本發(fā)明涉及醫(yī)用麻醉控制領(lǐng)域，特別是一種個人化的麻醉閉環(huán)控制系統(tǒng)。

背景技術(shù)：

臨床手術(shù)中，全身麻醉是確保手術(shù)順利實施非常重要的一步。傳統(tǒng)的麻醉處理是由麻醉師依據(jù)他們自身的經(jīng)驗來確定麻醉劑的注射劑量和給藥速度的，但是可能會出現(xiàn)麻醉劑注射過量或者不足的情況，這可能導致嚴重的并發(fā)癥，如術(shù)中知曉、嘔吐、心血管疾病、神經(jīng)活動異常以及術(shù)后認知障礙。

現(xiàn)在的麻醉閉環(huán)控制系統(tǒng)病人模型大部分是基于群體藥代藥效動力學模型而建，但是由于病人間的個體差異，這樣的系統(tǒng)會有一定的誤差。同時，這些系統(tǒng)大部分采用雙頻指數(shù)(BIS)作為麻醉深度指標值，但是BIS易受到噪聲的干擾，會使基準值無法恢復，所以考慮將Renyi熵和香農(nóng)排序熵結(jié)合，將得到的歸一化Renyi排序熵(RPE)用于麻醉深度的監(jiān)測。

經(jīng)對現(xiàn)有文獻的檢索發(fā)現(xiàn)論文名為FPGA Implementation of Explicit Model Predictive Control for Closed Loop Control of Depth of Anesthesia，該論文中關(guān)于麻醉閉環(huán)的部分是采用了四房室的藥代藥效動力學模型來調(diào)節(jié)藥物的輸入，并以BIS作為最主要的麻醉深度指標值，但是沒有對病人模型進行參數(shù)優(yōu)化的辨識過程，同時不是個體化的麻醉閉環(huán)控制，難以解決病人個體差異的問題。

技術(shù)實現(xiàn)要素：

本發(fā)明目的在于提供一種對病人麻醉深度進行實時自動監(jiān)測，并能自動精確控制給藥的個人化麻醉閉環(huán)控制系統(tǒng)。

為實現(xiàn)上述目的，采用了以下技術(shù)方案：本發(fā)明所述系統(tǒng)包括腦電數(shù)據(jù)采集裝置、腦電信號預處理裝置、腦電信號分析裝置、閉環(huán)控制系統(tǒng)及注射裝置；腦電數(shù)據(jù)采集裝置的信號采集端獲取腦電數(shù)據(jù)，腦電信號預處理裝置將采集到的腦電數(shù)據(jù)進行噪聲與異常值的去除，之后傳輸至腦電信號分析裝置，腦電信號分析裝置與閉環(huán)控制系統(tǒng)相連并對預處理后的數(shù)據(jù)進行分析，得到期望的麻醉深度指標RPE(Renyi permutation entropy)值，并將RPE值傳送到閉環(huán)控制系統(tǒng)中；閉環(huán)控制系統(tǒng)與注射裝置相連并控制其工作，閉環(huán)控制系統(tǒng)計算出下一步麻醉劑輸注速度，注射裝置接收到信號后，注射裝置完成麻醉劑輸注速度的實時控制。

進一步的，腦電數(shù)據(jù)采集裝置將采集到的腦電數(shù)據(jù)傳送到預處理裝置中，預處理裝置進行50HZ的工頻噪聲、基線漂移和頭動噪聲的去除，并除去幅值大于200uV異常值和在mean±2SD范圍以外的數(shù)據(jù)點和肌電噪聲。

進一步的，所述閉環(huán)控制系統(tǒng)由藥代藥效動力學PKPD(pharmacokinetic—pharmacodynamics)模型和蟻群PID控制器組成；PKPD模型用于計算出當前麻醉深度指標RPE值，其中的藥效動力學(PD)模型以RPE作為麻醉深度指標，并用粒子群優(yōu)化算法對PD模型進行辨識，得到模型參數(shù)經(jīng)過優(yōu)化后的個人化模型，描述效應室濃度和RPE之間的關(guān)系；蟻群PID控制器以當前的RPE值與期望的RPE值之間的誤差作為輸入，計算出下一步麻醉劑輸注速度。

進一步的，所述麻醉深度指標RPE定義如下：

式中，p_j代表概率分布，a是概率選擇系數(shù)，m為嵌入維數(shù)，m！表示排序模式共有m！種。

進一步的，所述系統(tǒng)的藥代藥效動力學(PKPD)模型設(shè)定初始麻醉劑的輸注速度為0mg/min，計算出當前的RPE值；其中，基于RPE指標的PD模型，用粒子群優(yōu)化算法進行辨識，得到參數(shù)經(jīng)過優(yōu)化的個人化病人模型，PD模型通過將血藥濃度和藥物效應聯(lián)系起來，式中，k_e0是藥物在中央室與效應室之間藥物平衡快慢的參數(shù)，x_e(t)代表效應室藥物濃度，k_1e為藥物從中央室到效應室的傳遞速率，x₁(t)表示的是中央室的藥物濃度；

效應室和RPE指標之間的關(guān)系通過如下進行描述：

式中，E_max和E_min分別是最大和最小的RPE值，EC₅₀為得到最大RPE值的50％時所對應的麻醉藥物的濃度，γ是效應室濃度和RPE之間關(guān)系曲線的斜率，x_e(t)代表的是效應室濃度。

與現(xiàn)有技術(shù)相比，本發(fā)明系統(tǒng)具有如下優(yōu)點：

1、可根據(jù)不同病人的年齡、體重、身高、性別等基本信息，計算出麻醉深度指標值和麻醉劑的輸注速度，對病人麻醉深度進行實時的自動監(jiān)測與精確的控制給藥。

2、采用RPE作為麻醉深度指標值，并且對PD模型的參數(shù)進行了辨識優(yōu)化，比傳統(tǒng)的麻醉方式更加安全，并能大大減輕麻醉師的工作負擔。

附圖說明

圖1是本發(fā)明的系統(tǒng)結(jié)構(gòu)圖。

圖2是本發(fā)明的ACO-PID閉環(huán)控制結(jié)果圖。

附圖標號：1-病人、2-腦電數(shù)據(jù)采集裝置、3-腦電信號預處理裝置、4-腦電信號分析裝置、5-閉環(huán)控制系統(tǒng)、6-藥代藥效動力學模型、7-蟻群PID控制器、8-注射裝置。

具體實施方式

下面結(jié)合附圖對本發(fā)明做進一步說明：

如圖1所示，本發(fā)明所述系統(tǒng)由病人1、腦電數(shù)據(jù)采集裝置2、腦電信號預處理裝置3、腦電信號分析裝置4、閉環(huán)控制系統(tǒng)5及注射裝置8組成；腦電數(shù)據(jù)采集裝置的信號采集端獲取腦電數(shù)據(jù)，并將腦電數(shù)據(jù)傳輸?shù)侥X電信號預處理裝置中進行50HZ的工頻噪聲、基線漂移和頭動噪聲的去除，并除去幅值大于200uV異常值和在mean±2SD范圍以外的數(shù)據(jù)點和肌電噪聲，之后腦電信號預處理裝置將預處理后的腦電數(shù)據(jù)傳送到腦電信號分析裝置中；

腦電信號分析裝置與閉環(huán)控制系統(tǒng)相連并對預處理后的數(shù)據(jù)進行分析，得到期望的麻醉深度指標RPE(Renyi permutation entropy)值，并將RPE值傳送到閉環(huán)控制系統(tǒng)中；所述麻醉深度指標RPE定義如下：

式中，p_j為概率分布，a是概率選擇系數(shù)，m為嵌入維數(shù)，m！表示排序模式共有m！種。

閉環(huán)控制系統(tǒng)與注射裝置相連并控制其工作，所述閉環(huán)控制系統(tǒng)由藥代藥效動力學PKPD(pharmacokinetic—pharmacodynamics)模型和蟻群PID控制器組成；PKPD模型用于計算出當前麻醉深度指標RPE值，其中的藥效動力學(PD)模型以RPE作為麻醉深度指標，并用粒子群優(yōu)化算法對PD模型進行辨識，得到模型參數(shù)經(jīng)過優(yōu)化后的個人化模型，描述效應室濃度和RPE之間的關(guān)系；蟻群PID控制器以當前的RPE值與期望的RPE值之間的誤差作為輸入，計算出下一步麻醉劑輸注速度。注射裝置接收到信號后，注射裝置完成麻醉劑輸注速度的實時控制。

其中，藥代藥效動力學(PKPD)模型設(shè)定初始麻醉劑的輸注速度為0mg/min，計算出當前的RPE值；基于RPE指標的PD模型，用粒子群優(yōu)化算法進行辨識，得到參數(shù)經(jīng)過優(yōu)化的個人化病人模型，PD模型通過將血藥濃度和藥物效應聯(lián)系起來，式中，k_e0是藥物在中央室與效應室之間藥物平衡快慢的參數(shù)，x_e(t)代表效應室藥物濃度，k_1e為藥物從中央室到效應室的傳遞速率，x₁(t)表示的是中央室的藥物濃度；

效應室和RPE指標之間的關(guān)系通過如下進行描述：

式中，E_max和E_min分別是最大和最小的RPE值，EC₅₀為得到最大RPE值的50％時所對應的麻醉藥物的濃度，γ是效應室濃度和RPE之間關(guān)系曲線的斜率，x_e(t)代表的是效應室濃度。

如圖2所示的本發(fā)明的ACO-PID閉環(huán)控制結(jié)果，圖2(A)表示了八個病人采用本系統(tǒng)得到的的麻醉深度控制結(jié)果，其中，實線是目標RPE曲線，不同的虛線為實際測得的不同病人的RPE曲線，圖2(B)表示了采用本系統(tǒng)得到的自動調(diào)節(jié)的丙泊酚輸注速度的曲線。

以上所述的實施例僅僅是對本發(fā)明的優(yōu)選實施方式進行描述，并非對本發(fā)明的范圍進行限定，在不脫離本發(fā)明設(shè)計精神的前提下，本領(lǐng)域普通技術(shù)人員對本發(fā)明的技術(shù)方案做出的各種變形和改進，均應落入本發(fā)明權(quán)利要求書確定的保護范圍內(nèi)。