[發明專利]無創顱內壓測量方法及應用該方法的無創顱內壓分析儀

有效

• 申請號: 201210331774.3
• 申請日: 2012-09-10
• 公開（公告）號: CN103654760A
• 公開（公告）日: 2014-03-26
• 發明（設計）人: 焦文華
• 申請（專利權）人: 焦文華
• 主分類號: A61B5/03
• 分類號: A61B5/03;A61B5/021;A61B8/06;G06F19/00
• 代理公司: 北京市卓華知識產權代理有限公司 11299
• 代理人: 陳子英

1.一種無創顱內壓測量方法，其特征在于包括如下步驟：

（1）建立含有n個樣本的樣本數據的樣本數據庫，所述樣本數據包括無創檢測獲得的無創動脈血壓和血流等顱內壓關聯數據和有創檢測獲得的顱內壓實測數據；

（2）對各所述樣本的樣本數據進行數據分析，建立體現所述顱內壓關聯數據和所述顱內壓實測數據之間關系的樣本模型；

（3）依據通過無創檢測方式獲得的被測病人的顱內壓關聯數據，選擇與被測病人最接近的所述樣本的所述樣本模型；

（4）以與被測病人最接近的所述樣本的所述樣本模型，計算出與被測病人顱內壓關聯數據對應的顱內壓預測數據，并以此預測數據作為被測病人的無創顱內壓檢測數據。

2.根據權利要求1所述的無創顱內壓測量方法，其特征在于采用下列數據訓練的方式進行所述的步驟（2）和（3）：

（a）利用時間序列模型對樣本數據進行分析，以樣本的顱內壓實測數據為輸出時間序列OTS，以樣本的顱內壓關聯數據為輸入時間序列ITS，對每個樣本的每個{ITS，OTS}對進行系統辨識，建立ITS與OTS的關系，獲得相應樣本的樣本模型；

（b）計算得到各{ITS，OTS}對之間的相異度矩陣E；?

（c）提取ITS的血流動力學特征參數向量P，建立所述血流動力學特征參數F與所述相異度矩陣E的映射關系f；

（d）依據所述被測病人的顱內壓關聯數據，提取相應的血流動力學特征參數u，依據映射關系B求出相異度矩陣E，以相異度最小的樣本為所述與被測病人最接近的樣本。

3.根據權利要求2所述的無創顱內壓測量方法，其特征在于：

所述步驟（a）的具體方法為：

考慮一個線性多變量系統，根據一般常識，其狀態空間模型描述如下：

?????????

采用子空間系統辨識算法（N4SID）進行模式識別對公式（1）求解，求出該樣本數據的ITS與OTS的對應關系：

其中，公式（1）

式中y為m維輸出向量（對于顱內壓為唯一輸出，m=1），u為r維輸入關聯數據（對于顱內壓為輸出，其輸入參量至少為ABP和CBFV，即），A、B、C、D為要進行系統辨識的所述{ITS，OTS}對的系統參數矩陣，分別為維矩陣；

w、v分別為零均值平穩高斯白噪聲序列中的狀態噪聲和觀測噪聲，Q、R分別為所述兩噪聲的協方差矩陣，E為數學期望算子，T為轉置，S為狀態噪聲和觀測噪聲的協方差矩陣，，δ_k為Kronecker算子，為n維狀態向量，k為取樣點；

未知的狀態變量及其維度可以由輸入和輸出矩陣組成的分塊Hankel矩陣來估計；

N4SID算法是確定多輸入多輸出模型最有效的方法之一，特別是對于高階系統，比傳統的方法好，，只需要給定模型的階次，而且模型的階次也可以在辨識的過程中估計出來；

在數值計算時，這種方法不存在非線性，也沒有迭代；

N4SID方法簡潔，無需參數化和迭代優化，但估計結果僅為次優，同時量測噪聲統計特性應符合高斯分布；

另一類經典的方法是增廣Kalman濾波,在高斯噪聲假設時結果最優；

實際中由于模型的非線性，以及噪聲非高斯特性的影響，需要采取措施加以控制；

其一，需要識別這種不一致，其次，需要利用觀測信息估計和矯正模型中的不確定因素；

上述過程可采用自適應估計技術，對狀態和量測噪聲模型進行自動估計；

考慮到該模型本質上是一個復雜的非線性模型，因此在樣本充分的時候，也使用Doucet等提出的基于粒子濾波的點估計方法進行參數辨識，在粒子框架下使用最大似然估計(ML)以及期望值最大(EM)算法直接估計未知參數；

實際中可根據Occam準則，使用低階線性模型得到辨識結果，并與非線性辨識結果相比較，如誤差小于指定則認為結果可接受；

上述過程重復n次，求出所有n個樣本數據的ITS與OTS的對應關系；

所述步驟（b）的具體方法為：

對于輸入關聯數據u，根據各{ITS，OTS}所得的系統辨識結果，求得顱內壓的估計值（共有N個取樣），與原實測數據y的均方差，并歸一化后，得到相異度數值e：

?????????公式（2）

所述步驟（c）中的映射關系根據公式（3）和/或（4）計算，假設輸入的血流動力學參數F與相異度矩陣E存在線性關系：

E=P^TF???????????????公式（3）

???????公式（4）

其中，P為根據ITS分析提取出的血流動力學特征參數的矩陣（維），由相應的ABP與CBFV的比值進行線性回歸得到，E為所述相異度矩陣（維），F為P和E的映射關系矩陣（維），為所述映射關系矩陣F的估計值，其中，為所述樣本數據庫中的樣本數，d為一個脈搏周期內的所述血流動力學特征參數的個數；

所述步驟（d）并求得顱內壓預測數據的具體步驟為：

（d1）根據被測病人的顱內壓關聯數據建立被測ITS；

（d2）提取所述被測ITS的血流動力學特征參數p_new；

（d3）根據所述映射關系求出相異度矩陣；

（d4）選擇所述相異度矩陣中的相異度最小的樣本模型作為與所述被測ITS最匹配的樣本模型，

其中，根據數據訓練時計算得出的所述映射關系矩陣的估計值結合公式（3）求得所有樣本病人組成的相異度的矩陣，公式（5），將維所述中最小的e對應的樣本模型選取為與所述被測ITS最匹配的樣本模型；

根據所選擇的樣本模型及已經求得的{ITS，OTS}系統辨識的結果，將所述被測ITS輸入所述公式（1）中，求得被測病人的顱內壓預測數據作為被測病人的無創顱內壓檢測數據。