一种便携式麻醉与手术一体化系统的制作方法

1.本发明属于麻醉技术领域，尤其涉及一种便携式麻醉与手术一体化系统。


背景技术：

2.目前，麻醉是由药物或其他方法产生的一种中枢神经和(或)周围神经系统的可逆性功能抑制，这种抑制的特点主要是感觉特别是痛觉的丧失。全身麻醉是指将麻醉药通过吸入、静脉、肌肉注射或直肠灌注进入体内，使中枢神经系统受到抑制，致使患者意识消失而周身无疼痛感觉的过程。这种麻醉方式便是常言道的“睡着状态”，特点是患者意识消失，全身肌肉松弛，体验不到疼痛。最常用的全身麻醉方式是气管插管全身麻醉，特点是采用静脉麻醉药或吸入麻醉药产生全身麻醉作用，术中需要行气管插管，机械辅助呼吸。
3.然而，现有便携式麻醉与手术一体化系统在不同的情况下对于麻醉机的各个参数的调节是不同的；针对这一需求，在现有技术中，麻醉医生会通过观察临床体征，例如血压、心率、呼吸等参数来判断麻醉深度，然而，在血管扩张剂等药物的影响下，这些判断依据就会变得不够可靠，无法完全掌握意识状态与呼吸状态，经过人工调节麻醉机参数具有一定的滞后性，并不能做到和患者当时所需要的麻醉呼吸工作模式的同步化；同时，由于麻醉气体的浓度受气体流量的影响，在低微流量麻醉时，实际浓度往往偏离麻醉蒸发罐的设置浓度，因此人工计算的结论往往存在较大误差。
4.通过上述分析，现有技术存在的问题及缺陷为：现有便携式麻醉与手术一体化系统在不同的情况下对于麻醉机的各个参数的调节是不同的；针对该需求，麻醉医生会通过观察临床体征，例如血压、心率、呼吸等参数来判断麻醉深度，然而，在血管扩张剂等药物的影响下，这些判断依据就会变得不够可靠，无法完全掌握意识状态与呼吸状态，经过人工调节麻醉机参数具有一定的滞后性，并不能做到和患者当时所需要的麻醉呼吸工作模式的同步化；同时，由于麻醉气体的浓度受气体流量的影响，在低微流量麻醉时，实际浓度往往偏离麻醉蒸发罐的设置浓度，因此人工计算的结论往往存在较大误差。


技术实现要素：

5.针对现有技术存在的问题，本发明提供了一种便携式麻醉与手术一体化系统。
6.本发明是这样实现的，一种便携式麻醉与手术一体化系统，所述便携式麻醉与手术一体化系统包括：
7.生理数据采集模块，与主控模块连接，用于采集患者生理数据信息；
8.主控模块，与生理数据采集模块、麻醉模块、麻醉控制模块、麻醉药用量计算模块、手术模块、照明模块、显示模块连接，用于控制各个模块正常工作；
9.麻醉模块，与主控模块连接，用于通过麻醉机对患者进行麻醉；
10.麻醉控制模块，与主控模块连接，用于通过控制程序对麻醉机进行控制；
11.麻醉药用量计算模块，与主控模块连接，用于通过计算程序对麻醉药用量进行计算；
12.手术模块，与主控模块连接，用于通过手术器具对患者进行手术；
13.照明模块，与主控模块连接，用于通过照明灯为手术提供照明；
14.显示模块，与主控模块连接，用于通过显示器实时显示患者生理数据信息、麻醉药用量。
15.进一步，所述麻醉控制模块控制方法如下：
16.(1)通过脑电仪器采集患者麻醉过程中的脑电模拟信号；
17.(2)将采集得到的脑电模拟信号转化为数字信号，并对所述脑电模拟信号进行分析提取，获得相应的生理特征值体系；
18.(3)对预设的机器学习模型进行训练，并根据所述生理特征值体系和预设的机器学习模型，确定患者的意识状态和呼吸状态；
19.(4)根据所述意识状态和呼吸状态，调控麻醉机中的多个控制参数，以调控所述麻醉呼吸机的工作模式。
20.进一步，所述生理特征值体系由多个生理指标的测量值构建而成，所述多个生理指标包括相对功率、绝对功率、加权相位滞后指数、符号传递熵以及相位传递熵。
21.进一步，所述预设的机器学习模型的训练包括：
22.1)将预设的训练数据集中的所有特征值进行归一化，并利用预设的评分算法对每个特征值进行评分；
23.2)将所有特征值按照评分从高到低排序，并筛选出最优特征值集合；
24.3)利用预设的集成学习算法对所述最优特征值集合进行模型训练，获得训练好的预设的机器学习模型。
25.进一步，所述麻醉药用量计算模块计算方法包括：
26.(1)配置测量仪器工作参数，通过压力表测量得到麻醉气体浓度，通过流量计测量得到混合气体流量，测量得到时间；
27.(2)根据麻醉气体浓度、混合气体流量和时间，计算气态麻醉药用量；
28.(3)根据麻醉气体种类，控制器根据气体摩尔体积计算方法，计算所述气态麻醉药用量气对应的液态麻醉药用量。
29.进一步，所述根据麻醉气体浓度、混合气体流量和时间，计算气态麻醉药用量中，根据麻醉气体浓度、混合气体流量和时间，计算气态麻醉药用量包括：
30.对所述麻醉气体浓度、混合气体流量、采样间隔以及采样总次数进行求和，计算气态麻醉药用量。
31.进一步，所述气态麻醉药用量气对应的液态麻醉药用量的计算包括：
32.1)根据麻醉气体种类，控制器根据气体摩尔体积计算方法，计算所述气态麻醉药用量气对应的液态麻醉药用量；
33.2)根据麻醉气体种类，确定所述麻醉气体分子量和麻醉气体密度；确定标准状态下单位液态麻醉药产生的麻醉气体蒸汽量；
34.3)根据麻醉气体蒸发温度，校正所述麻醉气体蒸汽量并获得特定温度下麻醉气体蒸汽量校正值，从而确定液态麻醉药用量。
35.本发明的另一目的在于提供一种一种存储在计算机可读介质上的计算机程序产品，包括计算机可读程序，供于电子装置上执行时，提供用户输入接口以应用所述的便携式
麻醉与手术一体化系统。
36.本发明的另一目的在于提供一种一种计算机可读存储介质，储存有指令，当所述指令在计算机上运行时，使得计算机应用所述的便携式麻醉与手术一体化系统。
37.本发明的另一目的在于提供一种一种信息数据处理终端，其特征在于，所述信息数据处理终端用于实现所述的便携式麻醉与手术一体化系统。
38.结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明提供的便携式麻醉与手术一体化系统，通过麻醉控制模块实时采集患者麻醉过程中的脑电模拟信号，并对其进行转换处理以提取出生理特征值体系，通过机器模型根据该生理特征值体系进行判断，并根据判断结果调控麻醉机的工作模式，本发明不仅实现了判断调控麻醉机过程的自动化，还在提升对患者意识状态和呼吸状态的判断的准确性的基础上，保障了调控的实时性。
39.同时，本发明通过麻醉药用量计算模块能精确计算整个麻醉过程中气态麻醉药用量，且避免了人工计算导致的误差，有效提高了液态麻醉药用量计算结果的准确性与精确度；各麻醉阶段包括麻醉诱导、麻醉维持、麻醉复苏等麻醉全程各阶段，由于不同的麻醉阶段之间，麻醉气体的浓度通常不一样，而在同一个麻醉阶段中，麻醉气体的浓度基本保持恒定，因此可以通过记录麻醉气体浓度持续的起止时间，进而反映各麻醉阶段的起止时间，各麻醉阶段起始时间和终止时间的时间差值，即为各麻醉阶段的持续时间。
附图说明
40.图1是本发明实施例提供的便携式麻醉与手术一体化系统结构框图；
41.图中：1、生理数据采集模块；2、主控模块；3、麻醉模块；4、麻醉控制模块；5、麻醉药用量计算模块；6、手术模块；7、照明模块；8、显示模块。
42.图2是本发明实施例提供的麻醉控制模块的控制方法流程图。
43.图3是本发明实施例提供的预设的机器学习模型的训练方法流程图。
44.图4是本发明实施例提供的麻醉药用量计算模块的计算方法流程图。
45.图5是本发明实施例提供的气态麻醉药用量气对应的液态麻醉药用量计算方法流程图。
具体实施方式
46.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
47.针对现有技术存在的问题，本发明提供了一种便携式麻醉与手术一体化系统，下面结合附图对本发明作详细的描述。
48.如图1所示，本发明实施例提供的便携式麻醉与手术一体化系统包括：生理数据采集模块1、主控模块2、麻醉模块3、麻醉控制模块4、麻醉药用量计算模块5、手术模块6、照明模块7、显示模块8。
49.生理数据采集模块1，与主控模块2连接，用于采集患者生理数据信息；
50.主控模块2，与生理数据采集模块1、麻醉模块3、麻醉控制模块4、麻醉药用量计算
模块5、手术模块6、照明模块7、显示模块8连接，用于控制各个模块正常工作；
51.麻醉模块3，与主控模块2连接，用于通过麻醉机对患者进行麻醉；
52.麻醉控制模块4，与主控模块2连接，用于通过控制程序对麻醉机进行控制；
53.麻醉药用量计算模块5，与主控模块2连接，用于通过计算程序对麻醉药用量进行计算；
54.手术模块6，与主控模块2连接，用于通过手术器具对患者进行手术；
55.照明模块7，与主控模块2连接，用于通过照明灯为手术提供照明；
56.显示模块8，与主控模块2连接，用于通过显示器显示患者生理数据、麻醉药用量。
57.如图2所示，本发明实施例提供的麻醉控制模块控制方法如下：
58.s101，通过脑电仪器采集患者麻醉过程中的脑电模拟信号；
59.s102，将采集得到的脑电模拟信号转化为数字信号，并对所述脑电模拟信号进行分析提取，获得相应的生理特征值体系；
60.s103，对预设的机器学习模型进行训练，并根据所述生理特征值体系和预设的机器学习模型，确定患者的意识状态和呼吸状态；
61.s104，根据所述意识状态和呼吸状态，调控麻醉机中的多个控制参数，以调控所述麻醉呼吸机的工作模式。
62.本发明实施例提供的生理特征值体系由多个生理指标的测量值构建而成，所述多个生理指标包括相对功率、绝对功率、加权相位滞后指数、符号传递熵以及相位传递熵。
63.如图3所示，本发明实施例提供的预设的机器学习模型的训练包括：
64.s201，将预设的训练数据集中的所有特征值进行归一化，并利用预设的评分算法对每个特征值进行评分；
65.s202，将所有特征值按照评分从高到低排序，并筛选出最优特征值集合；
66.s203，利用预设的集成学习算法对所述最优特征值集合进行模型训练，获得训练好的预设的机器学习模型。
67.如图4所示，本发明实施例提供的麻醉药用量计算模块计算方法包括：
68.s301，配置测量仪器工作参数，通过压力表测量得到麻醉气体浓度，通过流量计测量得到混合气体流量，测量得到时间；
69.s302，根据麻醉气体浓度、混合气体流量和时间，计算气态麻醉药用量；
70.s303，根据麻醉气体种类，控制器根据气体摩尔体积计算方法，计算所述气态麻醉药用量气对应的液态麻醉药用量。
71.本发明实施例提供的根据麻醉气体浓度、混合气体流量和时间，计算气态麻醉药用量中，根据麻醉气体浓度、混合气体流量和时间，计算气态麻醉药用量包括：
72.对所述麻醉气体浓度、混合气体流量、采样间隔以及采样总次数进行求和，计算气态麻醉药用量。
73.如图5所示，本发明实施例提供的气态麻醉药用量气对应的液态麻醉药用量的计算包括：
74.s401，根据麻醉气体种类，控制器根据气体摩尔体积计算方法，计算所述气态麻醉药用量气对应的液态麻醉药用量；
75.s402，根据麻醉气体种类，确定所述麻醉气体分子量和麻醉气体密度；确定标准状
态下单位液态麻醉药产生的麻醉气体蒸汽量；
76.s403，根据麻醉气体蒸发温度，校正所述麻醉气体蒸汽量并获得特定温度下麻醉气体蒸汽量校正值，从而确定液态麻醉药用量。
77.本发明工作时，首先，通过生理数据采集模块1采集患者生理数据信息；其次，主控模块2通过麻醉模块3利用麻醉机对患者进行麻醉；通过麻醉控制模块4利用控制程序对麻醉机进行控制；通过麻醉药用量计算模块5利用计算程序对麻醉药用量进行计算；然后，通过手术模块6利用手术器具对患者进行手术；通过照明模块7利用照明灯为手术提供照明；最后，通过显示模块8利用显示器显示患者生理数据、麻醉药用量。
78.在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(dsl)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如固态硬盘solid state disk(ssd))等。
79.以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。