativo del volumen de sangre cerebral y/o de la circulación de sangre cerebral, y

- dicha señal de EEG recibida por el al menos un electrodo de EEG se procesa en el dispositivo procesador en una segunda ruta de procesamiento para recibir y procesar la señal de EEG, y

mediante dicho dispositivo procesador (12), el ruido de la señal de medición (CT) se reduce aplicando un algoritmo no lineal de reducción del ruido,

en donde,

el procesamiento posterior tiene lugar en la versión con reducción del ruido de la señal de medición, basándose en la versión con reducción del ruido de la señal de medición (CT), un indicador del volumen de sangre cerebral de acuerdo con un área (a) obtenida a partir de la integración de la señal de medición, obteniéndose el área (A) a partir de la integración de la señal de las mediciones (CT) a lo largo del período de tiempo de eyección del ventrículo izquierdo, que se determina como el período desde un punto (B), definido como el mínimo de la derivada de la curva de tensión (CV) antes de un punto máximo (C), hasta un punto (X), definido como el mínimo de la derivada de la curva de tensión inmediatamente después de dicho punto máximo (C), y

utilizando el dispositivo procesador para determinar un indicador de la circulación de sangre cerebral multiplicando dicho indicador del volumen de sangre cerebral por un valor indicativo de la frecuencia cardíaca del paciente, ii) para introducir el indicador del volumen de sangre cerebral y/o el indicador de la circulación de sangre cerebral en un primer modelo no lineal a fin de obtener valores de salida indicativos del volumen de sangre cerebral y/o de la circulación de sangre cerebral, y iii) para introducir características obtenidas de la señal de EEG y dichos valores de salida en un segundo modelo no lineal a fin de obtener valores de salida finales para el volumen de sangre cerebral y/o la circulación de sangre cerebral, y/o un valor de salida indicativo de una profundidad anestésica.